简介围绕中国人口增长预测的课程设计与建模文档面向数学建模学习者、统计与人口研究方向的学生及教师系统演示如何用 Logistic 阻滞增长模型与 Leslie 年龄结构模型完成中短期及长期人口趋势分析。压缩包仅含 1 个 doc 文件大小约 988KB正文按问题重述、问题分析、合理假设、符号说明、模型建立与求解、残差检验、优缺点评价与推广等章节组织便于按建模流程查阅。现有 5156 人学习。内容给出 1954、1963、1980—2005 年三组数据的拟合对比1980—2005 年模型可决系数达 0.9987并预测 2010、2020、2033 年总人口Leslie 部分构造矩阵预测 2002—2050 年总人口、劳动年龄人口与老年人口讨论老龄化、抚养比、育龄妇女及人口控制附 MATLAB 实现思路可用于复现建模过程、撰写论文与准备竞赛。1. 从一个绕不开的追问说起做人口增长预测很多人上来就推一条 Logistic 人口模型曲线拟合出可决系数 0.99 以上觉得活儿干完了。等到答辩或评审现场被问一句「那老龄化什么时候到顶、抚养比哪一年转折、育龄妇女人数什么时候见峰」一条只描述总量的 S 曲线就答不上来了——它压根没有年龄结构这个维度。所以这套方案从一开始就定了双模型路线Logistic 人口模型负责给出总量趋势和峰值量级Leslie 人口模型按年龄分组把结构拆开再由此派生出老龄化、抚养比、劳动年龄人口、育龄妇女人数这些指标。整套计算全部落在 MATLAB 里完成从参数拟合到矩阵递推都能复现。这篇东西适合正在做数学建模毕设、课程设计或者要给出一份完整人口预测方案的人照着改数据、改参数就能跑。2. 数据口径与建模假设先把手里的原料盘清楚建模翻车八成不是翻在公式上是翻在数据口径上。同一个「总人口」年鉴口径、抽样推算口径、公安户籍口径能差出几千万起点年份差一年峰值年份就能差出好几年。所以动手写第一行代码之前必须先把三件事钉死用哪段数据、立什么假设、拿哪些指标去交差。2.1 三段起点的选择为什么是 1954、1963、1980原料是一张按年份排列的总人口序列表1954 年到 2005 年单位统一取「千万人」1954 年 60.2、1990 年 114.333、2005 年 130.756。序列本身完整但不能一口气全丢进去拟合因为这条曲线的斜率在几十年里换过好几次性格。1954—1962 这一段波动剧烈先是一波出生高峰随后又出现明显的增长异常年份随机误差根本不服从正态分布。最小二乘的前提被破坏拟合出来的曲线只是「平均意义上穿过去」残差绝对值之和高达 57.9992这种曲线拿去外推误差会被指数放大。1963—1979 这一段相对「自然」增长基本按自身规律走外界的大干扰因素少可以认为随机误差近似正态。从 1963 年起拟合残差绝对值之和降到 27.8046图形已经大致关于横轴对称。1980—2005 这一段增长方式又换了一次档出现了持续、稳定的外部干预斜率被系统性压低。但恰恰因为这种干预是稳定的、没有二次突变这一段的误差分布反而最规整。从 1980 年起拟合可决系数 0.9987残差绝对值之和 10.1699是三段里最好的。所以正确的做法不是「选最好的那段、扔掉另外两段」而是三段都拟、三段都预测、再横向比。三条曲线在 2048 年的预测值分别落在 166.7683、148.5580、150.2775千万第一条明显高估、第二条明显低估、第三条与附件 1 研究报告给出的区间最贴近。这个「三选一」的过程本身就是方案的一部分写进报告里是加分项跳过它直接给一条曲线才是扣分项。提示起点年份的选择不是拍脑袋判断依据是「该年份之后增长机制是否发生了不可逆的变化」。机制变了就切段机制没变就别切切太碎样本量不够参数估不稳。2.2 四条假设与关键符号把边界写死假设不是走过场每一条都对应后面某段代码能不能省。这套方案里立了四条社会稳定不发生重大自然灾害和战争且这种稳定不随时间改变。这条支撑了「生育率、死亡率不随 t 变化」的简化也是 Leslie 矩阵能写成常系数矩阵的前提。超过 90 岁的妇女统一按 90 岁计算。这条解决的是开口组问题——年龄分组必须有限最后一组得人为封口否则矩阵维数不定。较短时间跨度内平均年龄结构变化小可视为不变。这条限定了外推的合理年限也解释了为什么长期预测2050 年以后只做趋势参考。不考虑迁移对总人口的影响。这条把人口变动简化为「出生 − 死亡」两个通道Leslie 递推式才成立。符号体系要一次定清楚后面所有公式和代码都靠它对齐符号含义来源x(t)第 t 年总人口附件 2 序列表r内禀增长率Logistic 拟合输出xm资源与环境可容纳的最大人口Logistic 拟合输出n_i(t)t 时刻第 i 年龄组女性人数Leslie 递推b_i第 i 年龄组单个女性平均生育女儿数生育率 × 女婴比例s_i第 i 年龄组女性存活率1 − 该组死亡率LLeslie 矩阵由 b_i、s_i 装配TFR总和生育率Σb_iR²可决系数拟合优度口径W残差绝对值之和拟合优度口径2.3 交差用的指标体系老龄化、抚养比、育龄妇女只报一个总人口数撑不起一份完整方案。真正让评审信服的是「一组互相关联的指标」因为它们能互相印证。这套方案里固定输出四类人口老龄化。判定线用两条65 岁及以上占比超过 7%或 60 岁及以上占比超过 10%达到任一条即进入老年型。方案里的预测结果是60 岁以上口径在 21 世纪 40 年代中后期形成高峰平台规模达 4.45 亿、占比 33.277%65 岁以上口径达 3.51 亿、占比 25.53%。人口抚养比。定义为非劳动年龄人口与劳动年龄人口之比通常按 0—14 岁为少儿、15—64 岁为劳动年龄、65 岁及以上为老年三段计算。要说明的是劳动年龄取 15—59 还是 15—64会算出两套不同的抚养比报告里必须写明用的是哪一套否则数字对不上。总和生育率与更替水平。总和生育率是各年龄组生育率之和含义是「按当前分年龄生育率过完育龄期平均生育几个子女」。更替水平是指生育的女儿数恰好替代母亲本身方案里取 1.8。这两个数是 Leslie 矩阵里最敏感的输入。育龄妇女与生育旺盛期育龄妇女。前者取 15—49 岁后者取 20—29 岁。这两个量的峰谷位置直接决定出生人口什么时候出现小高峰是解释「为什么 2037 年还会有一次回升」的关键。3. Logistic 阻滞增长模型把 S 曲线跑出可信度总量模型的价值不在公式本身——Logistic 方程的解析解是教科书内容——而在于参数怎么估、初值怎么给、结果怎么验。这三步任何一步敷衍曲线照样画得出来但外推出去就是错的。3.1 阻滞项从哪来把「增长率随人口下降」写成一行指数增长模型假设增长率恒定于是人口无限膨胀这显然不成立。阻滞增长模型的改动只有一处让增长率变成人口的减函数。设人口为 x(t)增长率为 r(x)。r(x) 随 x 增大而下降取最简单的线性形式r(x) r · (1 − x/xm)其中 xm 是资源与环境能容纳的最大人口当 x xm 时增长率为 0人口停止增长。代入 dx/dt r(x)·x得到微分方程dx/dt r · x · (1 − x/xm)分离变量求解得到解析解x(t) xm / (1 (xm/x0 − 1) · e^(−r·t))其中 x0 是初始年份的人口。这个式子里只有三个待估参数x0由数据给定、xm、r。拟合的本质就是找一对 (xm, r)让曲线穿过历史数据时残差平方和最小。需要强调的是xm 不是「真实上限」而是一个拟合参数。它没有直接的物理含义只是让曲线形状对上历史段。所以不同数据段拟出来的 xm 差异很大——第一段 180.9871、第二段 151.4513——这不是矛盾是正常的因为每段数据描述的「增长机制」本来就不同。3.2 用 nlinfit 做非线性最小二乘初值给不好就发散MATLAB 的nlinfit是高斯-牛顿类算法对初值极其敏感。xm 和 r 这两个参数高度相关初值随手给 [200, 0.02]轻则迭代几百次不收敛重则直接报「矩阵接近奇异」。稳妥的办法是先用两端点解一个二元方程组把初值锁在合理邻域内。% 模型Ⅰ以 1980 年为初始年的 Logistic 拟合 % t 为自 1980 年起的年数x 为对应年份总人口单位千万 t 0:25; x [98.705 100.100 101.654 103.008 104.357 105.851 107.500 109.300 ... 111.026 112.704 114.333 115.823 117.171 118.517 119.850 121.121 ... 122.389 123.626 124.761 125.786 126.743 127.627 128.453 129.227 ... 129.988 130.756]; % 第一步用 t5 和 t20 两个点解方程组给出 (xm, r) 的初值 % 目的是把初值限制在收敛域内避免直接猜初值导致 nlinfit 发散 syms c d eq1 c/(1 (c/98.705 - 1)*exp(-5*d)) 104.357; eq2 c/(1 (c/98.705 - 1)*exp(-20*d)) 117.171; [c0, d0] solve(eq1, eq2, c, d); b0 [double(c0), double(d0)]; % 初值向量b0(1)xm, b0(2)r % 第二步定义目标函数并做非线性最小二乘 % 注意 x0 固定为 98.705只估 xm 和 r 两个参数 fun (b,tt) b(1) ./ (1 (b(1)/98.705 - 1) .* exp(-b(2).*tt)); [b1, r1] nlinfit(t, x, fun, b0); % b1 为估计参数r1 为残差向量 % 第三步用两个口径评估拟合优度 R2 1 - sum(r1.^2) / sum((x - mean(x)).^2); % 可决系数 W sum(abs(r1)); % 残差绝对值之和 fprintf(xm %.4f, r %.6f, R2 %.4f, W %.4f\n, b1(1), b1(2), R2, W); % 第四步外推关键年份 t_pred [30 40 53]; % 对应 2010、2020、2033 年 y_pred fun(b1, t_pred); disp(y_pred);这段代码有三个地方值得说明。syms那两行用两个已知数据点解出 (xm, r) 的粗估本质是把「两点确定一条曲线」的思路当预处理solve在符号工具箱里能直接给解析解如果手头没有符号工具箱退化成网格搜索也行——把 xm 从 100 到 200 以 1 为步长、r 从 0.01 到 0.08 以 0.001 为步长扫一遍取残差平方和最小的一组效果一样。第二步里x0被硬编码成 98.705这是因为 nlinfit 只估 b(1) 和 b(2) 两个参数x0 如果也放进参数向量会造成三个参数共线、矩阵奇异。第三步同时算 R² 和 W 两个口径是有意为之。R² 对大数据量样本天然友好样本越长越容易接近 1容易给人虚假的安全感残差绝对值之和 W 是绝对量不带样本量修正对「曲线在哪一段偏得厉害」更敏感。两个一起看才不会被单一指标骗过去。参数 b1(1)、b1(2) 拿回来后代回解析解就是预测方程。以 1980 年起拟合的曲线外推得到 2010 年 135.5357、2020 年 141.8440、2033 年 147.0172千万与附件 1 研究报告给出的区间基本吻合。3.3 三段拟合横向对比可决系数高不等于预测准把三段分别跑一遍结果摆在一起看拟合段样本区间xmrR²W1954 起1954—2005180.98710.0336—57.99921963 起1963—2005151.45130.0484—27.80461980 起1980—2005程序输出程序输出0.998710.1699前两段的 R² 没有单独列出因为这两段的残差明显不满足正态性假设R² 这个数在此时已经失去解释力真正能说明问题的是 W 和残差散点图的形状。看 W 的走势57.9992 → 27.8046 → 10.1699逐段下降一个量级。再看残差图第一段的残差在横轴上下大幅摆动且不对称第二段已经大致对称第三段基本贴着横轴、正负分布均衡。残差图比 R² 更能说明「模型是否用对了」这一点在答辩时最好主动讲。再看外推结果。三条曲线对 2048 年的预测分别是 166.7683、148.5580、150.2775千万。第一条明显偏高因为它把 1954—1962 那段高增长也当成模型的一部分学了进去等于假设「高增长机制会一直延续」第二条偏低因为 1963—1979 的自然增长阶段增长率偏高、基数偏小第三条最贴近研究报告的区间因为它学的是最近二十多年真实起作用的增长机制。这里有个容易踩的坑拿第三段的 R² 0.9987 去和第一段的 R² 比然后宣布「第三段更好」这个论证是不成立的。第一段的 R² 之所以低不是因为模型不好而是因为那段数据本身就混着异常年份跟任何光滑曲线都贴不上。正确的表述是「第三段数据的生成机制更接近当前及未来的机制且误差结构更规整因此用第三段建模外推的可信度最高。」这是逻辑上的推理不是数值上的比拼。4. Leslie 矩阵把年龄结构装进矩阵里Logistic 只回答「多少人」Leslie 要回答「哪些人」。这一步的核心是把人口按年龄切成若干组用一个矩阵把「今年的分年龄女性人数」映射成「明年的分年龄女性人数」。矩阵一装配好剩下全是矩阵乘法快得离谱但装配过程极其琐碎数据清洗占八成工作量。4.1 初始向量怎么造城乡拆分再按年龄汇总方案里的初始年份取 2001 年总人口 127.627千万。手里有的是分城乡的抽样数据不是全量数据所以要先把抽样比换算成总量比。抽样数据里城市男 147907、城市女 147465、镇男 80279、镇女 77976、乡男 394690、乡女 372242。城市合计 295372镇合计 158255乡合计 766932总计 1220559。于是三级人口占比分别是城市 295372 / 1220559 ≈ 0.24200镇 158255 / 1220559 ≈ 0.12966乡 766932 / 1220559 ≈ 0.62834三者相加恰好为 1说明抽样结构自洽。用总人口 127.627 分别乘这三个比例得到 2001 年城市约 30.886千万、镇约 16.548千万、乡约 80.195千万合计 127.629与总量吻合误差来自四舍五入。接着按年龄组把三级女性人数汇总成初始向量。设female(i,j)表示第 j 类市/镇/乡第 i 年龄组的女性人数占该类总人口的比例则第 i 年龄组的女性总人数为n_i(0) Σ_j P_j · female(i,j)这一步的关键在于三级的年龄结构差异很大城市的老龄化程度高、乡的少儿比例高如果图省事直接拿全国平均年龄结构乘总人口后面算出来的老龄化和抚养比会系统性偏低。城乡分开算再按人口加权合成这一步不能省。4.2 生育率修正把 TFR 拉回更替水平按抽样数据直接算出来的分年龄生育率加总得到的 TFR 明显低于 1.8跟参考资料给出的更替水平差得远。原因通常是抽样样本对育龄妇女的覆盖不足或者生育率统计口径只覆盖了部分孩次。不管哪种直接拿去递推人口会以肉眼可见的速度塌下去。处理办法是按比例缩放把 TFR 强行拉到 1.8b_i b_i × (1.8 / TFR)这个修正的合理性在于它假设「各年龄组生育率的相对形状是对的只是整体水平被低估了」。这是个可辩护的假设比逐组硬调要干净得多。同时它留了一个天然的灵敏度分析接口——把 1.8 换成 1.6、2.0、2.2就能看不同生育水平下人口总量的分化。还有一步不能少生育率数据通常含男女而 Leslie 矩阵只递推女性所以要乘上女婴比例。若出生性别比以「女 100」计则女婴比例为 1/(1 性别比/100)。这一步漏掉等于凭空多算了近一倍的新生女婴。4.3 装配与递推从 2001 推到 2050把生育项和存活项拼成矩阵形式是第一行放各年龄组的 b_i下方次对角线放各组的 s_i其余位置全 0。% Leslie 模型主流程从 2001 年递推到 2050 年 nAge 91; % 0-90 岁90 岁及以上并入最后一组开口组 % ---- 步骤 1由抽样比推算 2001 年市、镇、乡三级人口单位千万---- samp [147907147465, 8027977976, 394690372242]; share samp / sum(samp); % 三级人口占比 P2001 127.627; % 2001 年区域总人口 P3 P2001 * share; % 市、镇、乡总人口 % ---- 步骤 2合成初始女性分布向量 n0nAge×1---- % female(i,j) 为第 j 类第 i 年龄组女性占该类总人口的比例 n0 zeros(nAge, 1); for j 1:3 n0 n0 P3(j) * female(:, j); end % ---- 步骤 3合成生育率并做 TFR 修正 ---- raw zeros(nAge, 1); for j 1:3 raw raw P3(j) * fert(:, j) / sum(P3); % 按人口加权合成生育率含男女 end girl 1 ./ (1 sexratio / 100); % 出生女婴比例 b raw .* girl; % 每个女性平均生育女儿数 tfr sum(b); b b * (1.8 / tfr); % 按比例缩放到更替水平 1.8 % ---- 步骤 4合成存活率 ---- d zeros(nAge, 1); for j 1:3 d d P3(j) * death(:, j) / sum(P3); end s 1 - d; s(end) 0; % 开口组不再向下转移避免人口凭空累积 % ---- 步骤 5装配 Leslie 矩阵并逐年递推 ---- L diag(s(1:nAge-1), -1); % 次对角线放存活率 L(1, :) b; % 第一行放生育率 N zeros(nAge, 51); % 2001-2051 共 51 个时点 N(:, 1) n0; for k 1:50 N(:, k1) L * N(:, k); end % ---- 步骤 6按分年龄结果反推总量、劳动年龄人口、老年人口 ---- total sum(N, 1) / female_share; % 除以女性占比折算总人口 labor sum(N(16:65, :), 1) / female_share; elder60 sum(N(61:end, :), 1) / female_share; elder65 sum(N(66:end, :), 1) / female_share;代码里有几个参数需要单独交代。nAge 91对应 0—90 岁共 91 个年龄组第九十组是开口组超过 90 岁的全部并进去所以s(end)必须置 0否则每一轮都会有一批「90 岁以上的人」被再次转移出去人口总量会缓慢虚增——这个 bug 极其隐蔽跑出来的曲线只会偏高一点点肉眼很难发现。female_share是女性占总人口的比例因为 Leslie 矩阵只递推女性要还原总人口必须除以这个比例。如果这个比例本身也随时间变化严格做法是每一轮都重新计算简化做法是取一个固定值报告里要注明做了这个简化。L(1,:) b必须转置因为b是列向量而矩阵行要横着放这个转置漏掉MATLAB 会直接报维度不匹配算是友好的错误真正的坑是某些写法下维度恰好对得上但数据错位跑出来的曲线形状奇怪但不报错——这种就是典型的黑匣子式翻车。递推跑完把结果落到报告里得到这组数总人口在 2010 年达 142.609千万即 14.2609 亿2020 年达 149.513千万2023 年前后达到峰值 149.85千万2033 年回落到 147.455千万。劳动年龄人口 2010 年 104.421千万2013 年前后见峰 104.852千万之后缓慢下行。对照一下两个模型Logistic 给 2010 年 135.5357、2020 年 141.8440Leslie 给 2010 年 142.609、2020 年 149.513前者系统性偏低约 5%—7%。这个差异不是谁算错了而是口径不同——Logistic 学的是历史总量的轨迹Leslie 学的是分年龄结构的惯性。评审问起差异原因能把这层讲清楚比强行让两个模型对上更有说服力。老龄化这条线上60 岁以上人口在 40 年代中后期形成 4.45 亿的高峰平台占比 33.277%65 岁以上达 3.51 亿占比 25.53%。抚养比全程单调上升主要推力是老年人口规模的绝对增长其次是少儿人口在部分年份的回升。育龄妇女人数在 2010 年前后见峰后转降而生育旺盛期育龄妇女20—29 岁在 2012 年见峰、2025 年前后进入低谷、2037 年前后再出现一个小高峰——这个小高峰来自 2012 年出生高峰队列进入生育旺盛期是队列惯性不是生育水平回升。5. 避坑清单五个最容易翻车的地方这一节是血泪经验合集。下面五条都是这套方案里真实存在、且极易被忽略的问题每一条都按「现象 → 原因 → 解决」拆开写。5.1 拟合区间一刀切峰值年份对不上现象用全部年份一起拟合画出来的曲线在历史段看着还行一外推就说「2048 年总人口还有 166.7683千万」跟研究报告的区间差了一大截被追问「为什么你的模型预测人口一直涨」。原因把 1954—1962 那段高增长当成模型的一部分学了进去。最小二乘在拟合时对每个样本一视同仁早期的大斜率会把 xm 抬高、把 r 拉低最终曲线的形状偏向「高上限、慢收敛」。这不是拟合算法的问题是数据生成机制变了而模型不知道。解决按机制变化切段三段都拟、三段都外推、三段横向比。判断切段的标准是「该年份之后增长机制是否发生不可逆的变化」写进报告时要把这个判断依据讲出来。切完之后不要用 R² 排序选优要用残差图形态 外推结果与权威区间的贴合度双重判断。5.2 生育率没修正峰值提前十年现象Leslie 跑出来的峰值年份比研究报告早了约十年总量峰值也偏低老龄化和抚养比曲线全部左移。原因按抽样数据直接算出的 TFR 明显低于更替水平甚至低到 1.42 这个量级。参考资料给出的更替水平是 1.8两者相差近 0.4。生育率每低一点二十年后就少一整批育龄妇女人口峰值自然提前。根源在于抽样数据对育龄妇女的覆盖有偏或者生育率统计口径不完整。解决按比例把 b_i 缩放到 TFR 1.8即 b_i b_i × (1.8 / TFR)。这个修正假设「各年龄组生育率的相对形状可信、整体水平偏低」是可辩护的。同时把 1.8 作为基准做灵敏度分析取 1.6、2.0、2.2 各跑一遍k 很小时人口达峰后快速负增长k 很大时人口持续膨胀、老龄化被稀释只有 k 适中时总量与结构才都稳定。这组对比图放进报告等于主动回答了「你的结论对参数有多敏感」这个必问题。5.3 开口组没封口人口悄悄虚增现象递推跑完总人口比预期高出一两个百分点逐年看差异还不大五十年累积下来就很明显但代码不报任何错。原因Leslie 矩阵的次对角线放的是存活率如果最后一组的存活率没有置 0每一轮都会有一批「90 岁以上的人」被转移出去而这些人本应留在开口组里。这是纯逻辑错误不是数值错误所以 MATLAB 一句警告都不会给。解决装配矩阵后立刻把s(end) 0并且在报告里写明「90 岁及以上并入最后一组不再向下转移」。同时在代码里加一行断言做自检——如果开口组存活率不为 0 就直接报错停下。这类问题靠肉眼看曲线根本发现不了只能靠断言守住。5.4 把可决系数当免检章残差图一张没画现象报告里写了一行「可决系数 0.9987拟合效果很好」评审随口问「残差分布什么样」答不上来。原因R² 这个数对样本量天然友好样本越长越容易接近 1而且它只反映「解释了多大比例的方差」不反映「误差是否独立同分布」。用最小二乘估参数的前提是误差服从正态、均值零、方差齐这些条件 R² 一个都测不出来。解决拟合完必须画残差散点图横轴年份、纵轴残差看三件事——是否大致对称分布在零线两侧、有没有明显的趋势或周期、有没有几个孤立的大残差点。这套方案里三段的残差绝对值之和分别是 57.9992、27.8046、10.1699配合三张残差图一起放说服力比单独一个 R² 强得多。R² 和 W 两个口径并列写是因为一个做相对比较、一个做绝对量级判断互相补位。5.5 单位口径混乱千万和亿混着写现象报告里一会儿写「总人口 130.756」一会儿写「总人口 13.5 亿」读者完全不知道这两个数是不是一回事评审也没法快速核对。原因原始数据的单位是千万人130.756 千万 13.0756 亿但人习惯用「亿」来表述。两种写法混在一份文档里稍不留神就会把 135.5357 千万写成 135.5357 亿差了一个数量级。解决全流程固定一个计算单位这套方案统一用千万只在最终呈现给读者的表格里换算成亿并显式标注「单位亿人」。代码里所有变量的单位在注释第一行写清楚输出时用fprintf带上单位标签避免人工誊抄时出错。看起来是小事但这种错误一旦被评审抓到会直接动摇对整份报告数据可信度的判断。6. 验收与答辩三张表把结论钉死这类方案的验收不能靠「我觉得跑通了」要靠可复现的检查清单。我通常会准备三张表答辩前逐项打勾。第一张是参数与拟合优度表把三段拟合的 xm、r、R²、W 全部列出来同时附三张残差图。评委随手翻到哪一段都能对上号不用现场解释「这个数是哪来的」。第二张是双模型预测对照表把 Logistic 和 Leslie 对同一批关键年份的预测值并排放关键年份Logistic 预测千万Leslie 预测千万差异率2010135.5357142.609约 5.2%2020141.8440149.513约 5.4%2033147.0172147.455约 0.3%差异率要算出来并写进表里因为评委一定会问「两个模型为什么不一样」。答案已经备好Logistic 学的是总量轨迹Leslie 学的是分年龄结构惯性前者在中短期偏低是因为它没有把「育龄妇女基数仍在高位」这个结构性因素考虑进去而到 2033 年两者趋近是因为总量增长趋缓、结构因素被总量约束吃掉。第三张是灵敏度对照表把 TFR 取 1.6、1.8、2.0、2.2 四种情形下的人口峰值年份、峰值规模、2050 年老龄化占比列成四行。这张表的杀伤力在于它主动暴露了模型的敏感性等于替评委把「你的结论稳不稳」这个问题回答了。凡是主动做灵敏度分析的方案可信度天然高一档。代码复现这块我会额外做一件事把主流程脚本改成参数化函数主脚本只负责传参和画图。这样评委说「你把生育率改成 2.0 再跑一遍」三十秒就能出图不用现场改代码。现场改代码是答辩大忌手一抖改错一个索引前面攒的所有信任瞬间清零。最后说一个教训。早年做这类建模我总想着把公式推得漂亮、把图做得好看参数估计随手一给拟合不收敛就换个初值再试试到能跑为止。有一次被问到「你这个初值是怎么定的」我张口结舌——因为答案是「试出来的」。从那以后我每次做非线性拟合都强制先用两个端点解一遍方程组把初值锁死再进nlinfit初值的来历必须能一句话说清楚。这个习惯后来救了我很多次也让整个拟合过程从玄学变成了工程。希望帮到你。本文还有配套的精品资源点击获取