PM2.5健康風險的空間人口分布研究
——以深圳為例

傅崇輝，王文軍，湯建，曾序春

(1.廣東醫學院 人文與管理學院，廣東 東莞 523820；2.中國科學院 廣州能源研究所，廣東 廣州 510640；3.深圳市谷大應用統計研究所，廣東 深圳 518000；4.深圳市人口和計劃生育科學研究所，廣東 深圳 518000)

一、引言

隨著中國城市化進程的加速發展，能源消耗和大氣污染物排放總量不斷增加，空氣質量持續惡化，尤其是PM2.5導致的大氣污染，不僅使得大氣中出現灰霾現象，對人體健康的影響也不容忽視。1952年冬倫敦煙霧事件導致上千人的過早死亡，使得人類意識到空氣污染對人體健康的嚴重危害[1]。2012—2013年冬季，京津冀地區出現了大范圍的嚴重霧霾天氣，由于PM2.5對人體健康的潛在危害，世界衛生組織估計[2]，中國20%的肺癌與PM2.5污染有關，PM2.5濃度超標從一個單純的環境問題成為公眾關注的焦點事件。

歐美發達國家都先后制定了相對嚴格的PM2.5標準，中國新的《空氣質量新標準》(GB 3095—2012)也首次增設了PM2.5濃度限值。從2012年開始，我國將在京津冀、長三角、珠三角等區域以及直轄市和省會城市開展PM2.5監測，到2016年，PM2.5監測將推廣至全國。2013年9月，中國政府出臺了史上最嚴的空氣治理條例：《大氣污染防治行動計劃》，目標是至2017年，京津冀、長三角、珠三角等區域細顆粒物濃度分別下降25%、20%、15%左右。

從政策制定的角度考慮，僅僅考察環境風險對人類個體的病理影響是不夠的，因為不同的人群面對環境風險的暴露度是不同的，環境風險對人口的健康影響也可能因人口的社會經濟特征和空間分布的變化而呈現多樣化的特點。我國制定PM2.5濃度限值先于全面的PM2.5監測，利用現有的PM2.5監測數據，研究PM2.5的健康風險及其在不同人群中的空間分布特點，為未來相關環境政策的完善和治理提供實證研究數據和政策參考，避免因盲目的觀望等待而造成不必要損失。

雖然不同社會經濟地位的人面對空氣污染都是相同的受害者，但他們暴露于其中的機會卻是不相同的。為此，本文將利用PM2.5監測數據和人口社會經濟統計數據，從街道層面探索性分析PM2.5健康風險的空間人口分布特征，以期發現是什么社會、經濟和人口機制使得PM2.5的健康風險在人群中不均勻分配，從而為相關研究和政策制定提供理論依據。

二、文獻回顧

PM(particulate matter)是顆粒物的英文代稱，PM2.5是指大氣中直徑小于或等于2.5微米的顆粒物，也稱為可入肺顆粒物或細顆粒物。一般用每立方米空氣中顆粒物的含量表示濃度，濃度越高就代表空氣污染越嚴重。

(一)PM2.5的健康風險

粒徑在2.5微米以下的細顆粒物，被吸入人體后會通過支氣管肺泡進入血液，其中的有害氣體、重金屬等溶解在血液中，引發包括哮喘、支氣管炎和心血管病等方面的疾病[3]。

除了從病理學研究大氣顆粒物的健康風險外，從整個社會的人口空間分布來分析大氣顆粒物的健康風險對于政策的意義更加明顯。Dockery et al.[4]在《美國六城市空氣污染和死亡率關系》一文中，揭示了長期暴露于PM2.5對城市人口非正常死亡率的影響：PM2.5濃度每增加10μg/m3，死亡率的相對風險增加12%；美國癌癥協會(ACS)對美國6城市50個地理控制社區的研究也發現，PM2.5濃度每增加10μg/m3，死亡率的相對風險增加6.3%[5]，該研究也成為美國PM2.5立法的科學依據。在關于法國、澳洲、韓國和日本的相關研究中也發現了類似的結論[6—9]，但由于大氣顆粒物的不利后果取決于濃度和暴露時間長度，在同樣濃度情況下，長期暴露在PM2.5下的死亡率風險具有比短期面臨更大的積累風險。近年來，國內PM2.5健康風險的研究也很多[10—12]，潘小川等[13]選取了北京、上海、廣州、西安四個典型城市，對PM2.5對中國城市居民造成的公眾健康危害和經濟損失進行了估算。

國內PM2.5健康風險研究主要集中在對城市死亡人數的影響方面，而對受PM2.5影響而死亡的人的社會經濟特征還比較少涉及。由于社會經濟因素會影響區域內人口的空間分布，而PM2.5在空間分布上也存在不均勻性，即使暴露反應關系系數不變的情況下，人口和PM2.5的空間耦合程度也會直接影響整個人口的健康風險的大小。

(二)環境健康風險的影響因素評估

許多研究利用地理信息系統(GIS)評估環境風險，通常將目標人群與環境風險源的接近程度作為健康不利影響的替代指標[14—16]。此類研究方法假設環境風險源的距離等同于風險暴露程度，它忽略了環境風險源的強度、污染物擴散和人口的暴露程度。近期的研究[17—18]強調環境公平性研究應該采用更綜合的方法，同時考慮研究區域的地理信息和污染物在空氣中的擴散，從而更精確地估計出環境風險的累積健康影響。

決定人口暴露于環境風險的社會經濟因素通常作為健康風險的影響因素，相關或回歸分析是最常使用的方法。多元回歸能夠捕獲自變量與因變量的關系強度和顯著性，但將研究區域作為整體進行分析相當于忽略了區域內的環境風險的異質性，它可能會低估環境污染的健康風險[19]。

(三)空間統計技術

運用空間地理數據進行傳統多元回歸分析往往無法滿足獨立性和同質性的前提假設。按照地理學第一定理：任何事物都是相聯系的，相近的事物之間的聯系大于遠距離事物之間的聯系[20]。這種現象常常表現為統計上的空間相依或空間自相關，這將違反觀測值與殘差之間相互獨立的假設。另外，傳統回歸模型估計的參數只能代表整個研究區域內自變量與因變量的關系，而區域內不同地理單元(tract)的差別卻無法識別。近年來出現的地理加權回歸模型(geographic weighted regression,GWR)既能處理空間自相關的問題，也能給出研究區域內不同地理單元的參數[21]，如果能將人口普查的地理信息與之相結合，將極大地提高環境風險相關研究的理論價值和政策意義。

三、理論模型設定

PM2.5的主要來源是汽車尾氣、燃煤、工廠的排放物、建筑揚塵等，且具有在空氣中擴散的特性，因此PM2.5在區域內的分布是不均勻且動態變化的。同時，作為一種有害物質，PM2.5對人口的健康風險不僅取決于它的濃度，而且也取決于人群的暴露程度。這樣一來，影響人口空間分布的社會經濟因素就成為PM2.5的健康風險的相關因素。設想一種極端的情況，如果PM2.5濃度最高的區域正好是人口密度最大的地區，也就是人口和PM2.5的空間分布完全正向重合，那么PM2.5的健康風險也就最大，反之則最小。

就本研究而言，所采用的人口和PM2.5數據都是歷史數據，如果選取適當的暴露反應關系參數*從病理學上說，如果不考慮性別和年齡的差異，PM2.5的長期暴露劑量響應參數是固定的。，在理論模型中PM2.5的健康風險就可視為已知的變量*作為因變量。。既然PM2.5健康風險是由人口和PM2.5濃度共同決定的，那么影響人口空間分布和PM2.5水平的因素就可以認為是決定PM2.5健康風險的因變量。因此，PM2.5健康風險可以表述為：在一定的PM2.5水平和地理分布下，PM2.5作用于具有空間分布特征的人口而產生不良影響，從而導致人口的死亡率或健康水平變化。

根據美國癌癥協會和世界衛生組織的研究成果[5,22]，長期處于超過安全水平的PM2.5濃度之中，會使人口的死亡率升高，本研究以PM2.5導致的死亡率增高而產生的死亡人數增量作為潛在死亡風險，用于測量PM2.5健康風險。

基于上述理論邏輯，構建如圖1所示的理論模型，為了進行實證分析，還需要對理論模型進行一些前提假設。

前提假設一：假設PM2.5濃度在區域內是非均勻分布，且不同觀測點之間的濃度是線性變化。

前提假設二：假設PM2.5對人口的健康風險是等比例的，即當PM2.5濃度每增加一定量，則人口的死亡率也增加一個固定值，而不取決于死亡率的起始水平高低。

其實，上述兩個前提假設是為了簡化理論模型，使得現有數據能夠進行模型運算。如果數據條件足夠充分，不需要上述前提假設也是可以進行實證分析的。

圖1 PM2.5健康風險的理論框架

四、數據和方法

(一)PM2.5濃度

本研究的PM2.5濃度數值采用深圳市人居環境委員會官方網站公布的2012年監測數據，通過24小時滑動平均計算月度和年度平均值。按照《環境空氣質量監測規范(試行)》中的要求，深圳市對監測子站的點位進行布設，并經專家論證確定在全市設立20個監測站。本研究選取在網站上能夠查詢到數據的18個監測站的觀測值(見圖2)，它們分布在深圳市6個行政區和4個新區，其中寶安區4個(西鄉、福永、沙井和松崗)，南山區2個(華僑城、南油)，福田區1個(荔園)，羅湖區1個(洪湖)，鹽田區2個(鹽田和梅沙)，龍崗區2個(龍崗和橫崗)，光明新區1個(光明)，龍華新區2個(龍華和觀瀾)，坪山新區1個(坑梓)，大鵬新區2個(葵涌和南澳)。

圖2 深圳市PM2.5監測站地理分布圖

圖3顯示，深圳市2012年PM2.5平均值41μg/m3，略高于國家環保部規定的年標準值35μg/m3。PM2.5年平均濃度最高的區域是光明新區，達到52.12μg/m3，最低的區域是福田區，為30.83μg/m3。光明新區、寶安區、龍華新區是深圳市PM2.5濃度最高的前三個區域，位于深圳的西北部。導致區域PM2.5濃度偏高的原因是工業布局形成的污染源；地理位置引起氣流對沖，不利于外來污染源的擴散；寶安機場也是重要的污染源。

從月度變化看(如圖4所示)，深圳2012年的PM2.5濃度是“兩頭高中間低”，夏天是空氣質量最好的季節，7月份的PM2.5月平均值為23.89μg/m3,而10月是一年的最高點，達62.20μg/m3，原因是10月份受到幾個熱帶風暴的影響，導致PM2.5濃度高，無法擴散。

數據來源：根據深圳人居網(http://www.szhec.gov.cn/pages/szepb/kqzl/kqzlrd.jsp.9/20/2013)公布的空氣質量數據計算而得。圖3 2012年深圳市PM2.5分區年平均值(單位：μg/m3)

數據來源：根據深圳人居網(http://www.szhec.gov.cn/pages/szepb/kqzl/kqzlrd.jsp.9/20/2013)公布的空氣質量數據計算而得。圖4 2012年深圳市PM2.5月均值全年變化(單位：μg/m3)

從總體上看，深圳市PM2.5年平均值的區域內差異并不大(30.83-52.12μg/m3之間)，但這是區級水平上的差異，如果從更小的地理單元來考察這種差異可能會更大*實際上，本文是以街道為分析單元，它的PM2.5年平均值的范圍約為27-61μg/m3，由于數據太多，未在文中列出。。即使如此，PM2.5濃度的區域內異質性還是比較明顯的，既有達到國家標準的區域，也有處于臨界水平的區域，還有明顯高于國家標準的區域。而且，即便是PM2.5濃度最低的福田區也遠高于國際上認為安全的水平(10μg/m3)，研究PM2.5健康風險的區域內異質性具有一定的意義。

(二)地理信息

本研究采用街道水平的地理信息作為分析單元(analysis tract)。深圳行政區域劃分為10區、58個街道。街道網格圖取自“數字深圳空間信息網*http://www.szgeoinfo.com，2013-10-19.”，通過mapinfo9.5軟件繪制，以街道辦事處政府所在地為街道行政區域的人口密度質點(centroid)。事實上，如果采用更小地理分析單元(比如社區)可以得到更精確的結果，相關的地理信息也很容易從網絡上獲取，但小區域的人口、社會經濟指標卻很難獲得*數據的準確性和穩定性無法保證。，本研究選擇街道為地理分析單元是一種折中方案。

(三)因變量設定

本研究采用世界衛生組織《空氣質量指南》[22]推薦的方法，評估PM2.5暴露水平導致的死亡率變化(Ei)。需要指出的是，此處的死亡率變化是指PM2.5對人口死亡率的潛在風險，并不是指死亡事件已經發生，因為PM2.5對人體的危害是一個緩慢積累和釋放的過程，不可能在一年之內集中發生。

本研究引用世界衛生組織推薦的PM2.5最終目標值10μg/m3為基準值，并認為等于或低于10μg/m3對人體健康的影響可以忽略不計。世界衛生組織設定此值為最終目標值是基于現有研究[4—5,23—25]發現：PM2.5與健康風險的關系都是其濃度值在10μg/m3以上，也就是說還沒有證據表明PM2.5濃度低于10μg/m3對人體健康有負面影響。

根據世界衛生組織(WHO)推薦的長期風險評價值[22]，從第三期目標值(35μg/m3)降低到最終目標值(10μg/m3)，可以減少死亡率15%；從第三期目標值(35μg/m3)降低到第二期目標值(25μg/m3)，可以減少死亡率6%；從第二期目標值(25μg/m3)降低到第一期目標值(15μg/m3)，可以減少死亡率6%。由此可見，世界衛生組織是以PM2.5與健康風險的線性關系為評價標準。本文借鑒WHO的評價方法，通過各街道的PM2.5年均水平數據，就可以利用公式1估算出各街道因PM2.5導致的潛在死亡人數。公式1是通過死亡率的變化來估計潛在死亡人數，與理論模型設定的死亡人數引起死亡率的變化正好相反。其實，由于本研究是橫截面分析，各街道的人口基數是固定的，死亡人數與死亡率是等價的概念。此處的beta值類似于潘小川等[13]的暴露反應關系系數，只是它的取值大小略有不同。暴露反應關系系數的大小會影響到估計的死亡人數(PM2.5健康風險)，考慮到本研究的目標是考察社會經濟因素如何影響PM2.5的健康風險，死亡人數的估計誤差在各街道間是同比例分配的，因而并不會研究結論產生重大影響。

Ei=beta×Bi×Pi×(Ci-10)

(1)

其中，i為街道。

E=長期暴露于PM2.5導致的潛在死亡人數。

beta=PM2.5每變化10μg/m3導致死亡率變化的比例(6%)。

B=死亡率*死亡率由第六次人口普查數據計算而來。。

P=PM2.5風險暴露人數。

C=PM2.5濃度。

本研究采用的18個PM2.5觀測站相對均勻地分布在全市各區，它們之間的連線基本可以覆蓋全市各街道。由于PM2.5的發生源多為流動性的，PM2.5又是隨空氣漂浮，實際監測也不可能對這些活動的發生源進行實時測量。但是，每個觀測站的PM2.5監測值都是周圍各個發生源綜合作用的結果，也就是說如果某個街道鄰近某種PM2.5的發生源(比如交通主干道)，那么它附近的觀測站的監測值也必然更高。考慮到單個觀測站可能不在地理分析單元的重心上，采取周邊多個觀測站的均值可以更好地逼近真實數值。

因此，可以采用如圖5所示的方法確定各街道的PM2.5濃度。以各街道的人口密度質點為圓心，尋找最近且連線經過該街道的兩個觀測站(a和b)，將其連線并作質點到連線的垂線(c點)，用c點的PM2.5濃度近似的代替i街道的PM2.5的濃度。如果有多條連線經過A街道，則取垂直距離最短的那條。根據前提假設一，c點濃度估算公式為：

Ci=Ca+d1/(d1+d2)×(Cb-Ca)

(2)

圖5 分析單元質點的PM2.5濃度估計值示意圖

(四)自變量設定

本研究所采用的自變量主要是根據現有相關研究成果表明對PM2.5健康風險有顯著影響的社會經濟因素，并結合中國人口、社會、經濟和環境的特點。一般公開的統計資料都不包括街道層面的指標，自變量的數據主要通過2012年社會經濟統計數據間接計算而得，個別統計資料不包括的變量則通過2010年第六次人口普查進行估算。2010年深圳市還沒有開展PM2.5監測，PM2.5數據采用2012年的監測值，在個別指標的時間匹配上存在一定的差距，但考慮到人口結構變化不會太劇烈，以2010年人口結構為重權分解2012年總

人口得到2012年的指標數據，這種匹配是滿足數據可獲得性前提下的最優選擇。

經濟因素有低保人口占戶籍人口*此處選擇戶籍人口是因為深圳流動人口所占的比例很大，且低保主要是保障戶籍人口，如果用常住人口，各街道的比例都將非常小。的比例和自有住房所占比例。自有住房所占比例不僅是財富和資產的指標，它也是社會決策參與的測量指標。但是，《深圳統計年鑒》不提供這個指標，只能通過人口普查數據中住房信息進行估算*也就是以各街道2010年自有住房的人數占總人口比例代替2012年自有住房占比。。而在中國的社會環境下，低保人口占比可以作為貧困率的替代指標[26]。一般認為，具有高貧困率和低自有住房率的區域，更容易暴露于環境風險之下[27—28]。統計年鑒只提供全市低保人數，各區、街道的低保人數則通過走訪各區民政部門獲得，然后將得到的各街道低保人數之和與全市低保人數進行比對，誤差在5%以內則接受。

人口因素有人口密度和人口老齡化水平。人口密度是環境公平性研究常用的指標，因為人口密集的區域常常有更多的污染源和污染活動。各街道人口密度指標通過2012年年未人口數除以各街道面積得到，具體數值主要從各街道政務網查詢，個別沒有及時更新數據的街道則進行電話訪問。人口老齡化水平與死亡率有直接的關系，老齡化水平高的人口，其死亡率也相對較高一些。引入人口老齡化指標一方面可以控制它本身對死亡率的影響，另一方面也可以檢驗老年人群是否在PM2.5健康風險方面處于弱勢。人口老齡化水平的指標是用第六次人口普查各街道老年人口(60歲及以上)占常住人口比例代替。

社會因素有流動人口占比和居民在業比例。流動人口是中國特殊社會制度下的產物，其社會經濟特征與非流動人口有明顯的差異[29]，并且在環境健康方面存在明顯的弱勢[30]。流動人口在深圳存在多個統計口徑[31]，為了保持可比性，本文采用第六次人口普查對常住人口的定義(在居住地六個月以上的非戶籍人口，不包括人戶分離的戶籍人口)，以第六次人口普查各區流動人口占比為替代指標。

另外，深圳是由承接港澳地區制造業發展起來的新型城市，制造業在其經濟結構中依然占有重要的地位，而制造業往往具有勞動密集型和污染物發生源的雙重特點，因此本研究還引入第二產業占比作為控制變量。街道層面的人口產業結構數據通過人口普查數據替代。

自然氣象條件也是影響PM2.5濃度的因素之一，但相對于社會經濟因素而言，它對人口分布的影響較小，而且它也不是本研究的關注重點，自變量中沒有列入自然氣象因素，而是將它歸入模型的誤差項。

(五)研究方法

PM2.5是一種隨空氣擴散的污染物，地理相關性十分明顯，宜采用地理加權回歸方法(GWR)。GWR分析一般是從傳統回歸模型開始，逐步加入地理信息，并根據“帶寬”(bandwidth)確定地理相關的空間距離，距離越近則權重越大、相關性更強。傳統回歸模型的表達式為：

y=b0+b1x1+b2x2+…+bkxk+ε

(3)

其中，y是因變量，x為自變量，b為各自變量的參數，ε為誤差項。它是將研究區域作為整體進行分析，以確定因變量與自變量的關系，因此也被稱為總體回歸模型。

與傳統回歸模型生成一個回歸方程不同，地理加權回歸模型為每個分析單元生成一個回歸模型，其表達式為：

yi=b0(ui,vi)+b1(ui,vi)xi+…
+bk(ui,vi)xk+εi

(4)

其中，(ui,vi)是分析單元地理位置，每個分析單元的權重取決于距離衰減函數，它是以分析單元i的質點為中心，其它分析單元的質點(j)離質點i的距離的函數。距離衰減函數受到模型設定的帶寬的調節，當i和j之間的距離接近于帶寬時，其權重迅速衰減到0[21]。

在運用GWR方法時，可以選擇固定帶寬或可變帶寬。固定帶寬是對所有的分析單元采用相同的帶寬函數，但這個固定值取多少卻比較困難，因為分析單元的面積和形狀都是不同的[32]。由于分析單元之間在地理形態和人口密度上存在很大的差異，本研究采用可變帶寬以適應分析單元的不均勻地理分布。可變帶寬是根據相鄰關系而不是距離來確定最近、最優的相鄰單元數，以確保每個回歸方程都有相同的樣本數[33]。可變帶寬的關鍵是通過樣本數據確定N個最近的相鄰分析單元，最遠的第N個分析單元質點(j)到i質點的距離即為帶寬(b)。本研究采用雙平方加權函數計算權重：Wi.,j=[1-(di,j/b)2]2，其中i是分析單元，j是N個最近的相鄰分析單元之一，Wi.,j是j單元的權重，di,j是i質點到j質點的距離，b為帶寬。

通過統計最優過程迭代，使得Akaike Information Criterion(AIC)值最小，就可以得到本研究的N值(31)。由于AIC能同時兼顧擬合優度和自由度，它被認為是最適合用于確定可變帶寬的N值(Fotheringham et al.,2002；Menis，2006)。

通過GWR方法，每個分析單元都得到一組估計參數和擬合優度，利用Mapinfo軟件可以把分析結果在地圖上進行可視化，以比較區域內的差異，以及GWR和傳統回歸分析的差異。本研究采用的地理加權回歸分析軟件為GWR4。

五、實證結果

本研究所用到變量的統計描述見表1，根據計算，PM2.5導致深圳2012年潛在死亡人數為1629.22人，且區域間的差異比較明顯，風險較大的區域是寶安區和龍崗區的大部分地區，而PM2.5濃度最高的光明新區卻不是健康風險最高的區域。各自變量也同樣存在區域間的明顯差異。正是由于各變量在區域內存在地理差異，需要回答是什么原因導致了PM2.5健康風險與PM2.5濃度在空間分布上的不完全重合，這也正是本研究需要解決的關鍵問題，因此采用GWR分析方法是一個合理的選擇。

表2是傳統回歸方法的分析結果，它同時考察本研究的7個自變量對PM2.5健康風險的影響在全深圳市的狀況。模型的整體顯著性檢驗(F=42.01，p<0.01)顯示因變量和自變量有顯著的線性關系，被解釋離差的比例為37.48%，擬合優度適中。參數估計顯示，人口密度、人口老齡化水平、流動人口比例、居民在業比例以及第二產業占比都與PM2.5的健康風險有顯著性正向關系，自有住房占比為顯著性負向關系。另外，低保人口占比不顯著。傳統回歸模型的結果表明，PM2.5的健康風險受到人口、社會和經濟方面因素的影響，老年人、流動人口、無自有住房者在PM2.5的健康風險方面處于弱勢地位。

表1 變量的統計描述

表2 傳統回歸模型分析結果

續表2

注：*<0.1,***<0.05,***p<0.01

但是，傳統回歸模型的結果只能反映整個深圳市區域內，PM2.5健康風險與社會經濟因素的關系，無法區分不同分析單元之間(也就是各街道之間)的差異，而且也無法處理變量自相關可能導致的“偽相關”結果。

因此，本研究采用與傳統回歸模型相同的變量進行地理加權回歸分析，它除了可以對每個分析單元進行參數估計外，還能生成一系列擬合優度指標，用以與傳統回歸分析的結果進行比較。國內外研究都發現[21,29]，地理位置相鄰往往會導致變量自相關，可能會使得傳統回歸結果產生偏差。

從擬合優度看，GWR的F值比傳統回歸模型有普遍的改善，R2也從傳統回歸模型解的36%上升到45%(中位值)。有研究表明[21]，AIC是比較傳統回歸模型和GWR模型的推薦指標，其值越小說明模型擬合越好。表3顯示，GWR模型的AIC比傳統回歸模型的AIC減小15.41%，說明GWR模型可以較好地改善分析結果。

表3 地理加權回歸結果以及與傳統回歸結果的比較

圖6 地理加權回歸確定系數(R2)的空間分布模式

圖6是模型確定系數(R2)的空間分布情況，通過不同區域的顏色深淺差異，可以對模型擬合優度的空間差異進行可視化處理。與傳統回歸模型相比，在深圳大多數街道，GWR模型的R2得到提高，只有大鵬和坪山新區部分地區的R2小于傳統回歸的R2(0.37)。對于GWR模型確定系數小于傳統回歸模型的地區，可能的原因是，這些地區PM2.5健康風險的影響因素有別于其它地區，而本研究的模型中沒有包括這些變量。這也從另一個方面說明即使是在地域面積并不大的深圳，其內部的異質性也是十分明顯的。

表3的GWR模型結果還可以觀察每一個解釋變量的回歸系數的空間差異。比如，傳統回歸模型估計的流動人口占比(s_flo)的系數為15.65，而GWR模型估計結果為11.09至45.18(中位值為21.61)。估計參數的區域差異說明流動人口占比與PM2.5健康風險的關系在研究區域內是空間動態分布。

表3的最后三列是每個解釋變量的GWR回歸系數的95%顯著性水平的t值，-2.04和2.04分別代表95%顯著性水平下，因變量和自變量的負和正相關的門限值(p<0.05)。例如，流動人口占比與PM2.5健康風險的關系是正相關，但仍有28.87%的街道這種關系并不顯著；雖然自有住房占比與PM2.5健康風險的關系以負相關為主，但也有39.45%的街道為顯著性正相關，還有5.92%的街道不顯著。顯著性水平的大小和方向的空間差異進一步說明分析PM2.5類似的環境問題時，采用GWR模型的必要性和優越性。

六、解釋與討論

為了便于討論和充分表現分析結果的空間模式，將每個解釋變量的t值制作成專題地圖(圖7)，深色表示正相關，淺色表示負相關，無色表示不顯著。

從總體上看，PM2.5健康風險與人口、社會和經濟因素的關系在區域內表現出異質性，傳統回歸模型因為無法體現區域內的差異，特別是當某些指標在區域內存在不同方向的系數時，其得出的結果就很可能不能反映現實情況。

人口指標中，除2個街道外，幾乎所有街道的人口密度對PM2.5的健康風險都是正向的作用，人口密度越大，則PM2.5健康風險越大，而不僅僅取決于PM2.5的濃度水平；多數街道的人口老齡化水平與PM2.5的健康風險成正相關，但也有一些街道這種關系不顯著，另外有少部分街道成負相關。這些例外的街道大多集中在原關外*“關內”指福田、南山、羅湖和鹽田四個區，其它區為“關外”。地區，而這些地區以年輕的務工者居多，他們的年齡結構十分年輕可能是導致人口老齡化指標不顯著的原因。

圖7 PM2.5健康風險影響因素的t值空間分布模式

社會指標中，流動人口占比總體上表現為與PM2.5的健康風險成正相關，流動人口在面臨PM2.5的健康風險時處于明顯不利的地位，即便有些街道這種關系不顯著，但還沒有出現負相關的街道；低保人口占比也是以與PM2.5健康風險正相關為主，這與傳統回歸模型不同。在深圳的中西部地區這種關系并不顯著，而且在深圳東部沿海地區有2個街道還出現了負相關的關系。低保人口占比作為貧困率的替代指標，在國外也得到了類似的結論[29]，表明貧困人群更容易受到環境不利因素的影響。

經濟指標中，自有住房占比與PM2.5健康風險的關系呈正負相關并存的局面，寶安區、龍崗區，以及與它們相鄰的關內地區主要是負相關，而關內南部沿海有不少街道呈正相關關系。負相關的統計意義是，自有住房占比越高，PM2.5的健康風險越低。也就是說擁有房產的人受到的PM2.5的健康風險相對較低。其原因是，深圳關外是以城中村小產房或廠房為主，外來務工人員多是租住在這些地方，而擁有產權的住宅多是分布在環境較好的區域內。而關內的情況則有所不同，由于關內土地資源有限，經過多年發展后已經接近飽和，近年來也只能通過舊城改造獲得土地資源，這樣一來就不能保證住宅的環境質量。居民在業比例與PM2.5健康風險絕大多數是正相關關系，這與傳統回歸模型的分析結果基本相同，不同的是關系的強度在研究區域內有明顯的差異(見表3)。這也說明PM2.5的產生與工業活動有密切的關系，而居民在業比例高的街道通常具有較高的工業活動水平。

另外，作為控制變量的第二產業占比雖然與傳統回歸模型的結論相似，都是正相關，但也存在一些街道不顯著的情況。

七、小結

本研究通過建立傳統回歸模型和地理加權回歸模型，比較兩者之間的差異，探索性地分析PM2.5健康風險的空間分布特征，發現PM2.5健康風險的影響因素在深圳地區具有明顯的空間異質性，人口社會經濟因素解釋了PM2.5健康風險的45%。研究結果對于改善區域環境政策、深化PM2.5健康風險的社會后果分析具有一定的啟示。

人口、社會和經濟因素對PM2.5健康風險的影響在空間上存在明顯的異質性，這種差異不僅表現在關系強度的大小，而且還具有方向的不同。環境相關的社會問題往往具有很強的空間分布特征，特別是類似于PM2.5之類的可隨空氣漂浮的污染物質更是如此，即使是深圳這種區域面積不大、PM2.5濃度差異也不大的地區，在評估環境污染的社會不良后果時，充分考慮人口和污染物的空間分布是十分必要的。

環境問題具有明顯的外部性，流動人口、貧困人口的PM2.5健康風險增大，弱勢人群往往成為環境不良后果的承受者。面對日益嚴重的環境污染問題，不僅要加強環境治理的力度，也應該在適應環境不良后果、趨利避害方面有必要的政策考量。比如，本研究發現深圳的流動人口和低保人口在PM2.5健康風險方面存在明顯的弱勢，相關的社會政策應該給予他們提供更多的保護，在政策制訂時也應該充分考慮弱勢群體的訴求，體現環境政策制定過程中的利益相關方的話語權，這樣才能保證環境政策的公平性。

在防治PM2.5健康風險方面，政府加強PM2.5發生源的控制是應有之舉，但是要在短期內把PM2.5控制在安全水平之下是不現實的，特別是對于深圳這樣的城市，它還受到周邊地區PM2.5的影響。要使PM2.5的健康風險控制效益最大化，就應該充分考慮影響PM2.5健康風險的社會經濟因素，比如優先考慮加強人口密集區的PM2.5控制，提高揚塵、機動車排放、建筑塵等的管控力度；在城市規劃過程中，要充分考慮弱勢人群或脆弱人群的PM2.5健康風險，并加強自我保護的宣傳力度，盡量減小他們的暴露強度。

本研究將地理加權回歸方法用于PM2.5健康風險的分析，展示了其在環境相關研究方面的特點和優勢，但至少還存在兩個明顯的不足：一是本研究尚處于探索性研究階段，只是發現了人口、社會、經濟因素與PM2.5健康風險的統計關系，從方法論上講，它們之間的因果關系是不能通過統計方法來證明的，這需要我們對于不同街道之間表現出來的差異進行更深入的實地調研和理論解讀。二是本研究采用街道作為分析單元，無法觀察街道內的差異，而關內外街道地理面積有很大差異，這種差異可能帶來不可控制的影響。如果能用社區甚至小的分析單元，可能會得到更有意義的結論，但同時也對數據的要求成幾何級數的增加。第六次人口普查首次引入了人口的地理信息，如果能以普查小區作為分析單元，無疑會極大地提高分析的科學性。

參考文獻：

[1]Bell M L,Davis D L.Reassessment of the lethal London Fog of 1952:Novel indicators of acute and chronic consequences of acute exposure to air pollution[J].Environmental Health Perspectives,2001，109,389-394.

[2]Cohen,AJ 2013:The burden of disease attributable to ambient air pollution:global,regional;and Chinese estimates from GBD 2010[R].Presentation at Air Pollution and Health Impacts Workshop,organized by HEI and Tsinghua University,Beijing,March 2013.

[3]Wilson W E,Suh H H.Fine particles and coarse particles:concentration relationships relevant to epidemiologic studies[J].Journal of the Air & Waste Management Association,1997,47(12):1238-1249.

[4]Dockery D W,Pope C A,Xu X,et al.An association between air pollution and mortality in six US cities[J].New England journal of medicine,1993,329(24):1753-1759.

[5]Pope III C A,Thun M J,Namboodiri M M,et al.Particulate air pollution as a predictor of mortality in a prospective study of US adults[J].American journal of respiratory and critical care medicine,1995,151(3_pt_1):669-674.

[6]Tertre A L,Quénel P,Eilstein D,et al.Short-term effects of air pollution on mortality in nine French cities:a quantitative summary[J].Archives of Environmental Health:An International Journal,2002,57(4):311-319.

[7]Lee J T,Kim H,Hong Y C,et al.Air pollution and daily mortality in seven major cities of Korea,1991-1997[J].Environmental Research,2000,84(3):247-254.

[8]Simpson R,Williams G,Petroeschevsky A,et al.The short‐term effects of air pollution on daily mortality in four Australian cities[J].Australian and New Zealand Journal of Public Health,2005,29(3):205-212.

[9]Omori T,Fujimoto G,Yoshimura I,et al.Effects of particulate matter on daily mortality in 13 Japanese cities[J].Journal of epidemiology/Japan Epidemiological Association,2003,13(6):314-322.

[10]謝元博,陳娟,李巍.霧霾重污染期間北京居民對高濃度 PM2.5持續暴露的健康風險及其損害價值評估[J].環境科學,2014,35(1):1-8.

[11]陳仁杰,闞海東.對《 2010 年全球疾病負擔評估》 中我國 PM2.5 污染部分的一些看法[J].中華醫學雜志,2013,93(34):2689-2690.

[12]李湉湉,杜艷君,莫楊,等.我國四城市 2013 年 1 月霧霾天氣事件中 PM2.5 與人群健康風險評估[J].中華醫學雜志,2013,93(034):2699-2702.

[13]潘小川，李國星，高婷.危險的呼吸:PM2.5的健康危害和經濟損失評估研究[M].北京：中國環境科學出版社，2012.11.

[14]Boer J T,Pastor Jr M,Sadd J L,et al.Is there environmental racism? the demographics of hazardous waste in Los Angeles County:research on the environment[J].Social Science Quarterly,1997,78(4):793-810.

[15]Mennis J.Using geographic information systems to create and analyze statistical surfaces of population and risk for environmental justice analysis[J].Social science quarterly,2002,83(1):281-297.

[16]Perlin S A,Wong D,Sexton K.Residential proximity to industrial sources of air pollution:interrelationships among race,poverty,and age[J].Journal of the Air & Waste Management Association,2001,51(3):406-421.

[17]Apelberg B J,Buckley T J,White R H.Socioeconomic and racial disparities in cancer risk from air toxics in Maryland[J].Environmental Health Perspectives,2005,113(6):693.

[18]Pastor M,Morello‐Frosch R,Sadd J L.The air is always cleaner on the other side:Race,space,and ambient air toxics exposures in California[J].Journal of Urban Affairs,2005,27(2):127-148.

[19]Pope III C A,Dockery D W.Health effects of fine particulate air pollution:lines that connect[J].Journal of the Air & Waste Management Association,2006,56(6):709-742.

[20]Tobler W R.A computer movie simulating urban growth in the Detroit region[J].Economic geography,1970,46:234-240.

[21]Fotheringham A S,Brunsdon C,Charlton M.Geographically weighted regression:the analysis of spatially varying relationships[M].John Wiley & Sons,2003.

[22]World Health Organization.Air Quality Guidelines:Global Update 2005:Particulate Matter,Ozone,Nitrogen Dioxide and Sulfur Dioxide[M].World Health Organization,2006.

[23]Krewski D et al.Reanalysis of the Harvard Six Cities Study and the American Cancer Society Study of particulate air pollution and mortality.Investigators reports parts I and II.Cambridge,MA,Health Effects Institute,2000.

[24]Jerrett M et al.Spatial analysis of air pollution and mortality in Los Angeles.Epidemiology,2005,16:727-736.

[25]Pope III C A,Burnett R T,Thun M J,et al.Lung cancer,cardiopulmonary mortality,and long-term exposure to fine particulate air pollution[J].JAMA:the journal of the American Medical Association,2002,287(9):1132-1141.

[26]Pastor M,Morello‐Frosch R,Sadd J L.The air is always cleaner on the other side:Race,space,and ambient air toxics exposures in California[J].Journal of Urban Affairs,2005,27(2):127-148.

[27]Chakraborty J.Automobiles,air toxics,and adverse health risks:environmental inequities in Tampa Bay,Florida[J].Annals of the Association of American Geographers,2009(99):647-697.

[28]Morello-Frosch R,Pastor M,Sadd J.Environmental justice and Southern California’s “Riskscape” The Distribution of Air Toxics Exposures and Health Risks among Diverse Communities[J].Urban Affairs Review,2001,36(4):551-578.

[29]雷光和，傅崇輝，張玲華，等.中國人口遷移流動的變化特點和影響因素——基于第六次人口普查[J].西北人口，2013,24(9):1-8.

[30]牛建林,鄭真真,張玲華等.城市外來務工人員的工作和居住環境及其健康效應——以深圳為例[J].人口研究,2011,35(3):64-75.

[31]傅崇輝.流動人口管理模式的回顧與思考[J].中國人口科學,2008(5)：18-23.

[32]Mennis J.Mapping the results of geographically weighted regression[J].The Cartographic Journal,2006,43(2):171-179.

[33]Zhuang D.Spatial dependence and neighborhood effects in mortgage lending:a geographically weighted regression approach[R].LUSK Center for Real Estate,University of Southern California,2006.