四川盆地PM2.5污染的人群暴露风险研究

2023-10-09 12:38汪可可石光明张小玲王柯懿
安全与环境工程 2023年5期
关键词:四川盆地盆地人群

汪可可,康 平,石光明,张小玲,王柯懿,4

(1.成都信息工程大学高原大气与环境四川省重点实验室,四川 成都 610225;2.成都信息工程大学资源环境学院,四川 成都 610225;3.四川大学建筑与环境学院,四川 成都 610065;4.鄂州市气象局,湖北 鄂州 436000)

细颗粒物(PM2.5)作为主要的大气污染物,由于其体积小、比面积大,其上吸附大量细菌、病毒、重金属等,对于空气质量状况、全球气候以及人类健康均有较大的影响[1-2]。大量的流行病学研究表明,较高的PM2.5暴露直接或间接地增加了人群呼吸系统疾病、心脑血管疾病与中风等的发病率与死亡率[3-4],尤其是原先患有呼吸系统或心脑血管疾病的人群以及身体状况不佳的老年、儿童人群对大气颗粒物的污染更为敏感,可能引发或加速老年痴呆、儿童智力不良发育等[5-7]。因此,长期暴露于PM2.5污染环境导致的人体健康损失和死亡已是造成全球疾病负担的主要风险因素之一[8]。一项评估表明,人长期暴露于大气颗粒物污染环境中,大气颗粒物污染浓度每增加10 μg/m3,人的预期寿命会减少0.64 a(95%CI=0.21~1.07)[9],2015年全球约有420万人因长期暴露于PM2.5污染环境而死亡[10]。因此,对于空气污染暴露风险进行科学精准评价,从而对于空气污染导致的人体健康问题进行合理控制迫在眉睫。

国内外学者们运用多种指标对人群的PM2.5暴露风险进行了评估。如:Luke等[11]基于土地利用回归模型对澳大利亚长期PM2.5暴露风险进行了评估;张西雅等[12]基于多源数据对北京地区PM2.5暴露风险进行了评估;邹雨轩等[13]耦合土地利用回归与人口加权模型对广佛都市区PM2.5暴露风险进行了评估。以上研究主要运用环境中PM2.5浓度或基于模型和人口加权的PM2.5浓度对PM2.5污染的人群暴露风险进行评估,但均缺少考虑人群环境暴露行为模式的差异对于PM2.5暴露风险的影响。环境暴露参数是科学评价环境健康风险的关键基础,被认为是空气污染物健康风险评估研究中最重要的误差来源之一[14]。美国是最早开展人群环境暴露行为模式研究的国家,由于我国相关研究起步较晚,我国许多学者在开展部分区域环境暴露风险的研究中沿用了美国人群环境暴露参数,而由于人种、环境和生活方式等的不同,其他国家的相关空气暴露参数与我国的差异较大(据统计,我国成人室外空气综合暴露系数分别是日本和韩国的2.7倍和3.3倍,我国儿童室外空气综合暴露系数高于美国同年龄段儿童,是美国的1.1~3.0倍[15])。因此,引用国外人群环境暴露参数来评估我国环境健康暴露风险会与真实环境暴露风险水平存在较大的偏差。一项对浙江沿海地区居民的研究发现,若直接引用美国或日本人群环境暴露行为模式来计算我国人群涉气活动下的日均暴露剂量,男性计量计算值偏低,而女性计量计算值偏高,将分别带来10.90%~13.75%和1.34%~1.55%的偏差[16]。原环境保护部根据我国人群环境暴露参数研究的调查结果,发布了《中国人群暴露参数手册(成人卷)》[15]和《中国人群暴露参数手册(儿童卷:6~17岁)》[17],共分别调查了91 121成人和41 439儿童,为我国环境健康风险评估工作提供了可代表全国本土水平的基础数据,是我国环境健康风险评估研究进程里程碑式的成果。

美国国家环保署(EPA)推荐的环境健康暴露风险评估模型可用于评估通过呼吸途径引起的人体健康风险,有学者利用该模型并结合中国人群环境暴露参数对大气颗粒物中重金属的健康风险进行了定量评价[18-19],但对于PM2.5总浓度的环境健康暴露风险评估较为缺乏。同时,PM2.5污染的健康风险效应评估还受到总人口数、老龄化程度、不同健康终点阈值等的影响。Burnett等[20]通过研究PM2.5质量浓度与4种相关疾病的相关性,建立了综合暴露-响应(integrated exposure response,IER)模型。IER模型是一种可以得到归因于空气污染的人群归因分数的相对环境健康暴露风险预测方法,张梦娇等[21]利用IER模型估算得出中国东部、中部地区2013—2017年由于PM2.5浓度下降可避免的归因死亡人数为10.68万人;蒋叶等[22]利用IER模型分析得出2019年成都市由于PM2.5污染导致的4种相关疾病的过早死亡人数为1.83万例。四川盆地为我国大气重污染区域,目前PM2.5暴露风险的归因死亡研究较少,因此引入我国相关地区的人群环境暴露参数数据对四川盆地人群PM2.5暴露风险进行评价,将有助于真实地反映该区域空气污染暴露风险以及不同人群暴露风险的差异特征。

综上,本文以中国大气复合污染最严重的地区之一的四川盆地为研究区[23-24],基于该地区2016—2020年国控监测站点PM2.5浓度数据、精细化人口密度数据以及中国人群环境暴露参数数据,通过比较PM2.5暴露强度(EI)、基于原始浓度的PM2.5暴露风险(R)和基于人口加权浓度的PM2.5暴露风险(R*)3种评估指标,综合开展四川盆地PM2.5污染的人群暴露风险研究,并利用IER模型对四川盆地2016—2020年年均归因于PM2.5污染的疾病致死人数进行评估,以期为精准识别四川盆地不同区域、不同性别、不同年龄城乡人群PM2.5暴露风险的特征和差异,为决策者制定PM2.5污染防控措施、减少健康损失提供理论参考。

1 数据来源与研究方法

1.1 数据来源

1.1.1 PM2.5浓度数据

本研究使用来自全国城市空气质量实时发布平台(http://106.37.208.233:20035/)的PM2.5浓度数据为PM2.5小时值(数据起止时间为2016年1月1日—2020年12月31日),根据《环境空气质量标准》(GB 3095—2012)[25]对原始数据进行质量控制,最终选取四川盆地17个城市(成都、重庆、达州、德阳、广安、广元、乐山、泸州、眉山、绵阳、南充、内江、遂宁、雅安、宜宾、资阳、自贡)共80个国控环境监测站点(图1)2016—2020年的PM2.5浓度数据。其中,选取国控环境监测站点背景(对照)站PM2.5监测浓度代表农村PM2.5浓度(其中雅安、德阳、绵阳和内江由于数据缺失,分别采用该市中PM2.5年均浓度最低站点代替背景站点PM2.5监测浓度);剔除背景站后的其余站点的PM2.5监测浓度代表城市PM2.5浓度。

图1 四川盆地国控环境监测站点分布图Fig.1 Spatial distribution of national-controlled environ- mental monitoring sites in Sichuan Basin

1.1.2 人口密度数据

本研究使用的人口密度数据选用2015年中国人口空间分布1 km分辨率网格数据,该数据来自中国科学院资源环境科学与数据中心(http://www.resdc.cn/DOI),单位为人/km2。根据《四川统计年鉴》[26]中各市人口增长率,估算得到四川盆地2016—2020年的人口分布。城乡人口数量数据根据《四川统计年鉴》中年末常住人口数量和城镇化率计算得出。

1.1.3 基线死亡率和暴露因子数据

本研究使用的各年龄组基线死亡率数据选自《中国死因监测数据集(2015—2020)》[27];暴露因子数据来自《中国人群暴露参数手册》(成人卷[15]、儿童卷[17])。基线死亡率、暴露因子分别采用中国西部、西南部地区分区数据,分男女组、城乡组和年龄组,其中基线死亡率数据选取缺血性心脏病(ischemic heart disease,IHD)、慢性阻塞性肺病(chronic obstructive pulmonary disease,COPD)和肺癌(lung cancer,LC),并使用脑血管疾病数据代替中风(stroke,STK);暴露因子采用了摄入量参数中的长期呼吸速率(inhalation Rate,IR)和时间活动模式参数中的暴露持续时间(exposure duration,ED)、暴露频率(exposure frequency,EF)、室外活动时间(exposure time,ET)、平均暴露时间(average time,AT)以及其他参数中的体重参数(body weight,BW)。

1.2 研究方法

1.2.1 PM2.5暴露强度(EI)

引入暴露强度风险模型[28],结合人口密度量化四川盆地PM2.5暴露强度,具体计算公式如下:

EIi=Piρi

(1)

式中:EIi为空间单元i的暴露强度;Pi为空间单元i的人口密度(人/km2);ρi为空间单元i内的PM2.5质量浓度(μg/m3)。

1.2.2 基于原始浓度的PM2.5暴露风险(R)

采用美国国家环境保护局(EPA)推荐的人体健康暴露风险评估模型,对PM2.5的人体健康暴露风险进行评估。本研究主要考虑PM2.5通过呼吸途径产生的非致癌健康暴露风险,忽略消化道与皮肤接触途径产生的非致癌健康暴露风险。对于非致癌物质,根据非致癌物质的日均暴露剂量ADD(average daily dose)、参考剂量RfD(reference dose)作为非致癌健康暴露风险评估的衡量标准,其健康暴露风险评估模型可采用如下公式表示:

(2)

(3)

式中:ADD为非致癌物质的日均暴露剂量[μg/(kg·d)];R为基于原始浓度的PM2.5暴露风险(无量纲);C为PM2.5质量浓度(μg/m3);IR为长期呼吸速率(m3/d);ET为室外活动时间(min/d);EF为暴露频率(d/a);ED为暴露持续时间(a);BW为体重(kg);AT为平均暴露时间(d);RfD为非致癌物质参考剂量[μg/(kg·d)]。

RfD的计算方法与ADD相同,其中将世界卫生组织(WHO)推荐的PM2.5年均暴露量不应大于5 μg/m3作为PM2.5质量浓度[29]。

1.2.3 基于人口加权浓度的PM2.5暴露风险(R*)

人口加权浓度可以弥补空气质量浓度假定评估单元内人口空间分布均一的缺陷[30],该指标被认为可在精细尺度上区分空间单元内部各网格人口空气污染暴露风险的差异[31]。基于人口加权浓度的PM2.5暴露风险(R*)的计算公式如下:

(4)

(5)

(6)

式中:Cpopi为空间单元i内的PM2.5人口加权浓度(μg/m3);ADD*为基于人口加权浓度的非致癌物质日均暴露剂量[μg/(kg·d)];R*为基于人口加权浓度的暴露风险(无量纲);其余参数同上。

1.2.4 健康损失计算方法

本文采用IER模型对归因于PM2.5污染的IHD、COPF、STK和LC 4种疾病导致的成人(>25岁)过早死亡人数进行评估[20],具体计算公式如下:

(7)

式中:RR为相对风险(relative risk,RR);C为PM2.5质量浓度(μg/m3);Czf为不同健康终点对应的阈值(μg/m3);α、γ、δ为与疾病有关的拟合参数,详见表1。

表1 IER模型的基本参数

归因于PM2.5暴露的死亡人数由下式计算[21]:

(8)

式中:ΔMor为归因于PM2.5暴露的死亡人数(人);y0为基线死亡率;Pop为人口数(人)。

2 研究结果与讨论

2.1 四川盆地3种PM2.5暴露风险评估方法比较

图2为四川盆地2016—2020年3种PM2.5暴露风险评估方法的结果对比图。

图2 四川盆地2016—2020年3种PM2.5暴露风险评估方法的结果比较Fig.2 Comparison of three PM2.5 exposure assessment methods in Sichuan Basin from 2016 to 2020

由图2可以看出:从四川盆地2016—2020年EI的评价结果[图2(a)]来看,EI值总体呈现盆地中部高、周边低的空间分布格局,其中盆地西部(即成都、德阳)、盆地中南部(即内江、宜宾及泸州)以及盆地中东部(即重庆及达州)为EI高值区;从四川盆地2016—2020年R的评价结果[图2(b)]来看,R高值区集中在盆地南部(即自贡、宜宾、乐山),其次为泸州、达州、南充、成都,R低值区主要位于盆地中部、西部(即资阳、广安、遂宁、雅安、重庆)以及广元;从四川盆地2016—2020年R*的评价结果[图2(c)]来看,R*高值区及低值区呈现出更为聚集的态势,其中R*高值区集中分布在盆地中部,其次为盆地东部,而R*低值区主要位于盆地北部及盆地西部。

EI考量了人口分布对于PM2.5暴露风险的影响,R考量了人群环境暴露参数对于PM2.5暴露风险的影响,而R*在考量人口分布的基础上,考虑了人群环境暴露参数对于PM2.5暴露风险的影响。通过比较图2中3种PM2.5暴露风险评估方法的结果可知:EI的评估结果与人口密度[图2(d)]分布呈现高度的一致性,R的评价结果与四川盆地2016—2020年PM2.5质量浓度空间分布[图2(e)]呈现高度的一致性,而R*相对兼顾了以上两者的优势。R最大值、最小值分别出现在自贡(1.460×10-5)、广元(5.878×10-6),与基于PM2.5质量浓度的评价结果一致[32],印证了R评估指标与PM2.5质量浓度评估指标的相对一致性;R*最大值、最小值分别出现在成都(2.296×10-5)、雅安(3.072×10-6),这两个城市的PM2.5人口加权浓度相对于原始质量浓度增加(降低)了+48.77%(-212.40%)。由此可见,PM2.5浓度高但人口较为稀疏的地区,整体的人口暴露剂量不大,因此并非是PM2.5暴露风险最大的地区,而PM2.5浓度低但人口较为密集的地区则成为PM2.5暴露风险最大的地区。

综上所述,本文认为R*评估指标能更为准确地显示四川盆地PM2.5暴露风险的相对大小。因此,后续研究中将选择使用R*作为评估指标对四川盆地人群的PM2.5暴露风险做进一步分析研究。

2.2 四川盆地人群PM2.5暴露风险评估

2.2.1 人群PM2.5暴露风险的城乡时空差异分析

四川盆地2016—2020年城乡人群各季节人群PM2.5暴露风险(R*)城乡对比结果,见图3。

图3 四川盆地2016—2020年各季节人群PM2.5暴露风险(R*)城乡对比图Fig.3 Comparison of PM2.5 exposure risk (R*) between urban and rural areas in Sichuan Basin from 2016 to 2020

由图3可以看出:

1) 从人群环境暴露参数来看,虽然城乡在春季、秋季的室外活动时间(ET)均高于夏季和冬季(城市分别高2.97%、6.52%;农村分别高19.72%、24.74%),但四川盆地2016—2020年R*值仍呈现出冬季最高、夏季最低,春、秋季介于两者之间的典型季节变化特征。其中,各季节城市、农村R*平均值分别为春季1.304×10-5、1.058×10-5,夏季7.886×10-6、6.222×10-6,秋季1.133×10-5、9.098×10-6,冬季1.778×10-5、1.392×10-5。

2) 从季节特征来看,春季盆地以静稳天气为主,且为播种及典型的生物质燃烧季节,会增加大气中颗粒物的质量浓度[33];夏季盆地太阳辐射强烈,大气湍流运动剧烈,水平和垂直扩散条件均较好,大气PM2.5浓度偏低;秋季盆地太阳辐射减弱,且频繁的降水导致PM2.5的清除作用明显;冬季盆地以静稳天气为主,易出现逆温[34],使得大气污染物在垂直方向上不易扩散,且冬季降水相对较少,从而导致PM2.5的冲刷作用较弱,更易悬浮停留在大气之中[35]。

3) 从城乡对比来看,盆地城乡R*值的时空分布差异不大,整体上城市R*值大于农村20.37%,与以往的研究结果相符[34]。其中,城市R*值大于农村的有广安、南充在春、夏、秋三季,达州、泸州、重庆在春、秋两季,绵阳、乐山在冬季,表明以上城市地区在相应季节比农村地区有着更为显著的PM2.5人群暴露风险。其原因首先在于城市PM2.5质量浓度相较农村更大,这可能与城乡大气动力学与热力学特征、PM2.5排放速率、传输与扩散条件以及下垫面差异等有关[36]。本研究选择背景站PM2.5浓度代表农村地区PM2.5浓度,该地区人口相对稀疏,工业不发达,污染物排放少,且植被覆盖度高,对污染物的清洁作用强[37]。从人群环境暴露参数来看,盆地城市人群各年龄段平均IR值大于农村1.85%,平均BW值大于农村3.21%;城市人群夏季、春秋季和冬季的ET值分别小于农村7.01%、11.07%和4.13%,且城市、农村的平均ET值都在冬季最小(分别小于平均值13.15%和15.98%)。可见,虽然由于城市人群在各季节的室外活动时间(ET)相对较少且体重(BW)较大,但更高的长期呼吸速率(IR)加重了城市人群的PM2.5暴露风险;即使在室外活动时间(ET)最小的冬季,由于PM2.5污染最为严重,因此仍在各季节中呈现出最高的PM2.5人群暴露风险。

4) 从整体上来看,春季、秋季R*高值区集中分布在盆地中西部及南部,夏季R*高值区集中分布在盆地中西部,其范围较春季有所减小,冬季R*高值区扩展到整个盆地中部及东部,其中特别是成都、德阳、自贡、内江等市为各季节R*高值区;各季节R*低值区主要位于盆地周边地区,特别是盆地北部的广元、盆地西部的雅安。由于各市采用同一套人群环境暴露参数,因此各地级市间差异主要由于PM2.5人口加权浓度造成。由于自贡、内江及其周边地区位于盆地南部气旋式流场污染物的滞留中心,且为典型的低山浅丘地区,不利于PM2.5的稀释与扩散,因此PM2.5年均浓度较高[38],加之人口密度也较大(人口密度分别排在所选17个城市的第5位、第2位),使得该地区成为人群PM2.5暴露风险高值区;成都作为四川省的省会城市,也是人群PM2.5暴露风险高值区之一,其人口密度最大,地势较低,两面环山的盆地地形不利于大气污染物的水平输送与扩散,且加之成都市石化工业较为发达,使得大气污染物易在市区内积聚[39];广元(人口密度排名第16位)及其周边地区地形宽阔,大气传输与扩散条件较好,且工业发展较慢,PM2.5人为源贡献较小,为PM2.5浓度低值区,因此人群PM2.5暴露风险亦较低[38];雅安位于盆地与青藏高原的结合过渡地带,背靠青藏高原冷高压,面向西南季风暖湿气流,是盆地中降水量最大的区域[40],其人口密度为所选17个城市中最低,空气质量较好,PM2.5浓度较低,因此人群PM2.5暴露风险也较低。

2.2.2 PM2.5暴露风险的人群差异分析

图4(a)显示了四川盆地2016—2020年城市人群各年龄段男、女性PM2.5暴露风险(R*)大于农村人群的比例(其值>0表示城市人群PM2.5暴露风险大于农村人群;其值<0则相反),图4(b)、(c)显示了四川盆地城乡各年龄段男、女性PM2.5暴露风险的差异。

图4 四川盆地2016—2020年城乡人群各年龄段男、女性 PM2.5暴露风险(R*)对比图Fig.4 Comparison of PM2.5 exposure risk (R*) between urban and rural of different gender and age groups in Sichuan Basin from 2016 to 2020

由图4(a)可知:四川盆地2016—2020年除了9~<12岁人群和6~<9岁的男性人群的PM2.5暴露风险呈现农村>城市的状态外,其余年龄段均为城市人群的PM2.5暴露风险更大。从人群环境暴露参数来看(图5),农村9~<12岁人群的ET值较城市人群大(夏季大43.750%,春秋季大70.588%,冬季大47.973%)、BW值较城市人群小(小11.218%)。此外,四川盆地12岁以上人群随着年龄的增大,城市人群PM2.5暴露风险大于农村人群的比例越来越大,这是因为城市12岁以上人群ET值大于农村人群的比例随年龄呈递增趋势。由图4(b)和4(c)可知,男、女性在各年龄段的PM2.5暴露风险差异不大(城市、农村人群平均差异为7.832%、2.161%),且随年龄的变化趋势基本一致,Qiu等[41]的研究结果也呈现类似结论,因此本文在以下讨论过程中使用男女均值做进一步分析。

图5 四川盆地人群环境暴露参数对比Fig.5 Comparison of population exposure parameters in Sichuan Basin

城市人群的PM2.5暴露风险R*值于45~<60岁(12~<15岁)达到最高(低),其值从1.103×10-5到3.316×10-6,平均值为6.25×10-6±2.187×10-6(图6)。总体来说,18岁以上成年人群的PM2.5暴露风险比18岁以下未成年人群高,这与一项在西安对于PM2.5采用致癌模型的暴露风险评估结果一致[42];成年人群内部及未成年人群内部差异较小,而成年与未成年之间相比存在较大的差异;成年人群中45~<60岁人群的PM2.5暴露风险相对较大,随后60~<80岁人群的PM2.5暴露风险略微降低,最后80岁以上人群的PM2.5暴露风险有所回升;45~<60岁人群与18~<45岁人群相比,中位线更低但均值更高,表示有着更高的PM2.5暴露风险。

图6 四川盆地2016—2020年城乡人群各年龄段PM2.5 暴露风险(R*)对比图Fig.6 Comparison of PM2.5 exposure risk (R*) of different age groups between urban and rural in Sichuan Basin from 2016 to 2020

农村人群的PM2.5暴露风险R*值于9~<12岁(15~<18岁)达到最高(低),其值从5.266×10-6到1.583×10-5,平均值为9.956×10-6±3.061×10-6;农村人群各年龄段的PM2.5暴露风险差异较城市人群更小,并未出现成年人群的PM2.5暴露风险普遍高于未成年人群的现象,反而个别未成年人群(9~<12岁)的PM2.5暴露风险比成年人群更高(图6)。这是由于儿童肺部发育尚未完全,肺-体容积较大且对有毒有害物质的耐性较差,是产生非致癌效应的最敏感的群体[43-44]。一项天津市春季的研究表明,不同PM2.5暴露途径的非致癌风险均表现出儿童高于成人的特点[45],且PM2.5暴露会增加儿童行为问题的发生风险,短期暴露于PM2.5环境污染中易引起轻度的儿童异常行为,长期暴露可能会加重儿童行为障碍疾病的发生风险和导致儿童血压增高等[46-47],因此避免可能的空气污染物暴露是很重要的。农村成年人群中PM2.5暴露风险峰值出现在18~<45岁人群,而后随着年龄的增大农村成年人群的PM2.5暴露风险逐渐减小,但到80岁以上农村人群的PM2.5暴露风险又略有回升。

城乡80岁以上老年人群的PM2.5暴露风险均较高,说明老年人作为敏感人群,较易受到PM2.5环境污染的影响,这与以往的一些研究结果一致[48-50]。我国作为世界上人口老龄化程度较高的国家之一,老年人口数量最大、老龄化速度最快,呼吸系统疾病、心脑血管疾病严重影响了老年人的生活质量,是造成老年人预期寿命缩短的重要原因[51],而长期处于空气污染严重的环境中易诱发心脑血管疾病和呼吸系统疾病[52]。因此,老年人需要展开针对性的防护工作,如在高PM2.5污染天气时应应尽量避免或减少户外活动时间、正确佩戴口罩等,以减少老年人的疾病负担和过早死亡人数。

从城乡对比来看,未成年人群PM2.5暴露风险随着年龄的增大,城乡呈现出反向变化的趋势,即农村人群的PM2.5暴露风险峰值出现在9~<12岁人群,而后随年龄增加而下降,而城市人群呈现出完全相反的变化趋势。从全年龄段来看,9~<12岁人群对于城市来说R*值最小,但对于农村来说R*值最大。分析其原因认为,9~<12岁人群的环境暴露参数存在很大的城乡差异,农村9~<12岁人群的户外活动时间相对更长且体重更轻(图5)。

图7比较了四川盆地2016—2020年城乡各年龄段人群在各季节的PM2.5暴露风险,总体上来看,四川盆地城市与农村各年龄段人群都呈现出PM2.5暴露风险冬季>春季>秋季>夏季的规律。但值得注意的是,从城乡对比来看,虽然冬季农村地区的PM2.5污染明显比春、秋两季的城市地区严重(PM2.5加权浓度分别减少36.33%、44.67%),但城市60岁以上年龄段人群呈现出春、秋两季PM2.5暴露风险高于农村冬季相应人群的评价结果,而相似的现象还出现在15~<18岁人群(城市秋季>农村春季、城市夏季>农村秋季)、18~<60岁人群(城市春季>农村冬季、城市秋季>农村春季)。分析其原因认为:18岁以上的城市人群相对于农村人群,IR值更高(平均高2.16%)且春秋季ET>冬季ET(平均高23.88%);15~<18岁城市人群相比农村人群,BW值更低(平均低3.95%)且夏季ET>春秋季ET(平均高16.51%)。说明对于上述年龄段的城市人群来说,即使是在PM2.5浓度相对较低的季节中,由于较大的长期呼吸速率、较多的室外活动时间所引起的暴露剂量的增加,使得其仍承受着比较高的暴露风险,因此更需要加以防护。

图7 四川盆地2016—2020年城乡各年龄段人群在不同 季节PM2.5暴露风险(R*)的对比Fig.7 Comparison of PM2.5 exposure risk (R*) between urban and rural populations of different ages in different seasons in Sichuan Basin from 2016 to 2020

2.3 四川盆地PM2.5污染导致的健康损失评估

本文采用IER模型计算了四川盆地2016—2020年年均可归因于PM2.5污染的健康损失(即过早死亡人数,以下简称为归因死亡人数)为12.65万人,其结果如表2所示。

表2 四川盆地2016—2020年年均可归因于PM2.5污染的过早死亡人数

由表2可知:四川盆地各市由STK疾病导致的归因死亡人数最多,共计6.632万人(占52.42%),其余3种疾病,即IHD、COPD及LC疾病导致的过早死亡人数占比分别为26.54%、13.37%和7.67%。STK与IHD作为严重威胁人类健康的循环系统疾病,具有高患病率、高致残率和高死亡率的特点,居各种死因首位[53]。据WHO估计,在2016年全球范围内与室外空气污染有关的过早死亡中约58%是因为IHD和STK疾病所致,COPD和急性下呼吸道感染疾病导致18%的过早死亡,另有6%的过早死亡是由LC疾病所致[54]。通过对比四川盆地各城市归因于PM2.5污染的归因死亡人数的空间分布与各城市人口总数的空间分布高度相似,归因死亡人数最高的城市是重庆(3.663万人)、成都(2.182万人)和南充(0.786 3万人),与之对应,雅安(0.176 6万人)是归因死亡人数最低的城市,此外资阳和广元归因死亡人数也较低,均在3 000人以下。

蒋叶等[22]应用GBD-IER模型计算了成都市2014年和2019年由PM2.5污染导致的归因死亡人数分别为2.024万人和1.834万人,相比本研究的计算结果略低,可能是由于PM2.5浓度数据和采用的基线死亡率来源等不同所致。此外,为了消除人口总数对归因于PM2.5污染的健康损失的影响,以便更直观地了解PM2.5污染导致的过早死亡率,通过采用PM2.5污染导致的归因死亡人数除以各城市2016—2020人口总数均值的方式计算其PM2.5归因死亡率,结果显示:各城市PM2.5污染的归因死亡率与PM2.5污染严重程度总体呈正相关,即PM2.5污染较为严重的自贡和宜宾地区PM2.5污染的归因死亡率最高,每万人中分别有23人和25人因为PM2.5污染而导致过早死亡,而PM2.5年均污染程度最低的广元地区导致过早死亡率最低,为17人,其余各城市差别不大,平均为24人,凸显了在四川盆地PM2.5高污染地区须控制大气颗粒物污染的必要性和紧迫性。

3 结 论

1) 比较3种PM2.5暴露风险评估指标,EI考量了人口分布对于PM2.5暴露风险的影响,R考量了人群环境暴露参数对于PM2.5暴露风险的影响,而R*在考量人口分布的基础上考虑了人群环境暴露参数对于PM2.5暴露风险的影响,能更为准确地反映四川盆地PM2.5暴露风险的相对大小。四川盆地2016—2020年R*最大值、最小值分别出现在成都(2.296×10-5)、雅安(3.072×10-6),未来PM2.5污染防控重点区域应着眼于人口集中的地区。

2) 四川盆地2016—2020年人群PM2.5暴露风险R*值呈现出冬季最高,夏季最低,春、秋季介于两者之间的典型季节变化特征。

3) 四川盆地2016—2020年春季、秋季R*高值区集中分布在盆地中西部及南部,夏季集中分布在盆地中西部,其范围较春季有所减小,冬季扩展到整个盆地中部及东部;各季节R*低值区主要位于盆地周边地区。另外,其时空分布差异不大,整体表现为城市>农村。

4) 四川盆地2016—2020年大多数年龄段城市人群的R*值大于农村人群(除9~<12岁人群和6~<9岁的男性人群外)。城市人群R*值于45~<60岁(12~<15岁)达到最高(低),18岁以上成年人群的PM2.5暴露风险比18岁以下未成年人群高;农村人群R*值于9~<12岁(15~<18岁)达到最高(低),成年人群中R*峰值出现在18~<45岁人群。由此可知,对于城市成年人群、农村9~<12岁儿童人群特别需要展开针对性的防护工作,以减少PM2.5暴露伤害。另外,60岁以上城市人群由于长期呼吸频率较高、室外活动时间较长,即使在PM2.5浓度相对较低的季节(春秋),仍面临着较高的PM2.5暴露风险,更需要加强防护。

5) 四川盆地2016—2020年年均可归因于PM2.5污染的健康损失(即过早死亡人数)为12.65万人,其中由STK、IHD、COPD和LC疾病导致的过早死亡人数占比分别为52.42%、26.54%、13.37%和7.67%,表明四川盆地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。

猜你喜欢
四川盆地盆地人群
在逃犯
四川盆地极端降水演变特征及拟合
盆地是怎样形成的
糖尿病早预防、早控制
二叠盆地Wolfcamp统致密油成藏特征及主控因素
我走进人群
财富焦虑人群
四川盆地秋季气溶胶与云的相关分析
四川盆地土壤湿度时空分布及影响因子分析
四川盆地西南部短时强降水天气特征分析