不同類型城市的PM_2.5健康風險及影響因素差異

刁貝娣 丁鐳 成金華

摘要當前，空氣污染的現狀與公民對干凈、健康環境的訴求之間關系緊張，迫使城市在發展的過程中必須解決空氣污染和相關的健康問題。基于2008—2018年中國338個城市PM濃度和人口密度的遙感數據，采取暴露-響應函數來估算因為長期暴露在PM污染下產生的早逝及相關疾病發病率。進而利用KMeans聚類分析方法將城市分為四類，并針對不同類型城市分別建立計量模型進行健康風險影響因素的分析。結果表明：雖然PM污染及相關的健康風險都經歷了惡化、緩解到改善的過程，但全國范圍內由污染導致的各類健康問題依舊嚴峻，早逝、呼吸系統疾病和心腦血管疾病等發病人次高達到數十萬。通過K？Means聚類分析方法將全國338個城市劃分為工業型城市、資源型城市、中心型城市和其他類型城市，四類城市的健康風險隨時間變化趨勢基本一致，2018年相比2013年表現出健康風險顯著下降的狀態。從影響因素來看，健康風險主要受城市化率、人口密度、產業結構、經濟發展等因素的影響；針對不同類型的城市，工業型城市健康風險的主導因素為城市化率、人口密度和產業結構，資源型城市則為城市化率和人口密度，中心型為人口密度和產業結構，其他類型為城市化率和人口密度。最后根據不同類型城市的城市特性及主導因素差異，分別針對城市發展模式、產業結構優化、公共衛生服務和評價標準深化等方面給出以下四條政策建議：多中心城市模式與城市落戶政策雙管齊下，降低人口密度；提高行業準入標準，獎罰并行優化產業結構；發揮社區醫院功效，提高公共衛生服務質量；將健康成本納入環境及城鎮化質量評估體系。

關鍵詞 PM污染；城市化率；健康風險；城市類型；差異研究

中圖分類號F205文獻標識碼A文章編號1002-2104（2021）08-0090-11DOI：10. 12062/cpre. 20210422

基金項目：中央高校基本科研業務費專項資金資助“基于多時空尺度大氣污染跨界傳輸產生的影響及生態補償機制研究”（批準號：2021QN1056）。

近年來，隨著中國城市化建設的不斷推進，城市大氣污染特別是細顆粒物（PM）污染對居民公共健康造成了嚴重的威脅[1]。“十四五”發展階段，中國將面臨環境空氣質量持續改善與公共健康水平不斷提升的攻堅任務。《“健康中國2030”規劃綱要》提出在城市發展進程中，必須要打好污染防治攻堅戰，完善公共衛生服務體系，提升公共健康狀況。在此背景下，探究PM健康風險的控制因素特別是城市化水平及其影響程度，并分析這種影響在不同類型城市的差異化表現對美麗中國和健康中國建設具有重要指導意義。

1文獻綜述

城市發展過程對城市環境和居民健康的影響路徑是復雜的。一方面在城市快速發展的過程中，工業化、人口聚集、交通擁堵、能源消耗等原因加劇了空氣在內的環境污染[2]，高人口密度和高人口流動使得暴露于污染環境下的人口數量急劇增多[3]，最終導致城市居民健康風險和生命財產損失。另一方面，部分學者們卻認為，當城市社會經濟等發展到較高階段時，城市化對環境的影響將通過技術創新，結構轉型等途徑緩解[4]，進而降低公共健康風險。同時，相對于鄉村居民，城鎮居民可以獲得更為優質的醫療保健和公共衛生服務，這也給城市居民健康帶來積極的保障[5]。除了城市化水平以外，不少學者[6]認為其他宏觀經濟指標諸如人均收入、人口規模、產業結構以及能源強度等也是增加健康風險的主要驅動力。還有部分學者[7]認為病床供給等具體指標更能直接表達對公共健康的影響。因此，要想全面地評估城市化水平等社會經濟因素對公共健康的影響，需要建立以城市化水平為主要解釋變量的計量模型來進行分析。

考慮到我國幅員遼闊，不同地區的城市在發展過程中，其經濟水平、產業結構、人口密度等存在較大的差異，使用單一計量模型在全國層面進行分析往往會造成較大的誤差。許多專家也關注到這一問題并試圖利用細化研究區域的方式解決，例如Zhang等[6]將全國分為東中西三個部分，期望分析不同地區的城市發展對健康風險影響的差異。Liu等[8]以居民收入水平為標準，將城市劃分為四個大類來分析處于不同經濟水平的城市其發展對公共健康的影響。相對上述基于單一標準的粗略劃分，本研究選擇多指標城市分類方式，重點關注城市發展對健康風險影響差異較大的城市類型。首先是資源型城市或礦業城市，這類城市嚴重依賴單一資源且在發展過程中當地居民要忍受環境破壞帶來的生態惡化、公共健康風險[9]。以安徽省淮南市為例，相對于城市的其他地區，工礦場地周邊的住宅會接觸到更多的多環芳烴和細顆粒污染，尤其是在冬季會造成較大的健康隱患[10]。還有工業型城市，工業城市雖然依賴工業化的提升經濟不斷發展，但同時也因為部分企業的高污染高能耗造成嚴重的環境污染和公共健康問題[11]。以加拿大的漢密爾頓為研究對象，結果表明在以工業為主導產業的城市在其社會經濟特征較低的地區，空氣污染暴露比例和死亡率均高于周邊地區[12]。考慮到快速城市化進程中對健康影響最大的除了大氣污染還有人口的集聚，故而將大都市型城市作為城市分類的其中一個類別是必要的。以西安為例，通過對比發現西安是我國西北地區最大的城市，同時嚴重的大氣污染和密集的城市人口使得其PM相關死亡人數遠高于周邊城市[13]。

基于此，選擇2008—2018年我國338個城市PM濃度和人口密度的遙感數據，結合綜合暴露-響應函數來估算因為暴露在PM污染環境下導致的早逝及相關疾病發病率，并分析健康風險隨時間的變化及在空間上的分布差異。同時，利用K？Means聚類分析方法將城市細化分類，并對不同類型城市分別建立以城市化水平為主要影響因子的計量模型進行擬合分析，以期為大氣環境治理和城市公共健康改善的政策制定提供依據。相對已有研究，文章基于多指標多類型城市分類方式，不僅在一定程度上降低模型擬合誤差，使得健康風險影響因素和影響程度的研究更具有可信性，而且在政策啟示中給出的建議更具有針對性，保證分區管控的合理性和可實施性。

2數據來源及研究方法

2. 1數據來源

2013年我國發布了《大氣污染防治行動計劃》，為了評估對比這一政策的實效性，分析政策實施前后的空氣質量和健康風險差異，選擇前后五年即2008—2018年的數據進行長時間樣本的比較分析。文章的數據主要涉及四個方面的內容：PM污染數據，人口密度數據，城市化率數據，人均GDP等相關經濟數據。

為了減少使用地面監測點可能帶來的誤差和數據損失，并提高計算結果的準確度，這里采用空間覆蓋范圍更廣更全面的衛星遙感數據[14]。PM污染數據采用了達爾豪斯大學的大氣成分分析團隊（Atmospheric Composition Analysis Group）提供的全球年度衛星衍生PM產品。采用實時衛星遙感數據來計算各城市的人口規模，能更準確估計當前暴露于PM污染中的實際人口總量[15]。具體的數據為得克薩斯農工大學的地理信息科學與技術研究團隊（Geographic Information Science and Technology）提供的Land Scan數據。對于城市化發展水平，現有研究主要有以下三種表達方式：常駐城市人口比例即人口城市化率[16]，多指標計算的綜合評價指標[17]以及夜間燈光數據[18]。考慮到地級市水平數據的可獲取性（綜合評價指標地級市數據缺失較多）及數據的連貫性（夜間燈光數據缺乏連貫性），選擇了人口城市化率來表示城市發展水平。

城市類型劃分所需指標以及模型構建分析中所需的人均GDP、城市化率、產業結構及醫院床位數等社會經濟相關數據均來自2009—2019年的《中國城市統計年鑒》及各省的統計年鑒，具體的變量見表1。

2. 2研究方法

2. 2. 1K？Means聚類分析方法

K？Means聚類分析方法也稱快速聚類方法，是一種將聚類單元抽象為m維空間上的點，以聚類單元之間的距離權衡單元之間的相似程度的方法[19]。具體的步驟為：①確定聚類類型（K）。②確定K個初始類中心點。③基于距離最短原則進行聚類。④再次確定K類中心點。⑤判斷是否已經滿足終止聚類分析的條件，如若滿足則停止聚類[20]。

前文關于城市類型的描述，將城市劃分為資源型城市、工業型城市以及大都市型城市。其中，工業型城市的分類指標為工業增加值占總經濟增加值的百分比，資源型城市的判斷依據是采礦業從業人員占總從業人員的比例，而大都市型城市特征較為復雜缺乏確切的分類依據。相對于大都市型城市，國家發改委發布的《2020年新型城鎮化建設和城鄉融合發展重點任務》提出的中心型城市（直轄市、省會城市、計劃單列市、重要節點等城市）較為貼合大都市型城市的概念且分類依據明確，中心型城市的指標為市轄區人口數量及城市年生產總值。此外，部分城市是不能確定主導產業或城市職能不穩定的，這里將其統一歸類為其他類型城市。將338個城市的分類指標分別導入SPSS中，選定聚類類型為2，重復利用K？Means聚類方法，依次劃分出資源型城市、工業型城市、中心型城市，最后剩余的城市統歸于其他類型城市。

2. 2. 2暴露響應函數

HI代表由PM濃度變化帶來的健康終端的變化；EP為暴露人群；BIR為參考基準濃度下PM導致的死亡率或發病率；所以[（RR？1）/RR]為人口暴露在參考污染濃度下的發病率或死亡率，c為實際PM濃度，c0為參考基本PM濃度；α、β、δ在IER中，為暴露-響應關系中確定了公式的整體意義，γ在LL中為暴露-響應系數。

暴露-響應函數分析來自流行病學揭露長期暴露于污染的空氣中對人體健康影響的一系列研究。國外的相關研究更多針對歐美發達國家低PM濃度背景[24]，其研究得到的暴露-響應系數并不適用于我國當前的實際情況。參考近年來針對我國的流行病學研究成果，Maji等[22]、黃德生等[25]、王桂芝等[26]的研究，選取的具體相關系數見表2。

2. 2. 3STIRPAT模型構建

其中：i表示地區，t表示時間，μit為誤差項；HR表示因PM污染而導致的死亡人數和發病人數總和即PM污染導致的健康風險總和；UR是城市化率（用常住人口的城鎮人口占比來表示）；SGDP代表人均GDP；POP表示人口密度；IP代表產業結構（以第二產業產值占GDP的百分比表示）；HB代表醫療水平（用各城市醫院床位數來表示）。

3結果與討論

3. 1城市類型劃分結果及空間分布特征

通過K？Means聚類分析方法，根據城市主導行業、經濟水平、人口總量等評判標準將全國338個地級及以上城市劃分為工業型城市、資源型城市、中心型城市及其他類型城市。分類結果見表3。

由表3可以看出，其他類型城市數量最多（151個），工業型城市數量次之（107個），再次是中心型城市（48個），資源型城市最少（32個）。其中，工業型城市分布較為分散，幾乎所有的省份都有一定數額的工業城市，這與產業的區位分布規劃密切相關。資源型城市主要分布在河北、山西、山東、河南等有著豐富資源優勢的地區。受“資源詛咒”的影響，資源型城市發展會帶來諸如生態環境加速惡化、經濟動力持續衰退等問題[9]。對于中心型城市，除了各省省會外，主要分布在山東、江蘇、浙江、福建、廣東等東南沿海發達地區。相對工業型城市，中心城市不僅經濟發展迅速，經濟發展模式、產業結構等更為合理有序，較好地突破了以環境為代價的發展模式，做到了提高綠色發展效率，提升資源利用效率，減輕污染排放[28]。但是，中心型城市由于居住人口更為密集，一旦出現突發性或持續性環境惡化問題則會導致更為嚴峻的居民健康受損。由此，對不同類型城市的發展模式、產業結構、發展水平等分析，有助于后續探究不同類型城市對大氣環境及公共健康帶來的不同影響。

3. 2PM污染及相關健康風險影響評估

3. 2. 1PM的濃度變化情況

2008—2018年間我國總體上經歷了從霧霾污染大爆發到藍天保衛戰嚴格實施的轉變。為全面了解近十年來我國PM濃度的變化過程以及污染防治政策實施后污染的改善情況，選擇以2008—2018年全國338個城市的PM濃度繪制箱狀曲線圖（圖1）。

由圖1可以看出，PM濃度在2008—2018年的十年間，整體呈現出先增加然后趨于穩定再逐年降低的趨勢。詳細來看，2008—2011年，由于經濟的發展和工業化的推進，全國PM濃度整體呈現逐漸上升的趨勢，特別是高值區的城市，濃度上升幅度較大。2012年和2013年保持了高濃度污染的狀態并出現了高異常值，與2013年初我國中東部地區爆發大規模霧霾事件相對應，隨后城市大氣污染問題成為社會各界高度關注的公眾議題[29]。2013年之后，政府實施了更嚴格的減排政策《大氣污染防治行動計劃》，提出了改善空氣質量的目標（特別是降低大氣中的PM濃度）。政策實施后全國范圍內的PM濃度開始出現逐年下降的趨勢，特別是上四分之一位的高值區濃度值，從60～110μg/ m3下降到40～70μg/ m3，整體大氣環境質量得到了較為有效的改善。

3. 2. 2健康風險隨時間變化特征

減排政策實施一定程度上降低了PM等污染物的質量濃度，但由于濃度響應函數在高濃度范圍內，死亡率及發病率對PM的超線性響應，以及人口的集聚、流動等原因使得減排帶來的健康效益相對有限[1]，也即在大氣環境不斷改善的大背景下，公共健康風險及相關的經濟損失問題依舊嚴峻。因此進一步估算健康風險及評估污染改善過程中帶來的健康效益十分必要。以2018年為時間截面，計算出338個城市由PM污染而導致的包括早逝、住院及患病等健康終端的變化，結果顯示，慢性支氣管炎和哮喘患者最多分別為87. 471萬人和86. 466萬人，其次為過早死亡、呼吸系統疾病和心血管疾病分別為59. 289萬人、53. 035萬人和31. 336萬人，急性支氣管炎患病人次最少為9. 055萬人。為了了解由PM污染導致健康風險隨時間變化的過程，這里計算出2008—2018年間城市的健康終端變化總人次（所有健康終端變化人次之和），繪制箱型散點圖（圖2）。

由圖2發現健康風險隨時間的變化與PM濃度變化具有一定的相似性，可以分為三個階段：2008—2012年，由于污染狀況的不斷加劇，健康風險是逐年上升的；經過2013年大規模爆發的霧霾污染后，政府出臺了《大氣污染防治行動計劃》，實施嚴格的污染防控措施，空氣質量停止惡化；最終在2015—2018年的四年間保持逐年下降的趨勢。細分來看，由散點圖可以看出，較多的城市分布在低值區，健康風險越高則相同區間范圍內包含的城市數量越少，散點呈現出尖塔狀的分布特征。由箱型圖可以看出，上邊緣與上四分位間包含的高值區位距最大，表明高值區的城市間健康風險差異較大，而下邊緣與下四分位間的位距最小，說明低值區的城市間健康風險較為相近。高值區城市數量雖少，健康風險波動較大，體現了高值區的健康風險對環境治理政策的敏感性。相反的，低值區包含的城市數量最多，但變化較小，對政策等的反應相對遲緩。對比來看，高值區城市的健康風險變化更易受到空氣質量、人口密度等變化的影響，對環境政策的變化更為敏感，且健康風險排前列的城市占據了大比例的死亡率和發病率，是最需要關注及采取必要措施的地區。

3. 2. 3不同類型城市的總健康風險對比

為分析不同類型城市間健康風險的差異狀況，選擇以2008年（起始年）、2013年（轉折年）以及2018年（結尾年）為時間截面繪制箱型散點圖（圖3）。

從不同類型城市的健康風險來看，中心型城市最大，其次是工業型城市和資源型城市，其他類型城市最小。工業型、資源型與其他類型城市的城市間差異較大，較多城市的健康風險處于低值區，健康風險越高，相同區間內包含的城市越少。中心型城市分布相對均勻，較多城市分布在上下兩個四分位之間，低值區和高值區包含的城市數量相對較少。從變化趨勢來看，相對于2008年，2013年總體呈上升趨勢，其中工業型和中心型兩類城市的健康風險都有明顯地上升，資源型城市出現小幅度的上升，其他類型城市變化不明顯；對比2013年和2018年，四類城市表現出一致的下降趨勢，且各類型城市高值區城市的健康風險下降最為明顯。表明經過近年來的環境監控與治理政策的實施，污染改善過程中帶來健康效益在各類城市中均有所體現。

3. 3PM相關健康風險的影響因素分析

3. 3. 1計量面板模型回歸檢驗

考慮到面板數據的連貫性要求，在進行影響因素回歸檢驗時對部分數據缺失的城市進行剔除，最后篩選出288個數據完整的城市進行分析。模型擬合前，為保證擬合結果的有效性和準確性需要對數據進行一系列的檢驗，包括平穩性檢驗、協整檢驗以及霍斯曼檢驗[30]。

平穩性檢驗結果表明，Levin？Lin？Chu檢驗顯示除健康風險外所有的變量都在水平上平穩，且在1%水平上顯著，健康風險在一階差分后顯示平穩。Im？Pesaran？Shin和Fisher？type檢驗結果顯示有些變量存在單位根，選擇將所有變量進行一階差分，再一次進行單位檢驗，此時所有變量都平穩了，且在1%水平上顯著。為進一步檢驗PM相關健康風險與各解釋變量之間是否存在穩定的長期關系，使用Kao test、Pedroni test、Westerlund test三種檢驗方式對所有變量進行協整檢驗。其中，Kao test和Pedroni test檢驗結果顯示，每一個解釋變量與健康終端變化之間在1%的顯著水平上都存在協整關系。Westerlund test檢驗結果表明僅人口密度在10%的顯著水平上與健康終端變化之間存在協整關系，其他變量均在1%的顯著水平上存在協整關系。霍斯曼檢驗選擇固定效應模型和非固定效應模型進行對比，根據結果（P=0. 000），三個模型均應選擇固定效應模型。

3. 3. 2計量面板模型估計結果

相對于特殊形式的普通最小二乘法（ordinary regres？ sion model，OLS），廣義最小二乘法（generalized regression model，GLS）的主要思想是為解釋變量加上一個權重，從而使得加上權重后的回歸方程方差是相同的[31]，進而達到消除異方差的效果。GLS方法修正了線性模型隨機項的異方差和序列相關問題，因此我們可以得到估計量的無偏和一致估計，這里選擇GLS模型進行擬合估算，估計結果見表4。

從模型的擬合結果可以看出，除了醫療水平外，其余變量均通過了顯著性檢驗。首先，城市化率的擬合系數結合二次項及三次項公式可知，在具有現實意義的取值范圍內，HU2和HU3模型均存在一個優化拐點（HU3模型的惡化拐點無實際意義），即在拐點出現前，健康風險是隨著城市化率的上升而增加的，城市化率的提高是城市空氣質量降低、健康風險增大的主要原因。在拐點之后，由于城市化對環境的影響將通過技術創新、結構轉型等途徑來緩解，且城市醫療水平的發展為城市居民提供更好的公共衛生服務，使得健康風險隨城市化率的提升而降低。其他變量的擬合系數表明，產業結構和人口密度的提升也都會增加健康風險，且影響系數較大。其中人口密度的影響最為顯著，因為不僅高污染會帶來健康風險，高暴露同樣會帶來較高的死亡率和發病率。人均GDP的提升會小幅度降低居民的健康風險，表明城市居民具有更多的收入后，相對地可以得到更全面的防護和更優質的公共衛生服務，這一負向作用緩解了部分因為城市發展帶來的健康問題。

為了進一步分析不同類型城市中健康風險影響因素的差異，選擇工業型城市，資源型城市，中心型城市以及其他類型城市的HU1、HU2、HU3三種模型分別進行擬合，且通過霍斯曼檢驗（P=0. 000）可知四類城市均應該選擇固定效應模型，擬合結果見表5。

從擬合系數來看，相同的解釋變量對不同類型城市的健康風險影響存在差異。首先是人口密度，四個類型的城市表現一定的一致性，均為明顯的正向影響。因為城市人口的增長和遷入意味著，即使空氣質量沒有明顯變化，人口暴露在空氣污染中的數量也會增加[8]，證實了對于所有城市來說，高暴露都會帶來更多的健康終端變化。產業結構對四個類型城市的健康風險也都是正向影響，但影響程度出現了差異，工業型和中心型城市受到的影響較大，資源型和其他類型城市稍小。人均GDP的提升對不同類型城市產生了不同的影響，對資源型城市的影響為正向的，但對其他三類城市的影響為負向的。也就是說，除了資源型城市外，其他三類城市中人均GDP的提升會因為增加防護可能與提升公共衛生服務質量，進而降低健康風險。對于資源型城市來說，人均GDP提升帶來的優勢無法有效緩解城市與經濟發展給環境和健康帶來的影響。醫療水平僅在中心型城市通過檢驗，中心型城市的醫療水平改善可以有效降低城市居民的健康風險，說明由于經濟的發達和較高的人口密度，中心型城市醫療水平的提升可以惠及更多城市居民，同時也提供更優質的公共衛生服務，這些都在一定程度上降低了當地居民的健康風險。

對比表4和表5可以看出城市化率的影響和城市間的差異更為復雜，城市化率對不同類型城市健康風險以及相同城市不同模型間均存在差異，為了更清晰明了的對比這些差異，選擇將健康風險與城市化率的擬合曲線以示意圖的形式表現，見圖4。

從擬合曲線和曲線拐點來看，各類城市HU2模型的擬合曲線形態基本相同，且均存在優化拐點。對比來看，其他類型城市的優化拐點出現最早，對應城市化率為21%，其次是資源型城市對應23%，工業型城市的城市化率稍大為30%，中心型城市最大為40%。相對于HU2模型只存在一個拐點，HU3模型存在兩個拐點，分別為優化拐點和惡化拐點，其中優化拐點均比HU2模型中延遲出現。對于惡化拐點，中心城市不存在此拐點，工業城市在城市化率為78%，資源城市為90%以及其他類型城市為95%時出現惡化拐點。對比上述擬合曲線拐點，其他類型城市中優化拐點最早出現而惡化拐點最晚出現，工業與資源型城市優化拐點出現較晚，同時惡化拐點又出現較早，中心型城市由于暴露人口的密度最大，優化拐點出現的最晚。從擬合系數大小來看，資源型城市的城市化率提升對健康風險的影響最為顯著，其次為工業城市和其他類型城市，中心型城市的城市化率提升對健康風險的影響相對較小。

3. 4政策啟示

最后根據不同類型城市的城市發展特征及其主要影響因素差異，對于改善空氣質量和緩解城市居民健康風險給出針對性的政策建議。

（1）多中心城市模式與城市落戶政策雙管齊下，降低市轄區人口密度。對于工業型、資源型和其他類型城市，城市化率和人口密度共同作為居民健康風險的主要影響因素，在城市化率達到一個中等水平后，城市化率對的健康風險產生負向影響，而人口密度的影響卻始終是正向的。兩者共同作用時就要求城市在提高城市化率的過程中控制人口密度，即要求城市化水平不斷提升時擴充城市容量。對于這個問題，歐美國家的多中心式城市建設體系是一個較好的解決方式，讓城市如同細胞分裂一般沿交通線不斷分裂復制[32]。中心型城市僅有人口密度作為主導因素，降低人口密度成為首要選擇，因此提高戶籍落戶要求，控制周邊城市人口的涌入可以緩解中心型城市的公共健康壓力。

（2）提高行業準入標準，獎罰并行優化產業結構。工業型城市雖然經濟發展較為迅速，但同時也帶來了較多的環境與健康問題，對于此類城市，優化產業結構勢在必行。這就要求各城市在產業引入時，提高新建企業行業準入門檻，利用倒逼機制，遏制新建項目對排污指標的需求[33]。同時對已布局在城市內的各類行業核查其減排政策落實情況，以獎勵機制調動企業治污的積極性，并考慮以經濟懲罰、行政約談等手段進行違規排放責任處理。中心型城市的經濟發展模式、產業結構等更為合理有序，但同時密集的人口也意味著一旦出現環境惡化則會導致更為嚴峻的公共健康問題。對于此類城市，優化產業結構指的是不斷剔除耗能大、污染排放多的產業，完成相關產業的轉移或升級，增加各行業的協同集聚效應，提高綠色發展效率。

（3）發揮社區醫院功效，提高公共衛生服務質量。對于資源型城市和其他類型城市，由于城市產業過于單一或缺乏支柱型產業，在城市發展過程中會出現經濟動力持續衰退或經濟發展較為緩慢，這兩類城市的居民不但不能享受經濟發展帶來的資源與便利，還要忍受環境破壞或污染轉移帶來的生態惡化、公共健康風險等。對于這兩類城市，建立標準化、規范化的社區醫院，使當地居民特別是生活在農村和貧困地區的人更容易獲得醫療衛生服務是公共健康管理的首要選擇。對于中心型城市，醫療水平需要不斷提高，同時，發揮社區衛生站等便民機構的公共健康宣傳與服務功效，增加社區居民的公共衛生服務質量和自我防護意識。

（4）將健康成本納入環境及城鎮化質量評價體系。現有的環境空氣質量評價體系更多關注大氣污染物種類及濃度[34]，而新型城市化建設要求重視居民健康和城市化質量。因此，在當前城市化高質量發展過程中，應將健康成本納入城市環境質量評價體系以及城鎮化質量評價體系。從控制城市環境質量轉化到改善健康的人居環境，建立健康影響評估制度，把健康作為城市人居環境建設的首要目標，系統評估各項經濟社會發展規劃和政策、重大工程項目對健康的影響。

4結論

目前，在快速工業化、城鎮化進程中，空氣污染嚴重危害了居民的生命與健康，中國正處于空氣質量控制與公共健康管理的關鍵階段。對中國這樣地理范圍廣闊的國家，從細化區域著手開展城市水平及環境影響的分類分析具有重要的意義。在此背景下，探究PM健康風險的控制因素特別是城市化水平的影響程度，以及這種影響在不同類型城市的差異化表現等對現階段的美麗中國、健康中國建設至關重要。研究結果表明：

（1）近十年來，PM污染及相關健康風險經歷了惡化、緩解、改善三個階段。2008—2012年間，PM污染及健康風險都在逐漸惡化，在2013年爆發大規模霧霾污染后，政府發布了《大氣污染防治行動計劃》，通過總量控制、污染治理等措施，使得惡化的趨勢得到緩解，并從2015年開始逐年改善。

（2）通過K？Means聚類分析方法將全國338個城市劃分為工業型城市、資源型城市、中心型城市和其他類型城市。對比來看中心型城市的健康風險最大，工業型城市與資源型城市次之，其他類型城市最小。四類城市的健康風險隨時間變化趨勢基本一致，2018年相比2013年表現出健康風險下降的趨勢，表明PM環境的改善同時也帶來了健康效益。

（3）通過構建以城市化率為主導因素的三種計量模型，對健康風險的影響因素進行分析得出，健康風險主要受城市化率、人口密度、產業結構、經濟發展等因素的影響。從不同城市類型來看，工業城市健康風險的主要影響因素為城市化率、人口密度和產業結構，資源型城市的主導因素則為城市化率和人口密度，中心型為人口密度和產業結構，最后其他類型為城市化率和人口密度。根據不同類型城市的城市發展特征及主要影響因素的差異，給出針對城市發展模式、產業結構優化、公共衛生服務和評價標準深化等方面的政策建議。

參考文獻

[1]薛濤，劉俊，張強，等.2013—2017年中國PM污染的快速改善及其健康效益[J].中國科學：地球科學，2020，50（4）：441-452.

[2]杜雯翠，馮科.城市化會惡化空氣質量嗎：來自新興經濟體國家的經驗證據[J].經濟社會體制比較，2013（5）：91-99.

[3]LU X C，LIN C Q，LI W K，et al.Analysis of the adverse health ef？ fects of PM from 2001 to 2017 in China and the role of urbaniza？ tion in aggravating the health burden[J].The science of the total environment，2019，652：683-695.

[4]SADORSKY P.The effect of urbanization on CO2emissions in emerging economies[J].Energy economics，2014，41：147-153.

[5]MOORE M，GOULD P，KEARY B S.Global urbanization and im？ pact on health[J].International journal of hygiene and environ？ mental health，2003，206（4/5）：269-278.

[6]ZHANG Z Y，SHAO C F，GUAN Y，et al.Socioeconomic factors and regional differences of PM health risks in China[J].Journal of environmental management，2019，251：109564.

[7]LIU M M，LIU X Y，HUANG Y N，et al.Epidemic transition of en？ vironmental health risk during China’s urbanization[J].Science bulletin，2017，62（2）：92-98.

[8]LIU M M，HUANG Y N，JIN Z，et al.The nexus between urbaniza？ tion and PMrelated mortality in China[J].Environmental pollu？ tion，2017，227：15-23.

[9]余建輝，李佳洺，張文忠.中國資源型城市識別與綜合類型劃分[J].地理學報，2018，73（4）：677-687.

[10]ZHENG L G，OU J P，LIU M，et al.Seasonal and spatial varia？ tions of PM10？bounded PAHs in a coal mining city，China：distribu？ tions，sources，and health risks[J].Ecotoxicology and environ？ mental safety，2019，169：470-478.

[11]劉艷萍，王明仕，桂晨露，等.中國工業基地城市群PM時空分布特征及相關性分析[J].科學技術與工程，2018，18（15）：184-189.

[12]JERRETT M，BURNETT R T，BROOK J，et al. Do socioeconom？ ic characteristics modify the short term association between air pol？ lution and mortality：evidence from a zonal time series in Hamil？ ton，Canada[J]. Journal of epidemiology & community health，2004，58（1）：31-40.

[13]HUANG W，CAO J J，TAO Y B，et al.Seasonal variation of chem？ ical species associated with short？term mortality effects of PM in Xi’an，a central city in China[J].American journal of epidemiol？ ogy，2012，175（6）：556-566.

[14]ZHENG Y X，ZHANG Q，LIU Y，et al.Estimating ground？level PMconcentrations over three megalopolises in China using satel？ lite？derived aerosol optical depth measurements[J].Atmospheric environment，2016，124：232-242.

[15]DOBSON J E，BRIGHT E A，COLEMAN P R，et al. LandScan：a global population database for estimating populations at risk[J]. Photogrammetric engineering and remote sensing，2000，66（7）：849-857.

[16]楊維，姚程，蘇夢穎.城鎮化水平影響創新產出的地區差異性和空間依賴性：基于非空間面板與空間面板模型的實證分析[J].中國軟科學，2019（7）：91-101.

[17]丁鐳，劉超，黃亞林，等.湖北省城市環境空氣質量時空演化格局及影響因素[J].經濟地理，2016，36（3）：170-178.

[18]ZHAO M，CHENG W M，ZHOU C H，et al. Assessing spatiotem？ poral characteristics of urbanization dynamics in southeast Asia us？ ing time series of DMSP/OLS nighttime light data[J]. Remote sens？ ing，2018，10（1）：47.

[19]LIU G，YANG J，HAO Y，et al. Big data？informed energy efficien？ cy assessment of China industry sectors based on K？means cluster？ ing[J]. Journal of cleaner production，2018，183：304-314.

[20]WEGNER T，HUSSEIN T，H？MERI K，et al. Properties of aero？ sol signature size distributions in the urban environment as derived by cluster analysis[J]. Atmospheric environment，2012，61：350-360.

[21]APTE J S，BRAUER M，COHEN A J，et al.Ambient PMreduces global and regional life expectancy[J].Environmental science & technology letters，2018，5（9）：546-551.

[22]MAJI K J，YE W F，ARORA M，et al. PM？related health and economic loss assessment for 338 Chinese cities[J]. Environment international，2018，121：392-403.

[23]DIAO B D，DING L，ZHANG Q，et al. Impact of urbanization on PM？related health and economic loss in China 338 cities[J]. In？ ternational journal of environmental research and public health，2020，17（3）：990.

[24]DOCKERY D W，POPE C A，XU X，et al. An association be？ tween air pollution and mortality in six US cities[J]. New England journal of medicine，1993，329（24）：1753-1759.

[25]黃德生，張世秋.京津冀地區控制PM污染的健康效益評估[J].中國環境科學，2013，33（1）：166-174.

[26]王桂芝，武靈艷，陳紀波，等.北京市PM污染健康經濟效應的CGE分析[J].中國環境科學，2017，37（7）：2779-2785.

[27]袁華錫，劉耀彬，封亦代.金融集聚如何影響綠色發展效率：基于時空雙固定的SPDM與PTR模型的實證分析[J].中國管理科學，2019，27（11）：61-75.

[28]華堅，朱文靜，黃媛媛.制造業與生產性服務業協同集聚對綠色發展效率的影響：以長三角城市群27個中心城市為例[J].資源與產業，2021，23（2）：61-72.

[29]向堃，宋德勇.中國省域PM污染的空間實證研究[J].中國人口·資源與環境，2015，25（9）：153-159.

[30]DIAO B D，DING L，SU P D，et al.The spatial？temporal charac？ teristics and influential factors of NOxemissions in China：a spatial econometric analysis[J].International journal of environmental research and public health，2018，15（7）：E1405.

[31]BAILLIE R T，KIM K H. Choices between OLS with robust infer？ ence and feasible GLS in time series regressions[J]. Economics letters，2018，171：218-221.

[32]張景奇，婁成武.中美城市蔓延特征差異對比及對中國蔓延治理的啟示[J].資源科學，2014，36（10）：2131-2139.

[33]刁貝娣，丁鐳，蘇攀達，等.中國省域PM濃度行業驅動因素的時空異質性研究[J].中國人口·資源與環境，2018，28（9）：52-62.

[34]伏晴艷，李健軍，田旭東，等.我國重大活動環境空氣質量監測預報評估技術體系的發展與思考[J].中國環境監測，2020，36（2）：1-9.

Differences of PMhealth risks and influencing factors in different types of cities

DIAO Beidi1，DING Lei2，CHENG Jinhua3

（1. School of Economics and Management， China University of Mining and Technology， Xuzhou Jiangsu 221000， China； 2. Industrial Economic Research Center Around Hangzhou Bay， Ningbo Polytechnic， Ningbo Zhejiang 315800， China； 3. School of Economics and Management， China University of Geosciences， Wuhan Hubei 430074， China）

AbstractCurrently， the relationship between the deteriorating air quality and citizens？demands for a clean and healthy environment is becoming increasingly tense， which forces cities to solve air pollution and related health problems in the process of urban develop？ ment. Based on the remote sensing data of PMconcentration and population density in China from 2008 to 2018， an exposure？re？ sponse function was used to estimate the mortality and morbidity caused by long？term exposure to PMpollution. Furthermore， the K？ Means cluster analysis method was selected for city classification， and econometric models were established for different types of cities to analyze health risk factors. The results showed that： Although PMpollution and related health risks experienced a process of deteri？ oration， mitigation， and then improvement， all kinds of health problems caused by pollution were still severe， with hundreds of people suffering from premature deaths and related diseases. From the analysis of influencing factors， health risks were mainly affected by fac？ tors such as urbanization rate， population density， industrial structure， and economic development. In terms of different types of cities， the leading factors of health risks in industrial cities were urbanization rate， population density and industrial structure； those of re？ source？based cities were urbanization rate and population density； those of central cities were population density and industrial struc？ ture； and those of other types of cities were urbanization rate and population density. Finally， based on the differences in urban charac？ teristics and leading factors of health risks， this study gives policy recommendations for urban development modeling， industrial struc？ ture optimization， public health service improvement， and evaluation standard reforms.

Key wordsPMpollution； urbanization rate； health risk； city type； difference study

（責任編輯：王愛萍）