基于联通位置大数据的武汉城市圈和鄂西生态圈的人口流动评价

2020-09-07 00:00:00 0

摘要

随着我国经济化建设进程加剧,区域城市一体化也变得越来越显著。面对城市中日益增长的人口,如何准确地分析人口流动模式,确定城市间的人口流动情况对于我们优化城市管理模式,合理地进行城市规划有着积极的意义。基于手机信令的位置大数据有着空间和时间上连续、完整的特点,可在确保用户信息私密的情况下,准确、全方位地跟踪用户轨迹信息。基于此,本研究以湖北省一个月的联通手机位置大数据为例,利用大数据技术分析了湖北省武汉城市圈和鄂西生态圈的人口流动情况和特征,以期为进一步的城市规划/城市设计提供参考和指导。


关键字:位置大数据、信令数据、城市群、人口流动


01

引言


随着我国城市化进程不断加快,城市中聚集了越来越多的人口,由此带来了一系列的城市管理问题,城市群功能分区的不同加剧了人口的流动,并呈现出一定的规律性。准确地定位人口流动模式,对于我们优化城市管理模式,合理地进行城市规划有着积极的意义。


传统的人口流动分析往往基于人口普查数据、现场勘察等方式,存在诸多问题和不足。如采样人数较少、准确性较低等问题。通讯技术和时空大数据技术的进步和发展,为人口流动评价研究带来了新的思路和方法。目前,已有许多学者和专家利用多源位置数据进行了城市规划/城市设计的相关研究。如王开泳等通过识别中原经济区范围内的微博用户注册地和使用地,分析了该区域内的城市流动空间变异情况,但由于微博用户的样本量,及群体代表性的问题,仅能一定程度上反映该地区的人口流动情况。许留记等根据POI网点位置和名称字段进行模型构建,对2011年和2014年全国城市网格格局进行了纵向对比。还有一些研究,基于最新的时空大数据,为新型城市联系研究带来了思路。如卢佳利用腾讯位置大数据,研究了我国四大城市群内部空间联系格局特征变化情况,并通过人口流动情况,构建了城市联系强度、聚集强度等指标进行了具体量化分析。


为了进一步利用更为完整、连续、准确性高的数据进行分析研究,我们基于联通手机信令大数据大量的、带有时空语义信息的位置信令大数据分析了湖北城市群的人口流动情况和特征。根据信令数据和基站位置定位使用者当前的位置信息,确保了数据的连续性和完整性,同时,我们实时地对用户的位置进行逻辑判别,分析其工作地、居住地、游玩地等位置信息,并进一步分析用户通勤时长、距离、通勤方式等信息,形成时空位置标签信息。利用定位信息还原人口在时间维度和空间维度上的出行链路信息,进行群体特征行为洞察,为城市规划/城市设计提供参考和指导。


02

湖北城市群人口流动评价


人口的跨区流动和信息的跨区连通,在一定程度上反映了区域间的关联程度。基于此,本研究选取分别位于湖北省东西部的武汉城市圈和鄂西生态圈为研究对象,通过整合武汉城市圈和鄂西生态圈各城市人口跨区流动数据和跨区联通位置大数据,汇总计算出某时间两个区域间的关联系数及内部关联情况。


2.1 评价方法及指标


基于联通大数据SmartSteps平台,我们对手机信令数据进行加工和处理。具体来讲,通过分析原始的手机信令数据获取用户的驻留基站位置(空间精度为250m),对用户的驻留时长、行动轨迹信息分析、统计得到具有标签信息的联通位置大数据。我们利用2016年6月手机信令数据,分析湖北省的武汉城市圈和鄂西生态圈每天的去重来往人数,并通过分析城市内部人口流动情况、跨城市人口流动情况,以及城市间的联系人次,来对湖北各城市间的人流进行定量评价。进一步的,对于市内部人口流动情况,我们通过分析人们出行起点和终点在同一城市内的平均出行人次进行定量评价,并表述为城市对内联系度;对于跨城市人口流动情况,通过分析人们出行起点在该城市,但终点不在该城市的平均出行人次来定量评价,表述为城市对外联系度;对于城市间的联系人次,通过分析每日往返于城市A与城市B的平均人次来定量评价,并表述为城市间联系度。


2.2 研究结果


2.2.1武汉城市圈


基于城市对内联系度、对外联系度和城市间联系度,本研究首先分析了武汉城市圈中各个城市的人口流动情况。研究发现,武汉城市圈中,武汉市对内联系度最高,其平均每天对内出行人次可达318.19万人次(表1);而黄冈市次之,平均每天对内出行人次可达99.81万人次;咸宁市和黄石市平均每天对内出行人次均低于50万,其对内联系度分别是47.51和38.60万人次;孝感市和仙桃市平均每天对内出行人次均低于30万;武汉城市圈中对内联系度最低的城市是鄂州市、天门市和潜江市,均低于20万人次。



然后,我们还分析了各城市的对外联系度。同样地,武汉市平均每天对外联系度仍是最高,为1.24万人次。黄冈市平均每天对外联系度次之,为0.63万人次。然后是黄石市和鄂州市,平均每天对外联系人次分别为0.47和0.45万人次,我们可以发现对内联系度较低的鄂州市却有着较高的对外联系度,说明本月该市人口输出较为明显。该月份天门市和潜江市均有着最低的对内、对外城市联系度。


最后,我们还分析了城市间的联系度(图1),发现在武汉城市圈中,武汉市与黄冈市、咸宁市、孝感市的出行人次最多,平均每天联系人次均在2万人次以上。然后是鄂州市与武汉市、鄂州市与黄石市、黄冈市与黄石市,平均每天联系人次均在1万人次以上。其他城市间的联系度均在每天1万人次以下。


图1 武汉城市圈城市间联系度



2.2.2 鄂西生态圈


然后,本研究还分析了湖北省西部的鄂西生态圈中各个城市的人口流动情况。我们发现,在城市对内联系度方面,宜昌市和襄阳市平均每天对内联系度较高,均在100万人次以上,其对内联系度分别为116.47和107.85万人次(表2)。恩施市、荆州市和十堰市次之,对内联系度均在65万人次以上。对内联系度最低的是荆门市、随州市和神农架。


对外联系度方面,宜昌市、襄阳市和荆州市对外联系度最高,分别为0.34、0.29和0.26万人次。荆门市、恩施、十堰市和随州市次之,平均每天对外出行人次均在2000人以下。神农架最低,其平均每天对外出行人次仅有248人。该月对外联系度方面,鄂西生态圈明显低于武汉城市圈。


各城市间的联系度方面(图2),宜昌市与荆州市、宜昌市与恩施、襄阳市与十堰市间的城市联系度最高,平均每天联系人次均在7000人次以上。然后,荆州市与荆门市、襄阳市与随州市、襄阳市与荆门市、襄阳市与宜昌市、襄阳市与荆州市、荆门市与宜昌市、荆州市与随州市的城市联系度均在1千到4千人次之间。其他城市间的联系度均在每天1千人次以下。可以明显地发现鄂西生态圈各城市间的联系度,明显地低于武汉城市圈各城市间的联系度,有着较弱的人流活动。

图2 鄂西生态圈城市间联系度


2.2.3 两圈之间的联系


我们还进一步对比武汉城市圈和鄂西生态圈之间的联系度(图3)。研究发现,平日两个城市圈之间的人流联系基本稳定,约6-7万人;端午期间,从8-9号开始,客居在武汉的人回鄂西过节或游玩,11-12号返回武汉。此外,周五有更多的人群从武汉到鄂西,周日则有更多的人群从鄂西回到武汉,仍说明了武汉城市圈在城市功能结构中的核心地位。


图3 武汉城市圈和鄂西生态圈之间的联系人次



03

讨论


从分析结果来看,武汉城市圈各城市平均对外联系度为0.44万人次,对内联系度为65.97,武汉城市圈内部的人流更为活跃,而鄂西相对弱些,平均对外联系度为0.18万人次,对内联系度为62.08。在武汉城市圈内,武汉是核心城市,有着最高的对内联系度和对外联系度;鄂西生态圈内,宜昌市和襄阳市则是核心城市,有着最高的对内联系度和对外联系度。


为了进一步讨论城市群内部的城市功能,我们探讨了两圈中核心城市间的人流关系。研究发现,平日的联系人次基本稳定,而端午节的联系则表现出一定的规律。武汉到襄阳市和宜昌市在端午节前呈现出人流的高峰,而在端午节后,襄阳市和宜昌市到武汉的人流则呈现出高峰(图4)。对于襄阳,与武汉的人流情况在端午节前后呈现出一定规律,而与宜昌市则与平日一致;就总量而言,襄阳与武汉之间的联系人次要高于襄阳和宜昌间的联系人次(图5)。


图4 与武汉相关的城市间联系度


图5 与襄阳相关的城市间联系度


04

结论


随着城市化进程不断加剧,如何准确、合理地定位人口流动模式,确定城市间的人口流动情况对于我们优化城市管理模式,合理地进行城市规划有着积极的意义。为此,本研究基于联通手机信令大数据获取用户的位置数据,以湖北省一个月的联通手机位置大数据为例,利用大数据技术分析了湖北省武汉城市圈和鄂西生态圈的人口流动情况和特征。在武汉城市圈中,武汉市是该城市群中的核心城市,有着最高的对内联系度和对外联系度,而黄冈市次之。天门市和潜江市有着最低的对内联系度和对外联系度,人们对内出行较不明显。城市间的联系度方面,武汉是各个城市人口流动的核心城市,与黄冈市、咸宁市、孝感市平均每天联系人次均在2万人次以上。而在鄂西生态圈,宜昌市和襄阳市是核心城市,有着较高的对内联系度和对外联系度。而荆门市、随州市有着较低的对内联系度和对外联系度。城市间的联系度方面,宜昌市与荆州市、宜昌市与恩施、襄阳市与十堰市间均有着较高的城市间联系度,一定程度上说明了宜昌市和襄阳市在城市圈功能中的核心地位。而两圈之间的联系度较为紧密,鄂西生态圈初步形成了以襄阳与宜昌为核心的格局,而武汉城市圈则是武汉为核心,同样也是湖北省的中心,周边地市的地位也已经凸显。


基于手机信令的位置大数据技术,可利用定位信息还原群体在时间维度和空间维度上的出行链路信息,进而进行群体特征行为洞察,为城市规划、城市设计提供参考和指导。


参考文献


[1]刘瑜, 詹朝晖, 朱递,等. 集成多源地理大数据感知城市空间分异格局[J]. 武汉大学学报(信息科学版), 2018, 43(3):327-335.

[2]李德毅. 大数据时代的位置服务[J]. 测绘科学, 2014, 39(8):3-6.

[3]刘经南, 方媛, 郭迟,等. 位置大数据的分析处理研究进展[J]. 武汉大学学报(信息科学版), 2014, 39(4):379-385.

[4]Thakuriah P, Tilahun N Y, Zellner M. Big Data and Urban Informatics: Innovations and Challenges to Urban Planning and Knowledge Discovery[J]. 2017.

[5]刘剑锋, 寺原让治. 中国西南地区中小城市人口流动分析及对城市化的启示——5个案例城市及农户调查[J]. 城市规划学刊, 2005(3):18-23.

[6]劳昕, 沈体雁. 中国地级以上城市人口流动空间模式变化——基于2000和2010年人口普查数据的分析[J]. 中国人口科学, 2015(1):15-28.

[7]蔚志新. 分地区流动人口居留意愿影响因素比较研究——基于全国5城市流动人口动态监测调查数据[J]. 人口与经济, 2013(4):12-20.

[8]王开泳, 邓羽. 基于微博数据的中原城市群空间联系强度测度[J]. 中国科学院大学学报, 2016, 33(6):775-782.

[9]许留记, 金慧. 中原城市群服务业水平空间格局演变[J]. 河南科学, 2016, 34(9):1579-1585.

[10]卢佳. 基于腾讯位置大数据的四大城市群内部空间联系格局特征研究[J]. 《持续发展 理性规划——2017中国城市规划年会论文集(05城市规划新技术应用)》, 2017.