近日发布的《中共中央关于进一步全面深化改革、推进中国式现代化的决定》（以下简称《决定》）提到，要“按照自愿、弹性原则，稳妥有序推进渐进式延迟法定退休年龄改革”，引发热议。
近年来，长三角城市老龄化有怎样的时空变化趋势？背后原因为何？同一个地方的户籍老龄化与常住老龄化为何差别甚大？澎湃研究所研究员通过收集最新人口结构数据，回答以上问题。
中国计算老龄化的统计数据有两个口径，一个是户籍老龄化率（指年龄大于60或65岁以上的户籍人口数占所有户籍人口数的比例，本文选择数据可用性更高的60岁标准，下同），一个是常住老龄化率（指年龄大于60或65岁以上的常住人口数占所有常住人口数的比例）。其中常住口径更接近国际标准定义，因此本文使用常住口径。对户籍老龄化率和常住老龄化率差异较大的现象，本文也尝试进行探析。
长三角老龄化两极分化：南通比合肥“老”了近2倍
根据各省最新数据，长三角60岁以上常住人口比例在22.8%以上，至少高于全国1.7个百分点[1]。其中上海老龄化水平最高，2023年常住60岁以上人口25%（参考表1），其次是江苏（23.68%），浙江（21.50%）和安徽（20.99%）。江浙沪老龄化水平（22.79%）均超全国均值（21.1%）。
数据来源：国家统计局和各省统计局（口径为常住）
长三角“变老”早于全国，也快于全国。根据联合国的标准，当一国60岁及以上人口比例超过10%，则该国进入“初步老龄化”社会；超过20%，进入“中度老龄化”社会；超过30%，进入“深度老龄化”社会。
据此标准，长三角常住人口老龄化率在2020年进入了“中度老龄化”，早于全国3年。再看速度。2010-2020年，全国60周岁及以上老龄人口占比提高5.4个百分点，长三角地区提高 5.7 个百分点，高于全国平均水平。
最后，长三角不同城市的老龄化水平差别大（表2）。最“老龄”的城市是南通（30.10%），最“年轻”的是合肥（15.70%），“老”了近2倍。2000年，长三角老龄化程度分布较为均匀，差距在过去二十年中逐渐拉大，可见各城市在经济发展、产业结构和生育率等方面发展不均衡。
数据来源：第七次人口普查（所有2020年的数据）、各市统计局和官方报道
长三角老龄空间聚集性强，青年人口迁移是主要原因
空间分布来看，老龄化高值有集中于个别区域的趋势，存在明显的空间自相关化现象（即相邻地区的老龄化水平趋同）。图3可见，目前老龄化程度较高的地区集中在上海、江苏中部、浙江西部、北部和安徽南部。
图3. 长三角人口老龄化分布；数据来源本文表3
2000-2020年期间，江浙皖都出现了全省老龄化空间聚集的现象。澎湃研究所研究员收集了近年来关于长三角老龄化空间分布的论文，试图呈现这个动态。
来看各省份情况。2010年，浙江省人口老龄化程度高的区域（红色）分布在浙江西部和中部，而到了2020年，老龄化程度高的区域整体归拢到浙西（主要是衢州市），中间相对高值消失了。
图4.浙江省人口老龄化空间变化（2010-2020）
图片来源：程锦，冯革群，袁嘉轩等. 浙江省老龄化空间格局演变及驱动机制[J].宁波大学学报(理工版),2023,36(06):100-106.
相比2000年，2010年江苏省人口老龄化的空间分布（图5）集中在南通、盐城等区域（红色区域），而苏北地区的分布更加均衡（从紫灰相间变成绿色为主）。再看最右侧的空间人口老龄化变化率，也能看出苏中比其他地区变老更多（深紫色区域集中在苏中）。
图5.江苏省人口老龄化空间变化（2010-2020）
图片来源：许昕,赵媛,张新林,等.江苏省人口老龄化空间分异演变及影响因素[J].地理科学,2017,37(12):1859-1866.
2000年安徽全省老龄化分布（图6）较均衡（同色色块几乎均匀分布在除了合肥以外的其他区域），而到了2020年南部地区比北部地区更老（体现为颜色更深的色块集中在皖南）。
图6.安徽省2000年到2020年老龄化空间变化
图片来源：肖铁桥,马瑾美,李融融.安徽省县域人口老龄化时空演变及影响因素研究[J].沈阳建筑大学学报(社会科学版),2023,25(03):271-278.
最后，来看长三角全域动态（图7，颜色越深，老龄化程度越高）。2010年，全域老龄化分布较为均匀，而到了2020年，总体上形成上海、苏中（盐城、南通、泰州、扬州、镇江）、皖南（黄山、池州、铜陵、宣城）、浙西（衢州附近）几个较严重的老龄化区域。
图7. 长三角人口老龄化空间分布特征和变化趋势
图片来源：周泽玄,韩会然,杨成凤.县域尺度下长三角城市群人口老龄化时空特征及影响机理[J].经济地理,2024,44(02):90-101.
可见，在过去的10-20年间，长三角地区人口老龄化空间集聚程度不断强化，老龄化发展不均衡态势凸显。
一份2024年2月最新研究表明，长三角以青年人口为主的跨区域迁移是老龄化空间不平等程度加深的最大因素。比如，个别地区凭借蓬勃的经济、新兴的产业、宜居的生活环境、友好的公共服务等因素吸引了大量青年人口，从而降低了该地区的老龄化程度。研究指出，如苏南、浙北的老龄化程度较低（尤其是杭州、苏州、合肥几个城市），其主导因素正是大规模的、具有明显方向偏好性和年龄选择性的人口迁移。
老年人口也有迁移。比如部分老年人随着青年子女搬到新的城市，或从养老成本较高的地区搬到养老成本较低的地区。但两个迁移方向有所抵消，且总体数量有限，所以并不是造成老龄化空间集中、两极分化的主要原因。
除此之外，影响空间分布还有历史因素。比如，南通于2020年GDP突破万亿，六大支柱型产业中有四个是战略性新兴产业。然而，南通却是长三角最“老”的地区。根据南通大学和南通市卫健委2023年的最新研究，1970年代率先实施计划生育政策，并由此保持多年的低生育率，是南通市老龄化率高居全国第一的主要原因；长寿现象推高了南通市的老龄化率，1990—2010年人口迁出加快了南通市的老龄化进程。
总而言之，老龄化空间不平等背后原因较为复杂。除了上述因素，还有医疗水平、政策扶持、教育溢出等原因。
建议各城市不再使用户籍老龄化统计口径，不再以户籍区分养老群体
以青年人口为主的跨区域迁移也解释了为何户籍老龄化和常住老龄化数据差异甚大（参考表8）。
比如，2022年，合肥户籍老龄化率（18.25%）比常住老龄化（15.7%）高2.55%，杭州合肥户籍老龄化率（24.07%）比常住老龄化（18.40%）高5.67%，这是因为两城外来人口以青壮年为主。而2022年上海户籍老龄化率（36.8%）更是比常住老龄化（25.00%）高11.8%。这是因为，在上海1048万外来常住人口中（2020人口普查数据），60岁以上的老人仅占6%。
目前，以下城市统计局仍以户籍口径为主要统计口径（参考表8），可见许多城市政府仍以户籍人口为服务对象和市民主体的客观现实。
人口结构数据有两个统计来源，一个是由中央组织的十年一次的人口普查，用的主要是常住口径。这个统计最权威，但更新太慢，不能及时做城市发展的决策参考。
一个是本地统计局每年公布的统计公告和年鉴，一般常住和户籍只选一个作为口径。只有极少数的城市，比如杭州、宁波、合肥等，会同时公布两个口径的数据。而表8中的城市，是本地统计局每年公布的公报、年鉴，仅统计户籍口径人口年龄的城市。
数据来源：2020年的数据来源是第七次人口普查，芜湖和上海常住人口数据来源是官方报道，户籍数据来源是本地统计局。
但是，常住老龄化更真实地反映了一个城市的劳动力结构。对人口流入地来说，青年外来人口为本地的经济做出了贡献，老年外来人口事实上也正在本地养老。对人口流出地来说，“在籍”的人口不一定使用本地相关服务和设施。
因此，对长三角城市来说，如果用户籍老龄化数据替代常住老龄化数据做参考，在估计当地所需要的老龄化设施、判断老龄化对城市经济和产业的影响时，会有一定的偏误。因此，澎湃研究所研究员建议各城市不再使用户籍老龄化口径。
不再以户籍论养老，也是国家鼓励的发展方向。《决定》提出，要推行由常住地登记户口提供基本公共服务制度，推动符合条件的农业转移人口社会保险、住房保障、随迁子女义务教育等享有同迁入地户籍人口同等权利，加快农业转移人口市民化。
