基于腾讯迁徙数据的泛珠三角春运期间人口流动网络的结构不均衡性研究
来源 | 广东省城乡规划设计研究院
科技集团股份有限公司
撰稿 | 国土空间创新所 李仁杰
审核 | 国土空间创新所 杨光辉 刘文凤
摘要
基于位置服务的人口迁徙数据能够直观、动态和详尽地描绘城乡居民日常活动的行为轨迹和时空特征。本文采用腾讯迁徙数据，通过时空统计和复杂网络方法分析泛珠三角地区人口流动的时空格局和结构特征。结果显示，泛珠三角地区人口日常流动的时空分异和层级鸿沟特征明显，春运期间总体呈现“S”型反向交互模式，各城市度中心性与所属层级高度耦合，时段演变趋势具有差分空间正相关关系，Ⅰ型、Ⅱ型城市度中心性及其波动幅度显著高于Ⅲ型、Ⅳ型；迁徙路线方面，省内流动呈现以省会城市为首、周边城市为辅的放射状结构，跨省流动主要表现为以珠三角地区为核心的扇形结构，同时伴有“两横两纵”4条高密度的迁徙走廊；结构均衡方面，Ⅰ型、Ⅱ型城市结构不均衡度较高，凭借强势的虹吸效应形成城市发展的外生驱动力，Ⅲ型、Ⅳ型城市结构不均衡度较低，与周边城市的共生性、对省会城市的依赖性较强，城市发展处于被极化的边缘位置。
关键词：腾讯迁徙数据；泛珠三角地区；春运；人口流动网络；结构不均衡
引言
人口流动是指人群在区域间移动以满足某种功能需要的时空过程，其作为要素空间再配置的特殊形式，无论对流出地或者流入地而言，均有推动经济社会发展的重要作用[1]。进入21世纪以来，伴随我国城镇化进程加速、城乡户籍体制改革和交通基础设施的完善，人地依存关系逐渐开始瓦解，经济发展水平差异刺激了区域人口流动的数量和频率迅速拔高。根据《2018年国民经济和社会发展统计公报》统计[2]，我国流动人口数量高达2.41亿人，约占全国总人口的17.3%，日渐呈现出规模化、日常化和多元化的特征。因此，人口流动成为非常值得探讨的话题。
人口流动作为跨学科的交叉领域，早期研究主要关注对人口流动机制的解释，国外学者分别从人口学[3]、运动学[4]、行为学[5]、经济学[6]、社会学[7]等方面进行研究，从而为后续研究奠定了理论基础。传统的人口流动研究范式多以宏观的全国人口普查、统计年鉴和1%人口抽样调查结合微观的调查问卷作为核心方法，研究内容涉及人口流动时空格局与驱动机制[8-9]、流动人口的空间集聚和社会融合[10-11]；人口流动的外部性影响[12-13]等内容。近年来，伴随智能设备的普及和数据挖掘技术的成熟，移动位置大数据开始广泛应用于人口流动的相关研究[14]。其中，一类主要通过构建人口流动关系矩阵，基于GIS分析和时空统计等方法，刻画多尺度人口流动时空格局、集散过程以及驱动机制，揭示人口流动的区域指向性、时序对称性和空间集聚性[15-18]；另一类主要是借鉴图论与复杂网络测度方法，从中心性、联系强度、社区结构等多角度刻画人口流动网络的结构特征[19-23]。以上两类较为成熟的地理流空间分析模式[24]，对于探究区域人口流动的规律及其映射的经济社会问题具有重要的科学创新意义，尽管其是否属于新的科学研究范式仍然有待进一步讨论[25]。
流空间的兴起与发展彻底颠覆了欧几里得空间建构的传统认知，地理要素的空间流动导致区域城市体系逐渐呈现出扁平化、网络化和去中心化的特征[26]。网络的关键在于“络”，即网络节点间的联系。城市节点受到网络优先连接趋势的影响，存在极化效应和网络不平衡现象[23]，导致区域城际关系的不对等或是网络结构的失衡。但就目前而言，关于人口流动网络结构不均衡特征的相关研究较为薄弱，已有研究侧重分析人口流动的空间集聚和结构联系特征，对于人口流动网络的城际交互关系和微观层面的城市稳定结构关注度不足，忽略了跨层级的城际人口流动对于网络本身的反身性影响。春运是全球规模最大、频率最高、具有明显周期性的人口迁徙运动，而泛珠三角地区城市层级分异特征明显，中西部省份发展水平较低且劳动资源丰富，既是珠三角地区主要的经济腹地和辐射范围，亦是东部沿海省份人口输入的主要来源地，人口流动密度高度集中，因而具有典型性。本研究基于腾讯迁徙数据构建了泛珠三角地区人口流动网络，以跨层级的城际人口互动关系作为基础，创新性地引入社会结构理论结合复杂网络方法，从人口流动的时空格局以及中心度、联系强度和结构不均衡度等微观角度探究网络结构的不均衡特征，其结果既有助于探究区域经济发展的差序格局，挖掘其潜在的经济社会问题，更好地发挥珠三角地区对西南地区的辐射带动作用，亦可给其他相关的研究提供经验，为推动区域的均衡发展与交通设施的建设完善提供科学参考。
01
数据来源与研究方法
1.1
数据来源
本文研究数据来源于腾讯位置大数据平台（https://heat.qq.com/）下基于位置服务（location based service, LBS）的人口迁徙轨迹数据，获取方法是访问腾讯位置大数据官方网站，选择泛珠三角地区“九省二区”共计120个城市的人口迁徙记录，通过抓取后台城际迁徙的人次数据，按照春运的官方定义，采样时间设为2018年2月1日至3月12日（共计40d），获取数据近9.6万条，基于度分布幂律检验与曲线拟合，发现该数据具有无标度和小世界特征，适用于复杂网络分析。需要说明的是，在综合考虑各方面因素后，本文在研究和分析过程中剔除了三沙市和其他的县级市，保留少数民族自治州和港澳特别行政区。
1.2
研究方法
1.2.1 K-均值聚类方法
K-均值聚类方法是广泛应用于数据挖掘领域的分割聚类算法，其运算逻辑是随机选择K个数据对象作为原始类簇中心，分别计算所有数据对象与类簇中心的欧式距离，并将其划分至最邻近的类簇中心内从而形成K个类别，再重新计算划分后新的簇类中心，重复迭代运算直至误差准则函数收敛为止，其缺陷是必须先验性地人为确定类别个数[26]。因此，本文结合数据挖掘工具Weka（Waikato Environment for Knowledge Analysis）的X-均值聚类方法确定类别数量，再通过统计软件SPSS进行K-均值聚类计算得出分类结果[27-28]。
1.2.2 差分空间自相关
空间自相关方法通常用以分析数据同一属性的空间相关性，通过构建空间权重矩阵计算不同地理实体的相关系数，基于Moran’s I、Z-Score和P-Value这3个指数用以分析地理实体是否存在集聚、离散和随机等空间分布模式。差分空间自相关方法与之类似，其主要用以分析数据同一属性的时序变化是否存在空间相关关系，表征该属性的阶段变化态势是否具有空间趋同性，从而识别变化趋势相似的地理实体空间集聚区域，本文通过空间分析软件Geodata完成差分空间自相关的计算过程。
1.2.3 复杂网络测度
（1）度中心性
复杂网络通常以中心性衡量某个节点在网络中的重要程度，表征该节点对整个网络的辐射和控制作用，常用的度量方法包括度中心性（degree centrality）、中介中心性（betweenness centrality）、邻近中心性（closeness centrality）、特征向量中心性（eigenvector centrality）和网页排名中心性（pagerank centrality）。其中，本文采用的度中心性是刻画网络节点中心性最直接和常用的度量指标，其计算公式[29]为：
式一
式一中：DCᵢ为节点i的度中心性，数值越大该节点越重要；aᵢⱼ为节点i与j的连接数量；n为节点数量。度中心性旨在求节点i与剩余节点连接数量和。
（2）联系强度
城际间出于维持正常的生产生活功能通常存在大量的物质、能量、资金和信息等要素的交换和联系，所形成的城际空间交互作用和城市节点共同构成城市网络。点和线是网络中最重要的组成部分，点构成网络的基本单位，线代表节点间的联系构成“络”，但不同节点、不同联系存在层级强度差异。因此，复杂网络中通常采用联系强度来衡量两两节点之间联系的紧密程度，其计算公式[30]为：
式二
式二中：CSᵢⱼ表示城市i与j之间的人流强度，数值越大说明在T时段彼此联系愈加紧密；Pᵢⱼ和Pⱼᵢ是城市i与j间双向人流量；Td代表T时段所包含的天数。
（3）结构不均衡度
结构不均衡度概念源于社会均衡理论，意指人际网络中的局部关系可能会影响整体结构的稳定性，仅当节点间形成共性的三角稳定关系时才可达到结构均衡[31]。人口流动网络中跨层级的城际流动过程中，势必存在一方主导和另一方被主导的格局，由此可判断两两间的关系不均衡甚至可能是核心—边缘式的对立关系。因此，本文将该理论引入复杂网络中，提出网络结构不均衡度的概念，通过计算表征网络集聚特征的聚类系数[32]和表征彼此连接关系的结构均衡比，两者相乘得到各城市的结构不均衡度，其计算公式为：
式三
式三中：SIᵢ为结构不均衡度；N'为跨层级节点连接数量；N''为同层级节点连接数量；kᵢ为与第i个节点直接连接的节点数量；Mᵢ为kᵢ个节点间实际连接边数。
02
人口日常流动时空特征
城市人口流动存在流入和流出两种状态，两者净差值称为净流量。净流量大于零表明该城市在特定时间内人口流入高于流出，城市总人口持续增加，从而将其定义为人口集聚，相反则为人口消散。本文以城市作为基本单元，分类汇总各城市逐日净流量与累积净流量，以此绘制时空变化趋势图（图1），可知泛珠三角地区春运期间的人口日常流动存在时序层面的不均衡性，体现为以年初二而非除夕作为分割线，节前的返乡潮和节后的返工潮呈现反向对称模式，元宵节后的返学潮形成人口流动次高峰。因此，本研究将2018年2月1日（腊月十六，春运开始）至2月17日（正月初二）、2月18日（正月初三）至3月2日（正月十五）、3月3日（正月十六）至3月12日（正月廿五，春运结束）分别定义为返乡期、返工期以及返学期3个阶段。
图1 泛珠三角地区人口流动逐日净流量时空变化
泛珠三角地区春运期间人口流动的时空分异规律总体可归纳为：
（1）春运起始日各城市净流量就已偏离横轴，与前文所述人口流动常态化的论述相符，少部分大城市人流开始消散，广泛的中小城市人口开始集聚，表明春运正式开始前返乡人潮就已出现。春运开启后人流的集散层级迅速拔高，广州、深圳、成都、长沙、南昌和厦门等核心城市人口急剧消散，茂名、衡阳、怀化和黔东南等中小城市人口缓慢集聚，此时消散的规模高于集聚的规模，层级鸿沟明显，城际关系失衡。
（2）逐日净流量时空变化以年初二作为时间节点，返乡期和返工期呈现人口集散状态的“S”型反向对称模式，区域核心城市变化趋势较陡而边缘城市则趋于平缓。返乡期各城市累积净流量变化呈现出核心城市总人口骤降而边缘城市总人口缓升的趋势，春节期间变化平缓，各城市总人口趋于饱和稳定，返工期核心城市总人口上升、边缘城市下降，前后呈现“U”型演变模式。
（3）返乡期人流集散高峰介于腊月廿四至廿九，集聚最高峰值于廿五茂名（338751人次）出现，消散最高峰值于廿四深圳（-359827人次）出现，集散状态持续到年初二；返工期的人流集散高峰介于正月初六至初八，集聚最高峰值于初七深圳（568656人次）出现，消散最高峰值于初八衡阳（-306917人次）出现，返工高峰一直持续到年初十。
（4）返学期受到大批在校大学生返校的影响，形成节后的返程人流次高峰。人流集散高峰多集中在正月十六出现，集聚峰值于正月十六南昌（436605人次）出现，消散峰值于正月二十贵阳（-297807人次）。无论是集散峰值或持续时间，返学期显著低于返乡期和返工期，集散高峰过后人口集散层级回归平稳水平。部分城市春运期间累积净流量均为正值或负值，春节前后人口流入流出不对等。
综上所述，泛珠三角地区春运期间的人口流动具有空间集聚性和时序差异特征。特定时期内的人口流动集聚和消散状态的交替变换构建而成的时间变化序列，能够较好地反映该地区人群出行需求潜在的变化特征[27]。因此，通过泛珠三角地区春运期间逐日净流量的变化序列构建人流集散序列，首先基于数据挖掘工具Weka进行X-均值聚类确定类别数量，再通过统计软件SPSS的K-均值聚类方法，将泛珠三角地区春运期间所有城市的逐日净流量时间序列作为因变量进行时空聚类，对所有城市进行层级划分（表1）。
表1 基于日常净流量时序变化的泛珠三角地区城市层级聚类结果
注：香港、澳门以跨国人口流动为主
由表1可知，泛珠三角地区120个城市共被划分为4个层级，同一层级的城市间存在相似的人口流动时空特征。Ⅰ型城市包含广州、深圳、佛山和东莞4个区域首位城市，此类城市经济发展水平较高，形成对泛珠三角地区巨大的人口“拉力”，凭借优越的地理位置和强势的虹吸效应，始终占据泛珠三角地区春运期间人口集散过程的主导地位。Ⅱ型城市由成都、福州、海口、昆明、长沙、南昌和厦门等区域中心城市组成，此类城市多为省会城市，在城镇体系中处于较高层次，能够发挥极化涓滴效用，承担区域发展中引领经济、功能辐射和交通枢纽的重要作用。Ⅲ型城市是以毕节、梅州、玉林和吉安等为代表的跨省交接地带的交通中介城市或是以株洲、南充、上饶和贵港为代表的位于重要交通走廊的节点城市，此类城市由于交通位置的独特性通常承担跨省交通运输和区域人口流转的重要作用。Ⅳ型城市由德宏、阿坝、河源和贺州等各省中小城市所组成，此类城市经济发展水平中等，人流集散波动较为稳定，其发展水平植根于区域发展状况，与周边城市共生性、对所在区域的省会城市依赖性较强，因此，此类城市发展处于被极化的边缘位置。香港、澳门作为国际型金融或旅游城市，其主要与全球的联系相对较为紧密，而与内地的联系也仅局限于珠三角地区，在泛珠三角地区人口流动数量较少，因而也被划到Ⅳ型城市。总体而言，Ⅰ型、Ⅱ型城市共同构成区域核心城市，Ⅲ型、Ⅳ型城市共同构成区域边缘城市，各个层级的城市数量呈现长尾分布特征，各个层级城市的数量和占比符合城市规模等级分布理论，表明层级分类具有科学性。
03
人流网络的结构不均衡性分析
3.1
中心性与差分空间自相关
泛珠三角地区春运期间各城市间人口集散的层级鸿沟表明各城市在区域间所发挥的功能作用存在差异，同时在整个人口流动网络中的重要程度也各有不同。基于人口流量矩阵建构有向加权网络，通过复杂网络分析工具Pajek测度各城市的度中心性以衡量其在网络中的重要程度，分时段累加平均得到时段中心性（表2），数值越高表明该城市在特定时段内的人口集散能力更强，对维持整体网络结构的鲁棒性效用更强。
表2 泛珠三角地区城市度中心性时空变化
由表2可知，城市的度中心性与其所属层级高度耦合，对比返乡期、返工期和返学期，Ⅰ型城市的度中心性均显著高于其他层级的城市，承担着泛珠三角地区人口集聚消散的核心作用，空间极化现象明显；同一层级内部的城市间亦存在梯度分异，例如深圳在返乡期、返工期和返学期的中心性分别为0.8026、0.7400和0.7437，广州的中心性分别为0.7966、0.7012和0.7681；东莞在返乡期、返工期和返学期的中心性分别为0.5014、0.4509和0.5076；佛山在返乡期、返工期和返学期的中心性分别为0.3338、0.2924和0.3538，低于广州和深圳但又显著高于其他城市，成为泛珠三角地区人口集散的副中心城市。Ⅱ型城市以及个别受地理区位或交通可达性影响的Ⅲ型城市，例如怀化、赣州、百色、毕节、玉林和黔东南等，各时段重要程度较为突出，度中心性大致处于0.15~0.3之间。广泛的Ⅲ型城市、Ⅳ型城市在各阶段的度中心性相对较低，大体位于0.05~0.15之间，少数城市如香港、澳门和儋州在各时段的度中心性均小于0.05，其原因在于香港和澳门作为国际都市，与全球联系相对较为紧密，而与内地的联系也仅局限于珠三角地区，所以度中心性相对较低，而海南省地级市数量少，与儋州相连接的城市多半为县级市，连接节点数量缺乏导致其度中心性相对较低。
时序差异方面，Ⅰ型、Ⅱ型城市在返乡期的度中心性普遍高于返工期，广州、深圳等区域首位城市返乡期和返工期的度中心性均高于返学期，而成都、长沙、昆明和南宁等区域中心城市返学期的度中心性通常高于返工期，说明就近返学比就近返工的概率较高，大学生多数选择就近返学。Ⅰ型、Ⅱ型城市相比Ⅲ型、Ⅳ型城市的逐日净流量变化趋势与度中心性起伏较大，人流存在不稳定性。因此，基于不同层级城市在各阶段的度中心性存在不均衡性，通过差分空间自相关方法分析返乡期、返工期与返学期3个时段各城市度中心性变化幅度的空间自相关性，识别出泛珠三角地区具有统计学意义的度中心性协同变化的集聚区域。
根据结果（图2），返乡期和返工期各城市的度中心性变化趋势存在空间集聚性，一阶差分全局自相关系数为0.280，P-Value与Z-Score分别为0.001和4.8469，对比返乡期和返工期两个阶段，珠三角地区度中心性普遍较高，偏远地区城市度中心性普遍较低，从而形成中心性变化趋势的“低—低”集聚区域。湖南、广西、云南和四川少数中小城市在人口流动网络中完全处于被动态势而呈现“高—高”集聚区域，存在节前人口少量流入、节后人口大批流出的现象，从而呈现出度中心性前低后高的格局，城市面临人口收缩困境。返工期和返学期各城市的度中心性变化趋势存在空间集聚性，一阶差分全局自相关系数为0.247，P-Value与Z-Score分别为0.001和4.1394，珠三角地区、海西地区和贵州东南部少数城市的中心性变化显著，呈现出“高—高”集聚的显著性区域，而变化不显著的区域占据绝大部分。
图2 泛珠三角地区人口流动累积净流量时空变化
3.2
城市联系与网络结构
基于泛珠三角地区春运期间城际间的人口联系强度，能够识别城际间依托交通网络建构的交互关系强度，进而剖析区域城市体系及其空间组织形式。综合各阶段城际间的双向人口流量，基于日均流量采用自然断点法从省内和省际两个维度剖析区域网络结构。
图3 泛珠三角地区省内人口流动网络结构
图4 泛珠三角地区跨省人口流动网络结构
省内层面（图3），广东以广州、深圳、东莞和佛山等珠三角地区内部人口流动强度最为密集，城市联系强度层级最高（≥111913人次），占据人口流动的主导地位，呈现出高度协同化、区域网络化的趋势；福建以福州、漳州、泉州、厦门和宁德为核心的沿海城市与南平、三明和龙岩为主体的非滨海城市构成沿海“链式”联系结构，其他省区呈现出以省会城市为核心、周边城市为辅的“放射型”联系结构，此类联系强度位于第三层级之上（≥28237人次）。省际层面（图4），凭借强势的虹吸效应，泛珠三角地区人口流动呈现以珠三角地区为核心的“扇形”结构，其中以广州、深圳、东莞和成都四个城市间的空间交互强度最高，成都—广州、成都—深圳、成都—东莞3条路线日均流量最高（≥111913人次），构成泛珠三角人口跨省流动的主轴。其原因是：首先，西南地区是珠三角地区首要的流动人口来源地；其次，成都作为西南地区发展水平、辐射强度最高的区域核心城市，是珠三角城市优先连接的对象，与其关系较为紧密。成都—海口、昆明—南昌、昆明—长沙、百色—宁德、贵阳—福州、贵阳—泉州6条跨省流动路线的流量显著高于其他路线，是西南地区人口往中、东部流动的次要路线，构成泛珠三角人口跨省流动的次轴。省内“放射型”和省际“扇形”的人口流动轴线并存，构成了泛珠三角地区春运期间人口流动的基本结构。
时序差异方面，相比返学期，返乡期与返工期省内流动可识别的城市体系所包含的城市数量更多、联系更加紧密，符合前文返学期人口流动集散层级低于返乡期、返工期的相关论述。返乡期和返工期珠三角地区的“扇形”辐射强度明显强于返学期，表明返学期珠三角地区人口流向更加分散。珠三角地区内部城市间的经贸往来和人口流动高度密集，其对于泛珠三角各个领域的辐射范围非常广阔，几乎涵盖各个省区，作为我国南方经济中心与对外开放的门户地区，其对泛珠三角地区的极化—涓滴效应高度明显。
3.3
结构不均衡度时空格局
城际人口流动网络存在结构不均衡关系，大城市往往与同层级的城市联系更加紧密，跨层级的城际联系重，低层级的城市总是处于被极化的劣势地位。通过计算聚类系数和不均衡比（表3）以衡量城际间人口流动网络的不均衡特征，聚类系数表征该城市与其它城市紧密联系、集聚成团的可能性，不均衡比则反映了该城市与其他城市间的双向互动关系，其中包含了跨层级间的不均衡关系（极化关系）和同层级间的均衡关系（竞合关系）。
表3 泛珠三角地区城市不均衡比与聚类系数
返乡期和返工期各城市聚类系数较高，人口流动呈现网络化特征；返学期各城市聚类系数较低，人口流动呈现分散化特征。Ⅰ型、Ⅱ型城市在泛珠三角地区人口流动网络中聚类系数偏低，如广州在返乡期、返工期和返学期的聚类系数分别为0.2107、0.2040和0.1870，深圳依次为0.2224、0.2088和0.1941，其网络连接方式倾向于广泛的发散性连接，与其存在人流联系的城市数量众多。Ⅲ型、Ⅳ型城市聚类系数相对较高，如梅州分别为0.7059、0.7124和0.8000，玉林依次为0.6831、0.7200和0.7000，其连接方式倾向于与周边城市集聚成团形成共生关系，或与省会城市固定连接形成单向依赖关系。广州、深圳和厦门等城市不均衡比均大于1，在网络中处于主导地位；云浮、楚雄和铜仁等城市不均衡比均小于1，在网络中处于劣势地位。返乡期、返工期和返乡期3个时段不均衡比大于1的城市占所有城市数量的63.34%、62.50%和62.50%，同时，伴随城市层级越高，结构不均衡比也相应越高，两者存在正相关性。Ⅰ型、Ⅱ型城市不均衡比远大于Ⅲ型、Ⅳ型城市，其对外与Ⅲ型、Ⅳ型城市连接占据多数，其经济社会发展驱动主要通过虹吸效应获取Ⅲ型、Ⅳ型城市的资源要素输入。Ⅲ型、Ⅳ型城市主要与同层级城市连接，其经济发展主要依靠与区域城市的贸易往来、劳动力均衡流动以及接受先发城市的产业转移，城市生产功能以满足城市内需的非基本活动为主。
图5 泛珠三角地区城市结构不均衡度空间分布格局
城市结构不均衡度由泛珠三角地区各城市不均衡比和聚类系数两两相乘得到，采用自然断点法对结构不均衡度的空间格局进行可视化，用以表征人口流动网络中城际联系的不均衡性（图5）。由图5可知，泛珠三角地区Ⅰ型、Ⅱ型城市结构不均衡度较高，即东南沿海地区的经济先发城市和内陆省会城市普遍占据人口流动的主导地位，其不仅与大城市优先连接，并与数量众多的中小城市存在连接，利用虹吸效应吸纳区域人口资源，加速区域的不均衡化发展；结构相对均衡的城市广泛分布于中西部，尤其是云贵高原等偏远山区数量较多，城市层级多为Ⅲ型和Ⅳ型。针对不同的省份而言，城市的结构不均衡度与经济发展水平存在密切关联，广东结构不均衡度空间集聚明显，珠三角地区的城市极度不均衡，广州、深圳、东莞、佛山和中山结构不均衡度均＞4.0，对泛珠三角地区的人口虹吸作用显著，粤东、西两翼次之，湛江、揭阳结构不均衡性均＞2.0；贵州、江西结构不均衡度空间分布较为均匀，广西除南宁不均衡度较高外，西南地区出海的重要门户城市贵港的结构不均衡度亦相对较高。
时序差异方面，返乡期和返工期人口流动强度较大，结构不均衡度普遍高于返学期。城市结构不均衡度反映了城际间层级互动关系，城际间的要素流动存在富人俱乐部现象，大城市与同层级城市优先连接，可能造成“强者恒强”的格局[23]。另外，结构不均衡度亦反映了城市交互的实质，即大城市与数量众多的中小城市存在联系，反映城际间的极化—涓滴效应，结构不均衡的城际关系可能带来区域发展的马太效应，从而造成中小城市的人口收缩与环境破败，扩大区域贫富差距，影响区域均衡化发展。
04
结论与讨论
4.1
结论
本文研究泛珠三角地区春运期间人口流动网络的结构不均衡性，可得出以下结论。
（1）泛珠三角地区春运期间人口日常流动具有显著的时空差异特征，从而可以划分返乡期、返工期和返学期3个时段以及Ⅰ、Ⅱ、Ⅲ、Ⅳ型4个城市层级。城际间人流集散层级存在明显的层级鸿沟，返乡期和返工期以大年初二为界，总体呈现“S”型的反向对称模式，元宵后形成人流次高峰，但返学期人流强度明显低于前期。
（2）泛珠三角地区春运期间各城市人口流动网络的中心性存在空间极化现象，广州、深圳等区域首位城市度中心性高且不稳定，占据人口流动过程的主导地位，各地以省会城市度中心性较高，中小城市中心性较低而波动性较弱。泛珠三角地区“春运”期间各城市度中心性一阶差分存在空间正相关性，Ⅰ、Ⅱ型城市返乡期和返工期中心性显著高于返学期。
（3）泛珠三角地区春运期间人口流动网络中，省内流动以珠三角核心城市间人流联系最紧密，其他地区以省会城市为首、周边城市为辅构成放射型城市体系。跨省流动以珠三角为核心呈现扇形结构，其中，成都与珠三角联系最强，成都—海口、昆明—南昌、昆明—长沙、百色—宁德、贵阳—福州、贵阳—泉州6条线路构成东西跨省流动的主要廊道。
（4）泛珠三角地区春运期间人口流动网络中，各城市的结构不均衡度存在空间异质性，东南部沿海发达城市以及省会城市结构不均衡度较高，在人口流动网络通过马太效应吸收境外劳动力和人才资源；中、西部欠发达地区城市结构不均衡度较低，其面临中心城市的虹吸作用，海南、江西和贵州的城市结构不均衡度分布较为均匀，城市体系较稳定。
4.2
讨论
（1）腾讯位置大数据仅显示各个城市迁入和迁出中热度前十的路线，因此所获取的数据并非全样本的数据；其次，腾讯迁徙数据是基于使用腾讯产品（如腾讯地图、微信、QQ等）统计的实际用户人数，已经非常接近真实的流动人次数据，但仍非全部人流数量；最后，研究过程中带有先验性知识，可能存在先入为主地将泛珠三角地区划分为若干层级城市从而进行深层次的探究，而非客观地描述该地区人口流动的时空与网络特征。
（2）影响人口流动的因素是错综复杂的，泛珠三角地区人口流动集散层级与经济发展水平高度耦合，表明人口流动仍是个体追求经济效益最大化的博弈过程。伴随高速铁路和城际轨道交通的完善，“时空压缩”和可达性增强背景下人口流动的成本逐渐降低，推动了人口流动的强度和频率显著提高；其次，城市的包容度、城镇化率、生活环境、人口基数、产业互补层次以及交通完善程度等派生因素，能够影响人口流动的方向和强度，同时人口流动对其亦具有反塑作用；最后，社会文化因素影响人口流动最为深远，地方认同、传统节庆等影响人口流动的时效性，多数传统节日对人口流动的影响都超越了现代的国际节假日。
（3）泛珠三角地区概念的提出是基于21世纪初经济全球化、区域一体化背景下内陆省份和珠三角地区之间的产业匹配与资源互补情况，如今，泛珠三角地区人口流动网络存在显著的极化和不均衡现象，既要推动广泛的中西部落后地区的交通基础设施建设，提高城市可达性与竞争能力，构建与沿海城市相互匹配的产业关系，加强与发达城市间的联系，积极推动区域一体化进程，通过广泛的竞争合作而非仅是虹吸效应，推动区域整体的发展。
参考文献：
[1]DE HAAS H. Migration and development: a theoretical perspective[J]. International migration review, 2010, 44(1): 227-264.
[2]国家统计局.2018年国民经济和社会发展统计公报[EB/OL]. (2019-02-28)[2020-05-15]. http://www.stats.gov.cn/tjsj/zxfb/201902/t20190228_1651265.html.
[3]RAVENSTEIN E G. The laws of migration[J]. Journal of the statistical society of London, 1885, 48(2): 167-235.
[4]BOGUE D J, HAUSER P M. The study of population, an inventory appraisal[M]. Chicago: University of Chicago Press, 1959.
[5]LEE E S. A theory of migration[J]. Demography, 1966, 3(1): 47-57.
[6]SCHULTZ T W. Migration: an economists view[M]//MCNEILL W H, ADAMS R S. Human migration: patterns & policies, Bloomingten/London: Indiana university press, 1978.
[7]CHEN T, LASKER B. Emigrant communities in south China: a study of overseas migration andits influence on standards of living and social change[M].,NewYork: Institute of pacific relations, 1940.
[8]张耀军,岑俏.中国人口空间流动格局与省际流动影响因素研究[J].人口研究,2014,38(5):54-71.
[9]李扬,刘慧,汤青.1985—2010年中国省际人口迁移时空格局特征[J].地理研究,2015,34(6):1135-1148.
[10]马志飞,尹上岗,张宇,等.中国城城流动人口的空间分布、流动规律及其形成机制[J].地理研究,2019,38(4):926-936.
[11]肖子华,徐水源,刘金伟.中国城市流动人口社会融合评估:以50个主要人口流入地城市为对象[J].人口研究,2019,43(5):96-112.
[12]杨传开,宁越敏.中国省际人口迁移格局演变及其对城镇化发展的影响[J].地理研究,2015,34(8):1492-1506.
[13]何鑫,田丽慧,楚尔鸣.人口流动视角下中国房价波动的空间异质性[J].人口与经济,2017(6):43-57.
[14]裴韬,刘亚溪,郭思慧,等.地理大数据挖掘的本质[J].地理学报,2019,74(3):586-598.
[15]赵梓渝,王士君.2015年我国春运人口省际流动的时空格局[J].人口研究,2017,41(3):101-112.
[16]赵梓渝,魏冶,庞瑞秋,等.中国春运人口省际流动的时空与结构特征[J].地理科学进展,2017,36(8):952-964.
[17]冯章献,张瑜,魏冶,等.基于百度迁徙数据的长春市春运人口流动时空格局与动力机制[J].经济地理,2019,39(5):101-109.
[18]刘望保,石恩名.基于ICT的中国城市间人口日常流动空间格局:以百度迁徙为例[J].地理学报,2016,71(10):1667-1679.
[19]赖建波,潘竟虎.基于腾讯迁徙数据的中国“春运”城市间人口流动空间格局[J].人文地理,2019,34(3):108-117.
[20]刘海洋,王录仓,李骞国,等.基于腾讯人口迁徙大数据的黄河流域城市联系网络格局[J].经济地理,2020,40(4):28-37.
[21]潘竟虎,赖建波.中国城市间人口流动空间格局的网络分析:以国庆—中秋长假和腾讯迁徙数据为例[J].地理研究,2019,38(7):1678-1693.
[22]魏冶,修春亮,刘志敏,等.春运人口流动透视的转型期中国城市网络结构[J].地理科学,2016,36(11):1654-1660.
[23]魏冶,修春亮,王绮,等.中国春运人口流动网络的富人俱乐部现象与不平衡性分析[J].人文地理,2018,33(2):124-129.
[24]裴韬,舒华,郭思慧,等.地理流的空间模式:概念与分类[J].地球信息科学学报,2020,22(1):30-40.
[25]吴志峰,柴彦威,党安荣,等.地理学碰上“大数据”:热反应与冷思考[J].地理研究,2015,34(12):2207-2221.
[26]CASTELLS M. The rise of the network society[M]. Oxford: Blackwell, 2000.
[27]周世兵,徐振源,唐旭清.K-means算法最佳聚类数确定方法[J].计算机应用,2010,30(8):1995-1998.
[28]萧世伦.方志祥,陈碧宇,等.城市人群活动时空GIS分析[M].北京:科学出版社,2018:147-149.
[29]WASSERMAN S, FAUST K. Social network analysis: methods and applications (structural analysis in the social sciences). New York: Cambridge University Press, 1994.
[30]王姣娥,焦敬娟,金凤君.高速铁路对中国城市空间相互作用强度的影响[J].地理学报,2014,69(12):1833-1846.
[31]HEIDER F. Attitudes and cognitive organization[J]. The journal of psychology, 1946, 21(1): 107-112.
[32]刘劲松.基于社会网络分析的世界天然气贸易格局演化[J].经济地理,2016,36(12):89-95.
声明：本文首发于《现代城市研究》，经作者授权，特转载分享，以供交流。
近期阅读推荐