{
  "id": "demographic-cohort",
  "title": "人口队列",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "人口队列是在特定时期内经历同一界定事件的一群人，研究者通过追踪其随时间的变化开展研究。",
  "category": "society",
  "subcategory": "sociology",
  "type": "concept",
  "aliases": [
    "人口同期群"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/demographic-cohort/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/demographic-cohort/",
      "json": "https://aiwiki.page/en/demographic-cohort.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "人口队列是指在同一时间区间内经历某一特定事件的一群人，其特征或后续经历可以随时间加以考察。最常见的例子是出生队列，例如某一年或某个五年期内出生的所有人。其他队列可以按初婚、迁移、入学或开始就业的年份来界定。在人口学中，队列提供了一种研究方法，用于考察随着人们年龄增长、经历累积，人口如何发生变化，而不是仅仅考察某一时点的人口状况。"
    },
    {
      "heading": "定义与成员资格",
      "text": "界定队列需要同时明确界定事件和时间区间。“1990年出生的人”构成一个出生队列；“2010年至2014年间初婚的人”构成一个初婚队列。时间区间可以是一天、一年、数年，也可以是适合现有数据和研究问题的其他时段。\n\n界定事件确立了一个共同的时间参照点。对于出生队列，自该事件发生以来经过的时间就是年龄；对于婚姻队列，则是婚后持续时间。除此之外，队列成员不必彼此相似：同一出生队列可以包含社会背景、居住地点和人生经历截然不同的人。\n\n从概念上说，属于某个队列与属于某个被观察人口群体是两回事。一个人的出生年份不会改变，但其是否被纳入一项居民研究，可能因死亡或人口迁移而发生变化。因此，研究者会区分按定义确定的队列，以及该队列中在某一时点实际存在、可被观察或符合分析条件的部分。\n\n常见类型\n\n队列类型 | 界定事件 | 典型研究问题\n出生队列 | 在特定时间区间内出生 | 生存状况、受教育程度、终身生育情况\n婚姻队列 | 结婚，通常指初婚 | 从结婚到离婚的时长、家庭形成模式\n迁移队列 | 迁入或迁出某地 | 定居、就业、家庭状况变化\n入学队列 | 进入某所学校或某个教育项目 | 学业完成、学业进展、后续就业\n劳动力市场进入队列 | 首次就业或首次进入劳动力队伍 | 收入变化轨迹、就业稳定性\n初育队列 | 首次成为父母 | 后续生育及生育间隔\n\n定义必须明确，所指事件是首次发生，还是任何一次发生。例如，初婚队列不同于涵盖同一年登记的所有婚姻的队列。"
    },
    {
      "heading": "队列、年龄组与世代",
      "text": "队列不同于年龄组。年龄组是在观察时点界定的：一次人口普查中20—24岁的人，与十年后20—24岁的人，并不属于相同的出生队列。相比之下，出生队列会随着时间推移，依次进入不同的年龄组。\n\n队列也不同于世代。在亲属关系中，世代指血缘传承序列中的辈分位置，例如父母与子女。在公共讨论中，世代也可能指一个界定较为宽泛、被认为具有共同成长历史经历的群体。这类标签的边界往往不固定，而且可能暗含文化上的相似性，而人口队列的定义本身并不能证明这种相似性。\n\n界定出生队列并不需要假定其成员具有共同认同。有关共同价值观或行为的主张，需要来自社会学、历史研究或其他相关领域的进一步证据。"
    },
    {
      "heading": "队列分析与时期分析",
      "text": "队列分析考察一个界定明确的群体随时间推移所经历的情况。时期分析考察某一特定日历时期内发生的事件及人口特征，通常会综合多个队列的观察结果。\n\n例如：\n\n- 生育的队列分析关注某一时间区间内出生的人，到各个年龄时或生育期结束时，已经生育了多少个孩子。\n- 生育的时期分析考察某一年内发生的出生事件，并以该年各年龄处于生育风险中的人口为基础进行分析。\n\n这一区别对解读生育水平至关重要。时期总和生育率综合了同一时期观察到的各年龄别生育率。它描述的是将这些生育率应用于一个假想的完整生命历程时所对应的生育子女数，而不是某个实际出生队列已经完成的生育经历。\n\n对于队列 \\(c\\)，采用单岁年龄区间时，队列完成生育率可表示为\n\n\\[\\mathrm{CCF}_c=\\sum_a f_{a,c},\\]\n\n其中，\\(f_{a,c}\\) 是队列 \\(c\\) 在年龄 \\(a\\) 时经历的生育率，求和范围涵盖相关的生育年龄。如果采用更宽的年龄区间，则必须计入区间宽度。\n\n当事件发生的时间安排改变时，时期指标与队列指标可能出现差异。即使相邻队列最终生育的子女数变化较小，推迟生育也可能使时期生育水平下降。队列完成生育率可以避免这一特定的时间安排问题，但只有在该队列度过生育期之后，才能得到完整观察。"
    },
    {
      "heading": "年龄效应、时期效应与队列效应",
      "text": "队列之间的比较往往试图区分三种差异来源：\n\n- **年龄效应：**与年龄增长或所处生命历程阶段有关的差异。\n- **时期效应：**发生在某个日历时期、可能影响多个年龄组的因素。\n- **队列效应：**与属于同一事件时间区间所界定群体有关的差异，往往反映此前的暴露经历或所处环境。\n\n例如，就业方面的差异可能反映随年龄增长而积累的经验、某一年经济衰退对劳动者的影响，或某个队列首次进入劳动力市场时遇到的条件。\n\n对于出生队列，年龄、日历时期与出生时间之间存在如下恒等关系：\n\n\\[\\text{period}=\\text{birth time}+\\text{age}.\\]\n\n这一严格关系造成了年龄—时期—队列分析中的识别问题。不加限制的统计模型无法仅凭观测数据，唯一地分离出这三种线性趋势。估计需要额外的假设、约束或研究设计，而不同假设可能产生不同的解释。\n\n因此，出生队列之间存在差异，并不自动构成因果性队列效应的证据。确立因果关系，需要关注其他可能的解释、人口构成的变化，以及将历史环境与后续结果联系起来的作用机制。"
    },
    {
      "heading": "数据与方法",
      "text": "纵向观察\n\n纵向研究在多个时点记录同一批人或单位的信息。它可以揭示仅凭一次调查难以重建的状态转变与事件序列，例如在就业、失业和受教育状态之间的流动。\n\n队列既可以从界定事件发生时开始进行前瞻性追踪，也可以根据记录和受访者报告的经历进行回顾性重建。队列分析不一定需要反复访谈同一批人：相互关联的行政记录和汇总人口数据也可以为其提供支持。\n\n重复横截面数据\n\n连续开展的人口普查或调查，可以用来追踪出生队列的总体特征。一次普查中20—24岁的人，大体上对应于十年后30—34岁的人，但还需考虑具体日期、死亡、迁移及覆盖范围差异。\n\n这类比较追踪的是一个人口类别，不一定是同一批个体。其平均收入或受教育程度的变化，既可能反映个体自身的变化，也可能反映被观察的常住人口成员构成的变化。\n\n民事登记系统中的出生和死亡记录，对于重建队列规模和生存状况尤为重要。\n\n生命表与事件史\n\n生命表描述各年龄的生存和死亡状况。队列生命表追踪实际出生队列的死亡经历。时期生命表则将某一特定时期观察到的死亡率应用于一个假想队列。\n\n生存分析和事件史方法考察死亡、初婚或迁移等事件发生前所经过的时间。这些方法可以处理右删失，即观察结束时事件尚未发生的情况。更复杂的模型可以考察重复事件、相互竞争的结局，或多个状态之间的转移。\n\n莱克西斯图\n\n莱克西斯图以日历时间和年龄为主要坐标轴，呈现人口观察数据。由于人们的年龄随着日历时间推进而增长，队列轨迹呈对角线走向。该图有助于区分时期观察与队列经历，并明确事件和风险暴露时间的归属。"
    },
    {
      "heading": "人口变化与实际应用",
      "text": "队列规模影响陆续进入各个人生阶段的人数。规模较大的出生队列可能先增加对学位的需求，随后增加进入就业的人数，最终使老年人口规模扩大。这些影响也取决于迁移、生存状况、参与率和制度安排。\n\n队列要素法是人口推算的主要方法之一。它根据有关死亡和迁移的假设，将各年龄—性别组的人口向后推移，同时依据生育假设加入新的出生队列。推算描述的是在这些假设下的条件性结果，而不是确定无疑的未来人口状况。\n\n队列分析也有助于解释人口老龄化。老年人口比例上升，可能反映新进入的出生队列规模缩小、生存状况改善、迁移模式变化，或这些过程的共同作用。\n\n其他应用包括：\n\n- **教育：**比较不同入学队列的学业进展与完成情况。\n- **家庭人口学：**考察婚姻、离婚及初为父母的时间安排。\n- **迁移研究：**在考虑迁入后居留时间和迁移年龄的同时，比较不同迁入队列。\n- **社会不平等：**研究与父母背景相关的差异在不同队列之间是持续存在，还是发生了变化。\n- **公共卫生：**描述健康结局如何随出生队列和早期暴露经历而变化。\n\n在流行病学中，队列研究通常根据某种暴露或其他纳入标准将人们分组，并观察其后续结局。这一方法学用法与基于共同事件时间区间的人口学含义有所重叠，但范围更广。"
    },
    {
      "heading": "局限与解读",
      "text": "**观察不完整。**较新的队列尚未经历完整的生命历程。比较已完成的结果，要么需要等待足够长的时间以获得完整观察，要么需要作出明确的推算。\n\n**选择性存活与样本流失。**在较高年龄被观察到的人是存活者，而持续参与研究的人可能不同于退出者。因此，被观察队列对其最初成员的代表性可能逐渐减弱。\n\n**迁移与构成变化。**一个常住人口出生队列可能因迁入而增加成员，也可能因迁出而失去成员。总体变化并不总能解释为同一批人的变化。\n\n**区间选择。**较宽的队列区间可能掩盖显著差异；较窄的区间则可能产生不稳定的估计。除非与明确规定的事件或制度规则相联系，否则区间边界属于分析上的选择。\n\n**测量差异。**调查问题、分类方式、登记完整性或普查覆盖范围的变化，可能造成表面上的队列差异。\n\n**队列内部的多样性。**队列平均值无法描述每一位成员。性别、社会经济地位、族群或地区之间的差异，可能大于相邻队列之间的差异。\n\n**保密性。**关联跨越多年的记录可以改进人口分析，但也可能增加识别个人身份的可能性。这类工作会引发数据隐私方面的关切，尤其是在详细经历涉及小规模人口群体或敏感事件时。"
    }
  ],
  "links": [
    "demography",
    "human-migration",
    "kinship",
    "sociology",
    "fertility-demography",
    "total-fertility-rate",
    "labor-market",
    "causation",
    "population-census",
    "civil-registration",
    "life-table",
    "population-projection",
    "population-ageing",
    "marriage",
    "epidemiology",
    "data-privacy"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}