技术创新对省域雾霾污染的空间效应研究

王素凤，唐艺轩

(安徽建筑大学 经济与管理学院，安徽 合肥 230601)

根据《2019全球空气状况》报告，2017年全球室外和室内空气污染导致人均预期寿命缩短达20个月。世界卫生组织(WHO)发布的全球空气质量报告表明中国每年近200万过早死亡病例与环境和室内空气中细颗粒物造成的污染有关。对雾霾问题的治理已是箭在弦上。科学技术的进步与创新是经济发展和社会进步的核心因素，对雾霾的治理起到关键作用。

一、文献回顾

造成雾霾天气频发的原因有自然和经济两方面影响因素，而从研究对象角度深入探究城镇化、对外开放、产业结构、产业集聚等影响因素与雾霾的关系，都被强调了技术创新在其中的内在作用和关键属性。根据Hansen和Birkinshaw提出来的创新价值链的概念，创新是从创新要素投入到创新产品产出的一个多阶段、多要素的价值链传递过程[1]。因此，本文将创新过程分解为偏向基础研究的知识创新阶段、偏向应用研究创新阶段和偏向生产研究的产品创新阶段。因为知识创新阶段对雾霾污染的直接影响难以估计，故本文对研发创新和产品创新这两阶段创新进行了研究。在研发创新阶段，技术创新会提高生产率促成规模效应和开发出清洁技术；在最终产品创新阶段，产生的节能技术和开发的新能源，会降低终端能源的消耗水平。

学者在论证技术的进步与创新对环境污染影响采用的方法不尽相同，主要分为联立方程、面板协整、门槛回归模型、空间计量等。也因研究方法、数据选取的区别存在不同的研究成果，主要分为四种观点：第一种，技术水平进步对于环境污染排放具有抑制作用：提升自主创新能力可对减霾的效果有提升[2]。第二种，与第一种持相反观点，专利对环境污染排放具有显著的正向影响[3]。第三种，以环境库兹涅茨曲线为框架证明技术创新对环境污染排放的影响存在“倒U型”曲线关系[4]。第四种，认为技术创新是多向的，孙军等认为只有资源节约型的技术创新才能真正的对改善环境污染起到积极作用[5]。

综上所述，现有研究关于技术创新对环境污染影响的实证结论尚未达成一致，且大部分是将技术创新用以辅助研究其他主要因素对雾霾影响的。基于此，本文试图做出以下边际贡献：

第一，基于创新价值链视角，考虑到技术创新全过程，结合知识创新阶段很难直接实现对雾霾污染产生影响，本文着重将技术创新作为重点，对研发创新和产品创新两个阶段作为影响雾霾污染的因素进行分析。

第二，不同地区的技术创新水平可能对雾霾污染的作用产生空间分异。研究两者的空间格局，可以分析空间聚集情况，发现两者的空间分异，从而协调两者的空间均衡，从技术创新角度对雾霾治理进行全域推进。因此，本文从空间相关性角度研究不同省域技术创新和雾霾污染的空间特征。

二、研究方法

1.空间相关性指数

为了解释地区PM2.5污染的空间相关性，主要采用全局相关性检验与局部相关性检验。全局相关性检验常用于分析空间数据的分布特征。而局部相关性检验是分析局部区域相关性。本文将采用MoranI指数来进行测度，诠释出每个个体局部区域的特征。

2.理论模型

技术创新能改善环境污染已在学界取得共识。Dietz与Rosa[6]在IPAT模型的基础上建立了STIRPAT模型。同时，结合EKC曲线理论，即环境水平会随着经济增长由恶化后慢慢好转，呈现倒U型曲线，将经济增长分解为一次项、二次项。

3.空间模型

变量的空间相关性不但体现在当期地区间的相关影响，而且还可能受到来自地区间之前对应行为的影响。空间计量模型常用的两种模型包括空间滞后模型(SLM)和空间误差模型(SEM)，前者是讨论变量在一个地区是否存在空间溢出效应，后者讨论邻近区域关于因变量的误差冲击对本地区观测值的影响程度。

4.模型构建

分别构建相应的空间计量模型SLM和SEM，考虑到多重共线性问题，我们分别建立以下模型，如(1)—(4)式所示：

模型一：

lnPMit=α0+ρΣjwijlnPMit+α1lnRDit+α2lnPOPit+α3lnGDPit+α4ln2GDPit+ΣαilnXit+εit

(1)

lnPMit=α0+α1lnRDit+α2lnPOPit+α3lnGDPit+α4ln2GDPit+λwijεit+μit+ΣαilnXit

(2)

模型二：

lnPMit=α0+ρΣjwijlnPMit+α1lnEFFit+α2lnPOPit+α3lnGDPit+α4ln2GDPit+ΣαilnXit+εit

(3)

lnPMit=α0+α1lnEFFit+α2lnPOPit+α3lnGDPit+α4ln2GDPit+λwijεit+μit+ΣαilnXit

(4)

其中，PM是PM2.5，RDit表示研发创新阶段，EFFit表示产品创新阶段，α是常数项，ρ是空间滞后系数，w表示空间权重矩阵，使用省际距离来表示，当i=j时，矩阵元素wij=0；λ是空间误差自相关系数；Xit为其他控制变量，εit和μit代表随机误差项，μit服从正态分布(0，б2)；

三、变量选取及数据来源

1.变量选取

(1)被解释变量

PM2.5(PM)。由于中国部分城市的PM2.5浓度数据统计始于2012年，在此之前的数据无法获取。本文PM2.5数据来源于达尔豪斯大学Atmospheric Composition Analysis Group，数据编号V4.CH.02[7]。本文利用ArcGIS处理得到中国各省2006—2016年的PM2.5浓度值。

(2)解释变量

技术创新(RD、EFF)。技术创新的演变，无论是从初期依靠消耗资源提高生产率的生产技术创新，到低碳技术、到绿色清洁技术的环境治理技术创新，都是提高环境质量的关键环节。根据创新价值链概念，创新过程是一个从知识创新到研发创新再到产品创新的过程。在研发创新阶段，创新主体为科研机构和企业，专利数能够反映研发创新产出的真实水平以及创新潜力，本文采用每百人研发从业人员拥有专利授权数度量。在产品创新阶段，创新主体为企业，节能减排技术越高、能源利用率越高，因资源浪费造成的雾霾污染就越少。因此，我们参照刘伯龙等[8]的做法，采用单位能源消费的GDP，用能源效率衡量，能源效率以GDP(基期=2006)与能源消费总量的比表现，单位为元/吨标准煤。

(3)控制变量

人口规模(POP)。人口规模决定了整个地区能源消耗和污染物排放。本文采用指标为人口密度，即单位面积人口数量。

经济发展水平(GDP)。一般而言，地区的产出水平与其经济发展规模高度正相关，本文采用人均实际GDP，各地区生产总值/年末人口(以2006年为基期，采用各地区历年GDP平减指数进行折算得到各地区实际可比价GDP。)测度经济发展水平。

产业结构(IS)。由于第一、三产业对于雾霾污染的影响作用较小，而雾霾的四大“元凶”之二，工业生产、扬尘主要来源于第二产业，因此，本文选取包含工业和建筑业的第二产业增加值占GDP的比重来反映产业结构对雾霾浓度的影响。

交通运输(PT)。公路交通运输中机动车尾气排放加重了雾霾程度，2013年PM2.5的构成比例中，机动车尾气排放占比超过50%，且仍在大幅增加。因此，本文参考严雅雪等[15]利用各省公路客运量来考察交通因素对雾霾浓度的影响。

外商直接投资(FDI)。外商投资究竟是通过污染产业转移造成中国成为“污染天堂”，还是环境技术溢出造成的“污染光环”，已有研究表明外商投资影响雾霾污染的结论并不一致。本文采用外商直接投资额作为研究变量。

2.数据来源及数据处理

本文中样本选取2006—2016年中国30个省级行政区的面板数据构成(因部分数据缺失及统计口径差异，故不包括香港、澳门、台湾和西藏自治区)。除了PM2.5数据以外，有关变量的基础数据来源于《中国统计年鉴》《中国科技统计年鉴》《中国工业统计年鉴》《中国能源统计年鉴》以及国家统计局网站，为避免数据不平稳造成估计结果偏差，将变量进行对数化处理。

四、结果与讨论

1.全局自相关性分析

使用GeoDA软件，采用邻接空间权重矩阵为“queen”相邻，得出2006-2016年间PM2.5、研发创新(RD)和产品创新(EFF)排放污染的全局MoranI指数，表1显示，在1%的显著性水平下，PM2.5和产品创新(EFF)全局MoranI指数均大于0而小于1，研发创新(RD)也在大部分年份通过了5%的显著水平。这充分表明，临近地区的PM2.5、研发创新(RD)和产品创新(EFF)存在明显的空间相关性。进一步分析结果表明，PM2.5和产品创新(EFF)这种正向相关性均在0.5左右波动，研发创新(RD)在0.2左右波动，说明这种空间相关性相对稳定且处在较高水平。所以，可以采用空间计量方法加以估计。

表1 PM2.5、研发创新和产品创新的全局MoransI指数

注：***、**和*分别表示在1%、5%和10%的显著性水平下显著

2.局部相关性分析

除了全局性空间性，Anselin认为作为可视性工具的MoranI指数散点图可以反映局部地区的非典型性特征，能够直观的显示空间自相关的状况[10]。

图1给出了代表年份2011年PM2.5、研发创新和产品创新分布的散点图，从左至右三张图的横轴分别是PM2.5浓度值、RD值和EFF值，纵轴分别是PM2.5浓度值的空间滞后值、RD滞后值和EFF滞后值，以平均值为轴中心将每张图分为四个象限，一至四象限分别为高-高、低-高、低-低、高-低集聚模式。由图1看出，高值集聚和低值集聚同质性现象是PM2.5、研发创新和产品创新分布的特征表象。

图1 2011年PM2.5、研发创新(RD)和产品创新(EFF)分布的散点图

根据分析可以得知，PM2.5和研发创新中，除了2012年PM2.5浓度以外，其他年份第三象限省份占比明显高于其他象限，PM2.5和研发创新处于低值集聚区的省份比较多；产品创新从2013年开始，第一象限省份占比高于其他象限，由前7年的低值集聚区到后4年专向高值集聚区。从整体来看，大多数省份处于低值集聚区。

本文将部分年份30个省份PM2.5、RD和EFF空间集聚模式汇总于表2内，可以看出，2007年PM、RD和EFF分别有24、19、25个省份处于第一象限和第三象限区域内，分别占总样本数30个省份的80%、63%和83%；2013年PM、RD和EFF分别有24、22、22个省份处于第一象限和第三象限区域内，分别占总样本数30个省份的80%、73%和73%，表现出显著高-高集聚和低-低集聚的空间正相关特征，这进一步显示了雾霾污染存在显著正向的空间溢出效应。2006—2016年之间大部分省份始终稳定在同一个象限的空间关系内，如：PM2.5和产品创新都有20个省份，虽然研发创新只有5个，发展表现相对跃迁，但仍有21个省份在70%的时间内保持同一象限稳定。这表明，雾霾污染、产品创新和研发创新总体空间关系格局未发生过巨大的转变。

从第一和第二象限的省份可看出，研发创新低值集聚区与PM2.5浓度低集聚区重叠的省份有：黑龙江、吉林、内蒙古、辽宁、陕西、宁夏等北部地区。同时，产品创新低值集聚区与PM2.5浓度低集聚区重叠的省份有：四川、重庆、云南、贵州、黑龙江、吉林、内蒙古、辽宁、青海、宁夏等西南、东北和西北地区。而两者高集聚区重叠的包括：安徽、江苏、山东、上海、天津等中部地区，这是因为中部及沿海地区相对于北部地区，具有经济发展良好、人力资源持续流入和产品更新换代快等特点，所以工业等污染密度高的产业集中在这些地区，雾霾强度相对高，这与经济发达现状相对应。

表2 部分年份30个省份空间集聚模式

注：城市简称，北京(京)、天津(津)、河北(冀)、山西(晋)、内蒙古(蒙)、辽宁(辽)、吉林(吉)、黑龙江(黑)、上海(沪)、江苏(苏)、浙江(浙)、安徽(皖)、福建(闽)、江西(赣)、山东(鲁)、河南(豫)、湖北(鄂)、湖南(湘)、广东(粤)、广西(桂)、海南(琼)、重庆(渝)、四川(川)、贵州(贵)、云南(云)、陕西(陕)、甘肃(甘)、青海(青)、宁夏(宁)、新疆(新)。

3.回归结果及讨论

(1)模型选择检验

在估计模型参数之前，首先对比LM-Lag和LM-Error检验值。无论对于研发创新还是产品创新，时间固定效应模型的R?值都是最高的，估计结果是这一组估计方法中最好的。因此，本文使用空间滞后模型进行估算，计量方法为Elhorst提出的极大似然(ML)估计[11]。下文我们仅呈现和讨论基于(1)(3)式的空间滞后模型的估计结果。

由于本文所建立的面板数据时间维度11小于截面维度样本30，属于“短面板”。探究时间效应的随机变量是否存在自相关存在着一定的困难，故假设为独立分布。只考虑个体效应，即随机效应与固定效应模型的选择。在研发创新阶段，检验横截面固定效应的LR统计量的值为991.442，在30个自由度(省区数目)的情况下其对应的p值小于0.01，因而排除横截面固定效应不存在的原假设。同样，检验时间固定效应的LR统计量为137.2849，在11个自由度(年份数)时的p值亦小于0.01，故排除时间固定效应不存在的原假设。在产品创新阶段，横截面固定效应和时间固定效应的LR统计量分别为981.2652和133.5567，所对应的p值均小于0.01，因此，同理排除两种固定效应不存在的原假设。故拒绝随机效应模型，使用固定效应模型。固定效应模型分为空间、时间和时空(双)三种固定效应模型。模型一和二中R2、corr-squared、Log-L等统计量在采用时间固定效应和双固定效应时具有较优拟合度，模型可以较合适反映出各项解释变量对雾霾排放强度的影响。从模型中各项解释变量系数的估计结果来看，时间固定效应下的各项解释变量系数大多通过了显著性检验，这对样本的解释力度较高，估计结果优于其他三种固定效应模型。因此，采用空间滞后面板数据模型(SLM)的时间固定效应能够更好地解释技术创新对中国雾霾污染的影响。

(2)总体样本估计

表3显示，从空间维度上看，空间滞后项系数ρ在两个模型中均在1%水平上显著为正，进一步证明中国省域雾霾污染存在明显的空间溢出效应。由两个模型可以看到邻近地区的PM2.5浓度每增加1%，就会引起该地区增加0.68%左右，表明区域之间应采用联防联控策略。

研发创新阶段系数为正且在10%的显著水平上，说明研发创新对雾霾浓度是促增效应。本文实证结果证实了中国在这11年的研发创新投入可能并非以绿色技术进步为导向，而是以促进生产水平扩大生产规模方向为主，导致研发创新表现出对雾霾污染有一定的促增效应。这一点与严雅雪等[9]的结论一致。

产品创新阶段的能源效率估计系数为负，且在1%的显著性水平上通过了显著性检验，说明能源利用效率的改进可能减少其能源所产生的大气污染。加强能源节约型技术进步，提高能源利用效率，促使能源强度下降，从而减少大气污染。

经济增长。表3显示，人均GDP的一次项系数不显著为负、二次项系数分别在5%和10%的显著水平为正，表明雾霾污染随着经济增长呈现出的“倒U”型曲线走势不显著。中国各省的雾霾污染和经济增长正处于正相关阶段，经典的EKC假说所指出的改善的拐点到来时间尚不明确。

人口密度。人口密度系数在1%的显著水平为正，表明对雾霾污染有显著的正向影响。人口密度较高的区域一般会产生大量的住房、能源以及交通等需求，导致雾霾污染的主要原因也来自这三方面。

产业结构。第二产业占比的增加均在1%的显著水平为正，表现对雾霾污染有显著的促增影响。重工业为主的产业结构在一定程度上加大中国的环境压力，也是导致雾霾污染加剧的主要因素。应加快对产业结构的调整优化，协调能源要素的配置和使用。

交通运输。根据表3结果显示，交通运输是PM2.5的重要“元凶”之一，机动车的尾气排放是直接来源。通过创新专业化清洁运输技术和升级交通运输结构实现交通运输与环境保护的双赢。

外资投入。根据表3结果表明，FDI的提高能降低中国雾霾污染强度。一方面，外资技术外溢的协同效应对环境技术的提升起到关键作用。另一方面，外资注入带来的竞争效应，实现波特假说中的“创新补偿”，从而提高资源使用效率和绿色技术水平，提高当地环境效率。

表3 空间滞后模型估计结果

注：(1)解释变量估计值后的括号内为t值；(2)***、**和*分别表示在1%、5%和10%的显著性水平下显著。

五、结论与启示

1.结论

本文基于STIRPAT的空间面板数据模型，采用2006—2016年中国大陆30个省市(数据不包括西藏)的数据，研究了技术创新对雾霾污染的空间效应，得到以下研究结论：①雾霾污染、产品创新和研发创新总体空间关系格局未发生过巨大的转变，呈现正向空间相关性，大多数省份处于低值集聚区。②雾霾浓度高集聚区是在京津冀和长三角；研发创新和产品创新高出区域聚合在东南沿海地区，研发创新低值集聚区聚合在中西部和东北地区；产品创新低值集聚区聚合在北部地区。中、西部迁跃区域最多，易受到溢出效应的影响。③东北、西南以及西北地区，技术创新水平和雾霾在低值集聚区出现重叠现象。④技术创新对雾霾污染的影响作用存在差异。研发创新能力的提升会加重雾霾污染的程度。终端产品创新水平的提升有利于降低雾霾污染的程度。这也说明了忽略技术创新全过程对雾霾污染的影响，难以把握各个影响因素对雾霾污染的内在联系。技术创新对雾霾污染的影响具有显著的正向空间溢出效应，技术创新提高了雾霾污染的程度。⑤目前来看，随着人均GDP的持续增加，雾霾污染暂未得到改善。人口密度、产业结构、交通运输会加剧雾霾污染，尤其产业结构是造成雾霾污染的主力军。技术创新作为关键影响路径，应发挥进一步的作用。外商投资会降低雾霾污染的程度，我们的技术创新受到外商技术水平的影响，促动吸收再创新。

2.启示

(1)东部沿海地区继续保持突出优势的同时增强“绿色”创新效应溢出，将技术发展给中西部。提升发展的均衡性，将技术转向“绿色”。

(2)要发挥技术创新在各个阶段的催化作用，为生态环境技术创新进行顶层谋划。从全过程把控技术创新对环境污染的影响，在规制设计上做好“绿色”约束，建立健全排污权有偿使用和交易制度，完善能源税和环境税等税收手段。制定有针对性的产业政策和技术创新政策，实施重点行业清洁生产改造，加快实施清洁能源替代工程，推动产业结构优化升级，实现产业结构升级与创新驱动的良性互动。

(3)继续加强对新技术的创新，为节能提供有力的技术支撑和设备保障。推行企业技术改造，进一步挖掘资源消耗及节能潜力，降低终端能源的消耗水平，提高终端能源利用效率。提升外商准入的“清洁”门槛，发挥外商的绿色技术优势和外溢效应，让创新驱动助推绿色发展。驱动城镇化路径，利用城镇化的发展、人口密度的增大和交通运输便利推进资源的优化配置、人力资源集聚、创新扩散和信息交流，发挥创新的促动作用。