北京市空气污染物对呼吸系统疾病门诊人数的影响

张 莹,邵 毅,王式功,尚可政,王金艳,李 旭,康延臻 (兰州大学大气科学学院,甘肃省干旱气候变化与减灾重点实验室,甘肃 兰州 730000)

北京市空气污染物对呼吸系统疾病门诊人数的影响

张 莹,邵 毅,王式功*,尚可政,王金艳,李 旭,康延臻 (兰州大学大气科学学院,甘肃省干旱气候变化与减灾重点实验室,甘肃 兰州 730000)

为评价北京市大气污染对居民呼吸系统疾病门诊人数的影响,采用时间序列半参广义相加模型(GAM),在控制了长期趋势、“星期几效应”及气象因素的影响后,分析 2009～2011年北京市空气污染物与呼吸系统疾病门诊人数的暴露-反应关系,并按性别和年龄层建立模型.结果表明,3种污染物有一定的滞后效应,PM10在滞后0～3d(avg03)或0～5d(avg05)的移动平均值,SO2和NO2均在滞后0～2d(avg02)的移动平均值使呼吸系统疾病门诊人数的增加百分比(PI%)值达到最大,其中 PM10、SO2和 NO2浓度每增加 10µg/m3,对应的呼吸系统疾病全人群的 PI%分别为1.72%、1.34%和2.57%.年龄≥65岁的老年人群对北京市空气污染物最为敏感,其次为年龄≤14岁的人群;空气污染对女性的影响较男性明显.

时间序列研究；空气污染；呼吸系统疾病；门诊人数

大量的流行病学及毒理学研究表明,大气污染物浓度的短期升高与人群呼吸系统疾病的死亡率和发病率的升高密切相关[1-3],同时,还发现年龄、性别和气候等因素对大气污染的健康效应可能存在交互影响[4-5].中国近 20年经济和工业快速发展,能源消费不断增长,空气质量日益恶化,大气污染已成为影响人群健康的主要危害因素之一[6].煤炭在中国能源消费中占 70%以上,燃煤所排放的废气成为我国大气污染的主要贡献源

[7].除了气态污染物(如 SO2和 NO2),我国城市可吸入颗粒物(PM10)污染形势严峻,大部分城市的PM10浓度远高于WHO发布的大气质量基准推荐水平[20µg/m3(年平均值)和 50µg/m3(24h平均值)][8].自20世纪90年代以来,时间序列的方法被广泛应用于大气污染急性暴露对各种健康终点效应的研究[9].相比国外,我国这方面的相关研究相对较少,主要是因为医院门诊人数、急诊人数以及住院人数等数据资料收集困难,门诊数据统计量大,导致有关大气污染物对人群健康急性作用的流行病学研究较为缺乏.

北京市人口密集,工业与交通十分发达,北京大气污染主要来源于局地排放和外来输送[10],同时受当地气象条件的制约[11-12],地表沙尘污染更加剧了该地区的空气污染程度.为定量评价大气污染物对北京市居民呼吸系统疾病门诊人数的影响,探讨高浓度污染物暴露环境下的剂量-反应关系,本研究采用近年国际上通用的危险度评价方法-基于时间序列的广义相加模型[13](generalized additive model, GAM),定量评估了北京市大气中的主要污染物PM10、SO2和NO2日均浓度变化与人群呼吸系统疾病日门诊人数之间的关系以期为建立区域大气污染物与健康效应的预测预警系统提供科学依据.

1 资料与方法

1.1 资料来源

1.1.1 呼吸系统疾病门诊资料 呼吸系统疾病门诊资料来源于北京市某 3家三级甲等综合医院急诊科的病案记录,包括2009年1月1日～2011年12月31日每日门诊资料,根据国际疾病分类标准第10版(ICD-10)[14],对疾病资料进行分类整理.本文以呼吸系统疾病(ICD-10编码:J00-J99)作为研究对象,病例资料共计 246872例,按照性别分类,其中男性 136249例(占 55.19%),女性占110623例(44.81%).按年龄构成分类,其中 0～14岁58804例(占23.82%),15～64岁171601例(占69.51%),≥65岁的16467例(占6.67%).收集门诊病历信息还包括家庭住址、疾病诊断、就诊科室、就诊日期、就诊ID号等信息.根据患者家庭住址信息剔除非北京市居住的人群资料,以确保研究对象均来自当地的常居人口.

1.1.2 大气环境监测资料 2009年1月1日～2011年12月31日北京市大气环境监测资料来源于北京市环保公众网(http://www.bjee.org.cn/ cn/index.php).北京市大气环境监测资料收集信息包括逐日的 PM10、SO2、NO2浓度.经检查数据无缺测.

1.1.3 气象资料来源 气象资料来源于中国气象科学数据共享服务网中中国地面气象资料北京市2009年1月1日～2011年12月31日的日均气象资料,包括日均气温(℃)、最高气温(℃)、最低气温(℃)、风速(m/s)和日均相对湿度(%)等.

1.1.4 质量控制 来自北京市环保公众网的大气污染物浓度数据,每天的污染资料在公布之前,均经过环境保护部门的质量控制.住院疾病资料均按照全国三级甲等医院标准进行规范化管理和检查,专人负责病历信息录入及管理,并剔除信息不全,诊断不清的住院病例.同时,对于重复门诊的病例以28d为界,超过28d后发生的事件记为另 1次事件.本研究所用数据均通过 SQL server 2008数据库管理软件进行汇总计算,对数据的分析、统计、管理进行严格质量控制.

1.2 统计方法

对于总人群来说,每天呼吸系统疾病门诊人数属于小概率事件,其实际分布近似 Poisson分布[15].分析空气污染物对日门诊人数的急性影响,首先必须控制时间序列中气象因素及长期趋势、季节性和其他时间依赖变量等混杂因素.因此本研究将Poisson回归模型引入半参数广义相加模型(GAM)中.GAM是对广义线性(GLM)的非参数推广,与GLM模型相比,GAM模型并非一个事先设定的模型,该模型由所使用的数据驱动,因此模型结构是由研究时所采用数据的内在联系决定的,更能解释反映变量的期望与解释变量之间的本质关系,并且对数据要求较少,模型可应用不同函数拟合非线性关系变量,而后以加和形式引入模型[16].目前 Poisson广义可加模型已成为大气污染环境流行病学研究的标准方法.本研究采用样条平滑函数拟合非线性自变量,包括时间(time, time=1…1095)、气温(平均、最高、最低)和相对湿度.选择使得AIC减小的气象要素引入模型;同时引入的还有星期哑元变量(DOW, DOW=1～7).核心模型建立后,应用残差图、偏自相关函数图判断残差是否呈随机平稳白噪分布,若不满足残差独立要求,则需进一步调整模型.

基本模型建立后,引入大气污染物浓度,拟合污染物线性模型,并分别分析大气污染物单日滞后效应(lag)和多日移动平均值(avg)的累计效应.即将污染物当日、1d前至6d前浓度(lag0、lag1～lag6)或污染物浓度移动平均值(avg01～avg06)逐一引入模型,选择AIC最小的时间污染浓度带入模型,建立剂量-反应关系.具体模型见公式(1):

式中:Yk为第k日呼吸系统疾病门诊人数;E(Yk)为第k日呼吸系统疾病门诊人数的期望值;β为暴露-反应关系系数;Xk为第k日大气污染物浓度或几日累计平均浓度,µg/m3;s为非参数样条平滑函数(smoothing spline function),排除长期趋势、季节性、日历效应、气象等混杂因素的影响;df为自由度;DOW 为反应“星期几效应”的哑元变量;time为日历时间;Zk为第k日的某种气象因素变量; k为残差.

模型灵敏度检验时,在单污染物模型的基础上,拟合同时期多污染物模型观察单污染物模型的稳健性;分析多污染物共同作用下,对人群健康造成的损害如何变化,评价其他污染物对所关注污染物效应估计的影响.对于双污染物模型和多污染物模型仍然用AIC准则进行模型优度检验,对气象因子的控制与单污染物模型类似.为了调整性别和年龄潜在混杂因素对结果的影响,本研究按照性别(男、女)和年龄(≤14岁, 15～64岁, ≥65岁)分别进行分层建模.对污染物的健康效应进行分层分析.

根据 GAM模型估算出空气污染物的回归系数β,从而对污染物的健康效应做出定量评价.当污染物浓度增加 cΔ 时,呼吸系统疾病门诊人数增加百分比(PI%)及 PI%的 95%可信区间(95%CI)的计算公式,参见式(2～3):

2 结果

2.1 呼吸系统疾病每日门诊人数、大气污染物浓度及气象因素频率分布

2009年1 月1日至2011年12月31日北京市PM10、SO2和NO2的日均浓度年均值、主要气象因素和呼吸系统疾病日门诊人数的描述性统计结果见表 1.平均每天呼吸系统门诊人数为225例.北京属于暖温带半湿润大陆性季风气候,年均气温为 13.15℃,相对湿度为50.43%.3年内北京市 3种主要大气污染物 PM10、SO2、NO2年均浓度分别为110.16,28.07,51.88µg/m3(表1),其中PM10和NO2年均浓度超过了国家二级标准(100µg/m3和40µg/m3)[25],SO2年均浓度未超过国家二级标准(60µg/m3)[17].

表1 2009～2011年北京市呼吸系统疾病门诊人数、空气污染物及气象因素描述性分析Table 1 Descriptive statistics on respiratory diseases outpatient visits, air pollutant levels and meteorological variables in Beijing during 2009～2011

2.2 大气污染物与气象要素间 Spearman相关分析

由表2可见,北京市3种主要污染物之间存在显著正相关,其中 SO2与 NO2的相关系数为0.647(P<0.01),NO2与 PM10的相关系数为0.649(P<0.01),SO2与 PM10的相关系数为 0.517 (P<0.01).此外, SO2、NO2与平均气温、最高(低)气温及相对湿度均呈显著地负相关(P<0.01);与之相反,PM10与日均气温、最高(低)气温及相对湿度均呈正相关(P<0.01).3种污染物与日均风速均呈显著地负相关(P<0.01).大气污染物与气象要素间较强的关联,反映了空气污染物与气象要素间存在的固有的理化特征,提示气象要素是研究大气污染物对人群健康影 响的重要混杂因素或效应修饰因素.

表2 2009～2011年北京市气象因素与大气污染物间的Spearman相关分析Table 2 Spearman’s correlations between daily weather and air pollution variables in Beijing from 2009 ～2011

2.3 空气污染物与门诊人数的关系

2.3.1 单污染物模型 从图1可以看出,3种污染物对呼吸系统疾病门诊人数的影响存在滞后效应.PM10在滞后 0～3d(avg03)的移动平均值,SO2和 NO2均在滞后 0～2d(avg02)的移动平均值与全人群呼吸系统疾病门诊人数关联的PI值最为显著.此时,PM10、SO2和NO2浓度每增加10µg/m3对应的呼吸系统疾病门诊人数增加百分比分别为1.72%(95%CI:0.72～2.73)、1.34% (95%CI:0.04～1.62)和 2.57%(95%CI:1.75～3.39).单污染物模型、最佳滞后时间条件下,PM10、SO2和NO2浓度增加10µg/m3,人群分年龄、分性别与呼吸系统疾病门诊人数对应的PI见表3.

北京市空气中的PM10、SO2和NO2浓度水平对居民呼吸系统疾病门诊人数有显著影响,PM10对不同人群的影响具有一定的滞后效应,且滞后时间略有差异,年龄≥65岁的老年人群在滞后05d(avg05)对应的PI值达到最大,其他人群均在滞后03d(avg03)对应的PI值达到最大,且均具有统计学意义.PM10每升高10µg/m3,全人群、男性、女性、年龄≥65岁人群、15～64岁以及≤14岁人群的PI%依次为1.72%、2.23%、4.63%、1.53%、2.97%、5.22%.SO2对不同人群均在滞后 2d(avg02)对应的PI值达到最大,且均具有统计学意义.SO2每升高10µg/m3,全人群、男性、女性、年龄≥65岁的老年人群、15～64岁以及≤14岁人群的 PI%依次为1.34%、1.58%、3.93%、2.72%、2.31%、4.53%.NO2对不同人群也均在滞后02d(avg02)对应的PI值达到最大,且均有统计学意义.NO2每升高 10µg/m3,全人群、男性、女性、年龄≥65岁的老年人群、15～64岁以及≤14岁人群的PI%依次为2.57%、2.79%、4.79%、1.60%、3.91%、6.21%.在后续的研究中,均采用最佳滞后时间所对应的污染物作为研究变量,引入随后建立的广义相加模型.

2.3.2 多污染物模型 在多污染物模型中(表

3),分别引入 SO2或(和)NO2后,PM10与全人群、女性呼吸系统疾病门诊人数的关联减弱,但仍有统计学意义,与男性和15～64岁和≥65岁人群的关联均无统计学意义;只引入 SO2,或者同时引入SO2和NO2后,PM10对≤14岁人群的影响无统计学意义,只引入 NO2后,PM10与≤14岁人群关联的 PI值较单污染物模型的高,这很可能是由于PM10和NO2的共线性造成的.引入PM10或(和)NO2后,SO2与≤14岁人群门诊人数关联的PI值均有所增加,而与男性、15～64岁和≥65岁人群关联的 PI值均无统计学意义;引入 PM10后,SO2与全人群和女性关联强度减弱,但均具有统计学意义;引入其它污染物组合后,均无统计学意义.引入 PM10或(和)SO2后,NO2与全人群、男性、女性、年龄≤14岁、15～64岁和年龄≥65岁人群关联的PI值变化不大,且均有统计学意义.

图1 污染物日均浓度每增加10µg/m3,全人群呼吸系统疾病日门诊人数增加百分比(PI%)及95%的置信区间(95%CI)Fig1 The percent increase (mean and 95%CI) of the whole population respiratory diseases outpatient visits, associated with 10µg/m3increase of pollutant concentrations

表3 北京市大气污染浓度每增加10µg/m3时呼吸系统疾病门诊人数的单污染物和多污染物模型的RR及95%CITable 3 Percent change (mean and 95%CI) of respiratory diseases outpatient visits, associated with 10µg/m3increase of pollutant concentrations in single pollutant model and multi-pollutant model

3 讨论

本研究证实了北京市目前的大气污染物(PM10、SO2和NO2)浓度的增加与居民呼吸系统疾病门诊人数超额发病率显著相关.经 GAM模型分析得知,3种污染物的最佳滞后时间:PM10为0～3d的移动平均值(avg03)或 0～5d的移动平均值(avg05),NO2和 SO2均为 0～2d的移动平均值(avg02).重污染期空气中PM10、SO2和NO2浓度每增加 10µg/m3,全人群呼吸系统疾病门诊人数分别增加1.72%,1.34%和2.57%.

研究区域 PM10年均浓度变化不大,但浓度很高(110.16µg/m3),高于国家二级标准(100µg/m3).虽然该地区人群 PM10暴露水平很高,但呼吸系统疾病门诊人数增加百分率为 1.72%,低于其他发达国家和地区的研究成果[18],这可能与 PM10的化学组成、暴露人群的年龄层次、对空气污染的敏感程度等因素有关.发达国家及地区 PM10主要来源于机动车尾气排放,含有大量的二次气溶胶,毒性高,对人体健康影响大[19];源解析表明[20],北京市沙尘和土壤风沙尘对 PM10贡献率最高,其主要成分为无机矿物质,毒性弱,对人体健康影响小.另外,发达国家大多数已步入老龄化社会,而老年人对空气污染的耐受力较差,更易受到影响.说明不同地区大气污染水平、不同人群对大气污染的敏感性等因素可能显著影响大气污染物与人群健康间增加百分率的估计.我国人群年龄构成和疾病谱等与发达国家相比存在较大的差异等.不同的统计分析模型及其参数设置以及暴露指标的选择等因素也会影响增加百分率的估计.

北京市NO2主要来源于机动车尾气排放,截止2013年9月,北京市机动车辆已超过512万辆,从而导致该地区NO2全年浓度较高,为52µg/m3,超过了国家二级标准(40µg/m3).单污染物模型中,NO2与全人群、男性、女性、年龄≤14岁、15～64岁和年龄≥65岁人群关联的PI值均大于PM10和SO2对应的PI值.在多污染物模型中,由于大气污染物之间存在着较强的相关性,当 NO2中引入PM10或(和)SO2后,NO2与不同人群关联的PI变化不大,且均有统计学意义.这表明NO2与不同人群的呼吸系统疾病门诊人数的关联相对稳健,尽管关联强度有所变化,但未改变关联的方向和统计学检验的结果.

从年龄分层来看,年龄≥65岁的人群对空气污染物最为敏感,PM10、SO2和 NO2每增加10ug/m3,年龄≥65岁人群的呼吸系统疾病门诊人数分别增加5.22%、4.32%和6.21%;其次为年龄≤14岁人群,PM10、SO2和NO2每增加10µg/m3,呼吸系统疾病门诊人数分别增加2.53%、2.72%和 4.60%.原因在于:年龄≥65岁的人群随着年龄的增长,各种机能开始减退,体质较差,机体免疫力下降,抵御不良环境的能力较差,大气污染物中携带的细菌、病毒及有毒有害物质容易进入体内,导致疾病的发生;年龄≤14岁的人群生理结构发育不够完全,免疫系统不够完善.陶燕等[21]研究了兰州市空气污染物对呼吸系统疾病入院人数的影响,发现年龄≤15岁的人群对兰州市空气污染最为敏感,其次为年龄≥65岁的老年人群.马洪宝等[22]比较了上海大气 SO2污染程度轻而颗粒物污染程度不同地区儿童的肺部功能,结果发现大气颗粒污染物可引起用力呼吸气流(FEF) 25%～75%和FEF75%～85%的减少,提示长期暴露在颗粒物污染下,可损害儿童的肺功能.本研究结果与前人研究结果相似,说明了老年人群和儿童是呼吸系统疾病的易感人群.

从性别分层来看,女性对污染物比男性敏感,PM10、SO2和NO2每增加10μg/m3,女性的呼吸系统疾病门诊人数分别增加4.63%、3.93%和4.79%,男性的呼吸系统疾病门诊人数分别增加2.23%、1.58%和 2.79%.这可能与男女性身体结构差异以及所处的不同环境有关.女性人群对污染物更为敏感,受到污染物的潜在威胁最大.这与王艳等[23]在济南市大气污染物与居民呼吸道疾病门诊量的关系中的研究结果基本一致.

通过拟合 GAM+自回归 AR(P)模型矫正自相关的问题,并在模型中控制了多种混杂因素的影响,较为客观地分析了大气污染水平与医院呼吸系统疾病门诊人数的关系.但本研究亦有缺陷之处:没有控制流感发病率对门诊人次的影响,假设以当某日呼吸系统疾病的门诊人数超过其当年的第 95个百分位数时,则认为该天为流感日[24],经计算流感人数为 3670人,占总发病人数的1.49%.马关培等[25]研究也表明流感对呼吸系统疾病门诊人次的影响相对较低.另外,以室外空气污染物的浓度作为人群的暴露指标,存在一定的不合理性.上述问题有待进一步研究.

4 结论

4.1 统计学意义上,北京市空气污染影响人群呼吸系统疾病日急诊就诊的最佳滞后时间:PM10为0～3d的移动平均值(lag03)或0～5d的移动平均值(lag05),NO2和 SO2均为 0～2d 的移动平均值(lag02).

4.2 最佳滞后时间条件下,PM10、SO2和NO2日均浓度增加 10µg/m3,呼吸系统疾病全人群急诊就诊人数的增加分别为1.72%、1.34%和2.57%.

4.3 就年龄和性别而言,年龄≥65的老年人群对北京市空气污染物最为敏感,其次为年龄≤14的人群;空气污染对女性的影响较男性明显.

[1]Kan H, Chen B, Hong C. Health impact of outdoor air pollution in China: current knowledge and future research needs [J]. Environ. Health Perspect, 2009,117(5):A187.

[2]Touloumi G, Samoli E, Quenel P, et a1. Short-term effects of air pollution on total and cardiovascular mortality: the confounding effect of influenza epidemics [J]. Epidemiology, 2005,16(1):49-57.

[3]李令军,王 英,李金香,等.2000～2010北京大气重污染研究 [J].中国环境科学, 2012,32(1):23-30.

[4]刘 罡,李 昕,胡 非.大气污染物浓度的神经网络预报 [J].中国环境科学, 2000,20(5):429-431.

[5]Peng R D, Dominici B F, Pastor-Barriuso R, et al. Seasonal analyses of air pollution and mortality in 100 US cities [J]. Am J. Epidemiol., 2005,161:585-594.

[6]Johnston F, Hanigan I, Henderson S, et al. Extreme air pollution events from bushfires and dust storms and their association with mortality in Sydney, Australia 1994-2007 [J]. Environ. Res., 2011,111:811-816.

[7]Ma Y, Chen R, Pan G, et al. Fine particulate air pollution and daily mortality in Shenyang, China [J]. Sci. Total Environ., 2011, 409:2473-2477.

[8]World Health Organization. World Health Organization Air Quality Guidelines-global update [S]. 2005.

[9]Middlelon N, Yiallouros P, Klean thous S, et al. A 10-year time-series analysis of respiratory and cardiovascular morbidity in Nicosia Cyprus the effect of short-time changes in air pollution and dust stems [J]. Environmental Health, 2008,7(2):39-43.

[10]张志刚,矫梅燕,毕宝贵,等.沙尘天气对北京大气重污染影响特征分析 [J]. 环境科学研究, 2009,22(3):309-314.

[11]Wehner B, Birmili W, Ditas F, et al. Relationships between sub micrometer particulate air pollution and air mass history in Beijing, China, 2004-2006 [J]. Atmospheric Chemistry and Physics Discussions, 2008,8(3):11321-11362.

[12]An X, Zhu T, Wang Z, et al. A modeling analysis of a heavy air pollution episode occurred in Beijing [J]. Atmospheric Chemistry and Physics, 2007,7:3103-3114.

[13]Dominci F, Peng R D, Bell M L, et al. Fine particulate air pollution and hospital admission for cardiovascular and respiratory diseases [J]. JAMA, 2006,295(10):1127.

[14]卫生部卫生统计信息中心,北京协和医院世界卫生组织疾病分类合作中心.国际疾病分类(ICD-10)应用指导手册 [M]. 北京:中国协和医科大学出版社, 2001:411-435.

[15]Dominici F, McDermott A, Zeger S L, et al. On the use of generalized additive models in time-series studies of air pollution and health [J]. Am. J. Epidemiol., 2002,156:193-203.

[16]李丽霞,郝艳晖,周舒冬,等.广义加性模型及其应用 [J]. 中国卫生统计, 2007,24(3):243-245.

[17]GB 3095-1996 国家环境空气质量标准 [S].

[18]孟紫强,张 剑,耿 红,等.沙尘暴对呼吸及循环系统疾病日门诊量的影响 [J]. 中国环境科学, 2007,27(1):16-120.

[19]Bell M L, Ebisu K, Peng R D. Seasonal and regional short-term effects of fine particles on hospital admissions in 202 US counties, 1999-2005 [J]. Epidemiology, 2008,19(6):379-308.

[20]Bi X H, Feng Y C, Wu J H, et al. Source apportionment of PM10in six cities of northern China [J]. Atmospheric Environment, 2007,41(5):903-912.

[21]陶 燕,羊德容,兰 岚,等.兰州市空气污染对呼吸系统疾病门诊人数的影响 [J]. 中国环境科学, 2013,33(1):175-180.

[22]马洪宝,洪传洁.大气细颗粒物污染对儿童肺功能影响的多因素分析 [J]. 中国公共卫生学报, 1991,10(2):75-77.

[23]王 艳,张宜生,李欣鹏.济南城区空气污染对呼吸道疾病门诊量的影响 [J]. 中国环境科学, 2008,28(6):571-576.

[24]王敏珍.中国三个代表城市呼吸系统疾病对主要气象要素的响应及研究应用 [D]. 兰州:兰州大学, 2013:25-35.

[25]马关培,邹宝兰,许振成,等.广州市某医院呼吸系统疾病门诊人数与大气污染关系的时间序列研究 [J]. 环境与健康杂志, 2012,29(6):526-528.

Relationship between air pollutant and respiratory diseases hospital outpatient visits in Beijing

ZHANG-Ying,

SHAO-Yi, WANG Shi-Gong*, SHANG Ke-Zheng, WANG Jin-Yan, LI-Xu, KANG Yan-Zhen (Key Laboratory of Arid Climate Change and Disaster Reduction of Gansu Province, School of Atmospheric Sciences, Lanzhou University, Lanzhou 730000, China). China Environmental Science, 2014,34(9)：2401～2407

To quantitatively evaluate the effect of air pollution on hospital outpatient visits for respiratory diseases in Beijing. A semi-parametric generalized additive model (GAM) was used to analyze the exposure-effect relationship between air pollution and daily respiratory diseases outpatient visits from 2009 to 2011 in Beijing after controlling long time trend, the “day of the week” effect and confounding meteorological factors. At the same time, the model was established based on the sex and age groups. The results showed that there was certain lag effect of three kinds of air pollutants on daily respiratory diseases outpatient visits. The lag time of PM10was 4-day moving average (avg03) or 6-day moving average (avg05). The lag time of SO2and NO2was 3-day moving average (avg02). An increase of 10µg/m3in PM10, SO2, NO2were significantly associated with the percentage increase (PI%) of 1.72%, 1.34% and 2.57% for all hospital outpatient visits, respectively. The elder more than 65 was the most sensitive to air pollution in Beijing, followed by those less than 14-year-old. The influence of air pollution on the female was more obvious than the male.

time-series studies；air pollution；respiratory diseases；hospital outpatient visits

X171.5

A

1000-6923(2014)09-2401-07

张 莹(1988-),女,陕西宝鸡人,兰州大学博士研究生,主要从事医学气象学研究.

2014-01-16

公益性行业(气象)科研专项(GYHY201106034);国家人口健康科学数据共享平台(2005PKA32400);国家自然基金项目(41105109);兰州大学中央高校基本科研业务费专项资金资助(lzujbky-2013-m03)

* 责任作者, 教授, wangsg@lzu.edu.cn