基于系统动力学的人口预测
“二孩”背景下人口合理规模预测--以大连市甘井子区为例
“二孩”背景下人口合理规模预测--以大连市甘井子区为例王耕;李优【摘要】人口是社会发展的动力，是国家或一个地区的硬实力，人口问题是可持续发展的核心问题。
今年“二孩”政策的提出，对未来人口规模的预测意义更加重大。
在此背景下，本文以大连市甘井子区为例，运用马尔萨斯人口模型、GM(1，1)灰色模型和系统动力学模型对甘井子区2015-2025年的人口规模做出预测，并进行对比分析。
结果表明：GM(1，1)灰色模型的预测精确度较低，马尔萨斯模型预测精准度次之，系统动力学的预测精准度最好。
预测的最终结果：2020年甘井子区总人口达到151万人，2025年将达到179万人。
%Social development of the population dynamics, is the country's or a region's hard power, population issues are central to sustainable development issues. This year's“second child” policy proposal of more significant projection of future population size. In this context, this paper, ganjingzi district, Dalian, for example, the use of Malthusian population models, GM (1,1) grey modeling and system dynamics modeling to predict population size of 2015-2025, ganjingzi district, and compare. Results showed that GM (1,1) gray model of prediction accuracy is low, maersisi model prediction accuracy, and system dynamics prediction accuracy the best. Predicted final results: in 2020, ganjingzi district population reached 1.51 million in 2025 and reached 1.79 million.【期刊名称】《国土与自然资源研究》【年(卷),期】2016(000)004【总页数】4页(P39-42)【关键词】人口预测;马尔萨斯模型;灰色模型;系统动力学【作者】王耕;李优【作者单位】辽宁师范大学城市与环境学院，辽宁大连116029; 辽宁师范大学海洋经济与可持续发展中心，辽宁大连116029;辽宁师范大学城市与环境学院，辽宁大连116029【正文语种】中文【中图分类】O171人口作为经济社会可持续发展的基础和载体，直接影响区域经济发展的速度和资源环境的规划保护［1］。
人口预测的数学模型与预测方法分析
人口预测的数学模型与预测方法分析人口预测是对未来一定时期内人口数量和结构的变动进行估计和预测的过程。
人口预测在社会经济发展规划、城市规划、教育医疗资源配置等方面具有重要的参考价值。
为了准确预测人口的变动趋势，需要建立合理的数学模型和选择适当的预测方法。
人口预测的数学模型主要包括线性回归模型、指数模型、Logistic模型等。
线性回归模型是一种用来描述两个变量之间线性关系的统计模型，可以用来预测人口随时间的变化。
指数模型假设人口数量按照指数规律增长或减少，适用于人口增长较快的情况。
Logistic模型则适用于人口增长速度放缓后的情况，它是一种描述增长速度逐渐趋近于饱和的模型。
在选择数学模型时，需要综合考虑以下几个因素：人口历史变动趋势、人口自然增长率、人口迁移和流动情况、政策调控等因素。
同时，还需根据实际情况对模型的参数进行合理的设定和修正，以提高预测的准确性。
在预测方法上，常用的有趋势线法、复合增长率法、比较推理法、时间序列分析法和系统动力学方法等。
趋势线法是基于历史数据的发展趋势来进行预测，适用于人口变动趋势比较稳定的情况。
复合增长率法是将历史数据中的增长率按一定规则进行加权平均，再用来推算未来人口的增长率。
比较推理法通过对不同因素的比较和推理，来估计未来人口的变化。
时间序列分析法是根据时间序列数据的历史模式来预测未来的变化趋势。
系统动力学方法则是通过对不同因素的动态关系建立模型，用来探索人口变动的内在机制和规律。
在具体应用时，可以结合不同的数学模型和预测方法，进行多角度的分析和预测。
同时，还需要不断对模型进行修正和优化，以适应不断变化的人口变动趋势和社会经济背景。
此外，还应该注意对预测结果的不确定性进行评估和把握，提供多种可能性的预测结果，为决策者提供科学的参考依据。
根据系统动力学的人口预测
3.2基于系统动力学的人口预测21世纪是人类面临三大问题：第一是人口膨胀，第二是就业困难，第三是环境污染，这三大问题的焦点在于人口。
因此，如何对未来的人口进行预测和控制，一直是人们关心的重要领域。
本课题是在宋健人口模型的基础上，考虑到上海作为一个开放城市，改良建立了双线性开放/动态人口模型。
采用上述基于人口结构模型，预测上海2010—2050年的人口年龄、性别结构。
为了更准确地研究人口系统，我们将人口按0-4岁、5-9岁、10-14岁、…、95-99岁、100岁及以上分群，分为21个群，并假设女性的生育时间以不同的概率分布在15-49岁之间。
然后以政策系数和生育时间的分布概率为政策参数进行仿真分析和政策试验。
3.2.1系统模拟的一些基本假设●人口分年龄数据2000年人口普查的数据上海常住人口总数为1640万，而根据上海统计年鉴2000年上海常住人口总数为1608万。
因为后续计算都是采用上海统计年鉴上的数据，所以按上海统计年鉴的常住人口总数1608万对2000年人口普查的数据进行了同比例调整。
通过《上海统计年鉴》、《上海市2000年人口普查资料》、《2005年上海市1%人口抽样调查资料》等文献的搜索，得2000年上海市分年龄段的男、女人数数据见表1。
表1 上海市2000年分年段男、女人数（单位：万人）第五次普查(2000年) 第五次普查(2000年)年龄段合计男女年龄段合计男女0~4岁49 25.7 23.3 55~59岁66.61 34.3 32.315~9岁58.67 30.53 28.14 60~64岁57.73 28.54 29.1910~14岁93.42 47.95 45.48 65~69岁68.31 32.25 36.0615~19岁129.51 64.9 64.62 70~74岁53.13 24.37 28.7620~24岁135.3 69.72 65.57 75~79岁36.71 15.94 20.7725~29岁135.4 72.09 63.31 80~84岁19.39 7.67 11.7330~34岁139.48 76.16 63.32 85~89岁7.9 2.71 5.1935~39岁150.65 81.27 69.38 90~94岁 2.16 0.61 1.5540~44岁170.02 88.98 81.04 95~99岁0.42 0.11 0.3245~49岁159.15 82.89 76.26 100岁及以上0.03 0.004 0.0250~54岁107.8 56.33 51.46●妇女生育时间根据人口生育的一般规律可知，对出生有贡献的只有15-49岁的女性人口。
基于动力学模型的人口发展趋势预测
基于动力学模型的人口发展趋势预测近年来，全球人口数量不断增长，人口增长的速度和规模对于经济、资源、环境和社会等多个方面都会产生深远的影响。
因此，对于人口发展趋势的预测和探究是非常必要的。
本文将以动力学模型为基础，分析未来人口发展趋势。
一、动力学模型动力学模型是指对某一系统在时间轴上的演变进行描述的一种数学模型。
它能够通过对系统的因素建立准确的关系式，以使其能够预测在未来一定时间段内该系统的发展状态。
常用的动力学模型有很多，例如生态系统中的Lotka-Volterra模型、物理学中的薛定谔方程、社会学中的传染病动力学模型等。
这些模型大多是基于系统的演化机理进行构建的，它们用数学语言深入描绘了系统内部和其环境之间的动态相互作用，因此它们在预测系统行为和趋势方面具有非常高的准确性和可靠性。
二、基于动力学模型的人口预测在人口学中，常用的动力学模型有人口增长模型和人口结构模型。
人口增长模型是指通过研究各种人口因素，如出生率、死亡率、迁移率等，将它们与时间紧密关联的人口总数进行关系建模，然后用这些关系式来预测未来人口增长的发展趋势。
人口结构模型则是基于人口的年龄、性别、婚姻等分布情况进行研究。
这类模型的关键在于研究人口结构的变化趋势，以及对人口结构的合理调控方法的研究，以达到实现人口数量、性别、年龄等方面的合理分布，从而保证社会平稳发展。
三、实际操作例基于动力学模型的人口预测需要较多的相关数据，如人口普查数据等。
以我国2010年至2019年的人口普查数据为例，本文模拟分别使用人口增长模型和人口结构模型进行预测。
在人口增长模型中，我们假设人口的增长率分别为1.6%、1.5%、1.3%、1.0%、0.7%、0.4%、0.1%、0、-0.1%。
其中，2020年之后的人口增长率为负值，原因是我国的人口老化问题越来越严重，出生率逐渐下降，直接导致人口增长率也逐渐变缓，进而变为负值。
在人口结构模型中，我们将人口分为不同的年龄组，如0-14岁、15-59岁、60岁以上等。
基于系统动力学的江苏省人口预测仿真研究
基于系统动力学的江苏省人口预测仿真研究人口是一个国家的基本资源，对于一个省份来说，人口的增长和变化对经济社会发展有着重要的影响。
江苏省作为中国经济最为发达的省份之一，其人口增长和发展变化更是备受关注。
本文将基于系统动力学的方法，对江苏省人口进行预测仿真研究。
系统动力学是一种用于研究复杂系统的工具，能够模拟和分析系统的动态过程。
在人口预测中，我们需要考虑人口的出生、死亡、迁移等因素，以及这些因素之间的相互作用。
通过构建一个系统动力学模型，可以对人口的变化趋势进行模拟和预测。
我们需要收集江苏省过去几年的人口数据，包括出生率、死亡率、迁移率等指标。
然后，根据这些数据，构建一个基本的人口模型。
模型中的关键变量包括出生人口、死亡人口、迁移人口以及总人口。
出生人口的增加取决于出生率和总人口数，死亡人口的减少取决于死亡率和总人口数，迁移人口的增加或减少取决于迁移率和总人口数。
接下来，我们需要确定模型中的参数和初始条件。
参数包括出生率、死亡率和迁移率，这些参数可以根据历史数据进行估计。
初始条件则是指模型开始运行时的人口数量和特征，可以根据江苏省最新的人口数据确定。
在模型运行过程中，可以通过不断调整参数和初始条件，观察对人口变化的影响。
我们可以进行不同的实验，比如改变出生率、死亡率或迁移率，观察人口数量的变化趋势。
通过模型的仿真运行，可以得到一系列关于人口变化的预测结果。
我们可以对预测结果进行分析和解释。
通过观察人口数量的变化趋势，可以预测未来江苏省人口的发展情况。
我们还可以观察模型中其他变量（比如年龄结构、性别比）的变化趋势，进一步了解人口发展的特点。
基于系统动力学的江苏省人口预测仿真研究
基于系统动力学的江苏省人口预测仿真研究近年来，人口问题一直是社会发展中日益突出的一个问题。
人口数量和结构的变化对于经济、环境、社会等方面都有深远的影响。
对于人口的预测和研究就显得至关重要。
江苏省作为全国人口较多的省份之一，其人口数量和结构的变化直接关系着其经济社会发展的方向。
本文以江苏省为研究对象，基于系统动力学的方法，对江苏省未来的人口变化进行预测和仿真研究。
为了进行仿真研究，我们需要建立一个江苏省人口变化的数学模型。
这个模型可以包括人口数量、人口出生率、人口死亡率、人口迁移率等因素。
人口数量是模型的核心变量，其他因素则是影响人口数量变化的驱动因素。
在建立模型之前，我们需要对江苏省的历史人口数据进行分析。
通过对数据的统计和分析，我们可以发现人口数量的变化趋势，以及其他相关的因素如出生率、死亡率等与人口数量的关系。
然后，我们可以根据历史数据来建立数学模型。
通过分析历史数据的变化趋势，我们可以确定人口数量和其他因素之间的关系，并建立相应的数学方程。
这些方程可以描述人口数量和其他因素之间的动态变化过程。
接下来，我们可以使用系统动力学的仿真工具来进行模拟研究。
通过对模型的参数和初始条件进行设置，我们可以模拟出不同时期的人口变化情况，并预测未来的人口数量和结构变化。
我们可以根据模拟结果进行政策分析和决策支持。
通过对仿真结果的分析，我们可以评估不同政策对于人口变化的影响，并提出相应的政策建议。
基于系统动力学的江苏省人口预测仿真研究可以通过建立数学模型，模拟和预测江苏省未来的人口变化情况，为政府制定人口政策提供科学的依据。
这对于促进江苏省经济社会的可持续发展具有重要意义。
基于系统动力学的江苏省人口预测仿真研究
基于系统动力学的江苏省人口预测仿真研究【摘要】本研究基于系统动力学，利用江苏省的人口数据，建立了一套人口预测仿真模型。
首先进行了数据采集和处理，然后建立了系统动力学模型，并通过验证和结果分析确定了其准确性。
接着进行了参数敏感性分析，对未来发展趋势进行预测。
研究总结表明，该模型在预测江苏省人口变化方面具有较高的精度。
在展望与建议中，我们指出了模型的改进方向，并分析了研究对社会的影响。
这一研究对于江苏省乃至其他地区的人口规划和政策制定具有重要意义，能够为未来的人口管理提供科学参考。
【关键词】系统动力学、江苏省、人口预测、仿真研究、模型建立、数据采集、模型验证、结果分析、参数敏感性、发展趋势、总结、展望、建议、社会影响1. 引言1.1 研究背景江苏省作为中国经济最发达的地区之一，人口规模庞大且动态变化明显。
随着经济发展和城镇化进程的加快，人口结构和分布也在不断调整。
对江苏省人口未来发展趋势进行预测和仿真研究具有重要意义。
基于系统动力学的人口预测模型可以较好地捕捉人口变化的多因素影响，为政府决策和社会发展提供科学依据。
在这一背景下，本研究旨在建立基于系统动力学的江苏省人口预测仿真模型，利用历史数据和趋势分析方法，探讨江苏省未来人口发展的可能走势。
通过对人口数量、结构和分布等方面进行全面分析，为政府制定人口政策和规划提供参考，促进江苏省经济社会可持续发展。
本研究对于深入了解江苏省人口发展规律、推动城市化进程、优化资源配置和促进区域协调发展具有重要意义。
1.2 研究目的江苏省是我国经济发展较快的省份之一，人口规模庞大且经济水平较高。
随着人口老龄化趋势日益加剧，人口结构的变化对江苏省的社会经济发展将产生深远影响。
本研究旨在利用系统动力学模型对江苏省人口进行预测仿真研究，以期能够更准确地预测未来人口变化趋势，为相关部门提供科学依据，为江苏省未来人口政策的制定提供参考。
具体目的包括：探讨江苏省人口增长的规律性和影响因素，分析人口老龄化对经济发展、社会保障和医疗卫生等方面的影响，预测未来人口结构的变化趋势，为制定针对性的人口政策提供科学依据。
基于系统动力学的江苏省人口预测仿真研究
基于系统动力学的江苏省人口预测仿真研究人口预测是社会经济发展中的重要内容，对于规划和决策具有重要的参考价值。
系统动力学是一种研究系统动态变化规律的方法，可以用于人口预测的仿真研究。
本文将基于系统动力学的方法，对江苏省的人口发展进行预测和仿真研究。
我们需要构建一个系统动力学模型来描述江苏省的人口发展。
模型中包括人口的迁入、迁出、出生和死亡四个要素。
迁入和迁出受到经济、政策、教育等因素的影响，可以用一组方程来描述。
出生和死亡受到人口年龄结构、医疗水平、生活水平等因素的影响，也可以用一组方程来描述。
通过对这些方程进行数学建模，可以得到一个动态的人口发展模型。
我们需要收集江苏省的历史人口数据，并进行参数估计。
通过对历史数据的分析，可以获得模型中的各个参数的取值范围。
然后利用系统动力学的方法，对模型进行仿真运行。
仿真过程中，可以通过调整各个参数的取值，来模拟不同的情境和策略。
比如可以通过调整迁入和迁出的参数，来模拟不同地区的人口流动。
通过调整出生和死亡的参数，来模拟不同的医疗水平和生活水平对人口发展的影响。
我们可以根据仿真结果，对江苏省的人口发展进行预测和分析。
通过对不同情境和策略的仿真结果进行对比，可以评估不同因素对人口发展的影响程度。
比如可以评估经济发展对人口迁入的促进作用，或者评估医疗水平对人口死亡率的影响。
通过这些分析，可以为江苏省的规划和决策提供参考，帮助实现人口发展的合理和可持续。
基于系统动力学的方法可以用于江苏省人口预测的仿真研究。
通过构建系统动力学模型、参数估计和仿真运行，可以得到江苏省的人口发展趋势和影响因素。
这种方法有助于提高人口预测的科学性和准确性，为江苏省的人口规划和决策提供参考和支持。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
3.2基于系统动力学的人口预测21世纪是人类面临三大问题：第一是人口膨胀，第二是就业困难，第三是环境污染，这三大问题的焦点在于人口。
因此，如何对未来的人口进行预测和控制，一直是人们关心的重要领域。
本课题是在宋健人口模型的基础上，考虑到上海作为一个开放城市，改良建立了双线性开放/动态人口模型。
采用上述基于人口结构模型，预测上海2010—2050年的人口年龄、性别结构。
为了更准确地研究人口系统，我们将人口按0-4岁、5-9岁、10-14岁、…、95-99岁、100岁及以上分群，分为21个群，并假设女性的生育时间以不同的概率分布在15-49岁之间。
然后以政策系数和生育时间的分布概率为政策参数进行仿真分析和政策试验。
3.2.1系统模拟的一些基本假设●人口分年龄数据2000年人口普查的数据上海常住人口总数为1640万，而根据上海统计年鉴2000年上海常住人口总数为1608万。
因为后续计算都是采用上海统计年鉴上的数据，所以按上海统计年鉴的常住人口总数1608万对2000年人口普查的数据进行了同比例调整。
通过《上海统计年鉴》、《上海市2000年人口普查资料》、《2005年上海市1%人口抽样调查资料》等文献的搜索，得2000年上海市分年龄段的男、女人数数据见表1。
表1 上海市2000年分年段男、女人数（单位：万人）第五次普查(2000年) 第五次普查(2000年)年龄段合计男女年龄段合计男女0~4岁49 25.7 23.3 55~59岁66.61 34.3 32.315~9岁58.67 30.53 28.14 60~64岁57.73 28.54 29.1910~14岁93.42 47.95 45.48 65~69岁68.31 32.25 36.0615~19岁129.51 64.9 64.62 70~74岁53.13 24.37 28.7620~24岁135.3 69.72 65.57 75~79岁36.71 15.94 20.7725~29岁135.4 72.09 63.31 80~84岁19.39 7.67 11.7330~34岁139.48 76.16 63.32 85~89岁7.9 2.71 5.1935~39岁150.65 81.27 69.38 90~94岁 2.16 0.61 1.5540~44岁170.02 88.98 81.04 95~99岁0.42 0.11 0.3245~49岁159.15 82.89 76.26 100岁及以上0.03 0.004 0.0250~54岁107.8 56.33 51.46●妇女生育时间根据人口生育的一般规律可知，对出生有贡献的只有15-49岁的女性人口。
出生率受人口政策的影响，如果严格实行“一对夫妇一个孩”的人口政策，那么任何一个女性在一生中只能生育一次。
我们假设生育时间是在15-49岁之间均匀分布，于是有出生率=1/35≈2.9%。
通过对统计资料和参考文献的整理和分析，可得妇女生育时间到俄分布规律如表所示。
表2 妇女生育时间的分布规律●性别比性别比是一个统计数据，是指新生婴儿中男性人口与女性人口的比例。
新出生的人口可能是男性，也可能是女性。
在自然出生的情况下，男性和女性的概率都是50%。
但是根据前面的分析，新生婴儿中，男性与女性的平均性别比为105：100。
●政策系数政策系数是一个政策参数，表明计划生育政策执行的严格程度。
如果严格执行“一对夫妇一个孩”的人口政策，政策系数=1，随着执行程度的放松，其值增加。
例如，如果实施“一对夫妇两个孩”的人口政策，政策系数=2。
●男、女性出生速率根据政策系数，有男性出生速率=“女性15-49”*出生率*（性别比）/（100+性别比）*政策系数；女性出生速率=“女性15-49”*出生率*100/（100+性别比）*政策系数。
●死亡率但不同年龄组死亡率存在差异。
0-10岁组是少年儿童阶段，死亡率呈下降趋势，10-14岁组死亡率水平为最低，以后随着年龄的增长，死亡率逐步上升。
由于上海市2008年男性预期寿命为79.06岁，女性预期寿命为83.50岁，人均寿命已经达到较高的水平，接近许多世界发达国家的水平，上升的空间已经不是很大，故在未来若干年中死亡率减低的速度必然逐步减弱。
以2000年男性、女性死亡率为基期我们假设截止2050年上海人均死亡率每十年分别较上一个十年下降10%。
表3 上海市分年龄死亡率对比分析1990年（‰）1995年（‰）2000年（‰）2005年（‰）0-4岁 2.88 0.939 1.1 0.985-9岁0.32 0.298 0.24 0.0710-14岁0.33 0.375 0.21 0.2315-19岁0.45 0.608 0.25 0.0520-24岁0.54 0.59 0.36 0.0825-29岁0.61 0.927 0.38 0.2130-34岁0.8 0.938 0.51 0.4235-39岁 1.18 0.88 0.87 0.6140-44岁 1.52 2.303 1.43 1.0545-49岁 2.36 2.293 1.99 1.6650-54岁 4.25 3.641 3.01 2.0555-59岁7.04 6.254 4.73 3.4360-64岁11.71 10.874 8.21 6.0365-69岁19.89 17.217 14.66 11.7670-74岁34.96 29.4 27.13 17.9675-79岁62.95 54.411 48.68 37.1280-84岁106.48 94.775 89.11 63.6185-89岁166.33 150.899 155.35 124.8390-94岁276.33 215.847 262.48 187.7295-99岁282.609 354.52 358.33100岁以上142.857 384.62●净迁入人口按照前面的分析，以相同的速率进行。
3.2.2人口系统模型根据以上的分析，建立人口系统模型如下：<女性5-9岁><女性10-14岁><女性20-24岁><女性30-34岁><女性35-39岁><女性40-44岁>图1 各年龄段人口系统模型公式说明：(001) 女性出生速率=("女性15-19岁"*"P15-19"+"女性20-24岁"*"P20-24"+"女性25-29岁"*"P25-29"+"女性30-34岁"*"P30-34"+"女性35-39岁"*"P35-39"+"女性40-44岁"*"P40-44"+"女性45-49岁"*"P45-49" )/5*100/(100+性别比)*政策(002) "女性0-4岁"= INTEG (女性出生速率-F1-FD1,23.3)(003) "女性5-9岁"= INTEG (F1-F2-FD2,30.53)(004) "女性10-14岁"= INTEG (F2-F3-FD3,47.95)(005) "女性15-19岁"= INTEG (F3-F4-FD4,64.9)(006) "女性20-24岁"= INTEG (F4-F5-FD5+"女性20-24岁净迁入",69.72) (007) "女性25-29岁"= INTEG (F5-F6-FD6+"女性25-29岁净迁入",72.09) (008) "女性30-34岁"= INTEG (F6-F7-FD7+"女性30-34岁净迁入",76.16) (009) "女性35-39岁"= INTEG (F7-F8-FD8+"女性35-39岁净迁入",81.27) (010) "女性40-44岁"= INTEG (F8-F9-FD9+"女性40-44岁净迁入",88.98) (011) "女性45-49岁"= INTEG (+F9-F10-FD10+"女性45-49岁净迁入",82.89) (012) "女性50-54岁"= INTEG (F10-F11-FD11+"女性50-54岁净迁入",56.33) (013) "女性55-59岁"= INTEG (F11-F12-FD12,34.3)(014) "女性60-64岁"= INTEG (F12-F13-FD13,28.54)(015) "女性65-69岁"= INTEG (F13-F14-FD14,32.25)(016) "女性70-74岁"= INTEG (F14-F15-FD15,24.37)(017) "女性75-79岁"= INTEG (F15-F16-FD16,15.94)(018) "女性80-84岁"= INTEG (F16-F17-FD17,7.67)(019) "女性85-89岁"= INTEG (F17-F18-FD18,2.71)(020) "女性90-94岁"= INTEG (F18-F19-FD19,0.61)(021) "女性95-99岁"= INTEG (F19-F20-FD20,0.11)(022) 女性100岁及以上= INTEG (F20-FD21,0.004)(023) 男性出生速率=("女性15-19岁"*"P15-19"+"女性20-24岁"*"P20-24"+"女性25-29岁"*"P25-29"+"女性30-34岁"*"P30-34"+"女性35-39岁"*"P35-39"+"女性40-44岁"*"P40-44"+"女性45-49岁"*"P45-49" )/5*性别比/(100+性别比)*政策(024) "男性0-4岁"= INTEG (男性出生速率-M1-MD1,25.7)(025) "男性5-9岁"= INTEG (M1-M2-MD2,28.14)(026) "男性10-14岁"= INTEG (M2-M3-MD3,45.48)(027) "男性15-19岁"= INTEG (M3-M4-MD4,64.62)(028) "男性20-24岁"= INTEG (M4-M5-MD5+"男性20-24岁净迁入", 65.57) (029) "男性25-29岁"= INTEG (M5-M6-MD6+"男性25-29岁净迁入", 63.31) (030) "男性30-34岁"= INTEG (M6-M7-MD7+"男性30-34岁净迁入", 63.32) (031) "男性35-39岁"= INTEG (M7-M8-MD8+"男性35-39岁净迁入", 69.38) (032) "男性40-44岁"= INTEG (M8-M9-MD9+"男性40-44岁净迁入", 81.04) (033) "男性45-49岁"= INTEG ( +M9-M10-MD10+"男性45-49岁净迁入", 76.26) (034) "男性50-54岁"= INTEG (M10-M11-MD11+"男性50-54岁净迁入",51.46) (035) "男性55-59岁"= INTEG (M11-M12-MD12,32.31)(036) "男性60-64岁"= INTEG (M12-M13-MD13,29.19)(037) "男性65-69岁"= INTEG (M13-M14-MD14,36.06)(038) "男性70-74岁"= INTEG (M14-M15-MD15,28.76)(039) "男性75-79岁"= INTEG (M15-M16-MD16, 20.77)(040) "男性80-84岁"= INTEG (M16-M17-MD17, 11.73)(041) "男性85-89岁"= INTEG (M17-M18-MD18,5.19)(042) "男性90-94岁"= INTEG (M18-M19-MD19,1.55)(043) "男性95-99岁"= INTEG (M19-M20-MD20, 0.32)(044) 男性100岁及以上= INTEG (M20-MD21,0.02)(045) F1="女性0-4岁"/5*(1-FDR1/1000)(046) F2="女性5-9岁"/5*(1-FDR2/1000)(047) F3="女性10-14岁"/5*(1-FDR3/1000)(048) F4="女性15-19岁"/5*(1-FDR4/1000)(049) F5="女性20-24岁"/5*(1-FDR5/1000)(050) F6="女性25-29岁"/5*(1-FDR6/1000)(051) F7="女性30-34岁"/5*(1-FDR7/1000)(052) F8="女性35-39岁"/5*(1-FDR8/1000)(053) F9="女性40-44岁"/5*(1-FDR9/1000/1000)(054) F10="女性45-49岁"/5*(1-FDR10/1000)(055) F11="女性50-54岁"/5*(1-FDR11/1000)(057) F13="女性60-64岁"/5*(1-FDR13/1000) (058) F14="女性65-69岁"/5*(1-FDR14/1000) (059) F15="女性70-74岁"/5*(1-FDR15/1000) (060) F16="女性75-79岁"/5*(1-FDR16/1000) (061) F17="女性80-84岁"/5*(1-FDR17/1000) (062) F18="女性85-89岁"/5*(1-FDR18/1000) (063) F19="女性90-94岁"/5*(1-FDR19/1000) (064) F20="女性95-99岁"/5*(1-FDR20/1000) (065) FD1="女性0-4岁"*FDR1/1000 (066) FD2="女性5-9岁"*FDR2/1000 (067) FD3="女性10-14岁"*FDR3/1000 (068) FD4="女性15-19岁"*FDR4/1000 (069) FD5="女性20-24岁"*FDR5/1000 (070) FD6="女性25-29岁"*FDR6/1000 (071) FD7="女性30-34岁"*FDR7/1000 (072) FD8="女性35-39岁"*FDR8/1000 (073) FD9="女性40-44岁"*FDR9/1000 (074) FD10="女性45-49岁"*FDR10/1000 (075) FD11="女性50-54岁"*FDR11/1000 (076) FD12="女性55-59岁"*FDR12/1000 (077) FD13="女性60-64岁"*FDR13/1000 (078) FD14="女性65-69岁"*FDR14/1000 (079) FD15="女性70-74岁"*FDR15/1000 (080) FD16="女性75-79岁"*FDR16/1000 (081) FD17="女性80-84岁"*FDR17/1000 (082) FD18="女性85-89岁"*FDR18/1000 (083) FD19="女性90-94岁"*FDR19/1000 (084) FD20="女性95-99岁"*FDR20/1000 (085) FD21=女性100岁及以上*FDR21/1000(087) M2="男性5-9岁"/5*(1-MDR2/1000) (088) M3="男性10-14岁"/5*(1-MDR3/1000) (089) M4="男性15-19岁"/5*(1-MDR4/1000) (090) M5="男性20-24岁"/5*(1-MDR5/1000) (091) M6="男性25-29岁"/5*(1-MDR6/1000) (092) M7="男性30-34岁"/5*(1-MDR7/1000) (093) M8="男性35-39岁"/5*(1-MDR8/1000) (094) M9="男性40-44岁"/5*(1-MDR9/1000) (095) M10="男性45-49岁"/5*(1-MDR10/1000) (096) M11="男性50-54岁"/5*(1-MDR11/1000) (097) M12="男性55-59岁"/5*(1-MDR12/1000) (098) M13="男性60-64岁"/5*(1-MDR13/1000) (099) M14="男性65-69岁"/5*(1-MDR14/1000) (100) M15="男性70-74岁"/5*(1-MDR15/1000) (101) M16="男性75-79岁"/5*(1-MDR16/1000) (102) M17="男性80-84岁"/5*(1-MDR17/1000) (103) M18="男性85-89岁"/5*(1-MDR18/1000) (104) M19="男性90-94岁"/5*(1-MDR19/1000) (105) M20="男性95-99岁"/5*(1-MDR20/1000) (106) MD1="男性0-4岁"*MDR1/1000 (107) MD2="男性5-9岁"*MDR2/1000 (108) MD3="男性10-14岁"*MDR3/1000 (109) MD4="男性15-19岁"*MDR4/1000 (110) MD5="男性20-24岁"*MDR5/1000 (111) MD6="男性25-29岁"*MDR6/1000 (112) MD7="男性30-34岁"*MDR7/1000 (113) MD8="男性35-39岁"*MDR8/1000 (114) MD9="男性40-44岁"*MDR9/1000 (115) MD10="男性45-49岁"*MDR10/1000(117) MD12="男性55-59岁"*MDR12/1000 (118) MD13="男性60-64岁"*MDR13/1000 (119) MD14="男性65-69岁"*MDR14/1000 (120) MD15="男性70-74岁"*MDR15/1000 (121) MD16="男性75-79岁"*MDR16/1000 (122) MD17="男性80-84岁"*MDR17/1000 (123) MD18="男性85-89岁"*MDR18/1000 (124) MD19="男性90-94岁"*MDR19/1000 (125) MD20="男性95-99岁"*MDR20/1000 (126) MD21=男性100岁及以上*MDR21/10000-4<女性<女性10-14岁><女性<女性20-24岁><女性25-29岁><女性<女性35-39岁><女性40-44岁>>图2 三阶段人口模型(127)"0-4岁"="女性0-4岁"+"男性0-4岁" (128)"5-9岁"="女性5-9岁"+"男性5-9岁" (129)"10-14岁"="女性10-14岁"+"男性10-14岁" (130)"0-14岁"="0-4岁"+"10-14岁"+"5-9岁" (131)"0-14岁比重"="0-14岁"/总人口*100 (132)"15-19岁"="女性15-19岁"+"男性15-19岁" (133)"20-24岁"="女性20-24岁"+"男性20-24岁" (134)"25-29岁"="女性25-29岁"+"男性25-29岁" (135)"30-34岁"="女性30-34岁"+"男性30-34岁" (136)"35-39岁"="女性35-39岁"+"男性35-39岁" (137)"40-44岁"="女性40-44岁"+"男性40-44岁" (138)"45-49岁"="女性45-49岁"+"男性45-49岁" (139)"50-54岁"="女性50-54岁"+"男性50-54岁" (140)"55-59岁"="女性55-59岁"+"男性55-59岁" (141)"60-64岁"="女性60-64岁"+"男性60-64岁" (142) "15-64岁"="15-19岁"+"20-24岁"+"25-29岁"+"30-34岁"+"35-39岁"+"40-44岁"+"45-49岁"+"50-54岁"+"55-59岁"+"60-64岁"(143)"15-64岁比重"= "15-64岁"/总人口*100 (144)"65岁及以上"=总人口-"15-64岁"-"0-14岁" (145) "65岁及以上比重"="65岁及以上"/总人口*100<0-4<5-9<10-14<15-19岁<20-24岁><25-29岁>岁>岁>岁><70-74岁>岁>岁>>图3 总人口系统模型(146) "65-69岁"="女性65-69岁"+"男性65-69岁"(147) "70-74岁"="女性70-74岁"+"男性70-74岁"(148) "75-79岁"="女性75-79岁"+"男性75-79岁"(149) "80-84岁"="女性80-84岁"+"男性80-84岁"(150) "85-89岁"="女性85-89岁"+"男性85-89岁"(151) "90-94岁"="女性90-94岁"+"男性90-94岁"(152) "95-99岁"="女性95-99岁"+"男性95-99岁"(153) "100岁及以上"=女性100岁及以上+男性100岁及以上(154) 总人口="0-4岁"+"5-9岁"+"10-14岁"+"15-19岁"+"20-24岁"+"25-29岁"+"30-34岁"+"35-39岁"+"40-44岁"+"45-49岁"+"50-54岁"+"55-59岁"+"60-64岁"+"65-69岁"+"70-74岁"+"75-79岁"+"80-84岁"+"85-89岁"+"90-94岁"+"95-99岁"+"100岁及以上"3.2.3人口系统仿真与政策试验在前面的假设成立，以及数据输入以后，利用21个群构成的人口系统模型进行仿真模拟分析。