大数据报告 | 北京复工复产空间特征分析
本报告由百度地图慧眼、中国城市规划设计研究院、中规院（北京）规划设计公司联合研究发布，各方发挥自身的资源、技术优势，形成一系列具有行业前瞻性、实用性的研究成果，并促进研究成果的转化与应用。联合研究的领域包括：城镇化发展动态监控与政策支持、城市空间诊断、评估与模拟、人工智能与城市智慧管理、国土空间规划新技术探索。
1.城市确诊病例多，各类病例风险难回避
截至3月28日，北京新冠肺炎确诊病例578例，确诊病例远高于上海，广州，深圳等国内其他一线城市。回顾近两个月来一线城市累计确诊病例变化（图1），北京前期面临湖北省输入以及本地传播的风险。在2月中旬左右确诊病例超过深圳，成为确诊病例最多的一线城市。进入3月份，本土疫情趋于平稳，北京境外输入病例开始增多，构成了新增病例的绝对占比（图2）。而2月份本土病例高增长的深圳和广州等一线城市则出现了明显的增长放缓，境外病例集中进入北京与上海两座一线城市中。对比北上，2月份北京累计的本土确诊病例显著高于上海且3月份境外输入病例增长幅度并不低于上海。因此，北京各类型病例风险均无法回避，是国内目前防疫压力最大的一线城市。
图1：一线城市新冠肺炎累计确诊病例
图2：北京各类新冠新增病例分布
2.病例分布地与经济中心重合，复工复产整体挑战大
从现有确诊病例的空间分布上看（图3），直至3月24日，城六区累计新冠病例70例，占出现病例小区的62.6%。以截止日起算，每14天为一周期统计发现，无论疫情处于何种阶段，城六区确诊病例始终保持超50%的占比，是相关病例的主要分布地（图4）。
另一方面，城六区作为北京的经济中心，2017年GDP占比超过了77%，病例分布与经济中心的高度重合，客观上加大了复产复工的整体挑战。
图3：北京小区疫情病例分布（截至3.24）
图4：北京小区疫情病例分时段分布（截至3.24）
事实上，根据百度慧眼大数据的统计，3月24日北京复工指数（正月初七后累积活跃工作人数/2019.11月日常工作日人数）为61.37%，远低于上海（复工指数74.44%），深圳（72.65%），广州（71.32%）等其他一线城市，是除武汉（复工指数23.84%）外复工指数最低的主要城市（表1）。参考2019年同期的百度迁入人口指数，疫情影响下严格限流政策使得迁入北京的相关指数远低于去年同期（图5）。未来，大量尚未回京复工的外地务工群体以及商务，旅游等短期跨市出行人群会随着疫情的放缓陆续涌入。更复杂的防疫形势还未到来，相关防疫工作也远未结束。
1.复产复工分布特征分析
疫情影响渐退，区县经济总量越大复工增幅越大
透过1月31日（正月初七）至2月29日以及1月31日（正月初七）至3月29日两期百度复产复工的数据观察，北京各区县复工人数增长势头显著，疫情影响正在逐步消退。两期复工人数的热力图分布（图6）表明，北京复工情况整体呈现出集中集聚的趋势。3月底复工高值点在2月底高值点的基础上进一步提升扩散，其中又以城六区以及各新城中心城区增长最为明显。
综合各区复工数据以及2017年各区GDP数据发现，海淀、朝阳、西城、东城、顺义、丰台等北京主要产业集聚区县GDP占比达到了67.7%，而3月复工增复占比71.0%。其中，3月期间又以朝阳，海淀两区复工增复人数最多，占比达到46.4%，而上述两区2017年的GDP占比为40.3%（图7）。呈现出十分典型的产业越集聚区县，复工增幅越大的特征。
图6：北京累计复工人口分布图
图7：北京各区县GDP以及累计复工人数分布图
高复工街区复工水平持续走高，复产复工逐步向外扩散
将研究单元下探到街道乡镇尺度观察北京复工特征。如表2高复工总量街道表所示，2月29日高复工人数的街道主要分布在亦庄经开区，朝阳金融街地区，在3月29日虽然增复总量位序排名5，6位，但总复工人数仍然排名1，2位。此外，复工人数增复最大街道，如中关村，上地，来广营，上地等地区2月29日复工人数也相对较高。因此，高复工街区总复工数的持续走高是当下北京复产复工的主要特征。
从空间分布上看，2月期间主要复工地集中在城六区内的个别街道，如南苑，亦庄，金融街，来广营，上地等地区。与之相关的居住出发量则集中于其周边街道。3月期间主要复工地则出现了，由2月份的复工总量较高的街道向周边地区扩张的趋势。
目前，高复工街道基本覆盖中关村，CBD，北京经济技术开发区等北京重点就业区，而昌平，房山等与工作区相关且居住距离相对较远但居住人数较多地区的出行量也出现了提升（图8）。
少量高复工区与大量低复工区并存
截至3月底百度数据总复工人数799.19万人，其中3月期间增幅221.19万人。如图9所示，两期比较，62.1%的新增复工人员集中在5.3%的网格中（单个网格新增复工人数在250人以上；37.9%的新增复工人员分散在在94.7%的网格中（单个网格新增复工人数在250人以下）。人数占比呈现出少量高复工区与大量长尾低复工区并存的局面。
复工复产增幅人数集体走高的同时，高密度工作地的复工复产需求表现最为旺盛。新增超过1000人的复工网格以0.86%的数量占比集聚了26.6%的新增复工人数占比。
2.复产复工联系特征分析
中近距离复产复工通勤成主流
3.29日通勤联系图（图11）表明，现阶段除怀柔、平谷、密云、延庆4个远郊区县仍以区内通勤为主，北京各个区县间通勤联系已十分密切。其中以城六区内部以及北京经济技术开发区高联系最为集中。
图11：北京3.29日累计复工通勤联系图
对比两期数据的复工通勤距离的人数分布，其通勤距离结构整体保持一致（图12）。具体而言，超15KM的远距离通勤由20.8%变为21.2%，占比略有上升。5KM以内的通勤距离则出现占比下降，由44.1%下降至43.4%。
复工通勤距离的人数分布图表明（图13），中近距离通勤是当下复工复产的绝对主流。超15KM的远距离通勤人数占比为22.3%，远低于5KM内占比新增近距离通勤的41.4%。中远距离通勤可能是近期需关注的复产复工新增长区间，而远距离通勤则更多的表现为必要性复产通勤。
跨街道乡镇复工通勤持续强化
正月初七以来，北京跨乡镇街道的复产复工出行比例均超过73%，街道乡镇内的近距离工作通勤处于非主流状态。统计两期数据中街道乡镇内的通勤总量发现，街道乡镇内部仍有部分复工通勤人数大幅升高。从空间分布上看（图14），该类地区主要围绕在北京经济技术开发区等地区。侧面说明，该地区近距离复工通勤处于接近完成状态。
另一方面，对比2，3月份复工人群的跨街道乡镇通勤数据（图15），当下仍处于通勤干线联系持续强化阶段。具体而言，目前复工复产呈现出与重点地区相关联系大幅增密，强度显著上升的特点。其中，与亦庄，来广营，回龙观，上地，西北旺，清河等地区的7~12千米的中距离复工通勤增幅最为显著，而相关地区也基本覆盖了海淀，北京经济技术开发区，望京地区的重点产业园区。
3.重点地区复产复工特征分析
高密度工作地区分析
选取上文复工复产最为显著的朝阳CBD，北京经开区以及海淀上地地区作为重点研究区，详细分析说明当下北京典型地区复产复工特征。
从已复工人口密度来看，三类空间均为高密度工作地，属于防疫压力较大的病毒传播高风险地区。事实上，卡口登记、人员测温、车辆管理、公共场所消毒等基层防控工作在该地区普遍执行标准更为严格，复工复产反而成为了一个相对安全且能结束疫情期间特殊生活状态的选择。因此，除北京经开区3月份复工人口密度增幅与所在大兴、通州区平均增幅持平，朝阳CBD，海淀上地复工人口密度增幅略高于所在区县平均增幅。但值得注意的是，该类地区复工密度增长比例与平均水平差距并不大。从分布上看，所选取的特征地区增量复工人数分布与该地区3.29日工作人口现状分布保持一致。复工人数的增长大部分来源于该地区相对周边存在更多的工作岗位。另一方面，该地区尚未出现较为显著的高点向外扩散的分布特征，周边其他产业尤其是与之配套的相关服务业仍处于尚未完全复工状态，整体复工水平也未到达顶峰。
作为高于平均复工水平的重点研究区，当下各通勤区间的复工增幅数据对其他地区未来复产复工具有较大的预见性以及指导意义。数据表明，高密度工作地10~15KM区间的日常通勤是影响复工人数增幅的主要门槛。更长的复工通勤距离与当下疫情防控状态格格不入，导致复工人数的增幅断崖式下降。因此，远距离通勤人群更多会选择远程办公的方式复工，中近距离通勤人群则更多的直接返回工作岗位。
定点医院周边地区分析
北京目前共有106家定点救治医院。从空间分布上看，大部分疫情相关的公共医疗服务均分布在人口密集地区（图17），客观上会对周边地区的复产复工产生一定负面的影响。本研究以定点医院中心点为出发点，借助百度地图路网数据生成15分钟步行圈。对步行圈内，复产复工状态进行比对分析。
研究发现，定点医院15分钟步行圈覆盖了2.7%的工作区网格，复工人数增长占比为14.7%。具体而言，该地区3月份复工人数增长超过1000人的网格占比为5.8%，覆盖该区域复工人口增长为34.4%，结合上文相关数据，定点救治医院15分钟步行圈内的复工增幅比例仅为其他地区的18.9%。高风险地区恐慌度虽然消减，但复工恢复水平较缓慢。
1.复产复工总人数预测
将百度的两期复工数据与北京用地现状数据结合对北京未来复工人数进行建模预测。其中，自变量为正月初七至2月29日的复工人口数，因变量为2月29至3月29近一个月的复工人口增量；实验假设北京复工人口增长模式保持现状趋势，且近期无突发性干扰事件发生。具体建模和分析过程如下：
首先，构建目标变量的空间权重矩阵，设置邻接关系为八临域关系。
其次，将两期复工人口数据聚合到用地单元，通过空间统计工具发现目标变量表现出显著的正空间自相关性（莫兰指数），即复工人数较大的用地具有空间聚集特征。
再次，构建普通最小二乘法（OLS）模型。计算结果显示确定系数R2 = 0.81，说明自变量能够较好地解释复工人口的短期变化，即在用地单元水平下，两者存在显著的线性关联。大量前人研究表明，由于受到空间自相关性的影响，OLS模型对于时空数据的解释能力有限，且会导致模型系数出现偏差。因此，通过一系列模型检验常规操作，发现LM(lag)检验结果非常显著，因此采用空间滞后模型（SLM）降低空间自相关性对因变量的影响，模型公式如下y= ρWy+Xβ+μ
其中，W为空间权重矩阵,Wy为空间滞后项，ρ为滞后系数，X为自变量，β为回归系数，μ为模型误差项。
最后，SLM模型的决定系数上升为R2 = 0.82，回归系数由0.399下降为0.391，模型参数与拟合结果如图18所示（每个样本点对应一块用地）。在假设前提下，通过SLM模型可以预估4月底复工率约在73.9%左右。
图18 北京新增复产复工人数预测模型
2.复产复工主要增幅区域预测
空间聚类是探寻数据空间分布特征和宏观规律的常用手段。在短期复工人口预测模型分析的基础之上，本研究计算出每一块用地的复工人口密度增量利用聚类算法对北京复产复工主要增幅区域进行预测。
通过大量实验研究对比发现， K-Means算法对于复工人口密度的空间聚类效果相对较好。从数值结果来看（图19），K-Means聚类结果与目前以复工总人数的自然分段统计结果（图20）十分吻合，各聚类中心能代表复工人口密度的数值分段特征，即密度增量的高、中、低值呈明显的分段聚合。从空间分布来看，人口密度提升最为显著的街区主要以西城、东城、朝阳和海淀区内经济活动最发达的区域为主，结果与前文乡镇尺度分析结果相一致。
通过聚类的预测地图（图19）可以发现，复工人口密度增量最显著的街区分别为：A. 金融街；B. 三里屯-工体-国贸及周边街区；C. 清华大学-北京大学-中关村大街附近的科教综合街区；D. 望京；E. 中关村软件园；F. 丰台科技园；G. 大兴北京经济技术开发中心，以上7个中心恐为未来近一个月的复工复产重点区域。
北京作为国家首都，地位特殊、人口流动性大，疫情传播风险很难回避。从严、从细、从实的疫情防控与安全平稳的推进复工复产是当下防疫工作的一体两面。宏观上看，疫情影响渐退，区县经济总量越大，复工人数增幅越大。复工人数的空间分布也整体呈现出少量高复工区与大量长尾低复工区并存的局面，复工率也远未达到日常状态。从通勤距离来看，无论是典型地区还是整体水平，中近距离通勤人群会优先返回工作岗位，复工比例较高，远距离通勤人群远程办公会在一定时期内常态化。如无过大波动发生，4月底北京复工水平预计将攀升至73.9%左右。
往期推荐