Modélisation par apprentissage statistique du lien température-mortalité en Open Data et application prédictive (Prix des Sciences du risque 2024, Fondation Optimind part of Accenture)

En France, depuis une cinquantaine d’années, les épisodes de chaleurs extrêmes s’avèrent de plus en plus nombreux et intenses. Selon Météo-France, cette tendance est amenée à se poursuivre dans les prochaines décennies. Il convient donc de s’interroger sur l’impact du dérèglement climatique sur la mortalité. Les températures journalières constituent une variable particulièrement intéressante pour mener une telle étude. En effet, une riche littérature a confirmé l’existence d’une variété de relations possibles entre température et mortalité, différenciées par âge, sexe, période et zone géographique.
Ce mémoire vise à proposer une analyse prospective de la mortalité en fonction des scénarios climatiques, en utilisant des données en accès libre. L'étude, menée à l'échelle départementale et quotidienne, a conduit à comparer différentes extensions des modèles linéaires généralisés (GLM) par une méthodologie d'apprentissage statistique. Les modèles DLNM (Distributed Lag Non-Linear Models) ont été identifiés comme capables de reproduire fidèlement les faits stylisés, et notamment l’impact des températures extrêmes sur la mortalité.
L’étude prospective menée à horizon 2070 a mis en avant une incertitude croissante concernant l'évolution des taux de mortalité, en raison des effets des vagues de chaleur. Ces dernières pourraient entraîner une surmortalité significative chez les personnes âgées, les individus de sexe féminin, et dans les territoires fortement urbanisés. Face à ces risques, une méthodologie a été proposée afin de quantifier l’apport de mesures d’adaptation.
Cette étude possède des applications en tarification vie et santé. De plus, elle peut être appliquée dans le cadre de l’intégration du changement climatique dans le processus ORSA.