新冠疫情管控期間西安市人口分布演變及影響因素探測
——基于多源時空大數據視角

趙凱旭，張帥兵，黃曉軍，李恩龍，武風奇

(1 西北大學 城市與環境學院，陜西 西安 710127；2 北京清華同衡規劃設計研究院有限公司 西北分公司，陜西 西安 710000；3 東莞理工學院城市學院 城建與環境學院，廣東 東莞 523419；4 蘭州大學 資源環境學院，甘肅 蘭州 730000；5 西北大學 研究生院，陜西 西安 710127)

1 引言

2019年底爆發的新型冠狀病毒肺炎疫情(以下簡稱新冠疫情或疫情)在全國乃至全世界迅速蔓延，其表現出的高傳染性、高重病率對群眾安全和社會穩定造成了嚴重威脅。理論上，人口分布與疾病傳播密切相關，已有研究表明人口密集的環境更有利于新冠疫情傳播(1)名古屋工業大學官方發布，https://www.nitech.ac.jp/news/press/2020/8366.html。，而人口流動與新冠疫情感染人數也呈現較強相關性[1]。事實上，在新冠疫情爆發期，我國多數城市即刻采取停工停產停學及居家隔離等管控措施控制人口聚集及人口流動，以達到疫情管控目的。正因如此，與平時相比，新冠疫情管控期間的人口分布規律更值得關注和討論，在“超常規”疫情管控舉措之下，城市內部人口分布表現出哪些時空特征？其影響因素有哪些？研究這些有利于疫情管控期間人口活動規律認知、聚集趨勢判斷及更精準的管控分區劃分、場所管控，對于可能再次復發的新冠疫情的管控及類似社會危機的管控具有重要參考意義。已有成果研究了疫情管控期間全國尺度的人口遷徙特征[2]、人口遷徙對疫情擴散的影響[3-6]、疫情管控對人口流動的影響[7]，但對疫情管控期間城市內部人口分布規律的研究較少，本文嘗試對此做一些補充。

近年來，時空大數據成為城市人口研究的重要支撐，研究者通過百度熱力數據研究了北京市六環內的城市活力[8]、銀川市城區的職住關系[9]，通過百度熱力和POI數據結合研究了西安市的人口時空分布[10]、北京市六環內的人口晝夜流動及人口聚集[11]，通過手機信令數據繪制了葡萄牙和法國的人口動態地圖[12]，研究了北京市朝陽區的人口分布時空格局[13]、北京市的和上海市的就業人口流動[14]、北京市和上海市的人口動態分布[15-16]等，本文在此基礎上嘗試進一步拓展百度熱力和POI數據在城市人口分布動態演變研究中的應用。

基于此，本文聚焦新冠疫情管控期間的人口分布規律，以西安市主城區為例，以百度熱力和POI數據為切入視角，基于人口密度指數模型及ESDA模型、地理探測器模型，嘗試從城市地塊尺度對人口分布演變及影響因素做深入研究，以期拓展城市人口研究領域及對類似社會危機下的城市管控管理提供參考。

2 研究區域、數據獲取與研究方法

2.1 研究區域

西安市是我國西北地區典型大城市，2018年末市域常住人口1000.37萬，主城區常住人口592.6萬。西安市自2020年2月份開始執行嚴格的疫情管控，直到3月份疫情逐步穩定后，管控才逐步放開。結合新冠疫情發展及相應管控措施，西安市疫情管控大致分為三個階段：1月20日—2月23日處于疫情加速擴散，實施嚴格管控和集中救治階段；2月24日—3月下旬處于高發風險得到控制，統籌推進科學管控和有序復工復產階段；4月初至今處于本地傳播基本阻斷，境外風險陡增，生產生活逐步恢復正常階段，下文分別用封閉管控階段、解封管控階段、放松管控階段指代西安市新冠疫情管控的三個階段，并分析此三階段的人口分布演變規律(圖1)。考慮從4月下旬開始，西安市除學校和娛樂場所尚未全部開放外，大部分社會經濟活動接近恢復常態，人口分布相對穩定，因此第三階段后不再做階段細分(2)4月30日后，西安市疫情發展趨于穩定，累計治愈117例，累計死亡3例，現有確診0例，且一直保持至今。。同時，考慮數據可獲取性及研究區域典型性，本文將研究區域聚焦至西安市新城區、碑林區、蓮湖區、雁塔區及未央區、灞橋區、長安區的主要建成區，并根據城市主干路網將其劃分為801個地塊作為研究單元(圖2)。

圖1 西安市疫情發展情況及管控措施 圖2 研究區域

2.2 數據獲取

采用python語言編寫的程序采集研究區域三個階段周內(2月3日、3月11日、4月16日)和周末(2月16日、3月15日、4月11日)7:00-24:00每小時間隔的百度熱力圖，同時采集非疫情階段周內(2019年4月25日)和周末(2019年4月28日)相應時間段百度熱力圖作對照，共獲得8天共144幅熱力地圖(3)百度熱力圖是百度公司在2011年開發的一款以百度產品手機用戶地理位置數據為基礎的大數據可視化產品，當智能手機訪問百度產品時，位置信息被記錄并形成位置足跡，可用于反映各個地區人群的聚集度。該數據每15分鐘更新一次，具有較強時效性。另外，本文研究時間段不包含任何極端天氣，避免了極端天氣對居民活動的影響，具有較好代表性。。同時，調用百度地圖API采集西安市2019年4月份POI(points of interest)設施數據，包括14大類96子類共計446182條信息點，每條數據包含名稱、地址、類型、經緯度等。百度熱力和POI數據作為基礎數據，統一置入Arcgis 10.2平臺并配準至CGCS2000_3_Degree_GK_Zone_36坐標系。

2.3 研究方法

2.3.1 人口密度指數模型

借鑒Li[10]、郭翰[11]等的研究構建人口密度指數模型以反映相對人口密度，用于表征人口分布。百度熱力數據共包含4個通道，其中通道4是用256級灰度值表示的Alpha通道，數值可反映熱力值大小，用于提取某一區域的人口熱力信息。考慮到網民具有不斷“上線”和“下線”的動態特性，提取到的熱力信息在同一天不同時間段具有較大波動性，且不能進行不同時間段的比較[17]，因此采用某一時間段下某一地塊熱力值占整體區域熱力值的比值以消除這一影響，而后除以該地塊用地面積以計算人口密度指數。公式如下：

(1)

2.3.2 探索性數據分析模型

探索性空間數據分析(ESDA)主要是基于空間權重矩陣探索空間數據的分布規律以反映地理現象的空間依賴性或異質性[18]，本文應用全局系數Moran’s I和局部熱點系數G*研究人口分布整體空間聚集和局部空間聚集。

(1)全局系數Moran’s I。全局Moran’s I系數能反映人口分布整體的空間關聯或空間差異。公式如下：

(2)

(3)

2.3.3 地理探測器模型

地理探測器(GeoDetector)用于探測某種現象的空間異質性及其背后的驅動因子，既可以用于檢驗單變量的空間分異性，也可以通過檢驗兩個變量空間分布的一致性來探測兩變量之間可能的因果關系[19]，包含因子探測、交互作用探測、風險探測和生態探測四個部分，本文選用因子探測對西安市人口分布成因進行分析。公式如下：

(4)

3 西安市人口分布時空演變特征

3.1 西安市人口分布時間變化特征

圖3為人口密度時間變化曲線，非疫情階段(2019年4月)作為對照組，下同。封閉管控階段，西安市春節返鄉人員尚未返回(4)2020年春節后約有320萬務工人員待返回西安。來源：西安市新冠肺炎疫情聯防聯控工作發布會，2020年2月11日。，人口數量較少，密度較低。加上嚴格的管控措施，居民日常活動被約束在較小范圍之內，流動性較差，因此人口密度及波動幅度較小。解封管控階段，部分企業復工及部分商場開放，人口數量及流動性有所恢復，人口密度及波動幅度有小幅度增加。放松管控階段，除學校、娛樂場所外，大部分區域已經開放，人口數量及流動性進一步恢復，人口密度及波動幅度也進一步變大，但仍未恢復到非疫情階段的水平。同時，西安市是典型的單中心城市[20]，一二環區域的設施配套比三環及郊外更加豐富，人口聚集能力強，人口密度較高，而隨著疫情管控放開，一二環區域的人口密度及波動幅度也進一步變大。反映出在疫情管控三個階段，西安市人口數量及流動性逐漸恢復，集中體現在一二環區域人口數量與流動性的持續恢復。根據疫情傳播與人口聚集性、流動性強相關性可以推測，該區域疫情感染風險同樣變大，防控要求也相應變高。

圖3 2020年2-4月新冠疫情管控期間西安市人口分布時間變化圖

此外，疫情管控期間，單日人口密度基本呈現三環及以內區域從早到晚“低—高—低”變化，郊外“高—低—高”變化的特征，且與非疫情階段的單日人口密度變動趨勢相似，說明疫情管控期間，居民的日常活動周期并未發生較大變化。不同的是，相比非疫情階段，在解封管控階段和放松管控階段，一二環區域的午間人口密度小高峰出現的時間點或提前或延遲，下班后的夜間人口密度也較低，這應該是受復工后企業錯峰午休以及居民出于防控需要夜間減少外出所導致。

3.2 西安市人口分布空間變化特征

圖4為日平均人口密度空間變化地圖，通過Arcgis 10.2自然斷點法統一劃為高密度區、較高密度區、較低密度區、低密度區(5)采用自然斷點法將2月16日人口密度分為四級并確定分級區間，以此為標準劃分其他日期。，括號內數字為地塊數。三個階段，高、較高密度區分布在城市內部，數量逐漸增加，較低、低密度區分布在城市外圍，數量持續減少。封閉管控階段，高、較高密度區主要分布在一二環區域、經開區和小寨—電視塔片區，較低、低密度區主要分布在三環及郊外，呈現出十分明顯的“中心—外圍”分布結構。而隨著疫情管控放開及復工復產的推進，到解封管控階段和放松管控階段，高、較高密度區在高新區、曲江新區、航天基地、城北片區、城東片區向著西南、東南、城北、城東繼續擴張，而較低、低密度區則在三環及郊外進一步減少，進而呈現“中心—外圍、開發區延伸”的分布結構，且周內的人口分布特征已經趨近常態。可以看出，西安市近郊的開發區和城東片區是疫情管控放開后，除一二環區域以外的人口密度主要增長區域，疫情引入風險同樣相對較高(6)事實上，西安市約有62%的疫情感染小區分布在上述區域。。

圖4 2020年2-4月新冠疫情管控期間西安市人口分布變化地圖

3.3 西安市人口分布空間聚集特征

3.3.1 整體聚集特征

表1為日平均人口密度的全局Moran’s I，由GeoDa 1.12計算完成，全部通過99%置信水平檢驗。周內全局Moran’s I由封閉管控階段的0.623持續增長至放松管控階段的0.692，周末則由0.598持續增長至0.667，反映了疫情管控期間西安市人口密度呈現顯著的高值聚集或低值聚集，周內比周末聚集性更明顯，且三個階段這種聚集特征持續增強，但仍舊弱于非疫情階段。

表1 新冠疫情管控期間西安市人口分布全局Moran’s I

3.3.2 局部聚集特征

圖5為日平均人口密度空間熱、冷點地圖，通過Arcgis 10.2自然斷點法將其統一劃分為熱點區、次熱點區、次冷點區、冷點區(7)采用自然斷點法將2月16日人口密度值分為四級并確定分級標準，以此為標準劃分其他日期。，括號內數字為地塊數量。三個階段，西安市人口密度熱點區主要分布在一二環區域，次熱點區主要分布在三環區域，次冷點、冷點區則主要分布在三環及郊外，呈現出明顯的內熱外冷圈層式聚集特征，而隨著人口活力恢復，人口聚集趨勢逐漸加強，且這種特征越來越顯著。同時，到解封管控階段和放松管控階段，熱點、次熱點區在逐步向高新區、曲江新區擴張，呈現出明顯的開發區導向特征。另外，比較放松管控階段與非疫情階段，熱點區已趨近恢復常態，但次熱點區在曲江新區、城北片區、城東片區仍存在一定差異，說明即使到放松管控階段，不論是出于主動回避還是被動隔離，人群活動的聚集行為仍未恢復常態。

值得強調的是，人口密度熱冷點聚集反映了不同階段的人口空間聚集特征，可以推測，熱點聚集區疫情傳播風險相對較大，冷點聚集區疫情傳播風險相對較小，次熱點、次冷點區則分別介于二者之間。對于城市疫情管控分區而言，以此可作為不同階段疫情精準化管控分區參考依據之一。

圖5 2020年2-4月新冠疫情管控期間西安市人口分布熱冷點地圖

3.4 疫情管控期間人口活動模式

基于前文分析可以發現，在西安市疫情管控的不同階段，人口活動的時空分布呈現出不同的特征，其首要原因是由于不同的疫情管控措施引起了人口活動模式發生改變。據此，本文結合日常生活方式相關理論[21]和部分學者的研究[22]，進一步將西安市疫情管控期間與非疫情階段人口活動模式分為防控導向型、防控—就業需求導向型、就業—消費需求導向型、購物—休閑需求導向型四種類型，并分別總結其人口活動特征與分布特征(表2)。值得強調的是，“超常規”的疫情管控表現出較強約束力，在其影響下，不同類型的人口活動模式之間呈現出較大的人口分布差異，但同一類型內部的人口分布卻呈現出較大相似性，這一定程度上解釋了三個階段的周末人口分布存在一定相似性的現象。

表2 新冠疫情管控期間與非疫情階段人口活動模式

4 影響因素探測識別

4.1 影響因子設定

人口分布是居民日常活動的空間表征，體現了空間中不同的功能場所對居民活動的吸引[23]，在疫情管控期間，城市居民的居住、采購、就醫、就餐、就業、休閑等需求依舊需要通過相應的功能空間予以滿足，對應的吸引作用依然存在。但受疫情管控影響，不同階段的人口活力和配套設施的開放性會發生變化，進而對人口分布的影響作用也相應發生變化，本文重點對此進行分析。考慮到4月16日之前西安市教育、文化、娛樂場所多未開放，所以重點對住宅小區(x1)、餐飲設施(x2)、生活服務(x3)、醫療機構(x4)、購物服務(x5)、辦公場所(x6)、公園廣場(x7)7類設施數據清洗后進行分析(表3)。在數據清洗中，考慮到居民短時間活動并未對百度熱力產生影響，所以對人口停留時間明顯短于15分鐘的設施進行剔除，如糕餅店、洗衣店、便民商店等，其他設施則保留。隨后通過Arcgis 10.2分區統計工具將7類設施數量分類統計至801處研究單元(部分缺省值用0.001代替)，而后計算分地塊設施密度，并采用自然斷點法將研究區域每類設施的密度重分類至20個分區。最終，以西安市不同階段人口分布日平均密度為因變量，以7類設施密度的自然斷點分區為自變量，代入公式(4)，計算其驅動因子，過程由Geodetector軟件完成。

表3 自變量編號、名稱及POI類型、數量

4.2 探測結果分析

表4為人口分布驅動因子探測結果，除x7外，其他影響因子都在99%水平下顯著。西安市7類設施對人口分布的影響強度排序為：住宅小區>餐飲設施>生活服務>醫療機構>購物服務>辦公場所>公園廣場，因此，在三個疫情管控階段，住宅小區、餐飲設施、生活服務、醫療機構的影響強度呈現遞減，購物服務、辦公場所、公園廣場的影響強度呈現遞增。

(1)住宅小區直接決定著人口分布。封閉管控階段，小區實行封閉管理，每戶指派專人定期外出采購，大部分居民則被限制在小區內部，活動范圍與活動類型相對受限，表現出人口分布受住宅小區較大影響。解封管控階段和放松管控階段，小區解封，人口流動性逐漸恢復，再加上交通、購物、餐飲、休閑、就業等設施逐漸恢復運營，促使居民的戶外活動及遠距離出行活動變多，對小區依賴性減弱，表現出住宅小區對人口分布的影響在逐步減弱。同時，疫情管控期間，居民出于自我防控考慮，在周末會刻意減少外出次數，即使出行也會傾向聚集于小區及周邊[24]，因此三個階段，住宅小區對人口分布的影響強度周末都要略大于周內。

表4 新冠疫情管控期間西安市人口分布驅動因子探測結果

(2)對于餐飲設施、生活服務、醫療機構而言，三者的空間分布與住宅小區分布表現出較強相關性(8)住宅小區與生活服務、餐飲設施、醫療機構、辦公場所、購物服務、公園廣場的空間分布皮爾遜相關系數分別為0.72、0.73、0.67、0.59、0.56、-0.1。，前兩者多分布于小區周邊，醫院作為稀缺資源，周邊往往聚集了大量小區[25]，多數診所也直接設在小區樓下，三者對人口分布的影響較大程度上受到住宅小區對人口聚集作用的影響，因此三因子在不同階段對人口分布的影響變化與住宅小區對人口分布的影響變化呈現一定相似性。然而，餐飲服務和生活服務作為日常性消費活動，居民使用頻率相對較高，因此在解封管控階段和放松管控階段，人口流動性逐漸增強且餐飲開放堂食、商業網點開放營業的情況下，仍然保持對人口分布相對較高的影響強度，且周末略大于周內。醫療機構卻不同，疫情期間醫院和診所交叉感染幾率更大，居民活動會有意避開這些區域，因此同樣在后兩個階段，即使門診和診所開放的情況下，醫療機構對人口分布的影響強度卻呈現較大下降，周內周末相差較小。

(3)購物與辦公屬于居民日常性活動范疇[24]，對人流活動具有較強吸引力。封閉管控階段，辦公區域及商業場所大多關閉，再加上小區封閉、交通停運限制了人口流動，表現出購物服務與辦公場所對人口分布影響較弱。解封管控階段和放松管控階段，隨著復工復產推進和小區、市內交通管制的放開，上述場所逐漸開放，人流活力也逐漸恢復，表現出購物服務與辦公場所對人口分布的影響逐漸變強。另外，疫情管控逐步放開后，居民周內由于就業活動占據了大多時間而無暇兼顧購物活動，因此居民周末的購物需求和購物時間普遍要高于周內[26]，購物服務對人口分布的影響周末也要強于周內，但考慮到疫情管控期間居民周末外出次數的下降，導致這個差距不會很大，而辦公場所則剛好相反。

(4)城市中的公園廣場本身數量較少，使用主體還多為中老年人[27]，客觀上決定了公園廣場對居民吸引力有限，導致整體的影響強度較弱，周內周末也相差較小。但隨著疫情管控放開，公園廣場重新對外開放，居民的戶外活動相應增多，對人口分布的影響強度在逐步增強。

(5)城市功能的空間結構影響了城市人口的空間分布[23]，疫情管控則影響了二者之間的聯系。三個階段，隨著疫情管控放開，居民活動與配套設施之間由“弱聯系”變為“強聯系”。由于不同因子對人口分布的影響機理不同，城市中呈相對分散分布的因子(住宅小區、餐飲設施、生活服務和醫療機構)對人口分布的影響由強變弱，呈相對聚集分布的因子(購物服務與辦公場所(9)公園廣場對人口分布的影響作用較弱，此處不做比較。)對人口分布的影響由弱變強，二者共同促使了西安市人口分布也由相對分散變為更加聚集。這也提示了，隨著疫情管控放開，場所防控的重點要由低聚集性場所轉向高聚集性場所。

5 結論與討論

5.1 結論

本文基于百度熱力和POI數據研究新冠疫情管控期間西安市的人口分布演變及影響因素，主要結論如下：

(1)從時間變化來看，受西安市單中心城市結構影響，人口分布密度由一環向郊外遞減。隨著疫情管控放開，西安市的人口數量及流動性逐漸恢復，集中體現在一二環區域的人口數量與流動性的持續恢復。而隨著該區域人口密集度與流動性變大，疫情防控要求也相應變高。此外，疫情管控期間，單日人口密度變化特征與非疫情階段的單日人口密度變動趨勢相似，說明疫情管控期間，居民的日常活動周期并未發生較大變化，但受復工后企業錯峰午休以及居民減少外出影響，活動特征在局部表現不同。從空間變化來看，三個階段，高、較高密度區分布在城市內部，數量逐漸增加，較低、低密度區分布在城市外圍，數量持續減少。而隨著西安市人流管控放開及復工復產的推進，城市人口分布逐漸由“中心—外圍”轉變為“中心—外圍、開發區延伸”的空間結構，西安市近郊的開發區和城東片區是人口密度的主要增長區域，該區域疫情引入風險同樣相對較高。

(2)從聚集情況來看，疫情管控期間西安市人口分布仍呈現明顯的高值聚集或低值聚集，且疫情管控的三階段聚集趨勢持續增強，但仍舊弱于非疫情階段。西安市人口分布熱點主要分布在一二環區域，冷點主要分布在三環及郊外，呈現出明顯的內熱外冷圈層式聚集特征。而隨著人口活力的恢復，這種特征越來越顯著，以此可作為不同階段疫情精準化管控分區參考依據之一。另外，在疫情管控期間，人口分布特征不同主要是由于不同的疫情管控措施引起的人口活動模式發生變化，本文提出了防控導向型、防控—就業需求導向型、就業—消費需求導向型、購物—休閑需求導向型四種人口活動模式，并討論了相應的人口活動特點和分布特征。

(3)從影響因素來看，影響強度排序為：住宅小區>餐飲設施>生活服務>醫療機構>購物服務>辦公場所>公園廣場，且三個階段中7類設施的影響強度呈規律性遞增或遞減。疫情管控的三個階段，住宅小區由于人口流動性恢復和其他功能設施的開放，對小區依賴性減弱，影響強度逐漸減弱。餐飲設施、生活服務、醫療機構由于多分布在住宅小區附近，對人口分布的影響受小區對人口聚集作用影響較大，所以同樣表現影響強度逐漸減弱。購物服務和辦公場所對人流活動具有較強吸引力，且隨著人口活力恢復及復工復產的推進，影響強度逐漸增強。公園廣場由于數量少、吸引力弱，呈現影響強度較低，但隨著公園廣場重新對外開放和居民戶外活動增多，影響強度在逐步增強。可以看出，疫情管控的變化影響了城市配套設施與人口分布的耦合關系由“弱聯系”變為“強聯系”，也影響著西安市人口分布由相對分散變為更加聚集，這也提示了，場所防控的重點要由低聚集性場所轉向高聚集性場所。

5.2 討論

城市疫情管控的本質是人流活動的管控，本文的研究為疫情管控期間人口的動態監測拓展了一種可供借鑒的方法。基于該方法，政府可以及時了解城市不同區域以及不同地塊人口密度分布的實時變化及其與配套設施的耦合關系變化，深入認知疫情管控期間城市居民的活動模式及聚集規律，進而識別城市疫情防控的重點并指導精準化管控分區劃分，以利于實施差異化管控。

需要說明的是，(1)由百度熱力計算出的人口密度僅為相對人口密度[28]，難以反映疫情管控放開后真實的城市人口數量變化和單個地塊人口數量變化，也限制了本文對人口密度的分級進行客觀劃分。雖然已有研究將百度熱力RGB顏色代表的人口密度與對應的柵格相乘以計算真實人口，進而得出真實人口密度[17]，但該方法受研究尺度及柵格中顏色信息提取精度限制，并不適合本文微觀地塊尺度研究。(2)由于西安市不同轄區及不同街道采取的管控措施及管控力度存在一定差異，又遇上春節返工潮，導致疫情管控期間人口分布變化較為復雜，出現部分現象與預期不符，比如解封管控階段周末高密度區數量少于前后兩個階段的周末，而本文基于時空大數據的視角難以解釋該現象。對此兩點，未來將進一步完善人口密度模型，并嘗試從居民個體流動角度對人口變化做補充解釋。