ВЛИЯНИЕ МЕТЕОРОЛОГИЧЕСКИХ ФАКТОРОВ НА ЗАБОЛЕВАЕМОСТЬ И СМЕРТНОСТЬ COVID-19 В МОСКВЕ В АПРЕЛЕ-ИЮНЕ 2020 ГОДА Текст научной статьи по специальности «Науки о Земле и смежные экологические науки»

70

март №3 (ззс)

© Кривошеев В.В., Столяров А.И., 2021 УДК 614.4

Влияние метеорологических факторов на заболеваемость и смертность COVID-19 в Москве в апреле-июне 2020 года

В.В. Кривошеев, А.И. Столяров

Автономное учреждение Ханты-Мансийского автономного округа — Югры «Технопарк высоких технологий», ул. Промышленная, 19, г. Ханты-Мансийск, 628011, Российская Федерацияя

Резюме: Введение. Выполнен обзор вопроса о влиянии климатических факторов на заболеваемость и смертность в связи с пандемией COVID-19. Собраны данные о заболеваемости и смертности жителей г. Москвы в период первой волны пандемии с 1 апреля по 25 июня 2020 года и данные о климатических параметрах в период с 1 января по 25 июня 2020 года. Проведен корреляционный анализ зависимостей заболеваемости и смертности населения Москвы от среднесуточных значений ряда метеорологических факторов: атмосферного давления, относительной и абсолютной влажности атмосферного воздуха, температуры воздуха, скорости ветра, количества осадков. Проведенные расчеты позволили получить новые научные знания о влиянии климата на динамику пандемии COVID-19. С высокой степенью достоверности доказано, что климатические факторы на территории г. Москвы оказывают значительное влияние на уровень заболеваемости и смертности в связи с COVID-19. Степень влияния климатических факторов на уровень заболеваемости незначительно выше степени влияния этих факторов на уровень смертности. Наибольшее влияние на уровень заболеваемости и смертности жителей г. Москвы в связи с пандемией COVID-19 оказывают атмосферное давление и скорость ветра, а наименьшее влияние - температура атмосферного воздуха и количество осадков. Коэффициенты корреляции на уровне 0,50-0,70 позволяют с высокой надежностью утверждать, что климатические факторы начинают оказывать влияние на уровень заболеваемости и смертности населения г. Москвы еще за 6-8 недель до появления первых симптомов. На основании эмпирических данных определено, что наиболее вероятный период времени между регистрацией момента заболевания и смерти пациентов, заболевших COVID-19, находится в пределах от 8,63 до 22,13 суток, в среднем 12,63 суток. Полученные нами статистические закономерности демонстрируют высокую сходимость с реальными данными, они фактическими подтверждены примерами из международной практики, позволяют определить степень влияния метеорологических условий на конечные результаты пандемии COVID-19 в разные периоды времени и делать прогнозы относительно времени наступления периодов наиболее опасной эпидемиологической обстановки на территории г. Москвы, что делает возможным оперативно принимать необходимые меры профилактического характера.

Ключевые слова: коронавирус, заболеваемость и смертность, климатические факторы, статистические исследования, Москва.

Для цитирования: Кривошеев В.В., Столяров А.И. Влияние метеорологических факторов на заболеваемость и смертность COVID-19 в Москве в апреле-июне 2020 года // Здоровье населения и среда обитания. 2021. № 3 (336). С. 70-77. DOI: https://doi.org/10.35627/2219-5238/2021-336-3-70-77 Информация об авторах:

Н Кривошеев Владимир Васильевич - ведущий эксперт Автономного учреждения Ханты-Мансийского автономного округа - Югры «Технопарк высоких технологий»; e-mail: Vvk_usu@mail.ru; ORCID: https:// orcid.org/0000-0002-8125-0890.

Столяров Артем Игоревич - директор Автономного учреждения Ханты-Мансийского автономного округа - Югры «Технопарк высоких технологий»; e-mail: tp@tp86.ru; ; ORCID: https://orcid.org/0000-0003-2517-9775.

Effects of Meteorological Factors on COVID-19 Incidence and Mortality in Moscow in April-June 2020

V.V. Krivosheev, A.I. Stolyarov High Technology Park, 19 Promyshlennaya Street, Khanty-Mansiysk, 628011 Russian Federation Summary. We studied the impact of meteorological factors including atmospheric pressure, relative and absolute humidity, air temperature, wind speed, and precipitation quantity on COVID-19 incidence and mortality rates in Moscow during the first wave of the pandemic from 1st April to 25th June 2020 using a correlation analysis. The calculations created new scientific knowledge about the effects of fluctuations in average daily values of weather parameters on the dynamics of the COVID-19 pandemic and demonstrated their statistical significance. We established that meteorological factors had a greater influence on the incidence than on mortality from the novel coronavirus disease. Atmospheric pressure and wind speed had the strongest effect on incidence and mortality rates of Muscovites while air temperature and precipitation quantity demonstrated the least impact. Correlation coefficients of 0.50-0.70 enabled us to assert that the meteorological factors start influencing the incidence and mortality 6 to 8 weeks before the disease onset. Based on empirical data, we also estimated that the most likely period between the disease onset and death of COVID-19 patients ranged from 8.63 to 22.13 days, the average being 12.63 days. The resulting statistical patterns demonstrate high convergence with actual data and international experience and allow determination of the degree of influence of meteorological conditions on the development of the COVID-19 pandemic in different periods and prognosis of the worst scenarios in the city enabling appropriate and timely preventive measures.

Keywords: coronavirus, incidence, mortality, meteorological factors, statistical research, Moscow. For citation: Krivosheev VV, Stolyarov AI. Effects of meteorological factors on COVID-19 incidence and mortality in Moscow in April-June 2020. Zdorov'e Naseleniya i Sreda Obitaniya. 2021; (3(336)):70-77. (In Russian) DOI: https:// doi.org/10.35627/2219-5238/2021-336-3-70-77 Author information:

Н Vladimir V. Krivosheev, Leading expert, High Technology Park, Autonomous Institution of the Khanty-Mansi Autonomous Okrug - Yugra; e-mail: Vvk_usu@mail.ru; ORCID: https://orcid.org/0000-0002-8125-0890. Artem I. Stolyarov, Director, High Technology Park, Autonomous Institution of the Khanty-Mansi Autonomous Okrug - Yugra; e-mail: tp@tp86.ru; ORCID: https://orcid.org/0000-0003-2517-9775.

март №3 (336)

ЗНСО

/i

Введение. Изучению влияния метеорологи-■—■ ческих факторов на динамику заболеваемости и смертности населения в связи с COVID-19 посвящено много опубликованных работ, при-^ надлежащих зарубежным авторам. Эта проблема серьезно интересует ученых многих стран: Бразилии, Кипра, Индонезии, ЮАР, Австрии, Испании, Японии, Саудовской Аравии, Индии, Мексики, Индонезии, Зимбабве, Бангладеш и ряда других. Значительное число работ опубликовано авторами из Китая, США и Италии.

К сожалению, в отечественной литературе информация по этому вопросу изложена крайне скупо и сводится, в лучшем случае, к обсуждению проблемы сезонности распространения коронавируса, поэтому не вызывает удивления то, что зарубежные ученые ни разу не сослались в своих трудах на исследования российских коллег.

К числу метеорологических факторов, которые в большей или меньшей степени влияют на здоровье человека, относятся температура атмосферного воздуха, его абсолютная и относительная влажность, атмосферное давление, количество осадков, уровень ультрафиолетового излучения, скорость ветра и некоторые другие [1, 2].

Превалирующими метеорологическими факторами, исходя из количества публикаций по каждому фактору и их тональности, зарубежные ученые считают температуру атмосферного воздуха, его относительную влажность и уровень ультрафиолетового излучения. Этим факторам, совершенно естественно, уделяется наибольшее внимание.

В некоторых трудах высказывается мнение о превалирующем влиянии метеорологических факторов на заболеваемость COVID-19 [3], в некоторых — совершенно отрицается их влияние или оно считается крайне слабыми [4, 5]. Существует и более сдержанное отношение к проблеме приоритетов, которое сводится к тому, что влияние климата не отрицается, но во главу угла ставится действенность мер правительства государства по сдерживанию пандемии [6] или самодисциплина его граждан [7].

В зарубежной литературе проблеме влияния климата на заболеваемость и смертность, связанные с COVID-19, на территории Российской Федерации уделяется мало внимания. Всего две статьи посвящены исследованию влияния климата на заболеваемость COVID-19 в нашей стране: это работа таиландского ученого Malay Pramanik (Asian Institute of Technology Bangkok, Thailand) [8] и совместная работа Taiwo Temitope Lasisi, Kayode Kolawole Eluwole (кафедра менеджмента Южно-Уральского государственного университета, Россия, и School of Tourism and Hotel Management, Bahseçehir Cyprus University, Turkey) [9]. В этих работах исследована связь температуры и скорости ветра с интенсивностью передачи COVID-19 в разных климатических регионах Российской Федерации.

Учитывая положение дел и желая вызвать интерес общественности к проблеме влияния

климата на динамику пандемии COVID-19 в России, авторы решили на примере г. Москвы исследовать влияние метеорологических факторов на уровень заболеваемости и смертности населения, определить, в какие моменты времени эти факторы оказывают наибольшее влияние на конечные результаты пандемии, то есть решить те вопросы, которые могут считаться задачами исследований.

В качестве объекта исследований г. Москва выбран не случайно. Этот выбор объясняется масштабностью заболеваемости и смертности населения, что существенно снижает возможность получения случайных, незакономерных результатов и позволяет считать итоговые выводы наиболее корректными.

Цель исследования — изучение влияние климатических факторов на динамику развития пандемии COVID-19 в г. Москве.

Материалы и методы. Фактические данные о динамике заболеваемости населения получены с сайта «Статистика развития пандемии коронавируса Covid-19 в России»1, на котором ежедневно обновляется информация по России в целом и по каждому субъекту Российской Федерации. Данные об атмосферных характеристиках в определенный период времени рассчитывались с помощью электронного онлайн-калькулятора «Погода в 243 странах мира»2. Расчет абсолютной влажности воздуха производился с использованием электронного онлайн-калькулятора «Абсолютная влажность воздуха и относительная влажность воздуха»3.

Основная идея данного исследования заключается в том, чтобы определить, в какие периоды времени уровень отдельного метеорологического параметра оказывал влияние на заболевания или смерть человека, какие отрезки времени разделяли эти периоды с моментом обнаружения заболевания, а также рассчитать, насколько сильно влиял этот параметр на процесс инфицирования и течение заболевания. В зарубежной литературе для этого интервала используется понятие «lagged correlations» — отстающая корреляция или просто «lag» — отставание, запаздывание, задержка. Величина лага или запаздывания весьма разнообразна. В работе [7] величина лага равна 3 суткам, в работе [10] лаг равен 7 суткам и в [11] принят лаг от 6 до 14 суток.

На наш взгляд, в данном контексте логичнее использовать термин «опережение», а не «отставание», поскольку момент замера климатического параметра, момент действия климатического фактора предшествует моменту регистрации факта заболеваемости или смерти. В нашей статье мы будем использовать именно термин «опережение».

Наши исследования отличаются тем, что мы производили расчеты коэффициентов корреляции с шагом опережения в одни сутки, начиная с опережения, равного нулю (то есть дата замера параметра климатического фактора соответствовала дате регистрации факта заболевания или смерти), и заканчивая

1 Статистика развития пандемии коронавируса COVID-19 в России [Электронный ресурс]. URL: https://coronavirus-monitor.info/country/russia/ (дата обращения 18.05.2020).

2 «Погода в 243 странах мира» [Электронный ресурс] URL: https://rp5.ru/ (дата обращения 18.05.2020).

3 «Абсолютная влажность воздуха и относительная влажность воздуха» [Электронный ресурс. URL: https://planetcalc. ru/2167/ (дата обращения 18.05.2020).

72

март №3 (ззс)

таким промежутком времени, когда корреляция устойчиво приближалась к нулю. Фактически максимальное опережение достигало величины 90 суток.

Определение формы и степени зависимости заболеваемости и смертности населения от метеорологических параметров осуществлялось с помощью корреляционного анализа. Оценка значимости коэффициента корреляции производилась с использованием ^распределения Стьюдента.

Статистические исследования были проведены для первой волны пандемии в период с 1 апреля до 25 июня 2020 года, таким образом выборка включала 86 замеров заболеваемости и 77 замеров смертности, что сделало расчеты достаточно представительными. Ежедневные замеры метеорологических параметров включали период с 1 января по 25 июня 2020 года.

Корреляционный анализ был проведен для определения уравнений связи и коэффициентов корреляции между уровнями заболеваемости/ смертности и следующими метеорологическими параметрами: температура атмосферного воздуха, его относительная и абсолютная влажность, атмосферное давление, скорость ветра и количество осадков. Все параметры были среднесуточными.

По каждой выборке были рассчитаны коэффициенты корреляции для каждых суток (Я1), а затем получены корреляционные зависимости связи этих коэффициентов корреляции со временем (Т, суток), предшествовавшим моменту обнаружения факта заболевания, определены ближний (Х1) и дальний (Х2) экстремумы функций. Рассчитана корреляционная характеристика Я22 степени связи между и временем, разделяющим момент замера метеорологического параметра с датой фиксации факта заболеваемости/смерти.

Результаты и обсуждение. Приведем примеры характерных графиков зависимостей между уровнем заболеваемости и атмосферным давлением с опережением в 24 и 41 сутки.

На рис. 1, 2 видно, сколь значительна может быть разница в условиях формирования процесса заболеваемости от одного и того же климатического фактора, имеющего те же самые параметры, но в другой комбинации в разные

отрезки времени. Посмотрите, как хаотически расположенные точки графика на рис. 1 упоря- ;—■ дочились вдоль аппроксимирующей прямой на рис. 2. Подобные рисунки напрочь опровергают мысль о случайных совпадениях, приводящих к ^ появлению коэффициента парной корреляции, ^^ равного 0,661, как в данном случае.

Результаты расчетов, представленные на рис. 3, — совершенно неожиданные, в первую очередь для авторов данной работы. Однако вспомним нашу заслуженную соотечественницу Елену Сергеевну Вентцель, на учебниках которой выросли многие большие ученые, и ее мудрую фразу: «Математические законы теории вероятностей — отражение реальных статистических законов, объективно существующих в массовых случайных явлениях природы. К изучению этих явлений теория вероятностей применяет математический метод и по своему методу является одним из разделов математики, столь же логически точным и строгим, как и другие математические науки».

Наибольшие коэффициенты корреляции (рис. 3) соответствуют зависимостям заболеваемости от скорости ветра и атмосферного давления. Значения коэффициентов корреляции зависимости заболеваемости от скорости ветра имеют максимум К1тах = 0,634 (опережение 4 суток), Я1т;п = —0,455 (опережение 30 суток). Аналогичные значения зависимости заболеваемости от атмосферного давления: К1тах = 0,661 (опережение 41 сутки), Я1т;п = —0,529 (опережение 8 суток). Обращает на себя внимание чрезвычайно четкая, плавная изменчивость формы зависимостей по времени опережения. Обе стохастические зависимости аппроксимируются уравнениями полинома третьей степени, при этом имея чрезвычайно высокую степень связи: для скорости ветра Я22 = 0,9698, для атмосферного давления Я22 = 0,9933 (!). Остальные климатические параметры влияют на уровень заболеваемости в меньшей степени. При оценке степени влияния какого-либо фактора мы считаем важным не только, а может быть, и не столько определяющим значение коэффициента корреляции Я1, сколько значение Я22, которое характеризует плавность, закономерность, устойчивость изменения какого-либо признака по времени. Исходя из этих соображений,

У

7000 6000

■S 5000

и &

„ 4000

и

L

u 3000

g 2000 и

Л 1000 0

y = 5,4646x -1549,3 RJ = 0,0007

V» ew •

760 765

720 725 730 735 740 745 750 755 Атмосферное давление, мм.рт.ст. / Atmospheric pressure (mm Hg)

Рис. 1. Зависимость заболеваемости от атмосферного давления в Москве, опережение 24 сут. Fig. 1. Correlation between atmospheric pressure and COVID-19 incidence in Moscow, a 24-day lag

® ^

VP b 8 8.

и и

Q

it «т

7000 6000 5000 4000 3000 2000

i TS

® 1 ® Д 1000

IT 0

k 0

y = 124,54x - 89933 R = 0,4373

" i Л si '

S •

745

760 765

' 720 725 730 735 740 745 750 755

Атмосферное давление, мм.рт.ст./ Atmospheric pressure (mm Hg)

Рис. 2. Зависимость заболеваемости от атмосферного давления в Москве, опережение 41 сут. Fig. 2. Correlation between atmospheric pressure and COVID-19 incidence in Moscow, a 41-day lag

март №3 (33t)

ЗНСО

73

степень влияния климатических факторов по мере уменьшения выглядит следующим образом:

1. атмосферное давление Я22 = 0,9933;

2. скорость ветра Я22 = 0,9698;

3. абсолютная влажность атмосферного воздуха Я22 = 0,9343;

4. относительная влажность атмосферного

воздуха R22 = 0,9116;

5. температура атмосферного воздуха R22 = 0,7457;

6. количество осадков R22 = 0,7424.

Закономерности влияния атмосферных

условий на смертность (рис. 4) в значительной степени соответствуют закономерностям заболеваемости (рис. 3) по целому ряду позиций. Наибольшие коэффициенты корреляции соответствуют зависимостям смертности от скорости ветра и атмосферного давления. Значения коэффициента корреляции смертности от скорости ветра имеют максимум R1max = 0,548 (опережение 16 суток), минимум R1min = —0,4556 (опережение 38 суток). Аналогичные значения зависимости смертности от атмосферного давления: R1max = 0,538 (опережение 52 суток), R1min = —0,557 (опережение 16 суток). Таким образом, уровень смертности зависит от метеоусловий приблизительно столь же тесно, как и уровень заболеваемости.

Исходя из величины R22, укажем ранг степени влияния климатических факторов на уровень смертности по мере уменьшения:

1. атмосферное давление R22 = 0,9685;

2. скорость ветра R22 = 0,9338;

3. относительная влажность атмосферного воздуха R22 = 0,9313;

♦ Атмосферное давление, мм.рт.ст./ Atmospheric pressure (mm Hg ■ Относительная влажность,%/ Relative humidity,%

▲ Температура воздуха, °С/ Air temperature, °С

X Абсолютная влажность, г/м3/ Absolute humidity, g/m3

Ж Скорость ветра, м/с/ Wind speed, m/s

• Количество осадков, мм/ Precipitation quantity, mm

0,8 I-1-1-1-1-

0,7 0,6 0,5 0,4 0,3 0,2 0,1

4. абсолютная влажность атмосферного воздуха Я22 = 0,8885;

5. количество осадков Я22 = 0,7178;

6. температура атмосферного воздуха Я22 = 0,6382.

Мы видим, что поменялись приоритетами относительная и абсолютная влажность воздуха, а также температура атмосферного воздуха и количество осадков.

Появление атмосферного давления и скорости ветра на первых ролях влияния климатических факторов находит свое подтверждение в целом ряде исследований зарубежных ученых.

Слабая отрицательная корреляция между заболеваемостью СОУГО-19 и атмосферным давлением наблюдалась по континентальному Китаю [12] и Сингапуру [13]. По территории Японии коэффициент корреляции между атмосферным давлением и заболеваемостью был равен —0,35 [14]. Весьма высокая отрицательная корреляция была отмечена в провинции Ухань на март 2020 года Я = -0,503 [15]. В работе [16] по Индии коэффициенты корреляции между атмосферным давлением и уровнем заболеваемости находились в пределах от -0,58 до -0,84, между атмосферным давлением и уровнем смертности были незначительно меньше, в пределах от -0,56 до -0,80. Важно отметить, что атмосферное давление в данном случае было единственным стабильным показателем, поскольку соответствующие коэффициенты корреляции температуры воздуха колебались в разных штатах от -0,54 до +0,80, а коэффициенты корреляции относительной влажности находились в пределах от -0,44 до +0,62.

у = -5Е-05х3 + 0,0035х2 - 0,0379х - 0,408

R2 = 0,9933 у = 1Е-05х3 - 0,0007х2 - 0,0009х - 0,0053 R2 = 0,9116

у = -2Е-06х3 + 0,0003х2 - 0,0141х + 0,0052 R2 = 0,7457

у = 4Е-06х3 - 0,0001х2 - 0,0101х - 0,0726 R2 = 0,9343

у = 3Е-05х3 - 0,001х2-0,0398х + 0,7438 R2 = 0,9698

у = 1Е-05х3 - 0,0002х2 - 0,0073х - 0,1295 R2 = 0,7424

0

& -0

-& ■

ХхХХХХ>

Номер суток/ Number of days

Рис. 3. Зависимость R1 (заболеваемость) от времени в Москве для климатических факторов: атмосферное давление (АД), относительная влажность (ОВ), температура воздуха (Т), абсолютная влажность воздуха (АВ), скорость ветра

(СВ), количество осадков (КО) Fig. 3. Time dependence of R1 (incidence) in Moscow for weather factors: atmospheric pressure (AP), relative humidity (RH), air temperature (AT), absolute humidity (AH), wind speed (WS), precipitation quantity (PQ)

p -

74

март №3 (ззс)

♦ Атмосферное давление, мм.рт.ст./ Atmospheric pressure (mm Hg ■ Относительная влажность,%/ Relative humidity,%

А Температура воздуха, °С/ Air temperature, °С

X Абсолютная влажность, г/м3/ Absolute humidity, g/m3

X Скорость ветра, м/с/ Wind speed, m/s

• Количество осадков, мм/ Precipitation quantity, mm

0,6

ж ж

I 0,5

— 0,4 о

£ 0,3

0

Ц 0,2

1 0,1

о

О

0

<&

У = -4E-05x3 + 0,0037x2 - 0,0857x + 0,038

R2 = 0,9685 y = 2E-05x3 - 0,0012x2 + 0,0091x + 0,2303 R2 = 0,9313

y = 9E-07x3 - 0,0004x2 + 0,0125x + 0,1473 R2 = 0,6382

y = 1E-06x3 - 0,0004x2 + 0,0068x + 0,1737 R2 = 0,8885

y = 7E-05x3 - 0,0057x2 + 0,0956x + 0,0433 R2 = 0,9338

y = 2E-05x3 - 0,0007x2 - 0,0086x + 0,154 R2 = 0,7178

-06

Номер суток/ Number of days

Рис. 4. Зависимость R1 (смертность) от времени в Москве для климатических факторов: атмосферное давление (АД), относительная влажность (ОВ), температура воздуха (Т), абсолютная влажность воздуха (АВ), скорость ветра (СВ),

количество осадков (КО)

Fig. 4. Time dependence of Rl(mortality) in Moscow for climatic factors: atmospheric pressure, relative humidity, air temperature, absolute humidity, wind speed, precipitation quantity

Таким образом, с определенной осторожностью можно говорить о том, что атмосферное давление в подавляющем большинстве случаев находится в обратной зависимости с уровнем заболеваемости/смертности COVID-19.

Роль скорости ветра в формировании картины заболеваемости и смертности также находит свое отражение в работах зарубежных коллег. В целом ряде работ этот метеорологический фактор признается превалирующим или одним из превалирующих [15, 17—20]

Отметим соотношение коэффициентов корреляции климатических параметров с уровнями заболеваемости и смертности в работе Namrata Deyal и др. [16]. В Индии корреляция показала диапазон значений между уровнем заболеваемости и скоростью ветра в пределах от +0,20 до +0,73, между уровнем смертности и скоростью ветра — от +0,04 до +0,72. Коэффициенты корреляции между атмосферным давлением и уровнем заболеваемости находились в пределах от —0,58 до —0,84, а между атмосферным давлением и уровнем смертности были незначительно меньше, в пределах от —0,56 до —0,80 [16]. Эти результаты весьма схожи с полученными нами по г. Москве (рис. 3, 4).

Продолжая тему аналогии наших результатов и зарубежного опыта, обращаем внимание на статью Tomas R. Bolano-Ortiz et al. (National Technological University, Mendoza, Argentina), в которой отмечается, что в Буэнос-Айресе скорость ветра имела более высокую отрицательную корреляцию с лагом в 2 дня [21]. Эти результаты перекликаются с нашими результатами по Москве (рис. 3), где отмечена

<-h

очень высокая корреляция заболеваемости в первые дни опережения, абсолютные значения по скорости ветра Я2 > 0,6, по атмосферному давлению Я2 < -0,45.

Для иллюстрации наших дальнейших рассуждений приведем по некоторым метеорологическим факторам совместные графики временной динамики заболеваемости и смертности.

На рис. 5 видно, что экстремумы кривой смертности опережают по времени экстремумы заболеваемости. Рассчитаем положение экстремумов на оси времени и определим разницу между ними.

Хзт1П = 1,96 суток, Хстт = 14,79 суток, АХт1п = 12,83 суток;

Хзтах = 42,48 суток, Хстах = 52,78 суток, АХтах = 10,30 суток,

где ХЗт1п - минимум заболеваемости; ХСт1п -минимум смертности; АХт1п - разность минимумов заболеваемости и смертности; ХЗтах -максимум заболеваемости; ХСтах - максимум смертности; АХтах - разность максимумов.

Как видно из рис. 6, кривая заболеваемости в области графика имеет только минимум, поэтому определим разность минимумов для зависимости уровней заболеваемости и смертности от относительной влажности, АХт1п = 22,13 суток.

Приведем похожие графики для зависимостей заболеваемости и смертности от скорости ветра (рис. 7) и количества осадков (рис. 8).

На основании результатов расчетов экстремумов функций (рис. 7, 8) приведем величины разницы минимумов. Для скорости ветра АХт1п = 9,24 суток; для количества осадков АХт1п = 8,63 суток.

март №3 (ззс)

ЗНСО

71

Таким образом, во всех случаях наблюдения ■—■ экстремумы функции смертности наступают раньше экстремумов функции заболеваемости, что вполне логично: время между фактом забо-^ левания и смертью человека больше времени до обнаружения факта заболевания. Эмпирически эта разница во времени по нашим расчетам находится в пределах от 8,63 до 22,13 суток, в среднем она равна 12,63 суток.

Сравним наши расчеты с фактическими данными о величине промежутка времени между обнаружением факта заболевания (факт госпитализации) и смертью пациента в разных странах мира. Приведем только три примера. В китайской провинции Ухань срок от госпитализации до смерти составил 2—3 недели [22]. В Ломбардии — на севере Италии, где проживает одна шестая часть населения страны, средняя продолжительность пребывания пациентов в реанимации составила 12 дней (от 6 до 21) [23]. В больнице Университета Рамона и Каджала (Мадрид) в общей сложности 124 пациента умерли в период до 19 апреля 2020 года, при этом смерть наступила в среднем через 16 (от 9 до 23) дней после появления симптомов и 13 (от 8 до 19) дней после госпитализации [24]. Таким образом, наши расчеты вполне подтверждаются данными зарубежных медиков.

Для подтверждения корректности наших выкладок проведем еще один расчет. Определим сроки максимальной заболеваемости и максимальной смертности во время первой волны пандемии в Москве (рис. 9, 10), считая ее началом 1 апреля 2020 года.

Разница между максимумами заболеваемости и смертности АХтах = 19,99 суток, что вполне укладывается в пределы, обозначенные зарубежным опытом, и нашими результатами.

На наш взгляд, наиболее интересным и неожиданным результатом является то, что наши эмпирические зависимости заболеваемости и смертности от климатических факторов и зоны наибольшего влияния на конечные результаты процессов на расстоянии до 50 и более суток от начала координат. Это непривычно и труднообъяснимо. Обычно исследования проводятся в период времени, незначительно превышающий величину инкубационного периода, как правило, это не более 10 суток. Тем не менее, если эти результаты повторяются от выборки к выборке, а коэффициенты корреляции выходят на уровень 0,5—0,7, то от подобных результатов отмахнуться невозможно. Они требуют профессионального толкования иммунологов, инфекционистов и других специалистов соответствующего профиля.

Заболеваемость/Incidence Смертность/M ortality

Полиномиальная (Заболеваемость/Incidence) Полиномиальная (Смертность/Mortality)

' = -3E-05x3+0,002x2- 0,0075x - 0,5204

R2 = 0,9326 = -4E-05x3+0,0037x2 - 0,0855x + 0,0382 R2 = 0,9787

60—65

Номер суток/Day number

Рис. 5. Зависимость R1 от времени в Москве (атмосферное давление) Fig. 5. Time dependence of R1 in Moscow (atmospheric pressure)

«a

ч S.

0

S о и

Fig.

♦ Заболеваемость/Incidence «««,.,,

„, ^ y = -7E-06x3+0,0012x2-0,0466x+0,1962

Смертность/Mortality r2 _ 0 8069

—Полиномиальная (Заболеваемость/Incidence) '

Полиномиальная (Смертность/Mortality) y = 4E-06x3-0,0001x2 - 0,0163x+0,3437

R2 = 0,9046

0,4 i-1-1-1-1-1-1-1-1-

0,3 0,2 0,1 0

-0,1 0 90

-0,2 -0,3 -0,4 -0,5

Номер суток/Day number

Рис. 6. Зависимость R1 от времени в Москве (относительная влажность) 6. Time dependence of R1 in Moscow (relative humidity)

♦ Заболеваемость/Incidence ■ Смертность/Mortality

-Полиномиальная (Заболеваемость/Incidence)

-Полиномиальная (Смертность/Mortality)

w К в ^

B S я .2

" IS

i ® & sa ¡-о о 2 £

f- о £ +-

S с

s о

н

X ® я 0 о и И

y = 5E-05x3 - 0,001 7x2 - 0,0297x + 0,7 167 R2 = 0,9727

y = 7E-05x3 - 0,0054x2+0,0923x+0,0 508 R2 = 0,9382

■ ■

i ■

0 5 1 0 1 5 2 0 25 3 0 3 5 40 45

■

♦ Заболеваемость/Incidence ■ Смертность/Mortality

-Полиномиальная (Заболеваемость/Incidence)

-Полиномиальная (Смертность/Mortality)

0,3

y = 1E-05x3 - 0,0002x2 - 0,0073x - 0,1295 R2 = 0,7424

y = 2E-05x3 - 0,0007x2 - 0,0086x+0,154 R2 = 0,7178

«nf = s

я.2 " Я ч Л

an

¡2 и

£ e -0,1

Номер суток/Day number

5.2 -0,2 Is u

S» -0,3

1ч 0

-0,4

■

■ ■ 0 5 к I rsj i" ■ ♦

■ "i 0 1 I 5 2 02 5 И 30 3 5 40

♦ 1 Jr v

■ ♦ ■

■

Номер суток/Day number

Рис. 7. Зависимость R1 от времени в Москве (скорость ветра) Fig. 7. Time dependence of R1 in Moscow (wind speed)

Рис. 8. Зависимость R1 от времени в Москве (количество осадков) Fig. 8. Time dependence of R1 in Moscow (precipitation quantity)

y

/с

март №3 (336)

= 1,1756x3 - 165,02x2 + 7415,9x - 102061 R2 = 0,9125 Xmax=37,48

Рис.

40 45 50

Номер суток / Day number 9. Зависимость заболеваемости от времени в Москве Fig. 9. Time dependence of incidence in Moscow

Необходимо указать, что подобные результаты авторами были получены и по некоторым другим странам и регионам.

Не вдаваясь в профессиональную трактовку полученных результатов, приведем несколько фрагментов информации, которая говорит о длительности периода воздействия на конечные результаты инфекционных заболеваний, значительно превышающего сроки инкубационного периода.

Nicole Y. Leung и др. (Stanford University School of Medicine, University of Washington International Clinical Research Center, USA) изучили случаи заболеваемости и смерти от COVID-19, зарегистрированные до 2 мая 2020 года в 205 странах и территориях, и доказали, что «температура за 5-7 недель до первого зарегистрированного случая лучше всего предсказала эпидемический рост, что свидетельствует о том, что значительная передача инфекции происходила в среднем за 1-2 месяца до обнаружения» [25]. На конгрессе Всемирной организации здравоохранения (WHO-China Joint Mission on Coronavirus Disease 2019 COVID-19), который состоялся 16-24 февраля 2020 года, было отмечено, что среди пациентов, которые умерли, время от появления симптомов до исхода колеблется в пределах 2-8 недель [26].

Наконец, сошлемся на работу, посвященную сезонности заболевания гриппом, поскольку очень много работ посвящено изучению аналогий проявления COVID-19 и других вирусных инфекций. Jeffrey Shaman и др., Virginia E Pitzer, Cécile Viboud et al. (Oregon State University, Oregon, USA) утверждают, что наступление повышенной смертности от гриппа в зимний период в Соединенных Штатах связано с аномально низкими абсолютными уровнями влажности в течение предыдущих недель [27].

Заключение

Проведенные расчеты позволили получить новые научные знания о влиянии климата на динамику пандемии COVID-19 и сделать следующие выводы.

Климатические факторы на территории г. Москвы оказывают влияние на уровень заболеваемости и смертности в связи с COVID-19.

Степень влияния климатических факторов на заболеваемость незначительно выше степени влияния этих факторов на уровень смертности.

Наибольшее влияние на уровень заболеваемости оказывают атмосферное давление и скорость ветра.

70

60

£ •— ä 50

о

a H и J= « 40

<u T ■a

S 1 § 30

s и 20

S T 1 10

о

^

и 0

♦♦♦♦ \f* »« ♦ % .4

\

fj ♦ < 4 ла»

♦л* ►

V . / « V*

'¡4 y = -< 0,00041x; R2 5 + 0,0231x2 + 1 ,4071x - 8,7466

, \[ [ и , 1 /. ^ /

10

20

90

<-h

30 40 50 60 70 80 Номер суток / Day number Рис. 10. Зависимость смертности от времени в Москве Fig. 10. Time dependence of mortality in Moscow

На третьем месте по степени влияния на заболеваемость и смертность находятся относительная и абсолютная влажность атмосферного воздуха.

Наименьшее влияние на заболеваемость и смертность жителей г. Москвы в связи с пандемией COVID-19 оказывают температура атмосферного воздуха и количество осадков.

Климатические факторы начинают оказывать влияние на уровень заболеваемости и смертности населения города Москвы за 6—8 недель до появления первых симптомов.

Наиболее вероятный период времени между регистрацией момента заболеваемости и смерти пациентов, заболевших COVID-19, по нашим расчетам, находится в пределах от 8,63 до 22,13 суток, в среднем 12,63 суток.

Полученные новые данные подтверждают высокую степень влияния климатических факторов на динамику заболеваемости и смертности населения на территории г. Москвы, позволяют определить степень влияния метеорологических условий на конечные результаты пандемии COVID-19 в разные периоды времени, позволяют делать прогнозы относительно времени наступления периодов наиболее опасной эпидемиологической обстановки, что дает возможность оперативно принять соответствующие меры профилактического характера.

Информация о вкладе авторов: Кривошеев В.В. — разработка дизайна исследования, написание текста рукописи; Столяров А.И. — получение данных для анализа, написание текста рукописи, обзор публикаций по теме статьи.

Финансирование: исследование не имело спонсорской поддержки.

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

References

1. Gupta A, Banerjee S, Das S. Significance of geographical factors to the COVID-19 outbreak in India. Model Earth Syst Environ. 2020; 6:2645-2653. DOI: https:// doi.org/10.1007/s40808-020-00838-2

2. Adhikari A, Yin J. Short-term effects of ambient ozone, PM25, and meteorological factors on COVID-19 confirmed cases and deaths in Queens, New York. Int J Environ Res Public Health. 2020; 17(11):4047. DOI: https://doi.org/10.3390/ijerph17114047

3. Malki Z, Atlam E-S, Hassanien AE, et al. Association between weather data and COVID-19 pandemic predicting mortality rate: Machine learning approaches. Chaos Solitons Fractals. 2020; 138:110137. DOI: https://doi.org/10.1016/j.chaos.2020.110137

MM №3 (336)

3HC0

11

^ 4. Jamil T, Alam I, Gojobori T, et al. No evidence for

■ temperature—dependence of the COVID—19 epidemic. Front Public Health. 2020; 8:436. DOI:| https://doi.

a org/10.3389/fpubh.2020.00436

5. Yao Y, Pan J, Liu Z, et al. No association of COVID-19

■ |E transmission with temperature or UV radiation in

Chinese cities. Eur Respir J. 2020; 55(5):2000517.

EE DOI: https://doi.org/10.1183/13993003.00517-2020

6. Livadiotis G. Statistical analysis of the impact of environmental temperature on the exponential growth rate of cases infected by COVID-19. PLoS One. 2020; 15(5):e0233875. DOI: https://doi.org/10.1371/journal. pone.0233875

7. Chien L-C, Chen L-W. Meteorological impacts on the incidence of COVID-19 in the U.S. Stoch Environ Res Risk Assess. 2020; 34:1675-1680. DOI: https:// doi.org/10.1007/s00477-020-01835-8

8. Pramanik M, Udmale P, Bisht P, et al. Climatic factors influence the spread of COVID-19 in Russia. Int J Environ Health Res. 2020; 1-15. DOI: https:// doi.org/10.1080/09603123.2020.1793921

9. Lasisi TT, Eluwole KK. Is the weather-induced COVID-19 spread hypothesis a myth or reality? Evidence from the Russian Federation. Environ Sci Pollut Res Int. 2021; 28(4):4840-4844. DOI: https:// doi.org/10.1007/s11356-020-10808-x

10. Runkle JD, Sugg MM, Leeper RD, et al. Short-term effects of specific humidity and temperature on COVID-19 morbidity in select US cities. Sci Total Environ. 2020; 740:140093. DOI: https://doi. org/10.1016/j.scitotenv.2020.140093

11. Merow C, Urban MC. Seasonality and uncertainty in global COVID-19 growth rates. Proc Natl Acad Sci U S A. 2020; 117(44):27456-27464. DOI: https:// doi.org/10.1073/pnas.2008590117

12. Cai QC, Lu J, Xu QF, et al. Influence of meteorological factors and air pollution on the outbreak of severe acute respiratory syndrome. Public Health. 2007; 121(4):258-265. DOI: https://doi.org /10.1016/j. puhe.2006.09.023

13. Pani SK, Lin NH, RavindraBabu S, et al. Association of COVID-19 pandemic with meteorological parameters over Singapore. Sci Total Environ. 2020; 740:140112. DOI: https://doi.org/10.1016/j.scitotenv.2020.140112

14. Takagi H, Kuno T, Yokoyama Y, et al. Higher temperature, pressure, and ultraviolet are associated with less COVID-19 prevalence: Meta-regression of Japanese Prefectural data. Asia Pac J Public Health. 2020; 32(8):520-522. DOI: https://doi. org/10.1177/1010539520947875

15. Ma Z, Meng X, Li X, et al. Atmospheric factors and the incidence of novel coronavirus pneumonia. [Preprint] 2020. DOI: https://doi.org/10.21203/ rs.3.rs-27190/v1 Accessed: 2 March 2021.

16. Deyal N, Tiwari V, Bisht NS. Impact of climatic parameters on COVID-19 pandemic in India: analysis and prediction. [Preprint] medRxiv 2020.07.25.20161919.

DOI: https://doi.org/10.1101/2020.07.25.20l6l919 Accessed: 2 March 2021.

17. Rasul A, Heiko B. Relationship between monthly climatic variables and worldwide confirmed COVID-19 cases (June 13, 2020). DOI: http://dx.doi.org/10.2139/ ssrn.3626108

18. Chen B, Liang H, Yuan X, et al. Roles of meteorological conditions in COVID-19 transmission on a worldwide scale. [Preprint] medRxiv 2020.03.16.20037168. DOI: https://doi.org/10.1101/2020.03.16.20037168

19. Hasan NA, Siddik MS. Possible role of meteorological variables in COVID-19 spread: A case study from a subtropical monsoon country, Bangladesh. Preprints 2020, 2020060347. DOI: https://doi.org/10.20944/ preprints202006.0347.v1

20. Hossain S, Ahmed S, Uddin J. Impact of weather on COVID-19 transmission in south Asian countries: An application of the ARIMAX model. Sci Total Environ. 2020; 761:143315. DOI: https://doi.org/10.1016/j. scitotenv.2020.143315

21. Bolaño-Ortiz TR, Pascual-Flores RM, Puliafito SE, et al. Spread of COVID-19, meteorological conditions and air quality in the city of Buenos Aires, Argentina: Two facets observed during its pandemic lockdown. Atmosphere. 2020; 11(10), 1045. DOI: https://doi. org/10.3390/atmos11101045

22. Wang D, Yin Y, Hu C, et al. Clinical course and outcome of 107 patients infected with the novel coronavirus, SARS-CoV-2, discharged from two hospitals in Wuhan, China. Crit Care. 2020; 24(1):188. DOI: https://doi.org /10.1186/s13054-020-02895-6

23. Grasselli G, Greco M, Zanella A, et al. Risk factors associated with mortality among patients with COVID-19 in intensive care units in Lombardy, Italy. JAMA Intern Med. 2020; 180(10):1345-1355. DOI: https:// doi.org/10.1001/jamainternmed.2020.3539

24. Monreal E, Sainz de la Maza S, Fernández-Velasco JI, et al. The impact of immunosuppression and autoimmune disease on severe outcomes in patients hospitalized with COVID-19. J Clin Immunol. 2020; 41(2):315-323. DOI: https://doi.org/10.1007/s10875-020-00927-y

25. Leung NY, Bulterys MA, Bulterys PL. Predictors of COVID-19 incidence, mortality, and epidemic growth rate at the country level. [Preprint] medRxiv 2020.05.15.20101097. DOI: https://doi. org/10.1101/2020.05.15.20101097

26. Report of the WHO-China Joint Mission on Coronavirus Disease 2019 (COVID-19). 16-24 February 2020. Available at: https://who.int/docs/default-source/ coronaviruse/who-china-joint-mission-on-covid-19-final-report.pdf. Accessed: 17 March 2021.

27. Shaman J, Pitzer VE, Viboud C, et al. Absolute humidity and the seasonal onset of influenza in the continental United States. PLoS Biol. 2010; 8(2):e1000316. DOI: https://doi.org/10.1371/journal. pbio.1000316

CmambH nonyneua: 23.12.20 npunnma e nenamb: 03.03.21 OnyönuKoeaua: 31.03.21

■ + +■ ö