分享
Scan me 分享到微信

中国人口流动数据挖掘分析云平台

位和云平台部署的中国城市间人口流动数据挖掘分析云服务,集成了从2015年至今每日更新的全国地级市之间人口流动OD数据,区分三种不同的交通方式:公路、铁路和航空。

  人口流动是人口在地区之间所作的各种各样短期的、重复的或周期性的运动。一方面,流动人口的增加有益于提高城市的经济效益、文化效益和社会效益。另一方面,大量人口的涌入也会对城市带来环境、住房、交通、教育和卫生设施等方面的负担。

  城市间人口流动分析既可以用于研究城镇体系联系、识别城市群,也可以反映城市职能及城市的吸引力,用于商业中研判城市的市场开拓和投资前景,哪些地区更有发展潜力,哪些城市在增长,哪些城市在收缩。针对个人投资和发展也能提供建设性意见。

  然而人口流动数据的获取十分不易。通常大家使用统计局的数据来做人口分析,但是统计局的数据,滞后性比较严重、有坑、而且汇总的数据形式体现不出城市和地区之间的关联关系。

  位和云平台部署的中国城市间人口流动数据挖掘分析云服务,集成了从2015年至今每日更新的全国地级市之间人口流动OD数据,区分三种不同的交通方式:公路、铁路和航空。通过每日更新的人口流动数据,可以监测每年、每季度和每月的人口流动变化,及时调整战略。

  用户可以在云端方便地聚合任意空间范围和任意时段的人口流动数据。支持多时段对比、城市对比、城市群对比、湾区对比,便于研究人口流动结构的时空变化和城市/区域之间的差异分析。

  平台汇总和计算了多项指标,如总人口、人口增量、自然增长率、流入人口、流出人口、净流入(流入-流出)、净流出(流出-流入)、流入增量、流出增量、净流入增量、净流出增量等,用于不同人口专题的分析。

  数据无缝集成到位和云平台的数据挖掘系列工具中,通过机器学习和交互可视化,深入分析人流数据和各项统计指标,研究人流联系强度、人流时空变化、城市辐射影响、城市人口供给等。分析成果一键发布和分享。

  平台根据各种统计模型计算人流的期望值,如Modularity,Likelihood Ratio, Edge Ratio,Even Size等,并基于复杂网络计算、优化计算和各种流模型,探索由人流数据构成的空间交互网络的组团结构和层次结构。

  突破常规流图可视化的局限,基于位和空间交互扫描统计算法,跳出给定单元的限制,自动寻找人流空间交互的最优尺度,挖掘多尺度和跨尺度的人口流动模式,并提供规范的统计检验。

  区域人流聚合和区域人流对比

  平台支持聚合某个区域内的城市间人流,譬如全国范围内、省内、城市群内、湾区内、自定义区域边界内。

  平台支持的城市群包括:长三角、珠三角、京津冀、成渝、长江中游、哈长、中原、北部湾、关中平原、呼包鄂榆和兰西。

  平台支持的湾区包括:粤港澳湾区、环长江口湾区、环渤海湾湾区、海西湾区、北部湾湾区。

  用户可以选定一个或多个区域聚合数据。下图中的例子选择了2018年四个城市群的日均人流做对比。

泰伯网泰伯网泰伯网

  切换到数据表,对人流量进行排序,这几个城市群中联系最紧密的几对城市依次是广州-佛山、深圳-东莞、上海-苏州、北京-廊坊。

泰伯网

  城市对比

  另一种数据聚合的形式是从某个主体城市到某个区域之间的人流聚合,譬如武汉到全国其它城市之间的人流,武汉到湖北省其它城市之间的人流等。主体城市可以是一个或多个。下图所示选择了武汉和成都两个主体城市进行对比。

泰伯网泰伯网泰伯网

  不同时段的人流对比

  除区域对比和城市对比外,平台还支持不同时段的人流对比。下图所示为环长江口湾区2016年-2017年-2018年日均人流对比。

泰伯网

  从2016年至2017年,联系增强;但从2017年至2018年,联系减弱。湾区南部的变化尤其明显。在中国其它地区也有2018年人口流减弱的现象,我们判断,这和2018年经济下行有关。

泰伯网泰伯网

  挖掘人口流动的空间结构

  平台基于复杂网络计算、优化计算和各种流模型,探索由人流OD数据构成的空间交互网络的组团结构和层次结构。下图所示为粤港澳大湾区2018年日均人流联系(左上)和几个不同层次的组团结构(右上、左下、右下)。组团内联系紧密。

泰伯网泰伯网

  挖掘统计显著的人口流动模式

  基于常规的流图可视化方法,无论是日均人流(左图),还是春节前迁徙人流(右图),表现出来的形式都是经典的“钻石”结构,很难看出差异。

泰伯网

  然而春节前的迁徙模式和日常的人口流动模式必然是不同的。

  针对人流量进行分类的可视化,只适用于展示大流量OD线之间的联系,却丢失了诸多小流量OD线之间的信息。大流量联系通常发生在人口多的城市之间。“钻石”结构体现出来的信息,几乎是人人皆知的常识。我们需要新的方法来更深入地挖掘人口流动模式。

  位和空间交互扫描统计,能够跳出给定单元的限制(在这里给定的单元是城市),自动寻找空间交互的最优尺度,计算出跨尺度的统计显著的人口流动模式。

  注:流的统计显著性 ( https://0x9.me/Bzu4q)和流量是两个不同的概念。

  对比下图中的2018年日均迁徙模式(上)和春节前十天迁徙模式(下),可以看出明显的差异。

泰伯网

  2018年统计显著的日均迁徙模式

泰伯网

  2018年统计显著的春节前十天迁徙模式

泰伯网

  汇总流入流出到空间单元

  在聚合人流OD的时候,平台同时也把流入和流出汇总到了空间单元,可以和OD叠加显示。汇总字段包括总流入、总流出、净流入(流入-流出)、净流出(流出-流入)、流入增量、流出增量、净流入增量、净流出增量;区分三种不同交通方式。

  下图所示为2018年上半年(左)和下半年(右)武汉到全国其他城市的人流,能看出明显的联系减弱的趋势。与OD线相比,把人流汇总到空间单元更适于表达城市的辐射影响范围。

泰伯网泰伯网泰伯网

  城市人口供给分析也适宜用汇总到空间单元的人流数据来表达。聚合2016年、2017年、2018年春节前十天从北上广深到全国其他城市的人流,汇总到空间单元。

泰伯网

  我们认为春节前从北上广深流入到每个城市的人群即为外出去北上广深打工的人群。这几年来,去一线城市打工的人增加还是减少了呢?

  下图从左到右为2016年,2017年,2018年。

  单纯从OD线上来看,差异并不明显。

泰伯网

  对汇总到空间单元的北上广深流出人口做分类,可以看出,每年春节前从北上广深返乡的人越来越少,北京减弱的程度最高。说明越来越少的人外出到北上广深打工。

泰伯网泰伯网

  近几年来,中国春节前的迁徙总量在持续减少中。一方面国家要求严控特大城市人口规模,北上广都出台了相应的政策限制外来人口。另一方面,大城市的企业人工成本高、打工者的生活成本高,两方面都在抑制流动。房贷压力和高房租也抑制了消费和旅游。

  下图所示为2016年、2017年、2018年春节前十天全国日均迁徙总量和从北上广深流出的日均迁徙总量的走势图。

泰伯网

  对其他城市的流入人口做分类,可以看出,流入人口较多的城市(红黄色)逐渐减少,流入人口比较少的城市(蓝白色)逐渐增多。

泰伯网泰伯网

  汇总和计算统计指标

  平台提供汇总统计局发布的上年度总人口和自然增长率的选项,并根据统计数据计算自然增长人口、净迁入人口、人口增量和净迁入人口增量。

  下图所示为根据国家统计数据计算出的2014年-2015年-2016年广东省净流入人口变化。广东省的流入人口向广深核心区聚集。2016年净流入人口前三甲依次为:深圳、佛山、广州。深圳远超广佛。其他净流入人口大于0的城市还有:湛江、汕头、东莞、惠州、珠海、中山、清远。远离广深的城市,人口迁出日益增多(蓝色)。

泰伯网

  叠加2015-2016-2017年广东省春节前人流OD。红色是流出,蓝色是流入。红色集中的地区是迁出最为广泛的地区。

泰伯网泰伯网

  不同交通方式的人流

  平台的各项数据指标都区分三种不同的交通方式。下图从左到右为2015年,2016年,2017年,从上到下依次为公路、铁路和航空人流的变化。

泰伯网泰伯网

  如何访问位和人口流动挖掘分析云服务

  登录位和云平台(www.wayhe.com),访问“数据”页面,然后切换到“人口流动数据”。

泰伯网

  提交人流数据聚合的请求后,平台提示需要支付的费用。价格根据所请求的数据量来计算。点击“确定”,开始聚合数据,计算完成后从账户中扣费。之后即可在平台上对数据进行挖掘分析。

  平台支持微信和支付宝充值,也可以联系我们,通过合同的方式,从后台充值。如果对数据的需求量不大,在线支付比较方便。如需反复聚合不同时段相同地区的数据,请联系我们采购权限。权限分为城市、省、全国三个级别。

  注:

  人流OD的单位为出行热度。

  充值请访问“账户”页面。

  位和人口流动数据挖掘分析云平台极大程度地降低了数据获取、数据处理和数据挖掘分析的成本和门槛,赋能用户,更加快速便捷和智能。在后续的更新中,平台会提供更多形式的数据聚合,汇总更多相关指标,集成更多计算和可视化呈现。小伙伴们在使用的过程中如果有任何问题或定制化需求,请随时联系我们:info@wayhe.com
 

  位和GeoAI云平台

  www.wayhe.com

  让数据获取变得容易,让数据挖掘变得简单

参与评论

【登录后才能评论哦!点击

  • {{item.username}}

    {{item.content}}

    {{item.created_at}}
    {{item.support}}
    回复{{item.replynum}}
    {{child.username}} 回复 {{child.to_username}}:{{child.content}}

更多精选文章推荐