SPATIAL MODELING OF MORTALITY AND AIR CONTAMINATION IN THE REPUBLIC OF BASHKORTOSTAN

Abstract


The aim of the was to study quantitative effects of chemical pollution of atmospheric air by gaseous, liquid, solid substances on the overall population mortality in the Republic of Bashkortostan using mathematical models with spatial lags. Methods. The data were obtained from the official statistics from the Territorial Body of the Federal State Statistics Service for the Republic of Bashkortostan (table C 51 "Distribution of deceased by sex, age groups and causes of death"). The data from 54 municipalities and 21 towns of Bashkortostan from 2002 to 2015 were analysed. Spatial regression methods were applied. Moran and Geary coefficients were used to estimate the presence of spatial autocorrelation links; Spatial autoregressive (SAR) models were used to estimate the effect of emissions on mortality rates. Results. The best fit was provided by the SAR model, according to which, an increase in the number of emissions per 1 ton in a municipality is associated with an increase in the mortality for men by 2,33 cases per 1000. The corresponding data for the total population was 2,02 cases per 1000. However, according to the spatial lag (SDM model), no statistically significant effects on mortality was detected. Conclusion. Results of spatial modeling are in line with the findings on direct associations between gaseous and liquid emissions and total mortality and mortality among men in the same municipality. At the same time, we did not find the evidence indirect spatial influence on mortality.

Full Text

Охрана здоровья населения является одним из приоритетов государственной политики и важнейшим фактором национальной безопасности. Здоровье человека определяется сложным воздействием целого ряда факторов: наследственности, условий и образа жизни, качества окружающей среды, медицинского обслуживания. По подсчетам, около 20 % всех случаев смертности и до 25 % общего бремени болезней обусловлены экологическими факторами (ВОЗ, 2013). Республика Башкортостан (РБ) является одним из лидеров по концентрации экологически опасных производств в Европе. Наибольший вклад в загрязнение атмосферного воздуха вносят предприятия топливно-энергетического комплекса, который включает в себя такие крупные отрасли промышленности, как нефтедобывающую, нефтеперерабатывающую, нефтехимическую, химическую и электроэнергетическую. В 2015 г. на территории республики насчитывается более 4 тыс. стационарных источников выбросов загрязняющих веществ от 1 077 предприятий. Разнообразие предприятий нефтехимического, химического, нефтеперерабатывающего, машиностроительного комплекса, металлообработки, теплоэнергетики и других обуславливают широкий набор вредных веществ, поступающих в воздушный бассейн и оказывающих неблагоприятное влияние на здоровье населения и состояние объектов окружающей среды. В атмосферном воздухе республики в результате эксплуатации промышленных предприятий и аграрного комплекса в 2015 г. содержались примеси 452 наименований, при этом основными загрязняющими веществами в выбросах являются газообразные и жидкие вещества (93 %), и доля выбросов загрязняющих веществ от стационарных источников в общем загрязнении атмосферного воздуха составляет около 50 % [5]. В настоящее время не вызывает сомнения, что глобальное загрязнение атмосферного воздуха сопровождается ухудшением состояния здоровья населения. В работах [5] показано, что неблагоприятные факторы окружающей среды, среди которых лидирующее место занимает загрязнение атмосферного воздуха в городах, являются второй по значимости причиной, определяющей уровень смертности населения. В связи с этим изучение влияния химического загрязнения атмосферного воздуха на уровень смертности населения, проживающего на урбанизированных и сельских территориях, представляется актуальным. Авторами данного исследования ранее на основании панельного моделирования была обоснована необходимость учета пространственного лага при определении зависимостей между смертностью населения и экологическими факторами. Было показано отсутствие возможности построения панельной модели, имеющей асимптотически состоятельные оценки, по всем муниципальным образованиям, Однако при проведении предварительных процедур кластеризации муниципальных образований и городских округов удалось построить качественные панельные модели по каждому из кластеров в отдельности [1]. Полученный результат позволил выдвинуть гипотезу о возможном влиянии пространственного распределения выбросов вредных веществ в окружающую среду на уровень смертности в районах РБ с возможным учетом пространственной авторегрессии самого показателя смертности. Целью исследования стало выявление количественного влияния химического загрязнения атмосферного воздуха (выбросы газообразных, жидких, твердых веществ) на общую смертность населения Республики Башкортостан на основании построения моделей с учетом пространственного лага. Методы В качестве объекта настоящего исследования была принята вся территория РБ как объект регионального уровня площадью 143,6 тыс. км2 с населением 4 071 064 человек (на 1 января 2016 г.) [2]. Рассматривались данные, состоящие из наблюдений по 54 муниципальным образованиям и 21 городам РБ, прослеженные в динамике за 14 лет (2002-2015). Территория республики отличается не только набором отраслей хозяйства, социально-экономической обстановкой, интенсивностью антропотехногенной нагрузки, но и заметно качеством здоровья населения. Динамика смертности в РБ имеет волнообразный характер, повторяя колебания динамики в Российской Федерации. В исследовании использованы официальные статистические материалы Территориального органа Федеральной службы государственной статистики по Республики Башкортостан «2ТП-Воздух» за 2000-2015 гг.; данные о числе умерших по таблице С 51 «Распределение умерших по полу, возрастным группам и причинам смерти» (2002-2015 гг.); государственных докладов «О состоянии природных ресурсов и окружающей среды Республики Башкортостан», «О состоянии и об охране окружающей среды Российской Федерации (РФ) [5, 6]; Росстата [3]. В качестве весовой матрицы W = (w) пространственного соизмерения, учитывающей уровень смертности в i-м муниципалитете частично через смертность в соседнем j-м муниципальном образовании была сформирована матрица обратных расстояний между i-м и j-м муниципалитетами. При проведении исследования были использованы методы пространственной регрессии: для оценки наличия пространственных автокорреляционных связей - коэффициенты Морана и Гири, для оценки влияния факторов выбросов на показатели смертности - модели пространственной панельной авторегрессии (модели пространственного лага, пространственная модель Дарбина, модель пространственной автокорреляции, модель c пространственным взаимодействием в ошибках). Пространственное моделирование проводилось в пакете для решения статистических задач Stata 13. На первом этапе исследования для выявления пространственных зависимостей показателей общей смертности с учетом распределения по муниципалитетам использовались глобальные индексы пространственной корреляции 5 Окружающая среда Экология человека 2019.04 Морана и Гири. Коэффициенты пространственной автокорреляции позволяют оценить, имеется ли кластеризация муниципалитетов с учетом распределения по показателю смертности, или они распределены случайно [7, 10]. Индекс Морана определяли по формуле: (1) где N _ число муниципалитетов республики; w. _ элемент матрицы пространственных весов, учитывающий расстояние между г-м и у-м муниципальными образованиями; m _ среднее значение показателя уровня смертности; D _ показатель смертности в г-м муниципалитете. Значение индекса Морана принимает значение в интервале (0, 1), причем при IM > 0 (IM < 0) имеется положительная (отрицательная) пространственная автокорреляция, а при IM = 0 значения наблюдений в соседних территориях расположены случайным образом [11]. Статистическая значимость индекса Морана проверяется на основе стандартного z-критерия. В отличие от индекса Морана индекс Гири изменяется от 0 до 2 и определяется по формуле: (2) Считается, что если показатель индекса Гири расположен в диапазоне от 0 до 1, то наблюдается положительная автокорреляция, при значениях в интервале от 1 до 2 -отрицательная автокорреляция. На втором этапе исследования после установления целесообразности учета пространственных автокорреляционных связей с помощью индексов Морана и Гири проводится непосредственное пространственное регрессионное моделирование. Для учета пространственного влияния используется множество уравнений регрессий с различной спецификацией [10], но в настоящем исследовании применяли следующие модели в общем виде: 1) модели пространственного лага (SAR): D = PWD„ + ßG + ßT + e, eit ~ N(0, a2) 2) пространственная модель Дарбина (SDM): D = pWD + ßG + ßT + yWG + yWG + e , i1 г i t г 1 ; t Г 2 11 / 1 11 il 11 11 eit ~ N(0, a2), 3) модель пространственной автокорреляции (SAC): D t = pWD t + ßG t + ßT, + u, u , = ÔWu t + e t, t t 1 t 2 t t t t t 4) модель c пространственным взаимодействием в ошибках (SEM): Dit = PWDit + ua, uu = ômu + eu, eit ~ Щ, a2). Здесь в моделях D.t _ матрица показателей смертности в г-м муниципалитете в t-й период времени, W _ весовая пространственная матрица, p _ пространственный коэффициент регрессии, Git _ агрегированный показатель выбросов (газообразных, жидких) тыс. т/год в г-м муниципалитете в t-й период времени, T _ показатель твердых выбросов тыс. т/год в г-м муниципалитете в t-й период времени, WG.t -показатель выбросов (газообразных и жидких) тыс. т/год с учетом пространственного распределения в г-м муниципалитете в t-й период времени, WTit _ показатель твердых выбросов тыс. т/год с учетом пространственного распределения в г-м муниципалитете в t-й период времени, ß и у _ оцениваемые коэффициенты регрессии, e _ случайная компонента, распределенная согласно нормальному закону, ô _ пространственный коэффициент ошибки, u _ случайная компонента. Во всех моделях пространственной авторегрессии коэффициенты признавались статистически значимо отличными он нуля при уровне значимости p < 0,05, так же, как и коэффициенты пространственной автокорреляции Гири и Морана признавались статистически значимыми при p < 0,05. Результаты После проведения первого этапа исследования по расчёту индексов пространственной автокорреляции с периодичностью четыре года, как по общей смертности всего населения, так и по выбросам загрязняющих веществ (газообразным и жидким, твердым), был сделан вывод о целесообразности проведения пространственного регрессионного моделирования в силу статистической значимости всех полученных коэффициентов (табл. 1, 2). Таблица 1 Индексы Морана и Гири по показателям общей смертности всего населения Индекс 2002 2005 2008 2012 2015 Общая смертность (оба пола) Moran’s I 1 " & 2 О. ° o^° 0,086 (р = 0,163) 0,085* (р = 0,167) 0,030 (р = 0,537) 0,148** (р = 0,028) Geary’s c 0,862* (р = 0,080) 0,912 (р = 0,260) 0,928 (р = 0,367) 0,964 (р = 0,642) 0,846** (р = 0,044) Смертность мужчин Moran’s I 0,095 (р = 0,130) 0,072 (р = 0,233) 0,009 (р = 0,725) 0,013 (р = 0,690) 0,164*** (р = 0,016) Geary’s c 0,893 (р = 0,173) 0,932 (р = 0,381) 1,003 (р = 0,974) 0,974 (р = 0,736) 0,822** (р = 0,021) Смертность женщин Moran’s I 3** = 43) 2 О. ° о""0 0,072 (р = 0,228) 0,152** (р = 0,023) 0,002 (р = 0,807) 0,116* (р = 0,076) Geary’s c 45** = 47) ОО-Э °, о ° 0,913 (р = 0,266) 0,862* (р = 0,076) 0,987 (р = 0,871) 0,886 (р = 0,135) Примечание. Значимость коэффициентов на уровне: * - 10 %, ** _ 5 % *** _ 1 % 6 Экология человека 2019.04 Окружающая среда Таблица 2 Индексы Морана и Гири для загрязняющих веществ Индекс 2002 2005 2008 2012 2015 Газообразные, жидкие загрязняющие вещества Moran’s I 7 ) 16 ,0 = 7 о° ^ 1 0,029 (р = 0,719) 0,037 (р = 0,743) 0,016 (р = 0,717) 0,017 (р = 0,728) Geary’s c 0,968 (р = 0,553) 0,918 (р = 0,675) 0,914 (р = 0,508) 0,940 (р = 0,495) 0,931 (р = 0,693) Твердые загрязняющие вещества Moran’s I -0,039 (р = 0,984) -0,034 (р = 0,277) -0,028 (р = 0,226) -0,030 (р = 0,499) 0, ( -4 = о 3 Geary’s c 0,929 (р = 0,784) 0,955 (р = 0,486) 0,919 (р = 0,459) 73 = '12 7) 7 0,956 (р = 0,554) Индексы Морана и Гири показали, что существует пространственная авторегрессионная зависимость уровня общей смертности как для женщин, так и для мужчин. В ходе работы также выявлена пространственная зависимость уровня общей смертности от количества газообразных и жидких выбросов загрязняющих веществ в окружающую среду. ПроРезультаты прост странственной зависимости между твердыми загрязняющими веществами и уровнем общей смертности выявлено не было, поэтому данный тип выбросов не будет использоваться в качестве регрессора при построении моделей пространственного лага. На втором этапе, исходя из полученных предварительных результатов, были построены панельные модели пространственного лага для выявления пространственной зависимости смертности от вредных выбросов в окружающую среду (табл. 3). В качестве спецификации панельных уравнений пространственной регрессии использовали модели с фиксированными эффектами. Из результатов моделирования видно, что, несмотря на невысокое качество оценки модели (показатель пространственного коэффициента детерминации RWithin далек от 1), все модели являются статистически значимыми, за исключением модели SAC для общей смертности среди женщин. Из полученных результатов моделирования можно сделать вывод о том, что наличие пространственной автокорреляции в показателях смертности имеет место как для всего населения, так и для мужчин и женщин. Причем этот факт подтверждается при любой спецификации построенной модели, то есть существует Таблица 3 ггвенных моделей Показатель SAR SDM SAC SEM Оба пола Показатель выбросов (газообразных, жидких), GW р ,0 0 ,2 О <л ** ) 1,9524* (р = 0,061) 1,9314** (р = 0,037) 2,0194** (р = 0,037) Показатель выбросов (газообразных, жидких) с учетом пространственного распределения, WGW - -1,7485 (р = 0,504) - - Показатель качества модели RWithin 0,046 0,049 0,050 0,049 Пространственный коэффициент авторегрессии ô 0,2792*** (р = 0,000) 0,2809*** (р = 0,000) -0,2500 (р = 0,188) - ô пространственный коэффициент авторегрессии ошибки - - 0,46492*** (р = 0,000) 0,2805*** (р = 0,000) Мужчины Показатель выбросов (газообразных, жидких), GW 2,3301* (р = 0,070) 2,3309* (р = 0,070) 2,3217* (р = 0,072) 2,2341* (р = 0,071) Показатель выбросов (газообразных, жидких) с учетом пространственного распределения, WGW - 0,0077 (р = 0,977) - - Показатель качества модели RWithin 0,044 0,044 0,043 0,043 Пространственный коэффициент авторегрессии ô 0,2970*** (р = 0,000) 0,2970*** (р = 0,000) 0,4593*** (р = 0,000) - ô пространственный коэффициент авторегрессии ошибки - - -0,2211 (р = 0,249) 0,2972*** (р = 0,000) Женщины Показатель выбросов (газообразных, жидких), GW 1,6879 (р = 0,178) 1,3570 (р = 0,270) 1,7371 (р = 0,143) 1,7348 (р = 0,159) Показатель выбросов (газообразных, жидких) с учетом пространственного распределения, WGW - -1,4128 (р = 0,280) - - Показатель качества модели RWithin 0,069 0,062 0,034 0,041 Пространственный коэффициент авторегрессии ô 0,1364*** (р = 0,009) 0,1384*** (р = 0,000) -0,2068 (р = 0,444) - X пространственный коэффициент авторегрессии ошибки - - 0,3128 (р = 0,133) 0,1381*** (р = 0,009) Примечание. Значимость коэффициентов на уровне: * - 10 %, ** - 5 %, *** - 1 %. 7 Окружающая среда Экология человека 2019.04 пространственное влияние показателей смертности в окружении на смертность в рассматриваемом муниципальном образовании. Интересно, что показатель выбросов (газообразных, жидких) в рассматриваемом муниципалитете оказывает статистически значимое влияние (р = 0,038) на общую смертность и смертность среди мужчин (р = 0,041), при этом для женщин данный фактор оказался статистически незначимым (р = 0,134). Наилучшей спецификацией пространственных моделей оказалась модель SAR, согласно которой при возрастании количества выбросов на 1 т в данном муниципалитете следует ожидать увеличения смертности среди мужчин 2,33 случая на 1 000 человек, всего населения муниципалитета - 2,02 случая на 1 000 человек. Однако если рассматривать фактор выбросов с учетом пространственного лага (модель SDM), то фактор становится статистически незначимым при р = 0,181, то есть отсутствует влияние на смертность в рассматриваемом муниципалитете того количества выбросов, которое было в соседних муниципальных образованиях. Обсуждение результатов На сегодняшний день существует множество исследований, посвященных оценке пространственного влияния экологических факторов на смертность и здоровье населения. На основе эмпирических исследований с использованием пространственной модели Дарбина (SDM) было показано, что имеются неблагоприятные последствия загрязнения атмосферного воздуха с учетом его пространственного распределения на смертность от рака легких и респираторных заболеваний [14]. Авторами установлено, что увеличение определенных выбросов на 10 000 т приводит к увеличению числа смертей от различных заболеваний, а также существуют пространственные различия между выбросами, влияющими на смертность от заболеваний [9]. В качестве инструмента статистического анализа использовалась модель ступенчатой регрессии (SRM) и модель географически взвешенной регрессии (GWRM). Результаты анализа пространственного кластера, проведенного [13], выявили две группы муниципалитетов с различными наборами социально-экономических факторов и уровнями риска сердечно-сосудистых заболеваний, связанных с воздействием выбросов от транспортных средств. В качестве статистического инструмента для оценки риска и геостатистического подхода авторы использовали модель квантильной регрессии и метод К-means для выполнения пространственного кластерного анализа. Также этими же авторами на основе последовательного применения кластерного анализа, проведенного методом К-средних и расчета пространственных индексов автокорреляции Гери-Отиса, было показано наличие пространственных зависимостей в росте уровня сердечно-сосудистых заболеваний от роста количества выбросов в атмосферу. В работе [12] были выделены пять групп муниципальных районов (пространственных кластеров) с четкими структурами выбросов и обнаружена значительная связь между типами выбросов и шестью переменными, используемыми для оценки пространственных кластеров. Отечественные исследователи [4] также прибегали к применению инструмента пространственных моделей регрессии (SAR, SDM, SEM), что позволило им количественно объяснить отрицательное влияние на ожидаемую продолжительность жизни загрязнения атмосферного воздуха, а также в некоторых моделях загрязнения водных ресурсов. Проведенное исследование позволило учесть пространственные автокорреляционные зависимости уровня общей смертности, в том числе в половом разрезе, от количества газообразных и жидких выбросов загрязняющих веществ в окружающую среду. Индексы Морана и Гири, а также регрессионные модели пространственного лага показали, что смертность в муниципальном образовании зависит не только от уровня загрязнения окружающей среды газообразными и жидкими выбросами в самом муниципальном образовании, но и от загрязнения в соседних граничащих с ним районах, причем для твёрдых выбросов такая зависимость не регистрируется. В итоге были получены новые данные, позволяющие количественно измерить пространственные, в том числе и автокорреляционные, зависимости смертности от выбросов в окружающую среду, однако особый интерес будет представлять подобное исследование, проведенное с учетом видов веществ, выбрасываемых в атмосферу. Авторы планируют продолжить исследование в данном направлении, Выводы Полученные результаты подтвердили выдвигаемую гипотезу о том, что существует влияние пространственного распределения выбросов вредных веществ в окружающую среду на уровень смертности в районах РБ, лишь частично. Построенные модели подтвердили наличие лишь прямого воздействия выбросов вредных веществ в окружающую среду на уровень общей смертности и на уровень смертности среди мужчин и отсутствие косвенного пространственного их влияния. Все модели показали наличие пространственной автокорреляции уровня смертности, то есть существует корреляционная зависимость уровня смертности в муниципальном образовании от уровня смертности в муниципалитетах, имеющих с ним общую границу. Авторство Аскаров Р. А. внес существенный вклад в концепцию и дизайн исследования, выдвижение гипотез; Лакман И. А. провела математическое моделирование, подготовила интерпретацию полученных результатов; Садикова Л. Ф. участвовала в анализе данных, в том числе с использованием современных программных средств; Карелин А. О. окончательно утвердил присланную в редакцию рукопись; Аскарова З. Ф. участвовала в сборе информации и ее подготовке для проведения моделирования. Авторы заявляют об отсутствии конфликта интересов. Аскаров Расул Аскарович - SPIN 2903-4272 Лакман Ирина Александровна - SPIN 4521-9097; ORCID 0000-0001-9876-9202 8 Экология человека 2019.04 Окружающая среда Садикова Лиана Флоритовна - ORCID 0000-0001-92505548 Карелин Александр Олегович - SPIN 5463-6538; ORCID 0000-0003-2467-7887 Аскарова Загира Фатхулловна - SPIN 6980-5134

About the authors

R A Askarov

S. Ordzhonikidze Russian State Geological Prospecting University

Moscow, Russia

I A Lakman

Ufa State Aviation Technical University

Email: lackmania@mail.ru
Ufa, Russia

L F Sadikova

Ufa State Aviation Technical University

Ufa, Russia

A O Karelin

I.P. Pavlov First St. Petersburg State Medical University

Saint Petersburg, Russia

Z F Askarova

Bashkir State Medical University of the Ministry of Health of Russia

Ufa, Russia

References

  1. Аскаров Р. А., Лакман И. А., Шаранова А. В. Оценка влияния выбросов загрязняющих веществ в атмосферу на смертность от рака легких в районах Республики Башкортостан на основе панельного моделирования // Электронный научно-образовательный вестник «Здоровье и образование в XXI веке». 2016. Т. 18 (8). С. 1-6. URL: https://e-pubmed.co.uk/gallery/online_2016_18_8_p.1-6.pdf (дата обращения: 01.12.2018).
  2. Демографические процессы в Республике Башкортостан: статистический сборник. Уфа: Башкортостанстат, 2016. 116 с.
  3. Демографический ежегодник России. 2015: статистический сборник. М.: Росстат, 2016. 264 с.
  4. Жукова А. К., Силаев А. М., Силаева М. В. Анализ ожидаемой продолжительности жизни с учетом пространственной зависимости по регионам России // Пространственная экономика. 2016. № 4. С. 112-128.
  5. О состоянии природных ресурсов и окружающей среды Республики Башкортостан в 2015 году: государственный доклад. Уфа, 2016. URL: https://www.bashkortostan.ru/presscenter/lectures/439418 (дата обращения: 17.04.2018).
  6. Охрана окружающей среды в России: статистический сборник. М.: Росстат, 2016. 95 с.
  7. Павлов Ю. В., Королева Е. Н. Пространственные взаимодействия: оценка на основе глобального и локального индексов Морана // Пространственная Экономика. 2014. № 3. С. 95-110.
  8. Ревич Б. А., Авалиани С. Л., Тихонова Г. И. Основы оценки воздействия загрязненной окружающей среды на здоровье человека: пособие по региональной экологической политике. М.: Акрополь, ЦЭПР, 2004. 268 с.
  9. Haixia Pu, Jiatian Li, Pin Wang, Linlin Cui, Huaxin Wang The death of the circulatory system diseases in China: provincial socioeconomic and environmental perspective // Environmental Science and Pollution Research. 2017. Vol. 24, Issue 11. P. 10381-10390.
  10. Introduction to Spatial Analysis. Invited Lecture. Population Science and GIS Workshop. UC Santa, 2006.
  11. Lesage J. P., Pace R. K. Introduction to spatial econometrics. Boca Raton, FL: CRC Press, 2009.
  12. Requia W. J., Roig H. L., Koutrakis P., Adams M. D. Modeling spatial patterns of traffic emissions across 5570 municipal districts in Brazil // Journal of Cleaner Production. 2017. Vol. 148. P. 845-853.
  13. Weeberb J. Requia, Petros Koutrakis, Henrique L. Roig, Matthew D. Adams Association between vehicular emissions and cardiorespiratory disease risk in Brazil and its variation by spatial clustering of socio-economic factors // Air Quality, Atmosphere & Health 2017. Vol. 10, Issue 10. P. 1259-1267.
  14. Xiaoyu Chen, Shuai Shao, Zhihua Tian, Zhen Xie, Peng Yin Impacts of air pollution and its spatial spillover effect on public health based on China’s big data sample // Journal of Cleaner Production 2017.Vol. 142, Pt 2. P. 915-925.

Statistics

Views

Abstract - 108

Cited-By


PlumX

Dimensions

Refbacks

  • There are currently no refbacks.

Copyright (c) 2019 Human Ecology

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies