中国省际人口迁移空间特征与影响因素分析

李诗韵， 梅志雄， 张锐豪， 赵书芳

(华南师范大学地理科学学院， 广州 510631)

中国省际人口迁移空间特征与影响因素分析

李诗韵， 梅志雄*， 张锐豪， 赵书芳

(华南师范大学地理科学学院， 广州 510631)

采用全国第六次人口普查的省际人口迁移及相关社会经济等数据，首先分析省际迁移人口的空间分布特征，然后利用全局Moran’sI指数考察了省际人口迁移流中的网络自相关性，再构建基于网络自相关的特征向量空间过滤模型对省际人口迁移的动力机制进行分析，并与引力模型的回归结果进行对比验证，揭示网络自相关影响下省际人口迁移的动力机制. 结果表明：(1)省际迁入及净迁入人口主要集中在我国三大经济圈，省际迁出人口主要分布于我国中南部；省际总迁移人口积聚于三大经济圈及中南部地区. (2)省际人口迁入、迁出流存在网络自相关，对人口迁移动力建模时应考虑网络自相关因素. 文中加入了网络自相关因素后的特征向量空间过滤模型的拟合水平整体优于引力模型，较成功地揭示了人口迁移流中的网络自相关效应，减少了对其他变量的有偏估计. (3)非网络自相关变量中，人口总量、经济及距离因素对人口迁移活动的影响较大.

人口迁移流； 网络自相关； 特征向量空间过滤模型

对人口迁移进行建模，有助于定量分析区域人口迁移的特征、规律及形成机制，为区域制定人口政策、户籍制度和经济发展规划等提供重要参考依据.

人口迁移建模属于空间相互作用研究的一种，ZIPF[1]以两地的人口总量与两地间距离作为两地间人口迁移的动力，首次建立了人口迁移的引力模型，而后此模型被广泛应用于区域贸易流、交通流和旅游流等其他空间相互作用流的研究. 20世纪70年代开始，研究发现空间依赖性和距离效应在引力模型中被混为一谈，如：对引力模型采用距离要素来捕捉人口迁移活动中的空间自相关提出质疑，并发现引力模型中的距离因子并不能解释人口迁移流中的空间依赖性[2]；在分析交通流、贸易流及人口迁移流时，均证明引力模型中使用距离要素解释空间相互作用中流与流之间空间自相关性是不科学的[3-5]； 将流与流之间相互作用产生的空间依赖性定义为网络自相关，并证明了其不可忽略性[6]. 此后，开始探索使用不同方法解释空间相互作用流之间的网络自相关，如：改进引力模型，提出考虑网络自相关的因变量空间滞后形式的空间OD(Origin-Destination)模型，并用于美国人口迁移流之间的空间依赖性研究[7]；采用空间OD模型，在我国省际人口迁移动力机制建模中综合考虑了多种形式的网络自相关效应[8]；在文献[8]的研究基础上，分别以不同形式的网络自相关建模，分析其对我国省际人口迁移的影响[9]. 近年来，基于特征向量空间过滤法的空间过滤模型为解释空间相互作用流之间的网络自相关提供了新方法，如：在研究就业流时，扩展LeSage的空间OD模型为包含空间过滤定义的特征向量空间过滤模型，重温了空间结构和空间相互作用问题[10]；使用特征向量空间过滤模型处理迁移流、贸易流等空间相互作用流中因网络自相关存在而影响建模的问题，取得了比传统空间相互作用模型更优的拟合水平，证明特征向量空间过滤能成功解释空间相互作用流中的网络自相关[11-14].

目前，国内对人口迁移动力的建模研究，通常采用忽略人口迁移流中空间依赖性的引力模型法[15-18]，或采用因变量空间滞后形式的空间OD模型法[8-9]，较少采用特征向量空间过滤模型. 特征向量空间过滤模型不仅考虑了引力模型所忽略的人口迁移流中的网络自相关，且其将人口迁移分为空间影响和非空间影响两部分，对有空间效应部分进行提取转换再进入模型，从而模型估计更方便和容易实现[12]. 为此，本文以中国31个省、自治区和直辖市(统称为省域，港澳台除外)的2005—2010年省际人口迁移为例，首先分析省际迁移人口的总体空间分布特征，考察各省域人口迁入、迁出流中的空间依赖性；再根据相关文献和人口迁移“推拉理论”选取影响人口迁移的因素，而后采用特征向量空间过滤模型定量解析各因素对省际人口迁移的影响程度，并与引力模型拟合结果进行对比检验；最后根据模型拟合和对比检验结果，分析中国省际人口迁移过程中的影响因素与动力机制，着重揭示人口迁移流之间的空间依赖性引起的网络自相关对省际人口迁移的影响.

1 数据与方法

1.1 数据来源与处理

以我国31个省域(港澳台除外)为研究区，数据主要包括：研究区的行政边界图；全国第六次人口普查的2005—2010年省际迁入人口、迁出人口、净迁移人口及迁移总人口数据(均由“全国按现住地和五年前常住地划分的人口”统计表得到)；各省域的自然、社会、经济、就业、文化和人口总量等方面的相关数据[19].

数据收集后，利用ArcGIS10.0将31个省域的行政边界矢量数据与相应的省际迁入人口、迁出人口、净迁移人口及迁移总人口数据进行空间连接，用于分析省际迁移流的空间分布及依赖性检验;将各省域的自然、社会、经济、就业、文化和人口总量等方面的相关数据与省际迁移人口数据整理成省际人口迁移动力机制建模样本.

1.2 研究方法

1.2.1 全局空间自相关指数 全局Moran’sI指数用于检验并定量考察研究区内目的地相同的迁入人口流和源地相同的迁出人口流的空间依赖性，其计算公式为[20]:

(1)

其中:xi为i单元的观测值，n为研究单元个数;Wij为行标准化的空间权重矩阵，因本文属于面单元的空间自相关研究，故采用邻接规则构建Wij，并把广东省和海南省定义为相邻关系;I值位于[-1,1]，在给定显著性水平下，若I显著为正，表明相似的观测值趋向空间集聚关;若I显著为负，表明相似观测值趋于分散分布;当I接近期望值-1/(n-1)时，则观测值之间呈独立随机分布.

1.2.2 引力模型 经典人口迁移引力模型[1]有多种改进形式，本文采用以下形式[21]:

ln y=αN+(ln Xo)βo+(ln Xd)βd+(ln g)γ+ε,

(2)

1.2.3 特征向量空间过滤模型 网络权重矩阵用于表征人口迁移活动的网络自相关结构，可由空间权重矩阵运算得到[11]:

WN=W⊕W=W⊗I+I⊗W,

(3)

其中:WN为n2×n2网络权重矩阵;W为n×n空间权重矩阵(即式(1)的Wij)，n为地理单元个数;I是n×n单位矩阵;⊗(⊕)为克罗内克积(和).

在传统引力模型中加入代表网络自相关性的自变量，构成可以解释省际人口迁移流中存在的网络自相关性的特征向量空间过滤模型[21]:ln y=αN+(ln Xo)βo+(ln Xd)βd+(ln g)γ+Ekβk+ε,

(4)

2 中国省际人口迁移空间特征

2.1 省际人口迁移量空间特征

[23-24]，分析各省域的省际人口迁入量、迁出量、净迁移量及迁移总量. 结果显示：省际迁入人口主要集中于广东、浙江、上海、江苏、北京、福建及天津，约占全国迁出人口总量的72%，主要形成珠三角、长三角和京津冀等3个人口辐合区(图1A)；省际迁出人口主要源自秦岭—淮河以南的安徽、河南、四川、湖南、湖北、江西、广西及贵州，其中，安徽主要向长三角输出人口，广东的迁入人口主要来自四川、湖南、湖北和广西(图1B)；净迁入人口集中分布在珠三角、长三角和京津三大经济圈，与迁入人口集聚区域大体一致，其中广东、浙江、上海、北京、江苏、福建及天津的省际净迁入人口均超过100万(图1C)；净迁出地区主要分布在中南部内陆省份，其中河南、安徽、四川和湖南的净迁出人口规模均超过300万人，出现“中部塌陷”现象，说明“中部塌陷”是经济与人口意义上的同时塌陷[25]；广东迁移总量高达1 549万，长三角及其周边省域次之，四川、两湖及北京紧跟其后(图1D). 总体而言，我国南方地区的人口迁移强度较北方、西北和青藏高原地区大，西藏、青海及宁夏的人口迁移总量均低于50万.

2.2 省际人口迁移流空间依赖特征

利用全局Moran’sI指数，以省域为单位，依次对各省域2005—2010年的省际迁入、迁出人口流分别进行全局空间依赖性检验，旨在检验抵达同一个省域的省际迁入人口流及从同一个省域出发的迁出人口流是否存在空间集聚现象，并进一步考察各省域迁入、迁出人口流的空间集聚程度. 参考相关研究[8,24]，以迁入流空间依赖性分析为例，以北京作为迁入地时，研究期间从全国其他30个省域迁入北京的迁入人口流有30个并计算其全局Moran’sI值及显著性;再分别以其他各省域作为迁入地，计算每个省域作为迁入地时的省际迁入流全局Moran’sI值及显著性. 省际迁出流空间依赖性分析的方法与迁入流空间依赖性分析的方法类似. 全国各省域作为迁入地、迁出地时的迁入流、迁出流的Moran’sI值及其显著性见图2.

由图2A可知，所有省域的迁入流全局Moran’sI值都不为0，表明所有省域作为迁入地时的迁入流均存在空间依赖效应. 除重庆、四川和湖南的Moran’sI值小于0外，其他省域Moran’sI值均大于0，全国人口迁入流整体上呈现空间集聚. 尤其是辽宁、黑龙江、上海、广东、天津、浙江和北京的迁入流Moran’sI值均在0.25～0.499间且在5%水平上显著，表现为显著的中等强度的空间自相关效应，原因是这些省域中的任何一个作为人口迁入地时，向该地输入人口多、少的省域在空间上分别集聚：如当广东作为人口迁入地时，向广东输入人口较多的湖南、广西和湖北等呈现很强的空间集聚性.

图1 2005—2010年中国省际迁移人口迁移量空间分布图Figure 1 Spatial distribution of interprovincial migration quantity in China from 2005 to 2010

图2 2005—2010年中国省际人口迁入、迁出流全局Moran’s I值及其显著性Figure 2 Global Moran’s I and its significance of interprovincial migration flows in China from 2005 to 2010

由图2B可知，全国有22个省域的迁出流全局Moran’sI值大于0，整体上全国的人口迁出流依然呈现“高-高”和“低-低”的空间集聚现象. 安徽、山东、内蒙古、广东、上海、辽宁、河北和黑龙江的迁出流全局Moran’sI值均高于0.25并在5%水平上显著，呈现较强的空间集聚特征. 如当安徽作为人口迁出地时，从安徽迁出的人口流向江苏、浙江和上海最多，这3个省域在空间上邻近.

以上各省域的人口迁入、迁出流空间依赖性分析，表明全国大部分省域作为迁入地、迁出地时，其人口迁入流、迁出流受到周围人口迁入流、迁出流的影响而具有空间依赖性，并非随机分布. 因此，2005—2010年中国省际人口迁移活动中存在由人口迁入地、迁出流空间依赖引起的网络自相关，应在其动力机制建模中引入此网络自相关性.

3 中国省际人口迁移的影响因素

3.1 变量选择及模型建立

人口迁移受到多方面因素的综合影响，基于“推—拉”理论[25-27]，参考文献[15-18]及数据可获取性，选取影响人口迁移的多方面影响指标，结合省际迁移人口数据后进行对数变换(虚拟变量除外)、去量纲及共线性检验. 根据VIF值小于10排除自变量间的共线性，筛选出13个2010年影响因素指标:迁出地人口总量(O_Pop)、迁出地农村居民家庭人均年纯收入(O_RurIn)、迁出地人均耕地面积(O_FarL)、迁出地大专文化以上占就业总人口比例(O_ColP)、迁出地性别比(O_SexR)、迁出地是否为沿海城市(O_IfCoa)、迁入地人口总量(D_Pop)、迁入地城镇居民家庭人均年总收入(D_TowIn)、迁入地实际使用外商直接投资金额(D_FID)、迁入地就业人员平均受教育年限(D_EduY)、迁入地年末就业率(D_EmpR)、迁入地公共交通年客流总量(D_PubT)、两省间会铁路里程(D). 基于式(2)，中国省际人口迁移的实证引力模型为:

lny=a+b1lnO_Pop+b2lnO_RurIn+

b3lnO_FarL+b4lnO_ColP+b5lnO_SexR+

b6lnO_IfCoa+c1lnD_Pop+c2lnD_TowIn+

c3lnD_FID+c4lnD_EduY+c5lnD_EmpR+

c6lnD_PubT+γlnD+ε,

(5)

其中a为常数项.

2.2节已证明人口迁移流中存在着网络自相关，因而在式(5)的基础上增加网络自相关因子，将引力模型改进为特征向量空间过滤模型，更科学地分析省际人口迁移的影响因素. 特征向量空间过滤模型仅在引力模型自变量基础上增加解释网络自相关的211个特征向量自变量，其他非网络自相关自变量不变. 结合式(3)，省际人口迁移的实证特征向量空间过滤模型为:

lny=a+b1lnO_Pop+b2lnO_RurIn+

b3lnO_FarL+b4lnO_ColP+b5lnO_SexR+

b6lnO_IfCoa+c1lnD_Pop+c2lnD_TowIn+

c3lnD_FID+c4lnD_EduY+c5lnD_EmpR+

c6lnD_PubT+γlnD+Ekβk+ε,

(6)

其中a为常数项.

3.2 结果分析

当模型数据中存在空间自相关或网络自相关时，采用最小二乘法(OLS)会产生有偏的估计并对统计推断产生影响，而极大似然法(ML)适用于空间关联模型即特征向量空间过滤模型的估计[28]. 为了更好比较引力模型和特征向量空间过滤模型的回归结果，利用R语言编程实现对模型(5)、(6)进行ML估计. 回归结果见表1.

表1 引力模型与特征向量空间过滤模型回归结果

Table 1 Regression results of gravity and eigenvector spatial filtering models

系数及显著性变量引力模型特征向量空间过滤模型自变量VIFO_Pop0.4013**0.5500**1.970O_RurIn0.00470.02296.218O_FarL-0.0551**0.0503*2.843O_ColP-0.0820**0.01983.389O_SexR-0.0754**-0.1101**1.394O_IfCoa-0.0982**-0.0973**2.573D_Pop0.1391**0.22639.954D_TowIn0.3399**0.1186**4.320D_FID-0.0413**0.07716.088D_EduY0.0383**0.1811**2.800D_EmpR0.0612**0.0293**1.970D_PubT0.1508**0.10266.145D-0.3756**-0.2084**1.214F检验显著性0.0010.001R2(调整R2)0.781(0.778)0.883(0.846)LogL-956.205(df=14)-877.597(df=225)SIC1953.9691829.404

*、**分别表示在5%和1%水平上显著.

表1显示，模型(5)、(6)均通过了1%水平的方程显著性F检验. 特征向量空间过滤模型的拟合水平较引力模型有较大提高，主要表现在:(1)特征向量空间过滤模型拟合结果的调整R2(0.846)大于引力模型的调整R2(0.778)；(2)特征向量空间过滤模型拟合结果的对数似然函数(Log likelihood，LogL)值(-877.597)比引力模型的LogL值(-956.205)高. 再从比赤池信息准则(AIC)对模型样本容量和变量数目更为敏感的施瓦茨信息准则(SIC)对比来看，特征向量空间过滤模型拟合结果的SIC值(1 829.404)低于引力模型的SIC值(1 953.969).

从表1可知：

(1)代表网络自相关的211个特征向量因子中，有114个的系数小于0、97个的系数大于0，说明网络自相关性对省际人口迁移活动有着不可忽略的影响，区域人口迁入流、迁出流在空间上受其周围人口迁入流、迁出流的阻碍作用相比促进作用更强. 所有特征向量因子中，有188个在5%水平上显著、177个在1%水平上显著，说明网络自相关性出现在省际人口迁移流中并非偶然，整体上省际人口迁移活动具有网络自相关效应. 加入网络自相关因素后，非网络自相关自变量的统计推断发生改变：在两模型的共同解释变量中，从引力模型的12个解析变量在5%水平上显著变为特征向量空间过滤模型里8个解析变量在5%水平上显著. 说明在人口迁移研究中考虑人口迁移流的网络自相关效应时，能更好地考察其动力机制，若忽视其网络自相关效应，会造成自然、经济、就业、社会、文化和人口总量等多方面因素对人口迁移影响的有偏估计.

(2)在两模型中系数均为正且5%水平显著的变量有迁出地人口总量(O_Pop)、迁入地城镇居民家庭人均年总收入(D_TowIn)、迁入地就业人员平均受教育年限(D_EduY)及迁入地年末就业率(D_EmpR)，说明这4个变量对省际人口迁移起到了较稳定的促进作用，其中O_Pop和D_TowIn的促进作用最强. 迁出地性别比(O_SexR)、迁出地是否为沿海城市(O_IfCoa)及两省会间铁路里程(D)在两模型中均为负且均在5%水平显著，说明这3个变量在我国省际人口迁移起着较稳定的阻碍作用，且两省会间铁路里程(D)的阻碍作用最强.

(3)在两模型中，迁入地人口总量(D_Pop)和迁入地公共交通年客流总量(D_PubT)的系数均为正，而显著性却由5%水平显著变为不显著，说明两变量的促进作用不够显著. 迁出地农村居民家庭人均年纯收入(O_RurIn)的系数在两模型中虽都为正，但值均较小且不显著，说明其影响较小.

(4)迁出地人均耕地面积(O_FarL)、迁出地大专文化以上占就业总人口比例(O_ColP)及迁入地实际使用外商直接投资金额(D_FID)在引力模型回归结果中对省际人口迁移有显著的负影响，而在特征向量空间过滤模型回归结果中有正向促进作用. 特征向量空间过滤模型回归结果更符合现实，其原因主要为:(i)尽管通常认为少量的人均耕地面积意味着农村劳动力的剩余，容易促进人口外迁. 但由于土地租赁市场的存在，反而使得拥有耕地较多的农民面临更大的迁移风险[8，29]. 因此，迁出地的人均耕地面积对人口外迁有正向促进作用，这与文献[8]的实证结论一致；(ii)迁出地大专文化以上占就业总人口比例越高，迁出地人口的文化素质越高而越容易寻找到就业机会，从而更容易发生迁移，因而对人口迁移有正向作用；(iii)外商投资不仅是资金投资，还带来生产技术、管理经验和新投资理念等其他资源，从而促使区域人口的迁移流动，因而对人口迁移有促进作用. 蔡昉和王德文[30]在基于“五普”数据的人口迁移研究中也证明外商直接投资对中国人口迁移活动具有积极作用.

4 结论与讨论

在人口迁移动力机制建模中考虑网络自相关对人口迁移活动的影响，运用特征向量空间过滤模型分析中国2005—2010年省际人口迁移的动力机制，并与引力模型回归结果进行对比验证. 主要结论如下：

(1)省际人口迁移，抵达同一省域的迁入流与从同一省域出发的迁出流分别受到其邻域人口迁入(出)流的影响，具有空间依赖性，应在其动力机制研究中考虑由此空间依赖性引起的网络自相关的影响.

(2)引入代表网络自相关的特征向量自变量，将引力模型改进为特征向量空间过滤模型后，模型的调整R2及对数似然函数值均显著增大，同时施瓦茨信息准则SIC值明显降低，模型的拟合水平得到了较显著提高. 特征向量空间过滤模型中的特征向量自变量较成功地解释了引力模型未能解释的人口迁移流中存在的网络自相关效应. 网络自相关对省际人口迁移活动有着不可忽略的影响，研究省际人口迁移动力机制时若不考虑网络自相关因素，会对非网络自相关变量造成有偏估计.

(3)在两模型中，非网络自相关变量对2005—2010年省际人口迁移活动中的影响有所变化. 在两模型中，人口基数因素和经济因素对人口迁移活动起着稳定且显著的促进作用，其中迁出地人口总量的促进作用最强;迁入地城镇居民家庭人均年总收入的促进作用次之，这与刘晏伶和冯建[31]的研究结论相符;迁入地就业人员平均受教育年限及迁入地年末就业率的促进相对较弱. 自然因素和性别因素在两模型中对省际人口迁移活动起到了稳定、显著的阻碍作用，迁移地间铁路里程的阻碍作用远大于迁出地性别比和迁出地是否为沿海城市，说明距离因素对人口迁移的阻碍作用非常强，现代交通业的蓬勃发展未能打破人口迁移的距离衰减效应.

从网络自相关权重矩阵中提取表征网络自相关的特征向量，将其加入引力模型后建立的特征向量空间过滤模型，较成功地解释了人口迁移流中的网络自相关效应，模型拟合水平得到显著提高，有效纠正了引力模型对一些非网络自相关因素的过高或过低估计，更全面地考察了我国快速城市化时期省际人口迁移的空间特征和动力机制，为人口迁移动力机制研究提供了新方法，并对研究其他空间相互作用流(如交通流、商品流和旅游流等)有一定的借鉴意义.

从不同的网络权重矩阵中提取出不同的特征向量，未来可考虑从多种不同形式的网络权重矩阵中提取出更多不同的特征向量进一步改进特征向量空间过滤模型，对人口迁移动力机制进行更多建模尝试. 另外，一些对人口迁移可能有影响的因素如政策制度等由于难以量化而未进入模型，对研究结果有一定影响，后续需要对此进行深入研究以取得更符合实际的研究结论和政策涵义.

参考文献：

[1] ZIPF G K. The hypothesis of the minimum equation as a unifying social principle:with attempted synthesis [J]. American Sociological Review,1947,12(6):627-650.

[2] CURRY L. A spatial analysis of gravity flows[J]. Regional Studies,1972,6(2):131-147.

[3] GRIFFITH D A,JONES K G. Explorations into the relationship between spatial structure and spatial interaction [J]. Environment & Planning A,1980,12(2):187-201.

[4] POROJAN A. Trade flows and spatial effects:the gravity model revisited [J]. Open Economies Review,2001,12(3):265-280.

[5] TIEFELSDORF M. Misspecifications in interaction model distance decay relations:a spatial structure effect [J]. Journal of Geographical Systems,2003,5(1):25-50.

[6] BLACK W R. Network autocorrelation in transport network and flow systems[J]. Geographical Analysis,1992,24(3):207-222.

[7] LESAGE J P,PACE R K. Spatial econometric modeling of origin-destination Flows[J]. Journal of Regional Science,2008,48(5):941-967.

[8] 于文丽,蒲英霞,陈刚,等. 基于空间自相关的中国省际人口迁移模式与机制分析[J]. 地理与地理信息学,2012,28(2):44-49.

YU W L,PU Y X,CHEN G,et al. Spatal analysis of the patterns and mechanism of interprovincial migration flows in China [J]. Geography and Geo-Information Science,2012,28(2):44-49.

[9] 王亚平,蒲英霞,马劲松,等. 基于空间OD模型的中国省际人口迁移机制分析[J]. 西北师范大学学报(自然科学版),2015,51(3):89-97.

WANG Y P,PU Y X,MA J S,et al. Mechanism analysis of interprovincial migration flows in China based on spatial OD models[J]. Journal of Northwest Normal University(Natural Science),2015,51(3):89-97.

[10]GRIFFITH D A. Spatial structure and spatial interaction:25 years later[J]. Review of Regional Studies,2007,37(1):28-38.

[11]CHUN Y. Modeling network autocorrelation within migration flows by eigenvector spatial filtering [J]. Journal of Geographical Systems,2008,10(4):317- 344.

[12]CHUN Y,GRIFFITH D A. Modeling network autocorrelation in space-time migration flow data:an eigenvector spatial filtering approach [J]. Annals of the Association of American Geographers,2011,101(3):523-536.

[13]CHUN Y,KIM H,KIM C. Modeling interregional commodity flows with incorporating network autocorrelation in spatial interaction models:an application of the US interstate commodity flows [J]. Computers,Environment & Urban Systems,2012,36(6):583-591.

[14]CHUN Y,GRIFFITH D A. A quality assessment of eigenvector spatial filtering based parameter estimates for the normal probability model [J]. Spatial Statistics,2014,(10):1-11.

[15] 顾朝林,蔡建明,张伟,等. 中国大中城市流动人口迁移规律研究[J]. 地理学报,1999,54(3):204-212.

GU C L,CAI J M,ZHANG W,et al. A study on the patterns of migration in Chinese large and medium cities [J]. Acta Geographica Sinica,1999,54(3):204-212.

[16] 魏星,王桂新. 中国东、中、西三大地带人口迁移特征分析[J]. 市场与人口分析,2004,10(5):13-22.

WEI X,WANG G X. Study on inter-area migration cha-racteristics of east China,midland China and west China [J]. Market & Demographic Analysis,2004,10(5):13-22.

[17] 段成荣. 影响我国省际人口迁移的个人特征分析:兼论“时间”因素在人口迁移研究中的重要性[J]. 人口研究,2000,24(4):14-22.

DUAN C R. Individual level determinants of interprovincial in China on the effects of time sequence in migration studies [J]. Population Research,2000,24(4):14-22.

[18] 刘建波,王桂新,魏星. 基于嵌套Logit模型的中国省际人口二次迁移影响因素分析[J]. 人口研究,2004,28(4):48-56.

LIU J B,WANG G X,WEI X. Determinants of interprovincial migration in China:nested logit models [J]. Population Research,2004,28(4):48-56.

[19] 国家统计局. 中国统计年鉴[M]. 北京:中国统计出版社,2010.

[20] 马晓冬,马荣华,徐建刚. 基于ESDA-GIS的城镇群体空间结构[J]. 地理学报,2004,59(6):1048-1057.

MA X D,MA R H,XU J G. Spatial structure of cities and towns with ESDA-GIS framework. [J]. Acta Geographica Sinica,2004,59(6):1048-1057.

[21]THOMAS S. The geography of networks and R&D collaborations [M]. Switzerland:Springer,2013:99-112.

[22]GRIFFITH D A. Spatial autocorrelation and spatial filtering∶Gaining understanding through theory and scientific visualization [M]. New York:Springer,2003:91-128.

[23] 李扬,刘慧,汤青. 1985—2010年中国省际人口迁移时空格局特征[J]. 地理研究,2015,34(6):1135-1148.

LI Y,LIU H,TANG Q. Spatial-temporal patterns of China’s interprovincial migration during1985-2010 [J]. Geographi-cal Research,2015,34(6):1135-1148.

[24] 李薇. 我国省际人口迁移空间模式分析[J]. 人口研究,2008,32(4):82-96.

LI W. Analysis of spatial patterns of China’s interprovincial migration [J]. Population Research,2008,32(4):82-96.

[25] 丁金宏,刘振宇,程丹明,等. 中国人口迁移的区域差异与流场特征[J]. 地理学报,2005,60(1):106-114.

DING J H,LIU Z Y,CHENG D M,et al. Areal differentia-tion of interprovincial migration in China and characteristics of the flow field [J]. Acta Geographica Sinica,2005,60(1):106-114.

[26] 李立宏. 中国人口迁移的影响因素浅析[J]. 西北人口,2000(2):37-40.

LI L H.Analysis of the influence factor on migration in China [J]. Northwest Population,2000(2):37-40.

[27] 俞路,张善余. 我国三大都市圈人口迁移态势与影响因素分析[J]. 南方人口,2005,20(3):17-23.

YU L,ZHANG S Y. The migtation flow and the affecting variables:a case study of the three megalopolise of China [J]. South China Population,2005,20(3):17-23.

[28] 马荣华,蒲英霞,马晓冬. GIS空间关联模式发现[M]. 北京:科学出版社,2007.

MA R H,PU Y X,MA X D. GIS spatial association pattern discovery[M]. Beijing:Science Press,2007.

[29]KUNG K S,BAI N,LEE Y. Human capital,migration,and a ‘vent’ for surplus rural labour in 1930s China:the case of the lower Yangzi[J]. Economic History Review,2011,64(S1):117-141.

[30] 蔡昉,王德文. 作为市场化的人口流动:第五次全国人口普查数据分析[J]. 中国人口科学,2003(5):11-19.

CAI F,WANG D W. Migration as marketization:based on the analysis of the fifth census data [J]. Chinese Journal of Population Science,2003(5):11-19.

[31] 刘晏伶,冯建. 中国人口迁移特征及其影响因素:基于第六次人口普查数据的分析[J]. 人文地理,2014(2):129-137.

LIU Y L,FENG J. Characteristics and impact factors of migration in China:based on the analysis of the sixth census data [J]. Human Geography,2014(2):129-137.

【中文责编：庄晓琼 英文责编：肖菁】

Analyze of Spatial Characteristics and Its Influencing Factors of China’s Interprovincial Migration

LI Shiyun, MEI Zhixiong*, ZHANG Ruihao, ZHAO Shufang

(School of Geography, South China Normal University, Guangzhou 510631, China)

Using interprovincial migration data from the sixth national census in China and other relevant natural and socioeconomic data, the spatial distribution characteristics of interprovincial migration in China are analyzed, then the network autocorrelation among the interprovincial migration flows is investigated with global Moran’sI, and an eigenvector spatial filtering model is established, which takes network autocorrelation into account to explore the influencing factors of the interprovincial migration. Specially, the regression results of the eigenvector spatial filtering model are compared with those of conventional gravity model, and thus the driving mechanism of China’s interprovincial migration is effectively revealed. The results show that: (1) Provinces with high immigration and net immigration are mainly concentrated in China’s three Economy Zone of the Pearl River Delta, Yangtze Delta and Beijing-Tianjin-Hebei regions. Provinces with high out-migration are mainly distributed in provinces of Anhui, Henan, Sichuan and Hunan. Provinces with high total migration are mainly located in the Pearl River Delta, Yangtze Delta, Beijing-Tianjin-Hebei and south central China regions. (2) There exists network autocorrelation phenomenon in China’s interprovincial migration behavior, of which immigration flows and out-migration flows are affected by the neighboring immigration or outmigration flows, thus network autocorrelation should be considered when modeling the driving mechanism of migration. Also, regression results indicate that the eigenvector spatial filtering model incorporating network autocorrelation factors has a better model fit than the gravity model, reveals successfully network autocorrelation effect among the interprovincial migration flows of China and reduces the biased estimation of non-network autocorrelation variables. (3) Among the non-network autocorrelation variables, total population, economy and distance are three important factors that influence the migration behavior.

migration flow; network autocorrelation; eigenvector spatial filtering model

2015-10-09 《华南师范大学学报(自然科学版)》网址：http://journal.scnu.edu.cn/n

国家自然科学基金项目(41001078)

C922

A

1000-5463(2017)03-0084-08

*通讯作者:梅志雄，教授，Email:zhixiongmei76@126.com.