研究进展|全球老龄化时空演变与社会经济（62%贡献）和自然环境（37%贡献）密切相关，其关联存在时空差异

Table of Contents

万琴^a,1，唐章英^a,1，潘杰^b,c，解铭宇^c,d，王少彬^e，尹皓^f,g,h，李俊明ⁱ，刘新^a，杨洋^a，宋超^b,c,d,*
a  西南石油大学地球科学与技术学院油气藏地质与开发国家重点实验室

b  HEOA GROUP, 四川大学华西公共卫生学院/华西第四医院，
c  四川大学健康城市发展研究中心/西部农村卫生发展研究中心
d  四川大学华西-协和陈志潜卫生健康研究院，健康老龄化研究中心
e 中国科学院地理科学和资源研究所
f  美国南加州大学凯克医学院
g  美国南加州大学经济系
h  加拿大不列颠哥伦比亚大学人口与公共卫生学院
i 山西财经大学统计学院

Qin Wan, Zhangying Tang, Jay Pan, Mingyu Xie, Shaobin Wang, Hao Yin, Junmin Li, Xin Liu, Yang Yang, Chao Song: Spatiotemporal heterogeneity in associations of national population ageing with socioeconomic and environmental factors at the global scale, Journal of Cleaner Production, 2022, 373: 133781.
DOI: https://doi.org/10.1016/j.jclepro.2022.133781

小编按

2022年开始，中国正式进入老龄化社会，再过十年，我国将成为超老龄社会。据全国老龄办公布数据，中国老龄人口到2050年将达到峰值4.87亿，占总人口的34.9%。想想那是什么情景，在街上每三个人中间就有一位超过65岁的老人，而在这些老人中，每三位老人就有一位超过80岁的高龄老人。全国第七次人口普查数据显示，2020年我国老年抚养比为19.7%，这意味着我国每100位劳动年龄人口需要负担近20位老年人，而预计到2050年，每100位劳动年龄人口将抚养逾43位老年人。《中国养老金精算报告2018—2022》指出，当前我国不到两位养老金缴费者就要赡养1位退休者。规模大、速度快、高龄化、未富先老等特点更是加重了我国社会负担，威胁到社会、经济、环境的可持续发展。处于社会生活中的我们，未来任何人都无法置身事外。

了解新时代人口老龄化特点及背后深层次的宏观社会经济与自然环境影响机制，对于应对日益加深的老龄化问题十分必要。我们本期分享的这项研究（图1）首次聚焦全球老龄化问题，基于地理时空差异（时空异质性）视角，全面细致地探索了影响全球189个国家和地区人口老龄化的潜在社会经济与自然环境因素，并定量识别这些时空影响因素的相对重要程度（可解释百分比），明确关键驱动因素，旨在为制定因地因时制宜的全球老龄化应对策略提供实证依据，进而支撑全球协调一致的可持续发展目标。

1. 研究概述

全球人口老龄化问题日益严重。联合国报告显示，2020年全球65岁及以上人口为7.27亿，约占总人口的9.3%，预计到2050年将翻一番，达到15亿（16%）。联合国17项可持续发展目标中有12项与老年人和老龄化相关。其中，目标3（确保所有年龄段人的健康生活并促进所有人的福祉）强调了不让任何人掉队的承诺，特别关注老年人等最弱势群体。在这种背景下，应对人口老龄化问题已成为一项全球协调一致的持续行动，对确保长期可持续发展至关重要。

未来30年，全球近80%的老年居民将生活在欠发达国家。在全球范围内，现有研究发现不同国家和地区之间的老龄化进程存在巨大的地理空间差异与动态时间变化，这表明全球国家层面老龄化分布存在显著的时空异质性（时空差异），这要求联合国与各国政府既要因地制宜也要因时制宜地应对全球老龄化问题。

但是，目前尚无全球范围的证据来证实国家水平人口老龄化与不同影响因素的时空异质性关联（又称为时空非平稳性），这对于揭示当今长寿世界中健康不平等的关键生态驱动因素至关重要。研究表明，教育、医疗资源、经济发展水平、医疗保险覆盖率、城市化等宏观社会经济因素与特定国家内人口老龄化的区域差异密切相关。此外，在全球环境变化的背景下，气候变化、植被、空气污染、地形等自然环境因素，同样也可能影响着地理空间维度上的区域人群老龄化。基于时空非平稳性视角，探索社会经济和自然环境因素对全球老龄化的共同影响，并确定关键生态决定因素，有助于全面了解全球人口老龄化的时空演变过程与驱动机制，进而支撑可持续发展和健康老龄化的全球行动。

本研究旨在回答以下四个问题。针对日益严重的全球老龄化问题，（1）明确过去20年间全球国家水平老龄化的时间演变趋势和地理空间差异；（2）识别显著影响全球人口老龄化时空演变的社会经济和自然环境因素；（3）探索重要相关因素对全球老龄化的时空异质性影响作用（时空非平稳性）；（4）最后，定量刻画考虑时空非平稳后的影响因素可解释百分比，确定关键时空驱动因素。

为了解决上述问题，研究集成了2001年至2020年189个国家和地区的老龄人口（65岁及以上人口比例）和15种社会经济与环境因素的时空面板数据集。作者采用贝叶斯时空变系数（Spatiotemporally Varying Coefficients, STVC）模型来探测国家老龄化与不同社会经济与环境因素之间关联的时空差异，进而识别不同关联因素的时空可解释百分比。
贝叶斯STVC系列模型是课题组首创提出的一类用于探索目标变量（Y）与不同解释变量（X）之间时空异质性关联的完整全地图（full-map）建模方法（Song, et al, 2019; 2020；2022），已被成功用于解决健康与公共卫生领域的相关典型问题，涉及空间流行病、环境健康、卫生经济和社会医学。值得一提的是，本研究首次将方差分割理念创新引入到贝叶斯STVC建模体系中，提出了一种“时空方差分割指标”（Spatiotemporal Variance Partitioning Index, STVPI），用于识别考虑时空异质关联后影响因素（X，自变量，预测因子）的可解释百分比。STVPI通过确定不同影响因素的时空相对重要程度，为地理尺度下的时空归因提供重要先验证据。

2. 识别全球老龄化时空演变格局

在过去20年，特别是2009年之后，全球人口老龄化进程明显加快（图2），并呈现出显著的地理空间集聚性（图3）。老龄化程度较高的区域主要集中在发达国家，如日本、加拿大、美国、澳大利亚和欧洲国家，而在一些不发达地区，例如阿富汗、阿拉伯半岛和大多数非洲国家，区域老龄化水平较低。但是目前大多数老年人生活在发展中国家。据预测，在全球范围内，发展中国家的老龄人口增长最快。在人口老龄化加速的背景下，传染性疾病和非传染性疾病带来的双重负担可能导致这些国家卫生系统的能力失效，这提示发展中国家迫切需要采取有效战略应对老龄化问题。未来的关注方向可能应该集中于富裕的经济合作与发展组织（OECD）市场之外的区域，如金砖四国（巴西、俄罗斯、印度、中国和南非）和新兴市场国家（EM7：巴西、俄罗斯，印度、中国、墨西哥、印度尼西亚和土耳其）。

图2 （a）时间截距（TIs）曲线展示了2001-2020年20年期间全球人口老龄化的总体变化趋势；
（b）时间回归系数（TCs）曲线描述了九种社会经济与环境因子（X1-X9）对全球老龄化影响的时间差异。

图3.（a）空间截距（SIs）地图反映了2001-2020年期间全球189个国家和地区老龄化的平均地理空间分布特征；
（b）空间截距的聚类热点图进一步探测了全球老龄化的地理空间集聚区。

3. 探索全球老龄化与影响因素之间的时空异质性关联

利用机器学习方法（随机森林），研究首先将初步收集的15种社会经济和环境因素进行了筛选，保留了整体贡献度较高的九种影响因素：每千人医院床位数（X1）、高等院校入学率（X2）、人均国民生产总值GNI （X3）、男女比（X4）、每千人内科医生数（X5）、植被覆盖指数NDVI（X6）、温度（X7）、PM_2.5（X8）和降水（X9）。

从时间维度来看，时间非平稳曲线（图2b）表明九种解释因子与老龄化的时间异质性关联呈现非线性变化特征。其中，教育、男女比和医生数对全球老龄化的影响逐年增加；相比之下，医院床位数、GNI、NDVI、PM_2.5和降水的影响呈现逐年下降趋势。在20年的研究期间，医院床位数对全球老龄化的影响逐年降低，而医生数的影响逐年增加，这表明医疗资源的质量可能比医疗资源的数量发挥更关键的作用。

从地理空间维度来看，九种因素在国家层面上的影响均表现出较大的地理差异，但在区域范围内呈现出显著的空间集聚效应（图4）。例如，在一些发展中国家，特别是中国和印度，性别比对人口老龄化的影响相对较高。性别比不仅影响人口特征，还改变人口规模。统计数据显示，女性往往比男性长寿，如在2020年至2025年期间，女性出生时预期寿命比男性多三年。男女性别失衡还会降低结婚率，通过影响生育率进一步导致老龄化。最小国家尺度（图4a）和宏观区域层面（图4b）的联合制图分析，有助于深入挖掘空间差异信息，以支持不同地理尺度下因地制宜的老龄化应对政策。

图4. （a）全球空间回归系数（SCs）地图集展示了189个国家和地区的国家人口老龄化与社会经济、环境因素（X1-X9）的空间异质关联，以及（b）它们的聚类热点地图。

世界卫生组织对老龄化社会的定义标准是：65岁及以上人口占总人口的比例达到7%时为老龄化中社会（Ageing society），达到14%为老龄化社会（Aged society），达到20%时为超老龄社会（Hyper-aged society）。从老龄化中社会到老龄化社会，中国仅用了22年，而法国用了115年，瑞典用了85年，澳大利亚用了73年，美国69年，加拿大65年，日本用了26年。

根据上述划分标准，研究将全球189个国家和地区分为四个亚组：未老龄化社会、老龄化中社会、老龄社会和超老龄社会。基于空间回归系数的亚组分析结果显示：性别比、国民收入、空气质量、绿地和气候这五个影响因素在四种老龄化社会中均发挥着相对重要的作用。

图5. 空间回归系数（SCs）的箱型图显示在四种国家亚组中人口老龄化与社会经济、环境因素（X1-X9）之间关联效应的组间变化。

4. 确定时空异质影响因素的可解释百分比

最后，研究汇总了基于贝叶斯STVC模型的时空方差分割指标（STVPI）评价结果（图6）。图6a表明贝叶斯STVC模型具有很强的整体解释能力（99.23%, 95% CIs: 99.18%–99.31%），同时也表明筛选的九种社会经济和环境因素具有较好代表性。考虑时空异质性影响后，社会经济和环境因素对全球老龄化的总可解释百分比分别为61.85%（95% CIs：58.57%–64.9%）和37.40%（95% CIs：34.38%–40.65%）。

具体而言（图6b），九种影响因素的中位数可解释百分比分别为49.05%（男女比）、15.19%（PM_2.5）、12.38%（温度）、8.92%（人均GNI）、8.14%（NDVI）、2.00%（高等院校入学率）、1.63%（降水）、1.45%（每千人医院床位数）和0.30%（每千人内科医生数）。研究关注到两种社会经济因素（X3和X4）和三种环境因素（X6、X7和X8）的累计解释百分比达到了90%以上。基于时空方差分割分析发现的5个高度相关的时空解释因素与空间回归系数的亚组分析结果（图5）一致。可见，考虑时空非平稳（时空异质影响）后，STVPI进一步将随机森林（基于全局平稳性）筛选的九种解释因子聚焦到五种，识别了更加重要的关键驱动因素。即过去20年全球范围的国家老龄化与国民收入水平、性别比例、绿地、空气质量和环境温度密切相关。

图6. 基于贝叶斯STVC模型的时空方差分割指标（STVPI）：
（a）社会经济（SE）、自然环境（NE）和建模残差（Residual）对全球老龄化时空演变进程的总可解释百分比；
（b）顾及时空非平稳的九种因素（X1–X9）对全球老龄化的可解释百分比。每种颜色的不同透明度代表STVPI的中位数（50%）、窄（25%-75%）和宽（2.5%-97.5%）可信区间（CIs）。

5. 结语

基于贝叶斯STVC系列模型，本文印证了全球人口老龄化议题中存在的两种时空异质性：（1）2001年至2020年间全球189个国家和地区人口老龄化的时空异质分布，以及（2）国家层面老龄化与各种社会经济、环境因素之间的时空异质关联（时空非平稳）。本研究识别的显著时空差异、非线性时间趋势和区域地理集聚效应表明，在全球范围内采用“一刀切”的老龄化应对策略极可能是无效的。联合国、国家和地方政府应制定契合当地条件的时空差异化政策，以支持全球协调一致的国际行动。

研究发现，社会经济状况（约3/5贡献）和自然环境（约2/5贡献）与过去二十年全球老龄化的时空演变密切相关，且这种关联存在显著的时空异质性。特别是，无论国家处于社会老龄化进程的哪个阶段（未老龄化、老龄化中、老龄和超老龄），政府实施的人口老龄化干预措施都应充分关注到性别失衡、国民收入发展、空气质量、绿地和环境温度这些特定宏观因素造成的影响。这五类社会经济与环境影响因素对过去二十年全球老龄化时空演变趋势的累计解释度超过了90%。

本研究进一步证明，贝叶斯时空变系数系列模型（Bayesian STVC series models）是捕捉目标变量与多个解释变量之间复杂时空非平稳性关系的实用方法（Song, et al. 2019; 2020; 2022）。新提出的时空方差分割指标（STVPI）通过确定时空因子的可解释百分比扩展了贝叶斯STVC建模体系的实用性，为地理时空归因奠定了基础 (Wan, et al. 2022)。
在气候变化和全球事件反复影响的大背景下，这项工作希望为全球类似热点问题提供一个先验可行的研究框架与建模范式，以支持全球可持续发展的协调统一行动。

6. 主要参考文献

Chao Song, Hao Yin, Xun Shi, Mingyu Xie, Shujuan Yang, Junmin Zhou, Xiuli Wang, Zhangying Tang, Yili Yang, Jay Pan: Spatiotemporal disparities in regional public risk perception of COVID-19 using Bayesian Spatiotemporally Varying Coefficients (STVC) series models across Chinese cities. International Journal of Disaster Risk Reduction 2022:103078.

Qin Wan, Zhangying Tang, Jay Pan, Mingyu Xie, Shaobin Wang, Hao Yin, Junmin Li, Xin Liu, Yang Yang, Chao Song:Spatiotemporal heterogeneity in associations of national population ageing with socioeconomic and environmental factors at the global scale, Journal of Cleaner Production, 2022, 373: 133781.

Chao Song, Xun Shi and Jinfeng Wang (2020) Spatiotemporally Varying Coefficients (STVC) model: a Bayesian local regression to detect spatial and temporal nonstationarity in variables relationships, Annals of GIS, 26:3, 277-291.

Chao Song, Xun Shi, Yanchen Bo, Jinfeng Wang, Yong Wang, and Dacang Huang. “Exploring Spatiotemporal Nonstationary Effects of Climate Factors on Hand, Foot, and Mouth Disease Using Bayesian Spatiotemporally Varying Coefficients (STVC) Model in Sichuan, China.” Science of The Total Environment 648 (2019): 550-60.