EN中文

经济地理 >

2024 , Vol. 44 >Issue 3: 1 - 10

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.03.001

区域经济与理论方法

双重边界视角下乡镇人口收缩的精准识别与特征分析——以黄河流域为例

  • 张学良 ,
  • 潘婷 , ※
展开
  • 上海财经大学 城市与区域科学学院，中国 上海 200433
※潘婷（1994—），女，博士研究生，研究方向为城市与区域经济。E-mail：

张学良（1978—），男，博士，教授，博士生导师，研究方向为城市与区域科学。E-mail：

收稿日期: 2024-01-13

  修回日期: 2024-02-27

  网络出版日期: 2024-09-12

基金资助

国家社会科学基金重大项目(2023&ZD067)

上海市教育委员会2023年度科研创新计划重大项目(2023SKZD14)

上海财经大学研究生创新基金项目(CXJJ-2022-428)

收起

Accurate Identification and Characteristic Analysis of Township Population Shrinkage from the Perspective of Dual Boundary：A Case Study of the Yellow River Basin

  • ZHANG Xueliang ,
  • PAN Ting , ※
Expand
  • School of Urban and Regional Sciences，Shanghai University of Finance and Economics，Shanghai 200433，China

Received date: 2024-01-13

  Revised date: 2024-02-27

  Online published: 2024-09-12

Fold

摘要

文章以黄河流域乡镇为研究对象，以“六普”“七普”、空间遥感和相关经济社会统计数据为支撑，提出一种在行政边界（广义）和经济边界（狭义）双重视角下的收缩识别方法，对黄河流域乡镇人口收缩进行精准界定，进而分析人口收缩的空间格局和特征。研究发现：①2010—2020年黄河流域发生了严重的乡镇收缩现象，76.82%的乡镇发生广义收缩，45.65%的乡镇发生狭义收缩，其中2629个乡镇同时发生广义收缩和狭义收缩，即真正意义上的收缩，占比36.42%。②收缩乡镇的分布呈现出不均衡性，以黄河“几字湾”的西北侧和东侧为主，基本形成了集中连片的分布态势，其中河南省收缩乡镇占比最高。③从空间自相关性看，黄河流域收缩乡镇具有显著的空间集聚特征，低—低集聚区和高—高集聚区的乡镇数量占比分别为37.58%和19.25%。④相比于非收缩乡镇，收缩乡镇劳动年龄人口减少更快，老龄化程度更严重、抚养压力更大、人口红利更少。⑤收缩乡镇在工业企业、规模以上工业企业和综合商店或超市数量的高值区间内远远低于非收缩乡镇，呈现出发展分异。⑥收缩更容易发生在人口规模较小的乡镇；资源型城市内的乡镇比非资源型城市内的乡镇人口收缩程度严重；城市群内的乡镇比城市群外的乡镇人口流失更严重。

关键词： 人口收缩; 乡镇; 黄河流域; 经济边界; 行政边界; 老龄化; 劳动人口

本文引用格式

张学良 , 潘婷 . 双重边界视角下乡镇人口收缩的精准识别与特征分析——以黄河流域为例[J]. 经济地理, 2024 , 44(3) : 1 -10 . DOI: 10.15957/j.cnki.jjdl.2024.03.001

Abstract

Taking the townships in the Yellow River basin as the research object and based on the data of the Sixth National Census,the Seventh National Census,spatial remote sensing and relevant economic and social statistical data,this paper proposes a shrinkage identification method from the dual perspectives of administrative boundary (broad sense) and economic boundary (narrow sense),so as to accurately define the population shrinkage of townships in the Yellow River basin,and then analyze the spatial pattern and characteristics of population shrinkage. The results show that: 1) From 2010 to 2020,a serious shrinkage phenomenon occurred in the Yellow River basin,with 76.82% of the townships experiencing administrative boundary shrinkage and 45.65% experiencing economic boundary shrinkage. 2629 townships experienced simultaneously two types of boundary shrinkage,which accounts for 36.42%. 2) Shrinking townships show the uneven distribution characteristic,are mainly distributed in the northwest and east sides of the middle and upper reaches of the Yellow River,and basically form a concentrated and contiguous distribution trend,Henan Province accounts for the highest proportion of shrinking townships. 3) From the perspective of spatial autocorrelation,shrinking townships have significant spatial agglomeration characteristics,and the number of townships in low-low agglomeration areas and high-high agglomeration areas accounts for 37.58% and 19.25%,respectively. 4) Compared with non-shrinking townships,shrinking townships have a faster decrease in working-age population. The aging degree is more serious,the pressure for supporting the elderly is greater and the demographic dividend is smaller. 5) The number of industrial enterprises,industrial enterprises above designated size,general stores and supermarkets in shrinking townships is much lower than that in non-shrinking townships,showing a difference in development. 6) Shrinkage is more likely to occur in townships with smaller populations,the population shrinkage of townships in resource-based cities is more serious than that in non-resource-based cities. The population loss of townships within urban agglomerations is more serious than that of townships outside urban agglomerations.

Key words： population shrinkage; townships; Yellow River basin; economic boundaries; administrative boundary; aging; working population

自改革开放以来，我国城镇化发展取得了举世瞩目的成就[1]，常住人口城镇化率由1949年的10.6%提高到2022年的65.22%，建制镇数量由2000个增长到21389个，我国经历了世界近现代史上规模最大、速度最快的城镇化进程。在这一过程中，我国发生了不同程度的城市收缩现象。根据人口普查数据，2000—2010年全国26.71%的地级及以上行政单元、37.16%的县（市、区）发生收缩[2]；2010—2020年全国337个地级及以上行政单元中有146个城市发生收缩，占比43.32%，其中东北地区城市收缩最为严重。我国有2万多个乡镇，乡镇人口下降构成了城市收缩的重要组成部分。由于大多数乡镇规模较小、功能较为单一，生产要素往往受到周边大城市“虹吸效应”的影响，因此它们更容易因外部环境的变化而失去发展活力。为了促进乡镇发展，我国实施了一系列相关措施。党的二十大报告提出，要着力推进城乡融合和区域协调发展，推动经济实现质的有效提升和量的合理增长。2014年，我国开始实施国家新型城镇化规划，有重点地发展乡镇。2000年，为解决农村发展中一系列突出矛盾的问题，国务院对促进乡镇健康发展作出要求。此外，我国逐步实施乡村振兴战略、鼓励发展特色小镇、实行经济发达镇行政管理体制改革。如在2020年《关于促进特色小镇规范健康发展的意见》中就提出可在城市群、都市圈、城市周边等优势区位或其他有条件区域，根据资源禀赋、产业结构和比较优势培育发展微型产业集聚区。在中国式现代化进程中，乡镇不仅成为我国城乡融合发展的结合点，也逐渐成为新型城镇化建设的新空间和经济高质量发展的新平台。乡镇作为我国城镇体系中最基本的地域综合体，一头连接城市，一头连接农村，既是城镇化进程中的重要载体，也是农村经济发展的重要引擎，在经济发展和人口流动上起着承上启下的重要作用[3]。因此，精准识别乡镇收缩、剖析乡镇收缩特征对治理城市收缩问题具有重要的意义[4-5]。
近年来，随着经济社会的快速发展，全世界正在经历大规模的城市化进程，城市收缩逐渐成为一个全球性的经济和社会问题，引起了城市与区域经济学者的广泛关注[6-8]。自德国学者Häußermann等提出“Shrinking City”概念[9]后，学者们对收缩的关注逐渐增多。由于研究样本不同，学者们对收缩的定义也存在一些差异。乡镇收缩被认为是由人口流失造成的一系列多维收缩现象，比如城镇功能丧失、经济持续衰退、基础设施服务水平下降、区域景观衰败等[10-11]。乡镇在收缩过程中往往呈现出时空差异性和复杂性，这一过程常用生命周期理论来解释[12]，因此乡镇收缩也通常被认为是乡镇发展历程中的一个阶段[13]。学者们已对“人口为核心”的乡镇问题展开了大量的研究，如乡镇人口分布特征[14]、乡镇人口分布影响因素[15]等。随着研究空间的不断细化，学者们逐渐将收缩关注重点从城市转移到更加精细的城镇区域[16]，如Tong 等通过构建多层次影响因素线性模型分析东北地区小城镇收缩现象[17]，Du等发现珠江三角洲的外城镇化区域存在城市收缩问题[18]，Caselli等构建了一个基于绩效的聚类模型监测意大利小城镇的收缩现状[10]。尽管学者们已经关注到了镇域层面的收缩问题，但是对于镇域收缩的识别仍然停留在乡镇全域的人口流失上，未能对实体经济边界内乡镇的人口收缩给出一个统一的界定标准。
综上，虽然关于收缩问题的研究取得了丰硕成果，学者们也逐渐重视到镇域层面的人口流失问题，但是关于乡镇收缩的识别与特征研究讨论还不充分，乡镇收缩界定较为模糊。本文认为，乡镇人口流失是城镇化进程中的自然趋势，乡镇收缩的识别不应只局限在乡镇行政边界全域范围内，更应该同时关注乡镇主要人口居住区、主干道周边（即乡镇实体经济边界）范围内的人口下降；只有当乡镇行政边界和经济边界内同时发生人口流失时，才能反映乡镇真实的人口收缩问题。黄河是中华民族的母亲河，依河而生的乡镇更是人口集聚与地区发展的起源，是人口活动和经济发展的重要区域。自黄河流域生态保护和高质量发展上升为国家战略之后，黄河流域的地位变得更加重要。因此本文选取黄河流域乡镇为研究对象，基于2010和2020年人口普查数据、空间遥感数据和相关经济社会统计数据，在剔除乡镇层面大量行政区划变更以及县区层面行政区划调整可能对识别结果造成重大影响的数据后，从行政边界上的广义收缩和经济边界上的狭义收缩双重视角对黄河流域乡镇收缩进行精准识别，探究黄河流域乡镇人口收缩的发展现状，并从人口规模、资源型城市、城市群等视角深入分析乡镇收缩特征。通过讨论黄河流域乡镇收缩的现实情况和政策启示，为黄河流域乡镇高质量发展提供参考。

1 研究区域、数据与方法

1.1 研究区域

研究区域位于我国黄河流域，研究对象是依黄河而生的乡镇。黄河沿“几”字形流经9省区，覆盖青海、四川、甘肃、宁夏、内蒙古、山西、陕西、河南和山东，全长5464 km，是我国第二长河。由于人口流动性较强，考虑到省际的经济活动往来，为了保持行政区划的完整性，本文将9个省份的所有乡镇纳入研究空间。镇域层面的数据获取难度相对于县域和市域层面较大，考虑到数据的可获得性以及乡镇行政区划变更等情况，最终确定研究对象为黄河流域9个省份的8066个乡镇。研究范围北至内蒙古自治区呼伦贝尔市莫尔道嘎镇，南至四川省攀枝花市平地镇，西至青海省玉树藏族自治州索加乡，东至内蒙古自治区呼伦贝尔市古里乡，总面积达226.04万km2。根据“七普”数据，在剔除行政区划变更的影响之后，2020年黄河流域8066个乡镇共承载18595万的人口，占黄河流域总人口（包括乡镇街道）的60.7%。图1为黄河流域2020年“七普”乡镇人口数量和人口密度的空间分布图。
图1 2020年黄河流域乡镇人口数量和人口密度空间分布

Fig.1 Spatial distribution pattern of population number and population density in townships of the Yellow River basin in 2020

1.2 数据来源与说明

本文研究周期为2010—2020年，乡镇人口数据主要来源于《中国人口普查分乡、镇、街道资料（2010年）》《中国人口普查分乡、镇、街道资料（2020年）》，乡镇其他数据来源于《中国县域统计年鉴2021（乡镇卷）》等。空间遥感数据中，土地利用数据来源于中国科学院土地利用/土地覆盖遥感监测数据库（CNLUCC）①，空间分辨率为30 m。人口栅格数据来源于Worldpop数据集②，选择空间分辨率为1 km、经过联合国国家人口估计数据进行修正后的人口数据。
由于2个时间年度内乡镇发生了频繁的行政区划调整，这会对识别结果造成较大的干扰，因此本文进行了处理。数据具体处理步骤如下：①对接两期人口数据。本研究从《中华人民共和国乡镇行政区划简册》、民政部、国家统计局、百度百科以及县市的政府网站收集到两段时期内乡镇行政区划变更信息，对变更乡镇进行人工校正与处理，考虑到研究的稳定性和可靠性，剔除在2010—2020年发生行政区划变更的乡镇，包含更名、撤销、合并、新增、行政区划代码更改这些情况，获得两期内未发生变更的乡镇名单，再进行乡镇人口数据的匹配，删除缺失值后得到2010—2020年乡镇人口的精准对接。②将乡镇人口数据空间化。基于乡镇名称（考虑到乡镇重名的情况，将省份名+城市名+县区名+乡镇名合并作为关联字段，在此过程中对县区层面的行政区划变更进行了调整和校正），将两期人口数据与乡镇矢量行政边界进行关联，对于部分出错的地方再进行手工校正。乡镇矢量边界地图来源于Bigemap GIS Office软件，通过在此软件内逐个下载乡镇边界地图，并在ArcGIS中进行地图的合并与字段的处理。

1.3 乡镇收缩的识别

在我国快速城镇化进程中，大量农村人口转移到城市，乡镇地区产生大规模的人口流失，这种人口流失是新型城镇化的必然趋势。乡镇包括乡和镇，乡和镇还可以进一步分为乡区、镇区和大部分农村地区。许多乡镇总人口下降往往是由农村人口流失而导致的，而不是乡区、镇区人口的减少；由于乡镇总人口包括农村人口，因此在识别收缩时仅考虑总人口的下降将会导致结果的高估。本文所关注的收缩不是乡镇全域行政边界范围内的人口减少，而是乡镇人口居住区、主干道周边（即乡镇的实体经济边界）范围内的人口下降，这更能反映乡镇的真实经济发展状况。
现有研究中，对乡镇实体经济边界的定义还没达成共识，但是有一点可以肯定，即乡区、镇区和农村地区在土地利用类型上存在明显差异，乡区、镇区以人为硬化地表和建筑物（人造不透水面）为主，农村地区以耕地、自然裸露的土壤和植被为主。土地利用数据被认为是识别城市边界的主要数据[19-20]，因此本文使用土地利用数据识别乡镇的实体经济边界，将乡镇实体经济边界内发生的人口流失视为狭义上的乡镇收缩，将乡镇全域行政边界内发生的人口流失视为广义上的乡镇收缩，将同时发生广义收缩和狭义收缩的乡镇定义为真正意义上的收缩乡镇（图2）。
图2 收缩定义示意图

Fig.2 Schematic diagram of shrink definition

1.3.1 广义收缩

人口收缩以人口流失为核心特征[2]。本文利用第六次人口普查（2010年）和第七次人口普查（2020年）数据，将两次普查期内人口增长率为负值的行政单元定义为广义上的收缩乡镇。计算公式为：
P C R i = P o p t 2 - P o p t 1 P o p t 1 · 100 %
式中： P C R i表示乡镇 i在两次普查期内的人口增长率； P o p t 1和 P o p t 2分别表示乡镇在2010年和2020年的常住人口数量。 P C R i为负数时，表示广义上乡镇人口是收缩的，数值越小，表示收缩程度越大。数据处理结果见表1。
表1 黄河流域乡镇2010—2020年广义收缩数据处理结果

Tab.1 Processing results of generalized shrinkage data of townships in the Yellow River basin from 2010 to 2020

指标 乡镇
总数		 删除数 有效乡镇 收缩乡镇
总计 乡 镇 总计 乡 镇
数量（个） 10436 2370 8066 2684 5382 6196 2293 3903
比例（%） 100.00 22.71 77.29 33.28 66.72 76.82 85.43 72.52

注：乡镇总数是以2020年为准，不包含街道数量。收缩乡（镇）的比例是收缩乡（镇）的数量与有效乡（镇）数量的比值，表示乡（镇）发生收缩的概率。

根据我国行政区划数据，2010年黄河流域9省份共有乡镇（只包含乡和镇）数量为12751个，而2020年黄河流域乡镇数量为10436个，10年间乡镇层面的行政区划变更非常频繁，乡镇数量波动较大。在对接两年的人口时，由于行政区划变更、数据缺失等原因没有对接上的乡镇数量有2370个，最终得到有效乡镇个数是8066个，占黄河流域乡镇总数的77.29%。经计算，广义上收缩乡镇有6196个，占有效乡镇总数的76.82%。广义收缩下乡镇人口增长率的空间分布如图3a所示。
图3 黄河流域2010—2020年乡镇人口变化

Fig.3 Population change of townships in the Yellow River basin from 2010 to 2020

1.3.2 狭义收缩

为了识别乡镇在实体经济边界内发生的收缩，本文试图对乡镇的实体经济边界进行提取。首先从土地利用遥感数据中提取黄河流域中的“urban数据”，即分类编号为51、52和53的城乡、工矿、居民用地范围，并将其矢量化，以此作为经济意义上的乡镇范围；其次，将其作为区域要素，叠加在Worldpop栅格图层上，计算每个“urban”地块所覆盖的人口总值，进而在乡镇层面加总，以此得到每一个乡镇经济边界范围内的人口总量。本文以2020年乡镇行政区划地图为准，分别提取2010和2020年的乡镇“urban”地块以及分别匹配两年人口总量，将两年间人口增长率为负值的乡镇定义为狭义上的收缩乡镇。
数据处理结果见表2。在8066个乡镇中，有848个乡镇在空间匹配时出现数据遗失，共得到7218个有效乡镇。其中3521个乡镇发生了狭义收缩，占比达到43.65%，远远低于广义收缩的比例（76.82%）。狭义收缩下乡镇人口增长率的空间分布如图3b所示。
表2 黄河流域乡镇2010—2020年狭义收缩数据处理结果

Tab.2 Processing results of narrow shrinkage data of townships in the Yellow River basin from 2010 to 2020

指标 乡镇
总数		 删除数 有效乡镇 收缩乡镇
总计 乡 镇 总计 乡 镇
数量（个） 8066 848 7218 2120 5098 3521 995 2526
比例（%） 100.00 10.51 89.49 26.28 63.20 43.65 12.34 31.32

1.3.3 真正意义上的收缩

根据本文对收缩的定义，将同时发生广义收缩和狭义收缩的乡镇视为真正意义上的收缩乡镇。真正意义上的收缩乡镇，既存在经济边界范围内的人口下降，也在乡镇行政边界内发生了人口流失，在分析乡镇收缩特征时，使用具有权威性的人口普查指标和经济社会统计指标更具有合理性和普适性。因此，本文从7218个乡镇中共识别得到2629个乡镇在两次普查期间发生了真正意义上的收缩，占比为36.42%。收缩乡镇分布如图4所示。
图4 黄河流域2010—2020年真正意义上的收缩乡镇分布

Fig.4 Distribution of shrinking townships in the Yellow River basin from 2010 to 2020

1.4 探索性空间数据分析(ESDA)

莫兰指数可以反映邻接或者邻近的空间区域单元属性值的相似程度，常被用来度量空间自相关。为了检验黄河流域乡镇人口收缩是否存在空间相关性，探讨乡镇收缩程度的空间关联特征和它们在空间上的集聚作用，本文采用自相关分析方法，使用莫兰指数检验黄河流域乡镇收缩是否具有自相关特征。
局部空间自相关关系表征收缩乡镇和周边收缩乡镇的空间相关类型与程度，一般用LISA图表征。

2 黄河流域乡镇收缩特征

2.1 收缩乡镇的空间分布

黄河流域存在严重的乡镇收缩。从人口总量上看，2020年黄河流域7128个乡镇人口总数为17763.58万人，相比2010年减少了1719.55万人，整体上呈现出人口的衰减趋势；在7128个乡镇中有2629个乡镇发生了真正意义上的收缩现象，占比36.42%，人口收缩严重。从空间上看，黄河流域收缩乡镇分布并不均衡，区域差异明显。人口收缩地区主要集中分布在“几字湾”的西北侧和东侧，其中河南省收缩乡镇最多，占比高达22.73%。从不同收缩程度的分组情况来看，2629个收缩乡镇中人口减幅低于10%的乡镇占比仅为17.84%，这些乡镇主要分布在河南、山东和四川；41.11%的乡镇人口收缩程度在20%~40%，近一半分布在河南、山西和山东，人口流失较为严重，收缩乡镇基本形成了集中且连片的分布。除上述收缩地区外，甘肃和青海边界、青海西部也有小尺度连片分布，其余地方的收缩乡镇零星分散在各个地区。

2.2 收缩乡镇的空间集聚特征

基于ArcGIS进行黄河流域乡镇人口收缩的探索性空间分析，解释黄河流域乡镇人口收缩的空间集聚特征。采用空间距离权重矩阵得到2010—2020年黄河流域收缩乡镇人口增长率的莫兰值为0.22，显著性检验P值为0，Z得分为103.07，表明黄河流域收缩乡镇在空间分布上具有相似的聚类特征，已经呈现出集中分布。
进一步，采用空间联系的局部指标（LISA）可以具体表征收缩乡镇的集聚、离散类型与分布，利用单因素局部莫兰指数工具生成LISA图（图5）。从图5中可以看到，黄河流域收缩乡镇呈现一定的集聚现象。黄河流域收缩乡镇的空间分布以低—低集聚类型和高—高集聚类型为主。低—低集聚区反映的是人口小幅流失的连片区域，乡镇数量占比为37.58%，主要分布在“几字湾”的南侧，其中山东、河南全域以及陕西、甘肃、青海、四川的边界区较为明显。高—高集聚区反映的是人口大幅流失的连片区域，乡镇数量占比为19.25%，人口收缩较为严重，主要分布在“几字湾”的北侧，以内蒙古与甘肃边界、内蒙古与山西边界、山西省最为明显，宁夏也有部分连片区域。
图5 黄河流域收缩乡镇LISA图

Fig.5 LISA map of shrinking townships in the Yellow River basin

2.3 收缩乡镇的人口结构

本文将7218个乡镇作为分析样本，以4589个非收缩乡镇作为对照组，分析2629个收缩乡镇在2010和2020年的人口规模、人口增长率、各年龄段人口占比以及老龄化程度等人口总量和结构指标。根据乡镇人口普查数据，本文将15~64岁人口作为劳动年龄人口，将65岁及以上人口作为老龄人口。人口抚养比是0~14岁人口和老龄人口之和与劳动年龄人口的比值，以此作为人口红利的刻画指标，具体计算结果见表3。
表3 黄河流域乡镇人口结构

Tab.3 Population structure of townships in the Yellow River basin

类型 人口规模（万人） 人口增长率
（%）		 0~14岁人口比重（%） 15~64岁人口比重（%） 65岁及以上人口比重（%） 人口抚养比（%）
2020 2010 2020 2010 2020 2010 2020 2010 2020 2010
收缩 5595.81 7268.71 -29.90 19.44 18.80 62.40 71.70 18.16 9.49 60.25 39.46
非收缩 12167.77 12214.41 -0.38 19.42 18.64 64.32 72.02 16.27 9.34 55.48 38.84
从表3结果中不难发现，收缩乡镇在初始人口规模、末期人口规模、劳动年龄人口比重、老龄化程度等指标上，与非收缩乡镇存在较大差异。收缩乡镇初始人口规模较小，与非收缩乡镇人口规模相差4945.7万人；2020年，非收缩乡镇人口为12167.77万人，增长率为-0.38%①；收缩乡镇人口为5595.81万人，人口增长率为-29.9%。
在年龄结构上，收缩乡镇与非收缩乡镇0~14岁人口占比并无明显区别，而两年期收缩乡镇15~64岁的劳动年龄人口比重略低于非收缩乡镇。劳动年龄人口是创造经济价值的主力军，是构成地区生产活力的动力，收缩乡镇明显逊于非收缩乡镇，且劳动年龄人口占比由2010年的0.32个百分点扩大到2020年的1.92个百分点，差距呈现扩大趋势。另外，收缩乡镇的老龄化程度和人口抚养比明显高于非收缩的乡镇，且两者的差距也在扩大，暗示了收缩乡镇面临较重的抚养压力，人口红利在逐渐减小。

2.4 收缩乡镇的社会发展差异

由于人口普查仅考察了乡镇层面的人口年龄指标，并不能全面反映其社会发展状况。为了更加全面地反映黄河流域乡镇社会发展，受乡镇层面统计数据的限制，本文从《中国县域统计年鉴（乡镇卷）》中获取部分乡镇社会指标，并将其与本文的研究样本进行匹配，得到乡镇2020年工业企业数量、规模以上工业企业数量和平均营业面积50 m2以上的综合商店或超市个数，以此进行收缩乡镇与非收缩乡镇社会发展状况的比较，统计结果见表4。
表4 黄河流域乡镇主要社会发展指标

Tab.4 Main social development indicators of townships in the Yellow River basin

指标 区间 平均个数
（个）
工业企业个数（个） >1000 >500 >100
非收缩乡镇占比（%） 0.52 1.39 19.64 50
收缩乡镇占比（%） 0.15 0.61 11.30 50
规模以上工业企业个数（个） >100 >20 0~20
非收缩乡镇占比（%） 0.13 7.87 92.00 8
收缩乡镇占比（%） 0.00 5.02 94.98 7
营业面积50 m2以上的综合商店或超市个数（个） >200 >50 0~50
非收缩乡镇占比（%） 3.38 48.12 48.51 46
收缩乡镇占比（%） 1.98 31.08 66.95 44
由表4看出，虽然3个指标的数值在均值意义上并没有呈现出显著性差异，但是从区间分布看，指标高值主要集中在非收缩乡镇。工业企业数量高于1000的非收缩乡镇占比0.52%，而收缩乡镇占比仅为0.15%；规模以上工业企业数量高于100的非收缩乡镇占比0.13%，而收缩乡镇的规模以上工业企业数量没有超过100的；平均营业面积50 m2以上的综合商店或超市个数差异也非常显著。以上数据表明，随着人口的选择性流失，收缩乡镇与非收缩乡镇之间出现明显的社会发展分异。在以黄河流域城乡、上中下游呈现区域发展差距分类下，收缩乡镇与非收缩乡镇的发展分异也应是黄河流域区域发展差距的类型之一。

2.5 收缩乡镇的异质性分析

2.5.1 人口规模下的乡镇收缩

黄河流经我国东中西部，东中西地区发展存在很大差异，乡镇发展规模也存在差异。地区规模与当地经济效益密切相关，乡镇很难实现规模经济，而且小规模会抑制自身的消费能力，使得发展乏力[21]。基于此，本文分析不同发展规模下乡镇的收缩情况。不同地区对经济发达镇的人口界定不同，在《关于深入推进经济发达镇行政管理体制改革的指导意见》中，东部地区经济发达镇建成区常住人口一般在10万人左右，中部和东北地区一般在5万人左右，而西部地区一般在3万人左右。通过对比分析黄河流域2010和2020年乡镇人口规模，发现人口主要集中在1万~3万人，统计上呈现正态分布。因此本文将乡镇的人口规模分成5个级别，分别是低于1万、1万~3万、3万~5万、5万~10万和10万人及以上，以进行乡镇收缩的规模分析，分析结果见表5。
表5 不同人口规模的乡镇收缩情况

Tab.5 Shrinkage of townships by population size

人口规模（万人） 收缩数（个） 占比（%） 乡镇数（个） 收缩概率（%）
≥10 4 0.15 120 3.33
5~10 118 4.49 572 20.63
通过规模分析发现，人口规模越小，收缩乡镇占比越高。当乡镇人口规模在10万人及以上时，120个乡镇中有4个乡镇是收缩的，占收缩乡镇的比值是0.15%；当乡镇人口规模在5万~10万人时，收缩乡镇个数是118，占比4.49%；当人口规模在3万~5万人时，收缩乡镇个数是548，占比20.84%。当乡镇规模逐渐减小时，收缩乡镇占比逐渐提高。3万人以下的收缩乡镇占比之和接近74%，可以说七成收缩乡镇发生在人口3万人以下的地区。
从发生收缩的概率上看，5万人以下的乡镇发生收缩的可能性较大，收缩概率均超过36%。10万人及以上乡镇发生收缩的概率是3.33%；5万~10万人的乡镇发生收缩的概率是20.63%。地区等级和地区规模都会影响当地的稳定，收缩更容易发生在人口规模较小的乡镇。

2.5.2 资源型城市下的乡镇收缩

在黄河流域地区，共计有88个资源型城市，识别出属于资源型城市的乡镇数量为3889个。从表6可以看出，在资源型城市中，收缩乡镇数量为1439个，占比达到37%，而非资源型城市收缩乡镇占比低于资源型城市。从收缩程度上看，当乡镇收缩程度低于20%时，非资源型城市的乡镇收缩占比高于资源型城市；当乡镇收缩程度高于20%时，资源型城市的收缩占比高于非资源型城市。由此，收缩乡镇多发生在资源型城市内，且比非资源型城市内的乡镇收缩程度更严重。
表6 不同类型的乡镇收缩情况

Tab.6 Shrinkage of townships by different types

类型 乡镇数（个） 收缩个数（个） 占比（%） 收缩程度占比（%）
≤10 （10，20] （20，40] （40，60] >60
资源型 3889 1439 37.00 13.61 22.15 44.03 16.11 4.10
非资源型 3329 1189 35.72 22.96 29.35 37.59 7.74 2.35
全样本 7218 2629 36.42 2.78 10.40 32.97 19.05 31.31
2013年，国务院印发《全国资源型城市可持续发展规划（2013—2020年）》，规划中将资源型城市综合划分为成长型、成熟型、衰退型和再生型四类，因此本文进一步从资源型城市分类上探究黄河流域乡镇收缩特征，结果见表7。可以看出，黄河流域地区乡镇的类型多属于成熟型，而收缩最为严重的类型是再生型，其收缩占比高达43.5%；收缩程度相对较轻的乡镇属于成长型，收缩占比为31.13%。在黄河流域，资源型城市支柱产业多以重工业为主，随着时间的变迁会面临资源枯竭的困境，这一问题在衰退型城市中更为突出。尽管再生型城市的乡镇基本摆脱了资源依赖，但其仍未实现人口的回流，这些地区往往由于产业结构的变迁，缺少对劳动力的吸纳能力，出现人口外流以寻求新的就业岗位的人口收缩现象。
表7 不同类型的收缩乡镇情况

Tab.7 Shrinkage of townships by different resource types

类型 乡镇数（个） 收缩数（个） 占比（%）
成熟型 2166 801 36.98
成长型 816 254 31.13
衰退型 330 133 40.30
再生型 577 251 43.50

2.5.3 城市群下的乡镇收缩

城市群、都市圈是实现新型城镇化的重要载体，尤其地，城市群是城市发展到成熟阶段的最高空间组织形式，在地区之间资源要素流动过程中扮演着重要的角色。在黄河流域内，以山东半岛城市群、中原城市群、关中平原城市群和兰州—西宁城市群为主要城市群，构筑起了黄河流域动力发展的空间格局。这四大城市群作为区域经济发展增长极和黄河流域人口、生产力布局的主要载体，人口收缩情况也不尽相同。黄河流域覆盖四大城市群共计3346个乡镇，占黄河流域乡镇总数的46.36%。虽然人口向城市群集聚是近十年以来人口空间迁移的重要特征之一[22]，但是城市群内的乡镇人口集聚却出现相反的情况。根据本文统计，黄河流域所覆盖四大城市群内的乡镇占据了黄河流域乡镇大约63.94%的人口减量，出现了相当比例的收缩乡镇，即城市群内的乡镇人口流失比城市群外的乡镇人口流失更严重。2010—2020年，四大城市群乡镇人口规模由11741.9万人减少至10642.37万人，人口增长率为-9.36%，低于黄河流域整体人口增长率。在城市群内，出现了1544个收缩乡镇，占城市群内乡镇总数的比例为46.14%。从黄河流域四大城市群各自的发展状况看，中原城市群和山东半岛城市群是黄河流域近十年内乡镇人口流失较快的城市群，人口增长率分别为-11.13%和-10.95%；兰州—西宁城市群乡镇人口流失最慢，人口增长率为-0.99%，收缩乡镇数量占比为35.42%。具体结果见表8。在持续推进新型城镇化的背景下，这在一定程度上说明城市群内收缩乡镇的可持续发展面临挑战，需要引起重视。
表8 不同城市群的乡镇收缩情况

Tab.8 Shrinkage of townships in different urban agglomerations

类型 整体人口增长率（%） 各乡镇平均人口增长率（%） 乡镇数（个） 收缩数（个） 占比（%）
山东半岛城市群 -10.95 -12.15 800 410 51.25
中原城市群 -11.13 -13.63 1649 717 43.48
关中平原城市群 -5.57 -9.46 526 165 31.37
兰州—西宁城市群 -0.99 -14.27 271 96 35.42

注：由于本文研究范围是黄河流域，因此中原城市群中不包含安徽和河北的城市。

3 结论及建议

3.1 主要结论

本文重点从乡镇空间尺度考察黄河流域人口收缩现状，提出一种在行政边界（广义）和经济边界（狭义）双重视角下的收缩识别方法。同时，基于2010和2020年人口普查数据、空间遥感数据、相关经济社会统计数据，在剔除乡镇层面大量行政区划变更以及县区层面行政区划调整可能对识别结果造成重大影响的数据后，对黄河流域8066个乡镇进行广义收缩和狭义收缩的识别，并将同时发生广义收缩和狭义收缩的乡镇定义为真正意义上的收缩乡镇。得出主要结论如下：
①黄河流域在2010—2020年发生了严重的乡镇收缩现象，人口总量减少了1719.55万人，有2629个乡镇同时发生广义收缩和狭义收缩，占黄河流域乡镇总数的36.42%。收缩乡镇分布极不均衡，主要分布在黄河“几字湾”的西北侧和东侧，其中河南省收缩乡镇最多，占比22.73%，收缩乡镇基本形成了集中连片的分布。
②在空间相关性上，黄河流域收缩乡镇具有显著的空间集聚特征，收缩乡镇人口变化率的莫兰值为0.22，集聚特征以低—低集聚和高—高集聚为主，数量占比分别为37.58%和19.25%。
③收缩乡镇在人口下降的同时，其人口结构和社会发展也发生了明显的变化。相比于非收缩乡镇，收缩乡镇劳动年龄人口减少更快，老龄化程度更严重、抚养压力更大、人口红利更少。非收缩乡镇在工业企业、规模以上工业企业和综合商店或超市数量的高值区间内远远多于收缩乡镇。
④从人口规模、资源型城市、城市群等视角分析发现，收缩更容易发生在人口规模较小的乡镇；收缩乡镇多发生在资源型城市内，且比非资源型城市内的乡镇收缩程度更严重；城市群内的乡镇人口流失比城市群外的乡镇人口流失更严重，占据了黄河流域乡镇63.94%的人口减量，城市群内出现了相当高比例的收缩乡镇。

3.2 政策建议

乡镇是我国城镇化发展中的后备力量，也是城镇体系中的重要组成部分。一方面，我国已经进入城镇化发展的后期阶段，推动以乡镇为重要平台的新型城镇化建设具有坚实的基础；另一方面，大中小城市要和小城镇协调发展，推动乡镇高质量发展有利于完善城市空间布局。以镇域尺度为空间，研究黄河流域乡镇收缩问题，探究小尺度和更加精准的镇域发展，能够更加深入具体地研究现实问题，对于黄河流域高质量发展、新型城镇化建设和推进中国式现代化进程具有非常重要的意义。根据上述研究结论，本文提出如下政策建议：
①树立协调意识，优化城市体系。黄河流域应以乡镇收缩为契机，加强乡镇自身发展功能，优化城市发展体系。首先，强化县城和中心镇的作用，通过改善乡镇对外交通网络，增加教育、医疗、文化等公共服务设施，发展特色产业集群，吸引人口向乡镇转移。其次，优化行政区划和资源整合，对有条件的乡镇实行撤乡设镇、撤镇设市等方式，扩大乡镇的行政管辖范围，提高行政管理效率。最后，构建黄河流域大中小城市和小城镇协调发展体系，建立人口和产业转移机制，鼓励乡镇根据自身优势发展特色产业和配套服务，提高经济吸引力和人口承载力。
②加强中心效应，注重人口分布。未来黄河流域应关注人口的空间分布结构，促进人口在乡区、镇区的有效集聚，形成城市—乡镇—农村之间良性互动的人口格局。首先，制定针对性的人口政策，减少人口流动障碍，不同规模的乡镇注重人口的适度发展，适当提高对乡镇高能劳动力的工资福利和补贴。其次，重点发展一批具有地方特色和经济潜力的中心镇、特色镇、特色乡，打造乡镇特色文化IP，吸引居民和游客。最后，加强黄河流域城市群的对外辐射效应，城市群内的边缘乡镇应发挥主观能动性，主动承接中心城市的功能疏解，融入“都市圈经济”“都市区经济”，实现对资源要素的整合。
③强调精明理念，制定适应政策。乡镇人口收缩是中性词，并不可怕，需改变“乡镇必须增长”的思维模式，采取“适应”收缩的态度。首先，借鉴国际精明收缩的理念，优化乡镇土地利用，提高乡镇建筑密度和效率，节约土地资源，实行紧凑型乡镇发展模式。其次，关注乡镇持续发展的动力，尤其是针对不同资源类型的乡镇，制定合理的适应乡镇人口规模的空间策略，做好精明规划。最后，加强政策引导和扶持，鼓励从乡镇出去的知识分子和企业家等去乡镇干事业和养老，建立人才进乡进镇引入机制，适时进行乡镇人才配套机制改革。
现阶段，以人口流失为主要特征的收缩乡镇成为城市更新中的“新常态”。然而需要指出的是，中国仍处于城镇化发展的上升阶段，人口收缩是城镇自然发展状态的表象，不能忽视。因此，乡镇发生收缩背后的机制及其对乡镇发展质量和发展活力的影响是值得深入研究的，尤其是黄河流域横贯我国东中西部，乡镇发展类型多种多样，情况错综复杂，这需要结合更多实践和具体案例进行共同分析，这也是下一步需要继续深入探讨的方向。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
苏红键, 魏后凯. 改革开放40年中国城镇化历程、启示与展望[J]. 改革, 2018(11):49-59.

[2]
张学良, 刘玉博, 吕存超. 中国城市收缩的背景、识别与特征分析[J]. 东南大学学报:哲学社会科学版, 2016, 18(4):132-139,148.

[3]
张学良, 潘婷. 中国式现代化背景下的中国乡镇实践与发展路径探析[J]. 重庆大学学报:社会科学版, 2024, 30(1):1-17.

[4]
Bowns C. Shrinkage happens… in small towns too！:Responding to de-population and loss of place in Susquehanna River Towns[J]. Urban Design International, 2013, 18(1):61-77.

[5]
Kühn M. Small towns in peripheral regions of Germany[J]. Annales Universitatis Paedagogicae Cracoviensis Studia Geographica, 2015(8):29-38.

[6]
Ortiz-Moya F. Green growth strategies in a shrinking city:Tackling urban revitalization through environmental justice in Kitakyushu City,Japan[J]. Journal of Urban Affairs, 2020, 42(3):312-332.

DOI

[7]
Reis J P, Silva E A, Pinho P. Spatial metrics to study urban patterns in growing and shrinking cities[J]. Urban Geography, 2016, 37(2):246-271.

[8]
Silverman R M. Rethinking shrinking cities:Peripheral dual cities have arrived[J]. Journal of Urban Affairs, 2020, 42(3):294-311.

DOI

[9]
Häußermann H, Siebel W. Die Schrumpfende Stadt und die Stadtsoziologie[C]// Friedrichs J (eds). Soziologische Stadtforschung. Kölner Zietschrift für Soziologie und Sozialpsychologie. Opladen: Westdeutscher Verlag, 1988.

[10]
Caselli B, Ventura P, Zazzi M. Performance-based spatial monitoring. An interpretative model for long-term shrinking medium-small Italian towns[J]. Sustainable Cities and Society, 2020,https://doi.org/10.1016/j.scs.2019.101924.

[11]
Stoica I V, Tulla A F, Zamfir D, et al. Exploring the urban strength of small towns in Romania[J]. Social Indicators Research, 2020, 152:843-875.

[12]
Roberts S. A critical evaluation of the city life cycle idea[J]. Urban Geography, 1991, 12(5):431-449.

[13]
Van den Berg L, Drewett R, Klaassen L H, et al. A Study of Growth and Decline[M]. Oxford: Pergamon Press, 1982.

[14]
柏中强, 王卷乐, 杨雅萍, 等. 基于乡镇尺度的中国25省区人口分布特征及影响因素[J]. 地理学报, 2015, 70(8):1229-1242.

DOI

[15]
尹旭, 王婧, 李裕瑞, 等. 中国乡镇人口分布时空变化及其影响因素[J]. 地理研究, 2022, 41(5):1245-1261.

DOI

[16]
张梦梦, 张丽君, 秦耀辰, 等. 黄河流域乡镇人口——经济增长与收缩格局及影响因素[J]. 地理科学进展, 2022, 41(6):999-1011.

DOI

[17]
Tong Yao, Liu Wei, Li Chenggu, et al. Understanding patterns and multilevel influencing factors of small town shrinkage in Northeast China[J]. Sustainable Cities and Society, 2021,https://doi.org/10.1016/j.scs.2021.102811.

[18]
Du Zhiwei, Jin Lixia, Ye Yuyao, et al. Characteristics and influences of urban shrinkage in the exo-urbanization area of the Pearl River Delta,China[J]. Cities, 2020,https://doi.org/10.1016/j.cities.2020.102767.

[19]
Zhang Y, Li Q, Tu W, et al. Functional urban land use recognition integrating multi-source geospatial data and cross-correlations[J]. Computers,Environment and Urban Systems, 2019,https://doi.org/10.1016/j.compenvurbsys.2019.101374.

[20]
Zheng Q, Deng J, Jiang R, et al. Monitoring and assessing “ghost cities” in Northeast China from the view of nighttime light remote sensing data[J]. Habitat International, 2017, 70:34-42.

[21]
魏守华, 杨阳, 陈珑隆. 城市等级、人口增长差异与城镇体系演变[J]. 中国工业经济, 2020(7):5-23.

[22]
刘玉博, 张学良. 长江经济带局部城市收缩、发展分异与空间作用机理探讨[J]. 华东师范大学学报:哲学社会科学版, 2023, 55(4):129-143,179.

Options
文章导航

/

〈 〉