《大气污染防治行动计划》实施效果评估：双重差分法

杨斯悦 王凤 刘娜

摘要 《大气污染防治行动计划》被认为是史上最严格的一项空气污染治理政策。主要目标是控制区域PM2.5和PM10等污染物的排放量，明确规定了全国地级及以上城市可吸入颗粒物浓度比2012年下降10%以上，该政策始于2013年9月，于2017年底结束。为了科学检验《大气十条》的政策影响效应，选取该政策执行期间（2013—2017年）的125个地级及以上城市，包括72个处理组和53个控制组进行准自然试验，运用双重差分法检验该政策对控制主要空气污染物PM2.5、PM10、SO2、NO2、CO和O3月均排放量的影响，并运用平行趋势检验、反事实检验等方法进行了稳健性检验。描述性统计结果显示：PM2.5、PM10、SO2、NO2和CO的月均排放量都得到了显著降低，其中PM2.5和PM10的降幅分别是36.33%和31.87%。京津冀、长三角、珠三角等区域PM2.5浓度分别下降39.6%、34.3%、27.7%，三大区域PM10的降幅分别为38.3%、31.1%、21.9%，其中，北京市PM2.5月均浓度为57.33 μg/m3。但是 O3的排放量下降效果不显著，其含量不降反增，成为我国空气质量新的威胁。回归结果说明，该政策对试点城市大气中PM2.5、PM10、SO2、NO2和CO的排放量下降产生了显著影响，在1%显著性水平上，月均浓度分别下降685.14%、650.72%、479.05%、359.55%和7.06%。因此，总体上可以认为该项政策已经达标完成，控制了主要空气污染物的排放量。但是分解不同污染物、分区域或者是具体到不同城市的空气质量绝对值仍未达到国家控制标准。最后提出执行科学精细的空气质量监督管理制度和空气污染治理的长效政策等建议。

关键词 《大气污染防治行动计划》;大气十条;效果评估;双重差分法

近些年来，随着城市化的快速发展，中国大气污染形势严峻，以可吸入颗粒物（PM10）、细颗粒物（PM2.5）为特征污染物的区域性空气污染问题日益突出，成为困扰经济社会发展和人们追求美好生活的瓶颈。尤其是以PM2.5为主要空气污染物，会导致心脑血管系统的疾病，并诱发癌变等，直接威胁到了人们的健康预期寿命[1]。为了进一步改善空气质量，政府在积极治理雾霾中向全世界承诺，到2020年单位国内生产总值二氧化碳排放比2005年下降40%～45%，二氧化碳排放2030年左右达到峰值，明确了政府治霾的决心和目标。为此，2013年9月10日出台了《大气污染防治行动计划》（以下简称《大气十条》），于2017年底结束，被称为史上最严格的空气污染治理制度。政策影响评估是现代政府管理的一项先进技术手段，便于政策的筛选、追踪与完善，而双重差分法是该领域广泛使用的一种影响评估方法，可以有效排除其他干扰因素准确识别政策与治理目标之间的因果关系。学术界对于《大气十条》政策影响评估的实证研究较少，且主要使用传统检验方法对污染物排放量的绝对值进行比较。因此，采用双重差分法检验该项政策对空气质量影响的“净效应”，对空气质量的改善效果进行更加科学的因果分析和阐释。即检验大气十条是否真正有效？科学验证这个期间我国主要空气污染物排放降低是否来源于该项政策效果？运用我国125个地级及以上城市主要空气污染物排放量的月均数据，选择72个处理组和53个控制组进行准自然试验研究，评估《大气十条》的政策有效性并提出进一步推进空气污染治理的政策建议。

1 文献综述

雾霾污染物成份主要是SO2、NO2、颗粒物（以下简称PM）、一氧化碳、粉尘等，其中PM既是一种污染物，又是重金属、多环芳烃等有毒物质的载体。这些污染物的来源很广泛。国内学者对雾霾成因的研究主要从气象学、社会经济和地理分布等视角展开了较为深入的实证研究。

重污染天气的成因根据大气特点，可分为静稳型、沙尘型两类。我国大部分地区属于温带大陆性气候，静稳型天气造成的雾霾在秋冬季更易出现，所以我国雾霾污染存在显著的季节性特征[2-3]。Zhang等[4]基于风向、风速、相对湿度、大气凝结函数和大气稳定度等构造出污染气象条件指数 （ Plam） ，用以定量表征气象条件是否有利于污染天气形成，其值越高表明气象条件越不利，大于80 时容易形成雾霾天气。吕效谱等[5]运用主成分及相关性分析方法发现高湿、逆温、低压和静风等气象条件与雾霾天气的形成密切相关。

雾霾虽是一种天气现象，但主要是由于不合理的经济活动所致。現有研究关于经济增长对雾霾污染的影响存在两种有争议的结论，一种是符合库兹涅茨曲线（EKC）假说，认为经济发展水平、对外开放程度、城市规模与雾霾污染呈现出倒U型关系[3，6-8]。另一种是不符合EKC曲线的假说，认为雾霾污染与经济增长存在显著的U形关系[9]。基于不同的数据和检验方法，学者们得出以制造业为主的产业结构、民用汽车保有量的增多、城市面积、城市常住人口、能源消耗总量、集中供热普及率、房屋建筑施工面积、国际贸易活跃程度均对雾霾污染有显著的正向促进作用[10-15]，但人口密度、人口增长、消费结构、绿化水平对雾霾污染的影响并不显著[3，16];工业产出集聚、科教支出水平、财政自主度能够显著降低雾霾污染[8-9，17]。

我国雾霾还呈现出显著的地理分布特征：由于东部地区将高耗能、高污染产业转移到中、西部地区，所以对于东部地区的雾霾而言，经济发展、交通压力、农业生产以及来自毗邻地区的污染是主要影响因素;而产业结构和能源结构则是中、西部地区的关键影响因素[18]。潘慧峰等[19]认为，在京津冀地区，雾霾污染具有较强的持续性，高污染状态存在粘滞效应，难以向低污染状态变化，北京地区的雾霾会对其他地区产生正向冲击作用。冷艳丽和杜思正[20]研究认为，能源价格扭曲对东部地区雾霾的正向影响要大于中西部地区。李力等[21]研究发现，在珠三角地区FDI 与雾霾污染呈负相关关系。

各项环境政策一直以来都是政府雾霾治理的主要手段之一，特别是放置在我国自上而下的命令控制型环境管理体制里，政府应该是治霾的主导力量。从国家《大气污染防治法》的不断修订，到各地方政府配合颁布出台了具体实施方案。2013年由国务院发布的《大气十条》是专门针对大气污染治理而制定的总体治理计划。其内容主要涵盖加大污染源综合治理力度、调整优化产业结构、加快企业绿色技术改造、增加清洁能源供应、严格节能环保准入、建立区域统筹管理机制、建立监测预警应急体系和动员全民参与环境保护等诸多方面。主要目标是自颁布日起到2017年底，全国地级及以上城市可吸入颗粒物浓度比2012年下降10%以上，优良天数逐年提高;京津冀、长三角、珠三角等区域细颗粒物浓度分别下降25%、20%、15%左右，其中北京市细颗粒物年均浓度控制在60 μg/m3左右。但对于其他污染物和城市并未明确规定具体达标任务。

2 研究设计与数据来源

2.1 研究設计

双重差分法（Differences-in-Differences，DID）又称为倍差法，是用来进行政策影响评估、制度绩效评估和项目评价等的一种方法。通常选择一组未受到政策影响的地区或个体作为控制组，而将受到政策影响的地区或个体作为处理组，控制组在政策实施前后的差异可以视为纯粹的时间效应，将处理组的前后变化减去控制组的前后变化即可得到政策的“净效应”。双重差分法的准自然试验可以有效地避免环境政策问题的内生性和遗漏变量等问题。

近年来，越来越多的学者开始用双重差分法进行政策影响评估的研究。有关国内环境政策影响评估的研究诸如：Yang等[22]采用准双重差分法研究了2009年中国政府提出的碳强度约束政策对绿色生产的影响。Chen等[23]将“中国碳排放交易试点政策”作为准自然试验，运用双重差分法识别这一环境政策对企业创新的净因果效应。发现该政策的实施总体上会显著减少企业创新，与欧盟排放交易机制的因果效应基本一致。Qiu和He[24]使用2004—2014年的省级SO2、NO2和PM10污染物排放的年度数据，运用双重差分法检验了中国绿色交通政策对空气质量的影响。Li和Chen[25]探讨了我国修订《大气污染防治法》的效果，认为这种政策显著提高了大气污染严重行业的全要素生产率。也有来自其他国家环境政策影响评估的实证研究，Chabé-Ferret和Subervie[26]对法国农业环境政策促进农户绿色农业生产消费的影响效果进行了评估。Rivers等[27]对加拿大多伦多市一次性塑料袋税的政策影响进行估计，发现征税增加了购物袋重复使用率的3.4个百分点。Gehrsitz[28]研究量化了德国污染物低排放区对空气质量和出生率的正向影响。Adan和Fuerst[29]研究了碳减排目标及社区节能计划实施对英国国内天然气及总能源消耗的影响，双重差分结果显示这些政策使住宅能耗明显降低。

双重差分法检验政策效应需要满足两个假设条件。一是平行趋势假设，即污染物浓度随时间的变化趋势在处理组城市和控制组城市应该是相同的，保证控制组可以作为处理组的反事实场景。研究处理组城市和控制组城市都是毗邻城市，所处地理位置、气候条件等都是相近的，故满足这一假设。另一个假设是，试点项目的实施是随机的，与误差项无关。因为《大气十条》试点城市由政府发布，在一定程度上是强制性的。一个城市是否被选为试点城市并不依赖于城市本身，主要取决于该城市是否被纳入国家规划。所以政策是外生的，不存在内生性问题，故研究符合此假设。

以《大气十条》作为准自然试验，采取双重差分方法进行因果识别。处理组（T）为2013 年第一批实施新的《环境空气质量标准（GB3095-2012）》并公开PM2.5等指标的74个试点城市，控制组（C）是未实施该政策标准的54个毗邻城市，剔除拉萨、深圳、泰安三个空缺数据城市，总共获得125个地级及以上城市样本。其中，处理组72个城市，控制组53个城市，通过处理组和控制组内样本城市的对比来评估《大气十条》的政策影响效果。构建如下双重差分模型：

其中，i代表城市，t代表月份;Emissionit表示i城市t月份在大气中排放的污染物，选取5项主要空气污染物来分析政策效果。policyit是《大气十条》政策的虚拟变量;timeit是时间虚拟变量，政策实施之前取0，实施后取1。β1是交叉项的回归系数，也是双重差分模型重点考察的处理效应;γ1和γ2分别是两个控制变量Income和SecondGDP的系数。ui为城市固定效应，τt为时间固定效应，εit是随机扰动项。

2.2 指标选取和数据来源

被解释变量：主要空气污染物的排放量（Emissionit），分别选择PM2.5、PM10、SO2、NO2、CO、O3 的月度排放量数据。原因在于雾霾主要由SO2、NOx和可吸入颗粒物等组成，以及臭氧会引起光化学烟雾事件等，故一并考虑。

核心解释变量：policyit×timeit，即policyit和timeit的交叉项，表示2013年以后城市是否实施了《环境空气质量标准（GB3095-2012）》。如果属于实施该政策标准的城市取值为1，反之为0。

控制变量：以往研究发现产业结构、民用汽车保有量、城市常住人口、能源消耗总量、房屋建筑施工面积等对雾霾污染有显著的正向促进作用[10-15]。所以控制变量包括城镇人均可支配收入（Income）、第二产业占GDP的比重（SecondGDP）。

研究数据来自于国家统计局统计年鉴、城市统计年鉴以及“真气网”环保数据平台（aqistudy.cn）上发布的2013年12月到2017年12月（共计49个月）样本城市污染物排放的月均浓度指标。共计6 125个观测值。数据处理采用软件STATA 13.0。

3 政策影响评估的实证检验

3.1 描述性统计

描述性统计结果如表1所示。处理组和控制组的PM2.5、PM10、SO2、NO2、CO和O3的均值略有差异，但是，从我国空气质量标准的规定来看，两组数据基本一致。控制组和处理组的PM2.5都没达到35 μg/m3的年均浓度二级标准，PM10都未达到70 μg/m3的年均浓度二级标准，SO2都达到了二级标准，但未达到20 μg/m3的一级标准。对于NO2，处理组刚刚达到40 μg/m3的一级标准，控制组非常接近这一标准值。CO和O3同样没有太大差异。而且，整体上两组数据最大值和最小值都比较相近，说明样本分布较为均匀，两组数据具有可比性。处理组人均可支配收入约是每月2 997元，略高于控制组，全国城镇居民人均可支配收入大约是每月2 609元，样本城市人均收入水平显然略高于全国平均值。处理组第二产业占总GDP的比重约为44.21%，略低于控制组，说明首批施行《环境空气质量标准（GB3095-2012）》的城市总体经济发展水平较高，且工业对地方经济的贡献较大。

进一步对比政策实施前后污染物排放均值的变化情况，如表2所示。PM2.5、PM10、SO2、NO2和CO顯著降低，降幅最高近50%。其中PM2.5和PM10的降幅分别是36.33%和31.87%。分区域的PM10和PM2.5的排放变化比对，数据显示，京津冀、长三角、珠三角等区域PM2.5浓度分别下降39.6%、34.3%、27.7%，远远超过了减排25%、20%、15%左右的政策目标。其中，北京市PM2.5月均浓度为57.33 μg/m3，达到了控制在60 μg/m3 左右的政策目标。PM10三大区域降幅分别为38.3%、31.1%、21.9%，远远超过了政策目标（在全国范围内下降10%）。然而，O3是唯一一个在政策实施之后不降反增的污染物，这也是我国近两年空气污染的新威胁。近地面的O3，是由排放到大气中的前体污染物氮氧化物、CO和VOCs（挥发性有机化合物）的光化学反应生成，而这些前体物主要来源于汽车尾气排放、石油化工生产、火力发电等工业污染源排放，空气中过量的臭氧会对人体健康产生显著危害，容易引发像伦敦烟雾事件或美国洛杉矶光化学烟雾事件等极端环境灾害。

3.2 DID检验

为进一步检验政策影响，考虑到政策实施具有滞后效应，选取滞后6期数据作为政策开始的时间，即2014年6月为政策开始的时间节点。从国家层面来看，《大气十条》这种政策因素存在明显的随时间变化的趋势，需要排除或控制，而且处理组和控制组城市个体差异较大，所以，同时控制时间效应和城市效应进行回归检验，见表3。

由表3可知，《大气十条》政策与城市污染物浓度变化之间存在高度的统计相关关系。从估计参数来看，PM2.5、PM10、SO2、NO2和CO的交互项policyit×timeit的系数在1%显著水平上都显著为负，说明政策实施之后，试点城市大气中PM2.5、PM10、SO2、NO2和CO的浓度在平均水平上分别下降685.14%、650.72%、479.05%、359.55%和7.06%。这些结果表明，《大气十条》政策对空气污染物的含量具有显著负向影响，降低了PM2.5、PM10、SO2、NO2和CO等污染物的浓度。但是，政策对于O3没有显著抑制作用。可能原因是《大气十条》主要是针对可吸入颗粒物的减排政策，较少针对O3生成前体物VOCs排放的控制。

城镇人均可支配收入与PM2.5、PM10、SO2和CO显著负相关。说明城镇人均可支配收入越高，PM2.5、PM10、SO2和CO污染物的含量就越低，可能的原因是在经济较发达的高收入城市，非工业经济是城市的主要支柱产业，且市民环保意识较高，政府环境管理水平较高，对建筑施工用地的浮尘管理较好，会减少空气中可吸入颗粒物、硫化物和碳氧化物的排放。

城镇人均可支配收入与NO2和O3存在显著正相关关系。说明城镇人均可支配收入越高，NO2和O3的含量就越高，可能是由于NO2的排放主要来自汽车尾气，收入越高的地区，私家车拥有量就越高，导致NO2排放量升高，前体物NO2含量的升高必然会带来O3含量的升高。

第二产业占总GDP的比重（SecondGDP）与PM2.5、PM10、SO2、NO2和CO都是显著正相关关系，说明一个城市的第二产业比重越高，空气中PM2.5、PM10、SO2、NO2和CO的含量就越多，这符合第二产业中主要包含采矿业、制造业、建筑业、重化工行业，需要消耗大量能源且综合利用效率较低等特征导致污染物排放偏多。SecondGDP与O3的排放量存在显著负相关关系。

3.3 稳健性检验

为保证回归结果的可靠，分别采取平行趋势假设、反事实分析、增加控制变量的方法对上述结果进行稳健性检验。

3.3.1 平行趋势检验

通过动态效应验证平行趋势假设，如图1所示。处理组和控制组的PM2.5、PM10、SO2、NO2、O3和CO的均值在政策实施前呈同趋势变化，不存在明显的“阿森菲尔特沉降”（Ashenfelters dip），满足平行趋势假设。由于政策存在滞后效应，从图1可以明显看出，PM2.5、PM10、SO2和NO2

月均浓度在2014年6月以后呈周期性下降趋势;而O3则呈明显周期性上涨趋势;CO下降趋势不明显（符合DID检验中下降比例较少的结果）。各污染物的周期性波动是由于空气污染物受气候因素的影响，雾霾污染季节性特征明显，秋冬季污染较为严重，春夏季污染物浓度较低。

3.3.2 反事实分析

使用时间反事实检验对其他影响因素进行排除，将政策发生的时间推迟1a，即2015年，其他变量不改变，并进行估计。如果估计结果显著，则说明存在其他因素的干扰;如果估计不显著，则说明模型具有稳定性。反事实回归结果显示不显著，并没有得到与真实效应相同的显著负效应，其中CO还显著为正，说明DID模型回归结果稳健（表略）。

3.3.3 增加控制变量

汽车尾气排放是城市空气污染的一个重要原因。为此，除了Income和SecondGDP以外，增加城市私人汽车拥有量（万辆，缩写为Car）作为控制变量来检验模型的稳定性，回归后得到与之前一致的研究结果（表略），说明DID回归模型稳健性较好。

4 结论与政策建议

基于我国125个地级及以上城市6 125个观测面板数据，通过DID法评估《大气十条》的政策影响。研究结论：该政策基本实现了预期目标，即政策实施后使可吸入颗粒物浓度比2012年下降10%以上。全国平均PM2.5和PM10的实际降幅分别是36.33%和31.87%，京津冀、长三角、珠三角等区域PM2.5浓度分别下降39.6%、34.3%、27.7%，三大区域PM10的降幅分别为38.3%、31.1%、21.9%，其中，北京市PM2.5月均浓度为57.33 μg/m3，已经控制在60 μg/m3左右的政策目标。O3的排放量控制效果不显著。而且，DID模型估计结果进一步证实了这种政策影响，该政策对试点城市大气中PM2.5、PM10、SO2、NO2和CO的排放量控制存在显著负效应，在1%显著性水平上月均浓度分别下降了685.14%、650.72%、479.05%、359.55%和7.06%。因此，总体上看该项政策已经达标完成，一定程度上控制了主要空气污染物的排放量，但是分解不同污染物、分区域或者是具体到不同城市的空气质量绝对值仍未达到国家空气质量控制标准。

该研究结论与国内学者类似研究结果基本一致。曹志文等[30]仅选取了政策实施期间部分时段（2013—2016年）的74个地级市年均PM2.5浓度数据，运用多元回归分析检验了《大气十条》发布前后PM2.5年均值的差异及其影响因素。高文康等[31]通过对比2013—2014年74个重点城市在《大气十条》颁布前后主要污染物浓度数据和OMI卫星数据，分析不同地区PM2.5浓度下降的原因。不同于前二者，该研究运用双重差分法评估政策影响，通过准自然试验分别选择72个处理组和53个控制组进行比对，排除其他因素的干扰影响，检验了该政策与主要空气污染物排放量之间的因果关系，不仅仅验证了PM2.5排放量的达标完成是该政策的实施效果之一，更是检验了包括PM10、SO2、NO2、CO、O3等污染物浓度的下降水平与该政策实施之间的因果关系，观测数据包括此政策实施5年间的（2013—2017年）月均排放浓度。

尽管短期看此项政策产生了积极影响，但是，全部样本城市的空气质量距离国家规定PM2.5年均标准浓度35 μg/m3还有很大的差距，大气污染依然严峻。治理大气污染更是需要出台长期有效的政策，为此，提出以下政策建议。

（1）空气质量管理监督更加科学化和精细化。基于愈加完善的环境管理大数据，可以更加方便和有效地进行环境监督和管理。《大气十条》主要是针对可吸入颗粒物的减排政策，而对于挥发性有机物（VOCs）和O3的排放并没有具体限制，仅仅只提出要推进挥发性有机物污染治理，而具体VOCs降低多少，石化、有机化工、表面涂装、包装印刷等行业在该项政策执行中完成质量如何都没有具体规定和有效监督。有研究表明，PM2.5浓度降低导致气溶胶对大气中自由基的吸收减少，进而导致O3生成增加，因此针对O3含量逐渐增多的威胁，政府应该尽快出台限制臭氧生成前体物VOCs排放量的相关政策，协同控制PM2.5和O3污染，并监督相关行业的具体执行效果，及时报告并信息公开。《大气十条》中还缺乏对于移动源污染的控制，针对CO的排放量减排，一方面要发展清洁能源和可再生能源，调整能源结构，推广民用燃料清洁化政策;另一方面，关于燃煤电厂、燃煤锅炉和工业窑炉的污染治理设施建设与改造工作没有得到良好执行以及系統监督，政府要全面推进“大气污染防治网格化综合信息平台”在各省市的投入与使用，通过统一平台、统一数据、统一监管，实现环保数字化监管，政策指向性更加精准，即针对不同污染物制定控制政策，使空气质量管理更加科学化和精细化。

（2）空气污染治理需要长效政策。《大气十条》仅给出了五年的阶段性任务，而空气质量的改善是一个长期的系统工程，不可能一蹴而就，政府要出台空气污染治理的长效政策，要重视横向政府间与纵向政府间各类环境政策性文件的连贯性，在治理目标上达成一致。进行政策评估并不断跟踪评估效果，公开政策评估信息，根据不同阶段、不同地区的具体执行情况不断改进制度。下一步政策的制定不只是针对PM2.5和PM10的短期排放控制，要增加SO2、NO2、CO和O3等污染物的具体排放控制指标，逐渐提高空气质量标准，争取早日达到世界卫生组织设定的空气质量标准，便于中国更加积极地进行环境外交并参与全球大气污染防治。

该研究的不足之处在于未考虑这项政策的长期影响，而且仅仅就排放量下降的百分比进行了比对和识别，未使用优良空气天数来直接考量空气质量控制效果。数据处理方面还可以加入建筑工地施工面积等更多的控制变量，从更多视角进行深入研究。

（编辑：李 琪）

参考文献

[1]STEPHEN S L， THEO V， ABRAHAM D F， et al. A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor clusters in 21 regions， 1990-2010： a systematic analysis for the global burden of disease study 2010[J]. Lancet， 2012， 380（9859）：2224-2260.

[2]周峤. 雾霾天气的成因[J]. 中国人口·资源与环境， 2015（S1）：211-212.

[3]张生玲， 王雨涵， 李跃， 等. 中国雾霾空间分布特征及影响因素分析[J]. 中国人口·资源与环境， 2017（9）：15-22.

[4]ZHANG X Y，WANG Y Q，LIN W L，et al. Changes of atmospheric composition and optical properties over Beijing 2008 Olympic Monitoring Campaign[J].

Bulletin of the American Meteorological Society，2009，90（11）：1633-1651.

[5]吕效谱，成海容，王祖武，等.中国大范围雾霾期间大气污染特征分析[J].湖南科技大学学报（自然科学版）， 2013， 28（3）： 104-110.

[6]任毅， 郭丰. 长江经济带雾霾污染空间效应与影响因素分析[J]. 经济与管理， 2019， 33（1）： 49-56.

[7]ASUMADU S S， VLADIMIR S. Empirical study of the Environmental Kuznets Curve and Environmental Sustainability Curve hypothesis for Australia， China， Ghana and USA[J]. Journal of cleaner production， 2018，201： 98-110.

[8]郭爱君， 胡安军. 中国城市雾霾的影响因素研究[J]. 统计与决策， 2018， 34（19）：105-108.

[9]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（9）：29-41.

[10]LARKIN A， VAN D A， GEDDES J A， et al. Relationships between changes in urban characteristics and air quality in East Asia from 2000 to 2010[J]. Environmental science & technology， 2016， 50： 9142-9149.

[11]HAN L J， ZHOU W Q， PICKETT S T， et al. Multicontaminant air pollution in Chinese cities[J]. Bulletin of the world health organization， 2018， 96： 233-242.

[12]冯少荣， 冯康巍. 基于统计分析方法的雾霾影响因素及治理措施[J]. 厦门大学学报（自然科学版）， 2015， 54（1）：114-121.

[13]陈弄祺， 许瀛. 北京雾霾污染影响因素实证分析[J]. 中国人口·资源与环境， 2016（S2）： 82-85.

[14]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（4）：19-31.

[15]LI Z，XU N，YUAN J.New evidence on trade-environment linkage via air visibility[J]. Economics letters，2015，128：72-74.

[16]GUAN D，SU X，ZHANG Q，et al.The socioeconomic drivers of Chinas primary PM2.5 emissions[J]. Environmental research letters， 2014， DOI： 10.1088/1748-9326/9/2/024010.

[17]李根生，韩民春.财政分权、空间外溢与中国城市雾霾污染： 机理与证据[J]. 当代财经， 2015（6）：26-34.

[18]王美霞. 雾霾污染的时空分布特征及其驱动因素分析——基于中国省级面板数据的空间计量研究[J]. 陜西师范大学学报（哲学社会科学版）， 2017（3）： 38-48.

[19]潘慧峰，王鑫，张书宇. 雾霾污染的持续性及空间溢出效应分析——来自京津冀地区的证据[J]. 中国软科学，2015（12）：134-143.

[20]冷艳丽，杜思正. 能源价格扭曲与雾霾污染——中国的经验证据[J]. 产业经济研究， 2016（1）：71-79.

[21]李力，唐登莉，孔英，等. FDI 对城市雾霾污染影响的空间计量研究——以珠三角地区为例[J]. 管理评论， 2016， 28（6）：11-24.

[22]YANG Z， FAN M， SHAO S， et al. Does carbon intensity constraint policy improve industrial green production performance in China？ a Quasi-DID analysis[J]. Energy economics， 2017， 68： 271-282.

[23]CHEN F， BEIBEI S， RONG K. Does environmental policy reduce enterprise innovation？ evidence from China[J]. Sustainability， 2017， 9（6）： 872-879.

[24]QIU L Y， HE L Y. Can green traffic policies affect air quality？ evidence from a Difference-in-Difference estimation in China[J]. Sustainability， 2017， doi：10.3390/su9061067.

[25]LI S， CHEN G. Environmental regulation and the growth of productivity in China： evidence from the revision of air pollution prevention and control law in 2000[J]. Economic research journal， 2013（1）： 17–31.

[26]CHAB-FERRET S， SUBERVIE J. How much green for the buck？ estimating additional and windfall effects of French agro-environmental schemes by DID-matching[J]. Journal of environmental economics and management， 2013， 65（1）： 12-27.

[27]RIVERS N， SHENSTONE-HARRIS S， YOUNG N. Using nudges to reduce waste？ the case of Torontos plastic bag levy[J]. Journal of environmental management， 2017，188： 153-162.

[28]GEHRITZ M. The effect of low emission zones on air pollution and infant health[J]. Journal of environmental economics and management， 2017，83： 121-144.

[29]ADAN H， FUERST F. Do energy efficiency measures really reduce household energy consumption？ a Difference-in-Difference analysis[J]. Energy efficiency， 2015， 9（5）： 1-13.

[30]曹志文， 石影， 牛晓叶. 我国大气污染防治行动计划的有效性检验与评价——基于会计实证方法角度[J]. 商业会计， 2018 （21）： 41-44.

[31]高文康， 唐贵谦， 吉东生， 等. 2013—2014年《大气污染防治行动计划》实施效果及对策建议[J]. 环境科学研究， 2016， 29（11）：1567-1574.