EN中文

Economic geography >

2020 , Vol. 40 >Issue 5: 40 - 48

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.05.005

Spatial Spillover Effect and Influencing Factors of Haze Pollution in the Yellow River Basin

  • CHEN Shiqiang , 1, 2 ,
  • ZHANG Hang 1 ,
  • QI Ying 1 ,
  • LIU Yong , 1, 2, ※
Expand
  • 1. Key Research Institute of Yellow River Civilization and Sustainable Development & Collaborative Innovation Center of Yellow River Civilization，Henan University，Kaifeng 475001，Henan，China
  • 2. College of Environment and Planning，Henan University，Kaifeng 475001，Henan，China

Received date: 2019-12-13

  Revised date: 2020-03-12

  Online published: 2025-04-17

Fold

Abstract

Based on the spatial dynamic panel model of haze pollution in the prefecture level cities of the Yellow River Basin from 1998 to 2016, this paper analyzes the socio-economic factors and regional differences of haze pollution in the Yellow River Basin by using SGMM method under the condition of considering the time-space lag effect of haze pollution. The results show that: the haze pollution in the Yellow River Basin presents obvious positive spatial spillover effect and high value concentration characteristics, and the high emission clubs are stably distributed in the cities in the lower reaches of the Yellow River; the PM2.5 concentration and economic growth in the whole Yellow River Basin show a positive "U" relationship, and the low-efficiency energy use, low-level population concentration and extensive economic development mode lead to the haze pollution in the Yellow River Basin The main reason for the haze pollution is that there are significant regional differences in the socio-economic impact mechanism behind the haze pollution in the Yellow River Basin. Low efficiency energy utilization and R&D investment in favor of production technology promotion lead to the aggravation of the haze in the upper reaches of the Yellow River Basin, while the Urbanization and industrialization process lead to the aggravation of the haze pollution in the middle reaches of the Yellow River Basin. In the lower reaches of the Yellow River, only energy consumption is found it has a significant positive effect on haze pollution. Based on the analysis above, this paper considers that it is an important strategy for the Yellow River haze control to establish a regional collaborative prevention and control mechanism, implement the differentiated regional governance strategy, and achieve the high-quality development of the whole basin.

Key words： haze pollution; spatial spillover; dynamic panel model; SGMM; Yellow River Basin

Cite this article

CHEN Shiqiang , ZHANG Hang , QI Ying , LIU Yong . Spatial Spillover Effect and Influencing Factors of Haze Pollution in the Yellow River Basin[J]. Economic geography, 2020 , 40(5) : 40 -48 . DOI: 10.15957/j.cnki.jjdl.2020.05.005

我国雾霾污染展现出持续性、大面积的特点，并且发生频率也在逐年增高。雾霾污染不仅严重影响了我国居民的身体健康，同时也不利于社会和谐稳定和经济的健康增长，治理雾霾污染迫在眉睫。雾霾污染的“关键诱因是什么”“从何入手”是我国雾霾治理中亟待解决的问题。尽管气象因素在一定程度上造成了雾霾污染，但是追根溯源，人口的增长、经济的粗放式发展、产业结构的失衡、能源效率的低下、环境治理措施治标不治本等社会经济因素共同构成了雾霾污染的原因。因此，众多学者从不同的视角对于雾霾污染的社会经济根源进行了大量的研究，如何从根本上治理雾霾污染也成为各级政府的重大议题。
对于雾霾污染形成机制的研究不仅要关注气象因素，同时还要关注社会经济因素。因为雾霾污染的形成表象在气象，根源在人类的社会生活与生产活动[1]。研究内容上，现有诸多研究[2⇓⇓⇓⇓⇓-8]考察了对外开放、财政分权、地方竞争、二产比重、交通运输等因素对雾霾污染形成的影响。冷艳丽基于静态面板模型对雾霾形成的根源进行了详尽的考察，发现外商直接投资、煤炭消费、机动车辆、贸易开放度、房屋建筑施工面积以及产业结构加剧了雾霾污染的恶化，而GDP与雾霾污染成负相关[3]。李欣等从空间视角下分析长江三角洲雾霾污染的形成根源，发现城市化水平的提升是加剧长江三角洲地区雾霾污染的主要根源[7]。姜磊等认为FDI对长江中游城市群和东北城市群的空气质量具有明显的改善作用[8]。
研究尺度上，现有研究多集中于省域和市域尺度。严雅雪等在全国范围内省域尺度上，基于动态空间计量模型的研究表明FDI是导致雾霾污染恶化的影响因素之一[2]。邵帅等[9]使用空间动态面板模型对我国省域尺度雾霾污染的研究发现，人口密度、技术水平、二产比重、能源结构、交通运输对雾霾污染都具有显著的正向促进作用，对外开放具有显著的“污染晕轮”效应。张生玲等[10]同样采用空间计量模型，在市域尺度上研究发现二产畸高、交通运输压力增大对雾霾污染具有显著的正向促进作用，人口密度和绿化面积对雾霾没有显著的影响。上述研究表明，由于区域差异的存在，不同尺度上影响雾霾污染的社会经济根源不尽相同。
相关研究在方法上大致可以分为三类。第一种是投入产出模型（Input-Output），这类研究往往基于非连续数据，从而忽略了雾霾污染的时间变化趋势，并且只对单个因素进行分解，不能对雾霾污染的形成根源进行综合考察[11⇓-13]。第二种是可计算一般均衡模型（CGE），虽然此类研究可以考察多个社会经济因素，但是此模型是基于投入产出模型进行展开的，同样具有非连续性和滞后性问题[14-15]。第三种是计量模型分析方法。计量模型众多，可分为截面模型和面板模型两大类。截面模型由于只有单年数据，结论具有偶然性[16-17]。面板模型虽然可以系统地考察诸如经济增长、FDI、能源结构等对于雾霾污染长时间序列的影响机制，但是对于空间要素考虑不足。
由于雾霾极易在空中溢散，使得雾霾污染的程度在空间上具有明显的自相关性[2⇓-4]，即空间溢出效应，因此空间计量专家Anselin明确提出，使用计量模型对雾霾污染进行研究时，需要将空间因素考虑在内[18]。Rupasingha等对美国3 029个县的人均收入与大气污染之间的联系进行了探讨，结果表明空间变量的引入大大提升了计量模型的精准度[19]。全国范围内，邵帅[9]基于地理距离权重矩阵、地理经济距离权重矩阵和地理与经济距离的嵌套权重矩阵的空间溢出效应检验均显示，1998—2012年我国雾霾污染具有明显的空间溢出效应，高雾霾污染“俱乐部”成员集中于京津冀、长三角及这两大增长极的中间连接地带。在邻接权重矩阵下的结果显示，2001—2012年我国雾霾污染的高值集聚区域呈现出扩大趋势[20]。较小范围内，不同的省内[21]、市内[22]，由于工业布局、建筑物形态、土地利用类型等因素的不同，在空间溢出效应中起到主要污染作用的区域也会存在差异。
黄河流域横跨我国东中西部，作为重要的生态屏障和经济地带，在我国经济社会发展和生态安全方面具有十分重要的地位。习近平总书记指出保护黄河是事关中华民族伟大复兴的千秋大计。黄河流域生态保护和高质量发展，同京津冀协同发展、长江经济带发展、粤港澳大湾区建设、长三角一体化发展一样，是重大国家战略[23]。新中国成立以来，黄河治理取得了巨大的成就，经济也得到了很大的提升，但是黄河流域生态脆弱，发展质量有待提高的问题尤为突出。黄河流域雾霾污染的时空集聚特征是什么，其背后的社会经济影响机制是什么，是否存在影响机制的区域差异，这些问题对于黄河流域的生态保护和雾霾治理对策的制定至关重要。基于此，本文以PM2.5浓度表征雾霾污染严重程度，在检验黄河流域雾霾污染空间溢出效应的基础上，通过构建黄河流域时空面板模型分析黄河流域雾霾污染产生的社会经济根源及其区域差异，据此提出相应的治霾对策。

1 研究区域与研究方法

依照覃成林等“以自然黄河流域范围为基础、尽可能保持地区级行政区划单元的完整性和考虑地区社会经济发展与黄河的直接关联性”三条原则[24]，本文考虑到黄河流域高质量发展的核心在于生态问题，重点在于保护生态的原则上促进黄河流域经济发展，从而选取的黄河流域以黄河干流流经的市级区域单元为主，一共包括73个市级行政单元，具体范围如图1。
图1 黄河流域范围划分

Fig.1 Study area of the Yellow River Basin

由于我国地面监测站点长时间序列PM2.5浓度数据缺失，本文选用哥伦毕业大学社会经济数据和应用中心（SEDAC）发布的基于遥感反演的全球1998—2016年PM2.5年浓度均值的栅格数据。该数据采用地理加权回归模型（GWR）融合了卫星—模拟—站点数据，尽管在精度上低于地面监测数据，但是能够对长时序的PM2.5浓度及其变化趋势进行刻画，是目前开展大区域PM2.5长时间序列研究最好的数据。基于此，本文利用ArcGIS计算获得黄河流域73个地级市的PM2.5年浓度均值。

1.1 空间自相关分析

1.1.1 全局空间自相关检验

全域空间相关性通常采用Moran's I和 Geary's C 指数进行测度，其计算公式为：
M o r a n ' s   I = n ∑ i = 1 n ∑ j = 1 n w i j x i - x ¯ x j - x ¯ ∑ i = 1 n ∑ j = 1 n w i j ∑ i = 1 n x i - x ¯ 2 i ≠ j
G e a r y ' s   C = ∑ i = 1 n ∑ j = 1 n w i j x i - x j 2 ∑ i = 1 n ∑ j = 1 n w i j ∑ i = 1 n ( x i - x ¯ ) 2 ,   i ≠ j  
式中： n表示样本个数； w i j为空间权重矩阵，考虑到PM2.5的空间流动性主要受到自然因素的影响，所以本文选用地理距离空间权重矩阵，即 w i j表示 i城市和 j城市中心距离倒数； x为各市PM2.5浓度； x ¯为各市PM2.5均值。

1.1.2 局部自相关检验

全局空间指标可以反映黄河流域PM2.5污染的整体空间集聚状态，但可能会忽略局部地区的非典型性特征[25]，这在一定程度上掩盖了局部状态的不稳定性，对于研究范围内局部空间异质性刻画不足。因此，为了更直观、全面地考察PM2.5污染的空间集聚态势，采用Local Moran's I指数对黄河流域各市PM2.5浓度的局部分异性特征进行检验。其计算公式如下：
L o c a l   M o r a n ' s   I = n x i - x ¯ ∑ j = 1 m w i j x j - x ¯ ∑ i = 1 n x i - x ¯ 2 i ≠ j
式中：各变量同式（2）。

1.2 空间面板模型

1.2.1 计量模型设定

由于污染物存在空间的转移扩散，因此一个区域的雾霾观测值可以分解为本地实际雾霾产生量、临近地区转移到本地的扩散量和本地区扩散到临近地区的转移量三个部分[2]（式4）。
P M i t = E i t + S j t - S i t
式中：i为区域；t为年份； E i t为i区域实际的雾霾产生量； S j为其他区域转移到i区域的扩散量； S i为i区域扩散到其他区域的转移量。
基于地理学第一定律（Tobler's First Law），雾霾污染的空间依赖特征或空间误差特征得到了学者的一致认可[26-27]。事实上，由于区域的发展往往存在路径依赖，区域的产业结构、能源消费结构等也存在惯性特征，因此，社会经济系统普遍存在滞后现象。鉴于此，本文认为区域的雾霾污染不仅受到同期邻近区域的影响，还会受到往期本区域及邻近区域的影响。诸多基于动态空间面板模型的研究[28-29]也指出，研究变量不仅会受到当期地区间的相关影响，而且还会受到来自地区间先前相应行为不可忽视的影响。基于上述分析，本文将区域雾霾观测值表示为：
P M i t = ρ W ∙ P M i t + θ P M i t - 1 + γ W ∙ P M i t - 1 + α 0 + α 1 X i t + ε
式中： ρ和 γ分别为当期和上一期的滞后效应系数； W为空间权重矩阵； X i t为影响雾霾污染社会经济因素所组成的向量； ε为残差，服从正态分布。

1.2.2 变量选取及数据来源

STIRPAT模型主要探讨人口、经济以及科技给环境带来的影响[30-31]，是目前分析环境问题的主流框架之一。该模型最早开始于Ehrlich等的研究[32]，主要从人口增长对环境的影响评估，发展到后来的IPAT模型[30]，进而演变成为可扩展的STIRPAT研究框架。该模型的面板数据形式为：
I = c P β 1 A β 2 T β 3 e
l n I = c + β 1 l n P + β 2 l n A + β 3 l n T + e  
STIRPAT模型作为一个重要的可扩展的随机性环境影响评估模型，既可以将各个系数作为参数进行估计，又能够对各个影响因素进行适当的分解与改进[9]。因此本文选取STIRPAT模型作为基本框架分析影响黄河流域雾霾污染的社会经济影响因素。具体指标选取及解释如下。其中，人口因素P包括人口密度（pop），城市建成区面积占比（bpa），财富因素A包括经济增长（lgdp）、产业结构（sec）、对外开放（fdi），技术因素T包括研发强度（rd）和能源强度（ed），在基础模型的基础上，本文又引入了能源因素包括能源消费（ene）和交通（carp）。
①人口密度（pop）。本文选取单位面积的人口数度量表征人口密度，以避免各市域行政区面积和人口规模具有较大差异所导致的不可比性。由于雾霾污染与人类的生产、生活活动密切相关，因此该因素预期系数为正。
②城市建成区面积占比（bpa）。城市建成区往往存在较高强度的土地利用开发以及能源消耗，能够在一定程度上表征人口分布和人类活动强度的空间差异，城市建成区会产生更多的污染物使得空气质量变差。此外，随着建成区域面积的增大，原始森林、草地等被破坏，使得环境承载力以及自我净化能力下降。因此该因素预期系数为正。
③经济增长（lgdp）。经济发展是环境污染的直接驱动力之一，由于本文的因变量为区域PM2.5的平均浓度，因此选取地均GDP表征区域经济发展水平。基于EKC假说，为了进一步验证经济增长对于空气污染贡献的非平稳性，本文在模型中加入了地均GDP的一次项和二次项，以考察EKC曲线态势。
④产业结构（sec）。雾霾是工业化进程的产物，工业化进程中第二产业比重的畸高会导致空气质量的不断恶化。因此本文选取第二产业增加值占GDP比重反映各地市的产业结构，预期系数为正。
⑤能源消费（ene）。我国的能源消费以化石能源为主，化石能源（煤炭、石油、天然气等）的燃烧是雾霾污染重要的来源。本文选取地均能源消费量作为分析雾霾污染影响因素的重要指标。然而，由于地级市尺度的能源消耗量不可获得，统计年鉴中仅有省域能源消耗数据（万吨标准煤），所以本文基于夜间灯光数据和能源统计数据之间的定量关联[33]，采用如下流程得到了地级市尺度上黄河流域1998—2016年市域能源消耗量：①对DMSP/OLS数据进行过饱和处理[34]。②使用2015官方已去噪图像，在假设短时间内稳定像元范围不会有较大波动的前提下，对其他年份NPP-VIIRS数据采用掩膜擦除的方法进行异常噪声过滤[35]。③利用2013年DMSP/OLS与NPP-VIIRS两种数据之间的定量关联，构建回归模型，将NPP-VIIRS数据矫正到DMSP/OLS数据的数量级上[35]，使得两种数据的DN值在时间变化曲线上光滑，而又不过多损失NPP-VIIRS的精度。④利用多项式回归，计算得到1998—2016年市域能源消耗量。经过模拟值与真实值相关关系检验[36]，本文计算得到的1998—2016年市域能源消费的精度高于80%。
⑥技术水平（rd和ed）。生产技术的创新是提高生产力发展的重要途径，节能减排技术的创新无疑是减轻雾霾污染的关键。本文参照邵帅[9]的做法，将技术水平分解为研发强度（rd）和能源强度（ed）。其中研发强度为研发从业人数与总从业人数的比值，研发强度越大，表明市域内的研发投入越多，通过创新减少污染物排放和生产力提升的效果更加明显，预期系数为负；能源强度为煤炭消费量与不变价GDP的比值，单位GDP消耗煤炭越少，表明能源效率越高，预期系数为正。
⑦交通（carp）。汽车尾气排放是城市雾霾污染重要源头。本文选取市域万人汽车保有量衡量区域交通对于雾霾污染的影响，预期为正。
⑧对外开放（fdi）。现有研究表明外商直接投资（FDI）对环境的影响具有正向促进效应（“污染避难所”假说）或者负向缓解效应（“污染晕轮”假说）[37⇓-39]。改革开放以来，黄河流域经济迅猛发展，对外开放是黄河流域环境问题不可或缺的影响因素。因此本文采用FDI占GDP比重表征对外开放程度，预期系数不确定。
上述社会经济指标主要来源于《中国能源统计年鉴》《中国城市建设统计年鉴》《中国交通年鉴》《中国城市统计年鉴》《中国区域经济统计年鉴》及黄河流域各省市统计年鉴，夜间灯光数据来源于美国国家海洋和大气管理局（NOAA）。

2 黄河流域雾霾污染空间溢出效应

1998—2016年黄河流域PM2.5全局空间自相关检验结果见表1，在地理距离空间权重矩阵下Moran's I指数均大于0.7，且Z值为正，均在1%的水平下显著，表明黄河流域雾霾污染呈现出高度的空间集聚特征。G指数均等于0.02，Z值均大于10，并且都显著，说明高—高聚类区域占据主导地位。
表1 1998—2016年黄河流域各市PM2.5全局Moran's I和General G

Tab.1 The Moran's I and General G of PM2.5 in cities of the Yellow River Basin

年份 Moran's I Z-score P-value General G Z-score P-value
1998 0.76 12.52 0.00 0.02 10.06 0.00
1999 0.74 12.32 0.00 0.02 10.17 0.00
2000 0.74 12.27 0.00 0.02 11.05 0.00
2001 0.79 12.99 0.00 0.02 10.81 0.00
2002 0.81 13.37 0.00 0.02 11.03 0.00
2003 0.85 13.94 0.00 0.02 11.77 0.00
2004 0.84 13.80 0.00 0.02 11.74 0.00
2005 0.85 13.94 0.00 0.02 12.03 0.00
2006 0.85 14.07 0.00 0.02 12.16 0.00
2007 0.86 14.12 0.00 0.02 12.19 0.00
2008 0.86 14.20 0.00 0.02 12.18 0.00
2009 0.86 14.22 0.00 0.02 12.15 0.00
2010 0.87 14.37 0.00 0.02 12.27 0.00
2011 0.87 14.37 0.00 0.02 12.28 0.00
2012 0.87 14.39 0.00 0.02 12.48 0.00
2013 0.85 13.99 0.00 0.02 12.24 0.00
2014 0.85 14.09 0.00 0.02 12.17 0.00
2015 0.88 14.57 0.00 0.02 12.59 0.00
2016 0.88 14.52 0.00 0.02 12.75 0.00
局部自相关检验结果（图1）显示，1998—2016年黄河流域PM2.5在空间上均存在显著且稳定的高—高和低—低集聚，不存在高—低集聚区域。其中低—低集聚区集中于西部欠发达的黄河上游城市，高—高集聚区集中于经济相对较好的黄河下游城市。

3 黄河流域雾霾污染的社会经济影响因素识别

本文构建了1998—2016年黄河流域社会经济因素对雾霾污染影响效应的空间面板模型。对于模型参数估计，需要先依据拉格朗日（LM）检验对比选择空间滞后模型和空间误差模型。由表2可以看到，在地理距离空间权重矩阵下，针对空间误差模型的稳健LM检验和针对空间滞后模型的LM检验都显著，但是空间滞后的极大似然值大于空间误差的极大似然值，表明空间滞后模型优于空间误差模型。
表2 空间面板模型的LM检验（地理距离空间权重矩阵）

Tab.2 LM test of spatial panel model (based on weight matrix of geographical distance)

LM检验 LogL-value P-value
nolag 56.93 0.00
nolag（robust） 42.65 0.00
noerror 34.32 0.00
noerror（robust） 20.04 0.00
由于雾霾污染属于较为复杂的局部环境问题，并且存在明显的空间溢出效应，所以气象、温度、地形等会引起内生性问题。而系统广义矩估计（SGMM）在不引入外部工具变量的情况下，也可以根据变量的时间变化趋势选取合适工具变量，从而解决内生性问题，使回归结果更加稳健可靠。因此本文采用SGMM方法估计所构建的空间动态面板模型，估计结果见表3。黄河全流域以及上、中、下游模型均通过了Sargan检验和Arellano-Bond检验（AR(2)），表明模型成立并且本文选用工具变量是合理有效的，不存在过度识别问题。总体来看，黄河流域以及上、中、下游模型的空间滞后系数θ在地理距离空间权重下均在1%的水平下显著为正，再次印证了黄河流域地级市尺度上雾霾污染存在明显的空间溢出效应，表现出“近朱者赤近墨者黑”的区域性雾霾污染的特征。结果显示，在邻近地区的影响下，周围区域PM2.5浓度每提高1%，本地区就会上涨约0.45%，而上游、中游和下游上涨比例分别约为1.16%、1.03%和1.02%。
表3 空间动态面板模型回归结果

Tab.3 Spatial dynamic panel model regression results

变量 黄河流域 黄河上游 黄河中游 黄河下游
w·lnPM（θ） 0.45** 1.16*** 1.03*** 1.02***
w·lnPMt-1（ρ） -0.24 -0.41*** -0.69*** -0.19***
lnlgdp -0.64*** -0.28 0.50 1.17
lnlgdp2 0.12*** 0.02 -0.10* -0.12
lnpop 0.27** 0.01 0.68*** -0.58***
lnbpa -0.10 0.01 -0.01 0.19
lnsec 0.05 0.02 0.50** -0.01
lnene -0.51*** -0.17** 0.25 0.52***
lnrd -0.02 0.11** 0.10** -0.06**
lned 0.38*** 0.22*** -0.19 -0.48***
lncarp 0.04 -0.01 0.10* -0.05*
lnfdi -0.04** -0.05*** 0.01 0.01
SarganP 0.43 0.79 0.92 0.57
AR（2）P 0.42 0.15 0.60 0.44
拐点 2.72 - - -

注：*、**、***分别表示在10%、5%、1%的水平下显著。

3.1 整体流域回归结果

经济增长对于雾霾污染影响的一次项系数显著为负，二次项系数显著为正，表明在黄河流域全域内PM2.5浓度与经济增长呈现正“U”型关系。图2展示了黄河流域逐年越过该“U”型曲线拐点的城市，可以看到黄河中下游流域的大部分城市早在1998年就已经处于雾霾污染程度随经济增长而加剧的阶段，随着时间的推移，到2006年处于该阶段的城市已经全部覆盖了黄河的中下游城市，并延伸到了黄河上游流域城市。这意味着，随着经济的发展，一旦越过拐点，黄河流域的环境污染会持续加重。
图2 黄河流域PM2.5局域集聚图（1998、2002、2006、2010、2013、2016）

Fig.2 PM2.5 local concentration map of the Yellow River Basin (1998, 2002, 2006, 2010, 2013, 2016)

人口密度显著地促进了黄河流域的雾霾污染。结果显示，人口密度每增加1%，PM2.5浓度上升0.21%。一般而言，人口密度的增加可以通过规模效应和集聚效应影响雾霾污染。从规模效应来讲，人口的增长会带来能源与消费需求的增加，进而增加污染物排放的增加。人口的集聚也会产生集聚效应，通过提高城市基础设施的分担率、能源使用效率，以及共享治污减排设施等途径降低污染物的排放。很显然，在黄河流域，人口密度的规模效应对雾霾污染起到了主导作用。这与邵帅[9]的研究结论一致。
地均能源消费对PM2.5浓度存在显著的负向影响。正常来讲，化石能源的燃烧是雾霾污染的直接来源，能源消费越多意味着污染物的排放越多。然而从全流域来看，地均能源消费每增加1%，地均PM2.5浓度却下降0.44%。事实上，近年来随着“气十条”“水十条”“土十条”相继公布实施到新《环境保护法》的出台，我国的环境保护制度日趋严格，从能源消费的源头到污染物排放的清洁处理都有着严格的监管。因此该指标表明，黄河流域在工业的清洁生产上取得了显著的成效。
能源强度对黄河流域雾霾污染具有显著的正向影响，而研发强度在模型中并不显著。技术研发包括生产性技术创新和节能减排技术创新，前者可以增加生产率，在一定程度上会加剧雾霾污染，后者可以减轻雾霾污染。结合上述地均能源消费对雾霾污染存在显著负向影响的事实，可以推测，对于雾霾污染，黄河流域由生产性技术创新所带来的正向影响与节能减排技术创新所带来负向影响存在抵消效应。
图3 黄河流域逐年越过雾霾污染与经济增长“U”型曲线拐点的城市

Fig.3 Cities crossing the turning point of “U” curve of haze pollution and economic growth in the Yellow River Basin year by year

对外开放会减缓雾霾污染。FDI占GDP比重每增加1%，PM2.5浓度就会减少0.03%。尽管减少比率较小，但是该指标系数表明在黄河流域全域内“污染晕轮”假说成立，各市整体上在对外开放的过程中实施着较为规范的、比当地企业更加严格的环保准则，从而减少了当地的污染排放量。
由于黄河流域存在较大的区域差异，因此城镇化、产业结构和交通对于黄河流域的雾霾污染影响并不显著。

3.2 因素分异分析

黄河流域横跨我国东、中、西三大地带，是我国经济发展中具有全局性、战略性作用的重要区域。当前黄河流域的经济空间格局呈现明显的东高西低的空间分异格局[40]，流域经济、能源消费结构等诸多因素的空间异质性明显，空间聚集与空间极化显著。从表3中分区回归结果也可以看出，各种社会经济因素对于雾霾污染的影响在不同区域存在显著的分异。
在上中下游子流域中，地均GDP一次项与雾霾污染均不显著。这可能由于在子流域尺度上，雾霾污染的形成受到了其他社会经济因素的影响，从而掩盖了经济增长对于雾霾污染的影响。第二产业比重仅在中游流域对雾霾起到显著的正向作用，事实上，黄河中游区域中较多的城市经济发展仍为当地政府的第一要务，发展方式相对粗放，随着第四次产业转移的进程，大量的污染性企业迁入中部地区，进而导致了雾霾污染的加剧。
人口密度在黄河中游流域对于雾霾污染成正向贡献，在下游流域则呈现负向影响。由于黄河中游流域城市化进程相对落后，人口的规模效应占据了主导作用，城市基础设施以及污染治理设施共享并未取得良好的成效。而黄河下游流域城市经济发展水平相对较高，人口的集聚效应有所显现。在上游流域，人口密度对于雾霾污染的影响则不显著。
能源消费在黄河上游流域对于雾霾污染呈现显著的负向贡献，在下游流域则显著促进了雾霾污染。黄河上游流域生态脆弱，多为限制开发区域或禁止开发区域，对于能源的使用和污染排放有着更为严格的标准，因而能源消费降低了黄河上游流域的雾霾污染。由于化石能源的燃烧是雾霾污染重要的来源，下游流域工业化进程中对于能源的消费促进了当地雾霾污染，这一结论符合预期，也与其他经济发展水平较高的区域一致。
表征技术水平的研发强度和能源强度两个指标在黄河上中游流域对于雾霾污染呈正向贡献，在下游流域则起到了降低雾霾污染的影响。在研发投入上，很明显，黄河中游流域城市主要偏向于生产技术以达到生产规模的提升，而忽略了清洁生产技术的研发。尽管在下游流域研发强度的系数仅为-0.06，但该结果表明黄河下游流域在清洁生产技术研发上的收益要高于生产技术的投入，取得了有效降低雾霾污染的作用。
交通对于雾霾污染的影响在黄河中游流域呈显著的正向贡献，下游流域为负向，在上游流域则不显著。汽车尾气排放也是城市雾霾污染重要源头之一，上述结果显示，在黄河中游流域，除了工业排放外，汽车的使用对雾霾污染的加剧起也到了不可忽略的促进作用。在黄河下游流域，汽车清洁能源的使用对于减轻雾霾污染也取得了良好的效果。
对外开放仅在黄河上游流域对雾霾污染存在负向影响，对中下游流域影响不显著。黄河上游流域脆弱的生态系统使得当地政府在引进企业时有着更高的环保标准，加之外商投资能够带来先进的清洁技术和环保管理体系，因此对外开放降低了雾霾污染，这也表明黄河上游流域存在“污染晕轮”效应。
总体来看，黄河上中下游流域分别处于雾霾污染的初期、加剧期和恢复期，主导各子流域雾霾污染的影响因素也不尽一致。在黄河上游流域，能源利用效率低下以及偏向于生产技术提升的研发投入是导致黄河上游流域雾霾加重的主要原因；人口密度、二产比重、技术研发投入以及万人汽车保有量显著促进了黄河中游流域城市雾霾污染的加剧；而在黄河下游流域，仅有能源消费对雾霾污染起到显著的正向作用。

4 结论与政策启示

4.1 结论

本文在检验黄河流域雾霾污染空间溢出效应的基础上，基于STIRPAT分析框架，融合统计和遥感反演数据计算选取8个社会经济影响因素，构建了1998—2016年黄河流域雾霾污染的空间动态面板模型，在考虑雾霾污染时空滞后效应条件下采用系统广义矩估计方法，分析了影响雾霾污染的关键因素及其区域差异。结论如下：
①黄河流域雾霾污染呈现出明显的正向空间溢出效应和高值集聚特征，高排放俱乐部稳定地分布于黄河下游城市。
②低效率的能源使用、低水平的人口集聚、粗放式的经济发展方式是导致黄河流域雾霾污染加剧的主要原因。尽管清洁能源的消费取得了一定的降霾成效，同时外商投资也带来了微弱的技术溢出效应，但是由生产性技术创新所带来的正向效应与节能减排技术创新所带来负向影响存在抵消效应。
③社会经济因素对于雾霾污染的影响机理在黄河上、中、下游流域城市存在显著的区域差异。低效率的能源利用以及偏向于生产技术提升的研发投入导致了黄河上游流域雾霾的加重，城镇化和工业化进程则主导了黄河中游流域雾霾污染的加剧，在黄河下游城市仅有能源消费对雾霾污染起到显著的正向作用。

4.2 政策启示

本文的实证结果在一定程度上揭示了黄河流域雾霾污染的社会经济影响因素，可以为雾霾治理提供重要的政策启示。
①建立区域协同联防治霾机制。无论是全流域还是分区域的结果都显示，黄河流域雾霾污染存在显著的正向空间溢出效应，高—高集聚类城市占据主导地位。这意味着对于雾霾污染集聚的中下游区域，单一城市的雾霾治理将会收效甚微，而对于环境相对较好的上游区域，单一城市雾霾污染加剧又会迅速影响到周围区域，形成更为广泛的雾霾污染。因此，区域地方政府之间应该建立区域协同的联防机制，达成合理有效的雾霾跨界融合治理与预防的顶层设计。在区域总体环境容量的前提下，首先要明确环境污染的主体，划分好污染治理的责任，进一步通过区域协商形成统一的环境管理标准以及政策体系，同时建立区域内部城市之间的污染补偿机制，加强区域协同的环境监督与执法，最终形成雾霾治理的区域合力。
②实施差异化分区治理策略。本文研究结果显示，黄河上中下游流域分别处于雾霾污染的初期、加剧期和恢复期，不同子流域社会经济因素对于雾霾污染的影响机理也存在显著的差异。黄河上游地区雾霾治理的重点在于防范，提高能源利用效率、促使政府研发经费向节能减排技术转向是第一要务，同时也要加大外商直接投资力度，更好地发挥“污染晕轮”效应。黄河中游流域是全流域雾霾治理的重中之重，该区域城市均处于雾霾污染随经济发展而加剧的阶段，低质量的城镇化和工业化进程主导了该区域雾霾污染的加剧。因此，要提高城镇化质量，加强城市基础设施以及污染治理设施的共享，加大地方财政对清洁生产技术研发的投入，优化产业结构，尤其是要优化污染产业空间布局等方面是黄河中游流域城市雾霾治理的重要策略。黄河下游流域则需要加大清洁能源的普及。
③实现全流域的高质量发展，从根本上治理雾霾。本文研究结果表明，黄河流域处于雾霾污染程度随经济增长而加剧阶段的城市已经从下游发达城市延伸到了上游欠发达地区。从全流域来看，低效率的能源使用、低水平的人口集聚、粗放式的经济发展方式等主导了雾霾污染的加剧。因此，要想从根本上对雾霾污染进行有效治理，推动城市跨过环境库兹涅茨曲线（EKC）的拐点，必须要转变流域城市的经济发展方式，推动城市产业结构和能源结构的绿色升级，从创新活力、空间协调、绿色持续、开放包容、社会共享等方面全面提高黄河流域城市的发展质量。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
马晓倩, 刘征, 赵旭阳, 等. 京津冀雾霾时空分布特征及其相关性研究[J]. 地域研究与开发, 2016, 35(2):134-138.

[2]
严雅雪, 齐绍洲. 外商直接投资对中国城市雾霾(PM2.5)污染的时空效应检验[J]. 中国人口·资源与环境, 2017, 27(4):68-77.

[3]
冷艳丽, 冼国明, 杜思正. 外商直接投资与雾霾污染——基于中国省际面板数据的实证分析[J]. 国际贸易问题, 2015, 396(12):76-86.

[4]
李根生, 韩民春. 财政分权、空间外溢与中国城市雾霾污染:机理与证据[J]. 当代财经, 2015(6):26-34.

[5]
刘华军, 彭莹. 雾霾污染区域协同治理的“逐底竞争”检验[J]. 资源科学, 2019(1):185-195.

DOI

[6]
刘飞宇, 赵爱清. 外商直接投资对城市环境污染的效应检验——基于我国285个城市面板数据的实证研究[J]. 国际贸易问题, 2016(5):130-141.

[7]
李欣, 曹建华, 孙星. 空间视角下城市化对雾霾污染的影响分析——以长三角区域为例[J]. 环境经济研究, 2017, 2(2):81-92.

[8]
姜磊, 周海峰, 柏玲. 外商直接投资对空气污染影响的空间异质性分析——以中国150个城市空气质量指数(AQI)为例[J]. 地理科学, 2018, 38(3):351-360.

DOI

[9]
邵帅, 李欣, 曹建华. 中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J]. 经济研究, 2016, 51(9):73-88.

[10]
张生玲, 王雨涵, 李跃, 等. 中国雾霾空间分布特征及影响因素分析[J]. 中国人口·资源与环境, 2017, 27(9):15-22.

[11]
王会, 王奇. 中国城镇化与环境污染排放:基于投入产出的分析[J]. 中国人口科学, 2011(5):57- 66,111-112.

[12]
潘媛. 环境—经济投入产出模型设计核算研究[J]. 统计与决策, 2015(16):23-25.

[13]
王桂芝, 顾赛菊, 陈纪波. 基于投入产出模型的北京市雾霾间接经济损失评估[J]. 环境工程, 2016, 34(1):121-125.

[14]
魏巍贤, 马喜立. 能源结构调整与雾霾治理的最优政策选择[J]. 中国人口·资源与环境, 2015, 25(7):6-14.

[15]
姜春海, 宋志永, 冯泽. 雾霾治理及其经济社会效应:基于“禁煤区”政策的可计算一般均衡分析[J]. 中国工业经济, 2017(9):44-62.

[16]
冯少荣, 冯康巍. 基于统计分析方法的雾霾影响因素及治理措施[J]. 厦门大学学报:自然科学版, 2015, 54(1):114-121.

[17]
孙梓滢. 雾霾污染的影响因素——基于中国监测城市PM2.5浓度的实证研究[J]. 低碳世界, 2017(2):8-10.

[18]
Luc Anselin. Spatial effects in econometric practice in environmental and resource economics[J]. American Journal of Agricultural Economics, 2001, 83(3):705-710.

[19]
Rupasingha A, Goetz S J, Debertin D L, et al. The environmental Kuznets curve for US counties: A spatial econometric analysis with extensions[J]. Papers in Regional Science, 2004, 83(2):407-424.

[20]
王美霞. 雾霾污染的时空分布特征及其驱动因素分析——基于中国省级面板数据的空间计量研究[J]. 陕西师范大学学报:哲学社会科学版, 2017, 46(3):37-47.

[21]
郑翔翔, 洪正昉, 陈浩, 等. 浙江省PM2.5质量浓度分布特征研究[J]. 环境与可持续发展, 2015(3):168-170.

[22]
王占山, 李云婷, 陈添, 等. 2013年北京市PM2.5的时空分布[J]. 地理学报, 2015, 70(1):110-120.

DOI

[23]
习近平. 在黄河流域生态保护和高质量发展座谈会上的讲话[J]. 中国水利, 2019(20):1-3.

[24]
覃成林, 李敏纳. 区域经济空间分异机制研究——一个理论分析模型及其在黄河流域的应用[J]. 地理研究, 2010, 29(10):1780-1 792.

[25]
Kelejian H H, Robinson D P. Spatial Correlation:A Suggested Alternative to the Autoregressive Model[C]// New Directions in Spatial Econometrics. Berlin:Springer Berlin Heidelberg,1995.

[26]
林楚海. 中国雾霾污染的空间计量分析[J]. 统计与决策, 2018, 34(16):96-101.

[27]
王美望. 基于空间计量经济学的中国区域雾霾影响因素研究[D]. 西安: 西北大学, 2018.

[28]
Elhorst J P. Van ruimtelijke economie naar regionaal beleid (oratie)[R]. Groningen: Stichting Ruimtelijke Economie Groningen,Rijksuniversiteit Groningen, 2012.

[29]
张征宇, 朱平芳. 有测量误差时空间自回归模型的估计与检验[J]. 统计研究, 2010, 27(4):103-109.

[30]
Richard York, Eugene A Rosa, Thomas Dietz. STIRPAT, IPAT and ImPACT:analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics, 2003, 46(3):351-365.

[31]
Shi A. The impact of population pressure on global carbon dioxide emissions,1975-1996:evidence from pooled cross-country data[J]. Ecological Economics, 2003, 44(1):29-42.

[32]
Ehrlich P R, Holdren J P. Impact of Population Growth[J]. Science, 1971, 171(3977):1212-1 217.

[33]
吴健生, 牛妍, 彭建, 等. 基于DMSP/OLS夜间灯光数据的1995—2009年中国地级市能源消费动态[J]. 地理研究, 2014, 33(4):625-634.

DOI

[34]
曹子阳, 吴志峰, 匡耀求, 等. DMSP/OLS夜间灯光影像中国区域的校正及应用[J]. 地球信息科学学报, 2015, 17(9):1092-1 102.

[35]
Rongwei W, Degang Y, Jiefang D, et al. Regional inequality in China based on NPP-VIIRS night-time light imagery[J]. Remote Sensing, 2018, 10(2):1-19.

[36]
苏泳娴. 基于DMSP/OLS夜间灯光数据的中国能源消费碳排放研究[D]. 广州: 中国科学院研究生院(广州地球化学研究所), 2015.

[37]
李国平, 杨佩刚, 宋文飞, 等. 环境规制、FDI与“污染避难所”效应——中国工业行业异质性视角的经验分析[J]. 科学学与科学技术管理, 2013(10):124-131.

[38]
陈刚. FDI竞争、环境规制与污染避难所——对中国式分权的反思[J]. 世界经济研究, 2009(6):5-9,45,89.

[39]
周杰琦, 夏南新, 梁文光. 外资进入、自主创新与雾霾污染——来自中国的证据[J]. 研究与发展管理, 2019, 31(2):82-94.

[40]
周晓艳, 郝慧迪, 叶信岳, 等. 黄河流域区域经济差异的时空动态分析[J]. 人文地理, 2016(5):119-125.

Options
Outlines

/

〈 〉