2024, Vol. 45
2. 中国环境科学研究院, 北京 100012;
3. 廊坊经济技术开发区卫生监督所, 廊坊 065001
2. Chinese Research Academy of Environmental Sciences, Beijing 100012, China;
3. Langfang Economic and Technological Development Zone Health Supervision Institute, Langfang 065001, China
空气污染会对人体健康造成影响, 其健康风险排名逐渐上升, 至2019年已排第7位, 成为主要的公共卫生挑战之一[1 ~ 3]. 随着我国改革开放以来工业化和城市化的快速发展, 空气污染已成为首要的环境问题, 2017年我国约有124万人死于空气污染[4, 5]. 为应对严重的空气污染, 我国出台了一系列大气污染防治措施, 将京津冀（Beijing-Tianjin-Hebei Region, BTH）地区列为大气污染防治重点区域. 随着治理措施的推进, 京津冀地区PM2.5、PM10、SO2、CO和NO2浓度逐渐下降, 但O3浓度呈现上升趋势, 污染严重[6, 7]. 2022年京津冀地区O3浓度仍高于《环境空气质量标准》（GB 3095-2012）中所规定的二级浓度限值（160 μg·m-3）[8 ~ 10]. 由此可见, 京津冀地区O3污染形势较为严峻.
O3浓度数据的获取方式主要包括监测站点实际测量数据、卫星反演O3浓度数据以及长期的O3浓度再分析数据集等. 但目前通过这3种方式获取的O3浓度数据还存在不足, 例如, 由于监测站点数量不足且分布不均, 数据代表性受影响；受卫星平台、传感器和反演算法等因素的限制, 容易出现反演产品大面积数据的缺失；再分析数据集和现有数据集的分辨率较低, 区域性分析受到限制[11, 12]. 这些因素均导致获取的O3浓度分辨率较低, 不易于捕捉空间异质性. 与此同时, 流行病学研究表明O3与心血管系统疾病和呼吸系统疾病死亡存在相关性[13 ~ 15]. 国内外学者对O3浓度变化导致的健康效应和健康经济效益的评估显示, O3对人体健康以及相应健康损失经济价值的影响较大[16, 17]. 因此, 有必要获取高分辨率的O3浓度, 对京津冀地区O3浓度的时空分布以及导致的健康风险和健康损失经济价值开展评估, 提升评估的精确性, 以期为制定京津冀地区协同控制O3污染、降低疾病负担和健康损失经济价值的相关政策和措施提供科学依据.
土地利用回归模型（land-use regression, LUR）通过分析监测点地表特征和污染物间的关系, 利用地表特征变量预测监测点未覆盖区域的污染物浓度, 该方法被广泛应用于国内外O3浓度模拟的研究之中, 是评价O3空间变化的一种很有前景的方法[18, 19]. 其优势在于引入地表特征变量, 以便捕捉空气污染的小尺度变化, 在属性域上有较好的代表性. 近些年, 机器学习算法也被应用于构建污染物浓度预测模型, 并且在大规模、长时间、高时空分辨率的研究中表现出更高的模型性能[20]. 随机森林（random forest, RF）是机器学习算法之一, 2001年由Breiman首次提出, 由多个分类和回归树组成, 在构建污染物浓度模型时, 最小化误差方面表现出优势[20, 21]. 有研究表明, 结合LUR模型和RF模型可以提升污染物浓度变化预测的准确性[22, 23], 获得高分辨率的污染物空间分布.
本研究基于监测站点分布数据, 结合LUR模型与RF模型获得京津冀地区2015 ~ 2020年1 km × 1 km分辨率的O3浓度水平, 评估京津冀地区城市尺度O3浓度的时空分布特征. 在此基础之上, 采用对数线性暴露-反应函数和支付意愿法, 细化评估京津冀地区2015 ~ 2020年O3暴露浓度变化对人群的健康影响以及相应的健康损失经济价值, 以期为京津冀地区制定O3污染防治措施和相关政策提供科学依据.
1 材料与方法 1.1 数据来源及处理 1.1.1 O3浓度时空分布特征O3-8 h滑动平均浓度的监测数据（数据来源：中国环境监测总站的全国城市空气质量实时发布平台, https://air.cnemc.cn：18007/）分布在京津冀地区（北京市、天津市、保定市、沧州市、承德市、邯郸市、衡水市、廊坊市、秦皇岛市、石家庄市、唐山市、邢台市和张家口市）, 根据《环境空气质量评价技术规范（试行）》（HJ 663-2013）中的规定对数据进行清洗, 剔除2015年1月1日至2020年12月31日间数据无效的站点, 提取一个自然日内08：00 ~ 24：00的所有O3 8 h滑动平均浓度中的最大值, 计算O3日最大8 h平均值第90百分位数作为O3年评价项目[24].
道路网数据（数据来源：OpenStreetMap, https://www.openhistoricalmap.org/）和土地利用数据（数据来源：中国科学院资源环境科学与数据中心, https://www.resdc.cn/）分别根据道路类型和土地资源及其利用属性重分类, 构建不同缓冲半径的缓冲区并获取缓冲区内的各种道路总长度和土地利用类型面积. 气溶胶光学厚度（aerosol optical depth, AOD）数据（数据来源：美国航天航空局, https://ladsweb.modaps.eosdis.nasa.gov/#atmosphere）和气象数据, 包括风速、降水、气压、温度（数据来源：美国国家海洋和大气管理局, https://www.ncei.noaa.gov/maps/daily/）, 剔除异常值后计算年均值. 同时纳入了高程数据（数据来源：地理空间数据云, https://www.gscloud.cn/）.
1.1.2 人群健康效应评估2015 ~ 2020年京津冀地区13个市的全因死亡率、心血管系统疾病以及呼吸系统疾病死亡率均从各省市的统计年鉴中获得. 河北地区心血管系统疾病和呼吸系统疾病的死亡率缺失, 由中国死因监测数据集中的东部地区的死亡率转换获得. 其中心血管系统疾病死亡率以心脏病死亡率估计. 同时纳入了2015 ~ 2020年京津冀地区13个市1 km × 1 km分辨率的人口数据（数据来源：Worldpop, https://hub.worldpop.org/）.
1.1.3 健康损失经济价值评估2015 ~ 2020年京津冀地区13个市的人均地区生产总值（gross domestic product, GDP）以及消费者价格指数（consumer price index, CPI）数据均来自统计年鉴. 统计年鉴中未直接提供人均GDP数据的城市, 通过当地GDP数据除以人口数据计算获得.
1.2 研究方法 1.2.1 O3浓度时空分布特征本研究将LUR模型和RF模型结合构建预测模型, 估计2015 ~ 2020年京津冀地区1 km × 1 km的O3浓度. 首先通过Pearson相关分析探索各变量间的相关性, 选取与O3浓度相关（P < 0.05）的变量（图 1）. 为避免共线性影响, 在每一类自变量中选取相关系数最大、方差膨胀因子小于3的变量[25]. 将变量纳入多元线性回归方程, 采用逐步回归法筛选变量, 构建LUR模型, 最终选取的4个变量, 包括：AOD、气温、三级道路（缓冲区= 1 000 m）和林地（缓冲区= 3 000 m）. RF模型用IncMSE（%）作为评价变量重要性的指标, 选取前10位重要变量[23], 包括：AOD、降水、气压、气温、风速、高程、三级道路（缓冲区= 1 000 m）、人行道路（缓冲区= 1 000 m）、城市支路（缓冲区= 300 m）和草地（缓冲区= 5 000 m）.
|
1. O3, 2.降水, 3.气压, 4.气温, 5.AOD, 6.城市支路（缓冲区= 1 000 m）, 7.自行车道路（缓冲区= 1 000 m）, 8.内部道路（缓冲区= 1 000 m）, 9.人行道路（缓冲区= 1 000 m）, 10.三级道路（缓冲区= 1 000 m）, 11.城市支路（缓冲区= 500 m）, 12.自行车道路（缓冲区= 500 m）, 13.乡村道路（缓冲区= 500 m）, 14.内部道路（缓冲区= 500 m）, 15.人行道路（缓冲区= 500 m）, 16.二级道路（缓冲区= 500 m）, 17.三级道路（缓冲区= 500 m）, 18.城市支路（缓冲区= 300 m）19.自行车道路（缓冲区= 300 m）, 20.高速公路（缓冲区= 300 m）, 21.人行道路（缓冲区= 300 m）, 22.三级道路（缓冲区= 300 m）, 23.城市支路（缓冲区= 200 m）, 24.高速公路（缓冲区= 200 m）, 25.人行道路（缓冲区= 200 m）, 26.三级道路（缓冲区= 200 m）, 27.城市支路（缓冲区= 100 m）, 28.三级道路（缓冲区= 100 m）, 29.林地（缓冲区= 1 000 m）, 30.草地（缓冲区= 2 000 m）, 31.城乡、工矿、居民用地（缓冲区= 2 000 m）, 32.林地（缓冲区= 3 000 m）, 33.草地（缓冲区= 3 000 m）, 34.城乡、工矿、居民用地（缓冲区= 3 000 m）, 35.耕地（缓冲区= 5 000 m）, 36.林地（缓冲区= 5 000 m）, 37.草地（缓冲区= 5 000 m）, 38.城乡、工矿、居民用地（缓冲区= 5 000 m）；*表示P < 0.05, **表示P < 0.01, ***表示P < 0.001；红色表示负相关, 蓝色表示正相关；颜色深浅和圆圈的大小表示相关性强弱 图 1 O3浓度与自变量的相关性 Fig. 1 Correlation between the O3 concentrations and independent variables |
结合LUR模型和RF模型挑选出11个重要的变量, 利用RF方法构建O3浓度模拟模型. 采用10倍交叉验证评估模型性能, 将2015 ~ 2020年的数据集随机拆分成10个互斥子集, 其中9个为训练集, 1个为验证集. 该过程重复10次, 将获得的10次模拟值取平均, 即为O3浓度. 将10倍交叉验证获得的预测值和观察值构建简单线性回归模型, 获得决定系数R2, 并结合均方根差（root mean square error, RMSE）对模型进行评价[26].
1.2.2 人群健康效应评估选取全因死亡、心血管系统疾病死亡、呼吸系统疾病死亡作为健康终点, 利用对数线性暴露-反应关系函数评估污染物造成的健康影响, 该方法是目前国内广泛应用的暴露-反应模型之一, 使用该方法有利于和国内相关研究结果进行比较[27, 28].
|
(1) |
式中, HIi为健康终点i的健康效应变化量；E0i为特定时期和地点健康终点i的基线死亡率；β为暴露-反应关系系数, 具体取值见表 1[29]；Δc为O3暴露浓度与标准值之差, 本文选取《环境空气质量标准》（GB 3095-2012）中规定O3日最大8 h平均值的一级浓度限值100 μg·m-3作为标准值；Pop为暴露人口数.
|
表 1 健康终点的暴露-反应关系系数（β）1） Table 1 Exposure response relationship coefficient of different health endpoints |
1.2.3 健康损失经济价值评估
采用支付意愿法对死亡终点产生的健康损失经济价值评估. 统计意义上的生命价值（value of a statistical life, VSL）是衡量个人死亡风险降低的总货币价值, 被广泛用于环境健康的经济评估中[30, 31]. 参考已有研究结果, 以2010年北京市的VSL值（168万元）为基础, 利用效益转换法估算其它年份和地区的VSL值[32].
|
(2) |
式中, VSLiy为i地区y年份的VSL估算值；VSLb, 2010为北京2010年的VSL值；Yi, 2010为i地区2010年的人均GDP；Yb, 2010为北京市地区2010年的人均GDP；δ为弹性系数, 取0.8[33]；%ΔPiy和%ΔYiy分别为i地区2010年至y年份期间CPI和人均GDP的增长率.
2 结果与讨论 2.1 O3浓度时空分布特征基于AOD、道路网、高程、气象数据及土地利用数据构建的LUR-RF模型, 共纳入11个变量包括：温度、气压、AOD、风速、高程、草地面积（缓冲区= 5 000 m）、降水、三级公路（缓冲区= 1 000 m）、人行道路（缓冲区= 1 000 m）、城市支路（缓冲区= 300 m）和林地面积（缓冲区= 3 000 m）. 模型的拟合效果评价良好, 其中R2为0.92, RMSE为7.05 μg·m-3, 预测值与观测值之间的误差较小（图 2）.
|
图 2 模型性能评价散点图 Fig. 2 Scatter plots of the model estimation performance |
基于该模型模拟2015 ~ 2020年京津冀地区O3浓度, 结果显示2015 ~ 2020年京津冀地区ρ（O3）年均值分别为：177.82、177.94、186.51、184.05、188.74和184.47 μg·m-3, 整体呈现波动性上升趋势（图 3）, 这与文献[34]报道的结果一致. 2020年O3浓度相较2019年有所下降, 可能与新冠疫情和气象效应的双重影响有关. 新冠疫情导致社会经济活动放缓, 进一步引发O3前体物质, 即挥发性有机化合物（volatile organic compounds, VOCs）和氮氧化物（nitrogen oxide, NOx）排放减少, 同时形成有益于污染物扩散和沉积的有利气象条件[34, 35]. 然而在短期疫情封控时O3浓度明显增加[36, 37], 本研究中2020年O3浓度的有所下降, 提示疫情期间京津冀地区O3浓度的变化趋势可能受多种因素影响, 值得引起更多的关注和进一步的探索.
|
图 3 2015 ~ 2020年京津冀地区O3浓度的空间分布 Fig. 3 Spatial distribution of O3 concentration in the BTH Region from 2015 to 2020 |
2015 ~ 2020年京津冀地区的中部地区（北京市）和西南地区（保定市、石家庄市、邢台市、邯郸市）的O3浓度较高而且变化较大；北部地区（张家口市、承德市、秦皇岛市）O3浓度较低且变化程度较小. 城市水平O3浓度的空间分布显示, 2015 ~ 2020年期间北京市、保定市的中南部, 天津市、石家庄市、邢台市和邯郸市的西部以及沧州市西南部污染严重, 其中北京市、石家庄市和邢台市的O3浓度最高. 2015 ~ 2020年O3浓度最低的地区分别集中在承德市、秦皇岛市、张家口市和唐山市. 本研究期间, 北京市、唐山市和张家口市的O3浓度呈现波动式下降, 以北京市下降幅度最大（3.10 μg·m-3）, 其余城市O3浓度表现为不同程度的波动式上升, 其中以邢台市上升程度最大（18.48 μg·m-3）.
从近年O3浓度的时空分布来看, 北京市、沧州市、衡水市、邢台市、石家庄市和张家口市应作为京津冀地区O3污染防治的重点地区. 近地面O3主要由NOx、VOCs、CO、CH4和其他前体物质之间的复杂光化学反应产生[38]. 已有研究表明城市的O3光化学反应生成通常处于VOCs的控制或处于向NOx控制的过渡状态, 而农村地区则对NOx较为敏感[39]. 在我国, NOx排放源的排放量由高至低依次为工业源、交通源、电力源和住宅源, 而VOCs排放源的排放量由高至低依次为工业源、交通源、住宅源和电力源[40, 41]. 因此, 重点地区中城区面积比较大的城市, 如衡水市、石家庄市和张家口市, 应更多关注于VOCs的控制；而重点地区中城区面积比较小的城市如沧州市和邢台市, 可能需要重点关注NOx的排放. 研究显示积极控制VOCs是实现北京市O3快速下降的有效途径[42]. 另外, O3前体物质排放源的减排重点应集中在工业源和交通源. PM2.5和O3有共同的前体物质VOCs和NOx, 但有研究报道PM2.5降低会抑制耗O3自由基的终止反应, 从而增加光化学反应发生[43]. 我国“十三五期间”O3污染呈现上升态势也可能与这期间的PM2.5浓度持续下降相关. 《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》也明确提出“加强细颗粒物和臭氧协同控制”. 本研究结果为降低京津冀地区O3浓度提供重要的参考依据.
2.2 人群健康效应评估利用京津冀地区O3浓度模拟数据、人口数据以及各个健康终点的基线死亡率结合对数线性暴露-反应关系函数, 估算2015 ~ 2020年归因于O3暴露导致的全因死亡、心血管系统疾病死亡以及呼吸系统疾病死亡的人数（图 4）. 2015 ~ 2020年京津冀地区归因O3暴露的全因死亡、心血管系统疾病死亡以及呼吸系统疾病死亡的人数均呈现先增加后减少的趋势, 与O3浓度变化趋势相似. 从年变化程度来看, 3种健康终点的死亡人数均以2020年下降程度最大. 2020年全因死亡和心血管系统疾病死亡人数仍高于2015年死亡人数, 而呼吸系统疾病死亡人数下降至6年间最低点. 另外, 2015 ~ 2020年间, 心血管系统疾病和呼吸系统疾病死亡人数分别占全因死亡人数的40.87% ~ 44.28%和5.93% ~ 8.08%；心血管系统疾病死亡人数是呼吸系统死亡人数的5.06 ~ 7.46倍.
|
图 4 2015 ~ 2020年归因于O3死亡人数 Fig. 4 Mortality attributed to O3 from 2015 to 2020 |
尽管研究显示, 2015 ~ 2020年期间京津冀地区心血管系统疾病的死亡率呈现逐年下降趋势[44], 但本研究发现归因于O3的死亡人数呈现先增加后减少的趋势, 与O3浓度变化趋势相似, 提示心血管系统疾病死亡人数的变化可能与O3暴露浓度有关. 此外, 影响健康终点基线发生率的因素较多, 如降水、湿度、气压、温度、GDP、夜间照明和卫生保健机构等因素[45, 46], 均会导致估算的死亡人数与实际情况存在时间和空间上的差异. 以往对O3人群健康效应评估时, 多直接利用O3监测站点的数据开展研究, 弱化健康效应的空间异质性, 并且选取的O3浓度数据、人口数据以及健康终点死亡率等存在差异, 导致相同地区、年份的O3人群健康效应评估的结果差异可能较大[16, 47]. 本研究利用高分辨率的O3浓度数据、人口数据以及市级死亡率, 获得的评估结果更易捕捉空间异质性.
各个健康终点的死亡人数空间分布如图 5 ~ 7所示. 2015 ~ 2020年京津冀地区全因死亡、心血管系统疾病死亡和呼吸系统疾病死亡人数空间分布相似, 人数较多地区集中于中部地区（北京市）和西南地区（保定市、石家庄市、邢台市、邯郸市）, 死亡人数最少的地区为北部地区（张家口市、承德市、秦皇岛市）. 从城市尺度来看, 多数城市的死亡人数呈现散在分布, 但部分城市的死亡人数在城市内部一些地区也呈现出聚集趋势, 例如, 全因死亡、心血管系统疾病死亡和呼吸系统疾病死亡人数较多地区分布在北京中南部、唐山市的西南和石家庄市、邢台市、邯郸市的中东部. 另外, 全因死亡人数较多的地区还集中在天津市西部和保定市南部, 心血管系统疾病和呼吸系统疾病死亡人数则集中在天津南部. 2015 ~ 2020年期间累计全因死亡、心血管系统疾病死亡人数和呼吸系统疾病死亡人数最多的市均为北京市, 累计死亡人数分别达到26 645人（95%置信区间：22 810人, 31 093人）、9 610人（95%置信区间：8 203人, 10 851人）和2 717人（95%置信区间：1 704人, 3 714人）；累计人数最少的市均为秦皇岛市, 分别为2 449人（95%置信区间：2 095人, 2 859人）、1 079人（95%置信区间：920人, 1 219人）和152人（95%置信区间：95人, 1 704人）. 死亡人数的空间分布和污染物浓度的空间分布相似, 提示：为降低归因于O3暴露的死亡人数, 获得更多的健康收益, 有必要在O3污染防治过程中优先针对O3浓度高的地区开展防治工作.
|
图 5 归因于O3全因死亡的空间分布 Fig. 5 Spatial distribution of all-cause mortality attributed to O3 |
|
图 6 归因于O3心血管系统疾病死亡的空间分布 Fig. 6 Spatial distribution of cardiovascular mortality attributed to O3 |
|
图 7 归因于O3呼吸系统疾病死亡的空间分布 Fig. 7 Spatial distribution of respiratory mortality attributed to O3 |
人口数量会影响不同区域间各个健康终点的死亡人数估计情况. 2015年和2020年人口数量最多的地区是北京市, 最少的地区是秦皇岛市, 人口数量差异悬殊, 成为影响两个城市死亡人数的重要原因之一. 因此, 计算13个市归因于O3死亡人数占各市总人口的百分比更能体现归因于O3暴露死亡结局的地区差异性. 本研究结果显示, 在归因于O3暴露的各市全因死亡人数、心血管系统疾病死亡人数和呼吸系统疾病死亡人数占各市总人口的百分比中, 北京市和天津市占比在这6 a内较高, 河北省各市占比较低且波动范围相对较小（图 8）.
|
图 8 各市归因于O3死亡人数占人口总数的比例 Fig. 8 Proportion of mortality attributed to O3 to the total population across different cities |
在归因于O3暴露的各市全因死亡人数占各市总人口的百分比数据中. 2015 ~ 2020年仅有廊坊市占比呈现波动式下降, 其余12市均为波动性上升, 上升最多的地区为天津市. 另外2020年全因死亡人数占比最大和最小的城市分别为北京市和廊坊市；在归因于O3暴露各市心血管系统疾病死亡人数占各市总人口的百分比中, 2015 ~ 2020年仅有北京市占比呈现波动式下降, 其余12市均为波动性上升, 上升最多的地区为邢台市. 另外2020年心血管系统疾病死亡人数占比最大和最小的城市分别为衡水市和北京市；在归因于O3暴露的各市呼吸系统疾病死亡人数占各市总人口的百分比数据中, 2015 ~ 2020年仅有沧州市、邯郸市、衡水市和邢台市占比呈现波动式上升, 其余9市均为波动性下降, 下降最多的地区为天津市. 另外2020年呼吸系统疾病死亡人数占比最大和最小的城市分别为北京市和秦皇岛市.
综上所述, 北京市、天津市、衡水市和邢台市应重点关注归因于O3暴露的全因死亡、心血管系统疾病死亡和呼吸系统疾病死亡人数. 河北省内各市的全因死亡、心血管系统疾病死亡和呼吸系统疾病死亡人数占各市总人口的百分比均低于北京市和天津市, 省内各市的全因、心血管系统疾病和呼吸系统疾病死亡人数占各市总人口的百分比最高的城市均为衡水市. 《中国防治慢性病中长期规划（2017—2025年）》中提出, 到2020年降低慢性病导致的过早死亡, 心脑血管疾病和慢性呼吸系统疾病早死率降低至2015年的10%. 京津冀地区归因于O3的全因死亡和心血管系统疾病死亡人数占比上升, 呼吸系统疾病死亡人数占比下降程度较小（0.002‰）, 与《中国防治慢性病中长期规划（2017—2025年）》的要求的差距较大. 根据全球疾病负担（global burden of disease, GBD）公布的数据显示, 中国地区归因于环境O3的慢性阻塞性肺疾病死亡率从2015年的6.84/10万人下降至2019年的6.56/10万人, 提示改善O3浓度可以降低呼吸系统疾病死亡人数. 因此, 京津冀地区未来仍需大力加强O3污染防治、强化慢性病早期筛查与发现、提高疾病的治疗效果、倡导健康文明的生活方式.
2.3 健康损失经济价值评估利用人均GDP、CPI和VSL, 结合效益转换以及支付意愿法, 估算京津冀地区归因于O3暴露的全因死亡、心血管系统疾病死亡以及呼吸系统疾病死亡的健康损失经济价值, 结果如图 9所示. 2015 ~ 2019年京津冀地区全因死亡、心血管系统疾病死亡以及呼吸系统疾病死亡的健康损失经济价值呈现增加趋势, 2020年存在不同程度的下降, 这与O3浓度和归因于O3的死亡人数变化趋势相似. 2015 ~ 2020年间, 心血管系统疾病死亡的健康损失经济价值是呼吸系统疾病死亡健康损失经济价值的4.61 ~ 6.22倍, 心血管系统疾病死亡和呼吸系统疾病死亡的健康损失经济价值占全因死亡的健康损失经济价值的比例分别为39.14% ~ 41.64%和6.30% ~ 8.82%, 占比情况与健康效应评估时的死亡人数占比情况类似. 健康损失经济价值的影响因素较多, 与健康终点的死亡人数及其单位价值（即减少一例健康终点发生的平均估计经济价值[48]）相关.
|
图 9 2015 ~ 2020年归因于O3健康损失经济价值 Fig. 9 Health economic losses attributed to O3 from 2015 to 2020 |
京津冀地区各个城市的历年健康损失经济价值情况如图 10（a）、10（c）和10（e）所示. 2015 ~ 2020年全因死亡和心血管系统疾病死亡产生的健康损失经济价值在13个城市均增加；呼吸系统疾病死亡的健康损失经济价值在部分地区显示降低的趋势, 包括天津市、承德市、唐山市和张家口市, 其余9个市的健康损失经济价值呈上升趋势. 与2019年相比, 2020年全因死亡导致的健康损失经济价值增加的城市包括沧州市、承德市、衡水市、石家庄市和张家口市, 其中增加最多的地区为沧州市；心血管系统疾病死亡健康损失经济价值增加的城市包括保定市、沧州市、承德市、邯郸市、衡水市、邢台市和张家口市, 其中增加最多的地区为保定市. 呼吸系统疾病死亡健康损失经济价值在13个城市均下降, 其中下降程度最大的地区为北京市. 在2020年全因死亡、心血管系统疾病死亡和呼吸系统疾病死亡的健康损失经济价值最大的地区均为北京市. 城市化水平与健康风险和经济损失之间存在很强的相关性, 生活在高度城市化的人可能面临更严重的健康和经济损失[49, 50], 这也可能是北京市产生的健康损失经济价值较多的原因之一.
|
（a）和（b）全因死亡, （c）和（d）心血管系统疾病, （e）和（f）呼吸系统疾病 图 10 各市归因于O3的健康损失经济价值及其GDP占比 Fig. 10 Health economic losses and the proportion of GDP attributed to O3 across different cities |
将各个城市不同健康终点的健康损失经济价值与当年GDP进行比较, 结果见图 10（b）、10（d）和10（f）. 本研究显示, 虽然北京市在2015 ~ 2020年间产生的健康损失经济价值最多, 但是占GDP比例最高的城市包括天津市、保定市、邯郸市、衡水市和邢台市. 与2015年相比, 2020年全因死亡、心血管系统疾病和呼吸系统疾病死亡的健康损失经济价值的GDP占比增加的城市数量分别为11、12和3个, 其中增加最多的城市分别为天津市、天津市和邢台市. 2020年全因死亡、心血管系统疾病死亡和呼吸系统疾病死亡的健康损失经济价值的GDP占比最大的城市分别为天津市、邢台市和北京市, 最小的城市为廊坊市、北京市和唐山市；需要注意的是天津市在2019年后健康损失经济价值占比突然增加, 主要是由于该市健康损失经济价值上升和GDP的突然下降, 可能是受到经济和产业结构变化、疫情影响以及流动人口减少等因素的影响. GDP占比一定程度上反映了医疗卫生负担, 占比越高的地区相对医疗负担越重, 2015 ~ 2020年天津市占比增加相对较大, 2020年天津市、邢台市和北京市的占比最大, 因此这些地区更急需采取污染防治措施, 改善O3浓度, 降低健康损失的经济价值. 若O3浓度在2020年达到标准值, 京津冀地区则可获得全因死亡健康经济效益达308.51亿元, 是2020年该地区污染防治资金的5.01倍.
2.4 不确定性分析本文主要分析2015 ~ 2020年京津冀地区O3浓度时空分布特征, 据此估算了归因于O3暴露产生的全因死亡、心血管系统疾病死亡和呼吸系统疾病死亡人数以及相应的健康损失经济价值. 研究过程中, 存在一些不确定性因素可能对研究结果带来一些影响, 例如, 采用LUR和RF算法结合的方式, 利用监测站点的数据对京津冀地区1 km × 1 km的O3暴露浓度进行模拟, 但由于监测站点数量有限, 分布不均、数据缺失等因素限制, 可能导致O3暴露水平与实际情况存在差异. 另外, 纳入的自变量和空气污染物浓度之间可能存在复杂的非线性关系, 模型不能完全捕捉到这种关系.
人群健康效应评估过程中, 由于目前缺乏O3与健康终点间长期效应的研究结果, 虽然本研究采用了与其他研究一致的处理方式[24], 即：暴露反应-关系系数选取短期效应值, 评估健康效应以年为单位, 但O3长期暴露和短期暴露与健康终点间的关系可能存在差异. 此外, 健康经济价值损失评估过程中, 采用了效益转换方法计算获取所需的VSL, 所获得的VSL与实际值可能存在差异, 因为效益转换方法与人均GDP、CPI等经济指标以及所选取的参考VSL相关, 选取不同的参数值都会导致转换所得VSL存在差异.
3 结论（1）O3是目前京津冀地区大气环境的重要污染物, 2015 ~ 2020年期间京津冀地区O3浓度变化呈现波动性上升趋势, O3浓度较高的地区以及变化较大的地区集中于中部地区（北京市）和西南地区（保定市、石家庄市、邢台市、邯郸市）, 而北部地区（张家口市、承德市、秦皇岛市）O3浓度较低且变化程度较小. 2020年各地区O3浓度有所改善, 但保定市南部和沧州市西南部的污染仍严重. 北京市、沧州市、衡水市、邢台市、石家庄市和张家口市是京津冀地区O3污染超标的重点地区, 应加强O3污染防治.
（2）2015 ~ 2020年京津冀地区归因于O3的全因死亡、心血管系统疾病死亡以及呼吸系统疾病的死亡人数呈现先增加后减少趋势, 与O3浓度变化趋势相似. 全因死亡、心血管系统疾病死亡和呼吸系统疾病死亡人数的空间分布相似, 死亡人数较多地区集中于中部地区和西南地区, 北部地区数最少. 河北省内各市全因死亡、心血管系统疾病死亡和呼吸系统疾病死亡人数占各市总人口的百分比低于北京市和天津市. 从相关死亡人数分析来看, 京津冀地区O3污染防治的重点地区为北京市、天津市、衡水市和邢台市.
（3）2015 ~ 2020年京津冀地区归因于O3的全因死亡、心血管系统疾病死亡以及呼吸系统疾病的健康损失经济价值, 显示先增加后减少的趋势, 这与O3浓度和健康效应的变化趋势相似. 2015 ~ 2020年, 13个市的全因死亡和心血管系统疾病死亡健康损失经济价值均增加, 9个市的呼吸系统疾病死亡健康损失经济价值均上升. 另外, 2015 ~ 2020期间各市健康损失经济价值占各市GDP百分比最高的地区集中在北京市、天津市、保定市、邯郸市、衡水市和邢台市. 与2015年相比, 2020年全因死亡、心血管系统疾病死亡的健康损失经济价值占GDP的百分比增加最多的城市为天津市. 综合考虑, 应将北京市、天津市、保定市、沧州市和邢台市作为京津冀地区O3污染防治的重点关注地区.
（4）对京津冀地区O3浓度时空分布、归因于O3暴露的健康效应和健康损失经济价值的研究结果提示, 京津冀地区O3污染防治重点关注地区不尽相同, 建议在确定O3污染防治重点地区时要综合考虑O3浓度高的地区、健康效应和健康损失经济价值研究提示的重点地区；在制订O3污染防治措施时, 应根据重点地区类型特点采取差异化措施. 北京市是京津冀地区唯一同时作为O3浓度、健康效应和健康损失经济价值重点关注的城市, 在O3污染防治时, 不仅要采取措施降低O3浓度, 也要考虑采取一些措施减少O3暴露引起的健康效应和健康经济损失.
| [1] | Li D W, Ji A L, Lin Z J, et al. Short-term ambient air pollution exposure and adult primary insomnia outpatient visits in Chongqing, China: a time-series analysis[J]. Environmental Research, 2022, 212. DOI:10.1016/j.envres.2022.113188 |
| [2] | Brumberg H L, Karr C J. Ambient air pollution: health hazards to children[J]. Pediatrics, 2021, 147(6). DOI:10.1542/peds.2021-051484 |
| [3] | Murray C J L, Aravkin A Y, Zheng P, et al. Global burden of 87 risk factors in 204 countries and territories, 1990-2019: a systematic analysis for the global burden of disease study 2019[J]. The Lancet, 2020, 396(10258): 1223-1249. DOI:10.1016/S0140-6736(20)30752-2 |
| [4] | Yin P, Brauer M, Cohen A J, et al. The effect of air pollution on deaths, disease burden, and life expectancy across China and its provinces, 1990-2017: an analysis for the global burden of disease study 2017[J]. The Lancet Planetary Health, 2020, 4(9): e386-e398. DOI:10.1016/S2542-5196(20)30161-3 |
| [5] | Liu H M, Cui W J, Zhang M. Exploring the causal relationship between urbanization and air pollution: evidence from China[J]. Sustainable Cities and Society, 2022, 80. DOI:10.1016/j.scs.2022.103783 |
| [6] | Shen F Z, Zhang L, Jiang L, et al. Temporal variations of six ambient criteria air pollutants from 2015 to 2018, their spatial distributions, health risks and relationships with socioeconomic factors during 2018 in China[J]. Environment International, 2020, 137. DOI:10.1016/j.envint.2020.105556 |
| [7] | Zhou W, Chen C, Lei L, et al. Temporal variations and spatial distributions of gaseous and particulate air pollutants and their health risks during 2015-2019 in China[J]. Environmental Pollution, 2021, 272. DOI:10.1016/j.envpol.2020.116031 |
| [8] | 北京市环境保护局. 2022年北京市生态环境状况公报[EB/OL]. http://sthjj.beijing.gov.cn/bjhrb/index/xxgk69/sthjlyzwg/1718880/1718881/1718882/326119689/index.html, 2023-05-29. |
| [9] | 天津市环境保护局. 2022年天津市生态环境状况公报[EB/OL]. https://sthj.tj.gov.cn/YWGZ7406/HJZL9827/HJZKGB866/TJSLNHJZKGB6653/202306/t20230605_6267586.html, 2023-06-05. |
| [10] | 河北省环境保护厅. 2022年河北省生态环境状况公报[EB/OL]. http://hbepb.hebei.gov.cn/res/hbhjt/upload/file/20230602/bd9d635a2555484786a9891052dbfa49.pdf, 2023-06-02. |
| [11] | Guo B, Wu H J, Pei L, et al. Study on the spatiotemporal dynamic of ground-level ozone concentrations on multiple scales across China during the blue sky protection campaign[J]. Environment International, 2022, 170. DOI:10.1016/j.envint.2022.107606 |
| [12] |
韦小丽. 基于多源数据协同融合的高分辨率AOD反演与PM2.5浓度估算研究[D]. 上海: 华东师范大学, 2021. Wei X L. Leveraging multi-sensor data fusion to generate high resolution AOD and PM2.5 concentration maps[D]. Shanghai: East China Normal University, 2021. |
| [13] | Chen Y Q, Jiao Z G, Chen P, et al. Short-term effect of fine particulate matter and ozone on non-accidental mortality and respiratory mortality in Lishui district, China[J]. BMC Public Health, 2021, 21(1). DOI:10.1186/s12889-021-11713-9 |
| [14] | Li Z W, Liu M Y, Wu Z Y, et al. Association between ambient air pollution and hospital admissions, length of hospital stay and hospital cost for patients with cardiovascular diseases and comorbid diabetes mellitus: Base on 1, 969, 755 cases in Beijing, China, 2014-2019[J]. Environment International, 2022, 165. DOI:10.1016/j.envint.2022.107301 |
| [15] | Sui X M, Zhang J Q, Zhang Q, et al. The short-term effect of PM2.5/O3 on daily mortality from 2013 to 2018 in Hefei, China[J]. Environmental Geochemistry and Health, 2021, 43(1): 153-169. DOI:10.1007/s10653-020-00689-x |
| [16] | Zhang X X, Cheng C X, Zhao H. A health impact and economic loss assessment of O3 and PM2.5 exposure in China from 2015 to 2020[J]. GeoHealth, 2022, 6(3). DOI:10.1029/2021GH000531 |
| [17] | Texcalac-Sangrador J L, Hurtado-Díaz M, Félix-Arellano E E, et al. Health and economic impacts assessment of O3 exposure in Mexico[J]. International Journal of Environmental Research and Public Health, 2021, 18(21). DOI:10.3390/ijerph182111646 |
| [18] | Wu J S, Wang Y, Liang J T, et al. Exploring common factors influencing PM2.5 and O3 concentrations in the Pearl River Delta: tradeoffs and synergies[J]. Environmental Pollution, 2021, 285. DOI:10.1016/j.envpol.2021.117138 |
| [19] | Chen X Y, Zhao X, Jones M B, et al. The relationship between hair metabolites, air pollution exposure and gestational diabetes mellitus: a longitudinal study from pre-conception to third trimester[J]. Frontiers in Endocrinology, 2022, 13. DOI:10.3389/fendo.2022.1060309 |
| [20] | Ma R M, Ban J, Wang Q, et al. Random forest model based fine scale spatiotemporal O3 trends in the Beijing-Tianjin-Hebei region in China, 2010 to 2017[J]. Environmental Pollution, 2021, 276. DOI:10.1016/j.envpol.2021.116635 |
| [21] | Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. DOI:10.1023/A:1010933404324 |
| [22] | Wong P Y, Lee H Y, Chen Y C, et al. Using a land use regression model with machine learning to estimate ground level PM2.5 [J]. Environmental Pollution, 2021, 277. DOI:10.1016/j.envpol.2021.116846 |
| [23] | Li Y, Hong T, Gu Y F, et al. Assessing the spatiotemporal characteristics, factor importance, and health impacts of air pollution in Seoul by integrating machine learning into land-use regression modeling at high spatiotemporal resolutions[J]. Environmental Science & Technology, 2023, 57(3): 1225-1236. DOI:10.3969/j.issn.1000-6923.2023.03.024 |
| [24] |
程育恺, 戴海夏, 张蕴晖, 等. 长三角地区2017~2020年臭氧浓度时空分布与人群健康效益评估[J]. 环境科学, 2023, 44(2): 719-729. Cheng Y K, Dai H X, Zhang Y H, et al. Spatial and temporal distribution characteristics of ozone concentration and population health benefit assessment in the Yangtze River Delta region from 2017 to 2020[J]. Environmental Science, 2023, 44(2): 719-729. |
| [25] | Han L, Zhao J Y, Gao Y J, et al. Spatial distribution characteristics of PM2.5 and PM10 in Xi'an City predicted by land use regression models[J]. Sustainable Cities and Society, 2020, 61. DOI:10.1016/j.scs.2020.102329 |
| [26] | Liang F C, Xiao Q Y, Huang K Y, et al. The 17-y spatiotemporal trend of PM2.5 and its mortality burden in China[J]. Proceedings of the National Academy of Sciences of the United States of America, 2020, 117(41): 25601-25608. |
| [27] | Zhao N, Elshareef H, Li B W, et al. The efforts of China to combat air pollution during the period of 2015-2018: a case study assessing the environmental, health and economic benefits in the Beijing-Tianjin-Hebei and surrounding "2+26" regions[J]. Science of the Total Environment, 2022, 853. DOI:10.1016/j.scitotenv.2022.158437 |
| [28] | Guan Y, Xiao Y, Chu C J, et al. Trends and characteristics of ozone and nitrogen dioxide related health impacts in Chinese cities[J]. Ecotoxicology and Environmental Safety, 2022, 241. DOI:10.1016/j.ecoenv.2022.113808 |
| [29] | Zhang X X, Yan B, Zhou Y Y, et al. Short-term health impacts related to ozone in China before and after implementation of policy measures: a systematic review and meta-analysis[J]. Science of the Total Environment, 2022, 847. DOI:10.1016/j.scitotenv.2022.157588 |
| [30] | Gao A F, Wang J Y, Poetzscher J, et al. Coordinated health effects attributable to particulate matter and other pollutants exposures in the North China Plain[J]. Environmental Research, 2022, 208. DOI:10.1016/j.envres.2021.112671 |
| [31] | Nie D Y, Shen F Z, Wang J F, et al. Changes of air quality and its associated health and economic burden in 31 provincial capital cities in China during COVID-19 pandemic[J]. Atmospheric Research, 2021, 249. DOI:10.1016/j.atmosres.2020.105328 |
| [32] |
谢旭轩. 健康的价值: 环境效益评估方法与城市空气污染控制策略[D]. 北京: 北京大学, 2011. Xie X X. Value of health: environmental benefit evaluation method and urban air pollution control strategy[D]. Beijing: Peking University, 2011. |
| [33] | Organization for Economic Co-operation and Development. The economic consequences of outdoor air pollution[EB/OL]. https://read.oecd-ilibrary.org/environment/the-economic-consequences-of-outdoor-air-pollution_9789264257474-en, 2016-06-09. |
| [34] | Xiao Q Y, Geng G N, Xue T, et al. Tracking PM2.5 and O3 pollution and the related health burden in China 2013-2020[J]. Environmental Science & Technology, 2022, 56(11): 6922-6932. |
| [35] | Wei J, Li Z Q, Li K, et al. Full-coverage mapping and spatiotemporal variations of ground-level ozone (O3) pollution from 2013 to 2020 across China[J]. Remote Sensing of Environment, 2022, 270. DOI:10.1016/j.rse.2021.112775 |
| [36] | Le T H, Wang Y, Liu L, et al. Unexpected air pollution with marked emission reductions during the COVID-19 outbreak in China[J]. Science, 2020, 369(6504): 702-706. DOI:10.1126/science.abb7431 |
| [37] | Wu M, Hu X S, Wang Z Y, et al. Lockdown effects of the COVID-19 on the spatio-temporal distribution of air pollution in Beijing, China[J]. Ecological Indicators, 2023, 146. DOI:10.1016/j.ecolind.2023.109862 |
| [38] | Li J Y, Gao Y, Huang X. The impact of urban agglomeration on ozone precursor conditions: a systematic investigation across global agglomerations utilizing multi-source geospatial datasets[J]. Science of the Total Environment, 2020, 704. DOI:10.1016/j.scitotenv.2019.135458 |
| [39] | Wang R N, Bei N F, Hu B, et al. The relationship between the intensified heat waves and deteriorated summertime ozone pollution in the Beijing-Tianjin-Hebei region, China, during 2013-2017[J]. Environmental Pollution, 2022, 314. DOI:10.1016/j.envpol.2022.120256 |
| [40] | Conibear L, Reddington C L, Silver B J, et al. Sensitivity of air pollution exposure and disease burden to emission changes in China using machine learning emulation[J]. GeoHealth, 2022, 6(6). DOI:10.1029/2021GH000570 |
| [41] | Tao T H, Shi Y S, Gilbert K M, et al. Spatiotemporal variations of air pollutants based on ground observation and emission sources over 19 Chinese urban agglomerations during 2015-2019[J]. Scientific Reports, 2022, 12(1). DOI:10.1038/s41598-022-08377-9 |
| [42] | Li C L, Li F, Cheng Q, et al. Divergent summertime surface O3 pollution formation mechanisms in two typical Chinese cities in the Beijing-Tianjin-Hebei region and Fenwei Plain[J]. Science of the Total Environment, 2023, 870. DOI:10.1016/j.scitotenv.2023.161868 |
| [43] | Lu X, Zhang S J, Xing J, et al. Progress of air pollution control in China and its challenges and opportunities in the ecological civilization era[J]. Engineering, 2020, 6(12): 1423-1431. |
| [44] | Wang W, Liu Y N, Liu J M, et al. Mortality and years of life lost of cardiovascular diseases in China, 2005-2020: empirical evidence from national mortality surveillance system[J]. International Journal of Cardiology, 2021, 340: 105-112. |
| [45] | Ma Y X, Zhang Y F, Cheng B W, et al. A review of the impact of outdoor and indoor environmental factors on human health in China[J]. Environmental Science and Pollution Research, 2020, 27(34): 42335-42345. |
| [46] | Wang W, Li J M, Liu Y N, et al. Spatiotemporal trends and ecological determinants of cardiovascular mortality among 2844 counties in mainland China, 2006-2020: a Bayesian modeling study of national mortality registries[J]. BMC Medicine, 2022, 20(1). DOI:10.1186/s12916-022-02613-9 |
| [47] | Zhao H, Wang L, Zhang Z, et al. Quantifying ecological and health risks of ground-level O3 across China during the implementation of the "three-year action plan for cleaner air"[J]. Science of the Total Environment, 2022, 817. DOI:10.1016/j.scitotenv.2022.153011 |
| [48] | United States Environmental Protection Agency. BenMAP-CE manual and appendices[EB/OL]. https://www.epa.gov/benmap/benmap-ce-manual-and-appendices, 2023-05-01. |
| [49] | Huang Q Y, Chen G D, Xu C, et al. Spatial variation of the effect of multidimensional urbanization on PM2.5 concentration in the Beijing-Tianjin-Hebei (BTH) urban agglomeration[J]. International Journal of Environmental Research and Public Health, 2021, 18(22). DOI:10.3390/ijerph182212077 |
| [50] | Diao B D, Ding L, Zhang Q, et al. Impact of urbanization on PM2.5-related health and economic loss in China 338 Cities[J]. International Journal of Environmental Research and Public Health, 2020, 17(3). DOI:10.3390/ijerph17030990 |