census (普查)

普查 (Census)

普查（Census）是一种对目标总体中每一个个体逐一进行观测和记录的统计调查方法。与抽样调查（Sample Survey）仅抽取部分单位进行推断不同，普查追求对总体的完全覆盖。普查是官方统计体系的基石——人口普查、经济普查和农业普查构成了各国国民经济核算（System of National Accounts, SNA）的基准数据来源。

普查的核心特征

普查区别于其他统计调查方式的关键特征包括：

1. 完全枚举（Complete Enumeration）：普查试图覆盖目标总体中的全部单位，不依赖概率抽样。这原则上消除了抽样误差（sampling error）——即因仅观测部分单位而导致的估计不确定性。
2. 周期性：普查通常按固定周期进行，如人口普查多为每十年一次（中国、美国等），经济普查五年一次。周期性设计在数据时效性和执行可行性之间寻求平衡。
3. 标准时点：普查数据以某个标准时点（reference date）为基准，例如中国第七次全国人口普查以2020年11月1日零时为标准时点。这确保了数据的时间一致性，避免重复登记或遗漏。
4. 法律强制性：多数国家通过统计法规定普查的强制参与义务，以保证高应答率。

普查的主要类型

人口普查（Population Census）是最古老也最广为人知的普查形式。其记录每个居民的年龄、性别、民族、教育程度、职业、住房等特征，为选举区划分、公共资源分配和人口政策提供依据。中国古代的"编户齐民"和古罗马的Census（人口财产登记）均可视为普查的前身。

经济普查（Economic Census）对一国境内所有从事经济活动的单位（企业、个体户等）进行统计，涵盖营业收入、从业人数、资产规模等指标。它是修订国内生产总值（GDP）和编制投入产出表（Input-Output Table）的核心数据来源。

农业普查（Agricultural Census）由联合国粮食及农业组织（FAO）推广，每十年进行一次，统计农地面积、作物种植结构、畜牧业存栏量等，支撑粮食安全评估和农业政策制定。

普查误差：非抽样误差

普查虽消除了抽样误差，但面临更棘手的非抽样误差（non-sampling error）：

• 覆盖误差（Coverage Error）：包括漏登（undercount）和重登（overcount）。即便法律强制，无家可归者、流动人口、偏远地区居民等群体仍可能被遗漏。美国人口普查局估计，2010年人口普查对黑人男性的净漏登率约为 2.1\%。
• 无应答误差（Non-response Error）：部分单位拒绝参与或无法取得联系。大规模普查通常需要多次回访和行政记录匹配来降低无应答率。
• 测量误差（Measurement Error）：问卷设计不当、受访者误报或录入错误导致的数据偏差。与抽样调查不同，普查因数据量巨大，较难实施严格的质量控制流程。
• 处理误差（Processing Error）：数据录入、编码和编辑阶段的系统性错误。

普查和抽样调查在实际运用中并非对立而是互补的。普查提供总体基准和抽样框，抽样调查则用于两次普查之间获取更及时、更深入的结构性数据（如月度劳动力调查依托人口普查建立的抽样框）。此外，普查后通常伴随事后质量抽查（Post-Enumeration Survey, PES），利用双重系统估计（Dual-System Estimation）等技术评估覆盖误差。

普查在经济学中的核心地位

普查数据是经济统计的"锚"：GDP核算中的基准年估计严重依赖经济普查提供的企业总产出、中间消耗和增加值数据。人口普查提供的分年龄、分性别、分地区人口数是劳动力市场统计（失业率、劳动参与率）的分母来源。没有准确的人口基数，人均GDP、贫困率等关键福利指标将失去可比性。

在计量经济学研究中，普查的微观数据（如人口1\%抽样微观数据、经济普查企业库）是学者进行政策评估和结构估计的宝贵资源。由于普查覆盖率高，基于普查数据的回归分析不存在抽样偏差问题，但其大样本量也使得统计显著性与实际显著性的区分尤为重要。

现代普查的挑战与趋势

传统入户普查成本极高——美国2020年人口普查耗资约140亿美元。各国统计机构正积极探索将行政记录（税务、社保、户籍数据）与抽样调查相结合的"基于行政记录的普查"（Register-based Census）模式，北欧国家（丹麦、芬兰、瑞典等）已基本实现纯行政记录普查。此外，地理信息系统（GIS）和卫星遥感技术日益用于更新普查区划图和辅助覆盖评估，标志着普查方法的持续现代化。