不同气候带城市气温对老年呼吸系统疾病死亡影响及趋利降风险效应研究

陆美静，尹 立，孙 羽，王式功*，胥春云，樊 晋，瞿 冲，邓徐慧

（1.成都信息工程大学大气科学学院/环境气象与健康研究院，四川 成都610225；2.攀枝花市中心医院气象医学研究中心，四川 攀枝花617000；3.海南省第二人民医院气候医学临床研究中心，海南 五指山572299；4.元江县卫健局，云南 元江653300）

呼吸系统疾病是一种常见多发病，婴幼儿和老年人群都属于此类疾病的高发群体[1-2]。据2019 年相关数据统计，中国有87%的死亡是由慢性疾病所引发的，其中慢性呼吸系统疾病位列居民慢性病死因的第三位[3]。近些年，随着全球气候变化的加剧，极端天气气候事件明显增多，这不仅对自然环境产生影响，在一定程度上对人类健康也产生了影响。国内外都有研究表明，多种气象要素及其变化均会对呼吸系统疾病产生一定程度的影响[4-8]，其中，气温是影响相关疾病发病乃至死亡的最主要气象要素之一[9-13]。一方面当气温过高、过低或剧烈变化超出人体自身调节适应范围时，可使人体适应能力减弱，会直接刺激或损伤人体呼吸系统；另一方面在某一气温段有利于细菌病毒存活与传播[14]，二者都会导致呼吸系统疾病发病率或死亡率的增加。

国外相关研究表明，在全球气候变暖的大背景下，气温的异常变化对人类健康的影响越来越凸显，若将气温升高幅度限制在2 ℃以下可以防止世界上大多数地区与气温相关死亡率的大幅增加[15]。国内许多研究也表明，气温对呼吸系统疾病发病有明显的影响，但因我国疆域辽阔，气候类型多样，东西南北跨越多个气候带[16]，在不同城市气温对呼吸系统疾病的影响有所不同[17-19]。Shao 等[20]研究发现，日平均气温与呼吸系统疾病死亡率之间存在“U”型相关性，当日平均气温为35.8 ℃（参考温度为20 ℃）时，呼吸系统疾病死亡率上升了11.6%。李佳蔚等[21]研究发现在热带气旋影响期，全人群、男性和女性的呼吸系统疾病发病风险均上升，其中＜15 岁的人群为易感人群。

目前国内有关气温对呼吸系统疾病的影响已有较多研究，但对于多个城市气温对其发病乃至死亡影响的比较研究仍较少，且近些年研究多为气温对疾病死亡不利影响，未曾提出是否可以通过气候趋利旅居等方式在一定程度上降低发病乃至死亡风险的可能性。元江、成都与西安分别处于热带、亚热带与暖温带，且位于秦岭南、北两侧，气候有所不同，目前关于3 座城市之间是否存在气候趋利康养效应的研究鲜有报道。基于此，本研究采用广义相加模型和分布滞后非线性模型，对收集到的元江、成都与西安3 座不同气候带城市逐日疾病死亡数据以及同期气象数据进行综合分析，首先研究气温对呼吸系统疾病死亡风险的整体效应，在此基础上对气温进行定量分析，选用相对危险（Relative Risk，RR）、超额死亡风险（Exceeding Risk，ER） 和归因分值（Attributable Fractions，AFs），分别来探究不同气温段对呼吸系统疾病死亡风险的影响，并从候鸟式气候趋利角度定量探究不同气温与季节对其影响程度，以期为3 座城市的老年居民通过候鸟式季节性气候趋利康养在一定程度上降低呼吸系统疾病发病或死亡风险，并为当地公共卫生等相关部门合理制定应对人口老龄化健康服务决策与措施提供科学依据。

1 资料与方法

1.1 研究区简介

秦岭在我国地理位置以及气候调节上都有着重要意义，本文研究区域涉及的元江、成都和西安分别位于秦岭南、北两侧。元江位于秦岭以南的云南省中南部，地处低纬北回归线（23.5°N）高原河谷地区，跨5 个亚气候类型，主要属于热带季风气候。一年中受两种不同的大气环流影响，第一种为北非与印度北部大陆干暖气流和北方南下的干冷气流的交替影响，第二种为印度洋西南暖湿气流和太平洋东南暖湿气流的影响，由此形成了冬暖夏热的气候特征，适宜冬季避寒康养。成都位于秦岭以南的四川盆地西部，属于亚热带季风性湿润气候，受西南季风与东南季风影响，气候温和，雨水充沛，日照较少。西安位于秦岭以北，属于暖温带大陆性季风气候，四季分明，冬季寒冷少雨（属于符合国家规定城市建筑物冬季采暖条件的地区），夏季干热，属于亚湿润气候区。

1.2 资料来源

气象资料为元江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 日的逐日气象资料，分别来源于元江县气象局、中国气象科学数据共享服务网（成都、西安）。分别包括最高（低）气温（℃）、平均气温（℃）、平均相对湿度（%）和平均风速（m/s）等气象要素。

疾病资料：为元江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 日的逐日死亡病例资料（意外死亡病例已剔除），分别来源于元江疾控中心、中国疾病预防控制中心全国疾病监测系统死因监测数据集（成都、西安），死亡病例资料应反映的是老年人群。根据国际疾病分类标准第10 版（ICD-10）[22]，对数据资料进行整理分类，并选取呼吸系统疾病（ICD-10 编码：J00-J99）为研究对象。收集到的病例信息主要包括年龄、家庭住址、死亡日期和根本死因等基本信息，且剔除录入错误和重复等病例，以确保本文所研究对象的准确性。

1.3 研究方法

1.3.1 模型构建

采用广义相加模型（GAM）与分布滞后非线性模型（DLNM）进行建模。近些年，GAM 在流行病学的健康效应评估中应用越来越多，它可以很好地解释因变量（暴露因素）与自变量（影响因素）之间的非线性关系。二者除了存在暴露—反应关系还存在一定的滞后性与累积效应，因此也引入DLNM，它是由Gasparrini[23-24]提出，可以同时反映出暴露—反应关系及其滞后效应对健康的影响。

本文基于GAM 模型框架，利用DLNM 构造气温交叉基，分别对三座城市的气温与呼吸系统疾病死亡人数进行关联分析与建模。为保证人为主观因素不对暴露死亡风险造成误差，故加入时间趋势项（time）与哑变量（holiday，dow）。模型框架如下：

相对危险度（Relative Risk，RR）是指暴露在某种环境下人群对某种疾病死亡发生的可能。超额死亡风险（Exceeding Risk，ER）是指疾病死亡人数超额增加的百分比。

1.3.2 归因分值与归因分数

采用归因分值（Attribute Fractions，AFs）与归因分数（Attribute Numbers，ANs）进一步量化气温对疾病死亡的影响。最适气温（MMT）为根据模型计算出最小累积死亡风险所对应的气温值。根据前人的研究经验[26]将气温划分为4 个气温段，分别是极端低温（低于P2.5th气温）、中等低温（P2.5th气温至MMT）、中等高温（MMT 至P97.5th气温）和极端高温（高于P97.5th气温）。计算各气温段AFs与ANs，研究各气温段对呼吸系统疾病死亡风险的影响[27-28]，并通过Monte Carlo 模拟[29]计算95%经验置信区间。在此基础上对气温进一步细化，以平均气温每1 ℃为单位，分别研究不同城市、不同气温对死亡风险的影响程度并分析气候趋利型候鸟式旅居对死亡风险的影响。

归因分值可表示为暴露于某一风险因子下某一人群的死亡人数占总死亡人数的比例，其与归因分数计算表达式如下：

式中：βxi为暴露于i 时刻下的暴露—反应关系系数，i0为最小滞后天数，L 为最大滞后天数，n 为某一风险因子下的总死亡人数。

2 结果分析

2.1 气象要素与呼吸系统疾病死亡人数描述性统计

由表1 可知，元江年平均气温为24.78 ℃，相对湿度为65.08%；成都与西安平均气温均相对较低，分别为16.41、15.08 ℃，且成都相对湿度较高，可达79.01%，西安相对湿度较低，仅为23.62%。研究时段内3 座城市收集到的呼吸系统疾病死亡人数分别占总死亡人数的38.9%、31.6%和56.3%，其死亡人数均超过总死亡人数的30%，说明呼吸系统疾病是导致这些地区居民死亡的主要疾病之一。

2.2 气温对呼吸系统疾病死亡人数的暴露—反应关系

由图1 可知，气温与呼吸系统疾病死亡的关系大致呈“W”型（元江）与反“J”型（成都、西安）分布。模型通过控制时间趋势与哑变量等其他变量，估算出元江、成都与西安的MMT 分别为27.4、21.2、24.6 ℃，此时气温对呼吸系统疾病死亡风险的影响最小。以MMT 为分界点，当低于（高于）此阈值时，死亡风险将会随着气温的降低（升高）而升高（升高），且气温越低，RR 越大，表明其相对死亡风险更高，呈现冷效应为主。

图1 元江（a）、成都（b）和西安（c）气温与呼吸系统疾病死亡风险的累积效应

气温对人体呼吸系统疾病死亡风险存在持续性与滞后性，且在不同气温与不同滞后天数下，其所对应的死亡风险也有所不同[30-32]。由图2 可知，元江、成都与西安呼吸系统疾病的死亡风险均在高温当天（lag0 d）达到了峰值，呈现为即时效应，RR 分别为2.1（95%置信区间：1.09，4.05）、1.13（95%置信区间：1.04，1.24）、1.12（95%置信区间：1.04，1.13）。元江低温当天死亡风险较高，成都、西安两市的低温则存在较明显的滞后效应，分别在lag1 d 与lag4 d 达到峰值，RR 分别为1.19（95%置信区间：1.07%，1.33%）、1.15（95%置信区间：1.09%，1.20%）。总体而言，3 座城市在高温和低温条件下呼吸系统疾病死亡风险分别表现出了“即时效应”与“滞后效应”。值得注意的是，高温对元江呼吸系统疾病死亡风险的影响更突出，可能与地处热带、属于气候季节划分的无冬区有关；成都、西安则是低温对其影响更突出。同时，元江在低温当天出现短暂“即时效应”，可能是因为其位于干热的云南河谷地区，元江气温最低值相当于成都、西安气温的27.5th和33.6th，故低温段也出现了短暂的“即时效应”。

2.3 气温对呼吸系统疾病死亡人数的归因风险

为更加准确具体的分析气温及其变化对3 座城市呼吸系统疾病死亡风险的影响，计算各气温段对死亡风险的影响。由表2 可知，从整体气温来看，元江、成都与西安因冷热不适宜所导致的超额死亡人数（ANs）分别占各自城市总人口数[33-35]的1.037‰、0.85‰、2.337‰，对应AFs分别为9.64%（95%置信区间：0.51%，17.62%）、11.25%（95%置信区间：7.68%，14.67%）和18.26%（95%置信区间：12.62%，22.92%）。当以MMT 为分界点时，元江、成都与西安冷效应的AFs分别为5.73%（95%置信区间：-4.07%，13.69%）、9.85%（95%置信区间：5.75%，13.53%）、17.44%（95%置信区间：11.37%，22.63%）；而热效应相比冷效应的影响要小得多。此外，3 座城市ANs有较大差距可能是城市人口基数不同，所以其因呼吸系统疾病死亡的人数与超额死亡人数也会有所差别。

表2 不同气温段对元江、成都和西安呼吸系统疾病死亡风险的归因分值与归因分数

在冷、热效应分层的情况下，将气温对呼吸系统疾病死亡风险的影响进一步细分，划分为极端低温、中等低温、中等高温与极端高温。中等低温对3 座城市影响最大，对应超额死亡人数分别占总超额死亡人数的53.95%、77.15%和89.7%，AFs分别为5.21%（95%置信区间：-3.04%，12.46%）、8.68%（95%置信区间：4.99%，12.03%）和16.38%（95%置信区间：10.82%，21.19%）。相对热效应而言，冷效应对3 座城市呼吸系统疾病死亡风险的影响更突出，且冷效应中，中等低温对死亡的累计影响最大，这可能是与中等低温的频数占总频数的大部分有关（结合图1下方的气温频数分布），即人们在中等低温环境下暴露时间更长，对呼吸系统疾病死亡的影响相对就更大。

将3 座城市日均气温1 ℃为单位进行定量划分，使其可以更加细致地分析出气温对呼吸系统疾病死亡风险的影响。由图3 可知，元江气温高频次出现在27 ℃，AFs高值区主要出现在中等高温范围，其峰值为32 ℃。经计算发现元江在31～33 ℃出现的频次占总气温的8.8%，但其AFs占整体气温造成死亡风险的27.74%，此气温段对人们的健康影响较大。成都与西安气温高频次分别出现在20、25 ℃，两市AFs峰值分别是6、2 ℃；成都在4～9 ℃出现的频次占总气温的21.72%，西安在-1～8 ℃出现的频次占总气温的27.65%，其AFs分别占整体气温造成死亡风险的53.17%、54.06%。由此可见，这两段气温分别为成都、西安2 市老年人群呼吸系统疾病死亡的高发气温段。

图3 元江（a）、成都（b）和西安（c）的气温频次与每1 ℃对死亡风险的归因分值

2.4 候鸟式气候趋利对呼吸系统疾病死亡风险降低效应探究

我国地域广阔，气候类型繁多，山地立体气候特征明显。不同气候带不同地理经纬度城市之间的气候具有一定差异，由此所诱发的呼吸系统疾病发病乃至死亡风险也有所不同，这为相关老年人群进行候鸟式气候趋利避害的旅居康养创造了良好条件。为进一步细化气温分层后与呼吸系统疾病死亡风险之关系，对3 座不同气候区城市居民死亡风险影响最大的中等气温（即中等低温与中等高温）进行细致分析。分别以3 座城市各自P2.5th气温为起点、P97.5th为终点，将此区间重新进行百分位划分，然后按照平均气温每1 ℃为单位进行分析，并分别选取其P1th、P5th、P10th、P90th、P95th、P99th的气温及其对应的死亡风险进行对比分析，结果如表3 所示，当气温处于P1 时，对老年人群产生相对的强冷胁迫效应，成都与西安ER 均出现最大值，3 座城市ER 分别为6.1%（95%置信区间：-20.1%，42.5%）、50.2%（95%置信区间：34%，78.4%）和66.6%（95%置信区间：42.5%，94.9%）。低温范围内随着气温升高，3 座城市所对应的ER 分别下降了1.2%、13.1%、13.0%，表明低温胁迫对成都与西安的影响更显著。当气温在第99 百分位时，元江ER 达到最大值，3 座城市ER 分别为58%（95%置信区间：6.1%，135.4%）、13.6%（95%置信区间：6%，21.8%）和10.9%（95%置信区间：3.9%，18.4%）。高温范围内随气温升高，3 座城市ER 分别上升了28.3%、6.9%和8.2%，由此可见，高温对元江影响最显著。虽然低温（P1、P5、P10）与高温（P90、P95、P99）都会对老年人群呼吸系统疾病死亡风险有一定影响，但气温处于极端低温或极端高温时，其超额死亡风险将达到最大。

表3 不同城市相同百分比下的气温对呼吸系统疾病的超额死亡风险（ER）及其95%置信区间

由表3 可知，元江在P1、P5、P10 气温下若成都或西安老年人群前往元江，其ER 均有明显变化，此时气温相对2 市分别上升了42%及以上，这对于2市的老年人群来说在低温时前往元江避寒旅居可以在一定程度上降低其死亡风险，从而达到候鸟式气候趋利的康养效应。从ER 下降幅度来看，低温对于地处秦岭以北的西安老年人群影响更大，理论上在此气温段西安老年人群前往元江旅居康养效果会更显著。元江气温处于P90th、P95th、P99th时，元江老年人群若前往成都、西安，此时相对元江的气温有所下降，ER 可分别下降23%、37.6%、44.4%、27%、41.6%和47.1%，表明在此气温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热效应所带来的健康风险。

元江死亡风险高发气温段主要出现在夏季与秋季，成都与西安高发气温段则主要出现在冬季或冬季转春季的过渡时期（图4）。元江冬季（12 月—次年2 月）气温（17.1～21.5 ℃）相当于成都与西安春季（4—5 月）气温，在条件允许的情况下，成都与西安2地有意愿的老年候鸟人群若前往元江进行避寒康养，相当于在原居住地过春季，可明显降低其呼吸系统疾病的死亡风险。此外，元江老年人群呼吸系统疾病死亡高发期出现在夏季，可能与其地处热带气候有关，长时间的高温对当地老年人群的呼吸系统产生一定的不利影响，而此时成都与西安月均气温分别为23.8～25.5 ℃、26.2～27.9 ℃，相当于元江春季（3—4 月）气温。从理论上来讲，此时元江老年人群若前往成都或西安可减轻热胁迫的影响，进而获得降低呼吸系统疾病发病乃至死亡风险的效果。元江老年候鸟人群会有其他更好更方便的避暑康养地选择，但其避暑康养机理都是相同的。

图4 元江（a）、成都（b）和西安（c）各月呼吸系统疾病死亡人数百分比

3 结论

（1）元江、成都与西安3 地气候对呼吸系统疾病死亡的影响都表现出了高温“即时效应”、低温“滞后效应”，且高温即时性对元江的影响较突出，低温滞后性在成都与西安的影响更显著。3 座城市最低死亡风险对应的MMT 分别为27.6、21.2、24.6 ℃。

（2）不同城市死亡归因分值不同，以MMT 为分界点，元江、成都与西安均为冷效应对呼吸系统疾病死亡风险的健康损失更为突出，其归因分值分别为5.73%（95%置信区间：-4.07%，13.69%）、9.85（95%置信区间：5.75%，13.53%）和17.44%（95%置信区间：11.37%，22.63%）。

（3）在4 个气温段中（极端低温、中等低温、中等高温与极端高温），元江、成都与西安均为中等低温段时对呼吸系统疾病死亡风险影响最大，其归因分值分别为5.21%（95%置信区间：-3.04%，12.46%）、8.68%（95%置信区间：4.99%，12.03%）和16.38%（95%置信区间：10.82%，21.19%）。将气温细化到每1 ℃为单位时，3 座城市老年人群分别在31～33、4～9和-1～8 ℃呼吸系统疾病死亡风险达到高峰。

（4）低温范围内，3 座城市老年居民的超额死亡风险随气温升高而递减；高温范围内，3 座城市老年居民的超额死亡风险随着气温升高而递增。从其超额死亡风险和逐月死亡人数占比综合来看，冬季低温时段内，元江气温明显高于成都、西安，有意愿有条件的2 地老年人群可前往元江进行避寒康养，可在一定程度上降低由于冷效应所带来的呼吸系统疾病发病乃至死亡风险；成都与西安相对元江而言，夏季气温总体上没有元江高，其热效应所带来的老年人群呼吸系统疾病死亡风险相对较小。

与以往同类研究相比，本文就不同气候带城市气温对呼吸系统疾病死亡影响及气候趋利风险降低效应方面获得了创新性的研究成果，定量评估了气候趋利的避寒或避暑康养效应。如采用平均气温每1 ℃为单位进行衡量，从气温对老年人群呼吸系统疾病死亡的累积风险和单位风险来看，3 座城市均为冷效应（中等低温）占主导，更加客观地反映了不同气温段对老年人群呼吸系统疾病死亡风险的影响。同时，本文对老年人群候鸟式气候趋利康养降低呼吸系统疾病死亡风险进行了探究，发现这符合生态学中对生态位的理解[36]。这也证明了上述研究中发现的元江、成都与西安老年人群可以通过季节性气候趋利好旅居，在一定程度上降低由于气温过高（过低）所带来的呼吸系统疾病死亡风险。但本文存在一定局限性，一是由于医疗数据获取难度较大，3座城市的医疗数据有一定起始时间差，但其交叉时间段占主导；二是本文仅考虑了气象医学界公认的最主要气象要素气温，并就不同气候区的3 座城市气温对老年呼吸系统疾病死亡风险的影响进行初步探究，其他相关气象要素对老年人群呼吸系统疾病死亡风险的影响还有待进一步研究，以便更全面地展现各种气象要素的影响及其差异；三是由于本篇研究重在凸显不同气温对健康的影响，因此在本篇文章的模型中未考虑污染物对呼吸系统疾病的影响，后续研究中将考虑气象要素和空气污染物（如PM2.5、O3等）的共同或交互影响。