北京市大气污染与城区居民死亡率关系的时间序列分析.docVIP

北京市大气污染与城区居民死亡率关系的时间序列分析 摘要：为定量评价北京市大气污染对居民每日疾病死亡率的影响，运用时间一序列分析方法，控制了流感、季节等混杂因素的影响后，对北京市主要大气污染物CO、SO 、NO 、TSP、PM．。与居民相应疾病死亡率的相关关系进行了定量评价。以呼吸系统疾病、循环系统疾病、冠心病、慢性阻塞性肺病和消化系统肿瘤疾病死亡人数分别为因变量，大气污染物浓度和平均温度、湿度为自变量，进行了泊松回归分析。单变量分析结果表明，除TSP对冠心痛死亡率的影响无显著意义外，大气中CO、SO 、NO 、TSP浓度与呼吸系统、心脑血管疾病、慢性阻塞性肺病和冠心病死亡率之间的正相关关系均有显著意义，而多因素泊松回归得到的暴露一反应关系模型显示，s0，浓度每提高100／tg／m3，呼吸系统、循环系统、冠心病和慢性阻塞性肺病疾病死亡率分别增加4．21％ 、3．97％ 、10．68％ 和l9．22％ ；总悬浮颗粒物每增加lOOp．g／m ，呼吸系统疾病死亡率增加3、l9％ ，循环系统死亡率增加0、62％ 。提示大气污染物浓度的升高会引起相应疾病死亡率的增加。 关键词：大气污染物 每日死亡率 时间序列分析 泊松回归 时间序列分析是近20年发展起来的一种统计分析方法，近年来逐渐应用于大气污染与人体健康的定量评价研究上，大气污染对居民日死亡人数有很大影响。 国内沈阳和北京有类似研究 ，但仅研究了SO，、TSP两种污染物对居民每日死亡的影响。本研究在分析1998—2000年北京市八城区大气污染与居民相关疾病死亡率的基础上，建立两者之间的暴露反应关系模型，将大气污染造成的疾病死亡定量化，为政府相关部门的决策提供科学依据。 1 资料与方法 1．1 大气污染与疾病死亡资料 1998—2000年每日大气污染资料及气象资料(温度、湿度)来源于北京市环境监测中心。污染物日平均浓度数据为北京市l2个空气质量监测点的平均值。监测污染物有NO 、SO 、CO、TSP、PM。。(只有2000年的资料)。 1998—2000年北京市东城、西城、崇文、宣武、朝阳、丰台、海淀、石景山八个区的居民每日死亡资料，来自北京市疾病预防与控制中心。以ICD9作为疾病分类标准。疾病变量包括：呼吸系统疾病、心脑血管疾病、慢性阻塞性肺病、冠心病和消化系统肿瘤共5个变量。大气污染与疾病死亡资料是每日的连续资料，为时间序列数据。 1．2 数据预处理 预处理的内容包括：(1)插补缺失值，(2)控制影响因素。为了保持数据的连续性和充分利用所有的数据，在本研究中，使用SAS程序中的三次样条曲线插值法对大气污染及温湿度数据进行插补缺失值。对数据进行预处理的另一个目的就是控制流感、季节等混杂因素的影响。这些因素会在很大程度上影响疾病死亡人 数，因此在研究大气污染与疾病死亡率之间的关系时，这些因 素作为混杂因素必须加以控制。 控制流感的方法：采用滑动平均法来消除流感因素的影 响，即参考流感流行期(1998年：C)前一年(1997年：a)和后一 年(1999年：b)相应时段的数据，对所有有明显流感流行期高 峰的疾病的死亡数据进行滑动平均处理，C=0．6a+0．6b，参数 0．6是参考序列的散点图经过反复尝试选取的。选取的标准 是：流感的高峰基本消失，序列保持原来的变化趋势。 本研究除了控制流感因素外，还对季节因素进行了调整。 对于全年的连续数据，控制的方法是：在谱分析的基础上，采 用邓迎东等使用的滤波函数对数据进行滤波以消除季节及其 它周期性因素的影响 ]。滤波函数的表达式为： F(t)=u+ ：[aicos(2 7rkjt)+6，sin(2rkl￡)]+e 其中，u为序列均值，o．、6．为参数， ．为m 个待滤掉的周期， e 为残差。 谱分析是采用SAS的SPECTRA过程进行的，目的是分析 出疾病序列中包含的周期，以便下一步对这些周期进行处理， 得到较为平稳的序列。 1．3 泊松回归分析 在数据预处理的基础上，对每一种疾病死亡率拟合广义 线性模型，以判断哪些大气污染物、温湿度变量与疾病死亡率 有显著性的相关关系，以及与各个污染物的相关程度和相关 方向。由于每日死亡数据是一种计数数据，而且相对于人群 整体来说是一种小概率事件，因此对每日死亡数据拟合泊松 分布是合适的。我们使用SAS软件中的GENMOD过程对疾 病的每日死亡人数数据E(Y)建立模型和对模型的自变量进 行参数估计。泊松回归的表达式如下： LnE(Y)= 式中：E(y)为日死亡人数预测值， 表示一个矩阵，它包括l 的截距列，为大气污染物浓度及气温、气湿等一些其它变量。 表示模型自变量的系数向量。由日死亡人数E(y)及北京 市每年的人口数即可求得人群的日死亡率。将污染物变量与 相应疾病死亡率进行泊松回归，根据P值，排除不显著的变 量(