基于靜態(tài)與動態(tài)空間面板模型分析城鎮(zhèn)化對霧霾的影響

劉曉紅，江可申

?

基于靜態(tài)與動態(tài)空間面板模型分析城鎮(zhèn)化對霧霾的影響

劉曉紅1,2，江可申1

（1. 南京航空航天大學經(jīng)濟與管理學院，南京 211106； 2. 南京曉莊學院商學院，南京 211171）

該研究以中國30省區(qū)為研究對象，首先考察了霧霾污染的空間效應(yīng)。全局Moran’s I指數(shù)為0.3875，中國霧霾污染存在著空間集聚。Moran’s I指數(shù)散點圖顯示中國霧霾污染存在著正的空間自相關(guān)，絕大部分省區(qū)位于高-高集聚和低-低集聚。然后，基于霧霾污染的空間效應(yīng)，建立靜態(tài)與動態(tài)空間面板計量經(jīng)濟學模型，實證考察了城鎮(zhèn)化、能源強度、交通壓力等對霧霾污染的影響。城鎮(zhèn)化與霧霾污染之間存在環(huán)境庫茲涅茨曲線；交通壓力每上升一個百分點，將使霧霾污染上升0.2075個百分點。從效應(yīng)的分解來看，該地區(qū)以及全局城鎮(zhèn)化與霧霾污染之間存在環(huán)境庫茲涅茨曲線。人均GDP的間接效應(yīng)、總效應(yīng)顯著為負，該地區(qū)人均收入的上升可以使相鄰地區(qū)的霧霾污染下降，并且會減少全局霧霾污染。能源強度下降會減輕本地區(qū)霧霾污染程度，但會導致相鄰地區(qū)霧霾污染上升。能源消費結(jié)構(gòu)直接效應(yīng)為正，間接效應(yīng)與總效應(yīng)顯著為正，煤炭消費比例的下降不但會減少本地區(qū)霧霾污染，也會顯著抑制相鄰地區(qū)的霧霾污染，進而減少全局霧霾污染。交通壓力的直接效應(yīng)顯著為正，但間接效應(yīng)顯著為負，交通壓力的上升會明顯加重本地區(qū)霧霾污染程度，然而相鄰地區(qū)交通壓力上升會抑制本地區(qū)霧霾污染。動態(tài)空間杜賓面板計量模型中被解釋變量滯后一期系數(shù)高達0.6114，且通過了1%水平下的顯著性檢驗，中國霧霾污染存在時空依賴。動態(tài)空間面板計量模型比靜態(tài)更為合適，估計結(jié)果更為準確，遺漏因素對霧霾污染的影響也很重要。

污染；模型；霧霾；城鎮(zhèn)化；能源強度；交通壓力；動態(tài)空間面板

0 引 言

2016年8月26日審議通過的“健康中國2030”規(guī)劃綱要是履行中國對聯(lián)合國“2030可持續(xù)發(fā)展議程”承諾的重要舉措。“健康中國2030”規(guī)劃綱要以提高人民健康水平為核心，著力營造綠色安全的健康環(huán)境。近幾年，一些城市的霧霾天數(shù)增多，對居民身心健康帶來了負面影響，引起了國內(nèi)外學者和政策制定者的廣泛關(guān)注。中國“十三五”時期經(jīng)濟社會發(fā)展的基本理念是新型工業(yè)化、信息化、城鎮(zhèn)化、農(nóng)業(yè)現(xiàn)代化同步發(fā)展，如何在新型城鎮(zhèn)進程中，處理好能源強度、交通壓力與霧霾污染的問題，最大限度的減少霧霾污染，保持良好的環(huán)境。

霧霾污染的主要成分是PM10和PM2.5。霧霾污染的形成與自然因素有關(guān)，故在自然科學領(lǐng)域相關(guān)文獻較為豐富，多從化學、氣象等角度探究霧霾污染的形成特征、機制以及影響因素。如Han等[1]使用1961?2012年P(guān)M10日數(shù)據(jù)，分析霧霾時空變化，發(fā)現(xiàn)霧霾高發(fā)地區(qū)從中國中部轉(zhuǎn)移到南部和東部。溫度、氣壓與霧霾天數(shù)呈正相關(guān)，風、濕度、下雨和陽光照射時間與霧霾天數(shù)呈反比。值得強調(diào)的是，霧霾污染也與人們的經(jīng)濟行為有關(guān)。2016年，中國城鎮(zhèn)化率達到了57.35%，預計城鎮(zhèn)化率將會進一步提高。城鎮(zhèn)化是中國經(jīng)濟增長的新動能，推動了中國經(jīng)濟的持續(xù)增長。但是，城鎮(zhèn)化也帶來了能源消費量的擴大，引起能源強度的提高。能源消費量如煤炭消費會帶來霧霾污染。城鎮(zhèn)人口的增加使得車輛擁有量上升，交通壓力擴大，而車輛排放是霧霾污染的移動發(fā)生源。故本文將城鎮(zhèn)化、能源強度、交通壓力放在同一框架內(nèi)進行考察。城鎮(zhèn)化與霧霾污染的研究分為以下2個方面，一是從城鎮(zhèn)化對霧霾污染的形成機理角度進行分析，如童玉芬[2]等認為城市人口與霧霾之間的關(guān)系是雙向的。城市人口的增長會導致霧霾現(xiàn)象的加劇，而霧霾反過來會影響城市人口的規(guī)模、空間分布等。任保平等[3]認為隨著中國城市化進程的推進，城市的人口分布越發(fā)密集，促使生活燃煤排放量激增，城市生活污染和交通尾氣排放也隨之增多，加劇了大中城市的環(huán)境污染。魏巍賢等[4]認為城鎮(zhèn)化過程中建筑工地大量揚塵是造成霧霾日趨嚴重的主要原因。二是從實證角度進行的研究，如Han等[5]考察了中國城鎮(zhèn)化對城鎮(zhèn)PM2.5濃度的影響，結(jié)果發(fā)現(xiàn)城鎮(zhèn)PM2.5和城鎮(zhèn)人口顯著正相關(guān)，城鎮(zhèn)化對PM2.5濃度有相當大的影響。冷艷麗等[6]基于2001－2010年中國省際面板數(shù)據(jù)，考察了城鎮(zhèn)化對霧霾污染的影響，結(jié)果表明城鎮(zhèn)化進程的推進對霧霾污染有正向影響。何楓等[7]以2013年中國74個首批PM2.5監(jiān)測城市的截面數(shù)據(jù)為研究樣本，發(fā)現(xiàn)所監(jiān)測城市化程度越高，則所對應(yīng)的霧霾現(xiàn)象也越嚴重。Xu等[8]采用2001－2012年的省級面板數(shù)據(jù)來分析中國區(qū)域PM2.5排放的主要驅(qū)動力，結(jié)果表明，城鎮(zhèn)化對PM2.5的影響因區(qū)域不同而有所差別。Liu等[9]以2014年中國289個城市的空氣質(zhì)量指數(shù)為被解釋變量，14個自然和人為因素作為解釋變量，分析自然和人為因素對霧霾的影響，結(jié)果發(fā)現(xiàn)，城鎮(zhèn)化、城鎮(zhèn)人口集聚對空氣質(zhì)量指數(shù)有顯著影響。從經(jīng)濟發(fā)展角度探究霧霾污染的文獻較為豐富，如Wu等[10]重點強調(diào)了污染嚴重省份的大氣污染治理，認為應(yīng)避免將污染嚴重工業(yè)轉(zhuǎn)移到相鄰地區(qū)，大氣污染只能扎根于轉(zhuǎn)變經(jīng)濟發(fā)展方式。Ma等[11]以2014年中國152個城市PM2.5為樣本，結(jié)果發(fā)現(xiàn)中國PM2.5和經(jīng)濟發(fā)展之間的關(guān)系與環(huán)境庫茲涅茨假說一致。能源強度對霧霾影響的文獻較少，Cheng等[12]發(fā)現(xiàn)中國能源強度對霧霾污染產(chǎn)生顯著的正向影響，提出應(yīng)限制能源強度的快速增長。關(guān)于交通與霧霾污染的研究，如Poon等[13]運用空間計量方法研究能源、交通以及對外貿(mào)易對中國大氣環(huán)境的影響，主要針對SO2和煙塵進行研究，證實了溢出效應(yīng)在中國省域之間確實存在。Gao等[14]通過2008年1月1日到31日河北省10個城市每小時PM2.5濃度的實時數(shù)據(jù)，使用分層聚類分析方法分析了河北省不同城市PM2.5濃度，結(jié)果發(fā)現(xiàn)保定平均濃度最高，燕郊最低。土地的灰塵、煤燃燒和車輛運行可能是潛在的貢獻因素。馬麗梅等[15]以北京地區(qū)為主要分析案例，發(fā)現(xiàn)交通擁堵程度以及空間因素是出現(xiàn)高霧霾的重要原因。根治霧霾，區(qū)域間的聯(lián)合治理勢在必行。Hao等[16]基于2013年中國PM2.5濃度和73個中國城市的空氣質(zhì)量指數(shù)的數(shù)據(jù)，結(jié)果發(fā)現(xiàn)車輛數(shù)量和第二產(chǎn)業(yè)對城鎮(zhèn)PM2.5濃度有顯著的影響。馬麗梅等[17]通過構(gòu)建空間杜賓模型對交通模式與霧霾污染的關(guān)系展開分析，結(jié)果表明，交通擁堵以及來自鄰近地區(qū)的影響是高污染的重要原因，從短期看，緩解交通擁堵較為有效。為了治理中國的霧霾污染，有的提出了治理措施，如Zhang等[18]指出，為了降低空氣中的煤煙、有機物和硫酸鹽，要嚴控煤的使用。

上述研究具有一定的現(xiàn)實意義，但也存在著不足，表現(xiàn)在以下幾個方面：第一，從普通面板角度對霧霾污染進行的研究較多，從空間計量角度進行的研究較少，且缺乏使用動態(tài)空間計量模型的實證研究；第二，既有的靜態(tài)空間計量模型多使用沒有偏誤修正的模型進行分析，尚缺少使用偏誤修正模型對霧霾污染進行研究的文獻；第三，對經(jīng)濟發(fā)展與霧霾污染之間的庫茲涅茨曲線進行的研究較多，尚未發(fā)現(xiàn)對城鎮(zhèn)化與霧霾污染之間的環(huán)境庫茲涅茨曲線進行檢驗的研究成果；第四，缺少將城鎮(zhèn)化、能源強度、交通壓力與霧霾污染結(jié)合起來進行的研究。

本文的創(chuàng)新點表現(xiàn)在以下4個方面：第一，嘗試建立動態(tài)空間面板計量模型，以檢驗未列入模型的其他遺漏變量對霧霾污染的影響，并與靜態(tài)空間面板模型的實證結(jié)果比較；第二，使用偏誤修正的空間面板計量模型進行分析；第三，對城鎮(zhèn)化與霧霾污染之間關(guān)系進行環(huán)境庫茲涅茨曲線檢驗；第四，把城鎮(zhèn)化、能源強度、交通壓力與霧霾污染納入同一框架進行考察。

中國PM2.5只能獲取2012年以后的數(shù)據(jù)，所以本文以PM10作為衡量霧霾污染的指標。其余部分做如下安排：第二部分介紹研究方法和數(shù)據(jù)，說明空間計量模型的設(shè)定和選擇；第三部分運用靜態(tài)和動態(tài)空間面板計量模型進行實證分析。第四部分為結(jié)論及政策啟示。

1 研究方法與數(shù)據(jù)

1.1 全局空間關(guān)聯(lián)性指標

使用自關(guān)聯(lián)性Moran’s I指數(shù)來表示全局空間關(guān)聯(lián)性。其計算公式為：

式中I為Moran’s指數(shù)，x為第個地區(qū)PM10濃度值；為地區(qū)總數(shù)；是空間權(quán)重矩陣。Moran’s I指數(shù)的取值范圍為[?1,1]。大于0，說明存在空間正自相關(guān)，小于0說明存在空間負自相關(guān)。

1.2 空間面板計量經(jīng)濟學模型

1.2.1 靜態(tài)空間面板模型

Anselin等[19]指出，為了確定觀測值之間的空間依賴，空間面板數(shù)據(jù)模型主要包括空間滯后模型（spatial lag model，SLM）、空間誤差模型（spatial error model，SEM）和空間杜賓模型（spatial durbin model，SDM）3類。

根據(jù)Elhorst[20]，空間滯后模型SLM公式為：

式中為兩地區(qū)地理中心位置之間的距離；是內(nèi)生交互效應(yīng)的響應(yīng)參數(shù)；是常數(shù)項；是×的外生解釋變量矩陣；是與相匹配的響應(yīng)參數(shù)；是獨立同分布誤差項，服從（0，σ）分布；μ代表空間效應(yīng)；λ是時間固定效應(yīng)。

空間誤差模型SEM的具體形式為：

空間杜賓模型SDM擴展了空間滯后模型，其具體形式為：

式中和相同，是×維參數(shù)向量。

1.2.2 動態(tài)空間面板模型

埃爾霍斯特[22]認為，空間動態(tài)模型中，每個空間單位在不同時間的觀察值之間存在序列依賴，每個時間點在不同的空間存在空間的依賴，評估不可預測的特定時間和特定空間的效應(yīng)以及解釋變量的內(nèi)生性，其模型形式為：

式中y?1是被解釋變量在時間上的滯后值；wy是被解釋變量在空間上的滯后值；wy,?1是被解釋變量在空間和時間上的滯后值；、和分別是y,t?1、wy、wy,t?1的響應(yīng)參數(shù)。

1.2.3 空間計量經(jīng)濟學模型的選擇

空間面板數(shù)據(jù)模型的選擇步驟為：首先，采用拉格朗日乘數(shù)即LM-lag、LM-error、Robust LM-lag、Robust LM-error進行空間相關(guān)性檢驗；其次，如果LM檢驗拒絕了非空間模型，可以采用空間滯后模型和空間誤差模型，埃爾霍斯特[22]和LeSage and Pace[23]推薦使用空間杜賓模型。再次，使用似然比LR和Wald檢驗空間杜賓模型能否簡化為空間滯后模型或空間誤差模型。最后，使用空間Hausman檢驗在隨機效應(yīng)和固定效應(yīng)之間進行選擇。

1.2.4 模型的建立

為了從空間計量經(jīng)濟學角度探究在城鎮(zhèn)化進程中，能源強度、交通壓力等對霧霾污染的影響，基于IPAT模型的基礎(chǔ)上建立STIRPAT模型。IPAT模型由Ehrlich等[24]最先提出，后來不斷完善，現(xiàn)在被廣泛使用的是Dietz等[25]提出的STIRPAT模型，其具體形式是

（8）

改善的模型如下式所示

式中PM10為霧霾污染程度；為城鎮(zhèn)化程度；GDP為人均實際GDP，以1997年價格為基期，元；EI為能源強度；ES為能源消費結(jié)構(gòu)；TP為交通壓力；ε是標準誤差項。

1.2.5 數(shù)據(jù)來源

文中對中國30省區(qū)（不包括港澳臺）2003－2014年的PM10進行研究，西藏一些年份數(shù)據(jù)缺失，故不包括西藏。各變量數(shù)據(jù)來自于《中國統(tǒng)計年鑒》（2004－2015）、《中國能源統(tǒng)計年鑒》（2004－2015）。煤炭消費量由折標系數(shù)先折算成標準煤。地理距離權(quán)重矩陣中各地區(qū)地理位置坐標由國家電子地圖使用Geoda9.5軟件計算得出。各變量說明如表1所示。

表1 變量說明

以上相關(guān)變量的描述性統(tǒng)計結(jié)果如表2所示。

表2 面板數(shù)據(jù)的描述性統(tǒng)計

注：除非特別說明，本文使用的軟件為Matlab_R2012a及空間面板數(shù)據(jù)模型軟件包。

Note: Unless specifically stated, the software used in this article is Matlab_R2012a and spatial panel data model package.

2 結(jié)果與分析

2.1 中國霧霾污染分布

使用ArcView軟件，根據(jù)自然間斷點分級法，繪制出2003－2014年中國PM10均值分布圖。如圖1所示，PM10平均濃度由低到高被分成了4個等級，第1等級PM10平均質(zhì)量濃度為>39.3410~69.8330g/m3，第2等級為>69.8330~93.835g/m3，第3等級為>93.835~117.503g/m3，第4等級為>117.503~151.206g/m3， 2003~2014年，PM10平均濃度處于第1等級的省區(qū)是廣西、海南、福建。廣東、云南、貴州、內(nèi)蒙古、江西位于第2等級。黑龍江、吉林、遼寧、天津、四川、重慶、湖南、湖北、河南、安徽、江蘇、浙江、上海位于第3等級。位于最高等級的是新疆、甘肅、河北、北京、山東、陜西、山西、寧夏、青海。

圖1 2003－2014年中國PM10均值分布圖

2.2 全局空間關(guān)聯(lián)性檢驗

使用GeoDA9.5軟件，得出2003－2014年間PM10均值的全局Moran’s I指數(shù)為0.3875，值為0.002，通過了顯著性檢驗，中國霧霾污染存在著空間集聚。Anselin等[26-27]認為Moran’s I指數(shù)散點圖作為可視性工具，能直觀的顯示空間自相關(guān)的情況，故為了進一步考察各省區(qū)PM10的集聚情況，運用GeoDA9.5，采用鄰接空間權(quán)重矩陣的“queen”相鄰，可以繪制出2003－2014年間PM10均值的Moran’s I指數(shù)散點圖，如圖2所示。Moran’s I指數(shù)散點圖劃分為4個象限，代表4種空間自相關(guān)：第1象限是高-高集聚，第2象限是低-高集聚，第3象限是低-低集聚，第4象限是高-低集聚。絕大多數(shù)省區(qū)位于第1、3象限，即處于高-高集聚和低-低集聚。第1象限的省區(qū)是北京、天津、河北、河南、新疆、遼寧、甘肅、山西、陜西、青海、山東、江蘇、安徽、四川、湖北、重慶、上海等地。3象限的省區(qū)是浙江、湖南、江西、云南、貴州、福建、廣西、海南、廣東等地。極個別省區(qū)位于第2象限，即內(nèi)蒙古、寧夏兩地，說明中國霧霾污染的空間正相關(guān)性較強，某一地區(qū)的霧霾污染會受到相鄰地區(qū)的影響。

圖2 2003－2014年中國PM10均值的Moran’s I指數(shù)散點圖

2.3 空間診斷性檢驗

使用經(jīng)典的拉格朗日乘數(shù)檢驗（LM-lag，LM-error）和LeSage and Pace[23]改進的穩(wěn)健的拉格朗日乘數(shù)檢驗（Robust LM-lag，Robust LM-error）進行模型選擇，結(jié)果如表3所示。LM-lag和LM-error檢驗顯示，混合OLS，空間固定效應(yīng)、時間固定效應(yīng)3類模型都在1%的顯著水平上拒絕了沒有空間滯后項的原假設(shè)和沒有空間自相關(guān)誤差項的原假設(shè)。空間和時間固定效應(yīng)的LM-lag沒有通過顯著性檢驗，但LM-error在5%水平上通過了顯著性檢驗。Robust LM-lag，Robust LM-error檢驗表明，4類模型在5%水平上都通過了顯著性檢驗。通過LR檢驗進行固定效應(yīng)的選擇，結(jié)果顯示：在1%的顯著水平上，LR檢驗既拒絕了空間固定效應(yīng)聯(lián)合非顯著性的原假設(shè)，也拒絕了時間固定效應(yīng)的聯(lián)合非顯著性的原假設(shè)，根據(jù)Baltagi等的研究[28]，需要使用空間和時間固定效應(yīng)模型，即雙向固定效應(yīng)模型。雖然上述2種檢驗表明應(yīng)該采用雙向固定效應(yīng)的空間誤差模型，但是，埃爾霍斯特[22]指出，如果基于（Robust）LM檢驗拒絕了非空間模型而支持空間滯后模型或空間誤差模型，則采用這2種模型中的哪一種應(yīng)該特別小心。Lesage and Pace[23]建議使用空間杜賓模型，故本文使用空間杜賓模型進行估算，計量方法為Elhorst[29]提出的極大似然（ML）估計。

表3 空間診斷性檢驗

注：*、**、***分別表示在10%、5%和1%水平上顯著。

Note : *,** and *** indicate significance at the 10%, 5% and 1% levels, respectively.

2.4 靜態(tài)空間面板計量實證結(jié)果分析

為了驗證空間杜賓模型的穩(wěn)健性，對空間杜賓模型SDM轉(zhuǎn)變?yōu)榭臻g滯后模型SLM和空間誤差模型SEM進行Wald和LR檢驗，結(jié)果如表4的下半部分所示。Wald spatial lag和LR spatial lag檢驗拒絕了空間杜賓模型轉(zhuǎn)化為空間滯后模型的原假設(shè)。Wald spatial error和LR spatial error檢驗也拒絕了空間杜賓模型簡化為空間誤差模型的原假設(shè)，這進一步說明要使用空間杜賓模型。使用空間Hausman檢驗在隨機效應(yīng)和固定效應(yīng)之間進行選擇，估計值為25.699 2，自由度為13，<0.05，故拒絕隨機效應(yīng)模型，使用空間和時間固定效應(yīng)模型。根據(jù)Elhorst的研究[20]，如果空間杜賓模型中包含空間和時間固定效應(yīng)，參數(shù)估計要進行偏誤修正。埃爾霍斯特[22]指出，對于解釋變量來說，使用直接方法的系數(shù)估計與使用偏誤修正方法的系數(shù)估計差異很小，但空間滯后被解釋變量和解釋變量的系數(shù)估計對偏誤修正比較敏感。比較第2列和第3列系數(shù)估計，沒有經(jīng)過偏誤修正的空間自回歸系數(shù)較小且沒有通過顯著性檢驗，其余解釋變量系數(shù)大小與顯著性接近，這與埃爾霍斯特[22]結(jié)論一致。表4中第2列和3列的log-likelihood值相同，但偏誤修正的2較高，故下文選擇偏誤修正的空間和時間固定效應(yīng)模型即表4中的第3列數(shù)據(jù)進行分析。

表4 空間杜賓模型估計結(jié)果

空間自回歸系數(shù)為0.144 9，通過了顯著性檢驗，說明相鄰地區(qū)的霧霾污染對本地區(qū)有正向影響，相鄰地區(qū)霧霾污染減少一個百分點，將導致本地區(qū)霧霾污染下降0.144 9個百分點，霧霾污染存在空間外溢效應(yīng)。這與Moran’s I指數(shù)以及表3中的空間自相關(guān)性的（Robust）LM檢驗一致。

城鎮(zhèn)化的系數(shù)為正，城鎮(zhèn)化平方的系數(shù)為負，且都通過了1%水平的顯著性檢驗，說明中國城鎮(zhèn)化與霧霾污染之間存在著環(huán)境庫茲涅茨（environmental Kuznets curve，EKC）曲線，驗證了EKC假說。即在中國城鎮(zhèn)化的初始階段，城鎮(zhèn)化程度越高，霧霾污染程度也隨之提高，但當超過一定點后，城鎮(zhèn)化程度的提高會帶來霧霾污染的下降。這是因為隨著城鎮(zhèn)化的進行，一方面，居民的文化素養(yǎng)會得以提高，生態(tài)意識增強，進而改變生活方式，最終會提高能源效率，降低霧霾污染。另一方面，新型城鎮(zhèn)化會通過綠色城鎮(zhèn)，生態(tài)城鎮(zhèn)的發(fā)展方向使得霧霾污染下降。交通壓力的彈性系數(shù)也為正，且通過顯著性檢驗，交通壓力每上升一個百分點，將使霧霾污染上升0.207 5個百分點。這是因為中國私人汽車擁有量的提高會通過能源消費量的擴大以及尾氣排放加重霧霾污染。GDP的空間溢出效應(yīng)顯著為負，人均GDP每增長一個百分點，將使相鄰地區(qū)的霧霾污染減少1.689個百分點，這進一步說明，跨區(qū)域治理霧霾污染不影響經(jīng)濟增長。能源強度、交通壓力的空間溢出效應(yīng)顯著為負，說明跨區(qū)域間能源強度以及交通壓力的降低將會有效地減少霧霾污染程度。能源消費結(jié)構(gòu)的空間溢出效應(yīng)顯著為正，煤炭消費比例的上升會使相鄰地區(qū)霧霾污染程度提高。

根據(jù)LeSage and Pace[23]，為了說明解釋變量真實的空間溢出效應(yīng)，要估計直接效應(yīng)和間接效應(yīng)。本文分解了空間杜賓模型中各解釋變量的直接效應(yīng)和間接效應(yīng)，結(jié)果如表5所示。由于反饋效應(yīng)的存在，表5中解釋變量的直接效應(yīng)和表4中的系數(shù)存在差異。埃爾霍斯特[22]認為，反饋效應(yīng)部分源于空間滯后被解釋變量的系數(shù)估計值，部分源于解釋變量自身的空間滯后變量的系數(shù)估計值。城鎮(zhèn)化、城鎮(zhèn)化平方的直接效應(yīng)和總效應(yīng)都通過了1%水平下的顯著性檢驗，說明本地區(qū)以及全局城鎮(zhèn)化與霧霾污染之間存在EKC曲線。人均GDP的間接效應(yīng)、總效應(yīng)顯著為負，這說明本地區(qū)人均收入的上升可以使相鄰地區(qū)的霧霾污染下降，并且會減少全局霧霾污染。能源強度的間接效應(yīng)顯著為負，即能源強度下降會減輕本地區(qū)霧霾污染程度，但會給相鄰地區(qū)帶來負效應(yīng)，導致相鄰地區(qū)霧霾污染上升。這可能是由于中國各地存在保護主義，本地區(qū)千方百計采用先進技術(shù)，提高能源效率，吸引技術(shù)人才流入，從而導致省際之間霧霾污染產(chǎn)生轉(zhuǎn)嫁現(xiàn)象。能源強度的總效應(yīng)顯著為負，這是因為中國能源消費效率與發(fā)達國家比存在著差距，導致能源消費強度過高，從而使霧霾污染嚴重。能源消費結(jié)構(gòu)直接效應(yīng)為正，間接效應(yīng)與總效應(yīng)顯著為正，說明煤炭消費比例的下降不但會減少本地區(qū)霧霾污染，也會顯著抑制相鄰地區(qū)的霧霾污染，進而減少全局霧霾污染。交通壓力的直接效應(yīng)顯著為正，但間接效應(yīng)顯著為負，交通壓力的上升會明顯加重本地區(qū)霧霾污染程度，然而相鄰地區(qū)交通壓力上升對本地區(qū)霧霾污染存在顯著的抑制效應(yīng)，說明交通車輛和交通設(shè)施存在交互效應(yīng)，在各地區(qū)交通設(shè)施各自為政，缺乏統(tǒng)籌協(xié)調(diào)的情景下，本地區(qū)交通壓力的減少以犧牲相鄰地區(qū)的大氣環(huán)境為代價。

表5 空間杜賓模型的直接效應(yīng)、間接效應(yīng)和總效應(yīng)

2.5 動態(tài)空間面板計量實證結(jié)果分析

上述靜態(tài)空間面板模型雖然說明了城鎮(zhèn)化進程中能源強度、交通壓力等解釋變量對霧霾污染的影響，但可能忽略了一些重要因素如居民行為模式、建筑施工、公路里程等潛在變量對霧霾污染的影響，故使用被解釋變量PM10的一階滯后項作為解釋變量，表征居民行為模式、建筑施工等遺漏變量對霧霾污染的影響，建立動態(tài)空間面板計量模型。根據(jù)最大似然法估計，具有固定效應(yīng)的動態(tài)空間杜賓面板計量模型估計結(jié)果如表6所示。具有固定效應(yīng)的動態(tài)空間杜賓面板計量模型的2=0.905 6，log-likelihood=314.932 7，都高于靜態(tài)杜賓空間面板計量模型估計結(jié)果，說明動態(tài)空間杜賓面板計量模型比靜態(tài)更為合適，估計結(jié)果更為準確。

第一，動態(tài)空間杜賓面板計量模型中的空間相關(guān)系數(shù)為0.212 0，通過了顯著性檢驗，且較之靜態(tài)空間面板的空間相關(guān)系數(shù)有所提高，說明中國霧霾污染正的空間自相關(guān)效應(yīng)明顯。相鄰地區(qū)的霧霾污染對本地區(qū)影響為正，即當相鄰地區(qū)霧霾污染濃度較高時，本地區(qū)的霧霾污染程度也隨之提高，反之，當相鄰地區(qū)霧霾污染程度下降時，本地區(qū)的霧霾污染程度也隨之下降。這也進一步說明，僅僅使用靜態(tài)空間杜賓面板模型中的解釋變量不足以全面、詳盡地考察霧霾污染的實際情況，沒有納入模型的其他變量，如居民行為模式、建筑施工、公路里程、氣象等等遺漏因素對中國霧霾污染的影響也很重要，建立動態(tài)空間面板計量模型是有必要的。

第二，動態(tài)空間杜賓面板計量模型中被解釋變量滯后一期PM10(-1)系數(shù)高達0.611 4，且通過了1%水平下的顯著性檢驗，中國霧霾污染存在時空依賴，此外，也揭示了兩層含義：一方面說明中國區(qū)域間霧霾污染存在動態(tài)連續(xù)性，或稱為黏滯性，即上一年霧霾污染程度的下降會引致下一年霧霾污染程度的降低，形成良性循環(huán)，反之亦然。忽略動態(tài)模型的參數(shù)估計會有偏誤；另一方面，說明其他潛在因素如居民的行為模式、建筑施工、公路里程、乃至貿(mào)易開放等遺漏變量會對霧霾污染產(chǎn)生顯著的影響。

第三，動態(tài)空間杜賓面板計量模型中，城鎮(zhèn)化的系數(shù)為正，城鎮(zhèn)化平方的系數(shù)為負，且都通過了10%水平下的顯著性檢驗，中國城鎮(zhèn)化與霧霾污染之間存在倒U型曲線。這與前文靜態(tài)空間杜賓模型估計結(jié)果一致，城鎮(zhèn)化與霧霾污染之間倒U型關(guān)系穩(wěn)健。能源消費結(jié)構(gòu)系數(shù)為正，且通過顯著性檢驗，驗證了優(yōu)化能源消費結(jié)構(gòu)，降低霧霾污染的結(jié)論。交通壓力的系數(shù)顯著為正，即交通壓力的上升會加重霧霾污染程度。人均GDP、能源強度、交通壓力的溢出效應(yīng)顯著為負，與靜態(tài)空間面板結(jié)論一致，說明采用動態(tài)空間面板計量模型，控制動態(tài)時滯和遺漏變量以后，并沒有改變前文的基本結(jié)論[29]。

表6 具有固定效應(yīng)的動態(tài)空間杜賓面板模型估計結(jié)果

3 政策啟示

基于上述實證結(jié)果，得出如下政策啟示：第一，治理霧霾污染非一地之力，需要進行區(qū)域聯(lián)合?？梢酝ㄟ^集權(quán)制度，建立“國家霧霾治理中心”，進行霧霾的實時監(jiān)控，信息發(fā)布?！皣异F霾治理中心”要通盤考慮霧霾的治理問題，在全國范圍內(nèi)統(tǒng)一調(diào)配公共產(chǎn)品等資源，避免污染行業(yè)集中在某一省區(qū)。同時，各級地方政府要有全局觀念，摒棄地域限制，打破行政界限，相互之間通力合作，協(xié)同治理。同時，保證霧霾治理行為的可持續(xù)性。基于霧霾污染的黏滯性特征，對霧霾的治理政策、行為措施等要保持連續(xù)性?？梢酝ㄟ^穩(wěn)定政府霧霾治理預算，設(shè)立霧霾治理專項資金，確立監(jiān)管制度等措施保障政府治理霧霾行為的可持續(xù)性。第二，在中國新型城鎮(zhèn)化的進程中，為了減少霧霾污染，首先，以綠色為旗幟，擴大城鎮(zhèn)綠化面積，采用綠色建筑，增加綠色成分，提升生態(tài)要素，保護環(huán)境。其次，做好城鎮(zhèn)節(jié)能基礎(chǔ)設(shè)施建設(shè)。這包括構(gòu)建便利的公共交通網(wǎng)絡(luò)、建造強大的衛(wèi)生、排污系統(tǒng)，確保城鎮(zhèn)在集聚人口的同時，節(jié)能減排，保持可持續(xù)發(fā)展。最后，做好綠色城鎮(zhèn)規(guī)劃。摒棄片面追求城市規(guī)模的做法，重視環(huán)境容量，實現(xiàn)城鎮(zhèn)生態(tài)的可持續(xù)發(fā)展，進而實現(xiàn)城鎮(zhèn)化與環(huán)境保護的協(xié)調(diào)發(fā)展。第三，在經(jīng)濟新常態(tài)中推動居民人均收入的上升。人均收入的上升不會引起霧霾污染程度的加深，故中國在經(jīng)濟新常態(tài)中保持速度與質(zhì)量并重，提高居民人均收入，在經(jīng)濟發(fā)展中使環(huán)境得到改善；第四，降低能源強度，提高能源效率。能源強度體現(xiàn)中國的技術(shù)水平，雖然中國的能源強度在2003－2014年間處于下降趨勢，2015年中國萬元GDP能耗為0.6272t標煤，但依然存在降低能源強度的空間?！禕P世界能源統(tǒng)計年鑒2016》顯示，2015年中國是世界上最大的能源消費國，占全球消費量的23%。因此，中國要通過技術(shù)創(chuàng)新等方法降低單位GDP能耗，實現(xiàn)能源的高效利用；第五，降低煤炭消費比例，提高風能、水能、核能、光伏能、太陽能、生物質(zhì)能等非化石能源比例，實現(xiàn)能源替代。第六，加強交通管理，發(fā)展公共交通?？梢酝ㄟ^限制出行天數(shù)的方法使居民減少私人汽車的使用。并通過投放公用自行車、增加公交車線路等方法使居民出行通暢，減少私人汽車擁有量。第七，居民要改變自身的行為模式。通過輿論宣傳等方式，使城鄉(xiāng)居民認識到自身的生產(chǎn)、消費行為與霧霾污染密不可分，形成生態(tài)文明意識，進而在行動中改變高能耗的消費習慣，形成節(jié)約、環(huán)保的行為模式。

4 結(jié) 論

中國霧霾污染存在著空間集聚，絕大部分省區(qū)位于高-高集聚和低-低集聚，某一地區(qū)的霧霾污染會受到相鄰地區(qū)的影響。人均GDP、能源強度和交通壓力的空間溢出效應(yīng)顯著為負，跨區(qū)域間人均收入、能源強度以及交通壓力的降低會有效減緩霧霾污染程度。能源消費結(jié)構(gòu)的空間溢出效應(yīng)顯著為正，煤炭消費比例的上升會使相鄰地區(qū)霧霾污染程度提高。人均GDP的間接效應(yīng)、總效應(yīng)顯著為負，即人均收入的上升利于本地區(qū)霧霾污染濃度的下降，相鄰地區(qū)人均收入的提高也會使本地區(qū)霧霾污染程度降低。能源強度的間接效應(yīng)與總效應(yīng)顯著為負。煤炭消費比例的下降不但會減少本地區(qū)霧霾污染，也會顯著抑制相鄰地區(qū)的霧霾污染，進而減少全局霧霾污染。交通壓力的直接效應(yīng)顯著為正，但間接效應(yīng)顯著為負。中國區(qū)域間霧霾污染存在動態(tài)連續(xù)性，忽略動態(tài)模型的參數(shù)估計會有偏誤；治理霧霾污染非一地之力，需要進行區(qū)域聯(lián)合。同時，要保證霧霾治理行為的可持續(xù)性。在中國新型城鎮(zhèn)化的進程中，為了減少霧霾污染，要以綠色為旗幟，擴大城鎮(zhèn)綠化面積，做好城鎮(zhèn)節(jié)能基礎(chǔ)設(shè)施建設(shè)，以及綠色城鎮(zhèn)規(guī)劃。在經(jīng)濟新常態(tài)中推動居民人均收入的上升；降低能源強度，提高能源效率；降低煤炭消費比例，提高非化石能源比例，實現(xiàn)能源替代；加強交通管理，發(fā)展公共交通。

[1] Han R, Wang S H, Shen W H, et al. Spatial and temporal variation of haze in China from 1961 to 2012[J]. Journal of Environmental Sciences, 2016, 46(8): 134－146.

[2] 童玉芬，王瑩瑩. 中國城市人口與霧霾：相互作用機制路徑分析[J]. 北京社會科學，2014(5)：4－10.

Tong Yufen, Wang Yingying.The interaction mechanism of urban population and haze in China[J].Social Sciences of Beijing, 2014(5): 4－10. (in Chinese with English abstract)

[3] 任保平，宋文月. 中國城市霧霾天氣形成與治理的經(jīng)濟機制探討[J]. 西北大學學報：哲學社會科學版，2014，44(2)：77－84.

Ren Baoping, Song Wenyue. The economic mechanism analysis of the solution to the fog and haze phenomenon in urban area[J]. Journal of Northwest University: Philosophy and Social Sciences Edition, 2014, 44(2): 77－84. (in Chinese with English abstract)

[4] 魏巍賢，馬喜立. 能源結(jié)構(gòu)調(diào)整與霧霾治理的最優(yōu)政策選擇[J]. 中國人口·資源與環(huán)境，2015，25(7)：6－14.

Wei Weixian, Ma Xili.Optimal policy for energy structure adjustment and haze governance in China[J]. China Population, Resources and Environment, 2015, 25(7): 6－14. (in Chinese with English abstract)

[5] Han L J, Zhou W Q, Li W, et al. Impact of urbanization level on urban air quality: A case of fine particles ( PM2.5) in Chinese cities[J]. Environmental Pollution, 2014, 194: 163－170.

[6] 冷艷麗，杜思正. 產(chǎn)業(yè)結(jié)構(gòu)、城市化與霧霾污染[J]. 中國科技論壇，2015(9)：49－55.

Leng Yanli, Du Sizheng. Industry structure, urbanization and haze pollution: An empirical analysis based on the panel data of province level[J]. Forum on Science and Technology in China, 2015(9): 49－55. (in Chinese with English abstract)

[7] 何楓，馬棟棟. 霧霾與工業(yè)化發(fā)展的關(guān)聯(lián)研究-中國74個城市的實證研究[J]. 軟科學，2015，29(6)：110－114.

He Feng, Ma Dongdong. Association study between haze pollution and industrialization[J]. Soft Science, 2015, 29(6): 110－114. (in Chinese with English abstract)

[8] Xu B, Lin B Q. Regional differences of pollution emissions in China: Contributing factors and mitigation strategies[J]. Journal of Cleaner Production, 2016, 112(4): 1454－1463.

[9] Liu H, Fang C, Zhang X, et al. The effect of natural and anthropogenic factors on haze pollution in Chinese cities: A spatial econometrics approach[J]. Journal of Cleaner Production, 2017, 165(7): 323－333.

[10] Wu X, Chen Y, Guo J, et al. Spatial concentration, impact factors and prevention-control measures of PM2.5pollution in China[J]. Natural Hazards, 2016, 86: 1－18.

[11] Ma Y R, Ji Q, Fan Y. Spatial linkage analysis of the impact of regional economic activities on PM2.5pollution in China[J]. Journal of Cleaner Production, 2016, 139: 1157－1167.

[12] Cheng Z, Li L, Liu J. Identifying the spatial effects and driving factors of urban PM2.5pollution in China[J]. Ecological Indicators, 2017, 82: 61－75.

[13] Poon Jessie P H, Casas Irene, He Canfei. The impact of energy, transport, and trade on air pollution in China[J]. Eurasian Geography and Economics, 2006, 47(5): 568－584.

[14] Gao L, Tian Y, Zhang C, et al. Local and long-range transport influences on PM2.5 at a cities- cluster in northern China, during summer 2008[J]. Particuology, 2014, 13(2): 66－72.

[15] 馬麗梅，張曉.區(qū)域大氣污染空間效應(yīng)及產(chǎn)業(yè)結(jié)構(gòu)影響[J]. 中國人口·資源與環(huán)境，2014，24(7)：157－164.

Ma Limei, Zhang Xiao. Spatial effects of regional air Pollution and the impact of industrial structure[J].China Population, Resources and Environment, 2014, 24(7): 157－164. (in Chinese with English abstract)

[16] Hao Y, Liu Y M. The influential factors of urban PM2.5concentrations in China: A spatial econometric analysis[J]. Journal of Cleaner Production, 2015, 112: 1443－1453.

[17] 馬麗梅，劉生龍，張曉. 能源結(jié)構(gòu)、交通模式與霧霾污染—基于空間計量模型的研究[J]. 財貿(mào)經(jīng)濟，2016，37(1)：147－160.

Ma Limei, Liu Shenglong, Zhang Xiao. Study on haze pollution induced by energy structure and transportation: based on spatial econometric model analysis[J]. Finance ＆Trade Economics, 2016, 37(1): 147－160. (in Chinese with English abstract)

[18] Zhang Q, He K, Huo H. Cleaning China’s air[J]. Nature, 2012, 484(7393): 161－162.

[19] Anselin L, Gallo J L, Jayet H. Spatial Panel Econometrics[M]// In The Econometrics of Panel Data, Fundamentals and Recent Developments in Theory and Practice. Third edition. Netherlands: Kluwer, 2008: 627－662.

[20] Elhorst J P. Matlab software for spatial panels[J]. International Regional Science Review, 2012, 37(3): 389－405.

[21] 李婧，譚清美，白俊紅.中國區(qū)域創(chuàng)新生產(chǎn)的空間計量分析-基于靜態(tài)與動態(tài)空間面板模型的實證研究[J]. 管理世界，2010(7)：43－55.

Li Jing, Tan Qingmei, Bai Junhong. Spatial econometric analysis of regional innovation production in China-empirical study based on static and dynamic spatial panel model[J]. Management World, 2010(7): 43－55.

[22] J.保羅.埃爾霍斯特.肖光恩譯.空間計量經(jīng)濟學-從橫截面數(shù)據(jù)到空間面板[M]. 北京：中國人民大學出版社，2015.

[23] LeSage J P, Pace R K. Introduction to Spatial Econometrics[M]. Boca Raton, US: CRC Press Taylor and Francis Group, 2009: 513－514.

[24] Ehrlich P R, Holdren J P. Impact of population growth[J]. Science, 1971, 171(3): 1212－1217.

[25] Dietz T, Rosa E A. Effects of population and affluence on CO2emissions[J]. Proceedings of the National Academy of Sciences, 1997, 94: 175－179.

[26] Anselin L. The Moran Scatter Plot as an ESDA tool to Assess Local Instability in Spatial Association[M]. London, UK: Taylor and Francis, 1996: 111－125.

[27] Anselin L. Under the hood: Issues in the specification and interpretation of spatial regression models[J]. Agricultural Economics, 2002, 27(3): 247－267.

[28] Baltagi B H. Econometric Analysis of Panel Data[M]. 3rd edition. Wiley, New York, Chichester, Toronto and Brisbane, 2005: 314.

[29] Elhorst J P. Specification and estimation of spatial panel data models[J]. International Regional Science Review, 2003, 26: 244－268.

Analyzing effect of urbanization on haze pollution based on static and dynamic spatial panel model

Liu Xiaohong1,2, Jiang Keshen1

(1211106;2.211171)

At first, this article studied the spatial effect of haze pollution, using Chinese 30 provinces panel data from 2003 to 2014. The global Moran’s I index was 0.3875, and there was spatial agglomeration of haze pollution in China. The Moran′s I index scatter plot showed that there was a positive spatial autocorrelation of haze pollution in China, and most of the provinces were located in high-high agglomeration and low-low agglomeration. This research empirically investigated the influence of urbanization, energy intensity and traffic pressure on hazy pollution with static and dynamic spatial panel econometric model. The spatial autoregressive coefficient was 0.144 9, and the spatial spillover effect of haze pollution was significant. There existed an Environment Kuznets Curve between urbanization and haze pollution. The increase of traffic pressure by one percentage will increase haze pollution by 0.207 5 percentages. From the decomposition of the effects, the EKC curve existed between urbanization and haze pollution in the regional and global. The indirect effect and total effect of per capita GDP were significantly negative, and the increase in per capita income in the region can reduce haze pollution of adjacent region and whole region. The decrease in energy intensity will reduce haze pollution in this region, but will increase haze pollution in adjacent regions. The direct effect, indirect effect and total effect of energy consumption structure were all significantly positive. The decline in the proportion of coal consumption not only can reduce the haze pollution in this region, but also can significantly inhibit the adjacent regions of haze pollution, thereby reducing the haze pollution of the whole region. The direct effect of traffic pressure was significantly positive, but the indirect effect was significantly negative. The increase of traffic pressure will obviously increase the degree of haze pollution in this region. However, the increase of traffic pressure in adjacent areas will inhibit the haze pollution in the area. The coefficients of PM10 (-1)in the Durbin spatial panel model was up to 0.611 4 which indicated the time and spatial dependence of haze pollution in China. The dynamic spatial panel econometric model was more appropriate and accurate than the static model which revealed the influence of omission factors such as the mode of resident behavior and construction on haze pollution were also very important. These results for the understanding the impact of the energy intensity and traffic pressure on haze pollution in the process of urbanization and promoting win-win of urbanization and ecological environment have important policy implications. In order to control China′s haze pollution, regional cooperation is required and the sustainability of haze management is ensured. During the new type of urbanization process in China, we should take the green as the banner, expand the urban green area, make the urban energy conservation infrastructure construction, and green town planning. In the new normal economy, we should increase per capita income of residents; We should strengthen the energy efficiency; and reduce the proportion of coal consumption, and increase the proportion of non-fossil energy; We should strengthen traffic management and develop the public transport.

pollution; models; haze; urbanization; energy intensity; traffic pressure; dynamic space panel model

10.11975/j.issn.1002-6819.2017.20.027

F062.2; X513

A

1002-6819(2017)-20-0218-08

2017-05-16

2017-09-19

國家自然科學基金項目（71573138）；江蘇省教育廳哲學社會科學研究指導項目（2016SJD790011）；江蘇省高?！扒嗨{工程”資助；本論文得到江蘇高校境外研修計劃資助。

劉曉紅，女，河南南陽人，副教授，博士生，主要從事環(huán)境經(jīng)濟學研究。Email：amylxhong@163.com

劉曉紅，江可申. 基于靜態(tài)與動態(tài)空間面板模型分析城鎮(zhèn)化對霧霾的影響[J]. 農(nóng)業(yè)工程學報，2017，33(20)：218－225. doi：10.11975/j.issn.1002-6819.2017.20.027 http://www.tcsae.org

Liu Xiaohong, Jiang Keshen. Analyzing effect of urbanization on haze pollution based on static and dynamic spatial panel model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 218－225. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.20.027 http://www.tcsae.org