北京市雾霾的社会经济影响因素实证研究

李卫东，黄 霞

(北京交通大学 经济管理学院，北京 100044)

一、问题提出

改革开放以来，中国经济迅猛发展，人民生活水平节节升高。然而粗放型的经济发展方式也带来了一系列的环境污染问题，作为首都的北京市，环境状况堪忧，尤其是大气状况[1]。2013年，中国爆发了严重雾霾，北京市在2013年1月份仅有4天空气优良，全年仅有176个优良天。据新京报报道，2016年北京共发生重污染39天，除了有1天为臭氧重污染，其余38个重污染天全部为PM2.5重污染。2016年北京市PM2.5年均浓度为73微克/立方米，较2015年下降9.9%，但仍超过国家标准(35微克/立方米)。严重的雾霾污染使北京市城市形象受到影响，居民身体健康、经济发展、交通安全以及气候变化等多方面都受到了极大影响[2-4]。有研究估算，北京2013年1月份爆发的严重雾霾造成了1.8亿美元的经济损失，占当年GDP的0.76%[5]。根据英国《金融时报》2013年4月1日的报道，严重的空气污染促使外国人离开北京，并大大增加了公司招募国际人才的难度。2014年3月13日，国务院总理李克强在人民大会堂与中外记者见面时指出，雾霾已经成为重大的民生问题；2016年3月份他再次强调，要“重拳治理大气雾霾”。由此可见，北京市雾霾污染问题依然十分严峻，从根源上寻求缓解直至解决雾霾污染的方法，急迫而又任重道远。

本文将运用空间计量经济学方法，基于环境经济学和城市发展理论，从北京市行政区的角度对北京市雾霾污染的空间效应和社会经济影响因素进行分析。国际公认的空间计量专家安瑟林(Anselin，2001)专门对空间因素对于环境经济问题研究的重要意义进行了探讨，并在《空间计量经济学：方法与模型》一书中系统分析了空间计量经济学的研究范围、空间自相关模型和空间误差模型等问题[6]。罗帕辛哈等(Rupasingha et al，2004)最早运用该方法，对美国3 029个县的人均收入与大气污染之间的联系进行讨论[7]。侯赛尼等(Hosseini et al.，2011)运用空间计量方法对1990—2007年亚洲各国的两大空气主要污染物CO2和PM10进行了研究，发现两大污染物在亚洲国家之间存在着明显的溢出效应，空间因素不容忽视[8]。马丽梅和张晓(2014)、王立平和陈俊(2016)均运用空间计量经济学对中国的雾霾污染进行研究，认为产业结构和能源消费结构对雾霾污染有显著影响[9-10]。刘华军和裴延峰(2017)用空间Tobit模型对中国雾霾污染的环境库茨涅兹曲线假说(EKC)进行验证，发现中国雾霾污染与经济发展之间不存在倒U型的EKC假说，而经济密度的提高有助于降低雾霾污染[11]。严雅雪和齐绍洲(2017)用空间面板数据模型研究外商直接投资(FDI)对中国雾霾污染的影响，发现FDI是导致雾霾浓度升高的影响因素之一[12]。

目前，国内学者运用空间计量方法对大气污染问题的研究起步较晚且相对较少，针对雾霾污染的研究主要从雾霾形成的气象条件[13-15]和社会经济发展[16-17]两个角度，从全国或者某个大区域(如京津冀、长三角等)范围的角度去分析，较少有研究考虑到单个大城市内空间因素对雾霾污染的影响。在城乡一体化快速发展趋势下，城市中心区和城郊区以及附属乡镇区之间的联系越来越紧密，尤其是社会经济活动的联系。在这一背景下，城市内部区域之间的相互影响，尤其是城郊区、乡镇区与城中区之间的互动效应越来越密切，这种效应亦包括污染尤其是大气污染的传递效应。因此，在研究雾霾污染跨省(或跨市)空间效应的同时，不可忽略雾霾污染的省内(或市内)空间溢出效应。本文首次运用空间计量分析方法，以北京市行政区为个体，采用分区数据，对北京市雾霾污染的市内空间效应和影响因素进行研究。

二、北京市雾霾污染的空间效应分析

(一)北京市雾霾污染空间分布

鉴于2012年底北京市才开始统计公布PM2.5相关数据，因此选择2013—2015年北京市各区PM2.5年均浓度来表征雾霾污染水平进行分析，数据来源于北京市各区县统计年鉴。

2013—2015年，北京市雾霾污染空间分布基本一致，均呈现出“南高北低，由北向南逐渐逐渐升高”的特点。其中，位于北京市中心地区的东城区、海淀区、朝阳区和丰台区雾霾污染的相对严重程度在2013—2015年内发生了变化。海淀区雾霾污染程度2013—2015年相对有所减轻，东城区雾霾污染在过2013—2014年有所减轻之后，到2015年又加重了，而朝阳区和丰台区雾霾污染2013—2015年均相对加重了。其余行政区雾霾污染程度维持相对不变。

从整体来看，2013—2015年北京市雾霾污染有所缓解，但整体仍然处于较高的程度(2013—2015年北京市PM2.5年均浓度分别为90.02、87.56和80.79微克/立方米)。北京市各区2013—2015年雾霾污染的空间分布如表1所示。

表1 北京市雾霾污染空间行政区分布

从雾霾污染的分布情况来看，雾霾污染最严重的地区主要集中于功能定位为“城市发展新区”的通州区、大兴区和房山区，雾霾污染较轻的地区主要集中于功能定位为“生态涵养区”的延庆区、怀柔区、密云区以及紧临生态涵养区的昌平区。根据《北京市主体功能区规划》，北京市“城市发展新区”是北京市开发潜力最大、城市化水平有待提高的地区，主体功能是重点开发，加快重点新城建设。根据城市发展理论，城市形成和发展的根本动因是建立在工业化基础上的经济发展。英国、日本等国家的历史表明，城市工业化的发展难以避免地会带来一系列的环境污染问题，雾霾污染便是其中之一。著名大气化学家彼得·布林布尔科姆明确指出，雾霾污染形成的重要因素就是城市化的发展[18]。据统计，2015年北京市城市发展新区国内生产总值中，第二产业产值和工业总产值占比分别为48.03%和42.87%，而在当年北京市第二产业产值和工业总产值中，城市发展新区占比分别为51.17%和55.92%，表明北京市第二产业和工业有一半以上集中于城市发展新区，且占比极大。而在目前中国加快调整产业结构，扩大第三产业占比的趋势下，城市工业用地置换成为城市现代发展的重要举措，这也会引发一系列的生态环境问题[19]。因此被定位为城市发展新区的通州区、大兴区和房山区的雾霾污染处于相对较高的水平。而“生态涵养区”的延庆区、怀柔区、密云区以及紧临生态涵养区的昌平区，由于生态环境的有效保护，因而雾霾污染水平相对较低。

由以上可知，北京市产业结构对北京市雾霾污染具有一定影响，而与城市化发展过程息息相关的人口集聚、能源消耗、交通发展、城市规划等也都可能对雾霾污染具有一定的影响。同时，大气的流动性决定了雾霾污染的空间流动性，相对于传统的计量经济学方法，空间计量经济学能够将这种空间效应考虑进去是本文研究方法的优选。

(二)北京市雾霾污染的空间集聚

本文运用探索性空间数据分析研究雾霾的空间集聚效应。探索性空间数据分析是一种具有识别功能的空间数据分析方法，主要用于探索空间分布的非随机性或空间自相关，它既能体现出数据的空间分布特征，又可以为采用空间计量经济学进行实证研究提供依据。空间自相关可以对研究对象的空间关联和空间集聚进行反映，有全局空间自相关和局部空间自相关两种。

1.全局空间自相关

自“地理学第一定律”正式提出后[20]，众多国内外学者开始关注相邻地域间的空间相关性问题。反映全局空间自相关的一个重要指标是莫兰指数(Moran’s I)，计算公式如下：

关于空间权重矩阵的设定，一般有两种：基于邻接关系和距离函数[21]。根据本文的研究问题，结合考虑空间权重矩阵的适用性和可操作性，选择基于邻接关系的二进制空间权重矩阵设定方法，选择Rook contiguity邻接矩阵，邻接原则如下：

利用软件Opeon Geoda计算全局Morans’I指数。表2数据显示，2013—2015年北京市各区雾霾污染全局Morans’I指数均为正值且通过了1%的显著性水平检验，说明2013—2015年北京市各区的雾霾污染在空间上并非完全随机分布，存在显著的正向空间相关性。另外，2013—2015年这种正向相关性系数均在0.5以上，2013年最高，为0.578，说明这种空间相关性是持续稳定的处于较高水平。

2.局部空间自相关

局部空间自相关用于进一步检验变量在局部空间内是否存在集聚现象，常用局部Morans’I指数和LISA集聚图来分析。局部Morans’I指数计算公式为：

表2 北京市雾霾污染的Morans’I指数

式中，Ii为指数，测度i地区与其周围地区雾霾污染的相关程度，若Ii>0，表示i地区与它周围的地区呈空间正相关性，表现为雾霾污染的高-高或低-低集聚；若Ii<0，表示i地区与它周围的地区呈空间负相关性，表现为雾霾污染的高-低或低-高集聚。

北京市雾霾污染高-高集聚区主要分布在北京市南部的丰台区、房山区和大兴区，这两个区属于北京市“城市发展新区”，是第二产业较为集中的地区；低-低集聚区主要分布在北京市北部的怀柔区和延庆区，属于北京市“生态涵养区”，生态环境得到了有效保护。2013—2014年雾霾污染低-低集聚区不变，而高-高集聚区则从2013年的丰台区、房山区、大兴区，变成2014年的丰台区和大兴区；2014—2015年雾霾污染的高-高集聚区不变，而低-低集聚区则从2014年的怀柔区和延庆区变成2015年的昌平区、怀柔区和延庆区。据此本文进一步验证了北京市雾霾污染分布“南高北低”的特点以及雾霾污染存在明显的空间效应，由此也进一步说明北京市产业结构对北京市雾霾污染具有一定的影响。

综上，北京市各区雾霾污染存在显著稳定的全局空间正相关性；北京市雾霾污染高-高集聚区主要分布在北京市南部的“城市发展新区”，低-低集聚区主要分布在北京市北部的“生态涵养区”。由于城市功能定位的不同，导致北京市各功能区的经济发展和区域发展存在差异。要有效治理北京市雾霾污染，就必须要考虑到这种由于空间效应而导致的雾霾污染的空间分布。本文后半部分将运用空间计量经济学，建立空间面板数据模型，将空间因素考虑进来，探究北京市雾霾污染的社会经济影响因素及其贡献大小。

表3 变量和指标

三、数据与模型

(一)指标和数据

通过文献综述和雾霾污染的空间效应分析可以得到，影响北京市雾霾污染的因素主要有两方面：产业结构和区域城市化发展。区域城市化发展又与经济发展、人口集聚、能源消耗、交通发展、城市规划等因素息息相关。结合数据可获取性，本文选择第二产业产值、第二产业占比、工业总产值、工业产值占比、建筑业总产值、建筑施工企业总产值、人均GDP、能源消费总量、民用汽车拥有量、单位面积民用汽车拥有量、人口密度、环保投入、绿化率、区域面积等；为检验北京市雾霾污染与经济发展水平是否存在环境库茨涅兹曲线关系，引入北京市人均GDP的平方指标，共15个指标进行分析。变量和指标说明见表3。

选取北京市各区2013—2015年的指标数据，数据来源于北京市区县统计年鉴。为了消除异方差和数据数量级差异带来的误差，本文对除第二产业占比、工业产值占比以及绿化率外其他指标的数据作对数化处理。

(二)空间面板数据模型

空间面板数据模型是基于空间计量模型衍生出来的。现有的空间计量模型考虑了三种不同的交互式效应：被解释变量之间存在的内生交互效应、解释变量之间的外生交互效应和误差项之间的交互效应，在此基础上衍生出了SAR、SEM、SLX、SAC、SEM、SEM、SDEM以及GNS等模型，其中较为常用的有空间自相关模型(SAC)、空间滞后模型(又称空间自回归模型SAR)、空间误差模型(SEM)以及空间杜宾模型(SDM)等。

一般的空间计量模型将空间滞后模型(SAR)和空间误差模型(SEM)结合起来，其模型形式如下：

y=λWy+Xβ+μ

(1)

其中，扰动项μ的生成过程为：

μ=ρMμ+ε,ε～N(0,σ2In)

(2)

其中，W和M分别为被解释变量y与扰动项μ的空间权重矩阵，二者可以相等。由此构成的模型即为带空间自回归误差项的空间自回归模型(SARAR)。

将横截面数据的一般空间计量模型推广到面板数据中，其模型形式如下：

(3)

(1)如果λ=0，则为“空间杜宾模型”(SDM)；

(2)如果λ=0且δ=0，则为“空间滞后模型”(SAR)；

(3)如果τ=0且δ=0，则为“空间自相关模型”(SAC)；

(4)如果τ=ρ=0，则为“空间误差模型”(SEM)。

因此，本文建立的用于研究北京市雾霾污染的社会经济影响因素的空间计量模型如下：

Yit=τYi,t-1+ρWYt+β1X1it+β2X2it+…+β15X15it+δ1DX1t+δ2DX2t+…+δ15DX15t+
μi+γt+λMεt+vit

(4)

表4 空间相关性诊断检验结果

注：***表示1%的水平上显著；括号内为P值。

四、结果与讨论

(一)实证分析

本文借助统计软件Stata对模型进行分析。由于存在空间效应，普通最小二乘估计(OLS)是有偏差的，可以采用广义矩(GMM)估计或最大似然(MLE)估计[22]。本文采用MLE估计方法。由于面板数据中的“区域面积”具有明显的共线性，因此采用固定效应进行估计时忽略该指标。为了考察估计结果的稳定性，本文进行了不考虑空间效应的普通面板数据回归。实证分析结果见表4和表5。

表5 模型回归结果

表5(续)

注：***、**、*分别表示1%、5%、10%的水平上显著；括号内为P值。

根据安瑟林(Anselin，2005)[23]给出的针对横截面数据的模型选择机制，结合表4的检验结果，Morans’I指数拒绝了不存在空间效应的原假设，模型需要引入空间效应。LM-error未通过10%水平的显著性检验，而LM-lag通过了1%水平的显著性检验，因此应选择空间滞后面板数据模型。由于安瑟林的模型选择机制只是针对横截面数据，而面板数据相较于横截面数据来说包含有更大的信息量，该选择机制是否使用尚有待考究，因此本文根据模型的估计结果做进一步分析。

面板数据一般有“长面板”和“短面板”之分。如果横截面维度n(即样本数量)较小，时间维度T较大，称这种面板数据为“长面板”；反之，则为“短面板”。本文所选数据横截面维度为16，时间维度为3，属于“短面板”，故可忽略时间效应，只考虑个体效应，即随机效应与固定效应模型的选择。根据表5中最后一行的豪斯曼检验结果，在5%显著性水平下，普通面板数据回归显示应选用随机效应，空间面板数据回归显示应选用固定效应模型。然而，无论何种固定效应模型，模型拟合效果最好的仅为0.120 2，远远不如随机效应模型的拟合效果。对此本文对豪斯曼检验结果的合理性进行进一步的探讨。

传统的豪斯曼检验的原理是对扰动项μ1与个体特征zit和解释变量xit是否相关，其原假设为“H0：μi与xit，zit不相关”(即随机效应为正确模型)[24]。目前国内的应用研究大多是基于省域范围的经济增长或经济收敛的研究，即样本几乎是全部母体，大多都是采用固定效应模型，鲜有涉及空间随机效应模型，更没有根据空间豪斯曼检验进行建模的。但需要注意的是，只有当T足够大时，空间固定效应的估计才会一致[25]。本文的时间维度T仅为3，因此对于空间固定效应的估计很可能出现不一致的情况，因而使用固定效应的空间面板数据模型拟合程度不高。另外，具有空间误差自相关的随机效应模型的估计要远比其他类型的空间面板数据模型复杂[26]，国内外对这一问题的研究仍十分欠缺。基于该情况，本文倾向于普通面板数据的豪斯曼检验结果，即应采用随机效应进行检验，满足条件的为空间滞后随机效应面板数据模型和空间误差随机效应面板数据模型，即模型3和模型5。根据表5中的实证分析结果，模型3的拟合优度要高于模型5，而模型5的对数似然值要优于模型3，二者的参数显著性水平相当，故本文选择这两个模型共同分析。

模型3中的ρ和模型5中的λ都大于0，且都在1%的水平通过了显著性检验，说明北京市雾霾污染具有显著的空间溢出效应。从模型3的结果可以看出，周围区县的PM2.5浓度每提升1%将引起本区县PM2.5浓度提升0.402%。另外，模型3实证分析结果显示，除第二产业占比(RSEC)、工业总产值占比(RIND)、建筑业总产值(CON)外，其他变量都通过了至少10%水平下的显著性检验。模型5实证分析结果显示，单位面积民用汽车拥有量(COPA)、第二产业占比(RSEC)、工业总产值占比(RIND)以及环保财政支出(EOE)外，其余变量都通过了至少5%水平的显著性检验。

(二)结果讨论

1.经济发展与雾霾污染

表5中模型3和模型5的人均GDP和人均GDP平方分别通过了1%和5%显著性水平检验，且两个模型中人均GDP的系数均为负数，人均GDP平方的系数均为正数，表明北京市经济发展与雾霾污染之间存在U型曲线关系，而非倒U型曲线关系，且人均GDP的增加对雾霾污染具有抑制作用，人均GDP每增长1%将能减少2.52%和2.36%的雾霾污染。自2008年北京奥运会开始，北京市产业转移正式拉开帷幕，众多企业尤其是重污染企业逐渐被转移到周边的津冀地区。“十二五”规划以来，北京市政府就明确提出了“绿色北京发展建设规划”，要求“着力打造绿色生产体系，构筑绿色经济新格局”、“努力构建绿色消费体系”、“深化建设绿色环境体系”、“健全创新绿色发展机制”等。这让北京市的经济得以顺利向绿色化发展，经济发展对雾霾的影响也就逐渐表现为抑制作用。而由于雾霾污染具有空间溢出效应，国内一些研究均表明中国雾霾存在显著的省际空间溢出效应[9-10]，如果北京市周边地区未能实行与北京市一样严格的环境规制，则污染型产业转移只是一种“损人利己”的行为，雾霾污染随时可能卷土重来。这也说明了北京市雾霾污染与经济发展的倒U型曲线关系不存在或者还未出现。

2.产业结构与雾霾污染

衡量产业结构的共有6个指标。表5中模型3结果表明第二产业总产值(SEC)、工业总产值(IND)在5%显著性水平上通过了检验，建筑施工企业总产值(CONC)在1%显著性水平上通过了检验，而第二产业占比(RSEC)、工业总产值占比(RIND)和建筑业总产值(CON)没有通过参数的显著性检验。模型5则显示建筑业总产值(CON)在5%显著性水平上通过了检验，其他除了第二产业占比(RSEC)和工业总产值占比(RIND)未通过显著性检验，其他3个指标均通过了1%水平的显著性检验。早在2007年，北京市发展和改革委员会就发布《北京市产业结构调整指导意见》，明确指出要“以现代服务业和高新技术产业为双引擎”“积极发展符合首都功能定位的高端产业”“推进高能耗、高物耗、高污染、低附加值产业的有序退出”。到“十二五”时期，北京市已形成“高精尖”经济结构，据北京市统计年鉴的统计数据，2013—2015年，北京市第三产业产值占地区生产总值比重分别达到了77.52%、77.95%和79.65%。在建筑业方面，北京自2007年开始了绿色环保的“装配式住宅”的实践和探索，到2013年已经形成了较为成熟的装配式建筑体系，并在全国进行推广[27]，“环保建筑材料”和“绿色装配式”逐渐取代传统的现场水泥浇灌的建筑方式，大大减少了粉尘、渣土、碎石等建筑垃圾的产生，降低了建筑业的发展对北京市环境的污染。由此可见，北京市的产业结构已经得到优化，产业结构对雾霾的影响已逐渐被弱化。而工业总产值(IND)和建筑施工企业总产值(CONC)的系数通过了显著性水平检验且为正，说明北京市未来还需要在工业生产工艺和建筑施工方式环保化方面继续做出努力，以降低其对环境污染的影响。

3.人口与雾霾污染

模型3和模型5结果均显示人口密度(PD)在1%水平上通过了显著性水平检验且均为负数，人口密度对雾霾污染的影响表现为负向，这似乎与理论预期相悖。这可能与北京市的产业和人口的分布特点有关。北京市统计局数据显示，西城区和东城区为人口最密集的地方，北京市人口密度呈现出由中心向外围逐渐降低的特点。根据首都功能区的定位，中心城区的西城、东城、朝阳等地区是北京市金融、互联网等高新技术产业集聚区，第二产业占比很小，甚至不到10%。而主要集聚了北京市第二产业的大兴区、通州区等，其人口密度相对于中心城区来说很小，2015年大兴区的人口密度仅为西城区的5.87%。而北京市雾霾污染集聚分析发现大兴区为雾霾污染高-高集聚区，西城区为非显著区域。此外，随着社会生态文明的发展和国民素质的提高，城市居民的消费越来越趋向于绿色环保的消费品，对垃圾的处理也逐渐采用环保的工艺，最大程度降低其对环境的污染。因此，北京市人口密度已经不再是北京市雾霾污染的显著影响因素。

4.能源消费与雾霾污染

模型3和模型5均表明，能源消费总量(E)是北京市雾霾污染的显著影响因素，能源消费总量每增加1%，雾霾污染将增加0.069%和0.062%。目前北京市的能源消耗仍以煤炭为主，尤其是冬季供暖。中国之声《新闻和报纸摘要》曾在2015年12月报道，北京市燃煤供暖的污染物排放是大气重污染的主因。煤炭的燃烧尤其是劣质煤的燃烧会释放出大量的二氧化硫和氮氧化物，而二氧化硫和氮氧化物是产生PM10和PM2.5的的重要来源[28]。至少在目前北京市以煤炭占主导的能源消费难以改变，其对雾霾污染产生影响也仍然会一直持续。

5.交通与雾霾污染

模型3和模型5结果均显示，民用汽车拥有量(CAR)对雾霾污染具有显著的正向影响。对于单位面积民用汽车拥有量(PCAR)指标，模型3结果显示其在5%显著性水平上通过了检验其系数为负数，而模型5中则没有通过检验。从民用汽车拥有量的分布来看，核心区和功能拓展区的密度要远远高于其他区域，大兴区的车辆密度仅分别西城区3.65%，而大兴区为雾霾污染严重区，西城区相对较轻，这便解释了PCAR系数为负或是不显著的原因。另外，两个模型中CAR系数均显著为正说明，北京市交通对雾霾污染的影响不可忽视，交通是导致雾霾污染的重要因素之一。虽然北京市政府早在《2013—2017年清洁空气行动计划》中就明确提出要大力推广电动汽车应用，但由于基础配套设施的不完备以及电动汽车自身的续航里程短、充电难充电慢、售后服务不足等缺点，导致目前北京市的民用汽车仍以燃油机动车为主。《2014年北京市环境状况公报》指出，机动车对北京市雾霾污染的贡献最大，达到31.1%，《2015年北京市环境状况公报》亦显示，交通环境PM2.5的年平均浓度比全市平均水平高出12.3%。机动车可以通过两个途径对雾霾污染起到促进作用，一是尾气排放，而是道路扬尘。燃油机动车的主要燃料是汽油和柴油，其中含有硫和氮，燃烧过程中会产生二氧化硫和氮氧化物，排放到空气中，在一定条件下回转化成PM10和PM2.5，加剧雾霾的产生。而机动车在行驶的过程中会带起道路扬尘，同样会对雾霾污染产生加剧作用。

6.城市规划与雾霾污染

模型3和模型5结果均表明，绿化率(Green)和区域面积(Area)均在1%的水平上通过了显著性检验，且系数都为负；而模型3中节能环保投入在10%的水平上通过了显著性检验，模型5中则没有通过显著性检验。由此可说明，城市绿化能有效地降低雾霾污染；面积越大的区域，其雾霾污染程度越小；节能环保的投入对雾霾污染的缓解作用不明显。城市绿化一方面可以美化城市景观，改善城市形象；另一方面，绿色树木的树冠和枝叶能够截留、阻挡和吸滞空气中细颗粒物，并且能吸收大气汇总的某些有毒有害物质，减轻大气污染，改善城市空气环境[29]。区域面积方面，从北京市地图可看出，面积较大的区域主要是位于北京市北部外围的生态涵养区，而人口稠密、产业集聚的中心城区区域面积相对较小，这解释了区域面积系数为负的原因。节能环保投入方面，节能环保的投入主要针对的是污染后的治理，而一旦雾霾污染源不能很好地控制，污染产生的速度比污染处理的速度要快，那么环保投入的增加对环境的改善作用将是十分有限的，甚至起不到改善作用，只能维持污染不会继续恶化。

五、结论和建议

本文针对北京市各区县2013—2015年的面板数据，引入空间效应，运用空间计量方法对北京市雾霾污染及其影响因素进行分析，结果表明：

(1)北京市各区雾霾污染存在显著的正相关性且处于较稳定状态。

(2)位于北京市南部的属于“城市发展新区”的丰台区、房山区和大兴区为雾霾污染高-高集聚区，位于北京市北部的属于“生态涵养区”的怀柔区和延庆区为雾霾污染低-低集聚区，空间集聚效应明显。

(3)空间面板数据回归模型结果显示雾霾污染存在显著的空间溢出效应，周围区县的PM2.5浓度每提升1%将引起本区县PM2.5浓度提升0.402%；经济发展对雾霾污染的影响是负向的，而经济发展与雾霾污染之间不存在或未出现倒“U”型曲线关系；产业结构对北京市雾霾污染的影响不显著，而工业总产值和建筑施工企业总产值对雾霾具有促进作用；人口密度对雾霾污染影响不显著；能源消费总量和民用汽车拥有量对北京市雾霾污染呈现显著的正向作用；城市绿化能显著降低雾霾污染，而环保投入对雾霾污染的影响不显著。

根据以上结论，提出如下政策建议：

1.优化资源配置，疏解中心区交通流，降低交通污染排放

北京市的资源分布呈现出非常鲜明的集聚特征，金融、IT类高新技术行业主要集中于东城、西城、朝阳三大中心城区，工业主要集中于丰台、大兴、房山、通州等“城市新发展区”。产业的集聚带来的是人口不断向城市中心融入。另外，北京市中心城区集中了绝大部分优质的医疗、教育等公共服务资源，在为本地常住人口需求提供服务的同时还要承担外来人口的需求。这种由产业和公共服务资源高度集中带来的人口集聚，引起的后果一定是中心城区交通需求的增加。在北京市中心城区地面交通线路已经饱和定型的情况下，交通需求的增加一方面会造成更严重的交通拥堵，另一方面是交通污染的增加。尾气排放和道路扬尘的增多必定会为雾霾的形成带来便利条件，因此要降低交通污染对雾霾形成的影响，就要将过度集中的产业和公共服务资源从中心城区疏解一部分到郊区，带动中心城区的人口向周围扩散，减少中心城区的交通流，从而在缓解交通拥堵的同时，降低交通污染排放。

2.继续调整能源结构，降低煤炭比重，推广清洁能源使用

实证结果表明，北京市能源消费总量仍然对北京市雾霾具有显著影响。北京市政府早在“十二五”规划纲中就明确提出加快调整能源结构，严格限制中心城区燃煤使用，“基本实现五环内供热无煤化”。到2015年，东城、西城“核心区”基本实现无煤化，煤炭消费量也比2010年减少了一倍多，天然气等清洁能源的比重大大提升，然而目前北京市的能源消费中，煤炭仍然占主导地位。北京市在实行高污染高耗能产业企业转移之前，产业用能是煤炭消耗的主导大户；实行产业转移之后，由生产带来的煤炭消费量大大减少了，但是由家庭供暖等社会生活产生的大气污染物占了不小的比例。尽管“核心区”基本实现了无煤化，但由于雾霾污染存在显著空间溢出效应，其他区域的雾霾污染同样会影响到“核心区”。因此，调整能源结构，提高清洁能源比重要从全市范围展开，尤其是对城市化严重不足、带有较浓乡村特色、以烧煤烧柴等为主要能源来源的郊区。

3.实行“错季生产”，减少秋冬季雾霾污染的发生

本文对雾霾的空间效应分析表明，北京市雾霾存在显著的空间溢出效应；实证结果表明，工业总产值对北京市雾霾污染影响显著。因此尽管具有污染特征的工业生产主要集中于通州、大兴等城市新发展区，产生的大气污染也会溢出到其他区域。秋末、冬季和春初是北京市雾霾的高发时段，在此期间如果能减少生产甚至不生产，便能减少大气污染物的产生和排放，降低冬季雾霾的发生频率和严重程度。在污染较少且较易扩散的春末和夏季时则可多生产来保证当年的产量。这可通过创新生产许可证制度来实现。合理安排生产也是缓解北京市雾霾的重要手段之一。

4.加快推进装配式建筑发展，优化建筑施工方式，减少建筑垃圾和污染

实证分析结果表明建筑施工企业总产值对北京市雾霾表现出正向影响关系。长期以来中国的建筑方式都是机械化程度不高、粗放式的，以现场浇灌为主，产生大量的建筑垃圾、噪声污染、建筑扬尘等，而建筑扬尘是雾霾污染来源中扬尘的一大贡献者。但牺牲建筑业的发展来寻求环境的改善是不现实的，可以通过发展绿色环保节能的装配式建筑大量降低建筑垃圾、扬尘、噪声等污染的产生，从而达到降低建筑施工对雾霾污染的影响。中国的装配式建筑发展起步较晚，包括技术标准、图集以及从业人员在内的标准化仍然十分欠缺，与装配式建筑相适应的技术创新机制、管理模式和监管制度等仍不成熟[30-31]。在2016年的“两会”上，李克强总理提出要“大力发展钢结构和装配式建筑”。同年十月，《国务院办公厅关于大力发展装配式建筑的指导意见》(国办发〔2016〕71号)发布。2016年北京市政府提出2018年本市的装配式建筑占新建建筑比例要在20%以上的目标，并在面积奖励、财政资金、税收、房屋预售、科研扶持、金融信贷等方面给予了大力度的政策支持。2017年3月，北京市政府印发了《关于加快发展装配式建筑的实施意见》，明确提出要加快推动本市装配式建筑发展。这为加快推进北京市乃至全国的装配式建筑发展，最大限度减少建筑粉尘、建筑垃圾对雾霾等环境污染的影响带来了极大希望。

参考文献：

[1]王丽粉，李存金.北京雾霾四大源头的治理措施探讨[J].中外企业家，2015(34)：241-243.

[2]TIYAPAIRAT Y.Public sector responses to sustainable haze management in upper Northern Thailand[J].Environmentasia，2012，5(2)：1-10.

[3]ZHAO W，CHENG J，LI D，et al.Urban ambient air quality investigation and health risk assessment during haze and non-haze periods in Shanghai，China[J].Atmospheric Pollution Research，2013，4(3)：275-281.

[4]曹彩虹，韩立岩.雾霾带来的社会健康成本估算[J].统计研究，2015(7)：19-23.

[5]DU Y，LI T.Assessment of health-based economic costs linked to fine particulate (PM 2.5)pollution：a case study of haze during January 2013 in Beijing，China[J].Air Quality Atmosphere & Health，2016，9(4)：439-445.

[6]ANSELIN L.Spatial effects in econometric practice in environmental and resource economics[J].American Journal of Agricultural Economics，2001，83(3)：705-710.

[7]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.

[8]HOSSEINI H M，KAHBAK F,et al.Spatial environmental kuznets curve for asian countries：study of CO2 and PM10[J].Journal of Environmental Studies，2011，37(58):1-14.

[9]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.

[10]王立平，陈俊.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[J].环境科学学报，2016(10)：3833-3839.

[11]刘华军，裴延峰.我国雾霾污染的环境库兹涅茨曲线检验[J].统计研究，2017(3)：45-54.

[12]严雅雪，齐绍洲.外商直接投资与中国雾霾污染[J].统计研究，2017(5)：69-81.

[13]曹伟华，李青春.北京地区雾霾气候特征及影响因子分析[C]//风险分析和危机反应的创新理论和手法.中国灾害防御协会风险分析专业委员会第五届年会,2012.

[14]马小会，甘璐，张爱英，等.北京2013年1月持续雾霾天气成因分析[C]//创新驱动发展 提高气象灾害防御能力.第30届中国气象学会年会,2013：138-142.

[15]CHEN Z.PM2.5 concentration regression analysis based on Meteorological comprehensive index[J].International Journal of Engineering and Technical Research：2015，3(9)：111-113.

[16]李霁娆，李卫东.基于交通运输的雾霾形成机理及对策研究——以北京为例[J].经济研究导刊，2015(4)：147-150.

[17]冯少荣，冯康巍.基于统计分析方法的雾霾影响因素及治理措施[J].厦门大学学报(自然科学版)，2015(1)：114-121.

[18]彼得·布林布尔科姆.大雾霾：中世纪以来的伦敦空气污染史[M].启蒙编译所，译.上海：上海社会科学院出版社，2016：25-30.

[19]张泉.城市化进程中工业用地置换的生态环境影响探讨[J].工程建设与设计，2016(14)：85-86.

[20]TOBLER W R.A Computer movie simulating urban growth in the detroit region[J].Economic Geography，1970，46(Supp 1)：234-240.

[21]张可云，王裕瑾，王婧.空间权重矩阵的设定方法研究[J].区域经济评论，2017(1)：19-25.

[22]陈强.高级计量经济学及Stata应用(第二版)[M].北京：高等教育出版社，2014：587-590.

[23]ANSELIN L.Exploring spatial data with geoda TM：A workbook (2005)[EB/OL].(2005-03-06)[2017-12-30].http：//geodacenter.asu.edu/system/files/geodaworkbook.pdf.

[24]HAUSMAN J A.A Specification test in econometrics[J].Econometrica，1978，46(185)：1251-1271.

[25]季民河，武占云，姜磊.空间面板数据模型设定问题分析[J].统计与信息论坛，2011(6)：3-9.

[26]PACE R K，LESAGE J P.A spatial hausman test[J].Economics Letters，2008，101(3)：282-284.

[27]樊则森，李雯.2007年以来北京市装配式住宅的新发展[J].建筑技艺，2016(4)：83-85.

[28]宋燕，徐殿斗，柴之芳.北京大气颗粒物PM10和PM2.5中水溶性阴离子的组成及特征[J].分析试验室，2006(2)：80-85.

[29]陈益浪.城市绿化规划对于防治雾霾的作用[J].绿色科技，2015(1)：172-173.

[30]宋健，黄梅.大力发展装配式建筑 引领建筑业转型升级[N].中国建设报，2017-04-14(6).

[31]冷艳丽，杜思正.能源价格扭曲与雾霾污染——中国的经验证据[J].产业经济研究，2016(1)：71-79.