基于STIRPAT模型的山东省空气污染驱动因素研究

张博文

（湖北大学，湖北 武汉 430062）

基于STIRPAT模型的山东省空气污染驱动因素研究

张博文

（湖北大学，湖北 武汉 430062）

本文利用STIRPAT模型结合空间面板计量模型对山东省的三类空气污染指标进行实证分析，结果表明不同污染指标随人均GDP增长的变化趋势不同而不同。其中，烟粉尘排放随人均GDP的增长呈倒“U”形趋势，而SO2排放、工业废气排放随人均GDP的增长呈“U”形趋势。此外，SO2排放、工业废气排放和烟粉尘排放均存在显著的空间相关性。最后，本文从政府监管、技术进步、产业结构转型以及经济调节等方面提出了相关政策建议。

STIRPAT模型；空气污染；空间计量模型；空间效应

一、引言

随着中国经济的迅速发展，各种环境问题也日益成为人们关注的焦点。《中国环境经济核算报告》显示，仅2004—2010年，我国因空气污染导致的过早死亡人数就达到35—50万人，造成的健康经济损失占国内生产总值的0.8%～1%。因此，对环境污染问题的研究对经济社会发展具有重大的现实意义。此外，近年来污染增长的放缓是短期现象还是经济发展到一定水平时的必然趋势仍然需要进一步讨论。

环境污染与经济发展的关系一直是国内外学者研究的焦点之一，大多数文献是以环境库兹涅茨曲线、向量自回归模型或IPAT的扩展模型为基础进行实证分析的。

对于环境库兹涅茨曲线的研究可追溯到20世纪90年代。Bulte、Soest（2001）分析了发展中国家家庭收入与环境退化的问题，验证了环境库兹涅茨假说的倒“U”形曲线的存在。然而，Kaufmann、Davidsdottir等（1998）在对各国人均GDP与SO2排放进行实证分析时发现结果与环境库兹涅茨假说完全违背。Chimeli、Braden（2005）也得到了相同的结论。Friedl、Getzner（2003），Eunho hoi、Heshmati等（2010）则发现了CO2排放随着人均GDP的增长呈现出“N”形曲线。Roca、Padilla等（2001）在分析西班牙经济增长对大气污染的影响时则发现，人均GDP与大气污染之间呈正相关关系。Stern、Auld（1998），Ansuategi和Escapa（2002），Kwon（2005）等人也持类似观点。李斌、李拓（2014）发现污染与经济发展的关系呈现出库兹涅茨倒“U”形曲线。李斌、曹万林（2014）也发现了类似的现象。

此外，也有部分学者通过建立经济增长与环境污染的向量自回归模型（VAR模型），对二者的长期均衡关系做出分析。采用VAR模型的文献得出的结论更多的是支持环境库兹涅茨假说。然而，VAR模型也存在一定的缺陷：一是该模型并不是理论模型，因此直接利用VAR模型进行分析缺乏理论依据。二是该模型在滞后期的选取上存在主观性。

以IPAT的扩展模型为基础的研究成果大多出现在2000年后。York、Rosa（2003）对STIRPAT模型进行了修正，得出的结论是CO2排放随人均GDP的增长呈现出先增后减趋势。Sztukowski（2010）的研究发现CO2排放量随人均收入的增长都呈先增后减趋势。王立猛、何康林（2008）在对全国30个省（直辖市）的富裕度对环境压力的影响采用岭回归分析时，发现其中26个地区的环境污染与人均GDP呈正相关，其余4个地区是呈先增后减趋势。姜磊、季民河（2011）使用STIRPAT模型在对全国各省进行分析时采用了空间计量经济学的方法，发现环境压力随人均GDP的增加而上升，各省之间的污染存在着显著的空间相关性。

综上所述，现有的国内外文献在研究经济对环境的影响时采用的方法多样，即使是采用相同方法的文献由于研究范围、变量选取等因素的差异得出的结论也存在很大不同，这使得经济发展与环境质量之间的关系至今仍未定论。鉴于环境库兹涅茨曲线和向量自回归模型存在的缺陷，本文选用IPAT的扩展模型STIRPAT模型对山东省各空气污染驱动因素对空气污染的影响进行分析。

二、山东省经济发展与空气污染现状

在进行模型构建之前，首先需要分析山东省经济与空气污染各指标的发展趋势。各指标均来源于历年的《山东省统计年鉴》。在STIRPAT模型的理论框架下，本文选取的主要驱动因素指标为人口、人均GDP以及第二产业比重。鉴于空气污染指标数据的可得性，本文选取的环境指标为SO2排放量、工业废气排放量以及烟（粉）尘排放量三大环境指标。

图1　山东省SO2（吨）、工业废气（百万立方米）、烟（粉）尘排放（吨）的变化趋势

1、人口、人均GDP及产业结构的变化趋势

数据显示，1989—2013年间，山东省人口从8298.6万增长到9612万，总体上呈较快的增长趋势。人均GDP从1518.6元/人急剧增加到57758.8元/人。第二产业比重在此期间内经历了先上升后下降的趋势，从1989年的45%逐渐上升到2006年58%，此后，随着第三产业的不断发展，第二产业比重经历了持续的下降阶段，至2013年比重降为51%。

2、三类空气污染指标的变化趋势

图1显示了山东省SO2排放、工业废气排放和烟（粉）尘排放的变化趋势。由图1可以看出，山东省工业废气排放量呈加快上升趋势，相对于1993年，2010年的工业废气排放已经增长了9倍。SO2排放量总体上呈平缓下降趋势。虽然2003—2013年间SO2排放量出现了两次起伏，但是相比工业废气而言，其排放量在该时间段内仍表现出明显的下降趋势。烟（粉）尘排放量较为平稳。

三、空气污染驱动因素的STIRPAT模型

1、STIRPAT模型

美国生态学家Ehrlich和Comnoner于20世纪70年代初提出了IPAT模型，用以表示影响环境压力的因素。该模型认为，环境压力I与人口规模P、人均财富A和技术水平T之间存在以下关系：

STIRPAT模型由Dietz和Rosa于1994年提出，该模型是IPAT模型的随机模型，在人口规模、人均财富、技术水平三个影响因素的基础上，将随机扰动项e引入模型中。在实证研究中，学者常常将STIRPAT模型代替IPAT模型进行研究。STIRPAT模型表达式为：

其中，c为常数项，e为随机扰动项，a、b、d分别为各指标的系数项。

在实际应用中，常常将式（2）等式的两边取对数，目的是使模型线性化。对数化后的模型表达式为：

2、STIRPAT模型的扩展

本文在构建STIRPAT模型时借鉴了Sztukowski（2010）、王立猛（2008）等人的研究模型，在原模型中加入了LnA的平方项，目的是为了更好地观察EKC倒“U”型曲线是否适用于山东省的环境状况。此外，本文选用的T借鉴了姜磊（2011）选用的指标，将T表示为第二产业比重。加入人均GDP平方项后的STIRPAT模型如式（4）所示：

其中：Y为环境污染指标，本文选取的分别是SO2排放、工业废气（industrial gas）、烟（粉）尘（dust）三个指标；P为人口，本文选取的指标是年末总人口；A为人均财富，本文选取的指标是人均GDP；T为技术，本文选取的指标是第二产业比重；ε为随机扰动项。

四、空气污染驱动因素STIRPAT模型的计量分析

1、计量方法的选取

为解决空间相关性问题，本文选取的方法是空间计量经济学模型。通过空间计量模型，可以清晰地分辨出空间扩散效应与地区的自身发展各自对污染状况的影响。在进行空间效应分析时，一般使用空间权重矩阵表达空间相关性。邻接形式本文选用车邻接，目的是更好地观察近距离地区之间的空间效应。

为了验证数据在空间上的相关性是否显著，通常是用Moran指数进行检验。Moran指数（Moran’s I）反映的是空间邻接或空间临近的区域单元属性值的相似程度。Moran指数为0时，观测值相互独立。Moran指数越大，空间自相关越强，Moran指数越小，空间自相关越弱。

空间计量经济学模型有很多种表现形式。在实证研究中根据空间依赖性的不同形式，通常采用的模型分为两种：空间滞后模型（SLM）和空间误差模型（SEM），模型的表达式分别为：

其中，ρ为空间效应系数，λ为空间误差系数。当被解释变量之间的空间依赖性使得模型存在空间自相关时，应当用SLM模型；当模型的误差项导致了空间相关性时，应当用SEM模型。将空间效应考虑进模型后，本文建立的式（3）、式（4）模型可转换为式（7）和式（8）两种空间计量模型：

在进行空间计量回归时，若直接使用普通最小二乘法（OLS）进行估计，则估计量的无偏性和一致性很难得到满足。Anselin（1988）认为，在对SLM和SEM进行回归时，最好的估计方法是极大似然估计法（MLE），MLE可以对高斯—马尔科夫经典假设进行放松。此外，MLE还可以有效解决内生性问题。国内关于空间计量经济学的众多文献也采用了MLE法进行回归。所以，本文在对空间模型回归时采用MLE方法进行估计。

表1　Moran检验结果

表2　Hausman检验结果

表3　SO2模型的SLM和SEM回归结果

表4　空间依赖性检验结果

2、数据来源

本文选取的人口、SO2排放、工业废气、烟（粉）尘、第二产业比重、人均GDP等指标均来自《山东省统计年鉴》中的17个城市的数据。空间权重矩阵在GeoDa软件中生成，生成空间权重矩阵所需的城市经纬度信息来源于国家基础地理信息系统。

3、模型及回归结果分析

（1）空间自相关性的检验。在建立空间计量模型时，首先要用Moran检验及Moran散点图对模型进行空间相关性检验。在研究空间面板数据时通常采用克罗内克积分块，利用C=I×W代替Moran指数中所需的W。通过Matlab软件中的空间计量工具箱计算出的Moran检验结果如表1所示。

从表1的检验结果可以看出，SO2排放、工业废气排放和烟（粉）尘排放的Moran指数均显著。表明在对三类污染物进行实证分析时均需要考虑空间效应。

（2）Hausman检验。在进行空间面板回归之前，还需要对面板数据进行Hausman检验，从而判断该空间面板模型是属于随机效应模型还是固定效应模型。由Hausman检验结果（见表2）得知，在分析SO2排放、工业废气排放以及烟（粉）尘排放时都应当使用固定效应模型。

（3）回归结果分析。首先，SO2排放的STIRPAT模型分析。对SO2排放的STIRPAT模型可使用固定效应的空间计量模型。本文利用Matlab软件对SLM和SEM模型分别进行回归。回归结果如表3所示。从拟合优度看，SLM的效果略优于SEM。

对于SLM和SEM模型的选择，一般采用的是Anselin和Florax（1996）提出的空间依赖性检验。空间依赖性检验结果如表4所示。

表5 工业废气模型的SLM和SEM回归结果

表6 空间依赖性检验结果

由表4可以看出，LM（lag）、LM（error）、R-LM（lag）、R-LM（error）在α=0.01下均显著。但是LM（error）比LM（lag）更加显著。因此应当选用SEM模型。

从SEM模型的结果看，LnA和LnA的平方项对Ln（SO2）的结果均通过α=0.01的显著性检验，且系数为正。这说明SO2排放随人均财富的增长呈“U”型曲线。

此外，LnP和LnT也通过了α=0.01的显著性检验，其中，LnP的系数为正，即SO2排放量与人口增长呈正相关；而LnT的系数为负，这说明随着第二产业比重的增加，SO2排放量越来越大，但是其影响程度相对较小。因此可以看出，人口、第二产业比重、相邻地区的空间误差效应都对SO2排放起到了促进作用。其中，人口对SO2排放的促进作用体现在两个方面：一是人口增加意味着居民对能源的需求量增加，因此在能源消费中将产生更多的SO2排放；二是随着人口的增加，人们对产品的需求量也相应增加，因此，厂商会相应提高产量从而加大SO2的排放量。人均GDP在一段时期内抑制了SO2排放，但是最终对SO2排放依然起到了促进作用。从第二产业比重对SO2排放的影响来看传统的EKC理论存在的问题。从山东省第二产业比重的走势来看，第二产业比重在山东省经济发展中呈现出了先增后减趋势。因此，从本文的结果可以看出，EKC呈倒“U”形曲线很可能并不是由于人均GDP的增长，而可能是由于第二产业比重的变化所导致的。

其次，工业废气排放的STIRPAT模型分析。对于工业废气排放的模型，同样可使用固定效应的空间计量模型。表5列出了工业废气排放模型的SLM和SEM结果。其中，SLM和SEM的拟合优度较为理想，SLM的效果略优于SEM。

表7　烟（粉）尘模型的SLM和SEM回归结果

表8 空间依赖性检验

模型的空间依赖性检验结果如表6所示。由表6可以看出，LM（lag）、R-LM（lag）、LM（error）在α=0.05下均显著。而R-LM（error）不显著。根据判断准则应当选用SLM模型。

从SLM模型结果可以看出，空间效应系数ρ对Ln（industrial gas）的影响显著，这说明相邻地区工业废气排放的空间相关性是通过污染扩散效应造成的。LnA和LnA的平方项对Ln（industrial gas）的结果均通过α=0.01的显著性检验，且系数为正，表明工业废气排放随人均财富的增长同样呈“U”形曲线的趋势。LnP和LnT也通过了α=0.01的显著性检验，从系数来看，人口增长与第二产业比重增大都会使得工业废气排放量增加。其中，人口增长对工业废气排放的影响体现在产品需求量的增加导致了厂商生产中工业废气排放量的增加。因此可以看出，人口、第二产业比重、相邻地区的空间滞后效应促进了工业废气排放。人均GDP对工业废气的影响表现为先抑制而后促进。

再次，烟（粉）尘排放的STIRPAT模型分析。表7列出了烟（粉）尘排放模型的SLM和SEM的回归结果。从拟合优度看，SLM明显要好于SEM模型。为确定SLM模型和SEM模型的选取，对烟（粉）尘模型进行空间依赖性检验，检验结果如表8所示。

由表8可以看出，LM（lag）、LM（error）在α=0.05下均显著，R-LM（error）在α=0.01下显著，而R-LM（lag）则不显著。根据判断准则应当选用SEM模型。

由SEM回归结果可以看出，LnA和LnA的平方项对Ln（dust）的影响均显著。其中，LnA的平方项系数为负，这说明烟粉尘排放随人均财富的增长同样呈“U”形曲线的趋势。空间效应系数ρ的影响显著且系数为正，这说明相邻地区烟（粉）尘排放的空间相关性是通过误差项造成的。LnP和LnT也通过了α=0.01的显著性检验。其中，LnP的系数为正，LnT的系数也为正。这表示人口增长与第二产业比重增加对烟（粉）尘的排放都起促进作用。从山东省烟（粉）尘排放的来源来看，烟尘与人口增长的关系体现在居民对能源的需求量增加以及社会需求量的增加所造成的烟尘排放量增加。而粉尘与人口增长的关系体现在需求量的增加而造成的粉尘排放量的增加。

最后，三类空气污染指标与人均GDP的关系及驻点确定。从上述结果可以看出，EKC倒“U”形曲线的存在取决于环境污染指标的选取。在对三类环境污染指标的模型分别进行估计后，得知三类污染指标随人口和第二产业比重的增长均呈单方向变化。而三类污染指标随人均GDP的增长均呈双方向变动。因此，本文在得到模型的参数估计值后，令其他变量不变，求得变量人均GDP关于三类污染指标的偏导数，计算在偏导数为0时的人均GDP大小，从而确定驻点。

根据计算结果得知，SO2排放随人均GDP的增长呈“U”形趋势，驻点是9848.27元。说明当人均GDP高于9848.27元时，SO2排放在人均GDP增长时将出现上升趋势。2013年全省各城市的人均GDP关于SO2的曲线已经跨越驻点。工业废气排放随人均GDP的增长呈现出“U”形趋势，驻点是1619.01元。说明当人均GDP高于1619.01元时，工业废气在人均GDP增长时将出现上升趋势。因此，各城市的人均GDP关于工业废气的曲线已经跨越驻点。烟（尘）排放随人均GDP的增长呈现出倒“U”形趋势，其驻点位于18672.35处。这说明在其它条件不变的情况下，当人均GDP高于18672.35元时，烟（粉）尘排放量将随着人均GDP的增长呈下降趋势。截止到2013年底，山东省各城市的人均GDP均未达到驻点处的水平，这说明烟（粉）尘排放量仍然会在一定时期内随着人均GDP的增加而上升。

五、结论及政策建议

从前面的分析结果，本文得到如下结论：一是各类空气污染指标随人均GDP的增长呈现出不同变化趋势，山东省SO2排放、工业废气排放随人均GDP的增长呈现出先减后增的趋势，而烟（粉）尘排放随人均GDP的增长呈现出先增后减的趋势；二是各地区的空气污染存在空间相关性，SO2排放、工业废气排放以及烟（粉）尘指标在山东各地区间存在着明显的空间依赖性特征；三是第二产业的发展加剧了山东空气污染程度，从STIRPAT模型结果来看，山东省第二产业比重对SO2排放、工业废气排放以及烟（粉）尘排放都起到促进作用。

根据以上结论，本文提出以下政策建议：一是加强政府监管，完善环境保护相关制度；二是大力发展清洁环保技术，加速能源消费结构转换；三是推动产业结构调整；四是推动经济调节制度的发展。

[1]ErwinH.Bulte，and Daan P.van Soest：Environmental DegradationinDevelopingCountries：householdsandthereverse Environmental Kuznets Curve[J].Journal of Development Economics，2001，65（1）.

[2]Waggoner K.Kaufmann，Brynhildur Davidsdott ir，Sophie Garnham，Peter Pauly：The Determinants of Atmospheric SO2Concent rat ions：reconsidering the environment al Kuznets curve [J].Ecological Economics，1998，25（2）.

[3]Ariaster B.Chimeli，John B.Braden：Total Factor Productivity and the Environment al Kuznets curve[J].Journal of Environmental Economics and Management，2005，49（2）.

[4]Birgit Friedl，Michael Get zner：Det erminant s of CO2emissions in a small open economy[J].Ecological Economics，2003，45（1）.

[5]Eunho Choi，Almas Heshmati，Yongsung Cho：An Empirical Study of the Relationships Between CO2Emissions，Economic Growth and Openness[Z].IZA：2010（11）.

[6]Jordi Roca，Emilio Padilla：Mariona Farre?Vittorio Galletto. Economic Growth andAtmosphericPollut ionin Spain：discussing the environmental Kuznets curve hypothesis[J].Ecological Economics，2001，39（1）.

[7]David I.Stern，Tony Auld：Is There an Environmental Kuznets Curve for Sulfur?[J].Journal of Environmental Economics and Management，2001，41（1）.

[8]Alberto Ansuategi and Marta Escapa：Economic growth and greenhouse gas emissions[J].Ecological Economics，2002，40（1）.

[9]Tae-Hyeong Kwon：Decomposition of Fact ors Det ermining the Trend of CO2Emissions From Car Travel in Great Britain（1970—2000）[J].Ecological Economics，2005，53（2）.

[10]李斌、李拓：中国空气污染库兹涅茨曲线的实证研究——基于动态面板系统GMM与门限模型检验[J].经济问题，2014（4）.

[11]李斌、曹万林：经济社会发展与环境污染关系的库兹涅茨曲线分析[J].财经问题研究，2014（8）.

[12]Richard York，Eugene A.Rosa，Thomas Dietz：STIRPAT，IPAT and ImPACT：analytic tools for unpacking the driving forces of environmental impacts[J].Ecological Economics，2003，46（3）.

[13]John Sztukowski：A STIRPAT Model of Sectoral CO2E-missions at the County Scale[D].Colorado State University，2010.

[14]王立猛、何康林：基于STIRPAT模型的环境压力空间差异分析——以能源消费为例[J].环境科学学报，2008，28（5）.

[15]姜磊、季民河：基于STIRPAT模型的中国能源压力分析——基于空间计量经济学模型的视角[J].地理科学，2011（9）.

[16]Anselin L.：Spatial econometrics：Methods and models[M]. Dordrecht：Kluwer Academic，1988.

[17]Anselin L，Bera A，Florax R，et al：Simple diagnostic tests for spatial dependent[J].Regional Science and Urban Economics，1996（26）.

（责任编辑：张琼芳）