中國城市PM2.5減排效率的區域差異及其影響機制

李德山 張鄭秋 付磊 郭四代

摘要 為打好環境污染防治攻堅戰，促進經濟高質量發展，中國各級政府不斷加大環境污染的防治力度。首先，文章采用2003—2018年中國260個地級市的面板數據，運用共同前沿技術和Hybrid-Dynamic-DEA模型測算了中國城市層面的PM2.5減排效率。其次，在考察了不同城市要素稟賦結構存在異質性的基礎上，深入分析了經濟發展水平對中國城市PM2.5減排效率的影響。研究結果顯示：①中國PM2.5減排效率整體偏低，年均值僅為0.126，大氣污染減排壓力巨大。②樣本期內中國PM2.5減排效率呈現出緩慢上升再下降的過程。區域間PM2.5減排效率存在明顯的區域異質性，表現為東部地區最高，其次是東北部，再次是西部，中部地區最低。③從整體來看經濟發展水平對PM2.5減排效率具有顯著的促進作用。從異質性角度來看，在10%到90%分位數之間經濟發展水平對PM2.5減排效率的影響隨著分位點的升高而升高。在考慮了PM2.5減排效率的指標更換、外生工具變量的構造等方面后，結果依然穩健。④機制研究結果表明城市要素稟賦結構的差異會作用于地區經濟發展水平，進而影響到PM2.5減排效率。因此，各地政府要結合各自城市的要素稟賦結構和比較優勢，制定適應的大氣污染環境治理政策，不能純粹依靠政府的行政化管理手段，避免采取“一刀切”或“照搬照抄”的環境治理方式;要實施差異化的大氣污染環境治理政策，對于東部沿海城市應不斷完善產業發展政策，提高自身的環境治理能力。中西部地區城市應加快引進沿海城市的先進管理經驗，激勵企業進行綠色技術或工藝的改造升級，努力提高經濟增長的質量。

關鍵詞 霧霾污染;PM2.5減排效率;共同前沿技術;經濟發展;要素稟賦結構

中圖分類號 F124.6; X196? 文獻標識碼 A? 文章編號 1002-2104（2021）04-0074-12? DOI：10.12062/cpre.20200702

隨著中國工業化和城鎮化進程的不斷加快，許多城市頻繁發生大范圍的霧霾天氣，這不僅引起了公眾對環境和健康問題的嚴重擔憂，也引發了社會各界對中國經濟高速發展模式的質疑。中國工程院院士鐘南山在2013年接受中央電視臺采訪時指出，“霧霾天氣對呼吸系統有重要影響，PM2.5（又稱可吸入肺部顆粒物）增加10 μg/m3，呼吸系統疾病的住院率就會增加3.1%。這比‘非典可怕得多，‘非典可以隔離，但是大氣污染是任何人都跑不掉的。”根據生態環境部公布的數據，2018年全國338個城市中僅121個城市環境空氣質量達標，空氣質量最差的三個城市分別為臨汾市、石家莊市、邢臺市，對應的PM2.5濃度分別為68.2、76.7、76.7 μg/m3。此外，全國空氣質量最差的城市集中于京津冀和汾渭平原兩大重點區域，雖然2018年這兩個區域的PM2.5濃度較上年分別下降11.8%、10.8%，但空氣質量并不樂觀，PM2.5濃度分別高達60、58 μg/m3。為了改善大氣環境質量，中國各級政府不斷對大氣污染防治法律法規進行修訂和完善，并采取了一些針對性的措施，旨在改善嚴峻的大氣環境形勢。然而，中國地域發展不平衡，不同地區的城市在自然條件、經濟、技術和人口規模等方面具有較強的異質性，霧霾減排的治理力度在不同區域也會存在一定的差異。因此，有必要考慮不同城市要素稟賦結構的異質性，詳細考察不同城市PM2.5減排水平上的時空差異，深入挖掘造成差異的主要影響因素，為不同區域城市的大氣環境質量改善提出治理依據和決策建議。

1 文獻綜述

隨著世界各國對環境問題的重視，環境效率評價已成為國內外環境經濟研究的熱點。測算環境效率的常用方法有生態足跡法、IPAT環境壓力模型以及數據包絡分析方法等。如，史丹等[1]以單位生態足跡的GDP產出來表征生態效率，對中國1991—2013年的生態效率的變動進行了分析。羅能生等[2]采用IPAT模型分析了城鎮化率與區域生態效率之間關系。由于數據包絡分析方法（DEA）是一種非參數方法，不需要主觀設定權重，且無須對數據進行量綱處理，因而在環境效率評價方面得到了廣泛的應用。為了使DEA方法對環境效率進行合理的評價，一些學者從不同角度進行了有益的嘗試。現有文獻對污染排放的處理方法主要分為三類：一是，將污染排放作為投入要素引入[3-4]，該方法沒有考慮到常規投入（資本和勞動力）對環境效率的影響，有一定的局限性。二是，把污染排放通過取倒數處理后作為期望產出[5]。但該方法存在一定的缺陷，與實際生產過程存在偏差。三是，將污染排放作為有弱可處置性的非期望產出，與期望產出一同引入方向性距離函數進行測算[6]。該方法可以較好地評價環境效率，但是沒有充分考慮到投入產出的松弛性問題。如，李占風等[7]通過構建環境污染綜合指數，采用Undesirable SBM模型測算了中國30個省市的工業環境效率。黃建歡等[8]采用共同前沿技術和Undesirable SBM模型測算了中國191個地級市的環境效率。

同時，關于經濟發展與環境污染為主題的研究已經取得了較為豐富的成果[9-12]，但是，關于大氣污染減排與經濟發展的文獻還相對偏少。如，王奇等[13]、尹向飛[14]、汪克亮等[15]等采用非參數法對中國工業或城市的大氣污染排放效率進行了測度。戴小文等[16]采用IPAT環境壓力因素分解模型發現人口規模和經濟發展水平對霧霾排放具有顯著的正向驅動作用。梁偉等[17]采用空氣質量指數（AQI）對霧霾污染進行了測度，并且發現城鎮化率的提升對霧霾的排放具有顯著的負向影響，而經濟發展水平和霧霾污染之間存在著“N”型關系。邵帥等[18]采用中國1998—2012年省級面板數據，研究發現霧霾污染與經濟增長之間存在顯著的“U”型關系。劉軍等[19]采用中國2012—2015年119個地級市面板數據，研究發現大氣污染與經濟發展水平之間存在顯著的倒“U”型關系。而馬麗梅和張曉[20]、劉華軍和裴延峰[21]的研究發現經濟發展和霧霾污染之間并不存在環境庫茲涅茨曲線，而是呈現線性遞減關系。王振波等[22]的研究結果表明，由于各城市群的社會經濟和工業化階段不同，使得人均GDP對不同城市群PM2.5污染的影響呈現出不同的正負關系。

綜上所述，發現既有研究還存在一些不足之處：第一，以往研究測算環境效率時基本都是在傳統的全要素框架下加入了勞動、資本和能源等生產要素作為投入來進行測算，這樣測算出來的效率值在嚴格意義上來說并不是環境效率值，而是一種考慮了環境因素的經濟效率值，它既可稱為勞動效率，也可以稱為資本效率或能源效率。第二，現有文獻在測算環境效率的方法上大多采用徑向或者非徑向的方向性距離函數，較少考慮混合徑向的問題。由于企業在實際生產過程中，投入與產出之間會同時存在徑向和非徑向關系，若采用傳統的非徑向模型，容易導致測算結果出現偏差。第三，以往研究大多將非期望產出的關注點放在SO2、CO2、AQI和PM10等常規污染物上，而專門針對PM2.5污染減排效率的研究還相對較少。第四，大多數研究未考慮不同城市間要素稟賦結構的差異，從而導致經濟發展水平對霧霾排放治理的影響可能存在一定的內生性問題。鑒于此，文章首先運用共同前沿技術和Hybrid-Dynamic-DEA模型測算出2003—2018年中國260個地級市的PM2.5減排效率，然后分析經濟發展水平對PM2.5減排效率的影響，最后有針對性地提出環境污染防治的對策建議。

2 研究方法

2.1 Hybrid-Dynamic-DEA模型

雖然常見的Malmquist DEA模型可以計算決策單元（DMU）在不同時期的效率，但是，該模型只是對各個時期的效率進行簡單的幾何平均或算數平均進行比較和測算。由于霧霾等環境問題是一項長期的、復雜的形成過程，其效果的體現不僅是一個日積月累的過程，還是一個漸進的過程。因此，評價決策單元在多個時期的整體效率時，應該充分考慮各個時期之間的相互聯系，將其作為一個系統來加以動態評價。動態DEA模型最早由Fre和Grosskopf[23]于1997年提出，后來該模型得到了快速的擴展。如，Tone 和 Tsutsui[24]在2010年提出了動態的SBM模型。同時，為了解決投入與產出中存在的混合徑向問題，Yaghubi等[25]在2016年提出了Hybrid-Dynamic-DEA模型，該模型結合了混合方向距離函數和動態DEA模型的優點。既考慮了具有徑向和非徑向特點的投入產出變量，又在傳統DEA模型的基礎上加入了時間向量，構成一個立體的數據網絡。

2.2 Meta-Frontier模型

共同前沿技術（Meta-Frontier）最早是Battese和Rao[26]于2002年提出的。其基本思想是按照一定標準將決策單元分為多個群組，并采用SFA或DEA等效率測算方法界定群組前沿。然后，根據各組決策單元的群組前沿構建共同前沿邊界，測算出共同前沿下的效率值和群組前沿下效率值。文章將決策單元分為東部、中部、西部和東北部四個群組參考集，分別構造群組前沿面，然后將四大地區再作為一個整體構造共同前沿面。假設共同前沿的技術集合為：

Tmeta={（x，y）：x≥0;y≥0;x能生產出y}

對于任意投入x，生產可能集P可以表示為：

Pmeta（x）={y：（x，y）∈Tmeta}

Pmeta（x）生產可能集的上界即為共同邊界。共同前沿上的決策單元是所有群組的最佳生產技術。顯然，共同前沿是群組前沿的包絡曲線。那么，基于共同技術效率的距離函數可以表述為：Dmeta（x，y）=infθ{θ>0：y/θ∈Pmeta（x）}。此處，0≤Dmeta（x，y）≤1。Dmeta（x，y）越接近于1，說明效率得到提升;反之，則下降。當Dmeta（x，y）=1，表明決策單元處于共同前沿面上。

文章將樣本城市分為k（k>1）個群組，這k個群組的技術集合為：

Tk={（x，y）：x≥0;y≥0;群組k中x能生產出y}

從而，生產可能集為：Pk（x）={y：（x，y）∈Tk}，k=1，2，…，K。群組前沿上的決策單元代表了該群組內最優的生產技術，是該群組內的最優投入產出點。那么，群組距離函數可表示為：Dk（x，y）=infθ{θ>0：（y/θ）∈Pk（x）}，k=1，2，…，K。此處，Dk（x，y）反映了群組內的決策單元實際投入與相應群組前沿之間的差距，0≤Dk（x，y）≤1。當Dk（x，y）=1，表明決策單元處于群組前沿面上。

因此，綜合運用上述方法，首先采用基于投入導向的規模報酬不變的Hybrid-Dynamic-DEA模型和Meta-Frontier模型，測算出2003—2018年中國260個城市的共同前沿和群組前沿的PM2.5污染物排放的松弛變量;然后，根據Hu和Wang[27]的思想計算出PM2.5減排效率：PM2.5減排效率=（實際PM2.5排放量-調整PM2.5排放量）/實際PM2.5排放量。該指標是一個無量綱指標，取值范圍為[0，1]，越趨近于0代表在期望產出不變的情況下該城市的PM2.5減排效率存在越高的提升空間;反之提升空間越低。

2.3 計量模型設定

為了驗證經濟發展水平與PM2.5減排效率之間的因果關系，文章的基準計量模型設定如下：

lnMEi，t=α1+α2lnagdpi，t+βiXi，t+ui+λt+εi，t（1）

其中，agdpi，t為i城市第t年份的經濟發展水平;MEi，t為i城市第t年份的PM2.5減排效率;Xi，t為控制變量的集合;ui為個體固定效應，用以控制不同城市之間的差異;λt為時間固定效應，用以去除趨勢項;εi，t為隨機擾動項。其中，α2度量了經濟發展水平對PM2.5減排的影響。如果一系列城市特征變量被控制后，α2系數依然顯著為正，則表明經濟發展有利于PM2.5的減排。

3 數據來源及處理方法

3.1 投入指標選取

文章選取勞動、資本和能源三種投入要素。以第二產業從業人數作為勞動投入指標;以工業資本存量作為資本投入指標，用各省工業固定資產投資與全社會投資之比乘以所轄城市的固定資產投資，確定每年各地級市的工業固定資產投資。然后，再根據永續盤存法估算工業資本存量，資本的折舊率選取10.96%，并將資本存量調整為以2000年為基期的不變價;能源投入指標按照各地級市工業增加值乘以相應省份工業增加值能耗強度得出。

3.2 產出指標選取

文章將產出要素指標分為期望產出和非期望產出兩種指標。以工業增加值作為期望產出指標，使用各城市所在省的地區生產總值指數，將各城市的工業增加值調整為基期2000年的不變價格。這里選取城市PM2.5污染排放作為非期望產出指標，主要原因有以下三點：第一，PM2.5是形成霧霾天氣的主要原因之一，這種以氣溶膠形式存在的細微顆粒物含有大量有毒有害物質對人的身體健康有非常不利的影響。第二，PM2.5數據是根據各個監測點的監測儀器測算出來的，可以有效避免人為因素的影響。第三，PM2.5排放指標可以反映工業生產、汽車尾氣等方面的污染排放，而且還包含了大氣污染物之間通過物理、化學反應形成的二次顆粒物，更能準確反映城市經濟活動所帶來的非期望產出。文章的PM2.5數據來自哥倫比亞大學公布的2003—2018年分年度的衛星監測PM2.5密度資料。同時，由于在實際生產過程中，投入與產出之間會同時存在徑向和非徑向關系。因此，文章將能源投入與PM2.5污染排放設置為同比例變動關系，而將勞動力等投入要素與PM2.5污染排放設置為非同比例變動關系。

3.3 變量選取與說明

計量模型中變量選取和衡量方法說明如下：①被解釋變量：PM2.5減排效率（lnME）。以共同前沿技術下測算的PM2.5減排效率的結果來表示，這里對該變量取自然對數以消除可能存在的異方差。②核心解釋變量為經濟發展水平（lnagdp），采用該城市的人均GDP來表示，并取對數。③其他控制變量：結合已有研究[28]，本研究還引入了一組城市特征變量，以盡可能緩解遺漏變量偏誤。其中，根據林毅夫[29]的研究，要素稟賦結構對一個國家或地區的經濟發展具有非常重要的作用，而經濟發展水平又會影響到一個國家或地區的環境污染和治理能力。文章采用資本勞動之比來衡量要素稟賦結構（Endow）。根據杜龍政等[30]的研究，外商直接投資可以用于檢驗“污染避難所假說”，因此，文章采用外商直接投資額占城市總產值的比重表示外商直接投資（FDI）。政府干預會影響到地區的環境污染[31]，因此，文章采用財政支出占GDP的比重來表示政府干預度（Gov）。已有研究認為產業結構與環境污染之間呈正比例關系。因此，借鑒鄭潔等[32]的做法，選取第二產業產值占城市GDP的比重來表示產業結構（lndus）。同時，結合已有研究，一個城市的人口密度越大，可能帶來更嚴重的環境污染。因此，文章選取各地級市年末人口數與全市行政區域面積之比表示人口密度（PD）。另外，一個地區的工業企業規模越大越可能會給該地區帶來環境污染。因此，文章采用工業企業數量來表示工業企業規模（lnFirm），并取對數。一個地區的固定資產投資規模越大也會給該地區的生態環境帶來嚴重的破壞，因此，采用固定資本投資規模來表示投資規模（lnInvest），并取對數。環境規制（ER）選取城市污水處理廠集中處理率、固體廢棄物綜合利用率作為度量各城市環境規制強度指標。借鑒董直慶和王輝[33]計算單位經濟產出排放綜合指標的方法，將其轉換為綜合指標。城市研發創新水平采用城市人均政府科學事業費支出（lnRD）表示，并取對數。

文章數據主要來源于《中國城市統計年鑒》《中國環境統計年鑒》《中國能源統計年鑒》和《中國統計年鑒》。由于部分城市數據缺失，最終選取的樣本為2003—2018年中國260個地級市面板數據，所有價格變量均以2000年為基期換算為可比價。各變量描述性統計如表1所示。另外，區域劃分采用國家統計局2011年公布的中國經濟區域的劃分方法。

4 中國城市PM2.5減排效率測算分析

4.1 區域層面PM2.5減排效率分析

根據上述模型，文章對中國2003—2018年四大經濟區域的PM2.5減排效率進行了測算（表2）。從全國來看，以共同前沿為基準，2003—2018年全國PM2.5減排效率均值僅為0.126，距離生產前沿面的提升空間還有87.4%。意味著在維持期望產出不變的情況下，PM2.5排放量還可以在原有基礎上減少87.4%。這主要是由于中西部地區的絕大部分城市PM2.5減排效率處于低效率（0～0.25）水平，即使部分城市具有較高的PM2.5減排效率，但其對整體水平的提升有限。如果樣本城市都能達到共同前沿城市的生產技術，那么，中國城市的PM2.5污染減排的提升空間相當巨大。由表2還可以看出，東部、中部、西部和東北部的城市PM2.5減排效率均值分別為0.235、0.074、0.098和0.136，均處于低效率水平。這也進一步表明，絕大部分城市未能達到共同前沿城市的PM2.5減排技術，存在非常大的提升潛力。

從時間的演變趨勢來看，圖1顯示了樣本期內全國PM2.5減排效率呈現出緩慢上升再大幅下降的過程。具體而言，2003—2009年全國PM2.5減排效率從0.153上升到0.201;2009年之后減排效率逐年下降，至2018年達到0.042這一低位水平，降幅較大。從區域層面來看，2003—2018年東部、中部、西部和東北部城市PM2.5減排效率隨時間的變化情況同全國基本一致，均在2009年到達最高點。這可能是由于自2003年以來，中國政府根據科學發展觀先后出臺了多項節能減排的政策，使得PM2.5減排效率有所提升。但是，在2009—2018年間呈現出明顯的下降趨勢，這可能是由于受2008年金融危機影響，地方政府上迫于“保增長”的壓力，強行拉動經濟增長的舉措導致一大批能耗高、污染嚴重的項目得以上馬，進而導致PM2.5減排效率有所下降。另外，由表2和圖1可以看出，四大區域之間的PM2.5減排效率存在明顯的區域異質性，表現為東部地區最高，其次是東北部，再次是西部，中部地區最低。東部地區是中國PM2.5減排效率最高的地區，這可能與東部沿海城市的地理位置、科技水平以及經濟實力有很大的關系。而隨著這些年東部地區的產業結構不斷升級，一些落后的產業不斷向中西部地區城市轉移，從而導致污染向西遷移，使得中西部地區的節能減排任務艱巨。還有就是中西部地區的城市為了加快工業發展速度，降低了一些高能耗高污染項目的準入門檻，這進一步加大了中西部地區城市的大氣污染環境保護難度。

另外，從圖1可以看出，隨著時間的推移，四大區域的效率值差距在不斷縮小。這可能是由于東部地區的大氣污染防治技術存在溢出效應，不斷往中西部轉移，同時東部地區也將自己先進的管理經驗向落后地區擴散。在這種形勢下，中西部地區的城市追趕東部地區的速度不斷加快，使得東部與中西部地區之間的差距有縮小的趨勢。

由表2和圖2可知，在群組前沿下，2003—2018年全國PM2.5減排效率均值為0.275，雖然該效率均值略高于共同前沿下的效率均值，但距生產前沿仍存在著72.5%的提升空間。四大區域的PM2.5效率均值為0.223（東部）、0.496（中部）、0.296（西部）和0.103（東北部）。通過對比圖1和圖2，可以很明顯地看出共同前沿和群組前沿的PM2.5減排潛力不盡相同，這主要是由于效率測度的參照物不同造成的。共同前沿下PM2.5減排效率是以全國潛在的最優排放效率城市為參考基準，反映全國范圍內各城市經濟發展過程中PM2.5減排效率的差異性;群組前沿下PM2.5減排效率分別以四大經濟區域潛在的最優排放效率城市為參考，反映群組間最優環境壓力帶來的技術下各城市的PM2.5排放績效。由于群組前沿選擇的參考基準不同，因此，不同群組間的效率值并不具有可比性。但是，各個群組的時間演變趨勢存在一些特征。群組前沿下全國PM2.5減排效率均值表現為2003—2008年緩慢上升，2008—2018年加速下降，與共同前沿下PM2.5減排效率走勢基本一致。在四大經濟區域PM2.5排放效率時間變動走勢上，中部地區的城市PM2.5減排效率變動幅度最大，東北部地區的城市PM2.5減排效率基本保持平穩，東部和西部地區同全國PM2.5減排效率值變動走勢基本一致。

4.2 城市PM2.5減排效率時空格局演變

共同前沿和群組前沿下PM2.5減排效率均在0.9～1區間的城市僅有6個，包括上海、廣州、天津等5個東部城市和大慶1個東北部城市。意味著無論從共同前沿還是群組前沿來看，上海、廣州等6個城市均具有較強的PM2.5減排效率，城市經濟增長與PM2.5治理具有較高的協調水平。東部地區接近生產前沿面的城市占比83.33%，說明東部地區83.33%的城市都處在共同前沿面或者非常接近前沿面，這也反映了東部地區城市的大氣環境治理技術代表了全國最優水平，即這些城市的群組前沿技術與共同前沿技術的落差比較小。

共同前沿下PM2.5減排效率在0～0.9區間，且群組前沿下PM2.5減排效率在0.9～1區間的城市共有23個，包括無錫市1個東部城市，太原市、長沙市、武漢市等12個中部城市，玉溪市、西安市、成都市等10個西部城市。說明中部和西部地區城市PM2.5排放總體上呈現低效率水平，具有極大的減排空間。如中部的武漢市在群組前沿下的效率值為1，而共同前沿下的效率值僅為0.464。又如西部的玉溪市在群組前沿下的效率值為1，而共同前沿下的效率值僅為0.424，這說明武漢市處于中部群組的生產前沿面，玉溪市處于西部群組的生產前沿面，但是相對于共同前沿面，它們又離最優PM2.5減排治理技術還有很大的差距，即這些城市的群組前沿技術與共同前沿技術的落差很大。這表明中國區域間的PM2.5減排技術還存在明顯的差距，這種差距嚴重制約了中國PM2.5減排效率的進一步提升。

共同前沿和群組前沿下PM2.5減排效率大多分布在0～0.5的效率區間，且63.58%的城市集中在中國中西部和東北地區，這些城市中有51.82%集中在資源型城市，如山西的忻州市、晉城市;安徽省的淮南市、淮北市;陜西省的榆林市、銅川市;黑龍江省的黑河市、七臺河市;遼寧省的阜新市;四川省的雅安市、瀘州市;貴州省的安順市等。這些城市主要是中國傳統的能源生產基地，資源密集型產業比重較高，同時這些城市也是中國大氣污染最為嚴重的一些地區，經濟增長與大氣環境保護之間的關系極為不協調。尤其是西部的一些資源型城市，有限的經濟產出依靠大量的資源消耗和污染排放，以資源環境換取經濟增長的代價十分嚴重。這些城市在相當長的時間內都是國家節能減排和大氣污染防治的重點區域。

同時，文章重點分析了2003、2009和2018年三個年度的城市PM2.5減排效率的空間分布格局。共同前沿下，2003、2009和2018年各年份對應的PM2.5減排效率均值分別為0.153、0.201和0.042。具體地，2003年共有19個城市位于生產前沿面上，東部沿海主要包括上海市，廣東省的廣州市、深圳市，江蘇省的無錫市，浙江省的杭州市、寧波市，以及天津等城市;東北部地區只有黑龍江省的大連市和遼寧省的大慶市。此外，PM2.5減排效率值位于（0.5～1）區間的42個城市在地理位置上大多緊靠生產前沿面的城市，意味著生產前沿面城市對周邊城市在管理和技術上具有明顯的帶動作用。2009年整體PM2.5減排效率得到小幅提升，生產前沿面城市數量增加至30個，新增南京市、紹興市、廈門市、汕頭市、中山市等東部城市，蘭州市、包頭市等西部城市，以及哈爾濱市等東北部城市。PM2.5減排效率值位于（0.5～1）區間的城市增加至65個，圍繞前沿面的城市呈現網狀分布的特點。2018年，PM2.5減排效率出現大幅反彈，僅有上海市、深圳市、無錫市等5個東部沿海城市和大慶市1個東北部城市處于最佳PM2.5減排效率水平。PM2.5效率值在（0～0.25）區間的城市增加至236個，占樣本總數的90.77%。

群組前沿下，PM2.5減排效率依然表現為先增加再減少的趨勢，2003、2009和2018年城市PM2.5減排效率值分別為0.295、0.336和0.177，群組內依然存在極大的效率提升空間。由于不同群組間城市的PM2.5減排效率之間不具有可比性，此處結合上述三個年度PM2.5排放效率的變動特征，從四大區域城市群組的角度對其進行時空演變分析。2003年，PM2.5減排效率水平高（0.75～1）的城市中，東部地區有21個城市，主要包括北京、天津等京津冀城市群，上海、廣州等長三角和珠三角城市群;中部地區有30個城市，主要是以武漢市為中心的長江中游城市群;西部地區有13個城市，主要包括以重慶市為中心的成渝城市群;東北部地區有2個城市，包括黑龍江省的大慶市和遼寧省的大連市。2009年，除西部和東北部城市群組PM2.5減排效率出現小幅下降外，其他群組PM2.5減排效率得到改善，空間分布上變化不大。2018年，東部、中部和西部城市群組PM2.5減排效率出現回落，東北部城市群組PM2.5減排效率繼續保持低效率狀態。

5 實證結果分析

5.1 基準回歸

表3報告以共同前沿技術下的PM2.5減排效率作為被解釋變量的基準回歸結果。為了消除城市的個體固定效應和時間趨勢，列（1）加入了反映城市個體特征的虛擬變量和時間特征的年度虛擬變量，雙向固定效應模型的回歸結果顯示，經濟發展水平對城市PM2.5減排效率的影響系數為1.042，在1%的水平上顯著為正，說明城市層面的經濟發展水平對PM2.5減排效率存在顯著的促進作用，初步判斷符合理論預期。為了控制遺漏變量問題對結果造成的偏誤，在列（1）的基礎上加入了控制變量。列（2）結果顯示，加入控制變量后，經濟發展水平與城市PM2.5減排效率顯著的正相關關系依然存在。考慮到PM2.5排放效率可能存在滯后性特征，因此，列（3）在列（2）模型的基礎上加入了PM2.5減排效率的滯后一期，此時采用動態面板數據模型進行估計，結果發現經濟發展水平的估計系數依然沒有發生根本性變化。基準模型的線性回歸結果顯示，總體而言，經濟發展水平有利于城市霧霾減排治理。但是，考慮到經濟發展水平可能與環境治理之間存在“U”型（環境庫茲涅茨曲線）關系[34]，列（4）通過加入人均GDP的平方項來進行實證檢驗。結果發現平方項并沒有通過顯著性檢驗，一次項的估計系數依然顯著為正，這說明它們之間可能并不存在環境庫茲涅茨曲線效應，可能的原因在于環境庫茲涅茨的假設往往需要更長周期數據才能反映。同時，觀察核心解釋變量以及控制變量的估計結果可以發現，它們的估計系數以及顯著性水平也存在著一定的波動，這可能是由于模型還存在著一定的內生性問題。為此，本研究后續將對可能存在的內生性問題進行探討。

5.2 內生性問題

盡管以上基準回歸結果支持了文章的研究假設。但是，僅用固定效應模型來進行估計可能還存在一些較大的內生性偏誤。文章的內生性主要來源于三個方面：第一，PM2.5減排效率指標作為衡量霧霾污染減排的度量指標，可能存在測量誤差的問題;第二，大氣污染減排力度太小有可能帶來環境治理的惡化，這又會抑制城市的經濟發展，從而造成雙向因果問題。第三，盡管文章已經選取了已有文獻指出的重要影響因素，但還可能存在遺漏變量問題。

為了盡可能控制內生性問題對估計結果造成的影響，已有文獻大多采用動態面板數據模型或系統矩估計的方法來緩解內生性問題，但是僅僅利用系統矩估計可能是不夠的，需要采用更為有效的工具變量法。因此，為了解決上述的內生性問題，文章采取的具體策略是：首先采用群組前沿技術下的PM2.5減排效率作為霧霾減排的代理指標來解決可能的測量偏誤問題。其次，采用解釋變量的滯后期作為其本身的工具變量來緩解內生性問題。然后，通過引入外生變量作為經濟發展水平的工具變量盡可能地解決內生性問題。考慮到所尋找的工具變量必須與經濟發展水平高度相關，同時又不能直接影響到被解釋變量。基于這一認識，本研究通過降雨量與地形坡度倒數的乘積構造一個工具變量。一般來說，如果一個地區的地形坡度越平坦，降水量越多，那么這個地區的經濟作物就越容易豐收，從而人們的收入水平也越高[35-37]。這可以滿足有效工具變量的相關性假設。另一方面，無論是地形坡度還是降雨量均是由復雜的地理條件和氣象系統決定的，從而可以滿足有效工具變量的外生性假定。此外，構造的這個工具變量在時間和截面維度上均存在變化，尤其是城市的截面維度，從而有助于在城市層面上識別這個工具變量對經濟發展水平的影響。

表4報告了內生性處理的估計結果。其中，列（5）采用的是更換被解釋變量（群組前沿技術下的PM2.5減排效率）的方法進行估計，可以看出，經濟發展水平的估計系數在1%的水平上顯著為正。列（6）是將核心解釋變量的滯后一期作為工具變量進行的系統GMM估計，可以看出，經濟發展水平的估計系數為正，且通過了1%的顯著性檢驗。列（7）是將核心解釋變量的滯后一期作為工具變量進行的2SLS估計，結果顯示，與列（5）和列（6）相比，經濟發展水平的估計系數依然通過了1%的顯著性檢驗。進一步，文章采用構造的外生工具變量進行2SLS估計，列（8）估計結果與列（7）的結果基本一致，這說明通過外生工具變量對內生性的控制，經濟發展水平對PM2.5減排效率的影響得到了有效的識別。這也說明估計結果具有一定的穩健性。

5.3 異質性分析

考慮到中國不同地區的城市在經濟發展水平和資源稟賦等方面存在一定的差異，而這些都有可能影響到文章估計結果的穩健性。因此，文章采用Powell[37-38]提出的非可加性固定效應的面板分位數回歸模型。相比傳統的可加性面板分位數回歸模型，該模型保留了與分位數估計相關的不可分擾動項，能夠很好地克服傳統分位數回歸模型產生的估計偏差問題。由表5的面板分位數回歸模型估計結果可以看出，經濟發展水平估計系數的方向和顯著性與表4的模型結果基本一致，這也進一步印證了上述結論的穩健性。在不同分位點處的估計系數大小表現出明顯的異質性，這也間接表明由于不同城市所處的工業化發展階段以及主導產業的不同，從而導致人均GDP對PM2.5減排效率的影響存在一定的差異。同時由表5可以看出，在10%到90%分位數之間經濟發展水平對PM2.5減排效率的影響隨著分位點的升高而升高。這也說明對于PM2.5減排效率越高的城市，經濟發展水平的提高對大氣污染減排提升的作用越明顯。

5.4 機制檢驗

由于城市的PM2.5減排效率會受到經濟發展水平的影響，且這種影響可能是由不同城市之間要素稟賦結構的差異而造成的[39-40]。為檢驗這種非線性關系，文章以要素稟賦結構為門檻變量，采用面板門檻模型估計出在不同稟賦結構下城市經濟發展水平對霧霾減排的門檻效應。根據表6可以看出，單一門檻值和雙門檻值在1%的置信水平上顯著，而三門檻值在10%的置信水平上并不顯著。因此，接下來將基于雙門檻值模型來進行分析。

由表7的門檻效應估計結果可以看出，λ1、λ2和λ3分別表示第一門檻區間、第二門檻區間和第三門檻區間中經濟發展水平對城市PM2.5減排效率的解釋水平。

表8表示的是模型估計得到的雙門檻估計值及其對應的95%置信區間，結合圖3的似然比函數圖可以看出，門檻值對應的LR統計量等于0時的取值，而95%的置信區間表示的是所有LR值小于10%的顯著性水平下的臨界值λ構成的區間。

由此可以發現，總體上經濟發展水平對城市大氣污染減排具有促進作用，且系數通過了1%顯著性水平的檢驗。同時，可以發現要素稟賦結構在地區分布的不同使得經濟發展水平的影響效應表現出一定的差異性。在一個資本要素相對稀缺、勞動要素相對豐裕的城市，經濟發展水平對城市大氣污染減排效率的影響系數為1.835。即當要素稟賦結構低于門檻值805.680時，城市的經濟發展水平每提高1%，將導致城市大氣環境治理效果提高183.50%。當城市的要素稟賦結構處于第二門檻區間時，可以認為要素稟賦結構從貧乏狀態逐漸進入到中等豐裕狀態，即要素稟賦結構在[805.680，5 921.690]區間內，經濟發展水平對城市大氣環境治理效果的影響效應提高185.13%，這同第一個門檻區間的影響系數相比要高一些。這可能是由于在第二個門檻區間的城市隨著資本勞動比逐漸提高，經濟發展水平不斷推動著霧霾減排效果的改善，這樣就會使得第二個門檻區間的影響系數大于第一個門檻區間的系數。一旦要素稟賦結構進入到第三門檻區間，即要素稟賦結構的門檻值大于5 921.690時，經濟發展水平的影響作用就更加明顯，影響系數為1.876。這也說明當要素稟賦結構達到一個瓶頸后，經濟發展水平對大氣污染減排的作用會繼續顯著提高。這可能是由于在第三個門檻區間內，資本要素相對富裕，這些城市逐漸從高能耗的資本密集型產業向低能耗的資本密集型產業轉型，這個時候排放效率的提高可能更多的是來自城市環境治理水平和技術創新水平的提高。因此，環境治理的政策要因地制宜，對于東部沿海城市應完善現有的環境保護法規體系和產業發展政策，繼續提高自身的環境治理能力和管理效率。中西部地區的城市應該吸收和引進東部沿海城市的先進管理經驗，激勵企業進行綠色技術或工藝的改造升級，努力提高地方經濟的增長規模和質量，最終實現綠色經濟的高質量發展。因此，這就要求在生態文明建設過程中，對霧霾污染治理時要“因城施策”“分類指導”。

6 主要結論與啟示

在中國發展進入新時代階段，如何打好環境污染防治攻堅戰？如何通過比較優勢來促進經濟高質量發展？實現這樣雙贏的目標顯得尤為重要。①鑒于已有文獻大多將非期望產出的關注點放在SO2、CO2、AQI和PM10等常規污染物上，專門針對PM2.5污染減排效率的研究還比較少。②受限于數據可得性等原因，現有文獻的研究樣本大多停留在省級層面。③在評價霧霾減排效果的過程中，大多文獻并未考慮不同地區間的經濟發展、資源稟賦等差異問題，同時也忽略了變量本身存在的內生性問題。因此，文章首先利用2003—2018年中國260個城市面板數據對中國PM2.5減排效率進行了測算;然后利用測算出的共同前沿技術下的PM2.5減排效率作為被解釋變量，采用人均GDP作為經濟發展水平的代理變量，系統考察了經濟發展水平對中國城市PM2.5減排效率的影響;最后分析了地區的異質性和傳導的機制。本研究的主要結論：①中國PM2.5減排效率整體偏低。從時間趨勢來看，PM2.5減排效率呈現出緩慢上升再下降的過程。從區域比較來看，PM2.5減排效率存在明顯的區域異質性，PM2.5減排效率從高到低分別為東部、東北部、西部和中部。②在樣本期間內，經濟發展水平對PM2.5減排效率具有顯著的促進作用，在考慮了PM2.5減排效率的指標更換、外生工具變量的構造以及地區差異性等方面后，經濟發展水平對PM2.5污染減排效率的影響依然穩健。③機制研究的結果表明城市要素稟賦結構的差異會影響地區的經濟發展水平，進而影響到PM2.5的排放效率。

上述研究發現有著重要的政策啟示。①霧霾的環境治理應該遵循比較優勢的發展戰略。如果一個地區或城市的產業結構發展不符合當地的比較優勢，與其要素稟賦結構不相匹配，就有可能導致環境污染更加嚴重。即使政府采取多種嚴厲的環境規制政策，也會導致要素稟賦的資源錯配，這種錯配效應可能會超過技術創新帶來的補償效應，從而不利于城市的要素結構優化和產業結構升級，最終抑制了城市大氣污染減排效果。②要實施適度的環境規制強度。一個地區或城市的環境治理好壞不能純粹依靠政府的行政化管理手段。由于節能減排等環境考核的壓力，一些地方政府采取了“一刀切”或“照搬照抄”的環境治理方式，并沒有根據當地經濟的發展水平、資源稟賦等因素采取因地制宜的環境管理手段，從而使得部分技術工藝還沒完全轉型升級的企業停工停產，最終導致城市經濟增長和環境保護之間的矛盾日益突出。這種“一刀切”的環境政策反而會抑制城市的霧霾減排效果。③實行差異化的環境治理政策。由于中國四大經濟區的PM2.5減排效率存在明顯的區域差異性，各地政府要結合各自城市的環境承受力，著力提升本地區的要素稟賦結構，制定相應的環境治理政策。通過提高地方經濟的高質量發展來增加地方稅收來源，對清潔性產業實施不同程度的稅收優惠力度來提高企業的自生能力，以此激勵企業進行綠色技術的研發投入、技術引進或技術改造等方式，最終降低整個城市的環境污染排放強度。

參考文獻

[1]史丹， 王俊杰. 基于生態足跡的中國生態壓力與生態效率測度與評價[J]. 中國工業經濟， 2016（5）： 5-21.

[2]羅能生， 李佳佳， 羅富政. 中國城鎮化進程與區域生態效率關系的實證研究[J]. 中國人口·資源與環境， 2013， 23（11）： 53-60.

[3]KUOSMANEN T，KORTELAINEN M. Measuring eco-efficiency of production with data envelopment analysis [J]. Journal of industrial ecology， 2005， 9（4）： 59-72.

[4]汪克亮， 孟祥瑞， 楊寶臣. 生態壓力、生態技術差距與地區生態經濟效率：基于2006—2015年中國省際面板數據的實證分析[J]. 山西財經大學學報， 2017， 39（12）： 1-14.

[5]HUA Z，BIAN Y，LIANG L. Eco-efficiency analysis of paper mills along the Huai River： an extended DEA approach [J]. Omega， 2007， 35（5）： 578-587.

[6]HALKOS G， TZEREMES N G. A conditional directional distance function approach for measuring regional environmental efficiency： evidence from UK regions [J]. European journal of operational research， 2013， 227（1）： 182-189.

[7]李占風， 張建. 資源環境約束下中國工業環境技術效率的地區差異及動態演變[J]. 統計研究， 2018， 35（12）： 45-55.

[8]黃建歡， 方霞， 黃必紅. 中國城市生態效率空間溢出的驅動機制： 見賢思齊VS見劣自緩[J]. 中國軟科學， 2018（3）： 97-109.

[9]GROSSMAN G M，KRUEGER A B. Economic growth and the environment [J]. The quarterly journal of economics， 1995， 110（2）： 353-377.

[10]林伯強， 蔣竺均. 中國二氧化碳的環境庫茲涅茨曲線預測及影響因素分析[J]. 管理世界， 2009（4）： 27-36.

[11]EBENSTEIN A，FAN M，GREENSTONE M，et al. Growth， pollution， and life expectancy： China from 1991-2012 [J]. The american economic review， 2015， 105（5）： 226-231.

[12]陳詩一， 陳登科. 霧霾污染、政府治理與經濟高質量發展[J]. 經濟研究， 2018， 53（2）： 20-34.

[13]王奇， 李明全. 基于DEA方法的我國大氣污染治理效率評價[J]. 中國環境科學， 2012， 32（5）： 942-946.

[14]尹向飛. 中國城市PM2.5效率[J]. 北京理工大學學報（社會科學版）， 2016， 18（4）： 49-57.

[15]汪克亮， 孟祥瑞， 楊寶臣， 等. 技術異質下中國大氣污染排放效率的區域差異與影響因素[J]. 中國人口·資源與環境， 2017， 27（1）： 101-110.

[16]戴小文， 唐宏， 朱琳. 城市霧霾治理實證研究：以成都市為例[J]. 財經科學， 2016（2）： 123-132.

[17]梁偉， 楊明， 張延偉. 城鎮化率的提升必然加劇霧霾污染嗎：兼論城鎮化與霧霾污染的空間溢出效應[J]. 地理研究， 2017， 36（10）： 1947-1958.

[18]邵帥， 李欣， 曹建華， 等. 中國霧霾污染治理的經濟政策選擇：基于空間溢出效應的視角[J]. 經濟研究， 2016， 51（9）： 73-88.

[19]劉軍， 王慧文， 楊潔. 中國大氣污染影響因素研究：基于中國城市動態空間面板模型的分析[J]. 河海大學學報（哲學社會科學版）， 2017， 19（5）： 61-67.

[20]馬麗梅， 張曉. 中國霧霾污染的空間效應及經濟、能源結構影響[J]. 中國工業經濟， 2014（4）： 19-31.

[21]劉華軍， 裴延峰. 我國霧霾污染的環境庫茲涅茨曲線檢驗[J]. 統計研究， 2017， 34（3）： 45-54.

[22]王振波， 梁龍武， 王旭靜. 中國城市群地區PM2.5時空演變格局及其影響因素[J]. 地理學報， 2019， 74（12）： 2614-2630.

[23]FRE R， GROSSKOPF S. Intertemporal production frontiers： with dynamic DEA [J]. Journal of the operational research society， 1997， 48（6）： 656.

[24]TONE K， TSUTSUI M. Dynamic DEA： a slacks-based measure approach [J]. Omega，2010，38（3）： 145-156.

[25]YAGHUBI A O，MOHAMMADNEZHAD Z，MAGHBOULI M. Dynamic DEA： a hybrid measure approach [J]. International journal of applied operational research， 2016， 6（4）： 65-75.

[26]BATTESE G E， RAO D S P. Technology gap， efficiency and a stochastic meta-frontier function [J]. International journal of business and economics， 2002， 1（2）： 87-93.

[27]HU J L， WANG S C. Total-factor energy efficiency of regions in China [J]. Energy policy， 2006， 34（17）： 3206-3217.

[28]ZHAO X，ZHOU W，HAN L，et al. Spatiotemporal variation in PM2.5 concentrations and their relationship with socioeconomic factors in Chinas major cities [J]. Environment international， 2019， 133：105-145.

[29]林毅夫. 中國要以發展的眼光應對環境和氣候變化問題：新結構經濟學的視角[J]. 環境經濟研究， 2019， 4（4）： 1-7.

[30]杜龍政， 趙云輝， 陶克濤， 等. 環境規制、治理轉型對綠色競爭力提升的復合效應：基于中國工業的經驗證據[J]. 經濟研究， 2019， 54（10）： 106-120.

[31]張功富. 政府干預、環境污染與企業環保投資：基于重污染行業上市公司的經驗證據[J]. 經濟與管理研究， 2013（9）： 38-44.

[32]鄭潔， 付才輝， 劉舫. 財政分權與環境治理：基于動態視角的理論和實證分析[J]. 中國人口·資源與環境， 2020， 30（1）： 67-73.

[33]董直慶， 王輝. 環境規制的“本地—鄰地”綠色技術進步效應[J]. 中國工業經濟， 2019（1）： 100-118.

[34]王芳， 曹一鳴， 陳碩. 反思環境庫茲涅茨曲線假說[J]. 經濟學（季刊）， 2020， 19（1）： 81-100.

[35]林伯強， 譚睿鵬. 中國經濟集聚與綠色經濟效率[J]. 經濟研究， 2019， 54（2）： 119-132.

[36]劉晨躍，尚遠紅.霧霾污染程度的經濟社會影響因素及其時空差異分析：基于30個大中城市面板數據的實證檢驗[J].? 經濟與管理評論，2017（1）：75-82.

[37]楊東升. 欠發達國家經濟增長與金融發展：一個基于工具變量的分析[J]. 中國農村經濟， 2015（1）： 85-95.

[38] POWELL D. Quantile regression with nonadditive fixed effects [R/OL]. Rand Labor and Population Working Paper， （2015-11）[2019-08-19].http：//works.bepress.com/david.powell/11.

[39] 萬倫來，劉翠，鄭睿. 地方政府財政競爭的生態效率空間溢出效應[J]. 經濟與管理評論，2020（1）：148-160.

[40]鄭潔， 付才輝， 趙秋運. 發展戰略與環境治理[J]. 財經研究， 2019， 45（10）： 4-20.

Regional differences in PM2.5 emission reduction efficiency and their influencing mechanism in Chinese cities

LI Deshan1，2 ZHANG Zhengqiu1 FU Lei1，2 GUO Sidai1

（1. School of Economics and Management， Southwest University of Science and Technology， Mianyang Sichuan 621010， China; 2. School of Economics， Sichuan University， Chengdu Sichuan 610065， China）

Abstract In order to win the tough battle against environmental pollution and promote high-quality economic development， Chinas governments at all levels have been stepping up efforts to prevent and control environmental pollution. Based on the panel data of 260 cities in China from 2003 to 2018， this paper first adopted the Meta-Frontier method and the Hybrid Dynamic DEA model to measure the urban PM2.5 emission reduction efficiency in China. Then， on the basis of the heterogeneity in the structure of different urban factor endowments， this paper further analyzed the impact of economic development level on the efficiency of PM2.5 mission reduction in these Chinese cities. The results of the study showed that： ① Chinas overall PM2.5 emission reduction efficiency was at a low level， with an annual average value of 0.1257， and there was a huge pressure to reduce air pollution emissions. ② During the sample period， Chinas PM2.5 emission reduction efficiency showed a process of increasing slowly and then decreasing. There was obvious regional heterogeneity in PM2.5 emission reduction efficiency between the four major regions in China， i.e.， the eastern region had the highest efficiency of PM2.5 emission reduction， followed by the northeastern region， then the western region and the central region. ③ In general， the level of economic development played a significant role in promoting the efficiency of PM2.5 emission reduction. From the perspective of heterogeneity， the impact of the economic development level on PM2.5 emission reduction efficiency increased with the increase of the percentile between 10% and 90%. After changing PM2.5 emission reduction efficiency indicator and constructing exogenous tool variable， this paper found that the influence of economic development level on PM2.5 emission reduction efficiency was still significant. ④ The results of mechanism research showed that the differences of urban factor endowment structure had an impact on the efficiency of PM2.5 emission reduction efficiency through affecting the level of regional economic development. Therefore， local governments should take the factor endowment structure and comparative advantage of their respective cities into account to formulate adaptive policies for air pollution control and avoid adopting the ‘one-size-fits-all or ‘copy-all environmental control methods. Besides， local governments should implement differentiated environmental governance policies for air pollution. Chinas eastern coastal cities should constantly improve their industrial development policies and their own environmental governance capabilities. And for cities in Chinas central and western regions， the introduction of advanced management experience from coastal cities should be accelerated， and enterprises should be incentivized to upgrade green technologies or processes in an effort to improve the quality of economic growth.

Key words haze pollution; PM2.5 emission reduction efficiency; Meta-Frontier method; economic development; factor endowment structure

（責任編輯：于 杰）

收稿日期：2020-03-04? 修回日期：2020-06-24

作者簡介：李德山，博士，副教授，主要研究方向為人口資源與環境。E-mail：lwfaaa3@163.com。

通信作者：郭四代，博士，教授，博導，主要研究方向為環境經濟學。E-mail：guosidai@126.com。

基金項目：國家自然科學基金政策研究重點支持項目“‘一帶一路與中國西部發展”（批準號：71742004）;教育部人文社會科學青年基金項目“人口轉變、技術創新與中國長期經濟增長研究”（批準號：19YJC790057）;四川省循環經濟研究中心重點項目“綠色發展視角下中國制造業資本配置效應測度及其影響因素研究”（批準號：XHJJ-1904）;四川省科技廳軟科學項目“鄉村振興視域下四川農村土地資源高質量利用研究”（批準號：20RKX0398）。