, 赖建波西北师范大学地理与环境科学学院,兰州 730070
Research on spatial pattern of population mobility among cities: A case study of "Tencent Migration" big data in "National Day-Mid-Autumn Festival" vacation
PANJinghu, LAIJianbo收稿日期:2017-12-25
修回日期:2019-05-9
网络出版日期:2019-07-20
版权声明:2019《地理研究》编辑部《地理研究》编辑部 所有
基金资助:
作者简介:
-->
展开
摘要
关键词：
Abstract
Keywords：
-->0
PDF (16468KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
人口流动被认为是生产要素重新在空间上进行配置的一种活动,人口在特定空间范围内迁徙和移动,一定程度上推动了社会、经济要素的重新集聚与扩散[1]。随着中国改革开放政策的实行和城市化的快速推进,人口在东中西区域间大规模迁移,成为中国乃至世界范围内意义最为深远的地理过程之一[2],仅2000—2010年期间,中国的流动人口规模即增加了109%[3],2016年中国流动人口达到2.45亿[4],人口流动对于正处于城镇化、信息化、工业化、全球化加速推进期的中国来说,未来将会作为持续推动城镇化的重要力量,从而再造人口分布的新格局[5]。精准、及时地掌握人口流动的空间特征与规模结构,对于指导新型城镇化发展以及城市规划、土地利用规划等空间规划的编制意义重大[6]。国内外****关于人口流动的研究主要基于“推拉”理论、新古典经济学理论、双重劳动力市场理论、年龄-迁移率模型等理论[7],这些理论方法往往忽视了区域间的相互作用。网络分析为人口流动研究提供了一种新的视角,人口的迁移和城市的壮大存在作用与反作用的双向关系,城市壮大需要人口的大量聚集,人口的汇集又使得城市不得不发展住房、交通、教育、文化等满足人口增长的需求,从网络的角度来看,若将城市视为网络中的节点,那么人口的迁移恰似网络的流要素载体,通过人口的流动,在各城市间传递物质流、资本流、信息流和技术流,推动了区域内生产要素在网络中快速流动和优化[8],基于城市视角的人口流动网络研究,可以借助复杂网络中的多种指标来评测人口流动网络,进而分析人口迁移的模式与机制。人口流动与城市网络体系研究一般采用属性数据,虽然可以刻画城市的重要性,却突出强调了城市的静态发展。已有有关中国流动人口和人口流动的研究多采用人口普查和（或）1%人口抽样调查资料,但是,人口普查和人口抽样调查数据均是在很小的时间尺度下获取的静态数据,无法表征人口日常流动的大规模和群体性的时空特征[8],也无法掌握在相对连续的时间区间人口流动路线、偏向等。因此,采用普查数据进行人口流动研究往往只能聚焦于特定的时间断面,亦或分析长时间周期上人口流动的宏观格局,分析长期演化规律。因此,人口普查和抽样数据无法揭示新形势下人口在城市之间流入和流出特征,也难以刻画人口流动的集聚与扩散状况,更无法以流空间的视角分析城市间日益复杂的相互作用关系[9]。使用关系型数据开展的网络研究考虑了城市发展的动态过程以及相互作用,但通过官方数据常常难以获取到研究所需要的关系型数据[10],产生了城市研究中所谓的“阿克琉斯之踵”[11],人口流动网络分析不得不采用空间交互模型来模拟,在时效上自然也会出现滞后性问题。
进入移动互联网时代,随着遥感RS、全球定位系统GPS、基于位置的服务LBS、位置分享服务LSS等技术愈加成熟,可以通过这些技术挖掘用户的地理位置、个性偏好、出行路径、活动痕迹、社交方式等信息,揭示用户的日常时空行为,网络大数据日益成为反映大众从事社会活动的重要手段[12]。常用的大数据源大致分为3类：一是基于网络数据挖掘获得的含有位置信息的社交网络数据,如国外的Twitter、Four Squares社交网站签到数据,国内的新浪微博签到和点评网等;二是借助GPS、LBS等设备以及移动通信数据,采用网络日志或GIS采集和分析居民空间行为数据;三是通过政府部门公开的数据平台获取的数据,如12306网站的购票信息、公交系统的刷卡数据、航班运输数据等交通出行行为大数据[13]。这些地理行为大数据来源多样,实时性强,较为客观,便于分析预测,恰恰弥补了常规调查手段（如问卷、抽样、普查等）的缺陷,可为人口流动的网络研究提供充足、较高时空精度的实测流数据。
2017年国庆节与中秋节（下文简称“两节”）相连,被称为“史上最长黄金周”,国家旅游局数据显示（http://www.xinhuanet.com/2017-10/08/c_1121770794.htm）,两节期间全国共接待国内游客7.05亿人次,仅铁路系统就发送旅客1.32亿人次,自驾游（跨市）游客达到3213万人次,成为仅次于“春运”的大规模人口流动时段。考虑到春运的人口流动有其自身的特殊性,如农民工返乡流、探亲流、学生流集中交汇,而两节期间人口流动多为旅游流,故本文选择两节为研究时段。刘望保[13]、赵梓渝[5, 14]、蒋小荣[8, 15]等****利用百度迁徙数据研究了春节期间人口的流动特征,本文基于腾讯位置服务获取两节期间中国299个地级及以上城市人口的流入和流出数据,重塑人口流动过程的路径与强度,构建人口流动网络的空间关系矩阵,分析人口流动的集聚扩散动态过程,揭示网络的复杂性结构特征,以期为人口流动研究提供新的研究视角和方法参考。
2 数据来源与研究方法
2.1 数据来源及研究对象
LBS是指通过网络运营商的无线电通讯网络方式或外部定位方式,获取移动终端用户的位置情况（如地理坐标）,提供给用户有关位置服务的一种增值业务。随着人们使用智能手机的普及,当人们允许各类平台的手机应用程序APP调用LBS服务,即可通过定位信息反映出用户的流动轨迹。单个人在地理空间中的迁徙看似随机无规律可循,但放到一个较大规模的人群中其移动却可能隐含着某种特定的模式。来自2017年《中国移动互联网发展报告》的统计,截止2016年末,全国正在使用的手机号码数多达12.47亿,活跃的智能手机达23.3亿部。在当今智能手机被广泛普及的背景下,每个智能手机用户都可被视为一个感知社会的移动传感器,实时地采集着海量的个体移动信息。当前中国的大型互联网公司,如百度、新浪、腾讯等,都提供地理位置定位服务。本文数据来源于腾讯公司提供的大数据,腾讯是国内最为有影响力的互联网公司之一,其业务领域覆盖游戏、社交、通信等多领域,截至2017年6月30日,其微信的月活跃用户数达9.63亿,QQ和QQ空间的月活跃用户数则分别为8.5亿和6.06亿,腾讯位置服务每日有超过550亿次的定位调用请求,应用在微信、QQ、京东、摩拜共享单车、滴滴出行、新美大等多个产品中,基本覆盖了全部的智能手机用户[16]。因此,腾讯位置大数据在进行人口流动研究方面具有典型的代表性。2015年春运期间,腾讯发布了腾讯全国春运出行热度数据平台（hot.qq.com/qianxi）,2016年该平台网址更换为heat.qq.com/qianxi.php（下文简称为腾讯迁徙）。腾讯迁徙中人口迁徙数据由众多用户调用腾讯位置服务,在保护用户隐私的前提下可获取到海量的位置数据。数据精度可以达到个人层级,弥补了铁路、公路、航空、水运等单一运输模式所带来的数据和结果的片面性,可以得到城市间人口流动的综合判断。
本文以可获取到数据的中国299个地级及以上行政单元（以下简称地级市）为研究对象,不包含台湾,海南三沙市以及部分民族地区自治州的数据缺失。2017年国庆节与中秋节为同一时间段内,国定放假时间为8天,考虑到人们的出行习惯,将研究时段确定为9月30日至10月8日,通过腾讯迁徙获取到10天299个城市前十位迁入、迁出的人口流动数据。为了分析在两节不同时间段人口流动规模和结构的差异,将研究时段划分为出行期、旅途期和返程期3个阶段。
2.2 研究方法
利用复杂网络分析方法,构建表征人口在一日内流动的双向矩阵L=（Lij）,Lij为城市i到城市j的人口流强度,基于腾讯迁徙数据构建10个299×299的有向加权非对称矩阵[17]。如果用总流动规模TFi_day来测度城市i在一天内人口集散的总强度,用净流入规模JIi_day测度城市i在一天内接受和输出人口规模的差异,计算如下[5]：
式中：Ri为人口的城际流动矩阵;RTi为Ri的转置矩阵。
本文借助复杂网络分析方法来研究城市人口流动的网络特征。复杂网络是一种具有小世界性以及无标度性的网络,介于完全规则网络与完全随机网络之间。现实世界中的人口迁移网络常常也具有小世界性和无标度性的特征,常用的网络分析指标如下[18]：
（1）入度与出度：度用来描述节点互相连接的统计特性,可以反映网络的演化特征。城市节点在人口流动网络中具有各自不同的入度与出度,入度揭示了该城市对其他城市的吸引力,出度则反映出该城市对其他城市的辐射力。一个城市的辐射力与吸引力体现了众多自身因素（如地理区位、行政级别、交通可达性等）作用的大小,可通过人流量作为权重计算加权出入值。
（2）中心性：可以反映人口迁移网络中某城市在与其他城市互动中的影响力和控制力。其中,介数中心性用于度量某节点在网络中最短路径的频率,也称中介中心性。该节点城市作为一个桥结点联系其他节点城市,介数中心性越高的对象在网络中的地位越重要,对于其它节点有着更好的控制能力。节点Vi的介数中心性ei定义为[18]：
式中：n（u,v）为节点u和v之间的最短路径的条数;n（u,v|i）为u和v之间通过另一节点i连接的最短路径的条数。
（3）聚类系数：描述节点的互联水平,当某些节点关系特别紧密,即可结成一个网络社团。计算式为[18]：
式中：Ci为聚类系数;Bi为节点到其mi个相邻节点间的路径条数。
3 结果与分析
3.1 两节期间城市之间人口流动的时空格局
为便于分析,以中国直辖市、省会城市以及香港和澳门为单元（共计33个城市）得出2017年两节期间逐日的人口净迁入量的时间序列分布趋势（表1）。研究发现以下结果：① 人口流动呈现出随时间演变而规律性变化的特征,研究时段内人口流动大致表现为先流出再流入的趋势,除香港、澳门和西宁以外,其余城市均在10月3日或10日4日人口净流入出现转折点,净流入人口开始由负变为正,10月7日或8日,净流入人口开始下降,根据这一显著特征本文将9月30日至10月2日定义为“出行期”,10月3日至10月6日定义为“旅途期”,10月7日至10月9日定义为“返程期”。② 个别城市的人口净流入量显著不同于其他城市,如香港和澳门分别在10月6日和10月4日人口净流入量由正转负,这是因为香港和澳门是两节期间大陆居民旅游、购物的重要出行目的地,而其本地居民在两节期间外出赴内地城市的人数则相对较少。西宁仅在研究时段的后期10月9日人口净流入量为负,其他时间均为正值,且人口净流入峰值出现在“出行期”,究其原因两节期间是一年中青海旅游的最后一个黄金时段,西宁作为赴青海旅游的重要节点,由于其地理位置较为偏远,交通相对不便,游客多为长途旅行者,途中花费时间较长,致使出现较长周期的人口净流入。城市人口净流入和净流出峰值的出现日期有所不同,从净流出来看,北京和上海人口净流出的峰值出现在9月30日,其余城市人口净流出峰值均出现在10月1日。从净流入来看,兰州、呼和浩特、杭州、广州、福州、上海和北京在10月8日迎来最多的人口流入,其余大多数城市均在10月7日净流入人口最多。Tab. 1
表1
表1国庆-中秋长假期间主要城市的净迁入人口
Tab. 1Net immigration population of major cities during "National Day - Mid-Autumn Festival vacation" in 2017 （万人）
| 月/日 | 9/30 | 10/1 | 10/2 | 10/3 | 10/4 | 10/5 | 10/6 | 10/7 | 10/8 | 10/9 |
|---|---|---|---|---|---|---|---|---|---|---|
| 北京 | -236.80 | -222.53 | -131.87 | -95.96 | -33.63 | 79.64 | 127.21 | 195.52 | 238.74 | 175.07 |
| 上海 | -187.13 | -136.63 | -93.78 | -62.29 | -16.08 | 38.13 | 87.75 | 150.60 | 194.48 | 126.94 |
| 广州 | -133.37 | -164.97 | -119.96 | -75.49 | -10.74 | 100.47 | 123.90 | 132.91 | 136.19 | 66.12 |
| 成都 | -110.01 | -181.16 | -89.64 | -36.58 | 20.38 | 50.42 | 65.56 | 83.17 | 55.87 | -5.74 |
| 武汉 | -91.91 | -142.51 | -43.94 | -15.57 | 22.13 | 62.98 | 71.15 | 102.25 | 93.46 | -12.02 |
| 郑州 | -84.09 | -109.07 | -29.53 | -7.71 | 14.53 | 51.77 | 45.53 | 74.12 | 90.86 | -2.57 |
| 南京 | -54.29 | -56.31 | -34.05 | -11.22 | 2.19 | 41.60 | 41.90 | 69.54 | 69.50 | 12.05 |
| 西安 | -41.56 | -63.34 | -11.78 | -3.93 | 3.38 | 20.57 | 27.37 | 45.93 | 47.97 | -5.59 |
| 南昌 | -35.77 | -46.15 | -20.61 | -13.94 | 4.87 | 28.52 | 22.21 | 33.83 | 46.60 | 6.08 |
| 济南 | -34.00 | -49.22 | -15.43 | -10.30 | -0.76 | 32.94 | 21.37 | 37.71 | 49.61 | 2.06 |
| 长沙 | -33.49 | -64.84 | -20.42 | -24.22 | 1.83 | 38.35 | 22.98 | 42.87 | 32.40 | -15.16 |
| 杭州 | -32.09 | -60.78 | -15.34 | -15.96 | -7.09 | 18.95 | 13.95 | 19.14 | 24.02 | 15.16 |
| 长春 | -26.37 | -30.80 | -13.50 | -1.57 | 6.33 | 15.52 | 12.90 | 24.44 | 35.00 | 7.75 |
| 天津 | -26.26 | -36.61 | -17.05 | -7.76 | 3.32 | 18.63 | 24.36 | 24.53 | 23.95 | 9.73 |
| 哈尔滨 | -24.56 | -25.04 | -7.61 | -4.46 | 2.76 | 13.27 | 18.31 | 33.05 | 39.24 | 6.23 |
| 沈阳 | -23.37 | -26.02 | -7.96 | -4.05 | 3.87 | 10.63 | 8.19 | 13.75 | 13.92 | 0.75 |
| 昆明 | -21.19 | -49.33 | -23.91 | -14.48 | -9.08 | 14.97 | 20.93 | 42.62 | 32.15 | 5.63 |
| 贵阳 | -20.61 | -44.21 | -14.58 | -2.14 | 3.44 | 15.41 | 21.35 | 29.23 | 22.95 | 0.84 |
| 石家庄 | -18.00 | -16.68 | -8.68 | -3.75 | 1.18 | 6.79 | 8.39 | 12.65 | 13.22 | -3.06 |
| 南宁 | -14.21 | -50.08 | -24.95 | -17.88 | -2.40 | 28.19 | 24.76 | 38.88 | 27.23 | -1.01 |
| 合肥 | -14.03 | -34.77 | -13.89 | -6.35 | 8.36 | 25.07 | 18.25 | 26.58 | 22.12 | -1.84 |
| 福州 | -13.40 | -22.71 | -8.77 | -5.69 | 1.45 | 36.38 | 13.71 | 14.76 | 19.80 | -1.62 |
| 海口 | -11.45 | -15.47 | -6.70 | -6.48 | -3.07 | 7.70 | 9.21 | 12.35 | 14.66 | 1.64 |
| 重庆 | -8.01 | -65.46 | -34.49 | -8.31 | 17.20 | -0.48 | 22.71 | 23.60 | 13.23 | -21.03 |
| 太原 | -7.81 | -18.20 | -7.72 | -4.48 | -0.60 | 11.14 | 10.65 | 15.02 | 12.50 | -0.61 |
| 兰州 | -6.81 | -26.84 | -13.44 | -4.84 | 2.55 | 8.57 | 15.40 | 23.96 | 21.68 | 5.95 |
| 拉萨 | -6.10 | -2.66 | -0.33 | 5.26 | -4.19 | -0.53 | 0.06 | 4.50 | 2.26 | 1.80 |
| 银川 | -5.59 | -7.38 | -0.39 | -1.16 | 0.44 | 3.63 | 2.64 | 4.23 | 8.59 | -0.71 |
| 呼和浩特 | -4.29 | -6.42 | -1.74 | -1.28 | 1.63 | 5.28 | 6.52 | 7.05 | 13.48 | 2.57 |
| 乌鲁木齐 | -2.75 | -10.19 | -5.65 | -1.67 | 1.64 | 5.20 | 3.78 | 7.21 | 8.21 | 0.72 |
| 澳门 | 0.04 | 2.92 | 2.26 | 0.76 | -1.32 | -0.38 | -1.41 | -3.46 | -2.08 | -0.57 |
| 西宁 | 0.42 | 1.94 | 2.67 | 0.82 | 1.23 | 0.95 | 1.28 | 0.67 | 1.61 | -0.22 |
| 香港 | 3.35 | 13.37 | 14.29 | 4.97 | -1.05 | 11.89 | 4.35 | -14.35 | -15.56 | -0.90 |
新窗口打开
两节期间地级及以上城市人口日均净迁入量的分级见图1（第1683页）,人口流入的方向借助图中的箭头示意,线条的粗细和颜色代表人口净流入的大小差异。图1直观地反映了两节期间全国人口流动的总体格局：① 与春运迁徙客流显示的“两横三纵”网络格局[5]不同,两节的出行期、旅途期和返程期3个时段人口的净流入均呈现出十字形骨架支撑的菱形分布,菱形的4个顶点分别是京津冀、长三角、珠三角和成渝四大城市群,以武汉为中心,两条纵贯南北和横贯东西的轴连接了菱形的4个顶点。全国和区域尺度下均表现出了明显的核心-边缘结构,以大理-鹤岗一线为人口流动强度空间差异的分割界线,城市网络呈现出东密西疏的特征,分界线以西的人口流动网络关联多表现为串联型结构,多数城市依赖于特定的门户城市与人口流动网络进行关联,而分界线以东的网络则更多为并联型结构,城市间人口流动的互通性高[17]。②主要的人口流动路线均分布在“胡焕庸线”的东南一侧。除菱形核心区外,另有4条线路非常突出,一是从兰州经河西走廊到新疆;二是从成都经四川到达西藏;三是从京津经沈阳到达东北各地;四是从成渝经贵州到达云南。这4条路线又是两节期间长途旅游的热门线路,体现了小长假人口流动的特点。③四大城市群并未如前人[13]以春节期间百度迁徙数据研究得出的结论那样有明确的辐射范围界限,中心城市的辐射范围也没有表现出明显的空间邻近性特征,这是否是国庆-中秋长假区别于春节的特征,还是数据获取上的差异所致,尚需进一步分析。
显示原图|下载原图ZIP|生成PPT图1国庆-中秋长假期间城市间人口流动的路线和强度
注：根据原国家测绘地理信息局标准地图服务网站审图号为GS（2016）2885号的1:2200万标准地图制作,底图无修改。
-->Fig. 1Route and strength of urban net immigration flow in "National Day - Mid-Autumn Festival "vacation
-->
3.2 人口流动集散层级
3.2.1 人口集散的主要城市和主要流动路线 各大主要城市在双节的前一阶段都表现为人口净流出,这些城市有较多的人更愿意选择其他城市作为出行的目的地。表2为各时间段人流集散量排前10位的城市和流动路线,由表2可得出,出行期与其他两个时段的人口净流入的方向有一定的对称关系。在出行期净流入强度前10位的路线都是以行政级别高的中心城市向周边城市扩散,而在后两个时段内多为周边城市向中心城市聚集,空间跨度较小,并且出行期的人口净流入强度明显高于另两个时段。统计发现两节期间人口流动呈现以下特征：（1）每个时间段都进入人口流动前10位的城市有北京、上海、广州、深圳、重庆、成都、武汉、南京和西安,这些城市均为副省级及以上城市,行政级别高,经济发达,基础设施建设完善,是最主要的人口流动集散中心。这与刘望保等[13]利用百度迁徙人口流动数据（时间段为2015年2月7日至5月16日）、顾朝林等[19]利用重力模型、甄峰等[20]利用新浪微博好友关系等确定的全国性人口集散中心大体一致,但略有差别。如本文统计的西安和成都位于前10之列,在旅行期郑州也进入前10名,而刘望保等[13]统计的人口日均集散量排前10位的城市中并无这几个城市,天津在本文的3个时间段内也均未进入前10。此外,在刘望保等[13]的研究中,苏州、东莞、佛山等城市在集散排序中因为重要的中转功能也多次位于前10名,但是本次研究中这3个城市均未进入前10名（苏州在3个时段内分别位列14、11、13;东莞位列13、12、15名;佛山则排名16、15和26）,究其原因,在春运等假期较长的时间内人口出行大幅增加,东莞、苏州等具有重要中转性和打工目的地的城市承担了农民工流动的主要职能,具有很重要的集散功能,其集散层级甚至高于大部分行政等级高的城市;但在国庆-中秋小长假中人们大多以出游为目的,倾向于前往旅游资源丰富地区,其中心城市（西安、成都等）自然成为人口集散的重要节点。
（2）前10位城市主要为京津冀（北京）、中原（郑州）、关中（西安）、长三角（上海、南京、杭州）、珠三角（深圳、广州）、长江中游（武汉）和成渝（成都、重庆）城市群的核心城市。
（3）从日集散总量来看,部分西部城市在双节表现突出,其人口流动量排名大大超过了经济总量或人口总量在全国的排名,如兰州排名第32位,昆明22位,贵阳30位,咸阳36位,绵阳48位,这些城市或者是大区域的交通枢纽,或者是自然人文旅游资源丰富省区的核心城市,近年来随着高铁、机场等交通基础设施的新建和改造,游客吸引和承载能力大大提升。
（4）出行期、旅途期和返程期排序前10位城市的人流集散量占所有城市的总流动人口数的比重分别为28.07%、28.75%、31.14%;排序前10位路线的人流集散量占所有城市的总流动人口数的比重分别为3.55%、3.53%、3.54%,均较为稳定。
（5）3个时间段内,人口迁移位居前10的路线多发生在省内城市之间或跨省空间距离较近的两城市之间,但也都存在空间跨度较大的集散路线,如上海与重庆间、北京与上海间、北京和重庆间、成都和深圳间的人口流动。
3.2.2 人口流动集散城市分级及空间格局 图2为各时间段中国城市人口流动集散层级分布,采取自然断裂法分级（Jenks Natural Breaks,为便于分析,进行了取整取零处理）。可以看出,3个时段属于集散层级最高（日均集散人口>200万）的城市数量分别是10、6和8,除成都、西安、重庆外,全部分布在中东部地区。第二层级城市（日均集散人口100万~200万）的数量在3个时段内分别是14、10和13,除昆明外,全部分布在中东部地区;东莞、苏州、佛山3个地级城市进入了第二层级。第三层级城市（日均集散人口40万~100万）的数量在3个时段内分别是49、33和28个,亦主要分布在中东部地区,以江苏、冀鲁豫交界、海峡西岸、珠三角等地最为集中。第四层级城市（日均集散人口<40万）的数量众多,3个时段分别有226、250和250个。
Tab. 2
表2
表2国庆-中秋长假各时间段人口流动集散层级排名前10位的城市和流动路线
Tab. 2The top 10 cities and flow routes at the level of population flow and distribution
| 时间段 | 集散人数总量前10名城市（人数） | 人口流量前10名的路线（人数） |
|---|---|---|
| 出行期日均（9.30—10.2） | 北京（6469502）、上海（5180029）、广州（4320718）、 深圳（4011321）、重庆（3735962）、成都（3732154）、 武汉（2652770）、南京（2317866）、西安（2118420）、 郑州（2072609） | 深圳至东莞（307344）、上海至重庆（253820）、重庆至上海（245506）、东莞至深圳（230891）、广州至佛山（227637）、北京至上海（226177）、重庆至北京（216300）、北京至重庆（205940）、上海至苏州（202982）、佛山至广州（197243） |
| 旅途期日均（10.3—10.6） | 北京（4888012）、上海（4423381）、广州（3436779）、 重庆（3398998）、深圳（3342657）、成都（3204524）、 武汉（1915125）、南京（1767492）、西安（1629919）、 杭州（1533776） | 上海至重庆（226293）、重庆至上海（194307）、东莞至深圳（187051）、重庆至北京（186646）、深圳至东莞（183934）、北京至重庆（182235）、北京至上海（169399）、上海至北京（167647）、佛山至广州（156912）、广州至佛山（156826） |
| 返程期日均（10.7—10.9） | 北京（6200575）、上海（5151214）、深圳（3839440）、 广州（3685379）、重庆（3518523）、成都（3436568）、 武汉（2393920）、南京（2176480）、西安（1939317）、 郑州（1895740） | 重庆至上海（256048）、上海至重庆（237111）、重庆至北京（206851）、北京至上海（204556）、北京至重庆（203887）、上海至北京（201269）、长沙至北京（169391）、佛山至广州（165488）、东莞至深圳（153653）、成都至深圳（146271） |
新窗口打开
显示原图|下载原图ZIP|生成PPT图2国庆-中秋长假各时间段中国城市人口流动集散层级分布
注：根据原国家测绘地理信息局标准地图服务网站审图号为GS（2016）2885号的1:2200万标准地图制作,底图无修改。
-->Fig. 2Spatial patterns of urban population flow levels
-->
3.3 人口流动的网络结构特征
3.3.1 度值分析 人口流动的方向性是人口研究中的一个重要特征,区域间进行的有向流动与区域间的交通方式、地理位置以及经济情况等都存在密切的关系。明确网络中人口流动的方向性,得到节点之间的拓扑关系是复杂网络分析的重要部分。人口在城市之间的流动存在入度与出度区别,出度值与入度值可体现出不同节点在网络中的重要性程度。10天内299个城市相互流动的有向路线共计7545条,承载了5.66亿人次流动,其中在总规模流动路线中强度超过100万人次的共有32条,这些路线承载的人口强度占到总强度的8%。通过复杂网络分析软件Gephi计算出299个城市的人口流动网络度值,篇幅所限,表3仅列出省会城市和副省级以上城市的度值。将出入度值与城市位序进行整理得到图3（见第1687页）,图4为入度值与出度值分级图（采用自然断裂分级法）。综合表3、图3和图4,发现如下特征：（1）各城市之间网络地位差异较大,城市行政级别越高,其在人口流动网络中的地位就越高。从表3发现,总体而言,网络总度值呈现直辖市>副省级城市>普通省会城市>其他地级市的趋势。4个直辖市总度值的平均（2173）是副省级城市（909）的2.4倍,是普通省会城市（394）的5.5倍,是普通地级市（231）的9.4倍,网络地位的优势十分显著。
（2）直辖市和副省级城市全部进入总度值排名的前30名,另有4个普通地级市（苏州、东莞、佛山、咸阳）进入。位于首位的北京入度值为1761,出度值为1742,总度值超第二位上海近1000,对其他城市有着绝对的吸引力和影响力。网络地位最低的是（<130）保山、克拉玛依、石河子和儋州,均位于边疆,且旅游资源相对匮乏。分别从城市对人口的吸引力（入度）和城市的影响力（出度）来看,前30位的城市排序完全一致,表明入度值与出度值具有很好的相关性;图4也表明入度与出度之间相对平衡。通过SPSS软件对入度值与出度值进行相关性检验,Pearson相关系数高达0.999,且sig值小于0.05,由此验证了出度与入度有着显著的正相关关系。通过统计,有289个城市入度值与出度值之差的绝对值≤30,占总数的96.66%,这从一定程度上表明城市节点的入度与出度相对平衡,人们在城市间的流动相对自由,限制人口流动的单向障碍在多数城市并不存在。也有少数城市其人口入度和出度不平衡,例如,入度盈余较大的城市既包括长春、上海、哈尔滨、天津、北京、西安、福州等大城市,也包括苏州、乐山、眉山、咸阳、榆林等中小型旅游城市,在吸引人口流入方面优势较大。出度盈余的节点有成都、重庆、杭州、深圳、广州等,多为区域中心城市,在人口流动网络中发挥着辐射控制作用,还有哈密、绥化、上饶、阜阳等一些中小城市,主要是区域交通枢纽。
（3）两节期间全国城市人口流动的层次、等级关系较为突出。采用自然断裂分级法将299个城市聚为5个层级（表4）,自然断裂分级法可以在增强同级间同质性的同时扩大各层级间的差异性。由表4可知,全国性网络副中心以上的10个城市中,西部城市占了其中3席（重庆、成都、西安）。20个区域网络城市中,部分中西部城市（如昆明、长春、咸阳、兰州等）在网络中亦处于较高地位。再者,赣州、绵阳、金华、南充、临沂等经济条件并不特别突出的城市,咸阳、桂林、泰安、秦皇岛等旅游城市,东莞、佛山、温州、中山等劳动力密集城市,因本地人口和外来务工人口基数较大,或旅游资源禀赋好,或交通区位重要,在双节人口流动网络中占据较高地位。上述现象都与传统的人口迁移规律不尽相同,常规的人口迁移主要是由于目的地与人口源地存在显著的经济差异所致,而双节期间,假期有限,人口的流动一般以短途旅游为主,出行方式也有所限制,邻近的大城市成为首选的出行目的地,或者经由区域交通枢纽中转,到旅游景点旅游。这说明城市在节假日期间人口日常流动网络中的层级位置不只由自身的经济发展和人口数量决定,其周边旅游资源禀赋和自身交通地位等因素也起到了重要作用。
Tab. 3
表3
表3不同类型城市的出入度值及排序
Tab. 3In-degree, out-degree and rank of various types of cities
| 城市类别 | 入度值 | 出度值 | 入度值-出度值 | 总度值 | 总度值排序 |
|---|---|---|---|---|---|
| 直辖市 | |||||
| 北京 | 1761 | 1742 | 19 | 3503 | 1 |
| 上海 | 1314 | 1267 | 47 | 2581 | 2 |
| 重庆 | 795 | 833 | -38 | 1628 | 5 |
| 天津 | 509 | 471 | 38 | 980 | 9 |
| 平均值 | 1095 | 1078 | 2173 | ||
| 副省级城市 | |||||
| 深圳 | 953 | 975 | -22 | 1928 | 3 |
| 广州 | 919 | 937 | -18 | 1856 | 4 |
| 成都 | 625 | 689 | -64 | 1314 | 6 |
| 南京 | 533 | 520 | 13 | 1053 | 7 |
| 西安 | 539 | 487 | 52 | 1026 | 8 |
| 武汉 | 488 | 477 | 11 | 965 | 10 |
| 杭州 | 434 | 463 | -29 | 897 | 11 |
| 沈阳 | 370 | 378 | -8 | 748 | 13 |
| 哈尔滨 | 385 | 340 | 45 | 725 | 15 |
| 大连 | 348 | 339 | 9 | 687 | 17 |
| 长春 | 316 | 264 | 52 | 580 | 20 |
| 青岛 | 279 | 292 | -13 | 571 | 21 |
| 济南 | 242 | 237 | 5 | 479 | 24 |
| 厦门 | 214 | 243 | -29 | 457 | 25 |
| 宁波 | 184 | 171 | 13 | 355 | 36 |
| 平均值 | 455 | 454 | 909 | ||
| 普通省会城市 | |||||
| 长沙 | 349 | 349 | 0 | 698 | 16 |
| 郑州 | 332 | 325 | 7 | 657 | 18 |
| 昆明 | 299 | 331 | -32 | 630 | 19 |
| 兰州 | 250 | 249 | 1 | 499 | 22 |
| 石家庄 | 228 | 225 | 3 | 453 | 27 |
| 合肥 | 227 | 223 | 4 | 450 | 28 |
| 福州 | 232 | 204 | 28 | 436 | 29 |
| 南昌 | 216 | 200 | 16 | 416 | 30 |
| 南宁 | 184 | 192 | -8 | 376 | 33 |
| 贵阳 | 180 | 176 | 4 | 356 | 35 |
| 银川 | 170 | 172 | -2 | 342 | 37 |
| 呼和浩特 | 151 | 148 | 3 | 299 | 50 |
| 太原 | 149 | 146 | 3 | 295 | 53 |
| 乌鲁木齐 | 125 | 112 | 13 | 237 | 118 |
| 西宁 | 110 | 112 | -2 | 222 | 148 |
| 拉萨 | 91 | 92 | -1 | 183 | 275 |
| 海口 | 78 | 83 | -5 | 161 | 285 |
| 平均值 | 198 | 196 | 394 | ||
| 地级市 | 115 | 115 | 230 |
新窗口打开
显示原图|下载原图ZIP|生成PPT图3人口流动网络的入度与出度位序分布
-->Fig. 3Rank scatter diagram of in-degree and out-degree of population flow network
-->
显示原图|下载原图ZIP|生成PPT图4人口流动网络的入度与出度分级
注：根据原国家测绘地理信息局标准地图服务网站审图号为GS（2016）2885号的1:2200万标准地图制作,底图无修改。
-->Fig. 4Classification map of in-degree and out-degree of population flow network
-->
Tab. 4
表4
表4人口迁移网络层级结构
Tab. 4The hierarchy system of the cities in the network
| 层级（网络总度值） | 城市 |
|---|---|
| 全国性网络中心（>2000） | 北京、上海 |
| 全国性网络副中心（900~2000） | 深圳、广州、重庆、成都、南京、西安、天津、武汉 |
| 区域性网络中心（400~900） | 杭州、苏州、沈阳、东莞、哈尔滨、长沙、大连、郑州、昆明、长春、青岛、兰州、佛山、济南、厦门、咸阳、石家庄、合肥、福州、南昌 |
| 地方性网络中心（270~400） | 赣州、无锡、南宁、绵阳、贵阳、宁波、银川、桂林、金华、中山、保定、烟台、南充、玉林、温州、徐州、临沂、宝鸡、南阳、呼和浩特、九江、潍坊、太原、洛阳、衡阳、上饶、周口、天水、酒泉、泰安、菏泽、惠州、渭南、泉州、信阳、唐山、四平、锦州、秦皇岛、大庆、常州、德阳、滁州、榆林 |
| 地方性网络节点（< 270） | 儋州等225个城市 |
新窗口打开
3.3.2 中心性分析 节点的介数中心性反映了该城市在人口流动网络中的中转和衔接能力。介数中心性高的城市在区域人口流动网络间的连接中起着桥梁作用。从两节期间全国城市人口流动介数中心性较高的城市排序与分级（图5a）统计可以看出（自然断裂法分级,取整取零处理）,介数中心性值较大的节点仍然主要集中于东部发达地区和中西部省会城市。总体来看,城市的中心性与总度值呈正相关关系,高中心性城市的度值相对也高,即人口流动较大的城市也是能够良好集聚、扩散旅游资源的城市。具体到城市类型上,是以北京、上海、深圳、广州、重庆、成都、武汉、天津、杭州、南京、西安等为代表的高中心性高度值的典型城市。同时,也存在以拉萨、郑州、昆明、海口、厦门、乌鲁木齐等为代表的高中心性低度值的枢纽型城市,和以太原、洛阳、吉林、呼和浩特、齐齐哈尔、衡阳、承德等为代表的低中心性高度值的门户型城市。
显示原图|下载原图ZIP|生成PPT图5介数中心性与聚类系数分级
注：根据原国家测绘地理信息局标准地图服务网站审图号为GS（2016）2885号的1:2200万标准地图制作,底图无修改。
-->Fig. 5Classification map of betweenness centrality and clustering coefficient
-->
值得注意的是,将城市的介数中心性排序和总度值排序做一比较,发现二者差异较大的大多为旅游城市,而且呈现出两级分化的趋势。介数中心性排名远高于度值排名的城市有日喀则、张家界、朔州、景德镇、林芝、舟山、白山、威海、丽水、随州、三亚等,如日喀则总度值仅排在286位,但其介数中心性排在79位,这些城市辖区或周边分布有优质特色旅游资源,但多受地形地貌影响,或者地处偏远,可达性较差,其中心城市自然承担着重要的游客中转和其他城市连接的桥梁作用,若移除上述城市,省内部分城市将可能变为孤立的节点。相反,另外一些旅游城市的度值排名则远高于其介数中心性排名,典型代表如酒泉、张掖、乐山、榆林、玉林、眉山、嘉峪关等,如酒泉市（境内有县级敦煌市）的介数中心性仅排在280位,但其总度值排在全国59位。这些旅游城市境内也多分布优质旅游资源,但周边景点或城市的联系不紧密,交通一般均较为便利,且游客可通过多种交通方式直达核心地区。
3.3.3 城市网络“社区”结构 依据公式（4）计算各个城市的网络聚类系数,统计得到全国城市间人口流动网络的平均聚类系数为0.54,说明网络的聚集程度较高。进一步制作城市的聚类系数分级图（图5b,自然断裂法分级）,发现聚类系数与度值之间存在一定的反向关系,聚类系数最大的部分城市,其节点的度数值均处于较低的水平,而聚类系数最小的部分节点城市均为高度值。与介数中心性分布（图5a）对照,发现城市的介数中心性空间分布相对集中,尤其分布在北京、成都、广州、上海4市围成的菱形空间中。相比之下,城市聚类系数的空间分布则较为均衡。
若网络中的大部分结点可由任意其他点经少数关联即可到达,则称为小世界网络,一般通过聚类系数和平均最短路径共同判断是否存在小世界效应。如果网络的平均聚类系数显著高于相同数量节点生成的随机网络,并且网络的平均最短路径与随机网络接近,那么此网络被认为具有小世界特性[21]。平均聚类系数反映了网络中节点抱团的总体趋势,揭示节点嵌入邻近点的程度;平均最短路径则是两节点间的平均网络距离。通过计算,整个城市网络的平均聚类系数为0.54,远高于同节点数量下随机网络系数;网络的路径长度经计算是1.986,反映出整个网络节点间不用通过第三方节点而直接相联系的线路,与仅需一个中介就能连接的线路占总线路的绝大多数,整个网络表现出较高的易达性与运行效率。说明人口流动网络存在小世界现象,表明网络局部具有较明显的“社区”结构特征。社区结构网络是指聚类依据特定规则与其他聚类相互联系从而组成的更为复杂的系统,高平均聚类系数的网络即具有社区结构特征。利用Gephi软件通过模块化（modularity class）聚类算法[22],以流动人口数作为权重,计算得到两节期间基于人口日常流动的中国城市网络共包含9个社区结构（图6）。按照社区所含城市数量和空间覆盖情况,可将社区分为3个跨省组合型、3个邻省组合型和3个独立省份型社区（表5）。3个跨省组合型社区结构分别是由江苏、安徽、海南、四川、西藏55个城市构成的社区4,由4个直辖市及其周边的浙江、河北、贵州省共33个城市组成的社区8,和由江西、湖北、云南31个城市构成的社区3,其中,社区4恰好处在三角形连线区域的顶点位置。3个邻省组合型分别是由湘粤桂49个城市构成的华南社区,由西北地区45个城市构成的西北社区,以及由东三省和内蒙古43个城市组成的东北社区。福建、河南和山东省内城市各自独立组成社区。
显示原图|下载原图ZIP|生成PPT图6中国城市网络社区结构分布
注：根据原国家测绘地理信息局标准地图服务网站审图号为GS（2016）2885号的1:2200万标准地图制作,底图无修改。
-->Fig. 6City network community structure in China
-->
Tab. 5
表5
表5城市社区结构统计
Tab. 5Statistical table of community in city network
| 社区 | 主要覆盖省份 | 所含主要城市 | 城市数量（个） |
|---|---|---|---|
| 1 | 湖南、广东、广西 | 广州、深圳、长沙、南宁、桂林、柳州 | 49 |
| 2 | 福建 | 福州、厦门、泉州、漳州、南平、莆田 | 9 |
| 3 | 江西、湖北、云南 | 武汉、南昌、昆明、宜昌、九江、襄阳 | 31 |
| 4 | 江苏、安徽、海南、四川、西藏 | 南京、成都、合肥、拉萨、海口、黄山 | 55 |
| 5 | 山西、甘肃、陕西、宁夏、青海、新疆 | 太原、西安、兰州、银川、西宁、乌鲁木齐 | 45 |
| 6 | 河南 | 郑州、洛阳、开封、安阳、南阳、商丘 | 17 |
| 7 | 山东 | 济南、青岛、烟台、潍坊、临沂、枣庄 | 17 |
| 8 | 北京、天津、河北、上海、浙江、重庆、贵州 | 北京、天津、石家庄、杭州、重庆、贵阳 | 33 |
| 9 | 内蒙古、辽宁、吉林、黑龙江 | 呼和浩特、沈阳、大连、长春、哈尔滨、包头 | 43 |
新窗口打开
处于相同社区的城市之间具有更为密切的关系。由图6可知,总体上同一社区的城市在空间上相连或邻近,这说明两节期间基于人口流动的城市紧密性仍然受制于地理空间效应。但也存在少数较为特殊的“社区”,如川藏-苏皖-海南社区、京津冀-沪浙-渝贵社区在空间上跨度很大,呈现跳跃性的分布特征,同时分布在4个和3个独立空间内,可见在流空间的背景下,节庆期间人口流动存在着一些克服空间摩擦的趋势。随着高铁、机场等大量基础设施的建设和普及,传统意义上的时空距离已被大大地压缩,跨越大尺度地域空间的高强度人口流动必然将成为未来发展的趋势。这是否反映了小长假人口流动城市网络的特殊结构,还需要在获取更长时间序列数据的基础上加以判断。
4 结论与讨论
“腾讯迁徙”大数据基于LBS技术,全程、动态、即时、直观地记录了城市之间的人口日常流动轨迹。通过采集“腾讯迁徙”数据平台中2017年国庆-中秋长假期间国内299个城市之间的逐日人口流动数据,分“出行期、旅途期、返程期”3个时间段,利用复杂网络分析方法,从人口流动集散层级、集散网络体系的分层集聚、人口流动空间格局、网络空间特征等角度分析各时间段城市间的人口日常流动特征与空间格局。主要结论如下：（1）“腾讯迁徙”平台数据可揭示国庆-中秋长假期间人口迁移的规律、特征、格局,人口流动呈现出随时间演变而规律性变化的特征,10月3日或10日4日是人口净流入出现的转折点。与春运迁徙客流显示的“两横三纵”网络格局不同,国庆-中秋的出行期、旅途期和返程期3个时段人口的净流入均呈现出十字形骨架支撑的菱形分布,菱形的4个顶点分别是京津冀、长三角、珠三角和成渝四大城市群,以武汉为中心,两条纵贯南北和横贯东西的轴连接了菱形的4个顶点。大理-鹤岗一线是人口流动强度空间分布的显著分界线,以此为界,城市网络呈现东密西疏的分布特征和东部并联、西部串联的网络关联特征。
（2）各时间段主要的人口流动集散中心有较高的相似性,前10位城市均为环渤海地区、东部沿海、南方沿海、以及中部、西部主要城市群的核心城市。部分西部城市在双节表现突出,其人口流动量排名大大超过了经济总量或人口总量在全国的排名。主要流动线路大都以位置距离较近的中心城市间为主,但也都存在空间跨度较大的集散路线。
（3）各城市之间在人口流动网络中的地位差异较大,表现出明显的层次性,城市行政级别越高,其在网络中的度值亦越高,反之亦然。城市在节假日期间人口日常流动网络中的层级位置不只由自身的经济发展和人口数量决定,其周边旅游资源禀赋和自身交通地位等因素也起到了重要作用。城市之间的人口流入和流出相对较为平衡。
（4）国庆-中秋期间人口迁移城市网络具有小世界性,局部具有较明显的“社区”结构特征,包含2个国家级、2个区域级和3个地区级社区。
本文在分析时也存在一些不足,表现在：
（1）首受地理行为大数据本身生成和获取的限制,在分析城市间人口日常流动时不可避免地存在有偏性、精度差、数据不连续等缺陷。例如,尽管腾讯产品用户数以亿计,但仍存在大量未接入腾讯QQ、微信、QQ空间和第三方用户的群体,其日常流动行为可能没有被记录下来。大部分的出行路径可能被拆解,无法完整识别用户的出行。为保护隐私等,腾讯数据本身不显示流动人口的社会属性（职业、性别、年龄）,也无法获知其流迁的目的和逗留时间,尽管在两节期间以旅游为主体流动行为,但探亲、商旅等其他行为无法界定开来。多源数据融合,解决网络社交性数据的有偏性和精度差等缺陷,挖掘有用的知识,应当是下一步地理大数据深入应用的重要研究方向。
（2）人口迁徙受到众多复杂因素的制约和影响,在怎样适宜的时间和空间尺度上采集和分析数据是个困难的问题。本文通过各时间段净流入人口的差值划分为出行、旅途和返程3个时间段,虽然便于识别和分析,但默认了该规律和时间人口净流入值对于城市属性的绝对性,分析结果可能会弱化各城市人口净流入值在时间上的差异。本文所得到的两节期间中国人口流动城市网络结构与已有的基于其他数据（百度等）、途径（人口统计）、时段（春运）所得到的结果不尽一致,获取更多时段的案例比较,也是今后研究的视角。
（3）本文仅尝试性探索了城市间人口流动的宏观特征和空间格局,客流没有区分不同的交通方式。两节人口流动架构下的中国城市网络形成机制和人口流动的内在动力机制,还有待后续的探索分析。本文得出两节期间人口流动特征及其反映出的城市等级结构格局是否具有普适性,尚需在获取更长时间序列数据的基础上深入分析,如大理-鹤岗一线相对于“胡焕庸线”东偏50~200 km,或许只是旅游客流短期拉动的暂时现象[23]。
The authors have declared that no competing interests exist.
参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
| [1] | . |
| [2] | . <p>对人口迁移流动时间过程及其空间效应研究的国内外研究进展进行了全面系统的回顾和评述,揭示了中国迄今这方面工作在研究内容、数据来源和理论框架等方面的不足,在此基础上展望了中国人口迁移流动时间过程及其空间效应研究的未来发展,认为今后中国人口迁移流动研究的一个重要方向是在获取迁移流动人口流迁过程历时数据的基础上,分阶段系统考察人口迁移流动各具体环节及相关就业、住房、家庭等特征的时空变化及其机制,填补在人口迁移流动时间过程研究上的缺漏,并把对各单个流迁阶段的研究结果整合为对整体流迁过程的新的规律性认识。这将拓展和深化人口迁移流动空间格局及其形成机制的研究,推进人口迁移流动时空过程及其演变规律相关理论的发展。</p> . <p>对人口迁移流动时间过程及其空间效应研究的国内外研究进展进行了全面系统的回顾和评述,揭示了中国迄今这方面工作在研究内容、数据来源和理论框架等方面的不足,在此基础上展望了中国人口迁移流动时间过程及其空间效应研究的未来发展,认为今后中国人口迁移流动研究的一个重要方向是在获取迁移流动人口流迁过程历时数据的基础上,分阶段系统考察人口迁移流动各具体环节及相关就业、住房、家庭等特征的时空变化及其机制,填补在人口迁移流动时间过程研究上的缺漏,并把对各单个流迁阶段的研究结果整合为对整体流迁过程的新的规律性认识。这将拓展和深化人口迁移流动空间格局及其形成机制的研究,推进人口迁移流动时空过程及其演变规律相关理论的发展。</p> |
| [3] | . 2010年全国第六次人口普查数据显示,我国省际流动人口规模虽然低于省内流动人口,但其扩张速度明显大于省内流动人口。劳动力要素的省际流动与省内流动对经济社会发展的影响存在较大的差别,现有文献主要集中于对我国全部流动人口及省内流动人口特征的考察,而对省际流动人口的考察并不多见。文章基于2010年全国第六次人口普查数据,归纳与梳理了我国省际流动人口的特征,以此为研究我国省际流动人口对经济社会发展影响提供参考依据。主要包括省际和省内流动人口的趋势,省际流动人口的区域性差别、流动性目的、流动期限、年龄特征、受教育程度及职业构成等。文章还讨论了这些特征的经济社会和政策意义。 . 2010年全国第六次人口普查数据显示,我国省际流动人口规模虽然低于省内流动人口,但其扩张速度明显大于省内流动人口。劳动力要素的省际流动与省内流动对经济社会发展的影响存在较大的差别,现有文献主要集中于对我国全部流动人口及省内流动人口特征的考察,而对省际流动人口的考察并不多见。文章基于2010年全国第六次人口普查数据,归纳与梳理了我国省际流动人口的特征,以此为研究我国省际流动人口对经济社会发展影响提供参考依据。主要包括省际和省内流动人口的趋势,省际流动人口的区域性差别、流动性目的、流动期限、年龄特征、受教育程度及职业构成等。文章还讨论了这些特征的经济社会和政策意义。 |
| [4] | |
| [5] | . . |
| [6] | . . |
| [7] | . . |
| [8] | . . |
| [9] | . |
| [10] | . . |
| [11] | |
| [12] | . 信息技术的快速发展带来了“大数据”时代的到来,改变了城市的空间组织和居民行为,并使得城市时空间行为研究方法面临变革。本文在总结传统城市时空间行为研究方法存在问题的基础上,对影响其变革的数据获取与处理技术进行梳理,重点从居民时空行为、城市空间及城市等级体系3个方面综述了国内外应用大数据进行城市时空间行为研究的最新进展,构建了基于大数据应用的城市时空间行为研究方法框架。本文认为,大数据时代城市时空间行为研究方法的变革主要取决于对反映居民时空行为的网络或移动信息设备数据的挖掘、处理及应用,但是还需要进一步推动相关学科间的交叉与融合,加强社交网站等网络数据在居民时空行为和城市空间研究中的应用,并指导城市规划编制与管理方法的创新。 . 信息技术的快速发展带来了“大数据”时代的到来,改变了城市的空间组织和居民行为,并使得城市时空间行为研究方法面临变革。本文在总结传统城市时空间行为研究方法存在问题的基础上,对影响其变革的数据获取与处理技术进行梳理,重点从居民时空行为、城市空间及城市等级体系3个方面综述了国内外应用大数据进行城市时空间行为研究的最新进展,构建了基于大数据应用的城市时空间行为研究方法框架。本文认为,大数据时代城市时空间行为研究方法的变革主要取决于对反映居民时空行为的网络或移动信息设备数据的挖掘、处理及应用,但是还需要进一步推动相关学科间的交叉与融合,加强社交网站等网络数据在居民时空行为和城市空间研究中的应用,并指导城市规划编制与管理方法的创新。 |
| [13] | . . |
| [14] | . . |
| [15] | . . |
| [16] | . . |
| [17] | . . |
| [18] | . , |
| [19] | . . |
| [20] | . . |
| [21] | . |
| [22] | . |
| [23] | . . |
