EN中文

地理研究 >

2021 , Vol. 40 >Issue 6: 1823 - 1839

DOI: https://doi.org/10.11821/dlyj020200507

1995—2015年中国省际人口迁移网络的演化特征——基于异质性劳动力视角

  • 古恒宇 ,
  • 沈体雁
展开
  • 北京大学政府管理学院,北京 100871
沈体雁（1971-）,男,湖北天门人,博士,教授,博士生导师,主要研究方向为城市规划与区域经济。E-mail:

古恒宇（1994-）,男,广东广州人,博士研究生,主要研究方向为人口迁移与城镇化、空间计量经济学。E-mail:

收稿日期: 2020-06-08

  录用日期: 2020-09-02

  网络出版日期: 2021-08-10

基金资助

国家社会科学基金重大项目(17ZDA055)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Evolution patterns of China's interprovincial migration networks between 1995 and 2015: Based on labour heterogeneity

  • GU Hengyu ,
  • SHEN Tiyan
Expand
  • School of Government, Peking University, Beijing 100871, China

Received date: 2020-06-08

  Accepted date: 2020-09-02

  Online published: 2021-08-10

Copyright

Copyright reserved © 2021
Fold

摘要

自户籍制度放宽以来,中国经历了大规模的人口迁移。其中,异质性劳动力（高技能劳动力、普通劳动力）在迁移过程中表征出不同的空间格局和网络组织特征,对地区经济发展产生各异的影响。本研究基于人口普查和抽样调查微观抽样数据,使用复杂网络理论对1995—2015年中国异质性劳动力迁移的时空格局和网络演化展开分析,并分析了格局背后的可能成因。研究发现：① 省际高技能和普通劳动力迁移均呈现出持续高度不平衡的空间集聚特征,承载大量人口的迁移流主要由中国中西部地区指向东部沿海地区,但这种空间不平衡特征呈现出一定的减弱趋势。高技能劳动力的平均迁移距离比普通劳动力更长;② 两类劳动力迁移网络中均呈现明显的“小世界”特性,但普通劳动力迁移网络的迁移强度和关联程度均高于高技能劳动力迁移网络;③ 两类劳动力迁移网络均呈现出以北京、上海、广东为主要核心节点的网络结构。高技能劳动力网络结构呈现相对稳定的特征,而普通劳动力网络结构则呈现出变化的趋势;④ 地区经济差异、路径依赖效应、异质性劳动力在就业市场上的差异性以及劳动力市场对异质性劳动力需求的差异是导致两类劳动力迁移格局差异性的重要成因。

关键词： 高技能劳动力; 普通劳动力; 省际人口迁移; 空间演化格局; 网络结构; 中国

本文引用格式

古恒宇 , 沈体雁 . 1995—2015年中国省际人口迁移网络的演化特征——基于异质性劳动力视角[J]. 地理研究, 2021 , 40(6) : 1823 -1839 . DOI: 10.11821/dlyj020200507

Abstract

With the loosing of the household registration (hukou) system, China has witnessed massive volumes of interregional migration. Among all kinds of migration, skilled migration and less-skilled migration present differential spatial patterns and network characteristics over time and may exert distinguished impacts on regional development and innovation. However, due to limited data availability, prior studies only adopted cross-sectional data analysis and examined the patterns of skilled and less-skilled migrations before 2005, whereas few have been done on related topics after 2005. Drawing on previous studies, the present paper uses micro-level datasets from population censuses and sample surveys to assess the spatial evolution patterns of China's skilled and less-skilled internal migrations between 1995 and 2015. Besides, several complex network analysis methods have been employed, together with the network visualization technique. The results of the paper are listed as follows. First, there were spatial clustering and uneven patterns in both skilled and less-skilled internal migrations over the 20 years of 1995-2015, where migration flows containing a large percentage of skilled and less-skilled migrants originated from inland western and central regions to the eastern coastal areas of China. However, the degree of spatial unevenness in the migration patterns has been slightly weakened. In addition, the average migration distance of skilled migration was farther than that of less-skilled migration in the same period. Second, both of the two migration networks have presented a “small-world” property over the 20 years. In comparison, the intensity and connection degree of less-skilled migration networks have prevailed over that of the skilled migration networks. Third, results from the community detection have revealed that both skilled and less-skilled migrations exhibited a network structure where Beijing, Shanghai, and Guangdong served as the core nodes. Skilled migration presented a more stable network structure during the 20 years, while less-skilled migrations showed a persistently changing pattern. Fourth, the paper suggested that regional economic disparity, path dependence effect, the heterogeneity of different labour forces in the job market, and the differences in labour market demand for different labour forces were underpinning factors shaping the spatial evolution pattern and network structure of the two types of migration from 1995 to 2015.

Key words： skilled migration; less-skilled migration; interprovincial population migration; spatial evolution pattern; network structures; China

1 引言

1958年颁布的《中华人民共和国户口登记条例》标志着中国城乡二元体制的确立。此后,严格的户籍管理条例限制了劳动力跨区域迁移的步伐[1]。自改革开放以来,中国的户籍制度开始放松,居民身份证制度开始实施[2]。未持有本地户口的流动人口得以在非户籍地工作和生活,大规模人口的跨区域流动格局开始形成。1985—2016年,中国省际人口迁移数量从1100万增至5320万[3],中国的城镇化率也在2019年末达到了60.6%。可见,人口迁移极大程度地推动了中国经济发展和城镇化率的提升[4]。
总体上看,中国的人口迁移格局主要经历了两个主要时段的演变。自1985—2000年,受持续人口红利推动,中国的人口迁移极大促进了沿海地区以劳动密集型产业为主体的外向型经济的发展,大量的普通劳动力从中西部地区迁移至东部沿海地区就业、工作和生活[5]。2000年后,人口红利逐渐消减,劳动力市场开始出现拐点。中国的产业逐步迎来更新升级,主要发达地区的产业从劳动密集型转为技术密集型[6]。创新型和高技术产业的蓬勃发展使得各地政府对高技能人才的关注日益增加。2010年,中国颁布《国家人才中长期发展规划纲要》,此后,一系列的地区性人才政策开始颁布,中国进入“人才争夺”时代。
从劳动力异质性视角看,作为具有更高人力资本的劳动力,高技能劳动力在就业市场上往往能够获得更高的劳动报酬以及更稳定的就业条件[7]。研究证实,跨世纪以来,中国高技能劳动力往往高度集聚在东部沿海地区,覆盖了一线城市和部分新一线城市[8,9]。尽管高技能劳动力得到广泛关注,普通劳动力在驱动经济发展中的作用仍不可替代。特别对于部分中西部的中小城市,如何吸引普通劳动力流入成为了驱动经济持续发展的关键[7]。同时,对于以劳动密集型产业为主导的地区,如何进一步吸引普通劳动力落户也成为重要议题。因此,对高技能和普通劳动力迁移模式和影响因素的对比研究亟待展开[5]。
传统的经典人口迁移理论主要从经济因素角度解释人口迁移[10,11,12]。经典的人口迁移理论主要将迁移者看成一个同质化的整体,缺乏对群体异质性的讨论[7]。随着20世纪70年代在美国出现的自东部向西部的“淘金”迁移潮流,高技术人才的迁移机制受到了更多学者的关注[13,14,15,16,17,18,19]。首先,部分学者仍从经济和家庭因素角度解释高技能劳动力的区域迁移行为[13,14,15]。高技能劳动力在空间上呈现集聚的迁移模式,从经济落后地区迁移至经济发达地区以获得更高的经济回报[13]。另一部分学者则开始强调地区舒适度水平差异的影响[16,17]。在Graves的“均衡理论”中,劳动力在地区间获得的劳动报酬的差异是对地区舒适度水平的补偿[16]。Glaeser等认为区域人才迁移和城市发展的关键要素是区域提供的公共服务水平以及区域的消费水平[17]。
在中国,随着户籍制度的放松,高技能劳动力与普通劳动力的区域迁移规模均持续上升[7]。21世纪以来,中国地区间劳动力迁移的空间格局和影响因素受到学界的广泛关注[2-4,18-21]。研究显示,中国劳动力迁移呈现出高度不均衡且集聚的空间模式,大量的劳动力从中国中西部内陆地区迁移至东部沿海发达地区[2]。此外,在“流空间”理论的影响下,国内一部分学者利用新兴数据（如手机信令数据）从复杂网络的角度对人口流动展开研究[22,23]。
与此同时,一部分学者开始关注于中国高技能劳动力（人才）区域迁移的研究[24,25,26,27]。相关主题包括分布格局、迁移模式、影响因素、空间溢出效应等,既有研究结果显示出高技能劳动力迁移和空间分布的集聚特征。相比地方舒适度因素,经济和就业因素被认为是影响中国高技能迁移的主导因素[26]。从劳动力供给的角度来看,本地高校数量对于高技能劳动力的迁入和空间分布都产生重要的促进作用[25]。
异质性劳动力在迁移格局、影响机制、地区经济效应等方面都呈现出显著差异性[5],然而目前仅有少数研究从异质性劳动力视角对高技能和普通劳动力的迁移格局展开对比分析[5,26,27]。Shen等指出2000—2005年间中国高技能劳动力的迁移呈现出比普通劳动力迁移更强的非对称性,这是由于普通劳动力迁出地的空间分布较高技能劳动力而言更为集中[26];Liu等研究进一步发现,相比普通劳动力,中国省际高技能劳动力迁移受到距离摩擦、失业率、外商直接投资的影响相对较小,而受到区域工资差异的影响更大[5]。
尽管复杂网络分析被逐步运用于中国人口迁移研究,但并未出现运用该手段对中国异质性劳动力迁移格局的对比研究。目前为止,受到数据开放性的影响,有关高技能劳动力迁移的文章主要使用2005年及其以前的人口普查或抽样调查数据。既有研究主要使用截面分析手段,缺乏在纵向尺度上对异质性劳动力迁移演化特征的对比研究。本文的主要贡献是将以往对异质性劳动力迁移格局的研究时段拓展至1995—2015年,并运用一系列网络可视化和复杂网络分析方法对异质性劳动力迁移网络的时空演化格局和成因展开分析,以期对制定相关流动人口、各类人才、户籍和地区发展政策提供参考。

2 研究设计

2.1 研究区概况与数据来源

本文的研究区域主要为31个中国省级行政单元,包括27个省、自治区与4个直辖市。由于数据的缺失,香港特别行政区、澳门特别行政区和台湾地区不包括在基础研究单元之内。研究范围覆盖中国3个主要的地理分区：东部地区、中部地区、西部地区[2]。
本文的研究数据主要来源2000年第五次全国人口普查、2010年第六次全国人口普查、2005年全国1%人口抽样调查和2015年全国1%人口抽样调查的千分之一微观数据库。研究中对迁移者的定义是在普查时点（2000年、2005年、2010年、2015年的11月1日）和5年前普查时点（1995年、2000年、2005年、2010年的11月1日）常住地发生改变的中国公民。考虑到大专文凭表征出的区分高等教育与中等教育的临界意义[28],参考Liu等,高技能迁移被定义为最高学历为大专或以上,年龄在24~64岁的迁移者,而普通迁移被定义为最高学历为大专以下,年龄在24~64岁的迁移者;为提取实际参与经济活动的人口,将学生、家庭主妇、离退休人员、丧失工作能力的人员等相关样本删除[5]。
本文主要的研究对象是1995—2015年省际高技能和普通劳动力迁移。删除省内迁移后,总共得到31个省级行政单位之间930条迁移流。高技能和普通迁移人员根据微观数据中的统计结果,结合当期各省的抽查比率反推而得,并进行四舍五入计算。在最终的数据集中,1995—2000年共有约128万高技能迁移劳动力和约1696万普通迁移劳动力,2000—2005年共有约166万高技能迁移劳动力和约1780万普通迁移劳动力,2005—2010年共有约381万高技能迁移劳动力和约2831万普通迁移劳动力,2010—2015年共有约344万高技能迁移劳动力和1784万普通迁移劳动力。

2.2 复杂网络分析

Watts等于1998年提出了复杂网络的“小世界”理论[29]。本文构建了一个 31 × 31 的矩阵 W 来刻画中国省际异质性劳动力迁移。矩阵的 w ij 元素为由省份 i 迁往省份 j 的异质性劳动力规模（人）。由于不考虑省内迁移,矩阵的对角线为0值。根据迁入地、迁入地和迁移规模等信息,可以将该矩阵转化为一个反映异质性劳动力省际迁移的有向、加权网络。网络的节点为省份,边为省份之间的劳动力迁移流。进一步,对网络中0值的迁移流进行删除,得到最终用于分析的迁移网络。本研究主要使用Gephi软件与ArcGIS软件,基于复杂网络理论,使用强度中心性、平均聚类系数、平均路径长度、网络密度和社区发现等方法展开分析。复杂网络方法如下所示：
2.2.1 强度中心性 在网络中节点的强度中心性可以反映节点在网络中的相对地位。本文构建的网络为有向、加权网络,可计算节点的加权入度、加权出度和加权总度。3个指标可以分别反映异质性劳动力迁移网络中各省份的迁入总量、迁出总量和总迁移量：
S in i = ∑ j w ji
S out i = ∑ j w ij
S i = S in i + S out i
式中： S in i 为节点省份i的加权入度; S out i 为节点省份i的加权出度; S i 为节点省份i的加权总度; w ij 、 w ji 分别为省份i、j与省份j、i之间当期异质性劳动力迁移数量。参考Bell等的定义[30],使用加权入度和加权出度可以计算节点的网络迁移效率：
E i = S in i + S out i S in i - S out i
式中： E i 的网络迁移效率; E i 取值范围在[-1,1]之间,正值代表正向网络迁移效率,负值则代表负向网络迁移效率;网络迁移效率的绝对值越接近1,代表迁移强度越大[30]。
2.2.2 平均聚类系数 节点的聚类系数是描述复杂网络节点聚类程度的指标,其核心思想是计算节点的邻点之间也成为邻点的比重。聚类系数表征了节点形成小集团结构的程度。本研究中,在有向加权网络的语境下,对于迁移网络整体,设节点省份数量为N,则其平均聚类系数 C 可以表征为每个节点省份聚类系数 c i 的平均值,用于测度迁移网络总体的平均互联水平。计算公式如下：
C = 1 N ∑ c i = ∑ 1 S i ( d i - 1 ) ∑ j ≠ k w ij + w ik 2 a ij a jk a ik
式中： S i 为节点i的加权总度; d ( i ) 为节点i的非加权度; a ij 、 a jk 、 a ik 为节点ij、jk和ik之间的关联度,如果节点之间存在联系则赋值为1,否则为0。
2.2.3 平均路径长度 网络的平均路径长度为所有节点对之间路径长度的平均值。网络中任意节点对i和j之间的路径长度 D ij 被定义为从节点i到节点j的最短路径长度。本研究中,平均路径长度可以反映异质性劳动力迁移网络的易达程度和关联程度,公式为：
D ¯ = 2 N ( N - 1 ) ∑ i ≥ j D ij
式中：N为网络节点总数; D ¯ 为平均路径长度。若平均路径长度越小,则各个地区间人口迁移关联更为便捷。
2.2.4 网络密度 网络密度是用来衡量网络联系紧密程度的指标。对于节点数量为N的网络而言,其真实存在的边数为M,则任意两个节点可能存在的最大理论边数量为 [ N ( N - 1 ) ] / 2 ,此时网络密度可以表达为：
Dens = 2 M N ( N - 1 )
2.2.5 社区发现 社区发现（模块度）为Newman提出的对网络集群划分的方法[31],其核心思想是将连接的较为紧密的节点划分为一个集群,这样模块度值就会增大,因此划分集群的过程就是最大化模块度值的求解过程[31]。本研究中,模块度被用于计算异质性劳动力迁移网络的结构,公式如下：
Q = 1 2 m ∑ i , j w ij - d i d j 2 m δ ( g i , g j )
式中： Q 是模块度值; w ij 是地区i和j之间人口迁移规模; d i 和 d j 是省份i和j的非加权度值; g i 和 g j 和是节点i和j被分入的社区; m 是网络中的总权重（迁移总量）。Fast-unfolding算法被运用于模块度的计算中[32]。

3 结果分析

3.1 总体特征分析

3.1.1 高度不平衡的劳动力迁移模式 基尼系数被运用于测度中国省际异质性劳动力迁移网络的不平等程度,弦图（chord diagram）则被用于对异质性劳动力迁移网络进行可视化展现[33]。4个时段异质性劳动力迁移的基尼系数以及网络可视化的效果分别如图1~图3所示。从网络可视化结果中可见,中国1995—2015年省际高技能劳动力迁移和一般劳动力迁移模式呈现出明显共性。首先,两类劳动力迁移都显示出高度不平衡的空间集聚特征：少数迁移流承载着相当大的迁移规模,主要由中国中西部地区的内陆省份（如四川、江西、湖南）迁至东部沿海省份（如北京、上海、广东）。结果显示,对于中国内陆省份而言,它们既面临着劳动力流失的问题,又遭受“智力流失”的困境。1995—2015年,两类劳动力的基尼系数都超过0.7,显示出高度不平衡的特征。另一方面,二十年间两类劳动力迁移网络的基尼系数都呈现出微弱下降趋势,显示出一定的分散化特征。高技能劳动力的基尼系数持续低于普通劳动力的基尼系数,说明普通劳动力迁移网络的不平衡程度更高。
图1 异质性劳动力迁移的基尼系数结果

Fig. 1 Gini Index results of heterogeneous migration

3.1.2 高技能和普通劳动力迁移网络呈现出明显的方向性特征 弦图（图2、图3）的结果显示出高技能和普通劳动力迁移网络在二十年间呈现出明显的方向性特征。例如,对于普通劳动力而言,自1995—2015年,有相当大比例的来源为广西和湖南的劳动力迁移至广东。对于高技能劳动力而言,尽管其迁移的方向性特征不如普通劳动力明显,但仍表征出一定的方向性特征。例如,从安徽迁出的高技能劳动力,绝大多数迁移至上海、江苏、浙江。这种持续存在的方向性特征反映出中国人口迁移的路径依赖特性,在目的地省份迁移上一时期迁移者数量的增加意味着当前迁移人口就业和生存风险的下降以及更强的社会网络[34]。
图2 高技能劳动力迁移的网络可视化结果

Fig. 2 Results of the chord diagrams of skilled migration

图3 普通劳动力迁移的网络可视化结果

Fig. 3 Results of the chord diagrams of less-skilled migration

3.1.3 高技能劳动力迁移距离更长,普通劳动力迁移距离更短 进一步,本研究基于百度地图（map.baidu.com）中各省省会之间最短出行距离① (① 统计时点为2018年9月1日。)作为两省之前的迁移距离,并计算高技能劳动力和普通劳动力4个时期的平均迁移距离。结果如图4所示,在4个时期,高技能劳动力迁移距离都远大于普通劳动力的迁移距离。这与两类劳动力在就业市场上的人力资本及就业竞争力差异有关。此外,1995—2015年两类劳动力的迁移距离都呈现下降的趋势。对比之下,高技能劳动力迁移距离的下降速度比普通劳动力更快。近年来为促进区域均衡发展,中国颁布了一系列推进就近与就地城镇化以及推进公共服务均等化等政策,一定程度上导致了劳动力选择迁移至距离更近、与家乡文化更为相近的目的地。与此同时,一些地区相继实施的人才落户、工作等补贴政策,更大程度上引起了高技能劳动力迁移距离的下降。
图4 异质性劳动力平均迁移距离

Fig. 4 Average distances of heterogeneous migrantion

3.2 复杂网络分析

3.2.1 广东、上海、北京等东部地区加权入度较高,湖北、湖南、四川等中西部地区加权出度较高 首先,统计在高技能劳动力和普通劳动力加权入度、加权出度、加权总度排名前五的省份（表1）,可以发现,加权入度较高的地区主要包括广东、北京、上海、浙江、江苏等位于东部沿海的省市。这些地区拥有较高的经济发展水平和更多的就业机会,吸引了大量的高技能和普通劳动力迁入。加权出度排名较高的省份包括湖南、湖北、江西、安徽、四川等位于中部及西部地区的省份。这些省份拥有较大人口基数,长期经历大规模的人口外流。此外,广东、江苏等人口流入大省在部分年份也成为高技能劳动力和普通劳动力的流出大省。加权总度较高的省份既包含了人口流入大省如北京、广东、上海,又包含人口外流大省如四川、安徽、湖北。上述地区由于具有较大的加权总度,在高技能劳动力和普通劳动力迁移方面与其他省份建立了紧密的迁入或迁出向的经济联系。
表1 异质性劳动力加权入度、加权出度、加权总度排名前五省份

Tab. 1 Top-5 provinces of the weighted in-degree, weighted out-degree, and weighted total-degree of heterogeneous migration

加权入度（前五名） 加权出度（前五名） 加权总度（前五名）
高技能劳动力
(1995—2000年)		 广东(363365)、北京(125513)、上海(104627)、江苏(68669)、山东(68451) 湖北(112021)、湖南(99909)、
江西(73356)、四川(72049)、
江苏(71915)		 广东(393138)、北京(180316)、江苏(140584)、上海(139502)、湖北(137298)
普通劳动力
(1995—2000年)		 广东(6129677)、浙江(1653264)、上海(1160322)、
江苏(1060258)、北京(804127)		 四川(2997373)、湖南(1770755)、安徽(1522367)、
江西(1344594)、湖北(1098865)		 广东(6327138)、四川(3243252)、浙江(2246873)、
湖南(1918750)、江苏(1739002)
高技能劳动力
(2000—2005年)		 广东(401493)、上海(244800)、北京(243536)、江苏(116562)、浙江(114020) 湖北(144142)、湖南(118301)、江苏(116588)、河南(92649)、
安徽(82078)		 广东(472050)、北京(314176)、上海(283575)、江苏(233150)、湖北(162896)
普通劳动力
(2000—2005年)		 广东(4080995)、浙江(2967562)、江苏(1822860)、
上海(1561191)、福建(1029780)		 四川(2183967)、安徽(2156465)、河南(1414058)、
湖南(1319237)、广东(1188666)		 广东(5269661)、浙江(3608401)、四川(2645970)、
安徽(2605456)、江苏(2536525)
高技能劳动力
(2005—2010年)		 广东(720555)、北京(537781)、上海(526109)、浙江(359018)、江苏(303309) 湖北(330214)、湖南(284257)、安徽(227224)、山东(216697)、河南(207890) 广东(882410)、北京(665004)、上海(620114)、江苏(505217)、浙江(479329)
普通劳动力
(2005—2010年)		 广东(7969140)、浙江(4746935)、江苏(2578639)、
上海(2346596)、北京(1508811)		 四川(3173876)、安徽(3033649)、河南(2718553)、
湖南(2597233)、江西(1978175)		 广东(8970816)、浙江(5468590)、四川(3677669)、
江苏(3596299)、安徽(3470424)
高技能劳动力
(2010—2015年)		 广东(522166)、上海(483393)、北京(448468)、江苏(279856)、浙江(171610) 湖北(234042)、河南(217969)、安徽(217592)、江苏(212633)、河北(192960) 广东(710391)、北京(618385)、上海(599170)、江苏(492489)、湖北(325839)
普通劳动力
(2010—2015年)		 广东(3655199)、浙江(2517428)、江苏(1458558)、
上海(1363645)、天津(1111986)		 河南(1704438)、安徽(1582111)、四川(1338739)、
广东(1334629)、湖南(1327274)		 广东(4989828)、浙江(3279583)、江苏(2185684)、
安徽(1973927)、四川(1948076)
3.2.2 高技能劳动力和普通劳动力主要从中西部地区流入东部沿海地区,普通劳动力的迁移强度高于高技能劳动力 计算各省份高技能劳动力和普通劳动力的网络迁移效率。结果如表2所示,总体上看,绝大多数东部省份的两类劳动力的网络迁移效率为正,而中西部地区的网络迁移效率则为负。这说明高技能和普通劳动力主要从中西部地区流入东部沿海地区。东部地区中除河北、辽宁外的省份都具有正向且较高的高技能和普通劳动力网络迁移效率。中部地区方面,除了山西在部分年份具有正的普通劳动力迁移效率,其余省份在1995—2015这二十年间皆呈现负的高技能和普通劳动力迁移效率。西部地区省份可大致分为两类：一部分省份（新疆、西藏、内蒙古、宁夏、青海）对高技能和普通劳动力具有一定的吸引力,其网络迁移效率为正。云南的高技能劳动力迁入效率也为正,是高技能劳动力的主要迁入地之一。然而,另一部分省份（如四川、重庆、陕西、广西、贵州）则是高技能劳动力和普通劳动力的主要流出地。
表2 异质性劳动力的网络迁移效率

Tab. 2 Network migration elasticities of heterogeneous migration

高技能劳动力网络迁移效率 普通劳动力网络迁移效率
1995—
2000年		 2000—
2005年		 2005—
2010年		 2010—
2015年		 1995—
2000年		 2000—
2005年		 2005—
2010年		 2010—
2015年
东部地区 0.369 0.647 0.349 0.257 0.647 0.515 0.597 0.397
北京 0.392 0.550 0.450 0.617 0.912 0.689 0.844 0.560
天津 0.197 -0.028 0.515 0.235 0.526 0.833 0.832 0.879
河北 -0.280 -0.336 -0.496 -0.427 -0.055 -0.244 -0.305 -0.422
辽宁 -0.155 -0.334 -0.363 -0.221 0.507 0.341 0.380 -0.136
上海 0.500 0.727 0.614 0.697 0.859 0.708 0.827 0.643
江苏 -0.023 0.000 0.136 0.201 0.219 0.437 0.434 0.335
浙江 0.319 0.468 0.166 0.498 0.472 0.645 0.736 0.535
福建 0.491 0.074 0.324 0.075 0.424 0.449 0.422 0.357
山东 0.154 0.017 -0.361 -0.387 0.192 0.077 -0.288 -0.361
广东 0.849 0.701 0.470 0.633 0.938 0.549 0.777 0.465
海南 0.318 0.078 0.256 0.099 0.476 0.088 0.189 0.106
中部地区 -0.603 -0.694 -0.667 -0.574 -0.712 -0.636 -0.725 -0.600
山西 -0.357 -0.617 -0.365 -0.328 0.359 -0.128 0.044 -0.575
吉林 -0.896 -0.856 -0.596 -0.617 -0.405 -0.350 -0.569 -0.422
黑龙江 -0.738 -0.755 -0.914 -0.865 -0.527 -0.737 -0.760 -0.740
安徽 -0.351 -0.608 -0.630 -0.544 -0.822 -0.655 -0.748 -0.603
江西 -0.704 -0.497 -0.630 -0.670 -0.859 -0.548 -0.711 -0.619
河南 -0.398 -0.698 -0.722 -0.723 -0.720 -0.816 -0.871 -0.815
湖北 -0.632 -0.770 -0.437 -0.735 -0.637 -0.614 -0.668 -0.415
湖南 -0.581 -0.702 -0.373 -0.677 -0.846 -0.620 -0.753 -0.495
西部地区 -0.227 -0.292 -0.146 -0.014 -0.440 -0.428 -0.460 -0.214
内蒙古 -0.589 -0.211 0.252 0.045 -0.097 0.128 0.369 0.397
广西 -0.050 -0.153 -0.203 -0.091 -0.687 -0.503 -0.683 -0.422
重庆 -0.282 -0.207 0.069 -0.109 -0.508 -0.554 -0.593 -0.213
四川 -0.143 -0.234 -0.111 -0.240 -0.848 -0.651 -0.726 -0.374
贵州 -0.455 0.087 0.187 -0.090 -0.583 -0.411 -0.585 -0.208
云南 0.303 -0.163 0.251 0.189 0.395 -0.149 -0.128 -0.201
西藏 0.021 -0.928 0.133 0.320 0.513 -0.071 0.527 0.409
陕西 -0.351 -0.656 -0.318 -0.436 -0.307 -0.422 -0.354 -0.397
甘肃 -0.487 -0.565 -0.485 -0.463 -0.535 -0.561 -0.579 -0.531
青海 -0.576 0.156 -0.047 0.282 -0.067 0.079 0.580 0.363
宁夏 -0.187 -0.297 -0.068 0.173 0.544 0.161 0.303 0.093
新疆 0.090 -0.370 0.446 0.038 0.828 0.565 0.710 0.640
表3 异质性劳动力迁移网络的聚类系数、平均路径长度与网络密度

Tab. 3 Clustering coefficients, average path lengths and densities of heterogeneous migrantion

迁移时段 平均聚类系数 平均路径长度 网络密度
高技能劳动力 1995—2000 0.502 1.691 0.387
2000—2005 0.637 1.449 0.568
2005—2010 0.696 1.386 0.614
2010—2015 0.683 1.375 0.629
普通劳动力 1995—2000 0.761 1.319 0.681
2000—2005 0.871 1.159 0.841
2005—2010 0.821 1.214 0.786
2010—2015 0.790 1.232 0.786
另一方面,在东部地区,多数时段普通劳动力的迁移效率大于高技能劳动力,而在中西部地区,多数时段普通劳动力的迁移效率小于高技能劳动力。以上结果说明,普通劳动力的迁移强度高于高技能劳动力。普通劳动力市场工资待遇相对较低、失业风险较大、就业保障相对薄弱,因而导致普通劳动力相比高技能劳动力而言迁移更加频繁。
3.2.3 高技能劳动力和普通劳动力迁移网络中表征出“小世界”特性 为检验中国省际高技能劳动力以及普通劳动力迁移网络是否具备“小世界”特性,本研究生成了与实际网络具有相同节点数量（31）的随机网络（边的生成概率为10%）。该随机网络的平均聚类系数为0.026,平均路径长度为2.110。相比随机网络,两类迁移网络的平均聚类系数更小而平均路径长度更大,说明了两类迁移网络中的“小世界”特性,也表明迁移网络中的一小部分省份跟其余省份之前产生了极大强度的迁移联系。对比两类迁移网络可以发现,对于普通劳动力而言,其迁移网络的平均聚类系数和密度在1995—2005年期间呈现上升趋势,此后在2005—2015年下降,而其平均路径长度则呈现相反的先降后升的趋势。这说明普通劳动力迁移网络的“小世界”特性自2005年后呈现减弱的趋势。高技能迁移网络的平均聚类系数和密度在二十年间呈现持续的上升趋势,而其平均路径长度持续下降,这说明高技能迁移网络的“小世界”特性在持续增强。此外,每一迁移时段高技能劳动力迁移网络的平均聚类系数和密度都低于同期普通劳动力迁移网络,而其平均路径长度则更大。这是由于高技能劳动力迁移的目的地只有少数发达的地区（北京、上海、广东）,而相对来说有更多的省份对低技能劳动力供给产生需求联系,因而普通劳动力迁移网络的联系程度相对高技能劳动力而言更为紧密。

3.3 社区结构特征

3.3.1 探测出以北京、上海、广东为3个主要核心节点的社区网络结构 模块度结果如表4所示,表中被识别为同一社区的省份被标记以同一颜色,表中数值为该省份的加权总度,即劳动力迁入量和迁出量之和。结果显示,无论是高技能劳动力迁移还是普通劳动力迁移,它们的社区发现结果都显示出以北京、上海、广东为3个核心节点的网络结构。换言之,3省市在中国高技能和普通劳动力迁移网络中占据较高的地位。尽管两类劳动力的迁移网络结构在二十年间呈现出了一定的变化趋势,但总体而言,“北京社团”主要包含北京市及其周围邻近的省级行政单位,包括天津、河北以及东北地区三省（吉林、辽宁、黑龙江）;“上海社团”主要包含上海及其长江三角洲其余两省（江苏、浙江）,以及部分中部省份;而“广东社团”则包含广东以及一部分西南地区省份如四川、重庆和广西。
表4 异质性劳动力迁移网络的社区发现结果

Tab. 4 Community detection results of heterogeneous migration

注： 代表北京社团, 代表广东社团, 代表上海社团, 代表浙江社团;表中数值为各省份异质性劳动力的加权总度。

3.3.2 迁移网络结构中存在距离摩擦效应 高技能和普通劳动力迁移网络的社区探测结果揭示出地理距离摩擦效应的存在。地理距离往往意味着社会融入成本以及交通成本,从而导致区域间迁移人数的下降。具体而言,两类劳动力在不同时间截面上形成的社区结构主要由邻近省份组成。多数省份都与距离较近的省份形成了更紧密的高技能和普通劳动力的迁移联系。尽管有文献说明了地理距离对于区域人口迁移作用已在逐渐衰减[4],本研究结果仍然显示出地理距离的重要意义。结果也显示出在距离上海、北京、广东三地距离相近的省份,高技能和普通劳动力的社区结构出现了比较频繁的变化。如在2005—2010年,湖南的高技能劳动力迁移与“上海社团”省份联系更加紧密,而在2010—2015年,湖南的高技能劳动迁移被分配进入“广东社团”。
3.3.3 相对稳定的高技能劳动力迁移网络与趋于变化的普通劳动力迁移网络 进一步探究时间维度上高技能劳动力和普通劳动力迁移的变化特征。结果显示,尽管出现了细微的变化,但高技能劳动力迁移的网络结构在1995—2015年间总体趋于稳定。相对而言,普通劳动力迁移的网络结构在二十年间出现了较大的变化。自1995—2000年,“北京社团”包括很大一部分中国北部的省份,而“上海社团”和“广东社团”则主要覆盖了华东和部分中部省份,以及西南和华南地区。2000—2005年间,“北京社团”覆盖面积仍然很大,而随着“广东社团”覆盖省份的增加,压缩了“上海社团”的范围,仅覆盖上海、安徽、江苏3个省级单位。同时,浙江在该阶段迎来了劳动密集型产业的快速发展,也增加了其对于普通技能劳动力的需求[35]。为了拓宽劳动力市场,承接已经成形的劳动密集型产业的劳动力转移,浙江与南部省份如广东建立了更为密切的上下游经济贸易联系,同属长江三角洲的浙江被分配进入“广东社团”。至2010年,以浙江为核心的“浙江社团”形成,覆盖范围包括劳动力输入大省浙江省以及中部和西南地区的劳动力供给省份,包括湖南、湖北、江西与贵州。与此同时,“广东社团”的范围大大缩小。此外,“上海社团”与新疆、青海和宁夏建立了更为密切的联系。最后,2010—2015年,“浙江社团”与“广东社团”合二为一,与“北京社团”和“上海社团”重新形成了与2000—2005年类似的“两大一小”网络结构模式。
3.3.4 高技能劳动力和普通劳动力迁移网络结构存在一定的异质性 对比高技能劳动力和普通劳动力迁移网络的社区结构,发现在二十年间部分省份的高技能劳动力和普通劳动力被分配进入了不同的社区,这说明高技能和普通劳动力迁移网络存在一定的空间异质性。浙江是一个典型的案例,自2000年开始,浙江的普通技能劳动力就与“广东社团”建立了更为密切的联系,然而其高技能劳动力迁移则仍然与“上海社团”发生密切联系。本文认为,造成这种异质性的原因与劳动力在就业市场上的异质性有关。河南和湖南等是另一类典型省份,它们的高技能和普通劳动力社团在二十年间频繁变化。如2000—2005年,河南的高技能劳动力与“上海社团”联系更加紧密,而其普通劳动力则更倾向于与“广东社团”发生迁移联系。

3.4 成因分析

3.4.1 地区经济差异仍然是塑造中国人口迁移的主要力量 为说明地区经济差异与高技能和普通劳动力迁移的关系,表5中列举出2010—2015年排名前30的异质性劳动力迁移率以及迁移初始年份（2010年）迁出地及迁入地的地区经济差异。除了极少数地理邻近的迁移流（如重庆-四川、上海-江苏）,绝大多数高排名的高技能和普通劳动力迁移流均由经济相对欠发达地区指向经济发达地区,说明地区经济差异与地区间劳动力迁移的密切联系[9]。经济发展程度更高的地区可提供更高的收入和就业保障。同时,经济发展程度更高的地区由于其已经形成的规模效应和经济密度,有利于激发区域创新活力。相对的,经济发展程度较低的地区,其过剩的劳动力供给无法得到充分就业,因此选择迁移至经济水平更高的地区谋求出路。另一方面,东部沿海地区日益增高的生活成本也是导致两类劳动力省际迁移格局出现分散化趋势的原因。
表5 2010—2015年排名前30的异质性劳动力迁移率与地区经济差异的关系

Tab. 5 Relationship between top 30 heterogeneous migration rates and economic disparities

排名 高技能劳动力 普通劳动力
迁出地 迁入地 迁移率 经济差异 迁出地 迁入地 迁移率 经济差异
1 江西 广东 2.621 22908 广西 广东 3.297 23323
2 河北 北京 2.497 43580 湖南 广东 2.728 19698
3 湖南 广东 2.443 19698 贵州 浙江 2.042 37690
4 安徽 上海 2.260 53801 安徽 江苏 1.753 31892
5 湖北 广东 2.004 16218 江西 广东 1.537 22908
6 广西 广东 1.989 23323 湖北 广东 1.483 16218
7 宁夏 陕西 1.592 307 安徽 浙江 1.453 30163
8 安徽 江苏 1.582 31892 江西 浙江 1.381 29728
9 黑龙江 北京 1.381 44899 安徽 上海 1.371 53801
10 海南 广东 1.244 20307 贵州 广东 1.354 30870
11 重庆 四川 1.217 -6105 宁夏 内蒙古 1.213 20429
12 甘肃 新疆 1.197 8815 北京 河北 1.158 -43580
13 江西 上海 1.188 53366 上海 江苏 1.042 -21909
14 湖北 上海 1.165 46676 重庆 广东 1.017 16639
15 江苏 上海 1.132 21909 海南 广东 0.948 20307
16 河南 上海 1.113 50012 四川 广东 0.912 22745
17 江西 浙江 1.067 29728 贵州 福建 0.838 26699
18 江西 福建 1.053 18738 甘肃 新疆 0.754 8815
19 吉林 北京 1.006 40401 江西 福建 0.743 18738
20 青海 上海 0.959 3120 河北 天津 0.704 42913
21 河南 北京 0.948 47402 云南 浙江 0.692 35219
22 黑龙江 江苏 0.912 25601 河北 北京 0.686 43580
23 天津 北京 0.900 666 河南 浙江 0.669 26375
24 安徽 浙江 0.885 30163 湖南 浙江 0.637 26518
25 河北 天津 0.882 42913 上海 安徽 0.625 -53801
26 辽宁 北京 0.866 29771 河南 广东 0.613 19555
27 宁夏 广东 0.846 17301 河南 江苏 0.559 28104
28 浙江 上海 0.838 23638 重庆 浙江 0.553 23460
29 河南 广东 0.815 19555 福建 广东 0.552 4170
30 山东 北京 0.780 31073 湖北 浙江 0.549 23038

注：高技能劳动力与普通劳动力迁移率为2010—2015年两地区迁移规模除以迁出地高技能/普通劳动力规模的百分率;经济差异为2010年迁入地与迁出地人均GDP的差值。

3.4.2 路径依赖效应维系了劳动力迁移格局在时间上的相似性 弦图的结果直观地揭示出上一时期两地之前人口迁移规模与本时期两地间的人口迁移规模具有密切的联系。对不同时期的高技能以及普通劳动力迁移数量进行皮尔逊相关系数计算,结果发现所有迁移组别之间的相关系数均大于0.8（P<0.05）,进一步验证了路径依赖效应的存在。同时,社区探测的结果也在一定程度上说明了路径依赖效应,自2005—2010年,尽管在普通劳动力迁移格局中出现了新的“浙江社团”,但四川、陕西等省份仍然被分配进入“广东社团”,这主要与以往川、陕两省与广东等省份建立了强迁移联系有关。对于中国迁移者而言,迁入地拥有更大比重来自同一迁出地的人口往往意味着更强的社会网络联系,这种联系有利于降低新迁移者的社会融入和就业的风险,同时也会导致在下一时期来自相同迁出地的迁移人数的增加。
3.4.3 异质性劳动力市场导致劳动力迁移格局的差异性 既有文献揭示出高技能劳动力和普通劳动力在社会认同、公共服务覆盖以及收入等方面的较大差异[7]。二元劳动力市场分割理论将劳动力市场分为一级就业市场与二级就业市场：一级就业市场具有更多的就业机会、更稳定的就业保障以及更高的收入水平;二级就业市场则具有较少的就业机会、较差的就业稳定性以及更低的收入水平。由于一级就业市场中的高技能劳动力激烈竞争,二级就业市场中的普通劳动力较难跃升到一级就业市场。本文的结果显示,高技能劳动力迁移距离相较于普通劳动力更长。这一定程度是由于,同等条件下位于二级就业市场的普通劳动力迁移获得的报酬更低,因而为了收获更高的迁移净效用,需要缩短迁移距离。
劳动力市场对不同劳动力需求的差异性造成了迁移格局的分异。1995—2015年,中国迎来经济社会的巨大发展,对于广东、北京、上海等东部发达地区而言,为了进一步提升区域经济发展水平、促进区域创新,对于高技能劳动力一直保有强烈的需求。然而,各地区对于普通劳动力的需求则在二十年间出现了比较大的变化。如跨世纪以来浙江劳动力密集型产业的发展导致其对于普通劳动力的需求激增,最终在2005—2010年形成“浙江社团”。北京、上海近年来开始逐步控制城市人口规模,实施“功能疏解”,因而对于普通劳动力的需求出现下降,导致普通劳动力的网络迁移效率的降低。此外,劳动力市场的异质性同样作用于不同劳动力迁移距离的异质性。高技能劳动力拥有相对更高的人力资本以及劳动报酬,因此能在更大程度上克服因地理距离导致的迁移成本和社会融入成本,导致高技能劳动力相对普通劳动力拥有更长的迁移距离。

4 结论与讨论

4.1 结论

研究中国异质性劳动力迁移网络对于制定区域发展和相关劳动力管理政策具有重大意义。本研究从异质性劳动力视角,运用1995—2015年高技能和普通劳动力省际迁移数据,结合复杂网络分析方法,对中国高技能和普通劳动力迁移的空间演化和网络特征展开研究。研究主要发现：
第一,中国省际高技能和普通劳动力迁移呈现出高度不平衡的空间集聚特征：承载大量人口的迁移流主要由中国中西部地区内陆省份指向东部沿海地区省份。这种空间不平衡特征在二十年间呈现出一定的减弱趋势。此外,两类劳动力迁移呈现出方向性特征,相比之下,高技能劳动力的平均迁移距离比普通劳动力更大。
第二,对于两类劳动力迁移而言,东部地区加权入度较高,中西部地区加权出度较高。普通劳动力的迁移强度高于高技能劳动力,其迁移活动更为频繁。两类劳动力迁移网络中都表现出明显的“小世界”特性。对比而言,普通劳动力迁移网络的联系紧密程度相对高技能劳动力迁移网络而言更高。
第三,从网络结构上看,两类劳动力网络均呈现出以北京、上海、广东为3个主要核心节点的网络结构,且网络结构中呈现出显著的距离摩擦效应;高技能劳动力网络结构在二十年间呈现相对稳定的特征,而普通劳动力网络结构则呈现出变化的特征;两类劳动力网络也呈现出一定的异质性。
第四,总结影响中国高技能和普通劳动力演化的原因：首先,地区经济差异仍然是塑造中国人口迁移的主要力量;其次,路径依赖效应的存在导致两类劳动力迁移网络在时间上的一致性和持续性;最后,异质性劳动力在就业市场上的差异性以及劳动力市场对异质性劳动力的需求差异是导致两类劳动力迁移格局差异性的重要原因。

4.2 讨论

本文揭示出中国高技能和普通劳动力迁移高度不平衡的空间格局。造成两类劳动力迁移格局背后的力量是复杂的,包括了经济因素、社会文化因素以及制度因素。本文的研究结果呼应了既有文献对中国省际人口迁移研究的相关发现[2,3,4,5,6,7]。“十四五”期间,随着户籍制度进一步放开,中国将迎来持续大规模的劳动力迁移潮,这也将进一步拉大中国区域经济发展的差异。东部发达地区将得到源源不断的技术劳动力和人才供给,而中西部地区也将面临非常严峻的“脑力流失”和劳动力流失等问题。这种高度集聚的经济发展模式在一定程度上会为总体经济增长提供动力,但其失衡性仍然造成一系列经济和社会问题。
值得欣慰的是,本文的研究结论揭示出中国人口迁移的不平衡程度已出现分散化的趋势。然而,这种趋势仍然微不足道,亟需通过政策介入等手段进一步重塑中国的人口迁移和经济地理格局。据此,本文提出以下建议：第一,总体来看,需要进一步打破以往的户籍制度壁垒,提升全国城镇化,促进城镇化率的合理布局。地方政府需提升中小城市的公共服务质量和种类,促进公共服务均等化,缩小城市之间在公共服务供给上的差距。第二,要充分认识高技能劳动力和普通劳动力的异质性。中西部欠发达地区应制定与住房、落户补偿相关的政策以吸引外来人才落户。同时,鼓励发达地区各类高技术人员前往欠发达地区就业及提供技术援助。第三,需明确普通劳动力对于地区经济发展、尤其是技术密集型产业的意义。劳动力主要迁入地要促进外来普通劳动力的妥善安置和就业;主要劳动力流出地则要完善本地就业市场和社会保障体系,为外来及回流的劳动力提供更加丰富的就业和再就业机会。

真诚感谢匿名评审专家在论文评审中所付出的时间和精力。评审专家在题目拟定、结构安排、图表改进、成因分析、结论凝练等方面对本文具有重要作用,特此感谢！

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Chan K W. The Chinese hukou system at 50. Eurasian Geography and Economics, 2009, 50(2): 197-221. DOI: 10.2747/1539-7216.50.2.197.

DOI

[2]
Shen J. Increasing internal migration in China from 1985 to 2005: Institutional versus economic drivers. Habitat International, 2013, 39: 1-7. DOI: 10.1016/j.habitatint.2012.10.004.

DOI

[3]
李扬, 刘慧, 汤青. 1985—2010 年中国省际人口迁移时空格局特征. 地理研究, 2015, 34(6): 1135-1148.

DOI

[Li Yang, Liu Hui, Tang Qing. Spatial-temporal patterns of China's interprovincial migration during 1985-2010. Geographical Research, 2015, 34(6): 1135-1148.] DOI: 10.11821/dlyj201506012.

DOI

[4]
古恒宇, 沈体雁, 刘子亮, 等. 基于空间滤波方法的中国省际人口迁移驱动因素. 地理学报, 2019, 74(2): 222-237.

DOI

[Gu Hengyu, Shen Tiyan, Liu Ziliang, et al. Driving mechanism of interprovincial population migration flows in China based on spatial filtering. Acta Geographica Sinica, 2019, 74(2): 222-237.] DOI: 10.11821/dlxb201902002.

DOI

[5]
Liu Y, Shen J. Modelling skilled and less-skilled interregional migrations in China, 2000-2005. Population, Space and Place, 2017, 23(4): e2027. DOI: 10.1002/psp.2027.

DOI

[6]
Cai F. Demographic transition, demographic dividend, and Lewis turning point in China. China Economic Journal, 2010, 3(2): 107-119. DOI: 10.1080/17538963.2010.511899.

DOI

[7]
刘晔, 王若宇, 薛德升, 等. 中国高技能劳动力与一般劳动力的空间分布格局及其影响因素. 地理研究, 2019, 38(8): 1949-1964.

DOI

[Liu Ye, Wang Ruoyu, Xue Desheng, et al. The spatial pattern and determinants of skilled laborers and less skilled laborers in China: Evidence from 2000 and 2010 censuses. Geographical Research, 2019, 38(8): 1949-1964.] DOI: 10.11821/dlyj020180391.

DOI

[8]
Gu H, Meng X, Shen T, et al. China's Highly Educated Talents in 2015: Patterns, determinants and spatial spillover effects. Applied Spatial Analysis and Policy, 2020, 13: 631-648. DOI: 10.1007/s12061-019-09322-6.

DOI

[9]
古恒宇, 沈体雁. 中国高学历人才的空间演化特征及驱动因素. 地理学报, 2021, 76(2): 326-340.

DOI

[Gu Hengyu, Shen Tiyan. Spatial evolution characteristics and driving forces of Chinese highly educated talents. Acta Geographica Sinica, 2021, 76(2): 326-340.] DOI: 10.11821/dlxb202102006.

DOI

[10]
Massey D S, Zenteno R M. The dynamics of mass migration. Proceedings of the National Academy of Sciences, 1999, 96(9): 5328-5335. DOI: 10.1073/pnas.96.9.5328.

DOI

[11]
Lewis W A. Economic development with unlimited supplies of labour. The Manchester School, 1954, 22(2): 139-191. DOI: 10.1111/j.1467-9957.1954.tb00021.x.

DOI

[12]
Todaro M P. Urban job expansion, induced migration and rising unemployment: A formulation and simplified empirical test for LDCs. Journal of Development Economics, 1976, 3(3): 211-225. DOI: 10.1016/0304-3878(76)90049-3.

DOI

[13]
Arntz M. What attracts human capital? Understanding the skill composition of interregional job matches in Germany. Regional Studies, 2010, 44(4): 423-441. DOI: 10.1080/00343400802663532.

DOI

[14]
Scott A J. Jobs or Amenities? Destination choices of migrant engineers in the USA. Papers in Regional Science, 2010, 89(1): 43-63. DOI: 10.1111/j.1435-5957.2009.00263.x.

DOI

[15]
Niedomysl T, Hansen H K. What matters more for the decision to move: Jobs versus amenities. Environment and Planning A, 2010, 42(7): 1636-1649. DOI: 10.1068/a42432.

DOI

[16]
Graves P E. A reexamination of migration, economic opportunity, and the quality of life. Journal of Regional Science, 1976, 16(1): 107-112. DOI: 10.1111/j.1467-9787.1976.tb00954.x.

DOI

[17]
Glaeser E L, Kolko J, Saiz A. Consumer city. Journal of Economic Geography, 2001, 1(1): 27-50. DOI: 10.1093/jeg/1.1.27.

DOI

[18]
Gu H, Liu Z, Shen T, et al. Modelling interprovincial migration in China from 1995 to 2015 based on an eigenvector spatial filtering negative binomial model. Population, Space and Place, 2019, 25(8): e2253. DOI: 10.1002/psp.2253.

DOI

[19]
刘涛, 齐元静, 曹广忠. 中国流动人口空间格局演变机制及城镇化效应: 基于 2000 和 2010 年人口普查分县数据的分析. 地理学报, 2015, 70(4): 567-581.

DOI

[Liu Tao, Qi Yuanjing, Cao Guangzhong. China's floating population in the 21st century: Uneven landscape, influencing factors, and effects on urbanization. Acta Geographica Sinica, 2015, 70(4): 567-581.] DOI: 10.11821/dlxb201504005.

DOI

[20]
Shen J. Changing patterns and determinants of interprovincial migration in China 1985-2000. Population, Space and Place, 2012, 18(3): 384-402. DOI: 10.1002/psp.668.

DOI

[21]
Shen J. Explaining interregional migration changes in China, 1985-2000, using a decomposition approach. Regional Studies, 2015, 49(7): 1176-1192. DOI: 10.1080/00343404.2013.812783.

DOI

[22]
潘竟虎, 赖建波. 中国城市间人口流动空间格局的网络分析: 以国庆-中秋长假和腾讯迁徙数据为例. 地理研究, 2019, 38(7): 1678-1693.

DOI

[Pan Jinghu, Lai Jianbo. Research on spatial pattern of population mobility among cities: A case study of “Tencent Migration” big data in “National Day-Mid-Autumn Festival” vacation. Geographical Research, 2019, 38(7): 1678-1693.]

[23]
蒋小荣, 汪胜兰. 中国地级以上城市人口流动网络研究: 基于百度迁徙大数据的分析. 中国人口科学, 2017, 2: 35-46.

[Jiang Xiaorong, Wang Shenglan. Research on China's urban population mobility network: Based on Baidu migration big data. Chinese Journal of Population Science, 2017, 2: 35-46.]

[24]
Qian H. Talent, creativity and regional economic performance: The case of China. The Annals of Regional Science, 2010, 45(1): 133-156. DOI: 10.1007/s00168-008-0282-3.

DOI

[25]
Abel J R, Deitz R. Do colleges and universities increase their region's human capital?. Journal of Economic Geography, 2012, 12(3): 667-691. DOI: 10.1093/jeg/lbr020.

DOI

[26]
Liu Y, Shen J. Jobs or amenities? Location choices of interprovincial skilled migrants in China, 2000-2005. Population, Space and Place, 2014, 20(7): 592-605. DOI: 10.1002/psp.1803.

DOI

[27]
Shen J, Liu Y. Skilled and less-skilled interregional migration in China: A comparative analysis of spatial patterns and the decision to migrate in 2000-2005. Habitat International, 2016, 57: 1-10. DOI: 10.1016/j.habitatint.2016.06.007.

DOI

[28]
卢晶亮. 资本积累与技能工资差距: 来自中国的经验证据. 经济学(季刊), 2017, 16(2): 577-598.

[Lu Jingliang. Capital accumulation and skill premium: Evidence from China. China Economic Quarterly, 2017, 16(2): 577-598.] DOI: 10.13821/j.cnki.ceq.2017.01.06.

DOI

[29]
Watts D J, Strogatz S H. Collective dynamics of ‘small-world’networks. Nature, 1998, 393(6684): 440. DOI: 10.1038/30918.

DOI PMID

[30]
Bell M, Blake M, Boyle P, et al. Cross-national comparison of internal migration: Issues and measures. Journal of the Royal Statistical Society: Series A (Statistics in Society), 2002, 165(3): 435-464.

DOI

[31]
Newman M E J. Modularity and community structure in networks. Proceedings of the National Academy of Sciences, 2006, 103(23): 8577-8582. DOI: 10.1073/pnas.0601602103.

DOI

[32]
Blondel V D, Guillaume J L, Lambiotte R, et al. Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment, 2008, 2008(10): P10008. DOI: 10.1088/1742-5468/2008/10/P10008.

DOI

[33]
陈伟, 刘卫东, 柯文前, 等. 基于公路客流的中国城市网络结构与空间组织模式. 地理学报, 2017, 72(2): 224-241.

DOI

[Chen Wer, Liu Weidong, Ke Wenqian, et al. The spatial structures and organization patterns of China's city networks based on the highway passenger flows. Acta Geographica Sinica, 2017, 72(2): 224-241.] DOI: 10.11821/dlxb201702004.

DOI

[34]
Greenwood M J. Changing patterns of migration and regional economic growth in the US: A demographic perspective. Growth and Change, 1988, 19(4): 68-86. DOI: 10.1111/j.1468-2257.1988.tb00483.x.

DOI PMID

[35]
Ye X, Wei Y D. Geospatial analysis of regional development in China: The case of Zhejiang province and the Wenzhou model. Eurasian Geography and Economics, 2005, 46(6): 445-464. DOI: doi.org/10.2747/1538-7216.46.6.445.

DOI

Options
文章导航

/

〈 〉