人口流动是我国改革开放以来规模最大、意义最为深远的地理过程之一^[1]。规模巨大的人口流动及其空间集疏过程，势必将对人口流出的农村地区和人口集聚的城镇地区的经济、社会和资源环境等多方面产生重要影响，并迫使我国城镇体系、城乡结构及社会经济格局发生重大变化^[2]。国外关于人口流动的研究较早，自1885年列文斯坦（Ravenstain）的《人口迁移法则》问世以来，其研究主要经历了两个重要阶段：①20世纪50年代前主要聚焦在人口迁移的趋势和模型、迁移者的特征以及与影响人口迁移过程的相关因素等宏观层面的研究；②20世纪50年代以来主要集中在中微观层面，更关注迁移者的决策过程，从迁移决策者角度进行分析，揭示迁移者的心理和逻辑等^[3]。国内关于人口流动也开展了较多探索，研究内容主要包括人口迁移的区域分布^[4]、人口流动模式^[5]和人口省际流动的时空格局^[6]等。已有的人口流动研究主要采用静态属性数据，如统计年鉴数据、人口普查数据和人口抽样数据等，这类数据可以刻画节点城市在区域人口分布格局中的重要性，但无法反映区域内城市间的人口流动动态特征，也难以体现区域人口集散过程，更无法从“流动空间”视角解析城市间互动作用关系^{[7, 8]}。且以往研究主要关注省级空间单元的人口流动，而城市级人口流动的研究近几年才逐渐出现^{[9, 10]}，且城市层面的研究多将流入和流出城市孤立分析，缺少城市间人口流动的空间关联分析^[11]。

近年来，随着信息通讯技术的快速发展，城市研究的数据获取环境和采集手段都有了巨大的提升^[12]，社交网络数据^[13]、百度迁徙数据^[14]、腾讯迁徙数据^[8]和手机信令数据^[15-17]、公交刷卡数据^[18]等新型数据源不断涌现，这些具有定量客观、时空异质性强等特点的地理行为大数据，为人口流动研究提供了新的支撑和途径。我国的“春运”由于其流动规模的特殊性，被誉为人类历史上规模最为壮观的周期性人口大流动，是区域发展不平衡、城乡二元结构、产业地域分工等转型期诸多社会经济现况的综合表征^[19]。因此，“春运”可被视为我国人口流动时空特征研究的极具代表性的时段。国内学者如蒋小荣、刘望保和魏冶等基于百度迁徙数据分析了春运期间的人口特征^{[11, 14, 19]}。相对于百度迁徙数据，腾讯迁徙数据逐日统计的方式，更能实时、系统和完整地捕捉到用户的长、短途出行行为^[8]，且具备样本量更大、精度更高等优势。这种跨城市间的关系型大数据具有整合分析能力强、数据量大和样本覆盖率高等传统城市联系数据无法比拟的优势，已逐渐成为城市空间和人群行为研究的重要数据源。因此，本文采用腾讯位置大数据平台提供的腾讯迁徙数据，建立人口流动关系矩阵，基于GIS空间分析和复杂网络分析等方法，从时间和空间两个维度，系统分析长江三角洲城市群（以下简称长三角城市群）人口流动体量、时空序列及联系强度网络层级等格局特征，弥补了传统静态属性数据无法洞悉城市间相互作用关系和区域人口流动集散动态过程等缺陷，为人口流动研究提供了新的视角。研究结果旨在为引导我国区域人口有序流动、城市群协同发展和区域国土空间规划编制提供科学依据和决策参考。

作为“一带一路”与长江经济带的重要交汇地带，长三角城市群是我国经济社会发展的重要引擎，在我国现代化建设大局和全方位开放格局中具有举足轻重的战略地位^[20]。长三角城市群，包括上海，江苏省的南京、无锡、常州、苏州、南通、盐城、扬州、镇江、泰州，浙江省的杭州、宁波、嘉兴、湖州、绍兴、金华、舟山、台州，安徽省的合肥、芜湖、马鞍山、铜陵、安庆、滁州、池州、宣城等26座城市^[21]。截至2017年底，研究区生产总值达14.7万亿元，国土面积21.2万km²，总人口1.5亿人^[21]。

近年来，人口流动研究的数据来源主要为政府普查数据、百度迁徙数据和腾讯迁徙数据，三种数据的对比情况如表 1所示。人口普查数据和1%人口抽样调查数据在我国的人口流动研究中发挥过重要作用^{[23, 23]}，但在目前快速城镇化背景下存在明显的时滞性，难以及时反映剧烈的人口流动行为过程与时空秩序，而且获取周期长、成本高昂^[24]，且很难回答人口在流出地和流入地集聚和扩散的结构特征和空间差异等问题。与传统调查数据相比，地理行为大数据具有样本量大、时空完备性高和分析预测性强等优势^{[25, 26]}。当然，地理行为大数据也存在个体社会经济属性缺失和被采集群体偏向性较强等缺陷^[14]。需要说明的是，本文所使用的腾讯迁徙数据不含流动个体的社会经济属性、流动目的等个体信息，尽管春节期间还有部分“留守人口逆向流”（异地工作者的长辈或子女流向工作地团聚过年）、“商旅流”（商务、旅游等人口流动）、“探亲度假流”，但这部分数据样本量相对较小，最大的人口流还是由务工人员构成的返乡流和返城流^[27]。

表 1(Tab. 1

表 1 人口流动研究的数据特性一览表 Tab.1 Characteristics of Three Kinds of Migration Data

表 1 人口流动研究的数据特性一览表 Tab.1 Characteristics of Three Kinds of Migration Data

本研究基于腾讯位置大数据定位平台，爬取2018年2月1日至3月22日共50天（官方定义2018年我国春运周期为2月1日至3月12日，除夕为2月15日。因为要分析平日人口流动，所以将人口迁徙数据延长至春运后10天）的研究区26座城市逐日人口流动数据，包括每个城市的流入和流出前十位城市及迁徙量，用于分析研究区人口流动总体特征、位序和时序特征。随后，进行数据清洗，过滤掉26座城市之外的数据，整合得到研究区内部26座城市间的人口流动数据，用于分析长三角城市群内部人口流动网络层级特征。

由于人口流动具有明显的阶段性特征，因此本文分三个时段进行分析，即第一时间段（返乡流）、第二时间段（返城流）和第三时间段（日常流）。以往研究把返乡流和返城流的时间节点确定在除夕^[8]，或是基于对数据的总体观察而确定在初五^[6]。但时间节点的确定受研究区域和年份等的影响，因而不应主观判断。从数据总体情况可以看出，春运结束后10天，大部分城市的人口流动趋于平稳。因此，不同时段的时间节点应基于平日人口流动值确定，这里取每个城市的3月12日后10天人口流动均值，对照每个城市春运前期每日人口流动数据，取其最接近均值的日期，计算公式如下：

(1)

式中：P_t表示t日期的人口流动数，∑P_i表示2018年3月13日至3月22日人口流动总数。计算结果显示t位于2月17日（初二）和2月18日（初三）之间，这一结果在后文的时序分析中也得到了验证，这可能主要是因为春节前一部分人未买到返程票或其他因素无法赶在除夕夜前返回家乡。因此，本研究中的第一个时间段，即返乡流时间段设定为2月1日至2月17日；第二个时间段，即返城流时间段设定为2月18日至3月12日（春运结束）；第三个时间段，即日常流时间段设定为3月13日至3月22日。

本文主要从总量、空间维度和时间维度等方面分析长三角城市群人口流动的时空特征。其中，①总体情况，即返乡流、返城流和日常流，反映长三角经济发展水平和流动人口吸纳能力。②空间维度，城市群与外部的联系，进一步分析返乡流和返城流的净流入和净流出量，并分析长三角城市群的劳动力输出型城市和劳动力输入型城市及空间布局，返乡的劳动力地域空缺是否在年后得到填补。另一方面，解析城市群内部联系强度及空间格局，深入分析承载着城市间的物质流、信息流、资本流和技术流的流动人口网络形成机制。③时间维度，春节期间长三角各城市人口净流入波动情况，从趋势走向分析整体流入及流出程度，返乡流与返城流的临界值及峰值。

（1）人口流动的总体特征分析。将每日流入和流出的人口数据分别统计汇总，得到各时间段的人口流入和流出总量。

（2）人口流动的位序分析。分别计算各时间段研究区内各城市的净流入人口和净流出人口，并进行城市前十位排序，进而将各座城市划分为劳动力输出型城市和劳动力输入型城市。公式如下：

(2)

(3)

式中：P_{in_i_t}表示i城市第t时间段人口流入量，P_{out_i_t}表示i城市第t时间段人口流出量，S_{in_i_t}表示i城市第t时间段人口净流入量，S_{out_i_t}表示i城市第t时间段人口净流出量。

（3）人口流动的时序分析。分别计算研究区内各城市的每日净流入人口数，公式如下：

(4)

式中：P_i表示i城市某日净流入人口数，P_in表示i城市某日流入人口数，P_out表示i城市某日流出人口数。

（4）人口流动的网络层级分析。本文利用K-Shell分解算法^[28]分析长三角城市群内部人口流动的网络层级。该方法基本思想是假设边缘节点的K-shell值为1，先去除网络中度值等于1的所有节点及连边，然后依次去除度值小于或等于K的节点及连边（K为整数，K≥2），往内一层层进入网络的核心。K-Shell算法在复杂网络节点影响力识别研究中发挥着重要的作用^[29]。具体计算步骤如下：首先，提取研究区内26座城市各自人口流入和流出的前十名，并剔除长三角城市群以外的城市。互为前十名的城市可直接采集双向流动数据，存在部分数据缺失，采用“均值替代法”，即日流动均值代表城市间流动强度。若两个城市都没有排上目的地或者来源地的前十位，则认为这两个城市间的人口流动量较小，统一划分为人口流动网络层级的最末级别。随后，采用“首尾分割法”（Head-tail Breaking）^[30]，将每一层总数的均值依次作为分割值，并利用K-Shell分解法反复提取长三角城市群人口流动强度的“头部”，去除“尾部”，一层层剥离人口流动强度层级，得出核心层级。最终形成长三角城市群内部人口流动联系强度网络图。

春运期间，研究区人口流入和流出的总量均较大。其中，第一时间段即返乡流，研究区人口流动表现为净流出，净流出量为981万，主要是由于外地务工人员返回家乡过春节。第二时间段即返城流，研究区人口流动表现为净流入，净流入量达1080万，这主要是因为春节过后，外地务工人员返回长三角城市群工作。返乡流和返城流的人口流量相似，总体上反映出长三角城市群的外来劳动力体量比较稳定。第三时间段即日常流，人口流动也表现为净流入，这主要是由于长三角地区高速的经济增长带来了大量的劳动力需求和就业机会，对外来不同层次人才的吸引力均具有较大的竞争优势。同时，区位、医疗、教育、文化和商贸等资源优势，也是长三角吸引外来人口的重要助推力。

不同时间段研究区内各市的净流入和净流出位序如图 1—图 4所示。从图 1和图 2可看出，第一时间段（返乡流）人口净流入最多的是盐城，其次是安庆、滁州和泰州等；人口净流出最多的是上海，其次是苏州、金华、杭州和宁波等；这主要是由于春节前外地务工人员纷纷离开工作地返回家乡过年。从图 3和图 4可看出，第二时间段（返城流）人口净流入最多的是上海，其次是南京、苏州和宁波等；人口净流出最多的是安庆，其次是盐城、滁州、泰州和芜湖等，这主要是因为大量外地务工人员过完春节回到就业城市继续工作。

图 1(Fig. 1)

图 1 第一时间段长三角城市群人口净流入前十位城市 Fig.1 Top 10 Cities of the Yangtze River Delta Urban Agglomerations According to Net Inflow in the First Period

图 2(Fig. 2)

图 2 第一时间段长三角城市群人口净流出前十位城市 Fig.2 Top 10 Cities of the Yangtze River Delta Urban Agglomerations According to Net Outflow in the First Period

图 3(Fig. 3)

图 3 第二时间段长三角城市群人口净流入前十位城市 Fig.3 Top 10 Cities of the Yangtze River Delta Urban Agglomerations According to Net Inflow in the Second Period

图 4(Fig. 4)

图 4 第二时间段长三角城市群人口净流出前十位城市 Fig.4 Top 10 Cities of the Yangtze River Delta Urban Agglomerations According to Net Outflow in the Second Period

从图 1—图 4可以看出，春节前后人口净流入和净流出城市呈现明显的对称性，如在返乡流中人口净流入前十位城市和返城流中人口净流出前十位城市有九个相同，而在返乡流中人口净流出前十位城市与返城流中人口净流入前十位城市则完全相同。除了位序有些许变化，返乡流和返城流的城市基本对应。这说明盐城、安庆、滁州、泰州和芜湖等社会经济水平相对较低的城市主要为劳动力输出型，上海、苏州、杭州和宁波等社会经济水平相对较高的城市主要为劳动力输入型。从省份来看，返乡流中江苏省和安徽省的人口流入占主体，返城流中浙江省以及上海的人口流入占主体。表明长三角地区人口流动的空间极化效应显著，这主要是因为在改革开放和市场经济背景下，以劳动力为代表的自由流通要素受外部条件的激励和自身利益最大化的驱动，使人口空间集聚得到了极大的体现。经济发达、文化多元、交通便捷以及公共资源丰富的城市对人才和资金等资源要素有着更大的吸引力，进而拉动优势资源相对不明显的边缘城市的大批劳动力流入。

研究区内各市大规模的“返乡流”、“返城流”和日常流如图 5所示。2月1日，规模庞大的春运人口流动大潮开始，在经济较发达城市工作的外地务工人员陆续返乡，邻近2月15日（除夕），大规模返乡流的人口流动强度达到春运顶峰。返乡流和返城流的汇聚点在2月17日（初二），说明返乡流并不是以除夕夜为截止点，而是延迟到除夕后2天，可能是因为部分返乡人员未买到除夕夜前的返乡票或者其他因素，这也更符合实际情况；2月18日，返城流开始，大量经济水平相对较低的城市的人口流向经济发达城市，并于2月22日（第一个工作日）前后，返城流达到高峰。在3月2日（元宵节）之后，返城流出现另一个小峰值。3月12日（春运结束）之后，人口流动强度逐渐降低，几乎所有曲线呈现向基准线靠拢的趋势，返城流渐渐回落，人口流动趋向平稳，但长三角的大部分城市仍以人口流入为主。

图 5(Fig. 5)

图 5 2018年春节期间长三角各主要城市人口净流入强度时间序列图 Fig.5 Time Series Chart of Net Inflow Intensity of Major Cities in the Yangtze River Delta During the Spring Festival of 2018

另外，如图 5所示，春运期间的人口流动具有明显的阶段特征，这也验证了前文对春运三个阶段划分的预设。以初二至初三中心对称，人口流出和流入城市发生转换。春运前期，长三角城市群的人口流出量大于流入量，春运后期，人口流入量大于流出量。说明长三角凭借优越的地理位置、发达的经济水平和更多的就业机会在全国层面发挥着劳动力吸纳作用。值得一提的是无论返乡流还是返城流亦或日常人口流动，上海因其区位优势、经济优势以及包容开放的城市文化积淀，其人口流动波动最为明显，外来人口数量的绝对值最高，日常对外城市的相互交流密切，表现为双向的商务出差或旅游探亲^[31]。

如图 6所示，1-Shell时（图 6a），研究区在空间上形成以上海、南京、杭州、苏州、宁波和合肥为中心城市，嘉兴、湖州、芜湖、马鞍山、无锡、常州和池州为次中心城市的对外人口流动网络格局，这和当地经济发展水平和省会城市地位不无关系。次中心城市不仅向中心城市输送着人才，还消化了周边经济水平较低城市的劳动力。作为国家和长三角地区的核心，上海自身对外交流能力突出，担任着控制全局网络的枢纽角色。另外，以区域中心城市为主导的城市间的联系遵循了距离衰减法则，即人口流动呈现梯度转移特征，上海、南京、杭州、苏州、宁波和合肥分别承担其区域的中心职能。2-Shell时（图 6b），分割值取均值24244。人口流动强度较大的城市遍及长三角的边界城市，范围较广。从联系广度来看，对外联系较广的城市有上海（18条）、苏州（14条）、杭州（10条）、南京（10条）和合肥（10条）等，以上海、苏州、杭州、南京和合肥为中心向外辐射，其次是盐城、泰州和滁州。从联系强度来看，滁州—上海—合肥—绍兴、盐城—苏州、上海—杭州—金华，这几条线上的城市间人口联系强度较大。2016年国家发改委公布了《长江三角洲城市群发展规划》，其中对长三角城市群一核五圈四带的区域布局和本研究得出的网络结构不谋而合。杭州都市圈、苏锡常都市圈、合肥都市圈以及沪杭金发展带日趋成熟，而南京都市圈城市融合程度亟待提升，这可能与南京都市圈产业发展协同规划较弱、交通网络不均衡有一定关系^[32]。3-Shell时（图 6c），分割值取均值45694。从空间格局上可看出，长三角城市群中东部和西部的城市间联系较强，地理上的横向联系较密集，渐渐显示出长三角人口流动强度的核心网络。除沪宁合杭甬主通道外，合肥—安庆—马鞍山互动频繁，人口流动密集。考虑到近年来产业结构调整，大量产业尤其制造业向长江中上游转移，安徽皖江设有国家级的承接产业转移示范区。除此以外，投资环境、人文资源等得到了进一步改善^[33]。作为“建设长三角副中心”和“综合性国家科学中心”的合肥吸引着安庆和马鞍山的劳动力不断输入。盐城作为劳动力输出大市，为六大中心城市中距离最近的苏州输送着大量人才。4-Shell时（图 6d），分割值取均值71985。长三角城市群人口流动最高层级凸显，上海和杭州成最后的人口辐射核心城市，上海—合肥、上海—南京、上海—杭州、上海—苏州—无锡—常州、杭州—绍兴和杭州—嘉兴成为最后的“优胜者”线路。

图 6(Fig. 6)

图 6 长三角26市人口流动联系强度K-Shell网络图 Fig.6 K-Shell Network Map of Linkage Strength of Population Flow in 26 Cities of Yangtze River Delta

总体空间格局上看，长三角的横向流动最频繁，东部—西部延伸，大体呈现“Z”字形。这一特征和沪宁合杭甬发展带一致，体现政府规划发挥了上海、南京、杭州、合肥和宁波等中心城市要素集聚和综合服务优势，积极发展服务经济和创新经济，吸纳高端要素、汇集优秀人才、实现城市间人才和产业高速融合的中枢发展带。长三角城市间各城市节点联系程度高，人口、信息和资源等流动相对自由。国家提出建设世界级长三角城市群后，加速推进内部交通规划，已经形成中心城市间的宁沪杭甬通道，次级中心间的直联通道如南京—湖州—杭州、南通—苏州—嘉兴—杭州、南通—上海浦东—舟山—宁波、上海—苏州—湖州—合肥等也在快速发展，在高速铁路和高速公路的支撑下构成了长三角新兴运输通道，但浙东南、皖南联系密度偏低，交通短板明显。六大中心城市之一的宁波未被纳入最终核心层级，考虑到宁波作为上海大都市圈的重要组成部分，长期受上海和杭州的拉力影响，因为其对长三角内部城市的辐射力有所削弱^[34]。

长三角城市群作为国内三大世界级城市群之一，对外交流频繁^[35]，大量外来务工人员聚集于此。此外，上海作为中国的金融、贸易和科技创新中心，对周边地区具有强大的辐射和带动作用^[36]。长三角城市群内，经济水平相对较高的上海、苏州、金华、杭州、宁波和南京等为劳动力输入型城市，而经济水平相对较低的盐城、安庆和滁州等为劳动力输出型城市。

长三角城市群春运期间的人口流动表现为大规模的“返乡流”和“返城流”。但与以往研究^{[6, 14, 23]}中划分的时间区间不同的是，本研究发现“返乡流”从春运开始一直延续至大年初二，除夕的人口流动强度达到顶峰。“返城流”从大年初三持续至春运结束，并在第一个工作日前后达到最高峰。春运结束后，流动趋向平稳，但长三角城市群的大部分城市仍以人口流入为主。上海的外来人口绝对值最高，日常与其他城市的交流也更为密切，这得益于中心城市在长三角城市群经济网络的溢出效应中扮演重要角色^[37]。

长三角人口流动具有明显的层级特征，上海和杭州是长三角城市群人口辐射核心城市，上海—合肥、上海—南京、上海—杭州、上海—苏州—无锡—常州、杭州—绍兴和杭州—嘉兴是长三角人口流动的主体路径。在空间格局上看，长三角的横向流动最频繁，东部—西部延伸，呈现“Z”字形。皖中、皖南和浙南地区联系强度有待提升。《长江三角洲城市群发展规划》的部分展望得到了有效实施和初步成果。但不可忽视的是，南京都市圈、宁波都市圈以及沿海发展带未得到城市间要素的充分互通。应加快长三角城市群的协同发展与一体化建设，提高中小城市的基本公共服务水平，发展优势产业，缓解上海等中心城市人口压力，破解城市发展极度不平衡的难题，引导人口合理流动，推进一核五圈四带的世界级城市群建设。

人口流动是城市间信息、技术和资源等要素的重要载体，基于地理行为大数据的人口流动研究是人口地理学和城市体系研究的重要方向。传统的人口流动研究主要采用人口普查/抽样调查^{[3, 10]}和统计年鉴^[38]等静态属性数据，运用重力模型估计和预测地区间可能发生的人口迁移的流量和流向，难以反映真实情况^[11]。为了弥补以往研究中的这种缺陷，本文基于包含海量个体出行信息的关系型地理位置大数据——腾讯迁徙数据，运用K-Shell分解法得出长三角城市群人口流动强度网络，借助“首尾分割法”层层剥离区域人口流动体系，解析人口流动强度最高路径。同时，结合地理信息技术，采用“均值替代法”补充大数据研究中易存在的数据缺失。与传统的静态属性数据相比，腾讯迁徙数据可以更为准确和真实地反映个体出行轨迹，这种关系型大数据的引入，有助于我们更好地认识城市间相互作用规律、区域内人口流动集聚扩散动态过程。基于关系型大数据的研究体现了区域研究从“静态属性”到“动态关系”的认知范式的转变。本研究的实证结论加深了我们对关系型大数据的认知，这可为未来人口地理和城市体系的相关研究提供新思路和新视角。

此外，本文尚存在一定不足。第一，人口流动数据为腾讯处理后的加权数据，并非真正的人口流动数量。但分析结果和过程表明，加权数据也颇具价值，可真实反映人群活动在地理空间上的投影。第二，由于腾讯迁徙仅对外开放每日每城市的前十位流入和流出城市，数据完整性存在一定缺陷。本文的应对方法是在长三角城市群人口流动网络层级部分，城市间流动的人口数据用均值代替，计算其流动强度相对值用于人口流动网络层级分析。数据量小的城市被当做最末流动强度层级考虑。因此，研究结论可能和实际情况有细微偏差。第三，现阶段，虽然智能手机的普及率较高，但仍未完全覆盖到全部地区和人口如偏远乡村和儿童、老年人口等，这对数据的完整性有一定影响。第四，腾讯地理位置大数据基于腾讯公司和其他服务商的一系列定位条款获得，在应用市场虽然占到垄断地位，但并不是全样本数据，还有百度、阿里巴巴等能提供定位的互联网公司。此研究数据仅来源于腾讯公司，难免存在数据覆盖不全的问题。另外，由于数据中缺失个体社会经济属性信息，所以难以分析人口流动的内在动力机制^[11]。上述不足有待在以后的研究中进一步深入和完善。