环境科学  2021, Vol. 42 Issue (2): 513-522   PDF    
引用本文
张梦娇, 苏方成, 徐起翔, 张瑞芹, 魏煜, 谢刘震. 2013~2017年中国PM2.5污染防治的健康效益评估[J]. 环境科学, 2021, 42(2): 513-522.
ZHANG Meng-jiao, SU Fang-cheng, XU Qi-xiang, ZHANG Rui-qin, WEI Yu, XIE Liu-zhen. Health Impact Attributable to the Control of PM2.5 Pollution in China During 2013-2017[J]. Environmental Science, 2021, 42(2): 513-522.
2013~2017年中国PM2.5污染防治的健康效益评估
张梦娇1,2, 苏方成1,2, 徐起翔2,3, 张瑞芹2,3, 魏煜1,2, 谢刘震1,2     
1. 郑州大学化学学院, 郑州 450001;
2. 郑州大学环境科学研究院, 郑州 450001;
3. 郑州大学生态与环境学院, 郑州 450001
收稿日期: 2020-07-02; 修订日期: 2020-07-28
基金项目: 国家重点研发计划项目（2017YFC0212400）；国家自然科学基金项目（51808510）
作者简介: 张梦娇(1995~), 女, 硕士研究生, 主要研究方向为大气环境污染与防治, E-mail:zhangmengjiao95@foxmail.com
通信作者: 徐起翔, E-mail:xuqixiang@zzu.edu.cn
摘要: 为了评估中国大气环境治理带来的健康效益，确定健康风险评价的主要驱动因素，本文使用结合人群活动因子的综合暴露响应模型，对中国东部和中部地区2013~2017年可归因于PM2.5的健康经济效益进行了估算，并量化了人口总量、人口老龄化、基准死亡率和PM2.5暴露浓度这4个因素对健康负担的影响贡献.结果表明，2013~2017年研究区域内PM2.5人口加权浓度下降了28.73%，PM2.5年均暴露浓度在35 μg·m-3及以下的人口比例从11.23%增加到27.91%.PM2.5浓度下降使得2017年归因死亡数下降了14.43%，可避免经济损失为5588.41亿元.当PM2.5暴露浓度达到国家二级标准（35 μg·m-3）、一级标准（15 μg·m-3）和世卫组织建议标准（10 μg·m-3）时，归因死亡人数较基准年（2017年）将减少8.22%、55.05%和79.36%，避免经济损失3190.85、21374.38和30812.97亿元.人口总量、人口老龄化、基准死亡率和PM2.5暴露浓度这4个因素对健康负担的贡献分别为-2.69%、-12.38%、1.66%和14.57%，其中污染物浓度降低是减轻健康负担的主导因素.中国的大气污染治理取得了显著成效，但在高PM2.5浓度和高人口密度的地区，大气污染导致的健康负担仍然很重，需要实施更加严格的空气污染控制政策.
关键词: PM2.5      健康风险评估      驱动因素      暴露因子      大气污染防治行动计划     
Health Impact Attributable to the Control of PM2.5 Pollution in China During 2013-2017
ZHANG Meng-jiao1,2 , SU Fang-cheng1,2 , XU Qi-xiang2,3 , ZHANG Rui-qin2,3 , WEI Yu1,2 , XIE Liu-zhen1,2     
1. College of Chemistry, Zhengzhou University, Zhengzhou 450001, China;
2. Research Institute of Environmental Science, Zhengzhou University, Zhengzhou 450001, China;
3. School of Ecology and Environment, Zhengzhou University, Zhengzhou 450001, China
Abstract: To evaluate the health benefits brought about by air environmental treatment and determine the main drivers of health risk, we calculated the health and economic benefits attributed to PM2.5 control in Eastern and Central China from 2013 to 2017 by combining PM2.5 concentrations with a human activity enhanced exposure-response model. The relative contributions of changes in four factors related to the PM2.5 health burden were also quantified, namely total population, population aging, baseline mortality rates, and ambient exposure. The results show that the population weighted PM2.5 concentration decreased by 28.73% and the proportion of the population exposed to annual PM2.5 concentrations lower than or equal to 35 μg·m-3 increased from 11.23% to 27.91% across the study area during this period. Avoided deaths were decreased to 14.43%, which equates to avoided economic losses of approximately 559 billion RMB. If PM2.5 concentration meets the Chinese Ambient Air Quality Standard Grade Ⅱ (35 μg·m-3) or Grade Ⅰ (15 μg·m-3), or the World Health Organization Air Quality Guidelines (AQG) standards (10 μg·m-3), a 8.22%, 55.05%, and 79.36% reduction in the total deaths could be achieved in the base year (2017) with equivalent total economic benefits of approximately 319, 2137, and 3081 billion RMB, respectively. Total population, population aging, baseline mortality rates, and PM2.5 concentrations contributed -2.69%, -12.38%, 1.66%, and 14.57% to PM2.5-related deaths. Overall, during the study period, the reduction in PM2.5 concentrations has been the main factor contributing to the reduction in the public health burden. China has implemented significant air pollution control measures; however, the health burden associated with high PM2.5 concentrations in densely populated areas is still extremely high, requiring an aggressive air pollution control strategy.
Key words: PM2.5      health risk assessment      driving factor      exposure factor      air pollution prevention and control action plan     

随着中国快速的经济增长和工业发展, 大气污染问题日益突出. PM2.5是中国主要的大气污染物之一, 也是长期暴露研究中结果最一致的、健康危害最明显的大气污染物之一[1, 2].在我国大部分地区, PM2.5的浓度一直较高, 2014~2016年分别有95%、87%和81%的人群暴露于超过国家二级标准(GB 3095-2012)规定的35 μg·m-3的环境中, 几乎没有人的暴露环境能够达到世卫组织(WHO)空气质量指导(air quality guidelines, AQG)建议的10 μg·m-3[3].大量的流行病学研究表明, 长期暴露于高浓度的PM2.5环境中, 可显著增加人群, 尤其是生活在中低收入地区人群的多种疾病发病率和死亡率[4]. 2015年全球疾病负担(global burden of disease, GBD)研究报告显示, PM2.5已经成为全球第五大致死因素. 2015年全球可归因于PM2.5暴露的死亡人数为420万人, 其中中国为110万人, 占比超过四分之一.中国归因于PM2.5污染的死亡率为每10万人84.3人(95% CI: 71.5, 96.7), 是美国(每10万人18.5人, 95% CI: 14.2, 23.7)的4倍多[5].

2013年, 国务院颁布了《大气污染防治行动计划》[6]来治理大气污染, 改善空气质量.治理的重点主要集中在中国东部和中部地区, 要求与基准年(2013年)相比, 2017年京津冀、长三角和珠三角地区的PM2.5浓度分别下降25%、20%和15%.东部和中部地区是经济发达、人口密集的区域, 虽然面积仅占中国总面积的20.26%, 但GDP和人口分别占中国总量的72.35%和64.93%.因此, 评估该区域内由于空气质量变化而带来的健康及经济效益尤为必要.已有很多学者对我国由PM2.5导致的健康负担进行了研究, 武卫玲等[7]对全国338个城市实施大气十条带来的健康效益进行了评估, 戴海夏等[8]评价了上海市实施清洁空气行动计划后PM2.5浓度变化及健康经济效益, 曾贤刚等[9]估计了2017年中国PM2.5污染导致的疾病负担, 薛涛等[10]评估了2013~2017年中国PM2.5暴露及其健康影响的变化情况.

以上的研究或者使用环境PM2.5浓度或者使用人口加权的PM2.5浓度进行健康负担计算, 但是这些浓度并不等同于人群真正接触的PM2.5浓度.根据全美人群行为模式调查研究的结果, 平均每日人群处于室内的时间是室外的4倍[11], 而室内的PM2.5浓度通常要低于室外[12], 因此需要引入人群活动模式来更好地反映人群暴露特征, 进行更精细化的健康暴露评估.同时, 除了PM2.5暴露浓度, 健康效应的评估还受到人口总量、老龄化程度和基线死亡率等因素的影响.目前的研究更多地集中在PM2.5浓度降低带来的健康收益上, 很少关注到这些因素的作用, 不利于精细化空气质量管理政策的制定.

为了更好地评价中国大气污染防治带来的健康效益, 本文使用结合人群活动因子的综合暴露响应模型, 对中国东部和中部地区2013~2017年可归因于PM2.5的健康效应进行评估.并且量化了人口总量、老龄化程度、基线死亡率和PM2.5浓度这4个因素对健康负担评估的相对影响, 旨在为大气污染的差异化管控及污染治理的成本效益分析提供参考依据.

1 材料与方法 1.1 研究区域

本文选取的研究区域为中国东部和中部地区, 东部地区包括河北、北京、天津、山东、江苏、浙江、上海、广东和福建, 中部地区包括山西、河南、安徽、湖北、湖南和江西(图 1).由于台湾、香港和澳门地区资料暂缺, 文中不做讨论.

图 1 研究区域示意 Fig. 1 Location of the study area

1.2 PM2.5浓度

本研究使用的PM2.5浓度数据来自Lin等[13]开发的0.3°×0.3°分辨率的卫星数据集, 卫星反演结果采用地面监测数据进行校正, 已被应用于多项研究中[14, 15], 具体技术方法详见文献[13, 16].

1.3 人口、基线死亡率和暴露因子

本文使用的网格化人口数据来自中国科学院资源与环境科学数据中心2010年1 km网格人口数据集, 将其分辨率调整为0.3°×0.3°, 与空气质量数据的网格大小一致.然后根据文献[17]的人口统计数据, 通过增长率预测方法估算得到2013~2017年的人口空间分布.各年龄组的基线死亡率来自文献[18], 省级基线死亡率参考Zhou等[19]的研究.本文引入户外活动时间及室内外PM2.5浓度比两个参数来精确健康负担的计算结果, 各省份的户外活动时间数据来自文献[20], 室内外PM2.5浓度比值使用Zhou等[12]的研究结果.

1.4 健康效应评估

本研究使用Burnett等[21]开发的综合暴露响应模型(integrated exposure-response, IER)计算≥25岁成年人群的PM2.5相关健康负担. IER模型于GBD2010报告中首次提出后, 已被广泛应用于PM2.5健康效应的相关研究[22~24].选取缺血性心脏病(ischemic heart disease, IHD)、慢性阻塞性肺病(chronic obstructive pulmonary disease, COPD)、肺癌(lung cancer, LC)和中风(stroke, STK)这4个成人主要致死疾病作为健康终点.相对风险(relative risk, RR)通过公式(1)进行计算：

(1)

式中, Z为暴露浓度(μg·m-3), Zcf为不同健康终点对应的阈值, 当浓度小于等于阈值时认为相对风险为1, 不会产生额外健康风险, 当浓度超过阈值时, 相对风险随浓度升高而增加. α、γ和δ是根据来自环境空气污染、二手烟、室内空气污染和吸烟的研究数据, 针对不同健康终点而拟合的暴露响应曲线分布的参数.

本文结合人群的室外活动时间和室内外PM2.5比值对人群实际暴露浓度进行了精确计算：

(2)

式中, Z0为卫星反演的PM2.5浓度, ti为网格i的人群室外活动时间, λ=0.79为室内外PM2.5浓度比值.由公式(3)计算归因死亡数ΔMor：

(3)

式中, y0代表基线死亡率, Pop为人口, (RR-1)/RR代表归因分数(attributable fraction, AF), 用于衡量风险因素对疾病或死亡率的贡献.

此外, 本研究还计算了当PM2.5浓度达到国家二级标准(35 μg·m-3)、一级标准(15 μg·m-3)和WHO的AQG(10 μg·m-3)标准时的健康效益和经济效益.早逝造成的经济损失使用统计寿命价值法(value of a statistical life, VSL)进行评估, 选用的VSL值为524万元(95%CI：351, 698)[25].

1.5 各因子对健康负担的相对贡献

健康负担的变化主要是由PM2.5暴露浓度、人口总量、老龄化程度和基线死亡率这4个因子综合决定.为了量化关键驱动因素的影响, 本研究进行了4次敏感性分析, 其中一个因子使用2017年的值, 其他3个因子使用2013年的值, 以此获得每个因子的单独影响.由于各因子与健康负担的关系是非线性的, 各因子的作用之和不等于他们的共同作用, 因此使用敏感性分析结果与2013年基准情景(所有因子都使用2013年的值)结果的差值, 代表各因素对健康负担的相对贡献.

2 结果与讨论 2.1 PM2.5暴露评估

图 2显示了2013~2017年PM2.5浓度的时空分布变化, 在整个研究区域内PM2.5浓度呈现出显著下降的趋势. 2013、2014、2015、2016和2017年的PM2.5人口加权平均浓度分别为62.30、58.23、52.60、47.72和44.40 μg·m-3.与2013年相比, 2017年PM2.5人口加权浓度下降了28.73%, 大多数省份的PM2.5污染都有不同程度的改善, 尤其是北京、天津、河北、河南和山西, 这些地区的PM2.5浓度降幅超过30%, 海南、福建和广东部分地区的PM2.5年均浓度小于等于35 μg·m-3.在此期间, PM2.5污染的空间分布相对保持稳定, 重污染主要集中在北京、天津、河北、河南、山东和湖北的部分区域.

图 2 2013~2017年PM2.5年均浓度及2017和2013年PM2.5浓度差值 Fig. 2 Annual PM2.5 concentrations and changes in PM2.5 concentrations during the period 2013-2017

2013~2017年, PM2.5年均暴露浓度在35 μg·m-3以下的人口比例从11.23%增加到27.91%, PM2.5年均暴露浓度在70 μg·m-3以上的人口比例从36.65%降低到4.20%.从图 3可以看出, 高污染地区明显减少, 但大部分人群的暴露环境仍然超过国家二级标准, 而且直到2017年也仅有0.06%的人群PM2.5暴露环境能够满足国家一级标准, 没有人群的暴露环境能够达到AQG标准.京津冀地区作为大气污染的重灾区, PM2.5浓度一直高于研究区域平均水平, 该地区有98.66%(2013年)、98.13%(2014年)、97.22%(2015年)、94.46%(2016年)和91.50%(2017年)的人群生活在PM2.5年均浓度超过国家二级标准的环境中.广东是3个大气污染重点治理区域中PM2.5年均浓度最低的, 2017年76.39%的人群PM2.5暴露浓度满足国家二级标准.

图 3 人口在不同污染区间的分布 Fig. 3 Distribution of grid level population with various ambient PM2.5 concentrations

2.2 健康效应评估

使用结合暴露因子的IER模型计算的2013、2015和2017年研究区域内可归因于PM2.5的健康负担分别为73.92万人(95% CI: 33.24, 102.76)、77.76万人(95% CI: 34.84, 110.23)和74.10万人(95% CI: 33.36, 106.69).从图 4可以看出, PM2.5相关的死亡分布呈现出明显的空间差异性, 大部分地区的网格死亡人数小于5人, 而像北京、天津、上海、广州、河南和河北等地区由于污染严重或人口密度大, 网格死亡人数可以超过100人.

图 4 可归因于PM2.5的死亡人数分布 Fig. 4 Distribution of deaths attributable to PM2.5

2013~2017年期间, 研究区域内可归因于PM2.5的死亡人数在中国总死亡人数中的占比从7.90%减少到7.09%, 在4个健康终点总死亡数中的占比从15.12%降低到13.43%[图 5 (a)]. 2017年较2013年, 可归因于PM2.5的总死亡人数变化不大, 但死亡率由127.68/10万人降为119.60/10万人, 死于IHD的人数增加了3.26万人, 死于STK、COPD和LC的人数分别减少了2.02、1.04和0.02万人[图 5 (c)]. STK占比仍然最大为51.66%, 其次是IHD占比31.34%, LC占比9.81%, COPD占比7.18%. 2013年PM2.5相关死亡人数最多的5个省份是河南11.17万人(95% CI: 5.13, 15.16)、山东10.83万人(95% CI: 4.99, 14.88)、河北10.14万人(95% CI: 4.72, 13.61)、广东5.97万人(95% CI: 2.68, 8.69)和湖北5.46万人(95% CI: 2.42, 7.44).这5个省份的死亡人数分别占到了研究区域总死亡人数的15.16%、14.70%、13.76%、9.10%和7.41%, 共计58.94%.这些省份中, 除广东省外, 其他省份均为PM2.5污染严重区域.广东省2017年常住人口达到了1.1亿, 是中国常住人口最多的省份, 因此健康负担较重. 2013年PM2.5相关健康负担最小的5个地区是海南0.26万人(95% CI: 0.12, 0.40)、上海0.93万人(95% CI: 0.40, 1.32)、天津1.30万人(95% CI: 0.64, 1.79)、福建1.63万人(95% CI: 0.70, 2.47)和北京1.89万人(95% CI: 0.91, 2.60). 2017年PM2.5相关死亡人数最多的5个省份仍然是河南、山东、河北、广东和湖北, 与2013年相比PM2.5相关死亡人数减少超过1千人的省份是山西、河南、安徽和湖南.

图 5 2013~2017年可归因于PM2.5的死亡统计 Fig. 5 Statistical analysis of deaths attributable to PM2.5 during the period 2013-2017

如果考虑到人口因素, 结果则有所不同. 表 1汇总了各省可归因于PM2.5的死亡人数、死亡率和单位面积死亡人数, 结果显示, 虽然广东的总死亡人数较高, 但死亡率和单位面积死亡人数较低, 健康负担相对较轻.河北的死亡率最高, 是海南的3倍.上海、天津和北京的总死亡人数较少, 但单位面积死亡人数很高.这3个直辖市是中国经济实力雄厚的大都市, 人口密度极高, 上海的人口密度甚至可以达到其他省份的10倍以上.同时由于PM2.5污染的空间分布与人口分布之间存在很强的正相关关系, 因此在人口稠密的特大城市加强PM2.5污染控制是非常必要的, 更有利于减轻居民健康负担[26].

表 1 可归因于PM2.5的死亡人数、死亡率和单位面积死亡人数1) Table 1 Total deaths, mortality rates, and daeths per unit area attributed to PM2.5

2013~2017年间, PM2.5呈现出线性下降的趋势[图 5 (c)], 由于PM2.5浓度的降低, 2015年和2017年因此可避免的死亡人数为4.87万人(95% CI: 2.69, 6.89)和10.68万人(95% CI: 5.37, 15.07), 可避免的经济损失为2 554.32亿元(95% CI: 1 411.84, 3 610.11)横坐标数字表示的是不同的空气质量标准值, 分别为国家二级标准(35 μg·m-3)、国家一级标准(15 μg·m-3)和AQG标准(10 μg·m-3)和5 588.41亿元(95% CI: 2 815.20, 7 898.31). 图 6显示了当PM2.5年均浓度达到国家二级标准、一级标准和AQG标准时的健康效益, 归因死亡人数较2017年分别减少了6.09万人(95% CI: 2.83, 8.92)、40.79万人(95% CI: 16.60, 62.83)和58.80万人(95% CI: 27.99, 84.82), 占2017年可归因于PM2.5总死亡人数的8.22%、55.05%和79.36%, 可避免经济损失3190.85亿元(95% CI: 1 484.18, 4 674.11)、21 374.38亿元(95% CI: 8 698.38, 32 925.87)和30 812.97亿元(95% CI: 14 666.17, 44 061.94).有研究估算大气污染防治行动计划的总投资为1.84万亿元[27], 大气污染治理的投入可以通过空气质量改善获得的健康效益而得到回报.

图 6 满足不同空气质量标准时的健康效益 Fig. 6 Health benefits of meeting different air quality standards

2.3 因子贡献分析

PM2.5健康效应的估算结果不仅与空气质量变化有关, 还与人口总量、老龄化程度及基线死亡率等社会因素有关.在本研究中, 虽然2013~2017年PM2.5年均浓度逐年降低, 但由于其他因素的影响, 可归因于PM2.5的死亡人数并没有减少, 甚至出现了一定程度的增加.为确定各因素(人口总量、人口老龄化、基线死亡率和PM2.5浓度)对健康效应计算影响的大小, 通过敏感性分析, 对其相对贡献进行量化.

图 7显示了各因素导致的死亡人数变化. 2013~2017年, 研究区域内所有省份的人口均呈增加趋势, 人口总量从8.79亿增加到9.03亿, 增长了2.69%.人口的变化使得健康负担增加了19 816人, 占到健康效应变动的2.69%.在人口密集的地区, 如北京、天津、上海、广州和深圳等大城市, 人口增长的负面作用尤为明显. 65岁以上人群占总人口的比例从2013年的9.68%增长至2017年的11.39%, 老龄化程度的加剧使得健康负担增加了91 189人, 占到健康效应变动的12.38%, 是加重健康负担的主要因素.基线死亡率的下降在一定程度上减轻了健康负担, 但贡献较小, 共使得12 261人避免死亡, 占健康效应变动的1.66%. PM2.5浓度降低是健康负担减轻的主要原因, 107 332人因此受益, 占健康效应变动的14.57%.

图 7 改变人口总量、人口老龄化、基线死亡率和PM2.5浓度带来的健康效应 Fig. 7 Estimated health effects due to the change in population gross, population aging, baseline mortality rates, and PM2.5 concentration

死亡率的下降和PM2.5浓度的降低减轻了健康负担, 然而这些正面作用被人口增长和人口老龄化的加剧所抵消, 因此虽然PM2.5污染不断改善, 但归因死亡人数并没有明显减少, 部分地区还发生了增加.如图 8所示, 福建和江西由于PM2.5浓度降幅较小, 人口因素的负作用大于暴露减少的正作用导致归因死亡人数增加.而河南和河北的PM2.5降幅较大, 污染暴露接触减少的正作用更显著, 超过人口和老龄化的负作用, 归因死亡人数净减少.尽管人口因素的变化不利于减轻公众健康负担, 但控制污染物排放、降低PM2.5浓度仍是减轻健康负担最主要最有效的途径[28, 29].另外, 由于IER模型的非线性, 贡献率也与该地区的PM2.5背景浓度有关(图 9).浓度越低, 相对风险曲线越陡峭, 边际健康效益越高.

图 8 归因于各因子的可避免死亡人数 Fig. 8 Avoided deaths attributable to factors

图 9 特定疾病的相对风险 Fig. 9 Disease-specific relative risk

2.4 不确定性分析

本文采用结合暴露因子的IER模型对2013~2017年中国东部和中部地区的健康负担进行了估算.与同类研究相比[2, 3, 28, 30, 31](图 10), 本研究的结果偏低一些, 这是因为结合暴露因子的PM2.5浓度低于环境PM2.5浓度, 导致相对风险较低.另外, Song等[3]和Ding等[28]除COPD、IHD、LC和STK外还计算了急性下呼吸道感染(acute lower respiratory infection, ALRI)的疾病负担, 这也使得他们的结果要更高一些.除此之外, 网格大小、人口、基线死亡率和浓度阈值等数据的选择也会在一定程度上影响计算结果.

图 10 不同研究中国东部及中部可归因于PM2.5死亡人数结果比较 Fig. 10 Comparison of PM2.5-attributable deaths in Eastern and Central China as reported by different studies

暴露-响应关系是导致不确定性的重要因素, 尽管Burnett等[21]开发的IER模型已被广泛应用, 但Yin等[32]基于中国本地的流行病学研究结果认为IER模型可能低估了高浓度下的健康风险, Burnett等[33]构建的新的长期暴露全球死亡评估模型计算结果约比IER高30%.另外IER只考虑了5个主要致死疾病, 但据报道PM2.5污染还与二型糖尿病[34]、哮喘[35]、婴儿低出生体重和早产[36]等有关, 对可归因健康负担存在低估.

本研究尝试使用室外活动时间、室内外浓度比等暴露参数来估算人群实际暴露浓度, 但无论是室内还是室外PM2.5浓度都具有一定的时间特性, 不同的地区也有地域差异, 还无法更进一步解决实际人群暴露浓度问题.在人口和基线死亡率数据方面, 本研究仅根据研究期间人口的年变化率对人口数据进行简单预测, 忽略了人口流动的影响.此外, 本文假设不同来源不同组分的PM2.5毒性相同, 然而实际上PM2.5是一种非常复杂的大气颗粒物, 来自不同污染源的PM2.5对人体危害不同[24], 普遍认为PM2.5组分中黑碳、有机碳对人体危害更大[37].

3 结论

(1) 与2013年相比, 2017年研究区域PM2.5人口加权浓度下降了28.73%, PM2.5年均浓度在35 μg·m-3及以下的人口比例从11.23%增加到27.91%.

(2) 研究期间由于PM2.5浓度下降可避免的归因死亡数为10.68万人(95% CI: 5.37, 15.07), 可避免经济损失为5 588.41亿元(95% CI: 2 815.20, 7 898.31).当PM2.5年均浓度达到国家二级标准、一级标准和AQG标准时, 归因死亡人数较2017年将减少8.22%、55.05%和79.36%, 可避免经济损失3 190.85、21 374.38和30 812.97亿元. PM2.5归因死亡数在空间上呈现出不均匀分布, 主要集中在京津冀、长三角等人口密集、PM2.5污染严重和老龄化程度高的地区.

(3) 人口总量、人口老龄化、基准死亡率和PM2.5暴露浓度这4个因素对健康负担的贡献为-2.69%、-12.38%、1.66%和14.57%.老龄化程度加剧和PM2.5浓度降低分别是造成PM2.5归因死亡数增加和减少的主要原因.在污染较重的地区如京津冀, 大气污染治理仍需加大力度, 在污染较轻的地区如珠三角, 继续降低PM2.5浓度可以带来更高的边际健康效益.随着中国老龄化程度的不断加深, 未来需要更加注意加强老年敏感人群的卫生防护.

致谢: 感谢中国香港科技大学环境研究所提供的PM2.5数据.

参考文献
[1] Li T T, Zhang Y, Wang J N, et al. All-cause mortality risk associated with long-term exposure to ambient PM2.5 in China: a cohort study[J]. The Lancet Public Health, 2018, 3(10): e470-e477. DOI:10.1016/S2468-2667(18)30144-0
[2] Hu J L, Huang L, Chen M D, et al. Premature mortality attributable to particulate matter in China: source contributions and responses to reductions[J]. Environmental Science & Technology, 2017, 51(17): 9950-9959.
[3] Song C B, He J J, Wu L, et al. Health burden attributable to ambient PM2.5 in China[J]. Environmental Pollution, 2017, 223: 575-586. DOI:10.1016/j.envpol.2017.01.060
[4] Shang Y, Sun Z W, Cao J J, et al. Systematic review of Chinese studies of short-term exposure to air pollution and daily mortality[J]. Environment International, 2013, 54: 100-111. DOI:10.1016/j.envint.2013.01.010
[5] Cohen A J, Brauer M, Burnett R, et al. Estimates and 25-year trends of the global burden of disease attributable to ambient air pollution: an analysis of data from the Global Burden of Diseases Study 2015[J]. The Lancet, 2017, 389(10082): 1907-1918. DOI:10.1016/S0140-6736(17)30505-6
[6] 国务院.大气污染防治行动计划[EB/OL]. http://www.gov.cn/zwgk/2013-09/12/content_2486773.htm, 2013-09-12.
[7] 武卫玲, 薛文博, 王燕丽, 等. 《大气污染防治行动计划》实施的环境健康效果评估[J]. 环境科学, 2019, 40(7): 2961-2966.
Wu W L, Xue W B, Wang Y L, et al. Health benefit evaluation for air pollution prevention and control action plan in China[J]. Environmental Science, 2019, 40(7): 2961-2966.
[8] 戴海夏, 安静宇, 李莉, 等. 上海市实施清洁空气行动计划的健康收益分析[J]. 环境科学, 2019, 40(1): 24-32.
Dai H X, An J Y, Li L, et al. Health benefit analyses of the clean air action plan implementation in Shanghai[J]. Environmental Science, 2019, 40(1): 24-32.
[9] 曾贤刚, 阮芳芳, 彭彦彦. 基于空间网格尺度的中国PM2.5污染健康效应空间分布[J]. 中国环境科学, 2019, 39(6): 2624-2632.
Zeng X G, Ruan F F, Peng Y Y. Health effects'spatial distribution analysis of PM2.5 pollution in China based on spatial grid scale[J]. China Environmental Science, 2019, 39(6): 2624-2632. DOI:10.3969/j.issn.1000-6923.2019.06.046
[10] 薛涛, 刘俊, 张强, 等. 2013~2017年中国PM2.5污染的快速改善及其健康效益[J]. 中国科学:地球科学, 2020, 62(4): 441-452.
Xue T, Liu J, Zhang Q, et al. Rapid improvement of PM2.5 pollution and associated health benefits in China during 2013-2017[J]. Science China Earth Sciences, 2020, 62(12): 1847-1856.
[11] Jiao W, Frey H C, Cao Y. Assessment of inter-individual, geographic, and seasonal variability in estimated human exposure to fine particles[J]. Environmental Science & Technology, 2012, 46(22): 12519-12526.
[12] Zhou Z H, Liu Y R, Yuan J J, et al. Indoor PM2.5 concentrations in residential buildings during a severely polluted winter: a case study in Tianjin, China[J]. Renewable and Sustainable Energy Reviews, 2016, 64: 372-381. DOI:10.1016/j.rser.2016.06.018
[13] Lin C Q, Liu G, Lau A K H, et al. High-resolution satellite remote sensing of provincial PM2.5 trends in China from 2001 to 2015[J]. Atmospheric Environment, 2018, 180: 110-116. DOI:10.1016/j.atmosenv.2018.02.045
[14] Lu X C, Lin C Q, Li W K, et al. Analysis of the adverse health effects of PM2.5 from 2001 to 2017 in China and the role of urbanization in aggravating the health burden[J]. Science of the Total Environment, 2019, 652: 683-695. DOI:10.1016/j.scitotenv.2018.10.140
[15] Lin C Q, Lau A K H, Lao X Q, et al. A novel framework for decomposing PM2.5 variation and demographic change effects on human exposure using satellite observations[J]. Environmental Research, 2020, 182. DOI:10.1016/j.envres.2020.109120
[16] Lin C Q, Li Y, Yuan Z B, et al. Using satellite remote sensing data to estimate the high-resolution distribution of ground-level PM2.5[J]. Remote Sensing of Environment, 2015, 156: 117-128. DOI:10.1016/j.rse.2014.09.015
[17] 国家统计局. 中国统计年鉴[M]. 北京: 中国统计出版社, 2018.
[18] 国家卫生健康委员会. 中国卫生健康统计年鉴[M]. 北京: 中国协和医科大学出版社, 2018.
[19] Zhou M G, Wang H D, Zhu J, et al. Cause-specific mortality for 240 causes in China during 1990-2013: a systematic subnational analysis for the Global Burden of Disease Study 2013[J]. The Lancet, 2016, 387(10015): 251-272. DOI:10.1016/S0140-6736(15)00551-6
[20] 环境保护部. 中国人群暴露参数手册(成人卷)[M]. 北京: 中国环境科学出版社, 2013.
[21] Burnett R T, Pope Ⅲ C A, Ezzati M, et al. An integrated risk function for estimating the global burden of disease attributable to ambient fine particulate matter exposure[J]. Environmental Health Perspectives, 2014, 122(4): 397-403. DOI:10.1289/ehp.1307049
[22] Apte J S, Marshall J D, Cohen A J, et al. Addressing global mortality from ambient PM2.5[J]. Environmental Science & Technology, 2015, 49(13): 8057-8066.
[23] Maji K J, Dikshit A K, Arora M, et al. Estimating premature mortality attributable to PM2.5 exposure and benefit of air pollution control policies in China for 2020[J]. Science of the Total Environment, 2018, 612: 683-693. DOI:10.1016/j.scitotenv.2017.08.254
[24] Lelieveld J, Evans J S, Fnais M, et al. The contribution of outdoor air pollution sources to premature mortality on a global scale[J]. Nature, 2015, 525(7569): 367-371. DOI:10.1038/nature15371
[25] Huang D S, Andersson H, Zhang S Q. Willingness to pay to reduce health risks related to air quality: evidence from a choice experiment survey in Beijing[J]. Journal of Environmental Planning and Management, 2018, 61(12): 2207-2229. DOI:10.1080/09640568.2017.1389701
[26] Wang J D, Xing J, Mathur R, et al. Historical trends in PM2.5-related premature mortality during 1990-2010 across the northern hemisphere[J]. Environmental Health Perspectives, 2016, 125(3): 400-408.
[27] 董战峰, 袁增伟. 《大气污染防治行动计划》实施的投融资需求及影响评估[J]. 中国环境管理, 2016, 8(2): 47-51.
Dong Z F, Yuan Z W. Investment demand and impacts of air pollution prevention and control action plan in China[J]. Chinese Journal of Environmental Management, 2016, 8(2): 47-51.
[28] Ding D, Xing J, Wang S X, et al. Estimated contributions of emissions controls, meteorological factors, population growth, and changes in baseline mortality to reductions in ambient PM2.5 and PM2.5-related mortality in China, 2013-2017[J]. Environmental Health Perspectives, 2019, 127(6). DOI:10.1289/EHP4157
[29] Zheng H T, Zhao B, Wang S X, et al. Transition in source contributions of PM2.5 exposure and associated premature mortality in China during 2005-2015[J]. Environment International, 2019, 132. DOI:10.1016/j.envint.2019.105111
[30] Zou B, You J W, Lin Y, et al. Air pollution intervention and life-saving effect in China[J]. Environment International, 2019, 125: 529-541. DOI:10.1016/j.envint.2018.10.045
[31] 朱格.中国大气污染健康风险的驱动因素与城市特征研究[D].南京: 南京大学, 2019.
[32] Yin P, Brauer M, Cohen A, et al. Long-term fine particulate matter exposure and nonaccidental and cause-specific mortality in a large national cohort of Chinese men[J]. Environmental Health Perspectives, 2017, 125(11). DOI:10.1289/EHP1673
[33] Burnett R, Chen H, Szyszkowicz M, et al. Global estimates of mortality associated with long-term exposure to outdoor fine particulate matter[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(38): 9592-9597. DOI:10.1073/pnas.1803222115
[34] Wang B, Xu D H, Jing Z H, et al. Effect of long-term exposure to air pollution on type 2 diabetes mellitus risk: a systemic review and meta-analysis of cohort studies[J]. European Journal of Endocrinology, 2014, 171(5): R173-R182. DOI:10.1530/EJE-14-0365
[35] Lu F, Xu D Q, Cheng Y B, et al. Systematic review and meta-analysis of the adverse health effects of ambient PM2.5 and PM10 pollution in the Chinese population[J]. Environmental Research, 2015, 136: 196-204. DOI:10.1016/j.envres.2014.06.029
[36] Stieb D M, Chen L, Eshoul M, et al. Ambient air pollution, birth weight and preterm birth: a systematic review and meta-analysis[J]. Environmental Research, 2012, 117: 100-111. DOI:10.1016/j.envres.2012.05.007
[37] Yang Y, Ruan Z L, Wang X J, et al. Short-term and long-term exposures to fine particulate matter constituents and health: a systematic review and meta-analysis[J]. Environmental Pollution, 2019, 247: 874-882. DOI:10.1016/j.envpol.2018.12.060