中国城市空气污染的空间特征与影响因素研究——来自地级市的经验证据

马 黎 梁 伟

(济南大学 商学院，山东 济南 250002)

中国城市空气污染的空间特征与影响因素研究
——来自地级市的经验证据

马 黎 梁 伟

(济南大学 商学院，山东 济南 250002)

中国城市空气污染的空间特征、确定有其主要影响因素，本文以空气质量指数AQI以及PM2.5、PM10、SO2、NO2和CO等污染物作为研究对象，发现中国的空气污染存在较为显著的空间溢出效应，呈现出明显的空间集聚特征，京津冀及周边地区属于典型的“高—高”集聚区域，空气污染非常严重，而东南沿海尤其是珠三角及邻近地区则属于“低—低”区域，进而引入空间计量模型进行研究。最终结果表明：人口密度过高、粗放式的经济增长方式、以煤为主的能源结构、飞速推进的城市建设、FDI带来的“污染天堂”以及出口商品结构的不合理都是导致城市空气污染的因素，而第三产业占GDP比重增加、人口城镇化率的提升、绿化水平的提高、丰沛的年降水量和离海洋距离近都会显著降低空气污染程度。研究结论拓展了目前解决空气污染问题的思路并提供了实证依据。

污染集聚；AQI；空间自相关；空间计量模型

一、引言

改革开放近40年来，中国经济发展在取得了举世瞩目成就的同时，也带来了一系列的生态环境问题。广大国人感受最深的莫过于日益严重的空气污染，尤其是近年来雾霾的出现频率增高、范围扩大，公众对空气质量的关注达到了前所未有的高度。保守估计，中国每年因室外空气污染导致过早死亡人数为35万—50万人。①Chen Y, Ebenstein A, Greenstone M, et al. ,“Evidence on the impact of sustained exposure to air pollution on life expectancy from China's Huai River policy”，in Journal of Proceedings of the National Academy of Sciences of the United States of America,2013,110(32):12936-12941.治理空气污染，首先需要确定其影响因素，②王兴杰、高地、岳书平：《经济增长和人口集聚对城市环境空气质量的影响及区域分异——以第一阶段实施新空气质量标准的74个城市为例》，《经济地理》2015年第2期。但导致空气污染的因素众多且相互关系复杂，③邵帅、李欣、曹建华等：《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》，《经济研究》2016年第9期。现阶段很难做到对所有可能影响因素的全面管控，只有准确识别其中的关键因素，才能对政府的科学决策提供有力支撑，做到有的放矢。

目前关于空气污染影响因素的研究不同学者侧重有所不同，一部分学者从非社会经济的角度寻找原因，比如从气象要素、沙尘、麦秸焚烧、节庆及烟花爆竹的燃放等角度进行分析，还有学者从社会经济因素的角度进行研究，考虑的因素有煤炭消耗、城市交通、FDI、城镇化、对外贸易等。以研究区域的不同进行区分，有学者主要针对特定区域展开分析，如京津冀、长三角、珠三角、杭州、成都、湖北省等，考虑到中国各地区之间经济往来频繁，同时空气自身流动特性的存在，空气污染并不是单纯的局部环境问题。以北京为例，北京市PM2.5来源中，外来污染的贡献占到了28%—36%。同时也不能忽视污染物通过产业转移、交通流动、工业集聚等经济机制转移或扩散到邻近区域的现象。因此，在考察空气污染的同时空间效应逐渐得到学者们的重视，更多的学者把目光聚焦于全国范围，空间计量分析方法得到越来越多的应用。*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》，《中国工业经济》2014年第4期。

已有研究成果提供了很好的思路借鉴，但是也存在一些不足，主要表现在：首先，把社会经济因素和天气气象及地理区位结合起来研究其对空气质量影响的研究较少；其次，虽然已有学者采用空间计量模型对影响空气质量的因素进行了检验，但是考察的关键影响因素偏少，主要集中在人口规模、经济增长和能源结构等少数几个因素，因此存在可能的变量遗漏导致回归结果的偏误问题；最后，已有研究侧重于对单一污染物的影响因素进行研究，综合考虑多种污染物的研究较少。鉴于此，本文的贡献主要体现在：第一，在考虑社会经济变量的基础上，增加了“年降水量”和“市中心离最近海岸的距离”两个变量，旨在尽可能避免关键变量的遗漏带来的回归结果的偏误；第二，在对AQI这一综合性指标进行研究的同时还对PM2.5、PM10、SO2、NO2、O3、CO这6类污染物分别进行了分析。本文旨在通过对中国城市空气污染的集聚特征与影响因素的研究，总结中国城市空气污染的空间特征，探寻空气质量恶化的经济、社会根源，识别空气污染治理的关键因素，从而为相关政策的制定提供科学的数据支撑和经验支持。

二、研究方法与模型设定

(一)探索性空间数据分析

探索性空间数据分析(Exploratory Spatial Data Analysis，ESDA)方法主要用来探测变量的空间自相关性和集聚现象，主要包括全局空间自相关分析和局部空间自相关分析。

1.全局空间自相关分析

全局空间自相关分析常用的指标主要有全局Moran’I和Geary’C，主要用来分析数据的整体空间分布特征，其中，全局Moran’I得到更为广泛的应用，本文也采用该指数刻画样本地市空气质量的空间分布状况，其计算公式为：

(1)

2.局部空间自相关分析

局部空间自相关常用Moran散点图来测量。Moran散点图分为四个象限，不同的象限代表不同的空间集聚模式，以本文所研究的空气质量指数AQI为例，落在第一象限的地区表明这些地区属于HH(高—高)集聚模式，即空气质量差的地区被空气质量差的地区所包围，第二象限为LH(低—高)集聚模式，为空气质量好的地区被空气质量差的地区包围，第三象限为LL(低—低)集聚模式，为空气质量好的地区被空气质量好的地区包围，第四象限为HL(高—低)集聚模式，为空气质量差的地区被空气质量好的地区包围。

3.确定空间权重矩阵

空间权重矩阵是一种有效的表达空间关系的方式，是对研究区域空间关系的建模，本文基于空间邻接关系建立空间权重矩阵，如果地区i和地区j有共同的边或顶点，则wij等于1，否则wij等于0。考虑到存在个别区域不和其它区域邻接的情况，本文以最近邻为原则，把其和距离最近的区域设置为邻接关系。

(二)模型设定

传统的计量模型是以数据独立、均匀分布为假设前提的，如果研究对象之间存在空间相关性则违背了这一原则，因此，在经过探索性空间数据分析后，如果发现存在空间效应，需要将其在模型中予以体现。空间计量模型一般分为两种，一是空间滞后模型(Spatial Lag Model，SLM)*Anselin L.,“Local indicator of spatial association: LISA”，in Journal of Geographical Analysis, 1995,27(2):93-115.，可用来探讨变量在某地区是否有空间扩散现象，即邻近区域的空气质量对观察区域空气质量的影响；二是空间误差模型(Spatial Error Model，SEM)可用来度量邻近地区因变量的误差冲击对本地区观察值的影响程度。以上两种空间计量模型被广泛应用到社会经济现象的空间效应研究中，本文通过设定SLM和SEM模型对影响城市空气质量的影响因素进行较为全面的考察。模型的通用形式为：

(2)

其中，y为ln(AQI)；W1y和W2为空间权重矩阵，本文中二者相同；ρ是W1y的系数；X代表1或多个自变量；β反映了自变量对因变量变化产生的影响；ξ是残差向量；λ是自回归系数，衡量了区域之间的依赖强度，如果没有相关性则该值为0；ε为随机误差项。

当ρ=0、λ=0时，式(2)变为 普通最小二乘法(OLS)：

y=Xβ+ε

(3)

当λ=0、ρ≠0时，式(2)变为空间滞后模型(SLM)：

y=ρW1y+Xβ+ε

(4)

当λ≠0、ρ=0时，式(2)变为空间误差模型(SEM)：

y=Xβ+λW2ξ+ε

(5)

在进行空间计量分析之前需要确定SLM和SEM中哪一个模型更适合用来进行本文的研究，常用的判定标准为：首先，根据Moran’I指数判断研究区域之间是否存在空间效应,如果存在则需要引入空间计量模型。其次，观察OLS估计结果的拉格朗日乘数(Lagrange Mulitplier)形式LM-Error(用来检验SEM)和 LM-Lag(用来检验SLM)，对比LM-Error和LM-Lag的显著性，如果LM-Lag更显著则表明SLM更合适，如果LM-Error更显著则表明SEM更合适。如果两者相近且都显著，需要进一步观察Robust LM-Lag和Robust LM-Error，显著性更高的指标对应的模型更适合。*向堃、宋德勇：《中国省域PM2.5污染的空间实证研究》，《中国人口·资源与环境》2015年第9期。

(三)数据来源与变量选取

2012年颁布了新修订的《环境空气质量标准》(GB3095-2012)，与之同步实施的《环境空气质量指数(AQI)技术规定(试行)》增加了环境质量评价的污染物(PM2.5、PM10、SO2、NO2、O3、CO)，可以更准确地反映当前复合型大气污染形势。因此，本文采用AQI及其所包含的污染物(PM2.5、PM10、SO2、NO2、O3和CO)来表征空气污染程度。2013年起，中国正式对74个城市进行空气质量新标准监测，2014、2015年监测的城市逐年增多，考虑到许多地市2015年的统计数据尚未发布，相关社会经济数据无法获得，因此，本文对2014年的数据进行分析，涉及159个地级及以上城市。样本地市的GDP总量为54.79万亿元，约占当年全国GDP比重的86.16%，从经济发展的角度看有较高代表性。AQI及其包含的污染物数据来自“全国城市空气质量实时发布平台”，*全国城市空气质量实时发布平台[EB/OL]. [2014]. http://106.37.208.233:20035/.然后转换为年度均值。其它社会经济数据主要来自于各省、自治区和直辖市的2015统计年鉴、各样本地市2015统计年鉴、样本地市《2014年国民经济和社会发展统计公报》以及《中国城市统计年鉴2015》。

在考虑数据可得性、一致性和完整性的前提下，参考已有研究成果进行变量的选取，对所选取的变量说明如下：

1. 人口密度(POP)。人口总量这种绝对指标没有考虑各地市的行政区划面积，而人口密度更具可比性，可以表示单位面积上的人口集聚对空气质量的影响。人口密度越大，生活、生产活动会导致空气污染加重，因此预期该变量系数为正。该变量采用各地常住人口除以行政区域土地面积得到。

2. 经济增长(GDP)。该变量采用GDP表示。经典的EKC假说认为环境质量随经济增长呈现出倒U型的关系，根据已有研究结论，大多认为中国环境质量和经济发展还没有达到倒U型的顶点区域，因此，预期其系数为正。

3. 产业结构(IS)。用第三产业增加值占GDP的比重来衡量。由于第三产业相比第二产业在能源消耗方面更为“绿色”，第三产业比重增加会使能源消耗总量减少，因此，预期其系数为负。

4. 科技支出水平(R&D)。以各地R&D经费支出内部合计来测度。其数值越大表明用于研究与开发的经费越多，意味着技术创新能力越高，可能会有助于提高能源利用效率、降低污染排放强度，但是也有学者研究表明技术进步会带来“能源回弹效应”*冯烽、阿忠：《回弹效应加剧了中国能源消耗总量的攀升吗?》，《数量经济技术经济研究》2015年第8期。，因此，该变量系数不好预测。

5. 城镇化率(UP)。以城镇常住人口占该地区常住总人口的比例来表示。城镇化率的提升表明人口和产业出现了明显的集聚特征，这会使得污染加剧，*王奇、李明全：《中国城镇化的环境影响及其区域特征》，《城市问题》2016年第8期。因此，预期该变量系数为正。

6. 能源消耗(POP_EC)。以人均全社会用电量来表示。来自中国电力企业联合会的数据显示，截至2014年底，非化石能源发电装机容量占总装机容量比重为33.3%，*中国电力工业现状与展望[EB/OL]. [2016-9-15]. http://www.cec.org.cn/yaowenkuaidi/2015-03-10/134972.html.表明化石能源发电仍是电力的主要来源，因此，预期该变量系数为正。

7. 城市建设。以建筑业人均产值(POP_CON)和人均固定资产投资(POP_FA)表示。近年来中国房地产业发展迅猛，拉动了建筑业的飞速发展，进而带动了钢铁、水泥等重工业的发展，使得建筑业在直接排放和间接排放两方面都加剧了空气污染，预期其系数为正。

8. 对外开放。用外商直接投资(FDI)和出口额(EXPORT)表示。FDI、出口和环境污染的关系吸引了众多学者的目光，是否存在“污染天堂”并没有定论，因此，这两个变量的系数不好预测。

9. 绿化水平(GREEN)。以绿地面积占行政区域土地面积的比例表示。预期其系数为负。

10. 气象条件(RAIN)。以年降水量表示。降水会带走部分空气中的污染物，降水的同时经常伴随着较强的对流天气，也会在一定程度上对污染物起到消减作用。因此，预期其系数为负。

11. 地理位置(POSI)。以市中心离最近海岸的距离表示。距离海洋越近，由于受近海气象因素的影响，空气中的污染物越不容易集聚，因此，预期该变量系数为负。

为消除变量之间可能存在的异方差，本文对变量进行了对数化处理。

三、实证分析

(一)空间自相关分析

依据159地市年均AQI数据绘制了AQI空间分布图(见图1)，可见京津冀及周边地区空气污染严重，年均AQI皆在100以上，长三角地区空气污染虽比京津冀地区要轻，但是污染也较为明显，长江中游地区的空气污染也非常明显，东南沿海的空气质量则明显好于以上区域。

图1 年均AQI空间分布图

1.全局空间自相关分析

利用GeoDa1.8软件计算AQI、PM2.5、PM10、SO2、NO2、O3和CO的全局Moran’s I值，并对其显著性水平进行检验(见表1)。AQI及各污染物的全局Moran’s I值在0.362—0.798之间，且全部通过1%的显著水平检验，表明AQI及各污染物在空间分布上并不是随机的，均存在较为显著的空间正相关性，即空间依赖性。全局Moran’s I值可以反映观测对象整体的空间相关性，但是也不能忽视局部地区的集聚特征，为了观察局部的集聚特征，需要进行局部空间自相关分析。

表1 AQI及6类污染物的全局Moran’s I指数

2.局部空间自相关分析

对AQI及各污染物进行局部空间自相关分析，绘制Moran’s I散点图(见图2)，AQI及各污染物绝大多数都落在了第一象限(HH集聚模式)和第三象限(LL集聚模式)，相对来说，只有O3的集聚不是很明显，其它几类污染物以及AQI都呈现出了强烈的HH、LL集聚模式，表明存在明显的空间依赖，即高污染地区多与高污染地区邻近，低污染地区多与低污染地区邻近。这与前面分析得到的全局自相关成正相关性保持一致。考虑到O3的空间集聚特征弱于其它污染物，因此后续分析把O3排除在外。

为了更直观地观察都有哪些地区处于HH集聚区域，哪些地区处于LL区域，本文又绘制了AQI的LISA集聚图(见图3)，可以明显看到京津冀及周边地区属于典型的HH集聚区域，空气污染非常严重，而东南沿海尤其是珠三角及邻近地区则属于LL区域。

对所得的糖尿病患者与非糖尿病患者种植体修复牙齿的3个月、1年以及5年失败率的数据进行对比，进行统计学计算得出，数据差异有统计学意义（P<0.05）。因此，通过得出的数据结构发现糖尿病的种植体修复牙齿失败率略高于非糖尿病患者，所以糖尿病是可以对种植体骨结合有所影响的，所得结果如表1所示。

经过上述探索性空间数据分析，可以明确的一点是中国的空气污染存在较为明显的空间自相关性，要达到好的污染治理效果，在明确污染影响因素的同时必须充分考虑污染的空间效应，那么，这种空间效应及各影响因素到底对空气污染起到多大的作用？下面将通过空间计量模型进行分析。

图2 AQI及6类污染物Moran散点图

图3 AQI的LISA集聚图

(二)各变量空间相关性分析

由前述分析可知，中国城市空气污染存在着空间依赖性，破坏了传统计量模型空间均质分布的假设，这通常会使OLS的估计结果无效，为了更加准确地进行估计和检验，必须把这种空间依赖信息引入到模型当中构建空间计量模型进行分析。为了对比分析OLS和空间计量模型的结果，本文首先进行OLS估计。

1.OLS估计结果

由于本文采用的变量较多，所以首先要确定变量间是否存在多重共线性问题，如果存在则要解决该问题。分别把lnAQI、lnPM2.5、lnPM10、lnSO2、lnNO2和lnCO作为因变量，考察各自变量的方差膨胀因子(VIF)，发现有个别自变量方差膨胀因子大于10，考虑到逐步回归法可以从诸多自变量中选择出对因变量影响显著的变量，可解决多变量间的多重共线性问题，因此本文采用该方法。消除多重共线性之后，模型调整后的R2都增大，而且绝大多数变量的显著性都有提高，说明消除多重共线性之后模型拟合得更好，表明变量精简后的模型更为可取，因此，本文后续空间计量模型的自变量采用精简后的变量。

2.空间相关性检验与模型选择

每个模型的LM-Lag和LM-Error都是显著的，都通过了1%的显著性水平检验，这种情况下需要继续对比Robust LM-Lag和Robust LM-Error的显著性水平，发现Robust LM-Lag的显著性要明显高于Robust LM-Error，表明空间滞后模型(SLM)比空间误差模型(SEM)更适合用来进行空间效应分析，因此，本文后续的空间效应及影响因素研究只选择空间滞后模型(SLM)进行分析。

3.空间计量模型结果及分析

赤池信息准则(Akaike Information Criterion，AIC)是用来比较多元回归模型拟合优度常用的标准之一，AIC值越小则表明模型拟合得越好，可见SLM模型明显优于OLS模型(表2)。此外，SLM模型的R2也都优于OLS模型，对数似然(log likelihood)值也表明SLM模型要优于OLS模型，通过以上3个指标的对比可以确定，引入空间效应以后模型的拟合度有了较为明显的提升。

表2 OLS与SLM模型对比

6个SLM模型的空间滞后系数ρ取值范围从0.3802到0.6615(见表3)，且都在1%统计水平上显著，说明空气污染具有较强的空间相关性，也即相邻地区的空气污染严重那么本地区的空气污染也会较为严重，以PM2.5为例，相邻地区的PM2.5污染程度每增加1%，则本地区的PM2.5污染程度会增加0.6287%，表明PM2.5存在明显的空间集聚现象，相应的，其它污染物也存在明显的空间集聚现象。

以下根据SLM模型的回归结果对各自变量进行简要分析：

(1)人口密度：人口密度对CO、NO2和PM2.5具有显著的正向影响，分别通过了1%、5%和10%显著性检验，表明人口的集聚对这3种污染物的影响较大，人口密度较高的地区通常会产生较多类需求，带来污染的直接、间接排放。以机动车为例，人口密集区机动车保有量大，能源消耗增加，污染排放增多，而且很容易带来交通拥堵，长时间处于怠速状态也加大了尾气排放量。

(2)经济增长：GDP对AQI、PM2.5、PM10和SO2具有显著的正向影响，GDP每提升 1个百分点，AQI、PM2.5、PM10和SO2分别提高0.0757%、0.1088%、0.1163%和0.1134%。由于传统的粗放型经济增长方式很难在短时间彻底扭转，能源密集、资源高消耗的产业所占比重过大，导致经济增长带来大量的污染排放。因此，如何加快经济增长向集约型增长方式转型，如何加快实现“后工业”时代的绿色化发展是一个亟待解决的重大现实问题。

(3)产业结构：第三产业比重对AQI、PM2.5、PM10和SO2具有显著的负向影响，且都在 1%的水平上显著，说明第三产业比重增加可以显著减少污染排放。相比第二产业，第三产业部门能源消耗相对较少。这也启示我们要继续加强产业结构优化，促进产业结构的“绿色”转型升级。

(4)科技支出水平：本文用R&D经费支出内部合计来表征科技支出水平，科技支出水平对AQI、PM2.5和NO2的影响系数皆为正，但是只有NO2在10%的水平上显著，虽然我们不能据此就认为存在技术进步带来的“能源回弹效应”，但是也要意识到单纯的研发投入增加并不能保证污染的消减，还需要相关价格、税收等组合政策的配合才可能实现节能减排。

(5)城镇化率：在所有6个模型中城镇化率对污染物都存在显著的负向影响，除了NO2在5%的水平上显著之外，其它5个模型都是在1%水平上显著，这个结果是我们没有预料到的。寻找背后的原因，本文认为，城镇化率的提升一方面表明人口和产业出现了明显的集聚特征，这会使得污染加剧，另一方面，也不能忽视产业结构的影响，如果集聚的人口主要从事的是第三产业的工作，那么从整个地区来看，单位经济增长所排放的污染物反而会减少。

表3 SLM模型回归结果

注：括号内为各估计系数的z统计量，***、**和*分别表示在1%、5%和10%的统计水平上显著。

(6)能源消耗：能源的消耗直接导致污染的产生，因此，该变量在6个模型中都表现出了对污染物的显著的正向影响，除SO2和CO在1%水平上显著，其它4个模型都是在5%水平上显著。能源绿色转型始终是中国面临的重大现实问题。

(7)城市建设：建筑业人均产值对AQI、PM2.5、PM10、SO2和NO2具有显著的正向影响，火爆的房地产业直接拉动了建筑业的飞速发展，各类在建项目在建设过程中带来了扬尘等直接污染，此外，建筑业的飞速发展还带动了钢铁、水泥等重工业的发展，这种间接排放对空气质量无疑是雪上加霜。

(8)对外开放：对于SO2和CO这两种污染物，FDI的估计系数分别在1%、5%的水平上显著为正，虽然PM2.5和NO2这两种污染物的估计系数不显著，但影响方向皆是正向，表明当前FDI会在一定程度上加剧以上污染物的排放。此外，出口的增加在1%的水平上对NO2的排放表现出显著的促增效应。表明“污染天堂”假说在中国是存在的，这启示我们在外资引进及出口商品构成上也要考虑绿色转型。

(9)绿化水平：对于AQI和PM2.5，绿化水平的估计系数在10%的水平上显著为负，表明加强城市绿化可以起到缓解空气污染的作用。

(10)气象条件：年降水量对于污染物的消减作用非常明显，其估计系数除了PM2.5和CO分别在10%、5%的水平上显著为负以外，AQI、PM10、SO2和NO2的估计系数都是在1%的水平上显著为负。

(11)地理位置：回归结果显示，地理位置的估计系数在所有6个模型中都在1%的水平上显著为正，表明近海气象条件有利于污染物的扩散，距离海洋近则会显著降低空气中污染物的集聚。

四、结论与政策启示

本文首先采用探索性空间数据分析方法对中国城市空气污染的空间相关性进行了分析，对其空间特征进行了刻画，在此基础上采用SLM模型实证检验了影响空气质量的关键因素，主要结论有：

(一)中国的空气污染存在较为显著的空间溢出效应，呈现出明显的空间集聚特征，京津冀及周边地区污染严重，呈现“高—高”集聚态势，东南沿海及珠三角地区空气质量较好，呈现了“低—低”集聚特征。

(二)人口的快速聚集、粗放的经济增长方式、产业结构的不合理、以煤为主的能源结构、飞速发展的建筑业、FDI带来的“污染天堂”以及出口商品结构的不合理等因素共同引致中国城市空气污染的加剧。

(三)同空气污染具有显著负相关关系的因素主要有：第三产业占GDP比重、人口城镇化率、绿化水平、年降水量。其中随着人口城镇化率的提升空气污染出现下降的趋势是前期没有预料到的，值得继续深入研究。

基于以上结论，提出如下建议：

(一)空间因素对空气污染的影响应得到高度重视。一方面区域间邻近地区经济交流频繁，相同的产业容易集聚导致污染集聚的现象出现；另一方面，由于污染物的自身特性，使得污染物很容易受气象条件影响扩散到周边地区。基于以上认识，各自为阵的治理方式很难起到效果，跨地区的联防联控势在必行，解决这些问题需要顶层制度设计，不能只是关注问题的局部，要从整体框架下寻找统筹协调的解决方案。上级政府部门需承担起协调的责任，否则，单靠区域间的协商很难达成一致意见。

(二)人口密度过大会加剧空气污染，但是城镇化难免会使人口趋于集中，如何在加快新型城镇化建设步伐的过程中尽可能减少污染物的排放？由前文可知随着人口城镇化率的提升空气污染出现下降的趋势，该研究发现提供了很好的解决问题的思路，把人口适当吸引到第三产业中来，通过产业结构优化升级，既可以减少高耗能、高污染的重工业发展过快、比重过大，又可以吸纳更多的新增城镇人口加入到“低碳”产业中来，产业结构的优化升级还可以在一定程度上转变目前粗放的经济增长方式，可谓是一举多得。

(三)大力推行绿色GDP核算。否则在唯GDP论的指导思想下各级政府难免仍旧把经济发展放在首位，这种情形下无从使经济增长方式真正转变。

(四)能源绿色转型势在必行。当前新能源比重偏低，以煤为主的能源结构固然有资源禀赋的原因，但是也要看到深层次的原因在于体制机制障碍和利益分配问题，只有通过体制和机制的变革和创新，建立现代化的能源市场体系，再辅以科学的技术路径选择才有可能实现能源结构优化目标。

(五)技术进步是一把双刃剑，既可以提升能源效率，也有可能引致“能源回弹效应”的出现。因此，单纯研发投入的增加并不能保证污染物的消减，一方面需要政府出台合适的财税优惠政策引导企业加大绿色技术研发；另一方面，需要推进能源价格的市场化来抑制能源消费，与此同时，为了弥补市场的缺陷和不足，还可以引入税收政策对其进行间接的干预和调控。

(责任编辑：张婧)

F276

A

1003-4145[2017]10-0138-08

2017-08-20

马 黎(1974—)，女，济南大学商学院副教授，主要研究方向为企业管理与绿色治理。 梁 伟(1979—)，男，济南大学商学院副教授，主要研究方向为城市环境与可持续发展。

本文系教育部人文社科基金青年项目“资源环境税改革的节能减排机制、效果与宏观经济影响研究”(项目编号：14YJCZH087)的阶段性研究成果。