EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 10: 1911 - 1924

DOI: https://doi.org/10.12082/dqxxkx.2022.220375

Networked Mining and Association Analysis of Geographical Multiple Flows at a Global Scale

  • QIN Kun , 1, 2 ,
  • YU Xuesong 1 ,
  • ZHOU Yang 1 ,
  • ZHANG Kai 1 ,
  • LIU Donghai 1 ,
  • WANG Qixin 1 ,
  • JIA Tao , 1, 2, * ,
  • XIAO Rui 1, 2 ,
  • LU Binbin 1, 2 ,
  • XU Gang 2, 3 ,
  • YU Yang 1, 2 ,
  • MENG Qingxiang 1, 2
Expand
  • 1. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China
  • 2. Geo-computation Center for Social Sciences, Wuhan University, Wuhan 430079, China
  • 3. School of Resource and Environmental Sciences, Wuhan University, Wuhan 430079, China
*JIA Tao, E-mail:

Received date: 2022-06-01

  Revised date: 2022-07-20

  Online published: 2022-12-25

Supported by

National Natural Science Foundation of China(42171448)

Key Laboratory of National Geographic Census and Monitoring, Ministry of Natural Resources(2020NGCMZD03)

Fold

Abstract

The world is networked and interconnected. The Geographical Multiple Flow (GMF) network formed by the movement or exchange of substances, information, and energy embedded in global geographical space, has become a novel perspective to investigate global issues through the perspectives of geography and networks. How to construct a multi-topic, time varying GMF networks, identify network structures, spatiotemporal evolution patterns, and association patterns, and provide support for solving global population movement, aviation transportation, international relations, international trade, and other issues, is a scientific problem that needs to be solved urgently in the fields of geographical information science and social sciences. In this paper, firstly, a research framework of network mining and association analysis of GMF networks on a global scale is explored, which includes 4 parts: 1) collection and processing of multi-source data; 2) construction and structure identification of GMF networks; 3) evolutionary analysis of GMF networks; 4) association analysis of GMF networks. Secondly, we review the research on international relation networks, international trade networks, global aviation transportation networks, and global human movement networks, with some specific demonstration experiments. Thirdly, we review the association analysis of GMF and proposed some research thoughts. Conclusions and discussions are made finally Our paper proposes a research framework and provides some research thoughts of GMF networks on a global scale, which provides references for global issues such as international relations, international trade, aviation transportation and human mobility and makes fundamental contribution to the development of flow-based spatiotemporal analysis methods.

Key words： Geographical Multiple Flow (GMF); complex network; international relation networks; international trade networks; aviation transportation networks; human movement networks; networked mining; association analysis

Cite this article

QIN Kun , YU Xuesong , ZHOU Yang , ZHANG Kai , LIU Donghai , WANG Qixin , JIA Tao , XIAO Rui , LU Binbin , XU Gang , YU Yang , MENG Qingxiang . 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

1 引言

全球各国、各城市之间,存在着各种因物质、信息、能量等的移动或交换而形成的各种形式的“流（flow）”,将这些流嵌入地理空间形成了“地理流”。当不同类型的地理流共存时,就形成了“地理多元流”[1]。既有现实空间、物理空间的地理流,如国家或地区之间的交通流、贸易流、人口流等,也有虚拟空间、网络空间的地理流,如新闻媒体反映的积极或消极国际关系的信息流、国际论文或专利合作反映的不同地区的科研合作流等。
流是由系统的不同部分、要素,以及系统与外部环境之间存在的各种物质、信息、能量等的移动或交换而形成的[2],具有从起点到终点转移的特性。传统空间分析方法主要是基于点、线、面等空间对象的静态空间分析[3,4]。流模型则描述了动态的地理现象,基于“流”的时空分析成为时空数据分析新的研究范式[1]。针对地理流的研究不仅有益于理解地理系统的格局与功能,而且有助于弄清地理系统演化的动力学机制,将成为地理格局与机理分析的新视角[1]。与地理流密切相关的另外一个概念是“空间交互”,“地理流”是空间交互的一种表达形式[5],相关理论和方法可以相互借鉴。
为了描述具有“二阶量”特性的地理流组成的复杂地理系统,可以将复杂网络特别是多层网络作为地理多元流网络化挖掘与分析的重要方法。复杂网络是网络科学在21世纪的新发展,具有不同于规则网络和随机网络的特性,如小世界特性[6]、无标度特性[7]、社区结构特性[8-9]等,相关研究主要聚焦于网络的拓扑测度、层次结构、动力演化等。复杂网络不仅是物理学和计算机科学的研究热点,同时也在生物、交通、规划等领域得到了广泛应用[10⇓-12]。多层网络是传统复杂网络模型的高维度扩展,通过层间边将不同的单层网络连接在一起形成更复杂的系统,具有严格的数学定义和丰富的测度算法[13]。若根据不同主题或时间切片对地理流网络进行分层,则可以用多层网络来刻画地理多元流网络。
社会网络是复杂网络在人文社会科学领域的应用,指个人或组织之间因为互动而形成的相对稳定的关系体系,如朋友关系、科研合作关系等[14],相关研究关注人们之间的互动和联系,以及社会互动如何影响人们的社会行为[15]。社会网络分析已经成为计算社会科学[16-17]和社会物理学[18⇓-20]等社会科学发展前沿领域的重要组成部分。空间社会网络分析是社会网络分析与空间数据分析的结合,是空间综合人文学与社会科学的重要方法。空间综合人文学与社会科学是指从地理空间的角度整合、表达多种人文信息,使得来自不同领域的学者可以使用地理空间信息技术分析和探讨人文社会科学问题,从而为单一学科难以解决的实际问题提供新的综合研究方案[21⇓-23]。一方面,地理信息科学领域的学者积极拓展研究领域,为人文学与社会科学领域的学者提供空间化、可视化的技术手段;另一方面,人文学与社会科学领域的学者积极学习和掌握地理空间信息技术,在研究中积极引入空间思维和空间可视化方法。全球尺度的地理流,如商品流、人口流、航班流等共同描绘了错综复杂的国际关系,对其进行解释需要人文社会科学知识和方法的支撑,如地缘政治[24-25]、经济贸易[26]、冲突指数计算[27]等。
世界是一个网络,并且是相互关联的。“万物皆有联”是大数据时代的核心思维。关联分析是大数据时代的核心分析方法,也是大数据分析的魅力之所在[28-29]。通过频繁模式挖掘、相关性分析、因果推断等关联分析方法,可以将一些看似毫无联系的因素联系起来,从而发现潜在的、未知的具有重要意义的规律。一方面挖掘同一个地理流网络内部的测度和结构之间的关系,如度-度相关性、权-度相关性、社团关联、模体关联等;另一方面挖掘不同地理流网络之间的关联关系,如不同交通方式之间的关系[30]、人口流与贸易流之间的关系[31]等。
空间尺度是地理空间分析的一个重要影响因素。在不同的空间尺度下,存在着不同形式的地理多元流网络,用于研究不同的问题。例如,城市尺度下,可以通过不同交通方式的地理多元流网络研究公共交通结构[32],通过不同时间切片的地理多元流网络研究城市枢纽区域的时空演化[33];国家尺度下,通过铁路客运关系、企业子母关系、百度指数关注度等构造多主题的地理多元流网络,研究城市群结构[34,35];全球尺度下,通过贸易、投资、知识等数据构造多主题的地理多元流网络研究国际关系[36]。虽然不同空间尺度的地理多元流分析存在一些共性,但是特定空间尺度的分析方法和分析内容仍有其特殊性。目前的研究中,城市尺度的研究成果非常丰富,相对较为成熟,而全球尺度则相对薄弱,有待学科交叉知识的投入和方法创新;另一方面,全球化发展带来了疾病传播、国际关系、环境治理等全球性问题,在此背景下的全球尺度地理多元流网络研究,可以挖掘出服务于全球可持续发展的重要知识,可以为制定国际关系政策、国际贸易政策等提供决策支持依据,具有非常重要的意义。因此,本文将研究的空间尺度限定为全球尺度。
政治、经济、人口和交通,是世界面临的4个重要的全球性问题,并且四者之间存在着各种复杂的相互作用和相互关联关系。综合考虑全球性问题的重要性、代表性,及数据可得性等因素,本文以这四大主题分别对应的国际关系流、国际贸易流、全球人口移动流、全球航班流组成的全球尺度地理多元流为对象展开研究。以国家、地区或城市为节点,构建包括国际关系、贸易往来、人口移动、航空交通等主题的地理多元流网络,对全球尺度地理多元流的网络化挖掘及关联分析进行研究,探索全球尺度地理多元流的研究范式,对相关研究进行综述分析,并开展一些探索性实验研究,对于发展地理多元流时空分析方法和研究全球性问题提供理论和方法参考。
后续内容包括：首先介绍了全球尺度地理多元流网络化挖掘及关联分析的研究框架;接着从地理视角和网络视角分别分析国际关系流、国际贸易流、全球航班流、以及人口移动流特别是全球尺度的人口移动流的相关研究并进行了部分示例分析;然后从关联分析视角分析地理多元流网络之间的关联关系;最后进行了总结与展望。

2 研究框架

目前,关于全球尺度地理多元流的网络化研究还处于初步探索阶段[23,25],迫切需要提出一个完整的研究框架。针对此问题,本文提出了一个全球尺度地理多元流网络化挖掘及关联分析的研究框架,如图1所示。该研究框架以复杂网络、时空大数据分析、社会感知、空间人文与社会地理计算等理论为基础,首先聚合新闻媒体数据、国际贸易数据、全球人口移动数据、全球航班数据等,然后以国家、地区或城市为节点,构建包括国际关系、国际贸易、人口移动、航空交通等主题的地理多元流网络,再通过地理多元流网络的构建与结构识别方法探测其结构特征,利用时序分析探测其时空演变规律,最后利用关联分析探测其关联模式。
图1 全球尺度地理多元流网络化挖掘与关联分析的研究框架

Fig. 1 Research framework for networked mining and association analysis of geographical multiple flows in global scale

图1所示研究框架的具体说明如下：
（1）多源数据收集与整理
围绕“全球尺度地理多元流的网络化挖掘及关联分析”这一研究主题,收集并整理相关数据,构建实验数据集。包括：
1）基础地理数据：收集并整理多尺度（全球、洲、国家）的行政边界数据,以及城市、机场分布图等;
2）国际关系流数据：以全球事件、语言、语调数据（GDELT：Global Database of Event, Language, Tone）为主,收集并整理全球GDELT数据中的全球事件库数据、全球知识图数据。
3）国际贸易流数据：主要包括2个数据集： ① 由国际贸易中心提供的全球贸易地图数据（ https://www.trademap.org）。该数据集是一套国际贸易数据的互动在线数据库,是全球最大的贸易数据库之一。数据库的时间覆盖范围为2001年至今;② 联合国商品贸易统计数据库（ https://comtrade.un.org/）,该数据库包含了1962年以来全世界200多个国家和地区的商品贸易统计数据。
4）全球人口移动流数据：主要包括2类：① 官方公开数据,其时间粒度往往较粗,如联合国发布的人口迁移数据、世界旅游组织开发的全球旅游流数据;② 研究者收集并整理的社交媒体数据,如根据Twitter和Foursquare等[37]社交媒体整理的人口迁移数据,这些数据的时间粒度较细。
5）全球航班流数据：根据OpenSky Network全球航班开源数据网站（ https://opensky-network.org/）、全球众源航线可视化网站variFlightMap（ https://map.variflight.com/）、OAG历史航班数据网站（ https://www.oag.com/）等多个航班数据网站,收集并整理关于全球航班及流量相关信息的全球航班流数据,为构建长时间尺度的全球航班流网络提供数据基础。
（2）地理多元流网络的构建与结构识别
复杂网络和多层网络理论、空间交互分析理论、地理多元流分析理论等,是构建地理多元流网络并进行测度分析与结构识别的理论基础。基于这些理论与方法进行地理多元流网络的构建与结构识别,具体包括：① 地理多元流网络构建：包括地理单元流网络构建、地理多元流网络构建、地理时序网络构建;② 地理多元流网络测度计算：研究反映网络、节点或边特性的测度指标并进行计算分析,包括无标度性、小世界性、中心性、脆弱性、空间中心性等;③ 地理多元流网络结构识别：研究网络的中观和微观结构并进行识别提取,包括社区、模体、子图,以及考虑空间效应的社区、模体、子图等。
（3）地理多元流网络的演化分析
对地理多元流网络的时序变化进行分析,可以发现其时空演变规律,从而为应用分析提供决策支持。主要研究内容包括：网络特征演化分析、网络结构演化分析、网络演化模式挖掘等。网络特征演化分析是对网络的测度或指标随时间变化的现象进行分析,包括节点特征演化分析、边特征演化分析、整体特征演化分析等;网络结构演化分析是对网络结构随时间的扩张、收缩、合并等现象进行分析,包括社区结构演化分析、模体结构演化分析、空间结构演化分析等;网络演化模式挖掘包括异常变化模式分析、周期性变化模式分析、交互扩散模式分析等。
（4）地理多元流网络的关联分析
地理多元流网络之间存在各种复杂的相互关联关系,地理多元流网络的关联分析包括：地理流网络内部的关联分析、地理流网络的多元关联分析、地理流网络与相关数据的关联分析等。地理流网络内部关联分析是对地理单元流网络内的测度与结构之间的关联关系进行分析,包括度-度相关性、权-度相关性、社团关联、模体关联等;地理流网络多元关联分析指对国际关系网络、国际贸易网络、全球人口移动网络、全球航空网络相互之间的关联关系进行分析;地理流网络与相关数据的关联分析是挖掘地理多元流网络与遥感影像、疫情传播、社会经济、危机冲突等其他相关数据之间的关联。

3 地理流的网络化挖掘与分析

采取综述分析与示例分析相结合的方式,分别探讨国际关系流、国际贸易流、全球航空交通流和全球人口移动流的网络化挖掘与分析方法。其中,国际关系流案例主要关注网络边强度分析,利用边强度解释国际关系的联系强度;贸易流案例侧重于网络度的演化,增加时序演化分析,并解释国际贸易的变化模式,该案例体现了网络时序分析的价值;全球航班流案例较为综合,既有复杂的网络测度如度分布分析、聚集系数分析,又进行了不同时间的对比,深入揭示了全球航空网络的结构特性,体现了复杂网络测度计算的价值。全球人口移动流侧重于从网络化挖掘的角度对相关研究进行梳理和分析。

3.1 国际关系流网络化挖掘与分析

国际关系是国际行为主体之间关系的总称,包括政治关系、经济关系、民族关系、军事关系、宗教关系、地域关系等。其中,国际政治关系是最重要最活跃的关系。本文中的“国际关系”主要是指国际政治关系（简称国际关系）,包括国家/地区之间的合作、冲突,以及积极关系、消极关系等,可以理解为国家/地区之间的一种信息流。国际关系研究正从国家/地区间的关系研究走向日益开放和多元化的网络空间关系研究。社会网络分析已经成为国际关系研究的一种新范式[38-39]。从地理视角探究国家/地区间各种关系的地缘政治,与社会网络分析对“关系”的关注非常吻合,可以借助社会网络分析研究地缘政治环境[24,40]。国际关系具有复杂性、及时性、时空性等特点,迫切需要时空大数据分析技术为其提供新的思路和技术手段。利用社会网络分析和时空大数据分析技术进行国际关系网络化挖掘是一种有效的新思路[41⇓⇓-44]。基于大众媒体数据构建的GDELT数据为网络化视角的国际关系研究提供了丰富的数据源。GDELT数据库实时监测世界上印刷、广播、网络媒体中的新闻,并对其进行分析,提炼并记录人物、地点、组织和事件类型等关键信息。基于GDELT可开展国际关系相关的多种社会与人文研究,包括研究新闻事件的影响[45-46]、预测国际事件[47-48]、分析新闻事件与可持续发展目标之间的关系[49]等。GDELT数据已被应用于国际关系的网络化挖掘与分析中[44,50]。基于GDELT数据可以构建网络,从而分析合作或竞争的国际关系[51],或者辅助国内生产总值、消费者信心指数等社会经济指标的预测[52]。基于不同时间的事件构造时序网络,可以发现国际关系和区域模式的时空演变规律[44]。在地理流视角下,基于GDELT数据中的国际交互事件可以构建国际关系地理流网络[25,44]。本文选取2020年1月8日至14日的GDELT事件数据,根据事件参与者的国家和新闻语调,分别构造积极事件和消极事件的国际关系网络,以分析积极网络边强度排名前10的国家/地区对、消极网络边强度排名前10的国家/地区对。如图2所示,横轴表示国家/地区对构成的网络边,例如“加拿大-英国”表示加拿大和英国之间的边;纵轴表示边的强度,其值反映了国家/地区之间的积极（图2(a)）或消极（图2(b)）事件数。由图2可见,积极网络中强度排名前三的边是“加拿大-英国”、“英国-美国”和“加拿大-美国”,消极网络中强度排名前三的边则是“美国-伊朗”、“伊拉克-伊朗”和“伊拉克-美国”。前者可能受“2020年1月8日英国哈里王子夫妇欲定居加拿大”及其所引发的国际舆情影响,后者则可能与“2020年1月3日伊朗高级将领苏莱曼尼在伊拉克遭美军空袭身亡”及一系列相关冲突事件有关。无论积极网络还是消极网络,美国在强度排名前10的边中都多次出现,反映了美国在积极国际关系、消极国际关系中都处于相对活跃的状态。
图2 国际关系积极/消极网络边强度前10国家/地区对

Fig. 2 Top 10 pairs of countries with the strongest connection in positive/negative international relationship network

3.2 国际贸易流网络化挖掘与分析

国家/地区之间的贸易往来形成了以国家/地区为节点、贸易关系（贸易额或贸易商品和服务量）为边的国际贸易流网络。国际贸易流的网络化挖掘是研究国际贸易格局的重要方法。国际贸易流网络是一个典型的复杂网络[53],即：节点度分布具有无标度性、网络具有较高的平均聚集系数和较短的平均最短路径等。复杂网络为国际贸易流的研究提供了重要的理论和方法,相关研究包括：国际贸易网络的演化研究[54]、社区结构研究[55]等。国际贸易涉及的商品和服务复杂多样、时间跨度大。对此可构造多层网络模型进行挖掘和分析[56]。可以基于贸易进出口额构建网络,也可以基于特定地区或特定商品和服务构造国际贸易流网络,如聚焦于“一带一路”国家/地区[57]或聚焦于化石能源[56]。
国际贸易中心网站（ https://intracen.org/）提供了丰富的国际贸易数据,可用于国际贸易相关研究,其发布的贸易地图涵盖了220个国家/地区,以及5300种按照国际商品统一分类标准进行分类的产品和贸易信息,以表格、图表和地图的形式提供关于出口业绩、国际需求、替代市场和竞争市场的指标,以及进出口公司名录。该网站提供了2001年至今按商品分列的年度贸易统计数据、月度贸易统计数据等。利用该网站提供的原油贸易数据,以“一带一路”倡议沿线的65个国家/地区之间的原油贸易为例进行分析。对于国际贸易流网络测度的时序演化分析可以反映国际贸易关系的变化。这里提供一个示例：以贸易网络节点的出入度为例,对贸易流网络测度进行演化分析。图3为“一带一路”倡议沿线国家的贸易网络出入度时序演化曲线,从图3(a)中可以发现俄罗斯具有最大的节点出度,为典型的原油出口型国家,其出度演化曲线整体具有上升趋势,这表明俄罗斯为“一带一路”沿线大多数国家/地区的原油贸易进口来源国,且出口的范围呈现扩大趋势。除了俄罗斯以外,沙特阿拉伯、阿联酋、哈萨克斯坦、伊拉克也是原油出口大国。从图3(b)可以看出,中国、新加坡、泰国、印度和马来西亚为“一带一路”倡议区域中原油进口的入度排名前5的国家,说明这些国家从多个国家进口石油,且它们的进口来源国家/地区数呈逐步上升趋势。特别值得注意的是：印度在2006之前的入度为0,之后则呈明显的逐年上升趋势,这表明印度2006年以后逐步转变为原油进口型国家。
图3 “一带一路”Top5国家的出入度演化特征

Fig. 3 The evolution features of the Top5 countries networks in the Belt and Road

3.3 全球航班流网络化挖掘与分析

航空航班数据是一种典型的流数据,它按照时间顺序记载了大量且连续的的航班记录,据此可以对航空交通运输情况进行分析,广泛应用于航空流量监测、热点分析等领域。航空航班的主要数据源包括：OpenSky Network全球航班开源数据、全球众源航线数据variFlightMap、OAG历史航班数据等。这些国际航班数据包含了航司、时间、航班出发机场和到达机场等信息。将机场或机场所属的国家/地区作为网络节点,一段时间内机场或国家/地区之间的航班数量作为航空网络中边的权重,由此可以建立全球航班流网络。
基于航空航班数据的网络化挖掘是重要的航空流数据分析方法,目前基于航空网络的研究主要涉及网络测度和统计特征的演化分析[58]、网络的恢复力与稳定性分析[59]、航空网络与其它网络协同演化分析[60]、网络连通性和可达性分析[61-62]等。自2020年新冠疫情暴发以来,疫情迅速蔓延至全球范围,各行各业都受到了不同程度的影响,航空业首当其冲,国际航班数量骤减。从国际航班网络视角研究新冠疫情对全球航空网络连通性的影响及地区差异成为研究热点。同时,可以研究国际航班网络的关键节点及其鲁棒性,从而服务于对极端事件导致的航空网络瘫痪的预警和应急处理。
本部分以OAG数据为例进行实验研究和分析。首先对数据进行清洗,完成机场三字码与国家/地区间的映射,并建立全球航班流网络。聚合一个月的航班数据为一个网络,以新冠疫情为背景,选择2019年3月、2020年3月和2021年3月的网络进行对比分析,对网络的基本测度指标进行统计。如图4所示,NS代表节点强度、C（NS）代表节点强度至少为NS的概率,不同颜色代表不同的网络构建时间（201903表示2019年3月、202003表示2020年3月、202103表示2021年3月）。分析结果表明, 3个时间段的全球航班网络的累计概率分布模式基本相似,都能用Zipf-Mandelbrot函数进行较好的拟合,当引入平移参数ρ后,Zipf拟合曲线更加理想。这说明全球航空网络的节点强度符合幂律分布,具有无标度特征,即少数国家/地区参与了大多数的航班运输,而另外的大部分国家/地区所参与的航班运输事件很少,即使在疫情影响下,这种分布规律仍然没有改变。
图4 全球航空网络节点强度分布

Fig. 4 Distribution of global aviation network node strength

如表1所示,2019年3月和2020年3月的航空网络在节点数、连边数以及平均聚集系数等指标上变化不大,表明在疫情暴发初期,全球航班的运输总体情况较为稳定。但是,到了2021年3月,当疫情持续蔓延,尤其美国、欧洲等国家/地区的疫情没有得到有效控制,全球航班运输系统受到了较大影响,网络的节点、连边以及平均聚集系数均有较大程度的下降,并且平均最短路径变长,表明网络的连通性变差。全球航空网络的变化反映了疫情对全球交通运输造成了不利影响。
表1 2019—2021年3月全球航空网络基础测度统计

Tab. 1 Statistics of global aviation network basic measurement indicators in March 2019-2021

时间 测度
节点数/个 连边数/条 图密度 平均最短路径长度 平均聚集系数
2019年3月 230 2693 0.102 2.29 0.642
2020年3月 231 2699 0.102 2.29 0.648
2021年3月 222 1994 0.081 2.36 0.619

3.4 人口移动流网络化挖掘与分析

人口移动是地理信息科学的重要研究主题之一。近年来随着基于位置服务的迅速发展,越来越多的详细个人移动轨迹数据为人口移动模式建模、挖掘、可视化提供了数据支持[63-64],主要数据源包括志愿者定位数据、浮动车定位数据、手机终端定位数据与通讯记录、社交网络签到数据、公交IC卡消费记录、公共自行车租赁记录等[65]。主要研究从微观层面和宏观层面分别展开,微观层面是对个人行为机制进行解释[66],宏观层面是对群体移动量进行解释[67]。
网络化挖掘是研究宏观人口移动的重要方法,其思路是将个体的移动聚合到大尺度地理区域上,形成以地理单元为节点、地理单元之间交互关系为边的空间交互网络,通过步长分布、重力模型拟合、社区提取等方法分析其背后的地理格局[68]。相关研究更多聚焦于城市尺度,或是将社区识别结果与行政区划进行对比分析[69],或是用于识别城市影响区及其时空模式[70],在城市规划和土地利用方面具有重要应用意义。近年来,随着多层网络模型日渐成熟,逐步被用于人口移动网络建模,主要适用于 2类情况：① 使用多源数据构造多层网络[32,71-72]; ② 使用时序数据构造多层网络[33]。相比于单层网络,多层网络模型下的人口迁移网络可以描述更复杂的系统,具有更丰富的信息量。
随着全球化的发展,世界各国/地区之间的人口迁移越来越频繁,并推动着全球范围内物质、资本、信息等的加速流动和优化,全球人口迁移网络正逐步形成。全球尺度的人口移动问题得到了诸多学者的重视。全球范围内的人口移动包括永久性人口迁移和短期旅行2大类型。例如,发表于《Science》的论文《Quantifying Global International Migration Flows》利用1990—2010年的198个国家/地区每5年的人口迁移数据对全球人口移动流进行量化分析[73]。通过研究发现：自1995年以来,每5年的人口迁移量约为0.6%,最大规模的人口迁移发生在南亚与西亚、拉丁美洲到北美洲,以及非洲内部。通过全球性的人口移动可以分析全球社会的结构[74-75],研究人口迁移与各国/地区之间的经济联系[31,76]等。旅游是典型的短期人口移动类型。根据世界各国/地区之间的游客旅行情况可以构造以国家/地区为节点,以国家/地区之间的旅游流为边（权重根据游客量确定）的全球旅游流网络。通过研究发现全球旅游流网络具有非常明显的无标度特性[77]。特别是在新冠疫情期间,全球性的人口短期旅行与疫情传播之间具有密切的联系。为了阻断疫情的传播链,一些国家/地区纷纷采取了航班停运等策略,通过减少人员的国际旅行以减缓疫情传播[78-79]。
全球人口移动体现了国家/地区之间的联系,在紧密联系的国家/地区之间形成了各种类型的人口移动社区。其中,全球人口移动多层网络社区直观体现了节点所代表的国家/地区之间的人口迁移关系。方法上,以多层网络模块度为指标[80],使用Louvain算法[9]提取社区结构,分析社区结构的空间分布情况。整体上社区是地理连续的,具有空间聚集性。
通过对全球人口移动流的网络化挖掘与分析,可以探索全球范围内的人口移动规律,从而为全球人口问题及可持续发展研究提供参考和依据,并进一步与国际关系、国际贸易等进行关联分析,研究全球尺度的政治、经济、人口和交通之间的相互影响与联系,从而为促进全球范围的可持续发展提供基础。

4 地理多元流网络的关联分析

世界是一个网络,且是相互关联的。“万物皆有联”是大数据时代的核心思维。关联分析是大数据时代的核心分析方法,也是大数据分析的魅力之所在。通过关联分析,可将一些看似毫无联系的因素联系起来,从而发现潜在的、未知的具有重要意义的规律。关联分析包括相关性、频繁性和因果性等[81]。
地理多元流的关联分析研究既有城市尺度的小范围研究。例如,将点的相关性分析方法cross K函数进行扩展从而提出流的cross K函数,用于评估两类流的空间依赖性,并基于纽约市不同出租车公司的出租车OD流进行验证[82-83];也有全球和国家/地区尺度的大范围研究[31,84]。这里主要介绍全球和国家/地区尺度的地理多元流关联分析的相关研究。
相关研究表明：人口移动与商品贸易之间具有关联性。例如,基于网络度量方法构建国际旅游流与国际贸易流的加权有向网络,研究发现二者具有较强的度相关性与PageRank 相关性[85]。通过全球尺度的人口迁移流与商品贸易流的关联分析,探索二者相关性的强弱,并通过经济、人口、距离等多元变量进行定性和定量解释[31]。利用网络分析对移民人口与外国直接投资的关系进行研究,发现两者存在很强的正相关性[86]。
国际关系对人口移动具有重要影响。例如,国际关系的好坏对国际难民的流动具有重要影响。在对国际难民流进行研究的过程中,使用多元回归二次分配模型分析国际难民流与国家/地区之间友好关系程度的关联关系,反映出二者具有比较显著的依赖性[87]。
多层航空网络之间,以及航空网络与国际关系、人口流动等因素之间具有各种关联关系。例如,通过收集中国境内的46个航空公司的运营流,建立多层航空网络,结合不同网络布局的差异化进行层间网络指标的相关性分析[88]。通过航空政策的研究,分析航空网络与国际关系之间的关联关系[89]。航空开放政策对旅游流也具有重要影响[90]。
除此之外,还有综合利用多种数据开展的地理多元流的综合分析研究。例如,通过分析贸易、军事、外交、联合条约4种国际关系网络的结构特征对人均国民生产总值变化的影响,发现纳入交互网络特征和节点特征能更合理地解释经济增长变化[91]。对推特、谷歌趋势、维基百科、GDELT共4种数据进行关联分析,提取多个预测指标构建预测模型,可以对每日原油价格走势进行预测[92]。
国际关系流、国际贸易流、全球航班流、全球人口移动流之间存在着各种复杂的关联关系（图5）。图5(a)反映了4个流之间的关联和叠加。国家之间的冲突、合作、积极和消极关系等,对国际贸易有着重要影响,国际政治关系网络与国际贸易网络相互作用构成了国际政治关系与国际贸易的关联关系;国际关系网络与全球人口移动网络相互作用形成了国际关系与人口移动问题;全球人口移动网络与全球航班网络相互作用,形成了人口移动与航班变化的关系研究。图5(b)对国际关系流、国际贸易流、全球人口移动流、全球航班流两两之间的关系进行了示例分析。例如,航班流和人口移动流都可以反映国家间的人员流通,但航班流具有细时间粒度的展示能力,人口移动流尤其是移民流侧重于长时间跨度,二者相结合可完整地刻画国际交互模式;GDELT新闻事件流和贸易流都可反映国家间的合作关系,但前者是虚拟空间的信息流,后者是现实空间的物质流,二者可相互佐证、相互影响,将它们结合在一起分析可更全面地认识复杂的国际关系格局。
图5 地理多元流网络关联分析示意图

Fig. 5 Association analysis of geographical multiple flow networks

关联分析是大数据时代的魅力所在,如何在纷繁复杂的地理多元流网络中,深入分析和挖掘各种因素（政治、经济、交通、人口等社会人文因素,以及气候、环境等自然因素）之间错综复杂的相互关联关系,从而为全球性问题的研究和解决提供相应支持是未来发展的方向和面临的挑战。

5 结论与展望

世界是一个网络,并且是相互关联的。全球化时代的人口移动、疾病传播、国际关系、全球治理等全球性问题具有全球性、综合性和挑战性等特点,迫切需要从地理和网络视角分析全球性问题相关要素之间错综复杂的相互关系、时空格局和时空演化规律。本文提出了全球尺度地理多元流网络化挖掘及关联分析的研究框架,并从地理与网络视角综述分析了国际关系流、国际贸易流、全球航班流、全球人口移动流的网络化挖掘与分析的研究及示例,并进一步从关联分析视角初步探索了国际关系流、国际贸易流、全球航班流、全球人口移动流之间的相关关系和相互影响。本文研究属于地理信息科学与社会科学跨学科交叉融合的探索性研究,既针对地理信息科学领域的关键问题“地理多元流网络化挖掘及关联分析方法”进行研究,包括地理多元流网络的测度与结构识别方法、地理多元流网络的时空演变分析方法、地理多元流网络的关联分析方法等,同时围绕全球人口移动、国际关系等全球性的跨学科难题展开探索性试验,研究国际关系、国际贸易、全球航班网络、全球人口移动等相关因素之间的相互关系与互作用机制,探索时空大数据分析方法在国际关系分析、国际贸易分析、全球航班分析、全球人口移动分析以及交叉学科领域的应用。
进一步的研究方向包括：① 从地理视角、网络视角进一步优化全球尺度地理多元流网络化挖掘及关联分析的研究框架;② 深入探索地理多元流网络化挖掘及关联分析方法,为发展基于地理流的时空大数据分析理论与方法提供基础;③ 从关联分析视角,探索国际关系网络、国际贸易网络、全球人口移动网络、全球航空航班网络之间的相互关系与互作用机制,为研究全球性的政治问题、经济问题、人口问题及交通问题等提供决策支持和参考。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
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/dqxxkx. 2020.190736

DOI

[2]
Batty M. The new science of cities[M]. Cambridge, Massachusetts: MIT Press, 2013.

[3]
郭仁忠. 空间分析[M]. 2版. 北京: 高等教育出版社, 2001.

[ Guo R Z. Spacial analysis[M]. 2nd ed. Beijing: Higher Education Press, 2001. ]

[4]
秦昆. GIS空间分析理论与方法[M]. 2版. 武汉: 武汉大学出版社, 2010.

[ Qin K. Theories and methods of spatial analysis in GIS[M]. 2nd ed. Wuhan: Wuhan University Press, 2010. ]

[5]
刘瑜, 姚欣, 龚咏喜, 等. 大数据时代的空间交互分析方法和应用再论[J]. 地理学报, 2020, 75(7):1523-1538.

DOI

[ Liu Y, Yao X, Gong Y X, et al. Analytical methods and applications of spatial interactions in the era of big data[J]. Acta Geographica Sinica, 2020, 75(7):1523-1538. ] DOI: 10.118 21/dlxb202007014

DOI

[6]
Watts D J, Strogatz S H. Collective dynamics of 'small-world' networks[J]. Nature, 1998, 393(6684):440-442. DOI: 10.1038/30918

DOI

[7]
Barabási A L, Albert R. Emergence of scaling in random networks[J]. Science, 1999, 286(5439):509-512. DOI: 10.11 26/science.286.5439.509

DOI PMID

[8]
Girvan M, Newman M E J. Community structure in social and biological networks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2002, 99(12):7821-7826. DOI: 10.1073/pnas.122653799

DOI PMID

[9]
Blondel V D, Guillaume J L, Lambiotte R, et al. Fast unfolding of communities in large networks[J]. Journal of Statistical Mechanics: Theory and Experiment, 2008, 2008(10): P10008. DOI: 10.1088/1742-5468/2008/10/p10008

DOI

[10]
Jeong H, Mason S P, Barabási A L, et al. Lethality and centrality in protein networks[J]. Nature, 2001, 411(6833):41-42. DOI: 10.1038/35075138

DOI

[11]
Amaral L A, Scala A, Barthelemy M, et al. Classes of small-world networks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2000, 97(21):11149-11152. DOI: 10.1073/pnas.200327197

DOI PMID

[12]
高自友, 赵小梅, 黄海军, 等. 复杂网络理论与城市交通系统复杂性问题的相关研究[J]. 交通运输系统工程与信息, 2006, 6(3):41-47.

[ Gao Z Y, Zhao X M, Huang H J, et al. Research on problems related to complex networks and urban traffic systems[J]. Journal of Transportation Systems Engineering and Information Technology, 2006, 6(3):41-47. ] DOI: 10.16097/j.cnki.1009-6744.2006.03.007

DOI

[13]
Boccaletti S, Bianconi G, Criado R, et al. The structure and dynamics of multilayer networks[J]. Physics Reports, 2014, 544(1):1-122. DOI: 10.1016/j.physrep.2014.07.001

DOI

[14]
Borgatti S P, Mehra A, Brass D J, et al. Network analysis in the social sciences[J]. Science, 2009, 323(5916):892-895. DOI: 10.1126/science.1165821

DOI PMID

[15]
Aral S, Walker D. Identifying influential and susceptible members of social networks[J]. Science, 2012, 337(6092):337-341. DOI: 10.1126/science.1215842

DOI PMID

[16]
Lazer D, Pentland A, Adamic L, et al. Computational social science[J]. Science, 2009, 323(5915):721-723. DOI: 10.1126/science.1167742

DOI

[17]
罗玮, 罗教讲. 新计算社会学:大数据时代的社会学研究[J]. 社会学研究, 2015, 30(3):222-241,246.

[ Luo W, Luo J J. New computational sociology: Sociological studies in the era of big data[J]. Sociological Studies, 2015, 30(3):222-241,246. ] DOI: 10.19934/j.cnki.shxyj.2015.03.010

DOI

[18]
Petland A. Social physics: How good ideas spread-the lessons from a new science[M]. New York: Penguin Press. 2014

[19]
Petland A. Social physics: How social networks can make us smarter[M]. New York: Penguin Press. 2015.

[20]
汪小帆. 智慧社会:社会物理学与网络科学[J]. 中国信息化, 2015(4):9-10.

[ Wang X F. Society: Social physics and network science[J]. Zhongguo Xinxihua, 2015(4):9-10. ]

[21]
林珲, 张捷, 杨萍, 等. 空间综合人文学与社会科学研究进展[J]. 地球信息科学, 2006, 8(2):30-37.

[ Lin H, Zhang J, Yang P, et al. Development on spatially integrated humanities and social science[J]. Geo-information Science, 2006, 8(2):30-37. ] DOI: 10.3969/j.issn.1560-8999.2006.02.006

[22]
林珲, 赖进贵, 周成虎. 空间综合人文学与社会科学研究[M]. 北京: 科学出版社, 2010.

[ Lin H, Lai J G, Zhou C H. Spatially integrated humanities and social science[M]. Beijing: Science Press, 2010. ]

[23]
秦昆, 林珲, 胡迪, 等. 空间综合人文学与社会科学研究综述[J]. 地球信息科学学报, 2020, 22(5):912-928.

DOI

[ Qin K, Lin H, Hu D, et al. A review of spatially integrated humanities and social sciences[J]. Journal of Geo-information Science, 2020, 22(5):911-928. ] DOI: 10.12082/dqxxkx. 2020.200232

DOI

[24]
宋长青, 葛岳静, 刘云刚, 等. 从地缘关系视角解析“一带一路”的行动路径[J]. 地理研究, 2018, 37(1):3-19.

DOI

[ Song C Q, Ge Y J, Liu Y G, et al. Undertaking research on Belt and Road Initiative from the geo-relation perspective[J]. Geographical Research, 2018, 37(1):3-19. ]

DOI

[25]
姚博睿, 秦昆, 罗萍, 等. 特殊事件中国际关系网络时序演化分析[J]. 地球信息科学学报, 2021, 23(4):632-645.

DOI

[ Yao B R, Qin K, Luo P, et al. Sequential evolution analysis of international relations network in special events[J]. Journal of Geo-Information Science, 2021, 23(4):632-645. ] DOI: 10.12082/dqxxkx.2021.200366

DOI

[26]
邓美薇. 中国与“一带一路”沿线国家的双边关系波动对贸易往来的影响——基于GDELT海量事件数据的实证分析[J]. 经济论坛, 2020(7):115-125.

[ Deng M W. The effect of bilateral relations fluctuation on trade between China and the countries along the Belt and Road[J]. Economic Forum, 2020(7):115-125. ]

[27]
漆林, 秦昆, 罗萍, 等. 基于GDELT新闻数据的冲突强度定量表达及冲突事件检测研究[J]. 地球信息科学学报, 2021, 23(11):1956-1970.

DOI

[ Qi L, Qin K, Luo P, et al. Quantitative expression of conflict intensity and conflict event detection based on GDELT news data[J]. Journal of Geo-information Science, 2021, 23(11):1956-1970.] DOI: 10.12 082/dqxxkx.2021.210172

DOI

[28]
钱宇华, 成红红, 梁新彦, 等. 大数据关联关系度量研究综述[J]. 数据采集与处理, 2015, 30(6):1147-1159.

[ Qian Y H, Cheng H H, Liang X Y, et al. Review for variable association measures in big data[J]. Journal of Data Acquisition and Processing, 2015, 30(6):1147-1159. ] DOI: 10.16 337/j.1004-9037.2015.06.002

DOI

[29]
梁吉业, 冯晨娇, 宋鹏. 大数据相关分析综述[J]. 计算机学报, 2016, 39(1):1-18.

[ Liang J Y, Feng C J, Song P. A survey on correlation analysis of big data[J]. Chinese Journal of Computers, 2016, 39(1):1-18. ] DOI: 10.11897/SP.J.1016.2016.00001

DOI

[30]
Khulbe D, Kang C G, Sobolevsky S. Transportation interventions reshaping NYC commute: the probabilistic simulation framework assessing the impacts of ridesharing and Manhattan congestion surcharge[EB/OL]. 2020: arXiv: 2010. 06588.

[31]
Fagiolo G, Mastrorillo M. Does human migration affect international trade? a complex-network perspective[J]. PLoS One, 2014, 9(5):e97331. DOI: 10.1371/journal.pon e.0097331.

DOI

[32]
Aleta A, Meloni S, Moreno Y. A multilayer perspective for the analysis of urban transportation systems[J]. Scientific Reports, 2017, 7:44359. DOI: 10.1038/srep44359

DOI PMID

[33]
Kang C G, Jiang Z J, Liu Y. Measuring hub locations in time-evolving spatial interaction networks based on explicit spatiotemporal coupling and group centrality[J]. International Journal of Geographical Information Science, 2022, 36(2):360-381. DOI: 10.1080/13658816.2020.18634 11

DOI

[34]
马丽亚, 修春亮, 冯兴华. 多元流视角下东北城市网络特征分析[J]. 经济地理, 2019, 39(8):51-58.

[ Ma L Y, Xiu C L, Feng X H. Analysis of network characteristics of northeast cities from the perspective of multi-flow[J]. Economic Geography, 2019, 39(8):51-58. ] DOI: 10.15957/j.cnki.jjdl.2019.08.007

DOI

[35]
钟业喜, 吴思雨, 冯兴华, 等. 多元流空间视角下长江中游城市群网络结构特征[J]. 江西师范大学学报(哲学社会科学版), 2020, 53(2):47-55.

[ Zhong Y X, Wu S Y, Feng X H, et al. Network structure characteristics of middle Yangtze urban agglomeration from the perspective of multi-flow[J]. Journal of Jiangxi Normal University (Philosophy and Social Sciences Edition), 2020, 53(2):47-55. ]

[36]
Bonaccorsi G, Riccaboni M, Fagiolo G, et al. Country centrality in the international multiplex network[J]. Applied Network Science, 2019, 4(1): 126. DOI:10.1007/s41109-019-0207-3

DOI

[37]
Li Z L, Huang X, Hu T, et al. ODT FLOW: Extracting, analyzing, and sharing multi-source multi-scale human mobility[J]. PLoS One, 2021, 16(8):e0255259. DOI: 10.1371/journal.pone.0255259

DOI

[38]
Hafner-Burton E M, Kahler M, Montgomery A H. Network analysis for international relations[J]. International Organization, 2009, 63(3):559-592. DOI:10.1017/s0020818 309090195

DOI

[39]
刘慧. 国际关系的网络分析研究简评[J]. 国际观察, 2010(6):17-23.

[ Liu H. Network analysis of international relations[J]. International Review, 2010(6):17-23. ]

[40]
潘峰华, 赖志勇, 葛岳静. 社会网络分析方法在地缘政治领域的应用[J]. 经济地理, 2013, 33(7):15-21.

[ Pan F H, Lai Z Y, Ge Y J. Social network analysis in geo-politics studies[J]. Economic Geography, 2013, 33(7):15-21. ] DOI: 10.15957/j.cnki.jjdl.2013.07.001

DOI

[41]
Yuan Y H, Liu Y, Wei G X. Exploring inter-country connection in mass media: A case study of China[J]. Computers, Environment and Urban Systems, 2017, 62:86-96. DOI: 10.1016/j.compenvurbsys.2016.10.012

DOI

[42]
沈石, 袁丽华, 叶思菁, 等. 近40年中美地缘政治关系波动及背景解析[J]. 地理科学, 2019, 39(7):1063-1071.

DOI

[ Shen S, Yuan L H, Ye S J, et al. The fluctuation and background analysis of geopolitical relations between China and the United States during the last 40 years[J]. Scientia Geographica Sinica, 2019, 39(7):1063-1071. ] DOI: 10.13 249/j.cnki.sgs.2019.07.004

DOI

[43]
沈石, 宋长青, 程昌秀, 等. GDELT:感知全球社会动态的事件大数据[J]. 世界地理研究, 2020, 29(1):71-76.

DOI

[ Shen S, Song C Q, Cheng C X, et al. GDELT: Big event data for sensing global social dynamics[J]. World Regional Studies, 2020, 29(1):71-76. ]

DOI

[44]
秦昆, 罗萍, 姚博睿. GDELT数据网络化挖掘与国际关系分析[J]. 地球信息科学学报, 2019, 21(1):14-24.

DOI

[ Qin K, Luo P, Yao B R. Networked mining of GDELT and international relations analysis[J]. Journal of Geo-information Science, 2019, 21(1):14-24. ] DOI: 10.12082/dqxxkx.2019. 180674

DOI

[45]
Su Y, Lan Z Y, Lin Y R, et al. Tracking disaster response and relief following the 2015 Nepal earthquake[C]// 2016 IEEE 2nd International Conference on Collaboration and Internet Computing. IEEE, 2016:495-499. DOI: 10.1109/CIC.2016.075

DOI

[46]
Kwak H, An J S. A first look at global news coverage of disasters by using the GDELT dataset[M]// Lecture Notes in Computer Science. Cham: Springer International Publishing, 2014:300-308. DOI: 10.1007/978-3-319-13734-6_22

DOI

[47]
Qiao F C, Li P, Zhang X, et al. Predicting social unrest events with hidden Markov models using GDELT[J]. Discrete Dynamics in Nature and Society, 2017, 2017:8180272. DOI: 10.1155/2017/8180272

DOI

[48]
Keneshloo Y, Cadena J, Korkmaz G, et al. Detecting and forecasting domestic political crises: a graph-based approach[C]// Proceedings of the 2014 ACM conference on Web science. Bloomington, Indiana, USA. New York: ACM, 2014:192-196. DOI: 10.1145/2615569.2615698

DOI

[49]
Honti G, Czvetkó T, Sebestyén V, et al. Data describing the relationship between world news and sustainable development goals[J]. Data in Brief, 2021, 36:106978. DOI: 10.1016/j.dib.2021.106978

DOI

[50]
Qiao F C, Wang H. Computational approach to detecting and predicting occupy protest events[C]// 2015 International Conference on Identification, Information, and Knowledge in the Internet of Things (IIKI). IEEE, 2015:94-97. DOI: 10.1109/IIKI.2015.28

DOI

[51]
Jiang L. The underlying causal network from global dyadic events: allies and rivals in international relations[C]// 2020 IEEE International Conference on Parallel & Distributed Processing with Applications, Big Data & Cloud Computing, Sustainable Computing & Communications, Social Computing & Networking. IEEE, 2020:1029-1036. DOI: 10.1109/ISPA-BDCloud-SocialCom-SustainCom51426.2020.00155

DOI

[52]
Elshendy M, Fronzetti C A. Big data analysis of economic news: hints to forecast macroeconomic indicators[J]. International Journal of Engineering Business Management, 2017, 9:1-12. DOI: 10.1177/1847979017720040

DOI

[53]
Serrano M A, Boguñá M. Topology of the world trade web[J]. Physical Review E, Statistical, Nonlinear, and Soft Matter Physics, 2003, 68(<W>1 Pt 2):015101. DOI: 10.1103/PhysRevE.68.015101

DOI

[54]
Garlaschelli D, Loffredo M I. Structure and evolution of the world trade network[J]. Physica A: Statistical Mechanics and Its Applications, 2005, 355(1):138-144. DOI: 10.1 016/j.physa.2005.02.075.

DOI

[55]
Barigozzi M, Fagiolo G, Mangioni G. Identifying the community structure of the international-trade multi-network[J]. Physica A: Statistical Mechanics and Its Applications, 2011, 390(11):2051-2066. DOI: 10.1016/j.physa.2011. 02.004.

DOI

[56]
Gao C X, Sun M, Shen B. Features and evolution of international fossil energy trade relationships: A weighted multilayer network analysis[J]. Applied Energy, 2015, 156:542-554. DOI: 10.1016/j.apenergy.2015.07.054

DOI

[57]
宋周莺, 车姝韵, 杨宇. “一带一路”贸易网络与全球贸易网络的拓扑关系[J]. 地理科学进展, 2017, 36(11):1340-1348.

DOI

[ Song Z Y, Che S Y, Yang Y. Topological relationship between trade network in the Belt and Road Initiative area and global trade network[J]. Progress in Geography, 2017, 36(11):1340-1348. ] DOI: 10.18306/dlkxjz.2017. 11.003

DOI

[58]
Cheung T K Y, Wong C W H, Zhang A M. The evolution of aviation network: global airport connectivity index 2006-2016[J]. Transportation Research Part E: Logistics and Transportation Review, 2020, 133:101826. DOI: 10.1 016/j.tre.2019.101826

DOI

[59]
Bauranov A, Parks S, Jiang X, et al. Quantifying the resilience of the US domestic aviation network during the COVID-19 pandemic[J]. Frontiers in Built Environment, 2021, 7:642295. DOI: 10.3389/fbuil.2021.642295

DOI

[60]
Wang Y Q, Lu Q Y, Cao X B, et al. Travel time analysis in the Chinese coupled aviation and high-speed rail network[J]. Chaos, Solitons & Fractals, 2020, 139:109973. DOI: 10.1016/j.chaos.2020.109973

DOI

[61]
李思平, 周耀明. 全球疫情下的中国内地航空网络对外连通性[J]. 航空学报, 2021, 42(6):324569.

DOI

[ Li S P, Zhou Y M. External connectivity of China's mainland's air transport network in COVID-19 pandemic[J]. Acta Aeronautica et Astronautica Sinica, 2021, 42(6):324569. ]

[62]
杜方叶, 王姣娥, 王涵. 新冠疫情对中国国际航空网络连通性的影响及空间差异[J]. 热带地理, 2020, 40(3):386-395.

DOI

[ Du F Y, Wang J E, Wang H. The impacts of COVID-19 on the connectivity of China's international air transport network and the spatial differences[J]. Tropical Geography, 2020, 40(3):386-395. ]

DOI

[63]
刘瑜, 肖昱, 高松, 等. 基于位置感知设备的人类移动研究综述[J]. 地理与地理信息科学, 2011, 27(4):8-13,31,2.

[ Liu Y, Xiao Y, Gao S, et al. A review of human mobility research based on location aware devices[J]. Geography and Geo-information Science, 2011, 27(4):8-13,31,2. ]

[64]
刘瑜, 康朝贵, 王法辉. 大数据驱动的人类移动模式和模型研究[J]. 武汉大学学报·信息科学版, 2014, 39(6):660-666.

[ Liu Y, Kang C G, Wang F H. Towards big data-driven human mobility patterns and models[J]. Geomatics and Information Science of Wuhan University, 2014, 39(6):660-666. ] DOI: 10.13203/j.whugis20140149

DOI

[65]
陆锋, 刘康, 陈洁. 大数据时代的人类移动性研究[J]. 地球信息科学学报, 2014, 16(5):665-672.

DOI

[ Lu F, Liu K, Chen J. Research on human mobility in big data era[J]. Journal of Geo-information Science, 2014, 16(5):665-672. ] DOI: 10.3724/SP.J.1047.2014.00665

DOI

[66]
González M C, Hidalgo C A, Barabási A-L. Understanding individual human mobility patterns[J]. Nature, 2008, 453(7196):779-782. DOI: 10.1038/nature06958

DOI

[67]
刘二见, 闫小勇. 预测人类移动行为的介入机会类模型研究进展[J]. 物理学报, 2020, 69(24):66-73.

[ Liu E J, Yan X Y. Research advances in intervening opportunity class models for predicting human mobility[J]. Acta Phys.Sin, 2020, 69(24):66-73. ] DOI: 10.7498/aps.69.20201119

DOI

[68]
Liu Y, Sui Z W, Kang C G, et al. Uncovering patterns of inter-urban trip and spatial interaction from social media check-in data[J]. PLoS One, 2014, 9(1):e86026

DOI

[69]
Jia T, Yu X S, Shi W Z, et al. Detecting the regional delineation from a network of social media user interactions with spatial constraint: A case study of Shenzhen, China[J]. Physica A: Statistical Mechanics and Its Applications, 2019, 531:121719. DOI: 10.1016/j.physa.2019.121719

DOI

[70]
Jia T, Yu X S, Li X, et al. Identification and analysis of urban influential regions using spatial interaction networks[J]. Transactions in GIS, 2021, 25(6):2821-2839. DOI: 10.1111/tgis.12806

DOI

[71]
Gallotti R, Barthelemy M. The multilayer temporal network of public transport in Great Britain[J]. Scientific Data, 2015, 2:140056. DOI: 10.1038/sdata.2014.56

DOI

[72]
Belyi A, Bojic I, Sobolevsky S, et al. Global multi-layer network of human mobility[J]. International Journal of Geographical Information Science, 2017, 31(7):1381-1402. DOI: 10.1080/13658816.2017.1301455.

DOI

[73]
Abel G J, Sander N. Quantifying global international migration flows[J]. Science, 2014, 343(6178):1520-1522. DOI: 10.1126/science.1248676.

DOI PMID

[74]
Sobolevsky S, Szell M, Campari R, et al. Delineating geographical regions with networks of human interactions in an extensive set of countries[J]. PLoS One, 2013, 8(12):e81707. DOI: 10.1371/journal.pone.0081707

DOI

[75]
Hawelka B, Sitko I, Beinat E, et al. Geo-located Twitter as proxy for global mobility patterns[J]. Cartography and Geographic Information Science, 2014, 41(3):260-271. DOI: 10.1080/15230406.2014.890072

DOI PMID

[76]
Sgrignoli P, Metulini R, Schiavo S, et al. The relation between global migration and trade networks[J]. Physica A: Statistical Mechanics and Its Applications, 2015, 417:245-260. DOI: 10.1016/j.physa.2014.09.037

DOI

[77]
Miguéns J I L, Mendes J F F. Travel and tourism: Into a complex network[J]. Physica A: Statistical Mechanics and Its Applications, 2008, 387(12):2963-2971. DOI: 10.1 016/j.physa.2008.01.058

DOI

[78]
Lau H, Khosrawipour V, Kocbach P, et al. The association between international and domestic air traffic and the Coronavirus (COVID-19) outbreak[J]. Journal of Microbiology, Immunology and Infection, 2020, 53(3):467-472. DOI: 10.1016/j.jmii.2020.03.026

DOI PMID

[79]
Seyfi S, Hall C M, Shabani B. COVID-19 and international travel restrictions: the geopolitics of health and tourism[J]. Tourism Geographies, 2020:1-17. DOI:10.1080/1461 6688.2020.1833972

[80]
Mucha P J, Richardson T, Macon K, et al. Community structure in time-dependent, multiscale, and multiplex networks[J]. Science, 2010, 328(5980):876-878. DOI: 10.11 26/science.1184819

DOI PMID

[81]
Altman N, Krzywinski M. Association, correlation and causation[J]. Nature Methods, 2015, 12(10):899-900. DOI: 10.1038/nmeth.3587

DOI PMID

[82]
Tao R, Thill J C. Spatial cluster detection in spatial flow data[J]. Geographical Analysis, 2016, 48(4):355-372. DOI: 10.1111/gean.12100

DOI

[83]
Tao R, Thill J C. Flow Cross K-function: A bivariate flow analytical method[J]. International Journal of Geographical Information Science, 2019, 33(10):2055-2071. DOI: 10.1080/13658816.2019.1608362

DOI

[84]
Berglund S, Karlström A. Identifying local spatial association in flow data[J]. Journal of Geographical Systems, 1999, 1(3):219-236. DOI: 10.1007/s101090050013

DOI

[85]
Brahmbhatt J, Menezes R. On the relation between tourism and trade: A network experiment[C]// 2013 IEEE 2nd Network Science Workshop. IEEE, 2013:74-81. DOI: 1 0.1109/NSW.2013.6609197

DOI

[86]
Garas A, Lapatinas A, Poulios K. The relation between migration and FDI in the OECD from a complex network perspective[J]. Advances in Complex System, 2016, 19(6n07):1650009. DOI: 10.1142/s0219525916500090

DOI

[87]
Schon J, Johnson J C. How inter-state amity and animosity complement migration networks to drive refugee flows: A multi-layer network analysis, 1991-2016[J]. PLoS One, 2021, 16(1):e0245712. DOI: 10.1371/journal.pone.0245712

DOI

[88]
王兴隆, 朱丽纳, 石宗北. 多层航线聚合网络建模及相关性分析[J]. 科学技术与工程, 2020, 20(3):1243-1249.

[ Wang X L, Zhu L N, Shi Z B. Multi-layer route aggregation network modeling and correlation analysis[J]. Science Technology and Engineering, 2020, 20(3):1243-1249. ]

[89]
Kobierecki M M. Aviation diplomacy: A conceptual framework for analyzing the relationship between aviation and international relations[J]. Place Branding and Public Diplomacy, 2021, 17(4):293-303. DOI:10.1057/s41254-020-00172-5

DOI

[90]
Forsyth P. Martin Kunz Memorial Lecture. Tourism benefits and aviation policy[J]. Journal of Air Transport Management, 2006, 12(1):3-13. DOI: 10.1016/j.jairtraman.2005.09.001

DOI

[91]
Snyder D, Kick E L. Structural position in the world system and economic growth, 1955-1970: A multiple-network analysis of transnational interactions[J]. American Journal of Sociology, 1979, 84(5):1096-1126. DOI: 10.1 086/226902

DOI

[92]
Elshendy M, Colladon A F, Battistoni E, et al. Using four different online media sources to forecast the crude oil price[J]. Journal of Information Science, 2018, 44(3):408-421. DOI: 10.1177/0165551517698298

DOI

Options
Outlines

/

〈 〉