李 月

(哈爾濱商業(yè)大學，哈爾濱 150028)

人口分布對于城市的發(fā)展極為重要，研究人口的區(qū)域差異，探索與其他因素的聯(lián)系對于一個城市的經(jīng)濟、環(huán)境、資源等可持續(xù)發(fā)展有十分重要的意義。大量文獻研究范圍主要選取全國與區(qū)域作為研究對象[1]，由于數(shù)據(jù)的可獲得性，研究尺度多數(shù)基于省級數(shù)據(jù)、地市級數(shù)據(jù)，少數(shù)研究用到了縣級數(shù)據(jù)。隨著科技的進步，數(shù)據(jù)得到了更好的完善，一些學者基于鄉(xiāng)鎮(zhèn)數(shù)據(jù)乃至街道的數(shù)據(jù)也做出了研究，使得研究結(jié)果更具說服力[2]。大多文獻選取人口密度作為研究指標，采用基尼指數(shù)、人口重心、洛倫茲曲線、空間自回歸等方法研究人口分布及演變特征。為探討近年來的人口分布變化情況，選取2013—2017年全國31個省份常住人口數(shù)據(jù)，利用探索性空間數(shù)據(jù)分析等方法，對我國人口分布進行分析，了解其區(qū)域差異，對于區(qū)域人口密度差異大的城市進行分析，為我國人口政策的調(diào)整提供參考依據(jù)與政策建議。

1 數(shù)據(jù)來源及研究方法

1.1 數(shù)據(jù)來源

以我國31個省份為研究尺度，2013—2017年年末常住人口數(shù)據(jù)來源于《2017中國人口和就業(yè)統(tǒng)計年鑒》，空間數(shù)據(jù)來源于2010全國行政區(qū)劃。

1.2 研究方法

空間自相關是指變量在空間上與鄰近的變量存在相關性，利用統(tǒng)計學方法研究變量間在地理空間上與周圍單位的關系，分析變量在空間上的分布特征，可以確定研究變量在空間上的相關性與相關程度。

全局空間自相關模型。全局空間自相關反映了研究變量在整個研究區(qū)域的總體特征，用于判斷變量是否與相鄰空間的變量存在相關，其計算式為：

(1)

局部空間自相關模型。局部空間關聯(lián)指數(shù)可以反映局部地區(qū)與其鄰近地域單元之前的關聯(lián)性，其計算式為：

(2)

當局部莫蘭指數(shù)Ii大于0，表示一個高值被高值所包圍(高-高)，或者是一個低值被低值所包圍(低-低)。當局部莫蘭指數(shù)Ii小于0，表示一個高值被低值所包圍(高-低)，或者是一個低值被高值所包圍(低-高)。

2 結(jié)果分析

2.1 人口密度分區(qū)

一般來說，人口密度可以直接表現(xiàn)出人口分布的主要形式和地區(qū)差異，利用等間隔法將各省市的人口密度分為7個等級：高度聚集區(qū)、一般聚集區(qū)、輕度聚集區(qū)、過渡區(qū)、輕度稀疏區(qū)、一般稀疏區(qū)、重度稀疏區(qū)。將2013年與2017年的人口密度劃分進行對比，結(jié)果如表1：

表1 全國人口密度分區(qū)統(tǒng)計Tab.1 Statistics of density of population in China

從分區(qū)表可以看出，從2013年到2017年人口密度為輕度稀疏區(qū)的省份個數(shù)有所下降，過渡區(qū)與輕度聚集區(qū)都有所上升，說明人口密度總體上呈上升趨勢，但一般稀疏區(qū)與嚴重稀疏區(qū)仍然未改變，與高度聚集區(qū)和一般聚集區(qū)差距較大，說明人口分布依舊處于不平衡分布狀態(tài)。根據(jù)密度等級運用Arcgis軟件對31個省市作出人口密度分布圖，如圖1：

圖1 2013年、2017年全國人口密度分布圖Fig.1 Distribution diagram of population density in China in 2013 and 2017

從單個省市來看，上海與北京、天津分別穩(wěn)定在高度聚集區(qū)與一般聚集區(qū)；黑龍江、甘肅與新疆、西藏、青海及內(nèi)蒙古分別穩(wěn)定在一般稀疏區(qū)與高度稀疏區(qū)；貴州、廣西從輕度稀疏區(qū)變成了過渡區(qū)；一般聚集區(qū)向北增加了河北省。從全國總體來看，由于西北地區(qū)及西藏地理位置及地形的影響，高海拔導致人口密度較低。東北地區(qū)的人口密度自南向北逐漸變低，這是氣候的原因?qū)е?，越往北溫度越低。人口密集的地方多?shù)分布在華東、華中、華南地區(qū)以及華北地區(qū)東部。2013---2017年西南地區(qū)的人口密度有所增加，其中增加的省份緊鄰人口密度相對大的華中地區(qū)。

2.2 全局自相關分析

運用Geoda軟件建立鄰接空間權重，對2013—2017年的各省份人口密度數(shù)據(jù)進行空間分析，計算全局Moran’s I指數(shù)，得到結(jié)果如表2：

表2 全局Moran’s I指數(shù)Tab.2 Overall situation Moran’s I index

從表2全局Moran’s I指數(shù)可以得到：2013—2017年全國各省人口密度數(shù)據(jù)的全局Moran’s I指數(shù)均大于0，對應的P值都遠小于0.05，拒絕原假設，即全國各省人口密度存在正相關關系。Moran’s I指數(shù)隨著年份的不斷增加，表明我國人口分布聚集程度在不斷增加。

2.3 局部自相關分析

運用Geoda軟件作出Moran’s散點圖及Lisa聚類圖。經(jīng)計算得到2013年、2015年和2017年的人口密度分布的Moran’s散點，如圖2：

圖2 2013年、2015年、2017年人口密度Moran’s散點圖Fig.2 Population density Moran’s scatter diagram in 2013,2015 and 2017

從整體來看，2013—2017年，我國人口分布未發(fā)生較大改變，人口密度的聚集類型比較穩(wěn)定。Moran’s散點多數(shù)分布在第一象限(高-高)與第三象限(低-低)，極少分布在第二象限(低-高)與第四象限(高-低)，也說明了人口分布存在空間正相關。其中，第三象限中的散點基本都在紫色斜率線周圍波動，表明“低-低”集聚類型的省市人口密度不存在較大的差異，而第一象限中的散點與紫色斜率線偏離較大，說明“高-高”集聚類型的省市人口密度有較大的差異。

圖3 2017年人口密度LISA聚類圖Fig.3 Population density LISA dendrogram in 2017

LISA聚類圖能直觀地從地圖上反映不同聚集類型，再通過Z檢驗值的基礎上(P=0.05)繪制了LISA聚集圖,得到以下結(jié)果：“低-低”類型的省份有8個，主要分布在西北地區(qū)以及西南地區(qū)。由于該區(qū)地普遍海拔高，晝夜溫差大，受到環(huán)境，經(jīng)濟與教育水平不均等的影響，導致該地區(qū)人口密度較稀疏，呈現(xiàn)出人口低密度聚集?！案?高”類型的省份有2個，主要分布在華東沿海地區(qū)。該地區(qū)經(jīng)濟水平較高，吸引了大量人口，導致人口密度大，呈現(xiàn)出人口高密度聚集?？傊珖鵁狳c地區(qū)(高-高)與冷點地區(qū)(低-低)均具有聚集性，在地圖上呈“整片式”分布，說明全國人口分布具有空間自相關性。

3 結(jié)論與討論

利用Arcgis與Geoda軟件的空間分析功能對2013—2017年31個省市的人口密度進行分析，探索全國人口分布以及區(qū)域差異，得到以下結(jié)論：

利用等間隔法將人口密度分成7個等級，結(jié)合arcgis軟件看出，華東及華北地區(qū)人口最為密集，其次是華中及華南地區(qū)，再次是西南地區(qū)，西北地區(qū)人口密度最為稀疏，其中東北地區(qū)的人口密度由南至北逐步減少。隨時間推移，全國人口密度有所上升，主要是西南地區(qū)的人口密度有所上升。

通過Moran散點圖與LISA聚類圖發(fā)現(xiàn)，全國人口分布存在空間自相關性。2013—2017年，我國人口分布未發(fā)生較大改變，人口密度聚集類型比較穩(wěn)定?！暗?低”類型主要分布在西北地區(qū)以及西南地區(qū)，“高-高”類型主要分布在華東沿海地區(qū)，并且在地圖上呈整片式分布。

人口分布對我國區(qū)域經(jīng)濟的可持續(xù)發(fā)展有重要影響，改善人口分布的不均衡需要政府的推動力量，如科學的區(qū)域規(guī)劃，推進新型城鎮(zhèn)化建設，對人口稀疏地區(qū)采用人才引進政策等。