推文人 | 李湘媛（湖南大学经济管理研究中心）

原文信息：Tatyana Deryugina, Garth Heutel, Nolan H.Miller, David Molitor, and Julian Reif: The Mortality and Medical Cost of Air Pollution: Evidence from Changes in Wind Direction. AMERICAN ECONOMIC REVIEW 2019, 109(12):4178-4219

 

引言

 

我们仅知高浓度空气污染（本文指PM2.5值）对人体健康有害，却不知对哪些人群的影响最大，对身体危害程度可达多大，用货币衡量为多少。所以本文旨在量化估计污染减少的治理效果以得到PM2.5对特定人群的影响程度。

 

作者从以下几个方面进行探索：

 

利用全美和FFS医疗（fee-for-service Medicare）的数据，调查研究PM2.5浓度对死亡率、住院率、医疗费的影响；

 

利用风向变化来表示污染分布，以代表来自于远处的PM2.5浓度，调查研究外来PM2.5对人体健康的影响；

 

利用机器学习技术，研究污染暴露对寿命折损（Life-year Lost）的影响，进而量化空气污染治理效果。

 

结论

 

先呈主要结论如下：

 

1、PM2.5浓度越高，其致使的死亡率越高，急诊数和急诊花费也越高。

如上图标蓝处所示：全部样本的死亡率和全部样本的住院花费、住院急诊花费、住院次数、住院急诊次数、住院和门诊的急诊次数都与PM2.5浓度有显著的正比关系， 非急诊就诊次数与PM2.5浓度关系不显著。

另据实情，如上图，从1999年到2013年，美国的地区平均PM2.5浓度从13ug/m³降到8 ug/m³，使得在该时段的后期老年人的死亡损失减少了240亿美元/年。

 

2、年龄越大的老年人，其寿命折损（Life-year Lost）受PM2.5的影响越大。

 

换一种说法，年龄越大的老年人，其健康情况受PM2.5的影响越大。

如上图标蓝处所示：从65-69到85+观测组，PM2.5浓度对死亡率的影响程度呈单调递增规律。

 

3、预期剩余寿命越少的老年人，越易受空气污染的影响。

 

寿命越少的老年人可能年岁已高，或早已有严重慢性病和较高的医疗花费，所以他们脆弱的健康状态也更容易受空气污染的影响。

如上图标蓝处所示：从左往右，随着预期剩余寿命越来越低，PM2.5浓度对死亡率的影响程度呈单调递增的，对寿命折损的影响程度也呈单调递增（预期剩余寿命小于1年除外，但其影响系数也与预期剩余寿命为1-2年的系数相差无几。）

 

4、虽然前1%易受影响的老年人比后75%易受影响的样本老年人平均寿命高7.2岁，但患病率更高，预期剩余寿命更少。

以上标蓝处表示：在全体样本中前25%的最易受影响的老年人群体中，前1%最易受影响的老年人比后75%（不易受影响的样本）的预期剩余寿命低7.9岁，患肺癌的概率高6.3%，患阿兹海默症的概率高38.5%。

 

内容

 

1、模型进化

 

 

问题1：由于每个实验组中的监测器所采集到的PM2.5的浓度不是随机的，这是源于每个监测器所测得的浓度很有可能受当地产生的污染物影响，从而使得在一个实验组中存在某些监测浓度明显较高，而某些监测器的监测浓度较低。但每个实验组的监测浓度应该是差别不大的，如果直接用监测器中的PM2.5浓度这一数据去估计，就会引起一定的偏误。

 

解决1：所以作者运用工具变量的方法，采用每日的风向代替所监测到的PM2.5浓度作为工具变量来估计。选取“风向”这一变量可以剔除当地生产的污染物，使 “PM2.5”这一自变量中只存在外来污染，而外来污染在每个实验组中各个监测器点的数据相差不大，以此达到消除测量误差的问题。此处，将风向作为IV所用到的模型为：

 

 

问题2：除了空气污染导致的死亡，也会存在生病、年岁已高等因素导致的死亡，所以估计出来的死亡率很有可能被高估。

 

解决2：所以作者采用“估计寿命折损（Life-year Lost）”来将死亡率替换掉，相对于死亡率的简单粗暴，“寿命折损”更加具有相对性和灵活性，剔除了老年人已经存在的严重慢性病和高龄的影响，虽非绝对准确，但也是在结构上极大程度地减少了误差。此处，获得寿命折损的方法为：寿命折损=预期剩余寿命-实际寿命。

 

问题3：除了PM2.5，还可能存在年龄、性别、慢性疾病、以及其他1000个相关的控制变量对人体健康的影响，这1000个相关变量如：主要医疗花费、住院和门诊次数、住院时长、医疗收入、医疗房屋价值等等，甚至是被观测者的住址邮编。如果忽略以上这些变量，会导致估计结果偏高。

 

 

综上，用（3）式模型对下图（1）（2）（3）（4）列回归，用（4）式模型对（5）（6）列回归。

 

（1）列为仅PM2.5对死亡率的回归；

 

（2）列为仅PM2.5对寿命折损的回归；

 

（3）列为PM2.5、年龄、性别对寿命折损的回归；

 

（4）列为PM2.5、年龄、性别、慢性病情况对寿命折损的回归；

 

（5）列为用“存活随机森林方法”PM2.5、年龄、性别、慢性病情况、其他1000个相关控制变量对寿命折损的回归；

 

（6）列为用“Cox model”PM2.5、年龄、性别、慢性病情况、其他1000个相关控制变量对寿命折损的回归。

 

所得结果如下：

上图标蓝处表示：忽略其他相关变量确实会使影响系数偏大。由于（4）（5）（6）列的影响系数相近，而（5）（6）所代表的模型需要过多控制变量，所以最终将模型确定为（4）PM2.5、年龄、性别、慢性病情况对寿命折损的回归。

 

问题5：若存在其他因素影响PM2.5对人体健康的因果关系，用预期剩余寿命就会使治理效果的多重影响性（heterogeneity）被忽略掉。

 

 

 

回归结果如下：

如上图所示：前5%的易受影响的样本中，平均治理效果为可减少13例死亡/百万人。当PM2.5比控制组的浓度高2.4个单位时，在前1%的易受影响的样本中，平均治理效果为可减少20例死亡/百万人。所以事实上，PM2.5对大多数人来说没有大影响，但对25%的老年人来说，具有极大的影响。

 

2、数据优化

 

文章使用的医疗数据是从2002年1月1日到2013年12月31日的65岁以上老年人，但是为了准确衡量慢性疾病的存在性，作者选用了在FFS医疗中至少持续登记2年的样本，用以判断样本是否存在严重慢性疾病，所以实际上的样本是67岁以上的老年人了。

 

 

写在最后

 

关于本文结论可知，年龄越大的老年人、身体状态越弱的老年人其实更需要空气净化器或者居住在PM2.5较低的地区，而并非有人以为的老年人的抗污染能力更强。

 

关于本文研究过程，可取的创新点主要有三处：

 

（1）采用风向来替代PM2.5浓度观测值作为工具变量，有利于剔除数据不随机所产生的误差；

 

（2）采用预期剩余寿命来替代死亡率作为因变量，相较于生命寿命而言衡量梯度更明显，更有利于理解，更有利于计算社会福利；

 

（3）采用机器学习方法得到实验组和控制组死亡率的差值，有利于量化估计空气污染治理效果。

 

关于本文的作用，于家庭而言，可更有效的地呼吁家庭对空气净化器的使用；于国家而言，可助于支持国家制定有效的环境治理政策。

 

关于本课题研究的缺陷，在于没有定量估计PM2.5浓度的减少所带来的边际治理效果为多少，因为减少空气中污染物浓度，又会花费大量的治理成本，从而得到污染减少的边际治理效果，便可确定在一定条件下最优的PM2.5浓度。若能准确估计出来，对家庭用电和国家制定政策可以起到更直接的作用。

 

择一城养老，纵观全国，丽江、三亚、甘孜州......始于便利的基础设施，终于清新的自然空气。

 

Abstract

 

We estimate the causal effects of acute fine particular matter exposure on mortality, health care use, and medical costs among the US elderly using Medicare data. We instrument for air pollution using changes in local wind direction and develop a new approach that uses machine learning to estimate the life-year lost due to pollution exposure. Finally, we characterize treatment effect heterogeneity using both life expectancy and generic machine learning inference. Both approaches find that mortality effects are concentrated in about 25 percent of the elderly population.