劉曉紅，江可申

?

基于靜態(tài)與動(dòng)態(tài)空間面板模型分析城鎮(zhèn)化對(duì)霧霾的影響

劉曉紅1,2，江可申1

（1. 南京航空航天大學(xué)經(jīng)濟(jì)與管理學(xué)院，南京 211106； 2. 南京曉莊學(xué)院商學(xué)院，南京 211171）

該研究以中國(guó)30省區(qū)為研究對(duì)象，首先考察了霧霾污染的空間效應(yīng)。全局Moran’s I指數(shù)為0.3875，中國(guó)霧霾污染存在著空間集聚。Moran’s I指數(shù)散點(diǎn)圖顯示中國(guó)霧霾污染存在著正的空間自相關(guān)，絕大部分省區(qū)位于高-高集聚和低-低集聚。然后，基于霧霾污染的空間效應(yīng)，建立靜態(tài)與動(dòng)態(tài)空間面板計(jì)量經(jīng)濟(jì)學(xué)模型，實(shí)證考察了城鎮(zhèn)化、能源強(qiáng)度、交通壓力等對(duì)霧霾污染的影響。城鎮(zhèn)化與霧霾污染之間存在環(huán)境庫(kù)茲涅茨曲線；交通壓力每上升一個(gè)百分點(diǎn)，將使霧霾污染上升0.2075個(gè)百分點(diǎn)。從效應(yīng)的分解來看，該地區(qū)以及全局城鎮(zhèn)化與霧霾污染之間存在環(huán)境庫(kù)茲涅茨曲線。人均GDP的間接效應(yīng)、總效應(yīng)顯著為負(fù)，該地區(qū)人均收入的上升可以使相鄰地區(qū)的霧霾污染下降，并且會(huì)減少全局霧霾污染。能源強(qiáng)度下降會(huì)減輕本地區(qū)霧霾污染程度，但會(huì)導(dǎo)致相鄰地區(qū)霧霾污染上升。能源消費(fèi)結(jié)構(gòu)直接效應(yīng)為正，間接效應(yīng)與總效應(yīng)顯著為正，煤炭消費(fèi)比例的下降不但會(huì)減少本地區(qū)霧霾污染，也會(huì)顯著抑制相鄰地區(qū)的霧霾污染，進(jìn)而減少全局霧霾污染。交通壓力的直接效應(yīng)顯著為正，但間接效應(yīng)顯著為負(fù)，交通壓力的上升會(huì)明顯加重本地區(qū)霧霾污染程度，然而相鄰地區(qū)交通壓力上升會(huì)抑制本地區(qū)霧霾污染。動(dòng)態(tài)空間杜賓面板計(jì)量模型中被解釋變量滯后一期系數(shù)高達(dá)0.6114，且通過了1%水平下的顯著性檢驗(yàn)，中國(guó)霧霾污染存在時(shí)空依賴。動(dòng)態(tài)空間面板計(jì)量模型比靜態(tài)更為合適，估計(jì)結(jié)果更為準(zhǔn)確，遺漏因素對(duì)霧霾污染的影響也很重要。

污染；模型；霧霾；城鎮(zhèn)化；能源強(qiáng)度；交通壓力；動(dòng)態(tài)空間面板

0 引 言

2016年8月26日審議通過的“健康中國(guó)2030”規(guī)劃綱要是履行中國(guó)對(duì)聯(lián)合國(guó)“2030可持續(xù)發(fā)展議程”承諾的重要舉措?！敖】抵袊?guó)2030”規(guī)劃綱要以提高人民健康水平為核心，著力營(yíng)造綠色安全的健康環(huán)境。近幾年，一些城市的霧霾天數(shù)增多，對(duì)居民身心健康帶來了負(fù)面影響，引起了國(guó)內(nèi)外學(xué)者和政策制定者的廣泛關(guān)注。中國(guó)“十三五”時(shí)期經(jīng)濟(jì)社會(huì)發(fā)展的基本理念是新型工業(yè)化、信息化、城鎮(zhèn)化、農(nóng)業(yè)現(xiàn)代化同步發(fā)展，如何在新型城鎮(zhèn)進(jìn)程中，處理好能源強(qiáng)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(huán)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(guān)，故在自然科學(xué)領(lǐng)域相關(guān)文獻(xiàn)較為豐富，多從化學(xué)、氣象等角度探究霧霾污染的形成特征、機(jī)制以及影響因素。如Han等[1]使用1961?2012年P(guān)M10日數(shù)據(jù)，分析霧霾時(shí)空變化，發(fā)現(xiàn)霧霾高發(fā)地區(qū)從中國(guó)中部轉(zhuǎn)移到南部和東部。溫度、氣壓與霧霾天數(shù)呈正相關(guān)，風(fēng)、濕度、下雨和陽光照射時(shí)間與霧霾天數(shù)呈反比。值得強(qiáng)調(diào)的是，霧霾污染也與人們的經(jīng)濟(jì)行為有關(guān)。2016年，中國(guó)城鎮(zhèn)化率達(dá)到了57.35%，預(yù)計(jì)城鎮(zhèn)化率將會(huì)進(jìn)一步提高。城鎮(zhèn)化是中國(guó)經(jīng)濟(jì)增長(zhǎng)的新動(dòng)能，推動(dòng)了中國(guó)經(jīng)濟(jì)的持續(xù)增長(zhǎng)。但是，城鎮(zhèn)化也帶來了能源消費(fèi)量的擴(kuò)大，引起能源強(qiáng)度的提高。能源消費(fèi)量如煤炭消費(fèi)會(huì)帶來霧霾污染。城鎮(zhèn)人口的增加使得車輛擁有量上升，交通壓力擴(kuò)大，而車輛排放是霧霾污染的移動(dòng)發(fā)生源。故本文將城鎮(zhèn)化、能源強(qiáng)度、交通壓力放在同一框架內(nèi)進(jìn)行考察。城鎮(zhèn)化與霧霾污染的研究分為以下2個(gè)方面，一是從城鎮(zhèn)化對(duì)霧霾污染的形成機(jī)理角度進(jìn)行分析，如童玉芬[2]等認(rèn)為城市人口與霧霾之間的關(guān)系是雙向的。城市人口的增長(zhǎng)會(huì)導(dǎo)致霧霾現(xiàn)象的加劇，而霧霾反過來會(huì)影響城市人口的規(guī)模、空間分布等。任保平等[3]認(rèn)為隨著中國(guó)城市化進(jìn)程的推進(jìn)，城市的人口分布越發(fā)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(huán)境污染。魏巍賢等[4]認(rèn)為城鎮(zhèn)化過程中建筑工地大量揚(yáng)塵是造成霧霾日趨嚴(yán)重的主要原因。二是從實(shí)證角度進(jìn)行的研究，如Han等[5]考察了中國(guó)城鎮(zhèn)化對(duì)城鎮(zhèn)PM2.5濃度的影響，結(jié)果發(fā)現(xiàn)城鎮(zhèn)PM2.5和城鎮(zhèn)人口顯著正相關(guān)，城鎮(zhèn)化對(duì)PM2.5濃度有相當(dāng)大的影響。冷艷麗等[6]基于2001－2010年中國(guó)省際面板數(shù)據(jù)，考察了城鎮(zhèn)化對(duì)霧霾污染的影響，結(jié)果表明城鎮(zhèn)化進(jìn)程的推進(jìn)對(duì)霧霾污染有正向影響。何楓等[7]以2013年中國(guó)74個(gè)首批PM2.5監(jiān)測(cè)城市的截面數(shù)據(jù)為研究樣本，發(fā)現(xiàn)所監(jiān)測(cè)城市化程度越高，則所對(duì)應(yīng)的霧霾現(xiàn)象也越嚴(yán)重。Xu等[8]采用2001－2012年的省級(jí)面板數(shù)據(jù)來分析中國(guó)區(qū)域PM2.5排放的主要驅(qū)動(dòng)力，結(jié)果表明，城鎮(zhèn)化對(duì)PM2.5的影響因區(qū)域不同而有所差別。Liu等[9]以2014年中國(guó)289個(gè)城市的空氣質(zhì)量指數(shù)為被解釋變量，14個(gè)自然和人為因素作為解釋變量，分析自然和人為因素對(duì)霧霾的影響，結(jié)果發(fā)現(xiàn)，城鎮(zhèn)化、城鎮(zhèn)人口集聚對(duì)空氣質(zhì)量指數(shù)有顯著影響。從經(jīng)濟(jì)發(fā)展角度探究霧霾污染的文獻(xiàn)較為豐富，如Wu等[10]重點(diǎn)強(qiáng)調(diào)了污染嚴(yán)重省份的大氣污染治理，認(rèn)為應(yīng)避免將污染嚴(yán)重工業(yè)轉(zhuǎn)移到相鄰地區(qū)，大氣污染只能扎根于轉(zhuǎn)變經(jīng)濟(jì)發(fā)展方式。Ma等[11]以2014年中國(guó)152個(gè)城市PM2.5為樣本，結(jié)果發(fā)現(xiàn)中國(guó)PM2.5和經(jīng)濟(jì)發(fā)展之間的關(guān)系與環(huán)境庫(kù)茲涅茨假說一致。能源強(qiáng)度對(duì)霧霾影響的文獻(xiàn)較少，Cheng等[12]發(fā)現(xiàn)中國(guó)能源強(qiáng)度對(duì)霧霾污染產(chǎn)生顯著的正向影響，提出應(yīng)限制能源強(qiáng)度的快速增長(zhǎng)。關(guān)于交通與霧霾污染的研究，如Poon等[13]運(yùn)用空間計(jì)量方法研究能源、交通以及對(duì)外貿(mào)易對(duì)中國(guó)大氣環(huán)境的影響，主要針對(duì)SO2和煙塵進(jìn)行研究，證實(shí)了溢出效應(yīng)在中國(guó)省域之間確實(shí)存在。Gao等[14]通過2008年1月1日到31日河北省10個(gè)城市每小時(shí)PM2.5濃度的實(shí)時(shí)數(shù)據(jù)，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(jié)果發(fā)現(xiàn)保定平均濃度最高，燕郊最低。土地的灰塵、煤燃燒和車輛運(yùn)行可能是潛在的貢獻(xiàn)因素。馬麗梅等[15]以北京地區(qū)為主要分析案例，發(fā)現(xiàn)交通擁堵程度以及空間因素是出現(xiàn)高霧霾的重要原因。根治霧霾，區(qū)域間的聯(lián)合治理勢(shì)在必行。Hao等[16]基于2013年中國(guó)PM2.5濃度和73個(gè)中國(guó)城市的空氣質(zhì)量指數(shù)的數(shù)據(jù)，結(jié)果發(fā)現(xiàn)車輛數(shù)量和第二產(chǎn)業(yè)對(duì)城鎮(zhèn)PM2.5濃度有顯著的影響。馬麗梅等[17]通過構(gòu)建空間杜賓模型對(duì)交通模式與霧霾污染的關(guān)系展開分析，結(jié)果表明，交通擁堵以及來自鄰近地區(qū)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(guó)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(jī)物和硫酸鹽，要嚴(yán)控煤的使用。

上述研究具有一定的現(xiàn)實(shí)意義，但也存在著不足，表現(xiàn)在以下幾個(gè)方面：第一，從普通面板角度對(duì)霧霾污染進(jìn)行的研究較多，從空間計(jì)量角度進(jìn)行的研究較少，且缺乏使用動(dòng)態(tài)空間計(jì)量模型的實(shí)證研究；第二，既有的靜態(tài)空間計(jì)量模型多使用沒有偏誤修正的模型進(jìn)行分析，尚缺少使用偏誤修正模型對(duì)霧霾污染進(jìn)行研究的文獻(xiàn)；第三，對(duì)經(jīng)濟(jì)發(fā)展與霧霾污染之間的庫(kù)茲涅茨曲線進(jìn)行的研究較多，尚未發(fā)現(xiàn)對(duì)城鎮(zhèn)化與霧霾污染之間的環(huán)境庫(kù)茲涅茨曲線進(jìn)行檢驗(yàn)的研究成果；第四，缺少將城鎮(zhèn)化、能源強(qiáng)度、交通壓力與霧霾污染結(jié)合起來進(jìn)行的研究。

本文的創(chuàng)新點(diǎn)表現(xiàn)在以下4個(gè)方面：第一，嘗試建立動(dòng)態(tài)空間面板計(jì)量模型，以檢驗(yàn)未列入模型的其他遺漏變量對(duì)霧霾污染的影響，并與靜態(tài)空間面板模型的實(shí)證結(jié)果比較；第二，使用偏誤修正的空間面板計(jì)量模型進(jìn)行分析；第三，對(duì)城鎮(zhèn)化與霧霾污染之間關(guān)系進(jìn)行環(huán)境庫(kù)茲涅茨曲線檢驗(yàn)；第四，把城鎮(zhèn)化、能源強(qiáng)度、交通壓力與霧霾污染納入同一框架進(jìn)行考察。

中國(guó)PM2.5只能獲取2012年以后的數(shù)據(jù)，所以本文以PM10作為衡量霧霾污染的指標(biāo)。其余部分做如下安排：第二部分介紹研究方法和數(shù)據(jù)，說明空間計(jì)量模型的設(shè)定和選擇；第三部分運(yùn)用靜態(tài)和動(dòng)態(tài)空間面板計(jì)量模型進(jìn)行實(shí)證分析。第四部分為結(jié)論及政策啟示。

1 研究方法與數(shù)據(jù)

1.1 全局空間關(guān)聯(lián)性指標(biāo)

使用自關(guān)聯(lián)性Moran’s I指數(shù)來表示全局空間關(guān)聯(lián)性。其計(jì)算公式為：

式中I為Moran’s指數(shù)，x為第個(gè)地區(qū)PM10濃度值；為地區(qū)總數(shù)；是空間權(quán)重矩陣。Moran’s I指數(shù)的取值范圍為[?1,1]。大于0，說明存在空間正自相關(guān)，小于0說明存在空間負(fù)自相關(guān)。

1.2 空間面板計(jì)量經(jīng)濟(jì)學(xué)模型

1.2.1 靜態(tài)空間面板模型

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

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

空間誤差模型SEM的具體形式為：

空間杜賓模型SDM擴(kuò)展了空間滯后模型，其具體形式為：

式中和相同，是×維參數(shù)向量。

1.2.2 動(dòng)態(tài)空間面板模型

埃爾霍斯特[22]認(rèn)為，空間動(dòng)態(tài)模型中，每個(gè)空間單位在不同時(shí)間的觀察值之間存在序列依賴，每個(gè)時(shí)間點(diǎn)在不同的空間存在空間的依賴，評(píng)估不可預(yù)測(cè)的特定時(shí)間和特定空間的效應(yīng)以及解釋變量的內(nèi)生性，其模型形式為：

式中y?1是被解釋變量在時(shí)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(shí)間上的滯后值；、和分別是y,t?1、wy、wy,t?1的響應(yīng)參數(shù)。

1.2.3 空間計(jì)量經(jīng)濟(jì)學(xué)模型的選擇

空間面板數(shù)據(jù)模型的選擇步驟為：首先，采用拉格朗日乘數(shù)即LM-lag、LM-error、Robust LM-lag、Robust LM-error進(jìn)行空間相關(guān)性檢驗(yàn)；其次，如果LM檢驗(yàn)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(yàn)空間杜賓模型能否簡(jiǎn)化為空間滯后模型或空間誤差模型。最后，使用空間Hausman檢驗(yàn)在隨機(jī)效應(yīng)和固定效應(yīng)之間進(jìn)行選擇。

1.2.4 模型的建立

為了從空間計(jì)量經(jīng)濟(jì)學(xué)角度探究在城鎮(zhèn)化進(jìn)程中，能源強(qiáng)度、交通壓力等對(duì)霧霾污染的影響，基于IPAT模型的基礎(chǔ)上建立STIRPAT模型。IPAT模型由Ehrlich等[24]最先提出，后來不斷完善，現(xiàn)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(zhèn)化程度；GDP為人均實(shí)際GDP，以1997年價(jià)格為基期，元；EI為能源強(qiáng)度；ES為能源消費(fèi)結(jié)構(gòu)；TP為交通壓力；ε是標(biāo)準(zhǔn)誤差項(xiàng)。

1.2.5 數(shù)據(jù)來源

文中對(duì)中國(guó)30省區(qū)（不包括港澳臺(tái)）2003－2014年的PM10進(jìn)行研究，西藏一些年份數(shù)據(jù)缺失，故不包括西藏。各變量數(shù)據(jù)來自于《中國(guó)統(tǒng)計(jì)年鑒》（2004－2015）、《中國(guó)能源統(tǒng)計(jì)年鑒》（2004－2015）。煤炭消費(fèi)量由折標(biāo)系數(shù)先折算成標(biāo)準(zhǔn)煤。地理距離權(quán)重矩陣中各地區(qū)地理位置坐標(biāo)由國(guó)家電子地圖使用Geoda9.5軟件計(jì)算得出。各變量說明如表1所示。

表1 變量說明

以上相關(guān)變量的描述性統(tǒng)計(jì)結(jié)果如表2所示。

表2 面板數(shù)據(jù)的描述性統(tǒng)計(jì)

注：除非特別說明，本文使用的軟件為Matlab_R2012a及空間面板數(shù)據(jù)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(jié)果與分析

2.1 中國(guó)霧霾污染分布

使用ArcView軟件，根據(jù)自然間斷點(diǎn)分級(jí)法，繪制出2003－2014年中國(guó)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(gè)等級(jí)，第1等級(jí)PM10平均質(zhì)量濃度為>39.3410~69.8330g/m3，第2等級(jí)為>69.8330~93.835g/m3，第3等級(jí)為>93.835~117.503g/m3，第4等級(jí)為>117.503~151.206g/m3， 2003~2014年，PM10平均濃度處于第1等級(jí)的省區(qū)是廣西、海南、福建。廣東、云南、貴州、內(nèi)蒙古、江西位于第2等級(jí)。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(jí)。位于最高等級(jí)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(guó)PM10均值分布圖

2.2 全局空間關(guān)聯(lián)性檢驗(yàn)

使用GeoDA9.5軟件，得出2003－2014年間PM10均值的全局Moran’s I指數(shù)為0.3875，值為0.002，通過了顯著性檢驗(yàn)，中國(guó)霧霾污染存在著空間集聚。Anselin等[26-27]認(rèn)為Moran’s I指數(shù)散點(diǎn)圖作為可視性工具，能直觀的顯示空間自相關(guān)的情況，故為了進(jìn)一步考察各省區(qū)PM10的集聚情況，運(yùn)用GeoDA9.5，采用鄰接空間權(quán)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(shù)散點(diǎn)圖，如圖2所示。Moran’s I指數(shù)散點(diǎn)圖劃分為4個(gè)象限，代表4種空間自相關(guān)：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(shù)省區(qū)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(qū)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(qū)是浙江、湖南、江西、云南、貴州、福建、廣西、海南、廣東等地。極個(gè)別省區(qū)位于第2象限，即內(nèi)蒙古、寧夏兩地，說明中國(guó)霧霾污染的空間正相關(guān)性較強(qiáng)，某一地區(qū)的霧霾污染會(huì)受到相鄰地區(qū)的影響。

圖2 2003－2014年中國(guó)PM10均值的Moran’s I指數(shù)散點(diǎn)圖

2.3 空間診斷性檢驗(yàn)

使用經(jīng)典的拉格朗日乘數(shù)檢驗(yàn)（LM-lag，LM-error）和LeSage and Pace[23]改進(jìn)的穩(wěn)健的拉格朗日乘數(shù)檢驗(yàn)（Robust LM-lag，Robust LM-error）進(jìn)行模型選擇，結(jié)果如表3所示。LM-lag和LM-error檢驗(yàn)顯示，混合OLS，空間固定效應(yīng)、時(shí)間固定效應(yīng)3類模型都在1%的顯著水平上拒絕了沒有空間滯后項(xiàng)的原假設(shè)和沒有空間自相關(guān)誤差項(xiàng)的原假設(shè)?？臻g和時(shí)間固定效應(yīng)的LM-lag沒有通過顯著性檢驗(yàn)，但LM-error在5%水平上通過了顯著性檢驗(yàn)。Robust LM-lag，Robust LM-error檢驗(yàn)表明，4類模型在5%水平上都通過了顯著性檢驗(yàn)。通過LR檢驗(yàn)進(jìn)行固定效應(yīng)的選擇，結(jié)果顯示：在1%的顯著水平上，LR檢驗(yàn)既拒絕了空間固定效應(yīng)聯(lián)合非顯著性的原假設(shè)，也拒絕了時(shí)間固定效應(yīng)的聯(lián)合非顯著性的原假設(shè)，根據(jù)Baltagi等的研究[28]，需要使用空間和時(shí)間固定效應(yīng)模型，即雙向固定效應(yīng)模型。雖然上述2種檢驗(yàn)表明應(yīng)該采用雙向固定效應(yīng)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(yàn)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(yīng)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(jìn)行估算，計(jì)量方法為Elhorst[29]提出的極大似然（ML）估計(jì)。

表3 空間診斷性檢驗(yàn)

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(tài)空間面板計(jì)量實(shí)證結(jié)果分析

為了驗(yàn)證空間杜賓模型的穩(wěn)健性，對(duì)空間杜賓模型SDM轉(zhuǎn)變?yōu)榭臻g滯后模型SLM和空間誤差模型SEM進(jìn)行Wald和LR檢驗(yàn)，結(jié)果如表4的下半部分所示。Wald spatial lag和LR spatial lag檢驗(yàn)拒絕了空間杜賓模型轉(zhuǎn)化為空間滯后模型的原假設(shè)。Wald spatial error和LR spatial error檢驗(yàn)也拒絕了空間杜賓模型簡(jiǎn)化為空間誤差模型的原假設(shè)，這進(jìn)一步說明要使用空間杜賓模型。使用空間Hausman檢驗(yàn)在隨機(jī)效應(yīng)和固定效應(yīng)之間進(jìn)行選擇，估計(jì)值為25.699 2，自由度為13，<0.05，故拒絕隨機(jī)效應(yīng)模型，使用空間和時(shí)間固定效應(yīng)模型。根據(jù)Elhorst的研究[20]，如果空間杜賓模型中包含空間和時(shí)間固定效應(yīng)，參數(shù)估計(jì)要進(jìn)行偏誤修正。埃爾霍斯特[22]指出，對(duì)于解釋變量來說，使用直接方法的系數(shù)估計(jì)與使用偏誤修正方法的系數(shù)估計(jì)差異很小，但空間滯后被解釋變量和解釋變量的系數(shù)估計(jì)對(duì)偏誤修正比較敏感。比較第2列和第3列系數(shù)估計(jì)，沒有經(jīng)過偏誤修正的空間自回歸系數(shù)較小且沒有通過顯著性檢驗(yàn)，其余解釋變量系數(shù)大小與顯著性接近，這與埃爾霍斯特[22]結(jié)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(shí)間固定效應(yīng)模型即表4中的第3列數(shù)據(jù)進(jìn)行分析。

表4 空間杜賓模型估計(jì)結(jié)果

空間自回歸系數(shù)為0.144 9，通過了顯著性檢驗(yàn)，說明相鄰地區(qū)的霧霾污染對(duì)本地區(qū)有正向影響，相鄰地區(qū)霧霾污染減少一個(gè)百分點(diǎn)，將導(dǎo)致本地區(qū)霧霾污染下降0.144 9個(gè)百分點(diǎn)，霧霾污染存在空間外溢效應(yīng)。這與Moran’s I指數(shù)以及表3中的空間自相關(guān)性的（Robust）LM檢驗(yàn)一致。

城鎮(zhèn)化的系數(shù)為正，城鎮(zhèn)化平方的系數(shù)為負(fù)，且都通過了1%水平的顯著性檢驗(yàn)，說明中國(guó)城鎮(zhèn)化與霧霾污染之間存在著環(huán)境庫(kù)茲涅茨（environmental Kuznets curve，EKC）曲線，驗(yàn)證了EKC假說。即在中國(guó)城鎮(zhèn)化的初始階段，城鎮(zhèn)化程度越高，霧霾污染程度也隨之提高，但當(dāng)超過一定點(diǎn)后，城鎮(zhèn)化程度的提高會(huì)帶來霧霾污染的下降。這是因?yàn)殡S著城鎮(zhèn)化的進(jìn)行，一方面，居民的文化素養(yǎng)會(huì)得以提高，生態(tài)意識(shí)增強(qiáng)，進(jìn)而改變生活方式，最終會(huì)提高能源效率，降低霧霾污染。另一方面，新型城鎮(zhèn)化會(huì)通過綠色城鎮(zhèn)，生態(tài)城鎮(zhèn)的發(fā)展方向使得霧霾污染下降。交通壓力的彈性系數(shù)也為正，且通過顯著性檢驗(yàn)，交通壓力每上升一個(gè)百分點(diǎn)，將使霧霾污染上升0.207 5個(gè)百分點(diǎn)。這是因?yàn)橹袊?guó)私人汽車擁有量的提高會(huì)通過能源消費(fèi)量的擴(kuò)大以及尾氣排放加重霧霾污染。GDP的空間溢出效應(yīng)顯著為負(fù)，人均GDP每增長(zhǎng)一個(gè)百分點(diǎn)，將使相鄰地區(qū)的霧霾污染減少1.689個(gè)百分點(diǎn)，這進(jìn)一步說明，跨區(qū)域治理霧霾污染不影響經(jīng)濟(jì)增長(zhǎng)。能源強(qiáng)度、交通壓力的空間溢出效應(yīng)顯著為負(fù)，說明跨區(qū)域間能源強(qiáng)度以及交通壓力的降低將會(huì)有效地減少霧霾污染程度。能源消費(fèi)結(jié)構(gòu)的空間溢出效應(yīng)顯著為正，煤炭消費(fèi)比例的上升會(huì)使相鄰地區(qū)霧霾污染程度提高。

根據(jù)LeSage and Pace[23]，為了說明解釋變量真實(shí)的空間溢出效應(yīng)，要估計(jì)直接效應(yīng)和間接效應(yīng)。本文分解了空間杜賓模型中各解釋變量的直接效應(yīng)和間接效應(yīng)，結(jié)果如表5所示。由于反饋效應(yīng)的存在，表5中解釋變量的直接效應(yīng)和表4中的系數(shù)存在差異。埃爾霍斯特[22]認(rèn)為，反饋效應(yīng)部分源于空間滯后被解釋變量的系數(shù)估計(jì)值，部分源于解釋變量自身的空間滯后變量的系數(shù)估計(jì)值。城鎮(zhèn)化、城鎮(zhèn)化平方的直接效應(yīng)和總效應(yīng)都通過了1%水平下的顯著性檢驗(yàn)，說明本地區(qū)以及全局城鎮(zhèn)化與霧霾污染之間存在EKC曲線。人均GDP的間接效應(yīng)、總效應(yīng)顯著為負(fù)，這說明本地區(qū)人均收入的上升可以使相鄰地區(qū)的霧霾污染下降，并且會(huì)減少全局霧霾污染。能源強(qiáng)度的間接效應(yīng)顯著為負(fù)，即能源強(qiáng)度下降會(huì)減輕本地區(qū)霧霾污染程度，但會(huì)給相鄰地區(qū)帶來負(fù)效應(yīng)，導(dǎo)致相鄰地區(qū)霧霾污染上升。這可能是由于中國(guó)各地存在保護(hù)主義，本地區(qū)千方百計(jì)采用先進(jìn)技術(shù)，提高能源效率，吸引技術(shù)人才流入，從而導(dǎo)致省際之間霧霾污染產(chǎn)生轉(zhuǎn)嫁現(xiàn)象。能源強(qiáng)度的總效應(yīng)顯著為負(fù)，這是因?yàn)橹袊?guó)能源消費(fèi)效率與發(fā)達(dá)國(guó)家比存在著差距，導(dǎo)致能源消費(fèi)強(qiáng)度過高，從而使霧霾污染嚴(yán)重。能源消費(fèi)結(jié)構(gòu)直接效應(yīng)為正，間接效應(yīng)與總效應(yīng)顯著為正，說明煤炭消費(fèi)比例的下降不但會(huì)減少本地區(qū)霧霾污染，也會(huì)顯著抑制相鄰地區(qū)的霧霾污染，進(jìn)而減少全局霧霾污染。交通壓力的直接效應(yīng)顯著為正，但間接效應(yīng)顯著為負(fù)，交通壓力的上升會(huì)明顯加重本地區(qū)霧霾污染程度，然而相鄰地區(qū)交通壓力上升對(duì)本地區(qū)霧霾污染存在顯著的抑制效應(yīng)，說明交通車輛和交通設(shè)施存在交互效應(yīng)，在各地區(qū)交通設(shè)施各自為政，缺乏統(tǒng)籌協(xié)調(diào)的情景下，本地區(qū)交通壓力的減少以犧牲相鄰地區(qū)的大氣環(huán)境為代價(jià)。

表5 空間杜賓模型的直接效應(yīng)、間接效應(yīng)和總效應(yīng)

2.5 動(dòng)態(tài)空間面板計(jì)量實(shí)證結(jié)果分析

上述靜態(tài)空間面板模型雖然說明了城鎮(zhèn)化進(jìn)程中能源強(qiáng)度、交通壓力等解釋變量對(duì)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(duì)霧霾污染的影響，故使用被解釋變量PM10的一階滯后項(xiàng)作為解釋變量，表征居民行為模式、建筑施工等遺漏變量對(duì)霧霾污染的影響，建立動(dòng)態(tài)空間面板計(jì)量模型。根據(jù)最大似然法估計(jì)，具有固定效應(yīng)的動(dòng)態(tài)空間杜賓面板計(jì)量模型估計(jì)結(jié)果如表6所示。具有固定效應(yīng)的動(dòng)態(tài)空間杜賓面板計(jì)量模型的2=0.905 6，log-likelihood=314.932 7，都高于靜態(tài)杜賓空間面板計(jì)量模型估計(jì)結(jié)果，說明動(dòng)態(tài)空間杜賓面板計(jì)量模型比靜態(tài)更為合適，估計(jì)結(jié)果更為準(zhǔn)確。

第一，動(dòng)態(tài)空間杜賓面板計(jì)量模型中的空間相關(guān)系數(shù)為0.212 0，通過了顯著性檢驗(yàn)，且較之靜態(tài)空間面板的空間相關(guān)系數(shù)有所提高，說明中國(guó)霧霾污染正的空間自相關(guān)效應(yīng)明顯。相鄰地區(qū)的霧霾污染對(duì)本地區(qū)影響為正，即當(dāng)相鄰地區(qū)霧霾污染濃度較高時(shí)，本地區(qū)的霧霾污染程度也隨之提高，反之，當(dāng)相鄰地區(qū)霧霾污染程度下降時(shí)，本地區(qū)的霧霾污染程度也隨之下降。這也進(jìn)一步說明，僅僅使用靜態(tài)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(shí)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(duì)中國(guó)霧霾污染的影響也很重要，建立動(dòng)態(tài)空間面板計(jì)量模型是有必要的。

第二，動(dòng)態(tài)空間杜賓面板計(jì)量模型中被解釋變量滯后一期PM10(-1)系數(shù)高達(dá)0.611 4，且通過了1%水平下的顯著性檢驗(yàn)，中國(guó)霧霾污染存在時(shí)空依賴，此外，也揭示了兩層含義：一方面說明中國(guó)區(qū)域間霧霾污染存在動(dòng)態(tài)連續(xù)性，或稱為黏滯性，即上一年霧霾污染程度的下降會(huì)引致下一年霧霾污染程度的降低，形成良性循環(huán)，反之亦然。忽略動(dòng)態(tài)模型的參數(shù)估計(jì)會(huì)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(mào)易開放等遺漏變量會(huì)對(duì)霧霾污染產(chǎn)生顯著的影響。

第三，動(dòng)態(tài)空間杜賓面板計(jì)量模型中，城鎮(zhèn)化的系數(shù)為正，城鎮(zhèn)化平方的系數(shù)為負(fù)，且都通過了10%水平下的顯著性檢驗(yàn)，中國(guó)城鎮(zhèn)化與霧霾污染之間存在倒U型曲線。這與前文靜態(tài)空間杜賓模型估計(jì)結(jié)果一致，城鎮(zhèn)化與霧霾污染之間倒U型關(guān)系穩(wěn)健。能源消費(fèi)結(jié)構(gòu)系數(shù)為正，且通過顯著性檢驗(yàn)，驗(yàn)證了優(yōu)化能源消費(fèi)結(jié)構(gòu)，降低霧霾污染的結(jié)論。交通壓力的系數(shù)顯著為正，即交通壓力的上升會(huì)加重霧霾污染程度。人均GDP、能源強(qiáng)度、交通壓力的溢出效應(yīng)顯著為負(fù)，與靜態(tài)空間面板結(jié)論一致，說明采用動(dòng)態(tài)空間面板計(jì)量模型，控制動(dòng)態(tài)時(shí)滯和遺漏變量以后，并沒有改變前文的基本結(jié)論[29]。

表6 具有固定效應(yīng)的動(dòng)態(tài)空間杜賓面板模型估計(jì)結(jié)果

3 政策啟示

基于上述實(shí)證結(jié)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(jìn)行區(qū)域聯(lián)合?？梢酝ㄟ^集權(quán)制度，建立“國(guó)家霧霾治理中心”，進(jìn)行霧霾的實(shí)時(shí)監(jiān)控，信息發(fā)布?！皣?guó)家霧霾治理中心”要通盤考慮霧霾的治理問題，在全國(guó)范圍內(nèi)統(tǒng)一調(diào)配公共產(chǎn)品等資源，避免污染行業(yè)集中在某一省區(qū)。同時(shí)，各級(jí)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(xié)同治理。同時(shí)，保證霧霾治理行為的可持續(xù)性?；陟F霾污染的黏滯性特征，對(duì)霧霾的治理政策、行為措施等要保持連續(xù)性。可以通過穩(wěn)定政府霧霾治理預(yù)算，設(shè)立霧霾治理專項(xiàng)資金，確立監(jiān)管制度等措施保障政府治理霧霾行為的可持續(xù)性。第二，在中國(guó)新型城鎮(zhèn)化的進(jìn)程中，為了減少霧霾污染，首先，以綠色為旗幟，擴(kuò)大城鎮(zhèn)綠化面積，采用綠色建筑，增加綠色成分，提升生態(tài)要素，保護(hù)環(huán)境。其次，做好城鎮(zhèn)節(jié)能基礎(chǔ)設(shè)施建設(shè)。這包括構(gòu)建便利的公共交通網(wǎng)絡(luò)、建造強(qiáng)大的衛(wèi)生、排污系統(tǒng)，確保城鎮(zhèn)在集聚人口的同時(shí)，節(jié)能減排，保持可持續(xù)發(fā)展。最后，做好綠色城鎮(zhèn)規(guī)劃。摒棄片面追求城市規(guī)模的做法，重視環(huán)境容量，實(shí)現(xiàn)城鎮(zhèn)生態(tài)的可持續(xù)發(fā)展，進(jìn)而實(shí)現(xiàn)城鎮(zhèn)化與環(huán)境保護(hù)的協(xié)調(diào)發(fā)展。第三，在經(jīng)濟(jì)新常態(tài)中推動(dòng)居民人均收入的上升。人均收入的上升不會(huì)引起霧霾污染程度的加深，故中國(guó)在經(jīng)濟(jì)新常態(tài)中保持速度與質(zhì)量并重，提高居民人均收入，在經(jīng)濟(jì)發(fā)展中使環(huán)境得到改善；第四，降低能源強(qiáng)度，提高能源效率。能源強(qiáng)度體現(xiàn)中國(guó)的技術(shù)水平，雖然中國(guó)的能源強(qiáng)度在2003－2014年間處于下降趨勢(shì)，2015年中國(guó)萬元GDP能耗為0.6272t標(biāo)煤，但依然存在降低能源強(qiáng)度的空間?！禕P世界能源統(tǒng)計(jì)年鑒2016》顯示，2015年中國(guó)是世界上最大的能源消費(fèi)國(guó)，占全球消費(fèi)量的23%。因此，中國(guó)要通過技術(shù)創(chuàng)新等方法降低單位GDP能耗，實(shí)現(xiàn)能源的高效利用；第五，降低煤炭消費(fèi)比例，提高風(fēng)能、水能、核能、光伏能、太陽能、生物質(zhì)能等非化石能源比例，實(shí)現(xiàn)能源替代。第六，加強(qiáng)交通管理，發(fā)展公共交通?？梢酝ㄟ^限制出行天數(shù)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(xiāng)居民認(rèn)識(shí)到自身的生產(chǎn)、消費(fèi)行為與霧霾污染密不可分，形成生態(tài)文明意識(shí)，進(jìn)而在行動(dòng)中改變高能耗的消費(fèi)習(xí)慣，形成節(jié)約、環(huán)保的行為模式。

4 結(jié) 論

中國(guó)霧霾污染存在著空間集聚，絕大部分省區(qū)位于高-高集聚和低-低集聚，某一地區(qū)的霧霾污染會(huì)受到相鄰地區(qū)的影響。人均GDP、能源強(qiáng)度和交通壓力的空間溢出效應(yīng)顯著為負(fù)，跨區(qū)域間人均收入、能源強(qiáng)度以及交通壓力的降低會(huì)有效減緩霧霾污染程度。能源消費(fèi)結(jié)構(gòu)的空間溢出效應(yīng)顯著為正，煤炭消費(fèi)比例的上升會(huì)使相鄰地區(qū)霧霾污染程度提高。人均GDP的間接效應(yīng)、總效應(yīng)顯著為負(fù)，即人均收入的上升利于本地區(qū)霧霾污染濃度的下降，相鄰地區(qū)人均收入的提高也會(huì)使本地區(qū)霧霾污染程度降低。能源強(qiáng)度的間接效應(yīng)與總效應(yīng)顯著為負(fù)。煤炭消費(fèi)比例的下降不但會(huì)減少本地區(qū)霧霾污染，也會(huì)顯著抑制相鄰地區(qū)的霧霾污染，進(jìn)而減少全局霧霾污染。交通壓力的直接效應(yīng)顯著為正，但間接效應(yīng)顯著為負(fù)。中國(guó)區(qū)域間霧霾污染存在動(dòng)態(tài)連續(xù)性，忽略動(dòng)態(tài)模型的參數(shù)估計(jì)會(huì)有偏誤；治理霧霾污染非一地之力，需要進(jìn)行區(qū)域聯(lián)合。同時(shí)，要保證霧霾治理行為的可持續(xù)性。在中國(guó)新型城鎮(zhèn)化的進(jìn)程中，為了減少霧霾污染，要以綠色為旗幟，擴(kuò)大城鎮(zhèn)綠化面積，做好城鎮(zhèn)節(jié)能基礎(chǔ)設(shè)施建設(shè)，以及綠色城鎮(zhèn)規(guī)劃。在經(jīng)濟(jì)新常態(tài)中推動(dòng)居民人均收入的上升；降低能源強(qiáng)度，提高能源效率；降低煤炭消費(fèi)比例，提高非化石能源比例，實(shí)現(xiàn)能源替代；加強(qiáng)交通管理，發(fā)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(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(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(guó)城市霧霾天氣形成與治理的經(jīng)濟(jì)機(jī)制探討[J]. 西北大學(xué)學(xué)報(bào)：哲學(xué)社會(huì)科學(xué)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(jié)構(gòu)調(diào)整與霧霾治理的最優(yōu)政策選擇[J]. 中國(guó)人口·資源與環(huán)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(chǎn)業(yè)結(jié)構(gòu)、城市化與霧霾污染[J]. 中國(guó)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(yè)化發(fā)展的關(guān)聯(lián)研究-中國(guó)74個(gè)城市的實(shí)證研究[J]. 軟科學(xué)，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(qū)域大氣污染空間效應(yīng)及產(chǎn)業(yè)結(jié)構(gòu)影響[J]. 中國(guó)人口·資源與環(huán)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(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)，2016，37(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(guó)區(qū)域創(chuàng)新生產(chǎn)的空間計(jì)量分析-基于靜態(tài)與動(dòng)態(tài)空間面板模型的實(shí)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(jì)量經(jīng)濟(jì)學(xué)-從橫截面數(shù)據(jù)到空間面板[M]. 北京：中國(guó)人民大學(xué)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(guó)家自然科學(xué)基金項(xiàng)目（71573138）；江蘇省教育廳哲學(xué)社會(huì)科學(xué)研究指導(dǎo)項(xiàng)目（2016SJD790011）；江蘇省高校“青藍(lán)工程”資助；本論文得到江蘇高校境外研修計(jì)劃資助。

劉曉紅，女，河南南陽人，副教授，博士生，主要從事環(huán)境經(jīng)濟(jì)學(xué)研究。Email：amylxhong@163.com

劉曉紅，江可申. 基于靜態(tài)與動(dòng)態(tài)空間面板模型分析城鎮(zhèn)化對(duì)霧霾的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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