EN中文

地理研究 >

2022 , Vol. 41 >Issue 8: 2142 - 2154

DOI: https://doi.org/10.11821/dlyj020210949

研究论文

基于手机信令数据的城内迁居活跃度识别方法研究——以武汉市为例

  • 牛强 , 1, 2 ,
  • 盛富斌 1, 2 ,
  • 刘晓阳 , 1, 2 ,
  • 严雪心 1, 2
展开
  • 1.武汉大学城市设计学院,武汉430072
  • 2.湖北省人居环境工程技术研究中心,武汉430072
刘晓阳（1991-）,女,山东菏泽人,博士,副研究员,硕士生导师,主要研究方向为大数据与城市规划。E-mail:

牛强（1978-）,男,湖北武汉人,博士,教授,博士生导师,主要研究方向为大数据与城市规划。 E-mail:

收稿日期: 2021-10-13

  录用日期: 2022-02-15

  网络出版日期: 2022-10-10

收起

Research on the identification method of relocation activity degree in inner city based on mobile phone signaling data: A case study of Wuhan

  • NIU Qiang , 1, 2 ,
  • SHENG Fubin 1, 2 ,
  • LIU Xiaoyang , 1, 2 ,
  • YAN Xuexin 1, 2
Expand
  • 1. School of Urban Design, Wuhan University, Wuhan 430072, China
  • 2. Research Center for Hubei Habitat Environmental Engineering and Technology, Wuhan 430072, China

Received date: 2021-10-13

  Accepted date: 2022-02-15

  Online published: 2022-10-10

Fold

摘要

中国城市的快速发展加速了城市内部人口的居住迁移,精细测度居民迁居行为及其空间分异特征,对于从人的行为视角来分析城市居住空间结构演进过程具有现实意义。本文以武汉都市发展区为例,基于手机信令大数据,提出净活跃度指标和总活跃度指标来量化描述迁居活跃度,并依据两个指标的分类及组合,将居民居住地划分为高迁入型活跃区、平稳型活跃区、高迁出型活跃区、高迁入型非活跃区、平稳型非活跃区与高迁出型非活跃区六种空间类型,进而探讨居民迁居的空间分布特征。结果表明：① 武汉都市发展区内部人口迁移总体呈现出从主城区向近郊区逐步迁移的趋势,且主城区人口总活跃度相较更高。② 主城区以高迁出型活跃区和高迁入型活跃区为主,近郊区则以平稳型非活跃区为主。③ 不同空间类型内的居住类型存在差异：高迁入型活跃区内以新建小区、高校住区、学区房、城中村为主;平稳型活跃区以农村居住地、园区周边住宅为主;高迁出型活跃区以老旧小区、园区周边住宅、城中村、农村居住地为主;非活跃区则以农村居住地为主。本文提出了一种基于时序手机信令大数据的居民迁居活跃度评价指标体系,并以实证研究证明其对于居民迁居地空间类型划分的有效性,研究结果可为相关规划决策部门掌控城市内部的人口迁移特征提供数据支撑、为城市不同区域针对性的进行公共资源配置提供参考依据。

关键词： 手机信令大数据; 居民迁居活跃度指标; 空间分异; 武汉都市发展区

本文引用格式

牛强 , 盛富斌 , 刘晓阳 , 严雪心 . 基于手机信令数据的城内迁居活跃度识别方法研究——以武汉市为例[J]. 地理研究, 2022 , 41(8) : 2142 -2154 . DOI: 10.11821/dlyj020210949

Abstract

The rapid development of Chinese cities has accelerated the residential mobility of inner city. Precisely measuring residents' migration behavior and its spatial differentiation characteristics is of practical significance to analyze the evolution process of urban residential spatial structure from the perspective of human behavior. Taking Wuhan Metropolitan Area as an example, based on mobile signaling big data, this paper proposes the net activity index and the total activity index to quantitatively describe relocation activity degree, and classifies the residential places into six spatial types based on the classification and combination of the two indicators: high immigration and active area, stable and active area, high emigration and active area, high immigration and inactive area, stable and inactive area, and high emigration and inactive area, and then explores the spatial distribution characteristics of residents' migration. The results show that: (1) The population migration within Wuhan Metropolitan Area generally shows a trend of migrating from the main city to inner suburbs, and the total activity degree in the main city is higher than that in the suburbs. (2) The main city is dominated by high emigration and active areas, and high immigration and active areas, while the inner suburbs are dominated by stable and inactive areas. (3) There are differences in residential types among different spatial types: high immigration and active areas are mainly new residential areas, college residential areas, school district housing, and urban villages; stable and active areas mainly consist of rural residential areas and residential buildings around industrial parks; high emigration and active areas are mainly old residential areas, residential buildings around industrial parks, urban villages and rural residential areas; inactive areas are mainly rural residential areas. This paper proposes an evaluation index system of residents' relocation activity degree based on time-series mobile signaling big data, and proves its validity for the spatial classification of residents' migration places by empirical research. The results can provide data support for relevant planning decision-making departments to regulate population migration within a city, and provide reference for public resources allocation in different areas of the city.

Key words： mobile signaling big data; residents' relocation activity index; spatial differentiation; Wuhan Metropolitan Area

1 引言

随着中国城市的快速发展,人口市内流动现象日益频繁,活跃的居民迁居成为导致城市社会空间演变最重要的因素[1],同时也是城市地理学、城市规划学等领域持续关注的热点议题[2]。居民迁居是指城市中以居住位置改变为标志的、城市地域内的人口移动[3]。既有研究多从迁居距离、方向、频次、原因等方面对居民迁居特征进行解析[2,4],但此类研究一般是在问卷调查获取的小样本数据基础上开展的,缺乏对人口流动的持续性观测以及对迁居行为活跃强度等特征的定量化解析,对“微观”迁居行为空间分布特征的研究有待深化[5]。近年来,在居民时空行为特征研究领域,以手机信令数据为代表的大数据的广泛运用,为精细化度量居民迁居行为、深入地挖掘居民迁居活跃度及其空间分布特征提供了技术支撑。因此,如何运用手机信令数据构建居民迁居活跃度的评价指标体系,并据此对居民迁入地的空间类型展开特征解析,是大数据发展背景下居民迁居行为研究的现实需求。
自19世纪末Ravenstein展开对英国居民迁居规律和模式总结开始,居民迁居研究便成为国外学者关注的热点议题[6]。尤其是Rossi在1955年出版《Why families move》[7]后,更是激发了广大学者对此领域的理论探究和实证分析[8],并从不同视角出发,在居民迁居的主体、原因、动力机制及迁居结果等方面取得了丰厚的研究成果[4,6]。近年来,对于居民迁居过程的研究成为西方学者的关注焦点[9,10],其过程的复杂性被逐渐揭示,但现有研究多关注的是迁居意愿与行为发生之间的关系[10],对具体迁居过程的活跃强度等地理空间的特征分析仍较为缺乏。
相较国外,国内学者主要侧重于引荐国外研究的理论和方法,从宏中观尺度关注了城市居民迁居的特征、影响因素和空间格局[4,11]等。刘望保等对广州城市居民迁居特征的研究发现,自改革开放以来,居民迁居频率呈上升趋势[12],老城区居民迁居频率低于外围区域[13],在迁居方向上以老城区向外围区域迁移为主[14];姚华松等同样证实迁移人口居住地域的空间特征呈现出集中于近郊区分布的趋势[15]。但是宏中观尺度下迁居特征的调查研究,无法聚焦到人口流动在不同社区单元上的差异化反映。由于迁居行为的发生、发展及变化特征往往与地域空间的尺度相关,大尺度的迁居研究可能会覆盖微观层面的异质性[11],如人口高流动性的学区房和陪读社区等,在宏观尺度上表现出人口总量变化不大、整体较为稳定的特征,然而从微观个体层面看,内部人群更替则非常频繁。
近年来大数据的广泛应用,为识别微观尺度居民迁居的特征和内在规律提供了技术支撑,城市内部微观尺度的研究也逐步成为焦点议题。如宋小冬等学者利用手机信令、腾讯位置大数据、百度热力图等时空大数据对居住地识别、精细尺度的人口估算、职住关系等展开了一系列研究[16⇓-18]。但当下的研究大多仅识别出居住单元中人口总量及人口变化量,对于人口变化的具体转化过程,如迁入量和迁出量的计算与相应的迁居特征分析则不甚清晰。究其根本是由于目前的大数据应用大多基于某一短时段的截面数据,仅能对最终呈现的静态结果进行分析,而无法对迁居的具体过程展开研究。
目前关于迁居活跃度的定义并不明晰,实证研究更少。根据时间地理学的研究框架,活跃度是指一定时间或空间范围内研究对象数量的动态分布[19]。既有研究多从人口变化量来评价迁居行为的活跃性,但地域空间上存在诸多人口总量变化不显著、但迁入迁出值大、人口流动活跃的区域,如上文提及的学区房、陪读社区等,该类空间内部人口构成的剧烈变化将对城市服务设施等公共资源的配置带来极大的影响。也有学者使用总流动人口与常住人口的比值来度量人口流动活跃度[11],但比值类的指标易受区域人口数量影响,如城市内部存在总迁移人数与总人数少但比值较大的区域,从而导致误差。为此,本文提出以一定时间内空间单元中居民迁居的总流动量指标和总变化量指标来综合反映居民迁居的活跃度,并通过实证研究探讨将其作为评价居民迁居行为特征新方法的可能性。
有鉴于此,以武汉市为例,利用手机信令时序大数据识别的城内人口居住迁移数据为基础,首先提出包括净活跃度和总活跃度两项指标的居民迁居活跃度评价指标体系,以此反映单元内居民迁入迁出的方向和强度;然后通过上述指标的组合构建居民迁居地空间类型分类方法,据此划分出六种空间类型并探究不同类型地域空间的分布特征。基于以上研究所提出的居民迁居活跃度的评价体系和分类方法,有助于科学认识城市居民迁居行为的具体过程,丰富与拓展居民迁居研究的理论体系,为决策者准确把握与了解居民迁居地空间分布特征等提供参考借鉴。

2 数据来源与研究方法

2.1 研究范围

以武汉市的都市发展区作为研究对象（图1）。根据《武汉市城市总体规划（2010—2020年）》,该区域包括1个主城区和6个近郊区新城组群,总面积为3261 km2,集中了绝大多数的市内人口和城市建设用地,居民迁居现象较为显著。根据既有经验和研究需求[20],本文将研究区域划分为3496个1 km×1 km的网格单元。
图1 研究范围

Fig. 1 Research scope of the study area

2.2 研究数据

居民迁居行为按地域可分为跨城迁居和城内迁居两类。跨城迁居多涉及大尺度人口空间格局的研究,比如省级的异质性劳动力迁移特征研究[21],此类研究难以用单一城市的手机信令数据开展精确追踪分析,且存在由于更换sim卡而带来的尽管未迁移却被识别为迁入人口的误差。与此同时,大城市内部的居住迁移逐渐成为人口迁移的重要形式[22],是城市空间重构的重要动力。因此,本文基于武汉市手机信令数据,提取在武汉都市发展区范围内的相关数据开展居民城内迁居的相关分析。
研究主要使用源自联通智慧足迹数据平台的2017年6月和2019年6月两个自然月的武汉市联通手机信令数据,包括：经加密的用户唯一识别号、用户个体基本属性、位置点经纬度、位置点类型等信息。其中,位置点类型分为居住、就业和到访三种。而居住位置点的识别是按照驻留时长和频次,将一月内,从晚上9点到次日早上8点间停留时间最长的位置判定为居住地。本文筛选出该月在武汉市停留10天及以上的用户作为研究对象,获取其居住位置点和位置经纬度坐标。经处理,共识别出武汉都市发展区范围内,2017年具有固定居住地的用户约为313万人,2019年约为366万人,基本符合武汉市联通用户的整体占比①(①根据与武汉市统计局统计年鉴数据(http://tjj.wuhan.gov.cn/tjfw/tjnj/)比对,占当年总人口比例均为约30%。)。
基于上述数据,本文参照王德等识别上海就业人口迁移的方法[23],通过手机信令数据中用户唯一识别号,识别出不同时段的同一用户,作为城内迁居的研究样本。经处理,共识别出2017—2019年同识别号用户数据为1171952人。为验证抽样数据的代表性和有效性,本文选取完全位于研究范围内的武昌区、汉阳区、洪山区、江岸区、江汉区、青山区和硚口区（占武汉都市发展区总人数的比例超过70%）,统计前述2019年居住手机用户样本中处于各行政区的数量,计算它们与2019年武汉市统计年鉴中各行政区常住人口数的Pearson相关系数,结果为0.915（P<0.01）,呈显著正相关关系,表明本项研究所用的联通抽样数据是可信的。
在获取居民2017年和2019年的居住地信息后,将用户数据与1 km×1 km尺度的网格单元面数据相关联,使得用户同时具有2017年和2019年居住地所在的网格编号信息。通过网格编号变化可辨别用户在2017年和2019年的居住地是否发生变动,并分别统计各单元网格内居民迁入迁出的数量,从而进一步探讨居民迁居行为导致的空间分异。
此外本研究使用的主要数据还包括：武汉市遥感影像图数据,来源于地理空间数据云网站;武汉市教育设施POI数据,利用高德地图API获取;武汉市居住小区数据,基于房源网通过Python语言爬取,包括地址、建成年代、住宅类型等相关信息;武汉市产业园区点位数据,基于前瞻网通过Python语言爬取。所有数据都基于ArcGIS 10.7软件平台,经过坐标校正、范围处理等操作,形成统一的空间数据库。

2.3 研究方法

2.3.1 迁居活跃度评价指标体系构建

引荐居住迁移研究的相关指标[11,24],选取净活跃度和总活跃度两项指标构建迁居活跃度评价指标体系,分别对研究区域内人口迁移的方向和强度进行分析。净活跃度指标指的是一定时期内网格单元中迁入人数与迁出人数的差值,反映的是区域人口增减的情况;正向值越大,表示单元中人口增长的幅度越大,整体呈现高迁入的流动方向,反之负值则代表高迁出的流动方向。总活跃度指标指的是一定时期内网格单元中迁入人口和迁出人口的总和,反映的是区域人口流动的强度;值越大,代表单元中人口流动性越强。净活跃度和总活跃度两项指标的公式表达如下：
P i = I i - O i
T i = I i + O i
式中： P i为网格i的净活跃度; T i为网格i的总活跃度; I i为网格i的迁入人口; O i为网格i的迁出人口。

2.3.2 基于迁居活跃度评价指标组合的空间类型划分

为同时测度居民迁居活跃度的活跃方向和活跃强度,基于上述迁居活跃度评价指标,首先通过中位数算法,将净活跃度指标划分为高迁入型、平稳型和高迁出型;总活跃度指标划分为活跃区和非活跃区。然后对划分后的两项指标进行组合,以净活跃度指标为横坐标,总活跃度指标为纵坐标,共构建得到六种基于居民迁居行为的空间类型（图2）：
图2 基于迁居活跃度评价指标组合的六种空间类型

注：a、b、c分别为指标在各象限内的二分位值。

Fig. 2 Six spatial types based on the combination of evaluation indexes of relocation activity degree

① 高迁入型活跃区（T≥a,P≥b）：即人口迁入数量高于迁出、人口高增长且人口流动性高的区域,如新建小区、学区房等。② 平稳型活跃区（T≥a,b>P>c）：即人口迁入和迁出数量大致相当,但人口流动性高的区域,如近郊区的农村居住地。③ 高迁出型活跃区（T≥a,P≤c）：即人口迁出数量高于迁入、人口高减少且人口流动性高的区域,如园区周边住房。④ 高迁入型非活跃区（T<a,P≥b）,即人口迁入数量大于迁出,但人口流动性较低的区域,如主城区边缘的新建小区。⑤ 平稳型非活跃区（T<a,b>P>c）：即人口迁入与迁出数量大致相同、且人口流动性较低、较为稳定的区域,例如近郊区边缘的农村居住地。⑥ 高迁出型非活跃区（T<a,P≤c）：即人口以迁出为主且整体人口流动性较低的区域,以农村社区为主。

3 迁居行为的总体空间分布特征

3.1 居民迁入迁出的空间分布特征

图3展示了2017—2019年间研究区域各单元网格中的居民迁入和迁出量。从中可以看出高值主要分布在主城区,形成沿东北-西南和西北-东南方向“X”型双轴延伸的态势;在近郊区则出现多点集聚的空间分布特征,同时近郊区的人口迁移高值点与主城区的集中分布片区也呈现出相连趋势。
图3 2017—2019年居住人口都市发展区内迁入迁出数量的空间分布

Fig. 3 The spatial distribution of the number of residents moving in and out of Wuhan Metropolitan Area from 2017 to 2019

另外,居民迁入和迁出在空间分布上具有一定的相似性,即人口高迁入地同时也是人口高迁出地,且主要位于主城区,说明主城区的人口流动性更强。但这同时也是由主城区更多、更密集的居住人口带来的,相同的迁移比例会带来更高的数值。但即使是迁入和迁出均高的网格,也并不意味着迁入迁出的平衡,需要看两者的差值,即净活跃度。

3.2 迁居净活跃度的空间分布特征

从研究样本的净活跃度数值特征上看：主城区居住人口净活跃度为-15124;近郊区居住人口净活跃度为15124,整体呈主城区居住人口向近郊区迁移的趋势。从净活跃度指标计算值的空间分布特征来看（图4）：人口净迁出的网格主要分布在近郊区的乡村地域,占总净迁出网格数的73.94%,而近郊区集中建设区②(②即已实施的《武汉市城市总体规划（2010—2020）》中,规划部署的城市重点开发区。)则主要以净迁入为主,反映出郊区化趋势;主城区则聚集了大量的高净迁入和高净迁出网格。总体而言,人口净迁入的网格数量高于人口净迁出的网格数量,呈现出高净迁入值在主城区集聚、近郊区点状布局的空间分布特征。
图4 2017—2019年基于净活跃度指标的空间分布图

Fig. 4 2017-2019 spatial distribution based on net activity index

3.3 迁居总活跃度的空间分布特征

从总活跃度数值特征上看：主城区总活跃度均值为1418人,而近郊区总活跃度均值为172人;可以看出主城区的人口流动性较高,同时各单元人口浮动差异也较大,相对而言近郊区各单元网格中居民迁移的流动性差异则较小,整体变化较为稳定。从总活跃度指标计算值的空间分布特征来看（图5）：武汉都市发展区的总活跃度呈现出与迁入迁出相似的空间分布特征,即“X”型双轴延伸态势,且在近郊区形成多处点状分布的空间格局。
图5 2017—2019年基于总活跃度指标的空间分布图

Fig. 5 2017-2019 spatial distribution based on total activity index

4 迁居活跃度的空间分异特征

依据基于迁居活跃度评价指标组合的空间类型划分法,可将武汉都市发展区归纳为六种空间类型（图6、表1）：① 高迁入型活跃区：此种类型共有786个网格单元,占总网格数的22.48%,在主城区和近郊区都有较集中分布;② 平稳型活跃区：此种类型共有212个网格单元,占总网格数的6.06%,分布较为分散,在空间分布上未形成一定规律;③ 高迁出型活跃区：此种类型共有751个网格单元,占总网格数的21.48%,在主城区和近郊区的分布数量大致相同,且是主城区分布数量最多的类型;④ 高迁入型非活跃区：此种类型共有92个网格单元,占总网格数的2.63%,是占比最低的空间类型,主要分布在近郊区;⑤ 平稳型非活跃区：此种类型共有1521个网格单元,占总网格数的43.51%,是占比最高的空间类型,且集中分布在近郊区;⑥ 高迁出型非活跃区：此种类型共有134个网格单元,占总网格数的3.83%,主要在近郊区呈分散式点状分布。由以上分析可以看出,活跃区和非活跃区具有显著的空间分布差异,因此接下来本文将从活跃区和非活跃区两大类具体分析各种空间类型的分布特征。
图6 基于居民迁居活跃度评价指标体系的空间类型划分

Fig. 6 The divisions of spatial types based on the evaluation index system of relocation activity degree

表1 基于迁居活跃度评价指标划分的空间类型数量及分布特征

Tab. 1 The number and distribution characteristics of spatial types based on the evaluation index of relocation activity degree

类型 近郊区 主城区 都市发展区内各类型网格单元数量 都市发展区内各类型
占比(%)		 空间分布
网格单元
数量		 各类型占近
郊区网格
数比重(%)		 网格单元数量 各类型占
主城区网格
数比重(%)
高迁入型活跃区 480 17.65 306 39.38 786 22.48 呈现大分散小集中的分布态势,主城区和近郊区都有分布,且近郊区多于主城区
平稳型活跃区 148 5.44 64 8.24 212 6.06 分布较分散,主城区边缘和近郊区内部点状分散分布
高迁出型活跃区 418 15.37 333 42.86 751 21.48 分布较广,与高迁入型活跃区数量相近;老城区分布明显;整体呈集聚片状分布
高迁入型非活跃区 87 3.20 5 0.64 92 2.63 主要分布在近郊区,且呈点状分布
平稳型非活跃区 1460 53.70 61 7.85 1521 43.51 数量最多,主要分布在近郊区各组团的边缘
高迁出型非活跃区 126 4.63 8 1.03 134 3.83 呈现出近郊区点状分散布局
合计 2719 100.00 777 100.00 3496 100.00 -

4.1 活跃区空间分异特征

居民迁居活跃区的主要特征为迁居行为发生频率较高,人口迁入迁出数量均较大,人口流动性强。根据人口增长速度,可进一步划分为高迁入型活跃区、平稳型活跃区和高迁出型活跃区。其中高迁入型活跃区为研究区域内居民迁居活跃区中的主要类型,其次为高迁出型活跃区和平稳型活跃区。

4.1.1 高迁入型活跃区

高迁入型活跃区是居民迁入数量远大于迁出数量、人口整体呈增长状态,同时迁居行为活跃、人口流动性强的空间类型。从该类型的空间分布上看（表1、图1、图6）：高迁入型活跃区呈现出大分散小集中的分布态势,主城区拥有此类型总数的38.93%,同时该类型也占据主城区总网格数的39.38%;高迁入型活跃区在近郊区主要分布在东南新城组群的豹澥、南部新城组群的纸坊、西南新城组群的军山、常福,西部新城组群的吴家山,北部新城组群的武湖等处,大部分为新城中心。此外,通过分析典型区的用地类型和设施配套情况,发现高迁入型活跃区主要由新建小区、高校住区、学区房和城中村等居住类型组成（表2）。
表2 各空间类型的居住类型特征

Tab. 2 Residential type characteristics of each space category

类型 典型区 居住类型
高迁入型活跃区 a.高迁入活跃典型区一 b.高迁入活跃典型区二 c.高迁入活跃典型区三 新建小区、高校住区、学区房、城中村等
平稳型活跃区 d.平稳活跃典型区一 e.平稳活跃典型区二 f.平稳活跃典型区三 农村居住地、园区住房、城中村等

高迁出型活跃区 g.高迁出活跃典型区一 h.高迁出活跃典型区二 i.高迁出活跃典型区三 老旧小区、园区住房、城中村、农村居住地、学区房等
非活跃区 j.非活跃典型区一 k.非活跃典型区二 l.非活跃典型区三 农村居住地
图例

注：城中村、农村居住地等类型基于高德POI数据、房源网小区数据、前瞻网产业园区点位数据等,结合影像图和实地调查识别得到。

综上可以推得：主城区主要分布有学区房、高校住区等,居住环境较好、配套设施齐全,对人口具有较强的吸引力,人口呈高增长态势,但同时人口流动性也较强;近郊区各新城组群逐渐成为武汉近年来城市化快速推进的重要区域,人口郊区化趋势明显,但由于近郊区的居住类型多为新建小区、城中村等,人居环境较差,交通系统及各项公共服务配套设施不完善,导致该片区的人口更替现象比较频繁,人口流动性也相对较强。

4.1.2 平稳型活跃区

平稳型活跃区内居民迁入迁出数量大致相同、人口变化较为稳定,同时迁居行为又较为活跃,是本文基于迁居活跃度指标体系组合下发现的特有类型。从该类型的空间分布上看：平稳型活跃区呈现整体较为零散的分布态势,以主城区边缘和近郊区中心地段点状分布为主,主要位于南部新城的黄家湖南岸、西南新城的常福、北部新城组群的后湖区域等处。此外,对典型区的分析发现,平稳型活跃区主要由农村居住地（城中村）和园区住房等居住类型组成（表2）。
综上可以推得：该空间类型由于房价、成本、就业、通勤乃至管理等方面的综合优势,已成为城市内部居民迁居的活跃地;但受人居环境品质较低、就业岗位不足等因素限制,总体对人口的吸引力较弱。

4.1.3 高迁出型活跃区

高迁出型活跃区是居民迁入小于迁出、人口整体呈外流状态,同时迁居行为活跃、人口流动性强的空间类型。从该类型的空间分布上看：高迁出型活跃区整体呈现广泛的片状分布态势,主城区与近郊区的分布数量大致相同;主城区拥有此类型总数的44.34%,同时该类型占据主城区网格总数的42.86%,是主城区迁居空间类型的第一大类,主要分布在老城区;同时该类型在近郊区的南部新城组群、西南新城组群、西部新城组群、北部新城组群也都有集聚分布,与高迁入型活跃区在空间分布上较为紧密。此外,对典型区的分析发现,高迁出型活跃区主要由老旧小区、园区住房、城中村、郊区农村居住地、学区房等居住类型组成（表2）。
综上可以推得：近郊区可能由于受工业园区建设、工业生产、旧城改造以及征地拆迁等影响,总体呈现出人口外流的特征;而在主城区的老城区,由于区位条件良好,但同时又因为居住成本较高、配套设施老旧、人口密度过高等原因,居民迁居行为的发生也比较活跃。

4.2 非活跃区空间分异特征

居民迁居非活跃区内人口迁入迁出的数量都相对较少、总迁移量也较少,根据人口增长速度,可进一步划分为高迁入型非活跃区、平稳型非活跃区和高迁出型非活跃区三种类型。其中平稳型非活跃区为主要模式,占非活跃区类型总数的87.06%;其次为高迁出型非活跃区,占非活跃区类型总数的7.67%。在空间分布上,非活跃区主要位于近郊区外围,占该类型总数的95.76%,且以农村居住地为主（表2）。总体而言,近郊区的居民迁居活跃度整体较低、人口流动性较弱,对于人口的吸引力也较弱,与主城区尚有很大差距。
综上所述,对于主城区,从居民迁居的空间分布上看：主城区以高迁出型活跃区和高迁入型活跃区两种类型为主;从城内迁居的人口的净活跃度看,主城区处于人口流出状态,呈现向近郊区转移的趋势;从迁居行为的总活跃度看,活跃区与非活跃区的网格数量比值为19 ∶2,活跃区占主导地位,主城区迁居行为较为活跃、人口流动性较强。由此可见,在都市区内部迁移中,主城区尽管设施条件较好,但受房源、成本、教育医疗等综合因素影响,迁居行为也更为频繁,住房的流通性较高。
对于近郊区,从居民迁居的空间分布上看：近郊区以平稳型非活跃区、高迁入型活跃区和高迁出型活跃区为主要类型;从人口增长上看,近郊区总体迁入人口大于迁出人口,人口处于增长态势;从迁居行为的总活跃度上看,近郊区内部活跃区与非活跃区的网格数量比值为5 ∶8,处于低活跃度状态。由此可见,尽管武汉市推动郊区建设开发后,人口郊区化现象显著,但受住房选择、就业选择等综合因素影响,人口流动性较低,迁居活跃度不高。

5 结论与讨论

5.1 结论

城内居民迁居一直是备受城市地理学者关注的研究方向,尤其是在城镇化不断向郊区推进的过程中,开展微观个体的迁居活跃度研究至关重要。而时序手机信令大数据的应用为精细化识别居民迁入迁出的具体过程、探究迁居活跃度特征等研究提供了技术支撑。
基于此,本文提出一种综合净活跃度和总活跃度指标的城内居民迁居活跃度空间组合划分方法,并以2017—2019年的武汉都市发展区为例,基于迁居活跃度,从微观尺度识别和解析了居民迁居的空间分布特征,得到了以下三方面有价值结论,证明了该方法的有效性：
（1）武汉都市发展区居民个体呈现从主城区向近郊区逐步迁移的趋势;从迁居行为的总活跃度看,主城区高于近郊区,近郊区整体更趋向于稳定发展状态。
（2）基于净活跃度和总活跃度组合指标的迁居活跃度空间类型划分法,可将武汉都市发展区划分为六种类型：分别是高迁入型活跃区、平稳型活跃区、高迁出型活跃区、高迁入型非活跃区、平稳型非活跃区、高迁出型非活跃区。主城区以高迁出型活跃区和高迁入型活跃区类型为主,近郊区以平稳型非活跃区类型为主。
（3）就各类活跃度的空间分布而言：① 高迁入型活跃区在空间分布上广泛且较为集中,是主城区、近郊区网格占比均第二的空间类型;该空间范围内主要为新建小区、高校住区、学区房和城中村等居住类型,居民迁居活跃度和吸引力较强。② 平稳型活跃区在主城区边缘和近郊区内呈点状分散分布;该类空间范围内主要为农村居住地和园区住房等,居民迁居活跃度高,但总体吸引力较差。③ 高迁出型活跃区整体以较为广泛的片状分布为主,在主城区和近郊区具有大致相同的数量;该类空间范围内主要为老旧小区、园区住房、城中村、农村居住地等,人口流动性强,但处于人口外流的状态。④ 非活跃区包括高迁入型非活跃区、平稳型非活跃区和高迁出型非活跃区,主要分布在近郊区各组团的边缘,以平稳型非活跃区为主要类型;该类空间范围内主要为农村居住地,居民流动性较差,对于人口吸引力也偏弱。

5.2 讨论

未来城市规划编制和相关政策制定需要注意居民迁居的空间分异现象,同时针对主城区和近郊区采取不同的应对措施：针对主城区内居民迁居行为活跃和人口高迁出情况较普遍的特征,后续规划应该推进老旧小区的更新改造,适当缓解居住人口密度过高的压力,提高人均配套设施水平;针对近郊区人口流动较为稳定的特征,应该优化居住环境质量、增加就业岗位供给力度,提高对于人口迁居的吸引力,逐渐促进城市发展从近郊区向远郊区推进,激发郊区开发建设的活力。
尽管如此,本文仍存在以下不足。首先,联通手机信令数据不是全样本数据,且18岁以下联通手机用户较少,以上均将影响居民迁居的总量统计,但迁居行为发生的主体是中青年群体[25],因此对本次研究的影响有限。此外,由于用户唯一识别号由手机sim卡加密得到,当用户更改sim卡时,即使手机号码不变也会被识别为新的用户,使得两年具有同一用户识别号的稳定居民数量偏少。下一步研究可结合问卷调查、人口普查等多源数据,综合考虑居民个体社会经济属性、居住条件、就业环境等多方面因素,分析影响居民迁居活跃度的关键因素,归纳城市居住空间结构演进的内在机制,进而探讨居民迁居导致的社会空间重构。

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,评审专家对本文数据可靠性提升、迁居特征解析、拓展深化领域等方面的修改意见,使本文获益匪浅！

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
何深静, 齐晓玲. 广州市三类社区居住满意度与迁居意愿研究. 地理科学, 2014, 34(11): 1327-1336.

DOI

[He Shenjing, Qi Xiaoling. Determinants of relocation satisfaction and relocation intention in Chinese cities: An empirical investigation on three types of residential neighborhood in Guangzhou. Scientia Geographica Sinica, 2014, 34(11): 1327-1336.] DOI: 10.13249/jcnki.sgs.2014.11.005.

DOI

[2]
王振坡, 员彦文, 程浩岩. 城市内部居住迁移空间特征及其影响机制研究: 基于天津市的微观调查数据. 城市发展研究, 2018, 25(4): 107-115.

[Wang Zhenpo, Yuan Yanwen, Cheng Haoyan. The spatial characteristics and its impact mechanism of urban residential mobility: Based on micro survey data of Tianjin. Urban Development Studies, 2018, 25(4): 107-115.] DOI: 10.3969/jissn.1006-3862.2018.04.014.

DOI

[3]
周春山, 许学强. 西方国家城市人口迁居研究进展综述. 人文地理, 1996, 11(4): 23-27.

[Zhou Chunshan, Xu Xueqiang. Summary of research progress on urban population migration in western countries. Human Geography, 1996, 11(4): 23-27.]

[4]
宋伟轩, 陈培阳, 胡咏嘉. 中西方城市内部居住迁移研究述评. 城市规划学刊, 2015, (5): 45-49.

[Song Weixuan, Chen Peiyang, Hu Yongjia. A review of research on residential mobility from the perspective of urban geography. Urban Planning Forum, 2015, (5): 45-49.] DOI: 10.16361/j.upf.201505009.

DOI

[5]
刘云霞, 李晨光, 王亚平. 异质化的住宅与区位选择: 城市内部居住迁移模式. 城市发展研究, 2020, 27(6): 80-87, 97.

[Liu Yunxia, Li Chenguang, Wang Yaping. Heterogeneous housing and residential location choice: Research on the typology of intra-city residential mobility. Urban Development Studies, 2020, 27(6): 80-87, 97.]

[6]
谭一洺, 柴彦威, 杨永春. 基于“推-拉”理论的城市少数民族居民迁居动因探讨. 南京社会科学, 2017, (3): 64-70, 80.

[Tan Yiming, Chai Yanwei, Yang Yongchun. Motivation of migration with ethnic minority groups in the city based on pull-push theory: A case study in Lanzhou. Nanjing Journal of Social Sciences, 2017, (3): 64-70, 80.] DOI: 10.15937/j.cnki.issn1001-8263.2017.03.009.

DOI

[7]
Rossi P H. Why families move:A study in the social psychology of urban residential mobility. Glencoe, Illinois: Free Press, 1955.

[8]
穆学英, 崔璨, 徐伟. 西方城市居住行为研究进展及其对中国的启示. 人文地理, 2020, 35(5): 8-17.

[Mu Xueying, Cui Can, Xu Wei. A literature review of recent progress on western urban housing behavior: Implications for China's housing studies. Human Geography, 2020, 35(5): 8-17.] DOI: 10.13959/jissn.1003-2398.2020.05.002.

DOI

[9]
Coulter R, Van Ham M, Findlay AM. Re-thinking residential mobility: Linking lives through time and space. Progress in Human Geography, 2016, 40(3): 352-374. DOI: 10.1177/0309132515575417.

DOI PMID

[10]
Clark W A V, Lisowski W. Examining the life course sequence of intending to move and moving. Population, Space and Place, 2018, 24(3): e2100.1-e2100.12. DOI: 10.1002/psp.2100.

DOI

[11]
赵美风, 汪德根. 基于村域微尺度的人口流动类型空间分异及作用机理: 以云南玉龙县为例. 人文地理, 2021, 36(3): 148-156.

[Zhao Meifeng, Wang Degen. Spatial pattern and influencing mechanism of population migration at the village scale: The case of Yulong County in Yunnan Province. Human Geography, 2021, 36(3): 148-156.] DOI: 10.13959/jissn.1003-2398.2021.03.016.

DOI

[12]
刘望保, 陈忠暖, 闫小培. 转型期广州市居住迁移的分阶段比较. 热带地理, 2009, 29(2): 123-128.

[Liu Wangbao, Chen Zhongnuan, Yan Xiaopei. Comparisons of related characteristics for residential mobility in different phasesin transitional Guangzhou. Tropical Geography, 2009, 29(2): 123-128.] DOI: 10.3969/jissn.1001-5221.2009.02.004.

DOI

[13]
刘望保, 闫小培. 转型期广州市居住迁移影响因素于户籍之间的比较. 地理研究, 2007, 26(5): 1055-1066.

[Liu Wangbao, Yan Xiaopei. Comparison of influencing factors for residential mobility between different household register types in transitional urban China: A case study of Guangzhou. Geographical Research, 2007, 26(5): 1055-1066.] DOI: 10.3321/j.issn:1000-0585.2007.05.022.

DOI

[14]
刘望保, 闫小培, 曹小曙. 广州城市内部居住迁移空间特征及其影响因素研究. 人文地理, 2007, 22(4): 27-32.

[Liu Wangbao, Yan Xiaopei, Cao Xiaoshu. The spatial characteristics and determinants of intra-urban residential mobility in Guangzhou. Human Geography, 2007, 22(4): 27-32.] DOI: 10.3969/jissn.1003-2398.2007.04.006.

DOI

[15]
姚华松, 许学强, 薛德升. 广州流动人口特征及空间差异分析. 热带地理, 2008, (3): 259-264.

[Yao Huasong, Xu Xueqiang, Xue Desheng. On characteristics and spatial difference of floating population in Guangzhou. Tropical Geography, 2008, (3): 259-264.] DOI: 10.3969/j.issn.1001-5221.2008.03.012.

DOI

[16]
宋小冬, 杨钰颖, 钮心毅. 上海典型产业园区职工居住地、通勤距离的变化及影响机制. 城市发展研究, 2019, 26(12): 53-61.

[Song Xiaodong, Yang Yuying, Niu Xinyi. Study on transformation and influence mechanizes of residential location, commuting distance of typical industry parks in Shanghai. Urban Development Studies, 2019, 26(12): 53-61.] DOI: 10.3969/jissn.1006-3862.2019.12.007.

DOI

[17]
吴中元, 许捍卫, 胡钟敏. 基于腾讯位置大数据的精细尺度人口空间化: 以南京市江宁区秣陵街道为例. 地理与地理信息科学, 2019, 35(6): 61-65.

[Wu Zhongyuan, Xu Hanwei, Hu Zhongmin. Fine-scale population spatialization based on tencent location big data: A case study of moling subdistrict, Jiangning District, Nanjing. Geography and Geo-Information Science, 2019, 35(6): 61-65.] DOI: 10.3969/jissn.1672-0504.2019.06.010.

DOI

[18]
王蓓, 王良, 刘艳华, 等. 基于手机信令数据的北京市职住空间分布格局及匹配特征. 地理科学进展, 2020, 39(12): 2028-2042.

DOI

[Wang Bei, Wang Liang, Liu Yanhua, et al. Characteristics of jobs-housing spatial distribution in Beijing based on mobile phone signaling data. Progress in Geography, 2020, 39(12): 2028-2042.] DOI: 10.18306/dlkxjz.2020.12.006.

DOI

[19]
何仲禹, 李岳昊. 基于开放数据的上海城市公园使用活跃度时空特征研究. 中国园林, 2020, 36(10): 45-50.

[He Zhongyu, Li Yuehao. The temporal-spatial characteristics of usage activeness of urban parks in Shanghai based on open data. Chinese Landscape Architecture, 2020, 36(10): 45-50.] DOI: 10.19775/jcla.2020.10.0045.

DOI

[20]
王宝强, 陈娴, 施澄. 基于多源数据的武汉市环城游憩空间特征解析. 中国园林, 2021, 37(6): 49-54.

[Wang Baoqiang, Chen Xian, Shi Cheng. Analysis of recreational spatial features of Wuhan city based on multi-source data. Chinese Landscape Architecture, 2021, 37(6): 49-54.] DOI: 10.19775/jcla.2021.06.0049.

DOI

[21]
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. 地理研究, 2021, 40(6): 1823-1839.

DOI

[Gu Hengyu, Shen Tiyan. Evolution patterns of China's interprovincial migration networks between 1995 and 2015: Based on labour heterogeneity. Geographical Research, 2021, 40(6): 1823-1839.] DOI: 10.11821/dlyj020200507.

DOI

[22]
齐心, 鲁黛迪. 北京城市内部居住迁移的空间模式研究. 城市发展研究, 2012, 19(12): 16-21.

[Qi Xin, Lu Daidi. Research on the spatial pattern of residential mobility in Beijing. Urban Development Studies, 2012, 19(12): 16-21.] DOI: 10.3969/jissn.1006-3862.2012.12.003.

DOI

[23]
王德, 朱查松, 谢栋灿. 上海市居民就业地迁移研究: 基于手机信令数据的分析. 中国人口科学, 2016, (1): 80-89, 127.

[Wang De, Zhu Chasong, Xie Dongcan. Research on intra-city employment mobility in Shanghai: Based on cell phone data. Chinese Journal of Population Science, 2016, (1): 80-89, 127.]

[24]
刘盛和, 邓羽, 胡章. 中国流动人口地域类型的划分方法及空间分布特征. 地理学报, 2010, 65(10): 1187-1197.

DOI

[Liu Shenghe, Deng Yu, Hu Zhang. Research on classification methods and spatial patterns of the regional types of China's floating population. Acta Geographica Sinica, 2010, 65(10): 1187-1197.] DOI: 10.11821/xb201010004.

DOI

[25]
刘望保, 闫小培, 曹小曙. 西方国家城市内部居住迁移研究综述. 地理科学, 2008, 28(1): 131-137.

[Liu Wangbao, Yan Xiaopei, Cao Xiaoshu. Review of intra-urban residential mobility in western country. Scientia Geographica Sinica, 2008, 28(1): 131-137.] DOI: 10.3969/jissn.1000-0690.2008.01.023.

DOI

Options
文章导航

/

〈 〉