謝楊+戴瀚程+花岡達(dá)也+增井利彥

摘要 京津冀地區(qū)是中國工業(yè)最為發(fā)達(dá)的地區(qū)之一和空氣污染最嚴(yán)重的地區(qū)之一，也是國家控制空氣污染的重點區(qū)域?？諝馕廴緦?dǎo)致的健康影響不僅會增加額外健康支出，還會導(dǎo)致過早死亡和工作時間減少，進(jìn)而影響宏觀經(jīng)濟發(fā)展。為了評估該地區(qū)PM2.5污染引起的健康問題對宏觀經(jīng)濟的影響，以及控制空氣污染后帶來的經(jīng)濟效益和福利的影響，本研究結(jié)合可計算一般均衡模型（Computable General Equilibrium）、溫室氣體與大氣污染物協(xié)同效益模型（The Greenhouse Gas and Air Pollution Interactions and SynergiesModel， GAINSModel）和健康影響模型對2020年京津冀地區(qū)PM2.5污染引起的健康影響和經(jīng)濟影響進(jìn)行評估。模型結(jié)果表明，2020年WoPol情景下PM2.5 污染引起的額外健康支出分別為北京44.2億元、天津27.5億元、河北97.5億元。PM2.5污染引起人均每年勞動時間損失分別為北京81.3小時、天津89.6小時、河北73.1小時。而勞動力供給和勞動時間減少所造成GDP和福利損失依次為天津（GDP和福利損失分別為2.79%和8.11%），其次為北京（2.46%和5.10%）、河北（2.15%和3.44%）。如果采取積極的控制空氣污染物排放政策，在2020年WPol情景下，PM2.5 污染引起的額外健康支出分別為北京8.8億元、天津4.9億元、河北2.0億元，較WoPol情景下顯著下降。PM2.5污染引起人均勞動時間損失分別下降為北京22.0小時、天津23.2小時、河北22.4小時?？諝馕廴疚锟刂普呓o北京、天津和河北帶來的經(jīng)濟效益分別相當(dāng)于GDP的1.75%、2.02%和1.46%。因此，本研究顯示控制京津冀地區(qū)PM2.5污染帶來的經(jīng)濟效益非?？捎^，其中天津效益最高，其次為北京，河北最低。空氣污染物的遷移擴散會影響周邊省市的空氣質(zhì)量，因此京津冀地區(qū)聯(lián)合控制空氣污染效果更好。

關(guān)鍵詞 CGE模型；PM2.5污染；健康影響；經(jīng)濟影響

中圖分類號 X321 文獻(xiàn)標(biāo)識碼 A

文章編號 1002-2104（2016）11-0019-09 doi：10.3969/j.issn.1002-2104.2016.11.003

伴隨著中國經(jīng)濟高速增長，工業(yè)化和城市化進(jìn)程迅速推進(jìn)，中國已超過美國成為第一大碳排放國家[1]，同時環(huán)境問題日益突出，空氣質(zhì)量呈現(xiàn)惡化趨勢[2]。京津冀地區(qū)是中國重度空氣污染地區(qū)之一，污染物由傳統(tǒng)的煤煙型轉(zhuǎn)化為煤煙型和機動車尾氣復(fù)合型。國內(nèi)外大量流行病學(xué)研究證實，顆粒物是對人體危害最大的大氣污染物，暴露在顆粒物中，會對人體呼吸系統(tǒng)和心血管系統(tǒng)造成損害[3-4]。其中細(xì)顆粒物（PM2.5）直徑更小，表面可以吸附重金屬和微生物，并且可以突破屏障進(jìn)入細(xì)胞和血液循環(huán)，對人體的危害更大[5-6]。2010年中國人群前三大死因分別為中風(fēng)、缺血性心臟病、慢性阻塞性肺病，而大氣顆粒物污染已經(jīng)成為第四大致病因素[7]。PM2.5污染不僅會增加呼吸系統(tǒng)心血管系統(tǒng)疾病發(fā)病率和健康支出，同時也會影響勞動力出勤率，進(jìn)而減少工作時間[8-10]。此外，嚴(yán)重污染也會導(dǎo)致過早死亡， 其中年齡大于15歲而小于65歲的早死會減少勞動力供給。中國已經(jīng)過了人口紅利期，勞動力逐漸變得稀缺，工資水平不斷上升。工作時間減少和勞動力過早死亡都會減少了勞動力供給，對經(jīng)濟產(chǎn)生負(fù)面影響。黃德生等用支付意愿法和疾病成本法評估了京津冀地區(qū)控制PM2.5 污染的健康效益，研究結(jié)果顯示在京津冀地區(qū)可實現(xiàn)612億—2 560億元的健康效益，相當(dāng)于該地區(qū)地方生產(chǎn)總值的1.66%—6.94%[11]。中國因為空氣污染造成的經(jīng)濟損失則在1995年，2000年和2005年分別為GDP的 8.7%、6.9% 和5.9%[12]。然而現(xiàn)有的研究大多采用支付意愿方法（Willingness to Pay）和疾病成本法（Cost of Illness）[11]來評估空氣污染對經(jīng)濟的影響，并且主要研究國家[12]、一個省份或者一個城市水平[13-14]的健康和經(jīng)濟影響， 而沒有使用經(jīng)濟模型來評估經(jīng)濟影響。本文結(jié)合污染物排放模型、模擬經(jīng)濟系統(tǒng)運行的一般均衡模型（CGE）以及流行病學(xué)最新研究成果，利用暴露-效應(yīng)關(guān)系對京津冀地區(qū)PM2.5污染造成的健康影響進(jìn)行評估[3-4，15]，并將健康影響轉(zhuǎn)化為醫(yī)療支出增加和勞動時間減少作為經(jīng)濟模型CGE模型輸入，進(jìn)而評估京津冀地區(qū)未來空氣污染及其治理對宏觀經(jīng)濟的影響。

1 研究方法

本研究聯(lián)合可計算一般均衡模型（Computable General Equilibrium CGE）模型[16]、溫室氣體與大氣污染物協(xié)同效益模型（The Greenhouse Gas and Air Pollution Interactions and Synergies， GAINS）模型[1，17]和暴露-效應(yīng)方程評估PM2.5 污染對健康和經(jīng)濟的影響。GAINS模型計算京津冀地區(qū)各省市PM2.5年均排放、濃度和控制污染成本。根據(jù)暴露人口、PM2.5濃度和暴露-效應(yīng)方程計算出因PM2.5污染引起的致病例數(shù)和過早死亡人數(shù)。然后估算額外健康支出和勞動時間供給減少，再輸入到CGE模型，評估對地區(qū)經(jīng)濟和福利的影響。

1.1 CGE 模型

CGE模型通常是在一個處于均衡態(tài)的經(jīng)濟系統(tǒng)中，對某些變量進(jìn)行一定程度的政策干擾，在該經(jīng)濟系統(tǒng)再次回到均衡態(tài)時，各個經(jīng)濟變量的變化所產(chǎn)生的影響，政策的目標(biāo)變量選擇可根據(jù)需要進(jìn)行設(shè)定。本研究量化了空氣污染導(dǎo)致的醫(yī)療支出增加及誤工時間和過早死亡引起的勞動力減少，通過CGE模型評估空氣污染引起的經(jīng)濟損失。研究用到的CGE模型為遞歸動態(tài)模型，包含23個生產(chǎn)部門（表格4），30個省市（西藏及港澳臺除外），以2002年各省投入產(chǎn)出表為數(shù)據(jù)基礎(chǔ)[18]，關(guān)于生產(chǎn)、消費、貿(mào)易等模塊的詳細(xì)介紹見[16]。

1.2 GAINS模型

溫室氣體與大氣污染物協(xié)同效益模型（GAINS）以能源數(shù)據(jù)為輸入，GAINS模型是用來估算空氣污染物排放和設(shè)計減排策略的模型。它提供了一個統(tǒng)一的框架來估算排放量、減排潛力以及包括溫室氣體在內(nèi)的減排成本[19]。根據(jù)研究需要，向GAINS模型輸入30省能源數(shù)據(jù)，可以更改GAINS模型中不同減排強度的情景假設(shè)，通過模型計算結(jié)果來評估不同政策影響下污染物的排放量變化、各省年均PM2.5濃度和各情景下減排成本。

1.3 暴露-效應(yīng)系數(shù)

暴露-效應(yīng)系數(shù)來源于流行病學(xué)揭露長期暴露對人體健康的隊列研究。美國哈佛六城市研究和美國癌癥協(xié)會隊列研究是被廣泛認(rèn)可的大氣污染暴露與人群健康關(guān)系的隊列研究。最新研究表明，PM2.5濃度與致死率之間呈現(xiàn)非線性關(guān)系[20-21]。此外，本文還采用了我國關(guān)于PM10和TSP污染的長期健康影響研究的結(jié)果[22]， 并且對三種不同的暴露-效應(yīng)關(guān)系引起的結(jié)果做了對比。評估PM2.5污染引起的各相關(guān)疾病發(fā)病情況，本研究采用[23]中使用的暴露-效應(yīng)系數(shù)（見表1）[24]。

1.4 健康風(fēng)險評估

健康終端指暴露在高濃度PM2.5 濃度下會引起一系列的健康問題，包括致病和致死。PM2.5污染與健康效應(yīng)的相對風(fēng)險（relative risk，RR）顯示了暴露程度與健康效應(yīng)之間的關(guān)系（方程1）。早期研究顯示PM2.5污染與慢性暴露致死之間為線性關(guān)系[3，15]，而最近研究顯示該暴露效應(yīng)關(guān)系為非線性關(guān)系[25]。本研究采用了最新非線性關(guān)系，當(dāng)PM2.5濃度超過10 μg/m3時候，方程2可以計算得出因PM2.5 污染引起的過早死亡人數(shù)和全年齡段致病人數(shù)，而15—65歲之間的過早死亡會減少勞動力供給。根據(jù)年齡別死亡率可以得到過早死亡勞動者人數(shù)。方程2 可以得出因PM2.5 污染引起的各相關(guān)疾病例數(shù)，進(jìn)而估算出工作損失時間（見方程5）。

1.5 健康支出

PM2.5污染除了引起過早死亡，還會增加一些疾病的發(fā)病率（表格2），增加額外健康支出。根據(jù)2003年—2012年中國衛(wèi)生統(tǒng)計年鑒[26-34]中30省門診病例平均支出和住院病例平均支出。再根據(jù)門診和住院病例平均支出與人均GDP的關(guān)系回歸分析得到30省醫(yī)療價格的回歸參數(shù)β和θ。同時中國衛(wèi)生統(tǒng)計年鑒還提供了全國30種病例平均支出?？紤]到不同病種的支出差別比較大，再根據(jù)全國分病種的數(shù)據(jù)，回歸分析得出北京、天津和河北三省市各種心血管疾病住院、腦血管疾病住院以及呼吸系統(tǒng)疾病住院的平均價格（方程4），再乘以方程2得到的發(fā)病例數(shù)可以算出PM2.5污染引起的額外健康支出（方程3）。

1.6 勞動時間損失

勞動時間損失包含兩部分，一部分因為疾病引起的誤工時間，另一部分來自因為暴露于高濃度PM2.5中而導(dǎo)致勞動力過早死亡（見方程5）。勞動損失天數(shù)與工作總天數(shù)的比則為勞動損失率（方程6），而勞動損失后的勞動力供給為方程（7）。在CGE模型中，勞動力為完全就業(yè)狀態(tài)，每人年均勞動日為260天，每天工作時間8小時。因為疾病和過早死亡而引起的勞動力供給減少會對經(jīng)濟產(chǎn)生負(fù)面影響。

1.7 敏感性分析

根據(jù)表格1提供的暴露-效應(yīng)方程的置信區(qū)間范圍，本研究對PM2.5污染引起的健康影響和經(jīng)濟影響進(jìn)行敏感性分析，分別可以得到經(jīng)濟影響的最大和最小范圍。

1.8 情景設(shè)置

本研究設(shè)置了三種情景：Reference參考情景， WoPol情景和WPol情景。Reference情景即參照情景，參照情景為不考慮PM2.5污染造成的健康問題，在此情景中，假設(shè)沒有因PM2.5污染對身體健康而引起的額外的健康支出和勞動時間損失，也沒有健康相關(guān)的經(jīng)濟損失。這種理想情景是不存在的，只是為評估其他兩種情景下PM2.5污染帶來的負(fù)面影響。WoPol情景為無額外空氣污染控制情景，空氣污染物控制程度停留在2005年基準(zhǔn)情景， 而因能源使用導(dǎo)致的額外排放的污染物沒有得到有效控制。該情景并不是真實情況， 顯示了空氣污染控制政策的影響。WPol情景為空氣污染控制情景， 假設(shè)在GAINS模型中應(yīng)用了各種空氣污染終端控制技術(shù)，PM2.5得到有效控制，濃度遠(yuǎn)低于WoPol情景。

2 結(jié)果分析

2.1 污染物排放

如表格2所示，因河北高能耗工業(yè)消耗大量煤炭，其二氧化硫、氮氧化物和揮發(fā)性有機化合物排放量明顯高于天津和北京。2020年，京津冀三地二氧化硫排放量分別為53萬t、140萬t和442萬t；氮氧化物排放量分別為50萬t、67萬t和135萬t；揮發(fā)性有機化合物排放量分別為59萬t、64萬t和135萬t。而在WPol情景下，污染物排放得到一定程度控制，大部分污染物經(jīng)過終端處理掉，只有一部分無法消除的污染物排放到大氣中，并在大氣中遷移轉(zhuǎn)化形成二次污染。2020年京津冀三地二氧化硫降至26萬t、46萬t和178萬t；氮氧化物降至29萬t、49萬t他151萬t；揮發(fā)性有機物排放量降至34萬t、35萬t和127萬t。河北污染物排放量仍然明顯高于北京和天津。

2.2 PM2.5 濃度

北京天津河北排放量不一樣，且各地地理氣候條件不同，導(dǎo)致空氣污染程度有所差異。但因為三地接壤，污染物在三地之間會擴散。因此雖然河北各種空氣污染物排放量最大，但PM2.5濃度天津最高。如表格2所示，WoPol情景下，在2020年天津年均PM2.5濃度高達(dá)446.2 μg/m3，北京其次為404.4 μg/m3，河北最低363.5 μg/m3。而在有WPol情景下，三地空氣污染物濃度分別降至88.4、87.1、及84.3 μg/m3。盡管與WoPol情景相比降幅達(dá)到75%，因WPol情景下化石能源使用過高，PM2.5濃度還是遠(yuǎn)高于國家標(biāo)準(zhǔn)年均濃度35 μg/m3和世界衛(wèi)生組織（WHO）年均10 μg/m3的標(biāo)準(zhǔn)，仍然會對暴露人群產(chǎn)生健康影響。

2.3 健康影響及支出

空氣污染會導(dǎo)致一系列健康問題，最嚴(yán)重的為過早死亡。全球每年因為空氣污染引起的過早死亡超過了300多萬[35]，而中國占到了三分之一左右。根據(jù)中國衛(wèi)生統(tǒng)計年鑒，在這一百多萬過早死亡人口中，年齡大于15而小于65歲的人群為勞動力，該年齡段人口死亡直接影響勞動力供給，對經(jīng)濟產(chǎn)生負(fù)面影響。此外，PM2.5污染會增加呼吸系統(tǒng)、心腦血管系統(tǒng)等疾病的門診和住院人數(shù)。這些疾病問題不僅會帶來額外健康支出，同時會影響工作出勤率，減少勞動時間。PM2.5污染相關(guān)的健康終端包括慢性支氣管炎、哮喘、上呼吸道癥狀、呼吸系統(tǒng)疾病住院、心血管系統(tǒng)住院以及心血管病住院。

根據(jù)PM2.5暴露效應(yīng)方程，得到未來各種疾病的發(fā)病風(fēng)險及人均醫(yī)療支出。發(fā)病風(fēng)險代表一年中暴露人群獲得某種疾病的概率，而支出代表了各省市每年在各種PM2.5 污染相關(guān)疾病的總支出。如表格3所示，WoPol情景下，門診風(fēng)險大大高于住院風(fēng)險，2020年人均額外健康支出介于134.9與 289.6元之間。其中，北京每年因PM2.5 污染到門診就醫(yī)的人均概率為33%，住院風(fēng)險最高的是呼吸系統(tǒng)疾病。北京人均健康支出最高（289.6元），其次為天津（254.2元），河北最低（134.9元）。而在WPol情景下，北京、天津和河北人均健康支出顯著下降至57.6元、44.9元、28.4元。

2.4 勞動時間及勞動力價格

PM2.5 污染不僅引起人群過早死亡和呼吸系統(tǒng)、心腦血管系統(tǒng)的疾病，同時因為勞動力的過早死亡（15—65歲）和因為疾病原因引起誤工，而誤工時間的長短跟污染物濃度直接相關(guān)。勞動力是經(jīng)濟發(fā)展的主要驅(qū)動力之一，而誤工時間增加會對經(jīng)濟產(chǎn)生負(fù)面影響。隨著人口老齡化和出生率降低，中國人口紅利會逐漸消失，勞動力越來越成為稀缺資源，因此PM2.5污染引起的誤工時間將變得更加不可忽視。在WoPol情景下，人均每年誤工時間顯著高于WPol情景。2020年，WoPol情景下北京人均誤工時間為81.3小時/年，而在WPol情景下則為22.0小時/年。兩個情景下天津分別為89.6和23.2小時，河北為73.1和22.4小時。表格4顯示在2020年在WoPol和WPol情景中勞動力價格分別為2002年的6.77倍和6.61倍，這與天津地區(qū)污染最嚴(yán)重，引起的勞動時間供給下降和勞動力損失最多有關(guān)。其次為北京分別為6.07倍和5.94倍，河北最低為5.24倍和5.14倍。

2.5 PM2.5 污染對經(jīng)濟影響

2.5.1 GDP 損失

PM2.5 污染引起的勞動時間的減少，影響了經(jīng)濟體中勞動力的供給。而勞動力是經(jīng)濟發(fā)展的重要驅(qū)動因素，因此PM2.5 污染也會對宏觀經(jīng)濟產(chǎn)生負(fù)面影響。在本研究中勞動時間作為CGE模型的輸入數(shù)據(jù)，通過模型模擬，可以得到勞動時間供給減少對經(jīng)濟的影響。2020年，與Reference情景對比，WoPol情景下誤工時間對GDP和居民福利的影響如表格4。所示，天津GDP損失最高（2.79%），其次為北京（2.46%），河北最低（2.15%）。在WPol情景下，誤工時間大大減少，因誤工而引起的GDP損失也明顯下降，京津冀地區(qū)平均GDP損失為0.72%。換句話說，控制PM2.5排放將使北京、天津和河北獲得相當(dāng)于1.75%、2.02%和1.46%的GDP效益。本研究的結(jié)果跟其他類似研究結(jié)果類似，因本研究只考慮了空氣污染引起的勞動時間減少，而沒有考慮到對非勞動人群和非市場因素的影響，GDP損失略低于Matus的研究[36]。

2.5.2 福利損失

除了引起GDP損失，PM2.5污染也會導(dǎo)致居民福利損失。因為空氣污染增加了健康支出，降低了收入，直接導(dǎo)致家庭消費水平降低，進(jìn)而影響個人福利。本研究結(jié)果顯示京津冀三地福利損失均高于GDP損失（見表4）。在WoPol情景下，2020年北京、天津和河北的福利損失分別為5.10%、8.11%和3.44%，明顯高于GDP損失。而在WPol情景下，京津冀福利損失分別為1.54%、2.36%和1.10%。由此可見控制空氣污染可顯著提高居民福利水平。

2.6 部門產(chǎn)出影響

由于PM2.5 污染引起的誤工時間會增加勞動力價格，對部門產(chǎn)出有一定影響。表為各情景下京津冀地區(qū)20部門（對23部門作了合并）的產(chǎn)出變化。從模型結(jié)果可以看到，北京、天津和河北部門產(chǎn)出變化略有不同。北京產(chǎn)出減少最多的部門分別為煤炭、食品業(yè)、紡織業(yè)等，在WoPol情景下減少幅度分別為3.83%、2.93%、2.37%。而天津產(chǎn)出減少最多的部門分別為水、食品業(yè)、農(nóng)業(yè)，WoPol情景下分別為4.24%、3.56%、3.34%。 河北產(chǎn)出減少最多的部門分別為煤炭業(yè)、交通業(yè)和造紙業(yè)，在WoPol情景下分別為2.95%、2.33%和2.31%。

2.7 空氣污染物控制成本及效益

控制污染物排放需要投入大量資金用于安裝排污設(shè)備，在日常運轉(zhuǎn)是有需要投入維護(hù)費用。從GAINS模型可以得到控制污染物的成本。降低污染物可以減少健康支出，同時也可以減少因空氣污染而引起的誤工時間和勞動力減少，從而可以降低污染對經(jīng)濟的負(fù)面影響。綜合考慮控制投資成本、健康支出節(jié)約及GDP效益，2020年京津冀地區(qū)空氣污染治理的效益成本比分別為：北京3.30，天津2.32以及河北省1.04（見表5）。由效益成本比可以看到， 空氣污染物治理對京津冀地區(qū)效益大于成本，給北京帶來的效益最大，其次為天津，河北最低。此外增加污染治理投入的同時， 污染治理相關(guān)部門的資本投入增加，創(chuàng)造就業(yè)，對經(jīng)濟有一定的拉動效應(yīng)， 而這方面的經(jīng)濟效應(yīng)也會增加污染治理的實際價值。

2.8 敏感性分析

本文采用國外流行病學(xué)最新研究成果，空氣污染造成死亡關(guān)系為非線性關(guān)系。同時對既往經(jīng)典的線性方程和在中國PM10 和TSP對死亡率影響的線性方程做了比較。對京津冀地區(qū)PM2.5污染引起的經(jīng)濟損失和福利損失進(jìn)行敏感性分析，可以得到一下結(jié)果（見表6）。2020年在WoPol情景下，PM2.5污染對北京GDP影響介于1.77%和2.58%之間，天津為1.87%—3.70%，河北1.51%—3.02%。而福利影響北京介于3.05%—6.06%之間，天津4.69%—9.26%之間，河北2.47%—4.92%之間。在WPol情景下，PM2.5污染對GDP和福利影響均顯著低于WoPol情景。從結(jié)果看到，PM2.5污染在天津影響最大，其次為北京，河北最低。京津冀地區(qū)應(yīng)用非線性方程的結(jié)果對GDP影響和福利影響均介于國外線性方程和中國線性方程之間，其中應(yīng)用國外線性方程影響最大，而中國線性方程影響最小。

3 討 論

從本研究結(jié)果可以看出，京津冀地區(qū)空氣污染物排放最多的為河北，其次為天津，北京最低。排放與三地產(chǎn)業(yè)結(jié)構(gòu)有關(guān)。河北以第二產(chǎn)業(yè)為主，而在第二產(chǎn)業(yè)中，一些資金密集型和資源消耗型的重化工業(yè)成為帶動經(jīng)濟增長的主要驅(qū)動力。而重工業(yè)主導(dǎo)的產(chǎn)業(yè)結(jié)構(gòu)必然會造成嚴(yán)重的空氣污染，尤其是保定、石家莊、唐山等城市，成為世界污染最嚴(yán)重的城市之一。河北煤炭消費對大氣影響影響最大[37]。天津產(chǎn)業(yè)結(jié)構(gòu)也以工業(yè)為主，北京作為首都，經(jīng)過產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，北京地區(qū)的機動車尾氣排放對大氣污染影響最明顯。從排放數(shù)據(jù)來看，北京污染物排放量并不高，但北京、天津與河北相接壤，大量的污染物從河北擴散到北京、天津地區(qū)。此外北京、天津特殊的地理位置，導(dǎo)致空氣污染物擴散較差，污染物濃度高于河北。在WoPol情景下PM2.5濃度最高的為天津，其次為北京和河北。即使在WPol情景下PM2.5 年均濃度遠(yuǎn)遠(yuǎn)超過WHO標(biāo)準(zhǔn)年均10 ug/m3和國家標(biāo)準(zhǔn)35 ug/m3，由此可見，僅靠GAINS模型里的終端治理技術(shù)還不足以使空氣質(zhì)量達(dá)標(biāo)，必須與產(chǎn)業(yè)結(jié)構(gòu)和能源結(jié)構(gòu)轉(zhuǎn)型結(jié)合起來。

空氣污染必然會對該地區(qū)人群產(chǎn)生嚴(yán)重的健康影響，且健康對經(jīng)濟的影響也不容忽視。從本研究可以看出，因為PM2.5 污染增加的健康支出會成為額外經(jīng)濟負(fù)擔(dān)。在2020年WoPol情景下，北京、天津和河北因為PM2.5污染引起的健康總支出和人均支出分別為44.2億元和289.6元、27.5億元和254.2元及97.5億元和134.9元。在WPol情景下則降為8.8億元和57.6元、4.9億元和44.9元，及20.5億元和28.4元。

空氣污染早死導(dǎo)致的有效勞動力供給減少對經(jīng)濟的影響最不容忽視。尤其是疾病引起誤工時間遠(yuǎn)遠(yuǎn)高于早死引起的勞動時間損失，而這些勞動時間供給的減少必然會對經(jīng)濟產(chǎn)生影響。在中國已經(jīng)過了人口紅利時期，低生育率和老齡化，使得勞動力越來越變得稀缺[38]，而空氣污染會進(jìn)一步加重勞動力的稀缺，勞動時間減少和勞動力供給下降引起的相關(guān)的經(jīng)濟損失達(dá)到了0.6%-2.8% GDP。另一方面，治理空氣污染物需要大量的資金和技術(shù)投入，治理成本也不容忽視。2020年，如果達(dá)到WPol情景的排放，京津冀地區(qū)的成本分別為GDP的0.53%、0.87% 和1.40%。

綜合考慮投資和收益，2020年京津冀地區(qū)空氣污染治理的效益成本比北京最高（3.30），天津其次（2.32），河北墊底（1.04）。從研究結(jié)果可以看出，北京和天津控制污染物效益顯著高于河北，制定污染控制政策對北京、天津最有利，而對河北的凈效益較低。但這不意味著不治理河北污染，京津冀地區(qū)空氣污染物排放源略有不同，污染物濃度和各地的排放量也不是正相關(guān)，說明地區(qū)間污染物遷移轉(zhuǎn)化占據(jù)了重要角色。為了有效控制空氣污染，京津冀地區(qū)需要統(tǒng)一規(guī)劃、聯(lián)合控制。同時還要和周邊地區(qū)合作，積極引入空氣污染物控制技術(shù)，有效降低空氣污染物排放。同時可以看到，僅依靠終端減排技術(shù)還不足以使PM2.5污染達(dá)到健康水平，還必須依靠產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型和調(diào)整能源消費結(jié)構(gòu)等重要措施。京津冀地區(qū)要從區(qū)域協(xié)調(diào)發(fā)展的高度，去除重復(fù)產(chǎn)能，合理優(yōu)化產(chǎn)業(yè)的區(qū)域布局，提高非化石能源的比例，從而實現(xiàn)環(huán)境與經(jīng)濟的可持續(xù)發(fā)展。

4 結(jié) 論

本研究結(jié)合CGE模型、GAINS模型和健康影響模型對2020年京津冀地區(qū)PM2.5污染引起的健康影響和經(jīng)濟影響進(jìn)行評估。其中GAINS模型計算出各省市污染物排放和PM2.5濃度，健康影響模型評估PM2.5污染引起的致病和致死人數(shù)，CGE模型來分析PM2.5污染引起的健康問題對京津冀地區(qū)造成的經(jīng)濟影響。研究結(jié)果表明在WoPol情景下PM2.5污染引起的健康問題對GDP影響顯著，天津GDP損失最高（2.79%），其次為北京（2.46%），河北最低（2.15%）?？刂芇M2.5排放的WPol情景下將使北京、天津和河北獲得相當(dāng)于GDP的1.75%、2.02%和1.46%的效益。在WoPol情景下，2020年北京、天津和河北的福利損失分別為5.10%、8.11%和3.44%，明顯高于GDP損失。而在WPol情景下，分別為1.54%、2.36%和1.10%。本研究也存在不足之處，在計算PM2.5濃度時，采用了GAINS模型中省平均濃度，而實際情況污染物濃度隨不同地區(qū)而不同，應(yīng)該選擇更小解析度的空氣質(zhì)量模型與人口分布模型，更能準(zhǔn)確反映暴露人口受到的影響。京津冀地區(qū)是空氣污染物治理的重點區(qū)域，國家出臺一系列治理政策，本研究為京津冀地區(qū)空氣污染物治理成本效益分析提供了理論依據(jù)。

（編輯：尹建中）

參考文獻(xiàn)（References）

[1]DONG H， DAI H， DONG L， et al. Pursuing air pollutant cobenefits of CO2 mitigation in China： A provincial leveled analysis[J]. Applied energy， 2015，144：165-174.

[2]CAO J， YANG C， LI J， et al. Association between longterm exposure to outdoor air pollution and mortality in China： a cohort study[J]. Journal of hazard mater， 2011，186（2-3）： 1594-600.

[3]POPE III C A， BURNETT R T， THUN M J， et al. Lung cancer， cardiopulmonary mortality， and longterm exposure to fine particulate air pollution[J]. The journal of the american medical association， 2002，287（9）： 1132-1141.

[4]KREWSKI D， JERRETT M， BURNETT R T， et al. Extended followup and spatial analysis of the American Cancer Society study linking particulate air pollution and mortality[R]. Boston， MA： Health Effects Institute，2009.

[5]KAN H， LONDON S J， CHEN G， et al. Season， sex， age， and education as modifiers of the effects of outdoor air pollution on daily mortality in Shanghai， China： The Public Health and Air Pollution in Asia （PAPA） Study[J]. Environmental health perspectives， 2008，116（9）： 1183-8.

[6]Oberdrster G，Oberdrster E， Oberdrster J. Nanotoxicology： an emerging discipline evolving from studies of ultrafine particles[J]. Environmental health perspectives， 2005，113： 823-839.

[7]YANG G， WANG Y， ZENG Y， et al. Rapid health transition in China， 1990-2010： findings from the Global Burden of Disease Study 2010[J]. The lancet， 2013，381（9882）： 1987-2015.

[8]KJELLSTROM T， HOLMER I， LEMKE B. Workplace heat stress， health and productivity：an increasing challenge for low and middleincome countries during climate change[J]. Global health action， 2009（2）：1-6.

[9]WILLIAMS R C. Environmental Tax Interactions when Pollution Affects Health or Productivity[J]. Journal of environmental economics and management， 2002，44（2）： 261-270.

[10]HANNAH R， OLIVA P. The effect of pollution on labor supply： Evidence from a natural experiment in Mexico City[J]. Journal of public economics， 2015，122： 68-79.

[11]黃德生， 張世秋. 京津冀地區(qū)控制 PM2.5污染的健康效益評估[J]. 中國環(huán)境科學(xué)， 2013. 33（1）： 166-174. [HUANG Desheng， ZHANG Shiqiu. Health benefit evaluation for PM2.5 pollution control in BeijingTianjinHebei region of China[J]. China environmental science. 2013，33（1）： 166-174.]

[12]MATUS K， NAM K M， SELIN N E， et al. Health damages from air pollution in China[J]. Global environmental change， 2012，22（1）： 55-66.

[13]KAN H， CHEN B. Particulate air pollution in urban areas of Shanghai， China： healthbased economic assessment[J]. Science of the total environment， 2004，322（1-3）： 71-9.

[14]ZHANG D， AUNAN K， SEIP H M， et al. The assessment of health damage caused by air pollution and its implication for policy making in Taiyuan， Shanxi， China[J]. Energy policy， 2010，38（1）： 491-502.

[15]POPE C A， DOCKERY D W. Health effects of fine particulate air pollution： lines that connect[J]. Journal of the air & waste management association， 2006，56（6）： 709-742.

[16]DAI H， MISCHKE P， XIE X， et al. Closing the gap？ topdown versus bottomup projections of Chinas regional energy use and CO2 emissions[J]. Applied energy， 2016，162： 1355-1373.

[17]AMANN M， BERTOK I， BORKEN J， et al. A tool to combat air pollution and climate change simultaneously. Methodology report[R]. Laxenburg， Austria： International Institute for Applied Systems Analysis （IIASA）， 2008： 5.

[18]李善同. 2002 年中國地區(qū)擴展投入產(chǎn)出表： 編制與應(yīng)用[M]. 北京：經(jīng)濟科學(xué)出版社，2010. [LI Shantong. 2002 Regional extending input and output table in China： compilation and application[M]. Beijing： Economic Science Press， 2010.]

[19]TOHKA A. The GAINS model for greenhouse gasesversion 1.0： HFC， PFC and SF6. IIASA Interim Report IR-05-056[R]. Laxenburg： IIASA， 2005.

[20]APTE J S， MARSHALL J D， COHEN A J， et al. Addressing global mortality from ambient PM2.5[J]. Environmental science & technology， 2015，49（13）： 8057-8066.

[21]BURNETT R T， POPE Ⅲ C A， EZZATI M， et al. An integrated risk function for estimating the global burden of disease attributable to ambient fine particulate matter exposure[J]. Environmental health perspectives， 2014，122（4）： 397-403.

[22]CHEN B， HONG C， KAN H. Exposures and health outcomes from outdoor air pollutants in China[J]. Toxicology， 2004，198（1-3）： 291-300.

[23]BICKEL P， FRIEDRICH R. ExternE： externalities of energy methodology 2005 Update[R]. 2004.

[24]XIE Y， DAI H， DONG H， et al. Economic impacts from PM2.5 pollutionrelated health effects in China： a provinciallevel analysis[J]. Environmental science & technology， 2016， 50（9）： 4836-4843.

[25]POPE Ⅲ C A， BURNETT R T， TURNER M C， et al. Lung cancer and cardiovascular disease mortality associated with ambient air pollution and cigarette smoke： shape of the exposureresponse relationships[J]. Environmental health perspectives， 2011， 119（11）： 1616-21.

[26]中華人民共和國衛(wèi)生部. 中國衛(wèi)生統(tǒng)計年鑒（2011）[M]. 北京：中國協(xié)和醫(yī)科大學(xué)出版社，2012. [Ministry of Health P.R. China. China health statistics yearbook（2011）[M]. Beijing： Pecking Union Medical College Press，2012.]

[27]中華人民共和國衛(wèi)生部. 中國衛(wèi)生統(tǒng)計年鑒（2010）[M]. 北京：中國協(xié)和醫(yī)科大學(xué)出版社，2011. [Ministry of Health P.R. China. China health statistics yearbook（2010）[M]. Beijing： Pecking Union Medical College Press，2011.]

[28]中華人民共和國衛(wèi)生部. 中國衛(wèi)生統(tǒng)計年鑒（2009）[M]. 北京：中國協(xié)和醫(yī)科大學(xué)出版社，2010. [Ministry of Health P.R. China. China health statistics yearbook（2009）[M]. Beijing： Pecking Union Medical College Press，2010.]

[29]中華人民共和國衛(wèi)生部. 中國衛(wèi)生統(tǒng)計年鑒（2008）[M]. 北京：中國協(xié)和醫(yī)科大學(xué)出版社，2009. [Ministry of Health P.R. China. China health statistics yearbook（2008）[M]. Beijing： Pecking Union Medical College Press，2009.]

[30]中華人民共和國衛(wèi)生部. 中國衛(wèi)生統(tǒng)計年鑒（2007）[M]. 北京：中國協(xié)和醫(yī)科大學(xué)出版社，2008. [Ministry of Health P.R. China. China health statistics yearbook（2007）[M]. Beijing： Pecking Union Medical College Press，2008.]