陶坤旺 趙習枝* 藍玉珍 陳 頌 焦明連 張福浩

1(中國測繪科學研究院 北京 100830)

2(江蘇海洋大學海洋技術與測繪學院 連云港 222005)

1 引 言

人口流動是我國改革開放以來規(guī)模最大、意義最為深遠的地理過程之一[1]?？茖W地認識人口流動的時空特征，對于編制城鎮(zhèn)化發(fā)展、土地利用等各類空間規(guī)劃具有重要意義。傳統(tǒng)的人口流動研究主要依賴于人口普查、抽樣調查、問卷調查等方法，存在數(shù)據(jù)獲取困難、更新頻率低等問題。隨著大數(shù)據(jù)時代的到來，利用移動軌跡、手機信令等數(shù)據(jù)分析大范圍、長時序、多尺度的人口流動成為可能。其中，騰訊、百度等公司提供的人口遷徙數(shù)據(jù)能夠全面、實時地記錄全國人口流動情況，因而常被應用于人口流動的相關研究。如趙梓渝等[2]基于百度遷徙數(shù)據(jù)，利用有向加權轉變中心性和控制力的方法識別城市網絡層級結構，揭示了人口流動的二維空間特征和地理分布特征。

隨著我國社會經濟的發(fā)展，節(jié)日期間人員流動加劇。與其他節(jié)假日相比，人們對于春節(jié)回家過年的情感訴求更為強烈。因此，春節(jié)期間出現(xiàn)了我國規(guī)模最大、覆蓋范圍最廣的人口遷移現(xiàn)象——春運。春運是城市與區(qū)域間人口流動的縮影和集中反映，可通過春運來透視更長時間軸的區(qū)域人口遷移狀況。目前，針對春節(jié)期間流動人口的研究內容主要包括：人口流動時間序列變化[3-4]、空間格局[5-7]及春運對城市環(huán)境[8]和社會經濟的影響[9-10]等。劉海洋等[3]基于騰訊遷徙數(shù)據(jù)，對中國城市人口流動的時空特征進行分析發(fā)現(xiàn)，春運期間，人口流動在空間上形成了以省會城市為集散中心的集散體系，在時間上則形成以春節(jié)為界的返鄉(xiāng)潮和返工潮現(xiàn)象；Xu 等[11]利用社區(qū)聚類算法劃分中國城市網絡組團結構，并探討了城市群之間人口流動與城市發(fā)展的關系。人口流動的研究方法主要包括網絡分析、重力模型等；在數(shù)據(jù)源的選取方面以百度遷徙、騰訊遷移、微博簽到等數(shù)據(jù)為主；在空間尺度上，涉及全國、城市群、省域和城市；在時間尺度上，主要以短時序的春運研究為主[12-14]。如張宇等[12]從網絡、城際聯(lián)系和城市節(jié)點維度分析了客流網絡結構；趙梓渝等[13]基于百度遷徙數(shù)據(jù)，比較了改進重力模型與實測流之間的誤差，得出不同省份人口的距離衰減系數(shù)存在高低差異的結論。李濤等[14]基于騰訊位置大數(shù)據(jù)，通過改進的重力模型，探究城市群之間遷移衰減規(guī)律。

但上述研究，或基于某一年的數(shù)據(jù)源研究短時序人口流動規(guī)律；或以重點區(qū)域為研究區(qū)，研究小范圍內的人口流動時空分布，缺少長時序、多空間尺度的春運期間人口流動特征。針對上述不足，本文基于 2015—2018 年騰訊官方人口遷徙數(shù)據(jù)，通過網絡分析方法建立春運期間全國城市聯(lián)系網絡，分析城市網絡空間結構特征；通過DBSCAN 對城市人口流動時間序列進行聚類，探究城市人口流動時序特征；通過重力模型探討距離對城市間聯(lián)系的影響，以及春運期間人口遷入和遷出城市的時空分布規(guī)律。本文的主要貢獻有：(1)基于騰訊遷徙大數(shù)據(jù)，分析我國城市分布隨著人口流動呈現(xiàn)的城市群格局；(2)探究 2015—2018 年春運期間人口流動規(guī)律與類型，以期為今后的春運期間相關政策制定與城市管理的科學部署提供理論依據(jù)。

2 數(shù)據(jù)來源

本研究使用的數(shù)據(jù)來自騰訊遷徙數(shù)據(jù)?！膀v訊遷徙”是騰訊公司以用戶的移動定位信息擬算出來的無綱量數(shù)據(jù)，描述了汽車、火車、飛機 3種出行方式的人口流動情況。該數(shù)據(jù)以地級市為基本單位，統(tǒng)計每天各城市間的人口流入與流出情況，具有實時、大規(guī)模、連續(xù)觀測的優(yōu)點，但受平臺限制，只有排名前 10 的城市間人口遷徙記錄。本文通過各個城市間的人口遷入遷出記錄適當補充其他城市的人口流動情況，即a城市遷出至b城市的人口等于b城市從a城市遷入的人口，以刻畫出全國城市的人口出行特征。

本文選取 2015—2018 年春節(jié)期間的人口遷徙數(shù)據(jù)。其中，春運周期包括春節(jié)前 15 天和春節(jié)后 25 天，共計 40 天。數(shù)據(jù)覆蓋了 287 個地級市、7 個地區(qū)、30 個少數(shù)民族自治州、3 個盟，共計 327 個地級以上行政區(qū)劃。受平臺發(fā)布信息限制，上述數(shù)據(jù)不包括萊蕪市(2019 年被撤銷)、香港、澳門、臺灣和海南三沙市。

本文選取上述 327 個城市作為網絡節(jié)點，節(jié)點之間聯(lián)系強度作為值，構建有向網絡矩陣。部分網絡矩陣如表 1 所示。其中，源節(jié)點與目標節(jié)點為相互連接城市的行政代碼。

表1 部分網絡矩陣Table 1 Partial complex network matrix

2.1 研究方法

2.1.1 時空分析方法

復雜網絡具有小世界性以及無標度性，其實質是利用節(jié)點與邊表示一組事物之間的關系。因此，構建關鍵詞網絡需要明確節(jié)點與節(jié)點之間的關系。本文的網絡以城市為節(jié)點，一個城市到另外一個城市的連接作為邊，通過分析人口入度和出度可知，人口流動具有明顯的空間網絡結構。根據(jù)人口聯(lián)系強度構建人口流動矩陣S如公式(1)所示。

其中，S代表人口聯(lián)系強度，即作為邊的權重，常用的網絡分析指標如下。

(1)聯(lián)系強度

(3)模塊度

當某些節(jié)點關系特別緊密時，即可結成一個社區(qū)網絡。模塊度指標Q是衡量網絡社區(qū)劃分好壞的評價標準[15]，揭示網絡內部的局部集聚特征。其計算公式如公式(4)所示，當Q值在0.3～0.7 之間時，表明聚類效果較好。

(4)接近中心性

接近中心性[16]強調節(jié)點在整個網絡中的中心性，是該節(jié)點與網絡中其余所有節(jié)點最短距離之和，其計算公式如公式(5)所示。

利用 Gephi 工具分別計算模塊度、平均聚類系數(shù)、平均路徑長度等指標：模塊度反映宏觀整體的聚類效果；平均聚類系數(shù)用以表征微觀節(jié)點之間的關聯(lián)關系，反映“小世界”網絡特征；平均路徑長度可表征社區(qū)網絡結構的可達性，評價社區(qū)網絡的連通性能與組織效率。網絡矩陣數(shù)據(jù)結果如表 2 所示。

表2 網絡矩陣結果Table 2 Complex network matrix results

由表 2 可知，2015—2018 年春運周期的模塊度均在 0.5 左右，且平均值大于 0.5，說明全國城市網絡聚類效果較好；平均聚類系數(shù)在0.492～0.527 之間，聚類系數(shù)越大，“小世界”特征越明顯；4 年平均路徑長度接近于 3°，表明全國范圍內兩兩城市間平均需要經過 3 個中間節(jié)點城市才能實現(xiàn)通勤。

2.1.2 聚類方法

DBSCAN 是一種基于密度的聚類算法，由密度可達關系導出的最大密度相連的樣本集合作為一個簇[17]。該算法可在發(fā)現(xiàn)認識形狀空間簇的同時，有效處理噪聲點，被廣泛應用于圖像分析、機器學習、數(shù)據(jù)挖掘等領域。算法主要參數(shù)有鄰域距離Eps和鄰域距離內包含的最小樣本數(shù)目Minpts。算法流程為：(1)在空間中任選一點p，計算點p的Eps鄰域內點數(shù)量n；(2)若n＞Minpts，則表明點p是核心對象，創(chuàng)建以p為核心的集群標簽；(3)返回密度相連的點集合，將其Eps鄰域中的點加入該簇中，并確保與點p密度相連的所有點都在該簇中；(4)迭代計算(1)～(3)，直至沒有新的點可加入任意簇中時，聚類算法結束；(5)未被加入任何簇的點即為噪聲點。

本研究利用 DBSCAN 識別春節(jié)期間全國人口流動的各大城市類型，并借助k-dist圖經過多次迭代試驗選取最優(yōu)參數(shù)。

2.1.3 重力模型

為定量分析距離對省內、省際人口流動的影響，本文采用重力模型擬合中國城市省內、省際人口出行聯(lián)系強度與距離的關系。省內聯(lián)系指各省份內部城市之間的人口出行聯(lián)系；省際聯(lián)系指該省份城市與全國其他省份城市間的人口出行聯(lián)系。重力模型擬合公式為：

3 結果分析

3.1 城市人口流動網絡結構特征

本研究利用自然斷點法對全國城市關聯(lián)強度進行分類，可有效減少人為因素干擾。自然斷點法結束聚類的條件是組間方差最大、組內方差最小。每幅圖根據(jù)數(shù)據(jù)特點自動進行分類。圖 1 為2015—2018 年全國主要城市關聯(lián)強度。接近中心性越強的城市對人口的吸引力越強。本文使用ArcGIS10.2 中的自然斷點法，將 327 個城市按對外聯(lián)系強度值劃分為 5 個梯隊。2015—2018 年，接近中心性排名前 9 位的城市包括北京、上海、深圳、廣州、重慶、成都、杭州、西安和武漢，這些城市為第 1 梯隊，是經濟實力較強的城市，春運期間人口流動強度較大。它們的鄰居節(jié)點數(shù)量基本覆蓋了整個城市網絡，且均具備較大的經濟規(guī)模、便利的交通條件及充足的人力資源。該結果與向歆等[4]的研究發(fā)現(xiàn)有所不同，原因在于百度遷徙數(shù)據(jù)的缺失，向歆等的研究基于百度遷徙數(shù)據(jù)，但僅選擇了 2015 年和 2019 年的重合城市數(shù)據(jù)。研究結果中接近中心性排名靠前的城市只有北京、上海、重慶、廣州、深圳和成都。第2 梯隊是南京、昆明、長沙、鄭州、蘇州、哈爾濱、天津等具有行政地位的省會城市及中心性優(yōu)勢較強的城市。這些城市之間的網絡地位差異較大，行政等級高的城市人口流入流出能力略高于第 2 梯隊的其他城市；在時間尺度方面，第 2 梯隊的城市聯(lián)系強度在逐漸加大。第 3 梯隊是內江、資陽、湛江、銅仁等三線城市，以西部地區(qū)及經濟較落后城市為主，接近中心性明顯減弱。由此可知，我國經濟發(fā)展空間尺度上失衡，雖在“一帶一路”、“西部建設”的作用下，經濟平衡發(fā)展取得了一定的成效，但仍需加強西部建設。

圖1 2015—2018 年全國主要城市聯(lián)系強度空間關聯(lián)圖Fig. 1 Spatial correlation diagram of national urban connection intensity from 2015 to 2018

由于冬季北方氣候寒冷，越來越多人選擇在熱帶、亞熱帶氣候區(qū)的城市度過春節(jié)。廈門、三亞等城市旅游資源豐富、旅游業(yè)發(fā)達、環(huán)境優(yōu)美、冬季氣候宜人。所以在春節(jié)期間，與其他旅游城市相比，此類城市人口流動聯(lián)系度較高，且隨著經濟發(fā)展，呈逐年增加趨勢。2015—2018 年，東北三省、貴港、烏魯木齊、青島、太原等城市人口流動性持續(xù)減弱，說明這些城市的人口吸引力不足，側面反映出近年的發(fā)展狀況并不樂觀，證實了在快速城市化影響下，小城市的資源匱乏導致了人口流失。相對地，吸引力逐漸上升的城市為：佛山、無錫、徐州、嘉興、揚州等經濟綜合實力較強的城市。由上述信息可知，2015—2018 年，以工業(yè)為主的城市發(fā)展速度緩慢，對人才的吸引能力下降，經濟發(fā)展受到限制，而互聯(lián)網的蓬勃發(fā)展，使一些小城市抓住機遇，吸引了大量高技術水平人才，經濟得到了快速發(fā)展。

從路線來看，按照春運期間聯(lián)系強度大小排序，2015—2018 年春運期間人口流動強度排名前 8 位為：佛山到廣州、保定到北京、廊坊到北京、上海到蘇州、西安到咸陽、廣州到東莞、惠州到深圳和東莞到深圳。通過分析流動路線可知，2015—2018 年春運期間人口省內流動強度整體大于省際流動強度，城市間聯(lián)系緊密的大多為北上廣及東部沿海城市。在這些路線中，福建的廈門、泉州、漳州地區(qū)雖然地理位置較好、經濟發(fā)達且氣候具有一定的優(yōu)勢，但未進入全國城市人口聯(lián)系強度前 20 名，未能體現(xiàn)其區(qū)域職能及經濟優(yōu)勢。

3.2 春運期間人口流動時序分析

為探究在時間節(jié)點上全國城市流入流出特征，本文按照除夕前、春節(jié)假期、春節(jié)假期結束后 3 個時段(其中，除夕前為包含除夕夜當天的前 15 天；春節(jié)假期為初一到初七共計 7 天；假期結束為初八至年后二十五，共計 18 天，3 個時段共計 40 天)，計算研究區(qū)內各城市的每日凈流量。采用 DBSCAN 聚類方法，對春節(jié)期間全國范圍內各城市逐日人口凈遷移時間序列進行聚類，最終得到聚類數(shù)為 5，得到 2015—2018 年的聚類圖，如圖 2 所示。由圖 2 可知，2015—2018年人口流動規(guī)模具有明顯的“潮汐現(xiàn)象”，與劉海洋等[3]的研究結果一致，但聚類結果有所差異。通過自然斷點法得到的聚類結果忽略了城市的空間異質性；K-means受聚類過程中的異常值影響較大；而利用 DBSCAN 算法得到的聚類結果更能識別城市群之間的流動關系，如京津冀城市群、珠江三角洲城市群等。

由圖 2 可知，全國城市的人口流動主要表現(xiàn)為遷入轉遷出型、遷出轉遷入型。其中，遷入轉遷出型集中在中小型城市：衡陽、茂名、贛州、玉林、六安、徐州、保定等城市。這些城市大多位于人口大省和經濟欠發(fā)達省區(qū)，與劉海洋等[3]描述的春運期間人口流出省份一致。遷出轉遷入型表現(xiàn)為人口在除夕前從經濟發(fā)達區(qū)以及省會城市遷入到中國的中部、西部和東北三省，除夕后再遷回至原來的大城市，如：北京、深圳、上海、烏魯木齊等一線城市和省會城市。這些城市具有省行政中心、經濟優(yōu)勢以及良好的交通地理位置優(yōu)勢。與其他年份不同的是，2018 年遷出轉遷入型自春運開始持續(xù)至正月初二，可能由于春節(jié)前一部分人未買到返程票或其他因素無法在除夕夜前返回家鄉(xiāng)。總體來看全國人口流動的凈流量大致保持平穩(wěn)。

圖2 2015—2018 年全國凈流量圖Fig. 2 National net flow from 2015 to 2018

除夕前，2015 年的人口凈遷移最低點為深圳(713 070 人次)，成為人口凈流量最大的城市，其余 3 年最低點的城市均為成都，人口流出的方向逐漸轉向西部區(qū)域，成都的虹吸力顯著增強。除夕前，除 2017 年人口流入最高點是陽江市外，其他年份人口流入最高點均為茂名市，人口流入的城市形成“返工潮”。2015—2018年，人口流入城市逐漸增多，主要為東部的福建、山東、浙江，中部的河南、陜西、山西，北部的黑龍江、吉林，西部的貴州、云南、甘肅等省份。

除夕后，2015—2018 年正月初一開始，北京、成都、鄭州、武漢、西安、上海、長沙、昆明、廈門、蘇州等城市漸漸涌入人口，形成“務工潮”，原因是為了避免大規(guī)模返工高峰期，大部分人群選擇提前返工，這反映了我國春運時期流動人口分布的基本格局和人口遷徙的基本趨勢。人口流動在正月初六出現(xiàn)高峰，但部分人群正月十五后才開始返程，因此，正月十六將再次出現(xiàn)春運人口遷徙小高峰。其中，2015—2017 年的人口凈遷移最高點時間為正月初六，最高點城市均為北京。2018 年，人口凈遷移最高點時間為正月十六，最高點城市為鄭州，印證了河南省統(tǒng)計局發(fā)布的 2018 年河南人口發(fā)展報告：鄭州首次成為常住人口最多的城市[18]。

3.3 重力模型擬合與距離衰減規(guī)律

基于人口流動的城市緊密性仍遵循地理空間效應的制約，為分析春運期間不同時間段人口流動距離衰減特征，本文將 4 年數(shù)據(jù)劃分為除夕前、除夕后 2 個階段，并利用冪函數(shù)對重力模型進行擬合，具體擬合函數(shù)見表 3。

由表 3 可知，2015—2018 年除夕前，對內和對外聯(lián)系層面距離衰減系數(shù)β分別為 1.486 和1.774。從吸引力系數(shù)來看，除夕前對內聯(lián)系層面的e和f值為 0.781、0.659，對外聯(lián)系層面的e和f值為 0.715、0.644。表明隨著距離的增加，城市吸引力在逐漸降低，省內城市受到較強的交通流影響，全國省內城市展現(xiàn)出較強的外向吸引力。除夕后，對內和對外聯(lián)系層面距離衰減系數(shù)β分別為 1.402 和 1.599，對內聯(lián)系層面的e和f值為 0.712、0.891，對外聯(lián)系層面的e和f值為0.782、0.730。除夕前的出行距離均高于除夕后的出行距離，原因是節(jié)前人們“回鄉(xiāng)心切”所致。節(jié)后人口流動時間彈性較大，選擇出行的時間不局限于春運期間。因此，隨著距離衰減系數(shù)的增加，吸引力因子存在較小的偏差浮動。

表3 春運數(shù)據(jù)擬合Table 3 Spring Festival population mobility data fitting

由重力模型處理的數(shù)據(jù)可知，短距離出行人口集中在南部區(qū)域的廣州、深圳、廈門、漳州、泉州，中國西部的成都周邊和西安、咸陽之間，中部的鄭州、開封、合肥、六安以及東部的蘇州、無錫、杭州、紹興。隨著距離的增加，人口流動的強度越來越低，受地理鄰近效應影響更加明顯。長距離出行則形成了以京滬為核心的跨區(qū)域組團、廣深為核心的區(qū)域組團和成渝為核心的跨區(qū)域組團。

通過分析人口省際聯(lián)系數(shù)據(jù)，發(fā)現(xiàn)一些偏遠城市開始與大城市進行流動性互動，如西部貴州省的銅仁與重慶、中部的濟寧和北京建立聯(lián)系等。盡管上述城市之間的聯(lián)系偏弱，但是長距離的互動打破了城市之間的距離制約，使得中國城市間網絡結構表現(xiàn)出更強的空間自主性和網絡交互性。

4 結論與討論

4.1 結論

“騰訊遷徙”大數(shù)據(jù)基于位置服務，全程、實時、直觀地表達了城市之間的人口流動軌跡。本研究利用騰訊遷徙數(shù)據(jù)，分析了我國城市間人口流動空間布局。首先，通過不同時間的人口流動模式差異，構建了城市聯(lián)系網絡，在此基礎上，對城市間動態(tài)關聯(lián)關系進行分析，較為全面地反映了我國春運期間人口流動情況，并在一定程度上彌補了統(tǒng)計數(shù)據(jù)無法反映人口動態(tài)變化的不足。然后，基于人口遷徙凈流量數(shù)據(jù)，本研究探究了春運期間人口遷入和遷出城市的時空分布規(guī)律。主要結論如下：(1)從聯(lián)系強度來看：全國城市網絡呈現(xiàn)穩(wěn)定的“菱形”結構，鄰近省份之間形成組團模式，呈現(xiàn)出東強西弱的聯(lián)系強度差異。聯(lián)系強度大的城市關聯(lián)節(jié)點較多，北京、上海、深圳、廣州、重慶、成都、杭州、西安、武漢等城市具有較強的聯(lián)系強度；而沈陽、貴港、烏魯木齊、青島、太原等城市出現(xiàn)人口聯(lián)系強度衰減的現(xiàn)象。除“菱形”結構外，西北部和東北部的城市中轉和承接能力具有強大優(yōu)勢。(2)從凈遷移視角來看：除夕前，人口主要從一線城市及省會城市流出，流入城市主要為經濟不發(fā)達的中小城市，表明一線城市為主要的勞動力輸入型，而三線城市及三線城市以下為勞動力輸出型城市。春節(jié)假期后，城市輸入輸出表現(xiàn)相反，返工城市多為經濟發(fā)達及沿海的大城市。春節(jié)假期期間，大城市人流量最高是在正月初六，之后這些城市人口流動呈現(xiàn)下降趨勢，總體人口流進大于流出，直到正月十六突然上升，然后慢慢開始下降。(3)通過重力模型分析發(fā)現(xiàn)，2015—2018年省內流動性大于省外流動性，距離衰減效應明顯，人員流動主要發(fā)生在省內城市之間。

4.2 討論

春節(jié)對國人的特殊意義與情感價值造就了全國最大規(guī)模的人口流動。本文通過采集2015—2018 年春運期間，“騰訊遷徙”大數(shù)據(jù)平臺中國內 327 個城市之間的逐日人口流動數(shù)據(jù)，從長時序、多空間尺度的角度，充分研究了春運期間的人口流動特征。研究發(fā)現(xiàn) DBSCAN 算法可以更精準地識別城市群，并通過該算法得出的人口流動類型與對應年份中國的發(fā)展情況相吻合。但本文尚存有不足：(1)受數(shù)據(jù)限制，在分析城市間人口流動時，本文存在精度不足、覆蓋人口有偏和數(shù)據(jù)不連續(xù)等缺陷，雖然騰訊產品用戶廣泛，但仍有大量群體的日常流動行為未被記錄；(2)通過與多源數(shù)據(jù)的融合，可有效改善單一數(shù)據(jù)有偏和低精度的問題，但為保護隱私，騰訊數(shù)據(jù)的屬性信息并未公開，仍有大量出行路徑無法被拆解，不能完整識別用戶的出行。

在今后的研究中，可結合多源數(shù)據(jù)，進一步完善航運、私家車等出行方式的人口流動信息；還可從多個角度出發(fā)，識別精細尺度的城市結構體系，了解城市網絡的內在聯(lián)系，深入研究中國城市網絡的變化機制。