第二节 雾霾污染的影响机制分析

近年来，发达国家工业化进程中出现的大气污染尤其是雾霾污染问题也不可避免地在中国频现，其带来的经济及健康损失难以估量，已成为改善民生的当务之急。我国早在党的十八大报告中就提出将加快生态文明建设作为中华民族永续发展和伟大复兴的重大战略决策，十八届五中全会进一步确立了生态文明在“十三五”时期经济社会发展中的战略地位。因此，从战略上治理雾霾已经成为必要，需要解决的问题是雾霾污染有怎样的影响机理？从政府环境治理入手，国务院于2013年9月10日印发《大气污染防治行动计划》，同时各地方政府的防治计划也相继出台。自2018年1月1日起《中华人民共和国环境保护税法》开始执行，同时中国政府又提出了“蓝天保卫战”的三年作战计划，充分表明了中央政府对于大气环境的重视以及从根本上治理雾霾的决心，雾霾污染治理已成为中国经济可持续发展及全面建成小康社会的重中之重。目前，“大气十条”政策已经圆满收官，但其是否发挥了预期作用仍需要科学评估；另外，如果该政策确实降低了大气污染浓度，那么探求该政策真实的传导机制是进一步根治雾霾的关键。

雾霾产生成因主要受客观气象因素和社会经济等因素的影响，学术届更关注雾霾污染的社会经济因素并致力于提出科学合理的解决雾霾污染的治理方案。目前讨论环境污染的成因的主要研究依据为STIRPAT模型（Ehrlich et al.，1971；Dietz et al.，1997；York et al.，2003）和EKC假说（Grossman et al.，1991）。两个理论基础均强调了经济发展和环境污染之间此起彼伏的关系，其中STIRPAT模型还指出技术进步水平是影响环境污染的一个主要因素，在研究环境污染的影响因素时需要将两种理论结合考虑。此外，由于大气污染具有典型的外部传输的特征，依靠地方政府各自为政的治霾方式最终会陷入“以邻为壑”的困境，因此，只有精确识别雾霾的空间扩散与传导特点，才能实现从局部治理到区域联合治理的有效性。

由于环境政策的“嵌入效应”的存在，使得环境政策实施效果的评估并不统一（全世文等，2018）。地区环境规制政策在能否改善环境方面，现有的研究主要持两种观点。一种是波特等（1995）提出的“创新补偿学说”，该观点认为环境规制政策激励企业进行技术创新，抵消创新成本，从而在改善环境质量的同时提高生产率。第二种观点认为环境规制政策会导致污染企业向环境规制强度较低的区域转移，而不会促进企业技术创新，也被称为“污染避难所假说”（Copeland et al.，2004）。针对我国雾霾污染的地区分布，基于地区经济发展和经济关联性可知，经济发展水平并不是导致PM2.5高浓度的必然原因，反而有些经济发达地区的雾霾污染水平较低。由于环境规制等存在就近转移效应，使得一些二三线城市承担了中心城市转移出来的部分污染产业，致使其环境更加恶化（沈坤荣等，2017），而经济发达地区往往在清洁能源利用、引进和研发绿色技术等方面有一定的优势。所以，绿色技术必将成为环境保护与经济增长的有效衔接者（Pelin & Effie，2011）。因此，识别“大气十条”政策是否能够通过激发绿色技术从而削减雾霾是本书探究其传导机制的一个切入点。

本书结合STIRPAT模型和EKC假说，在雾霾污染的时空间关联框架下探索雾霾污染的影响机理，并进一步检验“大气十条”政策的实施效果、识别其真实的传导机制。研究发现我国雾霾污染有显著的空间相关性、时间滞后性和时空“警示作用”。另外，“大气十条”的实施效果显著，其实施使得政策重点关注的三大经济带区域PM2.5浓度下降7.1%，由于各地区在发展和政策落实程度上的差异，中部和东部地区的实施效果更为显著。本书不仅为评价现有雾霾治理政策提供了经验证据，而且为未来完善雾霾治理政策提供了理论支持。

近年来，雾霾污染的影响机制和如何治理得到学术界的高度关注，已有研究主要可以分为两大类：首先，基于大气中微观颗粒物、气象、技术、经济等因素，学者对雾霾成因和影响因素进行量化研究；其次，针对已有污染治理政策的效果进行政策评估。在对于雾霾污染成因及影响因素的考察方面，国内外学者基于投入—产出模型和动态CGE模型等宏观经济模型，认为我国雾霾污染情况严重的主要推动力是资本形成和出口贸易、能源结构（Guan et al.，2015；魏蘶贤和马喜立，2015）。但由于利用投入—产出模型和动态CGE模型这类研究方法的数据来源于间断投入产出表数据，这导致无法获取连续时间的研究结果。为了考察连续性的研究结果，加之相邻地区间的雾霾浓度势必具有关联性，随后部分学者采用空间计量方法探究我国区域间雾霾污染的相互影响。如马丽梅和张晓（2014）探究我国省域间雾霾污染的相互影响作用，发现区域间的雾霾浓度确实存在溢出效应，并且经济、能源结构同时影响雾霾浓度。亦有研究在解决了贸易开放与环境的内生性问题后，结合空间相关性得出贸易开放会加剧雾霾污染的结论（康雨，2016；严雅雪等，2017）。同时考虑时间、空间、时空效应，邵帅等（2016）得出雾霾的促增因素没有得到抑制，促减因素没有发挥应有作用是我国雾霾屡禁不止的根本原因。随着空间计量技术的不断发展和成熟，亦有学者采用空间网络分析方法与滚动窗口技术揭示出雾霾污染空间关联的整体特征与微观模式（刘华军和杜广杰，2018）。这些研究均发现区域间的雾霾污染确实存在空间溢出效应，而有效识别雾霾污染的空间依赖关系及与影响因素成为制定雾霾污染治理政策的理论依据。进一步，有学者以雾霾污染对经济发展影响为研究视角，考察了雾霾污染对中国经济发展质量的影响及其传导机制（陈诗一和陈登科，2018）。总之，在雾霾污染成因及影响因素相关研究中，学者们试图从自然环境和经济因素来探究雾霾的促增因素是否得到了抑制，促减因素是否发挥着应有的作用。但由于环境污染变量具有内生性，如何同时解决模型存在的内生性和空间相关性问题是值得研究的科学问题。

一 雾霾污染动态空间计量模型的构建

（一）雾霾数据的搜集

我国对于PM2.5浓度的监测起步较晚，直到2013年才在全国范围内出现部分监测点，每年的环境公报中也仅仅公布74个主要城市年均浓度。本书借鉴唐克勒等（Donkelaar et al.，2015）研究，使用的雾霾数据来自哥伦比亚大学社会经济数据和应用中心公布的、基于卫星监测的全球PM2.5浓度年均值的栅格数据，但此数据仅到2012年，不能满足本书研究所需要的时间长度。

本书开始时采用2012年之前的卫星监测浓度与2013年后地面监测浓度相结合，但由于测量高度及精准度不同，两种浓度之间有较大的差异，地面监测浓度大大高于卫星浓度，出现了数据跳跃。之后，根据相关研究得出的PM10与PM2.5浓度相关性的结论，将环境公报公布的PM10浓度进行转化，但由于公布年限短，不符合研究的时间段，从而也无法得到雾霾数据。

经过进一步数据搜索，采用了加拿大达尔豪斯大学的大气成分分析组的研究数据，该数据使用地理加权回归（GWR）根据全球地基来观测PM2.5浓度，经过处理得到了2006—2016年全球PM2.5浓度的卫星栅格数据。之后利用Arcgis软件从全球卫星数据中解析出中国278个地级市的年平均浓度，解决了数据的缺失及地面检测和卫星监测数据统计口径不一致的问题。

（二）解释变量选取

本研究的核心解释变量是环境规制（ERS）。目前对于环境规制程度的度量还未有统一的方法，国内外学者使用的度量方法主要有：利用各种污染排放的密度衡量（Cole et al.，2003）；利用环境治理投资占总产值的比例衡量（张成等，2011）；等等。为了对环境规制变量进行综合考察，本书参考沈坤荣等（2015）的地级市层面综合指数方法，具体步骤如下：

第一步，将二氧化硫去除率和烟尘去除率标准化：

式中：表示标准化后的第i个地区j种污染物的去除率，min（PR_j）表示j种污染物去除率的最小值；max（PR_j）表示j种污染物去除率的最大值。

第二步，计算各污染物排放的调整系数，作为权重：

式中：P_ij/∑P_ij表示第i个地区的j种污染物占该污染物总排放量的比重；gdp_i/∑gdp_i表示第i个城市的GDP占全国GDP的比重。

第三步，将标准化后的污染物去除率赋予不同的权重，并结合得到环境规制程度：

本研究控制变量的选取及来源如下：

经济发展水平（GDP）：利用地区GDP作为地方经济发展水平的衡量标准，为消除通货膨胀的影响，利用地级市层面的GDP平减指数将其平减为以2006年为基期的数据。

产业结构（IS）：第二产业的加工制造业排放的工业废气是影响雾霾的重要因素，因此选取第二产业增加值占地区GDP的比重衡量产业结构。

人口密度（PD）：采用各地区单位面积上的人口数量衡量，人口密集的城市人类生活生产活动较多，且大多伴随着严重的交通废气污染问题，因此人口密集地区的雾霾浓度可能比较高。

技术投入（TE）：环保技术的研发是降低环境污染水平的重要且必要因素，本研究通过用于技术研发投资占总财政支出的比例衡量技术投入。

城镇化率（UR）：利用市辖区人口占全市总人口的比例表示。

十米高度风速（SI₁₀）：指距离地面10米处的风速，高风速有助于驱散雾霾，因而其对PM2.5浓度有重要影响。

以上数据主要来源于《中国城市统计年鉴》，由2006—2016年278个地级市的面板数据构成。各地级市GDP指数来源于Wind数据库，风速数据来源于欧洲中期天气预报中心（ECMWF）。表2-3列出了变量的描述性统计。

表2-3 变量的描述性统计

（三）雾霾污染的动态空间面板模型设定

空间面板模型为普通的面板模型加入区域间的空间交互效应而来，相比普通面板模型，空间面板模型控制了不随时间变化的空间特征，避免遗漏空间相关性带来的有偏估计。而动态空间面板模型是在静态空间面板模型上加入被解释变量的时间滞后项、空间滞后项和时空交叉滞后项来反映动态滞后效应。埃洛斯特（2012）较为深入地研究了动态空间面板模型。

为了精确地研究区域扩散效应的大小及影响雾霾污染浓度的主要因素，本书选取了与雾霾污染关系密切的6个解释变量，对其中的影响机理进行深入分析。另外，考虑到经济和环境变量具有的非瞬时变化特征，即变量的变化具有一定的时滞性。一方面本地区上一期的值对本期数据有影响作用，另一方面相邻地区上一期的值影响到相邻区域本期，进而通过空间溢出效应传递到本地区。这样，对于本地雾霾污染的研究需要包含时间滞后效应、空间滞后效应及时空滞后效应。因而，本研究通过建立以下动态空间计量模型对雾霾的影响因素进行分析。模型设定如下：

式中：PM_it为一个N×1向量，表示每个地级市（i=1，…，N）在特定的年份（t=1，…，T）中污染物PM2.5的平均浓度；ρ为空间自相关系数；PM_i，t-1为滞后因变量，η是滞后的空间自相关系数；W为权重矩阵；环境规制程度（ERS）是核心解释变量。X_it表示城市特征的控制变量，包括经济发展水平（GDP）、产业结构（IS）、人口密度（PD）、技术投入（TE）和十米高度风速（SI₁₀）；μ_i=（μ₁，…，μ_N）表示城市固定效应；θ_t0是时间段固定效应的系数，ι_N是1的N×1向量；ε_it为随机误差项。

李龙飞等（Lee et al.，2010）通过对空间面板模型的研究，发现忽略时间段固定效应会使得区域间扩散效应被过高估计，因为随着时间段的变化，在同一区域的大多数变量会同时增加或减少（例如，在不同年份全国整体的雾霾污染水平有相同的变化趋势），如果没有将这种共同变化从区域之间的相互作用的效应中分离出来，就会使得区域间的扩散效应被高估。因此，将时间段固定效应加入模型是必要的。

对动态空间面板模型估计过程中，李龙飞等（2010）在同时考虑内生性的条件下利用模型的对数似然函数进行参数估计，得到最小二乘虚拟变量（LSDV）估计量，但当个体单位数N和时间数T都趋于无穷大，N与T之比存在并在0与∞之间时，估计量是有偏的。于是当该动态空间面板模型稳定（τ+ρ+η＜1）时，提出一种纠正LSDV偏误的BCLSDV的一致估计量，证明当N/T→∞时，T/N1/3→∞时，BCLSDV估计量是对LSDV估计量的一致性改进，当N=Tρ，且1＜p＜3便是此类情况。本研究中N=278，T=10，因此采用BCLSDV估计量对模型进行估计。若稳定性条件（τ+ρ+η＜1）不满足，则需要对BCLSDV估计量进一步调整（Elhorst，2013）。

二 雾霾空间溢出效应及影响因素分析

雾霾污染由于其独特的物理特性及其经济社会方面的影响，具有空间相关性的特征。一方面，主要污染物PM2.5颗粒悬浮于空气中，随着大气流动、颗粒物在大气中的化学作用等因素，使得相邻区域之间相互影响。另一方面，随着区域一体化经济的推行，城市间经济活动更加频繁，如交通运输、产业转移、区域间贸易等，这些经济活动也成为污染物空间传输的途径。因此，关于雾霾的研究不能停留在单个城市上，要结合其特征将研究扩展到整个区域，从而进行联合治理。

（一）空间相关性检验

为了对城市之间雾霾污染的空间相关性进行整体把握，本研究借鉴邵帅等（2016）做法构建了四种空间相关性矩阵：地理距离矩阵（W₁）、经济距离矩阵（W₂）、地理经济矩阵（W₃）和地理—经济嵌套矩阵（W₄）。其中：W₁中的元素ω_ij表示两城市是否相邻，若相邻取1，不相邻取0；W₂中ω_ij用i城市与j城市GDP差值的倒数表示；W₃=W₁*W₂；W₄=φW₁+（1-φ）W₂，0＜φ＜1（张征宇和朱平芳，2010），为了简化计算，本研究取φ=0.5。利用此四类矩阵，并采用Moran’s I指数对空间溢出效应进行识别。

1.全局空间相关性

全局性Moran’s I计算方法为：

I介于-1与1之间，若大于0表示区域间雾霾污染有正相关关系，小于0则表示有负相关关系。，，A_i表示第i个地级市的PM2.5平均浓度；n为地级市总数目；W_ij为空间权重矩阵。经过对全局Moran’s I指数的测算，在空间权重矩阵为W₁和W₄时，Moran’s I指数为正且通过了1%的显著性检验，但在使用W₂和W₃进行测算时，Moran’s I指数均较小，接近0，正相关关系不明显，因此在下文的研究中只采用地理距离矩阵（W₁）和地理—经济嵌套矩阵（W₄）。为了使相关性关系更加直观地展现出来，图2-5展示了代表性年份在权重矩阵为W₁时的Moran’s I散点图，横轴为PM2.5浓度，纵轴为空间滞后的PM2.5浓度。该图分为四个象限：第一、三象限分别表示高—高、低—低型正相关，第二、第四象限则为非典型观测的负相关区域。经测算，全局Moran’s I指数均为0.84左右并通过了1%的显著性水平检验。说明我国PM2.5浓度的分布有显著的正向空间溢出效应，并处在一个较高水平。

图2-5 地理距离权重矩阵下地级市雾霾污染莫兰散点图

2.局域空间相关性

全局Moran’s I指数通过刻画整体的相关性关系来反映全国地级市污染的相关性程度，但这种整体性关系的刻画可能会忽略局部地区的非典型特征（Anselin，1995），因而本研究进一步采用局域Moran’s I指数对局域空间相关性关系进行刻画。通过局域空间相关性关系分析显示我国雾霾污染高—高型区域主要分布在京津冀以及与长三角的连接部分，这种特征没有随时间推移发生变化，PM2.5高浓度地区成片出现也表明了联合防治的必要性；低—低型分布于黑龙江省、珠三角以及云贵地区。

（二）雾霾影响机制分析

在考察了雾霾污染的空间相关性后，为了进一步精确地研究这种扩散效应的大小及雾霾污染的主要因素，本研究运用matlab软件对模型（2.4）估计后得出的结果如表2-4所示：

表2-4 模型估计结果

续表

表2-4代表选取地理距离矩阵（W₁）和地理—经济嵌套矩阵（W₄）时的模型估计结果。为了验证时间段固定效应是否存在，表2-4第（1）列为模型（1）在矩阵为W₁时去除了时间段固定效应的BCLSDV估计量。第（2）列为包含时间段固定效应的估计结果。利用F检验判断是否包含时间段固定效应，F检验的值为3075.2，且其p值小于0.01，表明接受包含时间段固定效应的模型；同理，在矩阵为W₄时，第（3）列和第（4）列分别表示去除和包含时间段固定效应的BCLSDV估计量，其F检验值为4.103，p值为0.001，同样接受了包含时间段固定效应模型。

接下来需要判断包含时间段固定效应的模型是否稳定，即τ+ρ+η是否小于1，若模型是稳定的，则不需要对BCLSDV估计量进行进一步调整，从表中得知，在两类距离矩阵下，模型均是稳定的，BCLSDV估计量是无偏的，因而接下来分析表第（2）列和第（4）列。下面以地理距离矩阵为例。

首先雾霾污染的空间滞后项（W*lnPM_t）系数显著为正，且通过1%的显著性检验，表明相邻城市之间可能通过一系列的自然或经济活动使得污染物相互传播、互相影响，如自然的空气流动，区域间运输、贸易互通等。空间自相关系数表示：相邻城市污染物PM2.5浓度每上升1%，就会通过扩散效应将本地的污染物浓度提升0.16%。因此，空气污染的治理工作是一个区域性任务，仅凭个别城市的“单打独斗”是徒劳无功的，实现区域间联防治理才是解决问题的关键。其次从时间滞后项（lnPM_t-1）系数看，本地滞后一期的污染物浓度系数在1%水平上显著为正，表明雾霾污染具有强烈的时间依赖性，不会在短时间内发生变化，因而空气污染治理是一个长期且不可间断的活动，只要稍有怠慢，其影响便是长期的。最后从时空滞后观察，W*lnPM_t-1系数显著为负，表明相邻城市上一期的污染水平会使得本地污染水平下降。这可能是通过一种“警示效应”实现的，当本城市观察到上一期周边地区污染较严重时，本地环保部门会意识到这种污染的扩散，从而加强保护措施，避免恶性扩散的影响，进而降低污染水平。

本研究核心解释变量环境规制（lnERS）的系数为正，表明有关于降低空气污染物排放的环境规制尚未发挥作用，这与徐志伟（2016）的研究结果类似。较强的环境规制地区会诱发重污染产业就近转移的动机，这使得环境规制政策难以达到预期的治霾效果。因此，环保部门需要进一步协同制定地区间有效的规制强度，同时也要对地区间实施过程加强监督，避免出现执法的“漏网之鱼”，提高环境规制效率。

从单个控制变量的系数来看，地区经济总量水平（lnGDP）的系数为正且不显著，表明目前我国经济的增长不会使环境显著恶化。官员政绩和绿色GDP挂钩、强调绿色发展的主调使得各级政府开始转变经济发展模式，抛弃了之前GDP挂帅、对生态环境漠不关心的粗放型经济发展模式，开始转向集约型经济发展模式。产业结构（lnIS）的系数显著为负，这表明我国大多数的工业企业已经不是污染的重要来源，政府对于第二产业的减排政策已见成效，此研究结论与邵帅等（2016）一致。例如，河北、北京等地为降低工业企业污染物的排放，对重污染企业采取了限产、停产、加强排污管制等措施，收到了良好的效果。人口密度（lnPD）系数为负但不显著，表明高人口密度不会促进雾霾污染产生，主要原因可能是人口密集的城市经济发展程度普遍较高，其清洁的公共交通系统较发达，成为代替私家车出行的选择，从而形成环境污染的规模效应（陆铭，2017）。从技术投入（TE）来看，其系数均为负且不显著，表明现阶段我国技术投入尚未发挥其预期作用。可能的原因有：技术投入真正投放到市场中并转化为绿色生产力需要一定的时间，我国现阶段的技术投入还处于转换期；另外，由于投资者具有偏好性，故研发资金更多地偏向新技术研发，而对于降低污染气体减排的绿色技术投入较少，政府应加强对技术投入资金的引导，使其减排效果得以发挥。