马里兰州反复停电与电网可靠性带来的心理健康负担

《iScience》：Recurrent power outages and the mental health burden of grid reliability in Maryland

　　

**亮点**
• 反复停电与更高的心理健康住院率相关联
• 频繁的 1-3 小时停电显示出最强且最精确的关联
• 电网基础设施工具变量支持停电的因果效应
• 电网可靠性是公共卫生和气候适应的优先事项

**摘要**
停电越来越受基础设施老化、气候压力和电力需求上升的影响。其对心理健康的后果仍然缺乏量化，特别是针对重大灾难之外的常规停电。在此，我们将 15 分钟停电记录与 2018 年至 2023 年马里兰州医疗成本与利用项目州住院数据库记录链接，估计邮政编码 - 季度与主要心理健康诊断住院的关联。采用邮政编码和年份季度固定效应以及天气、社会经济状况、人口统计、医疗可及性和共病控制变量的泊松伪极大似然模型，更高的停电暴露量始终与住院率增加相关联。基线发病率比约为 1.017，相当于停电事件对数每增加一个单位，发病率增加 1.7%。结果对替代阈值具有稳健性，并集中在频繁的 1-3 小时中断中。基于电网基础设施的工具变量分析得出了更大的正向估计值。这些发现表明，电网可靠性是一个气候适应和卫生系统连续性问题。

**图形摘要**

**引言**
在美国，停电是对公众健康日益普遍且加剧的威胁，然而其对心理健康的影响仍未得到充分认识。在马里兰州等州，老化的电网基础设施带来了日益增长的停电风险，而气候驱动的极端高温可能通过提高制冷需求、对电网性能施加压力以及加剧低收入家庭现有的能源负担承受能力问题，进一步加剧这种脆弱性。停电通过多个相互关联的途径扰乱心理健康护理的提供。远程医疗服务可能变得不可用，前往现场预约的交通可能受阻，药房关闭可能阻碍及时续药。在大范围停电期间，当需求激增时，心理健康危机热线往往无法访问，而急诊精神服务则因系统全面超载而面临更大的压力。此类心理健康冲击可能表现为压力反应、焦虑、精神病性障碍加剧或物质使用危机，然而大多数现有研究依赖调查方法来识别心理健康问题，而未查看实际的临床数据。

停电可能是致命的，特别是对于那些医疗依赖电力的个人而言。预计气候变化将增加极端天气事件的频率、强度和持续时间，加之基础设施老化，可能导致更严重和更长时间的停电中断。随着停电频率和持续时间的继续上升，医疗脆弱人群——特别是电力依赖耐用医疗设备的使用者——面临的风险日益增加，且在 socioeconomic 和种族线上观察到差异。2012 年，估计美国有 68.5 万人在家中生活时依赖电力驱动的医疗设备。使用美国卫生与公众服务部（HHS）Empower 项目中基于医疗补助的可比衡量标准，识别出约 300 万拥有电力依赖耐用医疗设备索赔的受益人（截至 2025 年 12 月），尽管底层人口框架不同。从 2016 年到 2025 年，马里兰州 HHS Empower 计划中关于电力依赖耐用医疗设备索赔的人数从 28,939 增加到 35,575（每年八月份保持一致比较）（+22.9%）。这些人在停电期间面临严重的健康风险，且并未始终整合到应急准备系统中，增加了其对身体和心理困扰的脆弱性。关于冬季风暴 Uri 对心理健康影响的研究发现了高比例的心理健康困扰。790 名受访德州居民中有 18% 报告了创伤后应激；那些经历停电和停水并伴有高 COVID-19 影响的人群，创伤后应激（PTS）的几率高出 7.7 倍。

马里兰州为这项研究提供了一个特别相关的背景，因为其电力基础设施老化且气候压力增加：马里兰州的电网被州政府官员描述为“遭受重击且状况日益恶化”，由于基础设施老化和更频繁的恶劣天气事件，停电正在增加。近年来，马里兰州退役了 6000 兆瓦发电容量，而仅新增了 1600 兆瓦。PJM（宾夕法尼亚州 - 新泽西州 - 马里兰州）互联公司指出，截至 2024 年，马里兰州“记忆中未建设过主要高压线路”，使其输电基础设施日益紧张。与此趋势一致，我们数据中持续时间至少 1 小时的停电事件频率在研究期间（2018–2023）以每年平均约 10% 的速度增加。该州涵盖了巴尔的摩 - 华盛顿地区的密集都市走廊，以及东岸和马里兰州西部的农村和沿海社区，在基础设施暴露和医疗可及性方面造成了巨大的地理异质性：样本中约三分之二的邮政编码（490 个中的 321 个）位于大都市区（人口≥100 万），其余三分之一涵盖了较小的都市区和农村社区。此外，本研究使用了高分辨率的邮政编码级停电数据，而许多先前的文献依赖于县级数据集，这使得能够更精确地估计局部暴露和社区层面的异质性。当与医疗成本与利用项目（HCUP）州住院数据库（SID）行政记录链接时，这些数据使马里兰州成为识别停电对临床诊断心理健康结果影响的实证环境。

长时间的停电不仅威胁社会经济不利社区的公众健康，而且涉及脆弱人群在极端天气事件期间更长的恢复延迟。在美国，2020 年和 2021 年极端天气导致的加利福尼亚州、得克萨斯州和路易斯安那州的严重停电估计分别造成了 20 亿美元、800 亿至 1300 亿美元以及 310 亿至 440 亿美元的成本。近期证据表明，停电负担在社区间的分布不均。研究发现，中位家庭收入较低的邮政编码区域经历更频繁的停电——作者将这种差异归因于电网基础设施脆弱性的空间差异——而在有医院和消防站等关键设施的地区，停电持续时间较短，这与公用事业公司在这些地区优先恢复供电的做法一致。研究发现，少数族裔人口比例高的地区发生停电的可能性高出四倍多，且低收入社区经历更频繁的停电和更不可靠的电力服务。这些差异可能因老化的电网基础设施而进一步加剧；如今，美国超过 70% 的电网已有 25 年以上的历史，增加了系统对极端天气事件和其他停电原因脆弱性。

过去几年，美国的心理健康障碍患病率一直在激增，影响了超过 22% 的成年人口。马里兰州面临着特别严峻的心理健康负担：该州 2023 年心理健康服务使用率达到每千人口 42.2 人——几乎是全国平均水平每千人口 24.5 人的两倍——超过 26 万人接受州心理健康服务，其中 78% 符合联邦关于严重精神疾病或严重情绪障碍的定义。马里兰州医疗补助资助的心理健康客户比例（97%）也大大超过全国平均水平（76%），反映了更高的需求和更依赖公共保险进行行为医疗保健。在美国，2019 年重度抑郁症（MDD）影响了 1980 万名成年人，经济负担为 3337 亿美元。停电与心理压力、焦虑以及日常生活和沟通的中断有关。来自 2021 年德州冬季风暴和电力危机的证据也表明，心理健康影响可能在突发事件后持续存在。更广泛地说，来自德国的近期证据表明，能源贫困与心理健康（而非身体健康）的恶化密切相关，这表明无法获得可靠的能源服务可以直接损害心理健康。随着困扰加剧，一些患者可能会转向急诊或住院治疗。由于精神和药物滥用相关住院护理是资源密集型，住院利用率增加会增加医疗系统负担和支出。这一模式与更广泛的证据一致，即严重精神疾病伴随着巨大的长期生命周期经济成本。

尽管证据不断增多，但仍存在重要缺口。许多研究依赖于自我报告的短期困扰，而非临床诊断结果。一项研究对 56 项关于气候变化和心理健康的实证研究进行了范围综述；其中 23 项（占研究的 41%）依赖自我报告的调查数据，关注极端天气事件后立即的自我报告困扰，这可能无法捕捉临床诊断或长期的心理健康影响。此外，大多数现有工作对停电独立效应的因果识别有限，因为停电经常与通过不同途径影响心理健康的极端天气事件同时发生。

本研究利用高分辨率停电数据和去标识化的出院级临床数据（马里兰州的行政住院索赔），提供了停电对心理健康影响的首个实证证据，并弥补了这两个缺口。首先，我们利用 HCUP 州住院数据库（2018–2023）的去标识化行政住院出院记录，并与高分辨率停电数据链接，以衡量临床诊断的心理健康住院，而非自我报告的困扰。使用多年行政住院数据，我们发现，中持续时间（1-3 小时）的更频繁停电事件，而非长时间事件，与主要心理健康诊断的住院率增加约 1-2% 相关联，该指标在邮政编码层面测量。其次，为了解决内生性问题，我们实施了基于现有电力电网基础设施的工具变量策略——具体而言，是变压器密度（配电网层）、变电站密度和高压输电线路密度（输电网层）——这利用了电网物理结构的变异来识别停电对心理健康住院率的因果效应。此外，我们将基础设施压力源与社会脆弱性因素相结合，并测试它们对心理健康风险的交互效应，使用邮政编码和时间固定效应，结果在各种设定下均具有稳健性，且在更脆弱的社区中更强。

我们的发现通过将注意力从罕见的大规模停电事件转移到更频繁、短时间的停电上，从而为文献做出了贡献，后者是日常电网运行的特征。虽然这些中断通常被视为常规的运营问题，但研究表明它们与可测量的心理健康结果变化相关联。同时，异质性模式表明，观察到的住院效应受潜在需求和医疗可及性的影响。这意味着，在医疗可及性更有限的社区中，与停电相关的心理健康负担可能被系统性地记录不足，凸显了观察到的结果与真实人口影响之间的潜在差距。

**我们的贡献**
极端天气事件和停电在美国各地区经常同时发生，这使得很难将心理健康影响仅归因于停电。虽然两者都与不良心理健康结果相关，但它们可能通过不同的途径发挥作用：极端天气，特别是高温，可以通过体温调节压力和睡眠中断等生理渠道影响心理健康，而停电可能通过基础设施依赖的中断影响心理健康，包括失去热舒适度、日常惯例中断以及社会支持获取减少，以及远程医疗、药物获取和危机支持的中断。然而，先前的实证研究（见说明 S1）主要关注天气极端和停电同时发生的灾害背景，限制了对停电独立效应的因果识别。

本研究做出了以下贡献。大多数先前文献（详见说明 S1 中的详细文献综述）主要考察了同时发生危害的综合效应，而不是隔离停电的作用，并且通常依赖无法区分急诊科出院和住院精神科入院的短期事件数据。本研究通过两种方式解决这些局限性。首先，与大多数主要依赖调查数据衡量心理健康而非使用临床和行政数据（如本研究所做）的先前研究不同，我们的研究利用了马里兰州 HCUP 州住院数据库（SID）的综合行政数据，使我们能够通过跟踪急诊科后的住院结果更精确地量化停电的心理健康负担，并控制更丰富的时间和地理协变量。行政医院数据提供了几项优势：它们使用标准化的国际疾病分类第十次修订版（ICD-10-CM，方法 S1）编码捕捉客观诊断的疾病，并提供州内所有住院入院的覆盖水平。自我报告的心理健康衡量指标，例如从调查中收集的指标，容易产生报告偏差，并且可能无法准确代表心理健康障碍的严重程度，因为它们受受访者感知和披露心理健康问题的意愿影响。这些调查不足以大规模捕捉停电的时间影响。为了解决这些局限性，我们的分析重点关注主要诊断为心理健康状况的患者，包括（方法 S1）中列出的所有诊断。

主要诊断反映了住院或治疗的根本原因，使我们能够将急性心理健康病例直接与基础疾病直接归因（即心理健康既是患者的主要病因又是基础病因的病例）区分开来，而非继发性或合并症路径。因此，这种方法为停电事件与心理健康结局之间的归因提供了更清晰的分析，最大限度地减少了来自无关身体健康因素的混杂。第二，估计停电对心理健康的因果影响面临重大挑战，主要是因为同时影响暴露和结局的混杂因素——包括已观察和未观察的因素。本研究使用涵盖马里兰州全境的州级大型住院数据库，（1）评估了停电对以心理健康为主要诊断的住院的因果影响；（2）探讨了停电与心理健康之间的关系在不同社会人口群体中是否存在差异。为识别停电对心理健康住院的因果效应，我们采用了一种考虑多种潜在混杂路径的识别策略。具体而言，我们调整了随时间变化的气象条件和人口特征因素，纳入了邮政编码和时间固定效应，并实施了一种基于电网基础设施（如变压器密度和配电线密度；另以变电站密度和高压输电线路密度作为替代模型设定）的工具变量（IV）方法，以应对停电暴露中的潜在内生性问题。

结果

基线估计：停电与心理健康住院

图1展示了泊松伪极大似然模型（PPML-HDFE）的回归结果，该模型包含高维固定效应，将邮政编码-季度层面的心理健康住院率对经过对数转换的停电暴露（定义为每个邮政编码-季度内持续至少1小时且影响超过75百分位客户的停电事件数量，详见STAR方法部分的停电数据及方法S2中的变量定义和构建细节）进行回归，并在五个逐步增加协变量的模型中依次加入气象、社会经济、人口特征和医疗系统变量。所有模型均包含邮政编码固定效应和年份×季度固定效应，以控制不随时间变化的当地特征并吸收同一年份-季度内所有邮政编码共同面临的冲击。该识别策略依赖于停电暴露在邮政编码内部随时间的变异，其假设条件是——在控制固定效应和已观察协变量的情况下——停电的时机与当地心理健康需求、就诊行为或医院使用之间是外生的。在所有模型设定中均观察到稳定正向的关联，这是基线分析的主要发现。

图1 基线PPML系数估计——心理健康住院与停电

注释：每张图片均展示了PPML-HDFE回归的发病率比（IRR）及其95%置信区间。（A）展示了停电暴露（ln_outage_1hr_p75）在五个模型设定中的主效应。（B）展示了各对应模型设定中的气象控制变量。（C）展示了模型3（M3）中的社会经济、人口特征和医疗可及性控制变量。（D）展示了健康合并症控制变量（模型3中的Elixhauser合并症指数；模型5中的疾病患病率）。模型1（M1）包含贫困率、家庭收入中位数以及病例组合调整后的合并症和死亡率指数（CMR）。模型2（M2）增加了极端高温、极端降水和极端寒冷天数（均以第90百分位为阈值）。模型3（M3）保留极端高温（第90百分位）并增加人口特征控制变量（男性占比、黑人占比、亚裔占比）、保险覆盖（医疗补助占比、无保险占比）以及精神科医生供给量。模型4（M4）与M3相同，但将高温阈值从第90百分位替换为第75百分位。模型5（M5）使用第95百分位的高温阈值，将CMR合并症指数替换为特定疾病患病率指标（精神病、酒精使用障碍、糖尿病、高血压、COPD），并保留CMR死亡率指数。所有模型均包含邮政编码固定效应和年份×季度固定效应，并以总人口作为暴露项。标准误在邮政编码层面聚类。?p < 0.10，??p < 0.05，???p < 0.01。完整回归结果见附表S9。

图1展示了五个模型设定下的PPML-HDFE回归结果，所有模型均包含邮政编码和年份×季度固定效应，并以总人口作为暴露项。停电暴露与心理健康住院之间的正向关联在所有模型设定中均稳健成立（A）。ln_outage_1hr_p75（即持续至少1小时且超过停电强度第75百分位的停电事件数量加一后取自然对数，详见STAR方法部分的停电数据及方法S2中的变量定义和构建细节）的估计IRR范围为1.013至1.017，表明对数停电暴露增加一个单位——大约相当于严重停电事件数量增加2.7倍（例如从每季度5次增至14次）——与心理健康相关住院率增加1.3%–1.7%相关。从包含社会经济控制变量和合并症指数的基本模型（模型1，IRR = 1.017，p < 0.05）开始，随着我们加入气象控制变量（模型2，IRR = 1.017，p < 0.05）、人口特征和医疗可及性变量（模型3，IRR = 1.015，p < 0.05）、第75百分位的替代高温阈值（模型4，IRR = 1.016，p < 0.05）以及一组特定疾病合并症指标（模型5，IRR = 1.013，p < 0.10），该效应的估计值保持稳定。这种稳定性表明，所估计的效应对纳入可观察混杂因素具有稳健性。

在环境控制变量中，极端高温是心理健康住院的显著风险因素（B）。第90百分位的极端高温天数与主要心理健康住院率之间存在显著正相关（模型2中IRR = 1.003，p < 0.01；模型3中IRR = 1.002，p < 0.05），且在模型5中使用更严格的第95百分位阈值时，该效应仍然显著（IRR = 1.003，p < 0.01）。相比之下，极端降水和极端寒冷天数在模型2中没有表现出统计学上的显著关联，而模型4中较低的75百分位高温阈值也不显著，表明只有更极端的温度才会对心理健康结局产生有意义的影响。附表S15通过在所有三种高温阈值下重新估计每个模型设定进一步确认了这一模式；无论使用哪种阈值，停电系数基本保持不变。重要的是，在控制这些气象变量后，停电效应仍然显著，证实了停电对心理健康的影响独立于天气驱动的压力。除了停电的主效应之外，控制变量有助于刻画影响马里兰州各邮政编码心理健康住院模式的因素（图1，1C和1D；完整结果见附表S9）。围绕医疗可及性呈现出一条清晰的模式。每千人精神科医生数量较多的地区，其心理健康住院率反而更高而非更低（IRR = 1.025–1.028，p < 0.01），这与更高的病例识别和转诊一致，而非更重的潜在疾病负担。

类似地，医疗补助注册率较高的邮政编码（IRR = 1.006–1.010，p < 0.01）和无保险率较高的地区（主模型中IRR = 1.009，p < 0.01）显示出显著更高的主要心理健康住院率。这一模式与以下观点一致：即门诊或预防性医疗可及性较差的人群可能更依赖危机驱动的住院服务。社会经济劣势始终与更高的住院率相关。贫困率每增加1个百分点，心理健康住院率增加0.6%–0.8%（IRR = 1.006–1.008），而家庭收入中位数在模型3和模型4中显示小幅正相关（IRR = 1.002，p < 0.10）——这一模式可能反映了高收入地区更好的医疗可及性和诊断能力，而非更重的潜在精神疾病负担。人口构成也很重要：男性居民占比较高的邮政编码显示出持续更高的主要心理健康住院率（IRR = 1.005–1.006，p < 0.01）。亚裔人口占比较高的地区主要心理健康住院率显著更低（IRR = 0.331–0.340，p < 0.05），即使控制其他因素后仍如此。黑人居民占比在控制其他变量后不显著（IRR = 0.970–0.983）。

健康合并症控制变量捕捉到了人口脆弱性的一个重要维度。Elixhauser合并症再入院风险较高的地区——反映了更重的潜在合并症负担（详见方法S5）——显示出显著更高的心理健康住院率（模型1–4中IRR = 1.049–1.050，p < 0.01）。这一模式表明，潜在健康状况更复杂的人群可能对心理健康相关住院更为脆弱。相反，死亡率风险较高的地区心理健康住院率更低（IRR = 0.939–0.972，p < 0.01）。当模型5纳入特定疾病指标时，精神病患病率较高的地区（IRR = 1.027，p < 0.01）和酒精相关障碍患病率较高的地区（IRR = 1.036，p < 0.01）显示出显著更高的住院率，而糖尿病（含并发症）（IRR = 0.996，p < 0.01）和高血压（含并发症）（IRR = 0.997，p < 0.05）等躯体疾病呈负相关。慢性阻塞性肺疾病（COPD）未显示显著关联（IRR = 0.999）。

停电暴露的替代定义：稳健性与敏感性

我们评估了估计的停电-心理健康关系是否对停电暴露的替代定义敏感。在基线模型中，停电暴露定义为持续至少1小时且超过严重程度第75百分位的事件，这与先前研究使用的百分位定义一致（见表1）。为评估敏感性，图2检验了在三个替代阈值定义下的稳健性，这些定义同时改变了最短持续时间和严重程度阈值。所有模型设定均保留完整控制变量、邮政编码固定效应、年份×季度固定效应及人口暴露项。

图2 稳健性检验——不同阈值定义下停电效应

注释：每个点展示了使用替代停电阈值定义进行单独PPML回归得到的发病率比（IRR）。水平线代表95%置信区间。??p < 0.05，???p < 0.01。所有模型均包含邮政编码固定效应和年份×季度固定效应，并包含完整的控制变量。完整结果见附表S10。

参考文献 停电定义 位置 时间范围 分辨率 受影响客户比例，二元变量：是/否 受影响客户比例 >50百分位 纽约州 2001–2013年 日度 Lin等人 二元变量：是/否 受影响客户比例 >50百分位 纽约州 2001–2013年 日度 Sheridan等人 二元变量：是/否 受影响客户比例 >50百分位 纽约州 2005–2013年 日度 Xiao等人 二元变量：是/否 受影响客户比例 >50百分位 纽约州 2012年10月29日至11月27日 日度 Deng等人 二元变量：是/否 受影响客户比例 >75百分位 纽约州 2002–2018年 日度 Do等人 受影响客户比例 全美，县级 2018–2020年 小时级 Flores等人 受影响客户比例 纽约州 2017–2020年 小时级

表1 停电定义汇总

结果（图2）在所有模型设定中保持一致。将停电定义为持续至少1小时且超过严重程度第50百分位的事件，IRR为1.023（p < 0.01），意味着对数停电暴露每增加一个单位，心理健康住院率增加2.3%。将严重程度阈值提高至第90百分位产生了一个稍小但估计更精确的效应（IRR = 1.016，p < 0.01）。将最短持续时间延长至2小时同时保持第50百分位阈值不变，得到的估计值几乎相同（IRR = 1.018，p < 0.05）。在所有定义下，点估计值均落在1.6%–2.3%的窄幅范围内，表明所估计的关系并非由任何一个阈值选择所驱动。完整回归结果见附表S10。

我们进一步通过对停电最短持续时间阈值的敏感性进行了检验，分别估计PPML回归，其中停电暴露定义为ln(1 + episodes)，episodes对应于每个邮政编码-季度内持续至少X小时且超过严重程度第50百分位的停电事件（图3）（关于暴露变量的构建细节，详见STAR方法部分的停电数据及方法S2）。估计效应对于持续时间较短的停电最大。持续至少1小时的停电IRR约为1.023（p < 0.01）。随着持续时间阈值的增加，估计效应逐渐下降，在2小时时IRR约为1.018（p < 0.05），在3小时时IRR约为1.015（p < 0.05）。对于4小时及以上的阈值，估计值幅度更小且不再能显著区别于零，置信区间与零值1重叠。持续时间较短的停电事件比持续时间较长的停电事件发生频率高得多（附表S11），这暗示在更高阈值处失去统计学显著性可能反映的是统计效力不足，而非潜在关系的逆转。

图3 敏感性检验

注释：每个点展示了单独PPML回归得到的发病率比（IRR）。

停电指标定义为 ln(1 + episodes)，其中 episodes 是指持续时间≥X 小时且严重程度超过各邮编-季度内第50百分位数的停电事件。图中显示了95%置信区间。?p < 0.10，??p < 0.05，???p < 0.01。所有模型均包含邮编和年份×季度固定效应。按持续时间阈值划分的停电事件统计摘要（对数转换）见附表S11。

综合来看，这些稳健性和敏感性分析表明，停电与心理健康住院之间的正相关关系并非由任何单一阈值定义所驱动。结果在不同的严重程度截断值和持续时间阈值下保持一致，效应主要集中在相对频繁、持续时间适中的停电事件（1-3小时）上，而非罕见的、持续时间较长的事件（图3）。这一模式表明，即使持续时间较短的停电事件也可能随时间累积，并对受影响社区的心理健康负担产生有意义的贡献。总体而言，研究发现强调，在理解电力基础设施中断对心理健康的影响时，停电频率与事件严重程度同样重要。

作为额外的规格检验，用城市×年份固定效应替代邮编固定效应——后者可吸收城市层面的时变不可观测变量，如地方政策和经济变化——得到一致且略大的估计结果（IRR = 1.031，95% CI: 1.007–1.056，p = 0.012），证实了该正相关关系并非由研究期间随时间变化的城市层面混杂因素所驱动（完整结果见附表S12）。

极端高温下的效应调节

为检验停电与心理健康住院之间的关联在极端高温期间是否被放大，我们估计了一个增强的PPML-HDFE模型，该模型纳入了停电对数暴露量与极端高温天数的交互项，两者均以样本均值为中心。这一设定检验了是否并发热应激和电力中断会在各自独立效应之和之外进一步加重心理负担。

交互项（表2）无统计学显著性（IRR = 1.000，95% CI: 1.000–1.001，p = 0.434；联合检验: χ2(1) = 0.61，p = 0.434），表明停电对心理健康的影响在不同极端高温暴露水平间无显著差异。停电暴露的主效应保持正值（IRR = 1.015，p = 0.050），与基线设定一致；极端高温天数独立地与更高的心理健康住院率相关（IRR = 1.002，p = 0.025）。

变量 IRR 95% CI p值
对数停电小时数（中心化）1.015 1.000–1.030 0.050
极端高温天数（中心化）1.002 1.000–1.005 0.025
停电×高温（交互项）1.000 1.000–1.001 0.434
N（观测值）8,152 --
聚类（邮编）430 --

表2 极端高温下的效应调节：停电×高温交互项（PPML-HDFE，邮编-季度水平）

来自PPML-HDFE模型的估计，含邮编和年份×季度固定效应及人口偏移量。对数停电小时数和极端高温天数均以均值为中心。IRR = 发病风险比。交互项联合检验: χ2(1) = 0.61，p = 0.4338。完整协变量集与基线模型一致。标准误在邮编水平聚类。另见附表S15获取替代极端高温阈值下的停电效应估计。

工具变量结果

为解决停电暴露中可能存在的内生性问题，我们采用工具变量（IV）方法，使用三项电力基础设施指标——变压器密度、变电站密度和高压输电线密度（基础设施在马里兰州各邮编的空间分布见图4和图5，工具变量构建细节见方法S6）——作为停电暴露的工具变量。我们的IV估计证实了停电暴露对心理健康住院具有正向且统计显著的影响，方向与基线PPML结果一致，为停电对心理健康结局产生不利影响的因果解释提供了支持（详细工具构建、识别假设及电网物理架构见STAR方法部分）。

图4 马里兰州各邮编电力基础设施密度的空间分布

完整标题

图查看器

该图展示了配电线路密度（粉色）和变压器密度（蓝色）在邮编层面的双变量分类。混合颜色（紫色调）表示两种密度均较高的区域。颜色深浅反映了基于分位数分类的相对密度水平，突显了马里兰州各地电力基础设施容量的显著地理差异。基础设施密度指标的构建细节见方法S6。比例尺，100公里。

图5 马里兰州各邮编输电线路和变电站密度的空间分布

完整标题

图查看器

双变量分级统计图展示了马里兰州各邮编输电线路密度（黄色）和变电站密度（蓝色）的联合分布。深蓝绿色区域表示两种基础设施密度均较高；黄色区域表示输电线路密度高但变电站密度低；蓝色区域表示变电站密度高但输电线路密度低；浅色/米色区域表示两种密度均较低。基础设施密度指标的构建细节见方法S6。比例尺，100公里。

第一阶段回归证实（表3）电力基础设施可预测停电暴露。输电层和配电层的基础设施密度均与严重停电事件频率显著相关。这支持了相关性条件：电网结构更易发生级联或设备层面故障的区域，确实经历了更多的停电暴露。

(1)(2)(3)
变压器工具变量 变电站和输电线路作为工具变量 变压器、变电站和输电线路作为工具变量
A部分：第二阶段 ln_outage_1hr_p75 0.420???(0.142) 0.301?(0.166) 0.380???(0.120)
B部分：第一阶段 dens_transformer ?0.116???(0.037) -- ?0.102???(0.029)
dens_substation -- 1.706???(0.601) 1.640???(0.595)
dens_transmission_line -- 0.189???(0.067) 0.177???(0.066)
观测值 8,204 8,204 8,204
第一阶段F值 9.80 21.32 19.76
第一阶段p值 <0.001 <0.001 <0.001
控制变量 是 是 是
年份固定效应 是 是 是
Hansen J检验p值 -- 0.383 0.556

表3 IV泊松估计——主要结果摘要

该表报告了第二阶段IV泊松GMM估计值和排除性工具变量的第一阶段系数。第(1)列以变压器密度作为唯一的排除性工具变量。第(2)列以变电站密度和输电线路密度作为工具变量。第(3)列以全部三个基础设施变量——变压器密度、变电站密度和输电线路密度——作为工具变量。所有模型均包含年份固定效应，以及极端高温天数、社会经济特征、保险覆盖、精神科医生供给、共病指数和种族构成等控制变量。标准误在邮编水平聚类。?p < 0.10，??p < 0.05，???p < 0.01。需要注意的是，第(1)列以变压器密度作为唯一工具变量，第一阶段F统计量为9.80——略低于约10的传统弱工具变量阈值——表明工具变量强度处于边界水平。另见附图S1和注释S2。

表3展示了使用三种替代工具变量集合的IV泊松估计。在第(1)列中，仅变压器密度作为排除性工具变量，与停电强度呈负相关（?0.116，p < 0.01），这与较密集的本地网络更能实现故障定位的预期一致；F统计量为9.80，表明工具变量强度适当。第(2)列使用上游输电基础设施——变电站密度和输电线路密度——两者均与停电暴露呈正相关（分别为1.706和0.189，均p < 0.01），反映了高互联主电网网络中更大的级联故障风险；F统计量为21.32，确认了工具变量的强相关性。第(3)列结合了全部三个变量：变压器密度仍为负相关（?0.102，p < 0.01），变电站密度和输电线路密度仍为正值（分别为1.640和0.177，均p < 0.01），联合F统计量为19.76。

在第二阶段中，三种设定均得出停电暴露对心理健康住院具有正向且统计显著的影响，方向在各工具变量集合间保持一致。使用变压器IV时，ln_outage_1hr_p75的系数为0.420（p < 0.01，第1列）；使用输电IV时为0.301（p < 0.10，第2列）；使用全部三个IV时为0.380（p < 0.01，第3列）。由于模型以指数均值形式估计，这些系数意味着对数停电暴露每增加一个单位，心理健康相关住院约增加35%-52%（IRR ≈ 1.35–1.52）。过度识别的Hansen J检验未拒绝工具变量的有效性（第2列p = 0.383；第3列p = 0.556），有力地支持了工具变量的外生性。估计值在下游和上游基础设施指标间的一致表现——两者捕捉了不同的停电机制——为停电增加心理健康住院提供了稳健证据。

尽管IV估计值显著大于PPML估计值，但在转化为绝对量时，其隐含效应大小仍然合理。IV系数0.380（IRR = 1.46）意味着对数停电暴露每增加一个单位——相当于停电事件数大约增加至三倍（例如从每季度3次增至8次）——与心理健康住院增加46%相关。鉴于每个邮编-季度的基线心理健康住院均值为16.4例，这相当于约增加7-8例（16.4 × 0.46 ≈ 7.5）。然而，住院分布高度右偏，中位数仅为每个邮编-季度4例。对于处于中位数水平的典型邮编而言，46%的增加意味着约增加1.8例住院。此外，IV估计值（IRR范围为1.35至1.52，跨不同工具变量集合）显著大于基线PPML估计值（IRR ≈ 1.013–1.017）。不包含邮编固定效应但包含完整控制变量集的面板泊松设定仅得出IRR为1.037，表明缺少邮编固定效应对幅度差异的贡献最小。因此，我们将PPML估计值视为保守下界，IV估计值视为真实效应的上界；两种方法均一致证实了停电暴露对心理健康住院具有正向且统计显著的影响。IV结果对替代停电定义具有稳健性。在七种不同设定中（改变持续时间阈值1-8小时和严重程度阈值P50及P75），所有IV估计值均为正值，其中五个达到统计显著性（IRR = 1.46–2.01），尤其在较短持续时间阈值下更为明显。所有Hansen J检验均通过（p > 0.40；细节见注释S2和附图S1）。

医疗可及性、社会经济地位、种族构成和季节异质性

为评估停电与心理健康住院之间的关系是否在不同社区间存在差异，我们沿五个维度检验了异质性：城乡分类、贫困水平、医疗补助覆盖、季节性和性别构成。城乡状态使用美国农业部城乡连续统代码（RUCC）分类：大都市区（RUCC = 1，人口100万以上的都会区所属县）与其他所有区域。高贫困邮编定义为贫困率≥20%的邮编，采用美国人口普查局阈值。高医疗补助覆盖定义为住院患者中至少四分之一由医疗补助覆盖的邮编，该阈值接近约25%的全国平均水平。暖季包括4月至9月（第2-3季度），冷季包括10月至次年3月（第1和4季度）。性别构成使用邮编层面男性患者比例的50分位数切分。

基于城乡状态的估计结果表明，效应主要集中在大都市区。在大都市区邮编中，停电与心理健康住院增加1.6%相关（IRR = 1.016，p < 0.05）（图6）。相比之下，非大都市区的估计为负值且边缘显著（IRR = 0.973，p < 0.10）。正式检验确认这是子组差异具有统计显著性的唯一维度（z检验p = 0.013；交互项p = 0.015）（见附表S13）。一种合理的解释是，大都市区居民更容易获得医院护理服务，包括急诊和精神科服务，因此在停电相关压力后更有可能寻求治疗。相比之下，较小城市及农村地区的居民可能面临更大的住院护理障碍，或更多依赖非正式支持网络，这可能导致即使潜在痛苦增加，记录的住院数量也较少。

图6 异质性分析：停电对心理健康住院的影响

完整标题

图查看器

每个点表示在子组内分别估计的PPML-HDFE回归中停电变量（ln_outage_1hr_p75）的发病风险比（IRR），水平条形表示95%置信区间。虚线竖线标记IRR = 1（无效应）。城乡状态使用美国农业部城乡连续统代码分类：大都市区（RUCC = 1，人口≥100万的都会区所属县）与其他所有区域。高贫困采用美国人口普查局贫困率≥20%的阈值定义。医疗补助覆盖子组基于邮编层面医疗补助覆盖出院比例的50分位数切分，高医疗补助定义为≥25%。暖季包括第2-3季度（4月至9月），冷季包括第1和第4季度（1月至3月和10月至12月）（见附表S13）。所有模型均包含邮编和年份×季度固定效应，并以总人口作为暴露变量。

控制变量包括极端高温天数、物质使用流行率、合并症负担、失业率、种族构成、保险覆盖率和精神科医生供应量，并根据各维度进行细微调整（例如，季节性模型中排除极端高温天数以避免共线性；Medicaid覆盖率模型中用中位收入替代Medicaid和无保险人群占比，以避免与分组变量之间的机械相关）。标准误在邮政编码区域水平上聚类。?p < 0.10，??p < 0.05。

当按照美国人口普查局设定的20%贫困线阈值进行分组分析时，也出现了类似的模式。停电在低贫困区域具有统计学显著的效应（IRR = 1.015，p < 0.05），而高贫困区域的点估计值更大，但估计的置信区间更宽且不具统计学显著性（IRR = 1.032，p > 0.10），这很可能反映了马里兰州中超过20%贫困阈值的邮政编码区域数量相对较少。交互模型表明两组之间存在边缘显著差异（p = 0.084），但z检验并未确认这一点（p = 0.499）。尽管效应仅在低贫困区域达到统计学显著性，但在高贫困区域，点估计值为正且数值更大，且两个亚组的估计值之间不存在统计学可区分性。因此，我们将统计学显著性的差异解释为高贫困邮政编码区域数量较少所致，而非效应仅局限于低贫困社区。

当按Medicaid覆盖率进行分组时，Medicaid覆盖率较高的邮政编码区域（≥25%的患者由Medicaid覆盖）显示停电与主要精神健康住院之间存在显著关联（IRR = 1.022，p < 0.05），而Medicaid覆盖率较低的区域显示出较小且不具显著性的效应（IRR = 1.008，p > 0.10）。这一模式与公众保险患者占比较高的社区更为脆弱的情况相符。然而，正式检验表明，这一亚组差异不具有统计学显著性（z检验p = 0.313；交互p = 0.483）。

我们还考察了停电效应是否随季节变化。暖季（IRR = 1.020，p < 0.10）的估计值大于冷季（IRR = 1.007，p > 0.10），这与与热量相关的机制一致，即在较温暖的月份，停电会中断空调的使用，增加热应激，从而可能加重精神健康状况。然而，季节差异不具有统计学显著性（z检验p = 0.353；交互p = 0.223）。

最后，当按性别构成进行分组（按邮政编码区域男性患者占比的中位数进行划分）时，男性占比较高的区域效应略大（IRR = 1.023，p < 0.10），而男性占比较低的区域效应较小（IRR = 1.008，p > 0.10），但该差异不具有统计学显著性（z检验p = 0.297；交互p = 0.907）。

**心理健康作为次要诊断**

为考察效应是否超越以心理健康为主要诊断的入院情况，我们构建了一个额外的结果指标，即统计主要诊断为非心理健康疾病但至少有一个心理健康编码（ICD-10 F00–F99）出现在次要诊断字段（DX2–DX101；参见STAR Methods）中的入院。这类入院较为常见，占非主要心理健康诊断住院的38.4%（完整计数见附表S2）。

为考察当心理健康被记录为次要诊断而非入院主要原因时，停电相关的住院是否也会出现，我们对两个对比结果估计了额外的PPML-HDFE模型：主要诊断为非心理健康疾病但至少有一个心理健康编码出现在次要诊断字段中的入院，以及在任何诊断位置均无心理健康编码的入院。由于这些结果指标是从次要诊断字段构建的，基线模型排除了两个Elixhauser合并症指数，以避免对源自重叠诊断编码信息的控制变量进行调整。包含这些指数可能会机械地吸收与次要诊断结果相关的变异。该次要诊断分析的完整构建细节和完整结果报告于附录S4。

在该模型设定中，停电与心理健康合并症入院无关（IRR = 0.996，95% CI: 0.988–1.004；表S16）。当保留Elixhauser指数进行敏感性检验时，该无结果不变（IRR = 0.999）。无任何心理健康编码的入院仅显示与停电的小幅正相关（IRR = 1.007，p < 0.05）。心理健康合并症入院的无结果在24种替代停电定义中也保持不变：1–8小时的时长阈值与第50、75和90百分位的严重程度组合，均产生接近1.00的IRR（0.996–1.001）且不具统计学显著性。

这些结果表明，在我们的季度住院数据中，可检测到的与停电相关的短期关联主要集中在心理健康为主要诊断的入院中。在易受身体健康影响的人群中——糖尿病、COPD/哮喘、心脏病、痴呆症和慢性肾病——五个群体中有三个（糖尿病、痴呆症和慢性肾病）的伴有抑郁或焦虑症状的入院点估计值更大，但由于样本量较小，这些亚组估计值的置信区间较宽（表S17）。综合来看，次要诊断分析并未排除身体健康或合并症途径。相反，它们表明此类途径可能发生在比我们的季度数据所能分辨更短的时间尺度上，而以心理健康为主要诊断的入院仍可在邮政编码-季度水平上被检测到。

**讨论**

本研究利用马里兰州（2018–2023）去标识化的出院级别行政数据和多种识别策略，提供了停电与心理健康住院之间存在正向因果关系的证据。尽管我们的估计值仅适用于马里兰州，但研究结果提出了一个更广泛的假设：反复停电可能对具有类似电网脆弱性、气候相关停电风险及医疗系统制约的其他地区的心理健康负担有所贡献。全球范围内，据估计2019年有9.7亿个体受到精神疾病的困扰，精神疾病一直是导致疾病负担的前十位原因之一。这种负担的全部规模可能被低估：当将精神疾病导致的过早死亡与患病率一并考虑时，据估计有4.18亿伤残调整生命年（DALYs）——约占全球所有DALYs的16%——可归因于精神疾病，相关的经济成本约为5万亿美元。在美国，超过22%的成年人口受到心理健康疾病的困扰，而高收入北美地区归因于精神疾病的经济损失可能占国内生产总值的8%。

马里兰州是一个尤为突出的案例：其心理健康服务使用率（每千人42.2次）几乎是国家平均水平（每千人24.5次）的两倍，表明精神科护理的基线需求已处于较高水平，额外的与停电相关的住院可能进一步加重这一负担。基础设施老化和日益频繁的气候极端事件使全球能源系统面临日益增加的重大停电风险。基线PPML估计值表明，与停电暴露相关的住院率有适度增加，而IV（工具变量）估计值证实了正向且具有统计学显著性的效应。在各模型设定下，结果在方向上保持一致。敏感性分析进一步表明，该效应主要由短时长停电（1–3小时）驱动——即日常电网运行中常见的频繁中断——而非罕见的长时间停电事件。

这些发现为日益增长的将停电与不良健康结果联系起来的研究文献做出了贡献。先前的研究记录了重大灾难期间的死亡率影响和心理健康影响。然而，现有文献主要关注极端事件，且往往无法将停电的独立效应与并发冲击区分开来。相比之下，我们的结果提供了因果证据，表明即使是日常常规的停电也与主要心理健康疾病的住院增加有关。1–3小时停电所观察到的更强且更稳定的关联可能部分反映了这些事件发生频率较高、因此具有更大统计变异的特点，而非表明较长停电无害。异质性结果还表明，基于住院的估计值既反映了潜在需求，也反映了医疗服务可及性。在城市邮政编码区域、低贫困区域以及Medicaid相关住院使用较多的社区中，关联更容易被检测到。这一模式与以下可能性一致：在精神科护理、转诊途径和交通更可及的地方，与停电相关的困境更有可能被住院记录所捕捉。因此，在欠服务区域中较小的或无效的住院效应应谨慎解释，因为它们可能反映的是住院护理可及性较低、护理延迟，或困境仍存在于正式医疗系统之外，而非心理健康负担的缺失。

这些发现可能对基础设施规划和监管决策产生影响。标准可靠性指标和成本效益分析通常强调工程性能、停电时长或客户中断成本；它们很少包含心理健康服务使用、家庭应对成本或公共支付方的支出。如果停电有助于导致精神科住院，当前的规划框架可能会低估可靠性投资更广泛的健康意义。因此，政策讨论应区分罕见的灾难性停电和反复出现的中等程度中断。大规模的长时间停电事件在医学上仍然很重要，尤其是对依赖电力医疗设备的人群而言。同时，我们的结果表明，常规的1–3小时中断值得关注，因为它们发生频繁，且往往得不到正式的应急响应。考虑重复短时中断的可靠性规划可以更好地捕捉电网性能中与健康相关的维度。

从政策角度看，关键意义在于优先级排序，而非单一的普遍性干预措施。公用事业公司、监管机构、应急管理人员和卫生机构可以将停电历史记录与心理健康负担指标、Medicaid依赖度、电力依赖医疗需求以及有限的医疗可及性等指标相结合，以识别可靠性投资和停电期间外展服务可能最为重要的社区。停电应急准备可以包括支持心理健康护理持续性的措施，例如远程医疗的备选方案、药房续药、药物储存、危机热线容量、紧急护理的交通安排以及在停电期间与高风险患者的沟通。

展望未来，随着电力系统面临需求上升和更频繁的气候相关压力，这些发现的相关性可能进一步增强。交通和供暖的电气化、数据中心需求的增长以及基础设施老化可能在电力对常规护理交付和家庭健康保护日益重要的同时，增加对电网可靠性的压力。更广泛地说，这些结果支持将电网可靠性不仅视为工程或经济问题，还视为公共卫生规划问题。将停电数据与卫生系统数据相链接可以帮助监测新兴风险、评估可靠性投资以及精准开展预防性外展服务，尽管未来研究需要验证此类策略是否能减少与停电相关的健康负担。

**研究局限性**

应注意以下几点局限性。首先，我们的结果指标仅捕获以心理健康为主要诊断的住院入院情况，因此仅反映了寻求正式精神科护理的个体中的一部分。其次，分析仅限于马里兰州，可能无法推广到具有不同基础设施、气候条件或医疗系统的地区。第三，住院数据的季度分辨率无法评估停电事件后的短期滞后结构。第四，IV估计识别的是局部平均处理效应，无法使我们区分将停电与心理健康结果联系起来的具体行为、临床或服务中断途径。

**资源可用性**

**主要联系人**

如需更多信息和资源，请联系主要联系人Yu Ming (Lucy) Qiu（[e-mail]）。

**材料可用性**

本研究未产生新的独特试剂或材料。

**数据和代码可用性**

数据：来自医疗成本和利用项目州住院数据库（HCUP SID）的马里兰州2018–2023年去标识化出院级别记录受HCUP数据使用协议约束，作者无法重新分发。可通过HCUP中央分发中心申请访问。本研究中使用的马里兰州历史停电记录通过单独的数据请求直接从马里兰州信息技术部获取。历史记录涵盖2014–2023年，其中2018至2023年的记录用于健康结果分析。这些数据不公开，作者无法重新分发；寻求访问的研究人员应直接联系数据提供者。美国社区调查（American Community Survey）、区域卫生资源文件（Area Health Resources Files）和NOAA GHCN-Daily数据可从关键资源表中列出的来源公开获取。

代码：支撑所报告的统计分析、表格和Stata生成图表的Stata复制代码已存储于Zenodo，公开可访问，网址为：https://doi.org/10.5281/zenodo.22119931。

使用Python对受限来源数据进行了预处理，图4和图5在ArcGIS Pro中制作。

**补充信息：** 如需重新分析本论文所报告数据所需的任何额外信息，可向主要联系人索取。

**致谢**

作者衷心感谢提供的数据支持，马里兰州停电数据致谢如下：数据来源——马里兰州信息技术部提供。Jie Chen获得了美国国家老龄研究所（National Institute on Aging）的支持（资助编号：R01AG062315、RF1AG083175、P30AG097158）。Meng Feng获得了马里兰大学公共领导研究所颁发的研究奖学金。

**作者贡献**

概念化，M.F.、Y.Q.和J.C.；方法论，M.F.；形式化分析，M.F.；调查研究，M.F.；数据整理，M.F.；可视化，M.F.；撰写——原稿，M.F.；撰写——审阅与编辑，M.F.、Y.Q.、J.C.、J.L.和Y.D.W.

**利益声明**

作者声明不存在利益冲突。

---

**STAR★方法**

**关键资源表**

| 试剂或资源 | 来源 | 标识符 |
|---|---|---|
| 已归档数据 | | |
| HCUP州住院数据库（SID），马里兰州，2018–2023年 | 美国医疗保健研究与质量局（AHRQ） | https://hcup-us.ahrq.gov（受限访问） |
| 马里兰州历史停电记录（15分钟间隔，公用事业供应商级别），2014–2023年 | 马里兰州信息技术部 | 受限访问；需通过单独的数据申请获取；访问须经数据提供方批准 |
| 社会经济特征（ACS） | 美国人口普查局 | https://data.census.gov/ |
| 区域卫生资源文件（AHRF） | 卫生资源和服务管理局 | https://data.hrsa.gov/topics/health-workforce/nchwa/ahrf |
| 气象数据 | 美国国家海洋和大气管理局（NOAA），通过气候数据在线（GHCN-Daily） | https://www.ncdc.noaa.gov/cdo-web/ |
| 软件和算法 | | |
| 统计分析的复现代码 | 本论文 | Zenodo: https://doi.org/10.5281/zenodo.22119931 |
| Stata 18 MP | StataCorp | https://www.stata.com |
| Python | Python软件基金会 | https://www.python.org |
| ArcGIS Pro | Esri | https://www.esri.com/en-us/arcgis/products/arcgis-pro |

---

**实验模型和研究参与者详情**

本研究在马里兰大学帕克分校机构审查委员会（IRB）方案框架下开展（IRBNet编号：931655-12；内部参考编号：00032768；主要研究者：Jie Chen）。2025年2月18日的修正案/修改获得UMCP IRB的确认，并将Meng Feng加入项目团队。分析使用了HCUP州住院数据库中经去标识化的二级行政记录。

**方法详情**

**数据**

本研究整合了多个来源的数据，以分析马里兰州停电与心理健康相关住院及急诊就诊之间的关系。主要数据集包括美国医疗成本与利用项目（HCUP）中的行政性出院数据，具体为马里兰州的州住院数据库（SID），覆盖2018年至2023年。我们关注的是就诊级别（按出院级别）记录，而非患者级别数据。HCUP不允许追踪个体患者随时间的变化，这意味着无法进行个体层面的纵向分析。此外，HCUP SID数据库仅采集住院就诊记录——即住院——但不包含门诊护理，如就诊于门诊诊所、心理学家或全科医生的情况。因此，本研究可能低估了不会导致住院的轻至中度心理健康病例。

**心理健康结果的定义**

我们的主要结果是住院时主诊断为心理健康的诊断，在HCUP SID数据库中仅使用主要诊断（DX1）进行识别，以确保心理健康是住院的主要原因而非合并症。我们使用ICD-10心理健康编码对诊断进行分类（详见附件方法S1）, 并将出院记录汇总至马里兰州的邮政编码-季度级别（2018–2023年）。对于每个邮政编码-季度，我们构建"mh_primary_cases"，定义为主诊断为心理健康的住院例数。用于构建该指标的完整ICD-10-CM主要诊断编码列表见表S1，按诊断类型汇总的心理健康疾病患病率见表S3。

HCUP SID马里兰州文件（2018–2023年）包含去标识化的患者出院记录，附有邮政编码标识符，并提供年龄、性别、种族/民族、主要和次要诊断以及患者所在县等详细信息。HCUP SID不包含精确的出院日期；时间信息仅限于出院月份（DMONTH）和季度（DQTR）。对于马里兰州，仅有DQTR可用。因此，住院出院记录汇总至邮政编码-季度级别。

样本包含3,075,969例马里兰州居民的住院病例（2018–2023年）。其中，194,840例（6.33%）的主诊断为心理健康，而1,106,228例（35.96%）仅将心理健康作为次要诊断，这表明心理健康更常作为合并症记录，而非住院的主要原因。在所有诊断位置中，物质使用障碍最为常见（19.61%），其次是抑郁症（18.95%）、焦虑症（17.07%）、精神病性障碍（2.90%）和应激相关障碍（2.62%）；各分类之间并不互斥。主要分析仅使用主诊断为心理健康的住院病例，这提高了特异性，但可能低估了真实的邮政编码级别疾病负担，因为住院数据排除了未确诊及仅门诊病例。

**心理健康作为次要诊断**

为了捕捉心理健康疾病与躯体主诊断同时出现的住院病例，我们额外在次要诊断字段（I10_DX2–I10_DX101）中标记ICD-10-CM心理健康编码（F00–F99）。我们将"mh_secondary_cases"定义为每个邮政编码-季度中非心理健康主诊断但在次要位置至少有一个心理健康编码的住院例数，"nonmh_nocomorb_cases"定义为在任何诊断字段中均无心理健康编码的住院例数，作为对照群体。在脆弱人群分析中，我们按主诊断识别五个群体——糖尿病（E08–E13）、慢阻肺和哮喘（J40–J47）、心脏病（I20–I25及I50）、痴呆症（G30–G31）和慢性肾脏病（N18），并按次要诊断中是否存在共存的抑郁症或焦虑症（F32、F33、F41或F43）进行分组。痴呆症仅使用G30–G31进行定义，因为编码为F01–F03的血管性及其他类型痴呆症已包含在心理健康定义范围内。所有次要诊断结果均采用与主要结果相同的模型设定进行估计，不同之处在于我们排除了两个Elixhauser合并症指数控制变量，因为这些控制变量与结果变量出自相同的次要诊断字段。

**停电（PO）数据**

我们回顾了以往研究，总结了美国停电数据在文献中的定义方式。大多数研究根据某一地理区域内受影响客户比例的百分位阈值构建二元暴露变量。例如，若干研究均以停电覆盖比例超过其分布的第50百分位数为判定标准，将某分区-日定义为停电日，另有研究采用第75百分位数。在这些研究中，符合标准的每个日期被归类为互斥的日类型（例如：仅停电、仅灾害、停电+灾害、两者均无），用于日常时间序列模型。然而，由于我们的分析在季度级别进行，二元指标会掩盖有意义的变异：我们样本中几乎所有邮政编码-季度都经历了至少一次停电，因此二元指标无法区分仅有一次事件的邮政编码-季度与有数十次事件的邮政编码-季度。因此，我们使用事件次数作为连续暴露指标，以捕捉反复中断的强度边际。

我们的事件识别程序借鉴了Do等人（2023年）的研究，该研究使用PowerOutage.us的10分钟、县级分辨率数据，将停电事件定义为无电客户比例达到或超过0.1%（县级小时停电率的第90百分位数）的连续时段。他们按持续时间对事件进行分类，区分1小时以上停电（影响商业活动和日常生活）和8小时以上停电（"具有医学相关性"的持续时间，超过大多数依赖电力的医疗设备电池寿命，且足以导致食物、药物和体温调节受到影响）。

公用事业供应商级别的停电记录从马里兰州相关部门获取，从2018年到2023年每15分钟记录一次。每条记录包括停电时间戳、供应商以及马里兰州各邮政编码内受影响的客户数。由于许多公用事业公司不报告邮政编码级别的总服务客户数，我们采用poweroutage.us的方法近似客户覆盖情况。该方法将每个邮政编码-供应商对的"追踪客户数"定义为历史上观测到的最大受影响客户数（2014–2023年），并视其为该区域客户总数的代理变量（详见附件方法S2）。停电覆盖率则计算为受影响客户数与估计的追踪总客户数之比：

$$\text{OutageRate}_i = \frac{\text{CustomersAffected}_i}{\text{CustomersTracked}_{zip,provider}}$$

其中"Customers Tracked"代表在整个研究期间每个邮政编码-供应商组合的最大观测停电数。随后，停电发生（是/否）被定义为15分钟间隔内停电覆盖率超过所有非零停电间隔中分布的第75百分位数（即任一时间点有0.51%的客户受影响）的情形。此阈值聚焦于严重的、大规模的事件，并减少轻微中断的噪声，与文献中汇总的停电定义（见表1）一致。应用此标准后，共得到2,003,452个观测值（占总记录数的16.54%）被归类为停电发生，并在1,191个邮政编码中识别出151,276个独立的停电事件。

为识别独立的停电事件，将连续标记的观测值分组为连续事件，其中间隔在25分钟以内的观测值被视为属于同一事件（详见附件方法S2中的事件识别细节）。基线模型设定中的主要暴露变量"new_1hr_episodes_p75"，定义为邮政编码i在季度t中持续时间至少1小时且超过样本内停电强度第75百分位数的停电事件数。该阈值（p75）表示仅纳入最严重的前25%停电事件——即停电率高于第75百分位的事件。事件按开始时间归入相应季度，因此跨越多季度的停电事件仅计一次，避免重复计算。我们构建对数变换后的指标（以规范右偏分布并使系数可解释为近似百分比变化）（详见附件方法S2中的停电变量详细计算）：

$$\ln \text{outage}_{it} = \ln(\text{new\_1hr\_episodes\_p75}_{it} + 1)$$

其中new_1hr_episodes_p75_it表示邮政编码i在季度t中达到第75百分位阈值的1小时停电事件数。基于百分位的严重性阈值遵循停电-健康文献的惯例，而事件识别程序——标记停电严重程度超过百分位截断并持续超过最短持续时间的连续时段——与Do等人（2023年）的方法论一致。对数变换压缩了右偏分布，同时添加常数1以处理零值。使用未变换的事件计数替代对数变换指标时，结果稳健（IRR = 1.002，p < 0.10；完整结果见表S14），表明正向关联不依赖于暴露变量的函数形式。效应量与对数变换模型一致：邮政编码从停电暴露的第25百分位数升至第75百分位数——大约每季度增加6个事件——主因心理健康住院风险将增加1.2%（1.002 ≈ 1.012），与对数模型的基线估计（IRR ≈ 1.015–1.017）相当。变量构建程序的详细描述见附件方法S2。

由于数据局限性，HCUP马里兰州SID数据库中的住院日期仅按季度级别提供，而停电数据则以15分钟间隔提供。因此，我们将两个数据集均汇总至邮政编码-季度级别以进行马里兰州的分析。最终数据集包含各邮政编码每季度停电事件计数，以及替代持续时间阈值（2–8小时）下的事件计数等其他指标，用于敏感性和稳健性检验。

**控制变量与外部数据整合**

为提高因果推断并控制混杂因素，我们将多个外部数据集与HCUP马里兰州SID进行整合。

**社会经济特征**——包括总人口、贫困率、失业率和家庭收入中位数——来自美国人口普查局美国社区调查（ACS）的五年期估计数据，按邮政编码汇总区（ZCTA）级别提供。这些变量捕捉了社区层面的经济脆弱性，可能影响基础设施可靠性和医疗利用模式。

**医疗可及性变量**从区域卫生资源文件（AHRF）中提取，包括精神科医生人均供给、医院床位容量和全科医生可获得性（详见附件方法S4中的变量定义）。这些控制变量考虑了医疗资源的地理差异，这些差异可能影响心理健康服务利用，且独立于停电暴露。

**出院级别临床特征**从HCUP马里兰州SID汇总至邮政编码-季度级别，以控制底层人群健康状况。我们纳入Elixhauser合并症指数以调整可能介导停电影响的躯体健康状况（例如：需冷藏胰岛素的糖尿病患者、依赖医疗设备的患者），以及通过精神病、酒精相关障碍和药物滥用患病率衡量的基线心理健康负担（合并症指数构建详见附件方法S5）。

**气象变量**的纳入旨在考虑可能同时影响停电和心理健康结果的环境因素。

我们纳入了极端高温天数、极端低温天数、降水量和风况等指标作为控制变量。这些变量旨在将停电的影响与恶劣天气的直接生理和心理影响区分开来（关于气象变量的构建和阈值定义，请参见方法S3）。这些极端天气变量的具体百分位阈值报告于表S4。这些数据集的结合使我们能够控制可能混淆停电与心理健康结果之间关系的环境、社会经济、医疗可及性和临床因素。

**量化与统计分析**

**实证策略**

我们使用泊松伪极大似然估计（PPML）来估计停电暴露对心理健康入院的影响。该方法适用于非负计数结果，对过度离散具有稳健性，且不要求严格的分布假设。模型以邮政编码-季度总人口作为暴露项，估计人均入院率。

我们采用泊松伪极大似然估计（PPML）而非对数线性OLS设定（如reghdfe）。该方法在健康经济学文献中已被广泛确立，适用于使用行政数据建模住院计数。文献中采用PPML建模医疗改革后医院门诊利用率和需求，使用HCUP SID/SEDD数据库，以人口作为暴露项——与我们采用的设定相同。最近，有研究使用泊松计数数据模型（与PPML在数值上等价）估计空气污染对流感住院的影响，使用HCUP行政记录在县级月度层面进行分析。我们的实证环境与这些研究高度相似：三者均使用HCUP行政住院记录按地理-时间单位进行汇总，结果为非负计数，暴露项基于人口。遵循这些研究确立的方法学逻辑，PPML相较于对数线性OLS具有以下优势。首先，正如文献所指出的，"PPML估计量在存在大量零值和过度或不足离散时表现良好"——这两个特征在我们的数据中均存在，许多邮政编码-季度记录的心理健康住院为零。对数线性OLS方法需要对结果进行变换（如log(y+1)），这将丢弃零值信息并引入偏差。其次，PPML估计量"无论因变量是否服从泊松分布，只要条件均值正确指定，都能产生一致的参数估计"，且"即使方差假设被违反，估计量的一致性特征仍得以保持"。这在我们的情境中尤为重要，因为不同人口规模的邮政编码中住院计数差异显著。通过将邮政编码-季度总人口纳入为偏移量，我们的PPML设定直接估计人均入院率，使系数可解释为发病率先比数。

基准设定采用双向固定效应回归。邮政编码固定效应控制不随时间变化的地方特征，如地理、基础设施和人口构成。年-季度固定效应吸收所有地区共同面临的冲击，包括季节性趋势和全州范围的 Policy 或经济变化。换言之，我们假设在给定邮政编码内，停电频率或强度随时间的任何变化在控制其他变量后，与该地区心理健康入院的未观测决定因素不相关。

我们纳入多个可观测的时变协变量以进一步缓解混淆因素的担忧。这些包括：社会经济和人口因素（贫困率、家庭收入中位数、男性比例、黑人比例、亚裔比例）；保险覆盖（医疗补助份额、无保险份额）；医疗资源供给（每10万居民的精神科医生数）；以及健康脆弱性指标（病例组合调整的合并症和死亡率指数）。通过纳入这些协变量，我们应对了以下可能性：停电暴露可能与当地健康脆弱性、医疗可及性或社会经济学压力因素的基础趋势相关，而这些因素同样影响心理健康结果。所有模型变量的描述性统计报告于表S5，成对相关性和多重共线性诊断（方差膨胀因子）提供于表S6-S8。

结果测量在邮政编码-季度层面。由于我们将邮政编码-季度总人口作为偏移量（暴露项），PPML模型估计的是人均入院率而非原始计数。这使得系数的解释可以与医疗服务研究中常用的基于率的结局进行比较。

形式上，模型设定为：

E[mh_cases_{i,q,y}] = exp(ln(population_{i,q,y}) + β?·ln(1+outage_{i,q,y}) + β?·heat_{i,q,y} + X′_{i,q,y}·γ + δ_{q,y} + θ_i)

其中：
- mh_cases_{i,q,y} 表示邮政编码i、季度q、年份y的主要心理健康住院人数；
- population_{i,q,y} 是作为暴露项的总人口数；
- ln(1+outage_{i,q,y}) 是重大停电事件次数的对数变换，使用ln(episodes+1)以处理数据的零膨胀和右偏特征；
- heat_{i,q,y} 是极端高温天数（超过该邮政编码90百分位数的天数）；
- X_{i,q,y} 是时变控制变量向量；
- δ_{q,y} 是年-季度固定效应；
- θ_i 是邮政编码固定效应。

标准误在邮政编码层面聚类，以考虑区域内随时间的序列依赖性。我们报告发病率先比数（IRR）而非对数系数以提高可解释性：IRR大于1表示与解释变量相关的入院率增加，IRR小于1表示减少。例如，若停电事件对数值的IRR为1.20，意味着在其他变量不变的情况下，停电事件对数每增加一个单位，心理健康入院率增加20%。

**工具变量策略**

尽管基准PPML回归包含了邮政编码固定效应、年-季度固定效应和时变控制变量，但与停电暴露和心理健康住院均相关的未观测因素仍可能使估计产生偏差。为更直接地解决内生性问题，我们采用工具变量（IV）方法，使用电力基础设施密度——变电站密度、输电线路密度和变压器密度——作为停电暴露的工具变量（关于工具变量构建的详情，请参见方法S6）。

电网作为分层系统运行，具有不同的输电和配电层级（见注释S3）。这一架构产生了我们用于识别的两条脆弱性路径。上游输电网络（变电站和高压线路）的故障往往导致大范围的连锁停电，影响大面积地理区域，而下游配电网络（变压器和配电线路）的故障通常产生更频繁但地理范围更局部的中断。为捕捉这些机制，我们构建了反映不同电网层级脆弱性的工具变量。变压器密度衡量服务终端用户的当地配电网络结构，而变电站密度和高压输电线路密度则捕捉对区域主电力系统扰动的暴露程度。这些基础设施在马里兰州邮政编码之间的空间分布差异显著（图4和图5），且主要由长期工程、地理和监管因素决定，而非短期当地健康状况（见注释S3）。

IV方法的一个局限性在于电力基础设施是变化缓慢的内生资本存量。因此，工具变量为时间不变的，不能与邮政编码固定效应结合使用。我们的IV设定转而依赖于横截面识别变异，通过年-季度固定效应控制时间趋势，通过丰富的协变量集合控制邮政编码层面的混淆因素。

**补充材料**

（1）PDF（695.22 KB）文件S1：图S1、表S1-S17、方法S1-S6和注释S1-S4