1、PAGE 基于BP神經(jīng)網(wǎng)絡(luò)和GM(1,1)灰色模型的中國(guó)人口預(yù)測(cè)分析黃俸強(qiáng) 李晶 鄧健萍摘 要人口預(yù)測(cè)對(duì)國(guó)民經(jīng)濟(jì)的發(fā)展有著非常重要的作用. 如何用操作性強(qiáng), 可信度高的方法來(lái)預(yù)測(cè)人口的變化, 這是一個(gè)值得探討的問(wèn)題. 本文主要根據(jù)中國(guó)人口統(tǒng)計(jì)年鑒上收集到的2001年到2005年部分?jǐn)?shù)據(jù), 在灰色預(yù)測(cè)的基礎(chǔ)上, 引入BP神經(jīng)網(wǎng)絡(luò)模型, 建立了中國(guó)人口增長(zhǎng)的GM(1,1)和BP神經(jīng)網(wǎng)絡(luò)組合模型, 并由此對(duì)中國(guó)人口增長(zhǎng)的中短期和長(zhǎng)期趨勢(shì)做出預(yù)測(cè). 我們通過(guò)輸入原始數(shù)據(jù)資料, 應(yīng)用灰色模型進(jìn)行預(yù)測(cè), 得到預(yù)測(cè)數(shù)列, 然后將預(yù)測(cè)值作為輸入量, 原始數(shù)據(jù)作為期望值, 對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練, 得到相應(yīng)的權(quán)

2、值和閥值, 最后輸入預(yù)測(cè)年份, 即可得到具有較高精度的預(yù)測(cè)量. 由此可以知道, 中國(guó)人口增長(zhǎng)的中短期和長(zhǎng)期趨勢(shì)為：人口總量在中短期內(nèi)繼續(xù)增長(zhǎng), 增速較為平穩(wěn), 每年以0.11億人口數(shù)增長(zhǎng). 人口總量在未來(lái)30年還將凈增2億人左右, 總?cè)丝趯⒂?010年, 2020年分別達(dá)到13.63億人和14.67億人, 2033年前后達(dá)到峰值15.01億人, 之后人口總量緩慢下降. 我國(guó)育齡婦女( 15-49歲) 人數(shù)在短期內(nèi)持續(xù)增加, 在2014年達(dá)到頂峰, 之后開始緩慢下降, 到2033年左右, 下降速度加快；我國(guó)生育旺盛期育齡婦女( 20-29歲) 人數(shù)在短期內(nèi)持續(xù)下降, 在2015年達(dá)到低谷, 之后

3、開始緩慢回升, 但是一段時(shí)期后, 又開始緩慢下降, 如此波動(dòng)變化. 全國(guó)人口死亡率繼續(xù)保持較低水平( 維持在7以下) , 并緩慢下降, 從1990年的6.67下降到2050年的5.66, 減少了1.01個(gè)千分點(diǎn)；我國(guó)男性人口死亡率高于女性人口死亡率, 鄉(xiāng)人口死亡率高于城鎮(zhèn)人口死亡率. 我國(guó)人口城鎮(zhèn)化速度在未來(lái)20年里每年增長(zhǎng)1.10-1.50個(gè)百分點(diǎn), 之后人口城鎮(zhèn)化開始放慢增長(zhǎng)速度, 2021-2050年間僅增加11.41個(gè)百分點(diǎn). 到本世紀(jì)中葉, 城鎮(zhèn)化水平在75%左右. 2005年我國(guó)老年人口已超過(guò)1億人, 到2020年, 65歲以上老年人口將達(dá)到1.74億人, 比重從2005年的8.0

4、9%增長(zhǎng)到12.02%. 預(yù)計(jì)2050年, 65歲以上老年人口達(dá)3.38億多人, 比重達(dá)23.23%. 老齡化進(jìn)程加速. 老年人口數(shù)量多, 老齡化速度快, 高齡趨勢(shì)明顯. 出生人口性別比總體呈上升趨勢(shì). 中短期變化不大, 都在初始值附近波動(dòng)；從2010年到2050年平均每年增長(zhǎng)了0.75. 此組合模型兼有灰色預(yù)測(cè)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的優(yōu)點(diǎn), 既利用灰色系統(tǒng)理論具有所需要的樣本數(shù)據(jù)少, 原理簡(jiǎn)單, 運(yùn)算方便, 短期預(yù)測(cè)精度高, 可檢驗(yàn)等優(yōu)點(diǎn), 也發(fā)揮神經(jīng)網(wǎng)絡(luò)并行計(jì)算, 容錯(cuò)能力強(qiáng), 自適應(yīng)能力強(qiáng)等優(yōu)點(diǎn), 模型既克服了原始數(shù)據(jù)少, 數(shù)據(jù)波動(dòng)性大對(duì)預(yù)測(cè)精度的影響, 也增強(qiáng)了預(yù)測(cè)的自適應(yīng)性. 關(guān)鍵詞：B

5、P神經(jīng)網(wǎng)絡(luò) GM(1,1)灰色預(yù)測(cè)模型 人口預(yù)測(cè)PAGE 21一, 問(wèn)題重述1.1, 問(wèn)題背景中國(guó)自古以來(lái)是一個(gè)人口大國(guó). 新中國(guó)成立后, 我國(guó)人口進(jìn)入飛速發(fā)展階段. 1949年到1957年8年時(shí)間, 人口增長(zhǎng)了1億；1964年總?cè)丝诔^(guò)7億,1969年總?cè)丝诔^(guò)8億, 1974年總?cè)丝诔^(guò)9億. 這一時(shí)期每增長(zhǎng)億人時(shí)間間隔為5年. 中國(guó)人口凈增長(zhǎng)率波動(dòng)比較劇烈. 80年代以后, 由于我國(guó)實(shí)行了計(jì)劃生育, 人口膨脹得到了有效的控制. 實(shí)行近30年來(lái), 使我國(guó)少生了4億多人, 為中國(guó)現(xiàn)代化建設(shè), 全面實(shí)現(xiàn)小康社會(huì)打下了堅(jiān)實(shí)的基礎(chǔ), 同時(shí)也為世界人口控制做出了杰出貢獻(xiàn). 但是由于中國(guó)人口基數(shù)大,

6、人口增長(zhǎng)問(wèn)題依然十分嚴(yán)峻. 在我國(guó)現(xiàn)代化進(jìn)程中必須實(shí)現(xiàn)人口與經(jīng)濟(jì), 社會(huì), 資源, 環(huán)境協(xié)調(diào)發(fā)展和可持續(xù)發(fā)展, 而人口問(wèn)題始終是制約我國(guó)發(fā)展的關(guān)鍵因素之一. 要發(fā)展, 必須進(jìn)一步控制人口數(shù)量, 提高人口質(zhì)量, 改善人口結(jié)構(gòu). 對(duì)中國(guó)未來(lái)人口的準(zhǔn)確預(yù)測(cè), 能夠?yàn)橹袊?guó)經(jīng)濟(jì)和社會(huì)發(fā)展的重大決策提供科學(xué)依據(jù), 這對(duì)加速推進(jìn)我國(guó)現(xiàn)代化建設(shè)有著極為重要的現(xiàn)實(shí)意義. 因此, 根據(jù)已有數(shù)據(jù), 運(yùn)用數(shù)學(xué)建模的方法, 對(duì)中國(guó)人口做出分析和預(yù)測(cè)是一個(gè)重要問(wèn)題. 1.2, 問(wèn)題提出近年來(lái)中國(guó)的人口發(fā)展出現(xiàn)了一些新的特點(diǎn), 例如, 老齡化進(jìn)程加速, 出生人口性別比持續(xù)升高, 以及鄉(xiāng)村人口城鎮(zhèn)化等因素, 這些都影響著中國(guó)

7、人口的增長(zhǎng). 2007年初發(fā)布的國(guó)家人口發(fā)展戰(zhàn)略研究報(bào)告(附錄1) 還做出了進(jìn)一步的分析. 關(guān)于中國(guó)人口問(wèn)題已有多方面的研究, 并積累了大量數(shù)據(jù)資料. 現(xiàn)在得到了中國(guó)人口統(tǒng)計(jì)年鑒上收集到的部分?jǐn)?shù)據(jù)(見(jiàn)附錄2). 其中包含2001至2005年的市, 鎮(zhèn)和鄉(xiāng)人口不同性別的人在該類人口中所占的百分比, 死亡率, 生育率, 每年人口抽樣調(diào)查的樣本容量( 人數(shù)) 數(shù)據(jù). 1994至2005年的市, 鎮(zhèn)和鄉(xiāng)男女出生比例. 1995至2005年的市, 鎮(zhèn)和鄉(xiāng)育齡婦女生育率的千分比( ) . 根據(jù)已知數(shù)據(jù)( 或搜索相關(guān)文獻(xiàn)和補(bǔ)充新的數(shù)據(jù)) , 解決以下的問(wèn)題：從中國(guó)的實(shí)際情況和人口增長(zhǎng)的上述特點(diǎn)出發(fā), 建立中

8、國(guó)人口增長(zhǎng)的數(shù)學(xué)模型, 并由此對(duì)中國(guó)人口增長(zhǎng)的中短期和長(zhǎng)期趨勢(shì)做出預(yù)測(cè). 二, 問(wèn)題的分析一個(gè)國(guó)家人口的準(zhǔn)確預(yù)測(cè), 是制定相應(yīng)宏觀經(jīng)濟(jì)政策的重要依據(jù), 對(duì)我國(guó)經(jīng)濟(jì)的發(fā)展有著巨大的作用. 預(yù)測(cè)是控制和規(guī)劃的基礎(chǔ), 預(yù)測(cè)的精度是控制和規(guī)劃成功的前提, 而選擇預(yù)測(cè)的方法是提高預(yù)測(cè)精度的關(guān)鍵. 傳統(tǒng)的人口預(yù)測(cè)方法主要有邏輯方法, 常微分方程方法和動(dòng)態(tài)預(yù)測(cè)方法等. 這些方法在人口預(yù)測(cè)領(lǐng)域起到了一定的作用, 但采用這些方法時(shí)都要對(duì)數(shù)據(jù)進(jìn)行模型假設(shè). 由于真實(shí)模型往往是非線性的, 如果在一些簡(jiǎn)單的模型假設(shè)下就進(jìn)行數(shù)據(jù)模擬, 常常不能達(dá)到較好的模擬效果. 神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜非線性系統(tǒng)具有曲線擬合能力, 基于BP神

9、經(jīng)網(wǎng)絡(luò)和GM(1,1)模型的組合模型進(jìn)行動(dòng)態(tài)預(yù)測(cè). 既利用灰色預(yù)測(cè)的需要數(shù)據(jù)資料少的優(yōu)點(diǎn), 又吸收了BP神經(jīng)網(wǎng)絡(luò)容錯(cuò)能力, 自適應(yīng)能力強(qiáng)的優(yōu)點(diǎn). 由于神經(jīng)網(wǎng)絡(luò)的功能之強(qiáng)大, 型式之多樣, 若能將其它網(wǎng)絡(luò)形式同灰色模型相結(jié)合, 則有可能進(jìn)一步提高預(yù)測(cè)精度. 三, 模型的假設(shè)與符號(hào)說(shuō)明3.1, 模型假設(shè)與約定( 1) 未來(lái)人口的死亡模式保持不變；( 2) 所研究的人口為封閉人口； ( 3) 農(nóng)村人口一旦遷入城鎮(zhèn)或者城鎮(zhèn)化, 其人口行為和特征即與城鎮(zhèn)人口相同, 即忽略城鎮(zhèn)人口與遷入城鎮(zhèn)人口或城鎮(zhèn)化人口的差別. ( 4) 人口數(shù)據(jù)質(zhì)量高, 無(wú)誤報(bào)和漏報(bào)等. ( 5) 在分析老年人口問(wèn)題時(shí), 是以65歲

10、作為老年人口的起點(diǎn)年齡；3.2, 名詞定義主要統(tǒng)計(jì)指標(biāo)解釋人口數(shù) 指一定時(shí)點(diǎn), 一定地區(qū)范圍內(nèi)有生命的個(gè)人總和. 出生率 指在一定時(shí)期內(nèi)( 通常為一年) 一定地區(qū)的出生人數(shù)與同期內(nèi)平均人數(shù)( 或期中人數(shù)) 之比, 用千分率表示. 其計(jì)算公式為：死亡率 指在一定時(shí)期內(nèi)( 通常為一年) 一定地區(qū)的死亡人數(shù)與同期內(nèi)平均人數(shù)( 或期中人數(shù)) 之比, 用千分率表示. 其計(jì)算公式為：人口自然增長(zhǎng)率 是指在一定時(shí)期內(nèi)( 通常為一年) 人口自然增加數(shù)( 出生人數(shù)減死亡人數(shù)) 與該時(shí)期內(nèi)平均人數(shù)( 或期中人數(shù)) 之比, 用千分率表示. 計(jì)算公式為：預(yù)測(cè)時(shí)期 短期( 25年) ；出生人口性別比 是活產(chǎn)男嬰數(shù)與活產(chǎn)

11、女嬰數(shù)的比值, 通常用女嬰數(shù)量為100時(shí)所對(duì)應(yīng)的男嬰數(shù)來(lái)表示. 正常情況下, 出生性別比是由生物學(xué)規(guī)律決定的, 保持在103107之間. 人口撫養(yǎng)比 指人口總體中處于供養(yǎng)年齡( 一般指15歲以下和64歲以上) 的人口與處于“經(jīng)濟(jì)活動(dòng)”年齡( 15-64歲) 人口的比率. 用百分鋁表示. 計(jì)算公式為：總和生育率：一定時(shí)期( 如某一年) 各年齡組婦女生育率的合計(jì)數(shù), 說(shuō)明每名婦女按照某一年的各年齡組生育率度過(guò)育齡期, 平均可能生育的子女?dāng)?shù), 是衡量生育水平最常用的指標(biāo)之一. 四, 模型的建立和求解4.1, GM(1,1)預(yù)測(cè)模型的基本原理( 1) GM(1,1)灰色系統(tǒng)1所謂灰色系統(tǒng)是指既含有已知

12、信息, 又含有未知信息的系統(tǒng), 是由鄧聚龍教授在1986年提出的. 灰色理論自誕生以來(lái), 發(fā)展很快, 由于它所需因素少, 模型簡(jiǎn)單, 特別是對(duì)于因素空間難以窮盡, 運(yùn)行機(jī)制尚不明確, 又缺乏建立確定關(guān)系的信息系統(tǒng), 灰色系統(tǒng)理論及方法為解決此類問(wèn)題提供了新的思路和有益的嘗試. 灰色預(yù)測(cè)方法是根據(jù)過(guò)去及現(xiàn)在已知的或非確知的信息, 建立一個(gè)從過(guò)去引申到將來(lái)的GM模型, 從而確定系統(tǒng)在未來(lái)發(fā)展變化的趨勢(shì), 為規(guī)劃決策提供依據(jù). 在灰色預(yù)測(cè)模型中, 對(duì)時(shí)間序列進(jìn)行數(shù)量大小的預(yù)測(cè), 隨機(jī)性被弱化了, 確定性增強(qiáng)了. 此時(shí)在生成層次上求解得到生成函數(shù), 據(jù)此建立被求序列的數(shù)列預(yù)測(cè), 其預(yù)測(cè)模型為一階微分方

13、程, 即只有一個(gè)變量的灰色模型, 記為GM(1,1)模型. 灰色GM(1,1)預(yù)測(cè)模型在計(jì)算過(guò)程中主要是以矩陣為主, 它和MATLAB的結(jié)合可以有效的解決了灰色系統(tǒng)理論在矩陣計(jì)算中的問(wèn)題, 為灰色系統(tǒng)理論的應(yīng)用提供了一種新的方法. ( 2) GM(1,1)預(yù)測(cè)模型的基本原理GM(1,1)模型是灰色預(yù)測(cè)的核心, 它是一個(gè)單個(gè)變量預(yù)測(cè)的一階微分方程模型, 其離散時(shí)間響應(yīng)函數(shù)近似呈指數(shù)規(guī)律. 建立GM(1,1)模型的方法是：設(shè)為原始非負(fù)時(shí)間序列, 為累加生成序列, 即 ( 1) GM(1,1)模型的白化微分方程為： ( 2) 式( 2) 中, 為待辨識(shí)參數(shù), 亦稱發(fā)展系數(shù)；為待辨識(shí)內(nèi)生變量,亦稱灰作

14、用量. 設(shè)待辨識(shí)向量, 按最小二乘法求得式中于是可得到灰色預(yù)測(cè)的離散時(shí)間響應(yīng)函數(shù)為： ( 3) 為所得的累加的預(yù)測(cè)值, 將預(yù)測(cè)值還原即為： ( 4) ( 3) GM(1,1)預(yù)測(cè)模型的MATLAB程序根據(jù)上述GM(1,1)模型的數(shù)學(xué)思想, 結(jié)合MATLAB語(yǔ)言的特點(diǎn)編制了一套可讀性強(qiáng), 容易理解的預(yù)測(cè)程序. 該程序操作簡(jiǎn)單靈活, 穩(wěn)定性好, 直接面向用戶. 4.2, BP神經(jīng)網(wǎng)絡(luò)模型的基本原理( 1) 神經(jīng)網(wǎng)絡(luò)的定義簡(jiǎn)介2神經(jīng)網(wǎng)絡(luò)是由多個(gè)神經(jīng)元組成的廣泛互連的神經(jīng)網(wǎng)絡(luò), 能夠模擬生物神經(jīng)系統(tǒng)真實(shí)世界及物體之間所做出的交互反應(yīng). 人工神經(jīng)網(wǎng)絡(luò)處理信息是通過(guò)信息樣本對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練, 使其具有人的

15、大腦的記憶, 辨識(shí)能力, 完成名種信息處理功能. 它不需要任何先驗(yàn)公式, 就能從已有數(shù)據(jù)中自動(dòng)地歸納規(guī)則, 獲得這些數(shù)據(jù)的內(nèi)在規(guī)律, 具有良好的自學(xué)習(xí), 自適應(yīng), 聯(lián)想記憶, 并行處理和非線性形轉(zhuǎn)換的能力, 特別適合于因果關(guān)系復(fù)雜的非確定性推理, 判斷, 識(shí)別和分類等問(wèn)題. 對(duì)于任意一組隨機(jī)的, 正態(tài)的數(shù)據(jù), 都可以利用人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)行統(tǒng)計(jì)分析, 做出擬合和預(yù)測(cè). 基于誤差反向傳播(Back propagation)算法的多層前饋網(wǎng)絡(luò)(Multiple-layer feedforward network, 簡(jiǎn)記為BP網(wǎng)絡(luò)), 是目前應(yīng)用最成功和廣泛的人工神經(jīng)網(wǎng)絡(luò). ( 2) BP模型的基本

16、原理3 學(xué)習(xí)過(guò)程中由信號(hào)的正向傳播與誤差的逆向傳播兩個(gè)過(guò)程組成. 正向傳播時(shí), 模式作用于輸入層, 經(jīng)隱層處理后, 傳入誤差的逆向傳播階段, 將輸出誤差按某種子形式, 通過(guò)隱層向輸入層逐層返回, 并“分?jǐn)偂苯o各層的所有單元, 從而獲得各層單元的參考誤差或稱誤差信號(hào), 以作為修改各單元權(quán)值的依據(jù). 權(quán)值不斷修改的過(guò)程, 也就是網(wǎng)絡(luò)學(xué)習(xí)過(guò)程. 此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差準(zhǔn)逐漸減少到可接受的程度或達(dá)到設(shè)定的學(xué)習(xí)次數(shù)為止. BP網(wǎng)絡(luò)模型包括其輸入輸出模型, 作用函數(shù)模型, 誤差計(jì)算模型和自學(xué)習(xí)模型. BP網(wǎng)絡(luò)由輸入層, 輸出層以及一個(gè)或多個(gè)隱層節(jié)點(diǎn)互連而成的一種多層網(wǎng), 這種結(jié)構(gòu)使多層前饋網(wǎng)絡(luò)可在

17、輸入和輸出間建立合適的線性或非線性關(guān)系, 又不致使網(wǎng)絡(luò)輸出限制在-1和1之間. 見(jiàn)圖( 1) . 輸入層輸出層隱含層P1X1P2P3Pn圖1 BP網(wǎng)絡(luò)模型 O O O O ( 大于等于一層) W(1)W(L)( 3) BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練BP算法通過(guò)“訓(xùn)練”這一事件來(lái)得到這種輸入, 輸出間合適的線性或非線性關(guān)系. “訓(xùn)練”的過(guò)程可以分為向前傳輸和向后傳輸兩個(gè)階段：1向前傳輸階段：從樣本集中取一個(gè)樣本, 將輸入網(wǎng)絡(luò)；計(jì)算出誤差測(cè)度和實(shí)際輸出；對(duì)權(quán)重值各做一次調(diào)整, 重復(fù)這個(gè)循環(huán), 直到. 2向后傳播階段誤差傳播階段：計(jì)算實(shí)際輸出與理想輸出的差；用輸出層的誤差調(diào)整輸出層權(quán)矩陣；用此誤差估計(jì)輸出層的直

18、接前導(dǎo)層的誤差, 再用輸出層前導(dǎo)層誤差估計(jì)更前一層的誤差. 如此獲得所有其他各層的誤差估計(jì)；并用這些估計(jì)實(shí)現(xiàn)對(duì)權(quán)矩陣的修改. 形成將輸出端表現(xiàn)出的誤差沿著與輸出信號(hào)相反的方向逐級(jí)向輸出端傳遞的過(guò)程. 網(wǎng)絡(luò)關(guān)于整個(gè)樣本集的誤差測(cè)度：4.3, 應(yīng)用步驟( 1) 輸入原始數(shù)據(jù)資料；( 2) 應(yīng)用灰色模型進(jìn)行預(yù)測(cè), 得到預(yù)測(cè)序列；( 3) 將預(yù)測(cè)值作為輸入量, 原始數(shù)據(jù)作為期望值, 對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練, 得到相應(yīng)的權(quán)值和閥值；( 4) 輸入需要預(yù)測(cè)的年份, 即可得到具有相當(dāng)精度的預(yù)測(cè)量. 4.4, 預(yù)測(cè)與結(jié)果分析( 1) 未來(lái)我國(guó)總?cè)丝谧兓闆r通過(guò)查詢中國(guó)人口與發(fā)展研究中心在中國(guó)人口信息網(wǎng)上所公布

19、的數(shù)據(jù), 獲知我國(guó)19962005年的人口總數(shù), 出生率和死亡率數(shù)據(jù). 根據(jù)此數(shù)據(jù), 應(yīng)用灰色模型預(yù)測(cè)我國(guó)未來(lái)10年人口總數(shù), 出生率和死亡率, 將其作為訓(xùn)練樣本( 輸入量) , 19902005年的原始數(shù)據(jù)作為檢驗(yàn)樣本( 期望值) , 對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練. 在此基礎(chǔ)上, 對(duì)我國(guó)未來(lái)45年人口總數(shù)進(jìn)行預(yù)測(cè). 并且我們還分別使用單獨(dú)的GM(1,1)模型和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)中國(guó)未來(lái)45年人口總數(shù)進(jìn)行預(yù)測(cè), 預(yù)測(cè)數(shù)據(jù)見(jiàn)下表4, 每年詳細(xì)數(shù)據(jù)見(jiàn)附錄表1. 表1 2001-2050年全國(guó)總?cè)丝谧儎?dòng)情況預(yù)測(cè)單位(億人)GM(1:1)模型BP神經(jīng)網(wǎng)絡(luò)GM(1,1)和BP神經(jīng)網(wǎng)絡(luò)組合國(guó)家2003人口計(jì)生委

20、預(yù)測(cè)結(jié)果(TFR=1.8)199612.192412.238912.2389199712.297612.362612.3626199812.403712.476112.4761199912.510712.578612.5786200012.618712.674312.6743200112.727612.762712.762712.87200212.837412.845312.845312.97200312.948212.922712.922713.06200413.0612.998812.998813.15200513.172713.075613.075613.24200613.172713.

21、15713.172713.33200713.286413.248913.286413.42200813.40113.342713.40113.51200913.516713.436613.516713.61201013.633313.528313.633313.7201113.75113.615413.75113.8201213.869613.696113.869613.9201313.989313.768813.989314201414.110113.832814.110114.1201514.231813.887814.231814.19202014.856614.044914.67751

22、4.54202515.508814.067714.913114.73203016.189714.001615.000714.83203516.900413.853815.011714.86204017.642413.664214.98114.83204518.416913.518814.920514.68205019.225413.447014.838114.4000將所得數(shù)據(jù)制成圖表, 如下圖所示圖2 未來(lái)我國(guó)總?cè)丝陬A(yù)測(cè)圖按此預(yù)測(cè), 從以上圖表中可以知道我國(guó)人口增長(zhǎng)的中短期和長(zhǎng)期趨勢(shì)為：中國(guó)人口自然增長(zhǎng)率繼續(xù)保持平穩(wěn)下降, 人口總量在中短期內(nèi)繼續(xù)增長(zhǎng), 增速較為平穩(wěn). 人口總量在未來(lái)30年還

23、將凈增2億人左右, 總?cè)丝趯⒂?010年, 2020年分別達(dá)到13.63億人和14.67億人, 2033年前后達(dá)到峰值15.01億人, 之后人口總量緩慢下降. 對(duì)比國(guó)家人口計(jì)生委2003年預(yù)測(cè)結(jié)果, 單獨(dú)的GM(1,1)模型和神經(jīng)網(wǎng)絡(luò)模型都能非常精確的預(yù)測(cè)出在短期內(nèi)我國(guó)未來(lái)人口總數(shù), 在中期預(yù)測(cè)中, 也能較好的反映出人口變化趨勢(shì). 在長(zhǎng)期預(yù)測(cè)時(shí), GM(1,1)的預(yù)測(cè)數(shù)據(jù)偏差非常大, 神經(jīng)網(wǎng)絡(luò)雖然變化趨勢(shì)較符合我國(guó)未來(lái)人口變化情況, 但偏差還是較大. 而組合模型在這三個(gè)時(shí)期內(nèi), 都能夠很好的預(yù)測(cè)出中國(guó)未來(lái)人口總量的及其變化情況. 顯然組合模型的預(yù)測(cè)效果最佳. 關(guān)于GM(1,1)長(zhǎng)期預(yù)測(cè)的局限性

24、將在模型評(píng)價(jià)中討論. ( 2) 婦女生育水平變化情況根據(jù)題中附錄1的數(shù)據(jù), 利用組合模型分別預(yù)測(cè)出未來(lái)全國(guó)育齡婦女人數(shù)變化情況及未來(lái)我國(guó)生育旺盛期育齡婦女( 20-29歲) 人數(shù)預(yù)測(cè), 結(jié)果見(jiàn)下圖圖3.1 未來(lái)我國(guó)育齡婦女( 15-49歲) 人數(shù)預(yù)測(cè)圖3.2 未來(lái)我國(guó)市鎮(zhèn)鄉(xiāng)育齡婦女( 15-49歲) 人數(shù)預(yù)測(cè)圖3.3 未來(lái)我國(guó)生育旺盛期育齡婦女( 20-29歲) 人數(shù)預(yù)測(cè)圖3.4 未來(lái)我國(guó)市鎮(zhèn)鄉(xiāng)生育旺盛期育齡婦女( 20-29歲) 人數(shù)預(yù)測(cè)未來(lái)我國(guó)育齡婦女( 15-49歲) 人數(shù)在短期內(nèi)持續(xù)增加, 在2014年達(dá)到頂峰, 之后開始緩慢下降, 到2033年左右, 下降速度加快. 相反, 我國(guó)生育

25、旺盛期育齡婦女( 20-29歲) 人數(shù)在短期內(nèi)持續(xù)下降, 在2015年達(dá)到低谷, 之后開始緩慢回升, 但是一段時(shí)期后, 又開始緩慢下降, 如此波動(dòng)變化. 由表3.2和表3.4可知城市面臨生育水平降低農(nóng)村則一直持續(xù)較高的生育水平. ( 3) 人口死亡率變化情況人口死亡水平是造成人口數(shù)量和結(jié)構(gòu)變化的重要因素之一, 隨著我國(guó)社會(huì)經(jīng)濟(jì)的迅速發(fā)展醫(yī)療衛(wèi)生條件的進(jìn)一步改善我國(guó)人口的健康水平有了明顯改善, 人口的死亡率較低. 利用組合模型對(duì)人口死亡率變化情況進(jìn)行預(yù)測(cè). 所得結(jié)果下圖 圖4.1 全國(guó)人口死亡率預(yù)測(cè)圖4.2 全國(guó)城市男女死亡率預(yù)測(cè)圖4.3 全國(guó)鎮(zhèn)男女死亡率預(yù)測(cè)圖4.4 全國(guó)鄉(xiāng)男女死亡率預(yù)測(cè)由上圖

26、4.1可以知道, 全國(guó)人口死亡率繼續(xù)保持較低水平( 維持在7已下) , 并緩慢下降, 從1990年的6.67下降到2050年的5.66, 減少了1.01個(gè)千分點(diǎn). 從上圖4.2, 4.3, 4.4可以知道, 我國(guó)男性人口死亡率高于女性人口死亡率, 鄉(xiāng)人口死亡率高于城鎮(zhèn)人口死亡率. ( 4) 城鎮(zhèn)化水平變化情況；城鎮(zhèn)人口比重是衡量經(jīng)濟(jì)發(fā)展水平特別是工業(yè)發(fā)展水平的重要標(biāo)志, 隨著我國(guó)改革開放和經(jīng)濟(jì)建設(shè)的發(fā)展, 城鎮(zhèn)化水平有了較大提高. 可預(yù)測(cè)城鎮(zhèn)化水平變化情況, 如下表所示, 詳細(xì)數(shù)據(jù), 請(qǐng)見(jiàn)附錄表2年份人口城鎮(zhèn)化年份人口城鎮(zhèn)化年份人口城鎮(zhèn)化201052.27202566.53204073.992

27、01559.17203068.57204575.65202065.07203571.41205076.48表2 2001-2050年我國(guó)人口城鎮(zhèn)化水平變化趨勢(shì)圖5 2001-2050年我國(guó)人口城鎮(zhèn)化水平變化趨勢(shì)可以知道我國(guó)人口城鎮(zhèn)化速度在未來(lái)20年里每年增長(zhǎng)1.10-1.50個(gè)百分點(diǎn), 之后人口城鎮(zhèn)化開始放慢增長(zhǎng)速度, 2021-2050年間僅增加11.41個(gè)百分點(diǎn). 到本世紀(jì)中葉, 城鎮(zhèn)化水平在75%左右, 達(dá)到中等發(fā)達(dá)國(guó)家城鎮(zhèn)化水平. ( 5) 老齡化人口問(wèn)題隨著人口年齡結(jié)構(gòu)的不斷老化, 人口年齡結(jié)構(gòu)的類型就會(huì)從年輕型進(jìn)入成年型, 最后進(jìn)入老年型, 我國(guó)人口年齡結(jié)構(gòu)的變化也是經(jīng)過(guò)了不同類型

28、的變化. 從2000年開始我國(guó)65歲以上人口占總?cè)丝诘谋戎剡_(dá)到7%, 14歲人口比例為22.9%, 老少比為30.4%, 年齡中位數(shù)為30.8歲表, 這就意味著我國(guó)即將開始進(jìn)入老齡社會(huì). 根據(jù)中國(guó)人口與發(fā)展研究中心在中國(guó)人口信息網(wǎng)上所公布的數(shù)據(jù), 獲知我國(guó)20012005年的老年人口總數(shù). 見(jiàn)下表3表3 我國(guó)20012005年的老年人口數(shù)據(jù)2001200220032004200565歲以上人口數(shù)(億人)0.910.940.960.981.01人口老齡化程度(%)7.097.247.367.487.61分別使用GM(1,1)和組合模型, 對(duì)老齡化情況作出預(yù)測(cè), 其結(jié)果見(jiàn)下圖5.1, 5.2圖6.

29、1 我國(guó)未來(lái)65歲以上人口數(shù)預(yù)測(cè)圖6.2 我國(guó)未來(lái)人口老齡化程度預(yù)測(cè)圖6.3 我國(guó)城市人口年齡結(jié)構(gòu)預(yù)測(cè)圖6.4 我國(guó)鎮(zhèn)人口年齡結(jié)構(gòu)預(yù)測(cè)圖6.5 我國(guó)鄉(xiāng)人口年齡結(jié)構(gòu)預(yù)測(cè)2005年我國(guó)老年人口已超過(guò)1億人, 到2020年, 65歲以上老年人口將達(dá)到1.74億人, 比重從2005年的8.09%增長(zhǎng)到12.02%. 預(yù)計(jì)2050年, 65歲以上老年人口達(dá)3.38億多人, 比重達(dá)23.23%. 老齡化進(jìn)程加速. 老年人口數(shù)量多, 老齡化速度快, 高齡趨勢(shì)明顯. 人口老齡化將導(dǎo)致?lián)狃B(yǎng)比不斷提高, 尤其是鄉(xiāng)老年人口變化顯著, 50年增加了30多個(gè)百分點(diǎn). 老年人口比重的不斷提高和老年人口絕對(duì)數(shù)的大量增加,

30、在如何搞好老年人口的衣食住行和老有所養(yǎng), 老有所樂(lè), 老有所為等方面是國(guó)家和社會(huì)不容忽視的問(wèn)題. ( 6) 出生人口性別比問(wèn)題( 持續(xù)升高) 中國(guó)出生人口性別比自1984年開始失調(diào), 伴隨著出生人口性別比異常升高的速度從緩慢到加速, 失調(diào)從輕度到重度, 因而對(duì)于出生人口性別比的預(yù)測(cè)就顯得相當(dāng)重要. 由組合模型和題中附錄1中1995-2005年的數(shù)據(jù), 對(duì)出生人口性別比問(wèn)題進(jìn)行預(yù)測(cè), 所得結(jié)果如下圖( 圖7) 所示, 詳細(xì)數(shù)據(jù)查看附錄表3. 圖7 2006-2043年全國(guó)城, 鎮(zhèn), 鄉(xiāng)出生人口性別比變動(dòng)趨勢(shì)出生人口性別比呈上升趨勢(shì). 城鄉(xiāng)失調(diào)程度都較高, 其中農(nóng)村失調(diào)程度最為嚴(yán)重, 鎮(zhèn)人口失調(diào)程

31、度略輕于鄉(xiāng)人口失調(diào)程度, 城市人口失調(diào)程度又略輕與鎮(zhèn)人口失調(diào)程度. 如果隨著失調(diào)情況的進(jìn)一步增長(zhǎng), 導(dǎo)致我國(guó)男女人口比例不正常而產(chǎn)生一系列問(wèn)題. 例如婚姻擠壓?jiǎn)栴}凸現(xiàn), 導(dǎo)致的社會(huì)秩序混亂將成為影響社會(huì)穩(wěn)定的嚴(yán)重隱患. 五, 模型檢驗(yàn)現(xiàn)有我國(guó)19902005年的人口總數(shù), 出生率和死亡率數(shù)據(jù). 用MATLAB編寫的灰色GM(1,1)模型和BP神經(jīng)網(wǎng)絡(luò)模型的程序, 首先根據(jù)我國(guó)1990-2004年的數(shù)據(jù), 利用此組合模型進(jìn)行預(yù)測(cè), 將所預(yù)測(cè)得到的2005年全國(guó)人口總數(shù)與已有數(shù)據(jù)進(jìn)行比較, 并驗(yàn)證組合模型的短期預(yù)測(cè)精度. 通過(guò)計(jì)算, 可知單獨(dú)利用GM(1,1)模型進(jìn)行預(yù)測(cè)得到的2005年全國(guó)人口總

32、數(shù)為13.1727億人, 利用組合模型得到的預(yù)測(cè)數(shù)據(jù)為13.0615億人, 實(shí)際數(shù)值為13.0756億人. 由此得出GM(1,1)預(yù)測(cè)的數(shù)據(jù)與實(shí)際數(shù)值的絕對(duì)誤差是0.0961, 相對(duì)誤差是0.0074, 均方差為0.0687. 組合模型得到的仿真數(shù)據(jù)與實(shí)際數(shù)值的絕對(duì)誤差是0.0143, 相對(duì)誤差是0.00108, 均方差為0.00997. 顯而易見(jiàn), , , 此組合模型在人口總數(shù)預(yù)測(cè)方面仿真數(shù)據(jù)的精確性較單獨(dú)的GM(1,1)模型要高得多. 六, 模型評(píng)價(jià)及推廣1, 灰色GM(1,1)模型評(píng)價(jià)推廣( 1) 灰色GM(1,1)模型優(yōu)點(diǎn)灰色GM(1,1)預(yù)測(cè)模型在計(jì)算過(guò)程中主要以矩陣為主, 它與MA

33、TLAB的結(jié)合解決了它在計(jì)算中的問(wèn)題. 由MATLAB編制的灰色預(yù)測(cè)程序簡(jiǎn)單實(shí)用, 容易操作, 預(yù)測(cè)精度較高. ( 2) 灰色GM(1,1)模型的缺點(diǎn)該模型是指運(yùn)用曲線擬合和灰色系統(tǒng)理論對(duì)我國(guó)人口發(fā)展進(jìn)行預(yù)測(cè)的方法, 因此它對(duì)歷史數(shù)據(jù)有很強(qiáng)的依賴性, 而且GM(1,1)的模型沒(méi)有考慮各個(gè)因素之間的聯(lián)系. 因此, 誤差偏大, 尤其是對(duì)中長(zhǎng)期預(yù)測(cè), 例如對(duì)中國(guó)人口總數(shù)變化情況做長(zhǎng)期預(yù)測(cè)時(shí), 誤差偏大, 脫離實(shí)際. 下面我們來(lái)討論GM(1,1)模型的適用范圍. GM(1,1)模型的白化微分方程：其中為發(fā)展系數(shù), 有命題 當(dāng)GM(1,1)發(fā)展系數(shù)時(shí),GM(1,1)模型無(wú)意義. 通過(guò)分析,可得下述結(jié)論：

34、當(dāng)時(shí),GM(1,1)可用于中長(zhǎng)期預(yù)測(cè)；當(dāng)時(shí), GM(1,1)可用于短期預(yù)測(cè),中長(zhǎng)期預(yù)測(cè)慎用；當(dāng)時(shí), GM(1,1)作短期預(yù)測(cè)應(yīng)十分謹(jǐn)慎；當(dāng)時(shí), 應(yīng)采用殘差修正GM(1,1)；當(dāng)時(shí),不宜采用GM(1,1)在對(duì)中國(guó)人口總數(shù)變化情況做長(zhǎng)期預(yù)測(cè)時(shí), =-0.3572, 因此只能做短期的預(yù)測(cè). 如果要考慮到多因素的聯(lián)系和影響, 此時(shí)我們不妨建立GM( 1, n) 模型. GM( 1, N) 模型能模擬系統(tǒng)發(fā)展的動(dòng)態(tài)過(guò)程, 不但吸收了傳統(tǒng)的灰色模型的建立, 而且建立了多中改進(jìn)的灰色模型, 提高了預(yù)測(cè)精度. 具體參考52, BP神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)推廣( 1) 運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行人口預(yù)測(cè)的可行性 一個(gè)好的人口

35、預(yù)測(cè)模型首先應(yīng)符合人口基本理論和數(shù)學(xué)建模要求, 這是選擇模型的關(guān)鍵. 其次要保證模型數(shù)據(jù)可得, 一致和可比性, 在數(shù)據(jù)預(yù)測(cè)檢驗(yàn)階段應(yīng)充分?jǐn)M合原始數(shù)據(jù),特別是有波動(dòng)的數(shù)據(jù), 因?yàn)椴▌?dòng)性數(shù)據(jù)往往蘊(yùn)藏了系統(tǒng)重要信息. 具有P個(gè)輸入, Q個(gè)輸出的BP網(wǎng)絡(luò)可看作P維歐氏空間到Q維歐氏空間的一個(gè)非線性映射, 含一個(gè)隱含層的BP網(wǎng)絡(luò)可以逼近任何連續(xù)函數(shù). BP網(wǎng)絡(luò)的非線性映射與人口非線性特征是相近的, 對(duì)于未知的人口動(dòng)力學(xué)系統(tǒng)可通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)系統(tǒng)的表征量并進(jìn)行預(yù)測(cè), 已有定理從數(shù)學(xué)上保證了網(wǎng)絡(luò)用于時(shí)間序列預(yù)測(cè)的可行性. 網(wǎng)絡(luò)的輸入向量和結(jié)構(gòu)參數(shù)可由相空間重構(gòu)技術(shù)予以確定, 同時(shí)BP網(wǎng)絡(luò)的動(dòng)態(tài)學(xué)習(xí)能力對(duì)人

36、口波動(dòng)性數(shù)據(jù)具有較強(qiáng)的識(shí)別和擬合能力, 克服了以往人口預(yù)測(cè)模型剔除奇異值或劃分階段處理的缺陷. 因此從模型映射性質(zhì), 輸入變量的選擇和波動(dòng)性數(shù)據(jù)擬合等方面表明BP神經(jīng)網(wǎng)絡(luò)模型用于人口預(yù)測(cè)是可行的. 用神經(jīng)網(wǎng)絡(luò)對(duì)人口歷史數(shù)據(jù)進(jìn)行分析擬合, 是人口預(yù)測(cè)的有效方法. 與傳統(tǒng)的人口預(yù)測(cè)方法相比, 將基于BP神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)方法用于人口預(yù)測(cè), 避免了繁瑣的常規(guī)建模過(guò)程. 神經(jīng)網(wǎng)絡(luò)模型良好的適應(yīng)和自學(xué)習(xí)能力, 使預(yù)測(cè)系統(tǒng)計(jì)算簡(jiǎn)單, 靈活, 運(yùn)用計(jì)算機(jī)強(qiáng)大的組合能力, 可以更好地實(shí)現(xiàn)人口分類預(yù)測(cè)和管理, 大大提高人口預(yù)測(cè)效率和預(yù)測(cè)精度. ( 2) BP神經(jīng)網(wǎng)絡(luò)模型的不足： BP神經(jīng)網(wǎng)絡(luò)需要大量的樣本數(shù)

37、據(jù)用來(lái)訓(xùn)練和測(cè)試, 當(dāng)樣本數(shù)量不夠時(shí), 預(yù)測(cè)的誤偏差很大. 針對(duì)這些問(wèn)題, 我們提出GM(1,1)和BP神經(jīng)網(wǎng)絡(luò)的組合模型, 這樣利用灰色系統(tǒng)理論具有所需要的樣本數(shù)據(jù)少, 原理簡(jiǎn)單, 運(yùn)算方便, 短期預(yù)測(cè)精度高等優(yōu)點(diǎn), 也發(fā)揮了神經(jīng)網(wǎng)絡(luò)并行計(jì)算, 容錯(cuò)能力強(qiáng), 自適應(yīng)能力強(qiáng)等優(yōu)點(diǎn). 七, 我們的一些建議( 1) 今后20年前后我國(guó)人口趨于年青化的發(fā)展態(tài)勢(shì), 之后人口老年化的趨勢(shì)逐漸顯著, 且成年群體的負(fù)擔(dān)會(huì)越來(lái)越重. 鑒于此, 要加強(qiáng)發(fā)展基層的養(yǎng)老保險(xiǎn)等社會(huì)保障事業(yè), 現(xiàn)在的年輕群體可以投入這樣的組織來(lái)保障老年的生活, 同時(shí)也減輕年輕一代的負(fù)擔(dān). ( 2) 繼續(xù)實(shí)施計(jì)劃生育政策, 促使人口健康

38、, 穩(wěn)定發(fā)展, 并利用教育, 宣傳等形式來(lái). 引導(dǎo)男女性別比的協(xié)調(diào)發(fā)展, 如果按照上述的態(tài)勢(shì)發(fā)展, 勢(shì)必會(huì)造成一系列嚴(yán)重的社會(huì)問(wèn)題. ( 3) 發(fā)揮地區(qū)優(yōu)勢(shì), 創(chuàng)造就業(yè)機(jī)會(huì), 我國(guó)的優(yōu)勢(shì), 發(fā)展自己的經(jīng)濟(jì), 活躍市場(chǎng), 給上述的群體創(chuàng)造更多的就業(yè)和再就業(yè)機(jī)會(huì). 結(jié)語(yǔ)： 此組合模型將灰色GM(1,1)模型與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合, 既利用灰色預(yù)測(cè)的需要數(shù)據(jù)少的優(yōu)點(diǎn), 又吸收了BP神經(jīng)網(wǎng)絡(luò)容錯(cuò)能力, 自適應(yīng)能力強(qiáng)的優(yōu)點(diǎn). 此組合模型簡(jiǎn)單, 實(shí)用, 特別是在原始數(shù)據(jù)非常有限的情況下, 可以得到相當(dāng)精度的擬合數(shù)據(jù), 并能得到可靠的預(yù)測(cè)數(shù)據(jù). 由于神經(jīng)網(wǎng)絡(luò)的功能之強(qiáng)大, 型式之多樣, 若能將其它網(wǎng)絡(luò)形式

39、同灰色模型相結(jié)合, 則有可能進(jìn)一步提高預(yù)測(cè)精度, 并能在人口預(yù)測(cè)方面發(fā)揮更大的作用. 參考文獻(xiàn)：1鄧聚龍, 灰預(yù)測(cè)與灰決策, 武漢：華中科技大學(xué)出版社, 2002年. 2聞新 周露 李翔 張寶偉, MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用, 北京：科學(xué)出版社, 2003. 3飛思科技產(chǎn)品研發(fā)中心, MATLAB6.5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì), 北京：電子工業(yè)出版社, 2003. 4 2001-2050年全國(guó)總?cè)丝谧儎?dòng)情況預(yù)測(cè), HYPERLINK /tjsj/tjsj_cy_detail.asp?id=1422 /tjsj/tjsj_cy_detail.asp?id=1422, 2007年9月21日. 5

40、鄧聚龍, 多維灰色規(guī)劃, 武漢：華中理工大學(xué)出版社, 1989年. 附錄附表1 2001-2050年全國(guó)總?cè)丝谧儎?dòng)情況預(yù)測(cè)單位(億人)GM(1:1)模型BP神經(jīng)網(wǎng)絡(luò)GM(1,1)和BP神經(jīng)網(wǎng)絡(luò)組合國(guó)家2003人口計(jì)生委預(yù)測(cè)結(jié)果(TFR=1.8)199011.433311.433311.4333199111.679611.582311.5823199211.780411.717111.7171199311.88211.851711.8517199411.984611.98511.985199512.08812.112112.1121199612.192412.238912.2389199712.

41、297612.362612.3626199812.403712.476112.4761199912.510712.578612.5786200012.618712.674312.6743200112.727612.762712.762712.87200212.837412.845312.845312.97200312.948212.922712.922713.06200413.0612.998812.998813.15200513.172713.075613.075613.24200613.172713.15713.172713.33200713.286413.248913.286413.42

42、200813.40113.342713.40113.51200913.516713.436613.516713.61201013.633313.528313.633313.7201113.75113.615413.75113.8201213.869613.696113.869613.9201313.989313.768813.989314201414.110113.832814.110114.1201514.231813.887814.231814.19201614.354613.934114.334114.27201714.478513.972214.433214.35201814.6035

43、14.002814.523814.42201914.729514.026814.605314.48202014.856614.044914.677514.54202114.984814.057914.740714.59202215.114114.066214.795214.63202315.244614.070414.841614.67202415.376114.070814.880714.7202515.508814.067714.913114.73202615.642714.061214.939614.76202715.777714.051314.96114.78202815.913814

44、.038114.97814.8202916.051214.021614.99114.81203016.189714.001615.000714.83203116.329413.978315.007414.84203216.470313.951615.011614.85203316.612413.921715.013614.85203416.755813.888915.013514.86203516.900413.853815.011714.86203617.046313.816615.008314.86203717.193413.778215.003414.86203817.341713.73

45、9514.997214.86203917.491413.701214.989714.85204017.642413.664214.98114.83204117.794613.629314.97114.81204217.948213.59714.959914.79204318.103113.567714.947814.76204418.259313.541614.934714.72204518.416913.518814.920514.68204618.575813.499114.905514.63204718.736113.482414.889614.58204818.897813.46831

46、4.87314.53204919.060913.456614.855814.4600205019.225413.447014.838114.4000附表2 2001-2050年我國(guó)人口城鎮(zhèn)化水平變化趨勢(shì)市鎮(zhèn)鄉(xiāng)人口城鎮(zhèn)化(%)20010.2420.12970.628337.1720020.25750.12980.612738.7320030.2620.14410.593940.6120040.26650.15790.575642.4420050.27110.1710.557944.2120060.27580.18340.540845.9220070.28060.19520.524247.5820

47、080.28550.20650.50849.220090.29040.21720.492450.7620100.29540.22730.477352.2720110.30050.23690.462653.7420120.30570.24590.448455.1620130.3110.25440.434656.5420140.31640.26240.421257.8820150.32190.26980.408359.1720160.32750.27680.395760.4320170.33310.28330.383661.6420180.33890.28930.371862.8220190.34

48、480.29480.360463.9620200.35070.30.349365.0720210.35680.2960.347265.2820220.3630.29350.343565.6520230.36930.29020.340565.9520240.37570.28670.337666.2420250.38220.28310.334766.5320260.38880.27980.331466.8620270.39550.27670.327867.2220280.40240.27380.323867.6220290.40930.27150.319268.0820300.41640.2693

49、0.314368.5720310.42360.26740.30969.120320.4310.26550.303569.6520330.43840.2640.297670.2420340.4460.26220.291870.8220350.45370.26040.285971.4120360.46160.25820.280271.9820370.46960.25560.274872.5220380.47770.25280.269573.0520390.4860.24930.264773.5320400.49440.24550.260173.9920410.50290.24120.255974.

50、4120420.51160.23620.252274.7820430.52050.23050.24975.120440.52950.22450.24675.420450.53870.21780.243575.6520460.5480.21080.241275.8820470.55750.20320.239376.0720480.56710.19530.237676.2420490.5770.18670.236376.3720500.5870.17780.235276.48附表3 2006-2043年全國(guó)城, 鎮(zhèn), 鄉(xiāng)出生人口性別比變動(dòng)情況預(yù)測(cè)年代市男女出生比例( 女100計(jì)) 鎮(zhèn)男女出生比例(

51、 女100計(jì)) 鄉(xiāng)男女出生比例( 女100計(jì)) 1994114.52124.33116.151995111.92115.62117.751996111.68111.68117.71997108.81125.9118.851998110.68108.73119.981999110.27118.4122.032000113116.3119.32001109.28116.02117.592002111.37123.12122.112003112.06110.97120.92004114.44126.9122.212005113.92117.21121.212006113.3065120.129312

52、2.23172007113.5967120.6005122.61442008113.8876121.0735122.99832009114.1793121.5483123.38342010114.4718122.025123.76972011114.765122.50361240589122.9841124.5462013115.3536123.4664124.93592014115.649123.9507125.32712015115.9452124.4368125.71952016116.2422124.9249126.11312017116.5399125.4148126.5082018116.8384125.9067126.90412019117.1376126.4005127.30142020117.4377126.8963127.72021117.7384127.3939128.09982022118.04127.8936128.50092023118.3423128.3952128.90322024118.6454128.8988129.30682025118.9493129.4043129.71172026119.