人口学的认识论与方法论体系

1.1 人口学的学科边界与知识谱系

人口学是研究人类群体数量、结构和变迁的学科，但这一陈述掩盖了内部深刻的范式分裂。如果以方法论内核为坐标，人口学至少可分为三个层次：描述人口学（Descriptive Demography）、形式人口学（Formal Demography）与人口经济学（Population Economics）。三者并非简单的进阶关系，而是对应着不同的认识论承诺与因果主张。

描述人口学以测量为核心任务，关注"多少人在什么时候发生了什么"。其方法论特征是高度依赖数据源与统计技术，例如粗出生率（Crude Birth Rate, CBR）的计算、生育年龄结构中位数的描述、抚养比（Dependency Ratio）的时序比较。这一层的分析严格遵守"数据→指标→描述"的认识链条，不涉及因果推断。其优势是稳健性高、争议少；其局限是无法回答"为什么"或"如果……会怎样"的问题。

形式人口学则引入了严密的数学结构。起点可追溯至 1662 年 John Graunt 对伦敦教区出生与死亡数据的分析，其建立的"生命表"（Life Table）范式至今仍是人口学的核心工具。Graunt 开创的关键洞见在于：将个体生命的随机事件转化为群体水平的确定性规律，这一范式由 Edmond Halley 在 1693 年的 Breslau 生命表中进一步形式化。20 世纪 20 年代，Alfred Lotka 提出了稳定人口理论（Stable Population Theory），将人口再生产描述为特征方程问题：

$$\sum_{a=0}^{\omega} e^{-ra} \ell(a) m(a) = 1$$

其中 $r$ 为内在增长率（Intrinsic Growth Rate），$\ell(a)$ 为生命表中年龄 $a$ 的生存人数，$m(a)$ 为生育率函数。Lotka 证明了在固定生育与死亡模式下，人口最终收敛于稳定的指数增长结构，年龄构成与增长率为常数。这是从描述到预测的范式跃迁。

形式人口学的高峰由 Nathan Keyfitz 在 20 世纪 60-80 年代建立的矩阵人口学（Matrix Demography）所标志。Keyfitz 将 Leslie 矩阵（1945）作为人口预测的标准工具，其人口预测模型：

$$\mathbf{n}(t+1) = \mathbf{L} \cdot \mathbf{n}(t)$$

其中 $\mathbf{L}$ 为 Leslie 矩阵，$\mathbf{n}(t)$ 为年龄别人口向量。通过对 $\mathbf{L}$ 进行特征值分解，可得到长期增长率、稳态年龄结构以及再生育率。Keyfitz 的《Applied Mathematical Demography》(1977, 2005 第二版) 至今仍是该领域的标准教材。

人口经济学则进一步将人口变量纳入经济理论框架，关注人口变迁与经济增长、储蓄、人力资本、养老金等变量的双向因果关系。其方法论依赖计量经济学工具：工具变量、断点回归、双重差分、合成控制等。例如 Bloom, Canning 和 Sevilla (2003) 的研究表明，人口年龄结构变化对经济增长率具有显著的非线性效应，所谓的"人口红利"窗口。这一层的方法论承诺最强，但也最易受到内生性挑战。

理解这一三层结构是阅读后续章节的前提。当我们在第 5 章讨论中国生育率下降时，描述层会提供"从 1.8 降至 1.0"的事实陈述；形式层会通过队列生育率（Cohort Fertility）分解识别"进度效应"（tempo effect）与"数量效应"（quantum effect）；而经济层会引入房价、教育成本、性别比等变量，尝试建立因果机制。三个层次的工具不应混淆使用，否则将导致方法论上的范畴错误。

```mermaid flowchart TD DataLayer[数据层] --> MethodLayer[方法层] MethodLayer --> ApplyLayer[应用层]

D1[人口普查] --> DataLayer D2[户籍登记] --> DataLayer D3[大规模社会调查] --> DataLayer

M1[描述人口学] --> MethodLayer M2[形式人口学] --> MethodLayer M3[人口经济学] --> MethodLayer

A1[人口预测] --> ApplyLayer A2[政策评估] --> ApplyLayer A3[机制解释] --> ApplyLayer

DataLayer --> ApplyLayer ```

1.2 稳定人口理论的数学内核

Lotka 稳定人口理论是形式人口学的理论基石。理解其数学结构不仅有助于阅读经典文献，更直接关系到人口预测、抚养比推算、养老金模型等应用问题。本节从生物学参数出发，逐步推导核心公式，并讨论其在后人口转型时代的失效边界。

净再生产率（Net Reproduction Rate, NRR）是稳定人口理论中最重要的综合性指标。定义为：

$$NRR = \int_0^{\omega} \ell(a) m(a) da$$

即一个出生女婴在其整个生育期内存活并按当前年龄别生育率 $m(a)$ 完成生育所期望生育的女婴数。NRR = 1 意味着人口自我更替，NRR > 1 表示增长，NRR < 1 表示衰退。这一指标是 20 世纪后半叶评估各国人口再生产能力的核心工具，联合国 WPP 长期将 NRR 是否大于 1 作为"更替水平"的判定标准。

内在增长率 $r$ 是 Lotka 方程的解。其经济直觉是：在固定生育与死亡模式下，每代人的净增殖将趋向于一个稳定的指数增长率。当 $NRR > 1$ 时 $r > 0$，当 $NRR < 1$ 时 $r < 0$。Lotka 方程的求解需要数值方法（因为 $e^{-ra}$ 的非线性），常用的算法是 Newton-Raphson 迭代或二分法。

稳定人口的年龄结构由特征方程的本征向量决定。当 $r$ 已知时，稳定年龄结构 $c(a)$ 满足：

$$c(a) = \frac{\ell(a) e^{-ra}}{\sum_{x=0}^{\omega} \ell(x) e^{-rx}}$$

这一公式告诉我们，在稳定状态下，年龄别人口的相对比例只取决于生存曲线 $\ell(a)$ 与增长率 $r$。Lotka 理论的一个推论是所谓的"人口动量"（Population Momentum）：即使生育率立即降至更替水平（NRO = 1），由于既有的年龄结构惯性，人口的绝对数量仍将继续增长数十年。

矩阵表述是 Lotka 理论的离散化版本。Leslie 矩阵 $\mathbf{L}$ 的结构如下：

$$\mathbf{L} = \begin{pmatrix} F_0 & F_1 & \cdots & F_\omega \\ P_0 & 0 & \cdots & 0 \\ 0 & P_1 & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & 0 \end{pmatrix}$$

其中 $F_a$ 为生育元素，$P_a$ 为生存元素。该矩阵的特征值 $\lambda_1$ 即为每期增长率，与 Lotka 方程的解有如下关系：$\lambda_1 = e^r$。当 $\lambda_1 = 1$ 时人口处于稳定状态；$\lambda_1 > 1$ 时增长；$\lambda_1 < 1$ 时衰退。

稳定人口理论的应用边界值得特别强调。该理论假设生育与死亡模式长期不变，这在 20 世纪上半叶的发达国家基本成立，但在 20 世纪后半叶以后的全球人口转型中已严重失效。Keyfitz 早在 1971 年就指出，当生育率快速下降时（如战后婴儿潮的结束），实际人口的年龄结构与稳定年龄结构之间会出现系统性偏差。1980 年代以后，西方人口学家进一步发展了"准稳定人口"（Quasi-stable Population）方法，用以处理死亡率稳定但生育率变动的情况。但对于生育率与死亡率同时快速变化的情况（如当前的中国、东欧），稳定人口理论的预测能力已严重不足，必须使用更复杂的随机模型或贝叶斯分层模型。

实际计算工具：在 R 中，`demography` 和 `popbio` 包提供了完整的稳定人口计算函数；在 Stata 中，`glife8` 模块可计算 NRR、r 以及稳定年龄结构。Python 的 `pymort` 与 `lifelines` 库也支持类似功能，但稳定人口理论的直接实现仍需用户自己编写矩阵特征值分解代码。下面给出一个 R 实现的核心代码片段：

```r library(demography)

构造生育率与生存函数

fertility <- c(0, 0.05, 0.1, 0.15, 0.12, 0.05, rep(0, 93)) survival <- exp(-0.01 * (0:99) - 0.0001 * (0:99)^2)

求解 Lotka 方程

r <- lotka(fertility, survival)

计算 NRR

nrr <- sum(survival * fertility) ```

理解稳定人口理论的局限性对后续章节至关重要。在第 3 章讨论中国人口预测时，单纯使用 Leslie 矩阵外推会高估未来人口数，必须结合生育率的不确定性区间以及迁移假设进行调整。

1.3 列克西斯图与事件史分析

列克西斯图（Lexis Diagram）是德国统计学家 Wilhelm Lexis 在 1875 年引入的人口事件分析坐标系。其核心思想是将个体生命事件映射到以"年龄"和"时期"为坐标轴的二维平面，时间作为第三维沿对角线方向流动。这一工具看似简单，却是连接微观个体事件与宏观人口指标的关键桥梁。

在列克西斯图中，水平轴表示时间（年份），垂直轴表示年龄。每个个体出生于某一特定的出生队列（birth cohort），其生命沿对角线方向（年龄增长 1，时期推进 1）移动。事件（如生育、死亡、结婚、迁移）被记录为该个体生命线上的一个点。三类基本指标对应不同的几何对象：

• **时期指标（Period Measures）**：在某一年（垂直线）内发生的事件，反映该年份的横截面行为。例如某一年的总生育率（General Fertility Rate, GFR）即为该年所有生育事件除以该年育龄妇女数。
• **队列指标（Cohort Measures）**：在某一出生队列（沿对角线）上累积的事件，反映代际生命历程。例如 1960 年出生队列在 30-34 岁时的累计生育率。
• **年龄指标（Age-specific Measures）**：在某一特定年龄（水平线）上发生的事件，反映该年龄的典型行为。

混淆这三类指标是初学者最常见的错误。例如，将某一年 30-34 岁妇女的生育率误解为"30-34 岁队列"的生育率，这在生育率快速变动的时期会引入严重偏差。Kohler, Billari 和 Ortega (2002) 的"tempo 效应"理论正是针对这一问题，指出时期生育率与队列生育率之间的差异反映了生育进度（timing）的变化而非真实生育水平的改变。

事件史分析（Event History Analysis）是列克西斯图的现代统计对应物。其核心概念是风险函数（Hazard Function）：

$$h(t | x) = \lim_{\Delta t \to 0} \frac{P(t \leq T < t + \Delta t | T \geq t, X = x)}{\Delta t}$$

即在时间 $t$ 之前未发生事件、且协变量为 $x$ 的条件下，在 $t$ 之后的瞬时内发生事件的条件概率。风险函数是事件史分析的核心，因为它将"是否发生"（概率）转换为"何时发生"（瞬时风险），与人口学中"年龄别率"（age-specific rate）的概念完全对应。

风险函数的两个常见参数化模型是：

Cox 比例风险模型（Cox Proportional Hazards Model）：

$$h(t | x) = h_0(t) \exp(\beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_k x_k)$$

其中 $h_0(t)$ 是未指定的基线风险函数，$\beta$ 为协变量效应。该模型的优势是半参数估计，无需对基线形式做先验假设；其局限是"比例风险"假设在长面板数据中常被违反。

Weibull 模型（参数化）：

$$h(t | x) = \lambda \alpha t^{\alpha - 1} \exp(\beta_1 x_1 + \cdots + \beta_k x_k)$$

其中 $\alpha$ 与 $\lambda$ 为形状参数与尺度参数。该模型适用于事件发生率随时间单调变化的情况，在生育研究中较少使用，在死亡率研究中较为常用。

离散时间模型（Discrete-time Model）在事件史分析中具有特殊地位。在社会科学数据（如 DHS、IPUMS）中，事件常以离散时间单位（年、月）记录，无法直接使用连续时间风险模型。此时需将连续时间风险函数离散化：

$$P(T = t | T \geq t, x) = 1 - \exp(-h(t | x)) \approx h(t | x)$$

当 $h(t|x)$ 较小时（约 < 0.1），上式的近似误差可忽略。此时可使用 logistic 回归或 logit 链接的 GLM 进行估计，这与传统的面板数据 logit 模型完全一致。

应用案例：研究中国育龄妇女的二孩生育决策时，离散时间事件史模型是标准工具。设 $T$ 为初育到二孩的时间间隔，协变量包括一孩性别、母亲年龄、户口性质、地区 GDP 等。模型可写为：

$$\text{logit}(P(T = t | T \geq t, x)) = \alpha(t) + \beta_1 \cdot \text{一孩性别} + \beta_2 \cdot \text{母亲年龄} + \cdots$$

其中 $\alpha(t)$ 为离散基线风险，通过年龄虚拟变量或样条函数估计。这一模型可使用 Stata 的 `cloglog` 链接结合 `glm` 或 `streg` 实现。

在 Stata 中，事件史分析的命令包括 `stset`（设置生存数据）、`streg`（回归）、`stcox`（Cox 模型）、`stcurve`（绘制生存曲线）。一个标准的预处理流程是：

```stata

• 假设数据为 DHS 格式：id, v008（调查日期）, v201（一孩出生日期）, ...

gen birth_date = v201 gen survey_date = v008 gen age_at_first = (v008 - v201) / 12

• 设定时间变量

stset time_var, failure(event_var) id(id)

• 拟合 Cox 模型

stcox i.first_child_sex i.mother_age_group i.hukou i.region_gdp ```

理解事件史分析的方法论基础是阅读后续章节（特别是第 4 章中国生育、第 7 章迁移、第 9 章死亡）的必要前提。

1.4 数据源体系：普查、登记与调查的方法论权衡

人口学研究的质量根本上取决于数据质量。全球范围内有三类主要人口数据源：人口普查（Census）、户籍登记（Vital Registration System）、大规模社会调查（Demographic and Health Surveys, DHS; Integrated Public Use Microdata Series, IPUMS）。三类数据源各有优势与局限，研究者必须根据具体研究问题选择合适的数据源。

人口普查是规模最大、最权威的人口数据源，通常每 10 年进行一次（部分国家 5 年）。其优势是覆盖全体人口（理论上）、地理细节丰富、可与历史数据连续比较。其局限是：成本高导致频率低；隐私保护使微观数据获取受限；最关键的是覆盖率偏差（Coverage Bias）。

覆盖率偏差在发展中国家尤为严重。2011 年印度普查被认为是高估人口，2021 年因疫情推迟且面临政治争议；中国 2020 年普查的低龄组漏报问题在学术界存在激烈讨论。覆盖率误差的识别方法包括：与户籍登记出生数据对比、与上次普查队列存活人口推算对比、逆存活法（Reverse Survival Method）等。联合国人口司 2022 年的技术报告《Evaluation of the UN World Population Prospects 2022: Internal Consistency and Demographic Balance》对各国数据质量进行了系统评估，使用"人口平衡方程"（Demographic Balancing Equation）作为主要工具：

$$P_{t+1} = P_t + B_t - D_t + M_t$$

其中 $P$ 为人口，$B$ 为出生，$D$ 为死亡，$M$ 为净迁移。任一变量出现误差都会破坏等式两端平衡，这一方法可识别数据系统性问题。

户籍登记（Vital Registration, VR）系统是连续性的事件数据源，记录所有出生、死亡、婚姻、迁移等事件。其优势是时序连续、事件级别数据；其局限是覆盖率不均——城市覆盖好、偏远地区差；死亡原因编码质量参差不齐。丹麦、瑞典等北欧国家拥有全球最完整的 VR 系统，登记覆盖率超过 99%；美国相对落后，部分州（特别是南部"圣经带"）的死亡登记仍存在严重遗漏。

VR 系统的核心质量指标是完整性（Completeness），常用的评估方法包括：

• **综合生育率调整法（General Fertility Rate Method）**：将登记出生数据与人口普查育龄妇女数对比，计算遗漏率。
• **姐妹法（Sisterhood Method）**：通过调查询问受访者姐妹数估计死亡率，间接评估死亡登记完整性。Graham, Brass 和 Snow (1989) 的方法至今仍是经典工具。
• **贝叶斯调整**：Hill, You 和 Choi (2009) 发展的贝叶斯方法将登记完整性作为潜在变量，结合多种独立数据源进行联合估计。

大规模社会调查是介于普查与登记之间的第三种数据源。最重要的是 DHS（Demog