田 甜

(新疆财经大学统计与数据科学学院，新疆 乌鲁木齐 830012)

人口老龄化是一把“双刃剑”，既可以刺激“银发经济”带动养老产业的发展，又会带来一系列问题，比如劳动力供给减少、生产率降低等。 与国外相比，尽管中国步入老龄化社会时间较短，但面临着老龄人口基数过大、增长速度过快这两个问题[1]。

国内外已有不少学者对人口老龄化时空演变及其影响因素进行了研究。 从研究对象来看，人口老龄化的研究尺度从国家[2]、省域[3]、市域[4]、县域[5]到乡镇街道[6]。 从研究方法来看，大多采用全局、局部莫兰指数、冷热点分析[7]研究时空分布；针对人口老龄化影响因素，采用了空间计量[8]、地理探测器[9]、地理加权回归[10]等多种方法。 从所构建的测度人口老龄化指标来看，一开始是单一指标，如最常见的65 岁及以上老年人口占总人口的比重[11]，到后来使用人口老龄化综合指数，有机结合老龄化数量、比例及密度[12]。

综上所述，大多数关于老龄化的研究时间跨度较小，并且研究尺度多聚焦于个别省份或者城市内部，很少有关于区域人口老龄化的空间演变分析。 而西部地区经济欠发达，更应关注“未富先老”。 此外，地理探测器的使用还较少。 鉴于此，本文以西部地区为研究区域，对2000~2020 年各市人口老龄化程度进行时空演变分析，并运用地理探测器研究影响因素。

一、 数据来源及其研究方法

(一)数据来源

人口数据主要来源于2000~2020 年人口普查及抽样数据。 社会经济影响因素主要来自«2021中国城市统计年鉴»和各地市2020 年国民经济和社会发展统计公报，缺失数据来源于各省市统计年鉴，创建0－1 距离矩阵作为空间权重矩阵。 由于2000~2020 年西部地区的行政区划有过调整，因此行政区划以2020 年为基准。

(二)研究方法

1.相关概念及其界定

鉴于以往研究[13]，定义人口老龄化程度(PA)为65 岁以上人口占总人口的比例。 可将人口老龄化程度划分为以下几种类型。 结果见表1:

表1 人口老龄化程度划分表

2.空间自相关

空间自相关主要包括全局和局部空间自相关[8]。 全局空间自相关考察整体空间聚集态势，主要测度方法是全局莫兰指数，其计算公式如下:

局部空间自相关考察某区域i附近的空间聚集情况。 可采用局部莫兰指数(local Moran's I)来衡量。 计算公式如下:

3.地理探测器

有关地理探测器的原理及应用，目前已有大量文献对其进行介绍，此处不再赘述。 有关地理探测器的基本思想及相关计算公式可参考文献[14]。

二、 西部地区人口老龄化时空演变特征

(一)时间演变分析

1.人口老龄化程度加深

经计算可得，2000 年西部地区总体人口老龄化系数为6.52%，处于P2 型社会；2020 年为13.13%，高于全国平均水平，处于Q2 型社会。

如图1 所示，2000 年，仅有重庆市、四川省、广西壮族自治区步入老龄化社会，绝大多数地区还处于成年型阶段；2005 年，老龄化程度进一步加深，全国平均人口老龄化系数为7.69%，西部地区共有五个省份的人口老龄化程度高于全国平均水平；2010 年西部地区绝大多数省份均已步入老龄化进程；2015 年，大多数还处于Q1 型社会；2020年除西藏自治区外其余均已进入老龄化社会，人口年龄结构由Q1 型向Q2 型转变。

图1 2000~2020 年西部地区人口老龄化变化曲线

2.人口老龄化程度存在明显区域性差异

如图1 所示，重庆市、四川省从2000 年开始，就已进入了老龄化社会，且其PA 远远高于全国平均水平。 2020 年，重庆市与四川省人口年龄结构均为Q3 型而西藏自治区还未进入老龄化社会。由此可见，重庆市和四川省一定程度上拉高了西部地区人口老龄化水平[9]。

(二)空间关联分析

1.全局空间自相关

由于西部地区地广人稀，故采用邻接矩阵作为空间权重矩阵。 运用Stata 软件分别计算2000、2005、2010、2015、2020 年西部地区各省PA 全局莫兰指数。 计算结果如表2 所示。

表2 不同年份西部地区全局莫兰指数估计值

由表2 可见，2000 年、2005 年、2010 年、2015年、2020 年西部地区各省PA 全局莫兰指数分别为0.285、0.267、0.196、0.158、0.144，都为正值，且p值均小于0.1，通过了10%水平下的显著性检验，说明西部地区各省PA 存在空间正自相关，即PA越高的省份其周边省份的PA 也越高，PA 越低的省份其周边省份的PA 也越低。 如表2 所示，2000~2020年西部地区各省PA 全局莫兰指数逐渐降低，说明这二十年间西部地区人口老龄化程度空间聚集性有所减弱。

2.局部空间自相关

在西部地区各省PA 存在空间自相关的情况下，为进一步探讨邻近省的PA 聚集程度，绘制2000、2010、2020 年局部莫兰散点图来显示人口老龄化程度4 种局部空间关联类型[8]，如图2 所示。

图2 2000~2020 年西部地区人口老龄化程度局部莫兰散点图

如图2 所示，三幅图上的点大多落在了第一、第三象限，表明了各省PA 局部空间相关主要以高－高、低－低集聚为主，也验证了前文的结果，存在空间正自相关。

第一象限主要包括四川省、重庆市、陕西省等地。 这些地方不仅人口老龄化程度严重，其相邻省份的人口老龄化程度也严重，主要是年轻劳动力的流失及人口出生率降低等原因所造成的。

云南、青海等地落在第二象限，说明当地的人口老龄化程度较低而相邻的地区人口老龄化程度较高。 例如云南落入了第二象限，其人口老龄化程度较低，而与其相邻的四川省人口老龄化程度高。

低－低集聚区主要分布于新疆维吾尔自治区等地，因此落入了第三象限，说明这些地区的人口老龄化程度较低，与其相邻的地区人口老龄化程度也低。

第四象限主要包括广西、甘肃等地，说明这些地方人口老龄化程度高而周边地区的人口老龄化程度低。 比如广西人口老龄化程度高，而周边云南省人口老龄化程度较低。

纵观这三幅图，高－高集聚区、低－低集聚区数量均有所减少但逐渐趋于稳定，表明人口老龄化分布格局逐渐成形。

三、 西部地区人口老龄化影响因素分析

(一)影响因素选取

通过阅读大量文献，基于数据的可获得性，结合前人的研究[15]，从人口状况、社会经济发展水平方面出发，决定以市域为研究尺度，探究更细微单元下人口老龄化分布影响因素并选取以下指标，如表3所示。

表3 西部地区市域人口老龄化影响因素

(二)结果分析

以2020 年西部地区各市人口老龄化系数作为被解释变量，运用ArcGIS 软件中的自然间断点分级法进行聚类，将各指标数值型数据离散化，之后运用地理探测器进行分析，得到不同因素对人口老龄化的影响程度及显著性水平。

表4 中的结果表明，通过5%显著性检验的因子为:A1(0.372)>B2(0.350)>B4(0.334)>B5(0.308)。A1、B2对2020 年西部地区各市人口老龄化的影响最为显著，意味着A1、B2是关键因素。

表4 2020 年西部地区人口老龄化因子探测结果

从人口维度而言，A1代表着人口的自然变动，说明人口出生率、死亡率会直接影响西部地区PA 的变动，可以通过提高出生率来改善人口老龄化状况。

从社会经济方面而言，B2与人民生活息息相关，B2越高的地方，越吸引年轻劳动力的聚集，相对应，B2越低的地方则无法避免年轻劳动力的流失，例如四川省的内江市、自贡市、泸州市等地。 B1、B3均未通过5%的显著性检验且其q值较小，说明经济发展水平、人民的购买力与人口老龄化的空间一致性较弱。 B4、B5通过了5%显著性检验，说明社会保障在一定程度上也会影响人口老龄化进程。 医疗产业发展越好，越有可能提高人们的预期寿命，保障老年人的健康状态。 例如2019 年年末重庆市、成都市的B5位居全国顶端，其PA 也相对较高。 教育越发达，越有可能改变人们的生育观念。

四、 结论与讨论

(一)结论

基于人口普查数据研究2000~2020 年西部地区各市人口老龄化程度时空分布，运用地理探测器探究人口老龄化时空分布特征的影响因素，结论如下:西部地区人口老龄化程度加深且各地区间人口老龄化程度存在差异；从空间关联来看，各市人口老龄化程度全局莫兰指数都为正值且显著，存在明显的空间自相关，人口老龄化程度与空间分布的相关性进一步加强。 局部空间自相关特征以高－高、低－低集聚为主。 高－高集聚区、低－低集聚区总体上缩减并逐渐趋于稳定；通过研究发现，市域尺度上人口老龄化空间分布特征的影响因素中最关键的两个分别是人口自然增长率、职工平均工资；普通中学数、医疗卫生机构床位数通过显著性检验对人口老龄化程度有着一定影响。

(二)讨论

西部地区经济欠发达，人口老龄化程度却不断加深，面临着“未富先老”的困境，不利于经济可持续发展。 西部地区各省应根据人口老龄化程度制定合理政策，增强养老资源的宏观调控[9]。 今后应通过分析不同尺度下人口老龄化的格局演变进行合理预测，并提出针对性的建议措施。