1. 项目概述：为什么我们需要量化手机数据的“偏见”？

在人口统计、城市规划乃至公共卫生领域，我们正处在一个数据来源的十字路口。一边是传统的人口普查和抽样调查，它们权威、严谨，但成本高昂、更新缓慢，在应对突发危机或捕捉快速社会变迁时往往力不从心。另一边，是汹涌而来的数字痕迹数据，尤其是手机应用数据，它们近乎实时、空间粒度精细，为我们描绘了一幅前所未有的动态人口活动图景。作为一名长期与各类数据打交道的研究者，我深知后者的诱惑力——谁不想用更便宜、更快、更细的数据来做研究呢？

但诱惑背后往往藏着陷阱。手机数据并非“上帝视角”的完美观测。它本质上是特定应用用户行为的副产品。想象一下，你试图通过分析一个健身App的用户位置来研究整个城市居民的晨练习惯。结果很可能严重高估了年轻、高收入、居住在市中心且注重健康的人群比例，而低估了老年人、低收入群体或郊区居民。这就是 覆盖偏差 ——你的数据样本无法无偏地代表你试图研究的总体人口。这种偏差并非随机噪声，而是系统性地由数字鸿沟、社会经济差异和用户行为偏好所塑造。如果直接使用这些有偏的数据进行决策，比如规划紧急避难所或分配公共资源，后果可能是加剧而非缓解现有的社会不平等。

因此，面对手机数据，我们不能只问“数据能告诉我们什么”，更要先问“数据遗漏了谁，又过度代表了谁”。这正是“机器学习量化手机数据人口覆盖偏差”这一工作的核心价值。它不是一个炫技的算法演示，而是一套 数据质量的“体检”工具 。它旨在回答：当我们拿到一份聚合的、匿名的手机用户位置数据时，我们能在多大程度上相信它能反映真实的人口分布？偏差有多大？偏差在哪里最严重？又是什么因素导致了这些偏差？

2. 核心思路与框架设计：从“黑箱”到“可解释”的偏差诊断

传统评估数据代表性的方法，如计算渗透率（用户数/总人口），往往需要已知样本的人口属性（如年龄、性别）才能进行事后分层调整。但手机数据提供商出于隐私考虑，通常只提供聚合计数，不附带任何个体人口标签。这就好比给你一袋混合的糖果，告诉你总数，但不告诉你每种颜色有多少，让你判断这袋糖是否能代表整个糖果厂的产出比例。我们面临的正是这样的“盲评”挑战。

我们的框架设计思路，就是要在“盲评”条件下，依然对数据偏差进行系统性的量化和归因。整个流程可以概括为“ 测度、比较、定位、解释 ”四步闭环。

2.1 偏差测度：定义一个透明且可比的指标

第一步是量化偏差本身。我们摒弃了复杂的模型，回归到一个最直观的指标： 人口覆盖率 。对于一个地理区域 i （例如一个城市行政区），其覆盖率 c_i 定义为：

c_i = (P_i^D / P_i^C) × 100

其中， P_i^D 是该区域在手机数据中观测到的“人口”数（通常是活跃设备或用户数）， P_i^C 是该区域官方普查的常住人口数。这个比率简单明了：100%表示完美覆盖，低于100%表示覆盖不足（低估），高于100%则可能表示过度覆盖（高估）或存在设备重复计数。

注意 ：这里“人口”加引号是关键。手机数据捕捉的是“设备”或“活跃用户”，而非严格意义上的“人”。一人多设备、设备共享、应用安装率差异都会影响这个数字。因此，覆盖率偏差 e_i = 100 - c_i 衡量的是与“黄金标准”（普查）的总体偏离程度，是一种“累积偏差”，它综合了接入、使用、设备、算法等多重误差来源。

2.2 横向比较：将手机数据置于更广阔的坐标系中

单独看手机数据的覆盖率意义有限。我们需要一个参照系。因此，我们将手机数据的覆盖率和偏差水平，与广泛使用的传统全国性调查（如英国的家庭综合调查、劳动力调查等）进行对比。这些调查虽然样本量小（通常每千人只有几个样本），但通过精心设计的抽样和加权，旨在实现全国层面的统计代表性。

这个比较揭示了一个关键洞见： 手机数据的绝对覆盖人数（每千人中的用户数）远高于传统调查，但其设计初衷并非统计代表性 。这好比比较一把锤子和一把手术刀：锤子（手机数据）力量大、范围广，能快速敲打；手术刀（传统调查）精度高、目标明确。我们的工作不是要证明谁更好，而是要厘清各自的能力边界，并特别审视锤子可能砸歪的地方。

2.3 空间定位：偏差不是均匀分布的

全国层面的平均偏差会掩盖巨大的局部差异。一个全国覆盖率为50%的数据集，可能意味着所有地区都均匀地覆盖了一半人口，也可能意味着城市地区覆盖了90%，而农村地区只覆盖了10%。后者显然问题更大。

因此，我们计算每个子区域（如英国的各个地方行政区）的覆盖率偏差 e_i ，并通过空间自相关分析（如莫兰指数I）来检验偏差是否存在空间聚集性。如果高偏差区域彼此相邻，或低偏差区域形成集群，就说明偏差具有空间结构性。这一步至关重要，因为它告诉我们偏差的“地理病理”图——问题在哪些地方集中爆发。这对于后续的针对性数据校正或结果解读的谨慎性警告提供了直接依据。

2.4 偏差归因：用可解释机器学习打开“黑箱”

这是框架中最具创新性的部分。既然我们没有个体属性，如何知道是哪些人群被高估或低估了？我们的策略是： 从区域特征反推偏差成因 。我们假设，一个区域的覆盖率偏差，与该区域的人口、社会经济和地理特征系统性相关。

我们收集每个区域的一系列普查衍生变量，构成特征集：

• 人口特征 ：年龄结构（如老年人口比例）、家庭构成。
• 社会经济特征 ：教育水平、职业类型、住房产权、 deprivation指数（多维贫困指数）。
• 地理特征 ：城市/乡村分类、人口密度。
• 资源可达性 （代理数字接入）：汽车拥有量、通勤方式。

然后，我们使用 极端梯度提升树（XGBoost） 模型，将区域级的覆盖率偏差 e_i 作为因变量，上述区域特征作为自变量进行建模。XGBoost的优势在于它能高效处理非线性关系和特征交互，且通过正则化防止过拟合。

但建模不是终点，解释才是。我们利用XGBoost内置的 特征重要性 （如增益、覆盖度）和 SHAP（SHapley Additive exPlanations）值 等可解释性工具。特征重要性告诉我们哪些变量整体上对预测偏差贡献最大；SHAP值则能展示每个特征对于单个区域预测偏差的具体方向和幅度（例如，较高的老年人口比例是倾向于拉高还是拉低该区域的覆盖率偏差）。

通过这一步，我们实现了从“知道偏差有多大、在哪里”到“理解偏差可能为什么在那里”的跨越。例如，模型可能揭示，对于某个社交App数据， “25-34岁人口比例”和“高等教育学历比例”是驱动高覆盖率（低偏差）的最强正相关因素 ，而“农业就业比例”和“65岁以上人口比例”则与低覆盖率（高偏差）强相关。这即便在没有个体标签的情况下，也为我们勾勒出了数据代表性偏差的社会经济剖面。

3. 实操过程与核心环节实现

理论框架需要落地。以��是我们基于英国2021年人口普查和四类手机数据源（两个单应用：Meta/Facebook、Twitter/X；两个多应用：Locomizer和一个匿名提供商）的具体实现流程和关键决策点。

3.1 数据准备与对齐：一切比较的基础

数据可比性是生命线。我们所有分析都建立在时空对齐的基础上。

1. 时间窗口选择 ：手机数据选取2021年3月或尽可能接近的时段，以匹配2021年英国人口普查的参考时间点。对于多源数据中日期略有出入的（如4月初或11月），我们评估了其与普查的时期接近性，认为数月内的差异在年度尺度的人口分布研究中是可接受的。
2. 空间单元统一 ：所有数据（手机与普查）最终聚合到 地方行政区（LAD） 层级。这是权衡的结果：更细的颗粒度（如输出区）能揭示更细微的模式，但部分手机数据（尤其是通过API获取的）由于隐私保护，只提供LAD或更高层级的聚合数据。统一到LAD确保了所有数据源在同一地理框架下对话。
3. “常住地”推断 ：对于提供原始轨迹点的多应用数据，我们需要从海量GPS点中识别用户的“家”。我们采用了领域内常见的 基于规则的夜间停留点识别法 ：
   • 规则 ：将当地时间晚上10点至早上6点定义为“夜间”。一个设备在观察期内，被标记为“家”的位置，必须是其夜间出现次数最多的地点，并且该地点的夜间记录数需占总夜间记录数的50%以上，同时总夜间记录数至少为2条。
   • 实操心得 ：这个规则简单有效，但参数（如夜间时段定义、比例阈值）的选择会影响结果。我们通过敏感性分析发现，微调这些参数对LAD层级的聚合结果影响有限，这增强了我们结论的稳健性。对于已处理好的数据（如Meta数据），我们直接使用其提供的“夜间活跃用户”计数作为家庭位置的代理。

3.2 覆盖率与偏差计算的具体实现

计算本身在技术上并不复杂，但细节决定成败。

import pandas as pd

# 假设有两个DataFrame：census_df (包含'lad_code', 'population') 和 mobile_df (包含'lad_code', 'user_count')
def calculate_coverage_bias(census_df, mobile_df, merge_on='lad_code'):
    """
    计算每个LAD的覆盖率和覆盖率偏差。
    """
    # 合并数据
    df = pd.merge(census_df, mobile_df, on=merge_on, how='inner')
    
    # 计算覆盖率 (%)
    df['coverage'] = (df['user_count'] / df['population']) * 100
    
    # 计算覆盖率偏差 (我们的定义: 偏差 = 100 - 覆盖率)
    df['bias'] = 100 - df['coverage']
    
    # 处理异常值：覆盖率超过100%可能源于一人多设备或计数方法，我们保留但记录
    df['coverage_note'] = df['coverage'].apply(lambda x: '>100%' if x > 100 else 'normal')
    
    return df[['lad_code', 'population', 'user_count', 'coverage', 'bias', 'coverage_note']]

# 示例调用
# lad_level_bias_df = calculate_coverage_bias(census_data, facebook_data)

关键点 ：合并时必须确保地理编码完全匹配。我们遇到了因边界变更或编码体系不同导致的匹配失败，最终通过权威的地理编码对照表进行清洗和转换。此外，对于覆盖率超过100%的情况，我们并未简单截断，而是将其视为一种特殊的“过度代表”现象进行记录和分析，这有时能揭示数据采集机制的特点（如商业数据可能更积极地进行设备识别）。

3.3 空间自相关分析：莫兰指数I的稳健性检验

为了检验偏差的空间模式是否显著，我们计算了全局莫兰指数I。但莫兰指数对空间权重矩阵的定义非常敏感。为了确保结论可靠，我们没有只依赖一种邻接定义，而是系统比较了四种常见的空间权重方案：

1. Queen邻接 ：共享边界或顶点的区域视为邻居。
2. K-最近邻 ：每个区域与距离最近的K个区域相连。
3. 距离带 ：设定一个距离阈值，在此范围内的区域互为邻居。
4. 反距离权重 ：所有区域之间都相连，权重随距离衰减。

实操发现 ：虽然不同权重矩阵下计算出的莫兰I值有细微波动（所有数据集中最大差异范围不超过0.286），但统计显著性的结论（即是否存在显著的空间正相关）在所有方案下保持一致。这给了我们信心：观察到的空间聚集模式是稳健的，而非计算方法的人工产物。在论文主体中，我们报告了Queen邻接下的结果，因为它通常能给出最保守（即最不易出现假阳性）的检验。

3.4 可解释机器学习建模：XGBoost的调优与解释

这是技术核心。我们使用Python的 xgboost 和 shap 库进行操作。

import xgboost as xgb
import shap
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.metrics import mean_squared_error
import numpy as np

# 准备数据
# X: 区域特征 DataFrame (行: LAD, 列: 人口特征、社会经济特征等)
# y: 对应区域的覆盖率偏差值
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义XGBoost回归模型
model = xgb.XGBRegressor(objective='reg:squarederror', random_state=42)

# 设置超参数网格进行搜索
param_grid = {
    'n_estimators': [100, 200, 300],
    'max_depth': [3, 5, 7],
    'learning_rate': [0.01, 0.05, 0.1],
    'subsample': [0.8, 0.9, 1.0],
    'colsample_bytree': [0.8, 0.9, 1.0],
    'reg_alpha': [0, 0.1, 1],  # L1正则化
    'reg_lambda': [1, 1.5, 2]   # L2正则化
}

# 使用交叉验证进行网格搜索
grid_search = GridSearchCV(estimator=model, param_grid=param_grid, 
                           cv=10, scoring='neg_mean_squared_error', 
                           verbose=1, n_jobs=-1)
grid_search.fit(X_train, y_train)

# 最佳模型
best_model = grid_search.best_estimator_

# 在测试集上评估
y_pred = best_model.predict(X_test)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print(f"测试集RMSE: {rmse}")

# 计算特征重要性 (基于增益)
importance_df = pd.DataFrame({
    'feature': X.columns,
    'importance': best_model.feature_importances_
}).sort_values('importance', ascending=False)

# 使用SHAP进行解释
explainer = shap.Explainer(best_model)
shap_values = explainer(X_test)

# 绘制摘要图
shap.summary_plot(shap_values, X_test, plot_type="dot")

模型调优要点 ：

• 正则化是关键 ： reg_alpha (L1) 和 reg_lambda (L2) 参数能有效防止过拟合，尤其是在特征可能存在共线性的情况下。L1正则化还能促进特征稀疏化，帮我们筛选出真正重要的驱动因素。
• 树深度控制 ： max_depth 不宜过大，通常3-7层足以捕捉非线性关系，同时保持模型可解释性。过深的树容易记住噪声。
• 交叉验证 ：10折交叉验证能更稳健地评估模型泛化能力，避免因单次数据划分带来的偶然性。

结果解释 ：

• 特征重要性 ：告诉我们，例如，“25-34岁人口比例”和“专业/技术职业比例”是预测Facebook数据偏差最重要的两个特征。
• SHAP摘要图 ：不仅确认了重要性排序，还展示了每个特征值与偏差预测值的关系。比如，SHAP图可能显示，当“65岁以上人口比例”很高时，其SHAP值为正且很大，意味着该特征会显著推高模型的偏差预测值，即在该区域��老年人口很可能是未被充分代表的群体。

4. 核心发现与深度解析

将上述框架应用于英国的四类手机数据源后，我们得到了一些反直觉且具有重要实践意义的发现。

4.1 发现一：手机数据覆盖更广，但偏差依然显著且源间��异大

在全国层面，所有手机数据源的覆盖率（每千人用户数）都显著高于传统抽样调查。这是一个好消息，意味着数字痕迹数据在捕捉大规模人群动态方面潜力巨大。然而，一旦将视线下放到地方行政区（LAD）层级，高覆盖率的面纱下是触目惊心的偏差异质性。

• Facebook数据 ：全国平均覆盖率较高，但在不同LAD间，覆盖率可以从低于20%到超过150%波动。高偏差（低覆盖率）区域明显集中在 rural（乡村）和沿海一些老龄化社区。
• Twitter/X数据 ：整体用户基数小得多，导致全国覆盖率更低，但其偏差的空间模式与Facebook有相似之处，也有不同。它在全球城市中心的表现相对更好，但在工业衰退地区覆盖极差。
• 多应用数据（如Locomizer） ：这是最有趣的发现。直觉上，聚合多个应用的数据应该能覆盖更广泛的人群，从而降低偏差。但我们的分析显示， 多应用数据并不必然比单应用数据偏差更小 。虽然其用户基数可能更大，但偏差模式可能更加复杂和多维。例如，一个多应用数据集可能在年龄覆盖上更均衡，但在城乡差异上表现出新的极化。

深度解析 ：这一发现打破了“数据越多越代表”的迷思。偏差的来源不仅是“谁有智能手机”，更是“谁用了哪些特定的App”，以及“这些App的后台数据采集和聚合算法有何不同”。多应用数据在扩大样本量的同时，也可能引入了更多样化的选择偏差，这些偏差在聚合后可能不会相互抵消，而是以新的形式呈现。这警示我们，在选择数据源时，不能只看用户量，必须进行源特定的偏差评估。

4.2 发现二：偏差具有强烈的空间结构性，且与区域特征系统性相关

空间自相关分析证实，覆盖率偏差并非随机分布。对于大多数数据源，莫兰指数I显著为正，表明高偏差区域倾向于彼此相邻，低偏差区域也形成集群。这意味着偏差是一个 区域性问题 ，具有空间传染效应。例如，一个以老年人口为主、经济衰退的乡村地区，其周边区域很可能同样面临手机数据覆盖不足的问题。

可解释机器学习模型清晰地揭示了驱动这些空间模式的区域特征。对于我们所研究的英国数据：

• 最强预测因子 ： 年龄结构 和 社会经济地位 是几乎所有数据源中预测偏差的最重要因素。高比例的年轻成年人口（25-44岁）和高教育水平、专业职业比例， consistently 与更低的偏差（更高的覆盖率）相关。
• 城乡差异 ：即使在控制了年龄和收入后，“乡村性”指标本身仍是一个显著的负向预测因子。乡村地区固有的数字基础设施差距、不同的生活方式和应用使用习惯，导致了系统性的低覆盖。
• 非线性关系 ：XGBoost模型捕捉到了复杂的非线性效应。例如，对于某个数据源，老年人口比例与偏差的关系可能不是简单的线性负相关，而是在比例超过某个阈值后，偏差急剧上升。这种复杂模式是传统线性回归难以发现的。

4.3 发现三：偏差模式因数据源而异，需“对症下药”

不同的手机数据源，其偏差的“指纹”也不同。通过对比各数据源的特征重要性排序和SHAP依赖图，我们发现：

• 社交App数据（Meta, Twitter/X） ：对年龄、教育、职业等“用户画像”特征极度敏感。它们本质上是特定社交圈子的数字投影。
• 多应用/被动收集数据 ：可能对 通勤模式 、 汽车拥有率 （作为移动性和数字接入的代理）等特征更敏感。因为其数据来自更多样化的App（可能包括地图、天气、零售等），其用户群体更泛化，但行为模式可能与基础设施可达性关联更强。

这一发现的实践意义在于： 不存在通用的“去偏”系数 。针对Facebook数据开发的校正模型，直接套用到Locomizer数据上可能会失效。每个数据源都需要独立的偏差诊断和定制化的校正策略。

5. 常见问题、挑战与应对策略实录

在实际操作这套框架时，我们踩过不少坑，也积累了一些经验。

5.1 数据获取与隐私合规的平衡

挑战 ：获取具有代表性的手机数据本身就很困难。商业数据价格昂贵，且通常有严格的许可协议。通过API获取的社交数据（如Twitter历史数据）其可及性正在变化。隐私保护要求数据必须高度聚合或匿名化，这限制了我们进行更细粒度分析的能力。

应对 ：

1. 拥抱聚合数据 ：我们的框架正是为聚合数据设计的。与数据提供商合作时，明确需求为LAD或更高层级的夜间常住人口计数，这通常更容易在合规前提下获得。
2. 利用开放数据 ：积极寻找研究机构或公司释放的匿名化数据集。例如，我们使用的Twitter/X数据和其中一个多应用数据集就是公开的。
3. 清晰的数据使用协议 ：在学术合作中，与数据提供商明确数据用途、存储、处理和分析的每一步都符合GDPR等法规。透明化处理流程能建立信任。

5.2 “黄金标准”普查数据自身的局限性

挑战 ：我们将人口普查数据视为“真实值”的基准。但普查本身也存在覆盖误差和内容误差，且是静态的“某一夜”的快照。在快速变化的城市区域，普查数据可能很快过时。

应对 ：

1. 敏感性分析 ：我们尝试使用了其他官方年度人口估计（如基于行政数据的）作为替代基准进行对比，发现主要结论（偏差的模式和驱动因素）是稳健的。这增强了我们使用普查作为基准的信心。
2. 明确假设 ：在报告中明确指出“以普查为基准”是一个方法论假设，并讨论其潜在影响。例如，如果普查在某个移民社区存在低估，那么手机数据在该社区的高覆盖率可能反而更接近“真实”，但我们框架会将其识别为“过度覆盖”。这提醒我们，偏差是相对于所选基准而言的。

5.3 模型可解释性与因果推断的界限

挑战 ：XGBoost+SHAP能告诉我们哪些特征与偏差关联性强，以及关联的方向和形式。但这 不是因果识别 。我们不能断言“老年人口比例高”直接“导致”了覆盖率低。可能存在未被观测的混杂变量（如该区域整体的数字素养、偏好的App类型）。

应对 ：

1. 谨慎表述 ：始终使用“关联”、“相关”、“预测”等词汇，避免“导致”、“影响”等因果性词汇。将机器学习的结果视为揭示强相关性模式，为后续的质性研究或机制探讨提供假设。
2. 结合领域知识 ：对模型识别出的重要特征，结合社会学、传播学关于数字鸿沟的理论进行解读，让数据驱动发现与理论驱动解释相互印证。
3. 特征工程 ：尽可能纳入全面的区域特征，从多维度刻画区域背景，减少遗漏变量偏差。我们纳入的 deprivation 指数就是一个综合性的社会经济劣势指标，能捕捉多个维度的信息。

5.4 从偏差评估到偏差校正的鸿沟

挑战 ：框架能诊断偏差，但如何校正？对于聚合数据，传统的事后分层加权无法直接应用，因为我们不知道每个样本的人口属性。

思路与策略 ：

1. 基于区域的校正 ：既然我们发现了偏差与区域特征的强关联，一个自然的思路是构建区域级的校正权重。例如，对于一个老年人口比例高、覆盖率低的区域，在用它做全国性推断时，可以尝试赋予该区域数据更高的权重。但这需要很强的假设，即区域内未被覆盖的人群与已被覆盖的人群特征相似。
2. 合成数据与微观模拟 ：更先进的方法��使用普查微观数据（个体记录），结合我们发现的偏差模式（如“某类区域中年轻人群被过度代表”），通过微观模拟生成一个“合成”的、具有代表性的人口，然后将手机数据与之进行统计匹配或校准。这属于前沿研究方向。
3. 不确定性量化与透明报告 ：最直接、最务实的做法是，在任何使用手机数据的研究中，必须报告数据源的覆盖偏差地图和主要驱动因素。在得出结论时，明确指出结论在哪些人群和地区可能更可靠，在哪些地方需要极度谨慎。将偏差评估作为数据质量报告的标准组成部分。

6. 框架的应用价值与未来展望

这套框架的价值远不止于一篇学术论文。它为数据科学家、统计机构和政策制定者提供了一套可操作的工具箱。

对于研究人员 ：在开展任何基于手机数据的研究前，先用这个框架对数据做一次“体检”。绘制出你所用数据源的覆盖偏差地图，了解你的数据在哪些地方是“近视”或“远视”的。这能让你对研究结论的普适性有清醒认识，并在论文中坦诚讨论局限性。

对于统计机构 ：在考虑将数字痕迹数据纳入官方统计体系时，此框架提供了一个标准化的质量评估流程。它可以用来监控不同商业数据源的质量波动，为采购或合作提供依据，并指导如何将传统调查数据与大数据进行融合，以弥补各自的短板。

对于政策制定者 ：在利用手机数据监测疫情传播、规划交通设施、评估灾害影响时，这份“偏差诊断报告”至关重要。它告诉你，你看到的“热点”是真实的人口密集区，还是仅仅是智能手机用户密集区？你的政策干预是基于全面的图景，还是一个有偏的切片？这直接关系到公共资源的分配公平和干预措施的有效性。

未来，这个框架可以从几个方向拓展 ：

• 时序动态分析 ：将静态快照分析扩展到时间序列，监测偏差如何随时间（如节假日、重大事件）演变。
• 多源数据融合 ：探索如何利用多个有偏数据源之间的互补性，通过数据融合技术生成更接近无偏的估计。
• 算法偏差解耦 ：尝试区分偏差中源于“用户选择”（谁用App）和源于“平台算法”（如何采样、聚合、匿名化）的部分，这对平台优化数据产品更有指导意义。

归根结底，这项工作传递的核心信息是：在拥抱大数据革命的同时，我们必须保持对其局限性的清醒认知。手机数据是强大的新透镜，但它不是完美的。我们的任务就是不断擦拭、校准这片透镜，让它能更清晰、更公正地反映我们所生活的复杂世界。量化偏差，不是要否定手机数据的价值，而是为了更负责任、更科学地使用它，让数据驱动的决策真正惠及所有人，而不是仅仅惠及那些在数字世界中留下最清晰足迹的人。