贵州人口老龄化现状、趋势及影响因素

应 奎， 李旭东

(贵州师范大学 地理与环境科学学院， 贵州 贵阳 550025)

0 引言

人口老龄化研究最早始于19世纪末的法国[1]，之后逐渐成为世界共同研究的热点问题.按照联合国对人口老龄化社会(65岁及以上人口占总人口比重≥7%)的定义及国内历年人口统计数据，全国在2010年进入老龄化的省份达26个，相比“五普”增加了13个.由此看，我国人口老龄化水平在快速提升中，而相应的人口红利则在渐趋消失，使得人口老龄化与社会经济健康持续发展的鸿沟在扩大，而这种鸿沟在西部地区还在进一步扩张.因此，准确预测人口老龄化变动趋势及掌握其成因机理，对地区人口老龄化问题解决及促进人地和谐和区域社会经济协调具有重要意义.

老龄人口数和老龄化率可以很好地反映一个社会的人口压力状况，因此预测老龄人口数和老龄化率是必要的.传统的预测方法多采用单数学模型预测，最常见的有偏微分方程[2]、灰色GM(1，1)模型[3]、Leslie模型[4]、时间序列模型[5]和非参数自回归模型[6]，此类模型各有优势，但单个模型的不足难以克服，也缺乏对比模型的验证.随着学者对人口老龄化研究的深入，新的方法被引进，如预测软件(CPPS)[7]、生命编制表[8]、年龄推移法[9]、径向基神经网络模型[10]和Bayesian层次时空模型[11]等，预测效果相比有较大提升.同时，为了更适应区域研究和进一步提高预测精度，部分学者采用改进的模型或多种模型的组合进行预测，如基于改进的新陈代谢GM(1，1)模型[12]、非参数估计的Kernel密度估计[13]和主成分回归模型[14]等.在人口老龄化因素分析中，学者常用的方法有地理加权回归[15]、面板模型[16]、多元线性回归[17]、地理探测器[18]等，以上方法部分太过复杂、部分无法解决数据共线性等问题排除，故本文选取难度适中且能有效剔除数据共线性问题的主成分回归分析法.此外，在CNKI检索关于贵州人口老龄化研究中发现，研究者多选取灰色关联法或单一预测模型来预测人口老龄化且对人口老龄化预测与影响因素分析存在脱节，对策分析地域特色较弱.

贵州是中国石漠化问题最严重的省区，全省面积的73.39%为覆盖、浅埋藏和裸露型的碳酸盐岩层[19].生态环境的脆弱性与复杂性，使得基础设施建设和经济发展受到抑制，这也是西南片区相对贫困的重要地理环境因素.当然，贵州除了贫困人口占比较高外，人口老龄化问题也十分突出.据2010年全国第六次人口普查显示：贵州省常住人口为3479万，比2000年减少277万；65岁及以上人口数为298.15万，占比8.57%，而2000年贵州同等年龄结构的人数为224.23万，年龄结构比重为5.97%.2000—2010年，常住人口增长率为0.435%，65岁以上的老龄人口增长率为7.142%，老龄人口增长速度是常住人口的16.4倍.可见贵州省的人口老龄化是在常住人口下降和老龄人口增多的双重影响下的结果，这对未富先老的贵州是巨大挑战.

因而，本文选取贵州省1990—2016的人口老龄化数据，利用线性回归模型、ARIMA模型对人口老龄化进行预测和主成分回归分析对人口老龄化因素进行解析，并对预测值进行精度检验，以便更好地提高对贵州人口老龄化预测的精度与可信度和揭示人口老龄化演变规律及背后因素，为贵州地区人口老龄化问题的解决、社会经济与环境之间的协调及适宜人口政策的制定提供新的思路和有意义的参考.

1 数据与方法

1.1 数据来源与指标选取

原始数据源于《贵州统计年鉴》《中国人口和就业统计年鉴》和《贵州省2010年人口普查资料》.老龄化率和老龄人口数据除1990、2000和2010年来自《贵州统计年鉴》，其他年份数据均是来源于《中国人口和就业统计年鉴》抽样人数数据转换而成.贵州人口平均预期寿命取自《贵州统计年鉴》，省内不同地区和20万以上少数民族人口老龄化数据来自《贵州省2010年人口普查资料》.借鉴前人对人口老龄化因素分析的经验[15-18,20]，在《贵州统计年鉴》中选取人均地区生产总值(元/人)、每万人拥有床位数(张)、每万人拥有执业(助理)医师数(人)、城镇化率(%)、人口出生率(‰)、人口死亡率(‰)、每万人大学生数(人)和年末常住人口(万人)八个指标(见表1).此外，本文的老龄化率和老龄人口数据均指的是65岁及以上人口的数据.

表1 贵州人口老龄化影响因素指标选取及其解释

1.2 研究方法

1.2.1 多元线性回归模型

对随机变量y进行预测时,当y与n个解释变量x1,x2，…，xn(n≥1)之间基本存在线性关系时，需要用多元线性回归法进行预测.多元线性回归的数学模型[21]是：

y=β0+β1x1+β2x2+…+βnxn+ε，

(1)

(2)

式中，β0+β1+…+βn均为模型待定参数，分别称为回归常数和偏回归系数，ε为随机误差，需满足式(2)要求.如果对式(1)两边求期望，则有

E(y)=β0+β1x1+…+βnxn，

(3)

(4)

1.2.2 ARIMA模型

自回归单整移动平均模型(autoregressive integrated moving average,ARIMA)，于1976年由BOX等提出, 用于平稳序列或通过差分而平稳的序列分析，是对时间序列进行预测的科学方法[22].ARIMA模型只适合用于平稳的序列，不平稳的序列可以通过d阶差分变为平稳.若yt是d阶单整序列，即yt∶I(d),则mt=∇dyt=(1-L)dyt,mt为平稳序列.那么建立的ARMA(p,q)模型为：

mt=φ1mt-1+φ2mt-2+…+φpmt-p+

et-θ1et-1-θ2et-2-…-θqet-q.

若引进延迟算子K,则ARIMA(p,d,q)方程可简记为：

φp(K)∇dmt=θq(K)et,

其中，

式中：mt为平稳后的时间序列值，φi(i=1,2,…,p)和θr(r=1,2,…,q)分别为自回归系数和滑动平均系数，et为白噪声序列, 且et～N(0,σ2) .

1.2.3 主成分回归分析

主成分回归分析为主成分分析和回归分析的结合.主成分分析的核心是通过原有变量的线性组合以及各个主成分的求解来降维，可以用较少主成分去反映原有变量的绝大部分信息.主成分分析法中最关键的任务就是确定主成分的个数，确定主成分的方法一般通过累积贡献率和特征根，即前K个主成分的累计贡献率大于85%以上信息量或取特征根≥1的值[21].

若将原有的p个相关变量xi标准化后进行线性组合，转换成另一组不相关的变量yi,则有

(5)

将式(5)转换为相关系数矩阵R,并得出特征值λ1≥λ2≥…≥λp≥0和单位特征向量μ1,μ2,…,μp.

(6)

根据式(6)结果，计算前K个因子的累计方差贡献率a1，…，ak,

(7)

确定主成分后，计算各主成分的因子得分：

(j=1,2,3,…,k)，

(8)

式中：xpi表示在第p个原有变量在第i个观测上取值，ϖjp是第j个因子和第p个原有变量间的因子系数，R-1为相关矩阵的逆矩阵，Sj为第p个变量在第j个因子上的因子荷载.

对得出的主成分进行回归分析，步骤可参考上式多元回归方程分析，得到最终模型：

(9)

1.2.4 模型精度检验

对同一现象的预测，往往不同模型会有不同结果，因而需要对最后的模型做精度的对比检验，依此判定模型的模拟优度.常用的模型精度评价方法主要有均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对误差百分数(MAPE)、Theil不等系数(Theil Inequality Coefficient)和偏差比率(Bias Proportion)、方差比率(Variance Proportion)、协方差比率(Covariance Proportion)等.

2 人口现状分析

2.1 年末常住人口呈现“N”字走向

从1990—2016年的贵州人口数据来看，年末常住人口趋势大致呈现“N”字形走向(见图1).根据这种走势大致可划分为三个时期：1990—2004年稳步增长，2005—2011年波动下降，2012—2016年平稳微增.1990—2004年，常住人口由3268万人上升至3904万人并在2004年达到三个时期常住人口数的峰值.15年中，常住人口共增长636万人，年均增长45.4万人，年均增长率的众数为1.41%.与此同时人口出生率由23.05‰降至15.08‰，年均降幅达0.57‰.2005—2011年，常住人口由3904万减至3469万，年均递减1.71%.其中2005年为人口最大降幅年，人口流失174万人，递减率为4.66%.人口出生率14.59‰变为13.31‰，其中2011年的死亡率仅6.93‰.2012—2016年，常住人口有明显的小幅增长但总体平稳.第三时期中有五分之四年份的常住人口增长超过15万人，最高增长达25万人.常住人口出现这种“N”字变化：一方面可能与改革开放溢出效益的发展时间轴有关，为了改善生活，人口趋向于东部经济发达地区；另一方面，2005年前后《贵州统计年鉴》的人口统计口径的变化可能导致这种断崖式变化的出现；最后也可能与本省人口再生产类型完成了从传统型向现代型的转变有关[23].

目前，围绕盐碱地改良与利用的研究较多，尤其是如何在盐碱地上实现农业的高效利用已成为研究热点。国内外学者主要从盐碱地的形成原因、分布特征、对植被的影响、改良措施等方面开展了大量的研究工作，反映了土壤与环境之间的相互关系[3]。现阶段，有关滨海地区盐碱地的改良与治理技术通常可以根据改良措施的不同分为物理、化学、生物和综合改良方法等几个方面[4]。不同的方法均有各自的优缺点，不同地区由于土壤盐碱化程度、性质等的不同，其具体适合的改良措施也不尽相同。然而，在盐碱地的治理与改良上由于存在盲目借鉴的问题，收效甚微，因此针对不同地区的盐碱地及其环境特点，研究适合当地的盐碱地治理与改良方法非常必要。

图1 1990—2016年的贵州年末常住人口及变化

2.2 人口老化程度不断加深，人口红利不再明显

按常住人口算，2003年贵州省人口老龄化系数为7.59%，贵州开始进入老龄化社会.至2016年老龄人口比重上升至9.62%，老龄人口抚养比达14.1%，社会负担进一步加深.1990—2016年27年间老龄人口年均增长3.39%, 增长率的中位数为2.08%.年末常住人口年平均增长率仅为0.44%，增长率的中位数为0.87%，且年末常住人口在2005年出现异常下降现象，这种异常现象可能与当年前后统计年鉴的口径变化有关.从总体的变化趋势来看，人口老化速度越来越快的同时，常住人口增长越来越缓慢，人口资本效益逐渐递减(见图2).

图2 1990—2016年贵州老龄人口和常住人口增长率比较

2.3 人口平均预期寿命延长，性别预期寿命差异明显

在第四、第五和第六次人口普查中，贵州省人口平均预期寿命由64.29岁上升至71.1岁，变动增长10.593%.其中2000年同比1990年增长2.598%，2010年同比2000年增长7.793%，平均增长5.195%.人口寿命的延长意味着未来老龄人口的规模可能将更加庞大，而人口总体的预期寿命不断延长与贵州省改革开放以来的医疗建设分不开.1991—2007年，全省卫生事业费合计为124.68亿元，卫生事业投入长期占当年财政支出的2%以上.尤其是从2009年医药卫生体制改革工作启动以来，初步建立起了基本医疗卫生制度框架，医疗卫生跻身脱贫攻坚主战场，保障服务能力不断增强，健康贵州取得新进展[24].然而，在总的人口平均预期寿命不断上涨的同时，性别之间的平均预期寿命的差距越来越大.1990年的男性平均预期寿命为63.4岁，而到2010年为68.43岁，增率为8.550%.女性平均预期寿命则由1990年的65.63岁增至2010年的74.11岁，比男性平均预期寿命增率高出4.371%.这种差异的扩大，一方面可能与男女之间的生理结构有关，另一方面可能与男女的心理承受力有关.

2.4 老龄化状况地区分异显著

据《贵州省2010人口普查资料》显示，省内各地市均已进入老龄化阶段(见表2).毕节市、遵义市和贵阳市为省内人口大区，在人口结构里老龄人口数相对较少，老龄化率相对较低.老龄化率高值区主要位于贵阳周边，贵阳市反而形成一个相对低值区间.黔东南州总人口348.06万人，老龄人口却达34.4万人，老龄化率(9.88%)居于省内首位.铜仁市总人口309.24万人，老龄化率(9.65%)仅次于黔东南.老龄人口密度地区间差异也显著，变动系数高于老龄化率.老龄人口密度最高的是贵阳市(43人/km2)占据绝对首位，相比之下居于第二的安顺市(22人/km2)则要小得多，说明贵阳市的集聚老龄化相比其他地市更加严重.其次，老龄化率较高的黔东南州(9.88%)、黔南州(9.41%)和黔西南州(7.9%)的老龄人口密度却是省内最低的，仅有11～13人/km2，民族自治区域分散老龄化严重.

表2 2010年贵州各地市人口老龄化状况统计

2.5 省内少数民族人口老龄化差别大

贵州是典型的多民族共居省份，全省共有54个民族，世居少数民族有苗族、布依族、侗族和土家族等(见表3).2010年省内超过20万人的少数民族有苗族、布依族、土家族、侗族、彝族、穿青人(未识别)和水族.其中，苗族、布依族、土家族和侗族人口均超过百万，老龄人口数也都在13万人以上且都达到进入老龄化社会的标准.少数民族人口老龄化中，最严重的是人口总数第四的侗族(9.56%)和人口总数第二的布依族(9.06%)，两民族比同期贵州省的老龄化率高出0.99%和0.49%.人口老龄化相对较轻的少数民族是彝族和穿青人(未识别)，分别为6.45%和6.54%，离老龄化社会标准仅差0.54%和4.5%.各主要少数民族人口老龄化出现如此状况，一方面可能与各少数民族的生育观念、风俗有关，另一方面可能与户籍的登记有关.

表3 2010年贵州20万以上少数民族人口老龄化统计

3 人口老龄化趋势预测

3.1 线性模型检验

参考以往学者在回归预测的经验[25]，用1990—2013年数据资料建立模型，以2014—2016年数据作为验证样本,将1990—2013年编号依次为1-24，再与老龄人口数和老龄化率分别进行回归分析.在线性模型检验参数中，老龄人口数与老龄化率的调整R2分别为0.924和0.949，不被解释的变量较少，拟合优度较高.回归方程显著性检验小于，由SPSS 22相关参数检验知，线性回归系数显著性检验中的概率值(Sig值)均小于0.05，可认为系数不同时为0，被解释变量与解释变量全体的线性关系是显著的，可建立线性方程.利用模型系数表得到的两条回归模型:

y(1)=8.025x+146.407，y(2)=0.216x+4.160，

分别对2014—2022年的老年人口数和老龄化率进行预测.最后，利用得到的2014—2016预测数据与该段时间真实数据进行对比，发现老年人口数平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RSME)分别为21.636、6.500和21.677，老龄化率平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RSME)分别为0.334、3.539和0.335.两者MAPE均小于10，预测值较好.样本离散程度较小，模型拟合度高.

3.2 ARIMA模型检验

为得到较好的预测模型，选用线性预测模型的建立和检验方式.在进行时间预测前，先对老龄人口数和老龄化率两组的建模数据进行平稳化观察，发现两者非平稳数据，需要对建模数据进行平稳化处理.通过多次实验模拟得出：当转换自然对数且二次非季节差分时，数据拥有较好的平稳性.同时，经过多次试验比较，由时间序列模型统计值来看，Ljung-Box Q的显著性均小于0.05，原序列非白噪声序列，序列存在相关性.老龄人口数量与老龄化率的模型拟合度(平稳R2)均能在0.35以上，残差ACF和残差PACF也都在有效的解释范围内，说明在模型ARIMA(0，2，1)时的模拟度较好.同时，利用得到的2014—2016预测数据与该段时间真实数据进行对比，发现2014—2016年老龄人口数的MAE、MAPE和RMSE值分别为8.266、2.448和9.591，老龄化率的MAE、MAPE和RMSE值分别为0.333、3.525和0.338.两者的平均绝对百分误差都小于5，均方根误差也较小，说明模型模拟度较高，预测值与真实值之间偏差小.

3.3 人口老龄化预测

线性模型预测结果如图3所示.在2017—2022年里，贵州省老龄人口数将由371.11万人增加到411.23万人.老龄人口体量巨大，年均增长率达2.07 %.老龄化率则由10.21%上升到11.29%，年均增长率达2.03%.在时间序列模型中，2017—2022年的老龄人口与老龄化率呈现相反的增长趋势.老龄人口向着小幅递减的方向发展，然而老龄化率则继续呈现小幅增长态势.老龄人口负增幅达2.62%，年均增率为-0.53%，老龄化率增幅为12.93%，年均增长2.46%.老龄人口总数稳定在322万左右，最高为327.36万，最低为318.76万.老龄化率到2022年将高达11.61%，社会越来越朝着中度老龄化转变，预计将在2049年进入中度老龄化社会(>20%).时间序列出现该预测结果，可能与本省此阶段的适龄妇女生育率降低引起的出生人口减少和20世纪新中国成立初自然灾害频发导致正常老化的存活人口减少有关.

图3 2017—2022年贵州省老龄人口数和老龄化率预测

3.4 模型预测对比精度分析

时间序列预测模型因进行2阶差分，损失了前两个数据，因此预测从1992年开始.为了模型比较的科学性，线性预测也从1992年开始作为选取的比较值.衡量预测效果的标准是预测误差，即预测值与实际值之间的偏差.常用的预测误差有MAE、MAPE、RMSE和Theil不等系数.MAE、MAPE和RMSE为受被解释变量量纲影响的绝对指标，通常越小越好;Theil不等系数的取值区间为(0，1)，越靠近0表示单位误差均方根越小，即预测值与实际值越靠近，模型拟合效果越好.线性模型对老龄人口预测的MAE、MAPE和RMSE值分别为14.187、5.339%和16.480，而ARIMA 模型同等的相关误差值分别为10.694、4.765%和15.024，在这三组误差项对比中ARIMA模型的误差均小于线性模型.同样在对老龄化预测中，线性预测模型的MAE、MAPE和RMSE值分别为0.251、3.653%和0.290，ARIMA模型的MAE、MAPE和RMSE值分别为0.318、4.979%和0.435.ARIMA模型的TIC值在对老龄人口预测中小于线性模型(0.043>0.039)，模拟效度更好，但在老龄化率的预测中大于线性模型(0.041>0.027)，单位误差均方根稍大.预测均方差又可以分解为偏差比、方差比和协方差比三个指标，偏差比、方差比和协方差比分别用来衡量系统误差大小、预测变量波动变化和非系统误差大小.偏差比、方差比和协方差比之和为1，模型预测越好，则均方根误差应主要集中在协方差比CP上.线性模型在老龄人口预测中的系统误差是ARIMA模型的6.7倍，但预测变量波动变化相比较小，最终的非系统误差相比也较小，因而ARIMA模型在老龄人口的预测里要优于线性模型.在老龄化率预测中，线性模型与ARIMA模型的BP、VP值均较小，CP值分别为0.963和0.979，两个模型的模拟优度均较好，但ARIMA模型更优.

4 人口老龄化影响因素分析

4.1 主成分选取及模型检验

在主成分分析之前，对8个样本指标进行KMO和Bartlett检验(见表4).从检验结果来看，KMO的统计量为0.723(大于最低标准值0.5)，Bartlett球形检验中拒绝单位相关阵的假设P<0.001，因此所选取指标适合做主成分分析.第一主成分特征根为5.310，它解释了总变异的66.369%，第二主成分的特征根为1.743，它解释了总变异的20.406%，第一、二主成分特征根均大于1，且选用后累计解释变量达到88.151%(>85%)，满足模型选取要求，故主成分共选两个.在成分矩阵中：第一主成分里，人均地区生产总值(元/人)、每万人拥有床位数(张)、每万人拥有执业(助理)医师数(人)、城镇化率(%)与每万人大学生数(人)五个指标占比最高且都能反映社会发展水平，故成分一可以成为社会发展水平；在第二主成分里，人口死亡率(‰)、每万人拥有执业(助理)医师数(人)和人口出生率(‰)所占比较高，三指标与人口自身变化联系紧密，故该成分可称为人口变动水平.

根据得分系数矩阵和特征根，确定了老龄人口与老龄化率的主成分回归方程.在主成分回归参数中，老龄人口和老龄化率的调整R2分别为0.967和0.945，F检验和T检验也均呈现高度的显著性，两条线性方程的回归拟合效果优.

根据以上步骤和分析，最终确定两个主成分回归方程：

Zy1=0.104x1+0.068x2-0.002x3+0.196x4-0.237x5-0.267x6+0.155x7+0.192x8，Zy2=0.131x1+0.104x2+0.040x3+0.193x4-0.213x5-0.219x6+0.166x7+0.129x8,

式中，y1为老龄人口的主成分回归，y2为老龄化率的主成分回归.

4.2 影响因素分析

总体而言,社会发展水平对人口老龄化有着重大的刺激作用，人口变动水平对人口老龄化起着阻滞作用.

在影响老龄人口的因素中，经济质量、医疗硬件状况、城市发展、人口素质和人口资本呈现正向推动作用，其中城市发展、人口素质和人口资本权重最大，分别为0.196、0.155、0.192，说明贵州省的老龄人口可能主要由于区域城市建设推进、人口素质提升和常住人口增加而导致的.医疗软件状况、进入人口和退出人口为-0.002、-0.237、-0.670，该部分指标对老龄人口起着明显的抑制作用.人口出生率和死亡率越低，相对的老龄人口的数量越多，它们呈反向变动关系.

在影响老龄化率因素里，经济质量、医疗硬件状况、医疗软件状况、城市发展、人口素质和人口资本权重分别为0.131、0.104、0.040、0.193、0.166和0.129，其中经济质量、城市发展和人口素质起着主要的促进作用，说明经济城市建设、人口素养提升和常住人口增长对区域老龄化率变化影响力更强.进入人口和退出人口则与老龄化率为负相关，老龄化率越高，二者越低，是符合人口变化规律.

随着改革开放的加速，全省固定资产投资总量增长加速，成为拉动经济增长的重要力量.受此影响，1990—2016年间人均GDP也发生巨大变化，金额由810元变为33 246元，增长近40倍，特别是2013年以来贵州省的经济增速都是全国第一，经济利好的同时带动了城市化的快速推进和部分人口的回流，城市化率年均增长5.62%，常住人口也由流失向回流发展.医疗投资而言,1994年，全省卫生投资0.99亿元，2000年为2.75 亿元，2010年达到21.87亿元.十八大以来，全省深入推进基本医疗卫生制度建设，实施“百院大战”，进一步丰富医疗卫生服务资源，公共卫生服务水平不断提高，有效缓解了广大人民群众“看病难、看病远、看病挤”问题[26].教育领域投资持续增加，教育质量改善明显.2000年，全省教育投资为10.17亿元，2010年达到51.58亿元.当年国家财政性教育经费投入与地区生产总值之比已连续5年保持在7%以上水平，连续16年实现国家提出的“财政性教育经费与GDP之比达4%”的目标，比全国实现这一投入目标的时间提前了11年[26].社会经济发展质量大幅提高，利于人口回流和人口寿命的增长，人口基数与老龄人口数量也随之提升.另外，出生率与死亡率一直处于波动下降的趋势，新生人口短板出现与退出人口的延迟退出反向助推着老龄人口和老龄化率的上涨.

5 结论与建议

5.1 结论

(1)1990—2016年贵州省人口老龄化速度加快，同时各市州和各少数民族的人口老龄化差异明显，民族自治地区分散老龄化严重，社会公共服务辐射效应较弱.1990—2016年间，老龄人口由150.65万变为342.13万，增长了127.10%.此外，遵义与毕节的老龄人口最多，但毕节老龄化率仅7.46%.贵阳周边形成老龄化率高值区，贵阳为谷底，但贵阳的老龄人口密度最高，集聚老龄化更严重.黔东南州和黔南州老龄化率(9.88%、9.41%)与老龄人口密度(11人/km2、12人/km2)省内排名正好倒置，分散老龄化显著，增加管理难度，削弱医疗等社会服务辐射效应.

(2)ARIMA模型与线性回归模型对2017—2022年的老龄人口预测存在明显差别，但对老龄化率的预测保持一致趋势，老龄化率将由10.28%升至11.61%，社会渐趋向中度老龄化转变且预计将在2049年进入中度老龄化社会(>20%).

(3)经济、医疗、城镇化、人口素质和人口资本的提升对人口老龄化有显著的推动作用，进入人口、退出人口和人口自然变动的变化对人口老龄化有倒抑作用.贵州从经济、教育、医疗、城市发展上投入的力度越来越大，因而这些因素对人口老龄化正向作用也越来越强.人口内生的变化则与人口老龄化有着明显的负向作用，人口出生率、死亡率和自然增长率越低，人口老龄化越严重.

5.2 建议

(1)建立大数据+养老系统，拓宽精细化养老模式.2014年1月6日，国务院批复同意设立贵州贵安新区，加上2013年国内三大运营商的云计算项目集聚落户贵安新区，随后阿里、惠普、富士康、浪潮、中软等众多企业也相继而来，贵州大数据发展初步规模.2016年2月，国家发改委正式批复贵州建立国家大数据(贵州)综合试验区，贵州大数据有了更高的发展平台.因此，贵州有较好进行大数据养老的技术基础.以大数据科学为背景，发展多种形式的精细化养老模式：家庭和社区精细养老、医养结合.通过建立全域老龄人口大数据中心，打通全省医疗系统、户籍系统、社会保障系统及应急响应系统，结合家庭和社区养老健康监测系统，形成养老服务的网络结构体系，有效提升对老龄人群的动态监管，提高数据时代养老的便捷性，为“云上贵州”添新意.

(2)继续建设生态贵州，打造全国养老基地.我国在2010年老龄人口总数突破1亿，而贵州省同年的老龄人口也即将突破300万人大关，如此巨大的老龄服务需求将会带来“夕阳产业”的蓬勃发展，老龄人口负担反而变成另样的经济增长点.优越的自然地理条件能够有效改善人体健康状况,延长人的寿命, 这也是奠定乡村长寿现象的地理基础[27].贵州的总体环境质量在全国排名中处于佼佼者，作为贵州形象的贵阳曾获得过“国家园林城市”“全国文明城市”“国家卫生城市”等称号.因此，未来的贵州可以以贵阳为依托，建设大生态文明城市体系，打造全国生态文明示范城市群，让“爽爽的贵阳”辐射全省，共同刻画生态宜居贵州宏伟蓝图，构筑国家级的养老基地(特色养老宜居小镇计划)，振兴贵州养老服务等之配套的第三产业，做全国的休闲养老示范地.

(3)制定特色民族老化对策，提高公共系统辐射效应.因生态境地、文化传统、宗教信仰等的影响，少数民族地区与汉族地区存在明显的生育观差异.这种差别化的生育观念对地区老龄化有着重要影响.贵州地区相对而言老龄化严重的少数民族和老龄化最高地区基本位于民族市州，同时此处老龄人口密度又是相对最低的，这种二元错位状况导致民族地区的老龄人口分散化严重，医疗等社会保障系统的有效辐射和利用相比其他地市更差.因此民族地区可以从提升老龄人口集聚率方面着手，以村或镇为单位，建立集中的“老年乐园”，有效增加对老龄人的管理与照顾，更大化地发挥公共设施的福利投射效应.