فضایی و زمانی الگوهای جریان جمعیت مدل تعامل فضایی

کاوش فضایی و زمانی الگوهای جریان جمعیت جشنواره بهار چین و عوامل تعیین کننده آن بر اساس مدل تعامل فضایی

خلاصه

جریان جمعیت در مقیاس بزرگ، چشم انداز اقتصادی را تغییر می دهد و تحت تأثیر توسعه نامتوازن شهری قرار می گیرد. بنابراین، کاوش الگوهای مهاجرت و عوامل تعیین کننده آن برای آشکارسازی توسعه نامتوازن شهری بسیار مهم است. با این حال، مجموعه داده های مهاجرت با وضوح پایین و در نظر گرفتن ناکافی تفاوت های تعاملی، چنین کاوشی را محدود کرده است. بر این اساس، بر اساس داده‌های بزرگ مرتبط با سفر جشنواره بهار چین در سال 2019 از پلتفرم AMAP، از روش‌های تحلیل شبکه اجتماعی (SNA) برای آشکارسازی دقیق الگوهای جریان جمعیت استفاده کردیم. سپس، با در نظر گرفتن ناهمگونی فضایی الگوهای تعاملی، از مدل‌های تعاملی وزن‌دار فضایی (SWIMs) استفاده کردیم که با ادغام وزن‌ها در مدل گرانشی جهانی پواسون بهبود یافتند.

https://gisland.org/

برای تعیین کمیت اثر عوامل اجتماعی-اقتصادی بر الگوهای مهاجرت. این SWIMها ویژگی‌های محلی فعل و انفعالات و نتایج کمی را تولید کردند که از نظر منطقه‌ای سازگارتر از مدل‌های دیگر تعامل فضایی بود. الگوهای مهاجرت یک ساختار عمودی فضایی داشتند، با سطح توسعه شهر که به شدت با شدت جریان سازگار است. به عنوان مثال، تحولات سطح اول پکن، شانگهای، چنگدو، گوانگژو، شنژن و چونگ کینگ یک موقعیت اصلی را اشغال کردند. یک ساختار افقی فضایی نیز تشکیل شد که شامل 16 جامعه شهری نزدیک به هم بود. علاوه بر این، نتایج تاثیر کمی نشان داد که تنوع الگوی مهاجرت به طور قابل توجهی با جمعیت، ارزش افزوده صنعت اولیه و ثانویه، متوسط دستمزد، سرمایه خارجی، بیمه بازنشستگی، و جنبه های خاصی از توسعه نامتوازن شهری. این یافته ها می تواند به سیاست گذاران در هدایت مهاجرت جمعیت، تخصیص منطقی زیرساخت های صنعتی و توازن توسعه شهری کمک کند.

کلید واژه ها:

جریان جمعیت در مقیاس بزرگ الگوی فضایی و زمانی مدل های تعاملی فضایی ناهمگونی فضایی ; شنا ؛ توسعه نامتوازن شهری

1. معرفی

جریان جمعیت به حرکت کوتاه مدت، تکراری و چرخه ای جمعیت ها در فضای جغرافیایی اطلاق می شود. تا سال 2016، جمعیت شناور چین به 245 میلیون نفر رسید. جریان جمعیت در مقیاس بزرگ یک پدیده مهم در توسعه اجتماعی چین بوده است و در آینده نیز چنین خواهد بود [ 1 ]. جریان جمعیت ارتباط نزدیکی با کنترل بیماری، توسعه اجتماعی پایدار، کاهش تراکم، انتشار اطلاعات و تجارت الکترونیک دارد [ 2 ، 3 ، 4 ]. تعیین رابطه بین مهاجرت جمعیت و توسعه نامتوازن شهری برای تضمین توسعه اجتماعی پایدار کلیدی است.

جریان جمعیت نشان دهنده تخصیص مجدد عوامل تولید در فضا است [ 5 ]. هر چه جریان جمعیت بیشتر باشد، نشاط اقتصادی بیشتر است [ 6 ]. بنابراین، جریان جمعیت منعکس کننده سطح توسعه یک منطقه یا شهر است [ 7 ]. بنابراین، تعیین الگوهای جریان جمعیت از رفتار جمعیت مکانی-زمانی ممکن است تفاوت‌های توسعه‌ای بین شهرها را آشکار کند. تحرک جمعیت بیانی اجتماعی از تعامل فضایی بین شهر مبدأ و شهر مقصد است و متاثر از توسعه نامتوازن شهری است. برای مثال، شهرهایی که شرایط اقتصادی بهتری دارند برای کارگران مناطق شهری نسبتاً فقیر جذاب‌تر هستند. 8]. با افزایش تفاوت در توسعه شهری در سراسر چین، جریان جمعیت قطبی شده است. هر چه نشاط اقتصادی یک منطقه بیشتر باشد، جریان جمعیت به آن بیشتر می شود. چنین جریان عظیم جمعیتی تأثیر شدیدی بر توسعه پایدار در چین دارد. بنابراین، کمی سازی اثر عوامل اجتماعی-اقتصادی بر الگوهای مهاجرت برای بهبود توسعه منطقه ای ضروری است.

جریان جمعیت بین شهری در مقیاس بزرگ عمدتاً در تعطیلات رسمی در چین رخ می دهد. بزرگترین تعطیلات گردهمایی خانوادگی در چین جشنواره بهار است که در سال 2018 شامل سفر بیش از هفت برابر تعداد افرادی بود که در طول روز شکرگزاری در ایالات متحده در سال 2017 سفر کردند]. طبق گزارشی از اداره ملی گردشگری چین، 386 میلیون نفر در طول جشنواره بهار 2018 سفر کردند. علاوه بر این، بسیاری از مردم در طول جشنواره بهار که رویدادی به نام “ChunYun” است، بین شهر محل کار و زادگاه خود سفر کردند. این پدیده ما را قادر به مطالعه الگوهای مهاجرت مکانی و زمانی و عوامل تعیین کننده آنها کرد. با این حال، جمع‌آوری داده‌های مکانی-زمانی دقیق در مورد مهاجرت جمعیت در مقیاس بزرگ دشوار است، که محققان قبلی را به تمرکز بر دلتای رودخانه یانگ تسه، دلتای رودخانه مروارید، و تجمع شهری پکن-تیانجین-هبی و کلان‌شهرها سوق داده است. شهرهای متوسط اغلب در نظر گرفته نمی شوند. با این حال، تفاوت در تعاملات بین منطقه ای برآورد ضعیفی از پارامترهای جهانی برای استفاده در مدل های تعامل فضایی سنتی ارائه می دهد.

این مطالعه با هدف بررسی مجدد جامع الگوهای جریان جمعیت و عوامل تعیین کننده آنها انجام شد. مهم‌تر از همه، خانواده‌ای از مدل‌های تعاملی وزن‌دار فضایی (SWIMs)برای تعیین کمیت تأثیر عوامل اجتماعی-اقتصادی بر تحرک جمعیت و آشکار کردن مسائل شهری توسعه نامتوازن استفاده می‌شوند. برای تعیین دقیق‌تر جریان جمعیت و جلوگیری از عدم تطابق زمانی، یک مجموعه داده مهاجرت جمعیت را از پلت فرم AMAP جمع‌آوری کردیم و آن را به چهار زیر مجموعه (روزانه، بازگشت به زادگاه، تعطیلات، و کار بازگشت) با توجه به گره‌های زمانی جشنواره بهار تقسیم کردیم. بر اساس زیرمجموعه روزانه، الگوریتم PageRank و الگوریتم Clauset-Newman-Moore (CNM)، از روش های تحلیل شبکه اجتماعی (SNA) برای آشکارسازی الگوها استفاده شد. بر اساس زیرمجموعه کار بازگشتی، ما از یک خانواده مدل‌های تعامل فضایی استفاده کردیم. شامل مدل جهانی گرانش پواسون، مدل‌های خاص مبدا و مقصد، و SWIMها، برای تعیین کمیت اثرات جهانی و محلی عوامل اجتماعی-اقتصادی بر جریان کار بازگشتی. هنگامی که این SWIM های پیشرفته برای مطالعه جریان جمعیت در مقیاس بزرگ به کار می روند، عملکرد عالی در محاسبه اثرات محلی در مدل سازی تعامل فضایی دارند.

2. ادبیات مرتبط

نظریه‌ها و مدل‌های تأثیرگذار زیادی برای توضیح منشأ، مکانیسم و گسترش مهاجرت جمعیت ارائه شده‌اند، مانند «نظریه فشار و کشش» [ 10 ]. بر اساس این نظریه ها، نابرابری های مختلف منطقه ای به عنوان ایجاد انگیزه های پیچیده برای مهاجرت در نظر گرفته می شود. توضیح الگوهای مهاجرت به درک تغییرات جمعیتی و توسعه اجتماعی-اقتصادی مرتبط کمک می کند. بنابراین، مهاجرت به داخل چین توسط بسیاری از محققان، با تمرکز بر الگوهای فضایی و عوامل تأثیرگذار آن مورد مطالعه قرار گرفته است.

مطالعات مهاجرت قبلی بر اساس داده های سرشماری 10 ساله و داده های سالانه جریان جمعیت بین استانی انجام شده است. علاوه بر این، این مطالعات شامل روش‌های جمع‌آوری داده‌های محدود بود و بنابراین، عمدتاً با دقت پایین و زمان‌های به‌روزرسانی طولانی یا فقط بر اساس ویژگی‌های مبدا یا مقصد بودند [ 11 ، 12]]. با این حال، توسعه سریع فناوری ارتباطات اطلاعات و برنامه های کاربردی تلفن همراه، ردیابی رفتارهای مکانی-زمانی تعداد زیادی از افراد را ممکن می سازد. بسیاری از محققان بر بررسی جامع تر و دقیق تر از تحرک جمعیت در سطح ملی یا استانی و در سطح شهر در سراسر چین تمرکز کرده اند. بر اساس داده های بزرگ سفر، یانگ و همکاران. الگوهای مکانی-زمانی تحرک جمعیت و عوامل تعیین کننده آن را در شهرهای چین تجزیه و تحلیل کردند و کوی و همکاران. پویایی مکانی – زمانی تحرک روزانه بین شهری را در دلتای رودخانه یانگ تسه تحلیل کرد [ 13 , 14]. داده‌های حاصل نسبت به داده‌های قبلی فضای زمانی بیشتری را نشان می‌دهند و می‌توانند با عوامل جغرافیایی خارجی برای حل مشکل جزئیات مکانی-زمانی کم در مطالعات مرتبط ادغام شوند.

با این وجود، شناسایی الگوهای جریان بین شهری و تعیین کمیت اثر عوامل اجتماعی-اقتصادی بر الگوهای مهاجرت همچنان چالش برانگیز است. شهرها کانون اقتصاد، سیاست، فرهنگ و حمل و نقل منطقه هستند و به دلیل فرصت های شغلی بهتر، زیرساخت های مدرن، محیط آموزشی خوب، موقعیت مناسب و حمل و نقل کارآمد، مردم را از مناطق اطراف جذب می کنند .]. برخی از شهرها حتی به تجمعات شهری تبدیل شده اند که در مناطق اطراف مانند نیویورک، لندن، توکیو، جیانگسو-ژجیانگ-شانگهای و پکن-تیانجین-هبی گسترش یافته اند. شهرهای دیگر شبکه‌های اجتماعی پیچیده‌ای را تشکیل داده‌اند که توسط جمعیت‌های متحرک به هم متصل شده‌اند، با الگوهای جریان جمعیتی متفاوت با گروه‌های شهری. مدل‌های تحلیل شبکه سنتی ویژگی‌های اجتماعی جریان جمعیت را نادیده گرفته‌اند. علاوه بر این، مدل‌های تعامل فضایی سنتی به اندازه کافی تفاوت‌ها را در الگوهای مهاجرت در نظر نمی‌گیرند زیرا این مدل‌ها بر اساس تخمین پارامترهای جهانی هستند.

با توسعه روش های SNA، بررسی اهمیت گره شبکه و ساختار شبکه برای تعیین الگوهای جریان رایج شده است. به عنوان مثال، تعداد زیادی از مطالعات از روش های SNA برای شناسایی الگو استفاده کرده اند [ 16 ، 17 ]. الگوریتم PageRank همچنین برای اندازه گیری اهمیت گره در شبکه ها [ 18 ] و تشخیص جامعه برای یافتن جوامع شهری [ 19 ] استفاده شده است. اینها یک رویکرد جدید برای شناسایی الگوهای مکانی – زمانی جریان جمعیت در مقیاس بزرگ ایجاد کرده اند.

با این حال، روش های SNA فقط ویژگی های شبکه جریان را نشان می دهد. آنها قادر به تعیین کمیت تعامل عوامل اجتماعی-اقتصادی با جریان جمعیت نیستند. بنابراین، مدل گرانش، که یک مدل برهمکنش فضایی کلیدی است که از نظریه‌های گرانش یا فشار-کشش الهام گرفته شده است، و خانواده مدل‌های مرتبط با آن اغلب برای توضیح فرآیند تعامل استفاده شده‌اند [20 ] . چن و همکاران از یک مدل گرانشی بهبود یافته برای تجزیه و تحلیل یک شبکه جمعیتی سیار بین استانی پیچیده استفاده کردند و ژانگ و همکاران. یک مدل گرانش چند سطحی جدید را برای مطالعه جریان های مهاجرت شهری بین استانی اجرا کرد [ 21 , 22]. یک مدل گرانشی نیز در سطح جهانی کالیبره شده است، با یک مجموعه از تخمین پارامترها برای یک منطقه مورد مطالعه و به دنبال آن تخمین پارامترهای جهانی تعیین شده است. این تخمین‌های کلی به‌عنوان نشان‌دهنده میانگین رفتار متقابل در نظر گرفته شد و به همان اندازه در کل منطقه مورد مطالعه معتبر است [ 23 ].

بنابراین، این مدل‌های گرانشی ویژگی‌های محلی جریان جمعیت را نادیده گرفتند و ناهمگونی فضایی را در نظر نگرفتند. این مشکل با مدل‌سازی جداگانه هر مبدأ یا شهر مقصد خاص در یک شبکه جریان برای تولید مدل‌های تعامل فضایی خاص مبدا و مقصد مورد توجه قرار گرفته است [ 24 ]. با این حال، این مدل‌ها تأثیر شهرهای اطراف را بر هر مبدأ یا شهر مقصد خاص نادیده می‌گیرند و نمی‌توانند اثرات محلی را به خوبی ثبت کنند. این مشکل با رگرسیون وزن‌دار جغرافیایی (GWR) حل می‌شود، تکنیکی که به طور فزاینده‌ای برای تشخیص ناپایداری فضایی در تحلیل فضایی محبوب شده است [ 25 ، 26]]. کوردی و فاثرینگهام با ترکیب GWR با یک مدل گرانشی، خانواده ای از SWIM ها را برای شناسایی، تجسم و تجزیه و تحلیل غیرایستایی فضایی در فرآیندهای تعامل فضایی ساختند [ 23 ]. با این وجود، اگرچه این SWIM های پیشرفته اثرات محلی را در مدل سازی تعامل فضایی به حساب می آورند، SWIM ها برای مطالعه مربوط به جریان جمعیت در مقیاس بزرگ استفاده نشده اند.

3. منطقه مطالعه و داده ها

3.1. منطقه مطالعه

جریان جمعیت در مقیاس بزرگ در میان شهرهای چین در طول جشنواره بهار وجود دارد. همانطور که در شکل 1 نشان داده شده است، منطقه مطالعه ما بر روی 299 واحد اداری در سطح استان و برخی از واحدهای سطح شهرستان در سرزمین اصلی چین متمرکز شده است. به طور کلی این واحدهای اداری شهر هستند. به دلیل محدودیت در دسترسی به داده ها، برخی از شهرهای سطح استان در استان هاینان، تایوان، هنگ کنگ، ماکائو و برخی از استان های خودمختار اقلیت قومی در غرب چین از منطقه مورد مطالعه حذف شدند. در نهایت 352 شهر کانون پژوهش را تشکیل دادند.

3.2. داده های مطالعه

فناوری خدمات مبتنی بر مکان (LBS) موقعیت جغرافیایی یک کاربر تلفن همراه را از طریق شبکه های ارتباطی بی سیم یا روش های موقعیت یابی خارجی اپراتورهای شبکه مشخص می کند. هنگامی که کاربران به برنامه‌های مختلف تلفن همراه اجازه می‌دهند تا LBS را فراخوانی کنند، مسیر حرکت آن‌ها با دقت در زمان واقعی از اطلاعات موقعیت‌یابی ثبت می‌شود. بنابراین، هر کاربر گوشی هوشمند یک حسگر تلفن همراه است که ویژگی‌های اجتماعی را منعکس می‌کند و اجازه می‌دهد تا حجم عظیمی از داده‌های حرکتی فردی به طور موثر در زمان واقعی جمع‌آوری شود. این داده های حرکتی برای محاسبه شاخص های مهاجرت بین شهری [ 27 ] استفاده می شود. استفاده از داده‌های بزرگ مرتبط با سفر با چنین وضوح مکانی و زمانی بالا، دقیق‌تر و مؤثرتر از استفاده از داده‌های سرشماری است. 28]]. در این مطالعه، ما از مجموعه داده جریان جمعیت از نقشه مهاجرت AMAP (” https://trp.autonavi.com/migrate/page.do “) استفاده کردیم. داده‌های مهاجرت Tencent و Baidu در مطالعات مشابه مورد استفاده قرار گرفته‌اند، زیرا آنها شاخص‌های مهاجرت ورودی و خروجی جمعیت روزانه را با یک شهر به عنوان واحد اصلی ارائه می‌کنند (یعنی شدت جریان ورودی، منبع و خروجی محدود به مقصد یک شهر واحد است. در یک روز معین). با این حال، داده های تاریخی طولانی تر برای مهاجرت جمعیت، مانند جشنواره بهار 2019، در حال حاضر فقط از پلت فرم AMAP در دسترس است. جدول 1 نمونه مجموعه داده جریان جمعیت را نشان می دهد.

همانطور که در جدول 1 نشان داده شده است، شاخص شدت مهاجرت جمعیت (PMII؛ ارائه شده توسط نقشه مهاجرت AMAP) نشان دهنده شدت مهاجرت از مبدأ به شهرهای مقصد است. در این مطالعه، شاخص‌های مهاجرت ورودی و خروجی هر دو نماینده شدت جریان جمعیت هستند.

علاوه بر این، برای بررسی اثرات عوامل مرتبط بر الگوهای جریان جمعیت در طول جشنواره بهار، چندین عامل اجتماعی-اقتصادی برای تجزیه و تحلیل انتخاب شدند، همانطور که در نشان داده شده است. جدول 2 نشان داده شده است.. بنابراین، جمعیت یک عامل اساسی در جریان جمعیت است. محصول ناخالص منطقه، ارزش افزوده صنعت اولیه (VAPI)، ارزش افزوده صنعت ثانویه (VASI) و ارزش افزوده صنعت ثالث (VATI) سطح اقتصادی شهرها را نشان می دهد. متوسط دستمزد، از نظر تفاوت درآمد بین دو شهر، محرک اصلی مهاجرت است. سرمایه گذاری خارجی باعث افزایش تعداد مشاغل و در نتیجه جذب کارکنان می شود. کاربران تلفن همراه رکوردی از جابجایی جمعیت ایجاد می‌کنند که تعداد آن‌ها ارتباط نزدیکی با شدت جریان جمعیت دارد. و تعداد بیمه شدگان مستمری و بیمه شدگان (IPIP) نشان دهنده سیستم تامین اجتماعی برای کارگران شهری است و شاخص مهمی از تاثیر سیاست تامین اجتماعی بر جریان جمعیت است.

نکته: متغیر به معنای شاخص شدت مهاجرت جمعیت دوره های مختلف است. Std. توسعه دهنده به معنای انحراف معیار؛ حداقل به معنای حداقل مقدار است. حداکثر به معنای حداکثر مقدار است. برای هر شهر، ما شاخص هایی را برای بیان شدت جریان جمعیت (یعنی ورودی و خروجی روزانه) و جریان برای تعطیلات، بازگشت به زادگاه (شهر مجدد) و بازگشت به کار (دوباره) ایجاد کردیم. کار). از تغییرات مکانی-زمانی این شاخص ها در چهار دوره، روندها و الگوهای مکانی-زمانی جریان جمعیت را تعیین کردیم. از آنجا که ChunYun در 21 ژانویه در طول جشنواره بهار 2019 آغاز شد، میانگین توزیع PMII (DPMII) از 15 تا 20 ژانویه به عنوان نماینده توزیع روزانه جریان جمعیت قبل از جشنواره بهار در نظر گرفته شد. به همین ترتیب، میانگین توزیع PMII (RHPMII) از 21 ژانویه تا 2 فوریه به عنوان نماینده ای برای توزیع مجدد جریان جمعیت در شهر قبل از جشنواره بهار در نظر گرفته شد. تعطیلات جشنواره بهار در 10 فوریه به پایان رسید، بنابراین میانگین توزیع PMII (HPMII) از 3 تا 9 فوریه به عنوان نماینده توزیع تعطیلات جریان جمعیت در طول جشنواره بهار و میانگین توزیع PMII (RWPMII) از 10 فوریه در نظر گرفته شد. تا 12 به عنوان نماینده ای برای توزیع مجدد جریان جمعیت پس از جشنواره بهار در نظر گرفته شد. اطلاعات آماری اولیه شدت جریان ورودی و خروجی جمعیت طی چهار دوره در زیر نشان داده شده است. بنابراین میانگین توزیع PMII (HPMII) از 3 تا 9 فوریه به عنوان نماینده ای برای توزیع تعطیلات جریان جمعیت در طول جشنواره بهار در نظر گرفته شد، و میانگین توزیع PMII (RWPMII) از 10 تا 12 فوریه به عنوان نماینده ای برای توزیع مجدد جریان جمعیت پس از جشنواره بهار. اطلاعات آماری اولیه شدت جریان ورودی و خروجی جمعیت طی چهار دوره در زیر نشان داده شده است. بنابراین میانگین توزیع PMII (HPMII) از 3 تا 9 فوریه به عنوان نماینده ای برای توزیع تعطیلات جریان جمعیت در طول جشنواره بهار در نظر گرفته شد، و میانگین توزیع PMII (RWPMII) از 10 تا 12 فوریه به عنوان نماینده ای برای توزیع مجدد جریان جمعیت پس از جشنواره بهار. اطلاعات آماری اولیه شدت جریان ورودی و خروجی جمعیت طی چهار دوره در زیر نشان داده شده است.جدول 3 .

4. روش ها

ما روش مورد استفاده در مطالعه را با استفاده از مثالی از جریان جمعیت بین شهرهای پکن و شانگهای نشان می دهیم. ابتدا، ما از مجموعه داده‌های جریان جمعیت در سطح شهر جمع‌آوری‌شده از پلتفرم AMAP LBS و مجموعه داده‌های عوامل اجتماعی-اقتصادی جمع‌آوری‌شده از سالنامه آماری شهری چین در سال 2019 استفاده کردیم. این فرآیندها شامل مقدار صفر، مقدار خطا، استانداردسازی داده‌ها، پارتیشن داده‌ها، فضایی‌سازی هستند. ، و سایر پیش پردازش داده ها. دوم، ما از روش‌های SNA و مدل‌های تعامل فضایی برای کشف الگوها و تعیین کمیت اثرات جریان جمعیت استفاده کردیم. بنابراین، ما وظایف زیر را انجام دادیم. (1) ما از مدل PageRank برای طبقه بندی شهر و مدل CNM برای تشخیص جامعه در طول جریان روزانه جمعیت استفاده کردیم. با استفاده از مدل PageRank، می توان تعیین کرد که کدام شهر برای پکن و شانگهای اهمیت بیشتری دارد. با استفاده از مدل CNM می توان تعیین کرد که پکن و شانگهای به ترتیب متعلق به کدام جامعه شهری هستند. (2) ما از تغییر مکانی – زمانی شدت جریان برای آشکار کردن روند جریان جمعیت استفاده کردیم. (3) ما از خانواده‌ای از مدل‌های تعامل جهانی (مدل گرانش جهانی پواسون، مدل گرانش ویژه مبدا، و مدل گرانش ویژه مقصد) برای تعیین کمیت اثر جهانی عوامل اجتماعی-اقتصادی انتخاب شده بر جریان کار برگشتی استفاده کردیم. برای مثال، مدل‌های تعامل جهانی فرض می‌کردند که جریان جمعیت بین هر شهر با همان الگو مطابقت دارد و جریان جمعیت بین پکن و شانگهای از این الگو پیروی می‌کند. (4) ما از یک SWIM متمرکز بر مبدا و یک SWIM متمرکز بر مقصد برای تعیین کمیت اثر محلی استفاده کردیم. با در نظر گرفتن ناهمگونی فضایی. به عنوان مثال، وقتی پکن شهر مبدأ و شانگهای شهر مقصد است، SWIM متمرکز بر مبدأ می‌تواند تأثیر شهرهای اطراف پکن را بر تحرک جمعیت بین این دو شهر در نظر بگیرد، و SWIM متمرکز بر مقصد می‌تواند تأثیر شهرهای اطراف را در نظر بگیرد. شانگهای در جریان جمعیت بین این دو شهر.شکل 2 فلوچارت این مطالعه را نشان می دهد.

https://gisland.org/

4.1. طبقه بندی شهر و تشخیص جامعه

شبکه جریان جمعیت یک شبکه جهان کوچک و بدون مقیاس است که یک شبکه میانی بین یک شبکه کاملاً منظم و یک شبکه کاملا تصادفی است [ 13 ]. شبکه جریان جمعیتی شکل گرفته در جشنواره بهار را شبیه به اینترنت دانستیم و در نظر گرفتیم که شهرهایی که اهمیت بیشتری دارند، افراد و مسیرهای بیشتری را جذب می کنند. با در نظر گرفتن شهرها به عنوان گره های شبکه و شدت جریان جمعیت در بین شهرها به عنوان وزن، ماتریس وزن دهی جهتی زیر برای چهار دوره جریان جمعیت ساخته شد.

پ=[0پ12…پ1(n-1)پ1nپ210…پ2(n-1)پ2n⋮⋮⋮⋮⋮پ(n-1)1پ(n-1)2…0پ(n-1)nپn1پn2…پn(n-1)0]

(1)

جایی که پمنj از شدت جریان جمعیت از شهر i به شهر j ناراحت است .

برای مطالعه ویژگی‌های شبکه جریان جمعیت، از الگوریتم PageRank و روش‌های تشخیص جامعه استفاده کردیم که اغلب برای اندازه‌گیری اهمیت گره و جامعه در SNA استفاده می‌شود. الگوریتم PageRank در ابتدا برای رتبه بندی صفحات وب توسط گوگل طراحی شد [ 39 ، 40 ]. الگوریتم PageRank علاوه بر در نظر گرفتن درجه، بین بودن و نزدیکی، مانند سایر شاخص‌های مرکزیت برای ارزیابی گره‌ها در شبکه، تعداد و کیفیت اتصالات را نیز در نظر می‌گیرد. بنابراین، یک گره ممکن است اتصالات کمتری داشته باشد، اما اگر اتصالات آن با گره های مهم باشد، همچنان مهم است. بنابراین الگوریتم PageRank برای تجزیه و تحلیل شبکه در بسیاری از زمینه ها مانند کتاب سنجی، SNA و شبکه های جاده ای استفاده شده است [ 13]]. ما از آن برای رتبه‌بندی اهمیت گره‌های شهر با طبقه‌بندی شهرها بر اساس اهمیت آنها استفاده کردیم که ساختار سلسله مراتبی جریان جمعیت را نشان داد. الگوریتم PageRank به شرح زیر است:

پآgهآرآnک(پمن)=1-qن+q∑پjپآgهآرآnک(پj)L(پj)

(2)

جایی که پآgهآرآnک (پمن)مقدار PageRank شهر است من، q یک پارامتر میرایی برای PageRank است (معمولاً 0.85 تنظیم می شود)، N تعداد تمام گره های شهر است، پjنشان دهنده جریان جمعیت از شهر است من به شهر j، و L (پj)تعداد پیوندهای شهر است من، که با شدت جریان جمعیت وزن می شود.

تشخیص جامعه برای شناسایی جوامع شهری در شبکه جریان جمعیت استفاده می شود. طیف وسیعی از روش ها برای تشخیص جامعه استفاده می شود، مانند الگوریتم جوامع سیال، الگوریتم Girvan-Newman و الگوریتم CNM [ 41 ، 42 ، 43 ]. ما از الگوریتم CNM استفاده کردیم که بر اساس حداکثر سازی مدولاریت حریصانه CNM است و با شدت جریان جمعیت وزن می شود [ 43 ].

4.2. مدل های تعامل فضایی

4.2.1. مدل جهانی گرانش پواسون

تعامل فضایی به طور گسترده به عنوان حرکت یا ارتباط اشیایی مانند افراد، کالاها و اطلاعات در فضای جغرافیایی که از یک فرآیند تصمیم گیری ناشی می شود، تعریف می شود [ 44 ، 45 ]. بنابراین، تعامل فضایی طیف گسترده‌ای از رفتارها و حرکات مانند مهاجرت، سفرهای خرید، رفت‌وآمد، کالا یا جریان‌های ارتباطی، سفرهایی با اهداف آموزشی و ترافیک مسافران خطوط هوایی را پوشش می‌دهد [23 ] . کلی ترین شکل یک مدل تعامل فضایی را می توان به صورت زیر فرموله کرد [ 46 ]،

تیمنj=f(Vمندبلیوjسیمنj)

(3)

جایی که تعامل بین هر جفت مبدا منو مقاصد j به عنوان مشخص شده است تیمنj، Vمن بردار عوامل مبدا را نشان می دهد که نیروی محرکه مبدأ را اندازه گیری می کند من، دبلیوj نشان دهنده بردار عوامل جذابیت مقصد و سیمنj نشان دهنده یک بردار از عوامل جداسازی، با جدایی بین شهر است منو j(معمولا) از نظر مسافت، هزینه یا زمان سفر بین اندازه گیری می شود منو j. مثلا، تیمنjجریان جمعیت بین پکن و شانگهای است. Vمن نشان دهنده بردار عوامل پکن مانند جمعیت و صنعت است. دبلیوj بردار عوامل شانگهای مانند متوسط دستمزد و سرمایه گذاری خارجی را نشان می دهد. سیمنj نشان دهنده بردار عوامل جداسازی بین پکن و شانگهای، مانند مسافت و هزینه حمل و نقل است.

چارچوب های گرانشی برای تعامل فضایی اولین مواردی بودند که توسعه یافتند و بیشترین استفاده را دارند [ 47 ]. مدل گرانش و روابط آن فرض می‌کند که جریان‌های بیشتری بین مکان‌های بزرگ‌تر و نزدیک‌تر نسبت به مکان‌های کوچک‌تر و دورتر، ceteris paribus رخ می‌دهد. معمولاً به صورت زیر فرموله می شود

تیمنj=کپمنαنjγدمنjβ

(4)

جایی که پمن و نj نشان دهنده عوامل دافعه و جذابیت مبدأ هستند منو مقصد j، به ترتیب، دمنjفاصله بین است منو j ، و ک،α،γ، و βپارامترهایی هستند که باید به صورت تجربی برآورد شوند و ماهیت رابطه بین جریان های فضایی و هر یک از متغیرهای توضیحی را منعکس می کنند [ 23 ].

با در نظر گرفتن رگرسیون پواسون، یک کالیبراسیون جهانی گرانش پواسون مدل‌های برهمکنش فضایی به صورت زیر فرموله می‌شود:

تیمنj=انقضا( ک+αلnپمن+γلnنj+βلnدمنj)

(5)

که در آن تمام پارامترها همانطور که در بالا تعریف شده است.

4.2.2. مدل های خاص مبدا و مقصد

جریان جمعیت یک تعامل فضایی بین جمعیت مبدا و مقصد است. شدت آن تحت تأثیر هر دو ویژگی مبدا و مقصد قرار می گیرد، به عنوان مثال، تحرک جمعیت بین پکن و شانگهای نه تنها تحت تأثیر ویژگی های پکن بلکه تحت تأثیر ویژگی های شانگهای قرار می گیرد. با این حال، مانند مدل گرانشی، کالیبراسیون جهانی مدل‌های تعامل فضایی، که الگوی یکسانی از جریان جمعیت بین هر مبدأ و مقصد را در نظر می‌گیرد، ممکن است تغییرات فضایی در روابط را نشان ندهد و بنابراین، ممکن است این واقعیت را نشان ندهد که تاثیر پکن و شانگهای متفاوت است.

تخمین پارامترهای محلی ممکن است اطلاعات تفکیک شده مفیدتری را ارائه دهد. این تخمین ها برای هر مبدا یا مقصد جداگانه با کالیبراسیون مدل های مبدأ و مقصد خاص به دست می آیند. به عنوان مثال، ما فقط جریان از پکن به هر شهر را در مدل خاص مبدا در نظر می گیریم و فقط جریان از هر شهر به شانگهای را در مدل خاص مقصد در نظر می گیریم.

یک مدل خاص مبدا به صورت زیر فرموله شده است:

تیمنj=انقضا( کمن+γمنلnنj+βمنلnدمنj)

(6)

جایی که تیمنjنشان دهنده شدت جریان بین شهر مبدأ خاص است منو شهر مقصد j; کمن، γمن، و βمنپارامترهای شهر مبدأ خاص هستند من; نjبردار عوامل جذابیت مقصد را نشان می دهد ; و دمنjفاصله بین است منو j.

یک مدل مقصد خاص به صورت زیر فرموله شده است:

تیمنj=انقضا( کj+αjلnپمن+βjلnدمنj)

(7)

جایی که تیمنjنشان دهنده شدت جریان بین شهر مبدأ است منو شهر مقصد خاص j; کj، γj ، و βjپارامترهای شهر مقصد خاص هستند j; پمنبردار عوامل مبدا را نشان می دهد که نیروی محرکه مبدأ را اندازه گیری می کند من ; آnد دمنjفاصله بین است منو j.

4.2.3. مدل های متمرکز بر مبدا و مقصد

مدل‌های مبدا و مقصد خاص فقط جریان‌هایی را از یک شهر مبدأ خاص به شهرهای مقصد مختلف یا از شهرهای مبدأ مختلف به یک شهر مقصد خاص در نظر می‌گیرند. این بدان معنی است که جریان هایی که از مبداهای دیگر سرچشمه می گیرند یا به مقصدهای دیگر می رسند نادیده گرفته می شوند. به عنوان مثال، در مدل خاص مبدا، ما فقط جریان از پکن را در نظر گرفتیم، اما جریان سایر شهرهای مبدا را نادیده گرفتیم. در واقع، جریان بین شهرهای مبدأ و مقصد تحت تأثیر شهرهای دیگری است که یک مبدا و یک مقصد را احاطه کرده اند. با این حال، مدل‌های خاص مبدأ و مقصد خاص این تأثیر را نادیده می‌گیرند. شهرها در مکان‌های جغرافیایی مختلف الگوهای تحرک جمعیتی متفاوتی دارند، در حالی که الگوهای حرکتی شهرهای اطراف مشابه هستند. بنابراین جریان جمعیتی

با این حال، در مدل GWR، یک شهر خاص هدف تحقیق است و این مدل عموماً بهتر از مدل‌های رگرسیون سنتی عمل می‌کند زیرا شامل پارامترهای جغرافیایی متفاوتی است. با استفاده از وزن‌دهی جغرافیایی، از استفاده از تخمین پارامتر جهانی جلوگیری می‌کند، که مدل‌های رگرسیون سنتی را برای تحلیل الگوهای جریان جمعیت ناهمگن فضایی نامناسب می‌کند. بیان مدل GWR به شرح زیر است:

Yمن=β0(تومن، vمن)+∑کβک(تومن،vمن)ایکسمنک+εمن من=1،2،….،n

(8)

جایی که (تومن، vمن) مختصات شهر هستند منو βک(تومن،vمن)ضریب رگرسیون متغیر مستقل است ایکسمنکدر شهر منو ضریب رگرسیون نتیجه کمی تأثیر هر عامل است.

برای برآورد ضرایب مدل GWR از روش حداقل مربعات وزنی استفاده می شود. تخمین پارامترها βک(تومن،vمن،تیمن)را می توان در فرمول آورد. محاسبه وزن تأثیر زیادی بر تخمین پارامتر برای مدل GWR دارد. تابع هسته گاوسی اغلب برای محاسبه ماتریس وزن‌دار فضایی استفاده می‌شود، که اثرات فضایی مشاهدات اطراف را با فروپاشی فاصله گاوسی در پهنای باند مدل‌سازی می‌کند، همانطور که در فرمول 10 نشان داده شده است. بنابراین، انتخاب پهنای باند (b) برای محاسبه بسیار مهم است. وزن. دو دسته عمده از روش های وزن دهی وجود دارد: یکی از پهنای باند ثابت و دیگری از پهنای باند تطبیقی استفاده می کند. پهنای باند زمانی که داده ها پراکنده هستند و در مناطقی که داده ها فراوان است بیشتر است. علاوه بر این، یک معیار اطلاعات Akaike تصحیح شده (AIC) برای ارزیابی برازش برای انتخاب پهنای باند بهینه استفاده می شود [ 48 ].

βک^(تومن،vمن)=[ایکستیدبلیو(تومن،vمن)ایکس]-1ایکستیدبلیو(تومن،vمن)Y

(9)

جایی که دبلیو(تومن،vمن) = دیاگ( wمن1، wمن2، …، wمنn) ماتریس دارای وزن فضایی و عناصر مورب آن است wمنj(1 ≤ j ≤ n ) وزن داده شده به شهر مشاهده است jدر مجاورت شهر رصد من. می توان آن را به صورت زیر ارائه کرد،

wمنj=انقضا(-(دمنj/ب)2)

(10)

جایی که دمنjفاصله فضایی اندازه گیری نزدیکی بین شهر است منو شهر j، که در آن b پارامتری به نام پهنای باند است که برای کنترل محدوده تأثیر شعاعی استفاده می شود.

GWR در ابتدا برای مدل‌سازی رگرسیون خطی توسعه داده شد، جایی که فرض می‌شود متغیر وابسته از یک توزیع گاوسی (عادی) پیروی می‌کند. سپس به روش رگرسیون لجستیک وزن‌دار جغرافیایی، بر اساس چارچوب مدل‌سازی خطی تعمیم‌یافته برای توزیع دوجمله‌ای (لجستیک) و به روش رگرسیون پواسون وزن‌دار جغرافیایی (GWPR)، بر اساس توزیع پواسون [ 49 ] گسترش یافت . بیان مدل GWPR به شرح زیر است:

Yمن=انقضا(β0(تومن، vمن)+∑کβک(تومن،vمن)ایکسمنک+εمن ) من=1،2،….،n

(11)

ما از یک اصل احتمال وزن‌دار جغرافیایی برای تخمین پارامترهای GWPR استفاده کردیم. این گونه‌ای از اصل احتمال محلی است که با رویکرد حداقل مربعات وزن‌دار جغرافیایی GWR گاوسی معمولی سازگار است. بنابراین، پارامترهای مدل در محل منبا به حداکثر رساندن تابع ورود به سیستم وزن‌دار جغرافیایی برآورد شدند.

با اشاره به رویکرد وزن‌دهی جغرافیایی مورد استفاده در مدل GWR و مدل‌های فوق، SWIMهایی که شامل مدل‌های متمرکز بر مبدا و مقصد بودند ساخته شدند [ 23 ]. اینها همچنین شهرهای متمرکز را به عنوان اهداف تحقیقاتی خود در نظر گرفتند. در مدل مبدأ متمرکز، جریان‌هایی که مبدا نزدیک‌تر به نقطه کالیبراسیون دارند، وزن بیشتری دارند و در نتیجه تأثیر بیشتری در طول کالیبراسیون مدل دارند. وزن ها به طور مداوم با افزایش فاصله بین نقطه کالیبراسیون و مبدا مشاهده شده کاهش می یابد. یک تصویر ساده از تعامل فضایی متمرکز بر مبدا و مقصد در شکل 3 نشان داده شده است .

فرمول کلی SWIM به شرح زیر است:

تیمنj=ک{تو،r}پمنα{تو،r}نjγ{تو،r}دمنjβ{تو،r}

(12)

جایی که تیمنjبه طور کلی شدت جریان بین شهر مبدا را نشان می دهد منو شهر مقصد j. چه زمانی r=من، فرمول یک مدل متمرکز بر مبدا است، که در آن تونشان دهنده محل نقطه کالیبراسیون (یکی از مبداهای موجود یا هر نقطه دیگری در منطقه مورد مطالعه) است. چه زمانی r=j، فرمول یک مدل متمرکز بر مقصد را نشان می دهد که در آن تونشان دهنده محل نقطه کالیبراسیون (یکی از مقاصد موجود یا هر نقطه دیگری در منطقه مورد مطالعه) است. نماد {تو،r}نشان می دهد که داده های مربوط به متغیرهای کمکی برای تخمین پارامترها در تواز نظر جغرافیایی بر اساس فواصل بین آنها وزن می شود توو هر کدام r، پمن، نj، و دمنj که متغیرهای مدل هستند (یعنی نیروی محرکه مبدا، جذابیت مقصد، و فاصله بین مبدا منو مقصد j) و ک،α،γ، و β، که پارامترهای خاص هستند تو.

هنگامی که مدل تعامل فضایی از توزیع پواسون پیروی می کند، SWIM به صورت زیر فرموله می شود:

λتومنj=انقضا( ک{تو،r}+α{تو،r}لnپمن+γ{تو،r}لnنj+β{تو،r}لnدمنj)

(13)

جایی که λتومنjنشان دهنده جریان بین مبدا است منو مقصد jوزن با توجه به فاصله بین توو r، و سایر متغیرها مانند قبل تعریف شده اند.

تخمین پارامتر برای SWIM مشابه آنچه برای مدل GWPR استفاده می‌شود، بر اساس یک اصل احتمال وزن‌دار جغرافیایی با تخمین‌های پارامتر کالیبره شده نقطه‌ای است. مجموعه ای از معادلات برای به حداکثر رساندن اولین مشتق از وزن احتمال ورود به سیستم در SWIM حل می شود، که به صورت زیر فرموله می شوند:

لnL(λتومنj)=∑منj(-λتومنj+تیتومنjلnλتومنj-لnتیتومنj!)دبلیوتومنj

(14)

جایی که دبلیوتومنj وزن جریان را نشان می دهد منjبا توجه به نزدیکی r آن به نقطه کالیبراسیون u . تابع وزن مکانی و معیارهای انتخاب پهنای باند بهینه SWIM شبیه به مدل GWPR است.

4.2.4. انتخاب متغیرها

اگر چند خطی در مدل های رگرسیونی وجود داشته باشد، نتایج بسیار غیر قابل اعتماد خواهند بود. بنابراین، قبل از مدل سازی، باید مشخص شود که آیا چند خطی بین متغیرها وجود دارد یا خیر. ما ضریب تورم واریانس (VIF) هر متغیر مستقل را محاسبه کردیم و از مدل نهایی هر متغیر مستقل با VIF> 7.5 را که عبارت بودند از تولید ناخالص منطقه‌ای مبدا، تولید ناخالص منطقه‌ای مقصد، VATI_origin، VATI_destination، کاربران تلفن همراه مبدا حذف کردیم. ، و کاربران تلفن همراه مقصد. متغیرهای مستقل انتخاب شده در جدول 4 نشان داده شده است .

5. نتایج

5.1. الگوهای فضایی و زمانی جریان جمعیت

جریان جمعیت روزانه فضای زمانی را نشان می دهد. همانطور که می توان ازهمانطور که از شکل 4، جریان روزانه جمعیت در جنوب شرقی چین متمرکز است و در شمال غربی چین اندک است. علاوه بر این، نواحی قرمز تیره چهار مجتمع شهری بزرگ هستند که پکن، شانگهای، گوانگژو و چنگدو به عنوان شهرهای اصلی مربوطه هستند. اینها به نام های پکن-تیانجین-هبی، دلتای رودخانه یانگ تسه، دلتای رودخانه مروارید و چنگدو-چونگ کینگ شناخته می شوند. علاوه بر این، هر چه سطح توسعه یک شهر بالاتر باشد، جریان جمعیت آن بیشتر است، همانطور که جریان شانگهای از چنگدو بیشتر است. برای تأیید این ساختار سلسله مراتبی ظاهری، ابتدا یک ماتریس وزنی مستقیم از ورودی و خروجی جمعیت روزانه بین شهرها ایجاد کردیم، سپس از الگوریتم PageRank برای رتبه‌بندی اهمیت شهرها در شبکه جریان جمعیت روزانه استفاده کردیم.

شکل 5 توزیع ارزش PageRank شهرهای مهم را در مکان های مختلف فضایی نشان می دهد و جدول 5سطوح ارزش PageRank در شهرهای مختلف را با طبقه بندی طبیعی شکست (NBC) خلاصه می کند. روندهای زیر را می توان مشاهده کرد: (1) اهمیت شهرهای سطح اول با شهرهای اصلی چهار تجمع شهر اصلی که در بالا ذکر شد مطابقت دارد. (2) تقریباً تمام شهرهای سطح دوم شهرهای درجه اول یا مراکز استانی هستند که گره های مهمی در شبکه جریان جمعیت هستند. (3) شهرهای سطح سوم اطراف یک شهر سطح دوم را احاطه کرده اند، و نشان می دهد که شدت جریان جمعیت از شهرهای مرکزی به شهرهای اطراف آنها تابش می کند، همانطور که در بالا ذکر شد. و (4) شهرهای سطح چهارم عمدتاً در شمال غربی چین توزیع شده اند که نشان می دهد جریان روزانه جمعیت عمدتاً در جنوب شرقی چین متمرکز است. بنابراین، یک سلسله مراتب عمودی وجود دارد،

شهرهای با رتبه‌بندی پایین، شهرهای سطح بالا را در فضای جغرافیایی احاطه کرده‌اند. به عنوان مثال، تیانجین یکی از شهرهای اطراف پکن بود. این یک ساختار اجتماعی ممکن را نشان داد. بنابراین، تشخیص جامعه برای آشکار کردن هر رابطه اجتماعی که در شبکه جریان جمعیت پنهان شده بود استفاده شد. شکل 6 نقشه توزیع ساختار جامعه در شبکه را نشان می دهد و جدول 6 را نشان می دهدساختار جامعه همه شهرها را خلاصه می کند. دومی 16 ساختار اجتماعی مختلف و روندهای زیر را نشان می دهد: (1) شهر اصلی هر جامعه یک شهر مرکز استان یا شهرداری است که مستقیماً تحت کنترل دولت مرکزی است. برای مثال، شهر مرکزی جامعه مرتبط با پکن تحت کنترل دولت مرکزی است. (2) چهار مجتمع بزرگ شهر نقش مهمی در ساختار جامعه ایفا می کنند، زیرا بیشترین تعداد استان ها و شهرها را تشکیل می دهند. (3) در ساختار جامعه، اکثر جوامع بین منطقه ای هستند، مانند جامعه مرتبط با پکن که استان های تیانجین، شاندونگ، شانشی، هبی و هنان را در بر می گیرد.

در طول جشنواره بهار، همانطور که جدول 3 نشان می دهد، میانگین PMIIخروجیاز 4.505 به 10.82 افزایش یافت و میانگین PMIIورودیاز 4.496 به 10.75 افزایش یافت. واضح است که یک افزایش کلی در جریان جمعیت وجود دارد. علاوه بر این، شکل 7 یک نقشه روند خروجی زادگاه مجدد قبل از جشنواره بهار است که با کم کردن ^{جریان خروجی} DPMII از ^خروجی RHPMII به دست آمده است . مناطق قرمز عمیق افزایش قابل توجهی در جریان خروجی در چهار تجمع شهر بزرگ نشان می دهد. این معمولاً به عنوان “جریان بازگشت به زادگاه” شناخته می شود و نشان دهنده کارگران مهاجری است که به زادگاه خود باز می گردند تا با خانواده خود برای جشنواره بهار باشند. به طور مشابه، شکل 8 نقشه روند جریان دوباره کار پس از جشنواره بهار را نشان می دهد که با کم کردن ^{جریان ورودی} HPMII از RWPMII به دست آمده است.^{HPMII از ورودی}. نواحی با رنگ قرمز عمیق، گرایش ورودی به جریان جمعیت را در چهار مجتمع بزرگ شهر نشان می‌دهند، که نشان‌دهنده کارگران مهاجری است که پس از جشنواره بهار به سر کار بازمی‌گردند (همچنین به «جریان کار بازگشتی» اشاره می‌شود). این داده‌ها نشان می‌دهد که کارگران عمدتاً در چهار مجتمع بزرگ شهر متمرکز شده‌اند، اما زادگاه آنها در جای دیگری است. بنابراین، مردم تمایل دارند از شهرهای کم توسعه به شهرهای با توسعه بالا سرازیر شوند که فرصت های شغلی بیشتری دارند.

به طور کلی، مشخص شد که الگوهای مکانی-زمانی جریان جمعیت روزانه دارای ساختار سلسله مراتبی هستند. شدت جریان جمعیت و توسعه شهر بسیار همبسته بودند و ساختار اجتماعی را نشان دادند، که نشان می‌دهد شدت جریان جمعیت از شهرهای مرکزی به شهرهای اطراف تابش می‌کند. از نظر ساختار سلسله مراتبی، سطح شبکه سراسری شامل شهرهای اصلی (پکن، شانگهای، گوانگژو، چنگدو، و چونگ کینگ) از چهار مجتمع بزرگ شهری می‌شود. سطح شبکه منطقه ای شامل شهرهای سطح دوم (به عنوان مثال، شیان، کونمینگ، و گوئیانگ) بود. علاوه بر این، شهرهای مهم و متراکم‌تری در شرق چین نسبت به غرب چین وجود داشت که نشان‌دهنده جریان غرب به شرق سطح توسعه شهر در چین است. شهرهایی که در یک جامعه قرار دارند بیشتر به هم مرتبط هستند، این نشان می دهد که آنها با جریان جمعیتی بیشتر از سایر شهرها به هم متصل شده اند. علاوه بر این، اکثر جوامع بین منطقه ای بودند، که نشان می دهد که فضای زمانی در آینده به شدت فشرده خواهد شد: تحرک جمعیت در مقیاس بزرگ، بین منطقه ای و تراکم بالا یک روند توسعه آینده خواهد بود. در طول جشنواره بهار، الگوهای فضایی و زمانی جریان جمعیت عبارت بودند از «جریان بازگشتی به زادگاه» و «جریان کاری بازگشتی». این تفاوت‌های منطقه‌ای توسعه شهر و جریان جمعیت را تأیید کرد. همچنین نشان داد که تفاوت در سطوح توسعه یافتگی بین دو منطقه نیروی محرکه جریان جمعیت بوده است. جریان جمعیتی در مقیاس بزرگ مشابه «جریان بازگشتی به زادگاه» و «جریان کاری بازگشتی» انتشار اطلاعات، سرمایه، فرهنگ و فناوری را ترویج می‌کند.

5.2. نتیجه شناورها

تجزیه و تحلیل فوق نشان داد که توسعه نامتوازن یک شهر یک عامل تأثیرگذار در «بازگشت جریان زادگاه» و «بازگشت جریان کار» در طول جشنواره بهار بود. هدف مهاجرت از «جریان کاری بازگشتی» بازگشت به کار است. برای توضیح تأثیر مهاجرت چند منظوره در طول دوره های روزانه و تعطیلات، ما از 13 متغیر توضیحی برای بررسی تنها رابطه بین شدت جریان جمعیت و سطح توسعه یک شهر در طول “جریان کاری بازگشتی” استفاده کردیم. متغیر وابسته RWPMII و متغیرهای مستقل در جدول 3 نشان داده شده است .

5.2.1. نتایج حاصل از مدل جاذبه جهانی پواسون

نتیجه تخمین پارامتر از مدل جهانی گرانش پواسون در جدول 7 نشان داده شده است . این فقط میانگین رفتارهای تعاملی را در کل منطقه مورد مطالعه نشان می دهد. از کاوش اولیه، روابط زیر قابل مشاهده است. (1) ارزش تخمینی α برای کل جمعیت مبدا 0.7154 است و از α از کل جمعیت مقصد 0.1036 است که نشان می دهد افزایش جمعیت در شهرهای مبدأ و مقصد اثرات مثبتی بر جریان جمعیت دارد. (2) ارزش تخمینی α برای VAPI_origin (0.5019) نشان‌دهنده یک اثر مثبت بر جریان جمعیت است γ برای VAPI_destination (-0.3018) یک اثر منفی را نشان می دهد. در مقابل، ارزش تخمینی از α برای VASI_origin (-0.4667) نشان‌دهنده یک اثر منفی بر جریان جمعیت است، اما γ برای VASI_destination (0.4400) یک اثر مثبت را نشان می‌دهد. از مقادیر این چهار پارامتر، می توان نتیجه گرفت که اشتغال در صنعت اولیه نسبت به اشتغال صنعت ثانویه در سطح جهانی اشباع شده است. (3) مقادیر برآورد شده از α برای میانگین دستمزد مبدا (0.7031402)، از γ برای میانگین دستمزد مقصد (0.3977138)، از α برای سرمایه خارجی مبدا (0.0356023) و از γ برای سرمایه خارجی مقصد (0.0012664) همگی مثبت هستند. همانطور که نظریه پردازان نئوکلاسیک توضیح داده اند، سطح درآمد یک مقصد مورد نظر، محرک اصلی مهاجرت است: بنابراین، افزایش درآمد در شهرهای مبدا امکان خروج کارگران مهاجر را کاهش می دهد، در حالی که افزایش درآمد در شهرهای مقصد، کارگران مهاجر بیشتری را جذب می کند. علاوه بر این، سرمایه‌گذاری خارجی باعث توسعه اقتصادی، ایجاد مشاغل بیشتر و جذب کارگران مهاجر بیشتر می‌شود. (4) مقادیر تخمینی از α برای IPIP_origin (-0.2480) نشان دهنده یک اثر منفی بر جریان جمعیت است، اما مقادیر تخمینی γ IPIP_destination (0.4589) نشان دهنده یک اثر مثبت است. این با وضعیت واقعی مطابقت دارد: افزایش امنیت اجتماعی در شهرهای مبدأ منجر به عدم مهاجرت کارگران سالمند بیشتر می شود، اما سطح توسعه بالاتر در شهرهای مقصد امنیت اجتماعی را افزایش می دهد و کارگران مهاجر بیشتری را جذب می کند.

5.2.2. نتایج مدل‌های تعامل مبدأ و خاص مقصد

اگرچه روندهای متوسط در سطح جهانی در نتایج مدل گرانشی جهانی پواسون مشاهده شد، ناهمگنی فضایی در تعامل جریان جمعیت مشاهده شد. بنابراین، برای بررسی بیشتر اینکه آیا تفسیر ما از نتایج مدل جهانی معقول بوده است یا خیر، از مدل‌های تعامل خاص مبدا و مقصد استفاده کردیم که شهرهای مبدأ یا مقصد خاص را به طور جداگانه در نظر گرفتند تا اثرات عوامل اجتماعی-اقتصادی بر جریان جمعیت را کمی‌تر کنیم. جدول 8 و جدول 9 و شکل 9 نتایج رگرسیون این دو مدل را نشان می دهد.

از نتایج رگرسیون مدل‌های تعامل ویژه مبدا و مقصد، نتایج زیر به دست آمد. (1) ضرایب تخمینی کل جمعیت در این دو مدل با نتایج جهانی متفاوت است. در مدل مقصد خاص، مقادیر α برای کل جمعیت مبدأ در شهرهای سطح اول و دوم (به جز شهرهای شمال شرقی چین) و در شهرهای احاطه شده توسط چهار تراکم شهر اصلی مثبت بود. در مقابل، در چند شهر در جنوب غربی و مرکزی چین و در اکثر شهرهای شمال شرقی و شمال چین، ضرایب برآوردی کل جمعیت منفی بود. در مدل خاص مبدا، γمقادیر کل جمعیت مقصد در شهرهای سطح اول و دوم (به جز شهرهای سطح اول و دوم شمال شرقی چین) و بیشتر شهرهای جنوب غربی و مرکزی چین مثبت بود. با این حال، در اکثر شهرهای جنوب شرقی و جنوب چین، مقادیر γ برای کل جمعیت مقصد منفی بود. مقادیر مثبت کل جمعیت در اکثر شهرهای سطح اول و دوم نشان می دهد که رشد جمعیت باعث افزایش ورودی و خروجی جمعیت می شود. با این حال، اکثر شهرهای شمال شرقی و شمالی و چند شهر جنوب غربی مقادیر منفی کل جمعیت را نشان دادند که نشان می دهد این شهرها کاهش جمعیت داشته اند. (2) در مدل مقصد خاص، α برای VAPI_origin برای شهرهای غربی و شمالی منفی بود. با این حالαمقادیر VAPI_origin برای شهرهای شمال شرقی و ساحلی مثبت بود (به عنوان مثال، دلتای رودخانه یانگ تسه مقادیر مثبت بالایی داشت). در مدل مبدا خاص، مقادیر γ VAPI_destination در برخی از شهرهای ساحلی، شمالی و شمال شرقی مثبت بود. اما این مقادیر در شهرهای مرکزی منفی بود. بنابراین، ضرایب تخمینی VAPI در برخی از شهرهای ساحلی و شهرهای جنوب غربی و شمال شرقی چین همگی مثبت بودند. این نشان می دهد که جریان جمعیت در میان این مناطق را کارگران صنایع اولیه تشکیل می دهند. (3) در مدل مقصد خاص، α برای VASI_origin برای اکثر شهرهای جنوب غربی چین مثبت بود اما برای شهرهای شمال و جنوب شرقی شهرهای ساحلی منفی بود. در مدل خاص مبدا،γمقادیر VASI_destination در چونگ کینگ و جیانگ سو، آنهویی، هوبی، سیچوان، یوننان و شانشی مثبت بود. با این حال، شهرهای شمال شرقی چین، دلتای رودخانه یانگ تسه و دلتای رودخانه مروارید ارزش منفی داشتند. بنابراین، ضرایب تخمینی VASI در اکثر شهرهای جنوب غربی چین مقادیر مثبت بود که نشان می‌دهد این شهرها به تدریج به مراکز صنایع ثانویه تبدیل شده‌اند. در مقابل، ضرایب تخمینی منفی VASI در اکثر شهرهای شمال شرقی چین، دلتای رودخانه یانگ تسه و دلتای رودخانه مروارید نشان داد که صنایع درجه سوم در این شهرهای توسعه‌یافته ساحلی تسلط دارند و مشاغل ثانویه کمی در دسترس هستند. برعکس، اگرچه شمال شرقی چین یک منطقه صنعتی قدیمی است، به دلیل کاهش شدید جمعیت، از جذابیت پایینی برای جمعیت برخوردار است. (4) در مدل مقصد خاص،مقادیر α برای سرمایه خارجی برای شهرهای شمال شرقی چین، جنوب غربی چین و مناطق ساحلی مثبت بود، در حالی که در شهرهای دیگر، منفی بود. در مدل خاص مبدا، γمقادیر سرمایه خارجی مقصد برای شهرهای شمال شرقی چین، جنوب غربی چین و دلتای رودخانه مروارید مثبت بود، در حالی که در شهرهای دیگر، منفی بود. بنابراین، زمانی که شهرهای شمال شرقی و جنوب غربی چین به دلیل افزایش جذابیت، مقصد هستند، این در نتیجه افزایش سرمایه گذاری خارجی است. به عنوان مثال، دلتای رودخانه مروارید اولین منطقه اصلاح شده و باز بود، و سرمایه گذاری عظیم سرمایه خارجی تعداد زیادی شغل ایجاد کرد و کارگران بیشتری را از طریق ورود جمعیت به منطقه جذب کرد. (5) در مناطق جنوبی و جنوب شرقی تحت سلطه دلتای رودخانه یانگ تسه و دلتای رودخانه مروارید، مقادیر α برای مبدا IPIP منفی بود و γمقادیر IPIP_destination مثبت بود. این با وضعیت واقعی مطابقت دارد: این مناطق عمدتاً شامل شهرهای ساحلی با سطح توسعه بالا هستند و بنابراین، مکان‌های اصلی ورود جمعیت هستند.

5.2.3. نتایج مدل‌های تعامل مبدأ و متمرکز بر مقصد

اگرچه مدل‌های مبدأ و مقصد خاص ناهمگونی فضایی را به طور جداگانه در نظر می‌گیرند، اما تأثیر شهرهای اطراف را در نظر نمی‌گیرند. بنابراین، مدل‌های مبدأ و مقصد محور، که تأثیر شهرهای اطراف را در نظر می‌گیرند، برای این بخش از کار استفاده شدند. نتایج در شکل 10 نشان داده شده است .

نتایج رگرسیون مدل‌های تعامل مبدأ متمرکز و مقصد متمرکز تا حد زیادی با نتایج مدل‌های خاص مبدا و مقصد یکسان بود، اما آنها در چند زمینه متفاوت بودند. این تفاوت ها به شرح زیر بود. (1) در چونگ کینگ و برخی از شهرهای استان هنان، مقادیر α برای کل جمعیت مبدا در مدل متمرکز بر مقصد بیشتر از دو مدل خاص بود. از آنجایی که استان هنان و مناطق جنوب غربی (جایی که چونگ کینگ در آن قرار دارد) مناطق اصلی خروج جمعیت هستند، این افزایش α مطابق با وضعیت واقعی بود. با این حال، برای برخی از شهرها در دلتای رودخانه یانگ تسه، مقادیر α برای کل جمعیت مبدا منفی بود. این نشان می دهد که این شهرها در حال اشباع شدن از مردم هستند. (2) مقادیر γ تخمینی برای VAPI_destination در استان‌های هنان و آنهویی منفی بود، که از مقادیر مثبت آنها در مدل‌های خاص متمایز بود. (3) مقادیر α تخمینی برای VASI_origin در برخی از شهرهای استان‌های آنهویی، هنان و هوبی مثبت بود، که از مقادیر منفی آنها در مدل‌های خاص متمایز بود. (4) مقادیر α تخمین زده شده برای میانگین دستمزد مبدأ در برخی از شهرهای استان شانشی منفی بود، متفاوت از مقادیر مثبت آنها در مدل‌های خاص. به طور مشابه، مقادیر γ تخمینی برای دستمزد متوسط مقصد در برخی از شهرهای دلتای رودخانه مروارید مثبت بود، که از مقادیر منفی آنها در مدل‌های خاص متمایز بود. این با وضعیت واقعی مطابقت دارد، زیرا افزایش درآمدی که در این شهرهای مقصد قابل دستیابی است، کارگران مهاجر بیشتری را جذب می کند. به ویژه برای تجمعات شهرهای بزرگ مانند دلتای رودخانه مروارید. (5) مقادیر α تخمینی برای سرمایه خارجی مبدأ در برخی از شهرهای استان آنهویی منفی بود، در حالی که مقادیر γ تخمینی برای سرمایه خارجی مقصد در برخی از شهرهای استان هنان منفی و در چونگ کینگ مثبت بود، که همه آنها در مخالف بودند. به مقادیر آنها در مدل های خاص علامت بزنید. بنابراین، با افزایش سرمایه گذاری خارجی در چونگ کینگ، جذابیت جمعیتی آن بهبود یافته است. (6) مقادیر α تخمینی برای IPIP_origin در برخی از شهرهای استان ژجیانگ و استان یوننان مثبت بود، متفاوت از مقادیر منفی آنها که در مدل‌های خاص دیده می‌شود. مقادیر γ تخمینی برای IPIP_destination در برخی از شهرهای استان جیانگ سو مثبت و در برخی از شهرهای استان آنهویی و هنان منفی بود.

مشاهده می شود که این تفاوت ها عمدتاً در هنان، آنهویی، هوبی و چونگ کینگ متمرکز بود. این امر به دلیل تغییرات بسیار زیاد در محیط های اجتماعی-اقتصادی در این مناطق بود. الگوی واقعی در این مناطق را نمی توان با رویکردهای وزن دهی محلی ساده تطبیق داد. روند کلی مقادیر پارامترها در نتایج مدل‌های متمرکز و خاص ثابت بود. با این حال، نتایج مدل‌های متمرکز تمایل به سازگاری منطقه‌ای داشتند، به عنوان مثال، پارامترهای برآورد شده برای شهرهایی که در نزدیکی منطقه دلتای رودخانه مروارید هستند مشابه روند کلی منطقه دلتای رودخانه مروارید بود. نتایج مدل‌های خاص نیز تمایل به گسسته بودن داشتند. به عنوان مثال، در برخی از شهرهای منفرد در مناطق جنوب غربی و شمال شرقی، مانند چونگ کینگ و شن یانگ، پارامترهای برآورد شده بسته به شهرها یا استان های اطراف متفاوت است. این به وضوح نشان داد که نتایج دو مدل خاص یک طرفه بودند اما نتایج دو مدل متمرکز از نظر منطقه ای سازگار بودند.

5.2.4. مقایسه مدل های تعامل فضایی

همانطور که در جدول 10 نشان داده شده است، SWIMها را با سایر مدل‌های تعامل فضایی مقایسه می‌کنیم . همه این مدل‌ها مجموعه داده‌های کار مجدد را به عنوان ورودی می‌گیرند و نتایج مناسب را به دست می‌آورند. همه نتایج آزمون فرضیه های آماری را برآورده می کند.

همانطور که در جدول 10 نشان داده شده است، SWIMهای مدل متمرکز مبدا و مدل متمرکز بر مقصد دارای بهترین برازش هستند، با بالاترین مقدار میانگین شبه R2 مک ^فادن . این تأیید می کند که SWIM ها به طور قابل توجهی بهتر از سایر مدل ها عمل می کنند، که نشان می دهد مدل تعاملی وزن دار با در نظر گرفتن ویژگی های محلی بهتر عمل می کند. نگاشت مقادیر شبه R2 مک فادن ^در شکل 11 نمونه ای از مدل های مبتنی بر مقصد است که نشان می دهد استفاده از این مدل ها با جزئیات بیشتر معقول است.

همانطور که در شکل 11 نشان داده شده است ، مقادیر شبه R ² به طور قابل توجهی در شهرها در مکان های مختلف متفاوت است، که نشان دهنده ناهمگونی فضایی در جریان جمعیت است. مقادیر شبه R2 در تراکم‌های شهری با شهرهای هسته‌ای سطح اول و دوم، به‌ویژه چهار تجمع شهر اصلی که دایره‌بندی شده‌اند، بالاتر بود ^.این نشان داد که شهرهایی در تراکم شهر یکسان دارای الگوهای مشابهی از جریان جمعیت هستند و تجمعات شهری با سطح توسعه بالاتر ظرفیت تشعشع قوی تری دارند (منطقه دایره شده در شکل 11 ب). ^{در نتیجه، توزیع} فضایی شبه R2مقادیر در نتایج این دو مدل سازگار است که منطقی بودن SWIMها را نیز تایید می کند.

علاوه بر این، همانطور که در روش بیان شد، مدل گرانش و روابط آن فرض می‌کند که جریان‌های بیشتری بین مکان‌های بزرگ‌تر و نزدیک‌تر نسبت به مکان‌های کوچک‌تر و دورتر، ceteris paribus رخ می‌دهد. یعنی شدت جریان جمعیت با افزایش فاصله بین دو مکان و با فاصله نسبتاً تند بازدارنده کاهش می یابد. به طور مشابه، با نگاشت مقدار پارامتر فاصله- فروپاشی β ، معقول بودن SWIM ها را می توان با جزئیات بیشتری با استفاده از مدل های مبدأ در شکل 12 به عنوان مثال نشان داد.

مقدار تخمین زده شده پارامتر جهانی فروپاشی فاصله 1.9758- است، همانطور که در جدول 10 نشان داده شده است، که نشان دهنده اثرات منفی فاصله بر جریان جمعیت است، که با فروپاشی فاصله مطابقت دارد. همانطور که در شکل 12 نشان داده شده است ، ضریب فاصله- فروپاشی β در این دو مدل دارای توزیع فضایی مشابه با ضریب منفی است. β در شهرهای شمالی، پس از آن شهرهای ساحلی جنوبی و ضعیف ترین در شهرهای مرکزی بود. قابل توجه، βفاصله برخی از شهرهای استان های هنان، آنهویی و هوبی (در میان شش استان در مرکز چین) در مدل های متمرکز بر مبدأ بزرگتر از مدل خاص مبدا (منطقه دایره ای در شکل 12 ب) بود، زیرا این موارد مناطق حائل دلتای رودخانه یانگ تسه و منطقه پکن-تیانجین-هبی با جمعیت زیاد و ترافیک شلوغ هستند. بنابراین جریان جمعیت در این مناطق نسبتاً بیشتر تحت تأثیر عوامل فاصله است. بنابراین، از یک طرف، با این واقعیت که همه βکه منطبق بر فاصله – فروپاشی منفی هستند، SWIMها منطقی هستند. از سوی دیگر، یافته‌های متمایز در مورد استان‌های هنان، آنهویی و هوبی بر اساس فاکتور فاصله با سایر عوامل ذکر شده در بالا مطابقت دارد. با کشف سازگاری، همچنین نشان داد که SWIMها معقول هستند.

به طور خلاصه، با مقایسه مناسب بودن مدل‌ها، SWIMها به طور قابل توجهی از سایر مدل‌های تعامل فضایی بهتر عمل می‌کنند. در عین حال، معقول بودن SWIM ها بر اساس توزیع های فضایی فاصله-فروپاشی و خوب بودن تناسب تأیید می شود.

6. بحث

6.1. تحلیل عدم قطعیت

اگرچه داده‌های بسیار دقیق مکانی-زمانی فوق، پشتیبانی جدیدی برای مطالعه توزیع جمعیت و جریان جمعیت ارائه کرد، شاخص شدت مهاجرت جمعیت بر اساس اطلاعات تحرک ثبت‌شده از پایانه‌های سیار مردم محاسبه شد. با این حال، از آنجایی که همه کاربران از برنامه های AMAP استفاده نمی کنند، انحراف داده ها، ناپیوستگی داده ها و از دست دادن داده ها اجتناب ناپذیر بود. علاوه بر این، الزامات حفظ حریم خصوصی مانع از ارزیابی دقیق هدف جریان جمعیت شد. بیشتر جریان کارگران مهاجر است، اما مقداری جریان دانشجویی و گردشگری وجود دارد. علاوه بر این، ما فقط از یک شاخص شدت برای جریان جمعیت استفاده کردیم تا جریان واقعی. همه این جنبه ها به معنای عدم قطعیت در داده ها است.

برای به دست آوردن الگوی جریان جمعیتی دقیق تر و تأیید نتایج، ابتدا مجموعه داده را با توجه به گره زمانی جشنواره بهار به چهار زیر مجموعه تقسیم کردیم. سپس، روندهای مکانی و زمانی تحرک جمعیت را تحلیل کردیم. نتایج کاوش الگو با یافته های قبلی در یانگ و همکاران مطابقت داشت. [ 13 ]. بنابراین، اگرچه ما از پلتفرم‌های مختلف برای جمع‌آوری داده‌ها و روش‌های مختلف SNA برای بررسی جریان جمعیتی یکسان در طول جشنواره بهار ۲۰۱۹ استفاده کردیم، نتایج ما با نتایج یانگ و همکاران مطابقت داشت. [ 13 ]. این نشان داد که نتایج ما معقول بود.

علاوه بر این، از آنجا که جریان جمعیت محدود شده و تحت تأثیر عوامل پیچیده بسیاری است، عوامل اجتماعی-اقتصادی منتخب عاری از مشکلات چند خطی تنها با کمک مدل‌های تعامل فضایی مورد بررسی قرار گرفتند. ما از یک خانواده از مدل‌های تعامل فضایی برای تعیین کمیت اثر عوامل اجتماعی-اقتصادی بر جریان جمعیت استفاده کردیم. برخی از نتایج اجماع به دست آمد، و اینها موافق بودند. اگرچه نتایج متفاوت عملکرد بهبود یافته هر مدل را توضیح می‌دهد، اما عدم قطعیت نتایج، به دلیل محدودیت‌های داده‌ها، نادیده گرفته نشد.

برای در نظر گرفتن بهتر اثر شهرهای اطراف در مدل‌های تعامل فضایی، ما یک SWIM را اعمال کردیم که رویکرد وزن‌دهی محلی مورد استفاده در مدل GWR را به یک مدل تعامل فضایی وارد می‌کرد. هر دو مزایا و ضعف مدل‌های رگرسیون وزن‌دار فضایی با این رویکرد به ارث رسیده‌اند. مزایا این بود که نتایج SWIM از نظر منطقه ای سازگارتر از نتایج یک طرفه مدل های خاص بود، که تأیید می کرد که SWIM بهتر ویژگی های محلی فرآیندهای تعاملی را در نظر می گیرد. با این حال، تفاوت‌هایی بین نتایج رگرسیون SWIM و مدل‌های خاص برای مناطق هنان، آنهویی، هوبی و چونگ کینگ وجود داشت. از آنجایی که این مناطق در مقیاس بزرگ متمرکز بر جمعیت و مناطق خروجی هستند، الگوهای جریان جمعیتی آن‌ها پیچیده و چند الگو هستند. بدین ترتیب، الگوهای واقعی آنها به سختی با رویکردهای وزن دهی محلی ساده سازگار است. در واقع، مدل‌های رگرسیون وزن‌دار فضایی تنها برای مناطقی با الگوهای مشابه جریان جمعیت تطبیق داده شدند. پهنای باند پارامتر مهمی است که محدوده ای را که یک شهر تحت تاثیر آن قرار می گیرد تعیین می کند. نتایج پهنای باند بهینه باید این باشد که هر چه تراکم شهری بزرگتر باشد (B و C درشکل 13 )، پهنای باند بیشتر و اثرات آن بیشتر است. با این حال، در مناطق شمال شرقی (A در شکل 13 )، به دلیل جمعیت کم، منطقه وسیع و سطح پایین نمونه‌گیری، خطای رگرسیون بزرگ و با پهنای باند زیاد بود. بنابراین، هنگام ترکیب رویکرد وزن دهی محلی مدل GWR در یک SWIM، این مشکلات فراگیر باید مورد توجه قرار گیرند. ما بر این باوریم که این مشکلات در کارهای آینده نیز برطرف خواهد شد.

6.2. مقایسه با تحقیقات مرتبط

سال‌های اخیر شاهد ظهور مجموعه‌ای از مقالات بوده‌ایم که سعی در تحلیل جامع الگوهای مکانی-زمانی و عوامل مؤثر بر تحرک جمعیت داشتند. در مقایسه با این مطالعات مرتبط، این مطالعه دارای دو نوآوری است. اول، ما از داده‌های جریان جمعیت استفاده کردیم که از نظر مکانی-زمانی بسیار دقیق‌تر هستند. دوم، ما از روش‌های پیشرفته SNA و مدل‌های تعامل فضایی برای تجزیه و تحلیل الگوهای مکانی-زمانی و تعیین کمیت اثر آنها استفاده کردیم. به طور خاص، SWIM در در نظر گرفتن ویژگی های محلی یک فرآیند تعاملی بهتر است و برای اولین بار برای مطالعه جریان جمعیت در مقیاس بزرگ اجرا شد. در مقایسه با سایر مدل‌های تعامل فضایی، نتایج SWIM دقیق‌تر و معنادارتر است.

7. نتیجه گیری

در مطالعات قبلی، کاستی‌های داده‌های با جزئیات مکانی و زمانی کم و در نظر گرفتن ناکافی تفاوت‌های تعاملی در مدل‌های تحلیل فضایی سنتی، مطالعه دقیق را محدود می‌کرد. در پاسخ به این مشکلات، بر اساس مجموعه داده جریان جمعیت جمع‌آوری‌شده از نقشه مهاجرت AMAP، ما از ترکیبی از روش‌های SNA و مدل‌های تعامل فضایی برای بررسی الگوهای مکانی-زمانی جریان جمعیت و عوامل تعیین‌کننده آن‌ها در طول جشنواره بهار در چین استفاده کردیم. اول، روش های SNA نشان داد که یک سلسله مراتب و یک ساختار جامعه در الگوی مکانی-زمانی جریان روزانه جمعیت وجود دارد. ساختار سلسله مراتبی نشان داد که سطح توسعه یک شهر با شدت جریان جمعیت آن سازگار است و سطوح مختلف شبکه جریان جمعیت با سطوح مختلف توسعه شهرها همبستگی دارد. بنابراین، سطح شبکه سراسری از شهرهای اصلی (پکن، شانگهای، گوانگژو، چنگدو، و چونگ کینگ) از چهار تجمع شهر بزرگ تشکیل شده است، در حالی که سطح شبکه منطقه ای از شهرهای سطح دوم (به عنوان مثال، شیان، کونمینگ و گوئیانگ). ساختار جامعه همبستگی های آشکاری را بین تراکم های شهر و جریان جمعیت در چین نشان داد، با چهار تجمع شهر اصلی در چین که موقعیت های اصلی را در این تجمعات اشغال کردند. اکثر تجمعات متقابل منطقه ای بودند و جریان جمعیت در همان جامعه نسبتاً مشابه بود. علاوه بر این،

سپس، با استفاده از یک خانواده از مدل‌های تعامل فضایی برای آشکار کردن اثرات عوامل اجتماعی-اقتصادی بر جریان جمعیت مجدد کار، نتایج منسجم به دست آمد. نتایج این مدل‌ها نشان داد که الگوی جریان جمعیت با اثر فاصله – فروپاشی مطابقت دارد که ارتباط نزدیکی با توسعه ترافیک منطقه‌ای دارد. بنابراین جمعیت به‌عنوان عامل تعیین‌کننده شدت جریان جمعیت، عمدتاً به سمت تراکم‌های شهری سطح اول و دوم سرازیر شد و کاهش جمعیت در برخی از شهرهای جنوب غربی، شمال شرقی و شمال چین رخ داد. روند کلی صنعت اولیه ارزش افزوده نشان داد که اکثر کارگران مهاجر در صنایع اولیه به کار گرفته شده اند. علاوه بر این، کارگران صنایع اولیه عمدتاً از شهرهای جنوب غربی و شمال غربی چین به مناطق ساحلی سرازیر شدند. علاوه بر این، اگرچه این شهرها از کارگران صنایع اولیه اشباع شده بودند، همچنان تقاضا برای کارگران صنایع ثانویه وجود داشت. به عنوان مثال، در جنوب غربی چین، صنعت ثانویه به تدریج در حال افزایش بود و کارگران بیشتری را جذب می کرد. روند درآمد و سرمایه خارجی با تئوری نئوکلاسیک مطابقت داشت، با افزایش درآمد و سرمایه خارجی، جذابیت جنوب غربی و شمال شرقی چین را افزایش داد. همچنین روند کلی بیمه بازنشستگی نشان داد که با ارتقای نظام تامین اجتماعی می توان جذابیت را ارتقا بخشید. روند درآمد و سرمایه خارجی با تئوری نئوکلاسیک مطابقت داشت، با افزایش درآمد و سرمایه خارجی، جذابیت جنوب غربی و شمال شرقی چین را افزایش داد. همچنین روند کلی بیمه بازنشستگی نشان داد که با ارتقای نظام تامین اجتماعی می توان جذابیت را ارتقا بخشید. روند درآمد و سرمایه خارجی با تئوری نئوکلاسیک مطابقت داشت، با افزایش درآمد و سرمایه خارجی، جذابیت جنوب غربی و شمال شرقی چین را افزایش داد. همچنین روند کلی بیمه بازنشستگی نشان داد که با ارتقای نظام تامین اجتماعی می توان جذابیت را ارتقا بخشید.

در نهایت، این نتایج نشان داد که مشکلات آشکاری در چین وجود دارد، مانند توسعه نامتوازن منطقه‌ای، کاهش جمعیت و تخصیص غیرمنطقی صنعتی در برخی مناطق که منجر به تفاوت در شرایط توسعه منطقه‌ای شده است. بنابراین، یافته‌ها و نتیجه‌گیری‌های ما ممکن است به سیاست‌گذاران برای کنترل کاهش جمعیت، تخصیص منطقی ساختار صنعتی، و توازن توسعه کمک کند و همچنین باعث پیشرفت در مطالعات در مورد جریان جمعیت شود. علاوه بر این، این مدل‌های تعاملی وزن‌دار فضایی مورد استفاده در این مطالعه را می‌توان برای سایر مسائل مربوط به تحرک جمعیت در مقیاس بزرگ یا سایر مسائل تعامل فضایی، مانند روز شکرگزاری در ایالات متحده، به کار برد. با این حال، این مدل‌های تعاملی وزن‌دار فضایی از برخی مشکلات فراگیر رنج می‌برند.

منابع

وانگ، اف. فن، دبلیو. لین، ایکس. لیو، جی. بله، X. آیا تحرک جمعیت به همگرایی شهرنشینی کمک می کند؟ شواهد تجربی از سه تجمع بزرگ شهری در چین. پایداری 2020 ، 12 ، 458. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
یان، X.-Y.; وانگ، W.-X. گائو، Z.-Y. لای، Y.-C. مدل جهانی تحرک فردی و جمعیتی در مقیاس‌های مختلف فضایی. نات اشتراک. 2017 ، 8 ، 1-9. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
سوریانو پانیوس، دی. آریاس کاسترو، جی اچ. رینا لارا، ا. مارتینز، HJ; ملونی، س. گومز-گاردنز، جی. اپیدمی‌های ناقل ناشی از تحرک انسان. فیزیک Rev. Res. 2020 ، 2 ، 013312. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
دیویل، پی. آهنگ، سی. عقاب، ن. بلوندل، وی دی. بارباسی، ع.-ال. وانگ، دی. مقیاس هویت، تحرک انسان و تعاملات اجتماعی را به هم متصل می کند. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2016 ، 113 ، 7047–7052. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
د هاس، اچ. مهاجرت و توسعه: دیدگاه نظری. بین المللی مهاجرت Rev. 2010 , 44 , 227-264. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
ریس، پی. بل، م. کوپیشفسکی، م. Kupiszewska، D. اوفینگ، پی. برنارد، ا. چارلز-ادواردز، ای. استیلول، جی. تأثیر مهاجرت داخلی بر توزیع مجدد جمعیت: مقایسه بین المللی. مردمی Space Place 2017 , 23 , e2036. [ Google Scholar ] [ CrossRef ]
وانگ، ی. دنگ، ی. رن، اف. زو، آر. وانگ، پی. دو، تی. Du, Q. تجزیه و تحلیل پیکربندی فضایی شبکه های اتوبوس شهری بر اساس روش تحلیل شبکه جغرافیایی. Cities 2020 , 96 , 102406. [ Google Scholar ] [ CrossRef ]
زو، آر. لین، دی. وانگ، ی. جندرایک، ام. شین، آر. یانگ، جی. گوا، جی. منگ، ال. احساس اجتماعی عدم تعادل توسعه شهری و منطقه ای در چین از طریق شبکه مهاجرت جمعیت در اطراف جشنواره بهار. Sustainability 2020 , 12 , 3457. [ Google Scholar ] [ CrossRef ][ Green Version ]
فوربس. سال نو چینی: بزرگترین مهاجرت انسان در جهان در شرف آغاز است . مک کارتی، ن.، اد. فوربس: جرسی سیتی، نیوجرسی، ایالات متحده آمریکا، 2018. [ Google Scholar ]
Bogue, DJ مهاجرت داخلی. در مطالعه جمعیت ; Hauser، PM، Duncan، OD، Eds. انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 1959. [ Google Scholar ]
فن، مهاجرت بین استانی مدل سازی سی سی در چین، 1985-2000. جئوگر اوراسیا اقتصاد 2005 ، 46 ، 165-184. [ Google Scholar ] [ CrossRef ]
لیو، ی. شن، جی. مدل سازی مهاجرت های بین منطقه ای ماهر و کم مهارت در چین، 2000-2005. مردمی Space Place 2017 , 23 , e2027. [ Google Scholar ] [ CrossRef ]
یانگ، ز. گائو، دبلیو. ژائو، ایکس. هائو، سی. Xie، X. الگوهای فضایی-زمانی تحرک جمعیت و عوامل تعیین کننده آن در شهرهای چین بر اساس داده های بزرگ سفر. پایداری 2020 ، 12 ، 4012. [ Google Scholar ] [ CrossRef ]
کوی، سی. وو، ایکس. لیو، ال. ژانگ، دبلیو. پویایی مکانی-زمانی تحرک روزانه بین شهری در دلتای رودخانه یانگ تسه: تحلیلی با استفاده از داده های بزرگ. Habitat Int. 2020 ، 102174. [ Google Scholar ] [ CrossRef ]
شانگ، جی. لی، پی. لی، ال. Chen, Y. رابطه بین رشد جمعیت و تخصیص سرمایه در شهرنشینی. تکنولوژی پیش بینی. Soc. چانگ. 2018 ، 135 ، 249-256. [ Google Scholar ] [ CrossRef ]
لای، جی بی. ویژگی‌های ساختاری شبکه شهری Pan، JH چین بر اساس جریان جمعیت در طول عجله سفر جشنواره بهاری: تحلیل تجربی داده‌های بزرگ «مهاجرت Tencent». ج. طرح شهری. توسعه دهنده 2020 , 146 . [ Google Scholar ] [ CrossRef ]
پان، جی. لای، جی. الگوی فضایی تحرک جمعیت در میان شهرهای چین: مطالعه موردی روز ملی به علاوه جشنواره نیمه پاییز بر اساس داده‌های مهاجرت Tencent. شهرها 2019 ، 94 ، 55–69. [ Google Scholar ] [ CrossRef ]
خو، جی. لی، AY; لی، دی. لیو، ی. Du، YY; پی، تی. ما، تی. ژو، CH تفاوت توسعه شهری در چین از دیدگاه حمل و نقل مسافر در اطراف جشنواره بهار. Appl. Geogr. 2017 ، 87 ، 85-96. [ Google Scholar ] [ CrossRef ]
لانچیچینتی، آ. Fortunato، S. الگوریتم های تشخیص جامعه: یک تحلیل مقایسه ای. فیزیک Rev. E 2009 , 80 , 11. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Lewer، JJ; ون دن برگ، اچ. مدل گرانشی مهاجرت. اقتصاد Lett. 2008 ، 99 ، 164-167. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چن، آر. وانگ، NN; ژائو، ی. ژو، تحلیل شبکه مجتمع YG جمعیت سیار بین استانی بر اساس مدل گرانش بهبودیافته. مردم چین منبع. محیط زیست 2014 ، 1 . [ Google Scholar ]
ژانگ، XN; وانگ، WW; هریس، آر. Leckie, G. تجزیه و تحلیل جریان های مهاجرت شهری بین استانی در چین: رویکرد مدل گرانش چند سطحی جدید. مهاجرت گل میخ. 2018 ، 8 ، 19-42. [ Google Scholar ] [ CrossRef ]
کردی، م. Fotheringham، AS مدل‌های تعامل وزن‌دار فضایی (SWIM). ان صبح. دانشیار Geogr. 2016 ، 106 ، 990-1012. [ Google Scholar ] [ CrossRef ]
Fotheringham، AS; مدل‌های تعامل فضایی O’Kelly، ME : فرمول‌بندی‌ها و کاربردها . ناشران آکادمیک Kluwer: دوردرخت، هلند، 1989. [ Google Scholar ]
Fotheringham، AS; براندون، سی. چارلتون، ام. رگرسیون وزن‌دار جغرافیایی: تحلیل روابط متغیر فضایی . جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2003. [ Google Scholar ]
براندون، سی. Fotheringham، AS; چارلتون، ME رگرسیون وزن‌دار جغرافیایی: روشی برای کاوش غیرایستایی فضایی. Geogr. مقعدی 1996 ، 28 ، 281-298. [ Google Scholar ] [ CrossRef ]
زو، ایکس. وو، ی. چن، ال. Jing، N. جستجوی کلیدواژه فضایی منطقه مورد علاقه بر اساس نمایش توزیع شده نقطه مورد علاقه. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 287. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
کیان، سی. یی، سی. چنگ، سی. پو، جی. وی، ایکس. ژانگ، H. شاخص فضایی-زمانی مبتنی بر GeoSOT داده های مسیر عظیم. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 284. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
جینگهو، پی. Jianbo، L. تحقیق در مورد الگوی فضایی تحرک جمعیت در میان شهرها: مطالعه موردی داده های بزرگ “مهاجرت Tencent” در تعطیلات “روز ملی-جشنواره اواسط پاییز”. Geogr. Res. 2019 ، 38 ، 1678–1693. [ Google Scholar ]
لیو، دبلیو. هو، کیو. زی، ز. مای، X. شبکه شهری و مناطق در چین: تحلیلی از مهاجرت روزانه با مدل شبکه های پیچیده. پایداری 2020 ، 12 ، 3208. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
شن، جی. لیو، ی. مهاجرت بین منطقه ای ماهر و کم مهارت در چین: تحلیل مقایسه ای الگوهای فضایی و تصمیم به مهاجرت در سال های 2000-2005. Habitat Int. 2016 ، 57 ، 1-10. [ Google Scholar ] [ CrossRef ]
کائو، ز. ژنگ، ایکس. لیو، ی. لی، ی. چن، ی. بررسی الگوهای تغییر مهاجرت چین و عوامل تعیین‌کننده آن با استفاده از داده‌های سرشماری سال‌های 2000 و 2010. Habitat Int. 2018 ، 82 ، 72-82. [ Google Scholar ] [ CrossRef ]
وانگ، ی. دونگ، ال. لیو، ی. هوانگ، ز. Liu, Y. الگوهای مهاجرت در چین استخراج شده از داده های موقعیت یابی تلفن همراه. Habitat Int. 2010 ، 86 ، 71-80. [ Google Scholar ] [ CrossRef ]
لیو، تی. چی، ی. کائو، جی. جمعیت شناور چین در قرن بیست و یکم: چشم انداز ناهموار، عوامل تأثیرگذار و تأثیرات بر شهرنشینی. Acta Geogr. گناه 2015 ، 70 ، 567-581. [ Google Scholar ] [ CrossRef ]
ژانگ، KH; Song, S. مهاجرت روستایی-شهری و شهرنشینی در چین: شواهدی از سری زمانی و تجزیه و تحلیل مقطعی. اقتصاد چین Rev. 2003 , 14 , 386-400. [ Google Scholar ] [ CrossRef ]
نوردستروم، ک. اکبرگ، ک. همینگسون، تی. جوهانسون، جی. مرخصی استعلاجی و تأثیر جابجایی شغل به شغل بر احتمال باقی ماندن در بازار کار – مطالعه ثبت طولی سوئدی. BMC Public Health 2014 , 14 , 11. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
لیو، ی. شن، جی. شغل یا امکانات؟ انتخاب مکان مهاجران ماهر بین استانی در چین، 2000-2005. مردمی Space Place 2014 , 20 , 592–605. [ Google Scholar ] [ CrossRef ]
بی لی، ی. منگ-ژیان، دبلیو. Fang-Du، Z. تاثیر ادغام اجتماعی جمعیت شناور به حمایت خانواده والدینشان: بر اساس تحقیقات تجربی هفت شهر در سال 2013. شمال غربی Popul. J. 2017 . [ Google Scholar ]
لنگویل، AN; Meyer, CD بررسی روشهای بردار ویژه برای بازیابی اطلاعات وب. SIAM Rev. 2005 ، 47 ، 135-161. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پیج، ال. برین، اس. متوانی، ر. Winograd, T. رتبه بندی استنادی صفحه رتبه: آوردن نظم به وب ; InfoLab: استنفورد، کالیفرنیا، ایالات متحده آمریکا، 1999. [ Google Scholar ]
پارس، اف. Gasulla، DG; ویلالتا، ا. مورنو، جی. آیگواده، ای. لابارتا، جی. کورتس، U. Suzumura، T. جوامع سیال: یک الگوریتم تشخیص جامعه رقابتی، مقیاس پذیر و متنوع. در کنفرانس بین المللی شبکه های پیچیده و کاربردهای آنها ; Springer: برلین/هایدلبرگ، آلمان، 2017; صص 229-240. [ Google Scholar ]
بیکل، پی جی؛ چن، الف. نمای ناپارامتری مدل‌های شبکه و نیومن-گیروان و سایر مدولارها. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2009 ، 106 ، 21068–21073. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کلاوزت، ا. نیومن، من؛ مور، سی. یافتن ساختار جامعه در شبکه های بسیار بزرگ. فیزیک Rev. E 2004 , 70 , 066111. [ Google Scholar ] [ CrossRef ][ Green Version ]
اندرسون، AE; باتن، DF; یوهانسون، بی. Nijkamp, P. پیشرفت در نظریه و دینامیک فضایی . هلند شمالی: آمستردام، هلند، 1989. [ Google Scholar ]
باتن، DF; مدل‌های تعامل فضایی، حمل‌ونقل و جریان کالا بین منطقه‌ای Boyce، DE. در کتاب اقتصاد منطقه ای و شهری ; الزویر: آمستردام، هلند، 1987; صص 357-406. [ Google Scholar ]
سن، ا. Sööt, S. روشهای انتخاب شده برای کالیبراسیون مدل گرانش تعمیم یافته. در مقالات انجمن علمی منطقه ای ; Springer: برلین/هایدلبرگ، آلمان، 1981; صص 165-176. [ Google Scholar ]
روی، جی آر. تیل، جی.-سی. مدل سازی تعامل فضایی ثبت اوراق علمی 2003 ، 83 ، 339-361. [ Google Scholar ] [ CrossRef ]
Hurvich، CM; Simonoff، JS; Tsai، CL انتخاب پارامتر هموارسازی در رگرسیون ناپارامتریک با استفاده از معیار اطلاعات بهبودیافته آکایک. JR Stat. Soc. سر. B (Stat. Methodol.) 1998 ، 60 ، 271-293. [ Google Scholar ] [ CrossRef ]
ناکایا، تی. Fotheringham، AS; براندون، سی. چارلتون، ام. رگرسیون پواسون دارای وزن جغرافیایی برای نقشه برداری ارتباط بیماری. آمار پزشکی 2005 ، 24 ، 2695-2717. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]

شکل 1. توزیع فضایی منطقه مورد مطالعه (352 شهر در مجموع).

شکل 2. فلوچارت این مطالعه (بازگشت به معنای بازگشت به زادگاه؛ کار مجدد به معنای بازگشت کار؛ CNM به معنای الگوریتم Clauset-Newman-Moore؛ GWPR به معنای مدل رگرسیون پواسون وزن‌دار جغرافیایی؛ SWIM به معنای مدل‌های تعاملی وزن‌دار فضایی است).