我国城市经济发展与PM2.5 关系研究

康春婷 北京交通大学经济管理学院 北京 100000

【文章摘要】

近年来，我国多个城市饱受雾霾的侵袭，而作为引起雾霾的罪魁祸首，PM2.5 的产生又与城市经济的发展有什么关系呢？本研究利用STIRPAT 模型实证研究PM2.5 浓度与人口、人均GDP、能源强度、客运量、货运量和产业结构之间的关系。利用我国2001-2010 年省级面板数据，研究上述城市经济发展指标与空气中PM2.5 浓度的关系。研究结果表明： 我国各省PM2.5 的浓度与人口数、能源强度、第二产业占GDP 比重及第三产业占GDP 比重成正比，与人均GDP、客运量、货运量及第一产业占GDP 比重成反比。并针对实证研究的结果提出PM2.5 污染的治理措施。

【关键词】

影响因素；PM2.5 ；STIRPAT 模型；治理措施

【Abstract】

In recent years, a number of cities suffering from the influence of haze, but What is the relationship between PM2.5 production and economic development of the city. In this study, we use the STIRPAT model to do a research on PM2.5.We use the panel data from 2001 to 2010, as well as the population, per capital GDP, energy intensity, passenger, cargo and the industrial structure. The result shows that: the concentration of PM2.5 is proportional with population, energy intensity,secondary industry and tertiary industry’s proportion of GDP; the concentration of PM2.5 is inversely with per capital GDP, passenger, cargo, and the primary Industry’s proportion of GDP. Measures proposed to control the concentration of PM2.5.

【Keywords】

F a c t o r s ；P M 2 . 5 ；S T I R P A T M o d e l ； Measures

1 引言

近年来，我国多个城市出现了严重的雾霾天气，对我们的生活造成了很大的影响。特别是2013 年的1 月份，有4 次达到30 个省（区、市）被雾霾笼罩，尤其是北京，雾霾天数达26 天。有报告显示，在我国最大的500 个城市中，能够达到世界卫生组织推荐的空气质量标准的城市不到1%， 而世界上污染最严重的10 个城市中有7 个在中国。

有研究表明，PM2.5 正是造成这种雾霾天气的罪魁祸首。PM2.5 是指大气中直径小于或等于2.5 微米的颗粒物，也称为可入肺颗粒物。与较粗的大气颗粒物相比，PM2.5 粒径小，吸附能力强，富含大量的有毒、有害物质且在大气中可以长时间停留、远距离输送，因而相对于较大的颗粒物而言对人体健康和大气环境质量的影响更大。

PM2.5 的主要来源是人为排放。有一部分来自于人类生活生产直接排放，有一部分是人类排放的某些气体污染物在空气中转变成了PM2.5。直接排放主要来自化石燃料燃烧、生物质燃烧和垃圾焚烧等燃烧过程。另外，还有其他的人为来源，如道路扬尘、工业粉尘和建筑施工扬尘等。

由于PM2.5 所造成的污染事件越来越多，有关部门纷纷采取措施控制PM2.5 的排放，虽然在一定程度上取得了成效， 却没能彻底化解越来越严重的雾霾污染。因此，迫切需要对PM2.5 的排放治理进行进一步研究。本研究是在其他学者研究的基础上，用实证方法来研究空气中PM2.5 浓度与城市经济发展的关系，并在研究结论的基础上，为PM2.5 的排放治理提出政策建议。这对我国的生态文明建设和人民的健康生活具有十分重要的意义。

2 研究现状

2.1 PM2.5 的研究现状

2.1.1 国外研究现状

20 世纪90 年代以来，随着城市化和工业化的推进、能源消费的增加，大气中的细小颗粒物越来越多，环境污染越来越严重，人民健康生活受到了很大的影响，国内外开始了对PM2.5 的研究。

早在20 世纪80 年代初，美国便开始对可吸入颗粒物进行研究。1985 年，美国国家环境保护局将原颗粒物质指示物总悬浮颗粒物( 简称BP) 项目正式修改为PMl0，并于1997 年规定了PM2.5 的最高限值。

随着研究的深入和监测网络的发展，目前国外对于颗粒物浓度预测和来源解析的研究越来越多。2006 年美国环境保护局对美国全国拥有5 年以上(1999 ～ 2003) 监测数据的PM2.5 监测点， 运用关键设计值模型(CDV) 来预测PM2.5 浓度未来超过国家环境空气质量标准的可能性。Larsen 等于2003 年利用三种源解析模型对巴尔的摩市颗粒物中的PAH 进行了来源解析，并对三种模型结果进行了对比和评价。2012 年Minguill 等对瑞士地区大气颗粒物的化学成分进行了研究，并采用正定矩阵模型(PMF) 对颗粒物来源进行了解析。

2.1.2 国内研究现状

我国对于PM2.5 颗粒物的研究起步相对较晚，前期的研究工作主要是分析PM2.5 浓度与气象条件的关系。但是随着监测手段的进步，对于PM2.5 的浓度特征以及成分和来源分析研究越来越多。孙峰（2014）、陶俊等（2008）、王娟（2007）、杨凌霄（2008）对PM2.5 进行采样和监测，深入研究了PM2.5 的污染水平和影响因素，并利用模型对颗粒物来源进行了解析和评价。朱先磊等通过研究发现PM2.5 的主要来源为燃煤、机动车排放、建筑尘、扬尘、生物质燃烧、二次硫酸盐和硝酸盐及有机物。其中燃煤尘、扬尘、有机物以及二次硫酸盐和硝酸盐对PM2.5 浓度的影响较大。杨书申、孙珍全、邵龙义(2006) 总结了国内外对于PM2.5 的研究现状，认为PM2.5 的来源和发生量与不同国家和地区的化石燃料、经济发展、工艺方法以及管理水平等因素紧密相关。

通过详细的文献调研我们发现，国外目前对PM2.5 已经展开了深入的研究，并在此基础上建立了完善的PM2.5 监测网络，实时监控PM2.5 的变化趋势。近几年随着空气污染问题的日益严重，国内对于PM2.5 的研究越来越重视，也取得了一定的成果。但是关于PM2.5 与城市经济发展指标之间的关系的研究却非常少，所以本文从可能与PM2.5 浓度有关的城市经济发展指标入手，研究这些指标对PM2.5 的影响。91

管理纵横

Management

质量管理

2.2 研究方法

本研究以STIRPAT 模型为基础来对搜集到的面板数据进行回归分析。STIRPAT 模型来源于IPAT 模型，IPAT 模型最早是由Enrlich 在1971 年提出的。很多国外学者基于环境压力模型来解释环境中污染物排放量的增加。其中I 表示环境压力，P 为人口数，A 为富裕程度， T 为技术，后三项为环境压力的驱动因素。但在IPAT 模型中，自变量对于因变量是等比例影响的，模型适用范围相对有限，因此，Dietz 等在1994 年建立了IPAT 的随机模型——STIRPAT。目前STIRPAT 在国内外得到了广泛的应用，但是用来研究PM2.5 的污染状况的却很少有。这一方面是由于PM2.5 的概念提出的时间不长，国际推广的范围和程度也相差较大；另一方面也与我国长期只重视经济发展速度和经济绩效指标，对其他质量指标的重视不够有一定关系。

面板数据分析方法是最近几十年来发展起来的新的统计方法，面板数据可以克服时间序列分析受多重共线性的困扰，能够提供更多的信息、更多的变化、更少共线性、更多的自由度和更高的估计效率，而面板数据的单位根检验和协整分析是当前最前沿的领域之一。在本文的研究中，我们运用面板数据建立计量模型来量化PM2.5 浓度与人口、人均GDP、能源强度、客运量、货运量和产业结构之间的关系，考察这些指标对PM2.5 浓度的影响。

3 模型与数据回归分析

3.1 模型假定

经典的IPAT 模型主要描述了环境压力(I) 与人口(P)、富裕程度(A) 和技术水平(T) 四个要素之间的关系，即I=P*A*T。但是IPAT 模型只能通过改变其中一个因素，并且保持其它因素固定不变来分析问题，得到的结果仅仅是对因变量等比例的分析。为了解决这一问题，蒂兹(Dietz) 和罗萨(Rosa) 运用社会统计分析工具对IPAT 模型进行了改进，提出了 STIRPAT 模型，即。

式中：a 为常数项，b，c 和d 分别为P、A 和T 对应的弹性系数，表示当P、A、T 每变化1% 时，分别引起I 的b%、c% 和d% 变化，e 为模型误差项。

在结合STIRPAT 模型的基础上，本文选取人口数、人均GDP、能源强度、客运量、货运量和三大产业的GDP 占比等因素作为自变量，来研究客运量对PM2.5 浓度的影响，模型如下：

其中，PM 代表2.5PM浓度，P代表人口数；PY 代表人均GDP ；EI 代表能源强度；PT 代表客运量； 代表货运量；分别代表第一、第二和第三产业产值占GDP 的比重；i 代表省份； t 代表年份。

在实证研究中，为消除异方差和直接获得因变量对自变量的弹性，对变量均做自然对数处理，得到具体模型如下：

其中， it α 代表常数项， i β， 分别代表各自变量的估计系数， it μ代表随机误差项。

3.2 数据处理与来源

本研究的数据包括各省PM2.5 浓度数据、人口数据、各省人均GDP、能源强度数据、客运量、货运量和三大产业的GDP 占比数据。能源强度是反映单位GDP 生产过程中的能源消费量，可用一个地区的总能源消费量与总GDP 的比值来表示。各省人口数据、人均GDP、GDP 和能源消费量数据主要来源于统计年鉴、行业或部门年鉴和统计调查资料的年度数据。

模型的被解释变量为PM2.5 的浓度， 由于国内相关数据不全，本研究的数据来源于耶鲁大学、哥伦比亚大学和巴特尔研究所的研究团队根据卫星数据对我国各省的可吸入颗粒物浓度进行的研究得出的数据，即2001-2010 年我国各省市自治区人口加权PM2.5 年均浓度数据。为验证该数据的可信度，根据我国环保部2012 年2 月发布的《关于实施环境空气质量标准的通知》对PM2.5 污染的基本形势做出判断，这些数据与该判断大体一致。

基于数据的可得性和有效性，本文所用样本数据为2001-2010 年全国29 个省市的数据， 不包括重庆、西藏和港澳台地区。

首先根据上述模型用eviews 对数据进行回归分析，得到的结果中，由于PY 和TI 的参数估计没有通过P 值检验，所以将PY 和TI 进行一阶差分得到PY 和TI，再用所得到的数据进行回归分析，但是得到的结果中的参数估计仍未通过P 值检验，所以我们再将进行二阶差分。从得到的结果中可以看出，时间固定效应模型的参数估计均通过了P 值检验。

接着我们再进行随机效应模型的回归，从回归结果中可以看出，随机效应模型的参数估计并未通过P 值检验。

然后我们再进行F 检验，从F 检验的结果可以看出，F 检验的P 值小于0.05， 所以应该进行Hausman 检验，从检验的结果中可以看出，hausman 检验的P 值为0.0002 小于0.05，所以应该采用固定效应模型。得到的模型结果如下：

3.3 计量结果及实证分析

面板数据模型一般包括混合估计模型、固定效应模型和随机效应模型三种形式，因此在对面板数据进行估计时需要首先对面板模型的设定形式进行检验，首先利用F 统计量对是 否建立混合估计模型进行检验，然后运用hausman 检验来选择采用固定效应和随机效应模型，最后得出模型的结果。F 值检验和hausman 检验结果表明，模型应采用随机效应模型。具体模型的回归方程如下：

由模型回归的结果可以得出：我国各省PM2.5 的浓度随着人口数、能源强度、第二产业占GDP 比重及第三产业占GDP 比重的增加而上升，随着人均GDP、客运量、货运量及第一产业占GDP 比重的增加而减少。

人口的增加会使得人类生活生产排放增加，导致PM2.5 浓度上升。能源强度增加表示单位GDP 生产过程中的能源消费量增加，也就是生产消耗的能源增加，这会使得PM2.5 的浓度上升。第一产业以农业为主，第二产业以工业为主，第三产业包括物流业和服务业，所以第一产业占GDP 比重的增加会使得PM2.5 的浓度下降，而第二、三产业占GDP 比重的增加也会使得PM2.5 的浓度上升。人均GDP、客运量、货运量的增加导致PM2.5 浓度的下降，这可能是由于新技术的出现使得原有的技术被取代，使得能源消耗减少， PM2.5 的浓度下降。

4 政策建议

综合考虑模型回归的结果我们提出如下建议以降低PM2.5 污染。

1）加强对重点工业污染源的治理力度。控制煤烟污染及火电厂污染源，努力削减颗粒物、二氧化硫等污染物排放总量。

2）坚持清洁能源发展战略，积极推广使用天然气等清洁能源。92

管理纵横

Management

质量管理