泰安市日平均氣溫對居民死亡數(shù)的滯后影響分析*

張 璟 王文軍 張春菊

(1濟寧醫(yī)學院公共衛(wèi)生學院，山東 濟寧，272067；2泰安市疾病預防控制中心，山東 泰安，271000)

·博士論壇·

泰安市日平均氣溫對居民死亡數(shù)的滯后影響分析*

張 璟1王文軍1張春菊2

(1濟寧醫(yī)學院公共衛(wèi)生學院，山東 濟寧，272067；2泰安市疾病預防控制中心，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)學院流行病學與衛(wèi)生統(tǒng)計學專業(yè)，獲碩士學位。2014年7月畢業(yè)于復旦大學勞動衛(wèi)生與環(huán)境衛(wèi)生學專業(yè)，獲博士學位，研究方向為環(huán)境流行病學，主要從事氣象條件對健康影響研究。2001年7月至今先后于濟寧醫(yī)學院勞動衛(wèi)生學教研室和環(huán)境衛(wèi)生學教研室從事教學與科研工作。山東省衛(wèi)生毒理專業(yè)委員會委員，上海市安全生產(chǎn)專家?guī)鞂＜?，山東省法醫(yī)毒物鑒定司法鑒定人，濟寧醫(yī)學院司法鑒定中心質(zhì)量負責人，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基金委，省科技廳、省衛(wèi)計委、省教育廳、濟寧市科技局、濟寧醫(yī)學院課題20余項，獲得各級獎勵20余項，在國內(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及大氣污染指標，采用分布滯后非線性模型，在控制長期趨勢、季節(jié)趨勢和其他混雜因素后，研究日平均氣溫與不同性別、不同年齡死亡數(shù)之間的關系。結(jié)果 泰安市日平均氣溫對不同性別、不同年齡人群死亡效應曲線均為J形，冷效應具有延遲性，在暴露當天出現(xiàn)，3 d左右達到最高，持續(xù)30 d。熱效應表現(xiàn)為急性效應，以當天最高，后逐漸降低，在女性及老年人中呈現(xiàn)出明顯的收獲效應。結(jié)論 高溫和寒冷均是泰安市居民每日死亡的危險因素，存在滯后效應，且低溫效應的滯后時間長于高溫。

氣溫；非意外死亡；分布滯后非線性模型

近年來，環(huán)境溫度與人群健康的關系一直備受關注。大量流行病學研究結(jié)果顯示，每日氣溫與每日死亡率有關[1-4]。溫度-死亡曲線多表現(xiàn)為U、V或J型[5-6]，不同國家、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)由于冷效應與熱效應都比較明顯，氣溫-死亡曲線多呈現(xiàn)U型。除了與所處經(jīng)緯度有關外，溫度對死亡的效應還受地區(qū)經(jīng)濟狀況、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)氣溫對人群死亡影響的作用特點，對預防控制工作的實施具有重要意義。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系曲線，了解寒冷與熱效應對死亡的作用模式，為制定區(qū)域性的適應策略提供科學依據(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季風氣候，四季分明，寒暑適宜。春季干燥多風，夏季晴和氣爽，冬季寒冷少雪。泰安市2010年常住人口556萬人，人口密度716人/km2。

1.2 資料來源

1.2.1 居民死亡資料 依據(jù)我國死因登記報告信息系統(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)按國際疾病標準編碼(International Classification of Diseases 10：A00-R99)進行統(tǒng)計。

1.2.2 大氣污染物監(jiān)測資料 通過中華人民共和國環(huán)境保護部政府網(wǎng)站數(shù)據(jù)中心獲取同時期的空氣污染指數(shù)(air pollution index，API)。

1.2.3 氣象參數(shù)資料 通過中國氣象科學數(shù)據(jù)共享服務網(wǎng)，獲得泰安市同時期氣象因素資料，包括逐日日平均氣溫和日平均相對濕度。

1.3 統(tǒng)計方法

1.3.1 建立時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，而且受到長期時間趨勢、季節(jié)趨勢及星期效應、相對濕度、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；故可建立時間序列泊松回歸模型，其基本形式為：

Yt—觀察日t當天的死亡人數(shù)；

E(Yt)—觀察日t當天的預期死亡人數(shù)；

α—截距；

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

timet—觀察日t對應的時間變量，df=7/年；

Xit—對應變量產(chǎn)生線性影響的解釋變量觀察日t當天的數(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對應的日平均相對濕度，df=3；

wj—啞變量回歸系數(shù)；

stratajt—對應變量產(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，月份效應等；

ε—殘差。

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日氣溫有關，也可能與之前數(shù)日氣溫暴露有關，故在進行氣溫與死亡率關系分析時，應該考慮滯后(lag)效應。因此，在基本泊松回歸模型基礎上，需要添加每日氣溫指標。

DLNM是近年來發(fā)展的用于氣溫與健康關系研究的模型，其利用交叉基的思想，添加時間維度(0，1，2，…，l)，將滯后(天)和氣溫統(tǒng)一在一個二維矩陣中，研究氣溫對死亡的非線性影響及其滯后效應。為了能夠充分觀察到溫度的滯后效應，參考相關文獻[12]，將最大滯后設定為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)計學方法

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

2 結(jié)果

2.1 資料統(tǒng)計描述

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。見表1。

表1 2009-2013年泰安市居民每日死亡數(shù)、氣象指標以及空氣污染指數(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，冬季最高(1～2月)，夏季最低(7～8月)。≥65歲老年人中季節(jié)趨勢表現(xiàn)較<65歲人群明顯。季節(jié)分布詳見圖1。

2.3 DLNM擬合

2.3.1 不同滯后時間日平均氣溫對日非意外死亡數(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)進行DLNM建模擬合，最大滯后時間設定為30 d，觀察每一個滯后日對每日居民非意外死亡數(shù)的影響，得到不同滯后氣溫效應的三維圖(圖2)。由圖2可見，高溫和低溫均會引起死亡效應增強，高溫對每日居民非意外死亡的影響主要是短期即時效應，以死亡當天效應最強，低溫對死亡的效應在滯后3 d左右最強，隨著滯后時間的延長，高溫和低溫效應均逐漸降低。氣溫對死亡作用強度在不同性別、不同年齡人群中表現(xiàn)不同。

2.3.2 滯后30 d日平均氣溫對日非意外死亡數(shù)的總效應 由圖3可見2009年至2013年泰安市日平均氣溫對死亡效應曲線為J形，低溫冷效應持續(xù)時間較長，高溫熱效應持續(xù)時間較短。男性、女性、<65歲人群、≥65歲人群對冷熱效應的氣溫拐點分別為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日死亡數(shù)影響的三維圖

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

2.3.4 不同滯后寒冷、高溫對不同性別、不同年齡人群的累積效應 根據(jù)DLNM得到不同滯后寒冷、高溫對男性、女性、<65歲人群和≥65歲人群死亡的累積效應。低溫的滯后效應以0～30 d最強，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歲老年人對寒冷更為敏感。高溫的滯后效應在男性、<65歲人群和≥65歲人群中以0～2 d最強，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%。見表2。

表2 不同滯后寒冷、高溫對不同性別、不同年齡人群死亡的累積效應

3 討論

近年來，氣溫與健康的關系成為國內(nèi)外研究的熱點，時間序列回歸模型是研究其關系最常用的方法。在建立模型進行溫度與死亡之間關系的研究時，常常需要考慮幾個因素，包括溫度-死亡曲線的形狀、滯后時間和溫度指標的選擇等。由于溫度與死亡是非線性關系，同時還要考慮長達數(shù)天至數(shù)周的滯后，如何完全地捕捉這種非線性關系，是在模型建立前需要首先解決的問題。近年來，國內(nèi)外學者多采用分布滯后模型(distributed lag model，DLM)對氣溫的不同滯后效應進行分析，這一方法的主要優(yōu)點是在分析氣溫-死亡關系的模型中引入滯后時間，可以捕捉滯后效應和收獲效應。但由于DLM在分析中往往將熱效應和寒冷效應均假設為線性，而氣溫-死亡效應曲線并不是簡單的線性關系，同時由于連續(xù)數(shù)天的氣溫之間存在很強的自相關性，使DLM往往不能準確描述不同滯后氣溫對死亡的作用[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死亡的作用[13]。

3.1 氣溫對死亡的影響

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。每日男性、女性、<65歲人群和≥65歲人群死亡風險最低點的日平均氣溫溫度點分別為22℃、23℃、22℃、24℃，且低溫效應較高溫效應作用時間長。國內(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)域特異性的觀點一致[5]。氣溫對死亡的作用模式隨著維度改變而不同[15]，還與地區(qū)社會經(jīng)濟發(fā)展狀況[16]、人口老齡化程度[4]、空氣污染水平[17-18]、衛(wèi)生服務可及程度[19]等因素有關。應結(jié)合研究地區(qū)的實際情況，提出有效的防控策略。

3.2 氣溫滯后效應對死亡的影響

在氣溫對死亡作用的研究中，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)死亡效應的持續(xù)時間較為重要。高溫的效應滯后時間常常較短，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]。而冷效應的滯后時間常常較長[21]，不同國家、地區(qū)冷效應的滯后時間多表現(xiàn)不同，Anderson和Bell對美國107個社區(qū)溫度-死亡關系的研究中將滯后時間設定為28d[22]，Armstrong對倫敦溫度-死亡關系的研究亦將滯后設定為28d[23]，而Pattenden在對索菲亞和倫敦的研究中，將寒冷滯后時間均設定為14d[24]，相同的城市采用不同的滯后時間，得到的溫度效應不同。在我國不同城市的溫度對非意外死亡的研究中，不同研究者對冷熱效應的滯后設定亦不同，Chan等對香港的研究中，將冷、熱效應滯后均設定為7d[16]；Wu等將廣州、珠海、長沙、昆明5個城市的冷效應滯后設定為27d，熱效應滯后設定為3d[25]；裴德升和李麗萍在對重慶、北京、哈爾濱、福州、汕頭5個城市的研究[26]和Qian等武漢的研究[27]中，冷、熱效應滯后均設定為0d；Guo等對天津的溫度效應研究，將冷效應滯后設定為18d，熱效應設定為2d[6]。Kim等[28]的研究指出，滯后約30 d其累積效應更具“地區(qū)代表性”。總之，不同地區(qū)觀測到的氣溫對死亡影響所呈現(xiàn)出冷、熱效應有很大差異。近年來大量國內(nèi)外的研究提示，為防止冷效應被低估，應采用較長的滯后時間進行分析，而熱效應的研究則應采用較短的滯后時間[22]。

本文將氣溫對死亡效應的滯后分析時間延長為0～30 d，發(fā)現(xiàn)熱效應表現(xiàn)為持續(xù)時間較短的急性效應，在暴露當天最高，在女性人群和≥65歲老年人中存在明顯的“收獲效應”，這表明，高溫暴露在較短的時間內(nèi)增加了敏感人群的死亡風險，常被認為是短時間內(nèi)加速了脆弱人群的死亡。當人體溫度與環(huán)境溫度不同時，需要同環(huán)境進行熱交換，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，高溫對機體的損害作用主要是由于大量汗液丟失導致的脫水，電解質(zhì)平衡紊亂，血液黏稠度增加，外周血管擴張，血壓下降引起[29]；同時，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。

低溫導致的超額死亡往往從暴露當天開始升高，3 d左右達到最高后開始下降，持續(xù)時間較長。許多研究采用0～7 d作為滯后分析時間，易低估低溫的效應。寒冷對人體的影響主要是由于體溫增加血小板、紅細胞數(shù)量，是血液膽固醇和纖維蛋白原增加，黏稠度增大，外周血管收縮導致血壓升高，對心血管系統(tǒng)產(chǎn)生不良影響；寒冷還可以引起冠狀動脈痙攣，導致心絞痛發(fā)作。一些患有慢性心肺系統(tǒng)疾病的人，對環(huán)境溫度較敏感，當氣溫降低時，易復發(fā)加重。同時，當外界氣溫較低時，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)交叉感染和反復感染的機會，由于其病程較長，以死亡作為觀察終點，則需要有較長的滯后期。

3.3 氣溫對老年人死亡的影響

氣溫對不同地區(qū)、不同人群的健康效應存在著差異，年齡一直被認為是其對健康作用的效應修飾因素[8，30-31]。國內(nèi)外大量研究顯示，老年人對寒冷和高溫更敏感[32]，社會隔離[33]，缺乏社會支持[34]，經(jīng)濟收入低[35]，文化程度低[11]，居住條件差，居住環(huán)境中沒有空調(diào)[36]等都可以增加老年人對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%。面對高溫期間溫度增加，排汗閾值相對升高，再加上出汗多，導致血液黏稠度升高，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)體溫的過程受到干擾，從而加劇了上述高溫的死亡效應。老人的生活條件，獲得的社會支持程度，其對醫(yī)療衛(wèi)生服務的可及程度都會影響溫度對老年人的健康效應。此外，獨居老人由于缺乏社會聯(lián)系和社會支持，在寒冷或高溫天氣更容易受影響。目前，國內(nèi)關于溫度與死亡關系研究較多集中在全人群或是患病人群，較少針對特有人群(不同年齡、性別)進行研究[38]。

人口老齡化是我國現(xiàn)在面臨的一個社會問題，制定適應措施，降低老年人對寒冷和高溫的脆弱性是提高氣候變化適應的重要策略。氣溫驟變時，應根據(jù)溫度變化對人群健康的影響特點制定相應的預報、檢測、和監(jiān)控網(wǎng)絡，減少其導致的健康危害，確保人群的健康。

[1] 司朝宗,陳曉東,周連,等.南京市某區(qū)氣溫與居民死亡關系的時間序列分析[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)與氣溫關系的時間序列研究[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

* [基金項目]山東省自然科學基金資助項目(編號：ZR2014HL092)

10.3969/j.issn.1000-9760.2015.06.001

R122.2

A

1000-9760(2015)12-381-08

2015-11-15)