寧夏流感與氣象條件關系研究

楊亞麗 納麗 龔瑞

（1 中國氣象局旱區特色農業氣象災害監測預警與風險管理重點實驗室，銀川 750000；2 寧夏氣象防災減災重點實驗室，銀川 750000；3 寧夏氣象服務中心，銀川 750000；4 寧夏疾病預防控制中心，銀川 750000）

0 引言

流行性感冒（簡稱流感）是一種常見的急性呼吸道傳染病，是首個全球監測的傳染病，極易引起大范圍流行，嚴重影響著公眾健康[1]。據世界衛生組織（WHO）估計，每年流感流行將導致300萬～500萬的重癥病例和25萬～50萬人的死亡[2]。流感的流行特征在不同緯度地區有所不同，這表明流感的流行和氣候條件有關。近年來，國內外學者對流感與氣象因子之間關系的研究越來越深入。劉欣等[3]研究發現氣溫和濕度與廣州流感樣病例數（ILI）的變化風險存在相關性。孫妍蘭等[4]對西寧市ILI病例與氣象條件關系的研究表明，日ILI例數與溫差、平均氣壓之間呈正相關，與相對濕度呈負相關，且各氣象要素與日ILI發病例數均呈非線性關系，不同要素的滯后期和危險性不同[5]。丁彥紅等[6]、李媛等[7]分別對濰坊市和天津市ILI病例與氣象條件關系的研究顯示，風速、相對濕度、氣壓及溫差均與ILI病例就診比有相關性。周艷麗等[8]、孫景異等[9]對北京市的流感與氣象條件之間關系的研究表明，氣溫、氣壓、風速以及相對濕度是影響北京市ILI例數的關鍵氣象因子，且存在不同的滯后期。李怡等[10]研究顯示，氣壓是影響京津冀學齡前兒童流感發病的重要氣象要素，同時引入綜合氣象條件指標——大氣環境人體感知度（BPWI）評價氣象條件對流感發病風險的影響，結果顯示BPWI對流感發病風險的影響明顯高于單一氣象因子，表明氣象因子對流感發病的影響存在交互性。郭倩等[12]研究表明，氣溫對全球不同區域流感影響顯著，且不同類型流感的關聯程度存在差異?？梢?，氣象條件與流感病毒流行關系密切，且存在地域差異和滯后性[12-13]。

流感是寧夏主要的流行性疾病之一，但迄今為止，關于寧夏流感與氣候條件及氣象因子之間關系的研究成果鮮見。為此，本文利用2005—2021年流感樣病例資料和氣象資料，采用Spearman相關分析和GAM模型，分析寧夏流感的流行特征及其與氣象要素的關聯性，總結高發病率年份的氣候特征，可為流感早期防控和預警預測提供科學依據。

1 資料與方法

1.1 資料來源

寧夏回族自治區深居西北內陸，位于內蒙古、甘肅和陜西三省交匯處，下轄5個地級市，自北向南分別是石嘴山市、銀川市、吳忠市、中衛市及固原市。轄區內共有縣、區22個，其中，石嘴山市轄2個區、1個縣（大武口區、惠農區、平羅縣），銀川市轄3個區、2個縣、代管1個縣級市（興慶區、西夏區、金鳳區、永寧縣、賀蘭縣、靈武市），吳忠市轄2個區、1個縣級市、2個縣（利通區、紅寺堡區、青銅峽市、鹽池縣、同心縣），中衛市轄1個區、2個縣（沙坡頭區、中寧縣、海原縣），固原市轄1個區、4個縣（原州區、西吉縣、隆德縣、涇源縣、彭陽縣）。

各縣、區2005—2021年逐日流感樣病例（ILI）監測資料來源于寧夏回族自治區疾病預防控制中心傳染病報告與監測系統，人口學資料來源于中國統計年鑒。

同期氣象資料來自于寧夏回族自治區氣象局氣象信息中心，包括5個地市國家氣象站的日平均氣溫、氣壓、相對濕度、風速以及日降水量等氣象要素。

1.2 研究方法

Pearson相關系數用以衡量定距變量間的線性關系，用t統計量進行顯著性檢驗；Spearman相關系數用來衡量定序變量間的線性相關[14]，它對原始變量的分布不作要求，屬于非參數統計方法。若數據連續、正態分布、線性關系中任一條件不滿足時，只能用Spearman相關分析。由于本文中ILI例數資料不服從正態分布，故采用Spearman相關分析計算ILI例數和氣象要素之間的關系，計算公式如下：

式中，R為Spearman相關系數，Ui、Vi分別是兩變量排序后的秩，n為樣本總量。

流感發病率是指一定時期內流感病樣例數/同期總人口數×r，本文中r＝1000‰。

采用Excel 2007建立數據庫，應用Spearman相關分析對各氣象因子與每日ILI例數的關聯度進行分析，運用結合Poisson回歸的廣義相加模型（Generalized Additive Models, GAM）分析氣象因子對ILI例數變化的影響。由于氣象因子與ILI例數之間的關系為非線性，因此，氣象因子均以自然樣條函數納入GAM模型，考慮流感的潛伏期一般不超過7 d，本文設定最大滯后天數為7 d，對逐日氣象要素與ILI例數之間的關系進行擬合，基本模型如下：

式中，log（E（Yt））為連接函數；Yt為第t日ILI例數報告數；E（Yt）為Yt的數學期望值；α為常數項；β為回歸系數；week為星期變量（是否周末）；s為自然樣條函數；xi為氣象因子，例如平均氣溫、平均氣壓、平均相對濕度等；time為時間變量（1，2，3，…，6209），k為自由度。

在氣象因子獨立效應研究的基礎上，篩選出對ILI例數變化有顯著效應的主要影響因素，進一步建立ILI例數變化的GAM交互效應模型，并給出主要影響因素交互效應可視化圖，定量分析其對ILI例數變化的影響特征，基本模型如下：

式中，s（xi，xj）為xi和xj交互作用對ILI例數變化影響的交叉項，其他項的意義同公式（3）。利用gam.check檢驗模型擬合效果，以防過渡擬合。

本研究運用SPSS 17.0對流感樣病例監測資料和氣象觀測數據的分布特征以及二者關聯性進行分析；基于ArcGIS 10.0完成流感發病率的空間分析，R 4.1.3軟件中的mgcv模塊完成氣象因子與ILI例數的GAM模型擬合與分析。

2 結果與分析

2.1 流行特征分析

2.1.1 空間特征

2005—2021年寧夏共報告流感樣病例21700例，其中，銀川市4112例（發病率為0.11‰，下同）、石嘴山市3659例（0.18‰）、吳忠市4615例（0.21‰）、中衛市4183例（0.23‰）、固原市5131例（0.25‰）。發病率從低到高依次是銀川市、石嘴山市、吳忠市、中衛市和固原市，可見，寧夏流感發病率整體呈自北向南逐漸升高的特點，這一特征與氣候舒適度冷等級和涼等級日數的空間分布一致，與舒適日數的分布相反[15]，表明流感發病與氣候條件有關?？h、區流感發病率如圖1所示，銀川市周邊的縣、區發病率偏低，中南部地區發病率相對較高，其中，固原市西吉縣的發病率為全區最高，達0.60‰，吳忠市利通區和中衛市中寧縣的發病率也較高，分別為0.47‰、0.42‰，賀蘭縣、平羅縣、靈武市以及同心縣的發病率較低，均低于0.1‰。相鄰縣、區的氣象條件相似，而流感發病率存在明顯差異，這可能與人口密度相對較大及對流感的防范意識高低有關。

2.1.2 時間特征

各市流感發病率的年際變化如圖2所示，可見，除固原市外，2005—2009年各地發病率呈增加趨勢，2010—2011年發病率大幅下降至0.04‰，2012—2019各地發病率小幅上升，2019年以后再次下降。固原市發病率的年際變化特征不同于其他四個市，2005—2021年平均發病率為0.24‰，在2005—2019年，固原市發病率呈明顯增加趨勢，2019年以后開始下降，2021年發病率較低，為0.03‰。2009年和2019年中北部四個市發病率明顯高于其他年份，平均發病率分別為0.49‰、0.45‰，這一現象可能與2009年、2019年甲型H1N1流感在世界范圍內大流行有關[16]。而固原市發病率在2009年和2019年增幅卻較小，尤其2009年發病率遠低于其他地區，這可能主要與固原市整體人口密度低、人員流動較小有關。

圖2 2005—2021年寧夏流感發病率年際分布Fig.2 Interannual distribution of influenza incidence rate in Ningxia from 2005 to 2021

寧夏各地流感發病年內變化呈“U”型分布，如圖3所示。1—7月發病人數逐漸減少，8—12月呈增加趨勢，高發時段為11月至次年3月，可見，冬春季是寧夏流感的高發季節，與相關研究結論一致[17-18]，這可能與低溫天氣有利于流感病毒存活和傳播有關[19]。

圖3 2005—2021年寧夏流感發病人數逐月變化Fig.3 Monthly variation of influenza incidence rate in Ningxia from 2005 to 2021

2.2 逐月ILI例數與氣象要素關系分析

諸多研究表明，氣象要素對疾病的影響具有一定滯后性。通過分析各市流感月發病人數與前1、2、…、6個月的氣象要素相關性，結果顯示當月發病人數與前1個月的氣象要素相關性最強。月發病人數與各氣象因子的秩相關系數如表1所示，各地氣壓、氣溫、風速及日照時數與ILI例數均顯著相關（P＜0.01），降水量與ILI例數也有較強的相關性（P＜0.05），而相對濕度與其無統計學相關性（P＞0.05），這可能主要與寧夏流感的高發時段在冬、春季，而冬、春季的相對濕度較低，且變幅小，對流病毒活動影響也較小有關；氣溫、風速及降水量及日照時數與ILI例數呈負相關（r＜0），氣壓與ILI例數呈正相關（r＞0），即氣壓的升高伴隨著氣溫的下降，流感的發病風險隨之也會增加，而風速的增大不利于發病率的增加，主要是由于風速的增加，加快了空氣流通，不利于病毒的聚集，人群被感染的概率就會下降，從而減少流感的發病人數，該結論與王偉[20]對山東省流感與氣象因素關系分析結果一致。因此，整體來看，在月尺度上，影響流感發病的關鍵氣象因子是氣壓、氣溫、風速和日照時數。

表1 寧夏各地市流感月發病人數與前1個月氣象要素的相關系數Table 1 The correlation coefficients between monthly ILI cases in various cities of Ningxia and meteorological factors in the previous month

2.3 氣象因子及其交互效應對逐日ILI例數的影響分析

以銀川市為例，基于GAM模型分析逐日氣象因子及其交互作用對ILI例數變化的影響。將平均氣壓、平均氣溫、平均相對濕度、平均風速、降水量、日照時數共計6個氣象因子作為解釋變量，ILI例數作為響應變量，采用樣條平滑函數分別與6個解釋變量構建模型，分析每個解釋變量對響應變量的影響顯著性和模型擬合優度（表2）。結果顯示，所有影響因子均對ILI例數變化影響顯著（P＜0.001），表明各因子在單獨作為ILI例數變化的解釋變量具有統計學意義。將通過顯著性檢驗的各要素作為解釋變量，ILI例數作為響應變量，進行多因素與ILI例數間的GAM模型擬合，結果顯示平均風速和降水量的P＞0.05，未通過0.05顯著性水平下的檢驗，其余影響因子顯著影響ILI例數的變化（P＜0.01），擬合方程的調整判定系數為0.589，方差解釋率為61%，模型擬合優度較好，通過顯著性檢驗的4個影響因子對ILI例數變化的解釋率較高，這表明平均氣壓、平均氣溫、降水量及日照時數對ILI例數變化有顯著影響。

表2 ILI例數與單影響因子的GAM模型擬合結果Table 2 The GAM model fitting results between the number of ILI cases and a single influencing factor

ILI例數變化受多種影響因素的共同作用，將通過顯著性檢驗的4個解釋變量之間兩兩構建GAM模型，分析交互項對ILI例數變化的影響，有利于進一步認識氣象因子對ILI例數變化的影響效應。結果如表3所示，各交互項的自由度均＞1，說明交互項與ILI例數之間存在非線性關系；模型調整判定系數0.613，方差解釋率為62.2%，表明模型的擬合度較好、交互項對ILI例數變化的解釋率較高；擬合方程中平均氣壓—平均氣溫、平均氣壓—日照時數、平均氣溫—相對濕度、平均氣溫—日照時數、相對濕度—日照時數等5個交叉項均通過顯著性檢驗，表明其在P＜0.05的水平下顯著影響ILI例數變化，這與流感發病受多種氣象因子交互作用影響的特征一致。

表3 ILI例數與影響因素交互作用的GAM模型擬合結果Table 3 The GAM model fitting results between the number of ILI cases and the interaction of influencing factors

對通過顯著性檢驗且具有統計學意義的氣象因子交互模型進行可視化繪圖（圖4），將有利于分析響應變量ILI例數在不同解釋變量維度下的同時變化特征。由圖4a、4c、4d可知，在平均氣溫與平均氣壓、平均相對濕度、日照時數交互作用對ILI例數的影響效應中，平均氣溫占主導作用，總體而言，ILI例數隨著平均氣溫的升高而明顯減少，平均氣溫高于12 ℃時，氣溫對ILI例數變化幾乎不產生影響，而平均氣溫在－8 ℃左右時對ILI例數變化的影響效應最大。ILI例數變化在平均氣溫與其他因子交互作用下又存在差異，由圖4a可知，平均氣溫和平均氣壓對流感發病人數的增加存在協同放大作用，即在平均氣溫較低時，隨著氣壓的升高，流感發病人數呈明顯增加趨勢；在平均氣溫較低時，相對濕度在40%～60%及高于80%時流感的發病風險有所增大（圖4c），而在任何時長日照時數條件下流感均有發病風險（圖4d）。綜合圖4c～4e可知，高溫、高濕以及長日照時數條件下，不利于流感發生，即夏季流感較為少發，而在平均氣溫低于12℃時，任何濕度和日照時數條件下均有流感發生風險，即平均氣溫是影響ILI例數變化的主導氣象因素。

2.4 高發病年份氣候特征分析

2009年甲型H1N1流感在世界范圍內大流行[15]，2019年甲型H1N1為主的流感在全球多個國家爆發。我國2019年1—9月報告流感病例215.1萬例，同比增加了252%，在此大背景下，2009年和2019年也是寧夏大部分區域近17年來的流感高發年份。

2009年和2019年吳忠市發病率為寧夏最高（圖2），故以此為例，分析其流感發病特征和相應氣候特征。流感在全年均有發生，但2009年和2019年流感高發時段存在差異，在2009年1—8月，發病人數較少，其中在4月出現了一個小峰值，9月開始發病人數逐漸增多，11月達到峰值，之后開始減少；而2019年1月流感發病人數較多，超過300例，2月發病人數急劇下降，3月又出現了小峰值，4—11月發病人數均保持在較低水平，進入12月就診人數激增。按季節來看，在兩個高發年的冬季發病人數均較多，其次是秋季，春季也易出現小峰值，夏季發病人數最少（圖5）。由此可見，在流感高發年份，1月和11—12月是集中高發時段，3—4月易出現小的流行高峰，這種流行趨勢與北方的氣候特點一致，在秋末至次年初春冷空氣入侵頻繁，氣溫低且波動明顯，11月至次年3月又是寧夏集中供暖期，室內外溫差大，相對濕度低。

圖5 2009年和2019年吳忠市流感發病人數逐月（a）和季節（b）變化Fig.5 Monthly (a) and seasonal (b) changes of the ILI cases in Wuzhong City in 2009 and 2019

由表1可知，氣溫與流感發病之間有顯著相關性。在2009年1—7月，吳忠市平均氣溫均略高于常年值，此時段內流感發病人數也較少；8月氣溫略低于常年值，9月又與常年值持平，這說明在8—9月氣溫有冷空氣活動，氣溫出現了波動，但由于滯后效應，發病人數在9月開始增加；10月平均氣溫較常年值偏高9 ℃，而11月又偏低3 ℃，這又表明10—11月冷空氣活動頻繁，氣溫波動明顯，強降溫統計資料顯示，在11月中上旬出現了3次強降溫天氣，且變溫幅度均低于－5.0 ℃，隨之11月的發病人數急劇增加，該現象與諸多研究結果以及臨床實踐一致（圖6a），主要原因可能是氣溫較低時，變溫容易導致人體免疫力下降。

圖6 2019年（a）和2011年（b）吳忠市逐月流感發病人數和氣溫序列分布Fig.6 Monthly distributions of the ILI cases and temperature series in Wuzhong City in 2019 (a) and 2011 (b)

2011年是寧夏全區流感低發病率年，以吳忠市2011年月平均氣溫為例，對比分析流感低、高發病年氣候特征。由圖6b可知，除2011年10月氣溫較常年值偏高8.5 ℃外，其余月份平均氣溫與歷史值基本一致。氣溫無明顯波動，表明冷空氣活動偏弱，而偏高的氣溫不利于流感病毒的傳播，因此，2011年流感發病人數保持在較低水平。

國外有相關研究指出，世界范圍內的流感大流行可能與拉尼娜現象有關。楊東紅等[21]研究發現全球性流感的爆發與中等強度以上拉尼娜現象和強沙塵暴有一一對應關系。拉尼娜現象是指赤道太平洋東部和中部海面溫度持續異常偏冷的現象（與厄爾尼諾現象正好相反）[22]。研究表明[23-25]，拉尼娜事件與全球多處氣候異常有關，而2007—2008年和2017—2018年為兩個拉尼娜氣候年，拉尼娜現象對寧夏氣候也有一定影響，一般表現為拉尼娜氣候年的次年寧夏強寒潮大風天氣頻繁出現。楊勤等[26]研究顯示，在拉尼娜事件結束年寧夏1—2月氣溫容易偏低。由圖6a也可以看出，在拉尼娜的次年，寧夏秋末冬初時冷空氣活動頻繁，氣溫波動明顯，由表1和圖4可知，氣溫與流感發病人數呈負相關關系，且氣溫是影響流感發病的主導氣象因子。由此可見，拉尼娜事件容易引起寧夏氣候條件異常，而異常氣候條件有利于流感病毒的傳播。

3 結論

通過對2005—2021年寧夏ILI資料和同期氣象資料的分析發現，寧夏流感一年四季均有發生，流行高峰期主要集中11月至次年3月，與我國北方大部區域的流行特征一致[7]；2005—2021年，寧夏累計報告流感樣病例21700例，年平均發病率為0.20‰，南部的固原市發病率最高，銀川市較低，這可能與不同區域人口密度以及經濟發展水平有關；當月ILI例數與前1個月氣象要素的相關性最強，其中，氣壓、氣溫、風速及日照時數明顯影響ILI例數的變化；基于GAM模型進一步分析了氣象要素交互作用對逐日ILI例數變化的影響效應，結果顯示日平均氣壓-平均氣溫、平均氣壓-日照時數、平均氣溫-平均相對濕度、平均氣溫-日照時數、平均相對濕度-日照時數5個交互項均通過顯著性檢驗，在P＜0.05水平下顯著影響ILI例數變化；結合交互效應的可視化圖發現，平均氣溫是影響ILI例數變化的關鍵氣象因子，而拉尼娜事件易引起次年冷空氣頻繁入侵寧夏，使得寧夏次年流感易出現高發。此結論可為流感防控工作和預警預測提供科學依據。