空气污染对中老年人健康的长期影响研究

□ 叶巾祁，黄子骄

一、研究背景和意义

2021年11月中共中央、国务院发布《关于加强新时代老龄工作的意见》，提出将积极老龄化、健康老龄化理念融入经济社会发展全过程，提高老年人健康服务与慢病管理，强调健康老年人是家庭、社区以及经济发展的宝贵资源。全方位全周期地关注中老年人健康水平和慢性疾病的环境影响因素及污染治理效果，对不断提高中老年人口健康水平和人力资本水平、促进老有所为、收获“长寿红利”至关重要。作为环境质量的重要代表，空气是人类一刻也不能缺乏的自然资源，因此空气污染是影响人体健康的主要环境风险之一。世界卫生组织(WHO)最新发布的《2021世界卫生统计报告》显示，空气污染这一环境风险因素与心血管疾病、中风、呼吸系统疾病和癌症等多种急慢性疾病有关，在2016年导致全球约700万人死亡[1]。众多医学文献表明，中老年人生理机能相比年轻人群体有所下降，其防御和免疫系统更加脆弱，更有可能因空气污染引发健康问题，罹患急慢性疾病。值得注意的是，空气污染对健康造成的负面影响不仅取决于空气污染水平，而且与污染暴露时间长短也有密切的联系[2][3][4][5]。

自20世纪90年代始，我国经济在经历快速增长的同时也面临着越发严峻的空气污染，1995年空气总悬浮颗粒物水平比世界卫生组织(WHO)标准高出四倍。进入21世纪以来，通过把主要污染物减排作为经济社会发展的约束性指标，不断完善环境法治和经济政策，我国大气环境开始整体呈现向好趋势。根据《大气环境气象公报(2021年)》，2021年全国平均霾日数为21.3天，较2020年和近5年(2016—2020年)分别平均减少2.9天和6.9天，但平均空气质量并未达到世界卫生组织设定的空气质量标准。严峻的空气污染形势不利于我国中老年人的健康管理及其社会参与，同时也增加了家庭与公共健康经济成本，对社会可持续发展造成消极影响。从经济学视角准确量化空气污染对中老年人健康的影响，并对其短期与长期效应进行区分，是科学评估现有污染治理投资社会效益，进一步优化污染治理水平，从环境治理视角加强中老年人群慢病管理、开发老龄人力资源的关键。

本文针对我国空气污染的现实和积极应对人口老龄化、提高民生福祉的目标，利用2003—2017年的空气污染地市级数据与2013—2018年中国健康与养老追踪调查(CHARLS)个人数据，融合机器学习方法，利用风向变化构造工具变量，量化研究PM2.5污染物浓度对我国中老年人患慢性疾病数量以及对我国中老年人自评健康的长期影响，并对1～10年内不同时间窗口、不同污染水平、不同人群和不同区域影响的异质性进行清晰区分和详细探讨。本文对空气污染的健康效应和医疗成本研究进行了有益拓展，为科学评估我国现有环境保护和污染治理政策绩效、精准化精细化地推进环境治理工作、深入打好污染防治攻坚战提供数据支撑和政策建议。同时，本研究有助于从环境保护和污染防治的角度提高中老年人群慢病管理水平与公共财政资金使用效率，为积极应对老龄化、促进健康老龄化以及为银发经济高质量发展提供全新思路。

二、文献综述

环境污染的健康效应是经济学的经典研究问题之一，在Grossman和Cropper构建的环境与健康理论框架基础上[6][7]，众多国外学者对空气污染与个体健康水平之间的相关性展开了研究[8][9][10]。由于污染具有非随机分配性质，个体会根据偏好采取不同程度的回避行为，如异地迁移、减少户外活动以及采取防护措施，等等[11]；另外还存在许多无法观测的因素会同时影响污染程度和居民健康，如宏观经济状况、产业分布特点以及地理环境因素等。这些内生性问题为准确识别污染对健康的影响提出了实证挑战。因此，在样本选择上，大量文献对婴儿出生健康状况进行探讨，以排除长期因素以及自选择的干扰，从而得到污染的即时健康效应[12]。部分学者利用经济萧条、环境政策、突发自然灾害、高速电子收费系统等对空气质量造成的外生冲击来研究污染对死亡率的影响[13][14][15][16][17][18]。除利用空气质量的外生事件冲击外，还有部分学者试图为空气污染寻找合适的工具变量，如风向变化、逆温现象、空气流通系数[19][20][21][22][23][24]。以上研究均为空气污染的负面健康效应提供了准确的实证依据。

中国早期粗放型经济发展模式带来的严重空气污染以及后续空气治理政策均受到了国内外学者的广泛关注，并发现空气污染对我国居民健康有着显著的负面影响[25][26][27][28]。He等人利用北京2008年奥运会对空气质量带来的正向冲击估计了空气污染对死亡率的影响[29]。Tanaka发现空气污染治理政策“两控区”的推行显著降低了20%的婴儿死亡率[30]。Fan等人则发现秸秆燃烧引起的PM2.5升高增加了农村中老年人的死亡率[31]。Almond等人通过断点回归发现我国秦岭—淮河以北地区免费供暖政策显著提高了北方空气中的总悬浮颗粒水平[32]，利用这一结论，Chen和Ebenstein等人通过对比我国南北城市差异，估计出空气污染对预期寿命产生的负面影响[33][34]。除生理健康以外，Zhang、Chen以及Zhang等人分别研究了空气污染对人们的精神健康、主观幸福感以及认知水平等方面的影响[35][36][37]。

除污染浓度以外，污染暴露时间也是量化其健康效应的关键。医学领域对空气污染的长短期健康影响的研究较多，通常使用数月至数年接触暴露因子来判断长期暴露情况，并采用个体常年居住地的空气污染指数来衡量污染水平，发现空气污染对健康的影响与污染暴露时间显著相关[2][3][4][5][38][39][40][41]。Weuve等人利用医学统计方法发现长期暴露于PM2.5的水平越高，老年女性群体认知能力下降的速度就越快[42]。近年来，有经济学研究开始使用微观调查数据来识别空气污染的长期健康效应。Zhang等人利用中国家庭追踪调查数据(CFPS)发现滞后三年的空气污染对认知表现有明显损害[37]。王玉泽和罗能生使用2015年中国健康与养老追踪调查数据从生理、心理、社会适应能力三重健康视角全面考察了空气污染的健康折旧效应与医疗成本效应，发现空气污染对心理健康的负面影响主要集中在污染暴露的0～9个月内，而对生理健康的影响主要集中在9～18个月，但由于数据限制而未探讨18个月以上的长期影响[43]。Deschenes等人利用1989—2015年中国健康与营养调查数据分析了滞后一年空气污染对肥胖率的影响[23]，类似的，Liu等人则利用中国多民族队列数据(CMEC)进一步考察了滞后三年污染水平对肥胖率的影响及其城乡差异[44]。

综上所述，学者们对我国空气污染与居民健康做了比较丰富的研究，但对其长期健康效应的经济学研究起步较晚，还需进一步补充3年以上长期空气污染暴露对健康尤其是对中老年人患慢性疾病影响的实证依据。为系统、全面探究空气污染的长期健康效应，更准确地评估环境政策的健康收益，有针对性地推进老年人群环境健康工作，本文提出了以下研究问题：空气污染是否会对中老年人健康产生显著的长期负面影响？该影响是否会随暴露时间的变化而变化？该影响在不同污染水平、对不同人群和不同区域是否存在明显差异？与既往文献相比，本文的主要贡献如下：第一，拓展了空气污染长期影响的考察时间范围，全面评估了1～10年内居住地PM2.5平均污染物浓度对我国中老年人健康成本的线性及非线性负面影响；第二，使用国际研究前沿的风向变化工具变量来解决空气污染与健康因果识别中的内生性问题，同时利用我国中老年人迁移率较低的特点，准确识别空气污染的长期积累影响；第三，聚焦于中老年人这一空气污染易感人群，并根据不同样本特征进行异质性分析，为促进健康老龄化提供新思路、新角度，为进一步分人群、分阶段推进污染防治工作提出政策建议。

三、空气污染对长期健康的影响机理与研究假设

本文借鉴宏观经济学中的Grossman投资模型[6]，对空气污染的长期健康效应进行捕捉。假设健康也是一种资本，其两个时期的差值可表示为：

Ht+1-Ht=It-δtHt

(1)

其中，Ht+1为第t+1期的健康资本存量；Ht为第t期的健康资本存量；It为第t期的健康投资；δt为健康资本折旧率。Cropper将污染水平Pt引入健康资本折旧率表达式中[7]：

(2)

其中，δ0为初期的健康资本折旧率，参数δ、α、β分别表示对应的弹性大小。我们在此基础上设定污染水平的变化形式为指数形式，为简化假设条件，我们将此时的Pt表示为0-t期的累积污染水平：

Pt=Ptet

(3)

将方程(3)代入方程(2)中，两边同时取对数并对t求导，可得：

(4)

基于对以往文献的梳理和影响机理研究，提出以下研究假设：

假设1：空气污染存在长期的健康效应。

由方程(4)可知，健康资本折旧率的变化率受到健康污染弹性的影响，长期来看，当健康污染弹性增加时，其健康资本折旧率的变化率会增加，即健康折旧程度提高。因此，本文假设存在空气污染的长期健康效应。

基于Grossman(1972)的健康需求理论[6]，借鉴Cropper(1981)将空气污染引入健康需求函数的思想[7]，并根据Zivin和Neidell(2013)[12]对健康需求模型的简化思想，我们对一个具有代表性的个人健康生产函数进行建模，并探讨由于个人对污染的敏感性不同而产生的异质性。我们将个人健康H表示为个人暴露的环境污染水平P、对污染的回避性行为A以及改善污染负面健康后果的消费支出E：

H=H(P,E,A)

(5)

方程(5)中的回避行为A和可以改善健康的消费支出E会减轻污染造成的健康负担，但需要说明的是，这里的消费支出E仅包括疾病发作后的直接医疗费用，不包括预防性健康消费支出。预防性健康消费支出，例如为减轻空气污染危害而购买口罩、空气净化器等所产生的支出费用，将被纳入污染的回避行为A。我们将疾病α引入个人健康H并进一步明确其函数形式。假设环境污染水平和回避行为共同决定了环境污染驱动的疾病α发生，疾病的发生又会影响医疗支出。因此，在总函数以及其中的每一子部分函数均满足凹性假设的前提下，健康生产函数可写成如下形式：

H=H(E(α),α(P,A))

(6)

个人效用不仅取决于健康状况，也取决于消费C，一般情况下个人效用还取决于劳动时间L，故个人效用的函数简化为：

U=U(H,C,L)

(7)

设定Y为个体非工资收入，Pi为商品的价格，W为工资。由于本文讨论重点并不是劳动力市场表现，所以对劳动力相关部分进行简化，个人的效用最大化问题可以表示为：

(8)

一阶条件为：

(9)

(10)

(11)

(12)

联立方程(11)和方程(12)可得到：

(13)

方程(13)说明回避行为A和改善健康支出E在增加健康方面的边际生产力的比率等于它们的价格比率。此外，方程(9)～(13)隐含地将回避行为A和改善污染负面健康后果的消费支出E定义为所有外源性变量的函数A(P,α,PA,PE,PC)和E(P,α,PA,PE,PC)，即最佳的回避行为和医疗治疗将取决于污染水平、污染与疾病的关联度以及所有消费品的成本。由于两个变量均取决于环境污染水平，所以健康和污染水平之间的关系可以表示为方程(7)的总导数：

(14)

由方程(14)可知，污染对健康的影响取决于两个不同的组成部分：污染和疾病之间的关联度以及疾病与不良健康状况的关联度，前者关系为负，后者关系为正，所以污染对健康的影响整体为负向影响。

假设2：空气污染的长期健康效应在不同的群体中表现出异质性。

一方面，方程(14)中的dH/dα部分是基于疾病转化为健康状况不佳的程度影响形式，对应的分解形式中包含∂H/∂α部分，反映了污染引起的疾病发作未获得治疗的程度。不同个体的疾病治疗状况在很大程度上取决于不同地区医疗水平及其他经济社会因素。另一方面，如假设1所示，方程(14)中的(∂α/∂A)(∂A/∂P)部分体现了空气污染回避行为的重要性，不同个体的回避行为在很大程度上因性别、年龄等个人特征而异。因此，本文假设空气污染的健康效应具有异质性。

假设3：空气污染对健康长期影响的普通最小二乘法(OLS)估计存在偏差。

方程(14)中的dα/dP部分是基于个体暴露的污染水平对疾病发作的净影响形式，对应的分解形式中存在(∂α/∂A)(∂A/∂P)部分，意味着如果个体的回避行为足够有效，则存在生物效应的前提下也可能无法观察到疾病的变化。这对识别污染与健康间的因果关系提出了挑战。所以本文假设空气污染躲避行为的存在使得污染对健康长期影响的普通最小二乘法(OLS)估计存在偏差，即存在经济学中因果效应识别的经典内生性问题。

四、模型、变量与数据

(一)模型设定

本文研究空气污染的长期健康效应，为了解决内生性导致的估计偏误，借鉴Deryugina的研究[20]，利用机器学习中的K-means聚类算法构建风向的变化(WINDDIR)为空气污染的工具变量(IV)，使用两阶段最小二乘法(2SLS)对因果关系进行估计。K-means聚类算法的核心思想是，对于给定的样本集，按照样本之间的距离大小将样本集划分为K个簇。本文的样本集是各城市的经纬度数据，K-means聚类算法根据给定的经纬度数据，按照组内距离最小化而组间距离最大化的分组原则，计算不同城市之间的距离并进行地理位置的聚类。风向与聚类后的组别虚拟变量交互组成本文空气污染的工具变量集。该工具变量的有效性在于，一个地区在某个时间段产生的风向变化将直接影响空气污染程度，但与该地区中老年人的健康无关。假设一个空气污染监测器位于污染源的东边，当风从西边吹来时，监测仪将记录高水平的污染；当风从东边吹来时，它将记录低水平的污染。因此，使用风向变化可以准确预测该地区在该时间段的空气污染水平，在较大地理范围和长期时间范围内准确估计PM2.5水平对中老年人健康的影响。

因此，我们利用各地级行政区的风向变化作为空气污染水平的工具变量，并允许风向对PM2.5浓度的影响随地理位置的变化而变化。为了考察空气污染的长期健康效应，本文的基准两阶段最小二乘法回归模型(2SLS)设定如下：

(15)

(16)

图1 2003—2017年PM2.5污染物浓度水平修正数据集

(二)数据来源

1.污染数据与气象数据

本文的PM2.5污染数据来自于哥伦比亚大学国际地球科学信息网络中心(CIESIN)发布的2003—2016年全球历史年平均PM2.5的栅格化数据集(2)数据获取网址：http://sedac.ciesin.columbia.edu.，2017年的数据来源于中国环境监测总站的全国城市空气质量发布平台。通过两份数据对比，发现全国城市空气质量发布平台的站点污染物浓度整体偏高，所以本文经过对两份数据的修正，形成2003—2017年的空气污染数据集。修正后的数据集如图1所示。

本文的气象数据源自美国国家海洋及大气管理局(NOAA)的国家气候数据中心(NCDC)(3)数据来自NCDC的公开FTP服务器ftp://ftp.ncdc.noaa.gov/pub/data/noaa/isd-lite/.，从中选取中国(含港澳台)的观测站点数据，包括气象要素中的气温、气压、风向风速、云量、降水量等，其中大多站点为3小时数据，少量站点为1小时数据；对小时数据进行年度水平汇总后构建城市级气象变量，与微观调查数据进行匹配(4)该份数据仅提供站点的经纬度数据，需根据逆地理编码将经纬度转化为地址，解析出省(自治区、直辖市)市县的位置信息，提取城市信息，构建城市级年均气象变量。。

表1 变量描述性统计

2.健康数据

本文微观个体层面数据来自中国健康与养老追踪调查(CHARLS)，该调查是由北京大学国家发展研究院和中国社会科学调查中心共同主持的大型数据收集项目。该项目于2011年首次开展，每两年进行一次，重点关注全国范围内45岁及以上的中老年人，旨在收集一套高质量的数据，为研究人口老龄化提供支持。目前数据更新到2018年，活动范围覆盖全国28个省份的150个县区、450个村居、一万余户家庭，共收集到两万余个个体数据。本文采用的个体数据来自2013年、2015年和2018年的CHARLS数据库，最终得到有效数据17520个，有效样本分布与CHARLS整体样本分布基本一致。根据第七次人口普查数据，我国流动人口规模虽然呈现快速增长趋势，但人口净流出地老龄化严重，老年人口异地迁移率较其他年龄段人口迁移率低，60岁以上人口仅占总迁移人口的5.79%。同时根据CHARLS问卷中对“调查对象有无迁出居住地6个月及以上的经历”，以及“受访者常住地址”的样本调查数据，可计算出本文所研究样本个体迁移率仅有0.23%。样本居住地相对固定这一特征有利于准确捕捉空气污染的健康长期积累效应。

(三)指标测度与选取

1.解释变量

1)核心解释变量

本文的核心解释变量为样本居住地1～10年内的PM2.5浓度，即根据调查年份，分别计算个体样本居住所在地在不同滞后时间窗口内的PM2.5污染物平均值。这是医学研究中较为常见的做法。为分析空气污染对健康影响的长短期效应，本文基于样本被访问期2013—2018年的滞后1年到10年间PM2.5均值对空气污染的累积效应进行研究。对2018年访问样本而言，其居住地2017年的PM2.5污染物年均值为1年内污染浓度水平，2016年与2017年的PM2.5污染物2年年均值为2年内污染浓度水平，以此类推，2008年到2017年的10年PM2.5年均值为10年内污染浓度水平。因此，本文的核心解释变量共有10个，其变量描述性统计结果如表1中的平均空气污染部分所示。

2)控制变量

本文参考王玉泽和罗能生[43]的研究成果，分别从个人、家庭和地区层面选取指标作为控制变量。个人层面的控制变量包含一系列个人特征变量：年龄、性别、教育水平[45]、婚姻状况和户口所在地(城乡)。此外，本文研究对象为中老年群体，年龄大多处于生命周期后半期，因此本文还控制了居民15岁之前的健康水平，以避免个体早期身体状况差异对估计结果造成偏差。家庭层面的控制变量包含家庭拥有孩子的数量、家庭支出和家庭居住情况[46][47]。其中，家庭居住情况具体包括所居住房子是否有供水、是否有厕所、是否有洗澡设施以及是否带供暖设施(不包括土暖气和可制暖的空调)。地区层面的控制变量为样本所在城市的地区生产总值。控制变量统计描述如表1后半部分所示。

2.被解释变量

本文分别从客观、主观两个方面衡量中老年群体的健康水平。首先，本文选取中老年人患有慢性病的数量作为衡量健康的客观指标。在CHARLS问卷中涉及的慢性病种类有以下14种(5)14种慢性病为：高血压病、血脂异常(高血脂或低血脂)、糖尿病或血糖升高(包括糖耐量异常和空腹血糖升高)、癌症等恶性肿瘤(不包括轻度皮肤癌)、慢性肺部疾患如慢性支气管炎或肺气肿、肺心病(不包括肿瘤或癌)、肝脏疾病(脂肪肝、肿瘤或癌除外)、心脏病(如心肌梗死、冠心病、心绞痛、充血性心力衰竭和其他心脏疾病)、中风(包括脑梗和脑出血)、肾脏疾病(不包括肿瘤或癌)、胃部疾病或消化系统疾病(不包括肿瘤或癌)、情感及精神方面问题、与记忆相关的疾病(如老年性痴呆、脑萎缩、帕金森症)、关节炎或风湿病、哮喘。。其次，本文选取样本自评健康为衡量健康的主观指标，具体包括五个水平，即自我感觉身体状况极好(赋值为1)、很好(赋值为2)、一般(赋值为3)、不好(赋值为4)、很不好(赋值为5)。

五、空气污染对中老年人健康长期影响的实证结果

(一)空气污染长期健康效应的基准线性回归结果

首先，我们使用普通最小二乘法(OLS)来估计空气污染对中老年人健康长期影响的基准结果。需要说明的是，估计系数为正，表示PM2.5污染浓度的升高会导致慢性病数量增加及自评健康状况变差。根据表2结果显示，1～10年内的PM2.5浓度与慢性病数量和自评健康之间呈正相关关系，系数较小且只有两组在10%的水平上显著。根据文章第三部分理论模型推导，由于个体存在回避行为等因素，空气污染长期健康效应的OLS回归结果可能会低估污染健康效应，因此还需要进一步利用工具变量(IV)方法准确识别因果关系系数，并与基准线性回归结果进行对比。

表2 空气污染对中老年人健康不同时间窗口的长期影响(OLS)

(二)空气污染长期健康效应的两阶段最小二乘法回归结果

1. 一阶段回归结果

根据一阶段回归模型(15)，我们将风向变量与通过K-means聚类算法分类的50组虚拟变量进行交互。在构建交互作用虚拟变量时，组别中会出现没有相应值的情况，因此表3中汇报的第一自由度均在不同程度上小于理论上应该得到的IV变量个数，同时IV变量个数又超过了城市集群的数量，这使得在计算集群稳健的Kleibergen-Paap Wald rk F统计量上具有挑战[48]。借鉴Barwick等人的研究，本文在表3中汇报了IV的联合系数F检验[49]。为进一步检验一阶段回归结果的稳健性，我们依次加入城市固定效应、年份固定效应和气候控制变量，发现一阶段回归结果表现稳健。最后，我们的IV通过了弱工具变量测试，P值均接近于0。

表3 一阶段回归结果

2. 两阶段回归结果

表4汇报了基于两阶段最小二乘法(IV-2SLS)的回归结果。结果表明，1～10年内平均空气污染水平对中老年人慢性病数量的影响均显著为正。具体而言，10年累积平均PM2.5浓度每上升1μg/m3，个体患慢性病的数量在1%的置信水平上就会增加0.065个，相比个体患慢性病平均数量0.34而言，个体患慢性病数量增加了约19%。此外，PM2.5浓度水平对慢性病数量的正向影响随着时间积累有增加趋势，其中10年平均污染水平的累积健康效应大约是1年累积效应的7倍以及3年累积效应的3倍。通过对比表3、表4中OLS与IV的结果可以发现，内生性的存在低估了空气污染对中老年人健康的长期负向影响。此外，空气污染对自评健康影响的回归结果仅在滞后1年以及2年内显著，在长期内，即3～10年内均不显著。该结果有两种可能的解释：一方面，中老年群体的主观健康评价更容易受到年份较为接近的污染水平影响，而长期影响则较难被准确捕捉；另一方面，正如第三部分影响机理中的方程(14)所示，对健康主客观评价的不一致可能导致疾病与自评健康的关联度较弱。

表4 空气污染对中老年人健康不同时间窗口的长期影响(IV)

为验证本文估计结果的可信度，我们将本文结论与其他学者的研究结论进行横向比较。王玉泽和罗能生利用滞后1年的年均空气质量指数(AQI)[43]，研究发现：AQI每增加1个单位，生理健康指数下降2.124个单位。为了与本文进行结论对比，我们将两篇文章的自变量和因变量进行统一。对自变量而言，我们发现AQI和PM2.5的污染趋势几乎一致(图2)，回归结果显示AQI每上升1个单位，PM2.5上升约0.89个单位。对因变量而言，王玉泽和罗能生将慢性病在生理健康指数中的权重设为0.322[43]，其结果显示AQI每增加1个单位，慢性病指数会下降0.68个单位。由于其指数采用熵权法测算，取值范围为0～1，我们可将其倒推转化为疾病个数，从而得到结论：AQI每增加1个单位，慢性病数量会增加0.0068个。这与本文一年内平均污染影响的估计系数0.009比较接近，说明本文结论与现有研究具有一定可比性和参考价值，也进一步验证了本文长期效应估计的准确性。

图2 PM2.5与AQI指数的趋势

慢性病是一种长期积累形成疾病形态损害的疾病，会对居民的生命健康造成巨大的危害，同时带来沉重的经济负担。根据健康中国行动推进委员会于2019年7月9日发布的《健康中国行动(2019—2030年)》，随着工业化、城镇化、人口老龄化的发展以及生态环境和生活方式的变化，慢性病医疗负担占疾病总负担的70%以上。准确量化空气污染对中老年人慢性疾病数量的长期影响，可进一步计算出空气污染的长期健康损失以及相应的医疗成本，为制定最优污染治理水平提供科学依据。参考已有研究，王玉泽和罗能生发现年均空气污染水平每增加1单位，中老年群体人均年住院费用增加37. 29元，月门诊费用增加8. 99元[43]。根据前文估计的空气污染对慢性疾病数量的长期影响系数，10年年均PM2.5每增加1单位，中老年群体人均慢性病医疗费用会增加799. 25元。根据第七次人口普查的数据显示，全国60岁以上的老年人口为 2.6402 亿，那么10年年均PM2.5每增加1单位，全国60岁以上的老年人口慢病医疗总费用将增加 2110.18 亿元。

(三)空气污染的长期非线性健康效应

为进一步检验空气污染对健康的长期影响是否呈非线性相关特点，本文将PM2.5浓度按照《环境空气质量标准》中的年平均一级标准(15μg/m3)与二级标准(35μg/m3)浓度限值分为4组：[0，15]、(15，35]、(35，55]和(55，55+]，并定义 [0，15]为基准组。本文对不同污染浓度组分别展开回归分析，并将10年内平均空气污染水平的非线性回归系数及其95%的置信区间进行可视化绘图，如图3(1)所示(6)相关数据可联系作者获取。。随着 PM2.5浓度上升，我们发现中老年人患慢性病数量急剧上升，即空气污染的长期负向健康影响随着空气污染程度的加重而逐渐增大。此外，我们将最高污染物浓度水平组别(55，55+]的1～10年累积影响的回归系数绘制在图3(2)中，发现随着污染积累时间越长，高浓度空气污染的负向健康影响逐渐增大，同时显著性提高。

图3 回归系数与置信区间

六、基于不同人群和区域的健康效应异质性分析

(一)空气污染的长期健康效应：基于不同性别和年龄的研究

表5是基于性别和年龄差异的实证结果。首先，如(1)列和(2)列所示，在基于性别的分组中，空气污染的长期健康效应在中老年女性群体中表现较为显著，但在中老年男性群体中不显著。在我们的研究样本中，女性在自评健康和慢性病方面的指标得分均优于男性，即女性样本的健康状态劣于男性样本。在排序为1～5的自评健康变量中，男性平均值为2.88，女性平均值为3.04，自评健康的等级越高表示身体状况越差。此外，男性平均患慢性病数值为0.54，女性患慢性病数值为0.58。综上所述，中老年女性的基准健康状态相比男性而言较差，在长期空气污染暴露下，中老年女性的健康状况可能更容易受影响。

其次，我们将45岁以上的中老年群体分为三个不同年龄段展开异质性研究，分别是45—55岁、55—65岁和65岁以上。如表5(3)列至(5)列所示，55—65岁群体的空气污染长期健康效应最为显著，但是65岁以上群体的空气污染长期健康效应不显著。这可能是因为65岁以上群体更倾向于减少外出而待在室内，其暴露于空气污染的可能性也大大降低，相较于其他年龄阶段的群体，该群体对空气污染的敏感度下降。同样，45—55岁群体的空气污染长期健康效应也不显著，该年龄段群体的身体机能和健康状态相比其他年龄段较好，故空气污染可能暂时未对其产生显著的长期影响。

表5 空气污染对慢性病患病数量在不同时间窗口的长期影响的异质性检验

(二) 空气污染的长期健康效应：基于不同区域的研究

我们以秦岭—淮河为界将区域划分为南方和北方(7)其中南方地区包括江苏、安徽、湖北、重庆、四川、西藏、云南、贵州、湖南、江西、广西、广东、福建、浙江、上海和海南；北方地区包括山东、河南、山西、陕西、甘肃、青海、新疆 、河北、天津、北京、内蒙古、辽宁、吉林、黑龙江和宁夏。，分地区的异质性结果如表5的(6)列和(7)列所示，其中(6)列表示北方地区的回归分析结果，(7)列表示南方地区的回归结果。我们发现，北方中老年人比南方中老年人对空气污染更为敏感。可能的原因是，南方中老年群体平均患慢性病数量为0.32个，而北方中老年群体平均患慢性病数量为0.35个，即南方中老年人群体的整体慢性病患病情况好于北方，并且北方由于供暖政策的实施导致污染水平整体比南方高[33]，因此北方中老年群体的健康水平更容易受到长期空气污染的负面影响。

(三)空气污染的长期健康效应：基于不同社会阶层的研究

由于较低的基础健康水准、有限的规避污染选择以及较少的医疗保健资源，低收入的社会群体往往会成为环境污染的弱势群体，易受到更大的负面健康影响。由于调查数据并未给出收入水平以及社会阶层相关信息，我们使用教育和消费作为代理变量，对不同受教育程度以及不同消费水平人群进行异质性分析，回归分析结果参见表6。首先，如(1)—(3)列所示，在基于受教育程度的分组中，未完成基础教育以及高中及以下中老年群体的健康水平更容易受到空气污染的长期负面影响，而高中以上教育水平中老年群体的污染长期健康效应不显著。如(4)—(7)列所示，在基于消费水平的分组中，家庭支出位于整体样本底部25%的中老年群体的空气污染长期健康效应较为显著，其余样本分位点均不显著。综上所述，处于相对弱势社会阶层的中老年人对长期空气污染暴露更为敏感，相同水平的空气污染对低收入、弱势社会阶层人群会造成更大的负面影响。

表6 空气污染对慢性病患病数量在不同时间窗口的长期影响的异质性检验

七、稳健性分析

(一)滞后非累积污染水平的健康效应影响

图4 滞后累积与滞后非累积PM2.5水平对慢性病数量的影响系数图

本文基于样本居住地1～10年内的PM2.5浓度来构建空气污染的长期累积水平，但空气污染水平在我们的研究窗口期内表现为先升高后降低的非平滑趋势(图1)， PM2.5浓度水平在某一年份的骤然波动可能会导致滞后累积污染水平的变化，从而影响健康效应估计的准确性。为排除该种可能性，我们使用滞后非累积污染水平重新考察空气污染的健康效应，结果如图4所示，仅滞后第1年与第2年的空气污染对健康的估计结果显著。因此，前文估计的长期积累效应并不是由某一年份的污染水平变化造成的，我们的结论较为稳健。

(二)迁移因素

表7 滞后期空气污染对慢性病患病数量在不同时间窗口的长期影响的稳健性检验

本文基于个人居住地所在行政区域构建空气污染的长期累积浓度水平，由于时间跨度长达10年，观测样本可能会在此期间进行迁移。遗憾的是CHARLS数据库中并未给出相关迁移信息。借鉴Deschenes等人的研究[23]，我们使用以下两种方案解决该问题。首先，受到大城市高房价或其他个人及家庭因素，部分人群的居住地与工作地有一定距离。针对该种可能性，我们使用省级层面污染水平代替市级变量，便于进一步扩大个人的污染暴露范围，如表7中(1)列所示，回归结果依然稳健。其次，城市居民由于工作出差、长短途旅行等原因会有更多的长短期迁移，所以我们将居住地所在城市的个体数据删除，仅保留农村地区的样本进行回归分析，如表7的(2)列所示，估计结果依旧很稳健。

(三)一阶段K-means聚类到不同数量组别

在一阶段，我们通过K-means聚类方法将污染物数据根据地理位置聚类到50个组别中。为验证回归分析结果的稳健性，我们将聚类组别数更改为30和40，如表7(3)列、(4)列所示，与聚类组别为50的基准回归分析对比，减少聚类组别会使回归系数的大小有所下降，即模糊地理边界会低估污染的长期健康效应。这可能与污染颗粒物的传播性有关，但长期效应依然显著，估计结果稳健。

(四)数据极端值的误差

我们对慢性病数量进行极端值处理，将该变量中小于其0.5百分位的数值替换为其0.5百分位数值，大于其 99.5 百分位的数值替换为其 99.5 百分位数值。处理前最大值为8，最小值为0；处理后最大值4，最小值为0，如表7的(5)列所示，我们的结论依旧稳健。

八、结论与政策启示

习近平总书记指出，良好生态环境是最为普惠的民生福祉，保护生态环境就是保护生产力，改善生态环境就是发展生产力。生态保护与污染防治不仅有益于经济社会可持续发展，还可以提高全体居民尤其是中老年人口的健康水平和人力资本，减少家庭的医疗支出以及社会的公共卫生成本，在人口老龄化大背景下促进“第二次人口红利”的释放。本文聚焦中老年这一污染易感以及慢病人群，将2013年、2015年和2018年CHARLS的个人层面调查数据与2003—2017年的市级PM2.5污染浓度相匹配，融合K-means聚类算法，利用风向变化这一空气污染的外生冲击作为工具变量，构造两阶段最小二乘法估计模型对空气污染的长期健康效应进行全面考察。结果显示，空气污染显著损害了中老年人的健康水平，并且该负面效应在1～10年内随暴露时间的延长而增加。具体而言，过去10年的平均PM2.5浓度每增加1μg/m3，中老年人患慢性疾病的数量将增加19%，并且随着污染程度的提高，对健康产生的负面效应呈非线性增加趋势。通过进一步异质性分析，发现空气污染对中老年人患慢性病数量的影响具有较为明显的性别、年龄、社会阶层以及居住区域差异。最后，本文的结论在考虑滞后年份污染水平波动、迁移因素、聚类组别数量和数据误差后结果依然稳健。

与以往研究空气污染健康效应的文献相比，由于引入更长的时间窗口以及使用居住地较为稳定、更易患慢性疾病的污染弱势群体，本文所估计的空气污染的长期负面健康效应更大，且呈非线性增长趋势，并由此推导出长期的医疗健康成本以及社会经济成本：10年年均PM2.5每增加1单位，每个中老年人口每年慢性病医疗成本负担会增加799.25元，全国60岁以上的中老年人口慢病医疗费用累积将增加 2110.18 亿元。此外，世界银行于2016年发布的《空气污染的成本：加强行动的经济理由》报告显示，环境污染增加了过早死亡概率，减少了劳动时间，提高了相关福利开支，导致中国损失国内生产总值的10%[50]。由此可见，空气污染的长期暴露不仅会造成医疗成本负担大幅度增加，还会导致劳动供给以及生产效率下降等间接经济损失[51]。坚持加大污染防治力度在一定程度上可以有效改善老年人口健康状况，降低慢性疾病风险及医疗成本，减少福利和社会经济损失，有利于促进生态环境治理与经济健康绿色发展的双重效益。

综上所述，本文从我国打赢蓝天保卫战的总体要求出发，对推进环境健康工作、加强慢病管理、实现健康老龄化提出如下政策建议：第一，应进一步重视空气污染对中老年人存在的长期健康负面效应，在制定环境治理工作长期规划时，应全面优化污染治理水平，提高污染治理效率，进一步改善空气质量并提高空气质量标准；第二，要根据空气污染长期效应呈非线性增加的特点，对平均污染程度较高的地区制定更加有针对性的空气污染防治计划；第三，在慢病早期筛查、慢病风险预测、预警与干预以及慢病人群管理等过程中，应注重对空气质量及其他环境因素的科学普及以及综合考察，加强对空气污染的预警以及应急预案工作；第四，根据空气污染对不同性别、年龄、地区以及不同社会阶层人群的影响异质性，提出针对环境污染弱势群体的精细化精准化污染防治方案、针对性保护等。