EN中文

Economic geography >

2024 , Vol. 44 >Issue 7: 68 - 77

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.07.007

The Influence of Urban Multiple Supply on Population Cross-region Flow in China

  • LI Zhuowei , 1 ,
  • WANG Shijun , 1, 2, ※ ,
  • ZHAO Ziyu 3 ,
  • SHI Xiang 4 ,
  • ZHAO Yuanfei 1
Expand
  • 1. School of Geographical Sciences，Northeast Normal University，Changchun 130024，Jilin，China
  • 2. Key Laboratory of Geographical Processes and Ecological Security of Changbai Mountains（Ministry of Education），Northeast Normal University，Changchun 130024，Jilin，China
  • 3. School of Tourism and Geography Science，Qingdao University，Qingdao 266071，Shandong，China
  • 4. School of Public Administration，Jilin University，Changchun 130015，Jilin，China

Received date: 2024-01-26

  Revised date: 2024-04-19

  Online published: 2024-09-13

Fold

Abstract

The supply imbalance between cities drives population movement to other cities to meet their needs. In the early stages of China's reform and opening-up,the primary supply-demand relationship between population and cities was centered on the population's demand for economic development and the supply of urban labor markets. Once individual labor income meets the production,investment,basic consumption,and basic security needs of individuals or families,the population's demands begin to diversify. Consequently,the supply capacities of cities in terms of consumption,entertainment,landscapes,and transportation start to exert push-pull forces on population flow. This paper leverages Tencent's location big data to construct a population cross-region flow network. It uses the QAP regression model to analyze various supply factors influencing population flow in the process of population movement,and explores the hierarchical and temporal heterogeneity of population flow. The study reveals the following findings: 1) Railway transportation,catering and entertainment,and economic supply are the main factors affecting inter-city population flow,with landscape supply showing sensitivity to time choices. 2) Mobile populations have different demands for cities at different levels,with financial elements showing a diminishing marginal effect by level. However,the supply of catering,entertainment,and railway transportation does not exhibit significant hierarchical heterogeneity. 3) Population flow shows temporal heterogeneity. During holidays,landscape supply shows a significantly positive effect on the population flow,while the significance level for economic supply noticeably decreases.

Key words： multiple supply; population flow; traffic; heterogeneous characteristics; hierarchical structure; big data

Cite this article

LI Zhuowei , WANG Shijun , ZHAO Ziyu , SHI Xiang , ZHAO Yuanfei . The Influence of Urban Multiple Supply on Population Cross-region Flow in China[J]. Economic geography, 2024 , 44(7) : 68 -77 . DOI: 10.15957/j.cnki.jjdl.2024.07.007

人口流动是地理学、人口学等学科关注的重要领域，被学者们称为中国改革开放中意义最为深远的地理过程之一[1]。1980年代以来，随着中国改革开放和全球化进程的推进，经济的高速发展、城乡二元结构、沿海与其他地区经济发展差异等因素促使人口流动的规模急剧增加[2-3]。2015年以来，中国劳动力特别是外来务工人员开始从沿海地区向中西部地区回流，中国的人口跨市流动（以下简称人口流动）格局发生了巨大的变化[4]，其中也隐含着人口流动影响因素的复杂化及多元化。
人口与城市间的供需关系影响着城市间的人口流动，当城市的资源供给无法满足当地人口的生产生活需求时，地区之间的供给不平衡会促使人口向其他地区流动[5]。改革开放初期，中国区域经济社会发展的巨大差异导致中西部地区大量适龄劳动人口向东南部沿海地区长距离流动迁移，劳动人口在不同区域和城市间的集聚是对地区产业发展，尤其是对地区劳动密集型产业集聚所形成的经济地理功能的回应[6]，从供需关系来看，这是劳动群体对个人经济发展需求和城市劳动密集型产业集聚产生的劳动力市场供给的供需关系回应。随着经济快速发展、居民收入提升、交通基础设施革新、旅游产品丰富和娱乐消费产业繁荣，基于旅游、消费、交通便利性等多元需求的城际间群体流动行为快速增加，人口从出发城市到目的城市间的城际出行已不单是“劳动力经济需求与劳动市场的供给关系”，而是为了满足多元需求而产生的群体流动行为[7]，除了城市间经济发展水平差异，城市消费、旅游景观等要素的供给能力也会对人口流动产生影响[8-9]。
近来年，地理大数据的出现为人口流动研究提供了新的数据源。如基于地理位置服务（Location Based Services，LBS）技术记录的迁徙流动大数据自上线起就引起了学术界的广泛关注，使用百度迁徙、腾讯位置数据等地理大数据的论文涌现[10-12]，人口流动研究越发动态化、精细化。
鉴于此，本文基于人口与城市之间的供需关系，通过“腾讯位置大数据”构建中国人口流动网络，运用QAP等网络分析模型定量探究中国城市经济、消费娱乐、景观、交通等多元供给要素对人口流动的影响。值得注意的是，不同时间尺度、时间节点的人口流动存在性质差异，即人口流动具有时间异质性，本文除了对日常人口流动的影响因素进行分析外，也对节假日、周末、工作日等时期的人口流动结构和影响因素进行分析；同时，中国人口流动结构除了网络特征，还存在层级结构，即流动群体对不同层级城市的需求不尽相同，其作用机理也存在异质性。本文将对上述两个方面进行深入分析，以提升研究的全面性和合理性，旨在为人口流动影响因素的相关研究提供新的思路和视角，为提升城市吸引力，促进区域间要素流动及区域协调发展提供实践借鉴与启示。

1 文献综述

西方发达国家在19~20世纪中期的快速城镇化进程中伴随着大规模的人口流动迁徙，引起了学者们对人口流动迁徙现象和规律的探索[13]。人口流动迁徙理论最早可以追溯到Ravenstein的人口迁徙“七大原则”[14]、Lee的推拉理论[15]和新古典经济学理论[16]等。人口流动迁徙实证研究成果较多，主要集中在收入差距[17]、区域发展[2]、定居意愿[18]等推力和拉力因素对人口流动迁徙的影响，研究方法上主要为重力模型[19]、多元回归分析[20]、地理加权回归[21]等。随着全球化、信息化的推进和交通出行方式的革新，城市间相互联系加强，城市地域系统也从等级结构转向网络化结构[22]，城市在网络中承担着节点枢纽作用，为人口流动网络提供了载体依托。近些年，大数据技术的发展让获取个体流动信息的“人口流”数据成为可能，打破了原有人口普查等统计数据精度不足的桎梏，如手机信令[23]、百度迁徙[11]、腾讯位置[4,12]及其国外的Twitter[24]等数据，传统的研究数据和方法也逐步转向网络化。
技术手段的丰富和大数据类型的增加，也使得“人口迁徙”“人口流动”的概念区分越发明显，流空间语义下的人口流动更倾向于居民日常城际出行的含义[7]，指居民为了满足生产、生活目的，采用某种交通方式，从出发城市（起点）到目的城市（讫点）完成行程的活动；而人口迁徙更强调基于就业和定居等生存发展要素的流动行为。人口迁徙的驱动因素研究主要是“七大原则”、推拉理论等西方理论本土化适配后构建指标体系；而关于人口流动的驱动因素较为多样，部分学者沿用人口迁徙要素，如基于户籍制度[3]、经济发展差异[6]居留意愿[25]等，主要关注流出地与流入地的地区属性差异对人口流动的推力和拉力作用。随着人口流动网络研究的深化，也有学者利用网络要素，如网络内在结构[4]、创新联系[26]等驱动因素进行探究。
人口与城市之间的供需关系可以为人口流动研究提供新的视角。供需关系研究最早兴起于经济学，用于解释市场中商品或服务的价格和数量之间的关系[27]。地理学中的供给和需求概念与经济地理学和城市地理学密切相关，用于分析地理空间中资源和服务的关系，供给表示地理区域内可提供的资源、商品或服务的数量，需求表示区域内的人或其他主体对资源、商品或服务的需求量。改革开放初期，人口与城市之间的供需关系主要围绕劳动群体经济发展需求和城市劳动力市场供给的关系。随着经济和社会的发展，当个人劳动所得收入可以为个人或家庭的生产、投资、基础消费、基础保障等积累足量财富后，人口流动不再拘泥于经济关系，而是流动主体基于工作、生活等多方面的需求，流向能够供给商品或服务的特定区域的多元供需关系[28-30]。现阶段，人口需求的层次和结构发生变化，人口流动对城市的选择更趋向于多元需求的满足。
综上所述，从人口需求和城市供给之间的关系能够识别人口流动的多种驱动力因素和分析其对人口流动的推拉作用力，人口流动影响因素的研究以往多从经济联系、产业差异、区域发展等传统的人口迁徙流动理论入手，强调“经济属性”对流动群体推拉作用力，弱化了“自由人”属性和非经济因素对人口流动的作用机制。随着人均收入的增加、生活水平的提升、娱乐生活的丰富和交通网络的完善，人口与城市之间的供需关系越发复杂，人口城际出行已不单是一种经济行为，消费、旅游等多种“自由人”因素也是人口产生出行意愿的重要组成[7,12,31]。人口需求和城市供给关系影响着人口流动的空间格局，本文基于人口流动的供需关系，揭示城市经济、消费娱乐、交通等城市多元供给要素对人口流动的影响。

2 数据来源与研究方法

2.1 研究数据

2.1.1 人口流动数据来源

人口流动数据来源于腾讯位置大数据平台（https://heat.qq.com/qianxi.php）。腾讯位置大数据依托智能手机中腾讯生态产品，如微信、QQ、腾讯地图等手机App，基于LBS技术获取用户行为轨迹和跨市出行记录，2019年平均每日定位次数超过600亿次，涵盖中国大陆所有行政区域。腾讯位置大数据可逐条获取人口流动过程中起始城市路径和人口流量，并能区分流动过程中所使用的交通方式（航空、铁路、公路），进而映射出中国人口流动的行为轨迹和网络结构，是人口流动研究理想数据源。
本文研究区域涵盖中国大陆所有地级及以上行政单元，县包括4个直辖市、333个地级行政单元（内含293个地级市、30个自治州、3个盟和7个地区），共计337个行政区域（以下均简称为城市）。人口流动研究对时间节点、时间尺度和事件有极强敏感性，整月的长时间序列数据能减少城际通勤行为造成的结构误差[32]。鉴于COVID-19疫情对2020—2022年中国人口流动结构产生的影响，将人口流动数据的年份选为2019年。一年中不同时间区间的人口流动行为存在着性质上的差异，春运群体（1、2月）、返校群体（3、7、12月）、国庆假期旅游群体（10月）等具有明确出行性质的流动群体会造成人口流动结构的极化效应，本文最终选择2019年6月作为研究时段。腾讯位置大数据以日为单位记录人口流动数量，对数据进行预处理后获得如下有效字段：city、cities、time、type、nums，其中city表征来源城市，cities表示目标城市，time为流动发生时间（以d为单位），type表示出行方式（航空、铁路、公路），nums表示在特定条件下城市之间的人口流动人次。共获取城市OD（origin-destination）流3.34万条，共计23342万人次（图1）。
图1 中国日常人口流动网络格局

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2~图3同。

Fig.1 Spatial pattern of daily population flow network in China

2.1.2 城市多元供给数据来源

流动群体跨市出行目的涉及范围极广，且具有随机性、复杂性和综合性。以往获取流动群体出行目的的数据手段以社会调查为主，但在全国尺度上难以达到理想的数量等级，地理大数据是在全国尺度上探究人口流动机制的有效手段。
经济、消费娱乐、旅游、交通等要素是人口产生出行意愿的重要组成，其中经济、消费娱乐、旅游等供给属于城市内部供给要素，交通基础设施属于城市间供给要素。城市内部供给要素通过兴趣点（point of interest，POI）表达，POI是一种代表真实地理实体的点状地理空间大数据，包含实体经纬度、名称、地址等属性。POI作为一种空间数据源，大量的实证研究佐证了其在城市商业中心识别和城市空间分析中的重要意义[33]，但现有研究大多陷入“场所思维”，主要对个体城市进行分析，忽视了其对跨市流动群体的吸引力，不同城市POI类型和数量的差异能够表征城市多元供给水平的差异。本文以2019年高德POI和四维图新POI数据为数据源，获取研究区域内城市的各类POI数据。根据人口流动的供需关系和POI数据分类特征，将城市内部供给要素细分4类：①以满足经济发展、劳动力就业和转移、日常商务交流和往来、跨市经济合作需求的城市经济供给；②以满足货币交易、投资储蓄需求的城市金融供给；③以满足餐饮消费、休闲娱乐消费的城市餐饮娱乐供给；④以满足旅游和跨市游玩需求的城市景观供给。依据多元供给类型对POI数据进行筛选、归纳和整理，共获取有效POI数据338.48万个。将数据在ArcGIS中进行坐标转换，利用城市行政区划边界对数据进行空间匹配，将数据从经纬度的绝对位置转换为坐落在城市行政区划内的相对位置，获取每个城市全域范围内的POI数据，进而将其映射为城市节点属性（图2）。
图2 中国城市多元供给的空间格局

Fig.2 Spatial pattern of multiple supply factors in Chinese cities

城市间交通供给通过交通出行大数据定量表达，数据来源于铁路出行时刻表和航班时刻表。交通网络是城市连接的重要纽带，是人口流动的载体，良好的交通网络设施会促进城市间的流动往来。铁路和航空是面向跨市出行的公共运输服务，也是衡量城市间交通供给的重要指标。航空数据通过中国民用航空局（http://www.caac.gov.cn/index.html）获取民用航班出行时刻表数据，由于民用航班波动性较大[34]，本文数据采用2019年4~10月数据的日均值。铁路数据来源于中国铁路客户服务中心（https://www.12306.cn/index/），由于高速铁路时空压缩效应，在列车时刻表中筛选G/D/C字头列车，使用城市间高速铁路表征城市间的铁路交通联系，获取时间为2019年。针对一个城市有多个火车站或机场的现象，将多个火车站（机场）合并为1个，进而将其转化为城市OD关系。

2.2 研究方法

2.2.1 网络构建

以城市作为人口流动网络组成的基本单元，将城市之间相互联系的人口流动日均人次作为网络关系，构建337×337关系矩阵M。计算公式为：
M = t 1,1 ⋯ t 1 , n ⋮ t i , j ⋮ t n , 1 ⋯ t n , n
式中： t i , j代表城市i至城市j之间的流动人次；n代表发生人口流动的城市总量（1 ≤ n ≤ 337且 i , j ∈ n）。当 i = j时， t i , j = 0。

2.2.2 模型构建

QAP回归是一种非参数检验方法，可以检测多个矩阵间的关联程度和回归关系。在网络研究中，由于网络间的紧密联系和复杂关系，极易出现参数“共线性”问题而导致传统OLS估计量非有效[35]，QAP基于社会网络分析法，可针对多个方阵中对应的各个元素进行比较，从量化角度将数据之间联系视为“关系”数据，从而克服“共线性”原则[36]，能够有效探究复杂网络之间相互作用关系。QAP回归中要求所有变量须为1-模矩阵（即N×N方阵），城市多元供给解释变量选择与模型构建过程见表1。
表1 中国城市多元供给解释变量

Tab.1 Explanatory variables of multiple supply capacity in Chinese cities

变量类型 变量名称 变量内容 数据来源 关系矩阵构建方法
城市内部
供给要素		 经济供给 公司类、企业类POI数量 高德POI数据（2019） R m , i j = P m , i · P m , j （2）
式中：m表示供给类型； R m , i j表示城市i与j之间m要素的联系强度
金融供给 银行类、金融型企业POI数量 高德POI数据（2019）
餐饮娱乐供给 餐饮服务类和休闲娱乐类POI数量 四维图新POI数据（2019）
景观供给 1A至5A级别的旅游型、景区型POI数量 四维图新POI数据（2019）
城市间
供给要素		 铁路交通供给 OD城市间的日均高铁班次 中国铁路客户服务中心 参考公式（1）构建铁路交通网
航空交通供给 OD城市间的日均航空班次 中国民用航空局 参考公式（1）构建航空网络
其他变量 空间距离 OD城市间的空间距离 自然资源部标准地图服务系统 在ArcGIS软件中，获取城市间的欧式距离（km）

注：公式（2）参考重力模型。由于在其他变量中重点考量城市空间距离，故公式（2）中刨除对空间距离的探讨。

3 结果分析

3.1 人口流动结构及城市多元供给对其的影响

中国人口流动结构较为复杂，对人口流动结构进行解析和可视化表达有助于探究人口流动与城市多元供给要素之间的作用关系。首先，利用度中心性方法和自然断裂法对城市进行层级划分，将337个城市依据人口流动总量分为国家核心城市、区域核心城市、地方核心城市和地方边缘城市，然后对人口流动强度进行划分，最后基于ArcGIS软件进行可视化表达（图3）。
图3 中国人口流动网络的层级关系解构

Fig.3 Hierarchical deconstruction of population flow network in China

中国人口流动结构呈现以国家核心城市之间联系为框架雏形，多级核心城市发散联系周边城市为主要构成的多中心多层级“菱形结构”。其中，人口流动人次最高（tij ≥55万人次）的路径主要集中在国家核心城市和其他国家、区域、地方核心城市之间的联系；人次较高（20万≤tij<55万人次）的路径集中在地方核心城市相互之间及国家、地方核心城市与邻接城市之间的联系；人次较低（5万≤tij<20万人次）的路径集中在地方核心城市与周边城市的相互联系。中国人口流动网络中已分化出“国家”“区域”“地方”的多层级结构。“北上广深”等国家核心城市经济发展水平高，不仅彼此之间人口流动频繁，还对全国大部分城市的人口有较强的吸引力；地方核心城市的主要构成为省会城市，是各自省域范围内中小城市人口流动的首要目的地。
利用QAP模型定量分析人口流动网络的影响因素，将人口流动网络设为因变量，将多元供给解释变量设为自变量，将随机置换次数定为2000次，得到调整后判定系数（Adj R2）为0.344，即多元供给变量能够解释人口流动网络矩阵的34.4%（表2）；采用单尾检测对Adj R2进行检测，回归拟合概率P≤0.001，模型通过显著性检验。从表2模型回归结果看出，经济供给、餐饮娱乐供给、金融供给、铁路交通供给在99.0%置信水平上显著，而城市空间距离在90.0%置信水平上显著，航空交通供给和景观供给并未通过显著性检验。航空网络的路径主要集中在跨区域的长距离运输，交通运输行业发展统计公报[37]显示，2019年中国航空运输量仅占全年总运输量的3.8%，且航空运输极富敏感性和波动性，面对复杂化、动态化人口流动网络的解释力明显不足；景观供给主要是为满足出行者旅游观光等的出行需求，对节假日的时间选择富有敏感性，但对长时段人口流动的影响并不显著。通过显著性检验的因素中，铁路交通供给、餐饮娱乐供给、经济供给呈现出显著的正效应。完善的交通基础设施是提升城市间人口流动性的有效途径，科学建设交通设施网络，合理组织交通服务，能够为流动主体的生活和生产活动提供便利；同时，城市商业的繁荣能够形成吸引人口跨市流入的拉力，餐饮娱乐供给能力的提升带来的城市消费能力、休憩休闲产业的提升也是提升流动拉力的重要因素。此外，城市金融服务供给与人口流动呈负相关。位于核心城市的跨国金融公司总部和银行总部虽具有明显的辐射带动效应，但高层级城市数量和人口流动数量相对有限，大多数城市的金融服务机构的服务范围主要为各自行政区域，并不能对其他区域形成辐射和带动作用，跨市域的金融联系往往通过数字网络进行传输，并非以人口为载体参与网络流动，况且电子支付等便捷金融手段加强了金融的数字网络特征，进一步弱化了其对人口流动的辐射带动能力。还有城市空间距离与人口流动也为负相关。交通方式的革新持续压缩出行时间成本，但地理距离对于人口流动的阻碍作用现阶段依旧存在。如北京、上海、成都等国家核心城市彼此之间均出现了跨地区的人口流动强联系，但地方核心城市与其他城市的路径仍以本省范围为主，且随着空间距离的增加，网络联系越发变少，地理空间约束越为显著。
表2 人口流动与城市多元供给解释变量的QAP回归结果

Tab.2 QAP regression results of population flow and the explanatory variables of urban multiple supply

影响因素 标准化
回归系数		 非标准化
回归系数		 显著性水平P
经济供给 0.822*** 0.198*** 0.005
餐饮娱乐供给 1.490*** 1.975*** ≤0.001
金融供给 -1.151*** -3.396*** ≤0.001
景观供给 -0.084 -15.631 0.236
高铁交通供给 5.537*** 1000.854*** ≤0.001
航空交通供给 -0.001 -22.992 0.288
空间距离 -0.072* 0.001* 0.097
回归截距 0.000 -1173.993
Adj R2 0.344

注：***表示p<0.01，**表示p<0.05，*表示p<0.10。表3、表4同。

3.2 供需视角下城市多元供给与不同层级人口流动网络的关联

进一步对中国人口流动网络“国家”“区域”“地方”的多层级结构剖析发现（图4）：①国家核心城市与其他城市之间形成的网络路径最多，网络范围最大，国家核心城市不仅彼此之间人口流动联系紧密，而且与全国大部分城市都形成网络联系（图4a）。国家核心城市形成了中国人口流动网络的4个极点，其中北京极的网络路径数量最多，网络范围覆盖全国大部分城市；上海极次之，网络范围覆盖东部、中部和东北部多数城市；成都极的网络范围主要为西部和中部城市；“穗深”极的网络联系主要为东南沿海和中部地区城市。国家核心城市与其他城市的人口流动网络勾勒出中国人口流动“菱形结构”的雏形。②区域核心城市则主要由中部和东部沿海地区“一线”和“准一线”城市组成，网络的路径和辐射范围主要是彼此之间及其与周边城市、相邻省份内的城市，是中国“菱形结构”人口流动网络的内部填充（图4b）。③地方核心城市集中分布在胡焕庸线以东，主要由省会城市和城市群内经济发展水平较高的城市组成，是人口流动网络“菱形结构”的细节描绘（图4c）。不同层级城市人口流动的路径和强度差异明显，基于人口流动结构的层级差异，本文利用多元供给解释变量对人口流动网络中的层级异质性进行分析。
图4 不同层级城市人口流动网络格局

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）2763号的标准地图制作，底图无修改。图5同。

Fig.4 Network pattern of population flow in cities at different level

由于将城市分类后无法满足所有变量为1-模矩阵关系，对不同层级城市人口流动与多元供给解释变量的回归分析采用OLS模型（表3）。国家、区域和地方核心城市的调整后R2分别为0.478、0.529和0.364，F变化量分别为344.288、729.666、1487.034，各变量均不存在多重共线性问题（VIF≤10）。由于城市间人口流动关系的减少，OLS模型得以摆脱VIF过高而导致模型参数估计不准确的问题，多样化的回归模型选择，也能佐证多元供给要素作为人口流动解释变量的科学性和合理性。
表3 不同层级城市人口流动与多元供给的OLS回归结果

Tab.3 The OLS regression results of population flow and multiple supply in cities of different hierarchical levels

城市层级 影响因素 标准化回归
系数Beta		 t 显著性
水平P		 VIF
国家核心
城市		 经济供给 -0.515*** -13.837 ≤0.001 6.971
餐饮娱乐供给 0.376*** 11.740 ≤0.001 5.169
金融供给 0.457*** 16.542 ≤0.001 3.847
景观供给 -0.040 -1.728 0.185 2.710
高铁交通供给 0.483*** 30.061 ≤0.001 1.301
航空交通供给 -0.088*** -4.696 ≤0.001 1.201
空间距离 -0.077*** -5.035 ≤0.001 1.179
Adj R2 0.478
区域核心
城市		 经济供给 0.048*** 2.413 ≤0.001 3.837
餐饮娱乐供给 0.097*** 4.031 ≤0.001 5.634
金融供给 0.126** 4.652 0.021 7.041
景观供给 -0.187*** -10.522 ≤0.001 3.046
高铁交通供给 0.667*** 59.152 ≤0.001 1.226
航空交通供给 -0.008 -0.737 0.461 1.087
城市空间距离 -0.017** -1.544 0.013 1.152
Adj R2 0.529
地方核心
城市		 经济供给 0.114*** 6.958 ≤0.001 7.603
餐饮娱乐供给 0.131*** 8.170 ≤0.001 7.395
金融供给 -0.161*** -9.543 ≤0.001 8.143
景观供给 0.048*** 5.121 ≤0.001 2.532
高铁交通供给 0.518*** 79.984 ≤0.001 1.195
航空交通供给 -0.035*** -5.403 ≤0.001 1.177
城市空间距离 -0.124*** -19.253 ≤0.001 1.190
Adj R2 0.364
各模型的R2和因子显著性水平和作用方向存在一定差异，说明流动群体对不同层级城市的出行需求不尽相同。餐饮娱乐供给和铁路交通供给在不同层级城市的回归模型均表现出显著的正向作用，提升城市对流动群体的吸引力不应只关注城市经济社会发展，提升以餐饮娱乐供给为主的城市消费活力和城际间交通设施供给水平也是吸引外来人口的有效途径。在国家核心城市与其他城市人口流动的回归模型中，金融供给表现为显著正效应，表现出层级异质性特征。基于人口流动的国家核心城市主要由“北上广深”等一线城市组成，由于大量金融总部、大型银行等高级金融服务部门集聚，“北上广深”的金融不仅服务于本地居民，还具有外向性和辐射带动其他城市的特征，从而对人口流动形成拉力。金融供给存在层级为单位的边际递减效应，即在国家核心城市中呈显著正效应（Beta=0.457***，P≤0.001）；在区域核心城市中呈现显著性水平相对下降的正效应（Beta=0.126**，P=0.021）；在地方核心城市中呈负效应（Beta=-0.161***，P≤0.001）。经济供给也呈现出层级异质性，在区域和地方核心城市的作用方向为正，在更高层级的国家核心城市中作用方向为负。地方核心城市的景观供给对人口流动呈显著正效应，与其在其他层级的作用有所差异。高层级的核心城市应更多发挥自身的“金融”属性，而低层级的核心城市在提升经济供给能力的同时，也要加强景观供给的服务水平，以便满足流动群体对不同层级城市的差异化需求。空间距离对人口流动的阻碍并未表现出层级异质性，地理空间约束并不会因城市所处层级不同而发生改变。

3.3 供需视角下城市多元供给与不同时期人口流动网络的关联

人口流动对时间区间具有敏感性[12]，长序列人口流动与假期、周末等不同时期的人口流动的结构存在一定差异。本文将2019年6月人口流动数据拆分成假期、周末、工作日3种类型（端午假期为6月7—9日，选择6—9日人口流动数据）。由图5可以看出，不同时期中国人口流动“菱形结构”的主体框架变化不大。从人口流动的强度上看，表现出假期>周末>工作日的特征；从结构上看，周末的人口流动结构最为发散，假期的人口流动结构相对收缩，区域性和指向性更强。
图5 不同时期中国人口的流动网络格局

Fig.5 The pattern of population flow network in China in different periods

将不同时期的人口流动和多元供给解释变量进行QAP回归，对人口流动的时间异质性进行解析（表4）。结果显示，端午假期、周末和工作日期间城市多元供给模型的Adj R2分别为0.324、0.312和0.301，回归拟合概率均符合P≤0.001，各影响因素在模型中的显著性、正负效应有所差异，部分影响因素具有时间异质性。
表4 不同时期人口流动与城市多元供给的QAP回归结果

Tab.4 QAP regression results of population flow and urban multiple supply in different periods

影响因素 假期 周末 工作日
标准化回归系数 非标准化回归系数 显著性
水平P		 标准化回归系数 非标准化回归系数 显著性
水平P		 标准化回归系数 非标准化回归系数 显著性
水平P
经济供给 2.745* 0.017 0.099 5.982*** 0.059 0.007 7.604*** 0.153 0.002
餐饮娱乐供给 10.271*** 0.359 ≤0.001 11.092*** 0.600 ≤0.001 11.288*** 1.247 ≤0.001
金融供给 -5.657*** -0.440 0.005 -8.320*** -1.002 ≤0.001 -9.627*** -2.368 ≤0.001
景观供给 3.188*** 15.704 0.002 -1.938** -14.776 0.033 -1.438* -22.400 0.090
铁路交通供给 55.992*** 266.777 ≤0.001 54.122*** 399.208 ≤0.001 52.752*** 794.694 ≤0.001
航空交通供给 -2.043*** -56.781 ≤0.001 -0.731** -31.439 0.025 0.008 0.687 0.467
空间距离 0.172 0.000 0.369 0.326 0.000 0.268 0.093 0.000 0.420
回归截距 0.000 -198.305 0.000 -585.563 0.000 -1132.848
Adj R2 0.324 0.312 0.301
景观供给在长序列人口流动网络回归中并未通过显著性检验，但在假期、周末期间对人口流动的影响显著性水平较高。景观供给在假期期间与人口流动呈显著正相关（3.188***），但在周末和工作日期间则为负相关（-1.938**、-1.438*），这与假期流动群体的旅行需求大幅增长有关。经济供给在不同时期对人口流动均为正向促进作用，但工作日和周末期间（P=0.002、P=0.007）的显著性水平明显高于假期（P=0.099），经济供给对假期流动群体的推拉作用力有所降低。航空交通供给在工作日期间并未通过显著性检验，在端午假期和周末期间对人口流动呈负向影响。航空网络承载的人口流动数量较少，且航空路径主要发生在跨区域、人口基数较多的城市之间，结合人口流动结构可以发现，假期人口流动数量激增的OD城市主要集中在核心城市与相邻城市或周边城市之间，这也是跨区域、长距离的航空交通供给在假期期间呈现出负效应的原因之一。铁路交通供给和餐饮娱乐供给在不同时期均呈现为显著正效应。人口流动结构的时间异质性隐含的是出行者在不同时间区间出行目的及需求的不同，与传统统计数据为主的影响因素相比，城市多元供给模型能够更深入地解析人口流动的时间异质性。

4 结论与讨论

4.1 结论

城市之间的供给不平衡会促使人口为满足自身的需求向其他城市流动，进而形成了城市间的人口流动网络。随着经济和社会的发展，当个人劳动所得收入可以为个人或家庭的生产、投资、基础消费、基础保障等积累足量财富后，人口流动不再拘泥于经济关系，人口流动对城市的选择更趋向于多元需求的满足，城市消费娱乐、景观、交通等多元要素的供给能力也会对人口流动产生推拉作用力。本文基于人口与城市之间的供需关系，利用腾讯位置大数据刻画了中国人口流动网络格局，同时结合POI数据和交通出行大数据构建城市多元供给模型，运用QAP等回归模型，探讨了城市多元供给要素对人口流动的影响，并对人口流动的层级异质性和时间异质性进行了解析，为探究人口流动现象和规律特征提供了新的视角与思考。主要研究结论如下：
①从人口与城市之间的供需关系对人口流动的影响因素看，铁路交通供给、餐饮娱乐供给和经济供给的提升是促进城市间人口流动的有效途经。为满足出行者旅游观光需求的城市景观供给对时间选择富有敏感性，对常态化人口流动的影响并不显著，空间距离对人口流动的阻碍作用显著。
②从流动群体对不同层级城市的需求差异看，金融供给存在以层级为单位的边际递减效应，在国家、区域核心城市中表现出外向性和辐射带动其他城市的特征，在其他层级中则表现出抑制人口流动的负效应；餐饮娱乐供给和铁路交通供给并未表现出显著的层级异质性，提升以餐饮供给为主的城市消费活力和城际间交通设施布局是不同层级城市提升吸引外来人口拉力的有效途径。
③不同时期内人口流动网络结构存在差异，流动强度上呈现出假期>周末>工作日的特征。不同时期内，部分影响因素的作用机制有所差异。假期内，景观供给对人口流动呈现出显著正效应，经济供给的显著性水平明显降低，这与流动群体在假期的旅行需求增长、商业需求的减少相关。与传统统计数据为主的影响因素分析相比，城市多元供给模型有助于理解人口流动的时间异质性，能够更深入和细致地解析人口流动的现象和规律。

4.2 讨论

既有人口流动机制的研究多从经济联系、产业差异、区域发展等迁徙理论入手，流动群体被“属性化”，传统的影响机制分析多基于城市供给劳动市场的劳动力需求回应，现阶段流动群体需求的层次和结构发生变化，对影响因素的探究应向多元需求的方向转变。施响、潘竟虎等对中国城际出行人口流动网络的结构[4,7]进行刻画，与本文刻画的人口流动结构基本相同，均呈现出以“菱形结构”为主体的多层级网络结构。本文基于供需关系探究城市供给要素与人口需求的相互作用，对于因地制宜优化配置社会经济空间各类资源，提升城市吸引力有一定理论意义和实践参考价值。随着中国经济发展进入新阶段，城市化进程更加强调以人为本和高质量发展的重要性[38]，消费已然成为促进经济增长“三驾马车”中的重要一环，城市的消费能力、休憩休闲能力成为吸引外来人口生产、投资的重要因素，政策制定者和城市管理者在强调经济发展的同时，应加强对餐饮、住宿、景观等城市要素的关注和支持。
由于中国地域广大、区域差异明显，人类个体与群体间存在思维习惯、社会家庭等主观要素的差异性，人口流动的真实供需关系远比模型复杂。基于中国人口流动呈现出明显的层级结构差异，本文所选的城市供给要素需要满足具有对于不同模型、时间或层级关系下中国人口流动影响的广泛性，但这也增加了变量选取的难度。除文中的供给要素外，本文也尝试对更多供需关系进行分析，如医疗供给。医疗供给在地方核心城市和地方边缘城市的模型中均表现出显著的正效应，而在国家核心城市、区域核心城市模型中并未通过显著性检验，即低层级的城市流动群体跨市出行具有更为明确的就医需求。遗憾的是从城市多元供给角度，难以对出行者“走亲”“访友”等更为主观和细致的出行目的进行量化表达，对流动群体主观因素的探讨相对不足。此外，基于个体粒度的人口流动海量时空轨迹，使人类时空行为的综合、高精度、连续观测成为可能，为揭示人口流动的空间性与社会性提供了基础数据支撑。但是，以腾讯位置大数据为代表的人口流动数据也存在一定不足，如基于地理位置服务（LBS）技术的数据依托用户的智能设备，无法获取未使用智能设备人群的流动轨迹[39]；人口产生流动行为的意图和需求具有多样性和不确定性，流动数据只包含城际人口流动数量、起始城市和时间，只能通过模型来剖析和模拟人口流动的行为意图。尽管人类的社会活动存在显著的不确定性，但这种随机性和不可预见性的范围是有限的[6-7,11-12]。当个人流动数据累计到一定数量，能够产生量变到质变的过程，从而基于此对人口流动的现象、规律和作用机理进行分析。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
朱宇, 林李月. 中国人口迁移流动的时间过程及其空间效应研究:回顾与展望[J]. 地理科学, 2016, 36(6):820-828.

DOI

[2]
Shen J F. Changing patterns and determinants of interprovincial migration in China 1985-2000[J]. Population,Space and Place, 2012, 18(3):384-402.

[3]
顾朝林, 蔡建明, 张伟, 等. 中国大中城市流动人口迁移规律研究[J]. 地理学报, 1999, 54(3):14-22.

[4]
施响, 王士君, 王冬艳, 等. 中国市域间日常人口流动特征及影响因素[J]. 地理科学, 2022, 42(11):1889-1899.

DOI

[5]
陆铭. 城市、区域和国家发展——空间政治经济学的现在与未来[J]. 经济学(季刊), 2017, 16(4):1499-1532.

[6]
赵梓渝, 魏冶, 杨冉, 等. 中国人口省际流动重力模型的参数标定与误差估算[J]. 地理学报, 2019, 74(2):203-221.

DOI

[7]
潘竟虎, 魏石梅, 张蓉, 等. 中国居民城际出行网络的空间结构特征[J]. 地理学报, 2022, 77(10):2494-2513.

DOI

[8]
Gu H, Liu Z, Shen T, et al. Modelling interprovincial migration in China from 1995 to 2015 based on an eigenvector spatial filtering negative binomial model[J]. Population,Space and Place, 2019, 25(8):e2253.1-e2253.12.

[9]
Liu Y, Stillwell J, Shen J, et al. Interprovincial migration,regional development and state policy in China,1985-2010[J]. Applied Spatial Analysis and Policy, 2014, 7(1):47-70.

[10]
潘碧麟, 王江浩, 葛咏, 等. 基于微博签到数据的成渝城市群空间结构及其城际人口流动研究[J]. 地球信息科学学报, 2019, 21(1):68-76.

DOI

[11]
浩飞龙, 吴潇然, 关皓明, 等. 基于百度迁徙数据的东北地区城市“层级—网络”结构[J]. 地理科学, 2023, 43(2):251-261.

DOI

[12]
李卓伟, 王士君, 程利莎, 等. 东北地区人口流动与多元交通网络格局的偏离和关联[J]. 地理科学进展, 2022, 41(6):985-998.

DOI

[13]
Puga D. Urbanization patterns:European versus less developed countries[J]. Journal of Regional Science, 1998, 38(2):231-252.

PMID

[14]
Ravenstein E G. The laws of migration[J]. Journal of the Royal Statistical Society, 1889, 52(2):241-305.

[15]
Lee E S. A theory of migration[J]. Demography, 1966, 3(1):47-57.

[16]
Rappaport J. How does labor mobility affect income convergence?[J]. Journal of Economic Dynamics and Control, 2005, 29(3):567-581.

[17]
Bosker M, Brakman S, Garretsen H, et al. Relaxing Hukou:Increased labor mobility and China's economic geography[J]. Journal of Urban Economics, 2012, 72(2-3):252-266.

[18]
Zhu Y, Chen W Z. The settlement intention of China's floating population in the cities:Recent changes and multifaceted individual-level determinants[J]. Population,Space and Place, 2010, 16(4):253-267.

[19]
Cao Z, Zheng X, Liu Y et al. Exploring the changing patterns of China's migration and its determinants using census data of 2000 and 2010[J]. Habitat International, 2018,82:72-82.

[20]
Liu C, Otsubo K, Wang Q, et al. Spatial and temporal changes of floating population in China between 1990 and 2000[J]. Chinese Geographical Science, 2007, 17(2):99-109.

[21]
Wang Y, Dong L, Liu Y, et al. Nationwide migration patterns in China extracted from mobile positioning data[J]. Habitat International, 2019,86:71-80.

[22]
Taylor P J, Hoyler M, Verbruggen R. External urban relational process:Introducing central flow theory to complement central place theory[J]. Urban Studies, 2010, 47(13):2803-2818.

[23]
丁亮, 钮心毅, 宋小冬. 上海中心城就业中心体系测度——基于手机信令数据的研究[J]. 地理学报, 2016, 71(3):484-499.

DOI

[24]
Wong D W S, Huang Q Y. “Voting with their feet”:Delineating the sphere of influence using social media data[J]. International Journal of Geo-information, 2017, 6(11):325-341.

[25]
陈艳如, 谷跃, 宋伟轩, 等. 长三角流动人口居留意愿差异及其影响因素[J]. 经济地理, 2022, 42(9):59-67.

DOI

[26]
浩飞龙, 张杰, 王士君. 国内外城市舒适性研究综述与展望[J]. 地理科学进展, 2022, 41(12):2396-2409.

DOI

[27]
亚当·斯密. 国富论:国民财富的性质和起因的研究[M]. 长沙: 中南大学出版社, 2003.

[28]
Zheng L. What city amenities matter in attracting smart people?[J]. Papers in Regional Science, 2016, 95(2):309-327.

[29]
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

[30]
张伟丽, 郝智娟, 王伊斌, 等. 城市群人口流动空间网络及影响因素[J]. 地理科学, 2023, 43(1):72-81.

DOI

[31]
李涛, 刘家明, 朱鹤, 等. 中国旅游产业投资及旅游发展空间结构响应——基于2000-2015年旅游业三大核心部门数据的分析[J]. 地理科学, 2019, 39(2):204-213.

DOI

[32]
Zhang W Y, Derudder B, Wang J H, et al. Regionalization in the Yangtze River Delta,China,from the perspective of inter-city daily mobility[J]. Regional Studies, 2018, 52(4):528-541.

[33]
薛冰, 肖骁, 李京忠, 等. 基于POI大数据的城市零售业空间热点分析——以辽宁省沈阳市为例[J]. 经济地理, 2018, 38(5):36-43.

DOI

[34]
马学广, 鹿宇. 基于航空客运流的中国城市空间格局与空间联系[J]. 经济地理, 2018, 38(8):47-57.

DOI

[35]
刘军. QAP:测量“关系”之间关系的一种方法[J]. 社会, 2007(4):164-174,209.

[36]
Krackardt D. QAP partialling as a test of spuriousness[J]. Social Networks, 1987, 9(2):171-186.

[37]
中华人民共和国交通运输部. 2019年交通运输行业发展统计公报[R/OL]. https://xxgk.mot.gov.cn/2020/jigou/zhghs/202006/t20200630_3321335.html,2020-06-30. 2020-06-30.

[38]
方创琳. 新发展格局下的中国城市群与都市圈建设[J]. 经济地理, 2021, 41(4):1-7.

DOI

[39]
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

Options
Outlines

/

〈 〉