Modelo basado en dinámica de sistemas para la evaluación de los impactos sociales del cambio climático

MODELO BASADO EN DINÁMICA DE SISTEMAS PARA LA EVALUACIÓN DE LOS IMPACTOS SOCIALES DEL CAMBIO CLIMÁTICO Grado en Ingeniería en Organización Industrial Autora: Herreros García, Ana UNIVERSIDAD DE VALLADOLID ESCUELA DE INGENIERÍAS INDUSTRIALES Tutores: Miguel González, Luis Javier Parrado Hernando, Gonzalo Departamento de Ingeniería de Sistemas y Automática Valladolid, julio de 2020 UNIVERSIDAD DE VALLADOLID ESCUELA DE INGENIERIAS INDUSTRIALES Grado en Ingeniería en Organización Industrial Modelo basado en dinámica de sistemas para la evaluación de los impactos sociales del cambio climático Autora: Herreros García, Ana Tutores: Miguel González, Luis Javier Parrado Hernando, Gonzalo Departamento de Ingeniería de Sistemas y Automática Valladolid, julio de 2020 III RESUMEN El presente Trabajo de Fin de Grado tiene como objetivo desarrollar un modelo demográfico mundial de dinámica de sistemas, desagregado por cohortes de edad y por sexo, que sirva como herramienta para evaluar políticas e impactos medioambientales y sociales. Para ello, utiliza los IAMs colaborando con el proyecto mundial de MEDEAS perteneciente al programa europeo Horizonte 2020. Además, realiza un análisis teórico de algunos efectos que tienen la contaminación atmosférica, el calentamiento global y la escasez de recursos sobre la sociedad con objeto de mostrar los posibles impactos que se podrían evaluar en el modelo. A modo de ejemplo, el trabajo estudia una de las mayores enfermedades a las que se ha sometido la población a lo largo del siglo XXI, la COVID-19. Palabras clave: dinámica de sistemas, modelo poblacional, MEDEAS, cambio climático, IAM. V ABSTRACT This End-of-Degree Project aims to develop a global demographic model of System Dynamics, disaggregated by age cohorts and sex, to serve as a tool for evaluating environmental and social policies and impacts. To this purpose, the model uses the IAMs collaborating in the world project of MEDEAS belonging to the European program Horizon 2020. It also performs a theoretical evaluation of some effects that air pollution, global warming and resource scarcity have on society in order to show possible impacts that could be evaluated in the model. By way of example, the work evaluates one of the greatest illnesses the population has been subjected to throughout the 21st century, the COVID-19. Keywords: dynamic systems, model of population, MEDEAS, climate change, IAM. VII ÍNDICE RESUMEN................................................................................................... III ABSTRACT ................................................................................................... V 1. INTRODUCCIÓN .................................................................................... 1 1.1. CONTEXTO Y MOTIVACIÓN ........................................................ 3 2. OBJETIVOS ............................................................................................ 5 3. METODOLOGÍA ..................................................................................... 7 3.1. DINÁMICA DE SISTEMAS .......................................................... 7 3.2. IAMs (‘Integrated Assessment Models’) .................................. 9 3.3. MEDEAS ................................................................................... 11 3.4. ESCENARIOS ........................................................................... 14 4. IMPACTO GLOBAL DEL CAMBIO CLIMÁTICO SOBRE LA SOCIEDAD 21 4.1. IMPACTO ECONÓMICO: Crisis Energético-económica. ......... 21 4.2. SALUD Y MEDIOAMBIENTE ..................................................... 22 4.3. PANDEMIAS ............................................................................. 27 5. MODELO POBLACIONAL..................................................................... 29 5.1. CARACTERÍSTICAS GENERALES DEL MODELO POBLACIONAL ................................................................................................. 30 5.2. SALIDAS DEL MODELO ........................................................... 37 5.3. CASO DE ESTUDIO: PANDEMIA COVID-19 ............................. 42 6. CONCLUSIONES ................................................................................. 53 7. LÍNEAS FUTURAS................................................................................ 55 8. BIBLIOGRAFÍA ..................................................................................... 57 ANEXO I: RELATOS DE LOS ESCENARIOS SSPS ........................................ I ANEXO II: ESQUEMA GENERAL DEL MODELO POBLACIONAL .................. V 2 o los ancianos. Así, cada año, son miles las muertes causadas por las olas de calor siendo un efecto que va en aumento. Por otro lado, la sobreexplotación de recursos y la escasez de los mismos, incentiva la competencia pudiendo llegar a provocar grandes crisis económicas; constituyendo una fuente de riesgo que puede llegar a ocasionar, incluso, guerras (Klare, 2003). La sociedad y la hambruna están estrechamente relacionadas con la cantidad de petróleo disponible, por lo que un consumo abusivo del mismo influye en un aumento de la pobreza y la hambruna mundial, afectando nuevamente sobre la salud (Castro, 2017). Otra de las cuestiones tratadas más adelante en este trabajo es la escasez de agua, dado que es un recurso imprescindible para la vida. Cada vez la cantidad disponible es menor y la calidad de la misma se ve afectada por muchos de los eventos extremos que ocurren la pluviometría incontrolable que produce inundaciones y efectos devastadores en diversas zonas. El planeta Tierra se comporta como un sistema formado por una serie de subsistemas que se complementan entre sí tales como son las distintas poblaciones, los bosques, glaciares, granjas, industrias, los mercados de capital, los ecosistemas, la biosfera etc. (Frumkin & McMichael, 2008). Todo ello forma parte de un mismo sistema que precisa de equilibrio entre los subsistemas que lo componen porque la variación de uno repercutiría en el resto, provocaría un efecto, en mayor o menor medida, en los demás, una reacción en el ecosistema general. Este sistema está formado por una cantidad limitada de recursos y de energía, por lo que es de vital importancia entender el entorno como un conjunto sistémico con múltiples realimentaciones y donde los recursos se acaban, son finitos. Cualquier pequeño cambio en el funcionamiento de un subsistema, que puede incluso parecer a priori inocente, sin consecuencias perceptibles a la capacidad cognitiva humana, puede sin embargo provocar importantes repercusiones debido a la no linealidad de los sistemas naturales. Por su parte, los IAMs (Modelos de Evaluación Integrada, siglas en inglés de ‘Integrated Assessment Models’) buscan identificar las principales características que rigen una sociedad, economía o cualquier tipo de entorno complejo para poder generar un modelo sobre el que evaluar las diferentes políticas que se deban plantear en un momento determinado. Por lo tanto, hay que recalcar la importancia de plasmar todos los efectos que pueden tener la economía, el uso de la tierra o el cambio climático sobre la sociedad. Con este motivo, el presente trabajo busca elaborar un modelo poblacional, basándose en datos históricos recogidos desde 1995. Así como proyectar un amplio abanico de escenarios en los que se puede encontrar la sociedad de cara al año 2100. 3 Una vez diseñado dicho modelo, se utiliza para su demostración un caso de estudio. La sociedad experimenta cada vez mayor número de nuevas enfermedades infecciosas de carácter vírico o bacteriológico que han causado un gran número de fallecimientos, una realidad vinculada al cambio climático y a la destrucción de los ecosistemas. Estas patologías han causado un gran número de muertes en tan solo dos décadas de siglo, entre ellas, se encuentra la COVID-19 que, por el momento, se ha llevado más de 450.000 vidas en menos de seis meses (General Secretary for Health & Centre., 2020). Por ello, se ha escogido la actual pandemia de coronavirus que es, hasta la fecha, uno de los mayores conflictos al que se ha tenido que someter la sociedad del siglo XXI. De esta forma, se hace una evaluación temporal de los efectos que tiene el SARS-CoV-2 sobre la población en un periodo de cinco años en el que se proyectan rebrotes modificando sus tasas de mortalidad y de incidencia. Este trabajo analiza en primer lugar los distintos conceptos de dinámica de sistemas e IAMs e introduce el proyecto MEDEAS; así como los diferentes escenarios utilizados para elaborar el modelo poblacional. A continuación, hace un repaso de los impactos más relevantes que las alteraciones en los ecosistemas están produciendo en la sociedad, para finalizar con el análisis de un caso concreto de estudio y establecer unas conclusiones y reflexiones sobre los resultados del estudio y la viabilidad y utilidad de los modelos de estudio basados en la dinámica de sistemas. CONTEXTO Y MOTIVACIÓN 1.1. Este Trabajo de Fin de Grado surge a raíz de MEDEAS, un proyecto financiado por el programa Horizonte 2020 de la Unión Europea que establece una serie de modelos dinámicos que proporcionan una herramienta de libre acceso e integran distintas disciplinas sociales, económicas y medioambientales con el objetivo de evaluar políticas y servir de ayuda para lograr un desarrollo sostenible. Sobre la base de los IAM desarrollados por MEDEAS nace el proyecto LOCOMOTION (Sociedad con bajas emisiones de carbono: un instrumento mejorado de modelización para la transición a la sostenibilidad, traducción del inglés ‘Low-carbon society: an enhanced modelling tool for the transition to sustainability’) financiado también por ya citado Horizonte 2020 cuyo objeto es diseñar un nuevo conjunto de IAMs que proporcionen a los encargados de elaborar políticas, a los ciudadanos interesados y a los expertos implicados en la materia, un sistema de modelización fiable, eficaz y de código abierto para evaluar la viabilidad, la eficacia, los costos y los efectos de las diferentes opciones de política de sostenibilidad uniéndose al 4 objetivo último de MEDEAS de una transformación socioeconómica hacia una sociedad con bajas emisiones de carbono. Por lo tanto, el motivo que impulsó este Trabajo de Fin de Grado es cubrir una de las necesidades del proyecto MEDEAS al generar una nueva variable endógena, que aumente el nivel de detalle al crear un modelo poblacional que desagrega a los individuos por cohortes de edad y por sexo. Además, este modelo influye en varios de los objetivos de LOCOMOTION; ya que mejora el estado de la técnica de los IAM, al aumentar el nivel de detalle y la precisión, elaborando un marco de modelización que represente mejor la incertidumbre (Objectives | LOCOMOTION, n.d.). 5 2. OBJETIVOS El principal objetivo del presente Trabajo de Fin de Grado es modelar la población utilizando técnicas de dinámica de sistemas y posteriormente programar dicho modelo con el software de dinámica de sistemas Vensim obteniendo una herramienta que permita la evaluación de impactos sobre la mortalidad y la natalidad; ya sea como consecuencia de políticas que afecten al número de nacimientos o provoquen impactos negativos que induzcan a la mortalidad de la población. Además, el modelo busca tener la posibilidad de diferenciar a la población por cohortes de edad y sexo para que la evaluación de los impactos pueda ser lo más realista posible. Otro de los objetivos es mostrar una ejemplificación del uso del modelo representando la pandemia sufrida en el año 2020 causada por la COVID-19 y sus impactos demográficos. Por último, ofrecer un modelo con una variable de salida que represente la evolución de la población y que se pueda utilizar como variable endógena en el conjunto del proyecto de MEDEAS y así, tener mejor aproximación de la realidad ayudando a lograr una transición socioeconómica de bajo carbono. 7 3. METODOLOGÍA Como ya se ha introducido, el objeto principal del presente Trabajo de Fin de Grado es desarrollar un modelo poblacional que sirva de herramienta para poder evaluar diferentes políticas y otros aspectos que puedan incidir en la evolución del mismo. Por este motivo, el modelo se desarrolla mediante el uso de la dinámica de sistemas y se vincula con otros aspectos económicos y medioambientales mediante los IAMs, bajo el nombre del proyecto de MEDEAS. Este apartado busca explicar en qué consiste cada uno de estos aspectos; ya que forman los pilares fundamentales sobre los que se construye el modelo poblacional. Además, en último lugar, se explica el desarrollo de los distintos escenarios utilizados para dicho modelo. DINÁMICA DE SISTEMAS 3.1. La dinámica de sistemas es una técnica de modelado de entornos complejos. Su origen tiene lugar a mediados de 1950 de la mano del profesor Jay Forrester quien, a raíz de su trabajo en General Electric (GE), comenzó a introducir realimentaciones, causalidades circulares y demoras en entornos sociales. Por este motivo, uno de los principales factores que caracterizan la dinámica de sistemas son los bucles o ciclos de realimentación (Eberlein & Peterson, 1992; Izquierdo et al., 2008). La dinámica de sistemas se utiliza en múltiples ámbitos como son la ingeniería, la economía, la gestión de proyectos o medioambiental y la sanidad pública, entre otros. Su fortaleza reside en que ofrece una perspectiva sistémica del entorno, por lo que las variables no se estudian de forma individual sino que se analizan de manera agregada, poniendo especial atención en las relaciones entre las distintas variables (Izquierdo et al., 2008). Otro de los métodos de modelado más conocidos, es la simulación basada en agentes. Su principal característica reside en considerar los entornos complejos como el resultado de los comportamientos individuales y sus interacciones. Este tipo de modelado se utiliza para tratar aspectos sociales en el que cada uno de los agentes individuales tiene un comportamiento en función de sus intereses, por lo que el entorno complejo, será el resultado de la combinación de cada una de las partes y del mismo modo, las fronteras que delimitan el entorno complejo, son las que se abstraen de las individuales (Izquierdo et al., 2008). Además, la simulación basada en agentes combina elementos de teoría de juegos, sociología computacional o lo que es uno de sus puntos más fundamentales, el concepto de emergencia que hace referencia a aquellos fenómenos que no pueden reducirse a una de sus partes, sino que surgen a partir de las 8 relaciones descentralizadas de los componentes más simples (Holland, 1998). A diferencia de la simulación basada en agentes, la dinámica de sistemas se fundamenta en la retroalimentación entre variables observables. Ambas permiten desarrollar conocimiento a través del diseño y el análisis de modelos formales de sistemas complejos; pero en la basada en agentes, los sistemas sociales son producto de comportamientos individuales y de cómo se interrelacionan (Izquierdo et al., 2008). Por lo tanto, el principal propósito de la dinámica de sistemas es comprender los entornos complejos mediante el modelado; así como identificar las diferentes variables que se involucran en ellos y las relaciones entre las mismas, ya sean dinámicas, realimentaciones o retardos, entre otras. Además, permite analizar el comportamiento dinámico para optimizar la toma de decisiones acerca de diferentes medidas, resolviendo problemas y previniendo escenarios futuros (García, 2003). En la dinámica de sistemas se diferencian tres tipos de variables principales. Primero, las de nivel o ‘stock’ que son aquellas variables dinámicas, dependientes del tiempo, que actúan como memoria o almacén de materia energía o información. Por otra parte, están las de flujo que se encargan de producir las variaciones en los ‘stocks’; ya sea acrecentándolos (flujos positivos) o disminuyéndolos (flujos negativos). Por último, el resto de variables se consideran auxiliares y se relacionan entre ellas y con los flujos mediante funciones algebraicas lineales y no lineales, discretas o continuas. Pueden ser constantes, conversores de unidades, parámetros estimados etc. Por lo general, el número de variables auxiliares es muy superior al del resto, especialmente en los modelos grandes (García, 2003). VENSIM Vensim es un entorno software de simulación creado por Ventana Systems, Inc. La historia de Vensim y Ventana, comienza en el año 1985 año en el que se funda la empresa con el objetivo de utilizar técnicas modernas y análisis de datos para resolver problemas de negocios, economía e ingeniería. Tras un periodo de aprendizaje con el creador de algoritmos clave para hacer deducciones sobre sistemas complejos cuando los datos son inexactos, el profesor Fred C. Schweppe del Instituto Tecnológico de Massachusetts, Ventana amplió el trabajo de Forrester y Scweppe al combinar los modelos realistas con la capacidad de evaluar la calidad de la información. Es entonces cuando en 1991 surge el software Vensim que facilita el desarrollo, análisis y optimización de diferentes modelos con el objetivo de mejorar el rendimiento de los sistemas reales (Ventana Systems, Inc., n.d.). 9 Figura 1. Logo Vensim. Fuente: http://vensim.com/ El programa permite construir los diferentes modelos conectando las variables típicas de la dinámica de sistemas (flujo, ‘stock’ y auxiliares) mediante la unión de palabras con flechas, por lo que las relaciones entre ellas se introducen como conexiones causales. Una vez establecidas estas relaciones, el editor puede introducir todo tipo de ecuaciones lineales, no lineales, discretas o continuas que represente el comportamiento de cada variable (ATC-INNOVA, n.d.). Vensim proporciona una herramienta para la creación de diagramas causales, de modelos, de árboles causales o de simulaciones con sus respectivas gráficas, entre otras de sus múltiples aplicaciones. Su motor de simulación permite utilizar bases de datos con gran cantidad de información y compilar los modelos en c para que la velocidad de simulación sea óptima. Otro de los puntos más interesantes es que posibilita la introducción de datos externos para poder utilizarlos en un modelo o compararlos con los resultantes de una simulación y, del mismo modo, el programa también permite exportar datos a las aplicaciones de bases de datos y a las hojas de cálculo (Vensim, n.d.). Por último, cabe destacar que Vensim ofrece un total de 6 configuraciones distintas, de entre las cuales, una es de libre acceso para uso académico o personal. En este trabajo, se utiliza la versión más completa: Vensim DSS. Además, Ventana ofrece otro software de simulación, Ventity, desarrollado para crear modelos basados en agentes. IAMs (‘Integrated Assessment Models’) 3.2. Los ‘Integrated Assessment Models’ (Modelos de Evaluación Integrada), son un tipo de modelos que tratan de identificar las principales características de la sociedad, economía, biosfera y la atmósfera y vincularlas entre sí. El principal objetivo de los IAMs es facilitar una herramienta que permita proyectar futuros alternativos donde se evalúen las diferentes políticas; de forma que se pueda ofrecer a los responsables de las políticas a todos los niveles del gobierno y de la industria, una idea general de los beneficios y de las pérdidas que supone tomar o no determinadas decisiones. La motivación para una evaluación integrada es la necesidad de tomar decisiones políticas sobre cómo prevenir y/o adaptarse al cambio climático, y 10 cómo asignar los fondos para la investigación climática. Por otro lado, el mayor desafío es el de ganar credibilidad y para ello hay lograr un equilibrio entre la especificidad y la exactitud del modelo. Las preguntas que se han de responder desempeñan un papel central en el equilibrio que se establece en el diseño de estos modelos, así como la transparencia para comunicar el contenido, la rapidez de respuesta tras una consulta y la capacidad de difusión del modelo (Dowlatabadi, 1995). Los IAMs son modelos de naturaleza compleja e incierta con múltiples fortalezas y debilidades. Su complejidad abarca todo el proceso: desde el momento de comprender el problema hasta el planteamiento de las posibles respuestas al mismo, presentando innumerables desafíos a los desarrolladores de los modelos. Existen dos tipos básicos de IAM, por un lado están los de proceso detallado (DP) IAM y, por otro, los de costo-beneficio (BC) IAM. Ambos tratan cuestiones sobre políticas de mitigación acerca de las emisiones de los gases de efecto invernadero; así como el coste de distintas formas de mitigarlo como, por ejemplo, la conservación de energía, los cambios en los procesos de producción o de combustible, entre otros. La diferencia entre ambos tipos reside en que los IAM de proceso detallado están más desagregados y tratan de buscar proyecciones del clima y de sus impactos a nivel regional y sectorial de forma detallada. Algunos utilizan la valoración económica y otros emplean proyecciones de impactos físicos tales como la reducción en el crecimiento de los cultivos, tierras inundadas por el aumento del nivel del mar o muertes adicionales por golpes de calor (Weyant, 2017). A modo de ejemplo, se introduce un Modelo de Evaluación Integrada totalmente descriptivo, el E3ME-FTT-GENIE 1 , que está basado en la simulación y creado para evaluar políticas. Su estructura se divide en tres grandes bloques. En primer lugar, una simulación desagregada de la economía mundial basada en regresiones de series temporales (E3ME) que determina la demanda total de productos, servicios y portadores de energía. En segundo lugar, un conjunto de simulaciones de difusión tecnológica basado en modelos de elección discreta (FTT) que determina los cambios necesarios en las cantidades de energía para el transporte, la generación de electricidad y la calefacción de los hogares. Por último, para determinar los impactos climáticos de las políticas elegidas, se introducen las emisiones mundiales generadas por ambos bloques en el modelo del ciclo del carbono (GENIE); lo que permite determinar de manera probabilística si se cumplen los objetivos climáticos, entre otras de sus múltiples aplicaciones (Mercure et al., 2018). 1 E3ME: Energy-Economy-Environment Macro-Econometric model, global mac-roeconometric model. FTT: Future Technology Transformations family of technol-ogy models. GENIE: Grid Enabled Integrated Earth system model, an integratedcarbon-cycle and climate simulation model. 11 El objetivo principal de este IAM es crear un mapa detallado, así como un escenario de política mundial que sirva como herramienta para encontrar la trayectoria que permita alcanzar los objetivos del Acuerdo de París de no superar los 2°C de calentamiento global. Su punto de partida es, al mismo tiempo, su mayor limitación, la incertidumbre del comportamiento humano. Esta premisa expresa que no es posible que los individuos, las empresas u otros agentes conozcan todos los posibles resultados de un proceso de toma de decisiones y que, por lo tanto, existan incógnitas desconocidas. Por consiguiente, la toma de decisiones por parte de agentes que carecen de conocimiento no puede reducirse a un riesgo puro haciendo que, desde el principio, los agentes cometan errores de decisión y, de este modo, que los resultados sean inciertos (Mercure et al., 2018). No obstante, a pesar de que este tipo de modelización presenta una incertidumbre inherente, son el único método disponible para informar cuantitativamente la formulación de políticas y mejorar nuestra comprensión de la realidad (Mercure et al., 2018). El modelo E3ME-FTT-GENIE es tan solo un ejemplo dentro de una gran diversidad de IAMs que proporcionan diferentes aproximaciones para lidiar con las complejas interacciones que existen en los entornos complejos. De entre ellos, el objeto del presente trabajo busca trabajar a partir del marco de modelización MEDEAS (‘Modeling energy system development under environmental and socioeconomic constraints’). MEDEAS 3.3. Es un conjunto de modelos dinámicos, que proporcionan una herramienta de código abierto que permite evaluar distintas políticas con el fin de encontrar el camino óptimo hacia la transición energética durante las próximas décadas. Estos modelos se desarrollan en dinámica de sistemas, posibilitando la integración de distintas áreas desde diferentes perspectivas así como sus realimentaciones. Está diseñado por el Grupo de Energía, Economía y Dinámica de Sistemas (GEEDS) de la Universidad de Valladolid (España). El proyecto MEDEAS está financiado por la Unión Europea en el marco del programa Horizonte 2020 (H2020) creado por la Unión Europea y forma parte del grupo LCE21-2015: Modelado y análisis del sistema energético, su transformación e impactos (aspectos sociales, ambientales y económicos del sistema energético). Su principal objetivo es proporcionar a los encargados de formular políticas u otros interesados, nuevos instrumentos que mejoren la evaluación de impactos y limitaciones de la producción o consumo de la energía de la Unión Europea, así como la transición del sistema a una socioeconomía sostenible de bajo carbono. 18 comparación. Con objeto de facilitar la clasificación, van Vuuren et al. (2012), recogieron las características que definen los diferentes arquetipos de escenarios y los agruparon en lo que denominaron ‘familias de escenarios’. Cada una de ellas engloba escenarios que tienen el mismo tipo de propiedades en común, es decir , los autores identifican una serie de características y en función de la posición tomada por cada escenario, pertenece a una de las seis familias que defienden. Cada uno de los escenarios de MEDEAS se focaliza dentro de una de las familias de escenarios. Antes de explicar la correlación que existe entre ambos, se definen las características que unen un escenario a una determinada familia. Estas características son: - Enfoque global o regional, es decir, si el escenario considera a la población como un conjunto o la separa en regiones que pueden gestionarse de diferentes maneras. En este modelo poblacional, el enfoque de todos los escenarios es global. - Grado de propensión o aversión al riesgo de degradación del medio ambiente. - Posición respecto a los valores históricos, es decir, si se produce una continuidad de lo ocurrido históricamente o una derivación de dichos valores. - Actitud de cooperación o de competición que tome la región o las regiones consideradas. Por lo tanto, van Vuuren et al. (2012) definen un total de seis familias que responden de diferentes maneras a las características explicadas. Por otra parte, volviendo al tema principal de este apartado, MEDEAS define un total de seis escenarios que responden a las características detalladas y, por lo tanto, cada uno pertenece a una familia distinta. Estos escenarios son los siguientes: - BAU (Business As Usual): desarrolla el futuro en base a las tendencias históricas; lo que supone que todo sigue en la misma línea que hasta ahora. Esto no implica que no se produzcan cambios; ya que, a lo largo de la historia, siempre se han tomado medidas de mitigación u adaptación frente a cambios climáticos o situaciones de crisis; pero sí significa que el desarrollo continuará dentro de la misma dinámica producida hasta el momento (van Vuuren et al., 2012). Las tendencias de crecimiento demográfico continúan en base a los datos históricos. - Escenarios 1 y 2: pertenecen a las familias de escenarios de optimismo económico. Toman un enfoque competitivo, en el que los mercados se reforman aumentando su eficiencia y se produce un rápido crecimiento económico. Por otro lado, conseguir este desarrollo 19 económico conlleva una evolución demográfica lenta (van Vuuren et al., 2012). - Escenario 3: estima un alto crecimiento de la población. Corresponde a la familia de escenarios conocida como competencia regional. Considera que el principal objetivo de las regiones es centrarse en la soberanía nacional y en la autosuficiencia, acercándose a la diversidad; pero manteniendo la tensión entre distintas regiones y culturas. Cada región se centra en protegerse, dando primacía al desarrollo de su mercado. El principal aspecto en esta familia de escenario es conocer hasta qué punto se puede dar paso a la supremacía individual sin que se agoten los (van Vuuren et al., 2012). - Escenario 4 ‘Post crecimiento’: pertenece a la familia de escenarios de desarrollo sostenible, en los que la globalización y los mercados internacionales pierden sus valores tradicionales. Los países se centran en solucionar problemas ambientales y sociales combinando cambios drásticos con la descentralización del gobierno (van Vuuren et al., 2012). En definitiva, se presenta un control de la población, por lo que el crecimiento es el mínimo. - User defined: este escenario permite al usuario parametrizar el modelo libremente. En el modelo poblacional, cada uno de estos escenarios se relaciona con los escenarios SSPs, previamente explicados. Como se muestra en la Tabla 2, el escenario 4 no se ajusta a ninguno de los SSPs; ya que considera un crecimiento demográfico muy bajo y ninguno de los SSPs muestra tal tipo de evolución. BAU SCEN1 SCEN2 SCEN3 SCEN4 Population Evolution Medium Low Low High Very Low SSP SSP2 SSP1 SSP1 SSP3 - Tabla 2. Relación entre escenarios SSP y MEDEAS. Para cada uno de los escenarios de MEDEAS, se muestra el crecimiento demográfico esperado de cara al año 2100. El nivel de crecimiento se muestra de forma cualitativa, siendo un crecimiento medio para el escenario BAU; bajo para los escenarios 1 y 2; alto para el escenario 3, y muy bajo para el escenario 4. Fuente: Elaboración propia. 21 4. IMPACTO GLOBAL DEL CAMBIO CLIMÁTICO SOBRE LA SOCIEDAD El objeto de este apartado es recoger el análisis de literatura académica sobre los impactos que origina el cambio climático sobre la sociedad tratando diferentes aspectos desde la problemática económica del agotamiento de recursos, a los problemas sanitarios y el aumento de las mortalidades debido a distintas enfermedades causadas por eventos extremos o por las alteraciones en la atmósfera. IMPACTO ECONÓMICO: Crisis Energético-económica. 4.1. Un buen ejemplo para expresar las consecuencias de las realimentaciones de algunos aspectos, con otros que a priori pueden parecer que no están relacionados, es la crisis energético-económica. En la actualidad, la alimentación y el nivel de hambruna se pueden correlacionar a través del aumento del precio del petróleo. Para entender el funcionamiento de la extracción de petróleo, Castro (2017) hace una analogía con la retirada del agua de una esponja que inicialmente está empapada. Durante los primeros minutos, el líquido cae rápido, sin requerir de un gran esfuerzo. Sin embargo, a medida que se va cayendo, es necesario incrementar el esfuerzo para proporcionar la misma cantidad de agua. Durante muchos años, expertos anunciaron que el fin del petróleo barato llegaría antes del año 2020, esto se debía a que, antes de 2015, la cantidad extraída estimada iba a ser menor (Campbell & Laherrère, 1998). Por lo tanto, si la oferta disminuye y la demanda se mantiene constante, los precios suben. Esto fue lo que ocurrió en el año 2008 cuando el precio del petróleo se incrementó cinco veces por encima de sus valores habituales (Castro, 2017). La primera consecuencia observable en la subida del precio del petróleo es el incremento de los precios del resto de las energías. Esto se debe a que la mayor parte de las máquinas, que se encargan de extraer materias primas energéticas y no energéticas, están hechas de materiales plásticos, derivados del petróleo y alimentadas por combustible. Por esta razón, si sube el precio del petróleo, aumenta el del resto de energías provocando el incremento del precio de fertilizantes; ya que estos necesitan de mucha energía para fabricarse y, por consiguiente, sube el precio de los alimentos (Castro, 2017). Como resultado de las subidas de precio mencionadas, se observa que el sistema agrícola actual es completamente dependiente del valor de los 22 fertilizantes y abonos y, por lo tanto, del petróleo. Estos incrementos hicieron que algunos países promovieran el cultivo de biocombustibles; lo cual crea una competencia directa por el uso de la tierra incrementando, aún más, el precio de los alimentos como ocurrió entre los años 2006-2008 y 2009-2015. Este crecimiento provoca que la hambruna aumentase de 800 a 1000 millones de personas a mediados de 2008 en tan solo año y medio (Castro, 2017). Como consecuencia, las personas con necesidad de alimentos emigran a ciudades y países con mayor prosperidad económica, agrandando el número de parados y dando lugar a una gran crisis económica. Esta situación hace que la demanda disminuya, los precios bajen y, en consecuencia, se vuelvan a disparar los precios del petróleo permitiendo que se repita todo el proceso de nuevo (Castro, 2017). La conclusión que se saca es que, para poder salir de una crisis económica, es imprescindible que el crecimiento económico no dependa del precio del petróleo. Sin embargo, para sustituir este combustible fósil por otras energías como la nuclear, se debería haber empezado a construir en el año 2010 alrededor de 3.000 centrales nucleares, cifra que está muy lejos de ser la real; ya que, a finales del año 2018, tan solo había 454 reactores nucleares operativos en todo el mundo. Además, como el uranio es un recurso finito, solo serviría como solución temporal para alrededor de unos 25 años. Por otra parte, el resto de renovables producen principalmente electricidad que equivale tan solo al 20% de nuestro consumo energético. Respecto a los biocombustibles, para que pudieran sustituir al petróleo, su uso debería alcanzar unas 500 millones de hectáreas lo que es inmoral y seguramente inviable (Castro, 2017). Por lo tanto, según las afirmaciones Castro (2017), la única solución sería reducir de forma voluntaria el consumo de energía per cápita en el mundo; lo que exigiría que los países emergentes dejaran de crecer permitiendo el desarrollo de los más pobres. Esto pues, requiere que la sociedad se guíe por principios de solidaridad e igualdad y, de no ser así, el consumo se reducirá de igual manera dado que si no hay recursos, será un imperativo físico. SALUD Y MEDIOAMBIENTE 4.2. La relación que existe entre la salud y el medioambiente está llena de realimentaciones. Si se observa la naturaleza como un único sistema formado por distintos subsistemas como la sociedad, los mercados de capital, los bosques, las capas de hielo, las granjas etc. no es difícil ver el efecto que un pequeño cambio en un grupo puede provocar en todo el ecosistema (Frumkin & McMichael, 2008). En otras palabras, el cambio climático se está 23 produciendo por pequeñas variaciones de comportamiento en los distintos subsistemas que conviven entre sí, provocando que las temperaturas aumenten, así como la contaminación, lo que tiene un efecto dominó sobre la sociedad, encaminándola hacia el colapso. La Organización Mundial de la Salud (OMS) considera que la salud es ‘un estado de completo bienestar físico, mental y social y no solo ausencia de enfermedad o incapacidad’. Por ello, la salud no se puede considerar solo como una cuestión científica, sino se debe considerar desde un punto de vista social y político. La relación entre el medio ambiente y la salud es indiscutible, el deterioro medioambiental incide de forma directa sobre la salud pública de diversas maneras tanto a corto como a largo plazo. La OMS ya ha anunciado que el cambio climático causó más de 150.000 muertos en el año 2000 y que esta cifra ascenderá a 250.000 fallecimientos en una proyección hacia el año 2040 (OMS, 2018). Con el objetivo de explicar mejor los impactos que tiene no solo el cambio climático, sino la contaminación atmosférica sobre la salud en la sociedad, se distinguen cuatro tipos de afectación sobre la salud. En primer lugar, aquellos que inciden de forma directa sobre la mortalidad, como son las olas de calor; en segundo lugar aquellos efectos que aumentan el número de patologías del ser humano, provocando múltiples enfermedades debido a los cambios del medioambiente. En tercer lugar, la influencia que tiene el cambio climático sobre los eventos extremos y la implicación de estos últimos sobre la salud física y mental. Por último, la influencia que tiene la escasez y la mala calidad del agua sobre la salud. EFECTOS DE LAS OLAS DE CALOR SOBRE LA SOCIEDAD Uno de los principales impactos del calentamiento global sobre la salud es el aumento de la mortalidad asociada al calor (Smith et al., 2014). En el año 2003, en Inglaterra y Gales se registraron alrededor de 2.000 fallecimientos en exceso causados por las olas de calor (Haines et al., 2006). Estos aumentos, inciden con mayor fuerza en los grupos poblacionales más envejecidos y, además, afectan en mayor grado a la población que vive dentro de los núcleos urbanos debido al efecto ‘isla de calor’, es decir, a la concentración de construcciones hechas a base de hormigón y otros materiales que dificultan la refrigeración. Por otra parte, el aumento de las temperaturas conlleva a una realimentación; dado que la sociedad tiende a contrarrestar estos incrementos elevando el uso de aire acondicionado que, a su vez, aumenta la 24 combustión de las centrales eléctricas y, por lo tanto, contribuye a que se siga acrecentando el cambio climático (Frumkin & McMichael, 2008). Si bien es cierto que los grupos poblacionales están adaptados a sus climas locales, el riesgo de mortalidad está aumentando fuera del rango de temperatura óptimo específico de un lugar (OMS, 2018). Una cuestión de vital importancia es el ritmo con el que la población es capaz de aclimatarse a mayores temperaturas a nivel conductual, fisiológico y tecnológico. Mientras que una adaptación orgánica y funcional inicial puede ocurrir en unos pocos días, la aclimatación completa, mientras sea factible, puede llevar varios años (Haines et al., 2006). Por lo tanto, el problema ya no es si la población puede adaptarse a un aumento progresivo del calor, sino si la velocidad a la que puede hacerlo es suficiente para evitar el aumento de fallecimientos debido a dicha causa. ENFERMEDADES Y MORTALIDAD CAUSADAS POR EL DETERIORO MEDIOAMBIENTAL Otro de los principales problemas medioambientales que percibimos durante el siglo XXI es el aumento de la contaminación del aire, cuyos impactos inciden sobre la salud humana y animal. Las principales consecuencias no están relacionadas directamente con la mortalidad sino con la aparición de un gran número de molestias que afectan a gran parte de la población. No obstante, una mala calidad del aire afecta tanto a la morbilidad como a la mortalidad, aunque, al menos por el momento, no sea de forma directa. La OMS recuerda que anualmente 3,8 millones de personas mueren a causa de patologías derivadas de la contaminación del aire, siendo un 27% por neumonía, 18% accidentes cardiovasculares, 27% cardiopatía isquémica, 20% neumonía obstructiva crónica, y 8% cáncer de pulmón (OMS, 2018). Además, la contaminación tiene sus primeros efectos durante el desarrollo del feto porque dificulta la maduración pulmonar, tanto en la vida intrauterina como a largo plazo, durante los primeros años de vida. Asimismo, durante la vida adulta, la contaminación atmosférica acelera el declive de la función pulmonar durante el envejecimiento. Por otra parte, los impactos también afectan a la aparición de otras enfermedades como el asma, diabetes de tipo 2, cáncer de pulmón y otros tumores, enfermedades cardiovasculares etc. (S. T. Holgate, 2017). Los efectos en la salud son muy variables en función de la edad de los individuos; de ahí, la importancia de hacer una diferenciación por cohortes a la hora de modelar. El efecto en los niños es más grave debido a que la defensa del cuerpo y su sistema respiratorio no están en completo desarrollo. Por otra parte, los impactos en edad adulta consisten en una disminución 25 acelerada de la capacidad pulmonar, asma, diabetes tipo 2, ataques al corazón y el comienzo de un cáncer pulmonar, también se ha señalado la relación con otros tipos de procesos oncológicos… Por último, en las personas mayores afectará a la capacidad cognitiva teniendo también más riesgo de sufrir un ataque al corazón, insuficiencias cardiacas o un tumor en el pulmón. Todo ello, además de otras enfermedades neurológicas como son el Alzheimer u otras demencias (EEA, 2019; S. Holgate, 2017). Por otra parte, el aumento de la temperatura y del dióxido de carbono están dañando la vegetación al alterar su ciclo de vida. Esta última responde generando mayor producción de polen y, por lo tanto, mayor número de alérgenos y un alargamiento de la temporada de polinización y con ello, de la de alergias; lo que, una vez más, afecta a la salud humana (Katelaris & Beggs, 2018) EVENTOS EXTREMOS: INUNDACIONES El cambio climático influye en la aparición de múltiples fenómenos meteorológicos como son las inundaciones o los vientos extremos, entre otros. Este apartado se centra en los problemas derivados de las inundaciones al ser uno de los más comunes en la actualidad. En las zonas costeras se asocia mortalidad a inundaciones. Según (Nicholls, 2007) alrededor de 120 millones de personas están expuestas a inundaciones tanto por ciclones tropicales como por tormentas cada año, a lo que se le atribuyen 12.000 muertes anuales. La continua alteración del medioambiente provoca que los desastres naturales se produzcan con mayor frecuencia. Estos afectan de múltiples formas a la sociedad. En primer lugar, los eventos extremos como las inundaciones provocan lesiones físicas además de incidir en la mortalidad y en la morbilidad. Por otro lado, estas crecidas de agua provocan la movilización de productos químicos altamente peligrosos para el medioambiente y el ser humano por lo que se produce de nuevo una realimentación y la propia anegación altera aún más el ecosistema. Además, estos productos químicos así como la inundación tienen un efecto muy negativo sobre la calidad del agua. Según Haines et al. (2006), después de una riada, se produce un aumento en el número de enfermedades diarreicas y respiratorias. En este aspecto, hay que diferenciar que esto afecta independientemente del poder adquisitivo de la región en la que se produce; puesto que, aunque es fácil pensar que en los países más desarrollados dichas enfermedades no suponen un gran agravio debido a la existencia de un buen sistema sanitario, en particular aquellos con una atención sanitaria pública, gratuita, universal y accesible para la ciudadanía, sí que tiene un gran impacto a nivel económico. Además, otro de los efectos 26 más preocupantes son los daños psicológicos que puede causar el trauma ante este tipo de acontecimientos provocados por los daños en el entorno doméstico y las pérdidas económicas que suponen. Estas enfermedades mentales pueden llegar a persistir durante más de un año después de que se haya producido el fenómeno (Haines et al., 2006). Por último, el aumento en los eventos extremos como tormentas eléctricas o ciclones tropicales generan un hábitat que incentiva el desarrollo de algunas de estas plantas con alérgenos como, por ejemplo, el moho que prolifera en lugares húmedos tras producirse el desbordamiento de las aguas (Katelaris & Beggs, 2018). CALIDAD DEL AGUA Otro de los mayores peligros a los que se enfrentará la sociedad a lo largo del siglo XXI son los problemas de escasez de agua potable, los cuales se refieren tanto a la calidad como a la cantidad disponible. Según el PNUD (2006), en el año 2005 había alrededor de mil millones de personas en el mundo con dificultades para acceder al agua y, al ritmo del consumo actual, se estima que este problema afectará al 60% de la población mundial en el año 2050. Por otra parte, en relación con la calidad del agua, existen tres factores hidrológicos que impulsan su contaminación microbiana. El ‘efecto de escorrentía’ se produce cuando las precipitaciones provocan que la contaminación microbiana se infiltre en el medio ambiente. El ‘efecto de dilución’ tiene lugar cuando las grandes corrientes de agua disuelven las concentraciones microbianas. Por último, el ‘efecto de concentración’ ocurre cuando las condiciones de sequía permiten la acumulación de microorganismos en el medio ambiente (Mellor et al., 2016). Una de las enfermedades que más se relaciona con una mala calidad del agua es la diarrea. Factores desencadenados por el cambio climático como las variaciones de temperatura, aumento de las precipitaciones o las inundaciones afectan directamente al estado del agua y, por lo tanto, aumentan el número de individuos que padecen dicha patología. Además, la escasez de agua impulsa a recorrer largas distancias para su recolección; lo que también se relaciona con un mayor riesgo de diarrea, retraso en el crecimiento de los niños y muerte entre los menores de cinco años en África. Las comunidades de todo el mundo en desarrollo, que ya están muy agobiadas por las enfermedades diarreicas debido al escaso acceso al agua, a la falta de saneamiento y de adecuadas instalaciones para la higiene personal, carecen de la capacidad de adaptación necesaria para responder suficientemente a las adversidades adicionales causadas por el cambio 27 climático. Los estudios sugieren que las tasas de diarrea están positivamente correlacionadas con el aumento de la temperatura y muestran una relación compleja con las precipitaciones (Mellor et al., 2016). PANDEMIAS 4.3. No es una novedad que el cambio climático perturba los ecosistemas naturales. El desequilibrio medioambiental favorece la propagación de las infecciones y su transmisión. El agua, los alimentos y los vectores de transmisión son la clave. Si un calentamiento global hace que proliferen determinados vectores como mosquitos o garrapatas, o que aparezcan en hábitats hasta entonces inusuales para ellos, estos factores potencian las infecciones y lo hacen en poblaciones nuevas y, por ello, desprotegidas inmunológicamente. Además, hay una fuerte influencia antropológica en la interacción entre el clima y las enfermedades como constatan las migraciones vinculadas a catástrofes, tales como la malaria, la fiebre tifoidea o las infecciones gástricas agudas, las cuales se disparan cuando un huracán, por ejemplo, ha arrasado a toda una población. La relación pues entre el cambio climático y las epidemias es estrecha y, de ahí, el desarrollo de sistemas de vigilancia epidemiológica que permitan predecir la aparición de brotes como el de la Organización Mundial de la Salud (OMS) en el año 2005, denominado ‘early warning system model’ (EWS); lo que permite implementar medidas de contención y control de forma rápida y efectiva para evitar la propagación (Berberian & Rosanova, 2012). Desde finales del siglo XX, han comenzado a emerger más de 30 nuevas patologías infecciosas causando grandes impactos sobre la salud humana y animal (Jiménez, 2013). Aunque las enfermedades llevan acompañando al ser humano desde sus comienzos, en los últimos tiempos las infecciones bacteriológicas y virológicas se han convertido en una exponencial amenaza pese a los enormes avances científicos y médicos. Ya son muchos los estudios que encuentran una estrecha relación entre aumento del número de patologías y el cambio climático; ya que, al alterar los ecosistemas, se favorecen las condiciones ideales para la propagación de infecciones y desarrollo de epidemias. La interacción entre el medio ambiente, los agentes patógenos y las poblaciones incide directamente en la salud tanto humana como animal. Cualquier desequilibrio puede provocar nuevos agentes infecciosos o la reemergencia de patologías olvidadas, desatendidas o incluso superadas. Y ello puede suponer unas graves consecuencias no solo en el ámbito sanitario sino en el económico y social (Jiménez, 2013). 34 MUERTES Figura 5. Bloque de mortalidad del modelo poblacional. Esta figura muestra los ratios de mortalidad y su generación a partir de los parámetros a, b y c y la esperanza de vida al nacer. Fuente: elaboración propia. Entradas externas SSPS MAXIMUN LIFE EXPECTANCY AT BIRTH Valores en función de los SSPs, que indican la máxima esperanza de vida al nacer. Este valor se ha elegido de forma experimental, adaptándolo para conseguir que los valores de la población total de cada escenario coincidan con los proporcionados por las SSPs. SSPS LIFE EXPECTANCY GROWTH Indica el crecimiento de la esperanza de vida al nacer. Este valor se ha elegido de forma experimental, adaptándolo para conseguir que los valores de la población total de cada escenario coincidan con los proporcionados por las SSPs. HISTORICAL LIFE EXPECTANCY AT BIRTH Valores históricos de la esperanza de vida al nacer hasta 2020. 35 INITIAL EXPECTANCY AT BIRTH Esperanza de vida al nacer en el año 1995. Es el valor inicial del ‘stock’ Life Expectancy at Birth. A/B/C PARAMETER DEATH RATE Constantes de la ecuación polinómica del ratio de mortalidad en función del sexo y la cohorte de edad de cinco en cinco. HISTORICAL DEATHS Valores históricos de muertes entre 1995 y 2020. Formulación Population decrease (Muertes): Hasta 2020, las muertes están representadas por valores históricos. Después, son el producto del ratio de mortalidad por la población. Las muertes están en función de la cohorte de edad y el sexo correspondiente. 𝑝𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛 𝑑𝑒𝑐𝑟𝑒𝑎𝑠𝑒 = 𝑝𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛 𝑥 𝑑𝑒𝑎𝑡ℎ 𝑟𝑎𝑡𝑒 Ecuación 5 Death rate (Ratio de mortalidad) El ratio de mortalidad está generado por una ecuación polinómica de segundo grado con tres parámetros (a, b y c) y la esperanza de vida al nacer. Experimentalmente se ha demostrado que existe una relación entre la esperanza de vida al nacer y el ratio de mortalidad. Por este motivo, en un proceso previo, se calcularon los parámetros a, b y c en función de los datos históricos que relacionaban ambas variables. Una vez obtenidos los parámetros, la tasa de mortalidad a partir de 2020 se genera en base a la ecuación polinómica previamente explicada: 𝑑𝑒𝑎𝑡ℎ 𝑟𝑎𝑡𝑒 = 𝐴 𝑃𝐴𝑅𝐴𝑀𝐸𝑇𝐸𝑅 𝐷𝐸𝐴𝑇𝐻 𝑅𝐴𝑇𝐸 𝑥 (𝑙𝑖𝑓𝑒 𝑒𝑥𝑝𝑒𝑐𝑡𝑎𝑛𝑐𝑦 𝑎𝑡 𝑏𝑖𝑟𝑡ℎ)2 + 𝑃𝐴𝑅𝐴𝑀𝐸𝑇𝐸𝑅 𝐷𝐸𝐴𝑇𝐻 𝑅𝐴𝑇𝐸 𝑥 𝑙𝑖𝑓𝑒 𝑒𝑥𝑝𝑒𝑐𝑡𝑎𝑛𝑐𝑦 𝑎𝑡 𝑏𝑖𝑟𝑡ℎ + 𝐶 𝑃𝐴𝑅𝐴𝑀𝐸𝑇𝐸𝑅 𝐷𝐸𝐴𝑇𝐻 𝑅𝐴𝑇𝐸 Ecuación 6 Con objeto de evitar que la ecuación polinómica pueda dar lugar a ratios negativos, se introdujo en el modelo la variable ‘min death rate’. Esta variable se corresponde con el mínimo valor de los ratios históricos, en función de la cohorte y del sexo y, en el caso de que la ecuación polinómica 36 resulte negativa, el modelo considera dicha variable en lugar de la resultante de la ecuación. Life expectancy at birth (Esperanza de vida al nacer): Figura 6. Bloque de mortalidad del modelo poblacional. La figura muestra las variables y el proceso seguido para calcular la esperanza de vida al nacer, a partir de las variables de los escenarios SSPs. Fuente: elaboración propia. La esperanza de vida al nacer hasta 2020 está basada en datos históricos. Sin embargo, a partir de esa fecha, como ocurría con el ratio de nacimientos, está en función de los seis escenarios; de los cuales, el usuario selecciona el SSP que desea utilizar. Esta variable es un ‘stock’ alimentado por un flujo de entrada que, a su vez, se realimenta del ‘stock’. El flujo modela la evolución de la esperanza de vida al nacer, utilizando dos variables que dependen de los SSPs. Por un lado, el flujo está limitado por un valor máximo que depende de cada escenario (Max Life Expectancy at Birth). Por el otro, la variable que determina la velocidad de crecimiento (Life Expectancy Growth) también depende del SSP en el que se modela: Life expectancy at birth flow = life expectancy at birth x SWITCH FEMALE LIFE EXPECTANCY GROWTH x (SWITCH MAXIMUM FEMALE LIFE EXPECTANCY AT BIRTHlife expectancy at birth)/(SWITCH MAXIMUM FEMALE LIFE EXPECTANCY AT BIRTH) Ecuación 7 37 SALIDAS DEL MODELO 5.2. En este apartado se expone de forma gráfica los resultados obtenidos tras realizar la simulación. Para poder comparar unos con otros, en un primer lugar, se explican las principales variables de forma conjunta para todos los escenarios. Por último, se analiza el desarrollo de la variable población para algunas de las cohortes de edad dentro de cada escenario. Figura 7. Población total para los seis escenarios definidos por MEDEAS. La evolución temporal comprende el periodo entre los años 1995 y 2100. Fuente: elaboración propia. Los escenarios 1 y 2 (ver Figura 7) están parametrizados en base al escenario base SSP1, por lo que la representación gráfica de ambos es la misma, por el momento, en todas las variables. Estos escenarios representan el camino más ecológico, dicho de otra manera, supone que los desafíos de mitigación y de adaptación son bajos. Por lo tanto, ambos escenarios, presentan una proyección de bajo crecimiento demográfico, alcanzando el pico alrededor del año 2050 con un total de 9 billones de habitantes y siguiendo con una caída pronunciada hasta los 6,5 billones en el año 2100. Las hipótesis que se establecen para conseguir estos resultados presuponen que las regiones reforman sus mercados haciéndolos más sostenibles y alcanzando un optimismo económico. El crecimiento económico es rápido lo que implica que la evolución demográfica sea más lenta. Como se muestra en la Figura 7, y como ya se había estimado con anterioridad, el escenario 3 presenta un elevado crecimiento de la población alcanzando los 12 billones de habitantes en el año 2100. Este incremento, tal como presentaba su escenario base, el SSP3, hace que los desafíos de 38 adaptación y mitigación sean muy elevados. Los hechos que permiten que la demografía pueda alcanzar tal aumento poblacional se caracterizan por la búsqueda de la autarquía y la soberanía nacional. Este es el camino menos ecológico; ya que las regiones dan primacía a su desarrollo de mercado y dejan en segundo plano, la búsqueda de medidas que ayuden a la mitigación y adaptación. En lo respectivo al escenario 4, por el momento, al igual que el 1 y 2, se ha seleccionado el SSP1 y esto no es correcto; ya que el crecimiento esperado de este escenario es mucho menor, pero al carecer de una opción alternativa, temporalmente se mantiene como escenario base el SSP1 dado que es el de menor crecimiento demográfico (ver Figura 7). El escenario BAU, según el SSP2, presenta un crecimiento demográfico intermedio. La intención del mismo es que su desarrollo sea una consecución de las tendencias históricas. En la Figura 7 se muestra cómo este escenario presenta una continuidad demográfica hasta alcanzar su máximo valor entre los años 2060-2070, a partir de los cuales sufre una pequeña caída hasta alcanzar la suma de 9 millones de habitantes de cara al año 2100. Para representar el ‘User Defined’ se ha escogido el escenario SSP5 con el fin de mostrar la evolución de un SSPs diferente. Este escenario considera un enfoque con elevados desafíos de mitigación y bajos de adaptación; lo que implica uno de los crecimientos demográficos más bajos. La población alcanzará su pico en los 9 millones, en 2060, donde comienza a caer rápidamente hasta alcanzar los 7 billones de habitantes en el año 2100. Figura 8. Evolución temporal del número de nacimientos anuales desde el año 1995 hasta 2100 para cada uno de los seis escenarios definidos en MEDEAS. Fuente: elaboración propia. 39 En la Figura 8 se observa el número de nacimientos anuales entre los años 1995 y 2100 para cada uno de los escenarios. Hasta 2020, todos ellos siguen la misma distribución ya que parten de datos históricos. Desde dicho punto, se puede observar cómo el número de nacimientos aumenta únicamente para el escenario 3, valor esperado puesto que es el de mayor aumento demográfico. Por otro lado, el número de nacimientos en BAU sigue con bastante fidelidad las tendencias históricas; aunque la natalidad cae por debajo de los 100 millones anuales. Por último, tanto los escenarios 1, 2 y 4 como el ‘User Defined’ presentan una caída precipitada desde los 140 millones de nacimientos iniciales hasta alrededor de los 40 millones en el año 2100. Figura 9. Evolución temporal del número de fallecimientos anuales desde el año 1995 hasta 2100 para cada uno de los seis escenarios definidos en MEDEAS. Fuente: elaboración propia. En la Figura 9, se ve la evolución temporal del número de muertes para cada escenario. Aparentemente, no hay gran diferencia entre unos escenarios y otros. El aspecto exponencial del número de fallecimientos se debe a una de las principales debilidades del modelo. El número de habitantes de cada cohorte de la variable población pasa, cada año, al siguiente eslabón; de esta forma, al llegar al último, al de 80 o más años, se acumulan varias generaciones. El problema se debe a que la tasa de mortalidad se mantiene prácticamente constante a lo largo de todo el periodo de la simulación y a que, cada año, la población perteneciente a la penúltima cohorte de edad (c79) pasa a formar parte del último eslabón de la cadena en el que los individuos, que ya pertenecían a dicho subgrupo, siguen 40 acumulados en el mismo eslabón. Por lo tanto, el número de personas que pertenece a la última cohorte crece rápidamente a lo largo del tiempo y, a pesar de que la mortalidad también es alta, por ser directamente proporcional al número de individuos del subgrupo, no consigue estabilizar la variable; ya que los individuos que llegan y se acumulan son muy superiores al de los fallecidos. Como consecuencia directa de este aumento, cada año, el número de fallecidos también será mayor, alterando los resultados de la simulación y ocasionando un número de defunciones que llega a triplicar el valor de referencia del año 2020. Figura 10. Evolución temporal de la esperanza de vida al nacer en función del sexo, masculino o femenino, y de los seis escenarios de MEDEAS. Fuente: elaboración propia. La Figura 10 muestra la esperanza de vida al nacer en función del sexo y del escenario escogido. Durante todo el periodo, la esperanza de vida al nacer es mayor en las mujeres que en los varones para todos los escenarios. Para explicar mejor la evolución poblacional por cohortes, Figura 11Figura 12 muestran dicho progreso para las cohortes de 1, 20, 40, 60, 70 y 79 años. De forma general, y común para las tres, en todas las gráficas se puede observar cierto retraso en el comportamiento a medida que los tramos de edad son mayores, esto se debe al paso de un eslabón al siguiente; lo que significa, que el cambio de tendencia demográfica perteneciente a los 79 años se empezará a observar a partir del año 2079. Otro de los aspectos a tener en cuenta es que las gráficas solamente representan el sexo femenino; ya que el comportamiento para ambos sexos es similar por lo que se ha seleccionado tan solo un sexo para facilitar el análisis de las cohortes. 41 Figura 11. Evolución temporal de 1995 a 2100 por cohortes de edad de 1,20, 30, 40, 60, 70 y 79 años para el sexo femenino de los escenarios 1 y 2. Fuente: elaboración propia. Para los escenarios 1 y 2 (ver Figura 11) en el momento en que la simulación comienza a ejecutarse a partir de los valores de los SSPs, los valores de cada cohorte bajan de forma pronunciada, tal y como cabe esperar, en base a las hipótesis de estos escenarios que se han mencionado con anterioridad. Unas de las observaciones más interesantes de este escenario es que muestra la proyección poblacional hacia el envejecimiento demográfico, al ser el número de nacimientos cada vez menor, este escenario presenta de cara al 2100 una demografía muy envejecida; de tal forma que se llega a invertir con respecto a los datos históricos, donde había mayor volumen de jóvenes. Figura 12. Evolución temporal de 1995 a 2100 por cohortes de edad de 1,20, 30, 40, 60, 70 y 79 años para el sexo femenino del escenario 3. Fuente: elaboración propia. 42 La Figura 12 pertenece a la evolución por cohortes del escenario 3. A partir del momento que la proyección de cada tramo de edad comienza a mostrar su tendencia, se observa que mientras para las cohortes más pequeñas, el crecimiento permanece dentro de un mismo intervalo (60 y 70 millones de habitantes); para las de mayor edad, el incremento es cada vez mayor, según se acerca a la última cohorte. Figura 13. Evolución temporal de 1995 a 2100 por cohortes de edad de 1,20, 30, 40, 60, 70 y 79 años para el sexo femenino del escenario BAU. Fuente: elaboración propia. En el escenario BAU (ver Figura 13), conforme la simulación se genera en base a las proyecciones establecidas por el BAU, el tamaño de la población dentro de cada cohorte disminuye, consiguiendo, al igual que ocurría en los escenarios 1 y 2, una población más envejecida respecto al punto de partida. CASO DE ESTUDIO: PANDEMIA COVID-19 5.3. DESCRIPCIÓN DEL NUEVO MODELO Como se explica en apartados anteriores, la sociedad experimenta cada vez mayor número de nuevas enfermedades infecciosas de carácter vírico o bacteriológico. Estas patologías han causado un gran número de muertes en tan solo dos décadas de siglo, entre ellas, se encuentra la COVID19 que, por el momento, se ha llevado más de 450.000 vidas en menos de seis meses. Para poder ejemplificar la utilidad del modelo poblacional explicado en el apartado anterior, se ha elegido la pandemia originada por la COVID-19 como objeto de estudio. El propósito de este apartado es el de evaluar el 43 impacto demográfico que provoca la propagación del SARS-CoV-2. En este modelado, se van a evaluar las consecuencias sobre los fallecimientos en la población global en función de las cohortes de edad y de ambos sexos; ya que, a pesar de que aún a día de hoy, no se sabe con exactitud cuál es la tasa de letalidad del virus, sin embargo, son conocidos los grupos de riesgo que tienen más probabilidades de ser víctimas del virus como son las personas con insuficiencias respiratorias, enfermedades cardiovasculares, grupos de edad etc. No obstante, este modelo se centra únicamente en la edad y el sexo de las cohortes; ya que hay evidencias de que la tasa de mortalidad aumenta de forma muy pronunciada con la edad y, por otro lado, esta es mayor en los hombres que en las mujeres. Para realizar el estudio, se han buscado los datos a nivel mundial con la información conocida del año 2020 y se han ampliado conforme a esos valores para cinco años más con la finalidad de poder captar crecimientos y descensos en la mortalidad, considerando que aparecen nuevos brotes más fuertes y otros más débiles de forma aleatoria. Además, el efecto que tendrá sobre cada cohorte influye de forma aleatoria, en función de sus valores de 2020, por lo que el modelo representa cómo afectará a cada grupo de edad por separado, siendo posible representar que una de las mutaciones del virus afecte en mayor magnitud a los jóvenes, que hasta el momento, no son un grupo de alto riesgo. Hay que tener en cuenta que el modelo no considera la aparición e implementación de una vacuna, solamente hace referencia a la evolución de los próximos cinco años con nuevos brotes, en función de los valores conocidos en la actualidad. Todos los datos reales utilizados se han extraído de la Actualización nº 138. Enfermedad por el coronavirus (COVID-19). 16.06.2020 realizado por el Centro de Coordinación de Alertas y Emergencias Sanitarias del Ministerio de Sanidad del Gobierno de España. (https://www.mscbs.gob.es/profesionales/saludPublica/ccayes/alerta sActual/nCov-China/documentos/Actualizacion_138_COVID-19.pdf) Para realizar el estudio se introducen las siguientes variables: INFECTED BY COVID-19 RATE (tasa de infección COVID-19) Esta tasa, es el número de infectados conocidos a nivel mundial entre la población mundial para 2020. A partir de ese año, la tasa es un valor aleatorio que aumentará o disminuirá en un rango de ±100% respecto de su valor inicial de 2020. 50 Uno de los puntos más interesantes es comparar en cuánto aumentarían las muertes, si toda la población se considerase como grupo de riesgo. En la Figura 19 se comparan ambos escenarios y se observa como el número de fallecidos puede pasar de estar cerca del millón en el peor de los casos para el escenario actual (BAU) a cuadruplicar su número en el caso de que la mortalidad afectase a toda la población por igual. Figura 19. Distribución de las muertes por COVID-19 para los escenarios BAU y ‘User defined’. Fuente: elaboración propia. Por último, se comparan cómo afecta a la evolución demográfica cada uno de los escenarios explicados al comienzo de este apartado. Para saber si los mismos sufren cambios en cuanto al aumento de la población, se comparan respecto del escenario 3 que simula la situación de que nunca hubiera habido COVID-19. Como ya se ha explicado en el caso 1, el número de muertes producidas con los datos actuales no tiene impacto sobre la evolución de la población, siendo inapreciable el aumento del número de fallecidos en el periodo entre 2020 y 2025. En el caso del escenario ‘User defined’ tampoco es apreciable una distinción en la demografía porque este mantiene el número de infectados igual que en la situación real y actual. Los cambios se producen cuando se aumenta la tasa de contagio a un 10% de la población global tal y como ocurre en los escenarios 1 y 2. Esto resulta lógico puesto que, a mayor número de infectados, la mortalidad es mayor independientemente de la tasa. Además, en el escenario 2 al ser la mortalidad la de los grupos de riesgo, es decir, alta y coincidir con una gran transmisión del virus, aumentaría notablemente el número de muertes. En estos dos últimos casos, sí que se ve una diferencia en la evolución de la población. Por un lado, en el escenario 2, pese a que las muertes ejercen un fuerte impacto durante el periodo que dura la pandemia, se puede observar 51 cómo, finalmente, la población se recupera y converge con el escenario de partida. Sin embargo, en el escenario que explica la peor situación posible, se puede observar como la población no termina de recuperarse del número de pérdidas ocasionadas durante la epidemia. En otras palabras, el número de fallecidos producidos entre los periodos 2020 y 2025 sigue teniendo secuelas 95 años más tarde. Figura 20. Evolución demográfica entre los años 2019-2040 para todos los escenarios. Fuente: elaboración propia. Figura 21. Evolución demográfica entre los años 2019-2100 para todos los escenarios. Fuente: elaboración propia. 53 6. CONCLUSIONES En este apartado se exponen las conclusiones generadas atendiendo a los objetivos planteados al comienzo del documento. En primer lugar, en este Trabajo de Fin de Grado se ha desarrollado un modelo demográfico que recoge el comportamiento de la población entre 1995 y 2020 y proyecta un total de seis escenarios plasmando un abanico de posibilidades en los que se puede presentar la sociedad de cara al año 2100. Además, el modelo hace una diferenciación en la población dividiéndola en un total de 81 cohortes de edad y diferenciando entre sexo masculino y femenino; de forma que se puedan evaluar los distintos impactos en función de la edad y el sexo de los individuos. Esto tiene especial interés a la hora de valorar los impactos causados por enfermedades ya que permite introducir variables que afecten de distinta manera a cada grupo. Los resultados en la evaluación del comportamiento de la población se ajustan a los indicadores de los escenarios SSP. No obstante, queda pendiente buscar un mejor ajuste para la cohorte de mayores de 80 años ya que acumula múltiples generaciones aumentando notablemente la incertidumbre sobre el verdadero comportamiento de este grupo de edad. Por otra parte, se presenta a modo de ejemplo de su uso los impactos que ha tenido la actual pandemia de la COVID-19 sobre la sociedad haciendo distinción por sexo y grupo de edad en la mortalidad. Su evaluación considera posibles rebrotes de mayor o menor intensidad en los próximos cinco años. Además, otro de los casos de estudio permite ver la incidencia que esta puede llegar a tener en el caso de que la tasa de mortalidad fuese igual en toda la población a la de los grupos de riesgo. Los resultados demuestran que el efecto de una pandemia no condiciona la evolución de la población, desde un punto de vista demográfico, a largo plazo. Por último, este modelo al estar implementado dentro del modelo mundial de MEDEAS participa en su objetivo de ayudar en la búsqueda hacia una transición socioeconómica de baja emisión de carbono, aportando una variable endógena de población -‘total population’- y ofreciendo así un paso más a la finalidad del proyecto. Además, este nuevo modelo permitirá utilizar la población de forma desagregada para otros módulos que están siendo programados en el proyecto LOCOMOTION, tales como el de economía, para la parte de empleo y consumo de los hogares, o indicadores sociales. Sin duda los modelos de dinámica de sistemas podrán ayudar a la sociedad con una intervención en el presente para enfrentarse a los problemas venideros. 55 7. LÍNEAS FUTURAS Para finalizar, en este apartado se esboza un punto de partida para posibles futuras mejoras en el desarrollo así como sus posibles aplicaciones. Un primer punto de partida para mejorar el modelo consistiría en buscar una forma de resolver el problema del envejecimiento de las cohortes de edad; ya sea influyendo en ellas desde el principio, o con una mayor precisión en los datos, evitando que dicha cohorte abarque tanto rango de edad. Así mismo, podría realizarse una desagregación regional del modelo, que permitiría simular movimientos migratorios; así como evaluar distintos impactos en función del clima o del poder adquisitivo de cada región, entre otros. En este análisis, se han expuesto diferentes impactos que pueden provocar el cambio climático y el agotamiento de recursos sobre la sociedad así como sus realimentaciones. El mismo modelo creado en este trabajo y empleado para estudiar cómo se comportaría una pandemia como la de la COVID-19 y cómo afectaría demográficamente a la población puede exportarse para analizar cualquier otro tema de interés social y conocer su evolución por cohortes de edad o sus diferencias en función del sexo. Así podrían analizarse escenarios de futuro que reflejen el aumento de la mortalidad por hambruna causado por el agotamiento de recursos como el petróleo; la contaminación atmosférica y sus consecuencias sobre el aumento de enfermedades respiratorias o la escasez y pérdida de calidad del agua que provoca un incremento en el número de enfermedades gastrointestinales. Todos estos impactos ofrecen una visión de la importancia de las simulaciones sobre la población para predecir daños, anticipar efectos y mostrar posibles soluciones. La posibilidad de modelar las repercusiones que tienen los eventos extremos, el aumento de algunas enfermedades, comparando los impactos que alcanzaría una pandemia ofrece una visión de la desigualdad en la preocupación que existe en la sociedad entre los estamentos de la Administración y los sectores productivos así como a nivel social. Las consecuencias del cambio climático en estos modelos permiten reflejar cómo afecta a todas las regiones independientemente de su nivel de desarrollo y que cada año ocasiona millones de muertes con unos resultados mucho más dramáticos que las causadas por la última pandemia y a los que se presta mucha menos atención. 57 8. BIBLIOGRAFÍA Air quality in Europe 2019 — European Environment Agency. (n.d.). Retrieved June 24, 2020, from https://www.eea.europa.eu//publications/airquality-in-europe-2019 ATC-INNOVA. (n.d.). Prestaciones del software Vensim. Retrieved July 16, 2020, from http://atc-innova.com/ Berberian, G., & Rosanova, M. T. (2012). Impacto del cambio climático en las enfermedades infecciosas Impact of climate change on infectious diseases. Arch Argent Pediatr, 110(1), 39–45. https://doi.org/10.5546/aap.2012.39 Campbell, C. J., & Laherrère, J. H. (1998). The End of Cheap Oil. In Scientific American (Vol. 278, pp. 78–83). Scientific American, a division of Nature America, Inc. https://doi.org/10.2307/26057708 Capellán-Pérez, I., De Blas, I., Nieto, J., De Castro, C., Miguel, L. J., Carpintero, Ó., Mediavilla, M., Lobejón, L. F., Ferreras-Alonso, N., Rodrigo, P., Frechoso, F., & Álvarez-Antelo, D. (2020). MEDEAS: A new modeling framework integrating global biophysical and socioeconomic constraints. In Energy and Environmental Science (Vol. 13, Issue 3, pp. 986–1017). Royal Society of Chemistry. https://doi.org/10.1039/c9ee02627d Castro Carranza, C. (2017). Colapso y transición de nuestra civilización: defensa del Gaiarquismo. La Albolafia: Revista de Humanidades y Cultura, 10, 75–94. https://dialnet.unirioja.es/descarga/articulo/6040199.pdf Deloitte Touche Tohmatsu Limited (DTTL). (2020). El impacto económico del COVID-19 | Deloitte España. Dowlatabadi, H. (1995). Integrated assessment models of climate change. An incomplete overview. In Energy Policy (Vol. 23, Issues 4–5, pp. 289– 296). Elsevier. https://doi.org/10.1016/0301-4215(95)90155-Z Eberlein, R. L., & Peterson, D. W. (1992). Understanding models with VensimTM. European Journal of Operational Research, 59(1), 216–219. https://doi.org/10.1016/0377-2217(92)90018-5 Empresa: Historia | Ventana Systems, Inc. (n.d.). Retrieved July 20, 2020, from https://www.ventanasystems.com/company_history/ Frumkin, H., & McMichael, A. J. (2008). Climate Change and Public Health. Thinking, Communicating, Acting. In American Journal of Preventive Medicine (Vol. 35, Issue 5, pp. 403–410). https://doi.org/10.1016/j.amepre.2008.08.019 Garcia Martin, J. (2003). Teoría y ejercicios prácticos de dinámica de sistemas. https://books.google.es/books?hl=es&lr=&id=RQ5BDwAAQBAJ&oi=fnd& pg=PA5&dq=Teoría+y+ejercicios+prácticos+de+Dinámica+de+Sistemas +Juan+Martín+García&ots=agV2a4ov3q&sig=Rhy1OcVaZExqtPOladGVxs 58 hJbPk#v=onepage&q=Teoría y ejercicios prácticos de Dinámica de Siste General Secretary for Health, & Centre., H. alert and E. C. (2020). Actualización no 137. Enfermedad por el coronavirus (COVID ‐ 19). https://www.mscbs.gob.es/profesionales/saludPublica/ccayes/alertasAc tual/nCov-China/documentos/Actualizacion_138_COVID-19.pdf Haines, A., Kovats, R. S., Campbell-Lendrum, D., & Corvalan, C. (2006). Climate change and human health: Impacts, vulnerability and public health. Public Health, 120(7), 585–596. https://doi.org/10.1016/j.puhe.2006.01.002 Holgate, S. (2017). Every breath we take: The lifelong impact of air pollution. Report of a working party. Clinical Medicine, 17(1), 8–12. https://www.rcplondon.ac.uk/projects/outputs/every-breath-we-takelifelong-impact-air-pollution Holland, J. H. (1998). Emergence: from chaos to order. In Choice Reviews Online (Vol. 35, Issue 11). https://doi.org/10.5860/choice.35-6184 Izquierdo, L. R., Galán Ordax, J. M., Santos, J. I., & Del Olmo Martínez, R. (2008). Modelado de sistemas complejos mediante simulación basada en agentes y mediante dinámica de sistemas. Empiria. Revista de Metodología de Ciencias Sociales, 16, 85–112. https://doi.org/10.5944/empiria.16.2008.1391 Jiménez, L. C. V. (2013). Epidemias y pandemias: Una realidad para el siglo XXI. Un mundo y una salud. In Revista Lasallista de Investigacion (Vol. 10, Issue 1, pp. 7–8). Katelaris, C. H., & Beggs, P. J. (2018). Climate change: allergens and allergic diseases. Internal Medicine Journal, 48(2), 129–134. https://doi.org/10.1111/imj.13699 Klare, M. (2003). Guerra por los recursos. http://imes.edu.uy/images/biblioteca/2015/PDF/GUERRAS POR LOS RECURSOS_jpg.pdf Mellor, J. E., Levy, K., Zimmerman, J., Elliott, M., Bartram, J., Carlton, E., Clasen, T., Dillingham, R., Eisenberg, J., Guerrant, R., Lantagne, D., Mihelcic, J., & Nelson, K. (2016). Planning for climate change: The need for mechanistic systems-based approaches to study climate change impacts on diarrheal diseases. In Science of the Total Environment (Vols. 548–549, pp. 82–90). Elsevier B.V. https://doi.org/10.1016/j.scitotenv.2015.12.087 Mercure, J. F., Pollitt, H., Edwards, N. R., Holden, P. B., Chewpreecha, U., Salas, P., Lam, A., Knobloch, F., & Vinuales, J. E. (2018). Environmental impact assessment for climate change policy with the simulation-based integrated assessment model E3ME-FTT-GENIE. Energy Strategy Reviews, 20, 195–208. https://doi.org/10.1016/j.esr.2018.03.003 Nicholls, R. J. (2007). Global climate change: implications for coastal systems and low-lying areas. 59 O’Neill, B. C., Kriegler, E., Ebi, K. L., Kemp-Benedict, E., Riahi, K., Rothman, D. S., van Ruijven, B. J., van Vuuren, D. P., Birkmann, J., Kok, K., Levy, M., & Solecki, W. (2017). The roads ahead: Narratives for shared socioeconomic pathways describing world futures in the 21st century. Global Environmental Change, 42, 169–180. https://doi.org/10.1016/j.gloenvcha.2015.01.004 O’Neill, B. C., Kriegler, E., Riahi, K., Ebi, K. L., Hallegatte, S., Carter, T. R., Mathur, R., & van Vuuren, D. P. (2014). A new scenario framework for climate change research: The concept of shared socioeconomic pathways. Climatic Change, 122(3), 387–400. https://doi.org/10.1007/s10584-013-0905-2 Objectives | LOCOMOTION. (n.d.). Retrieved July 16, 2020, from https://www.locomotion-h2020.eu/about-project/objectives/ OMS. (2020). Preguntas frecuentes sobre los nuevos coronavirus. 2020. https://www.who.int/es/emergencies/diseases/novel-coronavirus2019/question-and-answers-hub/q-a-detail/q-a-coronaviruses Riahi, K., van Vuuren, D. P., Kriegler, E., Edmonds, J., O’Neill, B. C., Fujimori, S., Bauer, N., Calvin, K., Dellink, R., Fricko, O., Lutz, W., Popp, A., Cuaresma, J. C., KC, S., Leimbach, M., Jiang, L., Kram, T., Rao, S., Emmerling, J., … Tavoni, M. (2017). The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: An overview. Global Environmental Change, 42, 153–168. https://doi.org/10.1016/j.gloenvcha.2016.05.009 Smith, K. R., Woodward, A., Campbell-Lendrum, D., Chadee Trinidad, D. D., Honda, Y., Liu, Q., Aranda, C., & Berry, H. (2014). 1 Human Health: Impacts, Adaptation, and Co-Benefits Coordinating Lead Authors: Lead Authors: Contributing Authors. UN Department of Economics and Social Affairs. (2019). World Population Prospects - Population Division - United Nations. The International Journal of Logistics Management. https://doi.org/10.1108/09574099810805708 van Vuuren, D. P., Kok, M. T. J., Girod, B., Lucas, P. L., & de Vries, B. (2012). Scenarios in Global Environmental Assessments: Key characteristics and lessons for future use. Global Environmental Change, 22(4), 884–895. https://doi.org/10.1016/j.gloenvcha.2012.06.001 Vensim Software | Vensim. (n.d.). Retrieved July 20, 2020, from http://vensim.com/vensim-software/ Watkins, K. (2006). Human development report, 2006: beyond scarcity: power, poverty and the global water crisis. In Choice Reviews Online (Vol. 44, Issue 12). https://doi.org/10.5860/choice.44-6944 Weyant, J. (2017). Some contributions of integrated assessment models of global climate change. Review of Environmental Economics and Policy, 11(1), 115–137. https://doi.org/10.1093/reep/rew018 V ANEXO II: ESQUEMA GENERAL DEL MODELO POBLACIONAL