AQLI

概述

方法论

计算个人平均预期寿命损失年数

AQLI 预估的是空气污染和平均预期寿命之间的关系,用户可借此查看其所在社区如果符合世界卫生组织 (WHO) 指南、国家标准或一些其他标准的情况下,其平均预期寿命将延长多少年。预估采用的是一项以中国为背景的配对研究结果。这些研究结果再结合详细的全球人口和 PM2.5 数据,可以预估出全球范围内颗粒物对平均预期寿命的影响。

网格层面颗粒物和污染预估

用于构建 AQLI 的数据来源的选择原则是不同国家之间数据点地理位置的完整性和方法的一致性。

AQLI 结合了二十年来每年的大气悬浮颗粒物污染 (PM2.5) 浓度预估。这一由 Van Donkelaar et al. (2016) 提供的高分辨率(视场为 10km x 10km)卫星监测数据覆盖了全球范围,换言之,每年每个区域都会有一个数据点,区域范围相当于纽约市的 1/8、德里的 1/15 或者北京市城区的 1/40。

图片:AQLI 使用高分辨率卫星监测的污染和人口估算数据,数据的收集是全球范围内视场为 10kmx10km 的网格,如图所示分别显示的是纽约、北京和德里。

自始至终,AQLI 中提供的 PM2.5 都不包括灰尘和海盐,这些物质被视为人类活动产生的聚集物(比如汽车尾气排放、发电厂或工业活动),而非自然资源产生的颗粒物(如道路灰尘和风吹扬尘)。这样的方式使得我们关注颗粒物污染这一小范畴,与在 Ebenstein et al.(2017) 中研究的颗粒物成分类似,即主要基于煤炭燃烧差异导致的变异,且最易于被公共策略管控。

AQLI 的人口数据采集自 2015 LandScan 全球人口数据库,该数据库使用空间分布方法将每个国家的人口普查计数分解成长度为 30 弧秒的网格。这些网格围绕赤道 1 km2 ,在其他地区分布更小。

将详细人口数据与卫星监测的 PM2.5 浓度结合后,结果就形成了相关人口计数对应的环境 PM2.5 浓度的全球数据库。

WHO 指南和国家 PM2.5标准

AQLI 预估将 PM2.5 浓度降低至 WHO 指南中规定的颗粒物浓度或国家管理的空气质量标准(国家标准)后可能延长的平均预期寿命。WHO 指南中规定的浓度是 10 微克每立方米 (μg/m3),符合 WHO 认为能够将死亡率提高至大于 95% 置信度的长期暴露的最低水平。[1]目前 86 个国家有本国特定的国家管理年度标准,范围为 8-40 μg/m3 不等。[2]我们在地图工具上标注没有特定国家标准的剩余国家,这些国家缺乏 PM2.5 国家标准,也就未计算出相对于其国家标准的平均预期寿命增长幅度。此外,AQLI 还允许用户输入自定义的标准,范围为 0-100 μg/m3 或其污染浓度的下降百分比。

研究设计

颗粒物污染对平均预期寿命的影响

由于特殊的社会环境,AQLI 有幸根据一项配对研究测量持续暴露在高污染水平环境下对人均寿命的影响。

中国北方地区一直以来污染水平相对较高,部分原因是因为政府在计划经济时期(即 1950 至 1980 年)实施的淮河-秦岭分界线以北地区的供暖政策,即政府向较为寒冷的北方地区提供免费煤炭,以供电站锅炉进行供暖。该政策是在冬季给需要的居民供暖,但却导致国家过于依赖煤炭。这一供暖政策一直持续至今,随着分界线以南、以北地区室内取暖的费率不同,北方地区继续依赖煤炭供暖体系。与此同时,户籍制度又不鼓励居民离开自己的出生地。这实际上就意味着暴露在颗粒物污染地区的居民无法迁居至空气更加洁净的地区。这两项政策的实施造就了一条独特的地理分界线,研究人员能够在除去其他影响平均预期寿命的因素的情况下,仅研究长期高水平的污染对平均预期寿命的影响。

更新的一项配对研究 (Ebenstein et al., 2017) 表明持续暴露在额外 PM10 浓度为 10 μg/m3 的环境下,平均预期寿命会减少 0.64 年。[3] 尽管该研究仅以中国为背景,但该研究中覆盖的区域和年份却反映了各个范围的污染程度:淮河-秦岭分界线附近 5 个纬度范围内的区域,其 PM10 水平处于平均标准差内,为 75-147 μg/m3。据此,我们可以拥有较高置信地推理出处于同等污染水平的世界其他区域的污染与平均预期寿命的关系。

 

图:中国 PM10 浓度和 Ebenstein et al.(2017) 中的淮河分界线

预估符合国家标准或 WHO 指南的情况下平均预期寿命的增长幅度

采用 Ebenstein et al.(2017) 研究成果构建的 AQLI 首次将其转化成 PM2.5。由于数据可用性的限制,Ebenstein et al.(2017) 仅从 PM10 的层面上说明了颗粒物污染对平均预期寿命的影响,PM 10 指粒径大于 PM2.5 且直径小于 10 微米的颗粒物。由于全球空气污染数据仅测量 PM2.5 这一危害最大的颗粒物污染,因此我们将研究预估转化成 PM2.5 的单位,采用值为 0.65 的 PM2.5 与 PM10 的比率,该值与研究期间中国的情况紧密一致。[4] 如下图所示:

 

也就是说,持续暴露在浓度为 10 μg/m3 的 PM2.5 环境下,平均预期寿命会减少 0.98 年。

根据流行病学文献资料[2],AQLI 假设长期暴露在 PM2.5 环境下和平均预期寿命是线性关系。[5] 据AQLI的研究团队所知,目前没有可靠经验证据表明颗粒物污染与预期寿命关系在任何范围内非线性。因此,为了预估每一网格内潜在的寿命增长,AQLI 设定:长期暴露在超出参考标准(WHO 指南或国家标准,或者是用户输入标准)的环境下,每超出 10 μg/m3 浓度,寿命损失为 0.98 年。

根据 PM2.5,污染水平范围超出了每超出 10 μg/m3 浓度寿命减少 0.98 年这样的确定关系,转化成 50-95 μg/m3。我们不确定的是,污染与平均预期寿命的关系在首个 PM2.5 浓度为 50 μg/m3 的环境下,或在超过 95 μg/m3 这样高水平的环境下,其影响是否准确。

对于污染浓度和平均预期寿命损失,AQLI 聚合了网格层面的预估数据,直至国家和地方行政边界。聚合体现了人口加权。例如,在 2016 年,北京的年度平均 PM2.5 水平为 69 μg/m3,广州的水平为 34 μg/m3。在计算中国国家 2016 年度平均 PM2.5 水平时,北京的 PM2.5 水平就比广州的比重高 50%,因为北京的人口是广州人口的 1.5 倍。因此,中国的国家平均 PM2.5 水平为 40 μg/m3,意味着每个中国人在 2016 年平均暴露在年度平均 PM2.5 水平为 40 μg/m3 的环境下。这些总计值体现在地图工具上。

AQLI 污染数据注意事项

用户可能会发现 AQLI 的污染数据与其他 WHO 和全球疾病负担 (GBD) 所使用的数据库不同。其中一个不同点就是原始数据。AQLI 采用 1998 至 2016 年间每年的年度数据,而非每三年的平均数据。然而,与 WHO 的数据相比,可用的年度数据采用更加简单的方法进行卫星定标和地面测量。AQLI 数据源结果公布的污染水平通常比 WHO 公布的要低。此外,AQLI 排除灰尘和海盐的影响,而 WHO 和 GBD 并未排除,导致结果差异更大。例如,排除灰尘和海盐的影响,德里和北京公布的 PM2.5 水平分别减少 15% 和 8%。在北非、中东、撒哈拉以南非洲地区和中国西北地区,这两个因素在总 PM2.5 浓度上所占比重极大,则会导致更大的差异。

由于 AQLI 卫星监测的 PM2.5 数据跨度为 1998 年至当前年度之前,政策影响页面也利用监控的污染数据来评估 1998 年之前所实施政策的影响和/或在如今污染水平产生重大变化的情况下,相关政策的影响。阅读政策影响页面或对比 AQLI 数据与其本地空气质量监控的年度平均数据的用户可能会注意到监控和卫星监测的测量结果之间的差异。由于 AQLI 排除灰尘和海盐导致结果差异外,卫星的局限性也是差异的来源之一。例如,卫星只能在相对无云的天气状况下评估空气污染情况。而在很多地区,冬季的污染尤其严重,几乎没有无云天气。在这种情况下,监测的数据可能会更加准确。然而,很多国家没有监测,而且各地测量技术和方法不尽相同,导致数据难以对比。由于卫星监测污染数据适用于全球范围,且方法统一,是 AQLI 的主要数据来源。

与其他死亡原因和风险的比较

根据 AQLI 的研究结果,如果 2016 年世界各地的颗粒物环境污染水平依然如旧,那么相比于各地颗粒物浓度符合 WHO 指南的环境条件,今天活着的每个人的平均预期寿命将减少 1.8 年。在“污染事实”和“十二个事实”的报告中,我们将这一发现与其他过早死亡的原因和风险对预期寿命的影响进行了比较。我们使用了寿命表,这是一种流行病学研究方法,与淮河研究中用来计算颗粒物污染和平均预期寿命之间关系的方法相同。

该方法的总结如下。我们从 WHO 得到了 2016 年死亡率数据的寿命表,例如各性别和年龄区间在 0-1、1-4、5-9、…、80-84 和 85 岁以上的人们的死亡概率和剩余寿命。[6]我们称这些为“基线”数据。从 2016 年全球疾病负担 (GBD) 中,针对死亡的各种原因和风险(例如吸烟、疟疾),我们得到了 2016 年各性别和年龄区间在 0-1、1-4、5-9、…、75-79 和 80 岁以上的人们因该原因或风险而导致的死亡率。对于这两个数据集,我们将最高年龄区间聚合为单个 80+ 区间以保持一致性。

现在,我们使用基线寿命表并遵循由 Greenwood (1922) 和 Chiang (1984) 最先概述的步骤,来计算 2016 年出生的男性和女性的平均预期寿命,假设每个年龄段的死亡风险在未来保持不变。利用 2016 年的出生性别比,我们采用加权平均数把按性别划分的平均预期寿命聚合为单个平均基线预期寿命。[7]根据 2016 年的实际负担,这一数字说明了所有死亡原因和风险对平均预期寿命的影响。

如果除去特定情况(例如吸烟或疟疾),要计算 2016 年出生时平均预期寿命年限,我们可以从寿命表的基线率中减去由该条件导致的死亡率,然后按照上述相同的步骤得到出生时反事实的平均预期寿命。基线平均预期寿命与此反事实平均预期寿命之间的差异便是该条件对平均预期寿命的影响,我们将其与 AQLI 因颗粒物污染致平均预期寿命减少 1.8 年的结果进行比较。

可在此处找到产生这些计算的数据和代码。

[1] WHO, 2006
[2] 国家管理年度标准信息大多数来源于 Kutlar et al. (2017)
[3] Chen et al., 2013; Ebenstein et al., 2017
[4] 0.65 的比率是经过仔细审查研究成果得出的,这些研究报告了与 Ebenstein (2017) 同期的中国 PM2.5 与 PM10 的历史比率。其中两项全国有代表性的研究尤为引人注目。Wang et al.(2015) 测量了 PM2.5 与 PM10 的比率,该研究采用了 2006 年至 2014 年间,全国 24 个监测站的数据,按照监测站/城市公布总平均值。根据这些平均值进行人口加权平均数计算,PM2.5 与 PM10 的保守比率为 0.73。更重要的是,该研究中所列的城市包含了很多周边区域,但并不包括一些主要大城市(如北京)。Zhou et al.(2015) 汇编了一份综合的国家数据库,其中汇总了 1988 到 2010 年间发表过的有关 PM2.5 和 PM10 质量浓度的所有文献资料(128 篇文章),并发现 PM2.5 与 PM10 比率为 0.65,该值是根据 589 组数据计算而来,覆盖 57 个城市和地区。最终,我们还考虑到国际卫生组织发布的中国大气污染数据库中 PM2.5/PM10 的质量比率为 0.66。考虑到 Zhou et al.(2015) 研究的详尽程度及其研究成果与 WHO 公布的值相差无几(0.65 和 0.66),我们采用 0.65 作为 AQLI 中 PM2.5 与 PM10 比率的基线。

[5] 例如,全球疾病负担 Global Burden of Disease (2016).
[6] WHO, 2018
[7] U.N. Population Division, 2017

注释和来源

Bright, E.A., Rose, A.N., and Urban, M.L. (2016). LandScan 2015 [Data file]. Oak Ridge National Laboratory. Retrieved from https://landscan.ornl.gov/

Chen et al. (2013) “Evidence on the impact of sustained exposure to air pollution on life expectancy from China’s Huai River policy,” Proceedings of the National Academy of Sciences, 110(32): 12936-12941.

Ebenstein et al. (2017) “New evidence on the impact of sustained exposure to air pollution on life expectancy from China’s Huai River policy,” Proceedings of the National Academy of Sciences, 114(39): 10384-10389.

Global Burden of Disease. (2016). Retrieved from http://ghdx.healthdata.org/gbd-2016

Kutlar, J.M, Eeftens, M., Gintowt, E., Kappeler, R., Kunzli, N. (2017). Time to Harmonize National Ambient Air Quality Standards. International Journal of Public Health 62(4), 453–462.

UN Population Division. (2017). _World Population Division: 2017 Revision_. Retrieved from https://population.un.org/wpp/DataQuery

van Donkelaar, et al. (2016) “Global Estimates of Fine Particulate Matter using a Combined Geophysical-Statistical Method with Information from Satellites, Models, and Monitors,” Environmental Science & Technology, 50(7): 3762-3772.

Wang et al. (2015) “Spatial and temporal variations of the concentration of PM10, PM2.5 and PM1 in China” Atmospheric Chemistry and Physics, 15:13585-13598.

World Health Organization (2006) “WHO Air quality guidelines for particulate matter, ozone, nitrogen dioxide and sulfur dioxide” available at: http://apps.who.int/iris/bitstream/handle/10665/69477/WHO_SDE_PHE_OEH_06.02_eng.pdf

World Health Organization. (2018). Life tables by WHO region: Global [Data file]. Available at http://apps.who.int/gho/data/view.main.LIFEREGIONGLOBAL?lang=en

Zhou et al. (2015) “Concentrations, correlations and chemical species of PM2.5/PM10 based on published data in China: Potential implications for the revised particulate standard” Chemosphere, 144(2016): 518-526.

污染真相

了解有关颗粒物污染的详细信息

Button / Circle / Small Gray / Internal Link 污染真相

报告

关于空气颗粒物污染的若干事实

Button / Circle / Small Gray / Internal Link 报告