EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 4: 698 - 710

DOI: https://doi.org/10.12082/dqxxkx.2022.210406

Beijing Non-registered Population Spatiotemporal Distribution Characteristics and Influencing Factors from 2005 to 2018

  • ZHAO Di , 1 ,
  • CHEN Peng , 1, * ,
  • LI Haicheng 2 ,
  • MIAO Hongbin 2
Expand
  • 1. School of Police Information Engineering and Cyber Security, People's Pubic Security University of China, Beijing 102600, China
  • 2. Beijing Municipal Public Security Bureau, Beijing 100082, China
*CHEN Peng, E-mail:

Received date: 2021-07-17

  Revised date: 2021-09-22

  Online published: 2022-06-25

Supported by

Humanities and Social Sciences planning fund project of the Ministry of Education(20YJAZH009)

Copyright

Copyright reserved © 2022
Fold

Abstract

The migrant population is an important part of the population structure of large or super large cities. Studying the migration characteristics and influencing factors of the migrant population in a particular city will not only help to discover the pattern of population migration targeting a particular city from the perspective of the migration place, but also affect new towns. The construction and development of urbanization in the context of urbanization also has important practical significance. Taking Beijing as an example, this paper collects the migrant population registration data of the public security organs from 2005 to 2018, studies the spatial distribution pattern of the migrant population in different years in the city-level emigration areas, and uses the spatial regression model to analyze the factors that affect population migration. The following findings are obtained: ① The emigration area of Beijing's migrant population shows obvious spatial agglomeration effect at the municipal scale, and the aggregation effect is increasing year by year. The spatial distribution of migrant population emigration area is generally stable. The hot spot emigration places is mainly concentrated in two main clusters: Hebei-Tianjin and southern Henan Province-Northern Hubei Province; ② The main variables affecting population migration from various places to Beijing are the population size of the emigration area, transportation time, per capita income, and education level. The impact of population size and per capita income on population migration is relatively stable, while the effects of education level and population density only began to appear after 2010 and 2014, respectively. Transportation time has an negative effect on population migration. Although the transportation time has decreased in recent years, its impact on population migration has not changed much; ③ The spatial error continues to be significant, indicating that the population migration volume of a given emigration area may be affected by other variables such as the social culture of neighboring cities.

Key words： Non-registered population; spatial distribution; Moran' s I index; special heterogeneity; multiple linear regression; spatial error model

Cite this article

ZHAO Di , CHEN Peng , LI Haicheng , MIAO Hongbin . Beijing Non-registered Population Spatiotemporal Distribution Characteristics and Influencing Factors from 2005 to 2018[J]. Journal of Geo-information Science, 2022 , 24(4) : 698 -710 . DOI: 10.12082/dqxxkx.2022.210406

1 引言

随着我国社会和经济的高速发展,城市化速度不断加快,根据国家统计局的数据,到2020年末,我国常住人口的城镇化率已超过60%,城市化建设进入了新的历史阶段。在此背景下,国家对城镇化战略也提出了新的要求,如2020年发布的《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》[1]中,明确提出了要推进“以人为核心的新型城镇化”的目标,其中重点要“统筹城市规划、建设、管理,合理确定城市规模、人口密度、空间结构”。在这一调整下,未来城市化的建设和发展势必会对城市的外来迁入人口群体产生重要的影响。因此,聚焦城市的外来人口在不同历史时期的迁移性特征,分析城市外来人口迁出地的时空格局及其影响因素的变化,了解城市外来人口的数量结构和质量结构构成,从而有针对性的提供公共服务,对加快外来人口的融入,促进城市和谐、有序发展具有重要的现实意义。
目前,在关于人口迁移的相关研究领域,主要工作集中在人口迁移的时空格局、时空特征以及人口跨地域迁移的影响要素与迁移机制的解释等方面。其中在人口迁移的时空格局和时空特征方面,人们利用统计调查数据和人口普查数据,对不同空间尺度下的人口迁移现象进行了研究。如王国霞等[2]、刘望保等[3]、臧玉珠等[4]、李扬等[5]、杨传开等[6]、周皓[7]利用不同年度的人口普查数据,从省际或市际层面对全国范围内的人口迁移趋势进行了分析,发现了人口迁移规模逐步增加、地区非均衡性有所加强等结论。近几年来,随着调查数据的丰富以及城市化水平的提升,人们的研究视角也开始从全国范围内的人口流动向个别城市群的人口迁移集中,研究尺度也从省际向更为细化的市际聚焦。如陈明星等[8]对京津冀城市群的流动人口分布格局进行了研究,发现流动人口主要来源于临近省份和劳动力输出大省。李聪等[9]针对川渝地区的人口流动现象开展了研究,发现川渝地区城市间的人口流动性超过了区域外的人口流动性。而曹广忠等[10]则对我国的五大城市群人口流入空间模式进行了分析,发现了人口向中心城市进一步集中的趋势。此外,在人口的迁移方向性上,除了传统的“正向”迁移外,人口迁移的回流性也开始受到人们的关注[11,12]。
在影响和驱动人口跨地域迁移的因素与机制分析上,研究人员根据推拉理论等人口迁移基本原理,从迁入地和迁出地间的人口规模、经济水平、社会发展、公共服务等各类要素的差异性角度对人口的空间迁移性进行了解释。如刘晏伶等[13]发现迁入地的收入水平与人口迁移率具有正相关性,而迁入地的科技文化水平和迁移距离则与迁移率具有负相关关系。何文举等[14]则通过对湖南省内的人口迁移现象分析,证明了教育、社保和就业水平对人口迁移具有正向作用。此外,古恒宇等[15]、马志飞等[16]、刘涛等[17]、张伟丽等[18]也分别证明了平均工资水平、教育医疗设施差距、落户政策导向、经济差距、交通距离等在人口迁移中具有决定性作用。在人口迁移的地区间拉动作用方面,于文丽等[19]、 刘颖等[20]发现在省际尺度下,人口迁移会受到周边地区人口迁移的影响,即人口迁移具有明显的空间溢出效应。除了人口迁移的地区差异外,地区间的空间距离效应也日渐受到更多的关注,如齐嘉楠 等[21]、黄春芳等[22]针对空间距离对人口迁移的影响进行了分析,发现两地经济差距越大则人口流动距离越远,而高铁的建成对沿线的城市人口流动性提升显著。此外,从人口迁入地的角度分析外来人口的居留意愿也成为相关研究领域新的关注方向,如林李月等[23]从公共服务的角度研究了外来人口的居留意愿,发现外来人口获得的城镇基本公共服务是影响其居留意愿的关键因素。
从当前的研究现状来看,对跨地域人口流动和迁移现象的时空格局、影响机制等方面的研究呈现出研究范围逐渐聚焦、研究尺度逐渐细化的趋势,在人口迁移的影响因素方面也考虑的更为具体。但是从研究的视角上,现有的工作仍然主要集中于特定空间范围内不同地理单元人口彼此之间互相迁移的整体性趋势,即注重人口迁移流动的网络化结构特点和基于全局性研究的一般性结论。但是对具体的某个城市而言,其外来人口的构成和迁移性影响因素往往有其自身在社会结构、经济条件、地理区位等方面的独特性,可能会表现出与全局性人口迁移不同的规律。为此,结合未来城市化发展的趋势和相关研究领域的研究现状与不足,本文以北京市作为大型城市的代表开展实证研究,利用外来人口暂住/居住动态登记数据等多源信息,从人口迁入目的地的视角分析北京市外来人口迁出地的空间分布特征、影响因素及其变化趋势,为未来城市化发展中的外来人口研究提供借鉴。

2 研究数据和研究方法

2.1 数据来源

本文的外来人口数据源自北京市公安局2005—2018年外来人口暂住证/居住证登记数据。暂住证的登记适用对象为在北京居住1个月以上,或拟在北京市从事务工、经商等活动的外地来京人员。2016年10月1日,北京市的暂住证升级为居住证,其申领条件更改为在北京连续居住6个月以上,同时有合法稳定就业、有稳定住所或连续就读即可申请。因此,从数据来源上,本文分析数据为有效的外来人口信息。在数据的时间范围上,根据北京市近年来在购房、落户、城市功能定位等相关政策方面的变化情况,如北京市从2011年开始实施住房和机动车限购及摇号政策、2015年《京津冀协同发展规划纲要》[24]提出推动京津冀协同发展等有序疏解非首都功能等,选择2005、2010、2014和2018年的数据进行跟踪分析。2005、2010、2014和2018年,北京市登记的外来人口数量分别为2 828 578人、5 743 451人、3 882 559人和8 175 137人。从数据上看,个别年份的数值出现了较大的变化,其主要原因为该数据的采集政策在不同年份有所调整。北京市暂住证最初实行强制性办理,后随着社会治理法制化和规范化,从2014年开始办理暂住证不再做强制性要求,而在2016年北京市开始实行新的居住证管理制度,并结合放管服等要求赋予了居住证大量的服务性功能后,外省市来京人员又开始自觉办证。虽然该数据受北京市人口管理政策影响较大,但由于本文主要关注点为外来人口迁出地的空间统计特征及其影响因素的变化,因此该数据仍具有较高的分析价值。根据外来人员人口登记中的身份证数据,获取其原始的户籍地信息,随后对其迁出地进行空间统计分析,并利用各迁出地的社会、经济类的统计数据对北京市外来人口迁出地空间分布的影响因素进行研究。

2.2 变量选取

本文以各地市不同年份在北京市的人口数作为因变量,可以直接地反映出外来人员从其迁出地向北京市动态流动的情况。各地区人口到北京大多数是以工作、教育、经商、劳务输出等为主要目的,从各个迁出地流动到北京市符合人口流动理论的目的地选择,因此,本文利用人口流动研究领域经典的推拉理论来选择影响外来人口迁出地空间分布的特征变量。推拉理论认为：人口迁移是从生存、生活不利的地区向生存、生活条件较好的地区进行跨地域转移的行为,这种行为受迁出地的“推力”、迁入地的“拉力”以及迁出地和迁入地之间的障碍性因素的综合影响[25,26]。由于本文研究视角为关注于其他地区人口向北京市这一特定地区的迁移现象,因此在不考虑中间障碍性因素（如空间距离）的条件下,北京市对其他地区人口的“拉力”性作用以及各地区对人口向北京迁移的“推力”性作用主要由北京市与各地的社会、经济、地缘、文化等差异所决定。但是由于在本研究中北京市为唯一的人口迁入地,其社会、经济、地缘、文化水平相对各地是相同的,因此这种地域性的差异最终取决于各迁出地本地的社会、经济、地缘、文化发展水平。
目前在已有研究中,关于人口迁移要素考虑较多的主要有人口特征、经济发展、居住环境、教育水平、迁移距离等[26]。其中人口特征、经济发展等对人口的迁移主要体现为推力作用,其原因在于地区间的人口流动是一种地区间劳动力供应和经济发展水平之间的再平衡[16],因此一个地区的人口数量越多、经济发展水平越低,则人口向外迁移的动力就会越强。而相比之下,一个地区的居住环境、教育水平等对人口的迁移可以体现为拉力作用,其原因在于新城镇化阶段的人口迁移将会更加注重生活、生存的质量,教育科技水平较高、社会保障能力较好、基础设施条件完善、居住舒适度较好的地区将对人口的迁入起到越来越重要的决定性作用[18,27]。此外,迁移距离主要体现为人口迁移的中间障碍要素,即人口迁移的成本,如果人口迁出地和迁入地之间的距离较短,则不仅会降低人口的迁移成本,同时也会缓解由于生活环境变化带来的心理压力,因此迁移距离越短则人口迁移的动力就会越强[16]。
根据以上分析,选取各迁出地人口数量、失业率、人均GDP、平均收入、财政收入、人口密度、高等教育水平和各地到北京市的交通时间8个变量用于分析。其中各迁出地人口数量体现为人口特征;失业率、人均GPD、人均收入、财政收入体现为经济特征;人口密度体现为居住环境特征;高等教育水平体现为教育水平特征;交通时间体现为空间距离的障碍性特征。需要说明的是,相对于两地间的交通距离,两地之间的交通出行时间能更好反映人口迁移的障碍性作用,其原因为在过去十几年间,我国的铁路建设得到了快速发展,尤其是高速铁路的开通极大地缩短了城市间的出行时间,降低了人口迁移的空间障碍,从一定程度上加快了城际间的人口流动。
数据来源上,人口类、经济类、居住环境类、教育类等变量数据收集自2005—2018年各地市统计年鉴数据,交通时间为根据各年度全国铁路旅客列车时刻表计算得到的各地市到北京市的最短乘车时间。各变量的描述、预期效应及描述性统计如 表1和表2所示,其中预期效应反映了该变量增长 对人口向北京迁移带来的预期性假设。
表1 变量描述及预期效应

Tab. 1 Variable description and expected effect

特征 变量 描述 预期效应
人口特征 人口规模（POP）/人 2005—2018年各地区总人口数量 +
经济特征 失业率（UNEM）/% 2005—2018年各地区城镇登记失业率 -
人均GDP（PGDP）/（元/人） 2005—2018年各地区人均地区生产总值 -
人均收入（PINC）/元 2005—2018年各地区职工平均工资 -
财政收入（GINC）/万元 2005—2018年各地区地区财政收入 -
居住环境特征 人口密度（PDEN）/（人/km2） 2005—2018年各地区人口密度 -
教育水平特征 高等教育水平（HEDU）2/所 2005—2018年各地区普通高等学校数量 -
空间距离障碍性特征 交通时间（DIS）/h 2005—2018年各地到北京的最短铁路乘车时间 -

注：1. 如人口规模（POP）预期效应为“+”表明一个地区的人口规模越大则当地人口向北京迁移的数量越多; 2. 高等教育水平较好的地区一般会出台人才政策将高校毕业生留在当地发展,因此在预期效应上假设高等学校数量越多的地区人口外迁的可能性越低。

表2 各变量的描述性统计

Tab. 2 Descriptive statistics of each variable

变量 2005年 2010年 2014年 2018年
Mean Std. Mean Std. Mean Std. Mean Std.
EMIG 8418.4 15 234.6 17 093.5 30 568.1 11 555.2 21 490.1 24 330.6 42 263.9
POP 375.9 288.7 387.9 300.6 364.9 277.8 404.0 320.7
UNEM 4.1 2.2 3.5 1.7 3.1 0.8 2.8 1.0
PGDP 14 501.3 11 908.6 27 010.7 20475.7 49 782.1 65 524.5 57 928.8 34 188.0
PINC 15 814.8 6599.2 28 338.6 7596.8 48 297.3 9790.2 72 160.1 14 646.3
GINC 346 224.7 917 078.0 781 904.4 1 771 888.7 1 883 526.4 3 643 973.4 2 413 171.2 5 251 476.0
PDEN 360.9 336.9 363.5 324.3 342.6 299.1 395.5 377.0
HEUD 5.4 10.1 6.4 12.0 6.4 12.0 7.6 13.5
DIS 22.3 13.0 21.1 13.0 16.0 11.3 12.2 11.1

注： EMIG表示不同年度各地级市在北京市的外来人口数量。

2.3 研究方法

本文利用空间统计和回归分析等方法,从空间地理角度探讨全国各地区人口向北京流动的态势分布与影响因素。
（1）Moran' s I指数
① 全局Moran' s I指数
全局Moran' s I指数是用来衡量空间自相关程度的指标[28],定义式为：
Moran ' s I = ∑ i = 1 n ∑ j = 1 n w ij x i - x - x j - x - S 2 ∑ i = 1 n ∑ j = 1 , j ≠ i n w ij
式中： S 2 = 1 n ∑ i = 1 n x i - x - 2; x - = 1 n ∑ i = 1 n x i;xi代表第i个空间单元内变量的观察值;xj代表第j个空间单元内变量的观察值;n代表空间区域的总数;wij代表着二进制的空间相邻权重矩阵中空间单元i和空间单元j之间的临近关系。全局Moran's I指数的范围是[-1,1],如果位于0到1之间,则表现为全局正相关性;如果位于-1到0之间,则表现为全局负相关性,且其绝对值越接近于1表示相关性越强。
② 局部Moran' s I指数
全局Moran's I是从整体的角度对空间自相关性进行的评估,并不能反映出局部区域之间的空间自相关程度,因此需要进行局部自相关分析。每一个空间变量的LISA值（Local Indications of Spatial Association）描述的是该空间单元与其空间邻近单元区域的观测值之间存在的局部聚集程度的指标[29],定义式为：
I i = x i - x - S 2 ∑ j ≠ i n w ij x j - x -
局部Moran's I指数的标准化统计量Z定义式为：
Z I i = I i - E I i VAR I i
式中：S2、xi、xj、wij的定义与式（1）相同;E（Ii）和VAR（Ii）分别表示其理论期望和理论方差。在一定的显著性水平条件下,如果Ii的结果显著为正并且标准化统计量Z >0,则代表空间单元i与其邻接单元的观测值均相对较高,即属于高-高聚集型;如果Ii的结果显著为正并且Z<0,则代表空间单元i与其邻接单元的观测值均相对较低,即属于低-低聚集型;如果Ii的结果显著为负并且Z >0,则代表空间单元i的观测值高于其邻接单元的观测值,即属于高-低聚集型;如果Ii的结果显著为负并且Z<0,则代表空间单元i的观测值低于其邻接单元的观测值,即属于低-高聚集型[29]。
（2）多元线性回归模型
多元线性回归模型（Ordinary Linear Regression, OLR）主要研究一个因变量依赖于多个自变量的变化关系,该模型的表达式如下[30]：
y i = β 0 + ∑ j = 1 T β j x ij + ε i
式中：yi为被解释变量（因变量）;β0为常数项;T为自变量的数量;xij代表第j个独立解释变量（自变量）的值;βj为自变量回归系数;εi为随机误差项,通常假定服从N(0, σ2)。
（3）空间回归模型
在空间统计学中,由于需要考虑空间的相关性,许多经典的统计方法并不能合理的解释回归情况,结果为有偏差或非最优结果。鉴于此,需要在经典回归的基础之上,考虑空间因素以提高模型的合理性和准确性。空间回归模型（Spatial Regression）考虑到数据的空间自相关性,相较于经典的普通线性回归模型效果更好,该模型的表达式如下[31]：
y = ρ W 1 y + β X + μ μ = λ W 2 μ + ε
式中：y为因变量;X为解释变量;β代表解释变量的空间回归系数;μ为随着空间变化而变化的误差项;ε代表白噪声;W1为代表因变量自身空间趋势的空间权重矩阵;W2为代表残差空间趋势的空间权重矩阵,ρ为空间滞后项的系数;λ为空间误差系数。根据ρ、λ的不同取值,空间回归模型分为线性回归模型（ρ=0,λ=0）、空间滞后模型（ρ≠0,λ=0）、空间误差模型（ρ=0,λ≠0）、空间杜宾模型（ρ≠0,λ≠0）共4个子模型。如果因变量呈现出明显的空间溢出效应则宜选择空间滞后模型,否则如果残差存在空间模式则选择空间误差模型[32]。在具体应用上,也可采用稳健的拉格朗日乘数（Robust Lagrange Multiplier,RLM）是否具有统计学意义来帮助确定合适的子模型的类型[33,34]。

3 北京市外来人口迁出地空间分布特征

3.1 空间可视化分析

首先,根据各地市迁移至北京市的人口数量,按照迁出地进行统计并进行空间可视化,生成空间热力图,如图1所示,空间分级采用几何间隔法。从各迁出地迁往北京市的人口数量来看,北京市50%以上的外来人口主要来自于天津市,河北省的承德、张家口、保定、邯郸、廊坊,河南省的周口、信阳,安徽省的合肥等地,即北京市外来人口的主要迁出地分布于北京周边的河北、天津以及河南、安徽等地,并且呈现出明显的空间非均衡性特点。
图1 2005—2018年北京市外来人口迁出地的空间分布热力图

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(2016)1549号的标准地图制作,底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 1 Thermal map of spatial distribution of migrant population in Beijing from 2005 to 2018

3.2 全局空间自相关性分析

进一步,分别对北京市2005—2018年外来人口的迁出地空间分布进行全局空间自相关统计。利用Geoda. 14.0 软件创建空间权重Queen邻接矩阵,采用单变量的Moran's I指数空间分析,得到2005—2018年北京市外来人口的迁出地在市级尺度下的全局 Moran's I值（表3）。从表3可看到,全局Moran's I指数的值从2005年的0.399增长至2018年的0.519,且均呈现出高显著性,该结果反映北京市的外来人口在迁出地的市级行政区域上呈现出空间聚集性的趋势,且聚集性逐年增强。
表3 2005—2018年北京市外来人口迁出地全局Moran's I值

Tab. 3 Global Moran's I value of migrant population in Beijing from 2005 to 2018

2005年 2010年 2014年 2018年
全局Moran's I值 0.399** 0.481** 0.485** 0.519**

注：**p<0.01。

3.3 局部空间自相关分析

考虑到全局Moran's I指数仅是对整体空间自相关性的分析,并不能解释局部区域之间的空间联系,因此需进行局部空间分析。采用单变量的局部Moran's I指数进行空间分析,分别得到2005—2018年北京市外来人口迁出地的局部 Moran's I值,结果通过LISA聚类图表示（图2）。其中,显著性的高-高聚集态势的地级市数量由2005年的29个、2010年的33个、2014年的29个发展到2018年的36个,数量上略有增加。从迁出地分布上（表4）可看出,2005—2018年北京市外来人口的迁出地热点分布基本上集中在2个大的聚集簇中,一个位于北京市周边地区,主要以河北-天津为主（包括承德、张家口、保定、石家庄、邢台、秦皇岛、唐山、沧州、衡水、天津等地区）,另一个位于河南南部-湖北北部一带（包括开封、周口、驻马店、信阳、南阳、阜阳、六安、黄冈、孝感等地区）。从空间统计得到的结果可看出,2005—2018年北京市外来人口在迁出地空间分布上相对较为稳定。
图2 2005—2018年北京市外来人口迁出地的LISA聚集图

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(2016)1549号的标准地图制作,底图无修改。由于数据获取困难,本研究不包括香港、台湾和澳门。

Fig. 2 LISA aggregation map of migrant population emigration areas in Beijing from 2005 to 2018

表4 2005—2018年北京市外来人口迁出地位于高-高聚集地区的主要市级行政单位

Tab. 4 The main city located in high-high concentration areas of migrant population emigration areas in Beijing from 2005 to 2018

年份 呈现为高-高聚类的地级市
2005 赤峰市、霍林郭勒市、承德市、张家口市、保定市、石家庄市、邢台市、廊坊市、秦皇岛市、唐山市、沧州市、衡水市、大同市、天津市、德州市、聊城市、济宁市、濮阳市、商丘市、开封市、周口市、驻马店市、信阳市、南阳市、平顶山市、阜阳市、六安市、黄冈市、孝感市
2010 赤峰市、乌兰扎布市、承德市、张家口市、保定市、石家庄市、邢台市、廊坊市、秦皇岛市、唐山市、沧州市、衡水市、邯郸市、朝阳市、大同市、忻州市、天津市、德州市、聊城市、济宁市、濮阳市、商丘市、开封市、周口市、驻马店市、信阳市、南阳市、安阳市、平顶山市、阜阳市、六安市、黄冈市、孝感市、许昌市
2014 乌兰扎布市、承德市、张家口市、保定市、石家庄市、邢台市、廊坊市、秦皇岛市、唐山市、沧州市、邯郸市、衡水市、大同市、长治市、忻州市、天津市、德州市、聊城市、济宁市、濮阳市、商丘市、开封市、驻马店市、信阳市、南阳市、阜阳市、六安市、黄冈市、孝感市
2018 大庆市、绥化市、伊春市、长春市、延边朝鲜族自治州、赤峰市、乌兰扎布市、承德市、张家口市、保定市、石家庄市、邢台市、廊坊市、秦皇岛市、唐山市、沧州市、邯郸市、衡水市、朝阳市、大同市、晋中市、长治市、忻州市、天津市、德州市、聊城市、济宁市、濮阳市、商丘市、开封市、驻马店市、信阳市、南阳市、安阳市、阜阳市、黄冈市

4 北京市外来人口空间迁移的影响因素分析

为消除变量中量纲的影响并减少回归分析中可能出现的异方差,对因变量及自变量进行对数转换和标准化处理。对所有自变量进行双变量相关性检验,剔除相关性较大的变量（地区财政收入）后,对其他变量首先纳入到多元线性回归模型中,同时对其残差的空间相关性进行检验。结果表明,多元线性回归的残差具有较强的空间自相关性（2005—2018年残差空间自相关分别为0.344、0.409、0.597、0.449,均在p<0.001水平显著）,因此需进行空间回归建模分析。在模型的选择上,虽然北京市外来人口的迁出地在空间上呈现出显著的自相关性,但考虑到人口迁移流的网络自相关效应,其为空间溢出效应的可能性较 低[35],而北京市外来人口的热点迁出地主要集中在河北-天津和河南南部-湖北北部,地域上有着较强的集中性和邻近性,则不能排除外来人口迁出地的空间聚集为受地域圈层、乡缘文化以及外来人口在本地社会网络的影响[36]。为此,运行拉格朗日乘数（Lagrange Multiplier）检验,结果显示,空间滞后和空间误差模型的拉格朗日乘数均呈现为显著性,但空间误差模型的稳健性检验结果（Robust LM）要好于空间滞后模型（2005—2018年空间误差模型的稳健性检验结果分别为16.36、35.62、30.47、30.27,空间滞后模型的稳健性检验结果分别为6.03、6.35、16.19、3.92）。因此,综合考虑,对北京市外来人口的迁移影响因素选择空间误差模型进行分析解释。不同年度的多元线性回归和空间误差回归模型的结果如表5所示。
表5 2005—2018年北京市外来人口影响因素的多元线性回归、空间误差回归分析结果

Tab. 5 Multiple linear regression and spatial error regression analysis results of influencing factors of migrant population in Beijing from 2005 to 2018

变量 2005年 2010年 2014年 2018年
多元回归 空间误差回归 多元回归 空间误差回归 多元回归 空间误差回归 多元回归 空间误差回归
lg(POP) 0.549** 0.528** 0.546** 0.470** 0.503** 0.500** 0.374** 0.475**
lg(UNEM) 0.088* 0.043 0.101** 0.069** 0.059 -0.032 0.038 0.027
lg(PGDP) 0.186** 0.131* 0.166** 0.061 0.135** 0.053 0.004 0.044
lg(PINC) -0.255** -0.165** -0.260** -0.117** -0.219** -0.082* -0.313** -0.139**
lg(PDEN) -0.022 0.026 -0.090 -0.043 -0.020 -0.029* -0.227** -0.066**
lg(HEDU) 0.028 0.038 0.009 0.071* 0.023 0.047** 0.149** 0.070*
lg(DIS) -0.294** -0.227** -0.408** -0.197** -0.318** -0.110** -0.491** -0.267**
λ - 0.417** - 0.705** - 0.768** - 0.661**
R2 0.653 0.714 0.700 0.821 0.613 0.833 0.624 0.768
AIC 613.666 592.124 564.135 439.668 648.834 428.217 640.198 518.388

注：*p<0.05,**p<0.01。

从结果可见,2005—2018年各年度的空间误差回归的R2和AIC值较多元线性回归均有较大提升,且空间误差项十分显著,表明模型对数据拟合良好。从各变量的回归结果看,各地区人口规模、交通时间、人均收入在2005—2018年均表现出显著性,而人口密度仅在2014年和2018年表现出显著性,高等教育水平仅在2010—2018年表现出显著性,空间误差项则在2005—2018年均表现出显著性。综合模型分析结果,对各因素分别分析解释如下：
（1）人口规模
2005—2018年,各迁出地的人口规模对本地人口向北京市的迁移呈现出正向效应,即各迁出地人口规模与迁移至北京的人口数量有直观上较强的正相关关系,与预期假设相符,反映出各地区人口规模对本地人口向北京迁移产生的推力作用比较显著,即人口规模越多的地区劳动力数量和规模越大,其外迁的意愿也会更强,迁移至北京的数量也会相对更多。从回归系数水平来看,若不考虑空间误差项的影响,在2005—2018年各回归模型中,人口规模变量的回归系数绝对值始终要高于包括人均收入、交通时间等在内的其他变量,表明人口规模变量在影响一个地区的人口向北京迁移方面一直较为稳定。
（2）人均收入
纳入到回归模型中的经济特征因素中仅有人均收入变量在回归结果中表现为显著性,表明各迁出地的人均收入水平对本地人口向北京的迁移起到了较强的推力作用,该结果符合预期假设并与文献结论基本一致,即收入水平越低的地区其人口的外迁率越高[13,16,37]。从实际统计数据来看,北京市的人均收入水平在2005—2018年始终位于全国前列①（①北京市2005、2010、2014和2018年的职工平均工资分别排在全国各地级市的第3位、第3位、第3位和第1位。）,因此各地区相对于北京市的人均收入水平成为了促使各地人口向北京迁移的重要推动力。同时,从影响各地人口向北京迁移的效果来看,2005—2018年各模型中人均收入变量的回归系数绝对值始终仅次于空间误差项、人口规模和交通时间,表明该变量在过去十几年中对各地人口向北京市的迁移影响同样一直较为稳定。
（3）人口密度
人口密度变量仅在2014年后表现为显著性,表明该变量在近年来才对各地人口向北京的迁移产生拉力作用。而从模型中的回归系数来看呈现为负相关,与预期假设相符。有研究认为,在新城镇化阶段,居住环境因素日益成为人口迁移的“拉力”性因子,人口密度较高的地区会容易吸引到更多的外来人口[26],其原因在于人口密度高的城市会具有更好的基础设施、就业机会和丰富的公共服务资源,能够承载更多的人口发展,而人口密度低的地区则反映了当地基础设施、就业机会、公共资源的匮乏。北京市作为我国北方重要的经济中心和文化中心,其基础设施水平、就业机会数量和公共资源类型上都要远超其他地区,对外来人口的承载力也更强,因此,反映在回归结果上则是近年来人口密度越低的地区其人口外迁到北京的数量越多。
（4）高等教育水平
在回归模型中,高等教育水平在2010年后开始呈现显著性,说明各迁出地的高等教育水平对本地人口迁移至北京市的影响在2010年后开始显现,体现出了吸引外来人口的拉力效应,但从影响效应上则表现为正向作用效果,与预期假设不相符。该结果反映的事实为一个地区的高等学校数量越多则本地人口迁往北京越多,实际上体现了高素质人才的流动性特征[26]。北京市作为我国重要的科创中心,对其他高等教育发达地区的高素质人口一直有着较强的吸引力。通过对北京市外来人口学历特征进行统计发现,2010年北京市外来人口中大专以上学历占比为25.25%,到2018年则达到了31.44%,外来人口质量结构的不断提升对北京市的城市建设和发展提供了强大的人力资源。特别是近年来,随着北京市实施疏解非首都功能、优化人口结构和积分落户管理办法（试行）后,对高素质、高学历人口的需求增加,不仅提升了外来人口中的高学历者、中高收入者的留京意愿[38],也进一步提高了其他地区高素质、高学历等“智力型”外来人口向北京迁移的动力[39]。
（5）交通时间
回归结果中的交通时间变量在2005—2018年间始终为负,与预期假设相符,并且在各年度回归模型中均表现为较强的解释性。但从表2来看,2005—2018年,各地到北京市的平均铁路乘车时间从22.3 h下降至12.2 h,反映出空间距离在人口从各地迁移到北京的实际障碍性作用在逐渐下降,然而该变量在各模型中的解释度始终排在除空间误差项外的人口规模变量之后,表明空间距离的障碍性作用的下降并未对各地人口向北京市的迁移行为产生较大的影响。这实际上反映了近年来各地人口向北京迁移的趋势性变化特征。近年来,随着京津冀一体化协同发展战略实施,与北京具有紧密联系的河北、天津等300 km地理圈层内的人口向北京迁移的趋势有所加强,而离京1000 km以上地理圈层内由于有重庆、武汉、西安等二线城市的快速发展,吸引了一部分人口向这些地区集中,反而降低了向北京迁移的意愿[40],甚至吸引了向北京迁移的人口回流等现象[39],从而抵消了交通时间成本的下降。
（6）地缘性关系
空间误差回归分析结果中,空间误差项在2005—2018年均表现出显著性,反映出了各地市向北京的人口迁移情况受到了相邻地市的其他要素变量空间溢出的显著影响。结合图1的结果,北京市2005—2018年外来人口主要集中在周边的河北、河南等省份,反映了北京及其周边城市间存在着较为紧密的联系,并且各地区之间的空间临近性在促使人口向北京流动过程中起到了重要的作用[10]。实际上,北京市与其所在的河北、河南、山东等地地缘相接、人缘相亲、地域一体、文化一脉,较其他地区具有更高的融合度,其本地人口向北京市的迁移以及在北京市的就业、发展和融入也具有更好的优势条件。

5 结论

本文利用2005—2018年北京市外来人口登记数据,从市际空间尺度下,利用空间自相关、空间回归分析等方法对北京市外来人口的迁移性进行了研究,得到以下结论：
（1）北京市外来人口的迁出地表现出明显的不平衡效应和空间集聚效应,且其整体的空间分布聚集性呈现出逐年增强的变化趋势,而在分布格局上,主要热点迁出地集中于北京周边的河北-天津和河南省南部-湖北省北部两个主要聚集簇中,且在2005—2018年基本稳定。
（2）北京市外来人口的空间迁移因素具有显著性且解释度较高的主要变量有人口规模、交通时间、人均收入、高等教育水平、人口密度等,其中人口规模、人均收入对人口向北京市的迁移一直表现为稳定的推力作用,而高等教育水平的影响从2010年后开始显著,反映对人口迁移的拉力效应逐渐增强,交通时间对人口迁移的障碍性作用持续降低,但对人口迁移的影响作用变化不大。
（3）空间误差项持续显著,表明各地市向北京的人口流动情况受到了相邻地市的地缘性文化等其他变量的空间溢出性影响,这种影响对人口迁移的行为具有十分重要的作用。
通过对北京市不同时期外来人口的迁移特征进行实证分析,获得了北京市外来人口的迁出地地域构成、数量质量构成和影响因素的变化趋势,这不仅有助于当前北京市城市建设中的资源投放和公共政策制定,对其他同类城市的未来建设和发展也有着一定的借鉴意义。随着新型城镇化战略的实施,未来的城市建设将向着舒适、有序、和谐、共生的方向发展,而在此过程中城市的产业结构升级和环境结构的优化将势必对外来人口的数量和质量结构以及外来人群在城市的生活和融入带来一定的影响。因此,围绕城市发展需求,针对特定城市的外来人口迁移性进行研究,为城市人口政策提供更为精准化的服务和支撑,将成为相关研究领域需要关注的方向之一。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
新华社. 中共中央关于制定国民经济和社会发展第十四个五年规划和二○三五年远景目标的建议[EB/OL]. http://www.gov.cn/zhengce/2020-11/03/content_5556991.htm.

[ Xinhua News Agency. The proposal of the CPC Central Committee on formulating the 14th five-year plan for national economic and social development and the long-term objectives for 2035[EB/OL]. http://www.gov.cn/zhengce/2020-11/03/content_5556991.htm.] DOI: 10.3321/j.issn:1001-1595.2001.04.016

DOI

[2]
王国霞, 秦志琴, 程丽琳. 20世纪末中国迁移人口空间分布格局-基于城市的视角[J]. 地理科学, 2012,32(3):273-281.

DOI

[ Wang G X, Qin Z Q, Cheng L L. Spatial distribution of population migration in China in the 1990s'[J]. Scientia Geographica Sinica, 2012,32(3):273-281. ] DOI: 10.13249/j.cnki.sgs.2012.03.004

DOI

[3]
刘望保, 汪丽娜, 陈忠暖. 中国省际人口迁移流场及其空间差异[J]. 经济地理, 2012,32(2):8-13.

[ Liu W B, Wang L N, Chen N Z. Flow field and its regional differentiation of inter-provincial migration in China[J]. Economic Geography, 2012,32(2):8-13. ] DOI: 10.15957/j.cnki.jjdl.2012.02.002

DOI

[4]
臧玉珠, 周生路, 周兵兵, 等. 1995—2010年中国省际人口迁移态势与空间格局演变-基于社会网络分析的视角[J]. 人文地理, 2016,31(4):112-118.

[ Zang Y Z, Zhou S L, Zhou B B, et al. The volume changes and spatial pattern dynamics of China’s interprovincial migration: a perspective of social network analysis[J]. Human Geography, 2016,31(4):112-118. ] DOI: 10.13959/j.issn.1003-2398.2016.04.015.

DOI

[5]
李扬, 刘慧, 汤青. 1985—2010年中国省际人口迁移时空格局特征[J]. 地理研究, 2015,34(6):1135-1148.

DOI

[ Li Y, Liu H, Tang Q. Spatial-temporal patterns of China's interprovincial migration during 1985-2010[J]. Geographical Research, 2015,34(6):1135-1148. ] DOI: 10.11821/dlyj201506012

DOI

[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[J]. 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[J]. Geographical Research, 2015,34(8):1492-1506. ] DOI: 10.11821/dlyj201508008

DOI

[7]
周皓. 中国人口流动模式的稳定性及启示-基于第七次全国人口普查公报数据的思考[J]. 中国人口科学, 2021,35(3):28-41,126-127.

[ Zhou H. Spatial distribution, flowing rules and forming mechanism of inter-cities floating population in China[J]. Chinese Journal of Population Science, 2021,35(3):28-41,126-127. ]

[8]
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.

DOI

[ 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. ] DOI: 10.18306/dlkxjz.2018.03.007

DOI

[9]
李聪, 宗会明, 肖磊. 中国典型人口流出地区人口流动格局——以川渝地区为例[J]. 热带地理, 2021,41(3):516-527.

[ Li C, Zong H M, Xiao L. Spatial pattern of population flow in China's typical outflow areas: a case study of the Sichuan-Chongqing area[J]. Tropical Geography, 2021,41(3):516-527. ] DOI: 10.13284/j.cnki.rddl.003354

DOI

[10]
曹广忠, 陈思创, 刘涛. 中国五大城市群人口流入的空间模式及变动趋势[J]. 地理学报, 2021,76(6):1334-1349.

DOI

[ Cao G Z, Chen S C, Liu T. Changing spatial patterns of internal migration to five major urban agglomerations in China[J]. Acta Geographica Sinica, 2021,76(6):1334-1349. ] DOI: 10.11821/dlxb202106002

DOI

[11]
古恒宇, 覃小玲, 沈体雁. 中国城市流动人口回流意愿的空间分异及影响因素[J]. 地理研究, 2019,38(8):1877-1890.

DOI

[ Gu H Y, Qin X L, Shen T Y. Spatial variation of migrant population's return intention and its determinants in China's prefecture and provincial level cities[J]. Geographical Research, 2019,38(8):1877-1890. ] DOI: 10.11821/dlyj020180473

DOI

[12]
李志刚, 刘达, 林赛南. 中国城乡流动人口“回流”研究进,

[ Liu D, Lin S N. A literature review of the study on return floating population in China[J]. Human Geography, 2020,35(1):1-10,62. ] DOI: 10.13959/j.issn.1003-2398.2020.01.001

DOI

[13]
刘晏伶, 冯健. 中国人口迁移特征及其影响因素-基于第六次人口普查数据的分析[J]. 人文地理, 2014,29(2):129-137.

[ Liu Y L, Feng J. Characteristics and impact factors of migration in China based on the analysis of the sixth census data[J]. Human Geography, 2014,29(2):129-137. ] DOI: 10.13959/j.issn.1003-2398.2014.02.021

DOI

[14]
何文举, 刘慧玲, 颜建军. 基本公共服务支出\收入水平与城市人口迁移关系-以湖南省市域中心城市为例[J]. 经济地理, 2018,38(12):50-59.

[ He W J, Liu H L, Yan J J. Relations among the population migration and local income levels and public expenses in human based on the perspective of the equalization of public services[J]. Economic Geography, 2018,38(12):50-59. ] DOI: 10.15957/j.cnki.jjdl.2018.12.007

DOI

[15]
古恒宇, 刘子亮, 沈体雁. 中国省际流动人口户籍迁移意愿的空间格局及影响机制分析[J]. 地理科学, 2019,39(11):1702-1710.

DOI

[ Gu H Y, Liu Z L, Shen T Y. Spatial pattern and influencing mechanism of interprovincial migration's Hukou transfer intention in China[J]. Scientia Geographica Sinica, 2019b,39(11):1702-1710. ] DOI: 10.13249/j.cnki.sgs.2019.11.003

DOI

[16]
马志飞, 尹上岗, 张宇, 等. 中国城城流动人口的空间分布/流动规律及其形成机制[J]. 地理研究, 2019,38(4):926-936.

DOI

[ Ma Z F, Yin S G, Zhang Y, et al. Spatial distribution, flowing rules and forming mechanism of inter-cities floating population in China[J]. Geographical Research, 2019,38(4):926-936. ] DOI: 10.11821/dlyj020180280

DOI

[17]
刘涛, 刘嘉杰, 曹广忠. 中国城市人口户籍迁移的估算及时空特征-新型城镇化的落户政策导向[J]. 地理科学, 2021,41(4):553-561.

DOI

[ Liu T, Liu J J, Cao G Z. Estimating and interpreting China's Hukou migration under the strategy of new-type urbanization[J]. Scientia Geographica Sinica, 2021,41(4):553-561. ] DOI: 10.13249/j.cnki.sgs.2021.04.001.

DOI

[18]
张伟丽, 晏晶晶, 聂桂博. 中国城市人口流动格局演变及影响因素分析[J]. 中国人口科学, 2021, 35(2):76-87,127-128.

[ Zhang W L, Yan J J, Nie G B. Evolution of the pattern of China's urban population flows and its proximate determinants[J]. Chinese Journal of Population Science, 2021, 35(2):76-87,127-128.]

[19]
于文丽, 蒲英霞, 陈刚, 等. 基于空间自相关的中国省际人口迁移模式与机制分析[J]. 地理与地理信息科学, 2012,28(2):44-49.

[ Yu W L, Pu Y X, Chen G, et al. Spatial analysis of the patterns and mechanism of inter-provincial migration flows in China[J]. Geography and Geo-information Science, 2012,28(2):44-49. ]

[20]
刘颖, 邓伟, 宋雪茜, 等. 基于综合城镇化视角的省际人口迁移格局空间分析[J]. 地理科学, 2017,37(8):1151-1158.

DOI

[ Liu Y, Deng W, Song X Q, et al. Spatial pattern of interprovincial population migration from the comprehensive urbanization perspective[J]. Scientia Geographica Sinica, 2017,37(8):1151-1158. ] DOI: 10.13249/j.cnki.sgs.2017.08.004.

DOI

[21]
齐嘉楠, 于典, 王志理. 流动人口流动距离及影响因素研究[J]. 南方人口, 2021,36(2):31-41,64.

[ Qi J N, Yu D, Wang Z L. The migration distance and influence factor of migrant population[J]. South China Population, 2021,36(2):31-41,64. ]

[22]
黄春芳, 韩清. 长三角高铁运营与人口流动分布格局演进[J]. 上海经济研究, 2021,38(7):39-54.

[ Huang C F, Han Q. The evolution of the high-speed rail operation and the distribution pattern of population flow in the Yangtze River Delta[J]. Shanghai Journal of Economics, 2021,38(7):39-54.] DOI: 10.19626/j.cnki.cn31-1163/f.2021.07.005.

DOI

[23]
林李月, 朱宇, 柯文前, 等. 基本公共服务对不同规模城市流动人口居留意愿的影响效应[J]. 地理学报, 2019,74(4):737-752.

DOI

[ Lin L Y, Zhu Y, Ke W Q, et al. The impact of migrants' access to urban public services on their urban settlement intentions: a study from the perspective of different-sized cities[J]. Acta Geographica Sinica, 2019,74(4):737-752. ] DOI: 10.11821/dlxb201904009

DOI

[24]
冀丰渊. 京津冀协同发展规划纲要[A].廊坊市应用经济学会.对接京津-解题京津冀一体化与推动区域经济协同发展(对接京津与环首都沿渤海第13次论坛[二])论文集[C]. 廊坊市应用经济学会, 2016: 10.

[ Ji F Y. Outline of Beijing-Tianjin-Hebei coordinated development plan[A]. Connecting Beijing and Tianjin-solving the problem of integration of Beijing-Tianjin-Hebei and promoting coordinated development of regional economy ( The 13th forum on connecting Beijing, Tianjin and the Bohai Sea around the capital [II])[C]. Langfang society of Applied Economics, 2016: 10. ]

[25]
曹琳剑, 王杰, 王欢欢, 等. 京津冀基础设施建设与人口集聚耦合演进分析-基于推拉理论解析[J]. 地理科学, 2019,39(8):1256-1264.

DOI

[ Cao L J, Wang J, Wang H H, et al. Evolutional analysis of coupling between infrastructure and population agglomeration in Beijing-Tianjin-Hebei region: an analysis based on Push-pull theory[J]. Scientia Geographica Sinica, 2019,39(8):1256-1264. ] DOI: 10.13249/j.cnki.sgs.2019.08.007.

DOI

[26]
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.

DOI

[ 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. ]

[27]
李拓, 李斌. 中国跨地区人口流动的影响因素-基于286个城市面板数据的空间计量检验[J]. 中国人口科学, 2015,29(2):73-83,127.

[ Li T, Li B. Factor analysis of cross-regional population flow in China: an empirical study with spatial econometrics models and panel data of 286 cities in China[J]. Chinese Journal of Population Science, 2015,29(2):73-83,127. ]

[28]
Moran PAP. Notes on continuous stochastic phenomena[J]. Biometrika, 1950,37(1-2):17-33. DOI: 10.2307/2332142

DOI

[29]
Anselin L. Local indicators of spatial association—LISA[J]. Geographical Analysis, 1995,27(2):93-115. DOI: 10.1111/j.1538-4632.1995.tb00338.x

DOI

[30]
Mcmillen D P. Geographically weighted regression: The analysis of spatially varying relationships[J]. American Journal of Agricultural Economics, 2004,86(2):554-556. DOI: 10.1353/geo.2003.0008

DOI

[31]
Weiss C H. Generalized choice models for categorical time series[J]. Journal of Statistical Planning and Inference, 2011,141(8):2849-2862. DOI: 10.1016/j.jspi.2011.03.009

DOI

[32]
Ward M, Skrede K. Spatial regression model[M]. 宋曦,译. 上海: 格致出版社, 2012.

[ Ward M, Skrede K. Spatial regression model[M]. Translated by Song Xi. Shanghai: Truth & Wisdom Press, 2012. ]

[33]
黄秋兰, 唐咸艳, 周红霞, 等. 四种空间回归模型在疾病空间数据影响因素筛选中的比较研究[J]. 中国卫生统计, 2013,30(3):334-338.

[ Huang Q L, Tang X Y, Zhou H X, et al. Comparison of four spatial regression models for screening disease factors[J]. Chinese Journal of Health Statistics, 2013,30(3):334-338. ]

[34]
Anselin L, Florax R. Small sample properties of tests for spatial dependence in regression models: Some further results[M]. Springer Berlin Heidelberg, 1995. DOI: 10.1007/978-3-642-79877-1_2

DOI

[35]
蒲英霞, 韩洪凌, 葛莹, 等. 中国省际人口迁移的多边效应机制分析[J]. 地理学报, 2016,71(2):205-216.

DOI

[ Pu Y X, Han H L, Ge Y, et al. Multilateral mechanism analysis of interprovincial migration flows in China[J]. Acta Geographica Sinica, 2016,71(2):205-216. ] DOI: 10.11821/dlxb201602003

DOI

[36]
赵心怡, 蒲英霞. 区域人口迁移时空溢出效应与动力机制分析[J]. 地球信息科学学报, 2018,20(6):817-826.

DOI

[ Zhao X Y, Pu Y X. Space-time spillover effects and driving forces of regional migration process[J]. Journal of Geo-information Science, 2018,20(6):817-826. ]

[37]
刘玉, 张雪. 基于行业特征的流动人口就业选择偏好分析——以北京为例[J]. 城市发展研究, 2021,28(3):115-122.

[ Liu Y, Zhang X. The influence of industry characteristics on the employment choice of migrant workers: A case study of Beijing[J]. Urban Studies, 2021,28(3):115-122. ]

[38]
谢宝富, 袁倩. 超大城市流动人口积分落户参与和定居选择研究-兼谈积分落户政策实施成效与优化路径[J]. 安徽师范大学学报(人文社会科学版), 2020,48(5):77-86.

[ Xie B F, Yuan Q. Migrant population's participation in points-based registration and settlement choice in megacities —discussing the implementation effect and optimization path of the points-based registration system[J]. Journal of Anhui Normal University(Humanity.& Social Science, 2020,48(5):77-86. ] DOI: 10.14182/j.cnki.j.anu.2020.05.010.

DOI

[39]
程晗蓓, 刘于琪, 苟翡翠, 等. 城市新生代流动人口的回流意愿与区位选择-基于北京、深圳、成都和中山4个城市的实证[J]. 热带地理, 2020,40(1):63-73.

[ Cheng H B, Liu Y Q, Gou F C, et al. Profiles and mechanism of return migration in post-reform urban China: a case study of four cities[J]. Tropical Geography, 2020,40(1):63-73. ] DOI: 10.13284/j.cnki.rddl.003166

DOI

[40]
冯虹, 刘永安, 艾小青. 北京流动人口调控政策的效果分析-基于个体居留意愿的视角[J]. 人口与发展, 2019,25(1):36-46,23.

[ Feng H, Liu Y A, Ai X Q. Effect analysis on controlling policy of floating population in Beijing-based on the perspective of the individual desire of residence[J]. Population and Development, 2019,25(1):36-46,23. ]

Options
Outlines

/

〈 〉