中國區域人口增減的時空演變及驅動因素分析

【關鍵詞】人口增減；區域差異；驅動因素【中圖分類號】C924.24 【文獻標志碼】Adoi：10.16405/j.cnki.1004-129X.2025.03.001【文章編號】1004-129X（2025）03-0001-18

一、引言及文獻綜述

人口作為經濟社會活動的主體，其空間分布變化必然會推動其他生產要素的重新配置，對區域經濟社會發展格局產生深刻影響。尤其在當前我國人口總量出現負增長的背景下，引導人口有序布局、促進人口合理均衡分布具有重要意義。

人口空間分布是人口的靜態格局和人地關系的空間表征。1胡煥庸早在1935年就指出我國人口呈現\"東密西疏\"的分布格局，并采用璦琿-騰沖線作為我國人口的地域分界線。眾多學者運用歷次人口普查數據驗證了胡煥庸線的穩定性。2-3]也有學者在胡煥庸線的基礎上探討了不同人口群體的空間分布特征：高向東等從民族人口視角出發，使用1953—2010年六次人口普查縣級數據發現胡煥庸線也是中國少數民族人口的突變線，東南半壁和西北半壁少數民族人口數量長期保持75：25的穩定比重；4劉曄等以高學歷人才作為研究對象，基于五普、六普、七普縣級數據發現人才密度同樣呈現穩定的“東南密集，西北稀疏\"分布格局。5這些研究結果說明我國人口空間分布長期表現出顯著的非均衡性。除此之外，我國人口空間分布的非均衡性還體現在其他區域：劉睿文等發現中國人口分布在“東密西疏\"的傳統空間格局的基礎上，人口集聚還呈現\"沿海、沿江、沿線\"高度集聚的特征；童玉芬等基于19個城市群的視角，發現城市群內部的人口空間分布不均勻且差異顯著，大多呈現人口向規模位序靠前的大城市集中分布的格局。

中國人口空間分布的非均衡性已得到充分論證，這種分布格局是長期人口變動累積的結果，區域人口增長率的差異持續推動著人口分布的動態變化。近年來，隨著區域人口增減分化趨勢的日益凸顯，越來越多的研究關注人口增減或者說是人口變動的分布及演變規律。劉濤和卓云霞基于第五次至第七次的人口普查縣級數據，發現我國人口增速呈現東西方向上差異持續、南北方向上差異凸顯的特征，中心城市和縣域的人口增減趨勢呈現加速分化。8劉振等基于第四次至第七次人口普查數據，以地級單元作為研究對象，使用人口年均變化率測度人口收縮，發現1990一2020年我國人口收縮區域快速擴張，至2020年已有超過 4 0 % 的地級單元出現人口收縮現象。這些研究結果在一定程度上反映了我國區域人口增減存在分化的趨勢。

眾多學者針對區域人口變動的影響因素進行了深入的理論探討和實證研究。當前，中國已經完成了向現代人口增長模式（低出生率、低死亡率、低自然增長率）轉變的過程，10]人口自然增長對人口變動的貢獻逐漸減弱，人口流動成為人口變動的主要力量。1-13]關于人口自然增長率影響因素的研究，翟振武和李姝婧通過理論梳理總結出收入水平、生育養育孩子的經濟成本、經濟環境和就業環境、社會養老保障體系、文化觀念等均是影響生育率的新因素；4推拉理論是分析人口機械增長影響因素的基本理論。有研究表明現代性和國際性特征及生活質量成為吸引人口流入的重要拉力條件。15]城市公共服務質量尤其是醫療服務質量的提高有利于吸引人口流入。16第三產業的快速發展和較高水平的職工工資也是吸引人口流入的重要因素。17-18]城市行政層級對流動人口也會產生直接的正向影響，19]城市行政等級越高越吸引人口流入。20]另外，氣溫、地形起伏度、河網密度等自然地理因素也對人口流動有顯著影響。21-22]綜合自然增長和機械增長兩部分的影響因素可以發現人口變動是經濟因素、社會因素、自然地理因素、行政因素等多種因素共同作用的結果。

近年來關于人口變動分布格局的研究取得顯著進展，但仍然存在諸多問題有待進一步探索。本文可能的邊際貢獻在于：第一，現有文獻大多探討城市收縮背景下地級市層面的人口增減分化現象，為了探究人口變動在更小空間尺度上的具體表現，使用人口普查縣級層面的數據展開研究。第二，綜合運用核密度估計、Dagum基尼系數及其分解等方法更加全面地考察我國區域人口增減的動態演進及區域差異特征。第三，采用多元回歸模型和最優參數的地理探測器探究我國區域人口增減空間分異的驅動因素以及各因素間的交互作用，為促進人口合理均衡分布提供新的政策思路。

二、研究方法與數據來源

（一）研究方法

1.空間數據分析方法

（1）全局莫蘭指數。本文采用全局莫蘭指數檢驗人口增減水平的空間相關性。計算公式如下：

n 為縣區單元數量； 為縣區單元 i 和縣區單元j的人口增長率; 為人口增長率的均值； 為空間權重矩陣。莫蘭指數I的取值范圍是[-1，1]，大于0表示人口增長率可能存在空間正相關，即高值與高值聚集、低值與低值聚集;小于0表示人口增長率可能存在空間負相關，即高值與低值相鄰；等于0表明人口增長率不存在空間自相關。全局莫蘭指數的計算結果需要進行顯著性檢驗。

（2）冷熱點分析。本文采用Getis-Ord 測度人口增長率的熱點和冷點區域，計算公式如下：

為縣區單元j的人口增長率， 為縣區單元 i 和縣區單元j之間的空間權重， n 為縣區單元總數。 的值越高表示人口增長率高值的聚類越緊密，屬于熱點區域； 的值越低表示人口增長率低值的聚類越緊密，屬于冷點區域。

2.核密度估計方法

核密度估計是一種重要的非參數估計方法，可以在無需預設隨機變量的分布函數的情況下，從一組觀測數據中估計出概率密度分布。其核心原理是通過在每個數據點周圍放置一個核函數，然后將這些核函數疊加起來，最終形成連續的概率密度曲線。計算公式如下：

K （ ? ） 是核函數， 是第 i 個縣區單元的人口增長率（以小數、非百分數形式表示）， n 是縣區單元數量，h為帶寬。本文使用的核密度函數是Epanechnikov核函數。

3.Dagum基尼系數

泰爾指數和傳統的基尼系數難以有效捕捉區域子樣本間可能存在的交叉重疊現象。因此，本文借鑒Dagum的研究考察中國人口增長率的區域差異及其來源，將人口變動水平的總體基尼系數分解為區域內差異、區域間凈差異及超變密度三部分。23]

4.多元回歸分析

本文使用多元線性回歸模型考察人口變動的影響因素，模型設定如下：

表示縣區單元 i 的人口增長率； 表示縣區單元 i 的影響因素向量（包含常數項），影響因素包括經濟因素、社會因素、地理因素和行政因素四個方面； 為回歸系數向量； 為隨機誤差項。參考以往文獻，經濟因素中，以人均GDP（單位：萬元/人）衡量經濟發展水平，以年末單位從業人員數與年末人口數量的比值（單位： % ）衡量就業水平，以每萬人新注冊企業數量（單位：個）衡量地區創業活躍度，以第三產業比重（單位： % ）衡量產業結構。社會因素中，以每萬人醫療機構床位數（單位：床）衡量地區醫療資源水平，以每萬人普通中學在校學生數（單位：人）衡量地區教育資源水平，人口集聚程度的計算公式為：縣區單元i的人口集聚 （縣區單元i的人口數/縣區單元i的行政區域土地面積）/（所有縣區的人口數之和/所有縣區的行政區域土地面積之和）。地理因素中以年平均氣溫（單位：℃）平均高程（單位：米）、干燥度、歸一化植被指數的年生長季均值、距離港口①最短距離（單位：萬米）的倒數作為代表。行政因素中，主要考察行政等級對人口增長的作用，以是不是直轄市、副省級城市和省會城市的市轄區和是不是除上述城市外其他地級市的市轄區這兩個虛擬變量來衡量。為考察人口增長率空間分異的影響因素在不同時期的作用效果，本文分別以2000—2010年和2010—2020年兩個時段建立多元回歸模型展開分析，被解釋變量為2000—2010年、2010—2020年的人口增長率（單位： % ），影響因素均采用研究時段基期的水平以減少內生性的影響。8][24]

5.基于最優參數的地理探測器模型

地理探測器模型是一種探測空間分異性及探究背后驅動力的統計方法，其核心思想是若某個驅動因子對因變量有重要影響，則該驅動因子和因變量的空間分布應具有相似性。25]基于最優參數的地理探測器模型，使用R語言的GD包篩選出使解釋力 q 值最大的連續型因子離散化的分類方法和分類級數來確定最優參數，并以此進行地理探測分析。解釋力 q 值的計算公式如下：

q 表示驅動因子解釋了 1 0 0 × q % 的因變量， q 的取值范圍是 [ 0 ， 1 ] ， q 值越大表明驅動因子對人口增長率空間分異的解釋力越強； h 為因子的分層或分區； 和 N 為層 h 和全區的單元數； 和 分別為層h和全區的人口增長率的方差。

（二）數據來源與處理

本文使用的人口數據主要來源于2000年、2010年、2020年中國人口普查分縣資料，研究對象不含中國港、澳、臺地區。三次普查的數據均以2020年的縣級行政區劃為標準進行整合，將撤縣設區或撤縣級市設區的區域調整為市轄區，針對部分轄區發生變動的縣區依據街道尺度的人口數據進行了核增或核減，對于部分新設立的縣區進行了刪除處理，對于七普數據中的經濟技術開發區、高新技術產業開發區等功能區的人口數據合并到所屬縣區，并將同一個地級及以上城市的市轄區合并成一個研究單元，最終整理出2150個縣區單元，包括295個地級及以上城市的市轄區（不設區的地級市市轄區數據以全市數據替代）和1855個縣域單元（縣級市、縣、自治縣、旗、自治旗等）。本文所指的縣域單元不包括市轄區。干燥度、歸一化植被指數的數據來源于國家青藏高原科學數據中心[26-31氣溫、[32高程的數據均來自中國科學院資源環境科學與數據中心，新注冊企業數量來源于天眼查，其他數據來源于《中國縣域統計年鑒》《中國城市統計年鑒》《中國區域經濟統計年鑒》和各省統計年鑒。多元回歸分析和地理探測分析中使用的影響因素的數據同樣以2020年行政區劃范圍為基準，將撤縣（包括縣級市）設區的區域數據合并到相應城市的市轄區內，數據缺失較多的縣區單元未被納入實證分析中，最終實際用于實證分析的樣本數量為2079個。

三、中國區域人口增減的時空演變

（一）中國區域人口增減的空間分布

通常而言，空間尺度越大越容易掩蓋人口空間分布細節和變動趨勢。省域空間尺度下，相比于2000—2010年，2010—2020年人口負增長的省級行政區由4個增加為6個，在一定程度上反映了我國區域人口負增長的趨勢，但并不明顯。基于以2020年行政區劃為標準整合得到的357個地級行政單元的空間尺度，分析發現2000—2010年有94個地級單元經歷了人口負增長、263個地級單元實現了人口正增長，2010—2020年人口負增長的地級單元數量上升到156個、人口正增長的地級單元數量下降到201個，表明當前中國部分地級單元已經開始向人口負增長轉變，地級層面的數據更能反映出區域人口負增長的趨勢。僅僅從地級層面進行分析雖然能反映地級單元人口的整體趨勢，但難以捕捉其內部差異。進一步分析發現幾乎所有地級市內部，市轄區與縣域單元的人口增長態勢均存在顯著差異，2000—2010年有27個市轄區為人口負增長，2010—2020年增加到43個，雖然數量有所增加，但仍然有 8 5 . 4 2 % 的市轄區保持著人口增長的態勢，縣域單元則普遍呈現出人口縮減的狀態。2000—2010年人口減少的縣區單元數量有849個，其中縣域單元有822個，2010—2020年該數據分別增加至1287個和1244個，表明我國人口減少的區域主要集中分布在縣域單元，從縣區層面統計分析能夠更為準確地反映出我國人口增減空間分布的非均衡性。因此，基于縣區層面的數據展開研究發現人口正增長縣區數量占比從 6 0 . 5 1 % 下降到了 4 0 . 1 4 % ，人口負增長縣區數量占比從 3 9 . 4 9 % 上升到了 5 9 . 8 6 % ，說明中國人口縮減的現象正在向更多地區蔓延，越來越多的區域面臨人口減少的挑戰。

為了更深入地考察我國人口增減的空間分布特征，本文計算了2000—2010年和2010—2020年兩個時段各縣區單元的人口增長率，按增速將所有縣區單元劃分為快速減少型（ lt; - 2 0 % ）、中速減少型 [ - 2 0 % ， - 1 0 % 、緩慢減少型 、緩慢增長型 [ 0 ， 1 0 % 、中速增長型 [ 1 0 % ， 2 0 % 和快速增長型 3 2 0 % ）六大類，同時以省級行政區劃為統計單元核算各增速類型縣區數量占比，并針對每種增速類型提取縣區數量占比排在前八位的具有代表性的省級行政區反映空間分布情況（見表1）。2000一2010年人口增長型縣區數量明顯高于減少型，其中緩慢增長型是占比最多的類型，快速減少型是占比最低的類型，表明在這一時段我國人口增長態勢相對積極。2010—2020年則出現逆轉，人口負增長區域范圍正在加速擴大，各類人口減少型縣區數量及占比均呈上升態勢，而各類人口增長型縣區數量及占比均明顯下降。

從空間分布區域來看，可以發現某些省級行政區人口增長與減少型縣區并存，反映了其內部人口分布的不均衡。分時段分析顯示：2000—2010年人口負增長區域主要集中在長江流域的重慶、湖北、四川、安徽等省市，形成連片分布態勢，在寧夏、內蒙古、甘肅等西北地區也有所分布，同時還分散分布在遼寧、福建、廣西的部分縣區單元。2010—2020年人口負增長區域的空間格局發生了明顯變化，人口快速減少型區域集中連片分布在東北地區（、黑龍江和遼寧），同時還較為集中地分布于黃河流域上、中游區域（甘肅、內蒙古、山西、陜西），形成了兩大連片分布的人口普遍收縮區域。2000—2010年人口快速增長型區域連片分布在西藏、新疆、青海等西部地區，還廣泛分布在北京、大津、上海、浙江等發達省市。2010—2020年人口快速增長型仍然較大范圍分布于西藏、新疆等地區，這些地區的人口基數較低，人口增長空間更大，同時較高的人口自然增長率再加上西部大開發戰略的大力推進，為當地人口增長提供了多方面的支持。東部地區中，北京、浙江、江蘇、廣東等發達省市依托強勁經濟實力與優質公共服務，使大量的流動人口“用腳投票\"遷人到這些地區。值得關注的是福建、廣西憑借其沿海的區位優勢以及近年來產業的迅速轉型，顯著增強了對人才的吸引力，大部分縣區單元已成功實現了人口正增長。受益于中原城市群建設與產業轉移承接，河南作為新興增長極，其人口吸納能力也在顯著增強。但此期間山西、陜西、江西等省份的大部分縣區單元從人口增長區轉變為收縮區，我國人口變動格局經歷了明顯的空間重構。

（二）中國區域人口增長率冷、熱點空間分布

在進行冷、熱點分析之前本文先測算了人口增長率的全局莫蘭指數。2000—2010年人口增長率的全局莫蘭指數為0.131且 z 得分為38.621， p 值為0.000，2010—2020年間人口增長率的全局莫蘭指數上升為0.148且 z 得分為48.589， p 值為0.000，說明我國人口增長率具有顯著的空間集聚分布特征且集聚程度正在上升。冷、熱點分析中， 9 9 % 置信水平上的 值對應的縣區劃為熱點或冷點區域，9 5 % 9 0 % 置信水平上的 值對應的縣區劃為次熱點或次冷點區域。人口增長率的冷、熱點空間分布顯示2000—2010年冷點區域的空間分布范圍廣泛，較為集中地分布在長江流域，包括重慶、四川、湖北、湖南、安徽等省市。次冷點區域主要分布在東北地區和黃河流域上中游地區，同時與冷點區域中的省級行政區存在部分重合。熱點區域分布在上海、廣東、江蘇、浙江這些經濟發達省市，同時還廣泛分布在新疆、青海、西藏等多個地區。次熱點區域除了與熱點區域的省級行政區部分重合外，在北京、天津等地區也有分布（見表2）。

注：未報告無顯著性區域的空間分布情況，空間分布區域僅列出了各區域類型縣區數量占比超過 1 0 % 的省級行政區。

2010—2020年人口增長率的冷、熱點區域發生了較大變化。冷點區域中，第一個明顯變化是東北三省均出現了冷點區域，進一步統計發現東北三省中 9 3 . 3 7 % 的縣區均屬于冷點區域;另一個明顯變化是前期集中在長江流域的冷點區域范圍開始縮小，在黃河流域上、中游地區形成了較大范圍的冷點區域。次冷點區的縣區單元數量明顯減少，基本全部分布在湖北。熱點、次熱點區域的縣區單元數量明顯增加，說明在我國人口正增長縣區數量明顯減少的情況下，人口增長率在局部區域高值集聚的趨勢卻更加明顯，反映出區域人口增減分化趨勢愈發顯著。新疆、青海、西藏等西部地區以及上海、浙江、江蘇等發達省市仍然全部保持熱點特征，位于廣東的熱點區域向西擴張到了貴州和廣西，天津從次熱點區域上升為熱點區域，同時在河南、福建等省份也出現了新的熱點、次熱點區域。

（三）中國區域人口增減的時間動態演進

1.中國區域人口增長率的變化

表3顯示的是兩時段全國及各區域的人口增長率。全國層面2010—2020年人口增長率為 5 . 3 8 % ，與2000—2010年相比有所下降，我國人口增長整體呈現出更加緩慢的趨勢。分區域分析時，計算各區域人口增長率使用的人口總量為區域范圍內所有縣區單元人口數量之和。基于四大地區的劃分標準來看，2000—2010年東部地區的人口增長率位居首位，西部地區的人口增長率最低。進一步統計發現新疆、西藏、青海的整體人口增長率在這一時段達到了 1 5 . 8 5 % ，但其他西部地區的整體人口增長率僅為 1 . 9 4 % ，遠低于全國平均水平，這些西部地區是人口流出的主要區域。2010—2020年得

益于西部地區有力的優惠政策和優良的發展前景，吸引了大量人口回流，西部地區人口呈現出良好的增長態勢。東部地區人口增長率雖略有下降，但仍然遠高于其他地區，始終是主要的人口凈流入地區。中部地區人口增長率有所下降且始終低于全國平均水平。東北地區人口增長率下降幅度最大，人口外流現象最為嚴重。

按照2014年國家城市規模劃分標準，限于城區人口數據的可獲得性，本文基于市轄區常住人口數量，將城市劃分為超大特大城市（超大城市與特大城市合并為一組）、I型大城市、Ⅱ型大城市、中等城市和小城市。不設市轄區的自治州、地區、盟未被納入統計范圍，最終整理出295個地級及以上城市的1810個縣區單元。具體來看，I型大城市和超大特大城市的整體人口增長率始終遠高于其他類型城市，而且其增長率數值仍在持續攀升，人口規模呈現加速增長的態勢。Ⅱ型大城市雖然人口增長率有所降低，但仍保持正增長，說明人口規模還在增大但增速相對平緩。相比之下，中小城市人口由正增長轉為負增長，尤其是小城市的人口下降幅度尤為劇烈，人口總量迅速減少。

2.核密度估計

圖1展示了中國人口增長率的核密度估計結果。其中圖1（a）為全國層面的結果。從2000—2010年到2010—2020年，全國層面的核密度曲線表現出明顯的左移趨勢，主峰位置從0.03附近下降到-0.03附近，表明我國大部分縣區人口增長率下降，人口負增長縣區數量逐漸增多;主峰高度降低且寬度加大意味著各縣區間人口增長率差異呈現擴大趨勢;波峰數量始終為單峰，說明全國層面人口增長率的區域極化現象并不明顯；右拖尾明顯縮短，表明人口增長率出現極端高值的概率逐漸降低。

圖1（b）至圖1（e）分別展示了2000—2010年及2010—2020年的東部、中部、西部和東北地區人口增長率的核密度估計結果。東部、中部、西部地區的核密度曲線均出現了不同幅度的左移態勢，主峰高度降低且寬度加大，曲線一直為單峰形態，右拖尾明顯縮短，這些與全國層面核密度曲線的分布和演進特征相似，即東部、中部、西部地區的大部分縣區單元的人口增長率下降且內部差異擴大。西部地區核密度曲線的左移表明西部地區大部分縣區的人口增長率呈現下降態勢，然而前文提到西部地區整體人口增長率為正值且數值上升。為了深人探討這一現象，進一步統計發現西部地區的人口增長主要是由于市轄區尤其是中心城市市區普遍實現了人口正增長且增量顯著，即便人口負增長的縣域單元數量明顯增加，其人口減少量也會被市轄區巨大的人口增量所彌補，所以西部地區整體上依然保持著良好的人口增長態勢。東北地區的核密度曲線同樣呈現出左移態勢，且左移程度最大，主峰位置從0附近下降到-0.2附近，表明東北地區的人口增長率下降幅度最大，同時主峰高度明顯下降且寬度顯著變大，單峰特征逐漸減弱，開始出現多峰態勢，說明東北地區內部人口增長率的差異明顯增大，并呈現出多極分化的趨勢。

圖1（f）至圖1（j）分別展示了2000—2010年及2010—2020年不同城市規模下的人口增長率的核密度估計結果。小城市的核密度曲線呈現左移態勢，主峰高度降低且寬度加大，波峰數量由單峰逐漸變為多峰，說明小城市的大部分縣區人口增長率逐漸下降，縣區間的差異不斷增大，空間極化現象愈發明顯。中等城市和Ⅱ型大城市的核密度曲線同樣均表現出左移態勢，表明內部大多數縣區的人口增長率也在逐漸下降，主峰高度降低、寬度加大且基本一直為單峰形態，說明縣區間人口增長率的差異也在逐漸增大，但內部極化現象并不明顯。I型大城市的主峰分布位置略微左移，主峰高度與寬度變動很小，表明I型大城市大部分縣區的人口增長率水平略有下降但降幅極小，且離散程度基本保持穩定，同時右尾明顯拾高，說明人口高增長的縣區單元數量呈現擴張態勢。超大特大城市的核密度曲線主峰位置基本沒有發生移動，右拖尾明顯縮短，說明超大特大城市大部分縣區的人口增長率基本保持穩定且極端高值的現象正在減少，主峰高度略微下降且寬度略微加大，右尾抬高并在距離主峰較遠的0.5附近出現了一個小次峰，說明超大特大城市內部人口增長率的差距有所擴大，且逐漸表現出兩極分化的趨勢。

（四）中國區域人口增減的區域差異與來源分解

本文利用Dagum基尼系數及分解方法測度了2000—2010年和2010—2020年人口增長率的總體基尼系數、區域內基尼系數、區域間基尼系數及貢獻率，測度結果如表4所示。計算Dagum基尼系數通常要求輸入數據為正值，但人口增長率存在負值，為此本文對人口增長率進行平移處理，將各時段人口增長率統一加1后的數值作為輸入數據。

根據2150個縣區單元計算得到的總基尼系數由0.0736上升到0.0894，上升了 2 1 . 4 7 % ，根據295個地級及以上城市的1810個縣區單元計算得到的總基尼系數由0.0707上升到0.0893，上升了2 6 . 3 1 % ，表明我國人口增長率的總體區域差異呈現上升態勢。區域內基尼系數的測度結果顯示：2000—2010年四大地區的區域內基尼系數由大到小依次是中部、東部、西部、東北，2010—2020年四大地區的區域內基尼系數均有所上升，東北地區的基尼系數增幅最大，區域內基尼系數由大到小依次是東北、中部、西部、東部，說明東北地區內部人口增減存在較為明顯的分化現象。從城市層面來看，2000—2010年區域內基尼系數由大到小依次是小城市、Ⅱ型大城市、中等城市、I型大城市、超大特大城市，2010—2020年各類型城市的區域內基尼系數均有所上升，超大特大城市的基尼系數增幅最大，區域內基尼系數由大到小依次是小城市、超大特大城市、I型大城市、中等城市、Ⅱ型大城市，而且小城市和超大特大城市的基尼系數明顯高于其他類型的城市，說明這一時期小城市和超大特大城市內部人口增減的非均衡性最為明顯。

區域間基尼系數的測度結果顯示：2000—2010年四大地區的區域間基尼系數相差不大，東部-中部最大，西部-東北最小，2010—2020年四大地區的區域間基尼系數均呈上升態勢，東部-中部、東部-西部、中部-西部的增幅較小，分別是 5 . 4 1 % ， 1 9 . 4 8 % ， 1 6 . 6 4 % ，東部-東北、中部-東北、西部-東北的增幅較大，分別是 9 5 . 3 6 % . 7 5 . 4 1 % . 8 6 . 5 1 % ，增幅較大的這三個組合同期區域間基尼系數也分列前三位，其中，東北地區作為共同元素重復出現，說明東北地區與其他地區之間的人口增長率差距正在顯著增大。從城市層面來看，2000—2010年區域間基尼系數排在前四位的是小城市-Ⅱ型大城市、小城市-中等城市、小城市-I型大城市、小城市-超大特大城市，小城市是這些城市組合中共同出現的元素，即小城市和其他類型城市之間的差異最為顯著。2010—2020年各類型城市的區域間基尼系數呈現上升態勢，增幅排在前四位的組合是中等城市-超大特大城市、I型大城市-超大特大城市、小城市-超大特大城市、Ⅱ型大城市-超大特大城市，增幅分別為 4 6 . 1 2 % . 4 3 . 6 9 % . 3 5 . 0 8 % . 3 3 . 9 1 % ，這些城市組合中超大特大城市是共同出現的元素，說明這一時期超大特大城市與其他類型的城市間人口增長率的差異正在迅速擴大。區域間基尼系數最大的組合是小城市-超大特大城市，表明超大特大城市和小城市之間的差異在所有區域間差異中最為明顯。

最后分析全國人口增長率差異各組成部分的貢獻度。無論是根據四大地區的劃分還是根據城市規模的劃分，在兩個時期中，盡管超變密度的貢獻率呈現出下降態勢，但其始終保持著最大的貢獻率，說明超變密度仍然是造成我國人口增長率區域差異的主要原因。超變密度反映的是各分樣本之間的交叉重疊程度，雖然東部地區人口增長率明顯高于東北地區，但東部地區部分縣區單元的人口增長水平可能低于東北地區某些人口增長率較高的縣區單元，這種較多的交叉重疊現象是造成區域差異的主要原因。區域內差異的貢獻率變動不大，呈略微下降態勢。區域間凈差異的貢獻度呈明顯上升態勢說明區域間不平衡現象愈發嚴重，一定程度上反映出我國區域人口增減分化的趨勢愈發明顯。

四、中國區域人口增減的驅動因素

（一）多元回歸分析

表5展示了2000—2010年和2010—2020年兩個時段的回歸結果。結果顯示人均GDP、產業結構和就業水平三個經濟因素指標的系數在兩個時段均顯著為正，說明一個地區的經濟發展水平越高、第三產業比重越大、就業水平越高，對人口增長就越有利。創業活躍度的系數也由不顯著為正轉變為顯著為正，說明創業活躍度對人口增長的積極作用日益顯現。一方面，經濟因素是影響人口遷移的主要因素：人們為了追求更高的收入和更好的發展機會，往往會選擇遷移到經濟發展水平較高、就業機會充足、創業機會豐富的地區。在相同資本產出效率的條件下，第一、二產業的就業彈性通常低于第三產業，第三產業可以吸納的勞動人口更多，33第三產業的快速發展更容易創造出大量的就業機會，吸引更多的人口流入。另一方面，經濟因素對人口自然增長率也有直接影響：經濟發展水平的提升能夠帶動居民收入水平的提高，個體在醫療和健康方面的投人也會隨之增加，有助于降低死亡率，同時收入的提高還會顯著影響家庭生育決策。

回歸結果還顯示醫療資源、教育資源、人口集聚這三個社會因素指標的系數在兩個時段均顯著為正，說明一個地區的醫療資源越充足、教育資源越豐富、人口集聚程度越高，對人口增長就越有利。一方面，社會因素對人口流動具有顯著影響：豐富的教育資源是

吸引人口流入的重要因素，有子女的家庭往往更傾向于遷移到教育資源充足的地區以便為子女提供更好的教育條件。醫療服務的可及性和可得性也是居民在選擇居住地時的重要考量因素，人們通常會選擇遷移到醫療資源豐富的地區以便及時獲得便捷的醫療服務。人口集聚程度高的地區往往是就業機會豐富、公共服務設施完善的區域，人口集聚能夠通過擴大本地市場規模吸引更多企業就近布局，從而帶來更多的就業機會;公共服務設施為了服務更廣泛的人群并提高資源利用效率，也傾向于在人口集聚程度較高的地區布局。因此，勞動者為了尋求更多的就業機會和更高的生活質量傾向于遷往人口集聚程度高的區域，從而促進當地的人口增長。另一方面，社會因素對人口自然增長率也會產生顯著影響：充足的醫療資源能夠通過提供及時有效的醫療服務降低居民死亡率，同時可以通過降低育齡婦女的生育風險來提高生育意愿；豐富的教育資源可以減少家庭為了獲取優質教育資源而付出的額外成本，減輕家庭的養育成本進而激發生育意愿，這些機制都會帶來人口自然增長率的提升，從而對人口增長產生積極影響。

地理因素和行政因素同樣在人口變動中發揮了重要作用。回歸結果中，干燥度和平均高程的回歸系數均顯著為正，這表示在干燥度越高、平均高程越高的地區，人口增長率反而越高。這種現象主要是由于我國干燥度高的區域大多分布在西北地區，平均高程高的區域主要分布在西部地區且大多連片分布在青藏高原，這些地區的縣域單元人口規模相對較小，即使增加少量的人口也會得到一個較高的人口增長率，但實際的人口增量并不多。氣溫的回歸系數在兩個時段均顯著為正，表明氣溫越高的地區人口增長率也越高，說明氣溫舒適性也是解釋我國人口向南遷移的重要因素。歸一化植被指數的回歸系數在2000—2010年顯著為負，2010—2020年轉變為正向不顯著，這可能是由于2000—2010年我國正處于快速城鎮化階段，而高植被區域多為農村或生態保護區，產業結構相對單一，缺乏就業機會，導致勞動力外流，2010—2020年隨著生態旅游、特色農業等產業的興起，生態價值逐漸增強，再疊加高植被區域的生態宜居優勢，使這些區域的人口吸引力逐漸增強。到港口的最短距離的倒數在兩個時段均顯著為正，說明沿海地區更容易吸引人口流入，這不僅是由于沿海城市的宜居性較高，更重要的是沿海地區具有天然的貿易優勢，經濟機會較多，從而吸引人口流入。回歸結果中，行政等級I代表是否為直轄市、副省級城市和省會城市的市轄區，行政等級Ⅱ代表是否為除上述城市外的其他地級市的市轄區，兩個虛擬變量的估計系數均顯著為正，說明行政等級越高的城市人口增長率越高。一般而言，高行政等級城市在資源配置上具有優先權，強省會戰略的實施也強化了省會城市的要素集聚能力。因此，高行政等級城市往往具備更發達的基礎設施和更成熟的投資環境，能夠吸引眾多企業入駐并創造更多的就業機會，同時這類城市在公共交通、教育、醫療等公共服務供給方面的質量和效率較高，這些優勢共同構成吸引人口持續流入的拉力。

（二）地理探測分析

1.單因子分析

表6為單因子檢測結果。單因子結果顯示所有影響因子的 p 值均小于0.01，通過了顯著性檢驗。2000—2010年各因子的 q 值由大到小依次為：人均GDPgt;醫療資源 gt; 就業水平 gt; 行政等級 gt; 人口集聚gt;距離港口最短距離的倒數 gt; 平均高程 gt; 產業結構 gt; 氣溫 gt; 歸一化植被指數 gt; 教育資源 gt; 干燥度 gt; 創業活躍度，這一時期人均GDP對人口增長率空間分異的解釋力最強，創業活躍度的解釋力最弱。2010—2020年各因子的 q 值由大到小依次為：行政等級 gt; 醫療資源 gt; 就業水平 ? gt; 人均GDPgt;人口集聚 gt; 氣溫 gt; 創業活躍度 gt; 距離港口最短距離的倒數 gt; 產業結構 gt; 教育資源 gt; 干燥度gt;平均高程 歸一化植被指數，這

一時期行政等級對人口增長率空間分異的解釋力最強，歸一化植被指數的解釋力最弱。比較兩個時期各變量的 q 值可以發現：經濟因素中，人均GDP的解釋力明顯下降，創業活躍度的解釋力明顯上升，就業水平的解釋力有所上升且始終位居第三。社會因素中，人口集聚、教育資源的解釋力有所下降但降幅較小，醫療資源的解釋力仍在上升且一直居于第二。地理因素中，平均高程、歸一化植被指數的解釋力明顯下降，氣溫的解釋力有所上升。行政因素中，行政等級的解釋力明顯上升，2010—2020年解釋力上升到了第一位。

2.交互作用分析

單因子分析旨在量化單一驅動因素對人口增減空間分異的解釋力，而各個驅動因素往往不是單獨作用的，共同作用時可能存在協同或拮抗等效應。為此，本文進一步使用交互探測模塊考察不同影響因子的交互作用是否會增強或減弱對人口增長率空間分異的解釋力。圖2和圖3分別是2000一2010年、2010—2020年人口增長率空間分異影響因子交互探測結果。地理探測器中，兩個因子之間的關系可分為非線性減弱、單因子非線性減弱、雙因子增強、獨立和非線性增強五種類型①。從圖2和圖3可以發現交互作用類型主要表現為雙因子增強或非線性增強，即本文任何兩種變量對人口增減空間分布的交互作用都要大于單一變量的獨自作用，驅動因子共同作用時對人口增減的解釋力較強，單一因子的解釋力可能有限。

交互作用結果中，2000—2010年 q 值排前四位的因子組合是：人均GDPN平均高程 gt; 人均GDPO人口集聚 gt; 人均GDPN氣溫 gt; 人均GDPO距離港口最短距離的倒數，這一時期人均GDP作為核心因子重復出現在這4組因子組合中，且4組組合均產生了“ 1 + 1 gt; 2 的非線性增強效應。其中一個 q 值較大的因子組合是人均GDP人口集聚，人均GDP與人口集聚共同作用時可以形成正反饋循環：高人均GDP地區能夠憑借其經濟優勢吸引人口流入與集聚，人口集聚所產生的資源共享、市場規模效應、勞動力蓄水池效應、知識溢出等外部性會顯著降低企業生產成本，促使企業擴大生產規模，進而強化區域經濟優勢，繼續吸引更多人口流入。另外3組 q 值較高的組合均為經濟因素（人均GDP）和地理因素（高程、氣溫、到港口最短距離的倒數）的組合，說明地理稟賦對人口增減的解釋力可以通過經濟要素顯著放大。高經濟發展水平能夠顯著強化舒適氣候與沿海港口可達性的人口吸引力，而且經濟要素導人到高海拔區域所產生的人口增長驅動效應高于其他地區，特別是西部大開發戰略實施帶來的人均GDP的大幅提升顯著促進了西部地區的人口流入。

2010—2020年 q 值排前四位的因子組合是：氣溫門醫療資源 gt; 氣溫門就業水平 gt; 氣溫門創業活躍度 gt; 氣溫行政等級，這一時期氣溫作為核心因子重復出現在這4組因子組合中。比較2000—2010年和2010—2020年兩個時段的交互作用結果可以發現：解釋力最強的幾個交互因子組合從2000—2010年以人均GDP為核心的經濟驅動型組合轉變為2010—2020年以氣溫條件為核心的宜居性驅動型組合，遷移決策正在逐漸從主要追求經濟收益轉向注重生活質量。2010—2020年氣溫醫療資源、氣溫門就業水平、氣溫創業活躍度均為非線性增強，說明氣候溫暖能夠顯著放大豐富的醫療資源、就業崗位及創業機會對人口的吸引力，我國南方地區憑借氣候溫暖的宜居優勢能夠與充足醫療資源形成協同增益效應，顯著提升居民健康水平，同時氣候溫暖能夠通過促進勞動力身心健康、提高人力資本效率進一步激發創新創業活力并擴大就業容量，進而持續增強區域宜居宜業水平，吸引人口不斷流入；相反，氣候寒冷也會放大醫療資源短缺、就業機會匱乏、創業不活躍對人口外流的解釋力，在我國東北地區，寒冷氣候不僅直接削弱人口吸引力，還通過提高基礎設施維護成本、壓縮戶外經濟活動周期等路徑加劇資源約束，顯著放大醫療資源不足、經濟機會匱乏對人口外流的影響程度。氣溫行政等級屬于雙因子增強類型，表現為寒冷氣候和低行政等級共同作用時，對人口外流的解釋力雖弱于二者單獨作用之和，但仍強于任一單因子獨立作用時的解釋力，這一結果與東北地區人口遷移特征相吻合：除了遷出到東北地區以外，在東北地區內部人口流動呈現出顯著的行政等級偏好，人口大量流向沈陽、大連、、哈爾濱等高行政等級城市。

在2000—2010年和2010—2020年兩個研究時段中，非線性增強類型的因子組合數量均多于雙因子增強類型，說明我國人口增減的空間分異格局是多種驅動因子共同作用的結果，且較多數因子間能夠產生“ 1 + 1 gt; 2 ”的協同增值效應。盡管某些因子單獨作用時的解釋力較弱，但是可以與其他因子之間產生交互增強作用，提高對人口增長率空間分異的解釋力。創業活躍度與人口集聚交互時在2000—2010年和2010—2020年兩個時段均能夠產生“ 的非線性增強效應：高人口集聚區憑借規模較大的勞動力市場和消費市場吸引更多企業入駐并提高創業活躍度，創業活躍度的提高又通過創造更多的就業發展機會進一步吸引人口流入與集聚，這種循環累積效應使兩個驅動因子共同作用時持續產生協同增益，從而顯著提升區域人口增長率。但是也有部分因子組合的交互作用效果屬于4 的雙因子增強類型，最典型的就是行政等級與其他因子的組合：2000—2010年包含行政等級的因子組合中有7組屬于雙因子增強，2010—2020年增加到了11組，說明行政等級單獨作用時的解釋力較強，但與其他因子共同作用時大多表現為“ 的雙因子增強特征。高行政等級地區在獲取財政支持、公共服務資源等方面具有明顯優勢，這本身就是吸引人口流人的主要動力，但是行政等級與其他因子（如人均GDP、就業水平、人口集聚等）共同作用時會出現解釋力重疊的現象，削弱協同增益，造成“ ”的結果。因此，行政資源集中雖能獨立增強人口吸引力，但是如果過度依賴行政資源投入會加劇與其他因子間的解釋力重疊，壓縮經濟因素、社會因素等其他因素的獨立作用空間，容易低估甚至忽視這些因子對人口流動的作用，降低資源配置效率。

五、結論與建議

本文基于第五、第六、第七次全國人口普查縣級數據，探討了我國區域人口增減的空間分布、動態演進和區域差異等方面的特征，并進一步分析了人口增長率空間分異的驅動因素。研究結論如下：2000—2020年我國人口負增長現象在縣區尺度上呈現快速蔓延趨勢，其中市轄區的人口增長態勢明顯優于縣域單元，縣域單元則普遍面臨人口流失的困境。與2000—2010年相比，2010—2020年快速減少型、中速減少型、緩慢減少型的縣區數量均明顯增加，快速減少型縣區主要連片分布在東北地區，同時還較為集中地分布于黃河流域上中游地區。冷、熱點分析中，2010—2020年東北地區基本全面成為冷點區域，長江流域的冷點區域逐漸縮小，黃河流域上、中游地區的冷點區域逐漸擴大，熱點、次熱點區域的縣區數量顯著增加，即人口增長率高值集聚的趨勢愈發明顯。從時間演進特征來看，東部地區人口增長率雖有所下降，但仍遠高于其他地區，東北地區人口增長率下降幅度最大，面臨嚴重的人口外流問題；I型大城市和超大特大城市仍持續吸引著大量人口涌入，而小城市的人口總量迅速減少。核密度估計中，全國及各區域的核密度曲線基本上都呈現出不同程度的左移、主峰高度降低且寬度加大的態勢，也有部分曲線出現多峰趨勢，表明大部分縣區的人口增長率出現下降態勢，且區域內人口增長率差距逐漸擴大甚至部分區域內部存在極化現象，人口增減的空間非均衡性愈發明顯。Dagum基尼系數及分解結果中，全國層面的基尼系數上升，表明人口增長率的總體區域差異呈現擴大趨勢，超變密度是造成這種差異的主要原因，但其貢獻率呈現出下降態勢，而區域間凈差異的貢獻率則明顯上升，東北地區與其他地區、超大特大城市與小城市之間的人口增減分化態勢日益顯著。在驅動因素分析中，經濟因素、社會因素、地理因素、行政因素均為人口增長率空間分異的驅動因素。各驅動因子對人口增長率的解釋力具有動態差異性，與2000—2010年相比，2010—2020年歸一化植被指數、平均高程和人均GDP的解釋力明顯下降，創業活躍度、行政等級的解釋力明顯上升，解釋力最強的因子從人均GDP轉變為行政等級，醫療資源、就業水平的解釋力均有所上升且始終位于前列。驅動因子間的交互作用類型均表現為雙因子增強或非線性增強，且非線性增強的因子組合數量較多。解釋力最強的幾個因子組合從2000—2010年以人均GDP為核心的經濟驅動型組合轉變為2010—2020年以氣溫條件為核心的宜居性驅動型組合，遷移決策正逐漸從主要追求經濟收益轉向注重生活質量。盡管某些因子單獨作用時的解釋力較弱，但是可以與其他因子之間產生4 1 + 1 gt; 2 ”的交互增強作用，如創業活躍度和人口集聚共同作用時能夠顯著提高對人口增長率的空間分異程度的解釋力。另外，行政等級單獨作用時的解釋力較強，但是與經濟因素、社會因素等其他因素共同作用時存在解釋力重疊效應，大多表現為“ 1 + 1 lt; 2 ”的雙因子增強，協同效率弱于非線性增強的因子組合。

對于人口負增長地區來說，地方政府需要采取針對性措施遏制人口持續外流，可以通過發展特色產業和第三產業擴大就業容量，優化投資環境與營商環境來提升城市創業活躍度，同時增強勞動力市場上的信息對稱程度，推動職業培訓的現代化，從而為當地人口提供更多的就業機會、更高的收人水平和更好的發展前景，促進高質量充分就業。與此同時，需要繼續提高醫療服務的質量和可及性，為居民提供更加便捷高效的公共服務，放寬戶籍限制，打破城鄉壁壘，完善勞動力市場制度，重視為外來人口提供相應的醫療保障與住房保障等多方面政策支持，吸引人口流入。對于一些發展條件相對較差的區域，應該重新整合空間資源，適當實行精明收縮。

地方政府在應對人口增減問題時需要充分認識人口增減空間分異是多種因素共同作用的結果，如創業活躍度和人口集聚之間就會產生“ 1 + 1 gt; 2 ”的協同增效作用，人口集聚程度較高的地區可以通過激發創業活躍度來促進人口持續增長。但是，人口的持續流入勢必會對基礎設施建設和公共服務供給提出更高要求，當超過城市的人口承載能力時，便會引發居住生活成本過高、公共服務短缺等問題。因此，要重視人口的過度集聚問題，建立人口承載力預警機制，積極發展小城市、小縣城，重點發展一批有潛力的中等城市，努力縮小與大城市在工作條件、生活環境、收入水平等方面的差距，避免人口盲目流向大城市。以氣溫條件為核心因子的宜居性驅動型組合對人口增長率空間分異的解釋力正在持續增強。研究發現溫暖的氣候條件能夠與醫療資源的高效供給、創業生態的高活力以及就業市場的高潛力形成顯著的協同效應，從而共同增強對人口的吸引力；相反，寒冷的氣候條件將會加劇醫療資源短缺、就業機會匱乏、創業動能不足對人口外流的影響強度，導致人口外流呈現加速態勢。因此，對于我國人口外流最為嚴重的東北地區來說，為了突破寒冷氣候的制約，需要進一步加強供暖系統改造、擴大供熱管網覆蓋范圍、推廣清潔供暖技術，同時著力提升醫療資源供給能力、優化創業支持體系、加快傳統產業轉型升級并培育新興產業以拓展就業空間，為吸引人口流入提供持續動力。針對行政等級與其他因子間解釋力重疊導致的‘ 現象，需要大力推進基本公共服務均等化，弱化醫療、教育等資源向高行政等級城市的過度集中，緩解高行政等級城市對生產要素的虹吸效應，從而降低解釋力重疊，使得各地區驅動因子間的交互作用效果實現帕累托改進；同時需要注重發揮省會城市的龍頭帶動作用，推動產業轉移，深化區域協作機制，促進資源的優化配置和共享，從而引導人口向周邊城市疏散轉移，促進人口合理均衡布局，推動區域協調發展。

【參考文獻】

[1]劉艷軍，湯爽爽，吳康，等.經濟地理學視角下中國人口研究熱點與展望[J].經濟地理，2021（10）：97-105，142.

[2]戚偉，劉盛和，趙美風.“胡煥庸線\"的穩定性及其兩側人口集疏模式差異[J].地理學報，2015（4）：551-566.

[3]尹旭，魏慧，李裕瑞，等.中國不同類型地區人口時空分異特征：基于“五普”至“七普”分縣人口數據的分析[J].地理科學進展，2023（3）：452-463.

[4］高向東，王新賢，朱蓓倩.基于“胡煥庸線”的中國少數民族人口分布及其變動[J].人口研究，2016（3）：3-17.

[5]劉曄，黃翠盈，李晴，等.2000—2020年中國高學歷人才分布格局及其影響因素研究[J].地理研究，2023（11）：2827-2844.

[6］劉睿文，封志明，楊艷昭，等.基于人口集聚度的中國人口集疏格局[J].地理科學進展，2010（10）：1171-1177.

[7]童玉芬，楊艷飛，和明杰.中國主要城市群的人口分布格局特征、問題及政策思考[J].人口學刊，2022（4）：1-13.

[8］劉濤，卓云霞.中國縣級人口變動的空間格局及影響因素：基于第七次全國人口普查數據的新探索[J].人口研究，2022（6）：72-87.

[9]劉振，李偉，劉盛和.中國區域人口收縮對經濟增長的影響及形成機理[J].地理研究，2024（4）：949-965.

[10]蔡昉，王美艷.中國城鎮勞動參與率的變化及其政策含義[J].中國社會科學，2004（4）：68-79，207.

[11]胡泰，林李月，朱宇，等.基于2000—2020年人口普查數據的福建省流動人口結構時空演化及影響因素[J].地理科學，2024（12）：2176-2184.

[12]樸美蘭，程昊.東北朝鮮族聚居地區人口流失與社會治理：以延邊朝鮮族自治州為例[J].東疆學刊，2023（1）：64-69.

[13]李美善，金銀珠，徐香蘭.東北邊境延邊地區人口過疏化治理研究[J].東疆學刊，2024（4）：18-22.

[14]翟振武，李妹婧.新時期中國低生育率的影響因素[J].濟南大學學報（社會科學版），2023（1）：13-24.

[15]于濤方.中國城市人口流動增長的空間類型及影響因素[J].中國人口科學，2012（4）：47-58，111-112.

[16]楊曉軍.城市公共服務質量對人口流動的影響[J].中國人口科學，2017（2）：104-114，128.

[17]張耀軍，岑俏.中國人口空間流動格局與省際流動影響因素研究[J].人口研究，2014（5）：54-71.

[18]李濤，李蕓萌.人口流動、城市集群發展與產業結構優化：基于省實踐路徑的考察[J].稅務與經濟，2024（3）：106-112.

[19]黃燕芬，張超.城市行政層級視角的人口流動影響機理研究[J].中國人口科學，2018（1）：33-45，126-127.

[20]年猛，王垚.行政等級與大城市擁擠之困：沖破戶籍限制的城市人口增長[J].財貿經濟，2016（11）：126-145.

[21]盧洪友，文潔，許文立.氣候變化對中國人口流動的效應研究[J].湖北社會科學，2017（2）：77-84.

[22]呂晨，藍修婷，孫威.地理探測器方法下北京市人口空間格局變化與自然因素的關系研究[J].自然資源學報，2017（8）：1385-1397.

[23]Dagum C.ANewApproach totheDecompositionofthe Gini IncomeInequalityRatioJ].Empirical Economics，97，22（4）：515-531.

[24]王潔晶，張沐華，王霓霓.中國流動人口分布的空間格局和影響因素：基于人口普查分縣數據的研究[J].人口學刊，2023（4）：82-96.

[25]王勁峰，徐成東.地理探測器：原理與展望[J].地理學報，2017（1）：116-134.

[26]彭守璋.中國1km逐年干燥度數據集（1901—2023）[EB/OL].（2024-07-17）[2025-02-28].https：/doi.org/10.11888/Atmos.tpdc.300560.

[27]Peng S，DingY，Wen Z，etal.SpatiotemporalChangeandTrendAnalysisofPotentialEvapotranspirationovertheLoessPlateau of China during 2011-210o[J]. Agricultural and Forest Meteorology，2017，233：183-194.

[28]DigY，Peng S.Spatiotemporal Trendsand AtributionofDroughtacrossChina from1901-210o[J].Sustainability，2020，12（2）：477.

[29]Dig Y，Peng S.Spatiotemporal Change and Atributionof Potential Evapotranspiration overChinafrom190l to 210[J].Theoretical and Applied Climatology，2021，145（1-2） ：79-94.

[30]Peng S，Ding Y，Liu W，etal.1 km Monthly Temperature and Precipitation Dataset for China from 1901 to 2017[J].EarthSystem Science Data，2019，11（4）：1931-1946.

[31]高吉喜，史園莉，張宏偉，等.中國區域 250米歸一化植被指數數據集（2000—2023）[EB/OL].（2024-05-20）[2025-02-28]. https：//doi.org/10.11888/Terre.tpdc.300328.

[32]徐新良.中國氣象要素平均狀況空間插值數據集[EB/OL].（2017-12-13）[2025-02-28].htp：//ww.resdc.cn/DOI.

Abstract： Based on the county-level data from the fifth，sixth，and seventh national population censuses， this study examines the spatial distribution，dynamic evolution paterns，and regional disparities of regional population changes in China using spatial data analysis ，kernel density estimation，and the Dagum-Gini coefficient method.It also explores the driving factors of spatial differentiation in population growth rates through multiple regression models and an optimalparameter-based geographical detector.The findings reveal the following： negative population growth has become prevalent at the county and municipal district levels in China，municipal districts exhibit stronger growth momentum than county-level units，which predominantly decline.Compared to the period 2OoO-2010，the number of counties categorized as rapiddecline，moderate-decline，and slow-decline types increased substantially during 2010-2020.Kernel density estimation reveals leftward shifts，lowered peak heights，and widened spans in national and regional curves，with some exhibiting multi-peak trends.These patterns indicate declining population growth rates across most counties and widening intraregional disparities，suggesting potential polarization phenomena in certain regions.The Dagum-Gini coeficient decomposition demonstrates rising national Gini coefficients， highlighting expanding overalldisparities inpopulation growth rates.Although the intensityof transvariation remains the primary contributor，its contribution has declined，whereas the net contribution rate of interregional disparities has risen significantly.Notable disparities have emerged between Northeast China and other regions，as well as between super-large and mega cities and small cities.Economic，social，geographical，and administrative factors collctively influence population growth rates and reshape regional growth patterns.The explanatory power of driving factors exhibits dynamic variations ：administrative hierarchy has replaced per capita GDP as the strongest determinant，entrepreneurship vitality shows growing influence，while employment levels and medical resources maintain consistently high explanatory power. Significant interactive effects exist among factors，presenting either two-factor enhancement or nonlinear enhancement. The most explanatory interaction combinations have shifted from economy-driven types centered on per capita GDP to livability-driven types centered on temperature conditions.Administrative hierarchy interactions with other factors mainly show two-factor enhancement and overlapping explanatory effects.Therefore，counties and municipal districts，particularly those with severe population decline， should prioritize creating favorable living and working environments，advancing the equalization of essential public services，and optimizing spatial resource allocation to promote rational population distribution and facilitate coordinated regional development.

KeyWords：Population Growth and Decline，Regional Differences，Driving Factors