姚玲玲，吴相利

(哈尔滨师范大学)

黑龙江省人口老龄化时空演变及影响因素分析*

姚玲玲，吴相利**

(哈尔滨师范大学)

基于全国第四、第五和第六次人口普查数据，利用探索性空间数据分析反映1990～2010年黑龙江省人口老龄化的时空变化特征及发展趋势，采用地理加权回归模型探究人口老龄化演变的主要影响因素.结果表明：黑龙江省各县市老年人口比重呈上升趋势，老龄化水平差异逐渐扩大，空间分布越来越不平衡；黑龙江省各市县人口老龄化的空间分布存在较强的正相关，热点区由南向东迁移收缩，冷点区由北向西南迁移扩张；各个因素对不同地区人口老龄化的影响程度和方向存在差异，地区间的差异不断扩大.

人口老龄化；时空演变；地理加权回归；影响因素；黑龙江省

0 引言

人口老龄化是当前我国社会经济发展面临的重大战略问题，积极探索和应对老龄化问题有利于社会的稳定和发展.我国各省区老龄化状况复杂，发展水平参差不齐，因此对全国不同地区人口老龄化问题的研究成为迫切而又热点的问题，理论与实践意义突出.

中国于1999年步入人口老龄化社会[1]，虽然比欧美国家晚，但是老龄化速度快.近年来我国人口老龄化研究成果显著，国内学者从不同角度对人口老龄化问题展开研究，从研究尺度上看，在全国层面上，李秀丽，王良健和王志宝等学者分别利用方差分解及人口老龄化程度划分对我国东、中、西不同地区人口老龄化状况进行差异分析[2-3]；在省市级尺度上，陈毅华、苏昌贵及易卫华等学者以地级市为分析单元，分别对湖南省人口老龄化发展态势和广东省人口老龄化的时空演变进行解读[4-5]；在区县尺度上，李扬和张开洲等从市区及县域角度利用全局和局部自相关探究北京市和福建省人口老龄化在时间和空间上的变化特征[6-7].从研究方向上，一些学者从人口老龄化与经济发展、养老、农村人口老龄化等方面的关系进行研究，莫龙定量研究1980～2050年的中国人口老龄化与经济发展的协调程度，对老龄化超前于经济发展的状况提出调整生育政策缓解人口老龄化的压力[8]；田雪原针对我国人口老龄化不断加深背景下的养老保障问题，提出要从养老保险体制上进行准确定位和完善监管机制的改革和创新[9]；袁俊等人对我国农村人口老龄化进行静态和动态分析，指出我国不同地区农村空间差异及其影响因素分析[10].2010年黑龙江省65岁及以上人口比重低于全国平均水平，而2015年黑龙江省1%抽样调查数据显示，65岁及以上人口比重高于全国平均水平，说明老龄化速度不断加快，对黑龙江省人口老龄化问题的探究具有必要性.该文基于探索性空间数据分析和地理加权回归模型对黑龙江省1990～2010年各地区人口老龄化的时空差异及影响因素进行讨论，以期为黑龙江省人口发展政策、公共服务设施、养老模式的制定和调整提供重要依据.

1 研究方法与数据来源

1.1 研究方法

1.1.1 全局Moran’sI指数

Moran’sI指数通过分析黑龙江省各地区老年人口分布的空间相关性，反映所有研究单元间的空间邻接或空间邻近区域的相似程度，其计算公式如下：

(1)

式中n为研究区域的空间单元数量，xi、xj为区域i、j的属性值，Wij为空间权重矩阵.文中采用Queen邻接原则，即共同点连接原则创建权重矩阵，区域相邻接，权重为1，不相邻，权重为0.Moran’sI指数的取值在[-1，1]之间，值大于0则为空间正相关，小于0为空间负相关，等于0表示空间上不存在自相关，随机分布.

1.1.2 局部Getis-OrdGi*指数

Getis-OrdGi*指数通过识别不同区域的高值和低值聚集区域即热点区和冷点区的空间分布，测度局部空间自相关的特征，计算公式为：

(2)

(3)

1.1.3 地理加权回归

传统的线性回归模型是估计参数的“平均”或“全局”意义，如果自变量是存在空间自相关的数据，就不适用于传统回归模型( OLS模型) 残差项独立的假设，也不能用最小二乘法进行参数估计[11].地理加权回归模型(GWR)能评估不同地区的影响，反映参数在不同空间的空间非平稳性，空间位置发生改变，变量间的关系也随之变化，其结果更符合客观情况，因而该文引入GWR模型分析[12].表示为：

(4)

式中：yi为因变量，(ui,vi)为样点i的空间坐标，β0(ui,vi)和βj(ui,vi)分别表示i点上的回归常数和第j个回归参数，εi是独立分布的随机误差项，通常假定其服从正态分布.该文运用 ArcGIS 10.1 软件中的GWR工具来实现GWR模型的构建，其中最优带宽运用 Fotheringham等提出的“AIC值最小”准则.

1.2 数据来源

老年人口比重是老年人口占总人口数的百分比，又称老年系数，是衡量和反映人口老龄化水平的最重要指标.国际上规定60岁及以上人口占总人口比例达到10%，或者 65 岁及以上人口达到总人口的 7% 则国家或地区进入老龄化社会.该文选取65岁及以上人口为老年人口的指标，人口数据来源于黑龙江省第四次(1990)、第五次(2000)、第六次(2010)全国人口普查，社会经济数据来源于《黑龙江省统计年鉴》、《中国县(市)社会经济统计年鉴》和《中国城市统计年鉴》.为便于进行对比分析，以2010年黑龙江省行政区划为准，对已经调整的行政区划及已变更名称的单元进行修正，把各县、县级市和各市市区作为一个独立的研究单元，研究区域共77个地域单元，包括13个地级市辖区、64个县级区域.

2 黑龙江省人口老龄化时空演变特征

2.1 人口老龄化时空总体特征

1990～2010年黑龙江省65岁及以上老年人口比重平均值由3.78%提高到8.28%，地区间的极差由2.67%增加到8.58%，地区间的差异不断扩大(见表1).1990年黑龙江省老年人口比重最大的是哈尔滨市区(4.64%)，最小的为漠河县(1.97%).2000年除绥芬河市的老年人口比重比1990年略有下降外，各市县老年人口比重均有所增加，最大的为伊春市区(7.32%)，最小的为抚远县(3.23%)，友谊县和伊春市区的老年人口比重在7%以上，仅占整个地区的2.60%.2010年黑龙江省各地区老年人口比重均有提高，最大值和最小值区域仍是伊春市区(12.45%)和抚远县(3.87%)，其中52个地区的老年人口比重在7%以上，占整体比重增加到80.51%，增长迅速.总的来说，1990～2010年黑龙江省各地区老龄化速度逐渐增快，老龄化程度日益加深，地区间的老龄化水平差异持续增大.

表1 1990～2010年黑龙江省人口老龄化率的极值区域及平均值 %

1990～2010年黑龙江省人口老龄化空间分布不平衡，空间差异逐渐扩大，变化显著(如图1所示)，1990年黑龙江省老年人口比重在4%以下的地区呈面状分布，4%-7%的地区零散分布在南部，主要包括哈尔滨市区、双城市、宾县、五常市、齐齐哈尔市区、泰来县、密山市、集贤县、友谊县、勃利县、牡丹江市区、东宁县、林口县、宁安县、绥化市区.2000年老年人口比重低于4%的地区呈零散分布，缩减至西北的漠河县、东部抚远县和同江市、西南的大庆市区、东南的七台河市区和绥芬河，老龄化率为4%～7%的范围扩大，呈面状分布，东部的友谊县和中部的伊春市区进入老龄化阶段.2010年老年人口比重在4%以下的地区仅有东部的抚远县，4%～7%的范围缩减至东部的同江市和富锦市，北部孙吴县和西部的巴彦县、木兰县、延寿县、双城市、克东县、拜泉县、大庆市区、林甸县、抚远县、七台河市区、绥芬河市、兰西县、庆安县、明水县，呈零散分布，老年人口比重在7%以上的范围不断扩大，呈面状分布，其中老龄化率在10%以上的地区零散分布在北部塔河县，西部齐齐哈尔市区，东部的虎林市、双鸭山市区、友谊县、鸡西市区，南部的海林市和牡丹江市区，中部呈带状分布，包括鹤岗市、萝北县、铁力市、伊春市区.

图1 1990年、2000年、2010年黑龙江省老年人口比重时空变化图

2.2 人口老龄化空间关联特征

2.2.1 全局空间关联特征

利用GeoDa软件得到反映1990年、2000年、2010年黑龙江省各地区老年人口比重的全局Moran’sI指数估计值和相关指标(见表2).结果显示，全局Moran’sI指数均为正值，说明各地区之间人口老龄化存在显著全局空间正相关性，即黑龙江省各市县的人口老龄化的空间分布并非表现出完全随机性，而是表现出空间集聚，老年人口比重较高的地区，其周边区域的老年人口比重也较高，反之亦然.同时，全局Moran’sI估计值在2000年下降后，2010年有所回升，但在较小的波动范围内，表明黑龙江省各地区人口老龄化空间集聚在出现扩散后又发生小幅集聚，并保持一定的连续性.根据蒙特卡罗模拟方法的显著性检验，Moran’sI的P值为0.001，说明在99.9%置信度下的空间自相关是显著的.

表2 1990年、2000年、2010年黑龙江省老年人口比重的全局Moran’s I估计值

2.3 局部空间关联特征

分别计算1990年、2000年、2010年老年人口比重的Getis-OrdGi*指数值，利用自然断裂法在ArcGIS10.1软件上从低到高将每年的Gi*统计量划分为冷点区、次冷点区、次热点区、热点区4种类型(如图2所示).人口老龄化热点区由南向东迁移收缩，冷点区由北向西南迁移扩张.具体来看，1990年热点区呈面状聚集在南部哈尔滨、牡丹江等地区，2000年向北延伸至双鸭山、佳木斯地区，2010年南部有所收缩，扩展到北部塔河县和东部饶河县.冷点区的演变则较分散，1990年分布在西北的大兴安岭地区和东部抚远县，2000年向西扩展，呈带状分布在西部的黑河、齐齐哈尔地区，2010年西部带状区域扩张南移，呈面状分布.而次热点区呈收缩的趋势，1990年呈横条状分布中部地区，2000年缩减至东部和中部部分地区， 2010年向南扩展.次冷点区的分布紧邻冷点区，1990年分布在北部，2000年纵横西北部地区，2010年随冷点区迁移.

图2 1990年、2000年、2010年黑龙江省老年人口比重空间格局演变

从老年人口比重演变类型区的个数和比例来看(见表3)，2000年热点区的个数与比例与1990年持平，2010年热点区的个数比2000年减少了3个，所占比例由16%降到12%，冷点区的个数和比例则表现为持续增长，2000年热点区的个数从6个扩展到18个，所占比例提高了15%，2010年又增加了6%.由此可得，与热点区相比，冷点区在空间格局演化中占主导地位，表明人口老龄化发展速度变缓的地区增多.而次热点区和次冷点区的个数和比例向不同方向波动，反映了人口老龄化演变进程中的不稳定性.

表3 1990年、2000年、2010年黑龙江省老年人口比重演变类型区的个数和比例

3 黑龙江省人口老龄化时空演变影响因素分析

3.1 变量的选取

人口老龄化是多个因素综合作用的结果，该文借鉴已有的研究成果[13-18]，并根据研究数据的可获取性，选取人口自然增长率表示出生率与死亡率的共同影响，体现人口自然增长变动的作用；以迁入率代替人口迁移引起的机械变动；选取人均GDP、城镇化率来衡量一个地区的社会经济发展水平对人口老龄化的影响；采用大专及以上学历人口比重和每千人拥有床位数表现教育文化水平和医疗卫生条件的发展对人口老龄化的影响.

3.2 模型构建及检验

通过对黑龙江省1990～2010年老年人口比重的探索性空间数据分析，可知老年人口的分布在空间上呈现集聚的状态，但又在空间上表现出一定的差异性，这为构建GWR模型奠定了理论基础.假设黑龙江省某年某市县的老年人口比重为yi，第i点的坐标为(ui,vi)，根据上文选取的变量指标，进行模型构建：

yi=β0(ui,vi)+β1(ui,vi)(t1i)+β2(ui,vi)(t2i)+β3(ui,vi)(t3i)+β4(ui,vi)(t4i)+β5(ui,vi)(t5i)+β6(ui,vi)(t6i)+εi

(5)

通过模拟计算，得到GWR模型的相关拟合参数，并与普通最小二乘法(OLS)结果进行比较(见表4).经过对比发现，3个年份GWR的AIC值均小于OLS模型，虽然1990年的赤池信息量准则(AIC)相比优化效果的区别不太明显，但2000年和2010年的AIC下降程度非常大，R2和经调整的R2都高于OLS模型，说明GWR模型明显优于传统的OLS模型的拟合效果.

表4 GWR与OLS模型拟合参数比较

3.3 结果与分析

局部GWR估计系数很好地反映了区域内人口老龄化与每个影响要素之间的复杂关系，各因素对人口老龄化的影响因地区的不同而不同，回归系数的结果有正有负，充分说明了人口老龄化在空间上呈现非平稳性.GWR模型中变量与人口老龄化回归系数的绝对值都是不断增大的，且各时间段回归系数的差值也不断增大，表明各个影响因子对老龄化率的影响不断增大，地区间的差异不断加强(见表5).

表5 1990年、2000年、2010年GWR模型中变量与人口老龄化回归系数

1990年、2000年和2010年黑龙江省人口自然增长率与人口老龄化的回归系数均为负值，表明人口自然增长率越低，所在地区人口老龄化程度越高，且出生率和死亡率持续降低加重了人口老龄化程度.人口迁入率的回归系数在3个年份均是负值，即人口迁入率越低的地区，老龄化水平越高，2000年、2010年黑龙江省人口总迁入率为负值，则人口流出较多，且人口流动具有年龄选择性，青壮年劳动力流出多，人口老龄化程度日益加深.

1990年各地区人均GDP与人口老龄化回归系数是负值，说明各地人均GDP对人口老龄化起抑制作用.2000年和2010年系数为正的县市数量分别为5个和10个，在时间上呈上升趋势，说明人均GDP的提高有利于改善人们的生活水平，在一定程度上推动了人口老龄化进程.1990年、2000年和2010年城镇化率的回归系数整体上为正值，即城镇化率不断提高，所在地区的人口老龄化程度也越高，城镇化是一个动态的过程，城镇化的提高有利于生活环境和医疗卫生事业的发展，以及基础设施和社会保障的不断完善，推动人口老龄化的进程.

黑龙江省3个年份的大专及以上学历人口比重与人口老龄化回归系数整体上为正值，说明提高教育文化水平不仅改变了人们的生育观念，降低了人口自然增长率，而且许多高素质的年轻劳动力为寻求更好的发展纷纷外出务工、升学，从而加重了人口老龄化程度.1990年每千人拥有床位数的回归系数为正值，即医疗卫生水平的提高，促进了老年人的健康和长寿，进而提高了老年人口比重，而2000年每千人拥有床位回归系数有39个地区为正值，主要分布在西部的大兴安岭地区、黑河、齐齐哈尔、大庆、绥化等地区.2010年有17个地区为正值，主要分布在北部和西部部分区域，说明医疗水平发展的不平衡导致各地区的差异，从而对人口老龄化也存在不同程度的影响.

4 结束语

该文旨在利用全局Moran’sI和Getis-OrdGi*的空间分析方法，研究1990～2010年黑龙江省人口老龄化的时空演化，并运用地理加权回归(GWR)模型对人口老龄化的影响要素进行分析.结果表明：

(1)除绥芬河市在2000年的老年人口比重比1990年有微小下降外，各市县在1990～2010年65岁及以上老年人口占总人口的比重均呈上升趋势，发展速度快，老龄化程度加深，地区差异增大，老年人口比重的空间分布也呈现出越来越不平衡的趋势.

(2)1990～2010年黑龙江省各地区的人口老龄化的空间分布呈显著正相关，虽然2000年空间集聚性削弱，但2010年空间集聚性有所加强，在总体上保持一定的连续性.从空间格局演变上看，人口老龄化热点区由南向东迁移收缩，冷点区由北向西南迁移扩张，从演变类型的个数和比例来看，人口老龄化热点区集聚趋于收缩，冷点集聚区扩张显著.

(3)不同要素对各地区的人口老龄化影响各不相同，且地区间差异逐渐增大.人口自然增长率、迁入率与人口老龄化的回归系数均为负值，即抑制了人口老龄化的进程.大专及以上学历人口比重、城镇化率与人口老龄化的回归系数为正值，对人口老龄化具有推动作用.人均GDP、每千人拥有床位数既有正值又有负值，对人口老龄化的影响复杂多变.

影响因子的选择受到数据的限制，人口老龄化模拟结果或参数估计因不同变量的选择和替代可能造成的差异，因而优化变量指标仍需深入研究.随着黑龙江省人口、经济、社会等诸多因素综合作用可以预见老龄化程度不断加深，人口老龄化问题也将不断加重，科学认识和预见不同地区的人口老龄化状况及其驱动机制，是应对老龄化问题的重要认识基础.

[1] 原新,刘士杰.1982-2007年我国人口老龄化原因的人口学因素分解 [J]. 学海,2009(4):140-145.

[2] 李秀丽,王良健.我国人口老龄化水平的区域差异及其分解研究[J].西北人口,2008,29(6):104-107.

[3] 王志宝,孙铁山,李国平. 近20年来中国人口老龄化的区域差异及其演化[J]. 人口研究,2013,37(1):66-77.

[4] 陈毅华,苏昌贵. 基于六普数据的湖南省人口老龄化发展态势与对策研究[J]. 经济地理,2013,33(1):21-26.

[5] 易卫华,叶信岳,王哲野.广东省人口老龄化的时空演化及成因分析[J].人口与经济,2015(3):33-42.

[6] 李扬,刘慧,金凤君,等.北京市人口老龄化的时空变化特征[J].中国人口·资源与环境,2011,21(11):131-138.

[7] 张开洲,陈楠. 1990-2010年福建省县域人口老龄化时空演变特征及其驱动机制[J].地理科学进展,2014,33(5): 605-615.

[8] 莫龙.1980-2050年的中国人口老龄化与经济发展协调性定量研究[J].人口研究,2009,33(3):10-19.

[9] 田雪原.人口老龄化与养老保险体制创新[J].人口研究,2014,36(1):5-15.

[10] 袁俊,吴殿廷,吴铮争.中国农村人口老龄化的空间差异及其影响因素分析[J].中国人口科学,2007(3): 41-47.

[11] 魏传华,胡晶,吴喜之.空间自相关地理加权回归模型的估计[J].数学的实践与认识,2010,40(22): 126-134.

[12] 庞瑞秋,腾飞,魏冶.基于地理加权回归的吉林省人口城镇化动力机制分析[J].地理科学,2014,34(10):1210.

[13] 林琳,马飞.广州市人口老龄化的空间分布及趋势[J].地理研究,2007,26(5):1043-1054.

[14] 雷慧敏,叶长盛.江西省人口老龄化县域差异及其影响因素[J].地域研究与开发,2016,35(2):170-174.

[15] 赵儒煜,刘畅,张锋.中国人口老龄化区域溢出与分布差异的空间计量经济学研究[J].人口研究,2012,36(2):71-81.

[16] 王增文.人口迁移、生育率及人口稳定状态的老龄化问题研究[J].中国人口·资源与环境,2014(10):114-120.

[17] 庄海燕,吴相利. 黑龙江省人口时空格局演变研究[J]. 哈尔滨师范大学自然科学学报,2014,30(4):115-120.

[18] 曹雪,吴相利.黑龙江省流动人口空间格局演变研究[J].哈尔滨师范大学自然科学学报,2017,33(1):119-126.

AnalysisofSpatial-temporalEvolutioninPopulationAgingandDrivingFactorsinHeilongjiangProvince

Yao Lingling, Wu Xiangli

(Harbin Normal University)

Based on the fourth, fifth and sixth population census, the spatial correlation of exploratory spatial data analysis are used to reflect the spatial-temporal evolution and development trend in population aging, and geographical weighted regression model to explore the main driving factors in Heilongjiang province during 1990 to 2010. The conclusions are as follows: The aging rate of Heilongjiang province has a rising trend and the difference of the aging level is gradually expanding and spatial distribution is becoming more and more unbalance. Population aging distribution of Heilongjiang province shows a strong spatial correlation and the spatial structure of hot spots and cold spots cluster have clear differences. The hot spots moves from south to east area with shrink, while the cold spots shifts from north to southwest area with expansion. The various factors have contrast influence degree and directions in different areas and there is growing difference among regions.

Population aging; Spatial-temporal change; geographical weighted regression; Influencing factors; Heilongjiang province

于达)

C922

A

1000-5617(2017)04-0094-07

2017-06-24

*黑龙江省第六次人口普查招标课题(2012A06)；黑龙江省哲学社会研究规划重大决策咨询项目(14G001)

**通讯作者：jndxwxl@163.com