范冠龙，邵景安

(重庆师范大学 地理与旅游学院，中国 重庆 401331)

21世纪以来，我国面临着人口老龄化的挑战，为应对愈来愈严峻的人口老龄化挑战，国内学者已从不同学科领域进行了相关研究，研究成果丰硕.从当前国内对人口老龄化研究来看，大多侧重于从非空间的视角研究人口老龄化，而人口老龄化区域空间差异则成为地理学研究的新方向[1].我国近20年来人口老龄化的空间异质性主要体现在两个方面：首先是大尺度的区域间差异，即各省市人口老龄化演变特征、阶段和趋势方面的差异，是由社会经济发展的不均衡所引起的[2]；其次是中小尺度的区域内差异，即区域内部由于人口机械移动的原因造成人口老龄化的“城乡倒置”和区内部的老龄人口分布差异等问题[3].研究中国人口老龄化的时空格局演变特征及其驱动因素，有利于识别中国人口老龄化的地域分异特征，为缩小人口老龄化区域差异、制定合理的人口发展战略和政策提供参考和依据[4].

本文基于2000—2018年全国人口数据的分析，在已有研究的基础上，以省(自治区、直辖市)为基本地域单元，揭示全国人口老龄化的空间分布特征、时序演化特征，并探讨分析其形成的动力机制，为今后如何根据人口年龄结构的变化，处理好人口发展“数量”与“质量”的关系，努力实现人口的均衡发展[5].

1 研究方法与数据来源

1.1 数据收集

研究区域以中国31个省(自治区、直辖市)为基本单位，暂不包括港澳台地区，采用我国学术界经常选取的划分区域的方法，把我国划分为东部、中部、西部三大区域，其中东部地区11省市；中部地区8个省；西部地区12个省(自治区、直辖市)[6].研究时段为2000—2018年，2000年、2010年数据为全国人口普查数据，其余时段数据均来自各个省(自治区、直辖市)历年的统计年鉴.人均GDP、出生率、迁出率、迁入率、每千人医疗床位数、大专及以上占比等指标均来自2000年、2010年《中国统计年鉴》；基础地图来源于国家基础地理信息中心.

1.2 研究方法

1.2.1 全局空间自相关

根据地理学第一定律，地理事物或者属性在空间上存在某种潜在相互依赖性[7]，而空间自相关就是反映这种潜在相互依赖性的量化指标，若空间自相关检查结果为正值且显著，则说明事物或属性变化和趋势特征趋于一致，存在空间上集聚效应，反之则相反[8].

全局空间自相关是通过Global Moran值来衡量的.其计算公式如下：

式中I为Global Moran’sI统计量；n为空间研究单元的样本个数；X是表示所有观测值的平均值；X为i省的老龄化系数；wij为i和j地区的空间权重矩阵.E(I)为Global Moran’sI的理论期望值；VAR(I)是Global Moran’sI的理论方差.

Global Moran’sI的取值范围是[-1，1]，Z值为正则为正相关，为负则为负相关，Z绝对值的大小，表明空间自相关的强弱.

1.2.2 局部空间自相关

全局空间自相关是从整体上把握中国人口老龄化空间集聚的方法，这种方法难免会掩盖局部地区老龄化空间集聚特征.若要精准反应区域老龄化空间差异的变化状况，则需要采用局部空间分析方法[9].计算公式为：

式中Ii为Local Moran’sI统计量.

1.2.3 地理加权回归模型

地理加权回归模型相比于全局回归模型，其优势在于能够对每个研究单元形成独立的估计系数，以此来解释处于不同地理位置时，解释变量对该区域的作用程度，并由此获得不同因素对解释变量作用的空间分异特征.其计算公式如下：

式中，(ui,vi)为第i个单元的坐标；βj(ui,vi)是第i个单元的j个回归参数，εi为独立随机分布的误差项.

2 人口老龄化的时空分布特征

2.1 人口老龄化空间格局演变

根据国际老龄化社会标准，对我国人口年龄结构类型进行划分，结合全国人口老龄化特征，并借鉴其他学者的分类方法，我国人口老龄化结构类型可分为以下6种类型，即：年轻型(N)，老年人口占比<4%；成年型Ⅰ期(C1)，老年人口占比[4%,5.5%)；成年型Ⅱ期(C2)，老年人口占比[5.5%,7%)；老年型Ⅰ期(L1)，老年人口占比[7%，10%)；老年型Ⅱ期(L2)，老年人口占比[10%，14%)；老年型Ⅲ期(L3)，老年人口占比14%及以上[10].根据上述标准，来绘制2000年、2010年、2018年的人口老龄化空间分布图，对比分析发现我国人口老龄化空间分布具有以下特征.

从全国范围来看，人口老龄化呈现出东部地区最高，中部次之，西部最低的总体分异格局；我国老龄人口占比呈现逐年上升的趋势，其中老龄化率较高的为上海、辽宁、山东和江苏等地区；我国人口老龄化地区分布不均衡，空间异质性显著，老龄化系数极值之间差距随时间变化持续增加，2018年数据显示老龄人口比重最高值和最低值差距达13.77%.

图1(a)所示，2000年年轻型省(自治区、直辖市)消失，但是绝大部分地区尚未进入老龄化，东部地区率先进入老龄化，老年型Ⅰ期、老年型Ⅱ期省(自治区、直辖市)分别为6个和1个，上海地区老龄化水平最高，老龄化指数达到11.53%，是当时全国唯一的老年型Ⅱ期省(自治区、直辖市)；成年型Ⅱ期有4个，分别为河北、福建、广东和海南，其中广东老龄化水平最低，老龄化指数为6.05%.中部地区成年型Ⅱ期、老年型Ⅰ期分别为6个和2个，安徽和湖南成为中部地区仅有的两个老龄化水平较高的地区，老龄化指数分别为7.45%和7.28%，黑龙江成为中部老龄化水平最低地区，老龄化指数为5.42%.西部地区重庆、四川和广西为老年型Ⅰ期地区，老龄化指数分别为7.90%、7.44%和7.13%；成年型Ⅰ期和Ⅱ期分别有6个和3个，其中青海地区老龄化水平最低，老龄化指数为4.25%.

图1(b)所示，2010年东部地区，老年型Ⅰ期和老年型Ⅱ期分别有7个和3个，其中海南、河北和福建从成年型Ⅱ期转变成老年型Ⅰ期，江苏和辽宁从老年型Ⅰ期转变为老年型Ⅱ期，老龄化水平最高的地区是江苏，老龄化指数为10.89%，广东依然是东部老龄化水平最低的地区，老龄化指数为6.75%.中部地区成年型消失，老年型Ⅰ期和Ⅱ期分别有7个和1个，安徽由老年型Ⅰ期转变为中部唯一的老年型Ⅱ期地区，老龄化指数为10.18%，山西、吉林、黑龙江、江西、河南和湖北6省从成年型Ⅱ期跃升为老年型Ⅰ期地区.西部地区老龄化水平差异比较明显，西藏成为西部也是全国唯一的成年型Ⅰ期地区，老龄化指数为5.09%，成年型Ⅱ期、老年型Ⅰ期分别有3个和6个，其中贵州、云南、陕西由成年型Ⅱ期转变为老年型Ⅰ期，老年型Ⅱ期有2个，分别是重庆和四川由老年型Ⅰ期跃升而来，重庆成为西部老龄化水平最高地区，老龄化指数为11.56%.

2018年图1(c)所示，全国除了西藏地区之外，其余各省(自治区、直辖市)均已步入老龄化社会，老年型Ⅰ期省(自治区、直辖市)减少到9个，东部地区有3个，分别为海南、广东和福建，老龄化指数分别为8.21%、8.26%和9.49%，中部地区没有，其余6个全部位于西部地区.老年型Ⅱ期成为主要类型，属于该类型省(自治区、直辖市)增长到21个，其中东部地区有8个，老龄化最严重的是上海，老龄化指数为19.58%;中部地区有8个，老龄化最严重的是安徽，老龄化指数为12.97%;西部地区有5个，老龄化最严重的是四川，老龄化指数为14.17%.从2000年中国进入老龄化社会，到2018年中部地区老龄化程度明显增强，呈现出向西扩散的趋势，但西部地区人口老龄化聚集程度低.此外老龄化在不同省(自治区、直辖市)差距很大.

2.2 人口老龄化的空间聚集特征

2.2.1 总体空间关联特征

通过公式计算3个年份人口老龄化全局 Moran’sI值、Z值、P值，结果如表1.

表1 2000年、2010年、2018年中国人口老龄化系数的全局Moran’s I值

由表1可见，全局 Moran’sI的值均大于0，且通过显著水平检验，证明我国省(自治区、直辖市)地域之间人口老龄化存在显著的正相关，在空间内存在明显集中的趋势，反映出老龄化较高的地区相邻的特征，反之相反.全局 Moran’sI的值先减小后增大，说明2000年全国省(自治区、直辖市)地域人口老龄化的空间集聚性比较强，2010年慢慢减弱之后到2018年又逐渐增强，证明了地区间人口老龄化空间差异这个客观事实.

2.2.2 局域空间关联特征

为了揭示我国人口老龄化可能存在的局部空间集聚特征，采用局域Moran’sI来描述我国人口老龄化局部特征.人口老龄化系数局部空间集聚特征明显，总体以高-高值集聚和低-低值集聚类型为主，同时，各类型地区数量和空间分布处于动态变化之中[11]，如图2所示：2000年高-高值集聚区主要分布在东部地区，江苏、浙江和上海是3个人口老龄化高-高值集聚区，低-低值集聚区主要分布在西北地区，分别是新疆、西藏、青海、内蒙古、甘肃和宁夏6地区，四川则是人口老龄化高-低值集聚区.2010年，高-低值集聚区消失，低-低值集聚区只剩新疆，高-高值集聚区扩大为4个，分别为江苏、上海、重庆和贵州.2018年高-高值集聚区分别为浙江和江苏，低-低值集聚区为新疆.

图2 2000年、2010年、2018年中国人口老龄化系数LISA集聚图

3 人口老龄化发生的动力机制

3.1 变量的选取

人口老龄化是一种复杂的社会现象，不同时期人口老龄化演变进程和空间分布的主导机制不同，且各个机制不是单独作用于老龄化，而是相互影响综合作用[12].众多学者研究表明，出生率的下降是人口老龄化出现的首要直接原因.公共医疗卫生事业的快速发展、全民教育水平的提高、经济的平稳发展和人口的机械迁移等因素对人口老龄化的发展起着间接的影响.根据分析选取以下几个变量，分析对人口老龄化的影响.

3.2 地理加权结果及分析

为了探索每个影响因素对人口老龄化随空间位置变化的解释程度，我们采用地理加权回归模型对回归系数进行量化.同时，将地理加权回归模型计算的2000年、2010年各影响因素的回归系数通过ArcGIS10.4软件作空间可视化表达，分析各个影响因素对各省市老龄化的影响力度及其空间差异.地理加权模型参数估计及检验结果模型参数估计及检验结果如表2所示.

表2 GWR模型参数估计及检验结果模型参数估计及检验结果

3.2.1 出生率对人口老龄化影响空间变异特征

图3中看出，出生率是影响人口老龄化的负向主导因素，低出生率与快速老龄化将同步发展.一般来讲，出生率的高低直接影响新生人口数量，出生率低的地区新生人口数量少，造成老年人口比重相对增大[13].从回归系数的空间分布来看，2000年[图3(a)]负向影响效果较强的在东北地区，影响较小的在东南地区，2010年[图3(a)]回归系数由西南向东北递增，但影响效果却逐渐减弱,其中负向影响较大的主要是西藏、新疆和青海，说明这些地区的人口老龄化对出生率的敏感高于其他地区；负向影响较小的主要是黑龙江、吉林和辽宁.

图3 2000年、2010年出生率GWR模型回归系数空间分布

3.2.2 人均GDP对人口老龄化影响空间变异特征

人均GDP与老龄化之间呈正相关关系，人均GDP是影响老龄化的正向主导因素[14].经济对人口老龄化的影响是通过延长寿命来实现的，经济发展对预期寿命的影响不是即时显现的，而是长期累积的，也就是说，现在的预期寿命，可能是以前10年、20年甚至更长时期经济发展持续影响的结果[15].从2000年[图4(a)]回归系数看出，人均GDP对老龄化的影响中东部要强于西部地区，2010年[图4(b)]回归系数的空间分布大致由东向西呈阶梯状逐渐增强，经济发展对新疆、青海、西藏、云南等西部省区的老龄化影响较大，而对东三省以及上海等中东部影响相对较小，产生这样结果主要是寿命的延长有一个生物极限，寿命延长到一定程度，人均GDP对人口老龄化的影响就会变得不再显著.

图4 2000年、2010年人均GDP GWR模型回归系数空间分布

3.2.3 每千人医疗卫生床位数对人口老龄化影响空间变异特征

从图5中可以看出，医疗卫生对人口老龄化起到一个促进作用，反映出医疗卫生条件优越程度决定人口老龄化程度[16].拥有的医疗卫生床位数越多，表明该地区的医疗配置相对较为完善，延长了人们的平均预期寿命.2000年[图5(a)]高值主要分布在长三角和珠三角地区，这些地区经济发展活力较强，经济相对发达，地方财政对医疗领域的建设投入相对较多，地方医疗机构建设较强，所以每千人医疗卫生机构床位数对老龄化影响相对较大.随着医疗水平发展的不均衡[17]，2010年[图5(b)]时，像新疆、青海以及黑龙江和辽宁这些医疗水平相对较低的地区受到的影响更加显著.

图5 2000年、2010年每千人医疗卫生床位数GWR模型回归系数空间分布

3.2.4 迁入率对人口老龄化影响空间变异特征

总体而言，迁入率的影响是负向的.从回归系数的空间分布来看，大致呈现西低东高的格局.呈现负向影响的省(自治区、直辖市)广泛分布在中西部地区以及绝大部分东部地区，仅有东北以及华北部分省(自治区、直辖市)呈现正向影响.由图6看出，迁移率对东部地区的影响要小于对中西部地区的影响.一般认为，东部地区人口迁移多，对老龄化影响大，会降低迁入省(自治区、直辖市)的人口老龄化水平，发挥“削峰填谷”的“补偿效应”[18].然而，东部省(自治区、直辖市)的迁入人口已经由快速增长趋向平稳，人口迁移由规模庞大的劳动力型向强调人力资源的技术人才型转变，但东部省市的老年人口基数依然庞大，迁入人口对东部省市人口老龄化的“削峰”与“稀释”作用相对变小;另一方面，随着中部崛起和西部大开发战略的推进，中西部省(自治区、直辖市)经济发展水平越来越高，外出务工人员回流趋势增强，也吸引了相当一部分的高技术人才.

图6 2000年、2010年迁入率GWR模型回归系数空间分布

3.2.5 迁出率对人口老龄化影响空间变异特征

从迁出率回归系数的空间分布(图7)来看，其正向影响作用大致呈现由东南向西北增强的趋势，该指标对新疆、青海和西藏影响最大，黑龙江最小.一方面出现这种结果与人口迁移的选择性有关，近年来人口流迁在城镇化的快速推进中发挥了关键性的作用[19]，并以离开户口登记地进入城市从事务工经商、学习培训的年轻劳动力为主，这种迁移趋势，势必减慢迁入地区人口老龄化，加快迁出地区人口老龄化；另一方面，传统的农区地带，农业经济产值较低且就业面窄，青壮年劳动力外迁趋势比较明显，造成老龄化程度较高[20].目前，低龄化、就业导向这种大规模且具有明显地域偏好和年龄倾向的人口迁出，造成中西部人口年龄结构的中间断层,相对抬高了中西部省(自治区、直辖市)人口老龄化程度.

图7 2000年、2010年迁出率GWR模型回归系数空间分布

3.2.6 大专及以上学历占比对人口老龄化空间变异特征

由图8可以看出，大专及以上学历占比体现了受教育水平对人口老龄化的影响，教育水平对人口老龄化呈现的是负相关关系.一方面，教育水平越高，也就意味着接受教育的年限越长，受教育程度高的人群婚育年龄也就越晚，进而对老龄化产生影响；另一方面，受教育水平越高，越容易摆脱传统思想观念的束缚，思想观念也就越开放，同时，工作压力过大，也会导致受教育程度高的人群生育意愿也就越低，普遍选择优生优育，进而导致出生率的下降，加剧人口老龄化.2000年[图8(a)]时，我国教育资源配置不均，教育水平整体偏低，因而在一定程度上对老龄化起抑制作用[21].2010年[图8(b)]我国整体教育水平提高很多，对老龄化由微弱抑制作用转变为促进作用.

图8 2000年、2010年大专及以上占比GWR模型回归系数空间分布

4 结论与讨论

4.1 结论

利用2000—2018年人口普查和统计年鉴数据，本文利用空间自相关和地理加权的分析方法，在省域尺度上分析了我国人口空间特征及演变趋势，并进一步探讨了人口老龄化形成及其演变的驱动因素[22].主要得出以下结论:

空间分布演变方面，我国人口老龄化呈现东部最高、中部次之、西部最低的总体分异格局，空间演化上呈现出由东部向西部演化的趋势.从整体上来看，高高值集聚程度有所增强，而低低值集聚的程度有所减弱，并且人口老龄化地区分布不均，地区差异明显.

时序演化方面，我国人口老龄化比重在时间维度上呈现出越来越高的趋势，人口老龄化问题越来越突出的特征，2000—2010年，各省(自治区、直辖市)的年龄结构类型向老年型的方向演化，2010—2018年，各省(自治区、直辖市)的年龄结构类型由老年型Ⅰ期向老年型Ⅱ期的方向演化.

形成机制方面，人口老龄化格局是人口自然变动和机械变动的共同作用的结果，其中出生率为负向主导因素；经济社会发展的不均衡是影响人口老龄化的重要因素，经济发展水平与医疗服务水平是影响人口老龄化的主要推动力.

4.2 讨论

人口老龄化已经从一种社会问题转变成为一种社会现象，伴随着快速人口老龄化与社会结构转型相叠加，中国人口老龄化问题依然突出[23].通过对我国人口老龄化时空格局的演变及驱动力分析，首先，可以为应对人口老龄化，加快老年文化、体育、教育事业和产业发展提供建议.其次，处理好人口“数量”与“质量”的关系，实现人口和社会的均衡化发展.然而本研究还存在缺陷，由于获取数据的时效性问题，本文采用的是2000—2018年近20年的统计数据，全国第7次人口普查结束之后，我们可以在此基础上对未来我国老龄化发展趋势进行预测.