上海市大气污染对感冒疾病相对危险度的影响

引用本文

杨丝絮, 马玉霞, 周建丁, 周骥. 上海市大气污染对感冒疾病相对危险度的影响[J]. 环境科学, 2018, 39(4): 1552-1559. 复制到剪切板

YANG Si-xu, MA Yu-xia, ZHOU Jian-ding, ZHOU Ji. Effect of Air Pollution on the Cold Disease in Shanghai[J]. Environmental Science, 2018, 39(4): 1552-1559. 复制到剪切板

上海市大气污染对感冒疾病相对危险度的影响

杨丝絮¹, 马玉霞¹, 周建丁¹, 周骥²

1. 兰州大学大气科学学院, 兰州 730000;
2. 上海市气象与健康重点实验室, 上海 200030

收稿日期: 2017-05-15; 修订日期: 2017-10-16

基金项目: 上海市气象与健康重点实验室开放课题项目(QXJK201608);中央高校基本科研业务费专项(lzujbky-2017-69)

作者简介: 杨丝絮(1994~), 女, 硕士研究生, 主要研究方向为医疗气象, E-mail:yangsx_16@lzu.edu.cn

通信作者: 马玉霞, E-mail:mayuxia07@lzu.edu.cn

摘要: 探讨上海市主要大气污染PM₁₀、PM_2.5、NO₂和O₃的日平均浓度变化以及上海市大气污染对感冒疾病的影响.本文汇总了2008年1月1日~2010年12月31日上海市大气污染、气象要素, 以及感冒日就诊人数数据, 采用时间序列的Possion半参数广义相加模型, 通过平滑样条函数控制长期趋势、"星期几效应"及气象因素等混杂因素的影响, 分析上海市大气污染物与居民健康的暴露-反应关系, 并按年龄进行分层分析, 定量评估上海市大气污染对感冒日就诊人数的影响及滞后效应.结果表明, 上海市大气污染物PM₁₀、NO₂、O₃、PM_2.5浓度每增加一个IQR, 感冒疾病发生的相对危险度为1.0240(1.0233~1.0246)、1.0206(1.0201~1.0212)、0.9393(0.9384~0.9402)、1.0080(1.0069~1.0086), 大气污染物PM₁₀、NO₂、O₃、PM_2.5浓度每增加10 μg·m^-3, 感冒日就诊人数分别增加0.5%、1.0%、-2.0%、0.2%.在多污染模型中, 在引入其他污染物后, NO₂和PM_2.5的结果较单污染模型是基本减小的, PM₁₀和O₃的结果是基本增大的.上海市大气污染对感冒疾病的发生有影响.

关键词: 空气污染时间序列感冒就诊人数相对危险度

Effect of Air Pollution on the Cold Disease in Shanghai

YANG Si-xu¹ , MA Yu-xia¹ , ZHOU Jian-ding¹ , ZHOU Ji²

1. College of Atmospheric Sciences, Lanzhou University, Lanzhou 730000, China;
2. Key Laboratory of Meteorology and Health in Shanghai, Shanghai 200030, China

Abstract: This study discusses the changes in the daily average concentrations of the main air pollutants, such as PM₁₀, PM_2.5, O₃, and NO₂, in Shanghai, and the effects of air pollution on cold in Shanghai.For this study, data on air pollutants, meteorological factors, and the number of daily hospital visits from cold in Shanghai were collected from January 1, 2008 to December 31, 2010.Using the time series Poisson semi-parametric generalized additive model, and controlling for the long-term trend, "week" effect, and meteorological factors by smoothing the spline function, the exposure-response relationship between air pollution and human health in Shanghai was analyzed.The study sets up the model according to age, evaluating the impact and the lag effect of air pollution on the number of daily hospital visits.Results show that when PM₁₀, NO₂, O₃, and PM_2.5 increase by an IQR, the relative risk of cold disease is 1.0240 (1.0233-1.0246), 1.0206 (1.0201-1.0212), 0.9393 (0.9384-0.9402), and 1.0080 (1.0069-1.0086), and when PM₁₀, NO₂, O₃, and PM_2.5 increase by 10 μg·m^-3, the daily hospital visits increase by 0.5%, 1.0%, -2.0%, and 0.2%.In the multi-polluted model, the results of NO₂ and PM_2.5 are basically lower compared to the results of the single-pollutant model, the results of PM₁₀ and O₃are higher.Air pollution in Shanghai has an impact on the incidence of cold disease.

Key words: air pollution time series cold daily hospital visits relative risk

众多国内外研究表明, 大气PM₁₀、PM_2.5、NO₂和O₃等污染物的浓度对人体健康有一定的影响^[1~8], 国内外针对呼吸系统疾病、心血管系统疾病发病率、死亡率、就诊人数与大气主要污染物之间的暴露反应关系展开了一系列研究^{[9, 10]}.20世纪90年代在欧洲的研究表明, PM₁₀每增加10 μg·m^-3, 居民死亡率增加0.6%^[11].土耳其的一项研究表明, PM_2.5、NO₂和PM₁₀浓度每增加10 μg·m^-3, 入院人数的ER值为1.50、1.27和0.61^[12].张莹等^[13]对北京市的研究结果发现大气SO₂、NO₂和PM₁₀浓度每增加10 μg·m^-3, 呼吸系统疾病就诊人数的相对危险度分别为1.011 4、1.021 3和1.011 3.马关培等^[14]的研究发现, 广州市PM_2.5-10、PM_2.5、NO₂和SO₂浓度每增加10 μg·m^-3, 医院呼吸系统疾病日门诊量的相对危险度分别为1.002 5(95%CI:0.998 9~1.018 2), 1.003 5(95%CI:1.001 2~1.016 4), 1.002 4(95%CI:1.001 6~1.005 6)和1.002 8(95%CI:0.977 8~1.007 8).

20世纪90年代以后, 半参数广义相加模型的时间序列分析已被国外许多国家及城市广泛应用于研究空气污染急性暴露健康效应, 并已经初步证实了大气污染物浓度与居民健康效应(死亡、发病、就诊人次)之间存在统计学关系.半参数广义相加模型因其运用多种非参数平滑函数, 能更好地控制混杂因素(如长期趋势、星期效应、节假日效应、气象因素等), 这是时间序列方法的一个主要优点.本文利用上海市2008年1月1日至2010年12月31日大气污染和气象因素数据探讨了上海市主要污染物的污染特征, 并结合2008年1月1日至2010年12月31日上海市某区医院感冒日就诊人数数据, 采用时间序列的Possion半参数广义相加模型, 通过平滑样条函数控制长期趋势、“星期几效应”及气象因素等混杂因素的影响, 分析上海市大气污染物与居民健康的暴露-反应关系, 并按年龄进行分层分析.

1 材料与方法 1.1 材料

感冒日就诊人数数据来源于上海市某区医院, 包括2008年1月1日至2010年12月31日上海市感冒日就诊人数以及入院者的年龄.上海市大气污染物(PM₁₀、PM_2.5、NO₂和O₃)数据来源于上海市环境监测站.采用线性插值对缺失数据进行填补来得到完整的日均浓度序列^[15].地面气象数据来源于上海市气象局, 包括平均温度、相对湿度、平均气压和风速.

1.2 方法

采用SPSS 19.0统计软件进行统计描述和分析, 运用Pearson相关分析大气污染物PM₁₀、PM_2.5、NO₂、O₃以及平均气温、相对湿度、气压、风速之间的相关性.相对于总人口来说, 上海市感冒疾病患者日就诊属于小概率事件, 其实际分布更符合回归模型^[16].因此本研究将回归模型(Possion)引入半参数广义相加模型(GAM)^[17]中, 利用该模型来研究大气污染物的短期波动对感冒疾病发病率变化的急性影响.首先利用非参数平滑样条函数的方法排除“星期几效应”、长期趋势、气象因素等混杂因素的影响.再将大气污染物(PM₁₀、PM_2.5、NO₂和O₃)的浓度作为线性变量引入模型中, 同医院感冒日就诊人数建立泊松广义相加模型.根据AIC最小原则, 确定非参数平滑样条函数的自由度取值, 同时考察大气污染对感冒日就诊人数影响的滞后效应.具体模型如下:

lg [E(Y_k)]=α+DOW+HOL+βX_k+s(time, df)+s(Z_k, df)

式中, Y_k为第k日的就诊人数, E(Y_k)为第k日就诊人数的期望值, α代表截距, DOW代表处理“星期几效应”的虚拟变量, HOL代表处理“节假日效应”的虚拟变量, s为非参数样条平滑函数(smoothing spline function), df为自由度, df=1相当于直线变量, X_k为第k日的大气污染浓度, β为回归系数, time为时间日期, Z_k为第k日的气象因素变量, 包括平均温度、相对湿度、平均气压和风速.

在建立模型的过程中考虑到大气污染物对感冒日就诊人数的滞后效应, 将各污染物当日(lag0)、1~6 d前浓度(lag1、lag2、lag3、lag4、lag5和lag6)分别建立GAM模型.采用AIC最小原则对模型进行检验^[18], 确定最佳滞后天数, 选择最优模型进行暴露-反应关系分析, 并按年龄分层建立模型.在确定最优模型后, 将PM₁₀、PM_2.5、NO₂和O₃这4种污染物引入模型, 分析多种污染物协同作用下大气污染物对居民健康造成的影响如何变化, 由此确定研究期间影响感冒日就诊人数的主要危险因子.根据模型估算出各种污染物的回归系数, 计算当4种污染物的浓度增加自身平均浓度的四分位距(IQR)时, 感冒日就诊人数的相对危险度(relative risk, RR), RR=EXP(β×IQR), 并在此基础上计算RR的95%置信区间(95%CI)EXP[(β±1.96SE)×IQR], 污染物浓度每增加10 μg·m^-3, 感冒日就诊人数变化的百分比为:

模型部分采用R3.3.2软件进行统计分析.

2 结果与分析 2.1 描述性分析

大气污染物、气象因素以及感冒日就诊人数的频数分布见表 1.研究期间上海有14 930例感冒就诊患者, NO₂、PM_2.5、PM₁₀和O₃的日均浓度分别为52.32、49.36、66.04和33.13 μg·m^-3.NO₂、PM_2.5和PM₁₀的国家二级浓度限值的年均值为40、35和70 μg·m^-3^[19], O₃的国家二级浓度限值的日最大8 h平均值为160 μg·m^-3.NO₂和PM_2.5的浓度都超标, 超过国家二级标准.平均温度为-3.14~34.40℃, 相对湿度为73.30%, 平均风速为2.10 m·s^-1, 平均气压为1 015.45 hPa, 符合上海市亚热带海洋性季风气候的特征.

表 1 上海市2008-2010年大气污染物、气象要素和日就诊人数的频数分布 Table 1 Frequency distribution of air pollutants in Shanghai from 2008 to 2010

项目	指标	x±s	最小值	最大值	中位数	P25	P50	P75	IQR
大气污染物	NO₂	52.32±0.74	9.80	338.92	48.51	39.16	48.51	60.16	21.00
	PM_2.5	49.36±1.00	2.00	276.00	41.41	23.10	41.41	68.84	45.74
	PM₁₀	66.04±1.36	2.50	454.20	55.72	34.37	55.72	84.97	50.60
	O₃	33.13±0.41	1.98	78.82	31.72	22.60	31.71	42.42	29.82

气象因素	温度	17.20±0.28	-3.14	34.40	18.17	9.35	18.17	24.97	15.62
	湿度	73.30±0.35	31.63	95.88	73.89	66.32	73.90	81.59	15.26
	风速	2.10±0.02	0.58	5.26	1.99	1.56	1.99	2.58	1.05
	气压	1 015.45±0.27	995.99	1 037.15	1 015.33	1 008.16	1 015.33	1 021.93	13.77

日就诊人数	总人数	14 930.09±183.40	2 904.00	32 719.00	14 516.50	10 240.50	14 516.50	18 628.50	8 388.00
	≤15岁	1 068.56±9.67	32.00	2 602.00	1 071.00	895.00	1 071.00	1230.25	335.25
	15~65岁	8 850.98±110.98	2 252.00	20 025.00	8 550.50	5 970.50	8 550.50	10 723.25	4 752.75
	≥65岁	5 010.56±75.24	526.00	11 619.00	4 712.50	3 104.75	4 712.50	7 002.50	3 897.75

表 1 上海市2008-2010年大气污染物、气象要素和日就诊人数的频数分布 Table 1 Frequency distribution of air pollutants in Shanghai from 2008 to 2010

2008年1月1日至2010年12月31日期间NO₂、PM_2.5、PM₁₀、O₃平均浓度和疾病人数的时间序列如图 1所示, 从中可以看到NO₂的浓度基本保持不变, 在2008年11月有一个峰值.由于PM_2.5缺少一部分污染资料采用线性插值的方法弥补, 在时间序列上表现为一条直线.PM₁₀与PM_2.5浓度的变化趋势基本一致, 具有较强的相关性, 表现为夏季低、冬季高.从图 1中可以明显地看出O₃的浓度有周期性变化, 夏季浓度高、冬季浓度低, 呈波浪型变化.发病人数有明显的周期性变化, 在夏季较低, 冬季较高, 基本呈波浪型上升变化, 发病人数逐年升高.

图 1 上海市2008~2010年大气污染物和疾病人数的时间序列 Fig. 1 Time chart of the number of air pollutants and diseases in Shanghai from 2008 to 2010

2.2 大气污染与气象因素的pearson相关分析

如表 2所示, NO₂、PM_2.5和PM₁₀之间存在显著的正相关, 且均有统计学意义, 说明污染物之间有一定的协同作用, 其中PM_2.5与PM₁₀的相关性较强, 相关系数为0.783.温度、湿度和风速与NO₂、PM_2.5和PM₁₀这3种污染物呈显著的负相关, 气压则与这3种污染物呈显著的正相关.O₃与其他污染物的相关性不具有统计学意义, 与气压和湿度呈现负相关, 与温度呈正相关, 与风速的相关性没有统计学意义.

表 2 上海市2008-2010年大气污染物与气象因素的Pearson相关分析 Table 2 Correlation analysis of air pollutants and meteorological factors inshanghai from 2008 to 2010

2.3 回归模型拟合分析 2.3.1 单污染模型

大气污染物对感冒日就诊人数RR的变化规律如图 2所示.上海市空气中的PM₁₀、PM_2.5、NO₂和O₃的浓度水平对感冒日就诊人数有显著影响.PM₁₀对不同人群的影响具有一定的滞后效应, 并且滞后时间略有差异.总人数、≤15岁、15~65岁、≥65岁的RR值分别为1.024 0、1.035 3、1.022 5、1.021 6, 并均有统计学意义, ≤15岁的相对危险度RR值在滞后1 d(lag1), 其余人群均在当天(lag0)达到最大.NO₂对总人数、≤15岁、15~65岁、≥65岁的RR值分别为1.020 6、1.013 9、1.018 3、1.027 2, 均有统计学意义, 所有人群的相对危险度RR值均在当天(lag0)达到最大.PM_2.5对总人数、≤15岁、15~65岁、≥65岁的RR值分别为1.007 8、1.057 5、1.009 5、0.996 1, 除≥65岁外均有统计学意义, ≤15岁的相对危险度RR在滞后1 d(lag1), 其余人群均在当天(lag0)达到最大.O₃对总人数、≤15岁、15~65岁、≥65岁的RR值分别为0.939 3、0.979 5、0.946 6、0.926 0, 并均无统计学意义, ≤15岁的相对危险度RR值在滞后3 d(lag3)达到最大, 其余人群均在滞后6 d(lag6)达到最大.总人数和15~65岁受PM₁₀影响最大.PM₁₀浓度每增加一个四分位距, 总人数和15~65岁的RR分别是1.024 0、1.022 5.≤15岁受PM_2.5影响更大, PM_2.5浓度每增加一个四分位距, RR值为1.060 7.≥65岁受NO₂影响更大, NO₂浓度每增加一个四分位距, RR值为1.027 2.

图 2 不同大气污染物滞后效应的相对危险度RR值 Fig. 2 Relative risk RR value of air pollutant hysteresis effect

表 3显示按年龄分组列出的每种污染物浓度增加10 μg·m^-3时感冒日就诊人数的增加百分比.PM_2.5在中年组(15~65岁)中效果最好.少年组(≤15岁)、老年组(≥65岁)和总人数发现NO₂影响更大.

表 3 不同群体空气污染物浓度增加10 μg·m^-3就诊人数增加百分比 Table 3 Increase in percentages with a 10 μg·m^-3 increase in air pollutants for different groups

大气污染物PM₁₀、PM_2.5、O₃和NO₂浓度在最佳滞后天数下与感冒日就诊人数的暴露-反应关系曲线如图 3所示.可见随着PM₁₀、NO₂和PM_2.5浓度的升高, 感冒疾病发病风险呈波动上升, 其暴露-反应关系呈波动上升的曲线关系, 这与张江华等^[20]的研究结果比较一致.随着O₃浓度的增加, 感冒疾病发病风险呈波动下降, 其暴露-反应关系呈波动下降曲线关系.

横坐标上的黑线表示数据中包含的污染物浓度图 3 不同大气污染物的暴露反应关系曲线 Fig. 3 Exposure reaction curve of air pollutants

2.3.2 多污染模型

多污染模型各污染物的RR值见表 4.PM₁₀、PM_2.5和NO₂在lag0和lag1有最大的滞后效应.O₃的最大滞后效应基本在lag6.对总人数来说, PM₁₀和O₃在多污染模型中的RR值都是有所上升的, PM_2.5和NO₂的RR值是有所下降的并且不具有统计学意义, PM₁₀的RR值明显高于其他污染物.对≤15岁来说, 除了O₃以外, 其他污染物在多污染模型中的RR值相对单污染模型是有所下降的, NO₂和O₃的RR值不具有统计学意义.PM_2.5对≤15岁的影响是明显大于其他人群的.对15~65岁来说, PM₁₀和O₃在多污染模型中的RR值相比单污染模型稍有增加, NO₂和PM_2.5的RR值减小, O₃和PM_2.5不具有统计学意义, PM₁₀的RR值明显高于其他污染物.对≥65岁来说, 除PM_2.5之外, 其余污染物在多污染模型下的RR值相比于单污染模型都有所增加, O₃和PM_2.5的值不具有统计学意义, PM₁₀的RR值明显高于其他污染物.

表 4 大气污染影响感冒日就诊人数的相对危险度¹⁾(多污染模型) Table 4 Relative effects of air pollution on the number of daily hospital visits from cold(multi-pollution model)

分层	污染物(天数/d)	单污染	多污染
全人群	PM₁₀(0)	1.024 0(1.023 3~1.024 6)^*	1.038 1(1.037 0~1.039 2)^*
	NO₂(0)	1.020 6(1.020 1~1.021 2)	1.018 2(1.017 6~1.018 8)^*
	O₃(6)	0.964 0(0.963 1~0.964 9)	0.968 4(0.967 5~0.969 3)
	PM_2.5(0)	1.007 8(1.006 9~1.008 6)	0.963 8(0.962 4~0.965 1)

≤15岁	PM₁₀(1)	1.036 1(1.033 7~1.038 6)^*	1.010 8(1.007 4~1.014 3)^*
	NO₂(0)	1.013 9(1.012 0~1.015 8)^*	1.0076(1.005 6~1.009 5)
	O₃(3)	0.989 5(0.986 3~0.992 7)	0.992 4(0.989 2~0.995 6)
	PM_2.5(1)	1.060 7(1.057 3~1.064 1)^*	1.046 6(1.041 8~1.051 4)^*

15~65岁	PM₁₀(0)	1.022 5(1.021 6~1.023 4)^*	1.039 6(1.038 3~1.041 0)^*
	NO₂(0)	1.018 3(1.017 6~1.019 0)^*	1.017 1(1.016 3~1.018 2)^*
	O₃(6)	0.967 5(0.966 4~0.968 6)	0.970 0(0.969 6~0.971 9)
	PM_2.5(0)	1.009 5(1.008 3~1.010 6)	0.969 9(0.968 1~0.971 6)

≥65岁	PM₁₀(0)	1.021 6(1.020 4~1.022 8)^*	1.051 4(1.049 5~1.053 3)^*
	NO₂(0)	1.027 2(1.026 3~1.028 2)^*	1.027 2(1.026 3~1.0282)^*
	O₃(6)	0.956 4(0.954 9~0.957 9)	0.962 2(0.960 7~0.963 7)
	PM_2.5(0)	0.996 1(0.994 6~0.997 7)	0.933 8(0.931 5~0.936 1)
1)^*表示该天RR具有统计学意义, P < 0.05;多污染列中粗体字表示每种人群RR值最大的污染物

表 4 大气污染影响感冒日就诊人数的相对危险度¹⁾(多污染模型) Table 4 Relative effects of air pollution on the number of daily hospital visits from cold(multi-pollution model)

3 讨论

现阶段国内外开展的流行病学研究发现大气污染物与上呼吸道感染、哮喘、肺炎、慢性阻塞性肺疾病(COPD)等呼吸系统疾病的发生密切相关^[21、22].本研究采用时间序列的Possion半参数广义相加模型, 分析2008~2010年上海市某区医院感冒疾病门诊量与大气污染物浓度之间的定量关系.结果表明, 上海市大气污染物PM₁₀、PM_2.5、NO₂和O₃的浓度对感冒日就诊人数有影响并且存在一定的滞后效应.不同污染物的最佳滞后天数不同:PM₁₀、PM_2.5和NO₂的最佳滞后天数在lag0和lag1, O₃的最佳滞后天数基本在lag6.空气中大气污染物PM₁₀、NO₂、O₃和PM_2.5的浓度每增加10 μg·m^-3, 感冒日就诊人数分别增加0.47%、0.98%、-1.21%、0.17%.对于O₃来说, 浓度的升高未使门诊量上升.这与杨春雪等人的研究结果是一致的, 这是因为一方面本文所使用的数据中O₃的浓度均在我国环境空气质量标准的臭氧标准0.16mg·m^-3以下, 另一方面, 也有研究表明O₃对心血管疾病影响较大, 而对呼吸系统疾病的影响尚不明确^[23].上海市NO₂年均值浓度为52.32 μg·m^-3, 超过国家二级标准, 增加一个IQR浓度的RR值在同类研究中处于中等水平^{[20, 24, 25]}.NO₂增加10 μg·m^-3, 就诊人数增加0.98%, 对人群的影响是比较大的.这可能是因为上海NO₂的产生方式与国内其他地方略有不同, 上海作为世界第一大港口, 燃煤以及船用燃料的排放是不可忽视的一个原因.PM_2.5对儿童的影响比对其他人群大得多, 这可能的原因是, PM_2.5粒径小, 经呼吸道吸入后可直达肺泡部位, 作用于肺泡巨噬细胞、Ⅱ型肺泡上皮细胞, 可诱发肺泡炎症, 从而导致呼吸系统疾病^[26], 儿童的器官还没有发育健全容易受到影响.PM₁₀的年均浓度为66.04 μg·m^-3, 低于国家二级标准(70 μg·m^-3), 对人群健康效应的影响属于较低水平.

在多污染模型中, PM_2.5和NO₂对感冒疾病门诊量的效应估计值较单污染模型降低, PM_2.5降低得较为显著.PM₁₀除对≤15岁外, 对其他人群的感冒疾病门诊量的效应估计值较单污染模型有显著升高.O₃在引入其他污染物后效应估计值变化不大.上述结果提示各污染物导致的非特异性健康效应并非是简单叠加, 三污染模型反映污染物之间可能存在相互作用, 因此其描述的结果可能更客观.然而各种大气污染物浓度之间存在较强的共线性, 即污染物浓度高度相关, 加之它们可能存在的相互作用, 可能会影响模型的真实性.

本研究尚存在一定的局限性, 研究中收集的门诊资料存在样本量少、时间短的问题, 疾病资料只是上海某区医院的资料, 并不是整个上海市医院的资料, 可能会降低研究结果的代表性.由于资料来源限制, 本研究未展开气象因素对居民感冒日就诊人数和对不同性别的影响研究, 以后将以此做为本研究工作的延续和补充.

4 结论

(1) 2008~2010年期间上海市PM₁₀、PM_2.5和NO₂的浓度表现为冬春季高、夏秋季低的特点.而O₃的浓度变化与它们相反表现为夏季高、冬季低的特点.

(2) 上海市大气污染物PM₁₀、NO₂、O₃、PM_2.5浓度每增加10 μg·m^-3, 总感冒日就诊人数分别增加0.47%、0.98%、-1.21%、0.17%, ≤15岁感冒日就诊人数分别增加0.71%、0.66%、-0.35%、1.33%, 15~65岁感冒日就诊人数分别增加0.44%、0.87%、-1.09%、0.21%, ≥65岁感冒日就诊人数分别增加0.43%、1.30%、-1.46%、-0.09%.

(3) NO₂和PM_2.5在引入其他污染物后对不同人群影响并不稳定, 但大多数是有降低作用的, 且均有统计学意义.O₃和PM₁₀在引入其他污染物后对不同人群的影响基本是呈上升作用的.

参考文献

[1]	杨维, 赵文吉, 宫兆宁, 等. 北京城区可吸入颗粒物分布与呼吸系统疾病相关分析[J]. 环境科学, 2013, 34(1): 237-243. Yang W, Zhao W J, Gong Z N, et al. Spatial distribution of inhalable particulate and association with respiratory disease in Beijing City[J]. Environmental Science, 2013, 34(1): 237-243.
[2]	谢鹏, 刘晓云, 刘兆荣, 等. 珠江三角洲地区大气污染对人群健康的影响[J]. 中国环境科学, 2010, 30(7): 997-1003. Xie P, Liu X Y, Liu Z R, et al. Impact of exposure to air pollutants on human health effects in Pearl River Delta[J]. China Environmental Science, 2010, 30(7): 997-1003.
[3]	曾强, 李国星, 张磊, 等. 大气污染对健康影响的疾病负担研究进展[J]. 环境与健康杂志, 2015, 32(1): 85-90. Zeng Q, Li G X, Zhang L, et al. Burden of disease due to ambient air pollution:a review of recent studies[J]. Journal of Environment and Health, 2015, 32(1): 85-90.
[4]	Morelli X, Rieux C, Cyrys J, et al. Air pollution, health and social deprivation:a fine-scale risk assessment[J]. Environmental Research, 2016, 147: 59-70. DOI:10.1016/j.envres.2016.01.030
[5]	Lin Y K, Chang S C, Lin C S, et al. Comparing ozone metrics on associations with outpatient visits for respiratory diseases in Taipei Metropolitan area[J]. Environmental Pollution, 2013, 177: 177-184. DOI:10.1016/j.envpol.2012.12.010
[6]	Shen Y, Wu Y Y, Chen G D, et al. Non-linear increase of respiratory diseases and their costs under severe air pollution[J]. Environmental Pollution, 2017, 224: 631-637. DOI:10.1016/j.envpol.2017.02.047
[7]	陶燕, 羊德容, 兰岚, 等. 兰州市空气污染对呼吸系统疾病入院人数的影响[J]. 中国环境科学, 2013, 33(1): 175-180. Tao Y, Yang D R, Lan L, et al. Relationship between air pollutant and respiratory diseases hospitalization in Lanzhou[J]. China Environmental Science, 2013, 33(1): 175-180.
[8]	谢元博, 陈娟, 李巍. 雾霾重污染期间北京居民对高浓度PM_2.5持续暴露的健康风险及其损害价值评估[J]. 环境科学, 2014, 35(1): 1-8. Xie Y B, Chen J, Li W. An assessment of PM_2.5 related health risks and impaired values of Beijing residents in a consecutive high-level exposure during heavy haze days[J]. Environmental Science, 2014, 35(1): 1-8. DOI:10.11654/jaes.2014.01.001
[9]	Ma Y X, Zhao Y X, Yang S X, et al. Short-term effects of ambient air pollution on emergency room admissions due to cardiovascular causes in Beijing, China[J]. Environmental Pollution, 2017, 230: 974-980. DOI:10.1016/j.envpol.2017.06.104
[10]	Liu Y W, Xie S G, Yu Q, et al. Short-term effects of ambient air pollution on pediatric outpatient visits for respiratory diseases in Yichang city, China[J]. Environmental Pollution, 2017, 227: 116-124. DOI:10.1016/j.envpol.2017.04.029
[11]	Katsouyanni K, Touloumi G, Samoli E, et al. Confounding and effect modification in the short-term effects of ambient particles on total mortality:results from 29 European cities within the APHEA2 project[J]. Epidemiology, 2001, 12(5): 521-531. DOI:10.1097/00001648-200109000-00011
[12]	Çapraz Ö, Deniz A, Doǧan N. Effects of air pollution on respiratory hospital admissions in İstanbul, Turkey, 2013 to 2015[J]. Chemosphere, 2017, 181: 544-550. DOI:10.1016/j.chemosphere.2017.04.105
[13]	张莹, 邵毅, 王式功, 等. 北京市空气污染物对呼吸系统疾病门诊人数的影响[J]. 中国环境科学, 2014, 34(9): 2401-2407. Zhang Y, Shao Y, Wang S G, et al. Relationship between air pollutant and respiratory diseases hospital outpatient visits in Beijing[J]. China Environmental Science, 2014, 34(9): 2401-2407.
[14]	马关培, 邹宝兰, 许振成, 等. 广州市某区医院呼吸系统疾病门诊人数与大气污染关系的时间序列研究[J]. 环境与健康杂志, 2012, 29(6): 526-528. Ma G P, Zou B L, Xu Z C, et al. Association of respiratory diseases outpatient visits and air pollution in a district, Guangzhou:a time-series study[J]. Journal of Environment and Health, 2012, 29(6): 526-528.
[15]	Millard S P, Neerchal N K. Environmental statistics with S-Plus[M]. London: CRC Press, 2000.
[16]	Schwartz J, Spix C, Touloumi G, et al. Methodological issues in studies of air pollution and daily counts of deaths or hospital admissions[J]. Journal of Epidemiology & Community Health, 1996, 50(Suppl 1): S3-11.
[17]	Dominici F, McDermott A, Zeger S L, et al. On the use of generalized additive models in time-series studies of air pollution and health[J]. American Journal of Epidemiology, 2002, 156(3): 193-203. DOI:10.1093/aje/kwf062
[18]	Akaike H. Factor analysis and AIC[J]. Psychometrika, 1987, 52(3): 317-332. DOI:10.1007/BF02294359
[19]	GB 3095-2012, 环境空气质量标准[S].
[20]	张江华, 郭常义, 许慧慧, 等. 上海市大气污染与某医院呼吸系统疾病门诊量关系的时间序列研究[J]. 环境与职业医学, 2014, 31(11): 846-851. Zhang J H, Guo C Y, Xu H H, et al. Time-series analysis on association between air pollution and outpatient visits for respiratory diseases in a hospital in Shanghai[J]. Journal of Environmental & Occupational Medicine, 2014, 31(11): 846-851.
[21]	刘迎春, 龚洁, 杨念念, 等. 武汉市大气污染与居民呼吸系统疾病死亡关系的病例交叉研究[J]. 环境与健康杂志, 2012, 29(3): 241-244. Liu Y C, Gong J, Yang N N, et al. Association between air pollution and mortality of respiratory diseases in Wuhan:a case-crossover study[J]. Journal of Environment and Health, 2012, 29(3): 241-244.
[22]	Wu S W, Ni Y, Li H Y, et al. Short-term exposure to high ambient air pollution increases airway inflammation and respiratory symptoms in chronic obstructive pulmonary disease patients in Beijing, China[J]. Environment International, 2016, 94: 76-82. DOI:10.1016/j.envint.2016.05.004
[23]	杨春雪, 阚海东. 细颗粒物和臭氧对我国居民死亡影响的急性效应研究[D]. 上海: 复旦大学, 2012.
[24]	Ma Y X, Xiao B S, Liu C, et al. Association between ambient air pollution and emergency room visits for respiratory diseases in spring dust storm season in Lanzhou, China[J]. International Journal of Environmental Research and Public Health, 2016, 13(6): 613. DOI:10.3390/ijerph13060613
[25]	田瑜, 王金艳, 李旭, 等. 兰州市大气污染对人体呼吸系统疾病的影响[J]. 兰州大学学报(自然科学版), 2017, 53(3): 415-420. Tian Y, Wang J Y, Li X, et al. Relationship between air pollution and hospital admissions for respiratory diseases in Lanzhou City[J]. Journal of Lanzhou University (Natural Sciences), 2017, 53(3): 415-420.
[26]	胡建荣, 许华俊, 李庆云, 等. 细颗粒物PM_2.5对全身各系统疾病的影响及相关机制研究进展[J]. 临床肺科杂志, 2015, 20(5): 926-928.


环境科学 2018, Vol. 39 Issue (4): 1552-1559	PDF