中国人口老龄化的影响因素分析与预测

Analysis and Prediction of Influencing Factors of Population Aging in China

摘要: 本文收集1998~2020年我国0~14岁的人口数量、15~64岁的人口数量、人口出生率、人口死亡率、人均GDP、政府和社会卫生支出、城镇人口比重人口数据，进行人口老龄化的影响因素分析和预测。通过一元线性回归模型研究每一个变量对老龄化系数的贡献度，并建立老龄化比率的多元回归预测模型。研究发现0~14岁的人口数量和人口出生率对老龄化有显着负向影响，能减缓老龄化的进程；15~64岁的人口数量、人口死亡率、人均GDP、政府和社会卫生支出以及城镇人口比重对老龄化有显着正向影响，会加快老龄化的进程。

Abstract: This paper collects data on the population aged 0~14, the population aged 15~64, the birth rate, the mortality rate, GDP, the government and social health expenditure, and the proportion of the urban population in China from 1998 to 2020, to analyze the influencing factors of population aging and forecast the population aging ratio in China. Using the simple regression model, this paper studies the contribution of each variable to the aging coefficient and establishes the multiple regression model to predict of aging ratio. It was found that the number of people aged 0~14 and the birth rate have a significant negative impact on aging, which can slow down the process of aging. The number of people aged 15~64, population mortality, GDP, government and social health expenditure, and the proportion of the urban population have a significant positive impact on aging, which will accelerate the process of aging.

1. 引言

人口老龄化的研究始于19世纪末的法国，二战结束后人口老龄化问题逐步从发达国家蔓延开来，成为广泛研究的热点问题 [1]。国际上对人口老龄化社会的定义是当一个国家或地区65岁以上老年人口占总人口比例超过7%，这个国家或地区即进入老龄化社会 [2]。当65岁以上人口比例达到14%，这个国家或地区即进入深度老龄化社会；当比例达到20%，则进入超老龄化社会 [3]。人口老龄化是一个国家或地区的社会经济发展后的必然结果，随着我国人口数量的不断增加和经济的不断增长，人口老龄化的程度也愈加严重，2020年第七次全国人口普查数据显示，我国65岁以上老年人口为1.9亿人，约占总人口比例的13.5%，接近深度老龄化社会 [4]。

按照我国当前人口的结构和对未来出生率及长寿水平的预测，20年内我国进入超老龄化社会的趋势将不可避免并会持续很长的一段时间 [5]。人口老龄化问题不仅仅是社会问题，还关乎着国家经济的发展和社会的稳定，同时人口老龄化还会给医疗和养老保障带来极大的挑战。如果能够掌握人口老龄化的形成机理，准确预测人口老龄化变动的趋势，将对地区人口老龄化问题的因应和区域经济的协调具有重要意义。因此分析人口老龄化的影响因素，针对人口老龄化因素提出相关的改进措施，不仅有助于减缓人口老龄化问题，更能够预测地区人口老龄化到来的时间点，提早拟定相关的医疗和养老保障政策并规划财政经费来源。本文拟利用中国统计局数据，通过探究人口数量、出生率、人均GDP等关键性指标，建立多元线性回归模型，找出影响我国人口老龄化的因素，分析我国人口老龄化的趋势，分析老龄化带来的影响，并针对我国人口老龄化问题提出相关建议。

2. 文献综述

2.1. 我国人口老龄化现状

我国人口的现状显示出老龄化趋势下的三个特征，即总人口增速进一步减缓、劳动年龄人口占比下降和老龄人口占比显着提升。在总人口增速方面，1990~2000年我国总人口增速为11.66%，2000~2010年人口增速下降为5.84%，2010~2020年人口增速进一步减缓为5.38%；在劳动年龄人口方面，我国15~64岁劳动年龄人口比例2010年为74.53%，2020年为68.55%，降幅达到5.98%，对未来经济增长带来挑战；在老龄人口占比方面，根据2021年5月国家统计局公布的第七次全国人口普查结果，老龄人口占比不仅首次突破10%，达到13.5%，并且增幅高达4.63个百分点，显示人口老龄化正在加速 [6]。

第七次人口普查的数据显示我国总人口数量达到14.12亿人，与十年前相比，增加了0.72亿人，十年来人口增长幅度只有5.38%，说明我国人口长期处于一种低增长状态。在这近14亿人口中，男性人口有7.23亿人，占全国总人口的51.24%，女性总人口约为6.88亿人，占总人口的48.76%，男性比女性人口多了3490万人。按照年龄进行划分，我国60岁以上的老人达到了2.6亿人，占全国总人口的18.7%，意味着中国已步入老龄化社会 [7]。

2.2. 人口老龄化的相关研究

人口老龄化的相关研究，主要以人口老龄化的趋势 [8]、空间分布特征 [9]、影响因素 [10]、与区域差异 [11] 和比较 [12] 为主，或者结合经济效应 [13]、经济增长 [14]、养老资源 [15]、老年人口健康及卫生服务 [16]、医疗服务和养老体系 [17] 进行探讨。

在人口老龄化的影响因素方面，主要集中探讨人口迁移、生育率、死亡率、经济发展水平、医疗设施水平、地区受教育水平等因素的影响。这些因素可细分为直接因素和间接因素，直接因素包括人口迁移、生育率、死亡率、长寿水平等；间接因素包括自然环境、经济发展水平、受教育程度、医疗水平等。间接因素能够通过改变出生率、迁移率、长寿水平等直接因素来影响老龄化的进程，例如经济发达地区会吸引更多的外来人口，尤其是劳动年龄人口，降低老龄化人口的占比；自然环境好和医疗水平高的地区会因为长寿水平提高，老龄人口寿命延长，造成老龄化人口占比的提高。

在直接因素方面，胡耀岭和原新建立数学模型，研究各因素在人口老龄化进程中的贡献率及其变动规律，发现人口老龄化的主要原因是总和生育率下降和平均预期寿命延长，出生性别比对人口老龄化的影响较为微弱 [18]；在间接因素方面，高斯瑶和程杨收集有效调查问卷353份，采用Logistic回归研究北京市老年人口的迁移意愿及其影响因素，发现71.4%的老年人愿意迁移。老年人的身体健康、经济条件、与子女居住距离、孙辈的出生以及居住条件的改善对其迁移意愿影响显着 [19]。许昕等人利用偏最小二乘法(PLS)分析后，发现自然环境指标中的水文指数、气候指数是影响全国县域高龄人口集聚的主要因素；地形起伏度、空气质量指数对高龄人口影响不显着；随着时间的推移，植被指数对高龄人口空间分布的影响趋强；社会经济因素对高龄人口分布具有扰动作用 [20]。

雷慧敏和叶长盛研究人口老龄化的影响因素，综合考虑直接因素和间接因素进行研究，发现人均GDP、城镇化、万人医生数等指标会促进人口老龄化，而人口自然增长率及教育占财政支出等指标则会抑制人口老龄化 [21]。朱勤考虑生育、死亡、期初年龄结构和人口乡–城转移4个因素，发现城镇化是城乡人口老龄化的重要影响因素，并且15~29岁的年轻乡村人口有三分之一转为城镇人口 [22]。

3. 研究方法

3.1. 指标选取与数据来源

本文通过文献整理，参考胡耀岭和原新的研究 [18]、朱勤的研究 [22]，在影响人口老龄化的直接因素中选择出生率、死亡率、期初年龄结构、以及城镇人口比重，其中期初年龄结构选择0~14岁人口数量，并加入劳动年龄15岁~64岁人口数量 [6]；参考雷慧敏和叶长盛的研究 [21]、马晓帆等人的研究 [15]，在影响人口老龄化的间接因素中选择人均GDP、养老资源的政府和社会卫生总支出为本研究人口老龄化的影响变量。0~14岁和15岁~64岁人口数量、出生率、死亡率、人均GDP、政府和社会卫生总支出以及城镇人口比重7个指标的数据来源于中国统计年鉴1998~2020年的各项数据。

3.2. 研究模型与方法

本文探索中国人口老龄化影响因素，以y表示老龄化系数65岁及以上人口占总人口数量的百分比、x₁表示0~14岁的人口数量(万人)、x₂表示15~64岁的人口数量(万人)、x₃表示人口出生率、x₄表示人口死亡率、x₅表示人均GDP (元)、x₆表示政府和社会卫生支出(亿元)、x₇表示城镇人口比重，数据如表1所示。首先以一元线性回归模型研究每一个变量对老龄化系数的贡献度，再通过多元回归分析建立老龄化的预测公式。

Table 1. Data set of factors affecting population aging

表1. 本研究收集影响人口老龄化因素的数据

4. 数据分析结果

4.1. 简单回归分析

以老龄化比率y为依变项，分别以其他变量为自变项进行一元线性回归分析，结果如表2。由表2可以得到下列7个一元线性回归方程

$y=\text{20}\text{.12893}-\text{0}\text{.00043}\ast x_1=\text{20}\text{.12893}-\text{0}\text{.00043}\ast \left(0~14岁的人口数量\right)$ (1)

$y=-\text{1}6.\text{53070}+\text{0}\text{.00027}\ast x_2\text{=}-\text{1}6.\text{53070}+\text{0}\text{.00027}\ast \left(15~64岁的人口数量\right)$ (2)

$y=19.5\text{2973}-0.\text{82914}\ast x_3=19.5\text{2973}-0.\text{82914}\ast \left(出生率\right)$ (3)

$y=-22.\text{86}9+4.\text{622}\ast x_4\text{=}-22.\text{86}9+4.\text{622}\ast \left(死亡率\right)$ (4)

$y=\text{6}\text{.25485+0}\text{.00009}\ast x_5=\text{6}\text{.25485+0}\text{.0000879}\ast \left(\text{GDP}\right)$ (5)

$y=\text{6}\text{.80442}+\text{0}\text{.0000899}\ast x_6=\text{6}\text{.80442}+\text{0}\text{.0000899}\ast \left(政府和社会卫生支出\right)$ (6)

$y=\text{0}\text{.19792}\ast x_7=\text{0}\text{.19792}\ast \left(城镇人口比重\right)$ (7)

由表2和(1)式可知0~14岁的人口数量x₁对老龄化有显着负向影响，0~14岁的人口数量每多出万人可以减缓老龄化比率0.00043%；由表2和(2)式可知15~64岁的人口数量对老龄化有显着正向影响，15~64岁的人口数量每多出万人会增加老龄化比率0.00027%；由表2和(3)式可知人口出生率对老龄化有显着负向影响，人口出生率每提高1%可以减缓老龄化比率0.82%；由表2和(4)式可知人口死亡率对老龄化有显着正向影响，人口死亡率每提高1%会增加老龄化比率4.62%；由表2和(5)式可知人均GDP对老龄化有显着正向影响，人均GDP每多出1元会增加老龄化比率0.0000879%；由表2和(6)式可知政府和社会卫生支出对老龄化有显着正向影响，政府和社会卫生支出每多出1亿元会增加老龄化比率0.0000899%；由表2和(7)式可知城镇人口比重对老龄化有显着正向影响，城镇人口比重每多1%会增加老龄化比率0.19792%。

Table 2. Simple regression analysis results of this study

表2. 本研究的一元回归分析结果

4.2. 多元回归分析

以老龄化比率y为依变项，其他变量为自变项，进行多元线性回归分析，残差分布的直方图如图1，残差分布大致呈正态分布，不存在极端值。因变量累计概率和模型预测值累计概率间的P-P图如图2，残差散点呈直线趋势，符合正态分布，也不存在极端值。

Figure 1. Histogram of residual distribution

图1. 残差分布的直方图

Figure 2. P-P diagram of residual distribution

图2. 本研究的多元回归模型P-P图

模型拟合度结果和模型显著性如表3和表4，模型系数如表5。由表3可以发现R方高达0.999，代表模型拟合度非常好，由表4可以发现模型具有统计显著性。

Table 3. Model fitting results of this study

表3. 本研究的模型拟合度结果

Table 4. Significance of multiple regression model in this study

表4. 本研究的多元回归模型显著性

由表5可以得到多元线性回归方程

$y=\text{19}\text{.431228}-0.0\text{00168}\ast x_1-0.\text{000146}\ast x_2-0.0\text{80571}\ast x_3+0.0\text{00071}\ast x_6+0.1\text{08805}\ast x_7$ (8)

但是因为多个变量的VIF值远高于10，因此模型存在共线性的问题。配合表3，虽然模型存在共线性的问题，但是因为模型拟合度非常好，因此多元回归方程式(8)，仍然可用来进行老龄化比率的预测。

Table 5. Multiple regression analysis results of this study

表5. 本研究的多元回归分析结果

为了进一步改善多元线性回归模型，找出最佳模型，分别考虑6个自变项，5个自变项和4个自变项的模型，要求模型拟合度良好、具有显着性且VIF值小于10，结果发现输入0~14岁的人口数量x₁、15~64岁的人口数量x₂、人口出生率x₃和城镇人口比重x₇时，可以找到最佳模型。

Table 6. Fitting results of the modified model in this study

表6. 本研究的修正模型拟合度结果

Table 7. Significance of multiple regression modified model in this study

表7. 本研究的多元回归修正模型显著性

Table 8. Analysis results of multiple regression modified model in this study

表8. 本研究的多元回归修正模型结果

最佳模型的模型拟合度和模型显着性如表6和表7，模型系数及VIF值如表8。由表6可以发现R方高达0.993，代表模型拟合度非常好，由表7可以发现模型具有统计显着性，由表8可以知道模型不存在共线性问题。此时的多元线性回归修正方程为

$y=\text{10}\text{.12285}-0.0\text{0018}\ast x_1-0.\text{11270}\ast x_2\text{+}0.\text{81004}\ast x_3+0.\text{25501}\ast x_7$ (9)

亦即老龄化比率可以用0~14岁的人口数量x₁、15~64岁的人口数量x₂、人口出生率x₃和城镇人口比重x₇四个变量进行预测。

5. 结论与建议

5.1. 结论

本文收集1998~2020年影响我国人口老龄化的直接因素和间接因素相关数据，分别为0~14岁的人口数量、15~64岁的人口数量、人口出生率、人口死亡率、人均GDP、政府和社会卫生支出、城镇人口比重，以一元线性回归模型研究每一个变量对老龄化系数的贡献度，再建立老龄化的多元回归预测模型。研究发现0~14岁的人口数量和人口出生率对老龄化有显着负向影响，能减缓老龄化的进程；15~64岁的人口数量、人口死亡率、人均GDP、政府和社会卫生支出以及城镇人口比重对老龄化有显着正向影响，会加快老龄化的进程。

本研究建立了预测老龄化比率的多元线性回归模型和修正模型，多元线性回归模型使用0~14岁的人口数量、15~64岁的人口数量、人口出生率、人口死亡率、人均GDP、政府和社会卫生支出、城镇人口比重七个变量进行老龄化比率的预测，模型拟合度良好，但存在共线性的问题。多元线性回归修正模型使用0~14岁的人口数量、15~64岁的人口数量、人口出生率和城镇人口比重四个变量进行老龄化比率的预测，模型拟合度良好，且不存在共线性的问题。

5.2. 建议

依据本研究一元线性回归模型的结果，要减缓老龄化的进程必须要增加0~14岁的人口数量和人口出生率，减少死亡率并降低城镇人口比重。因此鼓励二胎、三胎、奖励生产的政策必须加大力度，同时乡村振兴政策的推展刻不容缓，乡村振兴政策除了可以改善三农问题、更可以拉近城乡差距，使乡村成为经济发展且宜居的地区，降低城镇人口比重，达到减缓老龄化进程的目标。

基金项目

中国教育技术协会“十四五”规划一般课题项目(项目名称：新商科大数据应用实验实训平台与教学资源建设研究，项目编号：G002)；2021年美林数据公司教育部产学合作协同育人项目(项目名称：新商科教改情境下经管类专业大数据应用实验实训平台建设，项目编号：202102344024)；厦门大学嘉庚学院科研启动基金(项目名称：科研项目启动，JG2018SRF10)。

NOTES

^*通讯作者。