Human population dynamics as a Bayesian inverse transport problem

Résumé Technique : La dynamique de la population humaine comme problème d'inversion de transport bayésien

Énoncé du Problème
De nombreux systèmes dynamiques en physique, en biologie et en ingénierie impliquent des processus de transport hors équilibre où les lois de conservation sous-jacentes sont connues, mais où les relations constitutives sous-jacentes (par exemple, les taux de fertilité et de mortalité) sont latentes, variables dans le temps et difficiles à inférer. En démographie, les approches conventionnelles font face à trois limitations principales : (i) les modèles d'apprentissage automatique fondés sur les données traitent souvent les taux vitaux par âge comme des paramètres indépendants, échouant ainsi à capturer les corrélations inter-cohortes ; (ii) ils violent fréquemment les lois fondamentales de conservation de la masse ; et (iii) ils reposent sur des projections empiriques manquant d'interprétabilité physique. De plus, les méthodes traditionnelles de composantes par cohorte manquent souvent de quantification native de l'incertitude, tandis que les prévisions de séries temporelles standards traitent les trajectoires de cohortes comme des tendances statistiques indépendantes, ignorant les contraintes structurelles du transport structuré par âge.

Méthodologie
Les auteurs proposent un cadre de transport inverse bayésien unifié qui intègre des réseaux de neurones bayésiens (BNN) directement au sein d'équations aux dérivées partielles (EDP) exactes régissant le transport de la population par âge et par temps.

1. Équations de Gouvernance : Le système est modélisé par l'EDP de transport du premier ordre pour les populations structurées par âge :
   $$\partial_t \rho + \partial_a \rho = -\mu(a, t)\rho$$
   où $\rho(a, t)$ est la densité de distribution par âge et $\mu(a, t)$ est le taux de risque de mortalité. Le système est fermé par une condition limite de naissance à $a=0$ pilotée par un noyau de fertilité $f(a, t)$, et une limite d'âge terminal à $A_{max}$.
2. Paramétrage Neuronal : Au lieu de prescrire des formes fonctionnelles pour la fertilité et la mortalité, les auteurs paramètrent ces lois constitutives à l'aide de BNN.
   • Fertilité : Modélisée comme une densité gaussienne mise à l'échelle par un Taux de Fécondité Total (TFT) latent, dont les paramètres (moyenne, variance, TFT) sont produits par un perceptron multicouche (MLP).
   • Mortalité : Pour les pays disposant de données complètes (Japon, Corée du Sud), les probabilités de survie sont modélisées directement via un BNN. Pour les scénarios à données rares (Chine), la survie est modélisée comme une perturbation autour d'une fonction de risque de base standard afin d'assurer la stabilité numérique.
3. Inférence Bayésienne : Le problème est formulé comme l'inférence de la distribution a posteriori sur les poids du BNN ($W$) et le profil de population initial ($\rho_0$) étant donné des observations ($Y$) éparses et bruitées. La vraisemblance est construite à partir de données démographiques hétérogènes (population totale, naissances, décès et tranches d'âge de recensement).
   • Échantillonnage : Les auteurs emploient l'échantillonneur No-U-Turn (NUTS), une méthode de Monte Carlo Hamiltonienne, pour échantillonner la distribution a posteriori de haute dimension.
   • Implémentation : Le cadre utilise JAX pour la compilation haute performance et la différenciation automatique, les équations de transport étant compilées dans une boucle XLA unique pour accélérer l'évaluation des gradients.
4. Contraintes Physiques : En intégrant les BNN au sein de l'EDP de transport exacte, chaque échantillon de l'a posteriori satisfait automatiquement la conservation de la masse démographique et l'advection des cohortes, garantissant des profils d'âge physiquement cohérents même sous des observations éparses.

Contributions Clés

• Cadre Unifié : Ce travail unifie la reconstruction historique, la prévision et la quantification de l'incertitude en un seul cadre où les données manquantes sont récupérées via l'inférence bayésienne plutôt que par interpolation.
• Conservation de la Masse : Contrairement aux approches classiques de deep learning, ce cadre impose la cohérence démographique comme une contrainte physique stricte, empêchant les violations de la conservation de la masse.
• Propagation de l'Incertitude : La méthode garantit que l'incertitude de la fertilité à l'instant $t$ se propage en aval le long des caractéristiques de l'équation d'advection, préservant les corrélations structurelles inter-cohortes au fil du temps.
• Nouvelles Métriques : Les auteurs introduisent des métriques information-théoriques pour quantifier les transitions démographiques structurelles :
  • Entropie Démographique Totale ($S_{total}$) : Combine l'entropie de Shannon avec un potentiel de "volume de phase" pour distinguer les populations jeunes et âgées, identifiant la contraction structurelle.
  • Divergence KL par rapport à l'Équilibre de Lotka ($D_{KL}$) : Mesure la distance de la structure d'âge actuelle par rapport à l'attracteur stable instantané, servant de mesure physique de la force motrice démographique.

Résultats
Le cadre a été appliqué à trois économies d'Asie de l'Est — la Chine, le Japon et la Corée du Sud — caractérisées par un effondrement rapide de la fertilité.

• Reconstruction : Le modèle a reconstruit avec succès les grilles structurées par âge historiques pour ces trois pays, y compris la Chine, malgré l'absence de données annuelles structurées par âge (se fiant uniquement à la population totale, aux naissances, aux décès et aux tranches de recensement décennales). Les distributions reconstruites correspondaient aux observations de recensement indépendantes avec une grande précision.
• Inférence Latente : Le modèle a inféré les trajectoires de fertilité latentes sans utiliser le TFT comme entrée d'entraînement, capturant avec précision le timing et la profondeur de l'effondrement de la fertilité en Corée du Sud et le passage sous le seuil de remplacement en Chine.
• Projections (Scénario Statu Quo) :
  • Chine : La population active (15-64 ans) devrait se contracter d'environ 25 % d'ici 2050. Le Ratio de Soutien Potentiel (RSP) devrait approcher 2,0 d'ici 2049.
  • Corée du Sud : Présente la transformation structurelle la plus dramatique, avec un RSP projeté de 1,34 d'ici 2050 et un Ratio de Dépendance des Personnes Âgées (RDPA) dépassant 75 %.
  • Japon : Montre une structure de pilier stable mais fortement vieillissante, avec un RSP déjà inférieur à 2,0.
• Entropie et Dynamiques Hors Équilibre : L'analyse révèle que la contraction de l'entropie structurelle agit comme un indicateur avancé du déclin démographique, précédant de plusieurs décennies les pics de population active et totale. La Corée du Sud présente une chute quasi verticale de l'entropie à partir des années 2000, indiquant une transition rapide vers un état de vieillissement extrême à faible entropie.

Signification et Revendications
L'article affirme que ce cadre fournit une base généralisable pour observer et prévoir les dynamiques de bord hors équilibre dans divers domaines. En traitant les équations de transport comme des contraintes physiques exactes et en utilisant des BNN pour inférer les lois constitutives latentes, la méthode offre un moyen mathématiquement rigoureux de gérer les données éparses et de propager l'incertitude.

Les auteurs soutiennent que le modèle ne se contente pas de prédire des nombres de population, mais résout l'intégralité du pipeline démographique, fournissant des intervalles de crédibilité pour les quantités spécifiques à l'âge critiques pour les politiques (ex: offre de main-d'œuvre, systèmes de retraite, planification éducative). L'introduction de "l'entropie démographique" et de la "divergence de Lotka" offre un nouveau langage physique pour décrire la rigidité structurelle et la nature hors équilibre des sociétés vieillissantes. Ils suggèrent que cette approche est applicable au-delà de la démographie humaine à tout système caractérisé par un transport advectif, une génération de bord variable dans le temps et des puits internes, tels que les flux cellulaires, la dégradation des polymères ou le transport de la charge virale.