玻尔百科在不同人群中可观察到的健康结果差异，是我们社会一个长期存在且令人不安的特征。虽然有些差异可能是随机的或源于生物学因素，但许多差异是更深层次、更系统性的力量造成的结果。对于科学家和政策制定者而言，关键的挑战在于区分简单的健康“不平等”（inequalities）与深层的“不公平”（inequities）——后者是那些可避免、不公正且需要纠正的差异。本文旨在应对这一挑战，为理解健康差异的结构提供指南，超越表层观察，揭示其根本原因。
本文将分为两部分，引导您了解这一复杂的领域。首先，“原则与机制”部分将为您提供分析健康差异所需的基本概念，厘清公平（equity）与平等（equality）的区别，介绍“上游/下游”因果模型，并探讨种族主义等结构性力量的作用。接下来，“应用与跨学科联系”部分将展示这些原则在现实世界中的运作方式，探索流行病学家用于衡量不公正现象的工具，追溯从政策到生理的路径，并讨论设计有效、公平的解决方案所需的科学严谨性。
想象一下，你站在一片田野里，远处有两棵树。一棵枝繁叶茂，果实累累；另一棵则稀疏不堪，叶子泛黄，收成微薄。这是一种差异，一种不平等（inequality）。但为什么它们不同？如果你发现一棵是苹果树，另一棵是梨树，你可能会说这只是简单的生物学差异。但如果它们都是苹果树，而你发现那棵长势不佳的树种在贫瘠的岩石土壤中，而那棵茁壮成长的树则生长在肥沃的黑土里呢？如果你还发现，几十年前设计的灌溉渠道将大部分水引向了黑土，而让另一片土地保持干涸呢？
现在，你揭示了更深层次的东西。这种差异不仅是一种不平等，更是一种不公平（inequity）。它是一种系统性的、可避免的、根本上不公正的差异。公共卫生领域与此非常相似。我们时常观察到健康方面的差异——在预期寿命、疾病率、医疗可及性等方面。我们的首要工作是成为优秀的科学家，区分简单的“不平等”与那些亟需纠正的“不公平”。
让我们把工具磨得更锋利些。平等（equality）、公平（equity）、不平等（inequity）和不公平（inequity）——这些词不可互换。要理解健康差异，我们必须首先理解它们。
想象三个不同身高的人试图越过一堵高墙观看棒球比赛。
平等（Equality）意味着给予每个人相同的资源。我们给每个人一个完全相同的箱子站上去。最高的人本已能看到比赛，现在站得更高了。中等身高的人现在能看到了。但最矮的人，即使有了箱子，仍然看不到比赛。我们“同等”对待了每个人，但结果并不公平。
公平（Equity）意味着给予每个人他们需要的东西，以获得相同的机会。我们给中等身高的人一个箱子，给最矮的人两个箱子，最高的人则不需要箱子。现在，每个人都能看到比赛了。资源分配不均，但结果是公平公正的。公平关乎创造公平的竞争环境。
现在，让我们将此应用于健康领域。健康不平等（health inequality）是群体间任何可测量的健康差异。山区城镇的滑雪伤害率高于沿海城市，这是一种健康不平等。但健康不公平（health inequity）是一种更令人不安的特殊不平等。要将一种差异归类为不公平，它必须满足三个关键标准：系统性、可避免和不公正。
系统性：这种差异并非随机，而是遵循一种模式，通常沿着社会梯度分布。想象一个楼梯，随着收入或教育水平的每一步提升，健康状况也稳步改善。
可避免：这种差异并非不可改变的自然法则。我们可以对此采取行动。如果为人们提供交通券去看产前检查能够降低一个社区的早产率，那么之前的高早产率至少部分是可避免的。
不公正：这种差异源于不公平的社会安排，而非生物学或自由且知情的选择。
让我们思考几个现实世界中的难题：
一个城市发现，其最贫困社区的预期寿命为74岁，而最富裕社区则为82岁。这一差距是典型的健康不公平。它是系统性的（呈梯度分布），不公正的（你的寿命不应由你的邮政编码决定），并且可以通过广泛的社会和经济政策来避免。
镰状细胞病是一种遗传性疾病，在非洲裔人口占多数的社区中患病率更高。这是一种健康不平等，但其本身并非不公平。这种差异源于生物学和遗传，而非不公平的社会制度。然而，如果贫困社区的镰状细胞病患者得到的护理比富裕社区的患者差，那么由此产生的结局差异则是一种深层的不公平。
一个由专注的马拉松跑者组成的社区，其肌肉骨骼过度使用损伤的发生率高于普通人群。这是一种健康不平等，但并非不公平。它源于一个并非结构性弱势的群体所做出的知情、自愿的选择。
公共卫生科学家的工作就是审视一种差异，然后发问：这仅仅是一种差异，还是一个不公平体系的症状？
当我们看到一种健康不公平现象——比如某个社区的高血压失控率高于另一个社区——我们看到的只是冰山一角。要理解其原因，我们必须审视水面之下的部分。我们必须从直接的、近端（proximal）原因追溯到更深层的、远端（distal）原因。
想象一个糖尿病患者最终入院。
这就形成了一个从社会层面流向个人生物学层面的因果链： 远端原因（如政策、社会结构） 中间原因（如环境、经济条件） 近端原因（如行为、医疗可及性） 健康结局 用更正式的语言来说，我们可以将其视为一个事件链，，其中结构性因素（）塑造了中介环境（），而中介环境又影响临床护理（），最终影响健康结局（）。要解决问题，我们不能只关注最后一环，必须追溯到上游。
这些强大的“上游”或“结构性”原因是什么？它们是组织我们社会的系统、政策和实践。它们是优势与弱势的“架构”。一个显著的例子是结构性种族主义。
将其与个人偏见区分开来至关重要。个人偏见是某人持有偏见态度或以歧视性方式行事。而结构性种族主义则是系统本身的一种属性。它是由公共政策、制度实践和文化规范构成的一张网，共同作用，根据种族不均等地分配资源和风险。即使系统中的每个人都怀有最好的意图，它也能持续存在。
考虑一个来自哮喘住院率存在持续种族差异的城市的真实情景。
让我们向上游看。历史上的住房政策、区划法和高速公路建设使城市产生了隔离。这种数十年前形成的结构带来了当下的后果：
这就是结构性种族主义的实际作用。它无关乎某个医生是否拒绝治疗某个病人，而关乎一个系统创造了风险的地理分布，使得一个群体系统性地暴露于更多的污染，并面临更大的就医障碍。更高的哮喘发病率是这种不公正架构的可预见后果。
这就引出了一个根本性的、且常常被误解的原则。如果健康是由社会条件和临床护理共同产生的，那么仅仅关注临床护理的干预措施将无法消除不公平现象。
让我们想象一个为两个社区服务的诊所，H（高障碍社区）和 L（低障碍社区）。H 社区面临着交通不便和语言障碍等结构性问题，而 L 社区则没有。起初，H 社区 的患者高血压未得到控制，而 L 社区只有 ——存在 个百分点的差距。
“平等”方法：诊所决定为两个社区提供预约数量和共付额都相同的项目。一年后，两个社区的高血压发病率都有所改善！H 社区的比例降至 ，L 社区降至 。这似乎是一个成功。但仔细看，现在的差距是多少？是 。差距完全没有改变。提供平等的资源帮助了每个人，但并未弥合不公平，因为它没有解决 H 社区面临的潜在障碍。
“公平”方法：诊所再次尝试。这一次，它根据需求量身定制资源。它提供延长的服务时间、免除共付额和口译服务，并将这些资源集中在 H 社区。一年后，H 社区的高血压失控率降至 ，L 社区降至 。差距现在只有 。通过根据需求分配资源——一种公平的方法——诊所显著减少了健康差异。
这揭示了一个强有力的真理：要弥合健康差距，我们需要超越平等，拥抱公平。这种设计具有“与弱势程度成比例的规模和强度”的普适性方案的策略，被称为比例性普遍主义（proportionate universalism）[@problem_tde:4998563]。它是公平原则的实际应用。
最后，一点提醒。当我们试图修复这些复杂系统时，必须确保我们测量的是正确的东西。我们很容易被自己的数据所迷惑。
考虑一个试图减少预约等待时间的诊所。它服务于 A 和 B 两个群体。在干预前，A 组的平均等待时间为 天，B 组为 天。这是 天的差异。对每个人来说，等待时间的变化也很大且不可预测。
诊所实施了一个新的、超高效的排程系统。改变后，A 组的平均等待时间仍为 天，B 组仍为 天。但现在，变异性消失了。A 组的每个患者几乎都等待恰好 20 天，B 组的每个患者几乎都等待恰好 30 天。
医院的仪表盘追踪整个系统的变异性，闪烁着成功的故事：“可预测性提高！公平性改善！”但真的如此吗？
不。系统变得更有序了，但并没有更公平。根本的差异——两个群体平均等待时间相差 天——完全没有改变。干预减少了组内变异性，但对定义不公平的组间差异毫无影响。
这说明了一个深刻的道理。要评估公平性，仅仅看整体系统表现或人口平均水平是不够的。你必须按社会相关群体——如收入、种族、社区——对数据进行分层，并测量它们之间的差距。否则，你可能只是在完善一个不公平的系统，使其运行得更顺畅、更高效，同时保留其核心的不公正。衡量公平的真正标准，不是系统在平均水平上运行得多好，而是它为最弱势的群体服务得多好。
我们已经探讨了健康不平等的基本原则，就像物理学家首先学习运动和引力定律一样。但物理学的真正乐趣不仅在于抽象的定律，还在于看到它们在周围世界中发挥作用，解释从行星轨道到抛球弧线的一切。同样，当我们看到健康公平科学的原则在世界中显现时，它才变得鲜活起来，追溯那些常常无形的力线，它们将一个政策决定与一个人的心跳、一张城市地图与一个孩子的呼吸、一个社会身份与身体的细胞联系在一起。现在，让我们踏上这段从抽象到深刻个人化与具体化的发现之旅。
在我们能理解一个现象之前，我们必须首先学会如何测量它。如果一个群体的疾病发病率高于另一个群体，我们如何描述这个差距的大小？想象一下，一个公共卫生团队正在研究两个社区的高血压问题。在 A 组，发病率为每年每 人中有 例新发病例，而在 B 组，则为每 人中有 例。
有两种截然不同但同样正确的方法来看待这个问题。第一种是做减法。绝对率差是 例/1000人年。这个数字代表了疾病的绝对超额负担。它以具体的方式告诉我们，与 B 组相比，A 组有多少额外的人生病。如果你的目标是对人群健康产生最大的即时影响——预防最大数量的新发病例——这个绝对指标就是你的指南。它指向痛苦总量最大的地方。
第二种方法是做除法。率比是 。这个数字告诉我们，A 组的一个人患高血压的可能性是 B 组的人的 倍，即高出 。这个相对指标体现了不公平的强度。它是对情况根本不公的衡量，量化了社会或环境因素对一个群体风险的放大程度。
这两个指标，绝对指标和相对指标，并不矛盾；它们是互补的视角。一个告诉你公共卫生问题的规模，另一个告诉你潜在不公正的强度。两者对于获得完整的图景都至关重要。
知道存在差异只是第一步。真正的侦探工作在于追溯它是如何形成的。健康不公平现象很少是单一、恶意行为的结果。相反，它们通常是系统、过程和环境的产物，这些因素系统性地使一些群体处于不利地位，同时使另一些群体受益。
考虑一个高血压患者的历程，从最初的筛查到病情得到控制。公共卫生科学家在两个社区 A 和 B 中模拟了这一“关怀级联”模型，这两个社区人口统计学特征相似，高血压的潜在患病率也相同。在 A 社区，医疗服务可及性好，教育水平高，社区环境支持性强。在 B 社区，诊所更远，教育水平较低，健康食品稀缺。
在整个过程的每一步，都有一些 B 社区的人从裂缝中掉落。首先，被筛查的比例较低。在筛查阳性的人中，能去复诊的比例较低。在确诊为高血压的人中，能获得治疗的比例较低。而在接受治疗的人中，能控制住血压的比例更低。每一次的流失可能看起来很小，但累积效应是惊人的。分析显示，在 A 社区，超过 的高血压患者病情得到了控制。而在 B 社区，这个数字仅为 。健康结局超过四倍的差异，并非由生物学因素造成，而是一系列微小的、系统性的失灵，每一步都与社区面临的社会和环境劣势相关。这如同千刀万剐般的级联效应。
塑造我们健康的系统远远超出了诊所的围墙。它们根植于我们脚下的土地。环境正义领域建立在一个原则之上：所有人，无论种族、收入或出身，都有权在影响其环境的决策中获得公平对待和有意义的参与。这个正义概念可以分解为三个部分。
分配正义提问：谁得到了好处，谁得到了坏处？拥有洁净空气的公园是建在富裕社区，而垃圾转运站是选址在低收入的有色人种社区吗？一项虽为假设但很现实的分析显示，将一个污染设施建在少数族裔社区，每年将导致约 例额外的儿童哮喘急诊就诊，而如果建在优势社区，则只有 例。这是一个明显的分配不公案例。
但为什么会发生这种情况？答案往往在于程序正义，它提问：谁在过程中有发言权？如果在一个多语言社区，公共听证会的通知只有英文版，或者会议在工作日中间举行，导致小时工无法参加，那么这个过程就是不公平的。缺乏程序正义意味着那些将受到最大伤害的人最没有能力提出反对。
这引向了最深层次：承认正义。它提问：谁的文化、历史和需求被视为合法且值得尊重？如果一个城市规划将卡车交通带来的收益货币化，却忽视了对一个具有文化意义的游乐场的破坏，那么它就没有通过承认的考验。它认定一种价值观（经济效率）比另一种（社区福祉）更重要。承认和程序的失灵几乎不可避免地导致分配的失灵，从而创造了从社会权力到身体健康的直接路径。
有时，对健康造成最深远伤害的政策与医疗保健或环境毫无关系。一个惊人的例子来自刑事司法领域。当一个城市决定提高现金保释金金额时，这似乎纯粹是一个金融或法律决定。然而，其健康后果是迅速而严重的。
该政策导致更多人在审前被监禁。这反过来又为健康状况不佳创造了三个不同的路径。首先，它增加了监狱的拥挤和人员“流转”，为结核病等空气传播的传染病创造了一个完美的孵化器，这些疾病随后又传播回被拘留者不成比例地来自的特定社区。其次，它切断了人们与医疗保健的联系，中断了艾滋病毒和高血压等疾病的救命药物。第三，监禁带来的巨大压力直接造成了生理上的损害，导致血压升高。一个远离任何医院的单一政策变化，通过充当三重威胁——加剧感染、中断医护和施加压力——扩大了健康不公平。
系统、结构和政策的外部世界只是故事的一半。要完成这幅图景，我们必须理解这些外部现实是如何转化为人体内部的生物学现实的。
少数族群压力理论为此提供了一个强大的框架。它提出，被污名化的群体成员（如少数族裔或LGBTQ个体）承受着额外的压力，这种压力是慢性的、基于社会的，并且是他们处境所特有的。该理论巧妙地区分了两种压力源。远端压力源是客观的、外部的事件：一次歧视行为、一句辱骂、一次暴力经历。近端压力源是内在的、主观的后果：持续的警惕和对拒绝的预期，隐藏自己身份的需要，以及将负面的社会信息内化为自我怀疑和羞耻。
这些压力源不仅仅是“心理作用”。它们激活与物理威胁相同的生理应激反应，导致所谓的异体静负荷（allostatic load）增高——即身体累积的“磨损”，它会加速疾病和衰老。这就是社会污名侵入肌体，从字面上改变我们生物学的机制。
当然，我们并非只是被动地承受压力。该理论还强调了缓冲因素的关键作用。强烈的文化认同感和来自社区的强大社会支持可以充当盾牌，减轻压力的有害影响。
我们的社会身份不是一维的。一个人不只是“一个女人”或“一个有色人种”。他们可能两者皆是，并且还可能是低收入者和移民。交叉性（intersectionality）理论教导我们，这些重叠的身份并不仅仅是将其各自的优势或劣势“相加”。相反，它们相互作用，创造出独特的权力和压迫体验。
从统计学意义上讲，这就是交互效应的概念。两个种族群体之间的健康差异在高收入男性中可能很小，但在低收入女性中则可能巨大。劣势的惩罚是复合的。一个回归模型可以通过不仅包括种族（）、性别（）和社会经济地位（）的主效应，还包括一个三向交互项（）来捕捉这一点。该项的系数 量化了这种协同效应——即种族与性别的差异本身如何随着社会经济地位的变化而变化。它为“整体通常大于（且更痛苦于）其各部分之和”这一复杂的现实生活提供了一种数学语言。
用科学的精确性描述问题是一个有价值的目标，但该领域的最终目的是找到解决方案。这需要同样多，甚至更多的科学严谨性。
在医学前沿，我们看到了基因组和个性化治疗的前景。但新技术也带来了创造新不公平的风险。如果一项能拯救生命的基因测试只在工作时间提供，自付费用高昂，并且只用英语解释，它将不可避免地扩大差异。在实施中实现真正的健康公平意味着积极设计系统——通过远程医疗选项、夜间服务、语言支持和零费用——让每个人都有公平的机会受益。在这样的系统中，如果个人在知情的情况下选择拒绝测试，那是行使自主权，而非公平的失败。目标不是相同的结果，而是公平的机会。
即使有善意的政策，通往公平的道路也充满微妙之处。考虑一个政府希望提供收入支持以改善儿童健康。它应该使用一个只给最贫困家庭提供大额福利的靶向计划，还是一个给所有家庭提供小额福利的普遍计划？[@problem_tde:5206118]。表面上看，靶向计划似乎更有效率。然而，定量分析揭示了其中的陷阱。靶向计划通常伴随着高昂的行政负担、复杂的文书工作和社会污名。这些障碍可能导致符合条件的家庭，尤其是最弱势的家庭，无法获得福利（一个“领取率”问题）。普遍计划通过简单和自动化的方式，避免了这些负担。在现实的假设下，一个预算中性的普遍计划有时比一个因摩擦和污名而效益受损的靶向计划更能缩小绝对健康差距。
这凸显了一个关键教训：为公平而设计需要对人类行为和系统有深刻的、经验性的理解。仅有善意是不够的。这就是为什么健康公平科学本身必须是严谨的。像用于临床试验的CONSORT-Equity和用于系统评价的PRISMA-Equity等报告指南的制定，确保了研究的进行和报告具有足够的细节，以实际评估干预措施是缩小、扩大还是对健康差异没有影响。这些标准要求研究人员预先指定关于公平的假设，使用像PROGRESS-Plus（地点、种族、职业、性别、宗教、教育、社会经济地位）这样的框架来测量社会变量，并使用正式的统计检验来测试交互作用，而不仅仅是进行非正式的比较。
这就是最终的应用：将科学方法反作用于自身，以确保我们对知识的追求服务于正义的目标。这是一条漫长而艰难的道路，但通过使用这些测量、因果追溯和严格评估的工具，我们可以开始解开健康不公平的复杂网络，并一步一步地，为所有人建立一个更健康、更公平的世界。