通过神经预测预见全球人口增长的持续下降
应用统计
2026-05-25 v1
摘要
向低和极低生育率的加速转变加剧了关于正在经历快速下降的国家是接近稳定还是进入更持久的低生育率体制的争论。现有投影系统因为对恢复和外部驱动力的不同假设而作出不同的回答。为提供这一争论的经验性基准，我们引入NeuralTFR，一个基于循环神经网络的全球预测框架。该模型基于来自196个国家和地区的调和化历史生育时间序列，通过跨国信息池化学习人口动量并通过多分位数回归生成经验预测区间。评估于留置期（2009-2023）的预测表明，NeuralTFR在 Naive Drift 基线和联合国贝叶斯层次模型BayesTFR 之上，实现了更低的点预测误差，同时保持了具竞争力的不确定性校准。对于到2040年的前向投影，NeuralTFR指向更广泛的低和非常低生育率暴露于BayesTFR之上，暗示在近期稳定方面的支持更弱，但仍未达到全球病病例项目预测的最严重下降路径。
引用
@article{arxiv.2605.23858,
title = {Anticipating Continued Global Fertility Decline via Neural Forecasting},
author = {Daniel Ciganda and Facundo Morini and Francisco Piriz and Henrik-Alexander Schubert and Ugofilippo Basellini and Mikko Myrskylä},
journal= {arXiv preprint arXiv:2605.23858},
year = {2026}
}