气候变化因素对呼吸系统药物需求的影响：基于希腊数据的预测模型比较

　　本文深入探讨了气候变异性与呼吸系统处方药需求间的动态关联，基于希腊七年半的周度数据，创新性地结合频域格兰杰因果谱与多模型预测框架（包括Prophet、VARX、MBB-RF和LSTM），揭示了温度等环境因子对药物需求的预测价值。研究不仅证实了气候敏感性变量在提升预测精度中的关键作用（如MBB-RF在相对误差指标上表现最优，LSTM在非线性依赖捕捉中领先），还为医疗资源优化和药品供应链韧性提供了数据驱动的决策支持，对应对气候变迁下的公共卫生挑战具有重要实践意义。

　　

摘要

本研究通过整合气候学与药物流行病学数据，系统评估了环境因素对呼吸系统药物需求的预测能力。基于希腊390周的处方药销售记录及ERA5再分析气候数据，采用频域格兰杰因果检验识别出温度、比湿、风速和火灾天气指数（FWI）在低频至中频范围内对药物需求存在显著预测关系。变量筛选阶段通过移动区块自助法随机森林（MBB-RF）和稀疏VAR模型进一步确认温度与滞后药物需求为核心预测因子。

方法学框架

研究首先通过霍德里克-普雷斯科特（HP）滤波分解序列的周期成分，采用¹000次自助复现的格兰杰因果谱分析（控制邦费罗尼多重检验校正）验证气候变量的频率特异性影响。结果显示，温度在滞后1周和3周时对药物需求呈负向关联（VARX系数分别为-342.03和-3013.80，p<0.05），符合呼吸道感染在温暖季节减少的流行病学规律。预测模型构建中，所有模型均统一包含傅里叶季节项、Prophet拟合值及8月15日假期哑变量以确保可比性。

模型性能比较

在52周测试集上，LSTM在均方根误差（RMSE=30,886.91）和季节性平均绝对缩放误差（MASE=0.89）上表现最优，凸显其处理非线性时序的能力；MBB-RF则在平均绝对百分比误差（MAPE=10.59%）上领先，体现对相对误差的稳健控制；VARX虽预测精度稍逊（MAPE=10.81%），但通过脉冲响应函数（IRF）和预测误差方差分解（FEVD）提供了明确的因果解释——温度冲击可解释6%的药物需求方差。Prophet因未纳入气候变量，各项指标均滞后（MAPE=12.00%，R2=0.45），印证了环境协变量的必要性。

气候机制解读

温度对药物需求的抑制效应可能与以下机制相关：高温降低病毒传播效率、改善空气质量并减少人群室内聚集。值得注意的是，极端降雨与温度变异性（标准差）在格兰杰因果谱中仅显示微弱信号，表明突发性天气事件的影响可能被季节性趋势掩盖。通过条件格兰杰因果分析发现，比湿作为控制变量时会削弱多数气候信号的显著性，反映其与温度的高度共线性（r=0.94）。

实际应用价值

研究成果为医疗系统应对气候驱动型需求波动提供了量化工具。例如，VARX模型中8月15日假期哑变量系数为-36,094（p<0.05），精准捕捉了希腊夏季医疗活动减少的典型现象；LSTM的SHAP值分析进一步确认温度是最大贡献特征，支持将短期气候预报融入药品库存管理。研究建议未来采用日度数据以捕捉热浪等极端事件的急性影响，并扩展空间异质性分析。

结论

气候变异性与呼吸系统药物需求间存在可量化的预测关系，其中温度是最稳健的环境指示因子。多模型比较表明，机器学习方法（LSTM、MBB-RF）在预测精度上具优势，而计量经济学模型（VARX）更适合政策制定所需的因果阐释。该框架为构建气候韧性的医疗卫生体系提供了跨学科方法论支持。