EN中文

GEOGRAPHICAL RESEARCH >

2021 , Vol. 40 >Issue 10: 2838 - 2855

DOI: https://doi.org/10.11821/dlyj020200840

Articles

Hu Huanyong Line based on geographical synthesis: Simulation and prediction under SSPs-RCPs scenario matrix

  • XIA Haibin , 1, 2, 3 ,
  • LIU Min , 1, 2, 3
Expand
  • 1. Key laboratory of Geographic Information Science, Ministry of Education, East China Normal University, Shanghai, 200241
  • 2. School of Geographic Sciences, East China Normal university, Shanghai, 200241
  • 3. Key Laboratory of Spatio-temporal Big Data Analysis and Application of Natural Resources in Megacity, Ministry of Natural Resources, Shanghai,200062, China

Received date: 2020-09-03

  Request revised date: 2021-08-16

  Online published: 2021-12-10

Copyright

Copyright reserved © 2021
Fold

Abstract

In this paper, a population potential model under the influence of environmental factors is constructed, and four sets of the crop model and water model driven by climate system models are combined to simulate the spatiotemporal evolution trend of China's population in the near (2030) and medium (2050) periods under SSPs-RCPs scenario matrix. It is found that under the SSPs scenario, the gap between population proportions on the east and west sides of Hu Huanyong Line (also known as Hu Line) in China will be further enlarged in the future, while under the scenario of SSP-RCPS, the population proportion gap on both sides of the Hu Line will be somewhat narrowed compared with the SSP scenario alone. The reason for the former is that the urbanization development on the east side of the Hu Line is much higher than that on the west side. Under the background of population urbanization in China, the population on the east side of the Hu Line increases. The latter is due to the favorable change of hydrothermal conditions on the west side of the Hu Line under the influence of climate change, which further improves the environmental carrying capacity of the population. The impact of social and economic development on change of population proportion on both sides of the Hu Line is far greater than the impact of climate change. This paper aims to explore the possibility of the breakthrough of the Hu Line from north, middle and south sections. We believe that the middle section will act as the breakthrough point because the region where Yellow River and other rivers flow through have rich water resources, which is favorable to the development of urbanization.

Key words： Hu Huanyong Line; spatial and temporal population change; climate change; SSPs-RCPs scenario matrix; human-environment relationship; sustainable development

Cite this article

XIA Haibin , LIU Min . Hu Huanyong Line based on geographical synthesis: Simulation and prediction under SSPs-RCPs scenario matrix[J]. GEOGRAPHICAL RESEARCH, 2021 , 40(10) : 2838 -2855 . DOI: 10.11821/dlyj020200840

1 引言

2014年11月27日,李克强总理在国家博物馆参观人居科学研究展时关注了胡焕庸线。之后相关专家将李克强总理的相关论述总结为“胡焕庸线该不该破,能不能破和怎么破”的“总理三问”。关于胡焕庸线的“破与不破”相关地理学家们有诸多争鸣[1]。
自从胡焕庸先生在1935年提出“瑷珲-腾冲”人口分界线（胡焕庸线）之后[2],胡焕庸线的学术影响已超越了人口地理学,成为一条重要的国情地理界线。众多学者运用1949年以来历次人口普查数据进一步验证了胡焕庸线的稳定性[3,4,5,6,7]。关于突破胡焕庸线的可能性论述主要集中在社会经济发展方面,比如通过城镇化建设、技术进步、教育和信息化[1,4,8,9]。但是从单因子角度无法揭示胡焕庸线的特征[10,11]。从自然和人文地理综合的视角来重新认识胡焕庸线就显得尤为必要。
对胡焕庸线的“稳定性”和“突破可能性”的探讨,究其本质意义而言是探讨如何实现中国东西部地区的共同富裕和发展,实现人地关系协调发展[12,13]。人类在迁移与定居过程中对环境的趋利避害选择一直是重要的生存策略[14]。事实上,早期人口分布及迁移的讨论更多地体现在“人粮关系”上[15]。从“人粮关系”出发,研究者向“人口-产业”关系和“人口-环境”关系两个方向进一步扩展[16]。由此形成“人口-社会经济-自然环境”三者联动探讨人口分布和迁移等问题。在20世纪相当长时间内,由于对“地理决定论”的批判,在对人口时空变化的解释中较少涉及到环境因素[17],更多地偏向从社会经济角度下展开讨论[18]。另外环境因素与其他社会经济等诸多因素共同交互作用于人口分布和迁移,使得严格区分这些因素作用程度是非常困难的[19]。Oliver-Smithz认为辨析自然-社会关系的复杂关系是人口时空变化讨论的核心[20]。
从20世纪90年代开始,人们逐渐意识到气候变化驱动下的环境变化在人口空间分布变化中可能发挥作用[21,22,23]。气候变化通过极端或缓慢的灾害造成的影响,已经导致了一些地方人们离乡背井,流离失所[21],但是这也引起学术界的不少争议。一些学者认为气候变化与人口分布变化之间的关系既不是线性的,也不是直接的。即使没有气候变化,人口空间流动也已经成为一个重要的全球现象[24,25]。此外学者们意识到对于人口时空变化的研究必须同时考虑社会经济的变化和气候变化[26]。对于未来变化的预测和估计并不是盲目的,而是需要设定若干条可能路径的情景假设。IPCC的气候变化情景是其中的典型代表。20世纪90年代,IPCC开发了SRES气候变化情景,它研究人口,经济增长和温室气体排放的四种可能的未来轨迹,对应于不同的辐射强迫增加[27]。但同一水平的辐射强迫,可能是许多不同的社会经济前景或途径的结果。由此,在2014年发布的IPCC第五次评估报告中,研究人员采用了“代表性浓度路径”（RCPs）[28,29]。之后为了反映社会经济发展与气候情景的关联,IPCC发布了“共享社会经济路径”（SSPs）[30]。SSPs基于人类适应和缓解气候变化两个维度,形成五个可能影响未来的广泛社会经济发展趋势估计[31,32]。
中国目前正经历人口总体增长缓慢但空间分布和结构迅速变化的发展阶段[33]。庞大的人口基数、快速变化的人口结构以及人口在空间上的流动和迁移使得人地关系中“人”的问题变得更为复杂。同时气候变化即是由人类活动所引发和加剧的,同时反作用于人类活动,使得人地关系中“地”的问题同时受到自然变率以及人为作用的双重影响。本文希望通过自然与人文地理综合视角下,基于IPCC的SSPs-RCPs复合情景对中国未来的人口时空分布展开模拟和分析。在促进可持续发展以及气候变化的大背景下,重新认识胡焕庸线的深刻内涵。

2 数据来源与研究方法

2.1 情景设定

SSPs情景（图1）描述了在没有气候变化和气候政策的情况下,未来社会经济的变化趋势。对于不同SSPs情景下总体人口、人口分布、人口结构的探讨使得气候变化的研究增加了“人的核心”（human core）[34,35]。SSP1和SSP5情景设定在教育和卫生方面进行了大量投资,经济迅速增长,社会运转良好,展望了人类发展的相对乐观的趋势,其中SSP5假设了一个能源密集型的、以化石燃料为基础的经济发展,因此SSP5被称之为化石燃料发展之路,而SSP1是一条向可持续发展转变的路径。SSP3（区域竞争路径）将重点放在实现本区域内的能源和粮食安全目标上,以牺牲更广泛的发展为代价,教育和卫生方面的投资减少,不平等现象日益严重。SSP4（不均衡发展之路）设定人力资本投资的高度不平等,再加上经济机会和政治权力方面的差距日益扩大,导致国家内部和国家之间的不平等和阶层分化日益加剧。SSP2（中间发展路径）则为一条社会、经济和技术趋势不会明显偏离历史模式的路径[36]。
图1 共享社会经济路径

Fig. 1 Shared socioeconomic pathways (SSPs)

本文采用的是国际通用的国际应用系统分析研究所（IIASA）和美国国家大气研究中心（NCAR）等机构联合开发的全球SSPs情景数据库[34]。该数据库提供了全球各国不同SSPs情景下的人口、城市化、经济发展、科技进步等社会经济因素的变化路径。图2给出了中国SSPs情景的人口和城市化变化趋势,其中在SSP3情景下人口峰值会延后至2030左右,人口减少幅度最小,而在SSP1和SSP5情景下,中国人口将有较大幅度降低。需要特别指出的是虽然SSP1和SSP5有相似的人口和城市化发展趋势,但是两者对应的RCPs的排放情景截然不同。
图2 历史时期以及SSPs情景下未来中国人口和城市化率

Fig. 2 China's population and urbanization rate in the historical period and under the SSPs scenario

不同SSPs情景下人口、技术和经济等潜在因素的变化可能导致未来温室气体排放和全球变暖结果不同,从而引起不同程度的自然环境变化,而这又可能进一步改变人口空间分布[36]。一些学者从自然环境条件改变出发,采用RCPs情景研究气候变化对粮食安全[37,38]及水资源[39,40]等影响,并从水资源限制、粮食限制对人类生计影响的角度分析未来潜在的人口空间变化。但是仅仅单方面考虑RCPs情景或者SSPs情景无法应对缓解和适应气候变化的双重挑战,因此SSPs-RCPs复合情景已经开始用于新的一轮气候耦合模型（CMIP6）[41]。
本文将从气候变化背景出发,采用SSPs-RCPs复合情景,探讨中国未来人口分布的变化趋势,选择可持续发展路径（SSP1）、中间发展路径（SSP2）、区域竞争路径（SSP3）以及化石燃料发展路径（SSP5）四种共享社会经济情景,在不考虑气候政策的条件下,采用高中低不同强度的辐射强迫值与不同减缓强度的社会发展情景相组合,这些组合也综合考虑了不同领域研究对气候变化预估结果的需求[36]。从不同SSPs情景的设定来看,SSP1情景下RCP4.5和RCP6.0的发生概率最高,SSP2和SSP3情景下RCP6.0的发生概率最高,SSP5情景下RCP8.5的发生概率最高[36]（图3）。本文设定SSP1-RCP2.6、SSP2-RCP4.5、SSP3-RCP6.0以及SSP5-RCP8.5四种复合情景,并分别模拟不同SSPs-RCPs复合情景下中国未来人口分布变化。需要指出的是以中国目前的发展趋势,中国面临着巨大的发展潜力和减排挑战,以低减排和高适应挑战为特征的SSP4情景与中国实际国情并不相符,因此本文没有选取SSP4情景。
图3 SSPs-RCPs复合情景

Fig. 3 SSPs-RCPs scenario matrix

2.2 数据来源

数据来自3个数据库,包括哥伦比亚大学的世界栅格人口数据库（GPW-v4数据库, https://sedac.ciesin.columbia.edu/data/collection/gpw-v4）、哥伦比亚大学的全球城乡数字地图数据库（GRUMP-v1数据库, https://sedac.ciesin.columbia.edu/data/collection/grump-v1）、德国波茨坦气候影响研究所的部门间影响模型相互比较项目（ISIMIP2a数据库, https://esg.pik-potsdam.de/projects/isimip2a/）。
2.2.1 人口数据 GPW-v4数据库提供了最高精度可达1 km的栅格化世界人口数据集[42]。相较于欧盟的全球人居数据库（GHSL）、英国南安普顿大学世界人口数据库（WorldPop）等利用土地利用、夜灯光遥感、道路交通等信息拟合的更高精度的栅格人口数据库,GPW-v4数据库的输入数据来源于世界各国的人口普查数据,在排除了人口为0的自然保护区及水域之外,利用面积加权模型获得栅格栅格人口数据,因此较少受到拟合因素的影响[42]。将2010年GPW-v4、GHSL、WorldPop三套1 km的栅格人口数据重新拟合中国乡镇级行政单元中,并与2010年的第六次乡镇级行政单元的人口普查数据进行回归分析,其调整R2分别为0.91、0.8、0.85,说明GPW-v4数据质量更接近于人口普查的统计数据[43]。2000年和2010年的GPW-v4中国人口数据输入源是中国第五次和第六次乡镇级行政单元的人口普查数据。1990年的GPW-v3中国人口数据输入源是第四次县级行政单元的人口普查数据。为了衔接1990年和2000年的GPW数据精度,本文采用2000年GPW-v4的中国栅格人口数据,以第四次和第五次中国县级人口普查数据的变化率来拟合获得1990年中国栅格人口数据。最后利用ArcGIS软件生成栅格精度为0.125度的1990年、2000年和2010年的中国人口分布数据。
GRUMP-v1数据库提供了基于矢量格式的全球城市边界数据集,基于该数据集,以及中国人口空间分布数据,通过ArcGIS软件生成1990年、2000年、2010年的中国城市人口空间分布和中国乡村人口空间分布数据,以及相应的以10年为单位的城市人口和乡村人口变化数据。
2.2.2 水资源和作物产量数据 以全球增温为特征的气候变化对生态系统、水资源、粮食安全等具有深远的影响[44],而作物产量和水资源的变化可能对人们的生计有直接或间接的影响,进而影响人口的空间分布变化[45]。因此本文主要考虑水资源和作物产量两项因素。
本文利用跨部门影响模式相互比较项目（ISIMIP）提供的作物模型和水文模型的模拟数据。ISIMIP提供了一系列系统和部门的气候影响数据集成[46],其第一轮模拟周期ISIMIP Fast Track利用RCPs情景驱动五种全球气候模式进行模拟预测,使得ISIMIP Fast Track成为耦合模式比较计划（CMIP）工作的自然延伸[46],第二轮模拟周期ISIMIP2a允许在全球变暖的不同水平上改进对气候变化的生物物理和社会经济影响的估计[47]。本文选取ISIMIP2a所提供的HadGEM2-ES[48]和IPSL-CM5A-LR[49]两种模式,作物模型采用ISIMIP 2a提供的LPJmL和GEPIC[50]两种作物模型。这两种作物模型对玉米、小麦、水稻和大豆四种代表作物产量进行模拟,并对四种作物产量进行加权求和,得出具有可比性的代表作物产量[51]。水文模型采用LPJmL[52]和WaterGAP[53,54]两种模型模拟的年河流径流量。需要指出的是作物模型模拟不考虑农业生产的技术投入等社会经济因素,而水文模型不涉及任何水的提取（如灌溉）或任何其他人为引起的水循环变化。这意味着作物模型及水文模型所得的模拟数据都可以归因于气候模式的变化,避免了作物模型、水文模型模拟数据与社会经济数据之间的交互影响。选取以上模型的原因一方面是考虑气候模式和模型的代表性,同时ISIMIP2a提供了以上模型1970—2010年历史时期以及2010—2100年不同RCPs情景下的模拟数据。根据本文情景设定中需求,采用RCP2.6、RCP4.5、RCP6.0以及RCP8.5四种代表性浓度路径驱动下未来近期（2030年）及中期（2050年）水资源模拟数据。某个时代的模拟值以该时代10年平均水平表示,如2000年水资源量为2000—2009年10年平均河流径流量表示,2000年作物产量以2000—2009年10年平均代表作物产量表示。为降低气候变化预估中单一模型误差,采用多模式集合的方法,将水文模型和作物模型模拟数据分为4个组别（表1）,如第一组表示在HadGEM2-ES全球气候模式驱动下的LPJmL水文模型和LPJmL作物模型的模拟数据。
表1 全球气候模式驱动下的水文模型和作物模型

Tab. 1 Hydrological models and crop models driven by global climate model (GCM)

组别 全球气候模式 水文模型 作物模型
1 HadGEM2-ES LPJmL LPJmL
2 IPSL-CM5A-LR LPJmL LPJmL
3 HadGEM2-ES GEPIC WaterGAP
4 IPSL-CM5A-LR GEPIC WaterGAP
2.2.3 空间分辨率选择 本研究选择栅格数据是为了避免人口普查数据统计的行政单元大小不一的问题,有利于人口潜力模型的建模需要。为了更好的辨析城市和乡村人口的分布特征,本研究空间精度为0.125°,即每个栅格的边长约10 km。此精度保留了城市和乡村人口分布的基本空间特征,同时也便于分析胡焕庸线沿线热点地区的人口时空变化特征。ISIMIP2a提供的气候变化驱动下作物模型和水文模型模拟数据栅格大小为0.5°。事实上,相对于社会经济数据而言,要捕捉到高分辨率的气候变化相关要素的空间分布值是较为困难的,为了模型计算的便利,将ISIMIP2a的模拟数据重新划分至0.125°栅格,即原始0.5°栅格重新划分的16个0.125°栅格的数值是一致的。对于人口迁移而言,社会经济因素的影响相对于气候变化因素的影响更占据主导地位,因此本文的空间精度设定为0.125°。

2.3 研究方案

本文以“建模-验证-模拟-讨论”为研究框架,构建模拟中国人口分布的人口潜力模型。中国未来城市人口和农村人口变化按照SSPs情景设定的人口变化趋势。在此基础上,引入由RCPs情景驱动的水资源变量（由10年平均河流径流量相对变化表示）和作物产量变量（由10年平均作物产量相对变化表示）。构建基于SSPs-RCPs复合情景下的未来人口潜力模型。模型参数涉及到人口弹性系数、距离阻尼系数、水资源弹性系数以及作物产量弹性系数。通过合理的参数设定,利用1990年和2000年中国城市人口及农村人口数据,1970—2010年中国作物产量数据和水资源量数据,通过人口潜力模型计算获得2010年城市人口、农村人口以及总人口分布模拟数据,并与2010年人口统计数据进行验证分析,评估模型和参数的可靠性。分别计算SSPs情景下（即不考虑气候变化的影响）以及SSPs-RCPs复合情景下中国未来2020—2050以10年为步长的中国未来人口分布,并分析未来近期（2030年）和中期（2050年）中国人口分布变化趋势。在科学评估模型和数据的可行性和局限性的基础上,结合影响人口分布的其他潜在因素和中国人口政策方面的分析,比较不同情景下胡焕庸线两侧的未来人口分布变化。

2.4 建模基础

人口潜力模型是探讨人口分布和迁移的基础模型[55],Jones等在人口潜力模型的基础上结合SSPs情景,发展出了基于共享社会经济路径（SSPs）驱动的未来人口潜力模型[56]。本文将在此模型基础上,引入RCPs情景驱动的水资源指数和作物产量指数,构建基于SSPs-RCPs复合情景下的未来人口潜力模型：
v i = A i l i ∑ j = 1 m p j α e - β d ij
式中： v i代表未来人口潜力;i代表研究区所在的栅格; p j α代表周边栅格的人口数; α代表人口的弹性系数; e - β d ij代表受周边地区影响潜力的距离衰减水平; d ij代表研究区栅格与周边栅格的距离, β代表距离阻尼系数; l i代表了空间遮罩系数,其目的是控制模型中水面、极高海拔地区以及沙漠等无法适合人类居住地区的人口迁入;j代表研究区所在栅格周边具有影响潜力的栅格集合。城市人口相对于农村人口而言,受周围地区影响的范围更广。本文设定影响半径为栅格i周边20个栅格,约250 km;农村人口的影响半径设定为栅格i周边10个栅格,约125 km。在Jones等未来人口潜力模型[56]的基础上考虑气候变化的影响,相对变化为未来各时代（以10年平均值表示）作物产量或水资源量相对于基准年稳态值（以1970—2009年40年平均值表示）的比值：
A i = c i γ w i δ
式中： A i表示气候变化影响下的环境变量; c i是RCPs情景驱动下的作物产量相对变化; γ为 c i的弹性系数; w i是水资源相对变化; δ为 w i的弹性系数。
对于栅格i的未来人口服从公式（1）中人口潜力模型模拟的人口潜力比值：[55]
p i , y + 10 = p i , y + ∆ P T , y + 10 · v i , y V T , y
式中： v i , y代表y年代栅格i人口潜力,由公式1计算获得,表示周边具有影响的栅格对其形成的人口影响潜力; p i , y代表y年代栅格i人口值; ∆ P T , y + 10代表y+10年代与y年代10年全国总人口变化,其数值由SSPs的人口情景数据获得; V T , y代表全国所有栅格的人口潜力之和。如果 ∆ P T , y + 10为正值时,表示某10年内全国总人口为正增长,人口潜力 v i , y以公式（1）所示,即人口潜力值越大的栅格,其未来人口增长的可能越高; ∆ P T , y + 10为负值时,表示某10年内全国总人口为负增长,人口潜力 v i , y以公式（1）的导数表示,即人口潜力值越大的栅格,其未来人口减少的可能性越低[56]。

2.5 参数设定

模型参数涉及到距离阻尼系数 β;人口弹性系数 α;作物产量弹性系数 γ;水资源弹性系数 δ。下面将分别对各参数设定进行讨论。
2.5.1 距离阻尼系数 β确定 距离阻尼系数是人口潜力模型（公式1）的关键系数。本文采用王铮等提出的距离阻尼系数 β的计算关系式[57]：
β = 2 T t max D
式中：T是人口平均迁移-居留历程时间尺度,本文以10年为年代间隔,设定平均迁移-居留历程时间为10年;D是相互作用域的域元面积,本文城市人口潜力模型设定的影响半径为250 km,域元面积为196250 km2,农村人口潜力模型设定的影响半径为125 km,域元大小为49062 km; t max为迁移率峰值年龄,根据Rogers的研究劳动年龄人口在25岁左右形成迁移率高峰[58]。杨云彦验证了中国人口迁移率峰值年龄基本符合罗吉斯模式,设定 t max为25[59]。则城市人口潜力模型的距离阻尼系数为0.002,农村人口潜力模型的距离阻尼系数为0.004。即相对于农村人口而言,城市人口受到周边地区影响的距离阻尼系数更小。
2.5.2 人口弹性系数 α确定 在明确了城市人口和农村人口的距离阻尼系数之后,将1990年和2000年的人口数据带入公式（1）,获得城市人口潜力值和农村人口潜力值,并利用公式（3）计算2010年的各栅格模拟值,在（0~1）区间内搜索2010年各栅格的人口模拟值与人口统计值的差值累计和最小的情况下,获得参数值 S：
S ( α ) = min ∑ i = 1 n P i mod - P i obs
通过公式（5）计算获得农村人口潜力模型中的人口弹性系数 α为0.275,城市潜力模型中的人口弹性系数 α为0.3。即相对于农村人口而言,周边地区城市人口对本地城市人口的影响潜力更大。
2.5.3 作物产量弹性系数 γ和水资源弹性系数 δ确定 针对公式（2）中的作物产量弹性系数 γ和水资源弹性系数 δ,采用空间误差回归获得。对公式（2）求取自然对数, ln c和 ln w按照泰勒一阶展开近似等于如公式（6）所示的变化率,记为 c ˜和 w ˜。
p ˜ = γ c ˜ + δ w ˜ + ε
ε = λWε + μ
式中： p ˜表示人口变化; W是空间权重矩阵; ε是回归残差向量; λ是自回归参数,本文采用极大似然法进行估计。采用空间误差回归进行参数估计的原理是人口变化不但受到本地水资源相对变化和作物产量相对变化的影响,同时也受到周边地区各种其他因素的影响,以空间残差向量表示。本地其他潜在因素对人口的影响,以剩余残差 μ表示。
本文空间误差回归显著性水平 α定为0.1,对于农业人口, R 2为0.71,作物产量的变化率回归系数 γ为0.049,P值为0.07,在0.1水平上显著。水资源变化率的回归系数 δ为0.067,P值为0.06,在0.1水平上显著。对于城市人口, R 2为0.51。作物产量的变化率回归系数 γ为0.037,P值为0.25,在0.1水平上不显著。水资源变化率的回归系数 δ为-0.083,P值为0.036,在0.1水平上显著。首先相较于农业人口变化率,城市人口变化率在空间误差回归中的 R 2值更低,即拟合度较低,表示作物产量变化率和水资源量变化率对农村人口变化率的影响要高于城市人口变化率。其次,对于城市人口变化率而言,作物产量变化率的P值在0.1水平上不显著,可以解释为城市人口的生计并不依靠农业生产,城市人口的变化率并不受到作物产量变化率的影响,因此对于城市人口潜力模拟,公式2中的作物产量变化率不参与运算。再次,对城市人口变化率的空间误差回归中,水资源变化率回归系数 δ为-0.083,即对城市人口而言,水资源条件变好意味着城市人口数量降低,这似乎与人们的主观认识不同。本文给出的解释是中国的人口总量受到自然增长率的影响,环境变化通过影响人口迁移进而对人口空间分布变化产生作用。人口分布的变化率同时受到当地和周边地区的诸多因素的影响,空间残差向量是周边地区的各类因素对人口变化率的潜在影响,剩余残差是本地各类因素对人口变化率的潜在影响。在控制了这些潜在因素的影响下,当水资源条件变好时,受水资源变化影响的人口由城市向农村迁移。反之则受到水资源变化影响的人口由农村迁移到城市。由此水资源变化率回归系数 δ对于农业人口变化率为正值,对城市人口变化率为负值。

2.6 人口分布计算

通过上述模型和参数的讨论,本文采用指数型人口潜力模型（公式1）,计算在SSPs情景下,即仅考虑社会经济变化而不考虑气候变化下的中国未来城市及农村人口时空变化趋势,此时 A i设为1。之后以图3中的SSPs和RCPs情景组合,计算SSPs-RCPs复合情景下的中国未来城市人口和农村人口分布变化,并最终合成人口分布变化。为了降低气候系统模式、作物模型和水文模型存在的系统误差,以表1的四组气候模式驱动下的作物模型和水文模型,分别计算2030年和2050年中国城市人口、农村人口以及总人口分布及变化趋势（公式8）,最终合成SSPs-RCPs复合情景下的2020—2050年间每隔10年中国人口时空分布。
P ̅ = ∑ j = 1 4 P u j + P r j
式中： P ̅表示四种模拟人口的平均值;j表示四组模型组合; P u 表示城市人口; P r 表示农村人口。

2.7 模型验证

根据以上的参数设定,通过人口潜力模型计算获得2010年城市人口、农村人口以及总人口分布模拟数据,并与2010年人口统计数据进行验证分析。其中,中国人口栅格数为62943个,排除水面、极高海拔以及沙漠地带无人区的栅格,参与计算的人口栅格数为53718个,其中含有农村人口数据的栅格数为53626个,含有城市人口数据的栅格为13652个。图4a为2010年人口与模拟人口的线性拟合, R 2为0.97。图4b是2010年农村人口、城市人口与模拟农村人口、城市人口的线性拟合, R 2分别为0.98和0.97。说明模型和参数设置合理。
图4 2010年人口与模拟人口线性拟合

Fig. 4 Linear fitting of statistical population and simulated population in 2010

3 结果分析

3.1 SSPs-RCPs复合情景下未来胡焕庸线两侧人口比重变化

首先辨析中国未来近期（2030年）和中期（2050年）的胡焕庸线两侧人口可能的变化趋势,表2给出了仅考虑SSPs情景以及SSPs-RCPs复合情景下胡焕庸线两侧人口密度及人口比重。2000年和2010年中国人口东西两侧比重分别是94.21 ∶5.79和93.99 ∶6.01,所对应的胡焕庸线东侧的人口密度为285.185.03人/km2（2000年）和300.195.03人/km2（2010年）,西侧的人口密度为14.18人/km2（2000年）和15.54人/km2（2010年）。而胡焕庸先生在1935年发现的瑷珲-腾冲线两侧的比重为96 ∶4,人口密度分别为135.39人/km2以及5.03人/km2（分县统计数据）[4]。可以看出中国的人口密度扩大了近3倍,胡线西侧人口比重提高了约2个百分点。
表2 中国未来近中期（2030年、2050年）SSPs-RCPs复合情景下胡焕庸线两侧人口密度及人口比重比较

Tab. 2 Comparison of population density and population proportion on both sides of Hu Line under the SSPs-RCPs scenario matrix in 2030 and 2050

SSPs情景 胡焕庸线东侧 胡焕庸线西侧 SSPs-RCPs情景 胡焕庸线东侧 胡焕庸线西侧 胡焕庸线
东侧比重
变化		 胡焕庸线
西侧比重
变化
人口比重(%) 人口密度
(人/km2)		 人口比重
(%)		 人口密度
(人/km2)		 人口比重
(%)		 人口密度
(人/km2)		 人口比重
(%)		 人口密度
(人/km2)
2000年 94.21 285.18 5.79 14.18 94.21 285.18 5.79 14.18
2010年 93.99 300.19 6.01 15.54 93.99 300.19 6.01 15.54
2030年 SSP1 94.53 303.19 5.47 14.21 SSP1-RCP2.6 94.52 303.15 5.48 14.24 -0.01 0.01
SSP2 94.36 307.37 5.64 14.87 SSP2-RCP4.5 94.35 307.34 5.65 14.89 -0.01 0.01
SSP3 94.21 310.91 5.79 15.49 SSP3-RCP6.0 94.2 310.88 5.8 15.51 -0.01 0.01
SSP5 94.53 303.19 5.47 14.21 SSP5-RCP8.5 94.51 303.14 5.49 14.25 -0.02 0.02
2050年 SSP1 94.82 273.92 5.18 12.12 SSP1-RCP2.6 94.80 273.84 5.20 12.19 -0.02 0.02
SSP2 94.56 281.8 5.44 13.12 SSP2-RCP4.5 94.55 281.75 5.45 13.16 -0.01 0.01
SSP3 94.29 290.86 5.71 14.26 SSP3-RCP6.0 94.28 290.82 5.72 14.29 -0.01 0.01
SSP5 94.82 273.92 5.18 12.12 SSP5-RCP8.5 94.79 273.83 5.21 12.2 -0.03 0.03
在SSP1（SSP5）、SSP2和SSP3情景下,胡焕庸线东西两侧人口比重在2030年将分别为94.53 ∶5.47、94.36 ∶5.64、94.21 ∶5.79。相较于2010年胡焕庸线两侧人口比重93.99 ∶6.01,在不同SSPs情景下,东侧人口比重均将有所上升,西侧人口比重均将有所下降。究其原因是在胡焕庸线东侧地区无论城市的数量和级别都远高于西侧地区。城市化所带来的集聚效应促使人口比重更进一步向胡线东侧地区倾斜,这种趋势在2050年将更为明显。相较于中间发展路径SSP2,如果总体人口减少越快、人口城市化速度越高（如SSP1和SSP5情景）,胡焕庸线东侧的人口比重将提高更多。相反地,如SSP3情景设定的总体人口变化较小、人口城市化速度较慢,胡焕庸线东侧的人口比重虽有提升,但提升幅度较低。
为了进一步探讨气候变化对人口分布的影响,接下来比较SSPs-RCPs复合情景和SSPs情景下的胡焕庸线两侧人口比重变化。SSP1-RCP2.6情景较之SSP1情景,胡焕庸线西侧人口在2030年上升0.01个百分点,2050年上升0.02个百分点。SSP5-RCP8.5情景较之SSP5情景,胡焕庸线西侧人口在2030年上升0.02个百分点,2050年上升0.03个百分点。SSP2-RCP4.5情景较之SSP2情景,以及SSP3-RCP6.0情景较之SSP3情景,胡焕庸线西侧人口在2030年和2050年均上升0.01个百分点。可以发现在考虑气候变化影响的SSPs-RCPs复合情景和不考虑气候变化影响的SSPs情景,胡焕庸线西侧人口比重均有所提高。出现这种现象的原因可能是由于以全球变暖为主要特征的气候变化对胡焕庸线西侧地区的水热资源更有利,从而更进一步提高了人口的环境承载力。也有可能是胡焕庸线东侧地区的环境承载力的退化要高于西侧地区。本文的结论是在SSPs情景下中国未来胡焕庸线东西两侧人口比重差距将进一步拉大,而在考虑SSPs-RCPs的复合情景下,胡焕庸线东西两侧人口比重差距比仅考虑SSP是情景时要有所缩小。总体而言,中国的社会经济发展对胡焕庸线两侧人口比重的影响要远大于气候变化的影响。

3.2 SSPs-RCPs复合情景下未来人口分布

依据SSPs-RCPs复合情景下的人口潜力模型,模拟计算中国2030年和2050年人口分布,2050年不同SSPs-RCPs复合情景下人口分布如图5所示。
图5 2050年中国人口分布预测

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)4619号）绘制,底图无修改。

Fig. 5 China's population distribution in 2050

图5a为SSP1-RCP2.6复合情景下的2050年中国人口分布,该情景表现为总人口的快速下降以及较高的人口城市化率,在该情景下2050年无论胡焕庸线东侧还是西侧都呈现人口向城市地区高度集聚态势。图5d的SSP5-RCP8.5复合情景,其人口和城市化变化路径与SSP1情景类似,但是由于是依靠化石燃料的发展方式,SSP5对应于温室气体高排放的RCP8.5情景。从图5a和5d的比较来看,两者的人口分布差别不大,说明气候变化对人口分布的改变是有限的。图5c为SSP3-RCP6.0情景下2050年中国人口分布,该情景表现为总体人口变化较小,人口城市化速度较慢,与SSP1-RCP2.6情景比较来看,在该情景下2050年中国人口空间分布城乡差异相对较小。图5b是SSP2-RCP4.5复合情景下中国2050年的人口分布,该情景下的2050年人口向城市地区的集聚程度要高于SSP3-RCP6.0情景,但低于SSP1-RCP2.6情景和SSP5-RCP8.5情景。

3.3 SSPs-RCPs复合情景下未来人口分布变化

为了更好地辨析胡焕庸线沿线未来人口的时空变化,图6给出了胡焕庸线沿线北、中、南段不同SSPs-RCPs复合情景中国2050年的人口分布与基准年2010年的变化值。本文对胡焕庸线北、中、南的分段依据是胡线与省域界限的交点。其中胡线北段和中段分界大体在京冀蒙三省交界处。胡线中段和南端分界大体在陕甘川三省交界处（图6）。
图6 2010—2050年中国不同复合情景下人口空间变化

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)4619号）绘制,底图无修改。

Fig. 6 Spatial changes of population in China from 2010 to 2050 under SSPs-RCPs scenario matrix

如图6所示,在胡线北段区域,农业人口的减少区域主要集中在由哈尔滨至辽宁轴线及周边地区,该轴线上的城市地区成为人口净增加地区,胡焕庸线西侧主要是内蒙古牧业地区同时几乎没有大中型城市发育,因此北段胡线区域人口由东侧迁往西侧的数量有限。在胡线中段区域,胡线东西两侧的人口时空变化均较为明显。其中以胡线以西的甘肃及宁夏两省来看,甘肃省南部和宁夏南部农村地区人口未来将明显减少,而沿着黄河上游沿岸发育的兰州、宁夏北部川区以及内蒙古河套等地的城市地区人口将有不同程度的上升。胡线以东的陕西,未来人口更多地向省会西安及周边地区集聚,山西省未来人口增加的地区主要分布在沿着汾河谷地发育的城市群。在胡线南段区域,胡线成为人口时空变化的明显界限,即该段区域胡线西侧未来几乎不会有较大改变。胡线东侧的四川省、贵州省、云南东部地区均表现为农村人口的不同程度的减少,大量的农村人口将会迁移到城市地区。云贵地区由于地形的限制,城市分布较为稀疏分散,未来云贵农村地区潜在迁出人口可能会选择迁移至更远的诸如广东等发达省份的城市地区。

4 结论与讨论

4.1 结论

通过构建SSPs-RCPs复合情景下的人口潜力模型,结合四组气候系统模式驱动下的作物模型和水文模型,模拟未来中国近期（2030年）、中期（2050年）人口时空变化趋势。发现未来近期（2030年）和中期（2050年）在仅考虑SSPs情景下,胡焕庸线东西两侧的人口比重较之2010年基准年而言,西侧人口比重将逐步下降,东侧人口比重将逐步提升。
SSP1和SSP5情景展望的发展趋势是教育和卫生方面进行了大量投资,人口城市化进程较快。卫生水平的提高有助于预期寿命的提高,而教育水平提高和城市人口比重加大可能会带来生育意愿的降低[26],尤其是城市地区较低的人口自然增长率以及更高的教育、卫生和经济发展水平促使更多农村人口转为城市人口。而胡焕庸线东侧的城市化发展无论在数量和级别上均高于胡焕庸线西侧地区,最终形成在SSP1和SSP5情景下未来胡焕庸线西侧人口比重下降幅度和东侧人口比重上升幅度相对于其他SSPs情景更为明显。SSP3情景是区域竞争路径,教育和卫生方面的投资减少。人口的预期寿命要低于SSP1和SSP5情景的设定,但是出生率要高于SSP1和SSP5情景的设定,同时人口城市化以较低速度推进,未来胡焕庸线东西两侧比重差距略有增加,但增加幅度低于SSP1或SSP5情景。SSP2情景下,未来中国的总体人口变化、人口分布变化以及胡焕庸线两侧人口比重变化处于SSP1（SSP5）和SSP3情景模拟结果的中间水平。
在考虑SSPs-RCPs复合情景下,胡焕庸线西侧的人口比重较之仅考虑SSPs情景,将有不同程度的提升。以SSP1-RCP2.6复合情景和SSP5-RCP8.5复合情景为例,两者的社会发展路径类似,但是由于两者对应的温室气体排放水平不同,所导致的气候变化-环境变化-人口分布变化的耦合结果也不尽相同。SSP1-RCP2.6复合情景较之SSP1情景,胡焕庸线西侧人口在2050年提升了0.02个百分点,SSP5-RCP8.5复合情景较之SSP5情景,胡焕庸线西侧人口在2050年提升了0.03个百分点。模拟结果显示气候变化对胡焕庸西侧人口比重的提升具有正向作用。
从未来中期（2050年）与2010年的人口分布变化来看,胡焕庸线东侧的城乡人口变化要远高于西侧地区,事实上胡焕庸线成为中国人口空间变化的分界线。从胡焕庸的北、中、南三段区域来探讨胡焕庸线突破的可能性,胡线北段区域和南段区域由于地形和气候的原因城市化地区分布少、规模小,导致这两段区域的胡线东侧人口几乎无法向西侧突破。而只有胡线中段区域,由于黄河等河流流经区域有较好的水资源条件,有利于推进城镇化建设,成为人口向胡焕庸线西侧迁移的突破口。

4.2 讨论

本文采用情景假设和模型模拟的方法分析未来中国人口分布的变化趋势。为了更好地理解模拟结果的科学意义,有必要对情景和模型缺陷和局限性以及政策因素等方面进行讨论。
SSPs情景从缓解和适应气候变化两个维度定义了五种共享社会经济路径,并模拟计算了全球各个国家的人口、城市化、经济发展、土地利用等社会经济因素的变化路径。姜彤等[32]和陈艺丹等[60]设定了更为细化的中国分省人口自然增长和迁移等参数,构建了中国版的SSPs人口情景,其中基本的设定是胡线西部省份的自然增长率略高于东侧省份,当然未来中国各地区的人口自然增长率变化还需要时间的检验。而从人口迁移而言,省界并非如国界一般,被认为是人口迁移的重要界限。因此本文从全国不同SSPs情景下模拟人口时空变化趋势,重点聚焦城乡人口迁移,其结论仍然有代表性。
本文的人口潜力模型中主要考虑了SSPs情景下的人口和城市化变化,以及RCPs情景下的作物产量和水资源的相对变化。即假定不考虑其他变量或者是其他控制变量为稳定情况下得出的模拟结果。对人口分布和迁移的潜在影响因素已经有相当多的讨论[61,62],当然在数据可获得性的前提下,合理增加人口迁移模型中的影响因素会更有利于模拟结果的比较分析。但是对于人口迁移模型所定义的周边局地范围内,社会经济因素之间往往存在着较高空间相关性,因此在人口潜力模型所设定的影响范围内各栅格人口数可以在一定程度上代表其社会经济的综合发展水平。对于受气候变化影响的环境变量,主要考虑RCPs情景驱动下作物产量变量和水资源变量,其出发点是考虑到这两项因素对人类生存和生计影响明显。而气候变化影响下的短期极端事件（如极端高温、洪涝灾害等）只是造成短期的流离失所而不是长期的人口迁移[61,63],因此本文模型中涉及的影响因素还是具有一定的代表性。
中国人口的总体变化以及不同地区人口分布的变化均受到调控政策的影响。比如自20世纪70年代末开始实行的计划生育政策[64],出于限制大城市人口过快增长的户籍控制政策[65]等对人口分布变化均产生直接或间接的影响。这些人口政策在不同地区执行的力度不同将会导致模拟结果和实际结果的差异。另外中国少数民族地区（胡焕庸线西侧有大量民族自治地区）的人口自然增长率在模型中被低估了,而北京、上海等特大城市的人口迁入在模型中被高估了。此外本文同时考虑了体现社会经济发展的SSPs情景和体现温室气体排放水平的RCPs情景,但是并没有考虑气候政策方面的因素。比如SSP1情景被命名为可持续发展路径,但是这是从缓解和适应气候变化视角上的可持续发展,但是SSP1情景所刻画的中国总体人口在未来持续快速下降以及人口老龄化的加剧,并不代表人口的可持续发展。引入合理的气候政策,中国可以实现诸如SSP2情景所代表的总体人口、人口结构等适中发展道路,而温室气体排放维持在RCP2.6的低碳排放水平上。

4.3 政策建议

本文的模拟结果的基本结论是在SSPs情景下,中国胡焕庸线两侧的人口比重未来将向东侧倾斜,比重差距会进一步拉大。目前中国已经实行全面三孩的新计划生育政策,但是人口城市化比重不断提升和教育水平不断提高的预期背景下,人们的生育意愿是否能达到一对夫妻生两孩或三孩的水平是有疑问的。SSPs所有情景给出的中国2050年人口总体数量均低于2010年的水平。就本文模拟结果来看,国家应该有进一步的生育配套政策,以维持胡焕庸线西侧地区的人口自然增长率优势,从而稳定胡焕庸线西侧的人口份额。
人口城市化是中国人口空间分布变化的主要驱动力,目前胡焕庸线东侧的城市规模和等级远高于西侧地区。而珠江三角洲的大湾区建设、长三角一体化建设等又从政策层面加强了这些地区的人口吸引力。胡焕庸线西侧地区需要合理选择一些地区加强城镇化建设,特别是结合“一带一路”倡议,通过中央和地方支持城市的教育、卫生等软硬件配套设施建设,同时加强税收优惠和人才优惠等政策,促进胡焕庸西侧人口的就近城镇化以及吸引外来人口的迁入。
模拟结果显示气候变化对胡焕庸西侧人口比重的提升具有正向作用。从适应气候变化的角度而言,胡焕庸线东侧地区适应气候变化的挑战要高于西侧地区。因此应该加强人口更为稠密的胡焕庸线东侧的人地关系协调的政策制定。如制定节约能源、优化能源结构、加强生态保护政策措施,建设低碳韧性城市等。目前国家正在开展大规模的生态文明建设,应在胡线西侧水资源条件较为丰沛的地区合理布局和推进新型城镇化建设,探讨保护和发展协同共进的新路。
中国已经向世界承诺二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和。要达到以上目标并且实现全球1.5 ℃温控的目标,中国面临着发展和减排的双重压力。中国必须推动经济社会发展建立在资源高效利用和绿色低碳发展的基础之上。中国生态文明建设需要进入以降碳为重点战略方向、促进经济社会发展全面绿色转型。

真诚感谢匿名评审专家在论文评审中所付出的时间和精力,评审专家对气候变化复合情景选取、各复合情景的结果分析、结论梳理和政策建议方面的修改意见,使本文获益匪浅。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陆大道, 王铮, 封志明, 等. 关于“胡焕庸线能否突破”的学术争鸣. 地理研究, 2016, 35(5):805-824.

DOI

[ Lu Dadao, Wang Zheng, Feng Zhiming, et al. Academic debates on Hu Huanyong population line. Geographical Research, 2016. 35(5):805-824.] DOI: 10.11821/dlyj201605001.

DOI

[2]
胡焕庸. 中国人口之分布: 附统计表与密度图. 地理学报, 1935. 2(2):33-74.

DOI

[ Hu Huanyong. Distribution of China's population: With statistical tables and density maps. Acta Geographica Sinica, 1935, 2(2):33-74.] DOI: 10.11821/xb193502002.

DOI

[3]
丁金宏, 何书金. 中国人口地理格局与城市化未来: 纪念胡焕庸线发现80周年学术研讨会在上海举行. 地理学报, 2015. 70(12):1856.

[ Ding J-hong, He Shujin. The geographical pattern of Chinese population and the future of urbanization: An academic seminar to commemorate the 80th anniversary of the discovery of Hu Huan-yong Line was held in Shanghai. Acta Geographica Sinica, 2015, 70(12):1856. ] DOI: NKI:SUN:DLXB.0.2015-12-001.

DOI

[4]
陈明星, 李扬, 龚颖华, 等. 胡焕庸线两侧的人口分布与城镇化格局趋势: 尝试回答李克强总理之问. 地理学报, 2016, 12(2):179-193.

[ Chen Mingxing, Li Yang, Gong Yinghua, et al. The population distribution and trend of urbanization pattern on two sides of Hu Huanyong population line: A tentative response to Premier Li Keqiang. Acta Geographica Sinica, 2016, 12(2):179-193.] DOI: 10.11821/dlxb201602001.

DOI

[5]
戚伟, 刘盛和, 赵美风. “胡焕庸线”的稳定性及其两侧人口集疏模式差异. 地理学报, 2015, 12(4):551-566.

[ Qi Wei, Liu Shenghe, Zhao Meifeng. Study on the stability of Hu Line and different spatial patterns of population growth on its both sides. Acta Geographica Sinica, 2015, 12(4):551-566.] DOI: 10.11821/dlxb201504004.

DOI

[6]
葛美玲, 封志明. 基于GIS的中国2000年人口之分布格局研究: 兼与胡焕庸1935年之研究对比. 人口研究, 2008, 12(1):51-57.

[ Ge Meiling, Feng Zhiming. A study on the distribution pattern of China's population in 2000 based on GIS: A comparison with Hu Huanyong's study in 1935. Population Research, 2008, 12(1):51-57.] DOI: 10.3969/j.issn.1000-6087.2008.01.007.

DOI

[7]
王铮, 夏海斌, 田园, 等. 胡焕庸线存在性的大数据分析: 中国人口分布特征的生态学及新经济地理学认识. 生态学报, 2019, 39(14):5166-5177.

[ Wang Zheng, Xia Haibin, Tian Yuan, et al. A big-data analysis of HU Line existence in the ecology view and new economic geographical understanding based on population distribution. Acta Ecologica Sinica, 2019, 39(14):5166-5177.] DOI: 10.5846/stxb201812212776.

DOI

[8]
王开泳, 邓羽. 新型城镇化能否突破“胡焕庸线”: 兼论“胡焕庸线”的地理学内涵. 地理研究, 2016, 12(5):825-835.

[ Wang Kaiyong, Deng Yu. Can new urbanization break through the Hu Huanyong Line? Further discussion on the geographical connotations of the Hu Huanyong Line. Geographical Research, 2016, 12(5):825-835.] DOI: 10.11821/dlyj201605002.

DOI

[9]
郭华东, 王心源, 吴炳方, 等. 基于空间信息认知人口密度分界线: “胡焕庸线”. 中国科学院院刊, 2016. 31(12):1385-1394.

[ Guo Huadong, Wang Xinyuan, Wu Bingfang. Cognizing population density demarcative line (Hu Huanyong-Line) based on space technology. Bulletin of Chinese Academy of Sciences, 2016. 31(12):1385-1394.] DOI: 10.16418/j.issn.1000-3045.2016.12.013.

DOI

[10]
封志明, 唐焰, 杨艳昭, 等. 中国地形起伏度及其与人口分布的相关性. 地理学报, 2007, 12(10):1073-1082.

[ Feng Zhiming, Tang Yan, Yang Yanzhao. The relief degree of land surface in China and its correlation with population distribution. Acta Geographica Sinica, 2007, 12(10):1073-1082.] DOI: 10.11821/xb200710007.

DOI

[11]
董春, 刘纪平, 赵荣, 等. 地理因子与空间人口分布的相关性研究. 遥感信息, 2002, 12(4):61-64.

[ Dong Chun, Liu Jiping, Zhao Rong, et al. An discussion on correlation of geographical parameter with spatial population distribution. Remote Sensing Information, 2002, 12(4):61-64.] DOI: 10.3969/j.issn.1000-3177.2002.04.014.

DOI

[12]
吴传钧. 胡焕庸大师对发展中国地理学的贡献. 人文地理, 2001, 12(5):1-4.

[ Wu Chuanjun. Contributions of Master Hu Huanyong to the development of modern geography in China. Human Geography, 2001, 12(5):1-4.] DOI: 10.3969/j.issn.1003-2398.2001.05.001

DOI

[13]
吴传钧. 人地关系地域系统的理论研究及调控. 云南师范大学学报: 哲学社会科学版, 2008, 12(2):1-3.

[ Wu Chuanjun. Theoretical research and regulation of the regional system of human-land relationship. Journal of Yunnan Normal University: Philosophy and Social Science Edition, 2008, 12(2):1-3.] DOI: 10.3969/j.issn.1000-5110.2008.02.001.

DOI

[14]
Warner K. Global environmental change and migration: Governance challenges. Global Environmental Change-Human and Policy Dimensions, 2010, 20(3):402-413. DOI: 10.1016/j.gloenvcha.2009.12.001.

DOI

[15]
Bilsborrow R E. Population growth, internal migration, and environmental degradation in rural areas of developing countries. European Journal of Population, 1992, 8(2):125-148. DOI: 10.1007/BF01797549.

DOI

[16]
丁金宏, 黄晨熹, 孙中锋. 利用土地人口容力开放模型对沪苏锡常城市群的分析. 中国人口·资源与环境, 1998, 12(4):41-46.

[DingJinhong, Huang Chenxi, Sun Zhongfeng. Open model of population carrying capacity of land and its use of metropolitan area around Shanghai. China Population, Resources and Environment, 1998, 12(4):41-46.] DOI: CNKI:SUN:ZGRZ.0.1998-04-008.

DOI

[17]
Piguet E. From “Primitive Migration” to “Climate Refugees”: The curious fate of the natural environment in migration studies. Annals of the Association of American Geographers, 2013, 103(1):148-162. DOI: 10.1080/00045608.2012.696233.

DOI

[18]
Stark O, Bloom D E. The new economics of labor migration. The American Economic Review, 1985, 75(2):173-178.

[19]
Gallopín G C. Linkages between vulnerability, resilience, and adaptive capacity. Global Environmental Change, 2006, 16(3):293-303. DOI: 10.1016/j.gloenvcha.2006.02.004

DOI

[20]
Oliver-Smith A. Debating environmental migration: Society, nature and population displacement in climate change. Journal of International Development, 2012, 24, 1058-1070. DOI: 10.1002/jid.2887.

DOI

[21]
de Sherbinin A, Castro M, Gemenne F, et al. Preparing for resettlement associated with climate change. Science, 2011, 334(6055):456-457. DOI: 10.1126/science.1208821.

DOI PMID

[22]
潘家华, 郑艳. 气候移民概念辨析及政策含义: 兼论宁夏生态移民政策. 中国软科学, 2014, 12(1):78-86.

[ Pan Jiahua, Zheng Yan. On climate migration and its policy implication: Reflection on Ningxia's Ecological Migration. China Soft Science Magazine, 2014, 12(1):78-86.] DOI: 10.3969/j.issn.1002-9753.2014.01.011.

DOI

[23]
Shayegh S. Outward migration may alter population dynamics and income inequality. Nature Climate Change, 2017, 7(11):828-832. DOI: 10.1038/nclimate3420.

DOI

[24]
Lonergan S. The role of environmental degradation in population displacement. Environmental Change and Security Project Report, 1998, 12(4):5-15.

[25]
Doevenspeck M. The thin line between choice and flight: Environment and migration in rural Benin. International Migration, 2011, 49:e50-e68. DOI: 10.1111/j.1468-2435.2010.00632.x.

DOI

[26]
Lutz W, Muttarak R. Forecasting societies' adaptive capacities through a demographic metabolism model. Nature Climate Change, 2017, 7(3):177-184. DOI: 10.1038/nclimate3222.

DOI

[27]
Girod B, Wiek A, Mieg H, et al. The evolution of the IPCC's emissions scenarios. Environmental Science & Policy, 2009, 12(2):103-118. DOI: 10.1016/j.envsci.2008.12.006.

DOI

[28]
IPCC. Summary for policymakers, in climate change 2013: The physical science basis. In: T F Stocker, et al. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press, 2013: 1-30.

[29]
van Vuuren D P, Riahi K, Calvin K, et al. The shared socio-economic pathways: Trajectories for human development and global environmental change. Global Environmental Change-Human and Policy Dimensions, 2017, 42:148-152. DOI: 10.1016/j.gloenvcha.2016.10.009

DOI

[30]
O'Neill B C, Kriegler E, Riahi K, et al. A new scenario framework for climate change research: The concept of shared socioeconomic pathways. Climatic Change, 2014, 122(3):387-400. DOI: 10.1007/s10584-013-0905-2.

DOI

[31]
O'Neill B C, Kriegler E, Ebi K L , et al. The roads ahead: Narratives for shared socioeconomic pathways describing world futures in the 21st century. Global Environmental Change-Human and Policy Dimensions, 2017, 42:169-180. DOI: 10.1016/j.gloenvcha.2015.01.004

DOI

[32]
姜彤, 赵晶, 景丞, 等. IPCC共享社会经济路径下中国和分省人口变化预估. 气候变化研究进展, 2017, 13(2):128-137.

[ Jiang Tong, Zhao Jing, Jing Cheng, et al. National and provincial population projected to 2100 under the shared socioeconomic pathways in China. Climate Change Research, 2017, 3(2):128-137.] DOI: 10.12006/j.issn.1673-1719.2016.249.

DOI

[33]
Hvistendahl M. China's population growing slowly, changing fast. Science, 2011, 332(6030):650-651. DOI: 10.1126/science.332.6030.650

DOI PMID

[34]
Riahi K, van Vuuren D P, Kriegleret E, et al. The shared socioeconomic pathways and their energy, land use, and greenhouse gas emissions implications: An overview. Global Environmental Change-Human and Policy Dimensions, 2017, 42:153-168. DOI: 10.1016/j.gloenvcha.2016.05.009.

DOI

[35]
Samir K C, Lutz W. The human core of the shared socioeconomic pathways: Population scenarios by age, sex and level of education for all countries to 2100. Global Environmental Change-Human and Policy Dimensions, 2017, 42:181-192. DOI: 10.1016/j.gloenvcha.2014.06.004.

DOI

[36]
O'Neill B C, Tebaldi C, van Vuuren D P, et al. The Scenario Model Intercomparison Project (ScenarioMIP) for CMIP6. Geoscientific Model Development, 2016, 9(9), 3461-3482. DOI: 10.5194/gmd-9-3461-2016.

DOI

[37]
Vermeulen S J, Campbell B M, Ingram J S I . Climate change and food systems. Annual Review of Environment and Resources, 2012, 37(1):195-222. DOI: 10.1146/annurev-environ-020411-130608.

DOI

[38]
王铮, 乐群, 夏海斌, 等. 中国2050: 气候情景与胡焕庸线的稳定性. 中国科学: 地球科学, 2016. 46(11):1505-1514.

[ Wang Zheng, Yue Qun, Xia Haibin, et al. China 2050: Climate scenarios and stability of Hu-line. Scientia Sinica Terrae, 2016, 46(11):1505-1514.] DOI: 10.1360/N072015-00527.

DOI

[39]
Vorosmarty C J, Green P, Salisbury J, et al. Global water resources: Vulnerability from climate change and population growth. Science, 2000, 289(5477):284-288. DOI: 10.1126/science.289.5477.284.

DOI

[40]
夏军, 邱冰, 潘兴瑶, 等. 气候变化影响下水资源脆弱性评估方法及其应用. 地球科学进展, 2012, 27(4) : 443-451.

[ Xia Jun, Qiu Bing, Pan Xingyao, et al. Assessment of water resources vulnerability under climate change and human activities. Advances in Earth Science, 2012, 27(4):443-451.] DOI: 10.11867/j.issn.1001-8166.2012.04.0443.

DOI

[41]
Kebede A S, Nicholls R J, Allan A, et al. Applying the global RCP-SSP-SPA scenario framework at sub-national scale: A multi-scale and participatory scenario approach. Science of The Total Environment, 2018, 635:659-672. DOI: 10.1016/j.scitotenv.2018.03.368.

DOI

[42]
Doxsey-Whitfield E, MacManus K, Adamoet S B, et al. Taking advantage of the improved availability of census data: Afirst look at the gridded population of the world: Version 4. Papers in Applied Geography, 2015, 3(1):226-234. DOI: 10.1080/23754931.2015.1014272.

DOI

[43]
Leyk S, Gaughan E, Adamo S B, et al. The spatial allocation of population: A review of large-scale gridded population data products and their fitness for use. Earth Syst. Sci. Data, 2019, 11(3):1385-1409. DOI: 10.5194/essd-11-1385-2019.

DOI

[44]
IPCC. Climate change 2013: The physical science basis. IPCC. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press, 2013: 1535.

[45]
Harper S. Population-environment interactions: European migration, population composition and climate change. Environmental & Resource Economics, 2013, 55(4):525-541. DOI: 10.1007/s10640-013-9677-4.

DOI

[46]
Warszawski L, Frieler K, Huber V, et al. The inter-sectoral impact model intercomparison project (ISI-MIP): Project framework. Proceedings of the National Academy of Sciences, 2014, 111(9):3228-3232. DOI: 10.1073/pnas.1312330110.

DOI

[47]
Rosenzweig C, Arnell N W, Ebi K L, et al. Assessing inter-sectoral climate change risks: The role of ISIMIP. Environmental Research Letters, 2017, 12(1):301-330. DOI: 10.1088/1748-9326/12/1/010301.

DOI

[48]
Jones C D, Hughes J K, Bellouin N, et al. The HadGEM2-ES implementation of CMIP5 centennial simulations. Geoscientific Model Development, 2011, 4(3):543-570. DOI: 10.5194/gmd-4-543-2011.

DOI

[49]
Dufresne J L, Foujols M A, Denvil S, et al. Climate change projections using the IPSL-CM5 earth system model: From CMIP3 to CMIP5. Climate Dynamics, 2013, 40(9):2123-2165. DOI: 10.1007/s00382-012-1636-1.

DOI

[50]
Liu J, Williams J, Zehnder A, et al. GEPIC: Modelling wheat yield and crop water productivity with high resolution on a global scale. Agricultural Systems, 2007, 94:478-493. DOI: 10.1016/j.agsy.2006.11.019.

DOI

[51]
Müller C, Elliott J, Chryssanthacopoulos J, et al. Global gridded crop model evaluation: benchmarking, skills, deficiencies and implications. Geoscientific Model Development, 2017, 10(4):1403-1422. DOI: 10.5194/gmd-10-1403-2017.

DOI

[52]
Schaphoff S, von Bloh W, Rammig A, et al. LPJmL4: A dynamic global vegetation model with managed land-Part 1: Model description. Geoscientific Model Development, 2018, 11(4):1343-1375. DOI: 10.5194/gmd-11-1343-2018.

DOI

[53]
Alcamo J, DÖLl P, Henrichs T , Development and testing of the WaterGAP 2 global model of water use and availability. Hydrological Sciences Journal, 2003, 48(3):317-337. DOI: 10.1623/hysj.48.3.317.45290.

DOI

[54]
Alcamo J, DÖLl P, Henrichs T , et al. Development and testing of the WaterGAP 2 global model of water use and availability. Hydrological Sciences Journal, 2003, 48(3):317-337. DOI: 10.1623/hysj.48.3.317.45290.

DOI

[55]
Rogers A. Demographic modeling of the geography of migration and population: A multiregional perspective. Geographical Analysis, 2008, 40(3):276-296. DOI: 10.1111/j.1538-4632.2008.00726.x.

DOI

[56]
Jones B, O'Neill B C . Spatially explicit global population scenarios consistent with the Shared Socioeconomic Pathways. Environmental Research Letters, 2016, 11(8):84-86. DOI: 10.1088/1748-9326/11/8/084003.

DOI

[57]
王铮. 理论经济地理学. 北京: 高等教育出版社, 2006.

[Wang Zheng. Theoretical Economic Geography. Beijing: Higher Education Press, 2006.]

[58]
Rogers A, Raquillet R, Castro L J. Model migration schedules and their applications. Environment and Planning A: Economy and Space, 1978, 10(5):475-502. DOI: 10.1068/a100475.

DOI

[59]
杨云彦. 中国人口迁移与发展的长期战略. 武汉: 武汉出版社, 1994.

[ Yang Yunyan. Long-term Strategy of Population Migration and Development in China. Wuhan: Wuhan Press, 1994.]

[60]
Chen Y D, Guo F, Wang J C, et al. Provincial and gridded population projection for China under shared socioeconomic pathways from 2010 to 2100. Scientific Data, 2020, 7, 83. DOI: 10.1038/s41597-020-0421-y.

DOI

[61]
Hunter L M, Luna J K, Norton R M. Environmental dimensions of migration. Annual Review of Sociology, 2015, 41(1):377-397. DOI: 10.1146/annurev-soc-073014-112223.

DOI

[62]
Black R, Black R, Bennett S R G , et al. Migration as adaptation. Nature, 2011, 478(7370):447-449. DOI: WOS:000296194200014.

DOI

[63]
Cattaneo C, Peri G. The migration response to increasing temperatures. Journal of Development Economics, 2016, 122:127-146. DOI: 10.3386/w21622.

DOI

[64]
Hvistendahl M. Has China outgrown the one-child policy? Science, 2010, 329(5998):1458-1461. DOI: 10.1126/science.329.5998.1458.

DOI PMID

[65]
Zhang J, Wang R, Lu C. A quantitative analysis of Hukou reform in Chinese cities: 2000-2016. Growth and Change, 2019. 50(1):201-221. DOI: 10.1111/grow.12284.

DOI

Options
Outlines

/

〈 〉