EN中文

经济地理 >

2024 , Vol. 44 >Issue 5: 53 - 63

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.05.006

城市地理与新型城镇化

疫情期间中国春运人口流动网络特征及其影响因素

  • 古恒宇 , 1 ,
  • 黎宇翔 2, 3 ,
  • 劳昕 , 4, ※ ,
  • 卢琳 4 ,
  • 张亮 1
展开
  • 1.南京大学 地理与海洋科学学院，中国江苏 南京 210023
  • 2.中山大学 地理科学与规划学院，中国广东 广州 510006
  • 3.华南师范大学 地理科学学院，中国广东 广州 510631
  • 4.中国地质大学（北京） 经济管理学院，中国 北京 100083
※劳昕（1988—），女，博士，副教授，博士生导师，研究方向为中国人口迁移流动。E-mail：

古恒宇（1994—），男，博士，研究员，博士生导师，研究方向为人口地理与区域发展。E-mail：

收稿日期: 2023-11-11

  修回日期: 2024-01-08

  网络出版日期: 2024-09-14

基金资助

北京市社会科学基金规划项目青年项目(21JJC028)

收起

Characteristics and Influencing Factors of Population Flow Network during China's Spring Festival under COVID-19 Pandemic

  • GU Hengyu , 1 ,
  • LI Yuxiang 2, 3 ,
  • LAO Xin , 4, ※ ,
  • LU Lin 4 ,
  • ZHANG Liang 1
Expand
  • 1. School of Geography and Ocean Science，Nanjing University，Nanjing 210023，Jiangsu，China
  • 2. School of Geography and Planning，Sun Yat-sen University，Guangzhou 510006，Guangdong，China
  • 3. School of Geography，South China Normal University，Guangzhou 510631，Guangdong，China
  • 4. School of Economics and Management，China University of Geosciences，Beijing 100083，China

Received date: 2023-11-11

  Revised date: 2024-01-08

  Online published: 2024-09-14

Fold

摘要

摘要：基于COVID-19疫情爆发时期（2020年）与疫情防控常态化时期（2021年）2个阶段春运出行期与返程期的城际人口流动数据，采用复杂网络方法刻画疫情影响下中国春运人口流动网络特征变化，并借助二次指派程序（QAP）识别了影响人口流动网络变化的因素。结果表明：①疫情爆发时期春运人口流动网络规模骤减，相邻城市间短距离人口流动联系取代中长距离的人口流动，表现出“小世界”特征，疫情防控常态化后人口流动网络规模与流动距离回升。②春运人口流动网络格局受疫情影响产生了一定变化，但人口向东部沿海地区中心城市、各地省会城市集聚的根本态势没有发生改变，人口流动网络社团划分在疫情不同阶段总体保持稳定。③疫情病例、各城市间空间距离对春运人口流动网络的负向影响程度逐渐下降，经济发展水平差异的影响力虽有弱化趋势，但依旧十分显著；城市常住人口、旅游服务、高等教育、交通发展及医疗服务水平差异对春运人口流动网络的正向影响逐渐提高。

关键词： COVID-19疫情; 人口流动网络; 春运; 复杂网络分析; QAP分析方法

本文引用格式

古恒宇 , 黎宇翔 , 劳昕 , 卢琳 , 张亮 . 疫情期间中国春运人口流动网络特征及其影响因素[J]. 经济地理, 2024 , 44(5) : 53 -63 . DOI: 10.15957/j.cnki.jjdl.2024.05.006

Abstract

Based on the population flow data of the China 's Spring Festival travel and return periods during the COVID-19 outbreak (2020) and the normalization stage of pandemic prevention and control (2021),this study uses the complex network analysis method to explore the changes in the characteristics of population flow network during the Spring Festival travel and return periods,and analyzes the determinants that affect the changes in the population flow network by the means of the quadratic assignment procedure (QAP) analysis method. The results are as follows: 1) The outbreak of COVID-19 pandemic resulted in a sharp decrease in the size of the population mobility network,a reduction in population mobility at medium and long distances,and an increase in short-distance population mobility links between adjacent urban areas,which presented a population mobility network with relatively "small world" characteristics. With the normal development of epidemic prevention and control,the scale of the population mobility network gradually rebounded. 2) Although the pattern of China's long-term population mobility network has been affected by the COVID-19 pandemic and has changed to a certain extent,the fundamental trend of population agglomeration to major cities in the eastern coastal areas has not changed,the community division of population mobility network remained stable in different stages of the pandemic. 3) The negative impact of factors related to the COVID-19 cases and spatial distance between cities on the population mobility network during the Spring Festival is gradually declining. Although there is a weakening trend in the influence of economic development level,it is still significant. However,the influence of urban permanent population,tourism development level,higher education level,transportation development level and medical service level on the population mobility network has also gradually increased during the Spring Festival.

Key words： COVID-19 pandemic; population flow network; the Spring Festival; complex network analysis; QAP analysis method

自改革开放以来，随着中国区域经济发展格局调整以及户籍制度的放宽，出现了以农业转移人口为主体，以特大、超大城市为主要流入地的人口流动大潮[1-2]。流动人口为流入地提供了大量的劳动力资源，推动了流入地的经济发展，亦是城镇化的重要实现形式[3-4]。春运期间流动人口的回乡及返程行为是中国重要的人口流动现象，春运人口流动特征具有复杂性，受到多种影响因素的综合作用。已有研究发现，春运呈现出人口流动网络结构不平衡的特点[5]。此外，春运期间的人口流动呈现出层级性特征[6]，节前、节中与节后的人口流动存在明显的差异性[7]，具体表征出“节前分流、节后汇流”的鲜明格局，流入地区主要集中在京津冀、长三角、珠三角、成渝等城市群地区[8]，且节假日期间的人口密度明显低于节前与节后2个工作日，而节前工作日的热值略高于节后工作日[9]。同时，在春运人口流动过程中，学生流、务工流、探亲流、度假流是春运期间的主要流动人群，不同的人口流动类型所受到的影响因素及其影响程度不尽相同，相关研究常选择人口规模、空间距离、经济发展、公共服务、公共交通、旅游资源等作为影响人口流动网络变化的指标变量[10-13]。
2020年初，COVID-19疫情在中国春运期间大范围爆发后，严重阻碍了人员、货物、信息和资本资源等要素的自由流动，对市场流动及就业等产生严重负面影响，也使得中国人口流动发生了较大变化[14-15]。总的来说，疫情不同时期的人口流动总量差异较大，但总体呈下降趋势，由于采取了限制旅行措施，各省人口流动急剧下降[15]，而人口流动减少又会抑制疫情的发展[16]。在疫情爆发初期，疫情超常规防控措施有效控制了人口流动过程，导致中国城市平均人口流出、流入强度和城市内部出行强度均降低，而在实行差异化防控策略推进复工复产后，全国人口流动开始恢复[17]。对于春运期间的人口流动而言，疫情并未影响2020年中国春节前的返乡流动[18]，在春节后至全国复工复产时期，全国各城市恢复程度明显呈现南高北低的空间格局，全国不同城市之间的恢复程度差异显著[19]；而相比于2020年，2021年春运由于受政府倡导就地过年等的影响，人口流动规模显著下降[18]。
已有研究多侧重于探讨COVID-19疫情下的人口流动空间格局分布，但较少从多年的视角，基于复杂网络对疫情下人口流动网络特征等变化情况进行解读。尽管2022年11月以来，通过不断优化调整疫情防控措施，我国在较短时间内实现了疫情防控的平稳转段，取得了抗击疫情的重大胜利，但对于疫情期间人口流动格局和机制的再探索仍有必要。基于此，本文使用通过百度迁徙大数据平台采集的2020和2021年各40天的春运人口流动数据，采用复杂网络分析方法，揭示疫情影响下中国春运人口流动网络特征动态变化情况；在此基础上运用二次指派程序（QAP），以春运人口流动网络矩阵为因变量，对疫情影响下春运人口流动网络的影响因素进行分析，探究疫情影响下春运人口流动网络特征及影响因素的变化，为未来公共卫生事件冲击下的人口流动监控管理以及提升城市公共卫生体系建设水平等提供相关政策建议。

1 研究设计

1.1 数据来源与变量选取

本文所使用的春运期间人口流动数据来源于百度地图迁徙大数据平台（https://qianxi.baidu.com） ① 。为了在春运期间对不同城市和不同时期的人口迁徙数据进行对比研究，将2020和2021年春运时期每一天当中某个城市流入另一城市的人口数量百分比乘以相对应时间的具体某一天当中某个城市的流出人口规模指数，再乘以1000，从而得出流出地各城市流入到各城市的人口流入规模指数，并用以衡量中国春运期间不同时间段流出地各城市流入到各城市的人口规模[20]。具体计算公式如下：
P M k = ∑ i n P R t k · P S t · 1000
式中： P M k为某城市流入 k城市的人口流入规模指数； P R t k为 t时间某城市流入 k城市的人口数量百分比； P S t代表 t时间某城市流出规模指数。
首先将数据缺失的地级及以上城市（以下简称城市）删减，确定287个城市为研究对象；然后将春运划分为春运出行期和返程期2个不同时间段，获取每个时间段的平均值。经过对两年春运出行期15天和返程期25天的人口流动数据取平均值，获得2020年（2020年1月10日—2020年2月18日）和2021年（2021年1月28日—2021年3月8日）中国春运出行期和春运返程期共4个时间段的人口流动平均数据。相比春运出行期，春运返程期人口流动过程更符合我国长期人口流动态势，因此本文选取的因变量数据为2020和2021年中国春运返程期人口流动百度迁徙数据构成的287×287的人口流动网络矩阵，并将人口流动网络矩阵进行二值化处理。具体来说，以i城市与其他城市之间的平均关联值为阈值进行二值化处理，即以i城市的行均值作为阈值。若大于该值，说明两城市间联系强度大于i城市与其他城市的平均联系强度，因此设为1；若小于该值，说明两城市间联系强度小于i城市与其他城市的平均联系强度，设为0[13]。
基于新古典人口迁移理论、舒适物理论[21]，以及国内外研究成果，结合对疫情时期现实状况的考量，认为2020和2021年中国春运人口流动网络变化会受到COVID-19疫情、经济发展水平、高等教育发展水平、旅游发展水平、医疗服务水平、公共交通发展水平、常住人口规模、地理邻近性等因素的影响（图1）。故以单日新增确诊病例数占当日全国总新增确诊病例的比重代表该地疫情严重程度[22]，以每万人在校大学生数量代表城市高等教育发展水平，以在岗职工平均工资代表该地经济发展水平[12-13]，以旅游人数衡量城市旅游服务水平，以每万人医院床位数量代表城市医疗服务水平[23]，以是否有高铁站判断城市公共交通发展水平[24]，以各城市常住人口测度城市间人口规模[25]。以上自变量数据来源于《中国城市统计年鉴2020》《中国城市统计年鉴2021》、交通部及国家卫健委等公布的官方数据。此外，地理邻近性由城市间直线距离数据表示[26]，经ArcGIS计算得到。为缓解内生性的问题，除新增确诊病例占总确诊病例的比重以及空间距离以外，其他自变量选自2019和2020年的数据，滞后于因变量。最后，将相关自变量数据进行Z-Score标准化处理，以避免量纲和不同类型变量指标对最终QAP回归结果的干扰，并将所有自变量数据分别转换构建成287×287的差值矩阵。自变量的描述性统计见表1。
图1 突发性公共卫生事件引导下春运人口流动网络特征变化的分析框架

Fig.1 Analysis framework of the changes of population flow network characteristics under the influence of sudden public health events

表1 自变量描述性统计

Tab.1 Descriptive statistics of independent variables

变量名称 变量描述 最大值 最小值 均值 标准差
POP 各城市常住人口差值矩阵（万人） 3.41（2019）
3209.00（2020）		 1.64（2019）
31.00（2020）		 10.04（2019）
461.06（2020）		 -1.61（2019）
386.63（2020）
CASE 各城市单日新增确诊病例占当日全国总新增确诊病例的比重差值矩阵（%） 30.26（2020）
30.26（2021）		 0.00（2020）
0.00（2021）		 0.35（2020）
0.35（2021）		 2.28（2020）
2.27（2021）
TRAVEL 各城市旅游人数差值矩阵（万人次） 37422.70（2019）
25911.90（2020）		 391.90（2019）
87.56（2020）		 5825.68（2019）
3817.50（2020）		 5302.32（2019）
3927.37（2020）
STU 各城市每万人在校大学生数量差值矩阵（人/万人） 1128.05（2019）
1098.81（2020）		 1.07（2019）
18.08（2020）		 188.45（2019）
200.57（2020）		 208.96（2019）
190.78（2020）
WAGE 各城市在岗职工平均工资差值矩阵（元） 173205.00（2019）
185026.00（2020）		 44953.00（2019）
10216.00（2020）		 76699.23（2019）
83163.03（2020）		 16903.38（2019）
17741.82（2020）
HOS 各城市每万人医院床位数差值矩阵（张/万人） 88.73（2019）
3.32（2020）		 24.25（2019）
0.24（2020）		 52.17（2019）
4.88（2020）		 12.34（2019）
2.17（2020）
RAIL 各城市是否有高铁站关系矩阵（是=1，否=0） 1.00 0.00 0.82 0.38
DIS 各城市两地之间地理距离矩阵（km） 3437.61 5.63 1405.14 825.82

注：表中括号内数据为年份。

1.2 研究方法

1.2.1 复杂网络分析

根据所采集到2020和2021年春运287个城市的人口流动数据，定义中国春运城市间人口流动网络的节点为287个，连边则是上文数据处理中的百度迁徙大数据。在已知春运人口流动网络的节点和连边的前提下，所构建的节点关系矩阵是一个287×287的非对称人口流动网络矩阵。
度指的是网络结构中与节点相连通的边的数量，在有向加权网络中分为入度和出度。
平均聚类系数描述的是网络节点间联系的聚集程度。设网络节点城市数量为 N，则平均聚类系数 C可以表征每个网络节点城市聚类系数 C i的平均值。
平均路径长度可以反映人口流动网络的离散程度。若人口流动网络中平均路径长度越小，则城市间人口流动关联更加紧密便捷。
模块度通过连接在网络中联系较为紧密的网络节点来划分成一个社群，划分集群的过程就是转化为最大化模块度的求解过程。

1.2.2 QAP分析

QAP分析方法属于网络分析中对2个矩阵中的各个元素相似性展开比较的方法，适用于网络影响因素分析[27]，其因变量和自变量都是表征网络的矩阵数据。与一般的多元回归分析要求变量之间相互独立相比，QAP分析方法对回归分析模型中的各变量之间的独立性没有要求，因此允许将理论上有意义的相关变量都纳入到QAP回归分析模型中，最终得到最具有解释力的分析结果。本研究提出的相关变量之间并不是独立的，故选择使用QAP分析方法，即通过构建QAP分析回归模型，以春运人口流动网络矩阵为因变量，加入表1各指标作为自变量，对疫情下春运人口流动网络的影响因素进行分析。模型如下：
N t = f P O P t - 1 , C A S E t , T R A V E L t - 1 , S T U t - 1 , W A G E t - 1 , H O S t - 1 , R A L L t - 1 , D I S
式中： N t表示t年春运人口流动网络；各影响因素变量见表1。

2 疫情背景下中国春运人口流动的网络特征变化

2.1 疫情下春运人口流动网络规模骤减，防控常态化后人口流动网络规模回升

将2020、2021年中国春运出行期和返程期的人口迁移优势流进行空间可视化表达，以此比较疫情影响下中国春运人口流动网络的特征变化（图2）。
图2 2020和2021年疫情下中国春运人口迁移优势流分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2023）2767号的标准地图制作，底图无修改。图3~图4同。

Fig.2 Distribution of population mobility during the Spring Festival under the COVID-19 in 2020 and 2021

在2020年中国春运出行期，人口流动网络整体分布呈现出东部密集、西部稀疏的结构特征，人口流动网络密集区域集中在“胡焕庸线”以东，符合中国人口分布特征。由于在2020年春运出行期，缺乏对新冠肺炎疫情的认知，疫情防控工作尚未全面展开，故疫情对春运出行期人口流动的影响较小，人口流动网络规模较往年春运差别不大。由图2可以明显看出以北京为核心的京津冀地区、以上海为核心的长三角地区、以广州和深圳为双核心的珠三角区域以及成渝地区拥有紧密的人口流动网络结构，并且在东北及西北地区也有一定数量的人口流动。同年春运返程期，随着疫情在全国大部分城市爆发，政府和社会各界倡导居家不外出，人口流动网络明显相比出行期更加稀疏，人口迁移流条数大量减少，人口流动规模大幅下降。同时，春节假期被统一延长，部分省份政府延迟了复工时间，大量地区实行交通管控，亦使得人们返程时间有所延后，阻碍了中长距离的人口流动，而在短距离区域内人口流动联系较多。由图2可知，2020年春运返程期人口流动网络在空间上仍以“胡焕庸线”为界，呈现出东部比西部更为密集的结构特征，热门的迁徙城市依旧是各个重要省会城市。
在2021年春运出行期，人口流动网络密集程度呈现出从东部和南部沿海地区向西部和北部地区递减的趋势，人口流动网络密集的区域仍主要集中在“胡焕庸线”以东，其特征与2020年总体相似。与受到疫情影响较大的2020年春运返程期相比，2021年出行期的人口流动网络规模随着疫情防控常态化的发展有所提升，但与2020年出行期人口流动规模相比，人口迁移优势流数量仍相差较大。2021年春运返程期，人口流动网络规模与出行期的人口流动网络规模相似，而与2020年春运返程期的人口流动网络规模相比有所回升，原因是随着疫情防控进入常态化，人们计划出行时会减少对疫情防控的考虑。

2.2 疫情下春运返程期人口流动网络表征出“小世界”特征，防控常态化后春运返程流动距离增加

通过比较2020和2021年出行期和返程期人口流动网络的平均聚类系数和平均路径长度数值变化，刻画出两年中国春运不同时期的人口流动网络结构的整体联系聚集程度（表2）。
表2 疫情下中国春运人口流动网络平均聚类系数和平均路径长度

Tab.2 The average clustering coefficient and the average path length of the population flow network during the Spring Festival under the COVID-19

时间段 平均聚类系数 平均路径长度
2020年出行期 0.602 1.499
2020年返程期 0.768 1.246
2021年出行期 0.620 1.421
2021年返程期 0.677 1.359
与同等规模节点的随机网络相比，小世界网络兼具较短的平均路径长度和较大的平均聚类系数，表明网络中虽然各节点联系的节点数量有限，但任意两点仍有可能通过较短的拓扑距离而取得联系[28]。具体来说，2020年春运返程期在这4个时间段中平均聚类系数最大（0.768），平均路径长度最小（1.246），表明2020年返程期的人口流动网络相对来说受到疫情的正面冲击在4个时间段中最为明显，区域内部联系最为紧密，人口流动网络之间的连接偏向于大量节点内部之间的连接。
在两年的春运出行期中，平均聚类系数在数值上相差不大；2020年春运出行期的平均路径长度的数值略大于2021年，但同样相差不大。这是由于2020年春运出行期人口流动并未受到疫情的严重影响，而在2021年春运出行期疫情已经得到了有效管控，因此两年春运出行期的变化较小。
对于两年的春运返程期，2021年返程期的平均聚类系数数值明显小于2020年，可见疫情在得到有效管控后对人口流动的影响被大幅削弱，地区开放程度提高，城市间的网络连接趋向分散化。此外，在返程期的平均路径长度中，2020、2021年的平均路径长度数值大小分别为1.246、1.359，两者数值相差较大且均小于出行期的平均路径长度，这是由于疫情爆发初期对人口流动造成巨大冲击，人们减少了长距离的出行，取而代之的是短距离人口流动，一定区域间及相邻城市间的联系更加紧密；而在2021年春运返程期随着疫情防控转向常态化，人口流动规模与流动距离逐渐恢复，在原有短距离的人口流动中增加了一定中长距离的人口流动。

2.3 人口流动网络结构呈现出行期流入城市分散，返程期流入城市集中的特征

通过对2020和2021年的人口流动网络的加权度数据进行空间可视化表达，刻画出两年春运不同时期的人口流动网络中流入城市的分布格局，并比较其春运人口流动网络结构特征的变化（图3）。
图3 2020和2021年疫情下中国春运人口流动网络加权度分布

Fig.3 Weighted degree distribution of population flow network during the Spring Festival under the COVID-19 in 2020 and 2021

在2020年春运出行期，疫情在中国还未受到人们的广泛关注，对于游客、返乡学生与务工人员的出行计划产生的负面影响较小。根据图3，北京、广州、上海、深圳等一线城市与主要省会城市，以及东莞、苏州等务工人口聚集的城市人口流动网络中心度较高。同年春运返程期，全国人口流动网络的流入城市分布比较集中，主要的人口流动分布趋势呈现出东部密集、西部稀疏的结构特征。虽然疫情在2020年春运返程期间为中国各个城市的人口流动规模带来了巨大的负面影响，但图3显示出热门迁入城市依旧是北京、广州等一线城市，西安、沈阳和长沙等人口流动核心城市，以及南宁、合肥等全国重要交通枢纽中心城市。
在2021年春运出行期，全国人口流动网络中流入城市分布依旧比较分散。总体来说，北京、上海等一线城市以及成都等主要核心省会城市的人口流动规模比其他城市更高。同年春运返程期，人口流动网络的流入城市分布格局相对集中，人口较集中地流入经济发展水平、公共交通发展水平、高等教育发展水平以及医疗服务水平高的城市，且可以发现该阶段的人口流动规模明显高于2020年春运返程期人口流动规模。

2.4 人口流动网络社团划分在疫情不同阶段产生变化，但总体保持稳定

对2020和2021年中国春运时期的人口流动网络进行社团划分，从每个社团内部的核心城市或所在中国某一地理分区来分类命名，共分为10个社团（图4）。
图4 2020和2021年疫情下中国春运人口流动网络社团划分

Fig.4 Community division of the population mobility network during the Spring Festival under the COVID-19 in 2020 and 2021

2020年春运出行期，人口流动网络社团划分主要包含以省会为中心的长沙社团、昆明社团、郑州社团等；以城市所在地区划分的川渝社团、西北社团、长三角社团等。由于人口流动尚未受到突发因素的影响，其流动规模较往年无异，并且这些社团都表现出中心城市和省会城市耦合的集群现象。因出行期间人口流入的城市较为分散，划分出的社团呈分散状态。同年春运返程期，受到疫情背景下封锁政策的影响，人口流动社团结构出现整合分裂，与出行期相比最明显的变化就是武汉社团从郑州社团分离出来，可见武汉的封城措施对湖北省人口流动产生了较大影响。同时，在此期间，居民更倾向选择在某一小范围区域内流动，长距离的人口流动量降低，导致辽东半岛社团加入东北社团，长沙社团加入华南社团。需要指出的是，在疫情爆发之下仍有相当一部分务工人员在进行流动，说明即使存在疫情的影响，也无法完全隔绝城市群的交互联系，因此务工人口密集城市出现耦合的集群现象，例如福州社团、长三角社团、华南社团以及山东半岛社团。
2021年春运出行期，中国已处于疫情防控常态化阶段，人口流动规模虽无法与疫情爆发前的2020年春运出行期相比，但人口流动社团划分基本一致。其中，长沙社团重新从华南社团分离出来。同年春运返程期，受到务工人员返工、学生返校等因素影响，人口流动社团结构再度演化，在社团划分中重新增加了山东半岛社团，川渝社团与昆明社团结合形成了西南社团。
综上，疫情防控政策并不能使城市社团发生大规模分离，人口流动网络中大部分城市社团仍以多个一线城市或省会城市为核心，多数地理位置邻近的城市都被划分进入相同的社团，且具有强烈的区域集聚效应，形成了以核心城市为中心向周边城市辐射的分布格局。城市群在此4个阶段大体保持稳定，反映出中国城市间的人口流动实际上以城市群内部流动为主，人口流动仍然受到地理摩擦因素的影响，邻近区域对人口流动更具有吸引力。

3 疫情背景下中国春运人口流动网络影响因素分析

3.1 QAP相关分析

对2020和2021年中国春运人口流动网络二值化矩阵与各自变量进行QAP相关性分析，结果见表3。
表3 2020和2021年中国春运人口流动网络QAP相关分析结果

Tab.3 QAP correlation analysis results of population flow network during the Spring Festival in 2020 and 2021

变量 2020 2021
相关性系数 P值 相关性系数 P值
POP 0.298*** 0.000 0.334*** 0.000
CASE -0.098*** 0.005 -0.066** 0.036
TRAVEL 0.214*** 0.000 0.237** 0.000
WAGE 0.197*** 0.000 0.221*** 0.000
STU 0.119*** 0.000 0.176*** 0.000
HOS 0.051** 0.014 0.054** 0.038
RAIL 0.105*** 0.000 0.109*** 0.005
DIS -0.226*** 0.000 -0.165*** 0.000

注：*、**、***分别代表10%、5%和1%的显著性水平上显著。表4同。

具体来说，常住人口、旅游人数、在岗职工平均工资、是否有高铁站、每万人在校大学生数量和每万人医院床位数都与中国春运人口流动网络呈现出显著的正相关关系，且相关性呈现上升趋势；而单日新增确诊病例与当日全国总新增确诊病例占比以及空间距离与中国春运人口流动网络呈现出显著的负相关关系，相关性存在下降趋势。总体来看，QAP相关回归结果表明本研究可以在此变量基础上进行QAP回归分析。

3.2 QAP回归分析

选取2020和2021年中国城市春运返程期人口流动网络二值化矩阵作为因变量矩阵，进行2000次随机置换，回归结果见表4。
表4 2020和2021年中国春运人口流动网络QAP回归结果

Tab.4 QAP regression results of population flow network during the Spring Festival in 2020 and 2021

变量 2020 2021
标准化系数 P值 标准化系数 P值
POP 0.281*** 0.000 0.302*** 0.000
CASE -0.053*** 0.008 -0.016** 0.012
TRAVEL 0.028* 0.055 0.034* 0.071
WAGE 0.086*** 0.000 0.082*** 0.000
STU 0.002* 0.089 0.053* 0.062
HOS 0.023* 0.054 0.037*** 0.006
RAIL 0.020** 0.034 0.030*** 0.000
DIS -0.224*** 0.000 -0.163*** 0.000
R2 0.1509 0.1512
置换次数 2000 2000

3.2.1 COVID-19疫情病例、城市间空间距离对春运人口流动网络的负向影响逐渐削弱

在2020和2021年春运期间，疫情单日新增确诊病例与当日全国总新增病例占比的标准化回归系数显著为负。虽然疫情发展状况对春运人口流动网络发挥着较大的负向作用，但呈现弱化趋势，反映出疫情防控常态化期间，随着各地开始复工复产复学，各级政府放宽了人口流动方面的限制政策。随着城市内部封控区、管控区、防范区的设立，以及防控措施日益精准化、科学化，在遵守防疫规定的前提下，存在疫情病例的城市与暂未发生疫情的城市之间仍基本可以保持正常的人员流动，疫情对于春运人口流动网络的负面影响程度有所降低。
两两城市之间空间距离对人口流动网络亦呈现显著负向影响。随着城市间空间距离增加，城际人口流动的成本也在逐渐上升，说明空间距离在疫情期间仍然是中国城际人口流动的重要制约因素之一。而2021年的标准化系数相比2020年，从 -0.224提升到了-0.163，侧面表现出随着防疫政策的科学化与公共交通的快速发展，两两城市间空间距离对春运人口流动网络影响逐渐减小。

3.2.2 经济发展水平对人口流动网络呈现稳定的正向影响，但存在弱化趋势

新古典人口迁移理论认为，劳动力迁移是由于迁出地和迁入地的工资水平差距所引起的，人们会基于对城市薪资收入和就业机会等因素的考虑，从经济发展水平低的城市流入经济发展水平高的城市，以此来获得更高的薪资或更加广泛的就业机会与更加明朗的就业前景[29]。在2020、2021年春运期间，在岗职工平均工资的标准化回归系数分别为0.086、0.082，两者在数值上虽有较小下降，但影响依旧显著。可见，城市间经济发展水平差距越大，对人口流动关联网络的建立作用越显著。
在疫情爆发前，流入地城市的经济发展水平更高意味着能有更多的就业岗位、更高的工资水平等，更有可能与经济发展水平较低的城市建立人口流动网络。但是，随着中国面临经济增长速度放缓、产业结构调整以及新冠肺炎疫情等公共危机的综合挑战，单纯追求经济机会的人口流动行为可能将面临更高风险或不确定性[30]。尤其是疫情期间，我国社会经济遭受重创，许多企业面临裁员甚至破产风险，因此企业会减少工作岗位或者降低薪酬待遇，这种现状使得务工人员在进行城市选择时，除了考虑城市经济发展水平、工资水平外，还会将更多方面的因素纳入决策。可以预见，随着后疫情时期经济高质量发展战略的不断推进，经济规模差距的影响在未来将逐渐减弱至某水平并保持稳定。

3.2.3 常住人口、高等教育、旅游发展、医疗与交通服务水平对春运人口流动网络的正向影响逐渐增强

常住人口变量通过了1%水平的显著性检验，说明城市间常住人口规模差异对城市间人口流动具有显著正向影响。2021年的标准化系数相比2020年，从0.281提升至0.302，说明即使在疫情影响下，城市间常住人口规模差异对于春运人口流动网络的影响程度依旧是上升的。一般情况下，常住人口较多的城市预计会拥有更多的流动人口[31]，流动人口在加速流入地城镇化进程的同时，扩大了流出地与流入地的城镇化差异水平，导致了劳动力在不同等级城市间的跨区域流动和交流[32]。
此外，在2020、2021年春运期间，城市每万人在校大学生数量的标准化系数从0.002上升至0.053；城市旅游服务水平的标准化系数从0.028上升至0.034；城市是否有高铁站的标准化系数从0.020上升至0.030；城市每万人医院床位数量的标准化系数从0.023上升至0.037，且回归结果均显著。表明城市间高等教育发展水平、旅游发展水平、交通发展水平与医疗服务水平差异对春运人口流动网络的影响均是正向的，且影响力逐渐增强。
具体来说，由于2020年春运期间疫情的爆发，各高校陆续发布延迟返校通知，对需要从家乡返校的学生流造成了一定的制约作用；在政府倡导“居家不出行”后，人们的出行需求骤降，城市间公共交通水平在人口流动网络中的影响力被削弱。而随着2021年疫情防控步入常态化，疫情对于往返家乡与高校之间的学生流的制约作用削弱，因而城市间高等教育水平差异对春运人口流动网络的影响程度随之增强；同时，受到疫情影响，旅游目的地的不安全因素会引发旅游者的心理安全感知，其在出行目的地选择时会更加谨慎[34]，非热门旅游城市之间的联系将迅速减少。相比疫情之前，游客会更倾向选择对自身吸引力更大的热门旅游城市，故城市间旅游发展水平差异对春运人口流动网络的影响程度也随之上升；随着封控政策的取消，人们在城际出行所需的城市公共交通对于人口流动的影响程度上升，且便利的公共交通水平能进一步加速人口流动以及不同城市人员的合作交流[13,32]，因此城市间的交通发展水平对春运人口流动网络的影响程度也逐渐提高。最后，由于在疫情防控过程中，我国居民对于医疗服务各方面的需求不断提高，即使随着疫情防控常态化发展，当人们再进行流入城市的选择时，依旧会将城市医疗服务水平列入重要考虑条件，尤其是医疗条件落后与医疗条件发达的城市将更容易产生人口流动的关联，因此可以发现城市间医疗服务水平差距对春运人口流动网络的正向影响同样是增强的。

4 结论与讨论

4.1 结论

基于2020与2021年中国春运期间人口流动的百度迁徙大数据，利用复杂网络分析总结春运人口流动网络变化特征，并借助QAP分析进一步探讨了两年春运间人口流动网络变化的影响机制，得到的主要结论如下：
①2020年春运返程期开始，疫情爆发及防控政策对人口流动具有强烈抑制作用，致使人口流动网络规模骤减，中长距离的人口流动减少，相邻城市间的短距离人口流动联系增多，人口流动网络相对具有“小世界”特征。在2021年疫情防控常态化发展下，各个城市基于风险研判，根据地区疫情风险程度不同，颁布对应的管控措施，人口流动网络规模逐渐回升，在返程期流动出行距离明显增加。
②两年的春运人口流动网络反映出中国长期以来的人口流动网络格局虽然受疫情的影响产生了一定程度的变化，但人口向全国中心城市及省会城市、东部沿海地区的主要城市集聚的根本态势并没有发生改变。在春运期间人口流动网络的社团划分中，绝大多数依旧呈现出以中心城市和省会城市为中心的集群现象，形成了以核心城市为中心向周边城市辐射的分布格局，并且这种格局不易被打破。
③疫情对于春运人口流动网络的负向影响程度在逐渐下降，医疗服务水平却因疫情的发展而增强了对春运人口流动网络的影响力。随着疫情防控常态化发展，人们在出行时会降低对疫情的考虑；由于疫情期间我国医疗设施及医疗人员在各方面的充分应对，使得疫情的防控取得了显著成果，社会各界也更加关注医疗服务水平在城市建设中所发挥的作用。因此随着疫情防控的常态化，人们在选择流入地的时候，会在出于自身健康安全的考量下，将医疗服务水平纳入考虑范围当中。
④随着疫情防控转向常态化，城市的旅游、高等教育及交通发展水平对春运人口流动网络的影响力逐渐提高，而经济发展水平影响力虽有弱化趋势，但依旧十分显著。从家乡前往各大城市的务工人员和高校学生，在恢复正常生活秩序后会增加流动频率；而务工人员在选择流入城市时，除了考虑城际的空间距离外，会更多地考虑城市经济发展水平。但由于疫情影响下中国面临着经济增长速度放缓、产业结构调整的挑战，人们在选择流入城市时的考虑因素会更加多元化，即使经济因素在人们选择流入城市的决策过程中仍占主导地位，但已呈现弱化趋势。

4.2 讨论

中国政府与民众抗击COVID-19疫情已取得全面成功，但疫情对人口流动所带来的影响仍然深远。相比传统的中国人口流动格局的研究，本文一方面引入了复杂网络分析的视角，基于疫情发展2个阶段的监测数据考察了人口流动网络的动态演化特征，为揭示疫情引导下的中国人口流动的变化规律提供了一定参考；另一方面，本文拓展了前人对于中国人口流动网络影响因素的研究，发现在疫情的介入下，城市的经济发展水平差异对于人口流入的吸引力已有所削弱，而医疗服务水平差异对于人口流入的作用却显著提升。
严格的防疫政策虽有效控制了病例数量增长，但却抑制了人口的流动，进而对社会经济造成冲击；疫情防控的常态化显著提升了人口流动规模，在一定时间内推动区域经济与产业发展，但人口的集聚易导致疫情的反复，进而使地区重新收紧防疫政策，可见疫情影响下的人口流动网络是一个循环因果式的、复杂的动态变化过程。基于研究结论，本文建议：①在突发公共卫生事件下，应深入了解疫情下城市间居民流动及聚集规律。必须及时分析识别人口的流动特征以及感染链的走向，通过及时的信息公开与风险研判等措施对人口流动、疫情传播路径进行合理干预。②在应对突发公共卫生事件时，应谨慎地部署对人口流动的强制性管控措施，最大限度地减少对城市社会经济的影响。同时需要加快建设韧性网络城市，提升城市间在应对灾害危机时的协同配合能力。③着重加强公共卫生体系建设。在追求城市经济效益的同时，也要提升与流入人口挂钩的流入城市基本公共资源与服务，以更科学高效地应对未来可能再次出现的重大公共卫生事件。
本研究还存在一定局限性。首先，受百度迁徙数据的可得性限制，本文仅对疫情爆发年份（2020年）和疫情防控常态化年份（2021年）的情况进行对比研究。其次，百度迁徙数据不可避免地存在局限性，且平台并没有直接提供春运人口流动具体数据，本文将百度地图提供的人口迁移规模指数进行了适当处理，以用于城市间的对比，可能对分析结果产生一定的影响。未来可尝试从不同数据源获取新冠疫情前、中、后期的人口流动数据，从而更好地对比分析疫情发展3个阶段人口流动网络变化，充分了解疫情影响下的人口流动变化规律；也可以基于疫情期间的人口流动网络数据，剖析疫情对全国各城市人口流动和恢复的影响情况时空特征，并进一步结合信息流、资金流等多源数据对城市网络结构韧性进行测度，评估突发公共卫生事件下城市网络系统能够恢复原有网络特征的能力[35]，以更好地促进城市间要素的高效流通及资源的有序配置。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Fan C C. Modeling interprovincial migration in China,1985-2000[J]. Eurasian Geography and Economics, 2005, 46(3):165-184.

[2]
Fan C C. Interprovincial migration,population redistribution,and regional development in China:1990 and 2000 census comparisons[J]. The Professional Geographer, 2005, 57(2):295-311.

[3]
刘涛, 齐元静, 曹广忠. 中国流动人口空间格局演变机制及城镇化效应——基于2000和2010年人口普查分县数据的分析[J]. 地理学报, 2015, 70(4):567-581.

DOI

[4]
张华, 刘哲达, 殷小冰. 中国跨省流动人口回流意愿的空间差异及影响因素[J]. 地理科学进展, 2021, 40(1):73-84.

DOI

[5]
Hu X, Li H, Bao X. Urban Population Mobility Patterns in Spring Festival Transportation:Insights from Weibo Data[C]// 2017 International Conference on Service Systems and Service Management. IEEE,2017:1-6.

[6]
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.

DOI

[7]
陈双, 周锐, 高峻. 基于腾讯迁徙大数据的长三角城市群春运人口流动时空特征[J]. 人文地理, 2020, 35(4):130-138.

[8]
陆杰华, 刘烁瞳. 基于电子地图大数据的春运期间人口流动时空新格局探析——兼议反向春运[J]. 人口与社会, 2020, 36(5):1-13.

[9]
Zhou T, Huang B, Liu X, et al. Spatiotemporal exploration of Chinese Spring Festival population flow patterns and their determinants based on spatial interaction model[J]. ISPRS International Journal of Geo-Information, 2020, 9(11):670.

[10]
朱羽佳, 汪德根, 曾鹏. 城市流动人口长期居留意愿的空间分异及影响因素——以长三角城市群为例[J]. 热带地理, 2021, 41(3):528-539.

DOI

[11]
Wang X, Ding S, Cao W, et al. Research on network patterns and influencing factors of population flow and migration in the Yangtze River Delta Urban Agglomeration,China[J]. Sustainability, 2020, 12(17):6803.

[12]
孙桂平, 韩东, 贾梦琴. 京津冀城市群人口流动网络结构及影响因素研究[J]. 地域研究与开发, 2019, 38(4):166-169,180.

[13]
姚永玲, 邵璇璇. 中国城市人口空间网络结构及影响因素[J]. 人口与经济, 2020, 243(6):1-16.

[14]
杨冕, 谢泽宇. 新冠肺炎疫情防控对中国人口流动的影响——基于百度地图迁徙大数据的实证研究[J]. 人口研究, 2020, 44(4):74-88.

[15]
Li C, Wu Z, Zhu L, et al. Changes of spatiotemporal pattern and network characteristic in population flow under COVID-19[J]. ISPRS International Journal of Geo-Information, 2021, 10(3):145.

[16]
刘张, 千家乐, 杜云艳, 等. 基于多源时空大数据的区际迁徙人群多层次空间分布估算模型——以COVID-19疫情期间自武汉迁出人群为例[J]. 地球信息科学学报, 2020, 22(2):147-160.

DOI

[17]
Yang Z, Gao W, Zhao X, et al. Spatiotemporal patterns of population mobility and its determinants in Chinese cities based on travel big data[J]. Sustainability, 2020, 12(10):4012.

[18]
陈慧云, 王强. COVID-19疫情对福建省2020年和2021年春运人口流动的影响[J]. 福建师范大学学报:自然科学版, 2021, 37(5):77-88.

[19]
童昀, 马勇, 刘海猛. COVID-19疫情对中国城市人口迁徙的短期影响及城市恢复力评价[J]. 地理学报, 2020, 75(11):2505-2520.

DOI

[20]
向云波, 王圣云. 新冠肺炎疫情扩散与人口流动的空间关系及对中国城市公共卫生分类治理启示[J]. 热带地理, 2020, 40(3):408-421.

DOI

[21]
李拓, 李斌. 中国跨地区人口流动的影响因素——基于286个城市面板数据的空间计量检验[J]. 中国人口科学, 2015, 35(2):73-83,127.

[22]
李梦程, 王成新, 薛明月, 等. 新冠肺炎疫情网络关注度的时空演变特征及其影响因素分析[J]. 人文地理, 2021, 36(2):110-119,154.

[23]
王婧, 刘奔腾, 李裕瑞. 京津冀人口时空变化特征及其影响因素[J]. 地理研究, 2018, 37(9):1802-1817.

DOI

[24]
林晓言, 石中和, 罗燊, 等. 高速铁路对城市人才吸引力的影响分析[J]. 北京交通大学学报:社会科学版, 2015, 14(3):7-16.

[25]
唐锦玥, 张维阳, 王逸飞. 长三角城际日常人口移动网络的格局与影响机制[J]. 地理研究, 2020, 39(5):1166-1181.

DOI

[26]
盛广耀. 中国省际人口流动网络的演化及其解释[J]. 中国人口·资源与环境, 2018, 28(11):1-9.

[27]
周文韬, 杨汝岱, 侯新烁. 世界服务贸易网络分析——基于二元/加权视角和QAP方法[J]. 国际贸易问题, 2020, 455(11):125-142.

[28]
侯纯光, 杜德斌, 刘承良, 等. 全球人才流动网络复杂性的时空演化——基于全球高校留学生流动数据[J]. 地理研究, 2019, 38(8):1862-1876

DOI

[29]
叶明确, 任会明. 中国省际人口流动网络演化及其影响因素研究[J]. 当代经济管理, 2020, 42(3):46-54.

[30]
古恒宇, 劳昕, 温锋华, 等. 2000—2020年中国省际人口迁移格局的演化特征及影响因素[J]. 地理学报, 2022, 77(12):3041-3054.

DOI

[31]
Gu H, Shen J, Chu J. Understanding intercity mobility patterns in rapidly urbanizing China,2015-2019:Evidence from longitudinal poisson gravity modeling[J]. Annals of the American Association of Geographers, 2023, 113(1):307-330.

[32]
任晓松, 李昭睿. 全生命周期视角下中国建筑碳排放空间关联网络演化及影响因素分析[J/OL]. 环境科学,1-16[2024-01-18].https://doi.org/10.13227/j.hjkx.202303043.

[33]
马学广, 唐承辉. 中国城市网络化空间联系与格局——基于高铁客运流的大数据分析[J]. 经济地理, 2018, 38(4):55-64.

DOI

[34]
赵梓渝, 赵世瑶, 韩钟辉, 等. COVID-19疫情对中国节日人口城际出行影响研究[J]. 人文地理, 2022, 37(2):141-149,172.

[35]
魏石梅, 潘竟虎. 中国地级及以上城市网络结构韧性测度[J]. 地理学报, 2021, 76(6):1394-1407.

DOI

Options
文章导航

/

〈 〉