方法论

研究设计

细颗粒物污染对预期寿命的影响

AQLI 指数基于迈克尔•格林斯通、亚伯拉罕•艾本斯坦、樊茂勇、何国俊和周脉耕(2017)所做的研究。得益于独特的社会环境，我们能够测量出长期空气污染对人的预期寿命的影响。
中国北方地区的污染程度历来较高，部分原因是政府在计划经济时期(1950-1980年)实行的一项政策，即为较冷的淮河以北地区免费供应燃煤用于冬季取暖。政策的初衷是给在寒冬最需要取暖的北方供暖，但同时也使淮河以北地区比南方更加高度依赖煤炭。这项政策延续至今，北方地区仍然依靠燃煤供暖，因此南北室内采暖率的差别很大。同时，户籍制度限制了人们离开出生地的自由流动，遭受空气污染的人们无法搬迁到空气更清洁的地区。这两项政策相结合形成了一条独特的地理分界线，研究人员可以据此研究高污染的长期影响，并将这种影响与其他影响预期寿命的因素隔离开来。
这两项研究中的最新研究发现，持续暴露于PM₁₀细颗粒物污染中，其浓度每增加 10μg/m³，人们的预期寿命就会减少0.64年。.[3] 虽然这项研究仅基于中国的情况，但是研究覆盖的区域和年限揭示了很大的污染起伏范围：在淮河南北5纬度的范围内，一个平均值标准差内的PM₁₀浓度范围是75-148μg/m³(相当于48-96μg/m³的PM_2.5)，整个PM₁₀浓度范围是27-307μg/m³(相当于18-200μg/m³的PM_2.5)。因此，AQLI 指数所包含的预期寿命与细颗粒物污染之间的关系是源于类似于观测到的全球分布的PM_2.5分布，这为艾本斯坦等人(2017年)归纳污染测量值与预期寿命的关系提供了一个可信的依据。

图：中国的 PM₁₀浓度和艾本斯坦等人研究中的淮河分界线(2017年)

世卫组织关于PM_2.5的指导标准和国家标准：

AQLI指数测量的对象是，PM_2.5浓度降至世卫组织细颗粒物浓度指导标准或国家空气质量标准时人口预期寿命延长的年数。世卫组织的指导标准是10μg/m³，该标准是世卫组织发现的长期受细颗粒物污染影响的最低指标，超过该指标，则死亡率上升的几率高于95%。[1]研究人员找出了86个国家的空气质量标准，标准的范围为8–40μg/m³。[2]对于我们无法确定是否已制定国家标准的其他国家，我们会在地图上标注未制定PM_2.5国家标准，也未依据国家标准计算预期寿命延长年数。此外，AQLI指数允许用户输入自己的污染降幅百分比，查看由此产生的预期寿命增加数据。

空气质量达到国家标准或世卫组织指导标准后对预期寿命增加的预估

基于艾本斯坦等人的研究成果(2017年)创建AQLI指数，我们首先要将PM₁₀浓度数据转换成PM_2.5浓度数据。由于可获得的数据有限，艾本斯坦等人在研究细颗粒物污染对预期寿命的影响时，采用的是PM₁₀(直径小于10微米的颗粒)。由于全球空气污染指数只测量最具危害性的PM_2.5，因此我们将研究中所用的估值单位换算成 PM_2.5，比例为1个PM₁₀等于0.65个PM_2.5，这与研究期间中国的状况非常吻合。[4] 这相当于：

换言之，长期受10μg/m³的PM_2.5影响时，预期寿命会减少0.98年。
根据流行病学文献，AQLI指数假设在整个观察到的PM_2.5分布中，长期暴露于PM_2.5污染和预期寿命之间存在线性关系。[5]虽然在超过一定的 PM_2.5 浓度范围后，空气污染与预期寿命的关系可能是非线性关系，或者PM_2.5浓度低于某个阈值时无效，但我们还未发现有可信的经验证据能推翻线性假设。因此，在估计每个网格单元中潜在预期寿命延长时，根据AQLI指数，在长期受空气污染的情况下，PM_2.5 浓度在参考标准(世卫组织指导标准、国家标准 , 或某个用户自设标准)之上每增加 10μg/m³ ，预期寿命就会减少 0.98 年。
对于污染浓度和预期寿命下降数据，AQLI指数将网格单元估计值汇总为国家和地区行政区划数据，按人口加权计算。例如，在2018年，北京的年平均PM_2.5水平为46μg/m³，而广州是26μg/m³。在计算中国2018年PM_2.5平均水平时，北京的PM_2.5水平与广州相比要加权50%以上，因为北京人口约为广州的1.5倍。因此，中国全国平均PM_2.5水平为34μg/m³，即2018年每个人受到的PM_2.5影响的水平是34μg/m³。这些汇总值在地图上显示为国家值和地区值。

---

网格化细颗粒物及人口估值

广泛、可靠的空气污染监测对于了解空气污染程度及其对人体健康的影响非常重要。然而，目前世界上许多地区缺少足够的污染监测系统。在设立了监测系统的地区，许多地区也是新近才开始，或者最近才开始监测PM_2.5。在这种情况下，很难跟踪监测空气污染的长期影响。监测数据的质量、可信度也各不相同，不利于跨区域比较污染情况。
为了建立一套关于细颗粒物污染及其对健康影响的统一数据，并且做到全球覆盖全球、数据清晰、方法一致，能跨越多年揭示长期污染趋势，AQLI指数采用了从1998至2018共21年的环境细颗粒物污染(PM_2.5)卫星测量数据估值。该数据由哈默(Hammer)等人(2020年)构建，以0.05°x 0.05°的高分辨率覆盖全球。换言之，地球表面被划分为不超过6公里×6公里的网格单元，相当于纽约市的1/30、德里的1/60、北京的1/170。数据集包含每年各网格单元的PM 2.5浓度。

对于缺少甚至没有污染监测系统的地区，如何了解PM_2.5浓度？哈默等人(2020年)采用了一个三步流程。
1. 通过卫星获得每个网格单元上气溶胶光学厚度(AOD)的测量值。空气中的微粒会阻挡阳光，因此空气污染越严重，通过大气的光线就越少。AOD是一个无单位的量度，用来测量通过网格单元上方的垂直空气柱的光线。

2. 采用广泛使用的GEOS-Chem模型将AOD转化为PM_2.5浓度。向模型输入气象数据和多种化合物的排放数据，这些化合物包括细颗粒物、二氧化硫、氮氧化物和挥发性有机化合物(后三种气体排放到大气中形成细颗粒物)。利用这些输入数据，模拟AOD和PM_2.5在空间和时间上的关系。将GEOS-Chem模拟数据与卫星测量AOD数据相结合，便可初步得出的全球网格的PM_2.5数据集。

3. 利用现有地面监测系统的PM_2.5数据对该数据集进行校准，进一步提高精确度。对于靠近监测系统的网格单元，计算出气溶胶成分、距城市的距离等地球物理因素对PM_2.5卫星测量数据与监测系统读数间差异的影响。这样，即使在没有监测系统情况下，也可估算出PM_2.5卫星测量数据与地面实际情况的差异，并据此进行调整。

这样得到的数据集与可获得的地面监测数据高度一致(在与样本外监测系统的交叉验证中，R² =0.91)。
AQLI指数采用将矿尘和海盐排除在外的PM_2.5卫星测量数据集。因此，我们的数据反映的污染主要来自人类活动，如汽车排放、发电厂或工业生产，而不是自然界。这样，我们可以把注意力放在成分类似于艾本斯坦等人(2017年)研究的细颗粒物的污染物子集上。这些细颗粒物浓度的变化主要是煤炭燃烧造成的，也是公共政策最容易瞄准的目标。
AQLI指数使用的人口数据来自2018年LandScan全球人口数据库，该数据库使用空间方法将每个国家的人口普查数据分解为长度为30弧秒的网格单元。这些网格单元的面积在赤道周围约为1平方公里，在其他地方小于1平方公里。将详细的人口数据与PM_2.5浓度卫星估值相结合，获得一个全球环境PM_2.5浓度及相关人口数的网格数据库。从网格级别到本地、州、全国和全球汇总PM_2.5浓度和预期寿命平均值时，采用人口数量加权。
在汇总任何一年的污染和预期寿命增幅时，AQLI指数均使用2018年人口数据。这样，各年的污染水平和预期寿命的变化反映空气中细颗粒物浓度的实际变化，而不会受到人口分布变化的干扰。例如，1998年预期寿命所受到的影响应解释为：当前人口的预期寿命在细颗粒物浓度仍处于1998年的水平而非当前污染水平时所受到的影响，。
AQLI 指数利用最新的PM_2.5 和人口数据，且每年更新。

---

关于AQLI指数中污染数据的说明

数据更新

AQLI指数最近一次数据更新时间是2020年。现在的PM_2.5卫星测量数据来自哈默等人(2020年)建立的网格化数据集。这是AQLI指数从2018到2020年所使用的原始数据的修订版，而这些原始数据是由范·冬克拉尔(van Donkelaar)等人(2016年)构建的，时间横跨1998-2016年。当前哈默等人(2020年)的数据集不仅增加了2017-2018年的数据，还追溯修订了之前历年PM_2.5估值。修订过程如下：
1. 所有年份采用同一GEOS-Chem模型对AOD卫星测量数据与地面PM_2.5数据之间的关系进行模拟。与此不同的是，由于数据限制，范·冬克拉尔等人(2016年)在不同年份使用了不同版本的GEOS-Chem模型。所有年份都采用同一模型进行模拟，修正后的数据更适于做时间趋势分析。

2. 在GEOS-Chem模型中采用了更完整的地面排放量测量数据，对于近年来地面数据的质量和可获得性已提高的地区(如中国和印度)，这种方式增加了这些地区数据的准确性。

3. 修改了计算某地区PM_2.5中灰尘比例的方法。之前的数据集高估了PM_2.5中灰尘的比例，而现在的数据集纠正了干旱地区源于人类活动的PM_2.5估值的向下误差。

由于这些改进，与之前范·冬克拉尔等人(2016年)创建的数据集相比，现在的数据集与地面监测数据更加吻合。对照同一监测数据集进行交叉验证时，R²=0.91，而非R²=0.85。
总的来讲，与原来的数据集相比，更新后的PM 2.5数据更高(见图)。在比较不同年份的污染水平和预期寿命时，用户应注意仅参考新的数据集，而不是将现有的2017或2018年数值与以前报告的1998-2016年数值进行比较。

为什么AQLI指数的污染数据与当地监测结果不同？

用户可能会发现，AQLI指数的污染卫星测量数据与他们的政府或当地空气质量监测站报告的数据有差异。有些差异有意设计的，以反映实践中对细颗粒物污染水平的不同定义：

• • 矿尘和海盐。虽然监测系统采集各种细颗粒物，但AQLI指数特意采用排除矿尘和海盐的原始PM_2.5数据，目的是针对人为污染。这样，AQLI指数所报告的污染数据会偏低，尤其在北非、中东、撒哈拉以南非洲国家以及中国西北部等干旱地区。
  • 平均面积与点估计值。AQLI指数所使用的原始PM_2.5卫星测量数据来自0.05×0.05度的网格(在赤道处约6公里×6公里，向两极过渡面积逐渐缩小)的平均空气污染水平。相比之下，空气污染监测系统位于某个点，例如砖窑下风100米处，或公园的一棵树上。它们监测的是特定地点的空气污染水平，其平均值可能高于或低于整个地区的平均污染水平。
  • 人口加权。原始污染数据是在分辨率为0.05×0.05度网格基础上收集的，在一个行政辖区内（例如县、区、地级市）通常有多个这样的网格块。为了显示当地或全国范围内每个人所受到的平均细颗粒物污染水平及其对预期寿命的影响，AQLI指数利用人口加权汇总网格数据。也就是说，如果一个县由一个低污染的大城市和高污染的小工业城镇组成，那么该县的AQLI指数会更接近于反映该县大部分人口享有更清洁的空气。

总之，由哈默等人(2020年)创建的网格化污染卫星测量数据集与地面监测系统的测量结果非常吻合(未使用监测结果校准卫星测量数据集，R² = 0.91)。然而，在特定的地理环境下，卫星测量结果可能无法准确反映当地人口所遭受的污染状况：

• • 分辨率。虽然0.05×0.05度的网格对于全球空气污染数据集来说是一个相当高的分辨率，但是如果一个区域的污染和人口密度的梯度都在0.05×0.05度以下，则可能导致误判当地污染水平。蒙古的乌兰巴托就是一个极端例子。这座城市呈长方形，位于图尔河谷内，因此用于计算城市总污染水平的每个网格块都包含周围的部分高山。虽然市区的空气污染很严重，但山区的空气要干净得多。由于山区拉低了每个网格内的平均空气污染水平，人口加权并未降低污染较轻山区的权重。结果，与监测数据所显示的结果相比，卫星测量数据所显示的整个城市的细颗粒物污染水平及其对预期寿命的影响要低得多。例如，在2016年，空气污染监测系统测得的年平均PM_2.5浓度为92μg/m³，而AQLI指数计算的数值为19μg/m³。在这种情况下，前者更能说明乌兰巴托居民肺部所吸入的细颗粒物数量。

总体而言，对于污染和人口差异很大的地区来讲，例如靠近大山的城市，这的确是一个潜在问题。但是，乌兰巴托只是一个极端的个例，因辖区的大小和形状、区域内污染的大梯度以及卫星测量网格的划分方式，导致卫星测量数据与地面测量数据发生很大的差异。

与其他死亡原因和风险的对比

AQLI指数的结果显示，如果 2018 年世界各地的空气细颗粒物污染水平持续至今，对照世卫组织指导标准，现在每个人的平均预期寿命会减少 1.9 年。在“污染事实”和“12个事实报告”中，我们将这一研究结果与影响寿命的其他早亡原因和风险进行比较。我们使用寿命表来进行研究，与淮河研究中用来计算细颗粒物污染与预期寿命关系的流行病学方法相同。
该方法的简介如下：我们从世卫组织获得了2016年死亡率数据的寿命表(可得最新数据)，包括按 0-1岁、1-4岁、5-9岁、……、80-84岁和85岁以上等年龄区间和分性别的死亡概率和预期寿命。[6]我们称之为“基线”数据。依据《2017年全球疾病负报告》中对死亡原因和风险(如吸烟、疟疾)的分析，我们得到了2017年相关原因或风险导致的死亡率(截至2020年6月的最新数据)，分别按性别和年龄列出，如：0-1岁、1-4岁、5-9岁、…、75-79岁以及 80岁以上等。对于这两个数据集，我们将最高年龄段统一归到80岁以上年龄段。
然后，使用基线寿命表，按照由格林伍德(Greenwood)(1922年)和Chiang(1984年)首次提出的程序，假定每个年龄段的死亡风险在未来保持不变，我们推算了2016 年出生的男性和女性的平均预期寿命。用 2017 年出生人口性别比率，我们采用加权平均值，将按照性别划分的预期寿命汇总为单个平均基线预期寿命。[7]根据 2017 年疾病和风险的实际负担，该数字可说明所有死亡原因和风险对预期寿命的影响。
为了计算出生人口在没有特定风险(如吸烟或疟疾)情况下的预期寿命，我们从寿命表基线死亡率中减去该风险导致的死亡率。然后，按照上述相同程序，我们获得推定的出生时平均预期寿命。基线预期寿命和这种推定预期寿命之间的差异，正是相关风险对预期寿命的影响，我们将这种差异与 AQLI 指数显示因空气污染而缩短 1.9 年寿命的结果进行比较。
为了进行国家间比较，我们还采用了相关国家的寿命表和死亡率数据。关于计算所用的数据和代码，请参见here.

______________________________

[1]世界卫生组织， 2006年

[2]从库特拉尔(Kutlar)等人(2017年)研究中确定了许多国家标准

（2017）

[3]陈等人 ，2013年; 艾本斯坦等人，2017年

[4]PM_2.5与PM₁₀之间的换算率为0.65，该比率基于多年来对中国PM_2.5/PM₁₀ 比率研究的细致评估，研究的时间框架与艾本斯坦(2017)的研究相似。有两项具有全国代表性的研究值得特别关注。Wang等人(2015年)测量了2006-2014年全国24个监测站的PM_2.5/PM₁₀比率，并按监测站/城市报告了总平均值。使用这些平均值进行粗略的人口加权计算，得出的PM_2.5/PM₁₀ 比率为0.73。需注意的是，本研究的城市列表中并没有包括一些主要大城市 (如北京 )，但包括了许多周边地区。Zhou等人(2015年) 根据全部已发表文献 (128 篇)编纂了一个综合性全国数据库，包括了对1988-2010年 PM_2.5和PM₁₀ 浓度的研究，该研究基于57个城市和地区的589 对数据，得出PM_2.5与PM₁₀的比率为 0.65。最后，我们还考虑了世界卫生组织在中国环境污染数据库中使用的PM_2.5/PM₁₀ 质量比0.66。鉴于 Zhou等人(2015年)所做研究的全面性及其结果与世卫组织数值 (0.65 与0.66)的接近程度，我们采用0.65作为 AQLI 指数的基线PM_2.5/PM₁₀ 比率。

[5]参见《2017年全球疾病负担报告》

[6]世界卫生组织，2018年

[7]联合国人口署，2017年

注释和来源：请在印度语翻译中添加以下引用。
Hammer, M. S., van Donkelaar, A., Li, C., Lyapustin, A., Sayer, A. M., Hsu, N. C., Levy, R. C., Garay, M. J., Kalashnikova, O. V., Kahn, R. A., Brauer, M., Apte, J. S., Henze, D. K., Zhang, L., Zhang, Q., Ford, B., Pierce, J. R., & Martin, R. V. (2020). Global estimates and long-term trends of fine particulate matter concentrations (1998-2018). Environmental Science & Technology. doi: 10.1021/acs.est.0c01764.