EPIAIR 2

Inquinamento Atmosferico e Salute Sorveglianza Epidemiologica ed Interventi di Prevenzione

WP 3

Inquinamento atmosferico da traffico veicolare:

valutazione di impatto

Michela Baccini e Annibale Biggeri per il Gruppo collaborativo EPIAIR

Dipartimento di Statistica, Informatica e applicazioni “G. Parenti” Università di Firenze Viale Morgagni 57/59 50134 Firenze

Unità di Biostatistica ISPO Firenze Via delle Oblate 2 50134 Firenze email: baccini@disia.unifi.it

abiggeri@disia.unifi.it

Indice

Premessa pag. 1

Introduzione pag. 3

1. Revisione della letteratura relativa agli interventi adottati a livello locale per migliorare la qualità dell’aria nei centri urbani. pag. 5 2. Le politiche per la mobilità adottate a livello locale pag. 9 2.a. Le politiche per la mobilità sostenibile adottate nelle città del progetto EPIAIR pag. 9 2.b. Il trasporto pubblico locale pag. 10 Conclusioni pag. 12 Bibliografia pag. 14 Tabelle pag. 16

1

Premessa

L’obiettivo specifico 3 (WP3) del Progetto EPIAIR 2 prevedeva l’elaborazione di stime di

impatto dell’inquinamento atmosferico complessive e città specifiche attraverso la redazione di un

rapporto. Il report “Inquinamento atmosferico da traffico veicolare: valutazione di impatto” si

compone di:

1. una parte metodologica che sintetizza i metodi adottati (Baccini et al. 2011);

2. una metanalisi bayesiana delle stime di effetto città-specifiche prodotte in un altro WP del

progetto, condotta allo scopo di ottenere stime a posteriori città-specifiche da utilizzare nella

valutazione di impatto;

3. i risultati complessivi e città-specifici dell’impatto degli inquinanti.

Rispetto al protocollo iniziale del progetto le stime di impatto sono state prodotte per PM10 e PM2.5 ma non per NO2 perché l’evidenza epidemiologica sulla natura causale dell’inquinante è consolidata solo per le polveri.

Sono state calcolate stime di impatto per la mortalità per tutte le cause naturali sopra il 35 anni, coerentemente con i dati richiesti dal protocollo EpiAir. Non sono state considerate le sole cause cardiovascolari e respiratorie perchè la variabilità statistica e l’eterogeneità degli effetti tra città era tale da compromettere il calcolo stesso degli eventi attribuibili (stime città specifiche di segno negativo, intervalli di confidenza troppo ampi).

Non sono state calcolate stime di impatto sui ricoveri. Le stime di effetto città-specifiche sui ricoveri sono prodotte in un altro WP e hanno mostrato anche esse una grande variabilità statistica e una grande eterogeneità, questa volta legata anche alla variabilità territoriale nella politica di ricovero.

In aggiunta al protocollo iniziale è stata condotta una metanalisi bayesiana per ottenere stime di effetto città specifiche a posteriori, in modo da poter quantificare meglio l’incertezza e poter adeguatamente apprezzare la variabilità tra città nelle stime di impatto.

In sintesi il calcolo dell’impatto richiede:

la stima dell’effetto dell’inquinante (basata su una specifica ipotesi sulla curva esposizione-risposta)

una misura del livello di inquinamento (serie storica giornaliera delle concentrazioni)

i dati sul livello di mortalità (serie storica giornaliera del numero di decessi)

uno o più scenari controfattuali (soglia annuale del livello di inquinante o soglia giornaliera)

2

Metodologia per le stime di impatto

1. Stime di effetto - meta-analisi

Nella valutazione di impatto bisogna disporre di stime di effetto che rispecchino la specificità della singola città, ma al contempo siano stabili. A questo scopo si usano le stime città-specifiche a posteriori, che sono una media pesata tra le stime città-specifiche di primo stadio e la stima globale meta-analitica, ottenute da una metanalisi bayesiana.

L’analisi si è concentrata sull’effetto ‘a-breve-termine’ dell’inquinamento atmosferico sulla salute della popolazione. In particolare è stato stimato l’effetto delle concentrazioni di PM10 e PM2.5 sulla mortalità per tutte le cause naturali nel periodo 2006-2009 in un insieme di città italiane.

Per le serie epidemiologiche di eventi e di concentrazione degli inquinanti si rimanda ai WP 1 e 2.

Per il PM10 sono 23 le città incluse nella meta-analisi, in quanto Bari e Rovigo non disponevano di dati sufficientemente completi. Si è considerato il quadriennio 2006-2009 con alcune eccezioni: Ancona (2007-2009), Genova (2006-2007), Piacenza (2007-2009).

Per il PM2.5 sono13 città incluse nella meta-analisi. Si è considerato il quadriennio 2006-2009 con alcune eccezioni: Ancona (2007-2009), Napoli (2007-2009), Modena (2009), Parma (2008-2009), Reggio Emilia (2008-2009), Rimini (2008-2009).

I risultati sono riportati in termini di decessi attribuibili all’anno (AD). Le valutazioni sono fatte tendendo conto del livello medio di mortalità e del livello medio di inquinante nel periodo considerato.

I decessi attribuibili possono essere interpretati come morti dovute al superamento del limite annuale o giornaliero di concentrazione, o come morti che si sarebbero potute risparmiare mantenendo il livello di inquinamento al di sotto di tale limite.

L’analisi dell’effetto a breve termine si è articolata in due passi: prima si sono ottenute stime specifiche di effetto per tutte le città partecipanti, utilizzando l’approccio case-crossover (WP 2); successivamente queste stime di effetto sono state combinate in una metanalisi bayesiana a effetti casuali.

Metanalisi bayesiana

Nella seconda fase dell’analisi, le stime di effetto specifiche ottenute dal WP 2 per ogni area sono state combinate in una metanalisi bayesiana ad effetti casuali.

Indicando con iβ̂ e 2ˆ iσ rispettivamente la stima dell’effetto dell’inquinante e la relativa varianza

ottenute dal modello case-crossover per l’area i-esima, il modello di metanalisi a effetti casuali assume che:

iii εββ +=ˆ ( )2ˆ,0 ii N σε ≈

ii u+= ββ ( )2,0 τNui ≈

3

dove β è l’effetto globale meta-analitico, iβ è l’effetto medio a livello di centro, 2τ rappresenta la

variabilità dei iβ attorno a β, ovvero l’eterogeneità tra aree, iε e iu sono termini casuali distribuiti

normalmente e mutuamente indipendenti. In ambito classico le stime dei parametri iβ sono

chiamate ‘stime shrunken’. Tali stime possono essere viste come una sorta di media pesata tra le

stime specifiche per area ottenute nella prima fase dell’analisi iβ̂ e la stima di effetto complessiva

ottenuta dalla metanalisi, ovvero la stima del parametro β: ogni stima area-specifica viene “spostata”, proporzionalmente alla sua varianza, verso la stima di effetto globale. Le ‘stime shrunken’ sono più stabili delle stime specifiche per area perché utilizzano l’informazione complessiva, ma al tempo stesso, a differenza della stima di effetto meta-analitica, rispecchiano l’eterogeneità tra aree. In ambito bayesiano, è possibile ottenere un’intera distribuzione a posteriori

per le gli effetti specifici di area iβ .

Le distribuzioni a posteriori dei parametri del modello sono state ottenute attraverso simulazioni MCMC, utilizzando il software WinBUGS.

Per valutare l’ammontare di eterogeneità nella meta-analisi si è calcolato l’indice I2, corrispondente alla percentuale di variabilità totale attribuibile alla varianza tra aree.

2. Stime di impatto

La valutazione d’impatto è stata condotta usando come stima di effetto a livello di ciascuna città (nel seguito del paragrafo indicata genericamente con β) la media delle distribuzioni a posteriori città specifiche per le città coinvolte nella metanalisi.

In questa analisi si deve tener presente che l’effetto dell’inquinante è piccolo in termini di variazione percentuale mentre l’esposizione è diffusa (in altre parole tutta la popolazione è esposta al fattore di rischio). Per questo le stime di impatto sono importanti al fine di quantificare l’importanza del fattore di rischio in gioco.

L’impatto sanitario dell’esposizione all’inquinamento atmosferico è stato quantificato in termini di morti attribuibili ai livelli di PM10 e PM2.5 medi del periodo EpiAir.

Il modello utilizzato per la valutazione d’impatto è basato sull’assunto di omogeneità dell’esposizione entro ciascuna città e sull’ipotesi che la relazione esposizione-risposta sia lineare su scala logaritmica. Indicando con y la media annuale del numero di eventi osservati, con x la media annuale dei livelli di esposizione all’agente inquinante (NO2 o PM10) e con β la stima di effetto, gli eventi attribuibili (AD) sono stati calcolati come differenza tra gli eventi osservati (y) e gli eventi attesi in corrispondenza di un prefissato livello “soglia” di concentrazione T (y0). Se x è superiore alla soglia T:

AD=y-y0

y0=y/exp(β(x-T))

4

Mentre, se x è minore o uguale a T, AD=0. AD è il numero di eventi che si sarebbero potuti evitare se il livello medio di inquinamento annuale fosse stato pari a T. Scegliere il valore della soglia T, corrisponde a definire uno scenario controfattuale rispetto al quale calcolare l’impatto.

Scenari controfattuali

Sebbene la relazione dose-effetto sembri avere un andamento lineare, senza che siano identificabili livelli soglia, abbiamo ugualmente condotto la valutazione dell’impatto sulla salute (HIA) specificando differenti scenari di riduzione dell’esposizione. Si tratta di un approccio che intende tener conto del fatto che non è possibile ridurre le emissioni sotto certi livelli background. Nelle prime HIA pubblicate (Künzli et al., 2000; Cohen et al., 2004) è stato utilizzato un livello di background riconducibile alle fonti naturali di emissione pari a 7.5µg/m3 per PM10. Qui sono stati scelti invece scenari basati sui limiti della legislazione europea e nazionale e sulla base delle linee guida dell’Organizzazione Mondiale della Sanità. In dettaglio:

Scenari per PM10

Unione Europea

Limite sulla media annuale : 40 µg/m3

Limite sulla media giornaliera: 50 µg/m3 non più di 35 giorni all’anno

Linee guida WHO

Limite sulla media annuale : 20 µg/m3

Riduzione della media annuale del 20% ad arrivare al limite di 20 µg/m3

Scenari per il PM2.5

Unione Europea

Limite sulla media annuale : 25 µg/m3

18 µg/m3 (nuove direttive)

Linee guida WHO

Limite sulla media annuale : 10 µg/m3

Riduzione della media annuale del 20% ad arrivare al limite di 18 µg/m3

5

Risultati

1. Metanalisi bayesiana

PM10

La tabella seguente riporta la stima globale meta-analitica dell’effetto dell’inquinante sulla mortalità per tutte le cause naturali e per gruppi di cause. L’effetto è espresso in termini di variazione percentuale nella mortalità associata a un incremento di 10 mcg/mc del livello dell’inquinante. La distribuzione a posteriori della variazione percentuale è sintetizzata attraverso la media e l’intervallo di credibilità al 90% (5° percentile e 95° percentile della distribuzione). In particolare per l’eterogeneità tra città sono riportati alcuni centili della distribuzione posteriori di I2 (l’intera distribuzione è mostrata in figura per la mortalità per tutte le cause naturali) e la stima frequentista di I2, ovvero la percentuale della varianza tra città calcolata con il metodo di DerSimonian e Laird sulla variabilità totale (la stima frequentista è riportata per motivi di comparabilità con i risultati delle meta-analisi riportate in un altro WP del progetto).

PM10-mortalità (lag 0-1) – stime globali

I 2 Mortalità per vp (90% CrI)

50° perc. 5° perc. 95° perc

I 2

Stima frequentista

Cause naturali 0.50 0.26 0.75 0.87 0.06 12.2 16.3

Cause respiratorie 0.37 -0.34 1.16 0.31 0.01 8.3 0

Cause cardiache 0.40 -0.03 0.89 0.46 0.02 11.0 15.2

Cause cardiovascolari

-0.01 -0.67 0.72 0.42 0.01 10.3 3.7

6

Distribuzione a posteriori della statistica I2 . PM10-mortalità (lag 0-1)

0.0 0.1 0.2 0.3 0.4 0.5

010

2030

40

I2

dens

ity fu

nctio

n

PM10

Come si vede la distribuzione è fortemente asimmetrica.

Il forest plot per le stime città-specifiche è riportato nella figura seguente, insieme alla stima globale ottenuta dalla metanalisi Bayesiana (in rosso). Gli intervalli di confidenza/credibilità sono al livello del 90%.

7

Forest plot per le stime città-specifiche. PM10-mortalità (lag 0-1)

% variation

OVERALL

RIMINIPIACENZA

PARMAREGGIO EMILIA

MODENAMESTRETRIESTETREVISOTORINO

TARANTOROMA

PISAPALERMO

PADOVANAPOLIMILANO

GENOVAFIRENZE

FERRARACAGLIARIBRINDISI

BOLOGNAANCONA

-4 -2 0 2 4

PM10

8

Le distribuzioni a posteriori città-specifiche dell’effetto del PM10 sono riassunte nel diagramma a scatola e baffi riportato di seguito e nella tabella.

Diagramma a scatola e baffi delle distribuzioni a posteriori città-specifiche (in rosso l’effetto metanalitico globale). PM10-mortalità (lag 0-1)

AN

CO

NA

BO

LOG

NA

BR

IND

ISI

CA

GLI

AR

I

FE

RR

AR

A

FIR

EN

ZE

GE

NO

VA

MIL

AN

O

NA

PO

LI

PA

DO

VA

PA

LER

MO

PIS

A

RO

MA

TA

RA

NT

O

TO

RIN

O

TR

EV

ISO

TR

IES

TE

ME

ST

RE

MO

DE

NA

RE

GG

IO E

MIL

IA

PA

RM

A

PIA

CE

NZ

A

RIM

INI

OV

ER

ALL

-0.5

0.0

0.5

1.0

1.5

2.0

post

erio

r pe

rcen

t var

iatio

n

9

Stime a posteriori città-specifiche dell’effetto dell’inquinante e probabilità a posteriori che la variazione percentuale sia maggiore di 0. PM10-mortalità (lag 0-1)

Città vp (CrI 90%) Prob(vp>0)

ANCONA 0.47 0.04 0.88 95.98

BOLOGNA 0.45 0.03 0.81 95.62

BRINDISI 0.51 0.13 0.96 97.34

CAGLIARI 0.50 0.11 0.93 97.44

FERRARA 0.56 0.2 1.06 98.92

FIRENZE 0.50 0.13 0.89 97.68

GENOVA 0.47 0.08 0.85 96.26

MILANO 0.43 0.11 0.72 97.90

NAPOLI 0.53 0.18 0.95 98.70

PADOVA 0.43 -0.02 0.78 94.50

PALERMO 0.53 0.18 0.93 98.86

PISA 0.48 0.05 0.88 96.08

ROMA 0.58 0.26 1.01 99.70

TARANTO 0.58 0.21 1.13 98.86

TORINO 0.50 0.21 0.79 99.56

TREVISO 0.54 0.18 1.02 98.38

TRIESTE 0.52 0.15 0.94 98.08

MESTRE 0.43 -0.03 0.79 94.10

MODENA 0.42 -0.06 0.78 93.64

REGGIO EM 0.53 0.15 0.98 98.08

PARMA 0.45 -0.01 0.84 94.74

PIACENZA 0.56 0.19 1.06 98.66

RIMINI 0.51 0.11 0.95 97.24

overall 0.50 0.26 0.75 99.94

10

PM2.5

La tabella seguente riporta la stima globale meta-analitica dell’effetto dell’inquinante sulla mortalità per tutte le cause naturali e per gruppi di cause. L’effetto è espresso in termini di variazione percentuale nella mortalità associata a un incremento di 10 mcg/mc del livello dell’inquinante. La distribuzione a posteriori della variazione percentuale è sintetizzata attraverso la media e l’intervallo di credibilità al 90% (5° percentile e 95° percentile della distribuzione). In particolare per l’eterogeneità tra città sono riportati alcuni centili della distribuzione posteriori di I2 (l’intera distribuzione è mostrata in figura per la mortalità per tutte le cause naturali) e la stima frequentista di I2, ovvero la percentuale della varianza tra città calcolata con il metodo di DerSimonian e Laird sulla variabilità totale (la stima frequentista è riportata per motivi di comparabilità con i risultati delle meta-analisi riportate in un altro WP del progetto).

PM2.5-mortalità (lag 0-1) stime globali

I 2 Mortalità per vp (90% CrI)

50° perc. 5° perc. 95° perc

I 2

Stima frequentista

Cause naturali 0.54 0.17 0.91 0.88 0.04 13.89 9.47

Cause respiratorie 0.84 -0.34 1.93 0.20 0.01 7.42 0

Cause cardiache 0.23 -0.59 1.04 1.70 0.02 31.26 31.41

Cause cardiovascolari

0.02 -1.12 1.26 0.41 0.01 17.24 24.62

11

Distribuzione a posteriori della statistica I2 . PM2.5-mortalità (lag 0-1)

0.0 0.2 0.4 0.6 0.8

010

2030

40

I2

dens

ity fu

nctio

n

PM25

Come si vede la distribuzione è fortemente asimmetrica.

Il forest plot per le stime città-specifiche è riportato nella figura seguente, insieme alla stima globale ottenuta dalla metanalisi Bayesiana (in rosso). Gli intervalli di confidenza/credibilità sono al livello del 90%.

12

Forest plot per le stime città-specifiche. PM2.5-mortalità (lag 0-1)

% variation

OVERALL

RIMINI

PARMA

REGGIO EMILIA

MODENA

MESTRE

TORINO

ROMA

PADOVA

NAPOLI

MILANO

FERRARA

BOLOGNA

ANCONA

-4 -2 0 2 4

PM25

13

Le distribuzioni a posteriori città-specifiche dell’effetto del PM2.5 sono riassunte nel diagramma a scatola e baffi riportato di seguito e nella tabella.

Diagramma a scatola e baffi delle distribuzioni a posteriori città-specifiche (in rosso l’effetto metanalitico globale). PM2.5-mortalità (lag 0-1)

AN

CO

NA

BO

LOG

NA

FE

RR

AR

A

MIL

AN

O

NA

PO

LI

PA

DO

VA

RO

MA

TO

RIN

O

ME

ST

RE

MO

DE

NA

RE

GG

IO E

MIL

IA

PA

RM

A

RIM

INI

OV

ER

ALL

-0.5

0.0

0.5

1.0

1.5

2.0

post

erio

r pe

rcen

t var

iatio

n

14

Stima a posteriori città-specifica e probabilità a posteriori che la variazione percentuale sia maggiore di 0. PM10-mortalità (lag 0-1)

Città vp (CrI 90%) Prob(vp>0)

ANCONA 0.52 -0.04 1.04 94.10

BOLOGNA 0.52 0.01 0.98 95.46

FERRARA 0.62 0.12 1.24 97.90

MILANO 0.47 0.02 0.86 95.44

NAPOLI 0.48 -0.11 0.97 92.62

PADOVA 0.54 0.05 1.02 96.00

ROMA 0.58 0.14 1.07 98.06

TORINO 0.64 0.23 1.09 99.44

MESTRE 0.48 -0.08 0.95 93.54

MODENA 0.51 -0.08 1.01 93.52

REGGIO EM 0.62 0.12 1.24 97.38

PARMA 0.49 -0.13 0.98 92.78

RIMINI 0.57 0.04 1.14 96.08

overall 0.54 0.17 0.91 98.94

15

Risultati

2. Stime di impatto

PM10

La tabella seguente riporta il numero di decessi attribuibili secondo i due scenari relativi alle linee guida WHO e alla legislazione europea.

Limite 20 µg/m3 Limite 40 µg/m3 Città PM10

AD per anno (80% CrI) AD per anno (80% CrI)

ancona 32.3 5.6 2.3 9.0

bologna 39.4 36.4 14.1 57.5

brindisi 23.1 1.1 0.5 1.7

cagliari 27.6 5.1 2.2 8.0

Ferrara 38.5 16.2 8.1 25.3

Firenze 37.2 33.0 15.1 51.2

Genova 29.6 34.3 13.6 54.5

Milano 48.0 134.0 60.7 204.8 38.6 17.4 59.1

Napoli 35.8 71.0 35.1 109.4

Padova 48.4 26.9 8.9 44.0 8.0 2.6 13.1

palermo 35.7 46.9 23.4 71.5

Pisa 33.1 5.4 2.2 8.7

Roma 36.1 202.9 113.8 305.4

Taranto 28.0 7.0 3.4 11.0

Torino 51.9 118.6 66.4 171.7 44.6 24.9 64.6

Treviso 39.7 8.8 4.3 13.5

Trieste 23.4 4.8 2.3 7.5

modena 42.3 16.0 4.5 26.6 1.7 0.5 2.8

16

Venezia 46.5 19.7 5.8 32.5 4.9 1.4 8.1

piacenza 39.0 10.6 5.2 16.6

Parma 36.0 12.1 4.0 19.8

reggioemilia 32.3 13.1 6.2 20.2

Rimini 35.7 9.5 4.3 14.7

La tabella successiva riporta il numero di decessi attribuibili secondo lo scenario di riduzione del 20% della concentrazione dell’inquinante ad arrivare al valore delle linee guida WHO.

17

PM10

Città

Osservato Ridotto del 20% ad arrivare a 20 µg/m3

AD per anno (80% CrI)

Ancona 32.3 25.9 2.9 1.2 4.7

bologna 39.4 31.5 14.8 5.7 23.4

brindisi 23.1 20.0 1.1 0.5 1.7

cagliari 27.6 22.1 3.7 1.6 5.8

Ferrara 38.5 30.8 6.8 3.4 10.6

Firenze 37.2 29.8 14.3 6.5 22.2

Genova 29.6 23.7 21.1 8.4 33.6

Milano 48.0 38.4 46.1 20.8 70.6

Napoli 35.8 28.7 32.2 15.9 49.7

Padova 48.4 38.7 9.2 3.0 15.1

palermo 35.7 28.6 21.4 10.7 32.6

Pisa 33.1 26.5 2.7 1.1 4.4

Roma 36.1 28.9 91.2 51.1 137.3

Taranto 28.0 22.4 4.9 2.4 7.7

Torino 51.9 41.5 38.8 21.6 56.3

Treviso 39.7 31.8 3.6 1.7 5.4

Trieste 23.4 20.0 4.8 2.3 7.5

modena 42.3 33.8 6.1 1.7 10.2

Venezia 46.5 37.2 6.9 2.0 11.5

piacenza 39.0 31.2 4.4 2.1 6.8

Parma 36.0 28.8 5.5 1.8 8.9

reggioemilia 32.3 30.5 5.5 2.6 8.5

Rimini 35.7 28.6 4.3 2.0 6.7

18

Infine la tabella successiva riporta il numero di decessi attribuibili secondo il limite della legislazione europea relativo al numero di superamenti annui.

PM10 Meno di 35 sforamenti del limite

giornaliero di 50 µg/m3

città Numero medio di

sforamenti

Media annuale

osservata

Media annuale attesa

AD per anno (80% CrI)

Ancona 38.0 32.3 32.2 <0.1 0.0 0.1

Bologna 85.7 39.4 36.4 6.1 2.3 9.6

Brindisi 13.7 23.1

Cagliari 15.7 27.6

Ferrara 84.5 38.5 35.3 3.1 1.6 4.9

Firenze 59.5 37.2 36.2 2.2 1.0 3.4

Genova 20.5 29.6

Milano 125.7 48.0 39.8 43.1 19.6 65.6

Napoli 46.0 35.8 35.3 2.5 1.3 3.9

Padova 124.5 48.4 40.3 8.1 2.7 13.2

Palermo 46.2 35.7 35.2 1.7 0.8 2.5

Pisa 43.0 33.1 32.9 0.1 0.0 0.2

Roma 58.0 36.1 35.4 10.1 5.6 15.1

Taranto 18.7 28.0

Torino 138.0 51.9 40.7 44.9 25.2 64.7

Treviso 94.5 39.7 35.5 2.2 1.0 3.3

Trieste 16.7 23.4

Modena 104.7 42.3 37.8 3.4 1.0 5.7

Venezia 116.5 46.5 39.4 5.6 1.7 9.2

Piacenza 92.0 39.0 35.7 2.2 1.1 3.5

Parma 69.7 36.0 34.2 1.6 0.5 2.6

reggioemilia 79.7 32.3 35.6 2.1 1.0 3.2

Rimini 67.0 35.7 34.2 1.0 0.5 1.6

19

20

PM2.5

La tabella seguente riporta il numero di decessi attribuibili secondo i due scenari relativi alle linee guida WHO e alla legislazione europea.

Limite 10 µg/m3 Limite 18 µg/m3 Limite 25 µg/m3

Città PM2.5 AD per anno (80% CrI)

AD per anno (80% CrI)

AD per anno (80% CrI)

Ancona 20.2 5.0 1.3 8.6 1.1 0.3 1.9

Bologna 26.9 36.0 10.6 60.2 19.0 5.6 31.8 4.1 1.2 6.9

Ferrara 26.5 15.9 5.9 26.0 8.2 3.0 13.5 1.5 0.5 2.4

Milano 34.8 129.3 39.3 212.3 87.7 26.6 144.2 51.2 15.5 84.2

Napoli 15.0 20.3 3.4 36.1

Padova 34.8 29.4 10.0 48.3 20.0 6.8 32.9 11.7 4.0 19.2

Roma 20.2 128.5 52.5 205.4 28.0 11.4 44.9

Torino 35.9 122.8 60.6 187.8 85.1 41.9 130.2 51.9 25.5 79.4

Modena 21.5 10.0 2.3 17.6 3.1 0.7 5.4

Venezia 37.7 23.2 5.1 40.7 16.6 3.7 29.1 10.7 2.4 18.8

Parma 21.2 9.3 1.6 16.5 2.7 0.5 4.8

reggioemilia 21.5 9.8 3.6 16.0 3.0 1.1 4.9

Rimini 19.8 6.7 2.1 11.2 1.2 0.4 2.0

21

La tabella successiva riporta il numero di decessi attribuibili secondo lo scenario di riduzione del 20% della concentrazione dell’inquinante ad arrivare al valore soglia stabilito dalle nuove direttive europee.

PM2.5

Città

Osservato

Ridotto del 20% ad

arrivare a 18 µg/m3

AD per anno (80% CrI)

Ancona 20.2 18.0 1.1 0.3 1.9

bologna 26.9 21.5 11.5 3.4 19.2

Ferrara 26.5 21.2 5.1 1.9 8.4

Milano 34.8 27.8 36.5 11.0 60.0

Napoli 15.0

Padova 34.8 27.8 8.3 2.8 13.7

Roma 20.2 18.0 28.0 11.4 44.9

Torino 35.9 28.7 34.3 16.9 52.6

modena 21.5 18.0 3.1 0.7 5.4

Venezia 37.7 30.2 6.4 1.4 11.2

Parma 21.2 18.0 2.7 0.5 4.8

reggioemilia 21.5 18.0 3.0 1.1 4.9

Rimini 19.8 18.0 1.2 0.4 2.0

22

Conclusioni

In questo progetto sono state per la prima volta condotte nell’ambito del sistema di

sorveglianza EpiAir stime quantitative dell’impatto a breve termine sulla salute di PM10 e PM2.5.

Entrambi questi inquinanti sono legati alle emissioni dovute al traffico veicolare, che pertanto è un

fattore rilevante nel produrre gli effetti indagati.

L’impatto è stato basato su stime di effetto ottenute nel territorio e nella popolazione ivi

residente, e non tratte dalla letteratura scientifica. Le stime sono presentate come eventi che si

sarebbero potuti evitare se il livello medio annuale d’inquinanti fosse stato pari a una prefissata

soglia di concentrazione. E’ emerso che interventi capaci di diminuire anche solo di una frazione

(20%) il livello medio annuale dell’inquinante nelle aree con concentrazione superiore a limiti di

legge porterebbero un sostanziale immediato beneficio in termini di morti premature evitate. È

inoltre degno di nota come l’impatto dell’inquinamento investa in maniera importante le

popolazioni residenti nella pianura padana, nella piana fiorentina, a Roma e, nel sud, nelle città di

Napoli e Palermo, dove si registra il superamento del limite del numero di giorni in cui il PM10

eccede i 50 mcg/mc).

23

Bibliografia

1. Baccini M, Biggeri A, Grillo P, Consonni D, Bertazzi PA (2011) Health impact assessment of fine particles pollution at regional level American Journal of Epidemiology, 2011 Dec 15;174(12):1396-405

2. Künzli N, Kaiser R, Medina S, et al. “Public-health impact of outdoor and traffic-related air pollution: a European assessment,” . Lancet. 2000 Sep 2;356(9232):795-801.

3. Cohen AJ, Anderson HR, Ostro B, et al. “Mortality impacts of urban air pollution”. Iin: Ezzati M, Lopez AD, Rodgers A. et al, eds. Comparative quantification of health risks: Global and regional burden of disease due to selected major risk factors.vol. 2. Geneva: World Health Organization; 2004.

4. Medina S, Plasencia A, Ballester F, et al. “Apheis: public health impact of PM10 in 19 European cities,” . J Epidemiol Community Health. 2004; 58(10):831-6.

5. Ballester F, Medina S, Boldo E, et al. “Reducing ambient levels of fine particulates could substantially improve health: a mortality impact assessment for 26 European cities,”. J Epidemiol Community Health. 2008; 62(2):98-105

6. Boldo E, Medina S, LeTertre A, et al. “Apheis: Health impact assessment of long-term exposure to PM (2.5) in 23 European cities,”. Eur J Epidemiol. 2006; 21(6):449-58.

7. Boldo E, Linares C, Lumbreras J et al. “Health impact assessment of a reduction in ambient PM (2.5) levels in Spain,”. Environ Int. 2011; 37 342-348.

8. Li Y, Gibson JM, Jat P, et al. “Burden of disease attributed to anthropogenic air pollution in the United Arab Emirates: estimates based on observed air quality data,”. Sci Total Environ. 2010;408:5784-93.

9. Orru H, Teinemaa E, Lai T et al. “Health impact assessment of particulate pollution in Tallinn using fine spatial resolution and modelling techniques,”. Environ Health. 2009; 3:8:7.

10. Martuzzi M, Mitis F, Iavarone I et al. Health impact of pm10 and ozone in 13 Italian cities. The WHO Regional Office for Europe; 2004.

11. Biggeri A, Bellini P, Terracini B. Meta-analysis of the Italian studies on short-term effects of air pollution-MISA 1996-2002 (Italian). Epidemiol Prev. 2004; 28(4-5 Suppl):4-100.

12. World Health Organization. WHO air quality guidelines for particulate matter, ozone, nitrogen dioxide and sulphur dioxide. Global update 2005. 2005 (http://www.euro.who.int/__data/assets/pdf_file/0005/78638/E90038.pdf)

13. DIRECTIVE 2008/50/EC OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL of 21 May 2008 on ambient air quality and cleaner air for Europe, Official Journal of the European Union 11.6.2008 (http://eur-lex.europa.eu/LexUriServ/LexUriServ.do?uri=OJ:L:2008:152:0001:0044:EN:PDF)

14. 15 Bellini P, Baccini M, Biggeri A et al. The Meta-analysis of the Italian studies on Short-term effects of Air pollution (MISA): old and new issues on the interpretation of the statistical evidences. Environmetrics. 2007;18:219-229.

15. Samoli E, Peng R, Ramsay T at et al. Acute effects of ambient particulate matter on mortality in Europe and North America: results from the APHENA study. Environ Health Perspect. 2008; 116:1480-6.

16. R Development Core Team (2008). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0 (http://www.R-project.org).

17. Sutton AJ, Abrams KR. Bayesian methods in meta-analysis and evidence synthesis. Stat Methods Med Res. 2001; 10:277-303.

18. Post E, Hoaglin D, Deck L, et al. An empirical Bayes approach to estimating the relation of mortality to exposure to particulate matter. Risk Anal. 2001; 21:837-842.

19. Le Tertre A, Schwartz J, Touloumi G. Empirical bayes and adjusted estimates approach to estimating the relation of mortality to exposure of PM10. Risk Anal. 2005; 25:711-718.

20. Ades AE, Lu G, Higgins JPT. The interpretation of random-effects meta-analysis in decision models. Med Decis Making. 2005; 25:646-654.

21. Lunn DJ, Thomas A, Best N et al. WinBUGS - A Bayesian modelling framework: Concepts, structure, and extensibility. Statistics and Computing. 2000; 10:325-337.

22. JPT Higgins, SG Thompson, JJ Deeks et al. Measuring inconsistency in meta-analyses. BMJ. 2003;327:557-560. 23. Biggeri A, Baccini M, Gruppo collaborativo EpiAir. Short-term effects of air pollution in Italy: risk heterogeneity

from 1996 to 2005 (Italian). Epidemiol Prev. 2009;33:95-102. 24. Stafoggia M, Faustini A, Rognoni M et al. Air pollution and mortality in ten Italian cities. Results of the EpiAir

Project (Italian). Epidemiol Prev. 2009;33(6 Suppl 1):65-76. 25. Biggeri A, Baccini M. Short-term effects of air pollution in Italy: risk heterogeneity from 1996 to 2005 (Italian).

Epidemiol Prev. 2009; 33(6 Suppl 1):95-102. 26. Firket J. The cause of the symptoms found in Meusa Valley during the fog of December, 1930. Bulletin de

l’Académie Royale de Médecine de Belgique, 1931, 11:683–741.

24

27. Ciocco A, Thompson DJ. A follow-up on Donora ten years after: methodology and findings. American Journal of Public Health, 1961, 51:155–164.

28. Mortality and morbidity during the London fog of December 1952. London, Ministry of Health, 1954 (Reports on Public Health and Medical Subjects No. 95)].

29. Air quality criteria for particulate matter, Vol. 2. Washington, DC, US Environmental Protection Agency, 2004. 30. WHO Air Quality Guidelines – Global update 2005: http://www.who.int/phe/health_topics/outdoorair_aqg/en/ 31. Samet JM, Brauer M, Schlesinger R (2006) 10. Particulate matter. In WHO Air Quality Guidelines pgg.217-306. 32. Ayres JG (2008) Evaluating the Toxicity of Airborne Particulate Matter and Nanoparticles by Measuring Oxidative

Stress Potential—A Workshop Report and ConsensusStatement Inhalation Toxicology,20:1,75 — 99. 33. Katsouyanni K, Zmirou D, Spix C, Sunyer J, Schouten JP, Ponka A, Anderson HR, Festy B, Wojtyniak B, Bisanti

L, Bacharova L, Schwartz J: The Aphea Project: Conclusions (9). Epidemiology, 6 (4), S40, A135; 1995. 34. Samet J.M., Zeger S., Dominici F. et al. The National Morbidity, Mortality, and air pollution study (NMMAPS).

Part 2. Morbidity and mortality from air pollution in United States. Health Effect Institute. Boston (MA), 2000. 35. Anderson HR et al. (2004). Meta-analysis of time-series studies and panel studies of particulate matter (PM) and

ozone (O3): report of a WHO task group. Copenhagen, WHO Regional Office for Europe, document EUR/04/5042688; http://www.euro.who.int/document/E82792.pdf, accessed 15 April 2006.

36. Biggeri A, Bellini P, Terracini B. Metanalisi italiana degli studi sugli effetti a breve termine dell’inquinamento atmosferico 1996–2002. Epidemiologia e Prevenzione 2004; 28(Suppl 4–5): 1–100.

37. Baccini M, Biggeri A (2007) Metanalisi ed eterogeneità in epidemiologia ambientale. Rapporti ISTISAN, 2007, 07/50.

38. Ward DJ, Ayres JG. Particulate air pollution and panel studies in children: a systematic review. Occupational and Environmental Medicine, 2004, 61:e13; Williams R et al. The 1998 Baltimore particulate matter epidemiology exposure study: part 2. Personal exposure assessment associated with and elderly population. Journal of Exposure Analysis and Environmental Epidemiology, 2000, 10:533–543.

39. Stafoggia e al. (2008) Particulate Matter and Daily Mortality. A Case-Crossover Analysis of Individual Effect Modifiers. Epidemiology;19(4):571-80.

40. Zanobetti A et al. The temporal pattern of respiratory and heart disease mortality in response to air pollution. Environmental Health Perspectives, 2003, 111:1188–1193.

41. Zeger SL, Dominici F, Samet J. Harvesting-resistant estimates of air pollution effects on mortality. Epidemiology, 1999, 10:171–175.

42. Maclure M. The case-crossover design: a method for studying transient effects on the risk of acute events. American Journal of Epidemiology, 1991,133:144–153.

43. Zanobetti A, Bind M-AC, Schwartz J: Particulate air pollution and survival in a COPD cohort, Environmental Health 2008, 7: 1-9.

44. Zanobetti A, Schwartz J. Particulate Air Pollution, Progression, and Survival after Myocardial Infarction. Environ Health Perspect 2007,115:769-775.

45. Pope CA, Burnett RT, Thun MJ, Calle EE, Krewski D, Ito K, Thurston GD Lung Cancer, Cardiopulmonary Mortality, and Long-term Exposure to Fine Particulate Air Pollution. JAMA (2002), 287(9): 1132-1141.

46. Pope CA 3rd. Respiratory disease associated with community air pollution and a steel mill, Utah Valley. American Journal of Public Health, 1989, 79:623–628.

47. Pope CA III et al. Daily mortality and PM10 pollution in Utah Valley. Archives of Environmental Health, 1992, 42:211–217.

48. Friedman MS et al. Impact of changes in transportation and commuting behaviors during the 1996 Summer Olympic Games in Atlanta on air quality and childhood asthma. JAMA, 2001, 285:897–905.

49. Pope CA, Ezzati M, Dockery DW Fine-Particulate Air Pollution and Life Expectancy in the United States. N Engl J Med; 2009, 360(4):376-386.

50. Perez L, Sunyer J, Kunzli N: Estimating the health and economic benefits associated with reducing air pollution in the Barcelona metropolitan area (Spain). Gac Sanit, 2009: 23 (4); 287-294.

51. APHEKOM: Improving Knowledge and Communication for Decision Making on Air Pollution and Health in Europe - Summary report of the Aphekom project 2008-2011 http://www.aphekom.org/web/aphekom.org/home

52. European Respiratory Society; Air Quality and Health – 2011 – http://www.ersnet.org/airquality 53. American Thoracic Society: What constitutes and adverse health effect of air pollution? American Journal of

Respiratory and Critical Care Medicine, 2000, 161:665–673. 54. WHO (2006) Air quality guidelines for particulate matter, ozone, nitrogen dioxide and sulfur dioxide. Global

update 2005. Summary of risk assessment. World Health Organization, Geneva, Switzerland. 55. Parlamento europeo e Consiglio dell’Unione europea: Direttiva 2008/50/CE del 21 maggio 2008 relativa alla

qualità dell’aria ambiente e per un’aria più pulita in Europa. All. 14. http://eur-lex.europa.eu/LexUriServ/LexUriServ.do?uri=OJ:L:2008:152:0001:0044:IT:PDF

56. Steenland K, Armstrong B (2006) An Overview of Methods for Calculating the Burden of Disease Due to Specific Risk Factors. Epidemiology;17: 512–519.

25

57. European Centre for Health Policy, WHO Regional Office for Europe. (1999) Gothenburg Consensus Paper. Health impact assessment: main concepts and suggested approach. Brussels: WHO. http://www.who.int/hia/about/why/en/.

58. Martuzzi M, Mitis F, Iavarone I, Serinelli M (2006) Health Impact of PM10 and Ozone in 13 Italian Cities. World Health Organization, Regional Office for Europe, Copenhagen, Denmark.

59. Mathers CD, Loncar D (2006) Projections of Global Mortality and Burden of Disease from 2002 to 2030. PLOS Medicine; 3(11): e442.

60. Berti G, Galassi C, Faustini A, Forastiere F – a cura di (2009) EpiAir Inquinamento atmosferico e salute. Epid Prev, suppl. 1; 1-143.

61. Biggeri A, Baccini M. Le stime italiane degli effetti a breve termine dell’inquinamento atmosferico: metodi, e risultati a confronto. in Berti G, Galassi C, Faustini A, Forastiere F – a cura di (2009) EpiAir Inquinamento atmosferico e salute. Epid Prev, suppl. 1; 95-102.

62. Anderson HR et al. (2004). Meta-analysis of time-series studies and panel studies of particulate matter (PM) and ozone (O3): report of a WHO task group. Copenhagen, WHO Regional Office for Europe, document EUR/04/5042688; http://www.euro.who.int/document/E82792.pdf.