PM2.5健康风险的空间人口分布研究——以深圳为例，本文主要内容关键词为：为例论文,深圳论文,人口论文,风险论文,健康论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
随着中国城市化进程的加速发展，能源消耗和大气污染物排放总量不断增加，空气质量持续恶化，尤其是。PM2.5导致的大气污染，不仅使得大气中出现灰霾现象，对人体健康的影响也不容忽视。1952年冬伦敦烟雾事件导致上千人的过早死亡，使得人类意识到空气污染对人体健康的严重危害[1]。2012—2013年冬季，京津冀地区出现了大范围的严重雾霾天气，由于PM2.5对人体健康的潜在危害，世界卫生组织估计[2]，中国20%的肺癌与PM2.5污染有关，PM2.5浓度超标从一个单纯的环境问题成为公众关注的焦点事件。 欧美发达国家都先后制定了相对严格的PM2.5标准，中国新的《空气质量新标准》（GB3095—2012）也首次增设了PM2.5浓度限值。从2012年开始，我国将在京津冀、长三角、珠三角等区域以及直辖市和省会城市开展PM2.5监测，到2016年，PM2.5监测将推广至全国。2013年9月，中国政府出台了史上最严的空气治理条例：《大气污染防治行动计划》，目标是至2017年，京津冀、长三角、珠三角等区域细颗粒物浓度分别下降25%、20%、15%左右。 从政策制定的角度考虑，仅仅考察环境风险对人类个体的病理影响是不够的，因为不同的人群面对环境风险的暴露度是不同的，环境风险对人口的健康影响也可能因人口的社会经济特征和空间分布的变化而呈现多样化的特点。我国制定PM2.5浓度限值先于全面的PM2.5监测，利用现有的PM2.5监测数据，研究PM2.5的健康风险及其在不同人群中的空间分布特点，为未来相关环境政策的完善和治理提供实证研究数据和政策参考，避免因盲目的观望等待而造成不必要损失。 虽然不同社会经济地位的人面对空气污染都是相同的受害者，但他们暴露于其中的机会却是不相同的。为此，本文将利用PM2.5监测数据和人口社会经济统计数据，从街道层面探索性分析PM2.5健康风险的空间人口分布特征，以期发现是什么社会、经济和人口机制使得PM2.5的健康风险在人群中不均匀分配，从而为相关研究和政策制定提供理论依据。 二、文献回顾 PM（particulate matter）是颗粒物的英文代称，PM2.5是指大气中直径小于或等于2.5微米的颗粒物，也称为可入肺颗粒物或细颗粒物。一般用每立方米空气中颗粒物的含量表示浓度，浓度越高就代表空气污染越严重。 （一）PM2.5的健康风险 粒径在2.5微米以下的细颗粒物被吸入人体后会通过支气管肺泡进入血液，其中的有害气体、重金属等溶解在血液中，引发包括哮喘、支气管炎和心血管病等方面的疾病[3]。 除了从病理学研究大气颗粒物的健康风险外，从整个社会的人口空间分布来分析大气颗粒物的健康风险对于政策的意义更加明显。Dockery et al.[4]在《美国六城市空气污染和死亡率关系》一文中，揭示了长期暴露于PM2.5对城市人口非正常死亡率的影响：PM2.5浓度每增加10
，死亡率的相对风险增加12%；美国癌症协会（ACS）对美国6城市50个地理控制社区的研究也发现，PM2.5浓度每增加10
，死亡率的相对风险增加6.3%[5]，该研究也成为美国PM2.5立法的科学依据。在关于法国、澳洲、韩国和日本的相关研究中也发现了类似的结论[6-9]，但由于大气颗粒物的不利后果取决于浓度和暴露时间长度，在同样浓度情况下，长期暴露在PM2.5下的死亡率风险具有比短期面临更大的积累风险。近年来，国内PM2.5健康风险的研究也很多[10-12]，潘小川等[13]选取了北京、上海、广州、西安四个典型城市，对PM2.5对中国城市居民造成的公众健康危害和经济损失进行了估算。 国内PM2.5健康风险研究主要集中在对城市死亡人数的影响方面，而对受PM2.5影响而死亡的人的社会经济特征还比较少涉及。由于社会经济因素会影响区域内人口的空间分布，而PM2.5在空间分布上也存在不均匀性，即使暴露反应关系系数不变的情况下，人口和PM2.5的空间耦合程度也会直接影响整个人口的健康风险的大小。 （二）环境健康风险的影响因素评估 许多研究利用地理信息系统（GIS）评估环境风险，通常将目标人群与环境风险源的接近程度作为健康不利影响的替代指标[14-16]。此类研究方法假设环境风险源的距离等同于风险暴露程度，它忽略了环境风险源的强度、污染物扩散和人口的暴露程度。近期的研究[17-18]强调环境公平性研究应该采用更综合的方法，同时考虑研究区域的地理信息和污染物在空气中的扩散，从而更精确地估计出环境风险的累积健康影响。 决定人口暴露于环境风险的社会经济因素通常作为健康风险的影响因素，相关或回归分析是最常使用的方法。多元回归能够捕获自变量与因变量的关系强度和显著性，但将研究区域作为整体进行分析相当于忽略了区域内的环境风险的异质性，它可能会低估环境污染的健康风险[19]。 （三）空间统计技术 运用空间地理数据进行传统多元回归分析往往无法满足独立性和同质性的前提假设。按照地理学第一定理：任何事物都是相联系的，相近的事物之间的联系大于远距离事物之间的联系[20]。这种现象常常表现为统计上的空间相依或空间自相关，这将违反观测值与残差之间相互独立的假设。另外，传统回归模型估计的参数只能代表整个研究区域内自变量与因变量的关系，而区域内不同地理单元（tract）的差别却无法识别。近年来出现的地理加权回归模型（geographic weighted regression，GWR）既能处理空间自相关的问题，也能给出研究区域内不同地理单元的参数[21]，如果能将人口普查的地理信息与之相结合，将极大地提高环境风险相关研究的理论价值和政策意义。 三、理论模型设定 PM2.5的主要来源是汽车尾气、燃煤、工厂的排放物、建筑扬尘等，且具有在空气中扩散的特性，因此PM2.5在区域内的分布是不均匀且动态变化的。同时，作为一种有害物质，PM2.5对人口的健康风险不仅取决于它的浓度，而且也取决于人群的暴露程度。这样一来，影响人口空间分布的社会经济因素就成为PM2.5的健康风险的相关因素。设想一种极端的情况，如果PM2.5浓度最高的区域正好是人口密度最大的地区，也就是人口和PM2.5的空间分布完全正向重合，那么PM2.5的健康风险也就最大，反之则最小。 就本研究而言，所采用的人口和PM2.5数据都是历史数据，如果选取适当的暴露反应关系参数①，在理论模型中PM2.5的健康风险就可视为已知的变量②。既然PM2.5健康风险是由人口和PM2.5浓度共同决定的，那么影响人口空间分布和PM2.5水平的因素就可以认为是决定PM2.5健康风险的自变量。因此，PM2.5健康风险可以表述为：在一定的PM2.5水平和地理分布下，PM2.5作用于具有空间分布特征的人口而产生不良影响，从而导致人口的死亡率或健康水平变化。 根据美国癌症协会和世界卫生组织的研究成果[5，22]，长期处于超过安全水平的PM2.5浓度之中，会使人口的死亡率升高，本研究以PM2.5导致的死亡率增高而产生的死亡人数增量作为潜在死亡风险，用于测量PM2.5健康风险。 基于上述理论逻辑，构建如图1所示的理论模型，为了进行实证分析，还需要对理论模型做出一些前提假设。 前提假设一：假设PM2.5浓度在区域内是非均匀分布，且不同观测点之间的浓度是线性变化。
前提假设二：假设PM2.5对人口的健康风险是等比例的，即当PM2.5浓度每增加一定量，则人口的死亡率也增加一个固定值，而不取决于死亡率的起始水平高低。 其实，上述两个前提假设是为了简化理论模型，使得现有数据能够进行模型运算。如果数据条件足够充分，不需要上述前提假设也是可以进行实证分析的。 四、数据和方法 （一）PM2.5浓度 本研究的PM2.5浓度数值采用深圳市人居环境委员会官方网站公布的2012年监测数据，通过24小时滑动平均计算月度和年度平均值。按照《环境空气质量监测规范（试行）》中的要求，深圳市对监测子站的点位进行布设，并经专家论证确定在全市设立20个监测站。本研究选取在网站上能够查询到数据的18个监测站的观测值（见下页图2），它们分布在深圳市6个行政区和4个新区，其中宝安区4个（西乡、福永、沙井和松岗），南山区2个（华侨城、南油），福田区1个（荔园），罗湖区1个（洪湖），盐田区2个（盐田和梅沙），龙岗区2个（龙岗和横岗），光明新区1个（光明），龙华新区2个（龙华和观澜），坪山新区1个（坑梓），大鹏新区2个（葵涌和南澳）。 下页图3显示，深圳市2012年PM2.5平均值41
，略高于国家环保部规定的年际准值35
。PM2.5年平均浓度最高的区域是光明新区，达到52.12
，最低的区域是福田区，为30.83
。光明新区、宝安区、龙华新区是深圳市PM2.5浓度最高的前三个区域，位于深圳的西北部。导致区域PM2.5浓度偏高的原因是工业布局形成的污染源；地理位置引起气流对冲，不利于外来污染源的扩散；宝安机场也是重要的污染源。
从月度变化看（如图4所示），深圳2012年的PM2.5浓度是“两头高中间低”，夏天是空气质量最好的季节，7月份的PM2.5月平均值为23.89
，而10月是一年的最高点，达62.20
，原因是10月份受到几个热带风暴的影响，导致PM2.5浓度高，无法扩散。
从总体上看，深圳市PM2.5年平均值的区域内差异并不大（30.83～52.12
之间），但这是区级水平上的差异，如果从更小的地理单元来考察这种差异可能会更大③。即使如此，PM2.5浓度的区域内异质性还是比较明显的，既有达到国家标准的区域，也有处于临界水平的区域，还有明显高于国家标准的区域。而且，即便是PM2.5浓度最低的福田区也远高于国际上认为安全的水平（10
），研究PM2.5健康风险的区域内异质性具有一定的意义。 （二）地理信息 本研究采用街道水平的地理信息作为分析单元（analysis tract）。深圳行政区域划分为10区、58个街道。街道网格图取自“数字深圳空间信息网④”，通过mapinfo9.5软件绘制，以街道办事处政府所在地为街道行政区域的人口密度质点（centroid）。事实上，如果采用更小地理分析单元（比如社区）可以得到更精确的结果，相关的地理信息也很容易从网络上获取，但小区域的人口、社会经济指标却很难获得⑤，本研究选择街道为地理分析单元是一种折中方案。 （三）因变量设定 本研究采用世界卫生组织《空气质量指南》[22]推荐的方法，评估PM2.5暴露水平导致的死亡率变化（
）。需要指出的是，此处的死亡率变化是指PM2.5对人口死亡率的潜在风险，并不是指死亡事件已经发生，因为PM2.5对人体的危害是一个缓慢积累和释放的过程，不可能在一年之内集中发生。 本研究引用世界卫生组织推荐的PM2.5最终目标值10
为基准值，并认为等于或低于10
对人体健康的影响可以忽略不计。世界卫生组织设定此值为最终目标值是基于现有研究[4-5，23-25]发现：PM2.5与健康风险的关系都是其浓度值在10
以上，也就是说还没有证据表明PM2.5浓度低于10
对人体健康有负面影响。 根据世界卫生组织（WHO）推荐的长期风险评价值[22]，从第三期目标值（35
）降低到最终目标值（10
），可以减少死亡率15%；从第三期目标值（35
）降低到第二期目标值（25
），可以减少死亡率6%；从第二期目标值（25
）降低到第一期目标值（15
），可以减少死亡率6%。由此可见，世界卫生组织是以PM2.5与健康风险的线性关系为评价标准。本文借鉴WHO的评价方法，通过各街道的PM2.5年均水平数据，就可以利用公式1估算出各街道因PM2.5导致的潜在死亡人数。公式1是通过死亡率的变化来估计潜在死亡人数，与理论模型设定的死亡人数引起死亡率的变化正好相反。其实，由于本研究是横截面分析，各街道的人口基数是固定的，死亡人数与死亡率是等价的概念。此处的beta值类似于潘小川等[13]的暴露反应关系系数，只是它的取值大小略有不同。暴露反应关系系数的大小会影响到估计的死亡人数（PM2.5健康风险），考虑到本研究的目标是考察社会经济因素如何影响PM2.5的健康风险，死亡人数的估计误差在各街道间是同比例分配的，因而并不会研究结论产生重大影响。
其中，i为街道。 E=长期暴露于PM2.5导致的潜在死亡人数。 beta=PM2.5每变化10
导致死亡率变化的比例（6%）。 B=死亡率⑥ P=PM2.5风险暴露人数。 C=PM2.5浓度。 本研究采用的18个PM2.5观测站相对均匀地分布在全市各区，它们之间的连线基本可以覆盖全市各街道。由于PM2.5的发生源多为流动性的，PM2.5又是随空气漂浮，实际监测也不可能对这些活动的发生源进行实时测量。但是，每个观测站的PM2.5监测值都是周围各个发生源综合作用的结果，也就是说如果某个街道邻近某种PM2.5的发生源（比如交通主干道），那么它附近的观测站的监测值也必然更高。考虑到单个观测站可能不在地理分析单元的重心上，采取周边多个观测站的均值可以更好地逼近真实数值。
因此，可以采用如图5所示的方法确定各街道的PM2.5浓度。以各街道的人口密度质点为圆心，寻找最近且连线经过该街道的两个观测站（a和b），将其连线并作质点到连线的垂线（c点），用c点的PM2.5浓度近似的代替i街道的PM2.5的浓度。如果有多条连线经过A街道，则取垂直距离最短的那条。根据前提假设一，c点浓度估算公式为：
（四）自变量设定 本研究所采用的自变量主要是根据现有相关研究成果表明对PM2.5健康风险有显著影响的社会经济因素，并结合中国人口、社会、经济和环境的特点。一般公开的统计资料都不包括街道层面的指标，自变量的数据主要通过2012年社会经济统计数据间接计算而得，个别统计资料不包括的变量则通过2010年第六次人口普查进行估算。2010年深圳市还没有开展PM2.5监测，PM2.5数据采用2012年的监测值，在个别指标的时间匹配上存在一定的差距，但考虑到人口结构变化不会太剧烈，以2010年人口结构为重权分解2012年总人口得到2012年的指标数据，这种匹配是满足数据可获得性前提下的最优选择。 经济因素有低保人口占户籍人口⑦比例和自有住房所占比例。自有住房所占比例不仅是财富和资产的指标，它也是社会决策参与的测量指标。但是，《深圳统计年鉴》不提供这个指标，只能通过人口普查数据中住房信息进行估算⑧。而在中国的社会环境下，低保人口占比可以作为贫困率的替代指标[。一般认为，具有高贫困率和低自有住房率的区域，更容易暴露于环境风险之下[27-28]。统计年鉴只提供全市低保人数，各区、街道的低保人数则通过走访各区民政部门获得，然后将得到的各街道低保人数之和与全市低保人数进行比对，误差在5%以内则接受。 人口因素有人口密度和人口老龄化水平。人口密度是环境公平性研究常用的指标，因为人口密集的区域常常有更多的污染源和污染活动。各街道人口密度指标通过2012年年未人口数除以各街道面积得到，具体数值主要从各街道政务网查询，个别没有及时更新数据的街道则进行电话访问。人口老龄化水平与死亡率有直接的关系，老龄化水平高的人口，其死亡率也相对较高一些。引入人口老龄化指标一方面可以控制它本身对死亡率的影响，另一方面也可以检验老年人群是否在PM2.5健康风险方面处于弱势。人口老龄化水平的指标是用第六次人口普查各街道老年人口（60岁及以上）占常住人口比例代替。 社会因素有流动人口占比和居民在业比例。流动人口是中国特殊社会制度下的产物，其社会经济特征与非流动人口有明显的差异[29]，并且在环境健康方面存在明显的弱势[30]。流动人口在深圳存在多个统计口径[31]，为了保持可比性，本文采用第六次人口普查对常住人口的定义（在居住地六个月以上的非户籍人口，不包括人户分离的户籍人口），以第六次人口普查各区流动人口占比为替代指标。 另外，深圳是由承接港澳地区制造业发展起步的新型城市，制造业在其经济结构中依然占有重要的地位，而制造业往往具有劳动密集型和污染物发生源的双重特点，因此本研究还引入第二产业占比作为控制变量。街道层面的人口产业结构数据通过人口普查数据替代。 自然气象条件也是影响PM2.5浓度的因素之一，但相对于社会经济因素而言，它对人口分布的影响较小，而且它也不是本研究的关注重点，自变量中没有列入自然气象因素，而是将它归入模型的误差项。 （五）研究方法 PM2.5是一种随空气扩散的污染物，地理相关性十分明显，宜采用地理加权回归方法（GWR）。GWR分析一般是从传统回归模型开始，逐步加入地理信息，并根据“带宽”（bandwidth）确定地理相关的空间距离，距离越近则权重越大、相关性更强。传统回归模型的表达式为：
其中，y是因变量，x为自变量，b为各自变量的参数，ε为误差项。它是将研究区域作为整体进行分析，以确定因变量与自变量的关系，因此也被称为总体回归模型。 与传统回归模型生成一个回归方程不同，地理加权回归模型为每个分析单元生成一个回归模型，其表达式为：
其中，（
）是分析单元i的地理位置，每个分析单元的权重取决于距离衰减函数，它是以分析单元i的质点为中心，其它分析单元的质点（j）离质点i的距离的函数。距离衰减函数受到模型设定的带宽的调节，当i和j之间的距离接近于带宽时，其权重迅速衰减到0[21]。 在运用GWR方法时，可以选择固定带宽或可变带宽。固定带宽是对所有的分析单元采用相同的带宽函数，但这个固定值取多少却比较困难，因为分析单元的面积和形状都是不同的[32]。由于分析单元之间在地理形态和人口密度上存在很大的差异，本研究采用可变带宽以适应分析单元的不均匀地理分布。可变带宽是根据相邻关系而不是距离来确定最近、最优的相邻单元数，以确保每个回归方程都有相同的样本数[33]。可变带宽的关键是通过样本数据确定N个最近的相邻分析单元，最远的第N个分析单元质点（j）到i质点的距离即为带宽（b）。本研究采用双平方加权函数计算权重：
，其中i是分析单元，j是N个最近的相邻分析单元之一，
是j单元的权重，
是i质点到j质点的距离，b为带宽。 通过统计最优过程迭代，使得Akaike Information Criterion（AIC）值最小，就可以得到本研究的N值（31）。由于AIC能同时兼顾拟合优度和自由度，它被认为是最适合用于确定可变带宽的N值（Fotheringham et al.，2002；Menis，2006）。 通过GWR方法，每个分析单元都得到一组估计参数和拟合优度，利用Mapinfo软件可以把分析结果在地图上进行可视化，以比较区域内的差异，以及GWR和传统回归分析的差异。本研究采用的地理加权回归分析软件为GWR4。 五、实证结果 本研究所用到变量的统计描述见下页表1，根据计算，PM2.5导致深圳2012年潜在死亡人数为1629.22人，且区域间的差异比较明显，风险较大的区域是宝安区和龙岗区的大部分地区，而PM2.5浓度最高的光明新区却不是健康风险最高的区域。各自变量也同样存在区域间的明显差异。正是由于各变量在区域内存在地理差异，需要回答是什么原因导致了PM2.5健康风险与PM2.5浓度在空间分布上的不完全重合，这也正是本研究需要解决的关键问题，因此采用GWR分析方法是一个合理的选择。 下页表2是传统回归方法的分析结果，它同时考察本研究的7个自变量对PM2.5健康风险的影响在全深圳市的状况。模型的整体显著性检验（F=42.01，p＜0.01）显示因变量和自变量有显著的线性关系，被解释离差的比例为37.48%，拟合优度适中。参数估计显示，人口密度、人口老龄化水平、流动人口比例、居民在业比例以及第二产业占比都与PM2.5的健康风险有显著性正向关系，自有住房占比为显著性负向关系。另外，低保人口占比不显著。传统回归模型的结果表明，PM2.5的健康风险受到人口、社会和经济方面因素的影响，老年人、流动人口、无自有住房者在PM2.5的健康风险方面处于弱势地位。 但是，传统回归模型的结果只能反映整个深圳市区域内PM2.5健康风险与社会经济因素的关系，无法区分不同分析单元之间（也就是各街道之间）的差异，而且也无法处理变量自相关可能导致的“伪相关”结果。
因此，本研究采用与传统回归模型相同的变量进行地理加权回归分析，它除了可以对每个分析单元进行参数估计外，还能生成一系列拟合优度指标，用以与传统回归分析的结果进行比较。国内外研究都发现[21，29]，地理位置相邻往往会导致变量自相关，可能会使得传统回归结果产生偏差。 从拟合优度看，GWR的F值比传统回归模型有普遍的改善，
也从传统回归模型解的36%上升到45%（中位值）。有研究表明[21]，AIC是比较传统回归模型和GWR模型的推荐指标，其值越小说明模型拟合越好。表3显示，GWR模型的AIC比传统回归模型的AIC减小15.41%，说明GWR模型可以较好地改善分析结果。
图6是模型确定系数（
）的空间分布情况，通过不同区域的颜色深浅差异，可以对模型拟合优度的空间差异进行可视化处理。与传统回归模型相比，在深圳大多数街道，GWR模型的
得到提高，只有大鹏和坪山新区部分地区的
小于传统回归的
（0.37）。对于GWR模型确定系数小于传统回归模型的地区，可能的原因是，这些地区PM2.5健康风险的影响因素有别于其他地区，而本研究的模型中没有包括这些变量。这也从另一个方面说明即使是在地域面积并不大的深圳，其内部的异质性也是十分明显的。 表3的GWR模型结果还可以观察每一个解释变量的回归系数的空间差异。比如，传统回归模型估计的流动人口占比（s_flo）的系数为15.65，而GWR模型估计结果为11.09至45.18（中位值为21.61）。估计参数的区域差异说明流动人口占比与PM2.5健康风险的关系在研究区域内是空间动态分布。
表3的最后三列是每个解释变量的GWR回归系数的95%显著性水平的t值，-2.04和2.04分别代表95%显著性水平下，因变量和自变量的负和正相关的门限值（p＜0.05）。例如，流动人口占比与PM2.5健康风险的关系是正相关，但仍有28.87%的街道这种关系并不显著；虽然自有住房占比与PM2.5健康风险的关系以负相关为主，但也有39.45%的街道为显著性正相关，还有5.92%的街道不显著。显著性水平的大小和方向的空间差异进一步说明分析PM2.5类似的环境问题时，采用GWR模型的必要性和优越性。 六、解释与讨论 为了便于讨论和充分表现分析结果的空间模式，将每个解释变量的t值制作成专题地图（图7），深色表示正相关，浅色表示负相关，无色表示不显著。
从总体上看，PM2.5健康风险与人口、社会和经济因素的关系在区域内表现出异质性，传统回归模型因为无法体现区域内的差异，特别是当某些指标在区域内存在不同方向的系数时，其得出的结果就很可能不能反映现实情况。 人口指标中，除2个街道外，几乎所有街道的人口密度对PM2.5的健康风险都是正向的作用，人口密度越大，则PM2.5健康风险越大，而不仅仅取决于PM2.5的浓度水平；多数街道的人口老龄化水平与PM2.5的健康风险成正相关，但也有一些街道这种关系不显著，另外有少部分街道成负相关。这些例外的街道大多集中在原关外⑨地区，而这些地区以年轻的务工者居多，他们的年龄结构十分年轻可能是导致人口老龄化指标不显著的原因。 社会指标中，流动人口占比总体上表现为与PM2.5的健康风险成正相关，流动人口在面临PM2.5的健康风险时处于明显不利的地位，即便有些街道这种关系不显著，但还没有出现负相关的街道；低保人口占比也是以与PM2.5健康风险正相关为主，这与传统回归模型不同。在深圳的中西部地区这种关系并不显著，而且在深圳东部沿海地区有2个街道还出现了负相关的关系。低保人口占比作为贫困率的替代指标，在国外也得到了类似的结论[29]，表明贫困人群更容易受到环境不利因素的影响。 经济指标中，自有住房占比与PM2.5健康风险的关系呈正负相关并存的局面，宝安区、龙岗区以及与它们相邻的关内地区主要是负相关，而关内南部沿海有不少街道呈正相关关系。负相关的统计意义是，自有住房占比越高，PM2.5的健康风险越低。也就是说拥有房产的人受到的PM2.5的健康风险相对较低。其原因是，深圳关外是以城中村小产房或厂房为主，外来务工人员多是租住在这些地方，而拥有产权的住宅多是分布在环境较好的区域内。而关内的情况则有所不同，由于关内土地资源有限，经过多年发展后已经接近饱和，近年来也只能通过旧城改造获得土地资源，这样一来就不能保证住宅的环境质量。居民在业比例与PM2.5健康风险绝大多数是正相关关系，这与传统回归模型的分析结果基本相同，不同的是关系的强度在研究区域内有明显的差异（见表3）。这也说明PM2.5的产生与工业活动有密切的关系，而居民在业比例高的街道通常具有较高的工业活动水平。 另外，作为控制变量的第二产业占比虽然与传统回归模型的结论相似，都是正相关，但也存在一些街道不显著的情况。 本研究通过建立传统回归模型和地理加权回归模型，比较两者之间的差异，探索性地分析PM2.5健康风险的空间分布特征，发现PM2.5健康风险的影响因素在深圳地区具有明显的空间异质性，人口社会经济因素解释了PM2.5健康风险的45%。研究结果对于改善区域环境政策、深化PM2.5健康风险的社会后果分析具有一定的启示。 人口、社会和经济因素对PM2.5健康风险的影响在空间上存在明显的异质性，这种差异不仅表现在关系强度的大小，而且还具有方向的不同。环境相关的社会问题往往具有很强的空间分布特征，特别是类似于PM2.5之类的可随空气漂浮的污染物质更是如此，即使是深圳这种区域面积不大、PM2.5浓度差异也不大的地区，在评估环境污染的社会不良后果时，充分考虑人口和污染物的空间分布是十分必要的。 环境问题具有明显的外部性，流动人口、贫困人口的PM2.5健康风险增大，弱势人群往往成为环境不良后果的承受者。面对日益严重的环境污染问题，不仅要加强环境治理的力度，也应该在适应环境不良后果、趋利避害方面有必要的政策考量。比如，本研究发现深圳的流动人口和低保人口在PM2.5健康风险方面存在明显的弱势，相关的社会政策应该给予他们提供更多的保护，在政策制定时也应该充分考虑弱势群体的诉求，体现环境政策制定过程中的利益相关方的话语权，这样才能保证环境政策的公平性。 在防治PM2.5健康风险方面，政府加强PM2.5发生源的控制是应有之举，但是要在短期内把PM2.5控制在安全水平之下是不现实的，特别是对于深圳这样的城市，它还受到周边地区PM2.5的影响。要使PM2.5的健康风险控制效益最大化，就应该充分考虑影响PM2.5健康风险的社会经济因素，比如优先考虑加强人口密集区的PM2.5控制，提高扬尘、机动车排放、建筑尘等的管控力度；在城市规划过程中，要充分考虑弱势人群或脆弱人群的PM2.5健康风险，并加强自我保护的宣传力度，尽量减小他们的暴露强度。 本研究将地理加权回归方法用于PM2.5健康风险的分析，展示了其在环境相关研究方面的特点和优势，但至少还存在两个明显的不足：一是本研究尚处于探索性研究阶段，只是发现了人口、社会、经济因素与PM2.5健康风险的统计关系，从方法论上讲，它们之间的因果关系是不能通过统计方法来证明的，这需要我们对于不同街道之间表现出来的差异进行更深入的实地调研和理论解读。二是本研究采用街道作为分析单元，无法观察街道内的差异，而关内外街道地理面积有很大差异，这种差异可能带来不可控制的影响。如果能用社区甚至小的分析单元，可能会得到更有意义的结论，但同时也对数据的要求成几何级数的增加。第六次人口普查首次引入了人口的地理信息，如果能以普查小区作为分析单元，无疑会极大地提高分析的科学性。 ①从病理学上说，如果不考虑性别和年龄的差异，PM2.5的长期暴露剂量响应参数是固定的。 ②作为因变量。 ③实际上，本文是以街道为分析单元，它的PM2.5年平均值的范围约为27-61
，由于数据太多，未在文中列出。 ④http://www.szgeoinfo.com，2013-10-19. ⑤数据的准确性和稳定性无法保证。 ⑥死亡率由第六次人口普查数据计算而来。 ⑦此处选择户籍人口是因为深圳流动人口所占的比例很大，且低保主要是保障户籍人口，如果用常住人口，各街道的比例都将非常小。 ⑧也就是以各街道2010年自有住房的人数占总人口比例代替2012年自有住房占比。 ⑨“关内”指福田、南山、罗湖和盐田四个区，其他区为“关外”。
标签：死亡率论文; 回归模型论文; 空间分析论文; 相关性分析论文; 风险模型论文; 流动人口论文; 自变量论文; 地理论文;
