冯宇轩，杨欣蕾，赵映慧

(东北农业大学 公共管理与法学院，黑龙江 哈尔滨 150030)

1 引言

采用人口迁徙大数据对城市网络的研究是当前城市地理和人口地理研究的新趋势，从数据来源看，腾讯迁徙和百度迁徙数据是研究城市网络中重要的两类人口迁徙大数据。潘竟虎和赖建波基于腾讯迁徙数据分别对国庆-中秋长假和“春运”期间的中国城市人口流动空间格局进行了研究[1,2]，揭示了特殊时段城市间人口迁徙规律。刘望保、蒋小荣等选择百度迁徙数据对城市日常人口流动网络格局进行了研究，反映了非特殊时段城市间人口迁徙规律，京津冀、长三角、珠三角和成渝地区是人口流动主要集散中心[3]，基于人口流动的城市网络呈现明显的等级特征[4]。从研究方法看，GIS空间分析、社会网络分析和复杂网络分析是基于人口流动的城市网络研究中使用较多的方法，既可以探寻城市网络的空间特征和地理规律，又可以研究网络联系、网络密度、网络结构等。从研究时间尺度看，春运期间是学者们基于人口迁徙在城市网络研究中经常采用的时段。魏冶等认为春运期间中国城市网络具有“两横三纵”特征[5]。张小东等认为中国城市网络呈现“钻石型”结构[6]。国庆期间也是反映城市网络联系的重要时段。潘竟虎等将国庆-中秋期间划分为出行期、旅途期和返程期3个时段，研究表明3个时段中国城市人口的净流入呈现菱形分布特征[1]。李涛的研究表明：国庆期间中国城市群城际出行具有明显的出行期、旅途期和返程期的变化规律[7]。此外，学者们还采用3个月或者全年的人口迁徙数据研究城市网络，而其他时段的研究很少。叶强等基于2015年3个月的人口迁徙数据的研究，认为长江中游城市群整体网络密度较低[8]。郑伯红等采用了2016年全年的人口迁徙数据，认为长江中游城市群3个子群的空间结构多样化[9]。从研究空间尺度看，宏观尺度的全国城市网络研究较多[1～7]，其次集中于中观尺度的城市群研究[8～11]，也包括经济带和同城化地区，花磊等认为长江经济带城市人口联系强度从东向西减弱[12]，陈少杰等认为厦漳泉同城化地区的人口流动趋于日常化和通勤化[13]。而微观尺度的城市个体的人口迁徙研究很少，冯章献等认为长春市人口联系集中于京津冀和长三角地区，分布具有金字塔型结构[14]。而最新的关于黄河流域城市网络的研究出现，拓展了城市网络的研究尺度[15],推动了流域城市网络研究的兴起。

流域作为一种特殊的地理空间单元，是区域经济发展的主要纽带。流域的人口迁徙是城市网络联系的直接体现，对塑造流域城市网络格局具有重要作用。基于流域的研究是近年人文地理学研究的新趋势，响应了中国区域单元研究的深刻变化。从人口流动视角对流域的研究看，学者们重点关注长江流域、珠江流域，2019年以后黄河流域的研究增多，然而中国东北地区的松花江流域城市网络的研究缺乏。松花江流域地跨两省一区，包括黑龙江省大部、吉林省大部和内蒙古自治区东部部分地区。松花江流域是中国东北地区重要的区域，在支撑农业生产、工业发展、城镇建设、生态保护等方面具有非常重要的作用。新中国成立后，松花江流域是我国重要的工业地带和粮食生产基地。改革开放以后，随着国家经济中心向长江流域和珠江流域转移，人口也逐渐向长三角和珠三角等发达地区迁徙。党的“十八大”以后，党中央国务院高度重视东北地区发展[16]，进一步推动东北振兴。随着新时代东北振兴战略的实施，松花江流域迎来巨大的发展契机，将为新时代东北振兴做出新的贡献。

综上所述，基于人口大数据的城市网络研究中一般采用腾讯迁徙和百度迁徙，而其他类型大数据很少，本文采用高德迁徙大数据，能够拓展大数据的应用研究；而且可以与腾讯迁徙、百度迁徙的研究相互补充。以往研究很少关注松花江流域，本文能够丰富流域城市网络的研究。基于人口迁徙大数据研究松花江流域城市网络格局，具有独特的科学价值，有利于推动探索人与自然关系，同时流域城市网络的研究能够解析流域内不同城市间的相互作用，有助于推进流域内不同区域单元的联系及协调发展[17]。本研究期望能够推动松花江流域城市网络的发展，促进松花江流域高质量发展，为新时代东北振兴助力。

2 研究区概况

松花江流域大体在大兴安岭、小兴安岭和长白山围成的马蹄形自然地理单元内，是中国东北重要的“三生”空间。黑龙江省和吉林省大部分地区属于松花江流域；内蒙古东部大兴安岭以东的大部分地区，自然地理上属于松花江流域，经济联系与黑吉两省密切。以松花江流域自然边界为基础，并尽量保持地级行政区划单元的完整性，考虑区域经济发展与松花江流域的直接关联性，最终选择吉林、黑龙江、内蒙古3个省(区)的20个地级及以上城市(自治州、盟)为松花江流域的空间范围，包括吉林市、白山市、通化市、延边朝鲜族自治州、辽源市、长春市、松原市、白城市、齐齐哈尔市、大庆市、哈尔滨市、绥化市、佳木斯市、鹤岗市、黑河市、牡丹江市、七台河市、伊春市、呼伦贝尔市、兴安盟。20个地市中有的行政区范围跨黑龙江流域、乌苏里江流域、鸭绿江流域和辽河流域的小部分区域，但社会经济重心在松花江流域，因此纳入松花江流域范围。松花江流域边界来源于东北亚资源环境大数据中心(http://www.igadc.cn/filter/n103)，底图无修改。

3 数据来源与研究方法

3.1 数据来源与处理

高德人口迁徙大数据来源于高德交通大数据平台(https://trp.autonavi.com/home.html)，是高德公司根据人们的定位信息得到的人口流动迁徙轨迹。本文采集了全年365 d的迁徙数据(表1)，共约122000条数据，数据属性包括起(终)点城市名称及其经纬度坐标、意愿迁徙指数、实际迁徙指数。高德官网并未公开高德人口迁徙指数的算法，仅知其作为一个无量纲数与实际迁徙人口存在正相关关系。将2019年全年松花江流域内各城市(盟、州)的人口迁徙数据进行汇总，同时区分起迄方向，形成“有向”联系。城市间高德人口迁徙指数导入ArcGIS进行可视化处理，生成松花江流域内城市人口迁徙矩阵(表1)。利用自然间断点分级法将城市间人口迁徙指数，从低到高分为12级，若迁徙指数在第一级中断值(1.35)以下，则显示迁徙指数为0，表示两城市间联系很小，几乎为零。基于高德人口迁徙指数数据构造城市联系矩阵，纵列为起点城市，横列为终点城市，城市间人口迁徙指数大小表示空间联系强弱程度(表1)。

表1 松花江流域城市高德指数联系矩阵

3.2 研究方法

(1)联系强度,城市间联系强度指两个城市之间联系量的大小，用来表示城市间联系紧密程度，公式为：

(1)

式(1)中：Rtij表示全年365 d的i城市和j城市之间的人口迁徙指数之和，即联系强度；t为日期；Rij为全年中某日i城市和j城市之间的人口迁徙量，n取365。

(2)网络密度,城市网络中城市间联系数量越多，网络密度越大。网络密度为城市网络中实际城市间联系数除以理论上最大的联系数，公式为：

D=N/[n(n-1)/2]

(2)

式(2)中：D为网络密度，N为实际产生的联系数，n为城市个数。

(3)凝聚子群,城市网络中的节点城市并非处于相同地位，与其他城市联系疏密不一，组成一个子群的城市相互间联系紧密，一个凝聚子群内的城市间人口迁徙强度大，频次高；反之则较难组成凝聚子群。在Ucinet软件中计算过程：网络-角色与位置-结构-CONCOR(迭代相关收敛法)-输入数据集(城市间人口迁徙矩阵)-输出凝聚子群。

(4)城市集散能力,城市集散能力是衡量城市汇集和分散人口能力的指标，即某天城市网络内所有其他城市迁入到该城市的人口与该城市迁出到网络内其他所有城市的人口之和，公式为：

(3)

式(3)中：Gc表示某城市的集散能力，Gic是某天城市网络内所有其他城市迁入到该城市的人口，Goc是该城市迁出到网络内其他城市的人口。

4 结果分析

4.1 城市联系强度与网络密度

从图1可知，2019年松花江流域20个地市两两间共有119条连线，即存在119对联系。理论上松花江流域20个地市两两间最大联系数为190，因此松花江流域城市网络密度为62.63%，与黄河流域城市网络密度(28%)相比[15]，网络密度大，同时也说明松花江流域城市间联系比黄河流域的更紧密，人口迁徙更频繁。总体上松花江流域城市联系强度较大，流域内两个省会城市哈尔滨和长春的联系对象数量最多，都与除自身之外的其他19个城市存在人口迁徙，在松花江流域城市网络中的中心性最大。

松花江流域城市网络中并非每个地市都与其他地市之间存在人口迁徙，流域内空间距离较远、经济欠发达、人口规模较小的地市之间缺少人口迁徙。例如，兴安盟位于内蒙古自治区东部，通化位于吉林省东南部，两地市之间几乎没有人口迁徙，基于高德迁徙的城市联系强度为零。黑龙江省北部的黑河与吉林省东南的白山，黑龙江省北部的伊春与吉林省南部的辽源，城市之间的联系强度为零。

图1 松花江流域城市网络联系

将2个城市间的双向人口迁徙指数进行加和，在ArcGIS软件中采用自然间断点分级法将城市间联系划分为5个级别(图2)，第一等级至第五等级分别为密切、较密切、一般、较稀疏、稀疏。从图2可以看出，松花江流域城市网络中哈尔滨与绥化之间的人口迁徙量最大，位于第一等级，联系密切。绥化位于哈尔滨大都市圈内，是哈尔滨大都市圈的经济腹地，受到哈尔滨的影响很大。

图2 松花江流域城市网络联系强度

哈尔滨-长春、长春-吉林、长春-松原、大庆-绥化，这4对城市的联系强度位于第二等级，主要集中分布在松花江流域中部，表明中部城市之间人口迁徙较多，形成较密切的城市对。哈尔滨与长春之间的联系强度在松花江流域城市网络中位居第二位，虽然两市分属不同省份，但都是流域的中心城市，空间距离近，道路交通联系便捷，人口迁徙频繁。长春和吉林都位于吉林省内，长春作为吉林省中心城市，与重要的工业城市吉林市空间相互作用密切，而且长吉一体化的发展促进两市之间人口流动频繁，长吉城际高铁为两市通勤化发展提供了基础。此外，长春与石油城市松原也存在较密切的人口迁徙联系，大庆与绥化属于近邻城市，两者之间联系也较密切。

位于网络联系强度第三等级的城市向松花江流域西部扩展，齐齐哈尔、辽源、白城与其他城市的联系强度一般；第四等级和第五等级主要是流域城市网络中的边缘城市，如黑河、鹤岗等，其中，第五等级的城市连线最多，表明多数城市与流域内其他城市都有联系，只是联系强度低。

总体而言，松花江流域城市网络联系格局呈现“一核辐射、中部强、东西弱”的特征，核心-边缘结构明显：以哈尔滨为核心，辐射带动松花江流域城市。流域中部属于平原地区、高速铁路、高速公路、国道和省道为流域中部城市人口流动提供了便捷的交通条件，而且流域中部也是东北北部地区经济比较发达的地区，既有省会城市哈尔滨和长春，又有重要的工业城市大庆、松原和吉林，还有人口众多的绥化，这也是流域中部城市网络联系强大的基础。流域东部资源型城市多，经济发展比较困难，对外联系弱；流域西部的白城、呼伦贝尔、兴安盟，这些地市人口较少，对外联系也弱。

4.2 凝聚子群与城市对

从图3可知，松花江流域城市网络分为3个凝聚子群和4个城市对以及1个核心城市。3个子群包括子群1，由白城、呼伦贝尔、兴安盟、黑河构成，主要位于流域西部，记为流域西部子群。子群2，包括大庆、齐齐哈尔、绥化，3个城市位于黑龙江省，记为绥大齐子群。子群3位于流域东南部，包括通化、延边朝鲜族自治州、辽源、白山，记为长白山子群。从三个子群构成与分布看，体现了地理邻近性，空间距离近的城市，人口迁徙更容易，空间相互作用更强。4个城市对包括鹤岗-七台河、伊春-佳木斯、牡丹江-吉林、松原-长春，除了牡丹江-吉林属于跨省形成的城市对，且距离较远，其他3个城市对都属近邻城市。比较特殊的是哈尔滨，既未与其他城市构成凝聚子群，又未与某一城市构成城市对，独自存在，这也显示出在松花江流域城市网络中哈尔滨是核心城市。从图3的凝聚子群分析结果看，哈尔滨的核心作用非常明显，其他城市无法与其构成城市对或者凝聚子群。从高德人口迁徙大数据来看，松花江流域城市网络中哈尔滨比长春具有更强的中心性，是整个流域城市网络的极核。

4.3 城市集散能力

城市集散能力可以反映节点城市在城市网络中的影响力和开放程度。在ArcGIS软件中采用自然间断点分级法将城市集散能力分为三级(图4)。哈尔滨、长春、绥化在流域城市网络中属于第一等级，哈尔滨和长春由于人口规模很大，与其他城市之间的人口迁徙规模也大，而且属于流域经济中心和交通中心，也是东北地区的四大中心城市的成员，故哈尔滨和长春的人口汇集与分散能力强；绥化比较特殊，虽然交通中心性不及哈尔滨和长春，但是绥化人口规模大，而且经济欠发达，外出人口多，特别是与哈尔滨之间人口迁徙规模大，此外与近邻大庆的人口迁徙规模也比较大，故在流域城市网络中具有强大的集散能力。

图3 松花江流域城市网络的凝聚子群

图4 松花江流域城市集散能力

松花江流域城市网络中吉林、松原、大庆、齐齐哈尔的人口集散能力位于第二等级。吉林市是吉林省内第二大城市，综合实力在省内仅次于长春，而且长吉一体化发展使得两市人口往来更频繁，吉林与长春之间的人口迁徙规模在松花江流域城市网络中居于第二位，因此吉林市具有较强的人口集散能力。松原与长春、哈尔滨、白城3个城市之间都有较大规模的人口迁徙，人口集散能力较强。大庆、齐齐哈尔也具有较强的人口集聚能力，大庆与绥化、哈尔滨、齐齐哈尔3个城市之间都有较大规模的人口迁徙，齐齐哈尔与呼伦贝尔的人口迁徙规模最大，其次是与大庆。

除了集散能力第一等级的3个城市和第二等级的4个城市之外，其余13个地市的集散能力属于第三等级，包括呼伦贝尔、黑河、伊春、鹤岗、佳木斯、七台河、牡丹江、延边朝鲜族自治州、白山、通化、辽源、白城、兴安盟，这些地市在松花江流域城市网络中的对外联系普遍较弱，相对于第一和第二等级的城市而言，与其他城市间的人口迁徙规模小，人口集散能力弱。

5 结论与展望

5.1 结论

本文基于高德人口迁徙数据，以松花江流域内20个地市为研究对象，采用社会网络分析法、GIS空间分析法对松花江流域城市网络格局进行分析，研究表明，松花江流域城市网络联系密度较大，流域内城市之间联系较密切，形成以哈尔滨为核心，以绥化-哈尔滨-长春为轴的“一核一轴”的城市网络，流域城市网络具有“中部强、东西两侧弱”的联系特征；松花江流域城市网络分为3个子群、4个城市对和1个独立城市，子群数量少、规模小，近邻城市基于人口迁徙形成了城市对，独立的哈尔滨是流域城市网络的极核。城市集散能力以流域中部的哈尔滨、长春、绥化三市最强，由中部向东西部减弱。

5.2 展望

以往研究表明，腾讯迁徙和百度迁徙大数据在城市网络格局研究方面具有较高的有效性，同理，基于高德迁徙大数据的研究也具有较高的有效性。当然，无论是腾讯迁徙、百度迁徙，还是高德迁徙，仅能代表城市间的部分人口流动，并不能代表全部的人口迁徙，地理行为大数据本身获取和算法都存在一定的限制，误差不可避免，未来需要融合各种人口迁徙大数据，基于统一的行程码大数据展开研究。此外，虽然获取了一整年的人口迁徙数据，但未分为人口迁徙高峰时段(春节期间、国庆期间)和平常时段(非节假日期间)进行比较研究，也未获取2018年和2020年的人口迁徙数据，与2019年城市网络格局对比，下一步需要针对年际变化进行研究。