第二節 霧霾污染的影響機制分析

近年來，發達國家工業化進程中出現的大氣污染尤其是霧霾污染問題也不可避免地在中國頻現，其帶來的經濟及健康損失難以估量，已成為改善民生的當務之急。我國早在黨的十八大報告中就提出將加快生態文明建設作為中華民族永續發展和偉大復興的重大戰略決策，十八屆五中全會進一步確立了生態文明在“十三五”時期經濟社會發展中的戰略地位。因此，從戰略上治理霧霾已經成為必要，需要解決的問題是霧霾污染有怎樣的影響機理？從政府環境治理入手，國務院于2013年9月10日印發《大氣污染防治行動計劃》，同時各地方政府的防治計劃也相繼出臺。自2018年1月1日起《中華人民共和國環境保護稅法》開始執行，同時中國政府又提出了“藍天保衛戰”的三年作戰計劃，充分表明了中央政府對于大氣環境的重視以及從根本上治理霧霾的決心，霧霾污染治理已成為中國經濟可持續發展及全面建成小康社會的重中之重。目前，“大氣十條”政策已經圓滿收官，但其是否發揮了預期作用仍需要科學評估；另外，如果該政策確實降低了大氣污染濃度，那么探求該政策真實的傳導機制是進一步根治霧霾的關鍵。

霧霾產生成因主要受客觀氣象因素和社會經濟等因素的影響，學術屆更關注霧霾污染的社會經濟因素并致力于提出科學合理的解決霧霾污染的治理方案。目前討論環境污染的成因的主要研究依據為STIRPAT模型（Ehrlich et al.，1971；Dietz et al.，1997；York et al.，2003）和EKC假說（Grossman et al.，1991）。兩個理論基礎均強調了經濟發展和環境污染之間此起彼伏的關系，其中STIRPAT模型還指出技術進步水平是影響環境污染的一個主要因素，在研究環境污染的影響因素時需要將兩種理論結合考慮。此外，由于大氣污染具有典型的外部傳輸的特征，依靠地方政府各自為政的治霾方式最終會陷入“以鄰為壑”的困境，因此，只有精確識別霧霾的空間擴散與傳導特點，才能實現從局部治理到區域聯合治理的有效性。

由于環境政策的“嵌入效應”的存在，使得環境政策實施效果的評估并不統一（全世文等，2018）。地區環境規制政策在能否改善環境方面，現有的研究主要持兩種觀點。一種是波特等（1995）提出的“創新補償學說”，該觀點認為環境規制政策激勵企業進行技術創新，抵消創新成本，從而在改善環境質量的同時提高生產率。第二種觀點認為環境規制政策會導致污染企業向環境規制強度較低的區域轉移，而不會促進企業技術創新，也被稱為“污染避難所假說”（Copeland et al.，2004）。針對我國霧霾污染的地區分布，基于地區經濟發展和經濟關聯性可知，經濟發展水平并不是導致PM2.5高濃度的必然原因，反而有些經濟發達地區的霧霾污染水平較低。由于環境規制等存在就近轉移效應，使得一些二三線城市承擔了中心城市轉移出來的部分污染產業，致使其環境更加惡化（沈坤榮等，2017），而經濟發達地區往往在清潔能源利用、引進和研發綠色技術等方面有一定的優勢。所以，綠色技術必將成為環境保護與經濟增長的有效銜接者（Pelin & Effie，2011）。因此，識別“大氣十條”政策是否能夠通過激發綠色技術從而削減霧霾是本書探究其傳導機制的一個切入點。

本書結合STIRPAT模型和EKC假說，在霧霾污染的時空間關聯框架下探索霧霾污染的影響機理，并進一步檢驗“大氣十條”政策的實施效果、識別其真實的傳導機制。研究發現我國霧霾污染有顯著的空間相關性、時間滯后性和時空“警示作用”。另外，“大氣十條”的實施效果顯著，其實施使得政策重點關注的三大經濟帶區域PM2.5濃度下降7.1%，由于各地區在發展和政策落實程度上的差異，中部和東部地區的實施效果更為顯著。本書不僅為評價現有霧霾治理政策提供了經驗證據，而且為未來完善霧霾治理政策提供了理論支持。

近年來，霧霾污染的影響機制和如何治理得到學術界的高度關注，已有研究主要可以分為兩大類：首先，基于大氣中微觀顆粒物、氣象、技術、經濟等因素，學者對霧霾成因和影響因素進行量化研究；其次，針對已有污染治理政策的效果進行政策評估。在對于霧霾污染成因及影響因素的考察方面，國內外學者基于投入—產出模型和動態CGE模型等宏觀經濟模型，認為我國霧霾污染情況嚴重的主要推動力是資本形成和出口貿易、能源結構（Guan et al.，2015；魏蘶賢和馬喜立，2015）。但由于利用投入—產出模型和動態CGE模型這類研究方法的數據來源于間斷投入產出表數據，這導致無法獲取連續時間的研究結果。為了考察連續性的研究結果，加之相鄰地區間的霧霾濃度勢必具有關聯性，隨后部分學者采用空間計量方法探究我國區域間霧霾污染的相互影響。如馬麗梅和張曉（2014）探究我國省域間霧霾污染的相互影響作用，發現區域間的霧霾濃度確實存在溢出效應，并且經濟、能源結構同時影響霧霾濃度。亦有研究在解決了貿易開放與環境的內生性問題后，結合空間相關性得出貿易開放會加劇霧霾污染的結論（康雨，2016；嚴雅雪等，2017）。同時考慮時間、空間、時空效應，邵帥等（2016）得出霧霾的促增因素沒有得到抑制，促減因素沒有發揮應有作用是我國霧霾屢禁不止的根本原因。隨著空間計量技術的不斷發展和成熟，亦有學者采用空間網絡分析方法與滾動窗口技術揭示出霧霾污染空間關聯的整體特征與微觀模式（劉華軍和杜廣杰，2018）。這些研究均發現區域間的霧霾污染確實存在空間溢出效應，而有效識別霧霾污染的空間依賴關系及與影響因素成為制定霧霾污染治理政策的理論依據。進一步，有學者以霧霾污染對經濟發展影響為研究視角，考察了霧霾污染對中國經濟發展質量的影響及其傳導機制（陳詩一和陳登科，2018）。總之，在霧霾污染成因及影響因素相關研究中，學者們試圖從自然環境和經濟因素來探究霧霾的促增因素是否得到了抑制，促減因素是否發揮著應有的作用。但由于環境污染變量具有內生性，如何同時解決模型存在的內生性和空間相關性問題是值得研究的科學問題。

一 霧霾污染動態空間計量模型的構建

（一）霧霾數據的搜集

我國對于PM2.5濃度的監測起步較晚，直到2013年才在全國范圍內出現部分監測點，每年的環境公報中也僅僅公布74個主要城市年均濃度。本書借鑒唐克勒等（Donkelaar et al.，2015）研究，使用的霧霾數據來自哥倫比亞大學社會經濟數據和應用中心公布的、基于衛星監測的全球PM2.5濃度年均值的柵格數據，但此數據僅到2012年，不能滿足本書研究所需要的時間長度。

本書開始時采用2012年之前的衛星監測濃度與2013年后地面監測濃度相結合，但由于測量高度及精準度不同，兩種濃度之間有較大的差異，地面監測濃度大大高于衛星濃度，出現了數據跳躍。之后，根據相關研究得出的PM10與PM2.5濃度相關性的結論，將環境公報公布的PM10濃度進行轉化，但由于公布年限短，不符合研究的時間段，從而也無法得到霧霾數據。

經過進一步數據搜索，采用了加拿大達爾豪斯大學的大氣成分分析組的研究數據，該數據使用地理加權回歸（GWR）根據全球地基來觀測PM2.5濃度，經過處理得到了2006—2016年全球PM2.5濃度的衛星柵格數據。之后利用Arcgis軟件從全球衛星數據中解析出中國278個地級市的年平均濃度，解決了數據的缺失及地面檢測和衛星監測數據統計口徑不一致的問題。

（二）解釋變量選取

本研究的核心解釋變量是環境規制（ERS）。目前對于環境規制程度的度量還未有統一的方法，國內外學者使用的度量方法主要有：利用各種污染排放的密度衡量（Cole et al.，2003）；利用環境治理投資占總產值的比例衡量（張成等，2011）；等等。為了對環境規制變量進行綜合考察，本書參考沈坤榮等（2015）的地級市層面綜合指數方法，具體步驟如下：

第一步，將二氧化硫去除率和煙塵去除率標準化：

式中：表示標準化后的第i個地區j種污染物的去除率，min（PR_j）表示j種污染物去除率的最小值；max（PR_j）表示j種污染物去除率的最大值。

第二步，計算各污染物排放的調整系數，作為權重：

式中：P_ij/∑P_ij表示第i個地區的j種污染物占該污染物總排放量的比重；gdp_i/∑gdp_i表示第i個城市的GDP占全國GDP的比重。

第三步，將標準化后的污染物去除率賦予不同的權重，并結合得到環境規制程度：

本研究控制變量的選取及來源如下：

經濟發展水平（GDP）：利用地區GDP作為地方經濟發展水平的衡量標準，為消除通貨膨脹的影響，利用地級市層面的GDP平減指數將其平減為以2006年為基期的數據。

產業結構（IS）：第二產業的加工制造業排放的工業廢氣是影響霧霾的重要因素，因此選取第二產業增加值占地區GDP的比重衡量產業結構。

人口密度（PD）：采用各地區單位面積上的人口數量衡量，人口密集的城市人類生活生產活動較多，且大多伴隨著嚴重的交通廢氣污染問題，因此人口密集地區的霧霾濃度可能比較高。

技術投入（TE）：環保技術的研發是降低環境污染水平的重要且必要因素，本研究通過用于技術研發投資占總財政支出的比例衡量技術投入。

城鎮化率（UR）：利用市轄區人口占全市總人口的比例表示。

十米高度風速（SI₁₀）：指距離地面10米處的風速，高風速有助于驅散霧霾，因而其對PM2.5濃度有重要影響。

以上數據主要來源于《中國城市統計年鑒》，由2006—2016年278個地級市的面板數據構成。各地級市GDP指數來源于Wind數據庫，風速數據來源于歐洲中期天氣預報中心（ECMWF）。表2-3列出了變量的描述性統計。

表2-3 變量的描述性統計

（三）霧霾污染的動態空間面板模型設定

空間面板模型為普通的面板模型加入區域間的空間交互效應而來，相比普通面板模型，空間面板模型控制了不隨時間變化的空間特征，避免遺漏空間相關性帶來的有偏估計。而動態空間面板模型是在靜態空間面板模型上加入被解釋變量的時間滯后項、空間滯后項和時空交叉滯后項來反映動態滯后效應。埃洛斯特（2012）較為深入地研究了動態空間面板模型。

為了精確地研究區域擴散效應的大小及影響霧霾污染濃度的主要因素，本書選取了與霧霾污染關系密切的6個解釋變量，對其中的影響機理進行深入分析。另外，考慮到經濟和環境變量具有的非瞬時變化特征，即變量的變化具有一定的時滯性。一方面本地區上一期的值對本期數據有影響作用，另一方面相鄰地區上一期的值影響到相鄰區域本期，進而通過空間溢出效應傳遞到本地區。這樣，對于本地霧霾污染的研究需要包含時間滯后效應、空間滯后效應及時空滯后效應。因而，本研究通過建立以下動態空間計量模型對霧霾的影響因素進行分析。模型設定如下：

式中：PM_it為一個N×1向量，表示每個地級市（i=1，…，N）在特定的年份（t=1，…，T）中污染物PM2.5的平均濃度；ρ為空間自相關系數；PM_i，t-1為滯后因變量，η是滯后的空間自相關系數；W為權重矩陣；環境規制程度（ERS）是核心解釋變量。X_it表示城市特征的控制變量，包括經濟發展水平（GDP）、產業結構（IS）、人口密度（PD）、技術投入（TE）和十米高度風速（SI₁₀）；μ_i=（μ₁，…，μ_N）表示城市固定效應；θ_t0是時間段固定效應的系數，ι_N是1的N×1向量；ε_it為隨機誤差項。

李龍飛等（Lee et al.，2010）通過對空間面板模型的研究，發現忽略時間段固定效應會使得區域間擴散效應被過高估計，因為隨著時間段的變化，在同一區域的大多數變量會同時增加或減少（例如，在不同年份全國整體的霧霾污染水平有相同的變化趨勢），如果沒有將這種共同變化從區域之間的相互作用的效應中分離出來，就會使得區域間的擴散效應被高估。因此，將時間段固定效應加入模型是必要的。

對動態空間面板模型估計過程中，李龍飛等（2010）在同時考慮內生性的條件下利用模型的對數似然函數進行參數估計，得到最小二乘虛擬變量（LSDV）估計量，但當個體單位數N和時間數T都趨于無窮大，N與T之比存在并在0與∞之間時，估計量是有偏的。于是當該動態空間面板模型穩定（τ+ρ+η＜1）時，提出一種糾正LSDV偏誤的BCLSDV的一致估計量，證明當N/T→∞時，T/N1/3→∞時，BCLSDV估計量是對LSDV估計量的一致性改進，當N=Tρ，且1＜p＜3便是此類情況。本研究中N=278，T=10，因此采用BCLSDV估計量對模型進行估計。若穩定性條件（τ+ρ+η＜1）不滿足，則需要對BCLSDV估計量進一步調整（Elhorst，2013）。

二 霧霾空間溢出效應及影響因素分析

霧霾污染由于其獨特的物理特性及其經濟社會方面的影響，具有空間相關性的特征。一方面，主要污染物PM2.5顆粒懸浮于空氣中，隨著大氣流動、顆粒物在大氣中的化學作用等因素，使得相鄰區域之間相互影響。另一方面，隨著區域一體化經濟的推行，城市間經濟活動更加頻繁，如交通運輸、產業轉移、區域間貿易等，這些經濟活動也成為污染物空間傳輸的途徑。因此，關于霧霾的研究不能停留在單個城市上，要結合其特征將研究擴展到整個區域，從而進行聯合治理。

（一）空間相關性檢驗

為了對城市之間霧霾污染的空間相關性進行整體把握，本研究借鑒邵帥等（2016）做法構建了四種空間相關性矩陣：地理距離矩陣（W₁）、經濟距離矩陣（W₂）、地理經濟矩陣（W₃）和地理—經濟嵌套矩陣（W₄）。其中：W₁中的元素ω_ij表示兩城市是否相鄰，若相鄰取1，不相鄰取0；W₂中ω_ij用i城市與j城市GDP差值的倒數表示；W₃=W₁*W₂；W₄=φW₁+（1-φ）W₂，0＜φ＜1（張征宇和朱平芳，2010），為了簡化計算，本研究取φ=0.5。利用此四類矩陣，并采用Moran’s I指數對空間溢出效應進行識別。

1.全局空間相關性

全局性Moran’s I計算方法為：

I介于-1與1之間，若大于0表示區域間霧霾污染有正相關關系，小于0則表示有負相關關系。，，A_i表示第i個地級市的PM2.5平均濃度；n為地級市總數目；W_ij為空間權重矩陣。經過對全局Moran’s I指數的測算，在空間權重矩陣為W₁和W₄時，Moran’s I指數為正且通過了1%的顯著性檢驗，但在使用W₂和W₃進行測算時，Moran’s I指數均較小，接近0，正相關關系不明顯，因此在下文的研究中只采用地理距離矩陣（W₁）和地理—經濟嵌套矩陣（W₄）。為了使相關性關系更加直觀地展現出來，圖2-5展示了代表性年份在權重矩陣為W₁時的Moran’s I散點圖，橫軸為PM2.5濃度，縱軸為空間滯后的PM2.5濃度。該圖分為四個象限：第一、三象限分別表示高—高、低—低型正相關，第二、第四象限則為非典型觀測的負相關區域。經測算，全局Moran’s I指數均為0.84左右并通過了1%的顯著性水平檢驗。說明我國PM2.5濃度的分布有顯著的正向空間溢出效應，并處在一個較高水平。

圖2-5 地理距離權重矩陣下地級市霧霾污染莫蘭散點圖

2.局域空間相關性

全局Moran’s I指數通過刻畫整體的相關性關系來反映全國地級市污染的相關性程度，但這種整體性關系的刻畫可能會忽略局部地區的非典型特征（Anselin，1995），因而本研究進一步采用局域Moran’s I指數對局域空間相關性關系進行刻畫。通過局域空間相關性關系分析顯示我國霧霾污染高—高型區域主要分布在京津冀以及與長三角的連接部分，這種特征沒有隨時間推移發生變化，PM2.5高濃度地區成片出現也表明了聯合防治的必要性；低—低型分布于黑龍江省、珠三角以及云貴地區。

（二）霧霾影響機制分析

在考察了霧霾污染的空間相關性后，為了進一步精確地研究這種擴散效應的大小及霧霾污染的主要因素，本研究運用matlab軟件對模型（2.4）估計后得出的結果如表2-4所示：

表2-4 模型估計結果

續表

表2-4代表選取地理距離矩陣（W₁）和地理—經濟嵌套矩陣（W₄）時的模型估計結果。為了驗證時間段固定效應是否存在，表2-4第（1）列為模型（1）在矩陣為W₁時去除了時間段固定效應的BCLSDV估計量。第（2）列為包含時間段固定效應的估計結果。利用F檢驗判斷是否包含時間段固定效應，F檢驗的值為3075.2，且其p值小于0.01，表明接受包含時間段固定效應的模型；同理，在矩陣為W₄時，第（3）列和第（4）列分別表示去除和包含時間段固定效應的BCLSDV估計量，其F檢驗值為4.103，p值為0.001，同樣接受了包含時間段固定效應模型。

接下來需要判斷包含時間段固定效應的模型是否穩定，即τ+ρ+η是否小于1，若模型是穩定的，則不需要對BCLSDV估計量進行進一步調整，從表中得知，在兩類距離矩陣下，模型均是穩定的，BCLSDV估計量是無偏的，因而接下來分析表第（2）列和第（4）列。下面以地理距離矩陣為例。

首先霧霾污染的空間滯后項（W*lnPM_t）系數顯著為正，且通過1%的顯著性檢驗，表明相鄰城市之間可能通過一系列的自然或經濟活動使得污染物相互傳播、互相影響，如自然的空氣流動，區域間運輸、貿易互通等。空間自相關系數表示：相鄰城市污染物PM2.5濃度每上升1%，就會通過擴散效應將本地的污染物濃度提升0.16%。因此，空氣污染的治理工作是一個區域性任務，僅憑個別城市的“單打獨斗”是徒勞無功的，實現區域間聯防治理才是解決問題的關鍵。其次從時間滯后項（lnPM_t-1）系數看，本地滯后一期的污染物濃度系數在1%水平上顯著為正，表明霧霾污染具有強烈的時間依賴性，不會在短時間內發生變化，因而空氣污染治理是一個長期且不可間斷的活動，只要稍有怠慢，其影響便是長期的。最后從時空滯后觀察，W*lnPM_t-1系數顯著為負，表明相鄰城市上一期的污染水平會使得本地污染水平下降。這可能是通過一種“警示效應”實現的，當本城市觀察到上一期周邊地區污染較嚴重時，本地環保部門會意識到這種污染的擴散，從而加強保護措施，避免惡性擴散的影響，進而降低污染水平。

本研究核心解釋變量環境規制（lnERS）的系數為正，表明有關于降低空氣污染物排放的環境規制尚未發揮作用，這與徐志偉（2016）的研究結果類似。較強的環境規制地區會誘發重污染產業就近轉移的動機，這使得環境規制政策難以達到預期的治霾效果。因此，環保部門需要進一步協同制定地區間有效的規制強度，同時也要對地區間實施過程加強監督，避免出現執法的“漏網之魚”，提高環境規制效率。

從單個控制變量的系數來看，地區經濟總量水平（lnGDP）的系數為正且不顯著，表明目前我國經濟的增長不會使環境顯著惡化。官員政績和綠色GDP掛鉤、強調綠色發展的主調使得各級政府開始轉變經濟發展模式，拋棄了之前GDP掛帥、對生態環境漠不關心的粗放型經濟發展模式，開始轉向集約型經濟發展模式。產業結構（lnIS）的系數顯著為負，這表明我國大多數的工業企業已經不是污染的重要來源，政府對于第二產業的減排政策已見成效，此研究結論與邵帥等（2016）一致。例如，河北、北京等地為降低工業企業污染物的排放，對重污染企業采取了限產、停產、加強排污管制等措施，收到了良好的效果。人口密度（lnPD）系數為負但不顯著，表明高人口密度不會促進霧霾污染產生，主要原因可能是人口密集的城市經濟發展程度普遍較高，其清潔的公共交通系統較發達，成為代替私家車出行的選擇，從而形成環境污染的規模效應（陸銘，2017）。從技術投入（TE）來看，其系數均為負且不顯著，表明現階段我國技術投入尚未發揮其預期作用。可能的原因有：技術投入真正投放到市場中并轉化為綠色生產力需要一定的時間，我國現階段的技術投入還處于轉換期；另外，由于投資者具有偏好性，故研發資金更多地偏向新技術研發，而對于降低污染氣體減排的綠色技術投入較少，政府應加強對技術投入資金的引導，使其減排效果得以發揮。