長(zhǎng)江經(jīng)濟(jì)帶大氣顆粒物的社會(huì)經(jīng)濟(jì)影響因素分析

摘?要：運(yùn)用空間回歸分析的方法研究主要社會(huì)經(jīng)濟(jì)指標(biāo)對(duì)長(zhǎng)江經(jīng)濟(jì)帶PM2.5和PM10濃度的潛在影響。結(jié)果表明：地區(qū)生產(chǎn)總值、第二產(chǎn)業(yè)占比、人口密度和建成區(qū)綠化覆蓋率均對(duì)本地的PM2.5和PM10濃度有正向影響，其影響程度為：地區(qū)生產(chǎn)總值>第二產(chǎn)業(yè)占比>建成區(qū)綠化覆蓋率>人口密度。總之，區(qū)域間聯(lián)防聯(lián)控、不同類型污染物之間的協(xié)同治理和轉(zhuǎn)變經(jīng)濟(jì)發(fā)展方式可從根本上解決長(zhǎng)江經(jīng)濟(jì)帶PM2.5和PM10污染問(wèn)題，推動(dòng)長(zhǎng)江經(jīng)濟(jì)帶生態(tài)環(huán)境保護(hù)和經(jīng)濟(jì)高質(zhì)量發(fā)展。

關(guān)鍵詞：PM2.5?PM10?長(zhǎng)江經(jīng)濟(jì)帶?社會(huì)經(jīng)濟(jì)因素?空間回歸分析

作為我國(guó)新時(shí)代經(jīng)濟(jì)發(fā)展的戰(zhàn)略支撐帶，長(zhǎng)江經(jīng)濟(jì)帶橫跨中國(guó)東中西三大區(qū)域，覆蓋11個(gè)省市，具有獨(dú)特優(yōu)勢(shì)和巨大發(fā)展?jié)摿1-2]。近年來(lái)，隨著工業(yè)化和城鎮(zhèn)化進(jìn)程的不斷推進(jìn)，長(zhǎng)江流域沿岸第二產(chǎn)業(yè)迅速發(fā)展，然而，長(zhǎng)江經(jīng)濟(jì)帶先前的經(jīng)濟(jì)發(fā)展主要依賴于資源和要素驅(qū)動(dòng)[1]，高密度的人口產(chǎn)業(yè)布局和高耗能、高排放、高污染的生產(chǎn)生活方式容易引起區(qū)域內(nèi)大氣環(huán)境中PM2.5和PM10顆粒物濃度的升高，進(jìn)而帶來(lái)嚴(yán)重的大氣環(huán)境問(wèn)題[3]。因此，探索長(zhǎng)江經(jīng)濟(jì)帶大氣顆粒物（PM2.5和PM10）社會(huì)經(jīng)濟(jì)驅(qū)動(dòng)因素，對(duì)于推動(dòng)長(zhǎng)江經(jīng)濟(jì)帶工業(yè)綠色發(fā)展和經(jīng)濟(jì)高質(zhì)量發(fā)展具有重大的意義。

一、數(shù)據(jù)來(lái)源

本文選取2018年長(zhǎng)江經(jīng)濟(jì)帶126個(gè)城市級(jí)PM2.5和PM10月濃度數(shù)據(jù)和對(duì)其影響較大的四個(gè)社會(huì)經(jīng)濟(jì)因素變量。其中，2018年長(zhǎng)江經(jīng)濟(jì)帶所屬的126個(gè)地級(jí)市（不包括湖北天門(mén)、仙桃、潛江和神農(nóng)架）的PM2.5和PM10濃度的月值實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)來(lái)源于“空氣質(zhì)量在線監(jiān)測(cè)分析平臺(tái)（https：//www.aqistudy.cn/）”。四個(gè)社會(huì)經(jīng)濟(jì)指標(biāo)主要包括地區(qū)生產(chǎn)總值、第二產(chǎn)業(yè)占比、人口密度和建成區(qū)綠化覆蓋率，其統(tǒng)計(jì)數(shù)據(jù)主要來(lái)源于“長(zhǎng)江經(jīng)濟(jì)帶大數(shù)據(jù)平臺(tái)（http：//yreb.sozdata.com/）”和國(guó)家統(tǒng)計(jì)局公布的《中國(guó)城市統(tǒng)計(jì)年鑒》，部分?jǐn)?shù)據(jù)也來(lái)源于各城市公布的2018年國(guó)民經(jīng)濟(jì)和統(tǒng)計(jì)發(fā)展公報(bào)。

二、研究方法

為了評(píng)估社會(huì)經(jīng)濟(jì)指標(biāo)對(duì)長(zhǎng)江經(jīng)濟(jì)帶PM2.5和PM10濃度變化的潛在影響，本文引入空間回歸分析的方法進(jìn)行深入探討。考慮到長(zhǎng)江經(jīng)濟(jì)帶PM2.5和PM10常具有空間異質(zhì)性和空間依賴性，在進(jìn)行空間計(jì)量經(jīng)濟(jì)模型（空間滯后模型（SLM）和空間誤差模型（SEM））分析之前，需應(yīng)用經(jīng)典線性回歸模型（OLS）進(jìn)行相關(guān)性和顯著性檢驗(yàn)。

經(jīng)典OLS模型的公式如下[2]：

lnPMi=α+β1lnGDP+β2lnIndustry+β3lnGreen+β4lnPopden+ε（1）

式中，lnPMi為長(zhǎng)江經(jīng)濟(jì)帶大氣顆粒物（i?=?2.5或10）濃度的對(duì)數(shù)值;α為截距項(xiàng);βj（j=1，2，3，4）為各社會(huì)經(jīng)濟(jì)指數(shù)的估計(jì)系數(shù);lnGDP為地區(qū)生產(chǎn)總值的對(duì)數(shù)值;lnIndustry為第二產(chǎn)業(yè)占比的對(duì)數(shù)值;lnGreen為建成區(qū)綠化覆蓋率對(duì)數(shù)值;lnPopden為人口密度的對(duì)數(shù)值;ε為隨機(jī)誤差。

空間滯后模型（SLM）主要用于分析長(zhǎng)江經(jīng)濟(jì)帶PM2.5或PM10觀測(cè)值之間的空間依賴、擴(kuò)散和溢出效應(yīng)，計(jì)算公式如下[2]：

式中，y為因變量;W為空間權(quán)重矩陣（n×n）;Wy為空間滯后因變量;ρ為空間自回歸系數(shù)，反映了相鄰空間單元觀測(cè)值的空間溢出的影響程度與方向;X為解釋變量矩陣（n×k）;β為回歸系數(shù)矩陣（k×1）;ε為滿足分布的隨機(jī)誤差項(xiàng)。

空間誤差模型（SEM）主要用于長(zhǎng)江經(jīng)濟(jì)帶PM2.5或PM10觀測(cè)值存在的空間誤差項(xiàng)的空間相關(guān)性，計(jì)算公式如下[2]：

式中，y、W、X、β和ε的具體含義同公式（2）;Wε為空間誤差滯后項(xiàng);λ為誤差項(xiàng)的空間自回歸系數(shù);μ為服從正態(tài)分布的隨機(jī)誤差項(xiàng)。

按照Anselin?提出的判別方法，MoransI檢驗(yàn)、Lagrange?Multiplier?（LM）-Lag檢驗(yàn)、LM-Error檢驗(yàn)、Robust?LM-Lag檢驗(yàn)和Robust?LM-Error檢驗(yàn)可用于判別空間計(jì)量經(jīng)濟(jì)模型（SLM和SEM）的適用性[4-5]。此外，?模型的決定系數(shù)（R2）、對(duì)數(shù)似然值（LogL）、赤池信息準(zhǔn)則（AIC）、施瓦茨準(zhǔn)則（SC）等指標(biāo)也可用于判別模型的擬合效果[4-5]。一般而言，R2和LogL值越大，AIC和SC值越小，模型擬合效果越好[4]。

三、結(jié)果與討論

本文使用OLS模型對(duì)四種社會(huì)經(jīng)濟(jì)因素對(duì)2018年長(zhǎng)江經(jīng)濟(jì)帶PM2.5和PM10影響進(jìn)行初步判斷，結(jié)果見(jiàn)表1。由表1可知，PM2.5和PM10的Morans?I的統(tǒng)計(jì)量分別為9.897和10.184，都通過(guò)了0.01的顯著性檢驗(yàn)，說(shuō)明其回歸殘差具有明顯的空間依賴性。OLS模型中Breusch-Pagan和Koenker-Bassett檢驗(yàn)的P值都小于0.05，說(shuō)明隨機(jī)項(xiàng)誤差存在異方差，與OLS模型中隨機(jī)誤差項(xiàng)應(yīng)滿足同方差性的前提條件不符[4]。因此，應(yīng)考慮基于空間依賴因素的SLM和SEM模型來(lái)取代OLS模型進(jìn)行深入分析。此外，PM2.5和PM10的LM-Lag和LM-Error都通過(guò)了0.01的顯著性檢驗(yàn)，但LM-Error的統(tǒng)計(jì)量大于LM-Lag的統(tǒng)計(jì)量，且Robust?LM-Error通過(guò)了0.01的顯著性檢驗(yàn)，但Robust?LM-Lag未通過(guò)0.01的顯著性檢驗(yàn)，根據(jù)Anselin模型選擇判別標(biāo)準(zhǔn)，SEM模型更適合研究長(zhǎng)江經(jīng)濟(jì)帶PM2.5和PM10濃度的空間依賴特征。

三種空間回歸模型（OLS、SLM和SEM）的估計(jì)結(jié)果見(jiàn)表2。2018年長(zhǎng)江經(jīng)濟(jì)帶PM2.5和PM10三種模型的R2、LogL、AIC和SC的大小關(guān)系可用于判斷模型選擇的合理性。長(zhǎng)江經(jīng)濟(jì)帶PM2.5和PM10對(duì)應(yīng)的SLM和SEM模型的R2和LogL均大于OLS，AIC和SC均小于OLS，說(shuō)明引入SLM和SEM對(duì)于研究長(zhǎng)江經(jīng)濟(jì)帶大氣顆粒物的空間異質(zhì)性和空間依賴性是有必要的。此外，SEM的R2和LogL均大于SLM，AIC和SC均小于SLM，說(shuō)明長(zhǎng)江經(jīng)濟(jì)帶PM2.5或PM10存在的空間誤差項(xiàng)的空間相關(guān)性。對(duì)比四種社會(huì)經(jīng)濟(jì)變量對(duì)大氣PM2.5和PM10的影響可知：地區(qū)生產(chǎn)總值和第二產(chǎn)業(yè)占比的系數(shù)為正，且通過(guò)顯著性檢驗(yàn)，說(shuō)明經(jīng)濟(jì)發(fā)展水平和經(jīng)濟(jì)發(fā)展模式對(duì)長(zhǎng)江經(jīng)濟(jì)帶PM2.5和PM10濃度變化具有較大的影響。建成區(qū)綠化覆蓋率和人口密度的系數(shù)為正，但未通過(guò)顯著性檢驗(yàn)，說(shuō)明建成區(qū)綠化覆蓋率和人口密度對(duì)長(zhǎng)江經(jīng)濟(jì)帶PM2.5和PM10濃度變化有正向的作用，但這種作用不太顯著。這主要是由于2018年我國(guó)人口增長(zhǎng)放緩和城區(qū)綠化建設(shè)仍較為薄弱等原因?qū)е碌摹？傊瑢?duì)比四種社會(huì)經(jīng)濟(jì)變量的系數(shù)及顯著性，對(duì)長(zhǎng)江經(jīng)濟(jì)帶PM2.5和PM10濃度的影響強(qiáng)度由大到小依次為：地區(qū)生產(chǎn)總值>第二產(chǎn)業(yè)占比>建成區(qū)綠化覆蓋率>人口密度。

四、研究結(jié)論

PM2.5和PM10等大氣顆粒物作為常見(jiàn)的大氣污染物，長(zhǎng)期超標(biāo)將會(huì)對(duì)長(zhǎng)江經(jīng)濟(jì)帶大氣環(huán)境質(zhì)量和人類的生命健康產(chǎn)生極大的危害，不利于經(jīng)濟(jì)高質(zhì)量發(fā)展和社會(huì)可持續(xù)發(fā)展。本研究分析了長(zhǎng)江經(jīng)濟(jì)帶大氣PM2.5和PM10的濃度變化特征及其驅(qū)動(dòng)因素，用SEM模型能夠更好地反映2018年長(zhǎng)江經(jīng)濟(jì)帶PM2.5和PM10年均濃度的空間依賴性，四種社會(huì)經(jīng)濟(jì)變量對(duì)PM2.5和PM10的影響程度為：地區(qū)生產(chǎn)總值>第二產(chǎn)業(yè)占比>建成區(qū)綠化覆蓋率>人口密度。

參考文獻(xiàn)：

[1]黃磊，吳傳清.長(zhǎng)江經(jīng)濟(jì)帶城市工業(yè)綠色發(fā)展效率及其空間驅(qū)動(dòng)機(jī)制研究[J].中國(guó)人口·資源與環(huán)境，2019，29（08）：40-49.

[2]楊冕，王銀.長(zhǎng)江經(jīng)濟(jì)帶PM2.5時(shí)空特征及影響因素研究[J].中國(guó)人口·資源與環(huán)境，2017，27（01）：91-100.

[3]黃小剛，趙景波，曹軍驥，等.長(zhǎng)江經(jīng)濟(jì)帶PM2.5分布格局演變及其影響因素[J].環(huán)境科學(xué)，2020，41（03）：1013-1024.

[4]黃小剛，邵天杰，趙景波，等.汾渭平原PM2.5濃度的影響因素及空間溢出效應(yīng)[J].中國(guó)環(huán)境科學(xué)，2019，39（08）：3539-3548.

[5]Anselin?L.?Spatial?econometrics：methods?and?models?[M].?New?York：Springer?Science?&?Business?Media，?1988：55-76.

〔司晶晶，中國(guó)地質(zhì)大學(xué)（武漢）經(jīng)濟(jì)管理學(xué)院〕