京公网安备 11010802034615号
经营许可证编号:京B2-20210330
CDA推荐|全国人口基础信息空间可视化(内附活动预告)
今天的主角名叫“全国新型城镇化监控与评估平台”,名字很长,解释起来就是极海做了这么一件事儿,帮助中国城市规划设计研究院(下面简称“中规院”)的小伙伴把城乡发展建设相关数据进行专业、直观、美观的可视化,并加上了一些图表分析,全面并细致地描述了全国城乡发展的现状。
这个平台上数据很多,空间上涵盖了全国大小市县,年代上跨越了好几代伟大的领导人;数据覆盖面很广,经济、社会、环境、建设、民生,只有你想不到,没有中规院和极海找不到。本文仅仅是从其中的人口数据出发,讲一讲可视化平台能告诉我们什么。
知道你已经准备打开度娘亲自感受一下这个平台了,但是考虑到数据共享权限,目前这还不是一个对民众开放的系统:( 。别难过,如果想要数据,可以找中规院,如果需要可视化分析,可以找极海,如果想先一饱眼福,别无选择,快看下文!
「中国人在哪里」
根据国家统计局资料显示,在2015年末,中国总人口已经达到了13.7462亿人。这些人口当然没有平均分布在九百六十万平方公里的中国大地上,总体来讲,中国14亿人口分布东部多于西部,城市多于农村,且这样的分化趋势愈加严重。
口说无凭,平台基于当前大陆地区人类活动POI点的分布进行了可视化,暗黑色底图上越明亮的点代表人类活动越为频繁。
从图上可以清晰地看出东南西北各有四个最为闪亮的人类活动聚集点,这里的人口最为密集,是中国最发达的城市,具有最强大的吸引力使得更多二三线城市的人口向这里迁移。同时,大片几乎为黑色的面积代表这些地方相对人口更为稀少,人类活动较为匮乏。
「中国人去了哪里」
平台上有这么几张图,自上而下分别是全国省级、地级市级、区县级的五六普人口密度变化(数据来源:国家统计局年鉴数据):
虽然总人口的涨势全国的马一起都拉不回头,但是依然可以看到重庆、湖北、四川、贵州四省人口密度有所下降。与此同时,北上广的人口密度增长在全国遥遥领先,雄踞全国的北东南三方。
以江苏为例,即使全省人口密度从五普到六普上升了54.4人/平方公里,但细数江苏十三大市的人口变化,苏南苏北情况截然不同。苏南各市比起苏北有显著的政治经济优势,与浙东北和上海共同构成了长三角最为发达的经济圈,这里吸引着源源不断的人来工作生活,人口密度的增长在全国遥遥领先。
当人口密度变化细分到区县尺度上,你可能已经连自己家在哪个小色块里都不知道了,但是你一定可以清楚地认出北上广深。以这些一线城市为中心的周边区域人口密度增长在图上呈现出极为醒目的红色(部分区县年鉴数据并不准确,在图上也呈红色),是京津冀、长三角、珠三角经济区最核心的地带。
「中国人口流动」
再来看一张描述上一周10月9日至10月15日期间全国人口迁移的地图(数据来源:腾讯)
图上每一条线代表了两个城市之间的迁移人数,人数越多,线条越粗,颜色越红。
你是否发现,中东部的联系情况,构成了一个菱形的钻石结构,同时,珠三角,长三角、成渝、京津冀城镇群内部之间的联系也较密切。而西部城市之间的联系成走廊效应?
放大来看,北京、上海、广州/深圳、成都作为四个顶点连接起了这个菱形,而这几个城市恰好是上文人口密度变化的几个热点城市。
详细来看这几个城市人口的主要流动方向,红色表示相对更多的流动人数,蓝色反之:
近一个周,迁入北京的人,廊坊、保定、天津、武汉、成都、上海等较多。

这几个城市两两之间在短短一周内的流动人口数量即可达到百万的数量级,且以周边城市居多,同时,从几大城市的流入流出来看,基本也是“礼尚往来”的状态,相互联系比较紧密。它们作为中国东南西北四方的交通枢纽或见证了越来越多的外来人口进城落脚,或见证了无数本地人向着更大的机遇远行。
城市容纳着中国多半数的人口,未来这里还会成为更多人的家。全国新型城镇化监控与评估平台不仅能够直观地展示城市方方面面的情况,并能对城市现状进行体检评估。
随着平台的进一步建设,我们越来越坚信,随着中国新科技的“井喷”,中国城市化与中国新兴信息技术的结合将会更好的推动新型城镇化,同时,新型城镇化将会正视城市病,创新性地解决交通拥堵、污染、生态灾害、城市贫困、空城鬼城、职住不平衡、城乡失衡等,推动以人为核心的新型城镇化,促进城市持续健康发展。
6月份的WGDC之后,我们对地理大数据对城市建设和发展有了更进一步的思考,10月27日下午14点我们将联合中国城市规划设计研究院共同召开“智慧数据云平台与新型城镇化智库论坛”,在次,我们诚邀您的莅临,共同探讨城市发展的创新思路。
点击阅读原文,了解活动详情及报名参会。27号北京!我们等你!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24