论文部分内容阅读
[摘要]选择气象条件相似的华北地区28市（盟）作为研究样本，在验证了城市大气环境质量之间的空间关系后，将自然地理要素抽象化并引入空间计量经济模型，基于传统EKC模型论证了经济、社会和自然地理要素对地区大气环境质量的影响。分析结果表明：地形种类应是华北地区大气环境质量（PM25、PM10、SO2）的主要影响因素，资源型城市属性在一定程度上会加重PM10和SO2的污染程度，其他诸如人均收入、人口密度、毗邻沙漠、拥有海岸线等因素对大气环境质量的影响总体上不太显著;仅在对NO2污染物指标的回归中，可以发现显著的EKC效应。
[关键词] 雾霾;华北地区;空间计量经济学;自然地理
[中图分类号] F207 [文献标识码]A [文章编号]1673-0461（2020）03-0055-09
一、引 言
2011年以来，中国多个城市出现严重雾霾天气，京津冀地区重度雾霾天气频发，引起了广泛的社会关注。随后，一系列政策措施相继颁布、实施，以应对大气污染问题。即便到2018年度，全国338个地级及以上城市中，仍有近2/3的城市空气质量不达标;空气质量相对较差的10个城市中，河北仍独占5席（生态环保部：《2018年全国生态环境质量简况》，2019）。可见，大气污染防治将是长期的攻坚战，而京津冀地区则“首当其冲”，成为全国重点区域，防治工作任重道远。
雾霾是大气中跨越地球广大地区的碳质气溶胶粒子的积累，而碳质气溶胶颗粒主要是由燃烧过程产生的，包括生物质和化石燃料燃烧;与此同时，大气中挥发性有机物种的自然排放和转化也有助于雾霾的发展（Guenter Engling、A Gelencsér，2010） [1]。rjan Gustafsson、Martin Krus、Zdenek Zencak等（2009）对亚洲南部的一项研究也表明化石燃料和生物质燃烧（如住宅烹饪和农业焚烧）过程是该地区范围广泛雾霾（atmospheric brown cloud）产生的原因 [2]。自2011年以来，国内许多学者从工业技术到产业结构层面，纷纷陈述了对雾霾成因的解析，但迄今為止对“霾”的科学认识还不够系统、全面 [3]。如段再明（2011）认为利用在焦化工业中湿法熄焦是诱发山西省雾霾天气的主要原因之一 [4]，显然仅考察了部分成因。而潘本锋、汪巍、李亮等（2013）结合气象条件等因素，认为雾霾天气是由气象要素和环境要素共同作用形成的 [5];孟晓艳、余予、张志富等（2014）也认同了这种观点，他们认为除污染物浓度超标外，地面风速小、相对湿度高、大气层结稳定是京津冀地区雾霾频发的另一重要因素 [6]。关大博、刘竹（2014）则从行业类型及燃料消费种类两方面量化梳理了京津冀地区重点污染行业及不同燃料对PM25污染的贡献 [7]。而石彦波、卢广（2015）的一项调查，则从大众媒体的视角，解释了京津冀地区何以成为中国雾霾最严重的地区 [8]。
中国科学院大气物理研究所王跃思团队长期追踪大气霾污染问题，对“霾”的成因进行了解析。他们得出霾的成因包括：天气过程和局地气象条件不利于污染物扩散，西北气流输送沙尘使污染物累积到太行山和燕山山前，城市周边污染物气团的近距离聚拢，污染物的局地排放以及二次颗粒物的不断转化生成 [9]。他们将之归纳为内因和外因，内因指污染物排放源的不确定性与未知源，而外因主要指天气过程、气候变化、气象条件与大气边界层结构;并认为在排放源相对稳定的情况下，外因往往是决定性因素，但在外因不可控的前提下，内因即一次污染物排放量过大是治理大气霾污染的关键因素 [10]。
关于雾霾成因的探讨，不是本文论述的重点。从学术探讨方面，我们倾向于王跃思团队的研究结论，即京津冀的区位、气象条件等外因和特定经济发展阶段污染物排放特征等内因，是其雾霾形成的共同原因。实际上，早在2014年，京津冀地区就相继公布了空气颗粒物来源解析成果报告，基本认为燃煤机动车、扬尘和工业生产是京津冀主要的大气污染因素 [11]，同时，京、津、冀（以石家庄为例）3地的PM25来源中，区域传输分别约占28%—36%、22%—34%、23%—30% [12]。那么，本文从以大气污染严重的京津冀地区为中心，将大气污染的影响区域扩展到华北地区，选取华北地区28个城市，研究大气污染的空间依赖性，从而为区域大气污染防治协作提供一些基础资料。
二、空间经济分析方法在大气污染领域的理论研究
1970年，Tobler提出了地理学第一定律，由此引发了运用空间统计学方法分析经济问题的趋势。具体到大气污染领域的研究，David Maddison（2006）认为之前的研究人员在分析大气污染物（硫）排放的趋势时，忽略了数据的空间特性，还忽视了对大气污染物（硫）排放的越境性质进行核算的重要性 [13]。而数据中存在的空间关系对计量经济学技术的典型运用有着重要影响，对数据空间关系的忽视，则会导致如Luc Anselin等所述的误导性推理测试过程（misleading inference testing procedures）、偏差和不一致性问题（Anselin、Griffith，1988） [14]。
一般来说，空间经济分析方法运用于大气污染领域是基于如下两点假设：大气污染存在污染叠加效应;大气污染的空间数据间存在统计关系 [15]。单纯的数据空间关系在大气污染方面的研究，多涉及环境科学和气象科学领域（D M Elsom，1978;Sotiris Vardoulakisa、Norbert GonzalezFlescab、Bernard E A Fisher等，2005;G Arbia、M Copetti、G Lafratta，2009;Fahimah A AlAwadhi、Shafiqah A AlAwadhi，2006;白鹤鸣，2013），主要指明了大气污染存在的空间溢出效应、空间自相关性等，较少涉及经济因素。而空间经济分析则重点考察了大气污染的空间数据与区域经济发展指标之间的关系，分析了大气污染与经济增长、与产业结构的联系，其中最具代表性的是基于环境库兹涅茨曲线（EKC）的空间计量经济分析。 关于经济增长与环境质量之间关系的探索，可以追溯到1987年世界环境与发展委员会《我们的共同未来》的出版，随后Gene M Grossman、Alan B Krueger（1993）对NAFTA环境影响的实证分析则是关于国民收入和环境质量关系（IncomeEmissions Relationship，IER）问题研究的发端 [16]。1995年，Gene M Grossman、Alan B Krueger使用全球环境监测系统（GEMS）的数据，拟合出了环境库兹涅茨曲线（EKC），即经济增长最初造成了环境质量的恶化，但随后使环境质量迎来了改善 [17]。其后，大量关于IER的研究基本上都是围绕EKC是否存在或其形状来展开。其缺憾在于，在分析环境因素时，基本未考虑环境污染（尤其是大气环境污染）的空间关系。如David Maddison（2006）指出大多数研究人员在估计EKC时，都隐含的假设一国的人均排放量不受邻国的影响，而他证明一国的二氧化硫和氮氧化合物人均排放量受到邻国人均排放量的严重影响 [18];他提出欧洲国家的越境排放（硫）明显改变了对EKC形状的认知，在考虑数据空间关系的基础上，他认为欧洲的硫排放不存在EKC，只是空间滞后（David Maddison，2007） [19]。Anil Rupasingha、Stephan J Coetz、David L Debertin等（2004）利用EKC綜合模型，研究了美国县域人均收入与有毒污染物排放之间的关系，最初得出了倒“U”型关系，然而当收入的三次方纳入模型后，揭示出有毒污染物的排放量将随着收入的提高而再度增加 [20]。
国内关于EKC的空间计量分析陆续从2008年开始，杨海生等（2008）采用空间计量模型对中国46个城市EKC间的空间依赖关系进行了分析。之后的研究更多的集中在省域层面上（苏梽芳、胡日东、林三强，2009;袁加军，2010;董锁成、李飞、李泽红等，2010;陈青青，2011;吴玉鸣、田斌，2012;安虎森、王雷雷、吴浩波，2014），也有涉及中国与周边国家（和地区）的EKC研究（国涓、项吉宁、郭崇慧，2009;孙攀、吴玉鸣、鲍曙明，2019）。刘军、王慧文、杨洁（2017）则认为城市大气污染在空间维度和时间维度上分别存在显著的空间溢出效应和动态效应，当前中国正处于EKC拐点的左边 [21]。
基于前述分析，我们认为，从量级上工业排放（包括工业二氧化硫以及工业烟（粉）尘排放）是华北地区大气中污染物的主要来源。但如果以污染物排放量作为分析对象，则城市（除已步入后工业化阶段的北京）经济规模或工业经济规模越大，污染物排放量就越多，这是可以料想的结果。为此，我们基于传统EKC的理论假设（即环境质量与人均收入存在相关关系），在考虑空间因素的基础上，将京津冀区域大气污染问题扩展到整个华北地区，并纳入自然地理等因素，通过构建空间计量经济回归模型，研究华北地区空气环境质量的主要影响因素。
三、模型构建及数据来源
华北地区是一个自然地理范畴，城市主要包括：北京市，天津市，河北省全境11市（石家庄市、唐山市、秦皇岛市、邯郸市、邢台市、保定市、张家口市、承德市、沧州市、廊坊市、衡水市），山西省全境11市（太原市、大同市、阳泉市、长治市、晋城市、朔州市、晋中市、运城市、忻州市、临汾市、吕梁市），以及内蒙古自治区的4盟市（呼和浩特市、包头市、乌兰察布市和锡林郭勒盟）。之所以选择华北28市（盟）作为研究样本，首先主要是考虑在分析大气环境问题时，可以不考虑气候差异以及气象条件等因素，而这些因素在一些可见的文献中，被视为影响雾霾的几类显著因素。因此，本文从样本选择上首先想营造一种相对隔离的空间环境。这种分析的逻辑，类似于物理学中的隔离实验，其在经济学中的运用，也是卡尔·波普尔所认为能在社会科学中成功运用的少数领域之一 [22]。其次，本文在变量的选择上，同样也想遵循简化的逻辑思路，即主要分析各类污染物与人均收入之间的关系，甚至没有考虑诸多学者所采用的三次产业结构、城镇化率、人力资本等指标。实际上，从社会经济发展的实际进程来看，在人口规模足够大的前提下，这些指标基本上都脱离不了与人均收入（人均GDP）的关系。当然，根据分析的需要，本文也纳入了一些自然地理因素作为协变量。
（一）指标选取、数据来源及研究假设
Gene M Grossman、Alan B Krueger（1993、1995）在分析地区大气污染与人均收入关系时，将SO2、烟尘、重颗粒物作为因变量，而将人均GDP（包括滞后项、平方项、立方项）作为自变量，同时引入了一系列的虚拟变量——监测点是位于中心城市或是郊区、监测点用地的性质（工业、商业、居民生活或其他）、城市是否拥有海岸线、是否毗邻沙漠、人口密度、时间趋势项等，拟合并提出了环境库兹涅茨曲线（EKC）模型。后续的一些学者在此基础上主要对自变量（解释变量）进行了扩展，加入了诸如贸易强度（Matthew Cole等，1997 [23];Vivek Suri等，1998 [24]）、技术水平（Matthew Cole等，1997）、教育程度（Robert Berrens等，1997 [25];Mariano Torras等，1998 [26];Pingo Wang等，1998 [27];Kishore Gawande等，2000 [28]）、收入差距（Mariano Torras等，1998）、城市化水平（Robert Berrens等，1997;Mariano Torras等，1998）、民族多样性（Anil Rupasingha等，2004）等变量。而吴玉鸣、田斌（2012）在对中国省域EKC的一项研究中，则囊括了人口、城市化、人力资本、产业结构及对外开放等因素 [29]。
如前文所述，在人口规模足够大且不存在特殊经济生产形式的情况下，人均GDP实际能在较大程度上反映这些指标。按简化分析的思路，本文主要选取人均GDP作为自变量，代表经济发展的相关指标;选取人口密度作为社会发展情况的代表，它在某种程度上也能反映地区城镇化的进程。此外，本文考虑将自然地理因素引入，作为协变量。在自然资源条件方面，主要是看城市是否为资源型城市（是否列入国务院2013年印发的《全国资源型城市可持续发展规划（2013—2020）》中的“资源型城市”名录），它从侧面反映城市的产业结构和产业层次。在地理条件方面，本文首先直接借鉴Gene M Grossman、Alan B Krueger（1995）的指标设定，考虑了城市是否沿海（城市是否有海岸线）、是否毗邻沙漠（100英里内是否存在沙漠）;其次，本文试图考虑反映城市海拔以及坐落于山脉（主要是太行山脉和燕山山脉）方位的因素，以反映气象学方面的大气污染物扩散效应，最终选取了地形种类因素，将城市的地形种类简单的划分为了“平原”“山区”“高原”3种类型（这3种类型基本也能将城市在山脉坐落的方位区别开来）。回到因变量（被解释变量）上，选取了各城市的PM25、PM10、SO2、NO2 4个具有代表性的大气环境质量指标。以上所有的指标均取2017年度值。具体的指标解释及数据来源见表1。 根据变量选择的过程，本文先期做出6个待验证的假设。
假设1：人均地区生产总值对大气环境质量有显著影响;
假设2：城市人口密度对城市大气环境质量有显著影响;
假设3：地形种类对城市大气环境质量有显著影响;
假设4：城市拥有海岸线会减轻大气环境污染程度;
假设5：毗邻沙漠会加重大气环境污染程度;
假设6：资源型城市的大气环境污染程度相对较重。
（二）评价模型的构建
Gene M Grossman、Alan B Krueger（1995）在分析污染与经济增长关系时，构建了简化形式方程，除将地区（空气和水）污染水平同人均收入水平作为解释变量外，还将其它协变量纳入方程。他们认为简化式方程一方面能得出收入水平对污染程度的净效应，另一方面省去了收集污染管制、技术水平等不易获取且不太可靠数据的工作。而吴玉鸣、田斌（2012）则扩展了Gene M Grossman、Alan B Krueger（1995）等所拟合的传统EKC模型，将人口、城市化等相关变量加入方程，以提高模型的拟合优度，但他们却舍弃了前3年人均收入均值的滞后变量。
如前所述，基于传统EKC模型，认同环境质量与人均收入水平之间存在相关关系，同时参考Gene M Grossman、Alan B Krueger（1995）的研究，考虑了时间滞后影响，并加入相关协变量。为避免回归模型的异方差性，对相关变量取自然对数，因而构建如模型（1）：
其中，i代表华北地区各城市，其他变量解释同表1。
四、实证结果分析
根据空间计量经济学的分析原理，在检验变量空间相关性的基础上，拟合空间模型并进一步分析各变量的显著性，以分析其在大气环境质量中的作用。
（一）大气环境质量的空间相关性检验
首先对各城市大气环境质量指标的空间依赖性进行了定量分析。在确定空间距离权重矩阵时，选用了一阶“车”邻接（rook contiguity）和最小门槛距离（threshold distance）两种方法。所计算得出的全局Moran′s I值和标准化统计量z值（临界值为196）分别列示于表2。可知，无论采取的哪种空间距离权重矩阵的确定方法，4种大气环境污染指标在空间上均呈现出显著的空间自相关性。从全局Moran指数散点图（略）来看，大气环境污染指标的正向空间自相关明显，即在空间上呈现出的关系以“高值-高值”聚集、“低值-低值”聚集为主。
表3展示了基于局部Moran指数的LISA聚类结果（一阶“车”邻接）。从空间分布上来看，可以明显的发现，“低值-低值”聚集区基本位于华北北部地区，主要是锡林郭勒、乌兰察布、张家口、承德等城市，而“高值-高值”聚集区则主要位于南部地区，主要是冀中南和晋中南的几个城市。PM25和PM10指标呈现出了相同的聚集情况，SO2的空间聚集情况最为显著，而NO2的“高值-高值”聚集区范围则相对小。Luc Anselin（2005）指出，显示在LISA集聚图中的所谓的空间集聚只是集聚中心，因此空间集聚程度比LISA集聚图标识的范围更广，包含了集聚中心周围相邻的更大区域。
（二）空间模型回归的诊断及选择
首先对模型进行常规的普通最小二乘法（OLS）回歸估计，并拟选取最优模型。对于4类环境污染指标，分别进行了拟合，并给出了空间模型回归诊断结果（如表4）。如表4所示，对4类大气污染物的拟合模型诊断显示，空间滞后模型是最优模型。这与Gong Zezhou、Zhang Xiaoping（2017）对中国重点城市大气污染进行空间分析时的模型选择是相一致的 [30]。而从全局Moran空间自相关指数来看（如表2），使用一阶“车”邻接来确定空间距离权重矩阵的方法得到的空间相关性更显著，因此，选择了一阶“车”邻接的方式确定空间权重矩阵。由此，构建空间滞后回归模型（2）：
WlnPOLUji为i城市的j类大气污染物环境质量指标的空间滞后因子，表示地理上邻近的各城市环境污染变量的加权求和值;ρ为空间自回归参数，表示邻近城市环境污染对i城市的空间影响;其他同前。
（三） 空间回归结果及分析
1 .关于PM2.5的相关结果及分析
从估计结果来看，空间滞后回归模型的拟合优度（R2=0796）比普通最小二乘法估计（结果略）模型的拟合优度（R2=0685）也相应有较大的提高。从解释变量回归参数来看，在考虑空间因素的情况下，解释变量中对PM25影响显著的仅有环境污染的空间滞后变量，以及地形种类因素。而在未考虑空间因素影响的情况下，解释变量均不显著。因此，认为GRPPC、PD、COAST、DESERT、RC对PM2.5不存在明显的影响。而地形种类对PM2.5有显著影响。当然，邻近城市的空气污染状况也对该城市的环境质量有显著的影响（如表5）。
2.关于PM10的相关结果及分析
同理，对PM10拟合的空间滞后回归模型的拟合优度（R2=0688）比OLS模型（R2=0573）也相应有较大的提高。对于PM10，除环境污染空间滞后因子外，地形种类与资源型城市变量对其的影响也是显著的，且相较于PM25，此时地形种类的影响更加显著了。同样，对于PM10来说，我们同样也无法认为所设定的其他几个变量对PM10有显著影响（如表6）。
3.关于SO2的相关结果及分析
至于SO2，在常规OLS回归模型中，R2=0643，解释变量中仅有RC的t值显著;空间滞后回归模型则将拟合优度提高到0688。而从估计结果来看，地形种类因素仍然显著，但此时的作用却是正向的;同样，沿海因素也表现出了正向的显著性，也未对环境污染起到稀释与扩散作用。我们认为这两个虚拟变量在设定时，考虑得较粗，在很大程度上体现出了城市所处的区位，而这些区位又反映了所涉及几个省（区、市）的经济发展强度，譬如沿海城市经济发展水平一般高于内陆城市。此外，资源型城市因素对SO2指标的影响在空间滞后回归模型中也是显著的（如表7）。 剔除COAST因素后，对NO2进行常规OLS回归，模型的拟合优度R2=0684，所有解释变量的t值均不显著。考虑空间因素后，模型的R2提高到0768。与其他三类污染物指标不同，对NO2的拟合中，呈现出了明显的EKC效应，人均地区生产总值不能拒绝对NO2指标有显著影响。同时人口密度也呈现出了正向的显著性，而之前一直较为显著的地形种类因素的影响则不显著了（如表8）。
五、讨 论
已有的描述收入与污染排放关系的文献林林总总，均依托分析对经济社会问题给予了相应的解释。本文的基本思路是假定实际存在着环境质量与收入之间的相关关系，而将经济社会中的各类典型要素纳入方程，在特定地域空间关系下分析其实际影响。当然，在对自然地理要素设定时，我们实际进行了简化，虽对各地区来说不一定准确，但基本遵循了可感知的正确趋势。那么，从已得出的实证结果来看，能有如下认识：
（一）大气环境质量指标的空间依赖性明显
从全局Moran空间自相关检验和局部Moran指数检验的结果，我们能观察到大气环境质量指标的空间依赖性比较明显，这与一些学者的结论也是相一致的 [31]。实际上，这与我们日常的认识也相吻合，只是通常在实证分析中比较容易忽略空间关系。比如从人均收入和产业结构来说，北京应是步入EKC的右边即环境质量较好的阶段，但实际上，北京的大气污染水平仍较高。许多研究人员也将其归因于污染的空间传输，这也是我们所认同的，随着气象条件的作用，污染物在区域间会发生迁移，当然在我们的回归模型中的空间滞后因子均较显著，也在很大程度上支持了这一观点。
既然存在空间的依赖性，那么一地区的大气环境治理就不可能依赖地区的单独行动，必须联防联控，当然，这个举措国家在2013年《大气污染防治行动计划》中就提出了。王跃思等（2013）认为京津冀同处一个气候带，因而形成了一个大的区域协同污染区，根治大气污染需要联防联控 [32];而楼宗元（2015）也提出通过府际合作这种治理模式，应对京津冀地区雾霾问题 [33]。总而言之，从局域Moran指数的LISA聚类结果中，可以为各城市寻找联防联控的对口城市提供一定的方向指引。
（二）人均收入对大气环境质量的影响在华北地区表现不明显
除NO2的污染指标外，人均地区生产总值对其他3类空气质量的回归结果并不显著。即根据我们的模型设定，假设1得不到有效证实。当然，这可能由几方面的原因造成。一是所选数据的代表性。实际上在之前选择人均收入变量时，考虑过城市人均地区生产总值、人均工资收入、人均可支配收入，同时我们也试着将统计范围缩小到市辖区，这样就有6组不同数据，但前期经过拟合后，均未在结果中发现人均收入对大气环境治理的显著性影响。最终选取的仍是大多数学[JP2]者使用的人均地区生产总值指标，它也比市辖区指标更能代表1个城市的发展水平。二是由于在28个城市样本中，地区或城市的人口数量差别较大，一些地域的经济发展水平显然不能与北京等城市相提并论，但人均地区生产总值却因人口基数少而在数值上逼近，如呼和浩特、包头、沧州等城市。三是在同等条件下，一些重化工业城市的地区生产总值可能较高，相应的导致人均地区生产总值偏高，但从产业结构和经济发展阶段来说，却还處于高污染排放的发展阶段。即是，仅靠人均地区生产总值指标还难以全面反映这些差异。实际上，Gene M Grossman、Alan B Krueger（1995）曾强调，EKC关系的产生过程不是自动的，技术变革、教育、政治进程等条件最终可能导致污染的减少。由此，我们也认为拟合EKC效应，可能更适合从更大的区域范围比如省域层面入手。
（三）城市人口密度对大气环境质量（除NO2外）的影响不显著
由于样本中有的城市范围较大且人口稀少，又考虑到空气质量的监测点多位于城区之内，因此，我们使用了市辖区的人口密度作为其中的变量，结果显示除NO2外，市辖区人口密度的影响并不显著。可以看到，大城市有较高的人口密度，但近年来一些城市的人口城镇化速度激增，但城市建成区面积却难有同等的增速，导致市辖区人口密度也较高，如沧州、廊坊、晋城、邯郸、邢台等城市。此外，一些人口密度较大的城市，如石家庄等，通过撤县划区，大大降低了人口密度的统计值，然而其主城区人口密度仍非常之高。这些也影响了此指标的显著性。实际上，使用全市的人口密度得出的也是类似的结果。因而，对于假设2，目前的回归结果尚不能判断。
（四） 地形种类对大气环境质量的影响较显著
我们在设定城市的地形种类时，曾经考虑了各城市的平均海拔，在样本城市中，被认定为平原区的城市平均海拔在2—80米之间，而被认定为山区的在370—1 070米之间，被认定为是高原的则在980—1 420米之间，基本可以反映城市间地形种类因素的差异。虽然，我们的结果不能证明地形种类是影响大气环境的决定性因素，但从构建模型的几个指标来看，地形种类变量相对来说是最为显著的。对于PM25、PM10来说，地形种类因素的回归结果支持了我们的认知，即假设3是成立的。
如前述分析，地形种类因素对SO2的排放影响呈现出了一种正向的关系，这与SO2排放的特征相关。SO2主要由工业排放产生，而我们设定的地形种类变量大体体现了从沿海到内陆的梯度特征，而从沿海到内陆的工业化发展阶段也基本呈现了类似的态势，于是就有此正向关系的产生。这也说明SO2与PM25、PM10的不同，它主要与地区工业排放关联较大，而不仅仅是纯大气环境质量的统计指标。因此，我们也推断地形种类因素为此也未显示出对NO2指标的显著关联性。
（五）海岸线的存在未能显示出对城市大气环境的减轻作用
海岸线指标仅在对SO2的影响中呈现出显著性，而且与假设相反，是一种正向的作用。而其原因主要是沿海城市相较于冀、晋、蒙3省区的内陆城市都有较高的工业经济发展水平。因而假设4在本研究中暂时无法得到证实。 （六）城市毗邻沙漠不能证明加重了大气环境污染的程度
从对4类大气污染物的拟合结果来看，沙漠对空气质量暂无明显的影响。而根据前述的判定标准，样本城市中仅有3市被界定为毗邻沙漠，且它们同属一种地形种类，故也未能得出其对环境污染的显著性影响。因此，假设5尚不能得到有效证明。
（七） 资源型城市的大气环境污染相对较重
在对PM10和SO2的回归中，我们能得到这个结论。依托资源型城市而生的矿产资源开采、洗选、冶炼加工等产业，一方面会产生较多的粉尘排放（从感观上我们认为是大颗粒偏多），另一方面对能源动力的需求较大，燃煤等产生了大量的工业SO2排放。为此，假设6在一定程度上是可以被接受的。
六、结 论
科学的问题总是因为人们需要某种解释而被提出来的（卡尔·波普尔，1957）。与自然科学不同，社会科学难以实现人工隔离，因为社会科学中难以准确测度诸多参数。遵循这个思想，我们主要借鉴了Gene M Grossman、Alan B Krueger（1995）所提出的EKC模型，试图将自然地理要素抽象化，纳入简化形式的回归方程，分析诸如收入、人口、地理条件、自然禀赋等因素对空气环境质量的影响。这些指标代表了各方面的条件，以供我们考察样本区域内的真实情况。本文以人均收入作为主要的解释变量（即便它在大多数回归方程估计中并不显著），以使分析是基于EKC框架的，并摒弃了许多学者采用的其他经济指标，代入了自然地理要素等指标作为协变量。而样本数据的结果显示出空间滞后关系在大气环境质量上有较强的显著性，这首先支持了我们对大气环境问题的空间认识。其次，地形种类因素相对来说在大气环境质量方面作用明显，而地区人均收入及其他地理因素的作用则相对较弱。
因此，分析结果为我们提供了3点启示。其一，区域的大气污染治理不是孤立的行为，在实行联防联控时，在空间协作上应有方向和重点。如按照EKC的假说，北京市应已步入空气质量优化阶段，但大气环境质量不等于大气污染排放，由于其所处的地理位置，大气质量不可能“独善其身”，周边的天津、唐山、保定等也是其治理时应该重点考虑去协调的城市。王跃思等（2013）指出欧共体协同治理酸雨和大气污染，以及美国南加州联防联控遏制光化学大气污染皆是可借鉴的范例。其二，地形种类因素可以说是这几个指标中最主要的因素，实际上我们不能一味苛责经济增长的负面影响而“压制”重化工业产业的发展，区域污染物在此区域容易聚集且不易扩散是一个主要的因素。正如王跃思（2017）所述，从长期来讲，雾霾治理的关键还是源头治理，即解决内因。那么，我们推断出地形种类因素是最为显著的原因，虽然城市的地形种类不可改变，但产业是可以迁移的、结构是可以调整的。包括清洁生产、企业社会责任等环境管控政策是未来环境治理的重要内容。其三，对于不同污染物的防治在方法上要有侧重。即使是相对比较显著的地形种类因素，在不同的污染物指标上的影响方向都会有所不同，因其形成来源有差异而影响因素也相异，防治的方法不可一概而论。
也正是由于本文对自然地理因素进行了抽象化，虽结合了海拔等因素，但可能初始赋值不能完全体现城市的特征，如在考虑山西省的城市时，就未能细致地考察城市是否坐落于山间盆地或是峡谷之间等，同时考虑到人口密度的因素后，便舍弃了诸如人均机动车辆拥有量等因素，可能导致分析结果会有一定的偏差。为了简化分析，还舍弃了城市的产业结构等因素。此外，与大气环境密切相关的气象条件因素，我们还未能有合适的方法纳入模型，即便回到空间层面，我们也未考虑与华北地区相邻的外围城市的情况。基础数据赋值中的这些问题都可能导致回归结果有一定的偏差。最重要的是，囿于数据的可获得性，本文仅使用了1年的横截面数据，可能也并不能代表整个地区层面的真实情况。
但总体来说，我们考虑了空间因素，扩大了研究的区域范围，对华北地区的雾霾问题进行了解释，所得出的一些结论，可为京津冀的大气环境治理提供一些有益借鉴。回到大气环境污染的治理上，我们可以援引Tom H Tietenberg（1978）的一个论断，即：实施由地方管理的、空间上差别化的大气污染物排放收费，为一国以较低成本实现大气污染治理目标提供了一个机会，是一个非常实际的公共政策选择 [34]。
[参考文献]
[1]ENGLING GUENTER， GELENCSR A Atmospheric brown clouds： from local air pollution to climate change [J] Elements， 2010， 6（4）： 223-228
[2]GUSTAFSSON RJAN， KRUS MARTIN， ZENCAK ZDENEK， et al Brown clouds over South Asia： biomass or fossil fuel combustion？ [J] Science， 2009， 323（5913）： 495-498
[3]宋建军 京津冀雾霾防治面临的困境及出路 [J] 宏观经济研究， 2017（9）： 164-170
[4]段再明 解析山西雾霾天气的成因 [J] 太原理工大学学报， 2011， 42（5）： 539-541
[5]潘本锋， 汪巍， 李亮，等 我国大中型城市秋冬季节雾霾天气污染特征与成因分析 [J] 环境与可持续发展， 2013， 38（1）： 33-36
[6]孟曉艳， 余予， 张志富，等 2013年1月京津冀地区强雾霾频发成因初探 [J] 环境科学与技术， 2014， 37（1）： 190-194
[7]关大博， 刘竹 雾霾真相——京津冀地区PM2 5污染解析及减排策略研究 [M] 北京： 中国环境出版社， 2014
[8]石彦波， 卢广 京津冀怎么就成了中国雾霾最严重的地区 [J] 中国国家地理， 2015（1）： 56-67 [9]王躍思， 姚利， 刘子锐，等 京津冀大气霾污染及控制策略思考 [J] 中国科学院院刊， 2013， 28（3）： 353-363
[10][ZK（#]王跃思， 张军科， 王莉莉，等 京津冀区域大气霾污染研究意义、现状及展望 [J] 地球科学进展， 2014， 29（3）： 388-396
[11]巩志宏 京津冀地区雾霾成因初步揭开 [N] 科技日报， 2014-09-05（04）
[12]李云燕， 王立华， 王静，等 京津冀地区雾霾成因与综合治理对策研究 [J] 工业技术经济， 2016， 35（7）： 59-68
[13]MADDISON D Modelling sulphur emissions in Europe： a spatial econometric approach [J] Oxford economic papers， 2007， 59（4）： 726-743
[14]ANSELIN L， GRIFFITH D Do spatial effects really matter in regression analysis？ [J] Papers of the regional science association， 1988， 65： 11-34
[15]白永亮， 郭珊， 孙涵 大气污染的空间关联与区域间防控协作——基于全国288个地市工业SO2污染数据的空间统计分析 [J] 中国地质大学学报： 社会科学版， 2016（3）： 63-72
[16]GROSSMAN GENE M， ALAN B KRUEGER Environmental impacts of a North American free trade agreement [M]//GARBER P. The U SMexico Free Trade Agreement Cambridge， MA： MIT Press， 1993
[17]GROSSMAN G M， KRUEGER A B Economic growth and the environment [J] Quarterly journal of economics， 1995， 110（2）： 353-377
[18]MADDISON D Environmental Kuznets curves： a spatial econometric approach [J] Journal of environmental economics & management， 2006， 51（2）： 218-230
[19]MADDISON D Modelling sulphur emissions in Europe： a spatial econometric approach [J] Oxford economic papers， 2007， 59（4）： 726-743
[20]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
[21]刘军， 王慧文， 杨洁 中国大气污染影响因素研究——基于中国城市动态空间面板模型的分析 [J] 河海大学学报（哲学社会科学版）， 2017， 19（5）： 61-67
[22]KARL R POPPER The poverty of historicism [M] Boston： Beacon Press， 1957
[23]COLE M A， RAYNER A J， BATES J M The environmental Kuznets curve： an empirical analysis [J] Environment and development economics， 1997， 2（4）： 401-416
[24]SURI V， CHAPMAN D Economic growth， trade and energy： implications for the environmental Kuznets curve [J] Ecological economics， 1998， 25（2）： 195-208
[25]BERRENS R P， BOHARA A K， GAWANDE K， et al Testing the invertedU hypothesis for US hazardous waste： an application of the generalized gamma model [J] Economics letters， 1997， 55（3）： 435-440
[26]TORRAS M， BOYCE J K Income， inequality， and pollution： a reassessment of the environmental Kuznets Curve [J] Ecological economics， 1998， 25（2）： 147-160
[27]WANG P， BOHARA A K， BERRENS R P， et al A riskbased environmental Kuznets curve for US hazardous waste sites [J] Applied economics letters， 1998， 5（12）： 761-763 [28]GAWANDE K， BOHARA A K， BERRENS R P， et al Internal migration and the environmental Kuznets curve for US hazardous waste sites [J] Ecological economics， 2000， 33（1）： 151-166
[29]吴玉鸣， 田斌 省域环境库兹涅茨曲线的扩展及其决定因素——空间计量经济学模型实证 [J] 地理研究， 2012， 31（4）： 627-640
[30]GONG Z， ZHANG X Assessment of urban air pollution and spatial spillover effects in China： cases of 113 key environmental protection cities [J] Journal of resources and ecology， 2017， 8（6）： 584-594
[31]刘华军， 杜广杰 中国城市大气污染的空间格局与分布动态演进——基于161个城市AQI及6种分项污染物的实证 [J] 经济地理， 2016， 36（10）： 33-38
[32]王跃思， 姚利， 刘子锐， 等 京津冀大气霾污染及控制策略思考 [J] 中国科学院院刊， 2013， 28（3）： 353-363
[33]楼宗元 京津冀雾霾治理的府际合作研究 [D] 武汉： 华中科技大学， 2015
[34]TIETENBERG T H Spatially differentiated air pollutant emission charges： an economic and legal analysis [J] Land economics， 1978， 54（3）： 265-277
Spatial Econometric Analysis of the Influencing Factors
of Urban Atmospheric Environmental Quality in North China
——An Extension Based on Physical Geographic Elements
Ding Xin，Zhou Jiguang，Wu Wensheng
（Hebei GEO University，Shijiazhuang 050031，China）
Abstract：
The essay selects 28 cities （leagues） in North China with similar meteorological conditions as the research samples After verifying the spatial relationship of atmospheric environmental quality among cities， the physical geography elements are abstracted and introduced into the spatial econometric model， and then the impact of economic， social and physical geography factors on regional atmospheric environmental quality is explored based on the traditional EKC model It′s concluded that： the topography should be the main influencing factors of atmospheric environmental quality （PM25， PM10， SO2） in North China; the resourcebased urban attributes will aggravate the pollution degree of PM10 and SO2 to a certain extent， and other factors such as per capita income， population density， being adjacent to desert， and coastline have less significant impact on atmospheric environmental quality; a significant EKC effect can be found only in the regression of NO2 pollutant indicators
Key words： haze; North China; spatial econometrics; physical geography
（責任编辑：张梦楠）
收稿日期： 2019-09-19
网络出版网址： http：//kns.cnki.net/kcms/detail/13.1356.F.20191224.1257.002.html 网络出版时间：2019-12-24 13：44：31
基金项目： 河北省社会科学基金项目《华北地区工业大气污染物EKC的空间依赖性研究》（HB14YJ021）。
作者简介： 丁欣（1981—），女，山东潍坊人，经济学博士，副教授，主要研究方向为环境经济学、金融学;周吉光（1981—），男，湖北鄂州人，经济学硕士，副编审，主要研究方向为资源经济学、环境经济学;吴文盛（1964—），男，福建平和人，经济学博士，教授、硕士生导师，河北地质大学地质调查研究院院长，主要研究方向为资源经济管理、产业经济、文化经济、民营经济。
[关键词] 雾霾;华北地区;空间计量经济学;自然地理
[中图分类号] F207 [文献标识码]A [文章编号]1673-0461（2020）03-0055-09
一、引 言
2011年以来，中国多个城市出现严重雾霾天气，京津冀地区重度雾霾天气频发，引起了广泛的社会关注。随后，一系列政策措施相继颁布、实施，以应对大气污染问题。即便到2018年度，全国338个地级及以上城市中，仍有近2/3的城市空气质量不达标;空气质量相对较差的10个城市中，河北仍独占5席（生态环保部：《2018年全国生态环境质量简况》，2019）。可见，大气污染防治将是长期的攻坚战，而京津冀地区则“首当其冲”，成为全国重点区域，防治工作任重道远。
雾霾是大气中跨越地球广大地区的碳质气溶胶粒子的积累，而碳质气溶胶颗粒主要是由燃烧过程产生的，包括生物质和化石燃料燃烧;与此同时，大气中挥发性有机物种的自然排放和转化也有助于雾霾的发展（Guenter Engling、A Gelencsér，2010） [1]。rjan Gustafsson、Martin Krus、Zdenek Zencak等（2009）对亚洲南部的一项研究也表明化石燃料和生物质燃烧（如住宅烹饪和农业焚烧）过程是该地区范围广泛雾霾（atmospheric brown cloud）产生的原因 [2]。自2011年以来，国内许多学者从工业技术到产业结构层面，纷纷陈述了对雾霾成因的解析，但迄今為止对“霾”的科学认识还不够系统、全面 [3]。如段再明（2011）认为利用在焦化工业中湿法熄焦是诱发山西省雾霾天气的主要原因之一 [4]，显然仅考察了部分成因。而潘本锋、汪巍、李亮等（2013）结合气象条件等因素，认为雾霾天气是由气象要素和环境要素共同作用形成的 [5];孟晓艳、余予、张志富等（2014）也认同了这种观点，他们认为除污染物浓度超标外，地面风速小、相对湿度高、大气层结稳定是京津冀地区雾霾频发的另一重要因素 [6]。关大博、刘竹（2014）则从行业类型及燃料消费种类两方面量化梳理了京津冀地区重点污染行业及不同燃料对PM25污染的贡献 [7]。而石彦波、卢广（2015）的一项调查，则从大众媒体的视角，解释了京津冀地区何以成为中国雾霾最严重的地区 [8]。
中国科学院大气物理研究所王跃思团队长期追踪大气霾污染问题，对“霾”的成因进行了解析。他们得出霾的成因包括：天气过程和局地气象条件不利于污染物扩散，西北气流输送沙尘使污染物累积到太行山和燕山山前，城市周边污染物气团的近距离聚拢，污染物的局地排放以及二次颗粒物的不断转化生成 [9]。他们将之归纳为内因和外因，内因指污染物排放源的不确定性与未知源，而外因主要指天气过程、气候变化、气象条件与大气边界层结构;并认为在排放源相对稳定的情况下，外因往往是决定性因素，但在外因不可控的前提下，内因即一次污染物排放量过大是治理大气霾污染的关键因素 [10]。
关于雾霾成因的探讨，不是本文论述的重点。从学术探讨方面，我们倾向于王跃思团队的研究结论，即京津冀的区位、气象条件等外因和特定经济发展阶段污染物排放特征等内因，是其雾霾形成的共同原因。实际上，早在2014年，京津冀地区就相继公布了空气颗粒物来源解析成果报告，基本认为燃煤机动车、扬尘和工业生产是京津冀主要的大气污染因素 [11]，同时，京、津、冀（以石家庄为例）3地的PM25来源中，区域传输分别约占28%—36%、22%—34%、23%—30% [12]。那么，本文从以大气污染严重的京津冀地区为中心，将大气污染的影响区域扩展到华北地区，选取华北地区28个城市，研究大气污染的空间依赖性，从而为区域大气污染防治协作提供一些基础资料。
二、空间经济分析方法在大气污染领域的理论研究
1970年，Tobler提出了地理学第一定律，由此引发了运用空间统计学方法分析经济问题的趋势。具体到大气污染领域的研究，David Maddison（2006）认为之前的研究人员在分析大气污染物（硫）排放的趋势时，忽略了数据的空间特性，还忽视了对大气污染物（硫）排放的越境性质进行核算的重要性 [13]。而数据中存在的空间关系对计量经济学技术的典型运用有着重要影响，对数据空间关系的忽视，则会导致如Luc Anselin等所述的误导性推理测试过程（misleading inference testing procedures）、偏差和不一致性问题（Anselin、Griffith，1988） [14]。
一般来说，空间经济分析方法运用于大气污染领域是基于如下两点假设：大气污染存在污染叠加效应;大气污染的空间数据间存在统计关系 [15]。单纯的数据空间关系在大气污染方面的研究，多涉及环境科学和气象科学领域（D M Elsom，1978;Sotiris Vardoulakisa、Norbert GonzalezFlescab、Bernard E A Fisher等，2005;G Arbia、M Copetti、G Lafratta，2009;Fahimah A AlAwadhi、Shafiqah A AlAwadhi，2006;白鹤鸣，2013），主要指明了大气污染存在的空间溢出效应、空间自相关性等，较少涉及经济因素。而空间经济分析则重点考察了大气污染的空间数据与区域经济发展指标之间的关系，分析了大气污染与经济增长、与产业结构的联系，其中最具代表性的是基于环境库兹涅茨曲线（EKC）的空间计量经济分析。 关于经济增长与环境质量之间关系的探索，可以追溯到1987年世界环境与发展委员会《我们的共同未来》的出版，随后Gene M Grossman、Alan B Krueger（1993）对NAFTA环境影响的实证分析则是关于国民收入和环境质量关系（IncomeEmissions Relationship，IER）问题研究的发端 [16]。1995年，Gene M Grossman、Alan B Krueger使用全球环境监测系统（GEMS）的数据，拟合出了环境库兹涅茨曲线（EKC），即经济增长最初造成了环境质量的恶化，但随后使环境质量迎来了改善 [17]。其后，大量关于IER的研究基本上都是围绕EKC是否存在或其形状来展开。其缺憾在于，在分析环境因素时，基本未考虑环境污染（尤其是大气环境污染）的空间关系。如David Maddison（2006）指出大多数研究人员在估计EKC时，都隐含的假设一国的人均排放量不受邻国的影响，而他证明一国的二氧化硫和氮氧化合物人均排放量受到邻国人均排放量的严重影响 [18];他提出欧洲国家的越境排放（硫）明显改变了对EKC形状的认知，在考虑数据空间关系的基础上，他认为欧洲的硫排放不存在EKC，只是空间滞后（David Maddison，2007） [19]。Anil Rupasingha、Stephan J Coetz、David L Debertin等（2004）利用EKC綜合模型，研究了美国县域人均收入与有毒污染物排放之间的关系，最初得出了倒“U”型关系，然而当收入的三次方纳入模型后，揭示出有毒污染物的排放量将随着收入的提高而再度增加 [20]。
国内关于EKC的空间计量分析陆续从2008年开始，杨海生等（2008）采用空间计量模型对中国46个城市EKC间的空间依赖关系进行了分析。之后的研究更多的集中在省域层面上（苏梽芳、胡日东、林三强，2009;袁加军，2010;董锁成、李飞、李泽红等，2010;陈青青，2011;吴玉鸣、田斌，2012;安虎森、王雷雷、吴浩波，2014），也有涉及中国与周边国家（和地区）的EKC研究（国涓、项吉宁、郭崇慧，2009;孙攀、吴玉鸣、鲍曙明，2019）。刘军、王慧文、杨洁（2017）则认为城市大气污染在空间维度和时间维度上分别存在显著的空间溢出效应和动态效应，当前中国正处于EKC拐点的左边 [21]。
基于前述分析，我们认为，从量级上工业排放（包括工业二氧化硫以及工业烟（粉）尘排放）是华北地区大气中污染物的主要来源。但如果以污染物排放量作为分析对象，则城市（除已步入后工业化阶段的北京）经济规模或工业经济规模越大，污染物排放量就越多，这是可以料想的结果。为此，我们基于传统EKC的理论假设（即环境质量与人均收入存在相关关系），在考虑空间因素的基础上，将京津冀区域大气污染问题扩展到整个华北地区，并纳入自然地理等因素，通过构建空间计量经济回归模型，研究华北地区空气环境质量的主要影响因素。
三、模型构建及数据来源
华北地区是一个自然地理范畴，城市主要包括：北京市，天津市，河北省全境11市（石家庄市、唐山市、秦皇岛市、邯郸市、邢台市、保定市、张家口市、承德市、沧州市、廊坊市、衡水市），山西省全境11市（太原市、大同市、阳泉市、长治市、晋城市、朔州市、晋中市、运城市、忻州市、临汾市、吕梁市），以及内蒙古自治区的4盟市（呼和浩特市、包头市、乌兰察布市和锡林郭勒盟）。之所以选择华北28市（盟）作为研究样本，首先主要是考虑在分析大气环境问题时，可以不考虑气候差异以及气象条件等因素，而这些因素在一些可见的文献中，被视为影响雾霾的几类显著因素。因此，本文从样本选择上首先想营造一种相对隔离的空间环境。这种分析的逻辑，类似于物理学中的隔离实验，其在经济学中的运用，也是卡尔·波普尔所认为能在社会科学中成功运用的少数领域之一 [22]。其次，本文在变量的选择上，同样也想遵循简化的逻辑思路，即主要分析各类污染物与人均收入之间的关系，甚至没有考虑诸多学者所采用的三次产业结构、城镇化率、人力资本等指标。实际上，从社会经济发展的实际进程来看，在人口规模足够大的前提下，这些指标基本上都脱离不了与人均收入（人均GDP）的关系。当然，根据分析的需要，本文也纳入了一些自然地理因素作为协变量。
（一）指标选取、数据来源及研究假设
Gene M Grossman、Alan B Krueger（1993、1995）在分析地区大气污染与人均收入关系时，将SO2、烟尘、重颗粒物作为因变量，而将人均GDP（包括滞后项、平方项、立方项）作为自变量，同时引入了一系列的虚拟变量——监测点是位于中心城市或是郊区、监测点用地的性质（工业、商业、居民生活或其他）、城市是否拥有海岸线、是否毗邻沙漠、人口密度、时间趋势项等，拟合并提出了环境库兹涅茨曲线（EKC）模型。后续的一些学者在此基础上主要对自变量（解释变量）进行了扩展，加入了诸如贸易强度（Matthew Cole等，1997 [23];Vivek Suri等，1998 [24]）、技术水平（Matthew Cole等，1997）、教育程度（Robert Berrens等，1997 [25];Mariano Torras等，1998 [26];Pingo Wang等，1998 [27];Kishore Gawande等，2000 [28]）、收入差距（Mariano Torras等，1998）、城市化水平（Robert Berrens等，1997;Mariano Torras等，1998）、民族多样性（Anil Rupasingha等，2004）等变量。而吴玉鸣、田斌（2012）在对中国省域EKC的一项研究中，则囊括了人口、城市化、人力资本、产业结构及对外开放等因素 [29]。
如前文所述，在人口规模足够大且不存在特殊经济生产形式的情况下，人均GDP实际能在较大程度上反映这些指标。按简化分析的思路，本文主要选取人均GDP作为自变量，代表经济发展的相关指标;选取人口密度作为社会发展情况的代表，它在某种程度上也能反映地区城镇化的进程。此外，本文考虑将自然地理因素引入，作为协变量。在自然资源条件方面，主要是看城市是否为资源型城市（是否列入国务院2013年印发的《全国资源型城市可持续发展规划（2013—2020）》中的“资源型城市”名录），它从侧面反映城市的产业结构和产业层次。在地理条件方面，本文首先直接借鉴Gene M Grossman、Alan B Krueger（1995）的指标设定，考虑了城市是否沿海（城市是否有海岸线）、是否毗邻沙漠（100英里内是否存在沙漠）;其次，本文试图考虑反映城市海拔以及坐落于山脉（主要是太行山脉和燕山山脉）方位的因素，以反映气象学方面的大气污染物扩散效应，最终选取了地形种类因素，将城市的地形种类简单的划分为了“平原”“山区”“高原”3种类型（这3种类型基本也能将城市在山脉坐落的方位区别开来）。回到因变量（被解释变量）上，选取了各城市的PM25、PM10、SO2、NO2 4个具有代表性的大气环境质量指标。以上所有的指标均取2017年度值。具体的指标解释及数据来源见表1。 根据变量选择的过程，本文先期做出6个待验证的假设。
假设1：人均地区生产总值对大气环境质量有显著影响;
假设2：城市人口密度对城市大气环境质量有显著影响;
假设3：地形种类对城市大气环境质量有显著影响;
假设4：城市拥有海岸线会减轻大气环境污染程度;
假设5：毗邻沙漠会加重大气环境污染程度;
假设6：资源型城市的大气环境污染程度相对较重。
（二）评价模型的构建
Gene M Grossman、Alan B Krueger（1995）在分析污染与经济增长关系时，构建了简化形式方程，除将地区（空气和水）污染水平同人均收入水平作为解释变量外，还将其它协变量纳入方程。他们认为简化式方程一方面能得出收入水平对污染程度的净效应，另一方面省去了收集污染管制、技术水平等不易获取且不太可靠数据的工作。而吴玉鸣、田斌（2012）则扩展了Gene M Grossman、Alan B Krueger（1995）等所拟合的传统EKC模型，将人口、城市化等相关变量加入方程，以提高模型的拟合优度，但他们却舍弃了前3年人均收入均值的滞后变量。
如前所述，基于传统EKC模型，认同环境质量与人均收入水平之间存在相关关系，同时参考Gene M Grossman、Alan B Krueger（1995）的研究，考虑了时间滞后影响，并加入相关协变量。为避免回归模型的异方差性，对相关变量取自然对数，因而构建如模型（1）：
其中，i代表华北地区各城市，其他变量解释同表1。
四、实证结果分析
根据空间计量经济学的分析原理，在检验变量空间相关性的基础上，拟合空间模型并进一步分析各变量的显著性，以分析其在大气环境质量中的作用。
（一）大气环境质量的空间相关性检验
首先对各城市大气环境质量指标的空间依赖性进行了定量分析。在确定空间距离权重矩阵时，选用了一阶“车”邻接（rook contiguity）和最小门槛距离（threshold distance）两种方法。所计算得出的全局Moran′s I值和标准化统计量z值（临界值为196）分别列示于表2。可知，无论采取的哪种空间距离权重矩阵的确定方法，4种大气环境污染指标在空间上均呈现出显著的空间自相关性。从全局Moran指数散点图（略）来看，大气环境污染指标的正向空间自相关明显，即在空间上呈现出的关系以“高值-高值”聚集、“低值-低值”聚集为主。
表3展示了基于局部Moran指数的LISA聚类结果（一阶“车”邻接）。从空间分布上来看，可以明显的发现，“低值-低值”聚集区基本位于华北北部地区，主要是锡林郭勒、乌兰察布、张家口、承德等城市，而“高值-高值”聚集区则主要位于南部地区，主要是冀中南和晋中南的几个城市。PM25和PM10指标呈现出了相同的聚集情况，SO2的空间聚集情况最为显著，而NO2的“高值-高值”聚集区范围则相对小。Luc Anselin（2005）指出，显示在LISA集聚图中的所谓的空间集聚只是集聚中心，因此空间集聚程度比LISA集聚图标识的范围更广，包含了集聚中心周围相邻的更大区域。
（二）空间模型回归的诊断及选择
首先对模型进行常规的普通最小二乘法（OLS）回歸估计，并拟选取最优模型。对于4类环境污染指标，分别进行了拟合，并给出了空间模型回归诊断结果（如表4）。如表4所示，对4类大气污染物的拟合模型诊断显示，空间滞后模型是最优模型。这与Gong Zezhou、Zhang Xiaoping（2017）对中国重点城市大气污染进行空间分析时的模型选择是相一致的 [30]。而从全局Moran空间自相关指数来看（如表2），使用一阶“车”邻接来确定空间距离权重矩阵的方法得到的空间相关性更显著，因此，选择了一阶“车”邻接的方式确定空间权重矩阵。由此，构建空间滞后回归模型（2）：
WlnPOLUji为i城市的j类大气污染物环境质量指标的空间滞后因子，表示地理上邻近的各城市环境污染变量的加权求和值;ρ为空间自回归参数，表示邻近城市环境污染对i城市的空间影响;其他同前。
（三） 空间回归结果及分析
1 .关于PM2.5的相关结果及分析
从估计结果来看，空间滞后回归模型的拟合优度（R2=0796）比普通最小二乘法估计（结果略）模型的拟合优度（R2=0685）也相应有较大的提高。从解释变量回归参数来看，在考虑空间因素的情况下，解释变量中对PM25影响显著的仅有环境污染的空间滞后变量，以及地形种类因素。而在未考虑空间因素影响的情况下，解释变量均不显著。因此，认为GRPPC、PD、COAST、DESERT、RC对PM2.5不存在明显的影响。而地形种类对PM2.5有显著影响。当然，邻近城市的空气污染状况也对该城市的环境质量有显著的影响（如表5）。
2.关于PM10的相关结果及分析
同理，对PM10拟合的空间滞后回归模型的拟合优度（R2=0688）比OLS模型（R2=0573）也相应有较大的提高。对于PM10，除环境污染空间滞后因子外，地形种类与资源型城市变量对其的影响也是显著的，且相较于PM25，此时地形种类的影响更加显著了。同样，对于PM10来说，我们同样也无法认为所设定的其他几个变量对PM10有显著影响（如表6）。
3.关于SO2的相关结果及分析
至于SO2，在常规OLS回归模型中，R2=0643，解释变量中仅有RC的t值显著;空间滞后回归模型则将拟合优度提高到0688。而从估计结果来看，地形种类因素仍然显著，但此时的作用却是正向的;同样，沿海因素也表现出了正向的显著性，也未对环境污染起到稀释与扩散作用。我们认为这两个虚拟变量在设定时，考虑得较粗，在很大程度上体现出了城市所处的区位，而这些区位又反映了所涉及几个省（区、市）的经济发展强度，譬如沿海城市经济发展水平一般高于内陆城市。此外，资源型城市因素对SO2指标的影响在空间滞后回归模型中也是显著的（如表7）。 剔除COAST因素后，对NO2进行常规OLS回归，模型的拟合优度R2=0684，所有解释变量的t值均不显著。考虑空间因素后，模型的R2提高到0768。与其他三类污染物指标不同，对NO2的拟合中，呈现出了明显的EKC效应，人均地区生产总值不能拒绝对NO2指标有显著影响。同时人口密度也呈现出了正向的显著性，而之前一直较为显著的地形种类因素的影响则不显著了（如表8）。
五、讨 论
已有的描述收入与污染排放关系的文献林林总总，均依托分析对经济社会问题给予了相应的解释。本文的基本思路是假定实际存在着环境质量与收入之间的相关关系，而将经济社会中的各类典型要素纳入方程，在特定地域空间关系下分析其实际影响。当然，在对自然地理要素设定时，我们实际进行了简化，虽对各地区来说不一定准确，但基本遵循了可感知的正确趋势。那么，从已得出的实证结果来看，能有如下认识：
（一）大气环境质量指标的空间依赖性明显
从全局Moran空间自相关检验和局部Moran指数检验的结果，我们能观察到大气环境质量指标的空间依赖性比较明显，这与一些学者的结论也是相一致的 [31]。实际上，这与我们日常的认识也相吻合，只是通常在实证分析中比较容易忽略空间关系。比如从人均收入和产业结构来说，北京应是步入EKC的右边即环境质量较好的阶段，但实际上，北京的大气污染水平仍较高。许多研究人员也将其归因于污染的空间传输，这也是我们所认同的，随着气象条件的作用，污染物在区域间会发生迁移，当然在我们的回归模型中的空间滞后因子均较显著，也在很大程度上支持了这一观点。
既然存在空间的依赖性，那么一地区的大气环境治理就不可能依赖地区的单独行动，必须联防联控，当然，这个举措国家在2013年《大气污染防治行动计划》中就提出了。王跃思等（2013）认为京津冀同处一个气候带，因而形成了一个大的区域协同污染区，根治大气污染需要联防联控 [32];而楼宗元（2015）也提出通过府际合作这种治理模式，应对京津冀地区雾霾问题 [33]。总而言之，从局域Moran指数的LISA聚类结果中，可以为各城市寻找联防联控的对口城市提供一定的方向指引。
（二）人均收入对大气环境质量的影响在华北地区表现不明显
除NO2的污染指标外，人均地区生产总值对其他3类空气质量的回归结果并不显著。即根据我们的模型设定，假设1得不到有效证实。当然，这可能由几方面的原因造成。一是所选数据的代表性。实际上在之前选择人均收入变量时，考虑过城市人均地区生产总值、人均工资收入、人均可支配收入，同时我们也试着将统计范围缩小到市辖区，这样就有6组不同数据，但前期经过拟合后，均未在结果中发现人均收入对大气环境治理的显著性影响。最终选取的仍是大多数学[JP2]者使用的人均地区生产总值指标，它也比市辖区指标更能代表1个城市的发展水平。二是由于在28个城市样本中，地区或城市的人口数量差别较大，一些地域的经济发展水平显然不能与北京等城市相提并论，但人均地区生产总值却因人口基数少而在数值上逼近，如呼和浩特、包头、沧州等城市。三是在同等条件下，一些重化工业城市的地区生产总值可能较高，相应的导致人均地区生产总值偏高，但从产业结构和经济发展阶段来说，却还處于高污染排放的发展阶段。即是，仅靠人均地区生产总值指标还难以全面反映这些差异。实际上，Gene M Grossman、Alan B Krueger（1995）曾强调，EKC关系的产生过程不是自动的，技术变革、教育、政治进程等条件最终可能导致污染的减少。由此，我们也认为拟合EKC效应，可能更适合从更大的区域范围比如省域层面入手。
（三）城市人口密度对大气环境质量（除NO2外）的影响不显著
由于样本中有的城市范围较大且人口稀少，又考虑到空气质量的监测点多位于城区之内，因此，我们使用了市辖区的人口密度作为其中的变量，结果显示除NO2外，市辖区人口密度的影响并不显著。可以看到，大城市有较高的人口密度，但近年来一些城市的人口城镇化速度激增，但城市建成区面积却难有同等的增速，导致市辖区人口密度也较高，如沧州、廊坊、晋城、邯郸、邢台等城市。此外，一些人口密度较大的城市，如石家庄等，通过撤县划区，大大降低了人口密度的统计值，然而其主城区人口密度仍非常之高。这些也影响了此指标的显著性。实际上，使用全市的人口密度得出的也是类似的结果。因而，对于假设2，目前的回归结果尚不能判断。
（四） 地形种类对大气环境质量的影响较显著
我们在设定城市的地形种类时，曾经考虑了各城市的平均海拔，在样本城市中，被认定为平原区的城市平均海拔在2—80米之间，而被认定为山区的在370—1 070米之间，被认定为是高原的则在980—1 420米之间，基本可以反映城市间地形种类因素的差异。虽然，我们的结果不能证明地形种类是影响大气环境的决定性因素，但从构建模型的几个指标来看，地形种类变量相对来说是最为显著的。对于PM25、PM10来说，地形种类因素的回归结果支持了我们的认知，即假设3是成立的。
如前述分析，地形种类因素对SO2的排放影响呈现出了一种正向的关系，这与SO2排放的特征相关。SO2主要由工业排放产生，而我们设定的地形种类变量大体体现了从沿海到内陆的梯度特征，而从沿海到内陆的工业化发展阶段也基本呈现了类似的态势，于是就有此正向关系的产生。这也说明SO2与PM25、PM10的不同，它主要与地区工业排放关联较大，而不仅仅是纯大气环境质量的统计指标。因此，我们也推断地形种类因素为此也未显示出对NO2指标的显著关联性。
（五）海岸线的存在未能显示出对城市大气环境的减轻作用
海岸线指标仅在对SO2的影响中呈现出显著性，而且与假设相反，是一种正向的作用。而其原因主要是沿海城市相较于冀、晋、蒙3省区的内陆城市都有较高的工业经济发展水平。因而假设4在本研究中暂时无法得到证实。 （六）城市毗邻沙漠不能证明加重了大气环境污染的程度
从对4类大气污染物的拟合结果来看，沙漠对空气质量暂无明显的影响。而根据前述的判定标准，样本城市中仅有3市被界定为毗邻沙漠，且它们同属一种地形种类，故也未能得出其对环境污染的显著性影响。因此，假设5尚不能得到有效证明。
（七） 资源型城市的大气环境污染相对较重
在对PM10和SO2的回归中，我们能得到这个结论。依托资源型城市而生的矿产资源开采、洗选、冶炼加工等产业，一方面会产生较多的粉尘排放（从感观上我们认为是大颗粒偏多），另一方面对能源动力的需求较大，燃煤等产生了大量的工业SO2排放。为此，假设6在一定程度上是可以被接受的。
六、结 论
科学的问题总是因为人们需要某种解释而被提出来的（卡尔·波普尔，1957）。与自然科学不同，社会科学难以实现人工隔离，因为社会科学中难以准确测度诸多参数。遵循这个思想，我们主要借鉴了Gene M Grossman、Alan B Krueger（1995）所提出的EKC模型，试图将自然地理要素抽象化，纳入简化形式的回归方程，分析诸如收入、人口、地理条件、自然禀赋等因素对空气环境质量的影响。这些指标代表了各方面的条件，以供我们考察样本区域内的真实情况。本文以人均收入作为主要的解释变量（即便它在大多数回归方程估计中并不显著），以使分析是基于EKC框架的，并摒弃了许多学者采用的其他经济指标，代入了自然地理要素等指标作为协变量。而样本数据的结果显示出空间滞后关系在大气环境质量上有较强的显著性，这首先支持了我们对大气环境问题的空间认识。其次，地形种类因素相对来说在大气环境质量方面作用明显，而地区人均收入及其他地理因素的作用则相对较弱。
因此，分析结果为我们提供了3点启示。其一，区域的大气污染治理不是孤立的行为，在实行联防联控时，在空间协作上应有方向和重点。如按照EKC的假说，北京市应已步入空气质量优化阶段，但大气环境质量不等于大气污染排放，由于其所处的地理位置，大气质量不可能“独善其身”，周边的天津、唐山、保定等也是其治理时应该重点考虑去协调的城市。王跃思等（2013）指出欧共体协同治理酸雨和大气污染，以及美国南加州联防联控遏制光化学大气污染皆是可借鉴的范例。其二，地形种类因素可以说是这几个指标中最主要的因素，实际上我们不能一味苛责经济增长的负面影响而“压制”重化工业产业的发展，区域污染物在此区域容易聚集且不易扩散是一个主要的因素。正如王跃思（2017）所述，从长期来讲，雾霾治理的关键还是源头治理，即解决内因。那么，我们推断出地形种类因素是最为显著的原因，虽然城市的地形种类不可改变，但产业是可以迁移的、结构是可以调整的。包括清洁生产、企业社会责任等环境管控政策是未来环境治理的重要内容。其三，对于不同污染物的防治在方法上要有侧重。即使是相对比较显著的地形种类因素，在不同的污染物指标上的影响方向都会有所不同，因其形成来源有差异而影响因素也相异，防治的方法不可一概而论。
也正是由于本文对自然地理因素进行了抽象化，虽结合了海拔等因素，但可能初始赋值不能完全体现城市的特征，如在考虑山西省的城市时，就未能细致地考察城市是否坐落于山间盆地或是峡谷之间等，同时考虑到人口密度的因素后，便舍弃了诸如人均机动车辆拥有量等因素，可能导致分析结果会有一定的偏差。为了简化分析，还舍弃了城市的产业结构等因素。此外，与大气环境密切相关的气象条件因素，我们还未能有合适的方法纳入模型，即便回到空间层面，我们也未考虑与华北地区相邻的外围城市的情况。基础数据赋值中的这些问题都可能导致回归结果有一定的偏差。最重要的是，囿于数据的可获得性，本文仅使用了1年的横截面数据，可能也并不能代表整个地区层面的真实情况。
但总体来说，我们考虑了空间因素，扩大了研究的区域范围，对华北地区的雾霾问题进行了解释，所得出的一些结论，可为京津冀的大气环境治理提供一些有益借鉴。回到大气环境污染的治理上，我们可以援引Tom H Tietenberg（1978）的一个论断，即：实施由地方管理的、空间上差别化的大气污染物排放收费，为一国以较低成本实现大气污染治理目标提供了一个机会，是一个非常实际的公共政策选择 [34]。
[参考文献]
[1]ENGLING GUENTER， GELENCSR A Atmospheric brown clouds： from local air pollution to climate change [J] Elements， 2010， 6（4）： 223-228
[2]GUSTAFSSON RJAN， KRUS MARTIN， ZENCAK ZDENEK， et al Brown clouds over South Asia： biomass or fossil fuel combustion？ [J] Science， 2009， 323（5913）： 495-498
[3]宋建军 京津冀雾霾防治面临的困境及出路 [J] 宏观经济研究， 2017（9）： 164-170
[4]段再明 解析山西雾霾天气的成因 [J] 太原理工大学学报， 2011， 42（5）： 539-541
[5]潘本锋， 汪巍， 李亮，等 我国大中型城市秋冬季节雾霾天气污染特征与成因分析 [J] 环境与可持续发展， 2013， 38（1）： 33-36
[6]孟曉艳， 余予， 张志富，等 2013年1月京津冀地区强雾霾频发成因初探 [J] 环境科学与技术， 2014， 37（1）： 190-194
[7]关大博， 刘竹 雾霾真相——京津冀地区PM2 5污染解析及减排策略研究 [M] 北京： 中国环境出版社， 2014
[8]石彦波， 卢广 京津冀怎么就成了中国雾霾最严重的地区 [J] 中国国家地理， 2015（1）： 56-67 [9]王躍思， 姚利， 刘子锐，等 京津冀大气霾污染及控制策略思考 [J] 中国科学院院刊， 2013， 28（3）： 353-363
[10][ZK（#]王跃思， 张军科， 王莉莉，等 京津冀区域大气霾污染研究意义、现状及展望 [J] 地球科学进展， 2014， 29（3）： 388-396
[11]巩志宏 京津冀地区雾霾成因初步揭开 [N] 科技日报， 2014-09-05（04）
[12]李云燕， 王立华， 王静，等 京津冀地区雾霾成因与综合治理对策研究 [J] 工业技术经济， 2016， 35（7）： 59-68
[13]MADDISON D Modelling sulphur emissions in Europe： a spatial econometric approach [J] Oxford economic papers， 2007， 59（4）： 726-743
[14]ANSELIN L， GRIFFITH D Do spatial effects really matter in regression analysis？ [J] Papers of the regional science association， 1988， 65： 11-34
[15]白永亮， 郭珊， 孙涵 大气污染的空间关联与区域间防控协作——基于全国288个地市工业SO2污染数据的空间统计分析 [J] 中国地质大学学报： 社会科学版， 2016（3）： 63-72
[16]GROSSMAN GENE M， ALAN B KRUEGER Environmental impacts of a North American free trade agreement [M]//GARBER P. The U SMexico Free Trade Agreement Cambridge， MA： MIT Press， 1993
[17]GROSSMAN G M， KRUEGER A B Economic growth and the environment [J] Quarterly journal of economics， 1995， 110（2）： 353-377
[18]MADDISON D Environmental Kuznets curves： a spatial econometric approach [J] Journal of environmental economics & management， 2006， 51（2）： 218-230
[19]MADDISON D Modelling sulphur emissions in Europe： a spatial econometric approach [J] Oxford economic papers， 2007， 59（4）： 726-743
[20]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
[21]刘军， 王慧文， 杨洁 中国大气污染影响因素研究——基于中国城市动态空间面板模型的分析 [J] 河海大学学报（哲学社会科学版）， 2017， 19（5）： 61-67
[22]KARL R POPPER The poverty of historicism [M] Boston： Beacon Press， 1957
[23]COLE M A， RAYNER A J， BATES J M The environmental Kuznets curve： an empirical analysis [J] Environment and development economics， 1997， 2（4）： 401-416
[24]SURI V， CHAPMAN D Economic growth， trade and energy： implications for the environmental Kuznets curve [J] Ecological economics， 1998， 25（2）： 195-208
[25]BERRENS R P， BOHARA A K， GAWANDE K， et al Testing the invertedU hypothesis for US hazardous waste： an application of the generalized gamma model [J] Economics letters， 1997， 55（3）： 435-440
[26]TORRAS M， BOYCE J K Income， inequality， and pollution： a reassessment of the environmental Kuznets Curve [J] Ecological economics， 1998， 25（2）： 147-160
[27]WANG P， BOHARA A K， BERRENS R P， et al A riskbased environmental Kuznets curve for US hazardous waste sites [J] Applied economics letters， 1998， 5（12）： 761-763 [28]GAWANDE K， BOHARA A K， BERRENS R P， et al Internal migration and the environmental Kuznets curve for US hazardous waste sites [J] Ecological economics， 2000， 33（1）： 151-166
[29]吴玉鸣， 田斌 省域环境库兹涅茨曲线的扩展及其决定因素——空间计量经济学模型实证 [J] 地理研究， 2012， 31（4）： 627-640
[30]GONG Z， ZHANG X Assessment of urban air pollution and spatial spillover effects in China： cases of 113 key environmental protection cities [J] Journal of resources and ecology， 2017， 8（6）： 584-594
[31]刘华军， 杜广杰 中国城市大气污染的空间格局与分布动态演进——基于161个城市AQI及6种分项污染物的实证 [J] 经济地理， 2016， 36（10）： 33-38
[32]王跃思， 姚利， 刘子锐， 等 京津冀大气霾污染及控制策略思考 [J] 中国科学院院刊， 2013， 28（3）： 353-363
[33]楼宗元 京津冀雾霾治理的府际合作研究 [D] 武汉： 华中科技大学， 2015
[34]TIETENBERG T H Spatially differentiated air pollutant emission charges： an economic and legal analysis [J] Land economics， 1978， 54（3）： 265-277
Spatial Econometric Analysis of the Influencing Factors
of Urban Atmospheric Environmental Quality in North China
——An Extension Based on Physical Geographic Elements
Ding Xin，Zhou Jiguang，Wu Wensheng
（Hebei GEO University，Shijiazhuang 050031，China）
Abstract：
The essay selects 28 cities （leagues） in North China with similar meteorological conditions as the research samples After verifying the spatial relationship of atmospheric environmental quality among cities， the physical geography elements are abstracted and introduced into the spatial econometric model， and then the impact of economic， social and physical geography factors on regional atmospheric environmental quality is explored based on the traditional EKC model It′s concluded that： the topography should be the main influencing factors of atmospheric environmental quality （PM25， PM10， SO2） in North China; the resourcebased urban attributes will aggravate the pollution degree of PM10 and SO2 to a certain extent， and other factors such as per capita income， population density， being adjacent to desert， and coastline have less significant impact on atmospheric environmental quality; a significant EKC effect can be found only in the regression of NO2 pollutant indicators
Key words： haze; North China; spatial econometrics; physical geography
（責任编辑：张梦楠）
收稿日期： 2019-09-19
网络出版网址： http：//kns.cnki.net/kcms/detail/13.1356.F.20191224.1257.002.html 网络出版时间：2019-12-24 13：44：31
基金项目： 河北省社会科学基金项目《华北地区工业大气污染物EKC的空间依赖性研究》（HB14YJ021）。
作者简介： 丁欣（1981—），女，山东潍坊人，经济学博士，副教授，主要研究方向为环境经济学、金融学;周吉光（1981—），男，湖北鄂州人，经济学硕士，副编审，主要研究方向为资源经济学、环境经济学;吴文盛（1964—），男，福建平和人，经济学博士，教授、硕士生导师，河北地质大学地质调查研究院院长，主要研究方向为资源经济管理、产业经济、文化经济、民营经济。