面板Logistic模型分析中国省域城镇化率收敛及对策

早先对城镇化率的研究主要就其发展态势而预测，如白先春①、陈彦光②、郭志仪③、万广华④，采用的方法主要有灰色预测、神经网络和线性预测。随着研究的深入，预测的方法开始采用组合预测，研究目的也逐渐开始从人口城镇化与工业化、非农化比较的角度进行评价性研究。比如，简新华、黄锟⑤、高春亮、魏后凯⑥、兰海强、孟彦菊、张炯⑦、韩立达、牟雪淞、闫俊娟⑧等分别利用组合预测方法预测了全国或者省域的城镇化率，并就城镇化与工业化及经济发展水平进行了评价。

上述文献对于城镇化率的预测具有一定的基础性意义。但就任何预测方法而言，首先，要保证预测精度的问题。预测精度显然是就预测值与观察值的对比，因为如果一个模型无法保证预测值与观察值之间的精度，那么就失去了预测的基本前提。其次，要保证预测模型的延展性问题。所谓延展性是指预测模型本身是否可以就未来一个中期、或者长期的问题进行适用性、可行性预测，而不仅仅是用一个模型高精度地拟合观察样本的观察数据。如果无法进行未来的预测，或者预测精度太低，那么预测可能就变成了一个纯粹的拟合问题或者是仿真问题。

就人口城镇化率而言，首先就理论依托、历史根据、现实状况来说，城镇化率的增长是有阶段性的：不同的城镇化率所处阶段伴随着不同的增长率。就中国的城镇化现状来看，处于30%～70%之间，其加速发展的特点应该予以重视，但是无论如何加速，城镇化都无法超过100%的阈值；另外，就预测模型的延展性来说，如果我们以某些变量作为自变量，以城镇化率作为因变量来进行预测未来，那么我们必须知道自变量的未来数值，即自变量本身也需要预测，而自变量本身的预测误差将导致因变量预测的误差叠加，势必陷入循环预测的怪圈。(www.xing528.com)

因此，对于人口城镇化率预测的著名模型，往往以时间t为自变量，这样可以有效地保证预测模型的延展性，比如Keyfitz模型、Rogers模型、扩充的Keyfitz模型和Logistic模型。其中Logistic模型应用最为广泛，其以时间t为自变量可以保证模型的延展性问题，且其阈值的设定可以有效保证城镇化率不超过100%，从而确保模型的可行性和延展性。

本章利用面板Logistic模型方法，在历史拟合的基础上进行未来预测，并对中国省域城镇化率的空间收敛进行分析，最后提出相应的对策措施。