不同氣候帶城市氣溫對老年呼吸系統疾病死亡影響及趨利降風險效應研究

陸美靜，尹 立，孫 羽，王式功*，胥春云，樊 晉，瞿 沖，鄧徐慧

（1.成都信息工程大學大氣科學學院/環境氣象與健康研究院，四川 成都610225；2.攀枝花市中心醫院氣象醫學研究中心，四川 攀枝花617000；3.海南省第二人民醫院氣候醫學臨床研究中心，海南 五指山572299；4.元江縣衛健局，云南 元江653300）

呼吸系統疾病是一種常見多發病，嬰幼兒和老年人群都屬于此類疾病的高發群體[1-2]。據2019 年相關數據統計，中國有87%的死亡是由慢性疾病所引發的，其中慢性呼吸系統疾病位列居民慢性病死因的第三位[3]。近些年，隨著全球氣候變化的加劇，極端天氣氣候事件明顯增多，這不僅對自然環境產生影響，在一定程度上對人類健康也產生了影響。國內外都有研究表明，多種氣象要素及其變化均會對呼吸系統疾病產生一定程度的影響[4-8]，其中，氣溫是影響相關疾病發病乃至死亡的最主要氣象要素之一[9-13]。一方面當氣溫過高、過低或劇烈變化超出人體自身調節適應范圍時，可使人體適應能力減弱，會直接刺激或損傷人體呼吸系統；另一方面在某一氣溫段有利于細菌病毒存活與傳播[14]，二者都會導致呼吸系統疾病發病率或死亡率的增加。

國外相關研究表明，在全球氣候變暖的大背景下，氣溫的異常變化對人類健康的影響越來越凸顯，若將氣溫升高幅度限制在2 ℃以下可以防止世界上大多數地區與氣溫相關死亡率的大幅增加[15]。國內許多研究也表明，氣溫對呼吸系統疾病發病有明顯的影響，但因我國疆域遼闊，氣候類型多樣，東西南北跨越多個氣候帶[16]，在不同城市氣溫對呼吸系統疾病的影響有所不同[17-19]。Shao 等[20]研究發現，日平均氣溫與呼吸系統疾病死亡率之間存在“U”型相關性，當日平均氣溫為35.8 ℃（參考溫度為20 ℃）時，呼吸系統疾病死亡率上升了11.6%。李佳蔚等[21]研究發現在熱帶氣旋影響期，全人群、男性和女性的呼吸系統疾病發病風險均上升，其中＜15 歲的人群為易感人群。

目前國內有關氣溫對呼吸系統疾病的影響已有較多研究，但對于多個城市氣溫對其發病乃至死亡影響的比較研究仍較少，且近些年研究多為氣溫對疾病死亡不利影響，未曾提出是否可以通過氣候趨利旅居等方式在一定程度上降低發病乃至死亡風險的可能性。元江、成都與西安分別處于熱帶、亞熱帶與暖溫帶，且位于秦嶺南、北兩側，氣候有所不同，目前關于3 座城市之間是否存在氣候趨利康養效應的研究鮮有報道?；诖?，本研究采用廣義相加模型和分布滯后非線性模型，對收集到的元江、成都與西安3 座不同氣候帶城市逐日疾病死亡數據以及同期氣象數據進行綜合分析，首先研究氣溫對呼吸系統疾病死亡風險的整體效應，在此基礎上對氣溫進行定量分析，選用相對危險（Relative Risk，RR）、超額死亡風險（Exceeding Risk，ER） 和歸因分值（Attributable Fractions，AFs），分別來探究不同氣溫段對呼吸系統疾病死亡風險的影響，并從候鳥式氣候趨利角度定量探究不同氣溫與季節對其影響程度，以期為3 座城市的老年居民通過候鳥式季節性氣候趨利康養在一定程度上降低呼吸系統疾病發病或死亡風險，并為當地公共衛生等相關部門合理制定應對人口老齡化健康服務決策與措施提供科學依據。

1 資料與方法

1.1 研究區簡介

秦嶺在我國地理位置以及氣候調節上都有著重要意義，本文研究區域涉及的元江、成都和西安分別位于秦嶺南、北兩側。元江位于秦嶺以南的云南省中南部，地處低緯北回歸線（23.5°N）高原河谷地區，跨5 個亞氣候類型，主要屬于熱帶季風氣候。一年中受兩種不同的大氣環流影響，第一種為北非與印度北部大陸干暖氣流和北方南下的干冷氣流的交替影響，第二種為印度洋西南暖濕氣流和太平洋東南暖濕氣流的影響，由此形成了冬暖夏熱的氣候特征，適宜冬季避寒康養。成都位于秦嶺以南的四川盆地西部，屬于亞熱帶季風性濕潤氣候，受西南季風與東南季風影響，氣候溫和，雨水充沛，日照較少。西安位于秦嶺以北，屬于暖溫帶大陸性季風氣候，四季分明，冬季寒冷少雨（屬于符合國家規定城市建筑物冬季采暖條件的地區），夏季干熱，屬于亞濕潤氣候區。

1.2 資料來源

氣象資料為元江2014 年1 月1 日—2020 年12月31 日、成都和西安2011 年1 月1 日—2016 年12月31 日的逐日氣象資料，分別來源于元江縣氣象局、中國氣象科學數據共享服務網（成都、西安）。分別包括最高（低）氣溫（℃）、平均氣溫（℃）、平均相對濕度（%）和平均風速（m/s）等氣象要素。

疾病資料：為元江2014 年1 月1 日—2020 年12月31 日、成都和西安2011 年1 月1 日—2016 年12月31 日的逐日死亡病例資料（意外死亡病例已剔除），分別來源于元江疾控中心、中國疾病預防控制中心全國疾病監測系統死因監測數據集（成都、西安），死亡病例資料應反映的是老年人群。根據國際疾病分類標準第10 版（ICD-10）[22]，對數據資料進行整理分類，并選取呼吸系統疾?。↖CD-10 編碼：J00-J99）為研究對象。收集到的病例信息主要包括年齡、家庭住址、死亡日期和根本死因等基本信息，且剔除錄入錯誤和重復等病例，以確保本文所研究對象的準確性。

1.3 研究方法

1.3.1 模型構建

采用廣義相加模型（GAM）與分布滯后非線性模型（DLNM）進行建模。近些年，GAM 在流行病學的健康效應評估中應用越來越多，它可以很好地解釋因變量（暴露因素）與自變量（影響因素）之間的非線性關系。二者除了存在暴露—反應關系還存在一定的滯后性與累積效應，因此也引入DLNM，它是由Gasparrini[23-24]提出，可以同時反映出暴露—反應關系及其滯后效應對健康的影響。

本文基于GAM 模型框架，利用DLNM 構造氣溫交叉基，分別對三座城市的氣溫與呼吸系統疾病死亡人數進行關聯分析與建模。為保證人為主觀因素不對暴露死亡風險造成誤差，故加入時間趨勢項（time）與啞變量（holiday，dow）。模型框架如下：

相對危險度（Relative Risk，RR）是指暴露在某種環境下人群對某種疾病死亡發生的可能。超額死亡風險（Exceeding Risk，ER）是指疾病死亡人數超額增加的百分比。

1.3.2 歸因分值與歸因分數

采用歸因分值（Attribute Fractions，AFs）與歸因分數（Attribute Numbers，ANs）進一步量化氣溫對疾病死亡的影響。最適氣溫（MMT）為根據模型計算出最小累積死亡風險所對應的氣溫值。根據前人的研究經驗[26]將氣溫劃分為4 個氣溫段，分別是極端低溫（低于P2.5th氣溫）、中等低溫（P2.5th氣溫至MMT）、中等高溫（MMT 至P97.5th氣溫）和極端高溫（高于P97.5th氣溫）。計算各氣溫段AFs與ANs，研究各氣溫段對呼吸系統疾病死亡風險的影響[27-28]，并通過Monte Carlo 模擬[29]計算95%經驗置信區間。在此基礎上對氣溫進一步細化，以平均氣溫每1 ℃為單位，分別研究不同城市、不同氣溫對死亡風險的影響程度并分析氣候趨利型候鳥式旅居對死亡風險的影響。

歸因分值可表示為暴露于某一風險因子下某一人群的死亡人數占總死亡人數的比例，其與歸因分數計算表達式如下：

式中：βxi為暴露于i 時刻下的暴露—反應關系系數，i0為最小滯后天數，L 為最大滯后天數，n 為某一風險因子下的總死亡人數。

2 結果分析

2.1 氣象要素與呼吸系統疾病死亡人數描述性統計

由表1 可知，元江年平均氣溫為24.78 ℃，相對濕度為65.08%；成都與西安平均氣溫均相對較低，分別為16.41、15.08 ℃，且成都相對濕度較高，可達79.01%，西安相對濕度較低，僅為23.62%。研究時段內3 座城市收集到的呼吸系統疾病死亡人數分別占總死亡人數的38.9%、31.6%和56.3%，其死亡人數均超過總死亡人數的30%，說明呼吸系統疾病是導致這些地區居民死亡的主要疾病之一。

2.2 氣溫對呼吸系統疾病死亡人數的暴露—反應關系

由圖1 可知，氣溫與呼吸系統疾病死亡的關系大致呈“W”型（元江）與反“J”型（成都、西安）分布。模型通過控制時間趨勢與啞變量等其他變量，估算出元江、成都與西安的MMT 分別為27.4、21.2、24.6 ℃，此時氣溫對呼吸系統疾病死亡風險的影響最小。以MMT 為分界點，當低于（高于）此閾值時，死亡風險將會隨著氣溫的降低（升高）而升高（升高），且氣溫越低，RR 越大，表明其相對死亡風險更高，呈現冷效應為主。

圖1 元江（a）、成都（b）和西安（c）氣溫與呼吸系統疾病死亡風險的累積效應

氣溫對人體呼吸系統疾病死亡風險存在持續性與滯后性，且在不同氣溫與不同滯后天數下，其所對應的死亡風險也有所不同[30-32]。由圖2 可知，元江、成都與西安呼吸系統疾病的死亡風險均在高溫當天（lag0 d）達到了峰值，呈現為即時效應，RR 分別為2.1（95%置信區間：1.09，4.05）、1.13（95%置信區間：1.04，1.24）、1.12（95%置信區間：1.04，1.13）。元江低溫當天死亡風險較高，成都、西安兩市的低溫則存在較明顯的滯后效應，分別在lag1 d 與lag4 d 達到峰值，RR 分別為1.19（95%置信區間：1.07%，1.33%）、1.15（95%置信區間：1.09%，1.20%）?？傮w而言，3 座城市在高溫和低溫條件下呼吸系統疾病死亡風險分別表現出了“即時效應”與“滯后效應”。值得注意的是，高溫對元江呼吸系統疾病死亡風險的影響更突出，可能與地處熱帶、屬于氣候季節劃分的無冬區有關；成都、西安則是低溫對其影響更突出。同時，元江在低溫當天出現短暫“即時效應”，可能是因為其位于干熱的云南河谷地區，元江氣溫最低值相當于成都、西安氣溫的27.5th和33.6th，故低溫段也出現了短暫的“即時效應”。

2.3 氣溫對呼吸系統疾病死亡人數的歸因風險

為更加準確具體的分析氣溫及其變化對3 座城市呼吸系統疾病死亡風險的影響，計算各氣溫段對死亡風險的影響。由表2 可知，從整體氣溫來看，元江、成都與西安因冷熱不適宜所導致的超額死亡人數（ANs）分別占各自城市總人口數[33-35]的1.037‰、0.85‰、2.337‰，對應AFs分別為9.64%（95%置信區間：0.51%，17.62%）、11.25%（95%置信區間：7.68%，14.67%）和18.26%（95%置信區間：12.62%，22.92%）。當以MMT 為分界點時，元江、成都與西安冷效應的AFs分別為5.73%（95%置信區間：-4.07%，13.69%）、9.85%（95%置信區間：5.75%，13.53%）、17.44%（95%置信區間：11.37%，22.63%）；而熱效應相比冷效應的影響要小得多。此外，3 座城市ANs有較大差距可能是城市人口基數不同，所以其因呼吸系統疾病死亡的人數與超額死亡人數也會有所差別。

表2 不同氣溫段對元江、成都和西安呼吸系統疾病死亡風險的歸因分值與歸因分數

在冷、熱效應分層的情況下，將氣溫對呼吸系統疾病死亡風險的影響進一步細分，劃分為極端低溫、中等低溫、中等高溫與極端高溫。中等低溫對3 座城市影響最大，對應超額死亡人數分別占總超額死亡人數的53.95%、77.15%和89.7%，AFs分別為5.21%（95%置信區間：-3.04%，12.46%）、8.68%（95%置信區間：4.99%，12.03%）和16.38%（95%置信區間：10.82%，21.19%）。相對熱效應而言，冷效應對3 座城市呼吸系統疾病死亡風險的影響更突出，且冷效應中，中等低溫對死亡的累計影響最大，這可能是與中等低溫的頻數占總頻數的大部分有關（結合圖1下方的氣溫頻數分布），即人們在中等低溫環境下暴露時間更長，對呼吸系統疾病死亡的影響相對就更大。

將3 座城市日均氣溫1 ℃為單位進行定量劃分，使其可以更加細致地分析出氣溫對呼吸系統疾病死亡風險的影響。由圖3 可知，元江氣溫高頻次出現在27 ℃，AFs高值區主要出現在中等高溫范圍，其峰值為32 ℃。經計算發現元江在31～33 ℃出現的頻次占總氣溫的8.8%，但其AFs占整體氣溫造成死亡風險的27.74%，此氣溫段對人們的健康影響較大。成都與西安氣溫高頻次分別出現在20、25 ℃，兩市AFs峰值分別是6、2 ℃；成都在4～9 ℃出現的頻次占總氣溫的21.72%，西安在-1～8 ℃出現的頻次占總氣溫的27.65%，其AFs分別占整體氣溫造成死亡風險的53.17%、54.06%。由此可見，這兩段氣溫分別為成都、西安2 市老年人群呼吸系統疾病死亡的高發氣溫段。

圖3 元江（a）、成都（b）和西安（c）的氣溫頻次與每1 ℃對死亡風險的歸因分值

2.4 候鳥式氣候趨利對呼吸系統疾病死亡風險降低效應探究

我國地域廣闊，氣候類型繁多，山地立體氣候特征明顯。不同氣候帶不同地理經緯度城市之間的氣候具有一定差異，由此所誘發的呼吸系統疾病發病乃至死亡風險也有所不同，這為相關老年人群進行候鳥式氣候趨利避害的旅居康養創造了良好條件。為進一步細化氣溫分層后與呼吸系統疾病死亡風險之關系，對3 座不同氣候區城市居民死亡風險影響最大的中等氣溫（即中等低溫與中等高溫）進行細致分析。分別以3 座城市各自P2.5th氣溫為起點、P97.5th為終點，將此區間重新進行百分位劃分，然后按照平均氣溫每1 ℃為單位進行分析，并分別選取其P1th、P5th、P10th、P90th、P95th、P99th的氣溫及其對應的死亡風險進行對比分析，結果如表3 所示，當氣溫處于P1 時，對老年人群產生相對的強冷脅迫效應，成都與西安ER 均出現最大值，3 座城市ER 分別為6.1%（95%置信區間：-20.1%，42.5%）、50.2%（95%置信區間：34%，78.4%）和66.6%（95%置信區間：42.5%，94.9%）。低溫范圍內隨著氣溫升高，3 座城市所對應的ER 分別下降了1.2%、13.1%、13.0%，表明低溫脅迫對成都與西安的影響更顯著。當氣溫在第99 百分位時，元江ER 達到最大值，3 座城市ER 分別為58%（95%置信區間：6.1%，135.4%）、13.6%（95%置信區間：6%，21.8%）和10.9%（95%置信區間：3.9%，18.4%）。高溫范圍內隨氣溫升高，3 座城市ER 分別上升了28.3%、6.9%和8.2%，由此可見，高溫對元江影響最顯著。雖然低溫（P1、P5、P10）與高溫（P90、P95、P99）都會對老年人群呼吸系統疾病死亡風險有一定影響，但氣溫處于極端低溫或極端高溫時，其超額死亡風險將達到最大。

表3 不同城市相同百分比下的氣溫對呼吸系統疾病的超額死亡風險（ER）及其95%置信區間

由表3 可知，元江在P1、P5、P10 氣溫下若成都或西安老年人群前往元江，其ER 均有明顯變化，此時氣溫相對2 市分別上升了42%及以上，這對于2市的老年人群來說在低溫時前往元江避寒旅居可以在一定程度上降低其死亡風險，從而達到候鳥式氣候趨利的康養效應。從ER 下降幅度來看，低溫對于地處秦嶺以北的西安老年人群影響更大，理論上在此氣溫段西安老年人群前往元江旅居康養效果會更顯著。元江氣溫處于P90th、P95th、P99th時，元江老年人群若前往成都、西安，此時相對元江的氣溫有所下降，ER 可分別下降23%、37.6%、44.4%、27%、41.6%和47.1%，表明在此氣溫段元江老年人群去往成都或西安也可在一定程度上降低由熱效應所帶來的健康風險。

元江死亡風險高發氣溫段主要出現在夏季與秋季，成都與西安高發氣溫段則主要出現在冬季或冬季轉春季的過渡時期（圖4）。元江冬季（12 月—次年2 月）氣溫（17.1～21.5 ℃）相當于成都與西安春季（4—5 月）氣溫，在條件允許的情況下，成都與西安2地有意愿的老年候鳥人群若前往元江進行避寒康養，相當于在原居住地過春季，可明顯降低其呼吸系統疾病的死亡風險。此外，元江老年人群呼吸系統疾病死亡高發期出現在夏季，可能與其地處熱帶氣候有關，長時間的高溫對當地老年人群的呼吸系統產生一定的不利影響，而此時成都與西安月均氣溫分別為23.8～25.5 ℃、26.2～27.9 ℃，相當于元江春季（3—4 月）氣溫。從理論上來講，此時元江老年人群若前往成都或西安可減輕熱脅迫的影響，進而獲得降低呼吸系統疾病發病乃至死亡風險的效果。元江老年候鳥人群會有其他更好更方便的避暑康養地選擇，但其避暑康養機理都是相同的。

圖4 元江（a）、成都（b）和西安（c）各月呼吸系統疾病死亡人數百分比

3 結論

（1）元江、成都與西安3 地氣候對呼吸系統疾病死亡的影響都表現出了高溫“即時效應”、低溫“滯后效應”，且高溫即時性對元江的影響較突出，低溫滯后性在成都與西安的影響更顯著。3 座城市最低死亡風險對應的MMT 分別為27.6、21.2、24.6 ℃。

（2）不同城市死亡歸因分值不同，以MMT 為分界點，元江、成都與西安均為冷效應對呼吸系統疾病死亡風險的健康損失更為突出，其歸因分值分別為5.73%（95%置信區間：-4.07%，13.69%）、9.85（95%置信區間：5.75%，13.53%）和17.44%（95%置信區間：11.37%，22.63%）。

（3）在4 個氣溫段中（極端低溫、中等低溫、中等高溫與極端高溫），元江、成都與西安均為中等低溫段時對呼吸系統疾病死亡風險影響最大，其歸因分值分別為5.21%（95%置信區間：-3.04%，12.46%）、8.68%（95%置信區間：4.99%，12.03%）和16.38%（95%置信區間：10.82%，21.19%）。將氣溫細化到每1 ℃為單位時，3 座城市老年人群分別在31～33、4～9和-1～8 ℃呼吸系統疾病死亡風險達到高峰。

（4）低溫范圍內，3 座城市老年居民的超額死亡風險隨氣溫升高而遞減；高溫范圍內，3 座城市老年居民的超額死亡風險隨著氣溫升高而遞增。從其超額死亡風險和逐月死亡人數占比綜合來看，冬季低溫時段內，元江氣溫明顯高于成都、西安，有意愿有條件的2 地老年人群可前往元江進行避寒康養，可在一定程度上降低由于冷效應所帶來的呼吸系統疾病發病乃至死亡風險；成都與西安相對元江而言，夏季氣溫總體上沒有元江高，其熱效應所帶來的老年人群呼吸系統疾病死亡風險相對較小。

與以往同類研究相比，本文就不同氣候帶城市氣溫對呼吸系統疾病死亡影響及氣候趨利風險降低效應方面獲得了創新性的研究成果，定量評估了氣候趨利的避寒或避暑康養效應。如采用平均氣溫每1 ℃為單位進行衡量，從氣溫對老年人群呼吸系統疾病死亡的累積風險和單位風險來看，3 座城市均為冷效應（中等低溫）占主導，更加客觀地反映了不同氣溫段對老年人群呼吸系統疾病死亡風險的影響。同時，本文對老年人群候鳥式氣候趨利康養降低呼吸系統疾病死亡風險進行了探究，發現這符合生態學中對生態位的理解[36]。這也證明了上述研究中發現的元江、成都與西安老年人群可以通過季節性氣候趨利好旅居，在一定程度上降低由于氣溫過高（過低）所帶來的呼吸系統疾病死亡風險。但本文存在一定局限性，一是由于醫療數據獲取難度較大，3座城市的醫療數據有一定起始時間差，但其交叉時間段占主導；二是本文僅考慮了氣象醫學界公認的最主要氣象要素氣溫，并就不同氣候區的3 座城市氣溫對老年呼吸系統疾病死亡風險的影響進行初步探究，其他相關氣象要素對老年人群呼吸系統疾病死亡風險的影響還有待進一步研究，以便更全面地展現各種氣象要素的影響及其差異；三是由于本篇研究重在凸顯不同氣溫對健康的影響，因此在本篇文章的模型中未考慮污染物對呼吸系統疾病的影響，后續研究中將考慮氣象要素和空氣污染物（如PM2.5、O3等）的共同或交互影響。