Actuarial risk assessment: modeling COVID-19 mortality in Europe

Abstract

This thesis models weekly COVID-19 mortality across 20 European countries using a spline-based Negative Binomial Generalized Linear Model (NB-GLM). The model incorporates B-splines for time, country fixed effects and key epidemiological, demographic and healthcare predictors, explaining 78% of the variation in mortality. New cases, ICU occupancy and lagged deaths emerged as strong predictors, reflecting both infection trends and healthcare strain. Demographic factors, particularly the proportion of elderly population and diabetes prevalence, were linked to higher baseline mortality. Vaccination effects were wave-dependent, with a protective impact in wave 2 but more complex dynamics in wave 3 due to timing and interactions with other factors. Country-specific effects showed substantial geographic disparities, with Bulgaria and Romania exhibiting higher mortality than countries like Italy and Portugal. Model diagnostics revealed mild residual autocorrelation and slight underestimation in extreme mortality weeks. For actuarial applications, the results support dynamic mortality loadings, wave and country-specific adjustments and the use of epidemiological indicators as early-warning signals for pricing and reserving. The framework provides a flexible, interpretable approach to pandemic mortality modeling, offering insights for both COVID-19 risk management and broader actuarial applications to public health crises.Η παρούσα διπλωματική εργασία μοντελοποιεί τη εβδομαδιαία θνησιμότητα λόγω COVID-19 σε 20 ευρωπαϊκές χώρες, χρησιμοποιώντας ένα Μοντέλο Γενικευμένων Γραμμικών Αρνητικής Διωνυμικής Κατανομής με splines (spline-based Negative Binomial Generalized Linear Model – NB-GLM). Το μοντέλο ενσωματώνει B-splines για τον χρόνο, country fixed effects, καθώς και βασικούς επιδημιολογικούς, δημογραφικούς και υγειονομικούς παράγοντες, εξηγώντας το 78% της μεταβλητότητας στη θνησιμότητα. Οι νέες λοιμώξεις, η πληρότητα των ΜΕΘ και οι θάνατοι με χρονική υστέρηση (1 εβδομάδα πριν) αναδείχθηκαν ως ισχυροί προγνωστικοί παράγοντες, αντικατοπτρίζοντας τόσο την πορεία της λοίμωξης όσο και την πίεση στο σύστημα υγείας. Δημογραφικοί παράγοντες, όπως το ποσοστό του ηλικιωμένου πληθυσμού και η επίπτωση του διαβήτη, συνδέθηκαν με υψηλότερο κίνδυνο θνησιμότητας. Οι επιδράσεις του εμβολιασμού διέφεραν ανά κύμα της πανδημίας, παρουσιάζοντας προστατευτική δράση στο 2ο κύμα αλλά πιο περίπλοκη δυναμική στο 3ο, λόγω του χρόνου και αλληλεπιδράσεων με άλλους παράγοντες. Τα σταθερά αποτελέσματα ανά χώρα ανέδειξαν σημαντικές γεωγραφικές ανισότητες, με τη Βουλγαρία και τη Ρουμανία να εμφανίζουν υψηλότερη θνησιμότητα σε σχέση με χώρες όπως η Ιταλία και η Πορτογαλία. Ο διαγνωστικός έλεγχος έδειξε ήπια αυτοσυσχέτιση και μικρή υποεκτίμηση σε εβδομάδες με ακραία θνησιμότητα. Για ασφαλιστικές και αναλογιστικές εφαρμογές, τα αποτελέσματα υποστηρίζουν τη χρήση δυναμικών συντελεστών θνησιμότητας, προσαρμογών ανά κύμα και χώρα, καθώς και την αξιοποίηση επιδημιολογικών δεικτών ως έγκαιρων σημάτων για την τιμολόγηση και τη δημιουργία αποθεματικών. Το πλαίσιο που αναπτύχθηκε παρέχει μια ευέλικτη και ερμηνεύσιμη προσέγγιση στη μοντελοποίηση της θνησιμότητας από πανδημίες, προσφέροντας χρήσιμες γνώσεις τόσο για τη διαχείριση του κινδύνου COVID-19 όσο και για ευρύτερες αναλογιστικές εφαρμογές σε κρίσεις δημόσιας υγείας.