基于靜態與動態空間面板模型分析城鎮化對霧霾的影響

劉曉紅，江可申

?

基于靜態與動態空間面板模型分析城鎮化對霧霾的影響

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省區為研究對象，首先考察了霧霾污染的空間效應。全局Moran’s I指數為0.3875，中國霧霾污染存在著空間集聚。Moran’s I指數散點圖顯示中國霧霾污染存在著正的空間自相關，絕大部分省區位于高-高集聚和低-低集聚。然后，基于霧霾污染的空間效應，建立靜態與動態空間面板計量經濟學模型，實證考察了城鎮化、能源強度、交通壓力等對霧霾污染的影響。城鎮化與霧霾污染之間存在環境庫茲涅茨曲線；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。從效應的分解來看，該地區以及全局城鎮化與霧霾污染之間存在環境庫茲涅茨曲線。人均GDP的間接效應、總效應顯著為負，該地區人均收入的上升可以使相鄰地區的霧霾污染下降，并且會減少全局霧霾污染。能源強度下降會減輕本地區霧霾污染程度，但會導致相鄰地區霧霾污染上升。能源消費結構直接效應為正，間接效應與總效應顯著為正，煤炭消費比例的下降不但會減少本地區霧霾污染，也會顯著抑制相鄰地區的霧霾污染，進而減少全局霧霾污染。交通壓力的直接效應顯著為正，但間接效應顯著為負，交通壓力的上升會明顯加重本地區霧霾污染程度，然而相鄰地區交通壓力上升會抑制本地區霧霾污染。動態空間杜賓面板計量模型中被解釋變量滯后一期系數高達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。動態空間面板計量模型比靜態更為合適，估計結果更為準確，遺漏因素對霧霾污染的影響也很重要。

污染；模型；霧霾；城鎮化；能源強度；交通壓力；動態空間面板

0 引 言

2016年8月26日審議通過的“健康中國2030”規劃綱要是履行中國對聯合國“2030可持續發展議程”承諾的重要舉措。“健康中國2030”規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境。近幾年，一些城市的霧霾天數增多，對居民身心健康帶來了負面影響，引起了國內外學者和政策制定者的廣泛關注。中國“十三五”時期經濟社會發展的基本理念是新型工業化、信息化、城鎮化、農業現代化同步發展，如何在新型城鎮進程中，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，故在自然科學領域相關文獻較為豐富，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PM10日數據，分析霧霾時空變化，發現霧霾高發地區從中國中部轉移到南部和東部。溫度、氣壓與霧霾天數呈正相關，風、濕度、下雨和陽光照射時間與霧霾天數呈反比。值得強調的是，霧霾污染也與人們的經濟行為有關。2016年，中國城鎮化率達到了57.35%，預計城鎮化率將會進一步提高。城鎮化是中國經濟增長的新動能，推動了中國經濟的持續增長。但是，城鎮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生源。故本文將城鎮化、能源強度、交通壓力放在同一框架內進行考察。城鎮化與霧霾污染的研究分為以下2個方面，一是從城鎮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系是雙向的。城市人口的增長會導致霧霾現象的加劇，而霧霾反過來會影響城市人口的規模、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境污染。魏巍賢等[4]認為城鎮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]考察了中國城鎮化對城鎮PM2.5濃度的影響，結果發現城鎮PM2.5和城鎮人口顯著正相關，城鎮化對PM2.5濃度有相當大的影響。冷艷麗等[6]基于2001－2010年中國省際面板數據，考察了城鎮化對霧霾污染的影響，結果表明城鎮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監測城市的截面數據為研究樣本，發現所監測城市化程度越高，則所對應的霧霾現象也越嚴重。Xu等[8]采用2001－2012年的省級面板數據來分析中國區域PM2.5排放的主要驅動力，結果表明，城鎮化對PM2.5的影響因區域不同而有所差別。Liu等[9]以2014年中國289個城市的空氣質量指數為被解釋變量，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，結果發現，城鎮化、城鎮人口集聚對空氣質量指數有顯著影響。從經濟發展角度探究霧霾污染的文獻較為豐富，如Wu等[10]重點強調了污染嚴重省份的大氣污染治理，認為應避免將污染嚴重工業轉移到相鄰地區，大氣污染只能扎根于轉變經濟發展方式。Ma等[11]以2014年中國152個城市PM2.5為樣本，結果發現中國PM2.5和經濟發展之間的關系與環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]發現中國能源強度對霧霾污染產生顯著的正向影響，提出應限制能源強度的快速增長。關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、交通以及對外貿易對中國大氣環境的影響，主要針對SO2和煙塵進行研究，證實了溢出效應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濃度的實時數據，使用分層聚類分析方法分析了河北省不同城市PM2.5濃度，結果發現保定平均濃度最高，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]以北京地區為主要分析案例，發現交通擁堵程度以及空間因素是出現高霧霾的重要原因。根治霧霾，區域間的聯合治理勢在必行。Hao等[16]基于2013年中國PM2.5濃度和73個中國城市的空氣質量指數的數據，結果發現車輛數量和第二產業對城鎮PM2.5濃度有顯著的影響。馬麗梅等[17]通過構建空間杜賓模型對交通模式與霧霾污染的關系展開分析，結果表明，交通擁堵以及來自鄰近地區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實意義，但也存在著不足，表現在以下幾個方面：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，且缺乏使用動態空間計量模型的實證研究；第二，既有的靜態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，對經濟發展與霧霾污染之間的庫茲涅茨曲線進行的研究較多，尚未發現對城鎮化與霧霾污染之間的環境庫茲涅茨曲線進行檢驗的研究成果；第四，缺少將城鎮化、能源強度、交通壓力與霧霾污染結合起來進行的研究。

本文的創新點表現在以下4個方面：第一，嘗試建立動態空間面板計量模型，以檢驗未列入模型的其他遺漏變量對霧霾污染的影響，并與靜態空間面板模型的實證結果比較；第二，使用偏誤修正的空間面板計量模型進行分析；第三，對城鎮化與霧霾污染之間關系進行環境庫茲涅茨曲線檢驗；第四，把城鎮化、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年以后的數據，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據，說明空間計量模型的設定和選擇；第三部分運用靜態和動態空間面板計量模型進行實證分析。第四部分為結論及政策啟示。

1 研究方法與數據

1.1 全局空間關聯性指標

使用自關聯性Moran’s I指數來表示全局空間關聯性。其計算公式為：

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

1.2 空間面板計量經濟學模型

1.2.1 靜態空間面板模型

Anselin等[19]指出，為了確定觀測值之間的空間依賴，空間面板數據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Elhorst[20]，空間滯后模型SLM公式為：

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

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×維參數向量。

1.2.2 動態空間面板模型

埃爾霍斯特[22]認為，空間動態模型中，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以及解釋變量的內生性，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的響應參數。

1.2.3 空間計量經濟學模型的選擇

空間面板數據模型的選擇步驟為：首先，采用拉格朗日乘數即LM-lag、LM-error、Robust LM-lag、Robust LM-error進行空間相關性檢驗；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檢驗在隨機效應和固定效應之間進行選擇。

1.2.4 模型的建立

為了從空間計量經濟學角度探究在城鎮化進程中，能源強度、交通壓力等對霧霾污染的影響，基于IPAT模型的基礎上建立STIRPAT模型。IPAT模型由Ehrlich等[24]最先提出，后來不斷完善，現在被廣泛使用的是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為能源消費結構；TP為交通壓力；ε是標準誤差項。

1.2.5 數據來源

文中對中國30省區（不包括港澳臺）2003－2014年的PM10進行研究，西藏一些年份數據缺失，故不包括西藏。各變量數據來自于《中國統計年鑒》（2004－2015）、《中國能源統計年鑒》（2004－2015）。煤炭消費量由折標系數先折算成標準煤。地理距離權重矩陣中各地區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

以上相關變量的描述性統計結果如表2所示。

表2 面板數據的描述性統計

注：除非特別說明，本文使用的軟件為Matlab_R2012a及空間面板數據模型軟件包。

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

2 結果與分析

2.1 中國霧霾污染分布

使用ArcView軟件，根據自然間斷點分級法，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等級的省區是廣西、海南、福建。廣東、云南、貴州、內蒙古、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 全局空間關聯性檢驗

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指數散點圖作為可視性工具，能直觀的顯示空間自相關的情況，故為了進一步考察各省區PM10的集聚情況，運用GeoDA9.5，采用鄰接空間權重矩陣的“queen”相鄰，可以繪制出2003－2014年間PM10均值的Moran’s I指數散點圖，如圖2所示。Moran’s I指數散點圖劃分為4個象限，代表4種空間自相關：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。絕大多數省區位于第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。極個別省區位于第2象限，即內蒙古、寧夏兩地，說明中國霧霾污染的空間正相關性較強，某一地區的霧霾污染會受到相鄰地區的影響。

圖2 2003－2014年中國PM10均值的Moran’s I指數散點圖

2.3 空間診斷性檢驗

使用經典的拉格朗日乘數檢驗（LM-lag，LM-error）和LeSage and Pace[23]改進的穩健的拉格朗日乘數檢驗（Robust LM-lag，Robust LM-error）進行模型選擇，結果如表3所示。LM-lag和LM-error檢驗顯示，混合OLS，空間固定效應、時間固定效應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和沒有空間自相關誤差項的原假設。空間和時間固定效應的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檢驗進行固定效應的選擇，結果顯示：在1%的顯著水平上，LR檢驗既拒絕了空間固定效應聯合非顯著性的原假設，也拒絕了時間固定效應的聯合非顯著性的原假設，根據Baltagi等的研究[28]，需要使用空間和時間固定效應模型，即雙向固定效應模型。雖然上述2種檢驗表明應該采用雙向固定效應的空間誤差模型，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 靜態空間面板計量實證結果分析

為了驗證空間杜賓模型的穩健性，對空間杜賓模型SDM轉變為空間滯后模型SLM和空間誤差模型SEM進行Wald和LR檢驗，結果如表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化為空間滯后模型的原假設。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，這進一步說明要使用空間杜賓模型。使用空間Hausman檢驗在隨機效應和固定效應之間進行選擇，估計值為25.699 2，自由度為13，<0.05，故拒絕隨機效應模型，使用空間和時間固定效應模型。根據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，參數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估計與使用偏誤修正方法的系數估計差異很小，但空間滯后被解釋變量和解釋變量的系數估計對偏誤修正比較敏感。比較第2列和第3列系數估計，沒有經過偏誤修正的空間自回歸系數較小且沒有通過顯著性檢驗，其余解釋變量系數大小與顯著性接近，這與埃爾霍斯特[22]結論一致。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模型即表4中的第3列數據進行分析。

表4 空間杜賓模型估計結果

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

城鎮化的系數為正，城鎮化平方的系數為負，且都通過了1%水平的顯著性檢驗，說明中國城鎮化與霧霾污染之間存在著環境庫茲涅茨（environmental Kuznets curve，EKC）曲線，驗證了EKC假說。即在中國城鎮化的初始階段，城鎮化程度越高，霧霾污染程度也隨之提高，但當超過一定點后，城鎮化程度的提高會帶來霧霾污染的下降。這是因為隨著城鎮化的進行，一方面，居民的文化素養會得以提高，生態意識增強，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，新型城鎮化會通過綠色城鎮，生態城鎮的發展方向使得霧霾污染下降。交通壓力的彈性系數也為正，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的空間溢出效應顯著為負，人均GDP每增長一個百分點，將使相鄰地區的霧霾污染減少1.689個百分點，這進一步說明，跨區域治理霧霾污染不影響經濟增長。能源強度、交通壓力的空間溢出效應顯著為負，說明跨區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。能源消費結構的空間溢出效應顯著為正，煤炭消費比例的上升會使相鄰地區霧霾污染程度提高。

根據LeSage and Pace[23]，為了說明解釋變量真實的空間溢出效應，要估計直接效應和間接效應。本文分解了空間杜賓模型中各解釋變量的直接效應和間接效應，結果如表5所示。由于反饋效應的存在，表5中解釋變量的直接效應和表4中的系數存在差異。埃爾霍斯特[22]認為，反饋效應部分源于空間滯后被解釋變量的系數估計值，部分源于解釋變量自身的空間滯后變量的系數估計值。城鎮化、城鎮化平方的直接效應和總效應都通過了1%水平下的顯著性檢驗，說明本地區以及全局城鎮化與霧霾污染之間存在EKC曲線。人均GDP的間接效應、總效應顯著為負，這說明本地區人均收入的上升可以使相鄰地區的霧霾污染下降，并且會減少全局霧霾污染。能源強度的間接效應顯著為負，即能源強度下降會減輕本地區霧霾污染程度，但會給相鄰地區帶來負效應，導致相鄰地區霧霾污染上升。這可能是由于中國各地存在保護主義，本地區千方百計采用先進技術，提高能源效率，吸引技術人才流入，從而導致省際之間霧霾污染產生轉嫁現象。能源強度的總效應顯著為負，這是因為中國能源消費效率與發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。能源消費結構直接效應為正，間接效應與總效應顯著為正，說明煤炭消費比例的下降不但會減少本地區霧霾污染，也會顯著抑制相鄰地區的霧霾污染，進而減少全局霧霾污染。交通壓力的直接效應顯著為正，但間接效應顯著為負，交通壓力的上升會明顯加重本地區霧霾污染程度，然而相鄰地區交通壓力上升對本地區霧霾污染存在顯著的抑制效應，說明交通車輛和交通設施存在交互效應，在各地區交通設施各自為政，缺乏統籌協調的情景下，本地區交通壓力的減少以犧牲相鄰地區的大氣環境為代價。

表5 空間杜賓模型的直接效應、間接效應和總效應

2.5 動態空間面板計量實證結果分析

上述靜態空間面板模型雖然說明了城鎮化進程中能源強度、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，建立動態空間面板計量模型。根據最大似然法估計，具有固定效應的動態空間杜賓面板計量模型估計結果如表6所示。具有固定效應的動態空間杜賓面板計量模型的2=0.905 6，log-likelihood=314.932 7，都高于靜態杜賓空間面板計量模型估計結果，說明動態空間杜賓面板計量模型比靜態更為合適，估計結果更為準確。

第一，動態空間杜賓面板計量模型中的空間相關系數為0.212 0，通過了顯著性檢驗，且較之靜態空間面板的空間相關系數有所提高，說明中國霧霾污染正的空間自相關效應明顯。相鄰地區的霧霾污染對本地區影響為正，即當相鄰地區霧霾污染濃度較高時，本地區的霧霾污染程度也隨之提高，反之，當相鄰地區霧霾污染程度下降時，本地區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，建立動態空間面板計量模型是有必要的。

第二，動態空間杜賓面板計量模型中被解釋變量滯后一期PM10(-1)系數高達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：一方面說明中國區域間霧霾污染存在動態連續性，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，反之亦然。忽略動態模型的參數估計會有偏誤；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、乃至貿易開放等遺漏變量會對霧霾污染產生顯著的影響。

第三，動態空間杜賓面板計量模型中，城鎮化的系數為正，城鎮化平方的系數為負，且都通過了10%水平下的顯著性檢驗，中國城鎮化與霧霾污染之間存在倒U型曲線。這與前文靜態空間杜賓模型估計結果一致，城鎮化與霧霾污染之間倒U型關系穩健。能源消費結構系數為正，且通過顯著性檢驗，驗證了優化能源消費結構，降低霧霾污染的結論。交通壓力的系數顯著為正，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顯著為負，與靜態空間面板結論一致，說明采用動態空間面板計量模型，控制動態時滯和遺漏變量以后，并沒有改變前文的基本結論[29]。

表6 具有固定效應的動態空間杜賓面板模型估計結果

3 政策啟示

基于上述實證結果，得出如下政策啟示：第一，治理霧霾污染非一地之力，需要進行區域聯合。可以通過集權制度，建立“國家霧霾治理中心”，進行霧霾的實時監控，信息發布。“國家霧霾治理中心”要通盤考慮霧霾的治理問題，在全國范圍內統一調配公共產品等資源，避免污染行業集中在某一省區。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，協同治理。同時，保證霧霾治理行為的可持續性。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性。可以通過穩定政府霧霾治理預算，設立霧霾治理專項資金，確立監管制度等措施保障政府治理霧霾行為的可持續性。第二，在中國新型城鎮化的進程中，為了減少霧霾污染，首先，以綠色為旗幟，擴大城鎮綠化面積，采用綠色建筑，增加綠色成分，提升生態要素，保護環境。其次，做好城鎮節能基礎設施建設。這包括構建便利的公共交通網絡、建造強大的衛生、排污系統，確保城鎮在集聚人口的同時，節能減排，保持可持續發展。最后，做好綠色城鎮規劃。摒棄片面追求城市規模的做法，重視環境容量，實現城鎮生態的可持續發展，進而實現城鎮化與環境保護的協調發展。第三，在經濟新常態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，故中國在經濟新常態中保持速度與質量并重，提高居民人均收入，在經濟發展中使環境得到改善；第四，降低能源強度，提高能源效率。能源強度體現中國的技術水平，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。《BP世界能源統計年鑒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，中國要通過技術創新等方法降低單位GDP能耗，實現能源的高效利用；第五，降低煤炭消費比例，提高風能、水能、核能、光伏能、太陽能、生物質能等非化石能源比例，實現能源替代。第六，加強交通管理，發展公共交通。可以通過限制出行天數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，使城鄉居民認識到自身的生產、消費行為與霧霾污染密不可分，形成生態文明意識，進而在行動中改變高能耗的消費習慣，形成節約、環保的行為模式。

4 結 論

中國霧霾污染存在著空間集聚，絕大部分省區位于高-高集聚和低-低集聚，某一地區的霧霾污染會受到相鄰地區的影響。人均GDP、能源強度和交通壓力的空間溢出效應顯著為負，跨區域間人均收入、能源強度以及交通壓力的降低會有效減緩霧霾污染程度。能源消費結構的空間溢出效應顯著為正，煤炭消費比例的上升會使相鄰地區霧霾污染程度提高。人均GDP的間接效應、總效應顯著為負，即人均收入的上升利于本地區霧霾污染濃度的下降，相鄰地區人均收入的提高也會使本地區霧霾污染程度降低。能源強度的間接效應與總效應顯著為負。煤炭消費比例的下降不但會減少本地區霧霾污染，也會顯著抑制相鄰地區的霧霾污染，進而減少全局霧霾污染。交通壓力的直接效應顯著為正，但間接效應顯著為負。中國區域間霧霾污染存在動態連續性，忽略動態模型的參數估計會有偏誤；治理霧霾污染非一地之力，需要進行區域聯合。同時，要保證霧霾治理行為的可持續性。在中國新型城鎮化的進程中，為了減少霧霾污染，要以綠色為旗幟，擴大城鎮綠化面積，做好城鎮節能基礎設施建設，以及綠色城鎮規劃。在經濟新常態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，實現能源替代；加強交通管理，發展公共交通。

[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. 能源結構調整與霧霾治理的最優政策選擇[J]. 中國人口·資源與環境，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. 產業結構、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. 霧霾與工業化發展的關聯研究-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.區域大氣污染空間效應及產業結構影響[J]. 中國人口·資源與環境，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. 能源結構、交通模式與霧霾污染—基于空間計量模型的研究[J]. 財貿經濟，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.中國區域創新生產的空間計量分析-基于靜態與動態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.空間計量經濟學-從橫截面數據到空間面板[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）；江蘇省高校“青藍工程”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，主要從事環境經濟學研究。Email：amylxhong@163.com

劉曉紅，江可申. 基于靜態與動態空間面板模型分析城鎮化對霧霾的影響[J]. 農業工程學報，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