摘 要：人口分布的影响因素研究有助于认识人口分布规律及其演变趋势。采用2015年中国西北五省325个区县的人口、经济、社会、自然地理等数据，以人口地域别比率的对数比转换形式为被解释变量，建立广义嵌套空间计量经济学模型，揭示经济、社会、自然地理等影响因素对人口分布的直接效应和空间溢出效应。研究发现，经济社会发展水平对人口分布具有显著的正向直接效应和负向空间溢出效应，即某一区县经济发展水平越高，其人口地域别比率越高，而其周边区县人口地域别比率越低；平均海拔对人口分布有显著的负向直接效应和正向空间溢出效应，即某一区县平均海拔越低，其人口地域别比率越高，而其周边区县人口地域别比率越低；地形起伏度和平均降水量的直接效应和空间溢出效应统计不显著。研究认为经济社会发展水平较高地区以及低海拔地区更易集聚较为密集的人口，地形和降水等自然地理环境因素通过影响人口自然承载力和生存繁衍条件而发挥着对人口分布的限制作用，以上因素及其空间交互效应共同导致空间不均衡成为中国西北人口分布的长期稳定特征。
关键词：人口分布；影响因素；人口地域别比率；空间计量模型
一、引言
人口分布指人口在一定时间、一定地域范围的空间分布状况，是受自然、社会、经济、政治等多种因素共同作用的结果[1]。作为人口地理学一个重要、经典的研究对象[2]，人口分布及其影响因素研究具有厘清人口分布规律、预判人口分布变化趋势、促进区域人口优化分布等重要的理论和应用价值[3]。
直接作用于人口分布的人口学变量包括生育、死亡和迁移三个方面，而人口的生育、死亡和迁移模式又分别受到经济、社会和自然地理等因素的影响[4]。为了简化分析过程，通常直接研究自然地理环境因素和经济社会因素对人口分布模式或特征的影响，省去对每一空间单元的人口生育、死亡和迁移等人口学变量的单独讨论[3]。克拉克(Clarke)将影响人口分布的因素归为十大类：距离海岸线的距离、海拔高度、地形地貌、气候条件、土壤因素、生物因素、疾病与饥饿、矿产资源、经济活动和历史因素等[5]。“三因素理论”将影响人口分布的因素概括为三大类：自然环境因素、经济发展因素和社会发展因素[6]。新古典经济学的宏观和微观迁移理论基于即期或预期的净收益解释人口流动及人口分布变动[7]。经典的推拉理论认为，充足的就业机会、较高的工资收入、良好的教育条件和生活条件等因素会促进区域人口增长和聚集[8]。
为了检验以上理论是否能在不同研究区域、不同的空间尺度下成立(如省级[3]、地市级[9]、区县级[10]、乡镇级[11])，不同学科的学者采用不同的量化分析方法(包括主成分分析法[12]、相关分析[13-14]、回归分析[14-16]、偏最小二乘法[17]、地理加权回归[18-19]、面板数据模型[9]、空间关联分析[20]、探索性空间分析[21])，以及不同的指标遴选方法(包括自然、经济、社会、政治、科教、文化、历史等多个方面)对人口分布及其影响因素进行实证研究。学者一致认为自然地理和社会经济因素都是影响人口分布的重要因素[21-22]，但对于影响因素的作用强度则结论不一。其中，部分学者重点考察了自然地理因素对人口分布的影响，认为建筑环境、生态、地形[23]、距海岸线距离[24]、地形起伏度[25]等地理特征对人口分布具有最显著的解释力；部分学者认为基础教育、人均可支配收入[26]、政策因素[27]、经济密度、电话密度、医疗床位密度[17]、道路密度、GDP[2]、第二产业增加值比重、第三产业增加值比重、第二产业就业人员构成[28]等社会经济因素对人口分布影响最显著。
该项目使用网络抓包工具Charles来进行影业相关数据的采集。它是一个http协议调试的代理工具，能够记录并检查电脑和互联网之间的http通讯、断点设置以及所有进出Charles数据。利用Charles的网络抓包技术对国内某电影票务系统进行HTTPS请求抓包，获取到电影资讯、电影详情、影院信息、预告片等诸多接口。
综上，不同的研究时段、研究区域、空间尺度、量化分析方法、指标遴选方法得出的结论迥异[2，16]。虽然没有完全一致的结论，但前人成果对深刻理解人口分布影响因素具有重要价值，启发学者思考人口分布的影响因素是否也具有尺度依赖特征，其研究工具、方法、数据和视角的局限性是否会严重影响研究结论等。此外，就研究方法而言，人口分布的影响因素仍有较大的探索解析空间。首先，基于普通最小二乘(OLS)模型的研究成果大多未进行同方差、无自相关、正态分布性、多重共线性等检验，影响了对估计量无偏性和有效性的判断。其次，很多学者采用逐步回归法或剔除变量法遴选解释变量，统计上不显著的变量被剔除[2，16]。这样得到的模型虽然满足单变量的t检验，但极有可能遗漏关键理论变量，导致模型误设[29]；若不剔除过度相关的解释变量，则严重的多重共线性或参数之间的过度竞争将导致严重的有偏估计，这种矛盾的局面迫切需要新的技术方案予以解决。第三，根据地理学第一定律，地理事物或属性在空间分布上往往存在空间依赖性或空间异质性[30]，当存在空间自相关时应采用空间计量分析方法，否则会导致OLS回归结果违背经典假定而产生估计偏误。为了解决以上不足，文章收集经济、社会、自然地理等22个指标，通过因子分析消除多重共线性、实现变量降维[31]，以线性回归模型为基础，再根据相关检验将其扩展为具有空间交互效应的空间计量模型，解析经济、社会、自然地理影响因素对人口分布的直接效应和空间溢出效应。
二、数据和指标
1.研究区概况
中国西北五省地处内陆干旱、极干旱地区，降水较少，地形起伏度较大，区域内有昆仑山、天山、阿尔泰山、阿尔金山、祁连山、秦岭等大型山脉，有准噶尔、塔里木、柴达木、吐鲁番、哈密等大型盆地，有古尔班通古特、塔克拉玛干、库姆塔格等大型沙漠，有青海湖、博斯腾湖等众多湖泊[32-33]。根据2010年土地利用数据，在研究区域广袤的土地上，仅有0.43%为城镇等建设用地和农村居民点，7.44%的面积为可耕地，2.84%为水体，5.10%为林地，36.37%为草地，47.82%为沙地、戈壁、盐碱地等难利用土地[注]资料来源：国家地球系统科学数据共享服务平台，http://www.geodata.cn。由于地形复杂，西北五省下辖区县间行政面积差异巨大，面积最小的临夏市仅0.0089万平方千米，面积最大的若羌县面积达20.23万平方千米，后者为前者的2273倍。受区域经济、社会发展、地形地貌、水体气候、土壤矿产等自然环境影响，中国西北五省2015年末户籍人口1.03亿人，仅占全国人口的7.03%[34-35]，人口空间分异显著[36]。在“一带一路”倡议的带动和人口城镇化的背景下，西北五省承接项目增多[37]，人口空间结构正在发生着剧烈变化[36]。研究中国西北地区人口分布的影响因素可促使国家顶层战略设计和区域宏观决策紧密联系当地人口分异现实，对认识人口分布规律、预测人口分布趋势、制定人口优化分布政策、促进区域人口均衡发展等具有重要的参考价值。
表1 原始变量的描述性统计(N=325)
变量类型变量名单位最小值最大值均值标准差经济国内生产总值亿元2.32 5136.43 125.36 350.78规模以上工业企业数个 0.00998.0035.5870.19规模以上工业企业产值亿元0.004743.52127.28348.40固定资产投资亿元4.044604.01125.82298.76公共财政收入亿元0.25536.289.5838.12公共财政支出亿元3.05524.8927.3042.34年末银行存款余额亿元1.486163.65104.29393.02年末银行贷款余额亿元0.0313547.18164.96879.76从事第二产业人口万人074.342.665.05从事第三产业人口万人0109.163.907.61社会小学学生数万人0.0645.712.233.17中学学生数万人0.0531.121.672.35职业教育学生数万人013.610.290.93高等院校学生数万人075.220.594.96医疗床位数张 77.0048166.001643.683505.65自然地理最低海拔千米-0.163.951.150.81最高海拔千米0.417.673.111526.23地形起伏度千米51.006184.001958.381324.08平均海拔千米372.644810.821810.68996.68海拔离差千米12.431794.44398.34329.77海拔方差千米2154.463220003.08267090.00484379.25多年平均降水量千毫米379.7312589.394160.992597.56
注：数据来源于《中国县域统计年鉴(县市卷)2016》、《中国城市统计年鉴2016》、中国寒区旱区科学数据中心(http://westdc.westgis.ac.cn/)、地球系统科学数据共享平台(www.geodata.cn)。
2.数据来源
人口、经济、社会、行政面积数据来源于《中国县域统计年鉴(县市卷)2016》和《中国城市统计年鉴2016》(城市市辖区是指该城市若干辖区的合并)。由于缺失青海省海西地区的茫崖、冷湖和大柴旦等三个行政区的人口经济数据，删去这三个空间样本。其他两个缺失值(淳化县、木垒县的居民储蓄值)采用同省人口规模和经济水平相近的县市的同类指标均值替代。自然地理类数据来源于中国寒区旱区科学数据中心(http://westdc.westgis.ac.cn/)，地形起伏度、海拔、降雨等指标来自“中国1km分辨率数字高程模型数据集”和“中国多年500m分辨率平均降雨分布图数据”，并经由ArcGIS栅格转换、分类汇总、计算提取获得。西北五省区县级行政区划矢量地图数据和土地利用数据来源于地球系统科学数据共享平台(http://www.geodata.cn)，基于GCS_WGS_1984地理坐标系，依据2010年行政区划对矢量地图进行更新、配准。将地理空间单元与相关属性数据链接，建立中国西北地区人口、经济、社会、自然地理空间数据库。原始变量的描述性统计见表1。
三、最小二乘建模与检验
相关分析发现，除降水量指标以外，其余指标间存在高度线性相关。为了避免严重多重共线性导致的方差增大、估计精度较低，甚至参数的经济含义不合理等严重后果，同时为了避免人为筛选变量的主观性，对“平均降水量”以外的21个指标进行因子分析[31]。
1.模型理论依据
当两种模型之间具有嵌套关系时，采用基于不同模型的对数似然函数值的似然比(LR)检验[46，48]。LR检验发现，加入空间交互效应显著改善了模型的估计精度。当OLS模型扩展为空间滞后SLM模型，即使模型包含内生交互效应(WY)时，似然函数对数值从-348.85增加到-211.75，LR检验的统计量为274.20，其自由度为1的1%显著性水平临界值为6.63，说明SLM模型显著优于OLS模型。同理，LR检验可证明所有空间计量模型优于OLS模型，SAC模型显著优于SLM和SEM模型，SDM模型优于SLM和SLX，而SDEM优于SEM和SLX。但GNS模型在1%的显著性水平上并不优于SAC、SDM和SDEM模型。
式(1)中，RPPi指i县的人口地域别比率，POPi指i县人口数量，i∈(1,…,n)，n为空间单元个数。
2.变量选择和处理
(1)人口分布的代理变量。已有研究大多采用人口密度来刻画人口分布[21]，也有少数学者使用人口规模[38]、人口地理集中度[39]、不均衡指数[40]作为衡量指标。但由于西北地区各区县行政面积差异巨大，适宜居住用地分布不规则，采用人口密度指标衡量人口分布不仅会严重偏离区域真实的人口分布情况，产生较大的样本数据偏误，也容易导致模型误差项随空间单元面积变化而剧烈变化的严重异方差问题，影响回归分析的信度。为了避免该问题，采用人口地域别比率指标作为人口分布的代理变量[41-42]。
学龄前儿童是中耳炎的高发人群［1］，是这一年龄段儿童听力损失的主要原因。声阻抗测试在分泌性中耳炎的诊断上具有很好的灵敏度和特异度［2］。采用声导抗筛查，不需要儿童的配合、检查结果具有客观、准确、快速的特点，是目前理想的群体听力筛查方法。本研究对沈阳地区十家市管幼儿园4 028名学龄前儿童进行了声导抗听力筛查。了解掌握声阻抗异常鼓室图发生率，提出相应的干预措施，现报告如下。
(1)
首先，能推进财务人员加强岗位工作再认识，做到依法理财；可以促进财务人员深入思考本职岗位工作职责，自觉提高依法理财意识；促进财务人员自觉地调节自己的行为，形成正确的财务道德观，确保国有资产安全，防范经营风险。
中国西北地区人口分异特征非常显著(见图1)。人口地域别比率最高的西安市市辖区人口占整个研究区域总人口的60.23‰，最低的肃北蒙古族自治县仅为0.097‰。中国西北地区人口主要聚集于陕西关中地区、甘肃陇中南地区、宁夏银川平原地带、西宁海东地区、新疆天山以北准噶尔以南地带以及天山以南昆仑山脉以北的塔里木外缘绿洲农业区等；而青藏高原、塔里木盆地东南以及准格尔盆地等海拔较高、降雨稀少的地区，往往地广人稀。
图1 2015年中国西北地区人口地域别比率
为避免成分数据对统计分析的扭曲，对人口地域别比率进行对数比变换[43]。人口地域别比率是取值位于0—1之间的成分数据。由于成分数据具有的统计性质，在单位和的严格约束下，样本单位中某个组成部分占比的变化，必然会直接影响到其他组成部分占比的改变[43]。对于成分数据，若直接开展常规的统计分析，会面临许多困难，甚至产生不可靠或扭曲的判断。通过对数比变换处理，能够有效消除和改善成分数据的负偏、子成分与全成分相比无序变化、参数建模和混合变化等困难[44]。为了避免选取最大值(或最小值)作为比较基准带来的非负或非正问题，以人口地域别比率的平均值作为比较基准，将各地区人口地域别比率RPPi与3.077进行对数比变换，即变换后的被解释变量可以按照一般的统计原理和方法进行分析[43]。
(2)影响因素的代理变量。以“三因素理论”作为影响因素代理变量选择的理论依据，根据数据可获得性，收集经济、社会、自然地理等方面共计22个指标数据。
普通最小二乘估计可为一个因变量针对它与一组解释变量关系建模，测量一个或多个解释变量的变化对被解释变量变化的影响程度[29]。
人口地域别比率是各空间单元对全部地域总人口的比例[41-42]。采用人口地域别比率这一归一化指标来反映各区县人口规模的相对大小、位次和倍率，可有效规避模型严重异方差问题。人口地域别比率的计算公式：
以特征值大于1的原则，采用主成分分析法得到无量纲、不相关，同时包含最多有效信息的3个有效主成分，其特征值分别为13.841、3.608和1.960，分别反映了21个指标总体信息的64.910%、17.180%和9.333%，累计反映总体特征的92.423%。原始变量的公因子方差提取均大于85%，说明3个主成分能够解释21个原始变量的大部分变差。使用方差最大旋转法进行因子旋转，根据因子中载荷命名因子为：经济社会因子(F1)、地形因子(F2)、海拔因子(F3)。其中，经济社会因子涵盖了10个经济指标、4个教育指标、1个医疗指标；地形因子涵盖了4个地形类指标；海拔因子涵盖了2个海拔类指标。对不存在相关性的降水量指标单独进行标准化和无量纲处理，构成降水因子(F4)。
中国西北地区经济社会发展、地形地貌、平均海拔和降水量等影响因素的空间分布极不均衡(见图2)。经济社会因子(F1)得分较高的区县主要集中在西北五省的省会城市和地级市，以及一些新兴的能源化工城市；地形因子(F2)得分较高的区县主要集中在新疆、甘肃河西走廊两侧和青海格尔木等海西地区，尤其新疆三山夹两盆的地形，地形起伏度非常大。海拔因子(F3)得分较高的区县主要分布在青海全省、甘肃西南以及新疆南疆三地州等位于昆仑山脉的区县。降水因子(F4)得分较大的区域主要位于陕西关中平原、陕南秦巴山区、甘南以及青海玉树、果洛地区；极度干旱地区集中分布在新疆、青海以及甘肃西北等地。
一旦出铜口堵塞，要及时进行清理且采取相应的补救措施，即降低上面几排烧嘴的火力，提高下面几排烧嘴的火力，若可行的话也可在溜槽中进行；预热时间要充分，以保证溜槽和出铜口是热的；查寻堵塞物，立即作烧氧枪处理，熔化堵塞物。
图2 主成分因子得分图
3.多元线性回归模型形式
以人口地域别比率的对数比转换形式为被解释变量，以前述因子分析得到的四个影响因子为解释变量，建立回归模型。根据前述理论分析和前人实证经验，研究预判经济社会因子和降水因子与人口分布的密集度正相关，而地形因子和海拔因子可能与人口分布的密集度负相关。模型形式如下：
(2)
调味品应用具有使用频繁、常温储存、易暴露空气等特点，易感染除真菌外的细菌等杂菌，因此实际应用上纳他霉素不能作为单一防腐剂使用，需与其他防腐剂协同作用。丁培峰等[31]研究表明，在酱油中添加任何一种天然防腐剂(纳他霉素、乳酸链球菌素、茶多酚)，只能起到部分抑菌作用，不能达到酱油保鲜效果，将天然防腐剂复配后，利用各自抑菌互补的特性，能够抑制货架期内微生物的增殖。其他研究也表明，纳他霉素和茶多酚复配后使用防腐效果优于山梨酸钾化学防腐剂，并可提高酱油的营养价值和保健功能[32]。
进而，从上述角度也可很好地理解注意纠正以下弊病的重要性：由于小学数学教学的内容相对而言比较单一，因此，相关的课例研究很容易出现“撞衫”的现象，这并常常导致对于“与众不同”的刻意追求，乃至将此简单地等同于教学上的“创新”，事实上却又往往不知不觉地陷入了单纯的“标新立异”．例如，以下的论述就多少表现出了这样的倾向：“永不重复别人，更不重复自己．”
表2 空间自相关检验
变量Moran’sI指数Z得分P值ln(RPPi/RPP)0.1535.4380.000Socio_Eco0.0532.1610.031Ter0.47913.6020.000Alt0.89425.2240.000Preci0.94426.560.000ε0.2968.4150.000
OLS回归模型所有解释变量的符号与理论预期一致，即经济社会发展水平和多年平均降水量对人口密集分布有正向作用，地形起伏度和平均海拔对人口密集分布有负向作用。模型单变量的t检验发现，除降水因子外，模型的解释变量对人口地域别比率具有显著的解释能力。模型的调整判定系数为0.411。解释变量的方差膨胀因子VIF均小于1.2，有效避免了多重共线性。异方差检验的BPG统计量为13.93，P值为0.000，Harvey检验和White检验也显示模型存在轻微异方差。D.W.统计量为1.218，在1%的临界值表中查表知dL=1.46，dU=1.63，D.W.<dL，说明模型在1%的显著性水平下存在正自相关。检验序列自相关的BG统计量为37.33，P值为0.0000，显著拒绝了残差无序列自相关的原假设。OLS残差的JB统计量为36.52，1%的显著性水平下拒绝了残差正态分布的原假设。Moran’ s I指标发现被解释变量、解释变量和OLS残差均存在空间自相关(见表2)。
以上检验说明，多元线性回归模型存在异方差、序列正自相关、空间自相关以及残差非正态性，OLS回归参数不再具有无偏、一致和方差最小性，并且模型的假设检验可能失效，可能遗漏了重要变量。将上述多元线性回归模型扩展为基于极大似然估计方法的空间计量模型，可有效处理变量或误差项存在空间自相关时OLS方法拟合系数的偏误，使遗漏变量的问题得到一定缓解[45]，同时有效规避OLS估计方法对模型检验的严格要求，并可避免空间计量模型无法区分空间溢出作用是来自自变量高度相关导致的空间相关，还是由于空间溢出而产生的空间依赖或空间因果的弊端，从而避免了模型过度放大空间溢出作用的风险。
四、空间计量建模与检验
1.空间计量模型形式
具有所有类型的空间交互效应的完整模型的形式如下[45]：
通过对比两组患者的一般资料,年龄、孕次、产次以及分娩周数,两组患者都有显著差异(P<0.05)。详细数据如表1所示。
Y=δWY+Xβ+WXθ+u
u=λWu+ε,ε～N(0,δ2In)
式中，指以人口地域别比率均值为比较基准，对i县人口地域别比率进行对数比变换；Socio_Ecoi表示i县经济社会因子得分；Teri表示i县地形因子得分；Alti表示i县海拔因子得分；Precii表示i县降水因子得分。假设εi～i.i.dN(0,δ2)。
(3)
其中，Y为被解释变量，X为n×k维的外生解释变量矩阵(n为空间单元个数，k为解释变量个数)，W为n×n维空间权重矩阵,WY为空间权重为W的被解释变量的空间滞后项，δ称为空间自回归系数，参数β为解释变量的回归系数，反映解释变量X对被解释变量Y的影响，WX为解释变量的空间滞后项，参数θ为k×1阶解释变量的空间滞后系数，误差项u由误差项的空间自相关项Wu和独立正态分布的随机扰动项ε组成，λ为空间误差自相关系数。该模型被称为一般空间嵌套(GNS)模型，因为它包含了所有类型的交互效应。其中，WY是被解释变量之间存在的内生交互效应，WX是解释变量之间存在的外生交互效应，Wu是不同空间单元的干扰项之间存在的交互效应[46]。
当一个模型并不包含所有的空间交互效应时，可通过对GNS模型的一个或多个参数施加限制从而得到其他空间计量经济学模型。当δ=0，模型中不具有内生交互效应，但具有外生交互效应和干扰项之间的交互效应，该模型被称之为空间杜宾误差(SDEM)模型；当λ=0，模型中仅具有内生交互效应和外生交互效应，称为空间杜宾(SDM)模型；当θ=0，模型中仅具有内生交互效应和干扰项之间的交互效应，称为SAC模型；当δ=0且θ=0，模型中仅具有干扰项之间的交互效应，称为空间误差(SEM)模型；当δ=0且λ=0，模型中仅具有外生交互效应，称为解释变量的空间滞后(SLX)模型；当θ=0且λ=0，模型中仅具有内生交互效应，称为空间滞后(SLM或SAR)模型；当θ=δ=λ=0，模型不具有任何空间交互效应，即退化成为普通最小二乘回归(OLS)模型[45]。
2.空间权重矩阵的设定
为了得到参数的一致估计量，需要考虑空间权重矩阵W的稳定性，以保证W、In-δW、In-λW等矩阵具有非奇异性。考虑逆距离矩阵和低阶二值邻近矩阵(包括“仅共用边界”和“共用边界和结点”等邻近方式)可以满足模型的限制性条件，因此在ArcGIS软件中分别采用“逆距离”、“仅共用一条边界”以及“共用一条边界或结点”等3种方法生成空间权重矩阵，并对其执行行标准化，以使其每一行的元素之和等于1[45]。
基于这三种权重矩阵建立空间计量经济学模型，发现模型的参数估计值及其t检验不会因空间权重矩阵的不同而产生显著差异，说明模型具有稳健性。考虑到采用“仅共用一条边界”的权重矩阵的空间模型普遍具有更小的似然函数对数值，且对“逆距离矩阵”进行行标准化可能导致模型误设等缺点[47]，因此模型最终采用行标准化的“仅共用一条边界”的二值邻近空间权重矩阵。
五、研究结果
1.模型估计结果
在Matlab环境下，基于稀疏空间矩阵的极大似然估计(ML)方法估计空间计量模型参数[46]，结果见表3。
图8 为压桩速度相同时,桩-土界面土体位移随桩体位移的变化.图8(a)和(b)分别表示压桩速度为0.58和0.70 mm/s时竖向位移均值随桩体位移的变化.由图可见,在初始阶段,桩端位置对土体位移的影响不大.但在稳定阶段,深度越浅,土体位移越可能体现出反弹趋势,即出现负值情况.这可能与不同深度处土体所受的竖向土压力有关,深度较浅处土压力较小,造成稳定阶段桩-土界面土体相对桩体向上运动.
2.最优模型的选择
根据克拉克的理论，距离海岸线的距离、海拔高度、地形地貌、气候条件、土壤因素、生物因素、疾病与饥饿、矿产资源、经济活动和历史因素等都将影响人口分布[5]。“三因素理论”对以上十种影响因素进行了进一步概括，即：自然环境因素、经济发展因素和社会发展因素[6]。各类影响因素是否以及何种程度上可以解释中国西北地区人口分异格局，将通过建立多元线性回归模型予以揭示。
表3 OLS、空间计量经济学模型参数估计结果
变量OLSSARSEMSLXSACSDMSDEMGNS截距项 -0.405∗∗∗ -0.257∗∗∗ -0.461∗∗∗ -0.401∗∗∗ -0.832∗∗∗ -0.215∗∗∗ -0.440∗∗∗ -0.204∗∗(-10.25)(-5.81)(-5.83)(-10.57)(-3.64)(-5.09)(-6.51)(-2.50)Socio_Eco0.415∗∗∗0.378∗∗∗0.399∗∗∗0.461∗∗∗0.373∗∗∗0.448∗∗∗0.445∗∗∗0.447∗∗∗(10.48)(10.45)(11.65)(11.34)(12.31)(12.73)(12.01)(12.739)Ter-0.192∗∗∗-0.128∗∗∗-0.080∗-0.067-0.056-0.031-0.064-0.029(-4.50)(-3.31)(-1.81)(-1.33)(-1.45)(-0.70)(-1.53)(-0.65)Alt-0.381∗∗∗-0.232∗∗∗-0.511∗∗∗-0.985∗∗∗-0.918∗∗∗-1.010∗∗∗-0.960∗∗∗-1.012∗∗∗(-9.54)(-5.32)(-7.58)(-6.57)(-9.37)(-7.78)(-7.70)(-7.792)Preci0.025-0.0010.011-0.175-0.078-0.188-0.221-0.184(-0.58)(-0.03)(0.144)(-0.78)(-0.61)(-0.97)(-1.20)(-0.940)W∗ln(RPPi/RPP)0.424∗∗∗-0.647∗∗∗0.511∗∗∗0.538∗∗∗(7.00)(-6.80)(8.41)(3.14)W∗Socio_Eco0.020-0.245∗∗∗-0.051-0.234∗∗(0.27)(-5.09)(-0.63)(-2.400)W∗Ter-0.232∗∗∗-0.122∗-0.176∗∗-0.117(-3.02)(-1.80)(-2.13)(-1.56)W∗Alt0.678∗∗∗0.884∗∗∗0.660∗∗∗0.895∗∗∗(4.24)(6.30)(4.61)(5.88)W∗Preci0.1900.2060.2690.200∗∗∗(0.79)(0.99)(1.31)(0.94)Wu0.566∗∗∗0.870∗∗∗0.513∗∗∗-0.035(9.76)(25.26)(8.29)(-0.137)Log-likelihood-348.85-211.75-204.29-331.33-188.61-186.01-187.18-185.58AIC707.70435.50420.58680.66391.22392.02394.36393.17
注：***代表1%的显著性水平；**代表5%的显著性水平；*代表10%的显著性水平；括号内为t值，W为共享边的二值邻近空间权重矩阵。
由于SAC、SDM和SDEM模型相互是非嵌套模型，理论上可使用戴维森和麦金农的J检验[29，45]。但采用样本数据实践该方法时，出现了辅助回归方程由于矩阵奇异而无解的情况，因此该方法难以采用。一种简单的方法是采用赤池信息(AIC)准则的最小化来判断最优模型，即综合考虑模型的似然函数对数值和待估参数个数来决定最优模型。由表3可见，虽然SDM模型具有更小的似然函数对数值，但SAC模型由于待估参数较少而具有最小的AIC值。
最优模型的选择还要基于对估计参数的符号和经济意义的考察。比如，单独考察因变量的空间滞后效应时(SAR模型)，空间自回归系数δ是显著为正的，单独考察残差项的交互效应时(SEM模型)，空间误差自相关系数λ也是显著为正的，然而一旦同时考虑这两种空间效应时(SAC模型)，因变量的空间滞后效应即由正转为负，说明这两种空间效应之间可能存在参数过度竞争，因而拒绝SAC模型，最终接受SDM模型。
最优模型空间杜宾(SDM)模型揭示了中国西北一个特定区县的人口地域别比率主要取决于其自身的经济、社会、自然地理等影响因素(X及WX),以及其周边区县的人口地域别比率的影响(WY)。
3.估计解释变量的直接效应和间接效应
由于空间效应的存在，空间计量模型的解释变量系数估计值不再等于其边际效应，空间计量模型的效应估计值取决于β、δ、W、θ的值[45]，并且包含直接效应和间接效应(又称空间溢出效应)。其中直接效应是指特定空间单元中某解释变量的变化可以改变它自身的被解释变量，间接效应是指特定空间单元中某解释变量的变化可以改变其他周围临近地区的被解释变量。效应估计值以空间杜宾(SDM)模型的估计值为准，同时为了比较稳定性，报告了SAC和SDEM模型的效应分解结果(见表4)。
表4 SAC、SDM和SDEM模型对直接效应和空间溢出效应的分解
变量SACSDMSDEM直接效应Socio_Eco 0.403∗∗∗ 0.448∗∗∗ 0.445∗∗∗(12.65)(12.27)(12.01)Ter-0.059-0.052-0.064(-1.409)(-1.21)(-1.53)Alt-0.994∗∗∗-0.963∗∗∗-0.960∗∗∗(-9.16)(-7.95)(-7.70)Preci-0.085-0.170-0.221(-0.61)(-0.91)(-1.20)间接效应(空间溢出效应)Socio_Eco-0.175∗∗∗0.013-0.051 (-7.94)(0.097)(-0.63)Ter0.026-0.258∗∗-0.176∗∗(1.36)(-2.34)(-2.13)Alt0.433∗∗∗0.711∗∗∗0.660∗∗∗(5.96)(4.87)(4.61)Preci0.0370.2080.269(0.60)(0.96)(1.31)
注：***代表1%的显著性水平；**代表5%的显著性水平；*代表10%的显著性水平；括号内为t值。
直接效应方面，SDM模型与SAC、SDEM模型的差异并不大，它们都揭示了一个特定区县的经济社会发展对其自身人口地域别比例有显著的正向解释力，即如果某一区县经济发展水平较高，则其人口地域别比率往往较高，反之亦然；一个特定区县的平均海拔对其自身的人口地域别比率有显著的负向解释力，即如果某一区县平均海拔较高，则该县的人口地域别比率往往较低，反之亦然。地形起伏度和平均降水量的直接效应在统计上不显著。空间溢出效应方面，SDM模型和SAC、SDEM模型都揭示一个特定区县的平均海拔对其临近区县的人口地域别比率具有显著的正向解释力，即如果一县的平均海拔较高，则其周边区县往往人口地域别比率较高，反之亦然。但SDM模型和SAC、SDEM模型关于经济社会发展、地形起伏度等影响因素的空间溢出效应的结论并不一致，说明空间效应设定差异会影响对经济和地形因素间接效应的估计。
血管淋巴管瘤合并血管瘤属于特殊类型之一，就目前而言，临床报道较少，多以个案报道为主。影像学检查发现，以淋巴管和血管构成比不同而表不一为主，其中淋巴管患者的表现类似于淋巴瘤患者，血管瘤患者的表现类似于血管瘤。王小岩[10]在相关报道中发现，脾脏血管淋巴管瘤3例患者中，CT检查显示血管瘤样强化特征共计2例。瘤体内有出血表现时则清晰可见“液-液”平面现象。
六、结论与讨论
1.主要结论
第一，经济社会发展因素方面，一个特定区县的经济社会发展对该区县自身的人口地域别比率具有显著正向解释力，但对其周边地区的人口分布影响不显著。这说明西北地区经济社会发展吸引人口聚集的极化效应较显著，而推动人口疏散的人口扩散效应不显著。
第二，自然地理和环境因素方面，一个特定区县平均海拔对该区县自身的人口地域别比率具有显著负向解释力，且对其周边地区的人口地域别比率具有显著正向解释力，这与人口分布往往具有低海拔需求的研究预期一致。一个特定区县的地形起伏度对其周边地区的人口地域别比率具有显著负向解释力，这与复杂地形不利于人口集聚的研究预期一致。一个特定区县的平均降水量对该区县自身以及周边地区的人口地域别比率的影响统计上均不显著，这与西北地区雪山、河流、地下水等水网分布的复杂性有关。
第三，经济社会、自然地理和环境因素共同使空间不均衡性成为中国西北地区人口分布的长期稳定特征。因此当需要考虑影响人口分布的政策时，应以经济社会发展因素为最大撬动杠杆，同时考虑自然地理和生态环境的限制作用，如此才能使相关政策最大程度发挥效力。
2.贡献与局限性
文章的贡献在于：第一，科学分解各类影响因素对人口分布的直接效应和空间溢出效应，对于中国西北地区人口分布及其影响因素的认识得到深化。第二，采用基于对数比转换的人口地域别比率指标，使人口分布的代理指标选择和形式转换更丰富，有效消减了中国西北行政面积差异巨大而带来的数据奇异值和模型异方差问题。第三，采用基于因子分析的空间计量建模，避免了多重共线性、空间自相关、非正态性以及过度放大空间溢出效应等可能出现的有偏估计结果，得到更为全面、可信的结论。
对于代孕，世间有着各种看法：保守主义者认为，这是在玩弄生命的奇迹；而女权主义者则将代孕母亲比作妓女，认为她们是在出租自己的身体。
文章的局限性在于：第一，采用的人口数据统计口径为户籍人口，据此计算的人口地域别比率必然与常住人口分布有所偏离。第二，因子分析得到的主成分虽然避免了多重共线性，保证了模型参数的方差最小性，却失去了量纲和明确的经济含义，今后可尝试在主成分中选取最具有理论意义的代理变量建立模型。第三，横截面数据建模虽然可以解析出影响因素的直接效应和空间溢出效应，却并不能揭示人口分布与各影响因素之间是否存在单向或双向的因果关系，未来可基于空间时序模型或空间面板数据模型揭示其因果关系。第四，文章有效补充了人口分布影响因素的实证方法和成果，但仍未回答人口分布的影响因素本身是不是一个尺度依存的问题，未解释不同的研究工具、方法、数据和视角为何以及在何种程度上将影响乃至误导研究结论。以上问题亟待未来进一步研究和探讨。
参考文献：
[1] 赵荣,王恩涌,张小林，等. 人文地理学[M]. 北京：高等教育出版社,2006:84.
[2] XU Z, OUYANG A. The factors influencing china’s population distribution and spatial heterogeneity: a prefectural-level analysis using geographically weighted regression[J]. Applied Spatial Analysis and Policy， 2018，11:465-480.
[3] 张耀军,岑俏. 中国人口空间流动格局与省际流动影响因素研究[J]. 人口研究,2014(5):54-71.
[4] WOODS R. Population analysis in geography[M]. London: Longman， 1979:37-196.
[5] CLARKE J I. Population geography[M]. Elsevier Science & Technology，1972:13-27.
[6] 张善余. 中国人口地理[M]. 北京:科学出版社, 2007: 243-285.
[7] 李竞能. 现代西方人口理论[M].上海:复旦大学出版社, 2004:139-179.
[8] LEE E S. A theory of migration[J].Demography， 1966(3):47-57.
[9] 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(1):89-97.
[10] 吕晨,樊杰,孙威. 基于ESDA的中国人口空间格局及影响因素研究[J]. 经济地理,2009(11):1797-1802.
[11] 柏中强,王卷乐,杨雅萍,孙九林. 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(8):1229-1242.
[12] 田盼盼,朱宇,林李月,张苏北. 省际与省内流动人口空间分布及其影响因素的差异——以福建省为例[J]. 人口学刊,2015(6):56-67.
[13] 汪思言,杨传国,庞华,胡潇方,贾青. 珠江流域人口分布特征及其影响因素分析[J]. 中国人口·资源与环境,2014(S2):447-450.
[14] SONG G, LI Z, BAO Y, et al. Spatial distribution regularity and influence factors of population density in the LRGR[J]. Chinese Science Bulletin， 2007，52:90-97.
[15] 王桂新,潘泽瀚. 我国流动人口的空间分布及其影响因素——基于第六次人口普查资料的分析[J]. 现代城市研究,2013(3):4-11，32.
[16] CHEN M, XU C, WANG R. Key natural impacting factors of China’s human population distribution[J]. Population and Environment， 2007，28:187-200.
[17] 王露,封志明,杨艳昭,游珍. 2000—2010年中国不同地区人口密度变化及其影响因素[J]. 地理学报,2014(12):1790-1798.
[18] 张耀军,任正委. 基于地理加权回归的山区人口分布影响因素实证研究——以贵州省毕节地区为例[J]. 人口研究,2012(4):53-63.
[19] 王利,刘亚,曹文涛,任启龙. 基于GWR模型的河北省县域人口分布的影响因素研究[J]. 辽宁师范大学学报(自然科学版),2016(2):262-267.
[20] 郭金铭,袁天凤,朱晓霞,高勇. 川东北地区人口分布特征及影响因素分析[J]. 乐山师范学院学报,2013(8):100-103.
[21] LV Chen, FAN Jie， SUN Wei. Population distribution and influencing factors based on ESDA[J]. Chinese Journal of Population Resources and Environment， 2012， 10(3)： 47-53.
[22] 车冰清,仇方道.基于镇域尺度的江苏省人口分布空间格局演变[J]. 地理科学,2015(11):1381-1387.
[23] NIEVES J, STEVENS F, GAUGHAN A, et al. Examining the correlates and drivers of human population distributions across low- and middle-income countries[J]. Journal of the Royal Society Interface， 2017，14：1-13.
[24] SMALL C, COHEN J E. Continental physiography, climate, and the global distribution of human population[J]. Current Anthropology， 2004，45:269-277.
[25] 周自翔,李晶,任志远.基于GIS的关中—天水经济区地形起伏度与人口分布研究[J]. 地理科学,2012(8):951-957.
[26] 贾占华,谷国锋.东北地区人口分布的时空演变特征及影响因素[J]. 经济地理,2016(2):60-68.
[27] 王露露,辜继蓉,刘寅.城市人口空间分布与影响因素的相关性分析[J]. 经济论坛,2017(4):144-149.
[28] 潘马贺,张晓宇. 河北省常住人口城镇化率影响因素分析[J]. 河北企业,2017(1):63-64.
[29] 王少平,杨继生,欧阳志刚. 计量经济学[M]. 北京: 高等教育出版社,2011:61-113.
[30] 王周伟,崔百胜,张元庆. 空间计量经济学现代模型与方法[M]. 北京：北京大学出版社,2017:1-31.
[31] SU L, LIANG C, YANG X, LIU Y. Influence factors analysis of provincial divorce rate spatial distribution in China[J]. Discrete Dynamics in Nature and Society， 2018(1):1-11.
[32] 刘昌明.西北地区水资源配置生态环境建设和可持续发展战略研究(生态环境卷)[M].北京：科学出版社,2004:1-43.
[33] 刘明光.中国自然地理图集[M].北京：中国地图出版社,2007:189-200.
[34] 国家统计局农村社会经济调查司.中国县域统计年鉴(县市卷)2016[M].北京：中国统计出版社,2017：2.
[35] 国家统计局城市社会经济调查司. 中国城市统计年鉴2016[M].北京：中国统计出版社,2016：12.
[36] 米瑞华. 丝绸之路经济带(境内段)人口空间结构研究[D].西安：陕西师范大学,2015:59-107.
[37] 胡鞍钢,马伟,鄢一龙. “丝绸之路经济带”:战略内涵、定位和实现路径[J]. 新疆师范大学学报(哲学社会科学版),2014(2):1-11.
[38] 沈思连,王春伟,汤静. 基于GWR模型的河南省人口分布的影响因素研究[J]. 数学的实践与认识,2014(3):165-174.
[39] 刘乃全,耿文才. 上海市人口空间分布格局的演变及其影响因素分析——基于空间面板模型的实证研究[J]. 财经研究,2015(2):99-110.
[40] 王亚辉,王洋洋,周丽. 山西省人口分布特征及其影响因素分析[J]. 科技创新与生产力,2016(9):57-60.
[41] 李仲生.人口经济学(第2版) [M].北京: 清华大学出版社, 2009:156-180.
[42] 查瑞传.人口普查资料分析技术[M].北京:中国人口出版社,1991:290-291.
[43] 耿修林.基于成分统计的我国人口年龄构成变动分析[J].数理统计与管理,2011(1):118-126.
[44] AITCHISON J. The statistical analysis of compositional data[J].Journal of the Royal Statistical Society B, 1982,44(2):139-177.
[45] ELHORST J P. Spatial econometrics: from cross-sectional data to spatial panels[M]. NY: Springer, 2013:12-56.
[46] ANSELIN L. Spatial econometrics: methods and models[M]. Dordrecht;Boston: Kluwer Academic Publishers, 1988:57-74.
[47] KELEJIAN H H, PRUCHA I R. Specification and estimation of spatial autoregressive models with autoregressive and heteroskedastic disturbances[J]. Journal of Econometrics, 2010,157:53-67.
[48] 胡安俊,孙久文.空间计量——模型、方法与趋势[J].世界经济文汇,2014(6):111-120.
SpatialEconometricAnalysisoftheInfluencingFactorsofPopulationDistributioninNorthwestChina
MI Ruihua1,2，GAO Xiangdong1
(1.School of Public Administration，Huadong Normal University, Shanghai 200062， China; 2.College of Economics and Management,Yanan University, Yanan 716000， China)
Abstract:The study on the influencing factors of population distribution is helpful to understand the law of population distribution and its evolution trend. Using population, economic, social and physical geography data of 325 districts and counties in five provinces in northwest China in 2015, and making the Regional Proportion of Population (RPP) as the dependent variable, we established general nested spatial models and other spatial econometric models to reveal the direct effects of economic, social and physical geographical factors on population distribution and spatial spillover effects. According to the research, the population distribution in a particular county in Northwest China can be significantly positive explained by the socio-economic development level, which means that the higher the economic development level and the higher the geographical ratio than surrounding district could generate a higher regional proportion of population. Meanwhile, the average elevation plays a significant negative role in population distribution, which means the Regional Proportion of Population will be high if the county’s altitude is low. The effects of topographic relief and average precipitation are not significant statistically in this data set. The results are that the county will be more densely populated if it has a better socio-economic development level and a lower altitude, but the topography and the precipitation factors would play a limited role by influencing the natural bearing capacity and the conditions of population survival and reproduction. All of these complicated factors combined with the spatial interaction effects fixed the spatial imbalance of population distribution as a long-term stable characteristic in Northwest China.
Keywords:population distribution;influencing factors;regional proportion of population;spatial econometric model
收稿日期：2018-03-10；修订日期：2018-08-14
基金项目：陕西省软科学项目(创新能力支撑计划项目)“西北丝绸之路沿线地区人地关系与人口空间结构演变机制研究”(2018KRM028)；陕西省科技厅项目“丝绸之路经济带人口结构分异的空间计量分析及陕西人口结构优化机遇”(18JK0850)。
作者简介：米瑞华，人口、资源与环境经济学博士，华东师范大学公共管理学院博士后，延安大学经济与管理学院副教授；高向东，人口地理学博士，华东师范大学公共管理学院教授，博导。
中图分类号：C922
文献标识码：A
文章编号：1000-4149(2019)04-0065-14
DOI：10.3969/j.issn.1000-4149.2019.04.005
[责任编辑 方 志]
标签：人口论文; 模型论文; 空间论文; 因素论文; 变量论文; 社会科学总论论文; 人口学论文; 世界各国人口调查及其研究论文; 《人口与经济》2019年第4期论文; 陕西省软科学项目 (创新能力支撑计划项目) "; 西北丝绸之路沿线地区人地关系与人口空间结构演变机制研究"; (2018KRM028) 陕西省科技厅项目 "; 丝绸之路经济带人口结构分异的空间计量分析及陕西人口结构优化机遇"; (18JK0850)论文; 华东师范大学公共管理学院论文; 延安大学经济与管理学院论文;