Gaëlle Pincemin, actuaire associée IA, a remporté en juillet 2023 la première édition du prix de Statistique pour l’actuariat lancé par la Société Française de Statistique et l’Institut des actuaires.
Introduction
Nombreuses sont les observations historiques faites entre climat et santé. Pourtant, la corrélation entre ces deux variables est nouée de questionnements et d’interprétations variés. Les températures, quelles qu’elles soient, peuvent avoir raison de la santé d’un individu, le faisant passer d’un état sain, à la maladie, voire l’entraîner vers la mort selon certaines circonstances.
Les vagues de froid et de chaleur sont chaque année responsables d’un excès de mortalité. La canicule de 2003 responsable d’une surmortalité de l’ordre de 15 000 décès reste à ce jour la plus meurtrière en France.
Dans un contexte de réchauffement climatique, les vagues de chaleur sont devenues la première source d’inquiétude en matière de mortalité liée au climat (1). Leur fréquence et leur intensité ont déjà augmenté au cours des 30 dernières années et les scénarios climatiques ne prévoient pas d’amélioration. Les projections climatiques qui suivent les objectifs de l’Accord de Paris espèrent une stabilisation de la situation actuelle. En revanche, les plus pessimistes prévoient une dégradation très nette avec des épisodes caniculaires intenses et durables (2).
Dans ce contexte, cette étude cherche à quantifier les décès engendrés par les canicules à l’horizon 2070 à partir des différents scénarios du Giec.
Les effets des températures sur l’Homme
Habituellement en équilibre homéostatique avec le milieu dans lequel il vit, le corps humain, grâce à des réponses physiologiques et comportementales adaptées, s’accommode aux variations climatiques ambiantes. Une rupture de cet équilibre se manifeste généralement par de légers symptômes, mais peut parfois s’avérer beaucoup plus grave. Les Hommes ne sont pas tous égaux face à la sensibilité climatique. Leur réponse dépendra de l’âge, du sexe, ou encore de l’acclimatation (qui découle du lieu usuel de vie). La réponse physiologique entre homme et femme peut légèrement différer et explique une sensibilité accrue des femmes face aux températures. L’âge entre également en compte, les personnes âgées ont des déficiences de leur appareil homéostatique, ce qui entraîne par exemple une sudation insuffisante empêchant le corps de se refroidir correctement.
Enfin, les effets biologiques engendrés par les températures sont à la fois immédiats et différés. Face à une hausse importante des températures, les taux de décès d’une population vont rapidement augmenter, il s’ensuivra alors un épisode de sous-mortalité (effet moisson typique des canicules). Cet effet découle des personnes fragilisées par un état de santé dégradé ou ayant un âge avancé. Elles se retrouvent emportées prématurément par de hautes températures alors même qu’elles n’auraient pu survivre que sur les quelques jours ou semaines suivantes.
Données
Pour réaliser les travaux d’évaluation et de projection de la mortalité associé aux vagues de chaleur, quatre bases de données indépendantes ont été récoltées : les températures historiques, les décès historiques, les projections de population et les trajectoires climatiques prospectives.
L’historique des températures en France métropolitaine provient de la base GHCN (3), il s’agit d’une extraction des températures journalières moyennes, minimales et maximales pour quatrorze stations météorologiques françaises sur la période 1950-2019. Ces relevés sont ensuite moyennés à l’échelle de la France. Les données de mortalité ont été fournies par le réseau Quetelet-Prodego Diffusion et produites par l’Insee. Il s’agit d’une agrégation de l’état civil de 1975 à 2019 à un pas journalier avec différentes informations clefs (sexe, âge de décès, CSP, région de décès, etc.).
Les projections de populations ont été récoltées auprès de l’Insee via le projet OMPHALE (4). Ce projet donne accès en open source aux estimations des distributions de population par âge et par sexe jusqu’à l’horizon 2070.
Les trajectoires climatiques proviennent du portail (5). Il permet entre autres d’accéder aux données météorologiques extraites des modèles climatiques élaborés dans les laboratoires français CNRM, IPSL et CERFACS. Ces données donnent accès aux températures journalières entre 2020 et 2100 par scénario et modèle climatique sélectionné. Le choix se porte ici sur deux des quatre scénarios du Giec (RCP 8.5 et RCP 2.6) issu du modèle CNRM-CM5.
Méthode
Le lien entre mortalité et température moyenne journalière est reproduit à l’aide un modèle additif généralisé à contraintes et retard dit CSDL (Constrained Segmented Distributed Lag Model) (6). On considère E[Dt] le nombre de décès attendu pour le jour t =1,2,…T tel que Dt~Pois(λt) avec λt=Et×μt où Et est l’exposition au risque et μt la fonction de hasard.
zt est la température moyenne du jour t, et 𝑥tΤ un vecteur de variables explicatives supplémentaires telles que l’année, le jour de la semaine ou le mois :
L1 et L2 correspondent aux nombres de jours d’observation des effets températures, ils sont fixés à 45 jours. ψ1 et ψ2 sont les seuils à partir desquels on considère que la température froide (respectivement chaude) à un effet notable sur la mortalité. Finalement, la partie (z–ψ1)– = (ψ1–z)1(z<ψ1) et (z–ψ2)+= (z–ψ2)1(z>ψ1) permet de prendre en compte les effets des hautes températures lorsqu’on se trouve au-dessus du seuil de chaleur, et respectivement des faibles températures lorsqu’on se retrouve en dessous du seuil de froid.
Le vecteur, β2=(β20,β21,…β2l2 , … , β2L2) Τ peut alors être interprété comme l’effet retard du log risque relatif pour une hausse de température proportionnelle à l’écart au seuil de chaleur ψ2, il s’agit du risque provenant des jours 1,2, … ,l2, … L2 précédents. Après une exposition sur un instant t à une température zt, les effets seront modélisés jusqu’en t + L.
De façon plus concrète, le vecteur β2 permet de prendre en compte l’effet moisson des canicules. L’effet moisson est le fait d’observer une période de sous-mortalité après qu’un évènement ait provoqué un épisode de surmortalité. Ce vecteur est représenté dans la figure ci-après :
Ce modèle s’avère assez sensible face à la variation de ces paramètres. Une étude de sensibilité et de qualité de prédiction est menée pour fixer le calibrage du modèle. La période d’observation est fixée à 2000-2019 pour à la fois garder une quantité de données suffisante et en même temps se positionner sur une période récente afin de refléter au mieux la mortalité actuelle. L’année 2003 qui présente une canicule extrêmement meurtrière entraîne une dérive de prédiction en réalisant un backtesting sur le modèle, elle est donc supprimée de la période d’observation.
À partir des différents modèles relatifs à chaque sexe s et tranche d’âge 𝑥 et en s’appuyant sur les trajectoires de températures prospectives des scénarios du Giec, des facteurs d’impacts sur la mortalité journalière ws,𝑥,RCP,t sont calculés pour chaque période de canicule du scénario RCP considéré. On a alors :
L’indicatrice de canicule se déclenche d’après la définition donnée par Météo France. Si sur trois jours consécutifs les températures moyennes de jour et de nuit sont supérieures aux seuils du plan d’alerte canicule français, alors le jour t est considéré comme caniculaire et un facteur peut être calculé. Ces facteurs ws,𝑥,RCP,t sont ensuite annualisés, le but étant d’établir des chocs à ajouter aux tables de mortalité prospectives telles que celles de l’Insee 2070. Le terme ews,𝑥,RCP, est applicable à une force de mortalité μs,𝑥, en tant que pénalité résultante des canicules survenues sur l’année du RCP 8.5 ou 2.6 et est proportionnel aux dommages associés sur le groupe de sexe s et d’âge 𝑥.
Deux tables de mortalité prospectives sont ainsi créées, la première intégrant une trajectoire climatique issue du RCP 2.6 et la seconde du 8.5. De ces tables découlent les espérances de vie résiduelles à un âge ainsi que le nombre de décès associé en utilisant les projections de populations Omphale de l’Insee. Avec ces nouvelles tables incluant un facteur climat, des estimations tant en nombre de décès qu’en espérance de vie sont proposées.
Les projections en nombre de décès sont calculées par vague et année. Une vague de chaleur se compte elle en nombre de jours de canicules consécutifs. Et le nombre de décès considérés comme lié aux températures correspond à l’écart entre le nombre de décès résultant de la table de référence (Insee) et du nombre de décès issus des deux tables « choquées » par scénario climatique.
Résultats
Avec cette modélisation, les canicules entraîneraient une surmortalité de l’ordre de 7 000 à 7 800 décès en moyenne chaque année à l’horizon 2070 pour une douzaine de jours de canicules par an (en moyenne sur les deux scénarios). Il y a pourtant de fortes disparités sur la période 2050-2070 entre les scénarios avec des dommages beaucoup plus élevés dans le scénario le plus pessimiste. Au niveau de l’espérance de vie résiduelle à 70 ans, cela représente environ un dixième d’année de perdu en 2020, ce chiffre se réduirait à l’avenir pour le RCP 2.6 et devrait doubler pour le RCP 8.5.
Ces résultats suggèrent des impacts globalement limités pour un territoire comme la France, mais avertissent sur les dommages potentiels qui pourraient survenir sur une trajectoire de fort réchauffement tel que le scénario RCP 8.5. Il est également important de souligner que la période 2050-2070 n’est que le début du point de rupture entre ces deux scénarios comme en témoigne la Figure 3. La trajectoire RCP 8.5 prévoit après 2070 plus de 33 jours de canicules par an, les impacts au-delà de cette date, non modélisés dans ce mémoire, seraient alors très significativement supérieurs aux estimations d’aujourd’hui.
Il faut également nuancer ces résultats. Le lien entre température et mortalité est modélisé avec les observations passées. Historiquement, très peu de canicules ont eu des durées et intensités importantes qui feraient d’elles des canicules similaires à celles prévues dans les trajectoires climatiques. De plus, les estimations réalisées ici ne prennent pas en compte l’acclimatation des populations, celle-ci pourrait réduire les dommages liés à la chaleur. Cette part d’acclimatation est difficilement modélisable, elle comprend d’une part les moyens de protection comportementaux (air conditionné, isolation des habitats…) et d’autre part l’adaptation physiologique humaine.
Conclusion
Usuellement, le risque de mortalité est modélisé avec des modèles de type Lee-Carter, ou des méthodes alternatives de type Machine Learning. Le modèle présenté dans cette rubrique permet de capter des effets spécifiques sur des périodes temporelles courtes, comme des expositions à de fortes températures ou de la pollution atmosphérique. Il a pour particularité de capter les effets différés, comme l’effet moisson. Dans cette étude, il est utilisé uniquement pour modéliser le lien température mortalité, ce lien est ensuite couplé et projeté sur une table de mortalité prospective classique. Les résultats obtenus attestent d’une surmortalité future évidente face à des épisodes caniculaires toujours plus fréquents et plus intenses. Cependant, cet excès de mortalité reste globalement assez modéré.
Au-delà de la mortalité, le changement climatique engendre des dépenses conséquentes en frais de soin et arrêt de travail. Ces coûts pourraient avoir des impacts conséquents et non-attendus pour les mutuelles et assureurs, de nouvelles études en ce sens pourraient alors être menées. Face aux nouvelles preuves en matière de changement climatique, la protection des populations est un enjeu primordial dans les actions publiques visant à réduire les dommages induits par les vagues de chaleur.
Références :
1 – OMS (2014). Quantitative risk assessment of the effects of climate change on selected causes of death, 2030s and 2050s. WHO – World Health Organization Library Cataloguing-in-Publication Data.
2 – GIEC (2021). Groupe de travail I : Climate Change 2021 : the Physical Science Basis. Rapp. tech. Genève, Suisse.
3 – Climate Data Record (CDR) program (2018). Climate Algorithm Theoretical Basis Document (C-ATBD), Global Historical Climatology Network-Monthly (GHCN-M) Mean Temperature – Version 4. Rapp. tech. Global Historical Climatology Network.
4 – Insee (2016). Le scénario central de projections de population 2013-2070 pour la France. url : https://www.insee.fr/fr/statistiques/2496716?sommaire=2496793.
5 – DRIAS (2020). Projet DRIAS. Données corrigées DRIAS-2020. url : http://www.drias-climat.fr/.
6 – Muggeo, VMR (2010). Analyzing Temperature Effects on Mortality Within the R Environment : The Constrained Segmented Distributed Lag Parameterization. Journal of Statistical Software.