张维宁 孙媛媛 申喜凤 李美婷 南嘉乐 高东平

中国医学科学院 北京协和医学院医学信息研究所，北京 100020

随着经济发展和城市化进程的加快，大气污染随着工业化发展而愈加严重，大气污染物已造成全球每年约9 百万人过早死亡[1]。在众多的大气污染物中，细颗粒物（particulate matter 2.5，PM2.5）是危害人体健康的主要污染物之一。《全球疾病负担报告》显示，接触室外PM2.5是世界第五大死亡风险因素，造成每年420 万人死亡，1.03 亿残疾[2]。由于PM2.5易于富集空气中的有毒有害物质，并随呼吸进入肺泡深部，影响多种呼吸系统疾病[3]，短期暴露于PM2.5对居民的呼吸系统是有害的[4]，可能导致呼吸系统门急诊量及疾病发病风险增加[5-6]。随着气候变暖及极端天气事件的频发，气象因素对居民健康的影响也愈受关注。WHO 预计，在2030—2050 年，气候变化将每年造成约25 万人额外死亡[7]。有研究显示，极端寒冷和高温都会增加人群的死亡风险[8]，且极端低温对人群呼吸系统疾病发病住院有显著影响[9]。为了综合考虑健康效应的影响因素，本研究从大气污染物和气象条件两个方面对居民呼吸系统疾病死亡情况进行研究。

本研究利用2014—2018 年我国某地区居民呼吸系统疾病死亡数据及同期当地大气污染物和气象数据，对居民呼吸系统疾病死亡数据的暴露效应指标进行时间序列分析，探讨该地区PM2.5浓度和气温对人群的健康状态影响，以及两者协同作用对居民呼吸系统疾病死亡情况的影响，为大气污染防治及呼吸系统疾病预防和干预提供科学参考。

1 资料与方法

1.1 数据来源

本研究使用由中国疾病预防控制中心、中国疾病预防控制中心环境与健康相关产品安全所开展的科技部科技基础调查专项“我国区域人群气象敏感性疾病科学调查”收集得到的“我国某地区2014—2018 年死因及环境监测数据”[10]，其内容如下：①该地区人群逐日死亡资料统计数据，包括依据死因诊断统计的呼吸系统疾病死亡数；②该地区大气污染情况统计资料，包括PM2.5日平均浓度；③该地区逐日气象资料，包括日平均气温（℃）、日最高气温（℃）、日最低气温（℃）、平均相对湿度（%）、平均气压（百帕）、平均风速（m/s）、降水量（0.1 mm）、日照时数（0.1 h），共8 项指标。时间跨度为2014 年1 月1 日至2018 年12 月31 日。

1.2 研究方法

首先对该地区2014—2018 年居民每日呼吸系统疾病死亡情况、大气污染水平和气象要素进行描述性分析，分析指标包括平均值（x）、最小值（Min）、最大值（Max）、中位数（P50）、第25 百分位数（P25）及第75 百分位数（P75）。大气污染物、气象要素及死亡之间的相关分析使用Spearman 相关性分析。

广义相加模型（generalized additive model，GAM）和分布滞后非线性模型（distributed lag non-linear model，DLNM）已被广泛应用到环境暴露的健康效应研究中[11]。GAM 模型能够处理因变量和众多解释变量间的复杂非线性关系，在调整混杂因素的前提下，估计大气污染物的危险度[12]；DLNM 模型通过建立引入自变量和滞后时间的交叉基，拟合暴露-滞后-反应的非线性关系[13-14]。

相对于该地区总人口而言，居民因呼吸系统疾病死亡属于小概率事件，分布近似服从泊松分布。采用基于泊松回归的广义相加模型，以呼吸系统疾病实际死亡人数作为响应变量，采用平滑样条函数拟合时间序列长期趋势和气象要素的影响，设置哑变量控制星期几效应和节假日效应[15]。其中，平滑函数自由度（df）选择基于赤池信息准则（AIC）并参考相关文献[16-18]，时间平滑函数的df 为8，各气象要素df 均为3。将PM2.5日均浓度作为线性变量引入模型，同呼吸系统疾病每日死亡人数建立广义相加模型[19]。将PM2.5当日（lag0）和1～6 d 浓度（lag1～lag6）引入模型，采用AIC准则对模型进行检验，选择最优模型。模型具体如下：

式中：Yt是指第t 日的该地区呼吸系统疾病实际死亡人数；E（Yt）指第t 日死亡人数的期望值；s 为非参数样条平滑函数；time 为日历时间；df 为自由度；Zt为第t 日的气象要素；β 为回归系数，即暴露-反应关系系数；PMt为第t 日的PM2.5污染物浓度；DOW 是指处理“星期几效应”的虚拟函数，用以排除每日死亡人数在一周中的自然波动；Holiday 是指控制假日的变量；α 为截距[20]。

本研究以PM2.5日均浓度每升高10 μg/m3时，死亡人数的相对危险度[RR，RR=exp（10×β）]、超额危险度[ER，ER=（RR-1）×100%]及其95%置信区间（95%CI）作为效应指标，定量评估污染物的健康效应，进行危险度评估。

为探索大气PM2.5与气温交互作用对呼吸系统疾病死亡的影响，建立非参数二元响应模型，构建双变量响应曲面。模型具体如下：

式中：s（tmean，PM2.5）为平均气温与污染物PM2.5对呼吸系统疾病的协同作用项，COVs 代表所有混杂因素。

1.3 统计学方法

使用SPSS 25.0 软件进行数据整理及描述性分析，使用R 4.1.1 统计分析方法软件中的“mgcv”和“dlnm”软件包建模分析GAM 和DLNM 模型。以P ＜0.05 为差异有统计学意义。

2 结果

2.1 该地区大气污染水平、气象要素与居民每日呼吸系统疾病死亡情况的描述性分析

该地区2014—2018 年居民呼吸系统疾病死亡共25 971 例，平均每天死亡人数为14.2 例，P25、P50、P75分别为10、13、17 例。日均气温为17.5℃，日平均气温变化范围为-4.5～32.9℃。PM2.5大气污染物的日均浓度为39.7 μg/m3，已超过国家GB0395-2012 环境空气质量标准中规定的二级空气质量标准（35 μg/m3）[21]，研究时段共1 826 d，PM2.5超标天数为892 d，达到49%。见表1。

表1 2014—2018 年某地区大气污染物、气象要素与居民呼吸系统疾病死亡人数的描述性分析

2.2 呼吸系统疾病每日死亡人数与大气污染物和气象要素的Spearman 相关性分析

除平均气压和日照时数外，PM2.5与各气象要素均呈负相关（r=-0.520～-0.087，P ＜0.01）；除平均气压和平均风速外，日平均气温与各气象要素均呈正相关（r=0.072～0.970，P ＜0.01 或P ＜0.05）。PM2.5与呼吸系统疾病死亡人数呈正相关（P ＜0.01）；日平均气温与呼吸系统疾病死亡人数呈负相关（P ＜0.01）。分析结果显示，PM2.5与气象要素之间存在较强关联。见表2。

表2 2014—2018 年呼吸系统疾病每日死亡人数与大气污染物、气象要素间的Spearman 相关性分析（r 值）

2.3 日平均气温对呼吸系统疾病每日死亡人数的影响

在各气象要素中，日平均气温对呼吸系统疾病死亡人数的影响最大，呈负相关（r=-0.485）。当气温由低到高变化时，死亡风险先逐渐减小，超过阈值（26℃）后再次增加。气温较适宜阶段（25～27℃）对呼吸系统疾病每日死亡影响较小，该阶段为相对健康的气温阈值范围。

不同水平的气温的滞后效应相差较大，21～27℃内的整体效应较弱，＜21℃和＞27℃的两个气温段对呼吸系统疾病死亡具有一定的滞后作用，且滞后性的变化趋势不同。最大危险度对应的滞后日主要表现在高温效应的当天（lag0），lag=0 时，高温的死亡风险较高（RR ＞1），表现为高温的即时效应，lag=1 时，高温效应与低温效应同时存在，且低温效应开始凸显，高温效应逐渐减弱，lag=4 时，高温效应消失。随着滞后时间的增加，低温效应逐渐减弱，约在lag=6 时完全消失。见图1。

图1 平均气温对每日呼吸系统疾病死亡人数的滞后效应及相对危险度

2.4 大气PM2.5 对居民每日因呼吸系统疾病死亡的影响

对不同滞后天数下PM2.5与居民因呼吸系统疾病死亡的超额危险度ER 进行分析：PM2.5在当日对呼吸系统疾病死亡的影响差异无统计学意义（P ＞0.05）。滞后2～3 d 时可造成呼吸系统疾病死亡增高，其中，滞后2 d 时效应最大，PM2.5每升高10 μg/m3，居民每日呼吸系统疾病死亡风险增加0.36%（95%CI：0，0.72%）。见表3。PM2.5对居民呼吸系统疾病死亡的影响存在滞后效应，随着滞后天数的增加，PM2.5对疾病的影响减弱。见图2。

图2 PM2.5 平均浓度每增加10 μg/m3 对居民呼吸系统疾病死亡的影响

表3 PM2.5 平均浓度每增加10 μg/m3 居民呼吸系统疾病死亡的超额危险度

2.5 PM2.5 与气温协同作用对居民呼吸系统疾病死亡影响

非参数二元响应模型显示，尽管低温和高温条件均会导致呼吸系统疾病死亡人数增加，但是在气温较低时，PM2.5造成死亡人数增加得更快。低温、高浓度PM2.5条件下，估计呼吸系统疾病死亡人数最大，提示低温可能会增强PM2.5的危害效应，即低温和高浓度PM2.5对居民呼吸系统疾病死亡风险可能存在协同增强效应。见图3。

图3 日平均气温与PM2.5 交互作用对呼吸系统疾病每日死亡人数影响的双变量响应曲面

3 讨论

本研究对我国某地区PM2.5及气温与人群因呼吸系统疾病死亡的关联进行研究，发现气温、PM2.5及其协同作用对呼吸系统疾病人群存在一定的健康效应。本研究数据显示，气温较适宜阶段为25～27℃，气温对呼吸系统疾病表现为高温即时效应和低温滞后效应，最大滞后时间为6 d。

PM2.5浓度每升高10 μg/m3，呼吸系统疾病死亡风险增加0.36%，与王子豪等[22]、曾婕等[23]、冯建纯等[24]关于重庆、成都、石家庄的研究结果总体一致：PM2.5浓度每升高10 μg/m3，呼吸系统疾病死亡风险分别增加0.98%、0.31%和0.63%。效应值大小的差异一方面与不同城市的污染水平有关，地区之间的地理位置、地形等差异以及风向等气象要素会影响污染水平；地区间经济产业结构及工业发展情况等的不同会导致PM2.5的化学组成比例及所包含的污染成分产生差异。另一方面，人口构成、经济收入情况及医疗救治水平也会对此产生一定的影响。

大气污染物对人群的健康影响往往发生在特定气象条件下。本研究发现PM2.5对居民呼吸系统疾病死亡的效应在较低温度时更强，即低温、高浓度PM2.5条件会导致呼吸系统疾病每日死亡人数显著增加。这与洪也等[25]对沈阳市的研究结果较一致，该研究发现低温和高污染物浓度对呼吸系统疾病门诊人数的影响有交互作用。杨敏娟等[15]对上海市的研究提示呼吸系统疾病死亡对PM2.5在较低温度时更敏感。也有研究显示，成都市PM2.5对呼吸系统疾病死亡影响的健康风险在冬季最高[26]。这种现象可能与气温较低时，寒冷空气容易对呼吸系统造成刺激，防御能力下降，进而诱发呼吸系统疾病有关；且PM2.5受逆温现象等气象因素及采暖期污染物排放浓度高、强度大等人为因素影响，浓度高、扩散速度慢，一定程度上加剧呼吸系统疾病的发病死亡。

本研究尚存在一定的局限性：一方面，GAM 模型建模过程中，考虑的影响因素较为有限，未收集到生活习惯、文化程度等与呼吸系统疾病发病死亡情况相关的数据资料；另一方面，各种污染物及气象因素之间关系复杂，很难完全控制其他污染物及气象因素造成的混杂效应，在后续研究中有待完善。

高浓度PM2.5及低温效应会增加居民因呼吸系统疾病死亡的风险，建议政府和民众多多关注大气污染物对居民呼吸系统健康状况的影响，尤其是在低温季节。