新西兰新冠疫情期间超额死亡率评估：基于年龄分层数据的准泊松回归模型分析

本研究针对国际新冠超额死亡率估算中普遍忽视年龄分层数据的问题，采用准泊松回归(QPR)模型和标准化死亡率线性回归(SMR-LR)方法，分析了新西兰2020-2023年居民全因死亡数据。结果显示该国累计超额死亡率仅0.7%(-0.8%,2.0%)，证实其全球最低的疫情死亡率表现，为评估防疫政策效果提供了年龄结构校正的精准模型。

　　

新冠大流行给全球公共卫生带来严峻挑战，各国死亡率数据成为评估防控成效的关键指标。然而现有国际比较方法存在明显缺陷：多数模型如Karlinsky和Kobak方法仅 extrapolate（外推）粗死亡率趋势，既未考虑人口年龄结构变化，也未区分直接/间接死亡影响。这种缺陷在新西兰案例中尤为突出——该国2020年边境管控导致人口增长率骤降，若忽略年龄分层可能产生高达4%的基线偏差。更复杂的是，传统方法难以量化"死亡置换"现象：防疫措施在降低呼吸道感染死亡的同时，可能推迟而非避免部分老年患者的死亡。

为解决这些方法论困境，坎特伯雷大学联合新西兰统计局的研究团队创新性地构建了年龄-性别分层的准泊松回归(QPR)模型。该研究覆盖2014-2019年基线数据与2020-2023年疫情期，通过《International Journal of Epidemiology》发表的论文揭示：新西兰累计超额死亡仅1040例(95%CI:-1134,2927)，相当于每百万人口204例(-222,573)，显著低于OECD国家1500-4500/百万的平均水平。这一成果不仅验证了新西兰"清零后接种"策略的科学性，更建立了控制人口结构变量的新型分析框架。

研究方法核心包含三大技术路径：1)基于新西兰居民月度全因死亡数据（含年龄、性别分层），构建考虑季节性波动的QPR模型；2)采用标准化死亡率线性回归(SMR-LR)进行交叉验证；3)通过7种不同长度基线(4-10年)的敏感性分析确保结果稳健性。所有数据均来自新西兰官方统计系统，其中>95岁高龄组因人口结构变化采用交互项进行趋势校正。

主要发现

负向超额死亡期的公共卫生价值
2020-2021年模型显示显著负超额：-2276例(95%CI:-2663,-1941)和-654例(-1144,-228)，对应流感消失与非药物干预(NPI)带来的"死亡率红利"。这与该国仅52例新冠死亡和呼吸道合胞病毒(RSV)下降83%的观测数据高度吻合。

奥密克戎期的精准归因
2022-2023年阳性超额2735例(2141,3252)和1235例(531,1858)呈现明显季节波动，与新冠死亡时空分布重叠度达82-102%。

特别值得注意的是，2022年2-3月实验室检测超负荷期间，模型检测到未计入的潜在新冠死亡，而7-9月则出现死亡时间前移现象，反映防疫政策调整对自然流行病学周期的扰动。

年龄分层揭示的脆弱群体

80岁以上群体贡献了58%超额死亡，但其新冠死亡统计完全覆盖模型估计区间，证实该国死因编码的可靠性。70-79岁组出现轻微非新冠超额，可能与基础病诊疗延迟有关。

方法论突破
相比Gibson仅控制人口规模的粗死亡率模型，本研究通过年龄分层将偏差从4000例降至统计不显著水平。9种基线测试中，仅2011-2019年基线显示显著阳性超额(1995例)，反映2011年高死亡率年的残余影响。

这项研究确立了三个重要范式：首先，证实新西兰实现了全球最低的疫情死亡率，其"先压制后接种"策略减少约8900例预期死亡；其次，开发出可校正人口结构变化的分析工具，破解了"老龄化vs人口增长"的基线难题；最后，揭示死因编码质量对超额死亡率解释的关键作用——当新冠死亡统计覆盖模型估计区间时，暗示其他死因的净影响可忽略。这些发现为后疫情时代的公共卫生决策提供了黄金标准的数据支撑，特别是对评估疫苗安全性和非药物干预成本效益具有里程碑意义。