中国城际旅游网络结构比较

摘要

居民的城际旅行促进了社会经济因素的聚集和传播。基于腾讯地理位置服务的大数据，选取中国346个地级以上城市作为研究对象，以2018年为研究时间节点。采用复杂网络分析和GIS空间分析方法构建城际居民出行网络。在不同时间(全年、每日、春运、特殊节假日)视角下，运用Gephi网络分析工具和ArcGIS空间分析软件分析中国居民城际出行结构特征和空间差异。主要发现:我国居民每日、全年的城际出行以及特殊节假日、春节期间的城际出行均呈现以北京、上海、广深、成渝为核心的“钻石”结构。从居民城际出行网络的层次性看，“菱形”内及周边线路分布较大且集中。在春运和节假日期间，“钻石”内的高强度人口流线显著增加。流入线所涉及的城市数量明显大于流出线所涉及的城市数量，从第一个出行点的居民数量可以看出，这表明流入和流出网络的中心城市之间存在差异。春节期间，中心城市的第一股人流最为明显。在居民城际旅游网络中，大多数城市的中心性、紧密中心性和中间中心性程度较低，这三个值较大的城市数量较少，且集中在“菱形”结构的顶点和内部。

1.介绍

旅行迁移和人口流动是指生产要素在空间上进行重新配置，从而促进社会经济要素聚集和扩散的活动[1］．人口旅游体现了生产和生活方式与其他生产和寿命空间之间的互动;它反映了个人参与社会和经济活动的能力。全球化和区域一体化的加速加强了全球关系。通过高效，综合交通系统，便捷的通信服务和城市发展模式，促进了区域沟通和协作发展。城市发展的现状和前景，作为人口迁移的产出和接收地点，确定人口流入和流出的规模。居民的旅行特征包括旅行目的，旅行时间和旅游模式，这对于研究居民的行为和缓解城市交通问题是有用的。居民旅行的研究可以作为政策合理制定的参考，并对未来城市交通的健康发展具有深远的影响[2那3.］．

人口流动已成为中国社会经济发展的空间表征。人口流动的规模影响着社会经济发展的水平。在全球化的过程中,信息技术和区域一体化,在中国不同地区之间的联系越来越密切,人口流动的趋势明显,人口总量逐年增加,旅游和旅游目的越来越多样化,比如学习,工作,旅游、探亲等等。在此基础上，深入研究我国居民出行网络特征，掌握居民出行规律，理解居民流动所反映的城市发展差异，为制定区域发展规划提供科学的理论依据。

“流程空间”是由Castells，美国社会学家，在他的书中进行详细提出的网络社会的兴起[4.那5.］．他认为，“流动空间”是利用空间跨越地理距离的特定介质，实现时间和空间要素的交换。它描绘了信息技术的进步传统的经济，社会，带来了文化的改造[4.那6.］．水长流，在一般情况下，包括信息技术，人物，事物，运输，资金流和空间是这些流动的物质支持。信息技术的飞速发展，使得城市跨越物理距离连接，并且流动影响居民生活的各个方面[的方方面面7.］．从地理学的角度来看，“流量空间”是一种新的空间逻辑，建立在信息时代的背景下，由运输基础设施的支持，其特点是人流，物流，交通流量，信息流，技术流动，技术流动，和资本流动[8.]“流空间”的主要组成部分是各种实体流和虚拟流，“流”的高速特性使各种元素在空间中的流通更加方便和高效。“流”不仅缩短了城市之间的距离，还作为居民活动、城市和地区的载体，同时也促进了城市空间网络的发展和地理空间的重塑。因为在当今的信息社会中，各种元素以惊人的速度流动，“流动空间”对城市和区域网络的形成和发展至关重要[8.那9.］．由于信息技术的快速进步和信息数据的有效应用，现在可以准确地测量“流量空间”数据。使用各种“流动”元素，居民的旅行网络可以更具动态，科学，直观地探索，并且可以更好地接近空间关系的本质。

网络是由抽象的节点和连接的节点边组成的载体，它可以描述复杂而又错综复杂的客观世界[2]随着研究理论和方法的发展，网络或网络研究视角已被引入地理学研究[8.］．在城市地理中，假设城市在区域空间中没有被隔离，而是彼此拥有复杂的互动，形成城市网络。这种类型的网络具有明显的空间结构以及功能组织[10］．通过交换人口，材料，信息，金融和其他元素来加强城市之间和城市之间的互动和互补优势。结果，各种尺度和水平的复杂网络，例如运输网络，人口流量网络和信息网络，已经发展了[11］．在二十世纪末，复杂网络理论基于数学图论和统计物理的网络系统的复杂性研究[提供了理论基础12那13］．在此之后，通过各种领域的学者试图利用复杂的网络理论，通过抽象客观世界的各种复杂关系，然后挖掘和描述复杂世界的复杂性特征和结构关系来探索现实世界[14那15］．学者们发现现实世界的网络是一个小世界或无标度的复杂网络，而不是按照一定规则连接的规则网络或以随机方式连接的随机网络[14那16］．随着网络复杂性的增加，复杂网络理论和方法正成为主要的研究工具[14那16]因此，基于“流动空间”理论和网络视角，研究城际居民出行对于掌握居民空间运动规律和区域尺度上城际空间关联的动态特征至关重要[17］．

人类活动，如移动轨迹、移动信令、位置请求等，都会产生大量的时空信息数据。它包含丰富的语义特征和时空维度的动态关联信息，必须合理、高效、全面地开发和应用[18］．随着传感器网络，无线通信，移动定位和互联网技术在大数据时代的快速发展和推广，现在可以研究和获得高精度和大规模的单独运动轨迹数据[16那19］．具有地理位置信息的大数据具有许多好处，包括广泛的覆盖范围，高时间精度，多个属性等。同时，空间大数据挖掘勘探，计算机科学，地理等方法相交，为人口流量提供了强有力的支持，以及对人口流动空间特征的量化研究的另一种可能性。此外，对大规模数据的统计分析对于发现隐含和强大的数据定律非常有用，这大大降低了样本随机性引起的不确定性[20］．大数据记录大量的人流，物流和信息流数据，这不仅可以帮助我们进行微观研究[21那22，并对提高研究的准确性和全面性做出了重大贡献。利用地理大数据感知人类社会活动是当前学术界研究的热点。旅行大数据反映了人类活动的位移和时空轨迹，为学者在微观尺度上进行深入细致的研究提供了数据支持[23］．此外，观察和开发多重尺度和大规模的连续性为地理带来了新的思路和新技术[23-25］．

目前人们对城际居民出行网络的关注并不多。掌握城际居民出行网络的结构和规律，合理规划居民出行的路线和流量，已成为促进城市和地区长远发展的最有效途径之一。结果,从不同的旅行时间(整个年,每日,特殊的节日,春节旅游高峰),本文进行综合评价的结构特点和居民的接触模式346中国城市旅游网络,具有理论和现实意义。一方面，它可以帮助我们了解和掌握全国居民的出行规则和状况;另一方面可以为区域发展规划提供科学的参考。

本文的研究意义在于:首先，研究居民城际旅游可以为引导人口合理流动和区域城镇体系规划提供科学的参考;二是采用“流动空间”的研究方法，取代传统静态的局部空间;第三，我们使用位置大数据代替传统的静态统计，以保证数据的时效性。第四，比较了中国居民城际旅游网络结构随时间的异同。

2.相关工作

随着信息处理技术的进步和智能手机的普及，许多企业开始收集人口定位和出行数据，这些数据被广泛应用于科学研究。学者们使用各种数据源分析居民出行问题。蒋调查了人口定位和出行数据的主要原因使用瑞典城市出租车轨迹数据的乘客乘坐出租车出行[26］．Murakami通过电话采访获得了居民的旅游信息，从私家车结合GPS录制旅行信息，然后对居民行为特征进行了比较分析[21］．Limtanakool等人利用欧洲长途跨地区旅行调查的数据发现了行为特征和网络结构异质性的差异[27]De Montis等人根据意大利的城际通勤数据构建了城际交通网络，并研究了城际交通系统的结构特征[28］．西方学者经常使用Twitter数据来检查人口流量的时间和空间分布特征[23］．中国学者经常使用新浪微博的数据[29那30]，百度迁移数据[31]和腾讯人口迁移数据[32那33近年来。例如，Li等人[9.]利用百度移民数据，考察中国春节期间人口迁移的特征。潘和赖[34]收集腾讯在中秋节和国庆假期期间的人口移民数据，将假期分为旅行，旅程和返回期，并分析了每个时期的人口迁移。这些研究使用大数据来分析个人和群体行为，并反映空间行为，空间认知和连接模式。这些数据可用于反映在时尚行为方面的个人和群体决策，并且它正在成为研究旅行和人口流动的热门研究前沿。

3.方法和数据来源

中国居民在一年中的不同时间旅行[35]，如春节，中秋节和国庆期间。首先，我们研究使用城际相关的潜在旅游网的邻近效应。其次，我们考察了城市层次使用过渡居中，转换控制旅行网反映。

3.1。复杂网络分析

网络分析是GIS空间分析的一个重要组成部分。网络分析是建立在图论，其包括图论分析，优化分析，和动态分析[36]数学家鄂尔多斯和仁义建立了一个随机图[36[1960年，为构建网络提供了一种新方法。然后，在进行广泛的实际数据研究之后，科学家发现大多数实际网络不是常规或随机网络。它预示着复杂网络研究阶段的到来。术语“复杂网络”是指在完全常规网络和完全随机网络之间的某处的网络。它是一个没有扩展的网络的一个小世界[37］．此功能在人口旅行网络中很常见[38]度及其分布特征、集聚度及其分布特征、介数及其分布特征等是复杂网络研究的基本尺度[39那40］．在本文中，使用以下指标。

3.1.1. 中心性

程度反映了节点与其他节点的交互，是城市互连的重要表达。节点的程度越高，其度数越大，它在网络中的位置越重要[41.]：

C_D.（一世）是节点的程度中心一世那K._一世是节点的度一世,N是网络中的节点数量[41.］．

3.1.2.贴近度中心度

贴近度中心度通过使用最短路径距离来度量节点与网络中其他节点的贴近度。节点离其中心度越近，其在网络中的重要性就越高[42.那43.］．

C_C（一世)为节点的紧密中心性一世;D._ij是节点之间的最短路径距离一世和节点j[42.］．

3.1.3.中间性中心性

通过所有网络的节点的比例通过中心性之间描述。如果许多节点之间的最短路径通过特定节点，则该节点之间的中心性高;值越大，网络中的节点的传输和连接能力越大[41.]：

C_B.（m)是节点的介数中心性m那σ_ij是从节点到所有最短路径的个数一世结j,σ_ij（m)是节点的所有最短路径数一世结j通过节点m[41.］．

3.1.4。城市间相关性的测量

网络中某一特定线路的连接强度占总连接强度的比例[44.]为城际关联势测度，表示网络中某一特定城际连接边的重要性。下面是精确的公式:

T._ij城市之间的旅游人口规模是多少一世和城市j，RSI_ij是电位相关优势度，0≤rsi_ij ≤ 1. If the value is closer to 1, it means that the greater the proportion of lines connecting citiesj和一世，优势程度越高[22那45.］．

3.1.5. 基于变化的中心性和基于变化的权力

Zachary在研究世界城市网络时，提出了递归中心性和递归控制的概念，后来又将其改为基于alter的中心性(AC)和基于alter的power (AP) [46.那47.］．他认为中心地是指资源集中和扩散。对世界城市的资源要素（劳动，资本，信息等）的汇总，以及来自世界城市的资源要素的向外扩散，都是中心的表现[48.］．控制权代表了一个城市的资源流通过程中的影响和优势。网络的位置和它扮演的角色确定了城市控制权的大小[48.］．

3.2。数据

The data used in this paper is from the “Tencent location big data” platform’s population migration data (heat.qq.com/qianxi.php), and the time node is from January 1, 2018, to December 31, 2018, a total of 365 days of more than 600,000 population migration data. The data attributes include the origin and destination cities’ longitude and latitude coordinates, the total amount of migration, and the migration ratio of three different modes of transportation (plane, train, and car). The migration volume is determined by the migration ratio, and the population migration volume is used to determine the strength of the network connection between cities. We compiled data to determine the intensity of population flow between cities in 2018 and used it to build the residents’ travel network.

鉴于研究的全面性和代表性，我们选择了从整个年份（2018年）的腾讯移民数据作为基本数据，并从各种旅行期进行了深入的分析。就时间段而言，选择了四个代表时期进行了研究：每日，春节旅游匆忙，特别假期和全年。（每日时间：2018.11.01-2018.12.10，春节旅游冲程：2018.02.01-2018.03.12，特别假期：除春节外，其他法定假期）为了完全覆盖旅行，数据包括日常数据假期前后两天。数字1描绘了中国主要城市的位置。

结果

4.1。居民城市间旅行的等级特征

基于自然断裂法，利用ArcGIS对中国居民的城际出行路线和出行强度进行分类(图2)2）。在四个时间段中，发现人口旅行路线在东方的密集而不是西方。在所有四个时间段中，人口旅行路线都是东方的密集，而不是西方的密集而不是北方。高强度旅行者的人口集中在东方和南方。“胡民通线”将旅行路线和中国居民的数量分成两个不同的零件，在西部的东部和较少的零件中，与北京，上海，广州 - 深圳和成都一起形成“钻石”结构- 作为核心。居民在时间段的旅行模式存在明显差异，主要如下：根据全年居民旅行路线和强度图（图2（a）），北京，上海，东莞，深圳，重庆，成都，长沙有超过3180万个居民的主要城市;3081-31.8万线扩散，并沿“钻石”结构填充。之间的1268万和3081万的人行空间主要是充满了“钻石”结构，并且也有东北和西南扩展的趋势。游客的数量为5.16和1268万之间。有许多途径，其中大部分在西北，西南，东北连接省会。连接省会城市和其他地级市路线短表征1.34出行路线，以516万的人。为了更清楚地显示在人口行进路线强度期间的每日的三个时间段的差和（图2（b）)，特别假期（图2（c））和春节（图2（d）),我们对图像进行分类根据日常时间的标准,它显示的行数与日常的人口高强度的三个时期,假期,和春节运输已经显著增加,每一行的承载压力普遍增加。在第一级(人口出行强度> 259万)，每天时间段有25条线路，节假日有52条线路，春节有69条线路。1111 - 259万人中，日、专休、春运线路分别为97、232、289条。第3层(4.5亿~ 111万人)有440条、673条、1022条人口旅行路线。第4层(12万~ 45万人)的排队数分别为1517条、2018条、2815条。每一级的线路数量都从节日-春节的日常特殊运输增加，其中第三和第四级的线路数量增加最多。这说明增加的航线主要集中在“钻石”内地和东北、西北地区。在春节和特殊节假日期间，出行人数显著增加。春运出行的目的比较复杂(回家、学习、旅游等)，多为中长途出行，包括中国很多城市。另一方面，在特殊假期旅行通常受时间限制，所以它倾向于就近旅行。

根据不同时期居民出行网络规模统计表（表1)，2018年中国居民城际出行量达到1494796万人次，春节出行高峰占总出行量的15.72%。特别假日出行占总出行量的11.57%，而日常出行占总出行量的7.35%。春节和特殊节假日期间，居民出行更加集中，出行次数较多。每天的平均出行次数已超过5000万次。春节，中国最重要的传统节日，在中国人民心中有着特殊的地位。春节是家人团聚的日子，大多数流浪者都会在这一天回家。这种独特的归属感增加了旅行的可能性。在特殊的节日期间，许多人选择旅游或从事其他活动来丰富他们的休闲时间。全年中，接触线的数值最高，其次是春节和日常时段，特殊节日期间的侧线数最小。密度显示全年 > 春节旅游热 > 特别节日 > 每日的2018年，居民出行网络各节点城市之间的联系比节假日和特殊节假日更紧密，春节出行高峰期间的联系有所增加，但与全年相比仍存在差距。

我们选择描述网络中的主导关系，即第一流，以便更清晰、简洁地展示中国每个城市的居民出行。这是一种通过减少数据量来揭示整个网络重要空间结构特征的方法，从而反映网络城市在宏观尺度上的地位[49.］．在人口流动网络中，第一流是城市人口流量最高的线路。第一流包括第一流入和第一流出。一个城市内入流量最多的路线称为第一流入路线，出流量最多的路线称为第一流出路线。数字3.描绘了每个城市的第一个流出和第一流入线（具有1流入的线和1的线条隐藏在图中，以便于流动效果清晰直观地显示）。并且总体而且，在四个时间段中的每一个中，参与流入线的城市数量明显大于流量线所涉及的城市数量，并且城市的流入数量和流出线的城市存在差异相同的时间段：（1）春节期间，成都的首次入境人数最多，其次是北京、武汉、乌鲁木齐和郑州。每个入境中心城市主要是省会城市，接收来自周边城市（主要是省内地级城市）的入境。成都不仅接待来自周边城市的游客，还接待来自周边城市的游客g地级城市，但也包括南京、济南和拉萨等省会城市。北京接受兰州、长沙、武汉、哈尔滨和南昌等城市的流入，包括各种各样的连通性高的城市。两个城市从第一次流出开始相互流出，如太原、金州在春节期间，重庆的流出路线最多，其次是成都和北京。赖昌星进行了同样的研究[49.］．重庆被认为是在春节期间净流出的城市，而深圳，昆明和上海的居民经历了更大的流出，流出与档次提高。春节期间，第一流出路径是交错的，高度互联，而第一流入在中心回转分布。（2）在特殊节日期间，首批入市城市之间呈现明显的交错联系趋势，部分城市避开省会城市，与其他地级市对接。成都保持第一，武汉接触线增加，超过北京，两个城市第一次相互流入的城市数量增加，这一时期成都与西安、南京接触增多。北京、成都是国庆节期间的首条出境线，乌鲁木齐、济南、昆明等旅游城市的出境线排名上升，国庆节出境人越多，旅游资源越多的城市更有可能吸引游客。（3）成都，北京，武汉和郑州等城市继续为全年的第一个流入，在城市之间具有重要互锁的联系和更可见的网络交织现象。北京毫无疑问，第一个流出的领导者。作为中国首都的北京接受了几个省份的第一个流出，这是中国北方第一流出的主要集中。此外，全年上海的第一个流出路线显着增加，特别是成都，重庆，南京等城市，尤其如此。（4）每日期间的首次流入和首次流出与全年同期相当。例如，成都接触线的数量与全年相一致，但也有微小的变化。线路交织在首次入流中最为明显，北京、武汉等省会城市首次入流线路数量减少，而一些排名较低的城市首次入流线路数量增加。在第一次流出中，度值大于1的城市数量明显减少，重庆的地位高于成都，与北京、南京、兰州、深圳、呼和浩特等城市有直接联系。图中包含的省略号最多，说明相互连接的城市数量最多。

4.2.中心性特征

本文有三个指标：学位中心，亲密的中心和中心地位。选择它们以以各种时间间隔计算住宅旅行网络的节点。节点城的程度中心反映了它与其他节点交互的能力，并且其价值越高，网络中的位置越重要，强大的位置[41.].中心性值的接近度反映了节点在网络中的位置，其值越高，越接近网络[50.］．中间中心性是指一个城市作为桥梁节点与其他节点城市进行通信的能力，其值越高，节点在网络中的中转和桥接能力越大[41.］．

在本文中，我们使用Gephi软件计算三种类型的指示器，然后我们使用原点汇总和快递。数字4.描绘了一年内中国居民旅行网络中节点中心的中心。大多数城市，特别是人力地位，程度的中心地位和密闭中心之间有较低，298个城市之间的城市之间的集中度<1000，程度为中心<200和近期中心<0.8，同时表明中国城的差距相对明显发展。高度发达的城市的比例很小，而仍然发展的城市比例很大。在3D空间中，所有三个指标都形成了一个上升曲线，上海有最高价值，不仅拥有大量城市，而且还发挥了最明显的桥梁作用。上海拥有最大的能力监测和控制其他城市的“节点对”，以及中国居民旅游网络中最重要的地位和地位。跟随他们是北京，重庆，广州，深圳和成都的城市。这些城市位于中国居民旅行网络中的“钻石”的远端。它们在建立中国的旅行网络方面有一个关键的立场，这拥有强大的经济基础，以支持这些城市采取更大的旅行人口。省级资本城市，如武汉，西安，天津，长沙，兰州和济南之间存在低价，咸阳，青岛和佛山等非洲地区中心。 Overall, the top ranked cities are primarily developed cities in the east, whereas western cities are more frequently located in low-value areas.

数字5.描绘了整个一年期间的中心性的空间表现。北京、上海、重庆、广州、深圳、成都6个城市(>0.723)的空间分布呈紧密中心性，表明这些城市在整个居民出行网络中处于最中心位置。二线城市包括杭州、武汉、西安、南京、东莞等15个城市，是旅游网络中的次要重要节点。三线城市主要是西部和东北部的省会城市和东部发达地区的非省会城市。四、五层共同把守着最偏远、最不发达的地区，也是中国居民出行网络中不可抛弃的节点。将程度中心性和中间中心性归一化，在图中呈现为条形图，说明高度中心性的城市也具有较高的中间中心性，说明它们是一致的。中心性高的城市主要分布在京、沪、广、渝城市群和京津冀、珠三角成渝、长江中游城市群周围。各省省会城市的度中心性显著高于相邻城市，地级及以上城市平均度中心性值在130左右，多城市连接的情况较多。中间中心性主要体现了网络节点的运输和接受能力，反映了城市之间的差距。例如，上海的值最高(高达5031)，而泰州只有12个。 Unlike degree centrality, betweenness centrality appears in each provincial capital city with larger values, either the provincial capital city or a more developed city, and some provincial capital cities in the east even have multiple high value points in one provincial capital. For example, Zhengzhou accepts nationwide travel exchange, disseminating it to neighboring cities, such as Luoyang and Kaifeng, which not only accept Zhengzhou’s population flow but also connect cities with lower levels, and cities with larger betweenness centrality radiating and driving cities with smaller values around them.

桌子2显示三个时间段的不同程度的中心指标的城市数量：每日，特别假期和春节。三层城市的城市三个中心指标占总数的大部分。学位中心和度与中心之间的城市拥有第五层最多的城市，而亲密的中心地势拥有第四层最多的城市。由于研究城市是县级及更高版本的，因此很少有节点属于旅行网络的中央位置的战斗中的终端节点，并且大多数节点或多或少连接彼此。中国西北部和一些远程城市的城市由于地形限制而具有较低的密闭中心，而参与国家居民旅行的城市具有较高的中心。每日，特殊假期和春节期间，第一和二级程度中心的城市数量分别为17,15和18个，分别占城市总数的5％，比例较高级别的城市很小。在第四级，春节期间的城市数量是其他两个时期的两倍，学生和工人返回他们的家乡，从大城市到中小城市的旅行方向流动，间接增加中心程度第三层城市。值得注意的是，在特殊假期，高质量的城市数量是最低的，因为人们在此期间的时间受到限制，他们大多选择短途自行车旅行或靠近旅行，并且通常不会像北京和上海这样的大城市。 Betweenness centrality is always stable across the entire resident travel network, and the gap is also the smallest across all three time periods. During the Spring Festival, the number of cities varies the most between each tier, with the second tier experiencing the greatest growth and the third tier experiencing the smallest. The difference between the daily and Spring Festival periods is small in the closeness centrality. The number of cities in the third and fourth tiers clearly increases during the Spring Festival period, whereas the number of cities in the first to fourth tiers remains at its lowest during special holidays. When compared to the daily and Spring Festival periods, the number of cities in the fifth tier is the highest.

4.3。空间邻近效应

我们比较四个时间段的城区连接的优越性，我们采取了每一行的最大跨度连接优势的时期，以获得不同时间段的优越性。数字6.描绘了每个城市与其他城市的优势关系。共有7473对城市连接始于春节期间的其他时间段，南方城市之间的联系在空间集中。北部部分主要包括以北京为中心的连接线。在正常营业时间，有4867个优越的联系线，形成了菱形优越的联系结构，与广州 - 深圳，北京，上海和成都重庆的核心。在特殊假期，有4316对有利的连锁线，在太空中表现出明确的邻近效果，主要将省级资本城市与该省的其他中等城市联系起来。优越的联系线的邻近是特殊假期最重要的特征，居民在此期间，由于旅行时间，旅行目的地和规模等因素，居民们在此期间旅行。全年，有7101对城市联系，优于其他时间段，主要以武汉，北京，成都和重庆之间的核心连接路线的形式，如武汉 - 北京，成都拉萨，武汉 - 昆明和很快。总体而言，在特殊假期的四个时间段中，邻近效应最可见，主要由省级资本城市和邻城之间的联系形成。春节，日常生活以及全年主要基于跨区域联系，具有重要的空间差异。

4.4。城市层次结构

AC和AP共同决定城市在城市网络分析中的地位[51.那52.］．本文利用年时段人口出行数据计算AC和AP，探讨居民出行网络下形成的城市层次结构。利用ArcGIS对结果进行自然间断分级，如图所示7.．AC值和AP值所代表的城市等级结构呈金字塔结构，即AC值和AP值越高，城市数量越少。大多数城市的AP和AC值在同一层次。例如，北京、上海、重庆、成都、深圳、东莞等城市的AP值和AC值都在最高一级，但也有一些城市存在差异。例如，Guangzhou在第二层有一个AC值，在第三层有一个AP值。总的来说，AC值高的城市比AP值高的城市多。城市AC值与AP值呈正相关关系，AC值高的城市AP值也高。他们收集和分配资源的能力很强，他们支配资源的能力也很强，但在一些城市存在差异。根据Zachary等人对世界城市信息网络的测量方法，旅游网络中的城市根据AC和控制得分将其分为四种类型:高中心性-高控制、高中心性-低控制、低中心性-高控制和低中心性-低控制。此外，根据中心性和控制力划分的城市类型可以更好地识别城市的地位和属性特征。

在住宅旅游网络的城市层次结构（图8.)，高中心-高控制、高中心-低控制、低中心-高控制和低中心-低控制四种城市类型的比例分别为23:22:2:299。低中心-低控制城市人口最多，低中心-高控制城市人口最少，高中心-低控制城市主要作为枢纽城市。这些城市有更多的连接机会和便利的交通，合适的位置为小城市与大城市连接提供了更多的交通机会。低中心-高控制城市作为临近城市的门户，压缩了区域居民出行的机会和可能性，体现了对区域资源流通的垄断[46.］．导致大量小规模城市(只能通过门户城市交换网络资源)路径依赖、路径缺失[46.］．高中心的城市不仅具有强大的收集和遍布资源的能力，而且它们也有强烈的资源统治，可以被归类为典型城市。

5.讨论

在居民出行方面，我们发现有一个明确的等级制度。第一级是“菱形”结构，以北京、上海、广州、深圳、成都、重庆、武汉为节点;这种结构支撑着中国的整个交通网络，在运输线路中起着重要的作用。第二层是省会城市之间的联系网络。城市之间有众多的旅游线路和大量的人口，这些都是对整体“钻石”结构的补充和支撑。第三级交通网络以连接地级市和省会城市最为明显。第四级网络主要是地级城市之间的联系网络。无论是全年、每日、特殊节日，还是更特殊的春节，我们都可以看到这种等级的存在，这与Lai和Pan的发现是一致的[27］．层次结构的存在还证明了中国城市之间的层次结构存在。

在城市空间连接方面，我们发现四个时间段都存在城市空间连接存在差异。在春节旅行匆忙期间，该空间侧重于南部城市之间的联系，而北部主要使用北京作为连接线的中心。在太空中，一个菱形主导结社结构与广州 - 深圳，北京，上海和成都重庆的核心在日常时代。特殊假期在太空中表现出明显的邻近效果，其中大多数集中在省级资本城市与省内其他县级城市之间的联系。我们发现，当我们在四个时期比较城市空间连接差异时，特殊假期的邻近效果是最明显的。特殊假期的主要好处是短接触线距离。居民在这一时期将选择根据旅行时间，目的地，规模和其他因素附近旅行。春节旅游匆忙，日常和全年时期主要是跨区域联系，具有显着的空间差异。

我们计算城市的交流和AP，以及它们的层级结构，其特征在于具有小顶部和大底部的金字塔结构。顶级城市包括北京，上海，广州，深圳，成都和重庆等。他们有强烈的中心性和控制感，他们是具有最佳居民旅行连接的城市。这些城市对居民最吸引人;无论时间段如何，居民之间的城市之间旅行的强度处于最高水平。它表明，这些城市之间的人口旅行已成为常规，不受时间的影响。更多城市的中心性和控制能力低。它表明，这些城市在交通网络中处于相对较低的水平，对居民和网络控制的吸引力并不强劲。春节旅游匆忙与假期之间的旅行时间有很大差异。居民在春节旅行匆忙期间主要回归他们的家乡。 People who work outside of the city will attend the reunion. As can be seen from the result chart of travel intensity, both the travel routes and the travel intensity of residents have improved, with long-distance travel performing best. Residents mostly take short trips and play during the holidays, which are limited by the length of the holiday. The number of short-distance trips increases sharply, as does the number of travel routes, as can be seen intuitively in the advantage correlation results. We believe that most existing studies on residents’ travel are limited to a single time period, such as working days or holidays, and that there is a lack of research on residents’ travel status throughout the year. As a result, this paper divides the entire year based on the travel habits of Chinese residents and finally determines the research period as follows: Spring Festival travel rush, daily time, special holidays, and the entire year. We improve the comparison of residents’ travel differences across time periods in the time period selection, and we enrich the research on residents’ travel directions. Simultaneously, the analysis of multiple periods can help decision makers better understand the travel rules and travel characteristics of residents over the course of a year, as well as serve as a point of reference for the formulation of relevant policies.

与以往统计数据相比，腾讯迁移数据更新速度快，时效性高，突破了传统数据的滞后效应。腾讯拥有庞大的用户基础，能够提供更高精度的大量数据。与其他数据相比，腾讯拥有更多的用户和更高的准确度。但由于由于数据生成和获取的性质以及个人隐私的保护，不可能获得旅行者的职业、性别、年龄和旅行目的等社会属性。不可能深入研究人口的意愿和群体效应。此外，一些旅行路径可能会被分解，例如：d不能将出发点和目的地作为网络节点进行研究，导致研究结果存在误差。未来，有必要整合各种数据源，以分析居民出行特征，并为全球研究者提供新的研究思路。

大多数现有的研究探讨在特定时间段或在特定区域居民出行网络的特性。有在全国范围内和一些研究甚至在全国不同的时间段较少。本研究通过分析在不同的行驶时间段的城际旅行网的中国居民的结构特点丰富了研究。我们的研究得出了以下新发现：（1）在中国居民的城际旅行网，这是不单调，但动态针对不同旅游旺季的空间结构清晰的层次结构。（2）中国居民的主要出发地和目的地改变不时，由第一流证明。（3）中国城市的中心地位和控制权并不在交通方面是相同的。在不同层次的居民出行网络的城市层级的城市交通网络中扮演不同的角色和功能。这项研究可以帮助决策者，以提高居民出行效率提出了各种出行时间段相应的管理措施，优化住宅旅行网。它还将帮助读者遍布世界更好地了解中国居民的出行习惯，加深对中国的了解。

6.结论

综合评价我国346个城市基于不同出行时段(全年时段、每日时段、特殊节假日、春运)的出行网络结构特征和连接模式。我们得出以下结论:（1）在路线和人们方面，中国居民的旅行网络沿着“胡华通线”在四个指定时间段期间在西方的东部和少量越来越明显。（2）从层次上看，以北京、上海、广深、成渝为节点的“菱形”框架结构集中了四个时期的旅游区，在春运和节假日期间，“菱形”结构的内部路线显著增加。（3）中心性描述了每个城市在旅游网络中的位置和地位，值低的城市数量多。中心性表明，拥有重要地位的城市较少，它们主要集中在“钻石”结构的顶点。（4）空间邻近效应表明，在特殊节假日期间，居民的出行优势主要与邻近性相关，省会城市与周边城市之间的联系就是一个典型例子。在春节出行高峰期间，全年和每天，居民的出行优势都是最主要的与跨区域旅游密切相关，且空间分布各不相同。（5）The city level reflected by the travel network is primarily divided into four types: high centrality-high control, high centrality-low control, low centrality-high control, and low centrality-low control, with a city ratio of 23 : 22 : 2 : 299.

数据可用性

腾讯2018年人口迁移数据是本文的核心数据，可从腾讯发布的位置大数据中获取，数据来源于https://heat.qq.com/qianxi.php. 为了保护用户隐私，腾讯关闭了数据采集接口，无法再获取最新数据。因此，我们不方便披露获得的历史数据。一些示例数据可以通过电子邮件发送(qirunze_gis@163.com.）到qi hunze。

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

这项工作得到中国国家自然科学基金（批准号42071216）的支持。

参考文献

1. H. de Haas，“迁移与发展：理论观点，”国际移民审查，第44卷，第5期。1, pp. 227-264, 2010。视图:出版商网站|谷歌学者
2. B. J. L. Berry，《城市系统中的城市系统》区域科学论文，卷。13，不。1，pp.147-163,1964。视图:出版商网站|谷歌学者
3. 张伟，“长江三角洲地区多元城市网络的影响因素分析”Tijdschrift Voor Economische en Sociale Geografie，卷。111，没有。2，pp。117-133,2020。视图:出版商网站|谷歌学者
4. m·卡斯特信息城市：信息技术，经济结构调整和城市区域进程，英国牛津，布莱克威尔牛津，1989年。
5. m·卡斯特网络社会的兴起，布莱克威尔出版社，牛津，英国，1996。
6. 裴涛，宋超，郭树清等，“大地理数据挖掘:目标、内涵和研究问题”，《地理学报》，2014年第4期。地理科学学报，卷。30，没有。2，pp。251-266,2020。视图:出版商网站|谷歌学者
7. J. Henderson, P. Dicken, M. Hess, N. Coe, H. w . c .。杨，《全球生产网络与经济发展分析》国际政治经济述评，第9卷，第5期。3，页436-464,2002。视图:出版商网站|谷歌学者
8. C. GaN，M.Voda，K. Wang，L. Chen和J. Ye，“城市集群旅游经济的空间网络结构：社会网络分析”酒店与旅游管理杂志，第47卷，124-133页，2021年。视图:出版商网站|谷歌学者
9. J. Li，Q.. Ye，X. Deng，Y.刘和Y.刘，“春节春节的空间时间分析基于Multisource大数据，”可持续性，第8卷，第2期11，页1184,2016。视图:出版商网站|谷歌学者
10. 陶梅，“城市网络外部性、集聚经济与城市经济增长”，《经济研究》，城市，第107卷，第102882条，2020。视图:谷歌学者
11. 刘学军，“基于城市间交通网络视角的中国城市多中心发展研究”，区域研究，第50卷，第8期，第1302-1315页，2016年。视图:出版商网站|谷歌学者
12. D.J.Watts和S.H.Strogatz，“小世界网络的集体动力学，”本性，卷。393，没有。6684，PP。440-442，1998。视图:出版商网站|谷歌学者
13. A.-L。Barabási和R. Albert，《随机网络中缩放的出现》，科学第286卷第2期第5卷第4期，第5 - 9页，1999年。视图:出版商网站|谷歌学者
14. Z.Jing和J. Wang，“中国资源型城市社会 - 经济环境的可持续发展评价：一种复杂的网络方法”清洁生产学报，第263卷，文章编号1215102020。视图:出版商网站|谷歌学者
15. D. A. Smith和M. F. Timberlake，“世界城市网络和层次结构，1977-1997”，美国行为科学家，第44卷，第5期。10，页1656-1678,2001。视图:出版商网站|谷歌学者
16. Zhang，J.Wang和B.Li，“基于复杂网络理论确定露天煤矿排土场土壤有机碳储量的影响因素，”连锁店，卷。173，第433-444,2019。视图:出版商网站|谷歌学者
17. H. Yang, F. Dobruszkes, J. Wang, M. Dijst, and P. Witte，“比较中国城市高铁和航空网络”，运输地理杂志，卷。68，pp。233-244,2018。视图:出版商网站|谷歌学者
18. 夏T.夏，宋X.张H.宋X.宋H.Kanasugi和R.Shibasaki，“通过大GPS数据测量紧急医疗服务的时空可及性，”健康与地方，第56卷，第53-62页，2019。视图:出版商网站|谷歌学者
19. 赵颖，“大数据时代交通需求预测方法的改进”，城市，卷。82，pp。19-26,2018。视图:出版商网站|谷歌学者
20. P. Zhao和H Hu，“在北京的大规模发展中的交通拥堵地理模式：来自北京的大数据分析”城市，第92卷，164-174页，2019。视图:出版商网站|谷歌学者
21. E.Murakami和D.P.Wagner，“使用全球定位系统（GPS）能改进行程报告吗？”交通研究C部分:新兴技术，第7卷，第5期2-3，页149 - 165,1999。视图:出版商网站|谷歌学者
22. Y. Liu，Z. Sui，C.康和Y. Gao，“从社交媒体登记数据中揭开城市间旅行和空间互动的模式”，“公共科学图书馆一号，第9卷，第5期。1、文章编号e86026, 2014。视图:出版商网站|谷歌学者
23. D. Wong和Q. Huang，“用脚投票:用社交媒体数据划定影响力范围”，ISPRS国际地理信息杂志，卷。6，不。11，p。325,2017。视图:出版商网站|谷歌学者
24. H. Barbosa，M. Barthelemy，G. Ghoshal等，“人类流动性：模型和应用程序”，物理报告，第734卷，第1-742018页。视图:出版商网站|谷歌学者
25. T.Schwanen，“运输地理I，”人类地理的进展，卷。40，不。1，pp。126-137,2016。视图:出版商网站|谷歌学者
26. B.Jiang、J.Yin和S.Zhao，“描述大型街道网络中的人员流动模式，”物理评论。统计、非线性和软物质物理，第80卷，第2期。2、Article ID 021136,2009。视图:出版商网站|谷歌学者
27. N. Limtanakool，M. Dijst和T. Schwanen，“基于人们流动的国家城市系统的理论框架和方法：法国和德国的经验证据，”城市研究，第44卷，第5期。11，PP。2123-2145,2007。视图:出版商网站|谷歌学者
28. A. De Montis, S. Caschili，和A. Chessa，《复杂网络的时间演变:意大利岛国的通勤系统》，地理系统杂志，第13卷，第1期，第49-65页，2011年。视图:出版商网站|谷歌学者
29. 张伟、德鲁德、王杰、沈伟和维特罗克斯，“利用基于位置的社交媒体来描绘城市间流动人口的模式：以长江三角洲的微博用户为例，”城市技术杂志，第23卷，第2期。3, pp. 91-111, 2016。视图:出版商网站|谷歌学者
30. R. Zhu，Y. Wang，D. Lin等，“探索内部移民的富人俱乐部特征：来自中国春云迁移的证据，”城市，第114卷，第103198条，2021年。视图:出版商网站|谷歌学者
31. 魏元，宋伟，秀灿，赵志刚，“春节期间中国人口流动网络的富俱乐部现象”，应用地理，第96卷，第77-85页，2018。视图:出版商网站|谷歌学者
32. 张伟，李昕，聂国强，“中国人口流动网络的空间格局及其影响因素——基于腾讯地理位置大数据的分析”，《地理学报》，2014年第4期。城市，卷。99，物品ID 102640,2020。视图:出版商网站|谷歌学者
33. J. Xu，A. Li，D. Li等，从春节乘客运输角度“中国城市发展差异”应用地理，卷。87，pp。85-96,2017。视图:出版商网站|谷歌学者
34. 潘俊、赖俊，“中国城市间人口流动的空间格局——基于腾讯人口迁移数据的国庆节+中秋节案例研究”，城市，卷。94，pp。55-69,2019。视图:出版商网站|谷歌学者
35. W. Yang，H. Chen和W. Wang，“居民不同旅游模式不同目的的路径和时间效率”：中国广州，中国的实证研究“运输地理杂志，第88卷，文章编号1028292020。视图:出版商网站|谷歌学者
36. P.Erdōs和A.Rényi，“在随机图的演变中，”匈牙利科学院数学研究所的出版物，第5卷，第5期。1960年，第17-60页。视图:谷歌学者
37. D.He、Z.Liu和B.Wang，复杂系统和复杂网络，高等教育出版社，北京，中国，2009年。
38. 朱灿，“复杂网络中关键节点评估的一种新方法”，混乱，孤子＆分形，第96卷，第43-50页，2017年。视图:出版商网站|谷歌学者
39. P. Bonacich，《权力和中心:一系列措施》美国社会学杂志，卷。92，没有。5，pp。1170-1182，1987。视图:出版商网站|谷歌学者
40. M. C. Mahutga，X.马，D·A·史密斯和M.·汀布莱克，“经济全球化与世界城市体系的结构：航空客运数据的情况下，”城市研究，卷。47，没有。9，PP。1925-1947,2010。视图:出版商网站|谷歌学者
41. N. Perra, B. Gonçalves, R. Pastor-Satorras，和A Vespignani，“时变网络的活动驱动建模”，科学报告，第2卷，第2期1, 2012。视图:出版商网站|谷歌学者
42. U. Brandes，“一种更快的中间中心性算法∗，”数学社会学杂志，第25卷，第2期2，页163-177,2001。视图:出版商网站|谷歌学者
43. G. Sabidussi，《图的中心性指数》，心理测量学第31卷第1期4，页581-603,1966。视图:出版商网站|谷歌学者
44. H. Yang，M. Dijst，P. Witte，H.Van Ginkel和W. Yang，中国高速铁路的空间结构：流动方法，“Tijdschrift Voor Economische en Sociale Geografie，第109卷，第2期。1, pp. 109-128, 2018。视图:出版商网站|谷歌学者
45. 刘彦、康志强、高世强、肖彦宏和田彦宏，“从出租车轨迹数据了解城市内部出行模式，”地理系统杂志，卷。14，不。4，pp。463-483,2012。视图:出版商网站|谷歌学者
46. 世界城市网络研究需要特征向量吗?城市研究，第50卷，第8期，第1648-1659页，2013年。视图:出版商网站|谷歌学者
47. J.P.Boyd、M.C.Mahutga和D.A.Smith，“递归测量世界城市网络的中心性和权力：对Neal的回答，”城市研究，第50卷，第5期。8, pp. 1641-1647, 2013。视图:出版商网站|谷歌学者
48. Z. Zhao，Y.Wei和R. Pang，“基于人口跨境流动性的中国城市网络转型的中心地位和控制研究 - 同样对城市网络研究递归理论的条件”，“Acta Geographica Sinica.第72卷第2期6、pp. 1032-1048, 2017。视图:谷歌学者
49. J. Lai和J. Pan，“中国城市网络结构特征基于人口流动期间春节旅游匆忙：”腾讯迁移“大数据的实证分析，”城市规划与发展杂志，第146期。文章编号04020018,2020。视图:出版商网站|谷歌学者
50. 方c，“中国城市群研究的重大进展与未来发展方向”Acta Geographica Sinica.，第69卷，第2期8, pp. 1130-1144, 2014。视图:谷歌学者
51. A. S.奥尔德森和J.贝克菲尔德，《世界城市体系中的权力和地位》，美国社会学杂志，第109卷，第2期。4，pp。811-851,2004。视图:出版商网站|谷歌学者
52. P. J. Taylor, G. Catalano，和D. R. F. Walker，《世界城市网络的测量》，城市研究第39卷第3期13，页2367-2376,2002。视图:出版商网站|谷歌学者

版权

版权所有©2021 Runze Qi等。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。