艾滋病病毒新感染人数（成人和儿童）

Adults (ages 15+) and children (ages 0-14) newly infected with HIV

下载数据

指标代码：SH.HIV.INCD.TL所属主题：健康：Risk factorsHealth: Risk factors

2024最新有效年份

139最新年份有值国家

265历史上有数据经济体

71%总体缺失率

指标解释

World Bank official description / 世界银行官方说明

Number of adults (ages 15+) and children (ages 0-14) newly infected with HIV.

可供参考的中文翻译：15岁以上成人和0-14岁儿童新感染艾滋病病毒（HIV）的人数。

数据口径与风险提示

本指标反映年度新发感染人数的估计值，而非实际的确诊报告数，受各国监测能力和报告标准影响较大
不同国家和地区的新发感染估计方法存在差异，直接跨国比较需谨慎
HIV新发感染人数受人口基数、年龄结构和高风险人群比例等多因素影响
数据可能存在一定滞后性，最近年份的估计值通常基于建模而非完整统计
部分地区因检测覆盖率低，实际新发感染数可能被低估
该指标反映的是绝对人数规模，需结合感染率等相对指标综合评估
不同地区的HIV流行阶段和传播模式差异显著，影响新发感染人数的绝对水平
世界银行数据来源为UNAIDS联合估计，各国数据质量参差不齐

中国趋势

趋势解读

中国在该指标上的可用数据为空（1990年至2024年间无数据点），无法提供可靠的趋势分析。这可能与中国的HIV监测体系数据报告口径、历史数据积累情况或数据发布策略有关。需要查阅国家卫健委或UNAIDS中国报告以获取更完整的流行病学数据。

数据完全缺失，无法分析长期变化趋势
无法与全球数据或同类国家进行横向比较
建议参考中国疾病预防控制中心发布的艾滋病防治报告

全球趋势

趋势解读

全球HIV新发感染人数呈现显著的长期下降趋势。从1990年的250万人增长至1996年的峰值340万人后持续回落，2024年降至130万人，较峰值下降约62%。与1990年相比，2024年全球新发感染数下降了48%。近五年（2020-2024）全球减少约20万人，下降速度有所放缓。

1990年全球新发HIV感染约250万人
1996年达到观测期峰值约340万人
2000年代初期约290万人，之后开始加速下降
2010年代初期约220万人
2024年降至约130万人
较峰值下降约62%，较1990年下降约48%
下降趋势可能部分源于监测能力提升带来的报告改善，而非实际感染减少
放缓的下降速度需结合各国防治投入变化综合解读

每十年变化摘要

十年区间	中国变化	世界变化	提示
1960-1969	-	-	人口与健康指标的十年变化通常较慢，应结合人口年龄结构、医疗体系、登记完整性和社会发展阶段解读。
1970-1979	-	-	人口与健康指标的十年变化通常较慢，应结合人口年龄结构、医疗体系、登记完整性和社会发展阶段解读。
1980-1989	-	-	人口与健康指标的十年变化通常较慢，应结合人口年龄结构、医疗体系、登记完整性和社会发展阶段解读。
1990-1999	-	1.2x	全球新发感染从250万增长至约300万，该时期受HIV全球流行扩张阶段影响，各国报告机制尚不完善，数据可能低估实际感染规模。中国的该时期数据不可得，无法进行对比分析。
2000-2009	-	0.8x	全球新发感染倍数降至期初的0.76倍，反映全球艾滋病防治工作在进入21世纪后取得阶段性进展，抗逆转录病毒治疗的逐步推广对抑制新发感染起到积极作用。中国的数据仍不可得，无法判断其变化速度与全球的差异。
2010-2019	-	0.7x	全球新发感染倍数进一步降至期初的0.73倍，降幅较前一个十年有所收窄，可能反映防治工作进入平台期或全球人口结构变化对分母产生影响。中国的数据不可得，无法确定中国是否呈现与全球不同的变化轨迹。
2020-2029	-	0.9x	全球新发感染倍数收窄至期初的0.87倍，降幅明显放缓，近年下降趋势趋缓可能与新冠疫情对HIV防治服务的干扰、人口基数变化或部分地区流行阶段演变有关。中国数据不可得，无法评估中国在该时期的相对变化。

2024 年全部国家排名

排名已尽量排除 World、地区组和收入组，仅保留国家参与比较。排名高低应结合指标口径解释。

排名	国家	代码	数值
1	South Africa 南非	ZAF	170,000
2	Mozambique 莫桑比克	MOZ	92,000
3	India 印度	IND	64,000
4	Brazil 巴西	BRA	55,000
5	Nigeria 尼日利亚	NGA	48,000
6	Tanzania 坦桑尼亚	TZA	43,000
7	Uganda 乌干达	UGA	37,000
8	Philippines 菲律宾	PHL	31,000
9	Zambia 赞比亚	ZMB	30,000
10	Congo, Dem. Rep. 刚果（金）	COD	26,000
11	Indonesia 印度尼西亚	IDN	25,000
12	Mexico 墨西哥	MEX	22,000
13	Angola 安哥拉	AGO	21,000
14	Kenya 肯尼亚	KEN	20,000
15	Madagascar 马达加斯加	MDG	16,000
16	Ghana 加纳	GHA	15,000
17	Zimbabwe 津巴布韦	ZWE	15,000
18	Cameroon 喀麦隆	CMR	13,000
19	Malawi 马拉维	MWI	12,000
20	Congo, Rep. 刚果（布）	COG	11,000
21	Myanmar 缅甸	MMR	11,000
22	Papua New Guinea 巴布亚新几内亚	PNG	11,000
23	Cote d'Ivoire 科特迪瓦	CIV	8,200
24	Thailand 泰国	THA	8,100
25	Venezuela, RB 委内瑞拉	VEN	8,100
26	Ethiopia 埃塞俄比亚	ETH	8,000
27	South Sudan 南苏丹	SSD	7,500
28	Sudan 苏丹	SDN	6,800
29	Peru 秘鲁	PER	6,500
30	Egypt, Arab Rep. 埃及	EGY	6,300
31	Viet Nam 越南	VNM	6,100
32	Haiti 海地	HTI	5,800
33	Argentina 阿根廷	ARG	4,900
34	Guinea 几内亚	GIN	4,700
35	Namibia 纳米比亚	NAM	4,500
36	Chad 乍得	TCD	4,300
37	Botswana 博茨瓦纳	BWA	4,200
38	Eswatini 斯威士兰	SWZ	4,200
39	Central African Republic 中非共和国	CAF	4,000
40	Chile 智利	CHL	4,000
41	Dominican Republic 多米尼加共和国	DOM	4,000
42	Italy 意大利	ITA	4,000
43	Mali 马里	MLI	4,000
44	Lesotho 莱索托	LSO	3,200
45	Spain 西班牙	ESP	3,200
46	Togo 多哥	TGO	3,100
47	Burkina Faso 布基纳法索	BFA	3,000
48	Senegal 塞内加尔	SEN	3,000
49	Algeria 阿尔及利亚	DZA	2,800
50	Malaysia 马来西亚	MYS	2,700
51	Rwanda 卢旺达	RWA	2,600
52	Sierra Leone 塞拉利昂	SLE	2,500
53	Kazakhstan 哈萨克斯坦	KAZ	2,300
54	Germany 德国	DEU	2,200
55	Bolivia 玻利维亚	BOL	1,900
56	Ecuador 厄瓜多尔	ECU	1,900
57	Afghanistan 阿富汗	AFG	1,800
58	Cuba 古巴	CUB	1,800
59	Gabon 加蓬	GAB	1,700
60	Yemen, Rep. 也门	YEM	1,600
61	Panama 巴拿马	PAN	1,500
62	Benin 贝宁	BEN	1,400
63	Burundi 布隆迪	BDI	1,400
64	Guatemala 危地马拉	GTM	1,400
65	Saudi Arabia 沙特阿拉伯	SAU	1,400
66	Fiji 斐济	FJI	1,300
67	Lao PDR 老挝	LAO	1,300
68	Bangladesh 孟加拉国	BGD	1,200
69	Cambodia 柬埔寨	KHM	1,200
70	Niger 尼日尔	NER	1,200
71	Paraguay 巴拉圭	PRY	1,200
72	Costa Rica 哥斯达黎加	CRI	1,100
73	Gambia, The 冈比亚	GMB	1,100
74	Jamaica 牙买加	JAM	1,100
75	Morocco 摩洛哥	MAR	990.0
76	El Salvador 萨尔瓦多	SLV	940.0
77	Kyrgyz Republic 吉尔吉斯斯坦	KGZ	920.0
78	Guinea-Bissau 几内亚比绍	GNB	880.0
79	Portugal 葡萄牙	PRT	810.0
80	Iraq 伊拉克	IRQ	740.0
81	Moldova 摩尔多瓦	MDA	700.0
82	Tunisia 突尼斯	TUN	700.0
83	Nepal 尼泊尔	NPL	620.0
84	Armenia 亚美尼亚	ARM	610.0
85	Georgia 格鲁吉亚	GEO	560.0
86	Guyana 圭亚那	GUY	560.0
87	Greece 希腊	GRC	540.0
88	Azerbaijan 阿塞拜疆	AZE	500.0
89	Belgium 比利时	BEL	500.0
90	Bulgaria 保加利亚	BGR	500.0
91	Cabo Verde 佛得角	CPV	500.0
92	Djibouti 吉布提	DJI	500.0
93	Eritrea 厄立特里亚	ERI	500.0
94	Honduras 洪都拉斯	HND	500.0
95	Libya 利比亚	LBY	500.0
96	Romania 罗马尼亚	ROU	500.0
97	Sri Lanka 斯里兰卡	LKA	500.0
98	Suriname 苏里南	SUR	500.0
99	Switzerland 瑞士	CHE	500.0
100	Tajikistan 塔吉克斯坦	TJK	500.0
101	Albania 阿尔巴尼亚	ALB	200.0
102	Belize 伯利兹	BLZ	200.0
103	Ireland 爱尔兰	IRL	200.0
104	Latvia 拉脱维亚	LVA	200.0
105	Lithuania 立陶宛	LTU	200.0
106	Mauritania 毛里塔尼亚	MRT	200.0
107	Oman 阿曼	OMN	200.0
108	Qatar 卡塔尔	QAT	200.0
109	Serbia 塞尔维亚	SRB	200.0
110	Slovak Republic 斯洛伐克	SVK	200.0
111	Timor-Leste 东帝汶	TLS	200.0
112	United Arab Emirates 阿联酋	ARE	200.0
113	Antigua and Barbuda 安提瓜和巴布达	ATG	100.0
114	Bahamas, The 巴哈马	BHS	100.0
115	Bahrain 巴林	BHR	100.0
116	Barbados 巴巴多斯	BRB	100.0
117	Bhutan 不丹	BTN	100.0
118	Comoros 科摩罗	COM	100.0
119	Croatia 克罗地亚	HRV	100.0
120	Denmark 丹麦	DNK	100.0
121	Dominica 多米尼克	DMA	100.0
122	Estonia 爱沙尼亚	EST	100.0
123	Iceland 冰岛	ISL	100.0
124	Jordan 约旦	JOR	100.0
125	Luxembourg 卢森堡	LUX	100.0
126	Maldives 马尔代夫	MDV	100.0
127	Malta 马耳他	MLT	100.0
128	Mongolia 蒙古	MNG	100.0
129	Montenegro 黑山	MNE	100.0
130	New Zealand 新西兰	NZL	100.0
131	North Macedonia 北马其顿	MKD	100.0
132	Slovenia 斯洛文尼亚	SVN	100.0
133	Solomon Islands 所罗门群岛	SLB	100.0
134	St. Kitts and Nevis 圣基茨和尼维斯	KNA	100.0
135	St. Lucia 圣卢西亚	LCA	100.0
136	St. Vincent and the Grenadines 圣文森特和格林纳丁斯	VCT	100.0
137	Syrian Arab Republic 叙利亚	SYR	100.0
138	Tuvalu 图瓦卢	TUV	100.0
139	Vanuatu 瓦努阿图	VUT	100.0

使用建议、常见误用与研究场景

数值较高通常意味着什么

新发感染人数较高通常意味着该地区HIV传播风险较高、人群中高风险行为较普遍、防治服务覆盖不足或监测报告能力较强。需要结合感染率、ART覆盖率等指标综合判断。

数值较低通常意味着什么

新发感染人数较低可能反映防治工作成效显著，也可能仅反映监测报告能力不足导致的数据缺失，解读时需结合相关变量的验证。

鍙ｅ緞闄愬埗

绝对人数受人口基数影响较大，不适合直接用于不同人口规模国家间的比较
数据为模型估计值，存在不确定性，不同数据源可能存在差异
反映的是所有新发感染的合计，未区分成人和儿童的具体趋势
部分国家因数据报告能力有限，实际感染数可能被低估
无法反映新发感染的年龄、性别或风险人群分布特征
趋势变化可能同时受到实际流行病学变化和报告方法改进的影响

使用建议

结合艾滋病病毒感染率（SH.DYN.AIDS.ZS）等相对指标进行交叉验证
使用时明确标注数据为估计值，引用UNAIDS或世卫组织发布的权威报告
跨国比较时优先使用每千人未感染人口新发感染数（SH.HIV.INCD.TL.P3）进行标准化
关注ART覆盖率（SH.HIV.ARTC.ZS）作为防治成效的重要参考指标
结合人口结构和风险人群特征进行分层次分析
历史比较时注意监测方法和报告标准的变化，必要时进行数据质量敏感性分析
对于中国数据，建议同时参考国家卫健委和UNAIDS中国的官方报告进行交叉验证

常见错误用法

错误做法：直接用新发感染人数高低评价一个国家或地区的HIV防治成效

正确做法：结合感染率、ART覆盖率、预防项目覆盖等多维指标综合评估防治成效

新发感染人数受人口基数、高风险人群比例、监测能力等多因素影响，绝对数字高低不能简单等同于防治好坏

错误做法：用中国与全球新发感染人数直接对比，判断中国防治工作是否落后

正确做法：使用人均感染率或千人口感染率进行标准化比较，并结合中国数据可得性确认

中国数据缺失无法进行有效对比，且人数规模受人口基数影响，简单比较缺乏科学性

错误做法：认为新发感染人数下降就代表防治效果良好

正确做法：检查ART覆盖率变化、预防项目投入和监测报告能力变化，确认下降是否源于真实趋势

下降可能反映监测报告能力下降或数据缺失，而非实际的感染减少

错误做法：用某一年份的排名判断不同国家的HIV流行严重程度

正确做法：结合感染率和高风险人群规模，分析排名的实际公共卫生含义

排名仅反映绝对人数规模，未考虑人口基数差异和流行阶段差异

错误做法：用该指标预测其他国家未来的HIV流行趋势

正确做法：结合各国ART覆盖率、预防干预措施和高风险人群规模进行多因素建模预测

HIV流行受防治政策、行为干预、人口流动等多因素影响，单一指标预测能力有限

错误做法：忽视数据为估计值，直接使用精确数字进行趋势外推

正确做法：关注趋势方向和量级变化，使用置信区间表示不确定性

该指标为UNAIDS建模估计值，存在较大不确定性区间，精确数字可能误导

实际应用场景

全球HIV防治资源投入效果评估：分析国际援助资金（如全球基金）与全球和各地区新发感染变化的关系，评估防治资源投入的边际效果被解释变量控制ART覆盖率、预防项目覆盖等中介变量后，分析援助资金对感染下降的贡献度，注意内生性问题
ART覆盖率对新发感染的抑制效应研究：研究抗逆转录病毒治疗覆盖率提升与新发感染人数下降的关联，评估ART作为预防手段的公共卫生意义机制变量使用面板数据回归，控制年龄结构、风险人群规模等混杂因素，注意ART覆盖率与新发感染的逆向因果关系
不同年龄组HIV新发感染趋势的差异分析：对比成人和儿童新发感染的变化轨迹，分析母婴阻断项目等干预措施的效果解释变量结合SH.HIV.INCD.14（儿童新发感染）和SH.HIV.INCD（成人新发感染）进行分层分析，注意儿童感染与成人感染驱动因素差异
HIV流行阶段与新发感染变化速度的关系研究：研究不同流行阶段（集中流行、广泛流行）下，新发感染变化速度的差异及其影响因素稳健性检验变量结合HIV感染率指标，按不同流行阶段分组进行回归，验证结果的稳健性