资料来源：联合国，招商银行研究院
三是未富先老，老龄化进程快于现代化进程。主要老龄化先发国家在进入老龄化社会时人均国民收入并不一定高，但在进入老龄化社会后均陡峭上升，到进入深度老龄化社会时经济发展已达到较高水平。相较而言，给定老龄化率，我国人均国民收入相对更低（图18）。2001年我国步入老龄化社会时，人均国民收入为1,010美元，彼时世界银行的高收入国家门槛为人均国民收入9,265美元。根据我们的预测，我国已于2021年步入深度老龄化社会【注释16】，当时我国人均国民收入为11,950美元，略低于世界银行的高收入国家门槛（12,695美元），仅为日韩同等老龄化率下的约三分之一。到2035年，中国大概率已进入超级老龄化社会，若届时已实现经济发展远景目标，即人均国民收入达到中等发达国家水平的20,000美元左右，相较其他主要老龄化先发国家（日本、法国）达线时的水平（人均国民收入超30,000美元）仍有较大距离。
图18：中国老龄化具有“未富先老”的特征
资料来源：Wind，世界银行，招商银行研究院
四是城乡间、区域间分化，主要受到经济发展不平衡不充分带来的人口迁徙【注释17】和人口再生产差异影响。一方面，过去20年间，我国城乡老龄化率显著上升，且分化加剧。2000年“五普”时，我国城、镇、乡老龄化率分别为6.7%、6.0%、7.5%，至2020年“七普”时已升至10.3%、11.2%、17.2%，城乡间老龄化率之差由0.8pct陡峭扩张至6.9pct（图19）。另一方面，老龄化在区域间也明显分化，东北、江浙沪、川渝地区老龄化率最深，山东、安徽、湖南、湖北、天津也进入了深度老龄化。经济发展水平对我国各区域老龄化率存在正反两方面的影响（trade-off），主导效应不尽相同。一方面，经济发展水平与人口流入正相关，经济发达地区有更多就业机会和更高收入，吸引年轻劳动力流入，从而降低老龄化率，典型的例子是广东。另一方面，经济发展水平与总和生育率负相关、与预期寿命正相关，经济发达地区老龄化程度因此加重，典型的例子是江浙沪。
图19：中国老龄化城乡分化
资料来源：国家统计局，招商银行研究院
附录一：中国人口预测模型的参数与情形假设
我们对中国人口的预测使用了卫健委人发中心研发的PADIS软件，其背后逻辑仍是基于起始人口数据和各项参数按照队列要素法进行预测。预测的基础年份为2020年，预测年份为2021-2050年。我们将2021年公布的第七次全国人口普查（即“七普”）数据作为预测的起点。
对于起始人口数据，我们基于2020年“七普”数据推算得到2020年全年人口总量和分年龄、分性别人口。
对于生育水平的假设（以总和生育率衡量），已在正文中作详细论述。
对于生育模式（各年龄育龄女性的总和生育率分布），我们采用“七普”数据推断的生育模式。
对于出生性别比，我们结合“七普”数据反映的短期情况和联合国中性假设下2022-2050年的性别比假设，即性别比逐步降至106.1。
对于死亡水平（以预期寿命衡量）、迁移水平（以人口净迁移率衡量），我们均采用了联合国中性情形假设。
其余参数采用了PADIS系统的默认值。
附录二：主要人口预测差异溯源分析
不同人口预测历史数据处理、以及未来情形假设（包括总和生育率、预期寿命、以及人口迁移）上有所不同，形成预测之间的差异。其中，人口迁移假设、预期寿命假设造成了一定差异，但对于人口总量和老龄化预测的影响较小。
首先，不同机构对历史人口数据的处理不同。考虑到统计遗漏，模型对历史数据的估计值通常高于统计数据，这也是造成中外人口预测差异的重要来源。联合国的人口预测中，对中国历史人口数据的估计值进行了调整，在官方公布的人口普查和年度人口数据的基础上，考虑了人口高估/低估、年龄堆积、以及15岁及以下儿童的人口计数不足等因素。因此，联合国估计的中国历史人口数据与统计局人口普查/调查所推断的人口总量总是存在差异，整体偏高（图20）。在历史人口数据上，我们的起始人口数据（2020年）采用“七普数据”，与人大人发中心、卫健委人发中心基本一致，但较联合国人口司的总人口数偏低，也导致我们对人口总量的预测大幅低于联合国人口司的预测。
图20：联合国对中国人口总量估算值偏高
资料来源：Wind，招商银行研究院
其次，影响人口演变的关键要素在于生育、死亡和迁移情况。
一是人口迁移假设。对于人口净流出国家而言，迁出人口平均年龄低于总体，因此迁出人口越多，老龄化程度也会越深。我国人口长期呈小幅净流出，迁移规律相对稳定（图21）。我们采用了联合国人口司（2022）预测中的中性情形下人口迁移假设，人大人发中心也是如此，而另外两套预测则忽略了迁移的情况。由于过往人口净流出在总人口的比重较低，不同预测的人口迁移假设差异不大、对预测结果的影响也不大。
图21：中国人口迁移规律相对稳定
