基于理性預(yù)期理論的大氣污染經(jīng)濟(jì)成本評估

梅應(yīng)丹 高立 邱筠 陳家德

摘要 我國大氣污染形勢嚴(yán)峻，科學(xué)合理地評估大氣污染的經(jīng)濟(jì)損失不僅有益于政策效益分析，同時是“綠色國民經(jīng)濟(jì)”核算的一項基礎(chǔ)性工作?；谖覈?013年2月到2018年7月的區(qū)縣月度房屋交易數(shù)據(jù)和7種大氣污染指標(biāo)（AQI、SO2、NO2、CO、O3、PM10、PM2.5）的濃度數(shù)據(jù)，運(yùn)用特征價格模型實證量化大氣污染物減少的邊際支付意愿（MWTP）和總經(jīng)濟(jì)損失。首先通過改變理性預(yù)期的時間段驗證理性預(yù)期假設(shè)的成立，在此基礎(chǔ)上采用理性預(yù)期方法解決遺漏變量所導(dǎo)致的內(nèi)生性問題。研究結(jié)果顯示：①NO2、CO、PM2.5和PM10每上升1μg/m3，房價分別降低約2.04%、0.028%、0.34%和0.39%;而SO2與O3對房價的影響并不顯著。②近年來大氣污染的經(jīng)濟(jì)損失有所降低，政府的治理效果顯著，但仍不容小覷。2013年AQI、PM10和PM2.5未達(dá)標(biāo)導(dǎo)致的經(jīng)濟(jì)損失分別約為35 600億元、19 300億元和24 100億元，約占當(dāng)年GDP的6.06%、3.29%和4.11%;2018年分別降低至19 200億元、5 300億元和6 700億元，占當(dāng)年GDP的 2.14%、0.60%和0.74%。盡管PM10和PM2.5濃度也在逐年下降，但仍未達(dá)到《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》所要求的二級限值。最終評估結(jié)果顯示，PM10和PM2.5二者導(dǎo)致的經(jīng)濟(jì)損失的加總數(shù)值，與AQI得到的數(shù)值相差無異。進(jìn)一步證實了我國當(dāng)前大氣污染導(dǎo)致的社會經(jīng)濟(jì)福利損失主要是來自PM10和PM2.5的超標(biāo)，因此治理“霧霾”是改善當(dāng)前空氣質(zhì)量的關(guān)鍵。

關(guān)鍵詞 大氣污染;理性預(yù)期方法;特征價格模型;經(jīng)濟(jì)損失

中圖分類號 F272 文獻(xiàn)標(biāo)識碼 A 文章編號 1002-2104（2021）02-0024-10 DOI：10.12062/cpre.20200609

為應(yīng)對嚴(yán)峻的大氣污染形勢，我國政府出臺了一系列控制政策和措施，包括《大氣污染防治行動計劃》和《打贏藍(lán)天保衛(wèi)戰(zhàn)三年行動計劃》等，打好這一戰(zhàn)對大氣污染政策治理效率提出了更高要求。衡量政策實施效率的重要指標(biāo)之一是其所帶來空氣質(zhì)量改善的經(jīng)濟(jì)效益。然而，評估這些效益面臨諸多困難，其原因之一是政策的制定和實施所帶來的空氣質(zhì)量改善缺乏直接的市場價格，由于空氣質(zhì)量的公共物品屬性，故難以貨幣化，這對準(zhǔn)確評估大氣污染的社會福利損失提出了挑戰(zhàn)。因此，科學(xué)合理地評估消費(fèi)者對改善空氣質(zhì)量的邊際支付意愿、計算大氣污染經(jīng)濟(jì)損失，對大氣污染減排政策制定和實施具有現(xiàn)實指導(dǎo)意義。學(xué)術(shù)界較為常用且盛行于發(fā)達(dá)國家的環(huán)境公共物品經(jīng)濟(jì)價值量化方法之一為特征價格法。該方法的基本思想是將房地產(chǎn)視為由眾多不同特征組成的異質(zhì)性商品，故其價格可認(rèn)為是由房屋各個特征帶給消費(fèi)者的效用決定的[1]?？諝赓|(zhì)量作為房屋一種特征屬性，可通過房屋總價間接推出其邊際價值。該方法被廣泛應(yīng)用于環(huán)境資源非市場價值評估領(lǐng)域[2-5]，尤其是大氣污染經(jīng)濟(jì)損失評估領(lǐng)域[6-8]。例如，Chay等[8]利用特征價格法估計了美國清潔空氣法案對總懸浮顆粒物（TSP）不達(dá)標(biāo)縣區(qū)的管控政策對房價的影響，發(fā)現(xiàn)縣區(qū)層面的平均房價對TSP的彈性為-0.20～-0.35，進(jìn)而得出該政策帶來的空氣質(zhì)量的改善使得相關(guān)縣區(qū)的房價上漲了450億美元。該研究將在特征價格模型的框架下，采用理性預(yù)期方法來識別我國大氣污染的邊際成本，并以此評估其總經(jīng)濟(jì)成本。

1 文獻(xiàn)評述與研究創(chuàng)新

現(xiàn)有文獻(xiàn)關(guān)于大氣污染經(jīng)濟(jì)損失的評估主要有兩大類：基于健康效應(yīng)的經(jīng)濟(jì)損失評估和基于特征價格法的經(jīng)濟(jì)損失評估。其中基于健康效應(yīng)的經(jīng)濟(jì)損失評估主要分為兩個步驟：大氣污染物濃度與人群健康效應(yīng)終端變化的關(guān)系研究[9-10];健康終端的經(jīng)濟(jì)損失評估研究[11-12]。第一個步驟的研究大多是基于大氣污染暴露-反應(yīng)關(guān)系的人體健康效應(yīng)評估[9，13]，可以分為短期暴露所致的急性健康效應(yīng)和長期暴露所致的慢性健康效應(yīng)。具體來看，Chen等[14]和Ebenstein等[15]利用我國秦嶺-淮河南北兩岸是否供暖來進(jìn)行斷點(diǎn)回歸，估計了空氣污染對我國居民死亡率的長期影響。Jha等[16]使用煤炭庫存作為PM2.5的工具變量來考察煤炭的存儲和處理對死亡率的影響，發(fā)現(xiàn)PM2.5增加10%導(dǎo)致成人平均死亡率增加1.1%，嬰兒平均死亡率增加3.2%。Heyes等[17]使用風(fēng)向作為空氣污染物的工具變量考察了我國空氣污染對失眠的影響，發(fā)現(xiàn)AQI（PM2.5）增加一個單位會導(dǎo)致失眠增加11.6%（12.8%）。第二個步驟的評估主要有三大類方法：人力資本法或修正的人力資本法[18]、疾病成本法[19]和條件估值法[20]。盡管已有研究基于健康效應(yīng)對我國大氣污染的經(jīng)濟(jì)損失評估進(jìn)行了有意義的探索和實踐，但其評估結(jié)果可能存在較大偏差，這種偏差主要來源于不同污染物濃度與健康終端之間暴露-反應(yīng)關(guān)系參數(shù)的選擇和單位健康效應(yīng)貨幣化的評估。

特征價格法是進(jìn)行大氣污染經(jīng)濟(jì)損失評估的另一種主流方法[6-7，21]。基于健康效應(yīng)的經(jīng)濟(jì)損失評估使用的被解釋變量包括死亡率或發(fā)病率，需要一定程度的空氣污染才能表征在這兩個被解釋變量上;相比較而言，特征價格模型使用的被解釋變量為房價，理論上即使空氣污染的影響不足以被健康變量捕捉到，也可能反映到房價上。另外，基于特征價格法可估計人們對規(guī)避大氣污染的邊際支付意愿。在應(yīng)用特征價格模型量化我國大氣污染的經(jīng)濟(jì)損失的研究方面，以往大部分的研究結(jié)論為大氣污染對房屋價格有著顯著的負(fù)效應(yīng)。Zheng等[22]將跨界的污染源作為PM10的工具變量，研究發(fā)現(xiàn)我國平均污染減少10%，房價上漲0.76%。Chen等[23]使用一種基于通風(fēng)系數(shù)的變量作為PM2.5的工具變量，研究我國2005—2013年空氣污染對房價的影響，發(fā)現(xiàn)PM2.5濃度增加10%導(dǎo)致當(dāng)?shù)胤績r下跌2.4%。Chen等[24]使用城市位置與淮河距離的多項式作為發(fā)現(xiàn)PM2.5的工具變量，發(fā)現(xiàn)PM2.5每增加1個濃度將導(dǎo)致房地產(chǎn)估值損失約5 200億人民幣，約占2013年我國GDP的0.9%。Qin等[25]將逆溫層、風(fēng)速、風(fēng)向作為PM2.5的工具變量，研究發(fā)現(xiàn)北京大氣污染嚴(yán)重時房屋交易價格比無污染的時間高出0.65%，這意味著每個污染日大約增加351萬元的房屋交易支出。

總結(jié)來看，運(yùn)用特征價格模型評估大氣污染經(jīng)濟(jì)損失的文獻(xiàn)主要有三方面區(qū)別：一是研究區(qū)域的選擇，二是研究時段的設(shè)置，三是工具變量的選擇?，F(xiàn)有評估我國大氣污染特征價格的文獻(xiàn)主要運(yùn)用了全國范圍的省市級數(shù)據(jù)或者單個城市的微觀交易數(shù)據(jù)，鮮有基于縣級月度交易數(shù)據(jù)的全國范圍研究。另外，現(xiàn)有研究控制遺漏變量的策略大多為工具變量法，盡管在工具變量有效的前提下，該方法能夠有效地識別大氣污染的邊際效應(yīng)。但完美的工具變量需滿足兩個假設(shè)條件：一是相關(guān)性假設(shè)，即所選擇的工具變量必須與內(nèi)生變量高度相關(guān);二是外生性假設(shè)，即所選擇的工具變量必須與因變量無關(guān)。由于目前沒有具體的理論或方法來證明外生性條件是否滿足，當(dāng)前研究多基于經(jīng)濟(jì)學(xué)常識來論證，并無法確定外生性的存在，因此尋求一種新的識別策略則顯得尤為必要。

與實驗方法和工具變量法不同，理性預(yù)期方法假定特征價格方程的誤差項服從馬爾科夫隨機(jī)過程，運(yùn)用上一期的可觀測信息估計和表征當(dāng)期影響房屋價格變化的非觀測因素[6]。通過模擬誤差項的變化趨勢，可以實現(xiàn)對諸多隨時間變化因素的控制，如政策、溫度、風(fēng)向、降雨等這些既影響大氣污染物濃度又與房價相關(guān)的因素。理性預(yù)期方法與現(xiàn)有識別手段相比具有兩大優(yōu)勢。其一，核心假設(shè)可檢驗。該方法須假定房屋市場的交易者對房價的預(yù)期是理性的。具體而言，要求市場消費(fèi)者只能通過可觀測信息（如前期交易價格、房屋特征屬性等），而不能通過市場外非觀測因素預(yù)測房價。換句話說，該假定等價于房屋市場是效率的，即買賣雙方信息對稱。在實證操作層面，Case等[26]提出了可行的房屋市場效率檢驗方法，理性預(yù)期假設(shè)可由已觀測數(shù)據(jù)進(jìn)行驗證。其二，對數(shù)據(jù)條件要求不嚴(yán)苛。理論而言，對住房樣本只需兩期交易數(shù)據(jù)即可進(jìn)行估計。為驗證上述理性預(yù)期假設(shè)，則需要至少三期交易觀測值。鑒于我國住房交易市場的特征，獲得同一樓盤的多期交易信息，或住宅小區(qū)以及所在城區(qū)等更高層面的加總數(shù)據(jù)并不困難，一般的面板數(shù)據(jù)結(jié)構(gòu)即可滿足要求。

該研究主要從以下兩方面開展探索：第一，使用理性預(yù)期方法來識別我國大氣污染的外部性成本。已有運(yùn)用特征價格模型在全國層面評估我國大氣污染成本的識別方法主要包括工具變量法[22，25]、分位數(shù)回歸[27]、空間滯后模型和空間誤差模型[28]等。第二，使用區(qū)縣級別月度房地產(chǎn)交易數(shù)據(jù)來評估全國的大氣污染成本，而不僅僅局限于某個地區(qū)[25]或某一年份[29]的局部結(jié)果，相較于其他使用市級或省級數(shù)據(jù)研究，較為微觀的月度區(qū)縣數(shù)據(jù)有助于更加精確地控制內(nèi)生性問題，從而提高評估結(jié)果的可信度。

2 實證策略與數(shù)據(jù)說明

2.1 實證策略

2.1.1 實證回歸模型

特征價格模型（hedonic price model）也被稱為房地產(chǎn)特征價格模型，主要用于研究異質(zhì)性房屋的價格與其各個特征數(shù)量之間的關(guān)系。特征價格模型是基于消費(fèi)者面臨預(yù)算約束條件下的效用最大化行為。具體而言，消費(fèi)者選擇購買具有n個特征的房屋X和其他商品z。假設(shè)房屋價格為P，z的價格為1，消費(fèi)者收入為Y。其效用最大化問題可以用式（1）和（2）表示：

通過拉格朗日乘子法可以得到消費(fèi)組合的最優(yōu)點(diǎn)。在此點(diǎn)，房屋特征的邊際隱含價格滿足式（3）：

基于式（3），簡化的特征價格評估計量回歸方程（4）式如下：

lnP為房屋價格的自然對數(shù)形式;α和β為待估系數(shù);ε為誤差項，表征影響房價的其他非觀測因素。

借鑒Bajari等[6]，該研究在特征價格模型的框架下運(yùn)用理性預(yù)期方法（rational expectation approach）識別大氣污染對房價的邊際影響，其總體思想為消費(fèi)者在購買房屋時會基于先前的房屋信息來進(jìn)行購買房屋的決策，使其自身效用最大化。

假設(shè)房屋i有兩次交易記錄，分別表示為t期和t+1期（t

其中，P為房屋的交易價格;x表示能被研究者所觀測到的變量，如房屋特征、鄰里特征等;ξ表示無法被研究者所觀測的變量，即遺漏變量，如該房屋坐落地區(qū)的政策、風(fēng)俗傳統(tǒng)、生活習(xí)慣等;α和β為待估計系數(shù)。

為解決遺漏變量問題，將t期的遺漏變量ξi，t表示為一個包含t期的房價ln（Pi，t ）和特征變量xi，t的函數(shù)，即對式（5）進(jìn)行移項得到式（7）：

假定遺漏變量的變化服從一階馬爾可夫隨機(jī)過程（Markov process），如（8）式所示：

通過最小化式（12）和式（13）的殘差平方和，可求解第二階段方程中的系數(shù)，即得到隱性特征價格β的非線性參數(shù)解。在滿足式（14）的條件下，為β的一致估計量。

2.1.2 理性預(yù)期假設(shè)檢驗

理性預(yù)期假設(shè)源自Case等[26]關(guān)于住房市場效率的理論，其認(rèn)為當(dāng)住房市場具有效率時，市場中的房屋交易不會出現(xiàn)預(yù)期外的超額收入，或房價變化不會超出消費(fèi)者的預(yù)期，理論上表現(xiàn)為式（10）中遺漏變量的隨機(jī)性變化δi，t，t+1與已知房屋信息It無關(guān)，即式（11）成立。Bajari等[6]提供了驗證式（11）的實證操作方法，前提條件為樣本房屋至少有三期觀測值，分別設(shè)為ta、tb、tc且ta

2.2 數(shù)據(jù)說明

研究選取的數(shù)據(jù)為全國區(qū)縣層面的月度住房交易數(shù)據(jù)。由于我國房地產(chǎn)市場 1998 年才開始逐步開放，區(qū)縣層面的房地產(chǎn)數(shù)據(jù)的統(tǒng)計不完善，無法全部囊括全國所有的區(qū)縣，并且2013年之后國家才開始在全國范圍內(nèi)公布PM2.5的濃度值，故選取2013年之后的住房交易樣本。采用的房屋交易數(shù)據(jù)來自中金標(biāo)準(zhǔn)數(shù)據(jù)，其包含了2013年2月至2018年8月間全國22個省份194個區(qū)縣的商品房成交價格的月度均值，時間跨度共計67期，總計5 801個觀測值。由于數(shù)據(jù)統(tǒng)計的相對不完善，一些區(qū)縣在上述時間段內(nèi)存在缺失情況，因此為非平衡面板數(shù)據(jù)。圖1顯示了研究樣本包含的區(qū)縣。

污染數(shù)據(jù)來自中國環(huán)境監(jiān)測總站，原始數(shù)據(jù)為全國1 614個空氣監(jiān)測站點(diǎn)7個常見大氣污染物濃度數(shù)據(jù)，分別為空氣質(zhì)量指數(shù)AQI、二氧化硫SO2、二氧化氮NO2、一氧化碳CO、臭氧O3、可吸入顆粒物PM10、細(xì)顆粒物PM2.5。通過ArcGIS對每個樣本區(qū)縣的污染物濃度進(jìn)行插值計算，得到月度污染物均值。由于研究區(qū)域沒有覆蓋我國全部的區(qū)縣，為檢驗樣本的代表性，將每個污染物插值計算后的全國月平均濃度和樣本覆蓋區(qū)域的月平均濃度進(jìn)行比較，結(jié)果顯示，二者的變化趨勢和數(shù)值均無顯著差異。因此，可認(rèn)為研究區(qū)域的空氣污染水平與全國水平基本相同。

其他控制變量數(shù)據(jù)來自全國各城市的統(tǒng)計年鑒與統(tǒng)計公報。由于該研究在區(qū)縣層面考察大氣污染的外部經(jīng)濟(jì)成本，故將區(qū)縣層面的經(jīng)濟(jì)、社會控制變量都除以當(dāng)年常住人口，即進(jìn)行人均水平的換算。研究包含的影響地區(qū)房屋交易價格的控制變量包括：萬人房屋成交數(shù)量、人均GDP、人口密度、萬人小學(xué)數(shù)、萬人中學(xué)數(shù)、萬人高等學(xué)校數(shù)、萬人醫(yī)療衛(wèi)生機(jī)構(gòu)數(shù)、萬人房地產(chǎn)開發(fā)投資。主要變量的描述性統(tǒng)計見表1。

3 實證結(jié)果分析

3.1 OLS和固定效應(yīng)模型

首先采用普通最小二乘法（OLS）和固定效應(yīng)模型，估計結(jié)果分別如表2（1）（2）列所示?？紤]到各類污染物之間有較高的相關(guān)性，若同時進(jìn)入模型可能導(dǎo)致多重共線性，因此逐一對單個污染物進(jìn)行回歸，分別得到各污染物的估計系數(shù)，每個回歸中除污染物變量外其余控制變量相同。由表2可知，OLS估計結(jié)果中僅SO2和O3的系數(shù)顯著，其中符號O3的為正。由于沒有對時空因素進(jìn)行更多的控制，OLS的估計結(jié)果可能存在遺漏變量誤差。

固定效應(yīng)模型在OLS的基礎(chǔ)上加入了區(qū)縣固定效應(yīng)和時間固定效應(yīng)，以控制區(qū)縣層面不隨時間變化的非觀測因素，以及全國層面的共同時間趨勢如經(jīng)濟(jì)、政策的外部沖擊對估計結(jié)果的影響。與OLS結(jié)果相比，各污染物的顯著性發(fā)生較大變化，AQI、SO2、PM2.5和PM10顯著為負(fù)，可見在進(jìn)一步控制時空因素后，初步顯現(xiàn)大氣污染物對房價的負(fù)效應(yīng)。然而，固定效應(yīng)模型無法解決隨時間變化的遺漏變量問題。

3.2 理性預(yù)期方法

為精確評估大氣污染物的邊際支付意愿，進(jìn)一步采用理性預(yù)期方法作為遺漏變量的控制策略。理性預(yù)期方法假定住房交易市場的消費(fèi)者以上一期房屋交易信息理性判斷當(dāng)期房價的變化，即滿足理性預(yù)期假設(shè)。由于研究數(shù)據(jù)為多期月度觀測值，且區(qū)縣層面的交易平均價格與個體房屋交易不同，屬于匯總信息，從購房者角度考慮，單個月份的時間跨度較短，上一期（月）的區(qū)縣房價信息量也相應(yīng)較小，不足以使其對下一期的房價變化做出理性預(yù)期。綜合上述考慮，研究采用多期合并、計算均值的方式構(gòu)建“上一期”信息。例如，以當(dāng)前月份為t+1期，則t期定義為t+1期前若干個月份的集合，記為l，其中t期的住房交易價格由l期房價的均值確定，其余特征變量根據(jù)其數(shù)據(jù)特點(diǎn)進(jìn)行相應(yīng)調(diào)整。關(guān)于l的取值，下文將作具體說明。為確保理性預(yù)期方法的合理性，首先對理性預(yù)期假設(shè)進(jìn)行檢驗。

3.2.1 理性預(yù)期假設(shè)檢驗結(jié)果

根據(jù)Bajari等[6]，理性預(yù)期假設(shè)檢驗理論上需要至少三期交易數(shù)據(jù)，設(shè)為ta

由表4可知，三個回歸結(jié)果的回歸系數(shù)多數(shù)不顯著或顯著但系數(shù)值接近零，且擬合優(yōu)度R2都較低，說明在控制了房價的平均變化水平后，tb期的房屋信息不會對未來房價的隨機(jī)變化有影響，側(cè)面證明理性預(yù)期的假設(shè)E（δi，t，t+1 |It ）=0在研究樣本中成立。

3.2.2 理性預(yù)期方法估計結(jié)果

在理性預(yù)期假設(shè)成立的基礎(chǔ)上，利用理性預(yù)期方法估計大氣污染的邊際支付意愿。如前所述，確定t期時間段l的長度是實證分析的難點(diǎn)?？紤]到歷史信息是消費(fèi)者做出理性預(yù)期的依據(jù)，選取的l不宜過短，否則信息量不夠，不足以對未來房價變化做出判斷;l也不宜過長，因為宏觀經(jīng)濟(jì)形勢瞬息萬變，越久遠(yuǎn)的交易信息價值越低。另一方面，隨著l增大，損失的已觀測月份信息也隨之增加，導(dǎo)致模型自由度降低從而影響估計的精度。由于目前無可供參考的文獻(xiàn)支持，無法確定合理的信息時間段長度，綜合上述考慮，選取l=24，也即對每個t+1期觀測值，以過去兩年同地區(qū)的房屋交易均值及相應(yīng)的控制變量作為t期的房屋信息It。估計結(jié)果如表2（3）列所示。在穩(wěn)健性檢驗部分，分別匯報取過去1 a、1.5 a、3 a、4 a四個不同時間段長度進(jìn)行回歸的結(jié)果（表3），以驗證結(jié)論的穩(wěn)健性。

理性預(yù)期方法估計結(jié)果顯示，在進(jìn)一步控制遺漏變量誤差之后，AQI、NO2、CO、PM10和PM2.5五個污染物指標(biāo)呈現(xiàn)對房價的顯著負(fù)效應(yīng)。其他條件不變下，AQI每增加1個單位，房價平均降低0.36%;NO2、CO、PM10和PM2.5的濃度每上升1 μg/m3，房價分別降低2.04%、0.028%、0.34%和0.39%。O3與SO2的系數(shù)不顯著，可能的原因為，消費(fèi)者對O3的關(guān)注程度相比于其他大氣污染物較低，因此房地產(chǎn)市場未能很好地反映對O3的支付意愿;SO2作為我國早期的重點(diǎn)減排污染物，自“酸雨計劃”實施以來，其濃度已經(jīng)有很大程度的降低，且近年來整體變化幅度較小，因而其房價效應(yīng)不易被識別。

對比表2各模型的評估結(jié)果可以看出，隨著控制的遺漏變量逐漸完善，顯著的大氣污染物變量個數(shù)逐漸增加，系數(shù)值也逐漸增大。從污染物角度，AQI、PM10和PM2.5在固定效應(yīng)模型和理性預(yù)期方法中均顯著為負(fù)，結(jié)果較穩(wěn)定;NO2和CO僅在理性預(yù)期方法中顯著，體現(xiàn)了遺漏變量對估計結(jié)果的重要影響;SO2的估計結(jié)果波動較大，O3整體不顯著?？偠灾谧R別大氣污染對房價的影響時，遺漏變量的控制程度對估計結(jié)果的準(zhǔn)確性有較大影響，這也體現(xiàn)了使用理性預(yù)期方法控制遺漏變量誤差的必要性。

3.2.3 穩(wěn)健性檢驗

表2選取了過去2 a（l=24）作為信息時間段的長度，由于無法判斷其合理性，表3分別取1 a、1.5 a、3 a、4 a四個時間段并采用理性預(yù)期方法進(jìn)行估計，以檢驗結(jié)果的穩(wěn)健性。結(jié)果顯示，隨著L增加，更多的大氣污染物變量變得顯著;AQI、NO2、CO、PM10和PM2.5五個污染物的結(jié)果較穩(wěn)定，盡管顯著性有所變化，但其估計系數(shù)和標(biāo)準(zhǔn)誤變化幅度整體并不大;O3和SO2對房價幾乎無影響，其結(jié)果整體也較為穩(wěn)定。值得注意的是，雖然在l取3 a和4 a的估計結(jié)果中顯著的變量個數(shù)有所減少，但這可能是樣本量減小、模型自由度降低帶來的估計精度下降所致。穩(wěn)健性檢驗結(jié)果表明，理性預(yù)期方法的估計結(jié)果穩(wěn)定，結(jié)論可靠。

4 大氣污染的總經(jīng)濟(jì)損失核算

評估大氣污染經(jīng)濟(jì)損失主要包括兩個步驟：獲取大氣污染的邊際價格;測算大氣污染的總經(jīng)濟(jì)損失。首先基于理性預(yù)期方法的評估系數(shù)獲取大氣污染改善的邊際支付意愿（MWTP），即大氣污染濃度變動1單位的價格。根據(jù)式（4），MWTP計算公式如下：

然后，基于估算出的MWTP（元/m2）計算總經(jīng)濟(jì)損失，其具體測算如式（18）所示：

經(jīng)濟(jì)損失=MWTP×商品房成交面積×大氣污染濃度變化（18）

通過對比我國《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》（GB3095-2012）與我國各類大氣污染物的濃度年度均值，在2013—2018年，除PM10和PM2.5外，其余大氣污染物均已控制在了二級限值以內(nèi)，同時AQI也未達(dá)到優(yōu)（50限值）。因此，基于國家統(tǒng)計局公布的不同年份全國商品房銷售面積，根據(jù)上述步驟計算出2013—2018年AQI、PM10和PM2.5三種污染物指標(biāo)每年因未達(dá)到空氣質(zhì)量標(biāo)準(zhǔn)而導(dǎo)致的經(jīng)濟(jì)損失，計算結(jié)果見表5。

由表5可以看出，近年來大氣污染的經(jīng)濟(jì)損失有所降低，政府的治理效果顯著，但仍不容小覷。2013年AQI未達(dá)標(biāo)導(dǎo)致的經(jīng)濟(jì)損失約為3.56×104億元，約占當(dāng)年GDP的6.06%;2018年降低至19 200億元，占當(dāng)年GDP的2.14%，通過治理并改善空氣質(zhì)量可以顯著增加社會的福利。另外，PM10和PM2.5導(dǎo)致的經(jīng)濟(jì)損失的加總值與AQI相當(dāng)，說明治理“霧霾”是改善當(dāng)前空氣質(zhì)量的關(guān)鍵。

5 結(jié)論性評述

為應(yīng)對日益嚴(yán)峻的大氣污染形勢，我國政府出臺了許多政策和措施，但科學(xué)評估其政策效益有賴于對大氣污染的經(jīng)濟(jì)損失進(jìn)行合理衡量。該研究基于2013—2018年全國194個區(qū)縣的月度住房交易非平衡面板數(shù)據(jù)，利用理性預(yù)期方法評估了消費(fèi)者對我國大氣污染減排的邊際支付意愿，并以此估算我國大氣污染的經(jīng)濟(jì)成本。理性預(yù)期方法假設(shè)消費(fèi)者在購買房屋時能夠?qū)Ψ课萏卣鞯奈磥碜兓哂欣硇缘念A(yù)期，在驗證該假設(shè)合理性的基礎(chǔ)上，通過建立馬爾科夫鏈來控制回歸中不可觀測因素的干擾，解決因遺漏變量產(chǎn)生的內(nèi)生性問題，這為識別大氣污染邊際成本提供了實證經(jīng)驗，具有深刻的理論意義。

研究結(jié)果顯示：①除SO2與O3外，AQI、NO2、CO、PM10和PM2.5五個污染物指標(biāo)呈現(xiàn)對房價的顯著負(fù)效應(yīng)，即消費(fèi)者對空氣質(zhì)量改善的支付意愿為正。②以邊際支付意愿估算的AQI未達(dá)標(biāo)導(dǎo)致的經(jīng)濟(jì)損失與PM10和PM2.5的加總值相差無異，這進(jìn)一步證實了我國當(dāng)前大氣污染導(dǎo)致的社會經(jīng)濟(jì)福利損失主要來自PM10和PM2.5的超標(biāo)，可為合理制定全國大氣污染治理政策提供經(jīng)驗依據(jù)。

參考文獻(xiàn)

[1]ROSEN S.Hedonic prices and implicit markets： product differentiation impure competition [J].Journal of political economy， 1974， 82（1）：35-55.

[2]GAMPER-RABINDRAN S， TIMMINS C.Hazardous waste cleanup， neighborhood gentrification， and environmental justice： evidence from restricted access census block data [J].American economic review， 2011， 101（3）： 620-624.

[3]GREENSTONE M， GALLAGHER J.Does hazardous waste matter： evidence from the housing market and the Superfund Program [J]. The quarterly journal of economics， 2008， 123（3）： 951-1003.

[4]HANINGER K， MA L， TIMMINS C. The value of brownfield remediation [J]. Journal of the Association of Environmental and Resource Economists， 2017， 4（1）：197-241.

[5]KEISER D A， SHAPIRO J S. Consequences of the clean water act and the demand for water quality [J]. The quarterly journal of economics， 2019， 134（1）：349-396.

[6]BAJARI P， FRUEHWIRTH J C， KIM K I，et al. A rational expectations approach to hedonic price regressions with time-varying unobserved product attributes： the price of pollution [J].American economic review， 2012， 102（5）：1898-1926.

[7]KIM C W， PHIPPS T T， ANSELIN L.Measuring the benefits of air quality improvement： a spatial hedonic approach [J].Journal of environmental economics and management， 2003， 45： 24-39.

[8]CHAY KY， GREENSTONE M. Does air quality matter： evidence from the housing market[J]. Journal of political economy， 2005， 113（2）：376-424.

[9]DOCKERY DW， POPE CA， XU X， et al. An association between air pollution and mortality in six U.S. cities [J]. New England journal of medicine， 1993， 329： 1753-1759.

[10]SHANG Y， SUN Z， CAO J， et al. Systematic review of Chinese studies of short-term exposure to air pollution and daily mortality [J]. Environment international， 2013， 54： 100-111.

[11]HAMMITT J K， ZHOU Y. The economic value of air-pollution-related health risks in China： a contingent valuaion study [J]. Environmental and resource economics， 2006， 33（3）： 399-423.

[12]WANG H， MULLAHY J. Willingness to pay for reducing fatal risk by improving air quality： a contingent valuation study in Chongqing， China [J]. Science of the total environment， 2006， 367（1）： 50-57.

[13]POPE C， ARDEN R T， BURNETT M J， et al. Lung cancer， cardiopulmonary mortality， and long-term exposure to fine particulate air pollution[J]. Journal of the American Medical Association， 2002， 287：1132-1141.

[14]CHEN Y， EBENSTEIN A， GREENSTONE M， et al. Evidence on the impact of sustained exposure to air pollution on life expectancy from Chinas Huai River policy [J].Proceedings of the National Academy of Sciences of the United States of America，2013， 110（32）： 12936-12941.

[15]EBENSTEIN A， FAN M， GREENSTONE M， et al. New evidence on the impact of sustained exposure to air pollution on life expectancy from Chinas Huai River policy [J].Proceedings of the National Academy of Sciences of the United States of America，2017， 114（39）： 10384-10389.

[16]JHA A， MULLER N Z. The local air pollution cost of coal storage and handling： evidence from U.S. power plants [J]. Journal of environmental economics and management， 2018， 92：360-396.

[17]HEYES A， ZHU M.Air pollution as a cause of sleeplessness： social media evidence from a panel of Chinese cities [J]. Journal of environmental economics and management， 2019， DOI：10.1016/j.jeem.2019.07.002.

[18]ZHAO X， YU X， WANG Y， et al. Economic evaluation of health losses from air pollution in Beijing， China[J]. Environmental science and pollution research， 2016， 23（12）：11716-11728.

[19]LU X， YAO T， FUNG J C H， et al. Estimation of health and economic costs of air pollution over the Pearl River Delta Region in China [J]. Science of the total environment， 2016， 566-567： 134-143.

[20]高婷，李國星，胥美美，等. 基于支付意愿的大氣PM2.5健康經(jīng)濟(jì)學(xué)損失評價[J]. 環(huán)境與健康雜志， 2015， 32（8）： 697-700.

[21]SMITH V K， HUANG J. Can markets value air quality：ameta-analysis of hedonic property value models [J]. Journal of political economy， 1995， 103（1）： 209-227.

[22]ZHENG S， CAO J， KAHN M E， et al. Real estate valuation and cross-boundary air pollution externalities： evidence from Chinese cities [J]. Journal of real estate finance and economics， 2014， 48： 398-414.

[23]CHEN S， JIN H. Pricing for the clean air： evidence from Chinese housing market [J]. Journal of cleaner production， 2019， 206：297-306.

[24]CHEN D， CHEN S.Particulate air pollution and real estate valuation： evidence from 286 Chinese prefecture-level cities over 2004-2013 [J].Energy policy， 2017， 109： 884-897.

[25]QIN Y， WU J， YAN J.Negotiating housing deal on a polluted day： consequences and possible explanations[J].Journal of environmental economics and management， 2019， 94：161-187.

[26]CASE K E， SHILLER R J.The efficiency of the market for single-family homes [J].American economic review， 1989， 79（1）： 125-137.

[27]CHEN J， HAO Q， YOON C， et al. Measuring the welfare cost of air pollution in Shanghai： evidence from the housing market [J]. Journal of environmental planning and management， 2018， 61（10）： 1744-1757.

[28]LIU R， YU C， LIU C， et al. Impacts of haze on housing prices： an empirical analysis based on data from Chengdu （China） [J].International journal of environmental research and public health， 2018， DOI：10.3390/ijerph15061161.

[29]FREEMAN R， LIANG W Q， SONG R， et al. Willingness to pay for clean air in China [J]. Journal of environmental economics and management， 2019， 94：188-216.

（責(zé)任編輯：李 琪）