Volume 49 Issue 3
May  2020
Article Contents

XU Xiao-ke, WEN Cheng, ZHANG Guang-yao, SUN Hao-chen, LIU Bo, WANG Xian-wen. The Geographical Destination Distribution and Effect of Outflow Population of Wuhan When the Outbreak of COVID-19[J]. Journal of University of Electronic Science and Technology of China, 2020, 49(3): 324-329. doi: 10.12178/1001-0548.2020033
Citation: XU Xiao-ke, WEN Cheng, ZHANG Guang-yao, SUN Hao-chen, LIU Bo, WANG Xian-wen. The Geographical Destination Distribution and Effect of Outflow Population of Wuhan When the Outbreak of COVID-19[J]. Journal of University of Electronic Science and Technology of China, 2020, 49(3): 324-329. doi: 10.12178/1001-0548.2020033

The Geographical Destination Distribution and Effect of Outflow Population of Wuhan When the Outbreak of COVID-19

doi: 10.12178/1001-0548.2020033
  • Received Date: 2020-02-03
  • Rev Recd Date: 2020-02-06
  • Available Online: 2020-02-27
  • Publish Date: 2020-05-01
  • In this paper, we provide a statistical analysis of population movements leaving Wuhan based on mass population movement information which is collected by geographic services of Tencent and Baidu. Firstly, we find that the five million people leaving Wuhan before the official announcement that they will close the exits are not much different from the normal population movement during the previous Spring Festival travel rush. However, small portion of the population poured out of Wuhan in the last period before the exits closed. Secondly, according to statistics of the destination cities of the outflow population from Wuhan starting from 2020, we find that the destination distribution of folks in 2020 was basically same as that in previous years. Finally, the influence of the population leaving Wuhan on epidemic spread is analyzed. We find that the role of incubation period must be considered when measuring this influence. This study is helpful for relevant personnel to grasp the speed of epidemic spread, assess the risk of epidemic, and provides reference to predict and stop disease spreading.
  • [1] GAO G F. From 'A' IV to 'Z' IKV: Attacks from emerging and re-emerging pathogens[J]. Cell, 2018, 172(6): 1157-1159. doi:  10.1016/j.cell.2018.02.025
    [2] 武汉市卫健委. 武汉市卫健委关于当前我市肺炎疫情的情况通报[EB/OL]. [2019-12-31]. http://wjw.wuhan.gov.cn/front/web/showDetail/2019123108989.

    Wuhan Municipal Health Commission. Bulletin of Wuhan Municipal Health Committee on the current epidemic situation of pneumonia in our city[EB/OL]. [2019-12-31]. http://wjw.wuhan.gov.cn/front/web/showDetail/2019123108989.
    [3] ZHU N, ZHANG D, WANG W, et al. A novel coronavirus from patients with pneumonia in China, 2019[J]. New England Journal of Medicine, 2020, DOI: 10.1056/NEJMoa2001017.
    [4] HUANG C, WANG Y, LI X, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China[J]. The Lancet, 2020, DOI: 10.1016/S0140-6736(20)30183-5.
    [5] CHAN J F W, YUAN S, KOK K H, et al. A familial cluster of pneumonia associated with the 2019 novel coronavirus indicating person-to-person transmission: A study of a family cluster[J]. Lancet, 2020, DOI: 10.1016/S0140-6736(20)30154-9.
    [6] CASTELLS M. Globalisation, networking, urbanisation: Reflections on the spatial dynamics of the information age[J]. Urban Studies, 2010, 47(13): 2737-2745. doi:  10.1177/0042098010377365
    [7] 第一财经: 离开武汉的500多万人都去了哪里? 大数据告诉你[EB/OL]. [2020-02-03]. https://m.yicai.com/news/100481655.html?from=groupmessage&isappinst=0.

    YICAI. Where did the more than 5 million people who left Wuhan go? Big data told you[EB/OL]. [2020-02-03]. https://m.yicai.com/news/100481655.html?from=groupmessage&isappinst=0.
    [8] LAI S, ISAAC I B, ALEXANDER W, et al. Preliminary risk analysis of 2019 novel coronavirus spread within and beyond China[EB/OL]. [2020-02-03]. https://www.worldpop.org/events/china.
    [9] 甄峰, 王波. “大数据”热潮下人文地理学研究的再思考[J]. 地理研究, 2015, 34(5): 803-811. doi:  10.11821/dlyj201505001

    ZHEN Feng, WANG Bo. Rethinking human geography in the age of big data[J]. Geographical Research, 2015, 34(5): 803-811. doi:  10.11821/dlyj201505001
    [10] 王贤文, 王虹茵, 李清纯. 基于地理位置大数据的京津冀城市群短期人口流动研究[J]. 大连理工大学学报(社会科学版), 2015, 34(5): 803-811.

    WANG Xian-wen, WANG Hong-yin, LI Qing-chun. Location based big data analysis of the short-term population flow of Beijing, Tianjin and Hebei urban agglomeration[J]. Journal of Dalian University of Technology (Social Sciences), 2015, 34(5): 803-811.
    [11] 蒋小荣, 汪胜兰. 中国地级以上城市人口流动网络研究——基于百度迁徙大数据的分析[J]. 中国人口科学, 2017(2): 35-46.

    JIANG Xiao-rong, WANG Sheng-lan. Research on China's urban population mobility network: Based on Baidu migration big data[J]. Chinese Journal of Population Science, 2017(2): 35-46.
    [12] LI Qun, GUAN Xu-hua, WU Peng, et al. Early transmission dynamics in Wuhan, China, of novel coronavirus—infected pneumonia[J]. New England Journal of Medicine, 2020, DOI: 10.1056/NEJMoa2001316.
  • 加载中
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

Figures(6)  / Tables(3)

Article Metrics

Article views(1204) PDF downloads(221) Cited by()

Related
Proportional views

The Geographical Destination Distribution and Effect of Outflow Population of Wuhan When the Outbreak of COVID-19

doi: 10.12178/1001-0548.2020033

Abstract: In this paper, we provide a statistical analysis of population movements leaving Wuhan based on mass population movement information which is collected by geographic services of Tencent and Baidu. Firstly, we find that the five million people leaving Wuhan before the official announcement that they will close the exits are not much different from the normal population movement during the previous Spring Festival travel rush. However, small portion of the population poured out of Wuhan in the last period before the exits closed. Secondly, according to statistics of the destination cities of the outflow population from Wuhan starting from 2020, we find that the destination distribution of folks in 2020 was basically same as that in previous years. Finally, the influence of the population leaving Wuhan on epidemic spread is analyzed. We find that the role of incubation period must be considered when measuring this influence. This study is helpful for relevant personnel to grasp the speed of epidemic spread, assess the risk of epidemic, and provides reference to predict and stop disease spreading.

XU Xiao-ke, WEN Cheng, ZHANG Guang-yao, SUN Hao-chen, LIU Bo, WANG Xian-wen. The Geographical Destination Distribution and Effect of Outflow Population of Wuhan When the Outbreak of COVID-19[J]. Journal of University of Electronic Science and Technology of China, 2020, 49(3): 324-329. doi: 10.12178/1001-0548.2020033
Citation: XU Xiao-ke, WEN Cheng, ZHANG Guang-yao, SUN Hao-chen, LIU Bo, WANG Xian-wen. The Geographical Destination Distribution and Effect of Outflow Population of Wuhan When the Outbreak of COVID-19[J]. Journal of University of Electronic Science and Technology of China, 2020, 49(3): 324-329. doi: 10.12178/1001-0548.2020033
  • 随着新型冠状病毒肺炎(COVID-19)疫情的爆发与蔓延[1-2],截至北京时间2020年2月3日18时,中国累计报告了感染新型冠状(新冠)病毒确诊病例17 335例[3-5]。此次疫情爆发在春运期间,人员的密集流动给病毒的传播提供了条件[6]。为了阻止病毒随人口流动迅速传播,武汉于2020年1月23日10时全面关闭离汉通道。2020年1月26日晚,在新型冠状病毒感染的肺炎疫情防控工作的新闻发布会上,武汉市长周先旺表示在23日武汉“封城”前有500万人离开武汉,分析这部分人员的数量和目的地,对新冠疫情的传播和防治具有至关重要的意义。

    当下已有相关媒体和学者使用人口迁徙数据对离汉人口的流动做了初步的分析,如第一财经使用百度慧眼数据对人口流向和比例进行了描述[7],文献[8]采用2013−2015年百度迁徙数据分析了国内人口流向,并使用来自国际航空运输协会(IATA)的2018年国际航空旅行数据分析了国际/港澳台流向,对从武汉出发的人口流向和模式进行了初步汇报。虽然这些分析在向社会传达信息和政府疾病防控上都有着一定社会意义,但研究仍然停留于定性和简单量化分析,从更为科学合理的角度对武汉外流人口的地理分布进行准确地量化分析,对于公众舆论的正确引导和对疾病进行更好的防控有着非常重要的意义。

    本文使用腾讯和百度公司基于地理信息服务系统收集的大规模人口流动数据,对比往年武汉的春运状况,对武汉外流人口的目的地分布及对疾病传播的影响进行分析。主要关注和研究以下两个问题:1) 节前500万人口离开武汉,是否是这个时间离开武汉的正常人流量,这些人口是属于遇到疫情离开武汉,还是正常的春节前返乡?2) 武汉流向各城市的人口地理分布是什么情况?离汉人流对全国疫情产生了什么影响?回答这些问题以期为预测和阻止疫病传播提供参考。

  • 每年春运期间,全国各大城市都有大量的人口进出,因为涉及到飞机、火车、汽车等多种交通方式,基于常规方法难以统计出行人数和目的地信息。随着提供位置服务的各种产品的出现,基于个体记录的“大数据”为地理学研究提供了丰富的群体行为数据。不同于统计年鉴数据,基于地理位置服务的数据具有时效性与连续性,可以包括非户籍迁移数据与旅游流动数据等。这种新数据使一些难以量化的问题得到有效分析和更好研究,而且可以揭示传统研究中难以发现的因素[9]。在基于地理位置服务获取人口流动大数据的背景下,可以准确地对大规模人口迁徙的目的地、具体流量和对疫情的影响进行深度剖析。

    我国的主要大型互联网公司,如腾讯、百度等都提供基于地理位置的服务,这些服务可以让用户自报告其所在的地理位置。互联网公司可以利用这些数据开发相关的地理位置产品和服务,如腾讯位置服务(https://heat.qq.com/index.php)和百度迁徙数据服务(http://qianxi.baidu.com/)。腾讯位置服务应用于微信、QQ、京东、滴滴等多项产品,基本覆盖全部智能手机用户[10],包含汽车、火车(包括高铁)、飞机3种交通方式,提供与360个城市相连的最紧密城市的迁徙数据,涉及我国34个省级行政区域的371个主要城市(以地级市为主)。百度迁徙数据通过对比用户位置的变化,将8小时内所有位置发生变化的智能终端用户数量进行计算分析,也可以全覆盖铁路、公路、航空等各类交通工具[11]

    腾讯位置服务目前终止了迁移数据的提供,因此本文只获取了2016年−2019年的历史数据。目前公开可获得的百度迁移数据是从2020年1月开始提供服务,没有2020年以前的具体历史数据,但是提供2019年与2020年同时期对应的城市人流指数数据。基于以上对腾讯和百度数据的分析,必须综合利用两个数据来源,才能有效分析出2020年武汉流出人口和正常年度的异同。同时,每年春节的阳历时间都不一样,春节和元旦之间的时间差异对春节前的人流动态和数量有一定影响。考虑到2017年春节为1月27日,2020年春节是1月25日,这两年的春节日期是近年来最为接近的,本文选取了腾讯2017年和百度2019、2020年提供的迁徙数据作为数据来源,探讨2017年和2020年的春节期间的离汉人口数量、目的地分布等多方面的差异。

  • 2017年春运时间为2017年1月13日−2月21日,本文将这个时间段分为春节前和春节后进行统计分析。

    基于获取的数据,在1月11日(腊月十四)至1月26日(腊月二十九)之间,武汉流入的人口远远低于流出人口,人口的净流出(这些天流出的总人口−流入的总人口)的数字合计为373万左右,此时人口流出最多的3天是腊月二十七~二十九。考虑到2017年到2020年,人口数量和交通流量均有增长,且并不是所有的流出人口都会使用腾讯的相关产品,因此本文认为根据2017年的373万部分流出人流量来预测2020年的外流人员数量,与武汉市市长在新闻发布会上提出的武汉市有500万左右的流出人口数量大致相符。

    正常年份下春节前武汉的人口流出较多,人口流入较少;而春节后的情况刚好相反,人口流入较多,流出较少。在2017年1月27日(腊月三十)至2月21日(正月二十五)之间,从图1可以看到武汉的流出人口数量比较平稳,数量也相对较少。在整个春运期间,春节后流出人口会出现3次高峰,分别是正月初六、正月十六这两个外地务工人员回城的高峰,此外还有一个春运即将结束前出现的大中专院校学生返校高峰。

    在分析完正常年份2017年武汉的人流数量和动态特征以后,本文将2017、2019和2020三年从腊月十一到春节前武汉的进出人口动态特征进行了比较,如图2所示。首先看总体趋势,2020年的流入和流出人口,从大的趋势上看和2017、2019年的情况基本上是相同的。具体上看,从腊月二十开始到二十六,2020年武汉的流入和流出人口相对于往年都略有减少,很显然这段时间肯定不存在网上炒作的武汉人口“逃离”现象。

    本文也发现,腊月二十八~三十期间流入人流量更是出现明显下滑;而腊月二十七~二十九三天间流出人口明显增多,尤其是腊月二十九凌晨武汉市宣布关闭离汉通道到10点正式关闭的这10个小时,涌现出的人流是异于常年的,相比往年有一定的增幅。那么这两个时间段上的输入人口减少和输出人口增加和往年相比是否具有显著性差异呢?考虑到样本量比较少,本文采用配对样本t检验来分析2020年武汉流入和流出人流的显著性,具体数值见表1所示。从腊月二十八~三十期间的流入人口的数量来看,2020年和正常年份具有显著性差别,和2017年相比少流入23.33万人,比2019年少流入26.12万人。从腊月二十七~二十九期间的流出人口的数量来看,2020年和2017年比较具有显著性差别,多流出人口12.14万人;与2019年相比不具有显著性差异,多流出人口6.10万人。

    年份流入(腊月二十八~三十)流出(腊月二十七~二十九)
    配对t检验P少流入数量/万配对t检验P多流出数量/万
    20170.03223.330.03012.14
    20190.02426.120.9166.10

    上述结果说明在关闭离汉通道那几天,武汉出现了人口大量离开的现象,但是人口数量相对于往年和整个500万的人口数量并不大。此外,也无法确定导致这一现象的原因是疾病爆发还是武汉要关闭出城通道这一消息。如果是正常的返乡人流,他们从官方和其他渠道得知要关闭离汉通道的消息后,很明显是要选择尽快出城回家过年。他们当中应该有在武汉求学的大学生回家、有辛苦工作一年的外地务工人员返乡,这些人的流出目的地每年几乎都是相同的。而如果是受疫情影响的外出人流,他们的流出目的地就会和返乡人流有一定区别。基于上述考虑,本文在下一节中比较2020年和正常年份武汉春节外流人口的地理分布。

  • 基于2017年和2020年春节前离汉人口的主要流向城市排序和比例如表2所示。可见,排名前4的城市排序都是相同的,排名在前20的城市中前18名也都是重合的。在2020年人口流出前20个城市中,仅有排在最后的两个城市北京和上海没有出现在2017年的名单中;而在2017年人口流出前20城市中,仅有排在最后的两个城市驻马店和南阳没有出现在2020年的名单中。上述结果说明了2017和2020年武汉流出人口目的地的重合度很高。

    排序2017年2020年
    城市比例城市比例
    1孝感市0.151孝感市0.134
    2黄冈市0.140黄冈市0.128
    3荆州市0.070荆州市0.064
    4咸宁市0.055咸宁市0.051
    5襄阳市0.047鄂州市0.041
    6黄石市0.043襄阳市0.039
    7鄂州市0.039黄石市0.038
    8仙桃市0.037荆门市0.032
    9荆门市0.037随州市0.031
    10随州市0.036仙桃市0.029
    11宜昌市0.032宜昌市0.028
    12天门市0.026天门市0.020
    13十堰市0.022恩施州0.018
    14信阳市0.021十堰市0.018
    15恩施州0.021信阳市0.015
    16重庆市0.019重庆市0.013
    17潜江市0.015潜江市0.011
    18长沙市0.012长沙市0.011
    19驻马店市0.012北京市0.010
    20南阳市0.011上海市0.007

    为了进一步揭示武汉正常年份和疫情年份人口流出目的地城市的相关性,本文选取了武汉2020年流出人口的前50目的地城市数据,然后计算这些城市和2017年流出人口目的地人口分布之间的相关性,具体如图3所示。图中所示两者之间的相关性很强,这说明从武汉流出人口的目的地城市,在2020年疫情年份和正常非疫情年份的地理分布基本也是一致的。综合以上分析,从2020年疫情发生前期,武汉流入人口数还有流出人口的分布这两个角度,本文认为绝大部分人和往年一样是正常地回家过年,而非网上所言的“逃离”武汉。

  • 大家直觉认为:一个城市或地区如果从武汉来的人流量越大,这个地区的肺炎病例就有可能越多(包括原发已感染病例和多代传染病例)。

    为了验证这一点,本文计算了武汉流出人口目的地前50城市的人流量和截至2020年1月24日武汉“封城”后这些城市的肺炎病例数关系,如图4所示。由该图可以看出,截至24日,重庆和北京是病例最多的城市,但是重庆和北京并非武汉流出人口排名前2位的目的地,而且从该图的整体上看,武汉流出的人口比例和病例数之间并不存在较强相关性。

    本文分析两者不相关这一结果主要是由新型冠状病毒的潜伏期效应导致的。新冠肺炎患者具有较长的潜伏期,潜伏期中患者仅有较为微弱的症状,如发热、乏力和咳嗽等,甚至感觉不出有何异样。根据2020年1月30日国际医学权威期刊《新英格兰医学杂志》(NEJM)中发表的论文“新型冠状病毒感染肺炎在中国武汉的初期传播动力”揭示的新冠肺炎的潜伏期的平均时间为5.2天,潜伏期分布情况的第95百分位数为12.5天[12]。分析到这一点,本文计算截至2020年1月27日,考虑潜伏期情况下,前50目的地城市的人流量和这些城市的肺炎病例数关系,如图5所示。

    从图中可以发现二者存在很明显的线性相关关系。如果考虑到3~7天的潜伏期这一重要因素,从武汉离开的人流对全国肺炎疫情的影响确实是非常大的,值得关注。表3列出了截至2020年1月27日累计病例数排名在前20的城市排序,并计算了24日~27日的新增病例数占总病例数的比率,可以发现该值在67.5%~98.9%之间,这么高的数值再一次说明疫情分析和防治的过程中不可忽视潜伏期的影响。

    排序城市名截至27日的
    累计病例数/例
    24日到27日的
    新增病例数/例
    新增病例
    占比%
    1黄冈市21320194.4
    2孝感市17115187.3
    3重庆市13210579.5
    4荆门市11410693.0
    5荆州市11410693.0
    6咸宁市919098.9
    7北京市805467.5
    8随州市706998.6
    9襄阳市706998.6
    10上海市664669.7
    11十堰市656498.5
    12温州市605490.0
    13鄂州市575698.2
    14黄石州535298.2
    15宜昌市515098.0
    16广州市514690.2
    17深圳市493469.4
    18恩施州383797.4
    19郑州市383491.9
    20成都市373081.1

    为了分析武汉流出人口对于目的地城市新冠肺炎疫情的长期影响,图6绘制了城市接收武汉流出人口的数量和该城市新冠肺炎病例数关系的相关性系数随时间变化曲线。由该图可以发现,随着时间的增长,城市接收的武汉流出人口数和该城的病例数相关性逐渐增加,在2020年1月31日左右达到0.92这一较为稳定值,进一步证实了潜伏期的重要作用。

  • 本研究基于腾讯和百度公司的人口迁移数据,分析了春运期间离汉人员的去向,并探讨了人员流动和疫情扩散之间的关系。与其他对数据的简单统计描述相比,本文发现官方公布的节前500万人口离开武汉,大部分都不是社交媒体上热议的“逃离”武汉,绝大部分还是像往年一样正常地返乡过年。

    同时也发现:腊月二十以后武汉的流入人口就相对于往年较少,腊月二十六−二十八日期间更是出现明显下滑;而腊月二十七−二十九日三天间流出人口明显增多,尤其是腊月二十九凌晨武汉市宣布关闭离汉通道到10点正式关闭的这10个小时,涌出的较大人流是异于往常的。尽管这些现象说明在短时间内武汉出现了部分人口紧急离开的现象,但是这些人口的数量并不大,甚至和2019年没有显著性差异。此外,无法确定导致这一现象的原因是疾病爆发还是武汉要“封城”这一消息。本文比较2020年和正常年份武汉春节外流人口的地理分布,发现两者之间没有特别明显的差别。

    从武汉外流人口对疫情传播的影响来看,必须高度重视新冠肺炎潜伏期这一重要因素。由于此次疫病患者在潜伏期中症状轻微但是有很强的传播性,与2003年SARS相比更加难以防范,也是此次疫情防控的难点。因此离开武汉的人们进行14天的自我隔离,对于疫情的控制还是非常必要的。而离汉人群需要的是帮助而不是抵制,政府部门应当有相应的保障措施,体现出人性关怀。

    基于位置大数据可以对疫情期间的人口流动状况进行可视化呈现和统计分析,能更加有效了解疫区的人口流向,完善疫情地理信息数据库并在此基础上展开分析和建模工作,可有效分析疫情的时空演变和扩散特征,支持疾病应急中心的选址和设计。在此基础上通过引入疾病传播模型,可分析城市传染病传播的防控因素,对以后更好地预测和阻止疾病传播具有重要的参考意义。

    本文研究工作的数据分析还得到张童、冉义军的帮助,在此表示感谢。

Reference (12)

Catalog

    /

    DownLoad:  Full-Size Img  PowerPoint
    Return
    Return