非适宜气温和PM2.5 及其协同作用对不同年龄段老年人死亡的影响*

黄 翌

南通大学地理科学学院，南通，226007

1 引言

非适宜气温（最小死亡风险所对应的气温称为适宜气温，其他均为非适宜气温）是循环系统、呼吸系统疾病的主要环境类危险因素。全球13 个主要国家和地区的7000 余万死亡人口统计显示，7.71%的全因死亡由非适宜温度导致，其中中国较高（11%）（Gasparrini，et al，2015）。根据《全球疾病负担2019》，非适宜气温是中国居民排名第8 的死亡危险因素。大量研究证实气温与死亡人数呈“U”型、反“J”型曲线，其中老年人群受非适宜气温影响的死亡风险高于中低龄人群。日本年龄相关的身体衰弱死亡与寒潮的关系比与其他死因更为密切（Ma，et al，2021）。浙江省老龄人口受气温影响显著高于65 岁以下群体（Hu，et al，2019）。苏州市65 岁以上人群受极端低温和极端高温的影响比0—64 岁更大（Wang，et al，2014）。巴西圣保罗65 岁以上男性人群脑血管病死亡风险更大（Ikefuti，et al，2018）。南京市60 岁以上的气温-循环系统疾病死亡的暴露-反应关系高于60 岁以下（肖冰霜等，2017）。兰州市极端气温对老龄人的影响更早，持续期更长（Liu，et al，2019）。一项综述研究（Song，et al，2017）显示冷效应对老年人的影响尤为显著。

空气污染（气体及颗粒物）是全球死亡的高风险因素（Cohen，et al，2017），2017 年中国有120 万人死于空气中的颗粒物污染，其疾病负担较严重（Zhou，et al，2019），其中PM2.5是颗粒物中的主要危险成分。PM2.5对不同年龄人群的影响大小还存在争议，全球疾病负担的研究结果（GBD 2017 Risk Factor Collaborators，2018）显示，PM2.5的相对危险度随年龄增长而下降，但是中国的一些研究发现，PM2.5中各成分浓度升高对于75 岁以上人群的风险高于0—74 岁（Yang，et al，2020）、65—74 岁人群的危害大于0—64 岁（Chen C，et al，2018）。

老年群体是脆弱群体的主体和对疾病及其危险因素抵御力较弱的群体，死亡率随年龄增长不断升高，非适宜气温、PM2.5等全民暴露的环境危险因素对不同年龄段老年人的危险性、滞后期、收获效应（也称“补偿效应”，极端气温导致死亡人数多于平时，其中以老年和体弱者为主，极端气温过后，人群中高危人数减少，死亡人数比平时更少）、协同作用可能存在与年龄相关的规律，但是目前对老龄群体内部细分年龄的影响研究还不足。本研究以中国老龄化最严重的地区为例，研究低温（指一年中低于适宜温度的气温）、高温（指一年中高于适宜温度的气温）和PM2.5浓度对不同年龄段老年人的危险程度及协同作用，旨在进一步认识大气环境对各年龄段老龄人群的影响并为制定应对措施提供参考。

2 数据来源及研究方法

2.1 数据来源

研究区为江苏省南通市。中国第五（2000 年）、六（2010 年）、七（2020 年）次人口普查结果表明，南通市65 岁以上人口占该市总人口比例分别为12.44%、16.50%、22.67%，均位于全国340 余个地级以上行政区的首位，较大的人口规模和严重的老龄化程度使南通市老龄死亡人数较多，为研究气温和空气污染对老年人的影响提供了条件。

文中人口死亡数据来自南通市卫生健康委员会、公安局联动的人口死亡数据库，共存储2005 年以来数十万死亡者信息，考虑到2011 年以前的死亡数据登记遗漏率较高、近一两年的死亡数据还在不断补录完善、105 岁以上死者年龄存疑等情况，本研究收集了数据准确度较高的2012 年1 月1 日—2017 年12 月31 日全市6 个县、县级市（不含南通市区，市区和县区老龄化率相差较大，6 个县2020年65 岁以上人口占比均在23%以上，市区只有12.9%）共计256037 位65—104 岁全死因死者的死亡日期和年龄、性别、住址等信息。

2012—2017 年气温数据来自中国气象局全国气象数据共享服务网，PM2.5数据来自清华大学与多个机构共同研制的中国大气成分近实时追踪数据集（Tracking Air Pollution in China，TAP，http://tapdata.org.cn）（Geng，et al，2021；Xiao，et al，2021a，2021b），该数据集提供了2000 年以来10 km 分辨率的PM2.5长期浓度值，可以减弱农村地区缺乏观测站而导致区域平均浓度偏差的问题，与本研究主要以乡镇、农村的人口死亡数据较契合。

2.2 研究方法

研究采用2 步模型，第1 步研究非适宜气温和PM2.5的独立效应。大量研究已发现气温与死亡的非线性关系和滞后关系，而空气污染与死亡以线性关系为主，利用在气温和空气污染领域较成熟的分布滞后非线性模型（DLNM，Gasparrini，2014）和广义相加模型（GAM）估算气温、PM2.5对6 个年龄组老年死亡人数的影响。

为了检验研究结果的稳定性，设计了4 种敏感性试验：（1）除日平均气温以外，还分析了日最低、最高气温的风险。（2）将暴露-反应关系的滞后期在14—28 d 内调整。（3）为检验时间趋势的平稳性，对其自由度在每年1—10 内调整。（4）对PM2.5等因素的自由度在每年2—5 内调整。敏感性试验结果见附录。运行模型后，发现气温对各年龄组的影响在14 d 以后已不存在滞后效应，故将滞后期修改为14 d。

为了观察PM2.5的滞后效应，构建日均PM2.5浓度与滞后时间的广义相加模型进行试验，如果PM2.5的滞后期大于0，则统计滞后期内的累积风险，否则，统计当天的死亡风险。

第2 步研究非适宜气温和PM2.5的协同作用。采用薄板样条函数（thin-plate spline）构建非参数二元响应模型进行分析（张莹等，2021）。

依据第1 步中各年龄组气温与死亡人数的关系，进一步将温度分为低温和高温，对2 个温度层内PM2.5与死亡的关系进行定量分析和对比。

依据研究结果将气温分为适宜温度区间（MMT）、热不适宜温度区间（高于MMT）、冷不适宜温度区间（低于MMT）。采用超额危险度（ER）、相对危险度（RR）、归因分值（PAF）及其95%置信区间（95%CI）来评价暴露效应，相对危险度、归因分值、超额危险度的计算参考相关资料和文献。分布滞后非线性模型和广义相加模型分别利用R 软件的dlnm 和mgcv程序包进行建模。

3 数据特征

死亡人口的年龄分布如图1，时间序列分布如图2。男性、女性、全体的死亡峰值年龄分别是82 岁、86 岁、83 岁（死亡的峰值年龄一般高于预期寿命是因为中低龄死亡人员对预期寿命的拉低作用），90 岁以上死亡者占65 岁以上死亡人数的16.3%，男、女比随年龄增长而降低，符合全球及中国人口死亡规律。为了研究气温和PM2.5对不同年龄老年人的影响，从统计上消除人数差异大引发的随机因素的干扰，以利于年龄组之间的等效对比，文中按照各组死亡人数大致相等的原则，对65—104 岁老人按年龄分成6 组（65—72、73—77、78—81、82—85、86—89、90—104 岁）。

提取研究区范围内10 km 分辨率的80 个点的PM2.5浓度并计算平均值，气温和PM2.5时间序列分布和频数见图2。南通市年平均气温16℃，2012—2017 年气温的5%、25%、50%、75%、95%分位数分别为2.0、8.0、17.2、23.5 和30.4℃。PM2.5浓度的5%、25%、50%、75%、95%分位数分别为15.6、32.3、52.9、80.9 和137.2 μg/m3。

图2 PM2.5（a）、气温（b）和死亡人数（c）的时间序列（a1—c1）及频次分布（a2—c2）Fig.2 Time series（a1—c1）and frequencies（a2—c2）of PM2.5（a），temperature（b）and mortality（c）

4 非适宜气温和PM2.5 的独立效应

非适宜气温对不同年龄段老年人的相对危险度和滞后效应见图3 和4，最低死亡温度（MMT）为24—26℃。低温和高温的风险均随年龄增长而增加，低温风险随年龄增长升高的幅度高于高温。低温、高温均具有滞后效应，低温的滞后效应从低温后1—3 d 开始，持续9—12 d。高温的滞后效应从当天开始，持续3—6 d，低温、高温的滞后期长短与年龄的关系均不明显。各年龄组均表现出温度越高或越低，滞后期越长。65—72、73—77 岁组的高温具有微弱的收获效应，即相对危险度低于1，但78 岁以上组的高温无收获效应。

图3 2012—2017 年南通市平均气温与不同年龄段老年人（a—f）全因死亡人数的累积暴露-反应关系（阴影为95%置信区间）Fig.3 Cumulative exposure-response association of mean temperature and all-cause mortality in Nantong，2012—2017（a—f.groups of different ages；shaded：95%CI）

各滞后期内PM2.5的超额危险度如表1。由表1可见，研究区PM2.5滞后效应随年龄增长而增加，65—72 岁、73—77 岁在滞后0、1 d 显著，78—81 岁在滞后0 d 显著，82—85 岁在滞后0、1、2 d 显著，86—89 和90—104 岁在滞后0、1、2、3 d 显著。基于上述结果，根据不同年龄组的显著性分别设定滞后期。

表1 不同滞后时间下PM2.5 浓度变化导致的全因超额死亡风险Table 1 Excess risk of all-cause mortality associated with PM2.5 with different lag days

低温、高温、PM2.5的整体相对危险度和归因分值见表2，其中PM2.5是否有安全暴露剂量存在争议，各国标准差异较大，研究（Chen，et al，2017）显示，相同浓度的PM2.5对中国居民的风险低于西方国家。依照世界卫生组织对于颗粒物的空气质量标准（24 h 内PM2.5浓度10 μg/m3）和过渡期标准（24 h 内PM2.5浓度25 μg/m3）（WHO，2006）两种情况设定阈值。表2 显示，低温、高温的相对危险度和归因分值均随年龄增长而升高，虽然低温的相对风险效应比高温显著得多，19.02%的90 岁以上老人死于低温，而65—72岁仅有3.56%。与气温相比，PM2.5对于低龄老人风险较大，但是随年龄增长先减小后增大，其风险在高龄段小于低温。

图4 不同年龄组（a—f）的低温、高温滞后效应和收获效应（色阶为相对危险度）Fig.4 Lagged effect and harvest effect of high and low temperatures for groups of different ages（a—f；shaded：RR）

表2 低温、高温、PM2.5 的累积相对危险度和归因分值及95%置信区间Table 2 Relative risk and attributable fraction of high and low temperature and PM2.5

研究区最低死亡温度在不同年龄段略有差异，主要位于24—26℃，但并未发现最低死亡温度随年龄增长的变化规律，在该温度范围外，低温和高温下死亡风险均升高。大量研究表明，最低死亡温度与纬度呈负相关，纬度越低，最低死亡温度越高（Yang，et al，2015；Yu，et al，2012；Gasparrini，et al，2015；Guo，et al，2014）。本研究与已有研究（Yang，et al，2016；Ma，et al，2015；Cheng，et al，2019；Wang，et al，2017）得到的北亚热带最低死亡温度主要位于20—26℃的结论一致。本研究还发现，随着年龄增长，气温暴露-反应关系的曲线逐渐由65—72 岁的“U”型转变为高龄的反“J”型，在老年低龄阶段，离开最低死亡温度后，低温和高温相对危险度升高的幅度大致接近，低温略高，但是随着年龄增长，低温的升高幅度比高温明显得多，随年龄增长的6 个年龄段1℃（气温的2.5%分位数）的相对危险度分别是31℃（气温的97.5%分位数）的1.04 倍、1.14 倍、1.19 倍、1.32 倍、1.26 倍、1.46 倍，导致反“J”型曲线的两端差异变大。类似对年龄分为2 组的研究（Zhang，et al，2017）也表明，年龄越大，低温比高温的危险性增幅越大。对中国272 个城市的研究（Chen R J，et al，2018）显示，75 岁以上人群的气温归因死亡分值＞65—74 岁＞5—64 岁，并且75 岁以上与65—74 岁的差异明显大于65—74 岁与5—64 岁的差异，说明气温的归因死亡在老龄人群中随年龄呈发散型上升。中国南方2008 年寒潮对75 岁以上人群的影响＞65—74 岁＞0—64 岁（Xie，et al，2013）。以上研究结果均表明，气温的剂量-反应关系为发散型。与某些因素的危险性随浓度升高而收敛并具有极限不同，离开最低死亡温度后，气温越高或越低，相对危险度的曲线呈凹形加速上升，导数沿“U”型、反“J”型、“J”型曲线向两侧增大，呈发散特征。

本研究结果显示，由最低死亡温度向两侧，气温越高或越低，滞后效应越显著，低温范围内，15℃的滞后期只有1—3 d，0℃的滞后期超过8 d，高温范围内也呈现温度、滞后期、相对危险度之间的三角形结构，只是滞后期短于低温，这与已发现的低温引发的死亡具有明显的滞后效应，滞后期为1—25 d（李艳等，2016；董继元等，2017；Ma，et al，2014）；高温的滞后期较短，只有1—5 d 且主要影响集中在当天（张莹等，2019；Bao，et al，2016）等结论一致，但是滞后效应与年龄不存在相关。部分研究发现高温具有收获效应，本研究结果发现65—77 岁有收获效应，而78 岁以上各组无收获效应，说明高温对高龄老人的影响可能具有广泛性，不仅脆弱者和患病者受影响较大，对普通高龄人群也有风险。

研究区的最低死亡温度主要出现在6 月和9 月，高温期（气温高于最低死亡温度）只有2—2.5 个月，低温期（气温低于最低死亡温度）长达8—9 个月，导致低温归因死亡占比远高于高温，且年龄越大，低温与高温归因分值的比值差异越大，从65 岁到90 岁以上分别为2.52、4.07、5.34、6.12、4.95、6.49 倍，说明高龄老人更需要注意低温的伤害。虽然单次高温的危险不一定低于低温，部分国家及中国各地的死亡归因主要表现为冷效应（Huang，et al，2015；张雪等，2018；Heo，et al，2016；Chen R J，et al，2018；Xie，et al，2013），研究中低温和高温的归因死亡从2.7:1（张莹等，2019）到30.7:1（Gasparrini，et al，2015）不等，即使今后全球变暖，英国2020、2050、2080年低温归因死亡依然分别是高温的13.0、5.8、2.9 倍（Hajat，et al，2014）。主要原因是，①低温的滞后期更长，增大了危险性；而高温收获效应降低了危险性（Ma，et al，2014；Gasparrini，et al，2015）。②世界及中国大多数地区全年每日气温低于最低死亡温度的天数远多于高于此温度的天数，最低死亡温度一般位于当地气温的70%—90%分位，全球平均在81%分位（Gasparrini，et al，2015），导致低温的危险度上升区间更宽，且低温期漫长，发生频率更高，死亡远多于高温。③人们对高温的应对措施更有效，如使用空调降温，但对低温特别是弱低温的重视不够。研究区位于冬季采暖线南侧不远的北亚热带，是冬季室内气温最低的地区之一，相关研究也显示，温带地区的最低死亡温度低于亚热带，即低温对温带地区的风险性更低，并且推测与冬季温带地区有供暖密切相关（Ma，et al，2014；Yang，et al，2016）。

PM2.5的独立效应表明，在老年低龄段，PM2.5风险与低温、高温相差不大，在不设阈值的情况下其归因死亡占比更高。随年龄增长，PM2.5的相对危险度和归因分值均先降后升：65—72 岁＞73—77 岁＞78—81 岁＜82—85 岁＜86—89 岁＜90—104 岁，呈现波动变化，这与全球疾病负担给出的PM2.5的相对危险度随年龄增长下降的趋势（GBD 2017 Risk Factor Collaborators，2018）以及相关研究（Franklin，et al，2007；Chen C，et al，2018；Ma，et al，2011）发现的死亡风险：65—74 岁＞75 岁以上＞0—64 岁、75 岁以上＞5—64 岁＞65—74 岁、65 岁以上或75 岁以上风险更大等结论有相似之处但并不完全一致。并且已有研究（Gao，et al，2017；Cao，et al，2011；Zhou，et al，2014）和本研究结果均发现，PM2.5对中国的危险性低于西方发达国家。与气温的相对危险度和归因分值随年龄增长迅速升高不同，PM2.5在中青年和低龄老年段危害较大，但是随年龄增长并非发散式升高，表明与低温相比，PM2.5与过早死亡联系更紧密，而低温对高龄、超高龄老人的影响更大。同时本研究发现PM2.5的滞后期随年龄增长而延长，相关研究（Yang，et al，2020；张莹 等，2021）也表明，PM2.5对于不同死因存在1—3 d 的滞后期。

5 协同作用

图5 是日平均气温与PM2.5的协同作用，Z轴表示依据气温和PM2.5浓度计算的死亡人数，气温与死亡的反“J”型关系以及PM2.5浓度与死亡人数的线性关系十分明显。二者对死亡人数具有协同作用，不论是低温或是高温环境下，PM2.5浓度升高都增加了死亡风险，部分年龄组在PM2.5浓度超过150 μg/m3时死亡人数的增加幅度趋于平缓。

图5 日平均气温与PM2.5 的协同作用对不同年龄（a—f）影响的二元反应Fig.5 Bivariate response surfaces of mean temperature and PM2.5 for groups of different ages（a—f）

表3 是气温不分层以及分为低温（低于最低死亡温度）和高温（高于最低死亡温度）时，PM2.5浓度升高10 μg/m3对各老年组的超额死亡影响。气温不分层及低温时，PM2.5浓度升高在各个年龄段都造成了0.50%—1.71%的超额死亡，但是在高温时未观察到超额死亡效应。这可能与高温时PM2.5浓度低有关，研究区2012—2017 年各月平均气温与PM2.5浓度存在明显的线性负相关关系，6、7、8 月PM2.5平均浓度为45.9 μg/m3；12、1、2 月PM2.5平均浓度为87.5 μg/m3。

表3 不同温度水平下PM2.5 浓度升高10 μg/m3 对各老年组的超额死亡影响Table 3 Excess risk for each group with 10 μg/m3 increases in PM2.5 across different temperature levels

非参数二元响应模型的计算结果显示，除65—72 岁年龄段气温与死亡为“U”型关系以外，其他5 个年龄段均呈反“J”型关系，PM2.5与死亡在0—150 μg/m3内均为线性关系，在150—200 μg/m3内，73—77 岁和86—89 岁趋于平缓，其他4 个年龄段仍为线性关系，死亡最低值发生在气温反“J”型曲线的拐点与PM2.5暴露值为0 的交界点，从死亡人数随低温、高温、PM2.5浓度变化而升高的幅度看，65—72 岁为高温≈低温≈PM2.5，其他年龄段低温＞高温≈PM2.5，低温导致的死亡人数远多于高温和PM2.5，是高龄人群的主要环境危险因素。因此，对于老年群体，特别是高龄老人，采取相应措施防范低温的死亡风险至关重要。随着2016 年以来对大气污染治理力度不断加大，近几年研究区空气质量为优的天数增多，已经很少出现PM2.5浓度高于150 μg/m3的情况，但是全球变暖导致极端高温、极端低温越来越频繁，今后高温的归因死亡可能会高于PM2.5，并且低温的危险性不一定降低。

对气温分层的结果表明，不分层和低温环境下，PM2.5浓度升高对各个年龄段超额死亡都存在强相关，低温环境下PM2.5浓度每升高10 μg/m3对65—72、73—77 和82—85 岁的超额死亡影响大于气温不分层时，而对78—81、86—89 和90—104 岁的影响小于气温不分层时，但是并未观察到高温环境下PM2.5浓度升高对各个年龄段超额死亡的作用。关于高温、低温与PM2.5协同作用的大小，不同的研究结论也不一致，成都、北京的研究（张莹等，2021，2017）发现高温段PM2.5对疾病死亡影响的健康风险均大于低温段，且大于不分层条件下的独立健康效应，而西安市的研究（欧奕含等，2021）结论与本研究一致，即低温效应有统计学意义，高温不具有统计学意义。

6 结论与讨论

文中研究了低温、高温、PM2.5浓度对多个老年年龄段的危险性、滞后期、收获效应、协同作用。低温、高温的危险性均随年龄增长而增加，但低温升高趋势更大，PM2.5的危险随浓度升高先减小后增加。低温的滞后期较长，高温和PM2.5的滞后期较短。高温在老年低龄组存在收获效应。低温、高温与PM2.5间存在协同作用。

本研究存在以下不足：并未收集其他空气污染物，如O3、NOX、CO、PM10浓度，主要原因是死亡数据的时段为2012—2017 年，未能获取2012 年部分污染物的监测值。未考虑人口密度分布与PM2.5浓度分布的不一致，可能导致地区PM2.5平均值与人群暴露实际值存在偏差。虽然本研究的时间序列长、数据量大，但由于南通是老龄化最严重的地区，未来还需在其他地区做进一步的研究，增加结论的适用性。

附录：敏感性试验结果

1 日最高、最低气温试验

附图1 日最高气温与各年龄组（a—f）死亡的暴露-反应关系（阴影为95%置信区间）Fig.A1 Cumulative exposure-response association of daily maximum temperature and all-cause mortality（shaded：95%CI）

附图3 日最低气温与各年龄组（a—f）死亡的暴露-反应关系（阴影为95%置信区间）Fig.A3 Cumulative exposure-response association of daily minimum temperature and all-cause mortality（shaded：95%CI）

附图4 不同年龄组（a—f）的低温、高温滞后效应和收获效应（以日最低气温计，色阶为相对危险度）Fig.A4 Lagged effect and harvest effect of high and low temperatures for groups of different ages（daily minimum temperature；shaded：RR）

2 滞后期21 d 的试验

附图5 不同年龄组（a—f）的低温、高温滞后效应和收获效应（滞后期21 d，色阶为相对危险度）Fig.A5 Lagged effect and harvest effect of high and low temperatures for groups of different ages（lag021 d；shaded：RR）

3 时间自由度变化的试验

附表1 时间自由度变化的试验结果Table A1 Result of changing df（degree of freedom）of time

附图6 90—104 岁年龄组不同时间自由度下（a—i）平均气温与死亡的暴露-反应关系（阴影为95%置信区间）Fig.A6 Cumulative exposure-response association of daily mean temperature and all-cause mortality under different df of time（shaded：95%CI）

4 PM2.5自由度变化的试验

附表2 PM2.5 自由度变化的试验结果Table A2 Result of changing df（degree of freedom）of PM2.5