中國省域PM2.5污染的空間實證研究

向堃+宋德勇

摘要 由于我國空氣污染狀況的日趨惡化，研究空氣污染的形成因素并制定相應(yīng)的污染治理政策對于我國生態(tài)文明建設(shè)有著重要的意義。基于STIRPAT環(huán)境效應(yīng)分析模型，文中利用空間分析工具對選取的31個樣本區(qū)域的PM2.5排放污染進行了空間探索性分析與空間計量檢驗。空間探索性分析結(jié)果表明：通過計算全局空間Morans I指數(shù)測算出樣本區(qū)域PM2.5排放污染具有較強的空間自相關(guān)性，局部空間聚集檢驗則顯示出樣本區(qū)域PM2.5排放污染除具有自相關(guān)性外還表現(xiàn)出一定的空間異質(zhì)性。進一步的空間計量檢驗結(jié)果顯示樣本區(qū)域GDP總量的增長將使得PM2.5污染繼續(xù)惡化，而提高樣本區(qū)域人均GDP水平則能有效的降低污染水平。樣本區(qū)域在能耗上的空間交互影響也較為明顯，對于選取的三個能耗指標，煤炭消耗的增加無論對于區(qū)域自身還是鄰接區(qū)域都已成為加劇PM2.5排放污染的主要因素，原油消耗的增長只對鄰接區(qū)域污染水平產(chǎn)生了影響，而電力消耗的提高緩解了區(qū)域自身的PM2.5排放污染但加劇了鄰接區(qū)域的污染。由于空間溢出效應(yīng)的影響，樣本區(qū)域 PM2.5污染表現(xiàn)出了很強的空間相關(guān)性，這就要求在相關(guān)污染治理政策的制定上要充分考慮到空間因素的影響，不僅要從經(jīng)濟發(fā)展方式和能源消耗結(jié)構(gòu)的改變等環(huán)節(jié)入手，同時還要加強省域之間的協(xié)調(diào)促進，最終實現(xiàn)對污染的有效治理。

關(guān)鍵詞 PM2.5污染；空間探索分析；空間計量分析

中圖分類號 F205 文獻標識碼 A 文章編號 1002-2104（2015）09-0153-07 doi：10.3969/j.issn.1002-2104.2015.09.020

近年來，由于我國工業(yè)化、城鎮(zhèn)化水平的進一步提高，工業(yè)生產(chǎn)和能源消費規(guī)模不斷擴大，伴隨而來的環(huán)境污染問題也面臨新的挑戰(zhàn)，除傳統(tǒng)的硫化物、氮氧化物污染外，PM2.5、PM10等污染問題也逐漸突顯。2013年我國環(huán)境狀況公報指出，城市可吸入顆粒物污染依然比較嚴重，按照《環(huán)境空氣質(zhì)量標準》（GB 3095-2012）對京津冀、長三角、珠三角等重點區(qū)域及直轄市、省會城市和計劃單列市共74個城市的監(jiān)測結(jié)果表明：74個城市中僅?？?、舟山和拉薩3個城市空氣質(zhì)量達標，占4.1%，超標城市比例高達95.9%[1]。

在污染治理的相關(guān)研究中，隨著Geoda等空間軟件工具的逐步完善，空間探索與定性分析已被廣泛應(yīng)用于污染的跟蹤與防治。利用空間分析工具能夠迅速掌握污染的空間分布與傳播路徑，準確地判斷污染發(fā)生是否存在地區(qū)差異，并且能夠?qū)υ斐刹町惖囊蛩剡M行定量分析。本文則利用上述工具對可吸入顆粒物PM2.5排放污染進行空間分析，旨在明確PM2.5污染的空間分布特點，檢驗不同地理環(huán)境影響下經(jīng)濟發(fā)展等因素對污染濃度的影響，從而為相關(guān)政策制定提供參考，以降低污染水平。

1 文獻綜述

對于可吸入顆粒物污染的研究，國外很早就已涉及，美國從1980年代開始就將可吸入顆粒物污染納入空氣質(zhì)量監(jiān)測范圍，1985年美國國家環(huán)保局正式將TSP（總懸浮顆粒物）修改為PM10，并隨后開始檢測PM2.5污染[2]。ELelred[3]等在對美國空氣質(zhì)量的研究中發(fā)現(xiàn)，全美東部的可吸入顆粒物污染水平遠遠高于西部。Nehzet[4]在研究中發(fā)現(xiàn)可吸入顆粒物污染呈現(xiàn)季節(jié)趨勢，不同的季節(jié)、不同氣候條件對污染濃度有較大的影響。JiunnDer Duh[5]等在對墨西哥城、洛杉磯、首爾、倫敦、上海等8個城市的城鎮(zhèn)化發(fā)展水平和空氣質(zhì)量的研究中發(fā)現(xiàn)：在首爾、上海和墨西哥城空氣中的可吸入顆粒物PM10和SO2隨城市發(fā)展呈現(xiàn)出非線性的下降，但是NO2卻保持高水平的振動。在德里和上海NO2的水平在2000年左右呈現(xiàn)增長之勢，但是其它空氣污染物，包括PM10都處在很低的水平。而對于倫敦、洛杉磯、東京，從1985-2005年長達20年的城市發(fā)展中空氣可吸入顆粒物PM10和SO2都處于相對較低的水平。同時，他在研究中發(fā)現(xiàn)空氣質(zhì)量相對于城市發(fā)展富有彈性。 Benjamin[6]等最早根據(jù)污染地區(qū)地物反射率的變化、邊界模糊情況來對大氣污染情況進行空間特征分析，表明可吸入顆粒物污染在空間上具有一定的外溢性。Elena[7]在對美國可吸入顆粒物污染的空間聚集研究中發(fā)現(xiàn)，對于選擇的109個空氣污染監(jiān)測點由于不同的地理位置、經(jīng)濟等因素的影響，污染聚集效應(yīng)表現(xiàn)強烈。OriEitan[8]在對以色列空氣污染和癌癥發(fā)病率的空間研究中指出，由于空氣污染在空間上表現(xiàn)出的外溢性，可吸入顆粒物的污染水平與肺癌發(fā)病風(fēng)險率呈現(xiàn)出高度的正相關(guān)。Rogula[9]等在對波蘭扎不熱可吸入顆粒物污染的研究中發(fā)現(xiàn)，扎不熱由于不同區(qū)域地理環(huán)境、經(jīng)濟水平、機動車擁有量的不同，導(dǎo)致可吸入顆粒物PM2.5、PM10在污染濃度以及污染成分上呈現(xiàn)出很大的差異。

國內(nèi)學(xué)者在PM2.5污染的研究上由于相關(guān)數(shù)據(jù)可獲得性問題較國外起步較晚，但是近幾年來也有了比較深入的研究。任春燕[10]等在對西北地區(qū)城鎮(zhèn)化與空氣質(zhì)量水平的研究中發(fā)現(xiàn)，西北地區(qū)各省會城市空氣中總懸浮顆粒和降塵量都超過標準，并且二者的污染都處于較高的污染水平；并且發(fā)現(xiàn)西北省會城市城市化水平與空氣質(zhì)量之間存在著類似于環(huán)境庫茨涅茨曲線的規(guī)律，即低水平城市化的西寧和高水平城市化的西安綜合空氣質(zhì)量最好，而中度城市化的蘭州和烏魯木齊空氣質(zhì)量最差。城鎮(zhèn)化與空氣質(zhì)量變化是適合對數(shù)和平方的二次回歸模型 ，除了城市降塵污染隨著城鎮(zhèn)化展還在惡化外 ，其他空氣質(zhì)量指標隨著城市發(fā)展有先惡化后好轉(zhuǎn)的趨勢。城市化水平的迅速提高，對于生態(tài)環(huán)境造成了巨大的壓力。蔣洪強、張靜[11]在其研究中指出：我國城市化每增長 1 個百分點帶來城鎮(zhèn)NOx排放總量增加19.5 萬t，其中， 由于機動車增長造成的NOx排放量增加 8.6 萬t，而機動車的尾氣排放是空氣中可吸入顆粒物的主要來源之一。王紅、齊建國[12]發(fā)現(xiàn)高污染水平的可吸入顆粒物是人類經(jīng)濟活動所造成的人為污染現(xiàn)象?？晌腩w粒物的污染程度與經(jīng)濟的不同發(fā)展階段相關(guān)，發(fā)達國家再可吸入顆粒物的污染水平上已經(jīng)歷完上升期和高峰期，目前正處于下降階段，而中國正處于上升期。

從以上的研究可以看出，空氣中PM2.5的濃度大小受到許多因素的影響，不同區(qū)域的污染濃度由于地區(qū)發(fā)展的差異表現(xiàn)出較強的異質(zhì)性，但是由于PM2.5污染的自身特點使得污染在很多區(qū)域產(chǎn)生了空間外溢。雖然PM2.5污染的空間外溢性在相關(guān)研究中已被發(fā)現(xiàn)，而在實證中無論是國外學(xué)者還是國內(nèi)學(xué)者都基本上沿用了傳統(tǒng)觀點，即認為樣本區(qū)域間是相互獨立的，不存在區(qū)域間的空間溢出影響。但實際上由于區(qū)域間經(jīng)濟活動與信息交流的日趨頻繁，空間相關(guān)效應(yīng)已逐漸成為區(qū)域分析中不可或缺的重要影響因素。因此，在分析區(qū)域PM2.5排放污染時，充分考慮到地理因素造成的空間交互效應(yīng)將會有效的提高模型的擬合度以及估算結(jié)果的精度。

2 研究方法與數(shù)據(jù)

空間計量經(jīng)濟學(xué)與傳統(tǒng)的計量經(jīng)濟學(xué)相比拋棄了地理空間均質(zhì)性的假設(shè)，充分考慮到了地區(qū)之間的空間交互影響，對比傳統(tǒng)計量經(jīng)濟學(xué)方法，在研究中使用空間統(tǒng)計與空間計量能夠更好的對被研究對象的真實情況進行數(shù)據(jù)擬合。

2.1 探索性空間數(shù)據(jù)分析

為了驗證可吸入顆粒物PM2.5排放污染在發(fā)生特點上是否具有空間分布的非隨機性和空間自相關(guān)性，本文對所選數(shù)據(jù)進行了探索性空間分析。探索性空間分析主要有兩種分析方法：第一種是利用Morans I、Geary指數(shù)C去分析所選取的空間觀測數(shù)據(jù)在在整個空間場中的分布特征，這種分布特征通常稱為全局空間自相關(guān)性。第二種是利用G統(tǒng)計量、Moran散點圖和LISA來分析所選空間數(shù)據(jù)在局部空間場中的分布特征，這種分布又稱為局部空間自相關(guān)性[13-14]。

Morans I度量了整個研究地區(qū)中相鄰區(qū)域之間空間相關(guān)的情況：空間正相關(guān)、空間負相關(guān)或者空間相互獨立。為了計算PM2.5排放污染的Morans I值，首先要構(gòu)造觀測區(qū)域的空間權(quán)重Wij。文中采用相鄰距離構(gòu)建空間權(quán)重，構(gòu)建方法上采用了“車”相鄰（Rook Contiguity），即如果區(qū)域i和區(qū)域j有共同的邊界，則空間權(quán)重Wij=1，如果沒有，則Wij=0。Morans I的計算公式如下：

I=n∑ni=1∑nj=1wij（xi-x）（xj-x）∑ni=1∑nj=1wij∑ni=1（xi-x）2（1）

在式（1）中，n表示所研究空間樣本中的區(qū)域總數(shù)，xi和xj分別為區(qū)域i和區(qū)域j的觀測值，x為平均值。

Morans I的值介于1和-1之間，以0作為判斷正相關(guān)和負相關(guān)的分界點，如果大于0則表示正相關(guān)，反之，則為負相關(guān)。如果值等于0則表示觀測值是隨機分布或者不存在空間自相關(guān)性，值越接近于1相似屬性觀測值集聚程度越高，越接近于-1相異屬性觀測值集聚程度越高[15-16]。

2.2 空間計量模型分析

除了對我國省域PM2.5排放污染進行空間探索性分析外，文中還采用空間計量模型對樣本數(shù)據(jù)進行空間定性分析?？臻g計量模型依據(jù)解釋變量和被解釋變量的關(guān)系可以分為很多種類，而以下三種在實證研究中被廣泛采用，其分別是空間滯后模型（The Spatial Lag Model， SLM）、空間誤差模型（The Spatial Error Model， SEM）和空間杜賓模型（Spatial Durbin Model， SDM）?？臻g滯后模型（Spatial Lag Model， SLM）假定一個區(qū)域內(nèi)的被解釋變量值部分的被其相鄰區(qū)域的被解釋變量值所決定，模型表達式為：

y=ρWy+Xβ+ε（2）

在式（2）中，y是一個n*1維被解釋變量的向量；ρ是空間自回歸參數(shù)，與外生解釋變量X（n*k）相關(guān)；W是n*n維空間權(quán)重矩陣，分別與因變量的空間自回歸過程和隨機誤差項ε的空間自回歸過程相關(guān)，而β是k*1維回歸系數(shù)向量。

空間誤差模型與空間滯后模型不同的是空間相關(guān)性在模型中由隨機誤差項表示，其模型表達式為：

在式（3）、（4）中，被解釋變量y是n*1維向量；X是n*k維數(shù)據(jù)矩陣，表示解釋變量；β是待估參數(shù)；λ是空間自相關(guān)系數(shù)，它的大小反應(yīng)了相鄰區(qū)域之間的影響程度；W是空間權(quán)重矩陣。

當空間滯后模型和空間誤差模型都不適用于樣本數(shù)據(jù)時，則采用空間杜賓模型進行空間計量檢驗，其模型表達式為：

y=ρWy+Xβ+γWX+ε （5）

在式（5）中，γ為待估參數(shù)，其余變量的定義與空間滯后模型和空間誤差模型中相同[17-19]。

2.3 空間計量模型的選擇

在利用空間計量模型進行計量分析后，要通過相關(guān)檢驗來確定最適合樣本數(shù)據(jù)的空間模型以及對實證結(jié)果進行診斷。為了確定樣本數(shù)據(jù)是否適合采用空間計量模型進行分析，一般預(yù)先采用非空間交互效應(yīng)數(shù)據(jù)模型來檢驗空間滯后項與空間誤差項存在與否。兩個拉格朗日乘數(shù)形式的LMError、LMLag和穩(wěn)健的LMLag、LMError被用來檢驗以上假設(shè)，其檢驗原假設(shè)H0為不存在空間滯后項和空間誤差項，如果檢驗結(jié)果在5%以及1%的顯著性水平下顯著，則拒絕原假設(shè)。由于文中采用面板數(shù)據(jù)對可吸入顆粒物PM2.5排放污染進行計量檢驗，考慮到個體效應(yīng)和時間效應(yīng)的存在，則采用LR（likelihood ratio）檢驗來確定固定效應(yīng)和隨機效應(yīng)兩種情形。LR檢驗原假設(shè)為個體固定效應(yīng)和時間固定效應(yīng)聯(lián)合非顯著，如果其檢驗結(jié)果通過顯著性檢驗，則拒絕原假設(shè)。空間計量經(jīng)濟學(xué)理論中通常將模型選擇方法分為SpecifictoGeneral和GeneraltoSpecific兩類，上述的模型選擇方法屬于SpecifictoGeneral類；當檢驗結(jié)果顯示非空間交互效應(yīng)模型不適合于數(shù)據(jù)的估計時，則進一步采用空間杜賓模型進行計量分析，同時檢驗空間杜賓模型是否能簡化為空間滯后模型或者空間誤差模型，這屬于GeneraltoSpecific類。當采用空間杜賓模型進行計量檢驗時，LR和WALD檢驗被用來檢測空間杜賓模型是否能被簡化，其檢驗原假設(shè)為H0：γ=0和H0：γ+ρβ=0，第一個原假設(shè)檢驗空間杜賓模型能否簡化成空間滯后模型，第二個檢驗?zāi)芊窈喕癁榭臻g誤差模型。當采用GeneraltoSpecific方法進行模型鑒別時，空間豪斯曼檢驗被用來區(qū)分空間隨機效應(yīng)和空間固定效應(yīng)，其檢驗原假設(shè)H0為模型適合空間隨機效應(yīng)，如果檢驗結(jié)果在5%以及1%的顯著性水平下顯著，則拒絕原假設(shè)[20-22]。

2.4 變量的選取及模型的設(shè)定

由于在2012年以前我國的PM2.5污染監(jiān)測數(shù)據(jù)相對缺失，所以文中樣本區(qū)域PM2.5排放污染數(shù)據(jù)采用了著名的GAINS China[23-24]模型數(shù)據(jù)，在時間上節(jié)選了1985年、1990年、1995年、2000年、2005年、2010年這6年。為了充分反映各省經(jīng)濟發(fā)展和能源消耗狀況，解釋變量選取了如下項目：GDP總量、人均GDP、人口總數(shù)、煤炭消耗量、原油消耗量、電力消耗量?？紤]到通貨膨脹的影響，人均GDP按照2000年水平進行折算。解釋變量數(shù)據(jù)來源于《中國統(tǒng)計年鑒》和《中國能源統(tǒng)計年鑒》。選取的我國31個樣本區(qū)域包括22個省、4個直轄市和5個自治區(qū)，香港、澳門和臺灣省由于數(shù)據(jù)可獲得性以及統(tǒng)計口徑的原因未包含在本文研究范圍內(nèi)。

在研究人類經(jīng)濟活動對環(huán)境影響的模型中，以 Ehrlich和Holdren[25]提出的IPAT模型的運用最為廣泛。I=PAT模型中將I定義為環(huán)境所承受的影響，其來源于P、A、T這三個綜合因素，P代表人口水平，A代表人均收入，T代表技術(shù)水平。在后續(xù)研究中，Dietz和Rose[26]通過對IPAT模型的重新定義得到了IPAT模型的擴展模型STIRPAT，即Ii=aPibAicTidui。式中a是常數(shù)項，b、c、d分別是A、P、T的參數(shù)，u為干擾項，i代表測量單位。本文則利用STIRPAT模型對省域PM2.5污染進行實證檢驗，在對模型進行對數(shù)化處理后得到了如下的實證形式：

3 實證結(jié)果及分析

3.1 省域PM2.5污染的空間相關(guān)性分析

從表1可以看出樣本省域PM2.5排放污染的全局Morans I統(tǒng)計指數(shù)在各年份上均顯示為正值，并且所有統(tǒng)計值都顯著，這說明PM2.5污染在整體上具有較強的空間聚集效應(yīng)。而各年份Morans I統(tǒng)計值的逐步增大也表明PM2.5污染的空間集聚特征隨著時間的推移在逐步增強，相鄰區(qū)域的空間影響日趨顯著。為了進一步區(qū)分不同省域的空間聚集模式，本文利用Moran散點圖對所選年份省域PM2.5平均污染水平進行了檢驗，依據(jù)檢驗結(jié)果，樣本區(qū)域被分為四類聚集模式。第一類為HH聚集模式，表示高污染與高污染區(qū)域臨接聚集。我國東部與中部的江蘇、浙江、山東、湖北、湖南等大多數(shù)省份均位于第一類，總計占樣本區(qū)域的45.16%。第二類為LH集聚模式，表示低污染與高污染區(qū)域臨接聚集。北京、天津、重慶這三個直轄市均處于這一類，位于第二類聚集模式的區(qū)域占總樣本的25.81%。第三類是指LL集聚，表示低污染與低污染區(qū)域臨接聚集。此類區(qū)域主要集中在我國西部，包括新疆、青海、甘肅和寧夏，其占總樣本的16.12%。第四類為HL集聚模式，表示高污染區(qū)域與低污染區(qū)域臨接聚集。陜西、廣東等地區(qū)處于此類污染模式中，其占總樣本的12.91%。從以上結(jié)果可以看出，樣本省域PM2.5污染不僅存在很強的空間相關(guān)性同時也表現(xiàn)出了很強的空間異質(zhì)性。

3.2 省域PM2.5排放污染的空間計量檢驗結(jié)果

為了確定樣本省域PM2.5排放污染是否適合采用空間計量方法進行計量檢驗，首先將采用非空間交互效應(yīng)模型對數(shù)據(jù)進行估計和診斷，非空間交互效應(yīng)模型使用了四種不同的估計方法。其估計結(jié)果見表2。

表2顯示了非空間交互效應(yīng)模型的計量檢驗結(jié)果，其分別采用了混合最小二乘、個體固定效應(yīng)、時間固定效應(yīng)和雙向固定效應(yīng)的估計方法。為了確定最佳估計模型，文中對數(shù)據(jù)進行了LR檢驗，其結(jié)果顯示：在1%的顯著性水平上模型拒絕了個體固定效應(yīng)不顯著的零假設(shè)（LR test =351.281，p=0.000）；而在時間固定效應(yīng)上同樣拒絕了固定效應(yīng)不顯著的零假設(shè)（LR test=19.564，p=0.007）。由此可以推斷，在以上四種非空間交互效應(yīng)模型估計中，雙向固定效應(yīng)模型最適合于當前數(shù)據(jù)的估計。表2的下部分報告了通過經(jīng)典LM和穩(wěn)健的LM檢驗來確定是否存在空間滯后和空間誤差的檢驗結(jié)果。由于已經(jīng)確定雙向固定效應(yīng)模型最適合當前數(shù)據(jù)，故針對該模型估計結(jié)果進行判斷。其結(jié)果顯示當采用經(jīng)典LM檢驗時，模型在5%的顯著性水平上均拒絕了沒有空間滯后和空間誤差項的檢驗零假設(shè)；而在采用穩(wěn)健的LM檢驗時，模型沒有通過顯著性檢驗。綜合以上檢驗結(jié)果可以確定樣本省域PM2.5排放污染數(shù)據(jù)適合用采用空間計量的法進行估計，并且由于經(jīng)典LM檢驗結(jié)果同時表明存在空間誤差項和空間滯后項，因此，本文進一步利用空間杜賓模型進行估算。

表3顯示了空間杜賓模型的估計結(jié)果，分別采用了空間固定效應(yīng)和空間隨機效應(yīng)的估計方法。

采用空間交互效應(yīng)的空間杜賓模型進行數(shù)據(jù)估計后，將通過空間Hausman檢驗來確定空間交互效應(yīng)為固定效應(yīng)還是隨機效應(yīng)，其檢驗結(jié)果為Huasman test=1.829，p=0.999，檢驗結(jié)果沒有通過顯著性檢驗，所以模型接受了空間交互效應(yīng)為隨機效應(yīng)的檢驗零假設(shè)。表3的底部列出了通過Wald和LR檢驗來確定空間杜賓模型是否能簡化成空間滯后模型或者空間誤差模型的檢驗結(jié)果，所有結(jié)果均通過了顯著性檢驗，說明空間隨機效應(yīng)下的空間杜賓模型最適合用于當前數(shù)據(jù)的計量估計。在表2報告的非空間交互效應(yīng)模型的估計中，雙向固定效應(yīng)下GDP項估計值為0.309，而在表3報告的空間隨機效應(yīng)估計中，該項值為0.794，較前估計值有大幅增長，由于通過相關(guān)檢驗已經(jīng)確定空間隨機效應(yīng)的杜賓模型為最佳估計模型，所以非空間交互效應(yīng)的雙向固定模型估計值為偏誤估計。為了探究模型中解釋變量的真實影響，文中對不同模型下對應(yīng)的估計值進行比較，但是這種比較是無效的，其原因在于在非空間交互效應(yīng)模型與空間計量模型中同一解釋變量的估計值所代表的意義不同。因此，本文在基于空間隨機效應(yīng)的杜賓模型估計基礎(chǔ)上利用直接與間接效應(yīng)估計來進一步測算解釋變量的真實影響與空間溢出。

表4列出了直接效應(yīng)和間接效應(yīng)的估計結(jié)果。同表3相比，表4中的估計值發(fā)生了較大的變化，而這種變化正是由于空間溢出效應(yīng)所引起的。在表4的直接效應(yīng)估計

值中除了人口與原油消耗總量這兩個變量的估計值未通過顯著性檢驗外，其余變量估計值均通過了顯著性檢驗。其中，變量GDP的估計值為0.790，這表明所選樣本區(qū)域GDP的增長嚴重加劇了本地區(qū)PM2.5污染，同時也間接表明所選區(qū)域仍然處于粗放型的經(jīng)濟發(fā)展方式，這種發(fā)展方式始終伴隨著高排放、高污染，樣本區(qū)域要繼續(xù)經(jīng)濟規(guī)模的擴張就必須做到經(jīng)濟增長方式的轉(zhuǎn)型。變量人均GDP的估計值為-0.470，這表明提高區(qū)域人均收入水平能夠有效的降低本地區(qū)PM2.5排放污染。在地區(qū)能耗的三個指標中變量煤的估計值為0.176，而原油消耗量的估計值只有0.002，說明在選取的三個能耗變量中煤的使用對地區(qū)自身PM2.5污染有顯著的影響，同時也說明樣本區(qū)域能源消耗結(jié)構(gòu)很不合理，高污染、高排放能源仍然處于主導(dǎo)地位。變量電力消耗量的估計值為-0.190，在選取的三個能耗變量估計值中絕對值最大，表明更多的使用電力這樣的清潔能源能有效的降低PM2.5排放污染。

在間接效應(yīng)估計中表示地區(qū)能耗的三個變量估計值均通過了顯著性檢驗，其中煤消耗量的估計值為0.167，表明地區(qū)自身煤消耗的增多將會加劇相鄰地區(qū)PM2.5污染，而這種污染影響正是由于空間溢出效應(yīng)所造成的。變量原油消耗量的間接效應(yīng)估計值為-0.099，這說明地區(qū)自身原油消耗量的增加會減輕臨接區(qū)域的污染排放。由于原油供給的相對穩(wěn)定以及不可替代性，一個區(qū)域原油消耗的增多必定會影響相鄰區(qū)域的消耗量，但是在直接效應(yīng)估計中已經(jīng)發(fā)現(xiàn)原油消耗對區(qū)域自身PM2.5污染的影響較小，所以空間溢出影響也相對較弱。變量電力消耗的間接效應(yīng)估計值為0.069，這表明地區(qū)自身電力消耗的增加使得臨近區(qū)域PM2.5污染變得嚴重，其原因在于地區(qū)電力消耗的增加使得臨近區(qū)域在能源消耗上被迫選擇以煤為主的高污染原料，使得污染增加，同時這也間接反映我國當前清潔能源供應(yīng)仍存在很大的缺口。

在總效應(yīng)估計值中可以看到GDP的增長同PM2.5污染之間仍然表現(xiàn)出很強的正相關(guān)關(guān)系，而人均GDP水平則與PM2.5污染顯示出負相關(guān)，在能源消耗變量中煤和電力的總效應(yīng)估計值相比直接效應(yīng)估計值發(fā)生了很大的變化，煤消耗對污染的影響明顯增強，而消耗更多的電能對污染的緩解卻減弱，其原因在于我國當前相當一部分電力供應(yīng)仍來源于火力發(fā)電。

4 研究結(jié)論

本文利用空間計量方法對所選取的31個省級行政區(qū)域可吸入顆粒物PM2.5排放污染進行了空間面板檢驗，結(jié)果發(fā)現(xiàn)樣本區(qū)域在PM2.5污染上存在著較為明顯的空間依賴性，考慮了空間交互效應(yīng)所測算出來的GDP等解釋變量的估計值更具有真實性和穩(wěn)健性。通過探索性空間分析發(fā)現(xiàn)樣本區(qū)域PM2.5污染除具有空間相關(guān)性外還具有空間異質(zhì)性，這在理論上就很好的解釋了當前我國PM2.5污染呈現(xiàn)聚集發(fā)生的特點。例如頻發(fā)霧霾污染的京津冀地區(qū)，由于北京和天津處于空間聚集模式的第二象限，即低污染和高污染區(qū)域臨接聚集，雖然兩個區(qū)域本身PM2.5排放污染較低，但是由于同高污染排放的河北地區(qū)臨接，受較強的空間溢出效應(yīng)的影響，造成京津冀地區(qū)嚴重的PM2.5污染。計量模型估計結(jié)果進一步揭示了經(jīng)濟發(fā)展與能源消耗等因素對PM2.5污染的影響，從結(jié)果看以看出我國現(xiàn)有的經(jīng)濟增長方式與環(huán)境保護之間仍處于不可調(diào)和階段，高污染、高排放的擴張方式加劇著生態(tài)環(huán)境的惡化，這就要求從根本上轉(zhuǎn)變發(fā)展方式，實現(xiàn)綠色GDP增長。由于Bouvier[27]在研究中已經(jīng)證明了人均GDP與空氣污染水平之間存在著倒U型的環(huán)境庫茲列茨曲線，提高人均GDP水平將會成為改善空氣質(zhì)量的一個重要手段。對于地區(qū)能源消耗，從選取的三個能源消耗指標可以看出，煤炭消耗已成為PM2.5污染形成的主要因素，而增強電力消費對于污染的緩解效應(yīng)又遠遠低于煤炭消費所引起的污染排放，這說明我國現(xiàn)階段的能源消耗結(jié)構(gòu)及其不合理，初級能源消費在能源供給市場上占據(jù)了絕大部分比例，而類似于煤這樣的初級能源又恰好具有高污染率和低能源轉(zhuǎn)換率。所以，在能源消費市場中增加具有高能源轉(zhuǎn)換效應(yīng)的清潔能源使用率將是能源結(jié)構(gòu)調(diào)整的主要方向。

（編輯：常 勇）

參考文獻（References）

[1]國家統(tǒng)計局.2013年中國環(huán)境年報[N/OL].[2014-06-05].http：//jcs.mep.gov.cn/hjzl/zkgb/2013zkgb/.[National Bureau of Statistics. Chinese Environment Report 2013[N/OL].[2014-06-05]. http：//jcs.mep.gov.cn/hjzl/zkgb/2013zkgb/.]

[2]Chow J C. Welcome to a Special Issue on PM2.5： A Fine Particle Standard [J]. Air & Waste Manage， 1999，17（49）：1-5.

[3]Eldred R. Composition of PM2.5 And PM10Aerosols in the Improve Network [J]. Air & Waste Manage， 1997，12（47）：1-4.

[4]Nehzat Mtalebi. Winter Time PM2.5 and PM10， Source Apportionment at Sacramento， Caledonia [J]. Air & Waste Manage， 1999，12（49）： 25-29.

[5]JiunnDer Duh. Rates of Urbanization and the Resiliency of Air and Water Quality [J]. Science of the Total Environment， 2008，10（8）： 238-256.

[6]Benjamin F. Introduction to Remote Sensing [M]. Dubuque， US： The Environment Hunt Publishing Company，1978：386-390.

[7]Elena Austin. A Framework for Identifying Distinct Multipollutant Profiles in Air Pollution Data [J]. Environment International， 2012，3（45）： 112-121.

[8]Ori Eitan. Spatial Analysis of Air Pollution and Cancer Incidence Rates in Haifa Bay， Israel [J]. Science of The Total Environment， 2012，12（20）： 408-410.

[9]RogulaKozowska W. Structure of Atmospheric Aerosol in Upper Silesia （Poland）contribution of PM2.5 to PM10 in Zabrze， Katowice and Czestochowa in 2005-2007[J]. Archives of Environmental Protection， 2009，4（25）： 2-5.

[10]任春艷. 西北地區(qū)城市化與空氣質(zhì)量變化關(guān)系研究[J]. 北京師范大學(xué)學(xué)報：自然科學(xué)版，2005，4（41）：2-4.[Ren Chunyan. The Research of Air Quality and Western cities Urbanization Rates[J]. The Journal of Beijing Normal University： Natural Science Edition， 2005，4（41）：2-4.]

[11]蔣洪強，張靜. 中國快速城鎮(zhèn)化的邊際環(huán)境污染效應(yīng)變化實證分析[J]. 生態(tài)環(huán)境學(xué)報，2012，21（2）： 293-297.[Jiang Hongqiang， Zhang Jing. An Empirical Analysis of Marginal Environmental Effects of Chinese Rapid Urbanization [J]. The Journal of Ecological Environment，2012，21（2）：293-297.]

[12]王紅，齊建國.PM2.5高排放與治理的技術(shù)經(jīng)濟思考[J].經(jīng)濟縱橫，2013，4（1）：27-29.[Wang Hong， Qi Jianguo. The Thinking of Governance and High Emission of PM2.5 [J]. Economic Aspect， 2013，4（1）：27-29.]

[13]Anselin L. Spatial Econometrics： Methods and Models [M]. Kluwer：Dordrecht，1998.

[14]Anselin L， Cho W. Simple Diagnostic Tests for Spatial Dependence [J]. Reg Sci Urban Econ，1996， 26（1）：77-104.

[15]Anselin L， Bera A. Spatial Dependence in Linear Regression Models with an Introduction to Spatial Econometrics [M]. Marcel Dekker， New York：Handbook of Applied Economics Statistics，1998：237-289.

[16]Anselin L， Le Gallo J， Jayet H. Spatial Panel Econometrics. The Econometrics of Panel Data， Fundamentals and Recent Developments in Theory and Practice， 3rd Edition [M]. Kluwer： Dordrecht， Netherland， 2006.

[17]Elhorst J P. Specification and Estimation of Spatial Panel Data Models [J]. Int Reg Sci Rev，2003；26（3）：244-268

[18]Elhorst J P. Applied Spatial Econometrics： Raising the Bar [J]. Spat Econ Anal，2010，5（1）：9-28.

[19]Elhorst J P. Spatial Panel Data Models[M]. In： Fischer MM， Getis. A Handbook of Applied Spatial Analysis. Berlin：Springer， 2010.

[20]Debarsy N， Ertur C. Testing for Spatial Autocorrelation in A Fixed Effects Panel Date Model [J]. Reg. Sci. Urban Econ， 2010，40（7）： 453-470.

[21]Florax R J G M， Folmer H， Rey S J. Specification Searches in Spatial Econometrics： The Relevance of Hendrys Methodology [J]. Reg Sci Urban Econ， 2003，33（5）： 557-579.

[22]Mur J， Angulo A. Model Selection Strategies in A Spatial Setting： Some Additional Results [J]. Reg Sci Urban Econ， 2009，39（2）：200-213.

[23]IIASA. Gains Asia： A Tool to Combat Air Pollution and Climate Change Simultaneously， Methodology[R]. Laxenburg：International Institute for Applied Systems Analysis，2008.

[24]IIASA. Gains Asia： Scenarios for CostEffective Control of Air Pollution and Greenhouse Gases in China[R]. Laxenburg：International Institute for Applied Systems Analysis， 2008.

[25]Ehrlich P R， Holdren J P. Impact of Population Growth [J]. Science， 1971，171（3）：1212-1217.

[26]Dietz T， Rosa E A. Effects of Population and Affluence on CO2 Emissions [J]. Proceedings of the National Academy of Sciences， 1997，94：175-179.

[27]Bouvier R. Air Pollution and Per Capita Income[R]. //Working Paper Series，Political Economy Research Institute. Massachusetts：University of Massachusetts，2004.