上海市雾霾健康经济损失风险评估

姜绵峰, 叶春明,*, 盛真真, 盛小星, 花宇

1. 上海理工大学管理学院, 上海 200090 2. 广东医学院研究生学院, 广东湛江 524000

上海市雾霾健康经济损失风险评估

姜绵峰1, 叶春明1,*, 盛真真1, 盛小星1, 花宇2

1. 上海理工大学管理学院, 上海 200090 2. 广东医学院研究生学院, 广东湛江 524000

为量化评估雾霾颗粒物PM2.5的区域人群健康损害, 基于2006—2015年上海市地方统计数据, 使用暴露反应关系函数计算上海市雾霾健康经济损失及占同年GDP比例, 采用Bootstrap信息扩散综合模型分析了健康损失在不同风险水平下的超越概率、期望水平和重现周期, 并利用多项式拟合预测了未来5年的健康损失值以及占GDP比例。结果显示上海市PM2.5国家标准健康经济损失最高为2013年的120.89亿元, 占GDP比例最大为2015年的4.60‰; 目前上海市PM2.5的健康经济损失超过80亿元的概率为56.62%, 近10年平均健康损失约94.64亿元, 平均占GDP比例约5.42‰, 5年内会出现144亿元左右的健康损失, 预计2020年损失值达到261.85亿元。上海市PM2.5经济健康损失出现快速波动上升趋势, 需要有效措施控制雾霾污染同时设置预警机制应对潜在的突发事件。

上海; 雾霾; 经济损失; 占GDP比例; 超越概率

1 前言

2000年后经过将近5轮环保三年行动计划, 上海市环境空气质量优良率总体呈上升趋势, 然而新型大气污染问题凸显, 其中主要由细颗粒物(PM2.5)造成的雾霾近几年成为上海市最严重的环境问题[1]。细颗粒物(PM2.5)的物理性质特殊且化学成分复杂, 不仅会引起可见度下降还能引发各种急慢性健康问题,已成为治理城市雾霾污染的重点和关键[2–3]。

针对雾霾污染的健康危害, 国内外学者展开了不同层面的经济损失评估。穆泉等[4]学者计算了2013年1月全国雾霾直接经济损失以及健康经济损失的比例。QUAH E等[5]估算了雾霾对新加坡人口死亡和发病效应的经济损失和占到当年GDP比例。MATUS K等[6]学者研究了空气质量、人口、收入水平与雾霾污染边际损失的关系以及污染损失占GDP比例的变化趋势。地区城市方面, 陈仁杰等[7]估算出2006年PM10对我国113个主要城市的健康经济总损失, 刘晓云等[8]学者分别就国家和国际两个标准计算了PM10对珠三角9个城市的急性健康损失及占GDP比例。黄德生等[9]学者研究了京津冀地区PM2.5的健康和经济改善效益。潘小川等[10]学者估算了的北京上海广州等中心城市2010年PM2.5引起的早死人数和经济损失。谢元博等[11]学者研究了2013年1月 PM2.5造成的北京市健康损失, 陈依等[12]分析了10年间南京市PM10的健康损失变化特征, 侯青等[13]用 meta分析定量评估了兰州市 2002—2009年间PM10健康经济损失, KAN等[14]分析2001年上海市PM10的经济损失及占 GDP比例。上述研究利用历史资料计算了雾霾导致的直接健康经济损失, 污染因子以 PM10为主, 健康终端以人口早逝为主, 部分研究使用旧的国家空气标准和国外参数, 对健康经济损失的概率分布规律没有深入分析, 缺少对不同损失规模的预先评估。

我国空气质量标准滞后于国际相关标准, 雾霾颗粒物 PM2.5的监测数据缺乏共同导致雾霾健康损失这一方面缺乏系统的风险评估。作为全国经济发展改革中心城市, 上海市人口对土地、能源和交通需求巨大导致资源生态压力指数居高不下[15–16], 雾霾对居民的健康影响急需预先的风险评估。依据最新空气质量标准和计算方法, 定量分析近10年上海市 PM2.5的健康经济影响, 并以此为基础计算不同损失规模的概率分布, 就出现周期和未来发展趋势做出详细分析, 旨在为上海市雾霾污染治理和能源产业改革提供决策参考。

2 研究方法

在洪涝、气象和地震等灾害风险评估主流方法中, 概率统计方法和信息扩散模型方法都需要参考历史数据进行分析[17]。目前对于雾霾健康损失缺乏可信的官方资料, 尤其是各省市的健康损失资料较少。通过流行病学的暴露反应函数计算上海市历年的健康经济损失, 在既得历年损失值的基础上, 根据信息扩散模型深入研究健康损失的概率分布。

2.1 暴露反应函数

当前大气污染健康损失计算中, 健康损失首先通过流行病学的暴露反应关系模型来得到健康效应,然后采用量化方法得到具体损失价值, 常用方法有医疗费用法、修改的人力资本法、支付意愿调查法、统计生命价值和影响途径分析法[12,18–20]。暴露反应函数确定了人群在不同污染物浓度下某种健康问题的实际发病率E(公式1), 流行病学依据既定的E值和暴露反应函数逆向求取污染因子的基期发病率E0,通过基期E0与实际发病率E的差值得到污染因子导致的某种健康问题的发病率, 再结合暴露总人口Ped以及各类健康效应的经济价值 HCmu可得到暴露人群的总体健康损失ECal(公式2)。历年的健康经济损失将作为进一步统计分析风险状况的基础。

其中,β为不同健康问题频率与污染因子浓度的相关系数, C为污染因子实际浓度, C0为污染因子流行病学浓度阈值, E为污染因子在浓度C下人群健康效应, E0为污染因子在浓度C0下人群健康效应。

其中, Ped为暴露人口数, ECal为污染因子造成的居民健康损失, HCmu表示暴露人群的各类健康问题的经济价值。

2.2 基于Bootstrap的信息扩散模型

在灾害风险评估方法中, 信息扩散模型具有所需数据量小、意义明确等优点, 常用于水灾和旱灾损失的风险评估[21–23]。欧阳蔚等研究表明传统信息扩散估计缺少精确度, 而基于Bootstrap重抽样技术的复合信息扩散得到的区间估计结果更精确可信[24]。其基本原理如下:

(1) 构造重抽样本。设原始样本X=(x1,x2,…,xm),采用随机抽样法从样本X中抽取N组容量为m的样本X'(t)=(x1',x2',…,xm'), t=1,2,…,N, N是整数, 则X'(t)称为X的Bootstrap样本。

(2)重抽样信息扩散。设样本信息扩散域为U=(u1,u2,…,un), n表示扩散控制点数量, 一般小于样本容量 m。将样本X'(t)中各样本点带入公式 3中,可将所带信息扩散到U中。

公式3中, i=1,2,…,m; j=1,2,…,n; h表示扩散系数,

式中, m表示样本个数, a=max{X'(t )}, b=min{X'(t )}

(3)将N组bootstrap样本带入步骤2可得N组超越概率 Pt'。将uj处对应的超越概率值Pt'(u≥uj)共 N组, 按大小重新排列, 则该点置信区间为{Pt1'(u≥uj),Pt2'(u≥uj)}, t1=round(N·(α/2)), t2=round(N·(1-α/2)), 表示显著性水平。

3 健康经济损失风险评估

3.1 数据来源

表1整理了2006—2015年上海市PM2.5年平均浓度、常住人口、GDP和居民消费水平。其中, 2006—2012 PM2.5年平均浓度, 由每年的上海环境状况公告中PM10浓度, 按世界标准0.6进行转换得到[10],2013—2015 PM2.5年浓度数据来源于上海市环境保护局, 包含了2013年1月1日至2015年7月1日的PM2.5日均浓度值。PM2.5浓度阈值同时选用最新国家空气质量二级标准[10], 即 35 μg·m-3和 WHO(世界卫生组织)空气质量准则值[25], 即 10 μg·m-3, 避免单一标准误差过大。暴露人口即上海市常住人口,居民消费水平和GDP来自2007—2014年上海市统计年鉴, 并根据平均增长率推算了2014、2015年常住人口。

从表1看出, 2006年至2015年上海市PM2.5平均浓度最高出现在2015年, 达到55.7 μg·m-3, 高出国家二级标准59.14%, 最低点为2012年, 达到42.6 μg·m-3,高出了国家二级标准 21.71%, 说明上海市 PM2.5污染状况很严重。这10年间上海市经济社会快速发展,2013年上海常住人口比5年前增加了12.82%, 2013年上海GDP比5年前增加53.53%, 居民消费水平比5年前增加46.59%。

3.2 健康损失及超越概率

选择雾霾污染的主要因素 PM2.5作为健康损失值核算的污染因子。鉴于我国南方北方间的地理气候、能源结构和收入水平差别很大[26–27], 不同省市的人口对雾霾污染的敏感反应程度不同且不同收入水平下相同健康问题的费用差异较大。为了准确计算上海市行政区域内的雾霾健康损失, 综合考虑研究对象和参数的完整统一性, 文章选用上海交通大学赵文昌博士关于上海市 PM2.5的健康效应终点以及对应的暴露关系系数、健康终点发病率基数以及相应的经济损失值[28], 其中健康效应终点包括: 呼吸系统发病率、呼吸系统住院率、哮喘患病率、心血管疾病死亡率及活动受限日, 以上效应均属于慢性效应。雾霾对人体健康的危害可分为急性效应和慢性效应, 流行病学研究表明雾霾颗粒物慢性效应远大于其急性效应[8,12], 即上述慢性效应能全面反映雾霾健康经济损失实际值。利用公式(1)和(2)可计算得到2006年到2015年上海市PM2.5引起的健康经济损失, 其中单位经济损失都以 2009年为基期, 按CPI变化做相应调整, 两种标准的计算结果如表2所示。

表1 2006—2015年上海市经济环境情况Tab. 1 Economic and environmental condition in Shanghai from 2006 to 2015

由表2可知, 2006—2015年期间, 国家标准下,上海市PM2.5最大健康损失在2013年, 为120.89亿元, 最小损失值在2012年, 为23.62亿元; 2015年占GDP比例最大, 为4.60‰; 2012年占GDP比例最小,为 1.57‰; 2006—2015年, WHO 标准下, 上海市PM2.5健康损失值最大为 218.23亿元, 最小值为86.76亿元; 占 GDP比例最大为 9.30‰, 最小为5.77‰。健康经济损失及占GDP比例上都表现出波动上升规律, 这与 PM2.5年平均浓度增加密不可分,另一方面, 上海市人口、居民消费水平和国内生产总值的快速增长起到了放大作用。

采用复合信息扩散模型, 对上述经济损失计算超越概率及可信区间。其中, 经济损失扩散域设定为[20, 240], 风险控制点数量 m=23, 原始样本为两i种标准下的 20个经济损失值, 抽样次数 N=10000,显著水平α取0.25和0.1。由表1可知, 两种标准得到的经济损失差额达到 1倍以上, 这种极端的结果不能完全反映健康损失的实际分布, 为此将同年的两种结果平均值也纳入原始数据中, 用来计算上海市PM2.5健康损失的信息扩散超越概率以及Bootstrap抽样的区间估计, 结果见图1, 2和表3, 4。

表2 2006—2015年上海市PM2.5健康经济损失Tab. 2 Economic loss of PM2.5health damage in Shangha from 2006 to 2015

图1 上海市PM2.5健康经济损失风险曲线Fig. 1 Risk curve of economic loss of PM2.5health damage in Shanghai

图2 上海市PM2.5健康经济损失占GDP比例风险曲线Fig. 2 Risk curve of GDP proportion for economic loss of PM2.5health damage in Shanghai

表3 上海市PM2.5健康经济损失超越概率Tab. 3 Exceeding probability of economic loss of PM2.5health damage in Shanghai

表4 上海市PM2.5健康损失占GDP比例超越概率Tab. 4 Exceeding probability of GDP proportion for economic loss of PM2.5health damage in Shanghai

以信息扩散模型计算的超越概率为基础, 利用bootstrap重抽样技术来确定超越概率的置信区间能提高分析的精确度, 避免单一概率值的误差过大。由步骤(2)计算得到信息扩散超越概率, 通过步骤(3)可以得到不同置信水平下的置信区间, 结果如图 1所示。图 1中, “区间估计上下限”指各控制点处超越概率均值的置信区间[μ- σ, μ+ σ], “超越概率上下限1、2”表示两种置信水平时超越概率的区间估计值。一般情况下置信水平越高, 结果越可信。但研究结果表明, 在区间估计时置信水平过高会导致区间估计过于宽泛。为此, 借鉴欧阳蔚等学者对置信水平的研究结论, 设定置信水平分别为 0.75、0.9。以经济损失100亿元为例做进一步说明, 0.9置信水平下的区间估计值为[29.11%, 54.57%], 0.7置信水平下的区间估计值为[32.54%, 50.51%], 而信息扩散模型计算的超越概率为41.58%时, 对应的均值区间估计为[33.96%, 49.34%]。由此可知, 置信水平为0.9时的估计区间包含了置信水平为0.75时的估计区间, 置信概率 0.75的区间估计比置信概率为 0.9的区间估计更接近信息扩散超越概率及其正态区间估计值, 可见置信概率0.75的区间估计更精确。

图1显示了上海市10年来PM2.5健康经济损失的逐渐增加, 对应的超越概率逐次降低, 超越概率的置信区间先逐渐变大, 然后逐渐变小, 起点和终点都收敛于同一处。表3显示了不同风险水平下的健康经济损失、对应的超越概率以及对应的置信区间。经济损失超过60亿元时, 超越概率为73.52%,置信区间为[66.32%, 80.36%]; 当经济损失超过100亿元时, 超越概率为 41.58%, 置信区间为[32.49%,50.28%]; 而经济损失超过160亿元时, 超越概率为15.46%, 置信区间为[8.46%, 22.36%]; 最后经济损失超过200亿元时, 超越概率为6.47%, 置信区间为[2.28%, 10.59%]。

如图2所示, 置信概率0.75时的区间估计比置信概率为00.9时更精确。同时健康损失占GDP比例逐渐降低, 对应的超越概率也逐渐降低, 对应的超越概率估计区间先逐渐变大然后变小, 起点和终点都收敛于同一点。健康损失 GDP比例的风险水平、具体数值、超越概率以及区间估计, 如表4所示。健康损失占GDP比例超过3‰时的超越概率为88.98%, 置信区间为[84.28, 93.43]。健康损失占GDP比例超过 5‰的概率为 60.41%, 置信区间为[51.23, 69.23]; 健康损失占GDP比例超过8‰的概率为 15.41%, 置信区间为[9.03, 21.78]; 健康损失占 GDP比例超过 10‰的概率为 1.36%, 置信区间为[9.03, 21.78]。

3.3 数学期望和重现周期

依据灾害损失的风险期望计算方法[29], 可得2006-2015年上海市雾霾颗粒物PM2.5的健康损失值数学期望为94.64亿元, 按照2013年上海常住人口计算, 人均健康损失约392元。而2006—22015年上海PM2.5的健康损失占GDP比例的数学期望为5.42‰。

为进一步分析上海市 PM2.5健康经济损失的风险状况, 使用超越概率的倒数表示不同风险水平的重现周期[21,29], 即不同规模的损失多少年一遇。由上述超越概率求倒数, 可得重现周期的不同健康损失规模分布, 结果如表5所示。

由表5和图3可以看出, 随着重现周期增加, 损失规模不断上升, 但增加速度不断减小, 逐渐趋向稳定。具体地讲, 当遇到5年一遇的雾霾污染时, 健康经济损失规模达到144亿元左右, 按照2013年上海常住人口计算, 人均健康损失约 596元; 当遇到10年一遇的雾霾污染时, 健康经济损失规模达到183亿元左右, 按 2013年上海常住人口计算, 人均健康损失约758元; 当遇到15年一遇的雾霾污染时,健康经济损失规模达到199亿元规模, 按照2013年上海常住人口计算, 人均健康损失达824元。

3.4 健康损失预测

健康经济损失的变化总体呈现出快速增加的趋势。为了准确预测未来的损失情况, 采用数据拟合对未来几年的情况进行预测, 历史数据使用表 2中的损失值。考虑到数据量大小, 分别使用线性、二次多项式、三次多项式拟合健康损失序列[30]。在拟合前, 需要对数据预处理。常用的0—1标准化处理能解决量纲不统一的问题, 但严重压缩了数据中的有用信息, 为此将2006年设定为横坐标基期, 依次处理年份。拟合参数如表6、7所示。

表5 PM2.5健康损失重现周期Tab. 5 Recurrence period of economic loss of PM2.5health damage in Shanghai

表6 国家标准雾霾损失拟合效果Tab. 6 Polynomial fitting of economic loss of haze health in Shanghai under national standard

表7 WHO标准雾霾损失拟合效果Tab. 7 Polynomial fitting of economic loss of PM2.5health damage under WHO standard

拟合参数中, R2(确定系数)和Adjusted-R2越接近 1, SSE(和方差)和 RMSE(均方根)越接近0, 拟合效果越好。由表6、7中可以看出二次多项式回归的拟合效果最理想。图3、4显示了二次多项式拟合及预测的具体情况。二次多项式拟合结果如图3、4所示。设定预测区间为[2016,2020], 根据图3可知国家标准下, 5年后的健康经济损失(亿元)分别为140.02,166.17, 195.19, 227.08, 261.85; WHO标准下, 未来5年的健康经济损失(亿元)分别为 249.22, 283.49,320.82, 361.22, 404.68; 2020年的损失额度将是2015年的3.5倍。结果表明如果没有过多干预, 雾霾产生的健康损失将会出现迅速增加。目前需要对于雾霾的治理进度亟需加快, 对于未来可能出现的大规模公共卫生问题, 也需要相关部门做好预防准备工作。

图3 国家标准下上海雾霾健康损失预测Fig. 3 Forecast of economic loss of PM2.5health damage in Shanghai under national standard

图4 WHO标准下上海雾霾健康损失预测Fig. 4 Forecast of economic loss of PM2.5health damage in Shanghai under WHO standard

4 结论与讨论

4.1 结论

文章通过暴露反应关系计算了国家标准和 WHO标准下上海市2006年至2015年PM2.5的健康经济损失及占同年GDP的比例。两种标准条件下健康损失值都表现出波动增长趋势, 健康损失占 GDP比例也表现出波动上涨趋势, 但健康损失增长速度明显高于占 GDP比例的增加速度。健康损失值的波动幅度越来越大, 而健康损失占 GDP比例变化幅度逐渐减小。

在健康经济损失数据基础上, 联合Bootstrap重抽样技术和信息扩散模型对经济健康损失仿真实验,得到雾霾健康经济损失值、超越概率和置信区间。并且根据超越概率计算得到不同损失额度的数学期望和重现周期。其中, 上海市PM2.5的健康经济损失超过80亿元的概率为56.62%, 置信区间为[47.96%,65.34%]; 超过100亿元的发生概率为41.58%, 置信区间为[32.94%, 50.51%]; 2006年至 2015年期间,PM2.5健康经济损失平均值为94.64亿元, 占GDP比例平均水平为5.42‰; 上海PM2.5健康经济损失5年内会出现144亿元的规模, 10年内会出现183亿元的水平。

最后根据健康损失值2006年至2015年的数据,利用多项式拟合得到了健康损失值随年份变化的函数关系, 然后依据拟合函数预测了未来 5年上海市PM2.5的健康经济损失值。二次多项式拟合函数的预测结果显示: 未来 5年上海的雾霾污染对人体健康危害会进一步扩大, 2020年国家标准下上海市PM2.5健康经济损失将达到261.85亿元。

4.2 讨论

在计算健康经济损失时, 污染物时间空间分布差异、人口年龄结构和暴露人口空间分布差异都会使经济损失值结果不同。计算模型中污染物的暴露反应系数、阈值有多种标准, 不同标准下的计算结果也不同。考虑到上述问题, 运用信息扩散模型计算了不同风险水平的超越概率值并通过重抽样技术确定了置信区间, 同时完成情景分析和模拟预测,实现了雾霾健康损失的风险评估。雾霾健康损失有一定的时滞性, 而且对经济社会产生许多间接损失,这些都需要做进一步的研究。

参考文献

[1] 周冯琦, 汤庆合, 任文伟. 上海资源环境发展报告(2014)[M]. 北京: 社会科学文献出版社, 2014.

[2] 郭新彪, 魏红英. 大气 PM2.5对健康影响的研究进展[J].科学通报, 2013, 58(13) ): 1171–1177.

[3] 阚海东, 陈仁杰. PM2.5对人体危害有多大[J]. 中国经济报告, 2015(4): 114–116.

[4] 穆泉, 张世秋. 2013年1月中国大面积雾霾事件直接社会经济损失评估[J]. 中国环境科学, 2013, 33(11):2087–2094.

[5] QUAH E, BOON T L. The economic cost of particulate air pollution on health in Singapore[J]. Journal of Asian Economics, 2002, 14(1): 73–90.

[6] MATUS K, NAM K, SELIN N E., et al. Health damages from air pollution in China[J]. Global Environmental Change, 2011, 22(1): 55–66.

[7] 陈仁杰, 陈秉衡, 阚海东. 我国113个城市大气颗粒物污染的健康经济学评价[J]. 中国环境科学, 2010, 30(3):410–415.

[8] 刘晓云, 谢鹏, 刘兆荣, 等. 珠江三角洲可吸入颗粒物污染急性健康效应的经济损失评价[J]. 北京大学学报(自然科学版), 2010, 46(5): 829–834.

[9] 黄德生, 张世秋. 京津冀地区控制PM2.5污染的健康效益评估[J]. 中国环境科学, 2013, 33(1): 166–174.

[10] 潘小川, 李国星, 高婷. 危险的呼吸––PM2.5的健康危害和经济损失评估研究[M]. 北京: 中国环境科学出版社,2012.

[11] 谢元博, 陈娟, 李巍. 雾霾重污染期间北京居民对高浓度 PM2.5持续暴露的健康风险及其损害价值评估[J]. 环境科学, 2014, 35(1): 1–8.

[12] 陈依, 柏益尧, 钱新. 南京市 PM10人群健康经济损失评估[J]. 安徽农业科学, 2015, 43(19): 248–250+303.

[13] 侯青, 安兴琴, 王自发, 等．2002–2009年兰州 PM10人体健康经济损失评估[J]. 中国环境科学, 2011, 31(8):1398–1402.

[14] KAN Haidong, CHEN Bingheng. Particulate air pollution in urban areas of Shanghai, China: health-based economic assessment[J]. Science of the Total Environment, 2004, 322:71–79.

[15] 姜绵峰, 叶春明. 上海城市生态足迹动态研究––基于ARIMA模型[J]. 华东经济管理, 2015, 29(1): 18–24.

[16] 姜绵峰, 叶春明. 上海市建设用地时空演变的驱动力研究[J]. 资源开发与市场, 2015, 31(2): 160–165.

[17] 毛熙彦, 蒙吉军, 康玉芳. 信息扩散模型在自然灾害综合风险评估中的应用与扩展[J]. 北京大学学报(自然科学版), 2012, 48(3): 513–518.

[18] 过孝民, 於方, 赵越, 环境污染成本评估理论与方法[M].北京: 中国环境科学出版社, 2009.

[19] 曾先峰, 王天琼, 李印. 基于损害的西安市大气污染经济损失研究[J]. 干旱区资源与环境, 2015, 29(1):105–110.

[20] WEI Jiuchang, GUO Xiumei, MARINOVA D, et al.Industrial SO2pollution and agricultural losses in China:evidence from heavy air polluters[J]. Journal of Cleaner Production, 2014, 64: 404–413.

[21] 欧朝敏, 尹辉, 张磊. 洞庭湖区不同情景下农业水旱灾害风险损失评估[J]. 农业现代化研究, 2011, 32(6):691–694.

[22] 张竟竟. 河南省农业水旱灾害风险评估与时空分布特征[J]. 农业工程学报, 2012, 28(18): 98–106.

[23] 丁青云, 艾萍, 吴军斓, 等. 基于信息扩散理论的干旱灾害风险评估[J]. 中国农村水利水电, 2015(3): 99–102.

[24] 欧阳蔚, 于艳青, 金菊良, 等. 基于信息扩散与自助法的旱灾风险评估模型––以安徽为例[J]. 灾害学, 2015, 30(1):228–234.

[25] World Health Organization. Air quality guidelines for particulate matter, ozone, nitrogen dioxide and sulfur dioxide, Global update 2005, Summary of risk assessment[R]: WHO Press, 2006.

[26] CHENG Zhen, JIANG Jingkun, FAJARDO O, et al.Characteristics and health impacts of particulate matter pollution in China (2001-2011)[J]. Atmospheric Environment, 2013, 65: 186–194.

[27] AN Xingqin, HOU Qing, LI Nan, et al. Assessment of human exposure level to PM10 in China[J]. Atmospheric Environment, 2013, 70: 376–386.

[28] 赵文昌. 空气污染对城市居民的健康风险与经济损失的研究[D]. 上海: 上海交通大学, 2012.

[29] 杜鹃, 汪明, 史培军. 基于历史事件的暴雨洪涝灾害损失概率风险评估––以湖南省为例[J]. 应用基础与工程科学学报, 2014, 22(5): 916–927.

[30] 付艳茹. 基于MATLAB曲线拟合的应用研究[J]. 吉林师范大学学报(自然科学版), 2010(2): 55–58.

Risk assessment for economic loss of haze health damage in Shanghai

JIANG Mianfeng1, YE Chunming1,*, SHENG Zhenzhen1, SHENG Xiaoxing1, HUA Yu2
1. Business School, University of Shanghai for Science and Technology, Shanghai 200090, China 2. Graduate College, Guangdong Medical University, Zhanjiang, 524000, Guangdong, China

For quantitative evaluation of health damage towards local people of haze particles PM2.5, exposure response unction was used to calculate the economic loss of haze health damage in Shanghai and its proportion of GDP based on available data of Shanghai in 2006-2015. The paper analyzed exceeding probability, expectation and recurrence period of different risk levels by using the bootstrap information diffusion comprehensive model, and predicted the economic loss and its hare of GDP in the next five years by applying polynomial fitting. Results indicated that the highest loss was 120.89 billion yuan in 2013 under the national standard, and the highest proportion of GDP in 2015 was 4.60‰, and the probability of exceeding 8 billion yuan was 56.62%. Average economic loss reached 94.64 billion yuan in Shanghai from 2006 to 2015, and he average proportion of GDP was 5.42‰. It will happen once or more that the economic loss exceeds 144 billion yuan in next ive years. The economic loss in Shanghai is going to exceed 261.85 billion yuan in 2020. Considering that economic loss of haze health damage in Shanghai had risen rapidly, effective measures should be adopted to control pollution, and the warning mechanism is also necessary in case of potential emergence.

Shanghai; haze; economic loss; proportion of GDP; exceeding probability

10.14108/j.cnki.1008-8873.2017.03.013

F205; X821

A

1008-8873(2017)03-090-08

姜绵峰, 叶春明, 盛真真, 等. 上海市雾霾健康经济损失风险评估[J]. 生态科学, 2017, 36(3): 90-97.

JIANG Mianfeng, YE Chunming, SHENG Zhenzhen, et al. Risk assessment of economic loss for haze health damage in Shanghai[J].Ecological Science, 2017, 36(3): 90-97.

2015-11-14;

2015-12-11

国家自然科学基金项目(71271138); 上海市哲学社会科学规划项目(2014BGL024); 上海市一流学科资助项目(S1201YLXK); 沪江基金资助项目(A14006)

姜绵峰(1991—), 男, 河南商城人, 硕士研究生, 主要从事生态经济及风险管理研究, E-mail: jiangmianfeng@yeah.net

*通信作者:叶春明(1964—), 男, 安徽宣城人, 博士, 教授, 主要从事技术经济及系统工程研究, E-mail: yechm6464@163.com