2000年—2017年中國PM2.5污染的健康影響及經濟損失時空分布模式

周夢杰，胡文慶，楊思遠，朱 翔*，趙琛琛，白紫月

(1.湖南師范大學資源與環境科學學院，長沙 410006；2.地理空間大數據挖掘與應用湖南省重點實驗室，長沙 410006)

隨著工業化和城市化的發展，空氣污染日趨嚴重，而PM2.5作為大氣顆粒物的首要組成成分，近年來廣泛受到公眾的關注.國內外已有的流行病學研究表明，大氣中PM2.5及其成分可引起人體炎癥、心率變異、凝血障礙等急性效應[1-3]，與循環、呼吸系統等疾病發病率、死亡率的增加成正相關.美國ASC研究顯示PM2.5濃度升高10 μg·m-3，會使全死因死亡、心肺疾病死亡、肺癌死亡風險分別增加4%、6%、8%[4]；Raaschou-Nielsen等[5]一項涉及9個歐洲國家、31萬人，平均隨訪12.8年的研究顯示，PM2.5每增加5 μg·m-3，肺癌發病風險增加18%；Bowe等[6]發現PM2.5濃度高于2.4 μg·m-3時，糖尿病風險隨PM2.5濃度增加顯著上升，PM2.5達到10 μg·m-3后，糖尿病風險隨PM2.5濃度增加平穩上升；李娜等[7]發現PM2.5、PM10、NO2三種污染物濃度每上升1 μg·m-3，研究人群中高血壓患病風險會分別增加2.9%、1.5%、6.9%.PM2.5引起人體健康水平下降，對人群健康及社會經濟造成的損失不容忽視.Cohen等[8]研究發現2015年全球范圍內PM2.5的暴露導致約420萬例死亡，占全球總死亡人數的7.6%；李慧娟等[9]估算2015年我國62個環保重點檢測城市PM2.5污染約造成12.51萬人早逝及1 009.59萬人次患病、門診和住院，約占這些城市市區總人口的3.53%；黃德生等[10]估計2009年京津冀地區PM2.5濃度若達到2012年的《空氣質量標準》，將產生1 729億元的健康效益，相當于2009年GDP的4.68%.測算大氣PM2.5對健康的影響并進行貨幣化分析，可以為制定大氣污染防控政策和相關措施的效益—成本分析提供數據依據，因而具有重要意義.

目前已有的大氣污染健康經濟效應研究中，對包括PM2.5在內的細顆粒物濃度數據的選取多采用監測站數據.如謝鵬等[11]基于珠三角地區16個站點觀測的大氣污染濃度，評價了2006年珠三角地區大氣污染的人群健康影響；謝元博等[12]利用北京市23個大氣環境監測站點的PM2.5濃度數據，評估了高濃度PM2.5污染的健康影響.由于我國監測站點分布不均衡，大部分位于東部和中部地區，城市測站也比農村更密集，因此以少量站點數據估計總體PM2.5濃度分布存在不合理性.此外，現有的研究尺度多為行政區劃單元.如李慧娟等[9]對62個環保重點監測城市開展了PM2.5污染的人群健康影響和經濟損失研究；陳仁杰等[13]對我國113個主要城市進行了大氣顆粒物污染的健康經濟損失評價.僅以城市為研究尺度，忽略了人口經濟空間分布的異質性和復雜性.此外，現有研究多是對單一年份的靜態估算，如曾賢剛[14]等估算了2017年我國PM2.5污染的健康效應和經濟損失；王桂芝等[15]基于CGE模型估算了2013年北京市PM2.5污染的健康影響.僅對單一或少量年份的健康影響和經濟損失進行評估，會使結果缺乏動態變化分析.近年來，遙感衛星的蓬勃發展為PM2.5大范圍、長時間的連續觀測提供了可能，大氣PM2.5遙感定量反演技術顧及了衛星觀測氣溶膠光學厚度(AOD)與PM2.5關系的時空異質性[16].本研究在5 km×5 km空間格網尺度下，采用遙感反演PM2.5暴露濃度數據，通過相關健康效應模型和經濟損失模型，對2000年—2017年全國PM2.5污染的人群健康影響及經濟損失進行了估算，獲得了PM2.5污染的健康影響及經濟損失的時空動態分析結果.

1 數據處理與分析方法

1.1 PM2.5暴露濃度和暴露人口估計

在以往的研究中，PM2.5暴露濃度數據的選擇多采用地面監測站數據，然而監測站建設成本高、實施難度較大、數量較少，難以實現大范圍連續監測，遙感衛星能提供大范圍觀測數據.鑒于此本文采用大氣PM2.5遙感反演濃度數據[17-18].該遙感反演數據集是基于大氣化學傳輸模型(GEOS-Chem)和地理加權回歸模型(GWR)，估算的中國地區2000年—2017年0.01°×0.01°年平均PM2.5濃度分布.以2015年為例，PM2.5濃度空間分布如圖1.本文在ArcMap中對數據進行轉換后，得到5 km×5 km空間尺度的PM2.5濃度分布，作為計算所需要的基準濃度面.

在PM2.5污染引起的健康影響的估算中，需要擬定作為參考的濃度，即控制濃度，認為污染物濃度超過控制濃度時，引起人群的健康效應.一般來說，控制濃度可以選擇零值、流行病學研究觀察到的最低作用濃度值或最高無作用濃度值、政府機構制定的衛生標準等[19].本文選用我國環境空氣質量標準(GB 3095-2012)中規定的PM2.5二級濃度限值35 μg·m-3作為控制濃度.

圖1 2015年全國PM2.5濃度空間分布Fig.1 Spatial distribution of national PM2.5 concentration in 2015

本研究所采用的暴露人口數據來源于中國科學院資源環境科學數據中心[20]，該數據是在全國分縣人口統計數據的基礎上，綜合考慮了與人口密切相關的土地利用類型、夜間燈光亮度、居民點密度等多因素，利用多因子權重分配法，將以行政區為基本統計單元的人口數據展布到空間格網上，從而實現人口的空間化.該數據分辨率為1 km.該數據集從1995年起始，每五年統計一次，其他年份數據則由已有的人口數據和人口增長率換算得到.此外，該數據集不包含香港、澳門、臺灣地區.以2015年為例，人口分布如圖2.為了獲得與污染物相同空間尺度的暴露人口分布，本文將人口公里格網分布轉換為了人口5 km×5 km格網分布.

圖2 2015年全國人口1 km×1 km空間分布Fig.2 Spatial distribution of national population in 2015

1.2 健康效應終點及其基線發生率

基于國際疾病分類標準，考慮到各疾病發病率和死亡率資料的有限性，本文選用的健康終點分為死亡、住院兩類.其中，死亡健康終點包含心腦血管疾病死亡、呼吸系統疾病死亡和肺癌死亡；住院健康終點包含心腦血管疾病住院、呼吸系統疾病住院.2000年基線發生率源于《2001年衛生與計劃生育統計摘要》，2003至2017年基線發生率源于當年《衛生與計劃生育統計年鑒》，且由于未發表《2002年衛生與計劃生育統計摘要》，故2001年的基線發生率以2002年的統計數據代替.此外，由于統計標準更改，2000年相關健康終點的疾病別少于2003及之后的年份.以2015年為例，基線發生率數據如表1.

1.3 選擇暴露—反應系數

大氣暴露—反應系數用于定量描述大氣污染物濃度變化和人體健康效應的關系，是大氣污染健康影響研究的關鍵之一.選取流行病學暴露—反應關系研究文獻應有2方面的考慮：一是隨時間推移我國大氣污染物濃度水平和成分會發生變化；二是國內外人群中暴露—反應關系存在差異.鑒于此本文盡量選取研究年份接近本文研究年份，且由國內研究報道的暴露—反應關系分析結果.最終選取的各健康終點的暴露—反應系數平均值及其95%置信區間如表1所示[10，21-22].此外，本文取用暴露—反應系數的平均值參與健康影響模型的計算.

表1 2015年各健康終點的基線發生率和暴露—反應關系系數Tab.1 Reference incidence rates and dose-response relationship coefficients of different health outcomes

1.4 人群健康影響估算

基于暴露—反應關系和泊松回歸的比例模型，可以使用以下公式計算各個健康終點歸因于PM2.5污染的人群健康影響[23]：

ΔYi=Yi(1-e-βiΔX)×POP,

(1)

其中，ΔYi為健康終點i的人群歸因健康影響(例數)；Yi為健康終點i的基線發生率；βi為健康終點i的污染物濃度變化和健康效應的關系系數(即暴露—反應系數)；ΔX為PM2.5基準濃度與控制濃度之差；POP為暴露人口數.計算出暴露人群各個健康終點的健康影響后，各健康終點的健康影響相加即為PM2.5污染的人群總健康影響.

1.5 經濟損失估算

健康終點的人群健康影響乘以該健康終點的單位經濟損失，即該健康終點的經濟損失，各健康終點的經濟損失相加即PM2.5污染的總經濟損失.對于早逝的單位經濟損失估計，本文通過統計生命價值法(value of statistical life，VSL)計算.VSL是支付意愿法(WTP)的一種，VSL并非估計一個具體的人的價值，而是衡量人群為規避一定的死亡風險的而愿意付出的價值[24].由于VSL是人們對風險和財富之間的權衡，因此會受到個體收入水平的影響，在不同省份和同一省份的不同年份，VSL值有所不同.本文以謝旭軒[25]對2010年北京市統計生命價值的研究成果168萬元為基礎，結合省份之間的人均可支配收入比值，通過下式折算得到其他年份各省的統計生命價值：

(2)

式中，VSLit為省份i在t年的單位統計生命價值；Iit為省份i在t年的人均可支配收入；e為收入彈性系數，本文取1.

對于住院的單位經濟損失估計采用疾病成本法(cost of illness，COI).單位疾病成本等于單位醫療費用加上誤工損失，其基本的計算公式如下：

Ci=(CPi+GDPi·TLi)·Ii，

(3)

式中，Ci為PM2.5污染造成的健康終點i的單位疾病成本；CPi為健康終點i的單位病例的醫療費用；GDPi為地區人均生產日均值；TLi為因健康終點i導致的誤工時間(d)；Ii為PM2.5污染造成的健康終點i的健康效應變化量.

本文參考北京市2013年相關疾病住院的單位疾病成本[26]，通過其他年份各省份人均可支配收入與2013年北京市人均可支配收入的比值系數，得到其他年份各省份的健康終點的單位經濟損失.

表2 北京市各健康終點單位經濟價值Tab.2 Unit economic cost of different health outcomes in Beijing

1.6 EMD距離

EMD(Earth Mover’s distance)距離是度量圖像之間的相似性的一種方法.一般來說，一張圖像可以轉換成一個直方圖分布，在EMD方法中，直方圖中的每一根柱稱為特征量，柱高稱為特征的權重.EMD就是計算將一個直方圖分布轉換為另一個直方圖分布所需要的最小代價.本文利用EMD距離比較不同年份的健康影響和經濟損失空間分布的相似度.EMD的計算可用如下公式表示：

(4)

式中，P和Q個直方圖分布，包括特征量pi、qi特征權重wpi、wqi；dij是一個矩陣，每一項表示pi、qi差值的絕對值；fij也是一個矩陣，每一項表示從pi到qi的移動量.以最小工作量為目的，求出每個兩特征量之間的最小移動量fij，再進行歸一化，就可以得到兩個分布之間的EMD距離.在圖像對比分析中，EMD值越小，表明兩個直方圖分布差異越小，圖像越相似.本研究中，EMD值越接近零，表示不同年份的健康影響和經濟損失空間分布模式越近似.

2 結果及分析

通過健康效應模型及經濟損失模型，可以計算出各格網內不同健康終點的健康影響和經濟損失，對不同健康終點的健康影響及經濟損失分別求和，得到該格網的總健康影響和經濟損失，再經統計得到2000年—2017年各年份的全國健康影響和經濟損失，如圖3所示.將全國健康影響和經濟損失劃分為9個區間，計算各區間內格網數量占比，如圖4所示.各年份的全國健康影響空間分布圖，如圖5所示；各年份的全國經濟損失空間分布圖，如圖6所示.此外，本文利用EMD距離定量分析不同年份之間健康影響和經濟損失的空間分布差異，計算得到2001年—2017各年與2000年的健康影響和經濟損失的空間分布相似度，以及2001年—2017各年與前一年之間的健康影響和經濟損失的空間分布相似度，結果如圖7.

2.1 人群健康影響歷年變化

由圖3分析可知，2000年—2017年，PM2.5污染的健康影響整體可分為兩個階段：2000年—2013年呈波動上升趨勢；2013年—2017年基本為逐年下降趨勢(2017年上升).健康影響人數最小為2000年的9.07萬例，最大為2013年的71.35萬例，2000年—2017年的平均值為38.51萬例.如圖4所示，在2000年—2017年間，健康影響人數為0例的格網達50%以上，側面反映出我國一半以上地區年均PM2.5濃度未超過二級標準的限值35 μg·m-3；此外，絕大部分格網的健康影響人數位于0～30例/25 km2的區間內，大于30例的格網占比極少.結合統計數據來看：1) 健康影響人數為0例的格網占比從2000年的73.01%降至2017年的54.18%，平均每年占比62.39%.2) 健康影響人數大于5例的格網占比從2000年的1.15%增至2017年的9.15%；健康影響人數大于30例的格網占比從2000年的0.05%增至2017年的0.95%；3) 健康影響人數在局部年份現了超高值，2010至2017年均出現了超過300例的格網，2013和2015年出現了超過900例的格網.

圖3 2000年—2017年全國PM2.5污染的人群健康影響和經濟損失變化趨勢Fig.3 PM2.5-related health impact and economic loss in China from 2000 to 2017

圖4 2000年—2017年全國分區間PM2.5污染的健康影響和經濟損失變化趨勢Fig.4 PM2.5-related health impact and economic loss by range in China from 2000 to 2017

得到每一年的健康影響空間分布(圖5)后，對不同年份的分布差異進行定量衡量.圖7為兩種EMD距離的變化趨勢，其中，從基于2000年的EMD值來看，2001年—2007年的健康影響空間分布變化大致可分為兩階段：1) 2001年—2009年與2000年的健康影響的分布差異基本逐年增大(2002年稍下降)；2) 2010年—2017年與2000年的健康影響分布差異呈波動變化趨勢.期間，2010年—2012年和2015年—2016年兩段時間與2000年的健康影響分布差異逐漸減小；2013年—2014年和2017年兩段時間與2000年的健康影響分布差異逐漸增大.從與前一年的EMD值來看，大部分年份健康影響分布的變化較為平緩，在短時間內健康影響分布變化大的年份有2001年、2013年、2016年和2017年.結合圖5可知，2001年、2013年和2017年相較于前一年的健康影響均大幅增大；2016年的健康影響相較于2015年則大幅減小.

通過圖5進一步分析局部的健康影響分布的變化：1) 2000年—2009年多地區健康影響呈增長趨勢.2009年東北地區南部、山東、山西、安徽、湖南、江西、江蘇、浙江、上海、重慶、貴州、兩廣地區的健康影響的分布范圍較2000年明顯擴大；2009年京津冀南部、河南省東部、山東省西部地區的健康影響對比2000年有較大增幅，高密度區域也逐漸擴大.2) 2011和2012年多地區的健康影響相較于2009年逐漸下降：東北地區南部、湖北省西南部、廣東省中部地區的健康影響范圍明顯縮小；京津冀南部、河南省、山東省的健康影響的高密度區域減小.3) 與2012年相比，2013年北方地區的健康影響增長顯著：東北地區南部、山西、陜西、寧夏、甘肅、內蒙古西南部地區的健康影響范圍擴大；京津冀南部、山東省西部、河南省東北部地區的健康影響的高密度區域明顯擴大.南方地區則有長三角地區的高密度區域擴大.但2013年貴州省東部和廣西省北部地區的健康影響范圍較2012年縮小.

圖5 2000年—2017年全國PM2.5污染的健康影響空間分布(5 km×5 km)Fig.5 Spatial distribution of national health impact of PM2.5 pollution in from 2000 to 2017(5 km×5 km)

圖6 2000年—2017年全國PM2.5污染的經濟損失空間分布(5 km×5 km)Fig.6 Spatial distribution of national economic loss of PM2.5 pollution in from 2000 to 2017(5 km×5 km)

Fig.7 2000年—2017年全國PM2.5污染的健康影響分布和經濟損失分布EMD變化趨勢Fig.7 The EMD values of national PM2.5-related and economic loss from 2000 to 2017

此外，2013年人群健康影響是2000年—2017年的首位，占18年來健康影響總數的10.29%.4)2014年—2016年健康影響總數逐漸下降，2015年和2016年較2000年的健康影響分布差異連續縮小.2016年陜甘寧三省、湖南和湖北省西部、兩廣地區的健康影響范圍相比于2013年明顯縮小，華北平原和長三角地區健康影響的高密度區域縮少.2013年也是“大氣十條”政策的推行之年，可認為該政策對我國大氣污染的防治起到了一定程度積極效用.5) 值得注意的是，2017年多地區健康影響范圍有所擴大：西北地區、東北地區南部和兩廣地區的健康影響范圍擴大較明顯；長三角和安徽省西北部地區的高密度區域也有所擴大；但京津冀地區的高密度區域有所縮小.PM2.5污染問題仍然值得關注.

2.2 經濟損失歷年變化

由圖3可知，2000年—2017年，全國PM2.5污染的經濟損失總值呈現出波動上升趨勢.經濟損失最小值為2000年的61.93億元，占當年GDP總值的0.06%；最大值為2017年的1 961.1億元，占當年GDP總值的0.24%.若按經濟損失占當年GDP的比重排序，則最小值為2000年的0.06%，最大值為2014年的0.26%.由2000年—2017年經濟損失的各區間格網占比(圖4)可看出：由于經濟損失模型和健康效應模型相關聯，每年經濟損失為0的格網也超過了50%；18年間絕大多數格網的經濟損失分布在0～500萬元/25 km2的區間內；大于500萬元的格網占比極少.結合具體統計數據可知：1) 經濟損失為0的格網占比與健康損失為0的格網占比相同；2) 經濟損失高于10萬元的格網占比從2000年的4.14%增至2017年的21.5%；經濟損失高于100萬元的格網占比從2000年0.1%增至2017年的9.89%；3) 經濟損失也在局部地區出現了超高值，2013至2017年均出現了經濟損失超過4億元的格網.

經可視化后，5 km分辨率的經濟損失空間分布如圖6所示，通過兩種EMD距離定量分析不同年份的經濟損失分布差異如圖7所示.從基于2000年的EMD可以看到：首先，仍然可以2009年為界，將2001年—2017年與2000年的經濟損失分布差異劃分為兩個變化階段.然后，我們也注意到個別年份相較于2000年的經濟損失分布差異與健康影響分布差異不一致的情況，如2003年和2013年差異更大，2008年差異較小.這是因為不同地區間的經濟水平差距拉大了這些地區的經濟損失的差距，造成同一年份不同地區的經濟損失差異與健康影響的差異的不同.從各年份與前一年的經濟損失分布EMD值可以看出，與前一年分布差異大的年份仍然包括2001年、2012年、2016年和2017年.此外，2003年與2002年、2004年與2003年的分布差異也比較大.較于2002年，2003年華北平原和長三角地區的經濟損失有較大增幅；較于2003年，2004年長江以南多地區經濟損失范圍擴大.造成以上年份與前一年經濟損失差異與健康損失差異有所不同的原因是，隨時間推移，經濟水平的增長使同一地區在不同年份的經濟損失差距增大，以至于經濟損失差異大于健康影響差異.

2000年—2017年，經濟損失局部的空間分布的變化可從圖6可知：一方面，由于經濟損失模型和健康效應模型之間存在關聯，經濟損失的空間分布一定程度上與健康影響的空間分布是一致的，因此歷年各地區經濟損失范圍的階段性變化可以參考健康影響范圍的變化.另一方面，隨時間推移，各地區經濟水平的增長使單位經濟損失逐漸增大，造成各地區經濟損失高值區域向低值區域的擴張.據統計，18年內，經濟損失大于50萬元/25 km2的區域基本呈逐年增大趨勢(2004年、2012年、2016年有所下降)，這些高值區域主要位于華北平原、長三角、湖南和湖北省東部、四川盆地地區.

2.3 健康影響及經濟損失的空間分布格局

由圖5、圖6可看出，中國PM2.5污染的健康影響和經濟損失空間分布具有相似性，兩者空間分布的區域性顯著，總體上表現為由東南及西北地區向西南、東北地區遞減的格局.

健康影響的低密度區主要位于福建、云南、海南、四川省西部、青海、西藏自治區、天山以北地區、內蒙古自治區東部及黑龍江省北部；健康影響的高密度區則表現出明顯集聚特征，三大平原及其周圍地區、四川盆地、塔里木盆地和兩廣地區是主要集聚區域.經濟損失的低值區域與健康影響的低密度區域基本一致，經濟損失的高值區域則更集中分布在京津冀南部、華東、華中、四川盆地及珠三角地區，這也與我國經濟空間格局相適應.基于健康影響和經濟損失分布的空間集聚性，按地理區劃統計各區域的健康影響及經濟損失，由圖8可知：1) 2000年—2017年，華北、華中、華東地區的健康損失始終位居前三，三區域健康損失平均每年占比74.21%.隨時間推移，各區域的人群健康影響差異不斷擴大，18年內華東地區增幅最大，其次為華中地區.2) 對于經濟損失，2000年—2017年仍然是華中、華北、華東地區位居前三，三區域經濟損失和平均每年占比80.78%.18年內華東地區增幅最大，其次為華北地區.

Fig.8 2000年—2017年各區域健康影響和經濟損失變化趨勢Fig.8 PM2.5-related health impact and economic loss in different regions from 2000 to 2017

3 討論

在本研究中，健康影響及經濟損失估算結果與暴露人口數、PM2.5暴露濃度、健康終點的發生率和暴露—反應關系系數的選取均有關系，因此也存在如下不確定性.1) 本文所采用的PM2.5濃度數據是基于室外環境，但現實中人們不會長時間暴露于室外的PM2.5污染下，因此，對于PM2.5室內污染的健康經濟效應的評估也有必要.此外，選取不同的控制濃度會導致估算結果的不同.2) 在健康終點的選取中，出于數據獲取難度，本文未予包括門診、急性和慢性支氣管炎、哮喘等健康終點，同樣未考慮PM2.5污染引起認知功能下降、產生不良生殖等.3) 暴露—反應系數的選擇是評估健康影響的關鍵要素之一，但出于資料限制，本文使用部分區域暴露—反應系數的研究結果來代替全國，可能使估算結果產生一定偏差，但參數本身的不確定性對各年份的影響是一致的，因此對各年份PM2.5污染損失結果的相對大小無影響.4) 對于社會而言，老年人的過早死亡給社會帶來的預期損失小于青年人或小孩.穆泉等[27]對中國13年內PM2.5重污染損失的研究顯示，未考慮過早死亡的年齡結構對健康損失的影響，有可能高估PM2.5污染所致的健康損失額2倍以上，因此年齡結構對健康損失評估的影響應納入考慮.