谢杨+戴瀚程+花岡達也+增井利彦

摘要 京津冀地区是中国工业最为发达的地区之一和空气污染最严重的地区之一，也是国家控制空气污染的重点区域。空气污染导致的健康影响不仅会增加额外健康支出，还会导致过早死亡和工作时间减少，进而影响宏观经济发展。为了评估该地区PM2.5污染引起的健康问题对宏观经济的影响，以及控制空气污染后带来的经济效益和福利的影响，本研究结合可计算一般均衡模型（Computable General Equilibrium）、温室气体与大气污染物协同效益模型（The Greenhouse Gas and Air Pollution Interactions and SynergiesModel， GAINSModel）和健康影响模型对2020年京津冀地区PM2.5污染引起的健康影响和经济影响进行评估。模型结果表明，2020年WoPol情景下PM2.5 污染引起的额外健康支出分别为北京44.2亿元、天津27.5亿元、河北97.5亿元。PM2.5污染引起人均每年劳动时间损失分别为北京81.3小时、天津89.6小时、河北73.1小时。而劳动力供给和劳动时间减少所造成GDP和福利损失依次为天津（GDP和福利损失分别为2.79%和8.11%），其次为北京（2.46%和5.10%）、河北（2.15%和3.44%）。如果采取积极的控制空气污染物排放政策，在2020年WPol情景下，PM2.5 污染引起的额外健康支出分别为北京8.8亿元、天津4.9亿元、河北2.0亿元，较WoPol情景下显著下降。PM2.5污染引起人均劳动时间损失分别下降为北京22.0小时、天津23.2小时、河北22.4小时。空气污染物控制政策给北京、天津和河北带来的经济效益分别相当于GDP的1.75%、2.02%和1.46%。因此，本研究显示控制京津冀地区PM2.5污染带来的经济效益非常可观，其中天津效益最高，其次为北京，河北最低。空气污染物的迁移扩散会影响周边省市的空气质量，因此京津冀地区联合控制空气污染效果更好。

关键词 CGE模型；PM2.5污染；健康影响；经济影响

中图分类号 X321 文献标识码 A

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

伴随着中国经济高速增长，工业化和城市化进程迅速推进，中国已超过美国成为第一大碳排放国家[1]，同时环境问题日益突出，空气质量呈现恶化趋势[2]。京津冀地区是中国重度空气污染地区之一，污染物由传统的煤烟型转化为煤烟型和机动车尾气复合型。国内外大量流行病学研究证实，颗粒物是对人体危害最大的大气污染物，暴露在颗粒物中，会对人体呼吸系统和心血管系统造成损害[3-4]。其中细颗粒物（PM2.5）直径更小，表面可以吸附重金属和微生物，并且可以突破屏障进入细胞和血液循环，对人体的危害更大[5-6]。2010年中国人群前三大死因分别为中风、缺血性心脏病、慢性阻塞性肺病，而大气颗粒物污染已经成为第四大致病因素[7]。PM2.5污染不仅会增加呼吸系统心血管系统疾病发病率和健康支出，同时也会影响劳动力出勤率，进而减少工作时间[8-10]。此外，严重污染也会导致过早死亡， 其中年龄大于15岁而小于65岁的早死会减少劳动力供给。中国已经过了人口红利期，劳动力逐渐变得稀缺，工资水平不断上升。工作时间减少和劳动力过早死亡都会减少了劳动力供给，对经济产生负面影响。黄德生等用支付意愿法和疾病成本法评估了京津冀地区控制PM2.5 污染的健康效益，研究结果显示在京津冀地区可实现612亿—2 560亿元的健康效益，相当于该地区地方生产总值的1.66%—6.94%[11]。中国因为空气污染造成的经济损失则在1995年，2000年和2005年分别为GDP的 8.7%、6.9% 和5.9%[12]。然而现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]来评估空气污染对经济的影响，并且主要研究国家[12]、一个省份或者一个城市水平[13-14]的健康和经济影响， 而没有使用经济模型来评估经济影响。本文结合污染物排放模型、模拟经济系统运行的一般均衡模型（CGE）以及流行病学最新研究成果，利用暴露-效应关系对京津冀地区PM2.5污染造成的健康影响进行评估[3-4，15]，并将健康影响转化为医疗支出增加和劳动时间减少作为经济模型CGE模型输入，进而评估京津冀地区未来空气污染及其治理对宏观经济的影响。

1 研究方法

本研究联合可计算一般均衡模型（Computable General Equilibrium CGE）模型[16]、温室气体与大气污染物协同效益模型（The Greenhouse Gas and Air Pollution Interactions and Synergies， GAINS）模型[1，17]和暴露-效应方程评估PM2.5 污染对健康和经济的影响。GAINS模型计算京津冀地区各省市PM2.5年均排放、浓度和控制污染成本。根据暴露人口、PM2.5浓度和暴露-效应方程计算出因PM2.5污染引起的致病例数和过早死亡人数。然后估算额外健康支出和劳动时间供给减少，再输入到CGE模型，评估对地区经济和福利的影响。

1.1 CGE 模型

CGE模型通常是在一個处于均衡态的经济系统中，对某些变量进行一定程度的政策干扰，在该经济系统再次回到均衡态时，各个经济变量的变化所产生的影响，政策的目标变量选择可根据需要进行设定。本研究量化了空气污染导致的医疗支出增加及误工时间和过早死亡引起的劳动力减少，通过CGE模型评估空气污染引起的经济损失。研究用到的CGE模型为递归动态模型，包含23个生产部门（表格4），30个省市（西藏及港澳台除外），以2002年各省投入产出表为数据基础[18]，关于生产、消费、贸易等模块的详细介绍见[16]。

1.2 GAINS模型

温室气体与大气污染物协同效益模型（GAINS）以能源数据为输入，GAINS模型是用来估算空气污染物排放和设计减排策略的模型。它提供了一个统一的框架来估算排放量、减排潜力以及包括温室气体在内的减排成本[19]。根据研究需要，向GAINS模型输入30省能源数据，可以更改GAINS模型中不同减排强度的情景假设，通过模型计算结果来评估不同政策影响下污染物的排放量变化、各省年均PM2.5浓度和各情景下减排成本。

1.3 暴露-效应系数

暴露-效应系数来源于流行病学揭露长期暴露对人体健康的队列研究。美国哈佛六城市研究和美国癌症协会队列研究是被广泛认可的大气污染暴露与人群健康关系的队列研究。最新研究表明，PM2.5浓度与致死率之间呈现非线性关系[20-21]。此外，本文还采用了我国关于PM10和TSP污染的长期健康影响研究的结果[22]， 并且对三种不同的暴露-效应关系引起的结果做了对比。评估PM2.5污染引起的各相关疾病发病情况，本研究采用[23]中使用的暴露-效应系数（见表1）[24]。

1.4 健康风险评估

健康终端指暴露在高浓度PM2.5 浓度下会引起一系列的健康问题，包括致病和致死。PM2.5污染与健康效应的相对风险（relative risk，RR）显示了暴露程度与健康效应之间的关系（方程1）。早期研究显示PM2.5污染与慢性暴露致死之间为线性关系[3，15]，而最近研究显示该暴露效应关系为非线性关系[25]。本研究采用了最新非線性关系，当PM2.5浓度超过10 μg/m3时候，方程2可以计算得出因PM2.5 污染引起的过早死亡人数和全年龄段致病人数，而15—65岁之间的过早死亡会减少劳动力供给。根据年龄别死亡率可以得到过早死亡劳动者人数。方程2 可以得出因PM2.5 污染引起的各相关疾病例数，进而估算出工作损失时间（见方程5）。

1.5 健康支出

PM2.5污染除了引起过早死亡，还会增加一些疾病的发病率（表格2），增加额外健康支出。根据2003年—2012年中国卫生统计年鉴[26-34]中30省门诊病例平均支出和住院病例平均支出。再根据门诊和住院病例平均支出与人均GDP的关系回归分析得到30省医疗价格的回归参数β和θ。同时中国卫生统计年鉴还提供了全国30种病例平均支出。考虑到不同病种的支出差别比较大，再根据全国分病种的数据，回归分析得出北京、天津和河北三省市各种心血管疾病住院、脑血管疾病住院以及呼吸系统疾病住院的平均价格（方程4），再乘以方程2得到的发病例数可以算出PM2.5污染引起的额外健康支出（方程3）。

1.6 劳动时间损失

劳动时间损失包含两部分，一部分因为疾病引起的误工时间，另一部分来自因为暴露于高浓度PM2.5中而导致劳动力过早死亡（见方程5）。劳动损失天数与工作总天数的比则为劳动损失率（方程6），而劳动损失后的劳动力供给为方程（7）。在CGE模型中，劳动力为完全就业状态，每人年均劳动日为260天，每天工作时间8小时。因为疾病和过早死亡而引起的劳动力供给减少会对经济产生负面影响。

1.7 敏感性分析

根据表格1提供的暴露-效应方程的置信区间范围，本研究对PM2.5污染引起的健康影响和经济影响进行敏感性分析，分别可以得到经济影响的最大和最小范围。

1.8 情景设置

本研究设置了三种情景：Reference参考情景， WoPol情景和WPol情景。Reference情景即参照情景，参照情景为不考虑PM2.5污染造成的健康问题，在此情景中，假设没有因PM2.5污染对身体健康而引起的额外的健康支出和劳动时间损失，也没有健康相关的经济损失。这种理想情景是不存在的，只是为评估其他两种情景下PM2.5污染带来的负面影响。WoPol情景为无额外空气污染控制情景，空气污染物控制程度停留在2005年基准情景， 而因能源使用导致的额外排放的污染物没有得到有效控制。该情景并不是真实情况， 显示了空气污染控制政策的影响。WPol情景为空气污染控制情景， 假设在GAINS模型中应用了各种空气污染终端控制技术，PM2.5得到有效控制，浓度远低于WoPol情景。

2 结果分析

2.1 污染物排放

如表格2所示，因河北高能耗工业消耗大量煤炭，其二氧化硫、氮氧化物和挥发性有机化合物排放量明显高于天津和北京。2020年，京津冀三地二氧化硫排放量分别为53万t、140万t和442万t；氮氧化物排放量分别为50万t、67万t和135万t；挥发性有机化合物排放量分别为59万t、64万t和135万t。而在WPol情景下，污染物排放得到一定程度控制，大部分污染物经过终端处理掉，只有一部分无法消除的污染物排放到大气中，并在大气中迁移转化形成二次污染。2020年京津冀三地二氧化硫降至26万t、46万t和178万t；氮氧化物降至29万t、49万t他151万t；挥发性有机物排放量降至34万t、35万t和127万t。河北污染物排放量仍然明显高于北京和天津。

2.2 PM2.5 浓度

北京天津河北排放量不一样，且各地地理气候条件不同，导致空气污染程度有所差异。但因为三地接壤，污染物在三地之间会扩散。因此虽然河北各种空气污染物排放量最大，但PM2.5浓度天津最高。如表格2所示，WoPol情景下，在2020年天津年均PM2.5浓度高达446.2 μg/m3，北京其次为404.4 μg/m3，河北最低363.5 μg/m3。而在有WPol情景下，三地空气污染物浓度分别降至88.4、87.1、及84.3 μg/m3。尽管与WoPol情景相比降幅达到75%，因WPol情景下化石能源使用过高，PM2.5浓度还是远高于国家标准年均浓度35 μg/m3和世界卫生组织（WHO）年均10 μg/m3的标准，仍然会对暴露人群产生健康影响。

2.3 健康影响及支出

空气污染会导致一系列健康问题，最严重的为过早死亡。全球每年因为空气污染引起的过早死亡超过了300多万[35]，而中国占到了三分之一左右。根据中国卫生统计年鉴，在这一百多万过早死亡人口中，年龄大于15而小于65岁的人群为劳动力，该年龄段人口死亡直接影响劳动力供给，对经济产生负面影响。此外，PM2.5污染会增加呼吸系统、心脑血管系统等疾病的门诊和住院人数。这些疾病问题不仅会带来额外健康支出，同时会影响工作出勤率，减少劳动时间。PM2.5污染相关的健康终端包括慢性支气管炎、哮喘、上呼吸道症状、呼吸系统疾病住院、心血管系统住院以及心血管病住院。

根据PM2.5暴露效应方程，得到未来各种疾病的发病风险及人均医疗支出。发病风险代表一年中暴露人群获得某种疾病的概率，而支出代表了各省市每年在各种PM2.5 污染相关疾病的总支出。如表格3所示，WoPol情景下，门诊风险大大高于住院风险，2020年人均额外健康支出介于134.9与 289.6元之间。其中，北京每年因PM2.5 污染到门诊就医的人均概率为33%，住院风险最高的是呼吸系统疾病。北京人均健康支出最高（289.6元），其次为天津（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显著下降至57.6元、44.9元、28.4元。

2.4 劳动时间及劳动力价格

PM2.5 污染不仅引起人群过早死亡和呼吸系统、心脑血管系统的疾病，同时因为劳动力的过早死亡（15—65岁）和因为疾病原因引起误工，而误工时间的长短跟污染物浓度直接相关。劳动力是经济发展的主要驱动力之一，而误工时间增加会对经济产生负面影响。随着人口老齡化和出生率降低，中国人口红利会逐渐消失，劳动力越来越成为稀缺资源，因此PM2.5污染引起的误工时间将变得更加不可忽视。在WoPol情景下，人均每年误工时间显著高于WPol情景。2020年，WoPol情景下北京人均误工时间为81.3小时/年，而在WPol情景下则为22.0小时/年。两个情景下天津分别为89.6和23.2小时，河北为73.1和22.4小时。表格4显示在2020年在WoPol和WPol情景中劳动力价格分别为2002年的6.77倍和6.61倍，这与天津地区污染最严重，引起的劳动时间供给下降和劳动力损失最多有关。其次为北京分别为6.07倍和5.94倍，河北最低为5.24倍和5.14倍。

2.5 PM2.5 污染对经济影响

2.5.1 GDP 损失

PM2.5 污染引起的劳动时间的减少，影响了经济体中劳动力的供给。而劳动力是经济发展的重要驱动因素，因此PM2.5 污染也会对宏观经济产生负面影响。在本研究中劳动时间作为CGE模型的输入数据，通过模型模拟，可以得到劳动时间供给减少对经济的影响。2020年，与Reference情景对比，WoPol情景下误工时间对GDP和居民福利的影响如表格4。所示，天津GDP损失最高（2.79%），其次为北京（2.46%），河北最低（2.15%）。在WPol情景下，误工时间大大减少，因误工而引起的GDP损失也明显下降，京津冀地区平均GDP损失为0.72%。换句话说，控制PM2.5排放将使北京、天津和河北获得相当于1.75%、2.02%和1.46%的GDP效益。本研究的结果跟其他类似研究结果类似，因本研究只考虑了空气污染引起的劳动时间减少，而没有考虑到对非劳动人群和非市场因素的影响，GDP损失略低于Matus的研究[36]。

2.5.2 福利损失

除了引起GDP损失，PM2.5污染也会导致居民福利损失。因为空气污染增加了健康支出，降低了收入，直接导致家庭消费水平降低，进而影响个人福利。本研究结果显示京津冀三地福利损失均高于GDP损失（见表4）。在WoPol情景下，2020年北京、天津和河北的福利损失分别为5.10%、8.11%和3.44%，明显高于GDP损失。而在WPol情景下，京津冀福利损失分别为1.54%、2.36%和1.10%。由此可见控制空气污染可显著提高居民福利水平。

2.6 部门产出影响

由于PM2.5 污染引起的误工时间会增加劳动力价格，对部门产出有一定影响。表为各情景下京津冀地区20部门（对23部门作了合并）的产出变化。从模型结果可以看到，北京、天津和河北部门产出变化略有不同。北京产出减少最多的部门分别为煤炭、食品业、纺织业等，在WoPol情景下减少幅度分别为3.83%、2.93%、2.37%。而天津产出减少最多的部门分别为水、食品业、农业，WoPol情景下分别为4.24%、3.56%、3.34%。 河北产出减少最多的部门分别为煤炭业、交通业和造纸业，在WoPol情景下分别为2.95%、2.33%和2.31%。

2.7 空气污染物控制成本及效益

控制污染物排放需要投入大量资金用于安装排污设备，在日常运转是有需要投入维护费用。从GAINS模型可以得到控制污染物的成本。降低污染物可以减少健康支出，同时也可以减少因空气污染而引起的误工时间和劳动力减少，从而可以降低污染对经济的负面影响。综合考虑控制投资成本、健康支出节约及GDP效益，2020年京津冀地区空气污染治理的效益成本比分别为：北京3.30，天津2.32以及河北省1.04（见表5）。由效益成本比可以看到， 空气污染物治理对京津冀地区效益大于成本，给北京带来的效益最大，其次为天津，河北最低。此外增加污染治理投入的同时， 污染治理相关部门的资本投入增加，创造就业，对经济有一定的拉动效应， 而这方面的经济效应也会增加污染治理的实际价值。

2.8 敏感性分析

本文采用国外流行病学最新研究成果，空气污染造成死亡关系为非线性关系。同时对既往经典的线性方程和在中国PM10 和TSP对死亡率影响的线性方程做了比较。对京津冀地区PM2.5污染引起的经济损失和福利损失进行敏感性分析，可以得到一下结果（见表6）。2020年在WoPol情景下，PM2.5污染对北京GDP影响介于1.77%和2.58%之间，天津为1.87%—3.70%，河北1.51%—3.02%。而福利影响北京介于3.05%—6.06%之间，天津4.69%—9.26%之间，河北2.47%—4.92%之间。在WPol情景下，PM2.5污染对GDP和福利影响均显著低于WoPol情景。从结果看到，PM2.5污染在天津影响最大，其次为北京，河北最低。京津冀地区应用非线性方程的结果对GDP影响和福利影响均介于国外线性方程和中国线性方程之间，其中应用国外线性方程影响最大，而中国线性方程影响最小。

3 讨 论

从本研究结果可以看出，京津冀地区空气污染物排放最多的为河北，其次为天津，北京最低。排放与三地产业结构有关。河北以第二产业为主，而在第二产业中，一些资金密集型和资源消耗型的重化工业成为带动经济增长的主要驱动力。而重工业主导的产业结构必然会造成严重的空气污染，尤其是保定、石家庄、唐山等城市，成为世界污染最严重的城市之一。河北煤炭消费对大气影响影响最大[37]。天津产业结构也以工业为主，北京作为首都，经过产业结构调整，北京地区的机动车尾气排放对大气污染影响最明显。从排放数据来看，北京污染物排放量并不高，但北京、天津与河北相接壤，大量的污染物从河北扩散到北京、天津地区。此外北京、天津特殊的地理位置，导致空气污染物扩散较差，污染物浓度高于河北。在WoPol情景下PM2.5浓度最高的为天津，其次为北京和河北。即使在WPol情景下PM2.5 年均浓度远远超过WHO标准年均10 ug/m3和国家标准35 ug/m3，由此可见，仅靠GAINS模型里的终端治理技术还不足以使空气质量达标，必须与产业结构和能源结构转型结合起来。

空气污染必然会对该地区人群产生严重的健康影响，且健康对经济的影响也不容忽视。从本研究可以看出，因为PM2.5 污染增加的健康支出会成为额外经济负担。在2020年WoPol情景下，北京、天津和河北因为PM2.5污染引起的健康总支出和人均支出分别为44.2亿元和289.6元、27.5亿元和254.2元及97.5亿元和134.9元。在WPol情景下则降为8.8亿元和57.6元、4.9亿元和44.9元，及20.5億元和28.4元。

空气污染早死导致的有效劳动力供给减少对经济的影响最不容忽视。尤其是疾病引起误工时间远远高于早死引起的劳动时间损失，而这些劳动时间供给的减少必然会对经济产生影响。在中国已经过了人口红利时期，低生育率和老龄化，使得劳动力越来越变得稀缺[38]，而空气污染会进一步加重劳动力的稀缺，劳动时间减少和劳动力供给下降引起的相关的经济损失达到了0.6%-2.8% GDP。另一方面，治理空气污染物需要大量的资金和技术投入，治理成本也不容忽视。2020年，如果达到WPol情景的排放，京津冀地区的成本分别为GDP的0.53%、0.87% 和1.40%。

综合考虑投资和收益，2020年京津冀地区空气污染治理的效益成本比北京最高（3.30），天津其次（2.32），河北垫底（1.04）。从研究结果可以看出，北京和天津控制污染物效益显著高于河北，制定污染控制政策对北京、天津最有利，而对河北的净效益较低。但这不意味着不治理河北污染，京津冀地区空气污染物排放源略有不同，污染物浓度和各地的排放量也不是正相关，说明地区间污染物迁移转化占据了重要角色。为了有效控制空气污染，京津冀地区需要统一规划、联合控制。同时还要和周边地区合作，积极引入空气污染物控制技术，有效降低空气污染物排放。同时可以看到，仅依靠终端减排技术还不足以使PM2.5污染达到健康水平，还必须依靠产业结构转型和调整能源消费结构等重要措施。京津冀地区要从区域协调发展的高度，去除重复产能，合理优化产业的区域布局，提高非化石能源的比例，从而实现环境与经济的可持续发展。

4 结 论

本研究结合CGE模型、GAINS模型和健康影响模型对2020年京津冀地区PM2.5污染引起的健康影响和经济影响进行评估。其中GAINS模型计算出各省市污染物排放和PM2.5浓度，健康影响模型评估PM2.5污染引起的致病和致死人数，CGE模型来分析PM2.5污染引起的健康问题对京津冀地区造成的经济影响。研究结果表明在WoPol情景下PM2.5污染引起的健康问题对GDP影响显著，天津GDP损失最高（2.79%），其次为北京（2.46%），河北最低（2.15%）。控制PM2.5排放的WPol情景下将使北京、天津和河北获得相当于GDP的1.75%、2.02%和1.46%的效益。在WoPol情景下，2020年北京、天津和河北的福利损失分别为5.10%、8.11%和3.44%，明显高于GDP损失。而在WPol情景下，分别为1.54%、2.36%和1.10%。本研究也存在不足之处，在计算PM2.5浓度时，采用了GAINS模型中省平均浓度，而实际情况污染物浓度随不同地区而不同，应该选择更小解析度的空气质量模型与人口分布模型，更能准确反映暴露人口受到的影响。京津冀地区是空气污染物治理的重点区域，国家出台一系列治理政策，本研究为京津冀地区空气污染物治理成本效益分析提供了理论依据。

（编辑：尹建中）

参考文献（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， 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. [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 年中国地区扩展投入产出表： 编制与应用[M]. 北京：经济科学出版社，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]中華人民共和国卫生部. 中国卫生统计年鉴（2011）[M]. 北京：中国协和医科大学出版社，2012. [Ministry of Health P.R. China. China health statistics yearbook（2011）[M]. Beijing： Pecking Union Medical College Press，2012.]

[27]中华人民共和国卫生部. 中国卫生统计年鉴（2010）[M]. 北京：中国协和医科大学出版社，2011. [Ministry of Health P.R. China. China health statistics yearbook（2010）[M]. Beijing： Pecking Union Medical College Press，2011.]

[28]中华人民共和国卫生部. 中国卫生统计年鉴（2009）[M]. 北京：中国协和医科大学出版社，2010. [Ministry of Health P.R. China. China health statistics yearbook（2009）[M]. Beijing： Pecking Union Medical College Press，2010.]

[29]中华人民共和国卫生部. 中国卫生统计年鉴（2008）[M]. 北京：中国协和医科大学出版社，2009. [Ministry of Health P.R. China. China health statistics yearbook（2008）[M]. Beijing： Pecking Union Medical College Press，2009.]

[30]中华人民共和国卫生部. 中国卫生统计年鉴（2007）[M]. 北京：中国协和医科大学出版社，2008. [Ministry of Health P.R. China. China health statistics yearbook（2007）[M]. Beijing： Pecking Union Medical College Press，2008.]