![]()
2025年中国出生人口跌破800万，可能“意味着下一代人口不到上一代的一半”。
清乾隆三年（1738年），中国的新生儿数量大约在800万左右。那是一个人口正在爆炸性增长的时代——1.5亿人口的中国，即将在接下来的一个世纪里膨胀到4亿。
此后，中国的人口一路高歌猛进，1960年代每年新生儿童一度接近3000万人，并在283年后的2021年，达到峰值14.1亿。
人口总数达到峰值仅仅5年后，中国国家统计局1月中旬公布的数据显示，2025年全年出生人口仅为792万，创下1949年以来的最低纪录。
“中国的出生人口已经跌回乾隆三年的水平。”美国威斯康星大学麦迪逊分校研究员易富贤的言论激起热议，这种对比的犀利之处在于时代的交叉——当年只有1.5亿人时的人口上升期；现在是14亿进入了人口萎缩期。
更令人错愕的是对比：十余年前，中国官方预测全国人口将在2033年达到15亿的峰值。如今，不仅峰值提前了12年到来，而且比预测少了将近1亿人。
一个问题浮出水面：在东亚诸国，生育率下跌比比皆是，但中国人口下跌之快，预测之失准，还是非常突出，这背后究竟是因为什么？
失准的数据2007年1月，中国人口计划生育委员会发布了一份由300多位专家、历时两年完成的《国家人口发展战略研究报告》。这份报告的核心结论斩钉截铁：中国人口将在2033年前后达到15亿左右的峰值。
报告还提到，低生育水平“反弹势能大”，并强调需要在稳定低生育水平的同时进行工作机制创新。在当时的政策语境中，计生部门也反复强调不能因为生育意愿下降就放松
但现实很快与这套判断拉开距离。2010年第六次人口普查口径的总和生育率为1.18，但后续研究与讨论中这一数字被上调到1.63。主要是因为当时存在“超生漏报”的情况，所以要将数据上调。
总和生育率（Total Fertility Rate, TFR）指妇女一生中平均生育子女的总数，是衡量人口结构的关键指标。国际上以2.1作为维持人口稳定的“世代更替水平”。
此后偏差还在显现。2013年11月，17位顶尖人口学家在《人民日报》发表文章称，如果实行全面二孩政策，生育率将超过4.4。时任中国人口学会会长翟振武更是预测，全面二孩将导致每年出生4995万人。
基于这些预测，中国在2014年仅实行了“单独二孩”政策——只允许一方为独生子女的夫妇生育二孩。
2016年，中国终于全面放开二孩。当时卫计委副主任王培安等15位专家预测，生育率将在2018年达到2.09的峰值。
现实呢？即便按照《卫生健康统计年鉴》中的数据，2018年出生人口也只有1362万——生育率约1.4，远低于预测，总数更与“4995万”相去甚远。
而刚刚公布的数据显示，在三孩政策全面放开的背景下，2025年出生人口跌破800万。根据易富贤估算，2025年的生育率只有0.97-0.98——这是中国总和生育率首次跌破1.0，“意味着下一代人口不到上一代的一半”。
官方的预测大幅失准。易富贤对BBC中文说，“说明现有中国人口学的学术范式存在严重问题。”
![]()
学者指出，中国官方的预测大幅失准，说明现有人口学的学术范式存在严重问题。
断崖式下跌的原因日本的生育率从1.45（2015年）缓慢下降至1.15（2024年），用了整整九年。韩国、台湾和香港虽然同样面临少子化困境，但它们的下降曲线相对“温和”且可预测。
相比之下，中国在新冠疫情后呈现出一种“断崖式”的暴跌。2024年出生954万，2025年骤降至792万，单年跌幅超过16%。这种速度和幅度，在和平年代的人口史上极为罕见。
为什么中国跌得这么快？
易富贤认为，中国疫情后的“断崖式下跌”，未必意味着生育意愿在短期内突然崩塌，更可能是此前多年统计口径与现实之间的偏差，在近几年被集中“挤出”。
他常用山东作例子：全面二孩实施后的2016年，山东上报出生人口从2015年的约123万跃升到2016年的约177万，增加约54万；这一增量占到中国当年出生增量的很大比例。按常理推算，这批孩子在六年后（2022年）应进入小学，但他对照地方教育数据后指出，山东的小学招生并未出现与“2016出生高峰”相匹配的扩张，甚至出现回落（-5%），因此质疑“2016年暴涨”的出生数据是否真实反映了当年的新生儿规模。
在他看来，关键问题在于统计逻辑：过去在严格控制生育的年代，基层可能存在“超生漏报”，官方解释往往是“调查得到的生育率偏低、需要修正”；但当2016年以后限制“超生”在制度意义上基本退出，类似漏报逻辑就难以继续解释为什么出生数仍能被维持在高位，于是他认为部分年份的出生数据可能存在系统性高估。
为了绕开统计口径争议，易富贤还会使用“第三方硬指标”做交叉验证，其中最典型的是卡介苗（BCG）接种数据：他强调在中国新生儿通常需要在出生后很短时间内接种卡介苗，因此疫苗接种规模可作为观察出生人数的参照。结合“一支卡介苗可供约1.2—1.5名新生儿使用”的实际操作范围，他据此推算认为，若用疫苗数据反推，新生儿规模在2018年前后可能已明显走弱，人口负增长也可能早于官方后来承认的2022年出现。
把这些证据串起来，易富贤的核心结论是：与其把近年的下滑全部解释为“疫情冲击后的突然变化”，不如理解为——此前被高估的出生数据与真实趋势之间的差距在近几年集中显现，于是看上去像“断崖”。
除了数据层面的“挤水分”，中国还面临着一些独特的结构性困境，使其人口下滑的速度快于东亚邻居。
比如，性别比失衡的反噬。长达数十年的性别选择性堕胎，导致中国积累了严重的“光棍危机”。2005年1%抽样调查显示，出生人口性别比高达119（每出生100个女婴，即出生119个男婴），部分省份甚至超过130。这意味着到2020年，20-45岁的男性将比女性多出约3000万人。
然而，讽刺的是，尽管男性过剩，高学历女性却面临“剩女”困境。2010年，6岁儿童的性别比为119:100（男多女少），但当这批人在2022年进入大学时，本科录取的性别比却变成了59:100（女多男少）。这种错位导致低学历男性找不到妻子，而高学历女性又不愿下嫁，婚姻市场陷入结构性失衡。
![]()
人口质量替代数量？面对生育率下跌、人口持续负增长的现实，中国官方叙事开始强调“高质量发展”。在国家统计局人口与就业统计司司长王萍萍对2025年人口数据的解读中，她提出中国人口教育水平、技能与创新能力持续提升，并称中国正从“数量型人口红利”转向“质量型人才红利”。
她举例称，2025年16—59岁人口平均受教育年限为11.3年，比上一年增加0.1年，并列举预期寿命、研发人员规模等指标，强调人口“高质量发展”将为经济社会发展提供支撑。
与此同时，中国正在进行一场规模空前的“机器换人”运动。国际机器人联合会（IFR）的统计显示，2024年全球新增工业机器人中，中国占约54%，安装量约29.5万台。
经济学家林毅夫认为，人口老龄化并不必然拖累经济。他撰文指出，中国人均GDP仍处较低水平，通过技术升级与产业升级带来的“追赶式增长”，足以对冲劳动力减少的影响。他强调，关键不在于劳动者数量，而在于“有效劳动”——即劳动力数量乘以教育水平。
人口学家、携程创始人梁建章则主张用更大力度的财政手段扭转趋势。他在接受《时代周报》采访时提出，中国应拿出GDP的2%-5%（约2-5万亿元人民币）用于生育补贴和奖励。“中国不是生不出来，而是生不起，”梁建章说，“北欧国家在育儿支出上投入GDP的5%左右，效果明显。日韩的政策力度不够，中国应该更大胆。”
然而，易富贤对“技术替代论”和“补贴乐观论”都持怀疑态度。
首先，他强调人口作为消费者的重要性。虽然技术派认为自动化可以解决劳动力短缺，但易富贤指出，中国居民家庭消费占GDP的比重仅为38%左右（远低于国际水平的60%），人口萎缩将导致内需市场进一步塌陷。“如果没有足够的消费者，再高的生产率也无法维持经济增长。”
![]()
其次，他质疑政府支撑大规模补贴的财政能力。他指出，中国“未富先老”，地方政府债务危机严重，甚至不得不通过对避孕套征税来扩大税源。在财政捉襟见肘的情况下，试图复制发达国家的高福利补贴不仅难以实现，反而可能因为加税而进一步挤压家庭可支配收入——正如日本为了育儿补贴提高消费税，结果家庭收入占比反而下降。
更重要的是，易富贤认为官方推崇的“新质生产力”政策存在内在矛盾。政府希望通过延长教育年限来提升人力资本，以对冲人口数量下降。但这不可避免地推迟了年轻人的结婚和生育时间。
数据支撑了这一判断：中国的平均初婚年龄已从2010年的男26岁、女24岁，推迟到2020年的男29岁、女28岁。25-29岁女性的未婚比例更是从2000年的9%飙升至2020年的33%，并在2023年达到惊人的43%。
“试图用延长教育和技术升级来救经济，结果反过来进一步压低了生育率，”易富贤总结道，“这是一个难以解开的死结。”
梁建章也意识到技术乐观主义的局限。他在育娲人口研究智库撰文称，老龄化社会对创新存在一种隐形的“阻挡效应”：当社会由老年人主导时，年轻人的晋升通道被堵塞，创业活力会被严重压制。
最终，这场关于“质量能否替代数量”的辩论，实际上是两种未来图景的对决：
一种是易富贤描绘的悲观前景——中国将“未富先老”，陷入长达数十年的人口与经济双重衰退；另一种是林毅夫和技术派期待的乐观蓝图——中国或许能利用“追赶式增长”的潜力，成为世界上第一个在人口减少的同时实现产业升级与繁荣的大国。
防水图
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
赞(47)
