省域FDI与雾霾污染的空间相关性分析

曾 浩 申 俊

基于1998—2018年省域雾霾污染PM2.5浓度数据和FDI数据，采用全局Moran’s I和局部热点分析方法对我国省域FDI与雾霾污染PM2.5进行空间相关性分析，并建立空间计量模型以外商直接投资对省域雾霾污染的影响进行研究。可以发现：（1）省域雾霾污染PM2.5浓度与FDI具有显著的相关性特征，全局相关性总体趋势表现为增长-减小-增长-减小的“M”型发展态势，两者呈现同方向性波动；（2）在我国省域层面，FDI促进了我国省域雾霾污染PM2.5浓度的提高，“污染天堂”假说成立；（3）其他影响因素分析中，经济发展、交通运输、产业结构与能源结构对PM2.5浓度起着促进作用，而建成区绿化覆盖率对省域雾霾污染PM2.5浓度起着降低作用。

一、引言及相关文献回顾

改革开放以来，我国已成为全球吸引外商投资最多的发展中国家［1］，据商务部商务数据中心显示，仅2018年全年我国新设立外商投资企业已超过六万家，达到60533家，当年实际使用外资金额达到1349.7亿美元。大量的外商投资成为我国经济发展的主要驱动因素之一。但随着外商直接投资规模的扩大，外商通过直接投资方式将大量高污染、高消耗的产业转移到我国，也给我国带来了较大的环境压力。特别是以雾霾污染为代表的空气污染频发、影响广泛，治理难度大，污染防治与防范化解重大风险、精准脱贫被称为我国三大攻坚战。重新审视外商直接投资（FDI）与雾霾污染（PM2.5）的关系对实现我国经济高质量发展与生态文明建设具有重要意义。因此，本文从FDI的环境效应角度对雾霾污染（PM2.5）浓度影响来揭示两者的关系，以期为治理雾霾和引进外资提供经验研究。［2］

在外商直接投资对东道国环境产生的影响研究中，存在两种不同的观点。第一种是“污染天堂”假说，即恶化论的观点，该观点是认为通过FDI引进的高污染企业进入环保标准较低的发展中国家，会带来污染转移，使东道国的环境质量有所恶化，在学术界已有研究中，Pao和Tsai［3］、Kivyiro［4］通过采用自回归滞后模型分别对俄罗斯、非洲地区部分国家进行实证研究发现，FDI是造成这些国家环境质量影响的因素，而Ong和Sek［5］采用VAR模型研究发现FDI对中、低收入国家的环境质量有着较为显著的增促作用。在对中国的实证研究中，Zhang and Fu［6］、周力和李静［7］、严雅雪和齐绍洲［8］等人的研究验证了FDI对中国也是起着恶化环境的作用。但同时也存在着另一种观点，即“污染光环”假说，这一观点与恶化论相反，认为FDI是以新进科学技术及产业进入东道国，对其环境质量提高起着促进作用。在相关研究中，Hassaballa［9］验证了FDI通过技术溢出效应对环境质量会产生促进作用，许和连和邓玉萍［10］、宋德勇［11］、盛斌［12］等人通过研究发现FDI对我国环境质量起到改善作用，而施震凯、邵军［13］等人基于SpVAR模型研究发现1998—2010年间FDI初期是存在“污染天堂”效应，后期转换为“污染光环”效应，李力［14］等人在对2006—2013年间FDI对珠三角雾霾污染影响的研究中发现，FDI对珠三角地区环境质量起到促进改善作用。在研究方法上，传统的计量模型主要是从FDI与环境之间的线性关系向非线性关系进行发展，包括测度两者关系曲线的拐点，评估FDI的门槛效应等，但随着空间计量经济学模型的发展，学者普遍认识到包括雾霾污染在内的环境污染具有很强的空间溢出效应，传统的计量模型并不能将空间因素纳入研究中，区域的空间相关性对本区域的环境质量有着重要影响，因此不少学者提出应将空间因素纳入到环境领域研究中。

现有研究虽取得了一定成果，但相关研究受限于我国PM2.5数据开展监测工作较晚，表征雾霾污染多以PM10、AQI、SO2、NOx等常规空气污染物作为替代变量，但实际上，PM2.5由于其体积小，对人类危害极大，在空气中停留之间较长，是最能表征雾霾污染的指标。因此，本文通过解析卫星监测PM2.5遥感数据源，选用1998—2018年较长时间序列下PM2.5浓度数据来表征雾霾污染，来分析省域FDI与雾霾污染PM2.5浓度之间的空间动态关系，有利于精确掌握FDI对雾霾污染PM2.5浓度的影响，从而有效治理雾霾污染与实现经济高质量发展。

二、研究方法与模型构建

（一）探索性空间数据分析方法

探索性空间数据分析方法是广泛用于探测空间相关性的分析方法，为了验证省域FDI与雾霾污染PM2.5浓度值的空间相关性，需具体运用全局空间自相关与局部空间自相关分析方法。

1.全局空间自相关。全局空间自相关方法是从整体分析省域FDI与雾霾污染PM2.5浓度值的空间分布状况，主要是运用全局Moran’s I指数来进行考察［15］，公式为：

2.局部空间自相关。局部空间自相关是从更加微观的局部来考察各省份i和j的FDI、PM2.5浓度值之间是否存在高值与低值在空间上的集聚状况。具体采用的测度方法为Getis-Ord G*i指数。［15］公式为：

将上式标准化处理可得：

显著条件下Z值＞1.96或＜-1.96，Z值的正负分别为FDI与PM2.5高值区域与低值区域的集中，即热点区与冷点区。

（二）空间计量模型构建

依据Grossman提出的EKC理论，认为环境质量随着经济增长而出现恶化，但到达某临界值后，环境质量会得到提高，呈现为“倒U型”曲线［16-17］，但在实际研究过程中两者关系也呈现出“N”型或其他形状曲线，FDI在实际中是通过经济增长来影响环境，基于此，本文空间计量模型相关变量如下：

被解释变量：PM2.5（PM2.5it），本文采用的1998—2015年全国各省域年均PM2.5浓度值数据来源于哥伦比亚大学社会经济研究和应用中心公布的基于卫星监测的全球PM2.5浓度均值的栅格数据源［18］，具体采用ArcGIS软件将其解析为1998—2015年全国各省域年均PM2.5浓度值，该数据源可信度高，国内外研究学者积极将其应用到对各国及各地区雾霾污染的研究中，取得了较好的研究效果。此外，2016—2018年省域PM2.5浓度数据是通过对国家环保部门公开信息平台发布的数据进行采集获取。

核心解释变量：外商直接投资（FDI）。本文采用全国省域实际利用外资额作为替代变量，由于统计数据中外商直接投资额是以美元作为单位，在数据处理时首先将其换算成人民币单位，再通过平减指数方法来消除价格影响，从而得到当年实际数值。［14］

控制变量：经济发展（AGDP）：人均GDP代表了各省域的经济发展水平状况，本文采用的人均GDP数据需要经过平减指数得到真实的数值，仍以1998年为基期进行处理，同时加入人均GDP二次项来观察是否形成“倒U型”曲线，因此采用人均GDP表示经济发展水平对雾霾污染的影响。交通运输（CAR）：以私人汽车拥有量作为替代变量，随着我国经济增长，私人汽车拥有量逐年递增，城市道路拥堵现象突出，汽车尾气中的CO、NOx等污染物排放是雾霾污染产生的重要来源，以私人汽车拥有量作为交通运输对雾霾污染影响的替代变量；建成区绿化覆盖率（GRE）：城市绿地对包括雾霾污染在内的空气污染起着较强的吸附作用，能够起着对雾霾污染PM2.5浓度的稀释作用，可以有效降低雾霾污染，以建成区绿化覆盖率作为城市绿地对雾霾污染影响的替代变量；产业结构（IS）：以第二产业增加值占GDP比重来反映产业结构对雾霾污染的影响，第二产业在三次产业污染物排放中仍是最突出的产业，工业发展中的大量污染物排放加剧了雾霾污染，以第二产业增加值占GDP比重作为产业结构对雾霾污染影响的替代变量；能源结构（ES）：以分地区煤炭消费量占分地区能源消费总量比重作为能源结构的替代变量，我国能源消费结构仍以煤炭消费占据较大比重，而煤炭等矿物燃料燃烧对雾霾污染产生较大影响，以煤炭消费量占能源消费总量比重作为能源结构对雾霾污染影响考察的替代变量；人口集聚（DP）：以人口密度作为城市人口集聚状况的替代变量，人口集聚过程中的生产生活方式会对雾霾污染产生一定影响，以人口密度作为人口集聚对雾霾污染影响考察的替代变量。在构建空间计量模型前首先对数据进行取对数处理，从而有效降低数据波动性及模型的异方差性。

根据空间计量模型的基本形式，分别构建省域FDI对雾霾污染PM2.5浓度影响的空间滞后模型（SLM）与空间误差模型（SEM）两种形式，具体构建的计量模型如下所示，其中省域FDI对雾霾污染PM2.5浓度影响的空间滞后模型（SLM）：

式（4）中，ρ表示是空间自回归系数，W表示是空间权重矩阵，WlnPM2.5it是表示空间滞后变量，ε是随机误差项。

省域FDI对雾霾污染PM2.5浓度影响的空间误差模型（SEM）：

式（5）中，λ表示空间误差移动平均系数，Wεit是空间滞后误差项，其他参数含义与空间滞后模型SLM相同。

本文所有变量数据来源于1999—2018年《中国统计年鉴》及国家统计局网站、各省市统计年鉴、国民经济和社会发展统计公报及生态环境状况公报等。

三、实证分析

（一）空间相关性分析

1.全局空间自相关。根据全局Moran’s I指数值结果来分析省域FDI全局空间相关性和PM2.5浓度全局空间相关性，结果如表1所示。

从表1可以看出，研究期1998—2018年全国省域FDI和雾霾污染PM2.5浓度的全局Moran’s I值均大于0，且全局Moran’s I值远离期望值E(I)(-0.007937)，表明省域FDI和省域雾霾污染PM2.5浓度均具有显著的空间集聚特征。1998—2018年省域FDI全局Moran’s I值在0.132167-0.381583范围内，均通过了10%显著性水平检验，全局Moran’s I值总体呈现出增长—减小—增长—减小的“M”型波动趋势，1998—2005年间，省域FDI全局Moran’s I值呈现出总体增长态势，表明此阶段省域FDI全局空间相关性在不断加强，省域FDI表现出较强的空间集聚状态，而2006—2011年间，省域FDI全局Moran’s I值由0.33643降低至0.155595，表明这一阶段省域FDI在空间上由集聚向分散进行发展，全局相关性特征有所减弱；2011—2015年，省域FDI全局Moran’s I值由0.155595增长至研究期内最大值0.381583，这表明此阶段省域FDI全局相关性特征又呈现出不断增强的态势，空间集聚特征更加显著；2015—2018年呈现出波动发展态势，省域FDI全局Moran’s I值由2015年时的0.381583下降至2017年0.163737，到2018年时回升至0.330307。

表1 1998—2018年省域FDI和雾霾污染PM2.5浓度的全局Moran’s I指数值

由省域雾霾污染PM2.5浓度全局Moran’s I值结果研究所得，省域雾霾污染PM2.5浓度全局Moran’s I值在0.344646-0.511294，均通过了1%显著性检验，省域雾霾污染PM2.5浓度全局Moran’s I值也呈现出增长—减小—增长—减小的波动趋势，其中1998—2003年，省域雾霾污染PM2.5浓度全局Moran’s I值由0.364612波动增长至2003年的0.511294，2003年省域雾霾污染PM2.5浓度全局Moran’s I值达到研究期内的最大值，表明此阶段省域雾霾污染PM2.5浓度具有显著的空间正相关性，空间集聚现象突出；而2003—2010年间，省域雾霾污染PM2.5浓度全局Moran’s I值由0.511294降低至0.397363，表明省域雾霾污染PM2.5浓度空间集聚现象有所减弱；2010—2015年间，省域雾霾污染PM2.5浓度全局Moran’s I值由0.397363波动增长至0.474766，表明此阶段省域雾霾污染PM2.5浓度全局相关性在不断增强；2015—2018年呈现的态势与省域FDI保持一致，省域雾霾污染PM2.5浓度全局Moran’s I值由2015年的0.474766 下降至2017年0.360235，到2018年时回升至0.380425。

将省域FDI和省域雾霾污染PM2.5浓度全局Moran’s I值结果进行比较，可以得出省域雾霾污染PM2.5浓度空间相关性与省域FDI呈现同向波动趋势，这说明全国省域FDI和雾霾污染PM2.5浓度在空间上均存在显著的空间正相关性，在空间上集聚特征较为显著。

2.局部空间自相关。全局空间Moran’s I指数值是对省域FDI与省域雾霾污染PM2.5浓度全局相关性进行判别，但对空间相关性进行分析时仍需引入局部空间相关性研究方法，该方法可以对省域FDI和PM2.5局部空间相关性特征进行可视化研究，本文分别选择1998年、2008年和2018年作为时间节点，采用ArcGIS软件基于自然断裂法生成空间格局热点演化图，分别形成四类区域：热点区、次热点区、次冷点区和冷点区，通过对比省域FDI与PM2.5浓度热点区、次热点区、次冷点区和冷点区，来分析两者的局部空间演化特征。

由图1和图2所示，省域FDI在1998年的热点区包括湖北、安徽、江西、浙江、福建和海南；次热点区包括江苏、上海、辽宁、湖南、贵州、广西和广东；次冷点区包括京津冀、山西、河南、山东、重庆、黑龙江、吉林、内蒙古和重庆；冷点区包括新疆、青海、甘肃、宁夏、陕西、四川、云南和西藏。省域PM2.5浓度在1998年的热点区为：京津冀、山东、河南、安徽、江苏和上海；次热点区包括内蒙古、辽宁、宁夏、陕西、山西、湖北、江西和浙江；次冷点区包括黑龙江、吉林、甘肃、重庆、贵州、湖南、广西、广东、福建和海南；冷点区包括新疆、青海、西藏、四川和云南。

省域FDI在2008年热点区包括江苏、上海、浙江、福建、安徽、江西和湖北；次热点区包括辽宁、河北、北京、天津、山西、河南、山东和湖南；次冷点区包括黑龙江、吉林、内蒙古、陕西、贵州、广西和广东；冷点区包括新疆、甘肃、青海、宁夏、西藏、四川、重庆和云南。省域PM2.5浓度2008年热点区包括京津冀、山东、河南、安徽、江苏、上海、湖北、陕西和山西；次热点区包括内蒙古、吉林、辽宁、江西、浙江和福建；次冷点区包括四川、重庆、贵州和湖南；冷点区包括黑龙江、新疆、青海、甘肃、西藏、云南、广西、广东和海南。

省域FDI在2018年热点区包括河南、湖北、安徽、江苏、上海和浙江；次热点区包括山西、陕西、辽宁、京津冀、山东、湖南、江西和福建；次冷点区包括宁夏、吉林、内蒙古、重庆、贵州、广西、广东和海南；冷点区包括黑龙江、新疆、甘肃、青海、四川、云南和西藏。省域PM2.5浓度2018年热点区包括宁夏、陕西、山西、京津冀、河南、湖北、山东和江苏；次热点区包括辽宁、吉林、内蒙古、甘肃、重庆、安徽和上海；次冷点区包括黑龙江、四川、云南、贵州、湖南、江西、浙江和福建；冷点区包括广东、广西、海南、青海、新疆和西藏。

通过对比省域雾霾污染PM2.5浓度和FDI四类区域进行分析所得，1998年省域PM2.5热点区域以京津冀和长三角北部区域为主，次热点区仅围绕在热点区周围，而省域FDI热点区以长江中下游地区为主，次热点区分布在热点区周围，以南部省份为主；而到了2008年，省域雾霾污染PM2.5浓度热点区范围更广，在1998年基础上向西部进行移动，涵盖了华北地区及长江中下游地区，次热点区域有所收缩，而省域FDI热点区变化范围不大，仅增加了江苏和上海，但次热点区由南部向北部转移趋势较为明显，华北地区由次冷点区转换为次热点区；2018年省域雾霾污染PM2.5浓度热点区进一步扩大，以京津冀、山西、陕西、宁夏、山东、江苏、河南和湖北形成了热点区，在其周围北部的内蒙古、辽宁、吉林，西部的甘肃和南部的重庆、安徽和上海形成了雾霾污染的次热点区，次冷点区以黑龙江和长江经济带所辖四川、云南、贵州、湖南、江西、浙江六省以及福建所组成，而省域FDI的热点区域2018年变化较为有限，仅在2008年的基础上，河南由次热点区转换为2018年的热点区，江西和福建由2008年的热点区转换为2018年的次热点区。与省域雾霾污染PM2.5浓度四类区域变化相比，省域FDI四类区域变化较为稳定，这表明外商直接投资在我国已形成了较为稳定的投资区域。

通过分析可以看出我国雾霾污染（PM2.5）高集聚区主要集中在京津冀和长三角地区以及与这两大区域相连接的中部地区，空间集聚态势较为明显，这一区域长期处于较为稳定的状态［19-20］。而我国省域FDI的高集聚区主要集中在长三角及中部地区，FDI与雾霾污染（PM2.5）高集聚分布重叠区域多集中在长三角、京津冀等地区，而两者低集聚区域重叠多分布在西部地区。究其原因，这与京津冀、长三角地区产业结构及其调整有密切联系，该区域的第二产业发展规模较大，随着东部地区的产业调整，连接东部地区的中部省份凭借地理优势承接了东部地区污染型、高耗能的产业，因此在东部地区京津冀、长三角及连接该区域的中部省份共同形成了雾霾污染（PM2.5）高集聚区［19-20］。同时，该区域基础设施发展完善，人力资源丰富，吸引大量FDI投资，因此在空间上与雾霾污染（PM2.5）高聚集区形成了重叠。

（二）省域FDI对雾霾污染PM2.5浓度影响的空间计量分析

由于省域PM2.5具有显著的空间相关性，这与传统计量经济学模型中的空间均质分布假设不同，因此需要构建空间计量经济学模型来解决常规计量模型不能有效解决空间效应问题。在对PM2.5浓度进行空间计量分析之前，需要对空间误差模型SEM和空间滞后模型SLM进行判别，依据Anselin提出的空间计量模型判定准则，其判定依据是根据空间误差模型SEM和空间滞后模型SLM的拉格朗日算子及其稳健形式来进行区分，具体过程是首先依据Moran指数来判断研究对象的空间自相关性，再依据空间滞后模型与空间误差模型的检验系数LMEER和LMLAG进行判别，R-LMEER和R-LMLAG是基于朗格朗日算子稳定性检验的补充，将LMEER与LMLAG先进行比较，更显著一方作为解释模型，而两者较为接近时则观察R-LMEER和R-LMLAG，更显著一方作为判定模型。［19］本文构建的计量模型分析结果显示LMLAG比LMEER更显著，因此空间滞后模型SLM最为本文的解释模型。在观察空间固定效应模型、时间效应模型与双向固定效应模型，结合R2与Log-Likelihood的结果进行分析，空间滞后模型SLM中的时空双固定模型的估计结果相比空间固定模型和时间固定模型而言更为合适，因此应选择空间滞后模型SLM中的时空双固定模型作为判定模型，来解释省域FDI对省域雾霾污染PM2.5的影响。空间计量模型结果如表2所示。

表2 空间计量模型结果

通过对空间计量模型的结果进行分析，从空间滞后模型SLM的时空双固定模型估计结果来看，得出以下结论：

第一，省域FDI对省域雾霾污染PM2.5具有显著的负向影响。通过空间计量模型的结果显示，对比空间滞后模型SLM中的时空双固定模型结果显示出省域FDI对雾霾污染的影响系数为0.0291，这表明省域FDI对省域雾霾污染PM2.5浓度的提高是起着促进作用，FDI每升高1%，则省域雾霾污染PM2.5浓度升高0.0291%，说明省域FDI是造成我国省域雾霾污染的“促增”因素，“污染天堂”在我国省域层面成立。这一结论形成的重要原因可能是受到FDI的规模效应影响，改革开放以来，我国吸引了大量外商投资入境促进了经济的发展，但同时由于早前外商投资准入门槛较低，既造成资源的过度开发与能源消耗，也对我国的生态环境造成了一定破坏，因此，适度控制FDI对我国省域雾霾污染PM2.5浓度有防治作用。

第二，从空间计量模型的整体结果来看，不管是空间滞后模型SLM还是空间误差模型SEM的回归系数和均为正值，且都通过了1%显著性水平检验，这表明我国省域雾霾污染PM2.5具有显著的空间溢出效应，这说明一个地区的雾霾污染不但受其自身影响，还受周边其他区域雾霾污染的影响。观察空间滞后模型SLM的时空双固定模型的结果为0.7432，这表明相邻省域的区域雾霾污染PM2.5较为严重，则本地区的雾霾污染PM2.5也不同程度会受到一定的影响，结果表明若省域相邻地区的雾霾污染PM2.5浓度每升高1%，则本省域单元的雾霾污染PM2.5浓度将升高0.7432%，雾霾污染的空间集聚现象较为突出。究其原因，一方面雾霾污染PM2.5不仅受自身社会经济影响因素的影响，还受风向及区域传输的影响，此外，近些年来的东中西部间的产业承接与转移也对区域雾霾污染的空间相关性起着重要的促进作用，京津冀和长三角地区及其中部连接省份间的产业转移，意味着京津冀、长三角地区自身产业结构调整后形成了产业“绿色发展”，而邻近承接产业转移的欠发达省份将会形成污染加重的局面，从而导致产业结构调整伴随着“污染泄漏”效应的形成。［19-20］

第三，根据表2空间计量模型的结果，分析其他控制变量对省域雾霾污染PM2.5的影响。人均GDP这一变量的回归系数为0.0276，通过了5%的显著性水平检验，表明研究期内随着经济发展，其对雾霾污染PM2.5浓度的影响还是会起着“增促”的影响，但该系数值是所有控制变量中较小的数值，这也说明人均GDP增长对PM2.5浓度升高的作用已越来越微弱，可以预期我国在实施高质量发展和坚决打赢污染防治攻坚战的过程中，未来人均GDP的增长对PM2.5浓度的影响可能将由“增促”作用转换为“降促”作用，而人均GDP二次项并未通过显著性检验。私人汽车拥有量这一表征交通运输对PM2.5浓度的变量回归系数为0.0247，且通过了1%显著性水平检验，表明现阶段私人汽车拥有量仍对PM2.5浓度的提高起着促进作用，这与邵帅［20］等人的研究结论一致。而建成区绿化覆盖率这一表征绿地对PM2.5浓度作用变量的回归系数值为-0.1086，并通过了1%显著性水平检验，该系数值在所有变量回归系数绝对值最大，表明建成区绿化覆盖率对PM2.5浓度起着降低作用，并且起着较好的治理雾霾污染的效果；以第二产业增加值占GDP比重为替代变量来表征产业结构对PM2.5浓度的回归系数为0.0654，并且通过了1%显著性水平检验，这表明第二产业仍是对PM2.5浓度提升的重要影响因素；以煤炭消费量占能源消费总量来表征能源结构对PM2.5浓度的回归系数为0.0976，并通过了1%显著性水平检验，该系数值在所有变量回归系数中仅次于建成区绿化覆盖率，表明我国以煤炭为重要的能源消费结构对PM2.5浓度的提高起着较为显著的促进作用。人口密度对PM2.5浓度的回归系数值为0.0436，但没有通过显著性检验，因此人口密度对PM2.5浓度的提高这一影响并不能得到验证。

四、结论及建议

本文采用探索性空间数据分析方法，构建空间计量经济学模型方法，分析省域FDI对我国雾霾污染PM2.5浓度的影响，研究发现：

第一，我国省域FDI与省域雾霾污染PM2.5浓度间呈现显著的空间正相关性，在研究期1998—2018年省域FDI与省域雾霾污染PM2.5浓度的全局相关性都经历了增大-缩小-增大-缩小的变化态势，两者的变动趋势基本保持一致。

第二，从局部空间相关性分析发现，省域雾霾污染PM2.5热点区演化较为明显，热点区由1998年涵盖京津冀、山东、河南、安徽、江苏和上海向西扩展，到了2008年和2018年热点区涵盖华北和长江中下游大部分区域，次热点区围绕在热点区周围，而次冷点区在2018年时逐步形成以长江经济带内的四川、云南、贵州、湖南、江西、浙江和福建为主要范围。省域FDI热点区演化中，除福建省以外其他热点区均保持稳定，在省域FDI四类区域中，次热点区变化较为显著，由1998年的华南地区演变至2008和2018年的华北地区，2008年省域FDI热点演化图与2018年相比大部分省域形成的演化格局类型较为一致，仅少部分省份在热点区与次热点区间发生变动。

第三，通过空间计量模型分析发现，省域FDI对雾霾污染PM2.5浓度起着“增促”作用，“污染天堂”在我国省域层面成立；在其他控制变量上，经济发展、交通运输、产业结构与能源结构的替代变量对省域雾霾污染PM2.5浓度作用，建成区绿化覆盖率对省域雾霾污染PM2.5浓度起着降低作用。

根据本文的研究结果，针对未来引进FDI及治理雾霾污染，建议如下：

FDI引进应从规模引进转向质量引进。要以外商投资法和最新版外商投资准入负面清单为指导，注重清洁生产型和技术创新性企业的引进，提高FDI环境准入门槛，严格限制高能耗、高污染行业的进入；充分发挥FDI的技术效应，通过建立有效的激励机制，发挥FDI的技术优势，扩大其知识溢出效应和竞争效应，切实减少和控制主要空气污染物的排放量，进而减少雾霾发生的概率。

我国省域雾霾污染具有典型的空间相关性特征，2017和2018年我国雾霾污染治理总体取得显著成效，这与我国实行“联防联控”和多元协同治理的措施是密切相关的。区域性雾霾污染不仅需要区域内各政府相互协调，相互配合，共同治理，同时政府应积极发动社会、群众力量，在未来治理雾霾过程时继续加强引导跨区域合作和多元协同治理。同时，在东中西部间产业转移过程中要通过科技创新，促进产业升级与环境协同治理并举。东部地区要以科技创新为引领，积极开发与实现新能源市场化，中西部地区要规避“向底线赛跑”效应，完善和加强环境规制措施，提高引进外资质量。［8］

大力实施新旧动能转换，改变我国以煤炭为主的能源消费结构，实现清洁生产。在供给侧改革的背景下应大力实施调结构、清洁化发展第二产业，大力提高核能、风能等清洁能源在我国电力生产中的比重，以此助推我国经济高质量发展；积极发展城市公共交通体系，加强移动源的污染控制，严格机动车的污染排放标准，研发并推广使用新能源汽车，构建“车-油-路”一体化的机动车综合污染控制体系，促进居民出行便捷化、清洁化；此外，努力提高城市绿地覆盖面积提升绿地、植被对空气污染物的吸附作用。