Scientia Geographica Sinica 2017 , 37 (3): 339-346 https://doi.org/10.13249/j.cnki.sgs.2017.03.003

Orginal Article

中国环境污染的健康压力时空差异特征

杨振, 敖荣军, 王念, 丁启燕

华中师范大学城市与环境科学学院/地理过程分析与模拟湖北省重点实验室, 湖北武汉430079

Spatio-temporal Difference Characteristic of Pollution’s Health Stress of China

Yang Zhen, Ao Rongjun, Wang Nian, Ding Qiyan

College of Urban and Environmental Sciences, Central China Normal University; Key Laboratory of Geological Process Analysis and Simulation of Hubei Province, Wuhan 430079, Hubei, China

中图分类号: X503.1

文献标识码: A

文章编号: 1000-0690（2017）03-0339-08

收稿日期: 2016-04-13

修回日期: 2016-08-4

网络出版日期: 2017-03-20

基金资助: 国家自然科学基金项目（41301187,71103073）资助

作者简介:

作者简介：杨振（1978-）,男,山东菏泽人,博士,副教授,从事人口发展与健康地理研究。E-mail:yangzhen0971@163.com

展开

摘要

构建基于环境污染的人口健康压力指数模型,引入空间集聚和收敛性检验方法,对中国各省区2005~2014年的污染健康压力的时空差异特征进行研究,结果表明：① 2005~2014年各省区的污染健康压力指数发生明显下降,省际差异程度有所降低,但“东高、西低、中部居中”的基本格局没有变化。② 各省区健康压力指数的空间分布在宏观上呈现出一定的空间集聚性,集聚趋势随时间有所弱化。③ 在控制城市化率、人均GDP、人口死亡率、森林覆盖率等变量的条件下,考察时段内各省区健康压力指数变化存在微弱的收敛性,各省区的健康压力预期将逐步趋同于某一较低水平。

关键词： 环境污染 ; 健康压力 ; 地区差异 ; 空间集聚 ; 收敛性检验

Abstract

Health is the basic right of human beings, and is also one of the important goals of the construction of well-off society in China. Nowadays, the rapid urbanization and industrialization have resulted in serious environmental pollution, which did harm to human health. To harmonize the relationships between economic development, environmental conservation and population health, it is necessary to measure the health pressure caused by environmental pollution at macro level to explore the spatial distribution pattern and changing rules of pollution’s health pressure. This paper established the population health pressure model based on environmental pollution, and used the spatial agglomeration and convergence test model to study the temporal and spatial differences characteristics of health pressure caused by pollution in China in the recent decade. At first, this paper built the index system of pollution health pressure. And then, the analytic hierarchy process based on expert knowledge was employed to determine the weight of index. And the findings showed that: 1) The pollution health pressure of each province decreased from 2005 to 2014, as well as the provincial differences, while the spatial pattern of “high in the east, middle in the central and low in the west” still existed; 2) The spatial agglomeration was one of the main characteristics of health pressure distribution, which could describe the spatial relations of geographic position and pressure index. This paper used the spatial autocorrelation and the global exponential of Moran’s I to study the spatial agglomeration. The spatial distribution of provincial pollution health pressure was not completely random. But instead it present the trend of spatial agglomeration, which meant that the high (low) pressure provinces were tend to adjacent high(low) level provinces. And compared with 2005, the space agglomeration in 2014 of pollution health pressure decreased; 3) Studying the convergence of temporal and spatial changes of health pressure helped learning the changing trends of health pressure, which could provide references for the formulation of relevant optimization policy. And the statistical test shown that the provincial pollution health pressure in 2005-2014 present the weak convergence trend while controlling the variables (urbanization rate, per capita GDP, population mortality and the forest coverage rate). And it meant that the provincial health pressure would be tend to the low-level convergence, in accordance with the continual decrease of health pressure difference and the weaker tendency of spatial agglomeration. Obviously, this article aimed at exploring the temporal and spatial differences characteristics of health pressure caused by environmental pollution in China, and the findings could provide references for government to optimize and coordinate the complicated relationships between environment and health.

Keywords： environmental pollution ; health pressure ; regional difference ; spatial agglomeration ; convergence test

PDF (584KB) 元数据多维度评价相关文章收藏文章

本文引用格式导出 EndNote Ris Bibtex

杨振, 敖荣军, 王念, 丁启燕. 中国环境污染的健康压力时空差异特征[J]. , 2017, 37(3): 339-346 https://doi.org/10.13249/j.cnki.sgs.2017.03.003

Yang Zhen, Ao Rongjun, Wang Nian, Ding Qiyan. Spatio-temporal Difference Characteristic of Pollution’s Health Stress of China[J]. Scientia Geographica Sinica, 2017, 37(3): 339-346 https://doi.org/10.13249/j.cnki.sgs.2017.03.003

一个国家或地区的人口健康水平与当地的环境质量密切相关,适量的光照、清洁的空气、洁净的水源、肥沃的土地对控制人体生物节律、增强免疫功能、促进生长发育具有积极作用^[1]。然而,快速城市化、工业化带来的大量污水和废气,以及农业现代化过多的依赖化肥和农药的施用,直接或间接恶化了水源和空气、污染了土壤、降低了作物品质,导致严重的健康隐患^[2]。王学渊等研究发现,工业废水排放强度对食管癌、胃癌和结直肠肛门癌的死亡率有显著正向效应^[3];陶庄发现人群肝癌的标化死亡率随河流累积的COD水平增加呈现单调上升趋势^[4]。农药在抑草杀虫的同时,也会部分残留或累积于瓜果、蔬菜和粮食中,引起急性或慢性危害。氮、磷是作物生长必需的大量元素,但过多施用氮肥会使作物果实中的硝酸盐含量急剧增加,食用后易引发高铁血红素白血症（俗称蓝色婴儿症）。磷肥中常夹杂砷、镉等化合物,通过食物链富集于人体,可在一定条件下诱发骨痛病等^[5]。除环境学、地理学和医学工作者高度关注环境与健康问题以外,经济学、社会学领域的研究者也注意到环境污染对健康的不利影响,提出了健康生产函数概念,认为在生命周期中除年龄外,环境污染是影响健康折旧率的重要因素,污染严重地区的居民普遍面临着健康存量加速折旧的冲击^[6]。同时还发现,环境污染的健康效应存在明显的年龄、收入与教育差异^[7],认为少年儿童身体发育不健全、老年人身体机能衰退,对污染的抵抗力要弱于青壮年人群;低收入者往往生活、工作条件差,为生计所迫在面对污染冲击时能够采取的选择较少,承受的不利影响较多、较重;文化程度高者一般收入也高,拥有的环境、健康知识相对丰富,获取信息的渠道更多,对污染的负面影响往往更能做出准确的判断并采取有效的防治措施。另有一些学者考察了人口分布、医疗设施与政府卫生管理等因素的健康效应^[8],发现相比于广阔的乡村地区,人口密集的大中城市在遭受污染侵袭时,健康经济损失往往更为严重;政府在卫生宣传、环境教育、人员培训、医疗设施建设与科技研发等方面的有效投入,对减弱污染冲击、提高国民体质不可或缺。

综合而言,当前关于环境污染与人口健康关系的研究已引起学界的高度关注,但研究主题多限于单项污染源对少数群体的微观影响,研究场域多限于单个城市、工业区或生活区,比较缺乏较大尺度的宏观分析。改革开放以来,中国经济社会发展取得举世瞩目的成就,但伴随而来的环境污染压力也与日俱增^[9]。为协调经济发展、环境保护与人口健康之间的关系,当前迫切需要从宏观上对环境污染导致的健康压力进行评价,以准确把握污染健康压力的空间分布格局与变化规律。本研究通过构建基于环境污染的健康压力指数模型,引入空间集聚和收敛性检验方法,对中国各省区2005、2014年两个代表年份的污染健康压力进行评价分析（不包括港、澳、台地区）,为政府相关决策提供参考依据。

1 基于污染的健康压力评价方法

1.1 指标体系

本研究主要关注省区层面的人口健康压力问题,环境污染为压力源。在各类工业或农业生产活动中,污染物通过各种渠道排放到大气、水体、土壤等自然环境中,经口、鼻、皮肤接触等途径进入人体,危害身体健康。显然,不同地区污染物的危害程度与污染物的种类和排放水平有关,同时与该地区人口健康的社会脆弱水平密切相关。这里从环境污染的危险性与人口健康的脆弱性两个角度出发,构建基于环境污染的健康压力评价指标体系。具体是,遵循科学性、系统性、数据可得性等原则,选择地表水COD负荷、森林SO₂负荷、农地化肥与农药施用强度等4个指标,反映水污染、大气污染、土地污染等对人口健康冲击的危险性水平。这些指标均为正向指标,数值越大,对人口健康影响的危险性越高。同时,选择地区人口密度、老少人口占比、人口文盲率、万人病床数、人均可支配收入、人均财政医疗投入等6个指标,反映人口健康在地理分布、年龄结构、健康素养、医疗供给水平、经济支付能力、卫生投入强度等方面的脆弱性。其中,前3个指标为正向指标,数值越大,地区人口健康的脆弱性水平越高;后3个为负向指标,数值越大,地区人口健康的脆弱性越低。各项指标的含义与计算方法见表1。

表1 污染健康压力评价指标

Table 1 Evaluation index of pollution’s health stress

二级因子	三级因子	指标含义与计算方法,单位	属性	权重
环境污染的危险性	水环境污染	地表水COD负荷=COD排放量/地表水资源量,kg/m³	正向	0.0940
	大气环境污染	森林SO₂负荷=SO₂排放量/森林面积,kg/ hm²	正向	0.1936
	农地化肥施用	化肥施用强度=化肥折纯量/农用地面积,kg/ hm²	正向	0.0543
	农地农药施用	农药施用强度=农药施用量/农用地面积,kg/ hm²	正向	0.1581
人口健康的脆弱性	人口地理分布	人口密度=人口数量/国土面积,人/km²	正向	0.0566
	人口年龄结构	老少人口占比=（14岁及以下少儿+65岁及以上老人数量）/总人口,%	正向	0.0660
	人口健康素养	人口文盲率= 15岁及以上文盲人口数/总人口,%	正向	0.0479
	医疗供给水平	万人病床数=医疗卫生机构床位数/总人口×10⁴,张/万人	负向	0.0683
	经济支付能力	人均可支配收入=城镇居民人均可支配收入×城市化率+农村居民×人均纯收入×（1-城市化率）,元/人	负向	0.1786
	卫生投入强度	人均财政医疗投入=地方财政医疗卫生费用支出/总人口,元/人	负向	0.0826

新窗口打开

需要指出的是,由于森林在吸纳废气、释氧固碳、调节气候等方面具有重要意义,森林面积的大小在一定程度上反映了一个地区对大气污染承载能力的高低,因此这里使用单位森林面积承载的SO₂负荷作为地区大气污染危险性水平的表征指标。另外,由于2006年及以前的地方财政支出中没有将医疗卫生支出单列,且缺乏合适的替代指标,因此这里使用2007~2014年的增长均速逆向推算出各地区2005年的财政医疗卫生支出水平,从而计算出人均量。上述10个指标均为相对量,便于地区之间的横向比较,计算中使用的基础数据均来自于相应年份的《中国统计年鉴》^[10]、《中国环境统计年鉴》^[11]、《中国农村统计年鉴》^[12]等。

1.2 指标权重

采用基于专家知识的层次分析法（Analytic hierarchy process,AHP）,定性、定量相结合确定各指标的权重系数。首先,将表1中二、三级因子分别作为AHP结构模型的准则层和方案层;然后征求多位社会医学和环境健康领域的专家、学者,对各因子指标进行两两比较打分;最后,在综合分析各专家打分意见和一致性检验的基础上,采用“和积法”计算得到各三级因子指标的权重系数 $\begin{matrix} a_{j} \end{matrix}$ （j=1,2,…,10）。如表1所示,10个三级因子指标的权重系数相差较大,其中反映大气污染危险性水平的森林SO₂负荷权重最大,为0.193 6,人均可支配收入、农药施用强度紧随其后,权重分别为0.178 6、0.158 1;水环境污染（0.094 0）、卫生投入强度（0.082 6）、医疗供给水平（0.068 3）、人口年龄结构（0.066 0）等指标的权重依次降低;权重最小的3个指标分别是人口地理分布（0.056 6）、农地化肥施用（0.054 3）与人口健康素养（0.047 9）。

1.3 评价模型

将各指标按照相应权重进行合成,得到污染健康压力的综合评价模型。在合成之前,为消除各指标量纲和量级不同对评价结果造成的偏差,还需要预先对各指标数据进行标准化处理。由于上述指标有正、负之分,故采用极差标准化方法进行处理。由于本研究要对2005、2014年两个年份进行纵向比较分析,为统一标准,这里对传统的极差标准化方法进行改进。

$\begin{matrix} \{\begin{matrix} z_{ij} = \frac{X_{ij} - \min {X_{ij, t_{1} t_{2}}}}{\max {X_{ij, t_{1} t_{2}}} - \min {X_{ij, t_{1} t_{2}}}} （正向指标） \\ z_{i j} = \frac{\max {X_{ij, t_{1} t_{2}}} - X_{ij}}{\max {X_{ij, t_{1} t_{2}}} - \min {X_{ij, t_{1} t_{2}}}} （负向指标） \end{matrix}\} \end{matrix}$ （1）

式中, $\begin{matrix} z_{ij} \end{matrix}$ 为某年份地区 $\begin{matrix} i \end{matrix}$ 指标 $\begin{matrix} j \end{matrix}$ 的标准化值, $\begin{matrix} X_{ij} \end{matrix}$ 为该年份地区 $\begin{matrix} i \end{matrix}$ 指标 $\begin{matrix} j \end{matrix}$ 的原始值, $\begin{matrix} i \end{matrix}$ =1,2,…,31,代表31个大陆省区（不包括港、澳、台地区）, $\begin{matrix} j \end{matrix}$ =1,2,…,10,代表10个三级因子指标。min{ $\begin{matrix} {X_{ij}}_{, t_{1} t_{2}} \end{matrix}$ }、max{ $\begin{matrix} {X_{ij}}_{, t_{1} t_{2}} \end{matrix}$ }分别表示所有年份中各地区指标 $\begin{matrix} j \end{matrix}$ 的最小、最大值, $\begin{matrix} t_{1} \end{matrix}$ 、 $\begin{matrix} t_{2} \end{matrix}$ 分别代表2005、2014年。

表2 污染健康压力指数变化统计特征

Table 2 Statistics characteristic and its change of pollution’s health stress index

项目	2005年	2014年	差值
东部地带平均值	0.4644	0.2972	-0.1672
中部地带平均值	0.4351	0.2971	-0.1380
西部地带平均值	0.4007	0.2531	-0.1476
东部地带标准差	0.0909	0.0775	-0.0134
中部地带标准差	0.0616	0.0543	-0.0073
西部地带标准差	0.0361	0.0402	0.0041
东、中部均值差	0.0293	0.0001	-0.0294
东、西部均值差	0.0637	0.0441	-0.0196
中、西部均值差	0.0344	0.0440	0.0097

新窗口打开

将上述10个指标进行线性加权合成,得到各地区的污染健康压力指数（Pollution’s health stress index,PHSI）。

$\begin{matrix} PHS I_{i} = \overset{10}{\sum_{i = 1}} α_{j} \times z_{ij} \end{matrix}$ （2）

式中, $\begin{matrix} PHS I_{i} \end{matrix}$ 为某年份地区 $\begin{matrix} i \end{matrix}$ 的污染健康压力指数,该指数越高,说明该地区人口承受的健康压力相对越大,反之越小;权重系数反映了各指标对健康压力评价结果的相对重要程度,为保持评价结果的纵向可比性,这里设定各指标权重a_j在两个年份里保持不变。

2 污染健康压力的时空对比特征

根据式（1、2）计算得到各地区2005、2014年两个代表年份的污染健康压力指数（图1）。可以发现,两个年份里各地区的压力指数均发生了幅度不等的下降,其中上海下降幅度最大,为0.415 8;河北的下降幅度最小,为0.069 5,二者相差近6倍。2005年,各地区压力指数最小值出现于黑龙江,为0.339 3,最大值出现于上海,为0.697 5;各地区的压力指数平均值为0.432 2,标准差为0.071 9。相比而言,2014年健康压力的最小、最大值分别出现于北京（0.167 0）和山东（0.433 7）,平均值为0.280 1,标准差为0.063 1。因此从总体上看,10 a间各地区的健康压力指数均值减少了0.152 1,标准差减少了0.008 8,最大、最小值的差异也从0.358 2减少到0.266 7,说明在研究时段内全国污染健康压力的总体水平在下降,同时省际差异也在下降。同时,方差分析表明,两个年份的压力指数序列通过方差齐性检验,存在着明显的差异（F=75.755,P<0.05）。

显示原图| 下载原图ZIP| 生成PPT

图1 污染健康压力指数的地区差异与变化

Fig.1 Difference and change of pollution’s health stress index

根据历年中国统计年鉴中对全国三大地带划分标准（图1）,分区统计发现,2005年东、中、西三大地带内部的健康压力平均值分别为0.464 4、0.435 1、0.400 7,东部最高,中部次之,西部最低;2014年3个地带的压力均值变化为0.297 2、0.297 1、0.253 1,分别减少了0.167 2、0.138 0、0.147 6,健康压力的空间格局仍然保持为“东高、西低、中部居中”的基本态势（表2）。这一特征与中国经济发展的地理格局存在较高相关性,东部地区经济相对发达,城市化、工业化水平高,污染排放的绝对量和相对量均高于中、西部地区,且人口稠密,老龄人口多,污染排放对健康的危险性较高;虽然拥有相对丰富的医疗资源和较高的经济支付能力,在一定程度上降低了健康的脆弱性,但所有因素作用的净效应仍然导致较高的健康压力。从各地带内部差异看,2005年东、中、西三大地带内部的标准差分别为0.090 9、0.061 6、0.036 1,2014年的变化为0.077 5、0.054 3、0.040 1,说明东、中部地带内的地区差异程度随时间变化在逐渐降低,而西部各地区的差异水平则有所增加。从三大地带之间的差异看,2005年,东、西部健康压力均值差最大,为0.063 7,中、西部差异（0.034 4）次之,东、中部差异（0.029 3）为最小。2014年东、西部差异（0.044 1）居首,稍高于中西部差异（0.044 0）,东中部差异（0.000 1）最小（见表2）,说明在两个代表年份里,东中部和东西部的差异均有所减少,中西部差异有所拉大。

3 污染健康压力的空间集聚变化特征

空间集聚性是污染健康压力分布的重要性质,描述了与地理位置相关的压力指数之间的空间联系特征。这里引入空间自相关的全局 $\begin{matrix} Moran’s I \end{matrix}$ 指数的计算和检验来分析^[13]。 $\begin{matrix} Moran’s I \end{matrix}$ 指数的取值范围为[-1, 1],计算方法如下：

$\begin{matrix} Moran’s I = \frac{n \overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j = 1}} w_{ij} (PHS I_{i} - \bar{PHSI}) (PHS I_{j} - \bar{PHSI})}{\overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j = 1}} w_{ij} \overset{n}{\sum_{i = 1}} (PHS I_{i} - \bar{PHSI})} \end{matrix}$ （3）

式中, $\begin{matrix} PHS I_{i} \end{matrix}$ 、 $\begin{matrix} PHS I_{j} \end{matrix}$ 分别表示地区 $\begin{matrix} i 、 j \end{matrix}$ 的污染健康压力指数, $\begin{matrix} \bar{PHSI} \end{matrix}$ 为 $\begin{matrix} PHSI \end{matrix}$ 的全国均值, $\begin{matrix} n \end{matrix}$ 为地区个数; $\begin{matrix} w_{ij} \end{matrix}$ 为空间邻接矩阵中的元素,如果两地区 $\begin{matrix} i 、 j \end{matrix}$ 存在邻接关系,则 $\begin{matrix} w_{ij} \end{matrix}$ =1,否则 $\begin{matrix} w_{ij} \end{matrix}$ =0。基于正态分布假设,对 $\begin{matrix} Moran’s I \end{matrix}$ 指数采用其标准化的统计量 $\begin{matrix} Z (I) \end{matrix}$ 检验所有地区之间是否存在显著的空间集聚趋势。

$\begin{matrix} Z (I) = \frac{I - E (I)}{\sqrt[]{VAR (I)}} \end{matrix}$ （4）

式中, $\begin{matrix} I \end{matrix}$ 为 $\begin{matrix} Moran’s I \end{matrix}$ 指数; $\begin{matrix} E (I) \end{matrix}$ 表示 $\begin{matrix} Moran’s I \end{matrix}$ 的数学期望, $\begin{matrix} VAR (I) \end{matrix}$ 表示方差。当 $\begin{matrix} Z (I) \end{matrix}$ 为正且显著时,表明各地区健康压力存在正的空间自相关,意味着压力相似的地区趋于空间集聚,在地理空间上形成一个或多个明显的高值集聚区或低值集聚区;当 $\begin{matrix} Z (I) \end{matrix}$ 为负且显著时,表明存在负的空间自相关,表示健康压力相似的地区趋于分散分布;当 $\begin{matrix} Z (I) \end{matrix}$ 为零时,健康压力观测值呈独立随机分布。

利用地理信息系统软件ArcGIS10.0和空间计量软件GeoDa 095i,根据式（3、4）计算两个年份各地区污染健康压力的 $\begin{matrix} Moran’s I \end{matrix}$ 指数及其标准化的统计量 $\begin{matrix} Z (I) \end{matrix}$ ,相应的标准化散点分布情况如表3所示。结果显示,2005年各地区健康压力的 $\begin{matrix} Moran’s I \end{matrix}$ 指数为0.375 5,且通过5%的显著性检验,表明中国各地区的污染健康压力存在显著的正向自相关,说明从统计学意义上看,各地区健康压力分布并非表现出完全的随机性,而是在宏观上呈现出一定的空间集聚趋势,压力较高的省区相对地趋向于和较高压力的省区相邻,压力较低的省区相对地趋于和较低压力的省区相邻。

表3 Moran散点图各象限地区分布

Table 3 Provincial distribution in each quadrant of Moran scatter plot

年份	第1象限（高-高）	第2象限（低-高）	第3象限（低-低）	第4象限（高-低）
2005	湖北、河北、安徽、河南、山东、天津、江苏、上海、江西	北京、浙江、广东	黑龙江、吉林、辽宁、新疆、青海、四川、福建、重庆、云南、西藏、甘肃、陕西、山西、内蒙古	广西、海南、湖南、宁夏、贵州
2014	湖北、河北、安徽、河南、山东、天津、江苏	北京、浙江、广东、陕西、山西、内蒙古	黑龙江、吉林、辽宁、新疆、青海、四川、福建、重庆、云南、西藏、贵州	广西、海南、湖南、宁夏、上海、江西、甘肃

新窗口打开

与2005年相比,2014年健康压力的 $\begin{matrix} Moran’s I \end{matrix}$ 指数降低为0.371 7,且均通过5%的显著性检验,说明该年份各地区的健康压力也存在显著的空间自相关,但空间聚集趋势与2005年相比有所弱化。

根据Rey提出的时空跃迁测度法分析表3中各象限单元的变化特征^[14],发现在所有的31个省份中,合计有24个在两个年份里所处的象限未发生变化。其中,湖北、河北、安徽、河南、山东、天津、江苏等7个省市始终位于第1象限,呈现“高-高”型空间集聚模式;北京、浙江、广东等3个省市始终位于第2象限,呈现“低-高”型集聚模式;黑龙江、吉林、辽宁、新疆、青海、四川、福建、重庆、云南、西藏等10个省区始终位于第3象限,呈现“低-低”型集聚模式;广西、海南、湖南、宁夏等4个省区始终位于第4象限,呈现“高-低”型集聚模式。另外7个省份在两个时点上发生了象限转移,其中受自身健康压力降低的影响,主动发生跃迁而改变象限的省份为贵州,从第4象限（高-低）跃迁到第3象限（低-低）;甘肃则由于自身压力的升高由第3象限（低-低）跃迁到第4象限（高-低）。上海和江西受周边省区压力相对减少的影响,被动发生跃迁而改变象限,由第1象限（高-高）跃迁到第4象限（高-低）;陕西、山西和内蒙古则由于周边压力的相对增高,被动地由第3象限（低-低）跃迁到第2象限（低-高）。

4 污染健康压力变化的收敛性检验

对污染健康压力时空变化的收敛性进行检验,有利于明晰压力变化的未来趋势,为相关优化策略提供依据。由于研究时段内所有地区的健康压力指数均有所降低,因此收敛性检验的实质是确定压力指数初始水平较高的地区是否具有比低水平地区更高的降低速度,以此判断不同地区的压力水平在未来是否存在所谓的趋同趋势。借鉴经济学研究中经典的收敛性检验方法^[15],本研究构建的污染健康压力变化收敛性检验模型,见式（5）。

$\begin{matrix} \frac{1}{T - t} \ln \frac{PHR I_{iT}}{PHR I_{it}} = a + blnPHR I_{it} + Ψ X_{it}^{T} + φ_{it} \end{matrix}$ （5）

式中, $\begin{matrix} PHR I_{it} \end{matrix}$ 表示地区 $\begin{matrix} i \end{matrix}$ 在考察期初 $\begin{matrix} t \end{matrix}$ 的健康压力指数, $\begin{matrix} PHR I_{iT} \end{matrix}$ 表示地区 $\begin{matrix} i \end{matrix}$ 在考察期末 $\begin{matrix} T \end{matrix}$ 的压力指数;T-t为考察时长; $\begin{matrix} a \end{matrix}$ 为常数, $\begin{matrix} b \end{matrix}$ 为待估的收敛系数。对 $\begin{matrix} b \end{matrix}$ 而言,如果估计结果显著为负,则认为各地区的健康压力在研究时段内存在明显收敛趋势,绝对值越大,收敛速度越快;若 $\begin{matrix} b \end{matrix}$ 显著不小于0,表示各地区健康压力变化则存在明显的发散态势。 $\begin{matrix} X = (x_{1}, x_{2} \dots, x_{n})^{T} \end{matrix}$ 为一组控制变量, $\begin{matrix} Ψ \end{matrix}$ =（ $\begin{matrix} ψ_{1} \end{matrix}$ , $\begin{matrix} ψ_{2} \end{matrix}$ ,…, $\begin{matrix} ψ_{n} \end{matrix}$ ）为控制变量对应的系数, $\begin{matrix} φ_{it} \end{matrix}$ 为随机误差项。

根据式（5）对2005~2014年间的健康压力收敛性进行检验。考虑到造成各地区健康压力差距的一些主导因素和数据的可得性,从社会、经济、健康基础、自然条件等视角选取城市化率、人均GDP、人口死亡率和森林覆盖率等指标构建控制变量集合。一般来说,普通最小二乘（OLS）法是当前广泛使用的参数估计方法^[16],但由于上述5类变量相互重叠,彼此之间存在较高的共线性,直接使用这一方法将严重扩大模型误差并破坏模型的稳健性,导致估计结果存在较大偏差,使用主成分回归方法能有效克服这一缺陷。首先,对5个自变量做主成分分析,提取全部主成分z_f（f=1, 2, …, 5）与因变量进行回归建模：

$\begin{matrix} y = α + μ_{1} z_{1} + μ_{2} z_{2} + \dots + μ_{5} z_{5} + ε \end{matrix}$ （6）

式中, $\begin{matrix} y \end{matrix}$ 为污染健康压力指数（即PHSI）; $\begin{matrix} α \end{matrix}$ 为常数; $\begin{matrix} μ_{1} \end{matrix}$ ~ $\begin{matrix} μ_{5} \end{matrix}$ 为各主成分自变量的系数; $\begin{matrix} ε \end{matrix}$ 为残差;采用OLS方法进行估计并逐步删除 $\begin{matrix} t \end{matrix}$ 检验不显著的主成分,仅保留通过检验的主成分（表4）。显然,这些相互直交的主成分避免了在一般回归参数估计时使用OLS方法的困难,并且由于各主成分均为原自变量的线性组合,转换后可以得到关于原自变量与因变量的回归关系：

$\begin{matrix} y = β + r_{1} x_{1} + r_{2} x_{2} + \dots + r_{5} x_{5} + η \end{matrix}$ （7）

式中, $\begin{matrix} β \end{matrix}$ 为常数; $\begin{matrix} r_{1} \end{matrix}$ ~ $\begin{matrix} r_{5} \end{matrix}$ 为原自变量x的系数; $\begin{matrix} η \end{matrix}$ 为残差。为增加模型估计的稳健型,反映2005~2014年的总体情况,这里将初始健康压力指数的自然对数（ $\begin{matrix} x_{1} \end{matrix}$ ）以及研究时段内城市化率均值的自然对数（ $\begin{matrix} x_{2} \end{matrix}$ ）、人均GDP均值的自然对数（ $\begin{matrix} x_{3} \end{matrix}$ ）、人口死亡率均值的自然对数（ $\begin{matrix} x_{4} \end{matrix}$ ）、森林覆盖率均值的自然对数（ $\begin{matrix} x_{5} \end{matrix}$ ）作为模型的自变量。计算中使用的基础数据均来源于相应年份的《中国统计年鉴》^[10]、《中国人口统计年鉴》^[17]等。

表4 主成分荷载与回归系数

Table 4 Principal component load and regression coefficient

自变量	z₁	z₂	z₃	z₄	z₅	回归系数r_i
x₁	0.1830	0.8990	0.1290	-0.3760	0.0030	-0.0020
x₂	0.9410	-0.0050	0.2360	0.1140	-0.2120	-0.0104
x₃	0.9400	0.1040	0.1470	0.2070	0.2030	-0.0103
x₄	-0.6020	0.5330	0.3920	0.4450	-0.0220	0.0066
x₅	-0.1670	-0.3840	0.8840	-0.2080	0.0330	0.0018

新窗口打开

主成分回归结果显示,只有第一主成分在5%的水平上通过检验,相应的估计方程为 $\begin{matrix} y \end{matrix}$ =0.034-0.011 $\begin{matrix} z_{1} \end{matrix}$ 。其他4个主成分变量对健康压力变化无显著影响。回归方程的 $\begin{matrix} F \end{matrix}$ 值为7.334, $\begin{matrix} R^{2} \end{matrix}$ 为0.202 0,说明健康压力变化的20.20%可由其初始水平进行解释。经过变量代换,健康压力变化关于原自变量 $\begin{matrix} x_{i} \end{matrix}$ （ $\begin{matrix} i \end{matrix}$ =1, 2, …, 5）的回归系数见表4。可以发现,初始健康压力指数的自然对数（ $\begin{matrix} x_{1} \end{matrix}$ ）的系数 $\begin{matrix} b \end{matrix}$ =-0.002 0<0,表示在控制其他4个变量的条件下,各地区健康压力指数存在微弱的收敛趋势,表明初始水平较低地区的健康压力降速慢于水平较高的地区,初始水平较高地区的健康压力降速则快于初始水平较低的地区,因而两类地区之间的压力差异存在随时间变化而减小的未来趋势。意味着若假以时日,各地区的健康压力指数预期将会逐步趋同于某一较低水平。显然,这一变化趋势与中国健康压力的地区差距有所降低、空间集聚性有所弱化的基本特征具有内在的一致性。

5 结论与讨论

健康是人的基本权利,也是中国建设小康社会的重要目标之一^[18]。本研究对中国环境污染导致的健康压力时空差异特征与变化规律进行探索,主要结论如下：

1） 2005~2014年中国各省区的污染健康压力指数发生明显下降,省际差异程度有所降低,但“东高、西低、中部居中”的基本格局没有发生变化。

2）各省区健康压力指数的空间分布并非表现出完全的随机性,而是在宏观上呈现出一定的空间集聚性,压力较高（低）的省区相对地趋向于和较高（低）水平的省区相邻;与2005年相比,2014年的健康压力集聚趋势有所弱化。

3）在控制城市化率、人均GDP、人口死亡率、森林覆盖率等变量的条件下,考察时段内各省区健康压力指数变化存在微弱的收敛性,说明各省区的健康压力预期将逐步趋同于某一较低水平,这一变化趋势与健康压力的地区差距减小、空间集聚弱化的基本特征具有内在的一致性。

上述结果为政府优化调控环境与健康之间的复杂关系提供了部分依据,特别是本文构建的压力指数综合考虑了污染的危险性和健康的脆弱性两个因素,在计算中直接使用来自政府公布的统计数据,所得结果比较客观。但本研究仅对2005、2014年两个代表年份进行了比较分析,得到一些有意义的结论,下一步将根据经济社会发展的阶段性,对不同历史时期各地区健康压力的时空变化特征进行综合比较研究。

致谢：华中师范大学的龚胜生、张涛参加本文研讨,提出一些建设性意见,谨表谢忱。

The authors have declared that no competing interests exist.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]	苟晓霞. 世界各国预期寿命差异及影响因素定量分析 [J].南京人口管理学院学报,2013, 29(3):31-36. URL [本文引用: 1] [Gou Xiaoxia. Quantitative analysis of life expectancy and its influencing actors in different countries of the world. Journal of Nanjing College for Population Programmer Management, 2013, 29(3):31-36.] URL [本文引用: 1]
[2]	明艳. 我国人口健康水平区域间差异性与区域内不平衡性的聚类分析 [J].人口研究,2009, 33(22):67-73. URL [本文引用: 1] [Ming Yan. Cluster analysis on the inter-provincial differences and intra-provincial imbalances of health in China. Population Research, 2009, 33(22):67-73.] URL [本文引用: 1]
[3]	王学渊,潘康婷. 中国工业水污染的公众健康影响研究:来自肿瘤登记地区的经验证据 [J].中共浙江省委党校学报,2015,(4):61-68. URL [本文引用: 1] [Wang Xueyuan, Pan Kangting. The China’s industrial water pollution to public health impact study: From the empirical evidence of cancer registration area. Journal of Zhejiang Party School of C. P. C, 2015,(4): 61-68.] URL [本文引用: 1]
[4]	陶庄,杨功焕. 环境因子对人群健康影响的测量与评估方法 [J].环境与健康杂志,2010,27(4):342-345. URL [本文引用: 1] [Tao Zhuang, Yang Gonghuan. On the impact of environmental factors on population health survey and evaluation method. Journal of Environment and Health, 2010, 27(4):342-345.] URL [本文引用: 1]
[5]	韩洪云,蔡书凯. 农药施用健康成本及其影响因素研究:基于粮食主产区农户调研数据 [J].中国农业大学学报,2011,16(5):163-170. URL [本文引用: 1] 摘要为定量测度稻农施用农药的健康成本，实证分析其影响因素，本研究利用农户实地调研数据，基于疾病成本法定量测度了稻农农药施用的健康成本，应用双对数模型定量分析其影响因素。研究发现，样本农户农药施用的健康成本为74．46元／（年·人），分别占晚稻、中稻和早稻生产成本的9．85％、9．40％和1．57％；双对数模型实证研究发现施药者年龄、农民采取的防护措施、农药施用频次、每次花费的时间、IPM（病虫害综合防治）技术采纳程度、喷洒工具、到诊所（医院）距离以及是否是农药标签文盲等是农药施用农民健康成本的主要影响因素。为了有效降低农药施用农民的健康成本，从知识角度，应加强施药知识培训引导农户安全施药；从信息角度，应加强农药标签说明标准化管理；从科技角度，应加大高效率喷洒机械研发和补贴力度；从服务角度，应加强病虫害信息服务，同时加大IPM知识的扩散；从财政支持的角度，应加大国家对相关项目服务的补助力度。 [Han Hongyun, Cai Shukai. Study on the health cost of pesticide application and its determining factors: An empirical study based on a field survey of rice households in Anhui Province. Journal of China Agricultural University, 2011, 16(5):163-170.] URL [本文引用: 1] 摘要为定量测度稻农施用农药的健康成本，实证分析其影响因素，本研究利用农户实地调研数据，基于疾病成本法定量测度了稻农农药施用的健康成本，应用双对数模型定量分析其影响因素。研究发现，样本农户农药施用的健康成本为74．46元／（年·人），分别占晚稻、中稻和早稻生产成本的9．85％、9．40％和1．57％；双对数模型实证研究发现施药者年龄、农民采取的防护措施、农药施用频次、每次花费的时间、IPM（病虫害综合防治）技术采纳程度、喷洒工具、到诊所（医院）距离以及是否是农药标签文盲等是农药施用农民健康成本的主要影响因素。为了有效降低农药施用农民的健康成本，从知识角度，应加强施药知识培训引导农户安全施药；从信息角度，应加强农药标签说明标准化管理；从科技角度，应加大高效率喷洒机械研发和补贴力度；从服务角度，应加强病虫害信息服务，同时加大IPM知识的扩散；从财政支持的角度，应加大国家对相关项目服务的补助力度。
[6]	苗艳青,陈文晶. 空气污染和健康需求:Grossman模型的应用 [J].世界经济,2010,(6):140-160. [本文引用: 1] [Miao Yanqing, Chen Wenjing. Air pollution and health needs: The application of the Grossman’s model . The Journal of World Economy,2010(6):140-160.] [本文引用: 1]
[7]	于晓薇,胡宏伟,吴振华. 我国城市居民健康状况及影响因素研究 [J].中国人口·资源与环境,2010,20(2):151-156. https://doi.org/10.3969/j.issn.1002-2104.2010.02.026 URL [本文引用: 1] 摘要随着中国城市化、工业化快速推进,城市居民的健康日益受到环境、外部压力等因素的影响,加上生活方式和健康观念方面的原因,城市居民健康状况的改善缓慢.利用2006年中国健康与营养调查(CHNS)截面数据,描述了我国城市居民的健康及其分布状况,利用Ordered Probit模型分析了影响城市居民的健康状况的各类因素.结果发现:家庭状况、生活习惯、就医决策、医疗保险等因素均影响城市居民的健康水平;尤其是在收入、工作等经济因素之外,健康观念、就医决策和保险覆盖等社会和制度因素亦对城市居民个人健康产生影响.同时,通过逐步回归控制相关变量的方法,检验了Grossman模型的适用性,同时也检验了影响因素作用机制的稳定性.在总结研究结论与不足的基础上,提出了应从经济,社会和制度三个层面全面促进城市居民健康的综合改革框架. [Yu Xiaowei, Hu Hongwei, Wu Zhenhua. The health status of citizens in China and its influencing factors. China Population, Resources and Environment, 2010, 20(2):151-156.] https://doi.org/10.3969/j.issn.1002-2104.2010.02.026 URL [本文引用: 1] 摘要随着中国城市化、工业化快速推进,城市居民的健康日益受到环境、外部压力等因素的影响,加上生活方式和健康观念方面的原因,城市居民健康状况的改善缓慢.利用2006年中国健康与营养调查(CHNS)截面数据,描述了我国城市居民的健康及其分布状况,利用Ordered Probit模型分析了影响城市居民的健康状况的各类因素.结果发现:家庭状况、生活习惯、就医决策、医疗保险等因素均影响城市居民的健康水平;尤其是在收入、工作等经济因素之外,健康观念、就医决策和保险覆盖等社会和制度因素亦对城市居民个人健康产生影响.同时,通过逐步回归控制相关变量的方法,检验了Grossman模型的适用性,同时也检验了影响因素作用机制的稳定性.在总结研究结论与不足的基础上,提出了应从经济,社会和制度三个层面全面促进城市居民健康的综合改革框架.
[8]	林相森,艾春荣. 对中国医疗服务利用不平等问题的实证检验 [J].中国人口科学,2009,(3):86-112. URL [本文引用: 1] 摘要中国医疗卫生领域中的严重不平等现象,尤其是贫富阶层和城乡居民之间的不平等,经常成为学者和国际组织讨论的焦点。然而,到目前为止尚没有针对中国医疗卫生体系中的不平等及其来源进行的严格检验。文章利用中国健康与营养调查2006年的数据,运用半参数方法进行了实证检验。结果显示,中国当前存在着不同收入阶层之间的医疗服务利用不平等;虽然有迹象表明存在着城乡居民之间的医疗服务利用不平等,但证据不够充分。 [Lin Xiangsen, Ai Chunrong. Empirical tests on the in equal use of Chinese medical services. China Journal of Population Science, 2009, (3):86-112.] URL [本文引用: 1] 摘要中国医疗卫生领域中的严重不平等现象,尤其是贫富阶层和城乡居民之间的不平等,经常成为学者和国际组织讨论的焦点。然而,到目前为止尚没有针对中国医疗卫生体系中的不平等及其来源进行的严格检验。文章利用中国健康与营养调查2006年的数据,运用半参数方法进行了实证检验。结果显示,中国当前存在着不同收入阶层之间的医疗服务利用不平等;虽然有迹象表明存在着城乡居民之间的医疗服务利用不平等,但证据不够充分。
[9]	何雄浪,张泽义. 经济活动空间分布的探究:技术溢出、环境污染与贸易自由化 [J].地理科学,2015,35(2): 161-167. URL Magsci [本文引用: 1] 摘要 <p>新经济地理学第一次在一般均衡的分析框架内说明了经济活动的内生区位选择机理.经济活动的空间分布不仅跟技术溢出、环境污染有关,也跟贸易自由化有关.技术溢出效应跟空间距离有关,随着地区间技术溢出效应的增加,会加强产业的分散力,推动经济空间结构由非对称结构转向对称结构.环境污染必然影响资本生产部门的生产成本,随着地区间环境污染传播效应的增加,会增强产业的集聚力,推动经济空间结构由对称结构向非对称结构演变.贸易自由度的变化可以引起任何形式的产业空间结构稳态,对称结构、中心-外围结构以及部分产业集聚都有存在的可能.虽然经济活动的空间集中的非均衡发展是国家经济发展初期不可逾越的阶段,但是由此产生的区域经济差异会随着经济一体化的深入推进而最终消失.</p> [He Xionglang, Zhang Zeyi. Exploration on the distribution of economic activity: technology spillover, environmental pollution and trade liberalization. Scientia Geographica Sinica, 2015,35(2): 161-167.] URL Magsci [本文引用: 1] 摘要 <p>新经济地理学第一次在一般均衡的分析框架内说明了经济活动的内生区位选择机理.经济活动的空间分布不仅跟技术溢出、环境污染有关,也跟贸易自由化有关.技术溢出效应跟空间距离有关,随着地区间技术溢出效应的增加,会加强产业的分散力,推动经济空间结构由非对称结构转向对称结构.环境污染必然影响资本生产部门的生产成本,随着地区间环境污染传播效应的增加,会增强产业的集聚力,推动经济空间结构由对称结构向非对称结构演变.贸易自由度的变化可以引起任何形式的产业空间结构稳态,对称结构、中心-外围结构以及部分产业集聚都有存在的可能.虽然经济活动的空间集中的非均衡发展是国家经济发展初期不可逾越的阶段,但是由此产生的区域经济差异会随着经济一体化的深入推进而最终消失.</p>
[10]	国家统计局.中国统计年鉴[M].北京:中国统计出版社,2006-2015. [本文引用: 2] [National Bureau of Statistics. China Statistical Yearbook. Beijing: China Statistics Press, 2006-2015.] [本文引用: 2]
[11]	国家统计局,环境保护部.中国环境统计年鉴[M].北京:中国统计出版社,2006-2015. [本文引用: 1] [National Bureau of Statistics, Ministry of Environmental Protection of China. China Statistical Yearbook on Environment. Beijing: China Statistics Press, 2006-2015.] [本文引用: 1]
[12]	国家统计局.中国农村统计年鉴[M].北京:中国统计出版社,2006-2015. [本文引用: 1] [National Bureau of Statistics.China Rural Statistical Yearbook. Beijing: China Statistics Press, 2006-2015.] [本文引用: 1]
[13]	张荣天,焦华富. 长江三角洲地区城镇化效率测度及空间关联格局分析 [J].地理科学,2016,36(4):433-439. URL [本文引用: 1] 摘要以长江三角洲地区为例,构建城镇化效率的指标体系,运用DEA模型测度1990~2011年研究区城镇化效率;基于ESDA空间分析平台,运用全局、局部自相关测度模型对长江三角洲地区城镇化效率空间关联格局特征进行了分析。结果表明:1从城镇化效率测度来看,自20世纪90年代起长江三角洲地区城镇化综合效率整体上偏低,呈上升趋势,技术效率上总体较高呈略升趋势,而规模效率总体偏高呈减弱态势;2从全局空间关联来看,长江三角洲地区城镇化效率呈现出正的空间相关性特征,存在着效率空间集聚现象,即城镇化效率高(低)的地区空间相互邻接;3从局部空间关联来看,效率L-L关联区及H-H关联区所占比重较大,并呈现出不断上升的趋势;同时L-L关联区主要集中在台州、舟山等地,空间分布格局保持稳定;而H-H关联区主要分布在苏锡沪,并呈现出向绍、杭地区演化态势。 [Zhang Rongtian, Jiao Huafu. Measurement and spatial correlation pattern of urbanization efficiency in the Changjiang river delta. Scientia Geographica Sinica, 2016,36(4):433-439.] URL [本文引用: 1] 摘要以长江三角洲地区为例,构建城镇化效率的指标体系,运用DEA模型测度1990~2011年研究区城镇化效率;基于ESDA空间分析平台,运用全局、局部自相关测度模型对长江三角洲地区城镇化效率空间关联格局特征进行了分析。结果表明:1从城镇化效率测度来看,自20世纪90年代起长江三角洲地区城镇化综合效率整体上偏低,呈上升趋势,技术效率上总体较高呈略升趋势,而规模效率总体偏高呈减弱态势;2从全局空间关联来看,长江三角洲地区城镇化效率呈现出正的空间相关性特征,存在着效率空间集聚现象,即城镇化效率高(低)的地区空间相互邻接;3从局部空间关联来看,效率L-L关联区及H-H关联区所占比重较大,并呈现出不断上升的趋势;同时L-L关联区主要集中在台州、舟山等地,空间分布格局保持稳定;而H-H关联区主要分布在苏锡沪,并呈现出向绍、杭地区演化态势。
[14]	Rey S J. Spatial empirics for economic growth and convergence [J]. Geographical Analysis, 2001, 33(3): 195-214. https://doi.org/10.1111/j.1538-4632.2001.tb00444.x URL [本文引用: 1] 摘要 This paper suggests some new empirical strategies for analyzing the evolution of regional income distributions over time and space. These approaches are based on extensions to the classical Markov transition matrices that allow for a more comprehensive analysis of the geographical dimensions of the transitional dynamics. This is achieved by integrating some recently developed local spatial statistics within a Markov framework. Insights to not only the frequency with which one economy may transition across different classes in the income distribution, but also how those transitions may or may not be spatially dependent are provided by these new measures. A number of indices are suggested as ways to characterize the space-time dynamics and are illustrated in a case study of U. S. regional income dynamics over the 1929 1994 period.
[15]	韩海彬,赵丽芬. 环境约束下中国农业全要素生产率增长及收敛分析 [J].中国人口·资源与环境,2013, 23(3):70-76. https://doi.org/10.3969/j.issn.1002-2104.2013.03.011 URL [本文引用: 1] 摘要利用单元调查评估方法对农业面源污染进行核算,并将其作为农业生产过程中的"坏"产出指标纳入农业全要素生产率(TFP)评价模型,采用Malmquist-Luenberger生产率指数方法分析1993-2010年环境约束下中国29个省份农业TFP增长,并对其收敛性进行了检验。研究表明:①环境约束下中国各地区农业TFP在考察期内均取得了一定程度的增长,并且该增长主要是由农业技术进步推动,但是各地区的农业技术效率却出现了不同程度的恶化;②从地区差异来看,环境约束下中国各地区农业TFP在增长的同时呈现东、西、中部地区依次递减;③当不考虑环境因素时,全国范围以及中、西部地区的农业TFP平均增长率分别比考虑环境因素时提高0.88%、1.71%和2.35%,但是东部地区却比考虑环境因素时降低1.01%;④环境约束下中国各地区农业TFP都存在σ收敛和绝对β收敛,但是σ收敛趋势并不稳定,σ值呈现出显著的波动特征。 [Han Haibin, Zhao Lifen. Growth and convergence of agricultural total factor productivity in China under environmental regulations . China Population, Resources and Environment, 2013, 23(3):70-76.] https://doi.org/10.3969/j.issn.1002-2104.2013.03.011 URL [本文引用: 1] 摘要利用单元调查评估方法对农业面源污染进行核算,并将其作为农业生产过程中的"坏"产出指标纳入农业全要素生产率(TFP)评价模型,采用Malmquist-Luenberger生产率指数方法分析1993-2010年环境约束下中国29个省份农业TFP增长,并对其收敛性进行了检验。研究表明:①环境约束下中国各地区农业TFP在考察期内均取得了一定程度的增长,并且该增长主要是由农业技术进步推动,但是各地区的农业技术效率却出现了不同程度的恶化;②从地区差异来看,环境约束下中国各地区农业TFP在增长的同时呈现东、西、中部地区依次递减;③当不考虑环境因素时,全国范围以及中、西部地区的农业TFP平均增长率分别比考虑环境因素时提高0.88%、1.71%和2.35%,但是东部地区却比考虑环境因素时降低1.01%;④环境约束下中国各地区农业TFP都存在σ收敛和绝对β收敛,但是σ收敛趋势并不稳定,σ值呈现出显著的波动特征。
[16]	王新刚,孔云峰. 基于时空窗口改进的时空加权回归分析——以湖北省黄石市住房价格为例 [J].地理科学,2015,35(5):615-621. URL Magsci [本文引用: 1] 摘要 <p>针对地理加权回归(GWR)模型不能有效处理样本数据空间自相关性这一问题, 构造局部时空窗口统计量, 尝试改进时空加权回归(GTWR)模型。定义多时空窗口的概念, 给出其选取、计算和验证方法; 计算时空窗口包含的各样本点的被解释变量平均值, 与样本拟合点的被解释变量值的比值, 作为新的解释变量, 构建改进的时空加权回归(IGTWR)模型。以土地稀缺、多中心、资源型城市——湖北省黄石市为例, 收集2007~2012 年商品住宅成交价格1.93 万个数据和398 个楼栋样本点, 选取小区等级、绿化率、楼栋总层数、容积率、距区域中心距离和销售年份6 个解释变量, 分别利用常规线性回归(OLS)、GWR、GTWR和IGTWR方法进行回归分析。模型结果表明: 计算Moran's I 指数和分析时间序列的自相关性, 能确定时空窗口的大小和数量的选取; IGTWR模型和各变量的回归统计均通过0.05 的显著性水平检验, 有关解释变量的系数估计值在空间分布上能合理解释; GWR拟合结果优于OLS, GTWR优于GWR, 而IGTWR拟合精度最好。与GTWR模型分析相比, IGTWR模型<em>R</em><sup>2</sup>从0.877提升到0.919, 而AICc、残差方(RSS)和均方差(MSE)分别从6 226、49 996 201 和354.427 下降到6 206、32 327 472和284.969。案例研究表明: IGTWR能够表达一定时空范围的时空自相关特征, 减小了估计误差, 提高了回归拟合精度。</p> [Wang Xingang, Kong Yunfeng. An improved spatio-temporally weighted regression analysis based on spatio-temporal windows: A case study of housing price of Huangshi City, Hubei Province. Scientia Geographica Sinica, 2015,35(5):615-621.] URL Magsci [本文引用: 1] 摘要 <p>针对地理加权回归(GWR)模型不能有效处理样本数据空间自相关性这一问题, 构造局部时空窗口统计量, 尝试改进时空加权回归(GTWR)模型。定义多时空窗口的概念, 给出其选取、计算和验证方法; 计算时空窗口包含的各样本点的被解释变量平均值, 与样本拟合点的被解释变量值的比值, 作为新的解释变量, 构建改进的时空加权回归(IGTWR)模型。以土地稀缺、多中心、资源型城市——湖北省黄石市为例, 收集2007~2012 年商品住宅成交价格1.93 万个数据和398 个楼栋样本点, 选取小区等级、绿化率、楼栋总层数、容积率、距区域中心距离和销售年份6 个解释变量, 分别利用常规线性回归(OLS)、GWR、GTWR和IGTWR方法进行回归分析。模型结果表明: 计算Moran's I 指数和分析时间序列的自相关性, 能确定时空窗口的大小和数量的选取; IGTWR模型和各变量的回归统计均通过0.05 的显著性水平检验, 有关解释变量的系数估计值在空间分布上能合理解释; GWR拟合结果优于OLS, GTWR优于GWR, 而IGTWR拟合精度最好。与GTWR模型分析相比, IGTWR模型<em>R</em><sup>2</sup>从0.877提升到0.919, 而AICc、残差方(RSS)和均方差(MSE)分别从6 226、49 996 201 和354.427 下降到6 206、32 327 472和284.969。案例研究表明: IGTWR能够表达一定时空范围的时空自相关特征, 减小了估计误差, 提高了回归拟合精度。</p>
[17]	国家统计局.中国人口统计年鉴[M].北京:中国统计出版社,2006-2015. [本文引用: 1] [National Bureau of Statistics. China Population Statistical Yearbook. Beijing: China Statistics Press, 2006-2015.] [本文引用: 1]
[18]	吕添贵,吴次芳,李洪义. 人口城镇化与土地城镇化协调性测度及优化——以南昌市为例 [J].地理科学,2016,36(2):239-246. URL [本文引用: 1] 摘要人口与土地是城镇化的重要组成部分,分析二者之间状态演化对促进城市健康发展具有重要意义。在界定人口城镇化与土地城镇化二者概念基础上,基于人口构成、人口素质、人口生活、城镇规模、城镇投入、城镇产出等构建评价指标体系,并通过耦合协调模型对省会型城市南昌市2002-2011年两者之间的协调关系进行测度和分析,结果表明：①人口城镇化指数与土地城镇化指数呈波动变化并持续上涨,城镇发展由土地滞后型向人口滞后型转变;②人口城镇化与土地城镇化的协调状态由失调衰退区向过渡协调区演进,发展类型则由高度不协调状态向勉强协调状态过渡。在此基础上分析了南昌市人口城镇化速度滞后于土地城镇化速度的原因,指出两者关系主要受到城市发展外在制度与内在基础的共同作用,并认为构建人口与土地城镇化双重优化路径是协调人口城镇化与土地城镇化同步发展的有效途径。 [Lyu Tiangui, Wu Cifang, Li Hongyi. The coordination and its optimization about population and land of urbanization:A case study of Nanchang City. Scientia Geographica Sinica,2016, 36(2):239-246.] URL [本文引用: 1] 摘要人口与土地是城镇化的重要组成部分,分析二者之间状态演化对促进城市健康发展具有重要意义。在界定人口城镇化与土地城镇化二者概念基础上,基于人口构成、人口素质、人口生活、城镇规模、城镇投入、城镇产出等构建评价指标体系,并通过耦合协调模型对省会型城市南昌市2002-2011年两者之间的协调关系进行测度和分析,结果表明：①人口城镇化指数与土地城镇化指数呈波动变化并持续上涨,城镇发展由土地滞后型向人口滞后型转变;②人口城镇化与土地城镇化的协调状态由失调衰退区向过渡协调区演进,发展类型则由高度不协调状态向勉强协调状态过渡。在此基础上分析了南昌市人口城镇化速度滞后于土地城镇化速度的原因,指出两者关系主要受到城市发展外在制度与内在基础的共同作用,并认为构建人口与土地城镇化双重优化路径是协调人口城镇化与土地城镇化同步发展的有效途径。

世界各国预期寿命差异及影响因素定量分析

2013

... 一个国家或地区的人口健康水平与当地的环境质量密切相关,适量的光照、清洁的空气、洁净的水源、肥沃的土地对控制人体生物节律、增强免疫功能、促进生长发育具有积极作用^[1].然而,快速城市化、工业化带来的大量污水和废气,以及农业现代化过多的依赖化肥和农药的施用,直接或间接恶化了水源和空气、污染了土壤、降低了作物品质,导致严重的健康隐患^[2].王学渊等研究发现,工业废水排放强度对食管癌、胃癌和结直肠肛门癌的死亡率有显著正向效应^[3];陶庄发现人群肝癌的标化死亡率随河流累积的COD水平增加呈现单调上升趋势^[4].农药在抑草杀虫的同时,也会部分残留或累积于瓜果、蔬菜和粮食中,引起急性或慢性危害.氮、磷是作物生长必需的大量元素,但过多施用氮肥会使作物果实中的硝酸盐含量急剧增加,食用后易引发高铁血红素白血症（俗称蓝色婴儿症）.磷肥中常夹杂砷、镉等化合物,通过食物链富集于人体,可在一定条件下诱发骨痛病等^[5].除环境学、地理学和医学工作者高度关注环境与健康问题以外,经济学、社会学领域的研究者也注意到环境污染对健康的不利影响,提出了健康生产函数概念,认为在生命周期中除年龄外,环境污染是影响健康折旧率的重要因素,污染严重地区的居民普遍面临着健康存量加速折旧的冲击^[6].同时还发现,环境污染的健康效应存在明显的年龄、收入与教育差异^[7],认为少年儿童身体发育不健全、老年人身体机能衰退,对污染的抵抗力要弱于青壮年人群;低收入者往往生活、工作条件差,为生计所迫在面对污染冲击时能够采取的选择较少,承受的不利影响较多、较重;文化程度高者一般收入也高,拥有的环境、健康知识相对丰富,获取信息的渠道更多,对污染的负面影响往往更能做出准确的判断并采取有效的防治措施.另有一些学者考察了人口分布、医疗设施与政府卫生管理等因素的健康效应^[8],发现相比于广阔的乡村地区,人口密集的大中城市在遭受污染侵袭时,健康经济损失往往更为严重;政府在卫生宣传、环境教育、人员培训、医疗设施建设与科技研发等方面的有效投入,对减弱污染冲击、提高国民体质不可或缺. ...

世界各国预期寿命差异及影响因素定量分析

2013

我国人口健康水平区域间差异性与区域内不平衡性的聚类分析

2009

我国人口健康水平区域间差异性与区域内不平衡性的聚类分析

2009

中国工业水污染的公众健康影响研究:来自肿瘤登记地区的经验证据

2015

中国工业水污染的公众健康影响研究:来自肿瘤登记地区的经验证据

2015

环境因子对人群健康影响的测量与评估方法

2010

环境因子对人群健康影响的测量与评估方法

2010

农药施用健康成本及其影响因素研究:基于粮食主产区农户调研数据

2011

农药施用健康成本及其影响因素研究:基于粮食主产区农户调研数据

2011

空气污染和健康需求:Grossman模型的应用

2010

空气污染和健康需求:Grossman模型的应用

2010

我国城市居民健康状况及影响因素研究

2010

我国城市居民健康状况及影响因素研究

2010

对中国医疗服务利用不平等问题的实证检验

2009

对中国医疗服务利用不平等问题的实证检验

2009

经济活动空间分布的探究:技术溢出、环境污染与贸易自由化

2015

... 综合而言,当前关于环境污染与人口健康关系的研究已引起学界的高度关注,但研究主题多限于单项污染源对少数群体的微观影响,研究场域多限于单个城市、工业区或生活区,比较缺乏较大尺度的宏观分析.改革开放以来,中国经济社会发展取得举世瞩目的成就,但伴随而来的环境污染压力也与日俱增^[9].为协调经济发展、环境保护与人口健康之间的关系,当前迫切需要从宏观上对环境污染导致的健康压力进行评价,以准确把握污染健康压力的空间分布格局与变化规律.本研究通过构建基于环境污染的健康压力指数模型,引入空间集聚和收敛性检验方法,对中国各省区2005、2014年两个代表年份的污染健康压力进行评价分析（不包括港、澳、台地区）,为政府相关决策提供参考依据. ...

经济活动空间分布的探究:技术溢出、环境污染与贸易自由化

2015

... 需要指出的是,由于森林在吸纳废气、释氧固碳、调节气候等方面具有重要意义,森林面积的大小在一定程度上反映了一个地区对大气污染承载能力的高低,因此这里使用单位森林面积承载的SO₂负荷作为地区大气污染危险性水平的表征指标.另外,由于2006年及以前的地方财政支出中没有将医疗卫生支出单列,且缺乏合适的替代指标,因此这里使用2007~2014年的增长均速逆向推算出各地区2005年的财政医疗卫生支出水平,从而计算出人均量.上述10个指标均为相对量,便于地区之间的横向比较,计算中使用的基础数据均来自于相应年份的《中国统计年鉴》^[10]、《中国环境统计年鉴》^[11]、《中国农村统计年鉴》^[12]等. ...

... 式中,

\begin{matrix} β \end{matrix}

为常数;

\begin{matrix} r_{1} \end{matrix}

\begin{matrix} r_{5} \end{matrix}

为原自变量x的系数;

\begin{matrix} η \end{matrix}

为残差.为增加模型估计的稳健型,反映2005~2014年的总体情况,这里将初始健康压力指数的自然对数（

\begin{matrix} x_{1} \end{matrix}

）以及研究时段内城市化率均值的自然对数（

\begin{matrix} x_{2} \end{matrix}

）、人均GDP均值的自然对数（

\begin{matrix} x_{3} \end{matrix}

）、人口死亡率均值的自然对数（

\begin{matrix} x_{4} \end{matrix}

）、森林覆盖率均值的自然对数（

\begin{matrix} x_{5} \end{matrix}

）作为模型的自变量.计算中使用的基础数据均来源于相应年份的《中国统计年鉴》^[10]、《中国人口统计年鉴》^[17]等. ...

2015

... 式中,

\begin{matrix} β \end{matrix}

为常数;

\begin{matrix} r_{1} \end{matrix}

\begin{matrix} r_{5} \end{matrix}

为原自变量x的系数;

\begin{matrix} η \end{matrix}

为残差.为增加模型估计的稳健型,反映2005~2014年的总体情况,这里将初始健康压力指数的自然对数（

\begin{matrix} x_{1} \end{matrix}

）以及研究时段内城市化率均值的自然对数（

\begin{matrix} x_{2} \end{matrix}

）、人均GDP均值的自然对数（

\begin{matrix} x_{3} \end{matrix}

）、人口死亡率均值的自然对数（

\begin{matrix} x_{4} \end{matrix}

）、森林覆盖率均值的自然对数（

\begin{matrix} x_{5} \end{matrix}

）作为模型的自变量.计算中使用的基础数据均来源于相应年份的《中国统计年鉴》^[10]、《中国人口统计年鉴》^[17]等. ...

2015

长江三角洲地区城镇化效率测度及空间关联格局分析

2016

... 空间集聚性是污染健康压力分布的重要性质,描述了与地理位置相关的压力指数之间的空间联系特征.这里引入空间自相关的全局

\begin{matrix} Moran’s I \end{matrix}

指数的计算和检验来分析^[13].

\begin{matrix} Moran’s I \end{matrix}

指数的取值范围为[-1, 1],计算方法如下： ...

长江三角洲地区城镇化效率测度及空间关联格局分析

2016

... 空间集聚性是污染健康压力分布的重要性质,描述了与地理位置相关的压力指数之间的空间联系特征.这里引入空间自相关的全局

\begin{matrix} Moran’s I \end{matrix}

指数的计算和检验来分析^[13].

\begin{matrix} Moran’s I \end{matrix}

指数的取值范围为[-1, 1],计算方法如下： ...

Spatial empirics for economic growth and convergence

2001

... 根据Rey提出的时空跃迁测度法分析表3中各象限单元的变化特征^[14],发现在所有的31个省份中,合计有24个在两个年份里所处的象限未发生变化.其中,湖北、河北、安徽、河南、山东、天津、江苏等7个省市始终位于第1象限,呈现“高-高”型空间集聚模式;北京、浙江、广东等3个省市始终位于第2象限,呈现“低-高”型集聚模式;黑龙江、吉林、辽宁、新疆、青海、四川、福建、重庆、云南、西藏等10个省区始终位于第3象限,呈现“低-低”型集聚模式;广西、海南、湖南、宁夏等4个省区始终位于第4象限,呈现“高-低”型集聚模式.另外7个省份在两个时点上发生了象限转移,其中受自身健康压力降低的影响,主动发生跃迁而改变象限的省份为贵州,从第4象限（高-低）跃迁到第3象限（低-低）;甘肃则由于自身压力的升高由第3象限（低-低）跃迁到第4象限（高-低）.上海和江西受周边省区压力相对减少的影响,被动发生跃迁而改变象限,由第1象限（高-高）跃迁到第4象限（高-低）;陕西、山西和内蒙古则由于周边压力的相对增高,被动地由第3象限（低-低）跃迁到第2象限（低-高）. ...

环境约束下中国农业全要素生产率增长及收敛分析

2013

... 对污染健康压力时空变化的收敛性进行检验,有利于明晰压力变化的未来趋势,为相关优化策略提供依据.由于研究时段内所有地区的健康压力指数均有所降低,因此收敛性检验的实质是确定压力指数初始水平较高的地区是否具有比低水平地区更高的降低速度,以此判断不同地区的压力水平在未来是否存在所谓的趋同趋势.借鉴经济学研究中经典的收敛性检验方法^[15],本研究构建的污染健康压力变化收敛性检验模型,见式（5）. ...

环境约束下中国农业全要素生产率增长及收敛分析

2013

基于时空窗口改进的时空加权回归分析——以湖北省黄石市住房价格为例

2015

... 根据式（5）对2005~2014年间的健康压力收敛性进行检验.考虑到造成各地区健康压力差距的一些主导因素和数据的可得性,从社会、经济、健康基础、自然条件等视角选取城市化率、人均GDP、人口死亡率和森林覆盖率等指标构建控制变量集合.一般来说,普通最小二乘（OLS）法是当前广泛使用的参数估计方法^[16],但由于上述5类变量相互重叠,彼此之间存在较高的共线性,直接使用这一方法将严重扩大模型误差并破坏模型的稳健性,导致估计结果存在较大偏差,使用主成分回归方法能有效克服这一缺陷.首先,对5个自变量做主成分分析,提取全部主成分z_f（f=1, 2, …, 5）与因变量进行回归建模： ...

基于时空窗口改进的时空加权回归分析——以湖北省黄石市住房价格为例

2015

... 式中,

\begin{matrix} β \end{matrix}

为常数;

\begin{matrix} r_{1} \end{matrix}

\begin{matrix} r_{5} \end{matrix}

为原自变量x的系数;

\begin{matrix} η \end{matrix}

为残差.为增加模型估计的稳健型,反映2005~2014年的总体情况,这里将初始健康压力指数的自然对数（

\begin{matrix} x_{1} \end{matrix}

）以及研究时段内城市化率均值的自然对数（

\begin{matrix} x_{2} \end{matrix}

）、人均GDP均值的自然对数（

\begin{matrix} x_{3} \end{matrix}

）、人口死亡率均值的自然对数（

\begin{matrix} x_{4} \end{matrix}

）、森林覆盖率均值的自然对数（

\begin{matrix} x_{5} \end{matrix}

）作为模型的自变量.计算中使用的基础数据均来源于相应年份的《中国统计年鉴》^[10]、《中国人口统计年鉴》^[17]等. ...

2015

... 式中,

\begin{matrix} β \end{matrix}

为常数;

\begin{matrix} r_{1} \end{matrix}

\begin{matrix} r_{5} \end{matrix}

为原自变量x的系数;

\begin{matrix} η \end{matrix}

为残差.为增加模型估计的稳健型,反映2005~2014年的总体情况,这里将初始健康压力指数的自然对数（

\begin{matrix} x_{1} \end{matrix}

）以及研究时段内城市化率均值的自然对数（

\begin{matrix} x_{2} \end{matrix}

）、人均GDP均值的自然对数（

\begin{matrix} x_{3} \end{matrix}

）、人口死亡率均值的自然对数（

\begin{matrix} x_{4} \end{matrix}

）、森林覆盖率均值的自然对数（

\begin{matrix} x_{5} \end{matrix}

）作为模型的自变量.计算中使用的基础数据均来源于相应年份的《中国统计年鉴》^[10]、《中国人口统计年鉴》^[17]等. ...

人口城镇化与土地城镇化协调性测度及优化——以南昌市为例

2016

... 健康是人的基本权利,也是中国建设小康社会的重要目标之一^[18].本研究对中国环境污染导致的健康压力时空差异特征与变化规律进行探索,主要结论如下： ...

人口城镇化与土地城镇化协调性测度及优化——以南昌市为例

2016

〈

〉

中国环境污染的健康压力时空差异特征

Spatio-temporal Difference Characteristic of Pollution’s Health Stress of China

1 基于污染的健康压力评价方法

1.1 指标体系

1.2 指标权重

1.3 评价模型

2 污染健康压力的时空对比特征

3 污染健康压力的空间集聚变化特征

4 污染健康压力变化的收敛性检验

5 结论与讨论

参考文献 文献选项 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子