EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 10: 1941 - 1956

DOI: https://doi.org/10.12082/dqxxkx.2022.220302

Intercity Travel Resilience, Recovery Patterns and Influencing Factors of Resilience in Chinese Cities in the Context of COVID-19

  • GOU Yichao , 1, 3, 4 ,
  • WEI Ming , 2, 3, * ,
  • WANG Jiaoe 1, 3, 4 ,
  • WANG Chengjin 1, 3, 4
Expand
  • 1. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, China
  • 3. University of Chinese Academy of Sciences, Beijing 100049, China
  • 4. Key Laboratory of Regional Sustainable Development Modeling, Chinese Academy of Sciences, Beijing 100101
*WEI Ming, E-mail:

Received date: 2022-05-13

  Revised date: 2022-06-22

  Online published: 2022-12-25

Supported by

National Natural Science Foundation of China(42071151)

Fold

Abstract

Since the outbreak of the COVID-19 epidemic in 2020, the intercity travel in China has been significantly affected. With the popularity of big data, spatiotemporal modeling and analysis are widely used in epidemic and transportation research. In the post epidemic era, residents' intercity travel shows a certain recovery mode under the influence of local epidemic. The recovery mode and resilience of intercity travel reflects the resilience of cities and can provide information for cities' epidemic prevention and control. Exploring different urban modes and factors affecting the resilience of intercity travel under the influence of epidemic situation has practical significance for normalized epidemic prevention and control management. Based on the migration big data, this paper describes the differentiation pattern of intercity travel resilience under the COVID-19 epidemic from different perspectives, summarizes the time series model, and explores the factors affecting intercity travel resilience. Four indicators, namely fluctuation ratio, recovery ratio, resilience, and recovery index, are constructed to measure the resilience of intercity travel. The results show that: (1) During the epidemic period, residents' resilience to travel shows certain spatial variation. On the whole, the eastern region is the best, followed by the western region and the central region, and the northeast region is the worst; (2) The temporal patterns of intercity travel in epidemic cities are consistent with "resilience triangle" of the typical model. According to the propagation mode and correlation of the epidemic, the specific temporal patterns can be classified into five types: Relative independence mode, intermediate fluctuation mode, starting-point correlation mode, end-point correlation mode, and bidirectional restraint mode, showing different curve forms and characteristics; (3) The resilience of intercity travel is affected by complex factors. When the epidemic wave and regional variables are controlled, economic and transportation factors have a significant impact on the recovery of intercity travel. There may be a U-shaped relationship between per capita GDP and industrial structure and the resilience of intercity travel. When the economic development reaches a certain level, the supporting effect of economy on the resilience of intercity travel becomes increasingly prominent. There is a positive correlation between high-speed rail and airport and the resilience of intercity travel, which plays an important role in increasing the resilience of intercity travel. The results of this study indicate that the application of spatiotemporal big data to analyze the mode and mechanism of urban recovery in the post epidemic era is a novel research method. Subsequent research can further explore the spatiotemporal pattern and mode mechanism of epidemic recovery, in order to provide scientific basis and guidance for epidemic prevention and control of cities.

Key words： COVID-19; migration; recovery ability; temporal variation modes; resilience; risk; big data; econometric model; China

Cite this article

GOU Yichao , WEI Ming , WANG Jiaoe , WANG Chengjin . 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

1 引言

自新型冠状病毒肺炎（COVID-19）爆发以来,中国国民经济和社会受到剧烈冲击,地方发展受到严重影响[1⇓-3]。由于交通流对疫情空间扩散具有显著的促进作用[4],控制疫情爆发点与其他城市的交通连接可以有效抑制疫情传播[5]。限制出行政策的施行一方面保障了疫情的有效防控[6-7],但也同时减少了城际出行量[8]。2020年1月26日至4月7日,居民城际出行急剧下降,与2019年同期相比平均减少51.35%[9]。
疫情常态化背景下,居民城际出行是城市疫情防控和社会经济发展活力的“晴雨表”。正常情况下,城际出行量及分布是由人口、社会经济和交通服务因素的组合决定的[9],其规模和频次可以在一定程度上反映城市的社会经济状况。出现疫情时,受局部疫情的影响,居民城际出行波动性显著,并表现出较大的空间差异。城际出行的变化程度及恢复速度可以用“韧性”来度量[10]。韧性指系统受到外部冲击和发展扰动之后迅速适应、维持稳定并恢复原有状态的能力[11⇓-13],往往可分为抵抗力和恢复力2个维度。在疫情影响下,抵抗力指城市受疫情冲击时保持自身社会经济活动正常进行的能力;恢复力表示城市受到疫情冲击后社会经济活力恢复至原先水平的能力。研究城际出行的变化模式,考察不同城市的居民城际出行恢复力差异,探究居民城际出行恢复力的影响机制,有助于为常态化疫情防控提供科学依据,为提高城市韧性提供科学指导,对城市应对疫情具有重要的意义。
随着时空大数据获取能力的提高,时空分析与建模技术已被普遍用于疫情研究[14],包含传播关系识别[15]、疫情时空模式分析[16-17]、疫情预测模型[18]等多个方面。时空分析有助于精准刻画交通与疫情传播的交互影响。一方面,疫情冲击导致交通运输量大幅减少,使得交通运输业增长乏力[19];另一方面,交通因素促进了疫情的传播,影响疫情扩散的时空模式[20]。交通设施的存在与疫情传播的速度显著相关[21]。不同交通方式对疫情传播的影响不完全一致,如疫情沿高速铁路网络传播,形成区域性的高风险区域[22]。时空大数据具有即时性、海量性等特点,能够客观表征人地耦合关系,在地理学中具有广泛的应用前景[23]。其中,迁徙数据常常被用于疫情影响下的城市和城际出行研究,如城市间人口的不平衡迁移与城市发展的空间差异[24],区际迁徙人群空间分布估算等[25]。基于迁徙数据构建的恢复力指标可以度量疫情影响下的城际出行恢复情况[1],为城市韧性和城市恢复力的研究提供数据支撑。
疫情期间,城际出行表现出特殊的规律,研究疫情下的城际出行恢复力和恢复模式对城市的韧性评价和提升具有重要的现实意义。已有研究基于迁徙数据、手机信令等时空大数据,从出行强度、节点中心性、出行恢复力等方面构建指标,运用趋势分析和网络分析的方法,度量疫情期间城际出行的变化规律[1,26⇓-28]。此外,计量模型构建的方法已被广泛应用,采用社会经济发展水平、产业、区位、交通等因素构建指标体系,进行综合分析[9,29-30],为定量刻画疫情影响下的城市时空特征提供了新思路。城际出行受到经济、交通等复杂因素的影响,在疫情影响下表现出特殊的规律[9]。疫情导致城际出行强度显著下降,尤其是节假日期间[26]。城际出行的恢复程度具有空间差异性[1],不同类型居民出行的恢复进程也具有一定的差异[29]。
目前,对疫情下城市的研究多集中于2020年初第一轮疫情[1⇓⇓⇓⇓⇓⇓⇓-9,15⇓⇓⇓⇓-20],对后疫情时代的研究相对较少。在疫情防控常态化的背景下,我国建立了实时疫情监测网络,形成基于分级风险评估的人口流动管制方案[31-32],而基于地理学视角对疫情防控政策的影响仍有待深入探讨。对城际出行的研究中,对城际出行变化规律有待精细刻画,对疫情下的城际出行恢复模式仍然缺少凝练。基于此,本研究基于疫情防控政策,以中高风险地区划定和解除作为参照节点,获取百度迁徙时空大数据,研判城际出行恢复的时序模式,构建计量模型,研究居民城际出行恢复力的影响因素,以期为后疫情时代的城市疫情防控和经济发展提供科学依据。

2 研究方法与数据来源

2.1 研究框架

城际出行恢复力是指城市居民的城际出行活动受到疫情冲击之后迅速适应并恢复原有水平的能力,是城市恢复力的一个重要方面。在疫情进入常态化时期后,城市应对疫情局部爆发时的恢复力是重要的研究议题。本文以后疫情时代城市城际出行的变化规律为切入点,探究其时序模式及其空间异质性,构建城际出行恢复力的评价指标,并在此基础上探究城际出行恢复力的影响因素（图1）。首先,以2021年本土疫情爆发以来至年末为研究时段,总结疫情的波次及时空格局。其次,基于中高风险地区截取相应城市对应时段的城际出行数据,计算其恢复力评价特征指标,揭示全国不同城市疫情期间城际出行变化与恢复情况的时空格局。然后,总结后疫情时代城市恢复的一般模式,根据疫情出现后各城市的城际出行变化,结合疫情传播模式和空间规律,将不同的城市恢复模式凝练为相对独立型、中间波动型、起点关联型、终点关联型、双向受制型5种典型模式。最后,结合城市恢复力指标,通过定量方法分析经济和交通要素对城市恢复力的影响。本文研究了后疫情时代每个城市在受疫情影响时的城际出行片段,采取中微观的研究尺度,相较于先前研究更好地结合了政策的视角,对城市恢复力的研究提供了新的思路。
图1 研究框架

Fig. 1 Research framework

2.2 数据来源

本文的研究数据包括居民城际出行数据、疫情确诊病例人数和中高风险地区数据、城市社会经济统计数据以及交通数据（表1）。居民城际出行数据选取百度迁徙数据中的人口迁出指数数据。由于人口流动指数大小及变化能反映城市功能的强度和稳定性,而人口迁出指数数据体现系统内要素向外流动的活力,与疫情管制限制人口流出的措施紧密相关,故迁出指数能较好地反映城市应对疫情时的韧性与恢复情况。确诊病例人数和中高风险地区数据反映了各个城市发生疫情的严重程度和应对疫情的时序过程,并且能够体现不同波次疫情在空间上的分布情况。各城市社会经济数据反映了城市的社会经济指标,在短期内具有稳定性,故选取2020年度数据替代2021年。交通数据则反映了城市的交通运输能力和水平。由于中高风险地区划定政策,本次研究不包括香港、台湾和澳门。
表1 研究数据

Tab. 1 Research data

数据类型 说明 数据来源 年份
居民城际出行数据 人口迁出指数数据 百度迁徙（ http://qianxi.baidu.com） 2021
确诊病例人数数据 全国每日疫情新增病例数量 国家卫生健康委员会（ http://www.nhc.gov.cn） 2021
中高风险地区数据 全国每日中高风险地区城市名单 国家卫生健康委员会实时发布（ http://www.nhc.gov.cn） 2021
社会经济数据 各地市2020年GDP、人均GDP、城市化率、产业结构等数据 各城市统计年鉴 2020
交通数据 通航机场数量 百度地图（ https://map.baidu.com） 2021
高铁频次 中国铁路12306（ https://www.12306.cn）
公路客运量 各城市统计年鉴

2.3 评价指标

城际出行恢复力评价指标主要包括：波动比率、恢复比率、恢复弹性和恢复指数。

2.3.1 波动比率（FR）和恢复比率（RR）

人口迁徙量的波动比率（Fluctuation Ratio,FR）指城市疫情前的人口迁徙指数基准值（发生疫情前的值）与疫情期间最小值之差（波动量）占基准值的比率;恢复比率（Recovery Ratio,RR）指迁徙指数在疫情后特定时间取值与疫情期间最小值之差（恢复量）占基准值的比率。采用一周为界,选取中高风险区解除后第七天为测定恢复的时间,选取划定中高风险地区前七天的均值为测定基准值的时间。波动比率和恢复比率分别反映了城市受疫情影响的程度和疫情后的恢复程度,相同条件下波动比率越低、恢复比率越高,表示城市运行越稳定、恢复能力越强。
F R i = T r a v i , t 1 - T r a v i , t m T r a v i , t 1 × 100 %
R R i = T r a v i , t 2 - T r a v i , t m T r a v i , t 1 × 100 %
式中： F R i表示第 i个城市在此次疫情中的波动比率; R R i表示第 i个城市在疫情后的恢复比率; T r a v i , t表示第 i个城市在 t时间的人口迁徙指数; t 1、 t 2、 t m分别表示划定中高风险地区前七天、解除中高风险地区后第七天、疫情期间人口迁徙指数最低点对应的时间。

2.3.2 恢复弹性（CRE）

为表征城市城际出行恢复量相对于波动量 的变化比率,构建城市恢复弹性（City Recovery Elasticity,CRE）指标。恢复弹性在数值上等于恢复量与波动量的比值,也等于恢复比率与波动比率的比值。城市恢复弹性越高,表明相同波动比率下其恢复越多越快,在疫情后恢复稳定状态的能力越强,即城市韧性越好。
C R E i , t = T r a v i , t 2 - T r a v i , t m T r a v i , t 1 - T r a v i , t m × 100 % = R R i F R i × 100 %
式中, C R E i , t表示第 i个城市在 t时间的城市恢复弹性。其他变量同2.3.1节中所述。

2.3.3 恢复指数（CRI）

参考疫情对城市人口迁徙影响的研究[1],构建城市恢复指数（City Recovery Index,CRI）,反映城市在疫情后特定时间相对基准值的恢复水平。以人口迁徙指数变化表征城市恢复情况,该时间点的人口迁徙值越接近正常值,表明城市恢复效果越好。恢复指数可看作恢复弹性在 T r a v i , t m为零时的特例。
C R I i , t = T r a v i , t 2 T r a v i , t 1 × 100 %
式中： C R I i , t表示第 i个城市在 t时间的城市恢复力指数。其他变量同2.3.1中所述。

2.4 模型构建与变量选取

2.4.1 模型选取

计量回归模型是探索变量相关性的常用方 法[9,29-30],是进行影响因素分析的基础。为探索城际出行恢复力的影响因素,本研究采用多元线性回归模型（OLS）进行拟合。回归分析用以估算自变量和因变量之间的定量关系,多元线性回归模型通过线性函数拟合自变量和因变量的关系。设 X为自变量（包含核心解释变量和控制变量）, Y为因变量,则 Y和 X的关系可以表达为：
Y = β 0 + ∑ i = 1 k β i X i + ε
式中： β 0 为 常 数 ； ε是假定服从正态分布的随机误差项; k表示回归自变量的个数。

2.4.2 变量选择

前文所述指标均为反映城市恢复力的特征指标,但具体侧重有所不同。由于实际中往往更为关心城市恢复到原先水平的能力,故采用恢复指数（CRI）作为因变量。由于城市恢复力指标基于出行数据构建,而根据经典引力模型可知,城际出行与目的地城市吸引力规模和城际间的联系成本相关[33]。在实际中,这种作用则体现为社会经济规模和交通条件。参考经济地理学相关研究[34-35],并结合模型拟合的实际效果,最终确定7个核心解释变量。其中,反映城市经济发展水平的指标包含人均GDP、城镇化率和第三产业比重,分别反映了城市生产力水平、城市化水平以及城市产业结构。由于人均GDP等数据分布的右偏性,在回归中对其采用取对数处理。另外,据先前研究表明,产业结构等经济数据与城际出行可能具有U型关系[9],故对产业结构和人均GDP引入二次项。反映交通发展水平的指标包含有无高铁、有无机场以及高速里程,表征城市航空、铁路和公路运输的能力。为考虑疫情影响,将城市爆发疫情当天的疫情确诊病例数量作为解释变量,反映疫情的严重程度。此外,为合理控制地理时空异质性而导致的随机误差,引入疫情波次作为时间的控制变量,引入城市所在地区作为空间的控制变量。表2反映了模型中的变量的具体描述和一般统计值。
表2 变量选择及描述性统计

Tab. 2 Main variables and statistics

变量类型 变量名 变量描述 均值 标准差 最小值 最大值
因变量 恢复指数(CRI) 疫情后城市迁出指数恢复至正常时期的比率/% 0.628 0.317 0.190 1.742
自变量
（解释变量）		 人口(pop) 常住人口数量（Ln） 6.26 0.96 2.27 8.04
人均GDP
(pGDP)		 人均GDP(Ln) 11.19 0.581 9.843 12.22
第三产业占比
(industry)		 第三产业产值占比/% 54.50 11.33 37 83.52
城市化率
(city)		 城市化率/% 65.45 16.39 37.90 100
高铁频次
(railway)		 城市每日高铁频次(Ln) 5.225 1.219 0.693 7.015
机场可达性
(air)		 城市及周边20 km内有无通航机场(0,1) 0.910 0.288 0 1
公路客运量
(highway)		 公路客运量(Ln) 8.307 1.148 3.572 10.95
疫情严重程度(COVID) 全国确诊病例人数(Ln) 3.94 0.63 2.20 4.82
本地疫情持续时长/d 20.31 9.51 7 71
自变量
（控制变量）		 地理区位(loc) 东部(east) 位于东部地区(0,1) 0.359 0.483 0 1
中部(middle) 位于中部地区(0,1) 0.244 0.432 0 1
西部(west) 位于西部地区(0,1) 0.244 0.432 0 1
疫情波次
（time）		 第二波
(second)		 第二波疫情(0,1) 0.423 0.497 0 1
第三波
(third)		 第三波疫情(0,1) 0.0769 0.268 0 1
第四波
(second)		 第四波疫情(0,1) 0.359 0.483 0 1

注：变量东部、中部、西部均为0则位于东北地区;变量第二波、第三波、第四波均为0则为第一波疫情。

3 阶段性疫情下的城际出行恢复时空特征

3.1 疫情波次划分与阶段性特征

本研究以中高风险地区划定作为城市恢复力的时间判据,以城市为单位,以中高风险地区划定和解除为时间节点,截取城市在疫情下的人口迁徙指数时序变化数据。该数据具有重要的现实意义：划分中高风险地区是针对不同地域分级管理的重要手段,各级防控政策均把来自中高风险地区所在城市的人员列为重点管控对象,中高风险地区所在城市也相应对出行人员设置门槛。
后疫情时代,疫情具有明显的阶段性特征,含中高风险地区的城市变化也呈现出周期现象。疫情的波次形式为城市恢复的差异分析和模式识别提供了条件。图2刻画了2021年全国中高风险地区数量与新增病例数量的时序变化情况,反映出疫情呈阶段性波动的一般性规律,据此将2021年的疫情划分为4个波次（表3）。除去2020年延续至年初的疫情,2021年内发生的第一波疫情从5月14日开始,持续到7月5日,以六安、广州等为核心,波及合肥、佛山、湛江等,共涉及9个城市。第二波疫情从7月6日持续到9月9日,以南京、厦门、郑州等为核心,波及扬州、淮安、张家界、商丘等,共涉及33个不同城市。第三波疫情从9月10日至10月14日,以莆田、哈尔滨等为核心,波及厦门、泉州、漳州和绥化。第四波疫情从10月19日起持续至年末,以兰州、北京、成都等为核心,波及天水、常州等27个城市。
表3 2021年有中高风险区的城市疫情概况

Tab. 3 Overview of epidemic situation in cities with medium or high risk areas in 2021

波次 疫情核心城市 时间 发生疫情城市 数量/个
第一波 六安、广州 5月14日—7月5日 东莞、佛山、广州、合肥、六安、深圳、沈阳、营口、湛江 9
第二波 南京、厦门、
郑州		 7月6日—9月9日 北京、成都、大连、德宏州、海口、呼伦贝尔、淮安、黄冈、荆门、荆州、开封、泸州、绵阳、南京、厦门、商丘、上海、沈阳、宿迁、武汉、湘潭、湘西州、许昌、烟台、扬州、宜宾、益阳、张家界、长沙、郑州、株洲、驻马店 32
第三波 莆田、哈尔滨 9月10日—10月14日 哈尔滨、莆田、泉州、厦门、绥化、漳州 6
第四波 兰州、北京、
成都		 10月19日—12月31日 阿拉善盟、北京、常州、成都、大连、德宏州、广州、哈尔滨、杭州、黑河、呼和浩特、呼伦贝尔、兰州、宁波、齐齐哈尔、日照、上海、石家庄、天水、通辽、锡林郭勒盟、银川、张掖、郑州、重庆、周口、遵义 27

注：数据源于国家卫健委（ http://www.nhc.gov.cn）实时发布的中高风险区情况。

图2 中高风险地区及新增病例时序变化

Fig. 2 Time series change of cities with medium or high risk areas and new cases of COVID-19

3.2 不同波次疫情下的城际出行恢复力特征

后疫情时代,全国各地应对疫情的经验逐渐积累,应对措施越加有效,居民适应能力增强,城市韧性有所提高[36]。分不同波次统计不同时段疫情城市的恢复力指标,结果如表4所示。第一波疫情影响相对较轻,表现出低波动比率、低恢复比率、高恢复弹性、高恢复指数的特征。第二波疫情影响相对严重,影响范围较广,波动比率高而恢复比率低,恢复弹性和恢复指数较低。第三波疫情为局部疫情,波动比率和恢复比率较高,但恢复指数一般。第四波是较为严重的疫情,涉及城市较多。相较于第二波疫情,第四波疫情具有更低的波动比率、更高的波动比率、恢复弹性和恢复指数,反映了随时间增加城市韧性和恢复力增长的趋势。综合来看,由于不同波次疫情涉及城市的等级和区位条件不同,导致城市恢复力指标具有较大的差异,但整体而言,先前发生的疫情为防疫工作提供了经验,有助于增强城市应对疫情的能力,从而提升城市恢复力。从长时间来看,在疫情传播能力不发生显著变化的前提下,城市随时间增加将呈现恢复力递增的趋势。
表4 时间分异视角的恢复力指标

Tab. 4 Recovery ability indexes from time differentiation view (%)

波次 波动比率 恢复比率 恢复弹性 恢复指数
均值 中位数 均值 中位数 均值 中位数 均值 中位数
第一波 40.5 41.6 33.5 36.7 90.5 90.5 82.1 81.5
第二波 57.5 60.7 32.1 22.4 119.6 46.6 55.6 54.3
第三波 71.9 79.0 57.7 57.0 82.0 73.7 47.9 39.0
第四波 52.4 53.0 41.7 44.9 140.4 78.9 67.0 65.3

3.3 城际出行恢复力的空间格局及差异

疫情期间城际出行变化呈现鲜明的空间分异。如图3所示,沿海地区尤其是城市群地区（长三角、珠三角、环渤海）相对于内陆尤其是西北地区,显示出低波动比率、高恢复比率、高恢复指数、高恢复弹性的特征,南方城市恢复指数和弹性较北方稍高。综合考虑4个指标,恢复力较高的城市主要包括上海、保定、东莞、深圳等,主要是具备一定经济规模的大城市和区域中心城市;恢复力仍需加强的城市主要包括张掖、驻马店、大连、阿拉善盟、张家界、呼伦贝尔等城市,主要是中小城市和旅游城市。北京、上海、深圳、成都等中心城市展现出了较低波动性和较高的恢复水平,其出行量基数大、稳定性高,受疫情扰动时韧性更强。阿拉善盟、张掖等中小城市人口迁徙量和服务功能有限,张家界等旅游城市在面临强扰动后主体出行人口难以迅速恢复。另一方面,许昌、天水等部分城市因其较少的流量基数、较弱的对外联系,反而体现出了更强的恢复力。
图3 城际出行恢复力的空间分布

Fig. 3 Spatial characteristics of recovery ability indexes

总体上,波动比率在全国分布较为均衡,反映了疫情爆发对城际出行影响的一般性作用。大多数城市波动比率在0.25~0.75之间,东部沿海、中西部局部地区波动比率较高,在0.75以上。恢复比率与波动比率空间分布较为一致但相对不均衡,反映了疫情恢复阶段不同城市的差距。东部和中部地区部分城市恢复比率较高,普遍在0.75以上,而西部地区部分城市恢复比率较低,在0.25以下。恢复指数和恢复弹性均表现出空间不均衡性,反映了城市恢复力的差异。恢复弹性总体上表现出东部和中部高于西部和东北的格局,恢复指数则表现出区域中心城市高、其他城市较低的格局。
从空间分析的视角看（表5）,东部地区城际出行量基数最大,波动值绝对量大,但波动比率最低,表现出较好的城市韧性。其恢复比率稍次于中部地区和东北地区,恢复指数和弹性均远超中部、西部和东北地区。中部地区和东北地区波动比率高,恢复比率也高,因此显示出较高的恢复指数和弹性。西部地区迁徙指数绝对量较低,恢复比率最小,恢复指数和恢复弹性也较低。其中,恢复指数总体上显示出东部-西部-中部-东北依次减弱的空间格局,反映了城市恢复力的空间差异,这与地区的经济社会发展水平、增速呈现出一定关联性。此外,城市恢复力空间格局与边境相关,如东北地区面临境外疫情风险较高,导致其恢复指数较低。
表5 空间分异视角的时序指标

Tab. 5 Time series indexes from spatial differentiation view (%)

区域 波动比率 恢复比率 恢复弹性 恢复指数
均值 中位数 均值 中位数 均值 中位数 均值 中位数
东部 50.9 50.1 36.3 36.1 81.2 68.3 69.4 66.4
中部 58.2 63.8 41.6 38.7 169.8 75.9 60.7 55.8
西部 52.1 54.5 34.3 33.4 82.6 58.3 57.2 56.6
东北 58.5 64.1 40.3 40.9 191.3 73.8 59.9 46.9

4 疫情影响下居民城际出行恢复时序模式分析

4.1 “韧性三角形”典型模式

系统受到干扰后的恢复模式表现出一定的规律性,可用Bruneau“韧性三角形”解释[37],反映交通系统的可靠性、脆弱性和韧性[38-39]。疫情防控逐渐常态化的背景下,城市的应对和恢复趋于模式化,城际出行变化的时序模式基本符合“韧性三角形”模式。但与传统“韧性三角形”模式不同,城市应对疫情时受到的干扰表现为本地疫情开始传播和划定中高风险地区的政策2个方面,客观上表现为两次干扰过程。疫情影响下的城际出行变化模式具有5个一般性节点,分别对应本地疫情的传播、结束与中高风险地区的划定、解除,以及恢复至稳定水平。
图4反映了疫情城市出行恢复的一般模式。图4(b)中A点表示疫情开始的时间节点,与“韧性三角形”模式中的“干扰点”对应,A点的值表征城市疫情前正常状态;B点为划定中高风险区当日,表征管制开始施行,视为第二次“干扰点”;C点为疫情期间人口迁徙量最低日,是疫情对城市影响最严重的节点,此后城市运行缓慢复苏,是开始由干扰期进入恢复期的拐点,可近似认为是本地疫情结束或部分结束的节点;D点位中高风险地区全部解除当日,是恢复过程中的第二个拐点;E点为恢复基本完成的时间节点。相较于基准值,疫情初期城际出行在疫情传播先小幅减少（AB段）,随着中高风险地区的划定,后快速降至最低点（BC段）。在疫情平稳后,城际出行缓慢恢复。从无本地新增疫情到解除风险区限制一般需要14 d,期间城市恢复较慢（CD段）。解除风险区后,城市逐渐恢复至稳定水平（DE段）。
图4 疫情影响下的城际出行恢复模式与恢复机制

Fig. 4 Modes and Mechanism of intercity travel affected by the COVID-19 epidemics

在本地疫情传播初期,企业、居民等行为主体出于公共卫生意识及自身安全考虑,自发减少外出,使城市运行开始减缓,但由于跨城工作、通勤和生活需要,日常迁徙受扰动较小。随着疫情态势越发严重,当地政府迅速实施管制措施,划定中高风险区,以行政手段强制减少人口迁徙行为,要求居家办公、非必要不外出等,此时城市运行大幅受限,人口迁徙量自规定之日起骤降。在强力管控措施下,疫情得到控制且连续多日无新增病例时,城市人口迁徙量将缓慢回弹,城市功能缓慢复苏,但因处于中高风险地区管制状态,恢复幅度有限且不稳定性强。中高风险地区全部降为为低风险后,限制政策基本解除,人口流动有序恢复,城市运行逐步恢复正常。

4.2 城际出行波动的时序模式识别

识别城市恢复的时序模式,即要回溯起因,识别城市在疫情中的状态类型。城市在应对疫情和恢复过程中,不可避免会受到外界因素的扰动,而城市之间依赖性的强弱很大程度上决定了城市恢复情况的表征。若城市在自身面对疫情的同时,较多地受到其他中高风险地区所在城市的影响,则该城市的恢复上限必然降低,致使恢复力产生显著差异,时序曲线产生明显波动。
疫情传播可分为邻近、迁移、等级、廊道4种模式[4],对应到特定城市的恢复状态,则可归纳为本地疫情型、通道迁移型、邻近传播型、等级传导型4类。本地疫情即疫情在该城市爆发,过程中仅在本地传播。通道迁移型由迁移和廊道模式合并而来,是因为通过廊道和迁移方式传播引致疫情的城市,其恢复对传播来源城市的依赖均有限,人口迁徙强度的相互依赖性不强,如2021年7月长沙到北京的廊道传播和张家界到淮安的迁移传播。邻近传播型和等级传导型分别强调地理相近和等级辐散导致的疫情模式。概言之,根据依赖性不同,前两者为独立型,后两者为关联型,独立型通过疫情的扩散而转为关联型恢复模式。
对应于城市恢复,总结为5种时序模式：相对独立型、中间波动型、起点关联型、终点关联型、双向受制型（图5）。相对独立型与独立型相对应,指城市应对疫情全程中不受或较少受其他城市干扰的自由恢复模式。中间波动型是城市在应对疫情的时序过程中受到外界影响,但在疫情前后均不受扰动的模式,因其双侧不受干扰,在端点处取值与独立型的恢复相近。这一类型往往是疫情发源地,本地疫情向外传播,又在过程中反作用于该城市。起点关联型和终点关联型分别指城市仅在应对疫情前或后受到其他关联城市干扰的模式。双向受制型则是指在城市应对疫情前后均受外界扰动的强关联模式。双向受制型模式在城市恢复过程中长期受外界扰动,可视作相对独立型模式的低位近似。
图5 从疫情传播到出行恢复的时序模式识别

Fig. 5 Temporal pattern recognition from epidemic spread to travel recovery

将样本按城市恢复的时序类型进行划分,得到迁徙指数平均值的平滑线（图6）和时序指标（表6）。平滑线直观反映了5种时序模式的差异。起点关联型近似“√”形,呈现明显的前低后高。起点关联型城市在本土疫情出现前已经受到周边其他城市疫情的影响,表现出起初低水平,但在后期不受外界影响后快速上升的模式。其恢复指数高、弹性大。终点关联型状似斜“L”形,起初受周边疫情影响较小,起点高于起点关联型,但受制于后期外界干扰,逐渐向相对独立型和中间波动型靠拢,恢复比率低、弹性最小。中间波动型形似深“v”形,疫情初期与相对独立型较为接近,在C点处拉开差距落至最低点,随后又向相对独立型贴近,波动量大、弹性较高。高“U”形的相对独立型曲线整体居中,与双向受制型的曲线走向近似,但低“U”形双向受制型曲线相对下移,除C点外均处于最低位,恢复水平稍弱。
图6 城际出行时序变化模式

Fig. 6 Temporal variation modes of intercity travel

表6 5种时序模式的指标特征

Tab. 6 Indexes of five time series patterns (%)

时序模式 波动比率 恢复比率 恢复弹性 恢复指数
均值 中位数 均值 中位数 均值 中位数 均值 中位数
相对独立型 52.74 54.47 35.33 33.37 62.40 72.74 74.48 64.46
中间波动型 72.78 73.69 55.00 45.59 55.21 75.87 74.84 54.75
起点关联型 37.83 29.10 52.08 45.40 103.33 145.10 303.87 92.85
终点关联型 58.68 64.77 25.04 21.44 48.89 37.58 39.81 47.14
双向受制型 52.17 54.91 32.17 34.22 55.77 68.33 71.74 44.13
尽管疫情具有明显波次和跨城扩散特征,但就城市分布而言,相对独立性模式对应城市最为集中,归因于廊道和迁移的疫情传播模式分布广泛,共包含24个城市,表明多数城市能控制住疫情扩散范围,降低其对周边的影响。双向受制型模式分布较广,涉及16个城市;起点关联型和终点关联型分别涉及13和11个城市,体现出疫情中关联城市疫情的长时性和延续性。此外,中间波动型城市较少,仅有10个城市（表7）。
表7 5种时序模式及城市范围

Tab. 7 Five temporal patterns and corresponding cities

时序模式 曲线形状 特征 城市范围 数量/个
相对独立型 高“U”形 自由恢复,整体居中 德宏州（4月、7月、11月）、沈阳（7月）、成都（7月、11月）、宜宾、大连（7月、11月）、黄冈、泸州、湘潭、益阳、海口、烟台、上海（8月初）、北京（8月、10月）、呼伦贝尔（8月）、遵义、银川、日照、常州、重庆、上饶、宿州、黑河、石家庄、哈尔滨（12月） 24
中间波动型 深“V”形 波动较大,弹性较高 六安、营口、张家界、厦门（7月）、郑州（7月、11月）、武汉、莆田、哈尔滨（9月）、阿拉善盟、呼伦贝尔（11月） 10
起点关联型 “√”形 恢复多,弹性高 沈阳（5月）、深圳、东莞、扬州、荆门、开封、上海（8月末）、天水、绍兴、周口、齐齐哈尔 11
终点关联型 斜“L”形 恢复少,弹性小 合肥、广州（5月、12月）、淮安、株洲、南京、绵阳、宿迁、湘西州、荆州、兰州、锡林郭勒盟、宁波、上海（11月） 13
双向受制型 低“U”形 位序低,曲线缓 保定、佛山、湛江、长沙、商丘、驻马店、许昌、泉州、厦门（9月）、漳州、绥化、张掖、呼和浩特、哈尔滨（10月）、杭州、通辽 16

注：由于中高风险地区划定政策,本次研究不包括香港、台湾和澳门。

针对5种时序模式,选取日照、六安、天水、南京、通辽5个典型城市,绘制其从节点A到节点E人口迁徙指数随时间变化的完整时序图（图6）,与前文所述的模式特征相吻合。

5 居民城际出行恢复力的影响因素分析

基于前文构建的回归模型通过F检验（p值<0.01）,R2为0.57,模型拟合良好。
根据模型结果可知（表8）,人均GDP和产业结构2个关键解释变量的一次项和二次项系数均在5%水平下显著,其中,一次项系数为负,二次项系数为正,表明城际出行恢复力可能与人均GDP和产业结构呈现U型关系,即随着人均GDP和第三产业比重增加,城际出行恢复力先减小后增加。在实际中,人均GDP和第三产业比重与经济发展水平密切相关。经济发展水平低的地方,居民城际出行能力较低,恢复至原有水平相对容易,表现出高的城际出行恢复力。随着居民城际出行能力的增加,经济发展水平对城际出行的支撑作用逐渐凸显,经济发展水平中等的地方城际出行恢复较慢,而经济发展水平高的地方城际出行恢复较快,由此便形成了U型的关系。
表8 主要变量系数和显著性

Tab. 8 Coefficients and significance of main variables

变量名 系数 显著性 变量名 系数 显著性
人口(pop) 0.113 0.139 疫情严重程度(COVID)
人均GDP(pGDP) -5.631(**) 0.027 全国确诊病例人数 -0.128 0.837
人均GDP二次项(pGDP^2) 0.234(**) 0.044 本地疫情时长 -0.0035 0.476
地理区位(loc)
第三产业占比(industry) -0.0704(**) 0.019 东部(east) 0.0977 0.402
第三产业占比二次项(industry^2) 0.0004(**) 0.032 中部(middle) 0.0129 0.912
城镇化率(city) 0.0022 0.542 西部(west) -0.0471 0.679
疫情波次(time)
高铁频次(railway) 0.127(**) 0.019 第二波(second) -0.117 0.261
机场可达性(air) 0.309(***) 0.009 第三波(third) -0.333(**) 0.037
公路客运量(highway) -0.117(**) 0.011 第四波(second) -0.020 0.854

注：**表示在0.05水平下显著;***表示在0.01水平下显著。

反映交通水平的关键解释变量中,高铁和航空与城际出行恢复力具有显著的正相关关系,分别在5%和1%水平下显著。每日高铁频次增加1倍,城际出行恢复力提高0.127;拥有周边通航机场的城际出行恢复力提高0.309。然而,公路客运量与城际出行恢复力具有负相关关系。交通水平对城市恢复力的影响主要有2种方式：① 交通水平高的城市受疫情冲击较大,城际出行剧烈减少,恢复较为困难;② 交通设施对城市疫情后出行恢复具有支撑和促进的作用,良好的基础设施有助于在疫情恢复阶段保障城市城际出行的快速恢复,从而促使城际出行恢复力的提高。前者的作用导致交通设施对恢复指数的相关性可能表现出负相关,而后者则导致正相关。由于高铁和航空服务于长距离出行,是城际出行的主要方式,对于疫情后出行恢复具有较好高的促进能力,故整体表现为正相关。公路客运则主要针对短途出行,作为城际出行的方式服务能力有限,在疫情后对出行恢复的促进能力不足,不足以使其恢复至原本较高的水平,从而表现出负相关。
其他变量的统计证据尚不足够,但也能反映一定的趋势。人口增加1倍,恢复力指数倾向增加0.113。可能的原因是人口规模大的城市城际出行能力较强,故恢复力相对较高。疫情严重程度与城际出行恢复力呈现负相关关系,全国确诊病例人数增多,本地疫情时长增长,疫情趋于严重时,城际出行恢复力下降。

6 讨论

本研究为应用时空大数据分析后疫情时代城市恢复的模式和机理提供了研究思路,从与城市运行和人口流出关联密切的分级风险区划定入手,视角新颖。研究构建了波动比率、恢复比率、恢复弹性和恢复指数4个恢复力评价指标,为评价阶段性疫情下城际出行恢复的时空特征提供了新方法,为城市交通研究提供了新思路。研究基于Bruneau“韧性三角形”经典理论,构建疫情下的城市恢复时序模式模型,对原有模型进行改进,并基于时空大数据进行验证,由此归纳出相对独立型、中间波动型、起点关联型、终点关联型、双向受制型5种模型,丰富了韧性三角形经典理论在实际应用中的内涵。本研究用计量模型定量分析交通设施对恢复力的影响,是城市交通理论中交通设施对城市发展和恢复的支撑作用的一次实证探究。
研究仍有一定的局限性：选取几个时间节点的出行数据作为指标测算基准,但具体的时间节点因周末、节假日或工作日等属性不同,可能引起结果的误差;城际出行恢复模式的形成机制有待进一步探讨,如起点关联型表现出前低后高的模式,除了在疫情前受到周边其他城市影响的因素外,也可能与具体的时间节点的特殊性有关;疫情期间恢复指数（CRI）存在一定波动,如工作日和周末存在一定差别,其作为反映城际出行恢复力的被解释变量有一定的不确定性;城际出行恢复力与经济发展变量的U型关系具有一定的合理性,但其理论基础需要统计学的验证;城市防疫措施因素对城市恢复力的定量关系仍有待进一步研究;此外,交通设施对城际出行恢复力的影响机制仍有待进一步探明,其中公路与恢复力呈现负相关关系,可能与指标和数据的误差有关,有待进一步检验。随时间变化,各个城市应对疫情的经验在不断积累,恢复能力不断提升;与之相对,病毒传播能力、毒性不断更新,为城市恢复带来新的挑战。Beta、Delta和2021年11月发现的Omicron等变异毒株[40]需要与时俱进的应对策略,而本研究的计量模型构建基于现有的几次疫情,对后续疫情的解释能力有待进一步检验。

7 结论

本研究基于迁徙大数据,着眼于后疫情时代的几次局部疫情,从多重视角分析疫情对城市的影响,选取节点刻画疫情下城市恢复的一般模式和恢复力的时空格局,总结城市恢复的时序模式,并探究城际出行恢复力的影响因素。研究表明：
（1）2021年的疫情具有明显的波次性,共可划分为4波。其中,第一波疫情和第三波疫情波及地区较少,主要在云南、广州、福建、哈尔滨等局部地区。第二波疫情和第四波疫情较为严重,波及地区较多,分别涉及33和27个不同的城市。
（2）构建波动比率、恢复比率、恢复弹性和恢复指数的指标体系,有助于科学评价城际出行恢复力。中国城际出行恢复力表现出一定的时空差异性,时间上存在由近期至远期依次减弱的大致趋势,空间上沿海地区优于内陆地区,区域中心城市优于边缘地区。整体上,东部地区城际出行恢复力最好,西部地区和中部地区其次,东北地区仍待加强。
（3）疫情城市的城际出行时序模式基本符合“韧性三角形”典型模式,但由于城市受到疫情和中高风险地区划定两次干扰,包含了两次干扰和恢复的特征性节点,其具体模式与传统模式具有一定的差异。综合考虑疫情传播规律和城市恢复指标变化情况,城市恢复的时序模式可概括为相对独立型、中间波动型、起点关联型、终点关联型、双向受制型5种模式。其中,相对独立型模式最为普遍,反映了多数城市能将疫情控制在局部,降低其对周边的影响。起点关联型和终点关联型模式较多,反映疫情传播的持续影响性。
（4）城际出行恢复力受到复杂因素的影响。在控制疫情波次和区域变量的情况下,经济、交通等因素对城际出行的恢复具有显著影响。人均GDP和产业结构与城际出行恢复力可能具有U型关系,在经济发展到达一定水平时,经济对城际出行恢复的支撑作用逐渐凸显。高铁和机场与城际出行恢复力存在正向相关关系,在促进城市城际出行恢复中发挥着重要作用;公路与城际出行恢复力表现为负向相关关系,受疫情冲击严重而恢复促进作用不足。
后续研究可以进一步挖掘后疫情时代下疫情恢复的时空过程与格局,总结时空模式与机理;优化恢复力指标,考虑时间序列中不同时间节点的特殊性;加强对影响因素的分析,尤其是对疫情和防疫措施影响的因素,完善计量模型;针对最新的变异毒株和疫情情况,及时跟进研究,为疫情常态化背景下的的城市疫情防控和经济发展提供科学依据和指导。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
童昀, 马勇, 刘海猛. COVID-19疫情对中国城市人口迁徙的短期影响及城市恢复力评价[J]. 地理学报, 2020, 75(11):2505-2520.

DOI

[ Tong Y, Ma Y, Liu H M. The short-term impact of COVID-19 epidemic on the migration of Chinese urban population and the evaluation of Chinese urban resilience[J]. Acta Geographica Sinica, 2020, 75(11):2505-2520. ] DOI: 10.11821/dlxb202011017

DOI

[2]
潘家栋. 新冠肺炎疫情对经济发展的影响及对策——以浙江省为例[J]. 决策咨询, 2021(03):72-76,80.

[ Pan J D. Impact of COVID-19 on economic development and countermeasures: A case study of Zhejiang Province[J]. Decision-Making & Consultancy, 2021(3):72-76,80. ] DOI: 10.3969/j.issn.1006-3404.2021.03.018

DOI

[3]
刘帅. 新冠肺炎疫情对中国区域经济的影响[J]. 地理研究, 2021, 40(2):310-325.

DOI

[ Liu S. The impact of COVID-19 on China's Regional economy[J]. Geographical Research, 2021, 40(2):310-325. ] DOI:10.11821/dlyj02020 0669

DOI

[4]
王姣娥, 杜德林, 魏冶, 等. 新冠肺炎疫情的空间扩散过程与模式研究[J]. 地理研究, 2020, 39(7):1450-1462.

DOI

[ Wang J E, Du D L, Wei Y, et al. The development of COVID-19 in China: spatial diffusion and geographical pattern[J]. Geographical Research, 2020, 39(7):1450-1462. ] DOI: 10.11821/dlyj020200329

DOI

[5]
Lu J, Lin A, Jiang C, et al. Influence of transportation network on transmission heterogeneity of COVID-19 in China[J]. Transportation Research Part C, 2021, 129:103231. DOI: 10.1016/j.trc.2021.103231

DOI

[6]
Zhou Y, Xu R, Hu D, et al. Effects of human mobility restrictions on the spread of COVID-19 in Shenzhen, China: a modelling study using mobile phone data. The Lancet Digital Health[J], 2020, 2(8):417-424. DOI: 10.1016/S2589-7500(20)30165-5

DOI

[7]
Wei Y, Wang J, Song W, et al. Spread of COVID-19 in China: Analysis from a city-based epidemic and mobility model[J]. Cities, 2021, 110: 103010. DOI: 10.1016/j.citie s.2020.103010

DOI

[8]
Silvia M, Olena S, Oleg Y. Determinants of the community mobility during the COVID-19 epidemic: The role of government regulations and information[J]. Journal of Economic Behavior and Organization, 2021, 184:199-231. DOI: 10.1016/j.jebo.2021.01.023

DOI PMID

[9]
Li T, Wang J, Yang W, Chen Z. Exploring the dynamic impacts of COVID-19 on intercity travel in China. Journal of Transport Geography[J]. 2021, 95:103153. DOI: 10.10 16/j.jtrangeo.2021.103153

DOI

[10]
孙久文, 孙翔宇. 区域经济韧性研究进展和在中国应用的探索[J]. 经济地理, 2017, 37(10):1-9.

[ Sun J W, Sun X Y. Research progress of regional economic resilience and exploration of its application in China[J]. Economic Geography, 2017, 37(10):1-9. ] DOI: 10.15957/j.cnki.jjdl.2017. 10.001

DOI

[11]
王永贵, 高佳. 新冠疫情冲击、经济韧性与中国高质量发展[J]. 经济管理, 2020, 42(5):5-17.

[ Wang Y G, Gao J. Shocks of 2019-nCoV, economic resilience and China's high quality development[J]. Business Management Journal, 2020, 42(5):5-17. ] DOI: 10.19616/j.cnki.bmj.2020.05.001

DOI

[12]
邵亦文, 徐江. 城市韧性:基于国际文献综述的概念解析[J]. 国际城市规划, 2015, 30(2):48-54.

[ Shao Y W, Xu J. Urban resilience: A conceptual analysis based on international literature review[J]. Urban Planning International, 2015, 30(2):48-54. ] DOI: CNKI:SUN:GWCG.0.2015-02-009

DOI

[13]
方东平, 李在上, 李楠, 等. 城市韧性——基于“三度空间下系统的系统”的思考[J]. 土木工程学报, 2017, 50(7):1-7.

[ Fang D P, Li Z S, Li N, et al. Urban resilience: a perspective of system of systems in trio spaces[J]. China Civil Engineering Journal, 2017, 50(7):1-7. ] DOI: 10.15951/j.tmgcxb.2017.07.001

DOI

[14]
裴韬, 王席, 宋辞, 等. COVID-19疫情时空分析与建模研究进展[J]. 地球信息科学学报, 2021, 23(2):188-210.

DOI

[ Pei T, Wang X, Song C, et al. Review on spatiotemporal analysis and modeling of COVID-19 pandemic[J]. Journal of Geo-Information Science, 2021, 23(2):188-210. ] DOI: 10.12082/dqxxkx.2021.200434

DOI

[15]
Huang C L, Wang Y M, Li X W, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China[J]. Lancet, 2020,395(10223): 497-506. DOI:10.1016/ S0140- 6736(20)30183-5

[16]
Lin Q S, Hu T J, Zhou X H. Estimating the daily trend in the size of the COVID-19 infected population in Wuhan[J]. Infectious Diseases of Poverty, 2020, 9(1):69. DOI: 10.1186/s40249-020-00693-4

DOI

[17]
Desjardins M R, Hohl A, Delmelle E M. Rapid surveillance of COVID-19 in the United States using a prospective space-time scan statistic: Detecting and evaluating emerging clusters[J]. Applied Geography, 2020, 118:102202. DOI: 10.1016/j.apgeog.2020.102202

DOI

[18]
Wu J T, Leung K, Leung G M. Nowcasting and forecasting the potential domestic and international spread of the 2019-nCoV outbreak originating in Wuhan, China: a modelling study[J]. Lancet, 2020, 395(10225):689-697. DOI: 10.1016/S0140-6736(20)30260-9

DOI PMID

[19]
李涛, 李国平, 薛领. 基于系统动力学的新冠肺炎疫情影响北京经济发展的模拟仿真分析[J]. 地理科学, 2022, 42(2):244-255.

DOI

[ Li T, Li G P, Xue L. Simulation of the impact of COVID-19 on Beijing's economic development based on system dynamics[J]. Scientia Geographica Sinica, 2022, 42(2):244-255. ] DOI: 10.13249/j.cnki.sgs.2022. 02.006

DOI

[20]
王博云, 刘天禹, 李露凝, 等. 中国COVID-19疫情扩散的时空模式及影响因素[J]. 地理学报, 2022, 77(2):443-456.

DOI

[ Wang B Y, Liu T Y, Li L N, et al. Spatial and temporal patterns and factors influencing the spread of the COVID-19 pandemic in China[J]. Acta Geographica Sinica, 2022, 77(2):443-456. ] DOI: 10.11821/dlxb202202012

DOI

[21]
Zhang Y, Zhang A, Wang J. Exploring the roles of high-speed train, air and coach services in the spread of COVID-19 in China[J]. Transport Policy. 2020(94):34-42. DOI: 10.1016/j.tranpol.2020.05.012

DOI

[22]
Li T, Rong L, Zhang A. Assessing regional risk of COVID-19 infection from Wuhan via high-speed rail[J]. Transport Policy, 2021(106):226-238. DOI: 10.1016/j.tranpol.2 021.07.012

DOI

[23]
程昌秀, 史培军, 宋长青, 等. 地理大数据为地理复杂性研究提供新机遇[J]. 地理学报, 2018, 73(8):1397-1406.

DOI

[ Cheng C X, Shi P J, Song C Q, et al. Geographic big-data: A new opportunity for geography complexity study[J]. Acta Geographica Sinica, 2018, 73(8):1397-1406. ] DOI: 10.11821/dlxb201808001

DOI

[24]
Xu J, Li A Y, 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. DOI: 10.1016/j.apgeog.2017.07.014

DOI

[25]
刘张, 千家乐, 杜云艳, 等. 基于多源时空大数据的区际迁徙人群多层次空间分布估算模型——以COVID-19疫情期间自武汉迁出人群为例[J]. 地球信息科学学报, 2020, 22(2):147-160.

DOI

[ Liu Z, Qian J L, Du Y Y, et al. Multi-level spatial distribution estimation model of the inter-regional migrant population using multi-source spatio-temporal big data: A case study of migrants from Wuhan during the spread of COVID-19[J]. Journal of Geo-Information Science, 2020, 22(2):147-160. ] DOI: 10.12082/d qxxkx.2020.200045

DOI

[26]
赵梓渝, 赵世瑶, 韩钟辉, 等. COVID-19疫情对中国节日人口城际出行影响研究[J]. 人文地理, 2022, 37(2):141-149,172.

[ Zhao Z Y, Zhao S Y, Han Z H, et al. The impact of the COVID-19 pandemic on Intercity travel during Chinese festivals[J]. Human Geography, 2022, 37(2):141-149,172. ] DOI: 10.1 3959/j.issn.1003-2398.2022.02.017

DOI

[27]
谭波, 秦思娴, 罗名海, 等. 基于手机信令数据的武汉市居民出行疫后恢复分析[J]. 城市勘测, 2021(5):70-74.

[ Tan B, Qin S X, Luo M H, Li P P. Recovery analysis of Wuhan resident travel after epidemic based on mobile phone signaling data. Urban Geotechnical Investigation & Surveying[J]. 2021(5):70-74. ] DOI: 10.3969/j.issn.1672-82 62.2021.05.015

DOI

[28]
杨冕, 谢泽宇. 新冠肺炎疫情防控对中国人口流动的影响——基于百度地图迁徙大数据的实证研究[J]. 人口研究, 2020, 44(4):74-88.

[ Yang M, Xie Z Y. Impacts of fighting COVID-19 on China's population flows: An empirical study based on Baidu migration big data[J]. Population Research, 2020, 44(4):74-88. ] DOI:

[29]
陈晓, 黄宇金, 李佳慧, 等. COVID-19疫情时空聚集性特征及影响因素分析——以重庆市为例[J]. 地理科学进展, 2020, 39(11):1798-1808.

DOI

[ Chen X, Huang Y J, Li J H, et al. Clustering characteristics of COVID-19 cases and influencing factors in Chongqing Municipality[J]. Progress in Geography, 2020, 39(11):1798-1808. ] DOI: 10.1 8306/dlkxjz.2020.11.002

DOI

[30]
赵序茅, 李欣海, 聂常虹. 基于大数据回溯新冠肺炎的扩散趋势及中国对疫情的控制研究[J]. 中国科学院院刊, 2020, 35(3):248-255.

[ Zhao X M, LI X H, Nie C H. Backtracking transmission of COVID-19 in China based on gig data source, and effect of strict pandemic control policy[J]. Bulletin of Chinese Academy of Sciences, 2020, 35(3):248-255. ] DOI: 10.16418/j.issn.1000-3045.202002 10002

DOI

[31]
许泽宁, 吴建南, 高晓路. 疫情分级分类管控机制的优化策略研究——以新冠肺炎疫情为例[J]. 城市发展研究, 2020, 27(7):5-10,89.

[ Xu Z N, Wu J N, Gao X L. Research on the optimization of region-specific and multi-level management mechanism for epidemic prevention and control: taking COVID-19 as an example[J]. Urban development research, 2020, 27(7):5-10,89. ] DOI: 10.39 69/j.issn.1006-3862.2020.07.002

DOI

[32]
刘勇, 杨东阳, 董冠鹏, 等. 河南省新冠肺炎疫情时空扩散特征与人口流动风险评估——基于1243例病例报告的分析[J]. 经济地理, 2020, 40(3):24-32.

[ Liu Y, Yang D Y, Dong G P, et al. The spatio-temporal spread characteristics of 2019 novel Coronavirus pneumonia and risk assessment based on population movement in Henan province: analysis of 1243 individual case reports[J]. Economic Geography, 2020, 40(3):24-32. ] DOI: 10.15957/j.cnki.jjdl.2020.03.004

DOI

[33]
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

DOI

[34]
张可云, 张颖, 王洋志, 等. 空间经济学视角下新冠肺炎疫情的时空扩散规律研究[J]. 经济纵横, 2020(11):84-95.

[ Zhang K Y, Zhang Y, Wang Y Z, et al. Research on the spatiotemporal diffusion law of COVID-19 from the perspective of spatial economics[J]. Economic Review, 2020(11):84-95. ] DOI: 10.16528/j.cnki.22-1054/f.2020 11084

DOI

[35]
魏冶, 修春亮. 城市网络韧性的概念与分析框架探析[J]. 地理科学进展, 2020, 39(3):488-502.

DOI

[ Wei Y, Xiu C L. Study on the concept and analytical framework of city network resilience[J]. Progress in Geograophy, 2020, 39(3):488-502. ] DOI: 10.18306/dlkxjz.2020.03.013

DOI

[36]
朱正威, 刘莹莹, 杨洋. 韧性治理:中国韧性城市建设的实践与探索[J]. 公共管理与政策评论, 2021, 10(3):22-31.

[ Zhu Z W, Liu Y Y, Yang Y. Resilient governance: practice and exploration of Resilient city construction in China[J]. Public Management and Policy Review, 2021, 10(3):22-31. ] DOI: 10.3969/j.issn.2095-4026.2021.03.003

DOI

[37]
Bruneau M, Chang S E, Eguchi R T, et al. A framework to quantitatively assess and enhance the seismic resilience of communities[J]. Earthquake Spectra. 2003(19):733-752. DOI: 10.1193/1.1623497

DOI

[38]
Gu Y, Fu X, Liu Z.Y. Performance of transportation network under perturbations: reliability, vulnerability, and resilience[J]. Transportation Research Part E-Logistics and Transportation Review. 2020, 133:101809. DOI: 10.1016/j.tre.2019.11.003

DOI

[39]
Zhou Y M, Wang J W, Yang H. Resilience of transportation systems: concepts and comprehensive review[J]. Ieee Transactions on Intelligent Transportation Systems, 2019(20):4262-4276. DOI: 10.1109/TITS.2018.2883766

DOI

[40]
冯晔囡, 宋洋, 王世文, 等. 全球新型冠状病毒变异株研究进展[J]. 病毒学报, 2021, 37(3):695-711.

[ Feng Y N, Song Y, Wang S W, et al. Research Advances in Global SARS-CoV-2 Variants[J]. Chinese Journal of Virology, 2021, 37(3):695-711. ] DOI: 10.13242/j.cnki.bingduxuebao.003975

DOI

Options
Outlines

/

〈 〉