经济发展、城市扩张与空气污染

郭施宏，高 明，吴雪萍

(1.清华大学 公共管理学院，北京 100084；2.福州大学 经济与管理学院，福建 福州 350116)

·城市经济·

经济发展、城市扩张与空气污染

郭施宏1，高 明2，吴雪萍2

(1.清华大学 公共管理学院，北京 100084；2.福州大学 经济与管理学院，福建 福州 350116)

笔者以2001—2012年中国30个省会城市作为样本，在分析经济发展和城市扩张对空气污染影响机理的基础上，考虑空气污染的空间自相关性，采用空间滞后模型(SLM)和空间误差模型(SEM)实证分析经济发展和城市扩张对城市空气污染的影响。结果表明：(1)城市空气污染存在显著的正空间自相关性和空间溢出效应。长江以北形成了高空气污染城市的集聚区，华南地区是低空气污染城市的集聚区。(2)经济发展与城市扩张对空气污染具有显著影响，经济增长与空气污染之间呈现倒N型的三次曲线关系，产业结构的转型升级和生产技术水平的提高均有助于空气污染的改善。(3)城市建成区面积和道路面积在2001—2012年期间大幅增长，并加剧了城市空气污染，但房屋建筑施工面积对空气污染的影响并不显著。

经济发展；城市扩张；空气污染；空间计量

一、经济发展与城市扩张的影响机理分析

经济发展和城市扩张是城市化进程中的显著表现，在这一过程中，城市居民生活水平不断提高，社会文明不断进步，但也伴随着资源的消耗、能源的消费以及污染物的排放。城市大气环境受到城市化过程带来的污染与治理的双重拉力作用。一方面，环境库兹涅茨曲线理论认为，经济发展意味着更大规模的经济活动与资源需求量，因而经济发展会对环境质量产生负向规模效应；同时，经济发展又通过正向技术进步效应以及结构优化效应减少了污染排放，从而改善了环境质量。另一方面，对于城市扩张的研究是在最优城市规模理论上发展起来的，传统的最优城市规模理论研究主要是从城市成本—收益的角度展开。周文和彭炜剑[1]指出，20世纪90年代以后，最佳城市规模理论的研究重点开始重视城市规模与环境质量之间的关系。王桂新和武俊奎[2]基于中国地级市数据发现城市规模的扩张使得碳排放强度上升。孔爱国和郭秋杰[3]认为城市规模不仅对空气污染有影响，城市空气污染对城市规模也有影响。马素琳等[4]基于实证检验指出，不同的城市规模与集聚程度会对空气质量有不同的影响。具体而言，经济发展和城市扩张主要从经济规模、产业结构、技术进步、土地扩张和城市建设五个方面作用于城市的空气质量。

(一)经济规模

经济规模对空气质量具有双重影响，一方面，在生产技术水平不变的情况下，经济规模的扩大会提高自然资源的消耗量，污染物产生量增加，进而导致空气污染的产生与加剧。另一方面，随着经济规模的扩大、居民收入的增长，公众的环保意识提高，对环境质量增长的要求也随之提高，此时公众有较高的意愿购买更严格环境标准下生产的产品，这有利于降低单位产出的排放强度及制定更严厉的环境标准和税收标准，因此，经济规模的扩大加强了对节能减排的要求，有利于大气环境的改善。经济规模对环境影响的方向最终取决于两种效应的程度，当第一种效应大于第二种效应时，经济规模扩大使环境恶化；当第一种效应小于第二种效应时，经济规模扩大使环境质量改善。

(二)产业结构

进入工业化后，第一产业在国民总产值中的比重不断下降，其创造的财富及劳动力资源向第二产业和第三产业转移，而第二产业比重在工业化中前期不断上升并成为主导产业，随着经济发展水平的进一步提高，第二产业比重开始下降，而第三产业比重逐渐上升，并在后工业化时期成为经济发展的主体。由于高能耗高污染行业集中于第二产业，其比重增加必然会导致能源消耗总量的上升。西方发达国家在20世纪基本完成了工业化阶段，而中国正处于快速工业化阶段，工业能源消耗量大，2000年至今，中国工业能源消费量一直占中国能源消费总量的70%左右。因此，第二产业向第三产业的过渡，意味着工业能源消费量能够实现有效地降低。同时，产业结构的优化升级促使高消耗高污染型生产模式向集约型生产模式转变，依赖于煤炭消费的能源消费结构将逐渐向以清洁能源为主的能源消费结构转变，生产活动的污染物排放也随之大幅降低。

(三)技术进步

技术进步对空气环境的影响主要体现在两个方面，一是生产技术的进步，二是治污技术的提高。生产技术的进步使生产中能源和资源的利用效率提高，从而使单位经济增长的能源和资源消耗量减少，单位污染物排放量也相应减少。同时，生产技术进步有助于清洁生产工艺的推进和使用，有助于清洁能源的开发和利用，降低工业生产对空气环境的影响。治污技术的进步则通过治污设备的改进来提高污染物治理、回收、循环利用效率和水平，以对空气质量产生积极影响。

(四)土地扩张

随着城市化进程的加快，城市人口不断集聚，城市用地规模不断扩大，并在经济社会发展的推动下开展各项城市建设，保障城市居民的正常生活并服务城市经济社会的发展。由此，土地扩张对空气质量的影响主要体现为其产生的生产生活空间集聚，城市人口的增加，城市活动规模的扩大，以及与之伴随的资源需求量和能源消耗量的增加，也同时意味着污染物排放量的增加。郑思齐和霍燚[5]认为，城市扩张导致城市内容空间趋于分散，市民上班的通勤时间延长，并更多地依赖私家车。马丽梅等[6]指出，随着通勤时间的增长和私家汽车的增多，城市消耗的石化能源更多，空气质量会越差。与此同时，Burchfield等[7]认为，城市建设用地的扩张侵蚀了城市周边的绿地面积，区域生态对城市空气质量的调节功能也将大大降低。

(五)城市建设

城市建设与土地扩张的过程紧密结合，Banzhaf和Lavery[8]认为，城市扩张通常降低了人口居住和经济活动的密度，增加了对建筑物的需求量。对于城市空气环境而言，房屋建筑建设等施工过程会产生大量的扬尘，空气中的可吸入颗粒物的含量会大大增加，空气质量下降。与此同时，城市道路建设不仅会产生扬尘，城市道路建设规模的扩大也意味着机动车出行的里程数的增加，城市交通能源消耗的增加，向空气中输出更多的污染物。同时，交通道路设施建设也带来了道路沿线地区人口的集聚和生产规模的扩大，产生更多的污染物。

二、模型构建与数据描述

(一)空间计量模型

考虑到空气污染空间效应的可能存在，传统计量分析模型“样本间相互独立”的假设不再成立，导致其估计结果可能与实际有偏差。与传统计量模型相比，空间计量模型考虑了经济学中普遍存在的空间依赖性，Anselin[9]给出两种刻画空间依赖性(空间自相关性)的空间计量模型：若观测变量的空间相关性由空间交互作用引起的，则选择建立空间滞后模型；若观测变量的空间相关性是由干扰性空间依赖引起的，则选择建立空间误差模型。

1.空间滞后模型

空间滞后模型(SLM)主要考察各变量在一个地区是否有溢出效应。空间滞后模型表明所考察的本地区的因变量不仅受到本地区核心外生变量的影响，也受临近地区因变量情况的影响。若空间滞后模型设置合理且通过显著性检验，则表明不同地区的因变量间相互影响，在地理空间上存在显著的空间交互作用。其表达式为：

Y=ρWY+Xβ+μ

(1)

其中，Y为因变量；X为n×k的外生解释变量矩阵；ρ为空间自回归系数；W为n×n的空间权重矩阵；μ为随机误差向量；β为系数；WY为空间滞后因变量，是内生变量，反映了空间关系对区域行为的影响。

2.空间误差模型

空间误差模型(SEM)是将空间效应引入到扰动误差项中，假设空间依赖体现在扰动误差项中，空间误差模型度量了临近地区关于因变量的误差冲击对本地区因变量观测值的影响程度。其表达式为：

Y=Xβ+μ

(2)

其中，μ=λWμ+ε，λ为n×1的因变量的空间误差系数；ε为正态分布的随机误差向量。

(二)变量选取与数据来源

1.因变量选取

空气污染程度是本文的因变量，在既往空气污染问题研究中，不同的学者采取了不同的指标来表征空气污染状况，主要有可吸入颗粒物(PM10或PM2.5)、二氧化硫、氮氧化物、二氧化碳和一氧化碳等空气污染物的年日均浓度，废气相关指标(如废气排放量、人均废气排放量、废气排放密度)等。笔者综合考虑空气污染物的多样性以及数据可获得性，选取可吸入颗粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)年日均值表征城市空气污染水平，并将其综合成空气污染综合指数P。具体的计算方法如下：

Pi=Ci/Si

(3)

P=∑Pi

(4)

其中，Pi为第i项空气污染物的分指数；Ci为第i项空气污染物浓度的年日均值；Si为第i项空气污染物的环境质量标准限值。

图1反映了2001—2012年中国大陆30个省会城市空气污染综合指数变化情况。总体而言，2001—2012年期间，中国的空气质量呈改善趋势，但在2011年后，空气污染指数大幅上升。从地区上看，西部地区的空气质量最差，其次为中部地区和东部地区。

图1 2001—2012年省会城市空气污染综合指数

2.自变量选取

(1)经济发展。根据经济发展对大气污染的影响机理分析，参考相关研究，笔者从经济规模、产业结构和技术水平三个方面选取评价指标。一是经济规模，选取经济总量指标，为消除人口规模对经济总量的影响，采用人均地区生产总值指标(PG)。二是产业结构，采用第二产业比重指标。比较第一、第三产业，第二产业对能源的需求量最大，消耗的资源最多，对城市空气污染影响更大，故选取第二产业比重指标(SI)来衡量经济结构。三是技术水平，采用工业能源消耗强度指标(EI)来体现生产技术是否提升。具体测度方法为：工业能源消耗强度=工业能源消费总量/工业增加值。

(2)城市扩张。笔者主要从城市面积、房屋建设和道路建设三个方面进行表征城市的扩张过程。相应选取的评价指标为建成区面积(U)、房屋建筑施工面积(B)和城市道路面积与建成区面积的比值(R)。

3.控制因素选取

参考相关研究，笔者设置了4个控制变量。一是人口密度(PD)。Cole和Neumayer[10]认为，人口集聚会使城市燃料使用量增加，同时，生产生活垃圾的增加也导致焚烧垃圾产生的废气量增加，这可能对城市空气质量产生影响。二是民用汽车拥有量(C)。董志龙等[11]认为，汽车尾气排放是大气污染物的重要来源之一，汽车拥有量的增加有可能导致大气污染的恶化。三是建成区绿化覆盖率(G)。绿植对大气污染物具有一定的吸附作用，能够在一定程度上改善大气环境，李玉敏等[12]认为，城市绿化覆盖率的提升可能有助于大气污染的缓解。四是废气污染治理投资额与地区生产总值的比值(ER)。该指标是环境规制力度体现，理论上环境规制的目的是通过行政、经济等手段对排污型企业的管控，以达到从污染源上进行控制的目的。但贺灿飞等[13]以及何小钢和张耀辉[14]的研究结果表明，环境规制对大气环境的影响在实际中的作用方向并不明朗。

4.数据来源与描述性统计

本文变量数据的时间跨度为2001—2012年，地域范围涵盖了除拉萨以外的30个大陆地区的省会城市，拉萨空气污染数据及相关经济指标数据缺失严重，故不在研究范围内。*2013年前，中国空气质量测度标准采用的是《环境空气质量标准GB3095-1996》，2013年后采用的标准是《环境空气质量标准GB3095-2012》。这两个标准对空气质量的计算方式存在差异，为了统一性和可比性，笔者选取2001—2012年期间空气质量数据，以《环境空气质量标准GB3095-1996》标准进行计算。数据来源于《中国环境统计年鉴》、《中国环境年鉴》、《中国城市统计年鉴》、各城市统计年鉴、中国统计局网站等。原始数据的描述性统计如表1所示。

表1 描述性统计

(三)空气污染空间计量模型的构建

1.基础模型

根据变量选取，对因变量及部分自变量进行对数化处理，减小不同指标数据间的数量级差距，使数据更加平稳。基于EKC的相关结果，考虑经济增长和环境污染之间可能存在的二次曲线和三次曲线关系，本文分别构建引入人均GDP指标二次项的模型以及人均GDP指标三次项的模型，并根据模型估计结果确定最终的模型形式。基础模型如下：

lnPit=α0+α1lnPGit+α2(lnPGit)2+α4SIit+α5EIit+α6lnUit+α7lnBit+α8Rit+α9lnPDit+α10lnCit+α11Git+α12ERit+μit

(5)

lnPit=α0+α1lnPGit+α2(lnPGit)2+α3(lnPGit)3+

α4SIit+α5EIit+α6lnUit+α7lnBit+α8Rit+α9lnPDit+α10lnCit+

α11Git+α12ERit+μit

(6)

其中，μit为模型的随机误差项。

2.空间滞后模型

在基础模型之上引入因变量的空间变量，构建面板数据的空间滞后模型，具体模型如下：

lnPit=α0+α1lnPGit+α2(lnPGit)2+α4SIit+α5EIit+α6lnUit+α7lnBit+α8Rit+α9lnPDit+α10lnCit+α11Git+

(7)

lnPit=α0+α1lnPGit+α2(lnPGit)2+α3(lnPGit)3+

α4SIit+α5EIit+α6lnUit+α7lnBit+α8Rit+α9lnPDit+α10lnCit+

(8)

其中，∑WlnPit为因变量的空间变量；面板数据模型的随机误差项被分解为μit= δit+uit+εi； δit为时间效应随机扰动项；uit为个体效应随机扰动项；εit为随机误差项；ρ为空间变量系数，表示空间溢出效应的程度；W为空间权重矩阵。

3.空间误差模型

在基础模型之上引入残差项的空间变量，构建面板数据的空间误差模型，具体模型如下：

lnPit=α0+α1lnPGit+α2(lnPGit)2+α4SIit+α5EIit+α6lnUit+α7lnBit+α8Rit+α9lnPDit+α10lnCit+α11Git+

α12ERit+δit+uit+εit

(9)

lnPit=α0+α1lnPGit+α2(lnPGit)2+α3(lnPGit)3+

α4SIit+α5EIit+α6lnUit+α7lnBit+α8Rit+α9lnPDit+α10lnCit+

α11Git+α12ERit+δit+uit+εit

(10)

其中，λ为回归残差之间空间相关性强度。

三、经验分析

(一)空间自相关性分析

考察空气污染是否存在空间自相关性，对其进行分析和检验，若空气污染不存在显著的空间自相关性，则构建普通面板数据模型即可；若存在显著的空间自相关性，则必须考虑空气污染水平的空间效应，构建空间计量模型。目前常用的空间自相关检验方法有两种：一是全局空间自相关检验，二是局域空间自相关检验。笔者采用Moran指数和LISA集聚图分别对中国城市空气污染水平进行空间自相关检验。其中，采用城市间地理距离的倒数来构建空间权重矩阵。

Moran指数反映的是空间邻近区域单元的属性值的相似程度。Moran指数的数值I位于-1—1之间。当I>0且检验显著时，表示各城市的空气污染水平是正自相关的，即相似的空气污染水平倾向于聚集在一起的地理分布模式；当I<0且检验显著时，表示各城市的空气污染水平是负自相关，即不同的空气污染水平倾向于聚集在一起的地理分布模式。检验结果表明，中国30个省会城市空气污染的Moran统计值在12年间除2004—2008年未通过显著性检验，其余7年均通过了5%的显著性水平检验，其中4年通过了1%的显著性水平检验。与此同时，对2001—2012年城市空气污染综合指数的平均值进行空间自相关检验，结果表明Moran统计值为0.038，并通过了5%的显著性水平检验。以上结果作为空间效应的初步检验，为城市空气污染存在空间自相关提供了证据。通过显著性检验的7个年份以及2001—2012年均值的Moran指数全部显著为正，说明城市空气污染水平在空间上并非随机分布，而是存在着显著的正自相关空间依赖性。

进一步，通过Moran散点图识别各个城市空气污染水平与其邻近城市空气污染水平之间的关系。图2是30个省会城市在2001年、2009年和2012年的空气污染水平Moran散点分布图。*该散点图以标准化的空气污染水平值为横轴，以标准化的城市空气污染水平的空间滞后值为纵轴，以二者的平均值为轴的中心，将图分为四个象限，分别表示四种不同的集群模式。第Ⅰ象限为高—高的集群模式(H-H)，表示空气污染水平较高的城市被空气污染水平较高的邻近城市包围；第Ⅱ象限为低—高的集群模式(L-H)，表示空气污染水平较低的城市被空气污染水平较高的邻近城市包围；第Ⅲ象限为低—低的空间集群模式(L-L)，表示空气污染水平较低的城市被空气污染水平较低的邻近城市包围；第Ⅳ象限为高—低的空间集群模式(H-L)，表示空气污染水平较高的城市被空气污染水平较低的邻近城市包围。

图像显示，大多数城市位于第Ⅰ象限和第Ⅲ象限，表现为城市空气污染水平正空间自相关的分布特征；少数城市位于第Ⅱ象限和第Ⅳ象限，由于全局Moran指数值表现为正相关，则第Ⅱ象限和第Ⅳ象限为非典型观测区域，这些城市偏离了全域正空间自相关的总体趋势。比较三个时间段的Moran散点图发现，2001年H-H型和L-L型城市占66.600%(18个)，其中H-H型占33.300%(10个)，L-L型占33.300%(8个)；2009年H-H型和L-L型城市占70%(21个)，其中H-H型占43.300%(13个)，L-L型占26.700%(8个)，相比2001年，H-H型城市增加了3个，L-L型城市分别减少了2个，说明这一时期城市高空气污染水平的空间集聚有所增强，低空气污染水平的空间集聚有所减弱。2012年，H-H型和L-L型城市占63.300%(19个)，其中H-H型占40%(12个)，L-L型占23.300%(7个)，与2009年相比，H-H型和L-L型城市各减少了1个，变化较小，说明这一时期城市空气污染水平的空间集聚程度趋于稳定。综上，中国空气污染水平总体上以H-H型集聚和L-L型集聚为主，呈现出相似值的空间关联，进一步证实了空气污染水平存在显著的正空间自相关。

从城市的空间集聚上看，2001年，H-H型集聚城市主要分布在长江以北的华北地区、环渤海地区及西部地区，而L-L型集聚城市主要分布在中国东南沿海和华南地区。2009年，H-H型集聚城市的范围扩大，长江以北地区基本成为H-H型城市集聚区，L-L型集聚城市主要分布在华南地区。同2009年相比，2012年不同类型城市的集聚区并没有发生显著变化。综合而言，长江以北地区是高空气污染水平城市的主要集聚区，华南地区是低空气污染水平的主要集聚区，整体上以长江为界，由南向北，从低空气污染集聚区向高空气污染集聚区过渡。进一步通过局域空间关联指标LISA检验局部地区高值或低值是否在空间上趋于集聚。LISA集聚图表明，中国30个省会城市空气污染水平在空间分布上形成了两个不同的集聚区域：一是高空气污染水平的空间集聚区域，主要分布在太原、呼和浩特、兰州、西宁、乌鲁木齐五个城市；二是低空气污染水平的空间集聚区域，主要分布在南宁、海口、广州三个城市。*由于篇幅限制，Moran散点空间分布图和LISA集聚图可向作者索取。

图2 2001年、2009年和2012年空气污染水平Moran散点图

(二)模型的估计和选择

首先，笔者采用普通面板数据模型估计，先确定模型的具体形式，即确定模型是采用混合模型、固定效应模型或是随机效应模型。通过构建F统计量对混合模型和固定效应模型进行选择判断，通过Breusch-Pagan检验对混合模型和随机效应模型进行选择判断，当二者都拒绝了混合模型时，通过Hausman检验对随机效应模型和固定效应模型进行选择判断。模型1和模型2的F检验及Breusch-Pagan检验均拒绝了混合模型，同时，Hausman检验未通过，无法拒绝建立随机效应模型的原假设，故采用随机效应模型。

其次，对模型的空间相关性进行检验，进而在空间滞后模型和空间误差模型中做出选择。目前常用的空间相关性检验方法如Moran’s I、LM-error、Robust LM-error、LM-lag、Robust LM-lag等都是针对截面数据回归模型的，而面板数据空间计量模型的选择方法尚未形成统一的标准，较为常用的做法是先对面板数据进行混合OLS回归，然后运用由Anselin[9]提出的针对截面数据模型的选择机制，具体步骤如下：一是通过Moran’s I判断是否存在空间相关性，若存在则需要在模型中引入空间变量。二是比较LM-error和LM-lag统计量的值，若只有LM-error统计量通过了显著性检验，则选择空间误差模型，若只有LM-lag统计量通过了显著性检验，则选择空间滞后模型，同时模型选择结束。若二者都通过了显著性检验，则继续比较Robust LM-error、Robust LM-lag统计量的值，同理，Robust LM-error对应于空间误差模型，Robust LM-lag对应于空间滞后模型。为了判断模型1和模型2中是否需要引入空间变量以及采用何种空间计量模型，进行了上述相关检验，结果如表2和表3所示。检验结果表明，Moran’s I均通过了1%的显著性水平，说明存在明显的空间溢出效应，模型1和模型2中均需引入空间变量。同时，对应于空间误差模型的LM-error、Robust LM-error统计量均不显著，而对应于空间滞后模型的LM-lag、Robust LM-lag统计量均通过了5%的显著性水平检验，因此根据上述选择机制，模型1和模型2都应引入被解释变量的空间变量，采用空间滞后模型，即模型3和模型4。为了模型估计结果的稳健性，笔者同时给出了普通面板数据模型、空间滞后模型、空间误差模型的估计结果。

表2 城市空气污染的普通面板模型和空间计量模型估计结果

注：***表示在1%水平上显著，**表示在5%水平上显著，*表示在10%水平上显著，下同。

表3 空间相关性检验

面板数据随机效应模型的R2值只是统计数值，而无法表示模型的拟合优度，因此采用对数似然值Log-L对模型拟合效果进行判断，Log-L值越大，模型拟合效果越好。表2所示结果表明，空间滞后模型和空间误差模型的对数似然值相比普通面板数据模型显著提高，进一步说明了空间计量模型相较于普通计量模型能更准确地进行模型估计。同时，无论是普通面板数据模型，还是空间滞后模型以及空间误差模型，引入lnPG三次项的模型的对数似然值均高于引入lnPG二次项的模型的对数似然值，且引入lnPG三次项的空间滞后模型以及空间误差模型相比引入lnPG二次项，解释变量系数估计的显著性有所提高。继续比较引入lnPG三次项的空间滞后模型(模型4)和空间误差模型(模型6)，前者对数似然值高于后者。综上，引入lnPG三次项的空间滞后模型即模型4估计结果更优。模型4的估计结果显示空间滞后系数ρ为16.110，且通过了1%水平的显著性检验，这说明城市空气污染之间存在显著为正的空间溢出效应。对于空气污染水平较高的城市，其附近城市受其影响，空气污染水平也会偏高。与此同时，普通面板模型、空间滞后面板模型和空间误差面板模型估计结果的主要结论基本一致。

(三)结果分析

1.经济发展因素

在经济增长方面，存在lnPG三次项的三次曲线估计结果明显优于二次曲线的结果，说明城市经济增长与空气污染之间存在倒N型的曲线关系，即城市空气污染随着人均GDP的增长先下降，后上升，再下降。与传统EKC倒U型假说相比，朱平辉等[15]认为，倒 N 型曲线关系也符合 EKC 所描述的环境与发展特征，即“一个令人满意的人均 GDP 和环境污染的长期关系将存在”，只是倒 N 型关系在早期有较大的波动。另外，这可能是由于本文采取的样本是省会城市，一般而言，省会城市对于经济增长质量的管控会更加严格，对企业污染排放标准的要求更高，集约化程度更高，因此，相较于一般城市样本实证得出的结论，省会城市的经济增长与空气污染之间的互动规律呈现出不同的形态。

在产业结构方面，模型估计结果显示，第二产业比重的提高会导致空气污染的加剧，二者呈正相关关系。目前，虽然中国大部分省会城市是“三二一”的产业结构，但除北京、海口等城市外，其他城市的第二产业的比重依然较高。因此，第二产业的发展情况对于空气污染防控形势依然具有关键作用。

在能源消耗强度方面，模型估计结果显示，工业能源消耗强度通过了1%水平的显著性检验，说明工业能源消耗强度对城市空气污染具有显著作用，能源消耗强度越大，空气污染水平越高，二者呈正相关关系。估计结果还显示，相比第二产业占比和工业能源消耗强度，后者对城市空气污染的影响作用更大。第二产业占比是对经济整体结构的衡量，而工业能源消耗强度则反映出工业产业内部的结构和技术水平，即产业内部的结构优化及产业技术水平的提高相比整体产业结构的调整，能更有效地改善城市空气质量。

2.城市扩张因素

在建成区面积方面，城市建成区面积增长是城市向外扩张最直接的反映。模型估计结果显示，建成区面积在1%水平上显著，说明城市土地扩张对城市空气污染具有显著影响，且二者呈现正相关关系，城市土地的扩张加剧了空气污染的严重性。图3反映了30个省会城市从2001—2012年城市建成区面积和道路面积的增长幅度。12年间，30个城市的建成区面积快速增长，平均增长幅度高达123%，重庆市建成区面积增长幅度最大，将近300%。由此，在城市土地快速扩张的影响机制下，城市空气质量逐步恶化。

图3 2001—2012年城市建成区面积和道路面积增幅

在房屋建筑施工面积方面，建筑施工理论上会产生扬尘，进而导致空气中可吸入颗粒物的增加。但计量检验的结果表明，房屋建筑施工面积并未对城市空气污染造成显著影响。这说明城市房屋建筑施工现场做了有效的扬尘控制，特别是在省会城市，由于施工现场扬尘污染的感官感受明显，公众环保意识相对较高，施工单位容易受到公众投诉监督，进而施工过程的污染控制能够有效实现。

在城市道路面积占比方面，这一指标在10%水平上通过了显著性检验，城市道路建设与空气污染之间存在显著的正相关关系。在机动车尾气排放没有得到有效控制的情况下，道路面积的快速增长意味着城市交通污染的增加，这也是城市扩张所带来的副产品。

四、结 论

通过分析经济发展和城市扩张对空气质量影响机理。运用探索性空间数据分析方法对中国30个省会城市2001—2012年间空气污染的分布格局进行分析，并进一步用空间滞后模型和空间误差模型实证分析经济发展和城市扩张对城市空气污染的影响，得出以下结论与启示。

首先，中国省会城市空气污染存在显著的正空间自相关性。城市的空气污染水平会受到其周边城市空气污染水平的影响，城市空气污染存在空间溢出效应。长江以北形成了高空气污染城市的集聚区，华南地区是低空气污染城市的集聚区。为此，空气污染治理需要加强区域合作，通过建立空气污染合作治理模式，培育城市间的共赢观念，协调区域间的利益关系，降低合作交易成本，以避免属地治理引起的“搭便车”行为和环境治理的“囚徒困境”。

其次，经济发展与城市扩张对空气污染具有显著影响。经济增长与空气污染之间呈现倒N型的三次曲线关系，即城市空气污染随着人均GDP的增长呈现先下降，后上升，再下降的走势。第二产业比重和能源消费强度与城市空气污染之间具有正相关关系，产业结构的转型升级和生产技术水平的提高均有助于城市空气污染的改善。与此同时，中国城市建设区面积和城市道路面积在2001—2012年期间大幅增长，同时二者通过生产生活集聚、能源消耗、施工建设等形式，对城市空气污染产生显著正相关影响。但房屋建筑施工面积对空气污染的影响并不显著，这可能是由于施工现场做了有效的扬尘控制。另外，城市绿化和环境规制对空气污染具有显著的抑制作用。空气污染已经成为快速人口城市化和土地城市化过程中不得不考虑的问题，提高空气质量，改善人居环境是未来中国城市化进程的应有之意。

[1] 周文, 彭炜剑. 最佳城市规模理论的三种研究方法[J]. 城市问题, 2007，(8):16-19.

[2] 王桂新, 武俊奎. 城市规模与空间结构对碳排放的影响[J]. 城市发展研究, 2012, 19(3):89-95.

[3] 孔爱国, 郭秋杰. 城市规模与城市污染——数理模型的分析[J]. 数量经济技术经济研究, 1996, (2):53-58.

[4] 马素琳, 韩君, 杨肃昌. 城市规模、集聚与空气质量[J]. 中国人口·资源与环境, 2016, (5):12-21.

[5] 郑思齐, 霍燚. 低碳城市空间结构:从私家车出行角度的研究[J]. 世界经济文汇, 2010，(6):50-65.

[6] 马丽梅, 刘生龙, 张晓. 能源结构、交通模式与雾霾污染——基于空间计量模型的研究[J]. 财贸经济, 2016, (1):147-160.

[7] Burchfield, M., Overman, H. G., Puga, D., et al. Causes of Sprawl: A Portrait From Space[J]. The Quarterly Journal of Economics, 2006, 121(2): 587-633.

[8] Banzhaf, H. S., Lavery, N. Can the Land Tax Help Curb Urban Sprawl? Evidence From Growth Patterns in Pennsylvania[J]. Journal of Urban Economics, 2010, 67(2): 169-179.

[9] Anselin, L. Spatial Econometrics: Methods and Models[M]. Springer Science & Business Media, 1988.

[10] Cole, M. A., Neumayer, E. Examining the Impact of Demographic Factors on Air Pollution[J]. Population & Environment, 2004, 26(1): 5-21.

[11] 董志龙,何慧根,于涛,等.兰州大气环境质量影响因素相关分析[J].干旱区资源与环境, 2009, (12): 49-53.

[12] 李玉敏,李明丽,焦智康.北京市空气质量影响因素计量经济分析[J].理论探讨, 2011, (5): 260-261.

[13] 贺灿飞,张腾,杨晟朗.环境规制效果与中国城市空气污染[J].自然资源学报, 2013, (10): 1651-1663.

[14] 何小钢,张耀辉.行业特征、环境规制与工业CO2排放——基于中国工业36个行业的实证考察[J].经济管理,2011,(11):17-25.

[15] 朱平辉, 袁加军, 曾五一. 中国工业环境库兹涅茨曲线分析——基于空间面板模型的经验研究[J]. 中国工业经济, 2010, (6):65-74.

(责任编辑：于振荣)

F062

：A

：1000-176X(2017)09-0114-09

2017-06-27

福建省中国特色社会主义理论体系研究中心项目“中国生态文明试验区(福建)产业绿色发展新动能研究”(2017TWZ007)；福建省环保科技计划项目“闽台环保产业融合发展研究”(2015R018)

郭施宏(1991-)，男，浙江玉环人，博士研究生，主要从事环境与资源管理研究。E-mail：guoshihong1991@126.com 高 明(1965-)，男，吉林农安人，教授，管理学博士，博士生导师，主要从事环境与资源管理研究。E-mail：gaoming65@163.com 吴雪萍(1990-)，女，福建漳州人，博士研究生，主要从事环境与资源管理研究。E-mail：348036104@qq.com