能源强度、交通压力与雾霾污染
——基于静态与动态空间面板模型的实证
刘晓红1,江可申2
(1.南京晓庄学院商学院,南京 211171;2.南京航空航天大学经济与管理学院,南京 211106)
【摘要】 采用2003～2014年中国30省区面板数据,运用空间计量经济学方法,使用地理距离权重矩阵,建立静态与动态空间面板计量经济学模型,分析城镇化进程中能源强度、交通压力和能源结构等对雾霾污染的影响。研究发现,雾霾污染存在正的空间相关性,局部地区雾霾污染存在集聚现象;空间和时间固定效应的空间杜宾模型最优;静态和动态空间面板模型都显示雾霾污染存在空间外溢效应,中国经济发展与雾霾污染之间存在环境库兹涅茨曲线,能源结构、交通压力与雾霾污染呈同方向变动,能源强度的溢出效应为负;动态空间面板模型比静态更为合适,估计结果更为准确,揭示了行为习惯等遗漏因素对雾霾的影响也很重要。
关键词: 雾霾污染;能源强度;交通压力;静态空间面板模型;动态空间面板模型
中国正在加强供给侧结构性改革,增强经济持续增长的动力,与此同时,一些城市雾霾天数增多,对居民身心健康带来了负面影响。当前,伴随着中国城镇化的推进,能源消费量不断扩大,私家车拥有量增长迅速,如何处理能源强度、交通压力与雾霾污染的问题,使生态环境质量总体改善,是值得深入探讨的议题。
雾霾污染的主要成分是PM10和PM2.5。雾霾污染与经济活动密不可分,从经济角度对雾霾进行的研究分为3类:首先,对经济发展与雾霾污染之间的环境库兹涅茨曲线EKC进行的研究。Poon等[1]发现,中国经济增长与二氧化硫存在倒U 型曲线。马丽梅等[2]发现,雾霾污染与经济发展的倒“U”型关系并不存在或还未出现。东童童等[3]发现,工业劳动集聚与雾霾污染之间存在库兹涅茨曲线关系。卢华等[4]认为在空间状态下经济-环境关系轨迹呈“倒N 型”。其次,产业结构与雾霾污染之间的研究。通过实证检验[5-8]得出,煤炭消费量以及煤炭消费比重增加会使雾霾污染恶化。最后,汽车数量对雾霾污染的研究。Hao等[9]认为车辆数量和第二产业对城镇PM2.5浓度有显著的影响。王立平等[10]发现,汽车保有量对雾霾污染具有抗干扰性的“稳健性”影响。马丽梅等[11]认为交通因素从全国范围看对雾霾的影响不显著。李晓燕[12]认为汽车尾气对河北雾霾产生的影响最大。
两组干预后的SAS、VAS评分均低于干预前，差异具有统计学意义（P＜0.05）。观察组干预后的SAS、VAS评分下降程度更明显，差异具有统计学意义（P＜0.05），见表1。
由上述成果可以看出,使用空间计量方法关于雾霾污染的研究逐渐增多,这为本文打下了基础,但也存在着不足,表现在:①关于雾霾污染的研究要么采用传统面板数据方法,要么使用静态空间计量方法进行分析,缺乏使用动态空间计量的文献;②既有的空间计量多使用简单的二进制邻接权重矩阵以及没有偏误修正的模型进行分析;③在研究内容方面,从能源强度、交通压力角度对雾霾污染进行分析的文献较少。为了解决上述问题,本文在如下方面加以拓展:①将滞后期被解释变量作为解释变量引入模型,建立动态空间面板计量模型,以检验未列入模型的其他遗漏变量对雾霾污染的影响,并与静态空间面板模型比较,这在雾霾污染领域是一新的尝试;②使用空间距离权重矩阵分析雾霾污染的空间溢出效应,同时,由于空间滞后被解释变量和解释变量的系数估计对偏误修正比较敏感,故使用偏误修正的模型进行分析;③剖析能源强度、交通压力等变量对雾霾污染的影响。中国PM2.5只能获取2012年以后的数据,所以,本文以PM10作为衡量雾霾污染的指标。
1 研究方法与数据
1.1 探索性空间数据分析
1.1.1 全局空间关联性指标 使用自关联性Moran’s I 指数表示全局空间关联性,其计算公式为
式中:I 为Moran's指数;xi为第i个地区PM10浓度值;n 为地区总数;wij是空间权重矩阵。Moran's I 指数的取值范围为[-1,1]。大于0,说明存在空间正自相关;小于0,说明存在空间负自相关。
1.1.2 局部空间关联性指标 Anselin[13]使用局部Moran's I 指数(LISA)说明局部地区变量集聚现象,公式为
如果Ii为正值,则说明局部正相关,属于高-高集聚,或低-低类型的集聚;如果Ii为负值,则说明局部负相关,属于低-高类型的集聚,或高-低类型的集聚。
根据文献[14],以(wz,z)为坐标点的Moran's I 散点图也用于说明局部空间特征,是对空间滞后因子wz和z 数据进行可视化的二维图示。
1.2 空间面板计量经济学模型
1.2.1 静态空间面板模型 为了确定观测值之间的空间依赖,空间面板数据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)3类[15]。
根据文献[16],SLM 模型公式为
式中:yit=(y1t,y2t,…yNt)T为被解释变量组成的N×1维矢量;
为被解释变量yit与相邻单元yjt之间的交互效应;wij为N×N 阶非负空间权重矩阵。借鉴文献[17],选用地理距离权重矩阵,即
式中:d 为两地区地理中心位置之间的距离;δ 为内生交互效应的响应参数;α 是常数项;xit为N ×K的外生解释变量矩阵;β 为与xit相匹配的响应参数;εit为独立同分布误差项,服从(0,σ2)分布;μi为空间效应;λt为时间固定效应。
[64]《缅甸驻华使馆一秘否认美国在缅建立军事基地》，《中华人民共和国外交部档案》，档号：105-00174-02(1)。
SEM 模型的具体形式为:
式中:φit为相空间自相关误差项;ρ 为空间自回归系数。
式中,θ 和β 相同,是K×N 维参数向量。
之后，他们分开。她独自先回了深圳，当晚就Email了辞职信。爱情没有好坏胜负高下之分，爱情就是你我相对或者不相对时，心中都只有在一起的希望。他在她已经绝望的时候给她希望，是多么多余。
SDM 模型扩展了SLM 模型,其具体形式为
1.2.2 动态空间面板模型 埃尔霍斯特[18]认为,空间动态模型中,每个空间单位在不同时间的观察值之间存在序列依赖,每个时间点在不同的空间存在空间的依赖,评估不可预测的特定时间和特定空间的效应以及解释变量的内生性,其模型形式为
式中:yi,t-1为被解释变量在时间上的滞后值;w yjt为被解释变量在空间上的滞后值;wyj,t-1为被解释变量在空间和时间上的滞后值;τ、δ 和η 分别为yi,t-1、wyjt和wyj,t-1的响应参数。
图7显示该矿生产时间段高能冲击事件发生的概率和强度都明显大于检修时间段，50个106 J事件中仅有3处位于检修时间段，24个107 J事件和1个108J事件均位于生产期间。表明生产工序(采煤机割煤、放煤等)对冲击地压具有很大影响，需要尽量将巷道危险区域的作业应安排在检修时间进行，以避免冲击地压造成人员伤亡事故。
为证实这一设想，她利用CRISPR/Cas9基因编辑技术，敲除该基因编码区，被破坏掉编码区的ZmGRP1就无法正常表达。将经过此处理的植株和正常植株进行比对，发现有一千多个基因的可变剪接受到影响。ZmGRP1就如司令官指挥千军万马一般，调控着这些基因的可变剪接。
在翻转课堂教学模式下，课堂活动中更加注重研讨式学习，同伴互助学习与教师引导下的研讨学习活动占课堂学习活动比重较以往有较大提高，学生课堂主动参与度相应提高，翻转课堂教学模式下的考核方式理应避免评估过程流于形式，而应该切实提高其对教学活动的引领性与针对性[3]。
1.2.4 变量选取及模型设定 为了从空间计量经济学角度探究在城镇化进程中,能源强度、交通压力等对雾霾污染的影响,基于IPAT 模型[20]的基础上建立STIRPAT 模型[21]。STIRPAT 模型的具体形式为
再如2013年中考作文《那段 的日子》，有些学生，写的是《那段温暖的日子》，文中围绕温暖只写一件事，而没有扣住“那段”，从而离题较远，失分较重。
党员领导干部蜕变成“两面人”“两面派”，除了畸形的主观因素外，还是这些地方恶劣的政治生态共同作用的结果。
由全局空间相关性和局部空间相关性分析可知,雾霾污染存在着空间自相关,因此,需要采用空间计量经济学模型进行实证分析。使用经典的拉格朗日乘数检验和改进的稳健的拉格朗日乘数检验[19]进行模型选择,结果如表1 所示。LM-lag和LM-error检验显示,混合OLS 等4 类模型都在10%的显著水平上拒绝了没有空间滞后项的原假设和没有空间自相关误差项的原假设。Robust LMlag和Robust LM-error检验显示,4类模型在5%的水平上通过了显著性检验。如果基于(Robust)LM 检验拒绝了非空间模型而支持SLM 或SEM 模型,则文献[19]中建议使用SDM 模型,故本文使用SDM 模型进行估算,计量方法为极大似然(ML)估计[24]。通过LR 检验进行固定效应的选择,结果显示,在1%的显著水平上,LR 检验既拒绝了空间固定效应联合非显著性的原假设,也拒绝了时间固定效应联合非显著性的原假设,根据文献[25],需使用空间和时间固定效应模型。
式中:PM10(μg/m2)为雾霾污染程度;GDP(元/人)为人均实际GDP,以1997为基期;U(%)为城镇化程度;SE(%)为第二产业比重;EI(t/万元)为能源强度;ES(%)为能源结构;TP(辆/km)为交通压力;εit为标准误差项。
1.2.5 数据来源 文中对中国30省区(不包括港澳台)2003～2014年的PM10进行研究,西藏一些年份数据缺失,故不包括西藏。各变量数据来自于《中国统计年鉴》(2004～2015)、《中国能源统计年鉴》(2004～2015)。煤炭消费量由折标系数先折算为标准煤。地理距离权重矩阵中各地区地理位置坐标由国家电子地图使用Geoda9.5软件计算得出。
2 中国雾霾污染的空间统计分析
2.1 中国雾霾污染分布
把PM10由低到高分为4 个等级,即第1 等级PM10浓度最低,第4级PM10浓度最高。12年间,位于第1等级即PM10浓度最低的省区主要有海南、福建和广西;位于第2 等级有江西和吉林。广东、上海、云南和贵州在2010年以前位于第2等级,2010年以来位于第1等级。从中可以看出,位于第1、2等级的省区主要位于东部和西部。位于第3等级的省区最多,有山东、天津、河北、江苏、浙江、河南、安徽、湖北、四川、青海、陕西、辽宁、黑龙江等地,囊括了中国东、中、西部和东北地区。
首先，重视预算编制，在预算编制中，重点关注经费支出数据，确保这类数据编制的合理性和有用性。其次，预算执行过程中，加强对经费开支数据的监控和审核，针对实际经费开支情况与预算数进行对比分析，查找原因，及时提出改进建议。最后，重视预算管理，有条件的事业单位，比如自收自支型事业单位，可以将经费开支情况与绩效考核相挂钩，严格经费管控，对经费超标行为严厉打击，防止资金浪费。
2.2 雾霾污染空间相关性分析
2.2.1 全局空间相关性分析 使用GeoDA 9.5软件,得出2003～2014年PM10全局Moran's I 指数,结果如图1所示,各年的Moran's I 指数都通过了5%水平下的显著性检验。PM10全局Moran's I 指数呈上升趋势,从2003年的0.249 0 上升到2014年的0.423 6,说明中国雾霾污染正的空间自相关性增强。
图1 中国PM10全局Moran's I 指数
2.2.2 局部空间相关性分析 使用LISA 集聚图和Moran's I 指数散点图说明雾霾污染的局部空间相关性。2003年局域集聚图显示,高-高省区为新疆、陕西、甘肃、北京和天津,低-高省区为河南、内蒙古,低-低省区为浙江和广东。2014年,高-高省区为内蒙古、山西、河北、北京、山东、天津和辽宁,低-高为河南,低-低省区为贵州、湖南、福建、广西、广东、江西和浙江。
情景2：林蓝丧气地对大赵说：“老公，今天邻居用支付软件买水果，居然摇到了免单，58块呢！我却没摇到一毛钱。”大赵正对着电脑加班，注意力完全不在林蓝身上，眼见老婆气呼呼地转身走了，才把刚才的话在记忆库里调出来，仓促地发了一个微信红包算是道歉。
1.2.3 空间计量经济学模型的选择 空间面板数据模型的选择步骤:首先,采用拉格朗日乘数进行空间相关性检验;其次,如果LM 检验拒绝了非空间模型,可以采用SLM 和SEM 模型,文献[18-19]中推荐使用SDM 模型;再次,使用似然比LR 和Wald检验SDM 模型能否简化为SLM 或SEM 模型;最后,使用空间Hausman检验在随机效应和固定效应之间进行选择。
Anselin[22-23]认为,Moran's I 指数散点图能直观地显示空间自相关的情况。运用GeoDA9.5,采用邻接空间权重矩阵的“queen”相邻,绘制出的2003和2014年PM10的Moran's I 指数散点图。结果显示,大多数省区位于一、三象限,极个别个省区位于二、四象限,说明中国雾霾污染空间正相关较强。
式中:α 是常数项;b、c和d 分别为人口P、财富A 和技术T 的指数项
是模型的残差;i 为省区;t 为年份。式(8)取对数,可得
3 实证结果与分析
3.1 空间诊断性检验
改善的模型如下式所示:
表1 空间诊断性检验
3.2 静态空间面板实证结果分析
Wald、LR 检验和空间Hausman检验结果如表2下半部分所示。Wald spatial lag和LR spatial lag检验拒绝了SDM 模型转化为SLM 模型的原假设;同时,Wald spatial error和LR spatial error检验说明也必须拒绝SDM 模型简化为SLM 模型的原假设,因此要使用SDM 模型。使用空间Hausman检验在随机效应和固定效应之间进行选择,估计值为46.779 7,P=0.000 0,故拒绝随机效应模型,使用空间和时间固定效应模型。综合上述分析,可知空间和时间固定效应的SDM 模型最为合适。
根据文献[16],如果SDM 模型中包含空间和时间固定效应,参数估计需要进行偏误修正,如表2中第3列所示。第2和第3列的log-likelihood值相同,但空间和时间固定效应及偏误修正的空间和时间固定效应模型的R 2 分别为0.878 6和0.878 8,故选择偏误修正的空间和时间固定效应模型即表2中的第3列数据进行分析。
空间自回归系数为0.170 2,说明存在“局部俱乐部集团”效应,相邻地区的雾霾污染对本地区有正向影响,雾霾污染存在空间溢出效应。这与前文的中国雾霾污染存在高-高、低-低的空间集聚结论一致。人均GDP的弹性系数为正,人均GDP平方的系数为负,且都通过了1%显著水平的检验,验证了雾霾污染的EKC假说。城镇化弹性系数为0.334 8,城镇化对雾霾污染影响显著。第二产业比重弹性系数为0.249 8,本地区产业结构优化会改善雾霾污染状况,因此,中国要走一条低污染的新型工业化道路。能源强度的弹性系数为0.277 1,能源强度的降低利于雾霾污染的治理。能源结构的估计系数显示,煤炭消费比重每下降10%,将使雾霾污染下降1.157%,能源结构对雾霾污染的影响较大。此外,交通压力的弹性系数也为正,且通过显著性检验,这是因为中国私人汽车拥有量的提高会通过能源消费量的扩大以及尾气排放加重雾霾污染。
表2 空间杜宾模型估计结果
根据文献[19],为了说明解释变量真实的空间溢出效应,需要估计直接效应和间接效应,结果如表3所示。由于反馈效应的存在,表3中解释变量的直接效应和表2中的系数存在差异。与上文一致,选取空间和时间固定效应偏误修正的直接效应和间接效应即表3中第3列数据进行分析。所有解释变量的直接效应都通过了显著性检验,其中,人均GDP、人均GDP平方、能源结构和交通压力都通过了显著性检验。第二产业比重的直接效应也为正值。能源结构直接效应为正,总效应大于直接效应,说明煤炭消费比重短期内对雾霾污染的影响较小,但长期内对雾霾污染的影响较大。能源强度和交通压力的间接效应都通过了显著性检验,说明某地区能源强度和交通压力对相邻省区的变量有累积效应。能源强度的直接效应为0.2545,间接效应为-0.7660,说明能源强度存在“损人利己”效应,即本地区能源强度下降,在降低本地区雾霾污染的同时,却会给相邻地区带来负效应,导致相邻地区雾霾污染上升。交通压力的直接效应和间接效应符号与能源强度相同,即交通压力的下降会降低本地区雾霾污染,但会提高相邻地区的雾霾污染。
3.3 动态空间面板结果分析
静态空间面板模型虽然说明了经济发展、能源强度和交通压力等对雾霾污染的影响,但可能忽略了一些重要因素如居民行为习惯、贸易开放等对雾霾污染的影响,故使用被解释变量PM10的一阶滞后项作为解释变量,表征遗漏变量对雾霾污染的影响,建立动态空间面板模型。根据最大似然法估计,具有固定效应的动态空间杜宾面板模型估计结果如表4所示。动态空间杜宾面板模型的R2=0.906 1,Log-likelihood=315.833 6,都高于静态空间面板模型,说明动态空间面板模型比静态更为合适,估计结果更为准确。
(1)动态空间杜宾面板模型中的空间相关系数为正,通过了显著性检验,且较之静态空间面板的空间相关系数有所提高,说明雾霾污染空间自相关效应明显。也说明,仅仅使用静态空间面板模型中的解释变量不足以全面考察雾霾污染的实际情况,行为习惯等遗漏因素对雾霾污染的影响也很重要,建立动态空间面板模型是有必要的。
(2)动态空间杜宾面板模型中被解释变量PM10一阶滞后项系数为0.608 0,且通过了1%水平的显著性检验,雾霾污染存在着时空依赖,这隐含着两层含义:一方面,说明我国雾霾污染存在动态连续性,即前一时期雾霾污染程度会对当前的雾霾污染水平有明显影响,前期的雾霾污染程度越高,当前的雾霾污染也越高,反之亦然;另一方面,说明其他因素如行为习惯、贸易开放等遗漏变量会对雾霾污染产生显著的正向影响。
表3 空间杜宾模型的直接效应、间接效应和总效应
表4 具有固定效应的动态空间杜宾面板模型估计结果
(3)动态空间杜宾面板数据模型没有改变中国经济发展与雾霾污染之间的倒U 型关系,且通过了显著性检验,说明中国经济发展与雾霾污染之间EKC的稳健性。能源结构与交通压力系数也通过了显著性检验,都与雾霾污染呈同方向变动关系。能源结构指标对雾霾污染的影响更为显著,系数更大。能源强度的溢出效应为负,这也与静态空间面板结论一致,根据文献[26],说明采用动态空间面板计量模型,控制动态时滞和遗漏变量以后,并没有改变前文的基本结论。
新疆维吾尔自治区喀什市在“十二五”期间，按照“领导办点、部门包村、队员驻村、集中指导、整村推进”的工作思路，扎实推进精准扶贫工作［1］。但在政策执行、管理体制、可持续发展、扶贫成效等方面存在一些不足。
4 结论
本文运用2003～2014年中国30省区(西藏除外)面板数据,采用静态与动态空间计量经济学方法,考察雾霾污染的空间相关性和集聚效应,分析城镇化进程中能源强度、交通压力等对雾霾污染的影响。研究发现:
(1)全局和局部相关性分析表明,中国雾霾污染存在显著的空间正自相关性,各地区的经济活动存在外部性。同时,中国雾霾污染水平不平衡,位于第一、二等级的省区主要位于东部和西部。中部和西部、东北地区的雾霾污染主要位于第三、四等级。这一结论的政策含义在于:①治理雾霾污染非一地之力,需要进行区域联合。赵莉等[27]认为,从长期来看,传统空气污染物与温室气体的协同治理比非协同治理更有效。因此,可建立“国家雾霾治理中心”,进行雾霾的协同治理,对雾霾实施有效的监控,并及时发布雾霾污染信息。各级地方之间加强合作,以治理雾霾污染为中心,切实推进雾霾污染的治理工作。②中国地域之间在经济发展、能源结构和交通压力等方面千差万别,雾霾污染程度不同,故环保政策要充分考虑地区差异,避免“一刀切”。如北京、河北、山西、天津等高-高污染地区要从整体上进行重拳治理,限制高污染企业数量,以防高污染企业对相邻地区带来的负面影响。广东、广西、浙江、福建等低-低地区可以继续保持低雾霾污染的态势,相互之间加强节能减排、排污治理方面的合作,实现良性循环。
(2)静态空间杜宾模型回归结果表明,空间自回归系数显著为正,雾霾污染存在空间外溢效应。验证了雾霾污染的EKC 假说。城镇化、第二产业比重、能源强度、能源结构和交通压力的弹性系数都显著为正。从政策层面来讲:①在经济新常态中推动科学发展。即中国在经济新常态中速度与质量并重,采用集约型发展模式,实现科学发展与环境改善的双赢。②在推进新型城镇化的进程中,优化产业结构,提高第三产业比重。一方面,建设生态城镇,增加绿化面积,以生态优先,加强环境保护;另一方面,减少低附加值、高能耗产业,提高低能耗、高附加值产业比重。③提高能源效率。文献[28-29]中认为,中国在追求经济发展的同时要兼顾能源消耗的效率,降低能源强度。因此,中国需要通过技术创新等方法降低单位GDP 能耗,实现能源的高效利用。④降低煤炭消费比重,实现能源替代。即降低煤炭消费比重的同时,提高风能等清洁能源的比重,促进消费结构优化升级。同时,提高煤炭质量,加强煤炭清洁高效利用。最后,加强交通管理,发展公共交通。可以通过限制出行天数的方法使居民减少私人汽车的使用。并通过投放公用自行车等方法使居民出行通畅,减少私人汽车拥有量。
(3)动态空间面板模型比静态更为合适,估计结果更为准确;动态空间面板模型中的空间相关系数为正,雾霾污染空间自相关效应明显;仅使用静态空间面板模型中的解释变量不足以全面考察雾霾污染的实际情况,建立动态空间面板模型是有必要的。中国雾霾污染存在动态连续性,其他因素如行为习惯等遗漏变量会对雾霾污染产生显著的正向影响。静态空间面板模型的一些实证结果在动态空间面板模型得以验证。这一结论的政策含义在于:①企业、居民要有环境保护意识,要认识到雾霾污染与自身的生产、消费等行为密切相关,切实改变高能耗、高消费的行为习惯,节约资源,保护环境。②保证雾霾治理行为的可持续性。对雾霾的治理非一日之功,需要持之以恒,即确保雾霾治理行为的延续性。可以设立雾霾治理专项资金,并通过监管等措施保证专款专用,切实保障雾霾治理的可持续进行。③以政策为导向,通过税收减免等经济手段鼓励企业进行技术改造,防范雾霾污染。
参考文献 :
[1]Poon J P H,Casas I,He Canfei.The impact of energy,transport,and trade on air pollution in China[J].Eurasian Geography &Economics,2006,47(5):568-584.
[2]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.
[3]东童童,李欣,刘乃全.空间视角下工业集聚对雾霾污染的影响-理论与经验研究[J].经济管理,2015(9):29-41.
[4]卢华,孙华臣.雾霾染的空间特征及其与经济增长的关联效应[J].福建论坛·人文社会科学版,2015(9):44-51.
[5]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.
[6]马丽梅,张晓.区域大气污染空间效应及产业结构影响[J].中国人口·资源与环境,2014,24(7):157-164.
[7]王自力,何小钢.中国雾霾集聚的空间动态及经济诱因[J].广东财经大学学报,2016,31(4):31-41.
[8]刘晓红,江可申.我国城镇化、产业结构与雾霾动态关系研究-基于省际面板数据的实证检验[J].生态经济,2016,32(6):19-25.
[9]Hao Y,Liu Y M.The influential factors of urban PM2.5,concentrations in China:A spatial econometric analysis [J].Journal of Cleaner Production,2015,112:1443-1453.
[10]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.
[11]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.
[12]李晓燕.京津冀地区雾霾影响因素实证分析[J].生态经济,2016,32(3):144-150.
[13]Anselin L.Local indicators of spatial association-LISA[J].Geographical Analysis,1995,27(2):93-115.
[14]叶阿忠,吴继贵,陈生明.空间计量经济学[M].厦门:厦门大学出版社,2015.
[15]Anselin L,Le Gallo J,Jayet H.Spatial panel econometrics[M]//In Matyas L,Sevestre P.Eds.The Econometrics of Panel dData,Fundamentals and Recent Developments in Theory and Practice (3rd edition)Kluwer,Dordrecht,2008:901-969.
[16]Elhorst J P.Matlab software for spatial panels[J].International Regional Science Review,2012,37(3):389-405.
[17]李婧,谭清美,白俊红.中国区域创新生产的空间计量分析——基于静态与动态空间面板模型的实证研究[J].管理世界,2010(7):43-55.
[18]埃尔霍斯特J.保罗.空间计量经济学-从横截面数据到空间面板[M].肖光恩,译.北京:中国人民大学出版社,2015.
[19]Lesage J P,Pace R K.Introduction to spatial econometrics[M].Boca Raton,US:CRC Press Taylor and Francis Group,2009.
[20]Ehrlich P R,Holdren J P.Impact of population growth.[J].Science,1971,171(3977):1212-1217.
[21]Dietz T,Rosa E A.Effects of population and affluence on CO2emissions[J].Proceedings of the National Academy of Sciences of the United States of America,1997,94(1):175-179.
[22]Anselin L.The moran scatter plot as an ESDA tool to assess local instability in spatial association[M].London,UK:Taylor and Francis,1996.
[23]Anselin L.Under the hood issues in the specification and interpretation of spatial regression models[J].Agricultural Economics,2002,27(3):247-267.
[24]Elhorst J P.Specification and estimation of spatial panel data models[J].International Regional Science Review,2003,26:244-268.
[25]Baltagi B H.Econometric analysis of panel data(3rd edition) [M].Wiley,New York:Chichester,Toronto and Brisbane,2005.
[26]白俊红,蒋伏心.协同创新、空间关联与区域创新绩效[J].经济研究,2015(7):174-187.
[27]赵莉,彭小辉,顾海英.传统空气污染物和温室气体减排最优控制策略[J].系统管理学报,2016,25(3):506-513.
[28]赵爱文,何颖,王双英,等.中国能源消费的EKC 检验及影响因素[J].系统管理学报,2014,23(3):416-422.
[29]解学梅,霍佳阁,祝效国.能源强度与经济增长的动态关系—基于能源结构、政府干预多维视角的计量经济模型[J].系统管理学报,2016,25(5):777-786.
Energy Intensity,Traffic Pressure and Haze Pollution:An Empirical Study Based on Static and Dynamic Spatial Panel Model
LIU Xiaohong 1,JIANG Keshen 2
(1.Business College,Nanjing Xiaozhuang University,Nanjing 211171,China;2.College of Economics and Management,Nanjing University of Aeronautics and Astronautics,Nanjing 211106,China)
【Abstract】 This paper investigates the effects of energy intensity,traffic pressure,and energy structure on hazy pollution in the process of urbanization based on the static and dynamic spatial panel econometric model by using the panel data of 30 provinces and regions in China from 2003 to 2014,by using the spatial econometric method and geographic distance weight matrix,and by establishing static and dynamic spatial panel econometric models.It is found that haze pollution is of spatial correlation and there exists agglomeration in some areas.The spatial Durbin model with space and time fixed effects is the best of all.Both static and dynamic spatial panel models show that haze pollution has spatial spillover effects.There exists an environment Kuznets Curve between economic growth and haze pollution.Energy structure,traffic pressure,and haze pollution changes in the same direction.The spillover effect of is energy intensity negative.The dynamic spatial panel model is more appropriate and accurate than the static model,which reveals that the omission factors such as behavior custom also have a very important influence on haze pollution.
Key words: haze pollution;energy intensity;traffic pressure;static space panel model;dynamic space panel model
中图分类号: F 062.2
文献标志码: A
DOI: 10.3969/j.issn.1005-2542.2019.06.017
文章编号 :1005-2542(2019)06-1161-08
收稿日期: 2016-09-06
修订日期: 2018-04-20
基金项目: 江苏省社会科学基金资助项目(17EYD006);国家自然科学基金资助项目(71573138);江苏省高校“青蓝工程”资助项目
作者简介: 刘晓红(1976-),女,博士,副教授。研究方向为环境经济。E-mail:amylxhong@163.com
标签：雾霾污染论文; 能源强度论文; 交通压力论文; 静态空间面板模型论文; 动态空间面板模型论文; 南京晓庄学院商学院论文; 南京航空航天大学经济与管理学院论文;