［提要］　在我国进入以城市群为主题的新型城镇化时代背景下，城市化的快速发展加剧了区域发展不均衡，导致部分城市及局部出现人口收缩以及发展滞后的问题。“城市收缩”将成为我国新型城镇化发展过程中的新常态。本文以四川省地级市为研究对象，选取2009～2019年四川省17个地级市相关数据，建立空间杜宾模型，检测四川省城市收缩的空间溢出效应。结果表明：四川省城市收缩存在显著的空间聚集效应，人均GDP对城市收缩的影响显著为正，产业结构变化的系数显著为负；空间因素对城市收缩的影响显著为正；政策变化对城市收缩的影响显著为负；而生态环境对城市收缩的影响并不显著。识别影响四川省城市收缩因素，为城市发展策略奠定基础。

关键词：四川；城市收缩；空间杜宾模型；收缩度模型

基金项目：科技创新支撑下陕西省文化产业发展竞争力研究（编号：21JP045）

中图分类号：F064.1 文献标识码：A

收录日期：2022年5月12日

一、前言

“十四五”规划中提出“稳妥调减收缩型城市市辖区，审慎研究调整收缩型县（市）”。2019年4月，国家发展和改革委员会首次提出了“收缩型城市”的说法，这说明国家对城市收缩的重视，要改变以前的发展思路。中国城市和小城镇改革发展中心研究员冯奎认为，中国区域经济、城市经济正在发生极其深刻的变化，因此原有的行政区划必须进行一定调整，严防城市收缩。

收缩城市出现后，收缩城市形成的原因与影响因素是相关研究的重要内容之一。目前，大多数学者以人口流失界定城市收缩，人口流失是传统产业衰退、资源消耗、人口结构变化、郊区化等多种因素相互作用形成的。在原来以传统产业为主的城市中，随着产业衰退，城市对人口的吸引和聚集作用降低，导致劳动力减少，劳动成本升高，以加工贸易型产业为主的东莞市面临城市收缩。浙江省金华市浦江县传统产业技术水平低、产品价值低，在产业转型过程中，就业岗位减少，就业人口减幅达90%，产业发展断层，是城市收缩的最大风险。一些依托矿产资源发展的城市在资源开采殆尽时，工业企业面临倒闭，城市开始出现收缩现象。东北地区的资源型城市有19座资源枯竭型城市出现人口流失，大约占东北地区资源枯竭型城市的95%。日本北海道是资源型城市，其中有6座矿业城市正处在人口收缩中，1996～2006年加拿大13个矿产地区共流失近5万人口。人口结构变化中的人口老龄化也已经成为城市收缩中不可忽视的重要因素。2020年，伊春市人口老龄化已经达到了26%，远高于全国老龄化率18%，使城市活力降低，社会负担加重，对城市综合发展产生了很大影响，引发城市收缩现象。郊区化并不意味着居民的流失，而是人们从城市中心搬到了城市外围，带动城市外围消费，郊区化进程加快，加剧城市收缩。目前，郊区化因素在中国城市中极少体现。全球化是除了常规收缩动因之外的一个重要因素。在全球化的竞争中，资本与资源不断涌向全球各大城市，有优势的大城市不断吸引全世界人口的迁入，而处于劣势、产业结构单一的中小城市受到全球化的影响，出现城市收缩现象。英国曼彻斯特就是单一产业主导的城市，在全球化过程中出现持续收缩。

关于城市收缩的测度也是重要内容之一。早期，在经历了人口流失后，住房市场受到威胁。Bontje用住房空置率作为描述城市收缩的重要指标。Schetke等学者用MCA与DSS的结合初步了解区域、街区、建筑规模的总体数据质量，用建筑物的拆除比率或翻新比例反映一个城市是否收缩，用指标矩阵研究城市收缩。龙瀛等基于第五次人口普查（2000年）和第六次人口普查（2010年）中国乡镇街道办事处微观尺度的数据，用人口密度比例作为因变量，从历史因素、行政区划、经济因素、社会因素、交通因素出发，建立多元线性回归模型识别城市收缩影响因素。近几年，张帅等运用收缩度模型从人口收缩、经济收缩和社会收缩建立城市收缩综合评价指标体系。孙青等以中国地级市为研究对象，从经济、人口、就业、空间四个方面构建城市综合发展水平指标体系，通过城市夜间灯光辐射强度变化反映城市收缩变化。

鉴于四川省是第二人口流出大省，本文希望在已有的研究基础上，通过四川省地级市之间的相互牵制与影响，进一步从人口、经济、环境等多方面运用空间面板数据模型分析其城市收缩现象，有针对性地识别城市收缩，并对其影响因素进行深入分析，为解决我国新型城镇化发展过程中所出现的城市收缩现象提供力量，加快城市高质量发展。

二、研究方法

（一）城市收缩度模型。国内外对于城市是否收缩并未有统一的标准，大多数学者通常将人口规模的减少作为识别城市收缩的主要指标。在此次研究中，选取人口变化率（PCR）来作为城市收缩的测度指标，PCR值越低，表明城市收缩越强。计算公式如下所示：

PCRi=■×100%

式中，PCRi代表城市人口收缩度，Pi代表i城市常住人口数。当PCRi＜0时，代表城市人口正在减少，该城市正处于收缩状态。根据计算结果将其分为四大类，分别为不收缩、轻度收缩、中度收缩、重度收缩，结果如表1所示。四川省17个地级市中仅有3座城市人口增长率为正，分别是成都市、泸州市、宜宾市，约占城市总量的17.65%；14座处于收缩状态，约占城市总量的82.35%。（表1）

（二）计量模型设定

1、变量选择。被解释变量：城市收缩度（PCR）。本文采用年末人口来衡量城市收缩，以反映城市收缩程度。解释变量：人均GDP（GDP_P）、产业结构（CIS）、人口密度（PPD）、绿地面积（GA）。控制变量：政府干预：政府公共支出占公共收入比重（GOV）；生态环境：一般固体废物综合利用率（CUS）、工业废水排放量（IWE）。

2、空间面板数据模型。空间面板数据模型不仅考虑自身因素还考虑其他地区因素，而且空间面板数据模型通过引入空间权重矩阵能够区别地区间的关联程度。空间面板数据模型包含三个最主要的模型，即空间自回归模型（SAR）、空间误差模型（SEM）、空间杜宾模型（SDM）。为了检验最合适的空间面板数据模型，本研究首先用莫兰指数检验变量的空间相关性，若变量之间存在空间相关性，使用拉格朗日乘数检验（LM检验）来检验模型是否存在空间误差项或空间滞后项。

经过一系列检验，空间杜宾模型（SDM）是本文最优模型。具体模型如下：

PCRit＝ρ■WijPCRit+βXit+θ■WijXit+νt+εit

其中，ρ为空间自回归系数，反映相邻省份对本省的影响；β是反映解释变量对城市收缩水平影响；θ为空间溢出系数，反映其他省份对本省的影响；νt为时间固定效应；εit为随机误差项。

三、实证分析

（一）空间自相关检验。空间依赖可以通过空间自相关来度量，使收缩城市的聚集特征得以量化。莫兰指数作为一种空间自相关指数，可以描述收缩城市的总体分布，检验城市收缩是否具有全局空间相关性。本文选取地理邻接空间权重矩阵W（两个地区相邻为1，不相邻为0），利用Geoda软件，运用上式计算得出2009～2019年城市收缩的全局莫兰指数值，结果见表2。从表2可以看出，2009～2019年城市收缩的莫兰指数在1%的显著性水平下显著为正，表明各个地级市之间城市收缩不是独立的，而是具有明显的空间正相关性。（表2）

（二）空间面板数据模型实证结果。通过LM检验、LR检验、Hausman检验等一系列检验确定本文最优模型，结果表明SDM是合适的，从表3回归结果来看，空间自相关系数在1%的水平上显著，说明四川省各地级市之间的人口收缩城市存在显著空间溢出效应，本地区城市收缩水平的提高会使相邻地区的城市收缩水平降低，即本地区城市收缩将通过空间溢出效应向邻近收缩区域传递，本地区收缩城市的人口每增加1%，相邻收缩城市的人口将减少0.537%。（表3）

GDP_P、CIS、PPD、GA、GOV的系数分别在0.037、-0.06、0.301、0.285和-0.17显著，说明较高的财富水平、人口密度、绿化程度吸引力更多的人口，从而缓解城市收缩。而产业结构变化和政府支出收入的变动导致城市收缩更严重。政府公共支出占公共收入比重对收缩城市人口增长呈现负面影响，说明在发展过程中政府政策的变动对人口增长有负向影响。收缩城市一般情况下经济发展迟缓，从而导致政府公共财政收入减少，用于基础设施建设资金减少，对人口吸引力减弱。产业结构变化可能是收缩城市第二产业，即制造业、建筑业等发展缓慢，导致就业岗位减少，从而使得人口外流。

W*GDP_P和W*PPD的系数分别为0.628、0.463，说明其他收缩城市人均GDP和人口密度的增加增加了局部收缩地区的人口。可能的原因是，邻近收缩城市人口数的增加带动了区域经济发展，具体来说，邻近收缩地区的人均GDP和人口密度每增加1%，收缩地区人口将分别增加0.628%和0.463%。W*CIS的系数为-0.381，说明其他收缩城市产业结构变化导致当地收缩城市人口的减少。

在分析空间溢出效应时，由于存在空间关联，一个地区某一解释变量的变化，不仅会影响自身被解释变量，而且也会影响邻近地区被解释变量。为了深入分析空间相互作用效应，本文基于SDM模型分析了所有收缩城市的直接效应、间接效应、总效应。

从直接效应来看，人均GDP、人口密度、绿地面积对城市收缩的回归系数为正，且在1%的显著性水平下显著，产业结构变化、政府公共支出收入比对城市收缩的回归系数为负，且在1%的显著性水平下显著。从间接效应来看，人均GDP、人口密度、绿地面积对城市收缩的回归系数为正，且在1%的显著性水平下显著，说明本地区的人均GDP对相邻地区的城市收缩存在显著影响，人均GDP的空间溢出效应明显。从总效应来看，人均GDP和绿地面积对城市收缩的回归系数为正，且在1%的显著性水平下显著，说明本地区的人均GDP和绿地面积对本地区和相邻地区的城市收缩存在显著影响，即人均GDP和绿地面积可以推动收缩城市人口的发展，并且存在显著的正向空间溢出效应。产业结构变化、一般固体废物综合利用率、工业废水排放量对城市收缩的回归系数为负，分别在1%、5%、5%的显著性水平下显著。

总体来看，人均GDP的直接效应、间接效应和总效应均在1%的显著性水平下显著为正，其中间接效应的回归系数大于直接效应的回归系数，说明本地区人均GDP对相邻地区城市收缩人口的影响大于本地区收缩城市人口的影响。产业结构变化的直接效应、间接效应、总效应均在1%的显著性水平下显著为负，且间接效应的负向影响更强。绿地面积的直接效应、间接效应、总效应均在1%的显著性水平下显著为正，且直接效应的回归系数大于间接效应的回归系数，说明本地区绿地面积对本地区收缩城市人口的影响大于对相邻地区城市收缩人口的影响。政府公共支出收入比只有直接效应在1%的显著性水平下显著为负，间接效应与总效应均不显著。而生态方面两个因素都只有间接效应在5%的显著性水平下显著为负，直接效应与总效应不显著，说明本地区的生态变化对相邻地区收缩城市人口有负向影响。

四、结论

本文选取2009～2019年四川省17个地级市的面板数据，通过构建空间杜宾模型综合分析城市收缩的空间效应及其成因。结论如下：（一）四川省除成都、宜宾、泸州以外的城市均出现了不同程度的收缩。成都市是省会城市，人才吸引能力最强。而宜宾与泸州邻接重庆市受“虹吸效应”影响，带动其人口流入与经济增长。（二）四川省城市收缩存在显著的空间聚集效应，各地级市之间的人口收缩城市存在显著空间溢出效应。（三）经济水平、政策变化仍然是影响人口的最重要因素，生态环境对城市收缩的影响并不是很显著。由于一些地区缺乏就业机会，使得人口持续向外迁移，造成税收减免、政府财政困难等一系列负面影响，这些最终导致城市系统崩溃。在未来发展过程中，既要注重提高城市本身的吸引力，又要引导收缩城市与邻近地区的协调发展。政府要适当增加财政支出，改善城市基础设施；引进特色产业，促进充分就业。在未来发展过程中，应对城市收缩值进一步探讨。

（作者单位：西安财经大学统计学院）

主要参考文献：

［1］王洁，叶剑平.产业衰退型收缩城市人口与住宅市场分析——基于东莞市的数据分析［J］.城市问题，2020（06）.

［2］陈雪依，朱烈建.浙江省城市收缩的特征、机制及县域国土空间规划的应对——以浦江县为例［A］//面向高质量发展的空间治理——2020中国城市规划年会论文集［C］.2020.

［3］段利鹏.东北地区资源枯竭型城市收缩的特征、机制与调控研究［D］.长春：东北师范大学，2021.

［4］徐博，庞德良.增长与衰退：国际城市收缩问题研究及对中国的启示［J］.经济学家，2014（04）

［5］马智莉.伊春市城市收缩特征及驱动力评价研究［D］.哈尔滨：哈尔滨工业大学，2017.

［6］何勃.湖北省收缩城市的空间格局及其影响因素研究［D］.武汉：中南民族大学，2019.

［7］刘春阳，杨培峰.中外收缩城市动因机制及表现特征比较研究［J］.现代城市研究，2017（03）.

［8］Wiechmann T，Pa l lagst K M.Urban shrinkage in Germany and the USA：A comparison of transformation patterns and local strategies［J］.International Journal of Urban and Regional Research，2012.36（02）.

［9］Bontje M.Dealing with Deconcentration：Population Deconcentration and Planning Response in Polynucleated Urban Regions in North-west Europe［J］.Urban Studies，2001.38（04）.

［10］Schetke S，Haase D.Multi-criteria assessment of socio-environmental aspects in shrinking cities.Experiences from eastern Germany［J］.Environmental Impact Assessment Review，2008.28（07）.

［11］龙瀛，吴康，王江浩.中国收缩城市及其研究框架［J］.现代城市研究，2015（09）.

［12］张帅，王成新，王敬，姚士谋，张帆，殷冠文，许馨月.中国城市收缩的综合测度及其时空分异特征研究［J］.中国人口·资源与环境，2020.30（08）.

［13］孙青，张晓青，路广.中国城市收缩的数量、速度和轨迹［J］.城市问题，2019（08）.