乌鲁木齐市PM2.5质量浓度增速的动态分析

谢心庆，郑　薇

（新疆财经大学应用数学学院，乌鲁木齐830012）

乌鲁木齐市PM2.5质量浓度增速的动态分析

谢心庆，郑薇

（新疆财经大学应用数学学院，乌鲁木齐830012）

采用基于长期约束下的结构向量自回归（SVAR）方法，以SO2排放来刻画乌鲁木齐PM2.5质量浓度增长.GDP冲击、城市化人口水平冲击表现为近似反向的现象，使得SO2冲击总是比GDP、城市化人口冲击滞后一期，大约在第10期对SO2排放增速的影响为0.在讨论PM2.5质量浓度增速的影响因素中，归因于经济增长的比重约为11.2%.通过回归模型得到，经济增速对PM2.5质量浓度增速的边际效应为2.280，人口增长对PM2.5质量浓度增速的边际效应为12.293.最后，通过稳定性检验得到模型相关参数的稳定性.

PM2.5；SO2排放；SVAR；稳定性试验

1989年Blanchard&Quah在《美国经济评论》提出了冲击分解的思想，现已被广泛应用于变量的分解，这为SVAR模型（结构向量自回归模型）提供了一种新的思想.此思想能够基于历史时间数据的动态性，较准确的刻画每一个时间段变量的变化特征.本文以此动态刻画的方法分析乌鲁木齐市与PM2.5危害强相关的SO2气体排放的动态分析.

2013年7月12日《中国新闻网》报道：“2013年初以来，中国发生大范围持续雾霾天气.据统计，受影响雾霾区域包括华北平原、黄淮、江淮、江汉、江南、华南北部等地区，受影响面积约占国土面积的1/4，受影响人口约6亿人”［1］.相关研究表明，造成雾霾天气的主要因素是对人类健康危害极大的细颗粒物PM2.5（粒径≤2.5μm）质量浓度过高.PM2.5上富集的有害物质更多，对人类呼吸系统的穿透力更强，特别是与大气中的SO2协同作用，更难于被呼吸道的粘膜所吸附并经由咳嗽等过程排出体外［2］.

在大气中，SO2会氧化而成硫酸雾或硫酸盐气溶胶，是环境酸化的首要因素.大气中SO2质量分数在0.5×10-6（1×10-6=1 000μg/L）以上对人体已有潜在影响；在（1～3）×10-6时多数人开始感到刺激；在400～500×10-6时人会出现溃疡和肺水肿直至窒息死亡.当大气中二氧化硫质量分数为0.21×10-6，烟尘等颗粒物质量浓度大于0.3 mg/L，可使呼吸道疾病发病率增高，慢性病患者的病情迅速恶化［3］.

相关学者研究表明，乌鲁木齐市因受地理位置及天气的影响，冬季温度低且时间漫长，室内供暖系统的原因下，造成冬季污染严重，而造成污染严重的主要因素是SO2的排放［4］.因此，为减少肺部可吸入颗粒物（PM2.5）质量浓度与大气中SO2协同作用，急需对近些年SO2的排放做动态分析，了解发展趋势及现状.由于PM2.5进入人们的视线不长，鉴于相关数据收集难度，本文以SO2排放来刻画乌鲁木齐PM2.5质量浓度增长.采用结构向量自回归（SVAR）模型，借鉴Blanchard&Quah提出的对结构性冲击进行长期约束的参数识别方法，刻画了SO2排放等因素对乌鲁木齐PM2.5质量浓度增长的动态影响.

1　SVAR简介

SVAR模型（结构向量自回归模型），可以描述模型系统内各个变量之间的结构性关系.若只建立一个VAR模型，结构中的关联性可能会被“掩藏”到随机扰动向量的方差-协方差矩阵中.SVAR的建立是将变量间的结构性关系（这种关系一般是基于一定的经济、金融理论）引入VAR模型.VAR模型实质上是一个缩减形式，没有明确体现变量间的结构性关系［5］.

与上述不同的是，Blanchard&Quah长期约束下的SVAR模型，是将一个时间序列变量“分解”成不同的因素（或变量成分），然后对各个因素作回归分析.

2　收集数据和模型建立

乌鲁木齐在近十年经济增长持续提高，经济增长是PM2.5质量浓度增长的一个主要因素；如一所述，SO2排放是主要因素；同时乌鲁木齐处于城市化人口发展的快速期，人口同样是影响PM2.5质量浓度增长的主要影响因素.

2.1数据收集与整理

根据上述分析，对下列三个变量进行处理：

人均GDP变化率（RGDP），为乌鲁木齐市人均GDP对数后的一阶差分.（数据来源：2014年新疆统计年鉴［6］）.

城市人口水平变化率（RPEOPLE），为乌鲁木齐市城市人口水平对数的一阶差分，选择城市人口的增加率为城市人口水平的指标.（数据来源：2014年乌鲁木齐统计年鉴［7］）.

SO2排放水平变化率（RSO2），为乌鲁木齐SO2排放水平对数的一阶差分.（数据来源：1996～2014年乌鲁木齐统计年鉴［7］）.

搜集的数据为1995～2013年的年度数据，对数据进行上述处理后，为保证数据的平稳性，用Eviews7.2进行平稳性检验，见表1.

表1　变量的ADF平稳性检验

结果表明：变量RGDP有常数项和时间趋势项（在5%置信水平下显著），变量RPEOPLE、RSO2都没有常数项和时间趋势项（在5%置信水平下不显著），变量RGDP、RSO2在k=0时5%显著水平下达到平稳，变量RPEOPLE在k=1时5%显著水平下达到平稳.

2.2SVAR模型建立

SVAR模型在构建时，需要对模型进行扩展，Blanchard&Quah提出若将二维SVAR模型扩展为三维 SVAR模型，长期约束条件个数为，即将原来的1个长期约束条件扩展为3个长期约束条件.

通过对乌鲁木齐市SO2气体排放增速、GDP增长率和城市人口水平变化率进行Blanchard& Quah的长期约束，利用SVAR模型，将乌鲁木齐市PM2.5质量浓度增速分解为3种成分：GDP成分（由GDP增长所引起的SO2排放的增加）、城市人口成分（由城市人口所引起的SO2排放的增加）和SO2成分（除去GDP增长和城市人口所引起的SO2排放后剩余的部分）.以下为建模的步骤：

上述过程已将原始数据取对数计算差分，进行ADF单位根检验，证明了其平稳性.S=（RGDP，RPEOPLE，RSO2）.由Wold分解定理，S（t）可表示为：

其中：e代表三种结构型冲击向量，分别代表GDP冲击、城市人口冲击和 SO2冲击，即 e=（eGDP，ePEOPLE，eSO2）且Var（e）=I.为得到e（t-i）（i=1，2，3…），对S（t）进行VAR分析，并将其转化为向量移动平均（VMA）形式：

其中：Var（α）=Ω.

由式（1）、（2）知，若对于∀i（i=1，2，3，…），都有一个矩阵A（0），使得

将式（3）等式两边同乘以B（i）得：

由式（4）可得到：

为得到α（t-i）分解出的每个时期的e（t-i），需要先求解A（0），由式（3）可知，便可得到条件A （0）A（0）=Ω，从而可计算出A（0）.

根据Blanchard&Quah（1989）提出的对结构性冲击进行长期约束的参数识别方法，认为除了GDP冲击，其他两个冲击对GDP的长期影响为0.基于经济增长的模型，得到两个约束方程：

其中：A（i）（1，2）和A（i）（1，3）分别代表矩阵A （i）的第1行，第2列元素和第3列元素.

这里，还认为SO2冲击对乌鲁木齐的城市人口的长期影响为0.这是因为我国国情的需要，目前中国正以开展绿色经济转型战略，以经济节能为主、发展创新能源为辅，因此乌鲁木齐应响应国家政策，得到最后一个约束方程为：

其中：A（i）（2，3）为矩阵A（i）第2行，第3列的元素.通过上述式（1）～（8），可以将α（t-i）化为e（t -i），确定结构性冲击向量，施加（6）至（8）的约束就可求解出系数矩阵A（i），从而分析各种结构性冲击对乌鲁木齐GDP、城市人口和SO2排放的动态影响.

3　结果分析

3.1脉冲响应分析

由图1可以看出，GDP冲击同SO2冲击保持一种近似反向的持续性，大约在第10期对SO2排放增速的影响0，这种持续性使得SO2冲击总是比GDP冲击滞后一期；而城市化人口水平冲击同GDP冲击不同之处在于，其同SO2冲击保持一种标准反向的持续性，此持续性使得SO2冲击总是比城市人口冲击滞后一期.出现这种现象的原因是由于出现严重污染后，地区投资环境治理加大，使得治理结果比经济增长滞后一期.从第10期往后，即从“十五”中期（2004年）开始直到“十二五”中期（2013年）；国家环境治理规划从加强生态建、保护和治理环境到加快建设资源节约型、环境友好型社会及提高生态文明水平.乌鲁木齐响应国家的宏观减排政策，可见相应政策对SO2排放是有积极响应的作用的，即对乌鲁木齐市PM2.5质量浓度增速同样有相同作用.

图1　三种冲击下PM 2.5质量浓度增速（RSO2）的脉冲响应

3.2乌鲁木齐市PM2.5质量浓度增速的方差分解

从表2可以看出，SO2自身的因素是其方差分解的主导力量，到第9期基本稳定在84.8%；而城市人口水平份额稳定在3.9%；人均GDP变化所占的份额稳定在11.2%，这样如果人均GDP保持5%的增速，那么由于人均GDP增长而导致的SO2排放增速将提高0.56%.由此可以看出，乌鲁木齐在进入城市人口增长和持续的经济增长中，SO2排放将呈继续增加的趋势，PM2.5质量浓度将呈现逐年升高的趋势，如果不尽快采取相应政策，这将对乌鲁木齐的居民身体健康造成严重影响.

表2　PM 2.5质量浓度增速（RSO2）的方差分解

3.3乌鲁木齐市PM2.5增速的对比分析

基于反事实分析方法［9］，在分解乌鲁木齐PM2.5增速由SO2冲击所形成的组成成分时，可令每一时期的SO2冲击为1，而GDP冲击和城市人口冲击为0，由式（1）得到只有SO2冲击下乌鲁木齐SO2排放增速的时间序列，即乌鲁木齐PM2.5质量浓度增速的“SO2成分”；同理，可得到“GDP成分”和“城市人口成分”.

在2000～2003年内，SO2排放增速进入一个隔年递增的“快车道”，在遭遇1998年亚洲金融危机情况下，全国各地区经济都遭遇不同大小的危机.3年之后，SO2排放增速实际值出现隔年整体下降趋势，标志着相关政策的调控效果显现.2009年的“7·5事件”使整个乌鲁木齐陷入“灰暗”，图2可以看出，此年经济增速降低，GDP实际值明显降低，此后的一年中SO2排放增速几乎没有变化，乌鲁木齐市人口增速却降到最低.直到2011年，随着人口不断增加，SO2排放增速达到最高.

由图2知，有三个阶段SO2排放增速呈现明显的下降趋势：在第一阶段（1995～1999年），SO2排放总量出现负增长，在这一阶段内只有SO2成分在实际值的上面，GDP成分和城市人口成分为在实线的下面.可见乌鲁木齐的对SO2排放的治理，要以GDP增长低速和城市人口进程放慢为代价进行的.在第二阶段内（2009～2010年），在GDP成分和城市人口成分降低，使得SO2成分却急剧降低，这是由于当时社会环境所致（“7·5事件”）.在第三阶段（2012～2013年），GDP成分升高，城市人口成分降低，使得SO2成分降低，这是现阶段政府宏观调控的结果.

图2　三种分解成分与实际值的对比分析

3.4乌鲁木齐市PM2.5质量浓度增速的现状

将3.3得到的三个分解成分：SO2成分、GDP成分和城市人口成分，在PM2.5增速（SO2增速）的波动条件下，做回归分析.图3为1995～2013年度的经济增速、城市人口增速与PM2.5质量浓度增速的散点图，由图3可以看出，目前排放增速基本处于上升阶段.

图3　SO2成分与GDP成分、城市人口成分的散点图

（-14.665 07）（15.118 59）

Adjusted R-squared=0.930 491

（-9.823 666）（10.212 56）

Adjusted R-squared=0.858 682

通过回归方程可以看出，在参数显著的条件下，经济增速对PM2.5质量浓度增速的边际效应为2.280，人口增长对PM2.5质量浓度增速的边际效应为12.293.

3.5模型的稳定性检验

上述建立的SVAR模型的稳定性检验［10］如表3.可以看出，模型基本稳定，说明模型SVAR稳定性具有合理的解释意义，模型具有实际的解释意义.

4　结语

借鉴基于长期约束下的参数识别方法（Blanchard&Quah）的结构向量自回归（SVAR）模型，基于“反事实分析”条件下，对乌鲁木齐PM2.5质量浓度增速从不同角度进行分析，刻画了乌鲁木齐PM2.5质量浓度增速的现状，同时稳定型检验表明模型在参数估计方面的稳定性.

表3　模型稳定性检验

通过对乌鲁木齐SO2排放的三种因素进行分解，讨论PM2.5质量浓度增速得出：1）GDP冲击、城市化人口水平冲击表现为近似反向的现象，大约在第10期对SO2排放增速的影响0，使得SO2冲击总是比GDP、城市化人口冲击滞后一期；2）在讨论PM2.5质量浓度增速的影响因素中，归因于经济增长的比重约为11.2%；3）通过回归模型得到，经济增速对PM2.5质量浓度增速的边际效应为2. 280，人口增长对PM2.5质量浓度增速的边际效应为12.293.此外，除了经济、人口单一效应的的影响外，“7·5事件”之后政府响应国家政策进行宏观调控，在现阶段SO2排放有所减低.最后，通过模型的检验验证了模型的合理性.

［1］周锐.中国四分之一国土现雾霾近半数国人受影响［EB/ OL］.http：//www.chinanews.com/gn/2013/07-11/ 5032645.shtml，2013-07-11.

［2］ EVANS J，VAN DONKELAAR A，MARTIN R V，et al.Estimates of Global Mortality Attributable to Particulate Air Pollution Using Satellite Imagery［J］.Environmental Research，2013，120：33-34.

［3］刘玉香.二氧化硫的危害及其流行病学与毒理学研究［J］.生态病理学报，2007，3（2）：79-83.

［4］王春华，吕爱华，余晓丽，等.乌鲁木齐大气污染现状及影响因素分析［J］.新疆农业大学学报，2010，7（4）：349-353.

［5］刘志强.内部供给、外部需求和中国出口的动态变化—基于SVAR模型的实证研究［J］.财贸经济，2013，10（5）：76-84.

［6］2013年新疆统计年鉴［EB/OL］.http：//tongji.cnki.net/ kns55/Navi/NaviSearch.aspx，2014-09-10.

［7］2002-2013年乌鲁木齐统计年鉴［EB/OL］.http：//tongji.cnki.net/kns55/Navi/NaviSearch.aspx，2015-08-18.

［8］ 吕光明.供求冲击与中国经济波动：基于SVAR模型的甄别分析［J］.统计研究，2009（7）：20-26.

［9］林伯强，刘希颖.中国城市化阶段的碳排放：影响因素和减排策略［J］.经济研究，2010（8）：66-78.

［10］易丹辉.时间序列分析方法与应用［M］.北京：中国人民大学出版社，2011.175-220.

Dynam ic analysis of PM 2.5 concentration grow th in Urumqi

XIE Xin-qing，ZHENGWei
（School of Applied Mathematics，Xinjiang University of Finance and Economics，Urumqi830012，China）

In this paper，the SO2emissionswas used to depict the urumqi PM2.5 concentrations growth based on the structure vector autoregressive（SVAR）method under the longterm restriction.GDP and urbanization level impact showed approximate reverse phenomenon making SO2impact always lag one phase after GDP and urbanization level impact.On the 10th phase，the influence of SO2emissions growth was 0.In discussing the factors affecting the growth of PM2.5 concentration，the share of the economic growth was about 11.2%. The growth rate of economic growth on PM2.5 concentrationsmarginal effectwas2.280.The marginal effect of population growth on growth rate of PM2.5 concentrationswas12.293.Finally，the stability of themodel parameterswas obtained by stability test.

PM2.5；SO2emission；SVAR；stability test

X513

A

1672-0946（2016）02-0251-06

2015-12-14.

谢心庆（1988-），女，硕士，研究方向：统计学.