不同情景下气候驱动的死亡率预测

不同情景下的气候变化驱动死亡率预测 应用：预测高温对荷兰死亡率的影响 阿里捷·阿玛拉·伊夫·蒂通 大多数气候情景预测给定时间范围内的平均气温。然而，极端气温或空气质量等关键气候因素对健康和死亡率具有不同影响，需要使用其他、更精确的气候变量。为了解决这个问题，本研究开发了一种从传统气候预测中推导死亡率情景的高级方法。通过整合关键气候指标并改进现有方法，该框架提高了与气候相关的死亡率预测的准确性，为未来风险提供了更全面的评估。 主要集中于基于历史数据开发解释性模型，强调过去温度与死亡率之间的显著关系。然而，尽管此类预测在预见未来后果中起着至关重要的作用，但很少有研究产生长期预测。 一些精算研究通过纳入气候变量探索了死亡率预测，但它们往往局限于将平均气温作为唯一的解释因素，或者依赖于公共数据库中范围仍然受限的现有预测。虽然这些方法很有价值，但它们强调了开发更专业的方法论的必要性，这些方法论能够充分利用现有的气候数据，以更好地捕捉局部变化和更广泛的影响。 在本研究中，我们介绍了对荷兰热浪对死亡率影响的建模结果。 气候变化被广泛认为是最紧迫的全球挑战之一，对生态系统、人类社会和经济体系有深远影响。在其许多后果中，热浪——更广泛地说，极端温度——起着特别重要的作用。根据政府间气候变化专门委员会（IPCC ）的报告1，这些事件在强度和频率上都在增加，导致直接的健康影响，包括死亡率上升，尤其是在弱势群体中。 数据来源 本研究利用多个成熟的公共数据库，能够对气候动态、人口趋势和观测到的死亡率之间的关系进行强有力的分析： □死亡数据：来源于人类死亡率数据库(HMD)2它提供了详细的年龄和性别特定死亡率。 □气候数据：源自荷兰皇家气象研究所（KNMI）的观测和预测，3结 合平均温度、最低温度和热带天数等关键变量。 越来越多的研究正在关注这些关键问题，旨在了解和量化极端温度对人体死亡率的影响。虽然这些研究已经揭示了一些潜在机制，并建立了气候事件与死亡率变化之间的关联，但该主题仍只得到了部分探索。大部分这项研究 □由全球疾病负担研究（GBD）数据提取的热归因死亡率4提供温度波动与死亡模式之间关系的综合评估。 1.政府间气候变化专门委员会[IntergovernmentalPanelonClimateChange].(2023年3月20日).气候变化特别报告第六次评估报告要点。检索日期：2025年1月22日，来自https://www.ecologie.gouv.fr/sites/default/files/documents/20250_4pages-GIEC-2.pdf2.人类死亡率数据库。(2024年).荷兰总人口。检索日期：2025年1月21日，来源：https://www.mortality.org/Country/Country?cntr=NLD. 3.荷兰皇家气象学院[KoninklijkNederlandsMeteorologischInstituut].(2024).荷兰每日天气数据.获取于2025年1月21日,从https://www.knmi.nl/nederland-nu/klimatologie/daggegevens.4.全球健康数据交换.(2024).2021全球疾病负担（GBD）研究:结果.2025年1月21日 检索，自 https://vizhub.healthdata.org/gbd-results/. 为确保数据完整性，由于某些时期老年组数据缺失，我们在94岁时进行了截断。此外，为了防止对长期气候相关死亡趋势分析造成扭曲，我们还排除了2020年和2021年的与COVID-19相关的死亡数据。 校准：一个气候适应型的Lee-Carter模型 所选的用于解释死亡率并考虑高温影响的模型，建立在扩展型Lee-Carter模型的基礎上，并增加了气候分量。5 该气候调整的Lee-Carter模型表述如下： ln(μ)=α+βω+τγ+ε,x,t 模型选定的最显著气候变量（在荷兰数据的情况下）是： □热带天数，定义为最高气温超过30°C的天数。 □年平均日平均气温。 □日最低气温的年平均值。 为了模拟这些高度相关变量之间的相互作用，我们使用了一种平滑张量积。这种方法捕捉了三个变量的联合和非线性效应，而无需假设它们的独立性。 时间变量：投影方法学和极值建模 wherexrepresentsage,μdenotesthemortalityrate,andα,β, xx and휅是Lee-Carter模型的参数。项퐶 tt 表示年份푡的气候指标，捕捉了所研究气候变量对死亡率的影响。 在本研究中，我们提出了对建模框架原始公式中引入的初始校准方法提出的替代方案。术语퐶是使用广义加性 t 模型（GAM），其定义如下： ([])()()gЭу=χ+f(x)+f(x)+…+f(x),01122pp 其中g是连接函数，β₀代表截距 0 ()f(x)是非参数平滑函数，应用于 ii 预测变量x。这些函数能够实现灵活的建模 i 通过捕捉每个预测变量与因变量之间的关系，而不是强加预定义的函数形式来进行。 为了实现这一点，我们使用了带惩罚的薄板样条函数。这些样条通过最小化一个表面变形度量来运行，该度量在平滑数据的同时适应观测值的结构。我们引入了一个惩罚参数来调节模型复杂度并防止过拟合。 在长期建模中，预测气候变量对于预估气候变化的影响至关重要。虽然官方气候情景为长期平均温度的全球和区域趋势提供了关键洞察，但它们不包括模型所需的特定气候变量的预测。为了预测气候指标（源自温度相关变量），平均温度和最低温度的时间序列被分解为三个关键分量 ：趋势、季节性和噪声。此外，利用极值理论（EVT）对热带天数进行预测，以更好地捕捉罕见但有影响的温度事件。此外，Lee-Carter模型 （휿）的常规时间参数和残差分量（휺）也 枫砰，啪 基于预测来估算未来死亡率，确保对气候相关死亡率的预测采取全面的方法。 分解模型的选取 三种主要的时间序列分解模型在文献中被广泛使用：6 □加性分解：一种适用于具有稳定季节性模式且随时间保持不变的时间序列的简单方法。 □乘法分解：适用于季节波动与趋势成正比变化的序列。 □STL分解（使用局部估计散点平滑[LOESS]的季节性-趋势分解）：一种高度灵活的方法，能够捕捉复杂的动态，但它需要更精确的校准 。 5.布姆祖德，A.，艾尔法西希，A.，热梅纳，V.&提顿，E.（2022年12月19日）.建模气候风险对死亡率的影响[白皮书].米利曼.检索自2025年1月21日https://www.milliman.com/-/media/milliman/pdfs/2022-articles/12-16-22_modelling-the-impact-of-climate-risks-on-mortality.ashx. 6.Hyndman,R.J.,和Athanasopoulos,G.(2021).预测：原理与实践（第3版）。OTexts。2024年9月11日获取，从 https://otexts.com/fpp3/. 对温度时间序列的季节成分分析揭示了稳定的平均水平和一致的季节波动模式。这一发现支持了选择加性方法。 这一假设得到了高相关系数和两个温度变量之间良好的季节变化同步模式的支持。 𝑌�=𝑇�+𝑆�+𝑁𝑡, 其中Y表示所研究的时间序列，T表示 tt 长期趋势，S对应季节成分，和 t B表示残差分量。趋t势分量 趋势成分基于KNMI对平均温度的预测7应用最小温度调整以保持4°C的恒定平均差。这些预测基于KNMI’23情景，将IPCC识别的全球气候趋势降尺度至区域层面。它们结合了共享社会经济路径（SSPs）的排放轨迹 ，提供至本世纪末的气候变量预测。KNMI’23定义了两个主要气候情景：一个与巴黎协定目标一致的低碳情景“L”（SSP1-2.6），以及一个反映无明显减排轨迹的高碳情景“H”（SSP5-8.5）。每个情景进一步分为两种变体：一个冬季更湿润、夏季略干燥的湿润情景“n”，和一个夏季显著干燥的干燥情景“d”。8 残余分量 在一个理想模型中，加性分解的残差应该呈现出纯随机结构，不存在显著相关性，表明趋势和季节成分完全捕捉了底层数据的动态变化。然而，统计检验显示残差存在自相关迹象， 异方差性，和非正态性，表明残差中仍存在额外的结构。 为解决这些问题，我们采用混合ARIMA-APARCH方法对噪声分量进行建模，从而能够在残差中同时捕捉时序相关性和条件异方差性。 对于投影，我们使用历史残差作为参考，通过迭代调整条件方差来保持现实的波动。为了防止未来变异性出现不切实际的低估，我们引入了一个方差下限，设置为历史方差的第70百分位数。此外，在方差投影中应用了0.0001的趋势因子，以反映不确定性随时间的逐渐增加。在每个步骤中，添加了按投影条件方差的平方根缩放的随机噪声，确保未来残差变异能够动态且稳健地整合到模型中。 对于这项研究，仅选择了Hd和Ld情景，因为它们在评估高温对死亡率的影响方面具有相关性。 季节性成分 使用傅里叶分析对季节性成分进行了分析，这揭示出存在一个稳定的年度周期，但峰值值随着时间的推移逐渐增强。为了捕捉这种演变动态，对超过90百分位数的值进行了调整，确保极端温度的振幅增加得到反映，同时保持一个稳定的参考季节性周期。在建模目的下，我们假设季节性成分对于平均温度和最低温度是相同的，因为它们具有强的统计一致性。 建模热带天数数量 热带日子是罕见事件。对每日夏季最高气温（6月-8月）分布的分析表明，超过30°C的温度位于历史数据的95%分位数之外，该分位数为28.6°C。这证实了这些事件的极端性，并证明了应用EVT来模拟它们的合理性。 7.范多兰德、R.、比尔斯玛、J.、贝塞姆布林德、J.、布罗梅达尔、N.、范登布林克H.、布罗顿斯·布拉内斯、M.、德里夫霍特、S.等(2024年3月8日)。荷兰国家气象局2023年气候情景(科学研究报告WR-23-02 ，版本2)。荷兰皇家气象学院。2025年1月22日获取，自 https://cdn.knmi.nl/system/data_center_publications/files/000/071/902/original/KNMI23_climate_scenarios_scientific_report_WR23-02.pdf. 图1：最高温度直方图 我们使用泊松过程来模拟热带天数，允许对最大温度超过一个临界阈值的天数进行预测，该阈值设定为历史夏季最大温度的95%分位数。这种方法将这些极端事件视为随机事件，其年度平均频率使用过去10年的数据进行校准，同时结合了未来的气候情景。 为估计超过30°C的超额量，我们采用广义帕累托分布（GPD）。该方法能够同时预测极端高温事件的频率和严重程度，为评估未来热极端事件提供了稳健的框架。 其他参数 时间参数휅，表示长期死亡率 t 趋势，使用ARIMA(0,1,0)模型进行了预测。虽然像指数平滑状态空间（ETS）等其他模型表现出很强的预测性能，但因为我们选择了ARIMA，因为它在捕捉趋势和过去死亡率模式的持续性方面简单而有效。 结果 模型校准与气候变量预测 气候指标的调整 气候指标푪，代表归因于死亡率的 枫 在高温下，使用GAM进行了调整。该模型表现出强大的解释能力，实现了92.61%的解释离差，这表明其与观测数据具有极好的拟合度，并具有稳健的预测能力。 图2：气候指标的调整 气候变量的投影 基于KNMI情景推算表明，到2100年将发生显著变化。在Hd（高排放和夏季干旱）情景下，预计夏季气温将显著上升，到本世纪末平均将达到近22°C。此外，最低气温预计将上升，鉴于持续夜间热量的累积效应对死亡率的影響，需要评估其影響。 残差分量휀，解释了未解释 x,t 波动，针对每个年龄x分别预测。这些残差定义为观测到的