安徽省交通运输业对空气污染的空间影响分析*

周瀚醇，张孝君

(安徽工商职业学院 经济贸易学院，安徽 合肥 231141)

交通运输业在促进城市空间扩张、优化城市活动空间、便捷居民出行的同时也带来了空气污染、道路拥堵、停车难等诸多问题，它们已然成为了影响人民群众交通运输幸福感、获得感的“痛点”。如何在交通运输领域打赢“污染防治攻坚战”特别是“蓝天保卫战”，做到减排治霾，就显得至关重要。

梳理现有文献发现，多数学者从城市化、能源结构、交通模式、交通可达性等方面探讨了交通行业与雾霾污染的关系： 众多学者在研究交通行业与雾霾污染的关系时，将研究视角聚焦到能源结构[1]、城市化[2]、交通模式[3]、交通可达性[4]等方面；还有部分学者研究了机动车限行政策对雾霾污染治理成效的影响[5-7]，以及公共交通、高铁开通、共享出行等交通方式的改变对空气污染的影响[8-11]。空间计量分析法[10]、贝叶斯估计法、社会网络分析与连续双重差分结合[12]等多种方法被广泛运用于相关空气污染治理的研究中。可见，针对交通运输和空气污染的研究多数较为宏观，关注全国层面的多，省域分析的少；研究“交通”的多，偏“运输”的少；衡量空气污染用PM2.5的多，而我国目前纳入空气污染指数的项目为二氧化硫、氮氧化物和可吸入颗粒物或总悬浮颗粒物，同时将它们作为空气污染物纳入考虑的少。

以安徽省为研究对象，从公路交通运输业视角出发，采用安徽省2017-2021年面板数据，对安徽省空气污染是否存在空间相关性进行检验，并对其分布特征予以可视化构图，旨在构建空间计量回归模型，深度探究公路交通运输业如何影响空气污染的空间分布，是否会加剧对空气的污染？最后通过效应分解量化探究公路交通运输业对空气污染的影响程度。

一、研究方法和数据来源

(一)研究方法

1.空间自相关检验

空间自相关检验包括全局空间自相关检验和局部空间自相关检验。全局空间自相关分析常采用全局Moran’sI统计量，用以反映整个研究区域内各个地域单元与邻近地域单元之间的相似性。其计算公式为：

(1)

局部Moran’sI指数和Moran散点图通常被用作“局部空间自相关检验”的可视化呈现，能更加直观地反映局部地区是否存在变量集聚现象。其计算公式为：

(2)

式中，正的Ii表示一个高值被高值所包围(高-高)或一个低值被低值所包围(低-低)，负的Ii表示一个低值被高值所包围(低-高)或者一个高值被低值所包围(高-低)。

2.空间回归模型

在空间效应存在的条件下，通常所使用的OLS回归往往存在缺失解释变量的偏差，导致OLS参数估计有偏，故而需要建立空间计量回归模型进行处理。对于面板数据，可以构建具有空间和时间效应的面板数据广义嵌套模型：

αt+εit

(3)

式中ρ、β、θ为特定参数，通过取值的不同，广义空间模型可以变形为空间误差模型(SpatialErrorModel，SEM)、空间滞后模型(SpatialLagModel,SLM)、空间杜宾模型(SpatialDurbinModel,SDM)等；εit为服从正态分布的扰动项；ci为空间特定效应，αt为时间特定效应，两者在具体效应处理的时候又分为固定效应和随机效应两种。区别两种效应的办法是借助经典Hausman检验，看ci是否与Xit相关：如果两者相关，则使用固定效应；反之,则使用随机效应。

(二)变量选取与说明

安徽省2017—2021年各指标数据均来自安徽省生态环境厅、《安徽省统计年鉴》，并通过取对数消除变量异方差和共线性问题；数据处理采用ArcGis10.2,GeoDa,Matlab2013b等软件。变量类型和定义说明见表1。

表1 变量说明

空气污染物由气态物质、挥发性物质、半挥发性物质和颗粒物质的混合物组成。根据现行空气质量标准，空气污染物包括二氧化硫(SO2)、二氧化氮(NO2)、可吸入颗粒物(PM2.5、PM10)。鉴于数据的可得性和完整性，选取2017—2021年三大空气污染物的算数平均值作为被解释变量“空气污染物值”(安徽省自2015年开始完整统计三大空气污染物值)。

核心解释变量共有四个，分别为HW、PC、PA和GO。其中HW为公路里程数，是衡量交通运输业的重要指标[13，14]。PC为私人车辆拥有量。2019年末，全省民用汽车拥有量为912.8万辆，其中私人车辆为798.3万辆[15]。汽车销量尤其是民用汽车消费的快速增长，直接导致含有上百种不同化合物的汽车尾气排放至大气层，对人体生命健康造成严重危害。PA和GO分别衡量公路客运周转量和公路货运周转量，从运输量与运输强度反映交通运营情况，更能综合反映交通运输业的规模和对空气污染的排放强度[16]。

控制变量有四个，分别为pGDP、EL、HO、GR。pGDP为人均GDP，表示经济发展程度。环境的变迁离不开经济发展，粗放式工业发展模式尤其是“高能耗、高污染”产业必然导致环境污染的加剧，低碳环保的经济增长模式有利于经济与环境协同发展。EL为工业用电量，反映城市由于电力相比化石能源对空气排放的污染程度更低，能在一定程度上体现能源结构的优化。HO代表房屋建筑施工面积。施工扬尘是房屋建设施工活动中产生的粉尘颗粒物，在诸多环境污染源中，扬尘对大气造成的污染最难得到有效控制，引入该变量旨在检验城市化推进中建筑施工产生的扬尘对空气影响是否显著。GR为城市绿化面积。由于园林绿化能维持空气中碳氧平衡、隔音降噪、吸附并净化有害气体、调节气候缓解热岛效应，引入该控制变量后对空气净化效果进行量化。

二、实证分析

(一)安徽省雾霾污染的空间分布特征

首先，对安徽省各地区空气污染值进行全局空间自相关检验。选择“基于空间距离权重矩阵”，得到如表2所示全局Moran’sI及描述性统计。2017—2021年各年空气污染的全局Moran’sI均为正值，P值通过了1%水平下显著性检验(其中2017年、2021年在5%水平下显著)，这意味着安徽省各地区间空气污染在空间分布上存在显著正相关性；绘制随时间变化的Moran’sI趋势图(见图1)，可以看出，各年份全局Moran’sI数值总体呈上升趋势，表明空气污染集聚程度在逐渐增强。

表2 2017—2021年安徽省空气污染的Moran’s I

图1 安徽省2017-2021年空气污染的全局Moran’s I走势

其次，对比2017年和2021年空气污染“LISA集聚图”(见图2)发现，2017年安徽省空气污染“高—高”集聚区仅有2个城市，至2021年已达5个城市，且均位于皖北地区，空气污染呈明显的集聚效应。故在分析该省空气污染形成的影响因素时，必须充分考虑空间地理因素及空气污染的空间溢出效应。

图2 安徽省2017年、2021年空气污染空间分布特征对比

(二)安徽省雾霾污染影响因素的回归检验

1．空间面板数据类型选择判断

Anselin[17]给出了基于Lagrange乘子检验机制，用于判断空间面板数据使用的模型类别。首先进行传统OLS回归估计，然后计算SLM和SEM两种模型的Lagrange乘数统计量。如果两者均不显著，则选择最小二乘回归法；如果其中之一显著，则选择显著的统计量对应的模型；如果两者都显著，则再根据稳健的Lagrange即Robust LM-lag、Robust LM-error作进一步判定。

其次，构建空间距离权重矩阵。选取2017—2021年安徽省16个地级市空间面板数据，针对OLS面板数据和不同时空特定效应分别进行LM检验，结果如表3所示：Hausman检验中，其p值显著为0，说明应选择固定效应；LMlag和LMerr统计量显示，混合OLS、空间固定效应、时间固定效应等三种模型均通过了相应水平的LM检验；从R-LMlag和R-LMerr统计量来看， SLM和SEM空间计量模型均通过检验。依据LeSage和Pace[18]模型选择路径为“从具体到一般，再从一般到具体”。先选择空间杜宾模型进行分析，再通过Wald和LR检验判断空间杜宾模型是否会退化为SLM或SEM空间计量模型。LR联合检验中空间固定效应和时间固定效应模型的p值均为0.000 0，意即需要考虑建立空间时间双固定效应模型。

表3 基于空间距离权重矩阵的空间诊断结果

2．回归结果分析

在前述式(3)基础上，结合表3的相关分析，选择构建具有更广泛意义的空间杜宾模型来分析安徽省交通运输业对空气污染的影响趋势及程度：

(4)

式(4)中，W为空间权重矩阵，POit代表安徽省第i市在第t时期的空气污染值，WlnPOit代表被解释变量的空间滞后项，反映各时期所有邻接地区空气污染对i地区空气污染值的影响；WlnXit代表各解释变量和控制变量的空间滞后项，反映各时期所有邻接地区各自变量对i地区空气污染的影响程度；β、θ、ρ为参数，当θ=0时，空间杜宾模型退化为空间滞后模型；当θ=-ρβ时，空间杜宾模型退化为空间误差模型。分别构建基于面板数据的空间时间双固定效应杜宾模型，估计结果如表4所示。

检验结果显示：第一，考虑了稳健标准误后，变量系数依然显著；第二，表4第三部分中Wald和LR检验均显示拒绝空间杜宾模型退化为空间滞后模型或者退化为空间误差模型，因此后续所有分析均建立在空间杜宾模型上。表4第二部分中模型修正后的R2和Log-likelihood值表明数据拟合结果良好。空间自相关系数ρ的P值显著为0，意味着安徽省空气污染存在明显的空间溢出效应，且周围地区的空气污染值每增加10%，本地的空气污染将相应增加4.529 0%。这也印证了图2中空气污染近五年来逐步呈现出“高—高”集聚趋势的结论。

表4 基于面板数据的“空间时间双固定效应”杜宾模型

第三，在表4第一部分四个核心解释变量中，私人车辆拥有量(PC)和运输货物周转量(GO)在5%和10%置信水平下对空气污染的影响显著为正。据《中国移动源环境管理年报(2020)》数据显示，我国目前全国机动车保有量达3.48亿辆[19]，已经连续十年成为世界机动车产销第一大国，机动车污染已成为我国大气污染的重要来源，因此加大机动车污染防治力度迫在眉睫。公路里程数(HW)在1%的置信水平下能显著降低空气污染，这与传统经验判断不符。可能的解释为，安徽省在近年公路的修建和运营中，不断改进新型路面材料、提升公路施工工艺，积极探索载重汽车按“计重模式”收通行费模式，已取得初步成效。运输旅客周转量(PA)虽和空气污染正相关，但影响不显著，这意味着客运周转量的上升并不必然导致空气污染的加剧。以公路运输为例，货物运输通常载重量较大且运输距离较长，通常使用柴油，相对较多使用汽油的客运，货运的尾气排放量及污染程度更甚。

第四，在4个控制变量中，代表能源结构的工业用电量(EL)和城市绿化程度的绿化覆盖面积(GR)，其系数为负且显著。这说明一方面安徽省能源结构总体正趋于优化，在能源使用过程中逐渐用电力、水力、新能源等清洁能源代替污染较重的化石能源，但另一方面，皖北地区是安徽省传统的重工业区，能源升级、更迭速度较慢，因而会呈现出图2(b)中空气污染“高—高”空间聚集特征。城市绿化覆盖率高，已经从过滤有害气体、减少噪声、调节气候等方面显著抑制了空气污染。 房屋建筑施工面积(HO)虽正向影响空气污染但不显著。可能的原因是，安徽省至2021年平均城镇化率已逾56%，旧房改造与拆迁力度相较于前些年略低，新开工项严格按照环境标准进行审批；此外，2015年新《环保法》的实施，更是针对各类建筑施工企业环境的污染排放行为提出了更高、更严的惩治要求。经济的发展、人均GDP(pGDP)的提高能降低空气污染值。说明安徽省经济增长与空气污染关系间的“拐点”已然出现，现进入追求经济—环境高质量协同发展的绿色增长时期，但该影响尚不明显，经济发展对降低空气污染的作用机制仍有待进一步提升。

第五，因“空间因素”的存在，周围参数的变化也会影响本地空气污染值。表4第一部分右侧显示：周围地区的私人车辆拥有量(PC)、运输货物周转量(GO)、房屋建筑施工面积(HO)会对本地空气污染产生显著的正相关作用，说明汽车尾气、建筑扬尘等污染物会在大气满足一定的风速、高程、温度条件时向周边扩散，由此可以看出污染治理需要“群防群控”、建立应急联动机制。周边城市工业用电量(EL)和城市绿化程度(GR)的提高同样会显著降低本地空气污染，这表明，单独区域在面对空气污染时无法“独善其身”，自身的节能减排、城市园林绿化建设会在时空上对周边产生积极作用。值得一提的是，和前述“本地人均GDP提高未能显著降低本地空气污染”不同，周边地区人均GDP(pGDP)的增长会显著导致本地空气污染下降。当周边经济增长达到一定程度时，当地政府会在经济发展与生态、环境保护之间寻求平衡，将环境效益和社会效益摆在与经济效益同等重要位置来看待，使得本地环境治理受益于周边地区的经济增长。周边地区的高速公路里程(HW)和房屋建筑施工面积(GO)对本地空气污染影响有限。

3．效应分解

前述回归结果定性地分析了各解释变量对雾霾的影响变化趋势，但在空间回归模型里，各空间单元不再独立，解释变量对空气污染的影响值并非简单等于表4中β、θ等回归系数，必须进行效应分解才能进行定量分析。总效应共分为两部分：一部分为直接效应，即解释变量引起本地的空气污染变化，这部分也包括“反馈效应”，即对其他地区的影响又会反过来影响该地区，故而从数值上看，直接效应等于空间杜宾模型系数与反馈效应之和；另一部分为间接效应，也即空间溢出效应，用于度量“邻近”地区某解释变量对本地区空气污染的影响。

结合表5可以看出，在空间地理权重矩阵下，公路里程数(HW)的直接效应和间接效应均显著为负，本、外地公路里程数每增加10%，空气污染将分别减少1.46%和1.33%；私人车辆拥有量的直接效应和间接效应均显著为正，意味着本、外地私人车辆(PC)保有量每上升10%，本地空气污染值将增加0.42%和0.21%；运输货物周转量(GO)的直接效应为正，间接效应不明显，表明该解释变量每上升10%会引起空气污染值增加0.15%；运输旅客周转量(PA)的直接和间接效应则均不显著，说明客运量的变化暂不对空气污染有明显作用。综上可见，交通运输业中的私人车辆数、货运周转量是造成安徽省空气污染的重要原因，而公路里程能在一定程度上抑制空气污染的加重。

表5 空间杜宾模型的效应分解

三、结论与建议

使用2017—2021年安徽省16个地级市的面板数据，分析安徽省空气污染的空间分布特征，并采用空间计量回归模型重点研究交通运输业对空气污染程度的影响，得到如下结论：第一，安徽省各地区的空气污染在空间上呈正相关性；近5年来，空气污染集聚程度在逐渐增强，“高—高”聚集区集中在皖北地区，“低—低”聚集区集中在皖南地区。第二，采用时空双固定的空间杜宾模型(SDM)能更好解释交通运输业对安徽省空气污染的影响。第三，安徽省空气污染值具有明显的空间溢出效应：周围地区的空气污染值每增加10%，本地的空气污染将对应增加4.529 0%。第四，从定性角度分析，交通运输业中的私人车辆拥有量、运输货物周转量因素与空气污染显著正相关，公路里程数的增加会抑制空气污染，运输旅客周转量对空气污染的正向影响不明显。周边地区的公路里程数、私人车辆拥有量会对本地空气污染状况产生间接效应。第五，从定量角度分析，本、外地公路里程数每增加10%，空气污染将分别减少1.46%和1.33%；本、外地私人车辆(PC)保有量每上升10%，本地空气污染值将对应增加0.42%和0.21%；本地运输货物量每上升10%，会引起空气污染值增加0.15%；客运量的变化暂不对空气污染有明显作用。第六，经济的增长、能源结构的改善、绿化覆盖面积的增加会减弱空气污染程度，并和周边地区形成联动，有助于形成经济—环境—生态协同发展的增长模式。

根据以上结论提出如下建议：

第一，控制机动车数量、调整交通运输结构能有效降低空气污染问题。具体来说，在控制机动车数量方面，可以采用行政调控和市场调节相结合的方式：在行政调控方面，鼓励新能源汽车代替传统车，在购买、置换、通行等方面予以优惠；通过限购、限号出行、征收“柴油税”等手段对高能耗汽车进行限制；在市场调节方面，可以通过提高停车费、征收拥堵费、排污费等手段增加车主成本，把治污引起的社会成本进行转嫁。采用双管齐下措施倒逼企业技术进步，支持企业按照标准化、节能化、清洁化要求，淘汰技术落后、高耗低效的运输装备，加快运输装备技术更新。在调整交通运输结构方面，大力发展规模化、集约化、网络化运输，注重发展现代物流业，鼓励发展集装箱多式联运，提升铁路货运能力。

第二，根据公路在修建、运营过程中产生空气污染的不同原因，有针对性地完善污染治理机制。一方面，公路、房屋建设等建筑项目在修建过程中，对大气质量的影响主要源自施工期间产生的扬尘，故可以在招投标阶段设置环境保护条款，竣工和交付使用阶段进行环境保护设施验收及环境后评价。另一方面，针对运营过程中行驶车辆排放尾气引起的空气污染，可以通过对过往车辆“计重收费”、加征排污费等措施予以有效控制。

第三，推广绿色出行理念、构建生态城市是解决交通拥堵、大气污染的重要方法。当前人民群众对美好生活空间的向往已经从快节奏转向连续、舒适的慢行环境。推广绿色出行是转变城市交通发展模式、建设绿色交通体系，增强城市可持续发展能力的重要契机。借鉴新加坡和中国香港地区的经验，加快城市“垂直绿化”建设，增加绿色出行系统供给，贯以生态理念布局城市自然环境，为城市居民提供更多的活动空间，使人们主动从车上走下来，达到既减少空气污染，又能带动城市发展的目的。