EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 3: 666 - 678

DOI: https://doi.org/10.12082/dqxxkx.2024.230157

地理空间分析综合应用

“人口流动”视域下中国城市中心性和社群格局分析

  • 尹延中 , 1, 2, 3 ,
  • 邬群勇 , 1, 2, 3, * ,
  • 林瀚 1, 2, 3 ,
  • 赵志远 1, 2, 3
展开
  • 1.福州大学 空间数据挖掘与信息共享教育部重点实验室，福州 350108
  • 2.卫星空间信息技术综合应用国家地方联合工程研究中心，福州 350108
  • 3.数字中国研究院（福建），福州 350003
*邬群勇（1973— ），男，山东诸城人，博士，研究员，研究方向为时空大数据分析、地理信息服务。 E-mail:

尹延中（1999— ），男，江苏盐城人，硕士生，研究方向为时空大数据分析。E-mail:

Copy editor: 蒋树芳

收稿日期: 2023-03-28

  修回日期: 2023-05-05

  网络出版日期: 2024-03-31

基金资助

国家自然科学基金项目(42201500)

中央引导地方科技发展专项(2022L3003)

收起

Analysis of Urban Centrality and Community Patterns from the Perspective of "Intercity Mobility Flow" in China

  • YIN Yanzhong , 1, 2, 3 ,
  • WU Qunyong , 1, 2, 3, * ,
  • LIN Han 1, 2, 3 ,
  • ZHAO Zhiyuan 1, 2, 3
Expand
  • 1. Key Lab of Spatial Data Mining and Information Sharing of Ministry of Education, Fuzhou University, Fuzhou 350108, China
  • 2. National & Local Joint Engineering Research Center of Satellite Geospatial Information Technology, Fuzhou 350108, China
  • 3. The Academy of Digital China (Fujian), Fuzhou 350003, China
*WU Qunyong, E-mail:

Received date: 2023-03-28

  Revised date: 2023-05-05

  Online published: 2024-03-31

Supported by

National Natural Science Foundation of China(42201500)

The Central Guided Local Development of Science and Technology Project(2022L3003)

Fold

摘要

城市网络的组织结构与运行机制离不开城市间的关联关系。本文基于2021年10月至2022年9月的百度迁徙大数据，构建了中国366个城市的城际人口流动网络。在节点层面，提出了城际人口流动超越指数衡量城市中心性，探索城市中心性的空间聚类特征；在网络社区层面，分析了中国366个城市的月际城际人口流动特征及社群格局。结果表明： ① 城际人口流动超越指数能够有效表征城际人口流动网络中各城市的中心性； ② 城际人口流动网络中各城市根据其中心性形成“高高”集聚分布和“低低”集聚分布的特征； ③ 城际人口流动集聚格局受节假日因素、新型冠状病毒感染等综合影响，在不同月份表现出不同的特征，总体上符合地理学第一定律，并呈现省际分异特征； ④ 城市凝聚子群发现结果表明，成渝、大湾区、中原、关中平原、长三角等城市群人口流动格局较为稳定，具有跨省人口流动融合特征；山东半岛城市群与京津冀城市群的人口流动格局联系密切，出现跨城市群人口流动特征；浙江省省域内人口流动特征逐渐加强；长江中游、海峡西岸城市群仍未形成跨越省界的稳定人口流动社群格局。

关键词： 城市中心性; 城市相互作用; 社区检测; 城际人口流动网络格局; 百度迁徙数据; 城际人口流动超越指数; 区域协调 发展; 城市群

本文引用格式

尹延中 , 邬群勇 , 林瀚 , 赵志远 . “人口流动”视域下中国城市中心性和社群格局分析[J]. 地球信息科学学报, 2024 , 26(3) : 666 -678 . DOI: 10.12082/dqxxkx.2024.230157

Abstract

The effect of "space-time compression" caused by "space flow" breaks the independent allocation of resources between cities and drives the formation of regionally integrated development pattern, and the organizational structure and operation mechanism of the urban network cannot be separated from the inter-city relationship. Based on Baidu migration big data from October 2021 to September 2022, this paper constructs the intercity population flow network for 366 cities in China. At the node level, a population flow surpassing index is proposed to measure urban centrality and explore the spatial clustering characteristics of urban centrality. At the network community level, the monthly intercity population flow pattern and characteristics of 366 cities are analyzed. The results show that: (1) The population flow surpassing index considering flow direction meets the actual needs of intercity population mobility evaluation for measuring urban centrality and can effectively characterize the centrality of cities in the intercity population flow network. Using Baidu Migration big data from January 2023 to April 2023 after the end of the epidemic for comparison, we found that the central impact on national central city is small due to the prevention and control of COVID-19 transmission; (2) Cities in the intercity population flow network exhibit "High-High (HH)" and "Low-Low (LL)" agglomeration characteristics according to their centrality. HH clustering areas are formed in the eastern coastal and central regions, while LL clustering areas are mainly located at the edge of the Qinghai Tibet Plateau, the edge of the three northeastern provinces, and some areas in Hainan Island; (3) The intercity population flow pattern shows different characteristics in different months due to the influence of holidays, COVID-19 transmission, etc., generally in accordance with the first law of geography, and exhibits provincial differentiation characteristics; (4) The finding of urban cohesive subgroups shows that the intercity population flow patterns of Chengdu-Chongqing Urban Agglomeration, Greater Bay Area, Central Plains Urban Agglomeration, Guanzhong Plain Urban Agglomeration, Yangtze River Delta Urban Agglomeration, and other urban clusters are relatively stable, characterized by cross-provincial population flow integration. The Shandong Peninsula Urban Agglomeration and the Beijing-Tianjin-Hebei Urban Agglomeration have close connection in intercity population flow patterns, characterized by cross-urban cluster intercity population flow. The intercity population flow pattern within Zhejiang Province is gradually enhanced, and the urban clusters in middle reaches of Yangtze River and the west bank of the Taiwan Strait haven’t yet formed a stable population flow pattern across provincial borders.

Key words： urban centrality; interaction between cities; community detection; network pattern of intercity population mobility; Baidu migration data; S-index; regional integration; urban agglomeration

1 引言

城际人口流动的相互作用促进空间上彼此孤立的城市连接为具有一定结构和功能的城市区域，使城市逐渐融合形成城市群[1]。城市群一体化是区域协调发展的重要表现形式，一方面，区域协调发展促进城际人口流动强度，另一方面，不同城市之间的人口流动强度在一定程度上反映了城市间联系的紧密程度。城际人口流动网络中各城市的中心性各不相同[2]，城市间人口流动互动集聚模式是一个动态变化的过程[3]，不同时期人口流动规模和范围不同[4]。因此，从人口流动视角揭示城市空间相互作用网络的变化过程，对合理规划交通设施，优化城市群结构具有重要的理论和现实意义。
现有关于城际人口流动网络格局的研究主要表现在，在研究理论上由“场所空间”向“流动空间”转变[5-6]。因此，研究者通常将城市描述为由流和网络构成的系统，通过“流”的空间关系来表征城际人口流动结构其可以被理解代表不同类型的流，如信息流[7-8]，迁徙流[9-10]等。在研究范围上，相关研究覆盖了城市群范围[11-12]，流域范围[13]，全国范围[14-15]以及全球范围[16]。
在中心性评价指标上，先前的研究主要从形态学或功能角度量化中心性[17]， 2种中心性评价的角度不同，Borgatti等[18]对中心性评价指标列出了一个完善的分类体系。传统的研究方法主要以PageRank[19]、度中心性[20]等为主，随着地理大数据的出现，使各种流量数据易于获取。裴韬等[21]总结了地理流的表达方式；秦昆等[16]利用多元流识别了全球网络结构、时变规律和关联模式；胡昊宇等[22]则基于铁路客运流利用复杂网络分析方法探究了中国城市群规划的合理性；郭仁忠等[23]基于交通流利用社会网络分析方法探究了粤港澳大湾区交通网络的集聚格局，并进行了中心性评价。这些研究多利用的依然是传统网络评价指标。综合考虑地理“流”的长度，Wang和Pei等[24]基于科学家的H-index评价指标提出了衡量地点中心性的I-index原创性指标；融入地理“流”方向因素，Wang和Pei等[2]又提出来X-index评价指标衡量节点的中心性。在研究数据上，传统的人工统计和抽样调查数据难以真实反映城市间人口流动时空动态特征，其可靠性也受到质疑[25]，限制了城市间交互作用分析的深度和广度。包含位置信息的地理大数据为探索城际人口流动交互作用提供了有力支撑。
然而，现有研究仍存在以下缺陷：① 对城市中心性评价指标的选取，度中心性等评价指标受单条城市间人口流动数据影响较大，忽略了流向因素；基于科学家H-index的原创性指标I-index和X-index，考虑的是地理位置上的流向，而选取城市行政区划质心为城市的位置并不能准确概括一个城市的地理位置，且存在相应的参数选择，参数选择对最终的结果影响较大。② 针对不同月份城际人口流动网络格局的对比研究较少。文献[14-15]均以年为时间单位分析了中国城际人口流动特征，然而一年不同时间的城际人口流动特征具有时间异质性。尽管有相关研究针对国庆[4]、工作日[11]、春节[26]的城际人口流动状态进行分析，然而研究时点相对局限，不能揭示不同月份城际人口流动网络格局，且较少的研究从“人口流动”视角下研究区域融合格局。
鉴于此，本文在全国范围内利用百度迁徙“流”大数据构建城际人口流动复杂网络，提出城际人口流动超越指数（Surpass Index, S-index） 并用其评价各城市在全国城际人口流动网络中的中心性，采用社区检测算法，识别了2021年10月至2022年9月中国366个城市间人口流动的空间动态集聚格局，以期推动不同地市间合作交流、为优化城市群空间结构及促进城市间高质量发展提供参考。

2 数据来源与研究方法

2.1 数据来源

百度慧眼平台所提供的百度迁徙数据（来源： https://qianxi.baidu.com/），主要字段包括迁入迁出强度，迁入迁出城市，以及相对应迁入迁出比例，时间颗粒度为一天，反映了每天的城际人口流动状态，该数据集已被多次应用于城际人口流动的研究中[27⇓⇓-30]，共包含全国366个城市，数据未含香港、台湾和澳门。因此，本文爬取了全国366个城市间的每日城际人口流动数据（时间范围：2021年10月1日—2022年9月30日），并以城市为节点，城市与城市之间的连线为边，城际人口流动方向为边的方向，城市间每月人口流动总和为边的权重，构建共计12个月的有向全国城际人口流动复杂网络，揭示中国城市中心性和社群格局。

2.2 研究方法

本文从网络节点和社区2个层面对中国城际人口流动网络进行研究，研究框架如图1所示。节点层面，探究城际人口流动超越指数在评价城市中心性方面的有效性，然后识别城市中心性空间聚类特征；社区层面，通过社区发现方法，探究城市社群时空变化格局。
图1 中国城市中心性和社群格局研究框架

Fig. 1 Research framework for urban centrality and community patterns in China

2.2.1 点度中心度

点度中心度作为表征城市中心性的评价指标之一，本文采用点度中心度，从自身重要性对城市中心性进行度量，主要参考Freeman对于中心性指标的定义[31]。点度中心度即城市与相邻城市间城际人口流动流入量与流出量的总和，计算公式 如下：
C ( i ) = ∑ j R j i + R i j
式中： C ( i )表示城市 i的城际人口流动网络中的点度中心度； R i j表示城市 i到城市 j的单向城际人口流动流量； R j i表示城市 j到城市 i的单向城际人口流动流量。

2.2.2 城际人口流动超越指数

本文采用了期刊超越指数的思想，将其应用于城际人口流动网络的研究。期刊超越指数是衡量学术期刊影响力的指标，其基本思想是随机从期刊A选择一篇论文，其引用数大于从其他期刊随机选择一篇相同主题，相同文献类型论文的引用数的概率[32]，以此来评估该期刊的影响力。本文对其进行了简化，构建城际人口流动超越指数 (Surpass Index, S-index)，城市A的流向类比于论文，与其有流动联系的城市类比于领域，即随机从城市A 中选择一座有人口流动联系的城市，其人口流动强度大于从其他城市随机选择一条相同流向城市的人口流动强度的概率，强调了某城市在其人口流动影响区域内各人口流动流向的中心性。本评价指标重点关注的方面是在某一城市城际人口流动范围内，该城市是否在各个人口流动联系方向中都具有一定的影响力。和度中心性、接近度中心性、介数中心性等相比，城际人口流动超越指数同时考虑了一座城市在其人口流动联系区域中的流向与流量因素，避免了因单条流向中的城际人口流动过高而影响中心性的评价。具体算法如式（2）—式（5）所示。
S A = 1 N A ∑ t S A t
S A t = P c a > c o | a ∈ A t , o ∈ O t = S 1 + S 2 N O t × 100 %
S 1 = ∑ a ∈ A t , o ∈ O t 1                               c a > c o
S 2 = ∑ a ∈ A t , o ∈ O t 0.5                         c a = c o
式中： S A表示城市 A的城际人口流动超越指数； N A表示城市 A所有人口流动流向的数量； S A t表示城市 A在城市 t上的城际人口流动超越概率，即城市 A流向城市 t上超越其他城市流向城市 t的概率； N O t表示流向相同城市 t的其他城市的数量； A t表示城市 A与城市 t的 a流向(城市 A与城市 t之间的联系)集合； c a表示 a流向的人口流动强度； O t表示其他城市流向城市 t的 o流向(城市 O与城市 t之间的联系)集合； c o表示 o流向的人口流动强度。流向指城际人口流动联系方向。

2.2.3 城市中心性空间聚类

为了进一步解释城市中心性在“邻域空间”的自相关性，本文采用空间自相关分析方法对城市中心性空间聚类特征进行分析，主要分为全局空间自相关和局部空间自相关。
（1）全局空间自相关
从宏观层面判断城市中心性在整个研究区的聚集性，判断所有城市中心性空间关联程度的总体程度，本文采用全局Moran's I统计量表示，计算公式如式（6）所示。
I =   n ∑ i = 1 n ∑ j = 1 n W i j ( x i - x - ) ( x j - x - ) ∑ i = 1 n ∑ j = 1 n W i j ∑ i = 1 n ( x i - x - ) 2
式中： x i和 x j分别为 i和 j城市的城市中心性； n为地级市数量； x -为城市中心性的平均值； W i j为空间权重。Moran's I指数取值范围为(-1,1)，其大于0表示城市中心性呈空间正相关性；其小于0表示呈空间负相关性。
（2）局部空间自相关
局部空间自相关用于进一步度量每个地域单元与其临近空间单元的属性特征值之间的相似性，能以图形的形式直观地展现城市中心性的空间集聚状况，其计算公式如式（7）所示。
I i =   ( x i - x - ) n ∑ j = 1 n W i j ( x j - x - ) ∑ j = 1 n ( x i - x - ) 2
式中： x i和 x j分别为 i和 j城市的城市中心性； n为地级市数量； x -为城市中心性的平均值； W i j为空间权重。 I i为正值表示该城市与临近城市的城市中心性近似，为负值则不相似。采用局部空间关联性指标来度量局部空间自相关性，并通过LISA (Local Indicators of Spatial Association, LISA) 集聚图进行空间可视化。

2.2.4 社区发现方法

本文采用复杂网络分析中Louvain社区发现算法对城际人口流动网络中的社区进行识别，主要步骤如下：
(1)初始时将每个城市当作一个社区，社区个数与城市个数相同。
(2)依次将每个城市与之相邻城市合并在一起，计算它们的模块度增益是否大于0，如果大于0，就将该城市放入该相邻城市所在社区。
(3)迭代步骤（2），直至算法稳定，即所有城市所属社区不再变化。
(4)将各个社区所有城市压缩成为一个结点，社区内点的权重转化为新结点环的权重，社区间权重转化为新结点边的权重。
(5)重复步骤(1)—步骤(3)，直至算法稳定。
Q = 1 2 m ∑ i , j ( A i j - k i k j 2 m ) δ ( C i , C j )
式中： A i j表示城市 i和城市 j之间边的权重； k i和 k j分别表示与城市 i和城市 j相连的边权重和， δ ( C i , C j )表示城市 i和城市 j是否处于同一个社区； m表示网络中可能存在的最大连接数。模块度 Q介于0和1之间， Q越大表明社区结构越明显。

3 城市中心性评价

为了定量评价各个城市在城际人口流动网络的中心性，本节计算了全国城际人口流动网络中各个城市的城际人口流动超越指数和点度中心度，对城际人口流动网络节点城市中心性进行分区评价，并探究了城际人口流动超越指数表征城市中心性的有效性，最后采用空间自相关方法中分析城际人口流动超越指数所表征的城市中心性的空间聚类特征。

3.1 城市中心性评价指标对比

点度中心度作为表征城市中心性的评价指标之一，本文计算了各城市的点度中心度和城际人口流动超越指数以表征在城际人口流动网络中各城市中心性方面的排序格局，如图2所示，序号为按点度中心度降序后城市所对应序号，共计366座城市，计算结果结果表明，按点度中心度降序排列后对应城市的城际人口超越指数出现上下波动（如图2中的蓝线和红线所示）。因此，城际人口流动超越指数表征城市中心性排序方法与点度中心度表征城市中心性方法具有不一致性。
图2 城际人口流动超越指数与点度中心度关系

Fig. 2 Relationship of intercity mobility surpassing index and weighted degree centrality

为了对比分析本文提出的城际人口流动超越指数在表征全国城际人口流动网络中各城市中心性方面的优势，图3展示了点度中心度前十城市和城际人口流动超越指数前十城市的2个评价指标的平行坐标系图。城际人口流动超越指数排名前十的城市分别为北京、上海、重庆、深圳、成都、广州、杭州、武汉、郑州和西安，包含了8个国家规划方案中的中心城市，国家中心城市城际人口流动指数均处于较高水平。点度中心度排名前十的城市分别为广州、深圳、成都、东莞、佛山、北京、杭州、西安、上海和长沙，包含了5个在规划中的国家中心城市。其中广州、深圳、东莞和佛山均位于大湾区城市群，成都市作为中部地区的枢纽城市，其点度中心度较高，北京、上海等城市作为国家发展的重要规划城市，在人口流动方面具有较强的吸引力。
图3 城际人口流动超越指数与点度中心度排名前十城市平行坐标系

Fig. 3 Parallel coordinate system diagram of the top ten cities ranked by S-index and weighted degree

从城际人口流动指数角度看，北京市和上海市的城际人口流动超越指数非常高，分别为92.13%和91.67%，这表明在城际人口流动网络中，北京市和上海市具有极其重要的地位。东莞市和佛山市等城际人口流动超越指数却不高，仅为81.10%和78.40%。这表明在城际人口流动超越指数的评价体系中，东莞市和佛山市的中心性不如北京市、上海市等城市。
具体以佛山市和重庆市为例，如图4所示。对于佛山市来说，佛山市的人口流动主要集中在广州市与佛山市单一流向上，佛山市和广州市的联系高达44.7%，这条单一流向显著提高了佛山市的点度中心度，而与其他城市的流向上的人口流动影响力较弱，因此其城际人口流动超越指数较低。在广佛同城一体化发展的建设过程中，佛山市承接了与广州市规模较大的流量，但还未体现出相应的枢纽地位，对周边节点的带动作用尚未体现。
图4 典型城市城际人口流动超越概率分布

Fig. 4 Transcendence probability distribution of intercity population flow in typical cities

相比之下，重庆市的点度中心度仅为2 504，然而其城际人口超越指数却达到了90.50%，仅次于北京市和上海市。重庆市作为成渝城市群的两大核心城市之一，连接着湖北省、四川省、江西省和贵州省。同时，作为中部地区的核心发展城市，具有良好的交通地理位置，起到了连接节点的作用。重庆市劳动力相对来说比较分散，大部分的流向超越其他城市相同流向的概率分布在85%左右，其各个流向流量在全国都有一定的影响力。

3.2 城市中心性分区有效性分析

为进一步验证本文指数的有效性，本文应用城际人口流动超越指数构建城际人口流动超越指数分区表，如表1所示，城际人口流动分区表将城际人口流动网络节点城市按城际人口流动超越指数排名进行分区，按前5%归类为一区，5%~25%归类为二区，25%~50%归类为三区，后50%归类为四区，反映城际人口流动网络中各城市的中心性分区格局。
表1 2021年10月—2022年9月中国城市中心性分区表

Tab. 1 Division of urban centrality from October 2021 to September 2022 in China

城市中心性分区 城市名称
城际人口流动一区（前5%） 北京、上海、重庆、广州、杭州、深圳、成都、武汉、郑州、西安、长沙、苏州、南京、天津、宁波、合肥、青岛、济南
城际人口流动二区（5%~25%） 石家庄、东莞、昆明、无锡、温州、南阳、福州、金华、佛山、南昌、保定等74个城市
城际人口流动三区（25%~50%） 达州、镇江、赣州、渭南、淄博、泰州、安庆、德州、常德、衡阳、亳州等91个城市
城际人口流动四区（50%~100%） 马鞍山、永州、自贡、忻州、淮南、庆阳、西双版纳、大理、清远、宣城等183个城市
一区的城市多为东部发达城市，例如北京、上海、广州、深圳等一线大城市。不仅与其联系的城市数量多，而且所发挥的桥接作用最明显，对其他城市“节点对”的监督和控制能力最强，在城际人口流动网络中的位置和地位最为重要，多围绕京津冀、珠三角、成渝以及长江中游等城市群分布；二区的城市相对于一区的城市来说，其在城际人口流动网络中的作用较小，包括石家庄市、济南市等部分省会城市和新一线城市，这些城市在本地区内具有较高的地位和影响力，并且对周边城市的带动作用也比较明显；三区的城市包括了部分二线城市和新一线城市，如泰州市、德州市等，这些城市在城际人口流动网络中的作用比较弱，在城际人口流动网络中的地位相对较低，四区的城市在城际人口流动网络中的地位处于边缘化，基本上不具备作为连接节点的功能。
本文进一步采用2022年新一线城市研究所（The Rising Lab）发布的2022年城市层级榜单（https://www.datayicai.com/report/detail/286），该榜单在描述中国城市的相对发展水平方面已被学术界广泛接受[2,33]，应用Kendall Tau系数[34]（ τ）来衡量按城际人口流动超越指数、点度中心度和X-index排序与2022年城市层级榜单之间的顺序关联。结果表明，城际人口流动超越指数排序的列表与2022年城市层级榜单之间的 τ为0.72（P<0.001），然而，X-index在计算过程中按照文献[2]中的建议值选取bmax，对于本文的数据集，Kendall Tau系数仅为0.44（P<0.001）。当改变bmax的值时，排序结果也出现较大变化。因此， X-index存在相应的参数选择，参数选择对最终的结果影响较大，且选取城市行政区划质心为城市的位置并不准确概括一个城市的地理位置。本文所提出的城际人口流动超越指数关注的不是地理位置上的流动方向，而是在城际人口流动网络是否联通作为判断依据，计算方便。点度中心度Kendall Tau系数计算结果为0.72（P<0.001），相比于点度中心度，本文构建的城际人口流动超越指数(Surpass Index, S-index)综合考虑了流向因素，在衡量城市中心性方面，更加贴近实际人口流动评价需求。

3.3 城市中心性空间聚类特征

为了深入探究城际人口流动网络中城市中心性的空间聚类特征，本文利用Moran's I指数对城际人口流动超越指数表征的城市中心性进行了全局空间自相关分析。结果表明，在全国范围内，城际人口流动超越指数的莫兰指数为0.369，z得分为25.31，并通过了1%水平下的显著性检验。这说明城际人口流动超越指数存在明显的空间正相关性。城际人口流动指数高的城市与城际人口流动指数高的城市之间的联系与地理位置密切相关，易于形成“高高”集聚分布和“低低”集聚分布的特点。
进一步绘制了局部空间自相关（Local Indicators of Spatial Association, LISA）集聚图，如图5所示。城际人口流动超越指数在东部沿海以及中部部分地区形成高高(HH)集聚区；低低 (LL) 集聚区域主要位于中国西部的青藏高原边缘，东北三省边缘，以及海南岛部分地区。同一城市群内的城际城市中心性也表现出了集聚特征。例如，京津冀城市群、江浙沪城市群、粤港澳大湾区、成渝城市群等城市群内，城市中心性较高，形成明显的集聚特征，形成高值集聚区，而处于中国边界上的城市形成低值集聚区。部分省会城市，如昆明市、哈尔滨市、南宁市等，显示出“H-L”集聚特征，均与期有较强关联，发挥了省会城市的辐射带动效应。
图5 2021年10月—2022年9月中国城市中心性空间聚类特征

Fig. 5 Spatial cluster characteristics of urban centrality from October 2021 to September 2022 in China

4 城市社群时空变化格局

为了刻画网络内部受节假日、新型冠状病毒感染等影响下的集聚模式与功能结构的动态变化特征，本节采用Louvain社区发现算法对月际城际人口流动网络中的城市社区进行分类识别，并结合变化检测方法对城市凝聚子群进行稳定性分类及可视化展示，探究现有城市群规划的合理性，为国家未来城市群提供合理建议。

4.1 城市集聚格局月际演变

首先，本节通过社区发现算法得到了每个月的城市社区，具体如图6所示。2021年10月—2022年9月中国人口流动网络的模块度均在0.7 以上，表明其网络内部始终存在明显的子群结构，即在同一凝聚子群内，人口流动相对频繁，城市之间联系密切。受节假日、新型冠状病毒感染等影响，城际人口流动格局在不同月份表现出不同的特征。
图6 2021年10月—2022年9月中国月际人口流动空间网络集聚格局

Fig. 6 Spatial clustering pattern of inter-monthly intercity mobility network in China from October 2021 to September 2022

总体上，凝聚子群格局符合地理学第一定律并具有省际分异特征。因此其集聚特征受到城市节点空间位置的显著影响，导致其子群划分结果具有一定的地理特征。城市之间的联系和人口流动更容易发生在临近的地区。同时，由于不同省份之间的行政管辖和经济发展水平的不同，凝聚子群之间也呈现出一定的省际分异特征。每个月识别出的凝聚子群的大小和数量受节假日、新型冠状病毒感染等影响显示出一定差异性。从人口流动的视角，中国不同地区的城市集聚格局范围显现出差异性。中国西部以及东北地区显示出省份之间融合，如黑吉辽、云贵川渝、新青陕甘宁蒙晋等大范围省份之间的城际人口流动融合，而中国东部多以省界为界限。这个现象反映了不同地区的经济发展水平和政策导向的差异。西部和东北地区在国家政策和财政支持下，促进了经济发展和城市化进程，同时也促进了不同省份之间的融合和协作。另一方面，东部地区的城市化进程较早开始，不同省份之间的发展差异较大，使得省界成为凝聚子群划分的重要边界。

4.2 城际人口流动社群格局

本节研究城际人口流动社群格局，探究中国中原、大湾区、成渝、京津冀、山东半岛、关中平原、长三角、长江中游和海峡西岸现有主要的9个城市群规划方案的合理性，如图7(a)所示。
图7 2021年10月—2022年9月中国城际人口流动空间网络集聚格局

Fig. 7 Spatial clustering pattern of intercity mobility network from October 2021 to September 2022 in China

利用变化检测，将2021年10月—2022年9月的中国人口流动网络的社区检测结果进行叠加分析，得出12个月都具有稳定性的凝聚子群，共识别出20个凝聚子群，如图7(b)所示。
总体上，空间分布呈现出一定的规律性和特征性，在小型凝聚子群中人口流动相对集中，城市之间的联系也较为紧密，小型凝聚子群主要分布在中国东部沿海地区。而大型凝聚子群人口流动范围更为广泛，跨越了省级行政边界，主要集中在中国东北、西北、西南、长三角和粤港澳等地区。这些大型凝聚子群形成的原因是这些地区的城市发展较为快速，而且城市之间的联系更为紧密。
根据表2所示，首先，川渝主体片区、陕宁蒙主体片区、黑吉辽主体片区、江皖沪主体片区、京津冀鲁主体片区等地区的凝聚子群表现出较为明显的省际融合特征，较为符合国家城市群规划方案的要求，成渝、大湾区、中原、关中平原城市群人口流动社群格局较为稳定，具有跨省融合特征，这些地区具有紧密的经济联系，尽管它们被地理上分隔开来，却呈现出了明显的人口流动融合特征，已经形成比较完整的区域经济体系，持续推动区域城市化进程。其次，相对独立的凝聚子群主要分布在湖北省、福建省、湖南省等省份。这些地区在城市间的联系和合作方面相对薄弱，需要积极开展区域间交流与合作，以推动区域协调发展，即长江中游、海峡西岸城市群仍未形成跨越省界的稳定城际人口流动社群格局。特别地，山东半岛城市群并入京津冀城市群，出现城市群融合发展格局，浙江省省域融合逐渐加强。
表2 2021年10月—2022年9月中国凝聚子群识别结果汇总

Tab. 2 Summary table of urban community identification results from October 2021 to September 2022 in China

类型 区域名称
跨界省域融合 川渝、京津冀鲁、江皖沪、陕宁蒙、黑吉辽片区
省域主体融合 湖北、广西、甘肃、广东、云南、西藏等主体片区
省域融合 贵州、山西、浙江、福建、青海、海南、湖南、新疆、河南
如表3所示，部分城市位于省界边缘，未能形成稳定的城际人口流动集群特征。锡林郭勒盟、昭通市、恩施土家族苗族自治州、亳州市和阜阳市由于处于边缘位置，常常受到周边省份的影响，导致城际人口流动集群特征缺乏稳定性和连续性，难以形成区域经济合作的持续优势。 ① 这些城市位于两个或多个省份的交界处，地理位置相对较为偏远，交通不便，导致它们与周边城市的联系相对较弱，难以形成稳定城市群。 ② 由于处于省界边缘，这些城市在资源分配上可能会受到不同省份政策的影响，导致资源分配不均衡，难以形成合理的城市社群发展模式。 ③ 这些城市经济发展水平相对较低，缺乏吸引力和竞争力，难以吸引外部资本和人才流入，进一步影响了城市社群的发展，在维护行政区划的前提下，需要推动这些城市与周边城市的紧密融合发展。
表3 2021年10月—2022年9月中国未形成稳定社群模式的城市汇总

Tab. 3 Table of cities without stable community patterns from October 2021 to September 2022 in China

所属省区 区域名称
内蒙古自治区 锡林郭勒盟
云南省 昭通市
湖南省 恩施土家族苗族自治州
安徽省 亳州市、阜阳市
江西省 上饶市、吉安市、宜春市、抚州市、新余市、景德镇市、萍乡市、赣州市、鹰潭市
在城际人口流动网络融合方面，江西省整体呈现出较为不稳定的特征。江西省东部的城市如南昌市、赣州市、宜春市等，面临与浙江省、福建省沿海城市形成的长三角、海峡西岸城市群规划的竞争，西部的城市如上饶市、抚州市、吉安市等，面临与湖南省、湖北省等省份城市的竞争。江西省的城市发展不仅要考虑本省的城市群发展，还要与周边省份的城市群协调发展，形成跨区域城市群，促进高质量发展。
研究发现，即使部分城市爆发新冠病毒感染疫情，城际人口流动社群格局并没有发生大范围的变化。未形成稳定社群格局的城市并未爆发严重的新冠肺炎疫情。地理位置以及国家城市规划方案仍是影响社群格局稳定性的重要影响因素。

5 讨论

本研究主要以城际人口流动角度探究了城市中心性和人流集聚格局，有助于丰富城市网络结构特征的认识，具有一定的理论意义。同时，研究结论为形成以城市群、都市圈为依托构建大中小城市协调发展格局具有一定的实际意义。
在城市中心性评价方面，虽然中国在2021年10月1日—2022年9月30日仍然有部分地区爆发新冠肺炎感染，但本研究与Wang等[2]在2019年城际人口流动网络中的中心性研究结果相似，在规划中的国家中心城市均表现出明显的桥接作用，对其他城市“节点对”的监督和控制能力最强，中心性较高的城市多集中于中国东部沿海。不同的是，本研究中杭州市在2022年的城市中心性显著提高。近年来，杭州市快速发展数字经济，阿里巴巴等互联网企业的快速发展带动了杭州数字经济的发展，同时，杭州市作为浙江省的省会城市，随着交通和基础设施的改善，其城市中心性得到有效提高。加快构建新发展格局，未来应充分发挥一区城市的辐射效应，增强区域间城市联系，大力发展战略性新兴产业与数字经济，着力推动高质量发展。考虑到新冠肺炎疫情的影响，本文进一步采用2023年1月至2023年4月的百度迁徙数据计算城市中心性。本文排名前十的城市依然处于前十，计算结果排名与本文的排名肯德尔系数达到了0.85(P<0.001)，R2为0.965。与2019年的研究结果以及补充实验比较发现，本文的城市中心性指标受新冠肺炎疫情等异常情况影响较小。
从不同的视角探究区域融合发展格局，特点各有不同，具体如表4所示。与前人相关研究对比来看，本研究的“人口流动”视角，与公路客运流动网络[35]的社区划分结果类似，湖北省、福建省、湖南省、浙江省等省份形成相对独立的凝聚子群，说明城际人口流动网络不同于科技创新网络和专利联系网络，与城市间交通设施建设状况密切相关。城际距离仍是影响城际人口流动的主要因素之一[36]。城际贸易网络考虑的仅仅是上市公司之间的贸易交流，受新冠肺炎影响较大。本文中城际人口流动视角下，稳定的社群格局未因新冠肺炎发生大规模变化，未形成稳定社群格局的城市多位于省界边缘或处于多个城市群规划方案。而高铁网络作为单一的视角，铁路的规划对社群格局影响较大，铁路沿线易于形成社群结构；且出现部分跨省级行政区城市的凝聚子群。因此，各个视角下的对于区域融合发展格局的分析侧重点有所不同。
表4 不同网络视角下区域融合发展格局

Tab. 4 Regional integration development pattern from different network perspectives

网络类型 特点
专利联系网络[37] 跨区域组团模式、克服了地理距离的摩擦阻力
科技创新网络[38] 中国东南、华北及东北、西南地区形成了较大规模的科技创新子网络
公路客运流动网络[35] 湖北省、福建省、湖南省、浙江省等省份形成相对独立的凝聚子群
高铁客流流动网络[22] 铁路沿线易于形成社群结构；出现部分跨省级行政区城市的凝聚子群
城际贸易联系网络[39] 新冠疫情对城际贸易网络结构产生了较大影响，上海社群明显减弱
本研究发现的结论可以为形成国内国际双循环相互促进的新发展格局提供政策参考价值。从城际人口流动视角下，立足国内，未来对位于省界边缘的城市，加强交通基础设施建设，给予政策支持，促进与周边城市形成稳定的区域融合发展模式。同时，合理规划城市群和都市圈发展方案，加快构建新发展格局，中西部和东北地区需要进一步优化城市与产业结构，推进城镇化进程。对于本研究中部分省份的相关独立的凝聚子群，加快形成物流、信息和资金等要素流动网络，深化各产业、各区位主体间的沟通交流，持续推进凝聚子群间要素的流动，有助于形成稳中有进的内生型经济发展方式。构建新发展格局是开放的国内国际双循环，不是封闭的国内单循环。在自主性参与全球贸易方面，根据本文的研究结论，城市群规划方案的实施，体现出大区域城市融合的趋势，例如京津冀长三角城市群与山东半岛已形成稳定的大区域城际人口流动格局等。以珠三角、长三角等重点规划城市群辐射区域为基点，将区域内的资源和产业进行整合和优化，提高区域经济的整体竞争力和效益，联通国际，争取开放发展中的战略主动。
未来，需要结合多源数据进一步验证本文提出的城际人口流动超越指数的有效性进一步探究疫情等异常情况对于中国城市中心性的影响，考虑融合多元流要素对区域融合发展模式进行探究。

6 结论

本研究基于2021年10月—2022年9月的百度迁徙数据，提出构建城际人口流动超越指数评价城市在全国城际人口流动网络中的中心性；进一步分析了城市中心性空间聚类特征；最后，探究了中国366个城市的月际城际人口流动特征及社群格局。主要研究结论如下：
（1）城际人口流动超越指数能够有效反映城际人口流动网络中各节点城市的中心性。相较于传统的点度中心度，城际人口流动超越指数考虑了人口流向因素，更能够反映各城市在城际人口流动网络中的实际中心性，不同于X-index与I-index以地理位置作为流向的评价角度，城际人口流动超越指数以网络中的节点联通判断其影响范围内的中心性。中国各城市的中心性在空间上呈现出显著的正相关性与集聚特征，高高集聚区域主要分布在东部沿海以及中部地区，低低集聚区域主要位于中国西部的青藏高原边缘，东北三省边缘，以及海南岛地区。
（2）城际人口流动社群格局受节假日因素、新冠肺炎疫情等综合影响，在不同月份表现出不同的特征，并呈现省际分异特征。即使部分城市爆发新冠病毒感染疫情，城际人口流动社群格局并没有发生大范围的变化。研究发现，位于多个省界边缘的城市，如昭通市等，常常受到周边省份的影响，社群格局缺乏稳定性。江西省受川渝、海峡西岸、长三角3个城市群规划影响，城市间人口流动社群格局缺乏连续性。城际人口流动社群格局总体上符合地理学第一定律，其受省界以及城市群规划方案影响较大，受新型冠状病毒感染疫情影响较小。
（3）中国西部和东北地区呈现出省份之间的融合发展趋势，而中国东部地区则主要以省界为城市间融合发展的界限，这种区域差异性反映了地理环境和政策背景对城市融合发展的影响。成渝、大湾区、中原、关中平原、长三角城市群区域融合发展较为稳定，具有跨省融合特征；浙江省省域融合逐渐加强；山东半岛城市群融入京津冀城市群，出现城市群融合发展格局；长江中游、海峡西岸城市群仍未形成跨越省界的人口流动社群格局。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Fang C L, Yu D L. Urban agglomeration: An evolving concept of an emerging phenomenon[J]. Landscape and Urban Planning, 2017, 162:126-136. DOI:10.1016/j.landu rbplan.2017.02.014

[2]
Wang X, Pei T, Song C, et al. X-index: A novel flow-based locational measure for quantifying centrality[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 117:103187. DOI:10.1016/j.jag.20 23.103187

[3]
Jiang H P, Luo S J, Qin J H, et al. Exploring the inter-monthly dynamic patterns of Chinese urban spatial interaction networks based on Baidu migration data[J]. ISPRS International Journal of Geo-information, 2022, 11(9):486. DOI:10.3390/ijgi11090486

[4]
Pan J H, Lai J B. Spatial pattern of population mobility among cities in China: Case study of the National Day plus Mid-Autumn Festival based on Tencent migration data[J]. Cities, 2019, 94:55-69. DOI:10.1016/j.cities.2019.05.022

[5]
秦娅风, 郭建科. 不同流要素视角下沿海港口城市体系的网络空间联系[J]. 地理科学, 2022, 42(11):1867-1878.

DOI

[ Qin Y F, Guo J K. Network spatial connection of coastal port city system from the perspective of multiple flows[J]. Scientia Geographica Sinica, 2022, 42(11):1867-1878. ] DOI:10.13249/j.cnki.sgs.2022.11.002

[6]
Castells M. The space of flows[M]//The Rise of the Network Society. Oxford, UK: Wiley-Blackwell, 2010:407-459. DOI:10.1002/9781444319514.ch6

[7]
Ma X K, Yang Z P, Zheng J H. Analysis of spatial patterns and driving factors of provincial tourism demand in China[J]. Scientific Reports, 2022, 12:2260. DOI: 10.1038/s41598-022-04895-8

PMID

[8]
Wang Q X, Zhao M. Research on the city network of Guangdong, Hongkong and Macao from the perspective of information flow: Analysis based on Baidu index[J]. Journal of Regional and City Planning, 2018, 29(3):281. DOI:10.5614/jrcp.2018.29.3.6

[9]
Yin Y Z, Wu Q Y, Li M M. Characterizing intercity mobility patterns for the Greater Bay Area in China[J]. ISPRS International Journal of Geo-Information, 2023, 12(1):5. DOI:10.3390/ijgi12010005

[10]
Yang Z K, Hua Y X, Cao Y B, et al. Network patterns of Zhongyuan urban agglomeration in China based on Baidu migration data[J]. ISPRS International Journal of Geo-Information, 2022, 11(1):62. DOI:10.3390/ijgi11010062

[11]
Cui C, Wu X L, Liu L, et al. The spatial-temporal dynamics of daily intercity mobility in the Yangtze River Delta: An analysis using big data[J]. Habitat International, 2020, 106:102174. DOI:10.1016/j.habitatint.2020.102174

[12]
郑伯红, 钟延芬. 基于复杂网络的长江中游城市群人口迁徙网络空间结构[J]. 经济地理, 2020, 40(5):118-128.

[ Zheng B H, Zhong Y F. Study on spatial structure of population migration network of urban agglomeration in the middle Yangtze River based on complex network[J]. Economic Geography, 2020, 40(5):118-128. ] DOI: 10.15957/j.cnki.jjdl.2020.05.013

[13]
赵金丽, 张学波, 任嘉敏, 等. 多元流视角下黄河流域城市网络空间结构及其影响因素[J]. 地理科学, 2022, 42(10):1778-1787.

DOI

[ Zhao J L, Zhang X B, Ren J M, et al. Spatial structure and influencing factors of urban network in the Yellow River Basin based on multiple flows[J]. Scientia Geographica Sinica, 2022, 42(10):1778-1787. ] DOI: 10.13249/j.cnki.sgs.2022.10.010

[14]
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

[ Zhang W L, Hao Z J, Wang Y B, et al. Spatial network and influencing factors of population flow in urban agglomeration[J]. Scientia Geographica Sinica, 2023, 43(1):72-81. ] DOI: 10.13249/j.cnki.sgs.2023.01.008

[15]
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

[ Shi X, Wang S J, Wang D Y, et al. Characteristics and influencing factors of daily population flow among cities in China[J]. Scientia Geographica Sinica, 2022, 42(11):1889-1899. ] DOI:10.13249/j.cnki.sgs.2022.11.004

[16]
秦昆, 喻雪松, 周扬, 等. 全球尺度地理多元流的网络化挖掘及关联分析研究[J]. 地球信息科学学报, 2022, 24(10):1911-1924.

DOI

[ Qin K, Yu X S, Zhou Y, et al. Networked mining and association analysis of geographical multiple flows at a global scale[J]. Journal of Geo-information Science, 2022, 24(10):1911-1924. ] DOI:10.12082/dqxxkx.2022.220375

[17]
Yu H S, Yang J, Li T, et al. Morphological and functional polycentric structure assessment of megacity: An integrated approach with spatial distribution and interaction[J]. Sustainable Cities and Society, 2022, 80:103800. DOI: 10.1016/j.scs.2022.103800

[18]
Borgatti S P, Everett M G. A graph-theoretic perspective on centrality[J]. Social Networks, 2006, 28(4):466-484. DOI:10.1016/j.socnet.2005.11.005

[19]
Ishii H, Tempo R, Bai E W. A web aggregation approach for distributed randomized PageRank algorithms[J]. IEEE Transactions on Automatic Control, 2012, 57(11):2703-2717. DOI:10.1109/TAC.2012.2190161

[20]
王雪微, 赵梓渝, 曹卫东, 等. 长三角城市群网络特征与省际边界效应——基于人口流动视角[J]. 地理研究, 2021, 40(6):1621-1636.

DOI

[ Wang X W, Zhao Z Y, Cao W D, et al. Study of network characteristics and inter-provincial boundary effect of the Yangtze River Delta urban agglomeration: From the perspective of population flow[J]. Geographical Research, 2021, 40(6):1621-1636. ] DOI: 10.11821/dlyj020200563

[21]
裴韬, 舒华, 郭思慧, 等. 地理流的空间模式:概念与分类[J]. 地球信息科学学报, 2020, 22(1):30-40.

DOI

[ Pei T, Shu H, Guo S H, et al. The concept and classification of spatial patterns of geographical flow[J]. Journal of Geo-information Science, 2020, 22(1):30-40. ] DOI:10.12082/dqx xkx.2020.190736

[22]
胡昊宇, 黄莘绒, 李沛霖, 等. 流空间视角下中国城市群网络结构特征比较——基于铁路客运班次的分析[J]. 地球信息科学学报, 2022, 24(8):1525-1540.

DOI

[ Hu H Y, Huang X R, Li P L, et al. Comparison of network structure patterns of urban agglomerations in China from the perspective of space of flows: Analysis based on railway schedule[J]. Journal of Geo-information Science, 2022, 24(8):1525-1540. ] DOI:10.12082/dqxxkx.2022.210309

[23]
廖创场, 李晓明, 洪武扬, 等. 交通流空间视角下粤港澳大湾区网络结构多维测度[J]. 地理研究, 2023, 42(2):550-562.

DOI

[ Liao C C, Li X M, Hong W Y, et al. Multi-dimensional measurement of network structure of Guangdong-Hong Kong-Macao Greater Bay Area from the perspective of traffic flows space[J]. Geographical Research, 2023, 42(2):550-562. ] DOI:10.11821/dlyj020220535

[24]
Wang X, Chen J, Pei T, et al. I-index for quantifying an urban location’s irreplaceability[J]. Computers, Environment and Urban Systems, 2021, 90:101711. DOI:10.1016/j.compenvurbsys.2021.101711

[25]
Stead D, Marshall S. The relationships between urban form and travel patterns: an international review and evaluation[J]. EJTIR, 2001, 1(2):113-141.

[26]
赖建波, 潘竟虎. 基于腾讯迁徙数据的中国“春运”城市间人口流动空间格局[J]. 人文地理, 2019, 34(3):108-117.

[ Lai J B, Pan J H. Spatial pattern of population flow among cities in China during the spring festival travel rush based on “tencent migration” data[J]. Human Geography, 2019, 34(3):108-117. ] DOI:10.13959/j.issn.1003-2398.2019.03.015

[27]
勾艺超, 魏铭, 王姣娥, 等. 疫情背景下中国居民城际出行恢复力、恢复模式与影响因素[J]. 地球信息科学学报, 2022, 24(10):1941-1956.

DOI

[ Gou Y C, Wei M, Wang J E, et al. Intercity travel resilience, recovery patterns and influencing factors of resilience in Chinese cities in the context of COVID-19[J]. Journal of Geo-information Science, 2022, 24(10):1941-1956. ] DOI:10.12082/dqxxkx.2022.220302

[28]
张小东, 韩昊英, 唐拥军, 等. 基于百度迁徙数据的中国城市网络结构特征研究[J]. 地球信息科学学报, 2021, 23(10):1798-1808.

DOI

[ Zhang X D, Han H Y, Tang Y J, et al. Research on the characteristics of urban network structure in China based on Baidu migration data[J]. Journal of Geo-information Science, 2021, 23(10):1798-1808. ] DOI:10.12082/dqxxkx.2021.210223

[29]
李涛, 李宇, 戴靓, 等. COVID-19疫情影响下的 “五一” 小长假城际出行特征与影响因素[J]. 地理研究, 2021, 40(11):3225-3241.

DOI

[ Li T, Li Y, Dai L, et al. Characteristics and influencing factors of intercity travel during the May Day holiday under the influence of the COVID-19 outbreak in China[J]. Geographical Research, 2021, 40(11):3225-3241. ] DOI:10.11821/dlyj020201279

[30]
Zhan C, Tse C K, Fu Y, et al. Modeling and prediction of the 2019 coronavirus disease spreading in China incorporating human migration data[J]. Plos one, 2020, 5(10):e0241171. DOI:10.1371/journal.pone.0241171

[31]
Freeman L C. Centrality in social networks: conceputal clarification[J]. Social Networks, 1979, 1(3):215-239. DOI:10.1016/0378-8733(78)90021-7

[32]
Shen Z S, Tong S C, Chen F Y, et al. The utilization of paper-level classification system on the evaluation of journal impact[EB/OL]. 2020: arXiv: 2006. 05047. DOI:10.4 8550/arXiv.2006.05047

[33]
Tan S Y, Lai S J, Fang F, et al. Mobility in China, 2020: A tale of four phases[J]. National Science Review, 2021, 8(11): nwab148. DOI:10.1093/nsr/nwab148

[34]
Kendall M G. A new measure of rank correlation[J]. Biometrika, 1938, 30(1/2):81-93. DOI:10.1093/biomet/30.1-2.81

[35]
王海江, 朱佳鸿, 张硕, 等. 公路客流视域下中国城市网络的空间集聚、层级体系与演化模式[J]. 地理研究, 2023, 42(1):53-68.

DOI

[ Wang H J, Zhu J H, Zhang S, et al. Spatial agglomeration, hierarchical system and evolution model of China’s city network based on the perspective of highway passenger flows[J]. Geographical Research, 2023, 42(1):53-68. ] DOI:10.11821/dlyj020220391

[36]
储君, 仝德, 古恒宇, 等. 中国城际联系距离衰减的非线性规律——基于人口流动大数据[J]. 地理科学进展, 2023, 42(1):1-11.

DOI

[ Chu J, Tong D, Gu H Y, et al. Nonlinear characteristics of distance-decay parameter in intercity links: Based on human mobility big data[J]. Progress in Geography, 2023, 42(1):1-11. ] DOI:10.18306/dlkxjz.2023.01.001

[37]
刘耀彬, 孙敏. 中国城市技术转移网络空间格局分析——基于企业控股与专利转移的视角[J]. 地理科学, 2022, 42(10):1695-1705.

DOI

[ Liu Y B, Sun M. Spatial pattern of interurban technology transfer network in China: A case study from the corporate holding and patent transfer[J]. Scientia Geographica Sinica, 2022, 42(10):1695-1705. ] DOI:10.13249/j.cnki.sgs.2022.10.002

[38]
马海涛, 胡夏青. 城市网络视角下的中国科技创新功能区划研究[J]. 地理学报, 2022, 77(12):3104-3124.

DOI

[ Ma H T, Hu X Q. Regionalization of scientific and technological innovation in China: From the perspective of urban network[J]. Acta Geographica Sinica, 2022, 77(12):3104-3124. ] DOI:10.11821/dlxb202212011

[39]
陈刚, 王光辉, 郑满茵. 上市公司与客户联系视角下的中国城际网络结构时空演化研究[J]. 地球信息科学学报, 2023, 25(1):223-238.

DOI

[ Chen G, Wang G H, Zheng M Y. Research on the spatiotemporal evolution of China’s intercity network structure from the perspective of the relationship between listed companies and customers[J]. Journal of Geo-information Science, 2023, 25(1):223-238. ] DOI:10.12082/dqxxkx.2023.220676

Options
文章导航

/

〈 〉