引言

中暑是一种高温引起的疾病，当环境温度大于或等于皮肤温度时，人体大量出汗可引起体内失水失盐，若不及时补充会导致体内蓄积余热过多，体温逐渐升高，从而出现呼吸与脉搏加快、头昏眼花、恶心耳鸣等症状。发达国家对高温热浪导致的发病及死亡已进行多年研究，发现高温热浪和居民死亡呈直接关系(Huynen et al，2001；Brooke and Bell, 2011；Saucy et al，2021)，很多城市如费城、罗马和芝加哥等已建立热浪预警系统(Kalkstein and Greene, 1997；Whitman et al，1997；Conti et al，2005)。近年来，我国的上海、武汉、南京和广州等地都开展了中暑与高温气象条件的研究(谈建国和黄家鑫，2004；何权等，1990；付文娟等，2020；谭冠日和黄劲松，1990；付桂琴等，2022；Yan et al，2023)，大多通过选取气温、气压、湿度和日照等气象要素，结合中暑病例的数量进行分析，找出关键气象因子，对高温引起的中暑事件进行预报预警。气候变暖使京津冀地区高温热害天气增多(施洪波，2011；陆开来等，2022)，老龄化又使得高温敏感人群进一步增多(Schneider et al，2017)，高温对居民身体健康的风险不仅局限在南方地区(卫捷和孙建华，2007；张可慧，2011；吴锦成等，2022)，然而目前我国对于中暑的研究大多集中在南方地区，预报标准亦由南方样本所得，其与北方地区有明显差异。天津市作为中国北方人口超过1000万的超大城市，对由高温等气象因素造成的中暑分析研究较少，但高温的影响在近年却越发明显，因此迫切需要结合天津当地中暑病例，针对易发人群，建立中暑气象风险预报预警指标和方法。

1 数据及方法 1.1 数据来源

本文使用数据包括中暑就诊医疗数据、气象数据、人口统计数据三部分。中暑就诊医疗数据来源于天津市健康医疗大数据有限公司，涵盖天津市二级及以上共114家医院，其中三级医院31家；包括2016—2020年中暑门诊和住院就诊人数、患者年龄及性别等信息。气象数据来源于天津市气象局，包括温度、相对湿度、风速、太阳辐射强度等气象要素小时观测数据。人口统计数据来自天津市疾病预防控制中心发布的《天津市居民健康状况报告(2018年度)》(天津市卫生健康委员会，2020)和《天津统计年鉴(2019)》(天津市统计局和国家统计局天津调查总队，2020)。

1.2 人体热量平衡模型和PMV指数

本文使用的人体热量平衡模型为RayMan模型，由Matzarakis et al(2007；2010)根据德国工程师协会标准开发，是人类生物气象学评估的重要工具，输入气象参数主要为逐小时的气温、湿度、风速和太阳辐射强度，输出指标为人体生理等效温度(PET)、标准有效温度(SET)、PMV(predicted mean vote)指数等。PMV可由式(1)具体求解。该公式由Fanger(1970)基于人体热舒适方程及1396个受试者的热感觉投票结果确定，主要用于评价某环境的热舒适性偏离“热中性”环境舒适性的程度，其偏离程度取决于某环境状态需要调节的人体热负荷大小，其值为0时表示环境的热舒适度最佳，正值越大代表越热，负值越大代表越冷，该指标综合考虑了与人体热感觉相关的各类环境气象要素，在研究造成中暑的气象因素方面具有一定优势。

$ \begin{gathered} \mathrm{PMV}=[0.303 \exp (-0.036 M)+0.0275] \times\{(M-W)-3.05[5.733-6.99(M-W)- \\ \left.P_{\mathrm{a}}\right]-0.42(M-W-58.15)-1.73 \times 10^{-5} M\left(5867-P_{\mathrm{a}}\right)-0.0014 M\left(34-t_{\mathrm{a}}\right)- \\ \left.3.96 \times 10^{-8} f_{\mathrm{cl}}\left[\left(t_{\mathrm{cl}}+273\right)^4-\left(t_{\mathrm{r}}+273\right)^4\right]-f_{\mathrm{cl}} h_{\mathrm{c}}\left(t_{\mathrm{cl}}-t_{\mathrm{a}}\right)\right\} \end{gathered} $

(1)

式中：M为人体能量代谢率，单位：W·m^-2；W为人体做功率，单位：W·m^-2；P_a为人体周围水蒸气分压力，单位：kPa；t_a为人体周围环境温度，单位：℃；f_cl为衣着系数，取值0~1，代表衣物覆盖身体面积的比例；t_cl为服装外表面平均温度，单位：℃；t_r为环境平均辐射温度，单位：℃；h_c为对流换热系数，单位：W·m^-2·℃^-1。

1.3 GAM和DLNM模型

利用R3.6.3软件中自带的广义相加模型(GAM)和分布滞后非线性模型(DLNM)程序包，分析不同的气象要素对中暑就诊率的影响。GAM模型可处理因变量和众多解释变量间过度复杂的非线性关系(Hastie and Tibshirani, 1986)，通过计算相对危险度(RR)来定量评价影响程度。DLNM模型用构建最高气温的交叉基函数，实现同时描述因变量在自变量维度与滞后维度的分布(Gasparrini et al，2010)，近年来被广泛用于气象污染健康效应定量评价研究(黄照等，2018；孙庆华等，2016；鹿文涵等，2022；杨仁庆等，2023)，模型表达式如下：

$ \begin{gathered} \log [E(Y)]=\alpha+\beta X+\sum\limits_{i=1}^n n s\left(Z_{k, i}, d f\right)+ \\ n s(T, d f)+\gamma E_W+\lambda E_H \end{gathered} $

(2)

式中：Y为中暑就诊人数；E(Y)为就诊人数的期望值；X表示由DLNM构建的某种气象要素(例如最高气温、PMV指数等)与滞后时间的交叉基；Z_k表示温度、气压、湿度、风速、太阳辐射等气象要素；ns()为样条函数；T表示时间变量；df为自由度，通过使模型残差偏自相关最小和图形拟合对比确定；α代表截距，β、γ、λ代表回归系数；E_W和E_H分别代表星期效应和假期效应(李兰玉等，2022；杨仁庆等，2023)。

2 结果分析 2.1 天津市夏季中暑门诊就诊情况 2.1.1 中暑门诊和住院就诊人数随时间变化分析

统计2016—2020年天津市中暑门诊和住院人数，中暑高发期为6月下旬到8月上旬(图 1)，占全年门诊和住院就诊人数的74%和78%，单日门诊和住院就诊人数分别为22.33人和4.13人，为年均值的5倍。中暑就诊人数有明显波动性，即使是中暑高发的夏季，其10%高值样本也是该期间平均就诊人数的2倍。单日门诊人数主要集中在11~30人，占比60.8%，31~40人占比8.2%，41~50人占比4.1%，51~60人占比4.4%，61人以上占比2.6%。非高发期，出现单日门诊30人以上的仅为2天。住院与门诊人数具有很好相关性，相关系数为0.69，统计数据表明：30人以上门诊人数对应6人以上住院人数，且随就诊人数(中暑门诊和住院人数之和)增加，住院人数占就诊人数比例增加(图 2)，住院人数相比门诊人数爆发有一定滞后性，50%的过程滞后0~1天，50%的过程滞后2天及以上。

中暑就诊人数的高值相比高温天气，具有更强的过程性和连续性。2016—2020年单日中暑就诊人数超过36人的高发日，84%集中在6次连续事件中，分别为2016年7月11—13日，2017年7月10—21日，2018年7月16—23日，2018年7月31日至8月7日，2019年7月24日至8月1日，2020年8月3—5日。6次连续事件，最长的连续12天，最短的连续3天，由此也显示出中暑气象风险预警不同于高温预警，累积效应在中暑高发事件中发挥了重要作用。中暑门诊和住院就诊人数时序数据分析，体现出中暑具有过程连续性强、就诊人数波动性大、有一定滞后性等特征，表明中暑气象风险预报预警具有实际意义和可操作性。

2.1.2 分人群中暑就诊率分析

人群差异大是中暑就诊数据体现出的另一特征。将2016—2020年天津市不同年龄段、不同性别平均每日中暑门诊就诊人数除以天津市该人群的人口总数，可得到该人群中暑门诊就诊率(图 3)；本文以每100万人口为基数，分析其中相应人群的日均就诊人数，得到无量纲的门诊日均就诊率。全年龄段人群的中暑门诊日均就诊率为1.51，其95%置信区间(CI)的上下限分别为1.65和1.37，用(95%CI：1.37，1.65)表示，其中男性为1.58(95%CI：1.43，1.74)，女性为1.44(95%CI：1.30，1.58)，男性比女性高出9.72%。分年龄段分析，随年龄增长，男性和女性就诊率均呈现明显升高趋势。0~10岁人群就诊率最低，为0.008，71岁以上人群最高，为3.68。相对于31~40岁中年人，61~70岁人群的就诊率是其2.48倍，71岁以上人群就诊率是其3.58倍。即，老年人相比年轻人中暑气象风险明显偏高，在设计中暑气象风险预报预警模型时，可能需补充特殊敏感人群专项指标。

2.2 气象要素与中暑就诊率对比分析

以最高温度、平均气温、相对湿度、平均风速和太阳辐射强度为影响因子，分析气象要素与中暑就诊率(同上节门诊就诊率的计算方法，也是以每100万人口为基数，但统计对象为中暑的门诊和住院平均人数之和)关系，考虑到不同年龄人群的中暑风险差异，样本分为全年龄段和60岁以上年龄段。其中平均气温相关性最高，全年龄段的相关系数为0.52，60岁以上为0.49；其次为最高气温，全年龄段为0.49，60岁以上为0.46；相对湿度和辐射与中暑就诊率相关系数接近，全年龄段分别为0.29和0.27，60岁以上分别为0.26和0.24，表明太阳辐射越强、相对湿度越高，中暑概率越高；风速与中暑相关性较弱，这与何玲玲和陈正洪(2009)以及Nikolopoulou and Lykoudis(2006)的研究结果吻合。

分两方面开展滞后性影响分析，一是以0天、1天(前日)、2天(前2日)、3天(前3日)、4天(前4日)最高气温、平均气温与中暑就诊率数据做相关性分析，相关性最高的为滞后1天数据，其次为0天，两者较为接近，滞后2~4天数据相关性有明显下降。二是通过GAM和DLMN模型研究，其结果如图 4所示，高温表现出“即时效应”，即高温条件下，高温对中暑就诊率的影响在滞后0~1天内达到最大，当日最高气温为40℃时，RR值为2.63，随着时间的后延，RR值迅速降低，滞后8天时RR值只有1.15，影响基本消失。基于此分析认为，综合建模易操作性和气象对中暑影响滞后效应，选择使用滞后0~1天数据建模。由2.1.1节分析表明，日均就诊人数36人可作为相关高风险辨识指标(5年6次过程，约为全年天数的2.7%)，按照日均就诊率计算为2.65。由图 5分析表明，该指标基本对应最高气温大于35℃，与高温黄色预警一致；当最高气温大于37℃，平均气温大于32℃，就诊率将进一步升高，达3.95；在此基础上如果平均气温大于33℃，就诊率则高达8.23。当最高气温大于31℃，平均气温大于28℃时，老年人群(>60岁，下同)就诊率即可达到风险阈值，此时全年龄段人群的中暑风险还很低。当最高气温超过35℃时，老年人群就诊率增幅也明显大于全年龄段人群情况，由此显示老年人群的中暑阈值更低，更易中暑。

相对湿度和太阳辐射强度虽然与中暑就诊率有很好相关性，但作为叠加因子，更适合分析同等温度条件下其与气温和风速等多因素交互影响。对于平均气温大于28℃的样本，在相对湿度小于40%的干燥环境，当日中暑就诊率为高相对湿度环境(60%~80%)的三分之一；相对湿度大于80%时，中暑就诊率明显高于均值。太阳辐射低于150 W·m^-2时，一般对应天气现象为多云或阴，中暑就诊率为强辐射晴空天气日(太阳辐射>250 W·m^-2)的80%左右。中暑就诊率与风速呈负相关，当日均风速低于2 m·s^-1时，由于空气流通性差，更不利于人体散热，其中暑就诊率是风速大于3 m·s^-1时的150%。

中暑气象风险与最高温度、平均气温、相对湿度、风速和太阳辐射强度有关，但单一气象要素无法准确反映出热环境对人体的综合影响，为此引入人体热量平衡模型以及PMV指数。设定35岁、身高170 cm、体重63 kg、衣着系数为0.5的男性为代表人群。PMV指数与中暑就诊率相关系数为0.56，高于任何单一气象要素与就诊率的相关系数，说明PMV指标与中暑就诊率相关性更强，在预测中暑就诊率时比其他气象要素更具优势。图 6给出不同PMV指数对应的中暑相对危险度RR值，由图发现：PMV指数在0~1时，RR值缓慢增长；PMV指数在1~2时，RR值快速增长，PMV指数为2时的RR值为2.99，中暑危险度增加约1倍；PMV指数大于2后，RR值几乎呈线性增长，PMV指数为2.8时的RR值为7.25，中暑危险度增加6倍。

2.3 中暑气象风险预报预警模型建立

前述研究表明中暑气象风险在不同人群中有较大差异。PMV在计算过程中考虑了人体新陈代谢，可以反映出不同人群对于热响应的差异。按全年龄段人群和60岁以上人群分别建立中暑气象风险预报预警模型，且考虑气象条件对中暑影响的滞后性，以当日和前一日PMV值作为参数建立方程，模型使用参数包括当日PMV值、前一日PMV值，采用回归方程拟合，当日PMV值的系数取0.446，前日PMV值的系数取0.507，结合中暑就诊率情况建立中暑指数(Heat)多项式(选取PMV大于0的样本)，拟合数据和实况数据相关系数达到0.79。具体公式如下：

$ \begin{aligned} \mathrm{PMV}_{\text {全 }}=0.47 \mathrm{PMV}_{\text {全 }}{ }^*+0.53 \mathrm{PMV}_{\text {全 }}{ }^{* *} \\ \text { Heat }=1.1178 \mathrm{PMV}_{\text {全 }}{ }^3- \end{aligned} $

(3)

$ \begin{aligned} & \text { 3. 1977PMV } \text { 全 }^2+3.6014 \mathrm{PMV}_{\text {全 }} \\ \end{aligned} $

(4)

$ \begin{aligned} & \mathrm{PMV}_{60}=0.47 \mathrm{PMV}_{60}{ }^*+0.53 \mathrm{PMV}_{60}{ }^{* *} \\ & \text { Heat }_{60}=3.3722 \mathrm{PMV}_{60}{ }^3- \\ \end{aligned} $

(5)

$ \text { 9. } 8367 \mathrm{PMV}_{60}{ }^2+10.435 \mathrm{PMV}_{60} $

(6)

式中：PMV_全表示全年龄段人群综合PMV，PMV_全^*表示当日值，PMV_全^{* *}表示前日值；PMV₆₀表示60岁以上人群综合PMV，PMV₆₀^*表示当日值，PMV₆₀^{* *}表示前日值；Heat表示全年龄段人群中暑指数，Heat₆₀表示60岁以上人群中暑指数。

根据以上研究，基于人群日均中暑就诊率数据，将中暑气象风险预警等级由低到高分为5级，中暑就诊率小于1.5时为中暑气象风险预警1级，人群基本不会中暑；中暑就诊率达到1.5~2.65时为2级，人群的中暑风险一般，其中当60岁以上人群就诊率大于5.2时需作出相应提示；中暑就诊率达到2.65~5为3级，人群比较容易中暑，该级别也是预警的阈值，达到该级别即建议向社会发布中暑气象风险黄色预警；中暑就诊率为5~7设置为4级，人群容易中暑，建议发布中暑气象风险橙色预警；中暑就诊率达到或超过7时为5级，人群很容易中暑，建议发布中暑气象风险红色预警。根据每级中暑就诊率对应得到等效PMV值，该PMV值可作为预报预警的指标，将预报得到的气象要素输入RayMan模型，即可得到预报PMV值，与表格中的等效PMV值进行比较，根据预报PMV值所在落区判断中暑气象风险预警级别。

2.4 中暑气象风险预警模型检验

中暑气象风险预警需要解决两个问题。一是能否准确预报连续中暑高发事件风险预警的启动和解除时机。2016—2020年共出现6次中暑高发连续事件，使用该模型，设定中暑指数Heat≥2.65为指标，6次事件中有5次均可以有效通过指标启动，仅7月16—23日事件，未达到中暑气象风险预警启动标准(Heat为2.42)，属漏报。相比高风险连续事件的提示，单日中暑高发事件的预报偏差略大，其准确率约50%，究其原因，除了模型有待改进外，单日中暑高发事件不仅受气象条件影响，也受周末效应、节假日等气象因素以外的社会因素影响，在模型中未予考虑。在准确作出高风险提示的基础上，尽量减少空报是本研究的初衷，经反算，2016—2020年共空报2次持续2天及以上的中暑高发连续事件，空报3次单日事件；而如果使用最高气温大于35℃的高温预警指标代替中暑气象风险预警指标，则空报7次中暑高发连续事件和10次单日事件；相比而言，本研究方法的空报率大幅度降低。这也表明，中暑气象风险预报预警和高温预警虽然有相似之处，但在预测中暑高发事件方面仍有较大区别。二是能否准确预报中暑气象风险预警等级。经反算，本研究使用的中暑气象风险1级预警准确率为84%，2级预警准确率为60%，3~5级预警准确率为60%，说明本方法可以有效对单日中暑事件的气象风险作出提示。

经检验分析，对于中暑高发连续事件的预测，启动预警和解除预警的指标有一定区别，启动黄色预警标准设定为Heat≥2.65，且预报3级预警；解除预警标准以Heat < 1.5较为合适，这可能是模型构建时重点考虑了当日和前日的气象条件，对于连续性过程，一旦气象条件有利于触发中暑，后续中暑就诊人数的下降，需要更有利的气象条件出现。鉴于中暑高发事件大多连续出现的特征，在应用此预警方法时，考虑到高温等气象条件对人体中暑风险的滞后性，一旦符合连续2天Heat≥2.65的条件，后续多日的中暑气象风险均可以调整为3级及以上，直到Heat < 1.5。基于该标准调整后，3~5级中暑气象风险预警的准确率由60%提升至82%，可明显提升中暑气象风险预警准确率。以2019年7月18日至8月4日连续中暑高发事件为例，利用本研究的中暑气象风险预警算法和当日气象条件，计算得到预报中暑气象风险等级，与实际中暑就诊率得到的实况中暑气象风险等级进行了比较，如图 7。经分析发现从7月24日到8月1日，预报和实况基本吻合，且7月26日的峰值强度为4级，也比较一致。如果采用最高气温大于35℃为指标，仅7月21日，24—27日共5天符合条件，漏报了7月28日至8月1日的中暑高发事件，准确率仅为实际中暑高风险日的一半，且开始日期、峰值和结束日期均与实际中暑就诊率变化不一致，由此说明中暑气象风险预警在应对高温天气对人体健康影响方面的意义和价值。

3 结论与讨论

本文基于2016—2020年天津市中暑就诊数据和同期气象数据，发现中暑事件集中出现在每年6月下旬到8月上旬，中暑就诊率在不同人群中有显著差异，男性、大于60岁的人群中暑就诊率更高。分析了不同气象要素与中暑就诊率的关系，发现中暑就诊率与平均气温、最高气温、相对湿度、太阳辐射强度呈正相关，与平均气温相关性最强，与风速呈负相关。相对其他气象因素，PMV指数与中暑就诊率的相关性更高。基于PMV指数建立了全年龄段人群和60岁以上人群的中暑气象风险预警指标，通过多项式拟合建立预报回归方程，其预报就诊率数据和实况就诊率数据相关系数可以达到0.79，经检验该方程在预测中暑高发事件方面具有显著优势，在指导公众应对高温热浪天气，规避中暑风险方面具有积极意义。以上结论与北京、武汉、上海、南京等大城市先后开展的中暑气象风险预报(杨宏青等，2000；焦艾彩等，2001；谈建国等，2002；张德山等，2005；陈正洪等，2008；黄卓等，2011；陈静等，2013)结论基本一致，均能通过预报气象要素计算中暑气象风险等级，从而提前向公众发布提示，以规避可能发生的中暑风险。

中暑不仅与气象条件密切相关，也与人群所处环境、活动强度等密切相关，本文研究主要基于人群的年龄差异，以及由于年龄差异导致的代谢和热环境响应程度差异，进行了分类别的中暑气象风险预报预警技术研究。在未来的研究中，应该进一步考虑不同人群活动强度和建筑物对中暑的影响。同时，人群对热环境的适应不仅具有长期的适应能力，也具有短期适应性，在中暑气象风险预警模型中亟待考虑。综上所述，高温、高湿等气象要素能增加中暑门诊和住院的就诊风险，且存在着滞后效应。基于该研究的结果，应注重防范气象要素对中暑发病的影响，尤其要加强对老、弱、病、幼等人群的预防和保护。