山西省城鎮化與大氣環境質量的EKC檢驗

(山西財經大學資源環境學院 山西 太原 030006)

一、引言

EKC理論揭示了環境與經濟發展間的關系。當前學者們做了較多EKC方面的實證研究。杜雯翠[1]等得出1990-2009年11個新型經濟體國家城市化與可吸入顆粒物存在U型關系。丁鐳[2]研究了274個地級以上城市，結果表明SO2與城鎮化表現為倒N型、NO2與城鎮化率的顯著性不高、PM10與城鎮化表現為U型關系。高明[3]等使用了動態面板模型研究了京津冀2003-2015年的面板數據。崔蓮[4]得出SO2排放量與城鎮化關系表現為倒N型，煙塵排放量與城鎮化關系表現為一次線性遞減。

二、指標選取與模型設定

(一)指標的確定

本文選取山西省2004-2018年SO2、NO2和PM10的年均濃度作為被解釋變量。以城鎮化率(Urban)為主解釋變量。同時選取建成區面積(area)、建成區綠化覆蓋率(green)、選取人均生產總值(pgdp)、工業產業占生產總值比重(industry)、民用汽車增長率(car)和環境治理投入(input)作為解釋變量。

(二)模型設定與數據處理

本文分析時將采用面板數據的變截距模型進行回歸分析。按照EKC模型，可以將模型設定為主解釋變量的二次項、三次項和各自加上其他解釋變量四類。

U1：lnp=α0+α1lnUrban+α2(lnUrban)2

U2：lnp=α0+α1lnUrban+α2(lnUrban)2+α3(lnUrban)3

U3：lnp=α0+α1lnUrban+α2(lnUrban)2+α3lnpgdp+α4lnindustry+α5lnarea+α6lngreen+α7lncar+α8lninput+α9T

U4：lnp=α0+α1lnUrban+α2(lnUrban)2+α3(lnUrban)3+α4lnpgdp+α5lnindustry+α6lnarea+α7lngreen+α8lncar+α9lninput+α10T

其中，p為污染物年均濃度，T為時間變量。

三、基于面板數據的EKC檢驗

(一)被解釋變量為SO2的EKC檢驗

根據設定的模型，將各解釋變量與lnSO2進行擬合可以得到表3.1的結果。在三次項模型中，城鎮化率在四個模型中全部通過顯著性檢驗。其他解釋變量中，pgdp均通過了1%顯著性檢驗，且與SO2呈負相關關系。industry通過了5%顯著性檢驗，且系數為正。area通過了1%-5%的顯著性檢驗，表現出正相關關系。green通過了1%和5%的顯著性檢驗，呈現負相關關系。故使SO2濃度升高的影響因素有工業產業比重、建成區面積。使SO2濃度降低的影響因素有人均GDP、建成區綠化覆蓋率。

圖3.1 2004-2018年SO2與城鎮化率擬合結果圖

根據豪斯曼檢驗的結果來看，應選擇采用固定效應模型進行擬合。再結合顯著性水平和R2的結果，確定FE-U4模型為最優擬合函數，即y=-5.4507x3+64.2619x2-251.991x+336.2686。由此可以得出SO2年均濃度與城鎮化率為倒N型曲線，見圖3.1。該方程存在兩個拐點，一個是惡化拐點，另一個是改善拐點，他們所對應的城鎮化率的值分別為42.36%和61.15%。并且根據擬合圖像結果可知，SO2年均濃度隨城鎮化水平的提高表現出下降-上升-再下降的趨勢。

表3.1SO2與相關解釋變量的擬合結果

(二)被解釋變量為NO2的EKC檢驗

根據設定的模型，將各解釋變量與lnNO2擬合可以得到表3.2的結果。通過表3.4中數據可以看出，在三次項模型中，城鎮化率通過了1%-5%的顯著性檢驗。在其他解釋變量中，pgdp在所有的模型中均通過了1%顯著性檢驗，且與NO2濃度呈負相關關系。industry通過了5%的顯著性檢驗，且系數為正。area通過了1%的顯著性檢驗，與NO2濃度表現出正相關關系。green和car沒有通過顯著性檢驗。input通過了1%的顯著性檢驗，系數為負。故會使NO2濃度升高的影響因素有工業產業比重、建成區面積。使NO2濃度降低的影響因素有人均GDP、工業廢氣治理設施運行費用。

根據豪斯曼檢驗結果來看，應選擇采用固定效應模型進行擬合，即y=-5.6723x3+65.5804x2-254.2459x+336.4045，表明NO2年均濃度會一直呈現下降趨勢。而這一結果與現實情況并不相符。故查閱的文獻可知，Brajer等[5]認為，在進行大氣環境質量與經濟分析時，采用隨機效應模型往往會有更好的效果。所以，這里嘗試選用顯著性和R2都較好的RE-U4模型來進行擬合分析，得出城鎮化率與NO2年均濃度的擬合函數為y=-3.3112x3+40.0315x2-160.0248x+218.8797。NO2年均濃度與城鎮化率表現為倒N型。該函數一個拐點是惡化拐點，另一個是改善拐點，也就是對應城鎮化率為39.19%和80.76%的時候。這一結果與實際情況更加貼合。函數圖像見圖3.2，從圖中也可以看出，NO2年均濃度隨城鎮化水平的提高表現出下降-上升-下降的趨勢。

表3.2NO2與相關解釋變量的擬合結果

圖3.2 2004-2018年NO2與城鎮化率擬合結果圖

(三)被解釋變量為PM10的EKC檢驗

根據設定的模型，將各解釋變量與lnPM10進行擬合，結果見表3.3。在所有的模型中，城鎮化率均通過了顯著性檢驗。其他解釋變量中，pgdp均通過了1%-5%的顯著性檢驗，且與PM10呈負相關關系。industry僅在FE-U3中通過了5%的顯著性檢驗，且系數為正。area在FE-U3中通過了1%的顯著性檢驗，且系數為正。Input僅在RE-U3中通過了10%的顯著性檢驗，且與PM10呈負相關關系。green、car則沒有通過顯著性檢驗。所以會使PM10濃度升高的影響因素有工業產業比重的提高、建成區面積的擴張。使PM10濃度降低的影響因素有人均GDP的提升、工業廢氣治理設施運行費用的增加。

根據豪斯曼檢驗結果、顯著性水平和R2的綜合結果，最終確定FE-U3模型為擬合函數。即y=2.1030x2-15.6216x+34.8883，由此可以得出PM10年均濃度與城鎮化率為U型曲線，拐點為城鎮化率40.92%的時候。函數圖像見圖3.3。表明15年間山西省的PM10濃度呈現下降-上升的趨勢。

表3.3PM10與相關解釋變量的擬合結果

圖3.3 2004-2018年PM10與城鎮化率擬合結果圖

四、結論

山西省11地市2004-2018年SO2和NO2濃度與城鎮化率表現為倒N型關系，PM10濃度與城鎮化率表現為U型關系。從解釋變量的分析可知，工業產業比重和建成區面積的增加會同時明顯地增加SO2、NO2、PM10三種污染物年均濃度。而人均GDP的提高會使三種污染物濃度降低。此外，建成區綠化覆蓋率的提高會降低SO2濃度，工業廢氣治理設施運行費用的增加會降低NO2、PM10的濃度。