雾霾污染的空间外溢与治理政策的检验分析

中国环境科学 2020,40(6)：2741~2750 China Environmental Science 雾霾污染的空间外溢与治理政策的检验分析
范丹1,2*,梁佩凤3,刘斌1(1.东北财经大学经济学院,辽宁大连 116025；2.东北财经大学经济计量分析与预测研究中心,辽宁大连 116025；3.厦门大学经济学院,福建厦门 361005)
摘要：以2006~2016年城市层面数据为样本,结合空间扩散效应深入探究雾霾污染的影响机理,并对已出台治霾政策的治理效果和传导机制进行识别.研究发现:考察期内我国雾霾污染具有一定时滞性、空间相关性和时空“警示作用”;以往环境规制由于诱发污染产业地区间就近转移对减霾贡献并未达到预期效果.“大气十条”的治霾效果明显,到2016年该政策的实施使重点关注的三大经济带PM2.5显著降低约7.1%,其中,中部和东部区域政策实施城市治理效果最为显著;政策实施以来各地区环保部门通过对重污染企业的限产整治取得了降霾的短期治理效果,但对重污染企业的创新激励传导作用并不显著.因此,未来雾霾治理政策更需注重如何通过激发企业绿色技术创新从而建立根治雾霾污染的长效机制.
关键词：雾霾污染；动态空间面板模型；治理策略；倾向得分匹配-倍差法
中图分类号：X51 文献标识码：A 文章编号：1000-6923(2020)06-2741-10
An analysis of the spatial spillover of smog pollution and policy testing. FAN Dan1,2*, LIANG Pei-feng3, LIU Bin1 (1.Department of Economics, Dongbei University of Finance and Economics, Dalian 116025, China；2.Center for Econometric Analysis and Forecasting, Dongbei University of Finance & Economics, Dalian 116025, China；3.Department of Economics, Xiamen University, Xiamen 361005, China). China Environmental Science, 2020,40(6)：2741~2750
Abstract：Taking 2006~2016 city-level data as a sample, combined with the spatial diffusion effect, the paper explored the impact mechanism of smog pollution, and it assessed the governance effect and transmission mechanism of the smog control policies. The study found that: smog pollution in China during the inspection period had a certain time lag, spatial correlation and space-time “warning effect”. In the past, environmental regulation did not contribute to the expected results in smog reduction due to the near-term transfer of polluting industries between regions. The “Air Pollution Prevention and Control Action Plan” had significant effects on the reduction of the smog concentrations. By 2016, the implementation of this policy has significantly reduced PM2.5 in the three major economic belts by about 7.1%. Among them, the implementation of urban governance in the central and eastern regions has the most significant effect; since the implementation of the policy, environmental protection departments in various regions had achieved short-term effects of smog reduction by restricting production and remediation of heavily polluting enterprises, but the innovation incentive transmission effect on heavily polluting enterprises had not been significant. T herefore, future smog management policies need to focus more on how to establish long-term effects mechanism by stimulating corporate green technology innovation.
Key words：smog pollution；dynamic space panel model；governance strategy；PSM-DID
近年来雾霾污染的影响机制和如何治理得到学术界的高度关注,相关研究主要可以分为两大类:首先,基于大气中微观颗粒物、气象、技术、经济等因素,学者对雾霾成因和影响因素进行量化研究;其次,针对已有污染治理政策的效果进行政策评估.
在对于雾霾污染成因及影响因素的考察方面,国内外学者基于投入—产出模型和动态CGE模型等宏观经济模型,认为我国雾霾污染情况严重的主要推动力是资本形成和出口贸易、能源结构[1].由于上述模型需要间断投入—产出表,这导致无法获取连续时间的研究结果.为了考察连续性的研究结果,加之相邻地区间的雾霾浓度势必具有关联性,随后部分学者采用空间计量方法探究我国区域间雾霾污染的相互影响[2-3].随着空间计量技术的不断发展和成熟,亦有学者采用空间网络分析方法与滚动窗口技术揭示出雾霾污染空间关联的整体特征与微观模式[4].邵帅等[5]采用广义空间两阶段最小二乘法分析了城市化的推进对中国雾霾污染的影响及其收稿日期：2019-11-18
基金项目：国家自然科学基金资助项目(71603042,71773012,71571035);国家社会科学基金资助项目(15ZDA011)
* 责任作者, 副教授,****************
2742 中国环境科学 40卷
作用机制.黄小刚等[6]对汾渭平原的PM2.5浓度影响因素进行分析,发现其存在正向的空间溢出效应.可见,有效识别雾霾污染的空间依赖关系及与影响因素成为制定雾霾污染治理政策的理论依据.雾霾污染成因及影响因素相关研究中,学者们试图从自然环境和经济因素来探究雾霾的促增因素是否得到了抑制,促减因素是否发挥着应有的作用.但由于环境污染变量具有内生性,如何同时解决模型存在的内生性和空间相关性问题是值得研究的科学问题.政府针对治理雾霾相继出台各种治理策略,而其政策实施的治理效果是学术界关注的另一个焦点.相关研究致力于探讨采取适度的治理政策实现经济增长和环境污染之间的平衡从而摆脱环境治理两难的困境.一方面,地方政府加大环境治理力度可以打造暂时性的“政治蓝天”,但由于破坏地方经济增长随后会带来大气污染的报复性污染[7];另一方面,若放松环境管制,会导致成本较高的绿色技术无法替代原有技术,从而形成“无效治理”的困局.因此,雾霾治理政策的有效性和传导机制的甄别是研究的关键.梳理环境污染治理策略评价的相关研究,主要从整体环境规制政策效果和单个具体规制政策效果两个层面进行检验.在考察各种政策工具的综合效果层面,主要集中在对“创新补偿学说”和“遵循成本说”的实证检验,Cole等[8]、Yang等[9]研究认为严格的环境法规可能会促进绿色创新研发,进而减少环境污染.随着近年来政策评估方法的发展,从单个具体环境政策入手,结合具体政策形成的准自然实验,对已有环境政策是否发挥作用进行检验的研究层出不穷.如何利用政策评估的方法排除其它政策的干扰,对政策进行科学合理地评估,选出最有效率的政策至关重要.部分研究采用工具变量法、倍差法(DID)等方法从宏观和微观两个层面考察了污染控制政策的实施效果.Gehrsitz[10]利用双重差分方法对德国“低排放区”污染控制政策是否发挥作用进行了检验;涂正革等[11]利用倍差法和DEA模型考察短期和长期SO2排放权交易机制是否实现波特效应.罗知等[12]以“煤改气”为研究视角考察了“大气十条”政策是否能够改善北方供暖时期的空气质量.随着计量工具的发展,有学者进一步使用了三重差分,如刘晔等[13]利用三重差分模型结合中国上市公司的数据,从微观层面考察了碳排放交易试点机制的政策效果.上述文献可知,由于受限于微观污染数据和经济数据的可获性,对已施行的雾霾治理政策的实施效果进行量化评估的研究相对稀缺,此外,政策评估的方法在应用时需要满足一定的假设条件.但在现实中,由于实施环境政策的城市有很多特有的经济、地理性质,处理组和控制组的污染物变化趋势不尽相同.如何有效控制两组样本的特征趋势,选择特征相似的样本,从而准确地得到政策效应是环境政策评估的关键.
在梳理已有研究成果的基础上,本文从“源头治理”入手探究雾霾成因和治理政策的传导机制.本文的边际贡献体现在:首先,已有研究主要采用2012年之前的省际面板雾霾数据,不包括《大气污染防治行动计划》政策实施后的雾霾浓度,使数据缺乏时效性.本文利用ArcGis软件从全球卫星数据中解析出PM2.5浓度数据,不仅在数据时间跨度上进行延长,而且将研究样本覆盖面扩展到278个地级市层面,解决了数据缺失及统计口径不一致问题,使研究结果更具有稳健性;其次,系统考虑现实中宏观经济和环境变量具有一定时滞性,从时间滞后效应、空间滞后效应以及时空滞后效应这三个维度着手,建立动态空间计量模型对雾霾的影响机理进行识别,采用偏误矫正的BCLSDV估计量解决模型中存在的内生性问题和空间相关性问题.最后,已有雾霾污染相关文献鲜有涉及对于治理政策实施效果的研究,而科学评价已有政策的实施效果是雾霾治理研究中重要的一环.本文采用倾向得分匹配-倍差法(PSM-DID)对2013年出台的《大气污染防治行动计划》治霾政策进行了政策检验,并对其传导机制进行识别.该方法能够控制不可观测的个体异质性对被解释变量的影响,解决解释变量的内生性问题,为进一步空气治理提供科学理论参考.
1研究设计
1.1雾霾污染的动态空间面板模型
为精确研究区域扩散效应的大小及影响雾霾污染浓度的主要因素,本文构建空间计量模型对雾霾污染影响机理进行识别.以环境规制程度作为本文关注的核心解释变量,同时考虑到雾霾污染受到经济、自然等因素的影响,参考STIRPAT模型和EKC假说,选取与雾霾污染关系密切的六个因素,包
6期 范 丹等：雾霾污染的空间外溢与治理政策的检验分析 2743
括环境规制程度、地区经济总量水平、产业结构、人口密度、技术投入及十米高度风速,降低模型中可能存在遗漏变量所带来的偏误.此外,由于经济和环境变量具有一定的时滞性,对于本地雾霾污染的研究需要包含时间滞后效应、空间滞后效应以及时空滞后效应.因此,结合STIRPAT 模型的自然对数形式,建立以下动态空间计量模型:
,1,1ln PM =ln PM ln PM ln PM it i t it i t W W τρη−−++
0X it i t N it αμθιε++++∑ (1)
式中:PM it 为一个1N ×向量,表示每个地级市(1,,i N = )在特定的年份(1,,t T = )中污染物PM 2.5平均浓度;,1PM i t −为滞后因变量;τ表示时间滞后项系数;ρ为空间自相关系数;η是滞后的空间自相关系数;W 为权重矩阵;X it 表示影响雾霾的各因素;1(,)i N µµµ=⋅⋅⋅表示城市固定效应;0t θ是时间段固定效应系数,ιN 是1的1N ×向量;it ε为随机误差项.空间面板模型中忽略时间段固定效应会使区域间扩散效应被高估
[14]
,因此有必要将时间段固定效应
加入模型.
动态空间面板模型估计过程中,在同时考虑内生性条件下利用模型的对数似然函数进行参数估计,得到最小二乘虚拟变量(LSDV)估计量.当个体单位数N 和时间数T 都趋于无穷大,N 与T 之比存在并处于0与∞之间时,估计量是有偏的
[15]
.在动态空
间面板模型稳定(++1τρη<)的情况下,有学者提出一种矫正LSDV 偏误的BCLSDV 的一致估计量,并证明当N →∞时,且13
T N
→∞时, BCLSDV 估
计量是对LSDV 估计量的一致性改进,当p
N T =,且
1 < 3 p <便是此类情况.本文中N =278,T =11,因此
采用BCLSDV 估计量对模型进行估计.若稳定性条件(++1τρη<)不满足,则需要对BCLSDV 估计量进一步调整[16].
1.2 《大气污染防治行动计划》政策检验的倍差法模型
通过2009~2016年全国278个地级市的面板数据,运用倾向得分匹配-倍差法来识别《大气污染防治行动计划》的政策效果.
京津冀及周边区域、长三角以及珠三角经济带城市是《大气污染防治行动计划》政策重点关注区域,因此本文将278个地级市分为两组,处理组选择京津冀及周边区域:北京市、天津市、河北省、山西
省、内蒙古自治区、山东省的地级市50个;长三角区域:上海市、江苏省和浙江省地级市25个;珠三角地区:广东省的9个地级市,共84个城市.将剩余的194个地级市作为对照组.将基本的倍差法模型设定如下:
0123lnPM =+period treated period treated it t i t i ββββ+++i
X +++it i t it ημγε (2)
式中:PM it 表示地区PM 2.5的年平均浓度,变量period 在大气十条政策实施之前取0,实施之后取
1;treated 变量表示是否为干预组,京津冀周边、长江三角洲以及珠江三角洲地区的城市取1,其余的城市取0.X it 指其他控制变量包括各地区环境规制程度、经济总量水平、产业结构、人口密度、技术投入、城市化率以及10m 高度风速.1(,)i N µµµ=⋅⋅⋅表示城市固定效应;t γ是时间固定效应,从而解决模型中遗漏变量带来的偏误.it ε为随机误差项.1β表示控制组在政策实施前后PM 2.5浓度是否发生了变化,2β表示在政策实施之前控制组与处理组之间有无差别,3β是本文关心的政策效应,即处理组在政策实
施前后的变化, 3
1,1,0,0,(PM PM )(PM PM )t
c
t
c
β
=−−−= Diff (1)t −Diff (0)t ,式中,PM 为两组城市的平均PM 2.5浓度,下标1表示政策实施之后的时期,0表示实施之前,t 为处理组,c 为控制组. 1.3 中介效应模型
为了进一步确定政策作用机理,本文后续使用中介效应模型识别“大气十条”降低雾霾污染的影响机制.在模型(2)的估计后,继续进行模型(3)、(4)和(5)的估计.
ln PM =it it it i it M X λγμε+++ (3) 012=+period treated it t i it M X ϕϕϕδ++
3period treated +++t i i t it ϕμγε+i (4) 0
12ln PM =+period treated +it t i it M βββη′′′+
3
period treated +++t i it i t it X βαμγε′′++i (5) 式中:M it 表示中介变量:销售规模(OI)和研发投入(lnRD).若33βλϕ、、的系数均显著,即大气治理政策对PM 2.5浓度、
中介变量对PM 2.5浓度和政策对中介变量的作用都显著,再进行式(5)的回归,若3β′不显著或系数下降,则存在中介效应.进一步,系数不显著表示完全中介效应,系数下降则表示不完全中介效应[17].
2744 中国环境科学 40卷
2指标选取与数据来源
2013年起,我国部分地区开始监测PM2.5浓度,每年的环境公报中也仅仅公布74个主要城市年均浓度.在已有研究中使用的雾霾数据大多来自于哥伦比亚大学社会经济数据和应用中心公布的、基于卫星监测的全球PM2.5浓度年均值的栅格数据[16],但此数据仅到2012年,不能满足本文研究所需要的时间长度.本文使用了加拿大达尔豪斯大学的大气成分分析组的研究数据,该数据使用地理加权回归(GWR)根据全球地基来观测PM2.5浓度,经过处理得到2006~2016年全球PM2.5浓度的卫星栅格数据.之后利用ArcGis软件从全球卫星数据中解析出中国278个地级市年平均浓度,解决了数据的缺失及地面检测和卫星监测数据统计口径不一致问题.
在动态空间面板模型和倾向得分匹配-倍差法模型的估计过程中,本文解释变量和控制变量选取和来源自环境规制程度(lnERS).对于环境规制程度的度量还未有统一的方法,国内外学者使用的度量方法主要有:利用各种污染排放的密度衡量;利用环境治理投资占总产值的比例衡量等.但上述方法的衡量指标都是单一变量,为了对环境规制变量进行综合考察,本文借鉴沈坤荣等构建环境规制指标的方法,采用地级市层面综合指数方法,结合二氧化硫去除率和烟(粉)尘去除率构建环境规制综合指数,并取其对数形式表示环境规制程度[18].经济总量水平(lnGDP):利用地区GDP的对数形式作为地区经济总量水平的衡量标准,为消除通货膨胀的影响,利用地级市层面的GDP平减指数将其平减为以2006年为基期的数据.产业结构(lnIS):第二产业的加工制造业排放的工业废气是影响雾霾的重要因素,因此选取第二产业增加值占地区GDP的比重的对数衡量产业结构.人口密度(lnPD):采用各地区单位面积上人口数量的对数衡量,人口密集的城市人类生活生产活动较多,且大多伴随着严重的交通废气污染问题,因此人口密集地区的雾霾浓度可能比较高.技术投入(TE):环保技术的研发是降低环境污染水平的重要且必要因素,本文通过用于技术研发投资占总财政支出的比例衡量技术投入.由于技术投入本身是比率且数值很小,取对数后均变为负值,故未取对数.城镇化率(lnUR):利用市辖区人口占全市总人口的比例的对数表示.十米高度风速(lnSI10):取距离地面10米处风速的对数形式,高风速有助于驱散雾霾,因而其对PM2.5浓度有重要影响.以上数据主要来源于《中国城市统计年鉴》,由2006-2016年278个地级市的面板数据构成.各地级市GDP指数来源于wind数据库,风速数据来源于欧洲中期天气预报中心(ECMWF).
3实证分析
3.1雾霾的空间溢出效应及影响机制研究
3.1.1空间相关性检验为了对城市之间雾霾污染的空间相关性进行整体把握,本文构建了四种空间相关性矩阵:地理距离矩阵(W1)、经济距离矩阵(W2)、地理经济矩阵(W3)和地理-经济嵌套矩阵(W4).其中W1中的元素w ij表示两城市是否相邻,若相邻取1,不相邻取0;W2中w ij用i城市与j城市GDP差值的倒数表示; W3=W1⋅W2; W4=φW1+(1-φW2),为了简化计算,本文取φ=0.5[3].利用此四类矩阵,采用全局Moran’s I指数对空间溢出效应进行识别,在空间权重矩阵为W1和W4时,Moran’s I指数为正且通过了1%的显著性检验,但在使用W2和W3进行测算时, Moran’s I指数均较小,接近于0,正相关关系不明显.因此在下文的研究中只采用地理距离矩阵(W1)和地理-经济嵌套矩阵(W4).同时为了直观地展示相关性关系,图1(a)展示了2016年在权重矩阵为W1时的Moran’s I散点图.从图中可以看出,绝大多数的城市均分布在一三象限,即我国地级市PM2.5浓度总体呈现高-高、低-低型正相关关系,且Moran’s I指数为0.837,z值为20.372,通过了1%的显著性检验,表明这种正向空间溢出效应处于一个较高水平
.
6期范丹等：雾霾污染的空间外溢与治理政策的检验分析 2745
图1 2016年地理距离权重矩阵下地级市雾霾污染莫兰散
点图和LISA集聚图
Fig.1 Moran scatterplot and LISA map of prefecture-level cities under the geographical distance weight matrix in 2016
Anselin指出全局Moran’s I指数通过刻画整体的相关性关系来反映全国地级市污染的相关性程度,但这种整体性关系的刻画可能会忽略了局部地区的非典型特征[19],因而本文进一步采用局域Moran’s I指数对局域空间相关性关系进行刻画.图1(b)为2016年在地理距离矩阵(W1)时雾霾污染的局域相关性特征图.高-高、低-低型集聚区域均通过了1%的显著性检验.从图中可以看出,我国雾霾污染高-高型区域主要分布在京津冀以及与长三角的连接部分,PM2.5高浓度地区成片出现也表明了联合防治的必要性;低-低型分布于内蒙古部分地区、珠三角以及云贵地区.
3.1.2 雾霾的影响机制分析在考察了雾霾污染的空间相关性后,为进一步精确地研究这种扩散效应的大小及雾霾污染的主成因,本文运用Matlab软件对模型(1)估计后得出结果见表1.
表1为选取地理距离矩阵(W1)和地理-经济嵌套矩阵(W4)时的模型估计结果.表1第(1)列为模型(1)在矩阵为W1时去除了时间段固定效应的BCLSDV 估计量.第(2)列为包含时间段固定效应估计结果.可知,F检验值为3075.2,且P值小于0.01,表明接受包含时间段固定效应的模型;τ+ρ+η小于1,包含时间段固定效应的模型稳定,则BCLSDV估计量无偏;地理-经济嵌套矩阵下结论一致.以地理距离矩阵列(2)为例进行分析.
首先雾霾污染的空间滞后项(W⋅lnPM t)系数显著为正,且通过1%的显著性检验,表明相邻城市之间可能通过一系列的自然或经济活动使得污染物
相互传播,互相影响,如:自然的空气流动,区域间运输、贸易互通等.空间自相关系数表示:相邻城市污
染物PM2.5浓度每上升1%,就会通过扩散效应将本
地的污染物浓度提升0.16%.因此空气污染的治理
工作是一个区域性任务,仅凭个别城市的“单打独斗”是徒劳无功,实行区域间联防治理才是解决问题
的关键.其次从时间滞后项(lnPM t-1)系数看,本地滞
后一期的污染物浓度系数在1%水平上显著为正,表
明雾霾污染具有强烈的时间依赖性,不会在短时间
内发生变化,因而空气污染治理是一个长期且不可
间断的活动,只要稍有怠慢,其影响便是长期的.最后
从时空滞后观察,W*lnPM t-1系数显著为负,表明相邻
城市上一期的污染水平会使得本地污染水平下降.
这可能是通过一种“警示效应”实现的,本地观察到
上一期周边地区污染较严重时,本地环保部门会意
识到这种污染的扩散,从而加强保护措施,避免恶性
扩散的影响,进而降低污染水平.
表1动态空间面板模型估计结果
Table 1 The estimation results of the dynamic spatial panel
models
地理距离矩阵(W1) 地理-经济嵌套矩阵(W4)变量(1)
去除时间段固
定效应
(2)
包含时间段
固定效应
(3)
去除时间段
固定效应
(4)
包含时间段固
定效应lnPM t-1 0.064*** 0.184*** 0.150 0.155*
(2.895) (2.686) (1.553) (1.799)
W⋅lnPM t 0.161*** 0.162*** 0.926*** 0.947*** (289.138)
(90.037)
(57.575)
(42.297)
W⋅lnPM t-1-0.012**-0.031**-0.147 -0.16*
(-2.544) (-2.322) (-1.360) (-1.771)
l nERS 0.008*** 0.005***-0.001 0.005**
(3.798) (2.963) (2.562) (2.571)
lnGDP -0.002 0.002 -0.001*** 0.004
(-0.91) (0.398) (-0.542) (1.081) lnIS -0.023** -0.017*-0.019**-0.027**
(-2.061) (-1.883) (-2.134) (-2.526) lnPD -0.013* -0.009 -0.010 -0.009
(-1.74) (-1.414) (-1.315) (-1.187) TE -0.151 -0.128 -0.094 -0.039
(-1.07) (-0.963) (-0.492) (-0.141) lnSI10 0.017 -0.028 -0.012 -0.062
(0.505)
(-0.443) (-0.208) (-1.150) 样本量 2780 2780 2780 2780
σ20.003 0.003 0.003 0.003
τ+ρ+η 2.798 0.315 0.920 0.930 Wald-test540.485***1370*** 12.026*** 5.427***
注:*、**、***分别表示通过10%、5%、1%的显著性检验.括号内为t 统计量.
2746 中国环境科学 40卷
本文雾霾污染的各影响因素来看,以二氧化硫去除率和烟(粉)尘去除率构建环境规制综合指数(lnERS)的系数为正,表明有关于降低空气污染物排放的环境规制尚未发挥作用.较强的环境规制地区会诱发重污染产业就近转移的动机[19],这使得环境规制政策难以达到预期的治霾效果.因此,环保部门需要进一步协同制定地区间有效的规制强度,同时也要对地区间实施过程加强监督,避免出现执法的“漏网之鱼”,提高环境规制效率.经济总量水平(lnGDP)的系数为正且不显著,表明目前我国经济的增长不会使环境显著恶化.官员政绩和绿色GDP挂钩、强调绿色发展的主调使得各级政府开始转变经济发展模式,抛弃了之前GDP挂帅、对生态环境漠不关心的粗放型经济发展模式,开始转向集约型经济发展模式.产业结构(lnIS)的系数显著为负,这表明我国大多数的工业企业已经不是污染的重要来源,政府对于第二产业的减排政策已见成效,此研究结论与邵帅等[3]一致.例如,河北、北京等地为降低工业企业污染物的排放,对重污染企业采取了限产、停产、加强排污管制等措施,收到了良好的效果.人口密度(lnPD)系数为负但不显著,表明高人口密度不会促进雾霾污染产生,主要原因可能是人口密集的城市经济发展程度普遍较高,其清洁的公共交通系统较发达,成为代替私家车出行的选择,从而形成环境污染的规模效应[20].从技术投入(TE)来看,其系数均为负且不显著,表明现阶段我国技术投入尚未发挥其预期作用,这与周迪和刘奕淳研究结果一致[21].可能的原因有:技术投入真正投放到市场中并转化为绿色生产力需要一定的时间,我国现阶段的技术投入还处于转换期;另外,由于投资者具有偏好性,故研发资金更多地偏向新技术研发,而对于降低污染气体减排的绿色技术投入较少,政府应加强对于技术投入资金的引导,使其减排效果得以发挥.
3.2雾霾污染的治理策略研究
3.2.1 《大气污染防治行动计划》的政策背景及政策效果检验为应对我国形势严峻的大气污染现状,国务院印发《大气污染防治行动计划》(国发〔2013〕37号).该政策的实施目标:经过五年努力,全国空气质量总体改善,重污染天气较大幅度减少;到2017年,全国地级及以上城市可吸入颗粒物浓度比2012年下降10%以上;京津冀、长三角、珠三角等区域细颗粒物浓度分别下降25%、20%、15%左
右.该政策从结构调整、环保法律法规、环境经济政
策、区域协作机制和监测预警应急体系等多个方面
应对严峻的大气环境污染.在综合治理方面,通过全
面整治燃煤小锅炉、“煤改气”、“煤改电”等工程
建设加强工业企业大气污染综合治理;在经济结构
调整方面,调整优化产业结构和能源结构,推动产业
转型升级,严控“两高”行业新增产能,加快淘汰落
后产能,增加清洁能源供应;在加强创新驱动方面,政
策致力于加快企业技术改造,提高科技创新能力.
本文试图从计量角度识别在控制城市若干特
征之后,《大气污染防治行动计划》对雾霾污染的净
边际效应有多大?该政策实施通过多方面细则规定
作用于大气污染,而其中真实的传导机制又是如何?
基于此,本文通过倾向得分匹配-倍差法对《大气污
染防治行动计划》治霾政策实施效果进行量化评估.
然后利用中介效用模型识别其传导机制.
由于我国各地级市之间人口及经济发展等情
况各不相同,彼此之间存在较大差异,为了更精确地
进行处理组在未受到政策干预情况下的反事实估
计,从而为处理组匹配特征相似的控制组,本文运用
倾向得分匹配法,利用一系列表征城市特征的协变
量将对照组赋予不同的权重后作为最终的控制组.
表2倾向得分匹配-倍差法估计结果
Table 2 The estimation results of the PSM-DID method
变量 (1)
l nPM
(2)
l nPM
(3)
l nPM 政策前控制组均值 3.629 3.658 3.698
政策前处理组均值 3.803 3.803 3.803 政策前一重差分
0.175***
(0.028)
0.145***
(0.023)
0.105***
(0.024)
政策后控制组均值 3.649 3.742 3.787
政策后处理组均值 3.821 3.821 3.821
0.172* 0.079*** 0.034
政策后一重差分
(0.037) (0.03) (0.03)
-0.002 -0.066*-0.071*
双重差分
(0.046) (0.038) (1.86)
控制变量否是是
样本量 2224 2224 2224
R2 0.03 0.02 0.01 注:*、**、***分别表示通过10%、5%、1%的显著性检验.括号内为标准误.
表2第(1)列表示不包含其他变量,第(2)列表示
包含其他控制变量但不含核心解释变量环境规制
强度,第(3)列表示包含有核心解释变量环境规制强。