气温对居民日死亡数的影响南京市某区气温与居民死亡关系的时间序列分析.docxVIP

气温对居民日死亡数的影响南京市某区气温与居民死亡关系的时间序列分析 气候因素，尤其是温度，对人们的健康有显著而直接的影响。它可以影响人体的不同生理功能，以及心脑血管疾病和呼吸道疾病之间的复杂关系。同时，气温也会影响大气污染物的扩散，影响大气污染物对人类的损害。每日人群死亡数可以反映一个地区人群的健康状况,因此,从健康危害管理的角度出发,研究气温与每日人群死亡数之间的关系十分必要,另外,自20世纪90年代以来,时间序列模型已被广泛应用于大气污染急性暴露对各种健康效应终点的研究,初步证实了大气污染短期浓度的变化与人群逐日死亡数密切相关,国内在该方面的研究取得了很多进展,张衍燊等研究发现天津市城区居民的每日死亡与该市PM10污染显著相关,尤其是循环系统与呼吸系统的疾病死亡;杨敏娟等发现空气中SO2和NO2浓度的升高都可以增加心脑血管疾病死亡危险性,但是,这些研究往往忽视了气温对人群健康的重要作用,而大气污染程度低的地区,气温对于人群死亡的作用可能更容易体现出来。为此,笔者选定南京市一大气清洁区作为研究对象,控制大气污染对人群健康危害的混杂作用,分析气温对每日人群死亡数之间的关系。 1 内容和方法 1.1 研究领域 选择南京市某城郊地区,无重污染化工企业,支柱产业为电子、民用轻工等绿色产业。地处中纬度地区,属北亚热带气风气候。 1.2 病例数据提取及统计 死亡资料来自2007年1月1日—2008年12月31日该区死亡医学登记系统,来源于南京市疾病预防控制中心,剔除意外死亡病例后进行统计。同期气温资料来自南京市气象局,同期大气污染资料来自南京市环保局,包括SO2、NO2、可吸入颗粒(PM10)的每日平均浓度,为南京市某区大气污染监测点数据的算术平均值。 1.3 模型自适应约束最小二乘估计方法 居民每日死亡对居民总体来说是小概率事件,其统计学分布近似于泊松分布。采用平滑样条函数(smoothing spline function),最大程度拟合和控制与时间有关的因素,以及大气污染物对每日人群死亡数的影响,采用广义交叉检验(generalized cross validation,GCV)的自适应约束最小二乘估计方法对模型进行评估,广义交叉检验是SAS软件GAM分析模块中应用的检验方法,该方法可以利用数据本身而将模型的期望残差值降到最小,不需要其他的数据,故而被广泛地应用于模型参数的估计。模型以泊松分布做分布族(family distribution),对数函数为连接函数(link function)。基本模型为: 式中:E(Yt)—每日居民死亡数的期望值;α—截距;S—平滑函数;解释因素:TEMP—T日平均气温;混杂因素:T日大气污染物浓度,包括SO2、NO2、PM10;Day—观察日T在研究时序中的天数序列号,用以控制时间的长期趋势和季节趋势。 由于本研究着重探讨气温与人群死亡数的关系,且相对湿度和气压与气温的关联性较强,故未将它们放入到模型中。根据结果判断气温与每日人群死亡数之间可能存在的关系并进行二次拟合,统计分析软件为SAS 9.1。 2 结果 2.1 群死亡数、气温、so2、no2、浚小体积wsf情况 南京市某区2007年1月1日—2008年12月31日期间每日人群死亡数、气温、SO2、NO2、PM10浓度情况见表1。表1可见,SO2、NO2、PM10日均浓度分别为0.043、0.035、0.109 mg/m3,日均死亡11.3例,日均气温16.5℃。 2.2 大气污染物浓度与日期人群死亡数关系 利用上述模型,在控制长期趋势、季节趋势以及大气污染物等混杂因素的情况下,气温对人群每日死亡数影响的结果见表2和图1。 表2显示,日平均气温(TEMP)和每日人群死亡数之间具有非线性趋势(P0.001);天数(Day)与每日人群死亡数之间具有线性趋势(P0.05)。同时表2还显示每日人群死亡数的长期趋势和季节趋势不显著(P=0.0509),但需要控制。大气污染物如SO2、NO2、PM10对每日人群死亡数的影响无统计学意义。由图1可以看出,PM10与SO2的浓度与每日人群死亡数之间存在负相关的部分主要处于高浓度区域,低浓度区域仍然可见浓度与每日人群死亡数之间存在的正相关关系,在分析365 d的大气污染物浓度后发现,PM10超过0.3 mg/m3、SO2浓度超过0.1 mg/m3的天数分别为8和15 d,由于天数非常少,不足以说明负相关关系的存在。2.3气温对每日人群死亡数的非线性回归分析影响分析由图1可以看出,气温与每日人群死亡数之间存在类似近似二次函数的关系,此时采用非线性回归分析拟合二次曲线,模型为E(Yt)=a+b Temp+c Temp2,用高斯-牛顿迭代法确定参数的估计值和离均差平方和。利用模型模拟合气温对每日人群死亡数的影响,