预测气候变化对健康的影响：整合最新气候与人口统计情景的教程

《Environmental Epidemiology》：Projecting climate change impacts on health: A tutorial integrating the latest climate and demographic scenarios

　　人为造成的气候变化已导致健康危害的广泛且严重加剧，根据当前的气候变化预测，这一趋势在未来几十年还将持续恶化。因此，迫切需要为未来不同气候情景下的气候敏感型健康影响提供可靠且准确的估算。然而，将气候与人口情景相结合并解读影响预测在方法上仍十分复杂，这就需要更完善的指导。我们在此提供一份逐步指南，帮助人们开展基于气候和人口情景的健康影响预测研究。以伦敦的热相关死亡为例，该指南带领读者完成整个分析过程：从下载和处理实际观测数据及预测数据，到应对各种方法学挑战，包括时间与空间对齐、传播流行病学与气候不确定性，以及总结健康影响结果。为便于重复实验，该指南使用了开放获取的数据集和R代码，用户可据此复制完整分析或将其应用于其他场景。它为研究人员和政策制定者提供了宝贵资源，有助于理解人口变化和气候预测如何共同影响未来的健康风险，这也与政府间气候变化专门委员会的结论一致。通过纳入不断变化的人口与气候条件，该框架能够更真实地预测健康影响，为基于证据的适应与减缓策略提供更坚实的基础。

本研究的优势在于，它提供了一种实用的、分步式的指南，用于整合气候与人口情景来预测气候相关的健康影响，填补了环境流行病学领域中的重要方法学空白。以热相关死亡预测为例，该指南展示了如何处理和匹配气候与人口数据、传播不确定性，以及如何在不同全球变暖水平下总结分析结果。由于提供了完全可复现的R代码和开放数据，该指南能够帮助研究人员和政策制定者生成可靠、透明且具有政策参考价值的预测结果，从而为气候变化背景下的适应与减缓措施提供科学依据。

引言
人为造成的气候变化正在推动全球气温快速上升，这一趋势在未来几十年内仍将持续，其发展路径则取决于各国为减少温室气体排放所采取的行动。了解不同气候变化情景下未来升温可能带来的影响，是所有行业都需要重视的任务，这有助于提前规划关键基础设施的建设（即适应措施），并推动更多气候行动的实施。近期有研究开始量化气候变化带来的未来健康负担，尤其是与温度相关的死亡影响。大多数研究都是通过结合历史上的暴露-反应关系与不同未来排放情景下的气候模型输出，来估算潜在的健康影响。不过，早期的相关指南仅考虑了气候的变化，存在一定的局限性。

在此基础上，需要指出的是，气候只是决定未来气候相关健康负担的诸多因素之一。人口结构变化，尤其是在人口老龄化及死亡率下降的情景下，同样起着关键作用，因为老年人对不适宜的温度更为敏感。尽管如此，要将气候与人口预测结合起来进行健康影响评估，仍需经历一系列复杂的方法学步骤，包括协调不同时间与空间分辨率的数据、处理多种不确定性来源，以及综合分析不同情景下的结果。政府间气候变化专门委员会的最新第六次评估报告也强调了，只有同时考虑气候与人口情景，才能更准确地预测未来的健康影响趋势。目前仅有少数研究开始将人口变化纳入分析，结果表明，人口变化对热相关死亡趋势的影响与气温变化相当。不过，这类分析方法较为复杂，目前尚无指南能指导用户如何在一个统一的框架内整合气候与人口预测数据。

本研究则基于更先进的方法学框架，整合了最新的气候与人口预测数据以及气候流行病学领域的先进分析技术，编写了一份更新的指南。该指南通过一个案例研究加以说明，并配有R代码以便用户重复实验。我们详细介绍了如何综合考虑人口与气候预测的贡献，涵盖了那些虽未在早期指南中提及、但能提升预测质量的新方法步骤。此外，我们还引入了“全球变暖水平”这一概念，它已成为呈现气候变化预测的常用方式。总体而言，这一先进框架将为气候变化健康影响研究提供更大支持，符合政府间气候变化专门委员会关于跨行业影响评估数据与情景的最新建议。

总体框架与示例
与之前的指南类似，我们仍以伦敦的热相关死亡预测研究作为方法演示。图1总结了该指南中提出的方法框架。首先，通过年龄别暴露-反应函数，将预测得到的危险因素（即温度）的时间序列转化为相对健康结果增量的预测值，即所谓归因分数。这些影响估计仅考虑了气候因素的影响，其变化趋势完全由排放情景决定。随后，再利用健康结果的基线发病率，计算出健康影响的绝对数值，即归因数。直到最近，大多数研究都假设未来的基线发病率保持不变，但本指南则打破了这一假设，采用了与经济社会发展趋势相一致的动态基线发病率预测方法。这一基线是按年龄划分的，其数值取决于预测的人口规模、年龄分布及死亡率。这一改进需要使用新的数据、对流行病学模型进行适度调整，同时也要求对分析结果进行更复杂的解读。

方法框架
该指南展示了预测气候变化对健康影响的方法框架。图1为该框架的概要图，A–C部分分别说明了流行病学、气候及人口数据的处理流程，1-2部分则展示了如何综合考虑各种因素来计算健康影响。在本指南中，我们采用了一个中等强度的情景作为示例，计算了整个预测期以及2°C全球变暖水平及本世纪末时的热相关死亡估计值。表1列出了该示例中所使用的各类数据集及其来源，所有数据均为公开可用。后续章节将详细介绍这些数据集的收集与处理方法，另有补充资料进一步说明部分步骤。

表1　伦敦热相关死亡预测示例的数据来源、特征及准备步骤

| 数据集 | 研究区域 | 时间分辨率 | 空间分辨率 | 时间跨度 | 预测情景 | 数据预处理 | 来源 |
|--------|----------|------------|------------|----------|----------|------------|------|
| 1. 温度与死亡观测数据 | 伦敦 | 日度 | 城市级 | 1990–2012年 | 无 | 无 | GitHub上的先前指南 |
| 2. 人口观测数据 | 伦敦 | 年度 | 城市级 | 1992–2019年 | 无 | 将各年龄组人口聚合为<75岁和≥75岁两组 | Eurostat，通过eurostat R包获取 |
| 3. 人口与生存率预测数据 | 英国及北爱尔兰 | 五年一度 | 国家级 | 1950–2100年 | SSP2：中等强度情景 | 死亡率按人口×(1-生存率)计算，年龄别（5年）死亡率聚合为<75岁和≥75岁两组 | Wittgenstein Centre，通过WCDE R包获取 |
| 4. 温度预测数据 | 从1°W到1°E经度，51°到52°N纬度 | 日度 | 0.25°×0.25° | 1950–2100年 | SSP2-4.5：中等温室气体排放情景 | 从3个气候模型中下载数据，然后在伦敦范围边界内对网格数据进行平均处理，转换为时间序列 | NEX-GDDP-CMIP620 |

该表总结了用于伦敦热相关死亡预测的四个数据集的关键特征。第一列说明了每个数据集的研究区域、空间分辨率、时间分辨率及覆盖时段；第四列列出了所选的人口与气候预测情景，但这些情景可轻松替换为其他选项，以探索不同的未来气候与人口趋势。数据准备列则说明了为协调不同数据集的时间与空间分辨率而采取的技术步骤，这是此类分析中的关键环节。最后一行列出了原始数据来源。本表中描述的所有数据处理步骤均已在R脚本中实现。

年龄别暴露-反应函数
在任何健康影响评估中，暴露-反应函数都是核心要素，它反映了危险因素与健康结果之间的关联。当涉及不同的人口情景时，年龄别的暴露-反应函数就显得尤为重要。正如“考虑气候与人口情景”一节中所详细阐述的，不同的人口发展路径会导致各年龄组的分布和死亡率发生变化，进而形成不同的暴露-反应函数。因此，在该框架中，一个关键步骤就是将给定情景下的年龄别基线死亡率预测与相应的年龄别暴露-反应函数相结合。根据研究目标与数据可用性，可选择不同的年龄分组方式，但需权衡：年龄组既要足够细致，以便捕捉不同年龄组的健康结果基线发病率差异，又要足够宽泛，以确保有足够的统计能力来估算年龄别的暴露-反应函数。这些函数可以从已有文献中获取，也可以通过历史观测数据进行实证估算。例如，伦敦的年龄别暴露-反应函数可从最近的出版物中找到。不过，为了便于说明，本例将展示如何利用现有最先进的方法及伦敦的观测数据，来估算<75岁和≥75岁的温度-死亡关联。

数据收集与预处理
我们从前面的指南中下载了每日观测温度及（全因）死亡人数的年龄别时间序列数据。然后，按照指南中的R代码，将这些数据聚合为<75岁和≥75岁两组。

年龄别暴露-反应函数的估算
对于每个年龄组，我们采用准泊松回归模型结合分布滞后非线性模型，来估算年龄别的暴露-反应函数（详细内容见补充文本S1；https://links.lww.com/EE/A428）。该模型的输出是一组系数θk，它们定义了函数f(xi;θk)，该函数描述了时间i时的温度x与特定年龄组k的死亡风险之间的关系。为传播流行病学模型的不确定性，我们对每个年龄组的系数生成100个蒙特卡洛样本，假设这些系数服从多元正态分布。在指南中，我们为了演示目的使用了相对较少的模拟次数，但实际应用中的健康影响预测研究通常会进行500到1,000次蒙特卡洛模拟。对于每个年龄组（k=1,2）和每个模拟曲线（j=0,1,…,100，其中j=0表示估算系数，j=1至nsim=100表示采样值），我们利用系数θjk来计算相对风险：
RR(xi,θjk)=e[f(xi,θjk)?f(MMTk,θjk)]，?i,j,k，
其中MMTk为该年龄组的最低死亡温度。图2显示了不同年龄组在超过最低死亡温度时的风险变化情况，可以发现，老年人的相对风险上升幅度明显高于年轻人。补充图S1展示了使用采样系数得到的暴露-反应函数，体现了流行病学模型的不确定性。

年龄别（<75岁和≥75岁）伦敦温度-死亡关联（1990–2012年）
图2展示了伦敦不同年龄组在超过最低死亡温度时的相对死亡风险，其中曲线在最低死亡温度以上的部分用第一条垂直虚线及曲线右侧尾部标出。曲线尾部的虚线段则表示在1990–2012年观测到的最高温度之外的外推部分，由第二条垂直虚线标记。如前文所述，暴露-反应函数必须从观测温度范围外推到最高的预测温度值。为此，我们假设风险呈对数线性外推，这一假设符合暴露-反应函数自然样条函数的要求。为简化分析，本指南假设热相关死亡风险不随时间变化（即没有适应性变化），不过实际上也可使用不同的暴露-反应函数来表示各种适应性情景。

考虑气候与人口情景
目前，气候情景通常由社会经济情景与辐射强迫情景的组合来表示，社会经济情景由共享的社会经济路径定义，而辐射强迫情景则由代表性浓度路径来描述。SSPs根据社会经济发展路径提出了不同的未来情景（例如，从可持续发展到以化石燃料为驱动的增长），并提供了关键指标的定量预测，其中包括人口变化、生育率、死亡率以及迁移等人口统计变量。18,26 这些预测基于SSP的定性描述，有助于将其作为评估政策响应及探讨气候变化长期后果的重要工具。27,28 相比之下，RCP则是直接输入到通用环流模型中的参数，用于描述在不同排放水平下的温室气体浓度变化轨迹。29在耦合模型比较项目第六阶段中，五种主要情景涵盖了广泛的排放和升温结果，同时将社会经济与人口因素、排放量以及气候影响整合在一个连贯的因果框架之中。1 在接下来的章节中，我们将介绍如何选择、处理这些情景，并将其纳入健康影响预测中。

气候情景
作为示例，我们首先下载温度预测数据，然后利用针对不同年龄段的ERF将其转换为与热相关的AF值。

数据收集与预处理
对于伦敦的SSP2-4.5情景，我们使用了NEX-GDDP-CMIP6数据集中三个GCM提供的日温度预测数据。20 该数据集基于最新的CMIP6输出结果，提供了经过统计降尺度和偏差校正的温度预测数据。11,20,30 我们通过数据服务下载了覆盖伦敦地区的网格文件的空间子集（1°W–1°E，51°–52°N）。

气候数据处理
为获得特定城市的温度时间序列，我们按照每个网格单元在伦敦行政区划中所占比例赋予相应权重，进而计算出这些网格值的加权平均值（见补充图S2；https://links.lww.com/EE/A428）。用于估算ERF的数据与气候模型预测数据之间可能存在系统性差异，从而影响健康影响评估的准确性。6 为减少这种潜在偏差，我们采用ISIMIP3BASD方法对GCM输出结果进行校准，31,32 以1990–2011年作为参考期，使温度预测数据与流行病学模型中使用的观测数据保持一致。6 这种方法通过参数化分位数映射来纠正整个分布范围内的偏差，同时保留各分位数的长期趋势。对于极端值，则通过事件概率调整来限制其出现频率和强度，使其处于合理范围之内。31 经过偏差校正后，调整后的气候模拟序列在保持原有升温趋势的同时，与历史时期的观测数据更为接近（见图3A–C）。

偏差校正与健康影响计算
图3展示了在SSP2-4.5气候变化情景下（1950–2099年），伦敦气温预测数据的偏差校正过程以及由此计算出的气候相关健康影响。A–C面板显示了示例中使用的三个GCM的预测结果：ACCESS-CM2、BCC-CSM2-MR和CESM2。每个面板都展示了观测到的年平均温度，以及SSP2-4.5情景下未经校正和经过校正后的GCM年平均预测值。阴影区域表示以2°C全球平均温升为基准的21年周期。D和E面板则展示了整个21世纪与热相关的死亡率的日均值，其中已考虑了流行病学模型和气候模型带来的不确定性。为便于观察，此处显示的是年度或十年度数值，但实际上该分析框架是以每日为分辨率运行的。

死亡归因比例的估算
接下来，我们对每个GCM分别基于RR(xil, θjk)计算每日AF值，这些值取决于该GCM特有的温度值（l=1，…，ngcm=3），计算公式为：AFijkl=RR(xil, θjk)?1/RR(xil, θjk)，?i,j,k,l。通过这种方式，AF可以反映不同情景下的气候相关健康影响程度。为聚焦于与热相关的AF值，我们将温度低于MMTk时的AF值设为零。图3D和E展示了这些气候相关健康影响趋势，不仅反映了不同GCM之间的差异，还体现了流行病学模型带来的不确定性。

人口统计情景
作为示例，我们下载并处理了按年龄划分的死亡率预测数据，以便将不受气候影响的基准健康状况纳入与热相关的死亡风险计算中。

数据收集与预处理
我们从Wittgenstein Centre Human Capital Data Explorer处获取了1950年至2100年英国和北爱尔兰在SSP2情景下的五年一度人口预测数据及按5岁年龄组和性别划分的生存比率。33 该平台提供了SSP模型的2023年更新版本，以及按年龄、性别和教育水平划分的全球人口历史重建数据。18 还有一个R语言包可供直接使用。19

人口统计数据的处理
面临的挑战在于，SSP预测数据仅提供国家层面且以多年为单位，而健康影响预测研究通常关注城市或区域尺度，需要每日数据。因此，直接使用未经处理的SSP数据会扭曲当地的人口结构特征。所以，需要按照此处描述的步骤对原始数据进行多轮处理。首先，我们通过将人口数量乘以1减去生存比率，得到所有原因导致的死亡率预测数据（按五年周期和5岁年龄组划分）。随后，我们将按5岁年龄组和性别划分的死亡率数据汇总为两个更大的年龄类别：k＜75岁和≥75岁。当然，也可以通过改变脆弱性因素（比如通过绿色程度等参数调整ERF）来整合不同SSP情景，但在本研究中，SSP的影响仅通过目标人群规模的变化来体现，即“人口统计情景”。为消除空间上的差异（从国家层面到伦敦层面），我们对国家层面的死亡率数据应用校正因子。该因子为历史时期（1990–2011年）内观测到的（城市层面）死亡率均值与预测的（国家层面）死亡率均值之比。之后，整个国家层面的预测序列会按照这一比例进行缩放，如图4A所示。需要指出的是，这种方法在校正时无法完全反映局部趋势，例如伦敦的历史数据显示，老年人的死亡率在历史时期有所下降，而国家层面的老年人死亡率预测则基本保持稳定（见图4A）——不过，在缺乏更精细尺度预测数据的情况下，这种方法仍是一种可行的解决方案。若要获得死亡风险率的预测值，也需要对国家层面的人口预测数据应用相同的空间校正方法，以确保一致性。

空间与时间校正
图4展示了在SSP2-4.5气候变化情景下（1950–2099年），伦敦按年龄划分的人口统计预测数据在空间和时间上的校正过程，以及由此计算出的人口统计和相关气候因素带来的健康影响。A面板展示了在SSP2情景下，伦敦年轻群体（＜75岁）和老年群体（≥75岁）的经空间校正后的年龄别死亡率预测值，同时还展示了用于校正国家层面预测值的观测年度数据（这些数据原本是针对英国和北爱尔兰发布的）。B面板则展示了经过时间校正后的日死亡率预测值（2010–2099年），其中假设历史时期（1990–2012年）内存在季节性变化规律。C和D面板展示了整个21世纪与热相关的死亡风险率，其中已考虑了流行病学模型和气候模型带来的不确定性。同样，此处为便于观察，显示的是年度或十年度数值，但实际上该分析框架是以每日为分辨率运行的。

死亡率数据具有明显的季节性特征，若忽视这一点，许多国家在预测与热相关的死亡率时可能会高估，而低估与寒冷相关的死亡率。为在统一时间分辨率时弥补这一缺陷，我们依据历史时期的季节性模式，将5年期的死亡率预测数据分配到每一天，从而得到按年龄分组、按日计算的死亡率预测值Dik（见图4B）。具体而言，历史时期的季节性模式是通过统计每年每天的观测死亡率平均值得出的（见补充图S3；https://links.lww.com/EE/A428），这一方法与之前教程中介绍的内容一致，也被其他预测研究所采用。3,4,6 尽管未来由于气候、人口变化以及适应措施的影响，死亡率的季节性模式可能会发生变化，但若要纳入这些变化，就需要构建更为复杂的死亡率预测模型，而且由于可用于支持SSP一致性预测的未来死亡率季节性数据有限，这一做法也面临诸多限制。假设历史时期的季节性模式保持不变，虽然能够较好地符合历史数据，但如果随着温度上升季节性模式发生改变，就可能低估与热相关的死亡率预测值。4,34 另一种方法是假设每年内的死亡率保持恒定，即各季节的基准死亡率相同。然而，在冬季死亡率较高的温带地区，这种假设可能会导致历史时期温暖月份内的与热相关的死亡率被高估。

死亡归因人数的估算
最终，死亡归因人数是通过将AF值与该健康状况的基准值D相乘得到的：ANijkl=Dik×AFijkl，?i,j,k,l。如图4C所示，年轻群体的基准死亡率较低，因此到本世纪末，他们的与热相关的死亡率几乎降为零。而随着温度上升以及基准死亡率升高，老年群体的与热相关的死亡率则逐渐上升，抵消了年轻群体死亡率下降的趋势（见图4D）。

健康影响预测结果的汇总
在前面的步骤中，我们得到的结果是按日分辨率、按年龄组、针对每个GCM运行次数l以及每组系数j来呈现的，同时保留了气候模型和流行病学模型带来的全部不确定性。但实际上，研究结果通常会针对特定的时间区间（如几十年）以及汇总后的总体人口来报告，这些结果以点估计值的形式呈现，并附有95%的经验置信区间，该置信区间综合了所有来源的不确定性。本节将介绍生成此类汇总结果的最终步骤。

由于分析是以每日分辨率并按年龄组进行的，因此可以灵活地对时间维度和服务人口群体维度进行数据汇总。给定时间区间T或特定人口群体G内的健康影响，可通过将相应的死亡归因风险值求和得到：ANaggjl=∑i∈T∑k∈GANijkl，?j,l。在确定时间汇总区间时，最近有研究开始重视使用全球平均温升这一指标，15 第六次IPCC评估报告也强调了这一点。35 全球平均温升是指相对于工业化前温度水平的特定全球升温幅度（如1.5、2和3°C），它为比较不同情景下的风险提供了标准化指标，因为许多气候变量在相同的升温水平下会呈现出一致的地理分布特征，无论其达到该升温水平的时间或路径如何。1 在实际操作中，我们从第一工作组Atlas GitHub仓库中获取每个GCM超过2°C全球平均温升的年份数据，11,36 并以该年份为中心定义一个21年的时间窗口。11 需要注意的是，这里的时间区间T会因不同GCM而有所不同，因为它们达到指定全球平均温升的时间点取决于所采用的SSP-RCP情景的气候敏感性（见图3A–C）。最后，为综合考虑流行病学和气候因素带来的不确定性，我们首先以所有GCM的死亡归因风险值平均值作为点估计值，该平均值是仅使用ERF的估计系数（j=0）计算得出的：AN^out=(∑l=1ngcmANaggj=0,l)/ngcm。接着，我们通过取从抽样得到的ERF系数（j≠0）和GCMs计算得到的死亡归因风险值集合的2.5%和97.5%分位数，来计算95%的经验置信区间：CI95% (ANout)=[p0.025(ANaggj≠0,l),p0.975(ANaggj≠0,l)]，其中py(x)表示分布x的第y百分位数。需要指出的是，在多地点分析中，不确定性的计算可能会更加复杂，且计算成本也更高。37图5A展示了在SSP2-4.5情景下，21世纪伦敦整体以及不同年龄组与热相关的死亡率预测增幅的统计汇总结果。这些结果汇总了图4C和D中所展示的各种气候和流行病学模型得出的健康影响结果。图5B则对比了不同时间段的健康影响情况：2°C全球平均温升情景下的年度死亡归因风险值，以及本世纪末（2079–2099年）的对应数值。

讨论
在本教程中，我们结合最新的气候和人口统计数据，提供了进行健康影响预测研究的最新逐步指导。通过伦敦与热相关的死亡率预测这一示例，我们带领读者完整了解整个分析流程：从下载和处理现有的及预测的气候和人口数据，到处理各种复杂问题，包括时间与空间分辨率的匹配、不确定性处理以及多种情景的综合解读。通过使用我们提供的R语言脚本，研究人员能够开展针对性的健康影响预测研究。当然，我们的框架也存在一些局限性。尽管本示例未考虑任何适应措施，且仅使用了有限的人口统计和气候情景，但它仍可扩展为更复杂的情景，例如纳入适应措施（如使用不同的ERF值）6,11,25，以及多样化的社会经济和气候预测数据。虽然我们是用温度和死亡率数据来演示该框架的，但只要在流行病学模型以及预测值的校准过程中适当考虑数据特征（如离散型与连续型、偏态与对称性），它就可以应用于各种暴露因素和结果变量。此外，现有的死亡率预测在空间和时间上的粗糙度给其与观测数据的校准带来了很大挑战。我们在前文已阐述了这一步骤所需的假设条件。尽管可以使用更复杂的校准方法，但我们的方法（通过对国家层面的预测值应用修正因子，并假设季节性模式保持不变）能够在考虑这些偏差与保持整体流程简洁之间实现合理的平衡。例如，通过将人口预测的时空分辨率提高，38,39就可以得到更为精细的SSP人口预测结果，这有助于完善该框架。最后，我们展示了如何处理来自流行病学模型和气候模型的不确定性。不过，由于每种SSP情景下只有一份人口预测结果，因此无法通过其他预测或明确的不确定性描述来传递这一方面的不确定性，所以人口统计领域的不确定性并未被纳入考量。所提出的框架与IPCC最新的方法一致，即结合社会经济路径与气候路径。1实际上，先前的研究已经表明，在健康影响预测中纳入人口结构变化因素的重要性，比如人口老龄化问题。11–14在气候变化背景下进行准确的健康风险评估，必须充分考虑弱势群体及其不断变化的人口趋势。因此，通过展示与气候减缓策略相关的不同社会经济情景下的影响，健康影响预测研究能够为政策制定提供更有价值的参考，帮助人们增强抵御气候变化影响的能力。利益冲突声明作者声明，就本报告的内容而言，他们不存在任何利益冲突。