Human population dynamics as a Bayesian inverse transport problem

Resumo Técnico: Dinâmica da População Humana como um Problema de Transporte Inverso Bayesiano

Definição do Problema
Muitos sistemas dinâmicos na física, biologia e engenharia envolvem processos de transporte fora do equilíbrio onde as leis de conservação regentes são conhecidas, mas as relações constitutivas subjacentes (por exemplo, taxas de fertilidade e mortalidade) são latentes, variáveis no tempo e difíceis de inferir. Na demografia, as abordagens convencionais enfrentam três limitações primárias: (i) modelos de aprendizado de máquina baseados em dados tratam as taxas vitais específicas por idade como parâmetros independentes, falhando em capturar correlações entre coortes; (ii) eles frequentemente violam leis fundamentais de conservação de massa; e (iii) dependem de projeções empíricas carentes de interpretabilidade física. Além disso, os métodos tradicionais de componentes de coorte carecem de quantificação nativa de incerteza, enquanto previsões de séries temporais padrão tratam trajetórias de coorte como tendências estatísticas independentes, ignorando as restrições estruturais do transporte estruturado por idade.

Metodologia
Os autores propõem um arcabouço de transporte inverso Bayesiano unificado que incorpora Redes Neurais Bayesianas (BNNs) diretamente dentro de equações diferenciais parciais (PDEs) exatas que regem o transporte populacional idade-tempo.

1. Equações Regentes: O sistema é modelado usando a PDE de transporte de primeira ordem para populações estruturadas por idade:
   $$\partial_t \rho + \partial_a \rho = -\mu(a, t)\rho$$
   onde $\rho(a, t)$ é a densidade de distribuição de idade e $\mu(a, t)$ é a taxa de risco de mortalidade. O sistema é fechado por uma condição de contorno de natalidade em $a=0$ impulsionada por um kernel de fertilidade $f(a, t)$, e uma idade terminal $A_{max}$.
2. Parametrização Neural: Em vez de prescrever formas funcionais para a fertilidade e mortalidade, os autores parametrizam essas leis constitutivas usando BNNs.
   • Fertilidade: Modelada como uma densidade Gaussiana escalonada por uma Taxa de Fertilidade Total (TFR) latente, com parâmetros (média, variância, TFR) gerados por um Perceptron de Camadas Múltiplas (MLP).
   • Mortalidade: Para países com dados completos (Japão, Coreia do Sul), as probabilidades de sobrevivência são modeladas diretamente via uma BNN. Para cenários com escassez de dados (China), a sobrevivência é modelada como uma perturbação em torno de uma função de risco base padrão para garantir estabilidade numérica.
3. Inferência Bayesiana: O problema é formulado como a inferência da distribuição posterior sobre os pesos da BNN ($W$) e o perfil populacional inicial ($\rho_0$) dados observações esparsas e ruidosas ($Y$). A verossimilhança é construída a partir de dados demográficos heterogêneos (população total, nascimentos, mortes e faixas etárias de censos).
   • Amostragem: Os autores empregam o No-U-Turn Sampler (NUTS), um método de Monte Carlo de Hamiltonian, para amostrar a posterior de alta dimensão.
   • Implementação: O arcabouço utiliza JAX para compilação de alto desempenho e diferenciação automática, com as equações de transporte compiladas em um único loop XLA para acelerar a avaliação de gradientes.
4. Restrições Físicas: Ao embutir as BNNs dentro da PDE de transporte exata, cada amostra da posterior satisfaz automaticamente a conservação de massa demográfica e a advecção de coorte, garantindo perfis de idade fisicamente consistentes mesmo sob observações esparsas.

Principais Contribuições

• Arcabouço Unificado: O trabalho unifica reconstrução histórica, previsão e quantificação de incerteza em um único arcabouço onde dados ausentes são recuperados via inferência Bayesiana em vez de interpolação.
• Conservação de Massa: Diferente das abordagens padrão de aprendizado profundo, este arcabouço impõe a consistência demográfica como uma restrição física rígida, evitando violações da conservação de massa.
• Propagação de Incerteza: O método garante que a incerteza na fertilidade no tempo $t$ se propague rio abaixo ao longo das características da equação de advecção, preservando correlações estruturais entre coortes ao longo do tempo.
• Novas Métricas: Os autores introduzem métricas informacionais para quantificar transições demográficas estruturais:
  • Entropia Demográfica Total ($S_{total}$): Combina a entropia de Shannon com um potencial de "volume de fase" para distinguir entre populações jovens e idosas, identificando contração estrutural.
  • Divergência KL do Equilíbrio de Lotka ($D_{KL}$): Mede a distância da estrutura de idade atual em relação ao atrator estável instantâneo, servindo como uma medida física da força motriz demográfica.

Resultos
O arcabouço foi aplicado a três economias do Leste Asiático — China, Japão e Coreia do Sul — caracterizadas pelo rápido colapso da fertilidade.

• Reconstrução: O modelo reconstruiu com sucesso grades estruturadas por idade históricas para todos os três países, incluindo a China, apesar da ausência de dados anuais estruturados por idade (recorrendo apenas a população total, nascimentos, mortes e faixas de censo decenais). As distribuições reconstruídas coincidiram com observações de censos independentes com alta precisão.
• Inferência Latente: O modelo inferiu trajetórias latentes de fertilidade sem a TFR como entrada de treinamento, capturando com precisão o tempo e a profundidade do colapso da fertilidade da Coreia do Sul e a mudança para sub-reposição da China.
• Projeções (Cenário Status Quo):
  • China: A população em idade ativa (15-64) deve contrair cerca de 25% até 2050. Espera-se que a Razão de Suporte Potencial (PSR) se aproxime de 2,0 até 2049.
  • Coreia do Sul: Exibe a transformação estrutural mais dramática, com uma PSR projetada de 1,34 até 2050 e uma Razão de Dependência de Idosos (EDR) superior a 75%.
  • Japão: Mostra uma estrutura de pilares estável, porém fortemente envelhecida, com uma PSR já abaixo de 2,0.
• Entropia e Dinâmicas de Não-Equilíbrio: A análise revela que a contração da entropia estrutural atua como um indicador antecedente do declínio demográfico, precedendo os picos de população em idade ativa e população total por décadas. A Coreia do Sul exibe uma queda sem precedentes, quase vertical, na entropia a partir dos anos 2000, indicando uma transição rápida para um estado de hiper-envelhecimento de baixa entropia.

Significância e Alegações
O artigo afirma que este arcabouço fornece uma base generalizável para observar e prever dinâmicas de fronteira de não-equilíbrio em vários campos. Ao tratar as equações de transporte como restrições físicas exatas e usar BNNs para inferir leis constitutivas latentes, o método oferece uma maneira matematicamente rigorosa de lidar com dados esparsos e propagar incertezas.

Os autores asseguram que o modelo não apenas prevê contagens populacionais, mas resolve todo o pipeline demográfico, fornecendo intervalos de credibilidade para quantidades específicas por idade críticas para políticas (ex: oferta de mão de obra, sistemas de pensão, planejamento educacional). A introdução de "entropia demográfica" e "divergência de Lotka" oferece uma nova linguagem física para descrever a rigidez estrutural e a natureza de não-equilíbrio das sociedades envelhecidas. Os autores sugerem que esta abordagem é aplicável além da demografia humana a qualquer sistema caracterizado por transporte advectivo, geração de fronteira variável no tempo e sumidouros internos, como fluxos celulares, degradação de polímeros ou transporte de carga viral.