中国沿海城市群人口分布特征及驱动因素研究

李小帆^1,2,*, 舒玲玲¹, 卢丽文³

(1. 武汉工程大学法商学院, 武汉 430205
2. 武汉工程大学区域与城市经济研究中心, 武汉 430205
3. 湖北师范大学, 黄石 435002)

摘要: 沿海城市群是中国区域经济增长的引擎和国际贸易的枢纽, 研究其人口分布问题对合理布局生产力具有重要意义。文章采用偏移-份额法、人口分布结构指数、人口地理集中度、面板数据计量等研究手段, 研究2010—2019年我国沿海城市群人口分布格局特征及其驱动因素。结果表明: (1) 我国沿海城市群人口密度等级分布呈橄榄球状, 各城市群人口差异较大; (2) 高度城镇化和经济发展成熟的城市群更能吸引人口集聚, 人口分布相对更均衡; (3) 城市发育程度、城市经济发展水平、公共产品差异、就业保障、医疗水平和产品价格差异是人口分布的主要驱动因素, 其中, 城市发育程度、城市经济发展水平、公共产品差异、就业保障、医疗水平对人口分布指数有着显著的促进作用, 产品价格差异对人口分布指数产生负向驱动; (4) 空间差异分析发现, 我国沿海城市群人口分布的驱动因素异质性较为明显, 城市群的个体差异较大。

关键词: 沿海城市群, 人口分布, 驱动因素

DOI: 10.48014/csdr.20250116001

引用格式: 李小帆, 舒玲玲, 卢丽文. 中国沿海城市群人口分布特征及驱动因素研究[J]. 中国可持续发展评论, 2025, 4(1): 43-55.

文章类型: 研究性论文

收稿日期: 2025-01-16

接收日期: 2025-02-12

出版日期: 2025-03-28

1　引言

人口分布是人地关系的重要体现^[1]，也是布局经济要素的重要依据。最初关于人口分布的研究主要是在适度人口论^[2]、人口迁移理论^[3]、过滤理论^[4]等理论层面。20世纪80年代后，相关研究由人口时序变化逐渐转变为人口的时空变化，并引入分形理论和3S等技术方法，弥补了传统研究在空间分析方面的不足^[5-8]。人口分布的主要影响因素一般有自然地理条件、社会经济条件和人口政策等。满颖之和隋干成提出人口分布还受到人口政策的影响^[9]。Lee、White等人认为住宅成本和质量、类型也会影响人口分布^[10,11]。Kim和Seo发现人口及其影响因素在民族文化异质性显著或矛盾较大的区域具有更显著的溢出效应^[12]。刘振等从人口结构变化角度研究发现城镇化水平和经济发展水平对人口收缩城乡分异特征的影响最为显著^[13]。关于人口分布目前已有较为丰富的研究成果，对于人口分布的驱动因素方面的研究随着经济计量技术的不断完善，所研究的因素也越来越细致。

城市群作为区域经济新的经济增长极，是实施新型城镇化战略的主体形态。沿海城市群是沿海城市港口发展的依托，是我国一带一路倡议的重要组成区域。根据第七次人口普查数据，沿海的长三角、珠三角和京津冀三大城市群人口总量占全国15个主要城市群的36.82%，并吸纳了全国33.3%的流动人口，是我国重要的人口聚集区。目前涉及到我国沿海城市群人口分布的现状、特征和流动规律的研究已较为丰富。在研究方法层面，学者们除了采用指数模型^[14]、重心模型^[15]、土地利用影响模型^[16]、Clark模型^[17]等传统计量方法，还采用了空间耦合^[18]、空间插值^[6]等空间分析方法;在研究指标层面，人口密度^[7,8]、人口分布结构指数^[19]、人口分布基尼系数^[20]、人口偏移增长指数^[21]、泰尔指数^[22]等较为常见;在研究区域层面则主要集中于我国东部沿海城市群，较多研究从京津冀^[23]、长三角^[24]和珠三角^[25]展开，较少涉及其他沿海城市群，特别是从整体上分析沿海城市群人口分布及其驱动因素的尚不多见。本文将在以往研究基础上，进一步梳理我国沿海城市群人口分布的驱动因素，并进行实证检验。与已有研究侧重于对单个城市群的分析不同，本文的研究视角聚焦于沿海城市群整体，以刻画沿海城市群人口分布的总体态势和分布规律。

2　数据与方法

2.1　研究对象与数据

本文数据源于《中国城市统计年鉴》(2011—2020年)，选取了2010—2019年共10年的面板数据来实证检验我国沿海城市群人口分布的影响因素，缺失值采用线性插值法补齐。虽然城市群的相关研究由来已久，但从政策角度对城市群的阐述集中于党的十八大之后，因此我们重点考察2010年之后的情况。考虑到政策影响的滞后性，我们仍然保留2010—2011年的数据，以便观察政策实施前后的变化。另外，考虑到2020年以及之后的新冠疫情对经济发展造成较大波动，我们没有使用2020年之后的统计数据。本文选取了京津冀、辽中南、山东半岛、海峡西岸、长三角、珠三角和北部湾城市群共7个沿海城市群的地级及以上城市作为研究样本。

2.2　研究方法

目前常见的测度人口分布的方法有人口分布结构指数^[26]、人口分布基尼系数^[27]、探索性空间分析等^[28]，测度人口变化的研究方法有偏移份额法^[29]、标准差椭圆^[30]等。本文主要采用人口分布指数、人口分布基尼系数、人口地理集中度指数和人口偏移增长指数来衡量沿海城市群的人口分布和变化情况。

2.2.1　人口分布结构指数

人口分布结构指数包括人口分布不均衡指数(U)和人口分布集中指数(C)，二者的计算公式分别为:

(1)

式中:n表示研究区域的个数;x_i为i区域人口与总人口之比;y_i为i区域面积与区域总面积之比。由公式可知，U和C的值越大，表示人口分布越不平衡。

2.2.2　人口分布基尼系数

基尼系数取值范围为[0，1]，其值的大小定量反映了城市群人口分布的均匀程度，其计算公式为:

(2)

2.2.3　人口地理集中度指数

人口地理集中度考虑了区域的人口和地理面积的相对情况。其计算公式如下:

(3)

式中:表示人口地理集中度;和分别表示常住人口和国土面积;pop和ter分别表示城市群常住人口和国土面积总量。

2.2.4　人口分布偏移增长指数

该方法将人口增长分为“份额”增长和“偏移”增长两部分。若偏移增长量为正，说明该区域人口增长相对较快，人口呈现集聚态势。计算公式为:

(4)

式中，、、、分别表示i地区在到时间的人口偏移增长量、绝对增长量、份额增长量和子区域的人口偏移增长量。

2.3　驱动因素选取

根据新经济地理学和推—拉理论，城市群人口分布格局是城市群发展过程中集聚力和分散力共同作用的结果。学者们在推—拉理论的基础上研究发现城市的经济发展水平^[31]、就业环境^[32]、医疗条件^[33]、基础设施服务^[34]、物价水平^[35]等对人口流动产生影响，从而使人口分布格局发生变化。基于理论分析并进一步结合相关文献，本文对以下驱动因素展开探讨。

2.3.1　城市发展水平差异

人口分布往往与社会的生产力水平密切相关，城市生产力发展水平决定了居民的物质生活方式，从而决定了该地区的人口规模。一般而言，有经济活动的地方就需要从事生产和服务活动的劳动力;人口集聚的地方也会有一定规模的生产和服务活动。所以，城市经济越发达，经济活动越丰富，就会吸引越多人口集聚，而经济欠发达城市则经济活动相对较少，从而造成人口流失。基于以上分析，本文选取了城市发展水平(GDP)和城市发育程度(IC)两个指标来衡量城市发展水平差异。城市发育程度(IC)利用城市空间隔离程度(IS)与边缘性(IR)之比计算，公式为。

2.3.2　城市公共服务差异

城市公共服务差异是影响城市人口分布的直接因素。因为人们的生存离不开必要的物质条件和公共服务，人口在迁移时往往会有不同的偏好，而随着经济发展的成熟和生活水平的提高，人们在进行迁移决策时越来越关注城市的公共服务水平。公共产品越丰富、产品价格更低、就业保障更大、医疗水平越高的城市往往更受到人口迁移的青睐。基于此，本文选取了公共产品差异()衡量一个城市与其他城市的公共产品丰富程度的差异大小，与其他城市公共产品差异越大的城市越能吸引人口的聚集，采用本城市和其他城市市辖区地方财政一般预算内支出之比的均值表示;选取产品价格差异()来衡量一个城市与其他城市的公共产品价格的差异大小，与其他城市产品价格差异越大的城市更能推动人口的流失，采用市辖区规模以上工业企业数之比的倒数的平均值表示。就业保障()采用本城市同城市群内其他城市的失业保险参保人数之比的均值表示。医疗水平()采用市辖区医院、卫生院个数表示。公共产品差异()、产品价格差异()、就业保障()和医疗水平()四个指标共同衡量城市的公共服务差异。

基于以上分析选取并构建变量，驱动因素指标及其说明见表1。

表1　驱动因素指标表

Table 1　Index table of driving indicators

指标名称	变量说明
城市发展水平(gdp)	市辖区生产总值
城市发育程度(ic)	，代表第j个城市的人口数量，利用城市空间隔离程度(IS)与边缘性(IR)之比计算的城市集群程度(IC)计算[36-37]
公共产品差异()	本城市和其他城市市辖区地方财政一般预算内支出之比的均值
产品价格差异()	市辖区规模以上工业企业数之比的倒数的平均值
就业保障()	本城市同城市群内其他城市的失业保险参保人数之比的均值
医疗水平()	市辖区医院、卫生院个数

3　人口分布特征分析

3.1　人口密度分布特征

人口密度是衡量人口分布空间差异最常用的指标，通过计算我国七大沿海城市群人口密度并以人口密度为基础进行了密度级别分割，使我国沿海城市群的人口密度分布特征有了更直观的表达。

根据《中国城市年鉴2021》和全国第七次人口普查数据绘制了表2，显示2020年长三角城市群的建成区和常住人口分布最多，约是建城区人口最少的北部湾城市群和常住人口最少的辽中南城市群的5倍。据表3可得，常住人口超1亿的超级城市群有长三角、京津冀和山东半岛城市群;常住人口在5000万至1亿之间的大型城市群有珠三角和海峡西岸城市群。由上可得，我国沿海城市群建成区人口和常住人口差异较大，建成区人口密度和常住人口密度也差异较大。虽然长三角、京津冀和山东半岛城市群都是常住人口超1亿的城市群，但它们的常住人口密度都低于珠三角城市群，这是因为三个城市群的土地面积较大，即使常住人口庞大，城市群内部的人口密度也不高。相对于超级城市群庞大的常住人口规模，海峡西岸和北部湾城市群的建城区人口明显不足，说明其实体发育程度相对不足。造成沿海城市群人口分布密度差异的主要因素包括自然地理环境和经济社会发展和区域政策因素综合作用的结果，南方沿海城市群经济活力强，政策支持力度大，自然地理条件相对优越，成为了人口流入高地，北方沿海城市群则因自然地理条件限制、经济转型压力等人口吸引力相对较弱。

表2　中国沿海城市群人口密度表

Table 2　Population density table of China' s coastal urban agglomeration

城市群名称	建城区人口			常住人口
	数量(万人)	面积(km2)	密度(人/km2)	数量(万人)	面积(km2)	密度(人/km2)
长江三角洲城市群	7189.73	7331	9807.29	16508.56	213981	771.50
珠江三角洲城市群	6023.28	4522	13319.95	7794.87	54954	1418.44
京津冀城市群	4544.47	4342	10466.32	11036.93	218755	504.53
北部湾城市群	1224.44	1250	9795.53	4241.44	113044	375.20
山东半岛城市群	2991.74	4402	6796.31	10152.75	158429	640.84
海峡西岸城市群	2337.56	2572	9088.50	8238.81	227800	361.67
辽中南城市群	1860.06	1906	9759.00	3074.48	82850	371.09

注:根据《中国城市年鉴2021》和全国第七次人口普查数据整理而得。

通过人口密度级别分割将人口密度分为5级:人口密度在1000人/km²以上的为高密度区，在500~1000人/km²的为较高密度区，在200~500人/km²的为中密度区，在100~200人/km²的为较低密度区，低于≤100人/km²为低密度区^[38]。结果见图1。分析可得，珠三角城市群为高密度区，长三角、京津冀和山东半岛城市群为较高密度区，海峡西岸城市群、辽中南城市群和北部湾城市群处于中密度区;六个城市群中没有城市群处于较低密度区或低密度区。沿海城市群中的100个主要城市中，在高密度区间的城市数量有18个，占100个城市总数的18%，占比较低;有46个城市常住人口密度在较高密度区间，占100个城市总数的46%;有24个城市常住人口密度在中密度区间，占城市总体的24%;处于较低密度区间和低密度区间的城市有12个，占城市总体的12%。城市密度等级分布整体呈橄榄球状，各城市群人口密度差异较大。

3.2　人口分布结构特征

根据上文研究方法计算沿海城市群的人口分布指数，计算结果见表3。结合表3可知，沿海城市群全市人口和市辖区人口不均衡指数和集中指数分布情况大体一致，其中市辖区人口不均衡指数和集中指数较全市人口较低，表明城市化的进程有助于缓解我国城市之间人口分布不均衡的现状，城市化程度越高的城市群往往人口分布更均衡。相对于

图1　中国沿海城市群人口密度等级分布图

Fig.1　Distribution Map of Population Density Levels in China' s Coastal Urban Agglomerations

注:此图基于国家自然资源部标准地图服务系统的标准地图

(审图号:GS(2020)4619号)绘制，底图无修改。以下地图同。

发展较为成熟的长江三角洲城市群，按照全市人口计算的不均衡指数超出按照市辖区人口计算的不均衡指数较多，其他城市群二者差别较小，这是因为其他沿海城市群城市化进程尚处于快速发展阶段，城市群建设处于初步阶段，城市化对于人口分布不均衡的减缓效果尚未显现出来。

根据联合国有关组织规定，人口密度的基尼系数为0.40时是收入分配平衡和人口空间分布均匀的警戒线^[39]。从表3可以看出，七个城市群基尼系数都在0.2~0.4之间，其中山东半岛和海峡西岸城市群全市人口分布基尼系数分别为0.247和0.280，显示人口分布比较平均。同时，沿海城市群全市区基尼系数普遍高于城区，可见城市群内普遍存在人口空间分布聚集现象，但城镇化的发展有助于减少人口分布的不均衡。

根据公式(3)计算了沿海城市群的人口地理集中度指数，如表3所示。海峡西岸、长三角城市群的全市和城区人口地理集中度较高。我们进一步比较了城市群内部的中心城市和非中心城市的差异，发现上海、武汉、厦门等中心城市人口集中度高于边缘城市。

表3　沿海城市群人口分布指数表

Table 3　Index table of population distribution of coastal urban agglomerations

城市群	人口分布均衡指数				人口分布基尼系数		人口地理集中度
	全市		城区		全市	城区	全市	城区
	U	C	U	C
长三角城市群	0.0262	0.2479	0.0197	0.1478	0.368	0.339	29.405	21.184
珠三角城市群	0.1027	0.4589	0.0510	0.2033	0.347	0.327	16.373	11.090
山东半岛城市群	0.0131	0.1025	0.0135	0.1056	0.247	0.165	16.060	15.247
海峡西岸城市群	0.0409	0.3680	0.0136	0.0928	0.280	0.210	34.034	16.974
北部湾城市群	0.0358	0.1801	0.0314	0.1299	0.359	0.280	12.804	9.409
京津冀城市群	0.0582	0.2905	0.0160	0.0793	0.313	0.271	15.966	12.014
辽中南城市群	0.0567	0.2265	0.0311	0.1295	0.384	0.352	8.667	7.428

注:根据《中国城市年鉴2021》和全国第七次人口普查数据整理而得。

图2、图3分别为人口份额增长量和偏移增长量。由图知，人口份额增长量呈现上升趋势。各城市群中心城市的偏移增长量非常显著，说明中心城市对人口的吸引在逐步增强。同时，大部分城市主导特征显著，中心城市人口集聚能力显著高于非中心城市。随着中心城市要素成本上升、资源环境承载力制约凸显，以及边缘区部分城市经济快速增长、基础设施不断完善，人口偏移增长格局发生变化。同时，随着户籍制度改革的持续推进、和新型城镇化的深化，中心城市对人口吸引力持续提升。同时，近年来不少超大城市提出城市人口疏解的系列政策，受此影响上海市的人口偏移增长量为负。

图2　中国沿海城市群人口份额增长图

Fig.2　Population share growth chart of China’s coastal urban agglomeration

图3　中国沿海城市群人口偏移增长图

Fig.3　Population migration growth diagram of China’s coastal urban agglomeration

4　驱动因素分析

4.1　模型设定

上文分析得出，中国沿海城市群人口分布的驱动因素主要有公共产品差异、就业保障、城市发育程度、城市经济发展水平、城市医疗水平、产品价格差异。基于上文的理论分析，此处我们通过建立一个回归模型来进一步展开实证分析。

(5)

为了缩小数据之间的绝对差异，避免个别极端值对回归的影响，我们对实证数据进行了取对数处理。式中，表示城市的人口分布指数的对数值，为一系列可能影响人口分布指数的驱动因素，为了包括公共产品差异()、户籍歧视()、城市发育程度()、城市经济发展水平()、城市医疗水平、()、产品价格差异()，和分别代表城市的个体和时间固定效应。表4为所有变量的描述性统计分析结果。

4.2　实证结果

为分析各因素对人口分布的影响，本文采用双因素模型的固定效应实证检验六个主要因素对人口密度、人口地理集中度和人口规模三个人口分布指数分别的影响。表9报告了估计结果，列(4)~(6)为双向固定效应的拟合结果，分析可得城市发育程度、城市经济发展水平、公共产品差异、就业保障和医疗水平均与人口分布指数均为正相关关系，其中产品差异对人口规模有1%的水平上的显著正影响，城市发育程度对人口密度有1%的水平上的显著正影响，城市发展水平对人口密度和人口规模均有1%的水平上的显著正影响;而产品价格差异与人口分布指数均为负相关关系。高经济发展水平可吸引人口集聚，基础服务、医疗资源相对丰富的地区也会吸引人口流入，这些都对人口的迁入发挥着正效应;而地区产品价格与其他地区差距越大，人口流入意愿就越小，对人口的迁入发挥着负效应。

表4　变量描述性统计分析

Table 4　Descriptive statistical analysis of variables

Variable	Obs	Mean	Std.Dev.	Min	Max
lnden	1000	1.6162	0.6266	-0.4787	3.2711
lncon	1000	4.6409	0.5910	2.6220	6.6448
lnscale	1000	6.0555	0.6203	4.3012	7.2903
lncpublic	1000	0.1860	0.6903	-1.2287	2.9351
lncprice	1000	-2.5645	103.4077	-2196.6919	1886.5122
lncgama	1000	0.1573	0.6420	-1.9677	3.8694
lnic	1000	5.7288	0.8319	3.8779	7.3372
lngdp	1000	17.0798	0.8838	14.9169	19.7598
lnhospital	1000	4.0145	0.8381	1.0986	6.6134

表5　全样本回归结果

Table 5　Full-sampleregression results

variables	(1) lnden	(2) lncon	(3) lnscale	(4) lnden	(5) lncon	(6) lnscale
lncpublic	0.0331	0.0288	0.1103***	0.0280	0.0268	0.1019***
	(1.5246)	(1.4810)	(3.9389)	(1.2875)	(1.3593)	(3.6034)
lncgama3	0.0002	0.0008	-0.0013	0.0012	0.0014	0.0004
	(0.0792)	(0.3597)	(-0.3844)	(0.4635)	(0.5962)	(0.1130)
lnic	0.1263***	-0.0432*	0.0389	0.2726***	0.0135	0.0744
	(5.0382)	(-1.9256)	(1.2043)	(6.3035)	(0.3451)	(1.3217)
lngdp	0.0195*	0.0039	0.1056***	0.0492***	0.0180	0.1242***
	(1.6798)	(0.3781)	(7.0703)	(3.6046)	(1.4487)	(6.9838)
lnhospital	0.0037	0.0096**	0.0092	0.0056	0.0096**	0.0135*
	(0.7452)	(2.1662)	(1.4325)	(1.0649)	(1.9894)	(1.9618)
lncprice	-0.0000	-0.0000	-0.0000	-0.0000	-0.0000	-0.0000
	(-0.3250)	(-0.4427)	(-0.6745)	(-0.0230)	(-0.3037)	(-0.5673)
constant	0.5392***	4.7774***	3.9716***	-0.7712***	4.2320***	3.4537***
	(4.9188)	(48.6460)	(28.1062)	(-2.6579)	(16.0673)	(9.1410)
城市固定	YES	YES	YES	YES	YES	YES
年份固定	NO	NO	NO	YES	YES	YES
observations	1，000	1，000	1，000	1，000	1，000	1，000
r-squared	0.1528	0.0162	0.2326	0.1808	0.0233	0.2428
number of num	100	100	100	100	100	100

注:括号中为t值，***表示P<0.01，**表示P<0.05，*表示 P<0.1。

4.3　驱动因素的空间差异分析

由于我国各城市群经济发展水平存在较大差异，各个驱动因素对七个沿海城市群人口集中与分散发挥的作用也可能存在差异性。因此，本文在探究各个驱动因素对人口分布作用效果的基础上，进一步考察其对不同城市群的人口分布的影响，依次对七个城市群进行回归，结果如表6所示。

对于长三角城市群，公共产品差异、城市经济发展水平和医疗水平均对人口规模产生1%水平下的显著正向影响，而城市发育程度与人口规模呈显著负相关，其他系数均不显著。近年来长三角城市群的中心城市多严格控制人口规模，并通过加快与周边城市互联互通，推进同城化等多种措施疏解城市功能，降低城市人口密度，因此公共产品差异和城市经济发展水平同人口密度和人口地理集中度呈现负相关关系，但是其城市总体人口规模还是在不断上涨过程中，因此公共产品差异和城市经济发展水平与人口规模呈显著正相关关系。长三角城市群的产品价格差异与人口分布指数均负相关说明产品价格下降能够促进人口密度、人口地理集中度和人口规模的增加，与理论分析相符。

对于海峡西岸城市群，城市经济发展水平与人口密度和人口规模呈显著正相关，且通过1%显著性水平测试，而医疗水平仅对人口偏移增长指数产生1%水平下的显著正影响。分析其原因可能是:海峡西岸城市群北承长三角城市群，南接珠三角城市群，人才、资金、技术等生产要素长期面临着二者的虹吸效应，所以驱动因素对于海峡西岸城市群人口分布的影响受到其他城市群的影响较大，进而一些驱动因素的影响方向和影响程度发生了变化。

对于珠三角城市群，公共产品差异对人口分布指数均产生1%水平下的显著正效应，医疗水平则只对人口偏移增长指数有1%水平下的显著正效应，其余系数均没有通过检验。对于山东半岛城市群，公共产品差异对人口分布指数也有1%水平下的显著正效应，医疗水平则对人口偏移增长指数有1%水平下的显著负效应，同时城市发育程度对人口密度和人口规模产生1%水平下的显著正影响，而其他系数均不是1%水平下显著。

对于辽中南城市群，公共产品差异对人口分布指数也产生了1%水平下的显著正效应，城市发育程度对人口分布指数却产生了1%水平下的显著负影响，其他系数均未达到1%水平的显著。而对于京津冀城市群，驱动因素对人口分布指数的回归系数均不显著。

对于北部湾城市群，城市发育程度对人口密度和人口规模具有5%水平下的显著正影响，医疗水平仅对人口偏移增长指数有5%水平下的显著正影响。分析其情况原因可能在于，北部湾城市群发展水平较低，城市群内的相对发达城市辐射带动能力有限，部分节点城市发展不及预期，虽然经济发展水平和就业保障水平的提高会优化城市的宜居性，但是在其发展过程中可能会给人们增加生存压力，进而导致一些驱动因素的影响方向或者影响程度发生变化。

综合看，沿海城市群发展对人口分布的影响与城市群的发展模式密切相关。珠三角、山东半岛、辽中南城市群和京津冀城市群的发展模式均为双核模式，即城市群内有两个核心城市引领城市群的发展，而这两个中心城市往往是一种“竞合关系”，这种关系主要体现在:第一，两个中心城市之间的竞争，它们发展水平相当，往往会共同竞争城市群内的优势资源，通过维持人均资源的稳定来提高自身水平，健全城市的基础设施，从而吸引人口集聚;第二，中心城市和非中心城市的竞争，中心城市一般会在保证自身产业结构和规模合理的情况下向外进行产业转移，而非中心城市对中心城市的产业转移具有选择性，非中心城市的选择与否很大程度上影响了人口的分布;第三，中心城市之间的合作关系，中心城市的比较优势不尽相同，都愿意通过合作达到取长补短的效果，双方合作越紧密，人口流动越频繁，往往人口分布的不确定性就越大。长三角、海峡西岸城市群为多中心发展模式，人口分布受多个中心城市之间的竞争影响，在相对工资同化的情况下，城市的公共产品和产业规模及其带来的相对低价是吸引人口流入的主要动力。北部湾城市群为单中心发展模式城市群，人口分布主要受到中心城市发展的影响。

表6　驱动因素的空间差异性

Table 6　Spatial differences in driving factors

变量	长三角	珠三角	山东半岛	海峡西岸	北部湾	京津冀	辽中南
lncon
lncpublic	-0.0431	0.2436***	0.0861***	-0.0392	0.0622	-0.0100	0.1190***
	(-1.2660)	(3.3438)	(3.0878)	(-1.2180)	(0.7116)	(-0.1148)	(4.2286)
lncgama	0.0033	0.0062	-0.0011	-0.0003	-0.0065	0.0325	0.0026
	(0.5163)	(0.7254)	(-0.3520)	(-0.0980)	(-0.9423)	(1.1359)	(0.9188)
lnic	0.1274	0.1981	0.1454***	0.0463	0.2765**	0.0384	-0.2070***
	(1.0942)	(1.4335)	(5.0230)	(1.0420)	(2.6329)	(0.3718)	(-6.4042)
lngdp	-0.0493	0.1688**	0.0287*	0.0728***	-0.0491	0.0851	-0.0145
	(-1.4207)	(2.4617)	(1.6851)	(3.1464)	(-1.0748)	(1.2263)	(-1.1890)
lnhospital	0.0108	0.1160**	-0.0201**	0.0133**	0.0062	-0.0430	0.0030
	(1.1170)	(2.3418)	(-2.5803)	(1.9818)	(0.5843)	(-1.5037)	(0.7932)
lncprice	-0.0000	-0.0025	0.0001	0.0000	0.0001	-0.0000	-0.0000
	(-0.2577)	(-1.0044)	(0.9031)	(0.3101)	(1.0382)	(-0.4999)	(-0.6341)
constant	1.7450***	-2.6947***	0.5410***	-0.0617	0.8693**	0.0548	2.3633***
	(6.4813)	(-4.8626)	(3.2516)	(-0.3347)	(2.4356)	(0.0711)	(7.5423)
lnden
lncpublic	-0.0480	0.2872***	0.0988***	-0.0415	0.0066	-0.0002	0.1155***
	(-1.4378)	(4.1675)	(3.6022)	(-1.3071)	(0.0785)	(-0.0025)	(4.6683)
lncgama	0.0033	0.0055	-0.0005	-0.0010	-0.0051	0.0293	0.0041
	(0.5348)	(0.6875)	(-0.1504)	(-0.3951)	(-0.7672)	(1.0605)	(1.6347)
lnic	0.1178	-0.1996	-0.0314	-0.0967**	0.0446	-0.0546	-0.1110***
	(1.0319)	(-1.5266)	(-1.1027)	(-2.2079)	(0.4411)	(-0.5468)	(-3.9089)
lngdp	-0.0632*	0.0937	0.0045	0.0471**	-0.0434	0.0543	-0.0086
	(-1.8590)	(1.4440)	(0.2662)	(2.0626)	(-0.9871)	(0.8078)	(-0.7986)
lnhospital	0.0166*	0.1307***	-0.0155**	0.0175***	0.0208**	-0.0478*	0.0034
	(1.7612)	(2.7881)	(-2.0218)	(2.6429)	(2.0383)	(-1.7278)	(1.0189)
lncprice	-0.0000	-0.0027	0.0001	0.0000	0.0000	-0.0000	-0.0000
	(-0.0955)	(-1.1511)	(0.8112)	(0.2426)	(0.0174)	(-0.3083)	(-0.7561)
constant	4.8292***	3.5913***	4.7230***	4.4934***	4.9995***	4.2245***	5.1568***
	(18.2826)	(6.8506)	(28.8359)	(24.7168)	(14.5471)	(5.6591)	(18.7326)
lnscale
lncpublic	0.2259***	0.2597***	0.1725***	-0.0851**	0.0695	-0.0352	0.1114***
	(2.8720)	(3.5084)	(5.8867)	(-2.5050)	(1.1032)	(-0.4374)	(5.3983)
lncgama	-0.0080	0.0051	-0.0013	0.0002	-0.0054	0.0334	0.0043**
	(-0.5483)	(0.5900)	(-0.3984)	(0.0787)	(-1.0952)	(1.2685)	(2.0580)
lnic	-0.5507**	0.2083	0.1455***	0.0765	0.1917**	0.0379	-0.1314***
	(-2.0478)	(1.4836)	(4.7788)	(1.6345)	(2.5346)	(0.3986)	(-5.5466)
lngdp	0.2745***	0.1648**	0.0408**	0.0637***	0.0257	0.0792	0.0015
	(3.4256)	(2.3662)	(2.2781)	(2.6117)	(0.7826)	(1.2380)	(0.1698)
lnhospital	0.0607***	0.0975*	-0.0214***	0.0097	-0.0066	-0.0277	0.0050*
	(2.7251)	(1.9375)	(-2.6170)	(1.3734)	(-0.8680)	(-1.0490)	(1.8018)
lncprice	-0.0000	-0.0029	0.0001	0.0000	-0.0000	-0.0000	-0.0000
	(-0.3179)	(-1.1396)	(1.4536)	(0.2235)	(-0.0318)	(-0.5074)	(-1.2987)
constant	4.7714***	1.1904**	4.8431***	4.5330***	4.5745***	5.0705***	6.1556***
	(7.6707)	(2.1144)	(27.6853)	(23.3225)	(17.7934)	(7.1333)	(26.8043)
observations	260	90	160	170	100	130	90
r-squared	0.202	0.675	0.658	0.540	0.534	0.093	0.500
number of num	26	9	16	17	10	13	9

注:括号中为t值，***表示 P<0.01，** 表示P<0.05，*表示 P<0.1。

5　研究结论与政策启示

本文基于2010—2019年面板数据，结合偏移-份额法、人口分布结构指数、基尼系数、人口地理集中度、面板数据计量等研究手段，探讨了我国沿海城市群的人口分布特征及其驱动因素，并进一步分析了沿海城市群人口分布驱动因素的异质性，主要结论如下:

第一，从人口密度分布特征看，中国沿海城市群人口密度等级分布呈橄榄球状，说明各城市群人口密度差异较大，人口分布不均。

第二，从人口结构分布特征看，城镇化程度越高和经济发展越成熟的城市群往往更能吸引人口集聚，人口分布也相对更均衡。

第三，城市发育程度、城市经济发展水平、公共产品差异、就业保障和医疗水平均与人口分布指数正相关，而产品价格差异与人口分布指数负相关。

第四，异质性分析发现:中国沿海城市群人口分布的驱动因素异质性较为明显，城市群的个体差异较大。在区域协调发展政策背景下，各地政府应充分考虑不同城市群的人口分布特征，全方位思考经济因素、地形因素、气候因素等因素对人口分布的不同影响，进而有针对性的实施区域人口政策，因地制宜地制定区域战略规划，使每个城市群都能结合自身特点谋求调整，实现地区的可持续发展。

本文的主要政策启示为我国沿海城市群发展模式不尽相同，具有多样性和阶段性特征。对于珠三角、京津冀城市群等城市群，应更加注重核心城市的协同和相向发展，充分发挥中心城市对周边地区的辐射带动;对于辽中南等人口紧缩型城市群，要进一步加强中心城市的集聚能力，促进人口向中心城市流动，实现城市精明增长;对于北部湾等发展中的单中心城市群，要进一步扩大中心城市经济规模，培育壮大市场主体，做好东部产业转移的承接，促进人口向中心城市的集聚。

利益冲突: 作者声明没有利益冲突。

---

^[⑤] *通讯作者　Corresponding author:李小帆，lixiaofa100@wit.edu.cn
收稿日期:2025-01-16;　录用日期:2025-02-12;　发表日期:2025-03-28
基金项目:本项研究得到了湖北省社科基金前期项目“湖北省人口收缩型城市义务教育资源空间优化配置与实施路径研究”(项目编号:23ZD182)、湖北省教育科学规划课题“湖北省城乡基本公共教育服务均等化研究”(项目编号:2021GB030)的资助。

参考文献(References)

[1] Erle, C. E. , Navin, R. Putting people in the map: Anthropogenic biomes of the world[J]. Frontiers in Eclogy and the Environment, 2008, 6(8): 439-447.
https://dx.doi.org/10.1890/070062
[2] Cannan E. Elementary political economy[M]. London: H. Frowde, 1888.
[3] Ravenstein E G. The laws of migration[J]. Journal of the Statistical Society of London, 1885, 48(2): 167-235.
[4] Hoyt H. The structure and growth of residential neighborhoods in American cities[M]. Washington, DC: US Government Printing Office, 1939.
[5] 向云波, 赵严. 长江中游城市群人口与经济空间分布关系研究. 云南师范大学学报(哲学社会科学版), 2015, 47(04): 88-94.
[6] 张国俊, 黄婉玲, 周春山, 曹永旺. 城市群视角下中国人口分布演变特征. 地理学报, 2018, 73(08): 1513-1525.
https://dx.doi.org/10.11821/dlxb201808009
[7] 闫东升, 孙伟, 王玥, 徐诗瑶. 长江三角洲人口分布演变、偏移增长及影响因素. 地理科学进展, 2020, 39(12): 2068-2082.
https://dx.doi.org/10.18306/dlkxjz.2020.12.009
[8] 闫东升, 孙伟与孙晓露. 长江三角洲人口时空格局演变及驱动因素研究. 地理科学, 2020. 40(08): 1285-1292.
https://dx.doi.org/10.13249/j.cnki.sgs.2020.08.007
[9] 满颖之, 隋干城. 关于人口地理分布规律性的探讨[J].人口研究, 1983(4): 30-34.
[10] Lee E S. A theory of migration[J]. Demography, 1966, 3(1): 47-57.
https://dx.doi.org/10.2307/2060063
[11] White M J. American neighborhoods and residential differentiation[M]. New York: Russell Sage Foundation for the National Committee for Research on the 1980 Census, 2004.
[12] KIM L, SEO W. Micro-analysis of price spillover effect among regional housing submarkets in Korea: Evidence from the Seoul metro politan area. Land, 2021, 10(8): 879.
https://dx.doi.org/10.3390/land10080879.
[13] 刘振, 戚伟, 刘盛和. 中国人口收缩的城乡分异特征及形成机理. 地理科学, 2021, 41(7): 1116-1128.
https://dx.doi.org/10.13249/j.cnki.sgs.2021.07.002
[14] Newling B. E. The Spatial Variation of Urban Population Densities[J]. Geographical Review, 1967(2): 242-252.
https://dx.doi.org/10.2307/213158
[15] 张耀军, 王小玺. 城市群视角下中国人口空间分布研究. 人口与经济, 2020(03): 1-13.
[16] 罗君, 石培基, 张学斌. 兰西城市群人口分布格局及其与地形要素的关系[J]. 经济地理, 2020, 40(06): 106-115.
https://dx.doi.org/10.15957/j.cnki.jjdl.2020.06.012.
[17] 刘乃全, 邓敏. 多中心结构模式与长三角城市群人口空间分布优化[J]. 产业经济评论, 2018,(04): 91-103.
https://dx.doi.org/10.19313/j.cnki.cn10-1223/f.2018.04.007.
[18]
[1]刘志峰, 王斌, 马颖忆, 等. 长江经济带人口与经济耦合的区域差异研究[J]. 宏观经济管理, 2018,(06): 50-57.
https://dx.doi.org/10.19709/j.cnki.11-3199/f.2018.06.010.
[19] 刘乃全, 吴伟平, 刘莎. 长三角城市群人口空间分布的时空演变及影响因素研究[J]. 城市观察, 2017(05): 5-18.
[20] 曾永明, 张利国. 中国人口空间分布格局演变与非均衡性测度———基于分县尺度人口普查数据: 1990—2010[J]. 南方人口, 2017, 32(05): 68-80. .
[21] 陈前虎, 司梦祺. 1990—2015年浙江省人口时空变迁特征与趋势分析[J]. 现代城市研究, 2018(03): 8-14+38.
[22] Zhang W, Bao S. Created unequal: China' s regional pay inequality and its relationship with mega-trend urbanization. Applied Geography, 2015. 61: 81-93.
[23] 王振坡, 姜智越, 郑丹, 等. 京津冀城市群人口空间结构演变及优化路径研究[J]. 西北人口, 2016, 37(05): 31-39.
https://dx.doi.org/10.15884/j.cnki.issn.1007-0672.2016.05.005.
[24] 马璇, 张振广. 基于人口流动的长三角区域空间演化特征及态势研究[J]. 城市规划学刊, 2020,(05): 47-54.
https://dx.doi.org/10.16361/j.upf.202005006.
[25] 盛亦男, 杨旭宇. 中国三大城市群流动人口集聚的空间格局与机制[J]. 人口与经济, 2021,(06): 88-107.
[26] 秦伟. 1990—2020年云南省人口空间分布的演化特征分析[J]. 地域研究与开发, 2024, 43(05): 166-172+180.
[27] 李艳成, 温佩璋, 刘劲松. 基于聚落的人口统计数据空间分解算法[J]. 地理科学, 2024, 44(07): 1196-1205.
https://dx.doi.org/10.13249/j.cnki.sgs.20221123.
[28] 金丹, 周婧楠, 许尊. 京津冀城市群流动人口空间格局及影响因素研究[J]. 城市发展研究, 2024, 31(12): 34-44.
[29] 胡彬, 刘军. 肯尼亚人口分布空间格局演化及影响因素研究[J]. 世界地理研究, 2024, 33(06): 64-75.
https://dx.doi.org/10.3969/j.issn.1004-9479.2024.06.20222215
[30] 刘一鸣, 黄彦瑜, 赖妙华, 等. 广州城市人口空间结构与演化趋势研究[J]. 人口与发展, 2023, 29(02): 41-50.
[31] 肖杰, 郑国璋, 赵培, 郭鹏军, 郭政昇. 基于GIS的关中-天水经济区人口分布特征及影响因素研究. 中国农业资源与区划, 2020, 41(05): 167-175.
[32] 童玉芬, 马艳林. 城市人口空间分布格局影响因素研究———以北京为例[J]. 北京社会科学, 2016,(01): 89-97.
https://dx.doi.org/10.13262/j.bjsshkxy.bjshkx.160111.
[33] 张启春, 梅莹. 长江经济带人口空间分布的“逆城市化”趋势及影响因素研究[J]. 华中师范大学学报(人文社会科学版), 2020, 59(01): 43-53.
[34] 王婧, 刘奔腾, 李裕瑞. 京津冀人口时空变化特征及其影响因素[J]. 地理研究, 2018, 37(09): 1802-1817.
https://dx.doi.org/10.11821/dlyj201809012cstr:32071.14.dlyj201809012
[35] 王芳莉, 党国锋. 近25a甘肃省人口分布的时空格局及影响因素.干旱区地理, 2020, 43(02): 508-515.
https://dx.doi.org/10.12118/j.issn.1000-6060.2020.02.26
[36] 杨孟禹, 胡冰璇. 城市群发展对城市差距的影响———基于城市集群的视角. 城市与环境研究, 2021(04): 76-93.
[37] 原倩. 城市群是否能够促进城市发展[J]. 世界经济, 2016, 39(09): 99-123.
https://dx.doi.org/10.19985/j.cnki.cassjwe.2016.09.006.
[38] 肖金成, 洪晗. 城市群人口空间分布与城镇化演变态势及发展趋势预测[J]. 经济纵横, 2021,(01): 19-30+2.
DOI:10.16528/j.cnki.22-1054/f.202101019
[39] 杨强, 李丽, 王运动, 等. 1935—2010年中国人口分布空间格局及其演变特征[J]. 地理研究, 2016, 35(08): 1547-1560.
https://dx.doi.org/10.11821/dlyj201608012cstr:32071.14.dlyj201608012

Research on the Population Distribution Characteristics and Driving Factors of China' s Coastal Urban Agglomeration

LI Xiaofan^1,2,*, SHU Lingling¹, LU Liwen³

(1. Law and Business School, Wuhan Institute of Technology, Wuhan 430205, China
2. Regional and Urban Economic Research Center, Wuhan Institute of Technology, Wuhan 430205, China
3. Hubei Normal University, Huangshi 435002, China)

Abstract: The coastal urban agglomeration is the engine of China' s regional economic growth and the hub of international trade and studying its population distribution is of great significance for the rational layout of productivity. The article uses research methods such as offset share method, population distribution structure index, population geographic concentration, and panel data measurement to study the characteristics and driving factors of population distribution patterns in China' s coastal urban agglomerations from 2010 to 2019. The results show that: (1) the population density distribution of coastal urban agglomerations in China is rugby shaped, with significant differences in population among different urban agglomerations; (2) Highly urbanized and economically developed urban agglomerations are more likely to attract population agglomeration, and the population distribution is relatively more balanced; (3) The degree of urban development, level of urban economic development, differences in public goods, employment security, medical level, and product price differences are the main driving factors for population distribution. Among them, the degree of urban development, level of urban economic development, differences in public goods, employment security, and medical level have a significant promoting effect on the population distribution index, while product price differences have a negative driving effect on the population distribution index; (4) The spatial difference analysis found that the driving factors of population distribution in China' s coastal urban agglomerations are quite heterogeneous, with significant individual differences in urban agglomerations.  

Keywords: Coastal urban agglomeration, population distribution, driving factors

DOI: 10.48014/csdr.20250116001

Citation: LI Xiaofan, SHU Lingling, LU Liwen. Research on the population distribution characteristics and driving factors of China' s coastal urban agglomeration[J]. Chinese Sustainable Development Review, 2025, 4(1): 43-55.