滇中县域人口城镇化空间结构及影响因素研究

欧朝蓉，朱清科，包广静

（1. 西南林业大学生态旅游学院，云南 昆明 650224；2.北京林业大学水土保持学院，北京 100083；

3.云南财经大学城市管理与资源环境学院，云南 昆明650221）

滇中县域人口城镇化空间结构及影响因素研究

欧朝蓉1,2，朱清科2*，包广静3

（1. 西南林业大学生态旅游学院，云南 昆明 650224；2.北京林业大学水土保持学院，北京 100083；

3.云南财经大学城市管理与资源环境学院，云南 昆明650221）

欧朝蓉, 朱清科, 包广静. 滇中县域人口城镇化空间结构及影响因素研究[J]. 农业现代化研究, 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.

以滇中地区41个县域为研究单元，利用GIS和空间自相关分析研究人口城镇化的空间结构，以因子分析法探索人口城镇化的主要影响因素，进而采用OLS和GWR探究人口城镇化影响因素特征。研究结果表明：1）滇中县域人口城镇化水平整体偏低且空间差异大，人口城镇化水平随距离衰变明显。2）全局自相关分析表明滇中县域人口城镇化存在显著全局空间自相关关系，局部自相关分析表明人口城镇化水平局部相关性不明显，各县域人口城镇化进程呈孤立态势。3）因子分析法确定滇中县域人口城镇化主要影响因素为经济发展、农业生产和产业结构。OLS模型发现三种因素对人口城镇化均具有正向拉动力，经济发展作用力最大，产业结构其次，农业生产的作用力最小。4）GWR模型研究发现经济发展影响强度从北到南增强，农业生产影响强度从西到东增大，产业结构影响强度从西南向东北方向增大。滇中县域需要提升人口城镇化进程，加快农业结构调整和升级，优化产业结构，以此促进人口城镇化水平的提升。

人口城镇化；空间自相关；因子分析；OLS；GWR；空间结构；影响因素

人口城镇化是城镇人口持续增加的过程，其重点在于农业人口向非农人口的转化[1]。真正的城镇化应是包括人口、土地、社会、产业等多重要素协调一体的城镇化[2]。改革开放以来，我国人口城镇化进程动力机制由以往单一的或以二元形式为主逐步被多元城镇化动力所替代[3]，人口迁移[4]、产业结构升级[5]、小城镇建设[6]、乡镇企业发展[7]和城市扩张模式[8]转变等因素均成为我国人口城镇化快速发展的主要影响因素。人口城镇化影响因素研究对阐明人口城镇化的深层次原因及预测人口城镇化趋势具有重要意义。

人口城镇化影响因素研究最初始于定性分析，其后随着数理统计方法的应用逐步进入定量化阶段。王发曾和程丽丽[9]运用灰色关联法研究得出山东半岛、中原、关中城市群城镇化水平推动力为经济水平、人口集聚、农业生产水平和医疗卫生条件；李芃等[10]利用主成分法和多元回归模型研究重庆城镇化水平的影响因素，结果表明第二产业是影响城镇化水平的关键因素。数理统计方法量化了人口城镇化的影响因素及其作用力大小，有利于揭示人口城镇化驱动机制。然而，人口城镇化作为经济属性在空间分布的一种现象，仅从线性角度研究人口城镇化与其影响因素的关系很难解释人口城镇化的空间非平衡性。21世纪初开始，随着地理学理论和研究方法的不断成熟，有学者尝试将地理空间模型应用于人口城镇化驱动因素研究，如蒋伟[11]运用空间滞后模型和空间误差模型研究了人均GDP、第二产业比重、第三产业比重、教育发展水平、对外开发程度和城乡收入差距六大因素对城镇化水平的影响；马颖忆和陆玉麒[12]运用GWR模型探讨了江苏省人口空间格局演变因素，结果表明主要影响因素有历史发展基础、社会生活水平、经济发展水平、人口自然增长和区域发展政策等。

云南是典型的西部欠发达区域，滇中地区是云南省经济发展核心，也是云南省人口城镇化水平最高的区域。利用数理统计和地理空间模型研究滇中地区人口城镇化空间结构及其影响因素有利于把握区域人口城镇化空间特征，揭示欠发达区域人口城镇化机制。鉴于此，本研究以滇中地区县域为例，利用GIS和空间自相关研究人口城镇化空间结构，结合因子分析法探索人口城镇化主要影响因素，进而采用OLS和GWR探究人口城镇化影响因素特征，以期丰富人口城镇化研究内容，为云南及欠发达区域人口、社会和经济协调发展提供参考。

1 研究区概况

滇中地区位于全国“两横三纵”城市化战略格局中包昆通道纵轴的南端，其总面积为94 558 km2，占全省国土面积的24%，包括云南省中部以昆明为中心的昆明、曲靖、楚雄和玉溪四个城市，所辖县、区和县级市共计41个县级地理单元（图1）。昆明是云南省唯一的特大城市及全省政治、经济、文化和交通中心。玉溪是云南省重要的烟草工业和粮食种植基地，楚雄和曲靖市是全省重要的能源和工矿业基地。2013年滇中地区经济占全省经济总量的57.5%，是云南经济核心区和云南发展的重要引擎。2013年滇中地区人口占全省人口总量的37.4%，其人口城镇化比例为30.42%，高于全省平均水平约3.1个百分点，是云南省人口城镇化水平最高的区域。

图1 滇中县域区位图Fig. 1 Location of counties in the Central Yunnan

2 数据来源和研究方法

2.1 数据来源

国家统计局对人口城镇化率的现行统计方式有常住人口城镇化率和户籍人口城镇化率。户籍人口城镇化率较常住人口城镇化率更真实反映了人口城镇化的质量。2016年1月，国务院明确提出将加快户籍人口城镇化率作为推进人口城镇化的重点工作。因此本研究选择户籍人口城镇化率作为统计口径，以非农人口比例即非农人口占总人口的比重作为衡量人口城镇化水平的度量指标。本研究中人口、经济和社会发展数据来源于《云南省统计年鉴2014》和《云南各县国民经济与社会发展公报（2013）[13]。

2.2 研究方法

2.2.1 空间自相关分析 空间自相关分析用于检验某种现象在空间上是否存在集聚[14-15]。空间自相关分析包括全局自相关分析和局部自相关分析[16]。全局空间自相关反映了观测变量在整个研究区域内空间相关性的总体趋势[17]。本研究采用全局Moran’s I指数研究人口城镇化全局空间关联性，其计算公式为：

式中：n为空间单元数目；xi、xj表示空间单元i、j的属性值，wij为空间权重矩阵。如果区域i与区域j相邻，wij值为1；否则；当i=j时，wij=0。全局Moran’s I值介于-l～1，指数大于0表明空间要素存在正相关，呈集聚分布；指数小于0表明空间要素存在负相关，呈离散分布；指数等于0则表明空间要素不存在相关性[18]。全局空间自相关分析需进行显著性检验，其统计检验可采用Z检验，其检验公式见王臻等[19]研究。

局部自相关分析反映了观测变量在局部区域间的空间相关性特征，可以具体度量每个区域与周边地区之间的局部空间关联程度。常用的局部空间自相关指数为LISA (Local Indicators of Spatial Association)指数，其计算公式为：

式中：Zi和Zj为区域单元i、j属性观测值的标准化值，{wij=1}，wij为标准化空间权重系数矩阵。当Ii为较大正值时,区域单元i与相邻单元j的观测属性存在较强正空间自相关性；当i为较大负值时,区域间存在较强的负空间自相关性。局部空间自相关分析同样需进行显著性检验,检验方法同全局Moran’s I[20]。2.2.2 地理加权回归（GWR） 传统正常最小二乘法（Ordinary Least Squares，OLS）回归模型的全局平稳性假设在地理空间异质性推理中通常是有问题的。基于地理空间的非平衡性特征，Fotheringham[21]提出了地理加权回归（Geographically Weighted Regression，GWR）。地理加权回归容许一些不平稳的数据直接被模拟，利用非参数估计方法进行局部参数估计。通过线性回归模型中假定回归系数是观测点地理位置的位置函数，将数据空间特性纳入模型中，为分析回归关系的空间差异性创造了条件[22]。本研究采用GWR模型研究人口城镇化影响因素的空间局部变化，GWR模型表示为：

式中：yi表示在地理位置(ui，vi)的因变量值（i=1，2，…，n），β0(ui，vi)表示地理位置(ui，vi)的常数项值，βk(ui，vi)是连续函数在地理位置(ui，vi)的未知参数，εi表示空间随机残差。

3 结果与分析

3.1 人口城镇化率空间格局分析

2013年滇中地区41个县域中人口城镇化率在30%-70%之间的有7个，占总比例的17%；超过80%的有2个，占总比例的5%。从比例结构看，处于人口城镇化中、高水平的县域比例小，绝大部分县域人口城镇化率＜30%，表明滇中县域人口城镇化整体水平偏低，滇中县域处于人口城镇化初级阶段。人口城镇化率标准差达到17.34，表明滇中地区各县域人口城镇化水平差异性较大。在ArcGIS10.2中对人口城镇化率进行空间数据分级。从图2可以看出中部人口城镇化率相对较高，西部次之，东部地区水平较低。人口城镇化水平表现出明显的随距离衰减特征，其核心区为各城市的主要市辖区和县级市，离核心区越远，人口城镇化水平越低。四区域县域中，昆明人口城镇化水平差异性最大，既有滇中地区的核心区极大值县域（五华区和盘龙区），也有较多的人口城镇化水平低值县域。东川区由于是传统的工矿业开采地，采矿业对当地的人口城镇化起到了推动作用，故受距离衰减影响小。

图2 滇中县域人口城镇化率空间格局Fig. 2 Spatial structure of rural population urbanization levels in the Central Yunnan Province

3.2 人口城镇化水平空间自相关性分析

3.2.1 全局自相关分析 利用ArcGIS10.2空间分析模块对2013年滇中地区人口城镇化率进行全局空间自相关分析。全局Moran’ I指数值为0.309，Z值为3.93（远大于显著水平为5%的临界值1.96），表明滇中县域人口城镇化水平存在显著的空间自相关性，区域人口城镇化水平在空间上呈现明显的集聚特征。制作Moran散点图，散点图四个象限分别对应四种不同的空间差异类型，将散点图通过GIS实现空间可视化（图3），四个象限分别对应为：1）HH（高高）象限：区域和周边地区的人口城镇化水平较高，二者的空间差异程度较小。对应县域包括官渡区、西山区、盘龙区、五华和通海县。官渡区、西山区、盘龙区和五华区属于昆明主城区，自身及周边区域人口城镇化率高，通海紧邻人口城镇化水平较高的红塔区，自身的人口城镇化水平也相对较高。2）LH（低高）象限：区域自身人口城镇化水平较低，周边地区较高，二者的空间差异程度较大。对应县域包括峨山、晋宁、富民县等11个县，其自身水平不高，将人口城镇化水平较高的昆明主城区、楚雄市、红塔区、麒麟区包围其中。3）LL（低低）象限：区域和周边地区的人口城镇化水平较低，二者的空间差异程度较小。对应县域包括双柏、禄丰、永仁等22个县，属于滇中各地市腹地，数量占总县域总数的53.7%，呈连片分布，成为滇中县域人口城镇化的主要滞后区域。4）HL（高低）象限：区域自身人口城镇化水平较高，周边地区较低，二者的空间差异程度较大。对应县域包括红塔区、楚雄市和麒麟区，多属于省级次级行政区域的市辖区。从图3可以看出，落在二、三象限的县域数目远远多于落在一、四象限的县域数目，表明滇中县域的人口城镇化整体水平较低。

图3 人口城镇化水平象限分布Fig. 3 Quadrant distributing of county population urbanization levels

3.2.2 局部自相关分析 利用局部自相关分析法进一步分析滇中县域人口城镇化局部空间异质性。将Moran散点图与LISA显著性水平相结合，得到“LISA聚集图”（图4），它反映了各县域象限分布情况是否在统计意义上显著。图中标识出对应于Moran散点图不同象限并且LISA值显著的区域。从图4可以看出滇中县域人口城镇化水平局部LISA检验不显著，各象限能通过局部LISA显著性检验的县域少，表明滇中县域人口城镇化水平局部相关性不明显，多数县域间人口城镇化水平相关性较弱，人口城镇化进程呈孤立态势发展。

3.3 基于因子分析法的人口城镇化影响因素分析

图4 人口城镇化水平LISA聚集图Fig. 4 LISA cluster map of county population urbanization levels

3.3.1 变量选取 本研究选择非农人口比例作为衡量滇中县域人口城镇化水平的因变量。在参考黄亚平和林小如[23]以及卢丽文等[24]研究的基础上，选择第三产业比例、农民人均纯收入、人均固定资产投资额、人均农林渔业产值、人均地方财政支出、人均GDP、人均社会消费品零售额、人均第二产业产值、每万人农林从业者人数、人均粮食产量、人均工业产值、国有单位职工工资、高学历人口比例等指标作为初选自变量指标。首先利用标准差法对因变量和自变量进行标准化处理。其次，通过相关性及共线性分析筛选自变量。发现部分因子具有高度相关性，若全部纳入易引起共线性问题，故剔除部分相关性高的指标，最终采用人均GDP（X1）、国有单位职工工资（X2）、人均固定资产投资额（X3）、人均社会消费品零售额（X4）、高学历人口比例（X5）、第三产业比例（X6）、人均工业产值（X7）、农民人均纯收入（X8）、人均粮食产量（X9）和人均农林渔业产值（X10）等指标作为自变量（表1）。

表1 主成分因子载荷Table 1 Loadings of main factors

3.3.2 人口城镇化影响因素的确定 利用因子分析法将自变量进行分类，得到三个主要公因子，其方差累计贡献率为85.067%，KMO值为0.675，Bartlett球形度检验为465.302，自由度（df）为28，sig值为0.000，表明数据指标符合因子分析法分析要求（表2）。因子载荷矩阵体现了原始变量与各因子之间的相关程度。为了更为准确地解释命名各个主因子，采用方差最大法对因子载荷矩阵实施正交旋转（表1）。研究表明，变量X1、X2、X5、X7、X8等指标在第一主成分（F1）上具有较高因子载荷，这些指标主要反映了经济发展水平对人口城镇化的作用，命名为经济发展因素；变量X3、X4、X9、X10在第二主成分（F2）上有较高因子载荷，这些指标主要反映了农业发展因素对人口城镇化的作用，命名为农业生产因素；X6在第三主成分（F3）上有较高因子载荷，反映了产业结构对人口城镇化的作用，命名为产业结构因素。因此，利用因子分析法确定滇中县域人口城镇化主要影响因素为经济发展因素、农业生产因素和产业结构因素。

表2 主因子特征值和累计方差贡献率Table 2 Eigen values of main factors and variance contributions

3.4 基于OLS模型的人口城镇化影响因素分析

以2013年滇中地区非农人口比例为因变量，以因子分析法提取的三个公因子为自变量，构建OLS模型分析自变量对因变量的影响程度。OLS模型的校正决定系数（adjusted R2)为0.758，说明模型解释能力为75.8%。从表3中可以看出，每个因子都通过了显著性检验。相关系数表明三种因素均为正向系数，说明三种因素对滇中地区的人口城镇化均具有正向拉动力。从因子大小来看，经济发展因素最大，产业结构因素其次，农业生产因素的作用力最小。滇中县域经济发展处于快速上升期，经济发展和产业结构的升级对人口城镇化有较强的推动作用。滇中县域农业人口众多，但农业生产率低，农业对人口城镇化的推动作用弱。OLS模型虽然在一定程度上解释了滇中地区影响因子的正负极性和影响力，但是其回归系数是建立在全局均一化的基础上的，不能辨析人口城镇化影响因素空间异性。

表3 OLS模型回归系数及检验结果Table 3 Parameter estimation and test results of the OLS model

3.5 基于GWR模型的人口城镇化影响因素分析

3.5.1 GWR模型的构建 在模型（3）的基础上，设第i个县域的地理中心坐标为(ui，vi)，根据因子分析法得到的影响因子及其参数选定，滇中县域人口城镇化GWR模型如下（模型4）：

在ArcGIS10.2计算GWR回归系数，采用“自适应”计核函数AICc带宽方法进行局域估计计算结果，模型的R2为0.806，调整R2为0.779（表4）。三种影响因素的系数值分布均表现出平稳性，表明各县域受影响因素的作用方向表现出趋同性（表5）。

表4 GWR模型参数估计及检验结果Table 4 Parameter estimation of the GWR model

表5 GWR模型回归系数描述性统计分析Table 5 Descriptive statistics of the regression coefficients in the GWR model

3.5.2 GWR模型结果分析 GWR模型标准化残差值在[-2.124，2.365]之间，对标准化残差值进行显著性水平检验，其Kolmogorov-Smirnov的sig值为0.022 8，Shapiro-Wilk的sig值为0.023 5，均小于0.05，因此模型通过了5%水平下的显著性检验。对标准化残差值做空间自相关分析，Moran’ I指数值为0.014 6，趋近于0，说明模型的残差在空间上呈现随机分布状态。标准化残差值空间自相关Z检验值为0.455，模型残差具有显著的空间随机性，说明GWR模型拟合较好。

3.5.3 人口城镇化影响因素分析 1）经济发展因素。从图5可以看出，经济发展因素GWR模型回归系数的空间分布从北到南逐渐呈递增趋势，回归系数高值聚居区出现在玉溪县域中，表明经济发展对玉溪县域影响较大。玉溪是云南省烟草工业基地，国有经济发展基础较好，近年来通过产业结构调整和发展商品粮生产进一步提升经济发展水平，总体经济实力较好。回归系数低值区出现在楚雄部分县域中，楚雄是云南省传统能源和工矿业基地，国有经济改制及能源、工矿业市场不景气对区域经济产生了一定影响，区域经济的调整使其对人口城镇化进程拉动作用相对较弱。

图5 GWR模型经济发展回归系数空间分布Fig. 5 Spatial distribution of the regression coefficients of economic development in the GWR model

2）农业生产因素。从图6可以看出，农业生产因素的GWR模型回归系数空间分布呈现从西到东逐渐增大趋势，回归系数高值聚居区趋近滇中东北部的昆明和曲靖的部分县域。这些区域靠近昆明及曲靖的主城区，通过发挥地缘优势，大力发展商品农业，发展蔬菜生产、花卉种植、生态旅游、农产品加工，提高农业附加值，加快了农业人口城镇化进程；低值聚居区集中在西部楚雄和玉溪部分县域，这些县域较早依托山地发展特色山地农业，通过发展果树种植和林下种植提高农业产值，农业经济相对成熟，如今面临新兴农业区域的竞争及自身农业结构的调整和升级，故农业生产因素对人口城镇化推动作用相对薄弱。

图6 GWR模型农业生产回归系数空间分布Fig. 6 Spatial distribution of the regression coefficients of agriculture production in the GWR model

3）产业结构因素。从图7可以看出，GWR模型的回归系数的空间分布从西南向东北方向逐渐增大。回归系数高值聚居区出现在滇中东北部的昆明和曲靖的部分县域。这些县域通过产业结构调整及国有企业改制转变经济发展方式，逐步摆脱以矿业为主的产业形态（如东川区），发展旅游业，鼓励多元化经济的发展，促进了农业人口的转化；低值聚居区出现在西南部玉溪和楚雄的部分县域，这些县域依赖传统产业，第三产业发展较慢，产业结构调整不利，影响了人口城镇化进程。

图7 GWR模型产业结构回归系数空间分布Fig. 7 Spatial distribution of the regression coefficients of industrial structure in the GWR model

4 结论

1）滇中地区人口城镇化水平整体偏低且空间差异性大，人口城镇化水平较高的市辖区和县级市成为人口城镇化的核心。人口城镇化水平呈现随距离衰减的明显特征，昆明地区空间差异最为显著。全局自相关性研究发现，人口城镇化存在着显著的全局空间自相关性，局部自相关性研究发现，人口城镇化水平局部相关性不明显，各县域人口城镇化进程呈孤立态势发展。

2）以因子分析法确定滇中县域人口城镇化主要影响因素为经济发展、农业生产和产业结构三个因素。OLS模型研究表明三种因素对人口城镇化均具有正向拉动力，经济发展因素作用力最大，产业结构因素其次，农业生产因素作用力最小。

3）GWR模型拟合度（0.779）高于OLS模型拟合度(0.758)，拟合度提高说明GWR模型优于OLS模型。GWR影响因素回归系数空间分布研究发现，经济发展影响强度从北到南逐渐增强，农业生产影响强度从西到东逐渐增强，产业结构影响强度从西南向东北方向逐渐增强。

5 建议

滇中县域人口城镇化症结在于经济城镇化滞后、区域间关联度差，致使人口城镇化动力不足，人口城镇化质量差。因此，必须通过加快经济的发展，强化人口城镇化的一体化进程突破人口城镇化的瓶颈。应着力摆脱对农业、资源粗加工产业的依赖，深化以化工、冶金、生物为重点的区域性资源精深加工基地建设，提高工业的人口就业率。

利用高原生态环境和生物资源发展特色农业、生态农业和生物产业，发展以民营企业为主的农业合作社、生物农业公司和农业电子商务公司，提高农业附加值，加快传统农业人口就业转移。依托优势自然生态资源和旅游资源发展以主城区及州县中心城区为主要服务对象的第三产业，促进县域旅游业和服务经济的合作发展，提高农业人口在第三产业的就业质量和就业容量。加快滇中城市群一体化建设，以昆明为核心辐射区，合理实施城市功能定位。完善城镇基础设施建设和公共基本服务，加快户籍制度改革，稳定进城务工人员的长期就业，提升人口城镇化品质。

[1] 庞瑞秋, 腾飞, 魏冶. 基于地理人口加权回归的吉林省人口城镇化动力机制研究[J]. 地理科学, 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] 王亚力, 彭保发, 熊建新, 等. 2001年以来环洞庭湖区经济城镇化与人口城镇化进程的对比研究[J]. 地理科学, 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] 宁越敏. 新城市化进程——90年代中国城市化动力机制和特点探讨[J]. 地理学报, 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] 刘传江.论城市化的生成机制[J]. 经济评论, 1998(5): 56-61.

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

[6] 崔功豪, 马润潮. 中国自下而上城市化的发展及其机制[J]. 地理学报, 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] 马凯. 转变城镇化发展方式提高城镇化发展质量,走出一条中国特色城镇化道路[J]. 中国行政学院学报, 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] 杨璐璐. 中部六省城镇化质量空间格局演变及驱动因素—基于地级及以上城市的分析[J]. 经济地理, 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] 王发曾, 程丽丽. 山东半岛、中原、关中城市群地区的城镇化状态与动力机制[J]. 经济地理, 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, 魏荣华, 孟庆红. 重庆市城镇化动力机制分析[J]. 重庆交通大学学报（社会科学版）, 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] 蒋伟. 中国省域城市化水平影响因素的空间计量分析[J]. 经济地理, 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] 马颖忆, 陆玉麒. 江苏省人口空间格局演变与影响因素分析[J].南京师大学报(自然科学版), 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] 云南省统计局. 云南统计年鉴2014[M]. 北京: 中国统计出版社, 2014.

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

[14] 陈安宁. 空间计量学入门与GeoDa软件应用[M]. 杭州: 浙江大学出版社, 2014.

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

[15] 任家强, 汪景宽, 孔凡文. 基于空间自相关与主成分分析的城市土地集约利用空间差异研究—以辽宁省为例[J]. 沈阳农业大学学报, 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] 许莉. 基于空间统计和GIS的广西GDP空间自相关分析[J].学术论坛, 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] 谢正峰，王倩.广州市土地利用程度的空间自相关分析[J]. 热带地理, 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, 张晓东, 苏伟. 中国三大自然灾害空间自相关特征[J].农业工程学报, 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, 欧向军, 叶磊. 基于空间自相关的江苏省县域新型城镇化水平分析[J]. 江苏师范大学学报（自然科学版）, 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] 黄亚平, 林小如. 欠发达山区县域新型城镇化动力机制探讨—以湖北省为例[J]. 城市规划学刊, 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] 卢丽文, 张毅, 李永盛. 中国人口城镇化影响因素研究—基于31个省域的空间面板数据[J]. 地域研究与开发, 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.

（责任编辑：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

云南省教育厅科学研究基金项目（2014y315）。

欧朝蓉（1978-），女，湖南衡阳人，博士研究生，讲师，主要从事计量地理学和GIS研究，E-mail: 459707838@qq.com。通讯作者：

朱清科(1956-)，男，宁夏固原人，博士，教授，主要从事自然地理学研究，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