Analysis on characteristics of urban information network structure in China --A method based on denoising and directed network

doi:10.3969/j.issn.1004-9479.2024.01.20220207

Abstract

Abstract:

This research used the newly developed tool of ICEEMDAN (improved complete ensemble empirical mode decomposition with adaptive noise) to decompose the Baidu index among 336 prefectural-level administrative units in China. Then this paper constructed directed networks to compare with undirected networks by analyzing the evolutionary characteristics of urban hierarchy structure, node asymmetry, spatial organization, and structural complexity in information networks between 2014 and 2019. The results show that: ① A large amount of noise interference exits in intercity Baidu search data, and noise reduction processing is necessary. After noise decomposition, the long-term trend data can better reveal the evolution characteristics of nodes. ② Considering the significant asymmetry of the information network, directed network analysis is a more effective method than undirected network analysis to identify the difference between node characteristics and their trends. ③ Node degree centrality shows a disproportional growth path, demonstrating growth dominance shifting from in-degree to out-degree at different stages. ④ Dominant flow analysis sheds light on two spatial organization patterns in the information network. One pattern is on the national scale, with disassortative network and scale-free network features. The other is on urban agglomerations and provincial scales and features assortative network and small-world network properties. The information network organization is a complex process, especially with the differences in long distance and geographic proximity interactions as two patterns indicate. This illustrates the characteristics of the spatial organization of two models, the Center Place Model and the Network Model, as well as the interaction between cyberspace and physical space.

Key words: city network, information flow, Baidu index, ICEEMDAN, directed network

摘要：

使用ICEEMDAN方法和有向网络分析方法，对中国336个地级以上行政单元间百度搜索指数进行降噪处理、构建有向与无向加权网络，分析2014—2019年网络层级结构、节点不对称性、空间组织结构等方面的演变特征。发现：①大数据降噪处理具有必要性，降噪处理获得的长期趋势数据能有效揭示网络节点演变特征；②信息流网络具有显著不对称性特征，有向网络分析方法能更好地揭示节点的异质性特征；③网络节点成长路径具有非均衡性，对内、对外联系增长表现出阶段性特征；④信息流网络具有全国范围和城市群、省域范围两种尺度组织形式，分别表现出异配性、无标度网络特征和同配性、小世界网络特征，兼具长距离联系与地理临近的特点。这表明信息流网络兼具中心地和网络化两种理论范式的形态结构特点，体现出虚拟空间与实体空间的关联性。

关键词: 城市网络, 信息流, 百度指数, ICEEMDAN, 有向网络

Di AN, Yingjie HU, Yong WAN. Analysis on characteristics of urban information network structure in China --A method based on denoising and directed network[J]. World Regional Studies, 2024, 33(1): 134-148.

安頔, 胡映洁, 万勇. 中国城市信息流网络空间结构特征研究[J]. 世界地理研究, 2024, 33(1): 134-148.

Figures/Tables 12

References 38

1	CAMAGNI R, SALONE C. Network urban structures in northern Italy: Elements for a theoretical framework. Urban Studies, 1993, 30(6): 1053-1064.
2	SMITH D, TIMBERLAKE M. Conceptualising and mapping the structure of the world system's city system. Urban Studies, 1995, 32(2): 287-302.
3	王士君, 廉超, 赵梓渝. 从中心地到城市网络——中国城镇体系研究的理论转变. 地理研究, 2019, 38(1): 64-74.
	WANG S, LIAN C, ZHAO Z. From central place to city network: A theoretical change in China's urban system study. Geographical Research. 2019, 38(1): 64-74.
4	王垚, 钮心毅, 宋小冬. "流空间"视角下区域空间结构研究进展. 国际城市规划, 2017, 32(6): 27-33.
	WANG Y, NIU X, SONG X. Research progress of regional spatial structure under the perspective of space of flow. Urban Planning International. 2017, 32(6): 27-33.
5	胡国建, 陈传明, 金星星, 等. 中国城市体系网络化研究. 地理学报, 2019, 74(4): 681-693.
	HU G, CHEN C, JING X, et al. Research progress of networking of urban systems in China. Acta Geographica Sinica. 2019, 74(4): 681-693.
6	王宁宁, 陈锐, 赵宇. 基于信息流的互联网信息空间网络分析. 地理研究, 2016, 35(1): 137-147.
	WANG N, CHEN R, ZHAO Y. Analysis of the provincial information space network basted on the internet information flow. Geographical Research. 2016, 35(1): 137-147.
7	汪明峰, 宁越敏. 互联网与中国信息网络城市的崛起. 地理学报, 2004, 59(03): 446-454.
	WANG M, NING Y. The Internet and the rise of information network cities in China. Acta Geographica Sinica. 2004, 59(03): 446-454.
8	刘涛雄, 徐晓飞. 互联网搜索行为能帮助我们预测宏观经济吗?. 经济研究, 2015, 50(12): 68-83.
	LIU T, XU X. Can Internet search behavior help to forecast the macro economy?. Economic Research Journal. 2015, 50(12): 68-83.
9	甄峰, 王波, 陈映雪. 基于网络社会空间的中国城市网络特征——以新浪微博为例. 地理学报, 2012, 67(8): 1031-1043.
	ZHEN F, WANG B, CHEN Y. China's city network characteristics based on social network space: An empirical analysis of Sina Micro-blog. Acta Geographica Sinica, 2012, 67(8): 1031-1043.
10	汪明峰, 宁越敏. 城市的网络优势——中国互联网骨干网络结构与节点可达性分析. 地理研究, 2006, 25(2): 193-203.
	WANG M, NING Y. The network advantage of cities: An analysis of spatial structure and node accessibility of internet backbones in China. Geographical Research, 2006, 25(2):193-203.
11	邓楚雄, 宋雄伟, 谢炳庚,等. 基于百度贴吧数据的长江中游城市群城市网络联系分析. 地理研究, 2018, 37(6): 1181-1192.
	DENG C, SONG X, XIE B, et al. City network link analysis of urban agglomeration in the middle Yangtze river basin based on the Baidu post bar data. Geographical Research. 2018, 37(6): 1181-1192.
12	蒋大亮, 孙烨, 任航,等. 基于百度指数的长江中游城市群城市网络特征研究. 长江流域资源与环境, 2015, 24(10): 1654-1664.
	JIANG D, SUN Y, REN H, et al. Analyses on the city network characteristics of middle Yangtze urban agglomeration based on Baidu index. Resources and Environment in the Yangtze Basin. 2015, 24(10): 1654-1664.
13	李帅, 彭震伟. 信息流视角下的成渝城市群空间组织特征及其规划探讨——基于百度指数的城市网络研究. 西部人居环境学刊, 2020, 35(6): 49-57.
	LI S, PENG Z. Spatial organization of the Chengyu urban agglomeration and its implications on planning from the perspective of information flow: City network analysis based on Baidu index. Journal of Human Settlements in West China. 2020, 35(6): 49-57.
14	林炜铃,邹永广,郑向敏.旅游安全网络关注度区域差异研究:基于中国31个省市区旅游安全的百度指数.人文地理,2014,29(6):154-160.
	LIN W, ZOU Y, ZHENG X.Study on the regional disparity in the network attention of China tourism security: Based on the Baidu index of tourism security in 31 provinces. Human Geography.2014,29(6): 154-160.
15	梅大伟, 修春亮, 冯兴华. 中国城市信息网络结构演变特征及驱动因素分析. 世界地理研究, 2020, 29(4): 717-727.
	MEI D, XIU C, FENG X. Analysis on the evolution characteristics and driving factors of urban information network structure in China. World Regional Studies. 2020, 29(4): 717-727.
16	管卫华, 林振山, 顾朝林. 中国区域经济发展差异及其原因的多尺度分析. 经济研究, 2006(7): 117-125.
	GUAN W, LIN Z, GU C. Multi-scale analysis on China's regional economical diversity and reasons. Economic Research Journal. 2006(7): 117-125.
17	ZHANG X, YU L, WANG S, et al. Estimating the impact of extreme events on crude oil price: An Emd-based event analysis method. Energy Economics, 2009, 31(5): 768-778.
18	李晓炫, 吕本富, 曾鹏志,等. 基于网络搜索和CLSI-EMD-BP的旅游客流量预测研究. 系统工程理论与实践, 2017, 37(1): 106-118.
	LI X, LV B, ZENG P, et al. Tourism prediction using web search data based on CLSI-EMD-BP. Systems Engineering – Theory & Practice. 2017, 37(1): 106-118.
19	陆利军.基于网络搜索指数和EMD-ARIMA-BP组合模型的游客量预测:以张家界为例.吉首大学学报(社会科学版), 2019,40(1):138-150.
	LU L. On the prediction of tourist volume based on network search index and EMD-ARIMA-BP combination model:A case study of Zhangjiajie.Journal of Jishou University(Social Sciences).2019,40(1): 138-150.
20	熊丽芳, 甄峰, 王波, 等. 基于百度指数的长三角核心区城市网络特征研究. 经济地理, 2013, 33(7): 67-73.
	XIONG L, ZHEN F, WANG B, et al. The research of the Yangtze river delta core area's city network characteristics based on Baidu index. Economic Geography, 2013, 33(7): 67-73.
21	赵渺希, 吴康, 刘行健, 等. 城市网络的一种算法及其实证比较. 地理学报, 2014, 69(2): 169-183.
	ZHAO M, WU K, LIU X, et al. A novel method to approximate intercity networks and its empirical validation. Acta Geographica Sinica. 2014, 69(2): 169-183.
22	吴康, 方创琳, 赵渺希. 中国城市网络的空间组织及其复杂性结构特征. 地理研究, 2015, 34(4): 711-728.
	WU K, FANG C, ZHAO M. The spatial organization and structure complexity of Chinese intercity networks. Geographical Research. 2015, 34(4): 711-728.
23	赵梓渝, 魏冶, 王士君,等. 有向加权城市网络的转变中心性与控制力测度——以中国春运人口流动网络为例. 地理研究, 2017, 36(4): 647-660.
	ZHAO Z, WEI Y, WANG S, et al. Measurement of directed alternative centricity and power of directed weighted urban network: A case of population flow network of China during "Chunyun" period. Geographical Research. 2017, 36(4): 647-660.
24	HUANG N, SHEN Z, LONG S, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995.
25	HUANG N, SHEN Z, LONG S. A new view of nonlinear water waves: the Hilbert spectrum. Annu. Rev. Fluid Mech., 1999, 31(1): 417-457.
26	WU Z, HUANG N. Ensemble empirical mode decomposition: A noise-assisted data analysis method. Advances in Adaptive Data Analysis, 2009, 1(1): 1-41.
27	TORRES M, COLOMINAS M, SCHLOTTHAUER G, et al.A complete ensemble empirical mode decomposition with adaptive noise.2011 Ieee International Conference on Acoustics,Speech and Signal Processing (icassp), 2011:4144-4147.
28	COLOMINAS M, SCHLOTTHAUER G, TORRES M. Improved complete ensemble Emd: A suitable tool for biomedical signal processing. Biomedical Signal Processing and Control, 2014, 14: 19-29.
29	LI T, ZHOU Y, LI X, et al. Forecasting daily crude oil prices using improved Ceemdan and ridge regression-based predictors. Energies, 2019, 12(19): 3603.
30	WU J, MIU F, LI T. Daily crude oil price forecasting based on improved Ceemdan, Sca, and Rvfl: A case study in Wti oil market. Energies, 2020, 13(7): 1852.
31	杨建梅. 复杂网络与社会网络研究范式的比较. 系统工程理论与实践, 2010, 30(11): 2046-2055.
	YANG J. Comparison of research paradigms between complex network and social network. Systems Engineering-Theory & Practice. 2010, 30(11): 2046-2055.
32	LIMTANAKOOL N, DIJST M, SCHWANEN T. A theoretical framework and methodology for characterising national urban Systems on the basis of flows of people: Empirical evidence for France and Germany. Urban Studies, 2007, 44(11): 2123-2145.
33	NYSTUEN J, DACEY M. A graph theory interpretation of nodal regions//Papers of the Regional Science Association, Springer, 1961,7: 29-42.
34	ZHANG X, LAI K, WANG S. A new approach for crude oil price analysis based on empirical mode decomposition. Energy Economics, 2008, 30(3): 905-918.
35	刘铮,王世福,赵渺希,等.有向加权型城市网络的探索性分析.地理研究,2013,32(7):1253-1268.
	LIU Z, WANG S, ZHAO M, et al. Exploratory analysis of directed weighted network of city. Geographical Research.2013,32(7):1253-1268.
36	ALBERT R, BARABÁSI A. Statistical mechanics of complex networks. Reviews of Modern Physics, 2002, 74(1): 47-97.
37	NEWMAN M. The structure and function of complex networks. Siam Review, 2003, 45(2): 167-256.
38	BOCCALETTI S, LATORA V, MORENO Y, et al. Complex networks: Structure and dynamics. Physics Reports, 2006, 424(4): 175-308.

数据序列		平均周期（周）	最大振幅	Pearson 系数	Kendall 系数	方差	方差占原始序列比重	方差占分解分量比重
分解分量	IMF1	2.98	23.29	0.12^**	0.12^**	34.85	1.75%	1.77%
	IMF2	6.55	32.13	0.16^**	0.14^**	41.21	2.07%	2.09%
	IMF3	16.780	29.76	0.09^*0	0.09^**	44.73	2.25%	2.27%
	IMF4	48.820	20.66	0.26^**	0.19^**	64.34	3.23%	3.26%
	IMF5	107.4000	12.52	0.13^**	0.08^**	42.16	2.12%	2.14%
	残差			0.94^**	0.69^**	1744.6600	87.62%0	88.47%0
	合计						99.03%0	100.00%00

数据序列		平均周期（周）	最大振幅	Pearson 系数	Kendall 系数	方差	方差占原始序列比重	方差占分解分量比重
分解分量	IMF1	2.98	23.29	0.12^**	0.12^**	34.85	1.75%	1.77%
	IMF2	6.55	32.13	0.16^**	0.14^**	41.21	2.07%	2.09%
	IMF3	16.780	29.76	0.09^*0	0.09^**	44.73	2.25%	2.27%
	IMF4	48.820	20.66	0.26^**	0.19^**	64.34	3.23%	3.26%
	IMF5	107.4000	12.52	0.13^**	0.08^**	42.16	2.12%	2.14%
	残差			0.94^**	0.69^**	1744.6600	87.62%0	88.47%0
	合计						99.03%0	100.00%00

位序	2014年			2019年			2014—2019年变化
位序	中心度	入度	出度	中心度	入度	出度	中心度	入度	出度
1	北京市	吉林市	北京市	北京市	重庆市	北京市	成都市	重庆市	成都市
2	上海市	中山市	上海市	上海市	上海市	上海市	深圳市	上海市	杭州市
3	广州市	上海市	广州市	深圳市	北京市	深圳市	杭州市	甘孜藏族自治州	深圳市
4	深圳市	重庆市	深圳市	广州市	中山市	广州市	上海市	西安市	上海市
5	杭州市	北京市	杭州市	成都市	吉林市	成都市	重庆市	深圳市	青岛市
6	成都市	深圳市	成都市	杭州市	深圳市	杭州市	北京市	北京市	重庆市
7	武汉市	广州市	郑州市	武汉市	天津市	武汉市	武汉市	武汉市	北京市
8	郑州市	金华市	武汉市	重庆市	西安市	郑州市	青岛市	天津市	南京市
9	天津市	天津市	西安市	西安市	金华市	苏州市	苏州市	湖州市	苏州市
10	西安市	北海市	天津市	郑州市	武汉市	南京市	南京市	成都市	武汉市
11	重庆市	黄山市	苏州市	苏州市	广州市	西安市	广州市	金华市	长沙市
12	苏州市	武汉市	南京市	南京市	北海市	长沙市	西安市	中山市	广州市
13	南京市	西安市	长沙市	天津市	成都市	重庆市	东莞市	杭州市	东莞市
14	长沙市	成都市	济南市	长沙市	杭州市	天津市	长沙市	南阳市	佛山市
15	合肥市	杭州市	合肥市	东莞市	南京市	合肥市	郑州市	南通市	郑州市
16	济南市	东莞市	重庆市	青岛市	东莞市	济南市	佛山市	揭阳市	西安市
17	东莞市	南京市	福州市	合肥市	南阳市	青岛市	天津市	北海市	合肥市
18	福州市	郑州市	石家庄市	济南市	南通市	东莞市	合肥市	淮安市	沈阳市
19	佛山市	江门市	东莞市	佛山市	苏州市	佛山市	济南市	吉林市	济南市
20	青岛市	南阳市	温州市	沈阳市	江门市	沈阳市	沈阳市	惠州市	石家庄市

位序	2014年			2019年			2014—2019年变化
位序	中心度	入度	出度	中心度	入度	出度	中心度	入度	出度
1	北京市	吉林市	北京市	北京市	重庆市	北京市	成都市	重庆市	成都市
2	上海市	中山市	上海市	上海市	上海市	上海市	深圳市	上海市	杭州市
3	广州市	上海市	广州市	深圳市	北京市	深圳市	杭州市	甘孜藏族自治州	深圳市
4	深圳市	重庆市	深圳市	广州市	中山市	广州市	上海市	西安市	上海市
5	杭州市	北京市	杭州市	成都市	吉林市	成都市	重庆市	深圳市	青岛市
6	成都市	深圳市	成都市	杭州市	深圳市	杭州市	北京市	北京市	重庆市
7	武汉市	广州市	郑州市	武汉市	天津市	武汉市	武汉市	武汉市	北京市
8	郑州市	金华市	武汉市	重庆市	西安市	郑州市	青岛市	天津市	南京市
9	天津市	天津市	西安市	西安市	金华市	苏州市	苏州市	湖州市	苏州市
10	西安市	北海市	天津市	郑州市	武汉市	南京市	南京市	成都市	武汉市
11	重庆市	黄山市	苏州市	苏州市	广州市	西安市	广州市	金华市	长沙市
12	苏州市	武汉市	南京市	南京市	北海市	长沙市	西安市	中山市	广州市
13	南京市	西安市	长沙市	天津市	成都市	重庆市	东莞市	杭州市	东莞市
14	长沙市	成都市	济南市	长沙市	杭州市	天津市	长沙市	南阳市	佛山市
15	合肥市	杭州市	合肥市	东莞市	南京市	合肥市	郑州市	南通市	郑州市
16	济南市	东莞市	重庆市	青岛市	东莞市	济南市	佛山市	揭阳市	西安市
17	东莞市	南京市	福州市	合肥市	南阳市	青岛市	天津市	北海市	合肥市
18	福州市	郑州市	石家庄市	济南市	南通市	东莞市	合肥市	淮安市	沈阳市
19	佛山市	江门市	东莞市	佛山市	苏州市	佛山市	济南市	吉林市	济南市
20	青岛市	南阳市	温州市	沈阳市	江门市	沈阳市	沈阳市	惠州市	石家庄市

类别	城市名
第一类城市：NSI增加前20位，2019年NSI大于0（不含中心度前40位）	昌吉回族自治州、大理白族自治州、遵义市、宜春市、新乡市、红河哈尼族彝族自治州、潍坊市、盐城市、汕头市、邯郸市、绵阳市、聊城市、赣州市、廊坊市、桂林市、邢台市、唐山市、鞍山市、常州市、咸阳市
第二类城市：NSI减少前20位，2019年NSI大于0	武威市、阳泉市、湘西土家族苗族自治州、吐鲁番市、黔西南布依族苗族自治州、鹤岗市、东营市、鄂州市、吕梁市、拉萨市、铜陵市、防城港市、朔州市、阜新市、晋中市、嘉峪关市、三门峡市、黔南布依族苗族自治州、周口市、乐山市