不同气候变化情景下未来中国热相关死亡风险的预估*

陆开来 班婕 王情 陈晨 许怀悦 李湉湉

1.中国疾病预防控制中心环境与人群健康重点实验室，中国疾病预防控制中心环境与健康相关产品安全所，北京，100021

2.江苏海洋大学海洋技术与测绘学院，连云港，222005

3.南京信息工程大学大气环境与装备技术协同创新中心，南京信息工程大学江苏省大气环境监测与污染控制高技术研究重点实验室，南京，210044

1 引言

气候变化是21 世纪人类面临的最大挑战（Watts，et al，2017）。气候变化影响下，全球变暖趋势增强，气温升高给自然环境与人类健康带来不良影响，造成直接或间接的疾病负担与健康经济损失（Heaviside，et al，2016；Carmona，et al，2017；Mercereau，et al，2017；许怀悦等，2021）。最新的《全球疾病、伤害和风险因素负担研究》（GBD 2019 Risk Factors Collaborators，2020）显示，2019 年不适宜气温在全球导致约196 万人超额死亡，其中热相关的死亡为31 万人，高温成为全球排名第二的环境类危险因素。中国不适宜温度导致约59.39 万人超额死亡，占环境类危险因素归因死亡的19%，亦是仅次于空气污染的疾病风险驱动因素。《柳叶刀健康与气候变化倒计时2020 年中国报告》显示，1990—2019 年，中国热相关死亡率增加了4 倍（Cai，et al，2020）。因此，不适宜高温及其健康风险已成为气象与公共卫生领域需要关注与厘清的重要科学问题。

高温暴露导致的热相关风险形势严峻。政府间气候变化专门委员会（IPCC）第六次评估报告（IPCC，2021）表明，20 世纪70 年代以来，全球升温趋势明显，2016—2020 成为1850 年以来最暖的5 a。而在未来中、远期，全球所有地区的气候变化都将加剧，气温将呈加速上升态势，意味着未来暴露于高温下的人群将会增加。健康风险预估研究（Gasparrini，et al，2017）表明，未来全球热相关超额死亡人数呈增加趋势。因此，开展气候变化背景下的热相关健康风险预估研究可为人群健康风险防范与适应性策略的规划与制定提供科学依据。

近年来，部分学者对中国部分省、市的热相关死亡情况进行了研究。Li 等（2016）利用北京市2008—2011 年65 岁以上人群非意外总死亡数据，结合31 个大气环流模式模拟及经误差订正与降尺度处理后的日均气温数据，对未来典型浓度路径（Representative Concentration Pathway，RCP）中的RCP4.5、RCP8.5 排放情景下 21 世纪20、50 与80 年代北京市老年人高温相关死亡率进行了预估。结果显示，即便假设未来人类对高温的适应性大幅度提升，高温相关死亡率相比历史时期仍将升高。Chen 等（2017）基于江苏省2009—2013 年死因数据与21 个大气环流模式模拟的日均气温数据，预测了RCP4.5、RCP8.5 情景下2016—2065 年江苏省热相关非意外总死亡风险与心血管疾病、呼吸系统疾病等多种疾病患者的死亡风险，同时对比了城乡差异，结果显示未来江苏省热效应死亡风险上升，同时提出了未来中国非城市居民将比城市居民遭受更多与高温有关的死亡负担。还有学者对中国主要城市的热相关死亡风险进行了探索。Li 等（2018）选择10 个大气环流模式模拟数据集，预测了RCP2.6、RCP4.5、RCP8.5 情景下2041—2080 年中国51 个大城市的热相关死亡率。Wang等（2019）对RCP2.6、RCP4.5 情景下2060—2099年中国27 个主要城市不同性别、年龄人群的热相关死亡率进行预估。以上研究存在的不足在于，大多数研究仅针对医疗条件与高温防护措施相对完善的城市区域进行了风险预估，并且仅以个别城市或某城市群为研究对象，忽略了非城市区域的相关风险，难以为明晰中国热相关健康风险提供支撑。此外，虽然Yang 等（2021）基于中国死因监测数据与气温预测数据开展了中国至21 世纪末心血管疾病、中风等10 余种疾病的热相关死亡风险预估研究，但该研究同样仅基于以往研究中较多使用的RCP4.5、RCP8.5 排放情景，尚未考虑中国在推进“碳达峰、碳中和”政策背景下温室气体排放可能接近巴黎协定升温目标的RCP2.6 情景。因此，目前仍缺少符合实际国情的多气候变化情景下中国未来热相关死亡风险的预估研究。

文中利用国家气象中心日均气温观测数据与基于观测数据误差订正后的多模式多情景日均气温模拟数据，结合中国未来多生育率情景人口数据集与最新中国死因数据进行预估研究，旨在量化未来中国热相关死亡变化，定量分析气候变化背景下中国热相关死亡的时空变化趋势，为热相关人群健康风险防范等工作提供科学依据。

2 数据与方法

2.1 研究设计

2.1.1 研究时期

文中将1986—2005 年设为基准年代，将未来划分为21世纪20—30年代（2021—2040 年）、50— 60年代（2051— 2070 年）、80— 90年代（2081—2100 年）共3 个时期。

2.1.2 排放-人口情景设置

为探究未来不同排放情景与人口变化情景下的中国热相关死亡风险的变化，将分别代表低、中、高3 种温室气体排放情景的RCP2.6、RCP4.5、RCP8.5 与共享经济社会路径（Shared Socioeconomic Pathways，SSP）中分别代表低、中、高3 种人口生育率情景的SSP2-S1、SSP2-S2、SSP2-S3进行两两组合，得到共9 种未来排放-人口情景进行对比分析。

2.2 数据来源

2.2.1 历史温度观测数据

历史观测数据来源于国家气象信息中心建立的0.25°×0.25°分辨率日均气温数据集（http://data.cma.cn/），时段为1986—2020 年，该数据基于中国气象观测站点资料插值得到，能够满足现阶段高分辨率气候模式检验的需要（吴佳等，2013）。其中2013—2018 年数据用于计算暴露-反应关系，1986—2005 年数据用于对模式预测结果开展分析校正。

2.2.2 未来温度模式预测数据

当前相关研究大多利用全球大气环流模式，因分辨率较低难以准确再现中国下垫面特征，而区域气候模式在提高分辨率的同时可以更真实地模拟地形强迫，从而提升其对中国区域气候的模拟能力（蔡怡亨等，2021），在区域气候模式中RegCM4模式对于日均气温的模拟具有较好的准确度（吴婕等，2018）。因此，文中基于数据可获得性，选择RegCM4 的3 种模式（HadGEM2-ES、MPI-ESM-MR与NorESM1-M）预测温度数据，分辨率为0.25°×0.25°的日均数据，包含历史情景与未来RCP2.6、RCP4.5、RCP8.5 三种排放情景。历史数据为1986—2005 年，未来多情景数据为2006—2098 年，该数据取自协调降尺度实验数据库。

2.2.3 湿度数据

文中在暴露-反应关系的计算过程中使用了日均湿度数据。该数据来源于欧洲中期数值预报中心ERA5-Land 再分析湿度数据集，原始数据的空间分辨率为0.1°×0.1°，时间分辨率为1 h。

2.2.4 人口数据

人口数据使用Chen 等（2020）所发表的中国逐年1 km 分辨率人口数据集。其中历史数据为1986—2009 年，且历史阶段有分年龄段数据。未来（2010—2100 年）人口数据包括人口低速增长（SSP2-S1）、中速增长（SSP2-S2）、高速增长（SSP2-S3）三种情景。

2.2.5 死因数据

2013—2018 年人群死因数据基于中国疾病预防控制中心死因监测系统，收集中国280 个区（县）常住人口的每日死亡数据，依据国际疾病分类第十版（ICD-10）纳入非意外总死亡（A00—R99）死因数据。考虑到温度差异所造成的人群适应性影响，文中将死因数据根据地理的南、北方进行了划分。南、北方分界线与死因数据的区（县）空间分布特征见图1，死因数据分布特征见表1。

图1 研究区（县）分布Fig.1 Geographic distribution of study counties

表1 研究期间人群死亡与气象因素暴露日均统计结果Table 1 Summary statistics of meteorological factors and daily number of non-accidental deaths

2.3 研究方法

2.3.1 气温的误差订正分析

由于气候模式对温度的预测必然存在误差，而在风险预估研究中，温度的少许误差也会带来较大的风险误差，因此需要对模式预测气温数据开展误差订正。使用Hempel 等（2013）的误差订正方法，该方法在使历史模式温度整体均值与分布趋向于观测温度的同时，能够保留未来长期温度变化趋势。作为气象领域较为成熟的误差订正法，该方法已在多项风险预估研究中使用（Vicedo-Cabrera，et al，2021；Yang，et al，2021）。文中基于国家气象信息中心建立的1986—2005 年日均气温数据集，对HadGEM2-ES、MPI-ESM-MR 与 NorESM1-M 三种模式模拟的1986—2005 年日均气温数据进行误差订正，同时将其中的偏差系数应用至未来模拟数据的订正，得到订正后的温度暴露数据集用于死亡风险预估。

为检验误差订正效果，文中使用泰勒图来评估误差订正前后的模拟精度。图2 显示误差订正前3 个模式相关系数均超过0.9，并且已拥有较小的均方根误差，证明3 个模式具有较好的模拟精度。订正后3 个模式模拟结果的相关系数进一步增大，均超过0.93（相差无几），均方根误差也进一步缩小，证明误差订正进一步提升了气温模拟结果的准确度。

图2 HadGEM2-ES、MPI-ESM-MR 与NorESM1-M 模拟误差订正前后日均气温的泰勒图Fig.2 Taylor diagram of simulated daily average temperature before and after bias correction by HadGEM2-ES，MPI-ESM-MR and NorESM1-M models

2.3.2 热效应暴露-反应关系

基于280 个区（县）的观测数据，参考Yang 等（2021）的研究，通过2 阶段方法计算了中国热效应的暴露-反应关系。

第1 阶段各区（县）热效应暴露-反应关系采用分布滞后非线性模型（DLNM）建立，该模型可以通过结合传统的暴露-反应关系和附加的滞后响应关系来描述复杂的非线性和滞后依赖关系（Wang，et al，2019）。结合死因数据，使用中国2013—2018 年280 个区（县）的死因、环境因素暴露数据进行热效应暴露-反应关系的建立（式（1））。

式中，E（Yt）指观察日为t当天的预期死亡人数；cb（temperature，lag）为温度和滞后的交叉基选项，文中设定滞后为14 d，在10%、75%和90%分位处设置3 个节点；ns（*）为自然样条函数，time 为时间，rh 为相对湿度，df 为自由度，df1 每年设置为7，共6 a，df2 设置为3，DOW 为虚拟变量，用于控制星期效应。

第2 阶段通过meta 分析，对280 个区（县）的暴露-反应关系曲线进行筛选，共计筛除了42 个由于死亡数过少导致的暴露-反应关系异常的区（县）。将剩余的238 个区（县）的暴露-反应关系曲线进行合并，获取南、北方地区的热效应暴露-反应关系的曲线，并通过该曲线进行后续死亡风险计算。为探究不同年龄段受热效应影响的差异，文中开展年龄分层分析，计算了75 岁以上和75 岁及以下2 组人群的暴露-反应关系。

2.3.3 死亡风险计算

基于南北方地区不同的热效应暴露-反应关系，分别计算对应区（县）尺度逐日热相关死亡人数。

式中，ADD 代表区(县)内每日热相关死亡人数，Y为非意外总死亡的基线死亡率，POP 为匹配当日所在年份的区（县）人口总数，Tmean表示区（县）当日日均气温，ERF（Tmean）表示当日日均气温的热效应对日死亡风险的影响，计算方法如下

式中，MMT 代表最低死亡风险温度（Minimum Mortality Temperature），RR（Relative Risk）代表与MMT 相比每0.1℃温度变化对超额死亡影响的相对危险度（Chen，et al，2017）。文中使用3 种气候模式的日均气温分别计算风险，取3 种气候模式的平均风险得到最终预估风险。暴露-反应关系曲线能提供95%置信区间（95%CI）的相对危险度，用3 种气候模式的日均气温数据分别计算预估风险的95%CI，再对3 种气候模式风险的95%CI 上、下限分别求均值，得到最终预估风险的95%CI。

3 结果分析

3.1 不同排放情景下中国日均气温变化

图3a 显示了基准年代中国日均气温的分布情况，总体上，南方比北方地区高，青藏高原与东北地区的气温相对较低。图3b—d 显示了不同温室气体排放情景对未来中国气温变化的影响。RCP2.6情景下（图3b），中国大多数地区升温幅度控制在2℃以内，而RCP4.5 情景下中国北方地区的升温则达到了2—3℃，RCP8.5 情景下升温幅度则达到了4℃上下，高于其他排放情景。不同情景下北方的升温幅度高于南方，与庄园煌等（2021）研究中提出高纬度的升温幅度普遍比低纬度大的结论一致，不同地区的升温幅度与Yang 等（2021）的研究结果接近。

图3 中国（a）基准年代（1986—2005 年）均温和21 世纪80—90 年代（2081—2100 年）（b）RCP2.6、（c）RCP4.5、（d）RCP8.5 情景与基准年代温差的空间分布Fig.3 （a）Average temperature in China during the baseline years（1986—2005）and temperature increases under（b）RCP2.6，（c）RCP4.5 and（d）RCP8.5 scenarios in the 2090s compared to that in the baseline years

3.2 热相关非意外总死亡暴露-反应关系

图4 结果显示，中国日平均气温的上升对人群非意外总死亡风险有显著影响。中国北方整体的最低死亡风险日均气温为23℃，南方为23.9℃，略高于北方，整体上北方地区人群对热效应更加敏感。文中，75 岁以上老年人的相对危险度显著高于75 岁及以下人群，最低死亡风险日均气温也更低，表明75 岁以上老年人对热效应更为敏感。

图4 温度相关的（a）北方总人群、（b）北方75 岁以上人群、（c）北方75 岁及以下人群、（d）南方总人群、（e）南方75 岁以上人群、（f）南方75 岁及以下人群非意外总死亡风险的暴露-反应关系曲线（阴影：95%置信区间）Fig.4 Exposure-response curves of temperature-related total non-accidental mortality risk for（a）group in northern China，（b）group over 75 years old in northern China，（c）group under 75 years old in northern China，（d）group in southern China，（e）group over 75 years old in southern China，（f）group under 75 years old in southern China（shaded：95%CI）

3.3 热相关非意外总死亡风险预估

将订正后的中国未来日均气温数据与基于历史资料建立的暴露-反应关系相结合，对中国未来热相关非意外总死亡人数进行预估。由图5 可见，基线年代中国热相关非意外总死亡人数约为7.1（95%CI：5.7—8.5）万，约占中国非意外总死亡人数的1%。而在气候变暖与人口变化的双重影响下，未来热相关非意外总死亡人数相比基准年代有所升高，但不同情景呈现不同的变化趋势。其中，在RCP2.6 排放情景下，非意外总死亡数变化趋势体现为先升后降，在21 世纪20—30 年代达到约12.5 万人峰值，而后持续下降，在80—90 年代3 种人口情景平均死亡人数约为8.4 万。在RCP4.5 排放情景下，非意外总死亡人数的峰值则出现在50—60 年代，在80—90 年代同样有所回落，但小幅高于同时期RCP2.6 情景的结果。RCP8.5 情景下，死亡人数则保持上升趋势，在80—90 年代超过22.4 万人。

从人口变化的角度看，3 种生育率的人口情景下死亡人数在21 世纪20—30 年代并无显著差异，在80—90 年代RCP2.6 情景 下，SSP2-S1 与SSP2-S3情景相差1.9 万人，同时这种差距在RCP4.5 与RCP8.5 情景下则分别扩大到2.9 万人与2.6 万人。

RCP4.5、RCP8.5 两种排放情景下21 世纪20—30 年代的风险预估结果均为约13 万人，与Yang 等（2021）预估RCP4.5、RCP8.5 情景下分别为16.4 万、17.7万人结果相近。在80—90 年代，文中预估RCP4.5、RCP8.5 情景下结果分别为13.1 万、24.4 万人，远小于Yang 等（2021）报道的36.9 万、69.5 万人。原因在于后者认为未来人口老龄化加速对热相关死亡风险的增加起到了主导作用。

为探究不同年龄的热相关非意外总死亡风险，文中以75 岁为分界线将总人群进行了区分计算。结果显示，基准年代，75 岁以上人群的热相关总死亡人数约为0.3 万人/a，75 岁及以下人群热相关死亡人数约为3.7 万人/a，去除不同年龄人口数量影响发现，75 岁以上人群的总死亡率则约为8.8 人/10 万人，而75 岁及以下人群总死亡率约为3.1 人/10 万人，远小于75 岁以上人群。考虑到老龄人口的占比，文中目前采用的算法可能在历史阶段存在高估，且未来实际风险增幅可能比文中的预测结果更大。受未来分年龄人口数据缺失的限制，暂无法对未来风险进行分年龄预测。

3.4 热相关非意外总死亡风险变化的空间分布

图6 展示了SSP2-S2 人口情景下不同排放情景与不同年代中国热相关非意外死亡人数相比基准年代的变化。由图6a1—c1可知，21 世纪20—30 年代中国热相关非意外死亡人数在东南部地区，尤其是黄淮海地区及成渝地区将显著上升，北方的内蒙古以及东北部分地区则出现小幅度下降，不同排放情景空间分布相似。在50—60 年代（图6a2—c2），不同排放情景结果之间则开始出现差异，RCP2.6情景下可观察到死亡数增长明显回落，RCP4.5 情景下则显示死亡人数在东北地区小幅度下降，同20—30 年代相比仅有小幅增加，RCP8.5 情景出现死亡人数进一步增长的趋势。到80—90 年代（图6a3—c3），RCP2.6 情景下京津冀地区已有较多区（县）热相关非意外死亡人数相比基准年代有所下降，RCP4.5情景下也出现回落趋势，但死亡人数上升区（县）仍较多，RCP8.5 情景下死亡人数则持续上升。

图6 SSP2-S2 人口情景下未来不同排放情景（a.RCP2.6，b.RCP4.5，c.RCP8.5）及年代（1.20—30 年代，2.50—60 年代，3.80—90 年代）中国年均热相关非意外总死亡人数变化的空间分布Fig.6 Changes in annual average heat-related non-accidental total deaths under different future emission scenarios（a.RCP2.6，b.RCP4.5，c.RCP8.5）and time（1.2021—2040，2.2051—2070，3.2081—2100）and under the SSP2-S2 population scenario in China

既往在中国的研究中，Yang 等（2021）与Li 等（2018）均报道了RCP4.5、RCP8.5 情景下北方地区与东部地区的热相关死亡风险存在显著上升趋势，文中结果与其一致。同时由于北方地区现有高温防护措施相对较少，且人群对热效应更加敏感，尤其需要加强自身避暑设施的建设和高温职业相关制度的完善。文中结果还表明，减少温室气体排放可以显著降低热相关死亡风险。因此，坚持低碳排放路径与增强重点地区高温防护措施将是控制未来热相关死亡风险的有效方式。

4 结论与讨论

基于国家气象信息中心的气温观测数据与降尺度订正后的多情景气温模拟数据，结合中国本土人群死因监测数据计算的热效应暴露-反应关系，对不同气候变化情景下未来中国热相关非意外总死亡人数进行量化预估，并进一步分析其空间变化特征。主要结论如下：

（1）未来中国平均气温将持续升高，且北方地区升温幅度较大。温室气体的排放量将对气温上升幅度带来显著影响，在RCP2.6 低排放情景下整体升温可控制在2℃以下。

（2）1986—2005 年中国热相关非意外总死亡人数约为7.1（95%CI：5.7—8.5）万。

（3）RCP2.6、RCP4.5 情景下未来中国热相关非意外总死亡人数均呈先升后降的变化趋势，其中RCP2.6 情景下在21 世纪20—30 年代、RCP4.5 情景下在21 世纪50—60 年代达到峰值。RCP8.5 情景下则呈持续上升的趋势。在21 世纪末不同情景下的热相关非意外总死亡人数均高于基准年代。

（4）未来不同情景下中国热相关非意外总死亡人数在黄淮海地区以及成渝地区均呈上升趋势，在RCP2.6、RCP4.5 情景下北方地区热相关非意外总死亡人数均呈下降趋势，同时东南沿海在21 世纪20—30 年代后开始也呈下降趋势。

本研究 结果 与Yang 等（2021）的研究 在RCP4.5、RCP8.5 情景下预估结果相近，但仍存在如下问题：（1）未考虑未来中国人群适应性的变化，（2）受限于数据情况无法量化预测未来人口老龄化带来的影响。

全球变暖将造成未来热相关死亡风险的上升，文中研究显示低排放可以在2030 年后有效降低热相关死亡风险。因此，积极的气候变化应对行动对于减缓气候变化、降低不良人群健康影响有重要意义；同时，在当前不适宜高温增强形势下，气象部门、公共卫生部门应通过发布高温健康风险预警、加强健康防护宣教等手段干预人群热相关健康风险，加强人群对热的适应性。随着数据的更新与积累，未来将深入开展划分人群年龄、地区的死亡风险预估研究，结合中国未来的温室气体排放政策与人口政策进行更准确的预估分析。