張 璟 王文軍 張春菊

(1濟(jì)寧醫(yī)學(xué)院公共衛(wèi)生學(xué)院，山東 濟(jì)寧，272067；2泰安市疾病預(yù)防控制中心，山東 泰安，271000)

·博士論壇·

泰安市日平均氣溫對(duì)居民死亡數(shù)的滯后影響分析*

張 璟1王文軍1張春菊2

(1濟(jì)寧醫(yī)學(xué)院公共衛(wèi)生學(xué)院，山東 濟(jì)寧，272067；2泰安市疾病預(yù)防控制中心，山東 泰安，271000)

張璟，女，副教授，1976年4月出生于山東省鄒城市。2001年7月畢業(yè)于華北煤炭醫(yī)學(xué)院流行病學(xué)與衛(wèi)生統(tǒng)計(jì)學(xué)專業(yè)，獲碩士學(xué)位。2014年7月畢業(yè)于復(fù)旦大學(xué)勞動(dòng)衛(wèi)生與環(huán)境衛(wèi)生學(xué)專業(yè)，獲博士學(xué)位，研究方向?yàn)榄h(huán)境流行病學(xué)，主要從事氣象條件對(duì)健康影響研究。2001年7月至今先后于濟(jì)寧醫(yī)學(xué)院勞動(dòng)衛(wèi)生學(xué)教研室和環(huán)境衛(wèi)生學(xué)教研室從事教學(xué)與科研工作。山東省衛(wèi)生毒理專業(yè)委員會(huì)委員，上海市安全生產(chǎn)專家?guī)鞂＜遥綎|省法醫(yī)毒物鑒定司法鑒定人，濟(jì)寧醫(yī)學(xué)院司法鑒定中心質(zhì)量負(fù)責(zé)人，法醫(yī)毒物鑒定室授權(quán)簽字人。先后主持參與山東省自然科學(xué)基金委，省科技廳、省衛(wèi)計(jì)委、省教育廳、濟(jì)寧市科技局、濟(jì)寧醫(yī)學(xué)院課題20余項(xiàng)，獲得各級(jí)獎(jiǎng)勵(lì)20余項(xiàng)，在國(guó)內(nèi)外核心期刊發(fā)表科研論文60余篇，其中第一作者18篇。

目的 了解泰安市日平均氣溫對(duì)不同性別、不同年齡居民每日非意外死亡的影響。方法 根據(jù)泰安市2009年1月1日至2013年12月31日每日居民死亡資料和同期氣相指標(biāo)及大氣污染指標(biāo)，采用分布滯后非線性模型，在控制長(zhǎng)期趨勢(shì)、季節(jié)趨勢(shì)和其他混雜因素后，研究日平均氣溫與不同性別、不同年齡死亡數(shù)之間的關(guān)系。結(jié)果 泰安市日平均氣溫對(duì)不同性別、不同年齡人群死亡效應(yīng)曲線均為J形，冷效應(yīng)具有延遲性，在暴露當(dāng)天出現(xiàn)，3 d左右達(dá)到最高，持續(xù)30 d。熱效應(yīng)表現(xiàn)為急性效應(yīng)，以當(dāng)天最高，后逐漸降低，在女性及老年人中呈現(xiàn)出明顯的收獲效應(yīng)。結(jié)論 高溫和寒冷均是泰安市居民每日死亡的危險(xiǎn)因素，存在滯后效應(yīng)，且低溫效應(yīng)的滯后時(shí)間長(zhǎng)于高溫。

氣溫；非意外死亡；分布滯后非線性模型

近年來(lái)，環(huán)境溫度與人群健康的關(guān)系一直備受關(guān)注。大量流行病學(xué)研究結(jié)果顯示，每日氣溫與每日死亡率有關(guān)[1-4]。溫度-死亡曲線多表現(xiàn)為U、V或J型[5-6]，不同國(guó)家、不同地區(qū)曲線形狀表現(xiàn)不同，寒帶地區(qū)或熱帶地區(qū)氣溫-死亡曲線多表現(xiàn)為J型[7-8]；四季分明的溫帶地區(qū)由于冷效應(yīng)與熱效應(yīng)都比較明顯，氣溫-死亡曲線多呈現(xiàn)U型。除了與所處經(jīng)緯度有關(guān)外，溫度對(duì)死亡的效應(yīng)還受地區(qū)經(jīng)濟(jì)狀況、人口密度、種族和空調(diào)使用情況等因素影響[9-11]，了解不同地區(qū)氣溫對(duì)人群死亡影響的作用特點(diǎn)，對(duì)預(yù)防控制工作的實(shí)施具有重要意義。本文選擇泰安市作為研究地區(qū)，利用歷史的逐日數(shù)據(jù)繪制氣溫與死亡的關(guān)系曲線，了解寒冷與熱效應(yīng)對(duì)死亡的作用模式，為制定區(qū)域性的適應(yīng)策略提供科學(xué)依據(jù)。

1 資料與方法

1.1 研究地區(qū)

泰安市，面積7761km2，位于山東省中部，是泰山所在地，地處東經(jīng)116°02′至117°59′，北緯35°38′至36°28′之間。屬于溫帶大陸型半濕潤(rùn)季風(fēng)氣候，四季分明，寒暑適宜。春季干燥多風(fēng)，夏季晴和氣爽，冬季寒冷少雪。泰安市2010年常住人口556萬(wàn)人，人口密度716人/km2。

1.2 資料來(lái)源

1.2.1 居民死亡資料 依據(jù)我國(guó)死因登記報(bào)告信息系統(tǒng)收集2009年1月1日至2013年12月31日泰安市居民每日死亡資料，非意外死亡人數(shù)按國(guó)際疾病標(biāo)準(zhǔn)編碼(International Classification of Diseases 10：A00-R99)進(jìn)行統(tǒng)計(jì)。

1.2.2 大氣污染物監(jiān)測(cè)資料 通過(guò)中華人民共和國(guó)環(huán)境保護(hù)部政府網(wǎng)站數(shù)據(jù)中心獲取同時(shí)期的空氣污染指數(shù)(air pollution index，API)。

1.2.3 氣象參數(shù)資料 通過(guò)中國(guó)氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)，獲得泰安市同時(shí)期氣象因素資料，包括逐日日平均氣溫和日平均相對(duì)濕度。

1.3 統(tǒng)計(jì)方法

1.3.1 建立時(shí)間序列泊松回歸模型 因每日死亡人數(shù)不僅受到氣溫影響，而且受到長(zhǎng)期時(shí)間趨勢(shì)、季節(jié)趨勢(shì)及星期效應(yīng)、相對(duì)濕度、每日的空氣污染指數(shù)等混雜因素影響；另外由于每日死亡人數(shù)屬于小概率事件，其分布近似泊松分布；故可建立時(shí)間序列泊松回歸模型，其基本形式為：

Yt—觀察日t當(dāng)天的死亡人數(shù)；

E(Yt)—觀察日t當(dāng)天的預(yù)期死亡人數(shù)；

α—截距；

NS—自然立方樣條函數(shù)(natural cubic spline，ns)；

timet—觀察日t對(duì)應(yīng)的時(shí)間變量，df=7/年；

Xit—對(duì)應(yīng)變量產(chǎn)生線性影響的解釋變量觀察日t當(dāng)天的數(shù)值，空氣污染指數(shù)等；

νi—回歸模型中的解釋變量系數(shù)；

rht—觀察日t對(duì)應(yīng)的日平均相對(duì)濕度，df=3；

wj—啞變量回歸系數(shù)；

stratajt—對(duì)應(yīng)變量產(chǎn)生影響的分層啞變量，星期啞變量、月份啞變量等處理星期幾，月份效應(yīng)等；

ε—?dú)埐睢?/p>

1.3.2 采用分布滯后非線性模型(distributed lag nonlinear model，DLNM)建模

由于每日死亡率不僅與當(dāng)日氣溫有關(guān)，也可能與之前數(shù)日氣溫暴露有關(guān)，故在進(jìn)行氣溫與死亡率關(guān)系分析時(shí)，應(yīng)該考慮滯后(lag)效應(yīng)。因此，在基本泊松回歸模型基礎(chǔ)上，需要添加每日氣溫指標(biāo)。

DLNM是近年來(lái)發(fā)展的用于氣溫與健康關(guān)系研究的模型，其利用交叉基的思想，添加時(shí)間維度(0，1，2，…，l)，將滯后(天)和氣溫統(tǒng)一在一個(gè)二維矩陣中，研究氣溫對(duì)死亡的非線性影響及其滯后效應(yīng)。為了能夠充分觀察到溫度的滯后效應(yīng)，參考相關(guān)文獻(xiàn)[12]，將最大滯后設(shè)定為30d。氣溫和滯后的df分別為4和5。模型公式為：

Tt，l—由DLNM得到的滯后1d的溫度矩陣；

β—Tt，l溫度矩陣的回歸系數(shù)；

l—滯后天數(shù)，最大滯后30d。

1.4 統(tǒng)計(jì)學(xué)方法

采用R2.13.1軟件完成所有資料的描述性分析。利用DLNM軟件包對(duì)死亡數(shù)據(jù)和氣象數(shù)據(jù)建立交叉矩陣，所有檢驗(yàn)均采用雙側(cè)檢驗(yàn)，以P<0.05為有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 資料統(tǒng)計(jì)描述

2009年1月1日至2013年12月31日，觀察日數(shù)為1827 d，泰安市日平均非意外死亡人數(shù)為80人，其中男性46人，占57.50%，女性34人，占42.50%?！?5歲的老年人在每日非意外死亡中所占的比例最大，為68.75%。氣溫和相對(duì)濕度的日均值分別為15.0 ℃和64%。同期空氣污染指數(shù)的P50為72.0。見(jiàn)表1。

表1 2009-2013年泰安市居民每日死亡數(shù)、氣象指標(biāo)以及空氣污染指數(shù)分布

2.2 泰安市非意外死亡的季節(jié)分布

研究顯示，泰安市不同性別、不同年齡人群每日非意外死亡數(shù)分布表現(xiàn)出季節(jié)趨勢(shì)，冬季最高(1～2月)，夏季最低(7～8月)?！?5歲老年人中季節(jié)趨勢(shì)表現(xiàn)較<65歲人群明顯。季節(jié)分布詳見(jiàn)圖1。

2.3 DLNM擬合

2.3.1 不同滯后時(shí)間日平均氣溫對(duì)日非意外死亡數(shù)的影響 將2009年至2013年日平均氣溫與每日不同性別、不同年齡非意外死亡數(shù)進(jìn)行DLNM建模擬合，最大滯后時(shí)間設(shè)定為30 d，觀察每一個(gè)滯后日對(duì)每日居民非意外死亡數(shù)的影響，得到不同滯后氣溫效應(yīng)的三維圖(圖2)。由圖2可見(jiàn)，高溫和低溫均會(huì)引起死亡效應(yīng)增強(qiáng)，高溫對(duì)每日居民非意外死亡的影響主要是短期即時(shí)效應(yīng)，以死亡當(dāng)天效應(yīng)最強(qiáng)，低溫對(duì)死亡的效應(yīng)在滯后3 d左右最強(qiáng)，隨著滯后時(shí)間的延長(zhǎng)，高溫和低溫效應(yīng)均逐漸降低。氣溫對(duì)死亡作用強(qiáng)度在不同性別、不同年齡人群中表現(xiàn)不同。

2.3.2 滯后30 d日平均氣溫對(duì)日非意外死亡數(shù)的總效應(yīng) 由圖3可見(jiàn)2009年至2013年泰安市日平均氣溫對(duì)死亡效應(yīng)曲線為J形，低溫冷效應(yīng)持續(xù)時(shí)間較長(zhǎng)，高溫?zé)嵝?yīng)持續(xù)時(shí)間較短。男性、女性、<65歲人群、≥65歲人群對(duì)冷熱效應(yīng)的氣溫拐點(diǎn)分別為22℃、23℃、22℃、24℃。

圖1 泰安市2009-2012年每日非意外死亡的季節(jié)分布

圖2 不同滯后天日平均氣溫對(duì)日死亡數(shù)影響的三維圖

2.3.3 -4℃和28℃不同滯后對(duì)死亡的效應(yīng) 以泰安市2009年至2013年日平均氣溫的P5(-4℃)和P95(28℃)作為低溫效應(yīng)和高溫效應(yīng)的溫度節(jié)點(diǎn)，繪制30 d滯后曲線圖。由圖可見(jiàn)低溫對(duì)不同性別，不同年齡死亡的效應(yīng)在當(dāng)天即開(kāi)始出現(xiàn)，約2～3 d達(dá)到最高，后開(kāi)始下降。高溫對(duì)死亡的效應(yīng)以當(dāng)天最高，后開(kāi)始下降，在女性及≥65歲人群中有明顯的收獲效應(yīng)。高溫當(dāng)天對(duì)≥65歲人群作用強(qiáng)度最大。詳見(jiàn)圖4。

2.3.4 不同滯后寒冷、高溫對(duì)不同性別、不同年齡人群的累積效應(yīng) 根據(jù)DLNM得到不同滯后寒冷、高溫對(duì)男性、女性、<65歲人群和≥65歲人群死亡的累積效應(yīng)。低溫的滯后效應(yīng)以0～30 d最強(qiáng)，分別為氣溫每降低1℃男性和女性死亡數(shù)分別增加9.05%和10.87%；<65歲人群和≥65歲人群死亡數(shù)分別增加7.78%和10.57%；女性和≥65歲老年人對(duì)寒冷更為敏感。高溫的滯后效應(yīng)在男性、<65歲人群和≥65歲人群中以0～2 d最強(qiáng)，分別為溫度每升高1℃死亡數(shù)增加4.30%、2.63%和6.47%。女性死亡在0～30 d滯后最大，溫度每升高1℃死亡數(shù)增加7.17%。見(jiàn)表2。

表2 不同滯后寒冷、高溫對(duì)不同性別、不同年齡人群死亡的累積效應(yīng)

3 討論

近年來(lái)，氣溫與健康的關(guān)系成為國(guó)內(nèi)外研究的熱點(diǎn)，時(shí)間序列回歸模型是研究其關(guān)系最常用的方法。在建立模型進(jìn)行溫度與死亡之間關(guān)系的研究時(shí)，常常需要考慮幾個(gè)因素，包括溫度-死亡曲線的形狀、滯后時(shí)間和溫度指標(biāo)的選擇等。由于溫度與死亡是非線性關(guān)系，同時(shí)還要考慮長(zhǎng)達(dá)數(shù)天至數(shù)周的滯后，如何完全地捕捉這種非線性關(guān)系，是在模型建立前需要首先解決的問(wèn)題。近年來(lái)，國(guó)內(nèi)外學(xué)者多采用分布滯后模型(distributed lag model，DLM)對(duì)氣溫的不同滯后效應(yīng)進(jìn)行分析，這一方法的主要優(yōu)點(diǎn)是在分析氣溫-死亡關(guān)系的模型中引入滯后時(shí)間，可以捕捉滯后效應(yīng)和收獲效應(yīng)。但由于DLM在分析中往往將熱效應(yīng)和寒冷效應(yīng)均假設(shè)為線性，而氣溫-死亡效應(yīng)曲線并不是簡(jiǎn)單的線性關(guān)系，同時(shí)由于連續(xù)數(shù)天的氣溫之間存在很強(qiáng)的自相關(guān)性，使DLM往往不能準(zhǔn)確描述不同滯后氣溫對(duì)死亡的作用[12]。DLNM是新發(fā)展的一種可以將氣溫的非線性作用和滯后聯(lián)合在一起的模型，以三維圖形靈活、直觀反映不同滯后氣溫對(duì)死亡的作用[13]。

3.1 氣溫對(duì)死亡的影響

本文采用DLNM模型發(fā)現(xiàn)，泰安市日平均氣溫-死亡曲線呈J形，顯示低溫和高溫均與超額死亡密切相關(guān)。每日男性、女性、<65歲人群和≥65歲人群死亡風(fēng)險(xiǎn)最低點(diǎn)的日平均氣溫溫度點(diǎn)分別為22℃、23℃、22℃、24℃，且低溫效應(yīng)較高溫效應(yīng)作用時(shí)間長(zhǎng)。國(guó)內(nèi)有研究顯示天津地區(qū)日均氣溫-死亡曲線呈U形[6]，廣州地區(qū)氣溫-死亡曲線呈V、U形[14]，上述研究結(jié)果與氣溫對(duì)死亡的影響在不同城市表現(xiàn)并不相同，具有區(qū)域特異性的觀點(diǎn)一致[5]。氣溫對(duì)死亡的作用模式隨著維度改變而不同[15]，還與地區(qū)社會(huì)經(jīng)濟(jì)發(fā)展?fàn)顩r[16]、人口老齡化程度[4]、空氣污染水平[17-18]、衛(wèi)生服務(wù)可及程度[19]等因素有關(guān)。應(yīng)結(jié)合研究地區(qū)的實(shí)際情況，提出有效的防控策略。

3.2 氣溫滯后效應(yīng)對(duì)死亡的影響

在氣溫對(duì)死亡作用的研究中，確定溫度暴露與出現(xiàn)死亡之間作用的滯后期，以及暴露后出現(xiàn)死亡效應(yīng)的持續(xù)時(shí)間較為重要。高溫的效應(yīng)滯后時(shí)間常常較短，1995 年芝加哥熱浪所致的死亡高峰出現(xiàn)在氣溫高峰后的2d[20]。而冷效應(yīng)的滯后時(shí)間常常較長(zhǎng)[21]，不同國(guó)家、地區(qū)冷效應(yīng)的滯后時(shí)間多表現(xiàn)不同，Anderson和Bell對(duì)美國(guó)107個(gè)社區(qū)溫度-死亡關(guān)系的研究中將滯后時(shí)間設(shè)定為28d[22]，Armstrong對(duì)倫敦溫度-死亡關(guān)系的研究亦將滯后設(shè)定為28d[23]，而Pattenden在對(duì)索菲亞和倫敦的研究中，將寒冷滯后時(shí)間均設(shè)定為14d[24]，相同的城市采用不同的滯后時(shí)間，得到的溫度效應(yīng)不同。在我國(guó)不同城市的溫度對(duì)非意外死亡的研究中，不同研究者對(duì)冷熱效應(yīng)的滯后設(shè)定亦不同，Chan等對(duì)香港的研究中，將冷、熱效應(yīng)滯后均設(shè)定為7d[16]；Wu等將廣州、珠海、長(zhǎng)沙、昆明5個(gè)城市的冷效應(yīng)滯后設(shè)定為27d，熱效應(yīng)滯后設(shè)定為3d[25]；裴德升和李麗萍在對(duì)重慶、北京、哈爾濱、福州、汕頭5個(gè)城市的研究[26]和Qian等武漢的研究[27]中，冷、熱效應(yīng)滯后均設(shè)定為0d；Guo等對(duì)天津的溫度效應(yīng)研究，將冷效應(yīng)滯后設(shè)定為18d，熱效應(yīng)設(shè)定為2d[6]。Kim等[28]的研究指出，滯后約30 d其累積效應(yīng)更具“地區(qū)代表性”。總之，不同地區(qū)觀測(cè)到的氣溫對(duì)死亡影響所呈現(xiàn)出冷、熱效應(yīng)有很大差異。近年來(lái)大量國(guó)內(nèi)外的研究提示，為防止冷效應(yīng)被低估，應(yīng)采用較長(zhǎng)的滯后時(shí)間進(jìn)行分析，而熱效應(yīng)的研究則應(yīng)采用較短的滯后時(shí)間[22]。

本文將氣溫對(duì)死亡效應(yīng)的滯后分析時(shí)間延長(zhǎng)為0～30 d，發(fā)現(xiàn)熱效應(yīng)表現(xiàn)為持續(xù)時(shí)間較短的急性效應(yīng)，在暴露當(dāng)天最高，在女性人群和≥65歲老年人中存在明顯的“收獲效應(yīng)”，這表明，高溫暴露在較短的時(shí)間內(nèi)增加了敏感人群的死亡風(fēng)險(xiǎn)，常被認(rèn)為是短時(shí)間內(nèi)加速了脆弱人群的死亡。當(dāng)人體溫度與環(huán)境溫度不同時(shí)，需要同環(huán)境進(jìn)行熱交換，使中心體溫在37℃保持平衡；在高溫條件下，主要依靠汗液蒸發(fā)散失熱量維持體溫平衡，高溫對(duì)機(jī)體的損害作用主要是由于大量汗液丟失導(dǎo)致的脫水，電解質(zhì)平衡紊亂，血液黏稠度增加，外周血管擴(kuò)張，血壓下降引起[29]；同時(shí)，高溫環(huán)境中人的心血管系統(tǒng)常處于緊張狀態(tài)，也可以使血壓發(fā)生變化。

低溫導(dǎo)致的超額死亡往往從暴露當(dāng)天開(kāi)始升高，3 d左右達(dá)到最高后開(kāi)始下降，持續(xù)時(shí)間較長(zhǎng)。許多研究采用0～7 d作為滯后分析時(shí)間，易低估低溫的效應(yīng)。寒冷對(duì)人體的影響主要是由于體溫增加血小板、紅細(xì)胞數(shù)量，是血液膽固醇和纖維蛋白原增加，黏稠度增大，外周血管收縮導(dǎo)致血壓升高，對(duì)心血管系統(tǒng)產(chǎn)生不良影響；寒冷還可以引起冠狀動(dòng)脈痙攣，導(dǎo)致心絞痛發(fā)作。一些患有慢性心肺系統(tǒng)疾病的人，對(duì)環(huán)境溫度較敏感，當(dāng)氣溫降低時(shí)，易復(fù)發(fā)加重。同時(shí)，當(dāng)外界氣溫較低時(shí)，人們往往減少外出，盡量待在室內(nèi)，人群在室內(nèi)的聚集，易造成呼吸系統(tǒng)交叉感染和反復(fù)感染的機(jī)會(huì)，由于其病程較長(zhǎng)，以死亡作為觀察終點(diǎn)，則需要有較長(zhǎng)的滯后期。

3.3 氣溫對(duì)老年人死亡的影響

氣溫對(duì)不同地區(qū)、不同人群的健康效應(yīng)存在著差異，年齡一直被認(rèn)為是其對(duì)健康作用的效應(yīng)修飾因素[8，30-31]。國(guó)內(nèi)外大量研究顯示，老年人對(duì)寒冷和高溫更敏感[32]，社會(huì)隔離[33]，缺乏社會(huì)支持[34]，經(jīng)濟(jì)收入低[35]，文化程度低[11]，居住條件差，居住環(huán)境中沒(méi)有空調(diào)[36]等都可以增加老年人對(duì)寒冷和高溫的脆弱性。老年人由于體溫調(diào)節(jié)能力下降，更易受到周圍溫度的影響。本文顯示溫度在-4℃每下降1℃，0～30d中≥65歲老年人死亡數(shù)增加10.57%；氣溫在28℃以上每升高1℃，0～2d中≥65歲老年人死亡數(shù)增加6.47%。面對(duì)高溫期間溫度增加，排汗閾值相對(duì)升高，再加上出汗多，導(dǎo)致血液黏稠度升高，這些生理變化使心腦血管和呼吸系統(tǒng)的壓力上升，容易由于發(fā)生脫水、腦梗死和心肌梗死而死亡[37]。另外，老年人可能由于服用某些藥物，使正常的排汗或其他調(diào)節(jié)體溫的過(guò)程受到干擾，從而加劇了上述高溫的死亡效應(yīng)。老人的生活條件，獲得的社會(huì)支持程度，其對(duì)醫(yī)療衛(wèi)生服務(wù)的可及程度都會(huì)影響溫度對(duì)老年人的健康效應(yīng)。此外，獨(dú)居老人由于缺乏社會(huì)聯(lián)系和社會(huì)支持，在寒冷或高溫天氣更容易受影響。目前，國(guó)內(nèi)關(guān)于溫度與死亡關(guān)系研究較多集中在全人群或是患病人群，較少針對(duì)特有人群(不同年齡、性別)進(jìn)行研究[38]。

人口老齡化是我國(guó)現(xiàn)在面臨的一個(gè)社會(huì)問(wèn)題，制定適應(yīng)措施，降低老年人對(duì)寒冷和高溫的脆弱性是提高氣候變化適應(yīng)的重要策略。氣溫驟變時(shí)，應(yīng)根據(jù)溫度變化對(duì)人群健康的影響特點(diǎn)制定相應(yīng)的預(yù)報(bào)、檢測(cè)、和監(jiān)控網(wǎng)絡(luò)，減少其導(dǎo)致的健康危害，確保人群的健康。

[1] 司朝宗,陳曉東,周連,等.南京市某區(qū)氣溫與居民死亡關(guān)系的時(shí)間序列分析[J].環(huán)境與健康雜志,2011,28 (3):230-232.

[2] Guo Y,Barnett A G,Tong T.High temperatures-related elderly mortality varied greatly from year to year:important information for heat-warning systems[J].Scientific reports,2012,2 published on line.

[3] Lin Y K,Chang C K,Li M H,et al.Wang.High-temperature indices associated with mortality and outpatient visits:characterizing the association with elevated temperature[J].Science of the Total Environment,2012,427:41-49.

[4] Basu R,Malig B.High ambient temperature and mortality in california:exploring the roles of age,disease,and mortality displacement[J].Environ Res,2011,111 (8):1286-1292.

[5] Curriero F C,Heiner K S,Samet J M,et al.Temperature and mortality in 11 cities of the eastern United States[J].Am J Epidemiol,2002,155 (1):80-87.

[6] Guo Y,Barnett A G,Pan X,et al.The impact of temperature on mortality in tianjin,China:a case-crossover design with a distributed lag nonlinear model[J].Environ Health Perspect,2011,119 (12):1719-1725.

[7] Hashizume M,Wagatsuma Y,Hayashi T,et al.The effect of temperature on mortality in rural bangladesh-a population-based time-series study[J].Int J Epidemiol,2009,38 (6):1689-1697.

[8] Revich B,Shaposhnikov D.Temperature-induced excess mortality in moscow,Russia[J].Int J Biometeorol,2008,52 (5):367-374.

[9] Medina-Ramon M,Zanobetti A,Cavanagh D P,et al.Extreme temperatures and mortality:assessing effect modification by personal characteristics and specific cause of death in a multi-city case-only analysis[J].Environ Health Perspect,2006,114 (9):1331-1336.

[10] O'Neill M S,Zanobetti A,Schwartz J.Disparities by race in heat-related mortality in four us cities:the role of air conditioning prevalence[J].J Urban Health,2005,82 (2):191-197.

[11] O'Neill M S,Zanobetti A,Schwartz J.Modifiers of the temperature and mortality association in seven us cities[J].Am J Epidemiol,2003,157 (12):1074-1082.

[12] Ha J,Shin J,Kim H.Distributed lag effects in the relationship between temperature and mortality in three major cities in south korea[J].Sci Total Environ,2011,409 (18):3274-3280.

[13] Gasparrini A,Armstrong B,Kenward M G.Distributed lag non-linear models[J].Stat Med,2010,29 (21):2224-2234.

[14] 楊軍,歐春泉,丁研,等.廣州市逐日死亡人數(shù)與氣溫關(guān)系的時(shí)間序列研究[J].環(huán)境與健康雜志,2012,29 (2):136-138.

[15] Hajat S,Kovats R S,Lachowycz K.Heat-related and cold-related deaths in England and Wales:who is at risk[J]? Occup Environ Med,2007,64 (2):93-100.

[16] Chan E Y,Goggins W B,Kim J J,et al.A study of intracity variation of temperature-related mortality and socioeconomic status among the Chinese population in Hong Kong[J].J Epidemiol Community Health,2012,66 (4):322-327.

[17] Bell M L,Goldberg R,Hogrefe C,et al.Climate change,ambient ozone,and health in 50 US cities[J].Climatic Change,2007,82 (1):61-76.

[18] Sujaritpong S,Dear K,Cope M,et al.Quantifying the health impacts of air pollution under a changing climate-a review of approaches and methodology[J].Int J Biometeorol,2013 published online.

[19] Huang C,Barnett A G,Xu Z,et al.Managing the health effects of temperature in response to climate change:challenges ahead[J].Environ Health Perspect,2013:415-419.

[20] Whitman S,Good G,Donoghue E R,et al.Mortality in chicago attributed to the July 1995 heat wave[J].American Journal of public health,1997,87 (9):1515-1518.

[21] Carder M,McNamee R,Beverland I,et al.The lagged effect of cold temperature and wind chill on cardiorespiratory mortality in scotland[J].Occup Environ Med,2005,62 (10):702-710.

[22] Anderson B G,Bell M L.Weather-related mortality:how heat,cold,and heat waves affect mortality in the United States[J].Epidemiology,2009,20 (2):205-213.

[23] Armstrong B.Models for the relationship between ambient temperature and daily mortality[J].Epidemiology,2006,17 (6):624-631.

[24] Pattenden S,Nikiforov B,Armstrong B G.Mortality and temperature in Sofia and London[J].J Epidemiol Community Health,2003,57 (8):628-633.

[25] Wu W,Xiao Y,Li G,et al.Temperature-mortality relationship in four subtropical Chinese cities:a time-series study using a distributed lag non-linear model[J].Science of the Total Environment,2013,449:355-362.

[26] 裴德升,李麗萍.基于人群日死亡數(shù)的五城市環(huán)境溫度閾值分析[J].中華疾病控制雜志,2011,15 (5):372-376.

[27] Qian Z,He Q,Lin H M,et al.High temperatures enhanced acute mortality effects of ambient particle pollution in the “Oven” city of Wuhan,China[J].Environmental health perspectives,2008,116 (9):1172.

[28] Kim Y M,Kim S,Cheong H K,et al.Comparison of temperature indexes for the impact assessment of heat stress on heat-related mortality[J].Environ Health Toxicol,2011,26:e2011009.

[29] Bouchama A,Knochel J P.Heat stroke[J].N Engl J Med,2002,346 (25):1978-1988.

[30] El-Zein A,Tewtel-Salem M,Nehme G.A time-series analysis of mortality and air temperature in greater beirut[J].Sci Total Environ,2004,330 (1-3):71-80.

[31] Rocklov J,Forsberg B.The effect of temperature on mortality in stockholm 1998-2003:a study of lag structures and heatwave effects[J].Scand J Public Health,2008,36 (5):516-523.

[32] Basu R,Ostro B D.A multicounty analysis identifying the populations vulnerable to mortality associated with high ambient temperature in california[J].American journal of epidemiology,2008,168 (6):632-637.

[33] Naughton M P,Henderson A,Mirabelli M C,et al.Heat-related mortality during a 1999 heat wave in chicago[J].American Journal of Preventive Medicine,2002,22 (4):221-227.

[34] Semenza J C,Rubin C H,Falter K H,et al.Heat-related deaths during the July 1995 heat wave in chicago[J].New England Journal of Medicine,1996,335 (2):84-90.

[35] Kaiser R,Rubin C H,Henderson A K,et al.Heat-related death and mental illness during the 1999 cincinnati heat wave[J].The American journal of forensic medicine and pathology,2001,22 (3):303-307.

[36] Vandentorren S,Bretin P,Zeghnoun A,et al.August 2003 heat wave in france:risk factors for death of elderly people living at home[J].The European Journal of Public Health,2006,16 (6):583-591.

[37] Parsons K.Maintaining health,comfort and productivity in heat Waves[J].Global Health Action,2009 11 Nov published on line.

[38] Frumkin H,Fried L,Moody R.Aging,climate change,and legacy thinking[J].Am J Public Health,2012,102 (8):1434-1438.

Distributed lag effects in the relationship between daily mean temperature and mortality in Taian

ZHANGJing,WANGWenjun,ZHANGChunju

(School of Public Health,Jining Medical University,Jining 272067,China)

ObjectiveTo study the impact of daily mean temperature on mortality in different genders and different age groups in Taian.MethodsAccording to daily mortality,meteorological and air pollution data,we used a distributed lag nonlinear model (DLNM) to assess the effects of daily mean temperature on mortality (non-accidental for male,female,<65 years group and ≥65 years group) adjusting for the secular trend,seasonal trend and other confounders.ResultsA J-shaped relationship was found consistently between daily mean temperature and non-accidental deaths in different genders and different age groups in Taian.Cold effects were delayed,occurred following exposure,reached highest at about 3 days and persisted for 30 days.Hot effects were acute and highest at 1st day and reduced gradually,which were followed by mortality displacement in female and ≥65 years group.ConclusionIn Taian,cold and hot temperatures increased the risk of mortality with delayed effects.The effects of cold lasted longer than the effects of heat.

Temperature;Non-accidental death;Distributed lag nonlinear model

* [基金項(xiàng)目]山東省自然科學(xué)基金資助項(xiàng)目(編號(hào)：ZR2014HL092)

10.3969/j.issn.1000-9760.2015.06.001

R122.2

A

1000-9760(2015)12-381-08

2015-11-15)