中国不同城市化水平下环境因素与老龄化程度之间的关联

《GeoHealth》：Association of Environmental Factors and Aging Levels Under Different Urbanization Levels in China

　　

在中国，人口老龄化和城市化进程持续加速。为揭示不同城市化水平下环境因素与老龄化程度（aging level）的关联，研究人员整理了2010年与2020年县域尺度的老龄化程度及22项相关因素数据。老龄化程度由总人口中65岁及以上（65+）与85岁及以上（85+）老年人口占比量化，分别记为LA65+与LA85+。县域按城市化水平分为高、中、低三级。研究人员建立固定效应模型（fixed effects model，FE）与随机森林模型（random forest model）以识别不同城市化水平下自变量对老龄化程度的影响与重要性。2010—2020年，各城市化水平下老龄化程度均增长1.5–2.1倍。两模型结果显示影响因素存在城市化梯度差异：低城市化地区，居民储蓄（resident savings）与PM2.5为重要变量；中等城市化地区，居民储蓄与CO、SO2、PM2.5、O3等空气污染为重要变量；高城市化地区，1月平均气温与7月平均气温等气候因素为重要变量。空气污染物呈年龄特异性关联，医疗资源仅对LA85+具有显著支撑作用。研究揭示城市化进程中老龄化驱动机制从“经济基础支撑”转向“生活质量适应”，为差异化健康老龄化政策提供科学依据。

《GeoHealth》刊发的该项研究以中国县域为对象，背景在于中国人口老龄化与城市化同步加速，既有文献多关注日本式城乡迁移驱动老龄化、印度巴西式单城市空气污染健康效应，或欧洲成熟城市化下的气候脆弱性，缺乏将社会经济、空气污染与气候因素统一框架内、以分级城市化视角分析中国县域老龄化驱动机制的全国精细研究。现有研究难以揭示快速城市化转型中老龄化驱动力的动态转移，因此研究人员开展此项研究，用以识别不同城市化水平下与老龄化程度关联的关键环境因素与社会经济因素，并为差异化健康老龄化政策提供依据。

作者为开展研究用到的主要关键技术方法如下：数据来自第六次与第七次全国人口普查以及公开气象、大气污染物（PM_2.5、PM₁₀、O₃、NO₂、SO₂、CO）、夜间灯光、NDVI（normalized difference vegetation index，归一化植被指数）、土地利用等资料，样本为2010年2854个与2020年2835个县域单元。研究人员先用方差膨胀因子（VIF，variance inflation factor）与相关性分析筛除共线性变量，再用逐步回归筛选候选变量；采用控制个体效应与时间趋势的固定效应模型估计线性偏效应；同时按低中高城市化与LA65+/LA85+分层建立随机森林模型，以袋外R²（OOB-R²，out-of-bag R-squared）和网格搜索调参评估变量重要性，并以多随机种子与交叉验证降低偏差。

3.1 各县老龄化程度分布

研究人员通过县域地图与普查数据比较发现，LA65+与LA85+在多数县上升；2010年高水平区集中于黑龙江、广西、苏东南，2020年LA65+高值出现在辽南、鲁东、川东、苏东、内蒙古中部，LA85+高值见于黑龙江北部、川东、苏东；广西明显回落，黑龙江、川东、苏东、内蒙古中部明显上升。

3.2 各县城市化水平分布

研究人员按GDP、夜间灯光指数（ANLI，average night light index）、人口密度、非农业人口加权将县域划为低（0–3）、中（4–7）、高（8–10）城市化。结果显示沿海城市化高于内陆；2010—2020年除东北外各县城市化水平提升。LA65+约增至1.5倍，中等城市化县增幅最大；LA85+约增至2.0倍，高城市化县增幅最大。

3.3 显著影响因子识别结果

固定效应模型显示时间趋势在所有组中显著为正，且城市化越高老龄化增速越快；1月平均气温（Temp-Jan.）全组显著正向影响LA65+与LA85+；人口密度（population density）在低中与LA65+、LA85+组显著为负；PM_2.5仅与LA65+显著负相关，CO仅与LA85+显著正相关；医疗人员（medical personnel）仅与LA85+显著正相关。研究表明因子从“经济基础支撑”转向“生活质量适应”。

3.4 特征重要性评价

随机森林模型显示低城市化组居民储蓄重要性最高；中等城市化组居民储蓄仍高且SO₂重要性上升；高城市化组1月平均气温、SO₂、PM_2.5重要性较高。2020年PM_2.5重要性超过SO₂，土地利用因素重要性增强；高城市化LA65+由气候因素主导，LA85+更受耕地与人口密度影响。

3.5 两模型结果比较

固定效应模型捕捉线性偏效应，随机森林模型量化非线性预测贡献。居民储蓄、PM_2.5、1月平均气温两模型一致；医疗人员在低城市化LA85+有显著线性系数但随机森林重要性低，因与其他社会经济变量共享解释力；NDVI（normalized difference vegetation index）与耕地利用则兼具线性与非线性路径。

讨论部分指出，中国老年人口空间分布差异源于劳动年龄人口向高城市化沿海地区迁移，导致低城市化地区留守老龄化加剧。因子梯度反映从生存需求、发展需求到质量需求的转变：低城市化依赖居民储蓄等经济安全，中等城市化受工业化SO₂、PM_2.5等传统污染制约，高城市化中经济约束弱化、气候与空气质量成为核心。SO₂治理后PM_2.5成为主导污染关联因子，CO对LA85+影响值得关注；1月温暖地区吸引老年人口并降低低温死亡风险，低城市化LA85+受7月高温与缺避暑设施影响更大。作者也说明用2013/2018年代替2010/2020年部分污染物数据会压缩变化幅度但不改方向与显著性，两时点短面板限制因果识别，缺县级年龄别迁移数据使迁移机制多为理论推演。

研究结论部分译为：中国不同城市化水平下，老龄化程度普遍上升1.5–2.1倍；重要影响因素呈现从低城市化“居民储蓄与PM_2.5”、中等城市化“居民储蓄与传统空气污染物”、高城市化“1月与7月平均气温等气候因素”的梯度转换，即由“economic foundation support（经济基础支撑）”转向“life quality adaptation（生活质量适应）”；空气污染物存在年龄特异性，医疗资源主要支撑LA85+；低与中等城市化地区未来应把老年环境健康保护重点由传统工业气态污染物转向细颗粒物（PM_2.5）治理，高城市化地区应重视适老气候适应与空气质量协同管理，该研究为中国制定差异化健康老龄化政策提供了科学基础。