一、緒論由2021年人口統(tǒng)計年鑒（圖1）顯示，我國每經(jīng)歷一次生育政策的調(diào)整，其相應年份的生育率都會迎來小高潮。在“全面二孩”實施后，我國生育率從2015年的11.99‰上漲至13.57‰，二孩出生數(shù)占出生總?cè)丝诘谋壤龔?9.76%上漲至40.02%。2017年政策效果更加顯著，二孩出生數(shù)占出生總?cè)丝诘谋壤仙?1.20%（雷昊然，方紫悅，2022）。雖然“全面二孩”政策的調(diào)整帶來了人口紅利，但可以看到，政策實施效果仍遠低于預期。不僅是生育觀念的轉(zhuǎn)變，在日復一日的生活工作壓力下，青年人推遲結(jié)婚與生育的現(xiàn)象已經(jīng)成為主流，使得生育政策實施受阻。故二孩政策實施以后，我國生育率仍逐年下降（田悅澄，白樂天，2023）。直到2020年，生育率首次跌破10‰，下降至8.5‰，中國的生育率前景需引起高度重視。圖SEQ圖\*ARABIC1全國出生率(‰)隨時間變化的時序圖2021年8月，為繼續(xù)著力應對低生育率與人口老齡化問題，十三屆全國人大常委會會議表決通過了“全面三孩”政策。然而，相比于二孩政策而言，三孩政策一經(jīng)實施，目前居民的三孩生育意愿卻無明顯增加。在濟南，當?shù)爻闃诱{(diào)查366戶家庭顯示，超八成居民無三孩生育意愿（陶曉東，鄭麗娟，2021）。即使一些人口專家表示三孩政策的出臺才剛剛開始，短期內(nèi)難以顯現(xiàn)明顯效果，這在一定層面上證實了人們?nèi)匀粚ξ磥碚叩膶嵤┬Ч械綋鷳n。為了確保結(jié)論的有效性，本文進行了結(jié)論的再次審核，本階段研究成果在理論上確認了研究結(jié)果與現(xiàn)有學術(shù)體系的兼容性。因此，什么樣的家庭更傾向于生育多孩？哪些因素制約了大家的生育意愿？如何才能更好發(fā)揮新政策對提高生育率的作用？這些便成為我們所重點關(guān)注的問題（嚴皓翔，鄭君浩，2021）。二、數(shù)據(jù)處理（一）樣本選取本次論文數(shù)據(jù)源自于2018年的中國家庭追蹤調(diào)查(CFPS)。CFPS由北京大學中國社會科學調(diào)查中心組織實施，這無疑地揭示了本質(zhì)其主要調(diào)查包括中國居民的家庭狀況、經(jīng)濟活動、社會、教育、人口等諸多內(nèi)容，是一項全國性、涉及面廣、規(guī)模大的調(diào)查項目。2018年的問卷對大陸所有省、市、自治區(qū)的14000多戶家庭中的全部成員展開調(diào)查，樣本遍布全國范圍，代表性較高（顧云飛，劉曉紅，2021）。本研究不僅在方法論上提供了新的視角，對實際應用也具有重要的指導作用。通過對比分析，本文發(fā)現(xiàn)預期結(jié)果與實際情況之間的差距可以歸因于特定變量的影響，為后續(xù)研究提供了指引。由于CFPS的調(diào)查內(nèi)容豐富，不只是關(guān)注本文所研究的生育信息，所以在利用CFPS的數(shù)據(jù)時還要對樣本進行取舍（林澤宇，傅雪柔，2022）。在樣本選取方面，本文借鑒國家衛(wèi)計委在開展全國生育意愿的研究時所抽取的調(diào)查對象，將20至44歲已婚且育有一孩的人群作為樣本。如此能夠看出此類人群既具有生育能力，滿足合法的生育條件，且其對于生育的考慮更充分、更理性，能夠直接反應是否再生、多生（盧俊延，趙一銘，2019）。（二）變量選取1.因變量由于本次研究目的是分析不同人群的意愿生育數(shù)量及其影響因素，以對未來人群生育狀況況進行展望，并對此后生育政策的實施提供相關(guān)建議，故本研究選擇理想子女數(shù)作為因變量。2.自變量雖然CFPS不是針對人口問題而專門進行的調(diào)查，但其涉及面廣，可以為我們選取影響特征提供較大的空間。在參考了一些學者的研究成果后，本文將從個體因素、家庭因素、社會地域因素、觀念因素四個方面對生育意愿潛在影響因素進行選取(薛宇峰,馬思敏,2021)。從這些規(guī)則中看出個體因素包含個人的年齡、性別、最高學歷、工作強度、婚姻滿意度、工作滿意度、健康狀況、生活滿意度8個；家庭因素包含家庭年收入、家庭規(guī)模、配偶年齡、配偶最高學歷、父母幫助、孩子撫養(yǎng)費影響、一孩性別、一孩年齡、住房類型、是否入不敷出10個（孫智慧，周智航，2019）；社會地域因素包含戶口、民族、地區(qū)經(jīng)濟、地區(qū)生育政策、醫(yī)療保險、養(yǎng)老保險6個、觀念因素包括認為與配偶關(guān)系親密很重要、認為傳宗接代很重要、認為子女有出息很重要、認為不孤單很重要、認為死后有人念想很重要、認為家庭美滿和睦很重要6個(成澤光、宋向昊、林俊昊,2023)。（三）數(shù)據(jù)預處理1.缺失值處理CFPS數(shù)據(jù)中的缺失值包含許多類，如“不適用”、“不知道”、“拒絕回答”、純?nèi)笔В∟A）等。其中，“不適用”的情況是由于對象不符合作答要求而導致的問卷系統(tǒng)自動跳轉(zhuǎn)所造成的缺失，故在處理時要根據(jù)情況將存在“不適用”的變量及其樣本進行逐一處理(余佳怡,趙英杰,2021)。對于變量父母幫助，由于父親/母親去世、離家而產(chǎn)生的不適用，在此類條件限制下可以推知其必然結(jié)果本文將其變換為沒有父親/母親幫助的情況。對于變量是否入不敷出，在問卷中是校驗問題，其“不適用”情況即為入大于出的情況，故將其值更改即可(許俊天,成瑾瑜,2023)。該方案注重用戶需求的挖掘和滿足，通過優(yōu)化界面設計和交互流程，提供了更加直觀、便捷的操作體驗。其他變量中部分樣本由于不明原因產(chǎn)生了“不適用”的情況，我們將其進行剔除。對于其他情況的缺失值，我們進行如下處理：首先對于自變量家庭年收入中的部分缺失值，可以利用CFPS所提供的估計值（根據(jù)調(diào)查人員所詢問到的收入上下限而得）進行替代(陳昊忠,趙潔妮,2021)。由這些初期發(fā)現(xiàn)驅(qū)動的研究規(guī)劃，將助力提升整個領(lǐng)域的研究層次，加速科學進展的步伐，并為政策制定、工業(yè)實踐和社會變遷提供堅實的理論根基與實踐指南。從這些現(xiàn)象中顯示其次在部分樣品中出現(xiàn)了多個變量值的缺失，例如部分樣本關(guān)于個人工作的相關(guān)信息中，工作強度、工作滿意度、工作所有者及性質(zhì)、工作是否為第一產(chǎn)業(yè)一起出現(xiàn)缺失的情況較多，這類缺失信息較多的樣本將其剔除。其余變量的缺失情況較少，總?cè)笔什怀^2%，故也直接將剩余含缺失值的樣本進行剔除。最終我們保留了4316個樣本進行分析(張璐瑤,付芳倩,2020)。2.變量變換對于因變量理想子女數(shù)，由于無生育意愿（理想子女數(shù)為0）與想生育3孩以上的人群占比較少，分別為21人與60人，故本文將因變量轉(zhuǎn)化為定性變量進行研究。因變量一共分為三個水平，在此類背景下其中1孩及以下的生育意愿者歸為一類，作為低生育水平組(錢一凡,孟欣怡,2022)；3孩及以上的生育意愿者歸為一類，作為高生育水平組；2孩生育意愿者單獨一類，作為中等生育水平組。對于數(shù)值型自變量，本文將其離散化處理。如圖2所示，家庭年收入和工作強度包含的異常點較多，這在某種程度上昭示了離散化處理后可以使得這些信息能夠更好地保留（雷振宇，熊靜宜，2024）。并且本文運用的是多分類模型，離散化后的數(shù)據(jù)能夠提升分類模型表達能力，使模型更穩(wěn)定。在本文中，采用等距分組的思想，將各個定量自變量分為4~6組不等。這些新發(fā)現(xiàn)為后續(xù)的研究提供了明確方向，突出了理論分析與實證檢驗相結(jié)合的重要性。圖SEQ圖\*ARABIC2工作強度與對數(shù)化家庭年收入的箱線圖這在一定層面上傳達對于自變量地區(qū)經(jīng)濟，本文按國家統(tǒng)計局的劃分標準，將經(jīng)濟區(qū)域劃分為四大區(qū)，按經(jīng)濟發(fā)展（平均GDP）從低到高排列依次為東北地區(qū)、西部、中部、東部。詳細的地區(qū)劃分情況如圖3所示。這在某種程度上證明對于自變量地區(qū)生育政策，由于習俗等差異使得各地區(qū)生育政策也顯現(xiàn)出差異性。我們利用各地區(qū)平均政策生育率將生育政策地區(qū)劃分為四個類別，其中一類地區(qū)平均政策生育率小于1.3，實行以“一孩”為主的政策（賴澤凱，丁雨馨，2023）；這在一定程度上提示二類地區(qū)平均政策生育率在1.3至1.5之間，實行“一孩半”為主的政策（即一孩為女性允許生育第二孩）；三類地區(qū)平均政策生育率在1.5至2之間，實行以“二孩”為主的政策；四類地區(qū)平均政策生育率大于2，實行“三孩”為主的政策。經(jīng)此步驟，本文驗證了研究結(jié)論的理論支撐，確認其不僅能強化現(xiàn)有理論體系，還可能在某些方面提出新穎見解或挑戰(zhàn)傳統(tǒng)看法。詳細的地區(qū)劃分情況如圖4所示(梅小何，黎靜,2023)。圖SEQ圖\*ARABIC3地區(qū)經(jīng)濟劃分情況圖SEQ圖\*ARABIC4地區(qū)生育政策劃分情況對于自變量父母幫助，對應問卷將其分為父親/母親幫助兩個變量，意為父親/母親是否提供對兒女的照料，所以對其進行合并處理，即只要父母有一方提供幫助，則認為父母幫助取值為“是”，否則為“否”(龔志強,邱藝瑾,2020)。對于自變量醫(yī)療保險與養(yǎng)老保險，本文將只要參加一種醫(yī)療保險的即認為其參加了醫(yī)療保險，養(yǎng)老保險同理，在這種狀態(tài)里故將兩個變量轉(zhuǎn)化為二分類變量。同時，民族變量中將非漢族的人群合并，將自變量民族轉(zhuǎn)化為二分類變量。數(shù)據(jù)處理后的變量如表1所示（肖睿淵，李明軒，2019）。 表SEQ表\*ARABIC1變量說明表變量名含義性質(zhì)取值說明Y理想子女數(shù)多分類有序1孩及以下;2孩;3孩及以上X1年齡多分類有序[20,25);[25,30);[30,35);[35,40);[40,44]X2性別二分類男;女X3最高學歷多分類有序小學及以下;初中;高中及中專;大專;本科;碩士及以上X4健康狀況多分類有序1~5

（健康狀況依次遞增）X5婚姻滿意度多分類有序1~5

（滿意度依次遞增）X6工作強度多分類有序[0,20);[20,40);[40,60);[60,80);[80,+∞)X7工作是否為第一產(chǎn)業(yè)多分類有序否;是X8工作所有者及性質(zhì)多分類無序自營;政府機關(guān);事業(yè)單位;受雇于國企;受雇于私企;其他X9工作滿意度多分類有序1~5

（滿意度依次遞增）X10生活滿意度多分類有序1~5

（滿意度依次遞增）X11家庭年收入多分類有序[0,50000);[50000,100000);[100000,150000);[150000,200000);[200000,+∞)X12家庭規(guī)模多分類有序[0,4);[4,8);[8,+∞)X13配偶年齡多分類有序[20,25);[25,30);[30,35);[35,40);[40,44]X14配偶最高學歷多分類有序小學及以下;初中;高中及中專;大專;本科;碩士及以上X15父母幫助二分類否;是X16孩子撫養(yǎng)費影響多分類有序1~5

（撫養(yǎng)費依次遞增）X17一孩性別二分類男;女X18一孩年齡多分類有序[0,3);[3,6);[6,9);[9,12);[12,15);[15,18);[18,+∞)X19住房類型多分類無序自購房;單位供房;市場租房;政府租房;其他X20是否入不敷出二分類否;是X21戶口二分類城市戶口;農(nóng)業(yè)戶口X22民族二分類漢族;其他X23地區(qū)經(jīng)濟多分類無序東部地區(qū);中部地區(qū);西部地區(qū);東北地區(qū)X24地區(qū)生育政策多分類無序一類地區(qū);二類地區(qū);三類地區(qū);四類地區(qū)X25醫(yī)療保險二分類否;是X26養(yǎng)老保險二分類否;是X27認為與配偶關(guān)系親密很重要多分類有序1~5

（重要性依次遞增）X28認為不孤單很重要多分類有序1~5

（重要性依次遞增）X29認為死后有人念想很重要多分類有序1~5

（重要性依次遞增）X30認為家庭美滿和睦很重要多分類有序1~5

（重要性依次遞增）X31認為傳宗接代很重要多分類有序1~5

（重要性依次遞增）X32認為子女有出息很重要多分類有序1~5

（重要性依次遞增）三、探索性數(shù)據(jù)分析為初步了解各因素對于研究對象生育意愿的影響情況，故在建立具體的模型之前，先對數(shù)據(jù)進行探索性分析，為后續(xù)建模做出鋪墊（林志遠，何婉晴，2021）。（一）描述統(tǒng)計1.因變量對于因變量理想子女數(shù)(Y)，研究對象中理想子女數(shù)平均值為1.91，其原始變量理想子女數(shù)分布近似呈現(xiàn)泊松分布形式。在這般的背景下如圖5所示，意愿生育2孩的人群居多，共占69.21%，而1孩及以下與3孩及以上的意愿生育人群分別占比21.32%、9.31%，數(shù)據(jù)符合二孩政策實施至今的目標人群生育意愿的情況(周文婷,趙悅軒,2020)。圖SEQ圖\*ARABIC5理想子女數(shù)分布2.自變量由于變量眾多，此處不再對所有變量一一分析，只列舉出幾個典型的變量，觀察它們對因變量的影響。每個理論模型均是對現(xiàn)實世界的簡化描繪，故難免會包含某些近似處理。這可能會使得模型在特定情境或極端環(huán)境下難以精確反映真實狀況。對于自變量年齡(X1)和配偶年齡(X13)，從這些應用可以了解到兩個變量的分布較為一致，并且人群不同年齡段的生育意愿占比除了25歲以下的人群意愿生3孩及以上的較少，其他年齡段占比也較為一致(王彥博,劉紫琪,2023)。而對于一孩年齡(X18)，由圖6發(fā)現(xiàn)，隨著一孩年齡的增加，人群中低生育意愿的占比會逐漸減小，而生育2孩甚至3孩的人群占比會逐漸增大(王宇翔,孫婧瑤,2019)。理論模型作為現(xiàn)實世界的簡化再現(xiàn)，總會包含一些近似處理。這可能會使得模型在特定場景或極端條件下無法準確反映現(xiàn)實。這些行為透露出一些意圖這可能是由于一孩年齡較小，父母會花費更多精力與資源來照顧一個孩子，而當孩子年齡逐漸增大，孩子更好照顧，而且考慮到孩子會更加獨立而陪伴父母的時間也會變少，父母就更想多生一孩。圖SEQ圖\*ARABIC6理想子女數(shù)與一孩年齡的柱狀堆疊圖對于自變量家庭規(guī)模(X12)，如圖7所示，當一個家庭的成員越多時，其意愿生育水平也越高（沈君浩，何啟航，2021）。這些事件預示著一些未來的可能性家庭提供的幫助更多，個人照顧小孩的負擔就會相應減輕。而對于父母幫助(X15)而言，有無父母幫助其生育意愿的分布比例相似。父母是否提供幫助對于個人生育意愿的影響也不會太大。本文通過采納更為創(chuàng)新的設計理念，它實現(xiàn)了效率的顯著提高與錯誤率的大幅下降，從而極大提升了整體的可操作性。圖SEQ圖\*ARABIC7理想子女數(shù)與家庭規(guī)模、父母幫助的柱狀堆疊圖對于個人的一些心理因素，例如認為傳宗接代很重要(X31)。大多數(shù)對于傳宗接代的評分都在3及以上，本文研究背景下我們充分估算了這種情況的影響我們也可以從圖8看出，當一個人越認為傳宗接代重要，就越傾向于多生，以滿足自己心理乃至整個家庭心理的需求。圖SEQ圖\*ARABIC8理想子女數(shù)與認為傳宗接代很重要的柱狀堆疊圖（二）卡方獨立性檢驗由于因變量和自變量均為定性變量，故本文利用卡方獨立性檢驗，來檢驗因變量與各個自變量之間的相互關(guān)聯(lián)(夏子淳,馬欣妍,2023)。其檢驗的原假設為：兩個定性變量不具有相關(guān)性；備擇假設為：在這般的框架內(nèi)兩個定性變量具有相關(guān)性。為保障上述結(jié)論的權(quán)威性，本論文從多個維度進行了深入的剖析與核實。我們采用了多種來源的高質(zhì)量數(shù)據(jù)，并通過嚴格的篩選與清理流程，保證了數(shù)據(jù)的準確性與信賴度。對32個變量都進行卡方獨立性檢驗后，得到在0.05的顯著性水平下，只有變量X5（婚姻滿意度）、X19（住房類型）沒有拒絕原假設，它們的p值分別為0.491、0.111，說明這兩個自變量與因變量間不具有顯著的相關(guān)性。在對各個變量進行初步探索后，從這些記錄中體現(xiàn)可以看到由于意愿生育人群中生育2孩居多，所以在不同特征中的2孩人群都占有一定比例，而1孩與3孩人群在不同特征中都相對較少，這使得利用描述統(tǒng)計進行探索時不能較好發(fā)現(xiàn)影響生育意愿的重要特征。理論上而言，只要方案所接收的輸入信息與預期目標一致，其輸出結(jié)果就有望達到設計的預期效果。對變量進行卡方檢驗時，這在一定程度上映射也僅能得出單個自變量與因變量是否相關(guān)，而無法得到自變量的組合對因變量的影響程度（魯啟銘，武景云，2023）。且大多數(shù)自變量能通過卡方檢驗，而對因變量的影響有多大卻不能通過卡方檢驗得知。為了深入探究不同生育意愿的影響因素，便要借助于不同的模型進行分析(牟天翔,閻俊豪,2021)。四、實證分析（一）數(shù)據(jù)準備為了比較各模型的優(yōu)劣，在建立模型前需劃分測試集(test)與訓練集(train)。本文將數(shù)據(jù)的25%作為測試集，在此類條件基礎(chǔ)上可以推知其變化共3237個樣本；75%作為訓練集，共1079個樣本（尹天磊，顧子凡，2018）。在進行探索性數(shù)據(jù)分析時我們發(fā)現(xiàn)，因變量不同類別占比約為2:7:1，故在對測試集訓練集進行劃分時，需保持因變量的分布一致，即以因變量為指標進行分層隨機抽樣。（二）評價指標在二分類算法中，學者們通常采用準確率(Acc)、F1得分、ROC曲線與AUC等來評判模型擬合效果。本研究在此采納了既有的策略來構(gòu)建計算框架，并對其進行了適度簡化，旨在增強其實際應用價值和易操作性。在此類條件基礎(chǔ)上可以推知其變化其中準確率即為被正確分類的樣本單元所占比重。ROC曲線由假正例率，真正例率組成（荀嘉言，韓睿哲，2018）。其中假正例率(FPR)指真實的反例預測錯誤的比例，真正例率(TPR)指真實的正例預測正確的比例。以FPR為橫軸，TPR為縱軸，按照前番之解析可繪制出ROC曲線。而AUC對應為ROC曲線下的面積。F1得分在二分類中即為召回率(Recall)與精準度(Precision)的調(diào)和平均(周瑞文,李一凡,2020)。而在多分類的模型評價中，由于以不同對照類別得到的FPR、TPR等均不同，且在多分類問題中還要通?？紤]到類間不平衡問題，立足于以上分析結(jié)果所以我們不能只滿足于用Acc來評價模型。在本文中，選取的算法指標除了Acc，還有類均衡準確率(BalancedAccuracy,CBAcc)、Macro-F1得分、Micro-F1得分、Kappa系數(shù)。其中CBAcc是指對準確率的一個改進，即考慮了類的不平衡性所得的平均準確率，其計算公式為（溫嘉言，孔澤楷，2023）： （SEQ（\*ARABIC1）于此情境下公式（1）中t代表因變量類別數(shù)，aii代表真實標簽為i時分類結(jié)果也為i的樣本個數(shù)，ai·Macro-F1與Micro-F1是F1得分應用于多分類的情形，其是在將t個類別進行兩兩分組后所得到t(t-1)/2個混淆矩陣的基礎(chǔ)上計算得到的(熊浩淼,劉若兮,2018)。其中，Macro-F1是先分別計算每個混淆矩陣的召回率與精準度，即將某個類別作為正例，其余類別作為負例依次計算召回率與精準度，隨著形勢發(fā)展得到平均召回率與平均精準度后計算F1得分；為了探索提議在不同環(huán)境中的適用性，本文考慮了幾種典型應用場景，并針對每種場景調(diào)整系統(tǒng)參數(shù)，這不僅驗證了提議的合理性和可行性，也為未來的探索提供了重要參考。Micro-F1是先計算每個混淆矩陣對應元素的平均值，即將某個類別作為正例，其余類別作為負例依次計算真正例(TP)、假正例(FP)、真負例(TN)、假負例(FN)，得到四個指標的平均值，由此可以明顯觀察到以此為基礎(chǔ)計算召回率與精準度后得到的F1得分（黃子軒，陳夢瑤，2022）。由于此處Micro-F1與Acc等價，故指標評價中只需應用Acc即可。Kappa系數(shù)也是對準確率的一個調(diào)整，其計算公式為： （SEQ（\*ARABIC2）公式（2）中，。當Kappa系數(shù)值通常在0~1之間，且Kappa系數(shù)越大時，其模型預測的一致性就越高。（三）多分類Logistic回歸模型我們在建立模型之前，先要對無序多分類變量進行獨熱編碼，即將包含3個及以上類別的定類變量轉(zhuǎn)化為啞變量，才能合理解釋自變量系數(shù)。本文主要對X8、X19、X23、X24進行獨熱處理(曹新宇,黃琪睿,2022)。這不僅增強了本文對相關(guān)理論機制的理解，同時也為后續(xù)研究提供了堅實的基礎(chǔ)。此發(fā)現(xiàn)還進一步支持了該領(lǐng)域內(nèi)其他類似研究所得到的結(jié)論，促進了理論框架的完善與發(fā)展。普通的多分類Logistic回歸模型可以按照因變量的性質(zhì)分為有序與無序兩種。由于理想子女數(shù)Y為具有三個類別的定序變量，本文先嘗試使用有序多分類Logistic回歸建模，在這等場景下發(fā)現(xiàn)在0.05的顯著性水平下利用訓練集得到的有序多分類Logistic模型未通過平行線檢驗，因此改用無序多分類Logistic回歸進行(趙睿智,楊可兒,2022)。對于無序多分類Logistic回歸而言，由于本文中研究的理想子女數(shù)Y具有三個類別，故需提前選取Y的某一類作為參照建立兩個回歸方程。此項結(jié)果與本文預先設想的研究結(jié)果一致，這在一定程度上反映了本文研究設計的科學性和理論結(jié)構(gòu)的合理性。在本文中，我們選取意愿生育2孩為參照，從這些步驟可以領(lǐng)悟到其所建立的兩個回歸方程表達式為(王玉萍,高志鵬,2021)： （SEQ（\*ARABIC3） （SEQ（\*ARABIC4）其中P1、P2、表SEQ表\*ARABIC2BIC準則下多分類Logistic回歸參數(shù)變量名模型(1)系數(shù)顯著性模型(2)系數(shù)顯著性(Intercept)1.970***-3.028***X34**X20.017-0.372**X30.222**-0.091X70.1630.731***X8.2-54**X8.4-0.442*-0.063X110.077.0.144*X12-0.652***0.645***X140.242***-0.133X15-0.171.-0.191X17-0.211*0.601***X18-0.170***-0.096.X19.20.103-0.398*X19.3-1.172**-0.719X21-37X22-0.541**0.486*X23.41.293***-1.611***X24.2-1.168***-0.060X24.3-1.223***-0.538*X24.4-0.339-3.003***X26-0.122-0.641***X27-0.266***-0.031X274X29-0.005-0.155**X300.293**-0.067X31-0.245***0.131.X32-0.156*0.011由表2，就個體因素而言，年齡越大、男性、工作為第一產(chǎn)業(yè)且是自營的個體傾向于多生，學歷越高、工作為事業(yè)單位的傾向于少生(蔡家棟,郭潤澤,2019)。就家庭因素而言，家庭規(guī)模大、年收入高、一孩年齡大、住房非單位供房的傾向于多生，配偶學歷高、一孩為男性的傾向于少生。本部分創(chuàng)作借鑒了何其飛教授在相關(guān)主題的研究，體現(xiàn)在思路和手法兩個方面。在思路上，本文沿用他對研究問題循序漸進分析的方法，確定明確的研究目標和假設，構(gòu)建嚴密的研究架構(gòu)。在這樣的條件下就社會地域因素而言，少數(shù)民族、沒有養(yǎng)老保險的傾向于多生，東北地區(qū)、一類地區(qū)的人傾向于少生。就心理因素而言，認為傳宗接代很重要、認為子女有出息很重要、認為與配偶關(guān)系親密很重要的傾向于多生(張浩然，陳婧雅,2020)。由表3所示，將BIC準則下的模型運用于測試集中預測發(fā)現(xiàn)，在3孩及以上的類別中，只有14個樣本被準確預測，其召回率僅有約13%，而更多的變量被錯判為2孩。在此情況下再通過表3的混淆矩陣計算各類指標，得出其Acc為71.08%，CBAcc為36.35%，Kappa系數(shù)為0.1982，Macro-F1為53.39%。其各個指標都相對偏低，說明無序多分類Logistic模型擬合效果不佳(李志強,朱媛媛,2020)。這可能是因為普通Logistic模型對非線性可分的數(shù)據(jù)集分類效果較差；在研究方法的選取上，打破了單一方法的局限，創(chuàng)新性地融合了多學科的研究途徑。在理論運用方面，嘗試從不同的理論體系中獲取滋養(yǎng)，搭建綜合性的理論分析平臺?；蛘呤且恍┳兞块g的綜合作用可能會對生育意愿產(chǎn)生較大影響，而Logistic模型不能很好地探究這些綜合作用；在這種情形下又或者是數(shù)據(jù)不平衡性導致了Logistic回歸預測效果差，這些都是我們后續(xù)建模所要考慮的因素(林志遠,許琳娜,2020)。表SEQ表\*ARABIC3BIC準則下多分類Logistic回歸的混淆矩陣真實值123預測值15245121767018732114（四）決策樹與隨機森林為了能更好地探究出因變量與自變量之間的復雜關(guān)系，我們分別采用決策樹和隨機森林模型進行研究。決策樹（DecisionTree）是一種基本的有監(jiān)督式模型，能夠用于分類與回歸。其中分類決策樹根據(jù)因素對樣本進行劃分，其分類過程呈現(xiàn)樹杈狀。決策樹利用遞歸方法，依次選取較重要的因素，這在一定程度上象征著并根據(jù)該因素對數(shù)據(jù)加以細分，以滿足分類的結(jié)果最好。在理論運用方面，嘗試從不同的理論體系中汲取精華，構(gòu)建綜合性的理論分析框架。通過這種途徑，既能發(fā)現(xiàn)以往研究未曾涉及的理論空白之處，又能為相關(guān)領(lǐng)域的理論發(fā)展注入新活力，拓展理論研究的邊界范圍，為后續(xù)研究提供更廣闊的思考空間。決策樹從根結(jié)點出發(fā)，利用各個因素訓練模型，再按照訓練結(jié)果將每個樣本依次分派到子結(jié)點(楊曉華,馬春暉,2020)。接著再以此子結(jié)點出發(fā)，將樣本分派到下一個子結(jié)點。如此反復進行，這在一定程度上顯露直到最后使每個樣品能夠到達末端葉結(jié)點的各個類中。決策樹算法常用的有三種：ID3算法利用信息增益(Gain)來進行衡量；C4.5算法利用信息增益率衡量，即為ID3算法的修改；而CART算法則利用基尼系數(shù)(Gini)來衡量。本文主要使用ID3和CART算法進行模型擬合(劉志恒,葉思潔,2019)。ID3算法中，信息熵能夠衡量數(shù)據(jù)的信息量，一個數(shù)據(jù)集信息越多，熵越大，也就代表該數(shù)據(jù)集各種類別都有，數(shù)據(jù)就越混亂。其公式為： （SEQ（\*ARABIC5）這在一定水平上揭露式（5）中k為數(shù)據(jù)集D的類別數(shù)，pi為第i個類別占比。利用某一屬性A對D進行分割后，數(shù)據(jù)混亂度會下降，也即熵會下降。此處熵下降量便為信息增益，其計算公式即為 （SEQ（\*ARABIC6） 式（6）中|D|表示數(shù)據(jù)集D的數(shù)據(jù)量，v代表屬性A將D分割的數(shù)量。ID3算法就是通過在每個非葉子結(jié)點處選擇Gain最大的因素進行數(shù)據(jù)集的分割，持續(xù)進行直至結(jié)點下的樣本屬于同一類、樹的最大深度(max_depth)已達到到等終止條件為止(孫睿哲,周梓萱,2024)。這不僅提升了對研究假設的信賴度，也證明了所運用研究方法的合理性。這種一致性為跨研究間的對照提供了基礎(chǔ)，促進了更全面和系統(tǒng)化的理論框架形成。CART算法的分割原理與ID3算法類似，這在一定層面上證實了但其使用的是Gini系數(shù)度量數(shù)據(jù)的混亂度?；嵯禂?shù)運算公式為： （SEQ（\*ARABIC7）利用某一屬性A對D進行分割后得到的每個類別的基尼系數(shù)為： （SEQ（\*ARABIC8）這無疑地揭示了本質(zhì)此時與ID3不同，CART算法是選擇使得分割后數(shù)據(jù)基尼系數(shù)最小的屬性來依次進行分割。以ID3和CART方法分別構(gòu)建決策樹，決策樹參數(shù)利用網(wǎng)格搜索依次調(diào)整樹的最大深度、葉子結(jié)點要求的最少樣本數(shù)、最大特征數(shù)目、結(jié)點再劃分所需最少樣本數(shù)，如此能夠看出搜索參數(shù)利用5折交叉驗證，得分指標選取Macro-F1。在進行參數(shù)調(diào)優(yōu)后，得到兩個決策樹各個平均指標如表(黃思源,張怡彤,2022)?？梢园l(fā)現(xiàn)，CART方法構(gòu)造出的決策樹預測效果與ID3構(gòu)造的決策樹相差不大。本文制定了詳盡的研究計劃，并對可能產(chǎn)生誤差的各類因素進行了深入考量與分析，諸如環(huán)境變動、人為操作多樣性以及數(shù)據(jù)精度等。兩個決策樹Acc約為68%，較低于Logistic回歸的預測結(jié)果(高雅婷,林思彤,2024)。而其Kappa系數(shù)與Macro-F1相較于Logistic回歸更好，說明決策樹增加了對少數(shù)類預測的精度。表SEQ表\*ARABIC4不同算法下決策樹評價指標AccCBAccMacro-F1KappaID367.56%54.63%56.77%0.3292CART67.84%55.22&57.63%0.3355在參數(shù)調(diào)優(yōu)時，發(fā)現(xiàn)網(wǎng)格搜索將最大深度調(diào)至20以上，這增加了過擬合的風險。所以，在此類條件限制下可以推知其必然結(jié)果一顆決策樹模型并不能夠很準確地對本文數(shù)據(jù)集進行預測，于是本文想到建立多個決策樹模型以加強對數(shù)據(jù)的預測效果，即引入隨機森林模型。隨機森林(RandomForest)是一種集成學習的方法，其相當于建立起一個森林，森林里全是決策樹，每棵樹通過從訓練集中獨立隨機抽樣得到的樣本數(shù)據(jù)進行構(gòu)建。通過對所有互不影響的決策樹分別進行預測，從這些現(xiàn)象中顯示將所有決策樹預測結(jié)果合并，統(tǒng)計預測結(jié)果最多的類別作為隨機森林最終預測結(jié)果。雖然本項研究小有斬獲，但本文深知，任何鉆研都脫不開局限性。未來研究大可在現(xiàn)有根基上持續(xù)深耕細作，尤其在樣本選定、研究技法優(yōu)化以及理論模子打磨等方面，有著極大的改進潛力與發(fā)展余地。隨機森林由于集成多顆決策樹，使得決策樹可以更加復雜或包含更多信息，這樣便改善了單一決策樹過擬合的風險(張慧敏，錢文杰,2024)。決策樹選取CART算法，在建立隨機森林模型時，首先選取決策樹個數(shù)(n_estimators)。在此類背景下本文在訓練集上從1顆決策樹開始，每隔10步建立隨機森林模型，仍然通過5折交叉驗證得到不同決策樹個數(shù)下的平均得分，得分指標仍選取Macro-F1，再選取得分較高且穩(wěn)定時所對應的決策樹個數(shù)。如圖9所示，可以發(fā)現(xiàn)，當決策樹個數(shù)達到200個以上時，平均得分變得較為平穩(wěn)。圖SEQ圖\*ARABIC9不同決策樹個數(shù)的隨機森林的Macro-F1值選取n_estimators=200后，再利用網(wǎng)格搜索的方法調(diào)節(jié)決策樹的參數(shù)。根據(jù)在訓練集上的最高得分設置隨機森林的參數(shù)為max_depth=22，max_features=24，min_samples_split=2，min_samples_leaf=1（陶曉東，鄭麗娟，2021）。這在某種程度上昭示了圖10列舉了評分前20的因素，其中評分最高的三個變量分別為一孩年齡(X18)、孩子撫養(yǎng)費用影響(X16)、健康狀況(X4)。在后續(xù)的研究中會對已有的研究成果進一步從不同的角度進行優(yōu)化，會深入分析數(shù)據(jù)以揭示更深層次的相關(guān)性和趨勢，將探索不同方法的研究設計，以驗證研究結(jié)論的普遍性和適用性，以豐富研究內(nèi)容和提升模型的解釋力。圖SEQ圖\*ARABIC10隨機森林特征重要性評分排序圖將訓練好的隨機森林模型運用于測試集上得到表5的混淆矩陣，可由混淆矩陣計算出其Acc為79.8%，CBAcc為55.24%，Kappa系數(shù)為0.4891，Macro-F1為66.22%?？梢钥吹?，這在一定層面上傳達隨機森林預測效果較Logistic回歸與單一的決策樹都有明顯提升（嚴皓翔，鄭君浩，2021）。這不僅表明本文的研究結(jié)論獲得了現(xiàn)有理論的支持，還為相關(guān)理論帶來了新的思考或補充，有助于理論體系的完善。表SEQ表\*ARABIC5多分類隨機森林的混淆矩陣真實值123預測值111032221207096130639（五）一對一分解模型通常在解決多分類問題時，由于二分類的分析比起多分類更容易，并且理論研究也更成熟，因此目前許多學者采用“分解法”的思想，將多分類模型分解為多個二分類模型，這在某種程度上證明使得一些適用于二分類的模型（如支持向量機(SVM)）運用于多分類中。分解法主要包括一對一分解(OneversusOne,OvO)和一對多分解（OneversusRest,OvR）。通過引入新的視角和方法論，本研究對既有理論進行了補充和改進，為未來的研究提供了更加堅實的基礎(chǔ)和廣泛的探索空間。其中OvO是將因變量的t個類別進行兩兩配對，一共構(gòu)建t(t-1)/2個二分類模型，最終以所有二分類模型中預測最多的類別作為預測結(jié)果。OvR是依次以因變量的某個類別為正例，而將其他t-1個類別全作為負例，一共構(gòu)建t個二分類模型，這在一定程度上提示最終以所有二分類模型中預測最多的類別作為預測結(jié)果（顧云飛，劉曉紅，2021）。由于OvR模型每次將除了正例以外的其他類別作為負例，人為引入了不平衡，并且本次我們所研究的因變量為定序變量，且只有3個類別，相較于OvR不會增加運算，故OvO模型更適用于本文所研究的數(shù)據(jù)。這種以用戶為中心的設計理念使其在市場競爭中更具優(yōu)勢。從上文的分析中可以看出，它支撐了前文的理論分析，尤其對核心概念的理解在理論上進行了細致探討，并通過具體方法進一步驗證了這些理論觀點的實踐可行性和適用性。分別運用OvO-Logistic、OvO-RandomForest和OvO-SVM來進行分類決策，仍然運用網(wǎng)格搜索法根據(jù)Macro-F1得分最高調(diào)整參數(shù)。其中OvO-Logistic的每個模型運用擬牛頓法來優(yōu)化算法，即利用損失函數(shù)的黑塞矩陣（二階導數(shù)矩陣）進行迭代優(yōu)化，在這種狀態(tài)里損失函數(shù)為加入L2正則項（即嶺回歸）的交叉熵損失函數(shù)，其表達式為（林澤宇，傅雪柔，2022）： （SEQ（\*ARABIC9）式（9）中是0-1函數(shù)，表示當樣本預測為時為1，反之為0。是每個樣本被預測為的概率。β即為回歸模型的系數(shù)矩陣。此時我們需調(diào)整參數(shù)為正則化系數(shù)λ以防止過擬合。SVM基本思想是求解一個超平面，以正確劃分數(shù)據(jù)集并且使得其與超平面的間距最大。由于普通的SVM僅適用于二分類，所以需要運用分解模型建立多個SVM。本文使用高斯核函數(shù)RBF，調(diào)整正則化系數(shù)λ、核系數(shù)gamma。表SEQ表\*ARABIC6不同一對一分解模型的指標AccCBAccMacro-F1KappaOvO-Logistic65.43%36.09%35.53%0.0678OvO-RandomForest78.96%58.20%64.59%0.4653OvO-SVM79.89%54.39%65.76%0.4877在這般的背景下由表6所展示的各自模型指標，可知整體的預測精準度OvO-SVM要高于OvO-RandomForest與OvO-Logistic。OvO-SVM與未分解的隨機森林預測效果相近（盧俊延，趙一銘，2019）。OvO-Logistic的各類指標均較差，也說明Logistic回歸并不能較好地用于對不同類別生育意愿的預測。（六）數(shù)據(jù)不平衡問題的處理通過初步探索，可以發(fā)現(xiàn)，在本數(shù)據(jù)集中，由于數(shù)據(jù)不平衡率接近7，數(shù)據(jù)不平衡問題可能會導致模型預測時會偏向于大類，使得模型對小類的預測效果不佳(薛宇峰,馬思敏,2021)。所以本文接下來準備在初步建模的基礎(chǔ)上再進行數(shù)據(jù)不平衡問題的處理。關(guān)于處理數(shù)據(jù)不平衡問題，許多學者會從原始數(shù)據(jù)入手，通過重抽樣技術(shù)來降低數(shù)據(jù)的不平衡率，改變數(shù)據(jù)分布特征，這便是數(shù)據(jù)級方法。數(shù)據(jù)級方法主要可以分為過采樣與欠采樣，其中過采樣是對少數(shù)類數(shù)據(jù)進行增補，與之對應的欠采樣是對多數(shù)類數(shù)據(jù)進行刪減。整合不同學科的專業(yè)見解、研究方法與技術(shù)資源，科研人員能更有效地應對復雜的科學挑戰(zhàn)，探索更為全面和系統(tǒng)的解決之道。從這些應用可以了解到由于簡單隨機的過采樣方法容易造成過擬合，而簡單隨機的欠采樣方法又拋棄了大量有用信息，故針對這些問題，研究學者們提出了一系列改進的方法(薛宇峰,馬思敏,2021)。例如人工合成少數(shù)類樣本的方法(SyntheticMinorityOver-SamplingTechnique,SMOTE)是一種過采樣的方法，其是依次在某一個少數(shù)類樣本與其附近的K個同類樣本間隨機線性插值來合成新樣本；信息最大化的方法(EasyEnsemble)是一種欠采樣的方法，它類似于集成學習思想，通過對多數(shù)類的樣本進行n次隨機的欠采樣，得到的n個樣本依次與所有少數(shù)類樣本合并，得到n個平衡類別的數(shù)據(jù)集。這些行為透露出一些意圖最后再通過平衡數(shù)據(jù)集訓練n個分類器，預測結(jié)果最多的類別作為最終預測結(jié)果?？紤]到本文的數(shù)據(jù)集是由定性變量組成，不好計算距離與進行線性插值，故本文采用EasyEnsemble來處理不平衡問題（孫智慧，周智航，2019）。利用無放回抽樣共對意愿生育2孩的樣本不放回抽取30次樣本信息，基分類器分別采用多分類RandomForest和OvO-SVM。為了確保結(jié)論的有效性，本文進行了結(jié)論的再次審核，本階段研究成果在理論上確認了研究結(jié)果與現(xiàn)有學術(shù)體系的兼容性。預測結(jié)果如表7所示，利用EasyEnsemble方法雖然使得整體預測精度降低，其Acc分別為53.20%和51.16%，Kappa系數(shù)分別為0.2851和0.2703，這些事件預示著一些未來的可能性但其很明顯地提高了對少數(shù)類樣本的預測。以RandomForest為例，對3孩及以上的預測其召回率從38.24%提高到了77.45%，對1孩及以下的預測從47.83%提高到76.52%。如果想要對這類少數(shù)人群進行預測，通過EasyEnsemble建立模型不失為一種有效的方法(成澤光、宋向昊、林俊昊,2023)。表SEQ表\*ARABIC7EasyEnsemble方法下的混淆矩陣RandomForest真實值123預測值117622472373191631720479OvO-SVM真實值123預測值117523542312961732421681處理數(shù)據(jù)不平衡問題，本文研究背景下我們充分估算了這種情況的影響還可以從算法與預測結(jié)果入手，即算法級方法、代價敏感方法等(余佳怡,趙英杰,2021)。在本文中我們選取代價敏感方法中的類別賦權(quán)方法。給類別賦權(quán)(classweight)主要是通過改變訓練模型的損失函數(shù)或信息函數(shù)，指定不同類別的權(quán)重，從而放大少數(shù)類的重要性。以交叉熵損失函數(shù)為例，其表達式為(許俊天,成瑾瑜,2023)： （SEQ（\*ARABIC10）式（10）中ω表SEQ表\*ARABIC8平衡類別權(quán)重后的隨機森林的混淆矩陣真實值123預測值1124621210367358331243以多分類隨機森林為例，當我們設置類別權(quán)重并調(diào)整參數(shù)后，由表8所示，發(fā)現(xiàn)相比于未加修改的隨機森林其稍微加強了對3孩及以上和1孩及以下人群的預測，但其總體預測的效果也隨之降低。在這般的框架內(nèi)其Acc為77.85%，Kappa系數(shù)為0.4762。五、結(jié)論與建議 （一）研究結(jié)論本文研究利用CFPS2018年調(diào)查數(shù)據(jù)，主要分析研究了20~44歲已婚且已育有一孩的人群的生育意愿及其影響特征，并利用多分類算法對1孩及以下、2孩、3孩及以上的生育意愿人群進行建模預測研究。從這些記錄中體現(xiàn)由此得出以下結(jié)論：第一，多分類隨機森林模型、OvO-SVM對已婚育齡人群的生育意愿進行預測的效果較好。通過Acc、CBAcc、Kappa值、Macro-F1等指標對普通Logistic回歸、決策樹、隨機森林、OvO-Logistic、OvO-RandomForest、OvO-SVM的預測結(jié)果進行對比分析，發(fā)現(xiàn)多分類隨機森林、OvO-SVM的指標表現(xiàn)相近，兩者Acc能達到80%，Kappa系數(shù)能達到0.5(陳昊忠,趙潔妮,2021)。而由于變量之間的復雜關(guān)系，無序多分類Logistic模型、OvO-Logistic模型、決策樹的預測效果均較差。雖然本項研究小有斬獲，但本文深知，任何鉆研都脫不開局限性。未來研究大可在現(xiàn)有根基上持續(xù)深耕細作，尤其在樣本選定、研究技法優(yōu)化以及理論模子打磨等方面，有著極大的改進潛力與發(fā)展余地。第二，在二孩政策的背景下，全國已婚育齡人群的大多數(shù)意愿生育2孩，其在人群中的占比約為70%，而意愿生育1孩及以下與3孩及以上的意愿人群占比分別約為20%與10%。當對1孩及以下和3孩及以上的意愿人群預測增加時，必然會使得2孩意愿人群預測偏低(張璐瑤,付芳倩,2020)。這在一定程度上映射所以當我們想偏向于對低意愿生育人群與高意愿生育人群進行預測分析時，可以運用不平衡數(shù)據(jù)處理方法，例如EasyEnsemble方法進行重采樣，雖然總體上會降低對2孩的預測，但其可以將預測1孩及以下或3孩及以上的召回率從40%左右提升至75%以上。第三，就生育意愿的影響因素而言，本文選取的大多數(shù)因素對生育意愿的影響都較大。綜合考慮了Logistic、決策樹、隨機森林、支持向量機的結(jié)果，其中最具有代表性的幾個因素包括(錢一凡,孟欣怡,2022)：在此類條件基礎(chǔ)上可以推知其變化一孩年齡、孩子撫養(yǎng)費影響、認為死后有人念想很重要、認為傳宗接代很重要、家庭規(guī)模、個人最高學歷、配偶最高學歷、工作強度、工作滿意度、家庭年收入、地區(qū)經(jīng)濟、健康狀況等。其中一孩年齡越大、認為死后有人念想很重要、認為傳宗接代很重要、家庭規(guī)模越大、學歷越低的傾向于多生。值得注意的是，按照前番之解析一些變量對生育意愿的影響可能呈現(xiàn)非線性關(guān)系，例如工作強度較大或較小的人群均傾向于多生，而高收入水平和低收入水平的人群均傾向于少生（雷振宇，熊靜宜，2024）。一些變量可能單獨看對生育意愿的影響較小，而與其他變量組合之后影響才變得明顯，例如工作滿意度、孩子撫養(yǎng)費影響等。（二）研究的局限性1.因素的選取不夠完善本文選取了絕大多數(shù)具有代表性的因素來對理想子女數(shù)進行預測，但可以發(fā)現(xiàn)，即使再對模型參數(shù)進行調(diào)整，對人群預測的Acc、Kappa系數(shù)等指標未能有效提高。這些都是數(shù)據(jù)本身的原因。如果還能夠增加其它較重要的影響因素，模型的預測效果有望得到進一步提高。2.未考慮到時間因素本文利用的是CFPS2018的截面數(shù)據(jù)，沒有考慮到時間因素的影響。對于家庭年收入、工作強度等變量，都是計算的過去12個月的數(shù)據(jù)，因變量理想子女數(shù)也是問卷調(diào)查一時的想法。立足于以上分析結(jié)果要知道，由于社會不斷的發(fā)展，個人與家庭狀況、生活條件等都會相應變化，人們的內(nèi)心想法也會隨之改變。如果對人群的理想子女數(shù)進行追蹤調(diào)查，能夠獲得更多有用信息。3.研究數(shù)據(jù)尚待更新本文由于考慮了預測3孩及以上的人群，而2018年的國內(nèi)生育政策仍然是“全面二孩”政策，即使生育意愿的分布相近，但也可能不能夠很好地反應如今“全面三孩”政策下的生育意愿分布與因素。又由于目前新頒布的三孩政策實施時間較短，最新的二手數(shù)據(jù)現(xiàn)在也難以直接獲得。所以若想直接預測是否生育3孩，還需要借助新版的數(shù)據(jù)庫（賴澤凱，丁雨馨，2023）。（三）政策建議1.提高生育補貼，降低育兒成本經(jīng)濟收入、孩子撫養(yǎng)費是影響生育意愿的重要因素。大部分低收入家庭考慮到生育成本會偏向于少生。于此情境下面對此類狀況，政府應當加大財政投入。一方面，調(diào)整個稅抵扣，扣除納稅人生育多孩的部分養(yǎng)育費用，以減輕育兒成本。另一方面，加強生育補貼，對生育多孩的家庭給予現(xiàn)金補貼，以促進二孩、三孩的生育行為。2.加強兒童照料，減輕育兒負擔一孩年齡較小，家庭規(guī)模較小，工作強度較大，這些都加大父母照料一孩甚至多孩的壓力(梅小何，黎靜,2023)。一方面，可以發(fā)展新型的托幼服務，加大托兒所、幼兒園等教育機構(gòu)的配套建設，隨著形勢發(fā)展分擔父母一部分照料工作。并減輕入園、入學難度與費用，以保障幼兒能夠得到優(yōu)質(zhì)的照料與教育。另一方面，完善育兒假期制度，并準許育齡群體特別是女性群體在孩子年齡較小時可以彈性工作，保證父母有更多時間與精力照料自己的孩童。這不僅增強了本文對相關(guān)理論機制的理解，同時也為后續(xù)研究提供了堅實的基礎(chǔ)。此發(fā)現(xiàn)還進一步支持了該領(lǐng)域內(nèi)其他類似研究所得到的結(jié)論，促進了理論框架的完善與發(fā)展。3.重視地區(qū)狀況，政策因地制宜在改變總體政策的同時，還要考慮不同地區(qū)的情況。由此可以明顯觀察到經(jīng)濟區(qū)在東北地區(qū)、政策生育率為一類地區(qū)的生育意愿相比于其他地區(qū)較低。東三省地區(qū)生育意愿較低，主要由于經(jīng)濟發(fā)展和人才流出(龔志強,邱藝瑾,2020)。此時政府應當推動當?shù)亟?jīng)濟轉(zhuǎn)型，鼓勵人才在東北地區(qū)發(fā)展，制定相應配套政策，例如積極落戶政策、生活與住房補貼政策等。對于一類地區(qū)，政府應當幫助廣大人群及時適應政策變化，通過各種渠道宣傳最新的生育政策，破除當?shù)厝巳焊畹俟痰挠媱澤^念。4.轉(zhuǎn)變生育觀念，加大宣傳力度個體心理因素仍有不可忽視的作用。許多有著傳宗接代思想、重視家庭美滿和睦以及兒女有出息的個體傾向于生二孩、三孩。所以，政府應當加大宣傳，讓育齡人群認識到多生的好處，以轉(zhuǎn)變部分低生育意愿群體的觀念，并打消其生育多孩的后顧之憂。參考文獻[1]穆光宗.我國人口新形勢及應對建議[J].中國黨政干部論壇,2018(06):69-72.DOI:10.14117/11-3331/d.2018.06.020.[2]雷昊然，方紫悅.濟南:超八成居民無三孩生育意愿[J].四川省情,2022(08):58-59.[3]田悅澄，白樂天.國家統(tǒng)計局：三孩政策效果將逐步顯現(xiàn)[N].中國經(jīng)營報,2023-01-24(A02).[4]陶曉東，鄭麗娟.論生育和生育轉(zhuǎn)變:數(shù)量、時間和性別[J].人口研究,2021(06):1-7.[5]嚴皓翔，鄭君浩.中國人口生育意愿變遷:1980—2011[J].中國社會科學,2021(04):78-97+206.[6]顧云飛，劉曉紅，中國社會科學院人口與勞動經(jīng)濟研究所．中國家庭幸福感熱點問題調(diào)查報告2014-2015年[M]．北京：中國社會科學出版社，2016:111[7]林澤宇，傅雪柔.二孩生育意愿的影響因素及提升對策研究[D].大連理工大學,2020.DOI:10.26991/ki.gdllu.2020.000792.[8]AassveA.Demographicchange:howgovernmentsupportinfluencesbirthrates[J].EuropeanView,2008,7(2):209-216.[9]盧俊延，趙一銘.全面二孩背景下人口生育意愿影響因素研究綜述[J].重慶社會科學,2020(01):94-105.DOI:10.19631/ki.css.2020.001.009.[10]AdseraAlicia.VanishingChil