文档介绍：中国人口预测模型的实证分析
注:以下红色字为评委评述,蓝色字为评委认为写的好的语句。
摘要
(注:要好好写, 优点突出)
为了针对中国人口近年来的发展特点,对于中国人口的发展趋势进行定量预测和分析,我们选用了两个常用模型——Logistic阻滞增长模型和Leslie差分方程模型,并对它们进行了改进和实证分析。
由于原始数据中存在部分异常数据和较大随机性波动,为了减小这些因素对结果的影响,我们经过多次尝试,选用移动平均法对数据进行了预处理。针对中国人口市、镇、乡以及性别的6个组别,以及他们之间的关联,建立了Leslie差分方程组模型, 并引进了人口迁移项。考虑到最高年龄组的实际情况,我们对Leslie模型作了必要的修正,将最高年龄组的演变考虑为最高年龄组和次高年龄组存活人口总和。
本文利用Leslie差分方程组模型对预处理后的数据进行预测,着重考虑了人口年龄结构的变化、老龄化现象、乡村人口城镇化、以及人口性别比例变化等问题。与一些权威的统计数据或中短期预测数据进行比较,基本吻合,从而验证了模型的有效性。
在总人口的长期数据的预测上,Logistic模型有较好的拟合度。在这一点上,虽然Leslie模型的结果的相对误差在可接受范围内,但考虑到中国总人口基数很大,绝对数值仍有较大误差。为了改进Leslie模型的中长期预测效果,我们引进了模型中死亡率下降因子,使得死亡率参数随着时间的变化,得到较好中长期预测结果。
关键词:
Leslie模型,老龄化,城镇化,性别比,Logistic模型
中国人口预测模型的实证分析
符号约定
b i m 第i年龄组妇女的男婴生育率
b i f 第i年龄组妇女的女婴生育率
d i m 第i年龄组的男性死亡率
d i f 第i年龄组的女性死亡率
S i m =1-d i m 第i年龄组的男性存活率
S i f =1-d i f 第i年龄组的女性存活率
X0(k) 第k个时段女婴数量,
Y0(k) 第k个时段男婴数量
Xn(k) 第k时段第n个年龄组的女性数量
Yn(k) 第k时段第n个年龄组的男性数量
X (k) 第k个时段女性各年龄组数量组成的列向量
即[X1(k),X2(k),…,Xn(k)]T
Y (k) 第k个时段男性各年龄组数量组成的列向量
即[Y1(k),Y2(k),…,Yn(k)]T
(k) Y (k)的预测列向量
Z(k) 第k个时段总人口各年龄组数量组成的列向量,即[X1(k),X2(k),…,Xn(k) ,Y2(k),Y2(k),…,Yn(k)]T
g1 育龄女性最小育龄年龄
g2 育龄女性最大育龄年龄
r 人口自然增长率
Pm 环境所能容纳的最大人口数
P0 0时刻的人口数,
P (t) t时刻人口数
e(k) 第k时段各年龄组人口分布的随机扰动项
问题分析
人口预测是人口研究中重要课题,准确的人口预测为制定合理的社会经济发展规划提供了合理的科学依据。近年来中国的人口发展出现了一些新的特点,例如,老龄化进程加速、出生人口性别比持续升高,以及乡村人口城镇化等因素,这些都影响着中国人口的增长。
人们通常只做粗线条的总人口趋势的定性分析,而没有分析年龄结构具体形态。理论上,任何时点上人口结构都是历史上人口结构生育、死亡、迁徙的结果,也是未来研究人口过程的基础。事实上,要制定生育计划就要知道未来女性生育率,要改善社会保障体系就要知道未来老年人口数,要确定人才引进策略和户籍管理制度就要知道城镇化迁徙人口年龄分布。政府可以根据未来人口年龄分布信息状况制定宏观经济政策,进行社会产业调整,使劳动力资源得到充分利用。
根据不同时期不同地点,专家学者建立了各种人口预测方法来模拟人口发展过程。但相对于我们现拥有的数据,自回归、幂函数、指数函数都要求人口数据具有明显规律性,只有对于特定地区、特定人口状况才适用。多元回归模型涉及较多影响因素,而如何对这些因素进行定量分析是研究难点。灰色系统、时间序列、神经网络、人口发展偏微分模型适用于不同类型的人口数据,具体操作比较复杂。
本文对于Logistic阻滞增长模型和Leslie差分模型,利用统计资料进行了实证分析,并且对Leslie差分方程模型进行了改进,利用已知数据进行预测,对于人口年龄结构的变化、老龄化现象、乡村人口城镇化,以及性别比问题进行了分析。与一些权威的统计数据或预测数据进行比较,相当吻合,从而验证了模型的有效性。
设r为人口自然增长率,Pm为环境所能容纳的最大人口数量,P0为0时刻的人口数,那么t时刻的人口数为[1]
P (t)= Pm/(1+( Pm/ P0 -1)*exp(-r*(t-t0)))
我们根据统计资料上198