縮小了差距，卻擴大了不公：一個讓政策制定者頭痛的悖論

縮小了差距，卻擴大了不公：一個讓政策制定者頭痛的悖論

假設某縣市推出一項戒菸補助與密集衛教方案。三年後評估報告出爐：全縣吸菸率從 22% 降到 17%，看似漂亮的成功。但把資料依社會經濟分位拆開，故事完全變了——高教育、高收入族群的吸菸率掉了將近一半，而最弱勢的四分之一幾乎沒動。整體在進步，內部的不平等卻在惡化。

如果你讀過入門篇，你已經知道健康不平等是「系統性、可避免、不公正」的健康落差，也知道社會決定因素是「病因背後的病因」。但入門篇停在「為什麼會有不平等」。這篇進階文章要處理更棘手的問題：我們如何精確地測量它、如何拆解它的成因、為什麼善意的介入反而會擴大它，以及在因果證據不完美時該怎麼設計政策。 這正是社會流行病學（social epidemiology）從「描述現象」走向「介入改變」時，真正開始變難的地方。

為什麼「縮小差距」這句話本身就模糊

談不平等時，最常被忽略的陷阱是：絕對不平等與相對不平等可以朝相反方向移動。 入門篇點到了這一點，這裡我們把它推到底，因為它幾乎決定了一項政策會被評為「成功」還是「失敗」。

設想兩個族群的某疾病死亡率（每十萬人）：

• 第一年：弱勢組 100、優勢組 50。絕對差距 = 50，相對比值 = 2.0。
• 經過十年整體醫療進步後：弱勢組 40、優勢組 10。絕對差距 = 30（縮小了），相對比值 = 4.0（擴大了一倍）。

兩個數字都正確，結論卻完全對立。當基線風險整體下降時，相對指標往往會放大殘餘的不平等，而絕對指標會縮小。沒有哪一個「比較對」——它們回答的是不同問題。絕對差距關乎「實際多承受了多少人命」，與資源規劃和公共負擔直接相關；相對比值關乎「弱勢者承受了幾倍的風險」，與公平的道德敘事相連。一份負責任的健康不平等報告必須同時呈現兩者，任何只報一個的數字都可能在誤導。

世界衛生組織（World Health Organization, WHO）的不平等監測手冊因此明確要求：每個指標都要同時用絕對與相對尺度報告，並且盡量涵蓋整個社會經濟分布，而不是只比最高與最低兩端。

把兩端的比較升級成「整條梯度」

入門篇提到了 不平等斜率指標（slope index of inequality, SII） 與 相對指標（relative index of inequality, RII），這裡說清楚它們到底在算什麼，因為這是社會流行病學量化梯度的核心工具。

只比「最富 vs 最貧」有兩個缺點：丟掉了中間群體的資訊，而且對「怎麼切分組」非常敏感（切成五等分和十等分會得到不同的「極端比值」）。SII 與 RII 的巧思在於：先把每個社會經濟群體依其在人口中的累積排序位置放到 0 到 1 的尺度上（最弱勢端 0、最優勢端 1，每組取其區間中點），再用迴歸去估計「健康結果如何隨這個位置線性變化」。

• SII 是迴歸的斜率：代表從社會最底端走到最頂端，健康指標的絕對變化量。
• RII 則是頂端預測值與底端預測值的比值：代表相對變化的倍數。

這樣做的好處是把「整條社會梯度的陡峭程度」濃縮成一個數字，且因為用到全人口的加權排序，對分組方式較不敏感、也能跨地區與跨年份比較。當你看到一篇論文說「某國教育相關的死亡率 RII 為 2.3」，意思是把全國依教育排成連續光譜後，最低教育端的死亡風險約是最高端的 2.3 倍——這比「大學畢業 vs 國中以下」的粗略比值穩健得多。

不平等是從哪裡「組裝」出來的？——分解分析

知道差距有多大之後，下一個研究問題是：這個差距是由哪些因素貢獻的？ 這是政策最想知道的，因為它指向「該優先處理什麼」。社會流行病學用 分解分析（decomposition analysis） 來回答。

最常見的是 Oaxaca–Blinder 分解（源自勞動經濟學的薪資差距研究，後被廣泛借用到健康）。它把兩組之間的健康落差拆成兩部分：

• 「稟賦」效應（explained / composition）：因為兩組在各項決定因素上的分布不同而造成的差距。例如弱勢組本來就有較多人吸菸、肥胖、缺乏運動、慢性病較多。
• 「係數」效應（unexplained / structural）：即使把上述分布調成一樣，差距仍存在的部分。它常被解讀為「相同的暴露，在弱勢組身上造成更大的傷害」，或反映了未被測量的結構性因素與制度性差別待遇。

這個拆解之所以重要，是因為它直接區分了兩種政策邏輯。如果差距主要來自「稟賦」（弱勢組暴露於更多危險因子），政策該做的是改變暴露的分布——降低弱勢群體的吸菸率、改善其飲食環境。但如果很大一塊落在「係數」項，意味著問題不只是「弱勢者做了更多壞事」，而是同樣的處境對他們更致命（例如醫療品質、社會支持、累積壓力的差別），那麼只針對行為下手就會徒勞。許多實證研究發現「不可解釋」的結構成分往往不小，這再次提醒我們：把不平等全部還原為個人行為，在經驗上常常是錯的。

為什麼差距「按下葫蘆浮起瓢」——基本病因理論

入門篇談了社會梯度的穩健性，但有一個更深的理論能解釋為什麼這個梯度幾乎打不破：社會學家 Bruce Link 與 Jo Phelan 提出的 基本病因理論（fundamental cause theory）。

他們的核心觀察是：在過去一百多年裡，主要死因從傳染病換成了心血管疾病與癌症，我們攻克了一個又一個具體病因，但社會經濟地位與死亡率的關聯從未消失，甚至在某些時期還變強了。 為什麼？

因為社會經濟地位本質上是「取得有彈性資源的能力」——金錢、知識、權力、聲望、有用的社會關係。這些資源可以被動員去規避當下任何一種已知的健康風險。當科學發現吸菸有害，資源多的人最先戒；當篩檢能早期發現癌症，資源多的人最先做；當疫苗問世，資源多的人最先打、最會排隊、最懂預約系統。具體的風險與保護機制會不斷改變，但「資源能換取健康優勢」這件事不變，所以不平等會在新的疾病、新的科技上一再重組。

這個理論有一個尖銳的政策推論：任何依賴「個人主動去取用」的健康介入，幾乎都會自動偏向資源多的人，從而擴大相對不平等。 這直接解釋了開頭那個戒菸方案的悖論。要打破基本病因的作用，介入必須盡量不依賴個人的資源動員——這就帶出下一個關鍵概念。

看一個例子：子宮頸抹片、大腸癌篩檢與「介入造成的不平等」

子宮頸癌可透過抹片篩檢早期發現，幾乎完全可預防死亡。當一個地區推出「歡迎符合資格者自行預約抹片」的方案，初期數據通常很漂亮——但拆開來看，最早響應、篩檢率提升最多的，往往是教育程度高、有固定家庭醫師、工時彈性、健康識能高的女性。最該被篩檢、風險最高的弱勢族群反而參與最少。結果是：整體篩檢率上升、整體癌症死亡下降，但社會經濟之間的死亡率差距卻擴大了。

這個現象有正式名稱：介入造成的不平等（intervention-generated inequality, IGI）。它不是介入失敗，而是介入「成功得不平均」。Frohlich 與 Potvin 指出，凡是把責任放在個人身上、需要個人主動行動或具備特定能力才能受益的「高能動性（agentic）」介入，幾乎都有 IGI 的傾向。

對照之下，低能動性、自動生效的介入——例如自來水加氟預防蛀牙、食鹽加碘、菸品稅、無菸環境立法、含糖飲料稅、食品反式脂肪禁令——不需要個人特別努力就能受惠，因此較不會擴大、甚至可能縮小不平等。這也是為什麼公共衛生界普遍認為：改變環境與預設選項的「上游」政策，通常比衛教宣導更公平。 評估任何新方案時，除了問「整體有沒有效」，更要追問「它對不平等做了什麼」——這在入門篇被一筆帶過，在進階層次卻是評估設計的核心問句。

比例普惠：在「全民」與「靶向」之間的第三條路

既然普及性介入可能偏向強者、靶向弱勢的方案又容易汙名化且漏接「梯度中段」的人，到底該怎麼設計？Marmot 在英國的健康不平等檢討報告中提出了一個影響深遠的原則：比例普惠（proportionate universalism）。

它的精神是：介入應涵蓋全體人口（universal），但投入的強度與規模要與需求成比例（proportionate）——需求愈大的群體，獲得愈多。 這既避免了「只給最窮的人」所帶來的標籤化與政治脆弱性（因為中產也享有，方案更易維繫），又避免了「齊頭式全民方案」把資源平均灑、結果讓本就有優勢者拿走更多好處的問題。

舉例來說，一個全民兒童早期發展方案，可以對所有家庭提供基本的健康訪視，但對社會經濟弱勢、語言隔閡或單親家庭提供更密集、更長期的家訪與支持。所有人都在同一個體系裡，但資源沿著需求的梯度配置。這個原則呼應了入門篇提過的「公平不是齊頭」——但它把抽象的公平理念，轉成了一個可操作的資源配置設計準則。

交織性：不平等不是單一軸線的加總

入門篇主要把不平等放在「社會經濟階層」這條軸上談。進階的社會流行病學則強調：人同時鑲嵌在多重社會位置中——社會階級、性別、族群、移民身分、城鄉、身心障礙、性傾向——而這些位置並非簡單相加，而是彼此交織、相乘。這就是源自批判種族理論的 交織性（intersectionality） 視角。

關鍵主張是：一位低收入的少數族裔女性所承受的健康劣勢，不等於「低收入的劣勢 + 少數族裔的劣勢 + 女性的劣勢」三者的算術相加。這些身分在特定社會脈絡中交互作用，可能產生獨特的、無法被任一單軸捕捉的暴露與後果（例如同時面對職場性別歧視、語言就醫障礙與居住隔離的疊乘效應）。

在方法上，這催生了一批新的分析取向，例如 交織性多層分析（MAIHDA, multilevel analysis of individual heterogeneity and discriminatory accuracy）——把「族群 × 性別 × 階級 × 年齡」交織出的數十個社會層格當作多層模型的「層」，同時估計各社會軸的主效應與交織所額外帶來的變異。這讓研究者得以實證檢驗「交織效應到底有多大、發生在哪些組合上」，而不只是停留在理論宣稱。對政策的意涵是：只沿單一軸線（只看收入、或只看族群）設計的方案，可能系統性地漏接那些「夾在多重劣勢交會處」的人。

不只是個人住在哪——脈絡效應與居住隔離

健康不平等還有一個常被低估的層次：地方本身。兩個收入相同的人，住在資源豐沛的社區與住在貧困、被汙染、缺乏綠地與安全食物來源的社區，健康軌跡可能截然不同。社會流行病學區分了 組成效應（compositional effect，社區不健康是因為住的都是高風險的人） 與 脈絡效應（contextual effect，是地方環境本身在傷害人）。

著名的「遷往機會（Moving to Opportunity, MTO）」隨機實驗提供了難得的因果證據：美國政府以隨機分配的方式，提供部分弱勢家庭住房補助券，協助他們搬離高貧困社區。長期追蹤發現，搬遷雖未必立刻改善經濟，卻在心理健康、極端肥胖與糖尿病等指標上帶來可測量的改善——說明「住在哪裡」本身就是一個健康決定因素，而非僅僅反映「誰住在那裡」。

更上游的結構性力量是 居住隔離（residential segregation）。長期、制度性的種族或階級隔離，會把弱勢群體系統性地集中到資源最差、汙染最重、醫療最稀缺的地理空間，並透過稅基、學區、就業可近性等管道世代複製劣勢。許多學者因此主張：要理解族群間的健康落差，不能只看個人，必須把結構性種族主義與空間不正義納入分析框架。這也是健康不平等研究從「個人屬性」走向「地方與制度」的重要轉向。

重點回顧

• 絕對與相對不平等可朝相反方向移動：基線整體下降時，相對差距常擴大而絕對差距縮小；負責任的報告必須兩者並陳，只報一個可能誤導。
• SII／RII 用全人口的累積排序把「整條社會梯度」濃縮成一個穩健、可比較的數字，優於只比兩端極值。
• 分解分析（如 Oaxaca–Blinder） 把落差拆成「分布不同（稟賦）」與「相同處境傷害更大（結構/係數）」，後者常不可忽視，駁斥了純行為歸因。
• 基本病因理論 解釋了為何社會地位與健康的關聯歷久不衰：彈性資源能規避任何當下的具體風險；因此高能動性介入會自動擴大不平等（IGI），而比例普惠是兼顧普及與公平的設計原則。
• 交織性 提醒不平等是多軸相乘而非相加，而脈絡效應與居住隔離顯示「地方與制度」本身就是健康決定因素（MTO 實驗提供因果佐證）。

深入探討（研究所視角）

進入研究前沿，健康不平等的難點已從「測量」轉向「可信的因果推論與可執行的政策評估」。

第一，反事實框架下的「不平等是否可因果歸因」。 社會經濟地位無法被隨機分派，這使得「降低不平等」的因果語言在哲學上就有爭議——我們無法設想「把一個人的種族或童年階級換掉、其他條件不變」的乾淨反事實。當代取向因此更傾向估計特定可介入暴露（如教育年限、最低工資、住房補助）對健康差距的貢獻，並借助自然實驗、雙重差分（difference-in-differences）、斷點迴歸與工具變數等準實驗設計來逼近因果。MTO 這類隨機化的政策實驗之所以珍貴，正因它在倫理可行的範圍內提供了反事實。

第二，中介與路徑分解。 若想知道「教育如何影響健康」，需要把總效應拆成經由不同中介（收入、職業、健康行為、慢性壓力）的路徑。傳統的 Baron–Kenny 中介法在有暴露—中介交互作用或中介—結果共同混淆時會偏誤，現代因果中介分析（natural direct / indirect effects、interventional effects） 提供了更嚴謹的識別條件。這對政策很實際：它告訴我們「若只能改變其中一條路徑，能消弭多少差距」。

第三，生命歷程的因果結構。 入門篇提過關鍵期與累積劣勢模型，研究層次更關心如何用結構式邊際模型（marginal structural models）與 g-formula 處理「時間變動的暴露同時是前一期結果的下游、又是後一期結果的上游」這種時變混淆（time-varying confounding）——傳統迴歸在此會系統性偏誤。這是估計「早年劣勢的長期累積因果效應」時繞不開的方法門檻。

第四，從測量倫理到行動框架。 量化不平等時須警惕生態謬誤與辛普森悖論（族群層次關聯不能直接套到個人），也要正視指標選擇本身的價值負載——選絕對或相對、選哪條社會軸、把誰當參照組，都是規範性決定。最終，這個領域的共識是把問題從衛生部門擴展到「將健康融入所有政策（Health in All Policies）」：交通、住宅、稅制、勞動與教育政策都是健康政策。對研究者而言，最前沿的挑戰不只是「測得更準」，而是把嚴謹的因果證據翻譯成跨部門、能真正改變資源與權力分配的制度設計——這需要流行病學、經濟學、社會學與政治哲學的共同想像力。