EN中文

华南地理学报 >

2025 , Vol. 3 >Issue 1: 54 - 66

DOI: https://doi.org/10.20125/j.2097-2245.202501004

专辑：空间计量模型研究：实证应用与理论进展

2000—2020年中国人口老龄化的空间格局及影响因素研究

  • 古恒宇 , 1 ,
  • 肖江曼 , 2 ,
  • 林育豪 , 3 ,
  • 劳昕 , 2
展开
  • 1. 南京大学 地理与海洋科学学院，南京 210023
  • 2. 中国地质大学 （北京）经济管理学院，北京 100083
  • 3. 武汉大学 测绘学院，武汉 430079
劳　昕（1988—），女，广西北海人，博士，副教授，博士生导师，主要从事中国人口和人才迁移流动研究，E-mail：

古恒宇（1994—），男，广东广州人，博士，助理教授，博士生导师，主要从事人口地理学、区域经济学研究，E-mail：

肖江曼（2000—），女，河北保定人，硕士生，主要从事中国人口老龄化研究，E-mail：

林育豪（2001—），男，广东汕头人，硕士生，主要从事空间大数据分析与人口流动研究，E-mail：

收稿日期: 2025-01-06

  修回日期: 2025-02-20

  网络出版日期: 2025-06-18

基金资助

国家自然科学基金项目(42301278)

教育部人文社会科学研究青年基金项目(23YJC790032)

南京市社会科学基金项目(24YB06)

中国科协青年人才托举工程项目(2023QNRC001)

收起

Spatial Patterns and Influencing Factors of Population Aging in China from 2000 to 2020

  • GU Hengyu , 1 ,
  • XIAO Jiangman , 2 ,
  • LIN Yuhao , 3 ,
  • LAO Xin , 2
Expand
  • 1. School of Geography and Ocean Science, Nanjing University, Nanjing 210023, China
  • 2. School of Economics and Management, China University of Geosciences (Beijing), Beijing 100083, China
  • 3. School of Surveying and Mapping, Wuhan University, Wuhan 430079, China

Received date: 2025-01-06

  Revised date: 2025-02-20

  Online published: 2025-06-18

Fold

摘要

准确把握中国人口老龄化的空间格局及其影响因素，对于优化养老资源配置、制定人口发展战略至关重要。在空间异质性的视角下，基于2000、2010、2020年3次全国人口普查数据，利用多元线性回归模型和多尺度地理加权回归模型，在地级及以上单元尺度研究2000—2020年中国人口老龄化时空格局演变及其影响因素。结果表明：（1）研究期内中国整体老龄化加速加深，以江苏、四川两省最为明显，城市间老龄化格局存在较强空间正相关特征，总体格局保持稳定；（2）中国城市总体从成年型向老年型跨类型转变，老年型城市从初期向中后期过渡；（3）老龄化热点区和冷点区表现出差异化的空间演变特征，热点区呈“两集群”格局，冷点区逐渐收缩；（4）老龄化受人口、经济、公共服务、教育和环境等因素共同影响，出生率、死亡率、迁入率始终是主导因素，其他因素呈现阶段性变化；（5）人口因素对人口老龄化的影响由全局转为局部并由稳健转为非稳健，经济、医疗、教育因素对老龄化影响的空间异质性发生阶段性变化，环境因素的作用逐渐显现。

关键词： 人口老龄化; 空间格局; 影响因素; 多尺度地理加权回归; 地级及以上单元

本文引用格式

古恒宇 , 肖江曼 , 林育豪 , 劳昕 . 2000—2020年中国人口老龄化的空间格局及影响因素研究[J]. 华南地理学报, 2025 , 3(1) : 54 -66 . DOI: 10.20125/j.2097-2245.202501004

Abstract

Understanding and grasping the spatial pattern of China's population aging and the factors influencing it is of great significance for optimizing the allocation of elderly care resources, and targeting the formulation of population development strategies. Under the perspective of spatial heterogeneity, the spatial and temporal patterns of population aging and influencing factors of Chinese cities at prefecture level and above are studied based on three national census data in 2000, 2010 and 2020, using multiple linear regression models and multi-scale geographically weighted regression models. The results show that: 1. China's population overall aging accelerated and deepened during the study period, most notably in Jiangsu and Sichuan provinces, with strong positive spatial correlation characteristics of the aging pattern among cities, and the overall pattern remained stable; 2. Chinese cities in general shifted from adult to senior across types, with senior cities transitioning from early to mid-late stage; 3. The hot and cold spots of aging showed spatial evolution characteristics, with the hot spots showing a "two-cluster" pattern and the cold spots gradually shrinking; 4. Ageing was affected by demographic, economic, public service, education and environmental factors, with birth rate, death rate and migration rate acting as the dominant factors, and other factors changing in stages; 5. The influence of demographic factors on population aging has shifted from global to local and from robust to non-robust, the spatial heterogeneity of the influence of economic, medical and educational factors on aging has undergone periodic changes; and the significance of environmental factors has gradually emerged.

Key words： population aging; spatial pattern; influencing factors; Multiscale Geographically Weighted Regression; prefecture-level units

0　引言

人口老龄化是人类社会发展的必然趋势，也是中国实现第二个百年奋斗目标征程中的重要国情。党的二十大报告提出，实施积极应对人口老龄化国家战略，为新时代中国积极应对人口老龄化作出了最新的决策部署。第七次全国人口普查数据显示，2020年底中国65岁以上老龄人口1.91亿（占比13.5%）。随着人口增长的速度放缓和老龄化的不断加深，中国人口红利正呈现逐渐减弱的趋势［1］。截至2023年底，全国60岁及以上老年人口已达到2.97亿、占总人口的21.1%，其中65岁及以上老年人口2.17亿、占总人口的15.4%。按国际有关标准，我国已进入中度老龄化社会，积极应对人口老龄化挑战刻不容缓。在此背景下，系统把握中国老龄化进程的空间格局及影响因素，对于新时代以人口高质量发展推动中国式现代化具有重要现实意义。
发达国家自19世纪便相继进入老龄化社会，对老龄化研究开始较早。学者主要基于国家［2］、州（省）际［3］、城市［4-5］、县［6］、特定子区域［7］层面展开对人口老龄化空间差异的研究，发现老年人口的空间分布随着城市发展阶段不断发生变化的［3］。随后相关研究结论验证了这一规律，进一步发现老年人口分布存在中心集聚和郊区集聚的两极化特点［4］。Rogerson［5］研究发现老年人聚居区的空间差异在缩小，这与Frey［8］关于不同地区老年人集中程度差异增大的结论相反。这些结果的对比揭示了研究单元不同引发的社会经济条件和老年人口群体偏好差异，进而导致人口老龄化的空间异质性展现。影响人口老龄化的主要因素包括人口的自然增长［7］、年轻人口的大量流出［9］以及老年人口退休后的迁移流动［7］，区域经济发展也与老龄化密切相关［10］。
跨世纪以来，随着中国人口老龄化趋势加深，国内学者对人口老龄化的相关研究成果方兴未艾。从老龄化的现状和发展趋势来看，21世纪上半叶，中国人口老龄化的主要特征可以概括为“二高三大”：高速；高龄；老年人口绝对数量大；老年抚养比大；区域差异大［11］。并且随着老龄化水平不断提高，城乡倒置的现象也日趋显著［12］。从人口老龄化空间分布特征来看，国内关于老龄化空间分布特征的研究尺度主要包括省域［13-15］、市域［16-17］、县域［18-20］、乡镇［21］等。总体来说，中国人口老龄化水平地区间存在较大差异并且老龄化发展速度不均衡，胡焕庸线是中国人口老龄化的重要分界线。老龄化受到人口、经济、社会、文化、自然环境等因素共同影响。一般将人口自然增长因素归结为内部因素；经济、社会、文化、环境等因素则被认为是影响老龄化的外部因素［22］。研究期主要覆盖2000—2020年，且多使用第五、六次全国人口普查数据［13，20］，仅少部分学者综合了第五、六、七次全国人口普查数据［17，23-25］。从研究方法来看，老龄化空间分布的格局和形成机理的研究逐渐从定性向定量转变，近年来学者开始应用考虑空间因素的地理加权回归模型［16］，揭示了老龄化形成因素的空间异质性。
综上所述，国内外研究从不同的视角运用不同方法对中国人口老龄化的现状、空间格局演变以及影响机制进行探讨，成果较为丰富。相比于县级和省级尺度，以地级及以上为研究单元的完整性和可得性更优，且城市化对老龄化具有明显的催化作用，在此研究单元上的人口老龄化研究具有重要意义。但是在“七普”数据发布后，仍鲜有研究以地级及以上为研究对象关注21世纪前20年（2000—2020年）老龄化空间格局的综合演变和作用机理。另一方面，由于影响老龄化的各因素（如养老政策、自然资源环境、社会保障、住房条件）在地理空间上的不完全流动性，以及不同地理区位上的老年人口群体生活偏好和文化习俗的差异性，需要基于地理学第二定律（空间异质性）的视角重新审视人口老龄化的地理格局机制，尤其需要系统把握驱动老龄化进程的各影响因素在地区间的差异性。
基于以上，本研究使用第五、六、七次全国人口普查数据，以地级及以上为研究单元研究2000—2020年中国人口老龄化时空格局演变及其影响因素，构建人口老龄化水平综合指标进行探索性空间数据分析，通过多尺度地理加权回归模型对老龄化影响因素探究空间分异性，试图揭示中国人口老龄化的空间规律，以期为应对老龄化挑战的策略提供借鉴。

1 研究数据、区域与方法

1.1　研究数据与数据来源

本文研究尺度为地级及以上单元，暂未含香港特别行政区、澳门特别行政区和台湾地区。涉及的人口数据来源于《2000年第五次全国人口普查主要数据》《2010年第六次全国人口普查主要数据》《2020年第七次全国人口普查主要数据》 1。其中，老龄化率借鉴国际标准表示为65岁及以上老年人口占总人口的比重；对人口老龄化速度按照当年和上一年老年人口比重变化率计算。影响因素数据主要来自《城市统计年鉴》（2001、2011、2021）和各省份统计年鉴 2。计量分析部分，考虑到数据可得性，将研究对象的范围缩小为291个地级及以上城市，变量的描述性统计见表1。
表1 变量的描述性统计

Tab.1 Descriptive statistics of variables

影响因素 描述 平均值 最小值 最大值
老龄化率/％ 65岁及以上人口比例 9.941 1.230 27.230
出生率/‰ 年出生人数/年平均人数 10.544 2.650 27.000
死亡率/‰ 年死亡人数/年平均人数 5.954 0.850 17.500
净迁入率/％ （常住人口-户籍人口）/常住人口数 -0.004 -0.456 0.826
收入水平/元 各地级市城镇居民人均可支配收入 20 857.510 3 505.000 81 248.000
医疗条件/（张·万人-1） 各地级市医院床位数/常住人口 9.279 136.000 174 957.000
教育资源/年 各地级市15岁及以上人口的平均受教育年限 8.608 1.567 12.210
自然环境/（μg·m-3） 各地级市年度PM2.5平均浓度 37.764 1.954 86.285

注：全局回归分析中，除百分数变量外，所有变量均做自然对数处理；局部回归分析中，所有变量均进行以0为均值，以1为标准差的标准化处理。

1.2　研究方法

1.2.1　全局空间自相关

全局空间自相关是老龄化属性在全国范围内空间特征的描述，可用来测度人口老龄化空间集聚程度，常用Moran's I指数来衡量，其计算公式为：
M o r a n ' s   I = ∑ i = 1 n ∑ j ≠ 1 n w i j ( x i - x ¯ ) - ( x j - x ¯ ) S 2 ∑ i = 1 n ∑ j ≠ 1 n w i j，
其中： n是空间研究单元的样本数； w i j为区域空间权重矩阵，定义研究单元空间相邻为1，不相邻为0； x i表示第 i个空间单元的观测值（属性值）； S表示空间单元观测值的标准差； x ¯是表示所有观测值（属性值）的平均值。

1.2.2　热点分析

热点分析（Getis-Ord G i *）是局域空间自相关的一种有效方法，用来衡量区域内局部区域与相邻空间单元的相关性，本文通过热点分析探究中国地级市层面人口老龄化局部空间上存在的联系。 G i *指标可用来分析区域内研究单元i和j间的空间异质性，得到高值或低值要素在空间发生聚类的位置，计算公式为：
G i * = ∑ j = 1 n w i j x j - X ¯ ∑ j = 1 n w i j S n ∑ j = 1 n w i j 2 - ∑ j = 1 n w i j 2 n - 1 ，　 X ¯ = ∑ j = 1 n x j n，　 S = ∑ j = 1 n x j 2 n - ( X ¯ ) 2，
其中： x j是地级市 j的属性值； w i j是被分析的地级市 i和与其相邻或具有空间关系的其他地级市 j之间的空间权重； n为参与分析的地级市总数。

1.2.3　全局回归模型

本文构建了一个基于最小二乘法（Ordinary Least Squres，OLS）的多元线性回归模型来研究全局尺度上地级及以上城市人口老龄化的影响因素。参考以往相关研究成果，老龄化主要受到人口、经济、文化、社会以及环境等因素的影响。OLS模型可以写作：
A G P O P i = β 0 + β 1 B R i + β 2 D R i + β 3 N I R i + β 4 U P D I i + β 5 E D U i + β 6 N H B i + β 7 P M 2 . 5 i + ε i，
其中： A G P O P为被解释变量，代表各个城市的老龄化率，即65岁及以上老年人口占总人口的比例；i为第i个城市； B R为出生率、 D R为死亡率、 N I R为人口净迁入率， U P D I为城镇居民人均可支配收入、 E D U为平均受教育年限、 N H B为每万人口医院床位数； β 0为常数项； β 1 ~ β 7分别为各解释变量的回归系数， ε i为随机扰动项。

1.2.4　多尺度地理加权回归方法

地理加权回归（GWR）模型是计量和模拟自变量与因变量之间的空间非平稳性的代表性方法，传统GWR模型中虽然允许解释变量在不同的区位上对被解释变量产生异质影响，但存在带宽相同的假设，从而忽视了不同解释变量与被解释变量之间空间非平稳性的差异［26-27］。MGWR模型改进了GWR模型的不足，允许各解释变量具有差异性的带宽。已有研究表明，人口老龄化在空间呈现显著的异质特征，各影响因素在不同区位上产生的差异性（空间非平稳性）影响是解释该空间异质性的重要路径。MGWR模型的计算公式如下：
y i = ∑ j = 1 k β b w j ( u i , v i ) x i j + ε i，
式中： b w j代表了第 j个变量回归系数使用的带宽，变异性带宽可运用后退拟合算法，在广义加性模型的框架下得到统计检验值。

2 老龄化进程的空间格局及演化特征

本文参考王录仓等［18］的分类方法，将区域按人口老龄化率分为6种类型：65岁以上老年人口比重低于4.0%为年轻型；4.0%~5.5%为成年型Ⅰ期；5.5%~7.0%为成年型Ⅱ期；7.0%~10%为老年型Ⅰ期；10%~14%为老年型Ⅱ期；超过14%为老年型Ⅲ期。以第五、六、七次人口普查数据为基础，分别计算2000、2010及2020年地级以上行政单元人口老龄化率，汇总6种类型地级及以上单元数量（表2），中国人口老龄化空间格局演变如图1所示。
表2 2000—2020年地级及以上单元尺度人口年龄结构类型

Tab.2 Prefecture-level population age structure types by cities in China from 2000 to 2020

老龄化率 老龄化类型 城市/个
2000年 2010年 2020年
<4% 年轻型 9 2 2
4.0%~5.5% 成年型Ⅰ期 84 19 7
5.5%~7.0% 成年型Ⅱ期 120 44 16
7.0%~10% 老年型Ⅰ期 138 210 33
10%~14% 老年型Ⅱ期 5 83 147
>14% 老年型Ⅲ期 0 2 155
图1 2000—2020年中国地级及以上人口老龄化分布

注：本图基于自然资源部标准地图服务系统下载的审图号为GS（2023）2765号的标准地图制作，底图无修改。

Fig.1 Spatial distribution of population ageing by prefecture-level units in China form 2000 to 2020

2.1　2000—2020年地级及以上单元人口老龄化系数存在较强的空间正相关关系，总体上保持稳定

运用ArcMap10.8软件分别计算2000、2010和2020年各地级及以上单元老龄化率全局Moran's I估计值，3年全局Moran's I分别为0.560、0.523、0.625，Moran's I均大于0，且I检验均在1%显著水平之下，可以观察到单元间的人口老龄化系数在空间上呈现出强烈的正相关性，揭示了相似值在空间上的集中趋势，总体格局保持稳定，也验证了不同地区之间老龄化的空间差异确实存在。

2.2　2000—2020年间中国整体人口老龄化水平迅速加深，加深态势以江苏、四川两省最为明显

从老龄化演变速度来看，根据地级及以上单元的人口老龄化数据，通过对全国地级及以上单元老龄化率进行计算，结果显示2000—2020年，中国经历了迅速的老龄化阶段，2010—2020年的增长速度远超2000—2010年。其中，江苏南通、泰州，四川资阳、自贡最为明显。从老龄化类型的变化来看，年轻型和成年型地级单元数量减少，老年型地级单元持续增加，表现为从成年型到老年型，从老年型初期到中后期的转变。从地区分布来看，由成年型向老年型跨类型转变的地区主要分布在新疆北部、甘肃、内蒙古、黑龙江、吉林、河北南部、山西西南部、陕西中南部、河南西部、四川东部、湖北中东部、云南、贵州、广西、江西等地，由老年型初期向中后期演变的地区主要分布在辽宁、河北中部、山东、湖南湖北、川渝地区、安徽以及江浙沪地区。以江苏南通、泰州最为明显。总体来看，老年型由东向西突破胡焕庸线不断延伸。

2.3　成年型向老年型跨类型转变，老年型城市从初期向中后期过渡

从城市类型的变化上看，年轻型单元数量不断缩减，成年型向老年型跨类型转变，老年型单元从初期向中后期过渡（表2）。具体来看，年轻型单元从2000年的9个缩减为2020年的2个，广东省的深圳、东莞一直是全国老龄化率最低的年轻型城市。2000年成年型单元204个，尚未出现老年型Ⅲ期城市；2010年成年型单元缩减为63个，老年型Ⅲ期单元只有泰州市和南通市，老龄化城市越过“胡焕庸线”，向西北地区蔓延；2020年成年型单元仅剩20个，老年型Ⅲ期骤增至155个，超90%地级及以上单元均已进入老龄化状态且几乎全部位于胡焕庸线东南半壁。

2.4　老龄化热点区呈“两集群”分布，分别集中在川渝地区和苏沪皖地区，并呈现一定变化趋势

对2000—2020年老龄化率进行热点分析，热点区总体呈两集群格局，西侧热点区集中在川渝地区，东侧集中在苏沪皖地区。具体来看，2000—2010年，“西翼”面积逐渐扩大，由四川逐渐扩张到重庆、湖北、湖南，“东翼”热点区集聚在苏沪皖地区，京津冀、浙江退为次热点区，北部逐渐出现在吉林、黑龙江小部分城市。2020年，“西翼”热点区仍主要集中在川渝地区，“东翼”苏沪皖部分城市从热点区大幅降为次热点区，辽宁、吉林等东北地区中东部城市过渡为热点区。冷点区2000年主要分布在新疆、西藏、青海等西北地区及东北地区的大小兴安岭，到了2010和2020年，冷点区逐渐收缩，并在广东部分沿海城市略有扩张。
从变化速度来看，2000—2010年变化速度较快的集聚区主要位于新疆、甘肃、内蒙古、黑龙江、四川等地区，西北地区生育政策较为宽松，人口老龄化速度较快。2010—2020年变化速度较快的热点区主要分布于黑吉辽、内蒙古和山西部分城市。20年来，东北地区一直是老龄化速度较快的集聚区，原因在于东北地区的人口外流带来的老年人堆积以及育龄人口的大幅下降。

3 老龄化进程的影响因素

3.1　指标选取与数据处理

本研究综合参考现有文献，从人口［28］、经济［12］、文化［13，29］、社会公共服务［18，30-31］、自然环境［24］ 5个方面，选取出生率、死亡率、净迁入率、城镇居民人均可支配收入、平均受教育年限、医院床位数、环境污染等7个指标作为自变量，以老龄化率作为因变量，评价人口自然增长、人口迁移、收入水平、教育资源、医疗条件、自然环境对老龄化的影响（见表1）。

3.2　全局回归结果与分析

（1）出生率、死亡率、净迁入率一直是影响人口老龄化的重要主导因素。人口老龄化的影响则取决于一个地区出生率和死亡率的相对变化，与预期结果相符，人口死亡率对老龄化均有显著的正向影响，人口出生率对老龄化存在显著的负向影响，随之而来的是生育政策的不断放宽。2010年后，自2013年“单独二孩”和2015年“全面二孩”政策实施以来，生育政策放松带来出生人口数的短期回升，2016年起出生人口持续下降，2021年降到最低。研究发现1990—2013年期间中国各地区人口死亡均得到大幅改善［32］，2010年死亡率对老龄化的促进作用显著上升。在这个时期，随着医疗卫生条件的改善、疾病预防和控制能力的提升，以及生活水平的提高，我国的总死亡率有所下降。死亡率的下降意味着老年人口的存活率提高，从而增加了老年人口的比例，加剧了人口老龄化的趋势。经过上一个阶段的人口转变，2010—2020年人口年龄结构更加成熟，老龄化趋势已经成为一种结构性特征，随着健康意识的提高和医疗保健的改善，老年人口的健康状况得到了提升，慢性病的管理和控制也更加有效，与上一阶段相比死亡率的变动对人口老龄化的影响系数稍有降低。与此同时，大量的流动人口对于流出地和流入地的年龄结构均有较大的影响［33］，全局回归结果显示，人口净迁入率的负向影响在逐渐降低，可能原因是中西部城市人口净迁入率正在上升，东部省市的迁移人口已经从快速增长转向平稳［14］。
（2）经济因素是影响人口老龄化的重要因素，在2000年和2010年对老龄化产生显著正向影响，但2020年转为负向影响。经济发展因素在促使中国人口快速走向老龄化的过程中发挥了至关重要的角色。居民可支配收入的增加带来的是医疗保健支出的相应增加，对寿命产生正向影响，进一步提升老龄化率。2000年和2010年的结果符合预期。2020年收入水平对老龄化产生了显著的负向影响：一方面随着人们生活水平的持续提升，经济增长对人均预期寿命的制约逐渐趋于稳定；另一方面由于人口流动在空间上分布的不均衡，一些经济较为发达的东部沿海地带以及内陆的主要省会城市流入大量年轻劳动力，减弱了当地老龄化水平。
表3 影响因素回归结果

Tab.3 Influencing factors regression results

年份 2000年 2010年 2020年
影响因素 系数 系数 系数
出生率 -0.106***(.034) -0.158***(.027) -0.326***(.041)
死亡率 0.710***(.113) 0.924***(.086) 0.437***(.041)
净迁入率 -4.872***(.983) -4.408***(.669) -2.674**(1.341)
收入水平（LN） 2.055***(.346) 1.036**(.409) -1.868**(.706)
医疗条件（LN） 0.605***(.122) 0.064(.111) 0.728***(.217)
教育资源（LN） 3.162(.900) 3.274***(.946) -3.473(1.812)
自然环境（LN） 0.047(.299) 0.238(.209) 0.958*(.439)
Adj.R 2 0.416 0.630 0.367
Adj.R 2(MGWR) 0.461 0.818 0.760

注： * P<0.05，** P<0.01，*** P<0.001。

（3）医疗、教育因素对老龄化的影响呈现阶段变化，2010年是重要节点，环境因素是影响老龄化的次要因素。2000—2010年教育因素对老龄化的影响增强，可能主要是初中和高中教育的普及对人口老龄化产生了影响，随着经济的快速发展，就业市场竞争加剧，教育程度较高的年轻人倾向于晚婚和晚育，从而影响了人口结构，加剧了对人口老龄化的正向影响，使正向显著峰值出现在2010年。医疗因素的影响减小，本质上是2000—2010年间医疗资源普及、健康策略转型、城乡结构变化和政策变迁等综合作用的结果。这一变化反映了中国应对老龄化从被动向主动的转型趋势［16］。2020年，中国卫生健康事业发展统计公报显示，中国基层医疗机构诊疗能力正在逐步上升，包括医院床位数等在内的多个卫生健康指标都在增长，医疗资源可及性增加，人口平均预期寿命不断延长，婴幼儿死亡率下降到更低水平，医疗因素再次成为影响老龄化的重要因素。而教育因素未通过显著检验，一方面可能是由于2010—2020年随着高等教育逐渐普及，更多的人接受高等教育，这可能对晚婚和晚育趋势产生了不同的影响，从而减弱了教育年限对人口老龄化的正向影响；另一方面在于平均受教育年限间接影响了净迁入率，其中包括年轻劳动力和部分老年人的迁移，加之生育政策、医疗卫生、社会福利等其他因素的影响，教育年限对人口老龄化的正向影响不再显著。
2000年和2010年，环境因素并未对老龄化产生显著影响，到了2020年，环境污染对各个地级及以上城市的老龄化产生了明显加强的影响，这些间接因素都与人口的迁移或聚集有关。大气质量等因素都会对人们的健康状况产生直接影响，还会在一定程度上影响人口流动，最终影响该地区老龄化程度。

3.3　多尺度地理加权回归结果

MGWR结果显示，R 2分别达到0.501、0.846、0.816，拟合优度较好，相比OLS对应年份均有较大提高。通过空间自相关分析可知，老龄化存在显著的正向空间相关性，因而MGWR可用于分析影响因子在空间上的关系。本文对291个地级及以上城市回归系数进行地图可视化（图2）。
图2 2000—2020年中国地级及以上单元人口老龄化影响因素的空间分异格局

注：本图基于自然资源部标准地图服务系统下载的审图号为GS（2023）2765号的标准地图制作，底图无修改。

Fig.2 Spatial difference of factors influencing population ageing by cities in China from 2000 to 2020

（1）人口因素对人口老龄化的影响由全局转为局部，由稳健转为非稳健。MGWR结果显示，2000年，出生率和死亡率对人口老龄化的影响均呈现明显的全局的经度地带性规律（带宽：290个城市），呈东西分异格局，出生率对老龄化的抑制作用和死亡率对老龄化的促进作用自西向东延伸至东北地区逐渐增加（图2a、d）。2010年和2020年，全局特征转变为局部性空间异质性特征，影响显著的地市减少。2010年出生率对老龄化影响的高值区聚集在东北地区和西北地区（图2b），这是由于东北三省的城镇化早，城镇化水平较高，而西北地区得益于较为宽松的生育政策，这些城市老龄化对出生率的敏感性较强。2020年，高值区出现在东南江浙沪、西南成渝地区和西北部分地区（图2c），大致呈“两侧高，中间低”格局。西北地区近10年来生育率降幅大，上海、江苏、重庆、四川等省市在放开生育之前不分城乡的实行“一孩”政策，2012年后逐步放开生育，2010—2020年间，这些地区的城乡差异比起过去十年有所增大，出生率对老龄化的作用再次显现。出生率对老龄化影响的空间分异在一定程度上反映了生育政策带来的影响。
其次，死亡率对人口老龄化影响由2000年和2010年的全局经度地带性变异转为2020年的局部影响的地区分异，且显著地市数量减少，这验证了上文提到的研究期内中国各地区人口死亡均得到大幅改善的说法。但对于中国这样一个地域广阔、民族众多，卫生资源与医疗服务等方面发展仍不均衡的国家，地级及以上城市间人口死亡状况必然存在差异（图2d、e）。数据显示，2000—2010年间，东部沿海地区人口死亡率低于西部地区，预期寿命明显高于西部，高值区聚集在东部沿海地区。至2020年，高值区向东南转移，并出现在四川，这与部分西南地区医疗条件改善幅度较大有关（图2f）。
人口净迁入率对老龄化的负向影响由2000年的南北分异格局转变为2010年的东西分异格局，高值区广泛分布在珠三角和长三角东南沿海地区，呈现南高北低、东高西低的趋势（图2g、h）。高比例的劳动人口迁入会降低迁入城市的老龄化水平。至2020年，人口迁移的影响变为不显著，说明净迁入率对老龄化影响的空间格局不稳健。这是由于2010—2020年间，尽管人口流动总体格局并未发生显著变化，与上文相呼应，由于一些省市的政策吸引了不少人才，人口回流趋势增强，区域中心城市的人口数量迅速增加，东部省市的迁入人口已从快速增长转向稳定。
（2）经济因素对人口老龄化的影响发生转变，2000—2010年转为负向影响，2020年呈现明显的南北分异格局。根据表4各变量带宽可知，2000—2020年，经济因素对人口老龄化的影响始终呈现地区分异。如图所示，老龄化与收入水平在空间维度呈现由正相关渐趋转向负相关关系，且作用力的变化方向随时间波动变化。
表4 MGWR模型估计结果中各变量带宽

Tab.4 Variable bandwidths based on the results of MGWR models

影响因素 2000年 2010年 2020年
出生率 290 104 43
死亡率 290 153 67
净迁入率 290 230 160
收入水平 135 182 205
医疗条件 290 290 129
教育资源 290 277 290
自然环境 290 290 43

注：阴影覆盖变量为不显著变量；带宽定义为稳定的空间关系在距被估计样本点最近的n个城市保持不变。

2000年，收入水平对老龄化产生正向影响的高值区集聚在东北地区（图2i）。这一时期，城镇化在全国长期处于领先水平的东北地区，大部分城市尚处于成年型，未进入老龄化，收入水平对老龄化产生的作用对这一阶段的东北地区来说更为明显。随后由于中国经济发展的中心逐渐转移和分散，东北地区的城市化优势已不再突出。2010年转为负向影响，高值区集聚在长江经济带上游（图2j），说明云贵川渝经济水平对老龄化的影响最为敏感，这是由于2000—2010年以成渝地区为代表的长江经济带上游地区经济协同性进一步发展，其巨大经济红利和外来人口的稀释，对老龄化有一定的缓解。到了2020年，收入水平对人口老龄化的负向影响转变为南北分异格局（图2k），负向影响自北向南逐渐增强，验证了经济越发达越能吸引劳动力流入，导致人口结构发生变化，同时部分西南地区的人口回流对老龄化稀释作用明显。
（3）医疗因素对人口老龄化的影响发生转变，教育因素仅在2010年呈现出明显的地区分异，环境因素显著性增强。分析医疗水平对人口老龄化影响的空间异质性，结果显示，医疗水平对老龄化的正向影响在2000年和2010年均呈现明显的全局的纬度地带性规律（带宽：290个城市），2020年医疗水平对老龄化仍然呈正向影响，但总体不显著。2000年，正向显著性整体趋势自南向北递增（图l），高值区集中在东北地区，该阶段东北地区有着较为充足的医疗资源，对提高老年人预期寿命效果显著。2010年高值区转移到西北地区（图2m），可能是由于西部地区总体医疗水平较低，医疗资源较为匮乏且区域间差异较大，医疗水平对老龄化的影响更为敏感和突出。
由上文全局回归结果可知，教育因素对人口老龄化的影响只在2010年产生显著影响，根据图2n，教育因素对老龄化的影响出现地区分异，正向显著性高值区聚集在西藏、长江经济带上游的云贵川渝部分地区。西部地区是高等教育发展的薄弱区域，地区间差距较大，差距逐年变化剧烈，随着长江上游地区经济发展水平的提高，政府有更多财政支持教育事业发展，平均受教育年限得到提高，人口生育意愿下降，区域老龄化水平在当地年轻人群减少、外来人口迁入和老龄人口堆积影响下进入更深层次。环境因素对老龄化的影响是显著上升的，2020年，环境因素对不同城市的人口老龄化既出现正向影响也存在负向影响，但总体来说空间格局不稳健（图2o），证实了在人口流动背景下，环境因素逐渐成为影响老龄化的间接因素之一，同时也说明这一要素并不是影响老龄化的主要因素。

4 结论与讨论

本文基于第五、六、七普三次人口普查数据，利用多元线性回归模型和MGWR模型，研究2000、2010、2020年中国地级及以上单元人口老龄化时空格局、影响因素及空间异质性，得出以下结论：
（1）2000—2020年中国地级及以上单元人口老龄化率加速演进，空间结构模式多样，总体保持了较高且稳定的空间正相关关系。从演变趋势上看，老龄化高集聚区扩张，低集聚区收缩，老龄化率正在由东向西逐渐突破胡焕庸线，地级及以上单元人口老龄化正面临越来越严峻的挑战。
（2）人口老龄化受到多种因素共同作用，总体表现为人口、经济因素主导，医疗教育因素次之且呈间断性变化，环境因素对人口老龄化的影响作用逐渐凸显。人口自然增长因素从根本上决定了人口老龄化格局，在应对人口老龄化挑战上，迁移流动因素也是不可忽视的重要因素之一。新时代随着老年人口需求多样化发展，影响作用正在上升的环境因素应逐渐得到重视。
（3）从局部计量模型的角度讨论2000—2020年中国地级及以上城市人口老龄化影响因素的空间异质性和尺度效应时发现，随着时间的变化，这些因素对不同地区人口老龄化的影响程度存在差异，空间格局发生较为明显的变化。随着东北地区城镇化速度变缓，人口大量外流，老年人口不断累积，人口、经济、公共服务等因素对东北地区人口老龄化的显著作用正在减弱。出生率和死亡率因素的显著性高值区转向以上海为核心的东南沿海地区，经济因素的显著性逐渐转变为南高北低格局，医疗条件对西北地区的作用越发明显。作为人口流入主要目的地，东南地区一直受到迁移流动因素的显著影响。教育和环境因素对人口老龄化影响的显著高值区聚集在西南地区。
本文部分结果呼应了现有文献的结论：从总体趋势来看，中国人口老龄化水平不断加深并且正在加速演变；从空间分布来看，“胡焕庸线”是显著的分界线，中国人口老龄化水平空间分布不均且不同地区差异较大［16，18，20］；从影响因素来看，老龄化受到人口自然增长、社会服务、经济发展、文化水平、自然环境等多重影响［24］，包括出生率、死亡率、人口迁移流动在内的人口因素一直是影响老龄化的主要因素［22］。与既有研究不同，本文综合3次人口普查数据，从时空变迁视角对2000—2020年中国人口老龄化的空间特征及影响因素展开了初步探讨，本研究创新性在于首次运用MGWR模型深入探讨不同影响因素对人口老龄化影响的空间异质性和尺度效应，将空间异质性纳入人口老龄化时空格局和影响因素分析中，通过多尺度的带宽分析，发现部分因素（如收入水平）的带宽增加，应为从局部性变为全局性，反映出该因素与人口老龄化的联系在10年间发生的变化。MGWR的分析结果能因地施策地为各个地区的城市发展、空间规划、养老资源配置、公共服务设施建设等提供不同的科学政策建议，拓宽了以往研究的相关发现。
根据前文分析，得出以下政策启示：第一，抓住源头，精准出击。人口自然增长因素对人口老龄化产生直接推动作用，有必要制定长期均衡的人口发展规划，及时遏制并改善生育率降低的现状；第二，分类研判，因地制宜。通过本文研究结论可以发现，各城市受不同因素影响作用差异显著。在应对老龄化挑战的过程中，应从实际出发，挖掘城市优劣势，扬长避短，有针对性地制定符合当地实际的特色人口老龄化政策。一是要在体系上赋能，构建多元且完善的养老服务体系，为养老服务基础建设送上“及时雨”。例如，在居家养老方面，提供适老化改造补贴，鼓励家庭照顾老年人；在社区养老方面，完善更新社区养老服务设施，提供日间照料、康复护理等一站式养老服务；在机构养老方面，激发企业活力，引导社会资本参与养老机构建设，合力推动地区经济发展，提供更高质量的养老服务。二是要在政策上发力，为各城市应对人口老龄化保驾护航。尤其是对于老龄化程度深、人口流失严重的地区，需要针对地方特色推出人才引进的优惠政策，如住房补贴、子女教育优惠等；还可以加强与高校和科研机构的合作，共同培养高素质人才，增强地区吸引力，打造优势名片，吸引更多高层次人才引得来、留得下。三是要在老年人身上下功夫，为老年人的幸福养老和价值实现“添砖加瓦”。如加大对老年教育的重视程度，为老年人提供针对性的教育资源、培训机会和交流平台，营造“老有所学”的温馨氛围；鼓励老年人参与社区活动，进一步提高家门口养老幸福指数；瞄准需求，为老年人提供更多元的老年生活体验。
本文尚存在以下待改进之处：首先，对人口老龄化影响因素指标的选取不够全面，每个方面仅有一个代表性变量。其次，基于MGWR模型对老龄化空间异质性的分析不够深入，仅仅基于现有结果进行了初步探讨，在日后的研究中可以丰富变量选择，更为全面地分析不同因素对老龄化的影响，构建更为全面的解释性框架和计量模型，对多尺度下人口老龄化地理格局及驱动因素展开体系化研究。

脚注

1 数据源于国务院人口普查办公室第五次、第六次、第七次全国人口普查主要数据。

2 数据源于国家统计局城市社会经济调查：中国城市统计年鉴（2011—2021）。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
陈卫. 中国人口负增长与老龄化趋势预测 [J]. 社会科学辑刊, 2022(5): 133-144.

CHEN W. Forecasting negative population growth and population ageing in China [J]. Social Science Journal, 2022(5): 133-144.

2
Rogers A, Watkins J, Woodward J. Interregional elderly migration and population redistribution in four industrialized countries. A comparative analysis [J]. Research on Aging, 1990, 12(3): 251-293.

3
Flynn C B. General versus aged interstate migration, 1965-1970 [J]. Research on Aging, 1980, 2(2): 165-176.

4
Hiltner J, Smith B W. Intraurban residential location of the elderly [J]. Journal of Geography, 1974, 73(4): 23-33.

5
Rogerson P A. Geographic perspectives on elderly population growth [J]. Growth and Change, 1996, 27(1): 75-95.

6
Cowgill D O. Residential segregation by age in American metropolitan areas [J]. Journal of Gerontology, 1978, 33(3): 446-453.

7
McCarthy K F. The elderly population's changing spatial distribution: Patterns of change since 1960 [J]. Santa Monica: RAND Corporation, 1983: 1-150.

8
Frey W H. Metropolitan distribution of the U.S. elderly: 1960-70, 1970-80, 1980-90 [R]. Ann Arbor: University of Michigan Population Studies Center, 2016: 1-45.

9
Pietrzak M B, Wilk J. An analysis of the population aging phenomena in Poland from a spatial perspective [J]. Statistics in Transition new series, 2014, 15(4): 637-658.

10
Mason A, Lee S H. Population aging and economic progress in Asia: A bumpy road ahead [J]. Asia Pacific, 2011, 99(2): 1-8.

11
曾毅. 中国人口老龄化的“二高三大”特征及对策探讨 [J]. 人口与经济, 2001(5): 3-9, 72.

ZENG Y. The main features of population aging and policy considerations in China [J]. Population & Economics, 2001(5): 3-9, 72.

12
姚静, 李爽. 中国人口老龄化的特点、成因及对策分析 [J]. 人文地理, 2000(5): 24-29.

YAO J, LI S. Study on characters, cause of formation and countermeasures of population aging in China [J]. Human Geography, 2000(5): 24-29.

13
吴连霞, 赵媛, 吴开亚, 等. 中国人口老龄化区域差异及驱动机制研究 [J]. 地理科学, 2018, 38(6): 877-884.

WU L X, ZHAO Y, WU K Y, et al. Regional variations and driving mechanism of aging population in China [J]. Geographical Science, 2018, 38(6): 877-884.

14
周榕, 庄汝龙, 黄晨熹. 中国人口老龄化格局演变与形成机制 [J]. 地理学报, 2019, 74(10): 2163-2177.

ZHOU R, ZHUANG R L, HUANG C X. Pattern evolution and formative mechanism of aging in China [J]. Acta Geographica Sinica, 2019, 74(10): 2163-2177.

15
张伟, 蒲春蓉, 黎芳, 等. 中国人口老龄化城乡倒置现象的时空演变特征及其驱动机制 [J]. 热带地理, 2021, 41(5): 928-942.

ZHANG W, PU C R, LI F, et al. Spatial-temporal evolution characteristics and its driving mechanism of urban-rural inversion of population aging in China [J]. Tropical Geography, 2021, 41(5): 928-942.

16
吴媛媛, 宋玉祥. 中国人口老龄化空间格局演变及其驱动因素 [J]. 地理科学, 2020, 40(5): 768-775.

WU Y Y, SONG Y X. The evolution of China's population aging spatial pattern and its driving factors the evolution of China's population aging spatial pattern and its driving factors [J]. Geographical Science, 2020, 40(5): 768-775.

17
邬林果, 武荣伟, 杨德刚. 2000-2020年中国人口老龄化时空演变及影响因素研究 [J]. 世界地理研究, 2024, 33(5): 163-176.

WU L G, WU R W, YANG D G. Spatial-temporal patterns and influencing factors of population aging in China from 2000 to 2020 [J]. World Regional Studies, 2024, 33(5): 163-176.

18
王录仓, 武荣伟, 刘海猛, 等. 县域尺度下中国人口老龄化的空间格局与区域差异 [J]. 地理科学进展, 2016, 35(8): 921-931.

WANG L C, WU R W, LIU H M, et al. Spatial patterns and regional differences of population ageing in China based on the county scale [J]. Progress in Geography, 2016, 35(8): 921-931.

19
许昕, 赵媛, 夏四友, 等. 中国分县城乡人口老龄化时空差异与机理 [J]. 经济地理, 2020, 40(4): 164-174.

XU X, ZHAO Y, XIA S Y, et al. Spatial and temporal characteristics and mechanism of urban and rural population ageing in Cchina [J]. Economic Geography, 2020, 40(4): 164-174.

20
吴媛媛, 宋玉祥, 于婷婷. 东北地区人口老龄化空间格局演变及影响因素研究 [J]. 东北师大学报(自然科学版), 2021, 53(3): 139-146.

WU Y Y, SONG Y X, YU T T. Spatial pattern evolution and influence factors of population aging in Northeast China [J]. Journal of Northeast Normal University (Natural Science Edition), 2021, 53(3): 139-146.

21
李少星, 王先芝, 纪小乐, 等. 乡镇尺度上的山东省人口老龄化空间格局演变与影响因素研究 [J]. 地理科学进展, 2019, 38(4): 567-576.

LI S X, WANG X Z, JI X L, et al. Spatial change and influencing factors of population aging in Shandong province at the township scale [J]. Progress in Geography, 2019, 38(4): 567-576.

22
高晓路, 吴丹贤, 许泽宁, 等. 中国老龄化地理学综述和研究框架构建 [J]. 地理科学进展, 2015, 34(12): 1480-1494.

GAO X L, WU D X, XU Z N, et al. A review and frame-work setting of geographical research on aging in China [J]. Progress in Geography, 2015, 34(12): 1480-1494.

23
王烨, 胡嘉佩, 钟烨, 等. 基于“七普”的中国城市人口老龄化空间演化特征研究 [C]// 中国城市规划学会. 人民城市, 规划赋能——2022中国城市规划年会论文集(14区域规划与城市经济). 广州: 广州市城市规划勘测设计研究院, 2023:560-568.

WANG Y, HU J P, ZHONG Y, et al. Research on the spatial evolution characteristics of urban population aging in China based on the Seventh National Population Census [C]// Urban Planning Society of China, People's Cities, Planning for Empowerment-Proceedings of Annual National Planning Conference 2022 (14 Regional Planning and Urban Economy). Guangzhou: Guangzhou Urban Planning & Design Survey Research Institute. 2023:560-568.

24
郭郡郡. 中国城市群人口老龄化的时空演变与影响因素——基于全国人口普查数据的分析 [J]. 云南民族大学学报(哲学社会科学版), 2023, 40(4): 84-94.

GUO J J, LIU Y P, GUO F F. Spatial⁃temporal evolution and influencing factors of urban population aging in China: Based on national population census data [J]. Journal of Yunnan Minzu University (Philosophy and Social Sciences Edition), 2023, 40(4): 84-94.

25
武荣伟, 王堠崟, 王远鑫, 等. 2000-2020年中国县域人口老龄化分布格局及其影响因素 [J]. 热带地理, 2024, 44(8): 1500-1512.

WU R W, WANG H Y, WANG Y X, et al. Spatial-temporal patterns and driving factors of population aging in China at the county level during 2000-2020 [J]. Tropical Geography, 2024, 44(8): 1500-1512.

26
赵东霞, 韩增林, 王利. 中国老年人口分布的集疏格局及其形成机制 [J]. 地理学报, 2017, 72(10): 1762-1775.

ZHAO D X, HAN Z L, WANG L. The spatial pattern of aging population distribution andits generating mechanism in China [J]. Acta Geographica Sinica, 2017, 72(10): 1762-1775.

27
肖凡, 王姣娥, 黄宇金, 等. 中国高新技术企业分布影响因素的空间异质性与尺度效应 [J]. 地理研究, 2022, 41(5): 1338-1351.

XIAO F, WANG J E, HUANG Y J, et al. Exploring the spatial and scale variation of factors affecting the ge‐ography of high-tech enterprises in China [J]. Geographical Research, 2022, 41(5): 1338-1351.

28
唐爽, 刘乐平, 李凤伟. 1990-2013年中国省域人口死亡率估计及变动趋势研究 [J]. 南方人口, 2021, 36(2): 17-30.

TANG S, LIU L P, LI F W. A study on the estimation and variability trends of population mortality rates in Chinese provinces from 1990 to 2013 [J]. South China Population, 2021, 36(2): 17-30.

29
Gu H, Lin Y, Shen T. Do you feel accepted? Perceived acceptance and its spatially varying determinants of migrant workers among Chinese cities [J]. Cities, 2022, 125: 103626.

30
刘婷, 胡伟平. 广东省医疗设施的发展与适老化研究 [J]. 热带地貌, 2022, 43(1): 41-49.

LIU T, HU W P. Development and ageing suitability of medical facilities in Guangdong province [J]. South China Geographical Journal, 2022, 43(1): 41-49.

31
周晓莹, 杜海涛, 翁晴, 等. 社会资本对老年人健康的影响——基于2017年中国社会综合调查的分析 [J]. 华南地理学报, 2023, 1(3): 46-64.

ZHOU X Y, DU H T, WENG Q, et al. Research on the influence of social capital on the health of older people: An analysis based on the 2017 Chinese general social survey [J]. South China Geographical Journal, 2023, 1(3): 46-64.

32
王金营, 魏晓. 中国人口普查死亡数据质量评估及2010-2020年死亡模式转变分析 [J]. 人口学刊, 2023, 45(4): 1-16.

WANG J Y, WEI X. Quality assessment of China's census death data and analysis of mortality pattern transformation from 2010 to 2020 [J]. Population Journal, 2023, 45(4): 1-16.

33
李孝轩, 陈松柏. 中国高等教育发展水平的区域差距及动态演进 [J]. 中国人民大学教育学刊, 2023(6): 83-97.

LI X X, CHEN S B. Regional disparities in the level of development of higher education in China and its dynamic evolution [J]. Renmin University of China Education Journal, 2023(6): 83-97.

Options
文章导航

/

〈 〉