{
  "id": "cohort-component-method",
  "title": "队列要素法",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "队列要素法依据生育、死亡和迁移假设，逐期推演人口队列，推算人口规模及年龄性别构成。",
  "category": "society",
  "subcategory": "sociology",
  "type": "concept",
  "aliases": [
    "队列要素推算法",
    "人口要素法",
    "队列组分法"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/cohort-component-method/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/cohort-component-method/",
      "json": "https://aiwiki.page/en/cohort-component-method.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "队列要素法是一种人口学方法，通过分别对出生、死亡和迁移建立模型，计算未来的人口规模与构成。该方法以按年龄、通常也按性别分类的人口为起点，将各组人口随时间向前推演，应用存活假设，加上或减去迁移人口，并引入新出生的队列。作为人口学的重要工具，它是许多官方人口推算的基础，因为它将人口变化与明确的人口过程联系起来，而不是仅对人口总量进行外推。"
    },
    {
      "heading": "概念基础",
      "text": "人口队列是由共同事件或特征界定的群体，通常指在某一特定时期出生的人。在队列要素推算中，同一年或同一时段出生的人，会共同进入后续的各个年龄组。例如，某一时点的20—24岁人口组，扣除死亡并计入迁移影响后，五年后便成为25—29岁人口组。\n\n该方法将这种年龄递进过程与人口平衡恒等式相结合：\n\n\\[P(t+h)=P(t)+B-D+I-O,\\]\n\n其中，\\(P(t)\\) 是长度为 \\(h\\) 的时期开始时的人口，\\(B\\) 和 \\(D\\) 分别是该时期内的出生人数和死亡人数，\\(I\\) 和 \\(O\\) 分别是迁入人数和迁出人数。对于一国内部地区的人口，迁移还包括跨越国内区域边界的人口流动。\n\n只要所有数量采用一致的人口定义和参照时期，这一平衡恒等式就精确成立。然而，进行推算时，必须对各要素的未来数值作出假设。\n\n年龄结构之所以重要，是因为人口事件在不同年龄段的分布并不均匀。出生人数在很大程度上取决于育龄妇女的人数及其年龄分布；成年人口的死亡率通常随年龄增大而上升；而人口迁移往往集中在青年成年人中。因此，即使各年龄别比率完全相同，两个规模相等的人口也可能呈现不同的变化轨迹。"
    },
    {
      "heading": "数据与假设",
      "text": "常规推算需要四项主要输入：\n\n- 基期人口：按特定日期的年龄和性别分类的人口。\n- 生育假设：通常以年龄别生育率表示。\n- 死亡假设：需转换为按年龄和性别划分的存活概率。\n- 迁移假设：描述迁入和迁出的人数或比率，以及迁移人口的年龄性别构成。\n\n基期人口通常来自人口普查、人口登记册，或综合多个来源得出的官方估计。民事登记中的出生和死亡记录，以及调查和行政记录，有助于估计各要素的比率。\n\n推算前，可能需要对数据进行调整，以处理普查漏报、年龄误报、人口事件登记不全或居住地定义不一致等问题。尤其重要的是，使基期人口的参照日期与各项比率所覆盖的时期相匹配。\n\n推算通常采用一年一期、单岁年龄分组，或五年一期、五岁年龄分组。也可以采用其他组合，但需要额外的处理程序，使年龄增长、事件发生时间和年龄分类相互协调。"
    },
    {
      "heading": "计算程序",
      "text": "存活与年龄递进\n\n将每个年龄性别组推演至下一推算日期所对应的年龄，并通过存活概率扣除死亡人口。其示意方程为：\n\n\\[P_{x+h,s}(t+h) = S_{x,s}(t,t+h)P_{x,s}(t) + M^{*}_{x+h,s}(t,t+h),\\]\n\n其中：\n\n- \\(P_{x,s}(t)\\) 是性别为 \\(s\\)、起始年龄为 \\(x\\) 的年龄组人口；\n- \\(S_{x,s}(t,t+h)\\) 是该组成员存活至下一推算日期的概率；\n- \\(M^{*}_{x+h,s}\\) 是迁移对目标年龄组的贡献，以其对该日期现有人口的影响表示。\n\n迁移项需要谨慎处理。在一个时期内迁移的人同样会增长年龄，也面临死亡风险。因此，对期初人口应用存活概率后，直接加上未经调整的该时期净迁移总人数，未必能得到一致的结果。具体计算时，可以将迁移分布在整个时期内，假设迁移发生在期中，或分别对迁入和迁出建立模型。\n\n存活概率通常由生命表推导。对于分组年龄，相关比值描述的是整个年龄组在两个推算日期之间的存活情况，并不一定等同于两个确切周岁生日之间的存活概率。\n\n最高年龄组通常是不设上限的开口组，例如85岁及以上。该组既要保留原已处于其中的存活者，也要纳入从前一个年龄组进入的存活者。\n\n出生与最年轻队列\n\n推算出生人数时，将生育水平的年龄别比率应用于各育龄妇女组的暴露人年数：\n\n\\[B(t,t+h)=\\sum_x f_x(t,t+h)E_x^{(f)}(t,t+h),\\]\n\n其中，\\(f_x\\) 是年龄别生育率，以每妇女人年的出生人数衡量；\\(E_x^{(f)}\\) 是该时期内以妇女人年计的女性暴露量。\n\n暴露量可以根据平均人口近似估算，也可以通过更细致的期内计算程序求得。这样，出生人数便能反映年龄增长、死亡和迁移造成的妇女人数变化。\n\n根据假定的出生性别比，将出生人数划分为男性和女性。随后，应用从出生到期末的存活概率，并计入影响幼儿人口的迁移，以构建最年轻的年龄组。在五年期推算中，该时期内出生的儿童面临死亡风险的时间长短不同：接近期初出生的儿童必须存活近五年，而接近期末出生的儿童只需存活较短时间。\n\n总和生育率是一项有用的概括性假设，但仅凭它还不足以计算出生人数。其数值必须与一套年龄别生育率相对应。\n\n逐期重复\n\n计算得到的年龄性别人口构成，成为下一步推算的起始人口。重复计算，即可得到人口总量和人口构成的变化轨迹。\n\n例如，在没有迁移的封闭人口中，一个由10,000名30—34岁人口组成的队列，若五年存活概率为 \\(0.99\\)，五年后便有9,900人进入35—39岁组。对其他队列也采用同样的程序，同时通过单独的出生计算补入新的最年轻队列。"
    },
    {
      "heading": "数学表示",
      "text": "对于生育率和存活率模式固定、仅考虑女性的封闭人口，该方法可用莱斯利矩阵表示：\n\n\\[\\mathbf{n}_{t+1}=\\mathbf{L}\\mathbf{n}_t.\\]\n\n这里，\\(\\mathbf{n}_t\\) 是由各年龄别人口数构成的向量。\\(\\mathbf{L}\\) 的第一行包含生育贡献项，并已针对出生时间和存活情况作适当调整；次对角线则包含使各队列向下一年龄组递进的存活项。\n\n更一般的表示形式为：\n\n\\[\\mathbf{n}_{t+1} = \\mathbf{A}_t\\mathbf{n}_t+\\mathbf{m}_t,\\]\n\n其中，转移矩阵 \\(\\mathbf{A}_t\\) 可以随时间变化，\\(\\mathbf{m}_t\\) 表示迁移贡献。如果使用依赖于人口的比率来模拟迁移，也可以将部分或全部迁移纳入转移结构。\n\n矩阵表述将实际人口推算与人口长期增长及年龄分布的数学研究联系起来。更复杂的模型可能需要非线性关系或额外的状态变量。"
    },
    {
      "heading": "发展与机构应用",
      "text": "该方法源于人口平衡核算、生命表分析和年龄别人口变化研究。20世纪，人口普查和生命事件登记制度的完善，以及计算能力的提升，推动队列要素推算成为官方统计中的标准方法。\n\n联合国和许多国家的统计机构都采用队列要素框架进行人口推算。各机构的具体做法在迁移处理、生育和死亡预测、推算间隔及不确定性处理等方面有所不同。\n\n在人口转变过程中，生育和死亡水平的变化同时改变人口增长与年龄结构，该方法的价值尤为明显。它还明确呈现了人口惯性：即使生育水平已经下降，规模庞大的一代人进入育龄期，仍可使出生人数维持在较高水平。"
    },
    {
      "heading": "变体与扩展",
      "text": "多区域模型\n\n多区域推算同时追踪多个地区的人口。迁移被表示为从迁出地到迁入地的流动，而不是仅作为各地区相互独立的净迁移总量。\n\n这有助于保证一致性：在一个封闭的区域系统内，从某一地区迁出，必然意味着迁入另一个地区。这类模型有助于研究人口的区域再分布和城市化。\n\n多状态模型\n\n多状态模型将队列要素核算扩展到教育程度、婚姻状况或劳动力参与状况等特征。个体在年龄增长、存活、迁移和生育的同时，也可以在不同状态之间转变。\n\n除年龄性别推算所需的数据和假设外，这些模型还需要状态转移数据和假设。对于一生中可能变化的状态，必须通过转移过程建模，而不能将其视为永久固定的属性。\n\n确定性推算与概率推算\n\n确定性推算针对每一组给定假设生成一条变化轨迹。机构通常会发布多个情景，例如较高生育水平和较低生育水平方案。\n\n概率推算为不确定的人口数量或参数设定概率模型，生成可能结果的分布。变量之间的依赖关系十分重要：例如，不同年龄段死亡状况的改善并非相互独立的事件。\n\n高、低情景并不自动构成概率界限。只有在明确的统计解释支持下，它们才能被视为概率性陈述。"
    },
    {
      "heading": "应用",
      "text": "队列要素推算提供研究下列问题所需的年龄别信息：\n\n- 人口老龄化以及劳动年龄人口和老年人口的变化。\n- 未来学龄人口及其对教育设施的潜在需求。\n- 潜在劳动力供给以及与退休有关的人口变化。\n- 为住房、交通和城市规划提供人口数据。\n- 为服务规划和卫生系统分析提供人口分母。\n\n这些用途通常需要额外的模型。推算出的学龄人口本身并不等于入学人数预测，正如推算出的劳动年龄人口并不等于就业人数预测。参与情况、政策、制度和经济条件也会影响结果。"
    },
    {
      "heading": "局限与解读",
      "text": "依赖假设。 该方法保证的是人口核算上的一致性，而不是未来行为的确定性。生育水平变化、死亡冲击、迁移政策调整和流离失所，都可能显著改变结果。\n\n可预测程度不一。 在较短时期内，许多未来的成年人已经出生，因此其人数在相当程度上受基期人口和存活情况约束。未来出生人数取决于假定的生育水平；随着推算期延长，推算人口中会有越来越多的人，其父母本身也是在推算开始之后才出生的。在地方尺度上，迁移的波动可能尤其剧烈。\n\n基础数据误差。 漏报、年龄误报和不准确的迁移估计，可能在连续推算中逐步传递。模型更为细致，并不一定能弥补输入数据质量不佳的问题。\n\n汇总的影响。 按年龄和性别汇总的平均水平可能掩盖地区或社会群体之间的差异。增加细节可能提高结果的适用性，但也会提高数据需求并增加假设数量。\n\n对行为的解释有限。 常规模型设定人口变化的各项比率，却不会充分解释这些比率为何变化。经济条件、政策、环境变化和社会行为都会影响人口过程，但这些关系需要额外建模。\n\n因此，推算是一种条件性计算：它描述在特定基期人口和一组假设下会得出怎样的结果。预测则更进一步，将某个结果作为对未来可能实际发生情况的预期。只要明确说明假设与不确定性，同一队列要素框架就可以服务于这两种目的。"
    }
  ],
  "links": [
    "demography",
    "population-projection",
    "demographic-cohort",
    "human-migration",
    "population-census",
    "civil-registration",
    "life-table",
    "fertility-demography",
    "total-fertility-rate",
    "matrix",
    "united-nations",
    "demographic-transition",
    "population-momentum",
    "urbanization",
    "education",
    "population-ageing",
    "urban-planning",
    "health-system"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}