A new mortality model based on known probability distributions: demographic analysis and cartographic illustrations

Only at the end of World War II all the necessary conditions were present for Demography to emerge from a research field into an autonomous science. In the intervening decades, science is enriched with new theoretical and methodological approaches and Demography acquires individual specializations. The relationship between economics and demography constitutes an open issue of research and study despite the number of reports that have been written about it. The role of demographic developments in configuring the social landscape of a country but also in shaping international relations and balances is emphatically seasonableness. At the same time in recent years the interest in mathematical demography and the modeling of demographic phenomena is reviving taking into account the interactions between environmental and social changes in demographic behavior.The subject of this doctoral dissertation is placed in the section Demography and Statistics. The aim is the mathematical modeling of mortality and its further application at the level of geographical analysis in order to be an appropriate scientific tool for interpreting human mortality and aspiring to become a "research pilot" in the proper management of the demographic challenges of the 21st century. The analysis of demographic data on mortality using probabilistic distributions can contribute to the "reading" of future population projections by giving the appropriate demographic forecasts for the future development of the population of an area under specific conditions of evolution of the demographic component, such as mortality. The doctoral dissertation consists of 3 main thematic sections. In the first section, a reference to the terms of mathematical demography, statistics, tables and laws of mortality from the past to the present and defines the modeling of mortality by the corresponding mathematical models with the corresponding methods of smoothing. In the second thematic unit, which is the central part of the research, concepts of probabilistic distributions that contributed to the formation of the proposed Mortality model are introduced. Specifically, this section presents the Beta Gompertz Generalized Makeham distribution (Andreopoulos et al., 2019) with its respective 6 parameters. For each of the six parameters a specific demographic interpretation is given, which provides a useful perspective for understanding the effect of age and time on human mortality (Andreopoulos et al., 2019). At the same time, the statistical properties of the new distribution are studied. The third section includes the application of BGGM distribution to data from different European countries and at different times with smaller (1993 - 2013) and larger range (1960 - 2045), in order to evaluate the way in which the parameters of the parameters vary spatially. and time. The chronological analysis is applied from 1960 to 2013 (past), from 2013 to 2020 (present – parameters estimation) and from 2020 to 2045 (parameters prediction). The mortality data used is provided by the human mortality database (http://www.mortality.org/) for all years.An attempt was also made to study the trend and the course of mortality following the current socio-political developments (corresponding parallel of the model results with the COVID-19 pandemic). Disease data were also taken into account, always according to what can be recorded at an official level (EL.STAT. & Eurostat). At the same time, all the mortality data with the corresponding parameter estimates are available on the website https://veegee.shinyapps.io/panagiotis_phd/ which was created for the immediate visualization of the results which are constantly updated and validated.Μόλις στο τέλος του Β΄ Παγκοσμίου πολέμου συνέτρεξαν οι απαραίτητες προϋποθέσεις ώστε η Δημογραφία να αναδειχθεί από ερευνητικό πεδίο σε αυτόνομη επιστήμη. Στις δεκαετίες που μεσολάβησαν η επιστήμη εμπλουτίζεται με νέες θεωρητικές και μεθοδολογικές προσεγγίσεις και η Δημογραφία αποκτά επιμέρους εξειδικεύσεις. Η σχέση μεταξύ οικονομίας και δημογραφίας αποτελεί ένα ανοικτό ζήτημα έρευνας και μελέτης παρά το πλήθος των αναφορών που έχουν γραφτεί σχετικά. Ο ρόλος των δημογραφικών εξελίξεων στη διαμόρφωση του κοινωνικού τοπίου μιας χώρας αλλά και στη διαμόρφωση των διεθνών σχέσεων και ισορροπιών έρχεται εμφατικά στην επικαιρότητα. Παράλληλα τα τελευταία χρόνια αναβιώνει το ενδιαφέρον στη μαθηματική δημογραφία και τη μοντελοποίηση των δημογραφικών φαινομένων λαμβάνοντας υπόψιν τις αλληλεπιδράσεις μεταξύ περιβαλλοντικών και κοινωνικών μεταβολών στη δημογραφική συμπεριφορά. Το αντικείμενο της διδακτορικής διατριβής τοποθετείται στην τομή της Δημογραφίας και της Στατιστικής. Σκοπός είναι η μαθηματική μοντελοποίηση της θνησιμότητας και η περαιτέρω εφαρμογή της σε επίπεδο γεωγραφικής ανάλυσης προκειμένου να αποτελέσει ένα κατάλληλο επιστημονικό εργαλείο ερμηνείας της ανθρώπινης θνησιμότητας και φιλοδοξώντας να γίνει «πιλότος έρευνας» στη σωστή διαχείριση των δημογραφικών προκλήσεων του 21ου αιώνα. Η ανάλυση των δημογραφικών δεδομένων θνησιμότητας με χρήση πιθανοθεωρητικών κατανομών, δύναται να συμβάλει στην «ανάγνωση» των πληθυσμιακών μελλοντικών προβολών δίνοντας τις κατάλληλες δημογραφικές προγνώσεις σχετικά με τη μελλοντική ανάπτυξη του πληθυσμού μιας περιοχής κάτω από συγκεκριμένες συνθήκες εξέλιξης της δημογραφικής συνιστώσας, όπως αυτής της θνησιμότητας.Η διδακτορική διατριβή αποτελείται από 3 μεγάλες θεματικές ενότητες. Στην πρώτη ενότητα, γίνεται αναφορά στους όρους της μαθηματικής Δημογραφίας, της στατιστικής, των πινάκων και των νόμων Θνησιμότητας από το παρελθόν έως σήμερα και διατυπώνεται η μοντελοποίηση της θνησιμότητας από τα αντίστοιχα μαθηματικά μοντέλα με τις αντίστοιχες μεθόδους εξομάλυνσης. Στη δεύτερη θεματική ενότητα, η οποία αποτελεί το κεντρικό μέρος της έρευνας, εισάγονται έννοιες πιθανοθεωρητικών κατανομών που συνέβαλαν στη διαμόρφωση του προτεινόμενου μοντέλου Θνησιμότητας. Συγκεκριμένα, στη ενότητα αυτή παρουσιάζεται η Beta Gompertz Generalized Makeham κατανομή (Andreopoulos et al., 2019) με τις αντίστοιχες 6 παραμέτρους της. Σε κάθε μία από τις έξι παραμέτρους, αποδίδεται και μια συγκεκριμένη δημογραφική ερμηνεία, η οποία με τη σειρά της παρέχει μια χρήσιμη προοπτική για την κατανόηση της επίδρασης της ηλικίας και του χρόνου στην ανθρώπινη θνησιμότητα (Andreopoulos et al., 2019). Παράλληλα μελετώνται και οι στατιστικές ιδιότητες της νέας κατανομής. Η τρίτη θεματική ενότητα περιλαμβάνει την εφαρμογή της κατανομής BGGM σε δεδομένα από διαφορετικές ευρωπαϊκές χώρες και σε διαφορετικές χρονικές στιγμές με μικρότερο (1993 – 2013) και μεγαλύτερο (1960 – 2045) εύρος, προκειμένου να αξιολογηθεί ο τρόπος με τον οποίο οι τιμές των παραμέτρων ποικίλλουν ανά γεωγραφική περιοχή και χρονική περίοδο. Η χρονολογική ανάλυση εφαρμόζεται από το 1960 έως το 2013 (παρελθόν), από το 2010 έως το 2017 (παρόν – εκτίμηση παραμέτρων) και από το 2017 έως το 2045 (μελλοντική πρόβλεψη). Τα δεδομένα θνησιμότητας που χρησιμοποιήθηκαν, αντλήθηκαν από την Human Mortality Database (http://www.mortality.org/) για όλα τα έτη. Έγινε επίσης, προσπάθεια να μελετηθεί η τάση ή (και) η πορεία που ακολουθεί η θνησιμότητα, ακολουθώντας τις τρέχουσες κοινωνικοπολιτικές εξελίξεις (αντίστοιχος παραλληλισμός των αποτελεσμάτων του μοντέλου με την πανδημία COVID-19). Ελήφθησαν υπόψη και δεδομένα ασθενειών, σύμφωνα πάντα με όσα μπορούν να καταγραφούν σε επίσημο επίπεδο (ΕΛ.ΣΤΑΤ. & Eurostat). Παράλληλα το σύνολο των δεδομένων θνησιμότητας με τις αντίστοιχες εκτιμήσεις των παραμέτρων είναι διαθέσιμα στην ιστοσελίδα https://veegee.shinyapps.io/panagiotis_phd/ η οποία δημιουργήθηκε για την άμεση οπτικοποίηση των αποτελεσμάτων τα οποία συνεχώς ανανεώνονται και επικαιροποιούνται