基于静态与动态空间面板模型分析城镇化对雾霾的影响

刘晓红，江可申



基于静态与动态空间面板模型分析城镇化对雾霾的影响

刘晓红1,2，江可申1

（1. 南京航空航天大学经济与管理学院，南京 211106； 2. 南京晓庄学院商学院，南京 211171）

该研究以中国30省区为研究对象，首先考察了雾霾污染的空间效应。全局Moran’s I指数为0.3875，中国雾霾污染存在着空间集聚。Moran’s I指数散点图显示中国雾霾污染存在着正的空间自相关，绝大部分省区位于高-高集聚和低-低集聚。然后，基于雾霾污染的空间效应，建立静态与动态空间面板计量经济学模型，实证考察了城镇化、能源强度、交通压力等对雾霾污染的影响。城镇化与雾霾污染之间存在环境库兹涅茨曲线；交通压力每上升一个百分点，将使雾霾污染上升0.2075个百分点。从效应的分解来看，该地区以及全局城镇化与雾霾污染之间存在环境库兹涅茨曲线。人均GDP的间接效应、总效应显著为负，该地区人均收入的上升可以使相邻地区的雾霾污染下降，并且会减少全局雾霾污染。能源强度下降会减轻本地区雾霾污染程度，但会导致相邻地区雾霾污染上升。能源消费结构直接效应为正，间接效应与总效应显著为正，煤炭消费比例的下降不但会减少本地区雾霾污染，也会显著抑制相邻地区的雾霾污染，进而减少全局雾霾污染。交通压力的直接效应显著为正，但间接效应显著为负，交通压力的上升会明显加重本地区雾霾污染程度，然而相邻地区交通压力上升会抑制本地区雾霾污染。动态空间杜宾面板计量模型中被解释变量滞后一期系数高达0.6114，且通过了1%水平下的显著性检验，中国雾霾污染存在时空依赖。动态空间面板计量模型比静态更为合适，估计结果更为准确，遗漏因素对雾霾污染的影响也很重要。

污染；模型；雾霾；城镇化；能源强度；交通压力；动态空间面板

0 引 言

2016年8月26日审议通过的“健康中国2030”规划纲要是履行中国对联合国“2030可持续发展议程”承诺的重要举措。“健康中国2030”规划纲要以提高人民健康水平为核心，着力营造绿色安全的健康环境。近几年，一些城市的雾霾天数增多，对居民身心健康带来了负面影响，引起了国内外学者和政策制定者的广泛关注。中国“十三五”时期经济社会发展的基本理念是新型工业化、信息化、城镇化、农业现代化同步发展，如何在新型城镇进程中，处理好能源强度、交通压力与雾霾污染的问题，最大限度的减少雾霾污染，保持良好的环境。

雾霾污染的主要成分是PM10和PM2.5。雾霾污染的形成与自然因素有关，故在自然科学领域相关文献较为丰富，多从化学、气象等角度探究雾霾污染的形成特征、机制以及影响因素。如Han等[1]使用1961−2012年PM10日数据，分析雾霾时空变化，发现雾霾高发地区从中国中部转移到南部和东部。温度、气压与雾霾天数呈正相关，风、湿度、下雨和阳光照射时间与雾霾天数呈反比。值得强调的是，雾霾污染也与人们的经济行为有关。2016年，中国城镇化率达到了57.35%，预计城镇化率将会进一步提高。城镇化是中国经济增长的新动能，推动了中国经济的持续增长。但是，城镇化也带来了能源消费量的扩大，引起能源强度的提高。能源消费量如煤炭消费会带来雾霾污染。城镇人口的增加使得车辆拥有量上升，交通压力扩大，而车辆排放是雾霾污染的移动发生源。故本文将城镇化、能源强度、交通压力放在同一框架内进行考察。城镇化与雾霾污染的研究分为以下2个方面，一是从城镇化对雾霾污染的形成机理角度进行分析，如童玉芬[2]等认为城市人口与雾霾之间的关系是双向的。城市人口的增长会导致雾霾现象的加剧，而雾霾反过来会影响城市人口的规模、空间分布等。任保平等[3]认为随着中国城市化进程的推进，城市的人口分布越发密集，促使生活燃煤排放量激增，城市生活污染和交通尾气排放也随之增多，加剧了大中城市的环境污染。魏巍贤等[4]认为城镇化过程中建筑工地大量扬尘是造成雾霾日趋严重的主要原因。二是从实证角度进行的研究，如Han等[5]考察了中国城镇化对城镇PM2.5浓度的影响，结果发现城镇PM2.5和城镇人口显著正相关，城镇化对PM2.5浓度有相当大的影响。冷艳丽等[6]基于2001－2010年中国省际面板数据，考察了城镇化对雾霾污染的影响，结果表明城镇化进程的推进对雾霾污染有正向影响。何枫等[7]以2013年中国74个首批PM2.5监测城市的截面数据为研究样本，发现所监测城市化程度越高，则所对应的雾霾现象也越严重。Xu等[8]采用2001－2012年的省级面板数据来分析中国区域PM2.5排放的主要驱动力，结果表明，城镇化对PM2.5的影响因区域不同而有所差别。Liu等[9]以2014年中国289个城市的空气质量指数为被解释变量，14个自然和人为因素作为解释变量，分析自然和人为因素对雾霾的影响，结果发现，城镇化、城镇人口集聚对空气质量指数有显著影响。从经济发展角度探究雾霾污染的文献较为丰富，如Wu等[10]重点强调了污染严重省份的大气污染治理，认为应避免将污染严重工业转移到相邻地区，大气污染只能扎根于转变经济发展方式。Ma等[11]以2014年中国152个城市PM2.5为样本，结果发现中国PM2.5和经济发展之间的关系与环境库兹涅茨假说一致。能源强度对雾霾影响的文献较少，Cheng等[12]发现中国能源强度对雾霾污染产生显著的正向影响，提出应限制能源强度的快速增长。关于交通与雾霾污染的研究，如Poon等[13]运用空间计量方法研究能源、交通以及对外贸易对中国大气环境的影响，主要针对SO2和烟尘进行研究，证实了溢出效应在中国省域之间确实存在。Gao等[14]通过2008年1月1日到31日河北省10个城市每小时PM2.5浓度的实时数据，使用分层聚类分析方法分析了河北省不同城市PM2.5浓度，结果发现保定平均浓度最高，燕郊最低。土地的灰尘、煤燃烧和车辆运行可能是潜在的贡献因素。马丽梅等[15]以北京地区为主要分析案例，发现交通拥堵程度以及空间因素是出现高雾霾的重要原因。根治雾霾，区域间的联合治理势在必行。Hao等[16]基于2013年中国PM2.5浓度和73个中国城市的空气质量指数的数据，结果发现车辆数量和第二产业对城镇PM2.5浓度有显著的影响。马丽梅等[17]通过构建空间杜宾模型对交通模式与雾霾污染的关系展开分析，结果表明，交通拥堵以及来自邻近地区的影响是高污染的重要原因，从短期看，缓解交通拥堵较为有效。为了治理中国的雾霾污染，有的提出了治理措施，如Zhang等[18]指出，为了降低空气中的煤烟、有机物和硫酸盐，要严控煤的使用。

上述研究具有一定的现实意义，但也存在着不足，表现在以下几个方面：第一，从普通面板角度对雾霾污染进行的研究较多，从空间计量角度进行的研究较少，且缺乏使用动态空间计量模型的实证研究；第二，既有的静态空间计量模型多使用没有偏误修正的模型进行分析，尚缺少使用偏误修正模型对雾霾污染进行研究的文献；第三，对经济发展与雾霾污染之间的库兹涅茨曲线进行的研究较多，尚未发现对城镇化与雾霾污染之间的环境库兹涅茨曲线进行检验的研究成果；第四，缺少将城镇化、能源强度、交通压力与雾霾污染结合起来进行的研究。

本文的创新点表现在以下4个方面：第一，尝试建立动态空间面板计量模型，以检验未列入模型的其他遗漏变量对雾霾污染的影响，并与静态空间面板模型的实证结果比较；第二，使用偏误修正的空间面板计量模型进行分析；第三，对城镇化与雾霾污染之间关系进行环境库兹涅茨曲线检验；第四，把城镇化、能源强度、交通压力与雾霾污染纳入同一框架进行考察。

中国PM2.5只能获取2012年以后的数据，所以本文以PM10作为衡量雾霾污染的指标。其余部分做如下安排：第二部分介绍研究方法和数据，说明空间计量模型的设定和选择；第三部分运用静态和动态空间面板计量模型进行实证分析。第四部分为结论及政策启示。

1 研究方法与数据

1.1 全局空间关联性指标

使用自关联性Moran’s I指数来表示全局空间关联性。其计算公式为：

式中I为Moran’s指数，x为第个地区PM10浓度值；为地区总数；是空间权重矩阵。Moran’s I指数的取值范围为[−1,1]。大于0，说明存在空间正自相关，小于0说明存在空间负自相关。

1.2 空间面板计量经济学模型

1.2.1 静态空间面板模型

Anselin等[19]指出，为了确定观测值之间的空间依赖，空间面板数据模型主要包括空间滞后模型（spatial lag model，SLM）、空间误差模型（spatial error model，SEM）和空间杜宾模型（spatial durbin model，SDM）3类。

根据Elhorst[20]，空间滞后模型SLM公式为：

式中为两地区地理中心位置之间的距离；是内生交互效应的响应参数；是常数项；是×的外生解释变量矩阵；是与相匹配的响应参数；是独立同分布误差项，服从（0，σ）分布；μ代表空间效应；λ是时间固定效应。

空间误差模型SEM的具体形式为：

空间杜宾模型SDM扩展了空间滞后模型，其具体形式为：

式中和相同，是×维参数向量。

1.2.2 动态空间面板模型

埃尔霍斯特[22]认为，空间动态模型中，每个空间单位在不同时间的观察值之间存在序列依赖，每个时间点在不同的空间存在空间的依赖，评估不可预测的特定时间和特定空间的效应以及解释变量的内生性，其模型形式为：

式中y−1是被解释变量在时间上的滞后值；wy是被解释变量在空间上的滞后值；wy,−1是被解释变量在空间和时间上的滞后值；、和分别是y,t−1、wy、wy,t−1的响应参数。

1.2.3 空间计量经济学模型的选择

空间面板数据模型的选择步骤为：首先，采用拉格朗日乘数即LM-lag、LM-error、Robust LM-lag、Robust LM-error进行空间相关性检验；其次，如果LM检验拒绝了非空间模型，可以采用空间滞后模型和空间误差模型，埃尔霍斯特[22]和LeSage and Pace[23]推荐使用空间杜宾模型。再次，使用似然比LR和Wald检验空间杜宾模型能否简化为空间滞后模型或空间误差模型。最后，使用空间Hausman检验在随机效应和固定效应之间进行选择。

1.2.4 模型的建立

为了从空间计量经济学角度探究在城镇化进程中，能源强度、交通压力等对雾霾污染的影响，基于IPAT模型的基础上建立STIRPAT模型。IPAT模型由Ehrlich等[24]最先提出，后来不断完善，现在被广泛使用的是Dietz等[25]提出的STIRPAT模型，其具体形式是

（8）

改善的模型如下式所示

式中PM10为雾霾污染程度；为城镇化程度；GDP为人均实际GDP，以1997年价格为基期，元；EI为能源强度；ES为能源消费结构；TP为交通压力；ε是标准误差项。

1.2.5 数据来源

文中对中国30省区（不包括港澳台）2003－2014年的PM10进行研究，西藏一些年份数据缺失，故不包括西藏。各变量数据来自于《中国统计年鉴》（2004－2015）、《中国能源统计年鉴》（2004－2015）。煤炭消费量由折标系数先折算成标准煤。地理距离权重矩阵中各地区地理位置坐标由国家电子地图使用Geoda9.5软件计算得出。各变量说明如表1所示。

表1 变量说明

以上相关变量的描述性统计结果如表2所示。

表2 面板数据的描述性统计

注：除非特别说明，本文使用的软件为Matlab_R2012a及空间面板数据模型软件包。

Note: Unless specifically stated, the software used in this article is Matlab_R2012a and spatial panel data model package.

2 结果与分析

2.1 中国雾霾污染分布

使用ArcView软件，根据自然间断点分级法，绘制出2003－2014年中国PM10均值分布图。如图1所示，PM10平均浓度由低到高被分成了4个等级，第1等级PM10平均质量浓度为>39.3410~69.8330g/m3，第2等级为>69.8330~93.835g/m3，第3等级为>93.835~117.503g/m3，第4等级为>117.503~151.206g/m3， 2003~2014年，PM10平均浓度处于第1等级的省区是广西、海南、福建。广东、云南、贵州、内蒙古、江西位于第2等级。黑龙江、吉林、辽宁、天津、四川、重庆、湖南、湖北、河南、安徽、江苏、浙江、上海位于第3等级。位于最高等级的是新疆、甘肃、河北、北京、山东、陕西、山西、宁夏、青海。

图1 2003－2014年中国PM10均值分布图

2.2 全局空间关联性检验

使用GeoDA9.5软件，得出2003－2014年间PM10均值的全局Moran’s I指数为0.3875，值为0.002，通过了显著性检验，中国雾霾污染存在着空间集聚。Anselin等[26-27]认为Moran’s I指数散点图作为可视性工具，能直观的显示空间自相关的情况，故为了进一步考察各省区PM10的集聚情况，运用GeoDA9.5，采用邻接空间权重矩阵的“queen”相邻，可以绘制出2003－2014年间PM10均值的Moran’s I指数散点图，如图2所示。Moran’s I指数散点图划分为4个象限，代表4种空间自相关：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。绝大多数省区位于第1、3象限，即处于高-高集聚和低-低集聚。第1象限的省区是北京、天津、河北、河南、新疆、辽宁、甘肃、山西、陕西、青海、山东、江苏、安徽、四川、湖北、重庆、上海等地。3象限的省区是浙江、湖南、江西、云南、贵州、福建、广西、海南、广东等地。极个别省区位于第2象限，即内蒙古、宁夏两地，说明中国雾霾污染的空间正相关性较强，某一地区的雾霾污染会受到相邻地区的影响。

图2 2003－2014年中国PM10均值的Moran’s I指数散点图

2.3 空间诊断性检验

使用经典的拉格朗日乘数检验（LM-lag，LM-error）和LeSage and Pace[23]改进的稳健的拉格朗日乘数检验（Robust LM-lag，Robust LM-error）进行模型选择，结果如表3所示。LM-lag和LM-error检验显示，混合OLS，空间固定效应、时间固定效应3类模型都在1%的显著水平上拒绝了没有空间滞后项的原假设和没有空间自相关误差项的原假设。空间和时间固定效应的LM-lag没有通过显著性检验，但LM-error在5%水平上通过了显著性检验。Robust LM-lag，Robust LM-error检验表明，4类模型在5%水平上都通过了显著性检验。通过LR检验进行固定效应的选择，结果显示：在1%的显著水平上，LR检验既拒绝了空间固定效应联合非显著性的原假设，也拒绝了时间固定效应的联合非显著性的原假设，根据Baltagi等的研究[28]，需要使用空间和时间固定效应模型，即双向固定效应模型。虽然上述2种检验表明应该采用双向固定效应的空间误差模型，但是，埃尔霍斯特[22]指出，如果基于（Robust）LM检验拒绝了非空间模型而支持空间滞后模型或空间误差模型，则采用这2种模型中的哪一种应该特别小心。Lesage and Pace[23]建议使用空间杜宾模型，故本文使用空间杜宾模型进行估算，计量方法为Elhorst[29]提出的极大似然（ML）估计。

表3 空间诊断性检验

注：*、**、***分别表示在10%、5%和1%水平上显著。

Note : *,** and *** indicate significance at the 10%, 5% and 1% levels, respectively.

2.4 静态空间面板计量实证结果分析

为了验证空间杜宾模型的稳健性，对空间杜宾模型SDM转变为空间滞后模型SLM和空间误差模型SEM进行Wald和LR检验，结果如表4的下半部分所示。Wald spatial lag和LR spatial lag检验拒绝了空间杜宾模型转化为空间滞后模型的原假设。Wald spatial error和LR spatial error检验也拒绝了空间杜宾模型简化为空间误差模型的原假设，这进一步说明要使用空间杜宾模型。使用空间Hausman检验在随机效应和固定效应之间进行选择，估计值为25.699 2，自由度为13，<0.05，故拒绝随机效应模型，使用空间和时间固定效应模型。根据Elhorst的研究[20]，如果空间杜宾模型中包含空间和时间固定效应，参数估计要进行偏误修正。埃尔霍斯特[22]指出，对于解释变量来说，使用直接方法的系数估计与使用偏误修正方法的系数估计差异很小，但空间滞后被解释变量和解释变量的系数估计对偏误修正比较敏感。比较第2列和第3列系数估计，没有经过偏误修正的空间自回归系数较小且没有通过显著性检验，其余解释变量系数大小与显著性接近，这与埃尔霍斯特[22]结论一致。表4中第2列和3列的log-likelihood值相同，但偏误修正的2较高，故下文选择偏误修正的空间和时间固定效应模型即表4中的第3列数据进行分析。

表4 空间杜宾模型估计结果

空间自回归系数为0.144 9，通过了显著性检验，说明相邻地区的雾霾污染对本地区有正向影响，相邻地区雾霾污染减少一个百分点，将导致本地区雾霾污染下降0.144 9个百分点，雾霾污染存在空间外溢效应。这与Moran’s I指数以及表3中的空间自相关性的（Robust）LM检验一致。

城镇化的系数为正，城镇化平方的系数为负，且都通过了1%水平的显著性检验，说明中国城镇化与雾霾污染之间存在着环境库兹涅茨（environmental Kuznets curve，EKC）曲线，验证了EKC假说。即在中国城镇化的初始阶段，城镇化程度越高，雾霾污染程度也随之提高，但当超过一定点后，城镇化程度的提高会带来雾霾污染的下降。这是因为随着城镇化的进行，一方面，居民的文化素养会得以提高，生态意识增强，进而改变生活方式，最终会提高能源效率，降低雾霾污染。另一方面，新型城镇化会通过绿色城镇，生态城镇的发展方向使得雾霾污染下降。交通压力的弹性系数也为正，且通过显著性检验，交通压力每上升一个百分点，将使雾霾污染上升0.207 5个百分点。这是因为中国私人汽车拥有量的提高会通过能源消费量的扩大以及尾气排放加重雾霾污染。GDP的空间溢出效应显著为负，人均GDP每增长一个百分点，将使相邻地区的雾霾污染减少1.689个百分点，这进一步说明，跨区域治理雾霾污染不影响经济增长。能源强度、交通压力的空间溢出效应显著为负，说明跨区域间能源强度以及交通压力的降低将会有效地减少雾霾污染程度。能源消费结构的空间溢出效应显著为正，煤炭消费比例的上升会使相邻地区雾霾污染程度提高。

根据LeSage and Pace[23]，为了说明解释变量真实的空间溢出效应，要估计直接效应和间接效应。本文分解了空间杜宾模型中各解释变量的直接效应和间接效应，结果如表5所示。由于反馈效应的存在，表5中解释变量的直接效应和表4中的系数存在差异。埃尔霍斯特[22]认为，反馈效应部分源于空间滞后被解释变量的系数估计值，部分源于解释变量自身的空间滞后变量的系数估计值。城镇化、城镇化平方的直接效应和总效应都通过了1%水平下的显著性检验，说明本地区以及全局城镇化与雾霾污染之间存在EKC曲线。人均GDP的间接效应、总效应显著为负，这说明本地区人均收入的上升可以使相邻地区的雾霾污染下降，并且会减少全局雾霾污染。能源强度的间接效应显著为负，即能源强度下降会减轻本地区雾霾污染程度，但会给相邻地区带来负效应，导致相邻地区雾霾污染上升。这可能是由于中国各地存在保护主义，本地区千方百计采用先进技术，提高能源效率，吸引技术人才流入，从而导致省际之间雾霾污染产生转嫁现象。能源强度的总效应显著为负，这是因为中国能源消费效率与发达国家比存在着差距，导致能源消费强度过高，从而使雾霾污染严重。能源消费结构直接效应为正，间接效应与总效应显著为正，说明煤炭消费比例的下降不但会减少本地区雾霾污染，也会显著抑制相邻地区的雾霾污染，进而减少全局雾霾污染。交通压力的直接效应显著为正，但间接效应显著为负，交通压力的上升会明显加重本地区雾霾污染程度，然而相邻地区交通压力上升对本地区雾霾污染存在显著的抑制效应，说明交通车辆和交通设施存在交互效应，在各地区交通设施各自为政，缺乏统筹协调的情景下，本地区交通压力的减少以牺牲相邻地区的大气环境为代价。

表5 空间杜宾模型的直接效应、间接效应和总效应

2.5 动态空间面板计量实证结果分析

上述静态空间面板模型虽然说明了城镇化进程中能源强度、交通压力等解释变量对雾霾污染的影响，但可能忽略了一些重要因素如居民行为模式、建筑施工、公路里程等潜在变量对雾霾污染的影响，故使用被解释变量PM10的一阶滞后项作为解释变量，表征居民行为模式、建筑施工等遗漏变量对雾霾污染的影响，建立动态空间面板计量模型。根据最大似然法估计，具有固定效应的动态空间杜宾面板计量模型估计结果如表6所示。具有固定效应的动态空间杜宾面板计量模型的2=0.905 6，log-likelihood=314.932 7，都高于静态杜宾空间面板计量模型估计结果，说明动态空间杜宾面板计量模型比静态更为合适，估计结果更为准确。

第一，动态空间杜宾面板计量模型中的空间相关系数为0.212 0，通过了显著性检验，且较之静态空间面板的空间相关系数有所提高，说明中国雾霾污染正的空间自相关效应明显。相邻地区的雾霾污染对本地区影响为正，即当相邻地区雾霾污染浓度较高时，本地区的雾霾污染程度也随之提高，反之，当相邻地区雾霾污染程度下降时，本地区的雾霾污染程度也随之下降。这也进一步说明，仅仅使用静态空间杜宾面板模型中的解释变量不足以全面、详尽地考察雾霾污染的实际情况，没有纳入模型的其他变量，如居民行为模式、建筑施工、公路里程、气象等等遗漏因素对中国雾霾污染的影响也很重要，建立动态空间面板计量模型是有必要的。

第二，动态空间杜宾面板计量模型中被解释变量滞后一期PM10(-1)系数高达0.611 4，且通过了1%水平下的显著性检验，中国雾霾污染存在时空依赖，此外，也揭示了两层含义：一方面说明中国区域间雾霾污染存在动态连续性，或称为黏滞性，即上一年雾霾污染程度的下降会引致下一年雾霾污染程度的降低，形成良性循环，反之亦然。忽略动态模型的参数估计会有偏误；另一方面，说明其他潜在因素如居民的行为模式、建筑施工、公路里程、乃至贸易开放等遗漏变量会对雾霾污染产生显著的影响。

第三，动态空间杜宾面板计量模型中，城镇化的系数为正，城镇化平方的系数为负，且都通过了10%水平下的显著性检验，中国城镇化与雾霾污染之间存在倒U型曲线。这与前文静态空间杜宾模型估计结果一致，城镇化与雾霾污染之间倒U型关系稳健。能源消费结构系数为正，且通过显著性检验，验证了优化能源消费结构，降低雾霾污染的结论。交通压力的系数显著为正，即交通压力的上升会加重雾霾污染程度。人均GDP、能源强度、交通压力的溢出效应显著为负，与静态空间面板结论一致，说明采用动态空间面板计量模型，控制动态时滞和遗漏变量以后，并没有改变前文的基本结论[29]。

表6 具有固定效应的动态空间杜宾面板模型估计结果

3 政策启示

基于上述实证结果，得出如下政策启示：第一，治理雾霾污染非一地之力，需要进行区域联合。可以通过集权制度，建立“国家雾霾治理中心”，进行雾霾的实时监控，信息发布。“国家雾霾治理中心”要通盘考虑雾霾的治理问题，在全国范围内统一调配公共产品等资源，避免污染行业集中在某一省区。同时，各级地方政府要有全局观念，摒弃地域限制，打破行政界限，相互之间通力合作，协同治理。同时，保证雾霾治理行为的可持续性。基于雾霾污染的黏滞性特征，对雾霾的治理政策、行为措施等要保持连续性。可以通过稳定政府雾霾治理预算，设立雾霾治理专项资金，确立监管制度等措施保障政府治理雾霾行为的可持续性。第二，在中国新型城镇化的进程中，为了减少雾霾污染，首先，以绿色为旗帜，扩大城镇绿化面积，采用绿色建筑，增加绿色成分，提升生态要素，保护环境。其次，做好城镇节能基础设施建设。这包括构建便利的公共交通网络、建造强大的卫生、排污系统，确保城镇在集聚人口的同时，节能减排，保持可持续发展。最后，做好绿色城镇规划。摒弃片面追求城市规模的做法，重视环境容量，实现城镇生态的可持续发展，进而实现城镇化与环境保护的协调发展。第三，在经济新常态中推动居民人均收入的上升。人均收入的上升不会引起雾霾污染程度的加深，故中国在经济新常态中保持速度与质量并重，提高居民人均收入，在经济发展中使环境得到改善；第四，降低能源强度，提高能源效率。能源强度体现中国的技术水平，虽然中国的能源强度在2003－2014年间处于下降趋势，2015年中国万元GDP能耗为0.6272t标煤，但依然存在降低能源强度的空间。《BP世界能源统计年鉴2016》显示，2015年中国是世界上最大的能源消费国，占全球消费量的23%。因此，中国要通过技术创新等方法降低单位GDP能耗，实现能源的高效利用；第五，降低煤炭消费比例，提高风能、水能、核能、光伏能、太阳能、生物质能等非化石能源比例，实现能源替代。第六，加强交通管理，发展公共交通。可以通过限制出行天数的方法使居民减少私人汽车的使用。并通过投放公用自行车、增加公交车线路等方法使居民出行通畅，减少私人汽车拥有量。第七，居民要改变自身的行为模式。通过舆论宣传等方式，使城乡居民认识到自身的生产、消费行为与雾霾污染密不可分，形成生态文明意识，进而在行动中改变高能耗的消费习惯，形成节约、环保的行为模式。

4 结 论

中国雾霾污染存在着空间集聚，绝大部分省区位于高-高集聚和低-低集聚，某一地区的雾霾污染会受到相邻地区的影响。人均GDP、能源强度和交通压力的空间溢出效应显著为负，跨区域间人均收入、能源强度以及交通压力的降低会有效减缓雾霾污染程度。能源消费结构的空间溢出效应显著为正，煤炭消费比例的上升会使相邻地区雾霾污染程度提高。人均GDP的间接效应、总效应显著为负，即人均收入的上升利于本地区雾霾污染浓度的下降，相邻地区人均收入的提高也会使本地区雾霾污染程度降低。能源强度的间接效应与总效应显著为负。煤炭消费比例的下降不但会减少本地区雾霾污染，也会显著抑制相邻地区的雾霾污染，进而减少全局雾霾污染。交通压力的直接效应显著为正，但间接效应显著为负。中国区域间雾霾污染存在动态连续性，忽略动态模型的参数估计会有偏误；治理雾霾污染非一地之力，需要进行区域联合。同时，要保证雾霾治理行为的可持续性。在中国新型城镇化的进程中，为了减少雾霾污染，要以绿色为旗帜，扩大城镇绿化面积，做好城镇节能基础设施建设，以及绿色城镇规划。在经济新常态中推动居民人均收入的上升；降低能源强度，提高能源效率；降低煤炭消费比例，提高非化石能源比例，实现能源替代；加强交通管理，发展公共交通。

[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，王莹莹. 中国城市人口与雾霾：相互作用机制路径分析[J]. 北京社会科学，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. 中国城市雾霾天气形成与治理的经济机制探讨[J]. 西北大学学报：哲学社会科学版，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] 魏巍贤，马喜立. 能源结构调整与雾霾治理的最优政策选择[J]. 中国人口·资源与环境，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] 冷艳丽，杜思正. 产业结构、城市化与雾霾污染[J]. 中国科技论坛，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] 何枫，马栋栋. 雾霾与工业化发展的关联研究-中国74个城市的实证研究[J]. 软科学，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] 马丽梅，张晓.区域大气污染空间效应及产业结构影响[J]. 中国人口·资源与环境，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] 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，2016，37(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，谭清美，白俊红.中国区域创新生产的空间计量分析-基于静态与动态空间面板模型的实证研究[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.保罗.埃尔霍斯特.肖光恩译.空间计量经济学-从横截面数据到空间面板[M]. 北京：中国人民大学出版社，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

国家自然科学基金项目（71573138）；江苏省教育厅哲学社会科学研究指导项目（2016SJD790011）；江苏省高校“青蓝工程”资助；本论文得到江苏高校境外研修计划资助。

刘晓红，女，河南南阳人，副教授，博士生，主要从事环境经济学研究。Email：amylxhong@163.com

刘晓红，江可申. 基于静态与动态空间面板模型分析城镇化对雾霾的影响[J]. 农业工程学报，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