基于机器学习的人口寿命驱动因素分析与前瞻性情景预测

《Population Health Metrics》：What drives and forecasts population longevity beyond income? Evidence from a cross-country panel

　　```

摘要

人口寿命是可持续发展的核心指标之一。尽管国民收入与预期寿命密切相关，但近年来的发展举措越来越强调卫生系统能力、公共卫生干预、环境质量以及人口结构变化等因素。这些因素在收入特定的条件下对寿命的影响程度，以及灵活的预测模型生成前瞻性寿命情景的潜力，目前仍存在不确定性。本研究利用2003至2022年期间28个国家的数据，通过多种机器学习（ML）技术，考察了出生时预期寿命与六个驱动因素之间的关系。研究结果揭示了非线性关联，其中包括收入与寿命之间的凹函数关系，这种关系无需事先假设具体的函数形式即可得出。随后，选用最优的机器学习模型在不同情景下（包括基线情景、卫生支出加速情景以及综合卫生系统和预防措施情景）对2023至2032年的预期寿命进行预测。样本国家的平均预期寿命在基线情景下从2022年的78.10年增加到2032年的78.21年；在卫生支出加速情景下增加到78.34年；在综合卫生系统和预防措施情景下增加到78.98年。其中，增长幅度较大的国家主要集中在尚未解决关键卫生服务覆盖差距的地区。这些预测结果属于前瞻性情景而非因果反事实分析，但它们展示了机器学习模型如何支持人口健康规划、为决策者提供可解释的不同寿命轨迹估计，并为将分析范围扩展到更多国家提供了依据。