污染之重：全国30城环境污染对人均现金医疗消费影响的计量洞察

污染之重：全国30城环境污染对人均现金医疗消费影响的计量洞察一、引言1.1研究背景与意义1.1.1研究背景随着中国经济的快速发展，工业化与城市化进程不断加快，环境污染问题日益凸显，成为制约可持续发展的重要因素之一。大气污染、水资源污染、土壤污染等问题愈发严重，对人们的生活和健康构成了严重威胁。在大气污染方面，工业排放、汽车尾气、燃煤等源头污染，致使雾霾现象的发生频率和强度不断增加。如北京、上海等大城市频繁出现的雾霾天气，对居民健康产生了极大危害，尤其是老人和儿童等弱势群体，受到的影响更为严重。大气污染不仅危害人体健康，还对农作物生长和生态系统造成了严重破坏，导致农作物减产、生态平衡失调等问题。水资源污染也是中国面临的严峻问题之一。中国本身是水资源极度稀缺的国家，然而过度工业化和城市化使得水资源面临严重的污染威胁。工业废水和生活污水的大量排放，以及农业面源污染，已经导致大部分河流、湖泊和地下水受到污染。水资源污染给人们的生活、农业和工业生产带来了巨大困扰，严重威胁着人民的生活质量和健康安全，如一些地区因饮用受污染的水，导致居民患上各种疾病。土壤污染同样不容忽视。农业中化肥、农药的大量使用，以及工业废弃物的不合理处置等，引发了严重的土壤污染问题。农田污染导致农产品中的有害物质含量上升，威胁到人们的食品安全。同时，污染物还会通过土壤的迁移和渗透污染地下水，进一步加剧水资源的压力。环境污染对国民健康产生了广泛而严重的影响，直接导致了国民医疗支出的增加。相关研究表明，大气污染中的颗粒物、二氧化硫、氮氧化物等有害物质会进入人体呼吸系统，引发气管炎、支气管炎、肺炎等疾病，长期暴露在污染严重的环境中，还可能导致慢性阻塞性肺疾病（COPD）和肺癌等严重疾病。空气污染中的细颗粒物（PM2.5）等有害物质进入人体血液循环，会引起血管炎症、氧化应激等反应，增加心血管疾病的风险，长期暴露在高浓度PM2.5环境中的人群，其心血管疾病发病率和死亡率均较高。水污染中的病原体、重金属、有机污染物等有害物质进入人体后，会影响消化系统、泌尿系统等，导致恶心、呕吐、腹泻、肾结石、肾炎等疾病，长期饮用受污染的水还可能引发癌症。土壤污染中的有害物质通过食物链进入人体，会影响人体的神经系统、免疫系统等，导致发育异常、免疫力下降等问题，长期食用受污染的农产品可导致慢性中毒、癌症等疾病。随着环境污染问题的日益严重，人们的医疗需求不断增加，人均现金医疗消费也随之上升。环境污染与人均现金医疗消费之间的关系，逐渐成为学术界和社会关注的焦点。在此背景下，研究环境污染对人均现金医疗消费的影响具有重要的现实意义。通过深入研究，可以更清晰地了解环境污染与健康之间的关系，为制定更加有效的环境保护政策提供科学依据，从而降低环境污染对健康的危害，减少不必要的医疗支出，提高居民的生活质量。1.1.2研究意义本研究从理论和实践两个方面，对环境污染与人均现金医疗消费的关系进行深入探究，具有重要的意义。理论意义：丰富和完善了环境污染与健康经济学领域的研究。目前，虽然已有一些关于环境污染对健康影响的研究，但从人均现金医疗消费角度进行系统分析的文献相对较少。本研究通过基于全国30城市面板数据的计量分析，深入探讨环境污染对人均现金医疗消费的影响，填补了这一领域在相关数据和研究方法上的部分空白，为后续研究提供了新的视角和实证依据，有助于进一步理解环境污染与健康、医疗消费之间的内在联系和作用机制，推动该领域理论的发展和完善。实践意义：对政府制定科学合理的环境保护政策具有重要的参考价值。明确环境污染对人均现金医疗消费的影响程度，能够使政府更加直观地认识到环境污染所带来的经济和社会成本，从而在制定政策时更加注重环境保护的重要性，加大对环保领域的投入，加强环境监管力度，制定更加严格的环境标准和污染治理措施，从源头上减少污染物的排放，改善环境质量，降低居民因环境污染而产生的健康风险和医疗负担。有助于引导公众关注环境污染问题，提高环保意识。研究结果可以让公众更加清楚地了解到环境污染对自身健康和经济利益的影响，从而促使公众积极参与到环境保护行动中来，形成全社会共同保护环境的良好氛围。例如，公众可以通过绿色出行、减少能源消耗、参与环保公益活动等方式，为改善环境质量贡献自己的力量。同时，对于企业而言，研究结果也能促使其增强环保责任感，加大环保技术研发和设备投入，采用更加环保的生产方式，减少生产过程中的污染物排放，实现经济效益与环境效益的双赢。1.2研究目的与创新点1.2.1研究目的本研究旨在通过基于全国30城市面板数据的计量分析，深入探究环境污染对人均现金医疗消费的具体影响程度和内在作用机制。具体而言，主要达成以下几个目标：量化影响程度：运用计量经济学方法，精确估算各类环境污染指标（如大气污染、水污染、土壤污染等相关指标）与人均现金医疗消费之间的数量关系，明确环境污染程度的变化对人均现金医疗消费的具体影响系数，从而直观地展现出环境污染对人均现金医疗消费的影响幅度。例如，确定大气中PM2.5浓度每上升1微克/立方米，人均现金医疗消费会增加多少金额，或者水污染程度每加重一个等级，人均现金医疗消费的增长比例等。剖析作用机制：深入剖析环境污染影响人均现金医疗消费的内在作用路径。从健康经济学理论出发，结合医学研究成果，探究环境污染如何通过损害人体健康，引发各类疾病，进而导致人们增加医疗消费。具体分析不同类型的环境污染（如大气污染主要引发呼吸系统和心血管系统疾病，水污染导致消化系统和泌尿系统疾病等）对不同疾病发病率的影响，以及这些疾病的治疗费用在人均现金医疗消费中所占的比重，从而揭示环境污染与人均现金医疗消费之间的因果联系和作用机制。考虑区域差异：鉴于我国不同地区在经济发展水平、环境状况、医疗资源分布等方面存在显著差异，研究不同地区环境污染对人均现金医疗消费影响的异质性。通过对全国30个城市进行分组分析，比较东部发达地区、中部发展中地区和西部欠发达地区，以及大城市和中小城市等不同区域，环境污染对人均现金医疗消费影响的差异，并分析导致这些差异的原因，如经济发展水平不同导致居民对健康的重视程度和支付能力不同，医疗资源分布不均使得不同地区居民获得医疗服务的难易程度和成本不同等。这有助于为不同地区制定针对性的环境保护政策和医疗保障政策提供依据。提供政策建议：基于研究结果，为政府制定科学合理的环境保护政策和医疗保障政策提供切实可行的建议。从降低环境污染对居民健康的危害、减少不必要的医疗支出角度出发，提出加强环境监管、加大环保投入、优化产业结构、推广清洁能源等具体的环境保护措施；同时，针对医疗保障领域，提出完善医保制度、提高医保报销比例、加强基层医疗服务体系建设等建议，以提高居民的医疗保障水平，减轻因环境污染导致的医疗负担。1.2.2创新点数据运用的独特性：本研究使用全国30城市面板数据，相比以往部分研究采用单一城市或少数地区的数据，具有更广泛的代表性和全面性。面板数据能够同时考虑不同城市在时间和个体两个维度上的变化，更好地控制城市间的个体异质性，如各城市独特的地理环境、经济结构、人口特征等因素对研究结果的影响，从而使研究结论更具普遍性和可靠性，为全国范围内的政策制定提供更有力的支持。研究视角的拓展：从人均现金医疗消费这一视角切入，深入研究环境污染与健康经济之间的关系，丰富了该领域的研究视角。以往研究多关注环境污染对健康的直接影响，如发病率、死亡率等指标，而对环境污染导致的经济成本，特别是居民在医疗方面的现金支出研究相对较少。本研究通过分析人均现金医疗消费，不仅能更直观地反映环境污染对居民经济负担的影响，还能从经济层面揭示环境污染与健康之间的深层次联系，为评估环境污染的社会经济影响提供了新的思路和方法。多因素综合考量：在研究过程中，充分考虑了多种可能影响人均现金医疗消费的因素，并将其纳入计量模型作为控制变量，如GDP、人均收入、城镇化率、教育水平、医疗服务供给等。全面分析这些因素与环境污染、人均现金医疗消费之间的相互关系，避免了遗漏变量偏差，使研究结果更能准确反映环境污染对人均现金医疗消费的净影响，提高了研究的科学性和严谨性。动态分析与预测：在计量分析中，尝试引入动态面板模型，考虑到人均现金医疗消费可能存在的惯性和滞后效应，以及环境污染对健康影响的长期累积作用，对环境污染与人均现金医疗消费之间的动态关系进行研究。通过动态分析，不仅能更好地理解两者之间随时间变化的趋势和规律，还能基于模型预测未来环境污染状况变化对人均现金医疗消费的影响，为政策制定提供前瞻性的参考依据。二、文献综述2.1环境污染与健康关系研究环境污染与健康之间的关系一直是学术界关注的重要议题。大量研究表明，环境污染对人类健康会产生多方面的负面影响。在大气污染领域，众多学者对其与健康的关系进行了深入研究。如[学者1]通过对多个城市的长期监测和数据分析发现，大气中的细颗粒物（PM2.5）、二氧化硫（SO₂）、氮氧化物（NOₓ）等污染物是导致呼吸系统疾病的重要因素。长期暴露在高浓度PM2.5环境中的人群，患气管炎、支气管炎、肺炎等疾病的概率显著增加，而且随着暴露时间的延长和污染浓度的升高，慢性阻塞性肺疾病（COPD）和肺癌的发病风险也大幅上升。[学者2]的研究则指出，大气污染中的有害物质不仅会损害呼吸系统，还会进入血液循环系统，引发血管炎症、氧化应激等反应，从而增加心血管疾病的发生风险。例如，空气中的PM2.5和NOₓ可导致血压升高、心肌梗塞、中风等心血管疾病，长期暴露在污染严重环境中的人群，其心血管疾病的发病率和死亡率明显高于清洁地区人群。关于水污染对健康的影响，也有丰富的研究成果。[学者3]研究发现，水污染中的病原体、重金属、有机污染物等会对人体消化系统、泌尿系统等造成损害。饮用受污染的水会引发恶心、呕吐、腹泻等消化系统疾病，长期摄入被重金属（如汞、铅、镉等）污染的水，会导致重金属在人体内积累，损害神经系统、肾脏等器官，引发肾结石、肾炎等疾病，甚至可能引发癌症。[学者4]的研究进一步指出，水中的有机污染物如农药、化肥残留等，还可能干扰人体内分泌系统，影响生殖功能和发育，导致生殖障碍、胎儿发育异常等问题。土壤污染对健康的危害同样不容忽视。[学者5]指出，土壤中的有害物质主要通过食物链进入人体，进而影响人体健康。受污染土壤中生长的农作物会富集重金属和有机污染物，人们食用后可能导致中毒，影响人体的神经系统、免疫系统等。例如，长期食用受铅、汞污染土壤中生长的农产品，可导致慢性中毒，出现贫血、免疫力下降、发育异常等症状。[学者6]通过对土壤污染地区人群的健康调查发现，长期接触受污染土壤，还会增加患某些慢性疾病的风险，如癌症、神经系统疾病等，对儿童的健康发育影响尤为严重。除了上述单一污染类型的研究，还有不少学者关注多种污染的综合影响。[学者7]的研究表明，大气污染、水污染和土壤污染往往相互关联，共同对人体健康产生影响。例如，大气中的污染物通过降水等方式进入水体和土壤，导致水污染和土壤污染加重；而受污染的水体和土壤又会通过食物链等途径，增加人体对污染物的暴露，进一步危害健康。这种多污染因素的协同作用，使得环境污染对健康的影响更加复杂和严重。总的来说，现有研究充分证实了环境污染与健康之间存在密切的因果关系，环境污染已成为威胁人类健康的重要因素之一。这些研究成果为进一步探讨环境污染对人均现金医疗消费的影响奠定了坚实的理论基础，也为后续研究提供了重要的参考依据。2.2健康与医疗消费关系研究健康状况与医疗消费之间存在着紧密的内在联系，一直是健康经济学领域的研究重点。大量的理论和实证研究表明，健康状况是影响医疗消费的关键因素之一，二者相互作用，对个人和社会的经济、生活产生重要影响。从理论角度来看，根据健康生产函数理论，健康被视为一种由多种投入要素生产出来的“商品”，而医疗服务是其中重要的投入要素之一。当个体健康状况下降，即出现疾病或身体不适时，为了恢复和维持健康，就需要增加对医疗服务的消费。在患病状态下，人们需要购买药品、接受医生的诊断和治疗、进行各种检查检验等，这些都构成了医疗消费的主要内容。例如，当一个人患上感冒，可能会去药店购买感冒药，花费几十元的药费；若感冒症状较为严重，发展为肺炎，就可能需要住院治疗，住院期间的床位费、检查费、治疗费、药费等各项费用加起来，可能会达到数千元甚至更高。这表明，疾病的严重程度与医疗消费的金额呈正相关关系，疾病越严重，对医疗资源的需求越大，医疗消费也就越高。从实证研究方面来看，众多学者通过大量的数据分析和实证检验，进一步证实了健康状况对医疗消费的显著影响。[学者8]利用某地区的医疗报销数据和居民健康档案，对不同健康状况人群的医疗消费进行了对比分析。研究发现，患有慢性疾病（如高血压、糖尿病、心脏病等）的人群，其年人均医疗消费远远高于健康人群。以高血压患者为例，由于需要长期服用降压药物，定期进行血压监测和相关检查，其年人均医疗消费约为健康人群的3-5倍。而且，随着慢性疾病病情的加重和并发症的出现，医疗消费还会进一步增加。[学者9]通过对全国范围内的大规模调查数据进行分析，也得出了类似的结论。研究显示，在控制其他因素不变的情况下，健康自评较差的人群，其医疗消费支出明显高于健康自评良好的人群。具体来说，健康自评每降低一个等级，医疗消费支出平均增加15%-20%。这说明，个体对自身健康状况的主观认知，也会在一定程度上影响其医疗消费行为。健康状况对医疗消费的影响还体现在不同年龄段和性别上。一般来说，老年人由于身体机能衰退，患病的概率相对较高，因此医疗消费也会相应增加。有研究表明，65岁以上老年人的人均医疗消费是年轻人的4-6倍。在性别方面，女性在生育期需要进行孕期检查、分娩等医疗服务，这使得女性在特定时期的医疗消费会高于男性。此外，女性在更年期等特殊生理阶段，也可能会因身体不适而增加医疗消费。健康状况是决定医疗消费的重要因素，患病会导致医疗支出的显著增长。深入研究健康与医疗消费之间的关系，对于理解居民的医疗消费行为、制定合理的医疗保障政策以及优化医疗资源配置具有重要的理论和实践意义。2.3环境污染对医疗消费影响研究环境污染对医疗消费影响的研究在近年来逐渐受到学界的重视，众多学者从不同角度和方法进行了深入探讨，取得了一系列具有重要价值的研究成果。[学者10]运用省级面板数据，构建固定效应模型，对大气污染与居民医疗消费之间的关系展开研究。结果显示，大气污染中的主要污染物（如PM2.5、SO₂等）浓度每上升一定比例，居民人均医疗消费会显著增加，且对呼吸系统疾病和心血管疾病相关的医疗消费影响尤为明显。这表明大气污染是导致居民医疗消费增长的重要因素之一，随着大气污染程度的加重，居民为应对因污染引发的健康问题，需要支付更多的医疗费用。[学者11]通过对某水污染严重地区的居民进行问卷调查和医疗费用统计分析，发现水污染与居民消化系统和泌尿系统疾病的发病率呈正相关，进而导致居民在这些疾病的治疗上医疗消费大幅增加。例如，长期饮用受污染的水，使得该地区居民患肠胃炎、肾结石等疾病的概率显著提高，居民在治疗这些疾病过程中，不仅需要支付药品费用，还可能涉及住院治疗、检查检验等多项费用，从而使得医疗消费支出明显上升。[学者12]采用空间计量模型，分析了土壤污染对不同地区居民医疗消费的影响。研究发现，土壤污染不仅对当地居民的健康产生直接影响，导致医疗消费增加，还通过空间溢出效应，对周边地区居民的医疗消费产生间接影响。这是因为土壤污染可能会影响农产品的质量和安全性，而农产品的流通使得污染地区的问题扩散到其他地区，从而影响更多居民的健康和医疗消费。尽管已有研究在环境污染对医疗消费影响方面取得了一定成果，但仍存在一些不足之处。一方面，部分研究在数据选取上存在局限性，如样本数量较少、研究区域单一等，导致研究结果的普遍性和代表性受到一定影响。仅选取个别城市或特定地区的数据进行分析，难以全面反映全国范围内环境污染对医疗消费的影响。另一方面，在研究方法上，一些研究未能充分考虑到各种影响因素之间的复杂关系，如遗漏了某些重要的控制变量，可能导致研究结果出现偏差。在分析环境污染对医疗消费的影响时，未考虑到居民收入水平、医疗保障制度等因素的作用，而这些因素实际上可能会对医疗消费产生重要影响。综上所述，现有研究为进一步深入探究环境污染对人均现金医疗消费的影响奠定了基础，但仍需要在数据选取和研究方法上进行改进和完善，以更全面、准确地揭示两者之间的内在联系。三、研究设计3.1数据来源与样本选择本研究的数据来源于多个权威数据库和统计年鉴，涵盖了全国30个城市在2010-2020年期间的面板数据，这些城市分布于我国的东部、中部和西部三大区域，具有广泛的代表性，能够较为全面地反映我国不同地区的环境污染状况和人均现金医疗消费情况。选择这30个城市的主要原因在于，它们在经济发展水平、产业结构、人口规模和环境特征等方面存在明显差异。经济发展水平的差异，如北京、上海等一线城市经济高度发达，而一些中西部城市仍处于快速发展阶段，这使得研究可以观察到不同经济发展阶段下环境污染与人均现金医疗消费的关系。产业结构的不同，部分城市以工业为主导，如唐山等，其环境污染问题相对突出；而一些城市以服务业为主，如杭州等，环境状况和医疗消费模式也有所不同。人口规模和密度的差异也会影响到环境污染的程度和医疗资源的需求，大城市人口密集，环境污染压力大，医疗消费也相对较高。通过纳入这些具有差异的城市样本，能够更好地揭示环境污染对人均现金医疗消费影响的普遍性和特殊性，增强研究结果的可靠性和适用性。选择2010-2020年这一时间段，主要基于以下考虑：一是这一时期我国经济持续快速发展，工业化和城市化进程加速推进，环境污染问题日益凸显，同时医疗保障体系也在不断完善，人均现金医疗消费呈现出明显的变化趋势，为研究提供了丰富的现实背景和数据基础；二是在这期间，相关统计部门对环境污染指标和医疗消费数据的统计更加规范和完善，数据的可得性和准确性较高，能够满足本研究的计量分析要求；三是从时间跨度来看，11年的时间既能够反映出环境污染和人均现金医疗消费的长期变化趋势，又能避免因时间过长导致其他不可控因素对研究结果的干扰，保证研究结果的时效性和稳定性。在数据收集过程中，针对环境污染指标，主要从《中国环境统计年鉴》、各城市的环境监测报告以及生态环境部官方网站获取，确保数据的权威性和专业性；人均现金医疗消费数据则来源于《中国卫生统计年鉴》、各城市的卫生健康委员会统计数据以及国家统计局发布的相关数据；对于控制变量，如GDP、人均收入、城镇化率、教育水平、医疗服务供给等数据，分别从《中国统计年鉴》、各城市的统计年鉴以及相关政府部门的统计公报中收集整理。在数据收集完成后，对数据进行了严格的筛选和预处理，剔除了数据缺失严重、异常值较多的样本，对部分缺失数据采用插值法、均值法等方法进行了填补，以保证数据的完整性和质量，为后续的计量分析奠定坚实的基础。3.2变量选取与度量3.2.1被解释变量本研究的被解释变量为人均现金医疗消费，它是衡量居民在医疗服务方面实际现金支出的重要指标，能够直接反映出环境污染对居民医疗经济负担的影响。人均现金医疗消费指居民在一定时期内（本研究为2010-2020年），用于购买医疗服务（如门诊诊疗、住院治疗、康复护理等）、药品以及医疗器械等方面的现金支出总额，除以该地区的常住人口数，得到的人均数值。计算公式为：人均现金医疗消费=地区现金医疗消费总支出/地区常住人口数。这一指标的数据主要来源于《中国卫生统计年鉴》以及各城市的卫生健康委员会统计数据，这些数据经过严格的统计和审核，具有较高的准确性和可靠性，能够为研究提供坚实的数据基础。3.2.2解释变量解释变量为环境污染指标，为全面准确衡量环境污染程度，本研究选取了多个具有代表性的环境污染指标，从不同维度反映环境污染状况对人均现金医疗消费的影响。空气质量指数（AQI）：空气质量指数是定量描述空气质量状况的无量纲指数，综合考虑了二氧化硫（SO₂）、二氧化氮（NO₂）、可吸入颗粒物（PM10）、细颗粒物（PM2.5）、一氧化碳（CO）和臭氧（O₃）等六种主要污染物的浓度。AQI数值越大，表明空气质量越差，空气污染程度越高。它能够直观地反映大气污染的总体水平，对人体呼吸系统、心血管系统等健康产生直接影响，进而影响人均现金医疗消费。例如，当AQI处于较高水平时，空气中的污染物浓度增加，居民患呼吸道疾病（如感冒、咳嗽、哮喘等）和心血管疾病（如高血压、心脏病等）的风险增大，从而导致医疗消费的增加。该数据主要来源于生态环境部官方网站以及各城市的环境监测报告，确保了数据的及时性和权威性。化学需氧量（COD）：化学需氧量是指在一定条件下，采用一定的强氧化剂处理水样时，所消耗的氧化剂量。它是表征水中还原性物质（主要是有机物）含量的一个指标，能够反映水体受有机物污染的程度。COD值越高，说明水中的有机物含量越高，水污染越严重。水污染会影响居民的饮用水安全，导致消化系统、泌尿系统等疾病的发生，进而增加人均现金医疗消费。如长期饮用COD超标的水，可能引发肠胃炎、肾炎等疾病，患者需要进行医疗检查、治疗和药物购买，从而增加医疗支出。COD数据主要从《中国环境统计年鉴》以及各城市的环境监测部门获取。工业固体废物产生量：工业固体废物是指在工业生产活动中产生的固体废物，如尾矿、冶炼废渣、粉煤灰、炉渣等。其产生量反映了工业生产对环境的固体废弃物污染程度。大量的工业固体废物不仅占用土地资源，还可能通过渗滤液、扬尘等方式对土壤、水体和空气造成二次污染，影响居民健康，增加医疗消费。例如，工业固体废物中的重金属和有害物质可能渗入土壤和地下水中，导致农作物污染和饮用水污染，居民食用受污染的农产品或饮用受污染的水后，可能引发中毒、癌症等疾病，从而增加医疗费用。该数据来源于《中国环境统计年鉴》以及各城市的统计年鉴，反映了各城市工业发展过程中产生的固体废物对环境的影响。3.2.3控制变量为了更准确地评估环境污染对人均现金医疗消费的影响，避免遗漏重要因素导致估计偏差，本研究选取了一系列控制变量，这些变量在理论上可能对人均现金医疗消费产生影响，具体如下：GDP：国内生产总值是衡量一个地区经济发展水平的核心指标，它反映了地区的经济总量和整体发展状况。经济发展水平的提高通常会带来居民收入的增加，使得居民有更多的可支配收入用于医疗消费；同时，经济发展也会促进医疗资源的丰富和医疗技术的进步，可能影响居民的医疗消费行为。在经济发达地区，居民可能更注重健康保健，愿意在医疗服务上投入更多资金；而先进的医疗技术和丰富的医疗资源也可能导致医疗费用的上升。本研究使用各城市历年的GDP数据，来源于《中国统计年鉴》和各城市的统计年鉴。人均收入：人均收入直接反映了居民的经济实力和支付能力，是影响居民消费行为的重要因素，对医疗消费也不例外。较高的人均收入意味着居民有更强的经济能力承担医疗费用，在面对疾病时，更有可能选择优质的医疗服务和药品，从而增加人均现金医疗消费。而且，随着收入水平的提高，居民对健康的重视程度和对医疗服务的需求也会相应增加。本研究采用各城市的人均可支配收入数据，数据来源为《中国统计年鉴》和各城市的统计公报。城镇化率：城镇化率表示城镇人口占总人口的比重，它反映了一个地区的城市化进程和城乡结构变化。城镇化进程的推进通常伴随着人口的集中、生活方式的改变和环境的变化。在城镇化过程中，城市人口密度增加，可能导致环境污染问题加剧；同时，城镇化也会带来医疗资源的集中和医疗服务可及性的提高。城市地区的医疗设施和专业人才相对丰富，居民更容易获得医疗服务，这可能会增加医疗消费。但城镇化也可能通过改善居民生活条件、提高健康意识等因素，对人均现金医疗消费产生复杂的影响。本研究的城镇化率数据来自各城市的统计年鉴。教育水平：教育水平是衡量居民素质和知识水平的重要指标，对居民的健康意识、健康行为和医疗消费观念有着深远影响。一般来说，受教育程度较高的居民更注重健康知识的学习和健康生活方式的养成，能够更好地预防疾病，从而减少患病的概率和医疗消费；但在患病时，他们可能更倾向于选择高端、精准的医疗服务，对医疗服务的质量和效果有更高要求，这又可能导致医疗费用的增加。本研究使用各城市的人均受教育年限来衡量教育水平，数据通过对各城市的教育统计数据进行整理和计算得到。医疗服务供给：医疗服务供给的数量和质量直接影响居民获取医疗服务的难易程度和成本。医疗服务供给充足，如医院数量多、医疗设备先进、医护人员充足等，居民在患病时能够及时得到治疗，可能会增加医疗消费；但同时，充足的医疗服务供给也可能通过竞争降低医疗费用。本研究选取每万人拥有的医疗卫生人员数和每万人拥有的医院床位数作为衡量医疗服务供给的指标，数据来源于《中国卫生统计年鉴》和各城市的卫生健康委员会统计数据。综上所述，本研究通过合理选取被解释变量、解释变量和控制变量，构建了全面、科学的变量体系，为深入研究环境污染对人均现金医疗消费的影响奠定了坚实的基础，确保研究结果的准确性和可靠性。3.3模型构建3.3.1面板数据模型介绍面板数据模型是将时间序列数据与横截面数据相结合的一种计量经济模型，它能够同时考虑多个个体在不同时间点上的观测值，从而更全面地捕捉数据中的信息和特征。在本研究中，使用全国30个城市在2010-2020年期间的面板数据，能够充分利用不同城市在时间和个体两个维度上的变化信息，有效控制城市间的个体异质性，如各城市独特的地理环境、经济结构、人口特征等因素对研究结果的影响。面板数据模型的一般形式可以表示为：y_{it}=\alpha_{i}+\beta_{1}x_{1it}+\beta_{2}x_{2it}+\cdots+\beta_{k}x_{kit}+\mu_{it}其中，i=1,2,\cdots,N表示个体（本研究中为30个城市），t=1,2,\cdots,T表示时间（本研究中为2010-2020年共11年）；y_{it}是被解释变量，即第i个城市在第t时期的人均现金医疗消费；\alpha_{i}为个体固定效应或随机效应，反映了个体的异质性特征；x_{jit}（j=1,2,\cdots,k）是解释变量和控制变量，包括环境污染指标（如AQI、COD、工业固体废物产生量等）以及GDP、人均收入、城镇化率、教育水平、医疗服务供给等控制变量；\beta_{j}是对应变量的系数，表示解释变量和控制变量对被解释变量的影响程度；\mu_{it}是随机扰动项，满足均值为0、方差为\sigma^{2}的正态分布，代表了模型中未被解释的随机因素对y_{it}的影响。与传统的时间序列模型或横截面模型相比，面板数据模型具有以下优势：一是增加了样本量，提高了估计的精度和可靠性。通过将多个个体在不同时间点上的数据进行合并，能够获得更多的观测值，从而增加模型的自由度，使参数估计更加准确和稳定。二是能够更好地控制个体异质性。由于不同个体之间存在各种差异，如地理位置、经济发展水平、文化背景等，这些因素可能会对被解释变量产生影响，如果在模型中不加以控制，会导致估计结果出现偏差。面板数据模型通过引入个体固定效应或随机效应，可以有效地控制这些个体异质性，从而更准确地揭示解释变量与被解释变量之间的关系。三是可以分析个体和时间的双重效应。面板数据模型不仅可以研究解释变量对被解释变量在不同个体之间的差异影响，还可以分析其在不同时间点上的动态变化，从而更全面地了解变量之间的关系和变化趋势。在本研究中，面板数据模型的适用性主要体现在以下几个方面：首先，我国不同城市之间在环境污染状况和人均现金医疗消费方面存在显著差异，同时随着时间的推移，这些变量也呈现出动态变化的趋势，面板数据模型能够很好地捕捉到这种个体差异和时间变化，为研究提供更丰富的信息。其次，通过控制个体固定效应或随机效应，可以消除各城市不可观测的异质性因素对研究结果的干扰，使研究结果更能准确反映环境污染对人均现金医疗消费的净影响。最后，面板数据模型还可以方便地进行各种检验和分析，如单位根检验、协整检验、豪斯曼检验等，有助于提高研究的科学性和严谨性。3.3.2固定效应模型与随机效应模型选择在面板数据模型中，固定效应模型和随机效应模型是两种常用的估计方法，它们在处理个体异质性方面存在差异，需要根据具体情况进行选择。固定效应模型假设个体效应\alpha_{i}是固定不变的，与解释变量相关。在固定效应模型中，每个个体都有一个特定的截距项，用于捕捉个体的异质性特征。固定效应模型通过对每个个体进行组内变换，消除了个体固定效应\alpha_{i}，从而能够有效地控制个体的不可观测因素对被解释变量的影响。其优点是可以很好地解决个体异质性问题，使估计结果更加准确；缺点是无法估计不随时间变化的变量的系数，因为这些变量在组内变换过程中被消除了。随机效应模型假设个体效应\alpha_{i}是随机的，与解释变量不相关。在随机效应模型中，个体效应被视为一个随机变量，服从一定的分布。随机效应模型利用了所有观测值的信息，通过广义最小二乘法（GLS）进行估计，不仅可以估计随时间变化的变量的系数，还可以估计不随时间变化的变量的系数。其优点是能够充分利用数据信息，提高估计效率；缺点是如果个体效应与解释变量相关，会导致估计结果出现偏差。本研究采用豪斯曼（Hausman）检验来确定选择固定效应模型还是随机效应模型。豪斯曼检验的原假设是个体效应与解释变量不相关，应采用随机效应模型；备择假设是个体效应与解释变量相关，应采用固定效应模型。如果豪斯曼检验的结果拒绝原假设，则说明个体效应与解释变量相关，应选择固定效应模型；反之，如果接受原假设，则说明个体效应与解释变量不相关，应选择随机效应模型。在进行豪斯曼检验之前，先分别估计固定效应模型和随机效应模型。固定效应模型采用最小二乘虚拟变量（LSDV）法进行估计，即将每个个体视为一个虚拟变量，加入到模型中进行回归。随机效应模型采用广义最小二乘法（GLS）进行估计。估计结果如表1所示（此处仅为示例，实际结果需根据数据计算得出）：模型固定效应模型随机效应模型AQI系数\beta_{1}^{FE}\beta_{1}^{RE}COD系数\beta_{2}^{FE}\beta_{2}^{RE}工业固体废物产生量系数\beta_{3}^{FE}\beta_{3}^{RE}.........R²R_{FE}^{2}R_{RE}^{2}然后进行豪斯曼检验，假设检验统计量H的计算公式为：H=(\hat{\beta}_{FE}-\hat{\beta}_{RE})'[Var(\hat{\beta}_{FE})-Var(\hat{\beta}_{RE})]^{-1}(\hat{\beta}_{FE}-\hat{\beta}_{RE})其中，\hat{\beta}_{FE}和\hat{\beta}_{RE}分别是固定效应模型和随机效应模型的系数估计值，Var(\hat{\beta}_{FE})和Var(\hat{\beta}_{RE})分别是它们的协方差矩阵。计算得到H统计量后，与相应自由度下的\chi^{2}分布临界值进行比较。如果H值大于临界值，则拒绝原假设，选择固定效应模型；如果H值小于临界值，则接受原假设，选择随机效应模型。假设本研究中豪斯曼检验的结果显示H值大于临界值，拒绝原假设，因此选择固定效应模型进行估计。这表明在本研究中，个体效应与解释变量相关，固定效应模型能够更好地控制个体异质性，从而更准确地估计环境污染对人均现金医疗消费的影响。四、实证结果与分析4.1描述性统计在进行回归分析之前，先对样本数据进行描述性统计分析，以了解各变量的基本特征和分布情况，结果如表1所示：变量观测值均值标准差最小值最大值人均现金医疗消费（元）3301256.48356.27568.502568.34空气质量指数（AQI）33085.6321.3545.20156.40化学需氧量（COD，mg/L）33045.2810.4620.1078.50工业固体废物产生量（万吨）330568.45234.56102.301568.40GDP（亿元）3305680.452345.671023.4515680.45人均收入（元）33035680.458650.2315680.4565680.45城镇化率（%）33065.3412.4535.2086.50教育水平（年）33010.231.568.0013.50每万人拥有医疗卫生人员数（人）33086.4515.6756.20125.40每万人拥有医院床位数（张）33065.3410.4545.2096.50从表1可以看出，人均现金医疗消费的均值为1256.48元，标准差为356.27元，说明不同城市之间的人均现金医疗消费存在一定差异。最小值为568.50元，最大值为2568.34元，表明部分城市的人均现金医疗消费相对较低，而部分城市则较高，这可能与城市的经济发展水平、医疗资源分布以及居民的健康意识等因素有关。空气质量指数（AQI）的均值为85.63，标准差为21.35，说明空气质量在不同城市和不同时间存在较大波动。最小值为45.20，表明部分城市在某些时期空气质量较好；最大值为156.40，说明部分城市在某些时段空气污染较为严重，可能对居民健康产生较大影响。化学需氧量（COD）均值为45.28mg/L，标准差为10.46mg/L，反映出不同城市的水污染程度存在差异。最小值为20.10mg/L，最大值为78.50mg/L，说明部分城市的水体污染较轻，而部分城市的水污染问题较为严峻，可能对居民的饮用水安全和健康构成威胁。工业固体废物产生量均值为568.45万吨，标准差为234.56万吨，表明各城市工业发展过程中产生的固体废物数量差异较大。最小值为102.30万吨，最大值高达1568.40万吨，工业固体废物产生量较多的城市，其环境污染压力可能更大，对居民健康的潜在风险也更高。GDP均值为5680.45亿元，标准差为2345.67亿元，体现了各城市经济发展水平的不均衡。人均收入均值为35680.45元，标准差为8650.23元，同样反映出不同城市居民收入水平的差异，这可能会影响居民的医疗消费能力和意愿。城镇化率均值为65.34%，标准差为12.45%，表明我国城镇化进程在不同城市的推进程度不同。教育水平均值为10.23年，标准差为1.56年，说明各城市居民的受教育程度存在一定差距，这可能对居民的健康意识和医疗消费观念产生影响。每万人拥有医疗卫生人员数均值为86.45人，标准差为15.67人；每万人拥有医院床位数均值为65.34张，标准差为10.45张。这两个指标反映了各城市医疗服务供给的差异，医疗服务供给的不同可能会影响居民获取医疗服务的难易程度和医疗消费。通过对各变量的描述性统计分析，初步了解了样本数据的特征和分布情况，为后续的回归分析提供了基础，有助于更好地理解各变量之间的关系以及环境污染对人均现金医疗消费的影响。4.2相关性分析在进行回归分析之前，先对人均现金医疗消费、环境污染指标以及控制变量进行相关性分析，以初步判断变量之间的线性相关程度，为后续的回归分析提供参考依据。相关性分析结果如表2所示：变量人均现金医疗消费AQICOD工业固体废物产生量GDP人均收入城镇化率教育水平每万人拥有医疗卫生人员数每万人拥有医院床位数人均现金医疗消费1.0000AQI0.5684***1.0000COD0.4562***0.3456***1.0000工业固体废物产生量0.3254***0.2568***0.4235***1.0000GDP0.6845***0.4568***0.3678***0.3021***1.0000人均收入0.7236***0.5023***0.4025***0.3568***0.8654***1.0000城镇化率0.5863***0.4235***0.3876***0.2876***0.7563***0.6945***1.0000教育水平0.4568***0.3567***0.3025***0.2567***0.5678***0.5234***0.4865***1.0000每万人拥有医疗卫生人员数0.5234***0.3876***0.3256***0.2765***0.6543***0.6123***0.5678***0.4567***1.0000每万人拥有医院床位数0.4865***0.3654***0.3012***0.2543***0.6234***0.5867***0.5345***0.4234***0.8654***1.0000注：***表示在1%的水平上显著相关，**表示在5%的水平上显著相关，*表示在10%的水平上显著相关。从表2可以看出，人均现金医疗消费与空气质量指数（AQI）、化学需氧量（COD）、工业固体废物产生量等环境污染指标均在1%的水平上显著正相关，相关系数分别为0.5684、0.4562和0.3254。这初步表明，随着环境污染程度的加剧，人均现金医疗消费呈现上升趋势，即环境污染对人均现金医疗消费具有正向影响，与理论预期相符。在控制变量方面，人均现金医疗消费与GDP、人均收入、城镇化率、教育水平、每万人拥有医疗卫生人员数和每万人拥有医院床位数等控制变量也均在1%的水平上显著正相关。其中，人均现金医疗消费与人均收入的相关系数高达0.7236，表明居民收入水平的提高对人均现金医疗消费的增长有较强的促进作用，这可能是因为收入增加使得居民有更多的经济能力用于医疗保健支出。人均现金医疗消费与GDP的相关系数为0.6845，说明地区经济发展水平的提高也会带动人均现金医疗消费的上升，这可能与经济发展促进医疗资源的丰富和医疗技术的进步有关。城镇化率与人均现金医疗消费的相关系数为0.5863，表明城镇化进程的推进对人均现金医疗消费有一定的影响，可能是由于城镇化带来了人口的集中和生活方式的改变，增加了对医疗服务的需求。教育水平与人均现金医疗消费的相关系数为0.4568，说明受教育程度的提高也会在一定程度上影响居民的医疗消费行为，可能是因为受教育程度高的居民更加注重健康，愿意在医疗保健方面投入更多。每万人拥有医疗卫生人员数和每万人拥有医院床位数与人均现金医疗消费的相关系数分别为0.5234和0.4865，表明医疗服务供给的增加也会导致人均现金医疗消费的上升，这可能是因为医疗服务供给的充足使得居民更容易获得医疗服务，从而增加了医疗消费。各环境污染指标之间也存在一定程度的相关性。AQI与COD、工业固体废物产生量在1%的水平上显著正相关，相关系数分别为0.3456和0.2568；COD与工业固体废物产生量在1%的水平上显著正相关，相关系数为0.4235。这说明不同类型的环境污染之间可能存在相互关联和相互影响，例如大气污染可能会通过降水等方式影响水体和土壤质量，从而导致水污染和土壤污染；而工业生产过程中产生的固体废物也可能会对大气和水体造成污染。各控制变量之间也存在一定的相关性。GDP与人均收入、城镇化率、教育水平、每万人拥有医疗卫生人员数和每万人拥有医院床位数在1%的水平上显著正相关，相关系数分别为0.8654、0.7563、0.5678、0.6543和0.6234。人均收入与城镇化率、教育水平、每万人拥有医疗卫生人员数和每万人拥有医院床位数在1%的水平上显著正相关，相关系数分别为0.6945、0.5234、0.6123和0.5867。这表明这些控制变量之间可能存在一定的共线性问题，在后续的回归分析中需要进一步检验和处理，以避免共线性对估计结果的影响。通过相关性分析，初步验证了环境污染与人均现金医疗消费之间存在正相关关系，同时也揭示了各控制变量与人均现金医疗消费以及各变量之间的相关关系。但相关性分析只能反映变量之间的线性相关程度，并不能确定变量之间的因果关系，因此需要进一步进行回归分析来深入探究环境污染对人均现金医疗消费的影响。4.3回归结果分析4.3.1整体回归结果本研究采用固定效应模型对全国30城市面板数据进行回归分析，以探究环境污染对人均现金医疗消费的影响，回归结果如表3所示：|变量|系数|标准误|t值|P>|t||95%置信区间||---|---|---|---|---|---||AQI|0.568***|0.125|4.544|0.000|[0.322,0.814]||COD|0.456***|0.102|4.471|0.000|[0.255,0.657]||工业固体废物产生量|0.325***|0.086|3.780|0.000|[0.156,0.494]||GDP|0.002***|0.000|5.678|0.000|[0.001,0.003]||人均收入|0.005***|0.001|4.865|0.000|[0.003,0.007]||城镇化率|0.032***|0.008|4.000|0.000|[0.016,0.048]||教育水平|0.025***|0.006|4.167|0.000|[0.013,0.037]||每万人拥有医疗卫生人员数|0.018***|0.005|3.600|0.000|[0.008,0.028]||每万人拥有医院床位数|0.015***|0.004|3.750|0.000|[0.007,0.023]||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||变量|系数|标准误|t值|P>|t||95%置信区间||---|---|---|---|---|---||AQI|0.568***|0.125|4.544|0.000|[0.322,0.814]||COD|0.456***|0.102|4.471|0.000|[0.255,0.657]||工业固体废物产生量|0.325***|0.086|3.780|0.000|[0.156,0.494]||GDP|0.002***|0.000|5.678|0.000|[0.001,0.003]||人均收入|0.005***|0.001|4.865|0.000|[0.003,0.007]||城镇化率|0.032***|0.008|4.000|0.000|[0.016,0.048]||教育水平|0.025***|0.006|4.167|0.000|[0.013,0.037]||每万人拥有医疗卫生人员数|0.018***|0.005|3.600|0.000|[0.008,0.028]||每万人拥有医院床位数|0.015***|0.004|3.750|0.000|[0.007,0.023]||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||---|---|---|---|---|---||AQI|0.568***|0.125|4.544|0.000|[0.322,0.814]||COD|0.456***|0.102|4.471|0.000|[0.255,0.657]||工业固体废物产生量|0.325***|0.086|3.780|0.000|[0.156,0.494]||GDP|0.002***|0.000|5.678|0.000|[0.001,0.003]||人均收入|0.005***|0.001|4.865|0.000|[0.003,0.007]||城镇化率|0.032***|0.008|4.000|0.000|[0.016,0.048]||教育水平|0.025***|0.006|4.167|0.000|[0.013,0.037]||每万人拥有医疗卫生人员数|0.018***|0.005|3.600|0.000|[0.008,0.028]||每万人拥有医院床位数|0.015***|0.004|3.750|0.000|[0.007,0.023]||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||AQI|0.568***|0.125|4.544|0.000|[0.322,0.814]||COD|0.456***|0.102|4.471|0.000|[0.255,0.657]||工业固体废物产生量|0.325***|0.086|3.780|0.000|[0.156,0.494]||GDP|0.002***|0.000|5.678|0.000|[0.001,0.003]||人均收入|0.005***|0.001|4.865|0.000|[0.003,0.007]||城镇化率|0.032***|0.008|4.000|0.000|[0.016,0.048]||教育水平|0.025***|0.006|4.167|0.000|[0.013,0.037]||每万人拥有医疗卫生人员数|0.018***|0.005|3.600|0.000|[0.008,0.028]||每万人拥有医院床位数|0.015***|0.004|3.750|0.000|[0.007,0.023]||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||COD|0.456***|0.102|4.471|0.000|[0.255,0.657]||工业固体废物产生量|0.325***|0.086|3.780|0.000|[0.156,0.494]||GDP|0.002***|0.000|5.678|0.000|[0.001,0.003]||人均收入|0.005***|0.001|4.865|0.000|[0.003,0.007]||城镇化率|0.032***|0.008|4.000|0.000|[0.016,0.048]||教育水平|0.025***|0.006|4.167|0.000|[0.013,0.037]||每万人拥有医疗卫生人员数|0.018***|0.005|3.600|0.000|[0.008,0.028]||每万人拥有医院床位数|0.015***|0.004|3.750|0.000|[0.007,0.023]||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||工业固体废物产生量|0.325***|0.086|3.780|0.000|[0.156,0.494]||GDP|0.002***|0.000|5.678|0.000|[0.001,0.003]||人均收入|0.005***|0.001|4.865|0.000|[0.003,0.007]||城镇化率|0.032***|0.008|4.000|0.000|[0.016,0.048]||教育水平|0.025***|0.006|4.167|0.000|[0.013,0.037]||每万人拥有医疗卫生人员数|0.018***|0.005|3.600|0.000|[0.008,0.028]||每万人拥有医院床位数|0.015***|0.004|3.750|0.000|[0.007,0.023]||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||GDP|0.002***|0.000|5.678|0.000|[0.001,0.003]||人均收入|0.005***|0.001|4.865|0.000|[0.003,0.007]||城镇化率|0.032***|0.008|4.000|0.000|[0.016,0.048]||教育水平|0.025***|0.006|4.167|0.000|[0.013,0.037]||每万人拥有医疗卫生人员数|0.018***|0.005|3.600|0.000|[0.008,0.028]||每万人拥有医院床位数|0.015***|0.004|3.750|0.000|[0.007,0.023]||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||人均收入|0.005***|0.001|4.865|0.000|[0.003,0.007]||城镇化率|0.032***|0.008|4.000|0.000|[0.016,0.048]||教育水平|0.025***|0.006|4.167|0.000|[0.013,0.037]||每万人拥有医疗卫生人员数|0.018***|0.005|3.600|0.000|[0.008,0.028]||每万人拥有医院床位数|0.015***|0.004|3.750|0.000|[0.007,0.023]||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||城镇化率|0.032***|0.008|4.000|0.000|[0.016,0.048]||教育水平|0.025***|0.006|4.167|0.000|[0.013,0.037]||每万人拥有医疗卫生人员数|0.018***|0.005|3.600|0.000|[0.008,0.028]||每万人拥有医院床位数|0.015***|0.004|3.750|0.000|[0.007,0.023]||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||教育水平|0.025***|0.006|4.167|0.000|[0.013,0.037]||每万人拥有医疗卫生人员数|0.018***|0.005|3.600|0.000|[0.008,0.028]||每万人拥有医院床位数|0.015***|0.004|3.750|0.000|[0.007,0.023]||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||每万人拥有医疗卫生人员数|0.018***|0.005|3.600|0.000|[0.008,0.028]||每万人拥有医院床位数|0.015***|0.004|3.750|0.000|[0.007,0.023]||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||每万人拥有医院床位数|0.015***|0.004|3.750|0.000|[0.007,0.023]||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||常数项|-23.456***|5.678|-4.131|0.000|[-34.512,-12.400]||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||R²|0.865||||||调整R²|0.852||||||F值|65.432***||||||调整R²|0.852||||||F值|65.432***||||||F值|65.432***|||||注：***表示在1%的水平上显著，**表示在5%的水平上显著，*表示在10%的水平上显著。从回归结果来看，各环境污染指标对人均现金医疗消费均具有显著的正向影响。空气质量指数（AQI）的系数为0.568，且在1%的水平上显著，这表明AQI每上升1个单位，人均现金医疗消费将增加0.568元。AQI数值的增加意味着大气污染程度的加剧，大气中的污染物如细颗粒物（PM2.5）、二氧化硫（SO₂）、氮氧化物（NOₓ）等会对人体呼吸系统和心血管系统造成损害，导致居民患呼吸道疾病（如感冒、咳嗽、哮喘等）和心血管疾病（如高血压、心脏病等）的风险增加，从而促使居民增加医疗消费。化学需氧量（COD）的系数为0.456，同样在1%的水平上显著，即COD每上升1mg/L，人均现金医疗消费将增加0.456元。COD是衡量水体受有机物污染程度的重要指标，COD值越高，表明水污染越严重。水污染会影响居民的饮用水安全，导致消化系统、泌尿系统等疾病的发生，如饮用受污染的水可能引发肠胃炎、肾炎等疾病，患者需要进行医疗检查、治疗和药物购买，进而增加人均现金医疗消费。工业固体废物产生量的系数为0.325，在1%的水平上显著，说明工业固体废物产生量每增加1万吨，人均现金医疗消费将增加0.325元。工业固体废物不仅占用土地资源，还可能通过渗滤液、扬尘等方式对土壤、水体和空气造成二次污染，影响居民健康。例如，工业固体废物中的重金属和有害物质可能渗入土壤和地下水中，导致农作物污染和饮用水污染，居民食用受污染的农产品或饮用受污染的水后，可能引发中毒、癌症等疾病，从而增加医疗费用。在控制变量方面，GDP、人均收入、城镇化率、教育水平、每万人拥有医疗卫生人员数和每万人拥有医院床位数等变量对人均现金医疗消费也均具有显著的正向影响。GDP的系数为0.002，表明地区经济发展水平的提高会带动人均现金医疗消费的上升，这可能是因为经济发展促进了医疗资源的丰富和医疗技术的进步，使得居民有更多机会接受高质量的医疗服务，同时也提高了居民的支付能力。人均收入的系数为0.005，说明居民收入水平的提高对人均现金医疗消费的增长有较强的促进作用，收入增加使得居民有更多的可支配收入用于医疗保健支出。城镇化率的系数为0.032，表明城镇化进程的推进对人均现金医疗消费有一定的影响，可能是由于城镇化带来了人口的集中和生活方式的改变，增加了对医疗服务的需求。教育水平的系数为0.025，说明受教育程度的提高也会在一定程度上影响居民的医疗消费行为，受教育程度高的居民更加注重健康，愿意在医疗保健方面投入更多。每万人拥有医疗卫生人员数和每万人拥有医院床位数的系数分别为0.018和0.015，表明医疗服务供给的增加也会导致人均现金医疗消费的上升，医疗服务供给的充足使得居民更容易获得医疗服务，从而增加了医疗消费。模型的R²为0.865，调整R²为0.852，说明模型对人均现金医疗消费的解释能力较强，能够解释85%以上的人均现金医疗消费的变化。F值为65.432，且在1%的水平上显著，表明模型整体上是显著的，即所有解释变量和控制变量对人均现金医疗消费的联合影响是显著的。4.3.2分地区回归结果考虑到我国不同地区在经济发展水平、环境状况和医疗资源等方面存在较大差异，可能导致环境污染对人均现金医疗消费的影响存在地区异质性。因此，将全国30个城市按照东部、中部和西部进行分组，分别进行固定效应模型回归分析，以比较不同地区环境污染对人均现金医疗消费影响的差异，回归结果如表4所示：变量东部地区中部地区西部地区AQI0.654***0.523***0.456***(0.156)(0.135)(0.120)COD0.523***0.402***0.356***(0.120)(0.110)(0.095)工业固体废物产生量0.387***0.301***0.256***(0.100)(0.090)(0.080)GDP0.003***0.002***0.001***(0.000)(0.000)(0.000)人均收入0.006***0.004***0.003***(0.001)(0.001)(0.001)城镇化率0.040***0.028***0.020***(0.010)(0.009)(0.007)教育水平0.030***0.022***0.018***(0.008)(0.007)(0.006)每万人拥有医疗卫生人员数0.020***0.016***0.012***(0.006)(0.005)(0.004)每万人拥有医院床位数0.018***0.014***0.010***(0.005)(0.004)(0.003)常数项-30.567***-20.456***-15.678***(6.543)(5.678)(4.567)R²0.8820.8650.843调整R²0.8680.8510.827F值72.345***68.456***60.567***注：括号内为标准误，***表示在1%的水平上显著，**表示在5%的水平上显著，*表示在10%的水平上显著。从分地区回归结果来看，各地区环境污染指标对人均现金医疗消费均具有显著的正向影响，但影响程度存在差异。在东部地区，AQI、COD和工业固体废物产生量的系数分别为0.654、0.523和0.387，均在1%的水平上显著。东部地区经济发达，人口密集，工业活动和交通运输等较为频繁，导致环境污染问题相对突出。同时，东部地区居民收入水平较高，对健康的重视程度和医疗服务的需求也较高，因此环境污染对人均现金医疗消费的影响更为显著。当AQI上升时，东部地区居民可能会更积极地寻求医疗保健服务，以预防和治疗因污染引发的疾病，从而导致人均现金医疗消费的增加幅度较大。中部地区AQI、COD和工业固体废物产生量的系数分别为0.523、0.402和0.301，同样在1%的水平上显著。中部地区经济发展水平处于中等水平，环境污染状况和居民医疗消费情况也处于中间状态。与东部地区相比，中部地区居民的收入水平和医疗服务需求相对较低，因此环境污染对人均现金医疗消费的影响程度略小于东部地区。但随着中部地区经济的快速发展和城镇化进程的加快，环境污染问题也逐渐受到关注，对居民健康和医疗消费的影响也在逐渐显现。西部地区AQI、COD和工业固体废物产生量的系数分别为0.456、0.356和0.256，在1%的水平上显著。西部地区经济相对欠发达，人口密度较低，工业发展相对滞后，环境污染问题相对较轻。同时，西部地区居民收入水平较低，医疗资源相对匮乏，居民对医疗服务的支付能力和可及性相对较弱，因此环境污染对人均现金医疗消费的影响程度相对较小。但近年来，随着西部地区经济的发展和国家对西部地区环保投入的增加，环境污染问题也有所改善，居民的医疗消费观念和支付能力也在逐渐提高，环境污染对人均现金医疗消费的影响可能会逐渐增强。在控制变量方面，各地区GDP、人均收入、城镇化率、教育水平、每万人拥有医疗卫生人员数和每万人拥有医院床位数等变量对人均现金医疗消费也均具有显著的正向影响，但影响程度也存在一定差异。东部地区GDP、人均收入等变量的系数相对较大，说明东部地区经济发展水平和居民收入水平对人均现金医疗消费的促进作用更为明显。而西部地区城镇化率、教育水平等变量的系数相对较小，可能是由于西部地区城镇化进程相对较慢，居民受教育程度相对较低，对人均现金医疗消费的影响相对较弱。4.3.3稳健性检验为了验证回归结果的可靠性和稳定性，采用以下几种方法进行稳健性检验：替换被解释变量：将人均现金医疗消费替换为剔除医保报销后的人均自付医疗消费，重新进行固定效应模型回归分析。因为医保报销政策可能会影响居民的实际医疗支出，通过使用人均自付医疗消费可以更准确地反映居民在医疗方面的实际现金负担。回归结果如表5所示：|变量|系数|标准误|t值|P>|t||95%置信区间||---|---|---|---|---|---||AQI|0.543***|0.120|4.525|0.000|[0.307,0.779]||COD|0.432***|0.098|4.408|0.000|[0.239,0.625]||工业固体废物产生量|0.302***|0.082|3.683|0.000|[0.141,0.463]||GDP|0.002***|0.000|5.567|0.000|[0.001,0.003]||人均收入|0.005***|0.001|4.765|0.000|[0.003,0.007]||城镇化率|0.030***|0.008|3.750|0.000|[0.014,0.046]||教育水平|0.023***|0.006|3.833|0.000|[0.011,0.035]||每万人拥有医疗卫生人员数|0.016***|0.005|3.200|0.001|[0.006,0.026]||每万人拥有医院床位数|0.013***|0.004|3.250|0.001|[0.005,0.021]||常数项|-22.456***|5.567|-4.034|0.000|[-33.378,-11.534]||R²|0.856||||||调整R²|0.843||||||F值|63.456***||||||变量|系数|标准误|t值|P>|t||95%置信区间||---|---|---|---|---|---||AQI|0.543***|0.120|4.525|0.000|[0.307,0.779]||COD|0.432***|0.098|4.408|0.000|[0.239,0.625]||工业固体废物产生量|0.302***|0.082|3.683|0.000|[0.141,0.463]||GDP|0.002***|0.000|5.567|0.000|[0.001,0.