疫情下中國省際人口流動網絡的時空特征研究

詹成林 路蘭

摘要：

將疫情防控劃分為多個階段，基于百度地圖遷徙大數據平臺，利用網絡分析法，構建了各階段的人口流動網絡。通過對各階段網絡的密度、平均度等統計特征分析可知，中國的防控措施對遏制疫情擴散效果顯著;由各階段網絡的中心性分析結果可知，省市的人口流動控制能力大小由該省市的度數中心度和中介中心度的共同決定;運用塊模型分析方法，對各階段網絡進行板塊劃分。研究結果表明，疫情后東北板塊成員之間關聯程度減弱，成員內部向外關聯減少;中西、華南、西南板塊向外關聯至華東板塊趨勢沒有變化;憑借良好的疫情防控效果，其他板塊向外溢出至西北板塊的關聯增多。

關鍵詞：

疫情防控;人口流動網絡;社會網絡分析;百度地圖遷徙大數據

中圖分類號：C82

文獻標志碼：A

收稿日期：2021-03-17

基金項目：

國家社會科學基金（批準號：20BTJ028）資助。

通信作者：

路蘭，女，博士，副教授，主要研究方向為經濟系統復雜性分析。E-mail： gyblan718@163.com

2019年12月下旬爆發于武漢華南海鮮市場的新型冠狀病毒肺炎（COVID-19，簡稱新冠肺炎），是一場突發的全球性公共衛生事件[1]。武漢市是中國疫情首次爆發地，也是極其重要的樞紐城市。2020年1月23日，武漢政府發布離漢通道管控措施，全市居民非必要不得離漢，武漢保衛戰正式打響，全國各地陸續啟動一級響應。已有文獻表明，嚴格執行交通管制，對于遏制新冠疫情進一步大范圍擴散起到了顯著作用。趙序茅等[2]利用SEIR模型研究發現武漢實施封城前后，新冠肺炎的傳染系數分別為575和25。相比之下，北京疫情的傳染系數為15，遠低于武漢。楊華磊等[3]基于SIR模型理論研究了疫情擴散如何受人口遷移的影響以及人口遷移受到距離、經濟等因素的影響。梁澤等[4]對比了傳統的最小二乘法線性回歸模型和地理加權回歸，發現武漢遷入率較大，增加了城市新冠肺炎患者發病率，且這一效應呈現空間衰減特征。劉勇等[5]利用探索性數據分析方法，發現在人口流動的影響下，信陽市主城區及周邊縣，安陽、鄭州、許昌、平頂山等市的相對風險較高。曾永明等[6]運用接收武漢流出人口數量排名前100城市的截面數據，經OLS和SLM、SEM等估計方法驗證了人口流動與城市早期新冠肺炎確診病例數空間分布的內在關聯。與此同時，根據中華人民共和國交通運輸部發布的《一季度交通運輸經濟運行情況》，一季度完成營業性客運量185億人，同比下降584%，36個中心城市公共交通完成客運量674億人，同比下降567%，疫情期間人口流動規模受到了嚴重影響。針對人口流動的研究，劉濤等[7]通過對比傳統人口流動數據和大數據的結果，將人口流動分為了以商務流為主的日常城際流動，以及疊合了返鄉流和旅游流的春節期間流動。薛峰等[8]以騰訊位置大數據平臺提供的人口流動數據為基礎，利用社會網絡分析等方法，刻畫了長三角城市群人口流動網絡的中心性與對稱性。解韜等[9]利用廣東省統計年鑒數據，研究發現珠三角勞動年齡流動人口規模分布呈中南沿海地區向四周擴散的總體格局。王新賢等[10]運用偏移—分享法，對比分析了省際人口流動和省內跨縣人口流動的空間格局，結果表明兩者存在差異，并提出了“聚中有散”型省際人口流動和“散中有聚”型省內跨縣人口流動。目前有關疫情背景下人口流動時空特征的研究尚不多見。多數文獻是基于傳統的人口普查數據、人口流動監測數據，這類傳統數據的發布時間周期較長，具有滯后性。考慮到新冠疫情發生的突發性，傳統的數據無法較好反映新冠疫情下人口流動的時空特征。基于此，本文從網絡視角出發，使用更具有時效性的人口流動數據，構建疫情下不同階段內人口流動網絡，揭示疫情背景下人口流動的時空特征。

1 數據處理及研究方法

1.1 數據來源

本文所用數據來源于百度地圖遷徙大數據平臺。數據包含中國除港澳臺地區以外，自2020年1月10日至3月15日時間段內，31省區市每日遷入、遷出總指數以及每個省區市每日遷出至其余30省區市的遷出百分比。此平臺提供了基于用戶地理位置服務收集的疫情下實時人口流動數據，其原理為根據對用戶地理位置的流動變化（包括流出起始地、流入目的地）判定用戶是否發生流動以及具體流動軌跡。在得到某省區市日人口流動總量及流動軌跡后，平臺將流動總量進行特征縮放，轉化日人口流進、流出總量為無量綱的遷入、遷出規模指數。平臺收集日均手機定位請求服務達1 000億次，具有一定的代表性、真實性。有部分國內外學者基于此數據平臺進行過人口流動的相關研究[7，11-13]。

1.2 社會網絡分析方法

在自然界中存在的大量復雜系統都可以通過各種網絡加以描述[14]。社會網絡分析（Social Network Analysis，SNA）問題起源于物理學中的適應性網絡，利用研究網絡關系，有助于把個體間關系、“微觀”網絡與大規模的社會系統的“宏觀”結構結合起來，利用數學方法﹑圖論等定量分析方法，是20世紀70年代以來在社會學、心理學、人類學、數學、通信科學等領域逐步發展起來的一個的研究分支。省際人口流動可視作一個復雜網絡，借助城市為節點，城市間人流為連邊，構建省際人口流動網絡，利用網絡特征統計指標分析網絡特征、研究人口流動趨勢、衡量網絡節點的重要性，為合理引導人口流動提出建議。

對比可知，正常流動階段、春運返鄉階段，省區市大小差距不明顯，各省區市之間連邊縱橫交錯;流動嚴防階段，省區市大小差距變大，省區市之間連邊變得稀疏，子群結構明顯。表明疫情防控階段人口流動大幅度減少，人口呈局部流動，印證了中國疫情防控措施對于人口流動顯著影響;相較于流動嚴防階段，初步復工復產后，省區市節點大小差距逐步縮小，省區市之間連邊逐漸緊密。但相較于日常流動階段、春運流動階段相距甚遠。這表明自2月21日全國初湖北省以外地區初步復工復產以來，省際人口流動網絡正逐步恢復，但與日常流動時期還存在一定距離。

結合表2，從連邊數、網絡密度等統計特征數量關系變化上也可印證以上觀點。本文在流動嚴防階段和初步復工復產階段，均不考慮湖北省流出情況。連邊數從567、681、175至243的變化，表明自疫情嚴防以來，省際人口流動量急劇減少，復工復產人口流動規模雖在逐步恢復，但仍遠低于日常時期流動規模。網絡密度、平均度、平均聚類系數在四個階段短暫上升、急劇下降又逐步上升的變化同樣表明，中國省際人口流動規模受疫情防控措施顯著減小，進而為切斷傳播途徑，疫情進一步蔓延擴散起到了重要作用。

2.3 人口流動網絡中心性分析

由于流動嚴防階段中，全國各地為了防止疫情擴散采取了一系列切斷傳播途徑的政策措施如封城、封路、客運停運、斷航等，此階段的人口流動規模甚小，因此不做深入研究。

2.3.1 不同階段度數中心度對比分析 表3中，在日常流動階段，節點的加權出度和加權入度均處于大于10的較高水平的省區市有廣東、浙江、江蘇、河北、山東、上海、河南、湖南、北京、湖北等，表明這些省區市日常人口流動的流進與流出更為頻繁。這些省區市主要為經濟相對更為發達、就業機會更多的地區如北京、廣東、上海、江蘇等，以及位于中西部和沿海的地區如河南、湖北、湖南、山東等。相比之下，加權出度和加權入度均處于較低水平的省區市主要有西藏、新疆、寧夏、青海等，多為少數民族聚集的地區，這可能是人口流動較為不頻繁的原因之一。通過加權出入度差分析，其余地區加權出入差均分布在0值附近，表明該類地區人口流入流出較為平衡。

分析表3數據，在初步復工復產階段，加權出度處于較高水平的省區市有河南、安徽、湖南、廣西等中西部地區，加權入度處于較高水平的省區市有廣東、浙江、江蘇、河北、山東等沿海東部。加權出入度差為負值且絕對值較大的地區有廣東、浙江、江蘇，加權出入度差為正值且值較大的地區有河南、湖南、廣西、福建等地區，表明在此階段，省際人口流動方向主要是由中部地區流向東部沿海地區。同時，春運流動階段結論表明省際人口流動方向主要是從廣東、浙江、江蘇等東部沿海地區流出到安徽、河南、湖南、湖北等中西部地區，此結論的人口流動反方向正是與初步復工復產階段的結論大致相契合。但截至3月15日，全面復工復產只是在有序進行，并未大規模開展，且受限于局部地區如北京、上海、黑龍江、湖北等疫情防控措施，因此該類地區的人口流入流出仍處于較低水平，大部分省際人口流動規模相較于日常流動階段仍處于初步恢復狀態。

2.3.2 不同階段中介中心度和特征向量中心度對比分析 表4中，中介中心度的結果列出了排名前10的省區市。結合表3，在日常流動階段，中介中心度大且度數中心度也大的省區市如北京、江蘇、河北、河南、廣東、山東，表明此類節點對其余節點的全局控制能力更強。中介中心度高且度數中心度處于中間水平的地區如四川、陜西、湖北、重慶，此類省區市雖然人口流進流出量不大，但很多省區市的人口流動必須經過這類省區市中轉，顯示了很強的局域控制能力。同理，在春運流動階段，北京、廣東、江蘇、河北、四川展現了全局控制能力，湖北、甘肅、河南的局域控制能力得到體現。在復工復產階段，去除湖北流出情況以及各地疫情下復工復產措施，廣東、河南、山東、浙江、河北的全局控制能力得到體現，四川、湖南、福建的局域控制能力得到體現。通過對特征向量中心度排名分析可知，正常流動中，河南、四川、北京、湖北、河北都具有較高的特征向量中心度，表明了此類省區市在省際人口流動網絡中的重要作用。初步復工復產階段中，浙江、江蘇、廣東、上海等更為發達地區和河南、江西、山東等地區節點的重要性得到體現。

對不同階段的中介中心度分析結果表明，中介中心度大且度數中心度也大的省區市具有更強的全局控制能力，如北京、廣東、江蘇等東部沿海地區;中介中心度較大且度數中心度處于中等水平的省區市憑借其地理優勢也具有一定的局域控制能力，如四川、陜西、湖北、重慶等中部地區。對不同階段的特征向量中心度分析結果表明，省區市的重要性也取決于近鄰節點的重要性，因此城市群的穩定快速發展對于個體節點意義重要。

2.4 人口流動網絡塊模型分析

本節運用塊模型分析旨在對比分析省際人口流動網絡在初步復工復產階段和日常流動階段的結構，闡釋初步復工復產時期人口流動結構與未發生疫情的日常流動結構的差異，進而展示疫情對于人口流動產生的影響。因此，本文只研究第一階段日常流動階段和第四階段初步復工復產階段。運用UCINET軟件，選擇收斂標準為02，最大分割深度為2，對兩個階段的省際人口流動網絡進行塊模型分析，板塊劃分結果分別如表5、表6所示。

根據Wasserman等構建的塊模型評測體系，將兩個階段的省際人口流動網絡劃分為四大板塊，具體每個板塊包含的成員數如表7所示。根據α密度標準（上文中計算得出第一階段構建的省際人口流動網絡密度為0619，第四階段網絡密度為0276）得到兩階段的密度矩陣及其像矩陣如表8所示。

對比之下，在初步復工復產階段，除去湖北由于封省的交通管控政策，其板塊所屬類別從中西、華南、西南板塊變為了江浙滬及豫皖板塊外，其余板塊內部成員基本沒有變化，但各個板塊的角色除西北板塊外都發生了變化。華東板塊的角色由經紀人變為了雙向溢出，中西、華南、西南板塊的角色由雙向溢出變為了凈溢出，而東北板塊的角色由凈溢出變為了經紀人板塊。這要歸因于當時全國各地的疫情防控政策。東北地區緊鄰國界，當時部分省區市如黑龍江、吉林仍為中高風險地區，京津冀地區疫情防控的嚴格執行，導致該地區內部成員之間關聯和向外關聯均甚少。西北地區疫情蔓延程度較為輕微，疫情防控效果佳，因此在初步復工復產階段，其余三大板塊均與西北板塊有所關聯。華東地區主要接收來自中西、華南、西南地區的關聯，但關聯程度相較于日常流動階段仍處于較低水平。

3 結論

本文使用更具有時效性的百度地圖遷移大數據平臺人口流動數據，構建疫情下不同階段內人口流動網絡，利用社會網絡分析方法，對比分析疫情前后省際人口流動網絡的時空特征變化情況，揭示疫情背景下人口流動的時空特征。研究發現，疫情防控對減少省際人口流動，阻斷疫情傳播途徑效果顯著。疫情前和疫情后，全國大致人口流動方向沒有發生變化，均是由中西部地區如河南、湖南、四川等流向東部沿海及部分就業機會更多、經濟更發達地區如北京、廣東、上海、浙江、江蘇等，主要產生變化的是不同地區的流出指數規模大小。省區市對其他省區市人口流動控制能力大小取決于該省區市的度數中心度和中介中心度共同結果。疫情得到初步遏制，復工復產初步有序開展以來，由于各地疫情防控效果和防控政策的限制，鄰近國界的東北板塊成員之間關聯程度減弱，成員內部向外關聯減少。中西、華南、西南地區向外關聯至華東板塊趨勢沒有變化。西北板塊憑借其疫情防控效果良好，其他板塊向外至西北板塊關聯增多。由于可獲得數據的限制，本文只分析了除湖北以外全國各省區市初步有序復工復產階段的人口流動特征。其中，從百度地圖遷徙大數據平臺獲取的流動指數數據是根據用戶請求定位服務利用其地理位置的變化來判定流動情況，中國智能手機用戶雖已具有很高的普及率，但仍不排除部分偏遠地區和部分年長者流動過程中未使用定位服務，這可能導致本文分析得出的人口流動情況與真實的人口流動存在細微的差距。如果能獲取更為權威、準確的疫情期間人口流動數據，其分析結果準確度將會更好。

參考文獻

[1]習近平.在統籌推進新冠肺炎疫情防控和經濟社會發展工作部署會議上的講話[N].人民日報，2020-02-24（002）.

[2]趙序茅，李欣海，聶常虹.基于大數據回溯新冠肺炎的擴散趨勢及中國對疫情的控制研究[J].中國科學院院刊，2020，35（3）：248-255.

[3]楊華磊，吳遠洋，藺雪鈺.新冠狀病毒肺炎、人口遷移與疫情擴散防控[J].中國管理科學，2020，28（3）：1-10.

[4]梁澤，王玥瑤，孫福月，等.我國城市新冠肺炎發病率的地理分布格局：人口遷徙與社會經濟因素的影響[J].環境科學研究，2020，33（7）：1571-1578.

[5]劉勇，楊東陽，董冠鵬，等.河南省新冠肺炎疫情時空擴散特征與人口流動風險評估——基于1243例病例報告的分析[J].經濟地理，2020，40（3）：24-32.

[6]曾永明，駱澤平，楊敏，等.人口流動與城市早期新冠肺炎疫情空間擴散及分布關系研究[J].人口與社會，2020，36（5）：69-84.

[7]劉濤，靳永愛.人口流動視角下的中國新冠疫情擴散時空動態——傳統數據和大數據的對比研究[J].人口研究，2020，44（5）：44-59.

[8]薛峰，李苗裔，黨安榮.中心性與對稱性：多空間尺度下長三角城市群人口流動網絡結構特征[J].經濟地理，2020，40（8）：49-58.

[9]解韜，汪睜錚.珠三角城市群勞動年齡流動人口空間分布特征分析[J].廣東經濟，2020（8）：20-27.

[10] 王新賢，高向東.中國流動人口分布演變及其對城鎮化的影響——基于省際、省內流動的對比分析[J].地理科學，2019，39（12）：1866-1874.

[11] 楊冕，謝澤宇.新冠肺炎疫情防控對中國人口流動的影響——基于百度地圖遷徙大數據的實證研究[J].人口研究，2020，44（4）：74-88.

[12] 舒懷.從“百度遷徙”看位置服務與大數據融合[J].衛星應用，2014（5）：39-40.

[13] ZHANG W L， CHONG Z H， LI X J， et al. Spatial patterns and determinant factors of population flow networks in China： Analysis on tencent location big data[J]. Cities， 2020， 99：32-41.

[14] FAUST K， WASSERMAN S. Blockmodels： Interpretation and evaluation[J]. North-Holland， 1992，14（1-2）：132-188.

[15] LIU W B， HOU Q， XIE Z H， et al. Urban network and regions in China： An analysis of daily migration with complex networks model[J]. Sustainability， 2020，12（8）：12-23.

[16] 陳夢根，趙雨涵.中國銀行業跨境聯系的測度與分析——兼論國際銀行業網絡結構的動態特征[J].經濟研究，2019，54（4）：49-66.

[17] 王圣云，宋雅寧，張玉，等.交通運輸成本視角下長江中游城市群城市網絡空間關聯機制[J].經濟地理，2020，40（6）：87-97.

Abstract：

The epidemic prevention and control is divided into several stages. Based on the big data platform of Baidu map migration， the population flow network of each stage was constructed by network analysis method. Through the analysis of the statistical characteristics of the network density and the average degree in each stage， the prevention and control measures have a significant effect on the containment of the spread of the epidemic situation. From the analysis results of the centrality of the network in each stage， the control ability of population flow was decided by the degree center degree and the Medium Center degree of the province and city. By using the block model analysis method， the network of each stage ws divided into blocks. The results show that the association degree between the members of the northeast block is weakened， and the intra-member outward association is reduced. There is no change in the trend of the outward correlation of the Chinese and western block， the South China block and the Southwest block to the East China block. With good epidemic prevention and control effect， other blocks spill out to the northwest block of the association increased after the epidemic.

Keywords：

epidemic prevention and control; population mobility network; social network analysis; Baidu map migration big data