楊亞麗 納麗 龔瑞

（1 中國氣象局旱區(qū)特色農(nóng)業(yè)氣象災(zāi)害監(jiān)測預(yù)警與風(fēng)險(xiǎn)管理重點(diǎn)實(shí)驗(yàn)室，銀川 750000；2 寧夏氣象防災(zāi)減災(zāi)重點(diǎn)實(shí)驗(yàn)室，銀川 750000；3 寧夏氣象服務(wù)中心，銀川 750000；4 寧夏疾病預(yù)防控制中心，銀川 750000）

0 引言

流行性感冒（簡稱流感）是一種常見的急性呼吸道傳染病，是首個(gè)全球監(jiān)測的傳染病，極易引起大范圍流行，嚴(yán)重影響著公眾健康[1]。據(jù)世界衛(wèi)生組織（WHO）估計(jì)，每年流感流行將導(dǎo)致300萬～500萬的重癥病例和25萬～50萬人的死亡[2]。流感的流行特征在不同緯度地區(qū)有所不同，這表明流感的流行和氣候條件有關(guān)。近年來，國內(nèi)外學(xué)者對流感與氣象因子之間關(guān)系的研究越來越深入。劉欣等[3]研究發(fā)現(xiàn)氣溫和濕度與廣州流感樣病例數(shù)（ILI）的變化風(fēng)險(xiǎn)存在相關(guān)性。孫妍蘭等[4]對西寧市ILI病例與氣象條件關(guān)系的研究表明，日ILI例數(shù)與溫差、平均氣壓之間呈正相關(guān)，與相對濕度呈負(fù)相關(guān)，且各氣象要素與日ILI發(fā)病例數(shù)均呈非線性關(guān)系，不同要素的滯后期和危險(xiǎn)性不同[5]。丁彥紅等[6]、李媛等[7]分別對濰坊市和天津市ILI病例與氣象條件關(guān)系的研究顯示，風(fēng)速、相對濕度、氣壓及溫差均與ILI病例就診比有相關(guān)性。周艷麗等[8]、孫景異等[9]對北京市的流感與氣象條件之間關(guān)系的研究表明，氣溫、氣壓、風(fēng)速以及相對濕度是影響北京市ILI例數(shù)的關(guān)鍵氣象因子，且存在不同的滯后期。李怡等[10]研究顯示，氣壓是影響京津冀學(xué)齡前兒童流感發(fā)病的重要?dú)庀笠?，同時(shí)引入綜合氣象條件指標(biāo)——大氣環(huán)境人體感知度（BPWI）評價(jià)氣象條件對流感發(fā)病風(fēng)險(xiǎn)的影響，結(jié)果顯示BPWI對流感發(fā)病風(fēng)險(xiǎn)的影響明顯高于單一氣象因子，表明氣象因子對流感發(fā)病的影響存在交互性。郭倩等[12]研究表明，氣溫對全球不同區(qū)域流感影響顯著，且不同類型流感的關(guān)聯(lián)程度存在差異?？梢?，氣象條件與流感病毒流行關(guān)系密切，且存在地域差異和滯后性[12-13]。

流感是寧夏主要的流行性疾病之一，但迄今為止，關(guān)于寧夏流感與氣候條件及氣象因子之間關(guān)系的研究成果鮮見。為此，本文利用2005—2021年流感樣病例資料和氣象資料，采用Spearman相關(guān)分析和GAM模型，分析寧夏流感的流行特征及其與氣象要素的關(guān)聯(lián)性，總結(jié)高發(fā)病率年份的氣候特征，可為流感早期防控和預(yù)警預(yù)測提供科學(xué)依據(jù)。

1 資料與方法

1.1 資料來源

寧夏回族自治區(qū)深居西北內(nèi)陸，位于內(nèi)蒙古、甘肅和陜西三省交匯處，下轄5個(gè)地級市，自北向南分別是石嘴山市、銀川市、吳忠市、中衛(wèi)市及固原市。轄區(qū)內(nèi)共有縣、區(qū)22個(gè)，其中，石嘴山市轄2個(gè)區(qū)、1個(gè)縣（大武口區(qū)、惠農(nóng)區(qū)、平羅縣），銀川市轄3個(gè)區(qū)、2個(gè)縣、代管1個(gè)縣級市（興慶區(qū)、西夏區(qū)、金鳳區(qū)、永寧縣、賀蘭縣、靈武市），吳忠市轄2個(gè)區(qū)、1個(gè)縣級市、2個(gè)縣（利通區(qū)、紅寺堡區(qū)、青銅峽市、鹽池縣、同心縣），中衛(wèi)市轄1個(gè)區(qū)、2個(gè)縣（沙坡頭區(qū)、中寧縣、海原縣），固原市轄1個(gè)區(qū)、4個(gè)縣（原州區(qū)、西吉縣、隆德縣、涇源縣、彭陽縣）。

各縣、區(qū)2005—2021年逐日流感樣病例（ILI）監(jiān)測資料來源于寧夏回族自治區(qū)疾病預(yù)防控制中心傳染病報(bào)告與監(jiān)測系統(tǒng)，人口學(xué)資料來源于中國統(tǒng)計(jì)年鑒。

同期氣象資料來自于寧夏回族自治區(qū)氣象局氣象信息中心，包括5個(gè)地市國家氣象站的日平均氣溫、氣壓、相對濕度、風(fēng)速以及日降水量等氣象要素。

1.2 研究方法

Pearson相關(guān)系數(shù)用以衡量定距變量間的線性關(guān)系，用t統(tǒng)計(jì)量進(jìn)行顯著性檢驗(yàn)；Spearman相關(guān)系數(shù)用來衡量定序變量間的線性相關(guān)[14]，它對原始變量的分布不作要求，屬于非參數(shù)統(tǒng)計(jì)方法。若數(shù)據(jù)連續(xù)、正態(tài)分布、線性關(guān)系中任一條件不滿足時(shí)，只能用Spearman相關(guān)分析。由于本文中ILI例數(shù)資料不服從正態(tài)分布，故采用Spearman相關(guān)分析計(jì)算ILI例數(shù)和氣象要素之間的關(guān)系，計(jì)算公式如下：

式中，R為Spearman相關(guān)系數(shù)，Ui、Vi分別是兩變量排序后的秩，n為樣本總量。

流感發(fā)病率是指一定時(shí)期內(nèi)流感病樣例數(shù)/同期總?cè)丝跀?shù)×r，本文中r＝1000‰。

采用Excel 2007建立數(shù)據(jù)庫，應(yīng)用Spearman相關(guān)分析對各氣象因子與每日ILI例數(shù)的關(guān)聯(lián)度進(jìn)行分析，運(yùn)用結(jié)合Poisson回歸的廣義相加模型（Generalized Additive Models, GAM）分析氣象因子對ILI例數(shù)變化的影響。由于氣象因子與ILI例數(shù)之間的關(guān)系為非線性，因此，氣象因子均以自然樣條函數(shù)納入GAM模型，考慮流感的潛伏期一般不超過7 d，本文設(shè)定最大滯后天數(shù)為7 d，對逐日氣象要素與ILI例數(shù)之間的關(guān)系進(jìn)行擬合，基本模型如下：

式中，log（E（Yt））為連接函數(shù)；Yt為第t日ILI例數(shù)報(bào)告數(shù)；E（Yt）為Yt的數(shù)學(xué)期望值；α為常數(shù)項(xiàng)；β為回歸系數(shù)；week為星期變量（是否周末）；s為自然樣條函數(shù)；xi為氣象因子，例如平均氣溫、平均氣壓、平均相對濕度等；time為時(shí)間變量（1，2，3，…，6209），k為自由度。

在氣象因子獨(dú)立效應(yīng)研究的基礎(chǔ)上，篩選出對ILI例數(shù)變化有顯著效應(yīng)的主要影響因素，進(jìn)一步建立ILI例數(shù)變化的GAM交互效應(yīng)模型，并給出主要影響因素交互效應(yīng)可視化圖，定量分析其對ILI例數(shù)變化的影響特征，基本模型如下：

式中，s（xi，xj）為xi和xj交互作用對ILI例數(shù)變化影響的交叉項(xiàng)，其他項(xiàng)的意義同公式（3）。利用gam.check檢驗(yàn)?zāi)Ｐ蛿M合效果，以防過渡擬合。

本研究運(yùn)用SPSS 17.0對流感樣病例監(jiān)測資料和氣象觀測數(shù)據(jù)的分布特征以及二者關(guān)聯(lián)性進(jìn)行分析；基于ArcGIS 10.0完成流感發(fā)病率的空間分析，R 4.1.3軟件中的mgcv模塊完成氣象因子與ILI例數(shù)的GAM模型擬合與分析。

2 結(jié)果與分析

2.1 流行特征分析

2.1.1 空間特征

2005—2021年寧夏共報(bào)告流感樣病例21700例，其中，銀川市4112例（發(fā)病率為0.11‰，下同）、石嘴山市3659例（0.18‰）、吳忠市4615例（0.21‰）、中衛(wèi)市4183例（0.23‰）、固原市5131例（0.25‰）。發(fā)病率從低到高依次是銀川市、石嘴山市、吳忠市、中衛(wèi)市和固原市，可見，寧夏流感發(fā)病率整體呈自北向南逐漸升高的特點(diǎn)，這一特征與氣候舒適度冷等級和涼等級日數(shù)的空間分布一致，與舒適日數(shù)的分布相反[15]，表明流感發(fā)病與氣候條件有關(guān)?？h、區(qū)流感發(fā)病率如圖1所示，銀川市周邊的縣、區(qū)發(fā)病率偏低，中南部地區(qū)發(fā)病率相對較高，其中，固原市西吉縣的發(fā)病率為全區(qū)最高，達(dá)0.60‰，吳忠市利通區(qū)和中衛(wèi)市中寧縣的發(fā)病率也較高，分別為0.47‰、0.42‰，賀蘭縣、平羅縣、靈武市以及同心縣的發(fā)病率較低，均低于0.1‰。相鄰縣、區(qū)的氣象條件相似，而流感發(fā)病率存在明顯差異，這可能與人口密度相對較大及對流感的防范意識高低有關(guān)。

2.1.2 時(shí)間特征

各市流感發(fā)病率的年際變化如圖2所示，可見，除固原市外，2005—2009年各地發(fā)病率呈增加趨勢，2010—2011年發(fā)病率大幅下降至0.04‰，2012—2019各地發(fā)病率小幅上升，2019年以后再次下降。固原市發(fā)病率的年際變化特征不同于其他四個(gè)市，2005—2021年平均發(fā)病率為0.24‰，在2005—2019年，固原市發(fā)病率呈明顯增加趨勢，2019年以后開始下降，2021年發(fā)病率較低，為0.03‰。2009年和2019年中北部四個(gè)市發(fā)病率明顯高于其他年份，平均發(fā)病率分別為0.49‰、0.45‰，這一現(xiàn)象可能與2009年、2019年甲型H1N1流感在世界范圍內(nèi)大流行有關(guān)[16]。而固原市發(fā)病率在2009年和2019年增幅卻較小，尤其2009年發(fā)病率遠(yuǎn)低于其他地區(qū)，這可能主要與固原市整體人口密度低、人員流動(dòng)較小有關(guān)。

圖2 2005—2021年寧夏流感發(fā)病率年際分布Fig.2 Interannual distribution of influenza incidence rate in Ningxia from 2005 to 2021

寧夏各地流感發(fā)病年內(nèi)變化呈“U”型分布，如圖3所示。1—7月發(fā)病人數(shù)逐漸減少，8—12月呈增加趨勢，高發(fā)時(shí)段為11月至次年3月，可見，冬春季是寧夏流感的高發(fā)季節(jié)，與相關(guān)研究結(jié)論一致[17-18]，這可能與低溫天氣有利于流感病毒存活和傳播有關(guān)[19]。

圖3 2005—2021年寧夏流感發(fā)病人數(shù)逐月變化Fig.3 Monthly variation of influenza incidence rate in Ningxia from 2005 to 2021

2.2 逐月ILI例數(shù)與氣象要素關(guān)系分析

諸多研究表明，氣象要素對疾病的影響具有一定滯后性。通過分析各市流感月發(fā)病人數(shù)與前1、2、…、6個(gè)月的氣象要素相關(guān)性，結(jié)果顯示當(dāng)月發(fā)病人數(shù)與前1個(gè)月的氣象要素相關(guān)性最強(qiáng)。月發(fā)病人數(shù)與各氣象因子的秩相關(guān)系數(shù)如表1所示，各地氣壓、氣溫、風(fēng)速及日照時(shí)數(shù)與ILI例數(shù)均顯著相關(guān)（P＜0.01），降水量與ILI例數(shù)也有較強(qiáng)的相關(guān)性（P＜0.05），而相對濕度與其無統(tǒng)計(jì)學(xué)相關(guān)性（P＞0.05），這可能主要與寧夏流感的高發(fā)時(shí)段在冬、春季，而冬、春季的相對濕度較低，且變幅小，對流病毒活動(dòng)影響也較小有關(guān)；氣溫、風(fēng)速及降水量及日照時(shí)數(shù)與ILI例數(shù)呈負(fù)相關(guān)（r＜0），氣壓與ILI例數(shù)呈正相關(guān)（r＞0），即氣壓的升高伴隨著氣溫的下降，流感的發(fā)病風(fēng)險(xiǎn)隨之也會(huì)增加，而風(fēng)速的增大不利于發(fā)病率的增加，主要是由于風(fēng)速的增加，加快了空氣流通，不利于病毒的聚集，人群被感染的概率就會(huì)下降，從而減少流感的發(fā)病人數(shù)，該結(jié)論與王偉[20]對山東省流感與氣象因素關(guān)系分析結(jié)果一致。因此，整體來看，在月尺度上，影響流感發(fā)病的關(guān)鍵氣象因子是氣壓、氣溫、風(fēng)速和日照時(shí)數(shù)。

表1 寧夏各地市流感月發(fā)病人數(shù)與前1個(gè)月氣象要素的相關(guān)系數(shù)Table 1 The correlation coefficients between monthly ILI cases in various cities of Ningxia and meteorological factors in the previous month

2.3 氣象因子及其交互效應(yīng)對逐日ILI例數(shù)的影響分析

以銀川市為例，基于GAM模型分析逐日氣象因子及其交互作用對ILI例數(shù)變化的影響。將平均氣壓、平均氣溫、平均相對濕度、平均風(fēng)速、降水量、日照時(shí)數(shù)共計(jì)6個(gè)氣象因子作為解釋變量，ILI例數(shù)作為響應(yīng)變量，采用樣條平滑函數(shù)分別與6個(gè)解釋變量構(gòu)建模型，分析每個(gè)解釋變量對響應(yīng)變量的影響顯著性和模型擬合優(yōu)度（表2）。結(jié)果顯示，所有影響因子均對ILI例數(shù)變化影響顯著（P＜0.001），表明各因子在單獨(dú)作為ILI例數(shù)變化的解釋變量具有統(tǒng)計(jì)學(xué)意義。將通過顯著性檢驗(yàn)的各要素作為解釋變量，ILI例數(shù)作為響應(yīng)變量，進(jìn)行多因素與ILI例數(shù)間的GAM模型擬合，結(jié)果顯示平均風(fēng)速和降水量的P＞0.05，未通過0.05顯著性水平下的檢驗(yàn)，其余影響因子顯著影響ILI例數(shù)的變化（P＜0.01），擬合方程的調(diào)整判定系數(shù)為0.589，方差解釋率為61%，模型擬合優(yōu)度較好，通過顯著性檢驗(yàn)的4個(gè)影響因子對ILI例數(shù)變化的解釋率較高，這表明平均氣壓、平均氣溫、降水量及日照時(shí)數(shù)對ILI例數(shù)變化有顯著影響。

表2 ILI例數(shù)與單影響因子的GAM模型擬合結(jié)果Table 2 The GAM model fitting results between the number of ILI cases and a single influencing factor

ILI例數(shù)變化受多種影響因素的共同作用，將通過顯著性檢驗(yàn)的4個(gè)解釋變量之間兩兩構(gòu)建GAM模型，分析交互項(xiàng)對ILI例數(shù)變化的影響，有利于進(jìn)一步認(rèn)識氣象因子對ILI例數(shù)變化的影響效應(yīng)。結(jié)果如表3所示，各交互項(xiàng)的自由度均＞1，說明交互項(xiàng)與ILI例數(shù)之間存在非線性關(guān)系；模型調(diào)整判定系數(shù)0.613，方差解釋率為62.2%，表明模型的擬合度較好、交互項(xiàng)對ILI例數(shù)變化的解釋率較高；擬合方程中平均氣壓—平均氣溫、平均氣壓—日照時(shí)數(shù)、平均氣溫—相對濕度、平均氣溫—日照時(shí)數(shù)、相對濕度—日照時(shí)數(shù)等5個(gè)交叉項(xiàng)均通過顯著性檢驗(yàn)，表明其在P＜0.05的水平下顯著影響ILI例數(shù)變化，這與流感發(fā)病受多種氣象因子交互作用影響的特征一致。

表3 ILI例數(shù)與影響因素交互作用的GAM模型擬合結(jié)果Table 3 The GAM model fitting results between the number of ILI cases and the interaction of influencing factors

對通過顯著性檢驗(yàn)且具有統(tǒng)計(jì)學(xué)意義的氣象因子交互模型進(jìn)行可視化繪圖（圖4），將有利于分析響應(yīng)變量ILI例數(shù)在不同解釋變量維度下的同時(shí)變化特征。由圖4a、4c、4d可知，在平均氣溫與平均氣壓、平均相對濕度、日照時(shí)數(shù)交互作用對ILI例數(shù)的影響效應(yīng)中，平均氣溫占主導(dǎo)作用，總體而言，ILI例數(shù)隨著平均氣溫的升高而明顯減少，平均氣溫高于12 ℃時(shí)，氣溫對ILI例數(shù)變化幾乎不產(chǎn)生影響，而平均氣溫在－8 ℃左右時(shí)對ILI例數(shù)變化的影響效應(yīng)最大。ILI例數(shù)變化在平均氣溫與其他因子交互作用下又存在差異，由圖4a可知，平均氣溫和平均氣壓對流感發(fā)病人數(shù)的增加存在協(xié)同放大作用，即在平均氣溫較低時(shí)，隨著氣壓的升高，流感發(fā)病人數(shù)呈明顯增加趨勢；在平均氣溫較低時(shí)，相對濕度在40%～60%及高于80%時(shí)流感的發(fā)病風(fēng)險(xiǎn)有所增大（圖4c），而在任何時(shí)長日照時(shí)數(shù)條件下流感均有發(fā)病風(fēng)險(xiǎn)（圖4d）。綜合圖4c～4e可知，高溫、高濕以及長日照時(shí)數(shù)條件下，不利于流感發(fā)生，即夏季流感較為少發(fā)，而在平均氣溫低于12℃時(shí)，任何濕度和日照時(shí)數(shù)條件下均有流感發(fā)生風(fēng)險(xiǎn)，即平均氣溫是影響ILI例數(shù)變化的主導(dǎo)氣象因素。

2.4 高發(fā)病年份氣候特征分析

2009年甲型H1N1流感在世界范圍內(nèi)大流行[15]，2019年甲型H1N1為主的流感在全球多個(gè)國家爆發(fā)。我國2019年1—9月報(bào)告流感病例215.1萬例，同比增加了252%，在此大背景下，2009年和2019年也是寧夏大部分區(qū)域近17年來的流感高發(fā)年份。

2009年和2019年吳忠市發(fā)病率為寧夏最高（圖2），故以此為例，分析其流感發(fā)病特征和相應(yīng)氣候特征。流感在全年均有發(fā)生，但2009年和2019年流感高發(fā)時(shí)段存在差異，在2009年1—8月，發(fā)病人數(shù)較少，其中在4月出現(xiàn)了一個(gè)小峰值，9月開始發(fā)病人數(shù)逐漸增多，11月達(dá)到峰值，之后開始減少；而2019年1月流感發(fā)病人數(shù)較多，超過300例，2月發(fā)病人數(shù)急劇下降，3月又出現(xiàn)了小峰值，4—11月發(fā)病人數(shù)均保持在較低水平，進(jìn)入12月就診人數(shù)激增。按季節(jié)來看，在兩個(gè)高發(fā)年的冬季發(fā)病人數(shù)均較多，其次是秋季，春季也易出現(xiàn)小峰值，夏季發(fā)病人數(shù)最少（圖5）。由此可見，在流感高發(fā)年份，1月和11—12月是集中高發(fā)時(shí)段，3—4月易出現(xiàn)小的流行高峰，這種流行趨勢與北方的氣候特點(diǎn)一致，在秋末至次年初春冷空氣入侵頻繁，氣溫低且波動(dòng)明顯，11月至次年3月又是寧夏集中供暖期，室內(nèi)外溫差大，相對濕度低。

圖5 2009年和2019年吳忠市流感發(fā)病人數(shù)逐月（a）和季節(jié)（b）變化Fig.5 Monthly (a) and seasonal (b) changes of the ILI cases in Wuzhong City in 2009 and 2019

由表1可知，氣溫與流感發(fā)病之間有顯著相關(guān)性。在2009年1—7月，吳忠市平均氣溫均略高于常年值，此時(shí)段內(nèi)流感發(fā)病人數(shù)也較少；8月氣溫略低于常年值，9月又與常年值持平，這說明在8—9月氣溫有冷空氣活動(dòng)，氣溫出現(xiàn)了波動(dòng)，但由于滯后效應(yīng)，發(fā)病人數(shù)在9月開始增加；10月平均氣溫較常年值偏高9 ℃，而11月又偏低3 ℃，這又表明10—11月冷空氣活動(dòng)頻繁，氣溫波動(dòng)明顯，強(qiáng)降溫統(tǒng)計(jì)資料顯示，在11月中上旬出現(xiàn)了3次強(qiáng)降溫天氣，且變溫幅度均低于－5.0 ℃，隨之11月的發(fā)病人數(shù)急劇增加，該現(xiàn)象與諸多研究結(jié)果以及臨床實(shí)踐一致（圖6a），主要原因可能是氣溫較低時(shí)，變溫容易導(dǎo)致人體免疫力下降。

圖6 2019年（a）和2011年（b）吳忠市逐月流感發(fā)病人數(shù)和氣溫序列分布Fig.6 Monthly distributions of the ILI cases and temperature series in Wuzhong City in 2019 (a) and 2011 (b)

2011年是寧夏全區(qū)流感低發(fā)病率年，以吳忠市2011年月平均氣溫為例，對比分析流感低、高發(fā)病年氣候特征。由圖6b可知，除2011年10月氣溫較常年值偏高8.5 ℃外，其余月份平均氣溫與歷史值基本一致。氣溫?zé)o明顯波動(dòng)，表明冷空氣活動(dòng)偏弱，而偏高的氣溫不利于流感病毒的傳播，因此，2011年流感發(fā)病人數(shù)保持在較低水平。

國外有相關(guān)研究指出，世界范圍內(nèi)的流感大流行可能與拉尼娜現(xiàn)象有關(guān)。楊東紅等[21]研究發(fā)現(xiàn)全球性流感的爆發(fā)與中等強(qiáng)度以上拉尼娜現(xiàn)象和強(qiáng)沙塵暴有一一對應(yīng)關(guān)系。拉尼娜現(xiàn)象是指赤道太平洋東部和中部海面溫度持續(xù)異常偏冷的現(xiàn)象（與厄爾尼諾現(xiàn)象正好相反）[22]。研究表明[23-25]，拉尼娜事件與全球多處氣候異常有關(guān)，而2007—2008年和2017—2018年為兩個(gè)拉尼娜氣候年，拉尼娜現(xiàn)象對寧夏氣候也有一定影響，一般表現(xiàn)為拉尼娜氣候年的次年寧夏強(qiáng)寒潮大風(fēng)天氣頻繁出現(xiàn)。楊勤等[26]研究顯示，在拉尼娜事件結(jié)束年寧夏1—2月氣溫容易偏低。由圖6a也可以看出，在拉尼娜的次年，寧夏秋末冬初時(shí)冷空氣活動(dòng)頻繁，氣溫波動(dòng)明顯，由表1和圖4可知，氣溫與流感發(fā)病人數(shù)呈負(fù)相關(guān)關(guān)系，且氣溫是影響流感發(fā)病的主導(dǎo)氣象因子。由此可見，拉尼娜事件容易引起寧夏氣候條件異常，而異常氣候條件有利于流感病毒的傳播。

3 結(jié)論

通過對2005—2021年寧夏ILI資料和同期氣象資料的分析發(fā)現(xiàn)，寧夏流感一年四季均有發(fā)生，流行高峰期主要集中11月至次年3月，與我國北方大部區(qū)域的流行特征一致[7]；2005—2021年，寧夏累計(jì)報(bào)告流感樣病例21700例，年平均發(fā)病率為0.20‰，南部的固原市發(fā)病率最高，銀川市較低，這可能與不同區(qū)域人口密度以及經(jīng)濟(jì)發(fā)展水平有關(guān)；當(dāng)月ILI例數(shù)與前1個(gè)月氣象要素的相關(guān)性最強(qiáng)，其中，氣壓、氣溫、風(fēng)速及日照時(shí)數(shù)明顯影響ILI例數(shù)的變化；基于GAM模型進(jìn)一步分析了氣象要素交互作用對逐日ILI例數(shù)變化的影響效應(yīng)，結(jié)果顯示日平均氣壓-平均氣溫、平均氣壓-日照時(shí)數(shù)、平均氣溫-平均相對濕度、平均氣溫-日照時(shí)數(shù)、平均相對濕度-日照時(shí)數(shù)5個(gè)交互項(xiàng)均通過顯著性檢驗(yàn)，在P＜0.05水平下顯著影響ILI例數(shù)變化；結(jié)合交互效應(yīng)的可視化圖發(fā)現(xiàn)，平均氣溫是影響ILI例數(shù)變化的關(guān)鍵氣象因子，而拉尼娜事件易引起次年冷空氣頻繁入侵寧夏，使得寧夏次年流感易出現(xiàn)高發(fā)。此結(jié)論可為流感防控工作和預(yù)警預(yù)測提供科學(xué)依據(jù)。