县域尺度下成渝地区双城经济圈人口老龄化的时空演变与影响因素——基于最近三次人口普查数据的分析

郭郡郡，刘玉萍

（西华师范大学 公共政策研究院，四川 南充 637009）

2020年1月，在习近平总书记主持召开的中央财经委员会第六次会议上，中央决定“推动成渝地区双城经济圈建设，在西部形成高质量发展的重要增长极”，成渝地区由此迎来建设和发展的新机遇。作为“十四五”规划中定位为“优化提升”的五大国家级城市群之一，一方面，成渝地区双城经济圈的人口总量规模大，人力资源丰富，但另一方面，与全国整体的老龄化趋势一致，成渝地区双城经济圈也面临日益严峻的人口老龄化问题。第七次全国人口普查数据显示，截至2020年，成渝地区双城经济圈不仅所有城市皆已跨过老龄社会①世界卫生组织把老龄化的社会细分为“老龄化社会”“老龄社会”“超老龄社会”，分别是65 岁以上人口占比达到7%、14%和20%，据此，2010—2020年，成渝地区整体由“老龄化社会”步入“老龄社会”。的门槛（林小昭，2021），且在全国老龄化程度最高的10个城市中，有6个来自成渝地区②在全国城市中老龄化程度的排序分别为：第2名资阳市（22.62%）、第4名自贡市（21.29%）、第6名南充市（20.69%）、第8名德阳市（20.25%）、第9名内江市（20.03%）、第10名眉山市（20.02%）。。

早在20世纪中期，老龄化相关议题即受到广泛关注，但不同时期学者的研究方向各异。早期学者更多从社会学、人口学和经济学等学科出发，在宏观和微观层面对老龄化的影响（Harper et al., 1995）和应对（Mccarthy, 1983）展开研究。随着人口老龄化的区域性特征逐渐凸显，到了20 世纪80 年代，越来越多地理学者开始从空间角度探寻人口老龄化现象。国外学者在全球、国家和城市等不同尺度下，对老龄化的空间分布及成因（Rogerso, 1996;Hanlon, 2013），老龄化和空间、地点之间的联系及扩展（Robles, 1978）等进行了大量实证研究。相对而言，国内从空间角度对老龄化展开的研究起步较晚，但发展较快。尤其是新世纪以来，国内学者分别在不同时空范围内对中国人口老龄化的空间分布特征予以探讨，研究区域涉及多国、全国整体、自然流域、特定地区、不同省份或城市等（陈明华等，2014；王志宝 等，2015；李少星 等，2019；李琼 等，2020；王晗 等，2021；解韬 等，2021；黄翌 等，2022；亓广志 等，2022），时间范围主要涵盖1990—2015年的不同时期，而根据研究对象和内容的不同，研究单元涉及国家、省域、市域、县域，乃至街镇等不同空间单元（刘华军 等，2014；周春山 等，2018；聂高辉 等，2019；徐州 等，2019；许昕 等，2020；吴媛媛 等，2021）。研究整体显示，在不同考察期内，中国的人口老龄化均表现出明显的空间非均衡性，且老龄化进程的时空差异主要体现在3个方面：1）同一时期不同区域的老龄化程度不同；2）区域内不同空间单元的老龄化水平存在差异；3）区域间和区域内人口老龄化的差异具有时变性。

尽管国内学者已对中国诸多区域人口老龄化的时空演变进行探讨，一些研究所涉区域也涵盖了成渝地区（吴媛媛 等，2020；李鸿梅 等，2021），但少有研究就成渝地区的人口老龄化展开详尽分析。不仅如此，因数据所限，现有研究对特定城市群人口老龄化的考察，空间尺度多局限于市域及以上，时间范围则多止步于2015年。然而，成渝地区人口和经济空间分布的非均衡性，在县域层面也有较为突出的表现（李峥荣 等，2018），且在2015 年之后，随着中国生育政策的逐渐放宽，成渝地区的人口发展环境也在发生显著变化。因此，有必要在县域尺度下，对成渝地区人口老龄化的空间分布特征及其新变化展开详尽考察。

鉴于此，本研究拟基于2000、2010和2020年3次人口普查数据，在县域尺度下，对2000—2020年成渝地区双城经济圈人口老龄化的时空演变及影响因素进行分析。以期为当前各地区养老资源的合理配置提供依据，并助力地方政府采取更具针对性的人口老龄化预防与应对措施，为老龄化相关政策的优化提供决策参考。

1 研究区域、数据来源与方法

1.1 研究区域、测度指标与数据来源

以成渝地区双城经济圈作为研究区域，以区县作为空间单元，对成渝地区双城经济圈的人口老龄化进行考察。虽然按照《成渝地区双城经济圈建设规划纲要》（中共中央 国务院，2021），重庆市黔江区被纳入成渝地区双城经济圈建设，但与之相邻的彭水县并未被纳入，这使得黔江区与成渝地区的其他区县在地理上存在空间阻隔，为便于开展分析，未将黔江区纳入考察范围。相反，虽然在《成渝地区双城经济圈建设规划纲要》中，重庆市开州区、云阳县的部分地区、绵阳市的北川县和平武县、达州的万源市、雅安市的天全县和宝兴县，并未被纳入成渝地区双城经济圈建设，但在《成渝经济区区域规划》（国家发改委，2011）及其之后陆续发布的各城市群具体规划中③主要包括《成渝经济区成都城市群发展规划（2014—2020 年）》《重庆都市圈发展规划》《成渝经济区南部城市群发展规划（2014—2020年）》。，上述相关区县并未被排除在外，因此也将其纳入考察范围。除此之外，参照《成渝经济区区域规划》，在进行区域差异分析时，将成渝地区双城经济圈划分为四大城市群，分别为成都城市群、重庆城市群、南部城市群和东北部城市群（图1），共得四大城市群147个区县作为研究的样本区县④由于行政区划调整，2003年时，原遂宁市市中区分成船山区和安居区，2013年时，原广安市广安区分成广安区和前锋区，但为了便于比较，在分析时分开进行考察。。

图1 研究区域Fig.1 Study areas

本研究主要关注人口老龄化程度，人口老龄化程度通常以老龄人口系数表征⑤老龄人口系数，也称老龄人口比重，是指一个地区60岁（或65岁）及以上的老龄人口占该地区总人口的比重。。参照国际通用标准和已有研究（康江江 等，2016；王晗 等，2021），选用≥65岁老龄人口占总人口的比例作为人口老龄化的度量指标。本研究计算人口老龄化采用的人口统计口径为常住人口，人口相关数据主要来源于第五次（2000 年）、第六次（2010 年）和第七次（2020 年）全国人口普查⑥http://www.stats.gov.cn/sj/pcsj/，其他相关变量数据主要来源于EPS 数据平台的“中国区域经济数据库”⑦https://www.epsnet.com.cn/index.html#/Index，并以各城市统计年鉴数据和不同区县对应年份的统计公报为补充；夜间灯光亮度均值的原始数据来自美国国家海洋和大气管理局（NOAA）发布的全球灯光数据⑧https://ngdc.noaa.gov/eog/download.html。

1.2 主要研究方法

1.2.1 标准差椭圆 标准差椭圆（Standard Deviational Ellipse, SDE）是分析空间分布方向性特征的经典方法之一（Lefever, 1926）。绘制成渝地区双城经济圈县域人口老龄化的标准差椭圆，通过对椭圆的分布范围、长半轴和短半轴、方位角、重心点等指标的计算和分析，可有效识别成渝地区双城经济圈人口老龄化的分布方位、重心位置及其变化（赵璐 等，2022）。标准差椭圆中，各主要参数的计算公式为（赵璐 等，2014；钟顺昌 等，2022）：

1.2.2 Moran'sI指数 Moran'sI指数可用以考察某一空间单元的某种属性和其周围的其他空间单元是否存在某种程度的空间依赖性和空间集聚现象（涂正革 等，2022）。Moran'sI指数包括全局Moran'sI指数和局部Moran'sI指数。其中，全局Moran'sI指数可用以判别区县人口老龄化在整体上是否具有空间集聚或分散特征，其计算公式可表述为（许庆等，2022）：

式中：n表示样本区县的数量；xi与xj表示人口老龄化在区县i和j上的观察值；-x为各样本区县人口老龄化的均值；Wij表示空间权重矩阵。

与全局Moran'sI指数的整体空间相关性判别不同，局部Moran'sI指数可用于判断某个区县的人口老龄化与其周边区县是否存在空间相关性，其计算公式为：

1.2.3 Dagum 基尼系数及分解 为了考察目标变量在一定空间范围的差异性，Dagum（1997）提出了一种在充分考虑子群样本分布的状况下，将基尼系数按照子群进行分解的方法。根据Dagum（1997）的设定，测度成渝地区双城经济圈县域人口老龄化整体差异的总体基尼系数可表述为：

式中：k和n分别表示城市群和区县的个数；nr（nh）表示城市群r（h）内区县的个数；xri（xhj）表示城市群r（h）内区县i（j）的人口老龄化水平；¯x为样本区县人口老龄化的均值。G值越大意味着区县间人口老龄化的差距越大，人口老龄化的整体分布越不均衡。

根据Dagum（1997）基尼系数分解方法，总体基尼系数G可分解为城市群内差距的贡献Gw、城市群间差距的贡献Gnb和超变密度的贡献Gt等3 个部分，满足G＝Gw+Gnb+Gt，各部分的计算公式参见文献（张龙耀 等，2021）。

1.2.4 空间计量回归模型 与传统采用普通最小二乘法（Ordinary Least Squares, OLS）进行计量模型的估计普遍忽视空间效应不同，空间计量回归模型主要解决回归模型中复杂的空间相互作用与空间依存性结构问题（Anselin, 1988）。常用的截面数据空间计量模型有空间滞后模型（Spatial Lag Model,SLM）、空间误差模型（Spatial Errors Model, SEM）和广义空间自回归模型（Spatial Autocorrelation,SAC）。

空间滞后模型主要关注被解释变量在一个地区是否会受到周围地区被解释变量的影响，即所考察区县人口老龄化的空间溢出效应主要体现在因变量上，其模型设置为：

式中：Wy表示空间滞后因变量；ρ表示空间滞后自回归系数，即空间溢出效应值；X、β分别为解释变量矩阵及其回归系数；ε为随机扰动项。

空间误差模型反映被解释变量受周围地区相互依赖的误差冲击的影响，即人口老龄化的空间自相关被定义在具有空间溢出效应的误差项上，其模型设定为：

式中：μ表示扰动项，存在空间依赖性；λ为被解释变量的空间误差系数。

广义空间自回归模型同时考虑了空间滞后相关与空间误差相关，其形式是空间滞后模型和空间误差模型的综合，可设定为：

2 人口老龄化的时空变化趋势

2.1 人口老龄化整体分布的变化

根据样本区县的人口老龄化数据，分别计算成渝地区双城经济圈整体和不同城市群所辖区县人口老龄化的均值，结果如表1所示。

表1 不同年份区县人口老龄化的均值Table 1 Average of population aging in districts and counties in different years %

表1显示，考察期内，无论是成渝地区双城经济圈整体，还是不同城市群，其所辖区县人口老龄化的均值均在不断增大，且2010—2020年的增幅明显高于2000—2010 年，体现过去20 年人口老龄化加速加深的态势。分区域看，不同城市群所辖区县人口老龄化均值的增速存在较大差异，2000年重庆城市群和东北部城市群所辖区县分别具有最高和最低的平均老龄化水平，但到了2020年，情况则刚好相反，重庆城市群所辖区县人口老龄化的均值变为最低，东北部城市群变为最高，表明在此期间东北部城市群和重庆城市群分别具有各区域中相对较快和较慢的人口老龄化加深速度。值得注意的是，直至2010年，不同城市群所辖区县人口老龄化均值的差异仍不明显，差异的扩大主要发生于2010—2020年。

为直观展示不同区县老龄化程度的分布及其变化，根据联合国人口老龄化类型的划分标准（United Nations, 1956），并参照王志宝（2013）、周鹏（2019）等的划分思路，将样本区县按其人口老龄化率划分为5种类型：老龄化率低于7%为成年型，7%～10%为浅度老龄化，10%～14%为深度老龄化，14%～20%为老龄社会，高于20%为超老龄社会。

图2显示，2000—2020年，成渝地区双城经济圈所辖区县的老龄化类型变化明显。2000年，大部分区县为浅度老龄化，少数区县为成年型，且成年型区县多位于成渝地区双城经济圈的边缘区域。至2010年，成年型区县不复存在，深度老龄化成为主流，且有部分区县已跨入老龄社会，这些老龄社会区县广泛散布于重庆、绵阳、资阳、眉山、乐山等市。而到了2020 年，除少量区县仍保持浅度/深度老龄化类型外，大部分区县进入老龄社会或超老龄社会。值得注意的是，这些少量仍处浅度/深度老龄化类型的区县大多隶属于成都和重庆两大城市，而超老龄社会区县则非常明显的沿“东北-西南”方向集聚于成渝两大城市的中间部分区域。由此不难得出，成渝地区双城经济圈县域老龄化类型的分布，在2010 年前后呈现相对不同的变化，2000—2010年，较低的老龄化类型主要分布于成渝地区双城经济圈的边缘区域，较高的老龄化类型散布于成渝地区双城经济圈的不同城市；而2010—2020 年，较低的老龄化类型开始越来越多地出现在成渝两大都市，较高的老龄化类型越来越明显地向成渝两大城市中间的区域集聚。进一步从区县分布还可得出，2020 年成渝两大城市中相对“年轻”的区县，基本位于成都市中心城区或重庆市主城区，这些区县均属于经济较为发达的区县。2010年之后，成都和重庆对流动人口的吸引力不断增强，随着周边越来越多的年轻人流入，成渝主城区经济发达的区县相对其周边区县人口年龄结构愈显“年轻化”。

图2 2000、2010、2020年成渝地区双城经济圈老龄化类型的分布Fig.2 Distribution of aging types in the Chengdu-Chongqing economic circle in 2000, 2010, and 2020

2.2 县域人口老龄化重心的变化

为进一步考察成渝地区双城经济圈人口老龄化的空间分布方向及动态变化特征，以区县人口老龄化率作为权重，绘制其县域人口老龄化的标准差椭圆及其重心迁移轨迹（图3）。

图3 人口老龄化的标准差椭圆及其重心迁移轨迹Fig.3 The standard deviation ellipse of population aging and its center of gravity migration trajectory

图3表明：1）标准差椭圆大致位于成渝地区双城经济圈的中心区域，且2000—2020年，椭圆面积经历了“先明显增大，后小幅缩小”的过程：先由2000 年的88 382 km2增大至2010 年的90 184 km2，后又小幅缩小至2020年的90 055 km2，说明2000—2010年椭圆内部区县人口老龄化的增速慢于椭圆外部区县，而2010—2020年椭圆内外部区县人口老龄化的增速大体同步。考虑到2000年成渝地区双城经济圈边缘区域的区县多具有相对较低的老龄化程度，这意味着2000—2010年边缘区域区县与中心区域区县人口老龄化率的整体差距有所缩小，而2010—2020 年保持相对的稳定性。2）标准差椭圆的长半轴和短半轴相差较大，说明成渝地区双城经济圈县域人口老龄化的空间分布有明显的方向性。标准差椭圆大致呈“东-西”分布，长半轴上的城市不仅均位于成渝地区双城经济圈的中心区域，且与成都或重庆之间有较长的接壤边界。长半轴先由2000年的196.59 km增大至2010年的201.90 km，后又小幅减小至2020 年的200.85 km，而此间短半轴则仅有不到1 km 的增减变化，说明2000—2010 年，样本区县的人口老龄化在“东-西”方向上有扩散趋势，但在2010—2020 年则保持较高的稳定性。3）标准差椭圆的方位角由2000年的86.68°缩小至2010年的83.64°，后又缩小至2020年的82.40°，证实了位于西南或东北方向的城市（主要为东北部城市群）所辖区县有较快的人口老龄化率增长速度。4）2000—2020年，成渝地区双城经济圈县域人口老龄化的重心一直位于资阳市乐至县境内，重心移动轨迹大致为：先向东偏北方向移动，后向北偏东方向移动，成渝地区双城经济圈县域人口老龄化的重心整体呈逐渐偏向成都方向的趋势。

3 人口老龄化的空间集聚性及其跃迁

3.1 人口老龄化的空间集聚特征

基于全局和局部空间自相关性，考察成渝地区双城经济圈县域人口老龄化的空间集聚特征。采用Moran'sI指数测度空间自相关性时，以邻近关系矩阵（Contiguity Weight）中的Queen Contiguity 矩阵（表示共边或共点为邻近）作为空间权重矩阵，计算不同年份全局Moran'sI指数（表2），并绘制局部Moran'sI散点图（图4）。

表2 人口老龄化的全局Moran's I指数Table 2 Global Moran's I index of population aging

图4 人口老龄化的局部Moran's I散点图Fig.4 Local Moran's I scatter plot of population aging

表2 显示，在考察期内的不同年份，全局Moran'sI指数均在1%的显著性水平下显著，表明成渝地区双城经济圈所辖区县的人口老龄化在空间上并非随机分布，而呈现相似类型集聚的空间分布特征。从变化看，2000—2020年，全局Moran'sI指数值先由0.400 小幅减小至0.392，后又大幅增大至0.484，说明在考察期的不同时期，成渝地区双城经济圈县域人口老龄化的整体空间关联呈现不同变化，2000—2010年，成渝区县间人口老龄化的正向空间自相关性略有减弱，整体集散程度保持较高的稳定性，而2010—2020年，成渝区县域人口老龄化的正向空间关联明显增强，整体集聚程度显著提升。

从图4可以看出，在2000、2010和2020年3个考察年份，大部分样本点均位于第一和第三象限，与全局Moran'sI指数所得结论类似，成渝地区双城经济圈所辖区县的人口老龄化主要体现为正向空间关联，表现出高-高（H-H）型集聚和低-低（L-L）型集聚的空间分布特征。在考察期内的不同年份，第一和第三象限内样本点的数量变化不大，但与2000 和2010 年相比，2020 年大部分第一和第三象限的样本点距离原点的距离有所拉大，证实了2000—2010年成渝地区双城经济圈县域人口老龄化的局部正向空间自相关性整体变化不大，但在2010—2020年强度有明显的提升。

3.2 人口老龄化空间集聚的跃迁

图4中各考察年份大部分第一和第三象限的样本点均距离原点较近，这意味着虽然相邻区县的人口老龄化主要表现为正向关联，但大部分区县间的正向空间自相关性并不显著。为更清楚地了解特定区县人口老龄化的局部空间集聚特征及其演化规律，进一步根据局部Moran'sI指数的显著性（以10%的显著性水平为标准），绘制2000、2010、2020 年成渝地区双城经济圈县域人口老龄化局部空间自相关的LISA集聚图（图5），探讨其空间集聚的跃迁。

图5 人口老龄化局部空间自相关的LISA集聚Fig.5 Local spatial autocorrelation LISA cluster of population aging

由图5可知，在不同考察年份，成渝地区双城经济圈中与周边区县具有显著空间相关性的区县均主要表现为高-高（H-H）型集聚和低-低（L-L）型集聚。2000年，相似类型集聚的区县共有28个，其中高-高（H-H）型集聚和低-低（L-L）型集聚的区县均为14 个；至2010 年，相似类型集聚的区县变为27个，包括11个高-高（H-H）型集聚的区县和16 个低-低（L-L）型集聚的区县；而到2020年，相似类型集聚的大幅增至38 个，其中高-高（H-H）型集聚和低-低（L-L）型集聚的区县分别增至20 和18 个。由此可知，2000—2010 年，成渝地区双城经济圈县域人口老龄化的局部空间自相关性整体强度变化不大，但结构有所变化，表现为高-高（H-H）型集聚有所减弱，而低-低（L-L）型集聚有所增强，而2010—2020年，不仅局部空间自相关性的整体强度有明显提升，高-高（H-H）型集聚和低-低（L-L）型集聚的强度均有所增强，尤其是高-高（H-H）型集聚，增强程度明显。

除整体集聚强度的变化外，集聚区县本身在考察期也呈现不同的分布变化。2000年，高-高（HH）型集聚的区县主要分布在重庆和泸州，以及眉山和乐山的交界处，低-低（L-L）型集聚的区县则广泛散布于达州、绵阳、乐山等城市靠近成渝地区双城经济圈的边缘区域。至2010年时，高-高（HH）型集聚的区县广泛的分布于眉山、乐山、自贡3市的交界处，以及重庆、绵阳、资阳等市，大部分低-低（L-L）型集聚的区县则位于成都和重庆两大城市。到了2020年，几乎所有高-高（H-H）型集聚的区县均位于成渝两大城市中轴线的两翼，而绝大部分低-低（L-L）型集聚的区县隶属于成渝两大城市。不难看出，考察期内随着时间的推移，低-低（L-L）型集聚的区县逐渐向成渝两大城市的中心城区集中，2010 年之前，高-高（H-H）型集聚的区县尚且散布于成渝地区各地，2010—2020 年，高-高（H-H）型集聚的区县快速向成渝两大城市中轴线的两翼集中。

4 人口老龄化的区域差异及其来源

区域差异分析主要关注成渝地区双城经济圈县域人口老龄化的整体、区域内和和区域间差异性。采用Dagum基尼系数及其分解方法，分析人口老龄化的空间差异及其来源，相关测算结果分别如表3、图6和表4所示。

表3 人口老龄化的整体和区域内基尼系数Table 3 Overall and intra-regional Gini coefficients of population aging

表4 人口老龄化差异来源的贡献率Table 4 Contribution rate of the sources of population aging differences %

图6 人口老龄化的区域间基尼系数Fig.6 Inter-regional Gini coefficient of population aging

表3显示，2000—2020年，成渝地区双城经济圈县域人口老龄化的总体基尼在不断增大，且2010—2020 年的增幅明显高于2000—2010 年，说明伴随成渝地区双城经济圈整体老龄化程度的加速加深，人口老龄化的区县差异也在加速扩大。从区域内基尼系数的变化看，除东北部城市群外，其他城市群的区域内基尼系数在考察期均在不断增大，其中，成都城市群增长最明显，由2000年四大城市群中最小者变为2020年四大城市群中最大，重庆城市群区域内基尼系数表现出稳定但相对温和的增大势头，而南部城市群区域内基尼系数的增大主要发生于2010—2020年，由此说明，虽然考察期内这三大城市群人口老龄化的区域差异均有所扩大，但不同城市群的表现不同。2000—2020年，东北部城市群的区域内基尼系数先减小后增大，不仅整体增幅在四大城市群中最小，2020年的区域内基尼系数也明显小于其他城市群，东北部城市群同时具有相对较快的人口老龄化均值增长，这意味着考察期内东北部城市群所辖区县普遍出现老龄化程度的快速加深。

图6显示，考察期内不同城市群间的区域间基尼系数也呈现相对不同的变化。2000年，不同城市群间的区域间基尼系数均相对较小，且数值接近整体基尼系数，此时，成渝地区双城经济圈的人口老龄化并未显现太大的区域分布差异。至2010年，东北部城市群与其他城市群间的区域间基尼系数保持较高的稳定性，成都城市群、重庆城市群和南部城市群两两间的区域间基尼系数与2000年相比有明显的增大，除东北部城市群外，其他城市群之间表现出越来越显著的区域间人口老龄化差异。而2020年，城市群两两间的区域间基尼系数相比2010年均明显增大，人口老龄化的区域间差异呈普遍扩大之势。总体上，成渝地区双城经济圈人口老龄化的区域非均衡性在考察期有所增强，且相对于2000—2010 年，人口老龄化区域间差异的扩大在2010—2020年表现更为突出。

从贡献率（见表4）看，在不同考察年份，超变密度对人口老龄化整体差异的贡献均最大，其次为区域内差异贡献，区域间差异的贡献最小。较高的超变密度贡献意味着，四大城市群间人口老龄化的交叉重叠是导致成渝地区双城经济圈人口老龄化整体差异的首要原因，反映高老龄化区县的分布较为分散，城市群内多呈高低老龄化区县并存的现象。虽然在考察期内，区域内差异的贡献保持较高的稳定性，但区域间差异和超变密度的贡献呈此消彼长的变化，表现为2000—2010年区域间差异的贡献显著减少而超变密度的贡献明显增大，而2010—2020年则相反。

5 人口老龄化的影响因素

综上，成渝地区双城经济圈县域人口老龄化存在明显的空间相互关联。为了解人口老龄化的致因及其变化，分别基于地理邻近关系和地理距离构建空间权重矩阵，采用空间计量回归模型，对2010和2020年成渝地区双城经济圈县域人口老龄化的影响因素进行实证检验。

参照相关研究（王录仓 等，2017；周鹏 等，2019），并考虑到数据的可获得性，从人口惯性、人口特征和经济社会环境3 方面选取变量，其中，人口惯性主要关注前期的人口相关因素对当前人口老龄化的持续性影响，人口特征主要考察当前人口相关特征对人口老龄化的直接作用，经济社会环境主要指向与老龄人口生活相关的物质或非物质条件。

1）人口惯性相关因素：选取老龄化惯性（aging_base）和生育惯性（age0）。其中，原有的老龄人口数量对人口老龄化区域演变有基础性的作用（Wister et al., 2015），参照韩枫等（2017），以前一次人口普查时对应区县的人口老龄化率表示老龄化惯性的影响。生育可通过对人口数量的直接作用影响老龄化进程，而生育行为本身存在较强惯性（葛佳，2017），以前一次人口普查时对应区县0岁儿童占总人口的比重作为其人口出生率的度量，检验生育惯性的影响。

2） 人口特征相关因素：选取人口流入（dpop）、人口密度（dense） 和人口城市化率（urb）。其中，净流入人口的年龄结构直接影响流入地区县的人口结构和老龄化率，以区县常住人口和户籍人口的差值作为其人口净流入的测量，并根据人口净流入与常住人口的比值度量人口流入。人口密度侧面反映人口活跃程度以及人与社会、经济、环境的压力的关系（梅林 等，2018），以区县每平方公里常住人口数表示。城市化率与生育及养老行为密切相关，进而可能对人口老龄化产生较大影响（李乐乐，2017），鉴于成渝地区区县层面的城市化率数据存在一定缺失，参照邵帅（2019）、王立平（2021）等的研究，以校准后⑨具体的计算和校准过程可参见范子英等（2016）。的夜间灯光亮度均值作为城市化率的度量。

③经济社会环境因素：选取经济发展水平（pgdp）、医疗保障（hospital）和教育水平（edu）。其中，经济发展水平以对应年份的人均GDP表示；医疗保障以每万人医疗卫生机构床位数表示；教育水平以平均受教育年限测度。人口老龄化不仅是经济社会发展到一定阶段的必然现象，其本身也会对经济社会发展产生深远影响（陈蓉 等，2018），成渝地区双城经济圈不同区县的经济社会发展水平存在较大差距，在规模效应和经济集聚等规律的作用下，将会通过对人口流迁、健康和预期寿命等的影响，引致人口老龄化的区域非均衡及其演变。

以区县人口老龄化率为因变量，首先进行OLS回归，用回归后的残差进行拉格朗日乘子检验（Lagrange Multiplier Test, LM），不同空间权重下的检验结果均显示，在10%的显著性水平下，LM-Error统计量显著而LM-Lag统计量不显著，适合采用空间误差模型（SEM）。不同空间权重下空间误差模型的估计结果如表5所示。

表5 2010和2020年人口老龄化影响因素的估计结果Table 5 Estimated results of influencing factors of population aging in 2010 and 2020

表5显示，与OLS回归相比，空间计量回归中调整的R2值明显更大，且均超过0.99，表明采用空间计量回归模型能得到更好的拟合效果。回归结果显示，在对应的空间计量回归中，空间相关性系数λ的估计值均在1%的水平下显著为正，证实了成渝地区双城经济圈区县间人口老龄化的正向空间相互影响。与2010 年相比，2020 年的回归中空间相关性系数λ的估计值有所降低，说明成渝地区双城经济圈区县间人口老龄化的正向空间相互影响在2020年有一定的减弱。

人口惯性相关因素，不同回归中aging_base 的系数估计值均显著为正，age0的系数估计值均显著为负，表明更高的老龄化惯性会对成渝地区双城经济圈区县的人口老龄化产生正向影响，更高的生育惯性产生负向影响。前期老龄化率不仅与现期的人口结构直接相关，也与当地的养老服务保障和生活环境的“适老性”密切相关，这些均会对当前的人口老龄化率产生积极影响；而前期更高的生育率会通过对当前生育行为的积极影响，降低人口老龄化水平。不仅如此，2020年aging_base和age0系数估计值绝对值的大小和显著性水平均明显高于2010年，说明与2010 年相比，2020 年成渝地区双城经济圈县域人口老龄化受到人口惯性因素的影响更大。

人口特征相关因素，不同回归中dpop的系数估计值均显著为负，表明流入人口占比越高的区县，其人口老龄化程度越低。这是因为从年龄结构看，年轻人是人口流迁的主力，大量年轻人的流入势必稀释流入地的老龄人口占比，降低其人口老龄化率（周爽 等，2015）。进一步的，通过比较2010 和2020年dpop系数估计值绝对值和显著性水平发现，相对于2010 年，人口流入在2020 年对区县人口老龄化的负向影响更大。在2020 年的回归中，dense的系数估计值在1%水平下显著为正，由此体现2020 年成渝地区双城经济圈老龄人口分布的新变化，即越来越多的老龄人口向着人口更密集的区县集聚。

经济社会环境因素，不同回归中edu 的系数估计值均在1%的显著性水平下显著为负，且2020年edu系数估计值绝对值和显著性水平均高于2010年，由此表明，区县的平均受教育水平越高，其人口老龄化率越低，且平均受教育水平对人口老龄化的负向影响在2020年表现更显著。平均受教育水平与人口老龄化率的负向关系，可从2个方面解释：1）在中国教育高速发展的背景下，越年轻的群体平均受教育水平越高，反过来，更高的平均受教育水平意味着更多的年轻人，其老龄化程较低；2）成渝地区双城经济圈中高校密集的区县，不仅有更高的平均受教育水平，而且因为有更多的年轻大学生从而人口老龄化水平也更低。值得注意的是，hospital的系数估计值仅在2010年的回归中显著。对此，可能的原因在于，2010年以前，民众多只能在本地获取医疗服务，当地的医疗保障水平与老龄人口的健康及其预期寿命密切相关，从而更高的医疗保障会对其老龄化率产生积极影响，而2010—2020年，不仅各区县的医疗保障水平普遍得以提升，跨区获取医疗服务也明显更为便利，这些均在某种程度上推动当地的医疗保障水平与老龄人口健康预期寿命及其老龄化率的“脱钩”。

综上，与2010 年相比，2020 年成渝地区双城经济圈县域人口老龄化的影响因素和及其影响强度均发生变化，前者主要表现为医疗保障水平和人口密度分别仅在2010 和2020 年对人口老龄化具有积极影响，后者主要体现为相对于2010年，人口相关因素（包括老龄化惯性、生育惯性和人口流入）的影响在2020年显著增强。

6 结论与启示

6.1 结论

为明晰2000年以来成渝地区双城经济圈区县人口老龄化空间分布的非均衡性及其变化，基于第五（2000 年）、第六（2010 年）和第七（2020 年）次全国人口普查数据，在县域尺度下，对成渝地区双城经济圈人口老龄化的时空演变与影响因素进行分析。结果显示：

1）从人口老龄化的现状看，考察期内成渝地区双城经济圈的人口老龄化整体呈现加速加深的趋势，但不同区域加深速度不同，其中东北部城市群的加深速度最快，重庆城市群的加深速度最慢，不同城市群间人口老龄化均值差异的扩大主要发生在2010—2020年。从人口老龄化的分布方位看，成渝地区双城经济圈老龄化程度较高的区县大致呈“东-西”方向分布，考察期内成渝地区双城经济圈县域人口老龄化的重心整体呈逐渐偏向成都方向的趋势。

2）从人口老龄化的空间集聚性看，成渝地区双城经济圈的人口老龄化呈现相似类型集聚的分布特征，考察期内其整体正向空间自相关性先有所减弱，后又明显增强。在不同考察年份，成渝地区双城经济圈中具有显著空间相关性的区县均主要表现为高-高（H-H）型集聚和低-低（L-L）型集聚，且随着时间的推移，低-低（L-L）型集聚的区县逐渐向成渝两大城市集中，而2010 年之后，高-高（H-H）型集聚的区县则快速地向成渝两大城市中轴线的两翼集中。

3）从人口老龄化的区域差异及其来源看，考察期内成渝地区双城经济圈县域人口老龄化的整体差异加速扩大，但不同时期和不同区域的区域内差异变化不一，其中，成都城市群的区域内差异扩大最大，东北部城市群最小，重庆城市群处于持续温和扩大的态势，而南部城市群区域内差异的扩大主要发生于2010 年之后。与2000—2010 年相比，人口老龄化的区域间差异在2010—2020年扩大得更加明显。人口老龄化的整体差异主要来源于超变密度的贡献，且2010年前后，区域间差异和超变密度的贡献呈现不同方向的增减变化。

4）从人口老龄化的影响因素看，2010 和2020年，成渝地区双城经济圈县域人口老龄化的空间分异，均受到老龄化惯性、生育惯性、人口流入以及教育水平的较大影响，且与2010年相比，这些因素在2020 年的影响进一步增强。除此之外，2010 年成渝地区双城经济圈县域人口老龄化还受到医疗保障水平的积极影响，2020年有越来越多的老龄人口向人口更密集的区县集聚。

6.2 启示

在当前成渝地区人口老龄化仍在持续加深、人口形势日益严峻的背景下，本研究蕴含的政策含义主要体现在以下方面：

1）正视成渝地区双城经济圈大部分区县人口老龄化加速加深的现实，快速反应积极应对。虽然人口老龄化是社会发展的必然趋势，但过快的老龄化势必会对经济发展造成冲击，并将引致一系列的社会变化。因此，一方面，对于近年来人口老龄化加深速度过快的区县（如东北部城市群所辖区县、成渝两大城市周边区县），地方政府需主动采取更为有力的政策措施予以干预，以遏制过快的老龄化势头，延缓老龄化进程；另一方面，面对全面进入“老龄社会”后社会结构和社会需求的变化，各区县应全面加强与老龄人口相关的社会保障体系建设，并在此基础上积极挖掘老龄人口红利。

2）明晰成渝地区双城经济圈县域人口老龄化的时空非均衡性，动态研判精准施策。供需矛盾是当前成渝地区双城经济圈老年公共服务面临的突出问题，从需求端看，人口老龄化程度较高的区县对老年公共服务的需求更高，但从供给端看，成渝地区老龄化程度较高的区县大多为经济发展水平相对较低的区县，其老年公共服务供给能力较为有限。因此，欲提升政策的有效性和针对性，一方面，成渝地区不同区县应根据自身的经济社会发展状况选择适宜的“政策清单”，并注重彼此政策举措间的协同联动；另一方面，老年公共服务的供给应以弥合供需缺口为重要考虑，并根据供需失衡程度适时调整政策方向和力度。对于一些老龄化程度较高而老年公共服务供给能力有限的区县，各级财政可适时加大转移支付力度，以助其应对老龄化的挑战。

3）依据成渝地区双城经济圈县域人口老龄化空间分异的致因，多措并举协同发力。鉴于生育惯性对当前人口老龄化显著影响，在“三孩”生育政策已全面实施之际，各地应加快完善生育政策的配套支持措施，着力降低家庭的生育、养育和教育成本，以尽可能地激发生育政策潜力从而提高生育率。考虑到人口流入对老龄化的负向影响，成渝地区双城经济圈中人口“净流出”规模较大的区县，应加大人才吸引和奖励力度，错位施策，以有效减轻大城市对当地年轻人的“虹吸”，减少人口流出。

本研究详尽展现了过去20年成渝地区双城经济圈区县层面人口老龄化的空间非均衡性和动态演变特征，同时发现，与2010 年及其之前相比，2010年之后成渝地区双城经济圈的人口老龄化，不仅加深速度明显提升，空间集聚显著增强，整体及区域间差异明显扩大，影响因素也发生较大的变化。与已有研究相比，本文对成渝地区人口老龄化的研究，其不同之处主要体现在两方面：一是在更小的空间尺度（县域尺度）下明晰了近年来成渝地区双城经济圈人口老龄化的时空演变特征及趋势，二是重点关注由“老龄化社会”进入“老龄社会”的过程中，成渝地区人口老龄化空间分布的新变化。但本研究的结论与启示主要适用于成渝地区，并不具有普遍适用性。同时，影响人口老龄化的因素众多，本文仅探讨了其中的部分因素，有待进一步完善。