下载掌阅APP，畅读海量书库
立即打开
人口的特征可以成为观测人口的视角。因此，可依据人口的特征对人口进行分类。而这种分类通常是分析人口状况，特别是分析人口结构状况的一种基础性工作。因此，了解和掌握人口分类的相关问题是非常必要的。
人口特征指人所具有的某种属性或标识性特点，如性别、年龄、种族、职业等都是人所具有的属性，而高个子、高鼻梁、大眼睛、黑头发等也可以成为人的标识性特点。人的这些属性或标识性特点都可以成为人或人口的特征。而对人或人口按怎样的特征分类，主要取决于观测者分析问题的目的。
一般而言，人口有怎样的特征，就可以按怎样的特征分类。按常见的人口特征可以对人口进行如下的分类。
（1）按性别分类。如分为男性与女性两类人口。
（2）按年龄分类。如分为未成年人口、劳动年龄人口及老年人口；或按具体的年龄或年龄段分类，如按每1年，或每5年，或每10年作为一年龄段进行分类。
（3）按受教育的程度或学历分类。如分为大学及以上、高中、初中、小学及以下等类别的人口。对受大学及以上教育程度的人口还可以细分为专科学历、本科学历、研究生学历等。
（4）按行业分类。如分为农业、工业、建筑业、交通运输业、信息技术业、金融业、其他服务业等行业类别的人口。
（5）按职业分类。如分为教师、律师、科研、公务员、医护人员、军人、警察等职业类别的人口。
（6）按国籍分类。如分为中国、美国、英国、日本、德国、俄罗斯、韩国、朝鲜等国家类别的人口。
（7）按民族分类。如分为汉族、蒙族、鲜族、回族、满族、土家族、藏族等民族类别的人口。
（8）按地区分类。如分为北京、上海、河北、山东、河南等地区类别的人口。也可按更大类别的地区分类，如东北、华东、华北、华中、华南、西南、西北等地区的人口。
（9）按患病情况分类。如分为恶性肿瘤、心脏病、脑血管病、呼吸系统疾病等患病类别的人口。
（10）按收入水平分类。如分为高收入、中等收入、低收入等收入类别的人口。
在现实中，对人口结构的划分，肯定不止上述所列。总之，有多少类别的人口特征，就可以有多少种对人口分类的方式。按人口特征对人口进行分类，通常旨在考察人口结构，进而反映人口总体状况。因此，仅有人口数量，并不能全面反映人口状况。对人口状况的考察需要从多视角，即从多维特征方面展开。
在有关人口数据的描述中需要一些关键词来体现数据所具有的特征。例如，在“中国有14亿人口”这一数据中，“人口”和“中国”是两个关键词，前者表明14亿是关于人口的数据，后者进一步表明是中国的人口数据。描述数据的这种关键词称为数据特征。或者说，数据特征是指赋予数据的各种属性，这些属性是对数据信息在不同方面的解释。数据具有的特征越多，所包含的信息也相对越多。如在“中国有14亿人口”中增加时间特征，即变成“2019年中国有14亿人口”，则该数据的信息可被进一步明确。
然而，数据所具有的不同特征，其地位和性质可能是不同的。例如，在“中国有14亿人口”这一数据中，“人口”是最主要的特征，因为这一特征决定了该数据是人口的数据，而如果没有这一特征，该数据的含义将不明确。而“中国”只是对数据本身的进一步说明，是一种辅助性特征。可见，数据特征分为主特征和辅特征两类。
主特征是表明数据本身属性的特征。或者说，主特征是决定数据所属对象的特征。如在“2019年中国有14亿人口”中，数据的主特征是人口，因为有了这一特征的存在，才表明此数据是关于人口的数据，而不是关于其他方面的数据，如不是钢铁、粮食或金钱等方面的数据。辅特征是对主特征的进一步解释或说明，是辅助性、从属性的特征。如在“2019年中国有14亿人口”中，时间、国别和地域都是辅特征，“2019年”及“中国”则分别是相应辅特征的一组具体的对应值。
可见，上述的分析表明，存在如何对多维特征的数据进行描述的问题。可以归纳出，描述一个多维特征的数据可以按下面的结构形式进行：
式（1-1）表明，对一个数据的描述必须要有一个主特征，同时可以有若干个（如 n 个）辅特征。需要注意的是，主特征和辅特征应具有各自的对应值，这取决于主特征和辅特征各自的具体情况。因此，描述“2019年中国有14亿人口”这一数据的结构形式是：
它的一个具体对应值是：
可见，获取数据的过程，实际就是在确定一定的辅特征值后，取得相对应主特征值的过程，该过程可用如下关系表示：
辅特征的情况决定了数据分类的情况。如式（1-1）所表现的数据特征的结构形式，可用数学中的多维空间来表示。因此，一个具有多维特征的数据可表示为：
其中，
A
为主特征的对应值，
为第
i
辅特征的第
j
个对应值；而
j
i
≤
m
i
（
i
=1，2，…，
n
），即
m
i
为第
i
个辅特征所有对应值的个数。实际上，（1-4）式可进一步简记为
。
人口有多种乃至无数种特征，因此按人口的特征进行分类，不仅可以按单一种类的特征分类，如单纯按性别分类或单纯按职业分类，而且可以按多种特征进行交叉分类。因此，对具有式（1-4）结构形式的数据，亦称为有多维特征数据。在式（1-4）中， i 和 j 的不同组合，可以形成具有不同特征组合的数据，对此可称之为按不同特征进行交叉分类的数据。按照排列组合的计算方法，容易计算出这些不同辅特征组合的最多结果为：
举例说明，如果一个数据的描述结构形式如下：
其中，辅特征的具体对应值如表1-1所示。
表1-1 辅特征的对应值
从表1-1可以看到，时间特征有4个值，产业特征有3个值，教育程度特征有3个值，性别特征有2个值。因此，由这些特征组合所形成的最多数据有4×3×3×2=72个。这72个数据可按表1-2的格式表示。在表1-2中，A表示人口数据，并且A分别具有性别、职业、受教育程度和时间这4个方面的特征，对此也可以说A是具有4维特征的人口数据。将这些特征综合在一起，并按时间特征（时间序列）进行排序，由此形成了表1-2的数据。
表1-2 按时间分布的产业、受教育程度和性别交叉分类的人口数据
一般而言，表现在纸面上的数据表通常是一种二维平面表。因此，如何设计具有多维特征的数据表并不是一件轻松的事。在表1-1中，行是按时间和产业特征组合来划分，由于时间的对应值的个数为4，产业对应值个数是3，因此表1-2中的数据行数为4×3=12行；列是按教育程度和性别来划分，由于教育程度对应值的个数是3，性别对应值个数是2，因此表1-2中的数据列数为3×2=6列。
可见，用表格的形式表现多维特征数据时，一种可借鉴的方法是：将全部数据辅特征划分为2组，即把式（1-4）中的
，
，…，
分为两组，其中一组数据的辅特征的组合将决定行，另一组数据辅特征的组合将决定列。数据表中的数据行数，等于行的辅特征组的特征组合数目；数据表中的数据列数，等于列的辅特征组的特征组合数目。因此，将所有数据的辅特征分为怎样的两个组，将影响数据表中的数据行数和列数。这需要根据实际而定。但无论是多少维特征的数据，最终都可以通过这样的方法做成二维平面数据表。
容易看到，在人口的诸多特征中，一些特征的性质是不同的。如有些特征一旦形成便不可变更，而有些特征则是可以变化的。于是，可将人口的特征分为内在特征和外在特征两大类性质。
人的年龄、性别、种族、学历等这些特征，一旦形成或拥有便不可更改或不再失去。因此，对这种一经形成或拥有便不可更改或不再失去的特征，称为人口的内在特征。例如，年龄是人口的一种内部特征，因为人的年龄是由人的成长时间决定的，是人的生理发生变化的过程所决定的。人的年龄只能随时间推移而增长而无法逆回。再如，性别也是人口的一种内部特征，因为性别是一种生命现象，是由受精卵结合的情况决定的，一旦形成则无法改变。虽然可以通过现代医疗技术手段实现变性，但是这并不是真正的性别改变，并且不是决定性别的一般性意义的方式。学历也是人口的一种内部特征，因为学历是人受教育的经历，是人力资本积累的一种形式，这种学习和受教育的经历一旦形成则是无法改变的。学习和受教育的经历只能继续发展而无法逆回。
人的职业、国籍、职务、职称、党派等这些特征是可以改变的。例如，一个人的职业可以从农民转变为工人，可以从工程师转变为教师，可以从军人转变为警察。再如，一个教师的职称可以从讲师转变为副教授，再转变为教授。因此，对这些可以改变的人的特征称为人口的外部特征。
内在特征与外在特征的形成机理通常是不同的。内在特征主要是由内在性因素决定的，而外在特征主要是外在性因素决定的。因此，按内在特征分类的人口结构是由内在性因素决定的，外在性因素难以对其改变。这意味着内在特征的人口结构的改变通常具有长期性和非主观性。例如，按年龄特征分类的人口结构，即人口年龄结构，是由人口的生育状况与人的生长客观规律决定的，不是人的主观意志所能决定的，甚至计划生育政策在相对短的时间内也是难以改变的。这提示我们，一项政策的有效性，需要考虑人口结构的特征是内在性还是外在性的。一般而言，对内在特征的人口结构的调整，需要通过长期政策的作用，而不能期望一蹴而就。