天津市空气质量健康指数（AQHI）的建立及应用

张敏 ，崔振雷*，高润祥，李文

1. 天津市环境气象中心，天津 300074；2. 天津市气象局，天津 300074；3. 天津医科大学公共卫生学院，天津 300070

空气污染对人体健康的影响研究是国际上热门的前沿课题之一（World Health Organization，2006）。国内外流行病学研究均已证实，居民某些疾病发病率和死亡率的增加与大气污染密切相关（Lim et al.，2012）。在我国复合型大气污染形势下（胡敏等，2011；徐祥德等，2005），如何科学合理地评价环境空气质量状况成为重要问题。2000—2012年，我国空气质量日报主要以空气污染指数（API）（国家环境保护局，1996）为主。自2012年开始各城市根据GB3095—2012《环境空气质量标准》（环境保护部等，2012）每日发布空气质量指数（AQI）。API或AQI等指数在计算时所依赖的污染物浓度限值根源于国外的流行病学研究成果，与国外相比，我国大气污染特征、居民生活方式及健康特性和易感性均有很大不同，可能并不适用于我国。此外由于AQI仅以分指数最高的污染物（即首要污染物）来反映空气质量状况，掩盖了其他共存污染物对空气质量的影响，另外该指数体系难以直接反映空气污染与健康效应间广泛存在的线性无阈值关系（Samoli et al.，2005）。因此 API或 AQI难以真实反映大气污染与居民健康效应的暴露反应关系，该指数对人体健康的指导意义有限。

加拿大环境保护部和卫生部率先提出了空气质量健康指数（AQHI）的概念（Stieb et al.，2008），直接将人群流行病学观察到的多个污染物健康效应指数化并对社会公布，已有研究证实加拿大AQHI可良好地预测居民的健康水平（To et al.，2013）。近年来，国际上已有数个研究探讨建立类似的指数形式（Cairncross et al.，2007；Kyrkilis et al.，2007；Sicard et al.，2012；Wong et al.，2013），国内也有学者开展了AQHI的研究，陈仁杰（2013）对全国 17个城市大气污染与居民急性健康效应进行了分析，使用PM10/PM2.5与NO2建立了AQHI。乔明利等（2018）和王砚（2015）参考加拿大的模型，利用SO2、NO2和PM10为指示污染物分别建立了兰州AQHI，并与API和AQI进行了对比。王文韬等（2017）利用PM2.5和O3两种空气污染物构建了广州、上海、西安、北京、沈阳的空气质量健康指数。由于不同地区空气污染和健康之间的数量关系存在较大差异，因此AQHI不能直接套用其他国家或其他城市的研究结果。为确保AQHI结果能如实反应空气质量对公众健康的影响，并准确对当地公众的健康行为进行指引，有必要使用当地健康数据与大气污染数据建立联系，开发适用于当地的AQHI。

本文旨在利用天津市大气污染物数据和同期医疗卫生机构就医行为数据确定大气污染物的反应暴露关系，综合考虑SO2、NO2、CO、O3、PM10和 PM2.5等多种污染物对人体健康的影响，建立适用于天津市的AQHI，并比较其与AQI预测健康效应的能力。

1 资料及方法

1.1 资料

本研究选取2013年1月1日－2018年10月31日天津市空气质量监测站的 SO2、NO2、CO、O3、PM10和 PM2.5的质量浓度资料（数据来自天津市环境监测中心，网址http://air.tjemc.org.cn）；天津市各区常住人口数据来自天津市统计局（网址http://stats.tj.gov.cn/Category_44/Index.aspx），天津市医疗机构就医人次数据来自天津市卫生和计划生育委员会官方网站（网址http://wsjk.tj.gov.cn/col/col25/index.html?number=T04）。

1.2 方法

1.2.1 暴露浓度的确定

因为大气污染物和人口分布均存在地域差异，为真实反映大气污染物对全市人口医疗行为的影响，本文将大气污染物浓度以各区人口分布比例进行加权平均后，得到天津市不同污染物的等效浓度（孙兆彬等，2012）。该方法将大气污染物浓度和暴露于该浓度下的人口数量综合考虑，较算数平均法或区域平均法更科学。以 2015年为例，天津市各区常住人口为1547万，各区人口比例及空气质量监测站信息如表1。

1.2.2 暴露反应关系的建立

采用国际上通用的时间序列方法进行定量评价危险度（阚海东等，2004），结合大气污染物每增高单位浓度所产生的健康损失，对大气污染物浓度变化对人群健康不良影响进行定量评估。

采用时间序列的 Poisson半参数广义相加模型（Generalized Additive Models，GAM）分析大气污染物与天津全市就医人次数之间的关系。单污染物模型每次只考虑一种大气污染物对健康效应的影响，计算得到该大气污染物的暴露反应关系系数。在大气扩散条件及污染源排放等多种因素的影响下，各污染物之间存在明显的相关关系（见表2），某种污染物浓度高时伴随着其他污染物浓度也较高，出现聚集效应，多种污染物浓度变化规律较一致，因此很难判断某种大气污染物是否存在独立的健康危害。若把它们的健康效应简单叠加则可能会导致重复计算的问题，因此本研究使用多污染物模型，与单污染物模型不同，多污染物模型在计算暴露反应关系时剔除了污染物间的混杂影响等，因此此类模型适用于研究多种污染物分别产生的健康效应。

表2 不同污染物质量浓度Spearman相关分析统计Table 2 The Spearman correlation coefficients between different pollutants

表1 2015年天津市各区人口分布及空气质量环境监测代表站信息Table 1 The distribution of population and observation stations information in different districts of Tianjin in 2015

由于医院每天的就医人次数相对于总人群来说，属于小概率事件，可认为其近似服从 Poisson分布（Domici et al.，2002）。将各种污染物浓度数据、气象因素等均作为因子变量构建广义相加多污染物模型，排除各种污染物之间、污染物与气象因素间等对健康效应终点产生的叠加、拮抗的影响，此外考虑长期趋势、季节趋势、日历效应等混杂因素的影响，可以分别得到各种污染物对健康效应终点的独立影响，具体见式（1）。

其中Yk为k日的就医人次数（含门急诊人次和住院人次）；E(Yk)为就医人次数的期望值；α为截距；β为回归系数，称为暴露反应关系系数；n为模型中考虑的大气污染物种类数量；Xk,i为第i种大气污染物浓度；s为非参数样条平滑函数；df为自由度；time为日期；Zk为气象要素，此处选取气温、相对湿度和2 m风速。通过此模型对全市就医人次数与不同大气污染物浓度进行非线性拟合，求得不同大气污染物的暴露反应关系系数β，从而建立了SO2、NO2、CO、O3、PM10和PM2.5与全市就医人次数之间的暴露反应关系。

应用赤池信息准则（AIC准则）对模型进行因子选择与优度检验，AIC值越小，模型的拟合优度越好，研究中选用AIC值最小的模型。

根据GAM模型计算得出暴露反应关系系数β，当大气污染物变化单位浓度时，就医门急诊人次数自然对数的相对改变量为相对危险度RR（Relative Risk）。本文的单位浓度变化为污染物浓度的四分位间距（IQR）。RR及其95%置信区间（95% CI）的计算公式如式（2）：

其中β为暴露反应关系系数；SE为标准误差，污染物浓度每增加10 μg⋅m-3，就医人次数变化的百分比由式（3）或式（4）计算得到，二者结果相差不大，本研究使用式（4）。

1.2.3 构建AQHI

根据流行病学相关研究，绝大多数大气污染物均可对人体健康造成急性或慢性影响（Lim et al.，2012），其直观的表现形式就是人群就医人次数的增加（式5）。

式中 ER代表相对于背景值因为大气污染物导致的就医人次数增加的百分比；βi为第i种污染物的暴露反应关系系数；ρi为第i种污染物的实际质量浓度。

本研究在借鉴加拿大（Stieb et al.，2008）、香港（Zhang，2006）和中国广州（Li et al.，2017）等相关研究成果的基础上，使用PM10、SO2、NO2、O3作为典型污染物计算大气污染对人体健康的影响。将以上4种污染物造成的人群就医人次数变化情况相加，得到空气质量相关的超额就诊率 ER。将ER乘以10后再除以研究期间数值最大的ERmax，即可得到范围为0到10的ER，即AQHI，计算公式见式（4）。为方便信息交流与发布，AQHI均四舍五入为整数值。

2 结果与分析

2.1 不同污染物对就医人次数的影响

将2013年1月1日—2018年10月31日天津市医疗卫生机构就医人次数、同期大气污染物浓度数据、气温、相对湿度、风速以及人口数据等代入GAM多污染物模型，计算得到6种大气污染物的暴露反应关系系数β，利用式（4）计算得到各种大气污染物质量浓度升高 10 μg⋅m-3产生的就医人次数变化率，结果见表 3。由表可以发现，6种污染物对就医人次数变化率影响不同，SO2、NO2、CO、O3、PM10、PM2.5的日均质量浓度每升高 10 μg⋅m-3，全市就医人次数分别增加1.99%，3.16%，0.09%，1.17%，1.19%和1.94%，其中NO2引起的增量最大，SO2次之，PM2.5和PM10居中。

表3 天津市不同污染物的质量浓度及其对就医人次数的影响Table 3 The concentration and exposure response coefficients of different pollutants in Tianjin

绝大多数的流行病学研究均发现空气污染与人类健康效应的暴露反应关系是线性且无阈值的（Samoli et al.，2005）。为了解不同污染物对就医人次数量变化产生的贡献，将污染物浓度与其对应的暴露反应关系系数相乘，即为该污染物造成的就医人次数增加率。经计算，2018年年均SO2、NO2、CO、O3、PM10、PM2.5质量浓度分别为 12.12、47.45、1006.52、72.08、81.58、52.35 μg⋅m-3，则其造成就医人次数量增加率分别为2.41%，15.31%，9.00%，8.55%，9.69%，10.32%。由此可见，天津市对人体健康影响最大的污染物为 NO2，其次是 PM2.5和PM10，CO和O3再次，SO2影响最小。因此在当前状况下，降低天津大气中的NO2和PM2.5浓度将有利于降低市民暴露在大气中的健康风险。

2.2 AQHI的构建及分级

选用大气污染物质量浓度居中的 2015年和2016年作为代表年份确定AQHI公式，将2015年1月1日—2016年12月31日逐日SO2、NO2、O3、PM10质量浓度数据代入式（3），得到ERmax为97，则AQHI的计算公式如式（7）。

以 2016年为例，将逐日污染物质量浓度数据代入式（5），得到全年逐日AQHI指数，对其统计后得到AQHI频度直方图（图1），与AQI统计结果（图2）相比，AQHI分布变化更平滑。对2016年逐日AQHI指数和AQI指数分别进行了指数分布和正态分布检验，结果发现，AQHI指数的指数分布和正态分布显著系数分别为 0.737和 0.690，而AQI指数的显著系数分别为 0.529和 0.442，说明AQHI指数分布更符合指数分布和正态分布。在参考香港（Zhang，2006）和加拿大（Stieb et al.，2008）的分级标准的基础上，考虑到天津大气污染物浓度在全球也属较高水平的实际情况（韩素芹等，2008），设置AQHI指数0—3时为低风险；4—6时为中度风险，7—8时为高风险，9—10+时为极高风险。按照不同的风险等级，针对不同的人群给出了健康建议，见表4。

图1 2016年逐日AQHI频度直方图（10+表示大于10的AQHI指数）Fig. 1 Daily AQHI frequency histogram in 2016(10+ means AQHI large than 10)

图2 2016年逐日AQI频度直方图Fig. 2 Daily AQI frequency distribution histogram in 2016

2.3 AQHI与AQI的比较和检验

为检验 AQHI指数在实际应用中的效果，将2017年1月1日—2018年10月31日期间计算后的 AQHI与 AQI分别对天津市健康效应进行了比较。将AQI经过处理，使其与AQHI同样设置为变化区间为 0—10。将 AQHI、AQI指数分别和全市就医人次数、医院就医人次数、心血管病类医院就医人次数、儿童类医院就医人次数等就医数据分别进行了偏相关分析。偏相关分析是指当两个变量同时与第3个变量相关时，将第3个变量的影响剔除，只分析另外两个变量之间相关程度的过程，本文在偏相关分析时排除了人口、气温、风速和相对湿度的影响，使用的分析工具为SPSS 19.0软件，结果如表5。

表4 AQHI分级及针对不同人群建议Table 4 The AQHI levels and suggestion for different groups

表5 AQHI和AQI与不同就医行为偏相关系数对比Table 5 The partial correlation coefficients between AQHI/AQI and different health seeking behavior and health seeking data

由表5可以发现，在剔除人口、气象因素影响后，AQHI指数与全市就医人次数、医院就医人次数、综合类医院就医人次数、基层医疗卫生机构就医人次数均呈显著正相关关系（P＜0.100），其中与综合类医院就医人次数的偏相关系数最大，为0.533（P＜0.050），说明AQHI可以较好反应天津人群的就医行为。因传染病受季节和疾病源等外界因素影响较大，且传染类疾病与大气污染物质量浓度没有直接因果关系，因此 AQHI与传染病类医院就医人次数相关性较差。与AQHI相比，AQI指数与全市就医人次数等指标均无相关性，说明AQI在描述人群就医行为方面较差。AQHI指数对人体健康的影响更敏感，其对安排指导人群的就医行为更具指导意义。

3 结论与讨论

3.1 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。本研究采用时间序列的 Poisson半参数广义相加模型GAM分析2013—2018年天津全市就医人次数之间的关系，结果表明，本研究证实了天津地区大气污染物对人群就医行为产生影响。经GAM模型分析得知，2013—2018年 SO2、NO2、CO、O3、PM10和PM2.5质量浓度每升高10 μg⋅m-3，全市就医人次数分别增加1.99%，3.16%，0.09%，1.17%，1.19%和1.94%。根据杨春雪等（2012）和杨丝絮等（2018）在上海的研究、李宁等（2009）在广州的研究、常桂秋等（2003）和Xu et al.（1995）在北京的研究显示，SO2、NO2、PM10和 PM2.5质量浓度每升高10 μg⋅m-3，造成的呼吸系统门急诊就医人次或感冒疾病就医人次增加率在0.2%—3.0%之间，本文对天津地区的研究结果在前人结果中居中。O3是光化学烟雾的主要成分，水溶性较小，易进入人体呼吸道深部，可出现呼吸道症状、气道高反应性增高以及呼吸道炎症反应，从而对人群健康和就医行为产生影响，董继元等（2016）经过 Meta分析认为大气中 O3浓度升高将导致人群非意外总死亡率、心血管系统疾病和呼吸系统疾病死亡率相应升高，胡悦等（2016）认为石家庄市每增加 10 μg⋅m-3的 O3约增加1.21%居民因呼吸系统疾病急救人次，本研究结果与其类似。而杨丝絮等（2018）和杨春雪等（2012）研究表明O3浓度的升高未使就医人次数增加，这可能和混杂了其他大气污染物或气象等因素有关。本研究排除了气象要素尤其是温度和其他各类污染物对 O3健康效应的影响，研究方法相对更科学。

基于大气污染物对健康效应终点的研究，本文以SO2、NO2、O3、PM10作为空气质量的指示污染物，以多污染物模型计算的暴露反应关系系数为基础，构建天津地区AQHI。实际运用时，将SO2等4种污染物当天平均质量浓度代入公式即可得到AQHI。与 AQI相比，AQHI可以表明空气质量与健康效应间存在的线性无阈值关系，而AQI是分段线性函数值，当低于某一限值时，即认为无健康危害，存在弊端。本研究专门计算了天津当地的暴露反应关系系数，更符合当地污染情况和人群健康特征，因此AQHI能更好地反映当天空气质量的急性健康效应，AQHI与我国现行的AQI有明显优势，这与加拿大（Stieb et al.，2008）和香港（Mason et al.，2019）以及陈仁杰（2013）、乔明利等（2018）的研究结论一致。AQHI的预期应用前景广阔，应用方便灵活，今后可引入更多的空气污染检测指标（如 PM2.5和 CO），并结合更全面的健康效应数据（如不同年龄、性别、不同疾病种类的就医、死亡数据等），对 AQHI进行修订。需注意的是，时间序列分析属生态学研究，生态学谬误、暴露测量误差及各污染物间存在较强的相关关系等使得对模型的分析结果应慎重解释。

3.2 结论

利用2013年1月1日—2018年10月31日天津市医疗卫生机构就医人次数据及同期大气污染物数据构建并验证了天津市AQHI模型，研究表明：

（1）SO2、NO2、CO、O3、PM10、PM2.5等 6种污染物对天津全市就医人次数均有正反馈，SO2、NO2、CO、O3、PM10和 PM2.5质量浓度每升高 10 μg⋅m-3，全市就医人次数分别增加1.99%，3.16%，0.09%，1.17%，1.19%和1.94%。

（2）2018 年 SO2、NO2、CO、O3、PM10、PM2.5造成就医人次数量增加率分别为2.41%，15.31%，9.00%，8.55%，9.69%，10.32%，控制NO2和PM2.5浓度将有助于降低天津居民的健康风险。

（3）构建了适用于天津的AQHI指数模型，按照AQHI从低到高设置了4个风险区间，并针对不同人群提出了健康建议。将AQHI与AQI指数对比和检验，AQHI能更好地描述人群的就医行为，AQHI指数更有利于居民对健康行为采取措施。