多层网络描绘 2021 年德克萨斯冬季风暴期间按行业划分的人类出行模式

为什么这个冬季风暴的研究很重要

当一场重大风暴来袭时，我们的出行会发生变化，这些变化往往决定了安全与危险之间的差别。该研究考察了德克萨斯州哈里斯县居民在造成大规模停电和破坏的 2021 年冬季风暴期间的实际出行情况。通过追踪匿名手机数据，研究人员展示了人们放弃了哪些出行、保留了哪些出行，以及这些模式能在多大程度上被预测。他们的方法可能帮助城市更聪明地为下一次极端天气事件做准备，确保像杂货店和加油站等关键场所在最需要时仍然可达。

穿行在冰冻城市中的人群追踪

为理解风暴期间的行为，作者将来自智能手机的数十亿条 GPS 打点转化为各周不同社区之间的出行地图。每个社区以普查区（census tract）划定，当人们离开家并访问某个兴趣地点（如学校、餐馆、诊所或商店）时就计为一次出行。研究团队没有把所有出行一视同仁，而是根据目的地类型将其划分为不同层，采用一种标准的商业分类系统。一层包含医疗保健地点的访问，另一层包含学校，另一层包含餐馆，依此类推。将这些层叠加在一起，形成一种区域的“出行指纹”，显示日常生活中不同部分如何共同构成总体出行。

哪些出行消失了，哪些保留了

通过将风暴周与之前的六周比较，研究人员衡量了各类出行变化的强度。总体上，在道路结冰、电力中断且官员敦促居民留在家中的那些日子里，出行大幅下降。但下降幅度因目的地而异。前往门诊医疗服务（如医生和牙医诊所、门诊中心）的访问下降最大，低于正常水平超过三十个标准差。餐馆和酒吧的出行也急剧减少，学校访问尤其是小学则大幅下降。相比之下，前往杂货店和其他食品商店的访问几乎没有下降，而加油站的出行实际上有所上升。家居装修和建材商店、以及可为失去供暖或供水的家庭提供庇护的酒店等住宿类场所也出现了较小幅度的上升。

更细致地看社区间的流动

研究团队接着分析了每个普查区进出的人流量。外出出行统计的是某区居民前往其他地方的频率；入境出行统计的是来自其他区的访问者到达该区的次数。即便在正常周，这些流量也非常不均衡：一些普查区发送和接收大量访问，而另一些则很少。作者发现，外出出行与普查区人口数量高度相关，而入境出行则更能由其中包含的商业或服务数量来解释。换言之，人口主要推动向外的出行，而本地基础设施主要吸引向内的出行。在风暴期间，整体出行水平下降，分布向下移动，但这些模式的基本形状仍然相似。

我们的风暴期间出行有多可预测？

为测试这些流动能在多大程度上被预测，研究人员构建了简单的统计模型，尝试用普查区特征来预测入境和出境出行。这些特征包括人口规模与密度、收入、贫困与失业水平、种族构成，以及不同类型商家的数量。模型对预测居民从每个普查区向外出行的次数表现相对较好，无论是在正常周还是风暴期间；在危机期间，准确度变化不到一个百分点。预测入境出行要困难得多。即便在正常周，模型对变异的解释也较少，而在风暴期间其表现进一步下降。风暴似乎打乱了哪些目的地会吸引访客，使得特定区域的流入不再那么依赖平常的社会和经济模式。

这对未来灾害意味着什么

综合来看，研究结果勾勒出一幅清晰的图景：在严重的冬季风暴中，人们大幅削减许多非必要出行，尤其是用餐、上学和非急诊医疗相关的出行，同时努力保留对食品、燃料和某些必需品的获取。从家出发的外出流动仍以人口为主导并保持相对可预测，但在压力下人们选择去向的稳定性显著下降。对于规划者和应急管理者而言，这意味着保持关键食品店和加油站的运行与可达性应是首要任务，而在危机期间依赖人们平常聚集地点的模式可能会产生误导。本文提出的多层网络方法提供了一种实用方式，用以识别在紧急情况下哪些类型的出行最为重要，并据此设计符合人们在下一场风暴来临时实际行为的应对措施。

引用: Butler, M., Khan, A., Afrifa, F.O.T. et al. Multilayer networks characterize human-mobility patterns by industry sector for the 2021 Texas winter storm. npj Complex 3, 15 (2026). https://doi.org/10.1038/s44260-026-00076-0

关键词: 人类出行, 冬季风暴, 灾害规划, 手机数据, 城市弹性