人口老龄化是人口自然增长和迁移流动等综合作用的结果,是社会发展面临的重大问题。加强人口老龄化空间格局演变及影响因素作用机制的研究将为人口问题治理和人口社会经济持续协调发展提供重要理论支撑。随着生活、医疗、居住条件的改善人口预期寿命提升,人口老龄化水平不断提高,劳动力短缺、养老服务供给不足、社会负担加重等老龄化问题日益凸显并引起社会各界及学界的广泛关注。这对我国人口增长处于峰值期,未来人口规模呈徘徊、负增长发展背景下,伴随着产业经济向经济发达地区城市群集聚,人口分布的空间格局也相应进行调整变化,这将加速处于人口发展竞争“负态位”的东北地区人口流失收缩,同时加重了相关联的人口老龄化问题。第七次全国人口普查表明东北地区是我国人口减少最多的地区,而黑龙江省是东北地区人口数量减少最多、减少比例最高的省份,2010—2020年期间人口由3831万人减少到3185万人,十年间人口减少640多万,区域所属13个地级城市人口均呈不同程度的收缩,而在同期65岁及以上人口却由317万人增加到497万人,占总人口比重提升到15.61%,老龄化水平高于全国水平并呈加速发展态势。探讨黑龙江省人口收缩和人口老龄化的双重时空格局演变,对我国相继出现的大量人口收缩和人口老龄化加速发展区域的人口社会问题认识、治理具有重要启发借鉴意义。本文基于不同收缩水平类型区域与人口老龄化特征的双重时空格局演变研究将为各类型区域人口老龄化问题治理提供更具针对性的决策依据和发展指导。
国内外学者针对人口收缩问题相关研究主要从空间格局及影响因素等方面展开。Audirac研究发现金融危机后全球范围内大量城市均呈人口收缩加剧态势[1]。Alho探究了18个欧洲国家人口收缩水平,结果表明欧洲国家普遍面临人口收缩问题,尤其是西欧发达国家[2]。Martinez-Fernandez等认为资源型城市去工业化和产业转型力度不够是致使人口收缩的主要原因[3]。Hattori等研究发现低生育率和人口老龄化对城市人口收缩也具有重要影响[4]。国内学者闫广华等认为东北地区的人口收缩主要分布在以长白山、三江平原、大小兴安岭为代表的“陆上边缘”地区[5]。林雄斌等总结出空间扩张、失业和财政收支状况等会加剧城市人口收缩[6]。人口老龄化对人口收缩也产生一定影响,宫攀等认为收缩型城市将呈现出高老龄化和劳动年龄人口短缺的趋势[7];还有学者认为高老龄化地区人口自然增长率呈现负值[8];龙瀛研究结果表明收缩城市的人口自然增长率在老龄化作用下已普遍接近或进入负值[9]。
国内外关于人口老龄化的相关研究主要聚焦在老龄化空间差异及影响因素等的定量研究方面。国外对人口老龄化的问题关注较早,Rogerso基于地理学视角分析表明美国中西部和东北部为人口老龄化高值区[10]。Reynaud等探究意大利的五个主要社会经济区域的人口老龄化状况,表明各省和区域间人口年龄结构趋于收敛态势[11]。Brown等通过美国农村四个社区案例研究发现,农村人口老龄化严重,年龄结构的变化与经济活动密切相关[12]。Wang研究发现经济社会发展水平、居住生活水平对人口老龄化均呈显著正向影响[13]。国内学者刘华军等基于老年人口比重和老少比两项指标对中国人口老龄化的空间非均衡及分布动态演化进行实证研究[14]。王录仓等研究发现中国20个城市群人口老龄化增量和增速表现出老龄化水平低值区和高值区增量少、增速慢,较低值、中值和较高值区增量多、增速快的空间格局[15]。周鹏等采用地理探测器指出人口自然增长率、人口结构、教育水平是四川省人口老龄化的主要影响因素[16]。人口规模对人口老龄化水平也具有影响作用,梅林等采用多元线性回归模型得出人口密度对人口老龄化具有显著正向影响[17];还有学者分析得出人口缩减导致本地老龄人口比重相对上升[18, 19]。春燕探究了人口老龄化与人口流失叠加效应带来的经济社会问题及应对措施[20]。
既有文献研究多为人口收缩或人口老龄化单一方面研究,针对一个区域探讨人口收缩和人口老龄化的双重时空格局演变及空间耦合关系进行实证研究还少见。以人口收缩及人口老龄化问题典型区域黑龙江省为样本,研究二者双重时空耦合关系对应对区域人口进一步收缩带来日益加重的老龄化问题及面临相同问题区域发展治理具有理论上的前瞻性和现实借鉴意义。本文基于黑龙江省县域尺度,采用2000年、2010年、2020年人口普查数据,综合运用Dagum基尼系数、GTWR模型和灰色预测模型等方法对人口收缩程度、人口老龄化水平及二者的双重时空格局演变、老龄化影响因素作用及未来发展趋势预测进行研究分析,以期为区域人口收缩及人口老龄化问题的治理提供对策建议及决策参考。
2 数据来源与研究方法 2.1 研究区域与数据来源本研究以黑龙江省为样本区域,基于2020年行政区划,研究单元含地级城市市辖区13单元,县和县级市63个单元,计76个研究单元。据第五、六、七次全国人口普查数据显示,2000—2010年黑龙江省总人口增加207万,上升了5.74%,但76个研究单元中已占单元总数42% 的32个单元进入人口收缩阶段;2010—2020年总人口由3831万人减少至3185万人,十年间人口减少640多万,降幅为12.09%,占单元总数94% 的72个研究单元步入人口收缩阶段,黑龙江省成为全国人口收缩典型而严重地区,并呈现出区域全局性收缩局面,以黑龙江省为例研究人口收缩和人口老龄化的双重时空格局耦合关系发展具有典型示范意义。
本文人口数据主要来源于黑龙江省第五、六、七次人口普查数据,人口老龄化影响因素分析所涉及的社会经济数据来源于《中国县域统计年鉴》、《中国城市统计年鉴》和《黑龙江省统计年鉴》等。
2.2 研究方法 2.2.1 皮尔逊(Pearson)相关性分析皮尔逊相关性分析可以较为直观的反映两个或多个变量元素之间的影响程度[8],采用该方法分析人口收缩度和人口老龄化增长的相关性,计算公式如下:
(1) |
式中,Rxy为两个变量x和y之间的相关性系数,xi和yi分别为第i阶段人口收缩程度和人口老龄化水平增长率。
2.2.2 Dagum基尼系数Dagum基尼系数可通过将总体基尼系数G分解为区域内差异Gw、区域间差异Gnb、超变密度Gt三部分,即G = Gw + Gnb + Gt,具体公式见文献[14]。本文采用Dagum基尼系数测算总体及不同人口收缩程度的人口老龄化水平相对差异及分解,进一步分析其差异来源及贡献率。
2.2.3 时空地理加权回归模型地理加权回归模型(GWR)是对传统的全局回归模型进行扩展的一种研究空间关系的方法。GWR模型考虑了空间维度,能够突出在不同区域自变量对因变量的不同影响。而时空地理加权回归模型(GTWR)加入了时间维度,从时间和空间两个维度综合分析人口老龄化的影响因素,同时为处理“时—空”的非平稳性提供了分析基础[21],其基本公式如下:
(2) |
式中:Yi为单元i的人口老龄化水平值,n为研究单元个数,k为单元i的解释变量个数;(ui, vi, ti) 为单元i的时空坐标;βk(ui, vi, ti) 表示单元i的第k个解释变量的回归系数;εi为残差。
2.2.4 GM(1, 1)灰色预测模型灰色预测模型属于全因素的非线性拟合外推类方法,根据其系统内部变化规律而形成具有内部关联关系的数据序列。常用于数列预测、灾变预测、拓扑预测等方面。本文采用数列预测对人口规模及人口老龄化水平预测。具体步骤见文献[22]。
对灰色预测公式进行精确度等级检验(表 1),求得小误差概率P和后验差比值C,如果P和C都在允许范围之内,则可计算出该项指标的预测值,否则需要通过分析残差序列,对公式进行重新修正。
研究从省域、市辖区、县域三个尺度,分前后两个发展阶段(前一阶段:2000—2010年;后一阶段:2010— 2020年)对人口收缩和人口老龄化进行动态变化分析。人口收缩程度以常住人口变化率标定各研究单元人口变化幅度情况。参照国内外人口收缩度的划分标准[23],针对黑龙江省人口收缩实际,将人口收缩分为五种水平类型,既人口增长型(> 0%)、轻度收缩型(-10%,0]、中度收缩型(-20%,-10%]、重度收缩型(-30%,-20%]和严重收缩型(-30%)。人口收缩测度结果见表 2、表 3,人口收缩空间格局见图 1。
从不同尺度类型总体上看(表 2),2000—2020年各类研究单元类型人口均由增长型转为收缩型,县域单元人口收缩程度最大,是收缩人口的主要来源,其规模收缩近四分之一,收缩幅度是市辖区单元的6倍,高出全省人口收缩水平的1倍。2000—2010年人口规模以增长为主,市辖区人口增长幅度最大,增幅为7.6%,高于县域4.38个百分点;2010—2020年人口规模以收缩为主,县域人口收缩程度为市辖区的2.22倍,是人口收缩的主要单元类型。城镇化进程加快背景下经济发展水平、医疗卫生条件、社会保障制度存在地区差异,大规模的人口流动导致市辖区和县域人口集疏差异明显。可见,2010年前后是黑龙江省人口增长与收缩的转折时期。
从人口收缩类型上看(表 3),2000—2020年共68个研究单元出现人口收缩现象,占总数的89.47%,其中超过1/2的单元达到重度收缩和严重收缩水平。2000—2010年是人口由低速增长向轻度收缩的过渡时期,人口增长型和轻度收缩型单元分别占单元总数的57.89% 和35.53%,人口收缩现象逐渐凸显;2010—2020年是人口由中度收缩转变为重度收缩和严重收缩的加速收缩时期,人口增长型和轻度收缩型单元数量分别缩减至4个和7个,人口增长型单元的人口增长幅度较前一阶段下降9.12%,而轻度收缩型单元的收缩程度高于前一阶段近200%,中度收缩型单元占总数25%且收缩程度较前一阶段增长38.65%,重度收缩型和严重收缩型研究单元占比超过60%,人口收缩加速推进。优化营商环境加速经济发展,扩大就业稳定人口,突出人口质量建设成为人口收缩治理中心任务,任重道远。
从人口收缩空间差异上看(图 1),总体上人口收缩程度呈人口增长型、轻度收缩型向重度收缩型、严重收缩型转变的空间格局变化特征。人口收缩程度高值区与低值区空间差异较为显著,高值区主要分布于西北部、南部的农业和林业资源型区域单元且呈轴带状分布特征;低值区主要分布于城市市辖区,作为教育和医疗资源优质的城市政治经济中心,对周边县域单元的虹吸效应现象使其成为人口流入的主要目的地。分阶段上看,前一阶段人口收缩程度表现为由区域中部向南北两端增大的趋势,其中嘉荫县的人口收缩程度最高,已达到中度收缩水平,主要归因于国家天然林保护工程实施在一定程度上阻滞经济发展致使人口外流严重;后一阶段人口收缩程度高值区主要分布于研究区域的西北和南部地区。抚远市人口收缩程度最大,且由人口增长型直接转变为严重收缩型,主要因为后期产业转型升级困难、经济增长滞缓使人口大量外迁。正确认识区域人口收缩变化及空间格局对于针对性科学治理人口老龄化问题具有重要意义。
3.2 人口老龄化时空格局特征研究运用人口老龄化系数(65岁及以上人口数占总人口比重)作为反映人口老龄化水平指标,采用联合国人口老龄化划分标准,既将人口老龄化水平分为6个类型:年轻型(0,4%]、成年型Ⅰ期(4%,5.5%]、成年型Ⅱ期(5.5%,7%]、老年型Ⅰ期(7%,10%]、老年型Ⅱ期(10%,14%]、老年型Ⅲ期(高于14%)进行参照分析。人口老龄化水平测度结果见表 4、表 5,人口老龄化水平空间格局(见图 2)。
从不同尺度总体上看(表 4),省域、市辖区、县域尺度的人口老龄化水平由2000年的5.56%、5.77%、5.08%提升到2020年的15.61%、16.08%、15.91%,20年间各尺度类型老龄化水平均提升超过10%,市辖区与县域单元类型间人口老龄化水平差距从2000年的0.65%增加到2010年的1.56%,又降低为2020年的0.47%,呈大幅波动,但总体趋向收敛发展态势,2010年后县域单元类型以高于市辖区单元类型两倍的速度推进人口收缩迅速拉高了人口老龄化水平,从而快速缩小了与市辖区老龄化水平的差距,这也从另一个侧面体现了人口收缩与老龄化双重时空格局耦合“共振效应”的存在。从增长率上看,20年间省域、市辖区、县域尺度的人口老龄化水平分别增长了180.76%、178.68%、213.19%,县域尺度的人口老龄化水平增长率最高,高于省域和市辖区尺度的17.94%和19.31%,且后一阶段各尺度人口老龄化水平增长率高于前一阶段。分阶段上看,前一阶段市辖区尺度的人口老龄化水平增长率最大,为61.35%;后一阶段县域尺度的人口老龄化水平增长率为105.29%,较前一阶段增长近1倍多且高于市辖区尺度的44.79%。区域城市市辖区处于向心聚集阶段,人口老龄化出现“就地老化”和“中心化”发展态势,后期县域人口老龄化速度逐渐加快与市辖区老龄化水平未表现出明显差异,区域人口老龄化水平逐渐向均质型结构转变。
从不同人口老龄化类型转换上看(表 5),人口老龄化水平总体呈成年型Ⅰ期—老年型Ⅰ期—老年型Ⅲ期梯度上升态势,步入老年型社会的单元数量持续增多。前一阶段是人口老龄化水平由成年型向老年型的过渡时期,2000年成年型单元68个,占总数的89.48%,2010年成年型单元减少至15个,仅占总数的19.74%。老年型单元由2000年的2个增长至2010年的60个,占比由2.63% 提高至78.95%,区域步入老年型Ⅰ期社会。后一阶段是人口老龄化水平由老年型Ⅰ期转变为老年型Ⅲ期的加速时期,2010年老年型Ⅰ期单元48个,占总数的63.16%,2020年老年型Ⅰ期单元已全部转变为老年型Ⅱ期和老年型Ⅲ期,老年型Ⅱ期和老年型Ⅲ期占比由2010年的15.79% 提高至100%,且92.11% 的研究单元步入老年型Ⅲ期。
持续快速增长的人口老龄化水平已成为社会发展面临的重大问题,需要积极应对治理。
从人口老龄化水平类型空间差异上看(图 2),总体上,人口老龄化水平加速上升且呈由东南部向整个区域蔓延的空间格局,高值区主要分布于东南部林业资源型单元,低值区主要分布于边境口岸城市。而人口老龄化水平空间差异逐渐缩小,经计算老龄化水平变异系数总体呈下降趋势,2020年较2000年降低41.18%,且各单元主要集聚于老年型Ⅱ期、Ⅲ期。具体上看,2000年人口老龄化水平呈“东南高,西北低”态势,多数单元尚未进入老年型,伊春市市辖区和友谊县由于林业资源危机、经济危困导致人口大量外流、出生率急剧下降而率先步入老龄化社会。2010年年轻型与成年型Ⅰ期单元均缩减为1个,分别为抚远市和绥芬河市,作为边境口岸城市依托对外贸易的拉动作用吸引外来人口迁入使人口呈增长趋势且稀释人口老龄化水平。漠河市和塔河县人口老龄化水平较2000年升幅较大,分别由年轻型、成年型Ⅰ期转变为老年型Ⅰ期、老年型Ⅱ期,天然林资源保护政策致使经济就业空间大幅压缩、人口外流加速进而显著提升人口老龄化水平。2020年所有研究单元均已进入老龄化社会,老年型Ⅲ期成为主要类型且覆盖整个区域,老年型Ⅱ期减少至6个,主要分布于边境口岸和部分市辖区,其依赖独特的区位优势和资源优势条件吸引劳动人口流入,老龄化水平增长速度相对较慢。未来大力推进开放人口政策、激发老龄产业发展活力、健全养老服务体系成为实现经济高质量发展及社会和谐稳定的努力方向。
4 人口收缩与人口老龄化双重时空格局耦合关联分析 4.1 总体关联特征根据研究需要本文将人口减少收缩和人口老龄化水平增长定义为正值,反之人口增长扩张和人口老龄化水平降低定义为负值,运用SPSS软件对人口收缩程度和人口老龄化水平增长进行皮尔逊相关性分析(公式1),结果显示(表 6),总体上二者相关性均通过1% 水平的显著性检验且呈现人口收缩程度越大人口老龄化水平增长越快的正相关关系;从演变趋势上看,相关性系数呈大幅上升态势,由2000—2010年的0.296提升至2010—2020年的0.463,增长了56.42%,体现出良好的规律性特征。
为揭示人口收缩程度与人口老龄化水平增长在不同阶段相对发展度对比关系,根据研究样本实际相对发展度比值的分布情况,采用以0.1的相等间隔进行划分,正相关分为低度正相关、中度正相关、高度正相关,负相关分为低度负相关和中度负相关五个等级类型,如表 7、图 3所示。
从发展阶段上看,负相关单元数由前一阶段的44个减少至后一阶段的4个,正相关单元数由前一阶段的32个增加至后一阶段的72个,且低度正相关单元数由22个减少至5个、中度正相关单元数由8个增加至20个、高度正相关单元数由2个增加至47个,呈现人口收缩与人口老龄化增长相关度逐步提升的特征。2000—2010年负相关的单元数量为44个,占总数的58%,而后一阶段仅为4个,只占单元数的5%。此阶段因人口增长型单元数量较多,人口收缩程度与人口老龄化水平增长的相对发展度表现为以负相关为主的空间格局。绥芬河市和抚远市因得益于边境口岸贸易往来优势阻滞人口外流并吸引劳动人口流入,人口收缩与人口老龄化水平增长比值分别为-4.3和-3.25,表现为人口增长幅度大,人口老龄化水平呈低速增长局面;2010—2020年正相关的单元数量为72个,占总数的95%,其中高度负相关单元数占比由前一阶段的3% 增加至后一阶段的62%,人口收缩型单元数量明显增加且呈现人口收缩程度与人口老龄化水平增长的相对发展度以正相关为主的空间格局。位于研究区域北部的塔河县人口收缩程度与人口老龄化水平增长比值最大(0.65),其人口收缩幅度大,但人口老龄化水平提升幅度相对较小,因其2010年人口老龄化水平已经处于高位。林业资源型区域因资源枯竭、经济危困及国家天然林保护工程政策影响,经济增长乏力、失业率增加、人口流失严重等问题致使人口老龄化问题日趋加重。总体上看,市辖区和县域类型单元均表现为人口收缩与人口老龄化增长的高度正相关关系。
4.2 不同收缩类型人口老龄化特征从2000年—2020年、2000年—2010年、2010年—2020年三个时段分别划分人口收缩水平类型,分析不同时段不同人口收缩水平类型人口老龄化水平特征(表 8、表 9、表 10)。总体上看,不同收缩类型的人口老龄化水平均呈成年型—老年型Ⅰ期—老年型Ⅲ期演变的加速发展态势,且人口收缩程度越大人口老龄化水平增长越快;不同收缩类型后一阶段人口老龄化水平增长均明显快于前一阶段。
从2000年—2020年时段划分的收缩类型上看,不同收缩类型间人口老龄化水平呈成年型—老年型Ⅲ期演变的加速发展态势。2000年人口老龄化水平以成年型为主,单元数为68个,占总数的89.47%,老年型Ⅰ期为轻度收缩型的友谊县和重度收缩型的伊春市市辖区,固化单一的农业、林业发展模式、缺乏活力的经济结构不断挤压收缩的就业空间,加速的人口外流使其先期步入了老年型社会;2020年人口老龄化水平以老年型Ⅲ期为主,单元数为70个,占比超过92%。轻度收缩型人口老龄化水平增长率最小,较2000年增长了166.35%,主要因为2000年前农业型单元人口流失严重达到边际效应,后期人口迁出相对缓慢以实现人口—资源—经济相对稳定状态,但老年人口基数较大使人口年龄结构已经达到严重失衡状态。严重收缩型人口老龄化水平增长率最大,较2000年增长了230.85%。2000和2020年不同收缩类型间人口老龄化水平的最大差值分别为1.31%、2.53%,20年间差值扩大近1倍。
从2000—2010年时段划分的收缩水平类型上看,不同收缩类型间人口老龄化水平呈成年型—老年型Ⅰ期的演变态势。2000年人口老龄化水平以成年型为主,单元数为68个,占总数的89.47%;2010年人口老龄化水平转变为以老年型Ⅰ期为主,单元数为48个,占总数的63.16%;中度收缩型人口老龄化水平最高且增长率大,较2000年增长65.92%;人口增长型的人口老龄化水平始终最低,但亦呈增长态势,较2000年增长了50.59%;2000、2010年不同收缩类型间人口老龄化水平的最大差值分别为0.33%、1.29%,差值相对较小但10年间在低水平下差值扩大了3倍;从2010—2020年时段划分的收缩类型上看,不同收缩类型间人口老龄化水平呈老年型Ⅰ期—老年型Ⅲ期的演变态势。研究单元2020年老龄化水平已全部转变为老年型Ⅱ期和老年型Ⅲ期;轻度收缩型人口老龄化水平增长率相对较小,较2010年增长73.13%;严重收缩型人口老龄化水平较2010年增幅最大,为111.04%;2010、2020年不同收缩类型间人口老龄化水平的最大差值分别为2.17、2.59,差值较大但10年间增长幅度较小。从前后两个发展阶段上看人口收缩度和人口老龄化水平均呈加速发展态势,人口重度、严重收缩类型单元数与人口老龄化老年型Ⅲ型单元数同步大幅度上升,所有的重度、严重收缩类型单元均进入老年型Ⅲ型并表现为高度的空间一致性特征。
4.3 不同收缩类型人口老龄化水平的区域差异为进一步认识2000—2020年不同收缩类型人口老龄化水平的差异性,运用Dagum基尼系数测度了人口老龄化水平的总体差异、各收缩类型内及不同收缩类型间的差异及贡献率(表 11、表 12)。从表 11可见,20年间各收缩类型所属研究单元差距总体上均呈下降态势,这表明区域人口老龄化水平由空间差异化逐渐趋向均衡发展格局,但各个收缩类型间存在差异,2020年差距最大的为人口增长型单元,差距最小的为中度收缩型单元;从分阶段上看,2000—2010年除人口增长型外其它4类人口收缩类型内部差距均呈上升态势,而2010—2020年所有类型内部差距均呈大幅下降态势,这表明各个收缩类型内部单元间人口老龄化水平差距实现了大幅度收敛。从表 12可见,从不同收缩类型间研究单元差异上看,2000、2010、2020年不同收缩类型间差距并非一成不变,其3年均值类型间差异最大的为人口增长型与轻度收缩型、排名第二的为人口增长型与严重收缩型、排名第三的为人口增长型与重度收缩型。不同收缩类型老龄化的空间差异并未完全表现为收缩程度差距越大人口老龄化水平差异越大的梯级状态。主要因为人口收缩是阶段性问题仅反映某一时期人口收缩程度,轻度收缩型单元前期年轻人口流失和出生率下降的叠加效应使人口老龄化水平提高更快,后期人口迁出逐渐放缓,但相对其他地区的人口老龄化水平仍然处于高位,人口增长型与轻度收缩型间人口老龄化水平差异靠前,之后呈现出(人口增长型与严重收缩型、人口增长型与重度收缩型等)收缩程度差距越大,人口老龄化水平差距越大的正相关关系;从差异来源及贡献率上看,各收缩类型内、不同收缩类型间差异及超变密度贡献率的演变趋势并不一致,各收缩类型内差异和超变密度贡献率均处于波动下降态势,降幅分别为1.7%、24%。不同收缩类型间差距贡献率总体呈波动上升趋势且升幅最大,2020年达到最大值,较2000年增长47%。不同收缩类型人口老龄化水平差异较大,可见,人口收缩程度与人口老龄化水平存在空间一致性。
人口老龄化水平受多方面因素的综合影响,包括人口自身内部因素和社会经济等外部因素两个方面,其时空差异影响人口老龄化水平时空格局变化[15]。早期研究主要从人口自身角度探讨人口老龄化水平影响因素,生育率、死亡率和基期人口年龄结构是影响人口老龄化水平的主要因素[24]。随着人口老龄化进程加快,基期人口年龄结构作用超过生育率下降作用,人口惯性对人口老龄化水平的贡献率增大。人口大规模流动趋势下,以青年劳动力为主的人口迁移对人口老龄化水平影响逐渐增强[16]。此外,人口老龄化水平还受经济水平、教育、医疗卫生等社会外部因素的间接影响,经济发展水平对人口老龄化水平呈显著正向影响,而我国西部地区受医疗水平影响较大[25]。
综合上述,本文基于人口自然变动、人口年龄结构、人口流动和社会经济因素维度选取8个指标,具体变量如下:采用2000年、2010年、2020年人口老龄化水平作为因变量;选取出生率和死亡率作为人口自然变动变量;采用老年人口基数(1990年、2000年、2010年55—64岁人口占总人口比重)作为衡量基期人口年龄结构变量;采用迁入率和迁出率作为人口流动变量;选取人均GDP、每千人拥有床位数、人均受教育年限作为表征经济增长、医疗卫生条件、受教育程度对人口老龄化水平的影响。运用GTWR模型分析其对研究单元人口老龄化水平的影响作用,与OLS模型和GWR模型结果相比,GTWR模型R2(0.9914)高于OLS模型R2(0.9778)、GWR模型R2(0.9816),GTWR模型AICc值(434.66)与OLS模型AICc值(505.62)、GWR模型AICc值(491.91)的差值远大于3,则选用GTWR模型进行影响因素的空间分析更具优势。
5.1 影响因素作用总体分析运用GTWR模型(公式2)计算影响因素对不同单元的回归系数,为了更直观体现影响因素对不同单元的作用强度,利用ArcGIS软件对3个年份回归系数进行可视化分析(图 4)。总体上看,迁出率、老年人口基数、人均受教育年限、死亡率、人均GDP对人口老龄化水平呈正向影响,且迁出率为影响人口老龄化水平的正向主导因素。出生率、迁入率、每千人拥有床位数对人口老龄化水平呈负向影响,且出生率为影响人口老龄化水平的负向主导因素。
正向影响因素。迁出率是影响人口老龄化的主导因素,其正向影响作用呈大幅增强态势,2020年的作用强度为2000年的2.55倍。在迁出人口年龄结构年轻化背景下,人口收缩区域的年龄金字塔中部逐渐凹陷,形成“残留型”老年人口空间集聚格局使人口老龄化进程进一步加快。老年人口基数是正向影响人口老龄化水平的第二位主导因素,高值区主要分布于哈大齐工业走廊经济区和东部边境口岸,回归系数整体呈先升后降的减弱态势,降幅为40.62%。基期人口年龄结构在一定程度上影响人口老龄化的基本走向,但其影响作用存在“天花板”效应,老年人口基数较大对人口老龄化的边际效应呈现减弱趋势。人均受教育年限对人口老龄化的正向影响作用逐渐增强,呈“南高北低”的空间格局。受教育程度提高形成的晚婚晚育、少生优生格局使人口老龄化进程加快。死亡率回归系数整体呈先升后降的增强态势,升幅为34.11%,影响作用呈由西向东逐渐增强的趋势。人均GDP对人口老龄化影响较为复杂但作用强度逐渐减弱,2000年、2010年为正向影响,高值区主要分布于森工类、煤炭类资源型单元,2020年为负向影响且影响强度下降10.12%。
负向影响因素。出生率是人口老龄化负向主导影响因素且作用强度呈显著增强态势,整体增长5.68倍,2020年煤炭资源型单元成为出生率对人口老龄化影响强度的负向高值区,林业资源类型的大兴安岭地区作用强度相对较弱。2000—2020年区域平均出生率由8.47% 降至3.60% 的持续降低趋势导致“底部老龄化”现象日益突显。迁入率对人口老龄化呈负向影响且作用强度呈显著上升趋势,2020年高值区数量增加,主要集中于区域南部资源型城市,该地区人口迁入率相对较高,对人口老龄化发挥一定的“削峰填谷”的补偿效应。每千人拥有床位数对人口老龄化的影响由负向转为正向,影响强度低且呈逐渐减弱趋势。
5.2 分收缩类型影响因素作用差异分析为了进一步分析影响因素对不同收缩程度的人口老龄化水平的平均作用强度,将2000年、2010年、2020年五种收缩类型的影响因素回归系数进行平均,得到不同收缩类型影响因素的作用强度,具体见图 5。
从总体上看,不同人口收缩程度人口老龄化水平的正向主导因素均为迁出率,且人口收缩程度越大迁出率对人口老龄化水平正向影响作用越强。老年人口基数为不同人口收缩程度人口老龄化水平的正向第二主导因素,且人口收缩程度越大老年人口基数对人口老龄化水平正向影响作用越强。出生率、人均受教育年限、人均GDP对不同收缩程度人口老龄化水平的影响强度表现为人口增长型 > 轻度收缩型 > 中度收缩型 > 重度收缩型 > 严重收缩型,总体呈收缩程度越大对人口老龄化水平作用强度越小的反比关系。
从3个时间点不同收缩单元影响因素作用强度变化上看,不同人口收缩程度的人均教育年限对人口老龄化水平的影响作用均大幅上升,其中对人口增长型的人口老龄化水平影响作用升幅最大,回归系数值由-0.06变为1.58,受教育程度逐渐提高、婚育观念改变使人口老龄化水平显著提升。不同收缩程度的出生率对人口老龄化水平的负向作用逐渐增强,中度收缩型出生率回归系数由-0.1变为-0.81,其对人口老龄化水平的负向影响程度明显上升,未来应提高人口自然增长率,缓解老龄化压力以促进人口长期均衡发展。人均GDP对不同收缩程度的人口老龄化水平的影响作用由正向转为负向且呈下降态势,中度收缩型的人均GDP对人口老龄化水平的影响作用明显下降。迁出率对不同收缩程度的人口老龄化水平的正向影响作用均呈上升态势,对严重收缩型人口老龄化水平的影响作用升幅最大,发展经济、扩大就业、阻滞人口外流,滞缓老龄化水平提升速度和积极面对应对人口老龄化问题要两手抓。
6 人口规模与人口老龄化水平趋势预测相关研究成果表明,2050年前我国人口老龄化水平将不断增长,2030、2050年65岁及以上老年人口比重分别达18%、29%,2050年后人口老龄化水平达到峰值并转向负增长[24]。考虑2010—2100年生育政策影响,基于高生育率、中生育率和低生育率三种方案研究表明2100年前我国人口规模不会出现急剧逆转性增加,人口老龄化水平快速提高且长期保持高位。高生育率方案65岁及以上人口比重于2064年达峰值25%,中生育率方案2060年人口老龄化水平达峰值29.9%,低生育率方案2088年人口老龄化水平达到峰值40.5%[26]。通过模拟四种不同生育政策方案,预测未来黑龙江省人口总量呈收缩态势、劳动人口逐渐减少、人口老龄化水平加速提升,全面放开的生育政策仅延缓人口老龄化速度,但未从根本上遏制人口老龄化问题[27]。
考虑数据的可获取性和准确性,本研究依据2010—2020年基础数据采用灰色预测模型分别预测全国、黑龙江省2021—2030年的人口规模和人口老龄化水平(表 13),其C值分别为0.0759、0.076、0.0364、0.0734,P值均为1,通过精确度等级检验且模拟效果较好。由表 13可知,未来十年全国人口规模呈小幅增长态势且增幅为4.8%,人口老龄化水平增长48.03%,黑龙江省人口规模呈延续下降趋势,人口减少500多万,人口老龄化水平高于全国平均水平且呈大幅增长态势,增幅为81.54%,灰色预测模型的结果符合黑龙江省人口变化基本趋势走向,但目前我国人口增长已达到峰值期[28, 29],未来全国人口将会面临徘徊乃至下降局面,黑龙江省人口也将存在进一步加大下降收缩幅度,人口老龄化水平还会进一步提升的可能,这一问题学界和社会应给予严重关切。
本文依据2000年、2010年、2020年人口普查数据,基于黑龙江省县域尺度分析人口收缩程度、人口老龄化水平及二者的双重时空格局耦合关系、研究了老龄化影响因素作用并预测了未来人口规模和老龄化水平发展趋势,主要结论如下:
(1)20年间人口收缩程度由低速增长向轻度收缩到重度收缩、严重收缩的加速收缩演变过程,县域单元人口收缩程度最大,收缩幅度是市辖区单元的6倍;人口收缩程度高值区主要分布于西北部、南部的农业和林业资源型单元,低值区主要分布于市辖区。
(2)人口老龄化水平总体呈成年型Ⅰ期—老年型Ⅰ期—老年型Ⅲ期梯度上升态势,区域人口老龄化水平逐渐向均质型结构转变;高值区主要分布于东南部林业资源型单元,低值区主要分布于边境口岸城市。
(3)在黑龙江省域、市辖区、县域单元类型均表现为人口收缩与人口老龄化增长的高度正相关关系;人口收缩程度越大人口老龄化水平增长越快,2010—2020年人口老龄化水平增长明显快于2000—2010年阶段;20年间各收缩类型内部差距均呈下降态势,区域人口老龄化水平逐渐趋向均衡发展格局,但各个收缩类型间存在时空差异。2000 —2010年除人口增长型外其它4类人口收缩类型内部差距均呈上升态势,而2010—2020年所有类型内部差距均呈大幅下降态势。人口收缩程度与人口老龄化水平存在空间一致性。
(4)迁出率、老年人口基数、人均受教育年限、死亡率、人均GDP对人口老龄化水平呈正向影响,迁出率为影响人口老龄化水平的正向主导因素。出生率、迁入率、每千人拥有床位数对人口老龄化水平呈负向影响,出生率为影响人口老龄化水平的负向主导因素。
(5)未来十年黑龙江省人口规模将延续下降,人口老龄化水平呈加速增长态势。加强人口收缩和人口老龄化问题的治理,实现人口发展战略重心由数量规模红利向质量水平转变是大势所趋。
本研究仍存在进一步需要完善的内容:①人口老龄化水平受多方面因素的综合影响,本研究侧重于从人口自身内部因素和社会经济等外部因素两个方面深入剖析人口老龄化水平空间差异成因,对自然等方面因素影响作用未作涉及;②人口规模与老龄化水平因主要关注发展趋势,故在预测模型的优化及预测结果的准确性误差方面考虑不是很多,模型优化和预测准确性上还有提升空间;③对市辖区、县域不同类型地区人口老龄化水平发展趋势的进行多情景预测,并针对不同情景人口老龄化发展特征及老龄化问题治理针对性对策建议研究也有待深化。
[1] |
Audirac I. Shrinking cities: An unfit term for American urban policy?[J]. Cities, 2018, 75: 12-19. DOI:10.1016/j.cities.2017.05.001 |
[2] |
Alho J, Alders M, Cruijsen H, et al. New forecast: Population decline postponed in Europe[J]. Statistical Journal of the United Nations Economic Commission for Europe, 2006, 23(1): 1-10. DOI:10.3233/SJU-2006-23101 |
[3] |
Martinez-Fernandez C, Audirac I, Fol S, et al. Shrinking cities: Urban challenges of globalization[J]. International Journal of Urban and Regional Research, 2012, 36(2): 213-225. DOI:10.1111/j.1468-2427.2011.01092.x |
[4] |
Keiro H, Kiyonobu K, Mihoko M. The development of urban shrinkage discourse and policy response in Japan[J]. Cities, 2017, 69: 124-132. DOI:10.1016/j.cities.2017.02.011 |
[5] |
闫广华, 陈曦, 张云. 基于随机森林模型的东北地区收缩城市分布格局及影响因素研究[J]. 地理科学, 2021, 41(5): 880-889. [Yan Guanghua, Chen Xi, Zhang Yun. Shrinking cities distribution pattern and influencing factors in northeast China based on random forest model[J]. Scientia Geographica Sinica, 2021, 41(5): 880-889.] |
[6] |
林雄斌, 杨家文, 张衔春, 等. 我国城市收缩测度与影响因素分析——基于人口与经济变化的视角[J]. 人文地理, 2017, 32(1): 82-89. [Lin Xiongbin, Yang Jiawen, Zhang Xianchun, et al. Measuring shrinking cities and influention factors in urban China: Perspective of population and economy[J]. Human Geography, 2017, 32(1): 82-89. DOI:10.3969/j.issn.2095-0446.2017.01.011] |
[7] |
宫攀, 张槊, 王文哲. 人口视角下中国城市收缩的演变特征与时空格局——基于第七次全国人口普查公报数据的分析[J]. 人口与经济, 2022(3): 1-15. [Gong Pan, Zhang Shuo, Wang Wenzhe. The evolutionary characteristics and spatial-temporal pattern of China's urban shrinkage from the perspective of population: Based on the analysis of the seventh national census bulletin data[J]. Population & Economics, 2022(3): 1-15.] |
[8] |
肖超伟, 张旻薇, 刘合林. 美国乡村人口收缩的特征、影响因素与启示[J]. 经济地理, 2022, 42(11): 163-172. [Xiao Chaowei, Zhang Minwei, Liu Helin. Rural population shrinking in the united states: Characteristics, influencing factors and implications[J]. Economic Geography, 2022, 42(11): 163-172.] |
[9] |
高舒琦, 龙瀛. 东北地区收缩城市的识别分析及规划应对[J]. 规划师, 2017, 33(1): 26-32. [Gao Shuqi, Long Ying. Distinguishing and planning shrinking cities in northeast China[J]. Planners, 2017, 33(1): 26-32.] |
[10] |
Rogerso P A. Geographic perspectives on elderly population growth[J]. Growth and Change, 1996, 27(1): 75-79. DOI:10.1111/j.1468-2257.1996.tb00897.x |
[11] |
Reynaud C, Miccoli S, Lagona F. Population ageing in Italy: An empirical analysis of change in the ageing index across space and time[J]. Spatial Demography, 2018, 6(3): 235-251. DOI:10.1007/s40980-018-0043-6 |
[12] |
Brown D L, Glasgow N, Kulcsar L J, et al. The multi-scalar organization of aging-related services in US rural places[J]. Journal of Rural Studies, 2019, 68: 219-229. DOI:10.1016/j.jrurstud.2018.09.010 |
[13] |
Wang S. Spatial patterns and social-economic influential factors of population aging: A global assessment from 1990 to 2010[J/OL]. Social Science & Medicine, 2020, 253: 112963. https://doi.org/10.1016/j.socscimed.2020.112963.
|
[14] |
刘华军, 何礼伟, 杨骞. 中国人口老龄化的空间非均衡及分布动态演进: 1989-2011[J]. 人口研究, 2014, 38(2): 71-82. [Liu Huajun, He Liwei, Yang Qian. Spatial inequality and distributional dynamics of population ageing in China, 1989-2011[J]. Population Research, 2014, 38(2): 71-82.] |
[15] |
王录仓, 武荣伟, 李巍. 中国城市群人口老龄化时空格局[J]. 地理学报, 2017, 72(6): 1001-1016. [Wang Lucang, Wu Rongwei, Li Wei. Spatial-temporal patterns of population aging on China's urban agglomerations[J]. Acta Geographica Sinica, 2017, 72(6): 1001-1016.] |
[16] |
周鹏, 邓伟, 张少尧. 四川省人口老龄化的地域特征及影响因素[J]. 经济地理, 2019, 39(12): 39-47. [Zhou Peng, Deng Wei, Zhang Shaoyao. Regional characteristics and influencing factors of population aging in Sichuan[J]. Economic Geography, 2019, 39(12): 39-47.] |
[17] |
梅林, 郭艳花, 陈妍. 吉林省人口老龄化时空分异特征及成因[J]. 地理科学进展, 2018, 37(3): 352-362. [Mei Lin, Guo Yanhua, Chen Yan. Spatiotemporal characteristics and influencing factors of population aging in Jilin province[J]. Progress in Geography, 2018, 37(3): 352-362.] |
[18] |
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. [Wang Zhibao, Sun Tieshan, Li Guoping. Regional differences and evolutions of population aging in China[J]. Population Research, 2013, 37(1): 66-77.] |
[19] |
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 Wei, Pu Chunrong, Li Fang, 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.] |
[20] |
春燕. 新型城镇化背景下地区人口老龄化与人口缩减叠加的问题及应对: 日本经验与启示[J]. 城市发展研究, 2020, 27(1): 95-101. [Chun Yan. The enlightenment of china caused by the aging of japan's aging and the reduction of regional population[J]. Urban Development Studies, 2020, 27(1): 95-101. DOI:10.3969/j.issn.1006-3862.2020.01.020] |
[21] |
张静, 唐晓超. 人口收缩视角下湖北省县域经济社会的空间变化探析[J]. 长江流域资源与环境, 2022, 31(5): 1016-1028. [Zhang Jing, Tang Xiaochao. An analysis of the spatial changes of county economy and society in Hubei province from the perspective of population shrinkage[J]. Resources and Environment in the Yangtze Basin, 2022, 31(5): 1016-1028.] |
[22] |
门可佩, 曾卫. 中国未来50年人口发展预测研究[J]. 数量经济技术经济研究, 2004(3): 12-17. [Men Kepei, Zeng Wei. A study on the prediction of population development in China in the next 50 years[J]. Journal of Quantitative & Technological Economics, 2004(3): 12-17.] |
[23] |
李郇, 杜志威, 李先锋. 珠江三角洲城镇收缩的空间分布与机制[J]. 现代城市研究, 2015(9): 36-43. [Li Xun, Du Zhiwei, Li Xianfeng. The spatial distribution and mechanism of city shrinkage in the Pearl River Delta[J]. Modern Urban Research, 2015(9): 36-43.] |
[24] |
杜鹏, 李龙. 新时代中国人口老龄化长期趋势预测[J]. 中国人民大学学报, 2021, 35(1): 96-109. [Du Peng, Li Long. Long-term trends projection of China's population aging in the new era[J]. Journal of Renmin University of China, 2021, 35(1): 96-109.] |
[25] |
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 Dongxia, Han Zenglin, Wang Li. The spatial pattern of aging population distribution and its generating mechanism in China[J]. Acta Geographica Sinica, 2017, 72(10): 1762-1775.] |
[26] |
郑伟, 林山君, 陈凯. 中国人口老龄化的特征趋势及对经济增长的潜在影响[J]. 数量经济技术经济研究, 2014, 31(8): 3-20, 38. [Zheng Wei, Lin Shanjun, Chen Kai. Characteristics and trend of population aging in china and its potential impact on economic growth[J]. Journal of Quantitative & Technological Economics, 2014, 31(8): 3-20, 38.] |
[27] |
陈淑君, 王一江, 刘春梅. 不同生育政策下黑龙江省人口结构及发展趋势研究[J]. 哈尔滨商业大学学报(社会科学版), 2017(3): 28-37. [Chen Shujun, Wang Yijiang, Liu Chunmei. Population structure and development trend of heilongjiang province under different fertility policy[J]. Journal of Harbin University of Commerce (Social Science Edition), 2017(3): 28-37.] |
[28] |
张现苓, 翟振武, 陶涛. 中国人口负增长: 现状、未来与特征[J]. 人口研究, 2020, 44(3): 3-20. [Zhang Xianling, Zhai Zhenwu, Tao Tao. Trends and patterns of negative population growth in China[J]. Population Research, 2020, 44(3): 3-20.] |
[29] |
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 Wei. Forecasting negative population growth and population ageing in China[J]. Social Science Journal, 2022(5): 133-144.] |