中国区域能源效率对霾污染的空间效应——基于空间杜宾模型的实证分析

张小波,王建州



中国区域能源效率对霾污染的空间效应——基于空间杜宾模型的实证分析

张小波,王建州*

(东北财经大学统计学院,辽宁 大连 116025)

以中国29个省市自治区为研究对象,并以2001~2015年PM2.5年度均值作为衡量霾污染的指标,构建了全要素能源效率对中国霾污染影响的空间杜宾模型.研究表明:中国绝大部分省市的霾污染演变趋势具有倒“U”的特点,这说明中国的霾污染在2001~2015年间经历了先上升后下降的总体变化趋势;无论是采用地理相邻权重还是经济权重,中国省际间的霾污染均存在显著空间集聚效应,这揭示霾污染的治理与控制需要地区间建立恰当的合作机制,避免出现“损人利己”现象;在对一系列经济社会因素控制的基础上,全要素能源效率对霾污染存在显著的负向影响并且具有显著的空间溢出效应,这表明全要素能源效率的提高不仅会显著降低本地区的霾污染水平,还将对周边地区的霾污染产生显著的负向影响;分解方程结果显示,技术进步和技术效率对霾污染的负向效应显著,并且技术进步的直接效应大于技术效率,但两者的间接效应均显著大于直接效应,这揭示了技术扩散对霾污染具有重要的潜在促降效应.因此,在治理霾污染的过程中,要通过不断优化能源结构和开发新能源技术以发挥全要素能源效率的减霾效果,以及通过地区间的交流与合作发挥技术扩散效应在霾污染治理中的作用.

霾污染；全要素能源效率；空间溢出效应；空间杜宾模型

长期以来的粗放式经济发展模式使得中国现阶段面临能源供需矛盾、环境污染等突出问题.尽管近几年节能减排政策不断地出台和实施,环境污染尤其是霾污染仍然是大面积、高强度、持续的爆发,而且呈现出显著的集聚特征[1-3].新时代背景需要中国做出绿色可持续发展战略抉择.根据《联合国气候变化框架公约》[4],中国在“国家自主决定贡献”中承诺:到2030年,非化石能源占一次能源消费比重达到20%左右.这意味着中国在维持经济快速增长的同时需要不断地提高能源利用效率,进而减少化石能源消费和改善环境质量.在此背景下,研究能源效率与霾污染之间的关系对于优化经济结构、建设绿色生态文明社会以及协调经济与环境发展具有重要的现实意义.

霾污染虽然是一种气象问题,但究其根源,在于经济发展过程中的能源利用效率底下、能源结构欠佳、产业结构失衡等诸多问题.从影响霾污染的经济社会因素着手,学界目前已进行了诸多有益的探索,实证研究多集中于研究环境库茨涅茨曲线[5]、“污染避难所”假说[6-7]以及雾霾的时空分布特征[8-11];抑或是研究能源结构[1,12]、能源价格[13]、城市化[14]、财政分权[15-16]等因素对霾污染的影响.其中,一些文献从经济社会角度较为系统地考察了影响霾污染的因素[17-20].这些研究深刻地揭示了中国经济发展中所暴露的产业结构失衡、能源效率欠佳等诸多问题.然而针对全要素能源效率与环境污染之间的关系,仅有少量文献进行研究,如李国璋等[21]对全要素能源效率和环境污染之间的关系进行了研究分析,得出的结论是全要素能源效率与环境污染之间存在长期均衡关系;东童童[22]以长江经济带为例研究了全要素工业能源效率与霾污染的交互影响,揭示了能源效率的提高有助于降低霾污染.综合以上研究可以发现:首先,霾污染的空间溢出效应以及集聚特征已经被学者所公认,相应的空间计量方法在研究中也占据主导位置.空间模型能够从时空维度刻画霾污染的空间特性,因此较传统计量模型更为有效;其次,从霾污染指标的选取来看,多数采用哥伦比亚大学社会经济数据和应用中心检测的全球 PM2.5浓度年均值的栅格数据[23];最后,大多数研究只是将能源结构或能源效率作为解释变量之一来探讨,很少有从全局的角度深入发掘全要素能源效率对霾污染的空间作用.基于以上分析以及借鉴已有研究,本文通过构建空间计量模型来研究能源效率对霾污染的影响.第一,在能源效率的指标选取上,我们利用碳约束下Malmquist-Luenberger生产率指数测度的全要素能源效率来度量.第二,分别考虑地理与经济空间权重矩阵来研究全要素能源效率对霾污染的空间作用.第三,采用哥伦比亚大学社会经济数据和应用中心公布的2001~2015年PM2.5数据作为霾污染指标.

1 研究方法和计量模型设定

1.1 基于Malmqulist-Luenberger指数的全要素能源效率测度方法

针对全要素能源效率的测度,本研究采用由Chung等[24]提出的基于方向距离函数D的Malmquist-Luenberger(ML)生产率指数法.给定期的投入产出向量(x,y),则+1期的ML生产率指数可表示为:

式中:

基于ML生产率指数法,本文考虑碳排放约束下全要素能源效率的度量.投入指标包括能源消耗量、资本存量以及人力资本;产出指标包括合意产出GDP和非合意产出二氧化碳.

1.2 计量模型设定

影响霾污染的因素涵盖了经济社会的诸多方面,霾本身也呈现出时间维度的非线性和空间维度上的相关性,因此,空间面板模型在现有的文献中占据主导地位.现有的空间面板模型主要包括空间滞后模型(SLM)、空间误差模型(SEM) 和空间杜宾模型(SDM),其中SDM实质上是SEM 和 SLM的综合[25].基于以上分析,本文采用更具一般化的SDM模型研究全要素能源效率与霾污染之间的空间相关关系.

2 变量说明及数据来源

本文的研究对象涉及中国 29个省、自治区和直辖市(其中将重庆与四川数据合并;西藏由于数据缺失过多没有纳入研究范围之内;2个特别行政区以及台湾地区也不在研究范围之列).由于中国对PM2.5相关数据的基础统计工作开展较晚且不完善,自2012年起大部分城市才开始对PM2.5相关数据进行采集,并且所得数据都是以点代面来反映各地区的霾污染水平,可靠性较差.因此,本文采用的是由哥伦比亚大学国际地球科学信息网络中心(CIESIN)与巴特尔研究所利用卫星搭载设备测定得到的全球2001~ 2015年PM2.5年度均值,国内相关研究数据大多采用于此,具有较高的可信度.

根据所设定的空间模型,对本文研究所包含的影响霾的因素作如下说明.

(1) MLE:在经济高速发展阶段,社会各个方面都表现出能源需求的急速增加,提高能源利用效率即是减少污染排放进而改善环境污染的根本途径,也是实现经济可持续发展的重要手段.本文与大多数现有研究(采用实际GDP与能源使用量的比值)不同,利用ML生产率指数来度量碳约束下的全要素能源效率,该指标能够综合评价能源利用效率,其值越高,能源利用效率越高,因此预期其系数为负.(2)经济增长(pgdp):研究表明,不同的国家经济发展都要经历产业结构不断优化升级的过程,经济发展与环境之间都会呈现出一定的发展规律,经典的EKC假说在研究人均GDP与环境污染之间的关系时,刻画了这种发展规律的倒“U”特征.本文参照已有的研究,用人均GDP衡量经济增长,并采用其一次项和二次项形式.(3)产业结构(industry):以高能耗、高污染、高排放的工业为主导第二产业是PM2.5的重要来源.近些年,中国工业化进程加速,工业能源消耗巨大,经济发展表现出对自然资源的依赖性过强,个体经济利益与自然资源之间的矛盾、环境保护与公共健康之间的冲突逐渐凸显.本文选取产业结构加入到霾污染的影响因素中,取值为第二产业增加值占GDP的比重.(4)政府财政支出(gov):由于霾污染属于环境领域问题,具有公共性特征,因此政府在霾污染的治理和控制方面扮演着重要角色,本文用地方财政支出占地区GDP的比重来衡量财政支出力度.(5)人口密度(pdensity):人口密度是衡量人类经济社会活动频繁程度的指标之一,该指标可能对环境污染存在正的影响.本文采用单位平方公里上的人口数衡量人口密度.(6)交通运输(road):公路交通的机动车是产生城市霾污染的一个重要来源.公路交通网络的发达程度在一定程度上能够反映一个地区的城市化程度,公路建设加强从一定程度上也会导致机动车拥有量的增加,进而加重霾污染.本文用单位土地面积公路里程来研究交通运输对霾污染的影响.

本文的数据样本由中国29个省、自治区和直辖市的面板数据构成.除PM2.5数据外,其余数据整理于《中国统计年鉴》(2002~2016)[26]《中国科技统计年鉴》(2002~2016)[27],《中国环境统计年鉴》(2002~2016)[28],《中国能源统计年鉴》(2002~2016)[29],《中国经济普查年鉴》(2002~2016)[30]及各地区各年统计年鉴.

3 实证检验与结果分析

3.1 空间相关性分析与模型选择

为了进一步验证中国霾污染的空间集聚特征和空间相关性,本文采用常用的空间Moran’s指数来刻画中国霾污染的全局空间相关程度和局部分布特点.并基于所建立的空间模型以及Elhorst[31]的建议,本文采用极大似然估计法并运用MATLAB软件对模型进行估计.

表1给出了在地理空间权重下全局空间相关检验结果,从中可以看出,Moran’s指数大于零且均在1%的水平上显著;在经济空间权重下,Moran’s指数大于零且在10%的水平上显著,表明中国的霾污染呈现出明显的正向相关性空间特征.为了分析霾污染的局域空间相关性,基于局部Moran’s指数本文绘制了Moran散点图来刻画霾污染的局域空间集聚特征和相关性.以地理权重为例,图1给出了代表性年份的Moran散点图,图中显示绝大部分省份落入第一、三象限,进一步说明正向空间溢出效应的存在.

表1 全局空间相关性Moran’s I检验结果

注:E()表示的期望值;sd()表示值的方差;z为的z检验值;值为伴随概率值.

图1 2001, 2007及2013年各地区PM2.5的Moran’s I散点图

图2 2001~2015年各省份PM2.5以及ML指数的变化趋势

图2中的(A)和(B)分别为本文利用提取的各省市PM2.5和基于Malmqulist-Luenberger指数所计算的全要素能源效率所绘制的趋势变化图,为了更为明显地反应两者的趋势变化,通过二次方程对散点进行曲线拟合,其中虚线为实际值,实线为拟合值.从中可以看出,无论是PM2.5还是全要素能源效率,大部分省份都呈现出集中的变化趋势.以2010年为分界点,中国各省市的PM2.5浓度大体呈现出先上升后下降的趋势,具有倒“U”型的变化特点,只有极个别省份表现一度上升态势;反观ML指数,绝大部分省份在2010年以后呈现上升态势,具有“U”型变化特点,同时也有部分省份的趋势变化在2010以后表现出收敛且下降态势.由此可以粗略判断,虽然近几年来中国霾事件频发突发,但总体霾污染水平是呈现缓慢下降趋势的,这一方面要归功于中国近5年来霾污染控制与治理政策的颁布与实施,另一方也得益于中国产业结构的优化调整,进而从根本上限制了霾污染的大面积恶化;同时,根据霾污染与全要素能源效率的变化趋势,可基本预判全要素能源效率的提高有助于降低霾污染水平,因此预期估计系数为负.

3.2 全要素能源效率对中国霾污染的影响

基于模型(6)的非空间面板形式,并根据 Elhorst[25,31]关于空间模型选择的做法,对空间面板模型的形式进行择优选择,采用极大似然估计法进行估计,具体而言,按照非空间面板模型的做法,通过构造Hausman 检验统计量来确定固定效应和随机效应哪个更为合适,通过LR test 确定固定效应的显著性,并通过Wald Test 检验来判断空间杜宾模型能否转换为空间滞后和空间误差模型,最终确定时间空间固定效应杜宾模型.结果如表2(总体效应方程)所示.

表2中的估计结果显示,空间模型无论是采用地理权重矩阵还是经济权重矩阵,霾污染空间滞后项(×PM)的系数估计在1%显著性水平上都显著为正;MLE以及×MLE在5%显著性水平上均显著.表明:在本文所选样本区间内,中国的霾污染存在着显著的正向空间溢出效应,即霾污染表现出明显的空间集聚特征,地理相邻地区的霾污染加剧也会加重本地区的霾污染,具体而言:以地理权重为例,相邻地区的霾污染水平每上升1%,会导致本地区的霾污染水平增加0.228%;全要素能源效率对霾污染的影响显著为负,由此可以粗略判断, 全要素能源效率的提高有助于改善本地区的霾污染状况,同时,全要素能源效率的空间滞后项系数在地理权重矩阵和经济权重矩阵下均显著为负,这说明全要素能源效率对霾污染的影响存在显著的负向空间相关,这暗示着能源效率的提高不仅会改善本地区的霾污染,同时也会对周边地区产生显著的正外部性.为了进一步解释全要素能源效率对霾污染的作用效果,我们对所得到的结果进行了进一步的分解和分析.

基于Elhorst[25]的做法,对表2中的总效应方程结果进行各影响因素的直接效应、间接效应以及总体效应的估计,结果如表3所示.从直接效应看,无论空间权重为地理相邻权重W1还是经济权重W2,在1%的显著水平上为负,这表明本地区全要素能源效率的提高将直接降低本地区的霾污染水平;进一步对比表3中的直接效应值(-1.269和-1.006)和表2中的系数估计值(-1.182和-0.579)可以发现,若不采用空间面板模型,全要素能源效率对霾污染的负直接效应将被低估.从间接效应看,2种空间权重下的系数也均显著,即全要素能源效率在省际间呈现出明显的空间溢出效应,这与东童童[22]等人的结果相似.从全国范围内来看,全要素能源效率虽然存在区域性的差异,但这种差异在各地区间逐渐缩小且有着共同的发展趋势[32];近些年,中国经济发展方式不断转变,产业结构不断优化,产业集聚特征明显,区域间在能源利用技术上的交流与合作不断增进,进而加速了能源利用技术的扩散,因此,对霾污染的影响也就可能存在总体显著的空间溢出行为.

近些年,中国经济发展方式不断转变,产业结构不断优化,产业集聚特征明显,区域间在能源利用技术上的交流与合作不断增进,进而加速了能源利用技术的扩散,因此,对霾污染的影响也就可能存在总体显著的空间溢出行为.总体来看,2种空间权重矩阵下的总效应均在1%的显著水平上显著,由此可以得出全要素能源效率的提高会显著改善霾污染,这与李国璋等[21]的研究结论有相似之处,能源的生产和利用是环境问题的核心内容,能源效率的提高意味着等量的产出需要的能源投入就更少,进而降低了颗粒物的排放,缓解霾污染所造成的影响.综合全要素能源效率对霾污染的直接和间接效应可以得出,提高全要素能源效率不仅会降低本地区的霾污染水平,而且还会显著改善周边地区的霾污染;空间权重矩阵的存在可以更为有效地度量能源效率的直接效应,从而确定了纳入空间权重的必要性.

表2 TFEE对霾污染影响的空间模型估计结果

注:*、**、***分别代表10%、5%、1%的显著性水平,下同.

表3 TFEE对霾污染的影响效应分解:直接效应、间接效应和总效应

3.3 全要素能源效率对中国霾污染影响的分解

为了进一步考察全要素能源效率对霾污染的影响,根据式(2)将全要素能源效率指数分解为技术进步和技术效率指数,并进行空间方程估计,结果如表4所示.与此同时,为了进一步分析两者对霾污染的影响,依据总效应方程的做法,将技术进步和技术效率方程结果进行直接效应、间接效应以及总体效应的估计,结果如表4所示.

表4 技术效率和技术进步对霾污染的影响效应分解:直接效应、间接效应和总效应

表4中的估计结果显示,技术进步和技术效率以及相应的空间滞后项(除了经济权重下的技术效率的估计系数)的回归系数均在1%显著性水平上显著为负,这表明,技术进步和技术效率的提高有助于降低霾污染水平.进一步考察表4中的结果发现:技术进步和技术效率对霾污染的直接效应都显著,但技术进步的直接效应明显大于技术效率,这一方面反映了中国在能源利用技术的进步及其有效性在环境保护和治理中的潜在作用,同时也暗示,随着技术进步的收敛,技术效率在霾污染的长期治理中的角色应该受到重视.无论是技术进步还是技术效率,其间接效应的估计都在1%水平上显著为负并且明显大于直接效应,这表明,能源利用技术的革新不仅会影响到本地的霾污染,还将改善周边地区的霾污染,即能源效率对霾污染的影响具有显著地空间溢出效应.从实际来看,能源利用技术的革新会显著提高煤炭等化石能源的利用率,从而通过能源利用技术的扩散作用,会进一步强化能源效率在改善霾污染过程的潜在作用.

3.4 其他因素对霾污染的影响

以总效应方程为例,分析其他变量对霾污染的影响.

考虑地理相邻空间权重,人均pgdp的一次项显著为负,二次项系数为正不显著;当空间权重为经济权重时,一次项系数为显著正,二次项回归系数为正且不显著,说明在本文研究的样本期间内,霾污染与经济发展水平之间不存在显著倒“U”型特征,这一结论与黄寿峰[15]、李小胜等[33]及朱平辉等[34]的研究基本一致;产业结构(instructure)在2种空间权重矩阵下的回归系数均在1%水平上显著为正,这说明第二产业占比增加会显著性地加剧霾污染;另一方面,在地理权重下产业结构的空间滞后项系数以及间接效应显著为负,说明本地区的产业结构越不合理一方面会加剧本地区的霾污染,另一方面可能会对周边地区的霾污染有一定的改善作用,当产业结构转移负效应大于霾污染的空间溢出效应时,本地区霾污染就可能会得到改善,这暗示着产业结构的优化调整可能存在着“损人利己”效应[1,35];政府财政支出及其空间滞后项系数分别显著为负和正,这说明政府在霾的控制和治理中扮演着重要的角色,一方面政府可以通过加大财政支出力度来防霾治霾,另一方面政府对本地区的经济结构调整的干预可能会对周边地区的霾污染产生正向作用;人口密度(pdensity)的系数在地理权重意义上显著为正,说明人口集聚的区域社会活动越频繁,进而对霾污染产生正向及溢出作用,但这种效应在经济意义上并不显著,近些年,中国大部分地区人口都呈现出收敛态势,霾污染的健康效应也使得近几年中国对人口密集区的环境规制强度加强,人口对霾污染的效应会逐渐减弱;交通运输(road)的各种效应(除了地理权重下的间接效应)均在1%水平上显著为正,这表明公路交通里程增加从一定程度上促进机动车的拥有量,会直接加剧本地区的霾污染.

4 结论

4.1 中国的霾污染水平呈现出不断收敛且有缓慢下降趋势,各省市的霾污染演变趋势具有倒“U”的特点.

4.2 中国的霾污染存在显著的空间溢出效应.在控制了经济增长、产业结构等变量之后,发现全要素能源效率的提高不仅会显著降低本地区的霾污染水平,还将对周边地区的霾污染产生显著的影响.

4.3 通过对全要素能源效率的分解发现,技术进步和技术效率对霾污染的影响都显著,并且间接效应的影响明显大于直接效应,暗示了技术的空间溢出效应在治理霾污染过程中有着重要的促降效应.

5 建议

5.1 推进绿色产业发展.要不断优化产业布局、调整产业结构,对于高污染高排放产业要通过绩效考核和制度来倒逼其经济发展方式,削弱其对自然资源的过度依赖.倡导绿色发展理念,积极引导企业生产方式的转型升级;通过完善绿色产业的帮扶激励政策,鼓励企业加大对煤炭等化石能源利用技术的研发投入和推广利用,进一步提高对能源的利用效率,从根本上减少颗粒物的排放.另外,通过促进区域间的经济发展合作交流,能源效率低的地区可以通过技术引进改善本地区的产业能源利用效率.

5.2 发展绿色清洁能源,优化能源消费结构.大力发展光伏、风能等为代表的可再生能源产业,提高清洁能源的消费比重,减少污染气体的排放,稳步推进可持续和绿色发展.加大清洁可再生能源在城市机动车辆中的利用,进一步通过交通运输结构的调整,提高绿色可持续发展的正外部性和质量.

5.3 建立区域利益协调和区域联防联控机制.要统筹规划各利益主体,达成利益共享与责任担当相挂钩的共识,既要加快经济增长方式的转变,又要防止产业布局优化调整中出现“损人利己”效应,从根本上实现经济的高质量转型.同时,霾污染具有空间溢出效应,霾污染的治理也应该打破地理界限,区域间应该制定共同霾污染监督和执法体制,构建统一的霾污染治理体系平台,从而实现经济利益共享的同时也能共享治理的成果.

[1] 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. Ma L, Zhang X. The Spatial effect of China’s haze pollution and the impact from economic change and energy structure [J]. China Industrial Economics, 2014,(4):19-31.

[2] 潘慧峰,王 鑫,张书宇.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[J]. 中国软科学, 2015,(12):134-143. Pan H, Wang X, Zhang S. Duration and spatial spillover effects of haze pollution—evidence from Beijing–Tianjin–Hebei region [J]. China Soft Science, 2015,(12):134-143.

[3] 向 堃,宋德勇.中国省域PM2.5污染的空间实证研究 [J]. 中国人口×资源与环境, 2015,25(9):153-159. Xiang K, Song D. Spatial analysis of China’s PM2.5pollution at the provincial level [J]. China Population, Resources and Environment, 2015,25(9):153-159.

[4] 《联合国气候变化框架公约》巴黎协定.联合国,巴黎, 2015.《United Nations Framework Convention on Climate Change》The Paris Agreement. United Nations, Paris, 2015.

[5] 刘华军,裴延峰.中国雾霾污染的环境库兹涅茨曲线检验 [J]. 统计研究, 2017,34(3):45-54. Liu H, Pei Y. An Empirical test of the environmental kuznets curve of China’s haze pollution [J]. Statistical Research, 2017,34(3):45-54.

[6] 冷艳丽,冼国明,杜思正.外商直接投资与雾霾污染——基于中国省际面板数据的实证分析 [J]. 国际贸易问题, 2015,(12):74-84. Leng Y, Xian G, Du S. Foreign direct investment and haze pollution: An empirical analysis based on provincial panel data [J]. Journal of International Trade, 2015,(12):74-84.

[7] 李 力,唐登莉,孔 英,等. FDI对城市雾霾污染影响的空间计量研究——以珠三角地区为例 [J]. 管理评论, 2016,28(6):11-24. Li L, Tang D, Kong Y, et al. Spatial economic analysis of impact of FDI on urban haze pollution—Case of the Pearl River Delta region [J]. Management Review, 2016,28(6):11-24.

[8] 李名升,任晓霞,于 洋,等.中国大陆城市PM2.5污染时空分布规律 [J]. 中国环境科学, 2016,36(3):641-650. Li M, Ren X, Yu Y, et al. Spatiotemporal pattern of ground-level fine particular matter PM2.5pollution in mainland China [J]. China Environmental Science, 2016,36(3):641-650.

[9] 郭 婷,朱 彬,康志明,等.1960~2012年长江三角洲地区雾日与霾日的气候特征及其影响因素 [J]. 中国环境科学, 2016,36(4):961- 969. Guo T, Zhu B, Kang Z, et al. Spatial and temporal distribution Characteristic of fog days and haze days from 1960~2012and impact factors over the Yangtze River Delta Region [J]. China Environmental Science, 2016,36(4):961-969.

[10] 张云伟,王晴茹,陈 嘉,等.城市街谷内PM2.5浓度时空变化及影响因素分析 [J]. 中国环境科学, 2016,36(10):2944-2949. Zhang Y, Wang Q, Chen J, et al. Temporal and spatial characteristic of pm2.5concentration in urban street canyons and analysis on the affecting factors [J]. China Environmental Science, 2016,36(10):2944- 2949.

[11] 王 琴,张大伟,刘保献,等.基于PMF模型的北京市PM2.5来源的时空分布特征 [J]. 中国环境科学, 2015,35(10):2917-2924. Wang Q, Zhang D, Liu B, et al. Spatial and temporal variations of ambient PM2.5source contributions using positive matrix factorization [J]. China Environmental Science, 2015,35(10):2917-2924.

[12] 马丽梅,刘生龙,张 晓.能源结构、交通模式与雾霾污染——基于空间计量模型的研究 [J]. 财贸经济, 2016,37(1):147-160. Ma L, Liu S, Zhang X. Study on haze pollution induced by energy structure and transportation: Based on spatial econometric model analysis [J]. Finance & Trade Economics, 2016,37(1):147-160.

[13] 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. Leng Y, Du S. Energy price distortion and haze pollution: The evidence from China [J]. Industrial Economics Research, 2016,(1):71- 79.

[14] 秦 蒙,刘修岩,仝怡婷.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 [J]. 财贸经济, 2016,37(11):146- 160. Qin M, Liu X, Tong Y. Does urban sprawl exacerbate haze pollution— An empirical study of fine particles PM2.5in Chinese city [J]. Finance & Trade Economics, 2016,37(11):146-160.

[15] 黄寿峰.财政分权对中国雾霾影响的研究 [J]. 世界经济, 2017, 40(2):127-152. Huang S. A study of empirical of fiscal decentralization on smog pollution [J]. The Journal of World Economy, 2017,40(2):127-152.

[16] 李根生,韩民春.财政分权、空间外溢与中国城市雾霾污染:机理与证据 [J]. 当代财经, 2015,(6):26-34. Li G, Han M. Fiscal decentralization, spatial spillover and China’s urban haze pollution: mechanism and evidences [J]. Contemporary Finance & Economics, 2015,(6):26-34.

[17] Guan D, Su X, Zhang Q, et al. The socioeconomic drivers of China’s primary PM2.5emissions [J]. Environmental Research Letters, 2014, 9(2):024010.

[18] 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, 2016,36(10): 3833-3839. Wang L, Chen J. Socio-economic influential factors of haze pollution in China: Empirical Study by EBA model using spatial panel data [J]. Acta Scientiate Circumstantiae, 2016,36(10):3833-3839.

[19] 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 [J]. 经济研究, 2016,(9):73-88. Shao S, Li X, Cao J, et al. China’s economic policy choices for governing smog pollution based on spatial spillover effects [J]. Economic Research Journal, 2016,(9):73-88.

[20] 李云燕,殷晨曦.京津冀地区PM2.5减排实效与影响因素的门限效应 [J]. 中国环境科学, 2017,37(4):25-32. Li Y, Yin C. Threshold effect of socio-economic factors influencing PM2.5in Beijing-Tianjin-Hebei [J]. China Environmental Science, 2017,37(4):25-32.

[21] 李国璋,江金荣,周彩云.全要素能源效率与环境污染关系研究 [J]. 中国人口×资源与环境, 2010,20(4):50-56. Li G, Jiang J, Zhou C. Relations between total factor energy efficiency and environmental pollution [J]. China Population, Resources and Environment, 2010,20(4):50-56.

[22] 东童童.全要素工业能源效率与雾霾污染的交互影响——以长江经济带为例 [J]. 城市问题, 2017,(11):85-93. Dong T. Interactive effect between industrial energy efficiency and haze pollution—Case of the Yangtze River Economic Belt [J]. Urban Problems, 2017,(11):85-93.

[23] Van D A, Martin R V, Brauer M, et al. Use of satellite observations for long-term exposure assessment of global concentrations of fine particulate matter [J]. Environmental Health Perspectives, 2015,123(2): 135.

[24] Chung Y H, Färe R, Grosskopf S. Productivity and undesirable outputs: A directional distance function approach [J]. Microeconomics, 1995,51(3):229-240.

[25] Elhorst J.“Spatial Panel Data Models,”Handbook of Applied Spatial Analysis, Springer: Berlin Heidelberg New York, 2010a:377－407.

[26] 国家统计局.中国统计年鉴 [M]. 北京:中国统计出版社, 2002-2016. National Bureau of Statistics. China Statistical Yearbook [M]. Beijing: China Statistics Press, 2002-2016.

[27] 国家统计局.中国科技统计年鉴 [M]. 北京:中国统计出版社, 2002-2016. National Bureau of Statistics. China Statistical Yearbook on Science and Technology [M]. Beijing: China Statistics Press, 2002-2016.

[28] 国家统计局.中国环境统计年鉴 [M]. 北京:中国统计出版社, 2002-2016. National Bureau of Statistics. China Statistical Yearbook on Environment [M]. Beijing: China Statistics Press, 2002-2016.

[29] 国家统计局.中国能源统计年鉴 [M]. 北京:中国统计出版社, 2002-2016. National Bureau of Statistics. China Energy Statistical Yearbook [M]. Beijing: China Statistics Press, 2002-2016.

[30] 国家统计局.中国经济普查年鉴 [M]. 北京:中国统计出版社, 2002-2016. National Bureau of Statistics. China Economic Census Yearbook [M]. Beijing: China Statistics Press, 2002-2016.

[31] Elhorst J. “Matlab Software for Spatial Panels.” Presented at the IVth World Conference of the Spatial Econometrics Association (SEA), Chicago, 2010b.

[32] 王维国,范 丹.中国区域全要素能源效率收敛性及影响因素分析——基于Malmqulist-Luenberger指数法 [J]. 资源科学, 2012, 34(10):1816-1824. Wang W, Fan D. Influential factors and convergence of total factor energy efficiency in China based on the Malmqulist‑Luenberger index [J]. Resources Science, 2012,34(10):1816-1824.

[33] 李小胜,宋马林,安庆贤.中国经济增长对环境污染影响的异质性研究 [J]. 南开经济研究, 2013,(5):96-114. Li X, Song M, An Q. The heterogeneity research of the impact of China’s economic growth on environmental pollution [J]. Nankai Economic Studies, 2013,(5):96-114.

[34] 朱平辉,袁加军,曾五一.中国工业环境库兹涅茨曲线分析——基于空间面板模型的经验研究 [J]. 中国工业经济, 2010,(6):65-74. Zhu P, Yuan J, Zeng W. Analysis of Chinese industry environmental kuznets curve—Empirical study based on spatial panel model [J]. China Industrial Economics, 2010,(6):65-74.

[35] 黄亮雄,王 鹤,宋凌云.我国的产业结构调整是绿色的吗? [J]. 南开经济研究, 2012,(3):110-127. Huang L, Wang H, Song L. Is China’s industrial change green? [J]. Nankai Economic Studies, 2012,(3):110-127.

The spatial effect of region energy efficiency on haze pollution—Empirical analysis based on the Spatial Durbin Model.

ZHANG Xiao-bo, WANG Jian-zhou*

(School of Statistics, Dongbei University of Finance and Economics, Dalian 116025, China)., 2019,39(4)：1371~1379

A new spatial Durbin model was built to study the impact of total factor energy efficiency (TFEE) on haze pollution in China. The built model was utilized to analyze the PM2.5data of 29 provinces in China during 2001~2015. The results showed that the haze pollution in most of provinces presented a reverse “U” shape and the development trend of the haze pollution was decreasing. No matter the geographical neighboring weights or the economic weights were considered, there existed a significant spatial agglomeration effect in the haze pollution between the provinces of China. In addition, when controlling other factors, the TFEE was found to have a significant negative and spatial spillover effect on the haze pollution. It showed that improving the TFEE would not only reduce the haze pollution of local regions but also had a significantly negative impact on the haze pollution of their neighbors. From the results of decomposition of the TFEE, it was found that the technical progress and the technical efficiency both have significantly negative impacts on the haze pollution. It was also observed that the technological progress had greater direct effect than the technological efficiency, but the indirect effects of both were significantly greater than the direct effects of both. This revealed that technology diffusion played an important potential role for the haze pollution. In conclusion, to promote the potential effect of the TFEE in tackling the haze pollution, it would be very important to optimize industrial structure, explore new energy technology and strengthen the exchanges and cooperation in technology among regions.

haze pollution；total factor energy efficiency；spatial spillover Effect；Spatial Durbin Model

X24

A

1000-6923(2019)04-1371-09

2018-09-30

国家社科基金重大项目(17ZDA093)

*责任作者, 教授, wangjz@dufe.edu.cn

张小波(1988-),男,河南周口人,东北财经大学统计学院博士研究生,研究方向为资源与环境综合评价、能源市场建模与预测.发表论文3篇.