基于人口-環(huán)境關系的小汽車增量調(diào)控政策有效性分析

傅崇輝,焦桂花,傅 愈,王秋珵,李 兵

(1.廣東醫(yī)科大學 人文與管理學院，廣東 東莞 523808；2.深圳市云天統(tǒng)計科學研究所，廣東 深圳 518000；3.南昌大學 新聞與傳播學院，江西 南昌 330000)

近年來，我國機動車保有量急速攀升，加劇了城市的擁堵和污染。隨著煤改清潔能源工程的逐漸推進和工業(yè)企業(yè)外遷，各城市的空氣污染源結構已經(jīng)發(fā)生了變化，機動車消耗能源所排放的尾氣已經(jīng)成為各大城市的主要空氣污染源之一[1]。即便各大城市大力推廣新能源車輛，但也取決于電力生產(chǎn)技術，在我國目前的能源結構下，電力生產(chǎn)的溫室氣體排放呈上升趨勢[2]。機動車保有量的增長不僅導致空氣污染，也加劇了城市的擁堵[3]，從而加重了城市運行的社會成本[4]。

為治理擁堵和污染問題，我國先后有8個地區(qū)實行了小汽車增量調(diào)控政策(或稱“限牌限購”政策)，政策目標都是從源頭上控制機動車總量增長過快，從而緩解城市交通壓力和空氣污染問題。相比于停車收費、擁堵收費等機動車管理制度，這種總量控制方法被認為是一種效率低下、不利于汽車產(chǎn)業(yè)發(fā)展、損失社會福利的政策選項，因而被多數(shù)發(fā)達國家所摒棄[5]。中國地方政府迫于環(huán)境治理的緊迫性和城市交通管理面臨的巨大壓力，選擇了機動車總量控制的政策取向，短期內(nèi)或許能起到一定成效。近年來“網(wǎng)約車”等共享出行方式的興起，為放松“限牌限購”提供了社會輿論契機，許多城市的小汽車增量調(diào)控政策到期后，正面臨著修訂或調(diào)整。經(jīng)過5～20多年的政策運行，“限牌限購”政策是否取得了預期的政策目標？影響政策有效性的因素是什么？對這些問題都需要有明確認識，才能為下一步的政策選擇提供依據(jù)。

本文從人口與環(huán)境關系的理論視角，將人口、經(jīng)濟和家庭等因素納入到分析框架，考察小汽車增量調(diào)控政策的有效性。與以往研究相比，本文不僅包括人口數(shù)量因素，而且包括人口、經(jīng)濟、空間和家庭結構等因素的影響，從而為深入細致地把握政策有效性提供可能，具有一定的創(chuàng)新性。

1 研究設計

1.1 指標設定

現(xiàn)有人口與環(huán)境關系的研究，環(huán)境變量既包括能源消費[6-7]、機動車使用[8]等導致環(huán)境壓力的原因，也有溫室氣體排放[9-10]、生物多樣性[11]等環(huán)境影響的結果。小汽車增量調(diào)控政策的目標是抑制機動車保有量過快增長，機動車使用過程中排放的尾氣勢必造成空氣污染，因此，將機動車保有量作為對環(huán)境造成的壓力變量。另外，由于各城市的人口、經(jīng)濟和空間特點各不相同，機動車保有量或其增速沒有可比性，同時，受私人汽車使用方面的數(shù)據(jù)可獲得性限制，本文假設汽車擁有量的增長會導致汽車使用量增加，從而或多或少增加交通能源消費，直接或間接產(chǎn)生環(huán)境壓力。本文采用人均私人汽車擁有量為環(huán)境變量，考察小汽車增量調(diào)控政策的有效性，即是否對人均私人汽車擁有量產(chǎn)生了抑制作用。

人口與環(huán)境關系的理論和實證研究主要有兩條分析路線：一是以環(huán)境庫茨涅茨曲線為代表[12-13]的模型，它側重于考察經(jīng)濟增長給環(huán)境帶來的壓力，人口密度、家庭規(guī)模、人口城市化等人口因素常作為影響因素納入到分析模型中[14-15]；二是Ehrlich提出的IPAT模型[16]，指出環(huán)境壓力(I)主要受人口數(shù)量(P)、富裕(A)和技術(T)因素影響，并擴展成為包括更多驅動因子的隨機STIRPAT模型[17]，使得人口結構性因素對環(huán)境的影響也能進行定量分析。

私人小汽車是高價值的耐用消費品，取決于市場飽和度和經(jīng)濟發(fā)展狀況，并受到政策因素的調(diào)節(jié)影響。本文將人均GDP作為經(jīng)濟發(fā)展狀況的測量指標，而飽和度受到多重因素(特別是人口因素)的影響。私人小汽車一般以家庭為消費單元，具有家庭的規(guī)模效應[18]，即家庭規(guī)模越大、人均消費水平越低，平均家庭規(guī)模是影響私人汽車消費的因素之一。

人口城市化的早期表現(xiàn)是隨著收入水平的不斷提高，汽車消費呈上升趨勢，但隨著城市化水平的進一步提高，城市(特別是中心城區(qū))建成區(qū)的密度也在不斷攀升，私人汽車出行的需求部分被公共交通取代[19]。本文中的城市化有兩部分組成：一是本地城市化，也就是戶籍人口城市化；另一部分是流動人口的城市化，隨著人口流入，城市的人口密度也進一步提高。因此，本文采用城市化水平(城鎮(zhèn)人口占戶籍人口的比重)和流動人口占常住人口的比重兩個指標測量人口城市化對私人汽車保有量的影響。

另外，各城市由于人口數(shù)量、城市面積差異較大，對私人小汽車保有量構成不同的影響，采用人口密度指標測量人口數(shù)量對私人小汽車保有量的影響。

綜上所述，本文構建如圖1所示的理論框架，用于分析小汽車增量調(diào)控政策是否起到了控制人均汽車保有量作用，如果有控制作用，這種作用隨時間如何變化的問題等。

圖1 人口與私人汽車保有量關系的理論框架

根據(jù)現(xiàn)有的理論和實證研究，隨著社會經(jīng)濟的發(fā)展，人口變化和經(jīng)濟增長是私人汽車保有量上升的直接因素，從而導致私人汽車能源消費增加，進而間接加大了環(huán)境壓力，但這種環(huán)境壓力同時還受到調(diào)控政策和技術因素(如汽車新能源技術)的調(diào)節(jié)作用影響。但由于缺乏私人汽車行駛和能源消費的數(shù)據(jù)，本文只對概念框架中私人小汽車保有量進行實證分析，而能源消費和尾氣排放程度不在本文的討論范圍之內(nèi)。

1.2 實證模型

考慮到我國地區(qū)間差異較大，為比較和分析不同城市人均私人小汽車保有量(因變量)與各自變量隨時間變化情況，本文選擇面板回歸模型作為分析模型。

對于面板回歸模型除了統(tǒng)計檢驗外，還存在隨機效應模型和固定效應模型之間的選擇問題，針對本研究選擇固定模型作為分析模型。首先，本研究的時間序列長度能夠滿足固定模型的要求。一般認為，當時間序列太短時(小于6個時點的短面板數(shù)據(jù))，固定模型會因損失過多的自由度而出現(xiàn)誤差。其次，本文的時序面板數(shù)據(jù)沒有考慮不可觀測的非時變異質(zhì)因素(人文和自然環(huán)境因素)，當考慮了這些因素對模型參數(shù)估計的影響時，為保證回歸參數(shù)估計的無偏性，應將模型設定為個體固定效應模型，使結果更能體現(xiàn)真實的關系。另外，在一般情況下，都應把樣本個體視為隨機，但本研究所選取的樣本點(各城市)為特定的“限牌限購”城市及其對照城市，可以認為是非隨機的，這種情況下選擇固定效應模型更為恰當。最后，通過Hausman檢驗(Prob.=0.000)發(fā)現(xiàn)應拒絕選擇隨機效應模型的零假設，支持選擇固定效應模型。

固定效應回歸模型的一般方程為

yit=at+bxit+cDi(t)+dDi(t)E(t)+

eDi(t)Fi(t)+αi+εit.

(1)

式中:i為觀測點(各城市)；t為年份(2008—2018年)；yit為i市t年的人均私人小汽車保有量；at為隨時間變化的截距；b，c，d，e為回歸系數(shù)矩陣；xit為隨時間變化的自變量(包括人口密度、城市化水平、流動人口占比、平均家庭規(guī)模和人均GDP)；Di(t)為政策虛擬變量(實行“限牌限購”政策時，D為1，否則為0)；E(t)為時間虛擬變量(t=2018時，E(t)為1,否則為0)；Fi(t)為城市虛擬變量(當i為實行“限牌限購”的7個城市時為1，否則為0)；α為不隨時間變化的誤差項，代表未觀測變量對y的影響；ε為隨機誤差。

式(1)中的政策虛擬變量可檢驗小汽車增量調(diào)控政策是否有效，而政策虛擬變量和時間虛擬變量的交互項可檢驗小汽車增量調(diào)控政策隨時間變化情況，政策虛擬變量和城市虛擬變量的交互項可檢驗小汽車增量調(diào)控政策在不同城市的有效性情況。以政策虛擬變量和時間虛擬變量的交互項為例，交互項原理為：如果假設政策虛擬變量系數(shù)為c，且顯著，則交互項的回歸系數(shù)為d，且顯著，那么相對于其它參照時點，2018年小汽車增量調(diào)控政策的效應由c變?yōu)閏+d，變化方向取決于d的正負情況；如果交互項的回歸系數(shù)不顯著，則說明政策效應不隨時間變化。模型采用stata21軟件進行計算。

1.3 數(shù)據(jù)說明

目前，我國一共有8個城市和省份實行了汽車限購限牌。1994年起，上海對新增車牌采取的是“拍賣制”；北京于2010年12月起，實行汽車限購令，采用“搖號制”；貴陽于2011年7月12日起對小客車將實行新號牌核發(fā)規(guī)定；廣州于2012年6月起，采取“半搖號、半拍賣”制度；天津于2013年12月16日開始，采取無償搖號與有償競價的方式進行限牌；杭州于2014年3月26日起，通過“搖號”或“競價”的方式進行限牌；深圳于2014年12月29日起，實行小汽車限購，電動汽車也在限購之列。海南省于2018年5月16日起實行小客車總量調(diào)控管理，正式成為第8個限牌試點。

由于海南省的政策實施時間較短，政策效應還沒有完全釋放出來，本文只將其它7個“限牌限購”城市列入樣本點，同時選擇8個與上述實行“限牌限購”城市相近的城市作為對照樣本，分別為蘇州、南京、濟南、青島、遵義、佛山、東莞、重慶。

在時期選擇方面，各城市主要是2010年前后實施小汽車增量調(diào)控政策，本文觀測期設定為2008—2018年，共11年。

各城市“限牌限購”政策主要是對符合公安部《機動車類型術語和定義》(GA 802-2014)中機動車規(guī)格術語分類表規(guī)定的小型、微型載客汽車進行調(diào)控，政策對象包括個人和單位，但受影響最大的還是個人，因此，本文將民用汽車中的私人汽車作為因變量。為保證數(shù)據(jù)的權威性和一致性，所用數(shù)據(jù)來自相應年份的“國民經(jīng)濟和社會發(fā)展統(tǒng)計公報”和“統(tǒng)計年鑒”。

表1為本文實證分析所用基礎數(shù)據(jù)的統(tǒng)計描述分析結果。其中，每百人私人汽車保有量來自各城市對應年份的“國民經(jīng)濟和社會發(fā)展統(tǒng)計公報”；人均GDP和城市化率來自各城市對應年份“統(tǒng)計年鑒”；人口密度、流動人口占比和家庭規(guī)模根據(jù)各城市對應年份的“統(tǒng)計年鑒”中的指標經(jīng)簡單計算而得；“是否限牌限購”由作者根據(jù)相關政策頒布時間進行編制。

表1 變量統(tǒng)計描述

觀測期內(nèi)，私人汽車保有量經(jīng)歷了快速增長，各樣本城市的年平均增長率在8%～30%之間，2018年每百人私人汽車保有量最大的城市是東莞，而不是實行了“限牌限購”政策的城市。在2010—2018年，各樣本城市人均GDP的年均增長率在6%～16%之間，中、西部地區(qū)起始年份的基數(shù)較低，增速普遍較高。人口密度的差異較大，最高的深圳比最低的遵義高出近30倍；人口密度的變化較小，年均增長率最高的廣州只有6.63%，其它城市都在5%以下。北、上、廣、深等一線城市的流動人口占比普遍較高，但近年來趨于穩(wěn)中有降，而中西部的二三線城市的流動人口占比偏低，重慶市和遵義市甚至為凈人口流出。所有城市的城市化率都在65%以上，最高的深圳達到100%，其它城市化率較高的城市則穩(wěn)定在80%以上。平均家庭規(guī)模的變化較小，但表現(xiàn)出兩種不同的趨勢，上海、廣州和天津的平均家庭規(guī)模略有下降，而北京、貴陽、深圳和杭州的平均家庭規(guī)模略微上升。在所有樣本點中，有30%的樣本正處于“限牌限購”政策的調(diào)控中。

2 實證結果

2.1 模型檢驗

本文的數(shù)據(jù)是一組15(城市)×11(時期)的面板數(shù)據(jù)，需要事先對數(shù)據(jù)進行檢驗。

1)運用LLC、IPS、ADF、PP 4種檢驗方法對基礎數(shù)據(jù)進行單位根檢驗，表2的檢驗結果顯示，模型所選取的變量存在單位根的概率值均小于0.10，各變量的時間序列平穩(wěn)，可進一步進行協(xié)整檢驗。

表2 單位根檢驗結果

2)本文運用協(xié)整KAO方法對各變量的時間序列進行協(xié)整檢驗，協(xié)整KAO檢驗的原假設不存在協(xié)整方程，但備選假設存在協(xié)整方程。檢驗結果顯示，統(tǒng)計量(T)的P值為0.000，故拒絕原假設，接受本文所選取的因變量和自變量之間存在協(xié)整關系的備選假設，基礎數(shù)據(jù)可用于模型擬合。

3)檢驗模型是否存在個體效應，如果存在則考慮采用面板回歸模型進行擬合，并進一步檢驗是否為個體固定效應或是個體隨機效應，如果不存在個體效應，則直接采用混合模型(一般多元回歸)。采用冗余固定效應檢驗(Redundant Fixed Effects-Likelihood Ratio)模型的個體效應F值檢驗顯示，其顯著性水平(p-value)在0.032～0.007之間，因此認為模型1～3不同個體(城市)的截距不同，可采用面板回歸模型進行擬合。

4)面板模型分為個體固定效應模型和個體隨機效應模型，區(qū)分選擇使用哪種模型的最常用方法是Hausman檢驗，Hausman檢驗的原假設是使用個體隨機效應模型，備選假設是使用個體固定效應模型。檢驗結果顯示，統(tǒng)計量的P值為0.000，故拒絕原假設，選用個體固定效應模型。

另外，從各模型的整體顯著性檢驗看(Log likelihood，見表2)，各模型的因變量與所有解釋變量之間的線性關系總體上顯著。模型的解釋力度(R2)在50%左右，各模型能夠較好地解釋因變量的方差變異。

2.2 結果分析

基于上述理論模型，對2008—2018年中國大陸7個實行“限牌限購”的城市和8個對照城市的人均私人汽車保有量(因變量)進行面板回歸分析，共得到11(觀測時點)×15(觀測點)個數(shù)據(jù)，共165組配對的面板數(shù)據(jù)。

本研究共構建如表3所示的3個統(tǒng)計分析模型。其中，模型1為基準模型，包括表1中的政策虛擬變量和其它控制變量；模型2為時間交互模型，在基準模型的基礎上，引入政策與時間虛擬變量的交互項(Di(t)×E(t=2018))；模型3為個體交互模型，在基準模型的基礎上，引入政策和城市虛擬變量交互項(Di(t)×Fi(t))。

表3 模型的估計結果

1)基準模型為一般回歸模型，用于檢驗自變量與因變量之間是否存在顯著性關系。從模型1各自變量的回歸系數(shù)對應的P值看，經(jīng)濟發(fā)展水平(Ln(GDP))、人口密度(D_P)、城市化水平(U_P)、家庭規(guī)模(H_S)和“限牌限購”政策虛擬變量(D)對私人汽車保有量有顯著性影響，但流動人口占比則沒有顯著性影響。其中，人均GDP和城市化水平回歸系數(shù)為正值，表明人均GDP越高、人均私人汽車保有量越多，城市化水平越高、人均私人汽車保有量越多；人口密度、家庭規(guī)模和“限牌限購”政策的回歸系數(shù)為負，表明人口密度越高、人均私人汽車保有量越少，平均家庭規(guī)模越大、人均私人汽車保有量越少，“限牌限購”政策對人均私人汽車保有量有抑制作用。意外的是流動人口占比并不顯著，由于各樣本城市的戶籍人口在觀測期內(nèi)趨于穩(wěn)定，常住人口數(shù)量的變化主要由流動人口引起，而人口密度又由常住人口數(shù)量決定，因此，兩個指標之間可能存在多重共線性問題，故在后面的分析模型中應刪除流動人口占比(F_P)。政策虛擬變量的回歸系數(shù)為-0.027，盡管強度小于其它幾個具有顯著性意義的指標，至少說明本文設計的模型能夠體現(xiàn)“限牌限購”政策對人均私人汽車保有量的統(tǒng)計意義。

2)時間交互模型是引入了政策和時間虛擬變量交互項的個體固定模型，用于檢驗政策效應隨時間變化情況。在模型中，刪除了具有多重共線性的流動人口占比后，除增加的交互項外，其它變量的系數(shù)、符號和顯著性水平都與基準模型相似，進一步驗證了基準模型的穩(wěn)健性。政策和時間虛擬變量交互項(D×E)的回歸系數(shù)為0.018，且顯著，其符號正好與政策虛擬變量(D)相反。也就是說在其它條件相同的情況下，2018年的政策效應比其它年份平均低0.018個單位，說明“限牌限購”政策正在隨時間推移而下降。

3)城市交互模型是引入了政策和城市虛擬變量交互項的個體固定效應模型，用于檢驗各城市的政策效應情況。在模型中，各實施“限牌限購”城市的政策效應有較大差異，上海是最早實施“限牌限購”政策的城市，其政策效應也最大；北京的“限牌限購”政策也有一定效果，“限牌限購”政策使得每百人私人汽車擁有量下降了0.102個單位。廣州、天津、深圳的政策效應還要低于北京，而杭州的政策效應則更低。值得注意的是，貴陽作為三線或準二線城市，其政策效應并不顯著，表明“限牌限購”政策在貴陽并沒有起到預期效果。

雖然各城市的政策措施各不相同，如上海的“拍賣制”與北京的“搖號制”，廣州、深圳、天津和杭州的“半拍賣、半搖號”制，以及貴陽的“專段號牌搖號”制，但它們都有一個共同特點，即無論采取何種措施都有一定的指標配額，也就是說不論采取何種措施其對新增私人汽車數(shù)量的限制作用相似?？傮w看，“限牌限購”政策對抑制人均私人汽車增長有一定效果，但其作用程度遠小于經(jīng)濟和人口因素，并隨時間的推移還在逐漸削減。在所有考察因素中，人均GDP、人口密度、人口城市化和平均家庭規(guī)模也對人均私人汽車擁有量有一定影響，其中經(jīng)濟因素是驅動人均私人汽車擁有量上升的首要因素。

2.3 拐點檢驗

根據(jù)庫茨涅茨環(huán)境曲線原理，隨著人均GDP增加，環(huán)境污染程度將呈現(xiàn)上升趨勢；隨著人均GDP的進一步提高，環(huán)境污染程度會逐年呈現(xiàn)下降趨勢，其擬合結果如表4所示。如前所述，經(jīng)濟因素對私人汽車擁有量的影響最大，如果庫茨涅茨環(huán)境曲線的拐點還沒有到來，那么它將繼續(xù)起到高強度的影響；如果拐點已經(jīng)過去，它對私人汽車擁有量的影響將逐步減弱，也意味著未來的私人汽車擁有量增長的壓力將減輕，這對未來的政策調(diào)整具有重要意義。

表4 庫茨涅茨環(huán)境曲線的擬合結果

上海作為最早實施“限牌限購”政策的城市，其曲線拐點也較早到來，大約在人均GDP達到9萬元時(大約在2013年前后)，經(jīng)濟因素對私人汽車的推動作用已經(jīng)開始衰減。北京的曲線拐點在人均GDP達到11萬元時到來(大約在2016年前后)，廣州、天津、杭州、深圳的曲線拐點都在9萬～18萬元人均GDP的位置，目前已經(jīng)達到或超過了曲線拐點。比較特殊的情況發(fā)生在貴陽，其曲線拐點為人均GDP達到11.43萬元時，而其在2018年的人均GDP僅為7.45萬元，離曲線拐點還有一定距離。按照目前的經(jīng)濟發(fā)展趨勢，貴陽的“限牌限購”政策效應在很大程度上將被經(jīng)濟的驅動作用所抵消。

3 結 語

目前，各城市實行的小汽車增量調(diào)控政策對抑制私人汽車的過快增長確實起到了一定作用，為這些城市的交通和環(huán)境治理贏得了寶貴時間和空間[20]。但也應看到，政策效應正在隨時間的推移而下降，任何政策都會因社會環(huán)境的變化而發(fā)生改變，適時的修訂或調(diào)整政策是基于對政策環(huán)境、政策目標和政策效應的審慎判斷，而本文的結論無疑能提供一些參考。

私人汽車擁有量快速增長的動力來源于經(jīng)濟發(fā)展、人口結構和家庭結構的變動，其中經(jīng)濟發(fā)展是首要因素。在中國經(jīng)濟新常態(tài)下，增速放緩已是共識[21]，且部分一、二線城市已經(jīng)越過了庫茨涅茨環(huán)境曲線的拐點，未來經(jīng)濟因素對私人汽車保有量增長的促進作用將得到緩解。人口條件也不支持私人汽車保有量繼續(xù)快速增長，人口數(shù)量增長明顯放緩[22-23]；平均家庭規(guī)模已接近較低水平，且伴隨著生育政策的調(diào)整有回升跡象[24]；人口流動發(fā)生部分逆轉，大規(guī)模向大中型城市聚集的現(xiàn)象很難重演[25]。本文的分析結果還表明：人口密度與私人汽車保有量負相關，部分原因是人口密度較高的大中型城市私人汽車保有量已接近飽和，人口增長不會顯著增加人均私人汽車保有量，反而會使人均私人汽車保有量下降。

另外，貴陽的“限牌限購”政策并不顯著，杭州的政策虛擬變量回歸系數(shù)很小，說明其政策效應十分有限，值得對現(xiàn)有的“限牌限購”政策進行反思。“限牌限購”政策對社會福利和汽車產(chǎn)業(yè)發(fā)展將會造成一定損失[26]，相關政策的實施和修訂需要權衡社會福利、汽車產(chǎn)業(yè)發(fā)展、交通和環(huán)境治理等多方面利益，至少二、三線城市應積極提高城市道路交通管理和環(huán)境治理水平，不能盲目地觀望等待，并寄希望于“限牌限購”政策來應對未來的擁堵和污染問題。2019年9月，貴陽已經(jīng)正式宣布取消“限牌限購”政策，這對于正在實施或醞釀“限牌限購”政策的城市是一個積極啟示。

受數(shù)據(jù)限制，本文只對“限牌限購”政策與私人汽車擁有量關系進行研究，但從環(huán)境保護和交通治理角度看，更直接的政策影響是汽車使用量(人均行駛里程)或交通能源消費(人均交通能耗)，下一步如果能從這兩個方面進行分析，將會得出更直接的政策效應分析結果，會對“限牌限購”政策效果做出更準確的判斷。