Memo_A Guide to Global Population Projections

O’Neill B.C., Balk D., Brickman M., et al., 2001, “A Guide to Global Population Projections”, Demographic Research, 4, 203—288.
这篇论文的前三个作者O’Neill现系马里兰大学全球变化研究所主任，撰写此文时在布朗大学，其近期工作主要是评估气候与人类系统；Balk现系CUNY人口所主任，撰写此文时在哥伦比亚大学，其近期工作时城市化、健康与环境尤其是气候变化；Brickman现系纽约科学学院（New York Academy of Sciences）生命科学系主任，其近期工作时健康、城市化研究，撰写此文时也在哥伦比亚大学。该论文概述了2000年以前人口预测的基本方法，尽管与最近廿年的发展有所滞后，但仍然具有指导意义。

中国国家统计局2023年1月已经公布，2022年中国人口历史性的开始了负增长，出生人口为956万人，死亡人口为1041万人，人口比上一年年末减少85万人。2022年末人口14.12万亿。应当说，尽管本文在千禧年的预测已经低估，但据我在2022年中的查询，较新的国际预测仍然低估了中国人口峰值的时间，可见表1所示，国际机构的各类预测大多是2030年前后，且最低的峰值也比实际高出了约1000多万人口。如何理解这些预测结果，这篇文章提供了主流预测的具体过程，或将促使人口学家未来进一步转向最近廿年概率性的人口预测方法。

表1 国际机构的中国人口峰值预测时间

	顶峰时间	数量
United Nations	2031 (MEDIUM VARIANT, Medium fertility variant)	1 464 418 000
2027 (NO CHANGE, constant-fertility and constant-mortality)	1 454 680 000
WB	2030	1 433 473 000
IIASA/WIS	< 2030	1 379 000 000 (*2020)
USCB	2030	1 424 439 125

注：网页信息截至2022年5月3日晚。

论文内容包括：为什么要做预测？哪些组织在做预测？怎么做预测？即Why、Who、How。其中How（怎么做预测）是核心部分，具体又包括，第一，预测的方法，CCM与其他替代法，如何预测不确定性？第二，预测的假设，生育、死亡及移民参数如何确定？第三，预测的结果，如UN的情景法普遍低估生育率下降速率。其具体内容如下。

一、人口预测的受众与组织者

第一，论文区分了预测（Project）与预报（Forecast）。预测是假设一组未来的生育率、死亡率和移民数量，计算这些假设的数字结果，而不负责各假设得到的结果的可能性。预报则是最可能的预测，就像天气预报。
第二，论文指出目前预测的主要受众，商业公司用于营销、政府机构用于规划、全球研究机构用于研究。尽管不确定性会随着时间范围增加而增加，人口学家往往被要求去预测几十年后的事情，这使预测经常不准。
第三，论文指出目前人口预测的组织者，以及最近的预测方案，本文按其更新了2022年的预测情况，如表2所示。论文撰写时（2001年）预测与现在预测有几个区别。其一，2001年预测大多是到2050年，2022年预测则更新至2100年；其二，2001年预测会包括大洲（Regions）与国家两个层级，2022年预测则一般直接细化到国家；其三，2001年预测情景很多，有机构预测了27个情景，2022年预测则相对少了很多，但出现了更多的概率性预测。
就2001年预测而言，第一，UN预测方案是World Population Prospects，1951年至今。第二，WB预测方案是World Development Reports，1978年至1997年，1997年后WB不再专门预测，且如今WDR也不再专门出版。第三，IIASA的预测没有固定名字，1994年至今。第四，USCB的预测World Population Profile，1985年至今。第五，PRB的预测，World Population Data Sheet，2000年至今。

表2 2022年查询人口预测机构及其预测方案

Organization	Recent Projection	Time Horizon	Level	Method	Output Scenarios
United Nations	2019	2100	Country	CCM & Probabilistic Projection	9
WB	2022	2050	Country	/	1
IIASA/WIC	2014	2100	Country	MCCM (Education)	3
USCB	2020	2100	Country	CCM by DAPPS (2021)	1
PRB	2021	2050	Country	CCM	1

注：网页信息截至2022年5月3日晚。

二、人口预测的基本方法

2000年时，人口预测方法已经和现在基本一致，只是概率预测在近年得到了进一步发展。具体而言。
第一，队列要素法（The Cohort-Component Method）最常见。其最初在1895年Cannan提出，1945年Leslie矩阵化，并同年被Notestein用于人口预测。CCM的未来预测取决于期初的规模、年龄结构，以及设定的生育率、死亡率、迁移率等参数。但是，作为主流的CCM预测存在较大问题。其一，不清楚各情景在多大可能会出现。其二，确定参数往往很主观，不同专家往往有不同意见。其三，各参数的组合排列可能并不科学。其四，参数在各地区过于一致，对各区域往往被简化为一个作用方向。
第二，替代CCM的方法。其一，时间序列法（Time Series），这个方法有三个问题，预测无法考虑到技术发展的影响、难以预测反向的人口减少、随着时间增加置信区间快速变大。其二，微观仿真法（Microsimulation），该方法预测精度高，但问题在于数据要求高、方法要求高。其三，系统动力学模型（Structural Models），通过经济发展程度等指标来预测，其代表如1970年代的Word3模型，但问题在于指标缺乏理论支持，主观性强。
第三，MCCM方法（Multistate cohort-component projections）。其最初是为了测量家庭成员居住模式，其后被应用到各领域，如Lutz与Goujon的全球人口教育预测、Van Lmhoff与Keilman的荷兰婚姻预测。该方法可以被视为CCM的进阶，只是参数更加复杂。
因此，上述方法均有各种问题，学界开始探索第四种方法，即概率性预测（Probabilistic Projections）。就概率性预测而言，有三种具体方法，其一是专家给出可能范围，但专家人工判断不可靠。其二是根据历史误差分析，如NRC（2000）报告Beyond Six Million，根据UN先前预测误差去修正后续预测。其三是统计模型，但2000年刚刚开始，事实上，这一方法如今已经被UN 2019的World Population Prospects采用（盛亦男、顾大男，2020），且日益重要。该方法的问题主要在于，概率是无条件的，但政府报告里不好讲故事，这需要组合使用CCM这种可以分条件讲故事的方法。
最后，论文总结了人口预测的原则，其一，尽量多种方法交错观察。其二，使用CCM时要清楚预测情景（或参数）隐含的假设是什么。其三，概率预测可以辅助判断CCM。

三、人口预测的参数估计

就CCM中各参数的估计而言，论文讨论了基础数据、生育率、死亡率、移民数量。具体而言。
基础数据方面。普查仍是主流，但普查的问题是，在发达国家中移民数据匮乏，在发展中国家中往往仍依赖间接估计。
生育率方面。参数取决于下降速度与最终水平。现有参数考虑往往依托人口转变理论、家庭政策理论、TFR时期效应等，但论文认为没有考虑气候、环境变化的影响。其比较了2000年时各机构的参数设置，共同点是均认为TFR会下降，但下降速度不一，以巴西2050年为例，UN认为会下降至2.1，USCB认为会下降至1.7。
死亡率方面。参数取决于死亡人口的年龄分布及预期变迁。现有参数考虑往往依托预期寿命是否有增长极限、艾滋病的影响有多大，但论文认为没考虑（1）环境承载力，问题是难界定、难测量、难厘清因果，（2）气温与死亡率，如登革热等流行病传播。其比较了2000年时各机构的参数设置，如UCSB认为受HIV影响，对后发国家预测更保守。
迁移人口方面。1990年代初，国际净移徙已占千年发展目标人口增长率的近一半，数量庞大。现有参数考虑往往依托推拉理论，尤其在经济上，移民更可能来自有一定发展的国家、及这种国家中的中产；此外，政治避难、文化、社会网络等因素也被考虑，但论文认为未考虑生态难民，据Myers（1995）估计有2500万生态难民。其比较了2000年时各机构的参数设置，UN在短期预测中设置移民数量有三类国家（从来没有0、中短期有、一直有），UN的长期预测都是0；IIASA则按照近期历史数据与Rogers & Castro 迁移年龄模式；USCB预测则按0或逐渐归0，该预测会导致区域有不平衡，但总体可以忽略不计。

四、人口预测的结果讨论

最后，论文讨论了各机构的预测结果。从数量、年龄结构、分布、精度四个方面。
第一，就全球预测的数量而言。2050年UN值为8.9 billion、USCB值为9.3 billion、IIASA值为9.9 billion；2100年UN值为9.5 billion、IIAS值为10.4 billion。
相对而言，IIASA比UN预测值高，可能是基期数据的TFR高，而UN后来校正了TFR；IIASA预测范围比UN小，可能是因为IIASA的TFR与Mx一起变化，如果固定Mx则IIASA的范围也很大。但是，各机构的国别预测差异大，全球或大洲的汇总数据掩盖了国别预测参数的差异。
以UN预测为例，其一，各情景的人口惯性（Momentum）不一，主要是因为短期看TFR，但长期看TFR是否回弹所带来长期育龄妇女数量是否减少。其二，各预测的相对增长率在1960年代达到峰值2%，至2050年在-0.2%到0.9%之间，绝对增长量在1980年代末达到峰值，约8600万，至2050年绝对数量的预测差异极大。其三，对比1994、1996、1998年三次UN预测，TFR在持续下调。
第二，就年龄结构而言。UN、IIASA中方案显示，2050前后老龄人口比重超过少儿人口比重，乐观预测2100年才会超过，悲观预测2030年就会超过，预测区间很大。
第三，就人口分布而言。其一，2008年开始城市人口超过农村人口，2030年城市人口占总人口60%，但后发国家城市化率仍然很低。其预测所采用的城市化速率参数，按世界常态进行调整，即logistic的S曲线。其二，发达地区（北美、大洋洲和欧洲地区）人口数量从18%降至10%，中国从21%降至14%，非洲从13%增长至24%。
就上述预测是否准确，论文回测了历史数据。数据显示，以往预测均高估，主要是因为高估了后发国家生育率，低估了死亡率的下降速度。但具体分地区数据显示，UN预测上调了中国1965至1970点TFR、下调了非洲1985年以后的预期寿命。同时，2000年预计的城市人口比1980年预测的少了约10%，城市人口数量高估主要是因为城市化速率高估。

参考文献

[1] 盛亦男、顾大男，2020：《概率人口预测方法及其应用——《世界人口展望》概率人口预测方法简介》，《人口学刊》第5期。