基于空間計量模型的陜西省PM2.5驅動因素研究

張根能，李 琳，李書偉

（西安理工大學 經濟與管理學院，陜西 西安710054）

自2012 年，我國霧霾污染問題逐漸凸顯，PM2.5是引起霧霾問題的重要因素。陜西省經濟增長與霧霾污染的關系如何？陜西省各市區間霧霾污染的空間分布又是怎樣？本文擬對此進行探究。

一、文獻綜述

Selden 和Song（1994）[1]研究表明許多污染物和經濟增長間呈現出倒U 型關系。Deacon 和Norman（2004）[2]發現霧霾與細微顆粒物與國民收入之間存在U 型關系。Burnett（2009）[3]在分析空氣污染物時，發現PM2.5等許多污染物濃度都與國民生產總值具有線性關系。Elena（2012）[4]選擇了109 個空氣污染監測點，發現由于經濟發展和不同的地理位置等因素，呈現出污染聚集效應。

吳勛和王杰（2018）[5]利用2008—2015 年中國73 個重點監測城市的面板數據，分析環境保護支出和財政分權對霧霾污染的影響，發現財政支出分權與霧霾污染呈顯著正相關，環境保護支出與霧霾污染呈顯著負相關；馬忠玉和肖宏偉（2017）[6]利用地理加權回歸模型（GWR）實證考察了經濟發展、產業結構、能源消費結構等因素對PM2.5年平均濃度影響的區域空間差異；馬麗梅和張曉（2014）[7]使用空間計量法，分析我國31 個省份本地與異地間霧霾污染的交互影響和能源結構影響。邵帥等（2016）[8]采用動態空間面板模型和系統廣義矩估計法，對霧霾污染影響的主要因素進行了討論。段杰雄等（2018）[9]以2015 年中國PM2.5監測站點數據為基礎，嘗試結合空間分析的方法，對PM2.5污染空間分布的社會經濟影響因素進行分析；劉曉紅和江可申（2018）[10]基于2014—2015 年中國161 個城市PM2.5濃度和空氣質量指數AQI數據，實證研究了中國PM2.5、AQI 的時空分異特征，探討工業化等因素對PM2.5和AQI 的影響。

二、研究方法及數據來源

（一）研究方法

空間自相關性分析分為全局以及局部空間自相關分析。本文將選用Moran's I 和Moran 散點圖來對PM2.5和其影響因素進行空間自相關分析。本文還將使用空間回歸模型，分為空間滯后模型以及空間誤差模型。前者可用來探討變量在一地區是否有擴散現象；后者可用來衡量鄰近地區因變量的誤差沖擊對于該地區觀察值的影響程度。

需要分析SLM 和SEM 哪個模型更適合模擬PM2.5，使用最小二乘法估計結果的拉格朗日乘數形式LMERR、LMLAG 及其穩健的R-LMERR、RLMLAG。若LMLAG 比LMERR 在統計上顯著，RLMAG 顯著而R-LMERR 不顯著，則用SLM 模型；若LMERR 比LMLAG 在統計上顯著，R-LMERR 顯著而R-LMAG 不顯著，則用SEM 模型。

（二）模型設定及數據說明

設定基本模型為：

PM2.5年均濃度值為因變量，單位：μg/m3；PGDP表示陜西省人均生產總值，單位：元；Industry 表示二產增加值占GDP 比重，單位：%；β0、β1、β2、β3、β4表示模型待估參數；ε 為標準誤差項，服從正態分布（0，σ2）。同時，因變量以及自變量都取自然對數，從而減小異方差的影響。

考慮空間效應的空間滯后模型SLM 公式為：

WlnPM2.5是標準化以后的空間權重矩陣與lnPM2.5相乘，反映空間滯后ρ 是空間自相關系數，ε 含義與式（1）相同。

考慮空間效應的空間誤差模型SEM 公式為：

其中，ε=λWε+μ，W 是標準化以后的空間權重矩陣，λ 表示空間殘差自相關系數，ε 的含義與式（2）一致。

本文涉及數據來源于陜西省2014—2016 年10 個市區，涵蓋了西安、咸陽、寶雞、銅川、漢中、延安、商洛、榆林、安康、渭南這10 大區域，包括：PM2.5年均濃度（單位：微克/ 立方米）、PGDP（單位：元）、第二產業比重（單位：百分比）、單位GDP能耗（單位：噸標準煤/ 萬元）。PM2.5年均濃度數據來自于綠色環保組織網站；漢中、安康、商洛三個城市2014 年PM2.5濃度數據通過各城市2015年和2016 年的PM2.5濃度數據求均值得到；PGDP、單位GDP 能耗來自于陜西省統計年鑒；二產比重根據各城市第二產業總值和國內生產總值計算得到。

三、結果分析

（一）空間自相關性分析結果

表1 樣本區域PM2.5排放污染的全局空間Moran's I

從表1 可看出樣本市域的PM2.5污染的全局空間Moran's I 在各年份上均為正，說明陜西省各地區間并不是獨立存在的，PM2.5污染在整體上存在著正向的空間效應，且具有較強的空間集聚效應。同時，Moran's I 統計值在2014—2015 年有所上升，2015 年后又處于下降趨勢，Moran's I 統計值雖有所變化，但空間影響在相鄰區域間仍十分明顯。本文使用Moran 散點圖對所選年份市域PM2.5平均污染水平進行檢驗，以便區分不同市域的空間集聚模式，如圖1 所示。

圖1 中1-10 的各點分別表示西安、咸陽、渭南、寶雞、銅川、漢中、安康、延安、商洛和榆林。根據結果，樣本區域主要為四種聚集模式。第一種（高-高）集聚模式中，咸陽、寶雞、銅川三市屬于這一種，且位于第一象限，占陜西省樣本城市數的30%；第二種（低-高）集聚模式中，漢中、延安和商洛屬于這一種，位于第二象限，占陜西省樣本城市數的30%；安康和榆林屬于（低-低）集聚的第三種模式中，位于第三象限，占陜西省樣本城市數的20%；西安、渭南處于（高-低）集聚的污染模式中，占陜西省樣本城市數的20%。結果表明，樣本市域PM2.5污染具有明顯的空間相關性和空間異質性特點。

圖1 陜西省PM2.5的Moran's I 散點圖

（二）實證結果與討論

1.空間回歸模型的選擇。要確定陜西省市域間PM2.5污染是否使用空間計量方法，需用OLS（最小二乘法）估計，診斷性檢驗如表2 所示。

表2 混合面板OLS 估計結果（lnPM2.5為因變量）

Moran's I 通過了顯著性檢驗，需采用空間計量經濟學模型。LM-error 和Robust LM-error 雖在10%和1%的顯著性水平下通過了顯著性檢驗，但與LM-lag 和Robust LM-lag 相比，LM-lag 和Robust LM-lag 的診斷性檢驗結果更為顯著，因此本文選擇空間滯后模型（SLM）更為合適。

從表2 中可以看出，除單位GDP 能源消耗外，其他各變量的系數全部通過了顯著性檢驗；lnPGDP 和（lnPGDP）2的系數分別為正和負，表明EKC 假說在陜西省霧霾污染和經濟增長間是存在的。

2.模型估計結果。表3 顯示了空間滯后模型的估計結果，估計方法為空間滯后模型的固定效應和隨機效應。從表3 中可以看出：Hausman test=-79.84＜0，空間交互效應是隨機效應的零假設成立。

表3 空間滯后模型的檢驗結果

表3 中PGDP 和PGDP 的二次方彈性系數均支持EKC 假說，PGDP 的彈性系數為正，但PGDP二次方的彈性系數為負，且分別在5%和10%的水平上通過了顯著性檢驗，PM2.5和經濟增長間具有倒U 型曲線關系，具體模型如下：

計算得出曲線拐點對應人均GDP 為116 183元，表明當人均GDP 大于116 183 元時，霧霾污染程度會隨著陜西省經濟的增長而減輕。二產占比的彈性系數為正值，且在10%的水平下通過了顯著性檢驗，說明陜西省PM2.5與第二產業所占比重存在正向相關關系，即二產比重的增加，將會使陜西省PM2.5污染程度上升。單位GDP 能源消耗的彈性系數為正，且在1%的水平下通過了顯著性檢驗，說明目前陜西省單位GDP 能耗仍處于較高的水平。

表4 各個變量的估計值均通過顯著性檢驗。變量PGDP 和PGDP 二次方的估計值分別為2.896 106、-0.901 9433，這表明所選樣本區域經濟增長水平與該區域PM2.5的污染水平之間存在著EKC 曲線關系。變量第二產業所占比重Industry 系數的估計值為0.473 8375，表明區域內二產比重的增加，會加大本地區PM2.5的排放。單位GDP 能耗系數的估計值為0.349 7087，說明本地區單位GDP 能耗的增加會加劇該地區霧霾污染的程度。

表4 直接效應與間接效應估計結果

在間接效應估計中，PGDP 和PGDP 二次方的估計值分別為-5.516 582、1.789 113，說明地區本身PGDP 的增加會減輕相鄰地區的PM2.5污染。同時在間接效應中，PM2.5污染與經濟增長存在著U型關系，說明當某一地區經濟發展到一定水平，會將本地區高污染、高排放的產業轉移出去。

在總效應估計值中可以看到人均GDP 同PM2.5污染之間顯示出負相關；總體上來看，單位GDP 能源消耗的總效應估計值與間接效應、直接效應的估計值相一致，較低的能源利用效率在一定程度上會加劇PM2.5的污染水平。

四、結論與建議

本文研究了陜西省10 個城市的PM2.5空間分布狀況以及影響因素。利用2014—2016 年陜西省10 個城市的面板數據通過空間計量分析揭示了經濟增長、產業結構、技術水平因素對PM2.5污染的影響，可以看出經濟增長與霧霾污染間仍存在倒U 關系，且人均GDP 仍處于116 183 元水平下，表明陜西省目前的經濟發展方式將加劇霧霾污染；二產占比與霧霾污染間存在正向相關的關系，產業結構的不合理將進一步加劇霧霾污染水平；單位GDP 能耗與霧霾污染之間存在著正向相關的關系，單位GDP 的能源消耗越高，霧霾污染的程度越嚴重。

基于以上分析，提出政策建議如下：環境治理要加強城市區域間的合作交流，加快發展模式創新，積極促進三產發展，降低二產比重，促使產業結構優化升級；加大技術投入力度，提高資源使用效率，降低單位GDP 的能耗；在基礎設施和服務等領域，促進不同城市的相對均衡，防止人口的過度集中。