中國(guó)省域PM2.5污染的空間實(shí)證研究

向堃+宋德勇

摘要 由于我國(guó)空氣污染狀況的日趨惡化，研究空氣污染的形成因素并制定相應(yīng)的污染治理政策對(duì)于我國(guó)生態(tài)文明建設(shè)有著重要的意義?；赟TIRPAT環(huán)境效應(yīng)分析模型，文中利用空間分析工具對(duì)選取的31個(gè)樣本區(qū)域的PM2.5排放污染進(jìn)行了空間探索性分析與空間計(jì)量檢驗(yàn)?？臻g探索性分析結(jié)果表明：通過計(jì)算全局空間Morans I指數(shù)測(cè)算出樣本區(qū)域PM2.5排放污染具有較強(qiáng)的空間自相關(guān)性，局部空間聚集檢驗(yàn)則顯示出樣本區(qū)域PM2.5排放污染除具有自相關(guān)性外還表現(xiàn)出一定的空間異質(zhì)性。進(jìn)一步的空間計(jì)量檢驗(yàn)結(jié)果顯示樣本區(qū)域GDP總量的增長(zhǎng)將使得PM2.5污染繼續(xù)惡化，而提高樣本區(qū)域人均GDP水平則能有效的降低污染水平。樣本區(qū)域在能耗上的空間交互影響也較為明顯，對(duì)于選取的三個(gè)能耗指標(biāo)，煤炭消耗的增加無(wú)論對(duì)于區(qū)域自身還是鄰接區(qū)域都已成為加劇PM2.5排放污染的主要因素，原油消耗的增長(zhǎng)只對(duì)鄰接區(qū)域污染水平產(chǎn)生了影響，而電力消耗的提高緩解了區(qū)域自身的PM2.5排放污染但加劇了鄰接區(qū)域的污染。由于空間溢出效應(yīng)的影響，樣本區(qū)域 PM2.5污染表現(xiàn)出了很強(qiáng)的空間相關(guān)性，這就要求在相關(guān)污染治理政策的制定上要充分考慮到空間因素的影響，不僅要從經(jīng)濟(jì)發(fā)展方式和能源消耗結(jié)構(gòu)的改變等環(huán)節(jié)入手，同時(shí)還要加強(qiáng)省域之間的協(xié)調(diào)促進(jìn)，最終實(shí)現(xiàn)對(duì)污染的有效治理。

關(guān)鍵詞 PM2.5污染；空間探索分析；空間計(jì)量分析

中圖分類號(hào) F205 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1002-2104（2015）09-0153-07 doi：10.3969/j.issn.1002-2104.2015.09.020

近年來(lái)，由于我國(guó)工業(yè)化、城鎮(zhèn)化水平的進(jìn)一步提高，工業(yè)生產(chǎn)和能源消費(fèi)規(guī)模不斷擴(kuò)大，伴隨而來(lái)的環(huán)境污染問題也面臨新的挑戰(zhàn)，除傳統(tǒng)的硫化物、氮氧化物污染外，PM2.5、PM10等污染問題也逐漸突顯。2013年我國(guó)環(huán)境狀況公報(bào)指出，城市可吸入顆粒物污染依然比較嚴(yán)重，按照《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》（GB 3095-2012）對(duì)京津冀、長(zhǎng)三角、珠三角等重點(diǎn)區(qū)域及直轄市、省會(huì)城市和計(jì)劃單列市共74個(gè)城市的監(jiān)測(cè)結(jié)果表明：74個(gè)城市中僅海口、舟山和拉薩3個(gè)城市空氣質(zhì)量達(dá)標(biāo)，占4.1%，超標(biāo)城市比例高達(dá)95.9%[1]。

在污染治理的相關(guān)研究中，隨著Geoda等空間軟件工具的逐步完善，空間探索與定性分析已被廣泛應(yīng)用于污染的跟蹤與防治。利用空間分析工具能夠迅速掌握污染的空間分布與傳播路徑，準(zhǔn)確地判斷污染發(fā)生是否存在地區(qū)差異，并且能夠?qū)υ斐刹町惖囊蛩剡M(jìn)行定量分析。本文則利用上述工具對(duì)可吸入顆粒物PM2.5排放污染進(jìn)行空間分析，旨在明確PM2.5污染的空間分布特點(diǎn)，檢驗(yàn)不同地理環(huán)境影響下經(jīng)濟(jì)發(fā)展等因素對(duì)污染濃度的影響，從而為相關(guān)政策制定提供參考，以降低污染水平。

1 文獻(xiàn)綜述

對(duì)于可吸入顆粒物污染的研究，國(guó)外很早就已涉及，美國(guó)從1980年代開始就將可吸入顆粒物污染納入空氣質(zhì)量監(jiān)測(cè)范圍，1985年美國(guó)國(guó)家環(huán)保局正式將TSP（總懸浮顆粒物）修改為PM10，并隨后開始檢測(cè)PM2.5污染[2]。ELelred[3]等在對(duì)美國(guó)空氣質(zhì)量的研究中發(fā)現(xiàn)，全美東部的可吸入顆粒物污染水平遠(yuǎn)遠(yuǎn)高于西部。Nehzet[4]在研究中發(fā)現(xiàn)可吸入顆粒物污染呈現(xiàn)季節(jié)趨勢(shì)，不同的季節(jié)、不同氣候條件對(duì)污染濃度有較大的影響。JiunnDer Duh[5]等在對(duì)墨西哥城、洛杉磯、首爾、倫敦、上海等8個(gè)城市的城鎮(zhèn)化發(fā)展水平和空氣質(zhì)量的研究中發(fā)現(xiàn)：在首爾、上海和墨西哥城空氣中的可吸入顆粒物PM10和SO2隨城市發(fā)展呈現(xiàn)出非線性的下降，但是NO2卻保持高水平的振動(dòng)。在德里和上海NO2的水平在2000年左右呈現(xiàn)增長(zhǎng)之勢(shì)，但是其它空氣污染物，包括PM10都處在很低的水平。而對(duì)于倫敦、洛杉磯、東京，從1985-2005年長(zhǎng)達(dá)20年的城市發(fā)展中空氣可吸入顆粒物PM10和SO2都處于相對(duì)較低的水平。同時(shí)，他在研究中發(fā)現(xiàn)空氣質(zhì)量相對(duì)于城市發(fā)展富有彈性。 Benjamin[6]等最早根據(jù)污染地區(qū)地物反射率的變化、邊界模糊情況來(lái)對(duì)大氣污染情況進(jìn)行空間特征分析，表明可吸入顆粒物污染在空間上具有一定的外溢性。Elena[7]在對(duì)美國(guó)可吸入顆粒物污染的空間聚集研究中發(fā)現(xiàn)，對(duì)于選擇的109個(gè)空氣污染監(jiān)測(cè)點(diǎn)由于不同的地理位置、經(jīng)濟(jì)等因素的影響，污染聚集效應(yīng)表現(xiàn)強(qiáng)烈。OriEitan[8]在對(duì)以色列空氣污染和癌癥發(fā)病率的空間研究中指出，由于空氣污染在空間上表現(xiàn)出的外溢性，可吸入顆粒物的污染水平與肺癌發(fā)病風(fēng)險(xiǎn)率呈現(xiàn)出高度的正相關(guān)。Rogula[9]等在對(duì)波蘭扎不熱可吸入顆粒物污染的研究中發(fā)現(xiàn)，扎不熱由于不同區(qū)域地理環(huán)境、經(jīng)濟(jì)水平、機(jī)動(dòng)車擁有量的不同，導(dǎo)致可吸入顆粒物PM2.5、PM10在污染濃度以及污染成分上呈現(xiàn)出很大的差異。

國(guó)內(nèi)學(xué)者在PM2.5污染的研究上由于相關(guān)數(shù)據(jù)可獲得性問題較國(guó)外起步較晚，但是近幾年來(lái)也有了比較深入的研究。任春燕[10]等在對(duì)西北地區(qū)城鎮(zhèn)化與空氣質(zhì)量水平的研究中發(fā)現(xiàn)，西北地區(qū)各省會(huì)城市空氣中總懸浮顆粒和降塵量都超過標(biāo)準(zhǔn)，并且二者的污染都處于較高的污染水平；并且發(fā)現(xiàn)西北省會(huì)城市城市化水平與空氣質(zhì)量之間存在著類似于環(huán)境庫(kù)茨涅茨曲線的規(guī)律，即低水平城市化的西寧和高水平城市化的西安綜合空氣質(zhì)量最好，而中度城市化的蘭州和烏魯木齊空氣質(zhì)量最差。城鎮(zhèn)化與空氣質(zhì)量變化是適合對(duì)數(shù)和平方的二次回歸模型 ，除了城市降塵污染隨著城鎮(zhèn)化展還在惡化外 ，其他空氣質(zhì)量指標(biāo)隨著城市發(fā)展有先惡化后好轉(zhuǎn)的趨勢(shì)。城市化水平的迅速提高，對(duì)于生態(tài)環(huán)境造成了巨大的壓力。蔣洪強(qiáng)、張靜[11]在其研究中指出：我國(guó)城市化每增長(zhǎng) 1 個(gè)百分點(diǎn)帶來(lái)城鎮(zhèn)NOx排放總量增加19.5 萬(wàn)t，其中， 由于機(jī)動(dòng)車增長(zhǎng)造成的NOx排放量增加 8.6 萬(wàn)t，而機(jī)動(dòng)車的尾氣排放是空氣中可吸入顆粒物的主要來(lái)源之一。王紅、齊建國(guó)[12]發(fā)現(xiàn)高污染水平的可吸入顆粒物是人類經(jīng)濟(jì)活動(dòng)所造成的人為污染現(xiàn)象。可吸入顆粒物的污染程度與經(jīng)濟(jì)的不同發(fā)展階段相關(guān)，發(fā)達(dá)國(guó)家再可吸入顆粒物的污染水平上已經(jīng)歷完上升期和高峰期，目前正處于下降階段，而中國(guó)正處于上升期。

從以上的研究可以看出，空氣中PM2.5的濃度大小受到許多因素的影響，不同區(qū)域的污染濃度由于地區(qū)發(fā)展的差異表現(xiàn)出較強(qiáng)的異質(zhì)性，但是由于PM2.5污染的自身特點(diǎn)使得污染在很多區(qū)域產(chǎn)生了空間外溢。雖然PM2.5污染的空間外溢性在相關(guān)研究中已被發(fā)現(xiàn)，而在實(shí)證中無(wú)論是國(guó)外學(xué)者還是國(guó)內(nèi)學(xué)者都基本上沿用了傳統(tǒng)觀點(diǎn)，即認(rèn)為樣本區(qū)域間是相互獨(dú)立的，不存在區(qū)域間的空間溢出影響。但實(shí)際上由于區(qū)域間經(jīng)濟(jì)活動(dòng)與信息交流的日趨頻繁，空間相關(guān)效應(yīng)已逐漸成為區(qū)域分析中不可或缺的重要影響因素。因此，在分析區(qū)域PM2.5排放污染時(shí)，充分考慮到地理因素造成的空間交互效應(yīng)將會(huì)有效的提高模型的擬合度以及估算結(jié)果的精度。

2 研究方法與數(shù)據(jù)

空間計(jì)量經(jīng)濟(jì)學(xué)與傳統(tǒng)的計(jì)量經(jīng)濟(jì)學(xué)相比拋棄了地理空間均質(zhì)性的假設(shè)，充分考慮到了地區(qū)之間的空間交互影響，對(duì)比傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)方法，在研究中使用空間統(tǒng)計(jì)與空間計(jì)量能夠更好的對(duì)被研究對(duì)象的真實(shí)情況進(jìn)行數(shù)據(jù)擬合。

2.1 探索性空間數(shù)據(jù)分析

為了驗(yàn)證可吸入顆粒物PM2.5排放污染在發(fā)生特點(diǎn)上是否具有空間分布的非隨機(jī)性和空間自相關(guān)性，本文對(duì)所選數(shù)據(jù)進(jìn)行了探索性空間分析。探索性空間分析主要有兩種分析方法：第一種是利用Morans I、Geary指數(shù)C去分析所選取的空間觀測(cè)數(shù)據(jù)在在整個(gè)空間場(chǎng)中的分布特征，這種分布特征通常稱為全局空間自相關(guān)性。第二種是利用G統(tǒng)計(jì)量、Moran散點(diǎn)圖和LISA來(lái)分析所選空間數(shù)據(jù)在局部空間場(chǎng)中的分布特征，這種分布又稱為局部空間自相關(guān)性[13-14]。

Morans I度量了整個(gè)研究地區(qū)中相鄰區(qū)域之間空間相關(guān)的情況：空間正相關(guān)、空間負(fù)相關(guān)或者空間相互獨(dú)立。為了計(jì)算PM2.5排放污染的Morans I值，首先要構(gòu)造觀測(cè)區(qū)域的空間權(quán)重Wij。文中采用相鄰距離構(gòu)建空間權(quán)重，構(gòu)建方法上采用了“車”相鄰（Rook Contiguity），即如果區(qū)域i和區(qū)域j有共同的邊界，則空間權(quán)重Wij=1，如果沒有，則Wij=0。Morans I的計(jì)算公式如下：

I=n∑ni=1∑nj=1wij（xi-x）（xj-x）∑ni=1∑nj=1wij∑ni=1（xi-x）2（1）

在式（1）中，n表示所研究空間樣本中的區(qū)域總數(shù)，xi和xj分別為區(qū)域i和區(qū)域j的觀測(cè)值，x為平均值。

Morans I的值介于1和-1之間，以0作為判斷正相關(guān)和負(fù)相關(guān)的分界點(diǎn)，如果大于0則表示正相關(guān)，反之，則為負(fù)相關(guān)。如果值等于0則表示觀測(cè)值是隨機(jī)分布或者不存在空間自相關(guān)性，值越接近于1相似屬性觀測(cè)值集聚程度越高，越接近于-1相異屬性觀測(cè)值集聚程度越高[15-16]。

2.2 空間計(jì)量模型分析

除了對(duì)我國(guó)省域PM2.5排放污染進(jìn)行空間探索性分析外，文中還采用空間計(jì)量模型對(duì)樣本數(shù)據(jù)進(jìn)行空間定性分析?？臻g計(jì)量模型依據(jù)解釋變量和被解釋變量的關(guān)系可以分為很多種類，而以下三種在實(shí)證研究中被廣泛采用，其分別是空間滯后模型（The Spatial Lag Model， SLM）、空間誤差模型（The Spatial Error Model， SEM）和空間杜賓模型（Spatial Durbin Model， SDM）?？臻g滯后模型（Spatial Lag Model， SLM）假定一個(gè)區(qū)域內(nèi)的被解釋變量值部分的被其相鄰區(qū)域的被解釋變量值所決定，模型表達(dá)式為：

y=ρWy+Xβ+ε（2）

在式（2）中，y是一個(gè)n*1維被解釋變量的向量；ρ是空間自回歸參數(shù)，與外生解釋變量X（n*k）相關(guān)；W是n*n維空間權(quán)重矩陣，分別與因變量的空間自回歸過程和隨機(jī)誤差項(xiàng)ε的空間自回歸過程相關(guān)，而β是k*1維回歸系數(shù)向量。

空間誤差模型與空間滯后模型不同的是空間相關(guān)性在模型中由隨機(jī)誤差項(xiàng)表示，其模型表達(dá)式為：

在式（3）、（4）中，被解釋變量y是n*1維向量；X是n*k維數(shù)據(jù)矩陣，表示解釋變量；β是待估參數(shù)；λ是空間自相關(guān)系數(shù)，它的大小反應(yīng)了相鄰區(qū)域之間的影響程度；W是空間權(quán)重矩陣。

當(dāng)空間滯后模型和空間誤差模型都不適用于樣本數(shù)據(jù)時(shí)，則采用空間杜賓模型進(jìn)行空間計(jì)量檢驗(yàn)，其模型表達(dá)式為：

y=ρWy+Xβ+γWX+ε （5）

在式（5）中，γ為待估參數(shù)，其余變量的定義與空間滯后模型和空間誤差模型中相同[17-19]。

2.3 空間計(jì)量模型的選擇

在利用空間計(jì)量模型進(jìn)行計(jì)量分析后，要通過相關(guān)檢驗(yàn)來(lái)確定最適合樣本數(shù)據(jù)的空間模型以及對(duì)實(shí)證結(jié)果進(jìn)行診斷。為了確定樣本數(shù)據(jù)是否適合采用空間計(jì)量模型進(jìn)行分析，一般預(yù)先采用非空間交互效應(yīng)數(shù)據(jù)模型來(lái)檢驗(yàn)空間滯后項(xiàng)與空間誤差項(xiàng)存在與否。兩個(gè)拉格朗日乘數(shù)形式的LMError、LMLag和穩(wěn)健的LMLag、LMError被用來(lái)檢驗(yàn)以上假設(shè)，其檢驗(yàn)原假設(shè)H0為不存在空間滯后項(xiàng)和空間誤差項(xiàng)，如果檢驗(yàn)結(jié)果在5%以及1%的顯著性水平下顯著，則拒絕原假設(shè)。由于文中采用面板數(shù)據(jù)對(duì)可吸入顆粒物PM2.5排放污染進(jìn)行計(jì)量檢驗(yàn)，考慮到個(gè)體效應(yīng)和時(shí)間效應(yīng)的存在，則采用LR（likelihood ratio）檢驗(yàn)來(lái)確定固定效應(yīng)和隨機(jī)效應(yīng)兩種情形。LR檢驗(yàn)原假設(shè)為個(gè)體固定效應(yīng)和時(shí)間固定效應(yīng)聯(lián)合非顯著，如果其檢驗(yàn)結(jié)果通過顯著性檢驗(yàn)，則拒絕原假設(shè)?？臻g計(jì)量經(jīng)濟(jì)學(xué)理論中通常將模型選擇方法分為SpecifictoGeneral和GeneraltoSpecific兩類，上述的模型選擇方法屬于SpecifictoGeneral類；當(dāng)檢驗(yàn)結(jié)果顯示非空間交互效應(yīng)模型不適合于數(shù)據(jù)的估計(jì)時(shí)，則進(jìn)一步采用空間杜賓模型進(jìn)行計(jì)量分析，同時(shí)檢驗(yàn)空間杜賓模型是否能簡(jiǎn)化為空間滯后模型或者空間誤差模型，這屬于GeneraltoSpecific類。當(dāng)采用空間杜賓模型進(jìn)行計(jì)量檢驗(yàn)時(shí)，LR和WALD檢驗(yàn)被用來(lái)檢測(cè)空間杜賓模型是否能被簡(jiǎn)化，其檢驗(yàn)原假設(shè)為H0：γ=0和H0：γ+ρβ=0，第一個(gè)原假設(shè)檢驗(yàn)空間杜賓模型能否簡(jiǎn)化成空間滯后模型，第二個(gè)檢驗(yàn)?zāi)芊窈?jiǎn)化為空間誤差模型。當(dāng)采用GeneraltoSpecific方法進(jìn)行模型鑒別時(shí)，空間豪斯曼檢驗(yàn)被用來(lái)區(qū)分空間隨機(jī)效應(yīng)和空間固定效應(yīng)，其檢驗(yàn)原假設(shè)H0為模型適合空間隨機(jī)效應(yīng)，如果檢驗(yàn)結(jié)果在5%以及1%的顯著性水平下顯著，則拒絕原假設(shè)[20-22]。

2.4 變量的選取及模型的設(shè)定

由于在2012年以前我國(guó)的PM2.5污染監(jiān)測(cè)數(shù)據(jù)相對(duì)缺失，所以文中樣本區(qū)域PM2.5排放污染數(shù)據(jù)采用了著名的GAINS China[23-24]模型數(shù)據(jù)，在時(shí)間上節(jié)選了1985年、1990年、1995年、2000年、2005年、2010年這6年。為了充分反映各省經(jīng)濟(jì)發(fā)展和能源消耗狀況，解釋變量選取了如下項(xiàng)目：GDP總量、人均GDP、人口總數(shù)、煤炭消耗量、原油消耗量、電力消耗量?？紤]到通貨膨脹的影響，人均GDP按照2000年水平進(jìn)行折算。解釋變量數(shù)據(jù)來(lái)源于《中國(guó)統(tǒng)計(jì)年鑒》和《中國(guó)能源統(tǒng)計(jì)年鑒》。選取的我國(guó)31個(gè)樣本區(qū)域包括22個(gè)省、4個(gè)直轄市和5個(gè)自治區(qū)，香港、澳門和臺(tái)灣省由于數(shù)據(jù)可獲得性以及統(tǒng)計(jì)口徑的原因未包含在本文研究范圍內(nèi)。

在研究人類經(jīng)濟(jì)活動(dòng)對(duì)環(huán)境影響的模型中，以 Ehrlich和Holdren[25]提出的IPAT模型的運(yùn)用最為廣泛。I=PAT模型中將I定義為環(huán)境所承受的影響，其來(lái)源于P、A、T這三個(gè)綜合因素，P代表人口水平，A代表人均收入，T代表技術(shù)水平。在后續(xù)研究中，Dietz和Rose[26]通過對(duì)IPAT模型的重新定義得到了IPAT模型的擴(kuò)展模型STIRPAT，即Ii=aPibAicTidui。式中a是常數(shù)項(xiàng)，b、c、d分別是A、P、T的參數(shù)，u為干擾項(xiàng)，i代表測(cè)量單位。本文則利用STIRPAT模型對(duì)省域PM2.5污染進(jìn)行實(shí)證檢驗(yàn)，在對(duì)模型進(jìn)行對(duì)數(shù)化處理后得到了如下的實(shí)證形式：

3 實(shí)證結(jié)果及分析

3.1 省域PM2.5污染的空間相關(guān)性分析

從表1可以看出樣本省域PM2.5排放污染的全局Morans I統(tǒng)計(jì)指數(shù)在各年份上均顯示為正值，并且所有統(tǒng)計(jì)值都顯著，這說(shuō)明PM2.5污染在整體上具有較強(qiáng)的空間聚集效應(yīng)。而各年份Morans I統(tǒng)計(jì)值的逐步增大也表明PM2.5污染的空間集聚特征隨著時(shí)間的推移在逐步增強(qiáng)，相鄰區(qū)域的空間影響日趨顯著。為了進(jìn)一步區(qū)分不同省域的空間聚集模式，本文利用Moran散點(diǎn)圖對(duì)所選年份省域PM2.5平均污染水平進(jìn)行了檢驗(yàn)，依據(jù)檢驗(yàn)結(jié)果，樣本區(qū)域被分為四類聚集模式。第一類為HH聚集模式，表示高污染與高污染區(qū)域臨接聚集。我國(guó)東部與中部的江蘇、浙江、山東、湖北、湖南等大多數(shù)省份均位于第一類，總計(jì)占樣本區(qū)域的45.16%。第二類為L(zhǎng)H集聚模式，表示低污染與高污染區(qū)域臨接聚集。北京、天津、重慶這三個(gè)直轄市均處于這一類，位于第二類聚集模式的區(qū)域占總樣本的25.81%。第三類是指LL集聚，表示低污染與低污染區(qū)域臨接聚集。此類區(qū)域主要集中在我國(guó)西部，包括新疆、青海、甘肅和寧夏，其占總樣本的16.12%。第四類為HL集聚模式，表示高污染區(qū)域與低污染區(qū)域臨接聚集。陜西、廣東等地區(qū)處于此類污染模式中，其占總樣本的12.91%。從以上結(jié)果可以看出，樣本省域PM2.5污染不僅存在很強(qiáng)的空間相關(guān)性同時(shí)也表現(xiàn)出了很強(qiáng)的空間異質(zhì)性。

3.2 省域PM2.5排放污染的空間計(jì)量檢驗(yàn)結(jié)果

為了確定樣本省域PM2.5排放污染是否適合采用空間計(jì)量方法進(jìn)行計(jì)量檢驗(yàn)，首先將采用非空間交互效應(yīng)模型對(duì)數(shù)據(jù)進(jìn)行估計(jì)和診斷，非空間交互效應(yīng)模型使用了四種不同的估計(jì)方法。其估計(jì)結(jié)果見表2。

表2顯示了非空間交互效應(yīng)模型的計(jì)量檢驗(yàn)結(jié)果，其分別采用了混合最小二乘、個(gè)體固定效應(yīng)、時(shí)間固定效應(yīng)和雙向固定效應(yīng)的估計(jì)方法。為了確定最佳估計(jì)模型，文中對(duì)數(shù)據(jù)進(jìn)行了LR檢驗(yàn)，其結(jié)果顯示：在1%的顯著性水平上模型拒絕了個(gè)體固定效應(yīng)不顯著的零假設(shè)（LR test =351.281，p=0.000）；而在時(shí)間固定效應(yīng)上同樣拒絕了固定效應(yīng)不顯著的零假設(shè)（LR test=19.564，p=0.007）。由此可以推斷，在以上四種非空間交互效應(yīng)模型估計(jì)中，雙向固定效應(yīng)模型最適合于當(dāng)前數(shù)據(jù)的估計(jì)。表2的下部分報(bào)告了通過經(jīng)典LM和穩(wěn)健的LM檢驗(yàn)來(lái)確定是否存在空間滯后和空間誤差的檢驗(yàn)結(jié)果。由于已經(jīng)確定雙向固定效應(yīng)模型最適合當(dāng)前數(shù)據(jù)，故針對(duì)該模型估計(jì)結(jié)果進(jìn)行判斷。其結(jié)果顯示當(dāng)采用經(jīng)典LM檢驗(yàn)時(shí)，模型在5%的顯著性水平上均拒絕了沒有空間滯后和空間誤差項(xiàng)的檢驗(yàn)零假設(shè)；而在采用穩(wěn)健的LM檢驗(yàn)時(shí)，模型沒有通過顯著性檢驗(yàn)。綜合以上檢驗(yàn)結(jié)果可以確定樣本省域PM2.5排放污染數(shù)據(jù)適合用采用空間計(jì)量的法進(jìn)行估計(jì)，并且由于經(jīng)典LM檢驗(yàn)結(jié)果同時(shí)表明存在空間誤差項(xiàng)和空間滯后項(xiàng)，因此，本文進(jìn)一步利用空間杜賓模型進(jìn)行估算。

表3顯示了空間杜賓模型的估計(jì)結(jié)果，分別采用了空間固定效應(yīng)和空間隨機(jī)效應(yīng)的估計(jì)方法。

采用空間交互效應(yīng)的空間杜賓模型進(jìn)行數(shù)據(jù)估計(jì)后，將通過空間Hausman檢驗(yàn)來(lái)確定空間交互效應(yīng)為固定效應(yīng)還是隨機(jī)效應(yīng)，其檢驗(yàn)結(jié)果為Huasman test=1.829，p=0.999，檢驗(yàn)結(jié)果沒有通過顯著性檢驗(yàn)，所以模型接受了空間交互效應(yīng)為隨機(jī)效應(yīng)的檢驗(yàn)零假設(shè)。表3的底部列出了通過Wald和LR檢驗(yàn)來(lái)確定空間杜賓模型是否能簡(jiǎn)化成空間滯后模型或者空間誤差模型的檢驗(yàn)結(jié)果，所有結(jié)果均通過了顯著性檢驗(yàn)，說(shuō)明空間隨機(jī)效應(yīng)下的空間杜賓模型最適合用于當(dāng)前數(shù)據(jù)的計(jì)量估計(jì)。在表2報(bào)告的非空間交互效應(yīng)模型的估計(jì)中，雙向固定效應(yīng)下GDP項(xiàng)估計(jì)值為0.309，而在表3報(bào)告的空間隨機(jī)效應(yīng)估計(jì)中，該項(xiàng)值為0.794，較前估計(jì)值有大幅增長(zhǎng)，由于通過相關(guān)檢驗(yàn)已經(jīng)確定空間隨機(jī)效應(yīng)的杜賓模型為最佳估計(jì)模型，所以非空間交互效應(yīng)的雙向固定模型估計(jì)值為偏誤估計(jì)。為了探究模型中解釋變量的真實(shí)影響，文中對(duì)不同模型下對(duì)應(yīng)的估計(jì)值進(jìn)行比較，但是這種比較是無(wú)效的，其原因在于在非空間交互效應(yīng)模型與空間計(jì)量模型中同一解釋變量的估計(jì)值所代表的意義不同。因此，本文在基于空間隨機(jī)效應(yīng)的杜賓模型估計(jì)基礎(chǔ)上利用直接與間接效應(yīng)估計(jì)來(lái)進(jìn)一步測(cè)算解釋變量的真實(shí)影響與空間溢出。

表4列出了直接效應(yīng)和間接效應(yīng)的估計(jì)結(jié)果。同表3相比，表4中的估計(jì)值發(fā)生了較大的變化，而這種變化正是由于空間溢出效應(yīng)所引起的。在表4的直接效應(yīng)估計(jì)

值中除了人口與原油消耗總量這兩個(gè)變量的估計(jì)值未通過顯著性檢驗(yàn)外，其余變量估計(jì)值均通過了顯著性檢驗(yàn)。其中，變量GDP的估計(jì)值為0.790，這表明所選樣本區(qū)域GDP的增長(zhǎng)嚴(yán)重加劇了本地區(qū)PM2.5污染，同時(shí)也間接表明所選區(qū)域仍然處于粗放型的經(jīng)濟(jì)發(fā)展方式，這種發(fā)展方式始終伴隨著高排放、高污染，樣本區(qū)域要繼續(xù)經(jīng)濟(jì)規(guī)模的擴(kuò)張就必須做到經(jīng)濟(jì)增長(zhǎng)方式的轉(zhuǎn)型。變量人均GDP的估計(jì)值為-0.470，這表明提高區(qū)域人均收入水平能夠有效的降低本地區(qū)PM2.5排放污染。在地區(qū)能耗的三個(gè)指標(biāo)中變量煤的估計(jì)值為0.176，而原油消耗量的估計(jì)值只有0.002，說(shuō)明在選取的三個(gè)能耗變量中煤的使用對(duì)地區(qū)自身PM2.5污染有顯著的影響，同時(shí)也說(shuō)明樣本區(qū)域能源消耗結(jié)構(gòu)很不合理，高污染、高排放能源仍然處于主導(dǎo)地位。變量電力消耗量的估計(jì)值為-0.190，在選取的三個(gè)能耗變量估計(jì)值中絕對(duì)值最大，表明更多的使用電力這樣的清潔能源能有效的降低PM2.5排放污染。

在間接效應(yīng)估計(jì)中表示地區(qū)能耗的三個(gè)變量估計(jì)值均通過了顯著性檢驗(yàn)，其中煤消耗量的估計(jì)值為0.167，表明地區(qū)自身煤消耗的增多將會(huì)加劇相鄰地區(qū)PM2.5污染，而這種污染影響正是由于空間溢出效應(yīng)所造成的。變量原油消耗量的間接效應(yīng)估計(jì)值為-0.099，這說(shuō)明地區(qū)自身原油消耗量的增加會(huì)減輕臨接區(qū)域的污染排放。由于原油供給的相對(duì)穩(wěn)定以及不可替代性，一個(gè)區(qū)域原油消耗的增多必定會(huì)影響相鄰區(qū)域的消耗量，但是在直接效應(yīng)估計(jì)中已經(jīng)發(fā)現(xiàn)原油消耗對(duì)區(qū)域自身PM2.5污染的影響較小，所以空間溢出影響也相對(duì)較弱。變量電力消耗的間接效應(yīng)估計(jì)值為0.069，這表明地區(qū)自身電力消耗的增加使得臨近區(qū)域PM2.5污染變得嚴(yán)重，其原因在于地區(qū)電力消耗的增加使得臨近區(qū)域在能源消耗上被迫選擇以煤為主的高污染原料，使得污染增加，同時(shí)這也間接反映我國(guó)當(dāng)前清潔能源供應(yīng)仍存在很大的缺口。

在總效應(yīng)估計(jì)值中可以看到GDP的增長(zhǎng)同PM2.5污染之間仍然表現(xiàn)出很強(qiáng)的正相關(guān)關(guān)系，而人均GDP水平則與PM2.5污染顯示出負(fù)相關(guān)，在能源消耗變量中煤和電力的總效應(yīng)估計(jì)值相比直接效應(yīng)估計(jì)值發(fā)生了很大的變化，煤消耗對(duì)污染的影響明顯增強(qiáng)，而消耗更多的電能對(duì)污染的緩解卻減弱，其原因在于我國(guó)當(dāng)前相當(dāng)一部分電力供應(yīng)仍來(lái)源于火力發(fā)電。

4 研究結(jié)論

本文利用空間計(jì)量方法對(duì)所選取的31個(gè)省級(jí)行政區(qū)域可吸入顆粒物PM2.5排放污染進(jìn)行了空間面板檢驗(yàn)，結(jié)果發(fā)現(xiàn)樣本區(qū)域在PM2.5污染上存在著較為明顯的空間依賴性，考慮了空間交互效應(yīng)所測(cè)算出來(lái)的GDP等解釋變量的估計(jì)值更具有真實(shí)性和穩(wěn)健性。通過探索性空間分析發(fā)現(xiàn)樣本區(qū)域PM2.5污染除具有空間相關(guān)性外還具有空間異質(zhì)性，這在理論上就很好的解釋了當(dāng)前我國(guó)PM2.5污染呈現(xiàn)聚集發(fā)生的特點(diǎn)。例如頻發(fā)霧霾污染的京津冀地區(qū)，由于北京和天津處于空間聚集模式的第二象限，即低污染和高污染區(qū)域臨接聚集，雖然兩個(gè)區(qū)域本身PM2.5排放污染較低，但是由于同高污染排放的河北地區(qū)臨接，受較強(qiáng)的空間溢出效應(yīng)的影響，造成京津冀地區(qū)嚴(yán)重的PM2.5污染。計(jì)量模型估計(jì)結(jié)果進(jìn)一步揭示了經(jīng)濟(jì)發(fā)展與能源消耗等因素對(duì)PM2.5污染的影響，從結(jié)果看以看出我國(guó)現(xiàn)有的經(jīng)濟(jì)增長(zhǎng)方式與環(huán)境保護(hù)之間仍處于不可調(diào)和階段，高污染、高排放的擴(kuò)張方式加劇著生態(tài)環(huán)境的惡化，這就要求從根本上轉(zhuǎn)變發(fā)展方式，實(shí)現(xiàn)綠色GDP增長(zhǎng)。由于Bouvier[27]在研究中已經(jīng)證明了人均GDP與空氣污染水平之間存在著倒U型的環(huán)境庫(kù)茲列茨曲線，提高人均GDP水平將會(huì)成為改善空氣質(zhì)量的一個(gè)重要手段。對(duì)于地區(qū)能源消耗，從選取的三個(gè)能源消耗指標(biāo)可以看出，煤炭消耗已成為PM2.5污染形成的主要因素，而增強(qiáng)電力消費(fèi)對(duì)于污染的緩解效應(yīng)又遠(yuǎn)遠(yuǎn)低于煤炭消費(fèi)所引起的污染排放，這說(shuō)明我國(guó)現(xiàn)階段的能源消耗結(jié)構(gòu)及其不合理，初級(jí)能源消費(fèi)在能源供給市場(chǎng)上占據(jù)了絕大部分比例，而類似于煤這樣的初級(jí)能源又恰好具有高污染率和低能源轉(zhuǎn)換率。所以，在能源消費(fèi)市場(chǎng)中增加具有高能源轉(zhuǎn)換效應(yīng)的清潔能源使用率將是能源結(jié)構(gòu)調(diào)整的主要方向。

（編輯：常 勇）

參考文獻(xiàn)（References）

[1]國(guó)家統(tǒng)計(jì)局.2013年中國(guó)環(huán)境年報(bào)[N/OL].[2014-06-05].http：//jcs.mep.gov.cn/hjzl/zkgb/2013zkgb/.[National Bureau of Statistics. Chinese Environment Report 2013[N/OL].[2014-06-05]. http：//jcs.mep.gov.cn/hjzl/zkgb/2013zkgb/.]

[2]Chow J C. Welcome to a Special Issue on PM2.5： A Fine Particle Standard [J]. Air & Waste Manage， 1999，17（49）：1-5.

[3]Eldred R. Composition of PM2.5 And PM10Aerosols in the Improve Network [J]. Air & Waste Manage， 1997，12（47）：1-4.

[4]Nehzat Mtalebi. Winter Time PM2.5 and PM10， Source Apportionment at Sacramento， Caledonia [J]. Air & Waste Manage， 1999，12（49）： 25-29.

[5]JiunnDer Duh. Rates of Urbanization and the Resiliency of Air and Water Quality [J]. Science of the Total Environment， 2008，10（8）： 238-256.

[6]Benjamin F. Introduction to Remote Sensing [M]. Dubuque， US： The Environment Hunt Publishing Company，1978：386-390.

[7]Elena Austin. A Framework for Identifying Distinct Multipollutant Profiles in Air Pollution Data [J]. Environment International， 2012，3（45）： 112-121.

[8]Ori Eitan. Spatial Analysis of Air Pollution and Cancer Incidence Rates in Haifa Bay， Israel [J]. Science of The Total Environment， 2012，12（20）： 408-410.

[9]RogulaKozowska W. Structure of Atmospheric Aerosol in Upper Silesia （Poland）contribution of PM2.5 to PM10 in Zabrze， Katowice and Czestochowa in 2005-2007[J]. Archives of Environmental Protection， 2009，4（25）： 2-5.

[10]任春艷. 西北地區(qū)城市化與空氣質(zhì)量變化關(guān)系研究[J]. 北京師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2005，4（41）：2-4.[Ren Chunyan. The Research of Air Quality and Western cities Urbanization Rates[J]. The Journal of Beijing Normal University： Natural Science Edition， 2005，4（41）：2-4.]

[11]蔣洪強(qiáng)，張靜. 中國(guó)快速城鎮(zhèn)化的邊際環(huán)境污染效應(yīng)變化實(shí)證分析[J]. 生態(tài)環(huán)境學(xué)報(bào)，2012，21（2）： 293-297.[Jiang Hongqiang， Zhang Jing. An Empirical Analysis of Marginal Environmental Effects of Chinese Rapid Urbanization [J]. The Journal of Ecological Environment，2012，21（2）：293-297.]

[12]王紅，齊建國(guó).PM2.5高排放與治理的技術(shù)經(jīng)濟(jì)思考[J].經(jīng)濟(jì)縱橫，2013，4（1）：27-29.[Wang Hong， Qi Jianguo. The Thinking of Governance and High Emission of PM2.5 [J]. Economic Aspect， 2013，4（1）：27-29.]

[13]Anselin L. Spatial Econometrics： Methods and Models [M]. Kluwer：Dordrecht，1998.

[14]Anselin L， Cho W. Simple Diagnostic Tests for Spatial Dependence [J]. Reg Sci Urban Econ，1996， 26（1）：77-104.

[15]Anselin L， Bera A. Spatial Dependence in Linear Regression Models with an Introduction to Spatial Econometrics [M]. Marcel Dekker， New York：Handbook of Applied Economics Statistics，1998：237-289.

[16]Anselin L， Le Gallo J， Jayet H. Spatial Panel Econometrics. The Econometrics of Panel Data， Fundamentals and Recent Developments in Theory and Practice， 3rd Edition [M]. Kluwer： Dordrecht， Netherland， 2006.

[17]Elhorst J P. Specification and Estimation of Spatial Panel Data Models [J]. Int Reg Sci Rev，2003；26（3）：244-268

[18]Elhorst J P. Applied Spatial Econometrics： Raising the Bar [J]. Spat Econ Anal，2010，5（1）：9-28.

[19]Elhorst J P. Spatial Panel Data Models[M]. In： Fischer MM， Getis. A Handbook of Applied Spatial Analysis. Berlin：Springer， 2010.

[20]Debarsy N， Ertur C. Testing for Spatial Autocorrelation in A Fixed Effects Panel Date Model [J]. Reg. Sci. Urban Econ， 2010，40（7）： 453-470.

[21]Florax R J G M， Folmer H， Rey S J. Specification Searches in Spatial Econometrics： The Relevance of Hendrys Methodology [J]. Reg Sci Urban Econ， 2003，33（5）： 557-579.

[22]Mur J， Angulo A. Model Selection Strategies in A Spatial Setting： Some Additional Results [J]. Reg Sci Urban Econ， 2009，39（2）：200-213.

[23]IIASA. Gains Asia： A Tool to Combat Air Pollution and Climate Change Simultaneously， Methodology[R]. Laxenburg：International Institute for Applied Systems Analysis，2008.

[24]IIASA. Gains Asia： Scenarios for CostEffective Control of Air Pollution and Greenhouse Gases in China[R]. Laxenburg：International Institute for Applied Systems Analysis， 2008.

[25]Ehrlich P R， Holdren J P. Impact of Population Growth [J]. Science， 1971，171（3）：1212-1217.

[26]Dietz T， Rosa E A. Effects of Population and Affluence on CO2 Emissions [J]. Proceedings of the National Academy of Sciences， 1997，94：175-179.

[27]Bouvier R. Air Pollution and Per Capita Income[R]. //Working Paper Series，Political Economy Research Institute. Massachusetts：University of Massachusetts，2004.