春節期間的PM2.5污染短期暴露健康效應評估*
——以長三角地區25個城市為例

戴劭勍 李佳佳 楊維旭 陳方煜 江輝仙 DAI Shaoqing, LI Jiajia, YANG Weixu, CHEN Fangyu, JIANG Huixian

0 引言

在過去的幾十年中，隨著人口的快速增長、工業化與城市化進程的快速推進，城市空氣污染日益嚴重并逐漸演變為全球性公共衛生問題。其中以PM2.5為代表的環境細顆粒物（fine particulate matter）污染由于其對呼吸系統的損害[1]，與糖尿病[2]、心血管疾病[3]等慢性病患病率的高關聯性，已經成為嚴重威脅公眾健康的環境風險因子（對全球疾病負擔的貢獻率位列第6）[4]。在改革開放40年的快速發展背景下，中國也面臨著嚴峻的PM2.5污染導致的公眾健康問題。

PM2.5污染對公眾健康的影響研究需要估算人群的PM2.5污染暴露健康效應。PM2.5污染暴露健康效應的研究可以細分為PM2.5污染長期與短期暴露的健康效應。PM2.5污染長期暴露健康效應的研究核心在于估算由于PM2.5污染長期暴露造成的死亡人數以及減少的平均預期壽命。如估算中國2013年因PM2.5暴露導致的死亡人數為107萬—137萬人[5-6]，大約占到全部死亡人數的30%[7]，同時，PM2.5污染也使中國人平均預期壽命下降了1.25歲[8]。這類研究通常基于長時間跨度的大型人群隊列或者縱向研究數據在宏觀尺度上（區域、國家和全球尺度）的分析，由于人群隊列研究與縱向研究的人群樣本數據通常采用長期居住地或者工作地等主要活動地點作為暴露地點，因此這類研究可以較為準確地估算PM2.5污染長期暴露的健康效應。相反，當前關于PM2.5污染短期暴露的健康效應研究相對較少，PM2.5污染短期暴露已在多項研究中被證實存在嚴重的疾病負擔，如增加死亡率[9]、急性下呼吸道感染風險[10]、精神疾病急診入院率[11]、心臟系統疾病致死率[12]及急性冠狀動脈事件風險[13]。此外，PM2.5污染短期暴露給社會帶來了嚴重的經濟負擔，Wei等[14]利用超過9 500萬人的美國醫保記錄與PM2.5濃度分析，發現平均每1 μg/m3的PM2.5污染短期暴露會造成每年增加2 050例住院病例以及3 100萬美元住院費用。然而，PM2.5污染具有強烈的時空異質性，加上暴露人群所處的不同社會經濟環境與復雜的人類移動，造成PM2.5污染短期暴露健康效應存在強烈的時空分異性[15]575。由于過去難以精準刻畫短期大規模的時空動態人口與精細尺度的PM2.5時空分布，如何準確估算大區域PM2.5污染短期暴露導致的健康效應仍然存在較大的研究空白。現有部分研究基于人群時空間行為數據（如個人時空行為軌跡）對微觀層面上的污染短期暴露狀況展開分析，如依靠居民出行的GPS數據與個人活動日志估算出不同交通方式的空氣暴露[16]與分析不同建成環境對弱勢人群暴露效應的影響[17]，但這類研究受限于數據采集的難度，仍然無法在大區域開展。

估算大區域PM2.5污染短期暴露健康效應需要一個全新的跨學科的健康地理研究范式，用以連接PM2.5污染、暴露科學與時空間行為研究。空間全生命周期流行病學（spatial lifecourse epidemiology）是一門新興的交叉學科，旨在利用先進的空間信息技術、定位技術與人工智能來研究生物因素、環境因素、行為因素和社會因素對個體健康風險的影響[18]。空間全生命周期流行病學的核心在于將地理信息系統、遙感、全球定位系統及人工智能技術與多個尺度（從個體尺度到國家尺度）的健康追蹤數據結合，對個體全生命周期內的健康風險實現精準估算。這為本研究提供了一個理論框架。當前，先進的地理大數據、對地觀測數據與人工智能算法為本文提供了良好的研究基礎。基于位置服務的互聯網大數據為大區域人群時空間行為的精準測度提供了可靠的數據基礎。這類數據已應用至時空間行為的刻畫與研究，如人口短期流動模式研究[19-21]，人口遷徙與城市化的關系[22]以及新型冠狀病毒大流行中潛在感染者識別[23-24]。此外，當前年、季節和月尺度的PM2.5公里制圖研究精度較高，在日尺度和小時尺度上精度也有所突破。大部分研究利用時空統計算法（如地理加權回歸模型[25]、時空隨機森林[26]4、隨機森林回歸克里格插值[27]276等）、土地利用回歸模型[28]172或者機器學習模型（如地理—長短期記憶神經網絡[29]等）融合包括化學傳輸模式輸出（如GEOSChem[30]、WRF-Chem[31]等）、高時空分辨率遙感反演光學氣溶膠厚度（Aerosol Optical Depth即AOD，如MODIS MAIAC[32]，Himawari-8[33]2等）、地面監測站點等多源時空數據實現高時空分辨率PM2.5制圖，空間分辨率通常為0.01°[27]273或1 km[26]3，時間分辨率通常以年[34]2596、季節[35]、月[36]居多，也有部分日尺度和小時制圖結果[28]174,[33]2,[37]2。

在空間全生命周期流行病學的理論框架下，本文擬利用機器學習等人工智能算法實現PM2.5的大區域高時空分辨率制圖，結合騰訊位置大數據，以長三角城市群為例，針對中國一年一度的春節人口大遷徙導致人群PM2.5污染短期暴露環境產生的變化，估算其造成的健康效應變化程度，探究不同城市PM2.5污染短期暴露健康效應變化差異。本文旨在通過實證研究探討春節人群遷徙行為影響下PM2.5污染短期暴露環境及其健康效應的時空變化，從而豐富空間全生命周期流行病學的實踐應用，實現其在空氣污染短期暴露健康效應估算領域的研究創新。

1 數據與方法

1.1 數據

1.1.1 騰訊位置大數據

本文使用的騰訊位置大數據來自國家科技基礎條件平臺—國家地球系統科學數據共享服務平臺—長江三角洲科學數據中心（http://nnu.geodata.cn:8008/），原始數據來自騰訊位置大數據平臺（https://heat.qq.com/qianxi.php），通過編寫網絡挖掘軟件獲取2017年春節前后各一周（1月23日—2月5日）長三角地區25個主要城市的人口遷徙數據。長三角地區25個主要城市如圖1所示。該數據主要包括各個城市人口遷入遷出量排名前10的城市對應的遷入遷出人口數值。

1.1.2 PM2.5站點監測數據與網格產品

本文使用的PM2.5數據包括PM2.5站點監測數據與網格產品。PM2.5站點監測數據由全國1 500多個國家級空氣監測站點（https://quotsoft.net/air/）獲取，包括幾種主要的空氣污染 物（PM2.5、PM10、NO2、SO2、O3、CO和AQI）逐小時濃度和數值。年均PM2.5濃度網格產品（China Regional Estimates，以下簡稱“CRE Grid產 品 ”，http://fizz.phys.dal.ca/～atmos/martin/?page_id=140#）[34]2597,[38]，由加拿大戴爾豪斯大學（Dalhousie University）的大氣成分分析小組（Atmospheric Composition Analysis Group）基于地理加權回歸算法融合衛星觀測數據、化學傳輸模式以及地面監測站點等多源數據得到，以NetCDF格式存儲，空間分辨率為0.01°×0.01°。

1.1.3 氣象站點監測數據與數字高程模型

本文使用的氣象數據來自美國國家氣候數據中心。主要氣象變量包括：氣溫、氣壓、露點溫度、風速、降水量。本文使用的數字高程模 型（Digital Elevation Model，DEM） 為美國國家海洋和大氣管理局項目GLOBE Topography提供的1 km DEM （https://www.ngdc.noaa.gov/mgg/topo/DATATILES/elev/all10g.zip）。

1.2 研究方法

在空間全生命周期流行病學的理論框架下，本文首先集成了多源時空數據，其次利用機器學習算法實現全國的1 km日尺度PM2.5時空制圖。結合騰訊位置大數據估算對應的健康暴露效應，評估長三角不同城市PM2.5污染短期暴露健康風險的時空差異。

1.2.1 PM2.5時空制圖

本文數據涉及的春節遷徙時間段為2017年1月23日—2月5日，考慮到模型預熱等原因，模型運行時間段設為2017年1月1日—2月14日。數據預處理包括如下操作：首先對該時間段內的PM2.5站點數據進行清洗和聚合處理，去除站點中的空值，并將小時尺度監測數據聚合為日尺度，最終可用于建模的數據共為1 348個站點。其次，對氣象站點數據進行清洗和聚合處理，去除站點空值。根據氣象要素不同，采用不同方式將小時尺度的氣象要素聚合成日尺度，最終得到408個氣象站點。采用薄盤樣條插值方法[39]以X坐標、Y坐標和高程作為協變量進行空間插值得到逐日全國1 km氣象要素柵格。本文所有空間數據坐標系均設置為Albers WGS 1984投影坐標系。在這些輸入數據的基礎上，本文假定t時刻第i個像元的PM2.5濃度符合如下關系：

其中，PM25i,t代表t時刻第i個像元的預測PM2.5濃度（單位：μg/m3），f(…)代表擬合的機器學習時空映射模型，本文選用隨機森林[40]與極端梯度提升樹算法[41]擬合模型。PM25i,a代表第i個像元上CRE Grid產品2017年的PM2.5濃度（單位：μg/m3），Hi代表第i個像元上DEM的高程值，Tempi,t代表t時刻第i個像元的氣溫（單位：℃），DPi,t代表t時刻第i個柵格像元的露點溫度（單位：℃），Pressi,t代表t時刻第i個像元的氣壓（單位：Hpa），Precipi,t代表t時刻第i個像元的降雨量（單位：mm），Windi,t代表t時刻第i個像元的風速（單位：m/s），doy代表t時刻是一年中的第幾天。

為了比較不同模型的精度，本文采用五折空間交叉驗證[42]。該驗證方法根據站點數據的空間自相關性將所有站點數據劃分為多個網格，這些網格每次被抽取一部分標記為訓練數據，其余的為驗證數據，每次基于訓練數據擬合機器學習模型，用驗證數據驗證精度，重復5次完成空間交叉驗證與模型訓練驗證過程，最終計算出不同模型的預測精度，確定較優機器學習模型作為最后制圖模型。本文選用均方根誤差（Root Mean Square Error，RMSE）、歸一化均方根誤差（normalized Root Mean Square Error，nRMSE），以及預測值與驗證值回歸方程的R2作為精度評估的指標。

其中，RMSE和nRMSE分別為均方根誤差與歸一化均方根誤差，PM25k,t和PM25j,t分別為t時刻第k個像元上預測的PM2.5濃度和第j個監測站點的PM2.5濃度（單位：μg/m3），其中k和j是一一對應的。n為用于驗證的監測站點數量。(PM25k,t)是t時刻所有監測站點的平均PM2.5濃度值（單位：μg/m3）。

選定最優算法后將所有站點數據作為輸入擬合模型，最后將研究時間段內的模型自變量結果輸入模型中，得到全國日尺度PM2.5的1 km制圖結果。

1.2.2 PM2.5短期暴露健康效應估算

本文根據一項以272個中國城市為研究單元的PM2.5暴露與日死亡率研究[43-44]所提供的PM2.5暴露關聯死亡率估算PM2.5短期暴露導致的健康效應。選用人口死亡歸因分數（Attribute Fraction，AF）作為短期暴露健康效應的健康風險指標。該指標隨空氣污染暴露程度變化而變化，用于估算因春運遷徙造成人群空氣污染暴露環境變化導致的特定原因死亡率。該指標包括總死亡、心血管疾病、高血壓疾病、冠心病、中風、呼吸道疾病和慢性阻塞性肺疾病的特定原因死亡率。

圖1 研究區概況Fig.1 Study area

式中，β是暴露響應函數的因果系數，取值見表1，代表每增加10 μg/m3關聯的死亡率。ΔC是由于春運遷徙導致的人群PM2.5污染短期暴露環境變化程度，定義為目的地城市空氣污染濃度與出發地城市空氣污染濃度之差的絕對值。根據這個差值的正負性區分健康風險的增減。

2 研究結果

2.1 長三角區域人口春節遷徙行為

通過25個城市在春節期間的遷入遷出人口數據對比，發現不同城市凈遷徙人口在時間尺度上的變化趨勢存在一些相似的模式（凈遷徙人口為每個城市每日遷入人口與遷出人口的差）（見圖2）。如果凈遷徙人口為負值，說明遷出人口多于遷入人口，反之則說明遷出人口少于遷入人口。如果凈遷徙人口接近0值，說明遷出遷入人口數量大致相同，差異不顯著。25個城市根據凈遷徙人口可以分為3類：第一類包括上海、蘇州、南京、杭州和寧波5個長三角地區經濟較為發達的核心城市，在春節前以遷出為主，春節后以遷入為主；第二類包括宿遷、徐州和鹽城，這幾個城市勞動力輸出較多，經濟發展水平較低，春節前以遷入為主，春節后以遷出為主；第三類為其余17個城市，凈遷徙人口整體接近于0，春節前后遷入遷出變化較小。

從遷徙城市的分布來看，2017年春節期間與長三角地區25個城市具有遷入遷出聯系的城市共有102個，其中包括長三角地區25個城市的區域內遷徙和77個非長三角地區城市的跨區域遷徙。在77個非長三角地區城市中，人口遷入長三角的有70個，人口遷出長三角的有56個，既有遷入又有遷出的有49個。其中，遷入遷出均有的49個城市中，與長三角聯系最多的分別是重慶、北京、貴陽、深圳、廣州和成都（以上6個城市與長三角25個城市在春節前后的聯系數量均超過100）。

表1 PM2.5暴露響應函數的因果系數與95%置信區間Tab.1 Cause-specific coefficients (β) and 95% confidence intervals of concentration-response functions for daily PM2.5

圖2 長三角地區25個城市春節期間凈遷徙人口Fig.2 Net migration populations of 25 cities in the Yangtze River Delta region during the Spring Festival

圖3 不同機器學習模型空間交叉驗證結果比較Fig.3 Comparison between different machine learning models via spatial cross validation

2.2 PM2.5時空制圖

空間交叉驗證結果如圖3所示，a為隨機森林，b為極端梯度提升樹，綠色線為1:1線，藍色線為觀測值與預測值擬合的線性方程。兩種算法擬合的R2均超過0.75，RMSE值均在45 μg/m3左右，nRMSE均在0.6左右。整體的散點分布有較明顯的線性趨勢，散點圖回歸直線與1: 1的直線較為接近。根據R2、RMSE和nRMSE值，預測散點圖分布在1: 1線兩側的均勻程度，隨機森林的預測精度要優于極端梯度提升樹。

根據空間交叉驗證結果，本文選用隨機森林作為制圖模型進行制圖（見圖4）。由于長三角區域城市遷徙涉及城市包含非長三角地區，故PM2.5制圖的范圍以全國為準。全國區域春節期間PM2.5污染濃度值約為100 μg/m3，污染較為嚴重的區域主要是京津冀區域、河南省、陜西省和山西省南部、湖北省和湖南省交界處以及四川省和重慶市的交界處。從時空分布來看，2017年1月23日整體空氣污染較輕，隨時間變化全國整體污染程度加重，京津冀區域有明顯的高污染熱點出現；1月27日整體區域污染程度降低；1月28日污染程度再次加重，并且有兩個較為明顯的污染熱點區域（京津冀區域，湖北省和湖南省交界處）；1月29日—2月1日，全國的空氣污染程度較輕；2月2日起，全國整體污染程度有所加重，污染熱點區域仍然為京津冀地區。

2.3 PM2.5污染短期暴露健康風險

為了區分AF增減，將目的地與出發地的PM2.5濃度差值的正負性與AF相乘作為最后參考的AF值。當AF大于0時，說明目的地PM2.5濃度大于出發地，PM2.5污染短期暴露的健康風險增加；當AF小于0時，說明PM2.5污染短期暴露的健康風險減少，其中AF絕對值越接近于1，說明健康風險越大。根據春節人口遷徙的5 772對城市遷徙數據進行PM2.5污染暴露差異計算，得到對應暴露的健康風險。共有2 858對城市遷徙行為，6 070萬遷徙人口的PM2.5污染短期暴露健康風險增加；2 914對城市遷徙行為，6 175萬遷徙人口的PM2.5污染短期暴露健康風險減少；長三角地區城市春節遷徙人群有接近一半因遷徙導致PM2.5暴露環境變化增加了健康風險，同時剩余的超過一半的遷徙人群健康風險減少。詳細的各類特定死亡原因的AF平均值與置信區間見表2，可以看到增加和減少的人群的總死亡率、中風、呼吸道疾病與慢性阻塞性肺疾病的AF平均值相同，而風險增加人群的心血管疾病、高血壓疾病與冠心病的AF平均值略低于風險減少人群（均相差0.1）。

圖4 日尺度PM2.5公里制圖結果Fig.4 Daily level PM2.5 mapping at 1-km resolution

表2 PM2.5暴露導致的AF平均值及置信區間Tab.2 The average value and 95% confidence intervals of AF causing by PM2.5 exposure

圖5 長三角地區25個城市春節遷徙的人口遷徙—健康風險變化模式Fig.5 The changing mode of human mobility-health risk in 25 cities of the Yangtze River Delta during the Spring Festival

對長三角城市區域內25個主要城市春節期間的遷徙人口按照健康風險變化（增加/減少）與出行屬性（出發地/目的地）進行統計與可視化（見圖5）。25個城市按照人口遷徙—健康風險變化模式可以分為3大類。第一類城市“風險增加—出發地”與“風險減少—目的地”遷徙人口明顯大于“風險增加—目的地”與“風險減少—出發地”。這類城市共有7個（無錫、溫州、臺州、蘇州、上海、寧波、南京），其中以上海和蘇州為典型城市，這兩個城市“風險增加—出發地”與“風險減少—目的地”遷徙人口均位列第一、二位，分別為1 300萬人與600萬人左右，是其他模式遷徙人口的3倍。這類城市大部分遷徙人口在春節期間遷徙目的地的PM2.5污染程度比該城市大，春節遷徙行為導致PM2.5污染短期暴露健康風險增加。第二類城市“風險增加—出發地”與“風險減少—目的地”遷徙人口明顯小于“風險增加—目的地”與“風險減少—出發地”。這類城市共有12個（鎮江、揚州、鹽城、徐州、宿遷、泰州、衢州、連云港、金華、淮安、杭州、常州），其中以杭州和徐州為典型城市。杭州為“風險增加—目的地”與“風險減少—出發地”遷徙人口位列第一的城市，遷徙人口分別達到了470萬與432萬人，接近其他模式遷徙人口的2倍。這類城市大部分遷徙人口在春節期間遷徙目的地的PM2.5污染程度比該城市小，春節遷徙行為導致PM2.5污染短期暴露健康風險減少。第三類城市在4種人口遷徙—健康風險變化模式中的遷徙人口差距較小。這類城市共有6個（舟山、紹興、南通、麗水、嘉興、湖州），其中以紹興為典型城市，紹興在4種模式下的遷徙人口均為100萬人左右。這類城市一半的遷徙人口在春節期間遷徙目的地的PM2.5污染程度比該城市大，春節遷徙行為導致PM2.5污染短期暴露健康風險增加，其余遷徙人口則相反。

為了進一步研究更具體的健康風險變化，根據數據完整性（即每對遷徙城市在研究時間段均發生遷徙行為）篩選出2 408對城市遷徙數據，經過處理得到172對城市14天的遷徙數據以及對應的健康風險。其中以長三角城市為出發地的城市遷徙對共31對，上海、寧波和溫州是聯系最多的3個城市，上海有5個，寧波和溫州各3個；以長三角城市為目的地的城市遷徙對共141對，杭州、南京和蘇州是聯系最多的3個城市，分別有12個、11個和10個，上海涉及9個位居第4。本文主要分析聯系最多的這6個城市（上海、寧波、溫州、杭州、南京和蘇州），健康風險指標選用總死亡率進行表征。對AF的變化值進行可視化，結果如圖6所示，其中a和b分別代表長三角地區城市作為出發地和目的地的時間變化矩陣，c和d分別代表長三角地區城市作為出發地和目的地的矩陣（origin-destination, OD矩陣）。

時間變化矩陣顯示以長三角地區城市為出發地的遷徙行為造成的PM2.5污染短期暴露風險大部分都是增加的，同時有大部分遷徙城市在2月5日的PM2.5污染短期暴露風險是減少的，其原因可能是2月5日已經處于春節復工后，長三角區域經濟生產活動大幅增加，PM2.5污染加重。而以長三角地區城市為目的地的遷徙行為造成的PM2.5污染短期暴露健康風險大部分都是減少的。這說明長三角地區春節期間整體空氣污染程度比其他區域輕。此外，PM2.5污染程度具有強烈的時空異質性，會使得部分城市遷徙行為前后兩天健康風險差異巨大。如上海到北京的遷徙行為的PM2.5污染短期暴露健康風險在兩天內（2月4日、2月5日）從0.84變化為-0.75。以長三角地區為出發地和目的地的遷徙行為造成的PM2.5短期暴露健康風險增加值最高分別可達到0.96和0.75，減少值最高分別可達到0.78和0.96，均值分別為0.25與0.39，對公眾而言這是不容忽視的健康風險。

圖6 AF時間變化矩陣與OD矩陣Fig.6 The time variation and OD matrices of AF

3 討論與結論

3.1 討論

3.1.1 PM2.5時空制圖

本文基于隨機森林和極端梯度提升樹構建了日尺度全國PM2.5公里制圖模型。其中采用空間交叉驗證方法比較精度，與既有研究存在較大差別。大部分PM2.5時空制圖研究精度評估采用的交叉驗證方法不考慮空間自相關性，如10折交叉驗證，在多個日尺度PM2.5制圖中被采用[37]7,[45]56,[46]11989,[47]133。但是PM2.5站點分布具有顯著的空間自相關性，普通的交叉驗證可能會導致模型過擬合，在區域制圖時可能會導致極大的不確定性[48]。這種情況下采用空間交叉驗證方法可以有效地評估模型精度，避免由于訓練數據的空間自相關性帶來的模型過擬合問題。從理論上來說，空間交叉驗證的精度是低于普通交叉驗證的。因此，采用空間交叉驗證避免模型過擬合可能是本研究模型精度中RMSE和nRMSE數值不如其他同類型研究的部分原因。由于驗證方式不同，本文結果與其他日尺度PM2.5制圖的精度對比僅能作為制圖精度評估的參考，不能從根本上代表模型的優劣與制圖的準確度。與現有研究相比，無論是R2還是RMSE[37]7,[45]56,[46]11989,[47]133，本文的PM2.5時空制圖結果都具有足夠的可信度。

3.1.2 PM2.5污染短期暴露的健康效應

從本文研究結果來看，春節遷徙行為造成長三角地區PM2.5污染短期暴露健康風險增加和減少比例幾乎持平，但健康風險不容忽視。長三角地區有一半的城市人群因春節遷徙導致的PM2.5污染短期暴露健康風險是減少的，另一半則是增加的。（本文采用集成多源時空數據的高時空分辨率PM2.5制圖評估短期暴露的健康效應與Kloog等[49]采用的基于衛星的新型暴露評估模型有相似之處。）盡管Shi等[50]的研究從城市化與移民角度分析城鄉人口的PM2.5暴露差異不大，但本文表明PM2.5污染短期暴露健康效應是隨時間與空間變化的，主要原因是PM2.5具有強烈的時空異質性[15]575。本文在空間全生命周期流行病學的理論框架下，分析具有中國特色的春節遷徙行為造成的PM2.5污染短期暴露健康效應，在應用層面豐富了宏觀區域PM2.5污染短期暴露健康效應的研究。同時，集成多源時空數據的高時空分辨率制圖實現PM2.5環境暴露的精準測度是對空間全生命周期流行病學10大熱點問題中的精準測度環境暴露指標的一次實證研究探索[51]，也豐富了空間全生命周期流行病學在空氣污染暴露領域的實際應用。

3.2 結論

本文基于空間全生命周期流行病學理論框架，以2017年春節遷徙期間長三角地區25個城市為例，集成多源時空數據實現高時空分辨率PM2.5制圖，結合騰訊位置大數據估算PM2.5污染短期暴露的健康效應。從本文研究結果來看，春節遷徙行為導致長三角地區PM2.5污染短期暴露健康風險增加和減少人數分別為6 070萬人和6 175萬人。健康風險增加值最高值在0.78與0.96之間，均值在0.25與0.39之間。PM2.5污染短期暴露健康效應的時空異質性更強烈，前一天與后一天的暴露健康風險變化值可以達到1.5以上。此外，長三角地區的7個城市大部分遷徙人口由于春節遷徙行為導致PM2.5污染短期暴露健康風險增加，包括無錫、溫州、臺州、蘇州、上海、寧波、南京，暴露人口從143萬人到1 320萬人不等。此外，6個城市的一半遷徙人口由于春節遷徙行為導致PM2.5污染短期暴露健康風險增加，包括舟山、紹興、南通、麗水、嘉興、湖州，暴露人口從30萬人到155萬人不等。對于這些城市的遷徙人口應當加強對遷徙人群PM2.5污染暴露相關疾病的關注。本文仍然存在一些不足，如騰訊人口遷徙數據獲取不夠完整，僅有每個城市遷入遷出前10城市的數據，PM2.5時空制圖的精度還可以進一步提升等。這些都有待于進一步分析與探究。

（致謝：感謝國家科技基礎條件平臺—國家地球系統科學數據共享服務平臺—長江三角洲科學數據中心（http://nnu.geodata.cn:8008/）提供數據支撐。）