彭州市本地化环境空气质量健康指数(AQHI)构建

赖长邈，田晓刚，姜 涛，刘思瑶，王志凯，周美君

(四川省生态环境科学研究院，成都 610041)

引 言

大气污染导致的环境和人群健康风险已成为全球性环境问题。根据世界卫生组织(World Health Organization，WHO)2016年数据显示，全球每年约有420万人因大气污染死亡，91%的人口仍居住在空气质量超标的地区[1]。在中国，仍有一半以上的城市环境空气质量远低于WHO关于环境空气质量的推荐值。相关研究表明，大气颗粒物(PM10、PM2.5)污染在国内人群疾病负担归因危险因素中高居第4位[2]；大气污染物浓度的增加与城市居民发病就诊人数(呼吸系统、心肺功能等)、死亡等健康结局的增加有密切联系[3-4]。因此，构建出能准确且综合反映空气污染对人群健康影响的评估方法显得尤为迫切。

环境空气质量健康指数(Air Quality Health Index，AQHI)是一种新型评估和衡量空气质量与人体健康风险之间相互联系的指数，基于暴露(污染浓度)-反应(健康效应)关系而建立，可以表征短期环境空气质量的健康风险。该指数最早由加拿大提出，并于2008年正式发布[5]，并被普遍认可和推广。国际上，南非[6]、法国[7]、瑞典[8]曾相继开展过此方面的研究。在国内，中国香港[9]已于2014年正式启用AQHI，而上海市[10]、广州市[11]、兰州市[12]、天津市[13]、丽水市[14]也已相继开展本地化AQHI研究，其中丽水市更是制定和发布国内首个地方性技术标准《环境空气质量健康指数(AQHI)技术规定》(DB3311/T 147-2020)。相较于国内现行的空气质量指数(Air Quality Index，AQI)，AQHI能够体现并突显多种污染物的协同复合作用对人群构成的短期健康风险，强化对人群健康的不利预期，从而有效及时开展防护。

鉴于大气污染和人群健康显著的地域性特征，而AQHI构建必须遵从本地化原则，使其符合区域内实际状况，以便准确表征暴露-反应关系。彭州市，是成都市西北方向上重要的生态屏障和石油化工产业优势发展基地。一方面，坐拥白水河自然保护区、龙门山国家森林公园等优质生态资源；另一方面，又布局有石油化工、金属加工、建材造纸等污染型企业，兼具良好生态环境本底、典型污染排放企业，是一个公众健康风险、区域经济发展、生态环境保护问题并存的典型耦合开放系统，是探究环境质量与人群健康的相互关系的典型研究对象。目前，国内尚未有在西南片区开展相关研究的报道，四川省内则以开展饮用水水源健康风险评估为主[15-16]。因此，本研究基于彭州市大气污染物浓度和呼吸系统疾病就诊人数数据，通过建立暴露-反应关系构建本地化AQHI，为当地居民健康出行和政府环境风险管理提供科学依据和技术支撑，是一项有前瞻性和探究性的工作。

1 数据与方法

1.1 数据

研究数据均采用2020年1月1日～2021年9月14日(共623天)逐日数据。

1.1.1 环境空气质量数据

NO2、PM10、PM2.5采用24h平均值，O3采用日最大8h平均值。数据来源于彭州市延秀小学环境空气质量自动监测站(省控站点)。彭州市CO、SO2因其监测浓度值低，远低于可能造成人体健康危害的阈值[17]，故不纳入AQHI计算。

1.1.2 气象数据

采用气温、气压、相对湿度三项指标。数据通过查询专业气象网站(https：//rp5.ru)中彭州市历史气象数据获取。

1.1.3 人群健康数据

呼吸系统是大气污染物靶器官，大气污染会引发急慢性呼吸系统疾病[18]，而呼吸系统疾病急诊、门诊人数相较于死亡人数可更好地体现环境空气对人群健康的短期效应[19]，也可以较为准确的评估急性暴露引起疾病发生的情况[20]。研究共统计彭州市区域内医院、乡镇卫生所(共33家医疗机构)每日呼吸系统疾病门诊、急诊总人数资料，该统计人数不包含新冠疫情的人数。

1.2 方法

1.2.1 统计分析

运用Original Pro 2017软件数据分析功能对研究数据进行描述性分析，采用Spearman检验进行相关性分析，检验水准α=0.01(双侧)。

1.2.2 时间序列分析

广义相加时间序列分析模型(Generalized Additive Models，GAM)，可运用非参数平滑函数引入和控制与因变量之间存在复杂的非线性关系的混杂因素(如日历效应、气象条件、长期趋势等)，以不同函数加和的形式拟合模型，模拟污染物与人群健康效应的相关性。其基础模型为：

logE(Yt)=α+DOW+β·Xt+s(time，df)+s(Zt，df)

(1)

式中，Yt—第t日呼吸系统疾病就诊人数；E(Yt)—第t日呼吸系统疾病就诊人数期望值；α—截距；DOW—day of week，即确定数据日期对应星期几，以便在建模分析时突出星期几之间不同的效应；β—回归系数；Xt—第t日某种大气污染物浓度；s—平滑样条函数；time—时间；Zt—第t日气象要素；df—自由度。

模型建立与拟合由R2.11.1软件中的mgcv拓展包实现[21]。

1.2.3 AQHI构建

1.2.3.1 相对危险度(Relative Risk，RR)

结合相关文献研究结论[9～12]，选择利用GAM模型建立单污染物暴露-反应关系得到回归系数(β值)，可计算出大气污染物浓度改变一个四分位间距(Inter-Quartile Range，IQR)时，人群呼吸系统疾病每日就诊人数自然对数的相应改变量，同时计算其95%置信区间(95%CI)。

RR=exp(β·IQR)

(2)

95%CI=exp[(β±1.96SE)·IQR]

(3)

式中，RR—相对危险度；IQR—四分位间距，即P75-P25；SE—标准误。

1.2.3.2 超额风险率(Extra-risk Rate，ER)

本研究超额风险率是指彭州市因空气污染诱发呼吸系统疾病，从而新增到医院就诊的人数的比率。以各污染物的监测浓度为基准，用自然对数函数进行调整，依据暴露-反应关系回归系数β，即可分别计算出污染物造成的呼吸系统疾病超额风险率。

ERit=100×[exp(β×Pit)-1]

(4)

式中，ERit—污染物i在第t天所导致的呼吸系统疾病超额就诊率；Pit—污染物i在第t天的日均浓度。

1.2.3.3 AQHI分级分类

为了便于AQHI的计算和应用，本研究采用标准代入法进行AQHI的分级分类，以便与国内外环境空气质量标准衔接，使其具有可比性[22]。将各级对应的污染物浓度限值带入公式(4)，即可得到该污染物对应的ERit上下限值；再相加得到总体ERt上下限值，从而建立ER分级分类表。至此，利用各污染物实时或历史浓度监测数据，即可计算出相应的呼吸系统疾病超额就诊率ERt，最终利用公式(5)计算得到彭州市当日或历史环境空气质量健康指数(AQHI)。

(5)

式中，AQHI—环境空气质量健康指数；ERt—彭州市总体人群非意外呼吸系统疾病超额就诊率；ERL—查找ER所在区间对应的低位值；ERH—查找ER所在区间对应的高位值；AQHIL—查找ER所在区间对应的健康指数低位值。

2 结 果

2.1 描述性分析

由表1可知，研究期间，彭州市NO2、PM10、PM2.5、O3指标的24h浓度值分别为27±13、57±35、33±23、102±49μg/m3，对照《环境空气质量标准》(GB3095-2012)二级标准，统计样本超标率分别为0.2%、3.0%、5.6%、13.0%，最大值超标倍数分别为0.03、1.40、1.64、0.85。气温、气压、相对湿度的平均值与中位值均差异不大，分别为17.4℃与18.2℃、759.9Pa与759.8Pa、79.1%与79.5%。全人群呼吸系统疾病就诊人数在425～2399之间，低值和高值分别出现在2020年4月4日(春季)和2020年1月6日(冬季)，与环境空气质量波动趋势一致。

表1 2020～2021年彭州市环境空气污染物指标、气象因素及呼吸系统疾病就诊人数描述性统计Tab.1 Descriptive statistics of air pollutants and meteorological factors and daily counts of patients with respiratory diseases in Pengzhou in 2020-2021

2.2 相关性分析

根据Spearman相关性检验结果(见表2)，在极显著(ρ<0.01)的统计学意义下，呼吸系统疾病就诊人数与污染物指标及气象因素的相关性(β绝对值)由大到小依次为：NO2>O3>平均气温>平均气压>PM2.5>PM10>相对湿度，其中，除O3和平均气温呈负相关性外，其余均呈正相关性，且NO2相关性最佳，这与乔明利等人[12]构建兰州市AQHI的相关性结果保持一致。值得注意的是，PM10与PM2.5相关性极强(R=0.94795)，NO2与PM10(R=0.66011)、PM2.5(R=0.59300)之间也呈强相关性；而O3与气温(R=0.72134)、气压(R=-0.6326)的相关性则要明显强于其他污染物指标。

表2 2020～2021年彭州市环境空气污染物指标、气象因素及呼吸系统疾病就诊人数的Spearman统计检验Tab.2 Spearman statistics of air pollutants and meteorological factors and daily counts of patients with respiratory diseases in Pengzhou in 2020-2021

2.3 时间序列分析

根据彭州市本地化环境空气污染物浓度特征，以当地呼吸系统疾病就诊人数作为健康结局，同时，考虑空气污染诱发人群健康效应的滞后性，利用GAM模型分别拟合出不同滞后天数(lag0～lag7、lag10)与各个污染物浓度对应的回归系数(β)，并计算RR及其95%CI区间。

从结果可知(见表3)，不同滞后天数拟合条件下，当NO2、PM10、PM2.5、O3每增加一个IQR浓度时，其RR值范围分别为1.040～1.068、1.015～1.025、1.001～1.023、0.992～1.028，而其最大RR值对应的最佳滞后天数分别为lag0(1.068)、lag7(1.025)、lag7(1.023)、lag1(1.028)，均具有统计学意义，说明彭州市因各污染物浓度增加而导致人群产生最大健康风险的滞后时间存在差异，也是构建本地化AQHI时选取β值的重要依据。

表3 彭州市不同滞后天数GAM模型拟合β值和RR(95%CI)值统计Tab.3 Statistical values of β and RR calculated with GAM in case of different lag days

2.4 本地化AQHI构建

依据各污染物最佳滞后天数，选择其对应的β值带入公式(4)，即可构建彭州市本地化AQHI计算公式。

(6)

式中，ERt—因人群暴露而可能发生的健康风险，即呼吸系统疾病的超额就诊率；PPM2.5、SO2、O3、NO2—大气中相应污染物的浓度值，μg/m3。

2.5 AQHI分级分类

参考中国香港[9]、丽水市[14]等经验做法，本研究拟将彭州市本地化AQHI划分为4类11级，其中1～3级归为低风险类，4～6级归为中风险类，7～10级归为高风险类，10+级归为严重风险类。将各级对应的污染物浓度限值带入公式(6)，即可得到该污染物对应的ERi上下限值，相加得到总体ERt上下限值，从而建立ER分级分类表(见表4)。至此，利用各污染物实时或历史浓度监测数据，先利用公式(6)计算出相应的呼吸系统疾病超额就诊率ERt，再利用公式(5)计算出彭州市当日或历史环境空气质量健康指数(AQHI)及其相应的风险级别。

表4 彭州市本地化AQHI污染物浓度限值和ER分级分类Tab.4 AQHI，pollutant concentration limits and ER classification in Pengzhou (μg/m3)

3 讨 论

研究期间，彭州市AQHI与AQI数据对比分析结果见表5。当每增加1个IQR时，AQHI计算得到的人群健康风险(RR=4.358)明显高于AQI(RR=1.033)，从超标率方面看，以AQI判定的超标天数(118d)明显低于AQHI判定的超标天数(189d)，说明AQHI对大气污染物浓度变化的敏感性优于现行的AQI。这可能是因为，AQI只关注当日污染浓度值最大污染物(首要污染物)的环境影响，而首要污染物的健康危害往往并不是最严重的；而AQHI则充分考虑了多种大气污染物的协同联合作用对人群健康效应的综合影响，并能够传递出合理可靠的健康风险信息给予公众提醒。

表5 彭州市AQI与AQHI对比分析结果 (2020年1月～2021年9月)Tab.5 Comparison between AQI and AQHI in Pengzhou (from January 2020 to September 2021)

从健康风险防控角度，AQHI更适宜于全面综合反映大气污染状况对人群健康的潜在风险，能挖掘出污染浓度并不大，但其健康效应更为显著的污染物指标。以本研究为例，NO2的浓度及超标率虽是其他指标中最低的，但其RR值大小及其对AQHI的贡献是其他指标中最大的，这一方面或许与彭州市AQHI的本地化特征密切相关，即NO2浓度波动与呼吸系统疾病就诊人数的波动保持较高的一致性；另一方面，说明AQHI比AQI具备更好的预测污染程度和健康风险的能力，这与Du等人[23]在中国272个城市开展的AQHI研究结论保持一致。总体而言，AQHI可以提供一个更为有效的信息机制，同时对大气污染和健康风险进行评估预测，为政府环境管理、居民生活出行提供科学指导，尤其对敏感性人群(婴幼儿、孕妇、老年人、特殊过敏人群等)起到良好的保护作用，降低其在重污染天气下的健康风险。

诚然，本研究构建的彭州市本地化AQHI也存在着局限和不确定性。第一，研究数据的时间跨度有限，可能存在选择偏差。第二，大气污染物对人体造成的健康效应是一个不断被证实或证伪的过程，会受到遗传、个人生活习惯等因素的影响。由于大气环境是多种物质混合的复杂环境，受到多重因素综合影响，存在多种污染物之间的交互作用；而不同年龄、不同性别的人群对污染物的耐受性和敏感性存在个体差异，也会导致在建立暴露-反应关系时存在不确定性；第三，本研究仅采用呼吸系统疾病就诊人数作为健康结局，而其他疾病(如心血管系统疾病)也可能与大气污染存在相关性，部分混杂因素的影响机制尚待进一步探究，建议在后期的研究中逐步完善。

4 结 论

本研究利用GAM模型，基于大气污染浓度和呼吸系统疾病就诊人数，建立暴露-反应关系，构建彭州市本地化AQHI并分级分类。AQHI相较于AQI，更适宜于评估预测当地大气污染对人群健康的综合影响，符合未来城镇生态环境保护与健康风险管理的发展趋势。