EN中文

地理学报 >

2022 , Vol. 77 >Issue 12: 3041 - 3054

DOI: https://doi.org/10.11821/dlxb202212007

“七普”人口地理

2000—2020年中国省际人口迁移格局的演化特征及影响因素

  • 古恒宇 , 1 ,
  • 劳昕 2 ,
  • 温锋华 , 3 ,
  • 赵志浩 2
展开
  • 1.香港中文大学地理与资源管理学系，香港 999077
  • 2.中国地质大学（北京）经济管理学院，北京 100083
  • 3.中央财经大学政府管理学院，北京 100081
温锋华(1980-), 男, 广东五华人, 博士, 副教授, 研究方向为国土空间规划与治理。E-mail:

古恒宇(1994-), 男, 广东广州人, 博士, 副研究员, 研究方向为人口迁移与区域发展、城市计算与城市空间治理。E-mail:

收稿日期: 2021-12-09

  修回日期: 2022-09-26

  网络出版日期: 2022-12-29

基金资助

国家自然科学基金项目(72174219)

国家自然科学基金项目(42101226)

第七次全国人口普查研究课题(RKPCZB06)

中国人口福利基金会青年学者资助计划

收起

Spatiotemporal patterns and determinants of interprovincial migration in China between 2000 and 2020

  • GU Hengyu , 1 ,
  • LAO Xin 2 ,
  • WEN Fenghua , 3 ,
  • ZHAO Zhihao 2
Expand
  • 1. Department of Geography and Resource Management, The Chinese University of Hong Kong, Hong Kong 999077, China
  • 2. School of Economics and Management, China University of Geosciences, Beijing 100083, China
  • 3. School of Government, Central University of Finance and Economics, Beijing 100081, China

Received date: 2021-12-09

  Revised date: 2022-09-26

  Online published: 2022-12-29

Supported by

National Natural Science Foundation of China(72174219)

National Natural Science Foundation of China(42101226)

The Seventh National Population Census Project(RKPCZB06)

China Merchants Foundation and China Population Welfare Foundation

Fold

摘要

准确认识和把握21世纪前20年中国人口迁移的地理格局和影响因素，是推动新型城镇化建设及区域均衡发展的关键科学问题。借助特征向量空间滤波泊松伪最大似然估计（ESF PPML）引力模型，基于第六次和第七次全国人口普查数据、2005年和2015年全国1%人口抽样调查数据，研究了2000—2020年中国省际人口迁移的时空演化特征及影响因素。主要结论为：① 2000—2020年间人口迁移格局总体稳定，具有较强的不平衡性和网络溢出效应，大量人口从中部、西部、东北地区迁移至东部地区；② 人口迁移格局稳中有变，不平衡程度和空间集聚程度逐渐减弱，人口迁移和人口分布显现出南北分异趋势，东北地区人口迁出强度不断增强； ③ 传统引力模型因素（人口规模、地理距离）、地区社会经济发展因素（工资差异、科技教育投入占比、医疗水平）、社会网络因素、环境舒适度（PM2.5浓度）以及生活成本（住宅价格占比）共同影响人口迁移格局；④ 区域经济差异对省际人口迁移的影响作用逐步弱化，人口迁移逐渐转变为对工资收入、高质量公共服务、环境舒适度等多因素考虑的决策过程，生活成本逐渐对人口迁移产生显著影响。

关键词： 省际人口迁移; 2000—2020年; 第七次全国人口普查; 时空演化格局; 影响因素

本文引用格式

古恒宇 , 劳昕 , 温锋华 , 赵志浩 . 2000—2020年中国省际人口迁移格局的演化特征及影响因素[J]. 地理学报, 2022 , 77(12) : 3041 -3054 . DOI: 10.11821/dlxb202212007

Abstract

Understanding the geographical pattern and driving factors of China's population migration in the first 20 years of the 21st century has become a pivotal issue in promoting the construction of the new-type urbanization and interaction development between regions during the 14th Five-Year Plan period (2021-2025). Supported by the data of the sixth and seventh national population censuses and 2005 and 2015 national 1% population sample surveys, this paper aims to investigate the spatiotemporal evolution characteristics and influencing factors of interprovincial migration in China from 2000 to 2020. Relevant population geospatial analysis and the eigenvector spatial filtering Poisson pseudo-maximum likelihood estimation (ESF PPML) gravity model are employed. The following conclusions are drawn: (1) China's population migration patterns were generally stable from 2000 to 2020, where notable imbalance and network spillover effects were also detected. A large number of migrants from central, western and northeast parts of China tended to move to the eastern region. (2) The overall migration patterns between 2000 and 2020 revealed several changing characteristics. The degree of imbalance and spatial agglomeration of migration patterns gradually weakened. Yet, a north-south differentiation emerged. It is also found that the out-migration trend of the northeast region increased with the elaspe of time. (3) The ESF PPML model indicated that gravity factors (population scale, geographical distance), regional socio-economic factors (wage disparity, proportion of investment in science and technology and education, medical care), social network factors, environmental comfort (PM2.5 concentration) and living costs (proportion of housing price) drove the interprovincial migration pattern between 2000 and 2020. (4) The influence of regional economic differences on interprovincial migration reflected a weakening trend. The pattern of population migration gradually turned into the decision-making of diversified demands for the economy, public services and urban amenities, while the living cost factor represented by housing price had played a gradually significant part. The conclusion of this paper provides policy references for the construction of the new-type urbanization and coordinated development between regions during the 14th Five-Year Plan period in China.

Key words： interprovincial migration; 2000-2020; 2020 census data; spatiotemporal patterns; determinants

1 引言

人口迁移是区域人口结构、城镇化进程和社会经济发展水平的重要影响因素。1978年以来，随着中国改革开放，户籍制度改革不断深化，人口迁移的制度性限制因素逐步放宽，中西部欠发达地区、农村地区、生态脆弱地区人口大量迁入东部地区，推动了东部沿海地区、沿江地区的经济发展和城镇化进程[1]。尽管国家实施新型城镇化后，省内就近迁移逐步成为中国人口城镇化的主要模式[2]，但作为中国人口迁移的重要组成部分，跨省人口迁移仍是关系区域经济均衡发展的关键要素[3]。根据第七次全国人口普查数据，1985—2020年中国省际人口迁移规模从约1100万人增加至5168万人，而中国常住人口城镇化率也在2020年末达到63.89%。中国省际人口迁移的地理格局和影响因素在学界受到长期关注[1,3⇓⇓⇓ -7]，2015—2020年省际人口迁移的新格局、新特征、新机制亟待探索[8]。
新古典微观迁移框架[9-10]、新迁移经济理论[11]、新经济地理理论[12]、二元劳动力市场分割理论[13]等把迁移视为对个人的人力资本投资，认为人口迁移的目的是追求个人及家庭收益最大化，人口迁移受到集聚经济、运输成本和劳动力市场因素的综合影响。另一方面，均衡框架[14]、消费城市理论[15]、创意阶层理论[16]、场景理论[17]和新空间经济理论[18]等认为，区域舒适度是影响人口迁移的新因素。
引力模型是地理学、人口学和区域科学等广泛运用的宏观人口迁移模型。1946年Zipf的引力模型中仅包含3个解释变量：迁出地人口规模、迁入地人口规模、迁移距离[19]，后来引力模型得到不断拓展。部分学者在引力模型中考虑了迁出地和迁入地的社会经济影响因素，提升了模型的解释能力[20⇓-22]；部分学者则致力于提升引力模型的估计效率，降低模型的估计误差，先后提出了对数线性引力模型[23]、多层引力模型[4]、Hurdle引力模型[24]，适用于截面数据的泊松及负二项引力模型[25-26]、适用于面板数据的泊松伪最大似然估计引力模型[27]。由于迁移流和相邻迁移流之间常存在网络自相关性，迁移流之间违背了相互独立的基本假设，引起了上述模型的内生性问题及误导性的结论[3]。为克服此类问题，往往采用空间计量交互模型[28]和特征向量空间滤波（ESF）引力模型[29]。其中，ESF引力模型受数据限制小，对人口迁移流中的网络自相关具有更好的处理能力[1,30 -31]。
省际人口迁移格局及影响因素研究是中国人口地理学界长期以来的重要研究方向之一[1,3⇓⇓⇓ -7,24,31⇓⇓⇓⇓⇓⇓⇓ -39]。人口迁移的研究数据主要来自全国人口普查长表数据或1%人口抽样调查数据，研究进展主要表现为：① 从截面分析转向面板研究。围绕当期人口普查或1%人口抽样调查数据，展开截面分析研究[3,4 -5,7,24,38]，此类研究缺乏对省际人口迁移格局时空演化特征的认识；随着人口普查数据的不断积累，省际人口迁移研究逐步向演变过程转向，面板分析模型的估计精度得到不断提升[1,6,33,38]。② 研究对象不断细化。从关注省际人口迁移格局[31⇓⇓⇓⇓-36]，逐步开始关注高技能人才、高校毕业生、一般劳动力、不同劳动力组别的人口迁移格局和影响因素[37-38]。③ 引力模型逐步精细化，研究结论更为稳健、可信。如多层引力模型[4]、ESF引力模型[37]、空间计量交互模型[7]、空间Hurdle引力模型[24]等逐步得到应用。过往的中国省际人口迁移研究表明，中西部地区人口正在向北京、上海、广东等东部发达地区迁移[33,35]。工资差异、就业市场稳定性等因素是影响中国省际人口迁移的主要力量，公共服务、环境舒适度、消费多样性等因素也已产生一定的影响[1,24,37]。
本文基于第六次、第七次全国人口普查数据和2005年、2015年全国人口1%抽样调查数据，运用特征向量空间滤波泊松伪最大似然估计（ESF PPML）引力模型，探讨了2000—2020年中国省际人口迁移的时空演化格局及影响因素，尤其是全面呈现了2015—2020年中国省际人口迁移地理图景。

2 研究区域、数据和方法

2.1 研究区域和数据来源

本文的研究涉及中国31个省级行政单位（省、自治区、直辖市），暂未含香港特别行政区、澳门特别行政区和台湾地区。2000—2005年、2005—2010年、2010—2015年研究数据分别来源于《2005年全国1%人口抽样调查资料》[40]《2010年第六次全国人口普查主要数据》[41]《2015年全国1%人口抽样调查资料》[42]，2015—2020年数据来源于第七次全国人口普查研究课题支持数据。4个时段省际人口迁移规模为“全国按现住地和5年前常住地分的人口”，根据相应的抽样比（1.31%、9.55%、1.55%、9.84%）还原得到，并作四舍五入处理。省际迁移人口被定义为普查时点（2005年、2010年、2015年、2020年11月1日）及5年前常住地（2000年、2005年、2010年、2015年11月1日）不在同一省份的中国公民。研究对象为31个省份之间930条跨省人口迁移流。
文中计量模型所用各省人口规模数据来源于相应年份的全国人口普查及1%人口抽样调查，社会经济发展水平数据来源于1996—2016年的《中国统计年鉴》[43]，省会城市间最短铁路旅行时间来源于2000年、2005年、2010年和2015年出版的《全国铁路旅客列车时刻表》[44]，省际人口加权PM2.5浓度数据来源于圣路易斯华盛顿大学大气成分分析组（Atmospheric Composition Analysis Group）①（①数据来源网址： https://sites.wustl.edu/acag/datasets/surface-pm2-5/。）。由于西藏自治区缺失部分数据，引力计量模型仅考虑了除西藏自治区以外的870条跨省人口迁移流[1]。

2.2 量化指标和预处理

文中将跨省迁移人口流量设定为被解释变量，并从传统引力模型因素、社会经济发展水平、社会网络联系、环境舒适度、生活成本等5个维度，遴选18个解释变量，解释变量的描述性统计特征见表1。
表1 变量解释及描述性统计

Tab. 1 Descriptive statistical analysis of variables

变量类型 变量 描述 均值 最小值 最大值
被解释变量 Mij 2000—2005年、2005—2010年、2010—2015年、2015—2020年按现住地i和5年前常住地j统计的跨省迁移人口流量(人) 57447.210 0 3066511
传统引力模型变量 POPi /POPj 2000年、2005年、2010年、2015年各省普查时点常住人口规模(万人，自然对数) 8.147 6.210 9.292
DISTij 2000年、2005年、2010年、2015年各省会城市之间铁路最短旅行时间(h) 21.875 0.300 89.100
地区社会经济发展水平 WAGEi /WAGEj 2000年、2005年、2010年、2015年各省城镇单位在岗职工年平均工资(元，自然对数) 10.077 8.842 11.621
GDPGi /GDPGj 1995—2000年、2000—2005年、2005—2010年、2010—2015年各省GDP平均增长率(%) 12.864 2.380 24.165
HTECi /HTECj 2000年、2005年、2010年、2015年各省科技及教育发展支出占当年财政总支出比重(%) 17.353 11.511 23.153
DOCi /DOCj 2000年、2005年、2010年、2015年各省平均每个医院拥有执业医师数量(人，自然对数) 4.531 3.747 5.181
社会网络因素 MSTOCKij 1995—2000年、2000—2005年、2005—2010年、2015—2020年各省迁出人口在各迁出地的构成比(i省流向j省的迁移人数/ i省的总迁出人数，%) 3.440 0.000 87.317
地区环境舒适度 AIRi /AIRj 2000年、2005年、2010年、2015年各省人口加权PM2.5浓度(μg/m³，自然对数) 3.776 2.734 4.725
TEMPi /TEMPj 1995—2000年、2000—2005年、2005—2010年、2015—2020年各省1月与7月平均温差(℃) 25.869 10.360 42.680
地区生活成本 HPi /HPj 2000年、2005年、2010年、2015年各省住宅销售价格占当年居民可支配收入的比重(%) 25.615 14.748 58.993
传统引力变量具体包括迁出省常住人口规模（POPi）、迁入省常住人口规模（POPj）、省会间最短铁路旅行时间（DISTij）。省会间最短铁路旅行时间能刻画省际间人口迁移成本，表征空间压缩效应[1]。社会经济发展水平变量是省际人口迁移的主要影响因子[6]。社会经济发展变量具体包括迁出省/迁入省城镇在岗职工年平均工资（WAGEi /WAGEj）、迁出省/迁入省经济发展平均增速（GDPGi /GDPGj）、迁出省/迁入省科技及教育投入占总财政支出比重（HTECi /HTECj）、迁出省/迁入省平均每个医院拥有执业医师数量（DOCi /DOCj）。在亲缘社会中，社会网络联系是省际人口迁移不可忽视的影响因素[3]。用流动链指数（MSTOCKij），即各省迁出人口在各迁出地的构成比，反映迁出和迁入省份之间的社会网络联系。环境舒适度是影响省际人口迁移的新因素。环境舒适度具体包括迁出省/迁入省人口加权PM2.5浓度（AIRi /AIRj）、迁出省/迁入省1月与7月平均温差（TEMPi /TEMPj）。生活成本越来越成为影响省际人口迁移的重要因素。用迁出省/迁入省住宅销售价格与居民可支配收入的比值（HPi /HPj）来表征生活成本对于人口迁移的影响。
有关模型中可能存在的内生性问题的讨论如下：使用期初变量作为解释变量，一定程度上缓解由反向因果问题导致的内生性；纳入空间滤波算子，减少模型残差中的自相关性，从而降低模型的内生性；数据来源于官方人口普查及人口抽样调查，有力地减少了因抽样误差导致的内生性；变量具有理论和实践经验依据，且模型中纳入时间固定效应，缓解了由于遗漏变量造成的内生性。此外，为检验模型中可能存在的严格多重共线性问题，计算各变量的方差膨胀因子（VIF），发现各变量VIF均低于4，因此不存在严格多重共线性。

2.3 特征向量空间滤波泊松伪最大似然估计（ESF PPML）

本文选用Silva等提出的泊松伪最大似然估计（PPML）引力模型回归框架[27]。在面板数据环境下，PPML引力模型可以有效针对数据中的零值现象，并处理引力模型中常存的异方差问题，且在模型存在过度离散问题时依然可以提供稳健、一致且具有经济意义的估计量[1]。PPML引力模型的框架为：
μ i j t = e x p α 0 + α 1 l n P i t + α 2 l n P j t + α 3 l n D i j t + ∑ q = 1 Q α 4 q l n X i t q + ∑ r = 1 R α 5 r l n X j t r + T t
式中： μ i j t是在t时段省份i和省份j之间迁移人数的条件均值； P i t、 P j t和 D i j t是迁出省份和迁入省份的人口规模以及省份之间的最短铁路旅行时间等3个引力变量； X i t q、 X j t r是t时段迁出和迁入省份相关的社会经济控制变量；Tt是时间固定效应。
将特征向量空间滤波（ESF）纳入PPML引力模型的回归框架之中[1]，具体步骤为：① 根据queen邻接权，构建省份之间的二元空间权重矩阵 C；② 构建反映省际迁移流之间的二元网络权重矩阵 W = I ⊗ C + C ⊗ I，其中 I代表单位矩阵；③ 构建投影矩阵 M = I - 11 ' 870，其中 1是一个由870个1组成的列向量；④ M通过以下方式对 W中心化： M W M = E Λ E '，其中 E是特征向量矩阵， Λ是一个对角线为特征值的对角矩阵。矩阵 E中的每一个分量E1, …, En代表互不相关且正交的网络自相关格局，特征向量和对应的特征值具有排序性质[3]。
通过以下两个步骤筛选代表性特征向量：① 计算每一个特征向量E1, …, En对应的莫兰指数MI1, …, MIn，并选取特征向量莫兰指数MIn与最大莫兰指数MImax比值不小于0.25的子集；② 使用向前（p < 0.001）的逐步回归方法，进一步筛选最终纳入模型的特征向量。ESF PPML模型表达为：
μ i j t = e x p α 0 + α 1 l n P i t + α 2 l n P j t + α 3 l n D i j t + ∑ q = 1 Q α 4 q l n X i t q + ∑ r = 1 R α 5 r l n X j t r + ∑ k = 1 K α 6 k E k + T t
式中：Ek代表第k个筛选后的特征向量；a6k为对应的回归系数。

3 2000—2020年中国省际人口迁移地理格局演化

3.1 人口跨省迁移规模先升后降

计算2000—2005年、2005—2010年、2010—2015年、2015—2020年中国跨省人口迁移总规模变化趋势，发现2000—2010年跨省迁移人口从3804万人增长为5756万人，达到顶峰，随后持续下降至2010—2015年的5328万人与2015—2020年的5168万人（表2）。该发现表征人口跨省迁移趋势呈现先升后降的特征，该特征与2014年实施的新型城镇化及逐步加深的户籍制度改革存在一定联系[45]。在区域均衡发展政策下，一系列就业机会、政策利好和公共服务均等化往中西部主要迁出地区转移致使原本的外迁务工劳动力转为省内就地、就近务工，同样导致近年来跨省迁移规模的下降[38]。计算省际人口迁移的莫兰指数、变异系数和基尼系数（表2），跨省人口迁移格局在20年间存在持续显著的网络溢出效应，跨省人口迁移流之间的空间关联性较强；变异系数和基尼系数仍然较高，说明跨省人口迁移仍体现出显著的不平衡特性。
表2 2000—2020年中国省际人口迁移特征统计

Tab. 2 Characteristics of China's interprovincial migration during 2000-2020

2000—2005年 2005—2010年 2010—2015年 2015—2020年 总时段
跨省迁移人口总量(万人) 3804 5756 5328 5168 20056
莫兰指数(MI) 0.323*** 0.346*** 0.350*** 0.352*** 0.343***
变异系数(CV) 3.642 3.213 2.558 2.236 2.917
基尼系数(GI) 0.817 0.777 0.712 0.684 0.751

注：莫兰指数（Moran's I）的公式为 M I = ( X ' W X ) / ( X ' X )，其中 X '为观测向量的转置， W指代网络权重矩阵；变异系数（CV）的公式为 C V = ( 1 / x - ) ∑ i = 1 n ( x i - x - ) 2 / ( n - 1 )；基尼系数（GI）的公式为 G I = 1 2 n 2 x - ∑ i = 1 n ∑ j = 1 n x i - x j，其中 x i是第i个观测量， x -为均值， n为观测样本量。

3.2 中国省际人口迁移自中、西、东北部地区往东部地区的总体地理格局保持稳定

以中国各省区、四大地理分区及全国2000—2005年、2005—2010年、2010—2015年、2015—2020年迁出规模与期初人口规模（使用5岁及以上的人口数量，下同）的比值计算人口迁出率，迁入规模与期末人口规模的比值计算人口迁入率，净迁入规模和期初及期末人口规模均值的比值计算人口净迁移率，结果如表3所示。总体来看，中国人口迁移总体趋势在2000—2020年间保持稳定。东部地区具有相对较高的社会经济发展水平，是中国人口迁移的主要目的地：除山东、河北两省外，其余东部省份具有相对较高的迁入率、相对较低的迁出率、以及正的净迁移率。中部地区、西部地区和东北地区是人口外迁的主要地区：中部地区所有省份具有相对较高的迁出率、相对较低的迁入率、以及负的净迁移率；而西部地区和东北地区除新疆、宁夏、辽宁等部分省份在部分时段具有正的净迁移率，大部分地区净迁移率为负。
表3 2000—2020年中国各区域迁出率、迁入率和净迁移率

Tab. 3 Out-migration ratio, in-migration ratio, and net-migration ratio of regions during 2000-2020

年份 2000—2005年 2005—2010 2010—2015年 2015—2020年
地区 OMR(%) IMR(%) NMR(%) OMR(%) IMR(%) NMR(%) OMR(%) IMR(%) NMR(%) OMR(%) IMR(%) NMR(%)
全国 3.241 3.099 0.000 4.690 4.578 0.000 4.237 4.115 0.000 3.992 3.880 0.000
东部地区 1.898 6.765 5.131 2.638 9.256 7.046 3.039 7.418 4.551 3.206 6.094 3.223
北京 2.513 14.901 13.588 2.820 21.168 21.070 3.929 19.399 16.441 6.265 12.401 6.275
天津 1.127 8.939 8.166 2.197 12.558 11.870 2.662 18.403 17.552 2.796 7.077 3.730
河北 1.569 0.936 -0.588 3.231 1.442 -1.728 3.747 1.663 -1.980 2.821 1.662 -1.137
上海 2.356 17.333 15.882 2.405 23.077 23.738 3.703 15.270 11.941 5.584 14.428 9.224
江苏 1.895 4.546 2.756 2.738 6.834 4.256 2.845 6.730 3.944 3.094 5.334 2.517
浙江 2.384 10.749 8.860 2.977 16.855 14.859 3.414 10.723 7.408 4.077 11.045 8.143
福建 6.884 1.150 -5.550 9.914 1.542 -8.626 7.603 1.940 -5.499 6.001 3.698 -2.332
山东 1.315 1.043 -0.229 2.382 1.545 -0.795 2.454 1.405 -0.997 1.904 1.807 -0.056
广东 2.152 13.565 12.230 1.909 14.714 13.716 2.619 10.499 8.085 3.148 7.537 5.175
海南 2.246 2.432 0.441 3.148 4.382 1.339 3.612 4.001 0.566 3.263 4.242 1.399
中部地区 4.937 0.794 -4.071 7.382 1.249 -6.152 5.974 1.784 -4.079 4.974 2.259 -2.710
山西 1.139 0.652 -0.432 2.579 1.539 -0.936 3.820 1.228 -2.516 3.276 1.585 -1.819
安徽 6.884 1.150 -5.550 9.914 1.542 -8.626 7.603 1.940 -5.499 6.001 3.698 -2.332
江西 6.576 1.241 -5.077 9.067 1.778 -7.169 6.511 2.100 -4.248 5.542 2.895 -2.667
河南 3.994 0.314 -3.605 6.386 0.517 -5.951 5.654 0.965 -4.621 5.290 0.821 -4.320
湖北 4.758 0.909 -3.947 7.225 1.627 -5.667 5.605 2.794 -2.734 4.340 3.311 -1.063
湖南 5.539 0.833 -4.702 7.988 1.171 -6.715 6.103 1.998 -3.952 4.703 2.083 -2.680
西部地区 3.668 1.201 -2.355 5.242 2.093 -3.181 4.678 2.523 -2.039 4.377 2.698 -1.575
内蒙古 1.884 1.710 -0.102 2.942 3.673 0.808 2.681 2.822 0.188 2.679 2.720 -0.074
广西 5.171 0.908 -4.069 6.745 1.472 -5.393 6.170 1.941 -4.062 4.876 1.916 -2.792
重庆 5.002 1.588 -3.632 7.176 2.822 -4.283 5.416 3.440 -1.739 4.827 4.389 -0.166
四川 5.086 0.973 -4.076 6.656 1.447 -5.329 4.823 2.073 -2.653 4.243 2.744 -1.442
贵州 5.514 1.519 -3.686 8.026 1.918 -6.500 7.726 3.040 -4.592 7.422 2.441 -4.595
云南 1.542 1.124 -0.327 2.731 1.510 -1.156 3.395 1.779 -1.526 3.748 1.975 -1.802
西藏 1.326 0.991 -0.242 2.548 3.493 1.159 2.276 3.305 1.283 3.558 5.153 2.041
陕西 2.465 0.709 -1.647 3.926 2.163 -1.797 3.862 3.145 -0.686 3.472 2.265 -1.095
甘肃 2.103 0.475 -1.560 4.425 1.126 -3.364 5.132 1.572 -3.497 5.588 1.525 -4.246
青海 1.917 1.439 -0.246 3.069 3.634 0.657 3.237 3.709 0.638 3.598 3.072 -0.516
宁夏 1.346 1.336 0.128 2.825 4.252 1.613 3.553 3.022 -0.340 3.265 3.801 0.796
新疆 1.062 3.050 2.195 1.585 4.340 2.955 2.107 4.044 2.141 2.546 4.635 2.536
东北地区 1.959 1.041 -0.861 3.010 1.817 -1.167 2.784 1.476 -1.293 3.215 1.828 -1.654
辽宁 1.039 1.644 0.635 1.750 2.906 1.224 1.915 1.844 -0.063 2.255 2.148 -0.172
吉林 2.069 0.827 -1.208 3.394 1.343 -2.047 3.096 1.182 -1.893 3.161 2.124 -1.390
黑龙江 2.938 0.527 -2.298 4.133 0.912 -3.229 3.554 1.269 -2.270 4.347 1.182 -3.664

注：IMR、OMR、NMR分别指代各区域人口迁入率、人口迁出率及人口净迁移率。

3.3 人口跨省迁移的不平衡程度减弱，呈现分散迁移趋势

由表2可知，2000—2020年基尼系数和变异系数的数值持续下降，这说明跨省人口迁移的不平衡程度逐步减弱，而分散迁移逐步加强[1]。这一时期，东部地区跨省人口迁入率先升后降，而跨省人口迁出率则持续增加，导致其跨省人口净迁移率在2010年以来持续降低（表3）。2015—2020年北京、天津两市的人口净迁移率出现大幅度下降，而上海、江苏、福建、广东等地的人口净迁移率也呈现下降趋势。尽管迁出格局没有得到根本性改变，但中部及西部地区在2000—2020年间净迁移率呈现先升后降的趋势，尤其在2010年以后，大部分中西部省份迁入率上升、迁出率下降，净迁移率也呈现回升趋势。在2015—2020年湖北和重庆两地的净迁移率从负值提升为接近0。

3.4 省际人口迁移和人口分布南北分异显现，东北地区人口流失问题日益严峻

表4中对比了2000—2020年4个时段中国南、北方地区人口迁移和人口分布特征。结果显示，中国人口迁移格局的南北分异越发明显，南方地区具有较高的人口迁入率、较低的人口迁出率，是人口净迁入区域；而北方地区则具有较低的人口迁入率、较高的人口迁出率，是人口净迁出区域。正是由于人口迁移长期存在南北分异，从而导致南方和北方人口份额差异逐步加大。其中，2000—2015年南方和北方人口份额基本维持稳定（53∶47），但至2020年末，南方和北方人口份额（55∶45）逐步拉开。
表4 2000—2020年中国南、北方地区人口迁移格局和空间分布

Tab. 4 Interprovincial migration and population distribution of North China and South China during 2000-2020

年份 2000—2005年 2005—2010年 2010—2015年 2015—2020年
区域 北方地区 南方地区 北方地区 南方地区 北方地区 南方地区 北方地区 南方地区
OMR(%) 2.586 3.818 4.182 5.139 3.969 4.471 3.707 4.240
IMR(%) 1.462 4.549 2.546 6.351 2.753 5.303 2.497 5.012
NMR(%) -1.026 0.906 -1.582 1.390 -1.115 0.973 -1.233 1.041
人口占比(%) 46.963 53.037 46.580 53.410 46.612 53.388 44.985 55.015

注：南方地区与北方地区划分标准为秦岭—淮河线与青藏高原边缘线（南方地区包括：江苏、浙江、上海、湖北、湖南、四川、重庆、云南、贵州、广西、江西、福建、广东、海南、西藏；北方地区包括：北京、天津、内蒙古、新疆、河北、甘肃、宁夏、山西、陕西、青海、山东、河南、安徽、辽宁、吉林、黑龙江）；IMR、OMR、NMR分别指代各区域人口迁入率、人口迁出率、人口净迁移率；人口比重以期末5岁及以上人口占全国5岁及以上人口比重计算而得。

东北地区人口净迁移率持续下降，2000—2020年间人口净迁移率已经从-0.861下降至-1.654，2015—2020年间东北地区的人口净迁移率已低于西部地区。近年来，为了推动东北振兴，国家实施了一系列刺激东北经济复苏的人口政策，但从结果上看，并未扭转东北地区人口流失的局面。东北地区人口流失问题已成为推动东北振兴所必须面对的重大难题。

4 2000—2020年中国省际人口迁移驱动因素

4.1 计量模型回归策略

纳入19个代表性滤波算子后，模型残差中的莫兰指数、AIC和BIC呈现下降趋势，而伪R2呈现大幅度提升，说明模型的解释力与数据拟合能力得到增强。ESF PPML引力模型（模型1）能够解释2000—2020年间大约90.8%的真实省际人口迁移变化，具有较强的代表性。本文采取以下计量模型回归策略（表5）：① 构建1个ESF PPML面板引力回归模型，纳入对模型中网络自相关的考量，计量2000—2020年省际人口迁移影响机制；② 分别以2000—2005年、2005—2010年、2010—2015年、2015—2020年为子样本构建4个ESF PPML面板引力回归模型，分析不同时期省际人口迁移的影响机制差异（模型2~5）。
表5 中国省际人口迁移ESF PPML分时段回归结果

Tab. 5 Modeling results of ESF PPML regressions on China's interprovincial migration by period

变量 模型1(2000—2020年) 模型2(2000—2005年) 模型3(2005—2010年) 模型4(2010—2015年) 模型5(2015—2020年)
Mij Mij Mij Mij Mij
POPi 0.866*** (0.057) 0.906*** (0.064) 0.981*** (0.065) 0.873*** (0.083) 1.199*** (0.073)
POPj 0.438*** (0.054) 0.299*** (0.077) 0.513*** (0.076) 0.353*** (0.083) 0.475*** (0.063)
DISTij -0.027*** (0.003) -0.025*** (0.003) -0.028*** (0.005) -0.032*** (0.004) -0.046*** (0.006)
WAGEi -0.832*** (0.174) -0.914*** (0.209) -0.179 (0.292) -0.977*** (0.252) -0.021 (0.227)
WAGEj 1.822*** (0.148) 1.645*** (0.266) 2.177*** (0.233) 1.670*** (0.304) 1.749*** (0.206)
GDPGi -0.014* (0.008) -0.004 (0.026) -0.074** (0.031) -0.034* (0.017) 0.043*** (0.012)
GDPGj 0.007 (0.006) -0.018 (0.034) 0.023 (0.019) 0.008 (0.016) -0.021 (0.013)
HTECi -0.033*** (0.011) -0.088*** (0.019) 0.014 (0.018) -0.039*** (0.015) -0.051*** (0.015)
HTECj 0.058** (0.012) 0.078*** (0.023) 0.079*** (0.015) 0.108*** (0.016) 0.044*** (0.013)
DOCi -0.118 (0.089) 0.078 (0.163) -0.655*** (0.200) -0.352** (0.145) -0.332*** (0.105)
DOCj 0.374*** (0.103) 0.650** (0.291) 0.334* (0.182) 0.416*** (0.156) 0.435*** (0.098)
MSTOCKij 0.054*** (0.003) 0.047*** (0.003) 0.038*** (0.003) 0.049*** (0.003) 0.058*** (0.003)
AIRi 0.397*** (0.075) 0.570*** (0.078) 0.345*** (0.121) 0.373*** (0.086) -0.303*** (0.096)
AIRj -0.222*** (0.066) -0.296** (0.126) -0.472*** (0.105) -0.225** (0.102) -0.363*** (0.105)
TEMPi -0.003 (0.005) -0.015** (0.007) 0.000 (0.006) -0.010** (0.005) 0.034*** (0.005)
TEMPj 0.001 (0.005) -0.018*** (0.006) -0.006 (0.006) -0.009 (0.006) -0.003 (0.007)
HPi 0.014*** (0.004) -0.002 (0.008) -0.022** (0.011) 0.023*** (0.006) 0.056*** (0.007)
HPj -0.011*** (0.003) 0.005 (0.007) 0.027** (0.012) -0.015*** (0.005) -0.013* (0.007)
Constant -12.533*** (2.264) -9.699*** (3.156) -19.896*** (3.410) -7.927** (3.953) -22.302*** (3.048)
观测量 3480 870 870 870 870
时间固定效应 Yes Yes Yes Yes Yes
滤波算子数量 19 16 10 10 15
残差莫兰指数 0.063*** -0.005 0.051*** 0.096*** 0.054***
Pseudo R2 0.908 0.927 0.909 0.908 0.904
AIC 47909617.91 9383046 15326732.10 11026554.64 9888289
BIC 47909851.79 9383213 15326870.39 11026692.93 9888451

注：*** p < 0.01，** p < 0.05，* p < 0.1；括号中为聚类到地区对的稳健标准误。

4.2 总体回归结果

4.2.1 传统引力模型因素对省际人口迁移产生预期影响

地区人口规模增加会导致迁出和迁入的人口规模产生正向变化，而地理距离的增加则会导致区域人口迁移产生负向变化。模型1显示，地区常住人口规模每提升1%会导致迁出人口和迁入人口分别提升0.866%和0.438%，而区域间最短铁路旅行时间每增加1小时，则会导致区域迁移规模减少0.027%。该结果一方面论证了由人口规模代表的地区社会经济体量和发展水平及对人口迁移的较强解释力，另一方面也说明了即使随着铁路不断提速，时空压缩效应显现，但人口区域迁移仍然呈现十分显著的距离衰减效应。

4.2.2 地区社会经济发展是引起省际人口迁移的主要动因

地区在岗职工年平均工资对迁入人口持续产生显著影响。模型1显示，① 在岗职工年平均工资每增加1%，将会导致迁入人口规模增加1.822%，而迁出人口规模减少0.832%。② 地区经济发展速度对人口迁移也产生一定影响。在纳入滤波算子后，地区GDP对人口迁入的影响不显著，但对人口迁出产生显著的负向影响（-0.014）。③ 地区科技及教育投入占比对人口迁移产生显著影响。更高的科学技术投入份额代表更高的创新实力、更稳定的劳动力市场及更多样化的就业机会，而财政支出中教育投入份额增加往往体现更具优势的基础教育公共服务供给，对于迁移人口的子女教育尤为重要。地区科技及教育投入份额每增加1%，会导致迁入人口规模增加0.058%，而迁出人口规模减少0.033%。④ 地区医疗服务供给对迁入人口产生影响，地区每个医院拥有的执业医师数量每增加1%，会导致迁入人口规模增加0.374%。

4.2.3 社会网络联系持续影响省际人口迁移格局

社会网络联系仍然是中国人口迁移的重要影响因素[3]。在迁入地，以亲缘及同乡为核心的社会网络联系能有效降低迁入人口的社会融入和就业成本，为其安居乐业提供精神和物质保障。模型1显示，省际人口迁移规模在迁出地的构成比每增加1%，将会导致省际人口迁移规模增加0.054%。

4.2.4 以空气质量为核心的环境因素成为影响省际人口迁移的重要因素

以空气质量为核心的环境因素对中国省际人口迁移产生重要影响。具体来说，地区人口加权PM2.5浓度每提升1%，会导致迁入人口规模下降0.221%，而使得迁出人口规模上升0.397%。近年来雾霾等恶劣天气正成为引起居民舒适度下降的重要因素，提升空气质量有利于提高迁入人口的生活质量，增加迁入人口的健康福祉。与既有研究结果不同，以1月及7月平均温差为代表的温度舒适度对人口迁移作用不明显。

4.2.5 以住宅价格为代表的生活成本是影响省际人口迁移不可忽视的因素

有房可居对省际迁移人口具有重要意义。其不仅表现出物质居所的意义，还是迁入人口在迁入地的精神归宿和社会符号[46]。模型1显示，住宅平均销售单价占当地居民可支配收入比重每增加1%，会导致迁入人口规模减少0.011%，迁出人口规模下降0.014%。随着近年来各大城市（如深圳）住宅价格飞涨，传统以追逐更高的收入水平、更多的发展机会和更优的公共服务质量为目标的迁移行为已经受到理性批判，在迁入地收入相同的条件下，对迁入地房屋在当下或未来预期的可购买力越来越受到重视。高昂的房屋价格正驱赶劳动力迁出，已经成为阻碍地区发展和推动高质量城镇化的桎梏。

4.3 分时段回归结果

4.3.1 地区经济差异对省际人口迁移的影响呈现弱化趋势

对比模型2~5可知，以地区平均工资和经济发展增速为代表的地区经济差异对省际人口迁移的影响持续弱化。2000—2005年，地区在岗职工平均工资对迁入和迁出人口产生显著的正向和负向作用；2015—2020年，工资水平仅对迁入人口产生影响，对迁出人口不产生影响。GDP增速在2005—2015年间对迁出人口产生负向影响，而在2015—2020年间对迁出人口产生不符合预期的正向作用。造成上述现象的原因与部分GDP增速较高的地区经济基础相对薄弱有关；另外，新时期中国面临经济增速放缓、社会转型、产业结构调整、新冠肺炎疫情等公共危机的综合挑战，单纯追求经济机会的人口迁移行为面临更高风险。

4.3.2 跨省迁移动机趋于多样化

跨省人口迁移动机已逐步由以单纯追求工资的地区经济差异，逐步转变为兼顾追求高质量公共服务和环境舒适度的多样化需求决策。科技及教育投入对人口迁移产生持续显著影响。医疗公共服务在2000—2005年仅对迁入人口规模产生正向影响。自2005年起，医疗公共服务对迁入及迁出人口均产生显著影响。模型显示，以医疗和教育为核心的地区公共服务供给逐渐成为人口迁移的重要诱因。环境舒适度变量也是影响省际人口迁移的重要因素，在2015—2020年地区空气质量及气温均对人口迁出产生重要影响。

4.3.3 住宅价格因素在2010年后扮演愈发重要的角色

2000—2005年以住宅价格占居民可支配收入比重为表征的生活成本对省际人口迁移的作用不显著。而2005—2010年生活成本对人口迁入产生显著正向影响，而对人口迁出产生显著负向影响。该阶段，以城市建设和土地财政为核心纽带的经济高增速，使得快速上涨的房屋价格成为城市经济发展的指示器，驱动区域人口集聚。然而，2010年后，快速增长的住房价格开始逐渐成为排斥人口迁入和驱赶人口迁出的重要力量。2010—2015年和2015—2020年住宅价格占居民可支配收入比重对人口迁入的影响系数为-0.015和-0.013，对人口迁出的影响系数为0.023和0.056。

4.3.4 地理距离摩擦、社会网络等效应仍然显著

分时段回归模型结果显示地理距离、社会网络等因素在2000—2020年扮演相对稳健的角色。尽管在此期间经历了第五次、第六次铁路大提速和以高速铁路为重要内容的“新基建”阶段，地区间人口迁移的时间成本已经大幅度下降，然而距离摩擦会产生社会融入、文化适应等系列成本，仍然是阻碍人口迁移的重要因素，其影响系数甚至从2000—2005年的-0.025变化至2015—2020年的 -0.046。社会网络因素在过去20年间同样产生十分稳健的影响，其影响系数介于0.038至0.058之间。

4.4 2000—2020年中国省际人口迁移的时空演化机制

如图1所示，总结21世纪前20年中国人口迁移演化机制，必须充分考虑特定历史时期的社会经济发展的宏观背景。中国人口迁移驱动机制及地理格局演化与经济及社会转型、新型城镇化及户籍制度改革、相关区域协调发展政策实施具有紧密联系。影响中国人口迁移的主要宏观驱动效应包括：区域人口规模及区域间距离衰减效应、地区社会经济发展效应、社会网络效应、环境舒适度效应以及生活成本效应。
图1 2000—2020年中国省际人口迁移时空演化机制

Fig. 1 Spatiotemporal evolution mechanisms of interprovincial migration of China during 2000-2020

在上述宏观驱动效应综合影响下，中国省际人口迁移驱动机制呈现出稳中有变的演化机制，中国人口迁移格局也呈现出稳定与变化共存的地理特征。稳定性驱动机制体现在：人口规模、距离衰减及社会网络因素的影响持续显著；省际经济发展水平差异显著，导致经济和科技投入及医疗、教育等公共服务供给差异明显[8]。在稳定性驱动机制作用下，中国人口迁移呈现持续的不均衡、集聚的地理格局，中部、西部及东北部欠发达地区的人口源源不断迁移至东部沿海发达地区。变异性驱动机制体现在：在新型城镇化过程中，就近、就地城镇化以及相关区域均衡发展政策导致跨省人口迁移规模呈现先升后降的特征[38]。2000—2020年间跨省人口迁移动机已经由单纯追求经济收入最大化，逐步转为兼顾地方品质、自然环境舒适度、生活成本等多样化考虑。2010年以来，随着住宅价格持续上涨，人口迁移的不平衡特征持续减弱，中西部等欠发达地区开始吸引外来人口就业，部分东部地区的人口迁入势头开始减缓[1⇓-3]。

5 结论与讨论

5.1 结论

基于第七次全国人口普查数据，结合过往相关全国人口普查及1%人口抽样调查数据，构建2000—2020年中国省际人口迁移数据库，运用一系列人口地理空间分析方法和ESF PPML引力模型，探讨中国省际人口迁移的时空演化格局及驱动因素，主要结论为：
（1）2000—2020年间中国省际人口迁移格局呈现稳中有变的总体特征。人口迁移体现出较强的不平衡性和网络溢出效应，东部沿海地区一直是人口迁移的主要目的地，而中部、西部和东北地区则一直是主要迁出地。人口迁移的不平衡程度和空间集聚程度减弱，最近5年显现出空间分散特征。人口迁移和空间分布的南北分异越发明显，东北三省人口迁出的态势尚未减缓。
（2）迁入地和迁出地人口规模对省际人口迁移产生正向影响，而以最短铁路旅行时间为代表的地理距离因素产生负向影响；地区社会经济发展仍是引起人口迁移的主要动因，地区在岗职工年平均工资、科技教育投入占财政支出比重以及医院拥有执业医师数量的提升对人口迁入产生正向影响，而对人口迁出产生负向影响；迁出及迁入省份间的社会网络关联、以PM2.5浓度为代表的地区环境舒适度以及以住宅价格占居民可支配收入为代表的生活成本因素同样是引起人口迁移的重要因素。
（3）随着时间推进，以工资收入和GDP增速为代表的地区经济差异对省际人口迁移的影响呈现弱化趋势，人口迁移动机由单纯追求更高经济收益，逐渐转变为对工资收入、高质量公共服务、环境舒适度、生活成本等因素的多样化考虑。2010年以来，住宅价格导致的生活成本上涨，成为显著抑制人口迁入的重要因素。地理距离摩擦和社会网络效应在20年间保持对人口迁移的显著影响。

5.2 讨论

文中部分结论呼应了既有文献的发现：一方面，尽管呈现出空间分散化趋势，但总体人口迁移的空间集聚特征和不均衡格局未被完全打破，东部沿海省份源源不断迁入的劳动力有力支持了本地的经济繁荣，而中西部欠发达地区尤其是东北三省仍面临劳动力外流的困境[38]；另一方面，迁移作为一种劳动力市场投资回报的博弈选择，地区经济差异尤其是工资收入差异仍是引起中国人口迁移的主要原因[1,37]。因此，欠发达地区相对较低的工资报酬和经济增长预期将导致对外来人口的吸引力进一步衰减[8]。
本文首次揭示出2015—2020年间人口迁移格局的新特征：首先，地区经济收入差异对人口迁移的影响正呈现逐步弱化的趋势，地区的公共服务品质、环境舒适度等有望扮演更加重要的角色；其次，住宅价格逐步成为人口迁移的重要考虑因素，部分东部发达地区持续增长的住宅价格将对未来以人力资本集聚为导向的经济增长和创新能力提升产生一定的抑制作用；此外，中国人口迁移和人口空间分布的南北差异持续加大，南北地区人口分布平衡开始打破；另一方面，虽然中部地区和西部地区在近年来的净迁移率有了较大幅度提升，但东北地区经历连续的净迁移率下降，东北地区人力资本外流问题需要得到更多的关注。尽管如此，地区的科技教育投入对人口集聚的作用在本文中再次被强调，而距离摩擦、社会网络等因素对人口迁移产生持续影响。最后，迁移格局中存在显著网络自相关性，一方面揭示出由于相邻地区的密切经济往来、社会网络联系、政策响应等机制对人口迁移的影响，从而为未来流动人口治理提供参考，另一方面说明基于空间相互作用视角的引力模型建模时需充分考虑网络自相关的影响，减少模型估计偏误[1,6 -7]。
研究显示新型城镇化建设、户籍制度改革和近年来实施的一系列地区均衡发展战略取得了阶段性的成果。在人口城镇化率保持高增长的背景下，中小城市就业机会的增加、户籍的进一步松绑以及公共服务均等化程度的提升导致中国东部地区对人口迁入的垄断性态势开始打破，多地人口净迁移率开始下降。人口跨省迁移规模在2010—2020年开始持续下降，人口城镇化模式已经由传统的跨省迁移模式逐步转为就近、就地迁移模式，也预示着中国新型城镇化建设和经济发展面临的新一轮挑战。随着中国经济增速放缓，产业结构及劳动力市场转型，东部沿海地区经济发展动能开始调整，部分发达地区虽仍然集聚着大量的就业岗位，发挥集聚经济优势，但过快增长的住宅价格等生活成本因素已经成为人口迁入乃至地区经济进一步发展的关键阻碍。如何平衡好地区人口迁入、经济增长和地区生活成本之间的关系，将成为新时期实现地区均衡发展及推动新型城镇化建设的新难题。
本文尚存在以下待改进之处：首先，仅关注省际人口迁移地理格局及演化机制分析，缺乏对地（市）际迁移格局的系统研究。其次，囿于数据，在计量模型构建变量选取方面存在不足。例如，主要使用住宅销售价格代表住房成本，忽视了对租房价格的讨论。在未来，可在精度更高的多源人口迁移数据支持下，构建更为全面的解释性框架和计量模型，对多尺度下人口迁移地理格局及驱动因素展开体系化研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Gu H Y. Understanding the migration of highly and less-educated labourers in post-reform China. Applied Geography, 2021, 137: 102605. DOI: 10.1016/j.apgeog.2021.102605.

DOI

[2]
Cao Guangzhong, Chen Sichuang, Liu Tao. Changing spatial patterns of internal migration to five major urban agglomerations in China. Acta Geographica Sinica, 2021, 76(6): 1334-1349.

DOI

[ 曹广忠, 陈思创, 刘涛. 中国五大城市群人口流入的空间模式及变动趋势. 地理学报, 2021, 76(6): 1334-1349.]

DOI

[3]
Gu Hengyu, Shen Tiyan, Liu Ziliang, et al. Driving mechanism of interprovincial population migration flows in China based on spatial filtering. Acta Geographica Sinica, 2019, 74(2): 222-237.

DOI

[ 古恒宇, 沈体雁, 刘子亮, 等. 基于空间滤波方法的中国省际人口迁移驱动因素. 地理学报, 2019, 74(2): 222-237.]

DOI

[4]
Shen J F. Changing patterns and determinants of interprovincial migration in China 1985-2000. Population, Space and Place, 2012, 18(3): 384-402.

DOI

[5]
Shen J F. Explaining interregional migration changes in China, 1985-2000, using a decomposition approach. Regional Studies, 2015, 49(7): 1176-1192.

DOI

[6]
Gu H Y, Liu Z L, Shen T Y, et al. Modelling interprovincial migration in China from 1995 to 2015 based on an eigenvector spatial filtering negative binomial model. Population, Space and Place, 2019, 25(8): e2253. DOI: 10.1002/psp.2253.

DOI

[7]
Pu Yingxia, Han Hongling, Ge Ying, et al. Multilateral mechanism analysis of interprovincial migration flows in China. Acta Geographica Sinica, 2016, 71(2): 205-216.

DOI

[ 蒲英霞, 韩洪凌, 葛莹, 等. 中国省际人口迁移的多边效应机制分析. 地理学报, 2016, 71(2): 205-216.]

DOI

[8]
Cai F. Demographic transition, demographic dividend, and Lewis turning point in China. China Economic Journal, 2010, 3(2): 107-119.

DOI

[9]
Todaro M P. A model of labor migration and urban unemployment in less developed countries. American Economic Review, 1969, 59(1): 138-148.

[10]
Sjaastad L A. The costs and returns of human migration. Journal of Political Economy, 1962, 70(5): 80-93.

DOI

[11]
Stark O, Bloom D E. The new economics of labor migration. American Economic Review, 1985, 75(2): 173-178.

[12]
Krugman P. Increasing returns and economic geography. Journal of Political Economy, 1991, 99(3): 483-499.

DOI

[13]
Piore M J. Birds of Passage:Migrant Labor in Industrial Societies. Cambridge: Cambridge University Press, 1979.

[14]
Graves P E. A reexamination of migration, economic opportunity, and the quality of life. Journal of Regional Science, 1976, 16(1): 107-112.

DOI

[15]
Glaeser E L, Kolko J, Saiz A. Consumer city. Journal of Economic Geography, 2001, 1(1): 27-50.

DOI

[16]
Florida R. The Rise of the Creative Class and How It's Transforming Work, Leisure, Community, and Everyday Life. New York: Basic Books, 2002.

[17]
Clark T N, Lloyd R, Wong K K, et al. Amenities drive urban growth. Journal of Urban Affairs, 2002, 24(5): 493-515.

DOI

[18]
Yang Kaizhong. Research on New Economic Geography. Beijing: Peking University Press, 2021.

[ 杨开忠. 新经济地理学研究. 北京: 北京大学出版社, 2021.]

[19]
Zipf G K. The P 1 P 2/D hypothesis: On the intercity movement of persons. American Sociological Review, 1946, 11(6): 677-686.

DOI

[20]
Lee E S. A theory of migration. Demography, 1966, 3(1): 47-57.

DOI

[21]
Alonso W. Systems of Cities:Readings on Structure, Growth, and Policy. New York: Oxford University Press, 1978.

[22]
Lowry I S. Migration and Metropolitan Growth:Two Analytical Models. New York: Chandler Pub. Co., 1966.

[23]
Rogers A, Willekens F, Little J, et al. Describing migration spatial structure. Papers in Regional Science, 2002, 81(1): 29-48.

[24]
Gu H Y, Shen T Y. Modelling skilled and less-skilled internal migrations in China, 2010-2015: Application of an eigenvector spatial filtering hurdle gravity approach. Population, Space and Place, 2021, 27(6): e2439. DOI: 10.1002/psp.2439.

DOI

[25]
Burger M, Van Oort F, Linders G J. On the specification of the gravity model of trade: Zeros, excess zeros and zero-inflated estimation. Spatial Economic Analysis, 2009, 4(2): 167-190.

DOI

[26]
Flowerdew R, Aitkin M. A method of fitting the gravity model based on the Poisson distribution. Journal of Regional Science, 1982, 22(2): 191-202.

PMID

[27]
Silva J M C S, Tenreyro S. The log of gravity. The Review of Economics and Statistics, 2006, 88(4): 641-658.

[28]
LeSage J P, Pace R K. Spatial econometric models//Fischer M M, Getis A. Handbook of Applied Spatial Analysis. Berlin: Springer, Heidelberg, 2010: 355-376.

[29]
Griffith D A. Spatial Autocorrelation and Spatial Filtering:Gaining Understanding Through Theory and Scientific Visualization. Berlin: Springer Science & Business Media, 2003.

[30]
Gu H Y, Rowe F, Liu Y, et al. Geography of talent in China during 2000-2015: An eigenvector spatial filtering negative binomial approach. Chinese Geographical Science, 2021, 31(2): 297-312.

DOI

[31]
Shen J F. Error analysis of regional migration modeling. Annals of the American Association of Geographers, 2016, 106(6): 1253-1267.

DOI

[32]
Yang Chuankai, Ning Yuemin. Evolution of spatial pattern of inter-provincial migration and its impacts on urbanization in China. Geographical Research, 2015, 34(8): 1492-1506.

DOI

[ 杨传开, 宁越敏. 中国省际人口迁移格局演变及其对城镇化发展的影响. 地理研究, 2015, 34(8): 1492-1506.]

DOI

[33]
Li Yang, Liu Hui, Tang Qing. Spatial-temporal patterns of China's interprovincial migration during 1985-2010. Geographical Research, 2015, 34(6): 1135-1148.

DOI

[ 李扬, 刘慧, 汤青. 1985—2010年中国省际人口迁移时空格局特征. 地理研究, 2015, 34(6): 1135-1148.]

DOI

[34]
Liu Yanling, Feng Jian. Characteristics and impact factors of migration in China: Characteristics China: Based on the analysis of the sixth census data. Human Geography, 2014, 29(2): 129-137.

[ 刘晏伶, 冯健. 中国人口迁移特征及其影响因素: 基于第六次人口普查数据的分析. 人文地理, 2014, 29(2): 129-137.]

[35]
Wang Guixin, Pan Zehan. China's inter-provincial migration patterns and influential factors: Evidence from year 2000 and 2010 population census of China. Chinese Journal of Population Studies, 2012(5): 2-13.

[ 王桂新, 潘泽瀚, 陆燕秋. 中国省际人口迁移区域模式变化及其影响因素: 基于2000和2010年人口普查资料的分析. 中国人口科学, 2012(5): 2-13.]

[36]
Duan Chengrong. Analysis on the influencing factors of choosing the place of inter-provincial migration. Population Research, 2001, 25(1): 56-61.

[ 段成荣. 省际人口迁移迁入地选择的影响因素分析. 人口研究, 2001, 25(1): 56-61.]

[37]
Chun Y W, Griffith D A. Modeling network autocorrelation in space-time migration flow data: An eigenvector spatial filtering approach. Annals of the Association of American Geographers, 2011, 101(3): 523-536.

DOI

[38]
Gu Hengyu, Shen Tiyan. Evolution patterns of China's interprovincial migration networks between 1995 and 2015: Based on labour heterogeneity. Geographical Research, 2021, 40(6): 1823-1839.

DOI

[ 古恒宇, 沈体雁. 1995—2015年中国省际人口迁移网络的演化特征: 基于异质性劳动力视角. 地理研究, 2021, 40(6): 1823-1839.]

DOI

[39]
Liu Wangbao, Wang Lina, Chen Zhongnuan. Flow field and its regional differentiation of inter - provincial migration in China. Economic Geography, 2012, 32(2): 8-13.

[ 刘望保, 汪丽娜, 陈忠暖. 中国省际人口迁移流场及其空间差异. 经济地理, 2012, 32(2): 8-13.]

[40]
Population Statistics Department of National Bureau of Statistics. China's 2005 1% Population Sample Survey Data. Beijing: China Statistics Press, 2006.

[国家统计局人口和就业统计司. 2005年全国1%人口抽样调查资料. 北京: 中国统计出版社, 2006.]

[41]
Population Census Office under the State Council, Department of Population and Employment Statistics under the National Bureau of Statistics. Major Figures on 2010 Population Census of China. Beijing: China Statistics Press, 2011.

[国务院人口普查办公室, 国家统计局人口和就业统计司. 2010年第六次全国人口普查主要数据. 北京: 中国统计出版社, 2011.]

[42]
Population Statistics Department of National Bureau of Statistics. China's 2015 1% Population Sample Survey Data. Beijing: China Statistics Press, 2016.

[国家统计局人口和就业统计司. 2015年全国1%人口抽样调查资料. 北京: 中国统计出版社, 2016.]

[43]
National Bureau of Statistics. China Statistical Yearbook (1996-2016). Beijing: China Statistics Press, 1996-2016.

[国家统计局. 中国统计年鉴(1996—2016). 北京: 中国统计出版社, 1996-2016.]

[44]
Transportation Bureau of China Railway Corporation. National Railway Passenger Train Timetable. Beijing: China Railway Press, 2000, 2005, 2010, 2015.

[中国铁路总公司运输局. 全国铁路旅客列车时刻表. 北京: 中国铁路出版社, 2000, 2005, 2010, 2015.]

[45]
Zhu Yu, Lin Liyue, Ke Wenqian. Trends in internal migration and mobility: International experiences and their implications for China. Population Research, 2016, 40(5): 50-60.

[ 朱宇, 林李月, 柯文前. 国内人口迁移流动的演变趋势: 国际经验及其对中国的启示. 人口研究, 2016, 40(5): 50-60.]

[46]
Cui N N, Gu H Y. Homeowner and renter payment for school quality in Beijing: Boundary fixed effect analysis with housing price-rent comparison. Journal of Urban Planning and Development, 2021, 147(3): 05021025. DOI: 10.1061/(ASCE)UP.1943-5444.0000716.

DOI

Options
文章导航

/

〈 〉