|
内容导读 城市化研究往往根据人口、经济、城市质量等方面定义各种城市化率指标来表示城市发展的差异。但是，城市之间的相互作用方式，如人口迁移，也在一定程度上反应了城市之间的差异。根据拉文斯坦的人口迁移法则(Ravenstein,1885)，人口的迁移多以经济动机为主。经济发达的城市提供更多的就业机会，能够吸引更多的劳动力人口，因而劳动力人口的流向可以揭示城市发展的不均衡。 近年来，随着空间定位技术的发展和各种移动终端的普遍使用，使得我们可以及时获取移动位置大数据，提供了个体和社会对空间分布和空间相互作用的感知，有助于从新的视角审视地理学的一些基本问题。春运是一种大规模的短期人口流动，但是它反映了一种长期的人口迁移现象。我们利用移动终端获取的春运期间人口流动数据，探寻人口空间迁移规律和中国城市发展差异。   腾讯位置大数据提供全国300多个城市之间每日的人口流动量。本文从腾讯位置大数据抓取了2016年1月至3月的每日城市间人口流动数据，构建了城市之间人口流动的网络。2016年春节是2月8日，春运时段从1月24日至3月3日。据官方统计，2016年春运综总数达到29.1亿，根据腾讯数据构建的人口流动网络在同时期的统计量为28.65亿，占春运总人口的98%，基本可以反映春运的人口动态。 根据人口流入/流出差异比 r（公式1），选取人口流动量和人口流入/流出差异比均大于平均值的春运高峰时段数据来分析城市间的人口流动，选取1月29日—月6日作为返乡高峰期，2月12日—2月1日作为离乡高峰期，另外选取3月12—3月22日的非春运时段作为对比（图1）。 (1) 其中in_numcity和out_numcity分别为一个城市的流入和流出人口量，N 是城市的数量。 Fig 1. Daily passenger volume from January 2016 to March 2016 通过人口流动数据构建了春运时期和平常时段的城市间人口流动网络（图2），运用复杂网络分析的方法研究城市间人口迁移特征。 (a) Ordinary travel network (b) Spring Festival travel network Fig 2. Ordinary travel network and Spring Festival travel network 首先，采用社区划分方法发现人口流动频繁的城市群。复杂网络通常具有社区结构特征，即整个网络是由若干个“群”或者“团”构成的，“群”内部节点之间的连接相对紧密，而“群”之间的连接相对比较稀疏，这样的“群”或“团”就是社区。社区划分的方法有多种，其中Infomap方法效果较好，且能用于有向加权网络，符合人口流动网络的特征，因此采用Infomap方法。 其次，利用网络指标计算人口流动网络中城市的重要性并对城市分级。采用互联网网页排名的PageRank算法计算城市的重要性，因为PageRank不仅计算与某节点相连的节点数量，还考虑与它相连的节点质量，而人口流动网络与互联网有相似的特征，即重要的城市与更多的城市相连，并且具有更多的流入人口。 02 一个城市的流入和流出人口差异的多少反映了城市人口的不平衡状态。为了比较不同城市之间的人口流动不平衡状态，我们定义流入流出人口的相对差异指标，如公式（2）： (2) 而返乡高峰期和离乡高峰期relDiff的差异可反应一个城市对劳动力人口的吸引力，如公式（3）: Attractiveness = relDiffleave – relDiffreturn (3)  运用Infomap方法分别对非春运人口流动网络和春运人口流动网络进行社区划分。对非春运时段人口流动网络划分得到23个城市社区（图3a），基本与省界一致，有些相邻的省份组成一个社区，说明省内旅行和相邻省份之间的旅行占多数。对春运人口流动网口的划分得到19个城市社区（图3b），社区数量变少，而社区面积增大，表明春运期间长途旅行增多。
(a) Ordinary travel network
(b) Spring Festival travel network Fig 3. City communities of ordinary travel network and Spring Festival travel network. Numbers in the map identify the communities. 02 图4为不同时段的各城市的relDiff值，其中图4a和图4b反映了返乡高峰期和离乡高峰期各城市的流入流出人口极度不平衡，且两个时段呈完全相反的趋势，图4d的散点图也表明这两个时期的relDiff值具有很强的负相关。而图4c非春运时段的relDiff值则基本接近于零，说明每个城市的流入流出人口基本平衡。
(a) Jan.29 – Feb.6
(b) Feb.12 – Feb.28
(c) Mar.14 – Mar.22
(d) Fig 4. Relative difference between incoming passengers and outgoing passengers in different periods. (a) Retuning period; (b) leaving period; (c) ordinary period; and (d) scatter plot of relative difference values for retuning and leaving period. 图5的吸引力值与图4a、图4b的 relDiff 值反映了同样的趋势，即北京、天津、长江三角洲、珠江三角洲的吸引力最大，是劳动力人口吸收区域，其中宁波的吸引力值最大，为0.85，其次为东莞和深圳，分别为0.81和0.75。西部地区也吸引了一定的人口，而中部地区吸引力为负值，为劳动力输出其余，其中阜阳的吸引力最低，为-1.0。
Fig 5. Overlay of Attractiveness of cities and the communities. Numbers in the map identify the communities. 图5叠加了城市吸引力和春运时间的城市社区划分结果从中可以看出每个社区都分别有劳动力输入和输出城市，例如社区19的珠江三角洲地区为劳动力吸收区，而湖南、广西和广东的其它城市为劳动力输出区；社区3的浙江东部城市为劳动力吸收区，而江西、贵州为劳动力输出区；长江三角洲城市主要从同社区的安徽、江苏北部吸收劳动力，而北京、天津则主要从河北、东三省吸收劳动力。 利用离乡期的人口流动网络计算出城市的PageRank值，根据PageRank值将城市划分为5个等级（图6），其中北京、上海、深圳为A级，广州、苏州、东莞、重庆为B级，另有12个C级城市、66个D级城市和29个E级城市。
Fig 6. Grades of cities 图7a和b分别显示了不同级别城市之间的春运流量。返乡高峰期的人口主要流向E级城市，分别占了各级城市流出人口的70%左右，各级城市流向D级城市的人口占流出人口的16%-22%，流向B级城市的人口占2-5%，只有很少一部分人口流向A级城市。离乡高峰期，流向A级城市的人口显著增多，占各级城市流出人口的20%左右，流向B、C、D级城市的城口比例也有增加，但是流向E级城市的人口比例显著下降，但仍占各级城市流出人口的30-40%。两个时段不同级别城市之间的人口流向揭示了劳动力人口从低等级城市向高等级城市迁移的特征。
(a) Returning period
(b) Leaving period Fig 7. Proportion of population from each grade to other grades 为探寻本文中的指标与城市发展的关系，我们将通过春运人口迁移数据计算出的城市吸引力指标与PageRank值与《中国统计年鉴2015》中的经济统计数据计算出的城市化率（城市人口占总人口比例）和区域生产总之（GRP）做了比较（图8）。
Fig 8. The realtion between indices based on migration data and social-ecomonic indices 吸引力指标与PageRank值都与GRP和城市化率呈正相关，但是相关系数较低，只有PageRank值与GRP的相关性较好。因此，通过人口迁移数据计算出的指标在一定程度上可以反映城市发展水平，基于人口迁移网络的PageRank值比基于人口迁移量的指标效果好。 春运人口流动数据可以作为人口迁移数据用来研究中国城市发展差异，但是需要利用人口迁移网络并结合网络分析的方法，才能更好地揭示人口迁移与城市发展的关系。通过人口迁移网络，还能够发现人口迁移的城市社区、划分城市重要性等级并且揭示不同等级城市间的人口流动规律。 参考文献 Xu et al. Difference of urban development in China from the perspective of passenger transport around Spring Festival. 2017, 87, 85-96. 素材来源：S3-Lab |
|
|
