中国省域PM2.5污染的空间实证研究

向堃+宋德勇

摘要 由于我国空气污染状况的日趋恶化，研究空气污染的形成因素并制定相应的污染治理政策对于我国生态文明建设有着重要的意义。基于STIRPAT环境效应分析模型，文中利用空间分析工具对选取的31个样本区域的PM2.5排放污染进行了空间探索性分析与空间计量检验。空间探索性分析结果表明：通过计算全局空间Morans I指数测算出样本区域PM2.5排放污染具有较强的空间自相关性，局部空间聚集检验则显示出样本区域PM2.5排放污染除具有自相关性外还表现出一定的空间异质性。进一步的空间计量检验结果显示样本区域GDP总量的增长将使得PM2.5污染继续恶化，而提高样本区域人均GDP水平则能有效的降低污染水平。样本区域在能耗上的空间交互影响也较为明显，对于选取的三个能耗指标，煤炭消耗的增加无论对于区域自身还是邻接区域都已成为加剧PM2.5排放污染的主要因素，原油消耗的增长只对邻接区域污染水平产生了影响，而电力消耗的提高缓解了区域自身的PM2.5排放污染但加剧了邻接区域的污染。由于空间溢出效应的影响，样本区域 PM2.5污染表现出了很强的空间相关性，这就要求在相关污染治理政策的制定上要充分考虑到空间因素的影响，不仅要从经济发展方式和能源消耗结构的改变等环节入手，同时还要加强省域之间的协调促进，最终实现对污染的有效治理。

关键词 PM2.5污染；空间探索分析；空间计量分析

中图分类号 F205 文献标识码 A 文章编号 1002-2104（2015）09-0153-07 doi：10.3969/j.issn.1002-2104.2015.09.020

近年来，由于我国工业化、城镇化水平的进一步提高，工业生产和能源消费规模不断扩大，伴随而来的环境污染问题也面临新的挑战，除传统的硫化物、氮氧化物污染外，PM2.5、PM10等污染问题也逐渐突显。2013年我国环境状况公报指出，城市可吸入颗粒物污染依然比较严重，按照《环境空气质量标准》（GB 3095-2012）对京津冀、长三角、珠三角等重点区域及直辖市、省会城市和计划单列市共74个城市的监测结果表明：74个城市中仅海口、舟山和拉萨3个城市空气质量达标，占4.1%，超标城市比例高达95.9%[1]。

在污染治理的相关研究中，随着Geoda等空间软件工具的逐步完善，空间探索与定性分析已被广泛应用于污染的跟踪与防治。利用空间分析工具能够迅速掌握污染的空间分布与传播路径，准确地判断污染发生是否存在地区差异，并且能够对造成差异的因素进行定量分析。本文则利用上述工具对可吸入颗粒物PM2.5排放污染进行空间分析，旨在明确PM2.5污染的空间分布特点，检验不同地理环境影响下经济发展等因素对污染浓度的影响，从而为相关政策制定提供参考，以降低污染水平。

1 文献综述

对于可吸入颗粒物污染的研究，国外很早就已涉及，美国从1980年代开始就将可吸入颗粒物污染纳入空气质量监测范围，1985年美国国家环保局正式将TSP（总悬浮颗粒物）修改为PM10，并随后开始检测PM2.5污染[2]。ELelred[3]等在对美国空气质量的研究中发现，全美东部的可吸入颗粒物污染水平远远高于西部。Nehzet[4]在研究中发现可吸入颗粒物污染呈现季节趋势，不同的季节、不同气候条件对污染浓度有较大的影响。JiunnDer Duh[5]等在对墨西哥城、洛杉矶、首尔、伦敦、上海等8个城市的城镇化发展水平和空气质量的研究中发现：在首尔、上海和墨西哥城空气中的可吸入颗粒物PM10和SO2随城市发展呈现出非线性的下降，但是NO2却保持高水平的振动。在德里和上海NO2的水平在2000年左右呈现增长之势，但是其它空气污染物，包括PM10都处在很低的水平。而对于伦敦、洛杉矶、东京，从1985-2005年长达20年的城市发展中空气可吸入颗粒物PM10和SO2都处于相对较低的水平。同时，他在研究中发现空气质量相对于城市发展富有弹性。 Benjamin[6]等最早根据污染地区地物反射率的变化、边界模糊情况来对大气污染情况进行空间特征分析，表明可吸入颗粒物污染在空间上具有一定的外溢性。Elena[7]在对美国可吸入颗粒物污染的空间聚集研究中发现，对于选择的109个空气污染监测点由于不同的地理位置、经济等因素的影响，污染聚集效应表现强烈。OriEitan[8]在对以色列空气污染和癌症发病率的空间研究中指出，由于空气污染在空间上表现出的外溢性，可吸入颗粒物的污染水平与肺癌发病风险率呈现出高度的正相关。Rogula[9]等在对波兰扎不热可吸入颗粒物污染的研究中发现，扎不热由于不同区域地理环境、经济水平、机动车拥有量的不同，导致可吸入颗粒物PM2.5、PM10在污染浓度以及污染成分上呈现出很大的差异。

国内学者在PM2.5污染的研究上由于相关数据可获得性问题较国外起步较晚，但是近几年来也有了比较深入的研究。任春燕[10]等在对西北地区城镇化与空气质量水平的研究中发现，西北地区各省会城市空气中总悬浮颗粒和降尘量都超过标准，并且二者的污染都处于较高的污染水平；并且发现西北省会城市城市化水平与空气质量之间存在着类似于环境库茨涅茨曲线的规律，即低水平城市化的西宁和高水平城市化的西安综合空气质量最好，而中度城市化的兰州和乌鲁木齐空气质量最差。城镇化与空气质量变化是适合对数和平方的二次回归模型 ，除了城市降尘污染随着城镇化展还在恶化外 ，其他空气质量指标随着城市发展有先恶化后好转的趋势。城市化水平的迅速提高，对于生态环境造成了巨大的压力。蒋洪强、张静[11]在其研究中指出：我国城市化每增长 1 个百分点带来城镇NOx排放总量增加19.5 万t，其中， 由于机动车增长造成的NOx排放量增加 8.6 万t，而机动车的尾气排放是空气中可吸入颗粒物的主要来源之一。王红、齐建国[12]发现高污染水平的可吸入颗粒物是人类经济活动所造成的人为污染现象。可吸入颗粒物的污染程度与经济的不同发展阶段相关，发达国家再可吸入颗粒物的污染水平上已经历完上升期和高峰期，目前正处于下降阶段，而中国正处于上升期。

从以上的研究可以看出，空气中PM2.5的浓度大小受到许多因素的影响，不同区域的污染浓度由于地区发展的差异表现出较强的异质性，但是由于PM2.5污染的自身特点使得污染在很多区域产生了空间外溢。虽然PM2.5污染的空间外溢性在相关研究中已被发现，而在实证中无论是国外学者还是国内学者都基本上沿用了传统观点，即认为样本区域间是相互独立的，不存在区域间的空间溢出影响。但实际上由于区域间经济活动与信息交流的日趋频繁，空间相关效应已逐渐成为区域分析中不可或缺的重要影响因素。因此，在分析区域PM2.5排放污染时，充分考虑到地理因素造成的空间交互效应将会有效的提高模型的拟合度以及估算结果的精度。

2 研究方法与数据

空间计量经济学与传统的计量经济学相比抛弃了地理空间均质性的假设，充分考虑到了地区之间的空间交互影响，对比传统计量经济学方法，在研究中使用空间统计与空间计量能够更好的对被研究对象的真实情况进行数据拟合。

2.1 探索性空间数据分析

为了验证可吸入颗粒物PM2.5排放污染在发生特点上是否具有空间分布的非随机性和空间自相关性，本文对所选数据进行了探索性空间分析。探索性空间分析主要有两种分析方法：第一种是利用Morans I、Geary指数C去分析所选取的空间观测数据在在整个空间场中的分布特征，这种分布特征通常称为全局空间自相关性。第二种是利用G统计量、Moran散点图和LISA来分析所选空间数据在局部空间场中的分布特征，这种分布又称为局部空间自相关性[13-14]。

Morans I度量了整个研究地区中相邻区域之间空间相关的情况：空间正相关、空间负相关或者空间相互独立。为了计算PM2.5排放污染的Morans I值，首先要构造观测区域的空间权重Wij。文中采用相邻距离构建空间权重，构建方法上采用了“车”相邻（Rook Contiguity），即如果区域i和区域j有共同的边界，则空间权重Wij=1，如果没有，则Wij=0。Morans I的计算公式如下：

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表示所研究空间样本中的区域总数，xi和xj分别为区域i和区域j的观测值，x为平均值。

Morans I的值介于1和-1之间，以0作为判断正相关和负相关的分界点，如果大于0则表示正相关，反之，则为负相关。如果值等于0则表示观测值是随机分布或者不存在空间自相关性，值越接近于1相似属性观测值集聚程度越高，越接近于-1相异属性观测值集聚程度越高[15-16]。

2.2 空间计量模型分析

除了对我国省域PM2.5排放污染进行空间探索性分析外，文中还采用空间计量模型对样本数据进行空间定性分析。空间计量模型依据解释变量和被解释变量的关系可以分为很多种类，而以下三种在实证研究中被广泛采用，其分别是空间滞后模型（The Spatial Lag Model， SLM）、空间误差模型（The Spatial Error Model， SEM）和空间杜宾模型（Spatial Durbin Model， SDM）。空间滞后模型（Spatial Lag Model， SLM）假定一个区域内的被解释变量值部分的被其相邻区域的被解释变量值所决定，模型表达式为：

y=ρWy+Xβ+ε（2）

在式（2）中，y是一个n*1维被解释变量的向量；ρ是空间自回归参数，与外生解释变量X（n*k）相关；W是n*n维空间权重矩阵，分别与因变量的空间自回归过程和随机误差项ε的空间自回归过程相关，而β是k*1维回归系数向量。

空间误差模型与空间滞后模型不同的是空间相关性在模型中由随机误差项表示，其模型表达式为：

在式（3）、（4）中，被解释变量y是n*1维向量；X是n*k维数据矩阵，表示解释变量；β是待估参数；λ是空间自相关系数，它的大小反应了相邻区域之间的影响程度；W是空间权重矩阵。

当空间滞后模型和空间误差模型都不适用于样本数据时，则采用空间杜宾模型进行空间计量检验，其模型表达式为：

y=ρWy+Xβ+γWX+ε （5）

在式（5）中，γ为待估参数，其余变量的定义与空间滞后模型和空间误差模型中相同[17-19]。

2.3 空间计量模型的选择

在利用空间计量模型进行计量分析后，要通过相关检验来确定最适合样本数据的空间模型以及对实证结果进行诊断。为了确定样本数据是否适合采用空间计量模型进行分析，一般预先采用非空间交互效应数据模型来检验空间滞后项与空间误差项存在与否。两个拉格朗日乘数形式的LMError、LMLag和稳健的LMLag、LMError被用来检验以上假设，其检验原假设H0为不存在空间滞后项和空间误差项，如果检验结果在5%以及1%的显著性水平下显著，则拒绝原假设。由于文中采用面板数据对可吸入颗粒物PM2.5排放污染进行计量检验，考虑到个体效应和时间效应的存在，则采用LR（likelihood ratio）检验来确定固定效应和随机效应两种情形。LR检验原假设为个体固定效应和时间固定效应联合非显著，如果其检验结果通过显著性检验，则拒绝原假设。空间计量经济学理论中通常将模型选择方法分为SpecifictoGeneral和GeneraltoSpecific两类，上述的模型选择方法属于SpecifictoGeneral类；当检验结果显示非空间交互效应模型不适合于数据的估计时，则进一步采用空间杜宾模型进行计量分析，同时检验空间杜宾模型是否能简化为空间滞后模型或者空间误差模型，这属于GeneraltoSpecific类。当采用空间杜宾模型进行计量检验时，LR和WALD检验被用来检测空间杜宾模型是否能被简化，其检验原假设为H0：γ=0和H0：γ+ρβ=0，第一个原假设检验空间杜宾模型能否简化成空间滞后模型，第二个检验能否简化为空间误差模型。当采用GeneraltoSpecific方法进行模型鉴别时，空间豪斯曼检验被用来区分空间随机效应和空间固定效应，其检验原假设H0为模型适合空间随机效应，如果检验结果在5%以及1%的显著性水平下显著，则拒绝原假设[20-22]。

2.4 变量的选取及模型的设定

由于在2012年以前我国的PM2.5污染监测数据相对缺失，所以文中样本区域PM2.5排放污染数据采用了著名的GAINS China[23-24]模型数据，在时间上节选了1985年、1990年、1995年、2000年、2005年、2010年这6年。为了充分反映各省经济发展和能源消耗状况，解释变量选取了如下项目：GDP总量、人均GDP、人口总数、煤炭消耗量、原油消耗量、电力消耗量。考虑到通货膨胀的影响，人均GDP按照2000年水平进行折算。解释变量数据来源于《中国统计年鉴》和《中国能源统计年鉴》。选取的我国31个样本区域包括22个省、4个直辖市和5个自治区，香港、澳门和台湾省由于数据可获得性以及统计口径的原因未包含在本文研究范围内。

在研究人类经济活动对环境影响的模型中，以 Ehrlich和Holdren[25]提出的IPAT模型的运用最为广泛。I=PAT模型中将I定义为环境所承受的影响，其来源于P、A、T这三个综合因素，P代表人口水平，A代表人均收入，T代表技术水平。在后续研究中，Dietz和Rose[26]通过对IPAT模型的重新定义得到了IPAT模型的扩展模型STIRPAT，即Ii=aPibAicTidui。式中a是常数项，b、c、d分别是A、P、T的参数，u为干扰项，i代表测量单位。本文则利用STIRPAT模型对省域PM2.5污染进行实证检验，在对模型进行对数化处理后得到了如下的实证形式：

3 实证结果及分析

3.1 省域PM2.5污染的空间相关性分析

从表1可以看出样本省域PM2.5排放污染的全局Morans I统计指数在各年份上均显示为正值，并且所有统计值都显著，这说明PM2.5污染在整体上具有较强的空间聚集效应。而各年份Morans I统计值的逐步增大也表明PM2.5污染的空间集聚特征随着时间的推移在逐步增强，相邻区域的空间影响日趋显著。为了进一步区分不同省域的空间聚集模式，本文利用Moran散点图对所选年份省域PM2.5平均污染水平进行了检验，依据检验结果，样本区域被分为四类聚集模式。第一类为HH聚集模式，表示高污染与高污染区域临接聚集。我国东部与中部的江苏、浙江、山东、湖北、湖南等大多数省份均位于第一类，总计占样本区域的45.16%。第二类为LH集聚模式，表示低污染与高污染区域临接聚集。北京、天津、重庆这三个直辖市均处于这一类，位于第二类聚集模式的区域占总样本的25.81%。第三类是指LL集聚，表示低污染与低污染区域临接聚集。此类区域主要集中在我国西部，包括新疆、青海、甘肃和宁夏，其占总样本的16.12%。第四类为HL集聚模式，表示高污染区域与低污染区域临接聚集。陕西、广东等地区处于此类污染模式中，其占总样本的12.91%。从以上结果可以看出，样本省域PM2.5污染不仅存在很强的空间相关性同时也表现出了很强的空间异质性。

3.2 省域PM2.5排放污染的空间计量检验结果

为了确定样本省域PM2.5排放污染是否适合采用空间计量方法进行计量检验，首先将采用非空间交互效应模型对数据进行估计和诊断，非空间交互效应模型使用了四种不同的估计方法。其估计结果见表2。

表2显示了非空间交互效应模型的计量检验结果，其分别采用了混合最小二乘、个体固定效应、时间固定效应和双向固定效应的估计方法。为了确定最佳估计模型，文中对数据进行了LR检验，其结果显示：在1%的显著性水平上模型拒绝了个体固定效应不显著的零假设（LR test =351.281，p=0.000）；而在时间固定效应上同样拒绝了固定效应不显著的零假设（LR test=19.564，p=0.007）。由此可以推断，在以上四种非空间交互效应模型估计中，双向固定效应模型最适合于当前数据的估计。表2的下部分报告了通过经典LM和稳健的LM检验来确定是否存在空间滞后和空间误差的检验结果。由于已经确定双向固定效应模型最适合当前数据，故针对该模型估计结果进行判断。其结果显示当采用经典LM检验时，模型在5%的显著性水平上均拒绝了没有空间滞后和空间误差项的检验零假设；而在采用稳健的LM检验时，模型没有通过显著性检验。综合以上检验结果可以确定样本省域PM2.5排放污染数据适合用采用空间计量的法进行估计，并且由于经典LM检验结果同时表明存在空间误差项和空间滞后项，因此，本文进一步利用空间杜宾模型进行估算。

表3显示了空间杜宾模型的估计结果，分别采用了空间固定效应和空间随机效应的估计方法。

采用空间交互效应的空间杜宾模型进行数据估计后，将通过空间Hausman检验来确定空间交互效应为固定效应还是随机效应，其检验结果为Huasman test=1.829，p=0.999，检验结果没有通过显著性检验，所以模型接受了空间交互效应为随机效应的检验零假设。表3的底部列出了通过Wald和LR检验来确定空间杜宾模型是否能简化成空间滞后模型或者空间误差模型的检验结果，所有结果均通过了显著性检验，说明空间随机效应下的空间杜宾模型最适合用于当前数据的计量估计。在表2报告的非空间交互效应模型的估计中，双向固定效应下GDP项估计值为0.309，而在表3报告的空间随机效应估计中，该项值为0.794，较前估计值有大幅增长，由于通过相关检验已经确定空间随机效应的杜宾模型为最佳估计模型，所以非空间交互效应的双向固定模型估计值为偏误估计。为了探究模型中解释变量的真实影响，文中对不同模型下对应的估计值进行比较，但是这种比较是无效的，其原因在于在非空间交互效应模型与空间计量模型中同一解释变量的估计值所代表的意义不同。因此，本文在基于空间随机效应的杜宾模型估计基础上利用直接与间接效应估计来进一步测算解释变量的真实影响与空间溢出。

表4列出了直接效应和间接效应的估计结果。同表3相比，表4中的估计值发生了较大的变化，而这种变化正是由于空间溢出效应所引起的。在表4的直接效应估计

值中除了人口与原油消耗总量这两个变量的估计值未通过显著性检验外，其余变量估计值均通过了显著性检验。其中，变量GDP的估计值为0.790，这表明所选样本区域GDP的增长严重加剧了本地区PM2.5污染，同时也间接表明所选区域仍然处于粗放型的经济发展方式，这种发展方式始终伴随着高排放、高污染，样本区域要继续经济规模的扩张就必须做到经济增长方式的转型。变量人均GDP的估计值为-0.470，这表明提高区域人均收入水平能够有效的降低本地区PM2.5排放污染。在地区能耗的三个指标中变量煤的估计值为0.176，而原油消耗量的估计值只有0.002，说明在选取的三个能耗变量中煤的使用对地区自身PM2.5污染有显著的影响，同时也说明样本区域能源消耗结构很不合理，高污染、高排放能源仍然处于主导地位。变量电力消耗量的估计值为-0.190，在选取的三个能耗变量估计值中绝对值最大，表明更多的使用电力这样的清洁能源能有效的降低PM2.5排放污染。

在间接效应估计中表示地区能耗的三个变量估计值均通过了显著性检验，其中煤消耗量的估计值为0.167，表明地区自身煤消耗的增多将会加剧相邻地区PM2.5污染，而这种污染影响正是由于空间溢出效应所造成的。变量原油消耗量的间接效应估计值为-0.099，这说明地区自身原油消耗量的增加会减轻临接区域的污染排放。由于原油供给的相对稳定以及不可替代性，一个区域原油消耗的增多必定会影响相邻区域的消耗量，但是在直接效应估计中已经发现原油消耗对区域自身PM2.5污染的影响较小，所以空间溢出影响也相对较弱。变量电力消耗的间接效应估计值为0.069，这表明地区自身电力消耗的增加使得临近区域PM2.5污染变得严重，其原因在于地区电力消耗的增加使得临近区域在能源消耗上被迫选择以煤为主的高污染原料，使得污染增加，同时这也间接反映我国当前清洁能源供应仍存在很大的缺口。

在总效应估计值中可以看到GDP的增长同PM2.5污染之间仍然表现出很强的正相关关系，而人均GDP水平则与PM2.5污染显示出负相关，在能源消耗变量中煤和电力的总效应估计值相比直接效应估计值发生了很大的变化，煤消耗对污染的影响明显增强，而消耗更多的电能对污染的缓解却减弱，其原因在于我国当前相当一部分电力供应仍来源于火力发电。

4 研究结论

本文利用空间计量方法对所选取的31个省级行政区域可吸入颗粒物PM2.5排放污染进行了空间面板检验，结果发现样本区域在PM2.5污染上存在着较为明显的空间依赖性，考虑了空间交互效应所测算出来的GDP等解释变量的估计值更具有真实性和稳健性。通过探索性空间分析发现样本区域PM2.5污染除具有空间相关性外还具有空间异质性，这在理论上就很好的解释了当前我国PM2.5污染呈现聚集发生的特点。例如频发雾霾污染的京津冀地区，由于北京和天津处于空间聚集模式的第二象限，即低污染和高污染区域临接聚集，虽然两个区域本身PM2.5排放污染较低，但是由于同高污染排放的河北地区临接，受较强的空间溢出效应的影响，造成京津冀地区严重的PM2.5污染。计量模型估计结果进一步揭示了经济发展与能源消耗等因素对PM2.5污染的影响，从结果看以看出我国现有的经济增长方式与环境保护之间仍处于不可调和阶段，高污染、高排放的扩张方式加剧着生态环境的恶化，这就要求从根本上转变发展方式，实现绿色GDP增长。由于Bouvier[27]在研究中已经证明了人均GDP与空气污染水平之间存在着倒U型的环境库兹列茨曲线，提高人均GDP水平将会成为改善空气质量的一个重要手段。对于地区能源消耗，从选取的三个能源消耗指标可以看出，煤炭消耗已成为PM2.5污染形成的主要因素，而增强电力消费对于污染的缓解效应又远远低于煤炭消费所引起的污染排放，这说明我国现阶段的能源消耗结构及其不合理，初级能源消费在能源供给市场上占据了绝大部分比例，而类似于煤这样的初级能源又恰好具有高污染率和低能源转换率。所以，在能源消费市场中增加具有高能源转换效应的清洁能源使用率将是能源结构调整的主要方向。

（编辑：常 勇）

参考文献（References）

[1]国家统计局.2013年中国环境年报[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]任春艳. 西北地区城市化与空气质量变化关系研究[J]. 北京师范大学学报：自然科学版，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]蒋洪强，张静. 中国快速城镇化的边际环境污染效应变化实证分析[J]. 生态环境学报，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]王红，齐建国.PM2.5高排放与治理的技术经济思考[J].经济纵横，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.