中国城市群人口老龄化的时空演变与影响因素——基于全国人口普查数据的分析

郭郡郡

(西华师范大学 公共政策研究院，四川 南充 637009)

一、引言

人口问题始终是我国面临的全局性、战略性问题。近年来，我国人口发展正面临着深刻而复杂的形势变化，其中，人口老龄化及其相关议题备受关注。最近五次的全国人口普查数据显示，1982、1990、2000、2010和2020年我国的人口老龄化率分别为7.62%、8.57%、10.33%、13.26%和18.70%。(1)说明：本文的人口老龄化率以60岁及以上的老年人口占总人口的比重表示，下同。除整体老龄化程度不断加深外，由于中国地域广袤，不同地区的社会、经济和自然环境存在较大差异，人口发展的基础条件和文化传统也不尽相同，使得各地区的老龄化进程并不同步，人口老龄化表现出明显的空间差异与动态演变特征。

对于人口老龄化的非均衡性及其演进，国内学者分别在不同时空范围内予以了探讨，研究区域涉及全国整体、(2)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》，载《中国人口·资源与环境》2014年第4期。(3)黄翌，卢显晶，刘潇潇，等：《中国地市尺度老龄化直接影响因素的贡献差异研究》，载《地域研究与开发》2022年第1期。特定地区、(4)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》，载《地域研究与开发》2021年第6期。(5)解韬，李昀东，张晶：《长三角、珠三角地区人口老龄化时空变迁比较研究》，载《人口与发展》2021年第4期。不同省份或城市(6)周春山，童新梅，王珏晗，等：《2000-2010年广州市人口老龄化空间分异及形成机制》，载《地理研究》2018年第1期。(7)李少星，王先芝，纪小乐，等：《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》，载《地理科学进展》2019年第4期。等，时间范围则主要涵盖了1990—2015年间的不同时期，而根据研究对象和内容的不同，研究单元涉及省域、(8)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》，载《人口研究》2014年第2期。(9)聂高辉，晏佳惠：《人口老龄化空间非均衡及影响因素分析》，载《重庆社会科学》2019年第1期。市域、(10)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》，载《地理研究》2020年第9期。(11)亓广志，王志宝，赵娜娜：《黄河流域人口老龄化时空差异及驱动因素研究》，载《西安理工大学学报》2022年第3期。县域，(12)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》，载《经济地理》2020年第4期。(13)吴媛媛，宋玉祥，于婷婷：《东北地区人口老龄化空间格局演变及影响因素研究》，载《东北师大学报(自然科学版)》2021年第3期。乃至街镇(14)徐州，林孝松，罗朝杨：《重庆市人口老龄化时空演变及空间类型研究》，载《北京师范大学学报(自然科学版)》2019年第6期。等不同空间单元。研究结果整体显示，考察期内随着时间的推移，我国不同区域的人口老龄化程度几乎均处于逐年加深的态势，但不同省份或城市的老龄化进程及其变化存在明显差异，且差异呈波动扩大的趋势：(1)分区域看，我国东、中、西三大地区人口老龄化水平由高到低呈梯度分布，(15)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》，载《人口研究》2013年第1期。“胡焕庸线”东南半壁老龄化程度高于西北半壁，但增速变化存在阶段性特征；(16)周榕，庄汝龙，黄晨熹：《中国人口老龄化格局演变与形成机制》，载《地理学报》2019年第10期。(2)从差异来源看，人口老龄化的空间差异在2010年以前主要来源于区域间差异，2010年之后超变密度的贡献则有明显扩大之势；(3)从影响因素看，人口因素或经济因素均可能成为人口老龄化空间分异的重要致因。(17)康江江，丁志伟，张改素，等：《中原地区人口老龄化的多尺度时空格局》，载《经济地理》2016年第4期。(18)梅林，郭艳花，陈妍：《吉林省人口老龄化时空分异特征及成因》，载《地理科学进展》2018年第3期。

党的二十大明确提出要“实施积极应对人口老龄化国家战略”，为我国老龄事业的发展提供了根本遵循。在当前我国人口老龄化的空间差异及其动态演变持续加深的背景下，要实现对人口老龄化的“积极应对”，首先需对其时空演变特征有更清晰的认知。然而，因数据所限，现有学者对城市层面人口老龄化非均衡性的研究多止步于“六普”之前，对新时代我国人口老龄化的空间分布特征及其变化关注不多，而新时代不仅我国人口相关政策开启了密集“优化”调整，健康中国战略和积极应对人口老龄化国家战略的持续推进也将对老年人口的关注提升到前所未有的高度，这些均可能引致我国人口老龄化时空演进的新特征和新变化。不仅如此，就区域对象而言，尽管现有人口老龄化相关问题的探讨涉及了不同的区域范围或空间尺度，但很少有研究者从城市群的角度进行分析，而“十四五”规划提出要将提升城市群的功能作为“增强经济和人口承载能力，带动全国经济效率整体提升”的重要抓手，这意味着城市群作为我国经济的主要载体，未来将不仅是人口和劳动中心，也将是退休和养老中心。

鉴于此，本研究拟基于2000、2010、2020年三次全国人口普查数据，从城市群的角度对2000年以来我国城市层面人口老龄化的时空差异及动态演进进行分析，并进一步探讨人口老龄化空间分异的驱动因素。我们期待，通过本文的研究，不仅有助于我们进一步明晰新时代我国城市群人口老龄化的非均衡性及其变化，还可为不同城市群采取科学且有针对性的人口老龄化应对政策提供决策参考和科学建言。

二、数据来源与研究方法

(一)度量指标、研究对象与数据来源

本研究主要关注人口老龄化程度，参照以往的研究和国际通用标准，本文选用60岁及以上老年人口占总人口的比重作为人口老龄化的度量指标。

本研究重点从城市层面考察城市群人口老龄化的时空差异及变化，为保障研究对象的广泛性和代表性，我们以“十四五”规划中列出的前十二大城市群作为研究的对象区域，以城市作为空间单元进行分析。(19)说明：2020年十二大城市群的GDP总量为91.742万亿元，常住人口总量为9.59亿人，分别占全国(除港澳台外)GDP的90.51%和总人口的67.92%，不仅体现了城市群极强的经济和人口承载能力，也显现出所选研究对象的广泛性和代表性。

本研究计算人口老龄化采用的人口统计口径为常住人口，人口相关数据均来源于全国第五、六、七次人口普查(对应时间分别为2000年、2010年、2020年)，共得到了175个样本城市的人口老龄化数据，作为本研究分析的主要样本数据。其他社会经济变量数据则主要来源于EPS数据平台的中国区域经济数据库，并以不同城市对应年份的统计公报为补充。

(二)主要研究方法

1. 空间关联分析

空间关联通常以空间自相关性加以描述，空间自相关性分为全局空间自相关和局部空间自相关，分别采用全局Moran’s I指数和局部Moran’s I指数进行测度。(20)许锋：《基于Moran指数和谱图论的空间自相关测度方法优化》，载《城市发展研究》2021年第12期。

全局Moran’s I指数可用于判别城市群的人口老龄化在整体上是否存在空间集聚或分散特征，其计算公式(21)许庆，刘进，熊长江：《中国农村基础设施发展水平、区域差异及分布动态演进》，载《数量经济技术经济研究》2022年第2期。可表述为：

(1)

(2)

与全局Moran’s I指数的整体空间相关性判别不同，局部Moran’s I指数可用于判断某个城市的人口老龄化与其周边城市是否存在空间相关性，其计算公式为：

(3)

上式(3)中各变量表示的含义与式(1)和(2)相同。

2.空间差异分析

采用Dagum基尼系数及分解方法，对城市群人口老龄化的空间差异及其来源进行分析。根据Dagum(22)Dagum C：Decomposition and Interpretation of Gini and the Generalized Entropy Inequality Measures，Statistica，1997，57(3)：295-308.的设定，测度我国城市群人口老龄化整体差异的总体基尼系数可表述为：

(4)

根据Dagum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三个部分，满足G=Gw+Gnb+Gt。

3.驱动因素分析

采用LASSO(Least Absolute Shrinkage and Selection Operator)回归方法进行变量选择，对我国城市群人口老龄化时空分异的驱动因素进行识别和检验。

假设人口老龄化影响因素的线性回归模型Y=βX+ε，Y为因变量向量，X为自变量矩阵，β为系数向量，ε为误差向量。LASSO方法(23)曾津，周建军：《高维数据变量选择方法综述》，载《数理统计与管理》2017年第4期。的系数估计为：

(5)

三、城市群人口老龄化的整体变化趋势

根据地级及以上城市的人口老龄化数据，分别计算全国所有城市、城市群所辖城市整体的人口老龄化均值，结果显示，无论是全国所有城市还是城市群所辖城市，其人口老龄化的均值均处于不断增长的趋势，且2010—2020年的增速明显高于2000—2010年，体现出过去二十年我国整体人口老龄化加速加深的态势。不仅如此，在不同考察年份，城市群所辖城市的人口老龄化均值均高于全国所有城市的整体均值，且二者的差距在考察期内还有所扩大，表明与非样本城市群相比，我国主要城市群承载了相对更多的老年人口，且随着时间的推移，老年人口向着城市群集中的趋势还在不断强化。

分城市群看，表1显示，在不同的考察年份，不同城市群所辖城市的人口老龄化均值存在较大差异，整体展现出我国城市群人口老龄化的空间分异特征。

表1 各城市群城市人口老龄化均值及其变化

虽然随着时间的推移，几乎所有城市群的人口老龄化均处于加速加深的态势，但由于加深速度不同，使得考察期内城市群的相对老龄化程度发生了一定的变化。从人口老龄化排序的变化看，考察期内，京津冀、珠三角、成渝、长江中游、山东半岛、中原、关中平原等城市群的人口老龄化排序保持了较高的稳定性，这些城市群基本保持了与全国整体同步的老龄化态势；长三角、海峡西岸、北部湾等城市群平均人口老龄化的排序明显后移，虽然这些城市群的人口老龄化在考察期内亦有明显加深，但与其他城市群相比，加深程度相对更小；而哈长和辽中南城市群平均人口老龄化的排序，在考察期内持续前移，与其他城市群相比，其相对老龄化程度均明显加深。总的来看，从城市群人口老龄化排序的变化可知，五大国家级城市群除长三角城市群人口老龄化的相对程度有所降低外(24)说明：按照国务院相关规划，我国五大国家级城市群是指长三角城市群、珠三角城市群、京津冀城市群、长江中游城市群和成渝城市群。，其他城市群人口老龄化的相对程度在考察期内均保持了较高的稳定性；除东北地区外，其他地区的区域性城市群人口老龄化的相对程度则呈现出稳中有降的变化；而东北地区城市群人口老龄化的相对程度在考察期内有明显加深。

从中心城市与城市群平均人口老龄化的对比关系看，2000年时，除北京、天津、上海的人口老龄化明显高于其对应的京津冀、长三角城市群的平均人口老龄化，深圳的人口老龄化明显低于其对应的珠三角城市群的平均人口老龄化外，其他城市群中心城市的人口老龄化均在城市群平均人口老龄化附近波动。而到2020年时，除天津、上海、广州三大城市的老龄化水平仍略高于对应城市群的平均水平外，其他中心城市的人口老龄化均不同程度的低于对应城市群的平均人口老龄化，考虑到中心城市通常也具有较大的人口规模，表明近20年在城市群内部，年轻人有着越来越明显的向着中心城市集聚的趋势。尤其是深圳对应于珠三角城市群，成都对应于成渝城市群，厦门对应于海峡西岸城市群和郑州对应于中原城市群，中心城市和城市群平均老龄化水平的差距均超过了5%，这些城市群中年轻人向中心城市集聚的态势尤为明显。

四、城市群人口老龄化的空间关联及其变化

采用Moran’s I指数分析城市群人口老龄化的空间关联及其变化，以邻接关系矩阵中的Queen contiguity矩阵作为空间权重矩阵，所计算的不同年份全局Moran’s I指数和所绘制的局部Moran’s I散点图分别如表2和图1所示。

表2 中国城市群人口老龄化的全局Moran’s I指数

表2显示，在不同考察年份，全局Moran’s I指数值均大于0.6，且在1%的显著性水平下显著，表明我国主要城市群所辖城市的人口老龄化在空间上并非随机分布的，而是呈现出相似类型集聚的分布特征。2000—2020年间，全局Moran’s I指数值稳中略有增大，表明随着时间的推移，我国主要城市群所辖城市人口老龄化的整体空间关联稳中有增。

从图1所示的局部Moran’s I散点图可以看出，在2000、2010和2020年三个考察年份，大部分样本点均位于第一象限和第三象限，与全局Moran’s I指数所得结论类似，主要城市群所辖城市的人口老龄化主要表现出高-高(H-H)集聚和低-低(L-L)集聚的相似类型集聚的特征。随着时间的推移，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，同样表明城市间人口老龄化的正向空间关联在考察期内有所增强。

为进一步从时间角度探讨我国城市群人口老龄化空间关联特征的变化，采用Rey(25)Rey S. J：“Spatial Analysis of Regional Income Inequality”，Spatially Integrated Social Science：Examples in Best Practice，Oxford：Oxford University Press，2004，P. 280-299.提出的时空跃迁分析方法，根据局部Moran’s I在不同时间的类型变化情况，将我国城市群所辖城市人口老龄化的时空跃迁分为四种类型：类型Ⅰ表示仅研究城市自身发生跃迁；类型Ⅱ表示邻域城市发生跃迁；类型Ⅲ表示研究城市自身及其邻域城市均发生跃迁；类型Ⅳ表示研究城市自身及其邻域城市均未发生跃迁。不同考察期内时空跃迁的测算结果如表3所示。

表3 局部Moran’s I的时空跃迁矩阵

表3显示，不仅考察期内的不同年份，城市群所辖城市的人口老龄化均主要呈现出相似类型集聚的空间关联特征，且在不同考察期间，类型Ⅳ均是高-高(H-H)集聚和低-低(L-L)集聚城市的主要跃迁类型，表明城市群所辖城市人口老龄化的正向空间关联在考察期内整体保持了较高的稳定性。尽管如此，2000—2010年间，高-高(H-H)集聚和低-低(L-L)集聚中类型Ⅳ的概率分别为0.760和0.841，而2010—2020年间，则分别为0.697和0.744，后者均明显小于前者，意味着与2010年前相比，2010年后城市群所辖城市人口老龄化的正向空间关联发生了相对更大的跃迁。

五、城市群人口老龄化的空间差异及其来源

以Dagum基尼系数及其分解方法分析我国主要城市群所辖城市人口老龄化的空间差异及其来源，相关测算结果分别如表4和表5所示。

表4 城市群人口老龄化的总体和区域内基尼系数

表4显示，2000—2020年间，样本城市人口老龄化的总体基尼系数呈现出波动中增长的趋势，表明整体而言，考察期内我国主要城市群所辖城市人口老龄化的差异在波动中有所增大。分城市群看，不同年份各城市群的区域内基尼系数有较大差异，且除珠三角城市群外，其他城市群的区域内基尼系数均小于总体基尼系数，表明对除珠三角外的其他城市群而言，人口老龄化的城市群内差异均要小于人口老龄化的整体差异。从区域内基尼系数的相对大小看，在不同考察年份，位于中、西部地区的城市群一般具有较小的区域内基尼系数，表现出相对较小的城市群内人口老龄化差异，而位于东部(沿海)地区的城市群，则一般展现出相对较大的人口老龄化城市群内差异。从区域内基尼系数的变化看，除珠三角城市群和哈长城市群的区域内基尼系数在考察期内略有减小外，其他城市群的区域内基尼系数在考察期内要么稳定波动，要么在波动中有所增大，表明2000—2020年间，城市群人口老龄化的群内差异，主要表现出稳定或增大的变化趋势。

区域间基尼系数的测算结果显示，(26)限于篇幅，未列示城市群人口老龄化的区域间基尼系数计算结果，可向作者索取。与区域内基尼系数相比，城市群人口老龄化具有相对较大的区域间基尼系数，表明整体而言，城市群人口老龄化的群间差异要大于群内差异。从区域间基尼系数的变化来看，考察期内大部分城市群间的区域间基尼系数有所扩大，且与2000—2010年相比，2010—2020年间的扩大幅度更明显，表明2000—2020年城市群间人口老龄化的差异整体呈扩大趋势，且城市群间差异的扩大主要发生在2010年之后。从区域间基尼系数的相对大小看，在不同考察年份，珠三角与其他城市群的区域间基尼系数均相对较大，显示出珠三角城市群与其他城市群之间较大的人口老龄化差异。此外，如果将城市群按中心城市所处地理位置划分为东、中、西和东北四大区域(27)分类说明：以中心城市所处地理位置为标准，东部地区城市群包括京津冀、长三角、珠三角、山东半岛和海峡西岸，中部地区城市群包括长江中游和中原，西部地区城市群包括成渝、关中平原和北部湾，东北地区城市群包括哈长和辽中南。，整体来看，各区域内部城市群间的人口老龄化差异要小于不同区域城市群间人口老龄化的差异，表明人口老龄化的城市群分布也表现出一定的区域相似性。

从城市群人口老龄化差异的贡献率看，表5显示，考察期内的不同年份，区域间差异的贡献率均最高，且皆超过了70%，考察期间的平均贡献率更是高达74.41%；其次为超变密度贡献率，考察期间的平均贡献率为19.33%；而区域内差异的贡献率最小，不同年份均在6%附近徘徊，考察期间的平均贡献率仅为6.26%，由此表明，我国城市群所辖城市人口老龄化的整体差异主要源于城市群间人口老龄化差异的较大影响。不仅如此，从差异贡献率的变化还可得知，考察期内城市群间人口老龄化差异对整体差异的贡献有所扩大，人口老龄化的群际差异愈发明显，相对而言，超变密度的贡献有所缩小，而城市群内差异的贡献则保持了相对较高的稳定性。

六、城市群人口老龄化的影响因素

从本质上看，人口老龄化是由人口年龄结构的演替所引致，其变化源于老年人口数量和总人口数量的非对称性改变，这意味着对二者具有差异性影响的因素均可能导致老龄化率的变化。以对人口年龄结构是否具有直接影响为考量，城市群人口老龄化时空格局变动的影响因素可归纳为直接因素和间接因素两大类。(28)吴连霞，赵媛，吴开亚，等：《中国人口老龄化区域差异及驱动机制研究》，载《地理科学》2018年第6期。

直接因素为可直接导致人口年龄结构演替的人口发展因素，包括老龄化惯性、人口自然增长、人口流迁和生育潜力四个备择变量。人口发展具有明显的惯性，基期的老龄化状况在很大程度上影响着当前老龄化的基本走向，会对当前的老年人口数量和老龄化水平产生正向影响。(29)王录仓，武荣伟，李巍：《中国城市群人口老龄化时空格局》，载《地理学报》2017年第6期。一个地区人口的自然增长，是由出生率和死亡率共同决定的，其对人口老龄化的影响则取决于出生率和死亡率的相对变化，出生率的提高意味着年轻人口占比增加，老龄化率降低，死亡率的下降则相反。人口流迁会直接影响人口数量，流动人口的结构则会对流入地和流出地的人口结构产生不同影响，考虑到我国流动人口以劳动年龄人口为主，(30)段成荣，邱玉鼎，黄凡，等：《从657万到3.76亿：四论中国人口迁移转变》，载《人口研究》2022年第6期。意味着流入人口规模大的城市，老年人口占比会被流入的年轻人“稀释”，其人口老龄化率也会相对较低。生育率长期处于较低水平，是导致人口老龄化不断加深的重要原因，(31)蔡昉：《打破“生育率悖论”》，载《经济学动态》2022年第1期。更高的育龄女性占比意味着更大的生育潜力，在其他因素相同的情况下，将实现更高的生育率从而相对更低的老龄化率。

间接因素主要通过对人口相关因素的影响，间接引致人口年龄结构的演替，主要包括经济社会因素和自然地理因素两个方面。①经济社会因素：包括经济发展水平、产业结构、教育发展水平和公共服务水平四个备择变量。经济发展水平的提升可通过改变生育行为、延长预期寿命等，对人口老龄化产生复杂的影响；(32)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》，载《人口研究》2013年第1期。通过“以产聚人”抑或“以人定产”，产业结构与人口集聚之间会产生不同方向的相互影响；(33)贾晋，高远卓，申云：《人口集聚与产业结构高级化：孰先孰后》，载《财经科学》2022年第7期。教育发展可能通过对人口出生率、(34)张冲，万新月：《教育进步降低了人口出生率吗？》，载《统计与信息论坛》2019年第7期。人口流迁等的影响导致人口年龄结构的变化；公共服务水平则通过对老年人健康及预期寿命的影响改变老年人口数量和占比。②自然地理因素：包括气温、环境污染和地形特征三个备择变量。气温不仅与地区经济发展密切相关，同时还能够显著影响城市的人口增长；(35)苏红键：《自然禀赋与地区发展：兼论南北经济差距扩大现象》，载《中国软科学》2022年第10期。环境污染除了会影响死亡率外，(36)陈镘，黄柏石，刘晔：《PM2.5污染对中国人口死亡率的影响——基于346个城市面板数据的实证分析》，载《地理科学进展》2022年第6期。还会对人口流动产生影响；(37)孙伟增，张晓楠，郑思齐：《空气污染与劳动力的空间流动——基于流动人口就业选址行为的研究》，载《经济研究》2019年第11期。地形特征则与人口分布相关。(38)彭秋志，朱丹：《中国县域地面坡谱分级及其与人口分布的关系》，载《资源科学》2022年第9期。

上述各备择变量的定义如表6所示。

表6 备择变量的定义

借助LASSO模型，在上述备择变量中选取对城市群人口老龄化有解释力的变量，并基于挑选后的变量进行回归，全体样本和不同城市群样本的回归结果分别如表7和表8所示。

表7 基于LASSO模型城市群人口老龄化影响因素的估计结果

表8 基于LASSO模型不同城市群人口老龄化影响因素的估计结果

表7全体样本2010和2020年的估计结果显示，直接因素中，与预期基本一致，老龄化惯性均对人口老龄化具有显著的正向影响，人口自然增长、人口流迁和生育潜力则对人口老龄化具有显著的负向影响；间接因素中，对人口老龄化具有显著影响的因素主要为气温，且城市的平均气温越高，其老龄化程度越低。尽管如此，通过比较2010和2020年各系数估计值的大小和显著性水平，我们仍不难看出，与2010年相比，2020年我国城市群人口老龄化的影响因素呈现出一定的变化。人口发展因素中，老龄化惯性、人口自然增长和人口流迁的影响保持了较高的稳定性，但与2010年相比，生育潜力对人口老龄化的负向影响在2020年时显著增强，可能的原因在于，2000—2010年间，我国大部分地区实施着严格的“一胎化”政策，在此政策下，生育潜力很难转化为实际的生育行为，其对生育的积极影响也就很难得以体现，而2010—2020年间，我国的生育政策开启了密集“宽向”的调整，更宽松的生育政策使得生育潜力更容易转化为生育行为，表现为生育潜力对生育率更大的正向影响，从而对老龄化率更大的负向影响。经济社会因素和自然地理因素中，与2010年相比，2020年时产业结构、环境污染和气温对城市群人口老龄化的影响得以显现或强化，这些间接因素均与人口流迁或集聚相关，2010—2020年间，在城乡融合发展、区域协调发展等政策的推动下，我国的人口流动障碍和落户门槛持续降低，人口流迁变得越来越容易，而与老年人相比，年轻人的流动意愿和能力均更强，于是当流迁变得更为便利时，影响人口流迁的因素会因为相对更多年轻人的流动，对流入地或流出地的人口老龄化产生越来越明显的影响。

表8显示，整体而言，城市群内部人口老龄化的空间分异主要源于人口发展因素的影响。对于大部分城市群，老龄化惯性和人口流迁均是人口老龄化空间分异的重要致因，且前期老龄化率对当前老龄化率具有正向影响，而流入人口占比越高的城市，老龄化程度则相对越低。不仅如此，与2010年相比，2020年时老龄化惯性和人口流迁对人口老龄化的影响呈现出一定的增减变化，但增减变化的方向并不明确，因城市群而异。虽然在2010年时，各城市群中人口自然增长和生育潜力对人口老龄化率的影响要么不显著，要么很小，但到2020年，大部分城市群二者对人口老龄化率的负向影响有所显现或强化，考虑到城市群内部较小的死亡率差异，人口自然增长和生育潜力均指向了生育率的变化，表明随着2010年之后我国生育政策的逐步放宽，生育率相关因素已越来越明显的成为城市群内部人口老龄化空间分异的重要致因。由于城市群内部经济社会发展和自然地理特征的差异相对较小，且大部分间接因素对人口老龄化的影响将通过对人口发展的影响实现，因此除少量内部差异较大或涵盖范围较广的城市群外，经济社会因素和自然地理因素并不会对城市群内部人口老龄化的空间分异产生明显影响。

七、结论

基于2000、2010、2020年三次全国人口普查数据，以12个主要城市群作为研究区域，在市域尺度下，本研究从城市群的角度对2000年以来我国城市人口老龄化的时空差异及动态演进进行了分析，并进一步探讨城市群人口老龄化空间分异的驱动因素。研究结果显示：

1.整体而言，考察期内城市群所辖城市的平均人口老龄化呈加速加深的态势，但不同城市群人口老龄化的加深速度存在较大差异，使得考察期内城市群老龄化均值的排序发生了一定的变化。从中心城市的相对老龄化程度看，2000年，大部分中心城市的人口老龄化在其所属城市群的老龄化均值附近波动，但到2020年时，除天津、上海、广州外，大部分中心城市的人口老龄化低于其所属城市群的平均老龄化水平。

2.考察期内城市群所辖城市的人口老龄化整体呈现出相似类型集聚的空间关联特征，且随着时间的推移，全局空间自相关性稳中有所增强；尽管局部空间自相关性在考察期内亦有所增强，但正向空间关联在考察期内发生了一定的跃迁，且与2000—2010年相比，2010—2020年间的跃迁相对更明显。

3.考察期内城市群所辖城市人口老龄化的整体差异有所扩大，且除珠三角城市群外，城市群内人口老龄化的差异要明显小于城市群所辖城市人口老龄化的整体差异。总的来看，城市群人口老龄化的群间差异要大于群内差异，人口老龄化整体差异及其变化主要源于城市群间人口老龄化差异的贡献。

4.整体来看，老龄化惯性、人口自然增长、人口流迁、生育潜力和气温均是2010和2020年城市群所辖城市人口老龄化空间分异的重要致因，且与2010年相比，生育潜力、产业结构、环境污染和气温对人口老龄化空间分异的影响有所显现或强化。分城市群看，老龄化惯性和人口流迁是大部分城市群内部人口老龄化空间分异的致因，但与2010年不同的是，与生育率差异相关的人口自然增长和生育潜力，在2020年时展现出越来越明显的对城市群内部人口老龄化的空间分异的影响。