京津冀城市群雾霾污染的时空特征与影响因素

任 毅，郭 丰，高聪聪

(重庆工商大学 长江上游经济研究中心，重庆 400067)

一、问题提出

2013年以来，中国雾霾污染频频爆发，雾霾污染给人体健康和社会经济发展带来了巨大危害[1-2]，空气质量恶化造成的经济损失占中国GDP的1%～8%[3-4]。京津冀城市群在国家层面具有重要的战略地位，2017年京津冀地区年末总人口数达11 247万人，占全国人口总数的8.1%，GDP总量达80 580亿元，占全国GDP总量的9.5%。与此同时，京津冀城市群也是中国雾霾污染最集中、最严重的区域，2016年和2017年雾霾污染最严重的城市排名中，前十名京津冀城市群就占了七个，分别是邢台、保定、石家庄、邯郸、衡水、廊坊和唐山，京津冀城市群及周边地区仍然是中国大气污染防治的主战场。京津冀以及周边地区高污染行业过度集中，未来京津冀治霾仍然面临着诸多的挑战与困境[5]。

《京津冀协同发展规划纲要》指出，要在生态环境保护等重点领域率先取得突破。十三五规划纲要指出，“加强大气污染联防联控，实施大气污染防治重点地区气化工程，细颗粒物浓度下降25%以上。”十九大报告指出，“着力解决突出环境问题，坚持全民共治、源头防治，持续实施大气污染防治行动，打赢蓝天保卫战。”中国经济发展已经进入高质量发展新时代，高质量的生态环境是高质量发展的主要内容之一，经济发展速度固然重要，但应更加注重经济高质量发展，实现经济增长数量和质量的有机统一。对京津冀城市群近几年PM2.5的时空分布特征以及社会经济影响因素进行探究，对改善京津冀雾霾污染现状和打赢蓝天保卫战具有重要的现实意义。

二、文献综述

中国对雾霾污染PM2.5的地面监测始于2013年，2013年之前中国雾霾污染PM2.5数据都是卫星影像数据，较多的文献使用卫星影像数据探讨了中国省级层面雾霾污染的空间溢出效应[5-8]，周亮等(2017)使用2000—2011年的大气遥感影像数据，探讨了中国城市层面PM2.5的时空演变特征与驱动因素[9]。刘海猛等(2018)基于卫星所得的栅格数据对2000—2014年京津冀202个区县PM2.5浓度的时空特征和影响因素进行了分析[10]。近几年对雾霾污染问题的关注增加，且地面监测的PM2.5数据可得，较多的文献从不同层面对PM2.5的时空特征进行了分析，一些学者从全国城市层面分析了PM2.5和AQI的年度、季度和月度的时空演变特征[11-15]，也有学者探讨了不同区域雾霾污染的时空特征[16-18]。京津冀地区是中国雾霾污染的重灾区，周磊等(2016)考察了京津冀及周边共49个城市2013年1—12月的时空特征[19]。杨兴川等(2017)分析了2016年京津冀地区雾霾污染的时空特征并使用相关性分析方法探讨了气象因素对雾霾污染的影响[20]。一些学者使用AR模型、格兰杰因果检验和脉冲响应函数研究了京津冀地区城市雾霾污染的空间溢出效应[21-22]，马晓倩等(2016)使用相关性分析方法考察了京津冀自然气象因素与社会经济影响因素对雾霾污染的影响[23]。周曙东等(2017)运用两段式分布模型探讨了经济因素与自然环境因素对北京、天津和石家庄PM2.5的影响[24]。李云燕和殷晨曦(2017)实证检验了京津冀社会经济因素对PM2.5的非线性影响[25]。回莹等(2018)采用雾霾卫星遥感数据分析了2000—2012年河北省雾霾的空间溢出效应和社会经济影响因素[26]。

综上文献回顾，现有研究存在以下不足：第一，较多的文献使用的卫星观测数据难以准确反映近地面雾霾污染情况，也难以分析某个地区季度以及月度雾霾污染的时空演变特征。第二，较多的文献从全国城市层面以及区域城市层面对雾霾污染的时空特征进行了分析，从城市层面对京津冀地区2013年以来雾霾污染时空演变特征的研究较少。第三，关于京津冀雾霾污染的相关研究较多地忽视了雾霾污染之间的空间依赖性，这样的回归结果可能会存在一定程度的偏误，仅使用格兰杰因果检验和脉冲响应函数研究京津冀地区城市雾霾污染的空间溢出效应和相关性分析方法探讨雾霾污染的影响因素，这存在一定的不足。城市是中国雾霾污染的重地，京津冀城市群是中国雾霾污染的重灾区，基于此，本文将使用地面监测的雾霾污染PM2.5数据，系统和全面地对京津冀城市群13个城市2014—2017年雾霾污染的时间特征(年度、季度和月度层面)和空间特征(年度和季度层面)进行分析，同时使用探索性空间数据分析方法考察雾霾污染的空间相关性，使用空间计量模型分析雾霾污染的空间溢出效应与社会经济影响因素。

三、京津冀PM2.5的时空演变特征

(一)PM2.5时间演变特征

本文将从年度、季度和月度三个时间维度来对京津冀城市群PM2.5浓度进行分析，结合2014—2017年的数据，归纳总结京津冀城市群PM2.5短期变化特征。

1.PM2.5年度演变趋势

图1 2014—2017年京津冀城市群PM2.5浓度年均值核密度估计

根据2014—2017年PM2.5浓度监测数据计算可知，京津冀城市群PM2.5浓度年均值呈下降趋势。具体来看，2014—2017年京津冀城市群PM2.5浓度均值依次为91.37ug/m3、76.52ug/m3、70.04ug/m3和64.48ug/m3。2017年PM2.5浓度均值较2014年下降了26.89ug/m3，降幅达29.43%。为了形象描述京津冀城市群PM2.5浓度的变化特征，本文绘制了2014—2017年PM2.5浓度年均值的核密度估计图。从图1可以看出，核密度曲线逐年向左平移，波峰也呈现出较为明显的向左上方平移趋势，进一步说明了京津冀城市群PM2.5逐年下降，PM2.5浓度较高的城市数量逐渐减少。由核密度图可知，PM2.5年均浓度低于60ug/m3的城市较少，雾霾污染较为严重的城市改善幅度较大，PM2.5年均浓度高于100ug/m3的城市逐年减少。

2.PM2.5季度演变趋势

图2 2014—2017年京津冀城市群PM2.5浓度季节均值

图3 2014—2017年京津冀城市群PM2.5浓度月度变化趋势

图2描述的是2014—2017年京津冀城市群PM2.5浓度季节均值。由图2可知，春季、夏季和冬季PM2.5浓度呈现出逐年下降的趋势，秋季的PM2.5浓度呈现出先下降后上升然后再下降的趋势。从各季节PM2.5浓度下降幅度来看，京津冀城市群各季度PM2.5浓度均值降幅明显，秋季的PM2.5浓度值下降幅度最大，从2014年的91.03ug/m3下降到2017年的57.79ug/m3，降幅为36.52%；冬季的PM2.5浓度下降幅度最小，从2014年的127.28ug/m3下降到2017年的97.97ug/m3，降幅为23.03%。从2014—2017年各季节的PM2.5均值可以看出，京津冀城市群PM2.5呈现出“夏低冬高，春秋居中”的季节变化特征。春季、夏季、秋季和冬季的PM2.5均值分别为66.34ug/m3、53.73ug/m3、72.21ug/m3和110.13ug/m3，夏季和冬季的PM2.5均值相差56.40ug/m3，这与京津冀城市群冬季的降雨量、湿度和取暖方式等密切相关。夏季降雨大、湿度高等气候特征有利于稀释和扩散雾霾污染，冬季降雨量小、气候干燥、强逆温天气等气候条件不利于雾霾的扩散，且冬季燃煤取暖方式加剧了雾霾污染。

3.PM2.5月度演变趋势

图3描述的是2014—2017年京津冀城市群PM2.5浓度月度变化。由图3可知，总体上看，PM2.5浓度1—8月呈下降趋势，8—12月呈上升趋势，月度均值呈U型分布，这与“夏低冬高，春秋居中”的季节特征一致。从不同年份的同期月份来看，2014—2016年，PM2.5浓度均值1—8月呈现出逐步下降的趋势，2016年8—11月的PM2.5浓度月度均值比2015年的PM2.5浓度月份均值略有上升，12月份的PM2.5浓度月度均值呈现出上升趋势。2017年与2016年相比，1月、2月、5月、8月和9月同期PM2.5浓度月度均值略有上升，其余月份PM2.5浓度月度均值均呈下降趋势。2014—2017年，PM2.5浓度月度均值最大值与最小值的差值分别为84.54ug/m3、97.46ug/m3、111.77ug/m3和88.38ug/m3，每年月度均值的最大值与最小值差异呈现出先扩大后缩小的趋势；10月的PM2.5浓度降幅最大，下降了44.24%，1月的PM2.5浓度降幅最小，下降了11.09%；12月、1月和2月的PM2.5浓度仍然较高，从另一个侧面反映冬季的雾霾污染仍然较为严重，治理效果较差，应加强对冬季雾霾污染的治理。

(二)PM2.5空间演变特征

PM2.5浓度在不同城市之间的具体变化也存在差异。本文将从空间视角出发对京津冀城市群PM2.5浓度的年度和季度的空间演变特征进行分析。

1.PM2.5年度空间演变趋势

本文使用柱状图来描述2014—2017年京津冀城市群13个城市的PM2.5年均浓度均值，由图4可知，绝大多数城市雾霾污染呈下降趋势，仅石家庄2016年PM2.5浓度以及张家口和邯郸2017年PM2.5浓度略有上升，说明京津冀城市群各城市雾霾污染总体呈下降趋势。京津冀城市群南部的邯郸、邢台、石家庄、衡水、保定和沧州雾霾污染较严重，中部的北京、天津、廊坊和唐山次之，北部的张家口、承德和秦皇岛雾霾污染较轻，PM2.5浓度呈现出南高北低的特点。雾霾污染最为严重的是邯郸、邢台、石家庄、保定和衡水，雾霾污染较轻的是张家口、承德和秦皇岛。2014年，没有一个城市的PM2.5年均浓度低于二级浓度限值35ug/m3，2015—2016年，仅有张家口PM2.5年均浓度低于二级浓度限值35ug/m3，2017年，仅张家口和承德PM2.5年均浓度低于二级浓度限值35ug/m3，四年里没有一个城市的PM2.5年均浓度低于一级浓度限值15ug/m3，京津冀城市群雾霾污染得到了较大的改善，但污染现状仍不容乐观，治理雾霾污染任重而道远。

图4 2014—2017年京津冀城市群PM2.5年均浓度

2.PM2.5季节空间演变趋势

图5 2014—2017年京津冀城市群PM2.5浓度季节均值热力

图5为2014—2017年京津冀城市群PM2.5浓度季节均值热力图。由图5可知，夏季雾霾污染的范围和程度最小，其次是春季，秋季雾霾污染的范围和程度略高于春季，冬季雾霾污染的范围和程度最大。结合2014—2017年雾霾污染范围的动态变化来看，各季节雾霾污染范围呈逐步缩小趋势。整体上看，无论是春季、夏季、秋季或是冬季，京津冀城市群南部城市的雾霾污染相对较高，中部城市的雾霾污染水平居中，北部城市的雾霾污染相对较低。从历年各季节的PM2.5浓度看，各季节雾霾污染较高的城市主要有邯郸、邢台、衡水、石家庄、沧州和保定，各季节雾霾污染较低的城市主要有秦皇岛、承德和张家口。2014年冬季雾霾污染最为严重，保定、石家庄、衡水、邢台和邯郸五个城市的PM2.5浓度均超过了150ug/m3。到2017年这些城市冬季的PM2.5浓度仍在115ug/m3以上，京津冀城市群南部城市冬季雾霾污染形势依然严峻。

四、研究方法与数据

(一)全局空间自相关

全局莫兰指数(Moran’s I)和全局吉尔里指数(Geary’s C)都能用于全局聚类检验，能够测度区域间整体的空间相关程度。本文将使用全局莫兰指数和全局吉尔里(Geary’s C)指数对京津冀城市群雾霾污染的全局空间相关性进行考察。全局莫兰指数的取值范围为[-1，1]，全局吉尔里指数的取值范围为[0，2]，当I<0和C>1时表示城市间雾霾污染存在空间负相关性，当I越接近于-1和C越接近于2时表示雾霾污染的空间负相关性越强；当I>0和C<1时表示城市间雾霾污染存在空间正相关性，当I越接近于1和C越接近于0时表示雾霾污染的空间正相关性越强；当I=0和C=1时表示城市间雾霾污染不存在空间相关性。本文将采用二进制邻接权重矩阵，设定原则为：城市i和城市j相邻设为1，不相邻设为0，当i=j时也设为0。

(二)局域空间自相关

全局莫兰指数从整体上描述了雾霾污染的集聚情况，对于局域地区的集聚现象是否显著则需要引入局域莫兰指数进行考察。局域莫兰指数可表示为：

(1)

(三)模型设定

1.基本模型设定

艾立许和霍顿(Ehrlich & Holden，1971)[27]、霍顿和艾立许(Holden & Enrlich,1974)[28]提出了IPAT模型，该模型被广泛用于评价人口规模(P)、技术水平(T)和社会富裕程度(A)对环境压力(I)的影响，公式表达为I=P·A·T。IPAT模型只满足驱动因素单调、同比例的变化。迪茨和罗莎(Dietz & Rosa)[29]将IPAT模型进行了相关拓展，建立了随机形式的STIRPAT模型，弥补了环境压力与每个影响因素之间成等比例变化的不足，STIRPAT模型能够将各系数作为参数进行估计，也能对各影响因子进行适当的分解和改进。其公式如式(2)所示，对式(2)两边取对数后得到式(3):

I=αPβ1Aβ2Tβ3ε

(2)

lnI=lnα+β1lnP+β2lnA+β3lnT+lnε

(3)

本文同时引入能源消费、产业结构、绿化水平和对外开放水平四个相关影响因素，对式(3)进行扩展，建立的基本模型如下:

lnPMit=β0+β1lnPGDPit+β2lnPIit+β3lnTEit+β4lnINDit+β5lnECit+β6OPENit+β7GRit+εit

(4)

PM表示PM2.5年均浓度，社会富裕程度用人均GDP(PGDP)来表示，单位是元；人口规模用人口密度(PI)来表示，单位是人/平方公里；技术水平(TE)用R&D经费内部支出占GDP比重来表示，单位是%；产业结构(IND)用第二产业增加值占GDP比重来表示，单位是%；能源消费(EC)用能源消费总量表示，单位为万吨标准煤；对外开放水平(OPEN)用实际利用外商投资额表示，单位为万美元；绿化水平(GR)用建成区绿化覆盖率来表示，单位是%；β0—β7表示待估计的参数，ε为误差项，本文it下标表示该指标第i个城市第t年的值。本文对各个变量取对数，可以在一定程度上消除数据可能存在的异方差，使得数据更加平稳。

2.空间计量模型设定

考虑到京津冀城市群雾霾污染的空间溢出效应，为了更准确地分析京津冀城市群雾霾污染与社会经济发展的关系，本文引入空间滞后模型(SLM)和空间误差模型(SEM)进行探讨。本文设定的空间滞后模型和空间误差模型如式(5)、式(6)和式(7)所示：

(5)

lnPMit=β0+β1lnPGDPit+β2lnPIit+β3lnTEit+β4lnINDit+β5lnECit+β6OPENit+β7GRit+εit

(6)

(7)

式(5)中，ρ表示的是空间自相关系数，wij表示的是空间权重矩阵，其余变量与式(4)中变量的含义一致。

式(6)和式(7)中，λ是空间残差自相关系数，wij表示的是空间权重矩阵，其余变量与式(4)中变量的含义一致。

(四)数据来源

本文选取PM2.5浓度来表示雾霾污染水平。2014—2017年京津冀城市群PM2.5和AQI数据来源于“中国空气质量在线监测平台”。本文所使用的其他数据来源于2015—2018年的《北京统计年鉴》《天津统计年鉴》《河北经济年鉴》和《中国城市统计年鉴》以及2014—2017年河北省各地级市国民经济和社会发展统计公报，部分缺失的数据通过插值法处理得到。

五、实证分析

(一)PM2.5全局空间相关性分析

表1计算了2014—2017年京津冀城市群雾霾污染PM2.5浓度的全局莫兰指数和全局吉尔里指数，从表1可以看出，无论是莫兰指数还是吉尔里指数，全局空间自相关系数均为正且都通过了5%显著性水平的检验，莫兰指数处于0.275—0.425，吉尔里Geary’s C处于0.514—0.651，说明京津冀城市群雾霾污染具有明显的空间正相关性和显著的空间依赖特征，也证实了京津冀城市群雾霾污染空间溢出效应的存在。

表1 2014—2017年京津冀城市群PM2.5的全局莫兰指数和全局吉尔里指数

注：*、**、***分别表示通过了显著性10%、5%和1%的检验。

图6为2014—2017年京津冀各城市雾霾污染的莫兰散点图。由图6可知大多数城市都位于典型的观测区域，只有少数城市位于非典型的观测区域。2014—2017年，位于非典型观测区域的城市个数分别为2、4、5和4个，分别占总城市总数的15.38%、30.77%、38.46%和30.77%。高-高集聚主要分布在石家庄、邯郸、邢台、衡水和沧州，低-低集聚主要分布在秦皇岛、张家口和承德。雾霾污染散点图从内部结构也说明了京津冀城市群雾霾污染正空间相关性的稳定性[30]。

图6 2014—2017年京津冀城市群PM2.5的莫兰散点图

(二)PM2.5局部空间相关性分析

表2列出了京津冀城市群PM2.5局域空间自相关显著性结果。显著的高-高集聚主要分布在京津冀城市群南部的石家庄、邢台和衡水，显著的低-低集聚主要分布在京津冀城市群北部地区的承德、秦皇岛和张家口。京津冀城市群北部区域和南部区域表现出明显且稳定的集聚效应，这也说明雾霾污染之间的联防联控优于各个城市之间的各自为政，通过转移高污染给邻近城市这种以邻为壑的行为从长远来看也不能实现改善本市雾霾污染的效果。石家庄、邢台和衡水雾霾污染的极化效应明显，即这些城市的雾霾污染对提升相邻城市的雾霾污染PM2.5浓度具有明显的带动作用，这说明京津冀在制定和执行区域治霾政策时应着重关注这些城市。低-低集聚的城市由一个增加到三个，说明空间集聚对城市间雾霾污染PM2.5浓度降低的积极作用有所扩大，承德、秦皇岛和张家口的辐射作用较强，对周边城市的带动作用较为明显。

表2 2014—2017年京津冀城市群PM2.5局域空间自相关显著性结果

(三)空间计量模型回归结果

1.模型的诊断与检验

由于京津冀城市群雾霾污染存在显著的空间正相关性，使用普通最小二乘法(OLS)估计可能会导致回归结果的偏误，可以采用最大似然估计(MLE)和广义矩估计(GMM)[31]。本文使用最大似然估计法对空间滞后模型和空间误差模型进行估计，为了考虑相关因素对雾霾污染影响的稳健性，本文通过引入被解释变量空气质量指数(AQI)，考察实证结果的稳健性。AQI主要包括了PM2.5、PM10、SO2、NO2、CO和O3污染物，能较为全面地反映空气污染程度，AQI值越大，说明空气污染越严重，AQI值越小，说明空气质量越好。本文通过对AQI的空间相关性进行了分析，2014—2017年AQI的全局莫兰指数分别为0.353、0.252、0.380和0.383，全局吉尔里指数分别为0.555、0.681、0.538和0.558，所有的指数值均通过了5%显著性水平的检验，说明京津冀城市群空气质量存在显著的空间正相关性，引入空间滞后模型与空间误差模型分析雾霾污染和空气质量的相关影响因素是合理的。

表3 SLM模型与SEM模型估计结果与检验

注：*、**、***分别表示通过了显著性10%、5%、1%的检验，括号内为Z统计值。

本文建立的面板数据时间维度T为4，横截面维度N为13，属于短面板数据，时间较短，不满足大样本条件，讨论时点效应存在较大的困难，因此本文仅考虑个体效应，仅对空间个体效应进行分析。需要考虑对固定效应和随机效应进行选择，季民河等(2011)指出只有当T足够大时，空间固定效应才会一致[32]，由于本文所建立的短面板数据的T为4，如果建立空间固定效应模型可能会导致参数估计的偏误，本文选择随机效应进行分析，因此本文只考虑空间个体随机效应模型。在选择空间个体随机效应模型之后，还需对空间滞后模型和空间误差模型做出选择。本文将使用拟合优度、Log-L值和Sigma2来判定空间滞后模型和空间误差模型的选择，拟合优度和Log-L值越大，Sigma2值越小，表明模型拟合程度越好，由表3的结果可知，空间滞后模型的随机效应较好，因此本文主要针对空间滞后模型的个体随机效应模型即模型(2)进行分析。被解释变量为AQI时，其系数的符号、显著性水平和大小与被解释变量为PM2.5时并无太大差别，说明基于空间滞后模型对雾霾污染影响因素的实证分析结果是稳健可靠的。

2.实证结果分析

由表3可知，雾霾污染的空间自相关系数ρ为0.496，通过了1%显著性水平的检验，说明京津冀城市群雾霾污染存在显著的空间溢出效应，京津冀城市群相邻城市的PM2.5浓度上升1%将会使该城市的PM2.5浓度提升0.496%，这与图6雾霾污染的莫兰散点图以及表3局域自相关显著性结果一致，京津冀城市群雾霾污染存在显著的空间正相关性。

从经济增长来看，经济增长系数为负，通过了1%显著性水平的检验。经济增长的系数为负，说明经济增长对雾霾污染具有负向的抑制作用，人均GDP每增加1%，PM2.5浓度会下降0.553%。随着2013年雾霾污染席卷全国，威胁着人们的生命健康和社会经济的发展，人们的环保意识逐渐增强，对环境质量的要求也提高，对环境问题的重视程度增加，且收入增加，政府也有充足的资金用于大气污染的治理，2013年之后政府也相继出台了一系列治霾政策，治霾取得了一定的成效，从实证结果来看经济增长对雾霾污染的改善作用显著。

从人口密度来看，人口密度系数为正，通过了1%显著性水平的检验。人口密度的系数为正，说明人口密度的增加会加剧雾霾污染，人口密度每增加1%，PM2.5浓度会上升0.346%。随着人口密度的增加，该地区居民生活能源消费也会增加，也会产生更多的生活废弃物等，人口密度的增加也会导致人们对机动车辆和住房需求的增加，机动车辆汽油和柴油的不完全燃烧会排放较多的氮氧化物和颗粒物，较高的居住密度会影响风速从而导致污染物不能有效扩散。

从能源消费来看，能源消费系数为正，通过了5%显著性水平的检验。能源消费系数为正，说明能源消费的增加会提升PM2.5浓度。能源消费增加1%会导致PM2.5浓度上升0.292%。能源消费增加会使得排放的污染物增加，京津冀城市群的能源利用效率仍然较低，能源利用效率较低所排放的污染物较高，且京津冀城市群各城市能源消费中煤炭消费占比较高，过高的煤炭消费量会导致排放出大量的氮氧化物、二氧化硫和细颗粒物等污染物，这会明显提升PM2.5浓度水平。

从技术水平来看，技术水平系数为负，且未通过10%显著性水平检验，说明技术进步存在治霾效果，但该效果并未完全体现出来。技术进步分为两类：一是生产技术进步，主要表现为生产工艺的改进，从而提高生产效率，降低单位产出的能源消耗，有助于节能减排；二是减排技术进步，减排技术主要作用于控制生产终端的污染物排放，直接降低污染产出。京津冀城市群技术水平系数为不显著的负值，一方面肯定了京津冀城市群技术进步对雾霾污染的有效控制；另一方面也说明京津冀整体的两类技术进步程度仍然较低，治霾效果还未达到理想目标。

从产业结构来看，产业结构系数为正，且未通过10%显著性水平检验，说明第二产业比重增加对雾霾污染的“贡献”可能正逐步减弱。第二产业中，化工、冶金等重工业迅速发展且过度依赖消费煤炭等化石燃料，将会排放出大量的污染物；建筑行业迅猛发展所带来的扬尘也是导致PM2.5浓度提升的原因之一。传统工业的粗放式发展严重依赖能源消耗，且效率较低，这是京津冀地区早期雾霾污染的罪魁祸首。但近年来，随着中央政府将京津冀地区一体化发展纳入国家战略，一系列的产业政策作用于京津冀地区。如，2015年习近平总书记提出了疏解北京“非首都功能”；2016年工业和信息化部以及京津冀三地政府共同发布《京津冀产业转移指南》等。诸如此类的产业政策正不断优化京津冀地区的产业结构，为产业转型升级提供源动力。因此，随着政策效应的发挥，京津冀地区第二产业比重对雾霾污染的影响正逐渐减弱，在统计上表现为产业结构系数的不显著。

从对外开放水平来看，对外开放水平系数为负，且未通过10%显著性水平检验。由此说明，没有证据显示京津冀地区是外资的“污染天堂”，相反，对外资的利用甚至有可能更多表现为“污染光环”效应。外商投资通过两个渠道产生“污染光环”效应。一是经济增长效应，引进外资促进了京津冀地区的经济增长，提高了居民收入水平，同时也激发了居民的环保意识和环境诉求，进而倒逼政府提高环境管制力度，优化环境质量；二是溢出效应，一般来讲，外资的组织管理效率和技术水平普遍高于本土企业，企业天然的逐利性会促使本土企业学习外资的管理模式和生产技术，由此，引入外资便产生了溢出效应，有利于提升京津冀地区整体生产效率，降低能源消耗和污染排放，从而改善京津冀地区的空气质量。

从绿化水平来看，绿化水平系数为正，且没有通过10%显著性水平的检验，与张生玲(2017)等[33]的研究结果一致，这似乎与预期不相符合。可能的原因是：京津冀城市群在建成区绿化覆盖率方面一味追求数量指标，忽视了建成区绿化质量建设，在城市人口迅速增加、城市绿化建设用地极其有限和园林绿化设计和建设极为有限的情况下，简单地从数字上提升建成区绿化覆盖率必然会带来造假行为或歪曲绿地建设内在的实质。城市道路、建筑和管道等基础设施的大量建设破坏了绿地的径流和根系统，对城市绿地的生存环境和后期缺乏科学管理和保护使其失去了生态系统的自然特性[34]。

六、结论与建议

本文基于京津冀城市群13个城市2014—2017年的面板数据，分析京津冀城市群雾霾污染的时空特征，使用探索性空间数据分析方法检验雾霾污染的空间集聚特征，在此基础上使用空间计量模型对雾霾污染的社会经济因素进行实证分析，得出以下结论：

1.从时间特征上看，京津冀城市群年均PM2.5浓度呈下降趋势，向好的趋势发展，PM2.5浓度呈现出“夏低冬高，春秋居中”的季节变化特征，PM2.5月浓度均值呈现出U型分布。从空间特征上看，京津冀城市群南部城市PM2.5浓度高于北部城市，南部城市雾霾污染较为严重，雾霾污染的空间范围呈现出缩小趋势。

2.京津冀城市群雾霾污染呈现出显著的空间正相关，石家庄、邢台和衡水表现出显著的高-高集聚，承德、张家口和秦皇岛表现出显著的低-低集聚，京津冀城市群雾霾污染具有明显的空间溢出效应。

3.人口密度、能源消费、产业结构和绿化水平与雾霾污染正相关，经济增长、技术水平和对外开放水平与雾霾污染负相关。

根据本文研究结论，对改善京津冀城市群雾霾污染提出以下建议：

第一，京津冀城市群南部城市和冬季雾霾污染较为严重，各个城市资源禀赋、经济发展水平、雾霾的成因也存在不同程度的差异，因此政府应实行差异化的治霾政策，应加强雾霾污染程度较为严重城市的治理，同时着重加大对城市冬季雾霾污染的治理。

第二，京津冀城市群PM2.5存在显著的空间正相关性，雾霾污染空间溢出效应明显。治理雾霾污染并非各个城市单打独斗，应建立城市间雾霾污染治理的联防联控体系，统一环境规制行动，相互积极配合，打破城市行政区域的界限，共同规划和协同治理雾霾污染问题才能实现控制复合型环境污染、共享治理成果的目的。

第三，控制能源消费总量，加强新能源的开发和利用。各城市应不断降低煤炭消费量，提高清洁能源消费量，控制能源消费总量，提高能源利用效率，减少污染物的排放。同时应增加新能源的供给，加快清洁能源等替代能源的消费，如风能、太阳能和页岩气等清洁能源。

第四，进一步优化产业结构，促进产业转型升级。首先严格控制高能耗、高污染和高排放产业的发展，积极进行产业结构升级，淘汰落后产能；其次是强化工业企业节能减排，推广节能减排技术；最后通过发展新型低碳产业，逐步建立起低碳的技术体系和低碳的产业结构，使经济发展由传统模式逐步向低碳经济转型。

第五，提升绿地建设质量，实现绿化建设的减霾效应。各城市应加大对绿地建设的资金投入，逐步提升人均绿地面积，摒弃“绿地面积越大，城市生态功能越好”的错误观念，在绿化面积不断提升的同时更要注重绿地质量的建设，重视城市绿地的特殊生存环境，加大后期绿化建设的管护，重视城市建设与绿化建设的协调发展，进而实现绿化水平改善雾霾污染的生态效应。