On period, cohort and population life expectancy

该文章提出了一种新的“人口预期寿命”（PoLE）指标，通过结合年龄 - 时期交互作用的逻辑线性泊松模型对非灭绝队列进行死亡率预测，发现 PoLE 能更准确地反映真实人口寿命，其数值显著高于传统的时期预期寿命（PLE），并揭示了瑞士和挪威在过去 150 年间人类寿命的实际增长幅度。

要点

这篇文章提出了一种看待“人类寿命”的全新视角，旨在纠正我们长期以来对“平均寿命”的误解。为了让你轻松理解，我们可以把这篇文章的核心内容想象成**“预测一场马拉松比赛的最终成绩”**。

1. 传统的误区：只看“当天的天气” (时期寿命 PLE)

长期以来，我们最常用的指标叫**“时期寿命” (Period Life Expectancy, PLE)**。

• 它的逻辑是： 假设你出生在 2024 年，并且这辈子每一年的死亡率都完全和 2024 年一样。
• 比喻： 这就像是在看一场马拉松，裁判只根据今天的天气（比如今天下暴雨，大家都跑得很慢）来预测所有选手的最终成绩。
• 问题： 现实是，未来的天气通常会变好（医疗进步、生活变好，死亡率下降）。如果只按“今天”的坏天气去预测，你会觉得大家跑得很慢，寿命很短。
• 结果： 传统的 PLE 往往低估了真实人类的寿命。它告诉我们要活到 80 岁，但实际上，因为未来医疗会更好，我们可能能活到 90 岁。

2. 过去的尝试：只算“过去的脚印” (平均队列寿命 ACLE)

为了解决这个问题，以前的学者尝试过计算**“平均队列寿命” (ACLE)**。

• 它的逻辑是： 看看现在活着的所有人（不管他们多大年纪），算算他们过去已经活了多少年，再简单预测一下未来。
• 比喻： 这就像是在计算一群正在跑步的人，只统计他们已经跑过的距离，然后假设他们未来跑得和过去一样快。
• 问题： 这种方法还是不够准。因为它忽略了那些已经跑了一半的人（比如 60 岁的人），他们其实已经避开了小时候容易夭折的风险，未来的路其实比刚出生的人更顺畅。以前的算法把大家混在一起算，还是有点“低估”。

3. 本文的新发明：真正的“全员终点线” (人口寿命 PoLE)

这篇文章的作者提出了一个新的指标，叫**“人口寿命” (Population Life Expectancy, PoLE)**。

• 它的逻辑是： 把现在活着的所有人（从刚出生的婴儿到 90 岁的老人）都算进去。对于每个人，不仅看他们已经活了多少岁，还要根据未来的趋势，精准预测他们还能再活多少年，最后算出这群人最终的平均死亡年龄。
• 比喻： 这就像是在看一场马拉松，裁判不仅看今天的天气，还预测未来几十年的天气会越来越好。
  • 对于刚出生的婴儿：预测他们未来能享受最好的医疗，跑得很远。
  • 对于 60 岁的老人：他们已经跑过了最艰难的起步阶段（避开了婴儿夭折风险），而且未来几十年医疗还在进步，所以他们也能跑得很远。
  • PoLE 就是把这些人的“最终终点”加在一起取平均值。

4. 惊人的发现：我们比想象中更长寿

作者用瑞士和挪威的数据（从 1876 年到 2024 年）进行了计算，发现了一个巨大的差异：

• 传统说法 (PLE)： 150 年前，平均寿命只有 40 多岁；现在到了 80 多岁。看起来寿命翻倍了（增长了 100%）。
• 新说法 (PoLE)： 150 年前，虽然婴儿夭折率高拉低了平均数，但那些活下来的人其实平均能活到 60 多岁；现在大家能活到 90 岁左右。实际上，寿命只增长了**50%**左右。

为什么会有这种错觉？

• 比喻： 100 年前，很多孩子小时候就“退赛”了（夭折），这极大地拉低了平均分。但那些活到成年的“老手”，其实已经能跑很远。
• PoLE 的真相： 它告诉我们，对于当时真正活着的人来说，他们的寿命并没有像传统数据看起来那么悲惨。现在的进步，更多是消灭了“起跑线上的淘汰”，而不是让每个人突然多活了 20 年。

5. 一个有趣的“交叉点”

文章还发现了一个有趣的现象：

• 1950 年之前： 活着的人（比如 30 岁的人）比刚出生的人（婴儿）预期寿命更长。因为那时候婴儿夭折率太高，刚出生的人风险极大。
• 1950 年之后： 情况反转了。刚出生的婴儿比活着的人预期寿命更长。
• 意义： 这标志着人类社会的巨大进步——我们终于把“起跑线上的风险”降到了最低，现在的新生儿比任何年龄段的人都更有希望活得更久。

总结

这篇文章就像给“寿命统计”戴上了一副3D 眼镜：

• 以前的眼镜（PLE）是平面的，只看到当下的困难，让人觉得未来很悲观。
• 以前的尝试（ACLE）稍微立体了一点，但还是不够清晰。
• 现在的新眼镜（PoLE）让我们看到了真实的未来：它告诉我们，虽然婴儿死亡率曾经拉低了数据，但人类真实的生命力一直比我们想象的更顽强。

一句话总结： 我们不需要因为看到“平均寿命只有 40 岁”的历史数据而恐慌，因为那是被婴儿夭折“平均”出来的；对于当时活下来的人来说，他们其实已经活到了 60 多岁。而今天，我们比历史上任何时候都更有希望活到 90 岁。

技术摘要

这是一份关于论文《On period, cohort and population life expectancy》（关于时期、队列和人口预期寿命）的详细技术总结。

1. 研究背景与问题 (Problem)

• 现有指标的局限性：
  • 时期预期寿命 (Period Life Expectancy, PLE)： 虽然对短期危机（如流感、疫情）和长期趋势敏感，但它基于一个“假设队列”（hypothetical cohort），即假设一个人一生都生活在当年的死亡率条件下。在死亡率持续下降的背景下，PLE 会低估实际人口的平均寿命。
  • 队列预期寿命 (Cohort Life Expectancy, CLE)： 仅针对已消亡或几乎消亡的队列计算，无法反映当前活着的人群（非消亡队列）的未来寿命。
  • 平均队列预期寿命 (Average Cohort Life Expectancy, ACLE)： 试图通过加权平均当前活跃队列的出生预期寿命来弥补上述缺陷，但该方法仍低估了实际人口的寿命。其主要缺陷在于：它基于队列的“出生预期寿命”（包含已过去的生命历程），且假设所有年龄的死亡率以固定比例（如 0.5%）下降，未能充分考虑不同年龄段的死亡率变化差异。
• 核心问题： 如何定义并计算一个真实人口（即某一年活着的所有不同出生队列的混合体）的平均死亡年龄，以更准确地反映人类寿命的真实水平？

2. 方法论 (Methodology)

作者提出了一种新的指标——人口预期寿命 (Population Life Expectancy, PoLE)，并采用以下步骤进行计算：

• 定义： PoLE 定义为某一年 $t$ 中所有“活跃队列”（active cohorts，即该年活着的人所属的出生队列）的平均死亡年龄。
• 计算逻辑：
  1. 不再像 ACLE 那样基于队列的“出生预期寿命”，而是基于该年各年龄 $x$ 个体的剩余预期寿命。
  2. 利用该年 $t$ 的人口年龄结构（各年龄 $x$ 的人口数量 $N_{x,t}$）作为权重。
  3. 公式核心：$PoLE_t = \frac{\sum_{x=0}^{110} N_{x,t} \times (x + e_{x, t-x})}{\sum_{x=0}^{110} N_{x,t}}$。其中 $e_{x, t-x}$ 是出生于 $t-x$ 年、在 $t$ 年时年龄为 $x$ 的队列的剩余预期寿命。
• 死亡率预测模型：
  • 由于许多活跃队列尚未消亡，需要预测其未来的死亡率。
  • 模型选择： 采用对数线性泊松回归模型 (Log-linear Poisson model)，包含年龄 - 时期交互项 (Age-Period Interaction)。
    • 公式：$\ln(\mu_{x,y}) = \alpha_x + \beta_x \cdot y$。
    • 其中 $\alpha_x$ 是年龄效应，$\beta_x$ 是特定年龄的时期效应（允许不同年龄段随时间的死亡率下降速度不同）。
    • 使用自然样条 (Natural Splines) 对效应进行建模。
  • 对比模型： 为了验证，作者还对比了假设所有年龄死亡率以固定比例（如 0.5% 或基于数据估计的 1.5%-2.3%）下降的简单模型（无交互项）。结果显示，包含交互项的模型能更真实地反映长期趋势，避免性别差距在远期出现不合理的交叉。
• 数据来源： 使用人类死亡率数据库 (HMD) 中瑞士 (1876-2024) 和挪威 (1846-2024) 的数据。模型拟合期选为 1990-2019 年，以排除新冠疫情等异常值的影响，并外推至 2080 年。

3. 主要贡献 (Key Contributions)

1. 提出新指标 PoLE： 首次明确定义并计算了基于“真实人口”平均死亡年龄的指标，填补了 PLE（假设队列）和 CLE（仅针对消亡队列）之间的空白。
2. 改进预测方法： 摒弃了 ACLE 中僵化的固定比例死亡率下降假设，采用更灵活的年龄 - 时期交互模型，能够捕捉不同年龄段死亡率变化的异质性，从而提供更准确的未来寿命预测。
3. 揭示历史真相： 通过 PoLE 重新评估了过去 150 年的寿命增长，指出传统 PLE 指标严重夸大了寿命增长的幅度（从约 40 岁到 80 岁，看似翻倍），而实际人口寿命增长更为稳健（从约 60 岁到 90 岁，增长约 50%）。

4. 研究结果 (Results)

• PoLE 与 PLE 的对比：
  • PoLE 始终显著高于 PLE。
  • 瑞士男性 (2024 年)： PLE 为 82.4 岁，而 PoLE 为 89.7 岁（高出 7.3 岁）。
  • 瑞士女性 (2024 年)： PLE 为 85.9 岁，而 PoLE 为 91.3 岁（高出 5.4 岁）。
  • 历史差异： 在 1900 年，由于婴儿死亡率极高，PLE 极低（约 46 岁），但 PoLE 仍高达 66.7 岁（因为当时活着的人大多已度过婴儿期）。PoLE 与 PLE 的差距在 1900 年约为 20 年，随着婴儿死亡率下降，这一差距逐渐缩小，但在 2024 年仍保持在 5-8 年。
• PoLE 与 CLE 的交叉现象：
  • 在 20 世纪中叶（约 1950 年）之前，PoLE 高于 CLE。这意味着当时活着的人（已度过高风险的婴儿期）比刚出生的婴儿拥有更高的预期寿命。
  • 1950 年之后，CLE 反超 PoLE。这表明随着医疗进步和长期死亡率下降，新生儿的预期寿命开始超过当前活着的人的预期寿命。作者将此交叉点视为“人类进步”的有形标志。
• 模型表现：
  • 包含年龄 - 时期交互项的模型拟合度良好，预测显示未来 PLE 增长将放缓，且性别差距将进一步缩小但不会交叉。
  • 相比之下，假设固定比例下降的简单模型会导致男性预期寿命增长过快，甚至预测在 2060 年左右男女寿命交叉，这被认为是不现实的。

5. 意义与结论 (Significance)

• 更准确的现实评估： PoLE 提供了一个更真实的视角来衡量一个实际存在的人口的长寿水平，避免了 PLE 因基于假设队列而产生的系统性低估。
• 重新解读历史增长： 研究指出，过去 150 年瑞士和挪威人口的实际寿命增长约为 50%（从 ~60 岁到 ~90 岁），而非 PLE 暗示的 100%（从 ~40 岁到 ~80 岁）。这有助于更理性地评估公共卫生成就。
• 政策与认知价值：
  • PLE 仍适用于监测突发公共卫生事件（如大流行病）的即时影响。
  • PoLE 则更适合用于评估长期的人口健康趋势和代际进步。
  • 该研究揭示了婴儿死亡率对 PLE 的巨大影响，以及其对已存活人群寿命评估的误导性。
• 未来方向： 建议将此方法扩展至更多具有不同人口结构和发展阶段的国家，并进一步研究 PoLE 与 CLE 交叉点与人口转型阶段之间的关系。

总结： 该论文通过引入 PoLE 指标和先进的统计预测模型，修正了传统寿命指标在评估真实人口寿命时的偏差，揭示了在死亡率下降背景下，实际人口寿命增长的真实图景，为人口学和公共卫生政策提供了更精准的评估工具。