企业官网建设流程全解析

由一条项目标题展开，我先把话放在前面：空气质量改善这件事，过去几年大家更多关注的是“浓度降了多少”“优良天多了几天”，但在公共卫生视角下，真正关键的问题是——浓度下降，到底换来了多少健康的收益？2025年把目光转向“急性健康风险”，其实是在补一个长期被忽略的环节：我们不只是要看到蓝天，更要量化蓝天背后的生命账本。

这篇内容我会按一个完整的健康效应评估项目来拆解，覆盖研究设计、数据准备、方法框架、实操建模、结果解读和常见坑点。无论你是做环境流行病学的研究生，还是疾控、环境监测相关的从业者，或者只是对“空气质量改善到底值不值”感兴趣，都可以顺着这条线把它看成一个可以实际落地的评估方案来参考。

1. 先弄清楚题目的两个关键词

1.1 为什么是“改善”而不是“达标”

2013年以来，我国经历了有监测记录以来最大规模的空气质量治理，全国PM2.5年均浓度从高水平降到了如今的水平，这个变化幅度在环境流行病学里是极其罕见的“自然实验”。但评估改善的健康效应，不能简单拿“浓度下降”直接乘以一个“健康-浓度系数”，因为改善的分布不是均匀的：有的城市降幅大，有的地区冬季仍会出现明显峰值，而人群对污染的响应也不是线性的。题目中的“改善”，实际上是一个需要被分解为“长期下移”和“短期波动减少”两个维度的复合变量。

从方法学角度理解，长期改善对应的健康收益主要体现为慢性病死亡率、期望寿命的变化，而2025年把焦点放在“急性健康风险”上，意味着研究目的已经切换：不再只看“浓度年均值下降带来的总收益”，而是关注“在已经改善的背景之上，每天、每一周的高浓度暴露，还能夺走多少健康”。这两者评估工具不同，数据颗粒度不同，对统计建模的要求也完全不同。

1.2 为什么要专门盯“急性健康风险”

急性健康效应，指的是暴露后数小时到数天内出现的健康反应，典型结局包括心血管疾病的急诊就诊、脑血管意外、慢阻肺急性加重、哮喘发作，以及当天或滞后1-3天的非意外死亡增加。它的特点是“短平快”：暴露水平和健康结局之间时间间隔短，混杂因素相对可控，也更容易被公众感知——比如重污染过程期间医院呼吸科门诊量上升，就是普通人也能观察到的现象。

2025年这个时间节点的设定很有讲究。一方面，全国PM2.5年均浓度已经在较低水平，继续用年均浓度去评估边际健康收益，统计功效会下降；另一方面，虽然平均水平降下来了，但在采暖季、不利气象扩散条件下，重污染过程仍然存在，这也就意味着“急性风险”是当前阶段更敏感、更核心的健康损失通道。评估它，也就等于在回答一个问题：治理力度已经让“平均空气质量”变好了，但短期污染的“峰值危害”还剩多大，以及还能挤掉多少健康负担。

2. 数据从哪里来，怎么准备

2.1 空气污染数据：别只用日均值

任何健康效应评估，污染暴露的第一优先级是PM2.5，其次才是PM10、NO₂、SO₂、O₃。原因是PM2.5粒径小、表面积大，可以携带大量有毒物质进入肺泡并进入血循环，其健康效应在流行病学研究中证据最扎实。

基础数据可以从中国环境监测总站的国控城市站点获取逐时浓度，然后计算24小时均值。但这里有几个细节必须注意：

• 站点分布不均匀会导致“城市均值”偏移，需要做缺失站点筛查和离群值判断，如果某个站点有效时次不足50%，建议该日不算入均值。
• 部分城市在特定年份进行过监测站点调整或者仪器方法切换（比如从β射线法切换为微量振荡天平法、手工重量法校准），这会在时间序列里埋入系统性的断点，不做连续性和一致性核对，后面建模时会出现伪关联。
• 除了站点均值，更精细的选择是用克里金插值或土地利用回归模型获得网格化暴露，结合居民地址做人口权重暴露评估。但多数城市地区很难拿到带地址的死亡个案数据，所以“城市日均浓度+全城人群暴露”仍然是目前最主流、也最稳的折中方案。

2.2 健康结局数据：死因数据最容易，急诊数据最难

急性健康效应的健康结局选择，按数据可得性排序分别是：

最核心的经验是：第一次做这个项目，优先用“非意外总死亡”和“心血管死亡”作为主要结局，因为它对数据的稳定性要求最低，跨城市可比性也最好。急诊量虽然更灵敏，但节假日、流感暴发、医院服务能力变化都会带来巨大干扰，作为次要敏感性分析更合适。

2.3 气象数据：这是正负混淆的老大难

气温和相对湿度是空气污染健康效应中公认最强的混杂因素，尤其是低温，它既能直接导致心血管死亡增加，又与冬季PM2.5高浓度同步出现。如果气象没控制住，你算出来的“污染效应”里会掺进大量“冷效应”。

常用的气象数据来源是ERAS全球再分析数据，空间分辨率0.25°，可以提供逐日气温、相对湿度、气压和风速数据。拿城市所在网格的数据即可，不必过度追求站点级插值，因为对于城市尺度的健康模型，再分析数据的平滑误差远小于站点稀疏带来的插值误差。

风对污染有“清除效应”，雨雪能湿沉降，气压变化往往预示天气系统转变。因此最常规的气象协变量组合是：日均温度、日均相对湿度、日均风速、日均气压，再叠加气温的滞后项。不要一上来就放十几个气象变量，多重共线性会把主效应搅得面目全非。

3. 健康效应评估的方法学框架

3.1 时间序列分析与“超额风险”

空气污染的急性健康效应评估，本质上是一个时间序列分析问题：在同一个人群中，比较高污染日和低污染日的健康结局差异，前提是控制掉长期趋势、季节性和气象等因素。经典模型是广义相加模型（GAM），结局为日死亡人数，分布选择泊松（或准泊松）分布：

[ \log\left[E(Y_t)\right] = \alpha + \beta \cdot PM_{2.5, t-l} + s(time, k) + s(temp_t) + s(rh_t) ]

其中 (Y_t) 是第 (t) 日的死亡人数，(PM_{2.5, t-l}) 代表滞后 (l) 天的PM2.5浓度，(s(time, k)) 是时间变量的样条函数，用来平滑长期趋势和季节趋势，(s(temp_t)) 和 (s(rh_t)) 是气温和湿度的非线性混杂控制。这里的“超额风险”，通常表述为PM2.5每升高10μg/m³，健康结局增加百分之多少，也就是 ((e^{10\beta}-1)\times 100%)。

很多初学者会直接把当天污染和当天死亡做线性回归，这是错误的。急性效应往往是当天的污染暴露要过半天、1天、甚至2-3天才在死亡数据上体现出来，并且不同疾病结局的滞后结构不同。所以需要考虑滞后时间段，通常做单日滞后（lag0、lag1、lag2）或累积滞后（lag01、lag02）。

3.2 病例交叉设计：时间序列方法的补充视角

如果说时间序列模型是在“日”这一层做比较，那么病例交叉设计就是在“个体”层面做比较。它的逻辑很巧妙：每个死亡或就诊的个体，本身就是自己的对照——用事件发生前的某几天或后几天作为对照期，比较这些“几乎同一人”在污染暴露上的差异。这样年龄、性别、慢性病史、吸烟状态等在个体层面恒定不变的因素就被自动控制掉了。

病例交叉更擅长处理“触发效应”，它和时间序列GAM互为补充。实操中我会建议：主分析用时间序列GAM，敏感性分析用病例交叉；如果两者效应方向一致、幅度接近，结论就相当令人放心了。

3.3 分布滞后非线性模型（DLNM）

急性效应不是瞬间发挥完的。当天的PM2.5升高，可能在当天、第1天、第2天分别对死亡产生不同的影响，而且这种影响随滞后天数的变化不是单调下降，甚至可能出现“当天风险不高、第2天达到峰值”的模式。分布滞后非线性模型同时模拟“浓度-健康效应”的曲线形状和“效应-滞后”的时间分布，得到的是一张三维曲面。

DLNM是目前环境健康效应研究中最主流的手段，但在投入之前一定要想清楚一个现实问题：它的建模复杂度较高，样本量不足的城市在二维样条拟合时很容易出现过拟合，导致置信区间大得没法看。所以如果只是做一个城市的小数据量探索，先做单滞后模型更稳妥；做多城市大型研究时，再上DLNM做分层分析，并留出数据进行交叉验证。

4. 实操流程：从数据合并到归因人数计算

4.1 数据清洗与合并

开始建模前，数据格式是第一道坎。统一处理成“城市-日期”格式，这就是以后进入模型的最小分析单元。

我在实际项目里通常这样折腾数据：

• 污染数据：删除站点有效时次<18天的日期，分站点计算日均值，再计算城市居民人口加权平均值；
• 健康数据：提取死亡登记表中的死亡日期和ICD-10编码，按日期加总，汇总为非意外总死亡、心血管死亡、呼吸系统死亡、脑血管死亡四类；
• 气象数据：取网格点的日平均气温、相对湿度、风速、气压；
• 合并：以日期为主键左连接全部数据集，注意检查是否有缺失日期，并且标记周日节假日变量（这是必须的协变量，因为周末和周初的死亡模式差异很大）。

这里的“周日”处理看似简单，但不做它，模型结果会出现7天周期残留。

4.2 主模型构建与滞后探索

一旦数据准备完毕，就可以构建核心的GAM方程。这里我用R语言举个最小可复现示例：

library(mgcv) # 将缺失值剔除并先行合并好数据: data$pm25, data$temp, data$rh, data$death model_lag1 <- gam( death ~ te(time, bs = "cr", k = 6) + s(temp, k = 4) + s(rh, k = 4) + pm25_lag1 + dow, data = data, family = quasipoisson() ) summary(model_lag1) # 提取核心系数置信区间 beta <- coef(model_lag1)["pm25_lag1"] ci_low <- beta - 1.96 * summary(model_lag1)$se["pm25_lag1"] ci_high <- beta + 1.96 * summary(model_lag1)$se["pm25_lag1"]

对这个模型的理解是关键：

• te(time, bs = "cr", k = 6)表示以自然三次样条平滑长期趋势，k控制了每年季节变化的自由度。通常每年6-10个自由度是比较稳妥的选择。
• s(temp, k = 4)和s(rh, k = 4)分别控制气温和湿度的非线性混杂效应。选择4个自由度是因为如果自由度太高，可能吸附掉一部分由污染驱动的短期变异，出现过度控制。
• dow是星期的因子变量，处理周内效应。

拟合完之后，再分别对lag0、lag1、lag2、lag01、lag02做重复建模，通过AIC和效应置信区间来综合评价最佳滞后结构。实操中我见过很多论文直接卡死在lag0，结果不显著就换结局，这是典型的把“探索”变成“p-hacking”的做法，很不好。

4.3 归因健康负担估算

得到超额风险系数后，最直观的呈现是归因健康负担。先计算每个滞后结构的超额风险及其95%置信区间，假设PM2.5每增加10μg/m³，心血管死亡风险增加0.64%（这里的系数取值需要参考目标人群和文献选择合适的暴露-反应系数，实操中建议使用已发表的综合Meta分析结果，例如全球范围内关于PM2.5与心血管死亡的估计值），那么人群归因分数可以近似为：

[ AF_t = \frac{RR_{\text{cum}} - 1}{RR_{\text{cum}}} = \frac{e^{\beta_{\text{cum}} \cdot PM_t} - 1}{e^{\beta_{\text{cum}} \cdot PM_t}} ]

再计算归因死亡人数：

[ Attributable_Deaths = \sum_t \left( Death_t \times AF_t \right) ]

如果进一步需要评估“空气质量改善”带来的健康红利，常规做法是对比两种情景：

• 情景A：以当前实际观测的PM2.5浓度代入计算归因死亡；
• 情景B：以某一个反事实浓度（比如世界卫生组织空气质量指南的建议值，或某个历史年均值）代入计算。

两种情景下的归因死亡人数之差，就是在该反事实情景下“可避免的死亡人数”。这就是健康效应评估最终要输出的核心数字。

5. 常见问题与排查技巧实录

这个项目看起来“跑出个p值”很容易，但要跑出可靠、可发表、可给决策者用的结果，真的处处是坑。我把这些年实操中踩过的、以及帮别人排过的典型问题集中列一下。

5.1 温度把效应偷走了

会出现一种情况：单污染模型效应显著，控制温度后效应减弱甚至消失，然后有人开始怀疑“是不是污染没用了”。实际上温度和污染高度相关——冬天冷又霾重，而低温本身会直接导致心脑血管突发事件。此时不是污染没效应了，而是温度占了太多方差。

排查思路是：把温度分成低温、中温、高温三段看交互效应，通常低温段PM2.5效应最强，中高温段效应较弱。所以模型中不要用单一线性温度，而是要做非线性样条或分段；同时建议把“季节交互”加进去，观察污染效应是否在不同季节间变化，这本身就是重要研究发现。

5.2 滞后结构杂音太多

如果你发现lag0不显著而lag1、lag2显著，先不要高兴得太早，也不要直接否定lag0。滞后结构的核心疑问在于：死亡发生的当天日期登记是否准确？节假日或周末，死亡登记可能延迟到工作日才录入，产生“登记日期偏移”——这是数据机制造成的假性滞后。

排查策略包括：直接用数据画“死亡-日期的周内分布”和“污染-日期的周内分布”进行对比，如果死亡显著集中在周一，往往意味着周末登记延迟，此时需要在模型里加入dow控制，并做反向分析：把污染往前挪1-2天再回归，看假性滞后是否消失。正常的情况下，真实滞后结构是延续且平滑的，不会只在某一天出现孤立的显著。

5.3 新冠疫情干扰了时间序列

2020年到2022年期间，部分城市人群流动性和疾病谱发生了剧烈变化，加上感染本身对心肺系统的冲击，死亡数据出现了明显的非线性波动。如果不处理，直接跑全时间段的序列分析，可能把疫情期间的短期死亡波动错误地归因给污染变化。

处理方法无非三种：一是直接把2020年至2022年的数据剔除或单独建模作为敏感性分析；二是在模型中加入每周或每月的疫情指示变量；三是使用2023年之后的数据重新做全部核心分析。我一直建议的做法是：主分析用疫情前数据，后续数据作为更新和稳健性检验，这与很多最新文献的做法一致。

5.4 医院数据并非人群水平

急诊量和门诊量虽然灵敏度高，但它的分母是“就诊人群”，而不是“人群”。一家医院的服务范围、就诊科室调整、假期停诊，都会让时间序列产生结构性突变。所以在做医院数据时，用“医院内部研究”的角度对待，不要把它直接外推到“全城市居民的急性健康风险”。做医院数据分析，相应要做移动平均和去除特定时期数据的敏感性检验。如果条件允许，优先把死亡数据作为主结局，医院数据只作为侧面验证。

6. 评估结果如何解读并让它发挥价值

6.1 从统计显著性到公共卫生意义的转换

一个常见的误区：拿到一个95%置信区间不跨越1的相对危险度，就宣布“污染的急性健康风险显著”，然后用p值跟审稿人较劲。其实，健康效应评估的终点不是p值，而是公共卫生意义——比如“该城市每年因PM2.5暴露导致的非意外死亡人数约为XX例，占全年总死亡的X%”。要把相对风险转换成绝对风险，必须回到地方基线和暴露分布，这样才能让决策者明白，降低多少浓度能挽回多少生命，而不是一句抽象的“存在统计学显著关联”。

6.2 2025年关注急性风险的核心启发

全国PM2.5浓度持续下降后，年均暴露健康风险总体在下降，而急性健康风险则更多取决于“峰值浓度”和“高浓度过程的持续时间”。这意味着，评估指标的重心可能需要从“年均浓度”转向“高浓度日的频次和强度”。比起平均意义上的改善，如何削减短期污染过程的峰值，对急性健康风险的收益会更明显。

从公共卫生干预角度看，急性健康效应的价值不光在算一笔账，更在于指导“健康风险预警”。如果已经知道当地PM2.5在什么水平、滞后几天会对应怎样的死亡风险变化，那就可以在重污染来临之前，提前调度医疗资源、发布健康提示、引导敏感人群加强防护。

6.3 评估工作的执行体会

这类项目真正耗时的地方往往不在建模——建模跑一天就能出结果，最磨人的是数据准备、质量控制和敏感性分析。一个让人信服的健康效应评估结论，背后至少需要：多个滞后结构的结果一致、不同模型设定下效应稳定、对极端值和特殊时期足够敏感。而项目收官之后，我更建议把代码、数据处理流程、敏感性分析清单整理成一个独立的附录文档，方便未来几年数据更新后随时复算——因为空气质量改善的健康效应是动态的，持续追踪才能不断校准我们的判断。

这些年做下来，我自己最深的体会是：真正让评估结果产生价值的，不是那个统计学模型的复杂程度，而是你是否理解数据机制、是否愿意在细节上较真，以及最终能否把“每10μg/m³对应多少健康风险”这件事，用普通人也听得懂的沉甸甸的数字，传递到该听的人耳朵里。