CC BY-ND
15
© Кривошеев В.В., Столяров А.И., 2021 =5 УДК 614.4
Влияние относительной влажности воздуха на заболеваемость коронавирусом COVID-19
В.В. Кривошеев, А.И. Столяров
Автономное учреждение Ханты-Мансийского автономного округа — Югры «Технопарк высоких технологий» ул. Промышленная, д. 19, г. Ханты-Мансийск, 628011, Российская Федерация
Резюме: Введение. Проблема влияния внешних факторов, к которым относятся и метеорологические условия, на динамику развития пандемии коронавируса чрезвычайно актуальна, поскольку понимание физических основ любого процесса позволяет прогнозировать его результаты в конкретных условиях и, в определенной степени, управлять этим процессом. С целью оценки влияния относительной влажности воздуха на заболеваемость коронавирусом COVID-19 проведен анализ существующих в международном научном сообществе представлений о характере и степени влияния метеорологических условий на уровень заболеваемости человека COVID-19. Материалы и методы. Разработана оригинальная методика, позволяющая определять, в какие периоды времени уровень влажности атмосферного воздуха оказывал влияние на заболеваемость человека, какие отрезки времени разделяют эти периоды с моментом обнаружения заболевания, а также рассчитать, насколько сильно влияла влажность воздуха на процесс инфицирования и течение заболевания. Для исключения влияния побочных эффектов на корректность результатов исследований использована авторская методика расчета условной заболеваемости как разницы между теоретическим и фактическим уровнями. В статье приводятся результаты корреляционного анализа зависимостей между относительной влажностью воздуха и показателями динамики инфицирования человека коронавирусом COVID-19 по материалам девятнадцати регионов Российской Федерации. Все без исключения уравнения содержат два или три экстремума уровня заболеваемости по времени, в которые влажность воздуха оказывала наибольшее влияние на конечный результат заболеваемости. Эти экстремумы авторы связывают с моментами инфицирования и проявления заболеваемости пациента, что позволяет делать предположения о количественном прогнозировании продолжительности инкубационного периода в различных атмосферных условиях. Вывод. Получены аналитические зависимости, позволяющие определить благоприятную и неблагоприятную относительную влажность воздуха для инфицирования человека COVID-19 для различных регионов Российской Федерации. Математическими методами подтвержден тезис о возможной продолжительности жизни коронавируса, превышающей две недели, во внешней среде.
Ключевые слова: коронавирус, относительная влажность атмосферного воздуха, статистические исследования. Для цитирования: Кривошеев В.В., Столяров А.И. Влияние относительной влажности воздуха на заболеваемость коронавирусом COVID-19 // Здоровье населения и среда обитания. 2021. № 2 (335). С. 61-69. DOI: https:// doi.org/10.35627/2219-5238/2021-335-2-61-69 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.
Impact of Relative Humidity on COVID-19 Incidence
V.V. Krivosheev, A.I. Stolyarov High Technology Park, 19 Promyshlennaya Street, Khanty-Mansiysk, 628011 Russian Federations Summary. Introduction: The issue of the influence of external factors such as meteorological conditions on the dynamics of the coronavirus pandemic is extremely relevant, since understanding of physical foundations of any process helps predict its results in specific conditions and, to a certain extent, manage it. Objective: In order to assess the effect of relative humidity on the incidence of COVID-19, we analyzed opinions of the international scientific community about the nature and degree of the influence of meteorological conditions on COVID-19 incidence rates in humans. Materials and methods: We developed an original method of determining the periods of time when the air humidity level influenced disease rates, establishing the lag and the power of influence of the relative air humidity on the infection process and course of the disease. To eliminate the effect of confounders on research results, we applied the author's method of estimating the conditional incidence as the difference between the theoretical and observed rates. The article presents the results of analyzing the correlation between relative humidity and COVID-19 incidence rates in 19 regions of the Russian Federation. Without exception, all the equations contained tWo or three extrema of the incidence in time, at which air humidity had the greatest impact on its rates. We associate these extrema with the time of getting infected and the disease onset and they enable us to quantitatively predict the latent period of this infectious disease in different atmospheric conditions. Conclusion: The observed correlations demonstrate relative humidity levels posing higher and lower risks of getting infected with COVID-19 in various regions of the Russian Federation. By means of mathematical methods, we confirmed the hypothesis about the persistence of SARS-CoV-2 in the environment for more than two weeks. Keywords: coronavirus, relative air humidity, statistical studies.
For citation: Krivosheev VV, Stolyarov AI. Impact of relative humidity on COVID-19 incidence. Zdorov'e Naseleniya i Sreda Obitaniya. 2021; (2(335)):61-69. (In Russian) DOI: https://doi.org/10.35627/2219-5238/2021-335-2-61-69 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.
Введение. Проблема влияния внешних факторов, к которым относятся и метеорологические условия, на динамику развития пандемии коронавируса чрезвычайно актуальна, поскольку понимание физических основ любого процесса позволяет прогнозировать его результаты в кон-
кретных условиях и, в определенной степени, управлять этим процессом.
К сожалению, в отечественной литературе информация по этому вопросу изложена крайне скупо и сводится к обсуждению проблемы сезонности распространения коронавируса [1—3].
Зарубежные ученые уделяют исследованию этой проблемы гораздо большее внимание, однако взгляды специалистов из разных стран на некоторые фундаментальные вопросы порой значительно отличаются, вплоть до диаметрально противоположных [4—33].
Наиболее масштабные исследования влияния метеорологических факторов на развитие COVID-19 в России принадлежат, как это ни парадоксально, ученым Азиатского технологического института Бангкок (Malay Pramanik и др.). По словам авторов, эти исследования, датированные 19 июня 2020 года, являются первой попыткой оценить роль климатических предикторов в росте интенсивности COVID-19 в российском климатическом регионе [24].
Основными метеорологическими факторами, влияющими на развитие заболеваемости COVID-19, являются температура воздуха, относительная и абсолютная влажность, уровень ультрафиолетового излучения, колебания атмосферных условий и целый ряд других.
Рассмотрим существующие представления о характере влияния температуры атмосферного воздуха на заболеваемость COVID-19.
В работах [4, 5, 9, 10, 15, 16, 31] приведена информация о том, что увеличение температуры воздуха приводит к росту заболеваемости COVID-19, в работах [6, 11-14, 20, 21, 28, 32] изложены сведения о благоприятном влиянии роста температуры на уровень заболеваемости. Ученые из Шанхайского городского центра экологических метеорологических исследований (Jianguo Tan и др.) полагают, что существует некоторая оптимальная температура окружающей среды в пределах от 16 до 28 °С, резкое повышение или снижение которой за этими пределами приводит к увеличению случаев заболеваний из-за влияния на иммунную систему человека [19].
Необходимо отметить, что в ряде работ фигурируют данные по одним и тем же регионам или целым группам регионов.
Аналогичная ситуация существует в области представлений о характере влияния влажности атмосферного воздуха на заболеваемость COVID-19.
В работах [4, 5, 10] отмечается, что с увеличением влажности воздуха растет заболеваемость COVID-19. В работах [9, 11, 13, 16, 17, 20, 26, 27, 30, 32] говорится о благоприятном влиянии влажности на уровень заболеваемости. Причем в работах [4, 10] речь идет об относительной и абсолютной влажности воздуха, в работах [5, 13] — лишь об абсолютной влажности, в работах [9, 11, 16, 20] - только об относительной влажности, а в работе [17] не указано, о какой влажности идет речь.
Исследователи из Сианьского транспортного университета (Xi'an Jiaotong University, Shaanxi) Jun Lin и др., используя данные по материковому Китаю, Гонконгу и Сингапуру, считают, что «высокая относительная влажность способствует передаче COVID-19 при низкой температуре, но имеет тенденцию к снижению передачи при высокой температуре» [21].
Katherine Li из Garnet Valley High School (США) категорически заявляет, что смертность от COVID-19 во всех пятидесяти штатах
США напрямую и положительно коррелирует с влажностью окружающей среды [22]. ^
Еще более категоричен в своих выводах испанский ученый Mar Guasp (Neurosciences 5= Unit, Hospital Clinic, Barcelona, Spain), опери- ^ рующий набором метеорологических данных и количеством подтвержденных COVID-19 в странах с наибольшим числом случаев заболевания (в Китае, Италии, Соединенных Штатах и Испании), а также в Канаде и Австралии, утверждающий, что «Ультрафиолетовое излучение от солнечного света является основным экологически эффективным вирусным фактором, на несколько порядков более актуальным, чем другие первичные физические факторы, такие как температура и относительная влажность» [25].
Наконец, Albertus J Smit, представляющий Университет Западной Капской провинции Южной Африки, критически оценивший 42 рецензируемые и 80 препринтные публикации, пришел к выводу, что фактические данные в настоящее время перегружены побочными эффектами и темпами распространения COVID-19, поэтому говорить о прогнозировании развития пандемии в связи атмосферными условиями, если такая возможность вообще существует, можно будет только в 2021 и последующих годах [8].
Резюмируя изложенное, можно сделать следующие основные выводы:
— температура атмосферного воздуха, его абсолютная и относительная влажность, наряду с другими метеорологическими факторами, в определенных условиях оказывают существенное влияние на характер заболеваемости COVID-19;
— несмотря на многочисленность исследований по данной проблеме, практически отсутствует опубликованная информация о влиянии атмосферных условий на заболеваемость COVID-19 на территории России;
— существующие в настоящее время представления о характере и степени влияния метеорологических факторов на динамику распространения COVID-19 в значительной мере противоречивы, часто не конкретны, что предопределяет необходимость продолжения исследований по данной проблеме.
Разумеется, осветить весь круг обозначенных вопросов в одной статье невозможно, поэтому внимание было сосредоточено на исследовании одного из метеорологических факторов — относительной влажности воздуха, которая, на взгляд авторов, оказывает очень серьезное влияние на динамику COVID-19.
В связи с этим задачами исследования является установление формы и степени зависимости заболеваемости COVID-19 от времени, исследование полученных корреляционных уравнений на экстремумы, а также определение связи пороговых значений относительной влажности с внешними факторами.
Цель исследования — изучение закономерностей процесса влияние относительной влажности атмосферного воздуха на заболеваемость коронавирусом COVID-19 в различных регионах Российской Федерации.
Материалы и методы. Фактические данные о динамике заболеваемости населения получены с сайта «Статистика развития пандемии
Февраль №2 (335) знифо
63
коронавируса С0УГО-19 в России»1, на кото-■—■ ром ежедневно обновляется информация по Российской Федерации в целом и по каждому субъекту в частности. ^ Данные об атмосферных характеристиках в определенный период времени рассчитывались с помощью электронного онлайн-калькулятора «Погода в 243 странах мира»2.
Основная идея данного исследования заключается в том, чтобы определить, в какие периоды времени уровень относительной влажности атмосферного воздуха оказывал влияние на заболеваемость человека, какие отрезки времени разделяют эти периоды с момента обнаружения заболевания, а также рассчитать, насколько сильно влияла влажность воздуха на процесс инфицирования и течение заболевания. Эти вопросы решались с помощью корреляционного анализа.
Проиллюстрируем порядок подготовки материалов для проведения корреляционного анализа зависимостей между величиной относительной влажности воздуха и числом зарегистрированных заболеваний (рис. 1).
При этом первоначально глубина поиска была принята равной 14 суткам, исходя из общепринятых представлений о продолжительности жизни коронавируса, не превышающей две недели. Однако в процессе исследований глубину поиска пришлось увеличивать до 18—21 суток, поскольку на 12—14 сутки периода в ряде статистических совокупностей стали обнаруживаться серьезные корреляционные
зависимости между уровнями заболеваемости и влажностью.
Информация о временных промежутках заболеваемости, взятых для анализа субъектов Российской Федерации, по которым приведены зависимости от времени, отражена на рис. 3—5, 13, 14: Волгоградская область (18.04.2020-16.05.2020), Краснодарский край (15.04.2020-15.05.2020), Мурманская область (17.04.2020-20.05.2020), Хабаровский край (03.04.2020-15.05.2020), ХМАО - Югра (14.04.2020-25.05.2020).
Еще одна особенность данного исследования заключалась в том, что изучалась не абсолютная заболеваемость, а заболеваемость, которую авторы назвали условной. Это связано с тем, что в течение периода нарастания заболеваемости на ее абсолютную величину весьма существенное, если не решающее, влияние оказывают не природные, естественные условия, а лавинообразно нарастающее количество контактов между здоровыми и инфицированными людьми.
Для исключения этого субъективного, но реально существующего фактора, нами рассчитывалось уравнение теоретического уровня заболеваемости, затем фактическая ежесуточная заболеваемость сравнивалась с теоретической на данный момент времени. Если фактическая заболеваемость превышала теоретическую, то разница учитывалась со знаком плюс, если была меньше теоретической, то со знаком минус.
Проиллюстрируем эту методику на примере ХМАО - Югры (табл. 1).
Количество дней / Number of days 1 Дата замера относительной влажности / Date of relative humidity measurement (dd.mm) 14.04 15.04 16.04 17.04 18.04 19.04 20.04
Относительная влажность / Relative humidity, % 73 68 84 82 47 49 64
Дата заболеваемости / Date of diagnosis (dd.mm) 18.04 19.04 20.04 21.04
Количество новых случаев заболеваемости / Daily number of incident cases 33 14 13 9
2 Дата замера относительной влажности / Date of relative humidity measurement (dd.mm) 14.04 15.04 16.04 17.04 18.04 19.04
Относительная влажность / Relative humidity, % 73 68 84 82 47 49
Дата заболеваемости / Date of diagnosis (dd.mm) 18.04 19.04 20.04 21.04
Количество новых случаев заболеваемости / Daily number of incident cases 33 14 13 9
3 Дата замера относительной влажности / Date of relative humidity measurement (dd.mm) 14.04 15.04 16.04 17.04 18.04
Относительная влажность / Relative humidity, % 73 68 84 82 47
Дата заболеваемости / Date of diagnosis (dd.mm) 18.04 19.04 20.04 21.04
Количество новых случаев заболеваемости / Daily number of incident cases 33 14 13 9
Рис. 1. Схема, иллюстрирующая посуточные материалы для корреляционного анализа зависимостей между относительной влажностью атмосферного воздуха и уровнем заболеваемости COVID-19 в 2020 году Fig. 1. Daily data for the analysis of correlations between the relative air humidity and COVID-19 incidence, 2020
1 «Статистика развития пандемии коронавируса С0У10-19 в России» [Электронный ресурс]. Режим доступа: https://coronavirus-monitor.info/country/russia/ (дата обращения 18.05.2020).
2 «Погода в 243 странах мира» [Электронный ресурс. Режим доступа: https://rp5.ru/ (дата обращения 18.05.2020)]
64
ЗНиСО февраль №2 (ж)
В табл. 1 теоретическое число заболеваний (№) рассчитано с использованием уравнения У = 0,1188 X2 -2,4374Х + 27,877 (рис. 2),
где У — теоретическое число заболеваний, X — порядковый номер суток.
Условная заболеваемость (Му) рассчитана как разница между фактической (Мф) и теоретической (№) заболеваемостью (Му = Мф — №).
Статистические исследования были проведены по 19 субъектам Российской Федерации:
Таблица 1. Фрагмент данных по ХМАО — Югре для расчета условной заболеваемости на 18.05.2020 Table 1. The data used to estimate the conditional incidence of COVID-19 in the Khanty-Mansi Autonomous Okrug — Yugra as of 18 May 2020
<-h
Дата обнаружения заболевания / Date of diagnosis Число подтвержденных заболеваний за сутки, ^ / Observed number of cases, № Относительная влажность / Relative humidity, % Номер суток / Day number Теоретическое число заболеваний, № / Theoretical number of cases, NT Условное число заболеваний, Ny = Nф -№ / Conditional number of cases, Nc = № - №
14.апр /April 15 63 1 25,5584 -10,5584
15.апр 15 92 2 23,4774 -8,4774
16.апр 39 77 3 21,634 17,366
17.апр 18 59 4 20,0282 -2,0282
18.апр 33 76 5 18,66 14,34
19.апр 14 61 6 17,5294 -3,5294
20.апр 13 55 7 16,6364 -3,6364
21.апр 9 64 8 15,981 -6,981
22.апр 6 63 9 15,5632 -9,5632
23.апр 12 61 10 15,383 -3,383
24.апр 2 76 11 15,4404 -13,4404
25.апр 16 60 12 15,7354 0,2646
26.апр 41 73 13 16,268 24,732
27.апр 23 53 14 17,0382 5,9618
28.апр 41 75 15 18,046 22,954
29.апр 28 90 16 19,2914 8,7086
30.апр 21 87 17 20,7744 0,2256
01.май / May 18 78 18 22,495 -4,495
02.май 9 69 19 24,4532 -15,4532
03.май 35 72 20 26,649 8,351
04.май 18 58 21 29,0824 -11,0824
05.май 41 54 22 31,7534 9,2466
06.май 29 67 23 34,662 -5,662
07.май 14 57 24 37,8082 -23,8082
08.май 32 32 25 41,192 -9,192
09.май 43 33 26 44,8134 -1,8134
10.май 67 42 27 48,6724 18,3276
11.май 84 43 28 52,769 31,231
12.май 45 49 29 57,1032 -12,1032
13.май 43 56 30 61,675 -18,675
14.май 61 49 31 66,4844 -5,4844
15.май 39 41 32 71,5314 -32,5314
16.май 83 65 33 76,816 6,184
17.май 118 70 34 82,3382 35,6618
18.май 86 35 88,098 -2,098
140
« 120
,g В 100
1 3§
SB 80
60
о с
С
40
20
0
= 0,1188x2 - 2,4374x + 27,877 R2 = 0,6763
-
0
10
20
30
40
Номер суток / Day number
Рис. 2. Тарировочный график посуточной заболеваемости Covid-19 в ХМАО-Югре Fig. 2. Calibration graph of the daily COVID-19 incidence in the Khanty-Mansi Autonomous Okrug — Yugra
У
Волгоградской области, Вологодской области, ■—■ Краснодарскому краю, Москве, Мурманской области, Нижегородской области, Новгородской области, Приморскому краю, Республике Коми, ^ Ростовской области, Самарской области, Санкт-^^ Петербургу, Саратовской области, Свердловской области, Тюменской области, Хабаровскому краю, ХМАО - Югре, Челябинской области, ЯНАО.
По каждой выборке были рассчитаны коэффициенты корреляции между уровнем заболеваемости и относительной влажностью воздуха для каждых суток (Я1), а затем получены корреляционные зависимости связи этих коэффициентов корреляции со временем (Т, суток), предшествующим моменту обнаружения факта заболевания, определены ближний (X!) и дальний (Х2) экстремумы функций. Рассчитана корреляционная характеристика Я22 степени связи между Я1 и временем, разделяющим момент замера относительной влажности воздуха с датой фиксации факта заболеваемости.
Также для каждой выборки были рассчитаны зависимости обозначенных выше коэффициентов корреляции от влажности атмосферного воздуха (ОВ), средней для каждого соответствующего интервала времени, и определены границы
зоны оптимальной относительной влажности Хо1 и Хо2, внутри которых фактический уровень заболеваемости меньше теоретического. Степень связи между Я1 и средней относительной влажностью воздуха оценена статистикой Я32.
Результаты и обсуждение. Приведем несколько наиболее характерных примеров графиков зависимостей между названными параметрами.
На рис. 3 и 4 приведены графики зависимостей условной заболеваемости в Ханты-Мансийском автономном округе - Югре за 3 и 11 суток до момента обнаружения факта заболеваемости СОУГО-19. Как видно из этих рисунков, коэффициенты корреляции между заболеваемостью и относительной влажностью в разные моменты времени отличаются как по величине, так и по знаку. То есть в разные моменты времени относительная влажность по-разному влияет на уровень заболеваемости. Для того, чтобы получить целостную и понятную картину влияния относительной влажности на заболеваемость, проведена корреляция коэффициента корреляции со временем (приносим извинения за вынужденную тавтологию). На рис. 5-7 показано, как коэффициенты корреляции заболеваемости
О ы
S S
60 50 40 30 20 10 0 -10 -20 -30
Л*
40 50 60 70 80 _С_а_- Ш ........
90
100
• • И
Относительная влажность, %/ Relative humidity, %
Рис. 3. Зависимость условной заболеваемости от относительной влажности (за 3 суток) Fig. 3. The relationship between the relative humidity at a 3-day lag and conditional incidence in the Khanty-Mansi
Autonomous Okrug — Yugra. Примечание / Notes: Y = -0,4868X + 30,7; R1 = -0.352
60
50
40
30
5 и
S3 20
10
•= 0
-10
-20
-30
•• •
50
? * .
70
J
90
110
Относительная влажность, %/ Relative humidity, %
Рис. 4. Зависимость условной заболеваемости от относительной влажности (за 11 суток) Fig. 4. The relationship between the relative humidity at an 11-day lag and conditional incidence in the Khanty-Mansi Autonomous Okrug - Yugra. Примечание/ Notes: Y = 0,5668X - 37,095; R1 = 0.453
i
9 a
к «
ч z
ЦЕ
ft Ц
О С
a u ь s
t'y
S " а
0,4 0,3 0,2 0,1 0 0,1 0,2 0,3
10
»...
Номер суток/Day number
Рис. 5. Зависимость коэффициента корреляции R1 от времени в Волгоградской области Fig. 5. Time dependence of the correlation coefficient Ri in the Volgograd Region Примечание / Notes: y = 0,0052x3 - 0,094x2 + 0,4298x - 0,2526;
4 'Û
0,4 0,3 0,2 0,1
12
Ï - -0,1
tÈ
-0,2 -0,3 -0,4
10
15
R22
= 0,9806 Xi = 3,07, Х2 = 8,
Номер суток /Day number Рис. 6. Зависимость коэффициента корреляции R1 от времени в Краснодарском крае Fig. 6. Time dependence of the correlation coefficient Ri in the Krasnodar Region Примечание / Notes: y = 0,0022x3 - 0,0456x2 + 0,2132x + 0,0164; R22 = 0,9312 Xi = 2,98, X2 = 10,84
0
5
2
4
6
8
а
s
s -iJ
Я =
к ^
4 -5
1« § 8 f с я с g -с
5 (Я
Я £ |
и
S и
0,5 0,4 0,3 0,2 0,1 0 -0,1 -0,2 -0,3 -0,4
10
15
Номер суток / Day number
Рис. 7. Зависимость коэффициента корреляции R1 от времени в ХМАО — Югре Fig. 7. Time dependence of the correlation coefficient R1 in the Khanty-Mansi Autonomous Okrug — Yugra. Примечание / Notes', y = -0,002x3 + 0,0439x2 - 0,2249x - 0,0111;
R2:
= 0,6968 Х1 = 3,30, Х2 = 11,48
0,4
Й 0,3
= 0,2
и
Е 0,1
с
= с 0
"я
-0,1
tJ -0,2
-0,3
52
54
56
58
60
62
Средняя относительная влажность, % / Average relative humidity, %
Рис. 8. Зависимость коэффициента корреляции R1 от средней относительной влажности воздуха в Волгоградской области Fig. 8. The relationship between the average relative humidity and correlation coefficient R1 in the Volgograd Region Примечание / Notes: y = 0,010954x2 - 1,1796x + 31,606;
R32
0,6806 Хо1 = 50,1, Хо2 = 57,6
5
К
s eS s *f Э =
К a
n -a
1« S S
н s я с S v
Я (Я
я s я g
¡1
и
13 а
0,4 0,3 0,2 0,1 0 -0,1 -0,2 -0,3
52
54
56
58 60
62
64
Средняя относительная влажность, %/ Average relative humidity, %
Рис. 9. Зависимость коэффициента корреляции R1 от средней относительной влажности воздуха в Краснодарском крае Fig. 9. The relationship between the average relative humidity and correlation coefficient R1 in the Krasnodar Region Примечание / Notes, Y = -0,0018x3 + 0,3293x2 - 19,474x + 382,14;
S я
0,5 0,4 0,3 0,2 0,1 0 -0,1 -0,2 -0,3 -0,4
63
64
65
66
67
Средняя относительная влажность, % / Average relative humidity, %
Rs:
= 0,8035 Хо1 = 52,74, Хо2 = 58,69
Рис. 10. Зависимость коэффициента корреляции R1 от средней относительной влажности воздуха в ХМАО - Югре Fig. 10. The relationship between the average relative humidity and correlation coefficient R1 in the Khanty-Mansi Autonomous Okrug - Yugra Примечание/ Notes, y = -0,2209x3 + 42,666x2 - 2745,9x + 58893;
R32
= 0,7567 Х1 = 62,68, Х2 = 64,59
от относительной влажности (Я1) изменяются по времени.
Авторы данной работы склоняются к мысли, что дальний (второй) экстремум (Х2) равен периоду от момента инфицирования человека до момента обнаружения факта заболевания (в данном случае на рис. 5—7 этот период равен соответственно 8,98; 10,84 и 11,48 суток).
Наличие ближнего (первого) экстремума Х1 (3,07; 2,98 и 3,30 суток) может быть связано с проявлением симптомов заболевания у инфицированного человека.
Исходя из этих рассуждений, инкубационный период может быть рассчитан как разница между величинами дальнего и ближнего экстремумов.
Поскольку в интервале влажности между Хо! и Хо2 имеет место обратная пропорциональная зависимость между уровнем заболеваемости и относительной влажностью, этот интервал можно считать наиболее оптимальным, наиболее благоприятным для здоровья человека.
Впрочем, это только толкование авторов данной работы. Однако факты значимых и весьма значимых корреляционных связей между влажностью атмосферного воздуха и уровнем заболеваемости реально существуют, регистрируются практически во всех статистических совокупностях и находятся в достаточно
близких временных отрезках. И эти факты требуют серьезного изучения вирусологами и эпидемиологами, поскольку сама проблема чрезвычайно актуальна.
Проведем корреляционный анализ между всеми полученными параметрами (Х1, Х2, Х3, Хо1, Хо2) и среднегодовой относительной влажностью воздуха на соответствующих территориях (рис. 11—14).
Расчеты для Х2 и Х3 показали ничтожную корреляцию. Расчетная статистика Стьюдента для Х1 Тр! = 1,964, что позволяет прогнозировать величину ближнего экстремума с вероятностью 93 %. Расчетные статистики Стьюдента для Хо1 и Хо2 показали очень высокую корреляцию: ТрХо1 = 7,875, ТрХо2 = 4,648, что больше табличного значения Тт = 3,012 при уровне значимости 0,01 и количестве степеней свободы 13, поэтому прогнозы о начале и окончании зоны оптимальной относительной влажности воздуха можно делать с вероятностью, превышающей 99 %.
При исследовании закономерностей формирования уровня заболеваемости в некоторых совокупностях были обнаружены, совершенно неожиданно для авторов, распределения, имеющие три экстремума. Сначала они были сочтены случайными, но после многочисленных
Таблица 2. Результаты статистических исследований зависимости заболеваемости населения коронавирусом COVID-19
от относительной влажности воздуха Table 2. Results of analyzing the correlation between the relative humidity and COVID-19 incidence rates
in select regions of the Russian Federation
Субъект РФ / Russian Region Экстремумы, суток / Extrema, days Оптимальная зона ОВ, % / Optimal RH range, % Средняя ОВ, % / Average RH, %
Xi X2 X3 XO! Хо2 Период наблюдений / Observation period Среднегодовая/ Average annual
Волгоградская область / Volgograd Region 3,07 8,98 50,1 57,6 55,59 67
Вологодская область / Vologda Region 3,71 12,86 21,3 81
Краснодарский край / Krasnodar Krai 2,98 10,84 55,3 63,5 57,54 69
Москва / Moscow 2,71 9,29 55,15 61,09 59,95 73
Мурманская область / Murmansk Region 2,9 7,6 12,66 75,01 76,6 82
Нижегородская область / Nizhny Novgorod Region 1,5 6,19 61,74 66,59 64,24 76
Новгородская область / Novgorod Region 5,04 12,01 66,02 71,87 67,59 72
Приморский край / Primorsky Krai 4,31 8,97 68,01 67,7 73
Республика Коми / Komi Republic 3,87 10,13 75,5 73,76 83
Ростовская область / Rostov Region 0,56 9,16 50,2 59,8 54,86 65
Самарская область / Samara Region 2,52 8,16 50,7 54,2 54,88 69
Санкт-Петербург / St. Petersburg 4,09 8,63 12 57,9 60,42 61,36 72
Саратовская область / Saratov Region 1,38 9,17 58,11 54,48 67
Свердловская область / Sverdlovsk Region 1,91 7,67 53,2 55,8 55,86 67
Тюменская область / Tyumen Region 5,14 14,22 58,7 62,1 61,4 74
Хабаровский край / Khabarovsk Region 1,97 9,07 17,2 47,79 49,37 66
ХМАО - Югра / KMAO - Yugra 3,3 11,48 62,7 64,6 65,8 75
Челябинская область / Chelyabink Region 2,93 7,52 46,04 55,63 51,4 65
ЯНАО / YaNAO 6,96 77,6 78,84 81
Средние значения / Average values 2,994 9,42 15,79 58,60 61,60 61,73
• •
Abbreviations: RH, relative humidity; KMAO — Yugra, Khanty-Mansi Autonomous Okrug — Yugra; YaNAO, Yamalo-Nenets Autonomous Okrug.
15 14 13 12 11 10 9 8 7 6
0
..............
—
P
н
u 2 .
ri := £
¡2 = ее
•«■в-
65 70 75 80 85
Среднегодовая относительная влажность, % / Average annual relative humidity, %
Рис. 11. Зависимость величины первого экстремума заболеваемости от среднегодовой относительной влажности (Х1) Fig. 11. The relationship between the average annual relative humidity and the value of the first extremum of the incidence (Х1)
Примечание/ Notes: y = 0,0957x - 3,8988; R2 = 0,1943
65 70 75 80 85
Среднегодовая относительная влажность, % /
Average annual relative humidity, %
Рис. 12. Зависимость величины второго экстремума заболеваемости от среднегодовой относительной влажности (Х2) Fig. 12. The relationship between the average annual relative humidity and the value of the second extremum of the
incidence (Х2) Примечание / Notes: y = 0,0466x + 6,0378; R2 = 0,0178
80
75
X ¿ji 70
a
г ¡
9 •:
65 £ 60 "iE 55 ^ 50 45
80
65 70 75 80 85
Среднегодовая относительная влажность, % / Average annual relative humidity, %
Рис. 13. Зависимость величины начальной точки оптимального интервала от среднегодовой относительной влажности (Хо1) Fig. 13. The relationship between the average annual relative humidity and the value of the starting point of the optimal interval (Хо1)
Примечание / Notes: y = 1,501x - 48,943; R2 = 0,8267
; 70
S x
g. 60 1 55
50 45
65
70
75
80
85
Среднегодовая относительная влажность, % / Average annual relative humidity, %
Рис. 14. Зависимость величины конечной точки оптимального интервала от среднегодовой относительной влажности (Хо2) Fig. 14. The relationship between the average annual relative humidity and the value of the end point of the optimal interval (Хо2)
Примечание / Notes: y = 1,1721x - 21,617; R2 = 0,6243
75
65
GO
ЗНиСб Февраль №2 (ж)
повторений фактор случайности пришлось признать несостоятельным.
Приведем только два примера распределений такого рода (рис. 15, 16).
Третий (самый дальний) экстремум по заболеваемости в Хабаровском крае (и не только там) свидетельствует о том, что существует какая-то объективная связь между обнаружением факта заболевания коронави-русом и относительной влажностью воздуха за 17 суток до этого события (до обнаружения факта заболевания). Списать на случайность этот факт нельзя, поскольку корреляционная оценка достоверности этой связи чрезвычайно высока - R2 = 0,9213.
По-видимому, объяснение этого феномена необходимо искать в продолжительности жизни коронавируса COVID-19.
Зарубежные ученые Islam N, Bukhari Q и Jameel Y, представляющие весьма авторитетные в международном научно-образовательном пространстве Оксфордский университет (UK) и Массачусетский технологический институт (USA), оперируя данными из 206 стран, обнаружили связи между количеством случаев COVlD-19, температурой атмосферного воздуха и скоростью ветра, которые наблюдались за 14 суток до момента обнаружения факта заболеваемости [16].
Китайские исследователи Jiangtao Liu, Ji Zhou, Jinxi Yao из Университета Ланьчжоу установили, что абсолютная влажность атмосферного воздуха статистически значимо связана с числом случаев COVID-19 «с отставанием», как принято писать в зарубежной прессе, на 7 и 14 суток [18].
Tomás R и др. ученые, представляющие университеты Аргентины, Колумбии и Чили, опубликовали информацию о том, что в г. Буэнос-Айресе самая высокая температурная корреляция произошла за 13-15 суток до дня подтверждения новых случаев заболевания COVID-19 [26].
Во всяком случае, факт существования третьего экстремума функции зависимости количества заболеваний от относительной влажности воздуха можно считать установленным, но объяснить природу этого феномена
способны только профильные специалисты — вирусологи и эпидемиологи. ;—■
Заключение
Проведенные расчеты позволили выявить некоторые закономерности влияния относи- ^ тельной влажности атмосферного воздуха на ^^ здоровье человека и сделать следующие выводы:
— уравнения зависимости влияния относительной влажности на заболеваемость чаще всего имеют два экстремума, иногда 3;
— первый экстремум характеризует срок проявления заболеваемости и равен в среднем трем суткам;
— второй экстремум определяет начало инфицирования и равен в среднем 9,5 суткам;
— третий экстремум, по-видимому, связан с продолжительностью жизни коронавируса и его активизацией в определенных атмосферных условиях;
— инкубационный период СОУГО-19, рассчитанный как разница между вторым и первым экстремумами, равен в среднем 6,4 суток;
— сроки периода оптимальной относительной влажности, когда уровень заболеваемости связан с ней обратной пропорциональной зависимостью, очень хорошо коррелирует со среднегодовой относительной влажностью атмосферного воздуха на территории;
— начало периода оптимальной влажности может быть рассчитано с помощью уравнения У1 = 1,501Х — 48,943, где У1 — относительная влажность начала оптимального периода, %; Х — среднегодовая относительная влажность на территории, %;
— окончание периода оптимальной влажности может быть рассчитано с помощью уравнения У2 = 1,501Х — 48,943, где У2 — относительная влажность окончания оптимального периода, %; Х — среднегодовая относительная влажность на территории, %.
Полученные результаты подтверждают высокую степень влияния относительной влажности атмосферного воздуха на динамику развития СОУГО-19 и позволяют делать прогнозы относительно времени наступления периодов наиболее опасной эпидемиологической обстановки.
Информация о вкладе авторов: Кривошеев В.В. — разработка дизайна исследования, получение данных
o,5 o,4 o,3 o,2 o,i -o
-o,i -o,2 -o,3
/ *
\ /
3 5 ? 9 ii i3 i5 i? • ■ *
Номер суток / Day number
Рис. 15. Зависимость коэффициента корреляции R1 от времени в Хабаровском крае Fig. 15. Time dependence of the correlation coefficient R1
in the Khabarovsk Region Примечание / Notes: y = -0,0002x4 + 0,0063x3 - 0,0698x2 + 0,2069x + 0,0341; R22 = 0,9213; X1 = 1,97, Х2 = 9,07, Х3 = 17,2
0,5 0,4 À 0,3 0,2 . - 0,1 2 ¡ 0 üé 'S -0,1 t Ü -0,2 -0,3
á s-0,4
-0,5 -0,6
« .2
H
—I-1-1--1-1-1-"n-1-^
23456789 10 11
Номер суток/Day number
Рис. 16. Зависимость коэффициента корреляции R1 от времени в Мурманской области Fig. 16. Time dependence of the correlation coefficient R1
in the Murmansk Region Примечание / Notes: y = 0,0032x4 - 0,0849x3 + 0,7358x2 -2,325x + 1,869; R22 = 0,8626; X1 = 2,77, X2 = 7,76, X3 = 12,66
^ для анализа, написание текста рукописи, обзор
I__ публикаций по теме статьи; Столяров А.И. — анализ
^^ полученных данных, написание текста рукописи.
Финансирование: работа не имела спонсорской
поддержки.
Конфликт интересов: авторы заявляют об от-^^ сутствии конфликта интересов.
References
1. Akimkin VG, Kuzin SN, Semenenko TA, et al. Patterns of the SARS-CoV-2 epidemic spread in a megacity. Problems of Virology. 2020; 65(4):203-211. (In Russian). DOI: https://doi.org/10.36233/0507-4088-2020-65-4-203-211
2. Danilenko DM, Komissarov AB, Stukova MA, et al. To be or not to be: forecast of Covid-19 epidemic development in Russia. Journal Infectology. 2020; 12(3):6—11. (In Russian). DOI: https://doi.org/10.22625/2072-6732-2020-12-3-6-11
3. Lvov DK, Alkhovsky SV, Kolobukhina LV, et al. Etiology of epidemic outbreaks COVID-19 in Wuhan, Hubei province, Chinese People Republic associated with the
2019-nCoV (Nidovirales, Coronaviridae, Coronavirinae, Betacoronavirus, Subgenus Sarbecovirus): lessons of SARS-CoV outbreak. Problems of Virology. 2020; 65(1):6-15. (In Russian). DOI: https://doi.org/10.36233/0507-4088-
2020-65-1-6-15
4. Islam A, Hasanuzzaman Md, Azad Md, et al. Effect of meteorological factors on COVID-19 cases in Bangladesh. Environ Dev Sustain. 2020; 1-24. DOI: https://doi. org/10.1007/s10668-020-01016-1
5. Auler CA, Cässaro FAM, da Silva VO, et al. Evidence that high temperatures and intermediate relative humidity might favor the spread of COVID-19 in tropical climate: A case study for the most affected Brazilian cities. Sci Total Environ. 2020; 729:139090. DOI: https://doi. org/10.1016/j.scitotenv.2020.139090
6. Li AY, Hannah TC, Durbin JR, et al. Multivariate analysis of black race and environmental temperature on COVID-19 in the US. Am J Med Sci. 2020; 360(4):348-356. DOI: https://doi.org/10.1016/j.amjms.2020.06.015
7. Asyary A, Veruswati M. Sunlight exposure increased Covid-19 recovery rates: A study in the central pandemic area of Indonesia. Sci Total Environ. 2020; 729:139016. DOI: https://doi.org/10.1016/j.scitotenv.2020.139016
8. Smit AJ, Fitchett JM, Engelbrecht FA, et al. Winter is coming: A southern hemisphere perspective of the environmental drivers of SARS-CoV-2 and the potential seasonality of COVID-19. Int J Environ Res Public Health. 2020; 17(16):5634. DOI: https://doi.org/10.3390/ijerph17165634
9. Altamimi A, Ahmed AE. Climate factors and incidence of Middle East respiratory syndrome coronavirus. J Infect Public Health. 2020; 13(5):704-708. DOI: https://doi. org/10.1016/j.jiph.2019.11.011
10. Adhikari A, Yin J. Short-term effects of ambient ozone, PM2.5, 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
11. 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
12. Rosario DKA, Mutz YS, Bernardes PC, et al. Relationship between COVID-19 and weather: Case study in a tropical country. Int J Hyg Environ Health. 2020; 229:113587. DOI: https://doi.org/10.1016/j.ijheh.2020.113587
13. Rashed EA, Kodera S, Gomez-Tame J, et al. Influence of absolute humidity, temperature and population density on COVID-19 spread and decay durations: Multi-prefecture study in Japan. Int J Environ Res Public Health. 2020; 17(15):5354. DOI: https://doi. org/10.3390/ijerph17155354
14. Benedetti F, Pachetti M, Marini B, et al. Inverse correlation between average monthly high temperatures and COVID-19-related death rates in different geographical areas. J Transl Med. 2020; 18(1):251. DOI: https://doi. org/10.1186/s12967-020-02418-5
15. Passerini G, Mancinelli E, Morichetti M, et al. A preliminary investigation on the statistical correlations between SARS-CoV-2 spread and local meteorology. Int
Статья получена: 20.11.20
Принята в печать: 03.02.21
Опубликована: 26.02.21
J Environ Res Public Health. 2020; 17(11):4051. DOI: https://doi.org/10.3390/ijerph17114051
16. Islam N, Bukhari Q, Jameel Y, et al. COVID-19 and climatic factors: A global analysis. Environ Res. 2021; 193:110355. DOI: https://doi.org/10.1016Zj. envres.2020.110355
17. 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
18. Liu J, Zhou J, Yao J, et al. Impact of meteorological factors on the COVID-19 transmission: A multi-city study in China. Sci Total Environ. 2020; 726:138513. DOI: https://doi.org/10.1016/j.scitotenv.2020.138513
19. Tan J, Mu L, Huang J, et al. An initial investigation of the association between the SARS outbreak and weather: with the view of the environmental temperature and its variation. J Epidemiol Community Health. 2005; 59(3):186-192. DOI: https://doi.org/10.1136/ jech.2004.020180
20. Yuan J, Yun H, Lan W, et al. A climatologic investigation of the SARS-CoV outbreak in Beijing, China. Am J Infect Control. 2006; 34(4):234-236. DOI: https://doi. org/10.1016/j.ajic.2005.12.006
21. Lin J, Huang W, Wen M, et al. Containing the spread of coronavirus disease 2019 (COVID-19): Meteorological factors and control strategies. Sci Total Environ. 2020; 744:140935. DOI: https://doi.org/10.1016/j.scitotenv.2020.140935
22. Li K. The link between humidity and COVID-19 caused death. J Biosci Med. 2020; 8(6):50-55. DOI: https:// doi.org/10.4236/jbm.2020.86005
23. Goswami K, Bharali S, Hazarika J. Projections for COVID-19 pandemic in India and effect of temperature and humidity. Diabetes Metab Syndr. 2020; 14(5):801-805. DOI: https://doi.org/10.1016/j.dsx.2020.05.045
24. 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
25. Guasp M, Laredo C, Urra X. Higher solar irradiance is associated with a lower incidence of coronavirus disease 2019. Clin Infect Dis. 2020; 71(16):2269-2271. DOI: https://doi.org/10.1093/cid/ciaa575
26. Ward MP, Xiao S, Zhang Z. Humidity is a consistent climatic factor contributing to SARS-CoV-2 transmission. Transbound Emerg Dis. 2020; 67(6):3069-3074. DOI: https://doi.org/10.1111/tbed.13766
27. Ward MP, Xiao S, Zhang Z. The role of climate during the COVID-19 epidemic in New South Wales, Australia. Transbound Emerg Dis. 2020; 67(6):2313-2317. DOI: https://doi.org/10.1111/tbed.13631
28. Al-Rousan N, Al-Najjar H. The correlation between the spread of COVID-19 infections and weather variables in 30 Chinese provinces and the impact of Chinese government mitigation plans. Eur Rev Med Pharmacol Sci. 2020; 24(8):4565-4571. DOI: https://doi.org/10.26355/ eurrev_202004_21042
29. Jüni P, Rothenbühler M, Bobos P, et al. Impact of climate and public health interventions on the COVID-19 pandemic: a prospective cohort study. CMAJ. 2020; 192(21):E566-E573. DOI: https://doi.org/10.1503/ cmaj.200920
30. Bukhari Q, Massaro JM, D'Agostino Sr RB, et al. Effects of weather on coronavirus pandemic. Int J Environ Res Public Health. 2020; 17(15):5399. DOI: https://doi. org/10.3390/ijerph17155399
31. Sahoo PK, Mangla S, Pathak AK, et al. Pre-to-post lockdown impact on air quality and the role of environmental factors in spreading the COVID-19 cases - a study from a worst-hit state of India. Int JBiometeorol. 2020:1-18. DOI: https://doi.org/10.1007/s00484-020-02019-3
32. Sarkodie SA, Owusu PA. Impact of meteorological factors on COVID-19 pandemic: Evidence from top 20 countries with confirmed cases. Environ Res. 2020; 191:110101. DOI: https://doi.org/10.1016/j.envres.2020.110101
33. 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
öö ö
