成渝地区双城经济圈人口流动网络结构特征及演化研究

曹炜威^1,2，陈逍涵^1,3，楚蒙滔⁴，景崇毅¹

1. 中国民用航空飞行学院  经济与管理学院，广汉 618307；
2. 中国科学院成都计算机应用研究所，成都 610213；
3. 中国民用航空飞行学院 广汉分院，广汉 618307；
4. 中国民用航空飞行学院 理学院，广汉 618307

摘  要：科学认识成渝地区双城经济圈人口流动规律特征，对编制城镇化发展和土地利用等各类空间规划、优化基础设施布局与运输资源配置具有重要意义。本文基于高德迁徙大数据，采用复杂网络，分析成渝地区双城经济圈城际人口流动的时空特征及演化；为了更全面了解研究区的人口流动特征，对比分析基于高德和铁路数据构建的人口流动网络的差异。结果表明：区域内不同城市人口流动量差异显著，城际人口流动呈现以成都为单中心的模式，而非典型的“成渝双核”驱动格局；人口流动网络具有明显的空间近邻性和层级性，成都–德阳、成都–眉山、成都–绵阳等组成人口流动的主体路径；区域内人口流动网络形成三个凝聚子群，分别为以成都为中心的西部组团、以重庆为中心的东部组团和川南组团，组团内的人口流量占城际人口总流量的70%左右；相较于铁路数据构建的网络，基于高德数据的人口流动网络中核心城市具有更强的集散与辐射功能。

关键词：人口流动；迁徙大数据；铁路数据；时空演化；成渝经济圈

引用格式：曹炜威, 陈逍涵, 楚蒙滔, 景崇毅. 2025. 成渝地区双城经济圈人口流动网络结构特征及演化研究. 时空信息学报, 32(3): 330-340

Cao W W, Chen X H, Chu M T, Jing C Y. 2025. Structural characteristics and evolution of population flow networks in the Chengdu-Chongqing economic circle. Journal of Spatio-temporal Information, 32(3): 330-340, doi: 10.20117/j.jsti.202503003

1  引  言

人口流动一直是学术界广泛讨论的话题，反映了现实世界纷繁复杂的人地关系，推动了物质、信息、资本与技术要素在空间中的扩散与集聚（Pappalardo等，2023）。一方面，在经济一体化和城镇化加速推进的背景下，人口流动与城市发展的互动可能会导致城镇体系结构及社会经济格局发生重大变化；另一方面，人口流动也会带来资源挤兑、环境破坏及交通拥堵等负面问题，增加社会的不稳定（Chen等，2020；Wang等，2021）。因此，加强跨区域人口流动的研究对地区均衡发展、城市环境改善及交通规划管理等具有重要意义。

传统对人口流动的研究主要依赖观察、访谈、调查问卷、出行日志等方式收集数据（Champion，1994；丁金宏等，2005）。但由于这些数据存在规模小、更新速度慢、统计粒度粗、获取成本高等缺点，导致难以有效刻画人口的流动规律，也无法真实准确地反映人口流动的时空特征。随着信息技术的迅速发展，各类传感器客观记录了带有地理位置信息的人类流动行为数据，推动了人口流动研究的定量分析（Barbosa等，2018；贾建民等，2020）。与传统调查方式相比，大数据及其分析方法以强大的信息搜集、整合、分析与处理优势在大样本、多源数据和强预测性等方面占据绝对优势，已经逐渐成为人口流动研究领域中的重要数据来源（罗茜和焦利民，2023）。

跨城人口流动是人口流动研究中的一个重要分支，现有研究通常采用统计分析、地理信息系统（geographic information system，GIS）及复杂网络等相结合的方法对不同尺度范围内的人口流动时序动态、空间分布、网络中心性、社团结构及其演化进行挖掘分析。针对全国尺度范围，有研究主要关注了人口流动的空间格局、集散体系及网络结构特征（宋崴等，2021；张伟丽等，2021；许蓝方等，2023）。部分研究对日常、中秋–国庆、春运等在内的特定时段的人口流动进行挖掘分析，揭示了人口流动的层次性、核心边缘结构等现象（Zhu等，2021；李天籽和陆铭俊，2022；施响等，2022）。此外，Zhou等（2020）基于高德迁徙大数据分析了春运时期我国的人口流动模式，发现迁移模式呈现出空间上的垂直结构，城市发展水平与流动强度高度一致；郭卫东等（2023）对不同交通方式下的我国城市之间人口流动网络进行了比较，发现公路、铁路和航空流动表现出不同的空间结构与网络特征。

中小尺度范围内的城际人口流动主要是以城市群和都市圈为对象，分析局部范围内的人口流动特征与规律。城市群是国家推进新型城镇化的主体空间形态，具有较高的社会经济活跃度，区域内的人口流动也是研究热点。针对人口流动网络结构，已开展了一系列探索。其中，广受关注的是长三角城市群。该区域以上海为主核心，以苏州、南京、杭州为次核心，人口流动表现出明显的空间近邻性和强度层次性（Cui等，2020；李自圆等，2022；詹庆明等，2023）。作为我国重要的经济发展区，京津冀城市群内部人口流动具有明显的周变化节律，形成以北京–廊坊–天津为核心的格局，网络中出现了三个凝聚子群（陈立峰等，2023；Zhang等，2023；杨卡，2024）。另外，赖建波等（2023）探讨了中原城市群人口流动模式与特征，并对城市网络韧性进行了评估；张伟丽等（2023）对比分析了11个不同发展阶段城市群的人口流动格局，为城市群的高质量发展提供了人口流动建议；黄志强等（2023）分析了南京都市圈日常人口流动网络结构特征，并采用QAP（quadratic assignment procedure）回归分析法探究南京都市圈日常人口流动关联网络的影响因素。

成渝地区双城经济圈（下文简称成渝经济圈）位于“一带一路”和长江经济带交汇处，是西部陆海新通道的起点，具有连接西南西北，沟通东亚与东南亚、南亚的独特优势。成渝经济圈的建设是党中央作出的重大战略决策，旨在推动区域协调发展，形成新时代西部开发开放的新格局。自启动以来，成渝地区在交通、产业、生态、公共服务等领域取得了显著进展。目前，成渝经济圈常住人口约1亿，流动强度大且空间聚集性与极化性强，可能表现出与其他城市群不同的特点。科学认识成渝经济圈人口流动规律特征，对编制城镇化发展与土地利用等各类空间规划、优化基础设施布局和运输资源配置具有重要意义。虽然已有研究基于微博签到数据或流动人口动态监测调查数据，分析了该区域的人口流动格局（潘碧麟等，2019；李聪等，2021）；但是存在数据可靠性低或时间跨度短的局限，导致难以准确捕捉人口流动的动态变化。因此，本文以高德迁徙数据为基础构建城际人口流动网络，对成渝经济圈人口流动的节点特征、空间格局、网络结构及其演化等进行探讨；为了更全面了解研究区的人口流动特征，对比分析基于高德和铁路数据构建的人口流动网络的差异。

2  研究方法

复杂网络是一种理解现实世界复杂系统的抽象模型，通过将复杂系统中的实体抽象成节点，将实体之间的关系抽象成连线，利用节点之间的相互作用或关联来构建网络（Estrada，2013）。实验以城市为节点，构建有向人口流动网络，其中，网络边值为城市之间每日人口流动。原始高德迁徙数据记录的城际人口流动不是真实发生的跨城流动人数，而是一种城市之间人口流动的强度。常用的网络分析指标如下所述。

1）城市日均流入量/流出量

城市日均流入量/流出量，分别表示平均每天由其他城市流入节点城市的总人数或由节点城市流出到其他城市的总人数，代表人口流动强度。城市日均流入量/流出量越大，表明城市的集聚或辐射能力越强：

式中，Inflow_i为节点城市i的日均流入量；flow_ij为由节点城市i流向节点城市j的日均人流量；Outflow_i为节点城市i的日均流出量；n为总城市个数，实验取值16。

2）城市人口净流入量

城市人口净流入量，代表城市i某日净流入人口量和净流出人口量的差值，考虑了人口流动对关联城市的双向影响：

式中，Netflow_i为节点城市i的人口净流入量。

3）特征路径长度

任意两城市节点i和j之间最短路径边数的平均值，可反映人口流动网络的整体通达性（黄兰兰等，2022）。特征路径长度的原理：

式中，d_ij为节点城市i到节点城市j的最短路径边数。

4）网络度中心势

网络度中心势分为入度中心势和出度中心势。在复杂网络理论中，网络度中心势刻画整个网络中各个节点差异性程度的指标，与节点的中心度对应（De Nooy等，2018）。该指标可用于衡量网络整体的中心性，数值为0～1。高数值表示网络中权利过分集中，网络结构趋于不均衡化（Butts，2006）。网络中心势的原理：

式中，C_i、C_imax分别为城市中心度、最大城市中心度。

5）凝聚子群

凝聚子群分析是以两两节点之间的联系特征，通过迭代、聚类的方法将所有研究节点划分为若干小团体，以此分析团体内部及团体之间的相互作用关系、组团演化特征等（张克伟等，2023）。当网络中某些行动者之间的关系特别紧密以至于结合成一个次级团体时，该团体被称为凝聚子群。子群成员之间具有相对较强的、直接的、紧密的、经常的或积极的联系。

3  实验结果与分析

3.1  研究区域与数据源

1）研究区域概况

成渝经济圈是西南地区最重要的社会经济发展综合体。从全国范围来看，成渝经济圈是继京津冀、长三角和大湾区之后的又一个具有较大影响力的经济中心。2021年10月20日，中共中央、国务院印发了《成渝地区双城经济圈建设规划纲要》，指出要把成渝经济圈打造成带动全国高质量发展的重要增长极和新的动力源。规划范围包括重庆的部分区域，以及四川成都、绵阳、眉山等15个城市，区位如图1所示。为满足人们的流动需求，近年来成渝经济圈加快建设基础交通设施，高速公路、干支铁路等构成的多层次轨道交通网络初步建成，显著提升了区域通达性，有效促进了人口流动。成渝经济圈总面积为18.5万km²，常住人口9600万人，地区生产总值突破8万亿元。区域内人口密度高、产业集中。

2）数据来源

由于人口流动数据是以地级市为单位进行统计测算的，因此实验以地级市作为基本单元。

高德迁徙数据融合了不同交通方式（铁路、公路）的出行，提供了对成渝经济圈内人口流动的基本认识。作为人口流动的载体，铁路在成渝经济圈人口日常流动中发挥着重要作用。特别是对于中短距离城际出行，高铁成为人们依赖的重要交通方式。因此，实验所用数据及来源包括：①成渝经济圈内跨城每日人口流动数据，时间为2019年1月1～2023年12月31日，来源于高德开放平台。每条流动数据包含日期、出发地/目的地城市名称，以及迁徙指数。其中，迁徙指数并不是真实发生的跨城流动人数，而是表示城市间的人口流动强度。高德地图基于定位服务技术清晰地记录了用户的流动轨迹，依托强大的数据计算能力实时识别用户的位置变化信息，从而客观、准确地反映城市间的人口流动情况。②铁路出行数据，时间为2019年4月1～30日，来源于某铁路局。③列车时刻表，时间为2019年、2023年，来源于中国铁路12306网站。

3.2  城市节点人口流动特征及演化

图2展示了2019～2023年各城市日均流入量和流出量情况。各个城市之间，日均流入量和流出量最大的是成都，依次是重庆、德阳和眉山。人口流动量最小的两个城市分别是雅安和达州，人口流动量最大城市与最小城市的比值为3～33倍。在经济发展模式上，成渝经济圈属于典型的双核引领发展模式，在国家战略定位中重庆甚至具有比成都更高的定位。但是就城际人口流动量而言，重庆与区域内其他城市的人口交互联系明显弱于成都，这可能与重庆和其他城市属于不同省级区域有关；此外，在地理位置上重庆居于整个区域最东边，距离其他城市相对较远，这也可能会导致与其他城市之间存在相对较弱的人口流动量强度联系。从时序演变来看，2019～2021年各城市人口日均流入量和流出量呈现不同幅度的增加，2022年出现了降低，2023年各城市的人口流动量均出现了比较明显的提升。

以周为单位来看，成渝经济圈城市人口流动量具有明显的周节律。图3展示了区域内各城市四周的人口流动量变化情况。通常周一至周四城际流动量相对小，周五至周日人口流动量较大。结合进一步数据分析，成都和重庆周内人口流入量峰值发生在周日，流出量峰值发生在周六。成都和重庆之外的14个城市表现出相反的情况，即城市的流入量峰值出现在周六，流出量峰值出现在周日。这与城市的职能分工不同有很大关系。成都和重庆作为成渝经济圈的核心城市，集中了高附加值产业，形成强大的就业磁极；其他14个城市则以制造业、居住功能为主，形成了核心–边缘结构。这种分工导致工作日劳动力向核心城市集聚，周末则发生逆向流动。此外，核心城市高房价推高居住成本，也可能会使得出现“职住分离”现象。周边城市居民工作日滞留核心城市，周末返回原居住地，形成了周期性的迁移。

对城市每天人口净流入量进行统计分析，发现成都、重庆和乐山三个城市之间人口净流入量具有正相关性，其他13个城市之间的人口净流入量也呈现正相关性；但成都、重庆和乐山三个城市与其他13个城市的逐日人口净流入呈现负相关性。这意味着成都、重庆和乐山的人口净流入量状态与其他13个城市表现出相反的模式。其中，对于成都和重庆而言，出现以上现象的主要原因是二者作为区域中心城市在经济发展水平、就业机会、公共服务、基础设施、环境舒适度等方面具有较大的优势，对周边城市的人口产生强大的吸引力，从而导致与其他城市形成相反的人口流动“潮汐”；对于乐山而言，这可能与其突出的旅游城市特性有关。乐山的峨眉山–乐山大佛属于世界文化与自然双遗产，也是国家5A级旅游景区；此外，乐山拥有丰富的美食，成为潜在吸引其他城市人口流入流出的重要因素。

3.3  城际人口流动联系时空演化

为探究成渝经济圈城际人口流动联系的空间格局及演变，采用Arcmap 10.6的XY转线工具呈现城市之间的日均人口流动强度，得到成渝经济圈城际人口流动量时空演化如图4所示。利用自然断点法将人口流动路线按照流动强度划分为五个等级。从整体分布来看，成渝经济圈人口流动网络呈现的“双核极化、梯度扩散”格局，具有明显的空间近邻性和强度层次性。第一层级和第二层级构成的人口流动主轴带呈现以成都为枢纽集散中心的格局。近五年第一层级人口流动量分别占总量的48%、45%、49%、51%和56%，极化程度呈增强趋势；第一层级、第二层级和第三层级构成的人口流动带则形成了成都和重庆双核引领的格局，与二者相连的线路占80%以上，人口流动量分别占总量的67%、67%、69%、71%、75%，亦呈现增强趋势。

从图4中可以看出，第一层级结构非常稳定，仅包括成都–德阳和成都–眉山两条路线，这可能与“成德眉”同城都市圈建设有关。成都与德阳、眉山地理位置近邻，基础设施互联互通，经济上深度融合，驱动了强大的人口流动。这三个城市之间存在大量“职住分离”居民，这部分群体每天规律性的通勤需求进一步增强了城市之间的人口流动。2019～2022年第二层级成员基本稳定，包括成都–绵阳、成都–资阳、成都–乐山、成都–重庆、重庆–广安及成都–雅安；2023年则发生了较为明显的变化，新增了成都–南充、成都–遂宁、成都–资阳、成都–内江和重庆–达州，总路线达到了11条。在成都和重庆之外的14个城市之间，只有德阳与绵阳两个城市之间的人口流动强度进入了较高的第二层级。绵阳和德阳邻接，GDP在四川分别位列第二和第四名，二者之间形成了较强的经济和人口流动联系。

第三层级和第四层级的路线中，与成都或重庆相连的线路数量占比仍较高。2019～2022年第三层级路线中与成都或重庆相连的路线占比均为67%，2023年降至55%。从图4可以看出，第三层级与成都和重庆不相连的线路主要发生在地理位置邻近的城市之间，如眉山–乐山、内江–自贡等。结合统计分析，第四层级路线中，与成都或重庆相连的路线占总量的50%±5%。第五层级的路线主要发生在成都和重庆之外的城市之间，其中，人口流动量最小的五条线路依次是乐山–广安、乐山–达州、广安–雅安、达州–自贡、达州–雅安。这些线路两端连接的城市主要位于成渝经济圈的边缘地带，人口和经济规模较小，城市之间的地理距离较远。

3.4  凝聚子群划分结果

为更全面认识人口流动网络中蕴含的组织结构信息和城市联系紧密度，运用UCINET进行人口流动网络凝聚子群划分以解析网络的微观结构。由图5可看出，整个人口流动网络形成三个子群，分别为：以成都为中心的西部组团，包含成都、德阳、绵阳、资阳、眉山、乐山、遂宁、雅安在内的八个城市；以重庆为中心的东部组团，包含重庆、广安、南充和达州四个城市；川南组团，由内江、自贡、宜宾、泸州四个城市形成的。经统计分析，近五年三个组团内的人口流动量占成渝经济圈总人口流动规模的比例分别为54%±1%、9%±0.5%、6%±0.5%，三大组团间存在显著流量断层。

尽管成渝地区被定位为“双城经济圈”，人口流动数据则揭示出显著的中心性差异，人口流动的空间集聚特征凸显了内部的发展不平衡。成都组团占据总流动量的一半以上，其强中心性符合传统增长极理论预期。通过对五年的数据分析统计得出，重庆组团仅占9%±0.5%，其较弱的辐射能力凸显了地理和制度双重因素对网络结构的重塑作用。虽然川南组团因地处四川盆地南部，形成相对封闭的地理单元，但四川通过川南经济区一体化战略强化了四市协同，因此该区域形成了独立的人口流动子团。需要说明的是，图5展示的子群划分格局在2019～2023年未发生显著变化，一定程度上反映了区域内在的经济联系和社会结构的相对固化。这种稳定性源于城市的经济分工、产业布局和交通网络等多方面因素的长期影响，本质上是空间权力结构、产业梯度差异和政策制度博弈共同作用的结果。作为西部的核心城市，成都通过行政资源集聚形成虹吸-溢出双向效应，而重庆因行政区划壁垒（跨省协调成本）与地理区位边缘性，其辐射半径主要局限于市域范围。川南组团的内聚性揭示了产业同构的隐性作用，这种空间锁定效应在高铁网络建设中可能会进一步强化。

上述结果系统揭示了成渝经济圈人口流动特征与演化，对区域协同发展战略的优化具有重要价值和启示。成渝经济圈的人口流动呈现显著的“单核极化”格局，成都的强中心性与重庆的弱辐射性形成鲜明对比，这一现象折射出区域发展中的深层矛盾。国家战略定位强调“双核驱动”，但行政壁垒与地理阻隔导致以人口为代表的要素流动呈现省内集聚、跨省断裂的特征。为破解这一困境，需从制度创新与空间重构双重维度推进改革，激励重庆与四川城市之间的深度合作。例如，可借鉴长三角生态绿色一体化发展示范区经验，在成渝毗邻地区试点户籍互认、社保互通等制度，培育跨省域人口流动廊道，逐步打破核心–边缘结构的路径依赖。区域内人口流动网络的层级化特征与组团化格局提示区域协调发展需构建多中心网络化体系，当前人口流动集中在成都周边，其余城市之间的人口联

系强度低，不利于城市群的深度融合发展，应培育次级增长极，如绵阳、宜宾、南充等，通过产业转移和基础设施投资，平衡区域发展。此外，识别出的三个凝聚子群在战略层面为“多中心、组团式”国土空间规划提供了实证依据。

4  基于不同数据的成渝经济圈人口流动格局比较

4.1  总体格局比较

图6展示了分别基于高德、铁路客流和列车车次数据构建的成渝经济圈人口流动网络。其中，因客观条件限制，未能获取2023年铁路客流数据，因此仅呈现2023年的人口流动网络和列车车次网络。2019～2023年，分别基于铁路客流、列车车次数据构建的网络节点平均度由6.4增长至9.9，提高55%；特征路径长度由1.56降低至1.34，说明网络可达性提升。

从图6呈现出的整体格局来看，分别基于铁路客流与列车车次数据构建的网络则具有较高的相似度，而基于高德数据的人口流动呈现明显不同的分布差异。前者构建的流动网络具有明显的“双核”带动发展的特征，特别是列车车次网络中，成都–重庆是人口流动的主要廊道。为了定量刻画不同类型网络之间的相似性，计算了三个网络的相关系数，结果显示网络A和网络B的相似性为0.514，网络A和网络C的相似性为0.485，网络B和网络C的相似性为0.804。这也从侧面证明了在已有研究（刘想等，2022）中用列车流表征城际人口流动量尽管具备一定的可信度，但也存在一定的欠缺。表1列举了2019年不同人口流动网络中按流量排名的top10路线。不同于高德数据构建的人口流动网络，在基于铁路客流数据的网络中成都–重庆路线具有最大的流量，占总流动量的21%；接下来的四条路线依次是成都–绵阳、成都–南充、成都–内江和成都–乐山，在基于列车车次的网络中则是重庆–内江、成都–绵阳、重庆–南充和成都–眉山。

4.2  网络中心势比较

表2对比了三种类型网络的度中心势，在不同的网络中入度中心势均高于出度中心势。这意味着相对于发挥人口辐射功能，网络节点在发挥人口集聚功能时核心城市作用更为明显。对比不同类型网络来看，基于高德数据的人口流动网络度中心势最大，其次是铁路客流网络，最小的是列车车次网络。这表明在基于高德数据的人口流动网络中，核心城市集散功能最为突出，铁路客流网络次之，列车车次网络中核心城市的地位相对前两者则没有那么突出。

根据上文所述，相较于铁路客流、列车车次数据构建的人口流动网络，基于高德数据的网络中核心城市集散功能更为突出。一方面，铁路数据受限于固定班次、站点分布及票务系统的刚性约束，网络呈现的“双核”格局主要反映成都、重庆两大枢纽通过高铁网络的强连接形成主轴线，网络拓扑受限于铁路站点布局和班次密度。而高德数据捕捉了多模态流动，如公路、铁路、水运，其网络呈现的是城市群内部通勤、商贸等高频短距流动的叠加效应。另一方面，铁路乘客群体存在显著的人口统计学偏倚，而高德用户覆盖了更广泛的社会经济活动人群，这也会导致两类网络具有明显的差异，本质上则反映了制度性交通供给（铁路）与市场化出行需求（高德）的空间匹配张力。

5  结  论

科学认识成渝地区双城经济圈人口流动规律特征，对编制城镇化发展和土地利用等各类空间规划、优化基础设施布局与运输资源配置具有重要意义。本文基于高德迁徙大数据，采用复杂网络，分析成渝地区双城经济圈城际人口流动的时空特征及演化；为了更全面了解研究区的人口流动特征，对比分析了分别基于高德和铁路数据构建的人口流动网络的差异。其中，基于高德迁徙数据，利用复杂网络和GIS空间分析，对2019～2023年成渝地区双城经济圈内的人口流动时序变化、空间分布、网络结构及其演化等特征进行了分析。结果发现：①成渝地区双城经济圈人口流动具有明显的波动性和周期性，不同等级城市的流动量差异较大；②城际人口流动具有明显的空间近邻性和层级性，高等级的人口流动联系主要发生在成都与其他城市之间，其他城市之间的人口流动联系呈现均质化、扁平化特征；③人口流动呈现以成都为单中心的模式，而非典型的“成渝双核”驱动格局，这与以往对成渝经济圈的直观印象有所不同，丰富了对成渝地区发展的认识；④凝聚子群划分结果凸显了经济圈内部发展的不平衡和人口流动结构的固化，为宏观治理提供现实依据。本文还比较了高德和铁路数据呈现出的人口流动的差异，突破了传统依赖单一数据源解释人口流动模式的研究范式，可为其他相似研究提供技术借鉴。

本文也存在一定的局限性，如仅以地级市为基本单位，无法进一步洞察县（区）尺度的人口流动体系。另外，仅关注了城际之间的人口流动，暂未涉及城市内部的人口流动问题。下一步研究将积极收集多种来源的数据，从更微观的视角揭示成渝地区双城经济圈人口流动的本质特征与发展趋势。

参考文献（References）

陈立峰, 尚晶, 刘婷婷, 闫学东, 何庆. 2023. 基于手机信令数据的京津冀城际出行时空特征分析. 北京交通大学学报, 47(5): 162-168[Chen L F, Shang J, Liu T T, Yan X D, He Q. 2023. Analysis of spatiotemporal characteristics for Beijing-Tianjin- Hebei intercity travel based on mobile phone signaling data. Journal of Beijing Jiaotong University, 47(5): 162-168 (in Chinese)]

丁金宏, 刘振宇, 程丹明, 刘瑾, 邹建平. 2005. 中国人口迁移的区域差异与流场特征. 地理学报, 60(1): 106-114[Ding J H, Liu Z Y, Cheng D M, Liu J, Zou J P. 2005. Areal differentiation of inter-provincial migration in China and characteristics of the flow field. Acta Geographica Sinica, 60(1): 106-114 (in Chinese)]

郭卫东, 钟业喜, 李炜. 2023. 基于不同交通方式的中国城市间人口流动网络比较研究. 世界地理研究, 32(7): 102-112[Guo W D, Zhong Y X, Li W. 2023. A comparative study on the population flow network between Chinese cities based on different transportation modes. World Regional Studies, 32(7): 102-112 (in Chinese)]

黄兰兰, 程钢, 张启华, 路晓明. 2022. P空间模型支持下城市公交网络空间结构分析. 地理信息世界, 29(4): 10-16[Huang L L, Cheng G, Zhang Q H, Lu X M. 2022. Analysis of urban public transport network structure supported by P-space model. Geomatics World, 29(4): 10-16 (in Chinese)]

黄志强, 甄峰, 席广亮, 李智轩. 2023. 南京都市圈日常人口流动网络结构特征及影响因素. 人文地理, 38(4): 112-120[Huang Z Q, Zhen F, Xi G L, Li Z X. 2023. Structural characteristics and influencing factors of daily population movement network in Nanjing metropolitan area. Human Geography, 38(4): 112-120 (in Chinese)]

贾建民, 耿维, 徐戈, 郝辽钢, 贾轼. 2020. 大数据行为研究趋势: 一个“时空关” 的视角. 管理世界, 36(2): 106-116, 221[Jia J M, Geng W, Xu G, Hao L G, Jia S. 2020. Big data behavioral research trends: A time-space-connection perspective. Management World, 36(2): 106-116, 221 (in Chinese)]

赖建波, 朱军, 郭煜坤, 游继钢, 谢亚坤, 付林, 王萍. 2023. 中原城市群人口流动空间格局与网络结构韧性分析. 地理与地理信息科学, 39(2): 55-63[Lai J B, Zhu J, Guo Y K, You J G, Xie Y K, Fu L, Wang P. 2023. Spatial pattern of population flow and the resilience of network structure of central Plains urban agglomeration. Geography and Geo-Information Science, 39(2): 55-63 (in Chinese)]

李聪, 宗会明, 肖磊. 2021. 中国典型人口流出地区人口流动格局——以川渝地区为例. 热带地理, 41(3): 516-527[Li C, Zong H M, Xiao L. 2021. Spatial pattern of population flow in China’s typical outflow areas: A case study of the Sichuan-Chongqing area. Tropical Geography, 41(3): 516-527 (in Chinese)]

李天籽, 陆铭俊. 2022. 中国人口流动网络特征及影响因素研究——基于腾讯位置大数据的分析. 当代经济管理, 44(2): 1-9[Li T Z, Lu M J. 2022. Research on the characteristics and influencing factors of China’s population flow network—Based on Tencent location big data analysis. Contemporary Economic Management, 44(2): 1-9 (in Chinese)]

李自圆, 孙昊, 李林波. 2022. 基于手机信令数据的长三角全域城际出行网络分析. 清华大学学报(自然科学版), 62(7): 1203-1211 [Li Z Y, Sun H, Li L B. 2022. Analysis of intercity travel in the Yangtze River Delta based on mobile signaling data. Journal of Tsinghua University (Science and Technology), 62(7): 1203-1211 (in Chinese)]

刘想, 李晓东, 马晨. 2022. 日流量视角下铁路客运网络时空格局演变——以成渝地区双城经济圈为例. 地理科学, 42(5): 810-819 [Liu X, Li X D, Ma C. 2022. Spatial connection pattern and evolution trend of railway passenger transport network from the perspective of daily traffic: Taking Chengdu-Chongqing twin-city economic circle as an example. Scientia Geographica Sinica, 42(5): 810-819 (in Chinese)]

罗茜, 焦利民. 2023. 地理位置大数据支持下的武汉市人群活动模式识别与分析. 时空信息学报, 30(1): 86-94[Luo X, Jiao L M. 2023. Population activity pattern recognition and analysis in Wuhan supported by geolocation big data. Journal of Spatio-temporal Information, 30(1): 86-94 (in Chinese)]

潘碧麟, 王江浩, 葛咏, 马明国. 2019. 基于微博签到数据的成渝城市群空间结构及其城际人口流动研究. 地球信息科学学报, 21(1): 68-76[Pan B L, Wang J H, Ge Y, Ma M G. 2019. Spatial structure and population flow analysis in Chengdu-Chongqing urban agglomeration based on weibo check-in big data. Journal of Geo-Information Science, 21(1): 68-76 (in Chinese)]

施响, 王士君, 王冬艳, 浩飞龙, 李卓伟. 2022. 中国市域间日常人口流动特征及影响因素. 地理科学, 42(11): 1889-1899[Shi X, Wang S J, Wang D Y, Hao F L, Li Z W. 2022. Characteristics and influencing factors of daily population flow among cities in China. Scientia Geographica Sinica, 42(11): 1889-1899 (in Chinese)]

宋崴, 赵莹, 关可汗. 2021. 基于多源数据的中国人口时空变化及流动格局. 地理信息世界, 28(5): 100-105[Song W, Zhao Y, Guan K H. 2021. Spatiotemporal changes and mobility patterns of China’s population based on multi-source data. Geomatics World, 28(5): 100-105 (in Chinese)]

许蓝方, 武继磊, 庞丽华. 2023. 中国地级以上城市流动人口时空格局演变及影响因素分析. 人口与发展, 29(4): 89-99[Xu L F, Wu J L, Pang L H. 2023. Analysis on the temporal and spatial evolution and influencing factors of prefecture-level floating population in China. Population and Development, 29(4): 89-99 (in Chinese)]

杨卡. 2024. 京津冀区域日常人口流动网络及其结构特征. 城市观察,(1): 86-99, 161-162[Yang K. 2024. Daily population flow network and its structural characteristics in the Beijing-Tianjin- Hebei Region. Urban Insight, (1): 86-99, 161-162 (in Chinese)]

詹庆明, 文超, 樊智宇. 2023. 长江中游城市群人口流动网络空间结构特征研究. 测绘地理信息, 48 (6): 111-115[Zhan Q M, Wen C, Fan Z Y. 2023. Study on network spatial organization of urban agglomeration in the Middle Reaches of Yangtze River based on floating population, Journal of Geomatics, 48 (6): 111-115 (in Chinese)]

张克伟, 来逢波, 黄玉娟. 2023. 基于百度迁徙数据的山东省城市网络结构特征研究. 时空信息学报, 30(3): 416-424[Zhang K W, Lai F B, Huang Y J. 2023. Research on urban network structure characteristics in Shandong province based on Baidu migration data. Journal of Spatio-temporal Information, 30(3): 416-424 (in Chinese)]

张伟丽, 郝智娟, 王伊斌, 魏瑞博. 2023. 城市群人口流动空间网络及影响因素. 地理科学, 43(1): 72-81[Zhang W L, Hao Z J, Wang Y B, Wei R B. 2023. Spatial network and influencing factors of population flow in urban agglomeration. Scientia Geographica Sinica, 43(1): 72-81 (in Chinese)]

张伟丽, 晏晶晶, 聂桂博. 2021. 中国城市人口流动格局演变及影响因素分析. 中国人口科学,(2): 76-87, 127-128[Zhang W L, Yan J J, Nie G B. 2021. Evolution of the pattern of China’s urban population flows and its proximate determinants. Chinese Journal of Population Science, (2): 76-87, 127-128 (in Chinese)]

Zhang Yingna, 王悦, 胡昊宇, 袁春来. 2023. 基于手机信令大数据的京津冀城市群人口时空分布与流动特征分析. 地域研究与开发, 42(3): 161-167, 180[Zhang Y N, Wang Y, Hu H Y, Yuan C L. 2023. Analysis of population spatial-temporal distribution and mobility in Beijing-Tianjin-Hebei urban agglomeration based on mobile phone trajectory big data. Areal Research and Development, 42(3): 161-167, 180 (in Chinese)]

Barbosa H, Barthelemy M, Ghoshal G, James C R, Lenormand M, Louail T, Menezes R, Ramasco J J, Simini F, Tomasini M. 2018. Human mobility: Models and applications. Physics Reports, 734: 1-74

Butts C T. 2006. Exact bounds for degree centralization. Social Networks, 28(4): 283-296

Champion A G. 1994. Population change and migration in Britain since 1981: Evidence for continuing deconcentration. Environment & Planning A, 26(10): 1501-1520

Chen M, Li M, Hao Y X, Liu Z C, Hu L, Wang L. 2020. The introduction of population migration to SEIAR for COVID-19 epidemic modeling with an efficient intervention strategy. Information Fusion, 64: 252-258

Cui C, Wu X L, Liu L, Zhang W Y. 2020. The spatial-temporal dynamics of daily intercity mobility in the Yangtze River Delta: An analysis using big data. Habitat International, 106: 102174

De Nooy W, Mrvar A, Batagelj V. 2018. Exploratory Social Network Analysis With Paje. Cambridge: Cambridge University Press

Estrada E. 2013. The Structure of Complex Networks: Theory and Applications. Oxford: Oxford University Press

Pappalardo L, Manley E, Sekara V, Alessandretti L. 2023. Future directions in human mobility science. Nature Computational Science, 3(7): 588-600

Wang A Q, Zhang A S, Chan E H W, Shi W Z, Zhou X L, Liu Z W. 2021. A review of human mobility research based on big data and its implication for smart city development. ISPRS International Journal of Geo-Information, 10(1): 13

Zhou T, Huang B, Liu X Q, He G Q, Gou Q, Huang Z H, Xie C. 2020. Spatiotemporal exploration of Chinese spring festival population flow patterns and their determinants based on spatial interaction model. ISPRS International Journal of Geo-Information, 9(11): 670

Zhu R X, Wang Y J, Lin D, Jendryke M, Xie M X, Guo J Z, Meng L Q. 2021. Exploring the rich-club characteristic in internal migration: Evidence from Chinese Chunyun migration. Cities, 114: 103198