EN中文

热带地理 >

2021 , Vol. 41 >Issue 5: 928 - 942

DOI: https://doi.org/10.13284/j.cnki.rddl.003379

城市地理

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

  • 张伟 ,
  • 蒲春蓉 ,
  • 黎芳 ,
  • 范紫琳
展开
  • 西南大学 地理科学学院，重庆 400715

张伟（1982―），男，四川邻水人，副教授，博士，研究方向为城市生态与区域发展，（E-mail）。

收稿日期: 2020-07-15

  修回日期: 2021-04-13

  网络出版日期: 2021-09-22

基金资助

2018年重庆市社会科学规划项目(2018PY57)

中央高校基本科研业务费专项资金资助(SWU2009435)

教育部人文社会科学研究一般项目(21XJC790010)

收起

Spatial-Temporal Evolution Characteristics and Its Driving Mechanism of Urban-Rural Inversion of Population Aging in China

  • Wei Zhang ,
  • Chunrong Pu ,
  • Fang Li ,
  • Zilin Fan
Expand
  • School of Geographical Sciences, Southwest University, Chongqing 400715, China

Received date: 2020-07-15

  Revised date: 2021-04-13

  Online published: 2021-09-22

Fold

本文亮点

人口老龄化城乡倒置现象是中国全面建成小康社会中面临的严峻挑战。文章利用GIS空间聚类、多元逐步回归等模型，在省域尺度上分析中国人口老龄化城乡倒置现象的时空演变特征及驱动机制。结果表明：1）时序演化方面，随着中国人口老龄化水平不断提高，其城乡倒置的现象也日趋显著。2）空间格局演化方面，1995—2018年，城乡倒置现象的空间集聚强度总体呈“低—高—低”的倒U型变化趋势。其首先出现在东部沿海地区，随后逐渐向中西部扩张，最终演化成为全国性的普遍现象。3）驱动机制方面，人口老龄化城乡倒置现象背后存在着复杂多维、非线性的交互作用机制。其中，人口和经济因子是该现象的主要驱动因子。对于经济欠发达、人口流出较为严重、农村老龄化水平较高的西部省份，其农村地区“又老又穷”的现象已经成为其乡村振兴、精准扶贫等战略实施过程中的关键挑战。

本文引用格式

张伟 , 蒲春蓉 , 黎芳 , 范紫琳 . 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 . DOI: 10.13284/j.cnki.rddl.003379

Highlights

The world's population is growing older, with people over the age of 65 being the fastest-growing age group. In China, population aging significantly affects the building of a moderately prosperous society, while the emergence of the urban-rural inversion phenomenon for population aging increases the difficulty of this challenge. To provide further scientific evidence for the optimal allocation of elderly care resources and the welfare improvement of the elderly population, this study analyzed the spatiotemporal evolution characteristics and driving mechanism of the urban-rural inversion phenomenon for population aging in China at the provincial scale. To this end, it used GIS spatial clustering and multiple stepwise regression models. The results indicated that first, along with the continuous increase in population aging, the urban-rural inversion phenomenon for population aging is becoming evident in China. Before 2000, the aging rate of the urban population was higher than that of the rural population in China. In 2018, the percentages of people over the age of 65 in the total population for urban and rural areas were 10.65% and 13.84%, respectively. Hence, the urban-rural inversion phenomenon for population aging is indeed very obvious. Second, generally speaking, the spatial concentration intensity of the urban-rural inversion phenomenon for population aging presented a "low-high-low" inverted U-shaped variation tendency from 1995 to 2018. The urban-rural inversion phenomenon first appeared in the eastern coastal area. It then gradually expanded to the central and western regions, and eventually evolved into a universal phenomenon nationwide. Additionally, this phenomenon has an obvious characteristic of regional differentiation. The level of urban-rural inversion is high in the eastern coastal area, while it is relatively low in the northeast region. The eastern coastal area is the most economically developed region in China, and it can provide more jobs with higher income to laborers than other regions. Consequently, a large number of young laborers from other regions flocked to cities in the eastern coastal areas to find a better job, which greatly reduced the aging rates of these cities and triggered the urban-rural inversion phenomenon for population aging. In contrast, the economic development of Northeast China has been relatively slow since 2000. It is difficult for the cities of Northeast China to attract immigrants and retain the local young population, which leads to a continuous increase in the aging rate of its urban population. Third, there is a complex, multi-dimensional, and non-linear interaction mechanism behind the urban-rural inversion phenomenon for population aging in China. Population and economic factors are the major driving factors of this phenomenon. The imbalance of social and economic development has formed a geographical difference between regions as well as between urban and rural areas, triggered mass migration movements, affected the demographic structure of urban and rural areas, and led to the urban-rural inversion phenomenon for population aging in China. For western provinces with underdeveloped economies, severe population outflows, and higher levels of rural aging, the phenomenon of "old and poor" in rural areas has become a serious challenge for the successful implementation of rural revitalization and targeted poverty reduction strategies. Further, it has become the key step for building a society that is moderately well-off, with regard to all aspects, in China.

人口老龄化是指区域总人口中，年轻人口数量持续减少，而老龄人口数量不断增加，因此，老年人口所占比例不断增加的区域人口年龄结构动态变化过程（陈明华 等，2014；吴媛媛 等，2020）。根据2019年联合国发布的《2019年世界人口展望》，全球≥65岁人口所占比例已经高达9%，并将在2050年达到16%（United Nations, 2019）；人口老龄化已经成为世界各国共同面临的严峻挑战（Bloom et al., 2015；吴媛媛 等，2020）。中国早在2000年左右就已经整体进入老龄化社会（钟睿，2019）。至2019年，中国≥65岁老年人口数量已经高达1.76亿，位居全球之最；其占总人口比例为12.57%，已经接近14%的深度老龄化标准（中华人民共和国统计局，2020）。根据国务院发展研究中心发布的报告，到2050年，中国≥65岁的老年人口数量将高达3.8亿，占总人口比例接近30%（中国发展研究基金会，2020）。绝对数量多、发展速度快、区域差异大是中国人口老龄化发展过程中的基本特征（吴连霞 等，2018；周榕 等，2019；吴媛媛 等，2020）。人口老龄化不仅从根本上改变了中国社会经济发展的动力结构，也给社会公共服务资源的有效供给与合理配置带来了巨大挑战（王桂新 等，2017）。如何积极、科学、有效应对人口老龄化，对于全面建成小康社会具有重大影响。为此，2019年11月，中共中央、国务院印发了《国家积极应对人口老龄化中长期规划》，正式将应对老龄化上升为国家战略。
人口老龄化城乡倒置是指在老龄化发展进程中，一个国家或地区农村人口老龄化程度高于城市的现象（刘维奇，2014；林宝，2018）。之所以将其称之为倒置，是因为相对于农村地区而言，城市地区的经济发展水平更高，医疗设施更为完备，期望寿命更高，其预期的人口老龄化水平也应该更高。2000年以后，中国的人口老龄化城乡倒置问题开始出现，并呈不断加剧的态势（Wang et al., 2005；李辉 等，2012；邹湘江 等，2013）。此外，考虑到中国巨大的城乡发展差距（高文轩，2019），农村人口老龄化水平的持续上升，将使得农村老年人群在经济支持、生活照料和精神慰藉等方面的问题被不断放大（Blekesaune et al., 2018）。农村地区“又穷又老”的现象不仅限制了农村老年人共享改革发展的成果，也阻碍了乡村振兴和精准扶贫等重大战略的顺利实施。因此，中国的人口老龄化城乡倒置现象开始受到政府和学术界的关注。李日邦等（1999）较早关注了中国人口老龄化发展过程中的城乡差异问题，认为农村的老年人口问题是解决中国人口老龄化问题的关键。杜鹏等（2010）首次明确提出了人口老龄化城乡倒置的概念，并构建了一个城乡差异转变模型来解释人口老龄化过程中城乡差异转变的阶段性特征。2010年以后，随着中国人口老龄化城乡倒置现象的日益明显，相关研究也开始增加。这些研究主要集中在以下几个方面：1）产生与发展过程。学者们利用多期人口普查数据和统计数据开展研究，发现自2000年以来，中国的人口老龄化城乡倒置现象总体呈加速发展态势（刘维奇，2014；钟睿，2019），并可能会在较长的时期中持续存在（李辉 等，2012）。2）时序演化规律。林宝（2018）根据联合国发布的人口数据分析了人口老龄化城乡倒置现象的时序演化规律，发现其具有普遍性和阶段性的特征；大部分国家和地区的人口老龄化城乡差异都将经历“扩大—缩小—再扩大—再缩小”4个阶段。3）成因分析。学者们普遍认为，城乡之间的人口流动与迁移是中国人口老龄化城乡倒置现象的重要原因（李辉 等，2012； 童玉芬 等，2014；钟睿，2019）。此外，城镇化进程（刘维奇，2014；王桂新，2015）、农村育龄夫妇生育观念的转变（李辉 等，2012）等因素也被提及。这些研究加深了人们对该现象的认识，但仍然存在以下不足：1）中国的社会经济发展存在着巨大的区域差异和城乡差异，人口老龄化进程也具有非常明显的空间非均衡性特征（刘华军 等，2014；赵东霞 等，2017；李少星 等，2019）。但是，现有的人口老龄化城乡倒置研究多是全国尺度上的时序演化规律分析，缺少对其空间演变格局的探讨。2）对于城乡倒置现象的成因研究多是定性的经验性分析，缺少更加精确、细致的定量分析。基于此，本文拟从地理学的时空演化分析视角，利用1995—2018年的人口统计数据，在省域尺度分析中国人口老龄化城乡倒置现象的时序变化规律和空间集聚特征，进而从自然、社会、经济、人口等维度出发，定量分析其内在驱动机制，以期在养老资源的宏观调控与优化配置、老年人口福祉的改善与提升等方面为政府决策提供科学依据。

1 数据来源与研究方法

1.1　研究区域与数据

研究区域为中国31个省级行政单元，不含中国的台湾、香港以及澳门地区。研究时段为1995—2018年。各省的分年龄、分城乡人口数据均来源于历年的《中国人口和就业统计年鉴》（中华人民共和国统计局，2019）和第五、第六次人口普查数据（国务院人口普查办公室，2012）。驱动机制分析部分所使用的自然地理条件、生态条件等地理空间数据来源于中国科学院资源环境数据云平台（http://www.resdc.cn/）；经济、社会、人口等方面的统计数据来源于《中国统计年鉴》和《中国人口和就业统计年鉴》。此外，由于重庆市于1997年从四川省划出，成为直辖市。因此，1995年重庆市的城乡老年人口比例直接沿用了四川省的数据。

1.2　研究方法

1.2.1　老龄化判断标准

1）人口老龄化的判断标准。根据联合国人口老龄化的标准，当一个国家或地区≥65岁的老年人口占总人口的比例高于7%，则认为其已经进入老龄化社会；该比例达到14%，则称之为深度老龄化社会；超过20%，则进入超老龄化社会（张平平 等，2013；戴伟 等，2015）。
2）人口老龄化城乡倒置程度。本文构建了“人口老龄化城乡倒置度”指标，用以反映特定区域人口老龄化城乡倒置问题的严重程度。其计算公式如下：
D i nversion=Prural-Purban
式中：D inversion指人口老龄化城乡倒置度；P rural指农村≥65岁老年人口所占比例；P urban指城镇≥65岁老年人口所占比例。若D inversion值为正，则表明该区域农村人口老龄化程度高于其城镇地区，即存在人口老龄化城乡倒置现象。D inversion值越大，表明该区域的人口老龄化城乡倒置问题越严重。

1.2.2　GIS空间分析

通过广泛应用的Moran's I指数来计算每个统计单元的全局空间自相关性，并利用Getis-Ord G i *统计量来识别具有统计显著性的热点和冷点，绘制局部空间自相关LISA集聚图；以此来分析中国人口老龄化城乡倒置现象的空间集聚特征。其中，Moran's I指数的计算公式如下（赵东霞 等，2017）：
M o r a n ' s   I = n ∑ i = 1 n ∑ j = 1 n W i j x i - x ¯ ( x j - x ¯ ) ( ∑ i = 1 n ∑ j = 1 n W i j ) ∑ i = 1 n x i - x ¯ 2
式中：xi和xj分别为样本i和j所在位置的人口老龄化城乡倒置度，且i≠j。Wij表示距离权重矩阵；n为样本数量。
Getis-Ord G i *统计量的计算公式如下（赵东霞 等，2017）：
Z = ∑ i = 1 n ∑ j = 1 n W i j x i x j ∑ i = 1 n ∑ j = 1 n x i x j
式中：xi和xj分别为样本i和j所在位置的人口老龄化城乡倒置度，且i≠j。Wij表示距离权重矩阵；n为样本的数量。在0.05置信水平下，当|Z|>1.96时，Z得分为正，则表示样本之间的人口老龄化城乡倒置现象存在显著的空间聚集现象（HH聚集）；Z得分为负，则表示样本之间存在显著的非城乡倒置空间聚集（LL聚集）；|Z|<1.96时，表示样本在区域中呈独立随机分布（张伟 等，2015）。本文采用ArcGIS 10.2进行具体的空间聚类分析。

1.2.3　地理探测器

利用王劲峰等（2017）开发的地理探测器模型来分析人口老龄化城乡倒置现象的内在驱动机制。地理探测器是探测地理要素或地理现象的空间分异性，揭示其内在驱动力的统计学工具。该方法无线性假设，具有优雅的形式和明确的物理含义，且对多个自变量的共线性免疫，已经被广泛应用于自然和社会科学的多个领域中（湛东升 等，2015；杨振 等，2019；左丽媛 等，2020）。
地理探测器模型的基本思想是：如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该存在统计关联性（王劲峰 等，2017）。该模型主要包括4个模块：1）分异及因子探测。用于探测因变量Y的空间分异性，以及特定影响因子X在多大程度上解释了Y的空间分异。2）交互作用探测。用于评估2个影响因子X 1和X 2在共同作用时，其对因变量Y的解释力发生了什么变化。交互作用探测主要会产生以下5种结果：非线性减弱、单因子非线性减弱、双因子增强、相互独立作用和非线性增强。3）生态探测。用于比较2个影响因子X 1和X 2对因变量Y的空间分布的影响是否具有显著差异。4）风险区探测。用于判断2个子区域间的属性均值是否有显著的差别。q统计量是地理探测器的关键输出结果，可用以度量空间分异性、探测解释因子、分析变量之间交互关系等。其计算公式如下：
q = 1 - 1 N σ 2   ∑ h = 1 L N h σ h 2
式中：q统计量的取值范围为［0，1］；其值越大说明自变量对因变量的解释力越强。L为变量的分层，即变量的不同分类或分区；N和σ分别为研究区整体的单元数和方差；N ℎ和σh则分别为层h内的单元数和方差。

2 中国人口老龄化的城乡倒置现象

2.1　时序演化特征

对中国历年的人口统计数据表明（图1），1997年，中国≥65岁老龄人口所占比例为7.04%，已经整体步入老龄化社会。1995年以来，全国≥65岁老龄人口占比以每年约0.22%的速度快速增长，目前已经接近14%的深度老龄化社会标准。绝对数量大，增长速度快，已经成为中国人口老龄化的基本特点（吴连霞 等， 2018）。与此同时，中国人口老龄化城乡倒置的现象也日渐显著。2000年以前，中国城镇人口老龄化率高于农村地区，并不存在城乡倒置现象；而在2018年，城镇和农村≥65岁的老年人口占比分别变为10.65%和13.84%，城乡倒置问题已经非常明显。
图1 中国人口老龄化的时序演化特征与城乡差异

Fig.1 Temporal evolution characteristics and urban-rural differences of population aging in China

值得注意的是，城镇和农村人口老龄化率的时序波动较大，远不如全国老龄化率平稳，特别是在大小普查年份（见图1）。如人口老龄化城乡倒置度从1999年的-1.38%剧增至2000年的1.08%；以及从2009年的0.18%剧增至2010年的2.26%。其可能的原因是：1）城乡统计口径的不统一。在中国的快速城镇化过程中，统计部门对城镇、农村的概念和界定标准在不断地变化，导致城乡人口统计口径也随之发生变化，进而导致人口数据产生明显的波动 （许昕 等，2020）。2）数据精度差异较大。图中主要包括3类数据：一是每隔十年的人口大普查数据；该数据的精度最高。二是以5 a为间隔的小普查数据；由于只是1%的抽样调查，其数据精度难免要大打折扣。三是非普查年份的数据。这类数据多是利用年度人口变动情况的抽样调查、部门数据、人口自然变动指标等进行粗略地推算，其精度最低。与其他年份相比，在大普查的前一年，其人口数据的精度通常最低。原因在于其与上次普查的时间间隔是所有年份中最长的，正处于“青黄不接”的尴尬时点。

2.2　空间格局演变

2.2.1　城镇人口老龄化空间格局演变

总体上看，中国城镇人口的老龄化程度呈不断加深趋势（图2）。在1995年，全国只有11个省份的城镇地区进入了老龄化社会，主要分布在东部沿海地区。其中，上海的城镇人口老龄化水平最高，其≥65岁老年人口占比高达11.66%。浙江、天津和北京这3个发达地区的城镇人口老龄化水平也非常高，分列全国第2—4位。到2018年，全国共有29个省份的城镇地区进入了老龄化社会。其中，辽宁的城镇人口老龄化水平最高，其≥65岁老年人口占比高达14.59%。
图2 中国城镇人口老龄化水平空间分布

注：基于国家测绘地理信息局标准地图服务网站下载的标准地图制作，底图无修改。审图号：GS（2016）2893号。后图同。

Fig.2 Spatial pattern of urban population aging in China

随着时间的推移，中国城镇人口老龄化的空间格局也发生了很大变化。首先，发达省份的城镇人口老龄化速度相对放缓。如浙江、天津和广东城镇人口老龄化水平的全国排序分别从1995年的第2、第3和第13位下降至2018年的第14、第13和第30位。其原因主要是发达地区的城镇通常拥有更多的就业机会和更高的薪资水平，能够吸引大量的外来劳动力，从而降低了其老龄化率。其次，东北地区的城镇人口老龄化速度明显加快。如辽宁、吉林和黑龙江省的全国排序分别从1995年的第7、第19和第25位上升至2018年的第1、第9和第6位。其原因主要包括：一是东北地区的计划生育政策执行较好，导致其人口结构老化的情况较为严重；二是2000年以来，东北地区的经济发展相对缓慢，人口吸引力变弱，大量的年轻人流向了经济发达地区。最后，从老龄化程度看，在1995、2000、2005、2010、2015和2018年6个时段中，未进入城镇老龄化的省份数量依次为20、24、4、8、4和2个，总体下降趋势明显；其空间分布也由东至西逐渐萎缩，最后仅呈零星分布。与之相反，步入城镇老龄化社会的省份数量对应以上6个时段则依次为11、7、27、23、27和29个，上升趋势明显；其空间分布也由东部地区逐渐扩散到全国。其中，2018年，辽宁和上海的城镇人口老龄化率首次超过14%，迈入了深度老龄化阶段。其中，辽宁省城镇人口老龄化的原因前文已述。上海市的老龄化原因：一是人口结构。上海市社会经济的快速发展降低了生育率和死亡率，导致其人口结构老化现象较为严重；二是上海市重点发展信息技术、金融、生物医药、人工智能等高端产业，其吸引的外来人口质量较高，绝对数量却不大，降低了流入人口的老龄化缓解效果。需要注意的是，老龄化省份数量并非平稳增长；如2000年的老龄化省份数量反而比1995年少了4个，其原因很可能是前文提到的城乡人口统计口径问题。

2.2.2　农村人口老龄化空间格局演变

与城镇地区一样，中国农村人口的老龄化程度也呈不断加深的趋势（图3）。1995年，共有10个省级单元的农村地区进入老龄化社会，略低于城镇地区（11个）；老龄化水平最高的是上海市，其≥65岁老年人口占比达10.23%。到2018年，全国多达29个省级单元的农村地区进入老龄化社会，老龄化加速发展的趋势非常明显。老龄化水平最高的是重庆市，其≥65岁老年人口占比高达20.89%，已经步入超老龄化社会。“大城市带大农村”是重庆市的重要特征。研究期间，重庆主城区的经济发展十分迅速，而山高坡陡路远的边远乡村社会经济发展一直较为缓慢。城乡社会经济发展的巨大差异使得重庆市的农村青年劳动力大量流向城镇地区，导致农村地区的人口老龄化不断提高。
图3 中国乡村人口老龄化水平空间分布

Fig.3 Spatial pattern of rural population aging in China

随着时间的推移，中国农村人口老龄化的空间格局也发生了很大变化。1）首先，发达省份的农村人口老龄化速度相对放缓。如天津、北京和广东的老龄化水平的全国排序从1995年的第6位、第4位和第7位分别下降至2018年的第23位、第21位和第22位。这些省份的社会经济发展速度和城镇化率长期居于全国前列。根据城镇化发展的普遍规律，其农村人口向城镇转移的速度低于国内其他区域，使得农村人口老龄化的速度也低于其他地区，其在全国的排序也逐渐降低。2）其次，东北地区的农村人口老龄化水平上升明显。如黑龙江和吉林的全国排序从1995年的第28位和第24位分别上升至2018年的第16位和第12位。东北地区日趋老化的人口结构及其显著的人口外流趋势是其主要原因。3）再次，西部地区不同省份的农村人口老龄化发展趋势差异明显。部分省份的老龄化速度相对缓慢。如云南和广西的全国排序从1995年的第21位和第13位分别下降至2018年的第27位和第24位。也有部分省份的老龄化速度明显加快，如内蒙古和甘肃的全国排序从1995年的第26位和第29位分别上升至2018年的第13位和第19位。云南和广西的少数民族数量众多，受计划生育政策的影响很小，使得其人口增长速度较快。2019年，云南和广西的人口自然增长率分别为6.43‰和7.17‰，远高于全国平均水平（4.35‰），也高于内蒙古（2.57‰）和甘肃（3.85‰）（中华人民共和国统计局，2020）。4）最后，从老龄化程度上看，在6个时段中，未进入农村老龄化的省份数量依次为21、14、6、4、2和2个，总体下降趋势明显；其空间分布也由东南至西北逐渐萎缩，最后仅呈零星分布。与之相反，步入农村老龄化社会的省份数量则依次为10、17、25、27、29和29个，上升趋势明显；其空间分布也由东南部地区逐渐扩散到全国。其中，在2010年，重庆的农村人口老龄化率首次超过14%，迈入了深度老龄化阶段；此后，深度老龄化省份在2015年和2018年进一步扩大到6和9个，增长迅速。在2018年，重庆的农村人口老龄化率首次超过20%，成为全国最早，也是唯一一个迈入农村人口超老龄化的省级行政单元。其城乡社会经济发展的巨大差异所形成的推拉作用有力地推动着农村青年劳动力不断流向城镇，推高了其农村老龄化水平。

2.2.3　城乡差异比较

（1）空间格局演变

图4展示了中国人口老龄化城乡差异格局的演变过程。随着老龄化程度的持续加深，城乡倒置现象总体呈加速发展态势。1995年，共有19个省级单元的城镇人口老龄化水平高于农村，即存在城乡倒置现象。但从总体上看，各地区的城乡倒置问题并不突出。仅有4个省份的城乡倒置度＞1%；其中，西藏的城乡倒置度最高，为2.49%。到了2018年，全国多达29个省级单元出现了城乡倒置现象，且倒置程度不断加剧。其中，重庆市的倒置度最高，为9.87%。
图4 中国人口老龄化水平的城乡差异分布

Fig.4 Spatial distribution of urban-rural difference for population aging in China

1995—2018年，中国人口老龄化城乡倒置现象的空间格局也发生了较大的变化。由于研究期间大部分省份的倒置度均呈不断增加趋势，因而本部分仍然通过比较各省份倒置度的全国排序来分析其空间格局的演变趋势。分析结果表明，全国31个省份大致可以分为以下类型（表1）：1）排名持续上升型。研究期间，共有5个省（市）城乡倒置度的全国排序呈持续上升态势，即重庆、福建、上海、浙江和四川。其中，重庆的变化最为明显，其城乡倒置度从1995年的-0.68%（不存在城乡倒置现象）上升为2018年的9.87%；全国排名也从1995年的第26位上升为2018年的第1位。2）排名持续降低型。共有6个省份城乡倒置度的全国排序呈现出持续降低态势，即海南、青海、新疆、河北、云南和广西。其中，海南、青海和新疆的变化最为明显，其倒置度从1995年的2.16%、0.47%和0.46%分别降低为2018年的1.14%、-0.09%和-1.60%；全国排名也分别从1995年的第2位、第8位和第9位下降为2018年的第24位、第30位和第31位，均降低了22位。3）排名波动上升型。共有7个省份城乡倒置度的全国排序呈现出波动上升态势，即内蒙古、吉林、湖南、湖北、贵州、辽宁和安徽。其中，湖南、内蒙古和贵州省的变化比较明显，其全国排名分别从1995年的第21位、第16位和第24位上升为2018年的第9位、第5位和第14位，分别上升了12位、11位和10位。4）排名波动降低型。共有8个省份城乡倒置度的全国排序呈现出波动下降态势，即西藏、山西、宁夏、江西、黑龙江、广东、甘肃和北京。其中，宁夏和西藏的变化比较明显，其全国排名分别从1995年的第10位、第1位下降为2018年的第22位和第12位；分别下降了12位和11位。5）排名基本平稳型。共有5个省份城乡倒置度的全国排序呈现出基本平稳态势，即天津、陕西、山东、江苏和河南。1995—2018年间，这些省份的全国排序变化幅度均小于2位，变化并不明显。
表1 基于全国排序的人口老龄化城乡倒置度演化类型划分

Table 1 Evolution types of urban-rural inversion phenomenon of population aging based on national ranking

演化类型 省（市） 排名
1995年 2000年 2005年 2010年 2015年 2018年

排名

持续

上升型

 重庆市 26 22 6 2 1 1
福建省 30 12 4 5 6 6
上海市 31 13 16 14 12 10
浙江省 22 1 1 1 2 3
四川省 27 16 11 6 4 8

排名

持续

降低型

 海南省 2 5 9 12 20 24
青海省 8 26 24 28 27 30
新疆维吾尔自治区 9 24 30 31 31 31
河北省 7 8 18 20 18 21
云南省 13 19 20 25 23 28
广西壮族自治区 5 10 8 9 10 17

排名

波动

上升型

 内蒙古自治区 16 17 12 23 16 5
吉林省 25 29 29 29 29 18
湖南省 21 7 5 10 9 9
湖北省 15 15 14 11 7 11
贵州省 24 21 19 13 17 14
辽宁省 28 27 27 26 28 23
安徽省 17 14 7 8 15 13

排名

波动

降低型

 西藏自治区 1 6 25 16 26 12
山西省 11 11 15 15 11 15
宁夏回族自治区 10 28 26 27 24 22
江西省 18 18 13 21 22 26
黑龙江省 23 31 31 30 30 27
广东省 4 2 3 4 8 7
甘肃省 12 23 22 19 19 19
北京市 19 25 23 22 25 25

排名

基本

平稳型

 天津市 29 30 28 24 21 29
陕西省 20 20 21 18 13 20
山东省 6 3 10 7 5 4
江苏省 3 4 2 3 3 2
河南省 14 9 17 17 14 16

（2）空间集聚特征

全局Moran's I指数和局部空间自相关LISA集聚分析结果（图5）表明，中国人口老龄化城乡倒置现象的空间集聚特征主要包括：1）空间集聚强度呈倒U型变化趋势。6个年份的全局Moran's I指数分别为-0.004（P=0.698）、0.173（P=0.008）、0.349（P=0.000）、0.240（P=0.000）、0.210（P=0.002）和0.069（P=0.181）；这表明除了1995和2018年之外，其余4个年份具有明显的空间集聚特征（显著水平为0.01）。从时序变化趋势看，全局Moran's I指数呈“低—高—低”倒U型变化趋势，表明城乡倒置现象的空间集聚强度呈现出“弱—强—弱”的演化趋势。从图4、5可以看出，1995年，中国的城乡倒置现象并不显著，因此显著的空间集聚区域非常少；2000—2015年，倒置现象开始迅速增多，显著的空间集聚区域开始增加；而在2018年，由于城乡倒置现象在全国已经非常普遍，使得显著的空间集聚区域再次减少。2）区域分异明显。东部沿海省份是城乡倒置现象的主要集聚区。浙江、江苏等省份在多个时段均被判定为显著的高值集聚区。这些省份的社会经济较为发达，吸引了众多外地年轻劳动力进入当地城市务工（闫庆武 等，2015）。这大大降低了城市的老龄化水平，从而引发人口老龄化城乡倒置现象。东北地区是倒置现象的主要低值集聚区，表明该区域的倒置现象在全国一直处于较低的水平。2000年以来，东北三省的社会经济发展较为缓慢，当地城市不仅难以吸引外来人口，本地年轻劳动力跨省流出的现象也很常见（钟睿，2019）。因此，其城镇老龄化水平一直居高不下。例如，2010年以来，辽宁省的城镇老龄化水平一直高居全国首位。3）区域演化方向。总体上看，城乡倒置现象首先出现在东部沿海地区，随后逐渐向中西部地区扩张，最终演化成为全国性的普遍现象。
图5 中国人口老龄化城乡倒置现象的空间集聚演化趋势

Fig. 5 Evolution tendency of spatial concentration for urban-rural inversion phenomenon in China

3 驱动机制分析

3.1　影响因素

人口老龄化的影响机制是复杂多维的。从本质上讲，它是在区域人口系统和外部环境的综合作用下，老年人口在总人口中所占比例不断上升的现象。因此，已有的人口老龄化驱动机制研究多包括人口因素和外部环境因素两大部分（李少星 等，2019；周榕 等，2019；吴媛媛 等，2020）。其中，人口因素是人口老龄化发展演化的内生动力，主要包括人口自然增长（人口出生率、死亡率、自然增长率）、人口机械增长（人口的迁入与迁出）、人口结构等部分。外部环境因素会对人口老龄化现象产生间接的影响，大致可归纳为以下几类：1）自然因素。自然地理环境是人类赖以生存和发展的基础，其对人口分布、人口结构、预期寿命等均会产生重要影响。2）经济因素。区域经济发展水平的高低会对居民的生活水平、健康状况等产生重要的影响，进而会影响到区域人口的空间分布、年龄结构等。3）社会因素。医疗卫生条件、社会服务与社会保障水平和人们的日常生活息息相关，也是影响居民身心健康的重要因素。4）文化教育因素。文化教育水平会对居民的饮食生活习惯、婚育观念、就业择业、迁移与流动等产生潜移默化的影响，进而影响到人口老龄化进程。
上述因素也是人口老龄化城乡倒置现象发展演化的重要影响因子。此外，由于中国长期存在的城乡二元结构问题，使得城镇和乡村在社会经济发展的诸多方面均存在着显著差异。而这些城乡位势差异推动了城乡之间的人口大规模流动；更准确地讲，主要是农村青壮年人口大量流入发达城市。这样的城乡人口流动减缓了城镇人口老龄化的速度，同时也加快了农村的人口老龄化速度，进而催生了人口老龄化城乡倒置现象（图6）。
图6 人口老龄化城乡倒置现象的形成机制

Fig. 6 Formation mechanism of urban-rural inversion phenomenon

3.2　机制分析

本文根据前人研究结果（杜吉国 等，2012；刘维奇，2014；许昕 等，2020），结合数据的可获取情况，从人口系统状况、自然禀赋条件、经济发展水平、社会服务水平、文化教育条件选择相应的指标，利用地理探测器模型分析人口老龄化城乡倒置现象的内在驱动机制。考虑到研究对象的特殊性，每项因素都尽量从城镇、乡村、城乡差这3个维度收集和整理指标。最初选择了56项指标，在初步建模过程中剔除了未通过显著性检验（P<0.05）的指标，最终得到22个指标（表2）
表2 人口老龄化城乡倒置现象驱动机制分析中所使用的指标

Table 2 Selected indicators for driving mechanism analysis forurban-rural inversion phenomenon of population aging

一级指标 编号 二级指标 单位

人口自然

变动

 A1 人口出生率 ‰
A 2 人口死亡率 ‰
A 3 人口自然增长率 ‰

人口机械

变动

 A 4 流动人口总量 万人
A 5 迁入人口占比（城镇） %

家庭

结构

 A 6 平均家庭户规模（农村） 人/户
A 7 平均家庭户规模（城乡差） 人/户
A 8 一人户占家庭户户数的比例（农村） %
A 9 一人户占家庭户户数的比例（城乡差） %

自然禀赋

条件

 B 1 平均海拔 m
B 2 植被净第一性生产力 g/（m2•a）

经济发展

水平

 C 1 人均地区生产总值 元/人
C 2 城镇化率 %
C 3 居民人均可支配收入（城镇） 元
C 4 居民人均可支配收入（农村） 元
C 5 居民人均可支配收入（城乡差） 元

社会服务

水平

 D 1 社区服务机构覆盖率 %
D 2 城乡居民社会养老保险实际领取待遇人数占比 %
D 3 每万人医疗机构床位数（城乡差） 张

文化教育

水平

 E 1 文盲人口占≥15岁人口的比重（城镇） %
E 2 文盲人口占≥15岁人口的比重（农村） %
E 3 文盲人口占≥15岁人口的比重（城乡差） %

3.2.1　主导影响因素

从中国人口老龄化城乡倒置现象的因子探测结果（表3）可以看出，人口和经济因子是该现象产生的主导因子，q值排名前六的均为这两类因子。1）其中，家庭结构类的因素表现突出，A 8、A 6、A 7的q值分别为0.696 6、0.482 5和0.417 0，分列所有影响因素的第一位、第四位和第六位。人口普查数据表明，中国农村的平均户均人口规模为从2000年的3.65人下降到2010年的3.34人；农村单身老人空巢家庭占比从2000年的10.70%快速上升到2010年的16.07%，其增幅远高于城镇的3.83%。农村人口规模的减少和老年人口的增加，大大提高了农村的人口老龄化水平。2）代表经济发展与城镇化进程的C 2和C 1，以及代表人口机械变动的A 4也是人口老龄化城乡倒置现象的主导因子，其q值分别达0.542 4、0.426 1和0.510 8。区域经济越发达，就业机会越多，城市公共服务设施越完善，人居环境更优越。因此，经济发达地区的中心城市往往可以吸引大量的外地年轻劳动力前往工作和生活。在城市的极化发展过程中，经济得以快速增长，城镇化率不断提高，人口年龄结构日趋年轻化（马红旗 等，2012）。与之相对应的，则是农村的空巢家庭不断增加，最终形成了人口老龄化城乡倒置现象。数据分析结果也表明，2018年，全国城乡倒置度最高的7个省份中，有5个省份均位于东部沿海的经济发达地区（江苏、浙江、山东、福建、广东）。
表3 人口老龄化城乡倒置现象的因子探测结果

Table 3 Result of factor detector for urban-rural inversion phenomenon

排序 编号 q值 排序 编号 q值
1 A 8 0.696 6 12 C 3 0.258 7
2 C 2 0.542 4 13 A 2 0.255 5
3 A 4 0.510 8 14 B 1 0.251 5
4 A 6 0.482 5 15 D 2 0.248 3
5 C 1 0.426 1 16 D 3 0.246 0
6 A 7 0.417 0 17 E 2 0.239 0
7 E 3 0.393 8 18 C 4 0.227 8
8 D 1 0.366 7 19 E 1 0.225 7
9 A 9 0.339 5 20 A 5 0.193 5
10 C 5 0.307 6 21 A 3 0.176 4
11 B 2 0.289 0 22 A 1 0.154 7
此外，社会经济发展中的城乡差异也是中国人口老龄化城乡倒置现象的重要影响因素。如E 3，A 9和C 5的q值均＞0.3。其余因素的影响力相对较弱，q值均在0.150 0~0.300 0。

3.2.2　影响因素的交互作用

根据交互作用探测器的分析结果，各影响因素之间的交互作用类型主要为双因子增强（Enhance, bi-）和非线性增强（Enhance, nonlinear-），这表明各影响因素之间存在着很强的交互作用，能够大大提高各因子对人口老龄化城乡倒置现象的解释力。从中国人口老龄化城乡倒置现象主要影响因素的交互探测结果（表4）可以看出，利用双因子的交互作用，所有影响因素的解释力均在提高（q值在增大）。如指标A 8的解释力本身已经很强（q值=0.696 6）；经交互作用之后，绝大部分的q值已＞0.8；其与指标C 3交互作用后的q值更是高达0.927 6。此外，值得注意的是，部分影响因素的单因素解释力极弱，但一经交互作用之后，其解释力大大提升。如指标A 1的q值仅为0.154 7；但交互作用后的平均q值高达0.614 5，增幅相当明显。上述结果进一步证实了人口老龄化城乡倒置现象背后存在着复杂多维的影响机制，它是由各种因素交互作用、循环反馈的结果。
表4 中国人口老龄化城乡倒置现象影响因素的交互探测结果

Table 4 Result of interaction detector between two influencing factors for urban-rural inversion phenomenon of population aging in China

编号 二级指标（简写） A 1 A 2 A 4 A 6 A 7 A 8 C 1 C 2
A 1 出生率 0.154 7 0.807 5 0.620 0 0.725 3 0.725 7 0.809 0 0.615 0 0.852 0
A 2 死亡率 0.807 5 0.255 5 0.722 0 0.867 3 0.630 9 0.846 5 0.704 0 0.724 5
A 3 自然增长率 0.502 9 0.855 3 0.690 4 0.635 9 0.600 3 0.890 4 0.801 7 0.810 2
A 4 流动人口总量 0.620 0 0.722 0 0.510 8 0.806 4 0.873 3 0.896 3 0.808 8 0.707 0
A 5 城镇迁入人口占比 0.745 7 0.868 2 0.763 9 0.754 9 0.855 5 0.839 4 0.732 7 0.834 5
A 6 农村平均家庭户规模 0.725 3 0.867 3 0.806 4 0.482 5 0.745 0 0.776 5 0.773 6 0.749 0
A 7 平均家庭户规模（城乡差） 0.725 7 0.630 9 0.873 3 0.745 0 0.417 0 0.777 8 0.898 5 0.883 0
A 8 一人户占比（乡村） 0.809 0 0.846 5 0.896 3 0.776 5 0.777 8 0.696 6 0.893 4 0.924 9
A 9 一人户占比（城乡差） 0.800 1 0.632 1 0.917 6 0.781 6 0.493 9 0.812 6 0.745 4 0.926 6
B 1 平均海拔 0.557 9 0.677 2 0.739 2 0.617 7 0.648 6 0.807 4 0.576 6 0.732 9
B 2 植被净第一性生产力 0.617 2 0.817 2 0.726 3 0.806 1 0.737 3 0.814 9 0.815 9 0.784 5
C 1 人均地区生产总值 0.615 0 0.704 0 0.808 8 0.773 6 0.898 5 0.893 4 0.426 1 0.722 6
C 2 城镇化率 0.852 0 0.724 5 0.707 0 0.749 0 0.883 0 0.924 9 0.722 6 0.542 4
C 3 城镇人均收入 0.576 3 0.869 2 0.679 7 0.888 2 0.915 1 0.927 6 0.510 3 0.779 3
C 4 农村人均收入 0.655 2 0.544 1 0.643 2 0.806 5 0.770 6 0.907 0 0.705 8 0.634 3
C 5 居民人均可支配收入 0.491 9 0.836 8 0.642 9 0.795 8 0.861 8 0.870 5 0.636 3 0.740 7
D 1 社区服务机构覆盖率 0.598 1 0.568 7 0.644 7 0.885 4 0.707 4 0.899 6 0.687 8 0.744 3
D 2 社保领取人数占比 0.578 7 0.792 3 0.689 7 0.769 8 0.670 3 0.820 0 0.710 0 0.837 3
D 3 万人医疗机构床位数（城乡差） 0.583 7 0.584 5 0.888 0 0.773 9 0.604 9 0.804 2 0.806 8 0.850 2
E 1 城镇文盲人口占比 0.448 4 0.777 4 0.720 0 0.781 5 0.525 7 0.847 1 0.783 7 0.805 8
E 2 农村文盲人口占比 0.563 2 0.689 7 0.630 4 0.783 0 0.540 4 0.862 3 0.578 5 0.869 3
E 3 文盲人口占比（城乡差） 0.490 1 0.807 3 0.717 7 0.764 1 0.676 2 0.889 3 0.754 6 0.764 6
均值 0.614 5 0.721 7 0.729 0 0.762 3 0.707 2 0.846 1 0.713 1 0.782 7
最大值 0.852 0 0.869 2 0.917 6 0.888 2 0.915 1 0.927 6 0.898 5 0.926 6
最小值 0.154 7 0.255 5 0.510 8 0.482 5 0.417 0 0.696 6 0.426 1 0.542 4

注：限于篇幅，仅展示了8个解释力最高的影响因子的交互探测完整结果。

4 结论与建议

4.1　结论

之前的地理学相关研究多是采用2000和2010年的两期数据来分析人口老龄化的时空演化格局。本研究利用GIS空间分析、地理探测器等模型，从人口老龄化城乡倒置这一新的视角出发，利用更长、更新的时空演化数据，分析中国人口老龄化城乡倒置的时空演化过程与驱动机制，得到了以下新的发现：
1）中国人口老龄化城乡倒置现象的空间集聚强度呈“低—高—低”的倒U型变化趋势。2000年以前，城乡倒置现象并不明显，空间集聚强度也较低；2000—2015年，倒置现象开始迅速增加，空间集聚强度也开始提高；2015年之后，人口老龄化城乡倒置已经成为全国性的普遍现象，空间集聚强度重新回到较低水平。
2）从区域分异与演化角度上讲，东部沿海省份是中国城乡倒置现象的显著集聚区；而东北地区一直处于较低的水平。城乡倒置现象首先出现在东部沿海地区，随后逐渐向中西部地区扩张，最终演化成为全国性的普遍现象。
3）人口老龄化城乡倒置现象背后存在着复杂多维的影响机制。其中，人口和经济因子是中国产生人口老龄化城乡倒置现象的主要驱动因子。社会经济发展的不平衡形成了区域间、城乡间的位势差异，引发了人口的大规模流动，也对城乡人口结构带来了巨大的影响，进而催生了人口老龄化城乡倒置现象。此外，各因素对人口老龄化城乡倒置现象的影响多是非线性、交互性的。通过各因素之间的交互作用，能够大大提高各因子对人口老龄化城乡倒置现象的解释力。
本研究仍然存在以下不足：1）虽然本文所使用的均是官方数据，但不同年份、不同部门的数据之间仍然在统计口径、数据精度等方面存在着显著的差异，导致分析结果可能存在一定的误差。2）由于只能获取到省级尺度的分城乡、分年龄人口数据，所以只能在省域尺度开展空间格局演变和空间集聚特征分析。过大的空间尺度无法刻画更精细的空间格局演变过程，而过少的样本量也可能会对空间集聚分析的结果产生一定的影响。3）限于篇幅和主题，本文仅从宏观视角进行了人口老龄化城乡倒置现象的时空演化格局及其驱动机制分析，缺乏从微观视角上，通过田野调查和典型案例来进行更深入、具体的探讨。这也是后续研究的重点。

4.2　建议

人口老龄化将是中国未来较长一段时间内的基本国情。如何积极、科学、有效应对人口老龄化，对于全面建成小康社会具有重大影响。人口老龄化的城乡倒置进一步加剧了欠发达地区农村“又老又穷”的现象，已经成为中国积极应对老龄化过程中的严峻挑战。结合本文的研究结果，笔者提出以下几点政策建议：
1）努力缩小城乡差异，推进新时代城乡融合发展。地理探测器的运行结果显示，人均可支配收入、医疗卫生资源、文化教育水平等多个城乡差异指标均对中国人口老龄化城乡倒置现象产生了重要影响。中国社会经济发展过程中所形成的巨大城乡差异和区域差异是出现人口老龄化城乡倒置的根本原因。因此，新时代如何缩小城乡差异，推进城乡融合发展，是解决城乡倒置现象的根本途径。具体而言，第一，在体制机制上，应从户籍制度改革、农村土地制度改革、健全城乡要素流动机制等方面入手，破除城乡二元的体制机制壁垒，促进城乡要素的自由、循环流动，为城乡融合发展提供新的经济动能。第二，在规划建设方面，应将城镇和乡村作为一个整体，强化城乡一体设计，统筹安排城乡国土空间发展格局，统筹规划城乡基础设施建设。第三，在社会公共服务方面，应将乡村和城镇放在同等重要的位置，努力建设城乡一体的基本公共服务体系，推动城乡在教育资源、医疗卫生资源、文化服务资源等的均衡配置，建立城乡统一的社会保险制度、社会救助体系等。
2）引导人口合理流动，促进城乡人口均衡发展。分析结果表明，经济发展与快速城镇化进程中的农村青壮年劳动力大量流向大城市是形成人口老龄化城乡倒置的直接原因。虽然在城镇化进程中，农村人口向大城市流动是大势所趋，但如何科学引导城乡人口的合理流动，实现城乡人口的均衡发展，是破解人口老龄化城乡倒置问题的关键环节。具体而言，第一，加快乡村经济发展。虽然乡村地区大多缺乏发展工业的基础设施和软硬件条件，但具备发展一三产业的资源优势和生态环境优势等。因此，乡村地区应面向新时期城乡居民的乡村旅游需求、健康养生需求等，大力发展生态农业、文化旅游、健康养生等产业，从而为农村地区的社会经济发展提供新动能，以减少本地劳动力外流，甚至吸引外地劳动力的流入。第二，积极推进就地城镇化。在城镇化进程中，农村人口流入城市是大势所趋。在这一背景下，应积极引导乡村劳动力在周边小城镇实现就地城镇化，从而缓解人口老龄化城乡倒置所带来的农村留守老人、空巢家庭等问题。

脚注

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Blekesaune A and Haugen M S. 2018. Ageing in Norwegian Rural and Urban Communities. European Countryside, 10(2): 232-246.

Bloom D E, Canning D and Lubet A. 2015. Global Population Aging: Facts, Challenges, Solutions & Perspectives. Daedalus, 144(2): 80-92.

United Nations, Department of Economic and Social Affairs, Population Division. 2019. World Population Prospects 2019: Ten Key Findings. (2019-07-15) [2021-08-24]. https://population.un.org/wpp/Publications/Files/WPP2019_10KeyFindings.pdf.

Wang Wuyi, Zhang Li, Li Hairong, Li Ribang, Yang Linsheng and Liao Yongfeng. 2005. Spatial-Temporal Changes and Trends of Ageing in China. Chinese Geographical Science, 15(3): 200-205.

陈明华，郝国彩. 2014. 中国人口老龄化地区差异分解及影响因素研究. 中国人口·资源与环境，24（4）：136-141. [Chen Minghua and Hao Guocai. 2014. Research on Regional Difference Decomposition and Influence Factors of Population Aging in China. China Polulation. Resources and Environment, 24(4): 136-141. ]

戴伟，张霄艳，孙晓伟. 2015. 大健康理念下的“医养结合”模式. 中国社会保障，（10）：82-83. [Dai Wei, Zhang Xiaoyan and Sun Xiaowei. 2015. The "Integration of Medical and Nursing" Model in the Context of Big Health. China Social Security, (10): 82-83. ]

杜吉国，侯建明. 2012. 中国人口老龄化城乡倒置的影响及解决对策. 理论探讨，（3）：97-100. [Du Jiguo and Hou Jianming. 2012. Influence and Solution of Urban-Rural Inversion of Population Aging in China. Theoretical Investigation, (3): 97-100. ]

杜鹏，王武林. 2010. 论人口老龄化程度城乡差异的转变. 人口研究，34（2）：3-10. [Du Peng and Wang Wulin. 2010. The Difference of Urban and Rural Ageing and Its Transition. Population Research, 34(2): 3-10. ]

高文轩. 2019. 政策、二元经济结构与城乡居民收入差距研究. 现代商业，（11）：172-174. [Gao Wenxuan. 2019. Policy, Dual Economic Structure and Income Gap between Urban and Rural Residents. Modern Business, (11): 172-174. ]

国务院人口普查办公室，国家统计局人口和就业统计司. 2012. 中国2010年人口普查资料. 北京：中国统计出版社. [Population Census Office under the State Council and Department of Population and Employment Statistics, National Bureau of Statistics. 2012. Tabulation on the Population Census of the People's Republic of China by County. Beijing: China Statistics Press. ]

李辉，王瑛洁. 2012. 中国人口老龄化城乡倒置现象研究. 吉林大学社会科学学报，52（1）：154-158. [Li Hui and Wang Yingjie. 2012. Study on the Phenomenon of Urban-Rural Inversion of Population Ageing in China. Jilin University Journal Social Sciences Edition, 52(1): 154-158. ]

李日邦，王五一，谭见安，何洋，杨林生. 1999. 中国人口老龄化发展的阶段、趋势和区域差异. 地理研究，18（2）：2-10. [Li Ribang, Wang Wuyi, Tan Jian'an, He Yang and Yang Linshen. 1999. The Development Stages and Trend of Population Ageing and Its Regional Differences in China. Geographical Research, 18(2): 2-10. ]

李少星，王先芝，纪小乐，张烨. 2019. 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. 地理科学进展，38（4）：567-576. [Li Shaoxing, Wang Xianzhi, Ji Xiaole and Zhang Ye. 2019. Spatial Change and Influencing Factors of Population Aging in Shandong Province at the Township Scale. Progress in Geography, 38(4): 567-576. ]

林宝. 2018. 人口老龄化城乡倒置：普遍性与阶段性. 人口研究，42（3）：38-50. [Lin Bao. 2018. The Inversion Pattern of Urban and Rural Ageing: Universality and Periodicity. Population Research, 42(3): 38-50. ]

刘华军，何礼伟，杨骞. 2014. 中国人口老龄化的空间非均衡及分布动态演进：1989-2011. 人口研究，38（2）：71-82. [Liu Huajun, He Liwei and Yang Qian. 2014. Spatial Inequality and Distributional Dynamics of Population Ageing in China, 1989-2011. Population Research, 38(2): 71-82. ]

刘维奇. 2014. 中国人口老龄化城乡倒置现状及其与城市化的相互影响. 农业现代化研究，35（2）：134-139. [Liu Weiqi. 2014. Status of Urban and Rural Aging Population Inversion and Its Interaction with Urbanization. Research of Agricultural Modernization, 35(2): 134-139. ]

马红旗，陈仲常. 2012. 省际流动人口、地区人口负担及基于人口负担的均等化转移支付方案. 经济科学，（4）：91-104. [Ma Hongqi and Chen Zhongchang. 2012. Inter-Provincial Floating Population, Regional Population Burden and Equalized Transfer Payment Scheme Based on Population Burden. Economic Science, (4): 91-104. ]

童玉芬，王静文，邱杨，沈亚男. 2014. 城镇化进程对中国城乡人口老龄化的影响机制分析. 广西社会科学，（12）：157-161. [Tong Yufen, Wang Jingwen, Qiu Yang and Shen Yanan. 2014. Analysis of the Influence Mechanism of Urbanization Process on the Urban and Rural Population Aging in China. Guangxi Social Sciences, (12): 157-161. ]

王桂新，干一慧. 2017. 中国的人口老龄化与区域经济增长. 中国人口科学，（3）：30-42. [Wang Guixin and Gan Yihui. 2017. Population Aging and Regional Economic Growth in China. Chinese Journal of Population Science, (3): 30-42. ]

王桂新. 2015. 高度重视农村人口过快老龄化问题. 探索与争鸣，（12）：28-30. [Wang Guixin. 2015. Attaching Great Importance to the Problem of Excessively Rapid Aging of the Rural Population. Exploration and Free Views, (12): 28-30. ]

王劲峰，徐成东. 2017. 地理探测器：原理与展望. 地理学报，72（1）：116-134. [Wang Jingfeng and Xu Chengdong. 2017. Geodetector: Principle and Prospective. Acta Geographica Sinica, 72(1): 116-134. ]

吴连霞，赵媛，吴开亚，郝丽莎，王玉娟. 2018. 中国人口老龄化区域差异及驱动机制研究. 地理科学，38（6）：877-884. [Wu Lianxia, Zhao Yuan, Wu Kaiya, Hao Lisha and Wang Yujuan. 2018. Regional Variations and Driving Mechanism of Aging Population in China. Scientia Geographica Sinica, 38(6): 877-884. ]

吴媛媛，宋玉祥. 2020. 中国人口老龄化空间格局演变及其驱动因素. 地理科学，40（5）：768-775. [Wu Yuanyuan and Song Yuxiang. 2020. The Evolution of China's Population Aging Spatial Pattern and Its Driving Factors. Scientia Geographica Sinica, 40(5): 768-775. ]

许昕，赵媛，夏四友，武荣伟，张新林. 2020. 中国分县城乡人口老龄化时空差异与机理. 经济地理，40（4）：164-174. [Xu Xin, Zhao Yuan, Xia Siyou, Wu Rongwei and Zhang Xinlin. 2020. Spatial and Temporal Characteristics and Mechanism of Urban and Rural Population Ageing in China. Economic Geography, 40(4): 164-174. ]

闫庆武，卞正富. 2015. 基于GIS的中国省际人口迁移流的空间特征分析. 人文地理，30（3）：125-129. [Yan Qingwu and Bian Zhengfu. 2015. Analysis on Spatial Characteristics of China's Interprovincial Migration Flows Based on GIS. Human Geography, 30(3): 125-129. ]

杨振，雷军. 2019. 中国地级及以上城市城镇化发展的时空格局及影响因素. 中国科学院大学学报，36（1）：82-92. [Yang Zhen and Lei Jun. Spatio-Temporal Pattern and Influencing Factors of Urbanization Development of Cities at Prefecture Level and Above in China. Journal of University of Chinese Academy of Sciences, 36(1): 82-92. ]

湛东升，张文忠，余建辉，孟斌，党云晓. 2015. 基于地理探测器的北京市居民宜居满意度影响机理. 地理科学进展，34（8）：966-975. [Zhan Dongsheng, Zhang Wenzhong, Yu Jianhui, Meng Bin and Dang Yunxiao. 2015. Analysis of Influencing Mechanism of Residents' Livability Satisfaction in Beijing Using Geographical Detector. Progress in Geography, 34(8): 966-975. ]

张平平，万巧琴，大塚眞理子. 2013. 日本老年护理领域中延续护理的发展及现状. 中国护理管理，13（10）：42-44. [Zhang Pingping, Wan Qiaoqin, and Dazhong Zhenlizi. 2013. Development and Status of Continuing Care in the Field of Elderly Care in Japan. Chinese Nursing Management, 13(10): 42-44. ]

张伟，蒋锦刚，朱玉碧. 2015. 基于空间统计特征的城市热环境时空演化. 应用生态学报，26（6）：1840-1846. [Zhang Wei, Jiang Jingang and Zhu Yubi. 2015. Spatial-Temporal Evolution of Urban Thermal Environment Based on Spatial Statistical Features. Chinese Journal of Applied Ecology, 26(6): 1840-1846. ]

赵东霞，韩增林，王利. 2017. 中国老年人口分布的集疏格局及其形成机制. 地理学报，72（10）：1762-1775. [Zhao Dongxia, Han Zenglin and Wang Li. 2017. The Spatial Pattern of Aging Population Distribution and Its Generating Mechanism in China. Acta Geographica Sinica, 72(10): 1762-1775. ]

中国发展研究基金会. 2020. 中国发展报告2020：中国人口老龄化的发展趋势和政策. 北京：中国发展出版社. [China Development Research Foundation. 2020. China Development Report 2020: Development Trends and Policies of Population Aging in China. Beijing: China Development Press. ]

中华人民共和国统计局. 2019. 中国人口和就业统计年鉴-2019. 北京：中国统计出版社. [National Bureau of Statistics of China. 2019. China Population & Employment Statistical Yearbook-2019. Beijing: China Statistics Press. ]

中华人民共和国统计局. 2020. 中国统计年鉴-2020. 北京：中国统计出版社. [National Bureau of Statistics of China. 2020. China Statistical Yearbook-2020. Beijing: China Statistics Press. ]

钟睿. 2019. 中国人口老龄化城乡倒置的空间转移和规划应对——基于人口流动的视角. 城市发展研究，26（2）：24-30. [Zhong Rui. 2019. Spatial Transfer and Planning Strategies of Urban-Rural Aging Population Reversed in China: from the Prospective of Population Migration. Urban Development Studies, 26(2): 24-30. ]

周榕，庄汝龙，黄晨熹. 2019. 中国人口老龄化格局演变与形成机制. 地理学报，74（10）：2163-2177. [Zhou Rong, Zhuang Rulong and Huang Chenxi. 2019. Pattern Evolution and Formative Mechanism of Aging in China. Acta Geographica Sinica, 74(10): 2163-2177. ]

邹湘江，吴丹. 2013. 人口流动对农村人口老龄化的影响研究——基于“五普”和“六普”数据分析. 人口学刊，35（4）：70-79. [Zou Xiangjiang and Wu Dan. 2013. Floating Population Impact on Rural Aging. Population Journal, 35(4): 70-79. ]

左丽媛，高江波. 2020. 基于地理探测器的喀斯特植被NPP定量归因. 生态环境学报，29（4）：686-694. [Zuo Liyuan and Gao Jiangbo. 2020. Quantitative Attribution Analysis of NPP in Karst Peak Cluster Depression Based on Geographical Detector. Ecology and Environmental Sciences, 29(4): 686-694. ]

Options
文章导航

/

〈 〉