ЙМОВІРНІСНІ ДЕМОГРАФІЧНІ ПРОГНОЗИ ДЛЯ МЕТРОПОЛІСІВ УКРАЇНИ

Анотація

Невизначеність є невід’ємною характеристикою демографічних процесів. Ще більшою мірою це стосується майбутнього. Точні детерміністичні прогнози принципово неможливі. Це визначає необхідність кількісної оцінки майбутньої невизначеності. Мета дослідження — розробка ймовірнісних демографічних прогнозів для мегаполісів України й аналіз результатів. Вперше розроблені ймовірнісні демографічні прогнози для деяких міст України. Дослідження проводилось за допомогою методології функціональних даних, яка включає широкий набір демографічних методів і моделей, реалізованих у кількох пакетах мови програмування R. Обрана методологія базується повністю на статистичних даних і не потребує введення додаткових довільних гіпотез. У трьох випадках (а саме щодо народжуваності у Києві, Львові та Харкові)метод за замовчуванням (ARIMA) показав неправдоподібні результати, які могли бути спричинені ненадійними поточними даними. У цих випадках використовувались модель випадкового блукання. Для Одеси обидві моделі дають подібні результати. Цілком можливо, що в цьому місті недооцінка вибулого населення компенсується заниженням числа прибулих, що призводить до реалістичності поточних показників народжуваності (а саме їх знаменників) і, отже, узгодженості результатів прогнозу незалежно від методу. Прогнози смертності відповідають динаміці спостережуваних показників смертності та якості поточних даних. Використана модель екстраполювала тенденції до збільшення тривалості життя для Дніпра та Одеси і стагнацію для інших міст, що може бути спричинене невідповідністю знаменника для повікових коефіцієнтів смертності в останніх. Розрахунок показав, що чисельність населення Дніпра, Львова та Харкова у 2040 році, швидше за все, буде нижчою за рівень, досягнутий на початку 2019 року. Деякі шанси на зростання чисельності населення залишаються в Одесі, а Київ, швидше за все, матиме більшу людність. Віковий розподіл населення в усіх міс тах у майбутньому виглядає подібно. Кількість людей старше 40 років має найменшу невизначеність. У віці від 20 до 40 років невизначеність значно більша, що є нас лід ком невизначеності міграції молоді протягом горизонту прогнозу на 2019—2039 роки, оскільки всі ці міста є потужними освітніми центрами та приваблюють студентів. У 2040 р. ті, хто був студентом у 2020 році, досягнуть 40 років і можуть залишитися у великому місті чи виїхати. Невизначеність кількості осіб до 20 років випливає з двох джерел: невизначеності прогнозів народжуваності та невизначеності чисельності репродуктивних когорт, тобто цих 20—40-річних. Після отримання результатів найближчого перепису є необхідним перегляд цих прогнозів.

Література:

1. Keilman, N. (2008). European demographic forecasts have not become more accurate over the past 25 years. Population and Development Review, 34(1), 137-153. https://doi.org/10.1111/j.1728-4457.2008.00209.x
2. Khan, H.T.A., W. Lutz (2007). How well did past UN Population Projections anticipate demographic trends in six Southeast Asian countries? Working paper WP-507. Oxford Institute of Ageing.
3. Socioeconomic Impact of HIV/AIDS in Ukraine (2006). Washington. Th e World Bank
4. Keilman, N., Pham, D.Q. & Hetland, A. (2002). Why population forecasts should be probabilistic - illustrated by the case of Norway. Demographic Research, Vol. 6, Art. 15, 409-453. https://doi.org/10.4054/DemRes.2002.6.15
5. Keilman, N. (2018). Probabilistic demographic forecasts. Vienna Yearbook of Population Research. Vol. 16, 25-35. http://dx.doi.org/10.1553/populationyearbook2018s025
6. Recommendations on Communicating Population Projections (2018). Geneva: UN
7. Wilson, T., & Shalley, F. (2019). Subnational population forecasts: Do users want to know about uncertainty? Demographic Research, Vol. 41, Art. 13, 367-392. http://dx.doi.org/10.4054/DemRes.2019.41.13
8. Lutz, W., Sanderson, W.C., & Scherbov, S. (1998). Expert-based probabilistic population projections. W. Lutz, J. W. Vaupel and D. A. Ahlburg (Eds.), Frontiers of population fore- casting, supplement to population and development review (139-155). https://doi.org/10.2307/2808054
9. Bijak, J., & Bryant, J. (2016). Bayesian demography 250 years aft er Bayes. Population Stud- ies 70(1), 1-19. http://dx.doi.org/10.1080/00324728.2015.1122826
10. Raft ery, A. E., Lalic, N., & Gerland, P. (2014). Joint probabilistic projection of female and male life expectancy. Demographic Research 30(27), 795-822. http://dx.doi.org/10.4054/DemRes.2014.30.27
11. R Core Team (2018). R: A Language and Environment for Statistical Computing. R Foun- dation for Statistical Computing. Vienna, Austria. https://www.R-project.org/
12. Sevcikova, H., Raft ery, A.E. & Gerland, P. (2013). Bayesian Probabilistic Population Pro- jections: Do It Yourself. Joint Eurostat/UNECE Work Session on Demographic Projections, WP 13.2, October. 19 p.
13. Alkema, L., Raft ery, A.E., Gerland, P., Clark, S.J., Pelletier, F., Buettner, T. & Heilig, G.K. (2011). Probabilistic projections of the total fertility rate for all countries. Demography, 48(3), 815-839. http://dx.doi.org/10.1007/s13524-011-0040-5
14. Hyndman, R. J., Booth, H. & Yasmeen, F. (2013). Coherent Mortality Forecasting: Th e Product-Ratio Method with Functional Time Series Models. Demography, 50, 261-283. http://dx.doi.org/10.1007/s13524-012-0145-5
15. Hyndman, R.J., & Booth, H. (2008). Stochastic population forecasts using functional da ta models for mortality, fertility and migration. International Journal of Forecasting, 24, 323-342. http://dx.doi.org/10.1016/j.ijforecast.2008.02.009
16. Hyndman, R. J., & Ullah, M. S. (2007). Robust forecasting of mortality and fertility rates: a functional data approach. Computational Statistics & Data Analysis, 51, 4942-4956. https://doi.org/10.1016/j.csda.2006.07.028
17. Reproducibility and Replicability in Science. (2019). National Academies of Sciences, Engi- neering, and Medicine 2019. Washington, DC: Th e National Academies Press, 256 p.
18. Hyndman, R. J., with contributions from H. Booth, L. Tickle, J. Maindonald (2019). Pac- kage demography: forecasting mortality, fertility, migration and population data. R package, Version 1.22
19. Lee, R. D., & Carter, L. R. (1992). Modeling and forecasting US mortality. Journal of the American Statistical Association, 87, 659-671. https://doi.org/10.1080/01621459.1992.10475265
20. Lee, R. D., & Miller, T. (2001). Evaluating the performance of the Lee-Carter method for forecasting mortality. Demography, 38, 537-549. https://doi.org/10.1353/dem.2001.0036
21. Booth, H., Maindonald, J., & Smith, L. (2002). Applying Lee-Carter under conditions of variable mortality decline. Population Studies, 56, 325-336. https://doi.org/10.1080/00324720215935
22. Li, N., & Lee, R. (2005). Coherent mortality forecasts for a group of populations: An ex- tension of the Lee-Carter method. Demography, 42(3), 575-594. http://dx.doi.org/10.1353/dem.2005.0021
23. Lee, R. D. (1993). Modeling and forecasting the time series of U.S. fertility: age distribu- tion, range, and ultimate level. International Journal of Forecasting, 9, 187-202. https://doi.org/10.1016/0169-2070(93)90004-7
24. Hyndman, R. J., & Khandakar, Y. (2008). Automatic Time Series Forecasting: Th e forecast Package for R. Journal of Statistical Soft ware, Volume 27, Iss. 3, 1-22. https://doi.org/10.18637/jss.v027.i03
25. Hyndman, R.J., H.L. Shang (2009). Forecasting functional time series. Journal of the Ko- rean Statistical Society, 38, 199-221. http://dx.doi.org/10.1016/j.jkss.2009.06.002