空气污染对于人口健康状况起到了很大的影响，颗粒物、氮氧化物和臭氧等污染物有可能会使居民疾病程度加强，甚至在一些情况下正是这些污染物才导致居民患病。现有文献研究显示交通污染可以占到城市地区空气污染的四分之一以上，为解决这一困境，各国政府陆续采取了多种方法，LEZ正是其中之一。

LEZ——低排放区——是指根据车辆排放等级限制车辆进入的指定区域，自2007年来欧洲的多个城市陆续引入该类区域。根据欧盟制定的尾气排放标准，可将乘用车分为欧1至欧6类别。在第1阶段，政府仅禁止欧1车辆在LEZ区域内行驶；第2阶段进一步禁止欧2行驶；第3阶段则限制欧3行驶；欧4至欧6类别的汽车可以在任意区域内自由行驶。

作者主要研究LEZ政策对于空气污染和人口心血管健康的影响。目前国际上针对治理空气污染的政策对于健康状况的影响这一问题的研究尚不是十分丰富，也鲜有文献将研究重点放在空气污染对老年人健康状况的影响上。本文对此进行了补充，证明了LEZ作为政策工具的有效性。

本文主要使用的研究方法是DID和事件研究法，作者借助这两种手段探究LEZ政策实施对于空气污染物浓度和居民心血管健康情况的影响。同时，作者还利用了2018年提出的Goodman-Bacon分解方法，对DID模型进行分解和可视化。

（1）首先，作者探讨LEZ 对空气污染物浓度的影响。由于LEZ主要是在城市地区采用的政策，因此作者将样本限制在人口超过100,000的城市，以增加处理单元和未处理单元之间的可比性，从而估计如下模型（方程1）衡量LEZ对NO₂和PM₁₀浓度的影响。

其中y_ict是城市c在时间t处i检测站PM₁₀或NO₂的月平均浓度。LEZ_ict是一个虚拟变量，衡量站点i在时间t是否位于城市c的LEZ区域内。M_t和S_i是时间固定效应和地点固定效应。此外，矢量W_ict包括一组天气变量，ε_ict 则是一个误差项。

（2）其次，为了捕捉LEZ对污染的动态影响，作者估计了事件研究模型方程如下：

虚拟变量LEZ_ik表示引入LEZ区域前后五年的年度滞后和领先效应，作者将参考基准定为k=-1年，也就是实施LEZ政策的前一年，其余的变量与方程1相同。事件研究的系数如图4所示，在LEZ正式实施前，污染物的含量并没有大幅波动，从第三年开始，污染水平的降低幅度相比于前一年都更为明显。

（3）接着为研究LEZ对心血管健康的影响，作者构建了方程3：

其中方程左边是在第t年区域a中给定疾病患者人数的对数形式，LEZ_at表示区域a在t年1月是否有LEZ区域。虽然大多数城市在年初制定了他们的LEZ，但有些城市会在稍后推出。因此，作者加入了一个虚拟过度变量来区分这些区域，当LEZ区域推出不足一年时，该变量transition_at取1，T_t和D_a则是时间固定效应和区域固定效应。

（4）最后，针对LEZ政策对健康状况造成的领先滞后效应，作者估计如下模型并记为方程4：

图6给出了方程4的结果，每个面板都显示了回归系数及其95%置信区间。左侧面板绘制了整个人群的结果，右侧面板绘制了65岁以上老年人的结果。两张图都表明，在政策实施之前，引入LEZ和未引入LEZ的城市之间的心血管疾病趋势没有明显的差异。LEZ颁布后，引入LEZ的城市的患者人数下降速度比未引入LEZ的城市更快，同时图表也表明影响效果是随时间变化的，LEZ就位的时间越长，它产生影响的绝对量级就往往越大。

本文使用的数据可以分为以下四类。首先第一类是从德国环境局获得的2004-2016年期间的每日PM₁₀和NO₂的测量值。样本来源于69个城市中的264个PM₁₀监测站和261个NO₂监测站。通过分析每个站点的精确地理坐标，作者确定它是在LEZ内部还是外部并进行分类。

其次，为了解释天气污染的相互作用，第二类数据是从德国气象局收集的天气数据。数据包含有关每日温度、风速、降水、云量、蒸汽、气压和相对湿度的信息。作者将每个空气质量监测站与其地理位置最近的天气相匹配并汇总监测站的每日测量值。

同时为了研究LEZ对健康的影响，作者选取第三类数据，即门诊医疗保健中心的门诊健康数据。这些数据包括德国所有法定医疗保险基金的患者在全国范围内的门诊护理索赔记录，作者通过该数据来源获得了相关疾病的患者数量，并分别依据患者所在区域以及国际疾病分类第10版(ICD-10)的规则对诊断进行编码分类。需要注意的是，本文主要关注的疾病数据是心血管疾病患者数（I00-I99），该数据包含心脏病（I20-I49）和脑血管疾病两类，因此作者在统计数据时，分别统计了这两个亚组的患病人数。下图以柏林为例解释了作者的分类方式，图中的灰色阴影区域是柏林的LEZ区域，作者分别获得了灰色和白色区域的心血管疾病年度汇总数据。而对于没有LEZ的城市，作者直接统计了整个城市的患者总数。

最后，第四类数据是来自联邦统计局的医院诊断统计数，它作为附加数据补充了主要分析。住院管理登记册包含2004-2014年所有住院患者的70%随机样本，数据提供入院和出院日期、初步诊断、居住城市以及年龄性别等信息。但是，它存在两个主要问题，首先，作者无法确定患者是居住在LEZ内部还是外部。其次，在德国的制度环境中，住院治疗是一个很严重的处方，门诊部门需要提供足够的证据证明门诊治疗不够有效才可以开具住院单据，因此住院数据对于分析这类严重程度较低的慢性疾病而言可能不够有效。

本文的实证分析结论可以分为以下三类：

（1）LEZ 对空气污染物浓度的影响

下表Table3报告了回归结果，列(1)-(3)中报告了PM₁₀的结果，列(4)-(6)中报告了NO₂的结果。结果表明，低排放区每月可将PM₁₀浓度降低0.6-0.9μg/m³。第(3)列中的估计系数为0.9μg/m³，这意味着相对于设立LEZ之前，PM₁₀的月平均浓度水平下降了3%。但从列(4)-(6)中，作者发现NO₂浓度仅是略有下降，并且在控制了天气相关变量后，这种影响在统计上变得不显著。

（2）LEZ对车辆类型组成的影响

作者在研究过程中发现LEZ政策改善空气质量的主要作用机制是改变道路上的车辆组成类型。短期内，低排放区可能会减少道路上的汽车绝对数量，车型不符合规定的车主可能会改用不同的交通工具，例如公共交通工具或自行车。然而，从中长期来看，汽车的绝对数量可能会再次增加，高排放量的汽车将被更清洁的汽车所取代。

Table4报告了回归结果，数据表明LEZ政策降低了欧1轿车的份额，增加了欧4轿车的份额。而面板B分别统计了LEZ逐步推行的三个阶段对车辆份额造成的影响，结果表明，欧1轿车份额的最大降幅发生在第2阶段和第3阶段，在第三阶段，欧4轿车的份额增长最为强劲。

（3）LEZ对于心血管健康的影响

Table5中的面板A展示了LEZ对心血管疾病的影响，在第（1）列中我们可以发现患者人数减少了1.2%，在对样本进行限制后，第（2）列显示，心血管疾病患者人数下降了2.2%。这种减少意味着每10,000人每年减少0.9名患者。第(3)和(4)列显示了LEZ对65岁以上老年人的影响，结果表明在65岁以上的人群中心血管患者数量减少了2-3%，这意味着每10,000名老年人每年减少约10名患者。

在面板B和C中，作者进一步将心血管诊断分为两个亚组：心脏病（I20-I49）和脑血管疾病（I60-I66）。结果显示，LEZ对心脏病的影响在65岁以上的人群中作用很显著，而LEZ对脑血管疾病的影响要比心脏病更为明显，在总体人口中脑血管疾病的患病率降低了7%-13%。

本文对于LEZ对空气污染和居民健康的影响进行了研究，通过大量的数据回归，作者证明LEZ政策的实施可以使PM₁₀的月平均浓度降低0.9μg/m³。回归结果还显示LEZ改善了区域居民的心脑血管健康水平，心血管疾病患者的数量减少2-3%并且这种影响在65岁以上的人群中体现的更为显著。

本文相较于前人文献研究的主要创新点和贡献有以下三点：首先，本文通过分析LEZ对心血管疾病发病率的影响，探讨针对于改善空气质量的政策对于居民健康状况的作用，对这一方向的文献内容进行补充。其次，本文创新性地选取空气污染物浓度较低的区域进行数据收集，证明即使在空气污染水平相对较低的情况下，空气质量的改善也会有利于居民健康。最后，本文还说明了LEZ作为一种政策工具的有效性，它具有极其明显的经济效益。

首先，本文数据来源丰富，作者从德国环境局、德国气象局、门诊医疗保健中心等处获取了一系列真实可靠的数据，并利用住院数据对门诊数据在一定程度上进行了补充，为文章的实证分析部分奠定了良好基础。其次，本文在进行实证研究时，利用2018年新提出的Goodman-Bacon分解方法，对DID模型进行分解和可视化，具有一定的学术前沿性。但本文仅仅分析了通过改变车辆类型来改善空气污染状况的影响途径，对于LEZ作用机制的探讨有所欠缺。

*文章来源：微观发展经济学workshop

*侵权必删