交通基礎(chǔ)設(shè)施對(duì)霧霾污染的影響效應(yīng)
——基于BMA方法的檢驗(yàn)

施震凱

(東南大學(xué)經(jīng)濟(jì)管理學(xué)院，江蘇 南京 211189)

交通基礎(chǔ)設(shè)施對(duì)霧霾污染的影響效應(yīng)
——基于BMA方法的檢驗(yàn)

施震凱

(東南大學(xué)經(jīng)濟(jì)管理學(xué)院，江蘇 南京 211189)

本文基于衛(wèi)星監(jiān)測(cè)的PM2.5濃度數(shù)據(jù)，采用貝葉斯模型平均方法，從新方法、新視角和新維度衡量了交通基礎(chǔ)設(shè)施對(duì)霧霾污染的影響效應(yīng)。實(shí)證結(jié)果顯示，交通基礎(chǔ)設(shè)施存量的增長(zhǎng)能夠有效降低霧霾污染程度，即便是在考慮了諸多其他因素時(shí)，這種影響效應(yīng)也能被顯著地識(shí)別出來。在區(qū)分不同交通模式后，發(fā)現(xiàn)公路運(yùn)輸是霧霾污染的重要來源，但以鐵路、軌道交通等為代表的公共交通基礎(chǔ)設(shè)施則有效緩解了霧霾現(xiàn)象，這一結(jié)論在各地區(qū)間具有較高的一致性。

交通基礎(chǔ)設(shè)施；霧霾污染；貝葉斯模型平均

霧霾現(xiàn)象是眾多因素共同作用的結(jié)果，人口數(shù)量、產(chǎn)業(yè)結(jié)構(gòu)、能源構(gòu)成以及交通因素等對(duì)霧霾污染有著較強(qiáng)的溢出作用[1]，其中又以能源燃燒、工業(yè)排污以及交通尾氣排放最為顯著，是中國(guó)PM2.5的主要來源[2]，一些研究認(rèn)為交通部門是城市環(huán)境的最大污染源[3]。然而，既有文獻(xiàn)在研判交通因素對(duì)霧霾污染的影響效應(yīng)時(shí)，主要集中于交通工具數(shù)量或尾氣排放等方面，鮮見將不同交通基礎(chǔ)設(shè)施放在同一研究框架下，分析其對(duì)霧霾現(xiàn)象的影響效應(yīng)。因此，如何在一個(gè)包含眾多影響因素的變量集中，科學(xué)準(zhǔn)確地識(shí)別出不同交通基礎(chǔ)設(shè)施對(duì)霧霾污染的作用效應(yīng)，特別是從建設(shè)情況和模式差異分別進(jìn)行探究，是本文的研究重點(diǎn)。

1 文獻(xiàn)綜述

霧霾污染作為一種氣候現(xiàn)象，其產(chǎn)生原因可歸結(jié)為發(fā)展方式粗放、產(chǎn)業(yè)結(jié)構(gòu)失衡、能源效率低下以及環(huán)境治理等諸多因素[1]。既有文獻(xiàn)從不同角度針對(duì)這一話題展開分析，馬麗梅等通過空間杜賓模型研究能源結(jié)構(gòu)、交通模式與霧霾污染的相關(guān)關(guān)系，發(fā)現(xiàn)能源結(jié)構(gòu)是導(dǎo)致中西部地區(qū)霧霾現(xiàn)象的關(guān)鍵變量，而交通擁堵則是東部地區(qū)高污染的重要因素[2]。馬麗梅和張曉以庫茲涅茨曲線為框架，基于2001—2010年中國(guó)31個(gè)省份的數(shù)據(jù)研究發(fā)現(xiàn)，霧霾污染水平與能源結(jié)構(gòu)以及產(chǎn)業(yè)結(jié)構(gòu)有著顯著的相關(guān)性[4]。以上諸多研究主要從污染源角度進(jìn)行考慮，而人類活動(dòng)對(duì)環(huán)境的輸入性影響亦不可忽視，既有研究發(fā)現(xiàn)城市人口數(shù)量與霧霾污染有著顯著的相關(guān)作用[5-6]，中國(guó)PM2.5濃度與人均GDP之間存在著“倒U形”曲線[7]，而政府調(diào)控以及投資行為均對(duì)霧霾污染有著不可忽視的作用[8]?？傮w來看，既有文獻(xiàn)從多個(gè)角度、多種方法分析了不同因素對(duì)霧霾污染的影響效應(yīng)，但未能在一個(gè)較為完備的研究框架中評(píng)價(jià)這些影響因素的解釋力大小。

此外，交通基礎(chǔ)設(shè)施作為一種物化的實(shí)體，雖然無法通過自身的生產(chǎn)行為對(duì)霧霾現(xiàn)象造成直接貢獻(xiàn)，但其作為影響區(qū)位經(jīng)濟(jì)的一個(gè)重要因素[9]，既可以通過改變區(qū)域經(jīng)濟(jì)的集聚程度影響大氣污染[10]，也可以通過多種間接途徑產(chǎn)生沖擊。這些間接途徑可以表現(xiàn)在多個(gè)方面，例如，發(fā)達(dá)的城市交通能夠顯著縮短道路擁堵所需的等待時(shí)間，減少路面行駛車輛的數(shù)量[3]，長(zhǎng)途客運(yùn)的公鐵之爭(zhēng)可促使居民選擇更為環(huán)保的出行方式，以上典型事實(shí)均有利于降低霧霾污染程度。如何在一個(gè)統(tǒng)一的框架內(nèi)，研判交通基礎(chǔ)設(shè)施建設(shè)對(duì)霧霾現(xiàn)象的影響效應(yīng)，以及分析不同交通模式的差異性影響，形成了本文主要的研究?jī)?nèi)容。

本文可能在以下方面存在著邊際貢獻(xiàn)：第一，不同于既有文獻(xiàn)的分析視角，本文從新角度關(guān)注交通因素對(duì)霧霾污染的影響效應(yīng)，并進(jìn)一步區(qū)分了存量水平和模式差異的不同影響；第二，本文基于貝葉斯模型平均方法，用新方法研究交通基礎(chǔ)設(shè)施對(duì)霧霾污染的影響作用，并針對(duì)前五位最優(yōu)單一模型展開更為細(xì)致的分析；第三，本文將研究樣本細(xì)分至不同地區(qū)，以針對(duì)地區(qū)差異提出相應(yīng)的政策建議。

2 方法簡(jiǎn)介與數(shù)據(jù)說明

2.1 貝葉斯模型平均方法簡(jiǎn)介

經(jīng)濟(jì)理論模型與自然科學(xué)模型相比具有極大的開放性，這就導(dǎo)致被解釋變量在同一研究主題下可存在多個(gè)形式迥異的回歸模型，在不斷“試錯(cuò)”的過程中尋找盡可能擬合現(xiàn)實(shí)經(jīng)濟(jì)運(yùn)行的“真實(shí)模型”[11]。傳統(tǒng)計(jì)量方法需要研究者從眾多解釋變量中選擇部分解釋變量，構(gòu)造一個(gè)形式“最優(yōu)”的回歸模型，在一定程度上忽視了模型形式以及解釋變量的不確定性問題，也未能在估計(jì)參數(shù)值時(shí)有效地利用其他“次優(yōu)模型”所提供的信息[12]，即存在模型形式和解釋變量的雙重“不確定性”。

隨著計(jì)量模型在經(jīng)濟(jì)研究中廣泛利用，模型不確定性所導(dǎo)致的矛盾漸顯，而貝葉斯模型平均方法(Bayesian Model Averaging，BMA)為解決這一矛盾提供了有益的思路。從理論上來說，貝葉斯模型平均方法首先根據(jù)先驗(yàn)信息對(duì)一個(gè)完備模型中的各解釋變量賦予相應(yīng)的先驗(yàn)概率，進(jìn)而結(jié)合樣本數(shù)據(jù)計(jì)算獲得各個(gè)潛在模型Mi的后驗(yàn)概率，并以此作為判斷模型優(yōu)劣的標(biāo)準(zhǔn)。同時(shí)，以后驗(yàn)概率作為權(quán)重計(jì)算出所有潛在解釋變量的后驗(yàn)包含概率，從而分析各解釋變量對(duì)被解釋變量的解釋程度。具體來看，假設(shè)完備模型涉及K個(gè)解釋變量的集合為Xi，對(duì)這些解釋變量進(jìn)行排列組合可形成2K個(gè)不同的單一模型，這些模型均在一定程度上描述了變量之間的關(guān)系，只是對(duì)被解釋變量的解釋力度存在一定的差別，各模型的一般形式可表示如下：

Y=α+βXi+εi

(1)

進(jìn)一步結(jié)合實(shí)際樣本數(shù)據(jù)yi=(y1，y2，…，yT)T，并假設(shè)第i個(gè)模型Mi中的先驗(yàn)概率為P(Mi)，則模型Mi為最優(yōu)單一模型的概率P(Mi|Y)可通過以下公式計(jì)算獲得：

(2)

在得出P(Mi|Y)之后，隨即可以計(jì)算出各解釋變量回歸系數(shù)的后驗(yàn)包含概率、后驗(yàn)均值和后驗(yàn)方差。其中，后驗(yàn)包含概率的數(shù)值在[0，100]這一區(qū)間之內(nèi)，以其作為評(píng)估解釋變量解釋力度的依據(jù)，數(shù)值越大則意味著該解釋變量對(duì)因變量的解釋程度越高。

2.2 模型構(gòu)建及相關(guān)數(shù)據(jù)說明

經(jīng)典的IPAT模型為闡釋人口、財(cái)富和環(huán)境壓力之間的關(guān)系而提出，被廣泛用于研究人類經(jīng)濟(jì)活動(dòng)對(duì)自然環(huán)境的影響。本文的被解釋變量為霧霾污染(haze)，參照Donkelaar等的方法[13]從衛(wèi)星遙感數(shù)據(jù)中提取出中國(guó)各省的PM2.5的年均濃度值，具體數(shù)據(jù)來源于http://sedac.ciesin.columbia.edu/。以鐵路和公路里程衡量的交通基礎(chǔ)設(shè)施建設(shè)情況是本文的主要解釋變量，以鐵路營(yíng)業(yè)里程(railway)和公路里程(road)衡量各省的交通基礎(chǔ)設(shè)施建設(shè)情況，這兩個(gè)變量能夠最為直觀地體現(xiàn)政府在交通基礎(chǔ)設(shè)施方面的投入及成果。本文將可能影響霧霾污染的因素納入IPAT分析框架中，表1列出了其他解釋變量及數(shù)據(jù)處理過程，構(gòu)建了形式如下的完備模型：

hazei,t=gdppopi,t+lnlabori,t+lntechi,t+lnenergyi,t+lngspendi,t+lngrevi,t+lnrailwayi,t+lnhighwayi,t+secondi,t+thirdi,t+kpi,t+εi,t

需要特別指出的是，上述形式并非是最優(yōu)的回歸模型，需要通過BMA方法估計(jì)各子模型的后驗(yàn)概率，再比較后驗(yàn)概率的大小后才能獲得最優(yōu)模型的具體形式。除haze數(shù)據(jù)外，所有數(shù)據(jù)均來自歷年的《中國(guó)統(tǒng)計(jì)年鑒》，樣本時(shí)間段為2000—2012年。同時(shí)，對(duì)總量數(shù)據(jù)做對(duì)數(shù)化處理，以消除量綱所帶來的影響。

表1 模型涉及的解釋變量及相關(guān)說明

3 實(shí)證結(jié)果

3.1 全國(guó)層面實(shí)證結(jié)果

由于本文構(gòu)建的完備模型(非最優(yōu)模型)共包含11個(gè)解釋變量，導(dǎo)致可存在211=2048個(gè)潛在的單一模型。本文通過“奧卡姆窗口”法估計(jì)了各解釋變量的后驗(yàn)包含概率以及后驗(yàn)均值，具體結(jié)果在表2中列出，同時(shí)在表3中列出了后驗(yàn)概率最高的前五位最優(yōu)單一模型的回歸結(jié)果。

表2 全國(guó)層面的BMA回歸結(jié)果

注：PIP、PM和PV分別代表后驗(yàn)包含概率、后驗(yàn)均值和后驗(yàn)標(biāo)準(zhǔn)差。

觀察表2可以發(fā)現(xiàn)，鐵路基礎(chǔ)設(shè)施(lnrailway)的后驗(yàn)包含概率和后驗(yàn)均值分別為91.5和-5.00，說明近年來鐵路基礎(chǔ)設(shè)施的建設(shè)在極大程度上緩減了霧霾污染現(xiàn)象，也意味著公共交通基礎(chǔ)設(shè)施至少在治理霧霾污染方面是一個(gè)極為值得鼓勵(lì)的投資項(xiàng)目。此外，公路(lnroad)的回歸結(jié)果相對(duì)于鐵路的回歸結(jié)果展現(xiàn)出更高的解釋力度，其后驗(yàn)包含概率的數(shù)值達(dá)到了100，且其后驗(yàn)均值為-9.93，導(dǎo)致這一現(xiàn)象的原因可能是隨著公路里程的不斷增加，既能通過能源的充分燃燒減小污染物質(zhì)的排放，也能通過運(yùn)行時(shí)間的縮短降低能源損耗，再加上汽車在居民生活中占有極高的比重，從而使得公路在多個(gè)方面比鐵路更為顯著地減少了汽車尾氣對(duì)環(huán)境帶來的負(fù)面影響。

在其他解釋變量方面，以勞動(dòng)力(lnlabor)衡量的人口因素對(duì)霧霾現(xiàn)象有著重要的解釋力度，其后驗(yàn)包含概率為100，但其后驗(yàn)均值(18.71)為正則意味著在綜合了所有潛在模型的結(jié)果后，BMA方法認(rèn)為人口的增加會(huì)強(qiáng)烈地惡化霧霾現(xiàn)象，即使人均收入(gdppop)的提高也未能有效地減低PM2.5濃度。這就意味著，在目前的社會(huì)發(fā)展水平下，雖然隨著人們收入的提高對(duì)生活環(huán)境有著較高的要求，但這一需求尚未能有效地體現(xiàn)在現(xiàn)實(shí)生活中。以國(guó)內(nèi)專利申請(qǐng)授權(quán)數(shù)(lntech)衡量的技術(shù)水平在全國(guó)層面上對(duì)霧霾污染有著一定的削弱作用，其后驗(yàn)均值為-0.04，但未能展現(xiàn)出較高的后驗(yàn)包含概率(僅為5.6)，未能通過10%的統(tǒng)計(jì)性檢驗(yàn)，導(dǎo)致這一現(xiàn)象的可能原因在于各地區(qū)間存在著一定的差異，是否存在“合成謬誤”削弱了其解釋能力，需要在更為細(xì)分的層面上進(jìn)一步展開研究。自然稟賦(lnenergy)和投資(kp)對(duì)各省的霧霾污染有著不可忽略的影響，其后驗(yàn)包含概率分別為89.4和99.4，在模型中具有較高的解釋力度，而兩者的后驗(yàn)均值分別為2.42和0.30，這一結(jié)果意味著霧霾現(xiàn)象與各省自身的自然稟賦條件有著極為重要的相關(guān)性，一些能源大省更易引致霧霾現(xiàn)象的出現(xiàn)。霧霾污染作為一種負(fù)面效應(yīng)極強(qiáng)的劣等品，對(duì)其治理離不開政府的作用，無論是政府支出(lnspend)還是政府收入(lngrev)均有效地降低了PM2.5濃度，兩者的后驗(yàn)均值分別為-0.30和-0.21。雖然兩者的后驗(yàn)包含概率僅為9.8和8.7，對(duì)因變量的解釋力度尚顯微弱，但已在一定程度上接近10的分界值，霧霾治理依然需要政府作為主導(dǎo)力量。在產(chǎn)業(yè)結(jié)構(gòu)對(duì)霧霾影響的BMA回歸結(jié)果中，第二產(chǎn)業(yè)占比(second)和第三產(chǎn)業(yè)占比(third)均對(duì)霧霾污染有著較高的解釋力度，且兩者后驗(yàn)均值的符號(hào)相反，這就意味著隨著以化石能源為主要?jiǎng)恿Φ牡诙a(chǎn)業(yè)產(chǎn)值占比的增加，將極大程度地惡化霧霾污染。而以“低耗能，高產(chǎn)值”為特點(diǎn)的第三產(chǎn)業(yè)可對(duì)霧霾治理有著積極的作用，但目前這種正向溢出作用所發(fā)揮的影響仍有限，其后驗(yàn)包含概率的數(shù)值僅為11.2，略高于臨界值10。

表2給出了全國(guó)層面上通過BMA方法獲得的模型所包含變量的后驗(yàn)包含概率和后驗(yàn)均值，但在具體的單一回歸模型中并不需要納入所有變量。本文進(jìn)一步在表3中給出了通過BMA方法比較各模型后驗(yàn)概率后獲得的前五位最優(yōu)單一模型的形式及回歸結(jié)果，這五個(gè)模型的形式各不相同但具有一定的相似性，各自包含的解釋變量個(gè)數(shù)分別為7、6、7、6和8。此外，模型1的后驗(yàn)概率值為0.307，遠(yuǎn)高于其他4個(gè)模型的后驗(yàn)概率值0.259、0.062、0.044和0.040，且這五個(gè)模型的后驗(yàn)概率總和達(dá)到了0.7119(所有模型的后驗(yàn)概率總和為1)，這意味著圍繞研究主題可以重點(diǎn)分析這5個(gè)模型的回歸結(jié)果。總體來看，除極個(gè)別解釋變量在10%和5%的統(tǒng)計(jì)水平上顯著外，大部分解釋變量在1%的統(tǒng)計(jì)學(xué)水平上顯著，且各解釋變量在不同模型中的回歸系數(shù)數(shù)值大小和正負(fù)符號(hào)不存在明顯波動(dòng)。

模型1 共包含7個(gè)解釋變量，其調(diào)整R2的數(shù)值為0.4666，表明該模型較好地?cái)M合了觀測(cè)數(shù)據(jù)的分布情況，且除常數(shù)項(xiàng)外各解釋變量的系數(shù)回歸值均在5%的統(tǒng)計(jì)性水平上顯著。重點(diǎn)來看，以鐵路里程(lnrailway)和公路里程(lnroad)衡量的交通基礎(chǔ)設(shè)施建設(shè)情況有效地緩解了霧霾現(xiàn)象，兩者的系數(shù)分別為-5.565和-9.908，且均展現(xiàn)出了較高的統(tǒng)計(jì)顯著性，而第二產(chǎn)業(yè)(second)的系數(shù)值為0.278，顯著為正值，即其在極大程度上惡化了霧霾污染現(xiàn)象。模型2在模型1的基礎(chǔ)上，在回歸模型中剔除了second這一解釋變量對(duì)被解釋變量的影響，但各解釋變量的回歸系數(shù)并未有顯著變動(dòng)，其調(diào)整R2的數(shù)值略微下降(0.4592)，但仍具有較好的擬合度。觀察模型2的回歸結(jié)果可以發(fā)現(xiàn)，即使不考慮第二產(chǎn)業(yè)對(duì)霧霾污染的影響，交通基礎(chǔ)設(shè)施建設(shè)對(duì)于霧霾治理仍有著極為重要的積極作用，且這種影響是穩(wěn)健的。模型3將第三產(chǎn)業(yè)(third)替換第二產(chǎn)業(yè)(second)引入模型中，這種替換并未導(dǎo)致其余解釋變量的回歸結(jié)果出現(xiàn)顯著變動(dòng)，回歸結(jié)果依舊具有一定的穩(wěn)健性，但相較于交通基礎(chǔ)設(shè)施建設(shè)，第三產(chǎn)業(yè)對(duì)霧霾污染的負(fù)向作用較弱。模型4在模型1的基礎(chǔ)上剔除了自然稟賦的影響，這一變動(dòng)導(dǎo)致第二產(chǎn)業(yè)和鐵路基礎(chǔ)設(shè)施的回歸系數(shù)有著一定程度的增加，但系數(shù)的正負(fù)性未有變化，模型所獲得結(jié)論與前3個(gè)模型一致。模型5將政府支出行為(gspend)引入模型1中，該解釋變量的回歸系數(shù)為-3.234，且在1%的統(tǒng)計(jì)水平上顯著，這一結(jié)果意味著政府行為有效遏制了霧霾污染現(xiàn)象，但其在表2中的后驗(yàn)包含概率值較低，表明政府行為在眾多影響因素中對(duì)霧霾治理所發(fā)揮的作用依然有限，需要進(jìn)一步引導(dǎo)加強(qiáng)。

表3 前五位最優(yōu)單一模型的回歸結(jié)果

注：*、**和***分別表示在10%、5%和1%統(tǒng)計(jì)水平上顯著；括號(hào)內(nèi)為t值。

總體來看，在通過BMA方法挑選出的前五位最優(yōu)模型中，模型1具有最高的后驗(yàn)概率，其余4個(gè)模型均可視為在模型1的基礎(chǔ)上微調(diào)了部分解釋變量。但在交通基礎(chǔ)設(shè)施建設(shè)方面，各模型的回歸結(jié)果具有一致性，可以認(rèn)為交通基礎(chǔ)設(shè)施建設(shè)在全國(guó)層面上顯著降低了霧霾污染，且這一結(jié)果具有較高的穩(wěn)健性。同時(shí)，與IPAT模型相關(guān)的解釋變量也顯示出與理論的一致性，人口水平P和財(cái)富水平A兩個(gè)因素對(duì)霧霾污染有著較高的解釋作用，但技術(shù)水平T提升所帶來的影響有限，并且第二產(chǎn)業(yè)和第三產(chǎn)業(yè)對(duì)霧霾污染的影響作用也與既有文獻(xiàn)的研究結(jié)果相一致[14]。這些與理論相符的結(jié)果進(jìn)一步驗(yàn)證了BMA方法在眾多解釋變量中不僅提取了影響霧霾污染的主要影響因素，更獲得了相對(duì)準(zhǔn)確的回歸模型。

3.2 交通模式及地區(qū)差異的回歸結(jié)果

前文采用BMA方法分析了交通基礎(chǔ)設(shè)施建設(shè)對(duì)霧霾污染的影響效應(yīng)，發(fā)現(xiàn)公路和鐵路里程增長(zhǎng)對(duì)霧霾治理起著積極的作用，主要從交通基礎(chǔ)設(shè)施存量的角度衡量其對(duì)霧霾污染的沖擊作用。一般而言，公路和鐵路分別代表了汽車交通模式和公共交通模式，不同交通模式所承擔(dān)的運(yùn)輸量同樣具有重要的現(xiàn)實(shí)意義。此外，軌道交通是近年來為緩解城市交通擁堵以及治理環(huán)境污染問題所重點(diǎn)發(fā)展的項(xiàng)目，其效果如何亦待檢驗(yàn)。本文進(jìn)一步分析客運(yùn)、貨運(yùn)以及軌道交通建設(shè)對(duì)霧霾污染的影響效應(yīng)，并區(qū)分不同地區(qū)以尋求更為細(xì)致的結(jié)果。

觀察表4可以發(fā)現(xiàn)，隨著公路運(yùn)輸量的增加，對(duì)霧霾污染帶來了正向的溢出作用，且客運(yùn)和貨運(yùn)的后驗(yàn)包含概率均為100，即PM2.5濃度隨著公路運(yùn)輸量的增加而增加，這一結(jié)果與直觀感受相一致。鐵路運(yùn)輸則緩減了這一現(xiàn)象，客運(yùn)和貨運(yùn)量的增加均有效緩解了霧霾污染程度，但這種影響主要集中于客運(yùn)方面，貨運(yùn)的解釋力度尚低。軌道交通有效降低了城市霧霾污染水平，但鑒于只有極少數(shù)城市建成了完善的軌道交通設(shè)施，其對(duì)霧霾的治理作用尚不顯著。在區(qū)分不同區(qū)域后，各解釋變量表現(xiàn)出一定的差異，且主要表現(xiàn)在后驗(yàn)包含概率上，即不同交通模式對(duì)霧霾污染的解釋力存在地區(qū)性差異。具體來看，公路運(yùn)輸對(duì)各地區(qū)霧霾污染有著重要的影響作用，不僅后驗(yàn)均值為正且具有較高的后驗(yàn)包含概率，并呈現(xiàn)出從東往西依次遞減的趨勢(shì)。與公路運(yùn)輸相反，鐵路客運(yùn)和貨運(yùn)的后驗(yàn)均值皆為負(fù)數(shù)，在一定程度上降低了霧霾濃度，但這種效應(yīng)在東部地區(qū)不顯著，兩者的后驗(yàn)包含概率僅為4，與中西部地區(qū)相比解釋程度不高。此外，軌道交通對(duì)霧霾治理的作用尚不明顯，東部地區(qū)由于起步較早且多個(gè)城市已建成并投入使用，導(dǎo)致其對(duì)霧霾污染具有一定的解釋力，但在中西部地區(qū)尚未發(fā)揮相應(yīng)的影響效應(yīng)。僅從霧霾污染治理的角度來看，應(yīng)當(dāng)鼓勵(lì)各地政府重點(diǎn)發(fā)展鐵路和軌道交通等對(duì)環(huán)境友好的公共交通基礎(chǔ)設(shè)施。

表4 交通模式及地區(qū)差異的BMA回歸結(jié)果

注：PIP和PM分別代表變量的后驗(yàn)包含概率和后驗(yàn)均值。

4 結(jié)論

本文通過衛(wèi)星遙感數(shù)據(jù)提取出2000—2012年中國(guó)的PM2.5濃度數(shù)據(jù)，在IPAT研究框架中采用貝葉斯模型平均方法，從眾多影響因素中分析交通基礎(chǔ)設(shè)施建設(shè)對(duì)霧霾污染的影響效應(yīng)。觀察BMA方法的回歸結(jié)果可以發(fā)現(xiàn)，在全國(guó)層面上，以鐵路里程和公路里程衡量的交通基礎(chǔ)設(shè)施在眾多解釋變量中對(duì)霧霾現(xiàn)象有著不可忽略的影響作用，且交通基礎(chǔ)設(shè)施建設(shè)能夠有效緩解霧霾污染，但人口、投資水平、資源結(jié)構(gòu)以及產(chǎn)業(yè)結(jié)構(gòu)依然是引致中國(guó)霧霾污染的重要因素。同時(shí)，相比于依賴公路建設(shè)的汽車交通模式引致的可吸入顆粒物排放，以鐵路和軌道交通為代表的公共交通模式對(duì)霧霾治理有著積極作用，但這種作用主要體現(xiàn)在客運(yùn)方面，貨運(yùn)量增長(zhǎng)所帶來的正外部性依然較弱，且各地區(qū)存在一定的差異。

結(jié)合實(shí)證研究結(jié)果，本文提出以下幾點(diǎn)政策建議及未來研究方向：首先，應(yīng)加大公路和鐵路基礎(chǔ)設(shè)施的建設(shè)，即通過“擴(kuò)容”緩解交通擁堵問題，減少汽車等交通工具的在途時(shí)間，但高速公路和高速鐵路等高等級(jí)交通基礎(chǔ)設(shè)施建設(shè)對(duì)霧霾污染帶來的新變化，值得進(jìn)一步探索；其次，增加既有鐵路設(shè)施的運(yùn)輸能力，緩解運(yùn)能不足問題，同時(shí)考慮到其建設(shè)需要較大的資金和時(shí)間成本，難以在短期內(nèi)起效，不妨考慮增加既有設(shè)施的運(yùn)輸能力，即在擴(kuò)容的同時(shí)提高運(yùn)輸效率，特別是通過鐵路提速增強(qiáng)貨物運(yùn)輸能力，而如何準(zhǔn)確衡量交通基礎(chǔ)設(shè)施效率提升對(duì)霧霾的影響效應(yīng)，也是未來值得研究的方向之一；最后，政府應(yīng)側(cè)重環(huán)保型公共交通基礎(chǔ)設(shè)施建設(shè)，特別是進(jìn)一步推進(jìn)鐵路電氣化、新能源車以及充電樁等設(shè)備的普及，促進(jìn)交通模式轉(zhuǎn)變，鼓勵(lì)居民選擇綠色出行方式。

[1]邵帥,李欣,曹建華,楊莉莉.中國(guó)霧霾污染治理的經(jīng)濟(jì)政策選擇——基于空間溢出效應(yīng)的視角[J].經(jīng)濟(jì)研究,2016(09):73-88.

[2]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(jì)量模型的研究[J].財(cái)貿(mào)經(jīng)濟(jì),2016(01):147-160.

[3]LUO Z，WAN G H，WANG C，ZHANG X.Pollution and road infrastructure in cities of the People’s Republic of China[R].ADB Institute Working Paper,NO.717，2017.

[4]馬麗梅,張曉.中國(guó)霧霾污染的空間效應(yīng)及經(jīng)濟(jì)、能源結(jié)構(gòu)影響[J].中國(guó)工業(yè)經(jīng)濟(jì),2014(04):19-31.

[5]HAN L，ZHOU W，LI W，LI L.Impact of urbanization level on urban air quality：a case of fine particles(PM2.5)in Chinese cities[J].Environmental pollution，2014，194(7):163-170.

[6]童玉芬,王瑩瑩.中國(guó)城市人口與霧霾:相互作用機(jī)制路徑分析[J].北京社會(huì)科學(xué),2014(05):4-10.

[7]HAO Y，LIU Y M.The influential factors of urban PM2.5，concentrations in China：aspatial econometric analysis[J].Journal of cleaner production，2015，112:1443-1453.

[8]張征宇,朱平芳.地方環(huán)境支出的實(shí)證研究[J].經(jīng)濟(jì)研究,2010(05):82-94.

[9]劉鉅強(qiáng),趙永亮.交通基礎(chǔ)設(shè)施、市場(chǎng)獲得與制造業(yè)區(qū)位——來自中國(guó)的經(jīng)驗(yàn)數(shù)據(jù)[J].南開經(jīng)濟(jì)研究,2010(04):123-138.

[10]東童童,李欣,劉乃全.空間視角下工業(yè)集聚對(duì)霧霾污染的影響——理論與經(jīng)驗(yàn)研究[J].經(jīng)濟(jì)管理,2015(09):29-41.

[11]BROCK W A，DURLAUF S N.Growth empirics and reality[J].World bank economic review，2001，15(2):229-272.

[12]RAFTERY A E.Approximate Bayes factors and accounting for model uncertainty in generalised linear models[J].Biometrika，1996，83(2):251-266.

[13]DONKELAAR A V，MARTIN R V，BRAUER M，et al.Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth：development and application[J].Environmental health perspectives，2010，118(6):847-855.

[14]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(guó)科技論壇,2015(09):49-55.

TheEffectsofTrafficInfrastructureonHazePollution——ATestBasedonBMAMethod

Shi Zhenkai

(School of Economics and Management，Southeast University，Nanjing 211189，China)

This paper used the Bayesian Model Averaging method to measure the effects of traffic infrastructure on haze pollution on the basis of the data of PM2.5that monitored by the satellite.The empirical results showed that the transportation infrastructure could effectively reduce the haze pollution phenomenon on the national level，and this effect could also be significant recognized by taking other factors into account.In addition，when considering different traffic patterns，the highway had a great interpretation on haze pollution，and the public traffic infrastructure effectively reduced the haze pollution.This conclusion is unanimous in different regions.

Traffic infrastructure；Haze pollution；Bayesian Model Averaging method

國(guó)家社科基金項(xiàng)目(14CJL020)，中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金，江蘇省研究生培養(yǎng)創(chuàng)新工程(KYLX16_0174)。

2017-03-17

施震凱(1988-)，男，江蘇無錫人，東南大學(xué)經(jīng)濟(jì)管理學(xué)院博士研究生；研究方向：環(huán)境規(guī)制與環(huán)境政策、國(guó)際貿(mào)易學(xué)。

F127、F727、F740

A

(責(zé)任編輯 沈蓉)