霧霾污染的持續(xù)性及空間溢出效應分析——來自京津冀地區(qū)的證據(jù)

潘慧峰,王　鑫,張書宇

(對外經濟貿易大學　金融學院　應用金融研究中心，北京　100029)

?

霧霾污染的持續(xù)性及空間溢出效應分析
——來自京津冀地區(qū)的證據(jù)

潘慧峰,王鑫,張書宇

(對外經濟貿易大學金融學院應用金融研究中心，北京100029)

摘要：選取2013年10月到2014年9月的PM2.5日數(shù)據(jù)，采用AR模型和馬爾科夫區(qū)制轉換模型研究了京津冀地區(qū)各城市霧霾污染的持續(xù)性特征，進一步基于Hsiao(1981)的格蘭杰因果檢驗和廣義脈沖響應函數(shù)考察了相鄰城市間霧霾污染的空間溢出效應。實證結果表明：(1)霧霾污染存在較強的持續(xù)性，PM2.5指數(shù)表現(xiàn)為高度的自相關和區(qū)制轉換特征，高污染狀態(tài)較難向低污染狀態(tài)轉換，高污染狀態(tài)存在粘滯效應；(2)不同城市間的霧霾污染存在空間溢出效應，格蘭杰因果檢驗表明北京對其他周邊城市均存在領先滯后關系，廣義脈沖響應分析表明北京霧霾濃度的提高對周邊城市均會產生正向沖擊、且衰減速度較慢。政策建議是簡單的產業(yè)轉移并不能解決京津冀地區(qū)的霧霾污染問題，必須通過產業(yè)升級和清潔技術引進、區(qū)域綜合治理、調整政績考核方式等手段來從根本上治理京津冀地區(qū)的霧霾污染。

關鍵詞：霧霾污染；持續(xù)性；空間溢出效應；區(qū)制轉換模型；格蘭杰因果檢驗

一、引言

2013年以來，中國大部分地區(qū)，尤其是京津冀地區(qū)空氣質量急劇惡化。環(huán)保部門公布的數(shù)據(jù)顯示，2013年1月至7月之間，京津冀污染天數(shù)占比達到了53.5%，京津冀地區(qū)的空氣質量始終是最差的。世界華人協(xié)會主席胡智榮在博鰲亞洲論壇2014年年會分論壇上表示：“霧霾對國家形象有所損害，我的很多合作伙伴和外國朋友，一看到北京霧霾就飛到其他地方去，使得我們的投資延后甚至取消。”英國廣播公司BBC在1月12日的一篇報道中稱北京的空氣污染甚至已經超過了世界衛(wèi)生組織設定的危險等級，開始危害人們的身體健康。前衛(wèi)生部部長陳竺(2014)指出，中國每年因室外空氣污染導致的早死人數(shù)在35萬～50萬人[1]。2014年10月7日至10月11日，京津冀地區(qū)遭遇了2014年下半年持續(xù)時間最長、污染最嚴重的一次霧霾，引發(fā)了社會各界對霧霾治理的廣泛關注。市民非常關心這種霧霾天氣到底會持續(xù)多久，政府則關心采用何種措施對霧霾進行治理。

現(xiàn)有文獻對于霧霾問題的研究主要從兩個角度展開：一是研究城市中PM2.5的成分和來源，但對霧霾的最主要來源尚未有一致的結論。以北京為例，楊復沫(2003)認為汽車尾氣排放和燃煤是北京PM2.5污染的重要來源[2]；朱先磊(2005)發(fā)現(xiàn)揚塵和燃煤對霧霾天氣形成的貢獻率最高[3]；王志娟(2012)則認為霧霾的主要來源是經過物理、化學變化產生的二次污染物[4]；2014年4月16日，北京市環(huán)保局網(wǎng)站發(fā)布的《北京市PM2.5來源解析正式發(fā)布》*2014年4月16日，北京市環(huán)保局網(wǎng)站發(fā)布了《北京市PM2.5來源解析正式發(fā)布》，網(wǎng)址為http://www.bjepb.gov.cn/bjepb/323474/331443/331937/333896/396191/index.html指出機動車尾氣對北京霧霾污染貢獻率最大，占比31.1%。二是研究區(qū)域間污染及治理的溢出效應。這些文獻往往以SO2、NOx、CO2、PM10、煙塵等指標作為大氣污染程度的代理變量，發(fā)現(xiàn)國與國之間、不同省域之間的污染及治理存在溢出效應[5-9]，特別是Poon 等(2006)及馬麗梅和張曉(2014)的實證研究發(fā)現(xiàn)我國省域、城市之間污染存在空間上的相互影響。但現(xiàn)有文獻尚未對霧霾的持續(xù)性特征、同一區(qū)域內不同城市間霧霾的空間溢出效應進行研究，也沒有采用PM2.5這一最新的空氣污染指標。鑒于此，本文以京津冀地區(qū)的7個城市為研究對象，通過對PM2.5指數(shù)這一最新的空氣污染指標的計量分析，試圖來回答如下問題：霧霾天氣是否會一直持續(xù)？一個城市的霧霾是否對另一個城市產生溢出效應？區(qū)域霧霾治理應該采取什么樣的措施？對這些問題的回答對于京津冀地區(qū)乃至其他地區(qū)的霧霾治理均具有重要的指導意義。

相比現(xiàn)有文獻，本文的貢獻在于：(1)在研究內容上，考察了單個城市PM2.5指數(shù)的持續(xù)性特征和區(qū)域內不同城市間污染的空間溢出效應；(2)在研究方法上，采用區(qū)制轉換模型分高污染和低污染兩個狀態(tài)研究了PM2.5指數(shù)的持續(xù)性特征，這與現(xiàn)實中高污染狀態(tài)和低污染狀態(tài)交替出現(xiàn)是一致的，綜合采用格蘭杰因果檢驗和廣義脈沖響應函數(shù)研究了不同城市間的空間溢出效應；(3)在研究指標選取上，采用PM2.5這一最新的綜合性污染指標作為大氣污染指標，此指標可以更精準的對霧霾的污染程度進行描述，采用此指標的定量研究在國內較少見諸文獻。

二、研究假設

H1：霧霾指數(shù)存在區(qū)制轉換效應，在高污染狀態(tài)下，霧霾污染存在粘滯效應，向低污染轉換的概率較小。

霧霾污染程度根本上受污染源排放量的影響，但在不能改變污染源的情況下，大氣活動的周期會使得霧霾污染呈現(xiàn)周期性特征，即高污染和低污染狀態(tài)是交替出現(xiàn)的。當氣溫高、風速小、降雨少時，大氣擴散條件較差，污染物很難擴散出去，這時一旦出現(xiàn)高污染狀態(tài)，則這種狀態(tài)會持續(xù)較長時間；當氣溫低、風速大、降雨多時，大氣擴散條件較好，污染物很容易擴散出去，因此霧霾污染程度會從高污染狀態(tài)向低污染狀態(tài)轉換。同理可知，當一個城市開始在低污染狀態(tài)，一旦受到嚴重霧霾污染沖擊，則也會從低污染狀態(tài)向高污染狀態(tài)轉換。

H2：不同城市間的霧霾污染存在空間溢出效應，表現(xiàn)為一個城市的霧霾污染會隨著時間的推移影響相鄰的其他城市，一個城市霧霾程度的提高也會提高相鄰城市的霧霾程度。

一個城市的霧霾污染會通過擴散和風力對其相鄰的城市產生影響，分成兩種情況：一是當風力小時，相鄰兩個城市的霧霾濃度存在差異，霧霾會從高污染城市向低污染城市擴散，由于擴散需要時間，則兩個城市的霧霾指數(shù)則表現(xiàn)為存在領先滯后關系，高霧霾濃度的城市會通過擴散提高低濃度城市的霧霾濃度；二是當風力較大時，霧霾會隨著風向從一個城市轉換到另一個城市，這也會導致兩個城市的霧霾指數(shù)存在領先滯后關系。

現(xiàn)有的其他文獻也支持上述觀點，陳媛(2010)認為擴散作用和空氣流動會影響地區(qū)的顆粒污染物的濃度，霧霾的主要成分為大氣顆粒污染物，這些物質隨著空氣運輸發(fā)生遷移的同時，往往會改變遷移過程地區(qū)的霧霾濃度，濃度的差異會產生擴散效應，擴散效應和風力會使污染物在城市之間進行遷移，可能會產生空間溢出效應[10]。王志娟(2012)研究表明風和相對濕度等氣象因素均能夠影響霧霾顆粒的擴散和濃度，隨著污染物的自由擴散和氣象因素使得城市間霧霾濃度存在領先滯后關系，單一城市的高濃度霧霾污染往往會傳導到周圍城市，導致城市間污染出現(xiàn)集聚效應。

三、實證研究方法

本文采用AR模型和馬爾科夫區(qū)制轉換模型刻畫霧霾指數(shù)的持續(xù)性特征，區(qū)制轉換模型將污染狀態(tài)分為高污染和低污染兩種狀態(tài)考察，進一步基于Hsiao(1981)的格蘭杰因果檢驗和脈沖響應函數(shù)，描述城市之間霧霾指數(shù)的空間溢出效應。鑒于AR模型和脈沖響應函數(shù)應用較為普遍，本文僅對馬爾科夫區(qū)制轉換模型和基于Hsiao(1981)的格蘭杰因果檢驗進行簡要介紹。

(一)馬爾科夫區(qū)制轉換模型

馬爾科夫區(qū)制轉換模型能夠描述變結構的時間序列，并且將這種結構性變化視為一種狀態(tài)向另一種狀態(tài)的轉換，同時能夠估計狀態(tài)之間的轉換概率，進而更準確地刻畫序列的變動過程。大量文獻采用馬爾科夫區(qū)制轉換模型研究一個經濟變量在各狀態(tài)之間的非周期轉換，比如經濟周期建模[11-12]，利率期限結構動態(tài)建模[13-14]，股市波動研究[15-16]。

為了更好地刻畫城市PM2.5濃度的高污染狀態(tài)和低污狀態(tài)間的相互轉換以及在這兩種狀態(tài)下的持續(xù)性特征，本文建立了兩狀態(tài)馬爾科夫區(qū)制轉換模型，如式(1)、式(2)所示：

(1)

(2)

(二)基于Hsiao程序的格蘭杰因果檢驗

Granger(1969)給出了平穩(wěn)序列的 Granger 因果關系的檢驗方法[17]，但該方法的實證結果對于滯后階數(shù)的選取非常敏感。Hsiao(1981)基于最小化最終預測誤差(Final Predication Error,FPE)準則對此進行了改進[18],此方法能夠更合理確定滯后階數(shù)，從而得到更穩(wěn)健的檢驗結果。令Xt、Yt為兩個城市的PM2.5指數(shù)序列，利用基于Hsiao(1981)的格蘭杰因果檢驗研究兩城市PM2.5指數(shù)的領先滯后關系的步驟如下：

(1)選擇一個比較大的滯后階數(shù)Kmax,逐漸遞減滯后階數(shù)K，估計式(3)：

(3)

求得使FPE值最小的K*值，作為Xt的最優(yōu)滯后期。

(2)將Xt的最優(yōu)滯后期K*作為給定值帶入模型，對于Yt選擇一個比較大的滯后階數(shù)lmax，逐漸遞減之后階數(shù)l，在不同l估計式(4)，得到不同l下方程的FPE，

(4)

求得FPE(K*,l)最小的l,作為Yt的最優(yōu)滯后期。

(3)比較FPE(K*)與FPE(K*,l*),如果FPE(K*,l*)FPE(K*),則Yt不是Xt的Granger原因，其中：

RSS為殘差平方和，m為方程中除了截距項的變量的個數(shù)，T為樣本容量。

四、數(shù)據(jù)的基本統(tǒng)計特征

本文研究對象為京津冀地區(qū)的7個城市，包括北京、保定、承德、天津、廊坊、唐山、張家口；在指標選取上，選擇PM2.5指數(shù)作為霧霾污染程度的代理變量。相對于傳統(tǒng)的空氣污染指標，此指標具有以下優(yōu)勢：第一，與二氧化硫、氮氧化物等其他氣體指標相比，PM 2.5濃度高是產生霾*霧霾，霧和霾的統(tǒng)稱，其中“霾”是造成污染的最主要原因，其主要成分是空氣中懸浮的大量可吸入微粒，對城市環(huán)境和人體健康危害最大。的根本原因，其濃度大小直接決定霧霾污染程度；第二，空氣中顆粒物變化趨勢是直徑越來越小，與PM10、粉塵等其他較大顆粒指標相比，PM2.5直徑更小，其濃度高低能夠反映其他大顆粒物濃度的大小，這與人們直觀感覺上相一致，能夠更精準地對霧霾污染程度進行描述[19]，而如果采用PM10這一指標，則會出現(xiàn)民眾認為空氣污染很嚴重但PM10這一指標認為空氣質量良好的情況；第三，PM2.5顆粒能夠直接進入人體的肺組織甚至血液循環(huán)中，對人體的危害更大，對此指標的分析更具有重要意義。

本文樣本區(qū)間從2013年10月28日到2014年9月30日，數(shù)據(jù)為PM2.5指數(shù)的日數(shù)據(jù)，數(shù)據(jù)來源于“天氣后報”網(wǎng)站，通過網(wǎng)絡爬蟲程序獲取，網(wǎng)址為www.tianqihoubao.com/aqi。

圖1　京津冀地區(qū)7個城市PM2.5指數(shù)的基本統(tǒng)計特征

從圖1可以看出，各城市的PM2.5平均水平均在35微克/立方米以上，已經超過環(huán)保部發(fā)布的PM2.5平均濃度限值*2012年3月2日，國家環(huán)保部發(fā)布了新修訂的《環(huán)境空氣質量標準》.其中規(guī)定：居民區(qū)中的PM2.5年平均濃度不得超過35微克/立方米，PM2.5的24小時平均濃度不得超過75微克/立方米，并且只有年均濃度小于35微克/立方米，才算達到二級標準。，京津冀地區(qū)的城市均存在不同程度的霧霾污染。其中，保定PM2.5指數(shù)的均值最大、張家口最?。槐６≒M2.5指數(shù)的標準差最大、承德最小。根據(jù)國家PM2.5檢測網(wǎng)出臺的新標準，在平均意義上，保定為中度污染，北京、天津為輕度污染，廊坊、承德、張家口、唐山空氣質量良，但是除張家口之外沒有任何城市達到二級標準，京津冀地區(qū)的PM2.5狀況整體處于嚴重污染狀態(tài)。此外，除張家口外，其余6個城市的PM2.5指數(shù)的標準差均較大，無論從絕對數(shù)上，還是相比均值而言，這意味著京津冀地區(qū)PM2.5指數(shù)污染的波動性依然較大，高污染狀態(tài)和低污染狀態(tài)的很容易出現(xiàn)交替。

此外，京津冀地區(qū)城市PM2.5濃度均呈現(xiàn)尖峰厚尾分布。偏度均大于0且平均值為2.1897，呈現(xiàn)右偏分布。峰度均大于3，平均值為9.6187，呈現(xiàn)尖峰厚尾的特征。即各城市出現(xiàn)霧霾嚴重這樣極端天氣的概率較大。圖2是北京市PM2.5指數(shù)的直方圖。

圖2　北京PM2.5指數(shù)直方圖

由圖2可得，北京PM2.5濃度呈現(xiàn)尖峰右偏分布，偏度為1.6737，峰度為6.5923。一年中有42.57%的天數(shù)的霧霾濃度沒有達到國家環(huán)保局規(guī)定的二級標準，并且有10.2%的天數(shù)PM2.5指數(shù)達到150以上，出現(xiàn)嚴重PM2.5污染的可能性比較大。

為了考察京津冀地區(qū)PM2.5指數(shù)是否具有趨同效應，我們考察了不同城市間的相關系數(shù)。表1給出了京津冀7個城市PM2.5指數(shù)的相關系數(shù)矩陣。

表1　京津冀7個城市PM2.5指數(shù)的相關系數(shù)矩陣

由表1可知，京津冀地區(qū)的大氣污染呈現(xiàn)明顯趨同性的特征。相關系數(shù)最小為0.4040、最大為0.8901，85%的相關系數(shù)都超過了0.5，說明城市之間的PM2.5污染濃度存在高度的正相關，北京和周邊六市的PM2.5指數(shù)有同漲同落的趨勢，京津冀地區(qū)形成了一個區(qū)域性的霧霾污染群落。可能的原因是京津冀地區(qū)是中國鋼鐵工業(yè)最集中的區(qū)域，工業(yè)排放是造成霧霾污染的主要因素之一，京津冀地區(qū)的所有城市均或多或少的受到工業(yè)排放的影響。

五、實證結果

(一)霧霾污染的持續(xù)性特征

結合承德市實際情況,確立水資源開發(fā)利用控制、用水效率控制、水功能區(qū)限制納污“三條紅線”和控制指標、實時監(jiān)控、考核評估“三個體系”，基本形成最嚴格水資源管理制度框架的總體目標。把構建水資源監(jiān)控體系作為實行最嚴格水資源管理制度的基礎手段和技術支撐，盡快建成以各縣區(qū)城鎮(zhèn)地表水水源地、規(guī)模以上取用水戶、重要水功能區(qū)、大中型水庫、省市界和縣區(qū)界河道控制斷面為重點的水資源監(jiān)控體系，實現(xiàn)監(jiān)測覆蓋化、網(wǎng)絡化、信息化，為水資源嚴格管理提供技術支撐。

為了考察京津冀地區(qū)各個城市PM2.5指數(shù)的持續(xù)性特征，首先，本文對7個城市的PM2.5指數(shù)分別建立AR模型，采用AIC準則確定最佳滯后階數(shù)，采用Q檢驗來考察模型是否充分。表2給出了各城市AR模型參數(shù)以及自身沖擊衰減至0的天數(shù)。

表2表明京津冀地區(qū)7個城市的PM2.5指數(shù)均存在低階的AR效應，且一階自相關系數(shù)均在0.5到0.75之間。各城市受自身污染沖擊后衰減至0 的天數(shù)均大于等于5，表明霧霾污染有較強的自相關性。

AR模型只能在平均意義上描述京津冀地區(qū)PM2.5指數(shù)的可持續(xù)性特征，而現(xiàn)實中高霧霾污染和低霧霾污染是交替出現(xiàn)的。為了更精確地刻畫霧霾在高污染狀態(tài)和低污染狀態(tài)的持續(xù)性特征，本文進一步對京津冀地區(qū)7個城市PM2.5指數(shù)分別建立馬爾科夫區(qū)制轉換模型，與AR模型相比，區(qū)制轉換模型具有更大的最大似然值，區(qū)制轉換模型確實能夠更好地刻畫PM2.5指數(shù)持續(xù)性特征，計算過程通過matlab2012a編程實現(xiàn)。表3給出了各城市高污染狀態(tài)和低污染狀態(tài)的均值、波動率和各狀態(tài)之間的轉換概率的估計結果。

表2　AR模型估計及衰減天數(shù)

注：AR方程為Xt=C+φ1Xt-1+φ2Xt-2+ut，括號里面為p值。

表3　城市PM2.5指數(shù)區(qū)制轉換模型參數(shù)估計結果

注：保定不存在區(qū)制轉換效應，未在表中列出，括號內為p值。

由表3可知：第一，除了唐山外，京津冀地區(qū)其他城市PM2.5污染指數(shù)存在馬爾科夫區(qū)制轉換效應，污染分為高污染狀態(tài)和低污染狀態(tài)，PM2.5指數(shù)濃度以一定的轉換概率在高低污染狀態(tài)之間進行轉換。第二，高污染狀態(tài)下的PM2.5指數(shù)均值均顯著大于低污染狀態(tài)。以北京為例，北京高污染狀態(tài)下PM2.5指數(shù)均值是低污染狀態(tài)下的4.40倍。京津冀地區(qū)城市也表現(xiàn)出相同特征，高污染狀態(tài)與低污染狀態(tài)的均值比最小為天津1.71，最大為北京4.3。第三，高污染狀態(tài)下的PM2.5指數(shù)波動率均顯著大于低污染狀態(tài)。北京高污染狀態(tài)下波動率為低污染狀態(tài)的2.30倍。從京津冀地區(qū)整體來看，高污染狀態(tài)與低污染狀態(tài)的波動率比最小為張家口1.98，最大為承德5.65。第四，各城市停留在高污染狀態(tài)和低污染狀態(tài)的概率均大于0.5，而在狀態(tài)之間相互轉換的概率均小于0.5。

表3表明在高污染狀態(tài)下，PM2.5指數(shù)具有粘滯效應，很難向低污染狀態(tài)轉換，可能的原因是：第一，PM2.5指數(shù)具有很強的自相關性，除非風力較大、氣溫較低、降雨較多的情況下會霧霾污染程度會很快降低，在正常的情況下很難衰減；第二，某城市的PM2.5指數(shù)不僅受自身的歷史PM2.5指數(shù)影響，而且受周邊城市影響，即使自身通過擴散作用濃度會降低，但其他城市的霧霾的轉換會進一步延緩濃度降低的速度，造成保持高污染狀態(tài)的概率較高，而轉換到低污染狀態(tài)的概率較低。

根據(jù)各城市在高污染狀態(tài)和低污染狀態(tài)下的PM2.5指數(shù)均值，圖3給出了北京和天津地區(qū)PM2.5指數(shù)高污染狀態(tài)和低污染狀態(tài)的均值。從圖3可知，高污染狀態(tài)的均值明顯大于低污染狀態(tài)的均值，霧霾污染在兩種狀態(tài)下轉換比較頻繁，這與現(xiàn)實中高污染狀態(tài)和低污染狀態(tài)交替出現(xiàn)是相一致的。京津冀地區(qū)的地形主要以平原為主，只有少數(shù)海拔不高的山脈，風力和擴散都容易使得霧霾在兩種狀態(tài)下相互轉換；京津冀地區(qū)是中國的重要工業(yè)中心，除了受風等其他氣象因素干擾，工業(yè)過程產生的大量污染物和汽車尾氣的大量排放也會使得霧霾由低污染狀態(tài)很容易轉換到高污染狀態(tài)。

(二)相鄰城市間霧霾污染的空間溢出效應

本部分來考察相鄰城市間的霧霾污染的空間溢出效應，采用格蘭杰因果檢驗來分析京津冀地區(qū)相鄰城市間PM2.5的領先滯后關系，采用廣義脈沖函數(shù)來考察沖擊衰減速度，圖4給出了京津冀地區(qū)7個城市的相對地理位置。

由圖4可知，北京、張家口、天津、唐山、保定、廊坊、承德7個城市組成的區(qū)域中，北京處于中心位置，其余城市組成一條圍繞北京分布的環(huán)帶，并且均與北京相鄰。為了得到各城市PM2.5污染指數(shù)的領先滯后關系，本文對7個城市的PM2.5指數(shù)兩兩之間進行基于Hsiao(1981)的格蘭杰因果檢驗和脈沖響應函數(shù)分析，格蘭杰因果檢驗的最大滯后階數(shù)取12[20]?；赾hol-esky分解的脈沖響應結果嚴重依賴VAR模型中變量的排序，而廣義脈沖不依賴于模型中變量的順序，規(guī)避了由于變量順序不同對脈沖響應結果造成的影響。首先基于AIC最小準則選擇VAR模型的最佳滯后階數(shù)，然后進行廣義脈沖響應分析。表4和表5分別給出了相鄰城市間、北京和周邊六市間的空間溢出效應的實證結果。

圖3　北京、天津PM2.5指數(shù)區(qū)域轉換效應圖

圖4　京津冀地區(qū)7城市相對地理位置

由表4和表5可知,只有北京的PM2.5污染對相鄰6個城市中所有城市的霧霾污染都有不同程度的貢獻度，在其他6個城市中只有保定、承德、張家口對北京也產生影響。通過對比表5兩種情況的衰減天數(shù)可知：北京對其他城市污染沖擊的衰減速度小于周圍城市對北京污染沖擊的衰減速度，說明京津冀地區(qū)已經形成霧霾污染群落，并且北京對周邊城市的沖擊效果更明顯。

限于篇幅，圖5和圖6只給出了北京與唐山兩城市之間的廣義脈沖響應函數(shù)，其它城市間的脈沖響應函數(shù)圖形形態(tài)與此基本一致。

由圖5和圖6可知，作為沖擊元的城市霧霾濃度的提高均給響應元帶來正向沖擊。北京沖擊唐山時，沖擊衰減到0 的天數(shù)是9天；唐山沖擊北京時，沖擊衰減到0的天數(shù)是6天。

六、結論及政策建議

本文選取PM2.5作為霧霾污染的代理變量，首先采用AR模型和馬爾科夫區(qū)制轉換模型刻畫京津冀地區(qū)7個城市的霧霾污染的持續(xù)性特征，然后基于Hsiao的格蘭杰因果檢驗和脈沖響應函數(shù)分析不同城市間霧霾污染的空間溢出效應，得到以下主要結論。

表4　相鄰城市間霧霾污染的空間溢出效應

注:A→B的原假設A不是B的Granger原因。沖擊衰減天數(shù)是指A→B情況下，B的響應衰減到0的天數(shù)。

表5　北京與相鄰城市間霧霾污染的空間溢出效應

注：同表4。

圖5　唐山作為響應元的脈沖響應

圖6　北京作為響應元的脈沖響應

(1)關于霧霾污染的持續(xù)性特征：第一，AR模型結果表明京津冀地區(qū)的7個城市霧霾污染存在較強的持續(xù)性，表現(xiàn)為各城市PM2.5指數(shù)均存在較強的序列相關性；第二，區(qū)制轉換模型表明京津冀地區(qū)大部分城市霧霾污染存在區(qū)制轉換效應，高污染狀態(tài)較難向低污染狀態(tài)轉換，這意味著在高污染狀態(tài)下，治理將變得更加困難。

(2)關于城市之間霧霾污染的空間溢出效應：第一，城市間的格蘭杰因果檢驗表明北京和周圍大部分城市均存在領先滯后關系，即北京和周邊地區(qū)霧霾污染相互影響。第二，廣義脈沖響應分析表明北京霧霾濃度的提高均會提高其他城市的霧霾污染程度，反之亦然。且其他城市霧霾濃度提高對北京的沖擊衰減速度均快于北京對其他城市沖擊衰減速度，即北京對周邊城市的霧霾污染沖擊的持續(xù)效應更長。

基于以上的實證結果，本文對京津冀地區(qū)的霧霾治理提出以下幾點政策建議。

(1)限購車輛、限號出行等行政手段對北京霧霾治理具有一定的效果，它可以減少尾氣的排放，但由于限購和限號使得市場中一部分人的需求被抑制，從而產生福利損失。行政手段雖然能夠產生立竿見影的結果，但也會導致較大的社會成本。不能從根本上解決北京的霧霾污染問題，應更多地采用市場經濟手段從長期上治理霧霾。

(2)旨在降低北京霧霾污染的高污染產業(yè)轉換政策的治理效果是有限的。北京市環(huán)保局發(fā)布的《2013年北京市環(huán)境狀況公報》中指出2013年已經有288家污染企業(yè)退出北京，但是北京市霧霾污染并沒有得到顯著改善。究其原因，產業(yè)轉換政策只是將霧霾污染源從北京轉換到了周邊城市，但周邊城市通過空間溢出效應反過來影響北京，部分抵消了產業(yè)轉換帶來的霧霾治理效果。因此，必須通過產業(yè)結構升級和清潔技術創(chuàng)新，使經濟發(fā)展方式從粗放型逐步向集約型轉化，才能提升京津冀地區(qū)工業(yè)企業(yè)清潔生產水平，從根本上治理霧霾。

(3)京津冀地區(qū)事實上已經形成霧霾污染群落，其中北京對周邊城市的沖擊效果更明顯。由于空氣是沒有產權的公共物品，在發(fā)展經濟時，盡管霧霾污染嚴重，各地區(qū)政府依然為了發(fā)展經濟大量引入高耗能產業(yè)，將內部成本外部化。治理污染時，由于京津冀地區(qū)各城市的霧霾污染存在聯(lián)動關系，如果僅僅對單一地區(qū)進行治理，周邊地區(qū)較高的PM2.5濃度仍然會使本地的霧霾濃度提高，無法達到根治的效果，因此各地區(qū)也沒有治理污染的動力，從而形成“公地悲劇”。因此，本文認為應采取區(qū)域聯(lián)合治理的方法：首先，在京津冀地區(qū)建立大氣污染聯(lián)防機制，中央和京津冀地區(qū)各城市簽訂目標責任書，進行季度、年度定期考核，嚴格責任追究。其次，構建霧霾治理生態(tài)補償機制，通過財政上轉換支付的方式，將霧霾污染治理成本在京津冀地區(qū)各城市之間進行合理再分配，將外部環(huán)境成本內部化。這與國家出臺的《京津冀及周邊地區(qū)落實大氣污染防治行動計劃實施細則》中提出的區(qū)域聯(lián)合治理精神相契合。

(4)要建立科學的地方政府績效評估體系。改革開放以來，我國提出以經濟建設為中心并以此建立了以GDP為核心的政績考核體系，相關文獻也指出這種考核體系不能科學的評價一個地區(qū)的經濟和社會發(fā)展狀況[21]，地方政府在提高GDP的同時產生了嚴重的環(huán)境污染，霧霾只是環(huán)境惡化的一種表現(xiàn)。這種考核體系使得地方政府官員在發(fā)展經濟時不會考慮霧霾問題，上馬大量高能耗的產業(yè)，GDP提高的同時也造成了嚴重的霧霾污染，在霧霾產生后也缺乏治理霧霾的動力。因此，應將環(huán)境狀況納入政績考核指標，制定科學統(tǒng)一標準，量化經濟發(fā)展過程中的環(huán)境損失和資源消耗成本，將環(huán)境成本從GDP數(shù)值中扣除，徹底改變“增長為導向”的發(fā)展觀和“重視經濟增長，忽視環(huán)境保護”的政績觀。

本文未來的研究方向為：可以進一步考慮霧霾污染群落的產生是源于地理因素還是氣候因素；可以進一步探討高污染和低污染狀態(tài)的形成與風、雨、光照等氣象因素的關系等；可以采用考慮空間相關性的面板數(shù)據(jù)方法研究區(qū)域間的霧霾污染相關性；可以由京津冀地區(qū)拓展到全國各個地區(qū)，研究其他地區(qū)的霧霾的持續(xù)性和空間溢出效應。

參考文獻：

[1]ZHU Chen,WANG Jinnan,MA Guoxia,et al.China tackles the health effects of air pollution[J].The Lancet,2014(382):1959-1960.

[2]楊復沫.北京大氣PM2.5中微量元素的濃度變化特征與來源[J].環(huán)境科學,2003(6):33-37.

[3]朱先磊.北京市大氣細顆粒物PM2.5的來源研究[J].環(huán)境科學研究,2005(5):1-5.

[4]王志娟.北京典型污染過程PM2.5的特性和來源[J].安全與環(huán)境學報,2003(5):122-126.

[5]MADDISON DJ.Environmental kuznets curves:A spatial econometric approach [J].Journal of Environmental Econo-mics and Management,2006(51):218-230.

[6]HOSSEIN M,RAHBAR F.Spatial environmental kuznets curve for Asian countries:Study of CO2and PM2.5 [J],Journal of Environmental Studies,2011(37):1-3.

[7]POON PH,CASAA I,HE C.The impact of energy,transport,and trade on air pollution in China.[J].Eurasian Geography and Economics,2006(47):1-17.

[8]馬麗梅,張曉.區(qū)域大氣污染空間效應及產業(yè)結構影響[J].中國人口·資源與環(huán)境,2014(7):157-164.

[9]田志華,田艷芳.環(huán)境污染與環(huán)境沖突——基于省際空間面板數(shù)據(jù)的研究[J].科學決策,2014(6):28-42.

[10]陳媛，等.北京市區(qū)大氣氣溶膠PM2.5污染特征及顆粒物溯源與追蹤分析[J].現(xiàn)代地質,2010(2):345-354.

[11]HAMILTON J D,SUSMEL R,Autoregressive conditional heteroscedasticity and changes in regime[J].Journal of Econometrics,1994(64):307-333.

[12]陳華.中國與世界經濟波動的關聯(lián)性:基于馬爾科夫區(qū)制轉換VECM模型的實證研究[C]//全國博士學術會議論文集.2009.

[13]劉金泉,鄭挺國.利率期限結構的馬爾科夫區(qū)制轉移模型與實證分析[J].經濟研究,2006(2):82-91.

[14]吳吉林,陶旺升.基于機制轉換與隨機波動的我國短期利率研究[J].中國管理科學,2009(3):40-46.

[15]張兵.基于狀態(tài)轉換方法的中國股市波動研究[J].金融研究,2005(3):100-108.

[16]魏巍賢,陳智文,王建軍.三狀態(tài)馬爾科夫區(qū)制轉移模型研究[J].財經研究,2006(6):120-131.

[17]GRANGER C W J.Investigating causal relation by econometric and cross-sectional method[J].Econometrica,1969(37):424- 438.

[18]HSIAO C.Autoregressive modeling and money-income causality detection [J].Journal of Monetary Economics,1981(7):85-106.

[19]王錄琦,潘慧峰,劉曦彤.我國黃金期貨流動性與基差的動態(tài)關系研究[J].科學決策,2013(1):19-44.

[20]環(huán)保部征求擬將PM2.5納入空氣質量[EB/OL].(2011-11-18)[2015-01-25].

[21]吳小節(jié),諶躍龍,汪秀瓊,等.中國31個省級行政區(qū)資源節(jié)約型社會發(fā)展狀況綜合評價與空間分異[J].科學決策,2014(3):30-43.

(本文責編：海洋)

Duration and Spatial Spillover Effects of Haze Pollution—Evidence from Beijing-Tianjin-Hebei Region

PAN Hui-feng,WANG Xin,ZHANG Shu-yu

(ResearchCenterforAppliedFinance,SchoolofBankingandFinance,UniversityofInternationalBusinessandEconomics,Beijing100029,China)

Abstract：Using data ranging from 2013,October to 2014,June,this article empirically analyzes the duration of haze of the Beijing-tianjin-hebei region based on AR model and Markov Regime Switching Model,and then investigates the spatial spillover effects of haze pollution between adjacent cities by employing Hsiao’s(1981)Granger Causality test and generalized impulse response function.The results shows that:(1)The haze pollution has strong duration with high autocorrelation and significant regime-switching effect,besides,it’s hard to transfer from high-polluted state to low-polluted state,indicating that the high-polluted state has viscous effect;(2)Spatial spillover effects are found in haze pollution between different cities.The Granger Causality test between cities finds that there exists evident lead-lag relationship between Beijing and its adjacent cities;moreover,the generalized impulse response analysis suggests that the increase of the PM2.5 concentration of Beijing leads to positive impact on other cities and the decaying rate is relatively low.Finally,based on the above results,we propose the policy recommendation that simple industrial transfer can hardly solve the PM2.5 pollution of this region,thus only industrial structure upgrade,the introduction of clean technology,regionally comprehensive control and the adjustment of assessment standard for political achievement can solve the problem fundamentally.

Key words:haze pollution;duration;spatial spillover effect;regime switching model;granger causality test

中圖分類號：X51;F121.3

文獻標識碼：A

文章編號：1002-9753(2015)12-0134-10

作者簡介：潘慧峰(1975-)，男，黑龍江大慶人，對外經濟貿易大學金融學院副院長，教授，博士生導師。

基金項目：本文獲北京市哲學社科項目(12JGC094)；國家自然基金項目(71301027)

收稿日期：2015-08-09修回日期：2015-10-20