2. 温州市环境保护设计科学研究院;
3. 北京市顺义区疾病预防控制中心;
4. 承德市红十字会
目前我国对空气污染的重要关注点之一是其对居民每日死亡的影响，主要的研究集中在京津冀、珠三角及长三角等经济发达地区[1-3]，如北京、上海及西安等大中型城市，少有全国多城市的研究[4-7]。贾健等[8]探讨了上海市闸北区PM10、SO2和NO2对总死亡率的影响，张金艳等[9]对北京市朝阳区也进行了相似研究。除此类大城市主城地区有过初步研究外[10]，近期有报道上海市郊区(奉贤区)空气污染对呼吸系统死亡定量影响[11]，以及两项全国34个县区颗粒物和臭氧对死亡影响的研究[4, 12]。由于我国相关监测设施主要覆盖在经济发达的城市，县区级行政地区相关数据难以获取，目前缺乏空气污染对县区级行政地区居民每日死亡影响的研究。
为进一步探索县区级行政地区空气污染对居民死亡的影响，选择承德市F县进行研究，同时选择经济较发达的北京市S区进行对比，分析空气污染物PM2.5、PM10、SO2、NO2和CO对居民每日非意外死亡的影响，这对加强我国农村地区环境空气监测和污染管控具有重要的意义。
1 材料与方法 1.1 数据来源F县2014年3月—2015年8月和S县2014年1月—2015年12月空气污染监测数据分别来源于各自环境监测站点，污染指标包括PM2.5、PM10、SO2、NO2和CO日均质量浓度。气象监测数据来源于中国气象局科学数据共享服务网(http://www.cma.gov.cn)，包括各自当地的日平均气温(T，℃)、日平均相对湿度(RH，%)。死亡监测数据来源于各自当地疾病预防控制中心，非意外死亡所选编码为ICD-10：A00-R99。
1.2 统计分析采用时间序列广义相加模型(Generalized Additive Models，GAM)进行分析，采用惩罚样条函数(penalized splines)控制每日死亡人数时间序列中的长期趋势、季节趋势以及其他一些与时间长期变异有关的混杂因素的影响。惩罚样条函数的自由度根据模型残差滞后(3~30) d偏相关系数(PACF)绝对值之和最小来确定。采用自然立方样条函数控制日平均气温和日平均相对湿度的混杂影响，同时引入模型的还有星期几哑元变量(DOW，DOW=1-7)，具体模型如下：
| $ \begin{align} & log \left[ E\left( {{y}_{t}} \right) \right]=\alpha +s(\text{ }Time\text{ }, df.\text{ }Time\text{ })+ns(\text{ }Tempera- \\ & ture, df.\text{ }Temp\text{ })+ns(Humidity, df.Humi)+as.factor \\ & (DOW)+\beta {{X}_{ti}} \\ \end{align} $ |
式中：yt—观察日t当天的非意外死亡人数；
E(yt)—t日非意外死亡人数的期望值；
α—截距；
Time—时间；
s—惩罚样条函数；
ns—自然样条函数；
as.factor(DOW)—星期几哑元变量；
df.Time—时间自由度；
df.Temp—日平均气温自由度，取值为3；
β—空气污染物质量浓度变化一个单位时的死亡人数变化值；
Xti—t日i污染物。
分别拟合当天及滞后(1~6) d(lag0~lag6)的Poisson回归模型，并采用最强效应期值作为空气污染对居民死亡影响的估计值。分别分析空气污染对不同人群的影响。
以空气污染物质量浓度每升高10 μg/m3时，居民每日死亡人数的相对危险度(Relative Risk，RR)和超额危险度(Excessive Risk，ER)及其95%置信区间(95%CI)来表示影响，RR和ER计算公式如下：
| $ \begin{aligned} R R &=E X P(\beta \cdot 10) \\ E R &=[E X P(\beta \cdot 10)-1] \cdot 100 \% \end{aligned} $ |
2014—2015年空气污染物和气象要素水平见表 1。除SO2外，F县PM2.5、PM10、NO2和CO水平均较S区低，S区均值为F县的(1.33~2.43)倍。F县PM2.5和PM10日均质量浓度超《环境空气质量标准》(GB 3095-2012)[13]二级标准(简称“国家二级标准”)天数的百分比分别为7.7%和9.2%，S区分别为42.6%和22.1%。SO2、NO2和CO中仅S区NO2超国家二级标准，超标百分比为6.7%。F县平均温度和相对湿度分别为9.7 ℃和55.1%，对应S区分别为14.0℃和53.3%。
| 地区 | 指标 | 均值 | 标准差 | 最小值 | P25 | P50 | P75 | 最大值 |
| F县 | 每日浓度 | |||||||
| PM2.5/(μg/m3) | 53.4 | 42.3 | 7.0 | 24.0 | 42.0 | 71.0 | 398.0 | |
| PM10/ (μg/m3) | 79.3 | 60.6 | 11.0 | 40.0 | 62.0 | 99.0 | 610.0 | |
| SO2/ (μg/m3) | 22.4 | 18.6 | 1.0 | 11.0 | 15.0 | 28.0 | 103.0 | |
| NO2/ (μg/m3) | 18.1 | 12.7 | 1.0 | 9.0 | 15.0 | 24.0 | 69.0 | |
| CO/ (mg/m3) | 0.9 | 0.7 | 0.0 | 0.5 | 0.7 | 1.3 | 3.5 | |
| 气象因素 | ||||||||
| T/℃ | 9.7 | 11.5 | -12.1 | -1.8 | 11.8 | 20.2 | 29.4 | |
| RH/% | 55.1 | 18.8 | 9.0 | 40.0 | 56.0 | 70.0 | 97.0 | |
| S区 | 每日浓度 | |||||||
| PM2.5/ (μg/m3) | 83.3 | 72.5 | 4.0 | 30.8 | 63.5 | 111.3 | 530.0 | |
| PM10/ (μg/m3) | 108.8 | 86.2 | 3.0 | 50.0 | 90.0 | 142.3 | 665.0 | |
| SO2/ (μg/m3) | 13.8 | 17.5 | 0.0 | 3.0 | 7.0 | 17.3 | 148.0 | |
| NO2/ (μg/m3) | 44.0 | 22.3 | 7.0 | 27.0 | 41.0 | 57.0 | 138.0 | |
| CO/ (mg/m3) | 1.2 | 1.0 | 0.0 | 0.6 | 0.9 | 1.4 | 9.6 | |
| 气象因素 | ||||||||
| T/℃ | 14.0 | 10.8 | -6.0 | 2.9 | 15.6 | 24.0 | 33.0 | |
| RH/ % | 53.3 | 19.8 | 8.0 | 37.0 | 53.0 | 68.0 | 99.0 |
研究期间各人群居民每日非意外死亡情况见表 2。F县和S区平均每日总非意外死亡人数分别为5.8和10.7例。F县总死亡人数中≥65岁的占71.4%，男性占61.4%，女性占38.6%；S区对应分别为76.8%、53.7%和46.3%。
| 地区 | 人群 | 总死亡数/人 | 均值 | 标准差 | 最小值 | P25 | P50 | P75 | 最大值 |
| F县 | 总人群 | 3514 | 5.8 | 3.2 | 0 | 3 | 5 | 8 | 18 |
| ≥65岁 | 2510 | 4.1 | 2.7 | 0 | 2 | 4 | 5 | 15 | |
| 男 | 2156 | 3.6 | 2.2 | 0 | 2 | 3 | 5 | 13 | |
| 女 | 1358 | 2.2 | 1.7 | 0 | 1 | 2 | 3 | 9 | |
| S区 | 总人群 | 7847 | 10.7 | 3.7 | 2 | 8 | 10 | 13 | 22 |
| ≥65岁 | 6028 | 8.3 | 3.2 | 1 | 6 | 8 | 10 | 20 | |
| 男 | 4215 | 5.8 | 2.5 | 0 | 4 | 6 | 7 | 14 | |
| 女 | 3632 | 5.0 | 2.3 | 0 | 3 | 5 | 6 | 14 |
2.2 空气污染物与气象因素间的相关分析
Spearman相关性分析结果见表 3和表 4，两县区5种空气污染物日均浓度之间均存在显著正相关，且均与温度呈显著负相关。F县除PM2.5日均质量浓度与相对湿度呈显著正相关外，其他空气污染物均与相对湿度呈显著负相关；S区除SO2日均质量浓度与相对湿度呈显著负相关外，其他空气污染物均与相对湿度呈显著正相关。
| 变量 | SO2 | NO2 | CO | PM10 | PM2.5 | RH |
| NO2 | 0.624** | |||||
| CO | 0.677** | 0.670** | ||||
| PM10 | 0.463** | 0.539** | 0.622** | |||
| PM2.5 | 0.543** | 0.556** | 0.748** | 0.863** | ||
| RH | -0.207** | -0.101** | -0.041 | -0.086* | 0.087* | |
| T | -0.507** | -0.491** | -0.555** | -0.251** | -0.227** | 0.342** |
| 注：“*”为P＜0.05，“ **”为P＜0.01 | ||||||
| 变量 | SO2 | NO2 | CO | PM10 | PM2.5 | RH |
| NO2 | 0.683** | |||||
| CO | 0.629** | 0.698** | ||||
| PM10 | 0.549** | 0.629** | 0.697** | |||
| PM2.5 | 0.539** | 0.666** | 0.850** | 0.825** | ||
| RH | -0.163** | 0.094* | 0.396** | 0.226** | 0.431** | |
| T | -0.546** | -0.409** | -0.352** | -0.084* | -0.134** | 0.178** |
| 注：“*”为P＜0.05，“ **”为P＜0.01 | ||||||
2.3 空气污染对居民非意外死亡的影响分析 2.3.1 对总人群的滞后效应
不同滞后下各空气污染物对总人群居民每日非意外死亡影响见图 1。对于PM2.5和PM10，F县风险升降幅度较S区明显，F县PM2.5和PM10风险在lag0~lag1为正后下降至lag3为负并开始上升，在lag5风险达最高；S区在lag0为正后下降至lag2开始上升，在lag3~lag4风险达最高。对于SO2，F县的滞后效应变化趋势较S区强，F县在lag1风险达最高后逐渐下降至lag4为负并开始上升；S区在lag1达极值迅速下降至lag2为负并开始上升，在lag4风险达最高。对于NO2和CO，F县较S区表现出较强持续性，F县在lag0风险达最高并持续至lag2，在lag3迅速下降至最低并开始上升；S区在lag0~lag1风险达极值后开始下降，在lag2为负并开始上升至lag4风险达最高。
|
| 注：a为F县PM2.5不同滞后日的相对危险度；b为S区PM2.5不同滞后日的相对危险度；c为F县PM10不同滞后日的相对危险度；d为S区PM10不同滞后日的相对危险度；e为F县SO2不同滞后日的相对危险度；f为S区SO2不同滞后日的相对危险度；g为F县NO2不同滞后日的相对危险度；h为S区NO2不同滞后日的相对危险度；i为F县CO不同滞后日的相对危险度；j为S区CO不同滞后日的相对危险度 图 1 不同滞后日的相对危险度 |
2.3.2 对不同年龄的影响分析 2.3.2.1 总人群
两县区5种空气污染物对总人群居民每日非意外死亡影响见图 1。结果显示，两县区5种空气污染物短期暴露可增加居民每日非意外死亡人数，且存在统计学显著性(除SO2)。各空气污染物每增加10 μg/m3，F县和S区PM2.5所致居民每日非意外死亡人数分别增加1.20%(lag5)和0.44%(lag4)；对应PM10分别增加1.25%(lag5)和0.38%(lag3)；对应SO2分别增加2.65%(lag1)和1.32%(lag4)；对应NO2分别增加3.90%(lag0)和1.45%(lag4)；对应CO分别增加0.05%(lag0)和0.04%(lag4)。
2.3.2.2 老年人群两县区PM2.5、PM10和NO2对老年人(≥65岁)的影响均较总人群的高，CO对总人群的影响较老年人的高。对于SO2，F县结果显示对总人群影响较老年人(≥65岁)高，而S区结果表示SO2对老年人(≥65岁)的影响更高(表 5)。
| 污染物 | 人群 | F县 | S区 | |||
| ER/%(95%CI/%) | 最强滞后期 | ER/%(95%CI/%) | 最强滞后期 | |||
| PM2.5 | 总人群 | 1.20(0.20, 2.20) a | lag5 | 0.44(0.09, 0.78) a | lag4 | |
| ≥65岁 | 1.59(0.28, 2.92) a | lag1 | 0.48(0.11, 0.85) a | lag0 | ||
| PM10 | 总人群 | 1.25(0.50, 2.00) a | lag5 | 0.38(0.08, 0.67) a | lag3 | |
| ≥65岁 | 1.27(0.43, 2.13) a | lag5 | 0.53(0.21, 0.85) a | lag0 | ||
| SO2 | 总人群 | 2.65(-0.03, 5.68) | lag1 | 1.32(-0.28, 2.94) | lag4 | |
| ≥65岁 | 2.62(-0.41, 5.74) | lag2 | 1.70(-0.07, 3.51) | lag1 | ||
| NO2 | 总人群 | 3.90(1.20, 7.60) a | lag0 | 1.45(0.36, 2.55) a | lag4 | |
| ≥65岁 | 4.93(0.70, 9.34) a | lag2 | 1.57(0.37, 2.78) a | lag1 | ||
| CO | 总人群 | 0.05(0.00, 0.10) a | lag0 | 0.04(0.01, 0.06) a | lag4 | |
| ≥65岁 | 0.05(-0.04, 0.13) | lag5 | 0.03(0.00, 0.06) a | lag4 | ||
| 注：“a”为P＜0.05，lagx为滞后天数 | ||||||
2.3.3 对不同性别的影响分析
对于PM2.5，F县对女性的影响比男性高，两县区PM10均对女性的影响更高，而NO2和CO均表现出对男性的影响更高。对于SO2，F县对女性的影响比男性高，而S区结果与F县相反(表 6)。
| 污染物 | 性别 | F县 | S区 | |||
| ER/%(95%CI/%) | 最强滞后期 | ER/%(95%CI/%) | 最强滞后期 | |||
| PM2.5 | 男 | 1.27(-0.05, 2.61) | lag1 | 0.56(0.12, 0.99) a | lag5 | |
| 女 | 2.21(0.54, 3.91) a | lag4 | 0.53(0.05, 1.02) a | lag3 | ||
| PM10 | 男 | 0.93(0.08, 1.80) a | lag5 | 0.34(-0.04, 0.72) | lag4 | |
| 女 | 1.47(0.39, 2.55) a | lag5 | 0.53(0.11, 0.95) a | lag3 | ||
| SO2 | 男 | 2.45(-0.67, 5.66) | lag5 | 2.52(0.50, 4.59) a | lag4 | |
| 女 | 3.17(-0.60, 7.09) | lag1 | 1.42(-0.82, 3.71) | lag3 | ||
| NO2 | 男 | 6.15(1.71, 10.79) a | lag0 | 2.07(0.69, 3.48) a | lag4 | |
| 女 | 4.09(-1.43, 9.93) | lag0 | 1.15(-0.37, 2.68) | lag5 | ||
| CO | 男 | 0.07(-0.01, 0.16) | lag5 | 0.05(0.02, 0.09) a | lag4 | |
| 女 | 0.02(-0.09, 0.13) | lag1 | 0.04(0.00, 0.08) a | lag3 | ||
| 注：“a”为P＜0.05，lagx为滞后天数 | ||||||
3 讨论
本研究选取国家集中连片特殊困难地区的某贫困县进行研究，同时选择距离较近的北京市重点发展新城之一的S区进行平行研究。
两县区PM2.5和PM10的滞后效应与其他研究存在异同[14-16]，相同的是均在lag0~lag1风险达极值并开始下降再上升，不同的是本研究最高风险出现在lag3~lag5，其他研究为lag0~lag1。F县SO2的滞后效应与同类型研究结果一致[14-17]，最高风险出现在lag0~lag1，而S区的最高风险出现在lag4。两县区NO2和CO滞后效应变化趋势与其他研究均存差异，表现为其他研究均在lag2~lag5持续下降[14, 16-18]，而本研究则有所上升。F县的NO2和CO的最高风险出现在lag2，与其他研究结果一致[14, 16]，而S区的最高风险出现在lag4。本研究空气污染对居民每日非意外死亡风险的最强效应期较大中城市晚，原因可能有两点：一是城市污染水平较农村地区高；二是城市建筑密度较农村地区高，不利于空气流通与扩散。因此，城市居民暴露的强度较高，影响会在更短时间内发生。
与大中城市研究结果相比，两县区仅CO与其他研究结果相似，如北京市ER=0.04%[18]、中国三大中城市ER=0.03%[19]。而其他4种空气污染物，两县区结果均明显高于国内其他同类型研究，如北京市各空气污染物浓度每升高10 μg/m3，PM2.5所致非意外死亡人数增加0.26%[20]，PM10为0.32%[18]，SO2为0.18%，NO2为0.60%[21]；全国多地区分析结果显示，各空气污染物浓度每增加10 μg/m3，PM2.5所致非意外死亡人数增加0.22%[6]、PM10为0.24%[22]、SO2为0.75%[7]，NO2为0.9%[5]。这可能与经济水平有关，本文所研究的是县区行政地区，其基本医疗设施不够完善，公民受科普教育程度较低，相应的保护措施不足均可导致此现象。
两县区之间风险结果显示，F县5种空气污染物对每日非意外死亡人数风险均高于S区，原因可能是：首先，由于温度差异所致。许多研究均表明温度是空气污染物与死亡关系的显著修饰因子[23-26]，低温有助于增强空气污染的风险效应，而F县温度(9.7 ℃)明显低于S区(14.0 ℃)。其次，F县属于国家集中连片特殊困难地区贫困县，S区为北京市重点发展新城之一，较高的经济水平为S区居民提供了更好的空气污染暴露预防条件。根据北京市2014年卫生统计公报，S区每千人卫技人员数为6.65人[27]，而河北省农村每千人卫生技术人员数为3.25人[28]，说明两县区医疗服务存在明显差别，可能增加F县居民对空气污染的潜在易感性。
分年龄和分性别结果与同类型研究存在异同。分年龄分析发现，两县区PM2.5、PM10和NO2对老年人(≥65岁)的影响更高，这与宁波市[14]和广州市[29]两项研究结果一致，但一些研究显示NO2对总人群的影响较老年人(≥75岁)更高[16-17]。两县区CO对总人群的影响更高，与Son等[30]研究结果相似，其发现总人群的影响较老年人(≥75岁)高，而鞍山的CO对老年人(≥75岁)影响更高[17]。F县与Son等[30]研究显示SO2对总人群的影响更高，而S区与宁波市[14]的研究有相反结果。分性别分析发现，F县PM2.5对女性的影响更高，与Yang等[27]和Lin等[29, 31]对珠三角城市的研究结果一致，而S区与宁波市[14]的研究有相反结果。两县区与Son等[30]的研究发现PM10对女性的影响高，而宁波市[14]、南京市[16]和鞍山市[17]的研究则显示PM10对男性的影响更高。两县区与Chen等[17]和Son等[30]的研究均发现NO2和CO对男性的影响更高，而宁波市的研究发现NO2对女性的影响更高[14]，另有Lu等[16]对南京市的研究没有发现性别差异。F县与宁波市[14]和鞍山市[17]的研究发现SO2对女性的影响更高，而S区与另两项研究有相反结果[16, 30]。影响地区间风险出现异质性的原因可能是由于地区之间在人口结构(年龄和性别)、气象条件、污染物来源和组分、人群活动模式等方面存在差异[32-33]。如Li等[32]对北京市16区(45~65)岁和64岁以上人群循环系统死亡研究表明，PM10、NO2和CO所致风险在各区均不相同。Zhou等[34]研究表明雾霾与非意外死亡关系的性别差异在天津市蓟县和邯郸市磁县结果相反。
本研究的局限：本研究中两县区为多年卫生监测点，数据较为完善，质量较高。其中，2011—2012年两县区死亡监测数据没有十分完善，故我们未将其纳入研究。因此，S区研究时间仅2年，F县不足2年。另外，县区人口基数较小，F县和S区2014年常住居民分别为40.3和100.4万人，健康结局仅探讨了非意外死亡，年龄分层因65岁以下人群死亡数量较少无法正确分析其风险，与大中城市的风险差异分析结果相比可能不一致，有待在今后的研究中进一步完善。
4 结论本研究采用Possion广义相加模型(GAM)方法探讨了空间地理条件相似经济水平不同的两县区级行政地区2014—2015年期间空气污染物(PM2.5、PM10、SO2、NO2和CO)对居民每日非意外死亡的影响。主要结论如下：
① 对于总人群来说，两县区其他空气污染物均可增加居民每日非意外死亡人数，风险具有统计学显著性(除SO2外)，且明显高于我国大中型城市研究结果(除CO)。F县5种空气污染物风险均高于S区。
② 分年龄结果显示，两县区PM2.5、PM10和NO2对老年人(≥65岁)的影响均高于总人群，CO对总人群的影响更高。分性别结果显示，两县区PM10对女性影响更高，NO2和CO对男性影响更高。
| [1] |
Li P, Xin JY, Wang YS, et al. The acute effects of fine particles on respiratory mortality and morbidity in Beijing, 2004-2009[J]. Environ Sci Pollut Res Int, 2013, 20(9): 6433-6444. DOI:10.1007/s11356-013-1688-8 |
| [2] |
Li GX, Jiang L, Zhang YJ, et al. The impact of ambient particle pollution during extreme-temperature days in Guangzhou City, China[J]. Asia Pac J Public Health, 2014, 26(6): 614-621. DOI:10.1177/1010539514529811 |
| [3] |
Chen K, Zhou L, Chen XD, et al. Acute effect of ozone exposure on daily mortality in seven cities of Jiangsu Province, China:no clear evidence for threshold[J]. Environ Res, 2017, 155: 235-241. DOI:10.1016/j.envres.2017.02.009 |
| [4] |
Chen C, Zhu PF, Lan L, et al. Short-term exposures to PM2.5 and cause-specific mortality of cardiovascular health in China[J]. Environ Res, 2018, 161: 188-194. DOI:10.1016/j.envres.2017.10.046 |
| [5] |
Chen RJ, Yin P, Meng X, et al. Associations between ambient nitrogen dioxide and daily cause-specific mortality:evidence from 272 Chinese cities[J]. Epidemiology, 2018, 29(4): 482-489. DOI:10.1097/EDE.0000000000000829 |
| [6] |
Chen RJ, Yin P, Meng X, et al. Fine particulate air pollution and daily mortality. A nationwide analysis in 272 Chinese Cities[J]. Am J Respir Crit Care Med, 2017, 196(1): 73-81. DOI:10.1164/rccm.201609-1862OC |
| [7] |
Chen RJ, Huang W, Wong CM, et al. Short-term exposure to sulfur dioxide and daily mortality in 17 Chinese cities:the China air pollution and health effects study (CAPES)[J]. Environ Res, 2012, 118: 101-106. DOI:10.1016/j.envres.2012.07.003 |
| [8] |
贾健, 阚海东, 陈秉衡, 等. 上海市闸北区大气污染与死亡率的病例交叉研究[J]. 环境与健康杂志, 2004, 21(5): 279-282. (In English: Jia J, Kan HD, Chen BH, et al. Association of air pollution with daily mortality in zhabei district of Shanghai:a case-crossover analysis[J]. J Environ Health, 2004, 21(5): 279-282. DOI:10.3969/j.issn.1001-5914.2004.05.002) |
| [9] |
张金艳, 郭玉明, 孟海英, 等. 北京市朝阳区大气污染与居民每日死亡关系的时间序列研究[J]. 环境与健康杂志, 2010, 27(9): 797-800. (In English: Zhang JY, Guo YM, Meng HY, et al. Time-series analysis on relationship between air pollution and daily mortality in Chaoyang District, Beijing[J]. J Environ Health, 2010, 27(9): 797-800.) |
| [10] |
Li TT, Yan ML, Ma WJ, et al. Short-term effects of multiple ozone metrics on daily mortality in a megacity of China[J]. Environ Sci Pollut Res Int, 2015, 22(11): 8738-8746. DOI:10.1007/s11356-014-4055-5 |
| [11] |
秦萌, 高阳, 顾品强, 等. 上海市奉贤区大气污染物对人群呼吸系统疾病的急性效应[J]. 环境与职业医学, 2018, 35(6): 521-525. (In English: Qin M, Gao Y, Gu PQ, et al. Acute effects of air pollutants on respiratory diseases in Fengxian District, Shanghai[J]. J Environ Occup Med, 2018, 35(6): 521-525.) |
| [12] |
Sun QH, Wang WT, Chen C, et al. Acute effect of multiple ozone metrics on mortality by season in 34 Chinese counties in 2013-2015[J]. J Intern Med, 2018, 283(5): 481-488. DOI:10.1111/joim.2018.283.issue-5 |
| [13] |
中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. GB 3095-2012环境空气质量标准[S].北京: 中国环境科学出版社, 2016. (In English: In English: General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, National Standardization Management Committee of China. GB 3095-2012 Ambient air quality standard[S]. Beijing: China Environmental Science Press, 2016.)
|
| [14] |
He TF, Yang ZY, Liu T, et al. Ambient air pollution and years of life lost in Ningbo, China[J]. Sci Rep, 2016, 6: 22485. DOI:10.1038/srep22485 |
| [15] |
薛江丽, 王旗, 蔡玥, 等. 北京市大气可吸入性颗粒物污染对居民死亡影响的时间序列分析[J]. 中华预防医学杂志, 2012, 46(5): 447-451. (In English: Xue JL, Wang Q, Cai Y, et al. Time-series analysis of ambient PM10 pollution on residential mortality in Beijing[J]. Chin J Prev Med, 2012, 46(5): 447-451.) |
| [16] |
Lu F, Zhou L, Xu Y, et al. Short-term effects of air pollution on daily mortality and years of life lost in Nanjing, China[J]. Sci Total Environ, 2015, 536: 123-129. DOI:10.1016/j.scitotenv.2015.07.048 |
| [17] |
Chen RJ, Pan GW, Kan HD, et al. Ambient air pollution and daily mortality in Anshan, China:a time-stratified case-crossover analysis[J]. Sci Total Environ, 2010, 408(24): 6086-6091. DOI:10.1016/j.scitotenv.2010.09.018 |
| [18] |
李雯婧.北京市主要大气污染物对居民死亡影响及其空间差异性分析[D].北京: 北京协和医学院, 2016. (In English: In English: Li WJ. Effects of Major Air Pollutants on Mortality of the Residents in Beijing and Their Spatial Variation[D]. Beijing: Peking Union Medical College, 2016.) http://cdmd.cnki.com.cn/Article/CDMD-10023-1016235933.htm
|
| [19] |
Chen RJ, Pan GW, Zhang YP, et al. Ambient carbon monoxide and daily mortality in three Chinese cities:the China air pollution and health effects study (CAPES)[J]. Sci Total Environ, 2011, 409(23): 4923-4928. DOI:10.1016/j.scitotenv.2011.08.029 |
| [20] |
Li TT, Yan ML, Sun QH, et al. Mortality risks from a spectrum of causes associated with wide-ranging exposure to fine particulate matter:A case-crossover study in Beijing, China[J]. Environ Int, 2018, 111: 52-59. DOI:10.1016/j.envint.2017.10.023 |
| [21] |
曾强, 李国星, 张磊, 等. 中国六个城市大气中SO2和NO2对人群死亡的急性效应研究[J]. 中华预防医学杂志, 2015, 49(12): 1085-1091. (In English: Zeng Q, Li GX, Zhang L, et al. Acute effects of SO2 and NO2 on mortality in the six cities of China[J]. Chin J Prev Med, 2015, 49(12): 1085-1091. DOI:10.3760/cma.j.issn.0253-9624.2015.12.013) |
| [22] |
Kim S E, Bell M L, Hashizume M, et al. Associations between mortality and prolonged exposure to elevated particulate matter concentrations in East Asia[J]. Environ Int, 2018, 110: 88-94. DOI:10.1016/j.envint.2017.10.010 |
| [23] |
Chen K, Wolf K, Breitner S, et al. Two-way effect modifications of air pollution and air temperature on total natural and cardiovascular mortality in eight European urban areas[J]. Environ Int, 2018, 116: 186-196. DOI:10.1016/j.envint.2018.04.021 |
| [24] |
Sun SZ, Cao PH, Chan KP, et al. Temperature as a modifier of the effects of fine particulate matter on acute mortality in Hong Kong[J]. Environ Pollut, 2015, 205: 357-364. DOI:10.1016/j.envpol.2015.06.007 |
| [25] |
Jhun I, Fann N, Zanobetti A, et al. Effect modification of ozone-related mortality risks by temperature in 97 US cities[J]. Environ Int, 2014, 73: 128-134. DOI:10.1016/j.envint.2014.07.009 |
| [26] |
Ren CZ, Williams GM, Mengersen K, et al. Does temperature modify short-term effects of ozone on total mortality in 60 large eastern US communities? - An assessment using the NMMAPS data[J]. Environ Int, 2008, 34(4): 451-458. DOI:10.1016/j.envint.2007.10.001 |
| [27] |
北京市卫生计生委信息中心, 北京市卫生计生委政策研究中心. 2014年北京市卫生工作统计资料简编[EB/OL]. (2018-11-18). http://www.phic.org.cn/tjsj/wstjjb/2014nianjianbian/.
|
| [28] |
中华人民共和国国家统计局. 2015年中国统计年鉴[M]. 北京: 中国统计出版社, 2015. (In English: National Bureau of Statistics of China. China Statistical Yearbook[M]. Beijing: China Statistics Press, 2015.)
|
| [29] |
Yang CX, Peng XW, Huang W, et al. A time-stratified case-crossover study of fine particulate matter air pollution and mortality in Guangzhou, China[J]. Int Arch Occup Environ Health, 2012, 85(5): 579-585. DOI:10.1007/s00420-011-0707-7 |
| [30] |
Son J Y, Lee J T, Kim H, et al. Susceptibility to air pollution effects on mortality in Seoul, Korea:a case-crossover analysis of individual-level effect modifiers[J]. J Expo Sci Environ Epidemiol, 2012, 22(3): 227-234. DOI:10.1038/jes.2012.6 |
| [31] |
Lin HL, Liu T, Xiao JP, et al. Mortality burden of ambient fine particulate air pollution in six Chinese cities:results from the pearl river delta study[J]. Environ Int, 2016, 96: 91-97. DOI:10.1016/j.envint.2016.09.007 |
| [32] |
Li WJ, Cao Y, Li RK, et al. The spatial variation in the effects of air pollution on cardiovascular mortality in Beijing, China[J]. J Expo Sci Environ Epidemiol, 2018, 28(3): 297-304. DOI:10.1038/jes.2016.21 |
| [33] |
环境保护部. 中国人群暴露参数手册(成人卷)[M]. 北京: 中国环境出版社, 2013: 849. (In English: Ministry of Environmental Protection. Exposure Factors Handbook of Chinese Population (Adults)[M]. Beijing: China Environmental Press, 2013: 849.)
|
| [34] |
Zhou MG, He GJ, Fan MY, et al. Smog episodes, fine particulate pollution and mortality in China[J]. Environ Res, 2015, 136: 396-404. DOI:10.1016/j.envres.2014.09.038 |