交通基础设施对雾霾污染的影响效应——基于BMA方法的检验

施震凯

(东南大学经济管理学院，江苏 南京 211189)

交通基础设施对雾霾污染的影响效应
——基于BMA方法的检验

施震凯

(东南大学经济管理学院，江苏 南京 211189)

本文基于卫星监测的PM2.5浓度数据，采用贝叶斯模型平均方法，从新方法、新视角和新维度衡量了交通基础设施对雾霾污染的影响效应。实证结果显示，交通基础设施存量的增长能够有效降低雾霾污染程度，即便是在考虑了诸多其他因素时，这种影响效应也能被显著地识别出来。在区分不同交通模式后，发现公路运输是雾霾污染的重要来源，但以铁路、轨道交通等为代表的公共交通基础设施则有效缓解了雾霾现象，这一结论在各地区间具有较高的一致性。

交通基础设施；雾霾污染；贝叶斯模型平均

雾霾现象是众多因素共同作用的结果，人口数量、产业结构、能源构成以及交通因素等对雾霾污染有着较强的溢出作用[1]，其中又以能源燃烧、工业排污以及交通尾气排放最为显著，是中国PM2.5的主要来源[2]，一些研究认为交通部门是城市环境的最大污染源[3]。然而，既有文献在研判交通因素对雾霾污染的影响效应时，主要集中于交通工具数量或尾气排放等方面，鲜见将不同交通基础设施放在同一研究框架下，分析其对雾霾现象的影响效应。因此，如何在一个包含众多影响因素的变量集中，科学准确地识别出不同交通基础设施对雾霾污染的作用效应，特别是从建设情况和模式差异分别进行探究，是本文的研究重点。

1 文献综述

雾霾污染作为一种气候现象，其产生原因可归结为发展方式粗放、产业结构失衡、能源效率低下以及环境治理等诸多因素[1]。既有文献从不同角度针对这一话题展开分析，马丽梅等通过空间杜宾模型研究能源结构、交通模式与雾霾污染的相关关系，发现能源结构是导致中西部地区雾霾现象的关键变量，而交通拥堵则是东部地区高污染的重要因素[2]。马丽梅和张晓以库兹涅茨曲线为框架，基于2001—2010年中国31个省份的数据研究发现，雾霾污染水平与能源结构以及产业结构有着显著的相关性[4]。以上诸多研究主要从污染源角度进行考虑，而人类活动对环境的输入性影响亦不可忽视，既有研究发现城市人口数量与雾霾污染有着显著的相关作用[5-6]，中国PM2.5浓度与人均GDP之间存在着“倒U形”曲线[7]，而政府调控以及投资行为均对雾霾污染有着不可忽视的作用[8]。总体来看，既有文献从多个角度、多种方法分析了不同因素对雾霾污染的影响效应，但未能在一个较为完备的研究框架中评价这些影响因素的解释力大小。

此外，交通基础设施作为一种物化的实体，虽然无法通过自身的生产行为对雾霾现象造成直接贡献，但其作为影响区位经济的一个重要因素[9]，既可以通过改变区域经济的集聚程度影响大气污染[10]，也可以通过多种间接途径产生冲击。这些间接途径可以表现在多个方面，例如，发达的城市交通能够显著缩短道路拥堵所需的等待时间，减少路面行驶车辆的数量[3]，长途客运的公铁之争可促使居民选择更为环保的出行方式，以上典型事实均有利于降低雾霾污染程度。如何在一个统一的框架内，研判交通基础设施建设对雾霾现象的影响效应，以及分析不同交通模式的差异性影响，形成了本文主要的研究内容。

本文可能在以下方面存在着边际贡献：第一，不同于既有文献的分析视角，本文从新角度关注交通因素对雾霾污染的影响效应，并进一步区分了存量水平和模式差异的不同影响；第二，本文基于贝叶斯模型平均方法，用新方法研究交通基础设施对雾霾污染的影响作用，并针对前五位最优单一模型展开更为细致的分析；第三，本文将研究样本细分至不同地区，以针对地区差异提出相应的政策建议。

2 方法简介与数据说明

2.1 贝叶斯模型平均方法简介

经济理论模型与自然科学模型相比具有极大的开放性，这就导致被解释变量在同一研究主题下可存在多个形式迥异的回归模型，在不断“试错”的过程中寻找尽可能拟合现实经济运行的“真实模型”[11]。传统计量方法需要研究者从众多解释变量中选择部分解释变量，构造一个形式“最优”的回归模型，在一定程度上忽视了模型形式以及解释变量的不确定性问题，也未能在估计参数值时有效地利用其他“次优模型”所提供的信息[12]，即存在模型形式和解释变量的双重“不确定性”。

随着计量模型在经济研究中广泛利用，模型不确定性所导致的矛盾渐显，而贝叶斯模型平均方法(Bayesian Model Averaging，BMA)为解决这一矛盾提供了有益的思路。从理论上来说，贝叶斯模型平均方法首先根据先验信息对一个完备模型中的各解释变量赋予相应的先验概率，进而结合样本数据计算获得各个潜在模型Mi的后验概率，并以此作为判断模型优劣的标准。同时，以后验概率作为权重计算出所有潜在解释变量的后验包含概率，从而分析各解释变量对被解释变量的解释程度。具体来看，假设完备模型涉及K个解释变量的集合为Xi，对这些解释变量进行排列组合可形成2K个不同的单一模型，这些模型均在一定程度上描述了变量之间的关系，只是对被解释变量的解释力度存在一定的差别，各模型的一般形式可表示如下：

Y=α+βXi+εi

(1)

进一步结合实际样本数据yi=(y1，y2，…，yT)T，并假设第i个模型Mi中的先验概率为P(Mi)，则模型Mi为最优单一模型的概率P(Mi|Y)可通过以下公式计算获得：

(2)

在得出P(Mi|Y)之后，随即可以计算出各解释变量回归系数的后验包含概率、后验均值和后验方差。其中，后验包含概率的数值在[0，100]这一区间之内，以其作为评估解释变量解释力度的依据，数值越大则意味着该解释变量对因变量的解释程度越高。

2.2 模型构建及相关数据说明

经典的IPAT模型为阐释人口、财富和环境压力之间的关系而提出，被广泛用于研究人类经济活动对自然环境的影响。本文的被解释变量为雾霾污染(haze)，参照Donkelaar等的方法[13]从卫星遥感数据中提取出中国各省的PM2.5的年均浓度值，具体数据来源于http://sedac.ciesin.columbia.edu/。以铁路和公路里程衡量的交通基础设施建设情况是本文的主要解释变量，以铁路营业里程(railway)和公路里程(road)衡量各省的交通基础设施建设情况，这两个变量能够最为直观地体现政府在交通基础设施方面的投入及成果。本文将可能影响雾霾污染的因素纳入IPAT分析框架中，表1列出了其他解释变量及数据处理过程，构建了形式如下的完备模型：

hazei,t=gdppopi,t+lnlabori,t+lntechi,t+lnenergyi,t+lngspendi,t+lngrevi,t+lnrailwayi,t+lnhighwayi,t+secondi,t+thirdi,t+kpi,t+εi,t

需要特别指出的是，上述形式并非是最优的回归模型，需要通过BMA方法估计各子模型的后验概率，再比较后验概率的大小后才能获得最优模型的具体形式。除haze数据外，所有数据均来自历年的《中国统计年鉴》，样本时间段为2000—2012年。同时，对总量数据做对数化处理，以消除量纲所带来的影响。

表1 模型涉及的解释变量及相关说明

3 实证结果

3.1 全国层面实证结果

由于本文构建的完备模型(非最优模型)共包含11个解释变量，导致可存在211=2048个潜在的单一模型。本文通过“奥卡姆窗口”法估计了各解释变量的后验包含概率以及后验均值，具体结果在表2中列出，同时在表3中列出了后验概率最高的前五位最优单一模型的回归结果。

表2 全国层面的BMA回归结果

注：PIP、PM和PV分别代表后验包含概率、后验均值和后验标准差。

观察表2可以发现，铁路基础设施(lnrailway)的后验包含概率和后验均值分别为91.5和-5.00，说明近年来铁路基础设施的建设在极大程度上缓减了雾霾污染现象，也意味着公共交通基础设施至少在治理雾霾污染方面是一个极为值得鼓励的投资项目。此外，公路(lnroad)的回归结果相对于铁路的回归结果展现出更高的解释力度，其后验包含概率的数值达到了100，且其后验均值为-9.93，导致这一现象的原因可能是随着公路里程的不断增加，既能通过能源的充分燃烧减小污染物质的排放，也能通过运行时间的缩短降低能源损耗，再加上汽车在居民生活中占有极高的比重，从而使得公路在多个方面比铁路更为显著地减少了汽车尾气对环境带来的负面影响。

在其他解释变量方面，以劳动力(lnlabor)衡量的人口因素对雾霾现象有着重要的解释力度，其后验包含概率为100，但其后验均值(18.71)为正则意味着在综合了所有潜在模型的结果后，BMA方法认为人口的增加会强烈地恶化雾霾现象，即使人均收入(gdppop)的提高也未能有效地减低PM2.5浓度。这就意味着，在目前的社会发展水平下，虽然随着人们收入的提高对生活环境有着较高的要求，但这一需求尚未能有效地体现在现实生活中。以国内专利申请授权数(lntech)衡量的技术水平在全国层面上对雾霾污染有着一定的削弱作用，其后验均值为-0.04，但未能展现出较高的后验包含概率(仅为5.6)，未能通过10%的统计性检验，导致这一现象的可能原因在于各地区间存在着一定的差异，是否存在“合成谬误”削弱了其解释能力，需要在更为细分的层面上进一步展开研究。自然禀赋(lnenergy)和投资(kp)对各省的雾霾污染有着不可忽略的影响，其后验包含概率分别为89.4和99.4，在模型中具有较高的解释力度，而两者的后验均值分别为2.42和0.30，这一结果意味着雾霾现象与各省自身的自然禀赋条件有着极为重要的相关性，一些能源大省更易引致雾霾现象的出现。雾霾污染作为一种负面效应极强的劣等品，对其治理离不开政府的作用，无论是政府支出(lnspend)还是政府收入(lngrev)均有效地降低了PM2.5浓度，两者的后验均值分别为-0.30和-0.21。虽然两者的后验包含概率仅为9.8和8.7，对因变量的解释力度尚显微弱，但已在一定程度上接近10的分界值，雾霾治理依然需要政府作为主导力量。在产业结构对雾霾影响的BMA回归结果中，第二产业占比(second)和第三产业占比(third)均对雾霾污染有着较高的解释力度，且两者后验均值的符号相反，这就意味着随着以化石能源为主要动力的第二产业产值占比的增加，将极大程度地恶化雾霾污染。而以“低耗能，高产值”为特点的第三产业可对雾霾治理有着积极的作用，但目前这种正向溢出作用所发挥的影响仍有限，其后验包含概率的数值仅为11.2，略高于临界值10。

表2给出了全国层面上通过BMA方法获得的模型所包含变量的后验包含概率和后验均值，但在具体的单一回归模型中并不需要纳入所有变量。本文进一步在表3中给出了通过BMA方法比较各模型后验概率后获得的前五位最优单一模型的形式及回归结果，这五个模型的形式各不相同但具有一定的相似性，各自包含的解释变量个数分别为7、6、7、6和8。此外，模型1的后验概率值为0.307，远高于其他4个模型的后验概率值0.259、0.062、0.044和0.040，且这五个模型的后验概率总和达到了0.7119(所有模型的后验概率总和为1)，这意味着围绕研究主题可以重点分析这5个模型的回归结果。总体来看，除极个别解释变量在10%和5%的统计水平上显著外，大部分解释变量在1%的统计学水平上显著，且各解释变量在不同模型中的回归系数数值大小和正负符号不存在明显波动。

模型1 共包含7个解释变量，其调整R2的数值为0.4666，表明该模型较好地拟合了观测数据的分布情况，且除常数项外各解释变量的系数回归值均在5%的统计性水平上显著。重点来看，以铁路里程(lnrailway)和公路里程(lnroad)衡量的交通基础设施建设情况有效地缓解了雾霾现象，两者的系数分别为-5.565和-9.908，且均展现出了较高的统计显著性，而第二产业(second)的系数值为0.278，显著为正值，即其在极大程度上恶化了雾霾污染现象。模型2在模型1的基础上，在回归模型中剔除了second这一解释变量对被解释变量的影响，但各解释变量的回归系数并未有显著变动，其调整R2的数值略微下降(0.4592)，但仍具有较好的拟合度。观察模型2的回归结果可以发现，即使不考虑第二产业对雾霾污染的影响，交通基础设施建设对于雾霾治理仍有着极为重要的积极作用，且这种影响是稳健的。模型3将第三产业(third)替换第二产业(second)引入模型中，这种替换并未导致其余解释变量的回归结果出现显著变动，回归结果依旧具有一定的稳健性，但相较于交通基础设施建设，第三产业对雾霾污染的负向作用较弱。模型4在模型1的基础上剔除了自然禀赋的影响，这一变动导致第二产业和铁路基础设施的回归系数有着一定程度的增加，但系数的正负性未有变化，模型所获得结论与前3个模型一致。模型5将政府支出行为(gspend)引入模型1中，该解释变量的回归系数为-3.234，且在1%的统计水平上显著，这一结果意味着政府行为有效遏制了雾霾污染现象，但其在表2中的后验包含概率值较低，表明政府行为在众多影响因素中对雾霾治理所发挥的作用依然有限，需要进一步引导加强。

表3 前五位最优单一模型的回归结果

注：*、**和***分别表示在10%、5%和1%统计水平上显著；括号内为t值。

总体来看，在通过BMA方法挑选出的前五位最优模型中，模型1具有最高的后验概率，其余4个模型均可视为在模型1的基础上微调了部分解释变量。但在交通基础设施建设方面，各模型的回归结果具有一致性，可以认为交通基础设施建设在全国层面上显著降低了雾霾污染，且这一结果具有较高的稳健性。同时，与IPAT模型相关的解释变量也显示出与理论的一致性，人口水平P和财富水平A两个因素对雾霾污染有着较高的解释作用，但技术水平T提升所带来的影响有限，并且第二产业和第三产业对雾霾污染的影响作用也与既有文献的研究结果相一致[14]。这些与理论相符的结果进一步验证了BMA方法在众多解释变量中不仅提取了影响雾霾污染的主要影响因素，更获得了相对准确的回归模型。

3.2 交通模式及地区差异的回归结果

前文采用BMA方法分析了交通基础设施建设对雾霾污染的影响效应，发现公路和铁路里程增长对雾霾治理起着积极的作用，主要从交通基础设施存量的角度衡量其对雾霾污染的冲击作用。一般而言，公路和铁路分别代表了汽车交通模式和公共交通模式，不同交通模式所承担的运输量同样具有重要的现实意义。此外，轨道交通是近年来为缓解城市交通拥堵以及治理环境污染问题所重点发展的项目，其效果如何亦待检验。本文进一步分析客运、货运以及轨道交通建设对雾霾污染的影响效应，并区分不同地区以寻求更为细致的结果。

观察表4可以发现，随着公路运输量的增加，对雾霾污染带来了正向的溢出作用，且客运和货运的后验包含概率均为100，即PM2.5浓度随着公路运输量的增加而增加，这一结果与直观感受相一致。铁路运输则缓减了这一现象，客运和货运量的增加均有效缓解了雾霾污染程度，但这种影响主要集中于客运方面，货运的解释力度尚低。轨道交通有效降低了城市雾霾污染水平，但鉴于只有极少数城市建成了完善的轨道交通设施，其对雾霾的治理作用尚不显著。在区分不同区域后，各解释变量表现出一定的差异，且主要表现在后验包含概率上，即不同交通模式对雾霾污染的解释力存在地区性差异。具体来看，公路运输对各地区雾霾污染有着重要的影响作用，不仅后验均值为正且具有较高的后验包含概率，并呈现出从东往西依次递减的趋势。与公路运输相反，铁路客运和货运的后验均值皆为负数，在一定程度上降低了雾霾浓度，但这种效应在东部地区不显著，两者的后验包含概率仅为4，与中西部地区相比解释程度不高。此外，轨道交通对雾霾治理的作用尚不明显，东部地区由于起步较早且多个城市已建成并投入使用，导致其对雾霾污染具有一定的解释力，但在中西部地区尚未发挥相应的影响效应。仅从雾霾污染治理的角度来看，应当鼓励各地政府重点发展铁路和轨道交通等对环境友好的公共交通基础设施。

表4 交通模式及地区差异的BMA回归结果

注：PIP和PM分别代表变量的后验包含概率和后验均值。

4 结论

本文通过卫星遥感数据提取出2000—2012年中国的PM2.5浓度数据，在IPAT研究框架中采用贝叶斯模型平均方法，从众多影响因素中分析交通基础设施建设对雾霾污染的影响效应。观察BMA方法的回归结果可以发现，在全国层面上，以铁路里程和公路里程衡量的交通基础设施在众多解释变量中对雾霾现象有着不可忽略的影响作用，且交通基础设施建设能够有效缓解雾霾污染，但人口、投资水平、资源结构以及产业结构依然是引致中国雾霾污染的重要因素。同时，相比于依赖公路建设的汽车交通模式引致的可吸入颗粒物排放，以铁路和轨道交通为代表的公共交通模式对雾霾治理有着积极作用，但这种作用主要体现在客运方面，货运量增长所带来的正外部性依然较弱，且各地区存在一定的差异。

结合实证研究结果，本文提出以下几点政策建议及未来研究方向：首先，应加大公路和铁路基础设施的建设，即通过“扩容”缓解交通拥堵问题，减少汽车等交通工具的在途时间，但高速公路和高速铁路等高等级交通基础设施建设对雾霾污染带来的新变化，值得进一步探索；其次，增加既有铁路设施的运输能力，缓解运能不足问题，同时考虑到其建设需要较大的资金和时间成本，难以在短期内起效，不妨考虑增加既有设施的运输能力，即在扩容的同时提高运输效率，特别是通过铁路提速增强货物运输能力，而如何准确衡量交通基础设施效率提升对雾霾的影响效应，也是未来值得研究的方向之一；最后，政府应侧重环保型公共交通基础设施建设，特别是进一步推进铁路电气化、新能源车以及充电桩等设备的普及，促进交通模式转变，鼓励居民选择绿色出行方式。

[1]邵帅,李欣,曹建华,杨莉莉.中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J].经济研究,2016(09):73-88.

[2]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(01):147-160.

[3]LUO Z，WAN G H，WANG C，ZHANG X.Pollution and road infrastructure in cities of the People’s Republic of China[R].ADB Institute Working Paper,NO.717，2017.

[4]马丽梅,张晓.中国雾霾污染的空间效应及经济、能源结构影响[J].中国工业经济,2014(04):19-31.

[5]HAN L，ZHOU W，LI W，LI L.Impact of urbanization level on urban air quality：a case of fine particles(PM2.5)in Chinese cities[J].Environmental pollution，2014，194(7):163-170.

[6]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(05):4-10.

[7]HAO Y，LIU Y M.The influential factors of urban PM2.5，concentrations in China：aspatial econometric analysis[J].Journal of cleaner production，2015，112:1443-1453.

[8]张征宇,朱平芳.地方环境支出的实证研究[J].经济研究,2010(05):82-94.

[9]刘钜强,赵永亮.交通基础设施、市场获得与制造业区位——来自中国的经验数据[J].南开经济研究,2010(04):123-138.

[10]东童童,李欣,刘乃全.空间视角下工业集聚对雾霾污染的影响——理论与经验研究[J].经济管理,2015(09):29-41.

[11]BROCK W A，DURLAUF S N.Growth empirics and reality[J].World bank economic review，2001，15(2):229-272.

[12]RAFTERY A E.Approximate Bayes factors and accounting for model uncertainty in generalised linear models[J].Biometrika，1996，83(2):251-266.

[13]DONKELAAR A V，MARTIN R V，BRAUER M，et al.Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth：development and application[J].Environmental health perspectives，2010，118(6):847-855.

[14]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(09):49-55.

TheEffectsofTrafficInfrastructureonHazePollution——ATestBasedonBMAMethod

Shi Zhenkai

(School of Economics and Management，Southeast University，Nanjing 211189，China)

This paper used the Bayesian Model Averaging method to measure the effects of traffic infrastructure on haze pollution on the basis of the data of PM2.5that monitored by the satellite.The empirical results showed that the transportation infrastructure could effectively reduce the haze pollution phenomenon on the national level，and this effect could also be significant recognized by taking other factors into account.In addition，when considering different traffic patterns，the highway had a great interpretation on haze pollution，and the public traffic infrastructure effectively reduced the haze pollution.This conclusion is unanimous in different regions.

Traffic infrastructure；Haze pollution；Bayesian Model Averaging method

国家社科基金项目(14CJL020)，中央高校基本科研业务费专项资金，江苏省研究生培养创新工程(KYLX16_0174)。

2017-03-17

施震凯(1988-)，男，江苏无锡人，东南大学经济管理学院博士研究生；研究方向：环境规制与环境政策、国际贸易学。

F127、F727、F740

A

(责任编辑 沈蓉)