EN中文

GEOGRAPHICAL RESEARCH >

2017 , Vol. 36 >Issue 5: 972 - 984

DOI: https://doi.org/10.11821/dlyj201705013

Articles

Dynamic characteristics of Shanghai's population distribution using cell phone signaling data

  • ZHONG Weijing , 1 ,
  • WANG De , 2 ,
  • XIE Dongcan 2 ,
  • YAN Longxu 2
Expand
  • 1. Hangzhou City Planning and Design Academy, Hangzhou 310012, China
  • 2. College of Architecture and Urban Planning, Tongji University, Shanghai 200092, China

Received date: 2016-10-21

  Request revised date: 2017-01-22

  Online published: 2017-05-20

Copyright

《地理研究》编辑部
Fold

Abstract

Analysis of the dynamic characteristics of Shanghai's population distribution is an important basis for recognizing people's behaviors, allocating urban infrastructures, and making safety emergency plans. Be short of statistical data of temporal and spatial dynamic distribution of population, research on this topic is limited in China. Due to cell phone is the most popular communication terminal equipment, the distribution of cell phone users is able to reflect the distribution of population accurately. Using datasets of cell phone signaling records from Shanghai, this study builds a framework based on the relationship among population, time, and behavior to analyze dynamic characteristics of Shanghai's population distribution. The results show that: (1) there is a single center where the density of population at daytime and nighttime is the highest; (2) people gather in the center at daytime and flow to the suburbs at nighttime; (3) different types of people's behavior result in dynamic changes of population distribution; (4) spatial mismatch between employment and place of residence, and the dependence on city center cause a large number of people flow to city center; (5) the degree of dependence of leisure consumption behavior on city center is obviously higher than that of employment, especially in the ring areas adjacent to city center.

Key words： cell phone signaling data; population at daytime and nighttime; residence and employment; land use intensity; Shanghai

Cite this article

ZHONG Weijing , WANG De , XIE Dongcan , YAN Longxu . Dynamic characteristics of Shanghai's population distribution using cell phone signaling data[J]. GEOGRAPHICAL RESEARCH, 2017 , 36(5) : 972 -984 . DOI: 10.11821/dlyj201705013

1 引言

人口空间动态分布是人口地理学研究的重要领域。已有众多国内外学者对人口的空间动态分布进行估算预测[1]、分析人口的时空分布格局[2]、演变的内在作用机制以及对人口分布与产业、用地等相关要素之间的耦合关系展开研究[3,4],取得了丰硕研究成果。然而,由于数据获取的困难,如普遍缺少昼夜人口的直接统计数据,对半年以下的暂住人口很少涉及,人口地理空间数据库的建设更是匮乏。因此,已有研究的研究尺度主要集中于区域[5]、省际[6]或市县域[1,2]的人口动态分布,时间单位多以年为尺度[7],在更小空间尺度的城市内部层面、更小时间单位的昼夜间的人口时空变化分布格局的研究成果有限。已有的相关研究也主要基于人口普查等统计数据、人流量观测统计数据[8,9]、O-D矩阵[10]、交通调查数据[11]、高分辨率遥感数据[12]等进行人口空间动态分布的估算和展示[13-16],更未能实现对个体行为角度进行集计,进而深入分析人口空间动态分布的行为动因。因此,这一领域仍亟待更为深入的研究。
从中国国情来看,当今中国是一个典型的流动性社会,第六次全国人口普查显示城乡流动人口总量达1.9亿。因此,对城市人口空间的动态分布研究是透视城市发展的重要窗口,有助于认识城市功能区的演绎机理,指导城市公共服务设施的配置。另一方面,城市公共安全与危机管理对人口空间分布的时空精度需求日益提高。对于重大事件和随机发生的安全事件,掌握各区域的人口动态分布规律是疏通人流车流等应急救援安排实施的基础保障。因此,人口空间的动态分布研究不仅是人口地理学研究的重要问题,也是认识人口行为、城市空间结构,进而指导城市公共服务设施配置、制订城市公共安全应急保障方案的重要研究依据,兼具重要的研究价值和实践意义。
信息技术的发展,使得获取大量动态的、带有精准空间信息的个人数据成为可能,大数据的价值得到越来越多的重视,且已广泛运用到各个领域的研究和管理中[17-21]。其中,手机这一通信设备由于其广泛的覆盖率和低收集成本,其提供的大样本的个体时空移动定位信息,为地理学、城市规划等需要利用空间位置数据的学科带来了前所未有的研究可能,这方面的研究也成为近年来的一个热点话题[22,23]。已有国内外学者利用手机数据在城市空间结构[24-26]、建成环境的评价[27]、职住关系[28]、交通通勤行为[29-31]、消费行为[32]、活动模式的识别[33]等领域取得了许多重要研究成果。在人口空间分布研究领域,已有国外研究学者利用手机数据开展了制作动态人口分布图制作、人口密集区的识别工作[34-36]。这些研究成果充分表明手机数据在人口的空间动态分布研究领域中的巨大研究价值,具有参考借鉴意义。
基于此,本文以上海为例,利用手机信令数据这一大样本全覆盖且具有个体动态时空位置信息数据,尝试在城市内部层面和居民个体的行为角度,对上海人口空间动态分布进行分析,以期对城市人口空间动态分布领域的后续研究提供参考和借鉴。

2 研究方法与数据来源

2.1 数据来源

主要采用的是2014年上半年某两周上海移动2G用户产生的手机信令数据。数据为匿名形式,每条信令数据包含用户ID、时间戳、基站位置编号、事件类型（如接打电话、接发短信、位置更新）等信息。本文使用的数据量：日均记录到上海1600万~1800万个不同的手机识别号（约占2014年上海2415万常住人口的70%）,日均信令记录总数为6亿~8亿条;在空间分布上,全市约36000个基站,其中,中心城区基站间距约100~300 m,郊区基站间距较大,约1000~3000 m。手机信令数据具有的动态、连续、几乎城乡空间全覆盖且持有率高①(① 根据《上海统计年鉴（2014）》,上海2013年移动电话普及率为132.5%。)的特征,可以较好地反映人们总体的时空间行为规律。

2.2 分析框架构建

人口分布有其在时间上的周期性变化,其中昼夜是城市人口空间分布的时间尺度上的一个主要特征。同时受到城市组织系统及城市规划的影响,城市空间结构表现为多种功能区,而发生在不同功能区的通勤、消费、休闲等行为又是形成城市人口空间动态变化的主要原因。因此,结合已有数据特点,本文从引起人口空间分布变化的时间、行为两个方面,构建基于“动态分布—空间活动”关系的人口空间动态研究框架（图1）。
Fig.1 Research framework

图1 研究框架

首先,在动态分布框架下,利用手机信令数据,统计各时间阶段记录用户量的变化,反映记录用户量与人口生活作息规律的关系,从中选取最适当的时间点分别代表白天人口和晚上人口,进而对人口的昼夜空间动态分布进行研究。同时,在全市选择中心城区等重要地区进行人口动态变化的重点分析。
其次,在空间活动框架下,本文选择通勤行为和消费休闲行为进行研究,根据行为的一般规律制定行为的识别规则,并进一步分析行为特征,如居住和就业人口的空间分布,通勤和消费休闲出行的距离,以及对中心城区的依赖等,建立基于通勤行为的人口空间动态分布分析,发现居住、就业、通勤、消费休闲等行为带来的人口空间分布和活动的动态特征。

2.3 研究方法

2.3.1 从基站到居委会尺度的空间单元映射 研究中手机位置只能精确到基站单位,且在不同地区基站分布的稀疏程度不同,以基站为空间分辨率的对位置的表达不利于空间维度上的信息挖掘。为了消除该影响,借鉴已有研究,本文采用维诺图（Voronoi Diagram Area,VDA）[37]分区方法。每一个VDA区域唯一对应着一个空间位置的基站,其大小可以近似地描述对应基站的覆盖区域。然后将这一基站的记录人数在这一VDA区域内随机散点,再根据居委会的空间单元区域进行汇总,实现从基站分布到居委会的空间尺度,给后期移动通信数据与交通、土地利用、POIs等其他数据的融合提供了相同的空间参照单元。
2.3.2 职住地和消费休闲地的识别 研究通过对全市原始数据的整体分析,结合居住和就业行为的一般规律,制定了手机用户居住地和工作地的筛选规则,得到用户的居住地、工作地以及各类行为目的地的分布。
在居住地的识别上,研究首先针对每一个用户,选择十个工作日的第一天0:00-6:00点内的所有记录点,计算每半个小时出现的记录点的众数位置,得到该用户的位置点集{P1, P2, ⋯ , Pi},i为位置点的个数;然后计算位置点集中的每一个位置点与其他所有位置点的距离和{PD1, PD2, ⋯ , PDi},从距离和的集合中找到最小值的点p作为当日居住地H_day1。对剩余9个工作日重复上述工作,找到每日居住地{H_day1, H_day2, ⋯ ,H_dayn},n为可以找到日居住地的天数,且0≤n≤10。在找到每日居住地后,计算各日居住地{H_day1, H_day2, ⋯ , H_dayn}与其他日居住地的距离和{HD1, HD2, ⋯ , HDn},以及与其他日居住地距离的平均值{HD1_avg, HD2_avg, HDn_avg}。找到与其他记录点距离和{HD1, HD2, ⋯ , HDn}最小HDmin的点作为该用户潜在的稳定居住地H_potential,其对应的与其他日居住地距离平均值为HD_potential_avg。最后,判断该用户的可识别日居住地的天数n是否大于等于5,且点H_potential在{H_day1, H_day2, ⋯ , H_dayn}中出现的次数是否大于等于2,且其余其他日居住地的平均距离HD_potential_avg是否小于1000 m,若满足上述所有条件,则该点为该用户的稳定居住地,反之则认为该用户无法识别到稳定的居住地。具体操作流程如图2所示。
Fig. 2 The framework of identifying place of residence

图2 居住地的识别工作流程

同理,利用9:00-17:00点的记录,使用上述流程识别出用户的稳定工作地。最后得出在具有稳定工作和居住地的用户数量约为751.99万人,占同年上海常住人口的31.0%,这部分用户可以认为是在上海稳定居住和工作的用户②(② 将得到的分街镇居住人口数与第六次人口普查数据重中的各街镇常住人口数量进行比较,发现具有较高的相关性。)。从概率统计的角度来看,人口数据乘以相应系数,就近似于实际管理的人口数据,且在空间分布上也具有一定的可靠性。
除居住就业外,消费休闲行为是人的另一项主要活动。由于手机数据并不能反映用户的出行目的,因此本文根据消费休闲的一般行为规律即出现频率较低,且有一定的停留时间,进行了多次尝试,制定合适的筛选标准,将2周内至多出现两次且每次停留时间在2 h以上的驻留点认为是消费休闲活动的目的地③(③ 这一标准的识别结果在空间上也多为商业中心、公园和政府办公地的所在地,识别结果具有可靠性。),并再此基础上计算家到目的地的距离。
2.3.3 昼夜比指标计算 本文以数据记录的2周内,10:00-12:00点的记录人数天平均值与22:00-24:00点的记录人数天平均值的比值作为昼夜比指标进行计算,计算公式为： 昼夜人口比 = 10 : 00 - 12 : 00 点的记录人数天平均值 22 : 00 - 24 : 00 点的的记录人数天平均值 （1）

3. 结果分析

3.1 人口时间动态分布

3.1.1 全市人口时间空间分布特征 以2 h为时间单元,将各时间段的记录人数进行空间可视化,展示上海市一天的人口动态空间分布变化（图3）。从图3可以看出,上海市人口分布具有明显的单中心结构,各时段中心城区和其他地区的人口密度具有明显差距。从人口的动态流动性方面来看,上海市域经历了“白天向心,夜间离心”的人口动态流动过程,形成“中心城区—郊区”昼夜人口分布差异明显的人口动态变化结构。具体从时间来上看,6:00-10:00点,人口从外围非中心城区向中心城区流动集聚,10:00点时中心城区的人口密度达到最高,全市人口分布整体仍呈现较为显著的单核心空间结构,这一集聚状态持续到下午18:00点左右。18:00点以后,中心城区人口逐渐开始向外围非中心城区扩散,其中内环线内的核心区成为明显的低值区,与白天相比晚上人流明显减少,也是居住功能较弱的就业集中地区。各郊区新城呈点状分布,对人口存在一定的吸引力,但对人口的集聚程度有限,是较低等级的人口集聚区。在扩展方向上,中心城区西侧的郊区县已与中心城区连片发展,东部三个新城活动仍较为独立,整体结构与规划所设想的多中心空间结构蓝图仍存在较大差异。这一人口的空间动态流动现象一定程度上也反映了中心城区就业岗位集中,以就业功能为主导而居住不足的现状,同时,白天人口向中心集聚和晚上人口从中心城区向外扩散的流动趋势,也可以预见早晚高峰会产生大量进出中心城区的通勤交通需求。
Fig.3 Dynamic characteristics of Shanghai's population distribution

图3 上海市人口动态空间分布特征

3.1.2 昼夜比和特征分区 为对全市昼夜人口密度和比值情况进行综合分析,本文以白天人口密度、晚上人口密度和昼夜人口比三个指标的四分位数为阈值,对全市230个街镇进行划分。需要特别说明的是,根据人的作息活动规律以及数据的记录量特征,本文分别选择了早上10:00点时间段和晚上22:00点时间段的记录用户量代表白天和夜晚人口,从全市整体来看,白天时段记录用户量约是夜晚时段记录用户量的1.6倍。为解决这一数据量上的不同,本文以2015年上海市2450万常住人口的标准,根据全市人口昼夜总量基本相等的原则,将这两个时段的记录用户量都按照这一常住人口总数进行等比例标准化,得到本文采用的白天人口密度、晚上人口密度指标。昼夜人口比是指白天人口密度除以晚上人口密度的比值。特征分区的结果如图4所示。单从密度角度来看,呈现出“中心城区—近郊—远郊”逐层递减的圈层分布结构。再结合昼夜比指标,全市可划分为六类活动区：
Fig.4 Division based on population density at daytime and nighttime and their ratio at the district level

图4 昼夜人口密度和比值特征分区

（1）密度和昼夜比值均低的区域。该区是全市的低强度活动空间,主要集中在远郊的农村地区,活动类型较为混合,因此昼夜比值较低,如崇明、青浦、金山、浦东等地远郊偏远区域。
（2）密度低、昼夜比值高的区域。该地区从绝对活动强度来看较低,但就业职能突出,昼夜比值较高,一般为较为偏远地区的中心镇,如金山的吕镇、亭林及周边、浦东的老港镇、朝阳农场街道、以及崇明的城桥镇、上实现代农业园区等。
（3）密度中等、昼夜比低的区域。主要集中在外环和近郊地区,且活动混合,昼夜比较低。
（4）密度中等、昼夜比高的区域。主要是近郊的一些就业中心、如莘庄、漕河泾、松江等工业园区、张江等高科技园区、金桥、外高桥进出口加工区,以及奉贤的一些主要就业中心镇,如周浦镇、奉城镇等。
（5）密度高、昼夜比低的区域。该区集中在中心城区的北部区域,包括杨浦、老闸北区、长宁区等。该地区活动强度大,既有大量就业岗位也有许多大型居住区,昼夜比值较低。
（6）密度和昼夜比值均高的区域。该区是全市人口居住、就业活动的核心区,集中在内环线以内。该区就业职能为主,居住较少,昼夜比值较高。
3.1.3 重点地区的昼夜人口分布差异 在了解上海整体的人口空间分布结构后,为对上海重点地区的昼夜人口分布差异进行分析,本文从集建区/非集建区和中心城区/非中心城区④(④ 集建区和非集建区的划分参考上海2040总规编制的研究成果,中心城区和非中心城区的划分根据《上海市城市总体规划（1999-2020）》确定,为外环线以内地区。)两个角度对全市空间进行划分（图5）, 分别统计工作日和休息日白天和周末的人口数量,计算其在该时段全市总人口中所占比例,结果如表1 所示。结果显示上海人口分布的空间集聚特征明显。中心城区的人口比例为47.58%~50.65%,按照上海总常住人口2450 万的标准,中心城区的人口数约1200 万~1250 万。同样,集建区的人口比例范围是全市的86.37%~89.04%,人口为2150万~2200万。
Fig.5 Distribution of build-up areas and city center

图5 集建区和中心城区用地分布

从集中程度来看,面积占全市域总面积44.62%的集建区内记录用户量比例一直占全市的86%以上,而占全市域土地面积10.51%的中心城区内记录用户量比例占全市的47%以上,中心城区的集聚程度较集建区更加明显。同时,集聚程度随着时间发生动态变化,从昼夜时间对比来看,白天中心城区和集建区的集中程度都比夜晚更加明显,从工作日和休息日对比来看,两者工作日的集中程度也都高于休息日。因此综合来看,工作日白天中心城区和集建区的人口集聚情况最为明显。
对集聚大量人口的上海中心城区进行进一步分析,以居委会为空间单元,分别计算其白天人口和夜晚人口密度,并按照分位数的标准进行等级划分,结果如图6所示。通过对比进一步证明了中心城区白天活动人口密度远高于晚上活动人口密度。从空间分布上看,虽然从全市层面来看中心城区是人口集聚的单一中心,但内部具有明显差异。浦西白天和夜晚的人口密度都远大于浦东,尤其是夜晚人口密度的分布,黄浦江成为一条天然的密度分隔带,全市的人口集聚中心还是在传统的市区中心浦西。观察白天人口密度分布（图6a）,浦西中心区已形成集中连片的人口密度高值区,其中,最核心范围与上海内环线范围大体一致,其次向外围延伸,包括五角场地区、真如地区、虹桥地区、漕河泾地区和陆家嘴地区这些方向,形成“指状”扩散的空间格局。另外,浦东的三林地区和宝山的张庙街道地区,成为独立的近郊区县的人口集聚中心。从中心城区晚上的人口密度分布来看（图6b）,核心区的范围明显缩小,且都集中在浦西地区,其中在白天人口密度较高的是陆家嘴地区、三林地区和漕河泾地区,由于就业功能单一而居住功能不足,晚上的人口密度显著下降。浦西昼夜人口差异最为显著的则是静安区的湖南路、天平路街道。
Fig.6 Spatial distribution of population density in central city at daytime and nighttime at the neighborhood level

图6 中心城区各居委昼夜人口空间分布

计算每个居委会的昼夜人口比并按照分位数标准进行等级划分,结果如图7所示。可以看出,基本形成了内环内高值连片、低值区环绕、最外围高值点状分布的空间分布模式。具体来看,内环线以内区域,以就业职能为主,集中大量商务办公,昼夜人口比整体都较高,是主要且最为集中的区域,也是中心城区内昼夜人口差异最为显著的地区。在这一区域外围,则形成了一个昼夜人口比相对较低的环形区域,是靠近内环这一就业区的主要居住区域。而在更远离市中心的中环和外环之间区域,并没有昼夜人口比高值或低值集中连片的明显特征,而是呈现高值点状分布特征,如市副中心五角场街道等。另外,一些高科技产业园区、工业园区也是主要的高值区,如浦东的外高桥保税区、金桥进出口加工区、张江科技园区、漕河泾工业园区所在的街道。低值区的分布则较为分散,主要是各大型居住区所在街镇,如大华地区、新江湾城居住区等。
Fig.7 The ratio of population in central city at daytime and nighttime at the neighborhood level

图7 中心城区各居委人口昼夜比分布

3.2 活动空间分析

人的行为活动使得人的位置发生变化,并导致人口在空间上的动态分布。这些行为中包括规律且频繁发生的通勤行为和不规律且频率较低的消费休闲活动。因此,本文根据各类活动的一般规律,制定相应的识别规则对用户的各类行为进行识别,以及得到居民的居住地、工作地以及各类行为目的地的分布。
3.2.1 职住地的空间分布 根据识别出的全市人口居住地和就业地的分布,绘制居住人口密度和就业人口密度的三维空间分布图（图8）。两者在分布上都呈现出集聚在中心城区的单中心空间分布格局,但对比来看,就业人口的密度比居住人口密度具有更显著的中心集聚度,中心城区的集聚作用更加明显。可以看出,在人口向外疏解的同时,就业岗位却没有同步外移,相反,还有向心集聚的趋势,也导致一定程度的通勤需求。因此,城市布局调整只有同步协调人口、就业岗位和配套功能,才能从源头上缓解向心交通压力,从而减少交通拥堵的发生。
3.2.2 通勤 全市可识别具有稳定白天和晚上驻留点的居民平均通勤距离为3571.42 m,考虑到这一距离是两个基站之间的直线距离,基站定位本身存在一定误差,而且识别结果不包括无固定驻留地的用户出行,认为这一识别结果基本能反映上海市域内居民的总体通勤规律。识别结果按照分位数标准进行等级划分如图9所示。全市以外环线为界向内外扩展,呈现两种截然相反的变化模式。具体来看,从中心城区内环线内向外扩展至外环线,通勤距离的分布呈明显的“近距离—中等距离—远距离”的圈层结构变化,而从外环线再向外扩展,则呈现一个相反的变化,即“远距离—中等距离—近距离”的圈层结构。因此,总结来看,平均通勤距离高的街镇主要夹在上海中心城区和外围郊县之间,即外环线附近。结合用地功能可以发现,这一区域以居住为主,就近的就业中心较少,该区域的居民有远距离通勤的需求。平均通勤距离低的街镇则主要是内环内中心城区居民和最为偏远的远郊居民为主。内环内就业配套完善,区位优势明显,近距离即可较好实现就业。而远郊就业岗位虽然有限,但交通不便,居民通勤成本较大,因此居民也以近距离就业为主。同时,对比浦东和浦西各街镇,可以发现浦东的街镇平均通勤距离明显高于浦西,这也跟许多居民因浦东的居住功能较完善而搬迁至浦东居住,但就业未发生改变,仍在浦西城市中心区有关。
Fig.8 Spatial distribution of employment and residential density

图8 居住和就业人口密度分布

Fig.9 Distribution of average commuting distance at the district level

图9 各街镇平均通勤距离

3.2.3 消费休闲活动 统计各街镇居民的消费休闲出行平均距离,按照分位数等级划分标准结果如图10所示。
Fig.10 Distribution of average leisure and shopping trip distance at the district level

图10 各街镇消费休闲出行平均距离

与通勤平均距离相似,中心城区、以及松江新城、惠南新城的居民消费休闲出行距离最小,可见这些区域的消费休闲活动可以在较近的范围内得到满足,配置较为完善。由于消费休闲设施,尤其是中高等级的设施,主要集中在中心城区,因此崇明、以及金山、奉贤和浦东的南部靠海街镇,平均出行距离普遍较高。另外,对比浦东和浦西两地,浦东的平均出行距离高于浦西,可见浦西的传统上海城市中心仍是居民中高等级活动的主要集中地。
3.2.4 通勤和消费休闲对中心城区的依赖 从前文的分析可以看出,上海的人口空间动态分布具有白天向心、晚上分散的流动过程,且中心城区的就业人口密度远高于居住人口密度,可以预见有大量人流从各郊县向中心城区进行通勤。远郊地区的消费休闲出行距离最远,也可能是居民远距离来到中心城区进行中高等级购物休闲导致。因此,为分析中心城区外的各街镇与中心城区的依赖情况,研究划分外环线以内为上海中心城区,从通勤行为和消费休闲行为两个方面,统计中心城区外各街镇到中心城区就业和消费休闲的数量和占该街镇总数的比例,计算结果如图11所示。
Fig.11 Proportion of commuting and leisure and shopping trip from suburb to central city at the district level

图11 郊区街镇通勤和消费休闲活动对中心城区的依赖

最为显著的特征是,街镇距中心城区的距离与其对中心城区的出行比例密切相关。与中心城区紧密相邻的这一圈层的居民到中心城区的就业和消费休闲的比例都最大,是进城人流的主要来源。随着距离的增加,人数和比例整体都呈减小的趋势。对比就业人数比例和消费休闲人次比例可以发现,消费休闲行为对中心城区的依赖度明显高于就业,且在崇明、临港以及金山奉贤的南部沿海地区,其居民去中心城区消费休闲的人次比例依然较高,可见这些远郊居民对中心城区的消费休闲设施仍有较大依赖,也在一定程度上反映出这些街镇自身消费休闲功能的不完善。

4 结论与讨论

本文利用手机信令数据和相关土地利用数据,从引起人口空间分布动态变化的时间、行为两个方面,尝试构建基于“人口—时间—行为”关系的人口空间动态分布研究框架,以上海市为例,进行人口空间动态分布分析。结果表明：上海城市人口的昼夜空间分布经历“白天向中心集聚、夜晚向郊区分散”的流动过程,整体呈单中心的空间结构,白天人口相对于夜晚人口具有更显著的中心集聚特征;人的不同活动类型（居住就业、通勤、消费休闲出行等）会产生人口空间分布的动态变化,职住关系的不匹配和活动对中心城区的高度依赖使得人口的空间分布不均,形成向心流动模式。消费休闲行为对中心城区的依赖度明显高于就业活动,且集中体现在紧邻中心城区的外围近郊呈圈层分布。通过手机信令数据得到的上海城市人口的空间动态分布特征折射出上海城市空间结构、城乡发展差异等诸多特征,也可为城市规划及实施和城市管理提供参考。
从本文可以看出,手机信令数据在人口动态分析的研究领域,具有重要意义和价值。通过手机信令数据,可以实时获取高分辨率的人口时空动态分布信息,这是认识城市流动性、对城市环境进行评估、应对突发事件进而构建应急处置系统、数字化城市管理系统等的重要基础。同时根据一般的行为规律,可以根据行为的频率和出现时间等对各类行为进行识别,进而分析行为导致的人口空间动态分布,这也是人口空间动态分布的动因。借助手机数据的分析研究,可以更加便捷、全面、动态、客观地反映人在城市中的动态分布和活动特征,进而更为深入全面地探讨城市环境与人们时空间行为的互动关系,为城市规划与建设、城市管理提供科学依据。当然,进行研究时也应注意手机数据本身存在的一些问题,如数据精度上还存在缺陷,依赖于基站信号强弱的定位方式存在无法避免的空间误差;虽然有的研究采用了一定的用户筛选规则,但是会对结果产生影响,仍需要与其他数据源的研究相互佐证,进一步提高研究结论的可靠性。本文基于现有数据,尝试对城市人口的空间动态分布展开研究,取得了一些初步的研究结果。随着更多数据的获取和研究的深入,构建更加完善的城市人口动态分布分析框架和人口空间分布模型的优化及应用将是未来研究的重点。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王露, 杨艳昭, 封志明, 等. 基于分县尺度的2020-2030年中国未来人口分布. 地理研究, 2014, 33(2): 310-322.选取1982年、1990年、2000年和2010年人口普查数据，运用Logistic模型系统预测了2020年和2030年中国分县人口规模，定量分析了未来中国人口分布的基本布局、各地区人口增减变化以及城市群人口集聚度变化。研究认为：①2020-2030年中国未来人口空间分布的总体格局不会发生根本改变，东南半壁人口比例会有所减少，西北半壁人口比例会有所增加，但增减变化在0.1%~0.3%之间；②2010-2020年中国有1641个分县单元人口将仍呈增加趋势，占地规模和相应人口都在全国3/4水平，人口增加仍是主要特征；2020-2030年中国人口增加的分县单元将大幅减少到598个，人口减少地区占地规模和相应人口将占3/5以上，人口减少成为普遍现象。③中国21个城市群地区人口总量将由2010年的7.81亿增加到2020年的8.68亿和2030年的9.17亿，相应的人口集聚度也将由2010年的1.99逐步提高到2020年的2.17和2030年的2.33，城市群地区人口集聚规模和集聚程度在逐步提高，人口集聚态势更加明显。

DOI

[Wang Lu, Yang Yanzhao, Feng Zhiming, et al.Prediction of China's population in 2020 and 2030 on county scale. Geographical Research, 2014, 33(2): 310-322.]

[2]
秦贤宏, 魏也华, 陈雯, 等. 南京都市区人口空间扩张与多中心化. 地理研究, 2013, 32(4): 711-719.20世纪90年代以来,中国进入了前所未有的快速城市化阶段,大城市人口增长和空间演变剧烈,值得进行深入研究。以南京市为研究对象,先采用地理图形分析方法对都市区人口空间扩张过程进行了分析,后又采用数学模型方法对都市区人口分布多中心化趋势进行了系统研究。结果显示:在总人口持续快速增长的背景下,南京都市区人口高密度空间已延伸到近郊区,且远郊区中的区县政府驻地和一些优先开发区域的人口密度也已很高;城市人口空间分布已出现多中心化趋势,除了老城区北部的山西路已发育成除市中心新街口之外的人口次中心以外,郊区人口集聚最强的热点——河西新城区的万达广场也有望发育成另一个人口次中心。

DOI

[Qin Xianhong, Wei Yehua, Chen Wen, et al.Population expansion and polycentric development of Nanjing city in a period of hyper-growth. Geographical Research, 2013, 32(4): 711-719.]

[3]
杨传开, 宁越敏. 中国省际人口迁移格局演变及其对城镇化发展的影响. 地理研究, 2015, 34(8): 1492-1506.lt;p>基于2000年和2010年人口普查数据,利用多种指标和方法研究了中国省际人口迁移的格局演变及其对城镇化的影响。研究发现：省际迁入和迁出人口在空间分布上均呈分散化态势,迁入迁出重心均向北向东偏移,迁入地由广东省“一枝独秀”向多极化演变,安徽、四川、河南、湖南成为新的四大迁出地。利用净迁移流构建的省际人口迁移网络,表现出紧凑化和均衡化趋势;迁移流仍然是从中西部地区指向东部地区,但新增加迁移流集中指向长三角、京津以及福建。综合考虑省际人口迁移强度和方向,可将全国31个地区划分为净流入型活跃区、平衡型活跃区、净流出型活跃区以及非活跃区四种类型。省际迁移改变了迁入地和迁出地的城乡人口结构,通过不同模式促进了城镇化率的提高和省际差异的缩小,对2000-2010年全国城镇化率增加的贡献占到了18.13%。</p>

DOI

[Yang Chuankai, Ning Yuemin.Evolution of spatial pattern of inter-provincial migration and its impacts on urbanization in China. Geographical Research, 2015, 34(8): 1492-1506.]

[4]
饶烨, 宋金平, 于伟. 北京都市区人口增长的空间规律与机理. 地理研究, 2015, 34(1): 149-156.

[Rao Ye, Song Jinping, Yu Wei.Spatial pattern and mechanism of population growth in metropolitan Beijing. Geographical Research, 2015, 34(1): 149-156.]

[5]
边雪, 陈昊宇, 曹广忠. 基于人口、产业和用地结构关系的城镇化模式类型及演进特征: 以长三角地区为例. 地理研究, 2013, 32(12): 2281-2291.从人口城镇化、产业非农化、用地城镇化进程的相对关系角度，在三角模型中将城镇化的协调关系模式划分为六种类型。基于长三角地区的实证研究，发现六种关系模式在空间上临近、时间上趋同。从长期均衡结果看，各县市城镇化关系模式的差异主要源于自然条件、行政区设置等固有条件，城镇化模式的多样性并存未导致经济发展水平的显著差别。从短期时序变动来看，在不同区域、不同发展阶段，不同的主导驱动力形式下的确存在效率差异，现阶段长三角地区用地城镇化进程的迅速发展与经济发展水平的快速提高高度吻合。在快速城镇化背景下对各维度进程的不匹配现象予以关注，有助于认识城镇化进程中的问题和引导城镇化健康发展。

DOI

[Bian Xue, Chen Haoyu, Cao Guangzhong.Patterns of regional urbanization and its implications: An empirical study of the Yangtze River Delta region. Geographical Research, 2013, 32(12): 2281-2291.]

[6]
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.lt;p>改革开放以来,伴随着快速城镇化进程的推进以及20世纪80年代户籍制度出现松动,大规模跨区域的人口迁移流动已呈现不可阻挡之势,人口迁移时空格局亦发生着剧烈的变化。目前大多数相关研究只关注某一特定时期的人口迁移,故而人口迁移的时空格局分析显得尤其重要。使用双组分趋势制图法和1985-1990年、1990-1995年、1995-2000年、2000-2005年以及2005-2010年五个时期的人口迁移数据,分析人口迁入、迁出和净迁移的强度及其变化特征。在研究时期内,中国省际人口迁移表现出强烈的空间差异,迁移强度也有大幅的增加。八个主要人口迁入地全部位于东部三个经济快速增长的发展区域（珠江三角洲、长江三角洲和京津冀都市圈）内,而主要的人口来源地都是相对欠发达的中西部省份,这和全国经济发展空间格局完全吻合。双组分趋势地图结果显示南方省份的人口迁移强度及变化趋势都强于北方省份,因此从某种意义上说,在1985-2010年间,南方省份的人口迁移较北方省份更活跃,这可能主要受到南北方自然地理环境以及文化差异的影响。人口迁移时空格局分析结果表明,中国的人口迁移规律正在逐渐形成新特色,东部和西部地区之间的人口流动主要是受到经济因素和区域发展差异的影响,而南方和北方地区的人口迁移活跃程度则主要是由自然地理环境以及文化差异所致。</p>

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.]

[7]
潘倩, 金晓斌, 周寅康. 近300年来中国人口变化及时空分布格局. 地理研究, 2013, 32(7): 1291-1302.基于人口地理学相关理论,以近300a 为时间尺度,以省域为空间单元,利用经修正的清朝、民国及建国后286 个时相的人口数据,建立1724 年、1767 年、1812 年、1855 年、1898年、1936 年、1982 年和2009 年8 个典型时间断面,通过不均衡指数、集中指数、分布重心和空间自相关等分析方法,研究了近300a 来中国人口数量变化及时空分布格局。结果表明：①近300a 来中国人口数量波动上升,按增长曲线特征可分为较快稳定增长期、快速波动负增长期、低速平稳增长期、无序跌宕增长期、急剧波动增长期5 个阶段;② 人口分布逐渐趋于均衡,人口重心迁移幅度不大,总体呈西南&mdash;西北&mdash;东北&mdash;西北的移动趋势;③ 人口分布保持高度自相关,聚集程度波动变化,其中,华东的沪苏地区、山东省、安徽省、浙江省为稳定人口高密度聚集区,华中的河南省为较稳定人口高密度聚集区,西南、西北部分省份为稳定人口低密度聚集区,华北的内蒙古自治区为较稳定人口低密度聚集区,东北的黑龙江省、吉林省为不稳定人口低密度聚集区。

[Pan Qian, Jin Xiaobin, Zhou Yinkang.Population change and spatiotemporal distribution of China in recent 300 years. Geographical Research, 2013, 32(7): 1291-1302.]

[8]
Foley D L.Urban daytime population: A field for demographic-ecological analysis. Social Forces, 1954, 32(4): 323-330.No abstract provided.

DOI

[9]
Foley D L.The daily movement of population into central business districts. American Sociological Review, 1952, 17(5): 538-543.No abstract provided.

DOI

[10]
Akkerman A.The urban household pattern of daytime population change. The Annals of Regional Science, 1995, 29(1): 1-16.A matrix representation of places of residence and places of commuting destination in a metropolis, is coupled with evidence regarding spatio-temporal change in average household size. This approach allows the average number of persons per household who commute to be hierarchically ordered in a square matrix which shows attributes associated with a well-known class of matrices. Based on these attributes it is shown that any given spatial distribution of households implies a bounded range of vectors representing the spatial distribution of commuters. Two related distributions correspond to night-time and daytime populations in the metropolitan subareas. Whereas much of contemporary urban modeling is rooted in economic considerations, this alternative approach replaces explicit economic reasoning with some speculative considerations. The proposed methodology is applied to thirty-four subareas throughout the city of Saskatoon, Saskatchewan.

DOI PMID

[11]
Roddis S M, Richardson A J. Construction of daytime activity profiles from household travel survey data. In: Transportation Research Record 1625, TRB. National Research Council, 1998: 102-108.The perception of population as the number of people living in a region is entrenched firmly in the minds of many urban planners and transport professionals. In the past, the use of such a residential or home-based description of population would have suited most local area planning and transportation modeling needs. In light of this, the use of a daytime distribution of population to locate services and facilities forms a radical departure form conventional practice. However, there is a clear need to consider the location of people across the day in planning for the provision of facilities that will be used during the day. Data from the Victorian Activity and Travel Survey were used to develop methods by which daytime population behavior can be examined. Specifically, two measures were developed. A population profile provides an estimate of population within any region at any time of the day. A visitation curve supplements the population profile by monitoring the number of people using a region across the day. Further disaggregation of the population to reveal behavioral and demographic characteristics constitutes an important component of the methodology.

DOI

[12]
Sleeter R, Wood N. Estimating daytime and nighttime population density for coastal communities in Oregon. In: Proceedings of 44th Urban and Regional Information Systems Association Annual Conference. Columbia, British, 44th Urban and Regional Information Systems Association Annual Conference, 2006: 906-920.ABSTRACT Hazard preparedness has become a critical issue for local populations who are potentially vulnerable to natural disasters. Essential to preparedness planning is determining where people are likely to be located, which varies from day to night. The fundamental approaches to geographic scale and cartographic representation are an integral aspect of how population distribution is represented over space. Using a dasymetric mapping technique, residential populations are estimated by interpolating the census block values to 10 m pixels based on parcel-level land use and density. To determine daytime population estimates, a quantitative employee database gives x,y point locations of each business and exact numbers of how many people are employed within a coastal community. From census records, we can estimate the number of people who are leaving their residences during the daytime to go to work outside of a tsunami hazard zone.

[13]
Kavanaugh P.A method for estimating daytime population by small area geography. Proceedings of 18th Urban and Regional Information Systems Association Conference. Edmonton, Alberta, Canada, 18th Urban and Regional Information Systems Association Conference, 1990: 150-164.

[14]
戚伟, 李颖, 刘盛和, 等. 城市昼夜人口空间分布的估算及其特征: 以北京市海淀区为例. 地理学报, 2013, 68(10): 1344-1356.

[Qi Wei, Li Ying, Liu Shenghe, et al.Estimation of urban population at daytime and nighttime and analyses of their spatial pattern: A case study of Haidian District, Beijing. Acta Geographica Sinica, 2013, 68(10): 1344-1356.]

[15]
赵晔琴. 国外大都市“白天人口”研究及其对我国的启示. 南方人口, 2010, 25(6): 24-31.不同地区之间的白天和夜间人口的变动信息以及人口在一天中所处的 地理位置和时段对于城市规划、交通运输、环境、灾害和紧急救援行动等都具有重要的意义.城市中心区域的活力已不仅仅体现于当地的居住人口,以"日"为周期 的通勤和其他经济活动人口对中心区域的经济、社会、文化和环境等各方面都有重要的影响.本文旨在对国外有关大都市"白天人口"的研究做一个大致的梳理,这 不仅有助于我们了解国外白天人口研究的发展和现状,同时也可以对我国开展相应的白天人口研究提供一些借鉴和启示.

DOI

[Zhao Yeqin.International studies on "daytime population" and its implications for China. South China Population, 2010, 25(6): 24-31.]

[16]
毛夏, 徐蓉蓉, 李新硕, 等. 深圳市人口分布的细网格动态特征. 地理学报, 2010, 65(4): 443-453.lt;p>深圳是中国人口密度最高的城市,为应急处置自然灾害等突发事件,需要实时获取高分辨率的人口动态分布信息。本文利用&quot;基于移动基站的人口分布动态监测系统&quot;提供的时间分辨率1 h,空间分辨率1 km的人口密度信息,分析了深圳市人口细网格动态特征。深圳城市移动用户总人口是1082.59万人,平均人口密度5545人/km<sup>2</sup>最高16.5万人/km<sup>2</sup>超过5.0万人/km<sup>2</sup>高密度人口主要分布在商业中心、海关口岸、火车站和居民集中居住区。最高人口密度的数值与选择的网格尺度有关,1000 km<sup>2</sup>网格和1 km<sup>2</sup>网格之间可以相差18倍。在深圳50%的人口聚集在10%的空间范围内,60%的人口分布在海拔高度50～100 m的土地上;网格上的建筑密度、道路密度与人口密度线性相关,建筑密度增加1%,对应人口增加约1000人,道路密度增加0.01%,人口增加约2000人。城市总人口在一定时期内是相对固定,变化幅度在4%以内,逐日之间变幅在1%左右。深圳是个典型的移民城市,春节期间由于大量人口返乡或外出旅游,总人口净减少48%。本文选择9个典型网格分析人口日变化规律:海关口岸属于早高峰型,大量的出境、出行、出游人员在早晨8时前后集中;城镇集市区属于午高峰型;商业中心区属于晚高峰型,高峰前后每小时的净流入 (出) 人员可达2万人;居民区属于午低谷型,周末与周日相比各时段人口均偏多;政府行政办公和公共服务区,周末比周日人口明显减少,春节期间减幅75%;工厂区因错峰用电,夜间4时形成人口高峰;郊野公园春节期间人数不减反增;偏僻乡镇人口日变化振幅很小;农业区在上午9时形成人口低谷,与日出而作的传统习惯相对应。</p>

DOI

[Mao Xia, Xu Rongrong, Li Xinshuo, et al.Fine grid dynamic features of population distribution in Shenzhen. Acta Geographica Sinica, 2010, 65(4): 443-453.]

[17]
Liu Yu, Liu Xi, Gao Song, et al.Social sensing: A new approach to understanding our socioeconomic environments. Annals of the Association of American Geographers, 2015, 105(3): 512-530.The emergence of big data brings new opportunities for us to understand our socioeconomic environments. We use the term social sensing for such individual-level big geospatial data and the associated analysis methods. The word sensing suggests two natures of the data. First, they can be viewed as the analogue and complement of remote sensing, as big data can capture well socioeconomic features while conventional remote sensing data do not have such privilege. Second, in social sensing data, each individual plays the role of a sensor. This article conceptually bridges social sensing with remote sensing and points out the major issues when applying social sensing data and associated analytics. We also suggest that social sensing data contain rich information about spatial interactions and place semantics, which go beyond the scope of traditional remote sensing data. In the coming big data era, GIScientists should investigate theories in using social sensing data, such as data representativeness and quality, and develop new tools to deal with social sensing data.

DOI

[18]
甄峰, 王波. “大数据”热潮下人文地理学研究的再思考. 地理研究, 2015, 34(5): 803-811.lt;p>伴随着移动通信技术的快速发展以及定位应用程序的普及,带有地理空间信息的数据成为&ldquo;大数据&rdquo;中的重要部分,为人文地理学研究的发展提供了新的机遇,也契合了人文地理学&ldquo;计量转向&rdquo;与&ldquo;社会转向&rdquo;的发展规律,以及人文地理学人本主义的发展趋势。但同时,人文地理学者也面临着数据决定论、数据分析方法准备不足以及数据自身缺陷所带来的危机与挑战。在&ldquo;大数据&rdquo;热潮下,无论是定量研究还是定性研究,&ldquo;大数据&rdquo;还是&ldquo;小数据&rdquo;的研究,都应当给予同样的重视,数据规模与数据的采集、分析和阐述并无很大的关联。并且,还需要警惕由于数据垄断可能带来研究的&ldquo;数字鸿沟&rdquo;并呼吁人文地理学研究在研究方法与内容等方面与其他学科进行更多的跨学科合作。</p>

DOI

[Zhen Feng, Wang Bo.Rethinking human geography in the age of big data. Geographical Research, 2015, 34(5): 803-811.]

[19]
吴志峰, 柴彦威, 党安荣, 等. 地理学碰上“大数据”: 热反应与冷思考. 地理研究, 2015, 34(12): 2207-2221.互联网时代的&ldquo;大数据&rdquo;热潮迅猛波及到经济社会的各个领域,地理学是大数据研究与应用的天然试验场?聚焦地理学与大数据的碰撞,回顾大数据在地理学研究中的应用探索,重点讨论大数据给地理学研究与发展带来的机遇与挑战?讨论认为:大数据已经对地理学研究产生了一定的影响?其中,人文地理学领域的反应最为热烈,基于大数据的研究案例纷纷呈现;地理信息科学在互联网大数据时代将会更加迅猛发展,自然地理学领域正在寻找和等待爆发点?目前,大数据还不能改变地理学的核心命题与基本范式,在坚持地理学核心思想的同时,应该对地理学领域有关大数据理论的探讨与应用尝试持有一种开放包容的态度?

DOI

[Wu Zhifeng, Chai Yanwei, Dang Anrong, et al.Geography interact with big data: Dialogue and reflection. Geographical Research, 2015, 34(12): 2207-2221.]

[20]
甄峰, 秦萧, 席广亮. 信息时代的地理学与人文地理学创新. 地理科学, 2015, 35(1): 11-18.lt;p>在分析信息技术与地理学相关研究的基础上,重点讨论了中国人文地理学的发展与创新问题,包括基于大数据应用的方法革新、流动空间分析的框架、人地关系理论体系与应用研究等内容。未来中国人文地理学的发展,一方面要打破传统的学科框架,积极吸纳相关学科理论、方法和技术方面的创新成果,构建信息时代人文地理学理论与方法体系;另一方面,要立足中国国情与特色,紧扣国家战略,增强人文地理解决问题的能力,加强面向问题的综合应用研究。</p>

[Zhen Feng, Qin Xiao, Xi Guangliang.The innovation of geography and human geography in the information era. Scientia Geographica Sinica, 2015, 35(1): 11-18.]

[21]
杨振山, 龙瀛, Douay Nicolas.大数据对人文—经济地理学研究的促进与局限. 地理科学进展, 2015, 34(4): 410-417.大数据技术的诞生不仅快速推动着社会的进步,而且也将科学研究不断引向新的高度。以人类社会经济活动为主要研究对象的人文—经济地理学与当前大数据建设和发展趋势具有高度一致性,大数据的发展对丰富和完善人文—经济地理学势必起到积极的推动作用,同时也对人文—经济地理学的学科思维和研究方法提出了新的挑战。梳理和分析了目前大数据在人文—经济地理学主要研究领域,包括城市内部空间研究、交通与消费行为、社会空间与社会网络研究中的最近进展,以及大数据对参与式研究和决策平台的作用。着重剖析了大数据对人文—经济地理学数据获取,研究思维与范式,研究内容、研究时空尺度与研究目标等方面的促进作用与存在问题,特别是由于大数据自身发展的不完善,在数据收集特别是数据属性方面还存在很大的局限,缺乏理论基础将会使得大数据与实际应用受到很大限制,同时,数据本身也不能替代研究者思维和决策过程。因此,人文—经济地理学者应该科学对待大数据所带来的机遇,弥补和丰富以往发展中的短板,即完善学科数据建设、建立大数据应用较为完善的研究方法体系,促进跨域数据整合和跨域研究,以及推进研究对象和研究目的的转变。

DOI

[Yang Zhenshan, Long Ying, Douay Nicolas.Opportunities and limitations of big data applications to human and economic geography: The state of the art. Progress in Geography, 2015, 34(4): 410-417.]

[22]
郭璨, 甄峰, 朱寿佳. 智能手机定位数据应用于城市研究的进展与展望. 人文地理, 2014, 29(6): 18-23.

[Guo Can, Zhen Feng, Zhu Shoujia.Progress and prospect of the application of smart phone LBS data in urban researches. Human Geography, 2014, 29(6): 18-23.]

[23]
刘瑜, 肖昱, 高松, 等. 基于位置感知设备的人类移动研究综述. 地理与地理信息科学, 2011, 27(4): 8-13, 2, 31.每个人在地理空间内的移动看似随机而没有规律,然而一个较大规模人群的移动却隐藏着特定的模式.为了研究某些地理问题,如交通、疾病传播等,可以从个体行为出发,在地理信息系统的支持下,发现人类移动模式,并构筑基于个体的模拟模型,从而建立微观和宏观之间的桥梁,并支持相应的决策过程.信息通讯技术的发展,一方面改变了人们的空间行为模式,另一方面使得基于位置感知设备获取海量人类移动数据成为可能.近年来,上述研究一直是地理信息科学及相关领域的热点,该文对此进行了总结和评述.

[Liu Yu, Xiao Yu, Gao Song, et al. A review of human mobility research based on location aware devices. Geography and Geo-Information Science, 2011, 27(4): 8-13, 2, 31.]

[24]
钮心毅, 丁亮, 宋小冬. 基于手机数据识别上海中心城的城市空间结构. 城市规划学刊, 2014, (6): 61-67.

[Niu Xinyi, Ding Liang, Song Xiaodong.Understanding urban spatial structure of Shanghai central city based on mobile phone data. Urban Planning Forum, 2014, (6): 61-67.]

[25]
Calabrese F, Colonna M, Lovisolo P, et al.Real-time urban monitoring using cell phones: A case study in Rome. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(1): 141-151.This paper describes a new real-time urban monitoring system. The system uses the Localizing and Handling Network Event Systems (LocHNESs) platform developed by Telecom Italia for the real-time evaluation of urban dynamics based on the anonymous monitoring of mobile cellular networks. In addition, data are supplemented based on the instantaneous positioning of buses and taxis to provide information about urban mobility in real time, ranging from traffic conditions to the movements of pedestrians throughout the city. This system was exhibited at the Tenth International Architecture Exhibition of the Venice Biennale. It marks the unprecedented monitoring of a large urban area, which covered most of the city of Rome, in real time using a variety of sensing systems and will hopefully open the way to a new paradigm of understanding and optimizing urban dynamics.

DOI

[26]
Reades Jonathan, Calabrese Francesco, Ratti Carlo.Eigenplaces: Analysing cities using the space-time structure of the mobile phone network. Environment and Planning B: Planning and Design, 2009, 36(5): 824-836.Several attempts have already been made to use telecommunications networks for urban research, but the datasets employed have typically been neither dynamic nor fine grained. Against this research backdrop the mobile phone network offers a compelling compromise between these extremes: it is both highly mobile and yet still localisable in space. Moreover, the mobile phone’s enormous and enthusiastic adoption across most socioeconomic strata makes it a uniquely useful tool for conducting large-scale, representative behavioural research. In this paper we attempt to connect telecoms usage data from Telecom Italia Mobile (TIM) to a geography of human activity derived from data on commercial premises advertised through Pagine Gialle, the Italian ‘Yellow Pages’. We then employ eigendecomposition—a process similar to factoring but suitable for this complex dataset—to identify and extract recurring patterns of mobile phone usage. The resulting eigenplaces support the computational and comparative analysis of space through the lens of telecommuniations usage and enhance our understanding of the city as a ‘space of flows’.

DOI

[27]
王德, 钟炜菁, 谢栋灿, 等. 手机信令数据在城市建成环境评价中的应用: 以上海市宝山区为例. 城市规划学刊, 2015, (5): 82-90.

[Wang De, Zhong Weijing, Xie Dongcan, et al.The application of cell phone signaling data in the assessment of urban built environment: A case study of Baoshan district in Shanghai. Urban Planning Forum, 2015, (5): 82-90.]

[28]
钮心毅, 丁亮. 利用手机数据分析上海市域的职住空间关系: 若干结论和讨论. 上海城市规划, 2015, (2): 39-43.

[Niu Xinyi, Ding Liang.Analyzing Job-housing spatial relationship in Shanghai using mobile phone data: Some conclusions and discussions. Shanghai Urban Planning Review, 2015, (2): 39-43.]

[29]
Yuan Yihong, Raubal Martin, Liu Yu.Correlating mobile phone usage and travel behavior: A case study of Harbin, China. Computers, Environment and Urban Systems, 2012, 36(2): 118-130.Information and communication technologies (ICTs), such as mobile phones and the Internet, are increasingly pervasive in modern society. These technologies provide new resources for spatio-temporal data mining and geographic knowledge discovery. Since the development of ICTs also impacts physical movement of individuals in societies, much of the existing research has focused on examining the correlation between ICT and human mobility. In this paper, we aim to provide a deeper understanding of how usage of mobile phones correlates with individual travel behavior by exploring the correlation between mobile phone call frequencies and three indicators of travel behavior: (1) radius, (2) eccentricity, and (3) entropy. The methodology is applied to a large dataset from Harbin city in China. The statistical analysis indicates a significant correlation between mobile phone usage and all of the three indicators. In addition, we examine and demonstrate how explanatory factors, such as age, gender, social temporal orders and characteristics of the built environment, impact the relationship between mobile phone usage and individual activity behavior. .

DOI

[30]
Ahas Rein, Aasa Anto, Silm Siiri, et al.Daily rhythms of suburban commuters' movements in the Tallinn metropolitan area: Case study with mobile positioning data. Transportation Research Part C: Emerging Technologies, 2010, 18(1): 45-54.The investigation of the space–time movements and daily distances of respondents showed that the majority of respondents had a similar temporal rhythm related to work, school, services and leisure in the city. Because of the different timing of those activities, the mobile positioning data made it possible to map functional differences in the city. The advantages and disadvantages of mobile positioning data in mapping urban life are discussed in the final section of the study.

DOI

[31]
丁亮, 钮心毅, 宋小冬. 利用手机数据识别上海中心城的通勤区. 城市规划, 2015, 39(9): 100-106.用手机数据识别了用户的日间驻留地、夜间驻留地，从中提取出日间在上海中心城内驻留用户、夜间在中心城内驻留用户，分别计算出其通勤范围。根据其夜间驻留地、日间驻留地的分布密度识别出上海中心城的通勤圈，并将其转换为以街道行政边界为空间单元的中心城通勤区。在中心城及通勤区内，超过97％的居民实现了职住平衡。研究表明上海市域空间结构在“中心城”和“郊区”之间还存在一个“中心城通勤区”层次。中心城通勤区以内、以外区域存在较显著差异。中心城通勤区的识别结果可加深对上海市域空间结构的认识，为在市域范围内分层次、分区域制定有针对性的规划政策提供依据。

DOI

[Ding Liang, Niu Xinyi, Song Xiaodong.Identifying the commuting area of Shanghai central city using mobile phone data. City Planning Review, 2015, 39(9): 100-106.]

[32]
王德, 王灿, 谢栋灿, 等. 基于手机信令数据的上海市不同等级商业中心商圈的比较: 以南京东路、五角场、鞍山路为例. 城市规划学刊, 2015, (3): 51-61.

[Wang De, Wang Can, Xie Dongcan, et al.Comparison of retail trade areas of retail centers with different hierarchical levels: A case study of East Nanjing Road, Wujiaochang, Anshan Road in Shanghai. Urban Planning Forum, 2015, (3): 51-61.]

[33]
Calabrese F, Diao Mi, Lorenzo Gi D, et al.Understanding individual mobility patterns from urban sensing data: A mobile phone trace example. Transportation Research Part C: Emerging Technologies, 2013, 26: 301-313.Large-scale urban sensing data such as mobile phone traces are emerging as an important data source for urban modeling. This study represents a first step towards building a methodology whereby mobile phone data can be more usefully applied to transportation research. In this paper, we present techniques to extract useful mobility information from the mobile phone traces of millions of users to investigate individual mobility patterns within a metropolitan area. The mobile-phone-based mobility measures are compared to mobility measures computed using odometer readings from the annual safety inspections of all private vehicles in the region to check the validity of mobile phone data in characterizing individual mobility and to identify the differences between individual mobility and vehicular mobility. The empirical results can help us understand the intra-urban variation of mobility and the non-vehicular component of overall mobility. More importantly, this study suggests that mobile phone trace data represent a reasonable proxy for individual mobility and show enormous potential as an alternative and more frequently updatable data source and a compliment to the conventional travel surveys in mobility study.

DOI

[34]
Deville P, Linard C, Martin S, et al.Dynamic population mapping using mobile phone data. Proceedings of the National Academy of Sciences, 2014, 111(45): 15888-15893.During the past few decades, technologies such as remote sensing, geographical information systems, and global positioning systems have transformed the way the distribution of population is studied and modeled in space and time. However, the mapping of populations remains constrained by the logistics of censuses and surveys. Consequently, spatially detailed changes across scales of days, weeks, or months, or even year to year, are difficult to assess and limit the application of population maps in situations in which timely information is required, such as disasters, conflicts, or epidemics. Mobile phones (MPs) now have an extremely high penetration rate across the globe, and analyzing the spatiotemporal distribution of MP calls geolocated to the tower level may overcome many limitations of census-based approaches, provided that the use of MP data is properly assessed and calibrated. Using datasets of more than 1 billion MP call records from Portugal and France, we show how spatially and temporarily explicit estimations of population densities can be produced at national scales, and how these estimates compare with outputs produced using alternative population mapping methods. We also demonstrate how maps of population changes can be produced over multiple timescales while preserving the anonymity of MP users. With similar data being collected every day by MP network providers across the world, the prospect of being able to map contemporary and changing population distributions over relatively short intervals exists, paving the way for new applications and a near real-time understanding of patterns and processes in geography.

DOI

[35]
Vieira M R, Inez V Fr I, Oliver N, et al. Characterizing dense urban areas from mobile phone-call data: Discovery and social dynamics. In: Proceedings of 2010 IEEE Second International Conference, 2010: 241-248.The recent adoption of ubiquitous computing technologies (e.g. GPS, WLAN networks) has enabled capturing large amounts of spatio-temporal data about human motion. The digital footprints computed from these datasets provide complementary information for the study of social and human dynamics, with applications ranging from urban planning to transportation and epidemiology. A common problem for all these applications is the detection of dense areas, i.e. areas where individuals concentrate within a specific geographical region and time period. Nevertheless, the techniques used so far face an important limitation: they tend to identify as dense areas regions that do not respect the natural tessellation of the underlying space. In this paper, we propose a novel technique, called DADMST, to detect dense areas based on the Maximum Spanning Tree (MST) algorithm applied over the communication antennas of a cell phone infrastructure. We evaluate and validate our approach with a real dataset containing the Call Detail Records (CDR) of over one million individuals, and apply the methodology to study social dynamics in an urban environment.

DOI

[36]
Ahas Rein, Mark Ülar.Location based services-new challenges for planning and public administration? Futures, 2005, 37(6): 547-561.The massive spread of mobile phones and their social acceptance is an important information-technological feature of the beginning of the 21st century. In addition to making calls, mobile phones are associated with various additional services and games, which are becoming part of everyday life. As the location of mobile phones can be precisely tracked in space, they can be used for investigating the space-time behaviour of society. In this paper we will introduce the Social Positioning Method and its possible applications in the organisation and planning of public life. The Social Positioning Method (SPM) studies social flows in time and space by analysing the location coordinates of mobile phones and the social identification of the people carrying them. So far, relatively few SPM surveys have been carried out he reason for that is related to people's anxieties about the idea of being tracked, as well as technical aspects. In this article we assert that SPM will become very wide-spread in the future and will fundamentally change public life and administration. Due to the widespread use of telephones and the possibilities of social positioning, the questions of privacy and freedom of the individual are already being discussed. Despite this, there has still been only a limited discussion concerning live-map geography and real-time planning in relation to privacy issues.

DOI

[37]
Wang P.Understanding the spreading patterns of mobile phone viruses. Proceedings of the National Academy of Sciences, 2009, 106(20): 8380-8385.

Options
Outlines

/

〈 〉