Il est difficile de prévoir précisément les tendances démographiques. Cependant, une bonne compréhension de ces tendances reste essentielle tant pour les décideurs·euses politiques que pour de nombreuses entreprises. L’évolution de l’espérance de vie représente un outil relativement grossier pour quantifier l’impact de mesures prises sur les différentes causes de décès, telles qu’un nouveau médicament ou une loi sur la sécurité. La Professeure Séverine Arnold et ses co-auteurs proposent une approche plus sophistiquée, qui permet de mesurer l’impact relatif de ces mesures sur la répartition par âge des populations futures, y compris les taux de dépendance des personnes âgées.
Bien comprendre les tendances démographiques est très important pour de nombreuses organisations:
- Pour les assurances-vie et les caisses de pension dont la tarification, la gestion des risques et, en fin de compte, la rentabilité sont étroitement liées à la démographie.
- Pour toutes les entreprises qui ciblent des segments spécifiques de la population avec des produits et services particuliers.
- Pour les gouvernements eux-mêmes, car de mauvaises prévisions démographiques peuvent amener les décideurs·euses à mettre en œuvre des politiques qui auront des conséquences imprévues et non désirées.
La complexité de la démographie représente le principal défi: il est difficile de faire des prévisions précises sur les populations. Heureusement, des chercheurs·euses comme la Professeure Séverine Arnold et ses co-auteurs Alexandre Boumezoued, Nicole El Karoui et Héloïse Labit Hardy font des progrès considérables qui nous permettent de mieux comprendre. Pour ce faire, l’équipe utilise des méthodes innovantes en appliquant aux populations humaines des modèles initialement développés pour l’étude des populations d’arbres et d’oiseaux.
De précédentes études ont montré l’impact des causes de mortalité sur l’espérance de vie. Dans un article cosigné, intitulé « Cause-of-Death Mortality: What Can Be Learned From Population Dynamics? » Séverine Arnold va cependant plus loin en combinant l’analyse de la mortalité avec la dynamique de la population pour obtenir une analyse plus poussée de l’impact des causes de décès sur la future répartition par âge.
Par exemple, comment la guérison d’une maladie en particulier ou la baisse du nombre de décès à vélo grâce au port du casque obligatoire, peut-elle affecter la pyramide des âges de la population au fil du temps? Et comment le taux de dépendance des personnes âgées peut-il être affecté en raison de l’impact sur la répartition par âge? Ce taux considère le nombre de personnes âgées de 65 ans et + et le divise par le nombre de personnes actives âgées de 15 à 65 ans. Il donne ainsi une idée de la charge de la population âgée sur la population active, ce qui est important pour la planification du système de sécurité sociale, par exemple.
Un aspect particulièrement intéressant de l’approche de la chercheuse Séverine Arnold a été de mettre l’accent sur la comparaison des effets de la réduction des décès liés à différentes causes (dans l’ensemble, l’équipe a examiné six causes de décès différentes). L’espérance de vie est la mesure à laquelle nous avons tendance à penser lorsque nous évaluons l’impact d’une cause spécifique de décès. Quel est l’impact d’une politique sur l’espérance de vie, par exemple? Ainsi, si vous envisagez d’affecter des ressources à la réduction soit des cas de cancer soit des taux d’accidents, vous pourriez naturellement supposer que la réduction des cas de cancer aura l’effet le plus important sur l’espérance de vie en général.
Il est toutefois important de tenir compte de l’impact respectif sur la dynamique de la population et la répartition par âge. La Prof. Arnold et ses co-auteurs ont modélisé une situation dans laquelle le taux, à la fois d’accidents et de cancers, a été amené à un niveau qui produisait des gains d’espérance de vie similaires. Mais si les gains d’espérance de vie étaient similaires, l’impact sur la répartition par âge était nettement différent, car le cancer touche principalement les personnes âgées. Lorsque vous supprimez le cancer, vous sauvez beaucoup de vies, mais à un âge plus avancé. Lorsque vous supprimez les accidents, vous sauvez beaucoup de personnes plus jeunes – environ 25-30 ans. Ces personnes, qui à présent ne meurent plus, pourraient bien avoir des enfants. Ainsi, à long terme, les impacts sur la structure d’âge de la population et sur le taux de dépendance des personnes âgées sont très différents.
Les conséquences de ces résultats sont bien sûr importantes pour les décideurs·euses, mais elles le sont aussi pour les entreprises. De nombreuses sociétés ont des modèles d’activité qui dépendent de leur capacité à répondre efficacement aux besoins de certains segments de la population. Par conséquent, elles consacrent des ressources considérables à la prévision des tendances démographiques. À présent, elles peuvent disposer d’un nouvel outil. Car le modèle que Séverine Arnold et ses co-auteurs ont développé permet aux organisations d’évaluer plus précisément l’impact des événements affectant l’espérance de vie – une nouvelle mesure politique, un nouveau produit ou service pharmaceutique – sur la pyramide des âges des populations futures de consommateurs·trices.
Papier de recherche:
Alexandre Boumezoued, Héloïse Labit Hardy, Nicole El Karoui, Séverine Arnold (2018). Cause-of-death mortality: What can be learned from population dynamics? Insurance: Mathematics and Economics 78: 301-315.
Crédit photo: | Dreamstime.com ID 84747574
