空气质量改善对居民消费的影响

李硕，王敏

（1.香港大学经济及工商管理学院，香港 999077； 2.北京大学中国经济研究中心/国家发展研究院，北京 100871）

改革开放40多年来，中国经济高速增长，但环境改善的压力也与日俱增，其中空气质量问题尤为突出。2013年1月29日，中国各地出现持续大范围的雾霾天气，雾霾面积约130万km2，期间北京等城市的空气污染指数一度突破仪器监测的最高值，为历史罕见。自此，中国政府采取包括制定《大气污染防治行动计划》、修订《环境保护法》、实施环保督察等一系列措施加强大气污染治理。《中国空气质量改善报告（2013—2018年）》表明，首批实施《环境空气质量标准》的74个城市的PM2.5平均浓度下降42%，京津冀、长三角和珠三角地区PM2.5平均浓度分别下降了48%、39%和32%。但是，《生态环境部公布2019年全国生态环境质量简况》也显示，中国仍有53.4%的城市空气质量不达标，空气污染仍然是当今社会的重要环境问题。

大量研究从不同视角讨论了空气污染对人类健康的负面影响，并发现当空气污染降低人类健康水平时，人们的医疗和保健消费会显著增加，但空气污染对居民日常消费的影响却很少被关注。自新古典宏观经济学兴起以来，大量研究表明居民消费决策是影响宏观经济周期和宏观政策制定最为重要的因素之一［1-2］。考虑到个体的效用或福利水平主要是由消费所决定，而且居民消费也已成为GDP总量和增速的最重要组成部分，研究空气污染对居民消费的影响不但有重要的福利含义，也有一定宏观经济意义。2020年，习近平提出加快构建以国内大循环为主体、国内国际双循环相互促进的新发展格局，全面促进消费、增强消费对经济发展具有基础性作用。中国目前正处于从依赖投资和全球贸易顺差的增长模式转向更加依赖国内消费的增长模式，消费已连续多年成为经济增长的最大推动力，在此背景下，探讨空气污染对居民日常消费的影响，无疑具有重要的现实意义。

中国家庭追踪调查（China family panel studies，CFPS）问卷调查中有关收入和消费的变量记录的是被访家庭在过去一年的情况。每一期CFPS问卷调查虽然会集中在几个月内完成，但每个被访家庭的访谈月份不尽相同，空气污染、气象状况也不尽相同。即便在同一个区县、同一调查期中，不同家庭由于被访时间不同导致过去一年受到的空气污染冲击也不相同，已有文献中绝大多数［3］基于家户微观数据讨论地区层面的特征变量对家户行为的影响时，由于无法获得每个家户的被访时间，只能将调查年份的地区特征变量统一匹配给当地所有家户。这种做法不但导致核心解释变量与真实的数据生成过程不符（即家户实际暴露的空气污染浓度与其真实水平不符），也不能完全排除由与空气污染相关的遗漏变量影响结果的质疑。

虽然不同家庭的被访时间相对比较随机，但是在一年的时间尺度内，空气污染与当地的经济活动可能还存在一定的相关性。因为当地的经济活动不但影响空气污染、也可能影响居民消费，所以分析空气污染对消费的影响面临着内生性挑战。该研究采用逆温作为空气污染的工具变量以解决内生性问题。在控制固定效应以及其他气象变量后，逆温是非常随机的大气现象，因此也是文献中常用的空气污染工具变量［4-8］。该研究工具变量回归结果表明，同时期的空气污染显著抑制家庭年度人均消费支出，而且空气污染对居民消费存在一定的非线性影响，即日均污染浓度越高的天数越多，年度人均居民消费的下降幅度越大。进一步的机制分析发现，空气污染对居民日常消费的影响主要可能是人们对空气污染采取的防护性行为减少了消费场景、从而抑制了消费能力。此外，空气污染在年度层面对居民收入在统计上没有显著性影响，但显著提升居民储蓄率。进一步的异质性分析结果表明，农村地区的消费对空气污染更为敏感；空气污染显著降低了家庭对纯消费品的消费，说明空气污染对消费的影响并非由医疗保健支出所驱动。

1 文献综述

空气污染对人类社会最主要的影响是健康损害。大量的流行病学和经济学研究表明，空气污染会导致呼吸道疾病和心血管疾病，增加疾病死亡风险。此外，空气污染对心理健康也有不利影响，例如空气污染会降低人群认知能力［9］、增加抑郁风险［10-11］。身心健康是人类进行有效率的生产和消费活动的首要因素。当空气污染损害人类健康时，人类的日常生产和消费行为显然也会间接受到空气污染的影响。已有研究表明，通过健康这个渠道，空气污染不但会减少人们的劳动供给［12-13］，而且还会进一步降低劳动力的劳动生产效率［7，14-17］。

空气污染对居民消费的影响最直接体现于空气污染会增加居民医疗和预防性健康消费支出。大量文献研究证实，空气污染会增加口罩、空气净化器等防护性支出和医疗保险等健康预防性消费：基于2007—2009年中国城镇住户调查数据发现年度PM2.5每上升1%，家庭年度医疗保健支出增加2.94%［18］；利用天猫和淘宝电商平台上190个城市每日口罩销售数据发现空气质量指数（AQI）每上升100个单位，口罩日销售量上升50.4%［19］；利用2006—2012年中国81个城市空气净化器月度销售数据以及断点回归，研究发现秦岭淮河以北含有高效过滤网的空气净化器市场份额显著跳跃增长［20］；利用城市层面的每日健康保险销售数据，发现人们会在空气质量较差时购买医疗保险，在空气质量较好时退保［21］。但是一个重要却被忽视的问题是，空气污染对居民日常消费究竟会有什么样的影响？Wang等［22］基于代际交叠模型从健康角度探讨环境污染与经济发展之间的关系，并通过理论推导证明，空气污染会导致人们在当下减少消费、增加预防性储蓄以应对未来（由空气污染引发的）更高的健康风险。一方面，当空气质量较差时，人们会减少外出消费或休闲娱乐来减少空气污染的暴露水平、从而降低空气污染对健康的负面影响，可能会导致人们的日常消费活动在一定程度上受到抑制。另一方面，空气污染的医疗成本只是其全部健康成本的一部分。空气污染主要的健康影响是给多数人群带来眼睛和喉咙不适反应以及头疼痛等轻症状，这些轻症状并不导致就医，因此也没产生任何医疗费用，但是对人类健康和日常生活的影响却更为普遍［23］。例如，当空气污染导致人们身体不适或使得人们减少外出时，人们的消费欲望可能因此下降、从而减少其当期消费。Barwick等［24］利用中国城市级别日度的信用卡交易记录，发现空气污染会显著增加医疗支出，同时也会显著减少日常必需品的支出。由于Barwick等［24］利用的是信用卡类交易数据，非卡类支出的居民消费就不在该数据的统计范围内，因此其样本代表性有限；此外，城市层面的加总数据也使得该研究无法在微观层面基于家户各项特征展开研究。

另外，有大量的经济学文献从不同角度探索了中国低消费、高储蓄率的难解之谜，例如房价［25-27］、家庭结构［28］、流动性约束［29］和未来不确定［1，30］等因素；也有文章关注家庭消费中隐含的污染排放［31］。该研究从空气污染视角研究家户消费和储蓄问题，丰富了该文献研究。此外，虽然该研究的理论模型设定与Wang等［22］不同，但有关空气污染对健康和储蓄率影响的结论基本一致。因此，该研究的实证结果也在一定程度上验证了Wang等［22］的理论推导。

该研究可能的边际贡献主要包括以下三方面。第一，相比于已有文献主要关注空气质量对医疗支出或防护性支出的影响，该研究关注的是空气质量对居民日常消费的影响，为理解空气质量对居民消费的影响提供了更全面和整体的视角。第二，该研究是第一篇利用全国代表性样本探讨空气污染对家庭日常消费支出影响的文章。该研究根据每个家庭被调查的年月信息，将每个家庭被访问过去一年的收入消费信息与同时期的空气污染、气象数据进行匹配，得到的家户面板数据在因果识别上有一定的优势，得到的估计结果更有外部有效性且细致。第三，从消费角度分析空气污染的社会外部性，丰富了环境外部性分析的视角。空气污染对人体健康影响的经济学研究在过去20年大量涌现［3，6，32-36］。但是，空气污染健康成本之外的研究相对有限，尤其是直接涉及中国国内的经济影响更不多见［37-38］。该研究则为这一支文献提供了新的角度。

2 理论模型

假设消费者的健康水平是空气污染和医疗健康防护支出的一个函数，H=H(x，A)。其中，A代表空气污染水平，x为医疗健康防护支出。健康水平单调递减于空气污染水平，但单调递增于医疗健康防护支出，即∂H/∂A<0以及∂H/∂x>0。此外，设∂2H/∂x∂A>0，即边际上每增加一单位医疗健康防护支出会减少空气污染对健康的边际损害影响。

消费者效用是健康水平H和一般消费品c的函数：

其中：c是居民家户消费中除医疗防护消费支出以外的其他消费品加总，即那些能直接带来效用提升的消费品。对于消费者而言，空气污染A是外生给定的变量。效用函数严格凹且满足以下偏导数的符号性质：∂u/∂c>0，∂2u/∂c2≤0； ∂u/∂H>0， ∂2u/∂H2≤0。同时，该研究也假定一般消费品c是健康水平H的互补品：∂2u/∂c∂H≥0，即健康水平越高，人们更愿意增加c的消费。例如，人们更愿意在身体健康状态比较好的时候进行外出就餐、购物和休闲旅游等消费支出活动。消费者面临的预算约束条件如下：

其中：消费品c的价格被标准化为1，px是消费品x的价格。

把公式（2）带入公式（1）可以得到如下的居民效用最大化问题：

对公式（3）求一阶条件可得到：

消费者最优消费决策由公式（2）和公式（4）共同决定。

对公式（4）应用隐函数定理，进一步可以得到空气污染对居民消费c的影响：

给定最大化问题（3）的二阶条件，公式（5）的分母d2u/dc2小于0。另外，再根据上文中相关函数一阶和二阶导数的条件假设，公式（5）的分子小于0。因此，可以得到dc/dA<0。也就是说，空气污染上升会减少一般消费品c的消费。给定约束条件（2）以及dc/dA<0，得到dx/dA>0，即空气污染上升会增加医疗健康防护x的支出。在目前的讨论中，该研究没有引入储蓄，因此总消费水平c+pxx总是不变且等于总收入。如进一步考虑储蓄，由于空气污染增加x的消费、减少c的消费，空气污染存在减少总消费水平、增加储蓄率的可能。基于以上讨论，该研究提出假说1。

假说1：随着空气污染水平的上升，消费者会减少非医疗一般消费品支出；同时，消费者的总消费水平和储蓄率分别存在下降和上升的可能。

3 数据和实证策略

3.1 数据来源及处理

家庭数据来自2010—2018年共5期的CFPS微观数据，其样本选取了25个省份，反映中国社会、经济、人口、教育和健康的变迁。该研究选用的CFPS家庭层面数据包括了家庭过去一年家庭总消费支出、分项消费支出、总收入等变量；其中家庭总消费支出是食品消费、衣着支出、居住消费、医疗保健支出、交通通信支出、家庭设备及日用品支出、文教娱乐支出和其他消费的总和，家庭总收入是工资性收入、经营性收入、转移性收入、财产性收入和其他收入的总和。在实际调查过程中，调查完一个区县内所有样本家户需要较长的时间，每一期调查在很多区县都持续了若干个月甚至半年以上时间，这就使得样本中每个被访家庭在调查日期之前一年所面临的空气污染暴露都不尽相同。不同家庭所暴露的PM2.5浓度的外生差异，也有利于该研究更好地将空气污染对家庭行为的影响从共同的区县时间趋势中剥离出来。由于消费、收入、储蓄率存在诸多明显的异常值，因此该研究去掉了样本中这三个变量处在上下各2.5%分位数的家户样本；由于该研究关心的核心被解释变量为家庭人均居民消费性支出，因此该研究去掉了这一变量为缺失值的样本。

空气质量数据采用美国国家航空航天局（NASA）发布的现代回顾性分析研究与应用项目（Modern‐Era Retro‐spective Analysis for Research and Applications version 2，MERRA‐2）中50 km×60 km的网格数据，基于卫星气溶胶光学厚度（Aerosol Optical Depth，AOD）反演得到的月度PM2.5质量浓度。参考之前研究［7-8］，该研究将网格数据加总到区县层面，再与CFPS数据进行匹配。卫星反演数据相对于监测站的数据的优势在于时间跨度长，测算标准统一且覆盖面更广；由于中国大规模空气监测站建设始于2013年，如果利用空气监测站数据研究空气污染对家庭消费的影响，不但导致样本期限缩短（2010和2012年的家户数据将无法使用），而且也会导致样本大幅度减少。因此，2010—2018年间的PM2.5卫星反演数据可以提供前后一致可比的空气污染信息，同时保证样本有足够的时间跨度。由于CFPS问卷中有关收入、消费的问题都是针对调查时间之前一年的情况，如某家户在2016年6月份被访谈，那么调查问卷记录的是过去12个月（即2015年6月到2016年5月）的收入和消费信息，因此该研究以CFPS中家庭调查的月份作为时间节点，往前推算一年作为家庭消费、收入的统计周期，并与对应同时期的空气污染、气象等数据进行匹配，包括PM2.5平均浓度、PM2.5中位数以及高污染天数等；该研究以月中（当月15日）作为其调查时间以匹配气象和污染数据。在稳健性检验中，同时也检验月初（当月1日）等不同时间窗口的口径对于估计结果的影响，发现结果几乎没有变化。其中，计算不同程度污染的天数时，定义轻度污染以上天数为日均PM2.5浓度超过45 μg/ m3的天数，中度污染以上天数为日均PM2.5浓度超过60 μg/ m3的天数，重度污染以上天数为日均PM2.5浓度超过75 μg/m3的天数。根据该研究的比对，NASA卫星反演的PM2.5浓度数值约为地面监测站监测的PM2.5浓度数值的二分之一左右，因此45 μg/m3、60 μg/m3和75 μg/m3大概相当于地面监测站90 μg/m3、120 μg/m3和150 μg/m3左右的水平。

气象控制变量数据来自国家气象信息中心公布的全国气象监测站所报告的每日平均气温、平均风速、累计降雨量、平均相对湿度和日照时数等气象信息。该研究首先利用反距离加权插值法（Inverse Distance Weight，IDW），将距离CFPS被调查区县200 km半径内的气象监测站的气象数据与CFPS数据进行匹配。在具体的回归中，将每类气象变量在每个家户被访时间前一年内的日值数据进行区间（bin）分组，以充分控制气象因素对逆温、空气污染以及人类生活的非线性影响［39-40］。以气温变量的区间构造为例，先将气温分成若干温度区间，然后计算每个家庭在过去一年日平均气温落在不同温度区间的天数，得到一组代表不同温度组对应天数的变量。该研究可以利用过去一年气温的分布情况，控制气温的非线性影响；由于一年中所有温度区间的值加总等于365，将这些变量同时放入到回归方程中进行回归时，完全多重共线性会使得回归中某个温度区间变量被自动舍弃。其他气象变量的区间分组过程与上述例子相同。该研究选取各个气象变量的区间规则如下：平均气温的区间间隔是5 ℃，平均风速的区间间隔是1 m/s，累计降雨量的区间间隔是1 mm，平均相对湿度的区间间隔是20%，日照时数的区间间隔是1 h。

该研究所使用的工具变量——逆温数据，同样来自美国国家航空航天局（NASA）发布的MERRA‐2。MER‐RA‐2把地球表面划分为50 km×60 km网格，每6小时纪录一次各个高度的大气层对应的温度。其中，离地表最近的两层对应的高度分别为110 m和320 m。正常情况下，近地面温度应高于高空大气层温度。如果反之，则出现逆温现象，并意味着空气污染物难以通过空气上下对流进行扩散，导致大气污染浓度上升。如果某一天出现了至少一次逆温，该研究将这一天记作逆温天。该研究按照家庭所在区县和被访时间，计算每个家庭所面临的年度逆温天数。

表1展示了该研究核心变量的描述性统计。从中可以看到，无论是家庭层面的消费和收入数据，还是匹配到家庭层面的空气污染数据都存在较大的差异。这就为该研究的回归分析提供了好的识别基础。图1展示了经异常值处理后的核心被解释变量——家庭人均消费支出的分布，家庭人均消费支出取对数后的分布非常接近正态分布。

图1 平衡面板中人均消费对数形式的分布

表1 描述性统计

3.2 实证策略

识别空气污染对于人类经济行为影响的最大挑战来自内生性问题。由于空气污染是由经济活动产生的污染物排放所致，空气污染比较严重的地区往往也是经济活动比较活跃的地区。因此，潜在遗漏变量的存在使得OLS估计结果有偏且不一致。为解决内生性问题，该研究借鉴文献中的经典做法，在控制温度、风速、降雨等其他气象变量及固定效应的基础上，将逆温现象作为空气污染的工具变量。正常气象条件下，地面气温高于大气高层气温。由于冷空气重于热空气，大气高层较冷的空气就会下沉与地面较热的空气发生对流交换，从而把地面的空气污染物扩散出去。但是当逆温发生时，地面气温低于高层大气气温，地面空气与大气高层空气无法实现上下对流，导致地面空气污染物难以扩散。最为重要的是，尽管逆温加重了空气污染，但逆温却跟人类的社会经济活动不直接相关，这也就使得逆温满足了工具变量的外生性条件，即逆温只通过空气污染这个唯一渠道影响人类经济活动。正是因为逆温是非常外生随机的现象，它也成为文献中最常用的空气污染工具变量之一［4-8］。图2直观地展示了逆温天数与PM2.5明显的正相关关系。

图2 逆温天数与PM2.5浓度的相关关系

利用逆温作为空气污染的工具变量，使用如下的两阶段最小二乘法（2SLS）进行回归分析：

其中：被解释变量Yiym是家庭i在y年m月之前一年中家庭人均消费支出。核心解释变量Piym代表家庭i在y年m月之前一年所面临的PM2.5平均浓度。X"iym和Ziym分别是家庭i在y年m月之前一年的一系列气象变量以及逆温变量。γi是家庭固定效应，控制每个家庭不随时间变化的因素。δym代表年月固定效应，控制所有家庭随时间窗口变化的系统性差异。系数β是该研究关心的估计系数。控制上述固定效应和控制变量后，β估计的是同一个家庭在各轮调查中由于空气污染的差异导致的家庭人均消费的变化；其经济学含义是，过去一年中PM2.5平均浓度每上升1 μg/m3，同时期的家庭人均居民消费性支出会变化100×β%。最后，考虑到同一户家庭不同年之间的自相关以及同一区县同一年月内空气污染以及气象条件的自相关，该研究将标准误双向聚类在家庭和区县-年月层面［41］。

需要指出的是，空气污染与区县或家户层面其他变量存在一定的相关性。例如，在地区层面，空气污染跟人口或GDP等经济活动相关；在家户层面，如前言所讨论的，空气污染可能会影响劳动生产率，从而影响劳动收入，而收入又会进一步影响消费。因此，在式（6）中，该研究只控制了气象变量和相对外生的家庭层面控制变量（家庭人数），避免引入了坏的控制变量（Bad Control）进而带来新的内生性问题（稳健性检验部分又进一步加入其他家庭层面控制变量，仍能得到稳健结果）。该研究使用的工具变量法的识别关键在于工具变量（逆温）只通过影响内生变量（空气污染）影响被解释变量（消费）。条件于气象控制变量和固定效应时，工具变量与扰动项不相关即可（由于逆温作为高度随机外生的气象条件，在控制其他气象变量后，逆温与其他经济影响因素不相关），即可得到无偏一致的估计结果。在当前的识别策略下，该研究估计的系数β反映的是空气污染对家庭人均消费的总影响。

4 实证结果

4.1 空气污染对家庭人均消费的影响

4.1.1 基准回归结果

表2对比了OLS和2SLS两种模型设定的回归结果。由表2可知，OLS估计结果表明，过去一年中PM2.5平均浓度每提高1μg/m3，家庭人均居民消费性支出会降低0.6%。相比之下，2SLS二阶段的估计结果表明，过去一年中PM2.5平均浓度每提高1μg/m3，家庭人均居民消费性支出会降低2.9%。这也就意味着传统的OLS估计可能低估了空气污染对消费的负向冲击。低估的可能原因是，空气污染跟当地生产活动高度正相关，而更活跃的生产活动则有可能通过提高居民收入从而进一步促进居民消费增长；也就是说，OLS的估计结果有可能包括了这部分的正向效果，从而导致空气污染对居民总消费的负向冲击被低估。2SLS一阶段中KPF‐statistics显著拒绝了弱工具变量（Weak Ⅳ）的零假设，且符号为正表示逆温天数增加导致PM2.5平均浓度上升，符合工具变量的假设，这就保证了该研究2SLS估计结果的可靠性。

表2 空气污染对家庭人均消费的基准回归结果

自2013年以来，新一届政府对环境治理工作的重视上升到前所未有的高度，不但修订《大气污染防治法》、发布《环境保护税法》，而且也实施了中国有史以来规格最高、区域最广、实施最严、力度最大的环保类行政规制——环保督察。该研究的研究结果表明，空气质量的改善会进一步促进居民的家庭消费。这就意味着中国近年来的大气治理工作在改善环境的同时，对宏观经济发展也有一定的促进作用。尤其是2014年以来，消费已超过投资和净出口成为中国经济增长的最大推动力。2014—2019年间，全年最终消费支出对国内生产总值（GDP）增长的贡献率分别高达50.2%、66.4%、64.6%、58.8%、76.2%和57.8%。考虑中国未来30年经济增长、城镇化和人口老龄化三大因素的影响，中国居民家庭消费总量将从2015年的22.9万亿元增长到2049年的71万亿—134万亿元，成为全球最大的消费国［2］。在消费已成为并将持续成为中国经济增长最主要动力以及“双循环”战略的背景下，大气污染治理下的空气质量改善有了更深一层的宏观意义。

4.1.2 稳健性检验

为进一步证实基准回归的结果，该研究对工具变量回归结果进行了一系列的稳健性检验工作。表3是2SLS二阶段的估计结果。首先，该研究分别用每个家庭被访日前一年的PM2.5年中位数、轻度污染以上天数（日均PM2.5浓度超过45 μg/m3的天数）、中度污染以上天数（日均PM2.5浓度超过60 μg/m3的天数）和重度污染以上天数（日均PM2.5浓度超过75 μg/m3的天数）代替PM2.5年平均浓度作为核心解释变量。表3结果显示，当PM2.5中位数作为核心解释变量时，其系数与基准回归结果非常接近。更有意义的发现是，每增加一天重度以上天数对应的系数要明显大于轻度污染和中度污染天数对应的系数。这意味着相对轻度污染和中度污染来说，重度污染对家庭人均消费的抑制作用更为明显。显然，空气污染对家庭消费存在非线性的影响，即空气污染浓度越高，空气污染对居民消费的边际负面影响越大。

表3 空气污染对家庭人均消费的非线性影响

其次，该研究在表4中进行了调整标准误的聚类水平、增加家庭层面控制变量以及改变样本的时间窗口匹配规则等稳健性检验。由于基准回归中已经控制了家庭固定效应，所有家庭层面不随时间变化的因素已经被控制住。表4的列（1）回归将标准误双向聚类到家庭和年月层面，发现显著性不受影响。表4的列（2）回归则控制了每个家户在第一期被访时的家庭人均收入与调查批次虚拟变量的交互项。控制前置变量（即第一期的收入）与调查批次虚拟变量的交互项，而不是当期家庭人均收入，是为了避免当期家庭人均收入产生潜在内生性问题。虽然能够确定CFPS每个家户的调查月份，但不能确定每个家户具体在该月哪天被访谈。因此，在基准回归中，该研究以每个家户被访月份的15号作为被访日期进行测算。表4的列（3）则汇报了将时间窗口改为被访月份1号的回归结果。总体而言，上述稳健性检验的结果与基准回归结果都很接近。

4.2 空气污染影响消费的机制检验

尽管基准回归结果和稳健性检验都证实了空气污染确实会降低家庭消费水平，然而影响的机制还有待探索。正如前文所讨论的，空气污染对居民日常消费存在两个可能的直接渠道。首先，人们也会通过一系列的防护性行为，来规避空气污染对自身健康可能的负向冲击。例如，人们会在重污染天减少户外活动。这类防护性行为可以减少居民健康水平由于空气污染导致的受损，但也必然降低了消费场景的可能性，从而直接减少了居民的日常消费。其次，空气污染对居民日常消费影响的另一个机制是空气污染对居民健康的影响。一方面，居民健康受到空气污染的负向影响后，人们可能会倾向于增加医疗支出来修复健康水平；另一方面，空气污染导致居民健康恶化后，人们的消费欲望也将相应下降，比如不愿出门购物、就餐等等。因此，空气污染通过健康这一机制对消费的影响可正（空气污染增加人们的医疗支出）可负（人们健康水平下降后消费欲望也会下降）。因此，空气污染对居民消费的影响渠道主要是健康变化带来的消费变化以及防护性行为导致的消费下降。

为验证上述机制，该研究结合CFPS家庭信息与个人信息，将家庭中各个成员的健康水平匹配到家庭层面。由于问卷中有关消费的问题对应的时间窗口均为过去一年，因此理想情况下，相应健康状况的时间窗口也应是过去一年。该研究利用CFPS问卷中“您觉得您的健康状况和一年前比较起来如何”这一问题来定义个人层面的健康变化情况。具体来说，如果回答为“更差”，则定义“不健康”这一虚拟变量取1；如果回答为“更好”或“没有变化”，则定义“不健康”这一虚拟变量为0。然后，在家庭内部求得每个成年家庭成员的“不健康”虚拟变量的平均值及最大值；如果家庭内部有两个成员，其中一人健康，另一人不健康，那么家庭层面的不健康水平的均值为0.5，最大值为1。表5展示了将家庭层面健康情况作为控制变量纳入基准回归模型的估计结果。

表5 空气污染对家庭人均消费的机制检验

根据表5的回归结果，家户在被访日期前一年健康状况下降总体而言会增加居民家庭消费支出。但是，相比于表5列（1）的回归结果，列（2）和列（3）在控制了健康变量后，空气污染对居民消费的负向影响结果基本不变，PM2.5平均浓度对应的系数绝对值仅略微增加。这就意味着，可能不存在空气污染通过健康这个渠道影响居民消费的机制——也与表7列（2）的回归结果一致，即空气污染对家庭人均医疗保健支出的影响基本不显著。此外，表5的回归结果也表明无论是以最大值、还是以均值定义家庭层面的健康水平都对估计结果影响不大。因此，综合以上结果，该研究基本可以得出以下结论：防护性行为对消费场景的限制不但降低了居民消费，而且可能是空气污染影响家庭消费的最主要机制。然而，由于CFPS数据本身并没有合适的变量可以充分反映人们对空气污染的防护性行为，因此该研究难以直接验证。

4.3 空气污染对家庭收入和家庭储蓄率的影响

空气污染影响消费的另一个可能途径是空气污染通过影响健康降低了家庭的收入水平，进而间接影响了家庭消费水平。正如前文所讨论的，不少研究发现空气污染不但会减少劳动供给时间，而且会降低劳动生产率。那空气污染会不会通过降低居民家庭年收入水平抑制家庭消费呢？从表6可以看出，该研究利用工具变量回归，识别空气污染对家庭收入的影响。回归结果表明，PM2.5平均浓度在年度层面上对家庭人均收入没有显著影响。

表6 空气污染对家庭人均收入与储蓄率的影响

需要指出的是，该研究关于空气污染与收入之间关系的发现与文献中的研究结论并不矛盾。以往文献的相关研究大多利用日度或月度的相对高频数据，关注的是短期空气污染暴露对劳动供给时间和劳动生产率的短期影响。日常的空气污染给人们健康带来的主要是急性症状反应。空气质量一旦改善（例如从污染天气变成优质天气），大部分不适反应都会消失。因此，空气污染对劳动者行为的影响主要表现为短期影响，这也是文献中的主要发现。但在年度的中长期层面，可能会存在补偿效应，即在空气质量较好的时候，人们会提高劳动力供给或劳动生产率以弥补在污染天中所遭受的收入损失。空气污染对人们保险购买行为的影响的研究中也发现类似效应的存在［21］。此外，文献中有关空气污染对劳动生产率的影响研究，考察的大多是空气污染对计件制工人的收入影响［42-43］；现实中，大部分劳动者的收入还是以计时制为主。因此，空气污染即使会降低劳动生产率，但也不会影响劳动者收入。

该研究现有的回归结论表明，空气污染会抑制居民消费，但对居民收入没有显著影响。一个直接的推论是空气污染会导致居民储蓄率的上升。表6中空气污染对居民储蓄率影响的回归结果显示：被访日过去一年中PM2.5平均浓度每提高1 μg/m3，家庭储蓄率会显著提高0.06个百分点。由于空气污染对家庭人均收入没有显著影响，空气污染对储蓄率的影响显然是由空气污染对消费的影响效应带来的。长期以来，中国居民的储蓄率在全球高居第一。2017年，中国居民的储蓄率高达30%；相比之下，2017年美国的居民储蓄率仅为6.7%。该研究的发现则提供了另一个视角来理解中国居民的高储蓄率。

4.4 空气污染对家庭分项消费的影响

基于国家统计局的居民消费支出分类口径，该研究利用CFPS数据进一步检验空气污染对居民家庭分项消费的影响。文献［24］利用中国城市层面日度的信用卡交易记录，发现空气污染会显著增加城市加总的医疗支出，但同时也会显著减少城市加总的日常必需品的支出。但是信用卡消费人群和场景有一定的特殊性，未必有足够的代表性。

为了检验空气污染是否影响非医疗保健类的消费水平，该研究检验了空气污染对剔除家庭医疗保健支出后的消费支出（对应理论模型中仅提高家庭效用本身、不影响健康水平的消费品c）以及医疗保健支出（对应理论模型中的仅提高健康水平却并不通过健康之外的渠道影响效用的消费品x）的影响。将家庭分项消费分为医疗保健支出和非医疗保健支出两大类，进行分样本回归。由于在CFPS数据中，诸多分项消费的数据存在较多零值和缺失值，因此相关结果的解读需要谨慎。由于分项消费存在诸多明显的异常值，因此剔除样本中这三个变量上下各2.5%分位数的家户样本以及总消费为缺失值的样本后进行估计。分析结果见表7。

表7 空气污染对消费的分项支出影响

表7的回归结果表明， 日均PM2.5浓度每上升1 μg/m3，这一年中家庭人均非医疗保健支出下降2.5%，这一效果与基准回归结果接近，表明空气污染对消费的抑制性影响主要由日常消费类型（即非医疗保健支出）所驱动。从表7中还可以看出，空气污染对医疗保健支出的影响结果并不显著，这可能是因为空气污染对健康的影响更多是短期影响，而且是眼睛和喉咙不适反应以及头疼痛等轻症状，因此年度层面的估计结果并不显著［23］。综合考虑表7的估计结果，得出以下结论：年度层面的空气污染上升显著降低了家庭对纯消费品（仅提高居民效用但不影响健康水平的消费品）的消费，但对家庭的医疗保健支出的影响并不显著。

4.5 空气污染对家庭消费的异质性影响

中国空气污染消费水平在城乡间存在较大差异性，为了进一步考察空气污染对居民家庭消费的城乡异质性影响，该研究以被调查家庭是否属于城市对样本进行分类。在这一部分，为比较组间是否有显著性差异，该研究在基准模型的基础上加入分组虚拟变量与空气污染的交乘项，用来检验空气污染的异质性影响。表8比较了这两个分类组别中的均值是否存在显著差异。总体而言，农村地区消费支出少于城市地区，且空气质量相对更好。

表8 变量组间差异检验：城乡差异

为比较组间是否有显著性差异，该研究在基准模型的基础上加入分组虚拟变量与空气污染的交乘项，用来检验空气污染的异质性影响。该研究同时使用逆温天数以及逆温天数与分组虚拟变量的交乘项作为工具变量，以尽可能保证工具变量法一阶段的拟合情况，避免弱工具变量问题，分析结果见表9。

表9 空气污染对家庭人均消费的异质性分析

表9结果显示，城镇的家庭人均消费受到空气污染的负向影响比农村要小0.32%（约为全部影响的10%）。该研究的研究结论表明，农村家庭相对城镇家庭承担更多的因PM2.5产生的消费影响。该结论暗含着分配效应的启示，即社会弱势群体受到空气污染负面影响更大。这种空气污染在城乡地理空间上的收益和成本分布不平衡的状况，也在一定程度上加剧了中国城乡福利差距问题；而过去10年大气污染治理工作带来的空气质量提升，则在一定程度上缓解了该问题，并起到了再分配作用。

5 结论与建议

空气污染一直是中国政府和民众关心的热点问题。以往文献主要关注空气污染对人体健康和人力资本的影响，该研究则从消费角度研究空气污染对经济发展的负面影响。使用2010—2018年5期中国家庭追踪调查数据的消费和收入信息，匹配同时期的空气污染数据，并以逆温作为空气污染的工具变量进行工具变量回归。回归结果表明，空气污染虽然对居民收入没有显著影响，但显著抑制居民家庭消费水平，且污染水平越高，空气污染对居民消费的负向影响越大。机制检验发现空气污染对家庭消费的负向影响，可能主要来自人们对空气污染的防护性行为限制了其消费场景和相应的消费能力。进一步的回归表明空气污染会显著增加居民储蓄率、显著降低家庭对纯消费品的消费。此外，农村家庭的消费受到空气污染的抑制作用更加强烈。

该研究结论具有一定的政策意义。党的二十大报告强调着力扩大内需，增强消费对经济发展的基础性作用和投资对优化供给结构的关键作用。该研究表明，为进一步释放居民消费潜力，不仅需要关注经济因素，也需要改善环境质量因素。中国的大气污染治理攻坚战已经取得了阶段性成果，“双碳”目标的实现又将进一步改善空气质量。该研究发现，环境治理也可以进一步带动消费水平的提高，进而在需求侧激活内需，助力“双循环”。中国未来的环境治理也将推动中国在供给侧升级为更清洁的产业结构，在需求侧实现“以内需驱动取代外需驱动”的转型。因此，考虑到中国经济发展水平和内在发展需要，应对气候变化和治理空气污染仍应作为当下乃至未来中国的重要发展议题。