黑碳导致的死亡人数及其在印度不同人群亚组中的差异

摘要

黑碳（BC）是一种重要的短期气候污染物，也是危害健康的细颗粒物（PM2.5）的关键组成部分，对公共健康和气候系统构成重大风险。尽管其具有双重影响，但在印度，对人群层面的黑碳暴露、相关死亡负担以及不同人群子群体之间的差异的全面评估仍然有限。我们使用了一种先进的机器学习算法，从2016年到2021年，以1公里×1公里的空间尺度估算了黑碳的质量浓度。根据全球疾病负担（GBD）框架，我们将元分析得出的风险估计值与人口统计和流行病学特征相结合，估算了每10万人口中由黑碳引起的总死亡率、心血管疾病死亡率和呼吸系统死亡率。此外，利用全国家庭健康调查（NFHS）的社会人口统计信息，我们评估了不同子群体之间的黑碳暴露和可归因负担的差异。2016年至2021年间，印度每年人均黑碳暴露量在0.4至13.7微克/立方米之间变化。虽然黑碳暴露量多年来保持稳定，但近年来其在大多数人口子群体中的差异有所减小。我们估算出每年每10万人口中由黑碳引起的总死亡率、心血管疾病死亡率和呼吸系统死亡率分别为133人（95%置信区间：113–155人）、7人（5–9人）和9人（5–14人）。研究发现，女性、其他落后阶层和经济贫困子群体的黑碳相关死亡率高于其他人群。我们的结果表明，优先减少黑碳排放将改善空气质量，带来更大的健康效益（每减少一个单位的黑碳浓度），并减缓区域变暖，从而为印度创造一个双赢的局面。

**通俗语言总结**

黑碳（BC）是一种有害的空气污染物，既影响人类健康又影响气候。在空气污染极其严重的印度，我们对其对不同社会子群体的影响以及导致早死的情况知之甚少。在这项研究中，我们利用机器学习技术，从2016年到2021年详细估算了印度的黑碳污染情况。我们将这些估算结果与健康数据相结合，计算出有多少死亡与黑碳暴露有关，尤其是心脏病和肺部疾病。我们还研究了黑碳暴露在收入、性别和社会子群体之间的差异。研究发现，尽管黑碳水平总体保持稳定，但女性、贫困社区和社会弱势群体等脆弱子群体仍然面临更大的健康风险。平均而言，黑碳暴露每年导致印度每10万人口中有133人死亡。减少黑碳污染不仅能够挽救生命，还有助于减缓气候变化的速度。这些发现强调了将黑碳排放作为公共卫生和环境优先事项的重要性。

**1 引言**

黑碳（BC）是细颗粒物（PM2.5）的主要成分，也是一种关键的短期气候污染物，由化石燃料和生物质的不完全燃烧产生。它在调节地球辐射平衡、降低空气质量以及引发不良健康后果方面起着关键作用（Venkataraman等人，2016年；Wei等人，2023年）。尽管印度被认为是全球最大的黑碳排放热点之一（Bond等人，2013年），但全国范围内的地面黑碳监测网络仍然稀疏且空间分布不均，尚未建立高时空分辨率的全国性长期黑碳暴露数据库。因此，印度的黑碳暴露相关研究在地理和时间上受到限制。大多数研究依赖于少数连续监测站的数据或短期野外调查（Blanco-Donado等人，2022年；Kompalli等人，2021年；Liu等人，2020年），或者主要依赖于化学传输模型（Budhavant等人，2023年；Ghosh等人，2020年；Meehl等人，2012年）。相比之下，关于黑碳相关健康影响的全球文献迅速增加（Hang等人，2023年；Nichols等人，2013年；Song等人，2022年；Zhao等人，2024年；Zhu等人，2023年），但印度的流行病学证据仍然非常有限。据我们所知，迄今为止只有两项研究考察了黑碳暴露对印度两个城市（德里和瓦拉纳西）总死亡率的影响（Joshi等人，2022年；Singh等人，2021年）；另有两项研究估算了印度-恒河平原（IGP）地区的黑碳相关死亡率（Pathak等人，2024年；Verma等人，2022年）。缺乏高时空分辨率的黑碳暴露数据集限制了区域和次国家级空气质量管理和气候政策规划，并限制了关于黑碳相关健康影响的一致、本土化的流行病学证据的生成。高分辨率黑碳暴露数据集和相关建模方法的进步将有助于系统地监测排放热点地区的黑碳积累情况，从而在印度国家清洁空气计划（NCAP）框架内实现更有效的、基于流行病学的空气质量管理。来自美国和其他地区的环境正义（EJ）研究显示，不同人口子群体之间的环境PM2.5暴露存在显著差异（Clark等人，2017年；Rosofsky等人，2018年），这促使人们将公平考虑纳入清洁空气政策设计（de Souza等人，2023年）。然而，这些研究主要集中在环境PM2.5浓度的差异上，而对其化学成分（如黑碳）的暴露不平等在全球文献中仍缺乏描述。在我们之前的工作中（Sarkar等人，2026年），我们展示了印度不同人口子群体之间的环境PM2.5暴露差异；然而，黑碳（PM2.5的主要有毒成分）在子群体层面的暴露差异在印度背景下尚未得到探索。印度明显的社会、经济和地理多样性意味着，同一人口子群体内的个体可能会因人口分布、距离排放源的距离以及当地社会经济条件而经历不同的黑碳暴露水平（Kerr等人，2024年）。因此，评估各州和人口子群体之间的黑碳暴露差异及其随时间的变化，对于制定旨在促进环境正义（EJ）和跟踪印度实现国家清洁空气目标的针对性政策至关重要。来自高收入国家的新兴证据表明，暴露于不同水平空气污染的人口子群体也承受着不成比例的空气污染相关急性和慢性健康负担（Geldsetzer等人，2024年；Kerr等人，2024年）。虽然全球疾病负担（GBD）框架已经明确建立了环境PM2.5暴露与不良健康结果之间的关联（Murray，2024年），但特定PM2.5成分（包括黑碳）导致的健康负担评估仍缺失。此外，GBD框架有两个关键局限性。首先，它依赖于年龄和性别特定的暴露-反应函数来估算相对风险（RRs），这些函数主要来自发达国家低暴露环境中的队列研究（Burnett & Cohen，2020年），而来自全球南方高暴露地区的流行病学证据仍然稀少且地理分布有限，导致大型低收入子群体的代表性不足（Worsley-Tonks等人，2022年）。其次，由于印度长期的空气污染暴露在性别、财富指数、家庭烹饪燃料类型和基于种姓的子群体（类似于西方背景下的种族）之间存在高度异质性（Sarkar等人，2026年），因此将这些子群体之间的空气污染健康负担视为同质化会限制识别需要优先实施政策的脆弱群体。尽管如此，现有的基于EJ的研究在估算子群体特定健康负担时采用了统一的RR估计值（Geldsetzer等人，2024年；Kerr等人，2024年），从而忽略了暴露分布、基线疾病率和流行病学易感性的关键差异。这些简化可能会掩盖有意义的差异，并使健康负担评估产生偏差。解决这些关键知识空白需要开发一个全面的、以公平为导向的框架，该框架通过估算子群体特定的相对风险来明确纳入社会人口统计异质性，并据此分配风险人群和基线疾病率，这种方法在像印度这样的社会多样化国家尚未得到系统实施。在这里，我们利用了机器学习（ML）方法的最新进展，从2016年到2021年预测了黑碳的质量分数（fBC），这些预测使用了2015年全印度的每日CTM输出以及其他气象、地理和人口统计代理数据。将预测的fBC与每日卫星得出的环境PM2.5浓度相结合，以更精细的空间分辨率（1公里×1公里）估算黑碳浓度，并对其进行了年度统计；我们的检索结果与实地观测数据进行了对比（见第2节）。此外，我们将黑碳浓度与第4轮（2015–16年）和第5轮（2019–21年）全国家庭健康调查（NFHS）的人口统计信息相结合，估算了不同人口子群体之间的黑碳暴露差异及其随时间的变化。最后，我们利用最新的元分析得出的RR估计值，计算了各子群体中由黑碳暴露引起的总死亡率、心血管疾病（CVD）和呼吸系统健康影响，结合了它们的不同人口统计和流行病学特征（见第2节）。我们的结果为进一步的流行病学研究提供了全面的黑碳暴露数据集，并为政策制定者提供了使用我们的数据和框架来跟踪人为黑碳排放控制进展、估算潜在健康效益和缓解未来环境不平等的机会。

**2 方法**

**2.1 化学传输模型（CTM）**

我们使用了Weather Research and Forecasting模型与Chemistry（WRF-Chem版本3.9.1）来模拟印度的大气条件和气溶胶特性，为黑碳暴露建模提供了必要的数据。该模型在2015年的水平分辨率为27公里×27公里，垂直层数为48层，从地面到50 hPa，覆盖了印度次大陆的所有主要地区（见支持信息S1中的图S1）。该模型结合了大气物理和化学过程，以每日尺度模拟PM2.5浓度和其他气溶胶参数，包括黑碳（Agarwal等人，2024年）。MADE/SORGAM模块（欧洲模态气溶胶动力学模型/次级有机气溶胶模型）用于模拟次级无机和有机气溶胶（Schell等人，2001年），采用三模态气溶胶尺寸分布方案，并在每个模型中内部混合颗粒（Zhao等人，2010年）。气象场数据每12小时使用三维变分同化技术进行同化，提高了与观测数据的一致性，并增强了地表PM2.5预测的准确性。同化数据集来自国家环境预测中心（rda.ucar.edu/data_sets/ds337.0/），包括地表报告和卫星数据等多种观测输入。人为排放通过结合SMoG-India（Sadavarte & Venkataraman，2014年）和全球社区排放数据系统（Hoesly等人，2018年）来模拟，以捕捉多种来源。黑碳质量分数（fBC）是通过将CTM模型模拟的黑碳质量浓度除以总环境PM2.5浓度来计算的，见支持信息S1中的图S2。

**2.2 卫星衍生数据产品**

我们在机器学习建模框架中使用了多种卫星数据集：来自Aqua卫星上的臭氧监测仪器（OMI）的NO2和O3数据，以及气溶胶光学深度（AOD）。OMI三级数据提供了0.25°×0.25°均匀分辨率的对流层标准污染物柱密度。这些预处理后的数据集直接纳入模型，无需进一步的空间插值。我们使用了7年（2015–2021年）的长期卫星衍生年平均环境PM2.5浓度来代表空气污染暴露情况，鉴于印度地面监测网络的显著空间缺口（Brauer等人，2019年）。使用我们早期开发的方法（Katoch等人，2023年）估算了印度的高分辨率环境PM2.5浓度，该方法解决了由于缺少气溶胶光学深度（AOD）检索而导致的卫星空气质量评估的局限性。这些检索缺口在季风季节和季风后季节以及复杂地形上尤为明显，主要是由于云层覆盖和高地表反射率影响了使用MAIC算法检索的 Moderate Resolution Imaging Spectroradiometer（MODIS）-AOD产品。为了解决这个问题，我们首先应用了极端梯度提升（XGBoost）回归模型，使用包括云分数、火灾计数、归一化植被指数、土地利用和土地覆盖、数字高程、道路接近度、社会人口统计指标以及ERA5再分析中的气象变量（如温度、相对湿度和风速、边界层高度）在内的综合预测因子来插补缺失的AOD值。所有预测因子都使用最近邻插值方法重新网格化为1公里×1公里的分辨率。在第二阶段，使用填充了AOD数据的气象和土地利用预测因子，通过随机森林（RF）回归模型在相同的空间分辨率下估算了每日地表环境PM2.5浓度。该模型使用中央污染控制委员会（CPCB）的地面连续监测数据进行了训练和验证，即使在每日尺度上也表现出高预测性能（R2 = 0.86；RMSE = 23.46 μg/m3），确保了印度各地环境PM2.5暴露估计的空间一致性和可靠性。我们之前的工作（Katoch等人，2023年）详细描述了算法框架和模型性能。所得到的数据集提供了经过偏差校正的、空间连续的环境PM2.5浓度（单位：μg/m³），覆盖了整个印度地区，显著改善了在持续云层覆盖或AOD值缺失区域的暴露情况表示；特别是在纳入了用于训练和验证的实地观测数据之后。卫星检索的数据被整合到机器学习模型中，以确保其能够捕捉到印度地区黑碳（BC）复杂的时空变化。对于云层覆盖度高、太阳天顶角极端以及其他可能增加不确定性的数据质量标志，进行了过滤处理，以提高数据准确性（www.earthdata.nasa.gov/learn/find-data/near-real-time/omi）。

2.3 气象变量

本研究使用的气象参数来源于欧洲中期天气预报中心（ECMWF）发布的ERA-5再分析数据（cds.climate.copernicus.eu/data/sets/reanalysis-era5-single-levels?tab=overview）（www.ecmwf.int/en/forecasts/dataset/ecmwf-reanalysis-v5）。我们获取了影响气溶胶动态的关键气象变量的每小时数据库，包括相对湿度、温度、行星边界层高度、降水量以及风的u和v分量。为了与CTM模型输出和卫星获取的气溶胶数据库在时间上对齐（这些数据库是按日尺度获得的），我们将这些每小时数据库汇总为日数据，并将其纳入模型中。此外，ERA-5数据库的空间分辨率（四分之一度）与其他预测变量保持一致。

2.4 人口数据

人口密度数据库来自WorldPop网站（hub.worldpop.org/project/categories?id=18），涵盖了研究期间（2015–2021年）的印度地区。WorldPop数据集提供了每年1公里×1公里的高空间分辨率的人口密度信息。该数据库通过空间聚合方法重新采样为四分之一度的分辨率，通过对每个四分之一度网格单元内的人口密度值进行平均，得出该网格的代表性人口密度。

2.5 机器学习（ML）模型

我们采用了六种机器学习模型，分别是Extra Tree Regressor（ETR）、Random Forest（RF）、Decision Tree Regressor（DT）、Light Gradient Boosting Machine（lightbm）、Gradient Boosting Regressor（GBR）和Least Angle Regressor（LAR），使用一系列预测变量来预测研究期间0.25°×0.25°空间尺度上的每日fBC。这六种ML模型采用了集成学习技术进行分类。这些方法允许处理大量的输入特征（变量），并根据它们的相关性对其进行排序（Zhou等人，2022年）。每个数据集都基于空间网格单元（质心）和日期进行匹配，形成一个包含所有预测变量和目标变量（BC质量分数）的统一时空数据框。支持信息S1中的图S4详细总结了数据处理、模型构建和算法开发的过程。

2.6 ML模型训练和测试

2015年的日数据被随机分为两部分。70%的数据集（221,472个数据点）用于模型训练，而剩余的30%（94,917个数据点）用于模型测试。由于数据集规模较小，这种方法可以获取具有代表性的样本来评估模型性能。为了训练模型，我们选择了一系列预测变量，包括人口密度、温度、水平和垂直风速、相对湿度（RH）、边界层高度、AOD、降水量、PM2.5、NO2和O3（支持信息S1中的表S1a）。选择这些变量进行模型训练是因为气象、人口统计、其他标准污染物和主要PM2.5强烈影响BC质量浓度，这些因素是通过CTM框架模拟的。我们将每个ML模型预测的每日fBC与CTM模型在2015年印度地区的剩余30%数据集进行对比（Venkataraman等人，2019年）。为了提高模型性能的稳健性并确保其预测效率的泛化能力，我们采用了10折交叉验证（CV）技术，将训练数据分为10个子集，在9个子集上训练模型，在第10个子集上进行验证。这个过程重复了10次，每次使用不同的随机分割方式，然后将汇总的预测结果用于评估模型性能。支持信息S1中的图S3显示了加权预测效率的排名，突出了每个变量对模型的贡献，并有助于模型优化。此外，支持信息S1中的图S5展示了变量之间的相关性，并表明预测变量之间没有多重共线性。在六种ML模型中，通过比较2015年测试数据集和实际测量数据集之间的相关性，严格检验了每个模型的性能。为此，使用了包括R²、均方根误差（RMSE）和平均绝对误差（MAE）在内的关键性能指标来衡量每个模型的准确性和预测能力。ETR模型在评估中表现最佳，其R²值最高，RMSE和MAE最低（支持信息S1中的表S1c）。通过10折CV进一步确认了该算法的优越性能，这提供了其泛化能力的稳健估计，并最小化了过拟合的风险。此外，还进行了残差分析，以确保模型的预测结果无偏差，能够检测到预测误差中的任何潜在异常或模式（Berrouachedi等人，2019年）。ETR模型处理复杂变量交互的能力及其对不同数据子集的总体稳健性，使其成为预测fBC的最佳模型（Schmid等人，2023年）。支持信息S1中的文本S1和S2描述了ETR模型、其功能以及模型算法的超参数调整方法。

2.7 黑碳质量浓度的估算

ETR模型算法被用来预测后续年份（2016–2021年）的fBC（支持信息S1中的图S6），输入的预测变量与2015年模型开发时使用的保持一致。通过检查该扩展时期模型的预测准确性来评估其泛化能力，确保其在多年间保持一致的性能，而无需重新训练。这种方法利用了模型在2015年训练阶段建立的预测变量与fBC之间关系的泛化能力，允许进行稳健的趋势分析，并有助于理解fBC随时间的变化。模型设置和预测策略的一致性确保了观察到的任何趋势都可以归因于预测变量的实际变化，而不是模型配置的变化。随后，将预测的fBC与我们最近开发的1公里×1公里空间分辨率的环境PM2.5浓度数据（Katoch等人，2023年）结合起来，获得了整个研究时期（2015–2021年）的更高空间分辨率的黑碳质量浓度。我们假设每个四分之一度网格单元内的BC质量分数是相似的。我们将2015–2021年的网格化人口数据库叠加在BC质量浓度上，估算了各州城市和农村地区的基于人口的平均BC暴露量，这些数据随后被用于健康负担和暴露差异评估。我们认识到CTM模拟在预测环境PM2.5浓度及其化学成分（特别是BC）时存在固有的不确定性，而且CTM的输出通常相对于实地观测低估了暴露水平（Lyu等人，2024年）。为了解决这些限制，我们将CTM估算的BC与其他相关预测变量结合到ML模型中以估算fBC，并直接与2015年CTM估算的fBC进行了验证。此外，我们还使用印度同期基于地面的BC测量数据独立验证了ML估算的BC质量浓度（支持信息S1中的表S2）。这些混合方法验证了我们的模型估算的BC浓度，使我们能够在保持CTM输出的大规模空间一致性的同时，通过基于ML的建模提高局部准确性和空间分辨率。为了评估ETR模型的性能和泛化能力，我们使用了来自印度已发表文献的36个地面BC测量的多年验证数据（2015–2021年）（支持信息S1中的表S2）。如支持信息S1中的图S7所示，这些站点分布在全国各地，代表了多样化的地理、气候和社会人口环境。这些补充数据表明，验证数据集涵盖了城市和农村环境，从而减少了系统偏差对特定居住类型的影响。对于每个观测站点，将其位置的质心与ETR建模框架最近的1公里网格单元匹配，并提取了研究期间的平均BC浓度来计算验证统计量。模型预测的BC浓度与实际观测到的BC浓度之间的强一致性（R² = 0.82；RMSE = 1.77 μg/m³；见第3节的图1b）表明，ML估算的BC浓度有效捕捉了2015–2021年整个研究期间印度BC的时空变化，支持了其在后续暴露差异和健康负担评估中的应用。

2.8 估算归因于BC暴露的健康负担

最近发表的荟萃分析提供了所有原因、心血管疾病（CVD）和呼吸系统死亡率每单位BC暴露增加的汇总效应估计（β系数）（Zhu等人，2023年）；这些估计值首先用于估算这些类型死亡率相对于基于人口加权的BC暴露的相对风险（RRs）（见方程1）。这些特定原因的RR估计值与流行病学和人口统计属性结合，估算了2015年至2021年间各州BC暴露导致的死亡负担。我们从人口普查预测报告中获得了2015年至2021年各州的成年人口（>25岁）的估计值，该报告预测了2011年至2036年每5年间隔的人口分布（Peoples' Archive of Rural India (PARI)报告，无日期）。对于中间年份，我们使用双线性插值方法插值了统计数据。另一方面，我们从GBD-India门户网站（Murray，2024年）获得了2015年研究期间各州的所有原因、CVD和呼吸系统死亡率（每10万人；带有95%置信区间，UIs）的成年人口数据。在荟萃分析中，β系数根据相关社会经济和人口统计协变量以及环境PM2.5和其他共污染物的影响进行了调整。因此，这些特定的风险估计可以完全归因于单位BC暴露的变化。这些β系数量化了与BC浓度升高相关的增量死亡风险，我们在经验框架内使用它们来估算各州和年份的所有原因、CVD和呼吸系统死亡的RRs。

（1）其中β表示单位BC暴露增加导致的效应估计或死亡风险增加，分别为所有原因死亡率的0.026（95%置信区间，CI：0.008–0.044），CVD死亡率的0.009（0.007–0.011），以及呼吸系统死亡率的0.028（0.007–0.048）；x是各州和年份的基于人口加权的平均BC暴露量；xcf是BC的反事实暴露水平。需要注意的是，反事实暴露水平理想情况下应基于既定的指南或理论上的最低风险暴露水平。虽然在GBD框架中为总环境PM2.5定义了这样的反事实（Murray，2024年），但现有流行病学文献中尚未为黑碳或其他环境PM2.5的化学成分建立理论上的最低风险暴露水平。在没有基于证据的或指南推荐的反事实的情况下，我们采用了数据驱动的保守方法，使用印度每个研究年份（2015–2021年）观测到的最低年度基于人口的BC暴露量作为反事实水平。这种方法与之前缺乏定义理论阈值的空气污染健康负担评估一致，并避免了超出观测暴露范围的外推（Brauer等人，2022年）。重要的是，使用内部推导的年度最低值也考虑了背景BC水平的年际变化，为时间和空间比较提供了稳定的参考。我们承认这种选择可能会影响估计的归因负担的绝对大小，但它不影响人口亚组之间的相对比较或本研究的核心差异模式。此外，我们估算了每个网格单元的归因人口比例（PAF）。

每年因BC暴露导致的过早死亡（Mort）数量计算为Mort = PAF × Pop × MR，其中Pop是处于风险中的总成年人口，MR分别是所有原因、CVD和呼吸系统死亡率。在荟萃分析中，特定原因的β估计的95%置信区间是根据每个感兴趣的量进行了1000次模型运行得出的，平均值被视为点估计，而结果分布的2.5%和97.5%分位数定义了95%置信区间（Zhu等人，2023年）。利用方程1和2的分析框架，通过下限和上限置信区间（CIs）来估计特定原因的相对风险（RRs）及其相关的归因分数（PAF）的95%不确定性区间（UIs）。对于州级黑碳（BC）导致的死亡负担估计，我们通过将特定原因的β系数和MR的下限和上限的不确定性传播开来，计算出相应的95% UIs，并将其相乘以获得下限和上限的UI界限。需要注意的是，由于研究期间没有这些决定因素的州级UIs数据，因此无法纳入与人口统计估计相关的不确定性；因此，这些不确定性来源没有被包含在总体UI评估中。这项综合分析提供了关于BC导致的健康影响在次国家级别的变化的见解，并识别出暴露相关死亡负担较高的地区。我们在主论文中报告了每10万人口的死亡估计值，在支持信息S1中报告了绝对负担。我们认识到，暴露定义、测量方法、空间尺度和来源组成的差异可能会影响从流行病学荟萃分析中得出的β系数的可转移性。然而，Zhu等人（2023年）的荟萃分析协调了不同BC指标（光学BC、黑烟、元素碳）的效果估计，并提供了一个适合于人口级别健康评估的协调的暴露-反应关系。此外，许多基础流行病学研究本身在监测数据有限时也依赖于模型化的或基于代理的BC暴露数据，这反映了大规模健康负担评估中的标准做法。其次，我们的高分辨率BC暴露与基础流行病学研究中使用的室外暴露指标是一致的。虽然某些个体级别的暴露分类不可避免，但这种错误预计会在人口级别分析中产生保守的风险估计，这已在95% UI估计中得到了考虑。最后，遵循GBD框架，我们假设在没有特定于印度的队列数据的情况下，暴露-反应函数是可转移的。虽然这种标准方法能够提供与政策相关的一阶估计，但由于BC组成、来源和暴露评估的地区差异，仍可能存在一些不确定性，这需要谨慎解释和未来针对印度特定队列的验证。我们将各州分为三个社会人口统计指数类别：低SDI（≤0.53）、中等SDI（0.54–0.6）和高SDI（>0.6）；这与GBD-India研究（Balakrishnan等人，2019年）使用的分类一致，该分类结合了人均收入的对数分布、平均教育年限（15年或以上）和女性生育率（<25岁）。我们还使用另一项荟萃分析中的RR估计值，估算了研究期间所有原因导致的PM2.5总死亡人数。我们进行了敏感性分析，以估计BC暴露减少25%、50%和75%时每个州的可避免死亡人数（见支持信息S1中的表S3）。

2.9 隔离决定因素对估计健康负担的影响

由于BC导致的死亡取决于其暴露水平、年龄分布的人口以及多年来的特定原因的MRs变化，我们分离了这些因素的个别影响，以了解2016年至2021年间每个社会人口统计决定因素对健康负担趋势的相对重要性（见支持信息S1中的表S4）。为此，进行了三组额外的评估。首先，我们在保持人口统计和BC暴露水平不变的情况下，仅改变MRs，估算了2016年至2021年的BC导致的死亡人数。其次，我们仅改变BC暴露水平，同时保持其他因素不变。这三组额外估计中BC暴露导致的死亡负担估计的差异反映了特定决定因素的个别影响，这些因素在2016年至2021年间的实际变化（Chowdhury等人，2020年）。

2.10 印度不同亚群体之间的BC暴露差异

我们分析了国家家庭健康调查（NFHS，无日期）的社会人口统计信息，该调查采用了两阶段抽样设计：首先选择地区，然后从每个地区选择集群（农村地区的村庄和城市地区的普查统计区块（CEBs）。NHFS-4涵盖了640个地区的28,527个集群，采访了811,808名受访者，而NHFS-5涵盖了印度707个地区的30,197个集群，共计825,954人（在此期间，一些较大的地区被划分为较小的地区，从而增加了地区的总数）。NFHS调查框架的详细描述见支持信息S1中的文本S3。NFHS的人口统计数据包括个体的性别（男性和女性）、财富指数（五个子组：最富有的、较富有的、中等阶级、较贫穷的和最贫穷的）、主要烹饪燃料类型[“清洁”燃料用于使用电力的家庭、液化石油气（LPG）和天然气；“固体”燃料用于使用生物质、煤或褐煤、木炭、木材、秸秆/灌木/草、农作物和动物粪便的家庭]，以及种姓[一般种姓、其他落后种姓（OBC）和表列种姓及表列部落（SC + ST），这相当于西方世界的“种族”。我们首先根据最新NFHS轮次（NFHS-4（2015–16）和NFHS-5（2019–21）的城市和农村集群的地理位置（中心点）提取了家庭的年平均BC暴露水平。在全国范围内，每个子组的加权暴露（PSE）是通过给定区域内集群级别的BC浓度的加权平均值来估算的，其中分配的“样本权重”是根据调查数据（DHS-India）估算的每个集群内代表实际人口统计的亚群体比例。如果一个地区有m个集群，则PSE定义为，

(3)其中PSEik是第i个地区第k个人口子组的黑碳PSE，Cij是第i个地区第j个集群的BC浓度，Pijk是第i个地区第j个集群的第k个人口子组的估计比例。我们考虑了NFHS报告的每个集群的样本权重来估算PSE。我们从分析中排除了空值。我们通过考虑NFHS两个轮次中第95百分位和第5百分位暴露水平之间的差异，估算了印度城市和农村地区“每个子组内的”绝对差异（见支持信息S1中的表S5a）。此外，我们通过计算不同亚群体之间的加权平均暴露差异，并除以总人口的PSE，估算了NFHS轮次中城市和农村地区的“跨子组”相对差异（以%表示）（见支持信息S1中的表S5b）。为了分析目的和更好的可解释性，我们比较了较富裕、中等阶级、较贫穷和最贫穷子组的PSE与最富裕子组的PSE。同样，我们也比较了OBC和SC + ST子组的PSE与城市和农村地区的一般种姓子组的PSE。我们估算了NFHS时间点（2015–2019–2019）之间绝对和相对差异的变化。我们认识到，BC暴露差异随时间的变化是NFHS-4到NFHS-5期间人口统计和BC暴露分布变化的累积结果。因此，我们进行了两项敏感性分析，以区分人口统计结构和BC暴露分布对不同人口统计子组之间绝对和相对差异变化的各自贡献。在第一项分析中，我们仅改变了NFHS-4到NFHS-5的人口统计分布，同时保持BC暴露水平不变。在第二项分析中，我们更新了NFHS-4到NFHS-5的BC暴露分布，同时保持人口统计分布不变。子组特定差异的净变化（正或负；见支持信息S1中的表S5c和S5d）相对于NFHS-4期间的实际差异估计反映了每个决定因素的相对贡献，按城市和农村地区分层。然后我们进行了Kolmogorov-Smirnov（KS）检验（Massey，1951）来评估子组暴露分布的统计显著性（由p < 0.001确定）（见支持信息S1中的表S6）。在我们的案例中，它涉及印度的BC暴露。该检验基于两个比较分布的累积分布函数（CDFs）之间的最大差异。KS统计量衡量了这种差异，并用于估计两个分布是否显著不同。KS统计量是通过Dn = max|Fn1(x) – Fn2(x)|计算得出的；其中Fn1和Fn2是两个样本的实证CDFs，x代表分布中的每个点，测试统计量Dn是两个CDFs之间最大差异的度量。在我们的评估中，我们估算了2016年至2021年BC暴露之间的差异，同时以2015年的分布作为参考。KS统计量的较大估计值表示两个BC暴露分布之间的统计差异较大，反之亦然。

2.11 估算各人口子组的BC导致的死亡人数

如2.8节所述，所有原因、心血管疾病（CVD）和呼吸系统死亡的RR估计值表示为长期BC暴露及其偏离反事实水平的函数，通过代表每单位BC暴露增加的风险增量的荟萃分析得出的β系数进行缩放（方程1）。这些β系数是从基于队列的流行病学模型中获得的，这些模型调整了个体级别的年龄、性别以及一系列相关的社会经济和人口统计因素（Zhu等人，2023年）；因此，得出的特定原因的单位风险增量可以被认为是具有代表性的，并且在不同的人口统计子组中是相同的。然而，由于各州城市和农村地区PSE的差异，这些死亡类型的RR估计值可能在不同亚群体中有所不同。基于这些分析考虑，我们首先估算了长期BC暴露导致的所有原因、CVD和呼吸系统死亡的子组特定RR。随后，我们计算了每种死亡原因的相应归因分数（AFs），

(4)这里表示城市和农村地区给定人口子组的年度加权BC暴露与所有人口的最低估计BC水平（xcf）之间的差异，后者被视为反事实暴露水平；β是荟萃分析得出的所有原因、CVD和呼吸系统死亡的单位风险增量，对所有子组来说是相同的。使用NFHS的人口统计信息来推导不同人口统计子组中的风险人口比例，同时使用相同的所有原因、CVD和呼吸系统死亡率（MRs）。GBD框架用于估算每个人口子组的死亡负担。

3 结果

3.1 印度的BC暴露

我们首先评估了六个机器学习（ML）模型在预测fBC方面的效率（见支持信息S1中的图S8和表S1a），其中ETR模型显示出最强的一致性（R2 = 0.92）和最小的偏差（均方根误差为0.011，平均绝对误差为0.007），在2015年基准年，ML预测的fBC与CTM得出的fBC之间（见图1a）。ETR模型预测的fBC日时间序列也与CTM得出的fBC有很强的匹配（见图1c）。然后我们仅使用ETR模型预测了2016–2021年的fBC（见支持信息S1中的图S6），并将fBC转换为同一时期的BC质量浓度（见支持信息S1中的图S2）。我们基于支持信息S1中的表S2中编译的报告数据进行了独立评估，与36个实地BC浓度进行了比较，显示出统计上显著的相关性（R2 = 0.82）和较低的RMSE为1.77 µg/m3（见图1b）。尽管我们发现我们的独立验证对于暴露评估是可靠的，但由于缺乏所需规模的足够实地观测数据，因此无法进行区域或季节性验证。图1

(a) 2015年基准年ETR模型预测的fBC与CTM得出的fBC之间的相关性（n = 94,917）。黑色虚线代表预测和测量BC质量分数之间的最佳拟合（R2 = 1），红色实线表示模型拟合线。图(b) ETR模型预测的fBC与印度36个不同地区的基于地面的BC测量值之间的相关性。红色虚线表示预测和测量fBC之间的模型拟合线。图(c) 2015年ETR模型预测的（橙线）和CTM得出的（蓝线）fBC的日时间序列。2016–21年期间BC浓度的空间模式显示出强烈的南北递减梯度。在不列颠哥伦比亚省（BC）的IGP各州、阿萨姆邦以及印度西海岸的孟买工业区，黑碳（BC）的暴露浓度超过了8 μg/m³。在IGP范围内，我们发现首都德里的暴露浓度最高（>12 μg/m³）。印度其他地区的暴露浓度通常低于4 μg/m³（见支持信息S1中的图S2）。2018年，黑碳暴露浓度达到峰值（全印度人口加权平均值为4.6 ± 2.4 μg/m³），而2020年显著下降（KS统计量：0.225，p < 0.001；见支持信息S1中的表S6），尤其是在中部和东部各州，这反映了印度因COVID-19实施封锁措施导致数月内排放量突然减少的影响。我们估计多年来黑碳暴露存在较大的城乡差异（见支持信息S1中的图S9），尤其是在较高浓度水平下（>7.5 μg/m³；KS统计量：0.061–0.463，p < 0.001）。

2016年至2021年间，印度黑碳质量浓度的空间变化（左图）。2016年至2021年每年黑碳质量浓度的估计值记录在支持信息S1的图S2中。2016年至2021年间印度黑碳质量浓度的变化范围（第5至95百分位数）（右图）。绿色三角形表示平均黑碳浓度，橙色水平线表示分布的中位数，异常值已被排除。

3.2 印度因黑碳导致的过早死亡负担
我们估计了因黑碳导致的总死亡率、心血管疾病（CVD）和呼吸系统疾病的死亡率，分别为每10万人133例（95%不确定性区间：113–155例）、7例（5–9例）和9例（5–14例）。从绝对数量来看，2016年至2021年间，印度每年因黑碳导致的过早死亡人数分别为1,207,446例（965,957–1,448,935例）、55,176例（46,900–63,452例）和65,951例（54,080–77,822例）。这些估计表明，在所有州完全消除黑碳暴露的情况下，每年可以避免这么多过早死亡。然后，我们分别分析了黑碳暴露、暴露人口以及总死亡率、心血管疾病和呼吸系统疾病死亡率（MRs）对印度因黑碳导致的总死亡人数变化的影响。如果2016年至2021年间人口统计数据和死亡率保持不变，由于2021年黑碳暴露的减少，因黑碳导致的总死亡率、心血管疾病死亡率和呼吸系统疾病死亡率将分别降低26.1%、18.5%和17.5%（见支持信息S1中的表S7）。如果死亡率和黑碳暴露保持不变，由于2021年人口结构的变化，这些死亡率将分别增加17.2%、16.9%和22.3%。最后，如果人口统计数据和黑碳暴露保持不变，仅由于各州死亡率的变化，因黑碳导致的总死亡率、心血管疾病死亡率和呼吸系统疾病死亡率将分别增加6.5%、9.6%和8%（见支持信息S1中的图S10）。北方邦（每10万人293例死亡）、德里（每10万人235例）和比哈尔邦（每10万人230例）的因黑碳导致的总死亡率最高（见图3a），而中部和西部地区的死亡率适中（每10万人100–180例）。IGP各州和阿萨姆邦的黑碳相关心血管疾病和呼吸系统疾病死亡率最高（>每10万人10例），整个印度呈现出明显的南北梯度下降趋势。多年来观察到的死亡率变化与各州黑碳暴露的变化一致（见支持信息S1中的图S10）。例如，2016年至2018年间，因黑碳导致的心血管疾病和呼吸系统疾病死亡率呈上升趋势，2019年至2020年有所下降；然而，2021年这些死亡率在各州再次显著上升。此外，我们估计南部半岛地区的黑碳导致的心血管疾病死亡率与总死亡率的比率高于印度其他地区，IGP和其他北部地区的黑碳导致的呼吸系统疾病死亡率与总死亡率的比率也较高（见支持信息S1中的图S11）。

3.3 不同人口亚组之间的黑碳暴露和可归因死亡率的差异
首先，我们估计了NFHS各轮次中城市和农村地区“内部”之间的绝对差异，并注意到几个关键特征。首先，我们观察到大多数人口亚组中城市人口的差异较大（NHFS-5为5.9–8.7 μg/m³，NFHS-4为6.6–10.5 μg/m³），而农村人口的差异较小（NHFS-5为6–6.8 μg/m³，NFHS-4为6.3–9.1 μg/m³），这是由于城市地区污染源分布更加多样化。其次，在城市地区，这种差异随着社会经济地位的提高而增加（即富人的差异大于穷人），而在农村地区则呈现相反趋势。第三，我们估计属于一般种姓和OBC种姓的个体之间的绝对差异大于SC + ST种姓亚组。最后，我们发现从NHFS-4到NHFS-5，农村地区、女性、较富裕的亚组以及一般种姓和OBC种姓亚组的绝对差异有所减小，而贫困亚组和SC + ST亚组在城市地区的差异减小幅度更大（见图4）。

(a) 2016年至2021年间各州因黑碳导致的总死亡率、（b）心血管疾病（CVD）和（c）呼吸系统死亡率（每10万人）。支持信息S1中的图S5列出了每年的黑碳导致的死亡负担。

3.3 不同人口亚组之间的黑碳暴露和可归因死亡率的差异
我们首先估计了NFHS各轮次中城市和农村地区“内部”之间的绝对差异，并注意到几个关键特征。首先，我们观察到大多数人口亚组中城市人口的差异较大（NHFS-5为5.9–8.7 μg/m³，NFHS-4为6.6–10.5 μg/m³），而农村人口的差异较小（NHFS-5为6–6.8 μg/m³，NFHS-4为6.3–9.1 μg/m³），这是由于城市地区污染源分布更加多样化。其次，在城市地区，这种差异随着社会经济地位的提高而增加（即富人的差异大于穷人），而在农村地区则呈现相反趋势。第三，我们估计属于一般种姓和OBC种姓的个体之间的绝对差异大于SC + ST种姓亚组。最后，我们发现从NHFS-4到NHFS-5，农村地区、女性、较富裕的亚组以及一般种姓和OBC种姓亚组的绝对差异减小幅度更大。相反，贫困亚组和SC + ST亚组在城市地区的差异减小幅度更大（见图4）。

(a) NFHS各轮次中城市和农村地区各亚组内黑碳暴露的绝对差异（第95百分位数与第5百分位数之间的差异）。垂直箭头的方向表示从NFHS-4（2015–16年）到NFHS-5（2019–21年）黑碳暴露的绝对差异变化（单位：μg/m³）。我们使用Kolmogorov-Smirnov（KS）检验来估计不同人口亚组之间的暴露频率分布是否存在统计学差异（KS统计量的值为p < 0.001）。城市和农村地区各亚组的平均暴露值（±1⌠）记录在支持信息S1的表S5b中。图(b)估计了NFHS-5中因黑碳导致的总死亡率、心血管疾病死亡率和呼吸系统死亡率（红色和蓝色圆圈）及其相对于NFHS-4（绿色和青色条形）的变化百分比（按性别、财富、种姓和家庭烹饪燃料类型分层）。圆圈表示黑碳导致的死亡负担的平均估计值， whiskers表示相关的95%不确定性区间。Y轴采用对数刻度。然后我们估计了城市和农村地区之间的相对差异（见支持信息S1中的表S5b），以确定哪些亚组的黑碳暴露浓度高于其人口统计对应值。在NFHS-5期间，最贫困和较贫穷的亚组的黑碳暴露浓度高于富人和中产阶级亚组。在基于种姓的亚组中，一般种姓和OBC种姓的黑碳暴露浓度高于SC + ST种姓亚组。无论在城市还是农村地区，固体燃料使用者比清洁燃料使用者的黑碳暴露浓度更高。在NFHS-4期间，贫困亚组、一般种姓和OBC种姓的黑碳暴露浓度高于其人口统计对应值。就性别而言，NFHS两轮次中男性和女性的暴露水平差异不显著。在各亚组中，相对差异也从NFHS-4到NFHS-5有所减小。我们的敏感性分析表明，NFHS时间点间各人口亚组黑碳暴露的减少降低了绝对差异和相对差异（见支持信息S1中的表S5c和S5d），而人口统计分布的变化起到了较小的作用。最后，我们分析了各亚组间黑碳导致的死亡负担的差异。我们发现NFHS-5期间，城市和农村地区不同财富和种姓亚组之间的黑碳导致的总死亡率、心血管疾病死亡率和呼吸系统死亡率的差异趋势相反。例如，城市地区最富裕亚组的黑碳导致的总死亡率、心血管疾病死亡率和呼吸系统死亡率分别为每10万人48例、7例和6例，而最贫困亚组分别为每10万人3例、1例和1例。在农村地区，情况相反（见图4b）。同样，城市地区清洁燃料使用者比固体燃料使用者承受更高的黑碳导致的死亡率（分别为每10万人85例、16例、12例和11例、2例和11例），而在农村地区则相反。相反，农村地区固体燃料使用者的死亡负担更高。在基于种姓的亚组中，OBC种姓的死亡负担最高，其次是SC + ST种姓和一般种姓亚组。总体而言，除了固体燃料使用者外，NFHS-4到NFHS-5期间，大多数亚组的黑碳导致的总死亡率增加了6.5%、9.6%和8%。相反，男性、较富裕亚组和固体燃料使用者在城市地区的黑碳导致的总死亡率分别减少了4.3%–41%；而在他们的对应人口亚组中，这一比例增加了2.3%–27%。在基于种姓的亚组中，黑碳导致的总死亡率在NFHS-4到NFHS-5期间也出现了类似的时间变化模式。

4 讨论与结论
在这项研究中，我们全面评估了印度长期黑碳暴露情况、其高分辨率的时空变化及其对主要人口亚组的健康影响。我们使用先进的机器学习（ML）技术开发了一个新的高分辨率黑碳数据集，并将其与两项具有全国代表性的的人口调查的社会人口统计信息相结合。我们认识到，化学传输模型（CTM）框架在模拟环境PM2.5及其化学成分（包括黑碳）时存在固有的不确定性，且通常会低估相对于地面观测的浓度（Lyu等人，2024年）。为了解决这些限制，我们采用了一种基于ML的混合框架，其中CTM模拟的输出作为预测因子，结合相关的气象、地理空间和人口统计变量来估计黑碳浓度。这些估计值随后与卫星衍生的环境PM2.5数据集（Katoch等人，2023年）相结合，并根据实地观测数据进行校准，以生成印度各地的黑碳浓度。PM2.5数据集与地面测量的强校准，以及相关预测变量的使用（见支持信息S1中的表S1a）和表现最佳的ML算法，支持了所开发黑碳数据集的可靠性。此外，我们使用分布在印度不同地理、气候和社会人口统计环境中的36个同时进行的地面测量数据验证了模型黑碳浓度，进一步证明了其可靠性。模型黑碳浓度与观测黑碳浓度之间的强一致性（见图1b）表明，ML衍生的估计值有效捕捉了研究期间（2015–2021年）印度黑碳的时空变化，支持其在后续健康负担和暴露差异评估中的应用。值得注意的是，2015年基线年份CTM衍生的黑碳浓度与卫星衍生的环境PM2.5估计值之间的强相关性（r = 0.93，p < 0.05）反映了它们之间的物理联系，而非方法上的冗余；这也体现在北部各州黑碳与PM2.5死亡比率的高值（>0.7），尤其是在IGP地区，而这一比率在南北方向上呈现出明显的下降趋势（见支持信息S1中的图S12）。重要的是，黑碳与其他模型模拟的PM成分（Sadavarte & Venkataraman，2014年）也表现出中等到较高的相关性（r = 0.261–0.962，p < 0.05），表明它保留了与燃烧排放相关的有意义的信息。在环境正义评估中，通常通过将污染物分布与人口统计模式相结合，并比较不同人口亚组的人口加权暴露来评估暴露差异。因此，尽管我们模型衍生的黑碳与卫星衍生的PM2.5高度相关，但黑碳暴露的差异是独立于人口统计分布进行整合的，以量化亚组间的差异。这种方法允许分别解释黑碳和PM2.5的差异，这与之前的美国研究一致（Clark等人，2017年；Rosofsky等人，2018年）。虽然我们之前的工作报告了环境PM2.5暴露的不平等（Sarkar等人，2026年），但本研究重点关注黑碳估计的差异，这是燃烧相关的主要PM成分之一，以识别不平等热点和需要针对性政策行动的脆弱人群。重要的是，元分析风险系数考虑了PM2.5和其他共污染物的影响（Zhu等人，2023年），从而能够具体归因于各州和年份的黑碳暴露导致的死亡。因此，估计的负担和差异应被解释为反映了与燃烧相关的细颗粒物污染的比例，这仍然与政策相关。尽管如此，我们应用了在2015年训练好的模型来预测2016-2021年的黑碳（fBC），使用相同的预测因子集，从而假设2015年学到的预测因子与fBC之间的功能关系对于后续年份来说是足够稳定的。然而，请注意，这种方法并没有假设排放量是不变的；相反，排放量和活动模式（包括COVID-19时期）的年度变化部分通过时间变化的预测因子（卫星衍生的NO2、PM2.5、AOD和气象学）的变化得到了反映。更重要的是，预测因子之间的中等到较低的相关性（支持信息S1中的图S5）表明，在ML模型中这些变量是独立处理的，以预测fBC，这些变量之间没有多重共线性，表明它们对结果有随时间变化的独立影响。尽管如此，我们的变量重要性评估（支持信息S1中的图S3）显示，与共污染物相比，人口统计和气象参数对黑碳质量分数的贡献更大。因此，这些预测因子的任何显著变化（具有较大的变量重要性）都可能影响黑碳暴露的年度趋势及其可归因的死亡负担。为了评估潜在的非平稳性效应，我们进行了独立的多年验证（2015-2021年），与印度各地的36个地面黑碳测量数据集进行了对比，结果显示出很强的整体一致性（R2 = 0.82；RMSE = 1.77 μg/m3），支持了模型在捕捉潜在的排放变化、来源组成、活动模式（如COVID相关的排放减少）以及黑碳暴露的时空变化方面的普遍性和稳健性。最近一项针对印度的特定评估报告称，IGP地区大约有40万例心血管疾病（CVD）死亡可归因于冬季黑碳暴露（Verma等人，2022年），这远高于我们的全国范围估计。这种差异主要是由于暴露量、基线死亡率输入和时间覆盖范围的差异。Verma等人（2022年）报告称冬季的黑碳浓度非常高（>20 μg/m3），而我们分析中IGP各州的年度人口加权黑碳暴露量在6到11 μg/m3之间。再加上他们研究中更高的β系数（0.0214对比我们的0.009每μg/m3），这些因素导致黑碳可归因的心血管疾病死亡率相对风险显著增加（1.5-4），而我们研究中估计的相对风险范围较为温和（1-1.2）。此外，Verma等人（2022年）采用了基于2010年调查的更高MR（每10万人272例死亡），而我们的研究使用了更近期且广泛采用的GBD基础的心血管疾病死亡率（Murray，2024年），后者要低得多（178例死亡）。我们注意到，Verma等人（2022年）使用的β系数来自一项基于加州的研究，其中黑碳暴露水平和人口特征与IGP地区有很大不同。应用这样的系数可能会导致更高的负担估计。相反，我们的分析采用了来自最近一项元分析的汇总β估计，该分析综合了包括与中国社会经济和人口统计条件更相似的中国城市人口在内的多种高暴露环境下的证据。因此，我们认为本研究中使用的单位风险估计更具区域代表性，同时承认跨人群的可转移性仍存在一定的不确定性。重要的是，他们的分析仅限于冬季黑碳模拟，并未考虑季节性变化，特别是季风期间的黑碳浓度显著下降。由于GBD比较风险评估框架是为长期（慢性）暴露设计的，使用特定季节的暴露场可能会在年度可归因负担估计中引入固有的不确定性。相比之下，我们的分析整合了多年平均黑碳暴露数据，从而提供了更具政策相关性的全国范围内慢性人口风险的估计。

政策含义：我们的研究在多个方面都是新颖且对政策制定至关重要的。首先，我们在如此高的空间尺度（1公里×1公里）上的长期系统数据库使我们能够了解当地的黑碳热点并跟踪减少人为排放的进展。这比之前尝试生成有限时间和空间范围的数据（Gordon等人，2018年）有了显著进步。这些黑碳水平是世界上最高的之一，超过了其他受污染地区（如中国）报告的黑碳浓度（Hang等人，2023年）。尽管我们在这项研究中估计了黑碳暴露导致的高死亡风险，但应进行进一步的流行病学研究，使用初级健康数据来细化这些估计，以适用于印度人口。其次，由于印度黑碳暴露量更高以及MR（每单位暴露的死亡风险）也更高，印度所有原因、心血管疾病和呼吸系统疾病的死亡负担高于中国的估计（以及许多其他国家）。即使未来的战略行动减少了黑碳暴露，除非通过更好的医疗管理也减少了MR（这也取决于其他风险因素），否则印度可能无法完全实现黑碳暴露减少的好处。最后，印度每10万人口的黑碳可归因死亡率高于环境PM2.5造成的死亡率。最近的全球研究，包括一些来自印度的研究，报告了几种疾病结果与黑碳暴露之间的更高关联（Chaudhary等人，2022年，2023年；Park等人，2018年）。这表明黑碳颗粒相对于PM2.5具有更高的毒性，考虑到包括黑碳在内的多种颗粒物的混合物。世界卫生组织（WHO）确定黑碳应与PM2.5一起作为健康影响评估的指标（Janssen等人，2012年）。我们的结果表明，减少黑碳排放可以减少环境PM2.5高达15%，并且每单位减少带来的健康效益更大。第三，这项研究显示印度不同人口亚组之间的黑碳暴露存在显著异质性。在农村地区，固体生物质燃烧被确定为黑碳的主要来源，而城市黑碳来源在空间上更加分散，导致城市内部的暴露差异更大（Bond等人，2013年）。尽管NFHS时间点内亚组间的绝对暴露差异持续下降，但亚组间的相对差异基本保持不变（支持信息S1中的表S5）。绝对差异的减少主要归因于全国范围内黑碳暴露的总体下降，敏感性分析表明，仅减少暴露就可以将城市和农村地区的亚组内差异降低28%-31%。相比之下，亚组间差异的微小变化可能反映了由于污染热点地区的减少和/或低背景地区的增加而导致的暴露水平的均质化。尽管整体空气质量有所改善，但由于空间上异质的来源和缓解措施的效果不均等，大多数亚组间的相对黑碳暴露差异仍然存在或增加（Katoch等人，2023年）。印度现有的空气污染政策主要集中在城市，且是针对特定行业的，没有明确解决城市内部的不平等问题，导致服务较好的地区受益较多，而高暴露集群仍然服务不足（Bramble等人，2023年）。这些模式突显了将暴露差异纳入有针对性的空气质量缓解策略的必要性，并定期更新特定行业的排放清单，以跟踪局部和区域层面的不平等。国际经验进一步强调了以公平为中心的空气质量治理的重要性。在美国，持续的暴露差异证据促使开发了环境正义筛查工具（EJST）和监管框架，旨在监测和减少基于种族和收入亚组的不平等（Bramble等人，2023年；Jbaily等人，2022年）。同样，中国在记录快速城市化地区弱势群体的更高污染暴露后，开始将社会经济脆弱性指标纳入城市空气质量规划（Tu等人，2022年）。借鉴这些例子，研究表明印度可以从建立一个全国性的空气污染差异监测系统中受益，以定期监测亚组级别的暴露情况，并支持基于证据的适应性政策干预。

局限性和未来研究范围：我们的分析有一些需要讨论的局限性。首先，我们的健康影响评估基于来自全球研究的汇总相对风险估计。由于没有足够的印度队列数据，除了少数如HAPIN（Johnson等人，2022年）测量了个人黑碳暴露的数据，因此无法完全评估汇总估计的代表性。未来的队列应系统地测量黑碳暴露，以解决这一限制，从而更准确地估计黑碳暴露与各种健康结果之间的关系。其次，地面黑碳测量的有限可用性仍然是一个重大挑战。监测站点的稀疏分布可能在数据不足的地区和时期引入黑碳浓度的不确定性。这强调了需要在印度扩大黑碳监测网络，特别是在代表性不足的地区，并且最重要的是，使数据能够进一步利用。第三，我们将相同的黑碳暴露量分配给每个NFHS集群内的不同亚组。这种规模限制可能会低估差异估计，因为最近一项基于美国的研究报告称，随着暴露估计的空间尺度的增加，空气污染物的差异也在增加（Johnson等人，2022年）。未来的研究应制定亚公里尺度的黑碳暴露，并结合人口普查的更新人口统计估计，以改善亚群体间的差异评估。第四，由于缺乏特定亚组的MR（每单位暴露的死亡风险），我们在亚组间的死亡率评估中使用了相同的暴露-反应函数。这是一个关键方面，应在未来的GBD-India研究中解决，以确定不同人口亚组的“真实”脆弱性，以便制定更好的政策。第五，未来的研究应优先考虑扩展具有区域代表性的黑碳监测网络，并整合疫情后的观测数据，以进一步提高本研究中获得的高分辨率黑碳暴露估计的准确性和政策相关性。最后，我们的分析特别关注评估印度不同人口亚组之间的黑碳暴露的时空变化，量化其可归因的死亡负担和差异。因此，评估替代的空气质量或气候缓解途径，如特定行业的PM2.5减少策略、SO2/NOx控制或技术转型方案超出了本研究的范围。未来的研究应使用综合评估或基于情景的建模框架明确比较不同的缓解途径，这对于优先考虑气候和公共卫生目标非常有价值。总之，健康目前不是当前国家清洁空气计划（NCAP）框架和现有社会环境政策（Gopikrishnan & Kuttippurath，2024年）的组成部分。我们的发现强调了黑碳是印度环境PM2.5相关健康负担和暴露差异的关键因素，特别是在社会经济弱势和农村亚组中。清洁空气行动在地方上受到限制，而使用流域方法的区域级行动计划在印度尚不存在。如果在黑碳与PM2.5的总死亡比率较高的州优先采取缓解措施（支持信息S1中的图S12），预计将获得更大的健康效益。值得注意的是，印度尚未设定黑碳暴露的缓解目标，然而，我们的健康负担评估表明，如果完全减少黑碳暴露，每年可以避免1207446例总原因过早死亡；鉴于其单位质量的高毒性以及其与燃烧相关来源的密切关联，这些黑碳对脆弱亚组的影响尤为显著。此外，在印度没有黑碳暴露的缓解目标的情况下，我们进行了敏感性分析，估计如果各州将其平均黑碳暴露减少25%，每年可以避免307881、83662和32427例黑碳可归因的总原因、心血管疾病和呼吸系统疾病死亡（支持信息S1中的表S3）。如果将黑碳暴露减少50%，则可以分别避免644293、174588和68023例总原因、心血管疾病和呼吸系统疾病死亡。采取最严格的缓解措施（将黑碳暴露减少75%），则可以分别避免1012385、273532和107141例总原因、心血管疾病和呼吸系统死亡。此外，环境公平在印度是一个新概念（de Souza等人，2023年），当前的政策没有将环境公平作为标准。我们的研究结果将帮助政策制定者理解这一问题。我们建议政策制定者实施有针对性的减排策略，以保护脆弱亚组的健康，并在可预见的未来实现环境和社会公平。虽然减少PM2.5物种的浓度预计会加速变暖（Lelieveld等人，2019年），但减少黑碳浓度将产生相反的效果，因为它们会吸收太阳辐射。黑碳被发现会通过辐射反馈减弱印度的季风（Meehl等人，2012年）；因此，如果减少黑碳，将增强季风。因此，在清洁空气行动计划中优先考虑减少黑碳是实现气候和健康双重效益以及社会环境公平的最具战略性和有效的方式。致谢

SD感谢清洁空气基金（Grant 001307）和印度医学研究委员会（DDR/CAR-2024/000529）的财政支持，以及为Vipula和Mahesh Chaturvedi讲座提供的奖学金。DS感谢印度政府教育部的科学与工业研究委员会（CSIR）（文件编号09/0086(12746)/2021-EMR-I）在博士研究方面的财政支持。化学传输建模工作得到了印度政府教育部在COALESCE计划下的资助。Khushboo Nagal在数据协调和机器学习模型调整的早期阶段做出了贡献。

利益冲突声明

作者声明与本研究无关的任何利益冲突。

数据可用性声明

用于构建机器学习（ML）模型以及进行BC暴露相关健康负担和差异评估的原始数据集可在(Pratima & Sagnik, 2025)中找到。

参考文献

Abdullah, B. H., Singh, P., Vaishya, A., Prasad, P., & Rastogi, S. (2024). 戈拉克普尔地区黑碳、边界层高度和气溶胶吸收指数的季节性变化：十年研究（2013–2023）。Google Scholar

Ajay, A., Moorthy, K. K., Satheesh, S. K., & Ilavazhagan, G. (2021). 封锁措施减少人为排放对班加罗尔大都市气溶胶特性的影响。《Current Science》，120(2)，287–295。https://doi.org/10.18520/cs/v120/i2/287-295

Arif, M., Kumar, R., Kumar, R., Eric, Z., & Gourav, P. (2018). 帕特纳地区的环境黑碳、PM2.5和PM10：人为排放和砖窑的影响。《Science of the Total Environment》，624，1387–1400。https://doi.org/10.1016/j.scitotenv.2017.12.227

Chandrakala, M., Nandan, R., Ratnam, M. V., & Rao, S. V. B. (2024). 印度半城市地区黑碳的来源分配及COVID-19封锁的影响。《Atmospheric Environment X》，21，100243。https://doi.org/10.1016/j.aeaoa.2024.100243

Devara, P. C. S., Raju, M. P., Sonbawne, S. M., & Vijayakumar, K. (2024). 印度哈里亚纳邦一个被小山环绕的原始地区三年黑碳气溶胶的合成研究。《Heliyon》，10(3)，e25128。https://doi.org/10.1016/j.heliyon.2024.e25128

Hussain, S. N., Rao, T. C., Balakrishnaiah, G., Gopal, K. R., Reddy, K. R. O., Reddy, N. S. K. 等 (2018). 印度半岛热带城市和半干旱农村环境中黑碳气溶胶及其特性的研究。《Journal of Atmospheric and Solar-Terrestrial Physics》，167，48–57。https://doi.org/10.1016/j.jastp.2017.10.010

Kant, Y., Shaik, D. S., Mitra, D., Chandola, H. C., Babu, S. S., & Chauhan, P. (2020). 印度西北喜马拉雅山脉地区的黑碳气溶胶量化：季节性异质性、来源分配和辐射强迫。《Environmental Pollution》，257，113446。https://doi.org/10.1016/j.envpol.2019.113446

Kolhe, A. R., Aher, G. R., Ralegankar, S. D., & Safai, P. D. (2018). 印度西南部半城市和城市地区气溶胶黑碳的研究。《Atmospheric Pollution Research》，9(6)，1111–1130。https://doi.org/10.1016/j.apr.2018.04.010

Kumar, R. R., Soni, V. K., & Jain, M. K. (2020). 利用IMD BC观测网络三年数据评估印度黑碳气溶胶质量浓度的空间和时间异质性。《Science of the Total Environment》，723，138060。https://doi.org/10.1016/j.scitotenv.2020.138060

Mukherjee, S., Verma, A., Meena, G. S., Kodoli, S., Buchunde, P., Aslam, M. Y. 等 (2022). COVID-19封锁期间生物质燃烧对印度高海拔地区黑碳浓度的补偿效应。《Atmospheric Pollution Research》，13(10)，101566。https://doi.org/10.1016/j.apr.2022.101566

Palle, S. N. R., Tandule, C. R., Kalluri, R. O. R., Gugamsetty, B., Kotalo, R. G., Thotli, L. R. 等 (2021). 封锁措施对印度南部半干旱地区eBC质量浓度的影响：地面观测和模型模拟。《Aerosol and Air Quality Research》，21(11)，210101。https://doi.org/10.4209/aaqr.210101

Rajesh, T. A., & Ramachandran, S. (2022). 评估2019冠状病毒病（COVID-19）大流行期间的封锁和解除封锁措施对印度一个城市黑碳气溶胶、其来源分配和气溶胶辐射强迫的影响。《Atmospheric Research》，267，105924。https://doi.org/10.1016/j.atmosres.2021.105924

Romshoo, B., Bhat, M. A., & Habib, G. (2023). 印度不同环境中的黑碳：时间变化、来源分配和辐射强迫。《Atmospheric Environment》，302，119734

Sandeep, K., Panicker, A. S., Gautam, A. S., Beig, G., Gandhi, N., Shankar, R., & Nainwal, H. C. (2022). 印度中部高海拔冰川上的黑碳：变化性、传输和辐射影响。《Environmental Research》，204，112017

Singh, S., & Gokhale, S. (2022). COVID-19疫情导致的封锁对印度东北部气溶胶黑碳浓度、来源及其辐射效应的影响。《Journal of Earth System Science》，131(2)，139

Thamban, N. M., Tripathi, S. N., Moosakutty, S. P., Kuntamukkala, P., & Kanawade, V. P. (2017). 印度恒河平原地区内部混合黑碳及其对吸收增强作用的影响。《Atmospheric Research》，197，211–223

Tyagi, S., Tiwari, S., Mishra, A., Singh, S., Hopke, P. K., Singh, S., & Attri, S. D. (2017). 德里国家首都地区冬季雾天期间吸收性气溶胶的特性：行星边界层动力学和太阳辐射通量的影响。《Atmospheric Research》，188，1–10

Gupta, P., Singh, S. P., Jangid, A., & Kumar, R. (2017). 印度阿格拉地区环境空气中黑碳的特性：季节性变化和气象影响。《Advances in Atmospheric Sciences》，34(9)，1082–1094