人群的自然和社會屬性分類下PM2.5對心血管疾病的影響

龔天宜,孫兆彬,張小玲,王式功

?

人群的自然和社會屬性分類下PM2.5對心血管疾病的影響

龔天宜1,2,孫兆彬2*,張小玲1,3**,王式功1,3

(1.成都信息工程大學大氣科學學院,高原大氣與環境四川省重點實驗室,四川 成都 610225；2.中國氣象局北京城市氣象研究所,北京 100089；3.上海市氣象與健康重點實驗室,上海 200030)

為了研究人群在自然屬性和社會屬性分類下的效應修飾作用,利用2005~2011年北京市大氣PM2.5日均濃度、氣象要素及循環系統疾病每日死亡人數數據,根據不同年齡、性別及學歷將人群分組,采用時間序列的半參數廣義相加模型(GAM),定量評價大氣PM2.5對居民循環系統疾病死亡人數的影響.單污染物模型和多污染物模型結果表明,PM2.5為影響循環系統疾病每日死亡人數的主要大氣污染物.北京市空氣中PM2.5的濃度每增加10μg/m3,循環系統疾病總死亡人數增加0.50% (95%CI: 0.36, 0.63).不同人群的易感程度不同,各人群死亡人數的增加范圍為0.23~0.71%,女性、60~74歲人群、文盲人群的健康風險相對較高.在文盲人群中,老年(60+)女性占比為66.2%,為了分離社會屬性人群分類中可能存在的自然屬性因素干擾,本文去除其中老年、女性這兩個混雜因素的影響,文盲人群健康風險仍然大于較高學歷的人群.年齡和性別因素疊加在學歷因素上,可能加大低學歷人群的健康風險,對于這部分疊加了自然因素和社會因素雙重敏感性的人群應給與重點關注.

不同人群；細顆粒物；心血管疾病；時間序列；效應修飾作用

近年來,北京的重度霧霾天氣受到國際社會的高度關注,我國也積極出臺強有力的治理措施,使得北京的PM2.5年均濃度從2013年的90μg/m3降至2017年的58μg/m3[1],但北京地區重污染頻發這一現狀仍未得到徹底解決[2].據學者估算,我國2010年大氣環境中的PM2.5污染使得125萬人過早死亡,比2000年高出了42%[3].現有的流行病學和毒理學研究顯示,在大氣污染物中,顆粒物污染的人群不良健康效應最為顯著,且顆粒物粒徑越小效應越強,會對人體心肺系統等造成誘發疾病、加重病情等眾多不利影響[4-5].從20世紀90年代以來,國際上開始了對于顆粒物污染的人體健康急性和慢性影響的流行病學評估.應用時間序列和隊列研究等方法,近年來我國研究人員對PM2.5污染的呼吸系統毒性、心血管系統毒性等方面的健康效應研究也有較為豐碩的成果[6-9].的易感人群是當今學界關注的熱點.Bell等[10]通過對1995~2012年間發表的108篇相關文獻進行meta分析,歸納出了國際上大致認可的顆粒物短期暴露與人群死亡或住院風險之間的關聯及相關修飾效應結論.結果顯示,有確鑿證據證明年齡具有顯著效應修飾作用,而性別的效應修飾作用證據不夠顯著,至于證明教育程度低、收入或就業狀況較差人群具有較高風險這一論斷的可信證據則更加缺乏.換而言之,從人的社會屬性角度(學歷、收入或就業狀況)出發的研究,其結論的不確定性較大.由于缺少相關醫療數據,目前國內對于大氣顆粒物健康效應的流行病學研究多集中于全人群范圍[11-14].在我國南方地區,如Lin等[15]在珠江三角洲地區、復旦大學公共衛生學院的研究團隊在廣州[16]和上海[17]有過幾個討論不同分類人群易感程度的研究,但是中國南、北方城市的污染水平、排放源清單、顆粒物成分、人群結構都有所不同,關于北京市易感人群的研究仍有待開展.

基于此,本研究采用時間序列的半參數廣義相加模型(GAM),探討北京市大氣PM2.5濃度對不同年齡、性別及學歷人群的心血管疾病死亡人數的影響.并從學歷(社會屬性)因素中剝離年齡、性別(自然屬性)因素的干擾,從而研究不同人群自然屬性和社會屬性之間的交互影響.研究結果將為保護易感人群提供依據, 也為城市大氣污染物健康效應評價奠定基礎,同時為北京地區大氣污染防治措施和政策的制定提供直接的科學依據.

1 材料與方法

1.1 材料

本研究時段為2005年1月1日~2011年12月31日.每日大氣污染物濃度均值數據包括PM2.5和氣態污染物SO2、NO2,來源于寶聯大氣成分觀測站,該站為城區站,附近無工業污染源,以居民和辦公區為主,為北京市氣象局所建設運行的準業務研究觀測站,有專職人員負責日常儀器維護和數據質量控制,對北京市具有較好的區域代表性[18-19].PM2.5數據采自美國Rupprecht&Patashnick公司生產的TEOM1400a系列環境顆粒物監測儀,儀器原理是錐形元件振蕩微量天平方法,可以連續測量大氣中顆粒物的質量濃度.原始數據的采樣及數據分析周期為5min,7a間PM2.5日均值缺失率為2%,未對缺測值進行處理.SO2數據采自EC9841型氮氧化物分析儀,采用化學發光法進行測量.NO2數據采自EC9850型二氧化硫分析儀,應用紫外熒光原理進行測量.

本研究的氣象資料(包括氣溫、氣壓、風速、相對濕度和降雨量數據的日均值)來源于北京觀象臺(39°48￠N,116°28￠E),位于北京市東南五環.該站點為北京范圍內的中國地面國際交換站,為國家基本氣象站,所有獲取的數據均經過國家氣象信息中心嚴格的質量控制和檢查.

本研究中所用到的疾病數據來自于中國疾病預防疾病控制中心(CDC)全國疾病監測系統死因監測數據集,覆蓋了北京市2005年1月1日~2011年12月31日之間所有死亡人口.根據第十版國際疾病分類編碼(ICD-10)對死因進行分類,心血管疾病資料共229223例.根據死者家庭住址地區編碼,剔除非北京市居住的人群資料,以確保研究對象均來自當地的常居人口,再根據年齡(45~59、60~75、>75)、性別(男性、女性)及學歷(文盲、小學、中學及以上)對全人群進行分組.由于2005年北京市居民死亡人口的受教育程度記錄不全,本研究使用的學歷分類數據的時間跨度為2006~2011年,其他組別的日死亡人數數據的時間跨度均為2005~2011年.

1.2 方法

本研究采用SPSS19.0統計軟件進行統計描述和分析,采用R3.4.3軟件中的“mgcv”軟件包對數據進行建模和定量分析.相對于總人口而言,北京每天的循環系統疾病死亡人口屬于小概率事件,其實際分布更近似Poisson分布.因此本研究將回歸模型(Possion)引入半參數廣義相加模型(GAM)[20]中,利用該模型來研究大氣污染物的短期波動對循環系統疾病死亡率變化的急性影響.

首先,利用非參數平滑樣條函數排除“星期幾效應”、長期趨勢等混雜因素的影響,根據AIC值最小原則,確定非參數平滑樣條函數的自由度取值.氣象因素也是需要排除的混雜因素之一,本研究分別引入氣溫、氣壓、相對濕度、風速到模型中,若某氣象因子的引入沒有使模型的AIC值降低,則棄用該氣象因子,反之則保留.再將PM2.5日均濃度作為線性變量引入模型中,同心血管疾病每日死亡人數建立泊松廣義相加模型.在建立模型的過程中,考慮到大氣細顆粒物對心血管疾病每日死亡人數的滯后效應,對各污染物當日(lag0)及1~6d前濃度(lag1、lag2、……、lag6)分別建立GAM模型,同樣采用AIC準則對模型進行檢驗,確定最佳滯后天數,選擇最優模型進行暴露-反應關系分析.具體模型如下:

log[(Y)]=+DOW+′X+(time,df)+s(Z,df) (1)

式中:Y為第日的心血管疾病死亡人數;(Y)為第日的心血管疾病死亡人數的期望值;為截距;DOW代表處理“星期幾效應”的虛擬函數;為暴露-反應關系系數;X為第日的PM2.5濃度;為非參數樣條平滑函數;time為日歷時間;df為自由度;Z為第日的某種氣象要素.

在確定最優模型后,將PM2.5、SO2、NO2這3種污染物引入模型,目的是在檢驗單污染物模型敏感性的同時,分析多種污染物協同作用下大氣污染物對居民健康造成的影響如何變化,由此確定研究期間影響心血管疾病每日死亡人數的主要危險因子.根據GAM模型估算出暴露-反應關系系數,計算當PM2.5變化單位濃度時,每日死亡人數的相對危險度(RR).本研究中, RR部分的單位濃度變化為污染物濃度的四分位間距(IQR). RR =EXP(IQR).在此基礎上計算出RR的95%置信區間(95%CI)為:EXP[(±1.96SE)′IQR].污染物濃度每增加10mg/m3,心血管疾病日死亡人數變化的百分比為:

10/IQR′(RR-1)′100% (2)

按照上述原則和步驟,分別對不同年齡、性別、學歷的各層次人群逐個建立模型,估算PM2.5對不同人群健康的影響.

為了探討性別及年齡對污染物造成的健康風險的效應修飾作用,檢驗性別、年齡、學歷的不同分層間是否存在顯著性差別,采用下述公式計算兩層間差別的95%CI[21].如果置信區間不包括0,說明兩層間污染物效應的差別具有統計學意義.

2 結果與分析

2.1 描述性分析

大氣污染物、氣象因素以及心血管疾病每日死亡人數的頻數分布見表1.研究期間北京PM2.5、SO2和NO2的日均濃度分別為75.9,42.3和49.1μg/m3, PM2.5和NO2的濃度都超過了國家二級標準[22].平均溫度為13.4℃,相對濕度為51.6%,平均風速為2.3m/s,平均氣壓為1012.5hPa,符合北京市暖溫帶半濕潤半干旱季風氣候的特征.

表1 北京市2005~2011年北京市心血管疾病每日死亡人數、空氣污染物及氣象因素描述性分析 Table 1 Descriptive statistics of daily environmental variables and cardiovascular mortality in Beijing, China, 2005~2011

對心血管疾病原始資料進行統計分析得知(表格未在文中展示),男性占比為54.7%,高于女性.從年齡來看,居民中45歲及以上者,即中年及老年死者占絕大多數,占比為97.2%.考慮到低年齡段死者對于研究細顆粒物的健康影響與學歷的關系的干擾,及其對于學歷背后可能折射的社會經濟學現象的干擾,因此,在本文的年齡、學歷兩個群組中,僅使用45歲及以上死者的統計數據.參照文獻[23],本研究對北京市45歲及以上人群按照45~59歲(中年)、60~74歲(老年前期)、75歲及以上(老年)3個年齡段人群進行分組研究.其中,45~59歲死亡者相對較少,數量和構成比分別為25479例、11.1%,60~74歲、75歲及以上死亡者構成比分別為29.5%、56.6%.其次,對2006~2011年45歲及以上死亡者按學歷分成文盲、小學、中學及以上組,3組人數的數量級相當,構成比分別為39.1%、33.0%、27.9%.

2.2 單污染物模型擬合分析

2.2.1 PM2.5與心血管疾病死亡人數的暴露反應關系 圖1表示PM2.5濃度每升高一個IQR單位(64μg/m3),心血管疾病的相對危險度(RR)及其在lag0~6的變化趨勢,lag0~2的所有數據點都具有統計學意義.從當天到滯后6d,大部分數據組的相對危險度數值變化趨勢有較好的一致性,都是先增加并在lag1處達到最大值再逐漸減小.全人群的RR最大值則出現在lag1(圖1(a)),為1.032(95%置信區間(CI):1.023,1.041),這也意味著,北京地區大氣中PM2.5的濃度每增加10μg/m3,心血管疾病總死亡人數增加0.50% (95%CI: 0.36, 0.63).值得一提的是,男性組的所有數據都通過了顯著性檢驗,而此組的RR值在lag5~6時顯示出輕微上升趨勢.在所有人群分組中,最大的95%置信區間范圍出現在中年組(45~59歲)(圖1(b)).

圖1 北京市不同人群PM2.5的相對危險度與滯后時間關系的單污染物模型分析結果 Fig.1 Estimated percentage increase in cardiovascular mortality (95% CI) and lag days structure for an IQR increase in PM2.5 using the single-pollutant models

2.2.2 人群的自然屬性分組研究結果 本文從人群先天具有的自然屬性的角度出發,探討對于不同年齡、性別的人群而言,大氣中PM2.5濃度與循環系統疾病死亡人數之間的聯系.雖然組間的修飾效應差異并未通過顯著性檢驗,但是從結果來看,各組在數值上的區別較為明顯(表2).

關于性別的修飾作用,本研究發現心血管疾病的女性人群健康風險均高于男性.北京大氣PM2.5濃度每升高10μg/m3,男性和女性的心血管疾病死亡人數升高的百分比分別為0.55%(95%CI:0.47,0.64)和0.49%(95%CI:0.37,0.64).關于年齡的修飾作用,研究結果顯示,因PM2.5濃度升高而導致的心血管疾病超額死亡率(Excess Risk, ER)在兩個老年人組(60~74, 75+)間的差別不大.大氣PM2.5濃度每升高10μg/m3, 60~74歲和75歲以上人群的超額死亡率分別為0.63% (95%CI:0.48,0.78)和0.62%(95%CI:0.51, 0.73).與年長者相比,中年人(45~59歲)的超額死亡率為0.23%(95%CI:-0.01,0.47).

2.2.3 人群的社會屬性分組研究結果 本文從人群后天獲得的社會屬性的角度出發,探討對于不同學歷人群,大氣PM2.5濃度變化所引起的心血管疾病健康風險,試圖從學歷(社會屬性)因素中剝離出其中摻雜的年齡、性別(自然屬性)因素的干擾,從而研究不同人群自然屬性和社會屬性之間的交互影響.

首先,本文直接按照文盲、小學和中學及以上3個受教育程度級別對人群分組.結果顯示,低學歷人群的健康風險明顯大于較高學歷人群(表2).PM2.5濃度每升高10μg/m3,文盲、小學和中學及以上人群的循環系統疾病的超額死亡率分別為0.71%(95%CI: 0.54,0.88)、0.63%(95%CI:0.46,0.81)和0.47%(95%CI: 0.26,0.60).

表2 PM2.5濃度每升高10μg/m3引起北京市居民心血管疾病每日死亡人數增加的百分比及95%CI Table 2 Estimated percentage increase in cardiovascular mortality (95% CI) for a 10μg/m3increase in PM2.5 in different subgroups

注:***表示<0.001.

然而,通過檢視原始數據發現,不同年齡段、不同性別的學歷人群結構的差異較為明顯. 如表3所示,在75~89歲這一年齡段(顯然全部都是1949年前出生),文盲、小學、中學及以上這3種學歷級別的人群比例近似于5:3:2,其中,文盲的男女比例近似于3:7,中學及以上的男女比例近似于7:3. 其他年齡段的各個學歷級別人群比例及其對應的男女比例差異也較大. 對于學歷研究部分的原始數據中存在的明顯年齡、性別差異,容易產生以下疑問:前文得出的隨教育程度的升高健康風險明顯降低這一結論是否會摻雜年齡、性別的影響.

表3 不同年齡段、不同性別的學歷人群結構 Table 3 Inhabitant structure of education attainment level in different age or sex groups

為了解決這一質疑,本文選取北京市2006~2011年循環系統疾病死者中的45~89歲人群(占循環系統疾病全人群的91.1%),進一步設計了2組實驗開展更細致的分組研究.第一組實驗,為了控制年齡這個可能的混雜因素,將45~89歲人群以15歲(研究時段長度的兩倍)為跨度分為3大組,分別代表中年(多為1949年后出生)、老年前期、老年(均為1949年前出生)人群,在每個大組內按學歷分為文盲、小學、中學及以上3個小組,第一組實驗共計9個小組.第二組實驗,為了控制性別這個可能的混雜因素,將45~89歲人群按上述學歷分層劃分為3大組,在每個大組內分成男、女2個小組,第二組實驗共計6個小組.

PM2.5濃度每增加10μg/m3,各小組的死亡人數增加百分比如圖2所示,其中,除了45~59歲的文盲小組(該組樣本數量最少,為1569例,其余組別的樣本數量均超過4300例),其他15個小組的結果均通過了顯著性檢驗(<0.001).第一組(圖2(a)),45~59歲年齡段中文盲、小學和中學及以上人群的超額死亡率分別為0.43%(95%CI:-0.56,1.49)、0.63%(95%CI: 0.04,1.23)和0.48%(95%CI:0.13,0.84),60~74歲年齡段的分別為0.84%(95%CI:0.48,1.21)、0.65% (95%CI:0.34,0.96)和0.55%(95%CI:0.25,0.84),75~89歲年齡段的分別為0.74%(95%CI:0.53,0.94)、0.59% (95%CI:0.34,0.85)和0.34%(95%CI:0.07,0.61).結果顯示,在同一個年齡段內,健康風險均隨受教育程度的升高而降低,60~74歲年齡段的文盲、小學、中學及以上3組別的超額死亡率均大于前文中的粗略分組結果(0.71%、0.63%、0.47%).第二組(圖2(b)),男性中文盲、小學和中學及以上人群的超額死亡率分別為0.62%(95%CI:0.40,0.84)、0.49%(95%CI:0.23, 0.75)和0.29%(95%CI:-0.02,0.61),女性的分別為0.68%(95%CI:0.41,0.95)、0.51%(95%CI:0.29,0.72)和0.37%(95%CI:0.18,0.56).結果顯示,在同一種性別分組中,健康風險均隨受教育程度的升高而降低.

2.3 多污染物模型擬合分析

為了檢驗模型的穩健性、考察PM2.5是否為影響心血管疾病每日死亡人數的主要大氣污染物,研究中引入了氣態污染物SO2、NO2,多污染模型各污染物的相對危險度見表4. PM2.5在 lag1有最大的滯后效應,SO2和NO2的最大滯后效應在lag0,所有數值均通過了顯著性檢驗.對總人數來說,在單污染物模型中,PM2.5、SO2、NO2對應的RR值分別為1.032、1.021、1.017,PM2.5的最高,SO2高于NO2.在多污染物模型中,PM2.5、SO2、NO2對應的RR值分別為1.030、1.019、1.014,PM2.5的最高,其次是SO2,NO2最低.結果表明,當我們將PM2.5、SO2、NO2三種污染物一同引入模型中時,PM2.5的RR值較單污染模型有所降低但仍是最高的,它的相對危險度被SO2和NO2所共同分擔,并且SO2分擔較多.

表4 大氣污染影響心血管疾病日死亡總人數的相對危險度及95%CI(多污染物模型) Table 4 Estimated percentage increase in cardiovascular mortality (95% CI) for an IQR increase in PM2.5using the multi-pollutant models

注:***表示<0.001,**表示<0.01.

3 討論

為了探討細顆粒物污染環境下是否存在心血管疾病死亡的易感人群,本研究從人先天具有的自然屬性和后天獲得的社會屬性兩個角度出發,對北京地區的不同年齡、性別及學歷的人群進行了分層分析.結果表明,北京地區空氣中的PM2.5的濃度每增加10μg/m3,心血管疾病總死亡人數增加0.50%,最佳滯后天數在lag1.綜合PM2.5、SO2、NO2的多污染物模型結果來看,本文中的數學模型穩健性較高,PM2.5表現為影響心血管疾病每日死亡人數的主要污染物.不同人群的易感程度也有所不同,女性、60~74歲、文盲人群分別為3種分類下的易感人群,疊加了這3種特征的人群占總樣本數量的4.4%.本研究發現,在去除了女性、老年這兩個混雜因素影響后,文盲人群健康風險仍然高于較高學歷人群,年齡和性別因素疊加在學歷因素上,可能加大低學歷人群的健康風險.

3.1 PM2.5與心血管疾病死亡人數的暴露反應關系

從全人群的角度而言,本研究與國內外使用同類方法得到的結果具有較好的一致性. Chen等人[24]在北京研究發現,當PM2.5每上升10μg/m3時,人群心血管系統疾病死亡人數百分比增加0.58%(95%CI: 0.35,0.81),本研究結果(0.50%(95%CI:0.36,0.63))與其高度一致.Kan等[25]在上海的研究發現,PM2.5每上升10μg/m3,心血管疾病死亡人數增加0.41%(95% CI:0.01%,0.82%). Franklin等[26]和Pelucchi等[27]對美國27個都市區、歐洲(meta分析)的研究分別發現,當PM2.5濃度每升高10μg/m3,心血管系統疾病每日死亡率分別上升0.94%(95%CI:-0.14%,2.02%)、1.11%(95%CI:1.06%,1.16%). Atkinson等[28]對2011年之前發表的110篇相關文獻進行meta分析,發現PM2.5濃度每升高10μg/m3,世界范圍內的人群非意外總死亡和心血管疾病死亡率分別增加1.04% (95%CI:0.52%,1.56%)和0.84%(95%CI:0.41%, 1.28%),并且觀察到了顯著的地區性差異.同國外研究結果相比,我國PM2.5污染水平較高但相對危險度普遍較低,國外PM2.5污染水平較低但相對危險度高[29-30].對于這種現象,有學者通過對北京地區人群健康的研究,發現大氣顆粒物的健康效應風險存在關鍵污染濃度段,即人群對PM2.5在20~60μg/m3濃度范圍內的濃度變化最敏感[31].

本研究中,細顆粒物對于循環系統疾病人群存在顯著的健康效應,前人進行了很多人體生物學機制方面的探索[5,32-33].細顆粒物的粒徑微小,可被吸入呼吸道的深處,進入細支氣管和肺泡,并通過氣血屏障進入體循環.在細胞中,細顆粒物可直接作為脂質和蛋白質的促氧化劑或作為自由基發生劑,促進氧化應激并誘導炎癥反應.

3.2 人群的自然屬性和社會屬性分組研究

本研究探討了人群的自然屬性(性別、年齡)和社會屬性(學歷)對于PM2.5健康效應的修飾效應及相對易感人群.本文發現PM2.5對女性人群心血管疾病的健康影響大于男性,該結論與此前大部分關于成年人空氣污染健康影響的性別修飾效應的研究結論較為一致.這種現象可能是由于兩性的生理學和暴露模式的差異造成的,皮膚吸收、肺功能和吸入氣體體積等生理特征及指標因性別而異,男性和女性在職業、活動模式、吸煙狀況和社會經濟地位方面也存在一定差異[34].研究發現,固體燃料、廚房油煙、家庭涂裝等造成的室內污染對于女性的呼吸系統疾病發病率和死亡率有顯著影響[35-36].然而,正如最近的一篇綜述所言,不同國家、不同社會之間的性別差異體現方式有所不同,性別對空氣污染存在效應修飾作用的原因也尚無定論[37],對此有待進行更深入的研究.

與其他研究類似,本研究發現PM2.5對老年人(>60)心血管疾病的健康影響大于年輕一些的人群[38-40].這可能與老年人在冠心病、高血壓及其他心血管疾病上的較高發病率,以及人到老年心血管的功能退化有關[41].結果顯示,健康風險在兩個老年人組(60~74,75+)之間的差異不大,這與某些研究得出的更老的老年人的健康風險更高的結論不同[42],可能是因為研究地區及人群結構的差異.此外,由于中年組的樣本數量較少,所以該組的95%置信區間范圍較大.關于這些不確定性,接下來仍需進一步探索以找尋各年齡組之間更明顯的差異及其可能的原因.

本研究發現,當PM2.5濃度升高時,較低學歷人群所面臨的心血管疾病的健康風險明顯大于學歷較高人群,從文盲、小學到中學及以上人群,隨著教育程度的升高健康風險逐級降低.學界普遍認為,在流行病學研究中,受教育程度可以作為居民社會經濟地位(SES)的替代指標[43].對此國際上已經做了一些研究,比如探討在各個SES級別的群體中是否存在顆粒物污染的易感人群,但是研究結果不盡相同[44-45].曾有學者對中國南部的長江三角洲、珠江三角洲地區的一些城市進行了相關探索[15-17,25,38,40,46],對人群分兩種受教育程度進行研究,發現較低學歷人士的健康風險更高,但關于北京地區的更細致學歷分類的研究還較為缺乏.本研究中學歷較低人群對于空氣污染健康風險的易感性,原因可能是低社會經濟地位人群缺乏自身防護意識或可取的有效保護手段,他們的營養狀況和衛生保健條件也較差[46].

本研究發現,對于2006~2011年間北京的死亡人口,在心血管分類下的文盲人群中(共計70734例)老年(>60)女性占66.2%.這種現象在全國普遍存在, 2010年中國人口普查資料[47]顯示,關于文盲人口占15歲及以上人口比重,全國范圍內的平均水平為4.88%,其中的男女比例近似于3:7;北京市則為1.89%,其中的男女比例近似于2:8.由于近百年尤其是中華人民共和國成立后(1949~)中國的快速發展,本研究中不同年齡段、不同性別的學歷人群結構的變化較為明顯,基于該現象,本文開始研究不同人群自然屬性和社會屬性之間交互影響.不同于先天自然屬性因素人群分類所固有的相對獨立的特性,后天社會屬性因素人群分類中還可能摻雜自然因素(性別、年齡)影響,這也是從人的社會屬性角度(學歷、收入或就業狀況)出發的前人研究難以獲得效應修飾作用的顯著證據的可能原因.因此,本文進一步設計了兩組實驗開展更細致的分組研究,希望通過組內對照的方式排除年齡、性別的干擾,從而得到學歷對顆粒物健康效應可能造成的更為真實的影響.結果顯示,在同一個年齡段內或同一種性別分組中,健康風險均隨受教育程度的升高而降低,尤其是60~74歲年齡段的文盲、小學、中學及以上3個學歷組別的超額死亡率均大于前文中的粗略分組結果.這表明,在剝離了年齡、性別這兩個混雜因素的干擾之后,學歷因素仍然表現為一個獨立的因素,這就在一定程度上證明了它對于PM2.5的急性健康效應具有效應修飾作用,并且當年齡和性別因素疊加在學歷因素上,可能加大低學歷人群的健康風險.換而言之,當先天具有的自然型因素疊加在后天獲得的社會型因素上時,可能加大受教育程度等社會型因素本身的效應修飾作用,這部分對應的疊加人群應得到重點關注.

3.3 局限性說明

本文也存在一定的局限性.首先,本研究估計總人口的暴露是用一個監測站點監測結果的均值代替.考慮到污染物濃度在城市各區域的非均勻分布,這可能會增加模擬結果的不確定性.其次,本文發現各組別的樣本數量對于GAM模型的模擬結果存在一些影響,極個別組別的樣本數量較少,其模擬結果的置信區間較大甚至未通過顯著性檢驗,雖然本文通過調整分組設計縮小了一些組別間的樣本數量差距,這還是可能對結果造成一定偏倚.第三,和發達國家相比,由于我國醫療數據的獲取難度較大,本研究只是在一個城市,樣本量和樣本資料的多因素維度都受到影響,也無法排除個體的混雜因素如吸煙、飲酒、體重等對于空氣污染健康效應估計結果的干擾.以上問題都給本研究的模擬結果增加了一些不確定性.

4 結論

4.1 PM2.5濃度升高對人體的心血管存在顯著健康影響并具有滯后效應.北京地區大氣中的PM2.5濃度每增加10μg/m3,心血管疾病總死亡人數增加0.50%,最顯著滯后天數為1d. 綜合PM2.5、SO2、NO2的多污染物模型結果來看,本文構建的數學模型穩健性較高,PM2.5表現為影響循環系統疾病每日死亡人數的主要大氣污染物.

4.2 從人群先天自然因素(性別、年齡)和后天社會因素(學歷)的角度分析,北京市大氣PM2.5濃度每增加10μg/m3,女性、男性人群的心血管疾病日死亡人數分別增加0.55%、0.49%,45~59歲、60~74歲、75歲及以上人群分別增加0.23%、0.63%、0.62%,學歷分別為文盲、小學、中學及以上人群分別增加0.71%、0.63%、0.47%,相對易感人群為女性、60~74歲、文盲人群.

4.3 在文盲群體中,老年(>60)女性占比達66.2%.本研究發現,在去除了女性、老年這兩個混雜因素影響后,文盲人群健康風險仍然高于較高學歷人群,年齡和性別因素疊加在學歷因素上,可能加大低學歷人群的健康風險,對于這部分疊加了自然因素和社會因素雙重敏感性的人群應給與重點關注.

[1] 北京市環境狀況公報 [EB/OL]. 北京市環保局, 2018. http: //www.bjepb.gov.cn/bjhrb/xxgk/ywdt/hjzlzk/hjzkgb65/index.html.Beijing Environmental Statement [EB/OL]. Beijing Municipal Environmental Protection Bureau, 2018.

[2] Sun Z, Zhang X, Zhao X, et al. Oscillation of Surface PM2.5, Concentration Resulting from an Alternation of Easterly and Southerly Winds in Beijing: Mechanisms and Implications [J]. Journal of Meteorological Research, 2018,32(2):288-301.

[3] Xie R, Sabel C E, Lu X, et al. Long-term trend and spatial pattern of PM2.5induced premature mortality in China [J]. Environment International, 2016,97:180.

[4] Kampa M, Castanas E. Human health effects of air pollution [J]. Environmental Pollution, 2008,151(2):362-367.

[5] Yang W, Omaye S. Air pollutants, oxidative stress and human health [J]. Mutation Research/genetic Toxicology & Environmental Mutagenesis, 2009,674(1/2):45-54.

[6] 程慧波,王乃昂,李曉紅,等.蘭州主城區大氣顆粒物質量濃度及健康風險 [J]. 中國環境科學, 2018,38(1):348-360.Cheng H B, Wang N A, Li X H, et al. Mass concentration and health risk of atmospheric particulate matter in main urban district of Lanzhou [J]. China Environmental Science, 2018,38(1):348-360.

[7] 樂 滿,王式功,謝佳君,等.環境條件對遵義市呼吸系統疾病的影響及預測研究 [J]. 中國環境科學, 2018,38(11):4334-4347.Yue M, Wang S G, Xie J J, et al. Study about the impact of environmental conditions on respiratory diseases and prediction in Zunyi City [J]. China Environmental Science, 2018,38(11):4334- 4347.

[8] 翁 俊,韋性富,聶永紅,等.顆粒物污染對高血壓門急診就診人數的影響-時間序列研究 [J]. 中國環境科學, 2018,38(7):2751-2757.Weng J, Wei X F, Nie Y H, et al. Time series study on the effect of air particulate pollution on emergency admissions for hypertension [J]. China Environmental Science, 2018,38(7):2751-2757.

[9] 杜鵬瑞,杜 睿,任偉珊.城市大氣顆粒物毒性效應及機制的研究進展 [J]. 中國環境科學, 2016,36(9):2815-2827.Du P R, Du R, Ren W S. Research progress on toxicological characteristics and mechanisms of urban atmospheric particulate matters [J]. China Environmental Science, 2016,36(9):2815-2827.

[10] Bell M L, Zanobetti A, Dominici F. Evidence on Vulnerability and Susceptibility to Health Risks Associated With Short-Term Exposure to Particulate Matter: A Systematic Review and Meta-Analysis [J]. American Journal of Epidemiology, 2013,178(6):865-876.

[11] Aunan K, Pan X C. Exposure-response functions for health effects of ambient air pollution applicable for China – a meta-analysis [J]. Science of the Total Environment, 2004,329(1):3-16.

[12] Lu F, Xu D, Cheng Y, et al. Systematic review and meta-analysis of the adverse health effects of ambient PM2.5and PM10pollution in the Chinese population [J]. Environmental Research, 2015,136:196-204.

[13] Zhang M, Yu S, Cai X. A health-based assessment of particulate air pollution in urban areas of Beijing in 2000~2004 [J]. Science of the Total Environment, 2007,376(1):100-108.

[14] 張 瑩,王式功,賈旭偉,等.氣溫與PM2.5協同作用對疾病急診就診人數的影響 [J]. 中國環境科學, 2017,37(8):3175-3182.Zhang Y, Wang S G, Jia X W, et al. Synergetic effect of mean temperature and PM2.5on emergency room visits for different diseases [J]. China Environmenal Science, 2017,37(8):3175-3182.

[15] Lin H, Liu T, Xiao J, et al. Mortality burden of ambient fine particulate air pollution in six Chinese cities: Results from the Pearl River Delta study [J]. Environment International, 2016,96:91-97.

[16] Yang C, Peng X, Huang W, et al. A time-stratified case-crossover study of fine particulate matter air pollution and mortality in Guangzhou, China [J]. International Archives of Occupational & Environmental Health, 2012,85(5):579.

[17] Kan H, London S J, Chen G, et al. Season, sex, age, and education as modifiers of the effects of outdoor air pollution on daily mortality in Shanghai, China: The Public Health and Air Pollution in Asia (PAPA) Study [J]. Environmental Health Perspectives, 2008,116(9):1183- 1188.

[18] 孫兆彬,安興琴,崔甍甍,等.北京地區顆粒物健康效應研究——沙塵天氣、非沙塵天氣下顆粒物(PM2.5、PM10)對心血管疾病入院人次的影響 [J]. 中國環境科學, 2016,36(8):2536-2544. Sun Z B, An X Q, Cui M M, et al. The effect of PM2.5and PM10on cardiovascular and cerebrovascular diseases admission visitors in Beijing areas during dust weather, non-dust weather and haze pollution [J]. China Environmental Science, 2016,36(8):2536-2544.

[19] 孫兆彬,陶 燕,崔甍甍,等.北京地區奧運會期間PM2.5對心腦血管疾病的影響 [J]. 中國環境科學, 2015,35(11):3481-3488.Sun Z B, Tao Y, Cui M M, et al. The effect of PM2.5on cardiovascular and cerebrovascular diseases in Beijing areas during the Olympic Games [J]. China Environmental Science, 2015,35(11):3481-3488.

[20] Dominici F, Mc Dermott A,Zeger S L, et al. On the use of generalized additive models in time-series studies of air pollution and health [J]. Am J Epidemiol, 2002,56:193-203.

[21] Zeka A, Zanobetti A, Schwartz J. Individual-level modifiers of the effects of particulate matter on daily mortality [J]. American Journal of Epidemiology, 2006,163(9):849-59.

[22] GB 3095-2012 環境空氣質量標準 [S]. GB 3095-2012 Ambient Air Quality Standards [S].

[23] Rosenthal F S, Carney J P, Olinger M L. Out-of-hospital cardiac arrest and airborne fine particulate matter: A case–crossover analysis of emergency medical services data in Indianapolis, Indiana [J]. Environ. Health Perspect., 2008,116(5):631-636.

[24] Chen R, Li Y, Ma Y, et al. Coarse particles and mortality in three Chinese cities: The China Air Pollution and Health Effects Study (CAPES) [J]. Science of the Total Environment, 2011,409(23):4934- 4938.

[25] Kan H, London S J, Chen G, et al. Differentiating the effects of fine and coarse particles on daily mortality in Shanghai, China [J]. Environment International, 2007,33(3):376-384.

[26] Franklin M, Ariana Z, Joel S. Association between PM2.5and all-cause and specific -cause mortality in 27 US communities [J]. Journal of Exposure Science and Environmental Epidemiology, 2007,17:279- 287.

[27] Pelucchi C, Eva N. Long-term particulate matter exposure and mortality: a review of European epidemiological studies [J]. BMC Public Health, 2009,9:453-460.

[28] Atkinson R W, Kang S, Anderson H R, et al. Epidemiological time series studies of PM2.5and daily mortality and hospital admissions: a systematic review and meta-analysis [J]. Thorax, 2015,25(2):208-214.

[29] 王德慶,王寶慶,白志鵬.PM2.5污染與居民每日死亡率關系的Meta分析 [J]. 環境與健康雜志, 2012,29(6):529-532.Wang D Q, Wang B Q, Bai Z P. Meta-analysis of association between air fine particular and daily mortality of residents [J]. Journal of Environment and Health, 2012,29(6):529-532.

[30] 謝 鵬,劉曉云,劉兆榮,等.我國人群大氣顆粒物污染暴露-反應關系的研究 [J]. 中國環境科學, 2009,29(10):1034-1040.Xie P, Liu X Y, Liu Z R, et al. Exposure-response functions for health effects of ambient particulate matter pollution applicable for China [J]. China Environmental Science, 2009,29(10):1034-1040.

[31] 李 沛.北京市大氣顆粒物污染對人群健康的危害風險研究 [D]. 蘭州:蘭州大學, 2016.Li P. Study on hazard risk of atmospheric particulate matter to the population health in Beijing [D]. Lanzhou:Lanzhou University, 2016.

[32] Lim S S, Vos T, Flaxman A D, et al. A comparative risk assessment of burden of disease and injury attributable to 67risk factors and risk factor clusters in 21regions, 1990~2010: a systematic analysis for the Global Burden of Disease Study 2010 [J]. Lancet, 2012,380(9859): 2224-2260.

[33] Song X, Wang S, Hu Y, et al. Impact of ambient temperature on morbidity and mortality: An overview of reviews [J]. Science of the Total Environment, 2017,586:241-254.

[34] Clougherty J E, Rossi C A, Lawrence J, et al. Chronic social stress and susceptibility to concentrated ambient fine particles in rats [J]. Environmental Health Perspectives, 2010,118(6):769-775.

[35] Smith K R, Bruce N, Balakrishnan K, et al. Millions dead: How do we know and what does it mean? Methods used in the comparative risk assessment of household air pollution [J]. Annu. Rev. Public Health, 2014,35(1):185-206.

[36] Bruce N, Dan P, Rehfuess E, et al. WHO indoor air quality guidelines on household fuel combustion: Strategy implications of new evidence on interventions and exposure–risk functions [J]. Atmospheric Environment, 2015,106:451-457.

[37] Clougherty J E, Eisen E A, Slade M D, et al. Gender and sex differences in job status and hypertension [J]. Occupational & Environmental Medicine, 2011,68(1):16-23.

[38] Chen R, Yin P, Meng X, et al. Fine particulate air pollution and daily mortality: A nationwide analysis in 272 Chinese cities [J]. American Journal of Respiratory & Critical Care Medicine, 2017,196(1):73.

[39] Franklin M, Zeka A, Schwartz J. Association between PM2.5and all-cause and specific-cause mortality in 27US communities [J]. Journal of Exposure Science & Environmental Epidemiology, 2007, 17(3):279.

[40] Ostro B, Broadwin R, Green S, et al. Fine particulate air pollution and mortality in nine California counties: results from CALFINE [J]. Environmental Health Perspectives, 2006,114(1):29-33.

[41] Li G, Xue M, Zeng Q, et al. Association between fine ambient particulate matter and daily total mortality: An analysis from 160communities of China [J]. Science of the Total Environment, 2017,599-600:108.

[42] Chen C, Zhu P, Lan L, et al. Short-term exposures to PM2.5and cause-specific mortality of cardiovascular health in China [J]. Environmental Research, 2018,161:188-194.

[43] Pope R C, Dockery D W. Health effects of fine particulate air pollution: lines that connect [J]. Journal of the Air & Waste Management Association, 2006,56(10):1368-1380.

[44] Zanobetti A, Schwartz J. Race, gender, and social status as modifiers of the effects of PM10on mortality [J]. Journal of Occupational & Environmental Medicine, 2000,42(5):469.

[45] Cakmak S, Dales R S. Do gender, education, and income modify the effect of air pollution gases on cardiac disease? [J]. Journal of Occupational & Environmental Medicine, 2006,48(1):89-94.

[46] Yang C, Peng X, Huang W, et al. A time-stratified case-crossover study of fine particulate matter air pollution and mortality in Guangzhou, China [J]. International Archives of Occupational & Environmental Health, 2012,85(5):579.

[47] 中國2010年人口普查資料 [M]. 北京:中國統計出版社, 2012:47-53.Tabulation of the 2010 population census of the People Republic of China [M]. Beijing: China Statistics Press, 2012:47-53.

致謝：本研究的疾病數據處理工作在京津冀環境氣象預報預警中心李梓銘老師的協助和指導下完成,在此表示感謝！

Natural and social factor as modifiers of the effects of PM2.5on daily cardiovascular mortality in Beijing, China.

GONG Tian-yi1,2, SUN Zhao-bin2*, ZHANG Xiao-ling1,3**, WANG Shi-gong1,3

(1.Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, China；2.Institute of Urban Meteorology, China Meteorological Administration, Beijing 100089, China；3.Shanghai Key Laboratory of Meteorology and Health, Shanghai 200030, China)., 2019,39(3)：1289~1298

To quantitatively analyze the modification effects of natural factor and social factor, people was classified by sex, age and education in our study. A semi-parametric generalized additive model (GAM) was used to calculate the exposure-response relationship between ambient particulate matter pollution and daily cardiovascular mortality from 2005 to 2011 in Beijing. The results of the single- and the multi-pollutant model indicated that PM2.5was the main air pollution health risk factor affecting the daily cardiovascular mortality. A 10μg/m3increase in PM2.5was associated with 0.50% (95%CI: 0.36, 0.63) increase for overall group. Different susceptibility showed in different subgroups, whose excess risks (ER) were range from 0.23%~0.71%. A much higher ER has been found in the subgroups of age 60~74years, female and illiterate. However, it showed that elderly (60+) women accounted for 66.2% among the illiterate. In order to isolate the possible interference of natural factors in the classification of social factor, distractions of elderly and female has been removed, but ER of illiterate were still greater than those with higher education attainment level. Adverse health effects of the lower education attainment level subgroup may be increase when the modification effects of age and sex are overlay on it. It is necessary to give priority attention to those people who have the dual susceptibility of both natural factor and social factor.

subgroups；fine particulates；cardiovascular disease；time series；modification effects

X503.1

A

1000-6923(2019)03-1289-10

龔天宜(1994-),女,湖南長沙人,成都信息工程大學碩士研究生,主要從事氣象環境與健康研究.

2018-07-18

國家重點研發計劃(2016YFA0602004);公益性行業(氣象)專項(GYHY201206015)

* 責任作者, 副研究員, zbsun@ium.cn; ** 教授, xlzhang @ium.cn