الگوهای شبکه تجمع شهری Zhongyuan در چین بر اساس داده های مهاجرت بایدو

به عنوان محصول جدید عصر اینترنت و کلان داده، داده های مهاجرت برای آشکارسازی الگوهای شبکه پویا پیچیده تراکم های شهری و برای مطالعه روابط بین شهرها با استفاده از مدل «فضای جریان ها» از اهمیت بالایی برخوردار است. بر اساس داده های مهاجرت یک هفته ای بایدو در سال ۲۰۲۱، این مقاله یک ماتریس داده منطقی ۳۰ × ۳۰ برای شهرها در تراکم شهری Zhongyuan می سازد و با استفاده از تحلیل شبکه اجتماعی و تجسم شبکه پویا، الگوی شبکه را از دیدگاه های ایستا و پویا به تصویر می کشد. نتایج نشان می‌دهد که شبکه تراکم شهری Zhongyuan با ساختار دایره‌ای با ژنگژو به عنوان مرکز، کمربند شهری در اطراف ژنگژو به عنوان اتصال، شهرهای زیرمرکزی به عنوان پشتیبان و شهرهای پیرامونی به عنوان پسوند مشخص می‌شود. ژنگژو شهر اصلی کل شبکه است که شبکه های مرکزی و ستون فقرات تقسیم شده در این مقاله نزدیک به ۴۰٪ از کل مهاجرت را به خود اختصاص می دهند. Shangqiu، Luoyang، Zhoukou و Handan نیز نقش مهمی در ساختار شبکه مهاجرت به عنوان شهرهای نیمه مرکزی دارند. برای یک شهر واحد، مقیاس مهاجرت عموماً در آخر هفته ها به اوج خود می رسد و از سه شنبه تا پنجشنبه به حداقل خود می رسد. از نظر روابط بین شهرها، تنوع مهاجرت را می توان به چهار نوع تقسیم کرد: اوج گرفتن در روز دوشنبه، اوج گرفتن در روزهای پایانی هفته، دو وجهی و پایدار، و پدیده های بارز رفت و آمد هفتگی وجود دارد. به طور کلی، پیوند بین شهرهای خارج از استان هنان و سایر شهرهای موجود در تراکم شهری نسبتا ضعیف است و محدودیت‌های منطقه‌بندی اداری در مهاجرت بین‌شهری همچنان وجود دارد. با توجه به نتایج، باید از مزیت مکان برای توسعه چند لایه و ساخت تراکم شهری Zhongyuan استفاده کرد. علاوه بر این، وضعیت به عنوان شهر اصلی و محدوده تشعشعات باید تقویت شود و ارتباطات بین شهرهای پیرامونی و سایر شهرها باید بهبود یابد تا توسعه یکپارچه و کارآمد کل تراکم شهری ارتقا یابد.

کلید واژه ها:

تجمع شهری Zhongyuan ; الگوهای شبکه مهاجرت بایدو ; تحلیل شبکه های اجتماعی ; شبکه پویا

۱٫ مقدمه

شهر یک موجودیت منزوی در فضا نیست. توسعه آن را نمی توان از تعامل بین شهرهای منطقه جدا کرد. مفهوم “تراکم شهری” توسط گاتمن در سال ۱۹۶۱ مطرح شد و او در ابتدا از “مگالوپولیس” استفاده کرد [ ۱ ]. در تحقیقی دیگر، او ۶ سیستم کلان شهری موجود در جهان را فهرست کرد: ابرشهر شمال شرقی آمریکا [ ۲ ]، دریاچه های بزرگ مگالوپولیس [ ۳ ]، توکایدو کلان شهر در ژاپن [ ۴ ]، کلان شهر در انگلستان [ ۵ ]، کلان شهر در شمال غربی اروپا [ ۶] و مگالوپولیس در چین با مرکزیت شانگهای. در دهه ۱۹۸۰، مفهوم و تئوری تراکم شهری در چین معرفی شد و اصطلاح “تراکم شهری” در برخی تحقیقات به کار گرفته شد. پس از آن، “استاندارد چینی” تراکم های شهری مطرح شد و توسعه تراکم های شهری برای اولین بار در سال ۲۰۰۵ مشاوره و در سیستم استراتژی توسعه ملی گنجانده شد. در مقایسه با تراکم های شهری در کشورهای غربی، توسعه تجمعات شهری در چین حدود یک سوم قرن بعد شروع شد و ساخت و توسعه آنها بیشتر تحت تأثیر عوامل اداری قرار گرفت [ ۷ ].

با پیشرفت سریع جهانی شدن و اطلاع رسانی و توسعه یکپارچگی منطقه ای، عملکرد شهرهای مختلف به تدریج متمایز می شود. ارتباطات و مبادلات بین شهرها به طور فزاینده ای نزدیک می شوند و سیالیت و وابستگی متقابل عناصر، تکامل مداوم فضای شهری را از “فضای مکان” به “فضای جریان” ارتقا می دهد [ ۸ ، ۹ ، ۱۰ ]. با توسعه سریع شبکه‌های شهری و درک استراتژی‌های مهم ملی مرتبط، تراکم شهری به عنوان شکل مهمی از توسعه منطقه‌ای و الگوهای شبکه مربوطه به یک موضوع تحقیقاتی محبوب تبدیل شده است [ ۱۱ ].]. تراکم شهری نشان دهنده یک سازمان شبکه ای از شهرها در مرحله بلوغ توسعه شهری در یک منطقه خاص است و به طور کلی از شهرهای مرکزی و تعدادی شهر وابسته تشکیل شده است. مطالعه الگوهای شبکه ارزش نظری و عملی مهمی برای توسعه مشارکت داخلی، ادغام فضای صنعتی و سازماندهی و بهینه سازی منابع تجمعات شهری دارد [ ۱۲ ، ۱۳ ].

مدل گرانشی و مدل جریان شهری دو مدل متداول برای اندازه گیری اتصالات بین شهری در الگوهای شبکه تراکم شهری هستند [ ۱۴ ، ۱۵ ]. مدل جاذبه عموماً قدرت جامع دو شهر (تولید ناخالص داخلی، جمعیت و سایر شاخص‌ها [ ۱۶ ]) و فاصله برای ساختن شاخص ارزیابی را در نظر می‌گیرد، اما معمولاً جهت‌گیری را در نظر نمی‌گیرد و بازه زمانی زیادی از داده‌ها را اتخاذ می‌کند. بر اساس ایده فضای جریان، محققان داخل و خارج از کشور عمدتاً شبکه‌های تراکم شهری را از طریق زیرساخت‌ها، سازماندهی سازمانی و فرهنگ اجتماعی یا روش‌های ترکیبی مربوطه مطالعه می‌کنند [ ۱۷ ، ۱۸ ، ۱۹ ].]. در زمینه اطلاعات، داده های بزرگ شبکه به حامل مهمی تبدیل شده است که فعالیت های اجتماعی ساکنان را نشان می دهد، و داده های رفتار جغرافیایی نشان داده شده توسط داده های ارتباطات اجتماعی با مکان، داده های POI (نقطه مورد علاقه)، داده های شاخص جستجوی گرما و داده های مهاجرت نیز ارائه شده است. به منابع داده مهمی تبدیل می شوند که روابط شهری را منعکس می کنند [ ۲۰ ، ۲۱ ، ۲۲ ]. جریان جمعیت به عنوان یک حامل مهم جریان مواد، جریان اطلاعات، جریان سرمایه و جریان فناوری بین شهرها، فعال ترین و پویاترین عنصر در یک سیستم اجتماعی-اقتصادی است و نقش اساسی و کلیدی در شکل دهی مجدد شبکه شهری ایفا می کند. بنابراین، برخی از محققان رابطه بین جمعیت و شهرها را با رابطه بین جریان ها و گره ها در یک شبکه مقایسه می کنند [ ۲۳ ]]. برخی تحقیقات در مورد الگوهای شبکه در سطوح مختلف منطقه جغرافیایی (ملی [ ۲۴ ]، منطقه ای [ ۲۵ ، ۲۶ ]، و غیره) و تجمعات شهری مختلف (پکن-تیانجین-هبی، چنگدو-چونگ کینگ [ ۱۲ ]، میانه انجام شده است. دسترسی به رودخانه یانگ تسه [ ۲۷ ]) در دوره های خاص (یک سال کامل [ ۹ ]، دوره حمل و نقل جشنواره بهار [ ۲۳ ]، تعطیلات [ ۲۸ ] و غیره) بر اساس داده های مهاجرت شرکت های مختلف (Tencent، Baidu، و غیره.).

از تحقیقات فوق می توان دریافت که هنوز در جنبه های زیر فاقد آن است. از نظر محتوای تحقیق، در مقایسه با موارد مبتنی بر جریان ترافیک (مسافت پیموده شده ترافیک، فرکانس) و جریان اطلاعات (شاخص نگرانی)، مطالعات نسبتا کمی در مورد الگوهای شبکه تراکم شهری Zhongyuan بر اساس فعالیت های مهاجرت جمعیت وجود دارد. هان [ ۱۴ ] و آن [ ۱۷] الگوی شبکه تراکم شهری در تراکم شهری Zhongyuan را به ترتیب بر اساس فراوانی اتوبوس، قطار و شاخص بایدو تحلیل کرد، اما این شاخص ها برای مطالعه اتصال شهری و تغییر آن به اندازه کافی دقیق نیستند. به طور خاص، فرکانس قطار بین دو شهر در بیشتر مواقع بدون تغییر باقی می ماند و فرکانس نیز با توجه به اهمیت کل خط تعیین می شود. مهاجرت عنصر مستقیم و دقیق تری است که ارتباط بین دو شهر را نشان می دهد و تحقیق در مورد مهاجرت اهمیت عملی تری برای تراکم شهری Zhongyuan، یکی از پرجمعیت ترین مناطق چین دارد. برای روش تحقیق، اولویت با تجزیه و تحلیل استاتیکی الگوهای شبکه است و کمبود ویژگی های پویا کاوی وجود دارد. به ویژه از نظر تحلیل بازه های زمانی در مقیاس کوچک. به عنوان مثال، مطالعه فوق به طور عمده الگوهای شبکه را از سطح متوسط در یک زمان یا مرحله خاص تجزیه و تحلیل کرد و نتوانست به طور موثر ویژگی های تغییرات شدت اتصال شهری را در یک دوره زمانی معین در منطقه نشان دهد. ما معتقدیم که تجزیه و تحلیل تغییرات شدت اتصال دوره ای در توده های شهری نقش بسیار مهمی در برنامه ریزی توسعه شهری ایفا می کند.

بنابراین، این مقاله روش‌های تجزیه و تحلیل شبکه‌های اجتماعی، استخراج شبکه پویا و تجسم را برای انجام یک تحلیل دقیق بر روی الگوهای شبکه تجمع شهری Zhongyuan با استفاده از داده‌های مهاجرت Baidu از یک هفته در سال ۲۰۲۱ ترکیب می‌کند. تعاملات و ارتباطات بین شهرها از دیدگاه‌ها توضیح داده شده است. ویژگی های کلی ثابت و همچنین تغییرات پویا، که بر اساس آن می توان تصمیمات بیشتری اتخاذ کرد که از توسعه شهری متعادل و تخصیص منابع منطقی تراکم شهری Zhongyuan حمایت می کند.

۲٫ مواد و روشها

۲٫۱٫ جریان کار

جریان کار در این مقاله در شکل ۱ نشان داده شده است . ابتدا، داده های مهاجرت با فراخوانی سرویس شبکه با یک برنامه پایتون به دست می آیند و پیش پردازش می شوند. سپس ویژگی های استاتیک و پویا شبکه به ترتیب بر اساس تحلیل شبکه های اجتماعی، استخراج شبکه پویا و تجسم تحلیل می شوند. در نهایت، نتایج خلاصه شده و مورد بحث قرار می گیرد. در میان آنها، تجزیه و تحلیل شبکه های اجتماعی عمدتاً شامل وزن نقطه، مرکزیت و تجزیه و تحلیل زیرگروه منسجم است، در حالی که کاوی شبکه پویا شامل خوشه بندی سری های زمانی گره های شهر و تجسم پویا روابط مهاجرت است.

۲٫۲٫ داده ها و پیش پردازش

تراکم شهری Zhongyuan در منطقه تقاطع کانال پل زمینی و کانال پکن-گوانگژو در استراتژی شهرسازی ملی “دو دالان افقی و سه عمودی” قرار دارد که نشان دهنده منطقه میانی است که برای ارتقای توسعه اقتصادی چین از شرق به غرب در نظر گرفته شده است. به عنوان یکی از هفت مجتمع شهری بزرگ در چین، تراکم شهری Zhongyuan تحت سلطه ۱۸ شهر استانی در استان هنان است و شامل ۳۰ شهر استانی در استان های هنان، آنهویی، شاندونگ، هبی و شانشی است [ ۲۹ ]. تا سال ۲۰۱۹، این منطقه ۲۸۷۰۰۰ کیلومتر مربع مساحت ^داشت، با کل تولید ناخالص داخلی (GDP) 7965.14 میلیارد یوان و جمعیت کل بیش از ۱۶۰ میلیون نفر. به عنوان یک تراکم شهری جدید، هنوز مشکلاتی در منطقه وجود دارد، از جمله شکاف های بزرگ در سطوح توسعه شهرها، یکپارچگی و توزیع نابرابر عناصر منابع و نیاز به تقویت ارتباطات منطقه ای. بنابراین، استخراج و درک الگوی شبکه جامع تراکم شهری Zhongyuan برای ترویج توسعه شهرها در مرکز چین، تسریع ظهور منطقه مرکزی، ترویج ساخت شهرنشینی جدید و گسترش فضای جدید برای توسعه اقتصادی در چین از اهمیت استراتژیک برخوردار است. [ ۳۰ ، ۳۱ ]. شکل ۲محل تجمع شهری Zhongyuan در چین را نشان می دهد.

داده های مهاجرت بایدو از نقشه بایدو و آمار موقعیت مکانی کاربر شخص ثالث استخراج شده است که مسیر مهاجرت صدها میلیون نفر را به دقت ثبت می کند. ما اطلاعات مهاجرت شهری ۶ هفته از ۹ مارس تا ۱۹ آوریل در سال ۲۰۲۱ را از طریق رابط پلت فرم مهاجرت بایدو به دست آوردیم ( http://qianxi.baidu.com/قابل دسترسی در ۲۱ مه ۲۰۲۱). یک برنامه پایتون برای فراخوانی سرویس مهاجرت Baidu و به دست آوردن داده های مهاجرت برای هر شهر استفاده می شود که به صورت محلی در قالب Excel ذخیره می شود. ویژگی‌های داده شامل شاخص مقیاس مهاجرت و مهاجرت روزانه هر شهر در تراکم شهری ژونگ یوان و داده‌های نسبت متناظر منبع مهاجرت و مقصد مهاجرت است. از طریق مقایسه داده ها (به عنوان مثال ژنگژو)، می توان دریافت که، به جز جشنواره Qingming، مهاجرت در دوره های استراحت به عنوان یک چرخه هفتگی تغییر می کند، همانطور که در شکل ۳ نشان داده شده است.. بنابراین، ما داده‌های مهاجرت را برای یک هفته (۲۲ مارس تا ۲۸ مارس) انتخاب کردیم که می‌تواند الگوهای مهاجرت عمومی بین شهرها را در دوره‌های غیر تعطیل منعکس کند. اگرچه شاخص مقیاس مهاجرت به تعداد مهاجران اشاره نمی کند، اما می توان آن را به صورت افقی (بین شهرها) و عمودی (در طول زمان) مقایسه کرد [ ۳۲ ]. برای تسهیل بیان دقیق این متغیر، به طور یکنواخت ۱۰۰ برابر بزرگ شده و در این مقاله مقیاس مهاجرت نامیده می شود.

برای تجزیه و تحلیل شدت ارتباطات، مقیاس مهاجرت بین شهرها بر اساس داده های اصلی محاسبه می شود و ماتریس مقیاس مهاجرت ۳۰×۳۰ به دست می آید. با در نظر گرفتن ماتریس مهاجرت I به عنوان مثال، مقادیر عنصر ماتریس a _ij را می توان به صورت زیر محاسبه کرد:

آ ij = اس من \times r ij

(۱)

که در آن _ij میزان مهاجرت شهر j به شهر i را نشان می دهد. S _i نشان دهنده مقیاس کل مهاجرت شهر i و r _ij نسبت اشغال شده توسط شهر j است. به طور مشابه، ماتریس مهاجرت O و عنصر آن b _ij قابل محاسبه است. رابطه مهاجرت و مهاجرت بین شهرهای i و j به این معنی است که a _ij در I و b _ji در O از نظر تئوری دارای یک معنی و مقادیر مساوی هستند. بنابراین، ماتریس میانگین M را با استفاده از مقدار میانگین a _ij و b _{ji می‌سازیم}و M را به عنوان ماتریس رابطه ای برای مطالعه الگوهای شبکه تراکم شهری در نظر بگیرید. از آنجایی که M یک ماتریس متقارن نیست، ماتریس متقارن M’ به طور کلی فقط در محاسبه مقیاس مهاجرت کلی بین دو شهر ساخته می شود. میانگین ماتریس مهاجرت M به صورت زیر تعریف می شود:

م “ = ۱ ۲ (M + م تی)

(۲)

۲٫۳٫ مواد و روش ها

۲٫۳٫۱٫ تحلیل شبکه های اجتماعی

در روش تحلیل شبکه های اجتماعی، جامعه را شبکه ای بسیار بزرگ متشکل از روابط گوناگون می دانند و هر کنشگر یک گره در شبکه است. از طریق مطالعه روابط شبکه، رابطه بین افراد را می توان تعیین کرد تا یکپارچگی و سلسله مراتب شبکه را آشکار کند [ ۳۳ ]. ما از یک روش تحلیل شبکه اجتماعی برای تجزیه و تحلیل کمی ویژگی‌های الگوی شبکه تجمع شهری Zhongyuan از دیدگاه وزن نقطه، مرکزیت و زیرگروه‌های منسجم استفاده کردیم.

وزن نقطه ای

نمودار وزنی جهت دار برای نشان دادن ساختار شبکه تراکم شهری Zhongyuan استفاده می شود که در آن ۳۰ شهر به عنوان گره v _i در نظر گرفته می شوند و لبه e _ij تشکیل شده توسط گره v _i و شهر منبع مهاجرت v _j دارای وزن w _ij است. مجموع وزن تمام یال های متصل به یک گره، وزن نقطه ای P _i این گره است و به صورت زیر محاسبه می شود:

پ من = \sum w ij

(۳)

در شبکه های وزن دار جهت دار، وزن نقطه را می توان به دلیل جهت یال ها به وزن نقطه ورودی و وزن نقطه خروجی تقسیم کرد. با این حال، در غیاب جهت، میانگین مجموع این دو به طور کلی به عنوان وزن نقطه در نظر گرفته می شود. هر چه وزن نقطه بزرگتر باشد، گره فعالتر در شبکه است. وزن نقطه گره های مختلف شهر متفاوت است و وزن چندین لبه (شدت اتصال) مربوط به همان گره نیز متفاوت است. بنابراین، توسعه کلی و تمایز محلی شبکه را می توان بر اساس وزن نقطه و وزن لبه تحلیل کرد.

مرکزیت

مرکزیت یک موضوع تحقیقاتی مهم در تحلیل شبکه های اجتماعی است که برای تجزیه و تحلیل نوع قدرت افراد یا سازمان ها در شبکه های اجتماعی استفاده می شود. مرکزیت عمدتاً به سه شکل متجلی می شود: مرکزیت نقطه ای، مرکزیت میانی و مرکزیت نزدیکی [ ۳۴ ].

مرکزیت نقطه به تعداد گره هایی اشاره دارد که مستقیماً به یک گره متصل می شوند و توانایی گره برای برقراری ارتباط با دیگران را نشان می دهد. اگر یک گره بیشترین مرکزیت را داشته باشد، این گره در مرکز شبکه و دارای بیشترین قدرت در نظر گرفته می شود. در نمودار جهت دار، مرکزیت گره ها را می توان به مرکزیت درون درجه و بیرون درجه تقسیم کرد که به ترتیب تعداد لبه های متصل ورودی و خروجی را نشان می دهند.

مرکزیت نزدیکی معیاری برای آزادی از کنترل دیگران است. اگر فاصله بین یک گره و سایر گره های شبکه بسیار کوتاه باشد، این گره دارای مرکزیت نزدیکی بالا در نظر گرفته می شود. به شرح زیر است:

سی - ۱ AP من = \sum j = ۱ n د ij

(۴)

که در آن d _ij فاصله میانبر بین گره های i و j است.

مرکزیت بین، درجه ای که یک گره به عنوان یک “واسط” عمل می کند و میزان قرار گرفتن یک گره بین جفت گره های دیگر را اندازه گیری می کند. اگر یک گره روی میانبر بسیاری از جفت گره های دیگر قرار داشته باشد، اعتقاد بر این است که گره دارای مرکزیت میانی بالایی است. به صورت زیر تعریف می شود:

سی AB من = \sum j n \sum ک n g jk ( من ) g jk ، j \neq k \neq i

(۵)

که در آن g _jk تعداد میانبرهای بین گره j و گره k است و g _jk (i) تعداد میانبرهای بین گره j و گره k است که از گره سوم i عبور می کند.

زیرگروه های منسجم

زیرگروه های منسجم برای تجزیه و تحلیل کمی شدت رابطه متقابل بین گره ها استفاده می شود که مطالعه آنها برای درک مسائل نظری مهم مانند وضعیت و نقش شهرها در شبکه، نحوه سازماندهی شبکه شهری، و تعامل نزدیک شهرها مفید است. با یکدیگر، و تمایز سلسله مراتبی قدرت پیوند شهری [ ۳۵]. روش‌هایی که معمولاً مورد استفاده قرار می‌گیرند شامل تجزیه و تحلیل مبتنی بر دوتایی متقابل (کلیک‌ها)، قابلیت دسترسی (n-cliques، n-clan)، درجه (k-plex، k-core)، روابط داخلی و خارجی (مجموعه LS، مجموعه Lambda) و غیره است. بر. در مقایسه با سایر روش‌ها، روش k-plex ایده انسجام را بهتر از گروه‌ها منعکس می‌کند که در آن وضعیت اتصال مستقیم عمدتاً در نظر گرفته می‌شود. بنابراین، روش k-plex به عنوان روش تحلیل زیرگروهی منسجم در این مقاله انتخاب شده است.

در یک زیرگروه تولید شده توسط k-plex، هر گره مستقیماً به همه گره‌ها، اما حداکثر k، متصل است. یعنی زمانی که درجه هر گره در زیرگروه کمتر از nk نباشد، زیر گروهی با اندازه n را می توان زیرگروه k-plex نامید. پس از جستجوی زیرگروه های k-plex در شبکه، زمان ظاهر شدن هر جفت شهر در زیرگروه های k-plex محاسبه شده و ماتریس همپوشانی به دست می آید. عنصر ماتریس همپوشانی نشان دهنده بسامد است که در آن شهر i و شهر j با هم در همه زیرگروه ها ظاهر می شوند، جایی که هر چه این مقدار بیشتر باشد، دو شهر در فعالیت های مهاجرت شبیه تر هستند. بر این اساس، یک الگوریتم خوشه‌بندی سلسله مراتبی تک پیوندی برای تحلیل شباهت مهاجرت شهرها در سطوح مختلف استفاده می‌شود.

۲٫۳٫۲٫ استخراج و تجسم شبکه پویا

برای شبکه‌های دارای اطلاعات زمانی، روش‌های کاوی و تجسم شبکه پویا برای کاوش و نمایش ویژگی‌های پویا از طریق تکنیک‌های داده‌کاوی و تجسم استفاده می‌شوند. “Dynamics” عمدتاً به افزایش و کاهش گره ها و لبه ها و تغییرات وزن گره ها و لبه ها اشاره دارد [ ۳۶ ]. از آنجایی که هیچ افزایش یا کاهشی در گره ها و لبه ها در شبکه تجمع شهری Zhongyuan وجود ندارد، این مقاله بر روی تغییرات وزن تمرکز دارد.

خوشه بندی سری زمانی وزن نقطه بر اساس K-Means

خوشه بندی K-means متداول ترین الگوریتم خوشه بندی مورد استفاده در داده کاوی است که در آن یک مجموعه نمونه معین با توجه به فاصله بین نقاط نمونه به خوشه های K تقسیم می شود، به طوری که نقاط در همان خوشه تا حد امکان به هم نزدیک می شوند و فاصله بین خوشه های مختلف تا حد امکان بزرگ است تا از حداقل SSE (مجموع مربع خطا) اطمینان حاصل شود. SSE به صورت زیر تعریف می شود:

SSE = \sum i = ۱ ک \sum x\in_سی من ∥ x - ایکس “ ∥ ۲ ۲

(۶)

که x = {x _۱ , x _۲ , …x _n } سری زمانی وزن گره های شهر است و x′ نشان دهنده مقدار متوسط خوشه ها است.

در این مقاله، فاصله اقلیدسی بر اساس سری زمانی اصلی [ ۳۷ ] به عنوان اندازه‌گیری فاصله دو گره شهر برای تحلیل شباهت بین شهرها از منظر روند مقیاس مهاجرت استفاده می‌شود. عنصر سری زمانی استاندارد شده به صورت زیر تعریف می شود:

ایکس ل = ( پ ل - پ “ ) پ “ \times ۱۰۰

(۷)

که در آن P’ مقدار متوسط وزن نقطه در یک دوره زمانی است و x _l نشان دهنده تغییر وزن در یک روز خاص نسبت به مقدار متوسط P’ است.

برای بهینه‌سازی مقدار اولیه مراکز خوشه‌بندی و K، از ایده الگوریتم «K-means++» برای انتخاب مکرر نقطه نمونه از نقاط مرکزی انتخاب شده برای انتخاب مراکز اولیه خوشه استفاده می‌شود، و از روش زانویی برای تعیین استفاده می‌شود. یک عدد خوشه نسبتا معقول.

تجسم دینامیک لبه ها بر اساس TimeCell است

به عنوان یکی از تکنیک های جدول زمانی مبتنی بر نمایش ماتریس، TimeCell یک روش تجسم تجمعی است که اطلاعات زمانی گره ها و یال ها را در شبکه های پویا با ترکیب نمودارها بیان می کند [ ۳۸ ، ۳۹ ]. در مقایسه با سایر روش ها، TimeCell عمدتاً برای نمایش تغییرات عددی در یک شبکه در کل دوره زمانی استفاده می شود که می تواند در تحلیل جامع مقیاس مهاجرت بین دو شهر موثر باشد.

در TimeCell، اندازه هر سلول از ماتریس به طور کلی کوچک است، و تنها می توان از چند نمودار انباشته ساده یا نمادهای آماری استفاده کرد. در شکل ۴ ، ویژگی‌های گره‌ها و یال‌ها با نمودارهای میله‌ای در موقعیت‌هایی مانند عناوین ردیف و ستون و عناصر ماتریس نشان داده شده‌اند که محور X بعد زمان و محور Y بعد ویژگی گره یا لبه را بیان می‌کند.

برای نمایش مقیاس مهاجرت به روشی شهودی تر، ابتدا از روش نقطه شکست طبیعی برای طبقه بندی مقادیر استفاده می شود و بنابراین، نمودارهای سطوح مختلف را می توان با درجه بندی رنگ متمایز کرد. بر این اساس، یک نمودار میله ای حاوی یک محور زمانی در هر سلول از ماتریس تعبیه شده است تا بیان هر دو ترتیب بزرگی و دامنه تغییرات را در نظر بگیرد.

۳٫ نتایج

۳٫۱٫ ویژگی های شبکه ایستا تجمع شهری Zhongyuan بر اساس تجزیه و تحلیل شبکه اجتماعی

۳٫۱٫۱٫ شدت اتصال شبکه

سطوح کل شبکه

با استفاده از روش نقطه شکست طبیعی در ArcGIS برای میانگین ماتریس مهاجرت M′، اتصالات شبکه مهاجرت تجمعات شهری Zhongyuan به پنج سطح تقسیم می شوند: سطح مرکزی، سطح ستون فقرات، سطح اسکلت، سطح منطقه ای و سطح حاشیه، و هر سطح از همانطور که در شکل ۵ نشان داده شده است، اتصالات یک شبکه کوچک را تشکیل می دهند .

همانطور که در شکل توضیح داده شده است، ۵ جفت شهر (ژنگژو-کایفنگ، ژنگژو-سین شیانگ، ژنگژو-لوئویانگ، ژنگژو-شوچانگ و ژنگژو-ژوکو) در شبکه سطح مرکزی وجود دارد که ژنگژو به عنوان مرکز آن به شهرهای دیگر تابش می کند. جفت‌های شهر در شبکه سطح مرکزی تنها ۱٫۱۵ درصد از کل تعداد را به خود اختصاص می‌دهند، اما مقیاس مهاجرت ۲۱٫۵۹ درصد از کل مقدار را به خود اختصاص می‌دهد و آن را به شبکه اصلی مهاجرت شهری در تجمعات شهری Zhongyuan تبدیل می‌کند. شبکه در سطح ستون فقرات، شامل ۷ جفت شهر، ۱٫۶۱ درصد از تعداد کل و ۱۶٫۶۲ درصد از مقدار مهاجرت را به خود اختصاص می دهد. این شبکه از یک شبکه کوچک تشکیل شده توسط ژنگژو و چندین شهر اطراف و همچنین ۲ جفت شهر تشکیل شده است: Huaibei-Suzhou و Xingtai-Handan، که نشان می دهد که فعالیت های مهاجرت گسترده ای در مناطق شمالی و جنوب شرقی تراکم شهری Zhongyuan وجود داشته است. شبکه در سطح اسکلت، شامل ۱۵ جفت شهر، در ژنگژو به صورت فوق متمرکز است و عمدتاً در جهت‌های شمال شرقی، غربی و جنوبی گسترش می‌یابد. علاوه بر این، دو جفت در شمال غربی و جنوب شرقی وجود دارد: Changzhi-Jincheng و Shangqiu-Zhoukou-Fuyang-Bozhou، که نشان می دهد شبکه در سطح اسکلت اساساً کل محدوده تجمع شهری Zhongyuan را پوشش می دهد. شبکه در سطح منطقه ای، متشکل از ۴۳ جفت شهر، تقریباً تمام شهرهای درون تراکم شهری را پوشش می دهد، و شهرهای مرکز منطقه ای مهاجرت به وضوح ظهور می کنند، که نه تنها شامل ژنگژو، سین شیانگ و کایفنگ در وسط بلکه شامل هاندان در شمال، لوئویانگ نیز می شود. در غرب، نانیانگ، Zhoukou و Zhumadian در جنوب و Heze و Shangqiu در شرق. علاوه بر این، ۳۴۴ جفت شهر در شبکه حاشیه‌ای وجود دارد که ۷۹٫۰۸ درصد کل است، اما تنها ۱۶٫۷۶ درصد از میزان مهاجرت را شامل می‌شود که عمدتاً نشان‌دهنده فعالیت‌های مهاجرت شهری در مقیاس کوچک اما گسترده است.

وزن نقطه شهر

در این مقاله، وزن نقطه به مجموع شدت اتصال بین یک گره شهری خاص و سایر گره های شهری در شبکه اشاره دارد. یعنی وزن نقطه ای برای تحلیل مقیاس مهاجرت یک شهر واحد و رابطه مهاجرت و مهاجرت آن با سایر شهرها استفاده می شود. میانگین مقیاس مهاجرت روزانه همه شهرها و نسبت درون تراکم شهری در شکل ۶ نشان داده شده است.

از جنبه مقیاس مهاجرت، میزان مهاجرت ژنگژو بسیار بیشتر از شهرهای دیگر در تراکم شهری است و تنها شهری است که از ۴۵۰ (۴۷۴٫۴۵) فراتر می‌رود، در حالی که شهرهای دیگر به ۱۵۰ نمی‌رسند. ردیف شامل Kaifeng، Xinxiang، Zhoukou، Luoyang، Shangqiu، Handan، Suzhou، Fuyang، Xingtai و Heze است که مقیاس مهاجرت آنها بیش از ۱۰۰ است، که نشان می دهد فعالیت های مهاجرت در تراکم شهری نسبتاً فعال هستند. از منظر نسبت مهاجرت داخلی، چندین شهر که نزدیک به مرکز تجمع شهری قرار دارند، عموماً دارای ارزش بالاتری هستند. در میان آنها، نسبت ۱۸ شهر در استان هنان بیشتر از ۰٫۵ است که نشان می دهد مهاجرت در منطقه شهری Zhongyuan در این شهرها غالب است. مقیاس مهاجرت سوژو، فویانگ،

برای بررسی رابطه مهاجرت در شبکه، منبع مهاجرت و شهر مقصد مهاجرت در بزرگترین مقیاس هر شهر در تراکم شهری Zhongyuan محاسبه می شود. نتایج نشان می دهد که منبع مهاجرت و مقصد مهاجرت برای هر ۳۰ شهر یکسان است و شدت آن در هر دو جهت تقریباً برابر است.

شکل ۷حداکثر مقیاس مهاجرت ۳۰ شهر را به صورت سلسله مراتبی با در نظر گرفتن اتصالات مهاجرت به عنوان مثال نشان می دهد. همانطور که از شکل مشاهده می شود، ژنگژو بزرگترین منبع مهاجرت برای Kaifeng، Xinxiang، Jiaozuo، Luoyang و غیره است که یک رابطه واضح “۱-n” را با شدت بالا نشان می دهد. در میان آنها، ژنگژو و کایفنگ بزرگترین شهرهای مهاجرت یکدیگر هستند و همچنین جفت شهری را با بزرگترین مقیاس مهاجرت متقابل در تجمع شهری ژونگ یوان تشکیل می دهند. در حاشیه تراکم شهری، عمدتاً الگوهای اتصال “۱-۱” و “۱-۰” مانند الگوهای Xingtai-Handan، Changzhi-Jincheng و Huaibei-Suzhou وجود دارد. بیشتر این شهرها از نظر منطقه‌بندی اداری در استان هنان قرار ندارند و فعالیت‌های مهاجرتی نسبتاً مستقل است.

۳٫۱٫۲٫ مرکزیت شبکه

بر اساس مرکزیت نقطه، مرکزیت بین و مرکزیت نزدیک، تجزیه و تحلیل مرکزیت شبکه برای آشکار کردن نفوذ و قدرت شهرهای مختلف در تراکم شهری Zhongyuan استفاده می‌شود. ابتدا، ماتریس دوتایی B از طریق دوتایی سازی M بر اساس مقیاس مهاجرت متوسط (۰۶۳/۲) به دست می آید. سپس، ۳ نوع مرکزیت شبکه تجمع شهری Zhongyuan با UCINET محاسبه می شود، همانطور که در جدول ۱ نشان داده شده است.

از نظر مرکزیت نقطه، ژنگ ژو، لویانگ و ژوکو به عنوان سه رتبه اول قرار دارند که فعال ترین فعالیت های مهاجرت مستقیم را با شهرهای دیگر در تراکم شهری دارند. علاوه بر این، مرکزیت خارج از درجه ژنگژو، لوئویانگ، شین شیانگ و سوژو بیشتر از مرکزیت درجه است، که نشان می‌دهد این شهرها عمدتاً منابع را به بیرون تابش می‌کنند. اما در ژوکو، شانگکیو، هاندان و بوژو برعکس است، به این معنی که این شهرها منابع بیشتری را از شهرهای دیگر دریافت می کنند.

بر اساس نتایج محاسباتی، ژنگژو، شانگ کیو، ژوکو، سانمنشیا و هاندان پنج شهر برتر از نظر مرکزیت بین‌المللی هستند که نشان می‌دهد این شهرها گره‌های پل مهمی در تراکم شهری هستند و نقش «واسطه‌ای» در فعالیت‌های مهاجرت دارند. توجه داشته باشید که در مقایسه با سایر شهرها، Sanmenxia، که از نظر جغرافیایی نزدیک به مرکز تجمع شهری نیست، نیز ارزش بالایی دارد، که ممکن است به دلیل مرکزیت بالای آن به عنوان “تنها واسطه” باشد که یونچنگ را با سایر شهرها متصل می کند. از سوی دیگر، مقادیر Xingtai، Jiyuan، Yuncheng و Hebi شهر ۰ است که نشان می دهد ارتباطات بین این شهرها و کل تراکم شهری نیاز به تقویت دارد.

محاسبه مرکزیت نزدیکی نشان می دهد که مرکزیت دور و نزدیک سایر شهرها به جز ژنگژو مشابه است. ژنگژو به عنوان شهر مرکز منطقه ای به طور قابل توجهی از مرکز نزدیکی بالاتری نسبت به سایر شهرها برخوردار است و مرکزیت خارج از نزدیکی آن به طور قابل توجهی بیشتر از مرکزیت در نزدیکی آن است، که نشان می دهد فعالیت های مهاجرتی ژنگژو در داخل تراکم شهری کمترین محدودیت را توسط سایر شهرها دارد. شهرها و اینکه فاصله کوتاه مهاجرت از مهاجرت کوتاهتر است.

۳٫۱٫۳٫ زیرگروه های منسجم

بخش زیر گروه شهر

در تجزیه و تحلیل شبکه های اجتماعی، از زیر گروه های منسجم برای جستجوی زیر گروه های نسبتاً پایدار و متصل در شبکه و تجزیه و تحلیل ویژگی های سلسله مراتبی آنها بر اساس شباهت آنها استفاده می شود. بر اساس ماتریس دوتایی B، روش حداقل تقارن برای تولید یک ماتریس متقارن B _به عنوان پارامتر ورودی، و روش k-plex در UCINET برای تجزیه و تحلیل زیر گروه‌های تراکم شهری Zhongyuan استفاده می‌شود.

دو پارامتر ورودی در روش k-plex وجود دارد: n نشان دهنده اندازه یک زیر گروه و k تعداد گره های قطع شده در یک زیر گروه را نشان می دهد. برای تجزیه و تحلیل شبکه تراکم شهری، مقدار n از ۳ تا ۵ متغیر است. با توجه به اینکه تعداد شهرها در تراکم شهری Zhongyuan نسبتاً زیاد است، n = 5 به عنوان تعداد شهرها در یک زیر گروه در این مقاله در نظر گرفته شده است. k بر اساس مقدار n و چگالی شبکه روی یک مقدار مناسب تنظیم می شود و به طور کلی الزامات تجربی n ≥ ۲k − ۱ را برآورده می کند، بنابراین از ۱ تا ۳ متغیر است. در این مقاله، مقدار میانی ۲ به عنوان مقدار در نظر گرفته می شود. محدودیت اتصالات زیر گروه؛ یعنی در یک زیرگروه با اندازه ۵، حداقل ۳ گره دیگر به طور مستقیم به هر گره متصل هستند. نتایج زیرگروه های منسجم محاسبه شده در نشان داده شده استجدول ۲ .

نتایج نشان می دهد که در مجموع ۱۷ زیر گروه با تجزیه و تحلیل k-plex تولید می شود. نتایج زیر را می توان از فراوانی هر شهر استخراج کرد: ژنگژو در همه زیر گروه ها ظاهر می شود که منعکس کننده موقعیت اصلی آن در تراکم شهری Zhongyuan است. Xuchang، Pingdingshan و Zhoukou بیشتر ظاهر می شوند و همه در ناحیه جنوبی تراکم شهری قرار دارند. علاوه بر این، ۱۱ شهر مانند Xingtai در هیچ زیرگروهی ظاهر نمی شوند. این شهرها عمدتاً در لبه های شرقی، غربی و شمالی تراکم شهری پراکنده شده اند و در استان هنان به استثنای Sanmenxia قرار ندارند که نشان می دهد مهاجرت در داخل استان هنان بسیار بیشتر از مهاجرت به خارج و سراسر استان است.

خوشه بندی سلسله مراتبی بر اساس زیر گروه ها

بر اساس نتایج زیرگروه های منسجم، روش خوشه بندی سلسله مراتبی تک پیوندی در UCINET برای محاسبه نتایج خوشه بندی تجمع شهری Zhongyuan در سطوح مختلف، همانطور که در شکل ۸ نشان داده شده است، استفاده می شود .

از سلسله مراتب کلی، ۱۹ شهر به دو خوشه تقسیم می شوند (که در این مقاله خوشه های اولیه نامیده می شوند). توزیع شهرها در خوشه های مختلف به وضوح از نظر موقعیت متفاوت است و شهرهای یک خوشه از نظر فضا در مجاورت یکدیگر قرار دارند. خوشه اول که شامل کایفنگ، پینگدینگشان، ژنگژو، ژوچانگ، ژوکو، نانیانگ، ژومادیان، لوهه، سین یانگ و فویانگ است در ناحیه جنوبی واقع شده است، در حالی که خوشه دوم شامل جیائوزو، جی یوان، آنیانگ، هبی، لوئویانگ، سین شیانگ، Puyang، Shangqiu و Heze، در منطقه شمال مرکزی واقع شده است. این نتایج نشان می‌دهد که رابطه همسایگی فضایی تأثیر تعیین‌کننده‌ای بر فعالیت‌های مهاجرت در تراکم شهری Zhongyuan دارد. و اینکه شهرهای مجاور یکدیگر در مرز اداری احتمال تشکیل خوشه بالاتری دارند. از سوی دیگر، اگرچه ژنگژو در موقعیت مرکزی تراکم شهری قرار دارد، خوشه ها به جای جهت گیری حلقه مرکزی در امتداد یک جهت خاص به نظر می رسند، که نشان می دهد شهرهای جنوبی در تراکم شهری Zhongyuan شباهت مهاجرت بیشتری دارند و نزدیک تر هستند. متصل.

از سلسله مراتب محلی، خوشه های ثانویه آشکاری در داخل دو خوشه اولیه وجود دارد. در اولین خوشه اولیه، Xinyang و Fuyang در یک خوشه ثانویه گروه بندی می شوند و آخرین آنها هستند که به خوشه اولیه ملحق می شوند، که نشان می دهد شهرهای دیگر در خوشه اولیه نسبت به این دو شهر از نظر مهاجرت شباهت بیشتری دارند. در دیگر خوشه اولیه، چهار خوشه ثانویه وجود دارد: Jiaozuo-Jiyuan، Anyang-Hebi، Luoyang-Xinxiang-Puyang و Shangqiu-Heze، و بیشتر آنها شهرهای مجاور هستند، که همچنین تأثیر آشکار همسایگان فضایی را بر مهاجرت شهری تأیید می کند. شباهت توجه داشته باشید که Luoyang و Xinxiang مجاور نیستند، اما در کنار هم قرار گرفته‌اند، که نشان می‌دهد ممکن است ارتباط مهاجرتی خاصی بین این دو شهر وجود داشته باشد.

۳٫۲٫ ویژگی های شبکه پویا تجمع شهری ژونگ یوان از نظر تناوب

۳٫۲٫۱٫ تغییرات پویا در مقیاس مهاجرت گره های شهر

در دوره‌های غیر تعطیل، مقیاس مهاجرت شهرهای تجمع شهری ژونگ‌یوان یک چرخه «هفتگی» را نشان می‌دهد که منعکس‌کننده رفت و آمد هفتگی بین شهرها، یعنی «پدیده آونگ آخر هفته» [ ۴۰ ] است. برای بررسی ویژگی‌های تغییر مهاجرت و مهاجرت در شهرهای خاص، سری‌های زمانی استاندارد شده مهاجرت و مهاجرت را برای یک هفته می‌سازیم و از الگوریتم خوشه‌بندی K-means برای استخراج خوشه‌های شهر با دامنه‌های تغییر مهاجرت مشابه استفاده می‌کنیم.

خوشه بندی بر اساس مهاجرت

محاسبه بر اساس روش زانویی است و K = 5 به عنوان عدد خوشه برای محاسبه مراکز خوشه تعیین می شود. تغییر در دامنه مهاجرت مراکز خوشه در طول زمان و شهرهای مربوط به هر خوشه به ترتیب در شکل ۹ و جدول ۳ نشان داده شده است.

Cluster_0 که دامنه تغییرات کلی قابل توجهی ۳۷ درصد دارد شامل ۱۰ شهر مانند بوژو است که بیشترین میزان مهاجرت را در روز شنبه و کمترین شدت را در روزهای سه شنبه، چهارشنبه و پنجشنبه دارند. Cluster_1، شامل تنها یک شهر، ژنگژو، دارای دامنه تغییرات کلی ۳۶٪ است. بیشترین شدت مهاجرت در روز دوشنبه و کمترین آن در روزهای چهارشنبه و پنجشنبه است. Cluster_2 شامل ۵ شهر مانند Sanmenxia است که دارای حداقل دامنه تغییرات کلی ۱۰٪ است. میزان مهاجرت در روزهای دوشنبه، شنبه و یکشنبه زیاد و روز پنجشنبه کم است که نشان می دهد شدت مهاجرت نسبتاً ثابت است. Cluster_3 شامل ۱۰ شهر، مانند نانیانگ، با دامنه تغییرات کلی ۲۱ درصد است، محدوده تغییرات متوسط. بیشترین شدت مهاجرت در روز شنبه و کمترین آن از سه شنبه تا پنجشنبه است. Cluster_4، از جمله سوژو و ۳ شهر دیگر، دارای بیشترین دامنه تغییرات کلی ۴۸٪ با حداکثر میزان مهاجرت در روز شنبه، و کمترین شدت از سه شنبه تا پنجشنبه است.

به طور کلی، تعداد مهاجران در آخر هفته به اوج خود می رسد و از سه شنبه تا پنجشنبه کاهش می یابد. منحنی های مهاجرت Cluster_0، Cluster_3 و Cluster_4 مشابه هستند، که منحنی Cluster_4 مهم ترین است، که نشان می دهد سوژو، کایفنگ، جیائوزو و بنگبو مقصد رفت و آمد بین شهری در تعطیلات آخر هفته هستند.

خوشه بندی بر اساس مهاجرت

در تجزیه و تحلیل مهاجرت، دوباره K = 5 به عنوان شماره خوشه انتخاب می شود. تغییر در دامنه مهاجرت مرکز خوشه در طول زمان و شهرهای مربوط به هر خوشه به ترتیب در شکل ۱۰ و جدول ۴ نشان داده شده است.

Cluster_0 شامل Zhoukou و Handan با دامنه تغییرات کلی کوچک ۱۸٪ است که در آن تعداد مهاجران در روز دوشنبه بیشترین میزان را دارد و در سایر اوقات هفته کم است. Cluster_1 شامل تنها یک شهر، ژنگژو، با بیشترین دامنه تغییرات کلی ۴۴٪ است. شدت مهاجرت در روز شنبه بیشترین میزان مهاجرت را دارد و از سه شنبه تا پنجشنبه میزان مهاجران نسبتا کم است. Cluster_2 با دامنه تغییرات کلی ۲۵ درصد شامل ۵ شهر مانند Sanmenxia است که بیشترین میزان مهاجرت در روز شنبه و کمترین مقدار در روز سه شنبه رخ می دهد. Cluster_3، شامل سوژو و ۱۱ شهر دیگر، دارای دامنه تغییرات کلی متوسط ۲۲٪ است. شدت مهاجرت در روزهای دوشنبه، شنبه و یکشنبه بالاست. و در روزهای چهارشنبه و پنجشنبه میزان مهاجرت کاهش یافته است. Cluster_4 شامل ۱۰ شهر مانند Xinyang است و دارای حداقل دامنه تغییرات کلی ۱۶٪ است. در بین شهرهای این خوشه بیشترین میزان مهاجرت در روز دوشنبه و کمترین آن در روز چهارشنبه با افزایش چشمگیر در روز شنبه است.

در مجموع، شدت مهاجرت از شنبه تا دوشنبه در سطح بالایی باقی می ماند و از سه شنبه تا پنجشنبه کم می شود. علاوه بر این، منحنی‌های مهاجرت Cluster_1 و Cluster_2 شبیه‌تر هستند، که نشان می‌دهد ژنگژو، سانمنشیا، بوژو، یونچنگ، چانگجی و فویانگ نقاط شروع رفت‌وآمد بین شهرها در تعطیلات آخر هفته هستند، در حالی که برخی از شهرها مانند ژوکو و هاندان نقطه شروع هستند. رفت و آمد هفتگی

۳٫۲٫۲٫ تغییرات پویا در مقیاس مهاجرت بین شهری

برای بررسی ویژگی‌های تغییر دینامیکی مقیاس مهاجرت و رابطه بین دو شهر در تراکم شهری Zhongyuan، یک روش سلسله مراتبی TimeCell پیشنهاد شده و برای تجسم مقیاس مهاجرت بر اساس ماتریس M برای ۷ روز، همانطور که در شکل ۱۱ نشان داده شده است، اتخاذ شده است.

به طور کلی، تغییر در مقیاس مهاجرت بین دو شهر در تراکم شهری Zhongyuan به طور کلی با گره های شهر سازگار است. به طور خاص، تغییرات دینامیکی در مقیاس مهاجرت بین شهری را می توان به چهار نوع زیر طبقه بندی کرد. ① اوج گرفتن در روز دوشنبه، یعنی مهاجرت بین دو شهر در روز دوشنبه به اوج خود می رسد. این نوع عمدتاً در مهاجرت به ژنگژو از برخی از شهرهای استان هنان مانند کایفنگ، لوئویانگ، سین شیانگ، ژوچانگ و جیائوزو ظاهر می شود. ② اوج گرفتن در تعطیلات آخر هفته، یعنی در آخر هفته (مخصوصا شنبه) مهاجرت به اوج خود می رسد. این ویژگی را می توان در مهاجرت از ژنگژو به شهرهایی از جمله کایفنگ، لوئویانگ و غیره یافت و خلاف جهت آن نوع ① است. علاوه بر این، این نوع مهاجرت بین برخی از شهرهای دیگر نیز وجود دارد. مانند Sanmenxia-Luoyang، Anyang-Jiaozuo، Shangqiu-Zhoukou و Fuyang-Zhoukou. قابل توجه است که مقیاس مهاجرت ① و ② به طور کلی بزرگتر است، که با قضاوت رفت و آمد هفتگی بین شهری در مطابقت دارد.بخش ۳٫۲٫۱ . ③ Bimodal، یعنی دو اوج مهاجرت در روز دوشنبه و آخر هفته وجود دارد، و مقیاس مهاجرت تقریباً یکسان است، مانند Luoyang-Kaifeng، Anyang-Xinxiang، Jiaozuo-Xinxiang، Xuchang-Pingdingshan، Luohe-Xuchang، Jiaozuo- جی یوان و فویانگ-بوژو. ④ پایدار است، یعنی مقیاس مهاجرت بدون قله های آشکار در طول یک هفته، مانند Shangqiu-Kaifeng، Heze-Shangqiu و Handan-Xingtai کمی تغییر می کند.

انواع تغییر مقیاس مهاجرت در تراکم شهری نشان دهنده سطح توسعه یکپارچگی شهری و عملکردهای شهری دو شهر است. سیاست توسعه ادغام شهری منجر به گسترش “قبیله آونگ” از رفت و آمد در یک شهر واحد به محدوده بین شهری شده است و تعداد فزاینده ای از مردم را قادر می سازد تا سبک زندگی دوشهری “۵ + ۲” داشته باشند. شهرهایی با اوج ورودی در روزهای یکشنبه و دوشنبه معمولا شهرهای مرکزی با شرایط کاری بهتر هستند، در حالی که شهرهایی با ورودی بیشتر در روزهای جمعه و شنبه معمولا شهرهای اطراف هستند. می توان نتیجه گرفت که هر چه مقیاس مهاجرت بزرگتر باشد و دامنه تغییرات (مانند نوع ① و نوع ②) بین دو شهر بیشتر باشد، سطح توسعه یکپارچگی شهری بالاتر است.

۴٫ بحث

این مقاله به طور مبتکرانه روش تجزیه و تحلیل ویژگی های شبکه پویا را با توجه به تناوب ارائه می دهد، که در مطالعه قبلی تراکم شهری استفاده نشده است. بنابراین، ما روش خود را با تحقیقات موجود بر اساس نتایج تحلیل مشخصه شبکه ایستا مقایسه می کنیم. (۱) هم شدت شبکه از روش ما و هم روش مبتنی بر تجزیه و تحلیل شبکه اتصال جامع [ ۱۷] می تواند الگوی شبکه چند سطحی با محوریت ژنگژو را منعکس کند. تفاوت این است که طبق تحقیقات An، اتصالات شبکه سطح بالا در امتداد خطوط قطار (خط پکن-گوانگژو، خط لانگهای، خط پکن-کوولون و غیره) توزیع می شوند، در حالی که شبکه های مبتنی بر مهاجرت جمعیت چنین ویژگی هایی را نشان نمی دهند. این نشان می دهد که فرکانس قطارها لزوماً منعکس کننده شدت اتصال بین دو شهر نیست، زیرا ممکن است دلیلی بر اهمیت کل خط باشد. در مقابل، مقیاس مهاجرت بازتاب و شاخص مستقیم تری است. علاوه بر این، مطالعه ما نه تنها سطح کلی شبکه را نشان می‌دهد، بلکه تجزیه و تحلیل وزن نقطه‌ای را برای شهرها انجام می‌دهد تا مهاجرت بین دو شهر را در یک چشم‌انداز جامع آشکار کند.۱۴ ] نشان می‌دهد که شهرهای استان هنان ابتدا در خوشه‌بندی شرکت می‌کنند، که نشان می‌دهد این شهرها شباهت مهاجرت بیشتری دارند و به هم نزدیک‌تر هستند. با این تفاوت که نتیجه هان نشان می دهد که همه شهرها در خوشه بندی سلسله مراتبی شرکت می کنند، در حالی که از تحقیقات ما متوجه می شویم که رابطه بین شهرهای خاصی مانند بوژو و سایرین نسبتا ضعیف است و در هیچ زیرگروه منسجم و خوشه بندی سلسله مراتبی ظاهر نمی شود. با توجه به منطقه‌بندی اداری استانی چین، مقیاس مهاجرت بین شهرهای حاشیه‌ای و شهرهای همان استان‌ها ممکن است بزرگتر از مقیاس مهاجرت بین آنها و شهرهای تجمعات شهری ژونگ‌یوان باشد و ارتباطات درون تجمعات شهری نسبتاً ضعیف است. این نتایج با شکل ۶ مطابقت دارد.

الگوی شبکه های مهاجرت یکی از جلوه های بیرونی ارتباط متقابل بین شهرها است. مهاجرت جمعیت تحت تأثیر عوامل زیادی از جمله منطقه‌بندی اداری، ترافیک، جمعیت ساکن و اقتصاد است و همچنین تا حدی باعث ایجاد ترافیک و توسعه اقتصادی می‌شود. از نتایج فوق می توان دریافت که تأثیر منطقه ای شدن اداری بر شبکه مهاجرت شهری مشهود است. تأثیر عوامل منطقه‌بندی اداری نه تنها در موقعیت جغرافیایی بلکه در ابلاغ و اجرای سیاست‌های مربوطه نیز منعکس می‌شود. استان هنان به طور کلی در بخش مرکزی تراکم شهری Zhongyuan واقع شده است و ژنگژو نیز در مرکز جغرافیایی واقع شده است که به تحکیم نفوذ آن کمک می کند. ژنگژو مرکز مهم راه‌آهن (مرکز متقاطع دوگانه راه‌آهن‌های معمولی و پرسرعت، و مرکز شبکه راه‌آهن پرسرعت متری)، حمل‌ونقل هوایی (منطقه آزمایشی جامع اقتصادی فرودگاه ملی)، بزرگراه‌ها، نیروی برق است. ، خدمات پستی و مخابراتی در چین. تولید ناخالص داخلی آن در سطح تریلیون ها و بسیار جلوتر از شهرهای دیگر است و جمعیت دائمی آن در سرشماری هفتم از ۱۲٫۶ میلیون نفر فراتر رفت. همه اینها شرایط عینی برای مقیاس مهاجرت بسیار بزرگ آن است. با بهره مندی از سیاست توسعه ادغام شهری با ژنگژو به عنوان هسته مرکزی، کایفنگ، سین شیانگ، لوئویانگ و سایر شهرهای مجاور ژنگژو دارای مقیاس بزرگی از مهاجرت هستند که در میان آنها مهاجرت با ژنگژو سهم زیادی را به خود اختصاص می دهد. مثلا، مقیاس مهاجرت ژنگژو و کایفنگ تأثیر مثبت ساخت ادغام ژنگ-کای را بر فعالیت های مهاجرتی دو شهر منعکس می کند. منطقه نمایش نوآوری مستقل ملی ژنگ-لو-شین، که بر اساس مناطق توسعه صنعتی با فناوری پیشرفته در ژنگژو، لوئویانگ و سین شیانگ ساخته شده است، نقش مهمی در ترویج مهاجرت جمعیت، ادغام شهرها و توسعه صنایع نوآورانه دارد. ممکن است این یک عامل مهم سیاستی باشد که باعث می شود شین شیانگ و لوئویانگ، که مجاور نیستند، همچنان مقیاس خاصی از مهاجرت را از خود نشان دهند. علاوه بر این، Shangqiu، Luoyang، Zhoukou و Handan از نظر مقیاس مهاجرت و مرکزیت پیشتاز هستند و جایگاه مهمی در ساختار شبکه مهاجرت دارند. آنها شهرهای گره فرعی در شرق، غرب، مناطق جنوبی و شمالی تراکم شهری Zhongyuan. به طور خلاصه، شبکه مهاجرت کنونی تراکم شهری Zhongyuan با یک ساختار دایره‌ای با ژنگژو به عنوان مرکز، یک کمربند شهری در اطراف ژنگژو به عنوان اتصال، و شهرهای زیرمرکزی به عنوان پشتیبان و شهرهای پیرامونی به عنوان توسعه مشخص می‌شود. تا حدی، نتیجه‌گیری از تحقیقات شبکه مهاجرت در این مقاله با برنامه‌ریزی تراکم شهری Zhongyuan برای ایجاد یک سیستم مرکز حمل‌ونقل جامع مدرن با “طرح معقول و سلسله مراتب واضح” مطابقت دارد. و شهرهای فرعی به عنوان پشتیبان و شهرهای پیرامونی به عنوان پسوند. تا حدی، نتیجه‌گیری از تحقیقات شبکه مهاجرت در این مقاله با برنامه‌ریزی تراکم شهری Zhongyuan برای ایجاد یک سیستم مرکز حمل‌ونقل جامع مدرن با “طرح معقول و سلسله مراتب واضح” مطابقت دارد. و شهرهای فرعی به عنوان پشتیبان و شهرهای پیرامونی به عنوان پسوند. تا حدی، نتیجه‌گیری از تحقیقات شبکه مهاجرت در این مقاله با برنامه‌ریزی تراکم شهری Zhongyuan برای ایجاد یک سیستم مرکز حمل‌ونقل جامع مدرن با “طرح معقول و سلسله مراتب واضح” مطابقت دارد.۲۹ ].

۵٫ نتیجه گیری ها

بر اساس داده‌های مهاجرت بایدو، این مقاله الگوهای شبکه تجمع شهری Zhongyuan را از هر دو جنبه استاتیک و پویا تحلیل می‌کند. نتیجه گیری به شرح زیر است.

(۱) تحقیقات بر روی شبکه های مهاجرت ایستا بر اساس تحلیل شبکه های اجتماعی نشان می دهد که: الف. تمام اتصالات شبکه را می توان با توجه به مقیاس مهاجرت متوسط بین گره های شهر به ۵ سطح تقسیم کرد، یعنی اتصالات سطح مرکزی، سطح ستون فقرات، سطح اسکلت، سطح منطقه ای و سطح حاشیه. شبکه‌های متشکل از اتصالات در سطوح مرکزی و ستون فقرات بیش از ۳۸ درصد از کل مهاجرت را اشغال می‌کنند و شکل شعاعی با ژنگژو به عنوان مرکز و بقیه به عنوان محیط اطراف به خود می‌گیرند. ب از نظر وزن امتیاز، ژنگژو به دلیل موقعیتش به عنوان یک مرکز حمل و نقل ملی، برتری مطلق نسبت به شهرهای دیگر در تراکم شهری Zhongyuan دارد و بزرگترین ارتباط مهاجرت را با اکثر شهرهای اطراف حفظ می کند. علاوه بر این، نسبت مهاجرت داخلی هر شهر در استان هنان بیش از ۵۰ درصد است. ج. تجزیه و تحلیل مرکزیت شبکه نشان می دهد که ژنگ ژو، لویانگ و ژوکو بیشترین شدت مهاجرت را نسبت به شهرهای دیگر در تراکم شهری دارند. Zhengzhou، Shangqiu، Zhoukou، Sanmenxia و Handan گره‌های میانی مهم در تجمعات شهری هستند، در حالی که فعالیت‌های مهاجرتی Zhengzhou، Shangqiu و Zhoukou کمترین محدودیت را در شهرهای دیگر دارند. د تجزیه و تحلیل زیرگروه‌های منسجم نشان می‌دهد که ۱۱ شهر که توسط Xingtai نشان داده می‌شوند، موفق به تشکیل یک ارتباط زیرگروهی نمی‌شوند و ۱۹ شهر دیگر با توجه به شباهت زیر گروه‌ها به دو خوشه در بخش‌های جنوبی و شمالی مرکزی تراکم شهری گروه‌بندی می‌شوند. خوشه جنوبی شامل ۱۰ شهر مانند ژنگژو و خوشه شمال مرکزی شامل ۹ شهر است.

(۲) تحقیق در مورد ویژگی های پویای شبکه های مهاجرت در عرض یک هفته با توجه به تناوب نشان می دهد که: الف. مقیاس مهاجرت به داخل و خارج از یک شهر منفرد در آخر هفته به اوج خود می رسد و از سه شنبه تا پنجشنبه کاهش می یابد و یک پدیده رفت و آمد هفتگی آشکار وجود دارد. از نظر مهاجرت، سوژو، کایفنگ، جیائوزو و بنگبو مقصد رفت و آمد هفتگی در تعطیلات آخر هفته و ژنگژو مقصد رفت و آمد هفتگی در ابتدای هفته است. برای مهاجرت، ژنگژو، سانمنشیا و بوژو نقاط شروع رفت و آمد هفتگی در تعطیلات آخر هفته هستند، در حالی که ژوکو و هاندان نقطه شروع در ابتدای هفته هستند. ب تنوع مهاجرت بین دو شهر را می توان به چهار نوع تقسیم کرد: اوج گرفتن در روز دوشنبه (به نمایندگی از Kaifeng-Zhengzhou)، در آخر هفته ها به اوج می رسد (با نمایندگی ژنگژو-کایفنگ)، دووجهی (با نمایندگی Xuchang-Pingdingshan) و پایدار (با نمایندگی Heze-Shangqiu). این نوع تغییرات مقیاس مهاجرت همچنین می تواند سطح توسعه یکپارچگی شهری و عملکردهای شهری دو شهر را منعکس کند.

با توجه به تحلیل و بحث فوق، در مقایسه با توسعه‌یافته‌ترین مجتمع‌های شهری در جهان (تراکم‌های شهری با مرکز نیویورک، توکیو)، تراکم شهری Zhongyuan همچنین دارای مزیت موقعیت مکانی برای توسعه و ساخت و ساز چند لایه است. با این حال، به دلیل تأثیر عواملی مانند منطقه‌ای شدن اداری و فاصله مکانی، شهرهای استان هنان دارای ارتباطات داخلی نسبتاً بالایی هستند، در حالی که ارتباط با شهرهای سایر استان‌ها نیاز به تقویت دارد. به منظور ترویج توسعه هماهنگ تراکم شهری Zhongyuan، توصیه می شود به تقویت وضعیت هسته ژنگژو و محدوده تشعشعات ادامه داده و ساخت راه آهن بین شهری، حمل و نقل ریلی و بزرگراه ها در اطراف ژنگژو را تسریع بخشید. به طوری که یک شبکه حمل و نقل شهری راحت تر در کمربند شهر در اطراف ژنگژو تشکیل شود. علاوه بر این، حمایت از ساخت لوئویانگ به عنوان یک هاب ملی، و فویانگ و دیگر مراکز حمل و نقل منطقه ای برای کاهش فشار مهاجرت شهرهای زیرمرکز اهمیت زیادی دارد و ساخت هاب های منطقه ای به بهبود ارتباط مهاجرت بین شهرهای پیرامونی کمک می کند. و دیگران برای ترویج توسعه یکپارچه و کارآمد کل تراکم شهری.

در نتیجه، تحقیقات ما کمک هایی به کشف الگوی ویژگی های شبکه می کند، اما برای مطالعه علیت نسبتاً ناکافی است. اگرچه الگوهای شبکه از هر دو جنبه ایستا و پویا به تفصیل در این مقاله نشان داده شده است، باید توجه داشت که این نتایج تنها از داده‌های مهاجرت به دست می‌آیند و توجه کمی به عوامل دیگر داده شده است. به عنوان مثال، داده های مهاجرت بایدو حاوی اطلاعاتی در مورد مقیاس و جهت مهاجرت بین شهری است، بدون هیچ گونه اطلاعاتی در مورد عوامل “فشار و کشش” موثر بر مهاجرت، که برای مطالعه عمیق ما در مورد شکل گیری شبکه ها مفید نیست. بنابراین، مطالعات آتی می تواند بر روی همبستگی و روابط علی بین جریان مهاجرت و ترافیک، جمعیت دائمی و….تاثیر گذارد.

منابع

Gottmann, J. Megalopolis: شهرنشینی ساحل شمال شرقی ایالات متحده ; انتشارات MIT: کمبریج، بریتانیا، ۱۹۶۴٫ [ Google Scholar ]
Gottmann, J. سیستم های کلان شهری در سراسر جهان. هروات. Geogr. شیشه. ۱۹۷۶ ، ۳۸ ، ۱۰۳-۱۱۱٫ [ Google Scholar ]
گائو، ایکس. لی، سی. تبعیض جغرافیایی برای پاسخ شهرنشینی به ارتقاء ساختار صنعت در منطقه صنعتی دریاچه های بزرگ. ثبت جهانی گل میخ. ۲۰۰۶ ، ۱۵ ، ۷۱-۷۷٫ (به زبان چینی) [ Google Scholar ]
لیو، ک. مورایاما، ی. Ichinose، T. بررسی رابطه بین چند مرکزیت شهری کاربردی و ویژگی‌های منطقه‌ای تحرک انسانی: تحلیل چند نمایه در منطقه شهری توکیو. Cities ۲۰۲۱ , ۱۱۱ , ۱۰۳۱۰۹٫ [ Google Scholar ] [ CrossRef ]
ژانگ، ی. مارشال، اس. Manley, E. درک نقش ایستگاه های راه آهن: بینش از رویکردهای شبکه در منطقه شهری لندن. J. Transp. Geogr. ۲۰۲۱ ، ۹۴ ، ۱۰۳۱۱۰٫ [ Google Scholar ] [ CrossRef ]
Heitz، A. دوگانه سازی لجستیک مورد بحث: شواهد از منطقه شهری پاریس. Cities ۲۰۲۱ , ۱۱۹ , ۱۰۳۴۰۷٫ [ Google Scholar ] [ CrossRef ]
لیو، S. مگا مناطق در سراسر جهان و تجربیات آن در چین. دانشگاهیان ۲۰۱۲ ، ۶ ، ۱۹-۲۸، ۲۶۹-۲۷۳٫ (به زبان چینی) [ Google Scholar ]
کاستلز، ام. محلی و جهانی: شهرها در جامعه شبکه ای. Tijdschr. Voor Econ. En Soc. Geogr. ۲۰۰۲ ، ۹۳ ، ۵۴۸-۵۵۸٫ [ Google Scholar ] [ CrossRef ]
وانگ، ال. لیو، اچ. لیو، Q. شبکه شهری چین بر اساس داده های بزرگ مهاجرت Tencent. Acta Geogr. گناه ۲۰۲۱ ، ۷۶ ، ۸۵۳-۸۶۹٫ (به زبان چینی) [ Google Scholar ]
وانگ، سی. وانگ، ام. تکامل ویژگی‌های شبکه مرتبط بین شهرهای استان شاندونگ: مقایسه نظریه‌های فضای مرکزی و جریان. Geogr. Res. ۲۰۱۷ ، ۳۶ ، ۲۱۹۷–۲۲۱۲٫ (به زبان چینی) [ Google Scholar ]
ژنگ، بی. Zhong, Y. مطالعه ساختار فضایی شبکه مهاجرت جمعیت تراکم شهری در رودخانه یانگ تسه میانی بر اساس شبکه پیچیده. اقتصاد Geogr. ۲۰۲۰ ، ۴۰ ، ۱۱۸-۱۲۸٫ (به زبان چینی) [ Google Scholar ]
سان، ج. Hou, L. تحقیق در مورد ویژگی های ساختار شبکه تراکم شهری چنگدو-چونگ کینگ بر اساس داده های مهاجرت جمعیت Tencent. مد. Urban Res. ۲۰۲۰ ، ۹ ، ۷۸-۸۵٫ (به زبان چینی) [ Google Scholar ]
سان، س. وانگ، اس. ژانگ، ک. ما، اف. گوا، ایکس. لی، تی. الگوی فضایی سیستم شهری بر اساس مدل گرانشی و تحلیل کل شبکه در هشت تجمع شهری چین. ریاضی. مشکل مهندس ۲۰۱۹ , ۹ , ۶۵۰۹۷۲۶٫ [ Google Scholar ] [ CrossRef ]
هان، تی. هوو، جی. ژو، جی. کوی، جی. ما، بی. لیو، جی. تحقیق تطبیقی ساختار شبکه شهری تراکم شهری Zhongyuan بر اساس داده های چند متغیره. J. Henan Univ. (Nat. Sci.) ۲۰۲۰ ، ۵۰ ، ۳۷۹-۳۹۰٫ (به زبان چینی) [ Google Scholar ]
لیو، ز. دینگ، ز. اتوبوس.؛ وانگ، اف. تحلیل ساختار شبکه تراکم شهری Zhongyuan بر اساس رابطه تعاملی و جریان ترافیک. هوم Geogr. ۲۰۱۵ ، ۳۰ ، ۷۹-۸۶٫ (به زبان چینی) [ Google Scholar ]
زو، ایکس. وانگ، کیو. ژانگ، پی. یو، ی. Xie, L. بهینه سازی ساختار فضایی تراکم شهری: بر اساس تجزیه و تحلیل شبکه های اجتماعی. کیفیت مقدار. ۲۰۲۱ ، ۵۵ ، ۶۸۳-۷۰۵٫ [ Google Scholar ] [ CrossRef ]
An، Y. لیو، جی. Qiao، D. اتصال فضایی شهری و ساختار شبکه در تجمع شهری Zhongyuan: مطالعه ای بر اساس ترافیک یکپارچه و جریان اطلاعات. علمی Geogr. گناه ۲۰۱۹ ، ۳۹ ، ۱۹۲۹–۱۹۳۷٫ (به زبان چینی) [ Google Scholar ]
ماهوتگا، MC; ما، ایکس. اسمیت، دی. تیمبرلیک، ام. جهانی شدن اقتصادی و ساختار سیستم شهر جهانی: مورد داده های مسافران هواپیمایی. مطالعه شهری. ۲۰۱۰ ، ۴۷ ، ۱۹۲۵-۱۹۴۷٫ [ Google Scholar ] [ CrossRef ]
Taylor, PJ جغرافیای جدید جامعه مدنی جهانی: سازمان های غیردولتی در شبکه شهر جهانی. جهانی شدن ها ۲۰۰۴ ، ۱ ، ۲۶۵-۲۷۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیو، دبلیو. شی، ای. الگوی فضایی جریان روزانه جمعیت در بین شهرها بر اساس فناوری اطلاعات و ارتباطات: مطالعه موردی “مهاجرت بایدو”. Acta Geogr. گناه ۲۰۱۶ ، ۷۱ ، ۱۶۶۷-۱۶۷۹٫ (به زبان چینی) [ Google Scholar ]
ژائو، ی. لی، جی. Guo, J. مطالعه در مورد اتصال شبکه شهری تجمع چنگدو-چونگ کینگ بر اساس شاخص بایدو. Areal Res. توسعه دهنده ۲۰۱۷ ، ۳۶ ، ۵۵–۵۹، ۱۲۹٫ (به زبان چینی) [ Google Scholar ]
کرینگز، جی. کارابرس، اف. راتی، سی. بلوندل، VD جاذبه شهری: مدلی برای جریان های مخابراتی بین شهری. J. Stat. مکانیک. تئوری Exp. ۲۰۰۹ ، ۷ ، L07003. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جیانگ، ایکس. وانگ، اس. تحقیق در مورد شبکه تحرک جمعیت شهری چین: بر اساس داده های بزرگ مهاجرت بایدو. چانه. جی پوپول. علمی ۲۰۱۷ ، ۲ ، ۳۵–۴۶، ۱۲۷٫ (به زبان چینی) [ Google Scholar ]
ژانگ، ایکس. هان، اچ. تانگ، ی. Luo, G. تحقیق در مورد ویژگی های ساختار شبکه شهری در چین بر اساس داده های مهاجرت بایدو. J. Geo-Inf. علمی ۲۰۲۱ ، ۲۳ ، ۱۷۹۸-۱۸۰۸٫ (به زبان چینی) [ Google Scholar ]
لیو، اچ. وانگ، ال. لی، کیو. یان، سی. الگوهای مکانی و زمانی شبکه‌های ارتباط شهری در حوضه رودخانه زرد بر اساس داده‌های بزرگ Tencent در مورد مهاجرت جمعیت. اقتصاد Geogr. ۲۰۲۰ ، ۴۰ ، ۲۸-۳۷٫ (به زبان چینی) [ Google Scholar ]
وانگ، ایکس. دینگ، اس. کائو، دبلیو. فن، دی. تانگ، بی. تحقیق در مورد الگوهای شبکه و عوامل مؤثر بر جریان جمعیت و مهاجرت در تراکم شهری دلتای رودخانه یانگ تسه، چین. پایداری ۲۰۲۰ ، ۱۲ ، ۶۸۰۳٫ [ Google Scholar ] [ CrossRef ]
بله، س. ژانگ، ال. پنگ، پی. هوانگ، جی. ویژگی‌های شبکه تجمعات شهری در بخش میانی رودخانه یانگ تسه بر اساس داده‌های مهاجرت بایدو. اقتصاد Geogr. ۲۰۱۷ ، ۳۷ ، ۵۳-۵۹٫ (به زبان چینی) [ Google Scholar ]
پان، جی. Lai, J. 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. ۲۰۱۹ ، ۳۸ ، ۱۶۷۸–۱۶۹۳٫ (به زبان چینی) [ Google Scholar ]
اطلاعیه کمیسیون توسعه و اصلاحات ملی در مورد صدور طرح توسعه برای تراکم شهری Zhongyuan. در دسترس آنلاین: https://www.ndrc.gov.cn/xxgk/zcfb/ghwb/201701/t20170105_962218_ext.html (در ۱ ژوئن ۲۰۲۱ قابل دسترسی است). (به زبان چینی)
لیو، ام. وانگ، دبلیو. لیو، جی. لیانگ، ال. کیائو، دی. An، Y. الگوی تحدید حدود و تکامل محدوده‌های جذاب فضای شهرها در تراکم شهری Zhongyuan. Areal Res. توسعه دهنده ۲۰۱۷ ، ۳۶ ، ۴۹-۵۴٫ (به زبان چینی) [ Google Scholar ]
ژنگ، اچ. مطالعه روی الگو و بهینه سازی شبکه شهری در تجمع شهری ژنگژو از دیدگاه فضای جریان ها. پایان نامه کارشناسی ارشد، دانشگاه عادی شمال شرقی، چانگچون، چین، ۲۰۲۰٫ (به زبان چینی). [ Google Scholar ]
وانگ، سی. یان، جی. وارونگی ساختار شاخص مقیاس مهاجرت بایدو. J. Univ. الکترون. علمی تکنولوژی چین ۲۰۲۱ ، ۵۰ ، ۶۱۶-۶۲۶٫ (به زبان چینی) [ Google Scholar ]
تحلیل شبکه اجتماعی اسکات، جی . انتشارات Sage Ltd.: لندن، انگلستان، ۲۰۰۰٫ [ Google Scholar ]
Liu, J. Whole Network Approach , ۳rd ed.; Truth & Wisdom Press: شانگهای، چین، ۲۰۱۹٫ (به زبان چینی) [ Google Scholar ]
شنگ، ک. یانگ، ی. ژانگ، اچ. زیرگروه های منسجم و عوامل زمینه ای در شبکه شهری در چین. Geogr. Res. ۲۰۱۹ ، ۳۸ ، ۲۶۳۹–۲۶۵۲٫ (به زبان چینی) [ Google Scholar ]
ژو، سی. Qv، P. Wang, X. DSNE: یک الگوریتم جدید تحلیل شبکه اجتماعی پویا. J. Jilin Univ. (Eng. Technol. Ed.) ۲۰۰۸ , ۳۸ , ۴۰۸-۴۱۳٫ (به زبان چینی) [ Google Scholar ]
آهنگ، سی. Pei, T. پیشرفت تحقیق در روش های خوشه بندی سری های زمانی بر اساس ویژگی ها. Prog. GeoGraphy ۲۰۱۲ , ۳۱ , ۱۳۰۷–۱۳۱۷٫ (به زبان چینی) [ Google Scholar ]
چن، دبلیو. شن، ز. Tao, Y. Data Visualization , ۲nd ed.; انتشارات خانه صنعت الکترونیک: پکن، چین، ۲۰۱۹٫ (به زبان چینی) [ Google Scholar ]
یی، JS; علمکویست، ن. Lee, S. TimeMatrix: تجزیه و تحلیل شبکه های اجتماعی زمانی با استفاده از تجسم های مبتنی بر ماتریس تعاملی. بین المللی J. Hum.-Comput. تعامل داشتن. ۲۰۱۰ ، ۲۶ ، ۱۰۳۱-۱۰۵۱٫ [ Google Scholar ] [ CrossRef ]
چن، اس. Shen, L. مطالعه ویژگی‌های مکانی-زمانی تحرک جمعیت در مناطق ادغام شهری سه شهر بر اساس داده‌های بزرگ مکان Tencent. مد. Urban Res. ۲۰۱۹ ، ۱۱ ، ۲-۱۲٫ (به زبان چینی) [ Google Scholar ]