大数据迁徙图:逃离北上广,他们竟然去了这里

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介:

大数据迁徙图:逃离北上广,他们竟然去了这里

“做出这个决定,我们考虑了很久。”不久前,高铭离开了工作生活12年的北京,举家回到故乡重庆。“重庆房价比北京便宜得多,孩子上学的问题也好解决。”

高铭的经历并非个案。最近几年,“逃离北上广”成为经久不衰的热门话题。除了高房价和子女教育问题,逃离理由还有雾霾引发的健康问题、户籍门槛带来的不公平感等等。

实际上,长期以来作为“人口抽水机”的一线城市,已隐现人口拐点迹象。据官方统计数据,2015年北京城六区、上海城区常住人口均由正转负,去年北京城六区常住人口再度同比下降3%。

随着一线城市人口疏解工作步入深水区,“逃离”不仅是主动告别,也包括了被迫离去。逃离者到底都去了哪里?为此,我们调取了2017年第二季度全网移动用户全生命周期的海量数据,进行了深入解析。

我们对“逃离北上广深人群”采用了如下定义:从北京、上海、广州、深圳离开后,迁徙至省会城市或热点二线城市,并在该城市驻留超过两个月的人群。

从北上广深人群迁徙图和北上广深人群流入城市TOP10图可看出,逃离一线城市的人群,主要流向了重庆、杭州、成都、厦门、苏州等地。

图1-北上广深人群迁徙图

图2-北上广深人群流入城市TOP10

重庆成最受青睐城市

除了反映从北上广深逃离人群整体流向的迁徙图外,我们还针对北京、上海、广州、深圳四大城市,分别研究了其逃离人群流向城市的分布情况。

图3-北京人口流向城市TOP10

图4-上海人口流向城市TOP10

图5-广州人口流向城市TOP10

图6-深圳人口流向城市TOP10

图7-人口流入TOP10城市人口来源和弦图

从图3-图7可以看出,在流入城市中,重庆对北上广深流出人口均具有较高的吸引力,流入总量占比最高,成为最受逃离人群青睐的城市,其次为杭州、成都、厦门、苏州、南宁、南京、长沙、武汉等。从整体上来看,逃离人群流入地区仍以周边潜力城市为主。

这些城市大部分为我国GDP万亿俱乐部成员(GDP超过万亿的城市),经济发达,就业机会多,被誉为“准一线”城市。

幸福指数高于一线城市

到底是什么吸引“逃离北上广人群”流入这些城市?

房价和就业是已知的最关键因素。尽管本轮楼市上行周期房价涨了不少,但相比北上广深,大多数人口流入城市的房价仍相对较低,“置业梦”更容易实现。

以2017年1月为例,据中国房价行情网数据,人口流入TOP10城市的房屋均价分别为:重庆7431元、杭州21821元、成都8808元、厦门38897元、苏州15418元、南宁7535元、南京24936元、长沙7675元、武汉14381元、西安7152元。

这些城市工作机会也不少。近几年,随着金融、互联网、通信等产业的迅速发展,世界五百强企业纷纷抢滩二线潜力城市,创业氛围、总部经济等直追北上广深,催生出大量高学历、高技能人才就业岗位。

图8-人口流入TOP10城市及北上广深拥堵指数、平均通勤时间、人均消费对比

图7清晰地反映出,在人口流入TOP10城市,除了房价低、工作机会较多以外,还拥有城市拥堵指数低、通勤时间较短或消费水平相对低等优势。上述因素综合在一起,意味着在这些人口流入城市工作和生活,人们的幸福指数要高于一线城市。

逃离的究竟是哪些人?

图9-北京流出人口年龄分布

图10-上海流出人口年龄分布

图11-广州流出人口年龄分布

图12-深圳流出人口年龄分布

如图9~12所示,逃离北上广深的人群中,26-35岁、36-45岁这两个年龄段的人最多,占到总人群的66.01%~77.21%。他们正值年富力强、为事业打拼的年纪,同时也是面临安家置业和子女教育等问题的一群人。因此,在留守一线和奔赴二线之间,他们必须做出选择。

逃离后买房还是租房?

在逃离人群中,有很大一部分人是对北上广深(尤其是北上深)高不可攀的房价感到绝望。那么,来到新城市,他们是选择买房,还是租房?

通过对逃离北上广深人群在移动终端对房产的关注行为(包括但不限于搜索、浏览等),我们对逃离北上广深人群在新落脚城市的居住情况做了初步分析。

为了更准确地反映逃离人群对居住需求的趋势性,在逃离人群关注行为的基础上(图13标注为地理逃离),我们叠加分析了有逃离意愿人群关注行为的大数据计算结果(图13标注为移动关注)。

图13-“逃离人群”在流入城市的居住情况

图13告诉我们,逃离人群在流入新城市后,有买二手房意愿的占比55.18%,有买新房意愿的占比40.68%;有租房意愿的占比为43.62%;也就是说,多数人有意愿在新落脚地买房,实现安家置业梦。

然而,居者不易。随着本轮房价普涨,很多人口流入城市的房价也都创下新高。对于刚毕业不久、又无法啃老的年轻人,买房是一个艰巨的任务。带着置业的希望先租房,或许是更加务实的选择。 


本文作者:梁宇芳

来源:51CTO

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
6月前
|
分布式计算 资源调度 大数据
一图胜千言:大数据入门必备的16张数据流转图(建议收藏)
一图胜千言:大数据入门必备的16张数据流转图(建议收藏)
557 0
|
存储 分布式计算 MaxCompute
基于OpenSearch向量检索版和MaxCompute快速搭建图搜服务
本文将介绍企业在没有向量数据的情况下,如何通过OpenSearch向量检索版、MaxCompute以及OSS,快速搭建图像搜索服务。
42766 1
基于OpenSearch向量检索版和MaxCompute快速搭建图搜服务
|
存储 分布式计算 算法
OpenSearch向量检索版和MaxCompute快速搭建图搜服务
本方案介绍用户在没有向量数据的情况下,通过直接导入图片源数据,在OpenSearch内部便捷完成图片向量化、向量搜索等步骤,实现以图搜图、以文搜图等多种图像检索能力。
1533 0
|
SQL 存储 分布式计算
从大数据到图计算-Graph On BigData
从大数据到图计算-Graph On BigData
从大数据到图计算-Graph On BigData
|
机器学习/深度学习 分布式计算 大数据
图解大数据 | GraphFrames @基于图的数据分析挖掘
GraphFrames库构建在DataFrame之上,具备DataFrame强大的性能,也提供了统一的图处理API。本文讲解GraphFrames的构建使用,包括query与数据分析、图中点与边的计算、图入度与出度的应用等。
1015 0
图解大数据 | GraphFrames @基于图的数据分析挖掘
|
存储 算法 大数据
原创 | 一张图秒杀滴滴大数据场景题(已拿offer)
原创 | 一张图秒杀滴滴大数据场景题(已拿offer)
原创 | 一张图秒杀滴滴大数据场景题(已拿offer)
|
SQL 数据采集 JSON
天池大数据竞赛 Spaceack带你利用Pandas,趋势图与桑基图分析美国选民候选人喜好度
竞赛地址: https://tianchi.aliyun.com/competition/entrance/531837/introduction 首先,这是一篇面向新人的教程导向的分析文章,(by the way其实我也是新手,从比赛开始才学的Pandas库,这也是我的一篇学习笔记),所以会包含很多函数的基础用法,解题思路等等, 流程会比较详细。 其次,本文在官方教程基础上会加入创新内容,但是绝不会为了用而用某种新方法,一定本着分析数据有所帮助的原则和对数据敬畏的态度来做。
443 0
天池大数据竞赛 Spaceack带你利用Pandas,趋势图与桑基图分析美国选民候选人喜好度
|
SQL 分布式计算 算法
传统金融IT男转型互联网大数据码农,图啥?
传统金融IT男转型互联网大数据码农,图啥?
|
机器学习/深度学习 分布式计算 算法
MaxCompute 图计算用户手册(上)
概要 ODPS GRAPH是一套面向迭代的图计算处理框架。图计算作业使用图进行建模,图由点(Vertex)和边(Edge)组成,点和边包含权值(Value),ODPS GRAPH支持下述图编辑操作: 修改点或边的权值; 增加/删除点; 增加/删除边; 备注: 编辑点和边时,点与边的关系需要用户维护。
28508 0
|
机器学习/深度学习 人工智能 算法
大讲堂 | 面向大数据的图聚类方法
在本次公开课中,我们针对大数据的需求,提出了一系列新的图聚类方法及优化方法。
560 0
下一篇
无影云桌面