我国雾霾污染空间关联性及其驱动因素分析——基于社会网络分析方法*

逯苗苗,孙 涛

我国雾霾污染空间关联性及其驱动因素分析
——基于社会网络分析方法*

逯苗苗,孙 涛

雾霾污染给我国人民生产、生活带来了严重负面影响，整治雾霾天气是我国大部分省市的重要任务。本文运用社会网络分析方法与QAP方法，重构引力模型，分析了我国雾霾污染的空间关联性以及空间关联关系的驱动因素，研究结果表明：我国雾霾污染存在较强的关联性，雾霾污染空间网络存在不对称性，雾霾污染空间网络可以分成四个子群，子群内部互动关系更为密切；地理位置、人口数量、环保支出、尾气排放、烟尘颗粒所构成的差值网络对雾霾污染的空间网络结构有正向的驱动作用，能源消耗而则有负向的驱动作用。因此，整治雾霾污染既要增加子群内部城市之间的网络结构的对称性，还应加强不同子群之间网络结构的联动性。

雾霾污染；空间结构；社会网络分析；QAP

一、引言

雾霾天气是由于大量极其细微的干尘颗粒漂浮在空中造成能见度降低的一种天气现象。自从2013年“雾霾”作为年度关键词出现后，雾霾天气更加为大众所熟知，真切地影响着人们的生产、生活。雾霾天气每每在天气预报中被提及，都会牵动人们的心弦，因为雾霾天气不仅造成了可见度的下降，更是威胁着人们的身体健康，甚至会带来心理上的疾病，整治雾霾天气成为我国大部分城市的一项重要任务。

虽然雾霾天气是一种全国性的天气现象，但不同城市之间的空气污染程度差异是显著的。部分城市受到雾霾影响较小，部分城市受到雾霾影响较大。雾霾的污染程度也成为了员工择业、厂商投资的一项参考标准。雾霾的防治不仅是单个城市内部的事情，还需要考虑城市之间雾霾产生的关联关系。从空间关联结构的视角重新考虑雾霾的影响因素，融入社会经济因素，将有利于对雾霾的进一步整治。

二、文献综述

现有对雾霾的研究主要集中在雾霾对经济社会发展的影响、雾霾扩散的原因、雾霾的空间关联性等方面。其中，雾霾对经济发展的影响分析方面，国内外学者多数证实了雾霾对发展的负面影响。如，Englert(2004)认为PM对人身体健康会产生很大负面影响；Jessie(2006)指出微尘颗粒对中国环境的影响要远大于二氧化硫的影响；Chen等(2013)通过研究发现长期暴露于污染的空气中会减少寿命年限；童玉芬和王莹莹(2014)对雾霾的发生机制以及城市居住人口和雾霾相互间的关系机制进行了系统的分析，指出了人口规模与雾霾污染之间的双向关系。

对影响雾霾扩散的原因分析中，国内外学者集中分析了金融制度、外商直接投资、产业结构、资本积累、城市规模等宏观因素直接对雾霾的影响。如，Tamazian和Rao (2010)认为金融制度的自由化会对环境绩效产生影响；Kirkulak等(2011)指出外商直接投资对我国的空气质量没有显著的影响；冷艳丽(2015)指出我国产业结构与我国的雾霾污染有正向的相关关系；东童童等(2015)指出劳动与资本的聚集会增加雾霾的污染程度，而产出的聚集特别是工业产出会使其降低；王星(2016)指出城市规模的扩大在一定程度上加剧了全国范围的雾霾污染；秦蒙等(2016)指出城市空间的扩张会提高PM2.5的浓度，这一结论在小的城市空间尤为显著；刘晓红和江可申(2016)通过分析面板数据发现城镇化水平的提高与第二产业的比重增加会导致PM2.5的浓度上升，且区域之间存在不平衡。

在雾霾的空间关联性分析方面，现有研究已经证实了空间因素在雾霾扩散、雾霾治理等方面的重要影响。如，Birdsall 和Wheeler(1993)认为开放的经济体比封闭的经济体更容易增加空气的污染；Hosseini和Kaneko(2013)的研究指出国家之间存在污染的位移效应；环保部环境规划院薛文博等(2014)基于PSAT系统定量地模拟了我国PM2.5的跨区域输送规律，研究表明城市之间存在外源影响；潘慧峰等(2015)采用马尔科夫区制转换模型对雾霾污染问题进行了研究，实证表明不同城市间的雾霾污染存在空间溢出效应；王雪青等(2016)通过构建雾霾的前驱排放绩效评价指数，指出各省均有上升趋势，城市之间存在明显差异；卢华和孙华臣(2016)用“莫兰指数I”判断污染关联性的指标，指出可吸入颗粒物呈现出显著的空间自相关；马丽梅等(2016)通过构造空间的德宾(Durbin)模型分析指出污染的治理需要联合防控；王立平和陈俊(2016)基于面板数据的EBA分析模型指出雾霾污染具有空间溢出效应。

虽然国内外文献在研究雾霾方面，取得了重大进展。但是研究仍有不足，主要集中在两个方面：一是雾霾空间依赖性的分析上，主要使用了空间计量分析方法，采用空间权重矩阵考虑区域之间的相互影响，这种空间分析方法虽然有效，但也存在诸多质疑。如，空间权重矩阵设定存在人为因素，分析结果受到不同权重矩阵设定方法的影响，对雾霾的空间依赖性分析需要新研究方法去证实；空间权重矩阵多是一种对称性的，与雾霾在不同区域上非对称性影响的生活事实不一致。二是雾霾空间依赖性的传导机制上，现有文献多数只分析某一类因素的影响，缺乏对不同因素的比较分析，不能确定哪种因素更能够加剧或者缓和雾霾的空间依赖性。对这一问题的分析，可以有更深的政策含义，如分析出雾霾防治更需要侧重哪类因素等。因此，本文试图用社会网络分析(SNA)的方法与QAP方法，来试图解决上述问题，并在分析各省市雾霾空间关联性和空间关联性传导机制的基础上，提出雾霾防治的相关建议。

三、模型构建与变量选择

(一)模型构建

本文根据传统的引力模型，参考杨桂元(2016)、孙亚男(2016)对引力模型的重构，构造出衡量省际雾霾污染关联关系的拓展引力模型(1)式：

(1)

(二)数据来源及处理

根据气象学的定义，雾霾是由于大量的干尘颗粒(通常指PM2.5与PM10*PM2.5是指直径小于等于 2.5 微米可入肺颗粒物；PM10是指直径小于等于 10 微米可吸入颗粒物。)漂浮在空中与水汽相凝结，从而产生更多云雾滴，使能见度降低的，形成一种霾和雾的混合物现象。而2012年上半年出台的空气质量指数(AQI)将细颗粒物(PM2.5)、可吸入颗粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、臭氧(O3)、一氧化碳(CO)等六项指标综合评价，较之前的空气污染指数(API)更为标准更为严格。AQI指数越大，表明空气污染越严重，对人们的影响也就越大。

由于2012年5月环保部公布新的空气质量监测方案，要求对74个城市的PM2.5的监测进行试运行，我国才有了相应的PM2.5监测数据。国内大部分的学者(马丽梅等2014；冷艳丽等，2015；刘伯龙等，2015；东童童等，2015；刘晓红等，2016；王立平等，2016)是根据美国哥伦比亚大学社会经济数据与应用中心提供的全球PM2.5地表年均浓度数据处理得到的，利用卫星搭载设备对气溶胶(AOD)浓度进行测定，推算出PM2.5的浓度，这一方法目前只能得到2012年以前的数据；有的学者(王星，2016)利用PM10与PM2.5的相关关系，运用PM10的监测数据，这种方法存在较大的误差；还有的学者(卢华等，2015)从雾霾的前驱成分出发，选取二氧化硫、二氧化氮、可吸入颗粒物浓度衡量空气污染程度；另外，潘慧峰等(2015)通过网络爬虫程序获取了从2013年10月到2014年9月的PM2.5检测指数日数据，能够获取较新的数据，本文借鉴此方法采用我国自主检测的数据*数据来源：中国空气质量在线监测分析平台，网址为：www.aqistudy.cn/。。

引入雾霾污染指数贡献率是由于雾霾污染的空间关联关系是有方向的，而将民用汽车拥有量*数据来源：国家统计局。替代人口数量指标是因为汽车尾气是大气污染的重要来源，对雾霾的形成作用较大(孙华臣等，2013；石元春，2013)，而且随着私人拥有汽车数量的增多，民用汽车拥有量能够在一定程度上反映人口的数量。城市之间的球面距离是根据各城市省会所在的经纬度计算得出的球面直线距离。

通过拓展引力模型即可计算得出一个31×31的矩阵，表示任意两个城市之间的雾霾污染的相互关系。由于本文采用社会网络分析中的二分类(binary)网络数据方法，为相互关系转化为0-1数据，将矩阵中每一行的平均值作为阈值，大于这一阈值的数取1表示有关系，小于这一阈值的数取0表示无关系，从而构成一个31×31的0-1矩阵。

四、雾霾污染空间关联性实证分析

(一)整体网络特征

通过拓展引力模型，根据2015年的空气质量数据与经济数据计算得出了我国31个省市*由于部分数据缺失，不包括港澳台地区。的雾霾污染空间关联性矩阵，运用UCINET6软件进行分析，用NetDraw软件做出雾霾污染的空间网络关系图，如图1所示。

图1 省际雾霾污染空间网络关系图

通过Network-Cohesion-Density的路径进行分析得出这一空间网络的网络密度为0.265，关联关系数为246，通过可达矩阵计算其网络关联度为1，即任意两点之间是可达的，没有任何一个省份被孤立在网络关系图之外，由此可见我国雾霾污染空间网络有较强的关联性。

(二)网络中心度分析

绝对度数中心度表示该点与其他点有多少个直接联系，通过对我国省际雾霾污染空间网络的网络中心度分析，如表1所示，就2015年雾霾污染空间网络的绝对中心度而言，其点入度和点出度的均值为7.935 。在纳入计算的31省市中，安徽、北京、广东、河北、河南、湖北、湖南、江苏、山东、陕西、四川和浙江的点出度，即外向中心度大于均值，这12个省市向外的影响比较大，具有雾霾污染的溢出性。从经济总量来看，这几个省份都是经济活动总量较大，在经济生产活动中会对其他省份造成影响；而重庆、福建、甘肃、广东、广西、贵州、河南、湖北、湖南、江西、辽宁、宁夏、山东、陕西、四川、西藏、新疆、云南的点入度，即内向中心度高于均值，表明其存在雾霾污染的接收性，这些省份有的自身存在较为严重的雾霾污染，有的则没有，但这些省份都受到了来自其他省份的污染影响。其中广东、河南、湖北、湖南、山东、陕西、四川在点入度和点出度两方面都高于均值，表明其处于雾霾污染网络空间的中心位置，对其他省市既存在溢出性又存在接收性。而从地理位置与经济区位来看，这七个省份也与其他省份有较强的地理邻近性和经济联通性。同时，整体网络的点出度中心势为76%，而点入度中心势为14%，这表明雾霾污染空间网络存在不对称性。

接近中心度表示该点与图中其他点的捷径距离之和，如表1所示，山东的接近中心度点出度最小，而西藏、新疆和海南的接近中心度点出度最大。这表明山东等省市到达其他省市的距离之和最小，最具有间接影响力；而新疆的接近中心度点入度最小，天津的接近中心度点入度最大，表明新疆受其他省市的间接影响小，而天津受到其他省市的间接影响最大。

中间中心性衡量了某点在多大程度上位于另外两个点的中间位置，是一个桥梁性作用的概念。如表1所示，河南、湖北、山东、四川、广东位列中间中心度的前五名位置，表明这几个省市是其他省市的桥接点，其他省市的雾霾污染传播是途经这几个省市的。

表1 省际雾霾污染空间网络中心度分析

(三)块模型分析

为了把各个单一的点归集于不同的点集之中，使得网络结构不同部分之间的关系更加明确，本文引入块模型，根据不同个体之间的互动来进一步刻画整体的网络结构。采用Concor方法进行凝聚子群分析，选取最大分割深度为2，将我国省域分成了四个部分，如图2所示。子群1由安徽、江西、上海、福建、河南、广东、湖南、江苏、浙江、湖北这10个地区组成，这些省市位于我国东部沿海与中东部地区形成带状格局，这一带状格局中，省际之间的贸易联系较为紧密，而且格局内的省份与外部联系也较多；子群2由四川、贵州、云南、广西、西藏、海南、重庆、陕西这8个地区组成，这些省市大部分位于中西部地区，形成面状格局，这一面状格局的形成主要是地理位置的临近性导致的；子群3由内蒙古、山西、天津、山东、河北、北京这6个地区组成，这些省市更具集中性，大致形成块状格局，这一块状格局集中于我国北方地区，相互之间的贸易联系较其他省份更为紧密；子群4由宁夏、甘肃、黑龙江、吉林、辽宁、青海、新疆这7个地区组成，这几个地区包含了东北三省和西北四省，呈现双块格局，双块格局的形成主要是因为这七个省市与其他省市地理距离较远，贸易往来不多。

图2 省际雾霾污染空间网络块模型分析

表2 雾霾污染空间网络块模型密度矩阵和像矩阵

注：R2=0.296。

基于块模型分析，为了进一步揭示各个子群内部的相互关系与子群之间的相互关系，本文通过子群密度矩阵和像矩阵描述这一关系，其中像矩阵的转化以0.250为界限。可以看出，每个子群内部都有密切的互动关系，特别是以山东、河北为代表的子群3内部互动最为密切，而子群4的内部互动较弱。同时可以看出子群3对子群2和子群4有明显的影响作用，因为子群3地域位于我国中间区域，且多包含经济大省，雾霾污染比较严重；而子群2也是一个容易受影响的地域，其主要受到来自子群1和子群3 的影响，因为子群2大多位于我国中南部地区，且相对来说自身雾霾污染不是特别严重，所以受到外部的影响较为严重。

五、基于QAP的空间网络结构驱动因素分析

由于雾霾污染的空间关联性是一种关系属性，所以从量化的角度来讲，这些数据本身就是有联系的数据，在回归分析中存在共线性的问题。Quadratic Assignment Procedure(二次指派程序)，简称QAP，就是一种解决这一问题的计算方法。QAP方法通过将两个方阵中每个值的相似性进行比较，从而给出两个矩阵之间的表示其相关性的系数，同时类似于OLS方法，QAP方法也会对系数进行非参数检验，QAP的计算原理是以对方阵中数据的置换为基础的。

我国现有的雾霾污染空间网络结构的驱动因素有很多，鉴于以前学者的研究和有关数据的可获得性，本研究从地理位置、人口数量、环保支出、能源消耗、尾气排放、烟尘颗粒等方面考察我国省际雾霾污染空间网络结构的驱动因素。省份之间的地理位置是影响空间结构的一个重要因素(于伟等，2016)，省市之间是否相邻可以有效刻画这一地理位置信息。人口数量是衡量一个省市的重要指标，人口的多寡影响着一个地区的平均经济水平。地方财政的环境保护支出反映了地方政府对环境问题的重视与监管力度。电力消耗反映了一个地区用电量数量，产生电能会消耗资源从而在一定程度上带来雾霾污染。由于汽车尾气是大气污染的主要来源(石元春，2013)，民用汽车拥有量能够刻画汽车尾气对雾霾污染带来的影响。

表3 模型拟合情况

注：930=31×(31-1)

表4 省际雾霾污染空间网络结构驱动因素

数据来源：国家统计局

采用QAP方法，通过2000次随机置换后得到的拟合情况如表3所示，QAP回归调整后的判定系数是0.452，这说明当知道地理位置、人口数量、环保支出、能源消耗、尾气排放、烟尘颗粒的邻接或者差值矩阵与省际雾霾污染空间网络矩阵存在线性关系的时候，可以用上述六个矩阵数据解释省际雾霾污染关系45.2%的方差。

QAP回归分析结果如表4所示，概率A是指随机置换后计算出的相关系数大于或者等于实际给出的矩阵相关系数的概率。同理，概率B是表示小于或者等于实际相关系数的概率。回归分析结果显示，地理位置在1%的水平下显著为正，表示两个省市之间邻接会对雾霾污染的空间网络产生正向的影响，推动现有空间网络的形成。人口数量系数在5%的水平下显著为正，表明人口数量差值网络对现有的雾霾污染空间网络结构有正向的影响。环保支出在5%的水平下显著为正，环保支出的差值推动了现有雾霾污染空间网络结构的形成。能源消耗在5%的水平下显著为负，电力消耗量的差值没有增加省际之间雾霾污染的联动性。尾气排放和烟尘颗粒在1%的水平下显著为正，这两项对现有的雾霾污染空间网络的形成起到促进作用，增加了这一空间网络结构的复杂性。

地理位置、尾气排放和烟尘颗粒都是雾霾污染空间网络结构现状的重要影响因素，而地理位置因素是客观存在的，对网络结构的调整或改善则需要加大对尾气排放和烟尘颗粒的控制，这也与以前学者的研究结果相类似。人口数量和环保支出会对网络结构产生正面影响，因为人口经济活动是雾霾污染产生的一个重要的来源，不同省市之间的人口密度差异必然会对网络结构带来一定的影响；其次，环保支出表现了不同省市对空气质量环境的重视程度，也会影响省市之间雾霾污染的传递效应。考虑到电力的跨省输送工程的影响，有些省市虽然消耗较多的电量，但并不会对本省市雾霾污染产生影响，电力消耗差值网络的影响为负值也就不难理解。

六、结论

雾霾污染的整治不仅是各个省市内部的事情，也需要省份之间的协调与合作。本研究运用社会网络分析方法从网络结构视角探究了我国31个省市的雾霾污染水平之间的关系，研究表明：我国雾霾污染在空间上存在较强的关联性，因此雾霾污染的治理需要全局性的战略眼光。雾霾污染空间网络存在不对称性，从而对不同中心性的个体省份要制定不同的治理规划。雾霾污染空间网络可以分成四个子群，子群内部互动关系更为密切，子群3与其他子群的联系更为密切。因此要以子群为基础建立雾霾污染整治基础区域，充分考虑雾霾污染的溢出效应，在保证各个省市的发展权的基础上控制其污染排放权。

通过QAP方法进行回归分析的结果表明，地理位置、人口数量、环保支出、尾气排放、烟尘颗粒所构成的差值网络对雾霾污染的空间网络结构有正向的驱动作用，主要是因为距离因素弱化了雾霾污染的空间扩散。人口数量的差异、环境保护支出的差异、尾气排放的差异、烟尘排放量的差异增加了雾霾污染省际流动的可能性，差异越显著雾霾污染就越可能从多的地方转移到少的地方。而能源消耗所构成的差值网络对雾霾污染的空间网络结构有负向的驱动作用，这种负向作用的产生是由于电力的跨省输送工程的影响。

改善我国雾霾污染的空间结构，一方面要增加子群内部省市之间的网络结构的对称性，通过改善环境保护支出、尾气排放、烟尘排放量等的差异，使得子群内部省市能够承担本省的污染后果、享受本省的污染治理成果；另一方面要将全国污染治理一体化，实施产业转移、产业链跨省优化的模式，加强不同子群之间网络结构的联动性，将高雾霾污染的产业从中心性高的省市转移到中心性低的省市。

[1]东童童、李欣、刘乃全,2015：《空间视角下工业集聚对雾霾污染的影响——理论与经验研究》,《经济管理》第9期。[Dong Tongtong, Li Xin and Liu Naiquan,2015, The Effect of Industrial Agglomeration to Haze Pollution (PM2.5) Based on Spatial Perspective: The Oretical and Empirical Research,EconomicManagement,9.]

[2]冷艳丽、杜思正,2015：《产业结构、城市化与雾霾污染》,《中国科技论坛》第9期。[Leng Yanli and Du Sizheng,2015, Industry Structure，Urbanization and Haze Pollution: An Empirical Analysis Based on the Panel Data of Province Level,ForumonScienceandTechnologyinChina,9.]

[3]刘伯龙、袁晓玲,2015：《中国省际环境质量动态综合评价及收敛性分析:1996-2012》,《西安交通大学学报(社会科学版)》第4期。[Liu Bolong and Yuan Xiaoling,2015, Dynamic Comprehensive Evaluation and Convergence Analysis of China’s Inter Provincial Environmental Quality: 1996-2012,JournalofXi’anJiaotongUniversity,4.]

[4]刘晓红、江可申,2016：《我国城镇化、产业结构与雾霾动态关系研究——基于省际面板数据的实证检验》,《生态经济》第6期。[Liu Xiaohong and Jiang Keshen,2016,Research on the Dynamic Relationships between Urbanization, Industrial Structure and Hazy in China: Empirical Test Based on Provincial Panel Data,EcologicalEconomy,6.]

[5]卢华、孙华臣,2015：《雾霾污染的空间特征及其与经济增长的关联效应》,《福建论坛(人文社会科学版)》第9期。[Lu Hua and Sun Huachen, 2015,Spatial Characteristics of Haze Pollution and Its Correlation with Economic Growth,FujianTribune(TheHumanities&SocialSciencesMonthly),9.]

[6]马丽梅、刘生龙、张晓,2016：《能源结构、交通模式与雾霾污染——基于空间计量模型的研究》,《财贸经济》第1期。[Ma Limei,Liu Shenglong and Zhang Xiao,2016, Study on Haze Pollution Induced by Energy Structure and Transportation: Based on Spatial Econometric Model Analysis,Finance&TradeEconomics,1.]

[7]潘慧峰、王鑫、张书宇,2015：《雾霾污染的持续性及空间溢出效应分析——来自京津冀地区的证据》,《中国软科学》第12期。[Pan Huifeng, Wang Xin and Zhang Shuyu,2015,Duration and Spatial Spillover Effects of Haze Pollution：Evidence from Beijing、Tianjin、Hebei Region,ChinaSoftScience,12.]

[8]秦蒙、刘修岩、仝怡婷,2016：《蔓延的城市空间是否加重了雾霾污染——来自中国Pm2.5数据的经验分析》,《财贸经济》第11期。[Qin Meng, Liu Xiuyan and Tong Yiting,2016,Does Urban Sprawl Exacerbate Haze Pollution:An Empirical Study of Fine Particles(PM2.5) in Chinese Cities,Finance&TradeEconomics,11.]

[9]孙华臣、卢华,2013：《中东部地区雾霾天气的成因及对策》,《宏观经济管理》第6期。[Sun Huachen and Lu Hua,2013,Causes and Countermeasures of Haze Weather in the Middle East Region,MacroeconomicManagement,6.]

[10]童玉芬、王莹莹,2014：《中国城市人口与雾霾:相互作用机制路径分析》,《北京社会科学》第5期。[Tong Yufen and Wang Yingying,2014,The Interaction Mechanism of Urban Population and Haze in China,SocialScienceofBeijing,5.]

[11]王立平、陈俊,2016：《中国雾霾污染的社会经济影响因素——基于空间面板数据Eba模型实证研究》,《环境科学学报》第10期。[Wang Liping and Chen Jun,2016, Socio-economic Influential Factors of Haze Pollution in China: Empirical Study by Eba Model Using Spatial Panel Data,Acta Scientiae Circumstantiae,10.]

[12]王星,2016：《城市规模、经济增长与雾霾污染——基于省会城市面板数据的实证研究》,《华东经济管理》第7期。[Wang Xing,2016,City Scale，Economic Growth and Smog Pollution:An Empirical Study Based on the Panel Data of Provincial Capitals,EastChinaEconomicManagement,7.]

[13]王雪青、巨欣、冯博,2016：《我国雾霾主要前驱物排放绩效省际差异分析》,《干旱区资源与环境》第4期。[Wang Xueqing, Ju Xin and Feng Bo,2016, Analysis of Performance Variances of Haze Main Precursors Emissions among China’s Provinces ，JournalofAridLandResourcesandEnvironment,4.]

[14]薛文博、付飞、王金南等,2014：《中国PM2.5跨区域传输特征数值模拟研究》,《中国环境科学》第6期。[Xue Wenbo, Fu Fei and Wang Jinnan et al.,2014,Numerical Study on the Characteristics of Regional Transport of PM2.5 in China,ChinaEnvironmentalScience,6.]

[15] Birdsall N, W. D., 1993, Trade Policy and Industrial Pollution in Latin America:Where Are the Pollution Havens?,TheJournalofEnvironment&Development:AReviewofInternationalPolicy, 1(2): 137-149.

[16] Chen, Y., A. Ebenstein, M. Greenstone, and H. Li, 2013, Evidence on the Impact of Sustained Exposure to Air Pollution on Life Expectancy from China’s Huai River Policy,ProceedingsoftheNationalAcademyofSciences, 110(32): 12936-12941.

[17] Englert, N., 2004, Fine Particles and Human Health：A Review of Epidemiological Studies,ToxicologyLetters, 149(1): 235-242.

[18] Hosseini, H. M. and S. Kaneko, 2013, Can Environmental Quality Spread through Institutions?,EnergyPolicy, 56: 312-321.

[19] Jessie P. H. Poon, I. C. C. H., 2006, The Impact of Energy, Transport, and Trade on Air Pollution in China,Post-SovietGeographyandEconomics, 5(47): 1-17.

[20] Kirkulak, B., B. Qiu, and W. Yin, 2011, The Impact of FDI on Air Quality: Evidence from China,JournalofChineseEconomicandForeignTradeStudies, 4(2): 81-98.

[21] Tamazian A, R. B. B., 2010, Do Economic, Financial and Institutional Developments Matter for Environmental Degradation? Evidence from Transitional Economies,EnergyEconomics, 1(32): 137-145.

AnAnalysisoftheSpatialCorrelationandtheDrivingFactorsofHazePollutioninChina——AnSNA-basedApproach

LuMiaomiaoandSunTao

(Shandong University, The Center for Economic Research, Jinan Shandong 250100)

Haze has exerted such a strong negative impact on the lives of our people that Air pollution control is now regarded as an important task for most Chinese provinces. This paper, using QAP method and social network analysis method, reconstructs the relevant gravity model to perform an analysis of the driving factors of spatial correlation and spatial relationship of haze pollution in China. The results show that the haze pollution in our country exhibits a strong inter-correlation and its spatial network displays an asymmetric quality. It is detailed that the haze pollution spatial network can be divided into four sub groups, with even closer interactive relationship within each. The forward driving effect on the spatial network structure of haze pollution is found related with the difference network composed of the geographical location, population density, environmental protection expenditure, car-exhaust emission, soot particles, etc., while the backward driving effect is found related with energy consumption. Finally, in accordance with the findings, conclusions are drawn and corresponding suggestions are given to address the problem of haze pollution in terms of the network structures within a subgroup and those between the subgroups.

Haze Pollution; Spatial Correlation; Social Network Analysis; QAP

10.13948/j.cnki.hgzlyj.2017.12.006

* 逯苗苗，山东大学经济研究院博士研究生，电子邮箱：lclumiaomiao@126.com;孙涛，山东大学山东发展研究院/山东大学经济研究院副教授，电子邮箱：tao_sun@sdu.edu.cn。本文得到山东省科技发展计划项目(2014GGX106008)的资助。感谢匿名评审人对本提出的修改意见，文责自负。

■责任编辑邓 悦