黄河流域技术创新对PM2.5的影响及其空间溢出效应

王晶晶，程钰

（1.山东师范大学地理与环境学院，山东 济南 250358；2.山东省可持续发展研究中心，山东 济南 250358）

近年来，中国工业化和城镇化进程持续推进。2021年，中国城镇化率由1978年的17.92%提升至64.72%，与美国、法国、德国等发达国家差距逐渐缩小。经济增速在全球主要经济体中名列前茅，经济总量稳居第二，对世界经济增长贡献率在20%以上。经济规模持续扩大的同时进一步加剧了中国生态环境保护形势的严峻性，不断逼近生态系统阈值门槛，这一过程中产生了一系列环境污染和生态破坏问题，特别是大气环境质量下降明显，雾霾污染问题频发。2013年，雾霾天气覆盖中国中东部地区，涉及25个省份、100多个大中型城市［1-2］，已经成为影响中国经济发展质量、公众福利和居民健康的重要因素之一。高浓度的PM2.5是形成雾霾天气的重要原因之一［3］。“十四五”时期空气质量改善目标仍将PM2.5作为两个重要指标之一，推动PM2.5同比下降10%。缓解和解决PM2.5污染问题对改善空气质量、提升公众福祉和推动经济高质量发展具有重要意义。

黄河流域是我国重要的生态安全屏障，也是人口活动和经济发展的重要空间载体。2019年，黄河流域生态保护和高质量发展上升为重大国家战略，对区域经济、社会和生态环境协调发展提出了新的目标和要求，但这一过程中也面临诸多问题和困难。黄河流域横跨我国东中西部，其生态本底条件空间差异明显，区域生态环境脆弱，复杂的人地关系造成区域开发与经济社会发展、资源环境保护之间的矛盾突出［4］。同时，人口密集、重型化产业结构突出、工业化水平较高等使黄河流域也面临着较为严峻的大气污染问题，PM2.5污染在一定程度上制约了黄河流域生态保护和高质量发展。在此背景下，开展黄河流域PM2.5空间演变格局特征分析与技术创新影响效应探究，对提升黄河流域空气质量，强化区域污染协同治理，促进创新驱动流域高质量发展具有一定的现实意义。

1 文献综述

面对日益严峻的大气污染问题，众多学者针对PM2.5相关问题开展了丰富研究，主要集中于PM2.5的污染特征［5］、时空演变［6］、健康效应［7］、成因分析［8-9］、趋势预测［10］及其对经济发展的影响效应［11］等诸多方面。其中，PM2.5影响因素解析是学术界关注的热点问题之一。现有研究指出，PM2.5作为影响大气污染的一项重要指标，其浓度变化受到风速［12］、降水［13］、气压［14］、地形［15］、植被覆盖［16］等自然环境因素的影响，也有相关成果逐渐发现人口集聚［17］、环境规制［18］、财政分权［19］、金融发展［20］、产业结构［21］与技术进步［22］等因素同样对PM2.5具有重要作用，开始基于社会经济视角从国家、省域、城市、行业等不同尺度开展PM2.5成因分析。如胡庆龙等［23］在测算中国省域因终端能源消费产生的PM2.5排放量基础上，探究了东中西部区域PM2.5排放的社会经济驱动因素与机理；郭向阳等［24］探索了长三角地区41个地级城市多维城市化对PM2.5浓度的非线性影响，认为经济社会因素在驱动长三角城市PM2.5浓度时空特征方面扮演着主角。也有部分学者将自然环境因素和人文经济因素纳入统一分析体系内，探究驱动PM2.5浓度变化的主控因素，如Yang等［25］利用地理探测器解析了自然和社会经济因素的决定性力量及对PM2.5污染的交互影响，发现生态环境和气候等自然因素的影响大于社会经济因素；张殷俊等［26］认为中国细颗粒物在空间分布上的区域特征受经济发展、产业结构和地形等因素的多重影响。

技术创新是推进绿色发展和高质量发展的核心驱动力。关于技术创新对PM2.5影响效应的研究逐渐增多，但不同学者对此产生的观点并不一致，如郭凌军等［27］、李在军等［28］均认为科技创新对本地区和邻近省域雾霾污染具有抑制作用；Larkin等［29］认为利用大/新数据源的空气污染传感器等技术对改变个人环境细颗粒物空气污染暴露评估和健康研究具有重要作用。另一方面，李衡等［30］认为当前科学支出对黄河流域大部分地区的PM2.5具有加剧作用，但这一作用效果较小；王红等［31］认为部分小企业在创新技术经济范式、发展循环经济的过程中，由于技术差、规模小，可能产生PM2.5排放增加的潜在威胁。也有部分学者发现技术创新对PM2.5的影响效应存在一定的发生条件，如禄雪焕等［32］发现绿色技术创新在降低雾霾污染的过程中具有门槛效应，李子豪等［33］也得出了相似结论；汪克亮等［34］指出，政府创新偏好对雾霾减排存在环境回弹效应和时间异质性，由过去的抑制作用转为了促进作用；Chen等［35］则印证了不同技术进步路径对PM2.5影响的区域异质性。

综上，可以发现，众多学者对技术创新影响区域PM2.5开展了一定的研究，但针对黄河流域这一重要的经济生态廊道［36］，未能对该问题进行更加深入地探讨。基于此，该研究拟从以下几个方面进行拓展：一是该研究将影响PM2.5空间演变的自然环境因素和社会经济因素纳入统一分析框架中，从自然和人文两个视角解析不同因素的影响效应；二是将技术创新作为影响区域PM2.5的重要驱动因素，探究其影响强度和溢出效应，并与其他自然、人文因素进行对比，明确其在影响黄河流域PM2.5过程中发挥的关键作用，构建起技术创新对PM2.5影响的机制；三是PM2.5在全国、省域、城市群等尺度具有明显的空间自相关特征［37-38］，在此基础上，该研究综合运用空间自相关和空间计量模型分析黄河流域PM2.5的集聚演化格局与特征，系统性地对自然与社会经济因素的作用路径及其空间溢出效应进行量化和识别。该研究基于黄河流域生态保护和高质量发展重大国家战略的现实需求，能够为推进黄河流域跨区域大气污染联防联控提供理论解释和决策支撑。

2 研究方法与数据来源

2.1 研究方法

2.1.1 核密度估计

核密度估计是非参数检验函数之一，用于估计数据本身分布的性态特征。该研究利用核密度估计模型展示黄河流域PM2.5在连续时间序列上的总体分布与演变状态［37］：

式中：n为黄河流域地级市数量为核函数，该研究选取的核函数为Epanechnikov；h为带宽，带宽的选取以平均积分平方误差最小为原则，当n趋于∞时，h趋向于0。

2.1.2 空间自相关分析

选取全局空间自相关指数Moran’sI刻画黄河流域地级市尺度PM2.5在空间位置上的相关关系，探究其在各研究单元的空间关联特征，定量测度PM2.5在邻近区域的空间依赖程度和集聚态势，其表达式为：

式中：n为研究区域数量；xi、xj表示在i、j位置上的空间观测值；xˉ为n个区域所有数据的平均值；Wij为生成的空间权重矩阵。全局Moran’sI取值范围为［-1，1］，指数越大，表明空间自相关作用越强，地域单元间的空间联系越紧密；反之，邻近单元间的空间相互作用和联系程度则越弱。进一步对计算结果进行Z值显著性检验，判断其空间自相关作用的方向和显著程度，具体表达式为：

式中：Z(I)表示Moran’sI的显著性水平；E(I)为指数均值为Moran’sI的方差开根。Z(I)小于0表明邻近区域存在负向空间相关关系，大于0为正相关，等于0表示各区域观测值为随机分布状态，不存在空间相互作用关系。

2.1.3 空间计量模型

空间计量模型相较于普通OLS回归进一步考虑到空间交互因素的影响，可以有效减少空间溢出效应对内生性的影响，并判断溢出效应的正负向。选取空间杜宾模型（Spatial Dubin Model，SDM）、空间误差模型（Spatial Error Model，SEM）、空间滞后模型（Spatial Lag Model，SLM）三种空间计量模型，解析技术创新对黄河流域PM2.5的影响效应与空间溢出，设定为［39］：

式中：ln(PM2.5)it为各地市PM2.5观测值；lnTECHit为核心解释变量技术创新；lnXit为研究选取的控制变量，包括6个自然要素和4个人文经济要素；β、ω表示各变量影响系数；Wij为空间权重矩阵；α、γ、τ为空间权重项的影响系数；δit为随机扰动项；Cons为常数项。当随机扰动项存在，即φ≠0时，该模型为SEM，通常认为SEM的误差项是独立分布的；当φ=0，空间权重项α不为0且γ为0时，即解释变量的空间项不存在，模型为SLM；α、γ均不为0时，模型为SDM。

2.2 研究区域与数据来源

2.2.1 研究区域

根据2021年国务院印发的《黄河流域生态保护和高质量发展规划纲要》，黄河干支流流经青海、四川、甘肃、宁夏、内蒙古、山西、陕西、河南、山东9省区。在保持省级区划完整的基础上，考虑到四川藏区阿坝、甘孜等部分自治州数据的可获取性，选取除四川外黄河流域8个省区、79个地级单元为分析区域。基于地级市尺度剖析黄河流域PM2.5空间演变特征和规律，并以技术创新为核心驱动因素探究其空间影响效应。

2.2.2 数据来源

PM2.5数据源自大气成分分析组（Atmospheric Composition Analysis Group）。该数据集是利用NASA卫星、地面监测站数据综合估测的一年均值数据，源数据为NetCDF格式，分辨率为0.01°×0.01°，数据算法版本为V5.GL.01，精度较高且使用广泛［40］。

PM2.5浓度空间演变特征同时受到自然解释要素和社会经济因素等多方面的协同影响，借鉴文献［41］，在社会经济因素方面选取技术创新作为核心解释变量，以黄河流域地级单元专利授权量、城市人均创新指数为代理变量。其中，专利授权量数据源自国家知识产权局专利检索及分析系统（http：//pss-system.cnipa.gov.cn/），城市人均创新指数数据源自北京大学开放研究数据平台发布的1990—2019年中国城市创新创业指数。其他社会经济控制变量主要包括经济发展水平、能源效率、人口密度、外资利用，分别以人均GDP、万元GDP能源消耗量、单位土地面积人口数量与当年实际使用外资金额表征。其中，能源消耗量指标参考Chen等［42］、吴建生等［43］的相关研究，利用省级能源消费量及地级市夜间灯光数据反演得出，其他指标数据主要源自中国经济社会大数据研究平台、国家统计局网站与各年份《中国城市统计年鉴》等。

在自然解释要素方面，包括年均气温、年降水量、年均相对湿度、年均风速、年均气压与植被覆盖指数，相关气象数据源自国家气象科学数据中心（http：//data.cma.cn/），原始数据为黄河流域657个气象站点的逐日观测资料，通过空间插值与栅格转换生成地级市面板数据；植被覆盖指数以归一化植被指数（NDVI）表征，该数据集源自中国科学院资源环境科学与数据中心（https：//www.resdc.cn/Default.aspx），是基于连续时间序列的SPOT/VEGETATION NDVI卫星遥感数据，能够有效反映全国各地区植被覆盖时空分布和变化状况。

3 黄河流域PM2.5空间演变特征

3.1 黄河流域PM2.5空间特征分析

从各年度核密度估计曲线的波峰位置看（图1），黄河流域PM2.5浓度最高值向左侧偏移，表明污染程度呈明显下降趋势。2019年，PM2.5浓度核密度曲线拖尾显著缩短，峰值出现区间为［20，40］，表明低PM2.5浓度地市数量有所增加，高PM2.5浓度地市数量呈现下降趋势。从核密度曲线时间演变状态来看，研究时期内PM2.5核密度曲线基本呈现“大波峰+小波峰”态势。2011年，核密度曲线小波峰存在明显的延长趋势，表明PM2.5浓度值较高的地市在这一时期数量增多，此后随着《大气污染防治行动计划》等政策文件的颁布和实施，核密度曲线明显向左侧收敛，2019年黄河流域PM2.5浓度值显著下降。同时，PM2.5在区域间分布差异有所扩大，部分地市PM2.5浓度峰值在右侧收敛，存在空气质量有待改善的问题，进一步表明PM2.5仍是影响黄河流域空气质量和生态保护的重要因素。

图1 黄河流域PM2.5浓度核密度函数曲线

进一步刻画黄河流域PM2.5浓度值的空间异质性（图2）。2004—2019年，PM2.5浓度值较高的地市主要集中于黄河下游地区，如河南漯河、濮阳，山东聊城、菏泽等传统产业份额较大、以资源密集型产品为主的地市；PM2.5浓度值较低的地市主要集中于黄河中上游，包括榆林、宝鸡、固原、天水等市，包头、乌兰察布、巴彦淖尔等在研究时期内一直处于较低浓度值水平。2011年，黄河流域PM2.5浓度值有所上升，处于中高浓度等级的地市数量约占全部地市的60%，浓度值在68.96 μg/m3以上的地市为34个，占黄河流域总地市的43.04%；较低浓度地市主要分布于酒泉、张掖等。2019年，黄河流域各地市PM2.5浓度值下降明显，如定西、长治、忻州、晋城等市的PM2.5浓度值降至27.48 μg/m3以下，泰安、淄博、郑州、驻马店等市浓度值低于36.50 μg/m3，但菏泽、聊城、漯河、濮阳等14个地级市处于中高等级浓度水平，PM2.5污染问题仍是影响黄河流域空气质量提升的重要因素。总体来看，黄河流域PM2.5在空间上的分布格局呈“东南-西北”方向递减特征，这一格局的形成同时受到自然和人文等多种因素的协同作用。黄河流域下游地级市由于具有较高的工业化和城镇化水平，活跃的人口、产业活动在促使地区经济发展的同时，也为环境质量提升带来一定的压力；另一方面，陕西、甘肃等西北地区地貌多样，山地、高原、平川、戈壁类型丰富，对黄河流域PM2.5的扩散产生了较为复杂的影响效应。

图2 黄河流域PM2.5浓度空间格局演变特征

3.2 黄河流域PM2.5空间相关性分析

为探究黄河流域各区域间PM2.5是否存在空间自相关性，对2004—2019年黄河流域79个地级市的全局Moran’sI进行测算（表1）。结果显示，研究时期内黄河流域各地级市Moran’sI一直保持在0.80以上，由2004年的0.800增加至2019年的0.831，且各年份Z（I）值均大于2.58。Moran’sI在1%置信水平下显著为正，表明黄河流域PM2.5浓度并未呈现出随机分布状态，而是具有一定的空间自相关特征，PM2.5浓度变化会受到邻近区域的显著影响，且总体集聚态势呈不断增强趋势。

表1 2004—2019年黄河流域PM2.5浓度的全局Moran’s I

为进一步分析黄河流域PM2.5浓度在空间上的异质性，探究某一地理单元与其邻近地区同一属性值的集聚现象与聚类特征，研究以2004、2011和2019年数据为样本，利用GeoDa1.18和ArcGIS10.7软件绘制局部Moran’sI散点分布图（图3）。其中，横坐标为各空间单元的标准化值，纵坐标为各空间单元的滞后值。结果显示，黄河流域各区域PM2.5散点主要集中于第一象限、第三象限，分布趋势较为明显，表明PM2.5浓度值在空间上呈现高高（HH）集聚和低低（LL）集聚态势，具有较强的空间关联特征，以正向空间关联为主。第二象限、第四象限也有部分地市分布，分别为低高（LH）集聚类型区、高低（HL）集聚类型区，主要包括吕梁、许昌、驻马店等市。

图3 黄河流域PM2.5的Moran’s I散点

4 黄河流域技术创新对PM2.5的影响及其空间溢出效应

4.1 变量选取

将年均气温、年降水量等自然解释要素与技术创新、能源效率等经济社会因素纳入同一空间计量模型中，选取PM2.5浓度为被解释变量，技术创新为核心解释变量，探究其对PM2.5的空间影响效应与内部作用机制。

被解释变量：PM2.5浓度（PM2.5）。PM2.5浓度作为影响区域空气质量的重要因素，研究选取黄河流域79个地级市年均PM2.5数据为被解释变量。

核心解释变量：技术创新（TECH）。以专利授权量（PATE）、城市人均创新指数（INNO）作为技术创新的代理变量。其中，专利授权量是衡量区域创新产出的重要指标，可以合理计量创新成果与科技活动的活跃性，在一定程度上能够表明区域自身的技术研发水平及科技储备量。城市人均创新指数源自北京大学开放研究数据平台发布的相关报告，该数据集由7个子维度系统计算出中国城市创新创业指数，具有一定的整体性和综合性，可以对单一代理变量起到较好的补充作用。同时，借鉴毛文峰等［44］、钟若愚等［45］的相关研究，选取城市人均创新指数作为技术创新的另外一个代理变量。

控制变量：PM2.5浓度同时受到自然解释因素和社会经济因素等多方面的影响，基于此，控制年均气温（TEMP）、年降水量（PREC）、年均相对湿度（HUMI）、年均风速（WIND）、年均气压（PRES）、植被覆盖指数（NDVI）等自然解释要素与经济发展水平（ECON）、能源效率（ENER）、人口密度（POPU）、外资利用（FORE）等经济社会因素。各变量的描述性统计见表2。

表2 变量的描述性统计

为保证指标的平稳性，降低回归过程中出现伪回归现象的可能性，减少各变量间共线性对实证结果产生的影响，进一步对各变量的原始数据进行取自然对数处理，并分别进行Levin-Lin-Chu（LLC）和ADF-Fisher单位根检验，结果见表3。单位根检验结果表明，各变量数据均为平稳序列，可以进行后续分析。

表3 变量的平稳性检验

为进一步直观展示技术创新与PM2.5浓度之间的相关关系，绘制专利授权量、城市人均创新指数与城市PM2.5的散点拟合图（图4）。根据拟合趋势，技术创新与PM2.5浓度具有较为明显的相关关系。根据全局Moran’sI测算结果，空间交互效应的存在表明更适合利用空间计量模型对各因素的溢出效应进行实证探究。

图4 技术创新与PM2.5浓度的相关性分析

4.2 整体结果分析

选取空间杜宾模型（SDM）、空间误差模型（SEM）、空间滞后模型（SLM）对上述变量进行回归分析，结果见表4。对比LM（lag）、Robust LM（lag）、LM（error）、Robust LM（error）等检验结果，各参数均通过了显著性检验，表明在进行回归分析时，空间杜宾模型对这一过程具有更优的解释能力，应选取空间杜宾模型的估计结果进行后续研究和分析。

表4 SLM、SEM与SDM估计结果

从空间杜宾模型的回归结果可以看出，专利授权量对PM2.5浓度影响系数为-0.318并在1%置信水平下显著为负，表明地区专利授权量的增加有助于空气质量改善。一方面，与PM2.5排放源的降低和消减直接相关的技术创新可以有效降低污染浓度，如新型煤炭清洁、工业烟气脱硫脱硝、高效节能脱硫、高效除尘等专利的使用和转化；另一方面，移动源消减治理技术研发和革新同样对降低PM2.5浓度具有重要作用，如空气净化和污染物收集、烃类回收、多污染物协同治理等，有利于攻克与PM2.5直接相关的关键共性技术，促进技术协同跨越式发展，改善区域空气质量。城市人均创新指数对PM2.5浓度影响系数为-0.024，并在5%置信水平下表现为显著负相关，即城市创新指数的提升有利于PM2.5防治。创新作为一种生产要素投入具有一定逐利性，要素在区域流转的动态过程中将会从边际效益较低的区域逐渐流入边际效益较高的区域，产生创新要素集聚效应。城市人均创新指数对降低PM2.5浓度的影响效应表现为两个方面，一是较高的创新指数对地区基础研究具有较强的支撑能力，可以进一步强化创新的技术效应，激励企业特别是高能耗、高排放、低效率产业淘汰落后产能，加快绿色创新转型进程，降低PM2.5污染；二是高人均创新指数地区具有宽松的创新生态环境，有利于营造良好的创新氛围，激发全社会创新的内生动力，不断释放市场活力，推动技术创新成果的落地转化和示范推广，形成创新要素在全社会范围内的合理配置与良性循环，充分发挥技术创新治理PM2.5的效果。

在自然解释要素方面，年均气温与PM2.5表现为显著正相关，这一结果与王少剑等［46］的研究一致，可能是由于北方地区冬季易受寒流侵袭导致逆温现象，对PM2.5的扩散产生了阻碍作用。年降水量与PM2.5呈显著正相关，原因在于北方地区冬季降水较少，对细颗粒物的冲刷作用较小。年均相对湿度不利于黄河流域PM2.5浓度下降，是因为空气中水分含量增加，细颗粒物更易吸水吸湿增长并不断积累。年均风速与PM2.5呈显著正相关。黄河流域中上游地区流经甘肃、内蒙古、陕西等省区，地处黄土高原，水土固着较差且土体疏松，当风力达到一定强度时可能会卷起途经地带的地面粉尘。年均气压对PM2.5浓度的降低表现为促进作用。低压空气堆积易形成上升气流，将周边环境内的废气、有害化学气体等污染物补充至上空，降低近地面污染物浓度，因此气压增加有利于减轻PM2.5。植被覆盖指数对PM2.5浓度增加具有显著的抑制作用。高植被覆盖区通常处于工业化、城市化较为缓慢阶段［47］。本地区大气污染物排放量相对较低，同时较为优良的生态环境对PM2.5具有一定的吸滞作用。

在社会经济因素中，经济发展水平即人均GDP的增加对PM2.5浓度的影响在1%置信水平下呈正相关，表明现阶段黄河流域部分区域经济发展仍以牺牲空气环境为代价，河南、陕西等地区第二产业尤其是重化工业等污染产业在产业结构中仍占较大比例，对煤炭、石油等资源的大量、低效消耗是空气中PM2.5浓度增加的重要来源。外资利用对PM2.5浓度表现为负相关关系，有利于降低PM2.5浓度，一定程度上验证了“污染光环”假说。由外资带来的先进技术和理念促进污染减少，提升了区域空气环境质量。能源效率、人口密度的影响效应则未能在该空间杜宾模型设定下显著。

4.3 空间溢出效应分析

进一步将SDM的W×X回归结果分解为直接和间接效应，探究技术创新及其他自然要素和社会经济要素影响PM2.5过程中产生的空间溢出效应，结果见表5。其中，列（9）—列（11）为专利授权量的空间效应分解结果，列（12）—列（14）为城市人均创新指数的影响效应分解。

表5 空间杜宾模型的溢出效应分解

专利授权量的直接影响效应在5%置信水平下显著为负，表明专利授权量增加对本地区PM2.5污染防治具有促进作用；间接影响效应在10%置信水平下显著为正，即专利授权量增加对邻近地区PM2.5浓度降低具有负向影响。一方面，空气质量实时监测、清洁生产技术、节能燃料研发、细颗粒物分离设备、雾霾净化装置等与PM2.5的预防、治理和抵御伤害直接相关的一系列自主知识产权增加能够有效推动本地区构筑形成完整的防控技术体系，有利于本地区空气质量改善；另一方面，本地区技术创新水平提升吸引了周边邻近地区创新要素的流动和集聚，资金投入、高端人才、先进设备和理念等流入本地区，降低了邻近地区的创新活跃性。城市人均创新指数的直接影响效应在5%置信水平下与PM2.5浓度呈显著负相关，间接效应表现为正向作用。较高的人均创新指数为本地区营造了良好的全社会创新氛围，创新主体产出的活跃程度不断提高，促进了PM2.5防治相关技术的研发和进步。对邻近地区而言，绿色技术标准、绿色补贴等绿色技术壁垒的存在也在一定程度上限制了技术创新的空间溢出效应。同时，考虑到黄河流域整体产业结构偏重，以化工、有色、能源等产业为主，宁夏、山西、青海等地处于工业化快速发展阶段，创新驱动产业转型和环境质量改善仍然面临较大压力，导致本地技术创新的提升还未能对周边地区产生较强的辐射带动作用。

在自然解释要素方面，年均气温对PM2.5具有显著的空间溢出效应，均表现为对PM2.5污染和扩散的促进作用。较高的温度加剧了细颗粒物在空气中运动的活跃性，促使其进一步向周边地区扩散。年均湿度呈显著的负向空间溢出。由于细颗粒物在本地区吸湿停滞，减少了向邻近地区的扩散，有利于周边地区PM2.5下降。年均风速对本地区的影响效应为正向，同时对邻近地区的间接影响为负，表明从周边地区借由风力携带的细颗粒物在本地区由于风速下降，污染物进一步停滞和扩散，加剧了本地的PM2.5浓度。年降水量、年均气压、植被覆盖指数的空间溢出效应不显著。

在社会经济因素方面，能源利用效率对PM2.5浓度的直接影响和间接影响效应均呈现负相关关系，即能源高效利用有利于PM2.5浓度降低。由更好的环保技术、高效率技术研发产生的能源循环利用、清洁能源和新能源开发提升了生产过程的绿色化水平，增加了产品的环保性，在PM2.5产生环节降低了污染物和悬浮物含量，同时能源高效利用技术具有溢出效应，对周边地区PM2.5浓度下降同样具有显著的促进作用。外资利用的直接影响和间接影响效应均呈现负相关关系，对降低区域PM2.5浓度具有促进作用。黄河流域由于较为脆弱的自然本底条件及生态保护和高质量发展战略的实施，对外商投资具有较高的环境准入门槛，加之先进技术的引进和发展，有利于降低空气污染。人均GDP、人口密度对黄河流域PM2.5影响的空间溢出效应未能在该模型设定下显著。

5 结论与对策

该研究将自然环境因素和社会经济因素纳入统一的分析框架，基于技术创新本地效应和溢出效应的双重视角，在刻画2004—2019年黄河流域PM2.5浓度空间演变和集聚特征基础上，通过构建空间面板杜宾模型探讨技术创新对PM2.5的影响效应，并进一步解析关键因素的空间溢出效应，得出以下结论。

（1）2004—2019年黄河流域PM2.5年均浓度总体呈现波动下降趋势，由2004年的40.69 μg/m3下降至2019年的27.73 μg/m3，核密度曲线峰值显著向左偏移，空气质量有所改善。黄河流域各地市间PM2.5浓度值具有明显的空间异质性，浓度值较高的区域主要集中于黄河下游菏泽、聊城等市，全局Moran’sI指数值均高于0.80，表现为波动上升的发展趋势；PM2.5浓度具有显著空间自相关关系，呈现高高集聚和低低集聚态势。

（2）技术创新对黄河流域PM2.5防治具有显著促进作用，专利授权量、城市人均创新指数的提升与PM2.5呈现显著负相关关系。从直接效应来看，专利授权量、城市人均创新指数均对本地区PM2.5浓度下降具有正向推动作用；从间接效应来看，专利授权量存在空间溢出效应，但由于绿色技术标准、绿色补贴等绿色技术壁垒的存在，不利于邻近地区空气质量改善，城市人均创新指数的溢出效应不显著。

（3）自然解释要素中，年均气压、植被覆盖指数对本地PM2.5浓度下降具有正向促进作用，年均气温、年均相对湿度、年均风速呈现抑制作用，年均相对湿度、年均风速均具有显著正向空间溢出效应，有利于周边地区PM2.5的降低，年均气温则为负向溢出效应；社会经济因素中，能源效率、外资利用对本地区和邻近地区PM2.5污染防治均呈现显著促进作用，其他因素的空间溢出效应不显著。

为了进一步降低以PM2.5为代表的空气污染问题，显著改善公众健康，推动黄河流域生态保护和高质量发展，基于相关结论，提出以下对策建议：一是加快集聚创新要素，突出技术创新在空气污染治理中的关键地位。发挥技术创新在黄河流域PM2.5防治过程中的积极作用，不断提升区域自主创新水平，共聚创新资源，打造流域一体化技术创新中心和自主创新集群，引导政策、资源、产业、人才等创新要素向环保领域集聚，避免环境回弹效应，畅通技术成果转化通道，强化技术推广，促进成果转化和转移。二是构建绿色技术创新体系，突破绿色技术壁垒。构建和完善创新引领的节能减排技术研发体系，积极培育绿色技术创新主体，加强清洁生产、资源循环利用等与空气污染治理直接相关的自主知识产权核心技术研发力度，加大节能环保关键共性技术攻关力度，消除技术优势造成的地区间绿色技术壁垒，充分发挥技术创新对空气质量改善的空间溢出和辐射作用。三是协同区域联防联控机制，强化污染治理同向共通、同力共进。打破流域区划限制，形成全域对环境治理效益的整体认知，鼓励地区间、城市间、同流域、同生态区围绕PM2.5治理的共同目标和任务，推进区域政策联动、信息共享、产业互动、技术互助与人才流动，探索建立跨区大气环境保护机制，培育流域高能级创新平台和技术创新战略联盟，形成良性创新竞争、合作机制，提升污染治理积极性，最终实现一揽子综合防治和解决空气污染的目标。

科学辨析黄河流域PM2.5空间演变特征与关键影响因素是推动实现区域绿色发展和生态文明建设的重要内容。该研究将自然要素、社会经济因素纳入统一分析框架，运用空间面板杜宾模型探究了技术创新与其他自然解释要素、社会经济因素对黄河流域PM2.5浓度的影响及空间溢出效应，为黄河流域大气污染治理对策的制定提供了一定科学依据，同时对已有的相关研究成果进行了补充。然而受数据获取、方法手段等方面的限制，在实证分析阶段着重解析了技术创新因素的影响效应，对其他社会经济因素和自然因素的分析存在一定不足之处，同时未能考虑到各因素之间的协同交互作用。PM2.5污染的防控和治理涉及多尺度、多区域、多主体、多要素的交叉融合，因此，后续研究中仍需借助大数据、云计算等科技手段突破现有研究方法和数据的限制，继续深化不同尺度下多因素对PM2.5影响的复杂机制研究，为有效制定大气污染防治政策、切实改善空气质量提供科学合理的决策支撑。