基于神经网络的人口死亡率预测组合模型及其在中国人口中的应用.pdfVIP

中文摘要

随着改革开放不断深化，我国的科技水平和医疗卫生保障不断提高，国民

健康意识显著增强，我国人口死亡率逐渐下降，人均寿命增加，导致我国老龄

化越来越严重，长寿风险增加等问题。人口老龄化和长寿风险对于政府来说，

人口寿命的延长将会增加公共财政在养老、医疗等社保方面的支出，加大了政

府财政方面的压力；对于金融保险行业来说，人口预期寿命的延长对寿险、年

金等产品的制定以及财务核算等方面产生了巨大挑战；对公民来说，寿命的延

长导致存款不能更好地覆盖产生的养老需求。由此看来，死亡率的预测作为养

老方面制定政策以及进行资源分配的有力基础，对社会各界都有着重要的影响。

所以对死亡率进行预测研究是具有重要的现实和理论意义的。

目前被广泛使用的人口死亡率预测模型Lee-Carter模型，考虑到了年龄因

素和时间因素对人口死亡率的影响，且模型形式简洁，参数可解释性强，对于

数据信息的提取能力较为出色，因此本文基于Lee-Carter模型的基础上，在

1994-2021年的中国分年龄分性别人口死亡率数据上，进行了模型改进研究。

为了能够更有效地预测人口死亡率数据，本文对国内外相关文献进行了梳

理，并对人口死亡率数据进行了统计分析，发现人口死亡率数据中存在着线性

和非线性两部分信息，为了兼顾数据中的线性与非线性信息的提取，本文提出

构建ARIMA-GRU组合人口死亡率预测模型用于预测我国人口死亡率数据。通

过对我国人口死亡率数据的收集并进行统计分析，发现我国人口死亡率数据属

于小数据集，GRU模型更适用于小样本数据集。为了验证本文提出的ARIMA-

GRU组合模型的优劣，本文引入了两个评价指标：平均绝对误差MAE和均方

根误差RMSE，将单一的ARIMA模型，ARIMA-LSTM组合模型和ARIMA-

GRU组合模型进行对比分析。

实证结果表明，ARIMA-GRU组合预测模型，在我国男性人口死亡率数据

集上和在我国女性人口死亡率数据集上的评价指标值均是三个模型中最小的，

这说明了ARIMA-GRU组合预测模型能够较好地兼顾数据中的线性与非线性因

素的提取，更适用于小样本数据集的预测分析，也证明了在人口死亡率数据预

测中引入机器学习方法的可行性。

关键词：Lee-Carter模型；组合模型；神经网络；人口死亡率

ABSTRACT

Withthecontinuousdeepeningofreformandopeningup,Chinas

technologicallevelandmedicalandhealthsecurityhavebeen

continuouslyimproved,andthenationalhealthawarenesshas

significantlyincreased.ThemortalityrateofChinaspopulationhas

graduallydecreased,andtheaveragelifeexpectancyhasincreased,

leadingtoincreasinglyseriousagingandincreasedrisksoflongevityin

China.Forthegovernment,theagingpopulationandtheriskoflongevity

willincreasepublicexpenditureonsocialsecuritysuchaselderlycare

andhealthcare,increasingthepressureongovernmentfinances;Forthe

financialandinsuranceindustry,theextensionofpopulation