中國人口流動網絡特征及影響因素研究

李天籽　陸銘俊

[摘要] 文章基于2016年和2018年的騰訊位置大數據，采用社會網絡分析法和QAP回歸模型系統探究了中國人口流動網絡的空間結構特征以及影響因素。研究結果表明：人口流動網絡關聯性增強，整體結構日趨穩健，但依然存在“東南密集，西北稀疏”的態勢;經濟發達、行政地位高的節點城市在人口流動網絡中具有更強的吸引力和輻射力;人口流動網絡的凝聚子群特征明顯，人口流動仍以子群內流動為主，子群間聯系較少;區域差異是人口流動的源動力，就業機會、工資收入以及遷移成本仍是影響人口流動的主要因素，隨著生活水平的提高，舒適性需求對于人口流動的影響日漸凸顯。

[關鍵詞]人口流動網絡;社會網絡分析;騰訊位置大數據;QAP回歸模型

[中圖分類號] F061.5; C924.2[文獻標識碼]? A[文章編號]? 1673-0461（2022）02-0001-09

一、引言

人口流動是城市間物質流、信息流、資本流、技術流的重要載體，人口在城市間的遷移被認為是生產要素在空間上的重新配置，有助于推動社會、經濟要素的重新集聚與擴散[1]。改革開放以來，中國經濟迅速騰飛，城市化進程加快，勞動力遷移日趨活躍，人口流動已成為區域間相互聯系的重要紐帶。對于正處于城鎮化、信息化、工業化、全球化加速推進期的中國來說，了解人口流動的空間特征以及基本規律有助于解決經濟發展、疾病控制、交通擁堵等社會問題[2]。自2015年以來，流動人口規模進入調整期，跨區域流動人口比例快速增長，人口流出和回流的態勢將長期并存。準確把握中國城際間人口流動的空間結構，深入開展城際人口流動影響因素研究，對于制定人口經濟政策、合理引導人口流動具有重要的理論和現實意義。

自20 世紀90 年代以來，關于人口流動的研究逐步成為學術界熱點，大量學者對人口流動的空間分布[3]、動力機制[4]、經濟效應[5-6]、政策制定[7]等問題進行了深入研究。隨著空間分析方法的成熟，人口流動的空間模式已成為流動人口研究的核心議題之一。張耀軍和岑俏采用了熱點分析以及空間回歸分析等方法從省、市、縣三個層面研究了中國人口空間流動格局[8]。劉濤等利用全局莫蘭指數系統分析了中國流動人口空間格局的演變特征、形成機制及其城鎮化效應[9]。但俊和陰劼利用地理加權回歸模型探究了中國縣域流動人口的空間分布特征以及對城鎮化的影響[10]。柏中強等采用Lorenz 曲線、空間分析及樣帶分析方法，研究了中國25省區人口分布的疏密結構、空間集聚性、緯向和經向規律[11]。邵大偉和吳殿鳴采用分形理論和ESDA 方法，揭示了山東省2000 年以來人口城鎮化進程的新動向及空間特征，并剖析了全省城鎮化的影響因素[12]。目前的研究主要利用地理學的空間分析方法探究人口流動的空間特征，更側重于人口流動的規模和分布，并不能很好地展示人口流動的方向，而網絡分析工具的出現恰好能夠彌補傳統地理學方法的不足。由人口流動起訖點、流動方式以及流動路線所構成的復雜網絡為人口流動研究提供了新思路，能夠更系統地認識人口流動的空間特征，進一步拓展了人口流動的研究范疇。

人口流動研究目前主要采用人口普查、抽樣調查以及各級行政單元的年鑒數據，這類靜態數據受到研究尺度和空間準確性限制，存在更新速度慢、空間粒度粗、獲取成本高的特點，嚴重缺乏動態性和實時性，無法反映城市間人口流動的真實方向和格局特征。隨著信息化水平的提高，科學技術手段不斷被運用于人口流動領域，在如今數字化高速推進的背景下，手機等便攜移動終端的興起使得基于海量個體的時空行為追蹤成為了可能。目前應用于人口流動研究的大數據可分為三類：第一類為網頁數據，通過對用戶打卡、簽到、留言、搜索等內容挖掘分析后得到。潘碧麟等利用微博簽到數據研究了成渝城市群空間結構及其城際間的人口流動特征[13]。鄧楚雄等基于百度貼吧數據構建長江中游城市群人口流動矩陣并分析其中的網絡聯系[14]。該類數據主要依賴用戶的主動性，研究樣本較為受限。第二類為公共交通數據，通過對交通卡響應位置和響應頻次統計后獲得。劉耀林等基于公交刷卡數據分析武漢市居民的通勤特征和職住通勤模式[15]。許園園等基于地鐵刷卡數據識別出上海市域的職住空間和通勤格局[16]。該類數據具有統計精確、位置清晰的特點，但也存在研究區域有限的問題。第三類為移動終端定位數據，該類數據具有尺度精細、樣本量大的優點、能夠反映個體屬性以及跨區域流動特征。MARTIN 等利用曼哈頓下城地區一周內的WiFi探測數據，分析了城市內人群的移動軌跡以及聯系性[17]。王垚等采用手機信令數據所代表的人流聯系探究了江西省內的城市關聯情況[18]。馮章獻等基于百度遷徙大數據分析長春市春運期間人口流動空間格局以及動力機制[19]。與傳統調查數據、網頁數據以及公共交通數據相比，移動終端定位數據具有時空完備性高和分析預測性強等優勢，在人口流動領域的研究中得到了廣泛應用[20]。

本文的研究主要基于騰訊位置大數據平臺所提供的人口遷徙數據，該數據包含了中國城市層面以天為單位的遷徙人次、遷徙方式、遷徙方向等出行信息，相較于以往研究中使用較多的百度遷徙數據以及高德地圖位置大數據，騰訊位置大數據較少拆分完整的人口遷徙路徑，能更真實地反映人口流動狀態。此外，本文還考慮了人口流動的方向性，利用社會網絡分析法構建人口流動網絡的空間關系矩陣，重塑人口流動的路徑與強度，深入剖析人口流動網絡空間結構，為人口流動研究提供新的視角。

二、數據來源和研究方法

（一）數據來源

本文使用騰訊位置大數據平臺（https：//heat.qq.com/bigdata/qianxi.html）所提供的人口遷徙數據作為主要研究樣本。騰訊位置大數據平臺于2015年上線，依托騰訊公司的通信、社交、游戲、視頻等服務，能夠在保護個人隱私的前提下收集到各階層和各年齡段用戶的地理位置，通過對個人層面的用戶行為進行分析和挖掘，實現人口遷徙時空軌跡和特征的即時動態可視化。本文使用Python編程軟件爬取了中國288個地級市的人口遷徙數據，首先利用瀏覽器查看騰訊位置大數據完整網頁中關于遷入和遷出人次的源代碼，其次查詢相應數據參數并獲得服務器地址，然后批量設置數據日期和城市名稱并構建循環語句，最后經過調試、校對、整理，批量獲取相應數據。騰訊位置大數據平臺提供了2016年至2018年完整的人口遷徙日度數據，本文綜合考慮研究的動態性以及人口流動網絡變化的顯著性，對2016年和2018年的每日流動人次數據進行對照分析，將原始數據匯總處理后建立人口流動矩陣，列表示流出城市，行表示流入城市，矩陣中元素是當年由起始地到目的地的流動人次總和。A222225E-1F04-4AB6-934C-5DE3504D371A

實際上，2015年以后中國人口流動呈現出新的特征。《中國流動人口發展報告2018》指出，全國流動人口總規模自2015年以后緩慢下降，跨省流動人口比例迅速增長，中西部吸納的流動人口數量增加，人口流動空間模式逐漸多元化，中國的人口流動步入新階段。本文使用的時間樣本能夠全面反映2015年之后人口流動特征以及空間模式，突破了傳統調查數據的時空限制。

（二）研究方法

1.社會網絡分析法

社會網絡分析方法（Social Network Analysis，SNA）是基于圖論和數學方法發展起來的定量分析方法，用以刻畫網絡的關系、形態和類型，測度網絡的各種結構性特征，該方法已被廣泛用于經濟學、社會學、地理學、人口學等領域。社會網絡分析法認為，社會是由各種關系構成的巨大網絡，各個行動者是網絡中的節點，通過研究網絡結構可以把握個體間的關系，從而揭示網絡的整體性與層次性。人口流入流出地可被看作社會網絡中的節點，通過對所有節點及其聯系進行研究，便能夠了解城市間人口流動格局以及網絡特征，進而對流動人口的社會行為進行解釋。本文主要采用社會網絡分析法中的網絡密度分析、中心性分析以及凝聚子群分析對中國城市間的流動人口展開研究。

（1）網絡密度分析。網絡密度指的是一個關系網絡中各個節點間聯系的緊密程度，由網絡實際存在的聯系除以理論上存在的聯系數量得到，網絡密度越大，網絡關系越復雜，表明網絡節點之間的聯系越緊密。計算公式如下：

其中D為網絡密度，k為城市節點數，d為兩點間實際存在的聯系數量。

（2）中心性分析。“中心性”是一個結構位置指標，是行動者在網絡中權力的量化，越接近中心，影響力越大。在人口流動網絡中，不同城市間的聯系強度和方向存在差異，本文采用度數中心度與中間中心度對不同城市在人口流動網絡中的影響力和地位進行分析。

度數中心度是指與該點直線相連的點數，是一個點與其他點產生聯系的能力，計算公式為：

C_AD（i）=i的度數 （2）

式中：CAD為度數中心度，度數即為與該點直線相連的點的數量。

中間中心度測量的是某個節點對資源的控制能力，研究目標節點在多大程度上位于其他兩個節點之間。計算公式為：

（3）凝聚子群分析。在社會網絡分析中，將存在直接、密切、互惠關系的成員所構成的子集合定義為一個凝聚子群。通過對網絡中凝聚子群的數量、凝聚子群間關系，以及凝聚子群內部成員互動進行研究，能夠揭示網絡內部的結構狀態以及整體網絡的發展特征。本文使用塊模型將人口流動網絡中的各城市節點按照一定的標準進行劃分，并運用迭代相關收斂法（CONCOR）進行分析，進而對人口流動網絡的內部微觀結構重點研究。

2.QAP分析方法

QAP（Quadratic Assignment Procedure，二次指派程序）作為一種針對關系數據的非參數置換檢驗方法，主要用于解釋“關系”之間的關系，該模型以若干個1-mode N×N的網絡矩陣為自變量，回歸同類網絡矩陣，判斷回歸系數并進行顯著性檢驗。根據本文的研究思路，需要對影響城際人口流動的多種關系因素進行假設檢驗，由于關系矩陣中存在結構性的自相關會產生“共線性”問題，導致基于OLS的多元回歸方法的變量顯著性檢驗失效，本文使用QAP回歸分析方法能夠避免因觀測值相關引起的統計偏誤[21]。具體計算步驟如下：第一，設置因變量和自變量網絡矩陣;第二，對因變量網絡矩陣和自變量網絡矩陣中對應的長向量元素進行常規的多元統計回歸分析;第三，對因變量網絡矩陣的各行各列進行隨機置換，重新計算回歸，保存系數估計值和判定系數并多次重復之前步驟，最終得到各統計量的標準誤。

三、中國人口流動網絡特征

（一）中國人口流動網絡的總體特征

在人口流動網絡中，城市可以被看作是網絡中的節點，不同城市間的人口流動構成了城際人口流動網絡的邊，網絡密度能夠反映人口流動網絡中城市之間的疏密關系，城市間的關聯關系數量越多則整體網絡密度越大。由于社會網絡分析法中的密度分析只適用于二值矩陣，因此對人口流動矩陣進行二值化處理，高于人口遷移指數平均值的數值記為1，表示關聯顯著，低于平均值的數值記為0，表示關聯不明顯。將處理后的矩陣數據導入UCINET 6軟件進行網絡密度計算，并利用其自帶的NetDraw軟件將城際人口流動網絡可視化。由于城市節點過多，圖1和圖2僅展示了由省會城市和直轄市構成的網絡結構圖。

從圖1和圖2中可知，人口流動空間關聯與地理位置存在較大關系，同一區域的城市人口流動關聯較強，地理位置較遠城市的關聯性相對較弱。2016年和2018年人口流動網絡密度值分別為0.0553和0.0624，增幅約12.8%，說明人口流動網絡結構更為穩健，關聯性大幅度增強，符合人口流動的理想期望。各城市的人口流動水平也得到一定提升，但居于核心和主導地位的流出和流入地區的基本格局并未改變，北京、上海、廣州始終是人口流動最多的城市。從空間分布上來看，大規模的人口流動主要集中在“胡煥庸線”的東南側，符合我國人口分布的基本情況。東南側的自然條件、經濟條件、社會條件相對優越，近年來交通基礎設施逐步完善，“胡煥庸線”兩側人口跨區域流動增多，但流向分布依然呈現明顯的“東南密集，西北稀疏”的態勢。

（二）中國人口流動網絡的節點特征

在人口流動所形成的有向網絡中，每個點的度數中心度包括了點出度和點入度，點出度指由該城市人口流出到其他城市的數量，點入度是指人口流入該城市的數量，根據點出度與點入度的差值能夠判斷該城市的人口流動水平。由于篇幅原因，表1僅展示了全國重要城市的度數中心度，與2016年相比，2018年各城市的出度中心度和入度中心度都有一定的提升，表明人口流動更加的活躍。城際的人口流動大體可以分為三種類型：第一類是人口凈流入地區，即出入度差為負且負值相對較小，代表城市主要有北京、上海、廣州、深圳、重慶、杭州等經濟發達城市;第二類是人口流動相對平衡的地區，即出入度差在0附近波動，以濟南、昆明、鹽城、蘭州、寶雞為代表;第三類是人口凈流出地區，即出入度差為正且正值相對較大，以保山、雞西、鶴崗、慶陽、雙鴨山為典型。從總體上看，大部分城市都處于人口流出的狀態，人口主要向少數經濟發達的城市聚集，從空間上看，人口流動呈現出“東入內出”的特征，東部沿海城市仍然是人口流入的熱點地區，中西部以及東北城市是人口流出的主要地區，“孔雀東南飛”的人口流動模式呈現高度穩定性。A222225E-1F04-4AB6-934C-5DE3504D371A

通過對城際人口流動網絡進行度數中心度分析發現：在點出度方面，2016年和2018年的平均值分別為5.46和6.21，點出度較小的城市主要分布在甘肅、青海、新疆、西藏、內蒙古、貴州等地區，這些地區聚集著大量少數民族，其相對獨特的文化和宗教信仰可能會阻礙區域人口流動。點出度高于7的城市主要分布在四川、安徽、河南、黑龍江、吉林、湖南等省份，這些省份的外出務工人員較多，城市經濟水平相對一般，人口以外流為主。點出度最高的城市主要有北京、上海、重慶、廣州、深圳、成都等，都是經濟水平較高、交通發達的樞紐城市，人口流動頻繁，流入和流出數量都相對較大。在點入度方面，2016年和2018年的平均值為5.41和6.17，約有23%和20%的城市高于平均值，北京、上海、廣州、杭州、深圳、西安、天津、重慶、成都等城市處于流入規模前列，無一例外，這些城市都為發達地區，在經濟、社會保障、商業環境、就業機會等方面的優勢對人才具有更大吸引力。人口流入最少的城市主要集中在西北地區和東北地區，這些城市產業相對單一，經濟較為落后、缺少就業機會，對人才缺乏吸引力。本文還對整個城際人口流動網絡進行了中心勢計算，用以刻畫網絡圖的整體中心性。2018年的網絡點出度中心勢和點入度中心勢力分別為0.157和0.901，相較于2016年的0.088和0.795有著明顯的增長，城際人口流動網絡中人口流入和流出存在非均衡性，人口仍向經濟發達城市集中。

除了度數中心度外，各城市節點還存在中間中心度，能夠具體反映人口流動網絡中城市所扮演的“媒介者”的角色，表征各城市對資源的控制程度。表2展示了2016年和2018年城際人口流動網絡中中間中心度最大的前15位城市。根據表2的結果可知，中間中心度較高的城市都具有較高的行政地位，經濟較為發達，其中北京和上海處于第一梯度，這兩個城市作為中國的政治中心和經濟中心，是全國重要的交通樞紐，鐵路、公路、航線十分密集，能夠直接到達全國多數地點，無論是經濟、政治還是交通都具有非常強的把控能力。廣州、深圳、西安、重慶、成都的中間中心度位于第二梯度，這些城市分別是華南、西北、西南地區的重要節點，經濟、政治、交通都具有較高的地位，能夠對一定區域內的人口流動網絡產生較大的影響力。武漢、哈爾濱，昆明、鄭州、天津、長春、沈陽、青島、大連、杭州等城市的中間中心度位于第三梯度，對各自省內的人口流動網絡具有一定的控制力。從總體來看，城市的中間中心度和城市的行政地位、交通屬性、經濟水平是呈正向關系的，城市的綜合水平越高，所扮演的角色越重要，對人口流動網絡的控制力越強。2018年與2016年相比，除了北京和上海之外，大部分城市的中間中心度有一定程度的降低，這也說明隨著交通基礎設施的完善，人口流動的通達性提高，關鍵節點城市對網絡的控制能力下降。本文計算了整體網絡的中間中心勢，從2016年的0.3793下降至了2018年的0.3725，進一步說明交通網絡密度的提高降低了節點城市的資源控制力。

（三）中國人口流動網絡的凝聚子群特征

本文采用空間聚類塊模型對人口流動網絡進行分析，根據節點地理位置和節點間聯系緊密程度將網絡中的所有城市劃分成不同的凝聚子群，并對子群內部和子群之間的關系進行研究。此處的凝聚子群并非城市之間相互結成聯盟的意思，而是看哪些城市間存在相對較強的、直接的、緊密的、經常的或者積極的聯系[22]。利用迭代相關收斂法（CONCOR）對人口流動網絡進行非重疊性聚類分析，將最大重復數設定為25，最大切分深度設定為2，集中標準設定為0.2，最終得到8個凝聚子群。

根據表3的結果可以發現，凝聚子群中的大多數城市都相互接壤，在地理位置上存在直接的連通性。第1子群主要由河北的多數城市、山東的多數城市以及北京構成，第2子群包含了天津、唐山、秦皇島、內蒙古東部的部分城市以及東北三省的所有地級市，第3子群則由山西、內蒙古中部城市以及河南北部的部分城市構成，第4子群包含了內蒙古西部的阿拉善盟、河南西部的三門峽，以及陜西、寧夏、甘肅、新疆、青海的所有城市。第1至第4子群幾乎囊括了中國北方所有城市，子群也總體按照東北、華北、西北這些自然地理板塊進行劃分，內蒙古狹長的地理特征導致其所轄的城市與不同子群內城市的聯系緊密，2018年與2016年相比，子群變動并不明顯，僅第3子群減少了河南的部分城市。第5子群是以上海為中心的長三角地區，主要由江蘇、浙江、安徽及江西部分城市構成，第6子群包含了重慶、溫州、以及福建、四川、云南、西藏的部分城市，該子群的城市地域跨度較大，第7子群則是由湖北、湖南、河南、江西等華中地區城市構成，第8子群主要由廣東和廣西構成，包含了珠三角地區的所有城市。第5至第8子群包含了中國中部和南部地區的幾乎所有城市，四個子群也相對較大，占比總樣本量的58%，子群總體是按照自然地理分布，2018年與2016年相比，第6子群和第7子群的變動相對較大，主要體現在福建和河南的部分城市。總的來看，城際人口流動仍然是以區域內流動為主，但是已經存在一定的跨區域流動傾向，交通基礎設施的逐步完善正在弱化地理距離的限制、加強城市間的聯系。

從表4中可以看出，第1、第4、第8子群內部密度處于領先位置，第2、第3、第5子群內部密度處于中間梯度，第6、第7子群內部密度則比較小，2018年各凝聚子群的密度較2016年都有了較為明顯的增長。凝聚子群的密度越大表明城市間人口流動越頻繁，聯系越密切。每個子群都包含了經濟發展比較好以及經濟相對落后的城市，經濟發達的城市在就業、公共服務等方面更具優勢，能夠獲得落后地區的勞動力供給，經濟相對落后的城市能夠憑借自身資源、環境以及政策支持吸引發達地區的人員流入以創造更大的發展機會，人口在發達地區與落后地區的頻繁流動，能夠帶動資本、信息、技術的快速遷移，進而實現發達地區的持續繁榮與落后地區的快速發展。

為了更加簡潔地分析，將表4密度矩陣中的值與整體網絡密度進行對比，若子群密度高于整體網絡密度，則將其修改為1，否則修改為0，最后得到中國人口流動網絡的像矩陣（見表5）。從整體上來看，城市間的聯系還是局限在子群的內部，大部分子群間的聯系強度小于整體網絡密度，子群間聯系仍然比較松散。其中第1、第2、第3子群相互聯系比較密切，城市多數分布在華北和東北地區，地理距離相對較近，人口流動較為頻繁，同樣的第7、第8子群內部的城市主要分布在華中和華南，兩個子群地理鄰近，聯系也更為緊密。2018年的子群間聯系與2016年相比有一定程度的增強，第1與第3、第3和第4、第5和第6子群都產生較為緊密的聯系，經濟發展以及交通基礎設施完善都有助于跨區域人口流動，促進不同凝聚子群間的聯系。A222225E-1F04-4AB6-934C-5DE3504D371A

四、中國人口流動網絡的影響因素

地區間特定要素的差異是人口流動的根本原因。新古典理論強調經濟因素在人口流動中的主導作用，但是忽視了自然環境與人工環境的影響。人口推拉理論認為推動人口遷移的主要因素包括收入差距、就業機會、對外開放、產業結構、空間距離等[23-24]。隨著人們生活水平的提高，基于舒適度理論解釋人口流動的研究也逐漸增多，居住環境、教育醫療資源、社會保障等也被認為是影響人口流動的重要因素[25-26]。本文選用QAP回歸模型，對人口流動網絡的影響因素進行具體分析。

（一）模型構建和指標選取

1.模型構建

本文設定的關系數據計量模型如下：

Y=β₀+β₁X₁+β₂X₂+…+β_iX_i+U （4）

其中Y和Xi分別為被解釋變量和解釋變量，βi是估計參數，U為殘差項。關系數據計量模型與屬性數據計量模型在形式上是相同的，但不同點在于所有變量均為n階方陣。本文所用的各項指標變量均為288×288的1mode關系矩陣，其中忽略對角線的元素。

2.指標選取

被解釋變量。本文仍以二值化處理后的人口流動網絡作為被解釋變量，根據每行流動人次的平均值將各元素進行0和1賦值，高于平均值的記作1，低于平均值的記作0。

解釋變量。本文選取了就業機會、收入水平、對外開放、產業結構、公共服務、居住環境和遷移成本等方面的10個指標，構建網絡矩陣作為計量模型的解釋變量。其中遷移成本是通過鐵路距離估計值和鐵路的運行速度計算得到[27]，其余數據則源于相應年份的《中國城市統計年鑒》，具體的計算說明見表6。

（二）實證結果分析

根據QAP回歸分析方法，選擇2 000次隨機置換，計算出調整后的R²分別為0.145和0.171，且通過了1%的顯著性水平檢驗，說明這些指標能較好地解釋人口流動網絡的形成。表7顯示了相關指標的回歸結果：就業規模差距和工資收入差距對人口流動網絡具有顯著的正向影響，就業機會越多、工資水平越高的城市能夠吸引人口流入，根據標準化系數可知，就業仍是影響人口流動最重要的因素之一;城市的開放程度以及產業結構也會對人口流動產生影響，城市開放程度和第三產業都對人口流動具有正向作用，第二產業則存在較為明顯的負向作用。城市使用外商直接投資越多，對外聯系越緊密，能對外部人口產生更大吸引力，第三產業越發達，表明服務業的勞動力需求越強烈，進而影響人口城際流動。第二產業中采礦業、制造業、電力、熱力、燃氣等行業更多依賴機械化生產，與勞動力投入產生替代效應，因此會對人口流動產生一定的抑制作用;城市間教育資源和醫療資源的差異對人口流動具有顯著的正向影響，教育水平、醫療水平的差異越大，越能促進人口流動，高水平醫院和高等學校有利于流動人口獲得更高的生活質量，享受更多的社會福利;社會保障水平也能對人口流動產生重要影響，當流動人口具備較好的經濟水平時，社會保障這類公共服務則成為了流動人口的重要參考依據，根據標準化系數可知，社會保障差異與人口流動顯著正相關，城市間社會保障水平差異越大，人口流動越明顯;城市間的自然環境差異也會影響人口流動，相較于2016年，2018年的樣本回歸系數通過了10%的顯著性檢驗，并且標準化系數提高，說明良好的居住環境逐步成為人口流動過程中的重要參考標準;根據地理學第一定律，地理距離是影響所有要素流動的首要因素，空間距離越遠，人口遷移的阻力越大，本文用普通鐵路運行時間來衡量人口的遷移成本，從回歸結果可知，遷移成本網絡的標準化系數在1%水平上顯著為負，遷移成本的增加會導致人口流動產生衰減效應，隨著高鐵線路的開通以及航空票價的降低，遷移成本進一步降低，地理距離影響也將逐漸減小。對比2016年和2018年回歸結果，除遷徙成本、就業機會、工資收入等常規因素外，教育醫療、社會服務、居住環境等因素的重要性凸顯，這在一定程度上能夠反映出人們對高品質生活的追求。

五、結論與啟示

本文基于騰訊位置大數據平臺提供的人口遷徙數據，利用社會網絡分析法研究了中國城際人口流動網絡特征，并具體分析了城際人口流動的影響因素，力求深化大數據視角下對中國人口流動格局的認識。研究結果表明：第一，城際人口流動網絡結構日趨穩健，但整體網絡密度并不大，人口流動分布“東南密集，西北稀疏”的態勢并未改變;第二，在城際流動網絡中人口的流入和流出存在非均衡性，行政地位和經濟水平較高的城市在人口流動網絡中具有更強的影響力，人口主要從經濟欠發達地區流向發達地區;第三，城際人口流動網絡存在明顯的群體性特點，人口流動雖然仍以區域內流動為主，但是跨區域流動傾向逐漸增強;第四，就業機會、工資收入以及遷移成本仍然是影響人口流動決定性因素，隨著生活條件的改善，教育醫療、社會服務以及居住環境等因素對人口流動的影響程度也進一步提高。

從以上可以看出，區域差異是影響人口流動最重要的因素，大城市往往聚集更多資源，對人口流動有著更強的吸引力，而中小城市受制于當地的經濟、社會、環境，往往成為人口流失的重災區，這也反映出中國人口流動不平衡的問題。有鑒于此，提出以下建議：第一，充分尊重人口流動規律，降低人口流動障礙和遷徙成本，促進人口有序流動;第二，合理促進城市群人口集聚，不同城市群應采取差異化的人口政策，東部人口聚集的城市群需減小大城市人口流入壓力，增強中小城市的吸引力。中西部城市群要提高中心城市人口集聚度，減少人才流失;第三，推動不同區域和不同等級城市的教育、醫療、社會保障等公共服務均等化，改善居住環境，促進區域協調發展。

基金項目：教育部人文社會科學重點研究基地重大項目《新一輪東北振興與東北亞區域合作研究》（16JJD790013）;吉林大學基本科研業務費項目（2018XXJD16）。A222225E-1F04-4AB6-934C-5DE3504D371A

作者簡介：李天籽（1976—），女，遼寧鞍山人，博士，吉林大學東北亞研究院教授、博士生導師，主要研究方向為區域經濟、人口流動;

陸銘俊（1992—），男，江蘇南通人，博士研究生，主要研究方向為區域經濟、人口流動。DOI：? 10.13253/j.cnki.ddjjgl.2022.02001中國人口流動網絡特征及影響因素研究

——基于騰訊位置大數據的分析李天籽，陸銘俊（吉林大學東北亞研究院，吉林長春130012）

[參考文獻]

[1]DE HAAS H. Migration and development： a theoretical perspective[J]. International migration review，2010，44（1）：227-264.

[2]劉望保，石恩名.基于ICT的中國城市間人口日常流動空間格局：以百度遷徙為例[J].地理學報，2016，71（10）：1667-1679.

[3]勞昕，沈體雁.中國地級以上城市人口流動空間模式變化——基于2000和2010年人口普查數據的分析[J].中國人口科學，2015（1）：15-28.

[4]嚴善平.中國省際人口流動的機制研究[J].中國人口科學，2007（1）：71-77.

[5]王飛，郭頌宏，江崎光男.中國區域經濟發展與勞動力流動——使用區域連接CGE模型的數量分析[J].經濟學（季刊），2006（3）：1067-1090.

[6]紀韶，朱志勝.中國城市群人口流動與區域經濟發展平衡性研究——基于全國第六次人口普查長表數據的分析[J].經濟理論與經濟管理，2014（2）：5-16.

[7]蔡昉.人口遷移和流動的成因、趨勢與政策[J].中國人口科學，1995（6）：8-16.

[8]張耀軍，岑俏.中國人口空間流動格局與省際流動影響因素研究[J].人口研究，2014，38（5）：54-71.

[9]劉濤，齊元靜，曹廣忠.中國流動人口空間格局演變機制及城鎮化效應——基于2000和2010年人口普查分縣數據的分析[J].地理學報，2015，70（4）：567-581.

[10]但俊，陰劼.中國縣內人口流動與就地城鎮化[J].城市發展研究，2016，23（9）：88-93.

[11]柏中強，王卷樂，楊雅萍，等.基于鄉鎮尺度的中國25省區人口分布特征及影響因素[J].地理學報，2015，70（8）：1229-1242.

[12]邵大偉，吳殿鳴.山東省人口城鎮化動態特征及其影響因素[J].經濟地理，2013，33 （9）：51-57.

[13]潘碧麟，王江浩，葛詠，等.基于微博簽到數據的成渝城市群空間結構及其城際人口流動研究[J].地球信息科學學報，2019，21（1）：68-76.

[14]鄧楚雄，宋雄偉，謝炳庚，等.基于百度貼吧數據的長江中游城市群城市網絡聯系分析[J].地理研究，2018，37（6）：1181-1192.

[15]劉耀林，陳龍，安子豪，等.基于公交刷卡數據的武漢市職住通勤特征研究[J].經濟地理，2019，39（2）：93-102.

[16]許園園，塔娜，李響.基于地鐵刷卡數據的城市通勤與就業中心吸引范圍研究[J].人文地理，2017，32（3）：93-101.

[17]MARTIN W T， NICHOLAS J， AWAIS M， et al. Digital footprints： using WiFi probe and locational data to analyze human mobility trajectories in cities[J]. Computers， environment and urban systems，2018，72：4-12.

[18]王垚，鈕心毅，宋小冬，等.人流聯系和經濟聯系視角下區域城市關聯比較——基于手機信令數據和企業關聯數據的研究[J].人文地理，2018，33（2）：84-91，146.

[19]馮章獻，張瑜，魏冶，等.基于百度遷徙數據的長春市春運人口流動時空格局與動力機制[J].經濟地理，2019，39（5）：101-109.

[20]LAI J B， PAN J H. Chinas city network structural characteristics based on population flow during Spring Festival travel rush： empirical analysis of “tencent migration” big data[J]. Journal of urban planning and development， 2020，146（2）：04020018.

[21]KRACKHARDT D. Predicting with networks： nonparametric multiple regression analysis of dyadic data [J]. Social networks，1988，10（4）：359-381.

[22]沈詩杰，沈冠辰.中國省際人口流動的空間結構特征研究[J].人口學刊，2020， 42（4）：103-112.

[23]LEE E S. A theory of migration[J]. Demography，1996，3（1）：47-57.

[24]李拓，李斌.中國跨地區人口流動的影響因素——基于286個城市面板數據的空間計量檢驗[J].中國人口科學，2015（2）：73-83，127.A222225E-1F04-4AB6-934C-5DE3504D371A

[25]CAO Z， ZHENG X Y， LIU Y S， et al. Exploring the changing patterns of Chinas migration and its determinants using census data of 2000 and 2010[J]. Habitat international，2018，82：72-82.

[26]張偉麗，晏晶晶，聶桂博.中國城市人口流動格局演變及影響因素分析[J].中國人口科學，2021（2）：76-87.

[27]石林，傅鵬，李柳勇.高鐵促進區域經濟一體化效應研究[J].上海經濟研究，2018（1）：53-62.Research on the Characteristics and Influencing Factors

of Chinas Population Flow Network

—Based on Tencent Location Big Data Analysis

Li? Tianzi，? Lu? Mingjun

（Northeast Asian Studies College， Jilin University， Changchun 130012， China）

Abstract：? ?Based on Tencent location big data in 2016 and 2018， this paper uses social network analysis methods and QAP regression model system to explore the spatial structure characteristics and the influencing factors of Chinas population flow network. The research results show that： The relevance of the population flow network has increased， and the overall structure has become increasingly stable， but there is still a trend of “ being dense in the southeast and being sparse in the northwest”; Node cities with developed economy and high administrative status have stronger attractiveness and control in the population flow network; The characteristics of cohesive subgroups of the population flow network are obvious， and the population flow is still dominated by the flow within the subgroups， and there are few connections between the subgroups; Regional differences are the source of population mobility. Employment opportunities， wage income and migration costs are still the main factors affecting population mobility. With the improvement of living standards， the impact of comfort requirements on population mobility has become increasingly prominent.

Key words：population flow network; social network analysis; Tencent location big data; QAP regression model

（責任編輯：張積慧）A222225E-1F04-4AB6-934C-5DE3504D371A