简介gydF4y2Ba

为控制新冠肺炎疫情蔓延，许多国家都实施了旅行限制政策，并通过严格的封锁措施进一步加强。具有法律约束力的封锁对控制受感染人数的增加作出了重大贡献gydF4y2Ba1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba，gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba．相比之下，日本遵循的是制度限制，中央政府没有执行封锁的权力gydF4y2Ba6gydF4y2Ba．也就是说，日本不可能实行封城。因此，在日本，通过宣布紧急状态，要求自愿限制旅行，主要是在感染人数往往高于农村地区的城市地区。数字gydF4y2Ba1gydF4y2Ba描述了日本COVID-19病例的数量以及本研究分析的期间宣布进入紧急状态的时间gydF4y2Ba7gydF4y2Ba．虽然日本提出了没有法律约束力的自愿限制旅行的要求，但现有研究表明，日本人的流动行为与新冠肺炎疫情前相比发生了明显变化gydF4y2Ba8gydF4y2Ba，gydF4y2Ba9gydF4y2Ba，gydF4y2Ba10gydF4y2Ba，gydF4y2Ba11gydF4y2Ba，gydF4y2Ba12gydF4y2Ba，gydF4y2Ba13gydF4y2Ba，gydF4y2Ba14gydF4y2Ba，gydF4y2Ba15gydF4y2Ba，gydF4y2Ba16gydF4y2Ba，gydF4y2Ba17gydF4y2Ba，gydF4y2Ba18gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba．重要的是要了解自愿封锁如何改变了旅行行为，以决定2019冠状病毒病期间和之后的城市发展和交通政策。gydF4y2Ba

图1gydF4y2Ba
图1gydF4y2Ba

日本感染COVID-19的人数。在箭头所示期间宣布紧急状态。gydF4y2Ba

全尺寸图像gydF4y2Ba

近年来的几项研究利用从手机中收集的位置数据来调查日本的流动性变化gydF4y2Ba9gydF4y2Ba，gydF4y2Ba10gydF4y2Ba，gydF4y2Ba14gydF4y2Ba，gydF4y2Ba18gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba21gydF4y2Ba，gydF4y2Ba22gydF4y2Ba．基于网络问卷的流动性变化研究可以揭示特定时期内流动性特征的详细变化gydF4y2Ba8gydF4y2Ba，gydF4y2Ba15gydF4y2Ba，gydF4y2Ba23gydF4y2Ba而使用手机数据的研究可以揭示连续的移动性变化。虽然有多种移动数据来源用于研究移动性变化gydF4y2Ba9gydF4y2Ba，gydF4y2Ba18gydF4y2Ba，gydF4y2Ba21gydF4y2Ba，gydF4y2Ba24gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，移动空间统计(MSS)数据gydF4y2Ba26gydF4y2Ba在日本普遍使用gydF4y2Ba10gydF4y2Ba，gydF4y2Ba14gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba22gydF4y2Ba．MSS数据是由NTT docomo提供的移动终端网络运营数据生成的人口统计数据，NTT docomo是日本最大的运营商，拥有37.5%的移动电话合同gydF4y2Ba10gydF4y2Ba．利用MSS数据估算的每个空间网格(通常为5亿平方米网格)内的流动人口具有高时空覆盖率和高更新频率，适用于分析日本COVID-19大流行期间的流动变化。此前的研究揭示了COVID-19大流行前后人群的统计流动性变化。例如，受感染人数的增加大大减少了长途旅行和前往拥挤地区的旅行gydF4y2Ba20.gydF4y2Ba由于要求自我克制的直接结果是旅行大幅减少，大流行的第一波已经消退gydF4y2Ba19gydF4y2Ba．使用日本MSS数据的研究提供了流动性变化的详细分析，这是谷歌流动性报告等汇总数据无法揭示的gydF4y2Ba21gydF4y2Ba，这本书对行为改变有很好的概述。但是，这些研究并没有揭示旅行目的的流动性变化，因为MSS数据除了与人口有关的信息外，不包含其他信息。gydF4y2Ba

在这项研究中，我们通过对2019年10月1日至2021年9月30日2年间500平方米网格分辨率的MSS数据的联合分析，揭示了东京地区按移动目的划分的移动变化。这一时期包括大流行前时期和第五波感染爆炸。我们的分析还包括建筑统计数据gydF4y2Ba27gydF4y2Ba，由Zenrin Marketing Solutions提供，每500平方米网格按类型排列的建筑数量。在交通工程领域，土地利用和建筑类型通常被认为可以产生具有相应出行目的的机动性gydF4y2Ba28gydF4y2Ba，gydF4y2Ba29gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba．因此，每个集群的建筑物数量是通过在特定网格中按类型聚集建筑物、房间和办公室来获得的，是在该网格中生成特定于目的的移动性的特性。我们采用多元回归分析，以每个网格中的每周流动人口总数为目标变量，以每个网格中按类型划分的建筑数量(如商业、学校和餐厅)为解释变量，按时间顺序分析系数随时间的变化。这使我们能够揭示以旅行为目的的流动性(例如，通勤上班、上学、外出就餐)是如何随着COVID-19大流行的扩大而变化的。特别是，与COVID-19大流行之前相比，该系数值较小，表明为相应旅行目的的流动性受到了限制。gydF4y2Ba

通过上述分析，我们确定了COVID-19大流行后东京地区特定目的流动性的时间序列变化。特别地，这项研究旨在确定旅行自我约束是否在每种旅行目的下得以维持。本研究对持续自我约束的详细分析将有助于日本城市地区未来的城市发展和交通政策决策。gydF4y2Ba

结果gydF4y2Ba

图2gydF4y2Ba
图2gydF4y2Ba

2年以上每个时间段的系数的时间变化。gydF4y2Ba

全尺寸图像gydF4y2Ba

数字gydF4y2Ba2gydF4y2Ba显示了偏回归系数和调整后的R平方(adr . R .)随时间的变化gydF4y2Ba\ (^ 2 \)gydF4y2Ba)，还包括日本各地的COVID-19病例数量。数字gydF4y2Ba2gydF4y2BaA-d分别显示上午、下午、晚上和深夜的结果。纵轴表示每个系数/变量的值，横轴表示日期。特别是，垂直轴gydF4y2Ba\(a_1， \ldots, a_8\)gydF4y2Ba表示每单位数量/距离对流动人口的影响gydF4y2Ba\ (a_c \)gydF4y2Ba表示常数项。gydF4y2Baa_8 \ \ (a_1, \ ldots)gydF4y2Ba表示住宅(gydF4y2Ba\ (a_1 \)gydF4y2Ba)、商业(gydF4y2Ba\ (a₂\)gydF4y2Ba)，学校(gydF4y2Ba\ (a_3 \)gydF4y2Ba)、餐厅(gydF4y2Ba\ (a_4 \)gydF4y2Ba)、零售商店(gydF4y2Ba\ (a_5 \)gydF4y2Ba)，服务(gydF4y2Ba\ (a_6 \)gydF4y2Ba)、休闲(gydF4y2Ba\ (a_7 \)gydF4y2Ba)，以及距离中心商务区(gydF4y2Ba\ (a_8 \)gydF4y2Ba),分别。注意，每个系数对应于每个旅行目的对旅行量的影响。例如，商业对应通勤，学校对应上学，餐厅对应下馆子，等等。与COVID-19大流行之前相比，该系数值较小，表明为相应旅行目的的流动性受到限制。实线系数表示中位数P值小于0.05，结果有统计学意义。相比之下，虚线所写的系数是所有窗口中位数P值大于或等于0.05的系数，表明结果在统计学上不显著。对于在该期间发生正或负变化的系数，在值为零的地方画一条水平线，受感染人数的数字显示宣布紧急状态的时期gydF4y2Ba7gydF4y2Ba．gydF4y2Ba

分析结果如下。首先，调整后的RgydF4y2Ba\ (^ 2 \)gydF4y2Ba所有时期的数值都很高，证实了按类型划分的建筑物数量很好地反映了人类流动的程度。调整后R的大幅度下降gydF4y2Ba\ (^ 2 \)gydF4y2Ba2020年元旦前后可能是因为商店暂时关闭，人们返回家乡。gydF4y2Ba

其次，我们调查了第一次紧急状态宣布期间(2020年4月7日至5月25日)附近的流动性变化，即在COVID-19大流行的第一波期间，在所有时期，大多数特征的部分回归系数绝对值都小于大流行前的绝对值。这可能表明，由于大流行造成的危机感或由于宣布紧急状态而对远程办公和长途旅行的自我克制，每种特征对流动人口的影响都有所减少。这一结果与基于网络问卷调查的研究结果一致gydF4y2Ba15gydF4y2Ba．这一时期一个显著的变化是深夜的“餐馆”。疫情暴发前，“餐馆”是强烈影响深夜出行增加的特征，而且被认为以饮酒场所为主。但是，由于宣布紧急状态后对夜间商业经营的自我约束，“餐馆”对旅行增加的影响大大降低。每次宣布紧急状态后，深夜餐厅对流动人口的影响都有所下降，即使在这段时间之后也是如此，这证实了由于宣布紧急状态而要求缩短营业时间影响了深夜流动人口的减少。与其他系数不同，上午和下午“学校”系数的变化从很早就开始减少。这可能反映了在新冠肺炎确诊病例开始出现的初期，许多学校暂时停课的事实。gydF4y2Ba

第三，我们研究了从第一波浪潮之后到第三波浪潮之前(2020年12月左右)的流动性变化。在第一波疫情消退和紧急状态解除后，各时期的偏回归系数绝对值均有所增加，但无论受感染人数如何，其幅度仍小于大流行前。这可能是由于远程办公的普及使人们习惯于克制长途旅行，并继续在个人旅行中自觉克制。还可以确认的是，在第二波浪潮中(2020年7月至9月左右)，流动性的变化仍然小于第一波。这一结果与现有研究结果一致gydF4y2Ba19gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba．注意偏回归系数和调整后的R的变化gydF4y2Ba\ (^ 2 \)gydF4y2Ba八月份可能主要是由于暑假。gydF4y2Ba

第四，我们分析了从第三次浪潮到第四次浪潮汇合后(2020年12月- 2021年6月)的流动性变化。在此期间，无论受感染人数和是否宣布紧急状态，每个特征的偏回归系数的大小都小于大流行之前。在第三波和第四波中，当感染人数达到峰值时，偏回归系数绝对值显著下降。与第一波浪潮相比，我们可以确认，这些值立即恢复到第二波浪潮之前的相同值，无论宣布紧急状态与否，这些值都保持不变。因此，虽然在高峰期流动被暂时大大抑制，但一旦感染人数开始减少，无论发布紧急状态声明，人口的流动都继续遵循一定程度的自愿约束。这可能是因为人们已经习惯了紧急状态和新冠疫情，也可能是因为自我约束疲劳。这一分析的结果与本研究中使用日本同期大量流动数据进行的县际旅行变化研究一致gydF4y2Ba18gydF4y2Ba．gydF4y2Ba

第五，我们研究了第五次浪潮前后(2021年7月之后)的流动性变化。这里的感染人数较之前有所增加，但系数变化总体上小于第一波、第三波和第四波。因此，可以确认的是，在第五波COVID-19大流行期间实施了普遍的流动限制，尽管实施的限制不是特别严格。尽管如此，受感染人数的减少可归因于疫苗接种率提高等因素，但需要进一步调查以确定原因。gydF4y2Ba

最后，我们分析了COVID-19大流行前后的总体变化。在这项研究中，分析一直进行到COVID-19大流行的第五波，几乎所有时期和旅行目的的系数绝对值都小于大流行前的系数绝对值。无论是否宣布紧急状态，系数绝对值的这种下降似乎对大多数特征都是持续的。这表明，即使在没有法律约束力的封锁措施的情况下，日本城市地区的人口流动性下降也是显而易见的。因此，可以得出的结论是，无论是否宣布紧急状态，日本城市的自我克制一直持续到新冠肺炎大流行中期。gydF4y2Ba

讨论gydF4y2Ba

我们通过多元回归分析，分析了人们因COVID-19大流行而以旅行为目的的行为变化。目标变量是根据大流行前后2年城市地区MSS数据计算的流动人口。解释变量是诸如建筑类型和到中心商务区的距离等特征。多元回归分析结果显示，在COVID-19大流行的第一波期间，流动人口在较长一段时间内显著减少，与旅行目的无关。在第二波和随后的浪潮中，尽管无论旅行目的如何，针对传染性爆炸的流动性限制比第一波更温和，但我们证实，无论受感染人数多少，自愿的流动性限制都变得根深蒂固。这表明，日本城市的自我克制一直持续到COVID-19大流行中期。这种持续的自我约束可能归因于社会制度的变化，例如远程办公的普及和递送服务的普及或新的社会规范的内部化。gydF4y2Ba

我们对COVID-19大流行造成的人员流动总体减少的分析与现有的一些研究一致，我们对多次宣布紧急状态造成的人员流动变化的分析也是如此。我们研究的新发现是，在统计数据支持下，无论流动的目的是什么，在COVID-19大流行中期，流动的自我约束一直保持着。这一发现对未来城市发展和交通政策的制定做出了新的贡献。gydF4y2Ba

本研究有一定的局限性。首先，由于资金限制，本研究中使用的MSS数据缺乏足够的时空覆盖。因此，我们无法确定自我克制在整个日本是否持续，以及在本研究使用数据的时期之后是否继续存在。其次，在手机数据中已经注意到一些潜在的覆盖偏差gydF4y2Ba31gydF4y2Ba．在这项研究中，年龄偏见尤其可能影响了结果gydF4y2Ba32gydF4y2Ba；然而，由于年龄信息的缺乏，无法讨论代际间流动性变化的差异。第三，由于我们的资金限制，建筑统计数据只涵盖了2020年，这可能会在2021年的系数中引入噪声gydF4y2Ba33gydF4y2Ba．gydF4y2Ba

尽管存在上述局限性，但我们的研究结果对制定城市政策具有重要意义。在马歇尔经济学中，集聚效应被分为技术溢出、劳动力集中和中间投入联系，而这种效应会随着信息和通信技术的发展而随着时间的推移而变化gydF4y2Ba34gydF4y2Ba．总的来说，这些技术可能会逐渐改变城市结构，而我们的研究结果表明，COVID-19加速了这种结构变化。如果是这样的话，可能有必要重新考虑一些依赖传统集聚力量的城市政策，例如将办公室集中在某个特定地区。重要的是要继续研究这种自我约束在未来是否会持续下去，城市政策应该适应流动的实际情况。gydF4y2Ba

方法gydF4y2Ba

流动人口数据gydF4y2Ba

在这项研究中，东京地区的MSS数据被用于生成流动人口数据。MSS是根据日本移动通信公司NTT Docomo提供的移动电话基站接入数据，推算出在某一时间段内停留在某一地区的人口的数据。本研究中使用的MSS数据的分辨率反映了一个500平方米的网格(也称为二次网格)，具有每小时估计的人口。我们使用了940个网格的MSS数据，从2019年10月1日到2021年9月30日，历时2年。940个网格的位置选择如下，以提供多样性:gydF4y2Ba

  1. (一)gydF4y2Ba

    我们以故宫为城市中心，计算每个直辖市的重心到故宫的距离。gydF4y2Ba

  2. (b)gydF4y2Ba

    为了分析城市中心距离与流动人口之间的关系，选取了距离故宫0-5公里、5-15公里、15-25公里、25-35公里、35-45公里5个距离范围内的直辖市。gydF4y2Ba

  3. (c)gydF4y2Ba

    为了确保数据的多样性，我们从每个范围内的城市中选择了四个，其中人口密度最高和最低的各有两个。gydF4y2Ba

  4. (d)gydF4y2Ba

    为了避免选择人口流动很少或没有人口流动的网格，从每个选定的城市中，选择了人口密度最高的前50个网格。gydF4y2Ba

对于程序(c)，在进行空间变化分析时，人口密度高和低的混合区域通常会降低分析的质量，而对于本研究的时间变化分析，该程序选择的混合区域覆盖了各种各样的空间。所选择的城市列于表中gydF4y2Ba1gydF4y2Ba，网格分布如图所示。gydF4y2Ba3.gydF4y2Ba．网格的数量是940个，而不是1000个，或者20个(城市的数量)gydF4y2Ba\ \(\倍)gydF4y2Ba50(网格数量)，因为Warabi-city在整个区域只有34个网格，并且相邻的城市采用相同的网格。由于资金有限，无法使用全部市区数据。gydF4y2Ba

表1每个范围内两个最高/最低人口密度的城市。gydF4y2Ba
全尺寸表gydF4y2Ba
图3gydF4y2Ba
图3gydF4y2Ba

本研究中使用的网格分布。纵轴、横轴和黄色方块分别表示本研究中使用的纬度、经度和网格。红色和绿色分别代表人口密度高和低的城市。gydF4y2Ba

全尺寸图像gydF4y2Ba

基于以上940个栅格和小时人口估计数据，估计每个栅格的小时流动人口。下面的方法是根据Hara等人提出的方法，从人口数据中估计流动人口。gydF4y2Ba14gydF4y2Ba．如果gydF4y2Ba\ (p_ {g, t} \)gydF4y2Ba当时的估计人口是多少gydF4y2BatgydF4y2Ba网格的gydF4y2BaggydF4y2Ba，估计流动人口gydF4y2Ba\ (y_ {g, t} \)gydF4y2Ba在gydF4y2BatgydF4y2Ba的gydF4y2BaggydF4y2Ba计算公式如下:gydF4y2Ba

$ $ \{对齐}开始y_ {g, t} = | p_ {g, t} - p_ {g, t + 1}{对齐}$ $ | \结束gydF4y2Ba
(1）gydF4y2Ba

虽然由式(gydF4y2Ba1gydF4y2Ba)低于实际流动人口，该估计方法可用于分析流动趋势变化，如Hara等。gydF4y2Ba14gydF4y2Ba和Tsuboi等人。gydF4y2Ba20.gydF4y2Ba．gydF4y2Ba

按类型划分的建筑物数量的数据gydF4y2Ba

本节描述回归分析中用作解释变量的数据。网格中建筑、房间和办公室的数量以及网格到故宫的距离被用作解释变量。在交通工程领域，土地利用和建筑类型通常被认为是产生旅行和相应的旅行目的gydF4y2Ba28gydF4y2Ba，gydF4y2Ba29gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba．例如，学校生成往返学校的旅行，而餐厅生成吃喝的旅行。因此，每个集群的建筑数量(通过在特定网格中按类型对建筑、房间和办公室进行集群而获得)是在该网格中生成特定目的的旅行的一个特性。属于某一特定群组(例如住宅或商业)的建筑物数目被认为是每个网格的解释变量。此外，还以距离故宫的距离作为解释变量，分析了城市与郊区差异的影响。我们使用了2020年版本的建筑统计数据gydF4y2Ba27gydF4y2Ba由Zenrin Marketing Solutions提供，按类型计算建筑物。建筑统计数据包括500米网格内的独立住宅数量和餐馆数量等信息，与MSS数据类似。在本研究中，八种类型的特征见表gydF4y2Ba2gydF4y2Ba作为解释变量。每个特征是表中第二栏所示的按群划分的建筑物数目的总和gydF4y2Ba2gydF4y2Ba表示为gydF4y2Ba\(x_1， \ldots,x_8\)gydF4y2Ba．gydF4y2Ba

表2作为解释变量的特征。gydF4y2Ba
全尺寸表gydF4y2Ba

分析方法gydF4y2Ba

图4gydF4y2Ba
图4gydF4y2Ba

分析方法概述。gydF4y2Ba

全尺寸图像gydF4y2Ba

以每个网格的流动人口为目标变量，特征为解释变量，利用多元回归分析计算各解释变量的系数。8个变量的方差膨胀因子分别为2.09、6.18、1.54、2.90、4.51、3.07、2.56和2.29。因此，多重共线性的大小是可以接受的。数字gydF4y2Ba4gydF4y2Ba对分析方法进行了概述。为了检验该时期内系数的变化，我们以7天的窗口宽度和1天的滑动宽度对数据进行分割。这产生了725条分割数据。此外，由于人们的流动性被认为根据一天中的时间有很大差异，我们将725条分割数据分为四个时间段:早上(5:00-10:00)、下午(10:00-17:00)、晚上(17:00-23:00)和深夜(23:00-5:00)。对这725个样本分别进行多元回归分析gydF4y2Ba\ \(\倍)gydF4y2Ba4周和小时分割数据，分析各时期系数的时间变化。采用以下多元回归模型:gydF4y2Ba

$ ${对齐}{\ \开始varvec {y}’}=现代c{} +现代{1}\ varvec {x} _ {1} + \ cdots +现代{8}\ varvec {x} _{8}, \{对齐}$ $gydF4y2Ba
（2）gydF4y2Ba

在哪里gydF4y2Ba\ ({\ varvec {y}} \)gydF4y2Ba为940维向量，表示每格总移动人口数，将分裂移动数据按时间方向相加，gydF4y2Ba\ (\ varvec {x} _i \)gydF4y2Ba940维向量是否包含特征值gydF4y2Ba\ (x_i \)gydF4y2Ba对于每个网格，gydF4y2Ba\(现代c {} \)gydF4y2Ba是常数项，和gydF4y2Ba\ \ (a_i)gydF4y2Ba偏回归系数开了吗gydF4y2Ba\ (\ varvec {x} _i \)gydF4y2Ba．分割数据的系数被确定为最小化该模型两侧的平方误差(gydF4y2Ba2gydF4y2Ba)。gydF4y2Ba