波士顿的 78,912 名完赛者:匀速配速下「撞墙」只发生在 0.2% 的人身上
史上规模最大的马拉松分段分析把跑者分成了四种配速类型。匀速跑的人里,后半程配速崩盘的比例是 0.2%。忽快忽慢的人里,是 85.4%。两个极端组之间的完赛时间差距接近一小时。

「配速要均匀」是马拉松里被说得最烂的一条建议。问题在于,它通常靠的是教练的个人经验,而不是数字。2026 年 PLOS ONE 上发表的一项研究补上了这个缺口,样本大到很难和它争辩:78,912 名波士顿马拉松完赛者,2015–2017 年,每人九个计时点。
四种配速类型
作者(Qizheng Dong 和 Zaidong Li)没有预先设定类别,而是对真实的分段曲线做了聚类。结果得到四类:
- 匀速配速——47.9% 的跑者
- 轻度正分割——31.9%(后半程可控地减速)
- 重度正分割——12.2%(终点前明显崩盘)
- 忽快忽慢——8.0%(全程配速上下跳动)
第一件值得注意的事:能跑匀的人不到出发人数的一半——而这还是一场有资格线的马拉松,进来的都是已经跑进达标线的人。在大众赛事里这个比例只会更低。
值得为之读这篇研究的数字
「撞墙」——后半程配速急剧下滑——在各组中的发生率:
| 配速类型 | 「撞墙」 |
|---|---|
| 匀速 | 0.2% |
| 轻度正分割 | 9.9% |
| 重度正分割 | 22.4% |
| 忽快忽慢 | 85.4% |
这里的差距不是几倍,而是几百倍。完赛时间也相应地拉开:匀速组平均约 217 分钟完赛,重度正分割组约 276 分钟。差了将近一小时。忽快忽慢组比匀速组慢 39.7 分钟。
还有一行数据能解释很多东西:在水平高的跑者中,选择匀速配速的占 82.0%;而在以享受为目的的跑者中,只有 19.6%。
小心「跑得匀就会更快」这个结论
这是一项观察性研究。它显示的是相关,不是因果,而且这里箭头的方向并不明显。
匀速在很大程度上是训练水平的结果,而不是原因。 一个跑量足够、马拉松配速对他而言确实处于阈下的跑者,可以毫不费力地把它保持住。而一个目标配速本就过快的跑者,无论抱着什么打算,都会掉进正分割。这样一来,「一小时的差距」其实是准备程度的差距,只是被反映在了曲线的形状上。
反向的因果也存在,那个 0.2% 正好佐证了它:即便在准备充分的人当中,匀速也能防止崩盘。更准确的说法是:匀速配速是必要条件,但不是充分条件。
波士顿是一条特殊的赛道。 开头几公里是下坡,而牛顿山群出现在第 26–33 公里,恰好是储备见底的地方。在这样的高程图上,「匀速」意味着功率极不均匀:下坡时你白捡秒数,上坡时要加倍偿还。在一场平坦的马拉松里,数字会不一样。
样本是被筛选过的。 波士顿的资格线挡掉了随机人群。把这些百分比套到有六小时关门时间的城市马拉松上是不行的。
如何应用
- 按后半程来定目标。 目标配速是你在第 35 公里还能守住的那个,而不是第 1 公里看着舒服的那个。
- 前 5 公里不要快于目标配速。 哪怕是下坡,哪怕「腿自己往前带」。开头抢下来的秒数,是要连本带利还回去的。
- 上坡守的是用力程度,不是配速。 在爬坡时硬保住那个数字,是掉进重度正分割那一组最快的方式。上坡慢一点,下坡放开一点。
- 忽快忽慢是最差的一种,而且是自己造出来的。 它来自跟着人群冲、在补给站前后加速、以及想把丢掉的时间「抢回来」。85.4% 的崩盘率就是这些冲刺的代价。
- 轻度正分割是正常的 B 计划。 后半程慢 1–2%,好过死死咬住计划表然后彻底散架:这一组的「撞墙」发生率比那些硬撑到最后的人低十倍。
- 别忘了你的阈值在终点前比出发时更低。 工作一个半小时之后,乳酸阈速度会下降——这是另一个话题,在关于 durability 的文章里讲过。用新鲜状态下的数字算出来的配速方案,天生就是乐观的。
要点
- PLOS ONE,2026,Dong 与 Li:78,912 名波士顿马拉松完赛者,2015–2017 年,九个计时点,对分段曲线做聚类。
- 四种配速类型:匀速 47.9%,轻度正分割 31.9%,重度 12.2%,忽快忽慢 8.0%。
- 「撞墙」的发生率依次为 0.2% / 9.9% / 22.4% / 85.4%。
- 匀速组比重度正分割组快约 59.5 分钟,比忽快忽慢组快 39.7 分钟。
- 选择匀速配速的人占水平高的跑者的 82.0%,占「以享受为目的」的跑者的 19.6%。
- 研究是观察性的:匀速部分地反映了训练水平,而不是创造了它。
- 波士顿的赛道特征(开头下坡、第 26–33 公里的山)和资格筛选,限制了把这些数字搬到其他比赛上。
来源:Dong Q., Li Z. «Pacing strategy patterns and performance outcomes in marathon running: A large-scale analysis of split time data», PLOS ONE, 2026. https://doi.org/10.1371/journal.pone.0352808