| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 经济/产业 |
| 人口结构与城镇化关联分析 |
| 第657期 作者：□文/陈 春 李 昊 张 智 许 慧 时间：2021/5/16 17:21:34 浏览：308次 |
［提要］ 人口结构与经济发展、产业结构和城镇化密切相关，合适的人口年龄结构更有利于经济发展，老龄化人口结构将促进经济结构调整。研究使用2020年统计数据，采用结构方程构建31个省市人口结构、经济发展和产业结构模型，深入分析人口结构包括成年人口、老年人口和儿童人口的比例，研究教育、失业人口对经济发展和产业结构的计量关系。结果表明:人口结构对经济发展、产业转型、城镇化起重要作用，最后提出结论和政策建议。
关键词：人口结构；产业转型；城镇化；结构方程
基金项目：教育部规划基金项目：“一带一路”背景下的海外派遣员工的心理授权与绩效研究（编号：17XJA630005）；四川省教育厅重点课题：“劳动工资上涨背景下劳动力成本效应与企业发展研究”（编号：17SA0135）
中图分类号：C92 文献标识码：A
收录日期：2021年2月7日
人口结构与经济发展、产业结构构成和城镇化密切相关，合适的人口年龄结构更有利于经济发展。2019年，我国老龄人口已达2.54亿人，老龄化人口数量的迅速增加，使我国提前进入人口老龄化社会。人口老龄化结构需要面对许多复杂经济问题，人口红利逐潿消失，经济的持续发展、产业结构转型、新城镇化布局等。目前，人口与经济发展等问题已经成为重要的研究课题，寇聪姗（2013）研究了人口老龄化、产业结构调整与经济增长关系；逯进、王晓飞等（2019）深入分析了老龄化、人口流动与产业结构的系统协调关系；左奇（2016）针对目前人口结构，提出了产业结构优化建议等。但现有研究多立足于局部，缺少从人口结构整体出发，全面定量研究其与经济发展、产业结构和城镇化的关系。本文利用2020年统计数据，采用结构方程构建人口结构与经济发展和产业结构模型，研究中国人口老龄化结构特点，全面剖析人口结构与经济、产业结构和城镇化关联影响的定量难题，希望以此能更好促进未来的经济与社会的持续稳定的发展。
一、31个省市人口结构化方程模型构建
结构方程模型（SEM）融合了多元统计分析中的因子分析和回归分析的统计方法。主要通过引入潜在变量，研究抽象变量之间复杂的因果或相关关系，将一些无法直接观测的研究因子作为潜变量，与直接观测的变量建立因果关系，使用联立方程组进行模型识别、估计和验证。
（一）人口结构模型的假设。人口结构、经济发展和产业结构之间是一种复杂的系统，既相互关联，又相互限制和促进。研究设置三个潜变量：人口结构因子、经济因子和产业结构因子。人口结构因子涉及年龄、受教育程度和人口增长情况；经济因子包括生产总值、劳动力状况等；产业结构因子包括第一产业、第二产业和第三产业的企业比重、城镇化比重等。三个潜变量为相互互动影响的关系，用双向箭头的路径表示，箭头来源处作为“原因”，箭头所指处作为“结果”，我国31省市人口结构模型假设如图1所示。（图1）
（二）数据采集和标准化。基于人口结构模型假设，本文数据使用2000年中国出版社出版的《中国统计年鉴2000》，参考《中国统计年鉴2002～2019》等，将全部的潜变量和观察变量汇总于表1。对于缺失数据通过其他途径补全，对于个别不能补全的缺失数据采用点处的线性趋势替换处理。然后，对原始数据自然对数化，再对其进行标准化处理。在统计检验数据筛选时，选用产业企业数作为相关产业的观察变量，实证结果通过信度检验。（表1）
为方便Amos数据处理，本文没有使用SPSS进行标准化处理，而是选用比重法进行标准化处理。计算公式如下：
Y■=X■■ （1）
式中，i=1、2、3…n，j=1、2、3…m，Xij表示第i对象第j行的指标实际值。经Excell处理后，所有标准化数据转化成无量纲数据，且取值在［0，1］之间。选用IBM SPSS Statistics 19对数据进行严格的统计检验，包括缺失值、平均值、标准差、偏度和峰度的统计检验，删除不符合标准的指标或数据。Cronbach's Alpha系数为0.954，表明经筛选所采用的数据具有很好的信度。表2所示为对各个潜变量相关观察变量的Cronbach's Alpha，其中人口结构因子和经济因子的Cronbach's Alpha系数大于0.9，经济结构因子Cronbach's Alpha系数为0.781，所选潜变量均具有良好的可信度。（表2）
二、模型拟合、评价和分析
IBM SPSS Amos21适合多种变量分析，包括潜变量、指标和误差变量，可创建人口结构模型并对其进行试算、调整和误差修正，最后得到模型的全部路径系数等运算结果。
（一）模型适配性检验。在IBM SPSS Amos21中，支持Bootstrapping goodness-of-fit measures，在数据为非多元常态时，可以使用Bollen-Stine Bootstrap估计模型配适度并得到估计和分析结果，使用Bollen-Stine Bootstrap模型适配度可以用（1）式算得：
GFI=1-λm2/λi2
NFI=（λi2-λm2）/λi2
RFI=1-λm2/dfm）/（λi2/dfi）
IFI=（λi2-λm2）/（λi2-dfm）
CFI=1-（λm2-dfm）/（λi2-dfi）
TLI=（λm2/dfm-λm2/dfm）/（λi2/dfi-1）
RMSEA=［（λm2-dfm）/（（n-1）df）］1/2 （2）
其中，λm2/为模型卡方值，λi2为独立模型卡方值，dfm为模型自由度，dfi为独立模型自由度，n为样本数。表3所示为人口结构方程的最终可靠性适配度检验，名义检验值为Amos输出模型配置表中的值，在Amos中，可以使用Bollen-Stine Bootstrap校正模型多元常态偏差，并校正适配度和模型拟合值。表3所示为人口结构方程的可靠性适配度检验，表中的Bollen Stine校正值为模型适配度实际检验值，可用公式（2）计算得到，可以看到拟合指标大多达到适配或很接近的要求，其余指标也接近适配要求。对于样本数为31的小样本模型，适配度符合实际检验要求。（表3）
（二）模型拟合和分析。图2所示为31省市人口结构方程的模型运算结果，图中显示的为拟合的全部路径系数、变量值等，所有残差项都为正表示模型界定是合理，图2下方显示了该模型的拟合卡方值与自由度的比值、卡方值、自由度、P、CFI、NFI、IFI和RAR名义检验值。（图2）
表4所示为31省市人口结构对经济发展和产业结构的SEM模型的拟合结果，其中显著性P值“***”，表示显著性概率P<0.001，大多数路径估计值通过0.001水平上显著检验，其他有两个标准路径估计值显著性P值为0.01，而且所有残差变量也有类似显著检验结果，并均通过0.05水平上显著检验。（表4）
31省市人口结构对经济发展和产业结构的SEM模型将观察变量、潜变量和误差变量以及变量之间复杂的因果或相关关系影响系数全部拟合好，经济因子和产业结构因子的协方差系数为0.231，人口结构因子和经济因子的协方差系数为0.129，人口结构因子和经济因子的协方差系数为0.151，协方差系数表示各因子间相互关系。而经济因子、产业结构因子和人口结构因子的相关系数分别为0.993、0.898和0.914，说明它们之间的相关度较高。
（三）模型因子得分权重和排名。表5所示为31省市人口结构对经济发展和产业结构的SEM模型的潜变量因子得分权重，因子得分权重受到假设和误差修正影响，存在一定偏差。对产业结构直接影响较大的指标依次为第三产业企业数、工业产业企业数和城镇化比重等；对产业结构间接影响较大的指标依次为第二产业产值、第一产业产值和专利申请量等。对经济因子直接影响较大的指标依次为产业总值、第二产业产值、劳动力人数和专利申请量等；对经济因子间接影响较大的指标依次为第三产业企业数、工业产业企业数、成人比例、老人比例和城镇化比重等。对人口结构因子直接影响较大的指标依次为成人比例、老人比例、失业人数、儿童比例和大专人数等；对人口结构间接影响较大的指标依次为生产总值、GDP增幅和第二产业总值等。（表5）
根据因子得分权重可以计算得31个省市人口结构、经济因子和产业结构得分值，然后根据得分高低进行排名，表6所示为31省市人口结构对经济发展和产业结构的排名。（表6）
由表6分析可知，经济因子得分靠前的依次为广东、江苏、山东、浙江、河南、四川、湖北、湖南、福建、上海等，说明这些省市地区经济发展较好，处于全国领先位置；产业结构因子得分靠前的依次为广东、江苏、山东、浙江、河南、辽宁、河北等，说明这些地区产业结构较其他地区更为合理，可以进一步巩固产业结构的优势，更好促进经济发展；人口结构因子得分在前的依次为山东、广东、河南、四川、江苏、河北、湖南等，说明这些地区人口结构较其他地区更为合理，但因人口老龄化是全国性问题，所以仍需要根据人口老龄化情况进行产业调整，在促进经济发展的同时，对现有的产业进行转型。
（四）指标间的相关矩阵。通过结构方程模型还可以得到各指标间的相关矩阵，表7为31个省市人口结构、经济发展和产业结构的指标的相关矩阵，深入分析这些指标的相关性可以得到结果如表7所示。（表7）
与老龄人口相关度高的经济指标依次为生产总值、劳动力人数、第二产业产值、第三产业企业数、工业产业企业数、专利申请量等，说明老龄化人口更适宜从事技术含量较高的产业。城镇化比重与经济指标相关度高的依次为生产总值、第二产业总值、工业产业企业数等，说明城镇化主要与地区工业化密切相关，但工业化可能导致地区的环境污染，所以在推进城镇化时要重视减少环境污染。第三产业总值指标相关度高的依次为生产总值、第二产业总值、劳动力人数、专利申请量、成人比例、老年人口比例等，所以，在城镇化工业化发展同时，需要考虑企业逐步由劳动密集型向技术密集型产业转移，增加对轻工业产品和以服务业为主的第三产业的比重。
三、结论及政策建议
（一）31个省市的人口结构化方程模型选用潜变量人口结构因子、经济因子和产业结构因子，根据拟合结果，说明人口结构因子、经济因子和产业结构之间关联性极高，存在紧密的互动影响关系。
（二）产业结构因子排名靠前的省市为广东、江苏、山东、浙江、河南、辽宁、河北、等，对产业结构直接影响较大的指标依次为第三产业企业数、工业产业企业数、城镇化比重等；间接影响较大的指标依次为第二产业产值、第一产业产值、专利申请量等，因此，这些地区在发展工业同时，要注意改善环境和产业结构调整。
（三）城镇化比重较高的省市依次为上海、北京、天津、广东、辽宁、浙江、江苏等，城镇化比重与经济指标相关度高的依次为生产总值、第二产业总值和工业产业企业数等，说明城镇化主要与地区工业化相关，而工业化的推进可能影响地区的生态环境，需要重视环境保护，有效控制环境污染。
（四）经济因子排名靠前的为广东、江苏、山东、浙江、河南、四川、湖北、湖南、福建、上海等，对经济因子直接影响较大的指标依次为产业总值、第二产业产值、劳动力人数、专利申请量等；间接影响较大的指标依次为第三产业企业数、工业产业企业数、成人比例、老人比例、城镇化比重等。所以，这些地区在促进经济发展的同时，需要更好调整产业结构，加大第三产业发展力度，增加高新技术产业发展规模、增加科技和研究投入，更好地进行专利转化工作，重点发展技术密集型产业，增强地区核心竞争力。
（五）第三产业总值高的依次为广东、江苏、山东、浙江、北京、上海、辽宁等，第三产业总值指标相关度高的依次为生产总值、第二产业总值、劳动力人数、专利申请量、成人比例、老年人口比例等。因此，在城镇化工业化发展同时，需要考虑逐步向技术密集型产业转移，增加对轻工业产品和以服务业为主的第三产业的比重。
（六）人口结构因子得分靠前的依次为山东、广东、河南、四川、江苏、河北、湖南、湖北等，对人口结构因子直接影响较大的指标依次为成人比例、老人比例、失业人数、儿童比例和大专人数等；间接影响较大的指标依次为生产总值、GDP增幅和第二产业总值等，这些地区在经济增长的同时，需要根据人口结构情况进行产业调整，促进经济发展同时，重视对现有的产业进行转型。
（七）老龄人口比例较高地区依次为重庆、四川、江苏、湖南、湖北、山东、天津等，老龄人口与指标相关度高的经济指标依次为生产总值、劳动力人数、第二产业产值、第三产业企业数、工业产业企业数和专利申请量等，说明老龄化人口更加适宜从事对技术和智力要素要求较高的产业。可逐步将劳动密集型的产业转向技术密集型产业，适应人口老龄化社会需求。
（作者单位：四川师范大学商学院）
主要参考文献：
［1］寇聪姗.人口老龄化、产业结构调整与经济增长——基于中国数据的实证研究（1995-2010）［J］.经济纵横，2013（05）.
［2］逮进，王晓飞，刘璐，陈阳.中国省域老龄化、人口流动与产业结构的协同效应［J］.经济地理，2019（09）.
［3］左奇.人口老龄化背景下我国产业结构优化调整研究［J］.西部金融，2016（12）.
［4］陈春.少数民族聚居的贵州和云南城市竞争力研究［J］.贵州民族研究，2014（01）.
［5］P Markus.Technical progress，Structural change，and the Environ-mental kuznets curve［J］.Ecological Economics，2002（42）.
|
|
|
|
