EN中文

JOURNAL OF NATURAL RESOURCES >

2021 , Vol. 36 >Issue 9: 2181 - 2192

DOI: https://doi.org/10.31497/zrzyxb.20210902

Theoretical Exploration on Territorial Space Security

Negative effects of massive intercity population movement on the security of urban agglomerations

  • NIU Xin-yi , 1, 2 ,
  • YUE Yu-feng 1 ,
  • LIU Si-han 1
Expand
  • 1. College of Architecture and Urban Planning, Tongji University, Shanghai 200092, China
  • 2. Key Laboratory of Ecology and Energy-Saving Study of Dense Habitat, Ministry of Education, Shanghai 200092, China

Received date: 2020-06-19

  Request revised date: 2021-01-22

  Online published: 2021-11-28

Copyright

Copyright reserved © 2021.
Fold

Abstract

This paper explored the characteristics of intercity human mobility and the 'negative effects' of massive intercity population movement in China by using mobile internet positioning big data. Two travel periods of Baidu Migration data were selected involving Spring Festival and usual travel time. Based on two mobility indicators, i.e., movement scale and movement scope, the spatial characteristics of intercity population movement were measured by local spatial autocorrelation. With a vital public health emergency, linear regression models were used to measure the differences in the negative effects of the national intercity population movement on different cities and urban agglomerations in China. It is found that three major urban agglomerations, namely, the Yangtze River Delta, the Pearl River Delta, and Beijing-Tianjin-Hebei, are the most significant high-value clustering area of mobility in China. Urban agglomerations and megacities are accompanied by higher risks of negative effects for their super mobility. First, the megacity-centered urban agglomeration will have a more significant negative consequence when it is affected by the negative effects of intercity mobility. Second, the megacity-centered urban agglomeration will significantly spread the negative effects through intercity mobility. It is proposed that the security of urban agglomeration should firstly guarantee the security of mobility. The security of urban agglomerations should be reflected in the resilience of intercity mobility networks. In the process of new urbanization, the development strategy of urban agglomerations needs to focus on the mobility and security of urban agglomerations from the perspective of territory spatial security.

Key words： urban agglomeration; intercity population movement; human mobility; security of urban agglomeration; big data

Cite this article

NIU Xin-yi , YUE Yu-feng , LIU Si-han . Negative effects of massive intercity population movement on the security of urban agglomerations[J]. JOURNAL OF NATURAL RESOURCES, 2021 , 36(9) : 2181 -2192 . DOI: 10.31497/zrzyxb.20210902

自21世纪以来,伴随经济高速增长,我国城市之间的人员流动规模极大增强。截至2019年末,全国高铁营运里程已增长至约3.5万km,2019年铁路客运量33.75亿人次,较2000年增长约3.37倍;航空客运量增长至6.12亿人次,较2000年增长约10.03倍,私人机动车拥有量已达2.06亿辆。在经济总量增长的同时,我国经济发展的空间结构正发生深刻变化,中心城市和城市群正在成为承载发展要素的主要空间形式[1]。城市群作为未来我国城镇化发展的主要空间载体,需要持续促进劳动力、技术、信息、资本等各类生产要素的高效、合理流动,以实现大中小城市和小城镇的协调发展。城际人员流动是城市群形成、发展的标志,推进城市群发展的战略必然带来更多的城际人员流动。
城市间人员流动既直观反映了跨地域的劳动分工协作,又是城市间物质流、信息流、资本流、技术流的重要载体。城市间的人员流动规模、流向能体现区域经济联系强度、城市等级与网络结构等特征,对推动区域协调发展有着重要意义。近年,学术界围绕城际人员流动推动区域空间格局变化[2,3,4]、区域经济与城镇化发展态势[5,6]开展了诸多研究,关注城市经济、城市职能、城市等级与城际人员流动的相互影响[7,8]。大规模城际人员流动对促进区域经济发展,推进区域一体化所产生的“正向”影响,在学术界已达成了较广泛共识。
城际人员流动也会带来“负向”效应。大量实证研究已指出传染病扩散等诸多重大公共卫生安全事件与人员流动存在紧密关联[9,10,11,12]。传染病的扩散传播往往与人口在流动网络中的大规模迁移紧密相关[13]。Sattenspiel等[14]通过剖析地区间来往人员的流动进程,构建了基于地理空间流动性的SIR流行病模型,指出分散地理单元间不同的人员流动特征对传染病的扩散产生直接影响。2020年初,新冠疫情的出现与我国春运期间的城际大规模出行流动存在紧密关联,依托对城际人员流动信息的挖掘可以有效评估疫情传播风险这一观点已从多个学科研究视角所广泛证实[15,16,17]。大量实证研究通过关联各地疫情病例数及武汉流出人口的规模变化情况,证明了严格的人口流动限制措施显著地降低了疫情在国内传播风险[18,19,20,21],这一类突发重大公共卫生安全事件表现出了城际人员流动带来的严重“负向”效应。通过对人员流动模式、地区间人员流动网络的测度模拟,能够有效地揭示这类重大公共卫生安全事件的波及范围与影响程度[22,23,24]。
全面掌握全国城际间的人员流动特征能更好地认识大规模城际人员流动所带来的后果。随着ICT技术的发展和移动互联网的普及,使用移动互联网定位服务的移动设备,产生海量的时空大数据,感知大规模时空间行为,已能够用于记录不同时段下的人员流动特征。基于移动互联网定位的时空大数据为研究全国城际人员流动特征提供了可能,并已在多个时段的城际人员流动研究中得到广泛应用[25,26,27,28]。本文将使用“百度迁徙”移动互联网定位数据,揭示我国中心城市和城市群的人员出行流动时空特征。基于案例实证分析,研究大规模城际人员流动对全国各类城市、城市群所带来安全风险的特征。

1 研究方法与数据来源

百度迁徙数据记录了使用百度地图定位服务用户的出行轨迹,用于表征城际间的人员出行流动。本文所用数据以地市及同等级行政区为空间单元,将直辖市也视为单一空间单元,全国共划分为389个地市单元（含直辖市,下同）。如用户从A市出发,在B市的空间范围内连续停留4个小时以上,则定义为自A市至B市的一次流动。
使用2020年1月10日春运开始至2020年1月23日“武汉封城”的连续14日百度迁徙数据。考虑到新冠病毒平均约14日潜伏期特性,判断截至2月6日,全国各地自武汉输入性病例、与输入性病例直接相关的一代感染病例可基本甄别。依据国家卫生健康委员会公布的数据,将截至2020年2月6日的全国各地市累计报告确诊病例数作为因变量,分别从省、市两级空间单元层面,测算自武汉流入量与各地报告确诊病例数的相关性。

2 结果分析

2.1 城际人员流动与突发重大公共卫生事件的相关性

2.1.1 春节前武汉与全国城际人员流动特征
基于百度数据,2020年1月10日至1月23日,连续14日自武汉流至湖北以外各省（市、自治区）总计约101.55万人次（特指记录使用百度地图定位服务用户的人次数,下同）。以省级行政单元统计,武汉至各省（市、自治区）流入规模前15位分别为河南、湖南、安徽、江西、广东、江苏、重庆、四川、山东、浙江、河北、福建、北京、广西、陕西,上述15位流入总人次占武汉流至湖北省外流动总量的84.6%。以地市单元统计,前 15位分别为信阳、重庆、长沙、北京、南阳、上海、驻马店、郑州、九江、岳阳、广州、深圳、南昌、成都、安庆,上述15位流入总人次占武汉流至湖北省外流动总量的31.0%。自武汉流入人数较多的地市包括两类,一为武汉周边邻近城市,如信阳、南阳、驻马店、九江、岳阳等;二为相距较远的城市,如以北京、上海、广州、深圳等为代表的超大、特大城市。
2.1.2 春节前自武汉流入规模给各省级单元带来的负向效应特征
采用相关性检验与回归模型,量化自武汉流入人次数与各地确诊病例数的关系,检验城际人口流动规模对各省（市、自治区）疫情的影响程度,即除湖北外全国其余33个省级行政单元的计算结果,明确了2020年春节前两周各省（市、自治区）自武汉流入规模与截至2月6日各省（市、自治区）确诊人数存在较强相关性（Pearson's r=0.795***,R2=0.617,P<0.001）（图1）。
图1 省级尺度下自武汉累计流入量与截至2月6日各地确诊病例数关联性

Fig. 1 The association between aggregate population movement from Wuhan and confirmed COVID-19 cases until February 6 based on provincial level

除广东、浙江、河南三省外,其余省（市、自治区）均位于回归线95%置信区间附近。其中,浙江、广东两省确诊病例数显著高于回归线预期,河南的确诊病例数显著低于回归线预期。广东、浙江两省的单位流入人次数对应确诊病例数分别达到161.31例/万人次、281.70例/万人次,河南单位流入人次数对应的确诊病例数为48.42例/万人次,城际人员流动给广东、浙江两省带来更大的“负向效应”风险。
长三角城市群16市、珠三角城市群9市、京津冀城市群13市①（①长三角16市包括上海、南京、苏州、无锡、常州、镇江、南通、扬州、泰州、杭州、宁波、绍兴、嘉兴、湖州、台州、舟山。珠三角9市包括广州、深圳、珠海、东莞、佛山、中山、江门、惠州、肇庆。京津冀13市包括北京、天津、保定、唐山、廊坊、石家庄、秦皇岛、张家口、承德、沧州、衡水、邢台、邯郸。）的面积、城市数、人口规模均大致与省级行政单元相当,具有一定可比性。因此将其分别作为一个整体也纳入上述回归计算中。长三角、珠三角城市群的确诊病例数显著高于回归线预期,京津冀城市群则符合回归预期。长三角、珠三角城市群在相似规模的武汉流入人员条件下,呈现出显著高于其他省（市、自治区）的风险。当突发重大公共卫生事件发生时,城际人员流动给长三角、珠三角城市群带来了更高的“负向效应”风险。
2.1.3 春节前自武汉流入规模给全国地市单元带来的负向效应特征
将全国除湖北外地市单元自武汉流入人次数与各地确诊病例数进行计算。考虑到自武汉流入规模极少地市,其所对应的确诊病例数存在较大的不确定性。选取自武汉流入规模超过2000人次以上的121个地市进行相关性检验与回归计算,结果表明,2020年春节前两周各地市自武汉流入规模与截至2月6日各地市确诊人数存在较强相关性（Pearson's r=0.700***;R2=0.490,P<0.001）（图2）。
图2 地市尺度下自武汉累计流入量与截至2月6日各地确诊病例数关联性

Fig. 2 The association between aggregate population movement from Wuhan and confirmed COVID-19 cases on February 6 based on prefectural level

在总体显著相关下,95%置信区间以外城市出现了明显的两组聚集分布。一组为北京、上海、广州、深圳4个超大城市,确诊病例数远高于模型回归预期;另一组为南阳、驻马店、九江、安庆、周口等邻近武汉的劳务输出型城市,确诊病例数明显低于模型回归预期。上述两组城市在春节前自武汉流入人次数基本处于同一区间,均处于1.5万~2.9万人次之间,但其所对应确诊病例数有很大差异。超大城市“北上广深”,其单位流入人次数对应的确诊病例数为 140.4例/万人次,而另一组仅为48.0例/万人次。即在同一时段、同等量级的自武汉流入人次规模条件下,北京、上海、广州、深圳4座超大城市的单位流入人次数对应的病例数是邻近武汉劳务输出型城市的2.93倍。
在同等外部输入人员规模下,该差异的形成与超大城市自身内部的超大流动性和密度有关[29,30],超大城市内部人员流动的频率、人员相互接触的概率远大于经济不发达城市与乡村,这一结果已经是在超大城市的医疗资源明显优于邻近武汉劳务输出型城市的条件下发生。面临突发重大公共卫生事件冲击时,城际人员流动给超大城市带来了更大“负向效应”影响的风险。

2.2 我国城市群的人员流动性特征

2.2.1 我国主要城市人员流动性特征
讨论武汉在全国城际人员流动中所处的地位,探究我国城际人员流动的总体特征,仍使用基于地市单元尺度的百度迁徙数据。以2019年4月11日至4月24日连续两周作为平日时段,与2020年春节前2周比较,探讨两个时段下全国城际人员流动性的特征。
在城际人员流动的流向、流量分布上,以上海、杭州等为中心的长三角,以广州、深圳为中心的珠三角,以北京为中心的京津冀城市群,在两个时段下均呈现出三个向内陆辐射的流动核心。成渝城市群构成了我国春运时段的另一极（图3a）;平日时段,东部沿海城市之间的强流动联系更显著,北京—上海的城际人员流动成为最强的长距离人员流动联系（图3b）。
图3 春节前时段和平日时段全国城际出行人员流动

注：本图基于自然资源部标准地图服务系统下载的标准地图制作,底图无修改,下同

Fig. 3 Intercity population movement in China before the Spring Festival and in normal days

以流动规模、流动广度两项指标描述城市人员流动性特征。流动规模是指该地市在一定时段内的流入、流出人次数之和,反映各地市的人员流动数量。流动广度可以分为流出广度、流入广度。流出广度指该地市在一定时段内人员流出主要目的地城市数量,本文将总流出量累计前80%的地市视为主要目的地;流入广度指该地市在一定时段内人员流入主要来源地城市数量,将总流入量累计前80%的地市视为主要来源地。将城际人员流动视为一种城市网络,流动规模、流动广度则相当于网络度中心性。其中,流动规模是该城市流入、流出总人次数;流动广度是与某个城市发生特定流入、流出联系的网络节点个数[31],分别相当于入度中心性（Indegree）、出度中心性（Outdegree）。
在春节前和平日时段流动规模分别进入前30位的城市,共计有33个。其中,在两个时段的流动规模排序中,北京、上海、广州、深圳、成都、郑州、苏州、西安、东莞均进入前10位,而杭州仅于平常时段进入前10位、重庆仅于春节时段进入前10位。宁波、温州、厦门仅出现于春节前30位;石家庄、保定、青岛仅出现于平日前30位。对于前30位城市,春节前、平日时段下的流动规模之和分别占同期全国城市流动总量的35.8%和37.7%。上述30个城市在春节前和平日的流动规模均值,分别为同期全国平均水平的4.63倍与4.87倍。超大城市、长三角城市群的城市、珠三角城市群的城市、中西部的部分中心城市共同构成了我国城际人员流动的核心。
流出广度越高,意味着对外流出范围越大;流入广度越高,意味着从外部流入的范围越大。在平日时段,各城市的流入与流出联系广度均衡。春节前时段下,各主要城市的流出广度均明显增加。春节时段下主要城市的流出广度均值为38.1,流入广度均值为22.1。位于流出广度前10位的北京、上海、宁波、天津、温州、杭州、重庆、深圳、苏州、东莞,其均值更高达62.7。相对地,平日时段下主要城市的流出广度均值仅为22.8,流入广度均值为23.2。上述33个城市在春节时段下的主要流出范围较平日时段增长约1.67倍。
采用K-means聚类算法,针对两个时段下的流出广度及平日时段下的流动规模进行聚类计算,揭示上述33个城市流动规模、流动广度的综合特征,计算结果形成了3个聚类（图4）。聚类1体现为流动规模较大、两个时段流出广度较大城市,流动规模均值为907.12万人次,春节与平日时段下的流出广度均值分别为62.0与32.7。聚类2体现为流动规模相对较小、但两个时段流出广度均较大的城市,流动规模均值为352.86万人次,春节与平日时段下的流出广度均值分别为57.0与35.7。聚类3体现为流动规模一般且两个时段流出广度较小城市,其流动规模均值为42.02万人次,春节与平日时段下的流出广度均值分别为25.9与16.3。
图4 两个特征时段下全国主要城市（流动规模前30位）的流出广度和流动规模

Fig. 4 Movement scale and movement scope of main cities (top 30 cities in movement scale) during two periods

从流动规模与流动广度的双重视角看,聚类1所含北京、上海、广州、深圳、杭州、苏州的对外辐射影响最为显著,均处于京津冀、长三角、珠三角城市群内。位于我国中部、有“九省通衢”之称的武汉,在春节前与平日时段的流动规模排名分别为第 13位与第12位。春节前时段武汉流出广度为29,平日时段为32,属于聚类3中较为突出的城市。武汉的流出规模虽较大,流出城市实际更为集中,主要为湖北省内,流出广度尚不及长三角、珠三角内的主要城市。
总体上,北上广深等超大城市的流动规模、流动广度均高于其他城市。春节前城际人员流动的流动规模略大于平日,流动广度比平日显著增加,尤其体现在北京市、长三角和珠三角城市群内的诸多城市。人员流动规模、流出广度直接影响了城际人员流动的“负向效应”,在这一方面,北上广深4个超大城市,长三角、珠三角内主要城市在全国城际人员流动中尤为突出。
2.2.2 我国三大城市群的流动性
春节前和平日,长三角、珠三角、京津冀三大城市群的流动规模总和分别占同时期全国流动规模总量的29.0%和31.7%。三大城市群在春节前、平日的流动规模均值分别是同期全国平均的3.28倍、3.59倍。使用全国地市空间单元,采用Getis-Ord Gi*局部空间自相关测度春节前2周流动规模空间关联特征,空间权重矩阵选用1阶Queen邻接,得出了春节前流动规模的高值区、低值区特征（图5）。
图5 春节前全国地市流动规模及其局部空间自相关结果

Fig. 5 Movement scale and its local spatial autocorrelation of intercity population movement scale before the Spring Festival

在95%置信区间上,全国形成了华北、华东、华南三个“热点”高值聚类区,三个高值区边界与京津冀（13市）、长三角（16市）、珠三角（9市）的城市群核心区边界基本一致。继续采用Getis-Ord Gi*局部空间自相关测度平日时段2周流动规模空间关联特征,采用同样的空间权重矩阵,得出平日流动规模的空间聚类高、低值区分布（图6)。在95%置信区间上,全国依旧存在三个“热点”高值区,同样与京津冀（13市）、长三角（16市）、珠三角（9市）的城市群核心区边界基本吻合。
图6 平常日全国地市流动规模及其局部空间自相关结果

Fig. 6 Movement scale and its local spatial autocorrelation of intercity population movement scale during normal days

局部空间自相关结果表明,两个特征时段下,京津冀、长三角、珠三角城市群地区是我国人员出行流动性最高的城市集合,作为三大城市群核心的北京、上海、广州、深圳4座超大城市在全国城际人员流动中最为突出。对照2020年重大突发公共卫生事件随城际人员流动的扩散事件,以超大城市为中心的城市群,其超大流动性也意味着极大的公共卫生安全风险。

2.3 流动性与城市群的安全

2.3.1 大规模城际人员流动对城市群“负向效应”的特征
通过对比百度迁徙数据所反映的城际人员流动与重大公共卫生安全事件的相关性,反映出了大规模城际人员流动带来“负向效应”的两大特征。
第一个特征是超大城市在面临城际人员流动伴随的公共卫生事件冲击时,会产生更大的负向效应。在同等外部输入人员规模下,由于超大城市自身内部的超大流动性、人口规模、人口密度等因素,导致了面临突发重大公共卫生事件冲击时,城际人员流动给超大城市带来更大的“负向效应”风险。
第二个特征是以超大城市为中心的城市群,由于其超大城际人员流动性,会通过人员流动极大地扩散“负向效应”的风险。以超大城市为中心的城市群是我国城际人员流动体系中的主线,无论平日还是春节前时段,均是全国城际人员流动性最强的地域。假如以超大城市为核心的城市群本身变成了“负向效应”的源头,更会极大地扩散这种风险。
4个超大城市、长三角城市群和珠三角城市群的主要城市构成我国城际人员流动主线,因此,京津冀、长三角、珠三角城市群是城际人员流动带来“负向效应”风险最高的地域。
2.3.2 大规模城际人员流动负向效应与城市群安全的内涵
城际人员出行流动形成的流动性特征是“流空间”和“城市网络”的体现。城市网络包括了经济、社会、知识等多个维度,无一例外均伴随各种“流”的形式而存在[32,33]。航空、铁路、公路等交通流形成的城市网络得到广泛研究,这些交通流实际就是由城际人员流动所形成的功能性城市网络,城际人员流动性是一种流空间中功能性城市网络的体现。
2020年初的重大公共卫生事件可理解为流空间中的功能性城市网络带来的负向效应。突发重大公共卫生事件伴随城际人员流动,在城市网络中迅速扩散,形成了对流空间的冲击。由此可以认为,城际人员流动带来的城市群安全议题,其内涵就是承载功能性城市网络的流空间的安全,保证城际人员流动等各种要素流动的流空间安全是城市群国土空间安全的关键议题之一。
大规模城际人员流动的负向效应扩散的核心因素是城际人员流动形成的功能性网络的节点中心度。在负向效应带来的风险传播中,超大城市的内部流动性放大了外部的负向效应,然后通过超大城市的网络中心度,进一步放大扩散传播负向效应的风险。城市内部流动性是一次放大、城市网络的中心度是二次放大。由于网络内多向流动,一次、二次放大的风险会迭代发生,形成了负向效应的扩散和风险传播。
城际人员流动带来了承载功能性城市网络的流空间安全议题,也带来了相对应的韧性议题。区域空间层面的韧性涉及面广,主要强调区域应对自然、经济、社会安全等威胁时的反弹、自适应与恢复能力[34]。从流空间视角出发,本已有城市网络韧性的概念。作为区域空间韧性的重要一环,城市网络韧性体现在面对外部危机时恢复和保持网络关键功能的能力[35,36,37]。由于将城际人员流动视为了一种流空间中的功能性城市网络,那么城际人员流动性的韧性议题,其内涵也体现为流空间中的功能性城市网络的韧性。
2.3.3 大规模城际人员流动的负向效应对城市群国土空间安全的启示
大规模的城际人员流动负向效应是功能性城市网络带来的,这对国土空间开发的直接启示就是国土空间开发中需要关注城市网络特性,大规模城际人员的“负向效应”对国土空间安全影响是通过功能性城市网络体现出来。
国土空间开发中的人口、经济布局不仅要考虑资源环境等要求,也要关注城际人员流动网络特性,城际人员流动网络中心度直接影响了风险传播。在国土空间开发中将人员流动的网络结构特征纳入考虑,这是建构高效、安全、协同的国土空间开发需求。
从城际人员流动带来的功能性城市网络的“流空间”安全、韧性出发,可以归纳出两个层面的控制途径。第一,流空间的安全要求提升包括城际人员出行流动在内的多种资源要素的流动安全性,控制人员流动性对城市群安全的影响直接体现在城际客运交通体系、物流联通体系上。第二,建设有韧性的城际人员流动功能性网络,确保城市群的人员流动网络在危机冲击中能有适应和快速恢复能力,这将是对城市群韧性建设的核心诉求之一。
2.3.4 应对大规模城际人员流动的负向效应的国土空间规划响应
新型城镇化进程中国土空间规划需要关注人员流动格局网络[38],推进城市群的战略带来城际更加紧密的功能联系网络。基于大规模城际人员流动的负向效应与城市群安全的讨论,以下提出城市群国土空间规划在理论基础、规划编制、规划实施监测三方面的响应。
首先,城市群国土空间格局优化需要将城市网络纳入理论基础。优化城际人员流动网络结构,体现在多中心网络体系、弹性网络结构上。一方面,多中心网络体系对阻隔人员流动带来负向效应起到积极的作用,多中心网络体系降低了中心城市中心度,减缓了中心度带来的风险扩散二次放大,从而一定程度上抑制负向效应的传播。另一方面,在网络结构上适应平日、特殊时期弹性切换,适应流动性风险负向效应。通过网络结构切换控制人员的流动广度是可变的、弹性网络结构要点,起到抑制负向效应扩散的作用。网络特征也提供了一种测度城市群国土空间安全方法。
其次,应对大规模城际人员流动的负向效应,需要将城市网络结构韧性内容纳入国土空间规划。城市群国土空间规划中要对承担人员流动的功能性网络韧性进行评估,具体包括两个部分：第一是对城际客运交通、物流联通体系的网络韧性评价,第二是对城市内部空间结构对流动性安全的评价,后者可以体现在城市内部多中心结构上。城市内部多中心结构兼顾经济要素聚集、分散出行流动规模,从而减缓城市内部流动性带来的风险扩散放大。从城市群国土空间安全出发,城市群国土空间规划内容上需要重视对城市网络结构韧性的专项评价。
最后,在城市群安全需求下,必须将城市群流动性监测纳入国土空间规划实施监测体系。一方面,对城际人员流动的监测是对城市群发展策略实施效果的监测,能综合评价城市间的要素流动状态,这是对城际人员流动“正向效应”的监测。另一方面,对城际人员流动的监测是对突发公共卫生事件等安全风险的监测预警,能综合评估流动性的时空特征动态变化。对流动性带来的国土空间安全潜在风险进行评估预警,是对城际人员流动“负向效应”的监测,超大城市为中心的城市群将是城际人员流动监测的重点区域。

3 结论与讨论

3.1 结论

本文使用移动互联网定位的百度迁徙数据测度了我国春运、平日两个特征时段下的城际人员出行流动空间特征,采用流动规模、流动广度两个流动性指标,揭示了超大城市及所在城市群在城际人员流动网络中的中心地位,运用Gi*局部空间自相关得到的“热点”高值区边界与三大城市群核心区一致。我国以超大城市为中心的长三角、珠三角、京津冀城市群是我国城际人员流动规模、流动广度最强的地域。
城际人员流动对区域发展带来了显著“正向效应”,而大规模的城际人员流动也会有明显“负向效应”。对2020年初突发重大公共卫生安全事件与城际人员流动的相关性分析,大规模城际人员流动“负向效应”表现为两个特征：第一,以超大城市为中心的城市群,本身存在受到城际人员流动更大“负向效应”影响的风险;第二,以超大城市为中心的城市群,由于其超大流动性,存在通过城际人员流动极大地扩散“负向效应”的风险,城市群、超大城市的超强流动性伴随着更大的“负向效应”风险。
城际人员流动带来的城市群安全议题,其内涵是承载功能性城市网络的“流空间”安全。城际人员流动性的韧性体现为“流空间”中的功能性城市网络的韧性,负向效应扩散的核心因素是功能性网络的中心度。
在新型城镇化进程中,推动城市群发展需要从国土空间安全视角,重新审视城市群流动网络的安全和韧性,确保城市群的安全。在城市群国土空间安全要求下,应对大规模城际人员流动的“负向效应”,城市群国土空间规划需要将城市网络纳入理论基础,将城市网络结构韧性纳入规划编制内容,将城市群流动性监测纳入国土空间规划实施监测体系。

3.2 讨论

本文探究了大规模城际人员流动带来的“负向效应”及其两个特征,城际人员流动“负向效应”的两个特征各有影响机理。城际人员流动规模、流动广度表征的网络中心度已经能解释以超大城市为中心的城市群存在通过城际人员流动极大地扩散“负向效应”的风险。至于第一个特征,以超大城市为中心的城市群本身受到城际人员流动更大“负向效应”影响的风险,这可能与超大城市的城市人口规模、人口密度、更多城市内部出行频率、更多依赖使用公共交通方式等因素有关。人员流动带来安全风险是“流动性指标+城市特性”的综合影响,对这方面量化影响机理还需要进一步研究。研究也表明以超大城市为中心的城市群是城际人员流动监测的重点区域,在国土空间安全的要求下,还有哪些区域也将是人员流动监测的重点区,如何设置不同时间段、不同地域的监测重点内容,如何建立高效的监测和响应机制,这些都将是值得进一步研究的议题。
在新型城镇化的进程中,要关注大规模的城际人员流动“正向效应”,也要关注“负向效应”。本文表明了城际出行的大数据为测算城际人员流动的特征提供了有效的研究工具,表征城际人员流动的大数据,能在城市群国土空间安全的监测中发挥重要作用。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
习近平. 推动形成优势互补高质量发展的区域经济布局. 求是, 2019, (24):4-9.

[ XI J P. Promoting the development of regional economic layout with complementary advantages and high developing qualities. Seeking Truth, 2019, (24):4-9.]

[2]
FANG C, YU D. Urban agglomeration: An evolving concept of an emerging phenomenon. Landscape and Urban Planning, 2017, 162:126-136.

DOI

[3]
魏冶, 修春亮, 刘志敏, 等. 春运人口流动透视的转型期中国城市网络结构. 地理科学, 2016, 36(11):1654-1660.

DOI

[ WEI Y, XIU C L, LIU Z M, et al. Spatial pattern of city network in transitional China based on the population flows in "Chunyun" period. Scientia Geographica Sinica, 2016, 36(11):1654-1660.]

[4]
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. 地球信息科学学报, 2019, 21(1):68-76.

DOI

[ PAN B L, WANG J H, GE Y, et al. Spatial structure and population flow analysis in Chengdu-Chongqing Urban Agglomeration based on Weibo check-in big data. Journal of Geo-Information Science, 2019, 21(1):68-76.]

[5]
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. 地理学报, 2015, 70(4):567-581.

DOI

[ LIU T, QI Y J, CAO G Z. China's floating population in the 21st century: Uneven landscape, influencing factors, and effects on urbanization. Acta Geographica Sinica, 2015, 70(4):567-581.]

[6]
杨传开, 宁越敏. 中国省际人口迁移格局演变及其对城镇化发展的影响. 地理研究, 2015, 34(8):1492-1506.

DOI

[ YANG C K, NING Y M. Evolution of spatial pattern of inter-provincial migration and its impacts on urbanization in China. Geographical Research, 2015, 34(8):1492-1506.]

[7]
刘望保, 石恩名. 基于ICT的中国城市间人口日常流动空间格局: 以百度迁徙为例. 地理学报, 2016, 71(10):1667-1679.

DOI

[ LIU W B, SHI E M. Spatial pattern of population daily flow among cities based on ICT: A case study of "Baidu Migration". Acta Geographica Sinica, 2016, 71(10):1667-1679.]

[8]
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. 经济地理, 2019, 39(5):101-109.

[ FENG Z X, ZHANG Y, WEI Y, et al. Spatial temporal pattern and dynamic mechanism of population flow of Changchun city during "Chunyun" period based on Baidu migration data. Economic Geography, 2019, 39(5):101-109.]

[9]
MERLER S, AJELLI M. The role of population heterogeneity and human mobility in the spread of pandemic influenza. Proceedings of The Royal Society B: Biological Sciences, 2010, 277(1681):557-565.

[10]
MELONI S, PERRA N, ARENAS A, et al. Modeling human mobility responses to the large-scale spreading of infectious diseases. Scientific Reports, 2011, 1(62):1-7.

DOI

[11]
BELIK V, GEISEL T, BROCKMANN D. Natural human mobility patterns and spatial spread of infectious diseases. Physical Review X, 2011, 1(1):e011001, Doi: 10.1103/PhysRevX.1.011001.

DOI

[12]
WANG Q, TAYLOR J E. Patterns and limitations of urban human mobility resilience under the influence of multiple types of natural disaster. Plos One, 2016, 11(1):e0147299, Doi: 10.1371/journal.pone.0147299.

DOI

[13]
BALCAN D, COLIZZA V, GONÇALVES B, et al. Multiscale mobility networks and the spatial spreading of infectious diseases. PNAS, 2009, 106(51):21484-21489.

DOI

[14]
SATTENSPIEL L, DIETZ K. A structured epidemic model incorporating geographic mobility among regions. Mathematical Biosciences, 1995, 128(1):71-92.

DOI

[15]
JIA J S, LU X, YUAN Y, et al. Population flow drives spatio-temporal distribution of COVID-19 in China. Nature, 2020, Nature, 2020, 582(7812):389-394.

DOI

[16]
FAN C, LIU L, GUO W, et al. Prediction of epidemic spread of the 2019 novel coronavirus driven by spring festival transportation in China: A population-based study. International Journal of Environmental Research and Public Health, 2020, 17(5):e1679, Doi: 10.3390/ijerph17051679.

DOI

[17]
BUCKEE C O, BALSARI S, CHAN J, et al. Aggregated mobility data could help fight COVID-19. Science, 2020, 368(6487):145-146.

[18]
KRAEMER M U, YANG C H, GUTIERREZ B, et al. The effect of human mobility and control measures on the COVID-19 epidemic in China. Science, 2020, 368(6490):493-497.

DOI

[19]
TIAN H, LIU Y, LI Y, et al. An investigation of transmission control measures during the first 50 days of the COVID-19 epidemic in China. Science, 2020, 368(6491):638-642.

DOI

[20]
ZHOU Y, XU R, HU D, et al. Effects of human mobility restrictions on the spread of COVID-19 in Shenzhen, China: A modelling study using mobile phone data. The Lancet Digital Health, 2020, 2(8):417-424.

[21]
CHEN S, YANG J, YANG W, et al. COVID-19 control in China during mass population movements at New Year. The Lancet, 2020, 395(10226):764-766.

DOI

[22]
DALZIEL B D, POURBOHLOUL B, ELLNER S P. Human mobility patterns predict divergent epidemic dynamics among cities. Proceedings of The Royal Society B: Biological Sciences, 2013, 280(1766):e20130763, Doi: 10.1098/rspb.2013.0763.

DOI

[23]
TIZZONI M, BAJARDI P, DECUYPER A, et al. On the Use of human mobility proxies for modeling epidemics. PLOS Computational Biology, 2014, 10(7):e1003716, Doi: 10.1371/journal.pcbi.1003716.

DOI

[24]
BARBOSA H, BARTHELEMY M, GHOSHAL G, et al. Human mobility: Models and applications. Physics Reports, 2018, 734:42-53.

[25]
潘竟虎, 赖建波. 中国城市间人口流动空间格局的网络分析: 以国庆—中秋长假和腾讯迁徙数据为例. 地理研究, 2019, 38(7):1678-1693.

DOI

[ PAN J H, LAI J B. Research on spatial pattern of population mobility among cities: A case study of "Tencent Migration" big data in "National Day-Mid-Autumn Festival" vacation. Geographical Research, 2019, 38(7):1678-1693.]

[26]
赵梓渝, 王士君. 2015年我国春运人口省际流动的时空格局. 人口研究, 2017, 41(3):101-112.

[ ZHAO Z Y, WANG S J. A study of inter-provincial population flows spatial-temporal pattern during Chinese spring festival travel rush. Population Research, 2017, 41(3):101-112.]

[27]
魏冶, 修春亮, 王绮, 等. 中国春运人口流动网络的富人俱乐部现象与不平衡性分析. 人文地理, 2018, 33(2):124-129.

[ WEI Y, XIU C L, WANG Q, et al. Rich-club phenomenon and disequilibrium of China's population flow network during Spring Festival travel period. Human Geography, 2018, 33(2):124-129.]

[28]
秦萧, 甄峰, 李亚奇, 等. 国土空间规划大数据应用方法框架探讨. 自然资源学报, 2019, 34(10):2134-2149.

[ QIN X, ZHEN F, LI Y Q, et al. Discussion on the application framework of big data in territorial spatial planning. Journal of Natural Resources, 2019, 34(10):2134-2149.]

[29]
DESAI D. Urban densities and the Covid-19 pandemic: Upending the sustainability myth of global megacities. ORF Occasional Paper, 2020, 244(4):1-27.

[30]
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. 热带地理, 2020, 40(3):408-421.

[ XIANG Y B, WANG S Y. Spatial relationship between epidemic spread and population outflow of the coronavirus disease 2019 (COVID-19) that impacted Chinese urban public health classification. Tropical Geography, 2020, 40(3):408-421.]

[31]
ROTH C, KANG S M, BATTY M, et al. Structure of urban movements: Polycentric activity and entangled hierarchical flows. Plos One, 2011, 6(1):e15923, Doi: 10.1371/journal.pone.0015923.

DOI

[32]
CASTELLS M. Grassrooting the space of flows. Urban Geography, 1999, 20(4):294-302.

DOI

[33]
CASTELLS M. Space of Flows, Space of Places: Materials for a Theory of Urbanism in the Information Age. City Reader (5th edition). London: Routledge, 2011: 572-582.

[34]
CHRISTOPHERSON S, MICHIE J, TYLER P, et al. Regional resilience: Theoretical and empirical perspectives. Cambridge Journal of Regions, Economy and Society, 2010, 3(1):3-10.

DOI

[35]
STERBENZ J P, CETINKAYA E K, HAMEED M A, et al. Evaluation of network resilience, survivability, and disruption tolerance: Analysis, topology generation, simulation, and experimentation. Telecommunication Systems, 2013, 52(2):705-736.

[36]
BOSCHMA R. Towards an evolutionary perspective on regional resilience. Regional Studies, 2015, 49(5):733-751.

DOI

[37]
MASSARO E, GANIN A A, PERRA N, et al. Resilience management during large-scale epidemic outbreaks. Scientific Reports, 2018, 8(1):1859-1859.

DOI

[38]
陈明星, 周园, 汤青, 等. 新型城镇化、居民福祉与国土空间规划应对. 自然资源学报, 2020, 35(6):1273-1287.

[ CHEN M X, ZHOU Y, TANG Q, et al. New-type urbanization, well-being of residents, and the response of land spatial planning. Journal of Natural Resources, 2020, 35(6):1273-1287.]

Options
Outlines

/

〈 〉