疫情下中国省际人口流动网络的时空特征研究

詹成林 路兰

摘要：

将疫情防控划分为多个阶段，基于百度地图迁徙大数据平台，利用网络分析法，构建了各阶段的人口流动网络。通过对各阶段网络的密度、平均度等统计特征分析可知，中国的防控措施对遏制疫情扩散效果显著;由各阶段网络的中心性分析结果可知，省市的人口流动控制能力大小由该省市的度数中心度和中介中心度的共同决定;运用块模型分析方法，对各阶段网络进行板块划分。研究结果表明，疫情后东北板块成员之间关联程度减弱，成员内部向外关联减少;中西、华南、西南板块向外关联至华东板块趋势没有变化;凭借良好的疫情防控效果，其他板块向外溢出至西北板块的关联增多。

关键词：

疫情防控;人口流动网络;社会网络分析;百度地图迁徙大数据

中图分类号：C82

文献标志码：A

收稿日期：2021-03-17

基金项目：

国家社会科学基金（批准号：20BTJ028）资助。

通信作者：

路兰，女，博士，副教授，主要研究方向為经济系统复杂性分析。E-mail： gyblan718@163.com

2019年12月下旬爆发于武汉华南海鲜市场的新型冠状病毒肺炎（COVID-19，简称新冠肺炎），是一场突发的全球性公共卫生事件[1]。武汉市是中国疫情首次爆发地，也是极其重要的枢纽城市。2020年1月23日，武汉政府发布离汉通道管控措施，全市居民非必要不得离汉，武汉保卫战正式打响，全国各地陆续启动一级响应。已有文献表明，严格执行交通管制，对于遏制新冠疫情进一步大范围扩散起到了显著作用。赵序茅等[2]利用SEIR模型研究发现武汉实施封城前后，新冠肺炎的传染系数分别为575和25。相比之下，北京疫情的传染系数为15，远低于武汉。杨华磊等[3]基于SIR模型理论研究了疫情扩散如何受人口迁移的影响以及人口迁移受到距离、经济等因素的影响。梁泽等[4]对比了传统的最小二乘法线性回归模型和地理加权回归，发现武汉迁入率较大，增加了城市新冠肺炎患者发病率，且这一效应呈现空间衰减特征。刘勇等[5]利用探索性数据分析方法，发现在人口流动的影响下，信阳市主城区及周边县，安阳、郑州、许昌、平顶山等市的相对风险较高。曾永明等[6]运用接收武汉流出人口数量排名前100城市的截面数据，经OLS和SLM、SEM等估计方法验证了人口流动与城市早期新冠肺炎确诊病例数空间分布的内在关联。与此同时，根据中华人民共和国交通运输部发布的《一季度交通运输经济运行情况》，一季度完成营业性客运量185亿人，同比下降584%，36个中心城市公共交通完成客运量674亿人，同比下降567%，疫情期间人口流动规模受到了严重影响。针对人口流动的研究，刘涛等[7]通过对比传统人口流动数据和大数据的结果，将人口流动分为了以商务流为主的日常城际流动，以及叠合了返乡流和旅游流的春节期间流动。薛峰等[8]以腾讯位置大数据平台提供的人口流动数据为基础，利用社会网络分析等方法，刻画了长三角城市群人口流动网络的中心性与对称性。解韬等[9]利用广东省统计年鉴数据，研究发现珠三角劳动年龄流动人口规模分布呈中南沿海地区向四周扩散的总体格局。王新贤等[10]运用偏移—分享法，对比分析了省际人口流动和省内跨县人口流动的空间格局，结果表明两者存在差异，并提出了“聚中有散”型省际人口流动和“散中有聚”型省内跨县人口流动。目前有关疫情背景下人口流动时空特征的研究尚不多见。多数文献是基于传统的人口普查数据、人口流动监测数据，这类传统数据的发布时间周期较长，具有滞后性。考虑到新冠疫情发生的突发性，传统的数据无法较好反映新冠疫情下人口流动的时空特征。基于此，本文从网络视角出发，使用更具有时效性的人口流动数据，构建疫情下不同阶段内人口流动网络，揭示疫情背景下人口流动的时空特征。

1 数据处理及研究方法

1.1 数据来源

本文所用数据来源于百度地图迁徙大数据平台。数据包含中国除港澳台地区以外，自2020年1月10日至3月15日时间段内，31省区市每日迁入、迁出总指数以及每个省区市每日迁出至其余30省区市的迁出百分比。此平台提供了基于用户地理位置服务收集的疫情下实时人口流动数据，其原理为根据对用户地理位置的流动变化（包括流出起始地、流入目的地）判定用户是否发生流动以及具体流动轨迹。在得到某省区市日人口流动总量及流动轨迹后，平台将流动总量进行特征缩放，转化日人口流进、流出总量为无量纲的迁入、迁出规模指数。平台收集日均手机定位请求服务达1 000亿次，具有一定的代表性、真实性。有部分国内外学者基于此数据平台进行过人口流动的相关研究[7，11-13]。

1.2 社会网络分析方法

在自然界中存在的大量复杂系统都可以通过各种网络加以描述[14]。社会网络分析（Social Network Analysis，SNA）问题起源于物理学中的适应性网络，利用研究网络关系，有助于把个体间关系、“微观”网络与大规模的社会系统的“宏观”结构结合起来，利用数学方法﹑图论等定量分析方法，是20世纪70年代以来在社会学、心理学、人类学、数学、通信科学等领域逐步发展起来的一个的研究分支。省际人口流动可视作一个复杂网络，借助城市为节点，城市间人流为连边，构建省际人口流动网络，利用网络特征统计指标分析网络特征、研究人口流动趋势、衡量网络节点的重要性，为合理引导人口流动提出建议。

对比可知，正常流动阶段、春运返乡阶段，省区市大小差距不明显，各省区市之间连边纵横交错;流动严防阶段，省区市大小差距变大，省区市之间连边变得稀疏，子群结构明显。表明疫情防控阶段人口流动大幅度减少，人口呈局部流动，印证了中国疫情防控措施对于人口流动显著影响;相较于流动严防阶段，初步复工复产后，省区市节点大小差距逐步缩小，省区市之间连边逐渐紧密。但相较于日常流动阶段、春运流动阶段相距甚远。这表明自2月21日全国初湖北省以外地区初步复工复产以来，省际人口流动网络正逐步恢复，但与日常流动时期还存在一定距离。

结合表2，从连边数、网络密度等统计特征数量关系变化上也可印证以上观点。本文在流动严防阶段和初步复工复产阶段，均不考虑湖北省流出情况。连边数从567、681、175至243的变化，表明自疫情严防以来，省际人口流动量急剧减少，复工复产人口流动规模虽在逐步恢复，但仍远低于日常时期流动规模。网络密度、平均度、平均聚类系数在四个阶段短暂上升、急剧下降又逐步上升的变化同样表明，中国省际人口流动规模受疫情防控措施显著减小，进而为切断传播途径，疫情进一步蔓延扩散起到了重要作用。

2.3 人口流动网络中心性分析

由于流动严防阶段中，全国各地为了防止疫情扩散采取了一系列切断传播途径的政策措施如封城、封路、客运停运、断航等，此阶段的人口流动规模甚小，因此不做深入研究。

2.3.1 不同阶段度数中心度对比分析 表3中，在日常流动阶段，节点的加权出度和加权入度均处于大于10的较高水平的省区市有广东、浙江、江苏、河北、山东、上海、河南、湖南、北京、湖北等，表明这些省区市日常人口流动的流进与流出更为频繁。这些省区市主要为经济相对更为发达、就业机会更多的地区如北京、广东、上海、江苏等，以及位于中西部和沿海的地区如河南、湖北、湖南、山东等。相比之下，加权出度和加权入度均处于较低水平的省区市主要有西藏、新疆、宁夏、青海等，多为少数民族聚集的地区，这可能是人口流动较为不频繁的原因之一。通过加权出入度差分析，其余地区加权出入差均分布在0值附近，表明该类地区人口流入流出较为平衡。

分析表3数据，在初步复工复产阶段，加权出度处于较高水平的省区市有河南、安徽、湖南、广西等中西部地区，加权入度处于较高水平的省区市有广东、浙江、江苏、河北、山东等沿海东部。加权出入度差为负值且绝对值较大的地区有广东、浙江、江苏，加权出入度差为正值且值较大的地区有河南、湖南、广西、福建等地区，表明在此阶段，省际人口流动方向主要是由中部地区流向东部沿海地区。同时，春运流动阶段结论表明省际人口流动方向主要是从广东、浙江、江苏等东部沿海地区流出到安徽、河南、湖南、湖北等中西部地区，此结论的人口流动反方向正是与初步复工复产阶段的结论大致相契合。但截至3月15日，全面复工复产只是在有序进行，并未大规模开展，且受限于局部地区如北京、上海、黑龙江、湖北等疫情防控措施，因此该类地区的人口流入流出仍处于较低水平，大部分省际人口流动规模相较于日常流动阶段仍处于初步恢复状态。

2.3.2 不同阶段中介中心度和特征向量中心度对比分析 表4中，中介中心度的结果列出了排名前10的省区市。结合表3，在日常流动阶段，中介中心度大且度数中心度也大的省区市如北京、江苏、河北、河南、广东、山东，表明此类节点对其余节点的全局控制能力更强。中介中心度高且度数中心度处于中间水平的地区如四川、陕西、湖北、重庆，此类省区市虽然人口流进流出量不大，但很多省区市的人口流动必须经过这类省区市中转，显示了很强的局域控制能力。同理，在春运流动阶段，北京、广东、江苏、河北、四川展现了全局控制能力，湖北、甘肃、河南的局域控制能力得到体现。在复工复产阶段，去除湖北流出情况以及各地疫情下复工复产措施，广东、河南、山东、浙江、河北的全局控制能力得到体现，四川、湖南、福建的局域控制能力得到体现。通过对特征向量中心度排名分析可知，正常流动中，河南、四川、北京、湖北、河北都具有较高的特征向量中心度，表明了此类省区市在省际人口流动网络中的重要作用。初步复工复产阶段中，浙江、江苏、广东、上海等更为发达地区和河南、江西、山东等地区节点的重要性得到体现。

对不同阶段的中介中心度分析结果表明，中介中心度大且度数中心度也大的省区市具有更强的全局控制能力，如北京、广东、江苏等东部沿海地区;中介中心度较大且度数中心度处于中等水平的省区市凭借其地理优势也具有一定的局域控制能力，如四川、陕西、湖北、重庆等中部地区。对不同阶段的特征向量中心度分析結果表明，省区市的重要性也取决于近邻节点的重要性，因此城市群的稳定快速发展对于个体节点意义重要。

2.4 人口流动网络块模型分析

本节运用块模型分析旨在对比分析省际人口流动网络在初步复工复产阶段和日常流动阶段的结构，阐释初步复工复产时期人口流动结构与未发生疫情的日常流动结构的差异，进而展示疫情对于人口流动产生的影响。因此，本文只研究第一阶段日常流动阶段和第四阶段初步复工复产阶段。运用UCINET软件，选择收敛标准为02，最大分割深度为2，对两个阶段的省际人口流动网络进行块模型分析，板块划分结果分别如表5、表6所示。

根据Wasserman等构建的块模型评测体系，将两个阶段的省际人口流动网络划分为四大板块，具体每个板块包含的成员数如表7所示。根据α密度标准（上文中计算得出第一阶段构建的省际人口流动网络密度为0619，第四阶段网络密度为0276）得到两阶段的密度矩阵及其像矩阵如表8所示。

对比之下，在初步复工复产阶段，除去湖北由于封省的交通管控政策，其板块所属类别从中西、华南、西南板块变为了江浙沪及豫皖板块外，其余板块内部成员基本没有变化，但各个板块的角色除西北板块外都发生了变化。华东板块的角色由经纪人变为了双向溢出，中西、华南、西南板块的角色由双向溢出变为了净溢出，而东北板块的角色由净溢出变为了经纪人板块。这要归因于当时全国各地的疫情防控政策。东北地区紧邻国界，当时部分省区市如黑龙江、吉林仍为中高风险地区，京津冀地区疫情防控的严格执行，导致该地区内部成员之间关联和向外关联均甚少。西北地区疫情蔓延程度较为轻微，疫情防控效果佳，因此在初步复工复产阶段，其余三大板块均与西北板块有所关联。华东地区主要接收来自中西、华南、西南地区的关联，但关联程度相较于日常流动阶段仍处于较低水平。

3 结论

本文使用更具有时效性的百度地图迁移大数据平台人口流动数据，构建疫情下不同阶段内人口流动网络，利用社会网络分析方法，对比分析疫情前后省际人口流动网络的时空特征变化情况，揭示疫情背景下人口流动的时空特征。研究发现，疫情防控对减少省际人口流动，阻断疫情传播途径效果显著。疫情前和疫情后，全国大致人口流动方向没有发生变化，均是由中西部地区如河南、湖南、四川等流向东部沿海及部分就业机会更多、经济更发达地区如北京、广东、上海、浙江、江苏等，主要产生变化的是不同地区的流出指数规模大小。省区市对其他省区市人口流动控制能力大小取决于该省区市的度数中心度和中介中心度共同结果。疫情得到初步遏制，复工复产初步有序开展以来，由于各地疫情防控效果和防控政策的限制，邻近国界的东北板块成员之间关联程度减弱，成员内部向外关联减少。中西、华南、西南地区向外关联至华东板块趋势没有变化。西北板块凭借其疫情防控效果良好，其他板块向外至西北板块关联增多。由于可获得数据的限制，本文只分析了除湖北以外全国各省区市初步有序复工复产阶段的人口流动特征。其中，从百度地图迁徙大数据平台获取的流动指数数据是根据用户请求定位服务利用其地理位置的变化来判定流动情况，中国智能手机用户虽已具有很高的普及率，但仍不排除部分偏远地区和部分年长者流动过程中未使用定位服务，这可能导致本文分析得出的人口流动情况与真实的人口流动存在细微的差距。如果能获取更为权威、准确的疫情期间人口流动数据，其分析结果准确度将会更好。

參考文献

[1]习近平.在统筹推进新冠肺炎疫情防控和经济社会发展工作部署会议上的讲话[N].人民日报，2020-02-24（002）.

[2]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.

[3]杨华磊，吴远洋，蔺雪钰.新冠状病毒肺炎、人口迁移与疫情扩散防控[J].中国管理科学，2020，28（3）：1-10.

[4]梁泽，王玥瑶，孙福月，等.我国城市新冠肺炎发病率的地理分布格局：人口迁徙与社会经济因素的影响[J].环境科学研究，2020，33（7）：1571-1578.

[5]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.

[6]曾永明，骆泽平，杨敏，等.人口流动与城市早期新冠肺炎疫情空间扩散及分布关系研究[J].人口与社会，2020，36（5）：69-84.

[7]刘涛，靳永爱.人口流动视角下的中国新冠疫情扩散时空动态——传统数据和大数据的对比研究[J].人口研究，2020，44（5）：44-59.

[8]薛峰，李苗裔，党安荣.中心性与对称性：多空间尺度下长三角城市群人口流动网络结构特征[J].经济地理，2020，40（8）：49-58.

[9]解韬，汪睁铮.珠三角城市群劳动年龄流动人口空间分布特征分析[J].广东经济，2020（8）：20-27.

[10] 王新贤，高向东.中国流动人口分布演变及其对城镇化的影响——基于省际、省内流动的对比分析[J].地理科学，2019，39（12）：1866-1874.

[11] 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.

[12] 舒怀.从“百度迁徙”看位置服务与大数据融合[J].卫星应用，2014（5）：39-40.

[13] ZHANG W L， CHONG Z H， LI X J， et al. Spatial patterns and determinant factors of population flow networks in China： Analysis on tencent location big data[J]. Cities， 2020， 99：32-41.

[14] FAUST K， WASSERMAN S. Blockmodels： Interpretation and evaluation[J]. North-Holland， 1992，14（1-2）：132-188.

[15] LIU W B， HOU Q， XIE Z H， et al. Urban network and regions in China： An analysis of daily migration with complex networks model[J]. Sustainability， 2020，12（8）：12-23.

[16] 陈梦根，赵雨涵.中国银行业跨境联系的测度与分析——兼论国际银行业网络结构的动态特征[J].经济研究，2019，54（4）：49-66.

[17] 王圣云，宋雅宁，张玉，等.交通运输成本视角下长江中游城市群城市网络空间关联机制[J].经济地理，2020，40（6）：87-97.

Abstract：

The epidemic prevention and control is divided into several stages. Based on the big data platform of Baidu map migration， the population flow network of each stage was constructed by network analysis method. Through the analysis of the statistical characteristics of the network density and the average degree in each stage， the prevention and control measures have a significant effect on the containment of the spread of the epidemic situation. From the analysis results of the centrality of the network in each stage， the control ability of population flow was decided by the degree center degree and the Medium Center degree of the province and city. By using the block model analysis method， the network of each stage ws divided into blocks. The results show that the association degree between the members of the northeast block is weakened， and the intra-member outward association is reduced. There is no change in the trend of the outward correlation of the Chinese and western block， the South China block and the Southwest block to the East China block. With good epidemic prevention and control effect， other blocks spill out to the northwest block of the association increased after the epidemic.

Keywords：

epidemic prevention and control; population mobility network; social network analysis; Baidu map migration big data