中国主要法定报告传染病的“春节效应”研究

魏 珊 陆一涵 高眉扬 卫国荣 姜庆五 赵耐青 郑英杰

（复旦大学公共卫生学院流行病学教研室－教育部公共卫生安全重点实验室 上海 200032）

传染病的季节性是指该病发病率以大致固定的时间区间发生的周期性波动［1］，常由多种原因引起，人群行为活动、环境对病原体的影响等可能发挥主要作用［2］。春节是中国人最盛大、最重要的传统节日，在我国最为突出的特征是短期超大规模的人群流动。这种特征可直接或间接影响着传染病流行的3个环节，使得每年春节前后传染病疫情呈现出上升波动，即“春节效应”，该效应是传染病季节性发病的一种表现形式。类似现象也发生于经济学领域［3］。以往针对疾病的节日效应研究多集中在流行性感冒［4］、出生等，传染病是否存在“春节效应”尚不清楚。探索传染病的“春节效应”可加深对所研究传染病的病原学和生态学认识，为研究其传播机制和危险因素提供线索，进而提高预防和控制效果。鉴于此，本文选取2005年至2011年全国主要法定报告传染病发病数据，采用时间序列分解法对其进行研究。

资料和方法

数据来源 我国传染病报告制度自2004年1月1日起依法通过全国传染病网络直报系统实施报告、通报和公布。报告的传染病共37种，分甲类、乙类和丙类。2008年前卫生部逐月通报和公布甲、乙类传染病共27种，2009年起增加10种丙类传染病。本文获取全国传染病网络直报系统试运行一年后的甲乙类法定报告传染病发病数据，具体数据资料来源于国家卫生部网站http：∥www．moh．gov．cn 2005年1月至2011年12月每月报告的全国甲乙类法定报告传染病病例数。

纳入和排除病种 本文纳入2005年至2011年卫生部公布的每月病例数资料完整的甲、乙类传染病25种，具体为：霍乱、艾滋病、病毒性肝炎（甲肝、乙肝、丙肝和戊肝）、麻疹、流行性出血热、狂犬病、流行性乙型脑炎、登革热、炭疽、细菌性和阿米巴性痢疾、肺结核、伤寒和副伤寒、流行性脑脊髓膜炎、百日咳、新生儿破伤风、猩红热、布鲁氏菌病、淋病、梅毒、钩端螺旋体病、血吸虫病、疟疾。因报告例数少或零报告的鼠疫、传染性非典型肺炎、脊髓灰质炎、人感染高致病性禽流感、白喉以及未分型病毒性肝炎排除出本研究。

数据准备 （1）在各纳入的传染病数据中，建立时间变量ti（i＝1，2，…，84），以月份为单位，依次为2005年1月至2011年12月的84个月份。按时间变量ti依次统计全国每月原始病例数Ni；（2）根据各月份天数和人口月自然增长率对原始数据进行校正。

我国2000年至2010年期间年平均人口自然增长率为0．57% 据国家统计局2011年统计公报，我国2011年平均人口自然增长率为0．479%。由（1＋p1）12＝ （1＋0．57%）1及 （1＋p2）12＝ （1＋0．479%）1，求得2000年至2010年间月平均人口自然增长率p1＝0．0474%，2011年月平均人口自然增长率p2＝0．0398%，校正公式为：（1＋p1或p2）ti。其中，Xi为校正后月病例数，Ni为原始月病例数，di为第ti月的天数。

时间序列分解法具体步骤 时间序列一般包括长期趋势因素（T）、季节性因素（S）、循环性因素（C）和随机性因素（R）4个部分，此处以梅毒数据为例，采用时间序列分解乘法模型进行分解［6］。

（1）对校正后的病例数（Xi）做散点图（图1），观察其变化情况，以N＝12（月）为一个周期。

（2）计算12个月的移动平均数（MAi）。

通过计算移动平均数，随机性因素和季节性因素的正负波动在一定程度上相互抵消，所以MAi只包括长期趋势因素和循环性因素两部分（T×C）。

（3）计算SRi（图1）。

SRi＝ Xi／MAi＝（T×S×C×R）／（T×C）＝S×R，因此SRi只包括季节性因素和随机性因素两部分（S×R）。

（4）计算季节性因素S。

计算各年同一月份SRi的平均值，去除随机性因素的影响，得到的平均数只包括季节性因素S（图1），反映了病例数随时间变化的平均状况。

图1 2005年至2011年全国梅毒原始病例数、校正病例数、SRi及季节性因素SFig 1 The number of original and corrected cases，SRi and seasonality of syphilis in China from Jan．，2005to Dec．，2011

春节效应”判断 根据季节性因素S和SRi曲线、潜伏期以及春节日期进行综合分析，探讨有无“春节效应”。本文“春节效应”的判定应符合如下3个条件：（1）S和SRi曲线在春节后某个时间点上升急速，打破原本平滑上升、下降或平稳的趋势而发生波动，出现小高峰；（2）如存在（1）所述现象，将小高峰出现日期往前推算一个潜伏期（以平均潜伏期为主，最长潜伏期为辅），推算后的日期正好位于春节前后；（3）每年或大多数年的S和SRi曲线均存在上述（1）、（2）所述现象。如符合上述3个条件，即提示该传染病可能存在“春节效应”。我国每年春运为春节前15天和春节后25天，共40天，分布于1月至3月中旬，本文选取春运时间为大致春节前后时间。

以图1梅毒为例，结合上述判定条件，发现梅毒S和SRi在每年2～4月份上升迅速，并且出现波动和第一个发病小波峰；梅毒潜伏期为3～4周，向前推算一个潜伏期，可得出在1月中旬至3月梅毒的感染迅速增加，正好位于春节前后即春运期间；2005年至2011年7年均出现上述相同的情况。由此可以认为梅毒发病可能具有“春节效应”。

对每一种纳入传染病按照上述方法进行分解和分析，探讨其有无“春节效应”。

结 果

具有“春节效应”的传染病 本研究所纳入的25种传染病中，有7种具有较为明确的“春节效应”，分别为甲肝、乙肝、丙肝、戊肝、百日咳、淋病和梅毒，该7种传染病的S和SRi曲线在春节后某个时间点急速上升，打破原本平滑上升、下降或平稳的趋势而发生波动，出现小高峰，将小高峰出现日期向前推算一个潜伏期（以平均潜伏期为主，最长潜伏期为辅），推算后的日期正好位于春节前后，并且每年或大多数年的S和SRi曲线均存在上述现象。

“春节效应”不明确的传染病 结核病和艾滋病的S、SRi在春节后有小波峰出现，但由于其潜伏期不明确或过长，所以“春节效应”暂时不明确。

不具有“春节效应”的传染病 霍乱、麻疹、流行性出血热、狂犬病、流行性乙型脑炎、登革热、炭疽、细菌性和阿米巴性痢疾、伤寒和副伤寒、流行性脑脊髓膜炎、新生儿破伤风、猩红热、布鲁氏菌病、钩端螺旋体病、血吸虫病、疟疾等暂时未发现具有“春节效应”。例如麻疹、出血热等的S和SRi曲线在春节后并未出现明显波动小高峰；登革热、破伤风等的S和SRi曲线虽然在春节后出现波动小高峰，但是往前推算一个潜伏期后的时间并非在春节前后；而像狂犬病和炭疽等，虽然在个别年份，S和SRi曲线也会在春节后出现波动高峰，并且往前推算一个潜伏期后的日期也正好位于春节前后，但由于该情况不是每年或大多数年份都出现，所以也暂时将其列为未发现“春节效应”的传染病。

具体的“春节效应”判定结果 “春节效应”判定结果包括各传染病的潜伏期、S及SRi在春节后第一个高峰日以及判断是否具有“春节效应”的原因（表1）。具有“春节效应”的7种传染病的S和SRi变化情况见图2，由于每年SRi不完全相同，春节、春运日期不一致，各传染病潜伏期跨度也较大，所以具体应参照图2（季节性因素S和SRi以及每年的具体春节、春运日期）查看每年各自情况。

表1 各纳入传染病的“春节效应”结果判定Tab 1 Results of“Spring Festival effects”of communicable disease involved

（续表1）

讨 论

本研究发现，2005年至2011年我国甲乙类法定报告传染病中有7种传染病表现出“春节效应”，它们分别是甲肝、乙肝、丙肝、戊肝、百日咳、淋病和梅毒，均表现为发病出现波动，感染在春节期间上升，经过一个潜伏期后出现发病小高峰。其中，甲肝和戊肝属于肠道传染病，有报道指出甲肝也可通过性接触传播［7］；乙肝和丙肝属于体液传染病，也可通过性接触、密切接触等传播；百日咳属于呼吸道传染病；淋病和梅毒属于性传播疾病。

基于对该7种传染病传播途径的认识，结合春节期间的某些重要特征，可从以下两方面对其出现“春节效应”的原因和危险因素进行推测：

第一，社会学因素。首先，春节作为中国最传统、最盛大的节日，在春节前后，探亲返乡、旅游度假人数骤增。而“春运”作为“人类历史上规模最大的、周期性的人类大迁徙”，在40天左右的时间里，有30多亿人次的人口流动，占世界人口的1／2，相当于全国人民进行两次大迁移。春运期间，各机场、车站、各交通运输工具中客流量均达到巅峰，短期内的大规模人群流动使得人群聚集程度、人流密度、人与人之间密切接触程度与往常相比显著增加。其次，春节期间，人们走亲访友、参加聚会聚餐、出入各类娱乐场所等的机会均有所增加。上述两类原因加大了传染源和易感人群的流动性，有利于病原体在传染源与易感人群之间传播，增加了易感人群接触被污染食物、含病原体飞沫、不洁卫生用具、不安全性行为等的机会，容易发生交叉感染。

第二，生物学因素。首先，春节期间天气寒冷，人们频繁应酬、娱乐过度、旅途奔波劳累等因素易导致人体免疫力下降，增加人群易感性。其次，春节期间气候相对干燥、降水少，空气中细菌、病毒等随之增多，增加人群感染机会。再次，冬季严寒环境可能适于该7种传染病的病原体生存、繁殖和传播。

而对于其他传染病暂时没有判定为具有“春节效应”的原因也有多种，主要包括有些传染病的潜伏期过长，无法判断感染时间（如艾滋病、猩红热）；有些传染病在春节期间发病呈平滑上升状态，无波动无小高峰，不能认为受到春节相关因素的影响（如伤寒、副伤寒、麻疹、流脑）；SRi只在个别年份的春节前后出现波动，暂时不能排除其为随机现象（如炭疽）；某些自然疫源性疾病的蚊虫传播媒介冬天几乎无法生存（如疟疾、登革热），某些传染病病原体不适应严寒环境（如痢疾），使得其SRi在春节前后呈现平稳低水平状态，不可能受到春节相关因素的影响，认为其没有“春节效应”。

通过上述原因分析，为进一步探索各传染病的病原学、传播机制等提供了依据。同样作为肠道传染病，菌痢、伤寒等却没有像甲肝、戊肝一样表现出“春节效应”。同样作为呼吸道传染病，流脑、麻疹却没有像百日咳一样表现出“春节效应”；该7种传染病的传播机制不完全相同，但却表现出相似的“春节效应”。提示该7种传染病可能具有某些相似的但不同于其他传染病的病原学、生态学等特征，这些将为后续研究提供线索和依据。如前言所述，目前国内外关于传染病“春节效应”的研究很少，同时由于这7种传染病的传染源广泛存在，传播机制多种多样，所以对其具体病原学、生态学特征等需进一步研究。

通过本研究，我们发现这7种传染病并不全是严格在春节期间发病达到最高峰，而大多是在春节期间感染状况出现波动增加，以至于在经过一个潜伏期之后出现发病小高峰，在此期间积累了一定数量的病例数，使潜在的传染源增多。根据传染病的传播理论，在假设其他影响因素不变的前提下，前期传染源或病例数的增多势必会导致后期病例数的进一步增加甚至引起爆发和流行。如果在前期能阻断传染病的传播、控制病例数的累积，则可以有效防止后期更多数量病例的出现。由此，本研究提示我们在春节期间，相关部门应加强领导，开展相关传染病的防病知识宣传和健康教育；加强食品卫生检查，对食品制作供销人员、厨师等做带菌检查；加强公共场所卫生检查，公共场所应加强消毒等防疫措施；引导人们养成良好的卫生、生活习惯，注意增强人体免疫力，必要时可接种相关疫苗，合理饮食和休息，注意清洁饮食，杜绝生吃、半生吃；教育人们尽量不去或少去人群聚集、通风不良的公共场所，远离色情场所，切实做好相关传染病的防治工作。

本文在数据处理和研究方法上具有以下优势：数据全部来自2004年开始运行的全国传染病网络直报系统，为防止直报试运行第一年的数据存在不完善之处，自2005年开始选取数据；为去除由于各月份天数不同以及人口自然增长可能引起的偏倚，在分析前根据各月份天数和月平均人口自然增长率对各月份病例数进行了调整。而在其他相似的研究中，鲜有对数据进行调整者。

在研究方法上，本文采用了时间序列分解法对各传染病的发病分布进行了分析。时间序列分解法一般被用来进行时间序列的描述性研究、回归分析和预测分析［8－9］，从一个时间序列里可以分解出季节性因素，去除长期趋势等因素的影响，可以直观、形象地描述疾病的季节性。其劣势是缺少证明其具有显著性意义的统计指标，这需要在进一步的研究中进行完善。

最后，在分析指标的选取上，本文综合考虑了季节性因素S和SRi。SRi包括季节性因素和随机性因素两部分，而随机性因素除了包括内在随机性、数据误差等之外，还包括某些未知的影响因素，所以SRi反映的是每年各自的发病季节性情况，各年之间有些许差别，只有在每年或大多数年份均观察到春节前后波动的现象才可认定为可能具有“春节效应”，否则不能排除其为随机现象；而季节性因素S可以看做是几年的平均发病季节性情况。所以综合考虑SRi和S可以更准确地反映传染病的“春节效应”。

［1］ Dowell SF，Ho MS．Seasonality of infectious diseases and severe acute respiratory syndrome－what we don′t know can hurt us ［J］．Lancet Infect Dis，2004，4（11）：704－708．

［2］ Fisman DN．Seasonality of infectious diseases［J］．Annu Rev Public Health，2007，28：127－143．

［3］ 郭志武，蒲继红，滕国召．基于ARIMA模型的春节因素调整方法研究［J］．中国卫生统计，2009，29（6）：573－579．

［4］ Shi P，Keskinocak P，Swann JL，et al．The impact of mass gatherings and holiday traveling on the course of an influenza pandemic：a computational model［J］．BMC Public Health，2010，10：788－789．

［5］ Peng X．China′s demographic history and future challenges［J］．Science，2011，333（6042）：581－587．

［6］ Vose D．Risk analysis：aquantitative guide［M］．America：John Wiley and Sons，2003：325－327．

［7］ Mazick A，Howitz M，Rex S，et al．Hepatitis A outbreak among MSM linked to casual sex and gay sanunas in Copenhagen，Denmark［J］．Eurosurveillance，2005，10（5）：111－114．

［8］ 崔树峰，马建新，李书明．时间序列分解法在北京市朝阳区细菌性痢疾周报告发病率预测中的应用［J］．中国卫生统计，2009，26（6）：583－585，591．

［9］ Zeger SL，Irizarry R，Peng RD．On time series analysis of public health and biomedical data［J］．Annu Rev Public Health，2006，27：57－79．