文摘

随着大数据的出现,使用网络数据描述旅游已逐渐成为一种趋势。腾讯迁移大数据可以完全动态,立即和视觉记录人口迁移的轨迹与基于位置服务技术。这里,每天346个城市的人口流动数据在中国春节期间的旅游高峰是结合不同的旅游模式测量空间结构和空间格局的城际旅行的中国居民网络。这些数据被用于全面描述城市的人口流动之间的复杂关系。结果表明,城市网络的特征有明显差异的角度不同的旅行方式。航空旅行的城际流动显示与国家中心城市为核心的中心-外围结构分布。乘火车旅行显示中心-外围结构与城市国家铁路动脉为核心。这种向内陆城市逐渐减少。此外,城际公路旅行表示空间流动模式匹配的强大的本土聚合人口规模。

1。介绍

通过强调社会和经济因素,网络人口流动可以开发。例如,社会网络分析是一个重要的跨学科研究方法,近年来从的角度的行为主体之间的关系。人口的迁移和流动被认为是在太空中活动与生产要素分配。这些因素促进reagglomeration和扩散的社会和经济因素1]。旅行有一个明确的来源和目的地,与人口流动在一定期限内,连在一起,就构成了一个人口访问网络。人口旅行网络依赖于一个城市网络,网络节点城市。人口流动的方向和强度表示节点之间的关系。流动人口的出现,不仅改变了人口的空间分布,也影响着区域经济的发展(2]。它扮演着一个重要的角色在促进城市和农村经济的发展,促进城市化,升级产业结构,优化地区劳动力资源配置(3]。2016年中国流动人口发展报告估计,2015年中国流动人口达到2.47亿,占总人口的18%。此外,中国人口的流动方向发生了变化,近年来,随着劳动力,特别是农民工,返回从东部沿海城市中部和西部的城市,和劳动和资源密集型产业向中西部地区转移(4]。

世界各地的人口流动的现象不容忽视在当今时代的发展。城市之间的流动人口是由一种特殊的网络结构(5]。魏et al。6)提出,人口流动网络是一个典型的directed-weighted地理网络。大多数现有的研究在中国流动人口集中在春节(2,7]。然而,一些学者分析了人口流动的特点,在国庆和随后的中秋节1]。在选择数据,大多数研究人员传统上使用省人口普查数据和抽样调查数据(8- - - - - -10]。然而,随着全球化和信息技术的快速发展,传统静态数据用于研究无法满足空间分析的要求。它更难以探索日益复杂的城市使用这些数据之间的关系(11,12]。人口普查不能准确地掌握日常城市之间流动的规模和流入和流出的特点,也不能获得人口迁移的路线和方向在一个相对连续的时间间隔。这是因为它只专注于一个特定的时期,或分析了人口流动的macro-patterns长期进化的法律。因此,它是不可能分析日益复杂的城市从流量的角度空间之间的相互作用(13,14]。

作为城际联系和交互的直接表示,人口迁移一直是一个热点问题,地理学家(15]。目前的研究集中在长途城际旅行网络由航空(16),每日城际交通网络由高速铁路(17],城际旅行网络的特点和旅游模式基于含时微博“签到”数据和网络关注数据18]。依靠居民的交通路线城际旅行是重要的工具对于城市内部和外部连接,和他们反映的能力和程度的城市连接和沟通(19]。在某种程度上,交通路线可以被视为基本的支持和城市网络空间结构的关键环节。随着社会经济的发展,“时空压缩”效应引起的高速旅行模式,高速铁路和航空等,极大地提高了居民的流动性。城际旅行是联网的,综合的、动态的、和个性化,时间和mode-dependent。城际旅行网络具有不同时间尺度和模式能反映复杂的地理空间连接。

在全球化的影响下,城市空间的发展从当地空间流动空间。城市之间的联系形成一个分层网络;横向连接节点之间强调的重点是在这样一个网络模型。近年来,城市网络的研究已经成为地理学的新范式。地理学家在这一领域寻求识别城市节点的重要性和特征属性和分析城市网络的层次结构和相关性(20.]。一些地理学家认为,全球城市的中心是指挥和控制全球资本。他们用一系列的网络分析指标,如学位中心,中间性中心,靠近中心,揭示网络节点的重要性(20.]。全球城市网络研究中基于指数学位中心,中心和权力通常是相等的。Boschken [21男性)和艾德森和Beckfield22)描述了全球城市网络的位置。然而,“全球城市影响力,前提是他们能影响内陆城市23]。库克et al。24)指出,当专注于经济交流,占主导地位的交流(有更强的权力)更容易控制和影响交换行为,相比与大量的潜在机会(更高的中心)。然后,Zachary提出递归中心和递归的概念在2011年(25),并更名为他们分别alter-based中心和alter-based力量(26]。此外,他认为,在世界城市网络的集聚资源元素,如劳动、资本和信息进入世界城市和向外扩散的资源元素从世界城市中心的所有性能。中心的统一资源聚集和扩散。能力代表了一个城市的影响力和主导地位的过程中资源循环。城市的电力是由网络的位置和作用。尼尔(25画了两个假想的世界城市网络结构图。他认为,相比之下,更大的中央节点网络是“中央,但缺乏动力,”和中央节点规模较小的网络是“权力,但相对缺乏中心。“通过递归,Neal解释说,城市中心和权力不仅取决于网络连接还在资本的规模容量(如经济、文化、和其他类似的表示)和相关的分支(27]。因此,我们选择这两个指标的综合评价一个城市在网络的状态。

本研究的目的如下:(1)评估的城际旅游特征和强度三个旅行网络春节期间的旅游高峰使用人口流动数据,模拟的道路在中国346个城市的人口流动过程;(2)探索三个旅行网络空间差异,并揭示了复杂的城际旅行网络的结构特点;(3)分析中国城市网络的空间结构和测量城市网络的层次结构和聚合不同的旅游模式下空间格局;和(4)探索城市网络特征的差异在不同的旅游模式,讨论时空大数据的合理性和必要性日常人口流动的研究中。

2。相关工作

网络是由抽象的节点和边的连接节点,它抽象地描述复杂和客观世界交织在一起28]。城市区域空间中不是孤立的。他们有一个复杂的相互作用,从而形成城市网络与一个特定的空间结构和功能组织(29日]。通过交换材料、信息、金融和人口流动在城市中,城市和地区之间的互动和互补优势加强,形成复杂网络的不同尺度和水平30.]。这种网络以城市为中心的元素循环介质。它形成的空间结构节点、轴线和域在一定区域。在全球化加速发展的背景下,西方发达国家的城市体系逐渐呈现出的趋势从hierarchical-scale模型转换到一个网络模型31日]。这促使学者们改变他们的视角,重新审视新城市的空间结构。注意力的焦点也从urban-hierarchical规模、空间形式和功能演变到城市的结构和关系网络(2,6,32]。卡斯特(33)提出了“空间流动的概念。“流,网络和网络节点是概括为基本元素的“流空间。”其中,信息流动、人口流动和资本流动被认为是流元素,和公司、企业、城市、国家和被视为网络节点。不同的流元素产生不同的网络节点。不同的网络节点的属性影响流的运动元素,以及整个网络的模式。城市等级体系的转换和功能部门系统共同驱动的“流空间”和传统的“本地空间。”的出现,“流空间”使传统的集中地点模型;基于理论的层次,它逐渐变成一个开放的、基于流程的方法,多中心网络模型(34]。徐et al。2)使用网络分析揭示迁移数据和城市发展之间的关系。

随着互联网技术的发展和智能终端,居民访问数据的收集和分析已经多元化了。大数据的时代可以获得居民运动模式通过大规模时空轨迹的粒度。移动计算设备可以使用地理定位跟踪个人空间运动和记录时空数据长时间与精度高(总线磁卡记录,社交网络“签到”数据,出租车的运动,等等)(35,36]。在中国,许多互联网公司为用户提供基于位置的服务,如百度、腾讯和新浪。本研究的数据来自腾讯迁移大数据平台(https://heat.qq.com/qianxi.php),下载使用Python。这些数据主要是通过第三方用户使用腾讯提供的位置服务的定位数据。它涵盖了大多数用户的完整的长途和短途旅行的行为以天为统计单元。数据对儿童、老年人和那些不使用基于位置的服务不可用。在某种程度上,这样就避免了低估造成的数据和虚拟增加短途和长途旅行。同时,地理信息技术的不断发展促进了数据收集、存储、分析和可视化,并提供更大支持访问网络的结构特性研究[37,38]。

最近,许多学者已经使用人口旅行数据关于航空(39,40)、铁路(41),和高速铁路42)总结国家客运交通网络的空间关系。一些学者进行了比较研究中国高速铁路和航空网络的区域空间组织和揭示法律[27]。这些研究丰富了研究不同尺度的城市网络系统在某种程度上。然而,他们专注于空间连接和城市之间的相互作用的角度单一类型的交通流量。城际旅行网络而言,研究人员主要关注使用长途旅行调查和交通调查数据直接揭示城际旅行网络的特点。Limtanakool et al。43)显示不同的行为和网络结构的异质性在不同类型的基于调查数据对长途旅行区际旅游在欧洲。德蒙蒂et al。44]分析了城际旅行的结构特点(上下班)在意大利使用复杂网络的方法。基于数据关于美国航空流,尼尔(45)系统地讨论了网络的特点,不同类型的航空流(即、商业流、旅游流)和不同季节的航空流(即夏季和冬季)。高精度时空信息从定位服务流动人口提供充分和准确测量流量数据为研究旅游和人口流动。李等人。32)用百度迁移数据分析人口流动特性在中国春节期间。魏et al。46]分析了中国城市网络的特点在过渡时期。这些研究使用大数据来分析个人和群体行为,并反映了空间行为、空间认知、和连接模式。这些数据可以用来反映个人和团体的决策关于他们的时空行为,并成为旅游研究的一个热点研究前沿和人口流动。

3所示。方法和数据来源

我们使用复杂网络分析的方法来识别和分析中国居民的结构特点在一个城际旅行网络通过使用占主导地位的流量等指标,alter-based中心,alter-based力量,聚类系数和网络集群结构分析。

3.1。占主导地位的流

占主导地位的流分析方法首次提出了Nystuen和达西471961年)。它是一个成熟的方法,简化了分析的城市网络(37]。简单,方法包括判断一个城市的位置在城市系统的基础上,从一个城市流到另一个主要因素,包括最大优势流,第二个主导流和其他更高的主要流动(48]。在这项研究中,我们使用主流流分析来识别一个城市在宏观尺度的状态。流的选择因素是人口流动强度下不同的旅游模式在春节期间旅游高峰20.]。

3.2。Alter-Based中心和Alter-Based力量

腾讯提供人口迁移数据迁移的方向和强度在各城市在一天内不同模式下旅行。在此基础上,我们构建了一个双向的矩阵l= (l_ij)来描述人口流动的一天,l_ij人口从城市流强度吗我城市j。有346×346定向加权矩阵不对称。

人口流动的重量R_ij城市之间我和城市j计算,被认为是该指数计算alter-based中心和alter-based力量:

在测量城市alter-based中心(alter-based权力),需要考虑相关的城市在城市测量的影响。的数据,有某些城市之间人口流动数量和卫星城市。例如,廊坊占绝大多数的人口流动与北京联系在一起。作为一个国家经济和文化的中心,北京有一个相对高度的中心,导致间接增加在廊坊的中心。添加依赖参数”d_ij“可以纠正这种现象,中心的结果是难以描述的。城市网络的状态和整个网络城市的中心地位和权力的结果往往收敛。相比之下,一个城市的地位和资源平衡关系将会增加,而卫星城市的地位将显著下降。这是更符合实际发展的城市20.]。公式如下: 在WDC_我的加权学位中心城市吗我。基于修正,公式alter-based中心和alter-based权力如下:

3.3。聚类系数

聚类系数是用来描述节点的互连级别(28]。当某些节点是紧密相连的,他们可以形成一个集群网络。我们计算了聚类系数如下: 在哪里C_我聚类系数,B_我是节点的相邻节点之间的路径米_我。

3.4。数据源

本研究的数据来自腾讯迁移大数据平台(https://heat.qq.com/qianxi.php)。腾讯是最大的Internet-integrated服务提供者和互联网企业之一,中国最大的服务的用户数量。它主要包括社交网络、通信、游戏和其他方面。代表服务是微信的,QQ,腾讯的软件。微信的月度活跃用户达到11.5亿,2018年和QQ月度活跃用户达到6.5亿。无处不在的智能设备,在中国腾讯用户的数量在增加,这些数据可以覆盖大部分地区和用户。这也是一个新的研究方向研究的人口流动。

腾讯沉重数据是一个增值服务,腾讯获得移动终端用户的位置信息通过无线通信网络或外部定位的基础上,基于位置的服务。用户提供相应服务的地理信息系统平台的支持。今天,手机被广泛使用,有定位功能。因此,可以记录用户的轨迹。这样,大量的个人移动信息可以收集。腾讯位置数据是在保护用户隐私的前提下获得的。这些数据是每24小时更新一次,覆盖大部分的旅行路线。当然,数据也有缺点,在24小时内未完成的旅行被拆卸。这些数据主要是通过Excel表显示,包括起点、终点,乘飞机旅行的人数,火车和汽车。为了研究城际旅行网络的空间结构在中国,我们选择346县以上城市为研究对象。 We used data from 346 cities regarding trips taken by air, train, and road to represent the spatial correlation intensity of Chinese cities from the perspective of aviation, railways, and highways. Other geographic data were obtained from the National Geomatics Center of China. Figure1显示的位置在中国的主要城市。图2在中国显示了地市级城市的人口。

春节旅游热潮是一个独特的社会和经济现象在中国在转型期间。它主要是指全国高压引起的各种交通模式,大规模的人口迁移。中国春节旅游热潮不仅旷日持久,大规模的人口流动,但也有各种各样的目的(例如,大学生和农民工回家访问父母和亲戚,并游览)。据中国官方报告,流动人口近30亿2018年春节期间的旅游高峰,占世界人口的三分之一。考虑研究时期的代表性与类似的研究和比较,我们选择了40天城际旅行在春节期间中国居民旅游的数据作为建筑物的基础网络。分析时间从2月1日到3月12日,2018年。大量的居民出行量的背后是人口与区域经济发展之间的不平衡。在这项研究中,基于人口的日常数据流在2018年春节期间的旅游高峰通过腾讯定位服务,我们建立了旅行的关系网络的居民在不同的旅游模式。我们分析了中国城市网络的空间结构的差异在不同的访问模式,并提供了一个新的视角研究城市网络结构。通过研究城际旅行网络的空间结构的中国居民通过不同的旅游模式,多个人口迁移的空间特点,居民出行量、城市网络可以从不同的角度揭示了。 This makes up for the one-sided conclusions drawn from the single-trip mode in the existing research and enriches the regional cognition of the spatial relationship between cities in China.

4所示。结果

4.1。城际旅行模式的居民

我们利用ArcGIS可视化人口流动路线和强度在不同的旅游模式。图1显示了自然断点采用分类方法根据铁路分类标准。为了更清楚地显示人口水平流动的特点,第一级行没有显示在图。作为一个整体,人口流动路线三种旅行模式下所有显示的模式在西部和东部的密度稀疏。高人口流动路线集中在东区的“Huhuanyong线。“从中国的角度作为一个整体,有不同程度的空间差异和空间相关性的空间连接强度和空间连接的地市级城市的旅游模式,互动及其层次结构特征:(1)从航空流(图的角度3(一个)),居民旅游与北京成立了一个“钻石”结构,上海,Guangzhou-Shenzhen,成渝为核心。东部区际交织的现象是很有意义的。有很多长途路线,其中大部分都是经济基础与发达的城市,如Shanghai-Chongqing Chongqing-Beijing,京沪、Shenzhen-Shanghai。这些路线的人口流动是超过189万人。此外,还有路线与西安,贵阳,武汉和南京950万至189万人,扩大“钻石”结构。中国西南、西北和东北有更少的航空路线。他们中的大多数将在东部省会城市和经济发达城市之间,和乘客的数量少于950000。东北三省与中国密切相关。五省的内蒙古,新疆,西藏,青海,甘肃有一些互相连接线路。在航空旅行网络,人们最有可能选择航空旅行旅行时之间的距离(图1000和1500公里4)。它有长途的特点和短的时间。航空流显然反映了空间连接和全国范围内的中心-外围组合,发挥了重要作用,反映出国家城市大规模的系统结构。(2)从铁路的角度流(图3 (b)),除了更明显的“钻石结构,”“三水平和垂直”形骨架内的钻石也相对清晰。各级航线增加,覆盖范围广泛,密度大。三种模式的旅行,旅行的数量由铁路是最大的,占总数的49%的居民在中国旅行。旅行的距离不到1500公里的时候,居民选择乘火车旅行。铁路旅行包括长途路线,比如喀什到上海,中期和长途线路集中在北京、成都、贵阳,和郑州,甚至短途航线的珠海和澳门之间仅8公里,是居民最灵活的方式旅行。在西北和东北铁路线路数量明显超过航空。铁路流主要反映了居民的旅游模式在内陆城市在国家铁路动脉,如京九、兰新,京沪、京广、Lanzhou-Lianyungang Beijing-Harbin, Beijing-Baotou。交通基础设施发挥了重要作用,指导旅游的空间连接,尤其是“一路上效应”的地区被高速铁路覆盖。(3)从高速公路的角度流(图3 (c)),路线和人的分布显示模式向外发散的区域中心城市。因为高速公路是受制于速度和设施,连接城市是最接近城市。距离不到350公里,高速公路是旅游的首选模式。其中,路线携带7.32 -.2578亿人的数量是最大的,达到1642,而只有32路线有181.2万多人。相比之下,西方路线长,东线工程是短的。高速公路的流动主要反映了空间相关性和core-peripheral组合旅游城市群的内在水平。这清楚地显示每个城市群的发展。京津冀城市群、长江三角洲、珠江三角洲、成渝城市群,中原城市群有层次关系。Harbin-Changchun城市群的层次关系,山东半岛,关中平原,武汉和北部湾已经出现,而剩下的城市群很弱。

为了比较不同的旅游模式的总体分布规模在每一个城市,我们画一个散点图。散点图的点代表城市,x设在和y分别设在代表高速公路和铁路,和颜色代表航空(图5)。结果显示以下的居民出行特征:规模从分配的角度来看,上海、北京、广州、重庆、深圳、成都都在最前线的三个旅游模式。这六个城市配送中心国家旅行。三种旅行模式下,城市规模分布的低价值占绝大多数,而城市在中期和高附加值领域是很小的。从旅行路线的角度来看(表1),春节期间的旅游高峰,乘客由航空的总数是3.95906亿人,和十大路线进行10%的乘客。城市这些路线是完全连接的四个组成的“钻石”形结构。列车进行最多的乘客春节期间的旅游高峰,多达11.5146亿人。前十名的路线,除了武汉,这是内部的中心点cross-skeleton穿越“钻石”的形状,“钻石”形结构还在路的中心,但十大路线只占总数的2.6%。春节期间的旅游高峰,8.02237亿人选择高速公路作为他们的交通方式。排名前十的路线完全代表核心城市之间的紧密联系和三个京津冀城市群sub-core城市(北京、廊坊),长江三角洲(上海和苏州)和珠江三角洲(深圳、东莞、惠州、广州、佛山)。西安和咸阳的双向路线关中城市群在西方进入了前十,在成都和重庆之间的人口流动最大的城市群在西方没有进入前十的三种旅行模式下在中国。这值得进一步关注。

图6显示了人口流动的规模和分布类型下不同的旅游模式(自然断点采用分类方法根据铁路分类标准)。城市规模分布的流入和流出人口的总和,代表一个城市的能力接受游客。从规模、分布可以看出,有4个和6个城市分布最高水平(> 4567.4万人)在航空和铁路,分别。没有城市的第一级公路模式。在第二个级别(17.187 -.45674亿人),城市的数量在航空、铁路、高速公路4,16日和10。在第三级(5.544 -.17187亿人),有21个城市根据航空模式。大多数分布在东部地区,其中大部分是省会城市。有81个城市铁路,主要分布在铁路路线。有85个城市在高速公路上,集中在东部地区,分布在街区。相比之下,城际人口空间分异的基于航空旅行是最明显的。 It was characterized by high polarization and discrete point embedding, reflecting a core-periphery structure with national hub cities as the core distribution. The pattern of intercity population flow based on railway trips basically showed a core-periphery structure that used the cities along the national railway aorta as the core, and gradually decreased to the hinterland cities. The intercity population flow based on highway travel was a spatial pattern with strong local aggregation that matched the population scale. It formed three strong aggregation regions in space: Beijing-Tianjin-Hebei-Yangtze River Delta-Central Plains, the Sichuan Basin, and the Pearl River Delta.

人口流动的类型是通过减去流出的人口流入城市的人口。之间的差距流出人口和显示的流入人口,以判断城市人口流动的方向。不同的旅游模式提出了不同类型的城市流入和流出(图6)。(1)在航空旅行(图6(一)最高的),有118个城市人口流入,其中净流入超过300000的城市包括南京、天津、济南、南昌、武汉、长春、香港和其它主要地区中心城市,三亚、毕节、桂林、丽江、林芝等旅游城市。最高的城市人口外流是深圳、重庆、成都、贵阳、广州、杭州等除了咸阳,净流出300000人口以上的城市都是省会城市及以上。总的来说,净人口流入城市的数量大,而城市人口净流出的数量相对较小。(2)铁路旅行(图6 (b)),最高的人口流入城市只有北京和南京。人口外流城市越高,更高的人口流入城市,城市以同样的流入和流出,人口流出城市最高cross-distributed。其中,人口外流最高城市重庆、贵阳、昆明、深圳,等。高人口流出城市和人口流入城市有相同的号码。净流出的16个城市人口超过600000,9个城市都位于西部地区。的23个城市人口净流入600000多,只有乌鲁木齐和Qiannan县西部城市。(3)高速公路旅行(图6 (c)),等于流入和流出的城市大多分布在西北和东北地区,和流出城市的数量超过流入城市。人口最多的城市流出(超过400000)周口,邵阳,上饶,赣州,伊春,玉林,邯郸,怀化,和昭通,劳务输出的主要城市在中国中部和西部。重庆有较高的人口流入下高速公路的交通方式。从2月1日到2月14日进入重庆的人数每天都是平时两倍。仅在2月11日,由高速公路重庆的人口达到761800人,而3月1日的数量只有250000人进入重庆,流入路线缩短了从163年到102年。然而,在全面的航空和铁路方面,重庆的乘客在春节期间的输出通过公路运输远远不止这些。事实上,重庆通常是一个高度密集的城市流出。城市流入和流出的规模是不同的在不同的旅游模式。这主要是由城市品位和位置。流入和流出的高档城市如北京和上海没有显著不同,而庆阳和武威大多是大于流入。

图7显示了城际旅行网络结构下的最大优势流。占主导地位的观点的流动路线,最大优势流路线的航空、铁路、公路和提出了一个空间分布模式从长到短,从复杂到简单。菱形结构网络框架支持的十字架是占主导地位的知名航空流(图7(一))。它进行了长途运输的功能,是小受地理空间的限制,和超平面的网络特征”。“此外,航空的最大优势流直接与在中国的不同地区,一线城市和建筑的功能主要在全国甚至全球范围内,网络框架为主要形式的框架中国城市建设协会模式。铁路的最大优势流主要呈现典型的极轴空间系统模式(图7 (b))。铁路主要进行了中期和长途运输的功能。在宏观层面,它作为国家发展战略的一个重要的轴带。它直接关联的元素,把大区域内流动,并促进了城市的发展沿着线形成一个经济轴带。另一方面,它提供了一个支持轴带,连接中心城市的核心框架。的最大优势流高速公路是一个星形的发散辐射模式(图7 (c)),它有效地填充整个交通骨架,支撑轴带。高速公路主要承担短途运输的功能。由于区域分裂造成的行政力量的影响不同的省份,公路旅行大多限于行政单位在省或附近的省份和地区。“本地化”功能是很有意义的,反映出相对完整的区域系统的内部连接。覆盖区域城市网络覆盖三个最大优势流的航空、铁路、公路重叠,但都有自己的重点。他们分别描绘了网络特征的国家,地区和省级空间尺度,形成区际相互依存,联系不可或缺的元素,和空间关系。

从城市与最大关联的数量占主导地位的流动路线,我们可以看到,北京和上海是与69年和70年的城市,分别在航空的最大优势流(图7(一)),占据主导地位。深圳、成都、重庆分别与36岁,36岁和27个城市的最大优势流,这是在第二个层次。广州、乌鲁木齐、武汉、昆明、哈尔滨、西安和长沙有超过五个相关城市。在铁路的最大优势流(图7 (b)),北京和成都都与21个城市的最大优势流,这是远远低于城市的数量与第一级航空最大的主要流程。有11个城市,如武汉、乌鲁木齐、郑州、广州,10多个相关城市。成都排名第一在高速公路的最大优势流(图7 (c)),这与15个城市,其次是郑州、广州、西安、长沙。在前30个城市,除了佛山和东莞都是省会城市及以上。最大优势流中,占主导地位的流动线路连接的城市,城市的依赖就越高。

4.2。网络结构特征的城市旅行

4.2.1。准备Alter-Based中心和Alter-Based力量

计算结果对于alter-based中心(AC)和alter-based权力(美联社)(表2)以下。北京、上海、重庆、广州、深圳和成都排名第一在所有三个旅游模式。随着航空模式而言,重庆有最强的中心。上海alter-based最强的力量,证明上海最大的主导地位和影响力在整个航空客运网络。随着铁路模式而言,北京最alter-based中心和alter-based力量。在北京铁路客运网络,作为国家行政中心有绝对优势。它不仅连接许多路线和广泛,但也有强烈影响的线路连接。随着高速公路模式而言,深圳最高alter-based中心。公路运输网络是非常密集的,农民工从南方经常在深圳旅行。此外,深圳是直接连接到上海、北京、成都等城市通过许多公路路线。 It can be said that the distribution capacity was very strong. In terms of alter-based power, Chengdu occupied first place. In the road network, Chengdu was in the middle of the network. The city served as an important carrier of communication between the east and the west, and occupied an important position in the highway network.

我们利用ArcGIS软件可视化数据(图8)。根据不同的旅游模式,城市层次结构是由AC值作为一个金字塔。即AC值高,城市的数量是很小的。在飞行模式下,层次结构是最清楚:高级城市的数量是最小的,他们分散,例如,上海、重庆和深圳。作为一个高端的旅游方式,航空需求现场成本很高。只有城市强大的收集和分发能力可以支持他们,和小数量。在高速公路模式中,高级城市的数量显著增加。高速公路服务距离很短,旅游的人数在高速公路上很小,大部分集中在周围的城市。因此,分销能力的体现主要是与周围的城市和城市之间的差距是很小的。在铁路模式下,许多高级城市的AC值下降之间的高速公路和航空。 Railways had a wide range of services, they connected many cities, and the hierarchical structure of the AC was between aviation and highways.

图9据美联社地图显示了在不同的春节旅游的旅游模式。在航空,六个城市(即、上海、重庆、北京、成都、深圳、广州)的最高水平。他们有强大的控制连接路线及周边城市。体现城市的铁路、西藏、青海、内蒙古、海南。其他省份出现高AP-value城市。在高速公路上,苏州、郑州、西安、东莞、佛山昆明、南京、南宁、杭州被添加到最高水平(0.287 - 1)。作为一个整体,城市alter-based高功率的分布相对均衡。银川不像alter-based中心高的城市,兰州、乌鲁木齐,西宁,和其他城市是人口流动的枢纽节点从西到东,与AP值显著高于交流价值。这些结果证实,中介和分布函数的一些城市在人口流动的过程中可以更好地反映在alter-based权力。

在分析城市网络,alter-based中心和alter-based力量共同决定一个城市的地位。一般来说,有一个城市的交流和美联社之间正相关的值。也就是说,一个城市具有高AC值高AP值,和一个城市收集和传播资源的能力强有较强的控制这些资源的能力。当然,在一些城市有差异。Neal,通过测量世界城市信息网络划分典型的城市中心和高功率高,中心城市中心高、低功率和较低的门户城市中心和高功率(22]。因此,我们可以更好地识别城市的状态和属性(39]。自然断点分类方法用于分类alter-based航空网络的中心和alter-based力量(表3),城市类型划分的基础上,各级城市之间匹配关系。城市的数量的比率在第一级,第二级,第三级,和其他水平5:八24:309年,典型的数量的比率,中心,网关,和边缘城市23:7:7:309。

使用相同的方法来划分城市铁路网络的层次结构,城市的数量的比率在第一级,第二级,第三级,和其他水平6:16:63:261。典型的数量的比率,中心,网关,和边缘的城市是33:37:15:261。与航空旅行相比,其它水平边缘城市的数量明显减少,和典型的城市数量的增加。

从门户城市的角度来看,大多数二级城市是省会城市和相对良好的地理位置。只有八个第三级别的门户城市。基于统计的城市公路旅行网络的层次结构,我们发现城市的数量的比率在第一级,第二级,第三级,和其他水平8:49:118:171。典型的数量的比率,中心,网关,和边缘的城市是73:80:22:171。典型的城市和中心城市的数量显著增加。第三级的城市是最大的的数量,和门户城市的数量更少。针对三种类型的旅游网络,同一城市不同层次结构在不同的访问网络。例如,天津是第三个层次的分类作为一个典型的城市航空网络;铁路网络,它是一个门户城市第二层次;在高速公路网络,它是一个中心城市第二层次。 As a whole, the number of gateway cities changed less. With the trip mode from aviation to railway to highway, the number of edge cities decreased and the number of third-level cities increased.

4.2.2。城市旅游网络的集群结构

集群网络结构指的是一个复杂的系统,集群根据一定的规则与其他集群互联。与集群网络结构特点高平均聚类系数。平均聚类系数越高,越明显的集群结构(3]。发展鼎盛时期在这项研究中,我们使用了快速展开的聚类算法划分类型在不同城市的旅游模式在中国春节期间,以获得小组与密切的内部联系和相对较少的区域连接。发展鼎盛时期的原则,快速展开的聚类是通过迭代操作,多次分裂,这样的整体模块化划分网络不再继续增加,直到网络结构变化(49]。聚类分析在软件需要确保Gephi模块化的价值达到最大。模块化价值越大,集群结构划分效果越好(50]。统计表的城市集群结构在不同旅行方式在春节期间是通过计算(表4)。集群的数量划分在不同的旅行方式是不同的。城市集群的数量至少在航空模式,只有7个。城市的数量的差异包括在每个集群结构也是最大的。例如,集群0包含最多的城市,达到113,而集群4和6只包含两个城市集群。有八个集群除以铁路模式,城市的数量差距包括在每个集群也缩小。集群的数量是最下高速公路模式,与10集群,每个集群的城市数量是最平衡的。

集群的空间可视化结构在不同的旅游模式如图10。不同的旅游模式的集群结构明显不同,其中平均聚类系数值表示为航空<铁路<公路。集群结构是最重要的在高速公路模式,和航空集群结构相对较弱。在航空,以更少的类别,不连续的集群,一个大空间,更少的地理限制,和跳分布。铁路模式有一个聚合状态下的集群结构和高空间连接,但也有不连续跳跃集群,例如集群2(江苏、安徽、浙江、江西、重庆、贵州)。高速公路模式下的集群结构作为一个整体出现分布。这是类似于铁路的集群结构一般来说,尽管集群边界之间的重合度和省级边界是更高。总之,由于地理空间效应的限制,相邻的城市更有可能形成一个集群。高速公路的一些集群网络和航空网络和铁路网络,所以他们表现出高度的重叠(红色),重叠的城市的数量达到16个。八十五个城市属于同一集群在任何两个交通模式,蓝色所示,剩下的三种交通模式下城市属于不同的集群(图11)。虽然在网络代表相似之处可以观察到三种完全不同的类型的交互,模块化的结构不一致,这表明有强烈的差异在人们的交通方式的选择(51]。

5。讨论

过程中计算alter-based中心和alter-based权力,我们发现,当中心程度是相同的,增加的加权学位中心城市的地位也有所改善(20.]。例如,北京、上海、广州、和其他城市都与高强度有关人口流动,和他们alter-based中心和alter-based权力和等级被推高。安庆的网络状态,青岛、南昌、和其他地区中心城市改善由于其高度的相关性和均匀流分布。当依赖参数添加到方程(3与路径依赖),中心城市往往收敛(20.]。例如,在公路旅行网络,71.9%的人口流动与西安咸阳有关,导致排名下降60相对于加权学位中心。alter-based中心和alter-based权力自然也表现出一定程度的逆转。同一协会下重量,城市有更多的协会机会更有可能被连接,但城市路径依赖是容易控制。例如,兰州将主要与天水,西宁,中卫,一些城市中心地位较低。这些城市缺乏交流的机会和高度取决于兰州。因此,兰州的西部门户的地位被提升。门户城市往往是区域网络资源分配的中心,并且有高功率在邻近的城市,在某种程度上。这个压缩该地区居民旅游的机会和可能性,显示一个垄断的地区资源循环。这证明大量的小规模的城市(网络资源只能通过门户城市)交换的缺点是缺乏一个路径和路径依赖。

中国人有很强的复杂和独特的国土。从这个意义上说,因为春节在中国,会有中国的春节旅游热潮。人口迁移的主要驱动因素在春节期间旅游是区域经济发展的不平衡。在中国改革开放之后,东部地区为主的发展(32,52]。受经济利益驱动,大量的农村剩余劳动力开始搬到东部和其他经济发达地区。在这项研究中,我们发现,人口流动路线是稀疏在东部,西部和密集和高人口流动路线集中在东区的“Huhuanyong行”,这是一致的结论魏et al。46]。中国东部的经济发展较快,城市之间交往频繁,优先给交通基础设施。中国西北地区的经济发展落后和建筑是很困难的。针对这一点,政府应该支持和提高西北交通路线,提高旅游的方便,合理计划和安排的路线。与此同时,它也需要适应当地条件,促进西部经济建设来减少人口外流。在alter-based中心和alter-based力量的分析,我们知道,尽管成都和重庆西部地区,排名高。特别是重庆,是一个省,人口多输出,与Lai的研究结果是一致的,潘3),这一现象使得城市网络的发展在这一地区出现“错误的。“周边城市的发展是有限的,资源和发展机会主要集中在成都和重庆,因为缺乏一个转折点。为了缓解这一现象,有必要传播功能的城市(成都和重庆)周边地区(46]。人口迁移带来的不仅是经济发展和地区交流也是疾病传播,就业,和交通压力。因此,政府应定期检测人口流动,预测他们的趋势在未来时期,突发事件的发生和预防计划提前(1]。此外,人口流动可以反映城市群的发展。越接近城市之间的联系,更好的城市群的发展。在未来的工作中,我们可以减少对个别城市的关注,而不是考虑使用人口流动数据来衡量发展的城市群和城市群的内部和外部的关系。

本研究比较和分析了城际网络的结构特点在多个旅游模式。我们改善了单边和面向属性缺陷引起的现有研究依赖于单一类型的旅游模式。腾讯迁移数据,突破了传统的统计数据和带来的滞后效应提供了一种新的数据源大规模研究城际旅行中国。与其它数据相比,腾讯有更多的用户和更高的精度。然而,由于数据的生成和采集和保护个人的隐私,是不可能得到社会属性,如职业、性别、年龄、和旅游目的的旅行者。是不可能进一步探索意愿和群体效应的人口。此外,一些旅游路径可以拆卸,出发地与目的地不能作为网络节点进行了研究。过份强调城市交通的状态,用户的旅行特征不能完全确定,由居民和空间特征的多个旅行不能被识别。这将不可避免地导致研究结果的错误。代表一段假期,春节是特别的。 However, we cannot ignore the impact of population flow in other periods on Chinese economic development. Pan and Lai [1)使用相同的数据来研究时间序列特征和人口流动的规模在国庆和随后的中秋节。认为人口流动的性能在这个时期非常不同,在春节旅游热潮。在未来的工作中,有必要全面分析中国人口流动的特点,结合多个时间段,并澄清其他时间之间的差异和春节旅游热潮。此外,在连续时间序列数据的基础上,我们将挖掘城际旅行网络的演化过程和形成机制的中国居民。在这项研究中,我们讨论了人口结构的访问网络基于macro-characteristics流动人口在不同的旅游模式,城市网络结构和空间格局。然而,没有融合多源数据的比较。地理大数据的迅速发展,有必要利用智能技术比较人口流在多源数据的差异,并探讨更多的有用的知识。本研究提供一个新的视角对人类社会活动的看法,也就是说,大数据,指出新的研究理念为全球科研人员研究人类社会活动。

6。结论

在这项研究中,我们使用数据从人口迁移轨迹腾讯提供的城市之间迁移大数据平台。空间分析是用来探索的特点一个城际旅行网络不同的旅游模式下的中国春节期间的旅游高峰。我们确定这个城市网络的层次结构,并测量了凝聚空间模式下不同的旅游模式的两个指标:alter-based中心和alter-based权力。主要结论如下:(1)三种旅行模式,最少的路线通过航空(8451)相连,紧随其后的是高速公路铁路(10222)和(13746)。当涉及到旅行旅行不到350公里,旅行者倾向于使用高速公路。当旅行覆盖距离不到1500公里,铁路是最受欢迎的旅行方式,当1000 - 1500公里的距离,航空是最受欢迎的。乘客的数量而言,铁路运输的大多数人来说,高速公路和航空紧随其后。北京和上海之间的最大优势流,扮演了最重要的角色在控制国内航空旅行连接,其次是成都和重庆。铁路旅行,北京和成都占据了绝对优势,而高速公路大多是用于省级行政中心和周围的城市之间的连接。(2)根据alter-based中心和alter-based实力的指标,城市可分为四种类型:典型的城市,中心城市,门户城市,城市边缘。航空城市网络的比例在这四种类型的城市数量是23:7:7:309,最多的另一层面上边缘城市。铁路网络,城市的数量的比率这四种类型中33:37:15:261。另一层面上边缘城市的数量明显减少,典型的城市的数量显著增加。典型的城市在地方层面的数量是最大的在高速公路的旅行方式。中心城市的数量是80,同样数量的门户城市。(3)春节期间的旅游高峰,城市集群的数量在不同的旅行方式是不同的。航空、铁路和公路旅行被归入到7,8、10城市集群序列。在空间显示,有较少的类别,不连续的集群,更少的地理限制,和跳分布在航空旅行模式。铁路的交通方式有一个集群结构聚合状态和高空间的连通性。高速公路的交通方式下的集群结构作为一个整体出现分布,以及集群边界之间的重合度和省级边界是更高的。(4)城市网络的特点有不同的角度不同的旅行方式。基于航空旅行的城市间人口流动高度极化与离散点嵌入,反映出中心-外围结构与全国中心城市为核心的分布。基于铁路旅行的城市间人口流动的中心-外围结构,城市国家铁路动脉为核心,逐步下降到内陆城市。基于高速公路旅行城市间人口流动的空间格局强大的地方聚集,与人口规模。

数据可用性

腾讯的人口迁移数据得到的位置由腾讯公司发布的数据,来自https://heat.qq.com/qianxi.php。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(批准号41661025)。