COVID-19影響下中國城市群國慶假期出行網絡時空變化
——基于2019年和2021年百度遷徙大數據

董 瑤 嘉,王 甫 園,王 開 泳

(1.中國科學院地理科學與資源研究所/中國科學院區域可持續發展分析與模擬重點實驗室,北京 100101;2.中國行政區劃與區域發展促進會,北京 100044;3.中國科學院大學資源與環境學院,北京 100049)

0 引言

隨著信息化和全球化的高速發展,城市群作為國家新型城鎮化主體的戰略引領地位進一步提升[1],依托發達的城市綜合交通網絡,城市群已轉變為重要的流空間單元,而經濟社會、交通運輸及通信技術的高速發展帶來的“時空壓縮”效應大大增強了居民可移動性,城市群城際出行與人口流動逐漸兼有常態化、規?；c動態化特征[2]。公共衛生事件的突發影響人類時空行為和流空間格局,使城際客流網絡發生變化,尤其是節假日的城際出行特征顯著不同。因此,研究疫情下節假日城際出行特征對于掌握節假日居民空間移動規律,辨析疫情下城市群城際關聯網絡格局,進一步探索突發公共事件影響下城市群流空間的時空異質性具有重要意義。

目前,基于城市及城市群空間聯系的人口遷移流動研究逐漸受到國內外學者的關注,研究角度包括三大類:①人口地理學視角下的人口流遷及其空間分布研究,主要利用人口普查等人工采集類數據進行省際[3]、市縣[4]或城市群[5,6]人口流動的空間格局特征、演化規律及機制分析;②旅游地理學視角下的旅游流網絡研究,多集中在公路流與景區流等小尺度地域的空間關聯與耦合路徑分析[7,8]、單一或多個城市群旅游流網絡特征及韌性評估[9,10]、基于修正引力模型的省際旅游流網絡探究[11],呈現出尺度多元、案例多樣化趨勢;③交通運輸地理學視角下的城際出行網絡研究,基于時空大數據和GPS、LBS技術,大范圍挖掘大體量的空間地理與社會行為、感知并揭示精細尺度個體活動足跡和群體出行路徑成為研究熱點[12-15],探討航空[16]、鐵路[17,18]、公路[19]等交通方式和特定出行時段的人口流動時空格局,例如:趙梓渝等[20]利用遷徙數據從宏觀尺度探究春節期間全國流動人口的規模差異變化,李濤等[21]揭示了國慶期間不同城市群的城際出行模式。

各類傳染病傳播等重大公共衛生事件與城際流動的交互作用愈發緊密[22-24],進而影響城市發展和區域一體化進程。早期的SARS病毒通過政府采取的隔離干預措施得到有效控制[25,26],但使中國旅游業受到一定沖擊[27],北京[28]和廣州[29]也因SARS呈現相異時空特征及傳播規律;后有學者建立空間顯示模型刻畫城市化地區間的H1N1流感傳染網絡,以期提高城市公共衛生防御韌性[30]。2020年新冠疫情對城際大規模出行流動的影響更顯著,劉張等[31]基于多源地理時空大數據,定量分析疫情對城市間人口遷徙的影響;趙梓渝等[32]通過評估人口流動管控政策對新冠疫情遏制的影響效應,發現城市人口時空分布格局發生了短期性變化;李濤等[33]發現受疫情影響,2020年“五一”小長假期間的城際出行規模同比下降46.0%,印證了疫情給城際出行帶來短期的沖擊擾動和長期的負向效應;也有學者從疫情防控及預警角度總結了地理學利用大數據和LBS等技術在疫情早期防控方面進行決策、規劃應急和情感響應所發揮的積極作用[34,35]。

整體看,現有突發公共衛生事件對城際出行的擾動影響研究逐漸增多,但多為全國和單個城市尺度,缺少從城市群尺度探究疫情影響下的人口出行模式與特征以及多個典型城市群的對比分析;同時,利用大數據對居民城際出行特定時段的研究多集中在春運期間,鮮見基于城市群對疫情下國慶假期等其他節假日時段的疊加研究。因此,本文利用2019年、2021年10月1—7日國慶假期百度地圖平臺提供的居民城際遷徙數據,通過指標比對與可視化篩選出各類城際出行網絡中節點與邊途徑最多的7個城市群,并基于節點(城市)—聯系(城際關聯)—組團(城市群)邏輯關系,比較分析新冠疫情前后城市群節點等級、出行規模結構以及城際網絡聯系的變化,探究城市群城際出行變化的影響因素。

1 數據來源與研究方法

1.1 數據來源

本文研究數據源于百度地圖提供的“百度遷徙”數據[36],該數據依托百度云數據分析平臺LBS大數據,以遷入、遷出城市百分比數據呈現,體現不同時間尺度內人口流動的空間節點和不同節點之間的流動強度和方向性,進而勾勒出中國人口大遷徙的軌跡與特征。本文基于Python爬取了2019年和2021年國慶期間(10月1—7日)全國366個城市(包括中國大陸293個地級市、7個地區、30個自治州、3個盟、4個直轄市和29個縣級行政單元)之間的百度城際出行數據。

1.2 城際出行網絡測度

人流、物流、能流、信息流的相互作用形成流動空間,而網絡是流動空間的核心表現形式之一,因此,基于節點(城市)和各個組織之間的聯系研究城市網絡,采用相對成熟的利姆塔納科爾的“S-dimensions”指數法[37],從網絡的強度、結構和對稱性3個維度關注網絡均衡性、相對優勢和對稱性。

1.2.1 節點結構與位勢測度指標 為從整體上揭示網絡中城市等級結構特征,引入表征城市均衡程度的熵值E(式(1)),指示整個城際出行網絡中各城市等級差異水平,E取值范圍為0～1,值為0則網絡中城市等級結構差異最大,值無限接近1說明網絡趨于均衡化。為準確揭示節點(城市)在網絡中的位勢,本文選用加權度中心性Wi(式(2))[33]和城市加權優勢度Di(式(3))[36]兩個指標:Wi值越大,城市i在整個網絡中的絕對位勢等級越高;Di表征城市i的相對優勢度,值為0則表示不存在優勢度,Di大于1說明城市i的相對位勢高于網絡平均水平。

(1)

式中:Zi為城市i的聯系流強度之和與網絡中所有城市聯系流強度之和的比值,I為網絡中城市總數。

(2)

(3)

式中:di為城市i在網絡中的出度和入度之和,表征節點的中心性,α為0.5的賦值參數,Ti(Tj)為網絡中城市i(j)的人口流動規?？偤?J為城市總數量(366),且考慮到方向性i≠j。

1.2.2 城際聯系強度測度指標 城際聯系強度R(式(4))[18]主要從邊角度表征網絡中任一對城際關聯邊的重要性,為整個出行網絡中某城市對聯系強度占總聯系強度的比例,取值范圍為0～1,該值越接近1,說明城市i與城市j關聯對占比越高,優勢度越高。另外,為凸顯城際間節點城市的優先聯系,利用首位聯系強度Lim(式(5))進行評價[16]。

(4)

式中:tij為城市i和j之間的人口出行總規模,且i≠j。

(5)

式中:m為城市i的首位聯系城市,n為城市數量,Tij與Tji分別為i城市流向j城市和j城市流向i城市的人口數,Oi和Ki分別為i城市的流入量和流出量。

1.3 城市群研究樣本篩選

本文基于以下4項標準篩選城市群研究樣本:①國家政策文件。從《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》提及的19個城市群選擇城市群研究樣本,其范圍參考國家發改委公布的各城市群規劃和《2016年中國城市群發展報告》文件[38]。由于部分城市群節點等級和出行體量均較低,城市群的網絡格局單一,難以滿足對比分析要求,故本研究從核心城市群入手,構建以城市為節點、人口流動為邊的加權OD城際關系流矩陣。②節點結構。計算366個節點加權優勢度后,提取前60位城市,包括4個直轄市、27個省會城市、5個計劃單列市和5個經濟強市等,匹配所屬城市群后按規模量排名(重復2次及以上)依次為:長三角城市群、珠三角城市群、京津冀城市群、長江中游城市群、中原城市群、關中平原城市群、成渝城市群、山東半島城市群和黔中城市群。③城市群發展潛力。城市群發展潛力越高,城際出行流網絡特征愈顯著,疫情前后的變化差異愈明晰。《中國城市群發展潛力排名:2022》報告從“需求+供給”層面分21個指標研究了2022年中國19個城市群發展潛力,科學性較強,其中發展潛力指數排名前十的城市群不含黔中城市群,故予以剔除。④城市群所處區域范圍?；谇?項標準篩選出8個城市群,考慮城市群所處區域范圍,前三大城市群和山東半島城市群雖均屬東部地區,但南北向地域跨度大,分布均勻,成渝城市群和關中平原城市群分別地處西南和西北區域,長江中游城市群和中原城市群同屬中部地區且地域鄰近,后者相對位勢和發展潛力更弱,故予以剔除,最終篩選出長三角、珠三角、京津冀、成渝、長江中游、關中平原、山東半島共7個城市群作為研究對象。

1.4 影響因素測度

1.4.1 影響因素指標選取 本文選取2021年國慶假期城際出行規模指數作為被解釋變量,基于前人對城市群的研究[39],對2021年297個城市內聚力、輻射范圍與連通性三大類數據進行統計測度,然后對解釋變量構建指標體系。①經濟發展:采用GDP(取對數)和人均GDP(取對數)度量;②人口規模:采用常住人口和從業人員期末人數度量;③城鎮化:采用城鎮化率和第三產業產值占比度量;④旅游資源:采用旅游資源豐度度量;⑤交通:采用航空(有無開通航班)、高鐵(有無開通高鐵)、公路客運量3個指標衡量;⑥政區位勢:直轄市、副省級/計劃單列市、省會城市、一般地級市、省直管市/縣分別賦值5、4、3、2、1。由于經濟發展、人口規模數值較大,故對相應數據進行對數轉換和標準化處理。

1.4.2 模型設定 鑒于城際出行涉及空間事物關聯性,本文采用空間計量模型探析城際出行的影響因素,其中空間滯后模型(SLM)和空間誤差模型(SEM)[29,30]更適于研究空間截面數據,前者存在本地與鄰地被解釋變量的空間傳導機制,產生技術擴散效應,后者則存在鄰地誤差項與被解釋變量的空間傳導機制。

2 城市群城際出行網絡的時空變化

2.1 出行規模時序變化

從城市群整體(圖1)看,2021年國慶假期7個城市群的城際出行總量遠低于2019年,降幅達64%,出行體量大的城市群受疫情影響減少幅度更大。從流動趨勢看,與2019年國慶假期各城市群均呈現“高峰”與“低谷”兼具的常態復合出行特征不同,2021年城市群城際遷徙分為兩種類型,其中長三角、珠三角、長江中游和成渝城市群表征為隨日期遞減至平穩的出行態勢,京津冀、關中平原和山東半島城市群則呈“C”形出行趨勢,說明國慶假期末期人員回流顯著。從位序看,2021年長三角、長江中游和珠三角城市群仍為人口遷徙總量的前三位,但珠三角城市群位序降至第三,長三角和珠三角城市群出行人數同比分別減少68.57%和69.36%,這與2021年國慶節前夕在南京、廣州發生的較大規模聚集性疫情有關,京津冀城市群受新中國成立70周年慶?；顒拥慕煌ü芸赜绊懗鲂锌偭恳部s減,位序降至第五。各城市群出行時序規模變化不一也說明人口流動管控政策所引發的各地公眾配合主動性及適應性各不相同,同時疫情對城市群自身競爭優勢和吸引外來人口能力產生了不可避免的影響。

圖1 2019年和2021年國慶假期城市群城際出行時序規?？偭勘容^Fig.1 Comparison of the time series of intercity travel scale for various urban agglomerations during National Day holiday in 2019 and 2021

2.2 城市節點時空變化

2.2.1 節點等級與出行結構特征 由表1可知,疫情前后各城市群熵值整體偏低,表明城市群內部等級結構差異較大,其中長三角、珠三角和京津冀城市群降幅變化率最高,不均衡性進一步加強,成渝和長江中游城市群熵值則有所上升;從度中心性均值看,各城市群內部多中心特征各異,2019年和2021年度中心性均值分別穩定在400～450和250～300;當考慮權重時,疫情前后各城市群出行特征均呈現出顯著異質性,通過對比各城市群度中心性和絕對位勢降幅變化率可知,三大城市群和山東半島城市群所受沖擊影響最大,且疫情只降低了高頻接觸,并未斷絕各城市群間城際流動;在加權優勢度上,2021年各城市群整體相對位勢的位序發生變動,其中京津冀城市群超過長三角城市群,長三角和珠三角城市群的相對位勢顯著下降,但仍居高位,成渝、長江中游和關中平原城市群加權優勢度變化率增幅較大,成渝城市群位序越過山東半島城市群,同時疫情前后各城市群內核心節點的絕對位勢等級與相對位勢等級呈正相關,部分區域存在顯著優勢,呈現出小世界網絡特性。

表1 2019年與2021年國慶假期城市群城際出行網絡結構指標比較Table 1 Comparison of intercity travel network structure indexes in urban agglomerations during National Day holiday in 2019 and 2021

2.2.2 節點加權優勢度空間分布特征 由圖2可知,2019—2021年各城市群節點加權優勢度變化呈現“兩極分化”的空間格局,即城市群核心節點的相對位勢與內聚力不斷提高,非樞紐節點的加權優勢度有所降低,各城市群相對位勢空間格局更趨中低等級化,高值區仍在區域內直轄市、省會城市聚集,這些城市韌性與內聚吸引力較高,疫情防控期間仍能作為旅游休閑目的地與集散中轉地,保持相對高頻的人口與經濟流動,表明疫情并未改變龍頭城市的區域位序。其中,長三角城市群內北部優勢度降幅最明顯,“蘇錫常”位勢趨于異化,珠三角城市群整體人口流動傾向減弱,但仍保持東部位勢高于西部的特性,其他城市群的加權優勢度變化存在明顯的“反核心—邊緣”結構,越靠近增幅高值區的節點相對位勢降幅越大,這在成渝和長江中游城市群表現得尤為顯著,說明疫情下居民出行的鄰近偏好性,且空間距離對人口流動的約束性更強。

圖2 城市群城際出行節點加權優勢度變化空間分布Fig.2 Spatial distribution of weighted dominance change of intercity travel network nodes in urban agglomerations

2.3 城際網絡聯系時空變化

2.3.1 城市群內外出行空間格局 為探究城市群外部與內部城際出行網絡,依據自然斷點法進行層級劃分(圖3、圖4)。①2019年和2021年國慶假期城市群外部出行網絡均呈現“東強西弱,南北均衡”的多中心軸輻格局,其中2021年受疫情影響聯系對數量與高值輻射影響范圍大大減少,但仍保持高值關聯流被城市群核心節點與局部鄰近城市的中短距離出行所主導,且與長三角、珠三角、京津冀等核心城市群耦合程度較高的遷徙特征。②根據城市節點間的聯系流,可將城市群內部出行聯系劃分為多核發散、雙核驅動和單核輻射3種模式(圖4)。2019年長三角和珠三角城市群出行聯系呈現出均衡發展狀態,但隨著2021年次城市節點日均出行量降低,彼此間出行聯系減弱,核心城市與周邊城市交互聯系不斷提升,導致長三角和珠三角城市群演變為多核發散的城際流動模式;相比2019年,2021年北京與天津、張家口、石家莊等城市聯系等級降低,天津、石家莊與其他次級城市的高等級聯系減少,使京津冀城市群聯系網絡由疫情前的多核發散模式轉化至京津雙核驅動模式;2021年因人口流動管控措施產生一定的跨省阻力,四川省內城市與成都的聯系增強,與重慶聯系減弱,成渝城市群構成不均衡的雙核驅動格局,但山東半島城市群青島、濟南雙核驅動格局未發生明顯變化;疫情下關中平原城市群中以西安為主導的高等級聯系流增多,與省外城市聯系降低,省內單核輻射格局得以強化;長江中游城市群屬于多核發散模式,但受疫情影響,3個省會城市與省內其他城市聯系等級更趨低值化,省會城市間交互減弱,省內單核發育格局更顯著,這是疫情加重行政區劃壁壘的直觀體現。

注:基于自然資源部標準地圖服務網站下載的審圖號為GS(2019)1817號的標準地圖制作,底圖邊界無修改。圖3 2019年和2021年城市群外部出行聯系空間格局Fig.3 Spatial pattern of external travel connections for urban agglomerations in 2019 and 2021

2.3.2 城市群城際關聯優勢度 由圖5可得,疫情后各城市群城際關聯優勢度前三等級聯系流總值下降明顯,輻射影響范圍減弱,但大部分城市群峰值聯系對位序不變,整體仍呈現典型帕累托分布模式。受城市群層級結構、內聚力和出行體量等特征影響,疫情后城際關聯優勢度高等級聯系流疊加總值的排序前四位仍為關中平原、珠三角、京津冀和成渝城市群,少部分聯系對位序存在變動現象。具體而言,與2019年相比,2021年山東半島城市群城際關聯優勢度前三等級聯系流分別下降25.4%、0.09%和28.2%,關中平原城市群城際關聯優勢度第一等級聯系流下降36.8%,第二、三等級聯系流分別上升12.7%和51%;珠三角城市群前二等級聯系流下降46.8%和31.6%的同時,第三等級聯系流轉為深圳—惠州聯系對;長三角城市群的城際關聯優勢度高等級聯系流在疫情后輻射范圍發生輕微變化,從2019年的無錫—蘇州(0.08)轉為2021年的杭州—紹興(0.03);成渝城市群中成都—重慶的城際關聯優勢度降低19%,使中軸帶產生“中部塌陷”,但仍為疫情后跨省域最大的輻射聯系流。

圖5 2019年和2021年中國城市群城際關聯優勢度Fig.5 Intercity correlation dominance of urban agglomerations in China in 2019 and 2021

2.3.3 城市群內外首位聯系特征 從表2看,疫情前后多數城市群對外首位聯系數量占比高于對內首位聯系數量占比,分別有46、47個首位城市,主要由長距離省會城市和非城市群同省域鄰近節點構成,如關聯5個城市以上的北京、上海、廣州、東莞、上饒和遵義,這與多為“鄰近對稱節點關系流”的對內首位聯系格局大不相同,疫情后城市群內外首位聯系數量占比變動不大,但首位城市對發生一定變動,尤其是對外聯系格局,如“西安—廊坊”“達州—西安”分別演變為“西安—延安”“達州—安康”等,表征出更趨近省內或鄰省態勢。從首位聯系強度(圖6)看,疫情后對外聯系顯著低于對內聯系,2019年和2021年聯系強度均值僅為0.014和0.005,可見疫情下國慶假期各城市群內外首位聯系強度均值降幅明顯,其中三大城市群均值減少幅度相對較大,對內波動頻率呈現出珠三角城市群(88.4%)>京津冀城市群(85.0%)>長三角城市群(75.0%)>關中平原城市群(60.9%)>成渝城市群(58.8%)>山東半島城市群(50.0%)>長江中游城市群(30.0%)的分布特征。通過圖4對比可知,2021年高等級聯系流相對增高,且多為區域一體化作用下的近距離城市對,距離越遠,首位聯系強度值越低。疫情后關中平原、成渝、長江中游城市群的首位聯系強度均值(0.09、0.07和0.07)均超過三大城市群,其空間格局以強聯系和次聯系為主,仍凸顯出各節點對于1～2個中心城市的高度依賴性;與2019年相比,山東半島城市群的首位聯系強度高值多為青島與周邊城市的關聯流。整體看,疫情增強了首位聯系格局的空間“近鄰效應”,行政區經濟發揮作用更明顯,體現了常態化疫情防控背景下“國慶黃金周”居民的出行偏好。

表2 國慶假期城市群城際出行網絡內外首位聯系指標統計Table 2 Statistics of the first internal and external contact indexes of intercity travel network in urban agglomerations during National Day holiday

圖6 2019年和2021年中國城市群內外首位聯系強度Fig.6 The first internal and external contact strength of intercity travel network in urban agglomerations in China in 2019 and 2021

3 影響因素分析

利用共線性檢驗判斷解釋變量之間是否存在多重共線性,結果顯示,除GDP外,其他變量的方差膨脹因子(VIF)均小于5,說明自變量間不存在明顯的共線性,最終保留人均GDP、常住人口、航空和行政等級等10個自變量;然后運行拉格朗日乘數(Lagrange Multiplier)檢驗,結果顯示,SEM模型和SLM模型的LM檢驗均表現為顯著性,但SEM模型的穩健性檢驗結果(RLM)更佳,通過了1%水平的顯著性檢驗,因此,選擇SEM模型對城際出行的影響因素進行探析(表3)。

表3 2021年國慶假期城際流入規模的SEM模型擬合結果Table 3 Fitting results of intercity inflows based on SEM model during National Day holiday in 2021

由表3可知,除城鎮化率、航空客運量和行政等級外,其他變量均與流入規模存在正相關,其中,人均GDP、從業人員期末人數、第三產業產值占比、高鐵和公路客運量均顯著,囊括了城市群的四大特征指標[38]。人均GDP擬合系數為0.185,通過5%水平的顯著性檢驗,表明疫情后各城市的經濟水平對城際流入規模存在一定的引力效應,經濟韌性較高,即人均GDP水平高的城市群核心城市城際出行率也高;從業人員期末人數的顯著性水平為1%,說明人口規模大的地區豐富的勞動力數量與城際流入規模呈較強的正相關,從業人員越多,其出行意愿更強,出行規模越大;城鎮化率和第三產業產值占比雖然通過了10%的置信水平,但城鎮化率產生了負向效應,這與2021年國慶假期城市群內外出行向周邊中小城市的偏好流向變化有關,也體現了城際出行鄰近效應;行政等級和旅游資源豐度則因受到城市、景區嚴格多變的疫情防控措施的影響而對城際流入規模不顯著,資源無法發揮優勢,行政等級的負值不相關也進一步印證了疫情后愈發加劇的行政壁壘作用;航空客運量在2021年國慶期間發揮負向推動作用,在2021年“十一”假期內地航線日均執行航班量相比2020年“十一”假期降低14.57%的報道中得到印證,而高鐵和公路客運量對城際流入規模產生顯著的正向促進影響,這主要是由疫情防控期間短距離出行的選擇偏好所致。

4 結論與討論

本文以全國7個城市群為研究區域,基于百度遷徙數據對新冠疫情前后(2019年、2021年)國慶假期城市群城際出行層級結構、規模體量以及動態出行流格局進行對比研究,得出如下結論:①2021年國慶假期各城市群的城際出行總量比2019年出行總量降低64%,出行態勢也演變至“C”形和隨日期遞減至平穩的兩種類型;各城市群出行時序規模變化不一,說明人口流動管控政策引發的各地公眾配合主動性及適應性各不相同,同時疫情對城市群自身競爭優勢和吸引外來人口能力產生了不可避免的影響。②基于“節點—網絡”層級,發現多中心指標降幅明顯,且疫情增強城市群的內聚力和核心節點相對位勢,使2019—2021年各城市群內部加權節點優勢度變化呈現“兩極分化”的空間格局;疫情后城市群國慶假期外部與內部出行模式多變,長三角、珠三角和長江中游城市群演化為成熟不均衡的多核發散模式,京津冀、成渝和山東半島城市群為雙核驅動模式,關中城市群變為單核輻射城際出行模式,聯系流更趨低值化、省域化,行政邊界的壁壘效應增強;疫情后各城市群城際關聯優勢度前三等級聯系流數值的下降波動并未影響大部分城市群峰值聯系對位序,整體仍呈現典型帕累托分布;城市群對外首位聯系數量占比高于對內首位聯系,聯系強度反之,疫情后城市群內外首位聯系“近鄰效應”增強,多為行政區經濟發揮作用,對外首位聯系格局變動更大。③人均GDP與從業人員期末人數均顯著正向促進人口流入,表明疫情后各城市的經濟水平與勞動力數量對城際流入規模存在一定的引力效應,城市群核心城市經濟韌性較高,出行意愿更強,出行規模較大;行政等級和旅游資源豐度因受到城市、景區嚴格多變的疫情防控措施的影響而對城際流入規模影響不顯著,資源無法發揮優勢,行政等級的負值不相關也進一步印證了疫情后愈發加劇的行政壁壘作用;高鐵和公路客運量對城際流入規模產生正向促進作用,這主要是由疫情防控期間短距離出行的選擇偏好所致。

本文測度并分析了重大公共衛生事件對城市群居民出行活動的擾動效應,豐富了重大公共衛生事件影響下的流空間網絡比較研究,拓展了城市群對內對外空間聯系的研究內容和視角。但本研究也存在如下局限:①由于篇幅限制,從城市群內外尺度開展研究,著重關注內部研究,未能系統比較疫情前后全國尺度城際出行網絡的時空變化,也未能區分出行方式,后續可立足全國視角,對疫情前后全國尺度城際出行節點結構特征、出行規模以及網絡聯系格局進行專題研究,揭示疫情在不同尺度下的影響程度。②突發的重大公共衛生事件對城際出行網絡的影響可能存在時間異質性,本文僅以國慶假期為樣本探討了疫情下城市群城際出行網絡特征,未來可分析其他時段疫情對城際網絡的影響。③本研究刻畫了疫情影響下城市群出行網絡的時空變化和影響因素,但城市群出行網絡受社會、經濟、交通和政策等多重因素的影響,還需要定量與定性結合分析。