基于手機位置數據的四川九寨溝7.0級地震人流分析

李東平 黃樂 陳海鵬 劉倩倩

1）浙江省地震局，杭州市西湖區塘苗路7號 310013

2）杭州遠眺科技有限公司，杭州 311121

0 引言

2017年8月8日21時19分46秒四川省阿壩州九寨溝縣發生7.0級地震，浙江省地震局第一時間發布震中手機人口熱力圖，并利用手機位置大數據對震區人口分布、震后人流變化進行了分析，取得了較理想的效果。

人口時空分布是地震災害應急救援的重要依據。尤其是大震發生后數小時的黑箱期內，如何快速準確獲取災區人口信息是震后災情速判的關鍵，人口數據的精度會直接影響到災害評估結果的準確性（聶高眾等，2012；帥向華等，2014）。長期以來，由于數據源的限制，準確生成人口數量的空間分布一直是一個難題。目前，國內用于地震災害快速評估的人口數據主要是以第6次人口普查為基礎衍生的千米格網數據或鄉鎮級行政區劃的人口平均密度數據，其精度與實際災害調查結果差距較大，滿足不了災情速判的需求。此類數據基本為靜態，更新時間間隔為年，不能準確反映實時人口數量和位置。若能根據相對可靠的實時信息對災害作出快速估算，則可提高應急決策指揮和搶險救災的效率。人口空間位置表達也包含了靜態以及其空間位置的動態變化。近年來，手機等的高普及率使得大規模持續采樣的移動設備定位數據為估計更高時空分辨率的人口分布提供了一種新的途徑。Android系統因其免費開源、開發維護成本低、使用簡單等特點，已被廣泛作為移動智能應用的開發平臺。近年來，GPS和北斗衛星導航系統的定位服務在手機終端應用中成為主流配置，智能手機普及、位置分享服務、基于位置服務、大規模分布式數據存儲與計算框架等的出現與發展，使得實時獲取精準的海量手機位置信息成為可能，利用手機移動定位估算實時人口已成為一種可操作的相對精確的方法（匡文慧等，2010；張子民等，2010）。自2013年以來，國外陸續有運營商開展移動網絡的位置數據分析應用工作，美國運營商Verizon通過收集用戶使用過的APP、訪問過的網站及所處的地理位置等信息提供商業咨詢。法國電信運營商Orange的高速公路監測項目、西班牙電信公司Telefonica的智慧足跡項目為用戶提供位置衍生信息。2014年11月烏鎮世界互聯網大會上，國內移動大數據的綜合分析展示了動態人員流量大數據分析平臺，同年12月，移動位置大數據在上海外灘踩踏事件應急中為政府提供了決策信息。

1 手機位置大數據的原理

隨著智能手機的普及（谷歌發布的《The Consumer Barometer》報告顯示，中國智能手機普及率達66%）和移動互聯網的發展，互聯網已經進入了移動互聯時代。加之全球定位系統的發展與普及，基于位置的服務的產生與發展已成必然。基于位置服務不僅為用戶帶來了便利，而且為商業智能分析、公共事務管理、學術研究等提供了新的數據源與可能性。全球的大量用戶每天都產生海量的信息用以共享，這些共享的信息可以通過應用接口獲取，手機位置共享服務產生的地理相關數據已為GIS帶來了新的變革（吳士鋒等，2016）。以移動網絡共享數據作為數據源進行研究涉及到的最基本問題是數據的獲取以及對其進行分析、計算的支持平臺。人口數據估算是將地理圍欄技術運用到消息推送中，當用戶進入到地理空間范圍內時，即可獲取并統計用戶的位置信息，通過在不同時段、不同地區的模型模擬，就可推斷出當前的人口數量。移動網絡中共享信息體量龐大，對大量數據的存儲、分析都是不小的挑戰。由于受數據獲取難度以及數據存儲、分析能力的限制，針對用戶位置信息的研究多專注于個體移動模式研究以及預測，其在個體移動模式的分析，結合用戶的社交網絡應用信息，對公共事務管理應用如用戶畫像、服務推薦、市場預測等方面有很好的應用效果。基于大量數據的支持，對更大尺度上人的活動進行研究，則對城鄉規劃、人口分布、社會經濟指標等更有意義。

2 數據預處理

本項工作以2017年8月8日四川九寨溝7.0地震災區為研究區域。此次地震震中為33.20°N、103.82°E，位于九寨溝核心景區。震中東距九寨溝縣城39km，距松潘縣66km，距舟曲縣83km，距文縣85km。此次地震的最大烈度為Ⅸ度，等震線長軸總體呈NNW走向，Ⅵ度區及以上總面積為18295km2。我們以震中為中心，在東西長500km、南北長360km的范圍內共采集了1031.99萬條手機位置記錄、44573個空間格網位置數據。采集范圍覆蓋了Ⅵ度及以上區域。震中為景區，常住人口比例較小，大量的是短期居住外地游客，游客在微觀時空移動非常頻繁，不同時段也存在著巨大的人流差異。所以，我們提取了分時段內的人口信息，具體是從8日21：00時開始，提取每隔1hr的數據覆蓋，共計24個時段，這樣可以比較全面地體現震區人員的動態分布情況。本次工作中由于數據量龐大，精度和效率相互矛盾，采用高精度雖然可以更加詳細地表述人口分布，但是會出現計算量過大的問題，而且此次地震震中位于山區，山體的遮蔽效應對手機位置精確定位造成一定影響，如果過分追求精度反而造成一定量的重復計算點并影響計算效率。為了更快地對震區人口進行分析，兼顧精度和效率，我們選取了200m格網的精度進行人口分布分析。

3 基于密度分析的人口分布模擬

3.1 核密度分析原理

在200m格網內，人口并不是完全均勻分布的，這就需要用數學方法進行人口密度模擬。我們將格網中心看做1個點，該點的值為格網內人口數，通過計算點值密度來表示人口密度分布。點密度常用的計算方法有3種：樣方密度法、核密度法和Voronoi圖密度法。樣方密度法是在被模擬地區的空間內隨機選取若干個樣方，通過統計每個樣方內的個體數，計算出每個樣方的密度，以所有樣方密度的平均值作為大面積密度。但是隨機取樣會摻入一定的主觀性，使得模擬結果偏大（禹文豪等，2015）。該方法適用于人口靜態的取樣調查，對于流動性強、密度大的人口，模擬效果不好。Voronoi圖密度法是將數值點作為Voronoi圖發生元，計算幾何空間里的一種基于距離的平面劃分。在平面上有n個不重合種子點，把平面分為n個區域，使得每個區域內的點到它所在區域的種子點的距離比到其它區域種子點的距離近，每個區域稱為該種子點的Voronoi區域。Voronoi圖單元連接處的密度變化突兀，忽略了空間現象發生的連續性，對于人口分布估計也有一定局限性。

核密度方法可以解決以上問題，核密度值隨中心輻射距離的增大而逐漸變小，考慮了點對它周圍位置影響的距離衰減作用。概念上每個點上方覆蓋著1個平滑的曲面，在點所在位置表面值最高，隨著距離的增加表面值減小，直到距離等于搜索半徑時值為0。輸出柵格的每個像元值為所有疊加在該像元上的表面值之和（勞昕等，2013）。由此，核密度估計法將1個點集轉化為表現出連續密度變化的表面，進而可以將離散的點集轉化成平滑的密度變化圖，從而顯示出其空間分布模式。圖1為核密度計算樣例。由圖1可見，密度值越高，則表明該點的聚集程度越高。核密度分析對于人口分布的模擬有明顯的優勢，人口分布具有集群性，距中心位置越遠，人口分布密度越小。

圖1 核密度計算樣例

3.2 核密度空間計算方法

在計算中，每個點所在位置處表面值最高，曲面與下方的平面所圍成的空間的體積等于此點的值，每個輸出柵格像元的密度均為疊加在柵格像元中心的所有核表面的值之和。核密度方法的計算方程為

式中，f（s）為空間位置s處的核密度計算函數；h為距離衰減閾值；n為與位置s的距離小于或等于h的要素點數；k函數則表示空間權重函數。式（1）的幾何意義為密度值在每個核心要素ci處最大，并且在遠離ci過程中不斷降低，直至與核心ci的距離達到閾值h時核密度值降為0。核密度函數中存在2個關鍵參量，即空間權重函數k與距離衰減閾值h。大量的研究表明，空間權重函數的選擇對點模式分布結果的影響不大，需要注意的是距離衰減閾值的選擇。在實際中，閾值h的設置主要與分析尺度以及地理現象特點有關。較小的距離衰減值可以使密度分布結果中出現較多的高值或低值區域，適合于揭示密度分布的局部特征；而較大的距離衰減值可以在全局尺度下使熱點區域體現得更加明顯（禹文豪等，2015；ESRI中國信息技術有限公司，2011）。

3.3 基于核密度分析的人口分布模擬

圖2 基于手機數據的九寨溝人口模擬分布

我們采用核密度法，利用采集的手機點位數據模擬了東西長500km、南北長360km范圍內的人口分布。圖2為基于手機數據的九寨溝人口模擬分布。由圖2可見，震中附近人口稀少，只有在漳扎鎮、九寨溝縣城、川主寺鎮有一定量人口分布，尤其在震中以西人口密度非常低，幾乎沒有大的居民點分布。人口集中在較遠的東部地區，距震中比較遠，其中，武都市距震中101km，廣元市距震中197km，其余僅零星沿地形溝底、交通線有少量的人口分布。我們進一步取震中附近的極災區，為了方便分析，對數據作三維處理。圖3為8日21時震中附近人口熱力三維圖。由圖3可見，震中附近21：00時九寨溝景區只有零星的人員分布，機場人員也不是很多，周邊塔瑪村、干海子村有一定人口，人口主要集中在漳扎鎮。

圖3 8月8日21：00時震中附近人口熱力三維圖

為了反映地震前后的人口變化，我們將8日震后22：00時的人口密度與震前21∶00時的進行了對比，計算了2個時段的密度差值，這樣可以比較客觀地反映地震造成的通訊中斷和人員移動情況。圖4、5分別為震區、極震區震后與震前手機密度變化。由圖4可見，地震發生后震中附近九寨溝縣等高烈度區人口密度明顯下降；由圖5可見，距震中較遠的地區人口密度沒有太大變化，總體上減少和增加處于相對平衡。在震區漳扎鎮（溝口）、九寨溝縣城、301省道（機場-漳扎鎮段）及周邊、301省道（九寨-文縣段）及周邊的人口密度則出現急劇下降，213國道（松潘到若爾蓋縣段）也出現了連片的手機密度大幅減少情況，可以判斷出現了基站退服和電力中斷的情況。在九寨溝縣去往平武縣的205省道，人口密度有一定增加，九寨溝縣城外圍人口有一定增加，說明震后半小時已經開始有游客在向景區外疏散。

3.4 災區分值段人口變化分析

地震發生后，災區人口分布是一個動態變化的過程，從震后基站退服影響人口數開始，到通訊和電力搶修，再到后來的沿交通線向外疏散，人口的數量和位置一直在發生變化。

干海子村距震中較近，也是災情較重的一個村，地震中破壞嚴重的天堂大酒店就在這個區域，震后通訊和電力受損嚴重，幾乎完全中斷，直到9日上午通訊和電力經過搶修部分得到恢復。黃龍機場沒有停電，人流相對其他地區下降較緩，根據相關媒體報道，機場采取了一定措施，對滯留機場的人員進行了疏散，部分分散到附近的賓館，少量人員機場過夜。圖6為機場、景區、干海子村人口時序變化。由圖6可見，9日6：00點以后，進港客機和災區集中過來的疏散人口使人流出現了明顯上升的現象。進入9日晚間，機場人流又開始下降。圖7為漳扎鎮人口時序變化。由圖7可見，漳扎鎮酒店區人員集中，景區游客大部分集中在這里，震后基站退服較多，在緊急維修后，人員呈凈流出狀態。

圖4 震區震后與震前手機密度變化示意圖

圖5 極震區震后與震前手機密度變化示意圖

我們統計了Ⅶ度區范圍內14個鄉鎮人口的24h變化（圖8、9、10），它們分別是漳扎鎮、南坪鎮、雙河鎮、白河鄉、黑河鄉、郭元鄉、勿角鄉、寶華鄉、大錄鄉、陵江鄉、玉瓦鄉、馬家鄉、羅依鄉、草地鄉，并對14個鄉鎮進行了大致分組。因震區人口分布極不均勻，漳扎鎮、南坪鎮人口震前大于10000人，而其他鄉鎮震前均少于1000人，其中，陵江鄉、馬家鄉、草地鄉震前各只有不到200人，所以，將人口大于1萬的漳扎鎮、南坪鎮分為1組，大于450人但小于1萬人的雙河鎮、白河鄉、寶華鄉、郭元鄉、勿角鄉為1組，小于450人的大錄鄉等為1組。

圖6 機場、景區、干海子村人口時序變化

圖7 漳扎鎮人口時序變化

圖8 大于450人但小于1萬人的鄉鎮（沿國道的鄉鎮）人口時序變化

震后由于基站退服、停電等原因，人口數急劇減少。此次震后通訊搶修非常迅速，應急通訊車進入震區后，震后通訊得到部分恢復，8日午夜24：00時左右隨著通訊恢復，人口數開始緩慢地增長，在9日凌晨06：00時左右，從景區疏散的人口和進入災區的救援力量疊加，由圖8可見，沿省道的幾個鄉鎮白河鄉、勿角鄉、寶華鄉、雙河鎮、郭元鄉等人流出現急劇增長，在9日17：00時左右，這幾個鄉鎮的人口開始回落，到19：00基本穩定。人口少的鄉鎮基本不沿省道，由圖9可見，其人口變化一致性較好，基本為震后人口急劇減少，8日午夜24：00時左右開始穩定緩慢增長，基本可以反映出震后通訊和電力逐步恢復的過程。由圖10可見，漳扎鎮、南坪鎮震后人口都急劇減少，8日午夜24：00左右開始恢復，其中，南坪鎮是縣政府所在地，到9日凌晨01：00時左右，基站大部分恢復，此后一直為緩慢增長的過程，從震前的19495人增加到24hr后的20146人，增加的人應該主要為進入的救援力量和景區撤出的人口。漳扎鎮是極災區，大部分區域都是Ⅸ度、Ⅷ度區，與其他鄉鎮不同的是，在通訊部分恢復后一直是人員流出的狀態，特別是9日7：00～17：00人口流出加速，截至 9日21：00時漳扎鎮人口由28569人變為5209人，除救援力量外，滯留人員已經基本疏散。

圖9 小于450人的鄉鎮人口時序變化

圖10 大于10000人的鄉鎮人口時序變化

表1 九寨溝縣基站退服統計

3.5 災區基站退服情況的模擬

歷次大地震極災區都出現了移動通訊基站退服的現象，如2008年汶川8.0地震造成四川移動3429個移動通信基站退服，2010年玉樹7.1級地震時當地移動通信基站退服率達到70%以上，2013年蘆山7.0級地震時303個基站退服，2014年魯甸6.5級地震時61個移動通信基站退服。一般認為，在Ⅷ度以上區域才會出現基站退服（程明超等，2017），此次九寨溝7.0級地震震后，極災區最高烈度為Ⅸ度，并且也出現了通訊中斷的情況，其中，九寨溝縣范圍內出現大面積基站退服和光纜中斷①四川省通信管理局，2017，四川省通信管理局九寨溝7.0級地震通信保障速報，表1為九寨溝縣基站退服情況。由表1可見，縣域內43.74%的基站存在退服現象。

通過對比地震前后基于手機的人口數量的減少，可以估算出大致的基站退服比例和分布范圍。我們在震區劃分了1.5km×1.5km的格網，統計每一個格網中震前、震后人口數的變化量R

式中，N為震前人數；K為震后人數；R為變化量（退服率），R值越大，代表退服率越高，地震災害越嚴重。由于震后個別地區會出現人員聚集的情況，導致個別的單元格內震后手機數增加，在計算中R會因此為負數，但總體上還是由震中向外手機數逐漸減少。此次地震計算所得R最大值為85.9%，主要分布在干海子村和漳扎鎮，可見這2個區域災情最嚴重，可能其部分區域出現了基站全部退服的情況。由于手機仍舊可以通過衛星、WIFI、藍牙等其他通訊手段提供位置信息，所以，退服率一般不會為100%。我們在成圖過程中，為了方便分析剔除了R＜0格網，也就是人口增加的格網，并將增加的數值平均分配到周圍相鄰的格網，與最終烈度調查結果疊加。圖11為基于手機數量變化的基站退服模擬分布圖。由圖11可見，其結果與后來的實地調查結果非常接近，手機減少50%以上的網格基本都分布在Ⅶ度區內，整體略有向西北溢出的情況。距震中較遠的東部人口密集地區，手機數呈現普遍的輕微減少的情況，這與夜間隨著時間推移部分人關機的情況吻合。本次數據對基站退服情況模擬得非常好，完全可以采用手機人口減少比例來推斷基站退服，進而推斷出極災區的分布范圍（聶高眾等，2012；鄧硯，2005）。

圖11 剔除干擾、基于手機數量變化的基站退服模擬分布圖

在烈度圖正式公布后，我們也計算了不同烈度區在震前、震后的根據手機模擬的人口變化情況，同時為了剔除由于夜間關機對退服的影響，我們還計算了7日同時段、同地區的手機人口變化情況，在計算最終結果時，將7日的數據作為基數減去，因此，可以得出8日真實的退服情況。表2為基于手機人口數據的基站退服模擬。由表2可見，Ⅵ度區退服率為18.35%，而7日退服率為19.09%，退服率反而減少了1.03%，也就是說，震后該區域，手機關機率比前一天減少，一部分人受到此次地震影響，關機比以往推遲。同樣方法，剔除基數后最終計算Ⅶ度區有28%退服，這與傳統認為的在Ⅷ度區才會出現通訊基站退服的觀點相悖。在Ⅷ度、Ⅸ度區，我們認為受地震影響強烈，在22：00時關機的人數較少，統一將基數人為定為5%，這樣Ⅷ度、Ⅸ度區最終結果分別為52.40%、61.24%，震后手機減少受多種情況的影響，但是基站退服是最主要的因素，所以，以上結果基本可以客觀反映不同烈度區的基站退服率。

表2 基于手機人口數據的基站退服模擬

4 結論

（1）手機人口熱力數據時效性較好，數據準確度高，可用于地震應急實際工作中。此次九寨溝7.0級地震在手機位置數據的支持下，實時獲取了震中區的人口分布模擬數據。經過數十次大小地震的檢驗，數據模型已經比較成熟，后期經過各個渠道的驗證，本次數據接近實際人口情況。手機位置數據能夠滿足地震發生后數小時內在實際受災情況無法得到確切信息的時間內為政府救災提供可靠依據的需求。

（2）智能手機使用率與人口估計偏差具有顯著的關聯。九寨溝地震災區存在極端情況，部分西北部山區、南部山區人口極少，而且人員構成差距明顯，西北部山區主要是60歲以上老人和兒童，智能手機使用率較低，人口值被低估。震中附近漳扎鎮和九寨溝縣城人口較密集，漳扎鎮主要為游客，智能手機使用率較高，如果使用統一模型則會出現震前數據一定程度上被高估。本次對漳扎鎮和山區人口的模擬則采用了不同模型。

（3）核密度方法可以比較客觀地模擬人口熱力分布。核密度分布模型對人口分布模擬較好，其方法相對其他方法更適用于人口群體分布和流動特征，在對震前溝口地區微觀人口分布模擬過程中，很容易得出漳扎鎮宋城演藝區人口最集中、其次是天堂口廣場九寨溝喜來登大酒店附近的結論，根據各方面信息反饋，情況符合實際。

（4）基站退服引發了大量的人口“假消失”現象。此次地震震級大，達到了7.0級，震中最大烈度為Ⅸ度，極災區出現了供電中斷和基站退服情況，直接導致我們獲取的手機數據在震后出現斷崖式下降，大量的人口在震后突然“假消失”，越接近震中，這種現象越明顯。在通訊和電力得到搶修后，手機位置數據開始緩慢上升，判斷基站退服率對于第一時間估算極災區有很大指示作用。

（5）基于手機的人口數據在未來地震應急中大有可為，其不僅可震時估計人口的分布情況，而且利用其包含的豐富屬性信息，我們還可對震中人口來源地、人口矢量移動、交通線滯留情況等作詳細分析，這是以往地震應急中所無法想象的。因此，通過對手機數據的挖掘可以延伸更豐富的應用，更好地為地震應急服務。