滇中縣域人口城鎮化空間結構及影響因素研究

歐朝蓉，朱清科，包廣靜

（1. 西南林業大學生態旅游學院，云南 昆明 650224；2.北京林業大學水土保持學院，北京 100083；

3.云南財經大學城市管理與資源環境學院，云南 昆明650221）

滇中縣域人口城鎮化空間結構及影響因素研究

歐朝蓉1,2，朱清科2*，包廣靜3

（1. 西南林業大學生態旅游學院，云南 昆明 650224；2.北京林業大學水土保持學院，北京 100083；

3.云南財經大學城市管理與資源環境學院，云南 昆明650221）

歐朝蓉, 朱清科, 包廣靜. 滇中縣域人口城鎮化空間結構及影響因素研究[J]. 農業現代化研究, 2016, 37(6): 1173-1180.

Ou Z R, Zhu Q K, Bao G J. Spatial structure and influencing factors of population urbanization in the Central Yunnan Province[J]. Research of Agricultural Modernization, 2016, 37(6): 1173-1180.

以滇中地區41個縣域為研究單元，利用GIS和空間自相關分析研究人口城鎮化的空間結構，以因子分析法探索人口城鎮化的主要影響因素，進而采用OLS和GWR探究人口城鎮化影響因素特征。研究結果表明：1）滇中縣域人口城鎮化水平整體偏低且空間差異大，人口城鎮化水平隨距離衰變明顯。2）全局自相關分析表明滇中縣域人口城鎮化存在顯著全局空間自相關關系，局部自相關分析表明人口城鎮化水平局部相關性不明顯，各縣域人口城鎮化進程呈孤立態勢。3）因子分析法確定滇中縣域人口城鎮化主要影響因素為經濟發展、農業生產和產業結構。OLS模型發現三種因素對人口城鎮化均具有正向拉動力，經濟發展作用力最大，產業結構其次，農業生產的作用力最小。4）GWR模型研究發現經濟發展影響強度從北到南增強，農業生產影響強度從西到東增大，產業結構影響強度從西南向東北方向增大。滇中縣域需要提升人口城鎮化進程，加快農業結構調整和升級，優化產業結構，以此促進人口城鎮化水平的提升。

人口城鎮化；空間自相關；因子分析；OLS；GWR；空間結構；影響因素

人口城鎮化是城鎮人口持續增加的過程，其重點在于農業人口向非農人口的轉化[1]。真正的城鎮化應是包括人口、土地、社會、產業等多重要素協調一體的城鎮化[2]。改革開放以來，我國人口城鎮化進程動力機制由以往單一的或以二元形式為主逐步被多元城鎮化動力所替代[3]，人口遷移[4]、產業結構升級[5]、小城鎮建設[6]、鄉鎮企業發展[7]和城市擴張模式[8]轉變等因素均成為我國人口城鎮化快速發展的主要影響因素。人口城鎮化影響因素研究對闡明人口城鎮化的深層次原因及預測人口城鎮化趨勢具有重要意義。

人口城鎮化影響因素研究最初始于定性分析，其后隨著數理統計方法的應用逐步進入定量化階段。王發曾和程麗麗[9]運用灰色關聯法研究得出山東半島、中原、關中城市群城鎮化水平推動力為經濟水平、人口集聚、農業生產水平和醫療衛生條件；李芃等[10]利用主成分法和多元回歸模型研究重慶城鎮化水平的影響因素，結果表明第二產業是影響城鎮化水平的關鍵因素。數理統計方法量化了人口城鎮化的影響因素及其作用力大小，有利于揭示人口城鎮化驅動機制。然而，人口城鎮化作為經濟屬性在空間分布的一種現象，僅從線性角度研究人口城鎮化與其影響因素的關系很難解釋人口城鎮化的空間非平衡性。21世紀初開始，隨著地理學理論和研究方法的不斷成熟，有學者嘗試將地理空間模型應用于人口城鎮化驅動因素研究，如蔣偉[11]運用空間滯后模型和空間誤差模型研究了人均GDP、第二產業比重、第三產業比重、教育發展水平、對外開發程度和城鄉收入差距六大因素對城鎮化水平的影響；馬穎憶和陸玉麒[12]運用GWR模型探討了江蘇省人口空間格局演變因素，結果表明主要影響因素有歷史發展基礎、社會生活水平、經濟發展水平、人口自然增長和區域發展政策等。

云南是典型的西部欠發達區域，滇中地區是云南省經濟發展核心，也是云南省人口城鎮化水平最高的區域。利用數理統計和地理空間模型研究滇中地區人口城鎮化空間結構及其影響因素有利于把握區域人口城鎮化空間特征，揭示欠發達區域人口城鎮化機制。鑒于此，本研究以滇中地區縣域為例，利用GIS和空間自相關研究人口城鎮化空間結構，結合因子分析法探索人口城鎮化主要影響因素，進而采用OLS和GWR探究人口城鎮化影響因素特征，以期豐富人口城鎮化研究內容，為云南及欠發達區域人口、社會和經濟協調發展提供參考。

1 研究區概況

滇中地區位于全國“兩橫三縱”城市化戰略格局中包昆通道縱軸的南端，其總面積為94 558 km2，占全省國土面積的24%，包括云南省中部以昆明為中心的昆明、曲靖、楚雄和玉溪四個城市，所轄縣、區和縣級市共計41個縣級地理單元（圖1）。昆明是云南省唯一的特大城市及全省政治、經濟、文化和交通中心。玉溪是云南省重要的煙草工業和糧食種植基地，楚雄和曲靖市是全省重要的能源和工礦業基地。2013年滇中地區經濟占全省經濟總量的57.5%，是云南經濟核心區和云南發展的重要引擎。2013年滇中地區人口占全省人口總量的37.4%，其人口城鎮化比例為30.42%，高于全省平均水平約3.1個百分點，是云南省人口城鎮化水平最高的區域。

圖1 滇中縣域區位圖Fig. 1 Location of counties in the Central Yunnan

2 數據來源和研究方法

2.1 數據來源

國家統計局對人口城鎮化率的現行統計方式有常住人口城鎮化率和戶籍人口城鎮化率。戶籍人口城鎮化率較常住人口城鎮化率更真實反映了人口城鎮化的質量。2016年1月，國務院明確提出將加快戶籍人口城鎮化率作為推進人口城鎮化的重點工作。因此本研究選擇戶籍人口城鎮化率作為統計口徑，以非農人口比例即非農人口占總人口的比重作為衡量人口城鎮化水平的度量指標。本研究中人口、經濟和社會發展數據來源于《云南省統計年鑒2014》和《云南各縣國民經濟與社會發展公報（2013）[13]。

2.2 研究方法

2.2.1 空間自相關分析 空間自相關分析用于檢驗某種現象在空間上是否存在集聚[14-15]。空間自相關分析包括全局自相關分析和局部自相關分析[16]。全局空間自相關反映了觀測變量在整個研究區域內空間相關性的總體趨勢[17]。本研究采用全局Moran’s I指數研究人口城鎮化全局空間關聯性，其計算公式為：

式中：n為空間單元數目；xi、xj表示空間單元i、j的屬性值，wij為空間權重矩陣。如果區域i與區域j相鄰，wij值為1；否則；當i=j時，wij=0。全局Moran’s I值介于-l～1，指數大于0表明空間要素存在正相關，呈集聚分布；指數小于0表明空間要素存在負相關，呈離散分布；指數等于0則表明空間要素不存在相關性[18]。全局空間自相關分析需進行顯著性檢驗，其統計檢驗可采用Z檢驗，其檢驗公式見王臻等[19]研究。

局部自相關分析反映了觀測變量在局部區域間的空間相關性特征，可以具體度量每個區域與周邊地區之間的局部空間關聯程度。常用的局部空間自相關指數為LISA (Local Indicators of Spatial Association)指數，其計算公式為：

式中：Zi和Zj為區域單元i、j屬性觀測值的標準化值，{wij=1}，wij為標準化空間權重系數矩陣。當Ii為較大正值時,區域單元i與相鄰單元j的觀測屬性存在較強正空間自相關性；當i為較大負值時,區域間存在較強的負空間自相關性。局部空間自相關分析同樣需進行顯著性檢驗,檢驗方法同全局Moran’s I[20]。2.2.2 地理加權回歸（GWR） 傳統正常最小二乘法（Ordinary Least Squares，OLS）回歸模型的全局平穩性假設在地理空間異質性推理中通常是有問題的。基于地理空間的非平衡性特征，Fotheringham[21]提出了地理加權回歸（Geographically Weighted Regression，GWR）。地理加權回歸容許一些不平穩的數據直接被模擬，利用非參數估計方法進行局部參數估計。通過線性回歸模型中假定回歸系數是觀測點地理位置的位置函數，將數據空間特性納入模型中，為分析回歸關系的空間差異性創造了條件[22]。本研究采用GWR模型研究人口城鎮化影響因素的空間局部變化，GWR模型表示為：

式中：yi表示在地理位置(ui，vi)的因變量值（i=1，2，…，n），β0(ui，vi)表示地理位置(ui，vi)的常數項值，βk(ui，vi)是連續函數在地理位置(ui，vi)的未知參數，εi表示空間隨機殘差。

3 結果與分析

3.1 人口城鎮化率空間格局分析

2013年滇中地區41個縣域中人口城鎮化率在30%-70%之間的有7個，占總比例的17%；超過80%的有2個，占總比例的5%。從比例結構看，處于人口城鎮化中、高水平的縣域比例小，絕大部分縣域人口城鎮化率＜30%，表明滇中縣域人口城鎮化整體水平偏低，滇中縣域處于人口城鎮化初級階段。人口城鎮化率標準差達到17.34，表明滇中地區各縣域人口城鎮化水平差異性較大。在ArcGIS10.2中對人口城鎮化率進行空間數據分級。從圖2可以看出中部人口城鎮化率相對較高，西部次之，東部地區水平較低。人口城鎮化水平表現出明顯的隨距離衰減特征，其核心區為各城市的主要市轄區和縣級市，離核心區越遠，人口城鎮化水平越低。四區域縣域中，昆明人口城鎮化水平差異性最大，既有滇中地區的核心區極大值縣域（五華區和盤龍區），也有較多的人口城鎮化水平低值縣域。東川區由于是傳統的工礦業開采地，采礦業對當地的人口城鎮化起到了推動作用，故受距離衰減影響小。

圖2 滇中縣域人口城鎮化率空間格局Fig. 2 Spatial structure of rural population urbanization levels in the Central Yunnan Province

3.2 人口城鎮化水平空間自相關性分析

3.2.1 全局自相關分析 利用ArcGIS10.2空間分析模塊對2013年滇中地區人口城鎮化率進行全局空間自相關分析。全局Moran’ I指數值為0.309，Z值為3.93（遠大于顯著水平為5%的臨界值1.96），表明滇中縣域人口城鎮化水平存在顯著的空間自相關性，區域人口城鎮化水平在空間上呈現明顯的集聚特征。制作Moran散點圖，散點圖四個象限分別對應四種不同的空間差異類型，將散點圖通過GIS實現空間可視化（圖3），四個象限分別對應為：1）HH（高高）象限：區域和周邊地區的人口城鎮化水平較高，二者的空間差異程度較小。對應縣域包括官渡區、西山區、盤龍區、五華和通海縣。官渡區、西山區、盤龍區和五華區屬于昆明主城區，自身及周邊區域人口城鎮化率高，通海緊鄰人口城鎮化水平較高的紅塔區，自身的人口城鎮化水平也相對較高。2）LH（低高）象限：區域自身人口城鎮化水平較低，周邊地區較高，二者的空間差異程度較大。對應縣域包括峨山、晉寧、富民縣等11個縣，其自身水平不高，將人口城鎮化水平較高的昆明主城區、楚雄市、紅塔區、麒麟區包圍其中。3）LL（低低）象限：區域和周邊地區的人口城鎮化水平較低，二者的空間差異程度較小。對應縣域包括雙柏、祿豐、永仁等22個縣，屬于滇中各地市腹地，數量占總縣域總數的53.7%，呈連片分布，成為滇中縣域人口城鎮化的主要滯后區域。4）HL（高低）象限：區域自身人口城鎮化水平較高，周邊地區較低，二者的空間差異程度較大。對應縣域包括紅塔區、楚雄市和麒麟區，多屬于省級次級行政區域的市轄區。從圖3可以看出，落在二、三象限的縣域數目遠遠多于落在一、四象限的縣域數目，表明滇中縣域的人口城鎮化整體水平較低。

圖3 人口城鎮化水平象限分布Fig. 3 Quadrant distributing of county population urbanization levels

3.2.2 局部自相關分析 利用局部自相關分析法進一步分析滇中縣域人口城鎮化局部空間異質性。將Moran散點圖與LISA顯著性水平相結合，得到“LISA聚集圖”（圖4），它反映了各縣域象限分布情況是否在統計意義上顯著。圖中標識出對應于Moran散點圖不同象限并且LISA值顯著的區域。從圖4可以看出滇中縣域人口城鎮化水平局部LISA檢驗不顯著，各象限能通過局部LISA顯著性檢驗的縣域少，表明滇中縣域人口城鎮化水平局部相關性不明顯，多數縣域間人口城鎮化水平相關性較弱，人口城鎮化進程呈孤立態勢發展。

3.3 基于因子分析法的人口城鎮化影響因素分析

圖4 人口城鎮化水平LISA聚集圖Fig. 4 LISA cluster map of county population urbanization levels

3.3.1 變量選取 本研究選擇非農人口比例作為衡量滇中縣域人口城鎮化水平的因變量。在參考黃亞平和林小如[23]以及盧麗文等[24]研究的基礎上，選擇第三產業比例、農民人均純收入、人均固定資產投資額、人均農林漁業產值、人均地方財政支出、人均GDP、人均社會消費品零售額、人均第二產業產值、每萬人農林從業者人數、人均糧食產量、人均工業產值、國有單位職工工資、高學歷人口比例等指標作為初選自變量指標。首先利用標準差法對因變量和自變量進行標準化處理。其次，通過相關性及共線性分析篩選自變量。發現部分因子具有高度相關性，若全部納入易引起共線性問題，故剔除部分相關性高的指標，最終采用人均GDP（X1）、國有單位職工工資（X2）、人均固定資產投資額（X3）、人均社會消費品零售額（X4）、高學歷人口比例（X5）、第三產業比例（X6）、人均工業產值（X7）、農民人均純收入（X8）、人均糧食產量（X9）和人均農林漁業產值（X10）等指標作為自變量（表1）。

表1 主成分因子載荷Table 1 Loadings of main factors

3.3.2 人口城鎮化影響因素的確定 利用因子分析法將自變量進行分類，得到三個主要公因子，其方差累計貢獻率為85.067%，KMO值為0.675，Bartlett球形度檢驗為465.302，自由度（df）為28，sig值為0.000，表明數據指標符合因子分析法分析要求（表2）。因子載荷矩陣體現了原始變量與各因子之間的相關程度。為了更為準確地解釋命名各個主因子，采用方差最大法對因子載荷矩陣實施正交旋轉（表1）。研究表明，變量X1、X2、X5、X7、X8等指標在第一主成分（F1）上具有較高因子載荷，這些指標主要反映了經濟發展水平對人口城鎮化的作用，命名為經濟發展因素；變量X3、X4、X9、X10在第二主成分（F2）上有較高因子載荷，這些指標主要反映了農業發展因素對人口城鎮化的作用，命名為農業生產因素；X6在第三主成分（F3）上有較高因子載荷，反映了產業結構對人口城鎮化的作用，命名為產業結構因素。因此，利用因子分析法確定滇中縣域人口城鎮化主要影響因素為經濟發展因素、農業生產因素和產業結構因素。

表2 主因子特征值和累計方差貢獻率Table 2 Eigen values of main factors and variance contributions

3.4 基于OLS模型的人口城鎮化影響因素分析

以2013年滇中地區非農人口比例為因變量，以因子分析法提取的三個公因子為自變量，構建OLS模型分析自變量對因變量的影響程度。OLS模型的校正決定系數（adjusted R2)為0.758，說明模型解釋能力為75.8%。從表3中可以看出，每個因子都通過了顯著性檢驗。相關系數表明三種因素均為正向系數，說明三種因素對滇中地區的人口城鎮化均具有正向拉動力。從因子大小來看，經濟發展因素最大，產業結構因素其次，農業生產因素的作用力最小。滇中縣域經濟發展處于快速上升期，經濟發展和產業結構的升級對人口城鎮化有較強的推動作用。滇中縣域農業人口眾多，但農業生產率低，農業對人口城鎮化的推動作用弱。OLS模型雖然在一定程度上解釋了滇中地區影響因子的正負極性和影響力，但是其回歸系數是建立在全局均一化的基礎上的，不能辨析人口城鎮化影響因素空間異性。

表3 OLS模型回歸系數及檢驗結果Table 3 Parameter estimation and test results of the OLS model

3.5 基于GWR模型的人口城鎮化影響因素分析

3.5.1 GWR模型的構建 在模型（3）的基礎上，設第i個縣域的地理中心坐標為(ui，vi)，根據因子分析法得到的影響因子及其參數選定，滇中縣域人口城鎮化GWR模型如下（模型4）：

在ArcGIS10.2計算GWR回歸系數，采用“自適應”計核函數AICc帶寬方法進行局域估計計算結果，模型的R2為0.806，調整R2為0.779（表4）。三種影響因素的系數值分布均表現出平穩性，表明各縣域受影響因素的作用方向表現出趨同性（表5）。

表4 GWR模型參數估計及檢驗結果Table 4 Parameter estimation of the GWR model

表5 GWR模型回歸系數描述性統計分析Table 5 Descriptive statistics of the regression coefficients in the GWR model

3.5.2 GWR模型結果分析 GWR模型標準化殘差值在[-2.124，2.365]之間，對標準化殘差值進行顯著性水平檢驗，其Kolmogorov-Smirnov的sig值為0.022 8，Shapiro-Wilk的sig值為0.023 5，均小于0.05，因此模型通過了5%水平下的顯著性檢驗。對標準化殘差值做空間自相關分析，Moran’ I指數值為0.014 6，趨近于0，說明模型的殘差在空間上呈現隨機分布狀態。標準化殘差值空間自相關Z檢驗值為0.455，模型殘差具有顯著的空間隨機性，說明GWR模型擬合較好。

3.5.3 人口城鎮化影響因素分析 1）經濟發展因素。從圖5可以看出，經濟發展因素GWR模型回歸系數的空間分布從北到南逐漸呈遞增趨勢，回歸系數高值聚居區出現在玉溪縣域中，表明經濟發展對玉溪縣域影響較大。玉溪是云南省煙草工業基地，國有經濟發展基礎較好，近年來通過產業結構調整和發展商品糧生產進一步提升經濟發展水平，總體經濟實力較好。回歸系數低值區出現在楚雄部分縣域中，楚雄是云南省傳統能源和工礦業基地，國有經濟改制及能源、工礦業市場不景氣對區域經濟產生了一定影響，區域經濟的調整使其對人口城鎮化進程拉動作用相對較弱。

圖5 GWR模型經濟發展回歸系數空間分布Fig. 5 Spatial distribution of the regression coefficients of economic development in the GWR model

2）農業生產因素。從圖6可以看出，農業生產因素的GWR模型回歸系數空間分布呈現從西到東逐漸增大趨勢，回歸系數高值聚居區趨近滇中東北部的昆明和曲靖的部分縣域。這些區域靠近昆明及曲靖的主城區，通過發揮地緣優勢，大力發展商品農業，發展蔬菜生產、花卉種植、生態旅游、農產品加工，提高農業附加值，加快了農業人口城鎮化進程；低值聚居區集中在西部楚雄和玉溪部分縣域，這些縣域較早依托山地發展特色山地農業，通過發展果樹種植和林下種植提高農業產值，農業經濟相對成熟，如今面臨新興農業區域的競爭及自身農業結構的調整和升級，故農業生產因素對人口城鎮化推動作用相對薄弱。

圖6 GWR模型農業生產回歸系數空間分布Fig. 6 Spatial distribution of the regression coefficients of agriculture production in the GWR model

3）產業結構因素。從圖7可以看出，GWR模型的回歸系數的空間分布從西南向東北方向逐漸增大。回歸系數高值聚居區出現在滇中東北部的昆明和曲靖的部分縣域。這些縣域通過產業結構調整及國有企業改制轉變經濟發展方式，逐步擺脫以礦業為主的產業形態（如東川區），發展旅游業，鼓勵多元化經濟的發展，促進了農業人口的轉化；低值聚居區出現在西南部玉溪和楚雄的部分縣域，這些縣域依賴傳統產業，第三產業發展較慢，產業結構調整不利，影響了人口城鎮化進程。

圖7 GWR模型產業結構回歸系數空間分布Fig. 7 Spatial distribution of the regression coefficients of industrial structure in the GWR model

4 結論

1）滇中地區人口城鎮化水平整體偏低且空間差異性大，人口城鎮化水平較高的市轄區和縣級市成為人口城鎮化的核心。人口城鎮化水平呈現隨距離衰減的明顯特征，昆明地區空間差異最為顯著。全局自相關性研究發現，人口城鎮化存在著顯著的全局空間自相關性，局部自相關性研究發現，人口城鎮化水平局部相關性不明顯，各縣域人口城鎮化進程呈孤立態勢發展。

2）以因子分析法確定滇中縣域人口城鎮化主要影響因素為經濟發展、農業生產和產業結構三個因素。OLS模型研究表明三種因素對人口城鎮化均具有正向拉動力，經濟發展因素作用力最大，產業結構因素其次，農業生產因素作用力最小。

3）GWR模型擬合度（0.779）高于OLS模型擬合度(0.758)，擬合度提高說明GWR模型優于OLS模型。GWR影響因素回歸系數空間分布研究發現，經濟發展影響強度從北到南逐漸增強，農業生產影響強度從西到東逐漸增強，產業結構影響強度從西南向東北方向逐漸增強。

5 建議

滇中縣域人口城鎮化癥結在于經濟城鎮化滯后、區域間關聯度差，致使人口城鎮化動力不足，人口城鎮化質量差。因此，必須通過加快經濟的發展，強化人口城鎮化的一體化進程突破人口城鎮化的瓶頸。應著力擺脫對農業、資源粗加工產業的依賴，深化以化工、冶金、生物為重點的區域性資源精深加工基地建設，提高工業的人口就業率。

利用高原生態環境和生物資源發展特色農業、生態農業和生物產業，發展以民營企業為主的農業合作社、生物農業公司和農業電子商務公司，提高農業附加值，加快傳統農業人口就業轉移。依托優勢自然生態資源和旅游資源發展以主城區及州縣中心城區為主要服務對象的第三產業，促進縣域旅游業和服務經濟的合作發展，提高農業人口在第三產業的就業質量和就業容量。加快滇中城市群一體化建設，以昆明為核心輻射區，合理實施城市功能定位。完善城鎮基礎設施建設和公共基本服務，加快戶籍制度改革，穩定進城務工人員的長期就業，提升人口城鎮化品質。

[1] 龐瑞秋, 騰飛, 魏冶. 基于地理人口加權回歸的吉林省人口城鎮化動力機制研究[J]. 地理科學, 2014, 34(10): 1210-1215.

Pang R Q, Teng F, Wei Y. A GWR-based study on dynamic mechanism of population urbanization in Jilin Province[J]. Scientia Geographica Sinica, 2014, 34(10): 1210-1215.

[2] Zhang L, Zhao S X B. Re-examining China’s “urban” concept and the level of urbanization[J]. The China Quarterly, 1998, 154: 330-381.

[3] 王亞力, 彭保發, 熊建新, 等. 2001年以來環洞庭湖區經濟城鎮化與人口城鎮化進程的對比研究[J]. 地理科學, 2014, 34(1): 67-74.

Wang Y L, Peng B F, Xiong J X , et al. The economy urbanization and population urbanization of Dongting Lake area in China since 2001[J]. Scientia Geographica Sinica, 2014, 34(1): 67-74.

[4] 寧越敏. 新城市化進程——90年代中國城市化動力機制和特點探討[J]. 地理學報, 1998, 53(5): 470-477.

Ning Y M. New process of urbanization—Dynamics and features of urbanization in China since 1990[J]. Acta Geographica Sinica, 1998, 53(5): 470-477.

[5] 劉傳江.論城市化的生成機制[J]. 經濟評論, 1998(5): 56-61.

Liu C J. The mechanism of the urbanization[J]. Economic Review, 1998(5): 56-61.

[6] 崔功豪, 馬潤潮. 中國自下而上城市化的發展及其機制[J]. 地理學報, 1999, 54(2): 106-115.

Cui G H, Ma R C. Urbanization from below in China: Its development and mechanisms[J]. Acta Geographica Sinica, 1999, 54(2): 106-115.

[7] 馬凱. 轉變城鎮化發展方式提高城鎮化發展質量,走出一條中國特色城鎮化道路[J]. 中國行政學院學報, 2012(5): 4-12.

Ma K. Transforming ways to improve the quality of urbanization development of urbanization, going with a path of urbanization of Chinese characteristics[J]. China’s Administrative College Journals, 2012(5): 4-12.

[8] 楊璐璐. 中部六省城鎮化質量空間格局演變及驅動因素—基于地級及以上城市的分析[J]. 經濟地理, 2015, 35(1): 70-77.

Yang L L. Evolution of spatial pattern of urbanization quality and its driving factors in central China—Based on the analysis of cities at prefecture level or above[J]. Economic Geography, 2015, 35(1): 70-77.

[9] 王發曾, 程麗麗. 山東半島、中原、關中城市群地區的城鎮化狀態與動力機制[J]. 經濟地理, 2010, 30(6): 918-925.

Wang F Z, Cheng L L. The urbanization condition and its power mechanism in the Shandong peninsula, the Zhongyuan and the Guangzhong agglomeration areas[J]. Economic Geography, 2010, 30(6): 918-925.

[10] 李芃, 魏榮華, 孟慶紅. 重慶市城鎮化動力機制分析[J]. 重慶交通大學學報（社會科學版）, 2008, 8(1): 41-44.

Li F, Wei R H, Meng Q H. Analysis of driven mechanism of urbanization of Chongqing[J]. Journal of Chongqing Jiaotong University (Social Science Edition), 2008, 8(1): 41-44.

[11] 蔣偉. 中國省域城市化水平影響因素的空間計量分析[J]. 經濟地理, 2009, 29(4): 613-617.

Jiang W. The spatial econometrical analysis to influencing factors of Chinese regional urbanization level[J]. Economic Geography, 2009, 29(4): 613-617.

[12] 馬穎憶, 陸玉麒. 江蘇省人口空間格局演變與影響因素分析[J].南京師大學報(自然科學版), 2013, 36(4): 134-141.

Ma Y Y, Lu Y Q. Evolvement of spatial pattern of population in Jiangsu Province and influence factor analysis[J]. Journal of Nanjing Normal University (Natural Science Edition), 2013, 36(4): 134-141.

[13] 云南省統計局. 云南統計年鑒2014[M]. 北京: 中國統計出版社, 2014.

Bureau of Statistics of Yunnan Province. Statistical Yearbook of Yunnan Province 2014[M]. Beijing: China Statistics Press, 2014.

[14] 陳安寧. 空間計量學入門與GeoDa軟件應用[M]. 杭州: 浙江大學出版社, 2014.

Chen A N. Introduction to Spatial Metrology and GeoDa Software Application[M]. Hangzhou: Zhejiang University Press, 2014.

[15] 任家強, 汪景寬, 孔凡文. 基于空間自相關與主成分分析的城市土地集約利用空間差異研究—以遼寧省為例[J]. 沈陽農業大學學報, 2012, 43(1): 39-43.

Ren J Q, Wang J K, Kong F W. Spatial variability of urban land intensive use based on spatial autocorrelation and principal component analysis: A case study of Liaoning Province[J]. Journal of Shenyang Agricultural University, 2012, 43(1): 39-43.

[16] 許莉. 基于空間統計和GIS的廣西GDP空間自相關分析[J].學術論壇, 2012(8): 179-182.

Xu L. Spatial autocorrelation analysis of GDP based on spatial statistics and GIS in Guangxi Province[J]. Academic Forum, 2012(8): 179-182.

[17] 謝正峰，王倩.廣州市土地利用程度的空間自相關分析[J]. 熱帶地理, 2009, 29(2): 129-133.

Xie Z F, Wang Q. Spatial autocorrelation analysis of land use intensity in Guangzhou City[J]. Tropical Geography, 2009, 29(2): 129-133.

[18] Overmars K P, De Koning G H J, Veldkamp A. Spatial autocorrelation in multi-scale land use models[J]. Ecological Modeling, 2003, 164(2/3): 257-270.

[19] 王臻, 張曉東, 蘇偉. 中國三大自然災害空間自相關特征[J].農業工程學報, 2010, 26(S2): 302-306.

Wang Z, Zhang X D, Su W. Study on spatial autocorrelation characteristic of three natural disaster in China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(S2): 302-306.

[20] 何忠祥, 歐向軍, 葉磊. 基于空間自相關的江蘇省縣域新型城鎮化水平分析[J]. 江蘇師范大學學報（自然科學版）, 2013, 31(4): 62-68.

He Z X, Ou X J ,Ye L. Analysis on the level of county new urbanization in Jiangsu Province based on spatial autocorrelation[J]. Journal of Jiangsu Normal University (Natural Science Edition), 2013, 31(4): 62-68.

[21] Fotheringham A S, Brunsdon C, Charlton M. Geographically Weighted Regression: The Analysis of Spatially Varying Relationships[M]. New York: Wiley, 2002.

[22] Su F L. An empirical study of China’s regional R&D knowledge spillovers based on GWR[J]. Ecological Economy, 2009(5): 259-271.

[23] 黃亞平, 林小如. 欠發達山區縣域新型城鎮化動力機制探討—以湖北省為例[J]. 城市規劃學刊, 2012(4): 44-50.

Huang Y P, Lin X R. A study of new impetus of county level urbanization for under-developed mountainous areas: The case of Hubei Province[J]. Urban Planning Forum, 2012(4): 44-50.

[24] 盧麗文, 張毅, 李永盛. 中國人口城鎮化影響因素研究—基于31個省域的空間面板數據[J]. 地域研究與開發, 2014, 33(3): 54-59.

Lu L W, Zhang Y, Li Y S. The factors influence on China population urbanization: Based on 31 provincial spatial panel data[J]. Areal Research and Development, 2014, 33(3): 54-59.

（責任編輯：王育花）

Spatial structure and influencing factors of population urbanization in the central Yunnan Province

OU Zhao-rong1,2, ZHU Qing-ke2*, BAO Guang-jing3

（1. School of Ecotourism, Southwest Forestry University, Kunming, Yunnan 650224, China; 2. School of Water and Soil Conservation, Beijing Forestry University, Beijing 100083, China; 3. School of City Management and Resource Environment, Yunnan University of Finance and Economics, Kunming, Yunnan 650224, China）

Based on the data of 41 counties in the Center of Yunnan Province, and applying the GIS and spatial autocorrelation analysis methods, this paper studied the spatial structure of regional population urbanization, explored the main influencing factors by factor analysis, and analyzed their characteristics by OLS and GWR models. Results show that: 1) Population urbanization levels of the Central Yunnan areas were generally low with great spatial differences. The levels of population urbanization decayed obviously with distances; 2) There was significant global spatial autocorrelation of population urbanization in Central Yunnan. While the local correlation of population urbanization levels was not obvious, indicating that the process of urbanization in each county was isolated; 3) Main influencing factors included economic development, agriculture production, and industrial structure, with economic development as the most active one, followed by industrial structure and agricultural production; and 4) the influencing forces increased from the north to the south for economic development, from the West to the East for agriculture production and from the Southwest to the Northeast for industrial structure. This research suggests that it is necessary to promote the process of population urbanization, to speed up the adjustment and upgrading of agricultural structure, and to optimize industrial structure.

population urbanization; spatial autocorrelation; factor analysis; OLS; GWR; spatial structure; influencing factor

ZHU Qing-ke, E-mail: zhuqingke@sohu.com.

10.13872/j.1000-0275.2016.0128

F323.6

A

1000-0275（2016）06-1173-8

云南省教育廳科學研究基金項目（2014y315）。

歐朝蓉（1978-），女，湖南衡陽人，博士研究生，講師，主要從事計量地理學和GIS研究，E-mail: 459707838@qq.com。通訊作者：

朱清科(1956-)，男，寧夏固原人，博士，教授，主要從事自然地理學研究，E-mail: zhuqingke@sohu.com。

2016-01-28，接受日期：2016-07-25

Foundation item: Science Research Fund of Yunnan Provincial Education Department(2014y315).

Received 28 January, 2016;Accepted 25 July, 2016