2014年埃博拉病例数与年积温差值相关性分析＊

吕 游，柯资能，顾植山，王昌忠，孙 明

（1.中国科学技术大学 科技史与科技考古系，安徽 合肥 230026；2.江阴致和堂中医药研究所，江苏 江阴 214400；3.山东理工大学 教务处，山东 淄博 255049）

0 引言

2014年以来，埃博拉病毒肆掠西非各国，有研究表明，天气和气候的变化与人类健康有密切的关系.［1］笔者检查 Wolfram 气象数据官方网站［2］提供疫区气象资料发现，疫区中心几内亚自2011年深秋以来，日平均气温严重失常，从2012年初开始，高达95.7%的日平均气温低于相应的日平均气温，同样情况也出现在其他埃博拉疫区，如图1～8所示，但程度轻微得多，而其他几个随机对照组（埃塞俄比亚、马里、尼日尔、佛罗里达州、德克萨斯州）则没有这个现象.在全球变暖这一背景下，几内亚的日平均气温长期低于同日的十年平均值，是否与埃博拉病毒流行相关？笔者试图采用统计学的方法探讨气温与埃博拉病例数的关系.

1 资料来源和方法

1.1 资料来源

2014／9／7 －2015／1／1西非六地（几内亚［科纳克日里］、塞拉利昂［佛里敦机场］、尼日利亚［阿布贾］、埃塞俄比亚［默特哈拉］、马里［巴马科］、尼日尔［尼亚美机场］和美国佛罗里达州［波卡拉顿机场］、德克萨斯州［休斯顿机场］）的平均气温通过 Wolfram气象数据官方网站获得；2014／8／4－2014／10／5几内亚、尼日利亚和塞拉利昂埃博拉病例资料取自中国疾病预防中心发布的埃博拉疫情通报.

1.2 数据处理

1.2.1 数据修复

为了充分利用气象数据和保持数据的连续性，本研究使用了对气象数据求滑动平均值的方法，即参考了某一时间点前15日的平均气温.对这十年的平均气温进行滑动平均处理，修复了数据缺失的问题.

1.2.2 积温差值计算

利用2014／9／7－2005／1／1的平均气温，将相同日月的平均气温分别相加并求其平均值，得到逐日平均气温b1，b2，b3，…，bi，…，b365（1≤i≤365），结合表1埃博拉病例数的日期，计算t2＿k＝∑365i＝1bi＿k；将2014／9／7－2005／1／1的平均气温，以年为单位，进行累 加， 得 到t1，t2，t3，…，t9，t10＿k， 其 中t10＿k为2014／8／4，2014／8／6，2014／8／11，2014／8／16，2014／8／18，2014／8／20，2014／8／26，2014／8／31，2014／9／5，2014／9／6，2014／9／7这12个时间点的累积平均温度.具体公式如下所示：

表1 几内亚、尼日利亚和塞拉利昂埃博拉病例数（存量＋新发）Tab.1 Number of Ebola Cases in Guinea and Nigeria（original＋new）

1.2.3 日平均气温差值小于零的频度计算

利用几内亚、尼日利亚、埃塞俄比亚、马里、尼日尔、塞拉利昂、佛罗里达州、德克萨斯州7个地区从2011／1／1到2014／9／7日平均气温ai＿j分别减去同期的逐日平均气温bi＿g得到日平均气温差值T3＿g（g为8个地区），并计算小于零的天数频度，得出几内亚的频度为95.7%，尼日利亚的频度为64.79%，塞拉利昂的频度为82.12%，埃塞俄比亚的频度为52.12%，马里的频度为51.98%，尼日尔的频度为50.82%，佛罗里达州的频度为44.92%，德克萨斯州的频度为42.89%，并根据T3＿g绘制出差值图（如图1～8所示）.

图1 几内亚日平均气温差值Fig.1Difference of Guinea daily temperature

图2 尼日利亚日平均气温差值Fig.2Difference of Nigeria daily temperature

图3 埃塞俄比亚日平均气温差值Fig.3Difference of Ethiopia daily temperature

图4 马里日平均气温差值Fig.4Difference of Mali daily temperature

图5 尼日尔日平均气温差值Fig.5Difference of Niger daily temperature

图6 佛罗里达州日平均气温差值Fig.6Difference of Florida daily temperature

图7 德克萨斯州日平均气温差值Fig.7Difference of Texas daily temperature

图8 塞拉利昂日平均气温差值Fig.8Difference of Sierra Leone daily temperature

1.3 Pearson相关性分析和一元线性回归分析［4］

利用1.2.2中所求的积温差值T3＿k和对应时间点的疫区三个地方（几内亚、尼日利亚、塞拉利昂）埃博拉病例数，运用SPSS 19.0作Pearson相关性分析和一元线性回归分析.

2 结果

2.1 日平均气温差值小于零的天数和频度结果

从图1～8、频度计算结果可以看出，几内亚的日平均气温从2011年深秋、塞拉利昂从2012年、尼日利亚从2013年开始长期持续低于该地区的逐日平均气温，对照组地区的日平均气温在逐日平均气温附近浮动.对比西非六个地方的埃博拉病例数看，截至2014年9月7日，几内亚最多时达到861人，尼日利亚一直保持在21人左右，塞拉利昂最多时达到了1412，其他地方暂未发现疫情.

2.2 Pearson相关性分析结果

对几内亚的积温差值与发病人数作Pearson相关性分析，结果如表2所示.从表2可以看出，积温差值与病例数之间存在显著相关性，特别是几内亚p＝0.000，R＝0.974，塞拉利昂次之.

表2 积温差值与病例数Pearson相关性分析结果Tab.2 Result of Pearson correlation between Difference of Accumulated Temperature and Cases

2.3 一元线性回归分析结果

2.3.1 一元线性回归方程的建立

利用2014／9／7－2005／1／1几内亚和尼日利亚的积温差值和病例数，作两者的一元线性回归分析，推导出回归方程，结果为：积温差值和病例数存在一元线性关系，模型有统计学意义（p＜0.05或p＜0.01），所得到的回归直线方程是有效的，如表3.

表3 积温差值与发病人数回归方程Tab.3 Regression Equation of Difference of Accumulated Temperature and Cases

2.3.2 一元线性回归方程预测

以几内亚为例，根据1.2.2所推导出来的方程，结合中国疾病预防中心发布的最新埃博拉疫情通报（截至2014年10月5日）的埃博拉病例数，结合公式（1）、（2）算出几内亚对应时间点的积温差值，作一元线性回归预测，结果图9所示.

图9 几内亚埃博拉病例数预测图Fig.9Predictive cases of Guinea

从图9可以看出，几内亚实际病例数和预测病例数的变化趋势一致，因此该回归方程可作为计算总积温差值恢复到一定阀值，并预测埃博拉病例数的一种方法.

利用塞拉利昂和尼日利亚的一元线性回归方程作预测分析，也得到同样的结果，此处不作累述.

3 讨论

从Pearson相关性分析可以看出，埃博拉的病例数和积温差值之间具有极其显著的相关性；从积温差值小于零的频度和一元线性回归方程可以看出，积温差值越大，即2012／1／1到2014／9／7的日平均气温低于逐日平均气温的频度越低，病例数越少；积温差值越小，即2012／1／1到2014／9／7的日平均气温低于逐日平均气温的频度越高，病例数越多.

从埃博拉病例数预测图（图9）可以看出，埃博拉病例数随着积温差值的变化而变化，埃博拉的实际病例数与一元回归预测方程的病例数高度同步，保持稳定.日平均气温偏离逐日平均气温的频度越小，大规模发生埃博拉疫情的可能越小，且当总积温差值恢复到一定阈值附近，埃博拉病例数将趋于稳定，随后逐步平息.由此可以推测日平均气温与逐日平均气温同期偏离不大、近年气候比较稳定的地区即便出现输入性散发病例，也不容易发生大规模扩散.

4 结语

通过对西非六地和美国两地的积温差值的研究，发现在全球变暖这一大背景下，气温变化不符合这一规律的地方较容易发生有一定规模的疫情，在疾病的预测预警中，应该认识并考虑到气候变化对疫病发生影响的重要性.笔者只采用了积温差值这一气象因子进行研究，其他气象因子与埃博拉病例数的相关度有待进一步研究.

［1］陆晨.脑卒中与气象要素关系的探讨［J］.气象科技，2003，31（6）：397－399.

［2］Wolfram气象数据官方网站.Wolfram Language ＆System Documentation Center［OL］.http：／／reference.wolfram.com／language／note／WeatherDataSourceInformation.html.

［3］邱飞，饶仕吉.年积温演变状态与气候分析［J］.贵州气象，2006，30（2）：25－26.

［4］朱星宇，陈勇强.SPSS多元统计分析方法及应用［M］.北京：清华大学出版社，2011：39－54，136－208.