空气污染排放与经济增长的关系研究——基于中国省际面板数据的空间计量模型

艾小青，陈连磊，朱丽南

（北京工业大学a.经济与管理学院；b.首都社会建设与社会管理协同创新中心，北京100124）

●区域发展

空气污染排放与经济增长的关系研究
——基于中国省际面板数据的空间计量模型

艾小青a，b，陈连磊a，b，朱丽南a

（北京工业大学a.经济与管理学院；b.首都社会建设与社会管理协同创新中心，北京100124）

文章基于中国31个省市的2004-2014年的面板数据，并使用扩展的库兹涅茨曲线模型，对于经济增长、城镇化率，产业结构与三种空气污染物排放之间的关系进行研究，并介绍了空间计量模型的R语言操作。研究发现：各省市之间的工业废气、SO2排放和烟尘排放具有空间相关性和空间依赖性；经济增长和三种空气污染排放之间都存在着倒U型关系，烟尘排放的拐点最高；地区间的空气污染排放的空间影响是复杂的，不是简单的单向关系；第二产业产业结构增大则会加重了三种空气污染排放；高城镇化率加重了工业废气排放，而减少了SO2排放和烟尘排放。

库兹涅茨曲线；空气污染排放；经济增长；R语言；SARAR模型

一、引言

近几十年来，中国经济飞速发展，人民的物质生活水平得到了巨大的提高，与此同时，雾霾天气、空气污染、环境恶化等问题也日益加剧。空气污染对于居民生活和社会生产建设具有严重的负面影响，所以，我们在加强经济建设的同时应该更加注重环境的保护。

环境库兹涅茨曲线（Environmental Kuznets Curve，EKC）是西方学者研究经济增长与环境污染关系比较热门的一个方向，主要提出了经济增长和环境污染的关系呈“倒U型”。我国很多学者对于中国是否存在EKC曲线进行了验证。张成、朱乾龙、于同申（2011）通过对各省数据进行整体和分组检验，发现环境污染和经济增长之间存在复杂的关系，包括单调递减、倒U型、倒N型等［1］；虞依娜、陈丽丽（2012）发现计量模型的不同对EKC研究的结论也有所不同，EKC会呈现倒U型、倒N型等多种形态［2］；高宏霞、杨林、付海东（2012）通过研究发现各省废气和二氧化硫排放量的数据均符合EKC曲线假设，并对废气和二氧化硫的排放拐点进行预测［3］。

空气污染空间溢出效应也成了目前学者关注的热点。Yu Hao和Yi-Ming Liu（2016）通过采用空间计量方法研究2013年中国73个城市的数据，发现PM2.5和人均GDP存在着倒U型关系［4］。马丽梅、张晓（2014）运用空间计量方法，发现雾霾污染和PM10存在着空间相关性［5-6］。吴玉鸣、田斌（2012）通过研究2008年31个省的截面数据发现各省之间存在空间依赖性和相关性，省域环境污染与经济增长存在着倒U型关系［7］。刘华军、杨骞（2014）采用省际面板数据，认为环境污染存在空间依赖和时空依赖等［8］。许和连、邓玉萍（2012）和聂飞、刘海云（2015）都发现了FDI对于环境污染产生影响，且环境污染存在空间影响［9-10］。

大多数学者认为环境污染和经济增长之间存在着因果关系，经济增长对于环境污染有着复杂的影响。各地之间的经济发展水平和环境污染都存在一定的空间相关性。在研究环境污染和经济增长之间的关系的时候不能忽视空间效应的影响。本文主要研究空气污染排放与经济增长、产业结构等方面的关系，主要以三个空气污染排放物为研究对象：工业废气排放总量、SO2排放总量、烟尘排放总量，基于扩展的环境库兹涅茨曲线建立空间计量模型，分析经济增长、城镇化率和产业结构对于空气污染排放的影响，同时分析各省之间的空气污染排放的空间相关性和空间依赖性。目前，空间计量经济学研究较多的就是SAR模型和SEM模型，这两个模型只是针对因变量或随机扰动项中空间滞后中的一种，不能全面分析一些复杂的空间关系。故本文模型设置采用带空间自回归误差项的空间自回归模型（Spatial AutoregressiveModelwithSpatialAutoregressive Disturbance，简记SARAR），可以较全面地分析数据的空间关系。

对于空间计量的回归分析中，多数人选择使用MATLAB、Stata等软件，使用R语言的较少。R语言具有免费、开源、简单易学，功能强大，是专业的统计和数据分析的软件，非常有利于大家学习和推广。本文关于空间计量的计算和操作基本上使用R语言。用R语言实现空间计量分析，需要使用splm软件包，这个可以去R语言网站上免费下载（https:// cran.r-project.org/web/packages/splm/index.html）。关于splm软件包的更多细节可以参见Millo G、Piras G（2012）[11]and Gianfranco Piras（2014）[12]。

二、研究方法

库兹涅茨曲线主要是研究的经济增长水平和环境污染之间的关系，需要对其进行扩展，则可以加入城镇化率、产业结构等影响空气污染的因素。本文采用面板数据并加入空间权重，建立扩展的空间库兹涅茨曲线模型，对空气污染排放的影响因素进行研究。

（一）空间相关性指数

在确定是否运用空间计量方法时，首先考察数据之间是否存在着空间依赖性。常用的方法有两种，一种是以Moran's I指数去分析一个总的空间范围内的空间依赖程度；另一种则是以Moran散点图和LISA来描述描述一个空间单元与其领域的相似程度，能够表示每个局部单元服从全局总趋势的程度。因此，运用Moran′s I指数描述的是全局空间自相关，Moran散点图反映的局部空间自相关。

在计算Moran′s I值时，首先要设置空间权重，本文的空间权重的设置基于“车”相邻（Rook Contiguity）原则，即若地区i与地区j有共同的边界，则Wij=1，反之，Wij=0。Moran′s I计算公式如下：

其中，n代表地区总数，xi和xj分别为地区i和地区j的观测值，xˉ为观测值的平均值。Moran's I取值在[-1,1]之间，当Moran′s I大于0，说明数据之间存在空间正相关性；小于0则是数据之间有空间负相关性；当Moran′s I值接近0，则证明没有空间相关性。

（二）空间计量模型

空间面板数据模型具有时空双重性。本文采用一个Anselin L（1988）提出较为通用的模型[13]，一个带空间自回归误差项的空间自回归模型，也就是SARAR模型的表达式为：

其中，因变量y是nt×1的列向量，X为n×k数据矩阵，包括k列解释变量，βk×1为相应的系数，矩阵W为n×n的空间权重矩阵。λ为相应的空间参数数，用来刻画空间依赖性，度量因变量的空间溢出效应，也就是相邻区域的观测值对本区域的影响。u为随机扰动向量，由两部分构成：

其中,νT是t×1的时间维度的向量，IN是n×n的单位矩阵，μ是与时间无关的个体特异效应（不是空间自相关），ε是关于空间自相关的向量，且遵循式（4）空间自回归过程。

ρ(|ρ|＜1)是空间自回归参数。在面板数据中，个体效应一般被分为固定效应和随机效应。而在随机效应中蕴含着一个假设：未观察到的个体效应与其他解释变量不相关。在这种情况下μi～IID(0,)，误差项可以改写成：

式（3）的误差项公式，可以改写成：

且ε的方差协方差矩阵改写成如下形式：

在上面的模型中，λ表示空间滞后Wy对y的影响；ρ表示扰动项u存在空间依赖性，意味着不包含在X中但对y有影响的遗漏变量存在空间相关性，或者是不可观测的随机冲击存在空间相关性。当ρ=0(λ≠0)时就是空间滞后模型（SLM或SAR），λ=0(ρ≠0)就是空间误差模型（SEM），显然SAR模型和SEM模型只是SARAR模型的特例。如果ρ或λ系数不显著或检验未通过，则直接可以变为SAR模型或SEM模型。使用SARAR模型可以更全面的分析数据之间存在的复杂空间关系。

三、实证分析

（一）数据来源

本文主要研究经济增长与空气污染排放之间的关系，工业废气、SO2和烟尘的排放对于空气质量的影响非常大，是主要的污染物排放物，所以主要污染物指标是工业废气排放总量(亿标立方米)、SO2排放总量（万吨）、烟尘排放总量（万吨）。同时考虑经济增长水平，选取2004-2014年的各省市的地区生产总值作为经济因素指标，为了剔除物价水平的影响，取2004年为基期，采用GDP平减指数进行平减。同时城市相对于乡村的废气等的排放也更多，所以选取城镇化率（%）作为人口地理指标。第二产业的发展对于工业废气、SO2和烟尘的排放有着直接关系，选取第二产业比重（%）作为产业结构指标。以上数据来源于2005-2015年历年《中国环境统计年鉴》和各省市统计年鉴。

图1和图2分别2004年和2014年工业废气、SO2排放、烟尘排放的空间分布特征四分位图，颜色越深代表污染排放越重。可以看到2004年和2014年三种指标在北方大部分区域排放量远超其他地方，特别是河北、内蒙古、山东、辽宁等地。特别是在2014年河北工业废气和烟尘排放量在全国最多，虽然北京天津两地排放量很少，但是雾霾天气出现也会受河北、内蒙古等北方地区的影响。可以看到与2004年相比，北方空气污染物排放量相对有所增多。相对于北方地区，西北和南方的空气污染排放较少。相对于2004年，南方SO2排放、烟尘排放有所减轻，特别是四川和广西两省。新疆三种污染排放较2004年相比都有所增加。

图1 2004年工业废气排放、SO2排放、烟尘排放的空间分布特征

图2 2014年工业废气排放、SO2排放、烟尘排放的空间分布特征

（二）空间相关分析

通过上面的各污染物的空间分布四分位图只能宏观的显示出各种污染物的省域空间分布状况，从图中可以看出部分省域间空气污染物排放具有空间的集聚性，但没有运用数据明确表示出环境污染存在空间相关性。所以选择运用2004-2014年的数据计算出Moran′s I指数来清楚的证明污染物的分布具有显著的空间相关性。通过R语言计算出历年全局空间相关性指数。下面以2004年工业废气排放的Moran′s I值计算为例，R语言操作如下：

把数据导入gas-pollution.txt中，并且由GeoDa软件获得关于空间权重的China.gal文件。

R＜library(splm)#加载splm软件包

R＜chngal＜-read.gal（“G：/DATA/China.gal”= override.id=TRUE）#读取空间权重文件

R＜chnrook＜-nb2listw(chngal)#转换为R语言可识别的权重

R＜da＜-read.table（“G：/DATA/gas-pollution. txt”，header=TRUE）#读取废气排放数据

R＜moran.test（gas-pollution$GAS04，chnrook，randomisation=FALSE，alternative=“two.sided”）#计算双侧检验的Moran′sI值

通过R语言逐年计算工业废气、SO2排放和烟尘排放的Moran′s I值，得到表1。

表1 空气污染的全局莫兰指数

由表1可知，在5%的显著性水平下，可以看到工业废气排放和烟尘排放的Moran′s I值基本上都在0.2以上，工业废气和烟尘排放具有很强的空间相关性，并且烟尘排放量的空间相关性逐渐增强。而SO2排放的Moran′s I值大部分在5%的显著性水平下显著，而在10%的显著性水平下都显著，SO2排放的Moran′s I值随着时间有起伏，但总体还是增加的。可以认为SO2排放存在空间相关性，并且逐年增加。

R语言中的默认Moran散点图是非标准化的（命令：moran.plot），为了容易数据的比较，参考Anselin L（2007）的做法，对Moran散点图进行标准化处理［14］。

R＜source（“moran.plot2.R”）#加载标准化的Moran散点图程序

R＜moran.plot2（gas-pollution$GAS04，chnrook）#绘制Moran散点图

局部空间自相关性主要看Moran散点图，为了简便，只列出2004年和2014年工业废气排放、SO2排放、烟尘排放的Moran散点图，见图3、4。点落在第一三象限表明有正的空间相关性，落在第二四象限表明有负的空间相关性。由图3、4可以看到，2004年的三种污染物排放散点图分布不集中，空间相关性相对较弱。2014年工业废气排放Moran散点集中度相比于2004年有所减弱，但是工业废气排放主要集中一三象限，空间相关性还是比较强的。相对于2004年，2014年SO2排放、烟尘排放散点重要集中在一三象限，说明SO2排放、烟尘排放空间相关性在变强。

图3 2004年工业废气排放总量、SO2排放总量、烟尘排放Moran散点图

图4 2014年工业废气排放总量、SO2排放总量、烟尘排放Moran散点图

其中，lnPollution是工业废气排放、SO2排放、烟尘排放的对数值，分别用lnGAS、lnSO2、lnDUST表示；lnGDP为各省地区生产总值的自然对数，lnUbran为城镇化率的对数值，lnIndustry是第二产业产业结构的对数值，u是随机误差项。在实证估计时，需要将空间权重矩阵W进行“行标准化”处理，即将矩阵中的每个元素除以所在行元素之和，保证每行元素之和为1。

Baltagi等（2003；2007）提出了几个边际、联合和条件拉格朗日乘数检验，用来检验随机效应和空间计量模型的选择［15-16］。本文选择R语言三个关于本文检验LMH、SLM1和LMλ进行说明。这三个检验的假设是：

（三）模型设置

本文主要研究经济增长等因素对空气污染排放指标的影响，参考扩展的环境库兹涅茨曲线的形式，建立如下空间面板数据模型：

在R语言里splm软件包里的bsktest可以实现上述三个检验。下面是R语言中的操作，以废气排放量的回归和检验为例。splm软件包中的空间权重矩阵和计算Moran’I值的矩阵的输入形式是不一样的。

R＜da＜-read.table（“G：/DATA/data.txt”，header=T）#读取原始数据

R＜fm＜-LnGAS～LnGDP+LnGDP2+LnUrban+LnIndustry#输入估计方程

R＜chw＜-mat2listw（w）#转换空间权重矩阵，w为输入的原始空间权重矩阵

R＜test1＜-bsktest（x=fm，data=da，listw= chw，test=“LMH”）

R＜test1#LM检验-LMH随机效应或空间自回归

R＜test2＜-bsktest（x=fm，data=da，listw= chw，test=“LM1”）

R＜test2#LM检验-SLM1随机效应

R＜test3＜-bsktest（x=fm，data=da，listw= chw，test=“CLMlambda”）

R＜test3#LM检验-LMλ空间自回归效应

对三个污染指标的模型进行检验，得到LM检验结果，见表2所列。可以由LMH检验结果知道，在5%的显著性水平下，三个模型都拒绝原假设，模型至少具有因变量的空间自回归过程和随机效应的一个效应。SLM1检验，则是不能拒绝原假设，三个模型都不存在随机效应。LMλ检验则拒绝被解释变量没有空间自回归过程的原假设，三个模型都存在空间自回归过程。

表2 模型Baltagi，SongandKohLM检验

四、估计结果

通过检验得知，三个模型是存在空间自回归过程并具有固定效应的，可以用R语言进行估计，下面是对lnGAS的SARAR时空双固定效应模型的估计。R语言提供了极大似然估计方法（命令：spml）和广义距估计（命令：spgm）两种方法。本文选择极大似然估计法来估计SARAR模型。图5为R语言SARAR模型时空固定效应的估计结果。

R＜Sararfemod＜-spml（formula=fm，data= da，index=NULL，

+listw=chw，model=“within”，lag=TRUE，spatial.error=“b”，

+effect=“twoways”，method=“eigen”，na. action=na.fail，

+quiet=TRUE，zero.policy=NULL）

R＜summary（Sararfemod）#SARAR模型时空固定效应的估计结果

图5 R语言SARAR模型时空固定效应的估计结果

类似的对其他模型做相应处理得到估计结果。空间面板数据模型的固定效应有三种，时间固定效应、空间固定效应和时空双固定效应。本文分别对三个空气污染指标的模型都进行三种固定效应估计，根据AIC和SC等准则，从中挑出结果显著和最适合的模型。最后，发现废气排放和SO2排放时空固定效应模型效果最好，烟尘排放则是时间固定效应最好。表3是考虑lnGAS时空固定效应、lnSO2时空固定效应、lnDUST时间固定效应的SARAR模型的估计结果。

表3 空气污染的SARAR模型估计结果

由以上的估计结果可以得出：

（1）经济增长对空气污染的影响十分显著。在1%的显著性水平下，在三种模型的固定效应估计结果中，lnGDP的系数为正，(lnGDP)2的系数都为负，说明中国各省废气排放量与经济增长之间存在着倒U型关系，也就是说废气排放和经济增长之间存在着库兹涅茨曲线关系。根据估计出来的方程，计算的库兹涅茨曲线的拐点分别为：7.796、7.568、8.723。而2004-2014年，中国各省GDP对数值，最小为2004年西藏4.927，最大为2014年广东9.592，平均数为7.975。大部分省市已经十分接近或者到达了库兹涅茨曲线的拐点，废气排放量开始下降，这与中国经济增长飞速发展是分不开的，同时也与国家大力推行的促进经济的可持续发展政策密切相关。

（2）城镇化率对空气污染有影响。在以废气排放总量为因变量的SARAR模型中，城镇化率的系数为0.861，也就是说城镇化率越高，废气排放总量也就越高。工业废气主要是有CO2、SO2、烟尘、氟化物、氮氧化物等构成。城镇化水平越高，居民的生活消费水平也得到提高，生活废气的直接排放和物质产品消费过程废气的间接排放都大大增加了，特别是CO2等气体的排放大大增加。但是城市化率也代表着一个国家的经济发展水平，城镇化水平越高，总体人群的素质就会越高，相应的运用科学技术的水平也会提高，因此可以利用科技力量和开发环保能源使得废气中的SO2等有害物质含量降低，降低对环境造成的污染。正如近几年，中国推行的节能减排，SO2排放和烟尘排放都经过处理后达标才允许排放，所以在SO2排放和烟尘排放模型中，城镇化水平的系数为负，城镇化水平越高，SO2排放和烟尘排放就越少。

（3）产业结构对空气污染有正向影响。在三个模型中，第二产业产业结构的系数都为正，说明第二产业比重越高，空气污染越严重，特别是在北方的河北、内蒙古等地，重工业发达，第二产业占比重较大的产业结构会加重废气、SO2和烟尘排放。

（4）空间效应对空气污染也有着影响。因变量的空间滞后项的系数λ表示一个地区空气污染排放会受到周围地区排放的影响，存在空间溢出效应。在废气排放和烟尘排放模型中，因变量的空间滞后项的系数为负，意味着本地区废气排放和烟尘排放会受到来自周围地区废气、烟尘的排放的反向作用。也就是说一个地区空气污染排放通过地区生产总值、城镇化水平和产业结构等变量的影响，传导至其他地区并影响这些地区的空气污染排放。而考虑随机扰动项的空间滞后，发现废气排放和烟尘排放的系数为正，一些不在解释变量的因素如频繁的省域之间的经济社会的交流，能源消耗等，通过扰动项对空气污染产生影响。而SO2排放的影响方式与废气。烟尘排放则恰恰相反。所以空气污染的三个指标在空间的相互影响不是简单的单向关系，存在复杂的多重影响。

五、结论与建议

本文首先探究了2004-2014年空气污染物排放，并计算出了历年的工业废气排放、SO2排放、烟尘排放的Moran’s I指数、画出Moran散点图，发现三个空气污染排放指标，有着空间相关性；故以此基于扩展的环境库兹涅茨曲线建立经济增长和空气污染的空间计量模型，并基于R语言计算出结果。结果表明，三个空气污染指标存在着复杂的空间相关性，与经济增长等变量并不是简单的线性单向关系。本文只介绍了R语言中部分关于空间计量模型的使用，空间计量还包括截面分析和脉冲效应分析等，这可以参考splm和spdep的软件说明。

经济增长与三个空气污染物排放之间都存在库兹涅茨曲线关系。三个污染物排放与经济增长之间的倒U型曲线的拐点略有不同。从估算的各空气指标的库兹涅茨曲线的拐点来看，SO2排放的拐点最低，说明SO2排放对于经济增水平的变化反应较明显。烟尘排放的拐点最高，烟尘排放与雾霾的形成有着很大的关系，雾霾的治理还需要一定时间和经济水平的支持。宋马林、王舒鸿（2011）认为必要的政策措施可以改变库兹涅茨曲线拐点的到来的时间。推进环保政策的实行对于，空气污染的治理有着积极作用［17］。包群、邵敏、杨大利（2013）认为单纯的环保立法对于污染排放的抑制作用有限，对环保立法的监管效果需要执法力度的配合［18］。

废气排放和烟尘排放具有空间滞后性，周围地区的排放会加重本地区空气污染排放；而SO2排放因变量的空间滞后会减轻本地区污染排放。而随机扰动项的空间滞后的影响方向与因变量的空间滞后影响方向正好相反。空气污染物的排放除了与经济增长、城镇化率、工业产业结构因素相关外，还与其他一些变量相关，例如国家政策、交通状况等有关联，而这些遗漏变量或者不可观测的随机冲击也存在空间相关性。在治理空气污染排放时，废气排放、SO2排放和烟尘排放应该制定不同治理方案，针对性治理。

城镇化率和第二产业产业结构对于空气污染物的排放都有显著影响。城镇化率增加会增加废气总量排放，而会减少SO2排放和烟尘排放。城镇化率与社会和经济的发展水平密切相关。近些年来，经济增速有所放缓，相对于收入水平来说，城镇居民对于空气质量等环境指标的要求也有所提高，所以城镇化率也对SO2排放和烟尘排放有着抑制作用。第二产业产业结构会加重三种空气污染物排放，工业发达的地区空气污染物排放量相对较多。

综上所述，本文认为，库兹涅茨曲线的拐点虽然与经济发展水平相关，但是其他因素也会影响拐点的位置，所以在发展经济的同时应该加强各方面因素的影响。对产业结构来说，应发展第三产业，促进产业结构升级，同时大力发展清洁能源，加强国家节能减排的政策的实施，转变经济增长方式，实现地区间经济和环境更好更快的可持续发展。在推进城镇化水平的同时，应当注重高层设计，建设环境友好型城市，推进城市的更好发展。不同区域治理空气污染的时候，需要各区域之间的积极合作和联动，注意区域之间的相互影响；治理空气污染要因地制宜，应该充分考虑各方面因素。

［1］张成，朱乾龙，于同申.环境污染和经济增长的关系［J］.统计研究，2011（1）：59-67.

［2］虞依娜，陈丽丽.中国环境库兹涅茨曲线研究进展［J］.生态环境学报，2012，21（12）：2018-2023.

［3］高宏霞，杨林，付海东.中国各省经济增长与环境污染关系的研究与预测——基于环境库兹涅茨曲线的实证分析［J］.经济学动态，2012（1）：52-57.

［4］Yu Hao，Yi-Ming Liu.The influential factors of urban PM2.5 concentrations in China：a spatial econometric analysis［J］. Journal of Cleaner Production，2015，112：1443-1453.

［5］马丽梅，张晓.中国雾霾污染的空间效应及经济、能源结构影响［J］.中国工业经济，2014（4）：19-31.

［6］马丽梅，张晓.区域大气污染空间效应及产业结构影响［J］.中国人口·资源与环境，2014（7）：157-164.

［7］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（04）：627-640.

［8］刘华军，杨骞.环境污染、时空依赖与经济增长［J］.产业经济研究，2014（1）：81-91.

［9］许和连，邓玉萍.外商直接投资导致了中国的环境污染吗？——基于中国省际面板数据的空间计量研究［J］.管理世界，2012（2）：30-43.

［10］聂飞，刘海云.FDI、环境污染与经济增长的相关性研究——基于动态联立方程模型的实证检验［J］.国际贸易问题，2015（2）：72-83.

［11］Millo G，Piras G.splm：Spatial Panel Data Models in R［J］.Journal of Statistical Software，2012，47（1）：1-38.

［12］Gianfranco Piras.Impact estimates for static spatial panel data models in R［J］.Letters in Spatial and Resource Sciences，2014，7（3）：213-223.

［13］Anselin L.Spatial Econometrics：Methods and Models［M］. Boston：Kluwer Academic Publisher，1988.

［14］Anselin L.Spatial Regression Analysis in R：A Workbook［M］.Urbana：University of Illinois，2007.

［15］Baltagi B H，Song S H，Koh W.Testing panel data regression models with spatial error correlation［J］.Journal of Econometrics，2003，117（1）：123-150.

［16］Baltagi B H，Song S H，Jung B，et al.Testing panel data regression models with spatial and serial error correlation［J］.Journal of Econometrics，2007，140：5-51.

［17］宋马林，王舒鸿.环境库兹涅茨曲线的中国“拐点”：基于分省数据的实证分析［J］.管理世界，2011（10）：168-169.

［18］包群，邵敏，杨大利.环境管制抑制了污染排放吗？［J］.经济研究，2013（12）：42-54.

Research on the Relationship between Air Pollution and Economic Growth—Based on the Spatial Econometric Model of China’s Provincial Panel Data

AI Xiao-qinga,b,CHEN Lian-leia,b,ZHU Li-nana
(a.College of Economics and Management;b.Collaborative Innovation Center of Beijing Society-Building&Social-Governance, Beijing University of Technology,Beijing 100124,China)

This paper selects the panel data of 31 provincial-level administrative areas in China from 2004 to 2014 and employs the ex⁃tended Kuznets curve model,to study the relationship between economic growth,industrial structure,urbanization rate and three types of air pollutant missions.And the paper introduces the R language operating spatial econometric model.The research finds that:Industrial emissions,emissions of SO2 and soot emissions have spatial correlation and spatial dependence among all provincial-level administrative areas;There is an inverted U-shaped relationship between economic growth and three types of air pollution emissions,and soot emissions of inflection point is the highest;The spatial effect of regional air pollution emissions is complex,not a simple one-way relationship;The increase of the second industrial structure will intensify the three types of air pollution emissions;High urbanization rate increases industri⁃al emissions,while reducing SO2 emissions and soot emissions.

Kuznets curve;air pollution emissions;economic growth;R language;SARAR model

F127；F062.2

A

1007-5097（2017）03-0069-08

［责任编辑：张 兵］

10.3969/j.issn.1007-5097.2017.03.009

2016-09-14

北京市社会科学基金基地项目（14JDJGC040）；北京市社会科学基金重点项目(15JDZHA006)；首都社会建设与管理协同创新中心资助项目

艾小青（1982-），男，湖南邵阳人，副教授，研究员，博士，研究方向：经济统计，数量经济学；

陈连磊（1993-），男，河南商丘人，硕士研究生，研究方向：数量经济学；

朱丽南（1991-），女，山东德州人，硕士研究生，研究方向：产业经济学。