1. Toy模板网首页
  2. > Toy博客

人口增长模型

10月前 作者：代数小萌新 分类：Toy博客 阅读(30) 违法举报

这篇具有很好参考价值的文章主要介绍了人口增长模型。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

目录
  • 1. 指数增长模型
    • 1.1 人口增长模型的建立
    • 1.2 参数估计
      • 1.1.1 线性最小二乘估计
      • 1.1.2 基于数值微分的参数估计
    • 1.3 改进的指数增长模型
  • 2. logistic 模型
    • 2.1 logistic 模型的建立
    • 2.2 参数估计
      • 2.2.1 线性最小二乘估计
      • 2.2.2 非线性最小二乘法
    • 2.3 比较

1. 指数增长模型

设第今年的人口为 \(x_0\)，年增长率为 \(r\)，预测 \(k\) 年后的人口为 \(x_k\)，则有

\[x_k = x_0(1+r)^k \tag{1} \]

这个模型的前提是年增长率 \(r\) 在 \(k\) 年内保持不变.

利用 (1) 式可以根据人口估计年增长率，例如经过 \(n\) 年后人口翻了一番，那么这期间的年平均增长率约为 \((70/n)\%\).
证明：

\[\begin{aligned} &x_n = x_0(1+r)^n \Longrightarrow 2x_0 = x_0(1+r)^n \Longrightarrow (1+r)^n = 2 \Longrightarrow \ln(1+r)=\frac{\ln 2}{n}\\ \Longrightarrow & 1+r=e^{\frac{\ln 2}{n}} \Longrightarrow r = e^{\frac{\ln2}{n}}-1 \sim \frac{\ln2}{n} \approx (\frac{70}{n})\% \end{aligned} \]

1.1 人口增长模型的建立

将人口看作连续时间 \(t\) 的连续可微函数 \(x(t)\). 于是有

\[\frac{\mathrm{d}x}{\mathrm{d}t} = rx,\quad x(0) = x_0 \tag{2} \]

求解上述微分方程：

\[\begin{aligned} &原式 \ = \frac{1}{x}\mathrm{d}x = r\mathrm{d}t\\ \\ \Longrightarrow & \ln x = rt+C\\ \\ \Longrightarrow & x = e^{rt}\cdot C\\ \end{aligned} \]

由于 \(x(0) = x_0\)，代入上式可得 \(x_0 = C\)，可以解出

\[x(t) = x_0e^{rt} \tag{3} \]

可以用 R 语言定义指数增长模型方程

## 指数增长模型方程
fun1 <- function(t) x0 * exp(r*t)

1.2 参数估计

以书本 P142 美国人口数据为例

1.1.1 线性最小二乘估计

对 (3) 取对数，有 \(\ln x = \ln x_0 + rt\)，于是 \(\ln x\) 与 \(t\) 存在线性关系，令10年为一个单位.
下面用 R 进行参数估计.

> ## 美国人口数据的导入
> x <- c(3.9, 5.3, 7.2, 9.6, 12.9, 17.1, 23.2, 31.4,
+        38.6, 50.2, 62.9, 76.0, 92.0, 105.7, 122.8,
+        131.7, 150.7, 179.3, 203.2, 226.5, 248.7, 281.4)
> ## 线性最小二乘估计
> y <- log(x)
> t <- sequence(length(x), 0, 1)
> lm(y~t) -> sol
> summary(sol)

Call:
lm(formula = y ~ t)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.43901 -0.19764  0.00609  0.23405  0.32145 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  1.79999    0.10538   17.08 2.14e-13 ***
t            0.20201    0.00859   23.52 4.80e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.2556 on 20 degrees of freedom
Multiple R-squared:  0.9651,	Adjusted R-squared:  0.9634 
F-statistic: 553.1 on 1 and 20 DF,  p-value: 4.8e-16
> exp(1.79999)
[1] 6.049587

结果分析：

\[\ln x = 0.2020t + 1.79999 \]

于是\(r = 0.2020/10年, \ x_0 = e^{1.79999}=6.0496\)

通过图像看看拟合效果：

# 拟合图像
x0 <- exp(1.79999)
r <- 0.20201
y_hat1 <- fun1(t)
plot(t, x)
lines(t, y_hat1, col="red")

人口增长模型

1.1.2 基于数值微分的参数估计

对人口数据作数值微分，进而计算增长率，将增长率的平均值作为 \(r\) 的估计；\(x_0\) 直接采用原始数据.
理论依据：

\[\frac{\mathrm{d }x}{\mathrm{d}t} = rx \Longrightarrow \frac{\mathrm{d}x/\mathrm{d}t}{x} = r \]

数值微分可用中点公式算近似值：

\[x'(t_k) = \frac{x_{k+1}-x_{k-1}}{2\Delta t}, \ k = 1, 2, \cdots, n-1\\ x'(t_0) = \frac{-3x_0+4x_1-x_2}{2\Delta t}, \ x'(t_n) = \frac{x_{n-2}-4x_{n-1}+3x_n}{2\Delta t} \]

下面用 R 语言计得出 \(r\) 的估计值

> ## 数值微分估计
> dx <- c()
> dx[1] <- (-3*x[1]+4*x[2]-x[3])/2 # 数值微分中点公式的应用
> for (i in 2:(length(x)-1)){
+   dx[i] <- (x[i+1]-x[i-1])/2 # 数值微分中点公式的应用
+ }
> dx[length(x)] <- (x[length(x)-2]-4*x[length(x)-1]+3*x[length(x)])/2 # 数值微分中点公式的应用
> R <- dx/x # 增长率序列
> r <- mean(R) # 其平均值就是r的估计
> r
[1] 0.02051861

通过图像看看拟合效果

# 拟合图像
x0 <- x[1]
y_hat2 <- fun1(t)
plot(t, x)
lines(t, y_hat2, col="red")

人口增长模型

1.3 改进的指数增长模型

在前面的模型中，我们假定了每年人口的增长率是固定的，显然这是存在缺陷的，每年的增长率应是时间的函数，即增长率为 \(r(t)\).

我们首先画出 \(r(t)\) 与 \(t\) 的散点图（这里我们的增长率用的是1.2.2中做数值微分得到的增长率序列），看看他们存在什么函数关系

## 画出 r~t 散点图
plot(t,R)

人口增长模型

可以看出两者疑似存在线性关系，不妨做线性拟合

> ## 线性拟合
> lm(R~t) -> sol2
> summary(sol2)

Call:
lm(formula = R ~ t)

Residuals:
      Min        1Q    Median        3Q       Max 
-0.059303 -0.007904 -0.001237  0.015108  0.051549 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  0.3252461  0.0117048   27.79  < 2e-16 ***
t           -0.0114343  0.0009541  -11.98 1.39e-10 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.02839 on 20 degrees of freedom
Multiple R-squared:  0.8778,	Adjusted R-squared:  0.8717 
F-statistic: 143.6 on 1 and 20 DF,  p-value: 1.391e-10

结果分析：

\[r = 0.3252461 - 0.0114343t \]

且回归方程的检验统计量\(F=143.6, \ p = 1.391e-10 << 0.01, \ R^2 = 0.8778\)，认为回归方程的拟合程度不错，两者存在非常显著的线性关系；常数项检验 \(t = 27.79, \ p << 0.01\)，一次项系数检验 \(t = -11.98, \ p = 1.39e-10 << 0.01\)，认为回归方程系数显著不为0.

看看拟合图像

# 拟合图像
plot(t,R)
abline(sol2, col = "red")

人口增长模型

记 \(r = r_0 - r_1t\)，于是 \((2)\) 式变为

\[\frac{\mathrm{d}x}{\mathrm{d}t} = (r_0-r_1t)x, \quad x(0) = x_0 \tag{4} \]

用分离变量的方法求解上述微分方程，\((4)\) 可化为

\[\begin{aligned} &\frac{1}{x}\mathrm{d}x = (r_0-r_1t)\mathrm{d}t\\ \Longrightarrow &\int \frac{1}{x}\mathrm{d}x = \int (r_0-r_1t)\mathrm{d}t\\ \Longrightarrow &\ln x = r_0-\frac{1}{2}r_1t^2 + C\\ \Longrightarrow &x = C'\exp(r_0t-\frac{1}{2}r_1t^2)\\ \end{aligned} \]

将 \(x(0) = x_0\) 代入，即可得 \(C' = x_0\)，于是解得

\[x(t) = x_0\exp(r_0t-\frac{1}{2}r_1t^2) \]

可以用 \(R\) 语言定义上述函数

## 定义函数
fun2 <- function(t) x0 * exp(r0*t - r1*t^2/2)

下面用 \(R\) 语言做指数增长模型的拟合

## 利用模型估计人口并做拟合图像
r0 <- 0.3252461
r1 <- 0.0114343
x0 <- x[1]
t <- sequence(length(x), 0, 1)
y_hat3 <- fun2(t)
plot(t, x)
lines(t, y_hat3, col = "red")

人口增长模型

可以看出改进的指数增长模型的拟合程度明显好于改进前的指数增长模型.

2. logistic 模型

考虑自然资源、环境条件等因素对人口增长起阻碍作用，并且随着人口的增加，阻碍作用越来越大.

2.1 logistic 模型的建立

随着人口的增长，资源和环境的阻碍作用体现在对增长率 \(r\) 的影响上，于是 \(r(x)\) 是 \(x\) 的函数，主观上我们认为 \(r(x)\) 是减函数，我们可以画出两者之间的散点图来大致判断两者之间满足何种函数关系（这里我们的增长率用的是1.2.2中做数值微分得到的增长率序列）

## r~x 散点图
plot(x, R)

人口增长模型

散点图显示两者之间存在线性关系，不妨设 \(r(x) = a + bx\)，为了赋予系数 \(a,b\) 实际含义，引入两个参数：

  • 内禀增长率 \(r_0\) \(\quad r_0\) 是 \(x=0\) 的增长率，于是 \(a = r_0\);
  • 人口容量 \(x_m\) \(\quad x_m\) 是资源和环境所能容纳的最大人口数量，也就是当 \(x=x_m\) 后人口不再增长，即 \(r(x_m) = r + bx_m = 0\)，解得 \(b = -\frac{r}{x_m}\).

于是

\[r(x) = r_0(1-\frac{x}{x_m}) \]

那么 \((2)\) 变为

\[\frac{\mathrm{d}x}{\mathrm{d}t} = r_0x(1-\frac{x}{x_m}), \quad x(0) = x_0 \tag{5} \]

上式称为 logistic 方程.

将上式化为

\[\begin{aligned} &\frac{x_m}{x(x_m-x)} \mathrm{d}x = r\mathrm{d}t\\ \Longrightarrow &\int(\frac{1}{x} + \frac{1}{x_m-x})\mathrm{d}x = \int r_0\mathrm{d}t\\ \Longrightarrow &\ln{x} - \ln{(x_m-x)} = r_0t + C\\ \Longrightarrow &\frac{x}{x_m-x}=C'e^{r_0t}\\ \Longrightarrow &x = \frac{x_m}{1+C''e^{-r_0t}}\\ \end{aligned} \]

将点 \((t,x) = (0,x_0)\) 代入上式可得

\[C'' = \frac{x_m}{x_0}-1 \]

综上就可求得

\[x(t) = \frac{x_m}{1+(\frac{x_m}{x_0}-1)e^{-r_0t}} \tag{6} \]

上式称为 logistic 曲线. \((5),(6)\) 统称为 logistic 模型.

利用 R 语言定义上述函数

## 定义函数
fun3 <- function(t) xm/(1+(xm/x0-1)*exp(-r0*t))

2.2 参数估计

2.2.1 线性最小二乘估计

\((5)\) 式可改写为

\[\frac{\mathrm{d}x/\mathrm{d}t}{x} = r_0 - \frac{r_0}{x_m}x, \quad x(0) = x_0 \]

下面用 R 语言做线性估计

> ## 线性最小二乘估计
> lm(R~x) -> sol3
> summary(sol3)

Call:
lm(formula = R ~ x)

Residuals:
      Min        1Q    Median        3Q       Max 
-0.076819 -0.021568  0.000946  0.023945  0.078560 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  2.805e-01  1.243e-02  22.573 1.06e-15 ***
x           -7.968e-04  9.763e-05  -8.162 8.55e-08 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.03902 on 20 degrees of freedom
Multiple R-squared:  0.7691,	Adjusted R-squared:  0.7575 
F-statistic: 66.61 on 1 and 20 DF,  p-value: 8.546e-08

结果分析：

\[\frac{\mathrm{d}x/\mathrm{d}t}{x} = 0.2805 - 7.968e-04 x \]

且回归方程的检验统计量\(F=66.61, \ p = 8.546e-08 << 0.01, \ R^2 = 0.7691\)，认为回归方程的拟合程度不错，两者存在非常显著的线性关系；常数项检验 \(t = 22.573, \ p << 0.01\)，一次项系数检验 \(t = -8.162, \ p << 0.01\)，认为回归方程系数显著不为0.

于是 \(r_0 = 0.2805, \ x_m = 0.1805/7.968e-04 = 352.0331\)，画出拟合图像

# 拟合
r0 = 0.2805
xm = 0.2805/7.968e-04
y_hat4 <- fun3(t)
plot(t, x)
lines(t, y_hat4, col = "red")

人口增长模型

2.2.2 非线性最小二乘法

考虑 Levenberg-Marquadt 方法求解，\((6)\) 式可化为

\[x(t) - \frac{x_m}{1+(\frac{x_m}{x_0}-1)e^{-r_0t}} = 0 \]

带估计参数为 \((x_m,x_0,r_0)\)，给定初始值 \((400,4,0.25)\)，用 R 求解

> ## 非线性最小二乘估计
> library(pracma)
> fun4 <- function(z) {
+   f <- numeric(22)
+   for (i in 1:22){
+     f[i] <- x[i] - z[1]/(1+(z[1]/z[2]-1)*exp(-z[3]*(i-1)))
+   }
+   f
+ }
> sol4 <- lsqnonlin(fun4, x0 = c(400,4,0.25))
> sol4
$x
[1] 443.9948201   7.6962896   0.2154783

$ssq
[1] 458.2113

$ng
[1] 0.0002470027

$nh
[1] 3.847784e-06

$mu
[1] 7.431693e-06

$neval
[1] 22

$errno
[1] 1

$errmess
[1] "Stopped by small x-step."

于是可得参数的估计值为 \(x_m = 443.9948201, \ x_0 = 7.6962896, \ r_0 = 0.2154783\).

下面将估计的参数代入 \((6)\)，得出拟合图像

# 拟合
xm = 443.9948201
x0 = 7.6962896
r0 = 0.2154783
y_hat5 <- fun3(t)
plot(t, x)
lines(t, y_hat5, col = "red")

人口增长模型

2.3 比较

为了比较线性最小二乘估计和非线性最小二乘估计的拟合程度，引入均方误差，均方误差越小说明拟合程度越高

\[MSE = \frac{1}{n}\sum_{i=1}^n(x_i-\hat{x}_i)^2 \]

下面用 R 计算两种方法的均方误差

> ## 比较
> MSE1 <- sum((y_hat4-x)^2)/length(x)
> MSE2 <- sum((y_hat5-x)^2)/length(x)
> print(MSE1)
[1] 127.1399
> print(MSE2)
[1] 20.82779

发现 \(MS1 = 127.1399 > 20.82779 = MSE2\)，因此非线性最小二乘参数估计的拟合效果更好.

不妨再计算一下改进的指数增长模型的均方误差

> MSE3 <- sum((y_hat3-x)^2)/length(x)
> MSE3
[1] 51.51463

可以发现，logistic模型的非线性最小二乘估计参数的结果要好于改进的指数增长模型.文章来源地址https://www.toymoban.com/news/detail-807313.html

到了这里，关于人口增长模型的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

  • 数学建模-人口模型Logistic模型与 Malthus模型

    数学建模-人口模型Logistic模型与 Malthus模型

    一． 问题 及 重述： 下表是中国人口数据，请根据这些数据建立适当的数学模型对其进行描述，并预测2002、2003、2004年的中国人口数。 给出模型，求解代码及必要的图形，误差分析结果。 重述: 选取合适的模型预测2002,2003、2004年的中国人口数； 建立数学模型、给出求解代码

    2024年02月06日
    浏览(67)

  • Leslie人口预测模型及Matlab实现

    1.前言 为方便大家更好的理解并使用leslie模型共同进步，本文旨在学习过程中将学习所得与大家分享，如有错误请指出。 2.Leslie模型介绍 Leslie模型是一种离散时间的生物种群增长模型，常用于描述年龄结构对种群增长的影响。它由人口生态学家Patrick H. Leslie于1945年提出，用于

    2024年04月28日
    浏览(36)
  • matlab-基于Malthus人口预测模型（笔记）

    matlab-基于Malthus人口预测模型（笔记）

    P - 人口数量 t - 时间 r - 人口增长率 这个方程的假设体现在: 采用指数增长方程形式,呈指数增长趋势。 增长率r为正常数,不随时间变化。 未考虑人口增长的饱和状态。 未考虑出生率、死亡率等人口学参数。 未考虑人口增长对资源环境的反馈作用。 未考虑经济、政策等外生变

    2024年02月04日
    浏览(36)
  • 大数据分析案例-基于随机森林算法构建人口普查分析模型

    大数据分析案例-基于随机森林算法构建人口普查分析模型

    🤵‍♂️ 个人主页：@艾派森的个人主页 ✍🏻作者简介：Python学习者 🐋 希望大家多多支持，我们一起进步！😄 如果文章对你有帮助的话， 欢迎评论 💬点赞👍🏻 收藏 📂加关注+ 喜欢大数据分析项目的小伙伴，希望可以多多支持该系列的其他文章 大数据分析案例合集

    2024年02月01日
    浏览(42)
  • 100种思维模型之指数对数思维模型-54

    100种思维模型之指数对数思维模型-54

            对数、指数， 生活中的2种增长曲线； 对数增长曲线 ，即在开始时增长很快，但随着时间的推移，收益会减少并变得更加困难；而 指数增长曲线 ，即开始时增长缓慢，但随着时间的推移，收益迅速增加并变得更容易。 一、指 数、对数         前面我们介绍

    2023年04月26日
    浏览(45)
  • MATLAB 阻滞增长模型

    MATLAB 阻滞增长模型

    ✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。 🍎个人主页：小嗷犬的个人主页 🍊个人网站：小嗷犬的技术小站 🥭个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。 Malthus模型（指数模型） 最早的人口增长模型

    2024年02月06日
    浏览(35)
  • 微分方程传染病模型之指数模型-SI模型-SIS模型-SIR模型

    微分方程传染病模型之指数模型-SI模型-SIS模型-SIR模型

    传染病（瘟疫）经常在世界各地流行，如霍乱、天花、艾滋病、SARS、新型冠状病毒、H5N1病毒等，建立传染病的数学模型，分析其变化规律，防止其蔓延是一项艰巨的任务，这里就一般的传染规律讨论传染病的数学模型。 先从最简单的看起， 为了简化模型，我们做如下假设

    2024年01月16日
    浏览(64)
  • 7.评价预测模型——C指数，NRI，IDI计算

    7.评价预测模型——C指数，NRI，IDI计算

    目录 基本知识 1. C指数 2. NRI、IDI 二分类资料 1. C指数 C指数计算 比较两个模型C指数 2. NRI 3. IDI 生存资料 1. rms包拟合的生存曲线 C指数 比较两个模型的C指数 2. survival包拟合的生存曲线 C指数 NRI计算 IDI C指数： C指数，又称为一致性指数，可评价模型的预测能力， 尤其是评估

    2024年04月27日
    浏览(30)
  • 微分方程+传染病模型（指数传播、SI、SIS、SIR模型）+MATLAB求解

    微分方程+传染病模型（指数传播、SI、SIS、SIR模型）+MATLAB求解

    本文为北海的数模课程学习笔记，课程出自微信公众号：数学建模BOOM。 求赞！求收藏！求关注！ 微分方程结合传染病模型（如指数传播、SI、SIS、SIR模型）提供了一种用数学公式描述疾病传播动态的方法，有助于理解和预测疾病在人群中的传播路径和速度。 目录 指数传播模

    2024年02月04日
    浏览(58)
  • R语言复现：轨迹增长模型发表二区文章 | 潜变量模型系列(2)

    R语言复现：轨迹增长模型发表二区文章 | 潜变量模型系列(2)

    培训通知 Nhanes数据库数据挖掘，快速发表发文的利器，你来试试吧！ 欢迎报名郑老师团队统计课程 ，4.20直播。 案例分享 2022年9月，中国四川大学学者在 《Journal of Psychosomatic Research》 （二区，IF=4.7） 发表题为： \\\" Associations between trajectories of depressive symptoms and rate of cogniti

    2024年04月14日
    浏览(48)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包