Magyar teljes termékenységi arányszám modellezése és előrejelzés = Modeling and forecasting the total fertility rate in Hungary

Absztrakt (kivonat)

Egy ország népességszámának alakulása annak gazdaságára közvetlen és érdemi hatást gyakorol, így annak modellezése elengedhetetlen. Egy ország népességének változását több szempontból jól írja le, közelíti a teljes termékenységi arányszám, melynek tanulmányozása és a lehetséges alakulásának vizsgálata, előrejelzése az utóbbi években egyre nagyobb hangsúlyt kapott és kap Európa szerte. Az indok érthető, egy európai ország fent említett termékenységi mutatója sem éri el a népesség szinten tartásához szükséges 2.1-es értéket (c. p.). Ráadásul, jellemzően csökkenő tendencia érvényesül a mutatószám időbeli alakulására. A téma jelentőségét az is emeli, hogy szemben például a halálozási rátával, a teljes termékenységi rátának nincsen fejlett, kidolgozott modellezési irodalma. A kutatásomat a téma aktualitása és a modellezés területén jelenlevő hiányosságok és az ebből adódó lehetőségek indokolják. A magyar teljes termékenységi arányszám alakulását 1949 és 2022 közötti idősoron modelleztem hét módszer segítségével, amelyek az ENSZ BayesTFR modellje, illetve az ARIMAX, Prophet, véletlen erdő és XGBoost, valamint ARIMAboost és ProphetBoost modellek. Az 1949-2012 közötti időszakon a modellek hiperparaméter optimalizálását végeztem el, míg a 2013-2022 közti tesztidőszakon értékeltem ki és hasonlítottam össze a modellek teljesítményét az idősorelemzés szakirodalmában népszerű mutatószámok (RMSE, MAPE stb.) alkalmazásával. A modellek közül végül - a MAPE hibamutatót tekintve az összehasonlítás alapjának - az ARIMABoost modell teljesített legjobban a validációs időszakon, így azt tanítottam újra a teljes 1949-2022 időszakon, és a Központi Statisztikai Hivatal előrejelzési időtájára, 2070-ig tettem előrejelzést. Összességében a kapott eredmények alapján elmondható, hogy a magyar TTR modellezésénél jobban teljesítenek a hagyományosabb idősor-alapú modellek. Mindazonáltal azok kiegészítése gépi tanulási technikával jelentős javulás érhető el a becslések pontosságát tekintve. Így érdemes lehet a két típusú modellcsalád együttes alkalmazása a TTR idősorának modellezésénél.