交通拥堵与空气质量——来自汽车尾号限行的证据

吉 霖, 张伟强, 侯 赢

(1.中民医疗投资股份有限公司，北京 100091; 2.清华大学 五道口金融学院，北京 100083; 3.国家机关事务管理局，北京 100017)

0 引言

空气污染会导致各种社会成本增加。空气污染增加了婴儿的死亡率，缩短居民寿命，引起劳动供给减少，提高居民的日死亡率，造成巨大的经济损失[1～5]。亚洲开发银行的国家环境分析报告[6]指出，中国500个最大的城市中，仅有不足1%的城市达到了世界卫生组织(WHO)的空气质量建议标准，而世界上空气污染最严重的10个城市中，中国占其中7席。尽管在政府的积极治理下，中国城市空气质量总体有所改善，但形势依旧不容乐观，其中大城市的空气污染情况尤其严峻。

与其他污染物相比，可吸入颗粒物对人的影响要更大。它是悬浮在空气中的无机物和有机物、固体和液体的复杂混合物。这些颗粒常根据气动直径加以界定，例如，PM10是气动直径小于10微米的颗粒，PM2.5为气动直径小于2.5微米的颗粒。而PM2.5更具危险性，它可作为细菌、病毒的载体，侵入肺部，被吸入后可直达细支气管壁，干扰气体交换过程，严重影响人体健康。此外，它还导致城市能见度下降；具有更高的酸度，近年来有相对加剧的污染趋势[7]。由于其污染作用往往超过传统大气污染物，世界卫生组织在制定的空气质量准则时将PM2.5作为指示性指标。美国和欧盟分别于2002年和2008年开始监测和公布PM2.5数据。2012年1月21日，北京环境监测中心也开始了对PM2.5的监测。随着阴霾等天气现象频发，一些区域的空气质量严重影响着人们的生活工作。2013年以来，空气污染问题获得了空前的关注，而人们对于PM2.5指标的关心尤为密切。

要改善空气质量所面临的首要问题或许就是厘清空气污染的形成机制和影响因素。可能影响空气质量的因素众多，除自然因素外，人为因素包括工厂排放、汽车尾气、取暖燃煤、秸秆焚烧、鞭炮燃放，甚至是居民做饭。在众多来源中，汽车尾气显得格外引人注意。究其原因，可能是因为，这个因素与大众的生活体验息息相关，也与政府的政策制定紧密相连。因此，交通拥堵是否影响空气质量已成为一个需要研究的重要问题。

现有探讨交通拥堵与空气质量关系的文献，大致可分为两类。一类文献通过环境科学的方法，根据空气污染物成分，解析出主要来源。另一类文献采用经济学的方法，探讨交通限行措施改善空气质量的效果。环境科学领域的文献运用自然科学的方法探讨了我国空气污染的特点和来源。Song等[8]使用2000年北京样本，通过PMF(正矩阵因子)法，进行分析，指出在八种PM2.5的主要来源中，燃煤占19%居首位，而汽车尾气只占6%。Zheng等[9]采集2000年北京样本，利用CMB(化学质量平衡受体模型)法，分析指出土壤灰尘是PM2.5的主要来源，占比20%。Song等[10]使用2004年北京样本，利用PMF法，进行来源分析，指出燃煤是冬季PM2.5的主要来源，二次产物是夏季PM2.5的主要来源。Zhang等[11]采集了2009至2010年北京样本，利用PMF法解析出PM2.5的六个来源，其中工业污染占比28%，而汽车尾气影响小于4%。于娜等[12]利用CMB法对北京PM2.5中的有机碳(OC)成分进行了来源分析，结果表明机动车和燃煤排放是OC的主要来源，且有加剧趋势。汪婷和谢绍东[13]从环境科学的角度，运用OSPM模型，指出街道形状对空气污染有影响，交通限行可能降低一次污染物浓度，但二次污染物浓度可能上升。

现有环境科学领域文献为我们描述了很多我国空气污染的特点，但就回答来源问题而言，尚存在一些局限和不足：首先，从环境科学角度出发的文献，多依赖于模型的假设。空气污染源种类繁多，一次污染后相互作用交错复杂，此外，空气质量也与街道形状、气象指标、城市发展息息相关，这些因素都增大了模型给出准确评估的难度。其次，现有文献中的分析结果并未达成一致共识，对汽车尾气影响的估计因选择不同的分析方法、不同季节和同城内不同观测点等波动很大，很难为制定相关政策提供稳健的依据。最后，通过自然科学的方法得到的汽车尾气占比是存量化的。而制定相关政策时，如决策是否应推行交通限行政策时，更需计算的是限行所带来的汽车数量的减少对空气质量的增量影响。

目前经济学领域的文献也对交通拥堵和限行措施问题有所涉猎。研究交通拥堵的文章，很多以理论分析为主，运用中国数据进行严谨实证分析的文章较少。近年来，随着一系列发展中国家面临越来越严重的交通拥堵问题，不少国家纷纷采取了交通限行措施，这为经济学家们研究交通与环境的问题提供了契机。Davis[14]指出墨西哥城交通限行政策并未改善空气质量。Viard and Fu[15]利用日度数据，分析指出北京的限行政策降低了空气污染程度。Percoco[16]认为意大利米兰的交通拥堵治理措施在实施后几天内起到了改善空气质量的作用，但该作用随后消失。Lin等[17]比较了巴西圣保罗、哥伦比亚波哥大、中国北京、中国天津四个城市的交通限行效果，指出特定时段的交通限行会使人们在非限行时段更多出行，避免空气污染物的集中排放。Chen等[18]检验了北京奥运会举办前后空气质量变化，指出奥运会期间北京空气质量有短暂改善，改善的原因主要来自工厂关闭和交通限行。邱兆祥和刘帅[19]利用长期数据，并用天津市作为对照样本，指出机动车限行改善了北京空气质量。赵峰侠等[20]运用汽车全生命周期方法，指出限行的环境收益不敌巨额经济成本。

经济学领域的研究很好地利用了社会生活中自然实验的作用，为我们认识交通拥堵与空气质量关系问题提供了全新的视角。然而，现有评估限行效果的经济学文章中，多选择较长时间窗口，在限行实施前后几年内，探讨限行对空气质量的影响。在这样较长的时间内，很多变量都发生了变化(例如，新增汽车数量的增加甚至超过最初单日限行汽车数量，城市轨道交通的变化，出租车数量和收费机制的变化，新商业楼盘和居民区的建造，工厂排放政策和能源结构的变化，居民做饭和取暖时所用能源的变化，周边区县焚烧秸秆的治理等等)。于是，对应到回归模型中，与限行措施实施之初比较，空气质量的改善变得不再明显。而且，这样的比较是一种绝对值的比较，可能并不适当。研究限行措施的必要性时更需回答的问题是，在其他条件不变的情况下，限行措施的实施是否改善了空气质量。现有文献中所尝试的，用远离主路的观测点作为靠近主路的观测点的对照组，用天津市作为北京市的对照组等方法，或许不能完全控制其他变量的变化，不能很好地解决上述问题。因此，交通拥堵是否影响空气质量是一个亟待更多实证检验的问题。

本文采用经济学的实证方法，利用限行的自然实验和独特的尾号4现象(每当限行尾号含有4时，交通异常拥挤)，通过双重差分，对上述问题进行了较为严谨的探讨。通过对2013年4月11日到2013年12月23日北京35个观测点的逐时PM2.5浓度数据，进行双重差分检验，滤除大量干扰因素，分析结果更加可靠。结果表明，在控制其他变量后，相较于限行尾号非4和9的工作日中由交通非繁忙时段到繁忙时段的变化趋势，限行尾号为4和9的工作日中由交通非繁忙时段到繁忙时段PM2.5浓度显著升高更多，相对升高幅度为7.666微克/立方米，约占PM2.5浓度均值的9.46%。各类稳健性检验也支持此结论，此外，我们利用三差法理念，使用五环内外政策差别所进行的安慰剂检验，进一步支持了上述基本结论。因此，我们认为，交通拥堵对空气质量确有显著影响。

本文与以往文献主要存在以下不同之处：第一，将独特的尾号4现象引入实证检验，提供了一个很好的衡量交通拥堵的指标；第二，采用了双重差分的检验设计，很好的控制了其他变量的影响，使结果更加严谨可信，为自然科学领域的空气污染来源研究提供了必要补充；第三，与大部分已有经济学文献不同，我们以PM2.5为主要观测指标，PM2.5与其他指标相比，更符合科学机构对不同污染物危害程度的研究成果，更符合各国监测机构的最新重点，也更符合社会生活中人们的普遍关注。

本文的内容将如下开展：第二部分介绍了北京市工作日高峰时段区域限行交通管理措施，提出了独特的尾号4现象；第三部分展示了文中所采用的数据与关键变量；第四部分具体阐述了模型设定和检验设计；第五部分列示了基准回归、安慰剂检验和稳健性检验的实证结果；第六部分总结。

1 实验设计

(1)空气质量

本文考察的空气质量指标是PM2.5(微克/立方米)指标，观测数据来自北京市环境保护检测中心相关网站。我们收集了2013年4月11日至2013年12月23日北京35个观测点(其中22个观测点在五环以内，13个观测点位于五环内)的每小时数据。另外我们从中国气象台收集了2013年4月11日至2013年12月23日的气象逐时数据，变量包括气温(摄氏度)、风速(公里每小时)、风向、降水、湿度(%)和气压(百帕)等。PM2.5和气象数据的描述性统计分别见表1和表2。

(2)交通拥堵

2008年10月11日以来，北京连续实施了多阶段的工作日高峰时段区域限行交通管理措施，意在缓解交通拥堵，减少空气污染。各阶段管理措施的具体细则和配套要求略有区别。2013年3月29日，北京市人民政府发布通告，自2013年4月11日至2014年4月10日继续实施限行交通管理措施。主要措施如下：(1)北京市行政区域内的公务用车按车牌尾号每周停驶一天(0时至24时)，停驶范围为全市行政区域内道路；(2)北京市其他机动车按车牌尾号每周一个工作日高峰时段停驶，限行时间为7时至20时，范围为五环路以内道路(不含五环路)；(3)将限行车牌尾号分为五组，每个工作日限行一组，每13周轮换一次限行日。

表1 PM2.5和气候观测的描述性统计

表2 风向的描述性统计

随着限行措施的实行，北京的道路上出现了一个有趣的现象：每当遇到限制尾号为4和9的工作日，交通异常拥挤。这个尾号4现象是出租车司机师傅的共识，也常在交通广播中被提及。这一现象可能与中国的传统文化习俗有关系。一些人认为数字4的谐音不吉利，从而尽量回避尾号为4的车牌。于是车牌尾号为4的车的数量相对而言非常少。在限制尾号为4和9的当天，基本上只限制了尾号为9的车[21]，所以比起限制其他尾号的工作日，限制尾号为4和9的当天显得异常拥堵。

此外，2010年10月20日之后，北京交通管理局取消了“十选一”自动选牌环节候选车牌中所有包含数字4的车牌——即所有新车牌号都不包含数字4。对于喜欢含有数字4车牌的车主，可选择自编号牌。这样的做法，既是对过去尾号4车牌总被回避的反应，也是此后尾号4车牌将继续维持数量较少的原因之一。Viard and Fu[15]在以北京四环内某停车场为样本，统计了不同尾号的车辆数量，结果显示，尾号为4的车牌数量确实大大低于其他尾号车牌数量。该抽样统计结果也佐证了本文所述的尾号4现象。

尾号4现象为本文提供了一个独特的衡量交通拥堵的指标。这个指标是相对外生的，独立于工厂排放、居民日常生活排放等其他影响空气质量的因素。此外，限行措施中限行4和9的工作日定期轮换。该轮换机制去除了不与此轮换频率一致的其他因素的干扰。2013年限行车牌尾号轮换规定见表3。

表3 汽车限行尾号顺序限

(3)实验设计

本文的实证检验部分主要使用了双重差分，以有效过滤各种非交通因素对空气质量的影响。双重差分要求包含两个差别，在本文中，第一个差别是指限制尾号4和9的工作日与其他工作日之间的差别，可将限行尾号为4和9的工作日视为控制组，其他工作日视为对照组；第二个差别指交通繁忙时段与非交通繁忙时段之间的差别。具体而言，在基准回归中，选取早7点至早10点为交通繁忙时段，早3点到早6点为非交通繁忙时段。在限行尾号为4和9的工作日，且在限行时段内(交通繁忙时段包含在限行时段内，而非交通繁忙时段在限行时段外)，交通异常拥挤，此处两个差别的设计正是利用了这独特的尾号4现象。透过这两个差别，可以较为纯粹的识别出交通拥堵，过滤掉其他因素对空气质量的影响。

双重差分的含义可以通过作图的方式更直观的表现出来。图1描述了五环内PM2.5逐时变化情况。其中，实线代表限行尾号为4和9的工作日样本，虚线代表限行尾号为其他数字的工作日样本。从图1中可以看到，在五环内，限行尾号为4和9的工作日中，进入交通繁忙时间段后(早7点至早10点)PM2.5明显上升，即实线在早7点之后明显上升；而限行尾号为其他数字的工作日中，进入交通繁忙时间段后(早7点至早10点)PM2.5并无明显上升表现，即虚线早7点之后较为平稳，并无上升趋势。将两条线的变化趋势做一对比，可以看出，与限行尾号为其他数字的工作日中的逐时变化趋势相比，限行尾号为4和9的工作日中进入交通繁忙时段后PM2.5明显上升更多。

为什么更简单的比较不可取，一定要通过双重差分的两层比较，才能得到较为准确的结果呢？这个问题可以分两步考虑。第一，若简单用实线的后半段(早7点之后)与虚线的后半段(早7点之后)相比，诚然，实线在虚线之上，即限行尾号为4和9的工作日比其他工作日的早高峰时段PM2.5浓度更高，但这并不必然导出交通拥堵恶化空气质量的结论。原因是，这样的比较忽略了实线与虚线的基础水平不同的事实，即忽略了限行尾号为4和9的工作日与其他工作日可能存在其他不逐时变化的固有差别的事实。因此直接比较实线后半段与虚线后半段，不能排除限行尾号为4和9的工作日与其他工作日之间的固有差别(除限行导致的尾号4现象外)。第二，若简单用实线的后半段(早7点之后)与实线的前半段(早7点之前)比较，诚然，实线的后半段比前半段相对上涨，即限行尾号为4和9的工作日中早高峰开始后比早高峰开始前PM2.5浓度更高，但这并不必然导出交通拥堵恶化空气质量的结论。原因是，虽然交通情况变化是早高峰开始后与非早高峰开始前这两个时段间的重要变化，但是除了交通情况变化之外，还有大量可能影响空气质量的因素也在这两个时段间发生着变化。例如，居民开始活动、工厂开始排放、做饭频数增加等等。因此，直接比较实线的后半段与前半段，并不能排除交通因素外固有的逐时变化趋势的影响。

图1 限行尾号为4和9的工作日与其他工作日PM2.5逐时变化对比

注：图中显示的是所有限行尾号非4和9的工作日与限行尾号为4和9的工作日进行比较。如果将限行尾号非4和9的工作日拆分为限行尾号为5和0、限行尾号为1和6、限行尾号为2和7、限行尾号为3和8四组工作日，分别与限行尾号为4和9的工作日进行比较，所得结果与上图一致。

而双重差分则可以较好的解决上述问题。具体而言，双重差分先令两条线的后半段分别与自身的前半段做差，即，实线的后半段与实线的前半段做差，虚线的后半段与虚线的前半段做差。假定限行尾号为4和9的工作日与其他工作日之间的除尾号4现象外的固有差别在早高峰前后的短短几小时内基本维持不变，则同一条线上后半段与前半段的差值去除了两类工作日除尾号4现象外的固有差别的影响。进而，双重差分令实线后半段与前半段的差值，减去虚线后半段与前半段的差值，得到倍差。假定交通因素外的固有逐时变化趋势在两类工作日间没有明显差异，则倍差去除了交通因素外固有的逐时变化趋势的影响。因此，经过两层比较后所得到的倍差，恰能过滤大量其他可能影响空气质量的因素，正好捕捉到交通拥堵对空气质量的影响。上文依托图1描述的双重差分过程仅供直观说明，较为粗略，而具体双重差分的计量模型见下公式1：

PM2.5=α+β1Restrict49+β2BusyTime+β3Restrict49×

BusyTime+MonthFixedEffect+WeatherControl+ε

(1)

其中，PM2.5每小时浓度观测为因变量。Restrict49是哑变量，当该工作日限制尾号4和9时为1，其他工作日为0。BusyTime为哑变量，当该小时处于交通繁忙时段时为1，处于非交通繁忙时段时为0。在控制变量方面，北京四季分明，尤其在入冬之后，居民取暖或可对空气质量产生重要影响，因此，模型中引入了月度的固定效应，用以控制不同月份空气质量影响因素不易观测的变化。此外，空气质量与各气象因素联系紧密，因此，模型中控制了风速、风向、降水、气温、气压和湿度。

在本文的基准回归中，我们运用北京市13个五环内观测点的数据，使用上述模型设定，来估计交通拥堵对空气质量的影响。如上文所述，在基准回归中，选取早7点至早10点为交通繁忙时段，早3点到早6点为非交通繁忙时段。公式(1)中交叉项前系数β3是我们最关心的系数，它表示了双重差分下交通拥堵对空气质量的影响程度。而上文所述的图1中的经两层比较得到的倍差恰恰是式1中交叉项前系数β3的直观表现。当然，需要说明的是，由于图中并未控制气象因素和月度固定效应变量等，图1中的结论较下文即将报告的回归结果而言仍略显粗糙。在基准回归的实证结果中，若β3显著为正，则表明，限行尾号为4和9的当天与其他工作日相比，交通繁忙时段比非交通繁忙时段PM2.5显著升高更多，即交通拥堵确实是空气质量变差的重要影响因素。

下面就检验设计中的三个特殊问题，逐一说明如下：(1)为什么在选取早7点至早10点为交通繁忙时段情况下，要选择早3点至早6点为非交通繁忙时段进行对照？这里的设计借鉴了断点回归的理念，让控制组和对照组尽量保持连续，这样可以减少其他变量的变化，以免干扰检验结果。因此，在给定早7点至早10点为控制组的情况下，选择早3点至早6点作为对照组比选择早1点到早4点作对照组更为适当；(2)为什么定义交通繁忙时段时，刻意去掉了早6点至早7点的区间？这个区间处在过渡阶段，较难定义。举例来说，虽然对于大多数上班族，早7点之后才开始开车上班，但是有些居民会为了方便在早6点就开始出门，7点前到单位，晚上8点限行解除以后再回家；(3)为什么选取早高峰时段，而不是晚高峰时段？诚然，根据限行政策的相关规定，从理论上说，晚高峰结束前可作为控制组，而晚高峰结束后可作为对照组。但是，晚高峰比早高峰更难界定，人们的出行行为在晚高峰时段表现得差异更大，所谓晚高峰可能被稀释。因此，为了保证检验的有效性，本文选取了早高峰进行实证分析。

2 实证结果

本文的实证检验分为三个步骤：基准回归、安慰剂检验(Placebo Test)和稳健性检验。其中，基准回归讲述了本文的基本故事和结论，为后续检验提供了一个对照基准；安慰剂检验将北京观测点范围从基准回归中的五环内换成了限行强度较弱的五环外，若所得结果符合预期(下文将详细阐述)，则可进一步增强基准回归中结论的可信度；稳健性检验从基准回归出发，通过剔除样本异常值、改变变量取值、增加控制变量、以及引入稳健性残差等方式，验证本文基本故事和结论的稳健度。

(1)基准回归

表4展示了基准回归的结果。第一列是未加入气象控制变量和月度固定效应的回归结果，第二列是加入气象控制变量和月度固定效应之后的回归结果。我们最感兴趣的是交通拥堵日(限行尾号为4和9的工作日)与交通繁忙时段(基准回归中是早7点到10点)的交叉项前的系数。在第一列中该系数的点估计为7.813，第二列中该系数的点估计为7.666，均在1%的水平下显著。这意味着，在控制了其他变量后，限行尾号为4和9的当天与其他工作日相比，交通繁忙时段比非交通繁忙时段PM2.5显著多升高7.666微克/立方米(以第二列为例)，约占PM2.5浓度均值的9.46%(9.46%=7.666/81，其中81为表2中所示的本文样本内PM2.5浓度均值)。因此，交通拥堵确实是空气质量变差的重要影响因素。除交叉项外，表4中也展示了各气象指标对空气质量的影响。如第二列所示，在其他变量不变的情况下，若风速增加1公里/小时，则PM2.5浓度下降0.713微克/立方米；如该小时内存在降水，则PM2.5浓度下降27.42微克/立方米；若气温升高1摄氏度，则PM2.5浓度上升3.982微克/立方米；若气压升高1百帕，则PM2.5浓度上升0.614微克/立方米；若湿度增加1个百分点，则PM2.5浓度增加1.854微克/立方米。

表4 基于五环内空气质量观测站点的基准回归

注:***，**，*分别表示在1%，5%，10%的水平下显著。

(2)安慰剂检验

根据限行措施，在尾号限行日，公车全市范围内限行，而非公车在五环内限行。这意味着五环外也会受到限行政策的影响，但是强度比五环内弱。据此推断，用尾号4现象衡量的交通拥堵对空气质量的影响在五环内更为明显，在五环外虽然也会观测到交通拥堵对空气质量的影响，但是影响幅度较小。这一五环内外的政策差异为我们的提供了极好的双重差分中两个差别之外的第三个差别。因此，本文利用了三差法的理念，构建安慰剂检验，选择22个五环外观测点作为样本，使用与基准回归中类似的模型设定，将所得的安慰剂检验实证结果与基准回归中的结果两相比较，若相应的β3为正但数值小于基准回归中的对应系数，则基准回归中的结论将得到进一步验证。

表5 基于五环外空气质量观测站点的安慰剂检验

注:***，**，*分别表示在1%，5%，10%的水平下显著。

表5列示了安慰剂检验的实证结果。同样，第一列是未加入气象控制变量和月度固定效应的回归结果，第二列是加入气象控制变量和月度固定效应之后的回归结果。我们最关心的仍是交叉项前的系数，但此时我们不仅关注该系数的绝对数值，更关心该系数与基准回归中对应系数的对比结果。在第一列中该系数为3.303，但不显著；第二列中该系数为3.461，在10%的水平下显著。表5中的交叉项系数为正，但其点估计值和显著性都小于基准回归中的对应系数(基准回归的结果反映在表4，其中第一列中交叉项前系数为7.813，第二列中交叉项前系数为7.666，均在1%的水平下显著)。这样的结果与第五部分中所述的预期一致。因此，表5利用五环内和五环外观测点的差别，进一步支持了基准回归中的结论。

(3)稳健性检验

在稳健性检验中，我们以基准回归为标尺，通过四种不同的方式验证基准回归中结论的稳健性。第一种方式中，我们在样本中剔除了天气异常值；第二种方式中，我们在维持其他设定不变的情况下，变换了基准回归中交通繁忙时段的定义：定义早7点至早9点为交通繁忙时段，早4点至早6点为非交通繁忙时段；第三种方式中，我们向基准回归的模型设定中加入了观测点固定效应；第四种方式中，将稳健性残差引入了基准回归的回归方程。在表6的稳健性检验中，我们剔除了样本中的极端天气值。风速大小和是否降水常被认为是决定空气质量的关键性因素。剔除当天3点到10点内风速较大(微风级别以上)和存在降水的观测值后的检验能够更好的体现出基准回归中结论的稳健性。具体而言，表6中第一列剔除了风速异常值，即，若该日样本期间内某观测点的平均风速>=20km/h(微风级别以上)，则剔除该观测点该日所有观测；第二列剔除了降水异常值，即，若该日样本期间内某观测点有降水(降水量不为0)，则剔除该观测点该日所有观测；第三列同时剔除了风速异常值和降水异常值。表6各列中交叉项前系数均为正，且均在1%的水平下显著。这进一步支持了基准回归中所得结论。

表6 剔除天气异常值后的稳健性检验

注：剔除风速异常值是指若该日样本期间内某观测点的平均风速>=20km/h(微风级别以上)，则剔除该观测点该日所有观测；剔除降水异常值是指若该日样本期间内某观测点有降水(降水量不为0)，则剔除该观测点该日所有观测。***，**，*分别表示在1%，5%，10%的水平下显著。

表7 定义早7点至早9点为交通繁忙时段的稳健性检验

注:***，**，*分别表示在1%，5%，10%的水平下显著。

表7进行了针对交通繁忙时段选取的稳健性检验。在基准回归中，我们选取早7点至早10点交通繁忙时段，与之对应的，早3点至早6点为非交通繁忙时段。在表7的稳健性检验中，我们选取早7点至早9点为交通繁忙时段，早4点至早6点为非交通繁忙时段。同样，第一列是未加入气象控制变量和月度固定效应的回归结果，第二列是加入气象控制变量和月度固定效应之后的回归结果。我们最关心的仍是交叉项前的系数。在第一列中该系数为6.389，在10%的水平下显著；第二列中该系数为7.719，在1%的水平下显著。这进一步验证了基准回归中得到的结论。

表8加入了观测点固定效应，进行稳健性检验。加入观测点固定效应的好处是，可以更精准地将同一观测点的不同小时内的情况进行比较。表8中模型设定和基准回归基本一致，不同之处仅表现在加入了观测点固定效应。这里我们关心的仍是交叉项前的系数。在第一列中该系数为7.813，第二列中该系数为7.638，均在1%的水平下显著。这进一步验证了基准回归中得到的结论。

表8 控制空气质量观测站点固定效应的稳健性检验

注：***，**，*分别表示在1%，5%，10%的水平下显著。

在表9中，我们在基准回归模型设定的基础上，加入了稳健性残差的考虑，其结果同样支持基准回归中的结论。

3 研究结论

空气质量问题与居民日常生活休戚相关，受到了越来越多的关注。在各种空气污染源的争议中，有一个问题显得愈发重要，但又远未达成共识——交通拥堵是否是空气污染的重要因素？空气污染来源多样，交通拥堵不易衡量，这些都增加了准确回答上述问题的难度。本文尝试提供更为严密的证据，分析交通拥堵对空气质量的影响。北京市实施工作日高峰时段区域限行交通管理措施以来，出现了限行尾号为4和9的当天路上异常拥堵的现象，这种独特的尾号4现象提供了一个很好的衡量交通拥堵状况的指标。

表9 控制稳健性残差的稳健性检验

注：***，**，*分别表示在1%，5%，10%的水平下显著。

我们搜集了北京35个观测点的PM2.5逐时数据，使用双重差分进行实证检验，这样的检验设计滤除了其它大量因素的干扰，分析结果更加可靠。结果表明，在控制其他变量后，相较于限行尾号为其他数字的工作日中非交通繁忙时段到交通繁忙时段的变化趋势，限行尾号为4和9的工作日中非交通繁忙时段到交通繁忙时段PM2.5浓度显著多升高7.666微克/立方米，相对升高幅度约为PM2.5浓度均值的9.46%。针对不同交通繁忙时段选择或不同区域选择进行的稳健性检验也支持此结论。因此，交通拥堵对空气质量确实有着显著影响。该结论通过了各种稳健性检验，此外，我们利用三差法理念，使用五环内外政策差别所进行的安慰剂检验，进一步支持了上述基本结论。

针对本文基准回归的基础结论中所提到的9.46%的数值，在此对其含义做进一步解释。诚然，某种意义上说，9.46%可直观的理解为交通拥堵对PM2.5浓度的影响程度，但在解读中需注意以下几点。首先，本文中交通拥堵的影响不等同于交通排放或汽车尾气的影响。根据本文的检验设计可知，本文用独特的尾号4现象所衡量的交通拥堵是一个增量的概念，而交通排放或汽车尾气是一个总量的概念，并不相同。如若用于评估类似限行等人为干预措施的影响，增量概念可能更为恰当。其次，在交通不拥堵的情况下和交通拥堵的情况下，单位车辆排放对于PM2.5浓度的边际影响可能并不相同。换言之，随着交通拥堵情况恶化，单位车辆对于空气质量的负面作用可能呈类指数状增长。由于车辆数量对于空气质量的影响可能是非线性的，因此，如欲根据交通拥堵的增量影响，推算交通因素的总量影响，则需加谨慎。再者，计算上述数值时，本文选取的分母为样本期内PM2.5浓度均值。由表2的描述性统计可以看出，本文样本期内PM2.5浓度的波动较大。因此，若改变计算时分母的选择，则估算结果可能会产生一定程度的变化。最后，为了检验中能有效过滤其他影响因素，得到更准确的估计，本文选取了早高峰开始前和早高峰开始后两个时段进行比较，如欲将所得估计结果进行延拓，则需加谨慎。

本文提出的主要问题是交通拥堵对空气质量的影响，由于利用了交通限行所带来的尾号4现象，所以看似部分分析了交通限行改善空气质量的效果。从一方面来说，本文对限行政策影响的分析是严谨准确的，例如，在本文的基准回归中，我们采用了双重差分，加之限行尾号工作日轮换机制，使本文能够很好的控制其他变化的因素，纯净而有效的考量限行政策对空气质量的影响。而从另一方面说，本文对限行影响的评估可能远非全面，我们并未考虑交通限行实施后，人们行为的改变(例如，更多人选择在周末出行等)所带来的非限行日空气质量可能的恶化，也未进一步考虑这种行为改变是否避免了空气中污染物的过分聚集，产生空气质量平滑的效果，以及平滑空气质量会怎样改变社会的整体效用。当然，如果希望全面评估交通限行政策，则应不仅关注空气质量的变化，也需衡量交通运输效率，劳动力供给等各方面的收益和成本。这些课题有待在后续研究中继续探讨。