新時代背景下環境保護政策對霧霾防治的效應分析
——基于PM2.5濃度變化視角的實證研究

張立文， 程東坡， 許玲麗

（1. 上海財經大學 統計與管理學院，上海 200433； 2. 上海大學 經濟學院，上海 200444）

一、引 言

量化評估政府相關環境政策效應，并以此為依據實現霧霾治理政策的調整與再實施，已經成為目前政府和社會各界共同關心的重要課題。改革開放以來，中國在實現經濟高速發展的同時出現了大氣環境惡化問題。2013年以來，霧霾在全國各地頻繁爆發甚至規模較大，引起全社會的廣泛關注。雖然經過各級政府的多方治理，但環境問題依然嚴峻，已經成為影響國計民生的重大問題。以PM2.5為首要污染物的霧霾污染不僅影響了人們的日常生活與健康，而且對我國社會經濟產生諸多負面影響。環境惡化問題已經成為中國吸引海外資本和國際人才的一大障礙，對發展旅游服務業也存在不利影響。因此，環境問題的負外部性影響遠超經濟利益損失本身（陳詩一和陳登科，2016）。我國正處于經濟轉型的關鍵時期，黨的十八大以來環境保護被推上新高度，大氣污染防治成為重中之重。十八大之后我國開啟了保護環境、謀求綠色發展的新篇章：從《大氣污染防治行動計劃》到《中華人民共和國環境保護法》的修訂，再到《中華人民共和國大氣污染防治法》的修訂，這一系列政策法案的出臺為環境保護與大氣污染防治工作提供了重要依據與操作指導。五年間，大氣環境質量得到明顯的改善和提升，如產業、能源和交通這三大重點領域結構得到優化，大氣污染防治的新機制基本形成。在黨的十九大會議上，中央對大氣污染防治提出了更高的要求，習近平總書記在報告中明確提出要著力解決突出環境問題，并指出要“持續實施大氣污染防治行動，打贏藍天保衛戰”。近年來，各級政府從財政補貼到立法保障，大氣污染治理的投入巨大。環保政策實施效果，將影響政策目標的實現。因此，了解相關政策實施效果過程中可能存在的問題及實際政策效果，有助于對相關政策作出合理調整與再實施，這有利于最大程度地提升相關政策實施的有效性，并降低政府治理污染的經濟成本，從而實現相關治理目標。有鑒于此，如何量化評估環境政策效應，動態調整環境政策，實現環境長效治理目標，是本文嘗試回答的核心問題。

現有文獻對于霧霾的研究主要集中在以下幾個方面：霧霾的危害（張燕萍等，2007；謝元博等，2014；崔亮亮等，2015；Lee等，2014；Gao等，2016）、霧霾的成因（何小鋼，2015；李云燕等，2016；Zheng等，2016；張立輝等，2016；吳建南等，2016）、霧霾的防治（溫晉鋒和王赟，2016；李永友和文云飛，2016；岳利萍和馬瑞光，2016）以及霧霾主要污染物PM2.5的預測（彭斯俊等，2014；胡玉筱和段顯明，2015；戴李杰等，2017；Zhou等，2014；Yu等，2016；Wang等，2017）。研究宏觀環境政策對霧霾防治影響的文獻則不多，政策評估中研究方法是難點，本文主要采用機器學習方法進行研究?，F有文獻對政策效應的研究方法，主要有雙重差分法（DID）（趙紹陽等，2014；王兵等，2017；石慶玲等，2016）和合成控制法（SCM）（劉甲炎和范子英，2013；陳曄婷等，2016；黃啟才，2018）。兩者都是基于自然試驗條件的假設，研究適用全國的環境政策顯然已經不滿足于“自然試驗”條件。機器學習方法的優點是可以放松“自然試驗”條件，可以從預測角度量化環保政策對霧霾防治的影響，為研究不滿足自然試驗條件的政策效應研究提供可能，因此對本文的研究是比較合適的研究方法。

本文以北京、蘭州、天津、太原四個城市的霧霾首要污染物PM2.5濃度為研究對象，采用時間序列算法建立PM2.5的預測模型，通過基于歷史數據預測“如果沒有中共十九大政策影響（以下稱為“政策缺失狀態”）”的潛在PM2.5濃度（即政策評價中的反事實狀態），然后將其與實際的PM2.5濃度進行對比，二者之間的差值即反映出政策的實施效應。因此，本研究的關鍵工作便是如何科學準確地基于歷史數據來預測政策缺失狀態下的PM2.5濃度。本文在研究方法上，采用傳統的ARIMA和HW時間序列模型以及機器學習算法RF和Prophet，建立PM2.5濃度的預測模型，通過模型優越性對比，選擇表現最佳的Prophet模型進行樣本外預測。本文的研究結果表明，中共十九大一攬子環保政策對霧霾防治的正向作用明顯。本文進一步考察中共十九大政策效應的區域異質性，探討了政策執行過程中的“兩會藍”現象及政策乏力問題，根據實證研究結果，本文最后給出相應的政策建議。

本文的研究貢獻主要體現在以下兩個方面：（1）豐富了霧霾主要污染物PM2.5濃度的預測研究。現有文獻從霧霾成因角度建立PM2.5濃度的預測模型，往往不能很好地解決內生性問題，本文采用機器學習的時間序列預測方法，可以很好地緩解內生性問題。（2）拓展了政策效應的研究，為我們在研究條件不滿足“自然試驗”的情況下提供了新的研究思路。

其他部分的內容安排如下：第二部分是文獻綜述；第三部分是相關理論基礎；第四部分介紹樣本數據和研究的設計思路；第五部分進行實證研究，并對實證結果進行政策分析；最后是對全文的總結并提出政策建議。

二、文獻回顧

（一）霧霾的危害、成因、防治研究

霧霾給國家和人民的生產生活帶來了較大的負外部性。在此背景下，國家投入大量的資源用于霧霾研究，期望通過相關研究成果指導霧霾防治。霧霾的主要污染物是可吸入顆粒物PM2.5，由于PM2.5的顆粒物直徑小，活動范圍廣，且易于吸附有毒或有害物質，會對人體健康造成極大的危害。研究表明，霧霾顆粒物會嚴重破壞人體呼吸系統功能（謝元博等，2014；崔亮亮等，2015；Fang等，2016；Gao等，2016），誘發心腦血管疾?。詈１?，2010；孫兆彬等，2016），造成新生兒先天缺陷（Bell等，2007；王玲玲等，2016；馮仁杰等，2017），同時還會削弱人體免疫系統（Lee等，2014）。統計數據顯示，霧霾對我國經濟造成嚴重的影響，導致經濟下行壓力加大（王桂芝等，2016）。因此，霧霾成因研究以及基于成因進行霧霾的有效防治研究成為諸多學者關注的焦點。現有文獻主要從兩個角度探究霧霾成因：一是從政府角度探究。研究表明，政府不合理的經濟結構和產業布局，是北方地區霧霾高發的根本原因（何小鋼，2015；石慶玲等，2016；李云燕等，2016；冷艷麗和杜思正，2015）。二是從能源結構、工業聚集和軌道交通等角度探究（席鵬輝和梁若冰，2015；于文金，2016；吳建南等，2016）。在采取源頭減排的環境政策下，我國霧霾防治已經取得了階段性成果，但形勢依然嚴峻。為進一步提高霧霾防治的效果，一些研究關注了政府現行政策以及企業的排污行為（周景坤和杜磊，2015；溫晉鋒和王赟，2016），希望能通過源頭減排和末端治理并舉，發揮市場機制（岳利萍和馬瑞光，2016；李永友和文云飛，2016）的作用，提高防控效果。

綜上所述，當前學者對霧霾的研究主要集中在霧霾的危害、成因以及監管等方面，很少有學者研究全國范圍的政策效應。本文從預測的角度研究全國范圍內的環境政策效應是一種新的嘗試。

（二）PM2.5的預測研究

預測是一項數據科學任務，是組織內部許多活動的核心。例如跨行業的部門必須進行目標規劃，在資源約束條件下有效地分配稀缺資源。由于PM2.5濃度影響因素的復雜性，準確預測PM2.5濃度一直是一種挑戰。現有文獻中提出的預測模型大致分為兩類：第一類是單一預測模型，第二類是混合預測模型。單一預測模型主要有線性回歸模型、時間序列、灰色模型、貝葉斯等傳統方法以及支持向量機、神經網絡等算法為主導的人工智能方法。已有大量文獻運用ARIMA和MLR等線性模型對空氣污染物（PM2.5和PM10）濃度進行預測（胡玉筱和段顯明，2015；彭斯俊等，2014；王勖之等，2017；Elbayoumi等，2013）。當空氣污染物濃度序列是線性時，ARIMA和MLR預測結果具有更高的可靠性和可解釋性，但其局限性在于過度依賴這種線性映射能力。實際上，污染物時間序列大多是非線性、非平穩和不規則的序列。為了克服線性模型的缺點，ANN等人工智能算法被廣泛應用于預測顆粒物濃度（戴李杰等，2017）。但是，人工智能模型也有其局限性，諸如神經網絡模型容易陷入局部最優和訓練過度，而支持向量機對參數選擇比較敏感。為了提高模型的預測性能，近年來越來越多的學者嘗試使用混合預測模型以提高預測性能（Díaz-Robles等，2008；Lin等，2011；Perez，2012；Antanasijevi?等，2013）。隨著“分解和集合”的思想得到發展，該思想逐漸被運用于時間序列預測（Yu等，2016）。這種方法可以彌補確定性模型和統計模型的缺點，學者已經證明“分解—集合”方法用于時間序列預測的有效性，由此PM2.5濃度的預測精度大大提高（Zhou等，2014；Yu等，2016；Wang等，2017）。

上述研究都是采用離線的處理方式，然而，PM2.5預測和股價預測、天氣預測、交通流量預測等一樣，時間序列數據往往以數據流的形式貫序到達，且數據的潛在分布和變化趨勢隨時間不斷發生變化，在此情形下，能夠捕捉序列變點的非線性時間序列模型更適合處理這些非平穩時間序列預測問題。先知（Prophet）模型是Taylor和Letham（2018）提出可以捕捉序列變點的一種大規模時間序列數據預測算法。Taylor和Letham（2018）運用Prophet模型對臉書（Facebook）事件（events）平臺話題數量進行預測分析，相比ARIMA、指數平滑法以及隨機森林模型具有更快的擬合速度和更好的預測性能。本文將采用Prophet模型對PM2.5顆粒物濃度進行預測。該模型是數據驅動研究政策效應的一種方法，沒有傳統模型需要考慮的內生性問題，可以為政策效應的研究提供新的思路。

三、理論模型

自回歸移動平均模型（ARIMA）和三次指數平滑法（Triple/Three Order Exponential Smoothing，Holt-Winters）是以隨機理論為基礎的時間序列方法，當所研究序列服從線性關系時，其預測結果具有可靠性和可解釋性。本文首先采用這兩種傳統方法進行PM2.5的預測。但ARIMA和HW方法過于依賴線性映射能力，本質上屬于線性模型?？紤]到實際中PM2.5的序列可能是非線性、非平穩和不規則的序列，本文進一步利用隨機森林（RF）算法，克服序列的非線性問題。由于PM2.5的數據往往以數據流的形式貫序到達，數據的潛在分布和趨勢可能不斷發生變化。在此情形下，能夠捕捉序列變點的非線性時間序列模型更適合處理這些非平穩時間序列預測問題。本文使用先知Prophet模型進行預測分析（Taylor和Letham，2018）。

Prophet模型是一種應用場景豐富的通用模型。與傳統模型相比，Prophet模型更加簡單、靈活并能獲得優良的預測結果。模型如下①ARIMA·HW和RF算法結果將用于比較分析。：

模型整體由三部分組成，增長趨勢、季節性趨勢、節假日模型對預測值的影響，?t是噪聲項，表示模型未預測到的波動，這里假設?t是高斯分布。

（1）增長趨勢。增長趨勢是整個模型的核心組成部分，它表示整個時間序列是如何增長的，以及預期未來是如何增長的。這部分有兩種可選擇模型：非線性增長和線性增長。非線性增長的公式采用分段的邏輯回歸模型：

其中C（t）為承載能力，其定義了所能增長的最大值，k、b分別表示原始增長率和原始偏移量。Prophet模型首先定義了增長率k發生變化的點，稱為變點，用sj（j=1，2，…，S）表示，每個變點相對應的斜率調整值為δj，其中S表示變點的個數。δ=（δ1，δ2，…，δS），aj=I（t≥sj），a（t）∈{0，1}S，其中I為示性函數，當t≥sj時取1，反之取0。每個變點對應的增長率為k+a（t）Tδ。調整原始增長率k后，偏移量b也要相應調整為b+a（t）Tγ，其中γ為變點的調整。線性增長模型為：

（2）季節性趨勢。時間序列中可能包含多種周期類型的季節性趨勢，Prophet模型利用傅里葉級數近似表達周期屬性，公式如下：

其中P表示固定的周期（年、月、周、日、小時等）。令s（t）中的所有季節性時間序列模型組合成向量X（t），最終的季節性模型為：

其中，β～N（0，σ2），以提高季節性模型的平滑性。

（3）節假日模型。節假日或者一些大事件都會對時間序列造成較大影響，而且這些點往往不存在周期性。一些時候這些點甚至比常規點更重要。節假日模型將不同節假日在不同時點下的影響視作獨立?？紤]到節假日應該有一個時間跨度，因此為每個模型設置了時間窗口，并將模型統一窗口期中的影響設置為相同的值。用i表示節假日，Di表示窗口期中包含的時間t，則節假日模型h（t）可表示為：

其中，ki表示窗口期間假期對預測值的影響。

Prophet模型的優勢是可以分別得到例如趨勢、周期、假日效應，以及一些異常值。在趨勢方面，它支持變點選擇，實現分段線性擬合。在周期方面，它使用傅里葉級數來建立周期模型，在節假日和緊急情況方面，可以通過表格以及之前和之后的相關N天來指定假期?？紤]到PM2.5數據的非線性、非平穩性和不規則性，以及數據的分布和變化趨勢隨時間變化等性質，運用Prophet模型刻畫數據更為合適。

四、樣本數據和研究設計

（一）研究區域和樣本數據

本文選取2014年1月至2018年8月北京、天津、太原、蘭州四個城市PM2.5濃度月度平均數據作為研究樣本，分析中共十九大一攬子環境政策對PM2.5防治的效果。北京、天津、太原、蘭州這些省會城市，經歷了城市化的快速發展，城市人口、能源消耗、機動車輛增加，形成了大氣污染加劇的局面（Marshall等，2008；Zhang等，2012）。自2013年以來，霧霾污染在全國大范圍爆發，主要集中在北方城市。本文選擇北京、蘭州、天津和太原四個省會城市，主要基于以下兩個原因：一是考慮到中共十九大政策的影響范圍；二是考慮到不同地區的地理位置，不同地區的地形、氣候條件各不相同，選擇跨度較大的四個城市也有利于說明模型的穩定性以及研究的可靠性。PM2.5數據來源于中國環境監測總站（http：//www.cnemc.cn）。中國國家環境監測中心每月發布每個城市的PM2.5數據及監測報告。四個城市PM2.5濃度的月度平均數據手動獲取。

本文的數據集劃分如下：訓練集為2014年1月至2017年6月測試集為2017年7月至2017年9月。政府2014年1月至2017年4月期間發布了一系列環境政策，形成了一個較為完善的環境治理體系；2017年5月至中共十九大召開前，政府并未進一步推出大氣環境治理政策。因此，以2017年6月作為時間節點劃分數據集。本文所有實驗均在Python3環境下完成。

（二）研究設計思路

本文研究步驟如下：（1）從中國環境監測總站搜集北京、蘭州、天津、太原四個城市2014年1月至2018年8月的月度數據。（2）分別建立ARIMA、HW、RF以及Prophet算法的時間序列預測模型。（3）進行模型的對比分析，選擇最優模型。（4）基于最優模型建立時間序列算法，建立PM2.5的預測模型基于歷史數據預測如果沒有中共十九大政策影響（以下稱為“政策缺失狀態”）的潛在PM2.5濃度（即政策評價中的反事實狀態），然后將其與實際的PM2.5濃度進行對比，二者之間的差值即反映出政策效應。（5）進行政策評價和異質性分析。

五、實證結果及其分析

（一）描述性統計分析

四個城市的PM2.5月度平均濃度變化曲線如圖1所示。從圖1可以看出，PM2.5濃度在不同的城市變化趨勢大致相同，但絕對水平上有顯著差異。PM2.5濃度變化具有較為明顯的季節性，進入冬季供暖時期，PM2.5濃度逐漸增加。其中北京市在中共十九大后的冬季供暖期，PM2.5的濃度變化異常，供暖期過后，PM2.5濃度不降反升。表1對四個城市PM2.5濃度變化的數據特征進行概括。根據表1，可以看到，在四個城市中，PM2.5濃度水平有較大差異，地理位置越靠近西部地區，PM2.5濃度水平越低。

圖1 四個城市的PM2.5月度平均濃度走勢圖

表1 四個城市PM2.5濃度變化的數據特征

（二）評價準則

我們通常使用平均相對誤差（MAPE）作為評價指標，來看預測值靠近觀測值的程度，從而對模型的表現進行評價。用yt表示觀測值，表示t時刻的預測值，表示觀測結果的均值。評價標準MAPE度量和之間的相對誤差。定義如下：

（三）預測結果和討論

1. 模型比較與模型選擇

基于PM2.5濃度月度數據以及影響因素的復雜性，本文分別選擇差分自回歸移動平均模型（ARIMA）、三次指數平滑（HW）以及隨機森林算法（RF）建立PM2.5濃度變化的預測模型。ARIMA和HW算法是時間序列預測的經典算法，在金融領域具有廣泛的應用。當所研究的序列是線性時，ARIMA和HW預測結果具有更高的可靠性和可解釋性，但其局限性在于過度依賴這種線性映射能力。因此，本文在傳統時間序列預測方法的基礎上選擇常用的機器學習隨機森林算法（RF）以及Facebook開源的時間序列Prophet模型，解決數據序列的非線性問題。

實際運用中，HW算法的精度非常依賴于參數的選擇?，F有文獻大多數使用經驗給定的參數范圍，通過格子點搜索法選擇最優參數。本文使用改進的HW算法，通過格子點搜索法在擬合結果最優以及接近的最優參數中，選取一組預測效果最好的參數。對于β與γ，本文采用了0到1之間，50等分的格子點。對于α，由于α≠0，本文選用了0.01到1之間，50等分的格子點。文中使用訓練集和測試集的MAPE指標來判斷擬合效果與預測結果的優劣，然后選擇擬合效果最好的5%參數組作為備選參數，再通過判斷備選參數的預測效果，選擇一組擬合效果最好的參數。為了使模型具有更好的預測性能，本文采用格子點搜索隨機森林的最小葉子結點、樹的棵樹以及隨機森林使用特征的最大數量，同時采用五折交叉驗證，對訓練數據進行訓練，建立PM2.5濃度預測的隨機森林模型。表2給出了各個模型對四個城市PM2.5濃度的預測表現。

表2 各模型對四個城市PM2.5濃度的預測表現（MAPE）

根據表2，可以發現，Prophet模型的預測結果中，對天津和太原的預測效果較好，同時，對北京和蘭州PM2.5濃度的預測精度也達到了可以參考的標準。

由于ARIMA和HW算法本質上適應于線性模型，無法捕捉到數據間的非線性關系，而RF算法僅對大樣本才表現出良好的預測性能，因此本文的研究目標與研究設計，下面將使用Prophet模型進行樣本外預測，分別對四個城市在中共十九大政策缺失狀態（反事實狀態）下的PM2.5濃度進行預測，然后與中共十九大后的實際PM2.5濃度進行對比，來評價中共十九大推行的環境政策對PM2.5防治產生的效果。

2. 政策評價

完成樣本外預測工作后，通過將預測所得的反事實狀態下的PM2.5濃度與實際PM2.5濃度進行對比，便可以反映出中共十九大召開與之后的政府行動在大氣污染防治方面的實際效果。圖2給出了北京市的訓練集擬合和樣本外預測情況。圖2中Target和Predict分別指政策實行后的真實PM2.5濃度和政策缺失狀態的PM2.5預測濃度。

反事實狀態下，在冬季供暖期，北京市潛在的PM2.5濃度會逐漸上升，度過冬季供暖期后進入春夏季節PM2.5會逐漸下降，在夏季達到最低。中共十九大召開后，在2017年10至2018年2月4個月間，PM2.5濃度真實結果平均下降41.52%。進入2018年3月至今，北京市PM2.5濃度出現反彈，后又逐漸下降，總體曲線高于預測結果，相對平均偏差18.57%。

因此，不難看出，在中共十九大之后的4個月，北京的PM2.5濃度得到明顯改善，說明中共十九大后政府的大氣防治工作收到顯著效果，但是從2017年12月至2018年3月PM2.5濃度的急劇回升，大氣污染防治工作效果不明顯。這可能與政府的環境監管力量不足、執法力度不夠有關。

圖3、圖4和圖5分別給出了蘭州、天津、太原三個城市的樣本擬合以及樣本外預測情況。

圖2 北京市的訓練集擬合和樣本外預測情況

圖3 蘭州市的訓練集擬合和樣本外預測情況

圖4 天津市的訓練集擬合和樣本外預測情況

根據蘭州、天津、太原三個城市的樣本外反事實預測曲線，潛在的PM2.5濃度均明顯高于中共十九大后的真實值。這說明中共十九大之后的各級政府在大氣污染治理方面的行動效果顯著，各地PM2.5濃度得到有效控制?？梢杂嬎愠?，蘭州、天津、太原的PM2.5濃度分別下降25.5%、24.90%、24.29%。2017年10月到2018年2月為北方城市供暖期，PM2.5濃度逐漸上升，處于較高的水平，度過供暖期進入春夏季節，PM2.5濃度逐漸下降到較低的水平。供暖期間蘭州、天津、太原三個城市的PM2.5濃度下降平均百分比分別為11.06%、31.53%、25.73%，可見，供暖期間天津市對PM2.5的防治效果相對更好。三個城市春夏季節PM2.5濃度降幅分別為37.61%、20.35%、14.05%，可見三個城市在春夏季對PM2.5防治效果也比較顯著，特別是蘭州，其PM2.5濃度降幅最大，甚至大于其在2017年底供暖期的下降幅度。

如果進一步對四個城市的政策效應進行對比，計算四個城市實際PM2.5濃度相比其反事實狀態（政策確實狀態）潛在值的下降幅度，不難發現，北京、天津在供暖期PM2.5濃度降幅分別為41.52%、31.53%，明顯高于蘭州和太原的11.06%和25.73%。這在一定程度上說明北京、天津作為直轄市，其政策體系相對健全，地方政府對中央精神響應更快，執行力更強，因此其大氣污染防治工作效果更顯著。相比之下，太原的大氣污染防治工作效果略低于天津，而蘭州的響應速度要相對滯后，到2018年的春夏季節，蘭州的環境政策效應開始顯現，PM2.5濃度下降37.61%。因此，實證結果也反映了中共十九大環境政策效應的地區異質性。

綜上所述，中共十九大之后的一段時間內，北京和天津的PM2.55濃度得到顯著改善，而后期PM2.5濃度出現回升。PM2.5濃度變化出現反季節趨勢的現象，究其原因是中共十九大的召開，各級政府為了提升地方形象和政績，利用運動式、政治性動員，甚至采取臨時性管制措施來治理大氣污染，營造碧水藍天的和諧景象（石慶玲等，2016）。實際上，這種改善在中共十九大召開前就已經開始，政策影響持續1到4個月，過后空氣質量又出現了迅速惡化，惡化幅度甚至比中共十九大政策對污染改善的幅度還要大。換言之，這種因為特殊“環境保護”而出現的“短暫藍”有悖于可持續發展理念，不利于霧霾的長效治理，同時也產生了巨大的資源浪費問題。與此不同的是，我們從圖4和圖5中可以看出，蘭州、太原的霧霾防治更加注重可持續性，對于大氣改善效果較好。

圖5 太原市的訓練集擬合和樣本外預測情況

六、研究結論和政策啟示

本文選擇北京、天津、太原、蘭州四個較有代表性的城市作為研究樣本，通過機器學習算法預測PM2.5濃度，量化評價中共十九大召開在大氣污染治理方面的政策效應。研究發現，中共十九大的召開對于各地的大氣污染防治工作開展具有積極的正面促進作用，各地政府圍繞“打贏藍天保衛戰”展開的行動也收到顯著的良好效果。同時，中共十九大的政策效應對于北京、天津這樣的直轄市，相較蘭州和太原這樣的省會城市要更加明顯一些，即更具政治性，但持續性較差。而從蘭州的結果來看，其政策效應略顯滯后，但持續性較好，更加利于霧霾的長效治理。此外，研究發現不同地區在政策執行中出現的一些問題，例如，北京、太原在PM2.5濃度的治理上明顯存在春夏季節乏力的狀況。

對于上述現象，解決問題的關鍵在于政府必須清醒地認識到，霧霾的治理絕非短期內就可以完全實現，霧霾的高發可能還將持續很長一段時間，必須有長效的制度安排。基于此，本文提出以下三個方面的建議：（1）在環境保護執法上，加大相關部門對污染企業的處罰權限，走可持續發展的常態化軌道，而不是行政命令式的強制執行；（2）在產業轉型上，必須穩步淘汰落后產能，將其列入政績考核項目，而不能為了實現地方經濟指標而缺乏有效管理；（3）在治理機制上，進一步完善空氣質量監測體系和地方考核指標，利用大數據技術建立快捷高效的空氣質量預警機制，并針對不同情況制定相關應急措施。

對于出現政策乏力的問題，政府應該為霧霾治理注入新的活力。霧霾治理不僅僅是政府的事，也是每一個人的事。政府需要進一步開放環境治理市場，讓公眾和企業參與進來。鑒于此，本文提出以下三個建議：（1）明確排污單位治污主體責任和第三方治理責任，排污者承擔污染治理主體責任，第三方治理單位依據合同履行相應責任和義務；（2）加強政策的支持和引導，創新第三方治理機制和實施方式，支持第三方治理單位參與排污權交易；（3）鼓勵排污企業、政府、第三方治理信息的公開。通過進一步開放環境治理市場，有助于實現排污單位達標排放和環境質量改善，促進環境污染治理向“市場化、專業化、產業化”轉變，推動建立排污者付費、第三方治理的污染治理新機制，最終實現污染防治的有效性和穩定性。