Leslie人口增长模型：矩阵乘法驱动的年龄结构预测

简介围绕中国人口增长预测的数学建模文档面向数学建模参赛者、人口统计学习者及需要掌握Logistic与Leslie模型的人群重点解决总量趋势、年龄结构与老龄化等预测问题。压缩包内为1个doc文件约988KB集中呈现模型推导、数据表与预测结果便于按章节查阅和二次整理。文档以Logistic阻滞增长模型和按年龄分布的Leslie矩阵为主线比较不同起始年份数据的拟合效果并给出总人口、劳动年龄人口、老年人口、抚养比及育龄妇女人数的预测附残差分析、优缺点评价与推广。已有5156人学习适合用来理解人口预测建模流程、复现MATLAB计算并借鉴论文式写作与指标分析框架。1. 一个模型怎么“算”出未来人口先把 Leslie 模型说成人话如果告诉你明年有多少人、后年有多少人甚至二十年后有多少老人都能由一个矩阵一步步“推”出来你大概会觉得玄学。Leslie 人口增长模型干的就是这件事它不预测某个人的命运而是把人口按年龄切成一条条“传送带”每过一年每条带上的人就往前走一格走的同时有人留下后代、有人离场。听起来像工厂流水线本质上就是一次矩阵乘法。搞懂它你看新闻里“某年人口达峰”“老龄化比重突破多少”这类数字就不再只是看热闹——你会知道哪些是数据算出来的哪些是假设放进去的。2. 为什么光看总人口不够Logistic 与 Leslie 的分工2.1 Logistic 模型给增长加一个天花板设想一个池塘里放了几条鱼水草和空间有限鱼一开始拼命繁殖后来食物不够增长速度慢慢降下来最后稳定在一个上限附近。人口增长也有点这个味道资源、土地、就业机会都是隐形的“天花板”。Logistic 阻滞增长模型就是用一条数学曲线把这个过程画出来——早期近似指数上涨中期拐弯后期贴着上限走。它的微分方程写成 dP/dt rP(1 − P/K)其中 P 是人口数r 是内在增长率K 是环境能容纳的最大人口数。括号里那个 (1 − P/K) 是关键人口越接近 K这个因子越小增长就越慢。解出来是一条 S 形曲线P(t) K / (1 (K/P₀ − 1)·e^(−rt))。这份建模资料里做了一件很实在的事不去纠结用哪一年当起点而是分别用 1954 年、1963 年、1980 年到 2005 年的总人口数据各拟合一次。1954 年那段跨过了早期的出生高峰和困难时期残差不太规矩残差绝对值之和达到 57.99921963 年到 1979 年基本按自然规律增长拟合效果明显改善残差绝对值之和降到 27.80461980 年以后外部干预相对稳定可决系数达到 0.9987残差绝对值之和只有 10.1699。用最后这段数据外推2010 年、2020 年、2033 年的总人口分别落在 13.55357 亿、14.18440 亿、14.70172 亿。明显能看出来Logistic 模型只认一个数总人口。它不知道该国有多少年轻人、多少老人仿佛全国人都是同一个年龄。预测总量够用但只要问题一沾“结构”它立刻哑火。2.2 Leslie 模型把人口按年龄切成传送带Leslie 模型换了个思路。它把人口按年龄分成一格一格通常一岁一组只盯女性——因为生育由女性完成男性的数量可以借助出生性别比反推。每一岁的人构成向量里的一项年份往前走一年人就往下一格挪一格。这里面只有两个核心动作。第一个是“生”第 i 组的女性在这一年里平均生下多少个女儿记作 f_i。第二个是“活”第 i 组的女性有多少比例能活到 i1 组记作 s_i。把 f_i 排在矩阵第一行把 s_i 排在次对角线上剩下的位置全填零就得到那个著名的 Leslie 矩阵。它长这样[ f₀ f₁ f₂ ... fₙ₋₁ ] [ s₀ 0 0 ... 0 ] [ 0 s₁ 0 ... 0 ] [ 0 0 s₂ ... 0 ] [ ⋮ ⋮ ⋮ ⋱ ⋮ ]写成矩阵形式就是 n(t1) L·n(t)。n(t) 是这一年的女性人口分布向量乘以 L 就得到下一年的分布。看起来只是把“生孩子”和“变老”翻译成两行数字但它保住了年龄这个维度所以能顺手算出劳动年龄人口、老年人口、育龄妇女人数这些结构指标。打个比方Logistic 像只量体温告诉你发烧没有Leslie 像做一次全身 CT能看到哪部分在变。资料里用 2001 年的分年龄数据构造矩阵把三类地区分别算完再加权汇总把生育率修正到总和生育率 1.8 再外推得到 2023 年前后总人口达到峰值 14.985 亿2013 年劳动年龄人口达到 10.4852 亿的高点。2.3 从“总数”到“结构”多出来的信息值不值有人会问既然 Logistic 已经把总量预测得挺准为什么还要费劲搭 Leslie答案藏在“同样多的人年龄不一样”这件事里。假设两个地区总人口都是一千万一个全是二十来岁的年轻人另一个三分之一是六十岁以上老人。前者未来二十年出生人口多、劳动力充足后者养老金和医疗支出压力大、劳动力逐年减少。只看总人口这两个地方一模一样加上年龄分布立刻分道扬镳。资料里之所以要建 Leslie就是为了回答“老龄化会不会加速”“抚养比会不会上升”这类问题——这些问题的答案不在总数里只在结构里。代价也很直接Leslie 要的数据多得多。分年龄的生育率、分年龄的死亡率、出生性别比、城乡分布哪一项缺了都得靠假设补。原始的抽样数据里算出来的更替率只有 1.42明显低于专家给出的参考水平 1.8作者不得不做修正这本身就是一次“数据不够、假设来凑”的典型操作。Logistic 只要一条总人口时间序列就能拟合Leslie 却要一整套分年龄表数据质量差一点预测结果就飘。所以两者不是替代关系而是分工先用 Logistic 看大盘趋势再用 Leslie 拆结构、算指标。资料的结构也是这样——模型Ⅰ打底模型Ⅱ加细节。很多建模题喜欢把两个模型放在一起比但真正该比的是“你想回答哪个问题”而不是“哪个模型更高级”。3. Leslie 矩阵长什么样三个零件凑成一台预测机器3.1 生育率矩阵第一行不是随便填的Leslie 矩阵的第一行每一格都是一个年龄组的“生女儿率”。注意不是出生率是“每个女性平均生下多少女儿”。这个区别很关键出生率算的是活产婴儿数和总人口的关系而 f_i 算的是每个育龄女性的产出。拿一份分年龄生育率表来它通常只给 15 到 49 岁的值其他年龄直接填 0。得到的是“生了几个孩子”还得乘一个女孩比例才能变成“生了几个女儿”。资料里给的出生性别比在 103 到 107 之间女婴记 100大概每一百个女婴对应一百零几个男婴。把这个比例倒过来就能把总生育数折算成女儿数。注意f_i 的单位是“每个女性平均生育女儿数”不是千分率也不是百分比。写成 45‰ 会得到完全错误的结果。为什么只算女儿因为 Leslie 矩阵只追踪女性。男性数量不参与迭代等女性分布算出来之后借性别比反推就行。这是建模时的一种简化不是性别不重要而是这样能把矩阵规模减半、迭代逻辑保持干净。反过来说如果某个地区的出生性别比严重偏离常态反推出的男性数量就会失真这也是资料里专门提到性别比的原因之一。3.2 存活率次对角线上那一串数矩阵的次对角线也就是从 (2,1) 到 (n,n−1) 这一串位置放的是每个年龄组的存活率 s_i。它的定义很直白这一年 i 组的女性有多少比例能活着走进 i1 组。如果 i 组死亡率是 q_i那 s_i 1 − q_i。原始数据是按三类地区分别给出的每一类都有自己的分年龄女性死亡率。要算整体数就得按三地女性人口占比加权。资料里还做了一个简化90 岁以上的女性统一按 90 岁那一组处理。这属于建模中常见的“高龄归并”不追求极端精确只要不破坏矩阵结构就行。归并的好处是矩阵不会无限拉长代价是最高龄那一端的信息被压缩如果研究问题正好聚焦高龄老人这个简化就得慎重。存活率里最容易出问题的是末位。矩阵最后一行对应的 s_(n−1) 必须归零否则最高龄组会一直往一个不存在的年龄组输送人口。这个错误不会报错只会在几十年后把总人口悄悄推高排查起来非常费劲。3.3 初始分布从抽样比例推到整体人口矩阵乘法的起点是 2001 年的女性人口分布向量 n(0)。原始数据来自抽样调查给出的是三类地区各自“各年龄女性占本地人口的比例”。要把它放大到整体人口得先知道三地人口占整体的比例再分别乘以总人口最后把三个年龄分布逐岁相加。这一步最容易踩坑。抽样调查的年龄分布是按岁给出的但有一部分年龄组可能合并、缺失、或者口径不一致。合并的时候要按人口数加权不能简单取平均缺失的年份要插值不能直接填零。资料里这一步用表格整理、用 MATLAB 计算工作量不小原因就在这里——初始向量差一点后面每一年都会被放大。举个具体的例子如果某个年龄组的女性人数少算了 5%这个误差不会消失它会随着迭代一路传到几十年后变成预测曲线整体偏低。这也是为什么人口预测里“基年数据”比“模型形式”更值得反复核对。3.4 用一段最小可跑的代码把矩阵乘起来光看公式容易飘落到代码上Leslie 矩阵的结构一目了然。下面这段用 MATLAB 写的示意代码只保留结构不含真实数据。% 年龄组数量0-90 岁共 91 个一岁组 n 91; % 生育率向量只有 15-49 岁非零其余补 0 % 单位是“每个女性平均生育女儿数” f zeros(n,1); f(16:50) 0.045; % 存活率向量第 i 组活到 i1 组的比例 s 0.998 * ones(n,1); s(1) 0.996; % 婴儿存活 p a hrefhttps://download.csdn.net/download/jumper141/3428919 stylecolor:#ec7500;font-size:14px; 本文还有配套的精品资源点击获取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p