EN中文

Journal of Geo-information Science >

2020 , Vol. 22 >Issue 6: 1240 - 1253

DOI: https://doi.org/10.12082/dqxxkx.2020.190686

Research on Travel Pattern and Network Characteristics of Inter-city Travel in China's Urban Agglomeration during the National Day Week based on Tencent Migration Data

  • LI Tao 1, 2 ,
  • WANG Jiaoe , 2, 3, * ,
  • HUANG Jie 2
Expand
  • 1. Northwest Land and Resource Research Center, Shaanxi Normal University, Xi'an 710119, China
  • 2. Key Laboratory of Regional Sustainable Development Modeling, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 3. University of Chinese Academy of Sciences, Beijing 100049, China
* WANG Jiaoe, E-mail:

Received date: 2019-11-13

  Request revised date: 2020-04-26

  Online published: 2020-08-25

Supported by

National Natural Science Foundation of China(41501120)

National Natural Science Foundation of China(41722103)

The Fundamental Research Funds for the Central Universities, SNNU(18SZYB01)

Young Elite Scientists Sponsorship Program by CAS(2019QNRC001)

Copyright

Copyright reserved © 2020
Fold

Abstract

Intercity travel is a time-dependent behavior, which has different spatial characteristics with different time constraints or during different time periods. The patterns of intercity travel and geographical spatial connections revealed by intercity travel could be different with time. However, intercity travel with varying travel time has been studied little so far, in particular for holiday travel. With the booming of holiday tourism, analyzing intercity travel during holidays is of great significance to uncover the spatial movement rules and travel patterns among urban agglomerations. In the era of big data, real-time records of population movement provide a possibility to examine the characteristics of intercity travel in detail. Hence, this paper explores the characteristics, patterns, and structure of intercity travel in 19 urban agglomerations of China during the National Day holiday period (October 1-7) in 2016. The intercity travel data derived from the Tencent Location Big Data and network analysis methods are employed to evaluate intercity travel patterns between urban agglomerations. Using the community detection method, we identify 24 city communities during the National Day holiday, and the directions of intercity travel in urban agglomerations are explored. Results show that intercity travel during this golden week has an obvious timing feature, which is observed as leave period, return period, and journey period receptively. There have formed three intercity travel patterns, namely, hub-and-spoke, polycentric, and monocentric patterns. Meanwhile, the features of intercity travel in the leave period and return period are similar to the Spring Festival, which is characterized by space-time symmetry of population flow. Intercity travel in main urban agglomerations presents a typical long-holiday travel feature, which is characterized by short- and medium- distance travel between core cities and neighboring peripheral cities. While the intercity travel in urban agglomerations in the central and west of China has a typical tidal feature. Based on the population movement records from the Tencent Location Platform, this study has investigated intercity travel features and travel patterns during the National Day holiday in three time periods mentioned above. In addition, our results can provide useful support for intercity traffic management, road resource optimization, and allocation plan in long holidays in China.

Key words： intercity travel; travel pattern; network structure; time dependent; Tencent Migration; big data; National Day holiday; urban agglomeration

Cite this article

LI Tao , WANG Jiaoe , HUANG Jie . Research on Travel Pattern and Network Characteristics of Inter-city Travel in China's Urban Agglomeration during the National Day Week based on Tencent Migration Data[J]. Journal of Geo-information Science, 2020 , 22(6) : 1240 -1253 . DOI: 10.12082/dqxxkx.2020.190686

1 引言

城市群作为国家推进新型城镇化的主体空间形态,依托发达的交通通信基础设施,中国城市群已经并正在形成空间紧凑与高度一体化的城市群体[1]。社会经济发展与高速交通所带来的“时空压缩”效应大大增强了居民可移动性,城际出行逐步呈现出常态化、规模化与动态化特征[2]。城际出行具有时间依赖性,不同时间约束与特定时期的城际出行具有相异性,反映的出行模式及其表达的地理空间联系规律也具有差异性。节假日城际出行与其他时段相比具有不同的特征,在假日旅游蓬勃发展的背景下,研究节假日城际出行对于掌握节假日期间居民空间移动规律与出行模式具有重要意义。
作为城际空间交互与城际联系的直接表征,人口移动长期以来一直是地理学关注的热点议题,学者们围绕人口跨城市、跨省域移动格局与影响因素等问题开展了系列研究[3,4,5]。聚焦于城际出行,国内外对该议题的研究集中在长距离城际出行、日常城际通勤以及基于时间依赖性的城际出行特征研究3方面[6,7,8,9,10]。在长距离城际出行方面,Limtanakool等[6]基于欧洲长距离出行调查数据并将其分为商务流、旅游流和休闲流,对这3类构成的城际出行网络特征进行了比较研究;Neal[7]基于美国航空客流数据,系统对比了不同性质客流（商务流、旅游流）和不同时段客流（夏季、冬季）所构成的出行网络特征差异;国内学者从供需视角切入,基于公路、铁路和航空等运营组织与客流数据构建全国和区域尺度上如长江三角洲、珠江三角洲等城市群的城际出行网络进而揭示其组织结构特征[8,9,10,11,12,13]。在日常城际通勤方面,De Montis等[14]基于城际通勤数据对意大利撒丁岛和西西里岛的通勤网络及其与可达性关系进行了系统分析。中国高速铁路快速发展和同城化背景下,相关学者对高速铁路影响下的跨城流动空间特征、居民城际通勤特征与形成机理进行了探 讨[15,16]。基于位置服务的大数据所记录的人口移动实时记录为开展特定时段的居民城际出行特征研究提供了关键基础,相关学者利用迁徙大数据成功揭示了春运期间人口流动格局特征及其与城市发展的关系[17,18,19,20]。此外,探索空间约束下的人口移动模式研究也呈现出方兴未艾的趋势,具有代表性的是Liu等[21]和Yu等[22]分别利用微博签到数据（Check-in data）和航空客流数据对中国城际关联网络特征与模式的深入研究。
现有对城际出行的研究尺度多为全国尺度和单个城市群,缺少对全国层面多个城市群横向比较的研究。城市群一体化与城际高速交通网络化发展正在促使居民出行空间与模式发生变化,城际出行逐步常态化、规模化与多样化[2,23]。以城市群为分析单元探究城际出行模式与特征对于优化城际交通资源配置及其与城市区域的协调发展具有重要意义。同时,现有基于大数据对居民城际出行的研究多集中在春运期间,对国庆黄金周等其他节假日时段的研究尚不多见,具有代表性的是潘竟虎等[24]采用腾讯迁徙数据对国庆—中秋长假全国城际间人口流动格局进行了系统分析。节假日时间约束下,居民城际出行目的、出行距离、出行模式等都具有不同于春运等其他时段的特征,在近年来假日旅游蓬勃发展背景下,探究城市群节假日城际出行特征正当其时。据此,本文利用2016年10月1—7日国庆黄金周期间（以下简称黄金周）腾讯平台提供的居民城际出行数据,对国庆长假期间中国城市群城际出行模式与网络特征进行研究,以期为城市群城际交通资源合理配置、提升节假日城际出行效率提供参考。

2 数据来源与研究方法

2.1 数据收集与基本特征

“腾讯迁徙”数据来源于腾讯位置大数据平台（https://heat.qq.com/）。该数据的主要特点是：① 提供了以地级市为主要单元、各城市每日流入、流出排名前10位的记录;② 识别了基于公路、铁路、航空3种单方式及综合数据,本文采用综合3种方式的城际出行数据以全面反映长假城际出行特征; ③ 数据以日为统计单位,可覆盖用户大部分长、短途完整出行行为,在一定程度上避免了长途数据的低估和短途的虚增问题。采用大数据研究居民出行空间特征时,数据的无量纲测度和相对指标要优于绝对数值所反映的特征[25]。本文所采用数据也是无量纲测度的居民出行规模,虽并非居民出行量的绝对数值,但亦可从规模、结构等方面反映城际出行特征。腾讯平台只发布了各城市前10位流入和流出记录,但其余记录可通过前10名以外的其他城市流出和流入记录予以补充以刻画出全国城际出行特征,该数据已在揭示春运期间与中秋国庆期间中国城市发展特征中得到了应用[20,24]。本文获取了2016年10月1—7日共7天全国362个城市（包括中国大陆293个地级行政单元、4个直辖市和65个县级行政单元）之间的逐日居民城际出行数据。
参与分析的城市群为《中华人民共和国国民经济和社会发展第十三个五年（2016—2020年）规划纲要》确定的19个城市群,范围的确定参考国家发改委公布的各城市群规划和《2016年中国城市群发展报告》中的范围[26],19个城市群共计221个城市。城市群对内联系和对外联系网络格局如图1所示。对内联系是由各城市群所辖城市间的城际出行联系构成的网络;对外联系则由各城市群组成城市与全国主要城市间城际出行联系构成,共222个城市。其中,全国主要城市包括4个直辖市、27个省会城市、5个计划单列市和5个经济强市（2016年GDP全国前20位,包括苏州、无锡、佛山、烟台和东莞）。由于数据获取困难,本研究未将港澳台包括在内。
图1 国庆黄金周中国城市群城际出行网络格局

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2019）1823号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 1 Spatial pattern of intercity travel network of Chinese urban agglomerations during the National Day week.。。。

2.2 研究方法

（1）总流入流出差异指数
为揭示黄金周期间城际出行时段变化特征,本文在比较各城市流入流出规模的基础上,通过计算总流入流出差异指数（r）划分出行时段,计算公式为[20]：
$r=\left( \overset{N}{\mathop{\underset{i=1}{\mathop{\sum }}\,}}\,\left| \frac{in\_nu{{m}_{i}}}{out\_nu{{m}_{i}}}-1 \right| \right)/N$
式中：in_numi和out_numi分别为各城市流入量与流出量;N为城市数量。r越接近于0,表征总流入流出规模趋于平衡,r>0且值越大,总流入流出规模差异越大。
（2）城市流入流出差异指数
为揭示各城市流入流出规模不平衡性,本文进一步计算各城市流入流出差异指数（relDiffi）,具体计算公式为[20]：
$relDif{{f}_{i}}=\frac{in\_nu{{m}_{i}}-out\_nu{{m}_{i}}}{in\_nu{{m}_{i}}+out\_nu{{m}_{i}}}$
relDiffi越接近于0,城市i流入流出规模差异越小;relDiffi>0且越大,净流入规模越大;relDiffi<0且越小,净流出规模则越大。
（3）重力模型拟合
为了定量揭示地理因素对城际出行联系的影响,本文采用重力模型拟合中国城市群对内和对外城际出行联系[21-22,27],拟合公式为：
${{I}_{ij}}=k\frac{{{O}_{outi}}{{D}_{inj}}}{f\left( dij \right)}$
${{I}_{ij}}=k\frac{O_{outi}^{a}D_{inj}^{b}}{f\left( dij \right)}$
式中：Iij为城市i与j之间的城际出行规模;Oouti为城市i的流出量;Dinj为城市j的流入量;dij为城际联系时间距离,通过百度实时地图获得;f(dij)为距离衰减函数,一般包括幂率分布和指数分布等形式,为精确模拟城际出行距离衰减效应,本文同时选取幂函数和指数函数进行拟合。同时,为了揭示关联城市对出行规模的影响,同时考虑起点城市和终点城市吸引力弹性系数a和b。采用对数线性回归模型进行拟合,具体公式为：
$Ln\left( {{I}_{ij}} \right)=\text{ln}\left( k \right)+a\times {{O}_{outi}}+b\times {{D}_{inj}}-\beta \times Ln\left( {{d}_{ij}} \right)$
$Ln\left( {{I}_{ij}} \right)=\text{ln}\left( k \right)+a\times {{O}_{outi}}+b\times {{D}_{inj}}-\beta \times {{d}_{ij}}$
（4）组团结构挖掘
基于组团内城市之间连接相对紧密、组团间连接相对稀疏的原则,本文利用组团结构挖掘来揭示黄金周期间城市群城际出行特征与模式。考虑到本文构建了有向加权网络且网络数据表征了城际间实际关系流,因此采取Rosvall等[28]提出的基于流数据Infomap算法识别组团结构。该方法在进行组团部挖掘时综合考虑了节点权重、连边权重和连接方向等拓扑属性,在挖掘具有实际流相互作用的网络组团结构中得到了很好的应用[9,20]。

3 城际出行时段变化特征

3.1 城际出行时段划分

一般来说,依据黄金周期间城际出行特征可将出行阶段划分为出行期、旅途期与返程期3部分[24]。参考Xu等[20]的做法,本文在分别计算每日出行总量与每日总流入流出差异指数基础上,将2个指标与各自平均水平比较来划分阶段（图2）。不难发现,每日出行总量与每日流入流出差异指数在整个黄金周期间呈现出了“U”型变化态势。10月2日之前和10月5日之后,城际出行规模分别呈现出快速下降与缓慢上升的态势,10月2—5日,城际出行规模表现为低水平缓慢变化特征,这与黄金周出行时间约束具有直接关系。分别将每日出行总量与每日流入流出差异指数同时大于平均值的时段作为出行期（10月1日）与返程期（10月6—7日）,10月2—5日则为中间旅途期。
图2 国庆黄金周期间362个城市每日总城际出行规模

Fig. 2 Daily total passenger volume of 362 cities during the National Day week

3.2 城际出行流时段变化规律

在上述将黄金周划分为出行期（10月1日）、返程期（10月6—7日）与旅途期（10月2—5日）的基础上,利用式（2）计算了3个时段各城市流入流出差异指数（relDiffi）,结果如图3所示。
图3 国庆黄金周不同时段城市流入流出相对差异

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2019）1823号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 3 Relative difference between influx and outflux in different periods during the National Day week

（1）黄金周期间,城际出行在出行期、返程期具有显著的时空对称规律。出行期（图3（a））,relDiffi负值（净迁出）地区在空间上与京津冀、长江三角洲、珠江三角洲城市群以及其他城市群中心城市高度耦合,正值地区则主要分布在各城市群外围二三线城市,梅州relDiffi值最高,为0.67,南昌relDiffi值最低,为-0.45,表明黄金周出行期,在总时间约束与探亲、旅游休闲等出行目的驱使下,人口从主要城市群或城市群中心城市流入外围二三线城市;返程期（图3（b））,城际出行空间分布呈现出与出行期正好相反的特征,南昌relDiffi值最高,为0.41,菏泽relDiffi值最低,为-0.55。进一步观察图3（d）,出行期城际出行与返程期城际出行呈现了显著的负相关关系,说明2个时段城际出行具有高度对称性,这与潘竟虎等的研究相一致[22]。出行期与返程期relDiffi平均值基本一致,分别为0.19和-0.17,相较于出行期短时间高强度的城际出行流,相对较长的返程期降低了城际出行流入流出差异,这与城际出行规模分别呈现出快速下降与缓慢上升特征相呼应（图2）。此外,旅途期relDiffi值介于-0.14到0.22之间,基本接近于0。
（2）黄金周期间城市群城际出行具有以主要城市群、城市群核心城市与邻近外围城市间的中短距离流动的出行特征。如前所述,出行期与返程期relDiffi分布在东中西部均呈现出以城市群或城市群中心城市为负值（正值）区,向外围逐渐升高（降低）的特征,这与春运探亲期与离家期所呈现出的东部经济发达地区城市群或发达城市与中西部内陆地区间的长距离出行特征不同[18,20]。黄金周期间,在出行时间约束与以探亲、旅游休闲为出行目的共同作用下,城际出行主要以中短距离流动为主。

4 城际出行距离衰减规律与出行模式

4.1 重力模型拟合与距离衰减规律

重力模型拟合结果如表1所示,考虑起点和终点城市吸引力系数的修正幂函数拟合效果好于一般函数。对内和对外联系层面的修正幂函数调整判定系数R2分别为0.763和0.802,即修正幂函数更能解释城际出行格局。距离衰减系数β分别为0.733和0.896。相较于对内联系,对外联系层面的城际出行联系衰减效应更为显著,表明随着出行距离的增加,距离衰减效应也在不断增加。从吸引力系数来看,对内和对外联系层面的a和b值分别为0.689、0.563和0.429、0.333,同样表明随着距离的增加,城市吸引力在逐渐降低。
表1 重力模型拟合结果统计

Tab. 1 Statistics of gravity model fitting results

函数 函数公式 调整判定系数R2
对内联系 幂函数 Iij=0.1879×OoutiDinj/dij0.706 0.510*
修正幂函数 Iij=0.2337×Oouti0.689Dinj0.563/dij0.733 0763**
指数函数 Iij=0.1110×OoutiDinj/e0.456dij 0.423
修正指数函数 Iij=0.1586×Oouti0.563Dinj0.456/e0.533dij 0.485
对外联系 幂函数 Iij=0.2333×OoutiDinj/dij0.825 0.633*
修正幂函数 Iij=0.3065×Oouti0.429Dinj0.333/dij0.896 0.802**
指数函数 Iij=0.2001×OoutiDinj/e0.700dij 0.496*
修正指数函数 Iij=0.2045×Oouti0.436Dinj0.433/e0.706dij 0.502

注：*、**分别表示在10%和5%水平上显著。

对两层面城际出行分配率和累计率进行统计,结果如图4所示。由于空间距离约束,相较于对内联系,城市群对外城际出行具有显著的距离衰减效应。80%的对内城际出行联系集中在200 km范围内,进一步印证了前述长假期间中短距离出行为主的结论。对外城际出行则集中在1300 km以内,在1000~1300 km之间,集中了城际出行联系规模的30%~80%。从分配率来看,城际对内出行分配率曲线整体上呈现出先快速上升后阶梯式下降的趋势,在100~150 km范围内城际出行规模占总规模比重最高,为28.2%。出行距离达到150 km后,城际出行规模呈现出阶梯式下降特征。城际对外出行分配率曲线呈现出阶梯式上升后快速下降的趋势,在1300~1400 km范围内出行规模占比达到峰值,为32.6%,此后占比快速下降,表现出了显著的距离衰减特征。
图4 中国城市群对内和对外城际出行距离衰减规律比较

Fig. 4 Distance distribution of influx and outflux by intercity city travel of urban Agglomerations in China

4.2 组团划分与城际出行模式

基于出行期与返程期共同组成的黄金周典型城际出行网络,将中国城际出行网络划分为24个组团（图5）。总体上,社团范围与各省域范围高度重合,表明黄金周中短途探亲、旅游休闲为主要目的的城际出行主要发生在城市群辐射省域范围内。京津冀、上海、重庆与江苏共同组成的跨省域组团1,组团22与23则分别形成了以宁夏与青海为主体并与邻近省域部分地市共同组成的邻近组团。
图5 基于城际出行国庆黄金周的城市组团划分

注：图中数字表示组团编号。该图基于自然资源部标准地图服务网站下载的审图号为GS（2019）1823号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 5 City communities of intercity travel network during the National Day week in China

基于组团内城际出行联系相对紧密,组团间城际出行联系相对稀疏的原则,组团划分结果准确揭示了城市群城际出行模式特征。在城市群经济与传统省域经济相互作用下,跨省域城市群围绕所属省域被拆分成了多个组团,反映在城际出行模式上,形成了以城市群核心城市为中心,与各自省域组团内其他城市紧密联系的轴辐式出行模式,包括长江三角洲、长江中游、成渝、兰西、呼包鄂榆、北部湾6个城市群;省域内城市群则属于其所在省份组团,包括珠江三角洲、山东半岛、海峡西岸、中原、晋中、关中、宁夏沿黄、黔中、滇西、天山北坡以及东北的辽中南与哈大等城市群。根据前述各城市群区域多中心度特征,参考相关划分标准[32]将多中心度≥0.5的城市群划分为多中心城际出行模式,包括珠江三角洲、山东半岛、海峡西岸3个城市群,其余9个城市群则属于单中心城际出行模式。京津冀城市群较高的一体化发展水平,使得三地共同形成 1个组团,在境内北京、天津、石家庄、秦皇岛等多个核心城市带动下形成了多中心城际出行模式。
基于上述出行模式划分结果,本文选取了京津冀城市群与地处东中西地带的珠江三角洲城市群、长江中游城市群、关中城市群,对各城市群在出行期与返程期城际出行网络进行了可视化,以直观验证上述城际出行模式划分结果的合理性（图6）。 4个典型城市群城际出行流在出行期与返程期2个时段呈现出显著对称性的基础上,也形成了与各自地区经济社会发展特征相匹配的出行特征。
图6 出行期与返程期典型城市群城际出行网络格局

注：出行期（左列）,路径颜色与起点城市颜色相同;返程期（右列）,路径颜色与目的地城市颜色相同;路径宽度与城际出行规模成正比,圆圈大小与各城市中心度成正比。

Fig. 6 Intercity travel network of typical urban agglomerations for the leave period and return period

具体来看,经济社会发达且一体化水平较高的京津冀与珠江三角洲城市群形成了典型的网络化多中心城际出行模式。其中,京津冀城市群一体化发展水平较高,且域内交通网络与旅游资源富集,形成了其网络化多中心城际出行特征;珠江三角洲城市群位于广东省,同城化与较为发达的城际高速交通共同保证了日益增长的城际出行需求,形成了围绕广州、深圳、佛山、东莞等城市的网络化多中心城际出行特征。
与上述相对应,西北门户关中城市群则呈现出典型的以西安为核心的单中心城际出行模式,且具有显著的“潮汐式”流动特征;长江中游城市群则形成了分别以武汉、长沙和南昌为枢纽,各自省域其他城市为节点的典型轴辐式出行模式,相较于武汉—长沙间较高强度的城际出行联系,南昌与武汉的关联程度显然较低,客观上也表明了长江中游城市群整体较低的一体化水平。与关中城市群类似,长江中游城市群围绕武汉、长沙和南昌的城际出行网络也呈现出了“潮汐式”流动特征。

5 城际出行网络结构特征

5.1 城际出行规模

选取多中心度[29]和首位度[30]指标对中国城市群对内和对外城际出行网络等级规模特征进行分析。多中心度主要指网络中第二位城市到第六位城市的总加权度中心性均值占首位城市加权度中心性值的比重,该值越高,城市群城际出行网络的多中心特征越明显;首位度值越高,说明首位城市在整个城市群城际出行网络中的地位越显著,反之亦然。
（1）基于城际出行数据表征的中国城市群多中心度具有显著的尺度效应（图7）。空间尺度越高,城市群多中心度越低,首位度则越高。对内和对外层面上城市群多中心度均值分别为0.42和0.28,首位度均值分别为1.73和3.59。对内联系上,多中心度大于0.5的城市群包括呼包鄂榆、海峡西岸、珠江三角洲、山东半岛和长江三角洲,呼包鄂榆和海峡西岸多中心度高与其跨省域组成有关。关中、中原等城市群的多中心度较低。对外联系上,多中心度大于0.5的城市群仅有呼包鄂榆和海峡西岸,滇中、天山北坡、京津冀、成渝、长江三角洲、珠江三角洲等城市群的多中心度较低,均低于0.2。
图7 中国城市群城际出行网络多中心度与首位度统计

Fig. 7 Statistics on the degree of polycentricity and primacy of intercity travel network in the urban agglomerations of China

（2）长假城际出行特征、各城市群中心城市门户枢纽功能在内外联系的差异是产生多中心尺度效应的主要因素。以2016年4月11—15日腾讯迁徙数据表征工作日城市群城际出行[2],并与黄金周进行比较发现（图8）,黄金周日均出行距离明显低于工作日。从城市群对内联系网络来看,工作日与黄金周平均出行距离分别为196 km和182 km;从城市群对外联系网络来看,工作日与黄金周平均出行距离分别为1337 km和1013 km。这与上述对城际出行时段变化特征的结论相一致。同时,国庆长假期间以探亲和休闲旅游出行居多,主要发生在中心城市和其辐射范围内的外围次级城市之间,呈现出以短距离为主的放射状结构,同时也形成了各城市群对外联系层面上中心度显著降低的结果,尤以四大城市群最为典型。随着尺度的提升,中心城市在所属城市群承担的门户枢纽作用更为突出,直接造成了对外联系层面上各城市群中心城市与其他城市在城际出行联系上的差距逐渐加大,多中心度逐渐降低和首位度逐渐提高的结果。位于西北的天山北坡城市群和西南的滇中城市群由于地理位置偏居一隅的区位条件,使得两城市群对外联系首位度显著高于对内联系。
图8 工作日与黄金周城际出行距离对比

Fig. 8 Comparison of intercity travel distance between workdays and the National Day week

（3）行政区经济主导背景下,跨省域城市群在对外联系上具有较高的多中心度水平。北部湾城市群多中心度表现为对内联系<对外联系的特征,对内和对外联系多中心度值分别为0.36和0.60,这与其内部较低的一体化程度直接相关。北部湾城市群范围地跨广西、海南和广东,相对密切的省域内部联系和松散的城市群内部联系客观上导致了对外联系多中心度高于对内联系的结果。此外,晋中城市群对内联系层面多中心度也高于对外联系层面,该城市群位于山西省,所辖城市同时承担着晋中（太原）、晋北（忻州）、晋西北（吕梁）、晋东南（长治）与外部联系交通枢纽功能。

5.2 城际出行联系

5.2.1 首位联系格局
首位联系主要指到各城市出行流量最大的城际联系,各城市首位联系构成了城际出行主干网络。对内联系共有75个首位城市,平均关联3个城市,主要由省会城市、各城市群中心城市以及次级城市构成。其中,成都、武汉、郑州、北京和沈阳5个城市的关联城市在10个以上。对外联系层面共 27个首位城市,平均关联8个城市,关联城市达到10个以上的城市包括北京、上海、重庆、广州、深圳和成都等6个城市,北京关联城市数高达81个,这 6个首位城市关联城市数共174个,占比高达79.45%。这些城市构成了全国、华东、华南和西南等地区的城市群对外联系主要枢纽点（图9）。首位联系强度指标[31]计算结果显示,城市群对内联系以强联系和次强联系为主,平均首位联系强度值为0.46（表2）。对外联系略低于对内联系,以次强联系和弱联系为主,平均首位联系强度值为0.42。对内联系层面上互为首位联系的对称联系共15对,包括澄迈—海口、吴忠—银川、咸阳—西安、揭阳—汕头等,结合图9发现,对称联系在19个城市群内均有出现。不同于对内联系,对外联系层面仅有兰州—天水、太原—临汾以及上海—重庆之间共3对对称联系,除兰州—天水、太原—临汾互为对称联系主要是由行政区经济作用而成外,仅存在上海—重庆一对对称联系,其余城市的对外首位联系在遵循距离衰减规律的前提下,具有明显的近距离方向性特征。
图9 中国城市群对内和对外城际出行网络首位联系空间格局

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2019）1823号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 9 The dominant flow network of inner and outer intercity travel in China's urban agglomerations

表2 城际出行网络首位联系强度指标统计

Tab. 2 Statistical results of dominant flow in intercity travel network 个/（%）

强联系及占比 次强联系及占比 弱联系及占比 对称联系及占比 平均首位
联系强度
（≥0.6） （<0.6, ≥0.3） （<0.3） （互为首位联系）
对内联系 47（21.17） 102（46.15） 42（18.92） 30（13.51） 0.46
对外联系 25（11.42） 139（63.47） 52（22.42） 6（2.74） 0.42
5.2.2 空间层级结构
基于自然断裂法将城际对内和对外出行关联划分为5级。第一至第四等级空间格局如图10所示。
图10 中国城市群城际出行联系空间格局

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2019）1823号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 10 Spatial distribution of intercity travel networks of urban agglomerations in China

（1）城市群对内城际出行联系呈现出国家级城市群>区域城市群>地方城市群的格局。第一等级联系仅出现在京津冀、长江三角洲、珠江三角洲、长江中游、成渝以及关中城市群,主要以各城市群中心城市间、核心城市与次级城市间联系为主,包括北京—保定、上海—苏州、广州—佛山、深圳—东莞、成都—重庆、西安—咸阳等20对城际联系。第二等级联系范围在原有基础上分别向中部和南部地区扩张,共有82对城市联系,新增晋中、中原、山东半岛、海峡西岸、北部湾、滇中和黔中7个城市群。关中、滇中以及黔中等区域和地方性城市群也出现在第二等级序列中,这与前述对城际出行强度的分析结果相一致。第三、第四等级范围进一步扩展到全部城市群,城市联系对分别为210对和412对,占总城市联系对的比重分别为11.80%和23.16%。进一步观察图10发现,第三、第四等级城市联系首次出现在辽中南、呼包鄂榆、兰西、宁夏沿黄以及天山北坡城市群,表明第三、第四等级城市联系对构成了这些城市群的高等级联系。
（2）城市群对外城际出行联系形成了以京—沪—渝为顶点的三角联系网络向外围逐渐递减的格局。具体来看,第一等级联系形成了以北京、重庆、上海为顶的三角联系网络,包括10对城际联系;第二等级联系范围在原有基础上分别向华南和东北地区扩张,共有城市联系对44个,新增珠江三角洲、哈长城市群;第三、第四等级范围向西北和东北地区进大幅度扩展,城市联系对分别为187对和488对,占总城市联系对的比重分别为7.59%和19.81%。

6 结论与讨论

6.1 结论

基于“腾讯位置大数据”提供的居民城际出行数据,以19个城市群为研究区域,对国庆黄金周长假期间中国城市群城际出行时段变化、城际出行模式以及城际出行网络结构进行了研究。主要结论有：
（1）黄金周期间城际出行具有明显的基于出行期、返程期和旅途期的时段变化规律。在科学划分了国庆黄金周出行期（10月1日）、返程期（10月6—7日）和旅途期（10月2—5日）基础上,出行期、返程期两时段的城际出行具有类似于春运人口流动的时空对称规律,但与春运探亲期与离家期所呈现的东部经济发达地区城市群、发达城市与中西部地区间的长距离出行特征以及工作日跨区域联系为主的特征不同,在出行时间约束与以探亲、旅游休闲为出行目的共同作用下,黄金周期间城市群城际出行具有以主要城市群、城市群核心城市与邻近外围城市间的中短距离流动的长假出行特征。
（2）国庆长假期间的中国城市群城际出行分别形成了轴辐式、多中心与单中心3种城际出行模式。基于出行期与返程期共同组成的黄金周典型城际出行组团划分结果显示,在长假中短途探亲、旅游休闲城际出行、以及城市群经济与传统省域经济相互作用下,跨省域城市群围绕所属省域被拆分成了多个组团,反映在城际出行模式上,则形成了以城市群核心城市为中心,与各自省域组团内其他城市紧密联系的轴辐式出行模式;省域内城市群则属于其所在省份组团,分别形成了多中心城际出行与单中心城际出行模式,中西部城市群城际出行具有典型的“潮汐式”流动特征。
本文进一步明确了国庆长假期间城际出行具有出行期、旅途期与返程期的典型时段规律性,且宏观层面各城市城际出行具有与经济社会发展水平相一致的等级差异性,这与相关研究是一致的[2,24]。不同的是,由于本文主要关注城市群层面城际出行,重点对城市群城际出行范围、出行模式以及“潮汐式”流动特征实现了具体甄别。
（3）中国城市群城际出行网络多中心度具有显著的尺度效应,尺度越小,多中心度越高。长假城际出行特征、各城市群中心城市门户枢纽功能在内外联系的差异是产生多中心尺度效应的主要因素。行政区经济主导背景下,跨省域城市群在对外联系上具有较高的多中心度水平。由于空间距离约束,相较于对内联系,城市群对外城际出行具有显著的距离衰减效应。80%的对内城际出行联系集中在200 km范围内,对外城际出行则集中在1300 km以内。

6.2 讨论

受数据本身缺陷,由于有大量未接入腾讯平台的用户群体的日常出行未能记录,以及大部分出行被拆解从而不能识别用户真正的OD出行,使得本文的研究结果不可避免的存在一定的误差。同时,受数据获取限制,本文通过出行期、返程期以及旅途期时段的划分尽可能实现对国庆黄金周典型城际出行流（探亲流、旅游休闲流）的直接探讨,虽然“节假日城际出行”并不等同于“节假日探亲与休闲旅游城际出行”,但仍具有一定的意义。在后续的研究中,可结合多元化、精细化数据对黄金周长假城际出行特征及其形成机理等问题进行更深层次的探讨。
从出行时段分布来看,黄金周长假城市群城际出行在时间分布上具有较高的集中度,形成了出行期、返程期和旅途期时段变化规律,交通管理等相关部门可以此为依据制定对应的长假城际交通管理、道路资源优化调配方案,以提升城际出行效率;城市群城际出行在空间组织上呈现出轴辐式、多中心与单中心3种模式,且在中西部城市群国庆长假期间城际出行具有“潮汐式”流动特征,这也可为相关区域在进行城际交通资源的布局与配置时提供参考。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
方创琳. 中国城市群研究取得的重要进展与未来发展方向[J]. 地理学报, 2014,69(8):1130-1144.

[ Fang C L. Important progress and future direction of studies on China's urban agglomerations[J]. Acta Geographica Sinica, 2014,69(8):1130-1144. ]

[2]
李涛, 王姣娥, 高兴川. 中国居民工作日与节假日的城际出行网络异同性研究[J]. 地理学报, 2020,75(4):833-848.

[ Li T, Wang J E, Gao X C. Comparison of inter-city travel network during weekdays and holiday in China[J]. Acta Geographica Sinica, 2020,75(4):833-848. ]

[3]
陈明星, 郭莎莎, 陆大道. 新型城镇化背景下京津冀城市群流动人口特征与格局[J]. 地理科学进展, 2018,37(3):363-372.

[ Chen M X, Guo S S, Lu D D. Characteristics and spatial patterns of floating population in the Beijing-Tianjin-Hebei urban agglomeration under the background of new urbanization[J]. Progress in Geography, 2018,37(3):363-372. ]

[4]
古恒宇, 沈体雁, 刘子亮, 等. 基于空间滤波方法的中国省际人口迁移驱动因素[J]. 地理学报, 2019,74(2):222-237.

[ Gu H Y, Shen T Y, Liu Z L, et al. Driving mechanism of interprovincial population migration flows in China based on spatial filtering[J]. Acta Geographica Sinica, 2019,74(2):222-237. ]

[5]
邓羽, 刘盛和, 蔡建明, 等. 中国省际人口空间格局演化的分析方法与实证[J]. 地理学报, 2014,69(10):1473-1486.

[ Deng Y, Liu S H, Cai J M, et al. Spatial pattern and its evolution of Chinese provincial population and empirical study[J]. Acta Geographica Sinica, 2014,69(10):1473-1486. ]

[6]
Limtanakool N, Dijst M, Schwanen T. A theoretical framework and methodology for characterising national urban systems on the basis of flows of people: Empirical evidence for France and Germany[J]. Urban Studies, 2007,44(11):2123-2145.

[7]
Neal Z. The devil is in the details: Differences in air traffic networks by scale, species, and season[J]. Social Networks, 2014,38(3):63-73.

[8]
戴特奇, 金凤君, 王姣娥. 空间相互作用与城市关联网络演进:以我国20世纪90年代城际铁路客流为例[J]. 地理科学进展, 2005,24(2):80-89.

[ Dai T Q, Jin F J, Wang J E. Spatial interaction and network structure evolvement of cities in term of China's railway passenger flow in 1990s[J]. Progress in Geography, 2005,24(2):80-89. ]

[9]
陈伟, 刘卫东, 柯文前, 等. 基于公路客流的中国城市网络结构与空间组织模式[J]. 地理学报, 2017,72(2):224-241.

[ Chen W, Liu W D, Ke W Q, et al. The spatial structures and organization patterns of China’s city networks based on the highway passenger flows[J]. Acta Geographica Sinica, 2017,72(2):224-241. ]

[10]
王姣娥, 景悦. 中国城市网络等级结构特征及组织模式—基于铁路和航空流的比较[J]. 地理学报, 2017,72(8):1508-1519.

[ Wang J E, Jing Y. Comparison of spatial structure and organization mode of inter-city networks from the perspective of railway and air passenger flow[J]. Acta Geographica Sinica, 2017,72(8):1508-1519. ]

[11]
Yang H, Dobruszkes F, Wang J, et al. Comparing China's urban systems in high-speed railway and airline networks[J]. Journal of Transport Geography, 2018,68:233-244.

[12]
蔡莉丽, 马学广, 陈伟劲, 等. 基于客运交通流的珠江三角洲城市区域功能多中心特征研究[J]. 经济地理, 2013,33(11):52-57.

[ Cai L L, Ma X G, Chen W J, et al. Characteristics of functional polycentricity of PRD urban region based on passenger traffic flow[J]. Economic Geography, 2013,33(11):52-57. ]

[13]
罗震东, 何鹤鸣, 耿磊. 基于客运交通流的长江三角洲功能多中心结构研究[J].城市规划学刊,2011(2):16-23.

[ Luo Z D, He H M, Geng L. Analysis of the polycentric of Yangtze River Delta based on passenger traffic flow[J]. Urban Planning Forum, 2011(2):16-23. ]

[14]
De Montis A, Caschili S, Chessa A. Time evolution of complex networks: Commuting systems in insular Italy[J]. Journal of geographical Systems, 2011,13(1):49-65.

[15]
吴康, 方创琳, 赵渺希, 等. 京津城际高速铁路影响下的跨城流动空间特征[J]. 地理学报, 2013,68(2):159-174.

[ Wu K, Fang C L, Zhao M X, et al. The intercity space of flow influenced by high-speed rail: A case study for the rail transit passenger behavior between Beijing and Tianjin[J]. Acta Geographica Sinica, 2013,68(2):159-174. ]

[16]
解利剑, 周素红. 区域一体化下的广州市居民城际通勤特征分析[J].城市观察,2010(4):85-93.

[ Xie L J, Zhou S H. The Characteristics of Inter-city commuting in Guangzhou under the context of regional integration[J]. Urban Insight, 2010(4):85-93. ]

[17]
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[J]. 地理学报, 2016,71(10):1667-1679.

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

[18]
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[J]. 地理科学, 2016,36(11):1654-1660.

[ 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[J]. Scientia Geographica Sinca, 2016,36(11):1654-1660. ]

[19]
易嘉伟, 杜云艳, 涂文娜. 基于位置大数据的国庆假期青藏高原人群分布时空变化模式挖掘[J]. 地球信息科学学报, 2019,21(9):1367-1381.

[ Yi J W, Du Y Y, Tu W N. Spatiotemporal pattern of population distribution in the Qinghai-Tibet Plateau during the National Day holidays: Based on geospatial big data mining[J]. Journal of Geo-information Science, 2019,21(9):1367-1381. ]

[20]
Xu J, Li A, Li D, et al. Difference of urban development in China from the perspective of passenger transport around Spring Festival[J]. Applied Geography, 2017,87:85-96.

[21]
Liu Y, Sui Z, Kang C, et al. Uncovering patterns of inter-urban trip and spatial interaction from social media check-in data[J]. PLoS One, 2014,9(1):e86026.

PMID

[22]
Xiao Y, Wang F, Liu Y, et al. Reconstructing gravitational attractions of major cities in China from air passenger flow data, 2001-2008: A particle swarm optimization approach[J]. The Professional Geographer, 2013,65(2):265-282.

[23]
唐佳, 甄峰, 秦萧. 信息时代高铁走廊区域居民活动空间——概念模型与研究框架[J]. 地理研究, 2018,37(9):1789-1801.

[ Tang J, Zhen F, Qin X. Activity space of regional high speed rail corridor in information era: Conceptual model and research framework[J]. Geographical Research, 2018,37(9):1789-1801. ]

[24]
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[J]. 地理研究, 2019,38(7):1678-1693.

[ 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[J]. Geographical Research, 2019,38(7):1678-1693. ]

[25]
Yuan Y H, Lu Y M, Edwin Chow T, et al. The Missing Parts from Social Media-Enabled Smart Cities: Who, Where, When, and What?[J]. Annals of the American Association of Geographers, 2019, DOI: 10.1080/24694452.2019.1631144

DOI PMID

[26]
方创琳, 鲍超, 马海涛. 2016中国城市群发展报告[M]. 北京: 科学出版社, 2017.

[ Fang C L, Bao C, Ma H T. China Urban Agglomeration Development Report in 2016[M]. Beijing: Science Press, 2017. ]

[27]
Jin C, Cheng J, Xu J. Using user-generated content to explore the temporal heterogeneity in tourist mobility[J]. Journal of Travel Research, 2018,57(6):779-791.

[28]
Rosvall M, Bergstrom C T. Maps of random walks on complex networks reveal community structure[J]. Proceedings of the National Academy of Sciences, 2008,105(4):1118-1123.

[29]
Taylor P J, Evans D M, Pain K. Application of the interlocking network model to mega-city-regions: measuring polycentricity within and beyond city-regions[J]. Regional Studies, 2008,42(8):1079-1093.

[30]
许学强, 周一星, 宁越敏. 城市地理学[M]. 北京: 高等教育出版社, 1997.

[ Xu X Q, Zhou Y X, Ning Y M. Urban Geography[M]. Beijing: Higher Education Press, 1997. ]

[31]
金凤君. 我国航空客流网络发展及其地域系统研究[J]. 地理研究, 2001,20(1):31-39.

[ Jin F J. A study on network of domestic air passenger flow in China[J]. Geographical Research, 2001,20(1):31-39. ]

[32]
李涛, 张伊娜. 企业关联网络视角下中国城市群的多中心网络比较研究[J]. 城市发展研究, 2017,24(3):116-124.

[ Li T, Zhang Y N. The comparison of polycentricity of urban agglomerations in China from the perspective of firm interlocking network[J]. Urban Development Studies, 2017,24(3):116-124. ]

Options
Outlines

/

〈 〉