城市群视角下中国人口老龄化的时空演变

刘玉萍 王瑞曦

DOI：10.16246/j.issn.1673-5072.2024.04.011

收稿日期：2023-07-11  基金项目：四川省哲学社会科学重点研究基地四川省老龄事业与产业发展研究中心重点项目（XJLL2019001）

作者简介：刘玉萍（1982—），女，博士，副教授，硕士生导师，主要从事经济高质量发展、人口经济学研究。

通信作者：刘玉萍，E-mail：emniang114@163.com

引文格式：刘玉萍，王瑞曦.城市群视角下中国人口老龄化的时空演变：基于人口普查与抽样调查数据的分析［J］.西华师范大学学报（自然科学版），2024，45（4）：420-429.［LIU Y P，WANG R X.Spatio-temporal evolution of population aging in China from the perspective of urban agglomeration：an analysis based on census and sample survey data［J］.Journal of China West Normal University （Natural Sciences），2024，45（4）：420-429.］

摘  要：基于全国人口普查和抽样调查数据，以12个主要城市群作为研究区域，并以地级及以上城市作为空间单元，采用时序比较、核密度估计、马尔科夫链分析以及地理探测器模型，对2000—2020年我国城市群人口老龄化的时空演变及驱动因素进行了分析，研究结果表明：（1）我国城市群的人口老龄化整体呈现出加速深化趋势，但不同城市群在加深速度上存在着显著的差异；
（2）随着时间的推移，城市群所辖城市人口老龄化的离散程度有明显扩大的趋势，考察期内不同城市群所辖城市人口老龄化的空间分布及其演进区别明显，城市的相对老龄化水平在保持较强惯性的同时，也体现出一定的动态变化性；
（3）2010年，城市群人口老龄化主要受老年人口惯性的影响，而2020年，除老年人口惯性外，人口自然增长率和人口迁移也是引致城市群人口老龄化空间分异的重要因素。结果总体表明，近二十年来我国不同城市群的人口老龄化展现出明显的时空差异与动态演变特征，因此各城市群应有针对性地制定差异化的人口老龄化政策，以更有效地应对日益严峻的老龄化挑战。

关键词：城市群；
人口老龄化；
时空演变；
影响因素；
人口普查

中图分类号：C92-05；
K901.3    文献标志码：A    文章编号：1673-5072（2024）04-0420-10

我国是世界历史上人口规模最大的国家，人口问题一直是我国面临的全局性、长期性、战略性问题。改革开放以来，在经济社会发展和计划生育政策的共同推动下，我国实现了人口再生产类型从“高出生、高死亡、高增长”向“低出生、低死亡、低增长”的转变，“少子化”逐渐成为我国人口发展的常态，人口老龄化形势也因之日趋严峻［1］。全国人口普查数据显示，2000年我国65岁及以上的老年人口占总人口的10.46%，而到2020年，这一比例已经上升到18.70%，在大约一代人的时间里，老龄化率的增长超过了80.00%。快速加剧的人口老龄化不仅会带来医疗资源配置［2］和养老服务供给［3］等方面的挑战，还将对我国的经济社会发展产生复杂且深远的影响［4］。因此，人口老龄化相关问题近年来受到了社会各界的广泛关注，在党的二十大提出的“实施积极应对人口老龄化国家战略”的指引下，各地纷纷针对自身的老龄化特征提出了应对之策。

早在上世纪90年代初，国内学者即开始在不同时空范围［5-6］和空间尺度［7-8］下，对我国人口老龄化的时空演变与影响因素展开了分析，提供了有关我国人口老龄化时空演变特征的有益参考。但当前研究仍存在一些不足之处：首先，尽管相关研究已经涵盖了不同的地理范围和空间尺度，但很少有研究者从城市群的角度进行分析；
其次，自2010年之后，中国的生育政策发生了密集的“宽松”调整，同时也实施了健康中国战略，这些均可能导致我国人口老龄化的时空演变出现新的特征和变化。

“十四五”规划中明确提出，将城市群视为“增强经济和人口承载能力，带动全国经济效率整体提升”的重要载体，这预示着城市群作为承载发展要素的主要空间，未来不仅是人口集聚的中心，也将成为老龄人口的养老中心。为此，本研究基于2000年以来的人口普查和抽样调查数据，在城市群视角下深入探究我国城市层面人口老龄化的时空演变，并对比分析2010年前后人口老龄化驱动因素的变化，从而更全面地理解2010年后我国人口老龄化空间分布的新特征，以期为不同城市的政策制定者提供更具有针对性的人口老龄化应对策略，以优化养老资源的配置。

1  数据来源与研究方法

1.1  研究对象与数据来源

本研究主要从城市群视角审视我国人口老龄化的时空演变格局。为此，依据覆盖性、代表性、前沿性等原则，选取《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中前十二大城市群作为研究对象，并基于城市空间尺度进行分析。研究所涉及的城市群及其所辖城市与核心城市如表1所示，共涵盖了175个地级及以上城市。

本研究采用的人口老龄化数据（60岁及以上老年人口占总人口的比重）是由2000、2010、2020年3次人口普查数据以及2005年和2015年2次人口抽样调查数据计算而得。

1.2  研究方法

1.2.1  核密度估计

核密度估计采用平滑的峰值函数拟合样本数据，利用连续的密度曲线描述随机变量的分布形态［9］，观察核密度曲线可得到变量的分布位置、分布态势、分布延展性、极化趋势等信息［10］。核密度估计方法假定随机变量x的密度函数为f（x）=1Nh∑ni=1K（xi-xh），式中：xi为城市i的人口老龄化水平，x为人口老龄化水平的均值，N为样本城市数，h为带宽，K（·）为核函数。

1.2.2  马尔科夫链分析

马尔科夫链是一种时间和状态都离散的马尔科夫过程，它通过把数据离散化为多种类型，并计算相应类型的概率分布及其随时间的变化，以近似模拟状态变化的整个过程［11］。假定人口老龄化的马尔科夫链是一个随机过程{Z（t），t∈T}的状态空间，t时刻的人口老龄化水平处于k状态，t+1时刻处于l状态，则t到t+1时刻的状态转移概率可定义为Pkl=P（Zt+1=kZt=l），式中：对于特定的在给定状态k下的样本城市，其在t时刻转移到状态l的概率的极大似然估计值可通过pklt=Nklt/Nkt进行计算。

马尔科夫链分析方法能够详尽展现各城市人口老龄化的状态转移方向和转移概率，更详实地识别、比较和揭示我国城市群内部人口老龄化的动态变化情况。沿用马尔科夫链分析框架［12］，首先，将样本城市按其人口老龄化程度划分为完备、有限和不交叉的区间，每个区间对应于不同程度的人口老龄化水平，其次，运用马尔科夫链分析方法计算出考察期内样本城市整体和不同城市群人口老龄化的马尔科夫链转移概率矩阵，并通过分析其结构特征，揭示城市人口老龄化水平的内部动态变化信息。借鉴赵磊和方成［13］的方法，依据人口老龄化程度从低到高排序将样本城市划分为4种类型：人口老龄化程度排序位于（0，25%］的为低人口老龄化水平城市；
位于（25%，50%］的为中低人口老龄化水平城市；
位于（50%，75%］的为中高人口老龄化水平城市；
高于75%为高人口老龄化水平城市。

1.2.3  地理探测器模型

地理探测器是探测某一事物的空间分异性并揭示其驱动因素的一种统计学方法［14］，其核心思想是，如果影响某一事物变化的因素具有空间分异性，且这些影响因素的空间分布与该事物的空间分布存在显著的一致性或相似性，则说明这些因素对该事物的空间分异产生重要影响［15-16］。

本研究不仅借助于地理探测器中的因子探测识别我国城市群人口老龄化空间分异的单个驱动因素，还通过检验2个因素空间分布的一致性，来探测因素之间的交互作用，从而揭示其对城市群人口老龄化空间分异的共同作用［17］。

2  我国城市群人口老龄化的变化趋势

基于城市层面的人口老龄化数据，分别计算全国、城市群总体以及不同城市群各考察年份的人口老龄化均值，结果分别如图1和表2所示。

如图1所示：考察期内全国及城市群总体的人口老龄化均值均处于增长趋势，但不同时期增速不同。具体而言，2005—2010年增速略有放缓，2010—2020年的增速明显加快，这不仅反映了过去二十年我国整体人口老龄化趋势的加速和加深，而且表明在2010年之后，老龄化现象变得尤为明显。值得注意的是，与全国相比，城市群总体在不同考察年份的人口老龄化均值更高，这意味着城市群具有相对更高的老龄化水平，集聚了相对较多的老龄人口，因此也将面临更大的人口老龄化挑战。

根据表2数据，可以清晰地看出在不同考察时期，各个城市群的人口老龄化均值存在显著差异，表明在城市群层面，我国人口老龄化的空间分布展现出明显的非均衡性。2000—2020年，大部分城市群的人口老龄化状况逐渐加剧，不过各城市群的老龄化加深速度存在显著差异。其中，东北地区的哈长和辽中南城市群人口老龄化的加深速度相对较快，体现出东北地区愈发严峻的人口老龄化形势；
沿海的珠三角、长三角、海峡西岸、北部湾等城市群人口老龄化的加深速度则相对较慢，与内陆地区相比，沿海城市群显现出越来越明显的人口优势；
除东北地区外，其他内陆地区城市群基本上保持了与全国整体一致的人口老龄化加速加深趋势。

从各城市群中核心城市人口老龄化的相对程度看，2000年时，除北京、天津、上海和青岛的人口老龄化水平明显高于对应城市群的平均水平，深圳和厦门人口老龄化水平明显低于对应城市群的平均水平外，其他核心城市的人口老龄化水平均在所在城市群的均值附近（多数为平均水平之上）波动，2005—2015年在城市群均值附近的波动开始偏向平均水平之下，而到了2020年，仅剩天津、上海、广州三大核心城市人口老龄化水平高于其所在城市群的均值。表明过去20年，大城市对人口的“虹吸”作用越来越强，城市群中的年轻人有向着核心城市聚集的趋势。

3  我国城市群人口老龄化的空间分布及其演进

城市群整体人口老龄化分布的核密度显示（图2），在不同考察年份，城市群整体的人口老龄化水平均呈现出明显的单峰正态分布特征，表明整体人口老龄化的“集中性”，即城市群所辖的大部分城市的人口老龄化水平均位于均值附近，“极高”或“极低”的城市相对较少。从曲线位置的变化看，2000—2020年，人口老

龄化的核密度曲线逐渐右移，表明随着时间的推移，城市群所辖城市的人口老龄化程度整体持续加深。从曲线形态的变化看，随着时间的推移，核密度曲线波峰的高度逐渐降低，宽度不断加大，表明城市群所辖城市人口老龄化的整体离散程度呈扩大趋势。从曲线的延展性可知，不同考察年份分布曲线均存在明显的左拖尾现象，且随时间的推移左右拖尾均有所拉长，整体分布的延展性有明显拓宽的趋势，意味着在考察初期，仅有少数城市具有明显更低的人口老龄化水平，而在考察后期，人口老龄化水平明显更低或更高的城市有所增多，且这些老龄化水平“异常”的城市与老龄化水平“主流”的城市，其老龄化程度的差距在考察期内有拉大趋势。

不同城市群人口老龄化分布的核密度显示（图3），2000—2020年我国城市群人口老龄化的分布动态呈现出如下特征：（1）随着时间的推移，几乎所有城市群人口老龄化的分布曲线均表现出明显的右移趋势，表明各城市群的人口老龄化程度均呈加深态势。其中，哈长城市群和辽中南城市群核密度曲线的右移最为明显，说明在考察期内这两大东北城市群人口老龄化的加深程度相对较大，而珠三角城市群和北部湾城市群核密度曲线的右移相对不明显，人口老龄化的加深程度相对较小。（2）2000年，不同城市群人口老龄化的核密度图均具有至少1个“窄而高”的波峰，表明此时大部分城市群内的城市皆具有相似的、在均值附近波动的人口老龄化水平，但到2020年，核密度图中波峰的高度均明显降低，宽度则明显加大，甚至一些城市群（如珠三角城市群、山东半岛城市群）开始出现明显的多峰分布，表明此时城市群内人口老龄化的离散程度已明显加强。（3）随着时间的推移，不同城市群分布曲线延展性的变化存在较大差异，成渝、中原、北部湾、哈长等

城市群分布曲线的左拖尾越来越明显，意味着在这些城市群内逐渐出现少数相对老龄化水平明显更低的城市，而长三角、山东半岛、长江中游等城市群分布曲线的右拖尾越来越明显，城市群内开始出现一些相对老龄化水平明显更高的城市，珠三角、海峡西岸等城市群的分布曲线则表现出越来越明显的双向拖尾，这些城市群内出现的少数“离散”城市，具有相对于其他大部分城市明显更低或更高的人口老龄化水平。

4  我国城市群人口老龄化的状态转移

全体城市和不同城市群人口老龄化的马尔科夫链转移概率矩阵显示（表3），2000—2020年，不同老龄化水平类型城市所对应的对角线上的转移概率均高于非对角线上的转移概率，尤其是低老龄化水平城市和高老龄化水平城市，对角线上的转移概率分别达0.558 1和0.476 2，说明考察期内，我国主要城市群所辖城市的人口老龄化具有明显的惯性，近半数高老龄化水平和低老龄化水平城市历经20年仍处于同样的老龄化水平类型。即便如此，除低老龄化水平城市外，其他类型城市对角线上的转移概率均低于0.5，意味着大部分城市的相对老龄化水平在考察期内发生了状态转移，同样体现了相对老龄化水平的动态变化性。

分城市群看，不同城市群的人口老龄化表现出明显不同的状态转移特征。具体而言，京津冀城市群大部分高老龄化水平城市的相对老龄化水平在考察期内有所降低，其他类型城市则保持了较强的惯性；
长三角城市群不同老龄化水平类型城市多向中等（中低、中高）老龄化水平类型转移；
珠三角城市群不同老龄化水平类型城市向低老龄化水平类型转移的趋势明显；
虽然随着时间的推移，成渝城市群中大部分城市仍处于中高和高老龄化水平类型，但考察期内高老龄化水平类型城市的占比有明显的增加；
长江中游城市群低和中低老龄化水平类型城市的相对老龄化水平保持了较高的惯性，高和中高老龄化水平类型城市的相对老龄化水平则有所降低；
山东半岛城市群所辖城市由主要为中高和高两种老龄化水平类型扩展为中低、中高和高三种老龄化水平类型；
海峡西岸城市群不同类型城市均有明显的向更低老龄化水平类型转移的趋势；
中原城市群在保持相对老龄化水平较高惯性的同时，低老龄化水平类型城市占比有所增加；
关中平原城市群低老龄化水平类型城市的相对老龄化水平在考察期内有明显提升；
无论2000年处于何种老龄化水平类型，2020年北部湾城市群所辖城市均转化为低老龄化水平类型；
与北部湾城市群相反，无论2000年处于何种老龄化水平类型，2020年哈长、辽中南城市群所辖城市均转化为中高、高老龄化水平类型。从上述不同城市群人口老龄化水平类型的转化中大体可以看出，考察期内，沿海或东部发达地区城市群所辖城市的相对老龄化水平呈稳中有降的变化，中、西部内陆地区城市群所辖城市的相对老龄化水平表现出稳中有升的趋势，东北地区城市群所辖城市的相对老龄化水平则提升明显，至2020年时均转化为相对较高的人口老龄化水平类型。

5  我国城市群人口老龄化的驱动因素

现有研究已证实，人口老龄化受诸多因素的共同影响，与人口基础、经济条件和社会保障环境等密切相关。由此，参照相关研究［18-19］，并考虑到数据的可获得性，本文从人口、经济和社会三方面来选取我国城市群人口老龄化的驱动因素。（1）人口因素：选取人口惯性、自然增长率和人口迁移3个要素，其中老年人口惯性（aging_base）以上一次人口普查时的老龄化率表示；
人口自然增长率（pgr）根据人口普查数据直接获取；
人口迁移（dpop）为与上一次人口普查相比的人口净流入。（2）经济因素：选取城市等级和经济发展水平2个要素，其中城市等级（rank）参照《第一财经》杂志《2021城市商业魅力排行榜》的划分标准进行划分；
经济发展水平（pgdp）以对应年份的人均实际GDP表示。（3）社会因素：选取人文环境和医疗保障2个要素，其中人文环境（pstu）以对应年份所在城市每万人高等学校在校学生数表示；
医疗保障（phospital）以对应年份所在城市每万人医疗卫生机构床位数表示。

地理探测器模型要求自变量为类型变量，如果自变量为连续型变量，需要进行离散化处理。为此，本研究对除城市等级（rank）变量外的其他变量进行分级处理，采用“自然断点分级法”将连续变量分为4～6级的分类变量后输入地理探测器模型，进行因子探测和交互作用探测分析。

因子探测主要识别不同影响因素对人口老龄化解释程度的大小，用q值表示。人口老龄化驱动因子探测结果（表4）显示，2010年和2020年我国城市群人口老龄化的空间分异受不同的因子所驱动，2010年人口

老龄化的驱动因子由强到弱依次为：aging_base> pgr>dpop>rank，2020年人口老龄化的驱动因子由强到弱依次为：aging_base> pgr> dpop> rank>phospital>pgdp>pstu。参照阮文奇等［20］的标准，将q值大于0.4视为影响作用相对较强的重要因素，2010年和2020年，我国城市群人口老龄化的空间分异均受到老年人口惯性的较大影响，前期的人口老龄化水平不仅与当地的人口结构直接相关，也与地方的养老服务和适老环境密切关联，这些均将对当前的人口老龄化水平产生正向影响。与2010年相比，人口自然增长率和人口迁移对2020年我国主要城市群的人口老龄化产生了明显更大的影响。

伴随着基本公共服务均等化的推进和健康中国战略的实施，我国不同地区死亡率的差异持续缩小，因此人口自然增长率的差异主要来源于生育率。2010年之前，在计划生育政策的约束下，各地的生育率差异不大，人口自然增长率对老龄化水平的影响相对较小。自2013年始，我国的生育政策进行了宽松化调整，同时由于生育的环境和文化不同，各地生育率的差异开始拉大，较高的生育率将导致相对较低的人口老龄化水平。与此同时，为吸引人口流入，2010年之后我国各地竞相放宽了人口迁移和落户限制，流动人口的规模逐年增加，年轻人是流动的主力军［21］，这就使得人口迁移对老龄化率的影响也明显增大。

2010年和2020年人口老龄化驱动因子交互作用的探测结果表明（表5），所有驱动因子均存在交互作用，多个因子的共同作用将增强城市群人口老龄化的空间分异。老年人口惯性（aging_base）和城市等级（rank）的交互对城市群人口老龄化的空间分异具有最强的解释力，这意味前期老龄化程度较高且等级较低的小城市，将不得不面临更大的人口老龄化挑战。

6  结  论

基于2000—2020年3次全国人口普查和2次全国人口抽样调查数据，以12个主要城市群作为研究对象，以地级及以上城市作为空间单元，对2000年以来我国城市群人口老龄化的时空演变及驱动因素进行了考察。研究结论如下。

1）从人口老龄化的变化趋势来看，2000—2020年全国和各城市群的平均人口老龄化程度呈现出明显的加速加深的变化趋势，但在人口老龄化加深速度上，各城市群间存在着显著差异。东北地区城市群的人口老龄化的加深速度相对较快，而沿海城市群相对较慢，其他内陆地区城市群则基本上保持了与全国整体一致的变化速度。

2）从人口老龄化的空间分布及其变化看，虽然在不同考察年份，城市群所辖城市的人口老龄化均展现出正态分布的特征，即大部分城市的人口老龄化皆在均值附近聚集，但随着时间的推移，离散程度有明显扩大的趋势，老龄化水平“异常”的城市逐渐增多，且不同城市群所辖城市人口老龄化的空间分布及其变化存在较大差异。

3）从人口老龄化的状态转移看，整体而言，2000—2020年，城市群所辖城市的相对人口老龄化在保持惯性的同时，也体现了一定的动态变化性。具体而言，沿海或东部发达地区城市群所辖城市的相对老龄化水平呈稳中有降的变化，中、西部内陆地区城市群所辖城市的相对老龄化水平表现出稳中有升的趋势，东北地区城市群所辖城市至2020年则均转化为相对较高的人口老龄化水平类型。

4）从人口老龄化的驱动因素看，2010年，城市群所辖城市整体人口老龄化主要受老年人口惯性的驱动，到2020年，除老年人口惯性外，人口自然增长率和人口迁移，也是驱动城市群人口老龄化空间分异的重要因素。所有驱动因子对人口老龄化的空间分异均存在交互作用，且无论是2010年还是2020年，老年人口惯性和城市等级的交互对城市群人口老龄化的空间分异均具有最强的解释力。

综上，本研究不仅证实了过去二十年我国城市群人口老龄化加速加深的态势，同时还发现，不同城市群人口老龄化的加深速度、群内分布和群际差异均处于持续变化之中，且在2010年前后，主要城市群人口老龄化的影响因素也存在较大差异。在当前我国人口老龄化仍在持续加深、人口形势日益严峻的背景下，本研究提出3个方面的建议：一是针对老龄化不断加深的趋势，应采取有效措施延缓老龄化进程，推进人口长期均衡发展；
二是鉴于老龄化程度已然很深的现实，应积极改善社会的老年服务环境，充分挖掘老年资源潜力；
三是对于城市群老龄化的差异性，不同城市群应根据自身的老龄化状况，因地制宜地制定应对措施。

参考文献：

［1］  茆长宝，穆光宗，武继磊.少子老龄化背景下全面二孩政策与鼓励生育模拟分析［J］.人口与发展，2018，24（4）：56-65.

［2］  黄成礼，庞丽华.人口老龄化对医疗资源配置的影响分析［J］.人口与发展，2011，17（2）：33-39.

［3］  康传坤，楚天舒.人口老龄化与最优养老金缴费率［J］.世界经济，2014，37（4）：139-160.

［4］  胡鞍钢，刘生龙，马振国.人口老龄化、人口增长与经济增长：来自中国省际面板数据的实证证据［J］.人口研究，2012，36（3）：14-26.

［5］  陈明华，郝国彩.中国人口老龄化地区差异分解及影响因素研究［J］.中国人口·资源与环境，2014，24（4）：136-141.

［6］  王晗，刘鉴，房艳刚.东北地区人口老龄化的多尺度时空演变及影响因素［J］.地域研究与开发，2021，40（6）：147-153.

［7］  李琼，李松林，张蓝澜，等.粤港澳大湾区人口老龄化时空特征及其经济效应［J］.地理研究，2020，39（9）：2130-2147.

［8］  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.

［9］  杜辉，黄杰.中国农业能源效率的区域差异及动态演进［J］.中国农业资源与区划，2019，40（8）：45-54.

［10］陈明华，刘华军，孙亚男.中国五大城市群金融发展的空间差异及分布动态：2003—2013年［J］.数量经济技术经济研究，2016，33（7）：130-144.

［11］姬志恒，张鹏.环境约束下中国城市土地利用效率空间差异及驱动机制：基于285个地级及以上城市的研究［J］.中国土地科学，2020，34（8）：72-79.

［12］QUAH D T.Twin peaks：growth and convergence in models of distribution dynamics［J］.The Economic Journal，1996，106（437）：1045-1055.

［13］赵磊，方成.中国省际新型城镇化发展水平地区差异及驱动机制［J］.数量经济技术经济研究，2019，36（5）：44-64.

［14］王劲峰，徐成东.地理探测器：原理与展望［J］.地理学报，2017，72（1）：116-134.

［15］WANG J F，HU Y.Environmental health risk detection with GeogDetector［J］.Environmental Modelling & Software，2012，33：114-115.

［16］DING Y，ZHANG M，QIAN X，et al.Using the geographical detector technique to explore the impact of socioeconomic factors on PM2.5 concentrations in China［J］.Journal of Cleaner Production，2019，211：1480-1490.

［17］刘彦随，李进涛.中国县域农村贫困化分异机制的地理探测与优化决策［J］.地理学报，2017，72（1）：161-173.

［18］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.

［19］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.

［20］阮文奇，张舒宁，李勇泉，等.中国赴泰旅游需求时空分异及其影响因素［J］.旅游学刊，2019，34（5）：76-89.

［21］周爽，黄匡时.中国流动人口年龄别迁移模式研究：基于2014年全国流动人口动态监测调查数据的分析［J］.西北人口，2015，36（6）：23-28.

Spatio-temporal Evolution of Population Agingin China from the Perspective of Urban Agglomeration：

An Analysis Based on Census and Sample Survey Data

LIU Yu-pinga，WANG rui-xib

（a.Institute of Public Policy，b.School of Politics and Administration，China West Normal University，Nanchong Sichuan 637009，China）

Abstract：Taking 12 major urban agglomerations as the study area and cities at the prefecture level and above as the spatial units，and utilizing the national population census and sampling survey data as the basis，the spatio-temporal evolution and driving factors of population aging in Chinas urban agglomerations from 2000 to 2020 are analyzed by the methods of time series comparison，Kernel density estimation，Markov chain analysis，and geographical detector model.The results are as follows：（1） Population aging within Chinas urban agglomerations has presented an overall trend of accelerating and deepening，but there are significant differences in the deepening speed of different urban agglomerations.（2） With the passage of time，the dispersion degree of population aging in cities under the jurisdiction of urban agglomerations has shown a trend of obvious expansion；
during the survey period，the spatial distribution and evolution of population aging in cities under the jurisdiction of different urban agglomerations have differed apparently；
while maintaining a strong inertia，the relative aging level of cities has also reflected a certain dynamic variability.（3） In 2010，the population aging of urban agglomerations was mainly affected by the inertia of the elderly population，while in 2020，in addition to this factor，the natural population growth rate and population migration are also important factors that lead to the spatial differentiation of population aging in urban agglomerations.The overall results indicate that the population aging of different urban agglomerations in China has shown significant spatio-temporal differences and dynamic evolution characteristics in the past two decades.Therefore，each urban agglomeration should formulate targeted and differentiated population aging policies to respond more effectively to the increasingly severe challenge of aging.

Keywords：urban agglomerations；
population aging；
spatio-temporal evolution；
influencing factors；
population census

猜你喜欢 时空演变人口普查人口老龄化 无人机助力人口普查中学生数理化·八年级物理人教版(2021年11期)2021-12-06人口普查学问多作文大王·低年级(2021年5期)2021-05-13世界人口老龄化之住房问题英语文摘(2019年11期)2019-05-21技术创新视角下人口老龄化对经济增长的影响智富时代(2019年3期)2019-04-30技术创新视角下人口老龄化对经济增长的影响智富时代(2019年3期)2019-04-30主要客源国对中国入境旅游市场的贡献分析旅游学刊(2017年1期)2017-02-09人口老龄化背景下的财政支出与经济增长行政事业资产与财务(2016年10期)2016-09-26基于WebGIS的城市空气质量时空演变动态可视化系统研究电脑知识与技术(2016年20期)2016-08-19江苏省物流业与经济发展耦合协调性的时空演变特征商业经济研究(2016年7期)2016-04-19山东省工业经济增长的水资源效应及时空演变分析湖南师范大学学报·自然科学版(2015年4期)2016-03-01