空气污染对公众健康的空间效应分析

申 俊，孙 涵，成金华

(1.山西财经大学 资源型经济转型协同创新中心，太原 030006；2.中国地质大学（武汉）a.经济管理学院；b.资源环境经济研究中心，武汉 430074)

0 引言

空气污染对公众健康的影响毋庸置疑，如何制定有效的环境政策来提高环境健康效应逐渐成为研究者关注的重点。Wong等[1]在研究香港含硫燃料环境政策时发现，在政策实施之后SO2的排放量下降了约80%，儿童患呼吸道类的疾病下降了约16%～29%。同样，由于在奥运会在前北京对交通运输以及相关产业实施环境管制，使得奥运期间PM2.5平均值下降32.1微克/立方米，PM10平均值下降了46%，与之相关的死亡数下降了40，环境健康成本下降了约38%[2]。Brooks和Sethi[3]在其研究中指出，最容易暴露于空气污染物中的人群包括租房者、收入较低的穷人以及受教育程度较低的人等。Ebenstein[4]的研究表明，拥有自来水或者清洁水资源的家庭患癌症等疾病的风险明显低于其他家庭。卢洪友和祁毓[5]的研究则指出环境的健康效应在国家或者之间存在差异，而各国或者地区环境健康风险的差异又受制于该国或者地区教育、环境、卫生等公共服务水平的差异。

由于区域之间在经济、社会、环境、医疗等方面的差异，进而造成不同区域的空气污染等要素对公众健康的也存在显著空间差异[6]。纵观国内外关于环境与健康的研究，一方面主要集中在环境科学与医学领域，且大多基于个体或非随机样本，研究环境对健康经济损失效应[7，8]。另一方面，现已有经济学研究文献的大多采用面板数据分析空气污染与公众健康之间的关系，但缺乏关于空间计量方面的研究。传统的面板回归通常假定各个区域的公众健康是相互独立的，这显然与现实存在偏离，如空气污染等客观因素的存在使得一个地区的公众健康必然受到临近区域污染物排放的影响，而如果忽略这种影响，模型估计将是有偏的或产生错误的参数检验[9]。由此，从新地理经济学角度出发，考虑了空气污染与健康的溢出效应，来分析空气污染物对公众健康的空间效应显得更加重要和有意义。

1 模型、方法与数据

1.1 理论模型

1972年，Grossman在首次通过建立健康生产函数来分析居民的健康微观需求，该函数考虑了包括收入方式、健康水平、教育、环境等多方面因素[10]。同时参考卢洪友等[5]、王俊等[11]、赵忠[12]等人的研究，本文选取其共有指标将居民的健康影响因素确定为经济、社会、教育、医疗卫生与环境，由此本文的健康生产函数可以表示为：

其中，H代表健康水平，Eoc、Soc、Edu、Mc、Envi分别代表经济、社会、教育、医疗卫生与环境变量。

在式（1）的基础上，进一步转换可以得到新的中国宏观健康函数表达形式：

其中，α为核心解释变量的弹性系数，β1、β2、β3、β4为其他控制变量的弹性系数，Ω为初始健康状况的估计值[11]。

健康与居民个人所处的环境有着密切关系[11]。环境对健康的影响取决于污染物的浓度、暴露响应系数等多个方面。健康和居民经济水平密切相关，居民经济水平一般用收入来表示。社会因素与居民健康有很大的相关度。如增加公共财政支出力度，增加公共设施投入，居民可以获得更多的体育锻炼和休闲活动的机会，这些都将影响居民健康的改善。健康与教育同样密不可分。Grossman[10]指出受过良好教育的人能够更加有效的提高自身的健康状况，而这个结论已经得到很多实证研究的证实。医疗卫生的改善对增加居民健康需求，改善居民健康水平非常重要。

1.2 空间计量模型

（1）空间相关性检验

全局空间相关性检验。考虑到“地理学第一定律”的存在，国内外学者开始关注地域之间空间相关性的问题。研判空间相关性问题，现有研究一般通过测算Moran’s I指数来进行检验。其计算公式为：

（2）空间计量模型

一般空间计量模型可以分为空间滞后模型（SLM，也称空间自回归模型，SAR）和空间误差模型（SEM），Elhorst[13]把空间面板数据模型分成四类：空间固定效应模型、空间随机效应模型、空间固定系数模型和空间随机系数模型，并给出了每个模型的对数似然函数，还分析了ML估计量的渐进性质。本文使用空间固定效应模型。通常情况下，当回归分析局限于一些特定的个体时，固定效应模型是更好的选择；另外，空间面板研究文献一般都选择了固定效应模型。面板数据的空间计量模型表示如下：

空间滞后模型（SAR）：

空间误差模型（SEM）：

式（5）、式（6）中的δ与λ分别为空间回归系数与空间误差系数。δ反映了样本观察值的空间依赖性，λ为被解释变量的空间自相关系数，反映了邻接地区残差项对于本地区残差项的影响程度。

1.3 变量与数据

根据式（2）来分析环境等因素对公众健康的影响，需要对各因素变量进行指标定义。

被解释变量——公众健康。健康的直接度量是非常困难的，现有关于公众健康的研究在指标度量方面主要选取人口死亡率、五岁以下儿童死亡率、出生时健康寿命等指标[5,11]。通过人口死亡率来度量空气环境对公众健康的影响并不适宜，因为空气污染对健康的影响相对缓慢，同时造成人口死亡的因素通常是多方面且复杂的。本文考虑到空气污染对公众健康表现的多面性以及数据的可得性，从被动医疗诊断、主动健康检查和健康状态入院情况三个维度，分别选取医院诊疗人数（Y1_DT）、医院健康检查人数（Y2_HC）和入院人数（Y3_HN）三个维度指标来度量居民的健康状况。

核心解释变量——空气污染。本文选取空气中三种主要的空气污染物PM2.5、PM10与SO2浓度来表征空气污染。这三种空气相比于其他空气污染物对公众健康的危害更大，PM2.5是造成2013年初中国北方地区大面积雾霾天气的主要污染物，PM2.5、PM10浓度的上升使得呼吸系统、循环系统等疾病的发生概率大为增加[5,14]。SO2排放的增加也使得呼吸疾病及肺癌的人数显著增加[15]。

其他控制变量，主要从经济、医疗、教育、社会四个方面来选取，分别为人均GDP、每万人医师数、初中升学率、公共财政支出占比四个指标。其中，公共财政支出占比主要表现为政府在公共服务支出、建立社会医疗保障制度和疾病预防与控制体系等方面支出占GDP的比重。

本文数据主要来源于《中国统计年鉴（2005—2016）》《中国卫生统计年鉴（2005—2016）》《中国卫生和计划生育统计年鉴》和中国国家统计局等。由于中国PM2.5浓度从2013年才开始统计，因此，2004—2012年中国各省域的PM2.5浓度参考哥伦比亚大学国际地球科学信息网络中心测定的全球2004—2012年的PM2.5浓度年均值（Battelle Memorial Institute，CIESIN，2013）处理求的，该数据同中国的雾霾形势基本吻合[16]。

2 实证分析

2.1 空间自相关检验

根据Moran’s I指数的计算方法，表1给出了2004—2015年中国被解释变量公众健康的三个维度指标的Moran’s I指数检验结果。由下页表1可知，公众健康三个维度的指标在2004—2015年的12年间空间自相关Moran’s I值均呈现不断增强的趋势，指数值均为正值且结果显著。从整体来看，公众医院诊疗次数呈现出相对更高的全局空间自相关，其次为健康检查次数与入院人数。这表明在2004—2013年中国公众健康在地理上呈现较强的空间正相关性，即中国各地区公众健康的空间分布并非相互独立变化，而是存在区域之间的空间溢出或扩散效应，公众健康三个维度的指标值呈现明显的空间集聚现象。中国公众健康具有显著的空间趋同性和一致性，而且随着经济社会的不断发展，这种健康集聚效应不断增强，而这与中国区域之间的各类社会、经济、教育等资源的空间集聚是密切相关的。

表1 中国公众健康与空气污染的Moran’s I指数值

2.2 空间面板回归结果分析

公众健康的空间效应显著，经豪斯曼检验本文公众健康三个维度指标模型均采用固定效应模型，一般来讲，当研究的样本是从总体中随便获取的，选择随机效应模型较为合适，但是当回归分析针对一些特定个体时，则选择固定效应模型更为恰当。本文以中国31个省域为研究对象，因此固定效应更为合适。

（1）未考虑空间因素的全样本估计

从表2可以看出，公众健康三个维度指标的全样本估计结果均较为显著，各模型的R2值基本在0.7以上，DW统计量接近2表明序列相关问题并不显著，除公众健康入院人数医院住院人数维度指标部分回归变量不显著外，其余各解释变量均表现高度显著。

表2 未考虑空间因素时的公众健康全样本估计

从核心解释变量的估计结果来看，PM2.5、PM10与SO2浓度的升高显著增加了中国公众的医院诊疗人数、医院健康检查人数和入院人数，降低了公众健康水平。从结果系数来看，PM10对公众健康的影响最大，其次为SO2与PM2.5。从控制变量的估计结果来看，教育、医疗卫生与社会方面投入的增加能够显著提高公众健康水平，经济因素的增长增加了公众医院诊疗人数与医院健康检查人数，同时降低了公众入院人数。

然而，普通的面板回归由于未考虑被解释变量的空间溢出效应其估计结果可能是有偏的。本文前面部分已经验证了公众健康空间效应的存在，因此，有必要建立空间面板回归模型来分析空气污染公众健康的空间效应。此外，对于空间计量模型的选取，按照Anselin等的判别规则与空间相关性、两个拉格朗日乘数及其稳健型检验结果（见表2），本文选择空间滞后模型。

（2）考虑空间因素的全样本估计

考虑空间因素后的估计结果见下页表3。同表2的估计结果对比可以看出，考虑空间因素之后PM2.5浓度对公众健康三个维度的负向影响要高于未考虑空间因素的估计结果，而PM10浓度与SO2浓度对公众健康三个维度的影响在空间因素之后，其负向影响有所减弱。由此看来，未考虑空间因素来研究空气污染对公众健康的影响估计结果的有偏的，其会低估PM2.5浓度对公众健康影响，同时高估PM10浓度与SO2浓度对公众健康的影响。考虑空间因素之后，PM10浓度对公众健康的负向影响仍然是最大的，其次为PM2.5浓度。PM10浓度每增长1%，公众健康的三个维度指标医院诊疗人数、医院健康检查人数、入院人数分别增加0.490%、0.722%、0.737%，PM2.5浓度每增长1%，公众健康的三个维度指标医院诊疗人数、医院健康检查人数、入院人数分别增加0.398%、0.466%、0.380%。空气污染是各类疾病发病的主要诱因，公众长期暴露于空气污染之中身体健康必将受到重要影响。北京大学与国际环保组织绿色和平的研究报告指出，中国城市居民因PM2.5而导致的超额死亡率接近1/1000，卢洪友等[5]也指出空气污染导致五岁以下儿童死亡率的上升以及国民预期寿命的下降。

（3）三大地区的子样本估计

考虑到我国地域广袤，区域之间经济社会发展、资源禀赋、人口教育科技等方面存在明显差异，本文从我国区域差异的角度研究我国东、中、西三大地区的空气污染对公众健康的影响。鉴于篇幅限制，仅做了三类重要空气污染物对公众健康医院诊疗人数维度指标的三大地区的子样本估计（见表4）。

表3 考虑空间因素时的公众健康医院全样本估计

表4 考虑空间因素公众健康医院诊疗人数维度指标的子样本估计

从区域的角度来看，空气污染对公众健康的差异显著。中部地区的三种空空气污染物对该地区公众健康的负向影响均显著；东部地区PM10浓度与SO2浓度对该地区公众健康的负向影响均显著，PM2.5浓度的影响则不显著；西部地区空气污染对当地公众健康的影响不显著。由此可以看出，中部地区公众健康受空气污染影响的危害最为严重，中部地区的很多省域如山西、河南等属于煤炭大省，大量的煤炭直接燃烧产生严重的空气污染，其次中部地区也是中国工业较为集聚的地区，工业废气排放也相当严重。东部地区相较于中部地区略好，其中SO2浓度对当地区公众健康的负向影响低于中部地区。

3 结论与建议

本文采用2004—2013年中国公众健康与空气污染等方面的省域面板数据，基于Grossman健康生产函数拓展的中国宏观健康生产函数与空间面板数据分析技术，综合分析了中国公众健康的空间集聚以及空气污染等因素对公众健康三个维度的空间效应。通过实证研究本文主要结论如下：

（1）公众健康存在显著的空间集聚效应且逐年增强，主要分布为华北、华中以及东部沿海地区呈现高高集聚，西北、东北等地呈现低低集聚。由于空气污染的广延性和持续性使得公众健康的空间集聚效应愈加显著。区域公众健康呈现趋同效应，而这与区域之间的各类社会、经济、教育等资源的空间集聚是密切相关的。中国公众健康在空间相关性上，不仅存在着空间依赖性的特征，也有空间异质性的表现。

（2）空气污染对公众健康的负外部性显著。大气空气污染物浓度的升高显著增加了中国公众的医院诊疗人数、医院健康检查人数和入院人数，降低了公众健康水平。空气污染是各类疾病发病的主要诱因，公众长期暴露于空气污染之中身体健康必将受到重要影响。应重视在经济发展过程所产生的空气污染问题，控制和减少空气污染，改善公众健康迫在眉睫。

（3）从区域的角度来看，空气污染对公众健康的影响地区差异显著。中部地区空气污染对公众健康的影响最为显著，其次为东部地区。中国东部与中部地区属于工业较为发达地区，而前期的粗放式发展产生了严重的环境污染，因此现阶段需要不断加大环保力度来改善地区公众健康，对于西部地区发展相对缓慢，需要加大对教育、医疗等方面投入来逐步提高本地区公众的健康水平。针对中国不同区域采用差异化的环保政策是中国今后环境治理的发展方向。