城市创新能够驱散雾霾吗？

来源:用户上传      作者:任亚运 张广来

　　摘要中国多城市群大范围持续遭遇雾霾等空气环境问题，不仅严重影响着人民生活健康，同时成为制约中国社会经济发展的主要瓶颈。创新驱动作为引领发展的重要源泉，是治理城市雾霾的重要手段。因此，本文利用2004—2016年中国地级市PM2.5浓度、创新等数据，基于STIRPAT模型，通过空间计量方法在同时考虑空间横向维度及时间纵向维度下就中国城市创新对雾霾的影响进行了实证分析，并进一步从城市创新对雾霾的动态效应、作用距离阈值等多个角度进行了稳健性检验。实证结果表明：①中国城市雾霾污染呈现明显的空间溢出效应和高排放俱乐部集聚特征。②中国城市创新具有积极的减霾作用。从横向空间维度来看表现为积极的空间溢出效应，但存在一定的有效距离阈值。从纵向时间维度来看，减霾效应整体存在边际递减态势。③交通便利化及能源效率的提高有效抑制了城市雾霾污染的加剧，以煤为主的能源结构仍是城市雾霾污染加剧的一大诱因。基于上述事实，本文提出以下政策建议：中国在城市雾霾治理过程中应实施科学规划，布局联防联控。防止城市“单边”治霾努力成果被周边城市的“泄漏效应”所削减;聚集创新要素，打造创新型城市引擎。在城市群内部形成创新竞争、合作机制，创新重塑城市群发展模式以缓解城市雾霾污染;考虑到城市创新对于雾霾治理红利存在边际递减态势，除上述减霾渠道外，治霾政策仍需坚持从源头着手，优化产业、能源结构，促进能效、路效提高，最终成就美丽城市。
　　关键词 城市创新;雾霾;空间效应
　　近年来，随着雾霾问题日趋严重，以2013年9月中国国务院颁布实施《大气污染防治行动计划》（简称“大气十条”）为明显起点，中国环境治理力度不断升级，城市空气质量逐步得到改善，城市雾霾天气出现频次和覆盖范围相对减少。但由于不同地区雾霾成因各异、复合型特征突出，城市雾霾近两年又呈现卷土重来之势，自2018年10月中旬开始，京津冀部分地区再现雾霾天气，10个城市拉响重污染应急警报，雾霾污染再次成为全社会最为关注的环境问题。城市雾霾污染既是环境问题，也是一个重大经济问题。2007年世界银行重新评估2003年空气污染物中PM10造成的健康总成本均值为1570亿～52900亿元[1]。自20世纪90年代初起，大量学者和研究人员也从宏观层面对中国环境损失中的空气污染损失进行了研究，损失的估算范围从44亿～986亿元不等。此后，越来越多学者对中国颗粒物污染的经济损失进行了评估和实证分析[2-5]，研究结果均发现雾霾对城市的发展带来了巨大的经济损失。如何缓解并有效改善以雾霾为主的城市环境问题是保护地区环境、提升经济发展质量和推进治理能力现代化的内在需求。创新驱动作为新时代背景下的一种城市发展战略，不仅能够通过新技术创新破解城市病，还可以通过城市整体创新力的提高，变革城市治理模式，提升城市资源配置和利用效率，最终改善城市雾霾等环境污染状况[6]。因此，结合供给侧改革要求，让创新尽快发挥雾霾治理的最大功效无疑是兼顾绿水青山与金山银山的另一可行路径。
　　1文献综述
　　目前学界针对中国雾霾影响因素的实证研究主要集中在以下两方面：①综合考量多种雾霾驱动因素的研究。在多因素综合考量方面，除少部分学者基于投入产出法对中国雾霾污染的社会经济驱动因素进行探讨外[7-8]，大部分学者则选用计量工具分析影响雾霾污染的综合动因[9]，这其中又分为不考虑空间效应的计量回归分析[10-11]和考虑空间溢出效应的计量回归分析[12-14]。②着重于某一特定因素对雾霾影响的研究。在该方面学者多选取诸如经济增长、贸易开放度、城镇化水平、产业集聚等指标作为核心驱动因素来考察其对雾霾的影响，计量方法同样分为两大块，即不考虑空间因素[15-18]和考虑空间因素[19-22]，除此之外，也有部分学者在传统因素的基础上选择以舆情、文本等作为驱动因素进行研究[23]。
　　但是就本文对现有文献的梳理来看：①虽然数据可得性在逐步提高，但研究单位划分仍较为粗糙，无论是对雾霾的综合影响因素还是某一特定影响因素的研究大多停留在省际层面，然而空间计量方法应用的基础需要多个地理单位间存在空间相关性，地理单位面积过大会削弱该方法应用的经济学基础，尤其对于幅员辽阔的中国，这种削弱可能更为明显。②就雾霾的特定影响因素来看，对于创新这一对供给侧改革及经济高质量发展具有强劲动力的因素鲜有涉及。③以往考虑到空间因素的研究，重心多集中于横向的空间溢出效应，在纵向的时间维度进行动态考量的仍较少。
　　为此，本文可能的边际贡献如下：①本文在统筹考虑数据质量的前提下，尽可能扩大横向样本单位数，使用中国地级市层面的面板数据进行研究，提高了将空间计量方法应用于本文的可靠性。②本文着重考虑创新这一有助于实现经济高质量发展的关键因素，是对研究视角的有益补充。③本文研究兼顾了横向地理维度的空间效应和纵向时间维度的空间效应变化情况，更为全面的探讨了城市创新对雾霾影响的“真正”时空效应。
　　2空间溢出效应检验及作用机制阐述
　　2.1城市雾霾的空间溢出效应检验
　　在城市雾霾污染衡量方面，本文以PM2.5指标来衡量城市雾霾污染。但考虑到中国官方发布PM2.5数据是在2012年之后，因此本文采用由哥伦比亚大学社会经济数据和应用中心公布的全球衛星PM2.5浓度年均值的栅格数据解析所得中国地级市年均PM2.5浓度数值作为城市雾霾污染的衡量指标[24]。
　　本文采用ESDA中的全域空间相关性指数对城市雾霾的空间溢出效应进行检验，其通常采用Moran’sI和Geary’sC指数进行测度，计算公式分别为：
　　其中n表示本文所选取284个地级市，wij为空间权重矩阵，x和分别为城市PM2.5浓度及所有城市PM2.5浓度均值。Moran’sI指数经过方差归一化之后，它的值会介于-1～1之间。I>0表示空间正相关性，其值越大，空间相关性越明显;I<0表示空间负相关性，其值越小，空间差异越大;I=0，空间则呈随机性。Geary’sC指数的取值一般介于0～2之间，当C>1时表示负相关，C<1时表示正相关。为对城市雾霾污染的空间相关性进行系统考察，本文构建了以下三种空间权重矩阵。 　　第一种为基于Queen邻接规则，利用地图边界矢量数据构造的应用最为广泛的地理近邻权重矩阵，其元素wij=1，当城市i和j拥有共同边界
　　0，当城市i和j无共同边界或i=j
　　考虑到地理因素并不是产生空间效应的唯一因素，还可以从经济属性角度出发设置空间权重矩阵。本文构建的第二种权重矩阵为基于经济差距绝对值倒数的经济距离权重矩阵，其元素wij为样本年间i城市人均GDP均值与j城市人均GDP均值绝对差值的倒数，即考虑到上述单一地理或经济权重矩阵存在的局限性，借鉴朱平芳、张征宇和姜国麟[25]思路，在各城市地理近邻城市中以其各近邻城市GDP占其所有近邻城市GDP总和之比构建第三种地理经济综合空间权重矩阵i和j拥有共同边界0，i和j无共同边界或i=j基于上述三种空间权重矩阵的中国城市PM2.5全域空间相关性检验结果如表1所示。
　　由表1可以看出在地理近邻权重矩阵和地理经济综合权重矩阵下，城市PM2.5的Moran’sI指数均大于0，Geary’sC指数均小于1，并且两者均在1%的水平显著，这表明中国城市雾霾污染的分布都呈现“高-高”型集聚和“低-低”型集聚的空间正相关分布特点。但同时可以发现在纯经济距离权重矩阵下，城市PM2.5的Moran’sI和Geary’sC指数均不显著，表明城市雾霾污染的空间相关性主要是在地理空间关联及地理、经济的综合空间关联特征上予以体现的而不体现在单纯经济发展差异上的空间特性。故本文后续空间计量分析仅基于地理近邻权重矩阵和地理经济综合权重矩阵进行考虑。
　　2.2机制阐述
　　党的十九大明确提出要“构建市场导向的绿色技术创新体系”。生态环境领域的技术创新对于持续改善生态环境和助力经济“爬坡迈坎”具有重要作用，技术进步和创新是一个经济体实现长期可持续经济增长的关键。借鉴石大千等[6]，本文梳理城市创新对雾霾的影响机制如下：
　　（1）城市创新可以通过技术效应促进技术进步缓解城市雾霾。一方面，可以由前端预防渠道将技术创新所提供的清洁生产技术以及环保产品应用于能源系统和生产系统中，能够从本质上提高企业资源生态使用效率，提升城市雾霾污染防控水平，从而降低城市雾霾污染。另一方面，创新程度较高的城市具有智能化的污染监控平台，通过实时监测，在中端过程提高城市对企业排放监控以及企业对自身排放的监控力度和污染信息获取能力，缓解致霾物的排放。最后，高创新力城市可以从终端借助其高技术研发能力帮助企业提升污染处理能力，清洁能源研发能力，通过技术促进能源利用率的提高和能源结构的优化，减少致霾物排放[26]。
　　（2）城市创新可以通过配置效应优化资源配置和提高能源利用效率缓解城市雾霾。城市创新指数较高的城市技术密集型的低污染行业往往比较发达，这类新兴产业通过引领资本、劳动、技术和信息等要素由传统产业向技术密集型低污染产业流动和集聚，有利于优化产业和资源配置结构，提高配置效率和全要素生产率，最终缓解由于要素市场扭曲导致的资源配置不合理进而产生的能源效率损失[27]，缓解低能效导致污染物排放这一重要问题[28]。同时，创新指数高的城市往往具有高科技龙头企业引领。这些企业利用其大数据分析能力、信息技术对市场需求模式实行及时捕获，能够更加贴近市场需求，在微观层面对企业资本、劳动力和能源等生产资源灵活调度，提升企业资源利用效率以降低废弃污染物排放，进而减少环境污染[29]，缓解城市雾霾现象。
　　（3）城市创新还可以通过结构效应促进新要素和新兴产业发展缓解城市雾霾。城市创新发展的主要驱动力是知识、技术等要素，与传统依靠劳动、资本等要素投入产业不同，这些要素具有扩散成本低、边际收益递增和规模报酬递增等特点[30]。城市产业结构的升级将大幅削减、淘汰污染行业和企业所使用的传统高耗能和高污染要素，改变、优化污染行业和企业的要素投入结构，直接减少致霾物的排放，缓解城市雾霾污染[31]。
　　本文还将研究视角拓展至空间溢出方面，由于城市通过创新机制改善当地雾霾污染的努力具有正的外部性，这可能导致两种截然不同的结果：①城市自身通过创新机制经由上述三种渠道改善当地雾霾污染的努力有可能激发邻近地区环境治理中的“搭便车”行为，这有可能削弱临近城市自身治霾的努力程度，反而不利于周边城市的雾霾污染治理，即对城市自身雾霾缓解有利，对周边城市雾霾污染反而适得其反。②城市自身通过创新机制经由上述三种渠道改善当地雾霾污染的努力可能通过示范效应和警示效应促使周边地区加强创新投入及环境规制力度而有助于雾霾治理。最终，城市自身创新对邻近城市雾霾污染的影响取决于该两种效应的相对大小程度，这也是本文接下来实证部分着重验证的问题。上述城市创新对本地及周边城市雾霾的综合影响机制可以归纳如下图1。
　　3计量模型设定与变量数据说明
　　3.1计量模型设定
　　STIRPAT模型不仅保留了IPAT方程中的人口、经济、技术，还引入了随机变动因素。本文在其基础上引入城市创新指数变量，以研究其对城市雾霾污染的影響，为避免遗漏变量误差，本文还引入了和城市雾霾污染息息相关的产业结构、能源结构、交通便利化、外商直接投资等控制变量。
　　关于模型的构建，本文主要首先构建了不考虑空间效应的标准计量回归模型作为对比，其计量回归模型为：
　　已有研究亦显示，在创新系统中，由于技术的非排他性、可转移性和可传播性[34]，一城市的创新活动也可能对另一城市的雾霾污染产生影响。任何忽略空间相关性的计量、检验都可能产生有偏估计。因此，本文在式（5）基础上又构建了考虑空间效应的空间计量模型来分析城市雾霾污染及创新的空间关联效应，具体模型如下：
　　其中，wij为空间权重矩阵;μit为残差;ρ和φ分别为空间自回归系数和空间自相关系数;X为式（5）所包含的核心变量和控制变量在内的自变量向量，式（6）代表包含了各种空间效应的一般嵌套模型（GNS）。 　　城市间雾霾空间依赖关系的产生源于三类不同的空间交互效应：一是若ρ≠0、θ=0、φ=0，则式（6）为空间自回归模型（SAR），代表不同城市被解释变量间的内生交互效应;二是若ρ=0、θ=0、φ≠0，则式（6）为空间误差模型（SEM），代表不同城市误差项间的交互效应;三是若ρ≠0、θ≠0、φ=0，则式（6）为空间杜宾模型（SDM），其综合考虑了不同城市解释变量和被解释变量的空间滞后因素[35-36]。在实际计量检验中，本文重点在于城市创新对雾霾污染的空间溢出作用，因而将着重研究SEM、SAR、SDM模型，并通过科学的判定规则确定本文最终适用的空间计量模型。
　　3.2变量选取及数据来源
　　基于数据可得性和质量可靠性，本文样本为2004—2016年全国284个地级及以上城市。其中城市雾霾数据来源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处理后的地级市年均浓度数据;城市创新指数来源于复旦大学产业发展研究中心公布的中国城市创新指数[37]。人口、经济、技术、产业结构、能源结构、交通便利化、外商直接投资等控制变量主要来源于2005—2017年《中国城市统计年鉴》、《中国区域经济统计年鉴》以及国泰安、万得等数据库，部分缺失值为作者运用插值法所补充，所有以金额为单位的数据均基于2004年各省GDP平减指数予以平减，所有外商投资数据均以当年外汇均价进行换算。最后，本文对所有数据都进行了对数化处理，对所有变量进行了双侧1%缩尾处理。中国城市统计年鉴中煤炭直接相关数据缺失，但鉴于中国“富煤贫油少气”的资源禀赋特征和相对低廉的煤炭价格导致的中国电力生产对煤炭的高度依赖性，故本文借鉴韩峰和谢锐[36]思路，首先根据各城市统计年鉴电力、天然气、液化石油气数据进行折算各种能源折标煤系数来源于中国能源统计年鉴;煤电发电比例来源于历年《中国电力年鉴》，及手工查阅补充。，然后计算能源结构和能源效率指标，具体过程为：
　　式中，a为用电量，b为煤电发电比例，c为电力折标煤系数，d为煤气供气总量，e为煤气折标煤系数，f为液化石油气供气总量，g为液化石油气折标煤系数。各指标具体描述如表2。
　　4实证结果分析及稳健性检验
　　4.1实证结果与分析
　　本文借鉴Elhorst等[38]、韩峰和谢锐[36]的检验思路，采用“一般到具体”的方法对空间计量模型进行检验，确认SDM模型是否会退化为SAR和SEM模型。结果如表3所示。
　　表3中同时列出了普通面板回归结果以及在两种空间权重矩阵下SEM、SAR和SDM模型的回归结果。
　　通过对比不考虑空间效应的普通面板回归结果和考虑空间效应的空间面板回归结果系数发现，在考虑空间效应后，无论是何种空间权重矩阵，系数绝对值都明显变小，说明不考虑空间效应的情况下，会明显高估当地创新对雾霾污染的抑制效果，通过对比普通面板回归和第（2）、（3）、（5）、（6）列的结果可以看到（2）、（3）、（5）、（6）各模型中空间自回归系数ρ，均在1%水平高度显著，进一步佐证了本文加入空间因素考虑的必要性。第（2）、（3）、（5）、（6）列中空间自回归系数ρ和第（1）、（4）列中空间自相关系数φ均在1%水平显著为正，这表明中国各个城市的雾霾污染在空间交互作用下存在明显的空间依赖关系，也再一次证明了中国城市间雾霾污染存在明显的空间集聚特征，表现出“一荣俱荣，一损俱损”的特征[12]。以第（3）和第（6）列为例，在两种权重矩阵设定下，邻近城市雾霾污染浓度每提高1%，本城市的雾霾污染同时会提高约0.9%。上述结果表明针对雾霾污染的治理应该统筹考虑，采取区域“联防联控”策略，否则将有可能出现城市间雾霾污染的“泄漏效应”，最终导致“单边”治霾努力徒劳无功。进一步横向比较（2）和（3）、（5）和（6）模型中空间自回归系数ρ估计值，可以看出SDM模型估计系数都小于SAR模型，说明忽视解释变量空间滞后项将导致内生空间交互效应的高估。最后，综合考虑到拟合优度、自然对数函数值以及LR检验，对上述各类空间模型进行判断和选择，SDM模型为适合本文实证研究的模型。
　　在传统普通面板模型回归中，参数估计反映的是各解释变量变化对城市雾霾污染的边际影响，但是在引入空间因素即包含全局效应设定的SDM模型情况下，变量的参数估计不再代表其对城市雾霾污染的边际影响。此时通过使用点估计（ρ、θ）来判断是否存在空间溢出效应可能导致错误的结论。此时，变量变化的偏微分解释更能够合理检验是否存在空间溢出效应的假设[39]。表4为根据表3第（3）和第（6）列对参数估计进行效应分解后结果。其中，直接效应反映了本城市创新等解释变量对城市自身雾霾污染的影响;溢出效应则表示邻近城市创新等解释变量对本城市雾霾污染的影响。
　　从表4总体来看，两种权重矩阵下同一因素的影响方向完全一致，显著情况除产业结构略有差异外也均一致，故本文以地理近邻权重矩阵为例，对相关结果进行解读。
　　由本文所关注的核心解释变量城市创新系数来看，无论是直接效应、溢出效应还是总效应，均显著为负。根据本文机制部分：①城市创新可能通过技术效应促进生产、节能、环保等技术的进步来改善城市雾霾污染。城市创新的技术效应通过将引致的清洁生产技术应用于能源、生产系统，会从源头提高企业能源、资源使用效率，在生产流程前端实现预防，提升城市企业环境污染的防治和治理水平，达到抑制城市雾霾污染的效果[6]。②城市创新可能通过引导要素流动、纠正资源错配的配置效应改善城市雾霾污染。低污染型行业的发展会引导资本、劳动、技术和信息等要素向这些领域流动和集聚，实现新兴产业和传统产业资源配置结构优化，在提高配置效率的同时还会倒逼传统污染行业和企业升级，通过“鲶鱼效应”优化污染行业和企業的资源配置效率，最终整体上改善城市雾霾污染等环境问题。③城市创新还可能通过增加新兴要素投入和提高新兴产业占比的结构效应降低城市雾霾污染。城市创新驱动引致的新要素投入通过加快其与传统产业融合，优化传统产业、产品结构，提高传统行业能源效率和运行效率，进而推动传统产业快速、高效地实现改造升级，最终实现低能耗、低排放[40-41]。另外，城市创新对周边城市雾霾污染的影响可能体现在两方面：一城市通过创新机制改善城市雾霾污染的努力具有正的外部性，有可能激发邻近地区环境治理中的“搭便车”行为，这有可能削弱临近城市自身治霾的努力程度，反而不利于周边城市的雾霾污染治理;城市的创新行为和雾霾污染事件，还可能通过示范效应和警示效应促使周边地区加强创新投入及环境规制力度而有助于雾霾治理。城市创新对邻近城市雾霾污染的影响最终效应取决于该两种效应的相对大小程度，由本文创新回归结果系数可知，示范效应和警示效应明显占优，城市的创新不仅有利于当地雾霾污染的缓解，同时有利于临近城市的雾霾改善。 　　由其他控制变量系数来看：①能源效率系数无论是在直接效应、溢出效应还是总效应下，均显著为负。说明提高能效是控制雾霾的关键，节能减排虽然可以通过减少能源使用来减少雾霾污染，但在保持一定经济增速的情形下，能源使用必然不可能大幅减少，城市雾霾污染若想减少一个量级，提高能效才是更为有效的途径。②能源结构的系数无论是在直接效应、溢出效应还是总效应下，均显著为正。近年来，部分电力企业试图通过引进价格低廉的低卡进口煤与优质煤掺杂使用的方式来降低成本，基于成本考量，这种行为可能导致邻近城市争相效仿，造成“片状区域”能源结构集体恶化，而低卡的进口煤尤其是褐煤（煤化程度最低的矿产煤）对PM2.5的贡献度极高[19]，该种情形必然会进一步恶化当地及周边城市雾霾污染状况。③交通便利化程度系数无论是在溢出效应还是总效应下，均显著为负。同样交通运输量的情况下，交通便利化程度越高，交通拥堵程度便越轻，会有利于机动车燃料的充分燃烧，极大减少致霾物的排放。④模型中其他变量的直接效应和溢出效应参数估计均未通过显著性检验，说明在本文研究中，这些变量对城市雾霾污染并未产生明显影响。
　　4.2稳健性检验
　　4.2.1动态效应检验
　　在前文对城市雾霾及创新的空间效应进行横向检验分析后，本文进一步在模型設定中考虑创新的直接效应、溢出效应及总效应随时间的动态变化。具体模型设定如下：
　　其中year为年度虚拟变量，Xit为除城市创新外的其他控制变量向量，其他变量与前文保持一致，图2为根据两种权重矩阵下分解所得城市年度创新效应系数对时间进行绘图。横轴为年份，纵轴为城市创新的减霾效应，其绝对值越大说明减霾效应越强，绝对值越小说明减霾效应越弱。
　　根据公式（7）进行动态效应分解后，所有年份期间，在两种权重矩阵下，城市创新的直接效应、溢出效应和总效应系数全部高度显著为负，系数绝对值大小随着时间推移大致呈现递减状态。具体波动情况可以由图2直观看出，本文以图2（a）地理近邻权重矩阵为例进行解读。
　　由图2上半部分可以看出，从本文样本起始年份2004年来看，城市创新对雾霾的抑制效应无论从直接还是溢出角度来看相对后续年份效果来说更为显著。①2004—2007年间，创新对雾霾的削减作用逐步减小，这与2003年中国进入市场导向的重工业化阶段，重工业是煤炭消耗“大户”产业、能源结构恶化，创新对雾霾的治理作用受到一定程度抑制相关。②在2007和2008年左右，创新对雾霾的削减作用有小幅回升，可能原因为2007年为抑制经济过热，中国出台了一系列鼓励创新节能减排相关政策，也与部分重工业于2008年金融危机受到重创相关，创新作用再次得到释放。③2012—2013年城市创新对雾霾的削弱作用由于经济复苏，短期减弱之后，又由于2013年之后中国政府大力度发布了一系列包括“大气十条”、《大气污染防治目标责任书》在内的高强度环境规制政策，城市创新对雾霾污染的减缓作用得以再次借力，减霾效应逐步回升。
　　4.2.2更换被解释变量检验
　　为进一步检验本文回归结果所得城市创新可以改善雾霾污染事实的稳健性，本文选取城市工业SO2排放量替换城市雾霾作为被解释变量后再次进行固定效应的空间杜宾模型回归，通过效应分解结果发现更换被解释变量为SO2后，本文所关注的核心解释变量城市创新无论是直接效应、溢出效应还是总效应，结果显著性与方向均与前文回归保持一致，仅显著性水平略有差异，其他控制变量结果也基本与前文保持一致，证明本文回归结果较为稳健鉴于篇幅，该部分未展示具体回归结果，如有需要可向作者索取。
　　4.2.3城市创新对雾霾溢出效应的空间边界分析
　　鉴于城市创新在信息空间传递中的衰减性，本部分进一步通过设置不同阈值的逆距离矩阵来检验城市创新对雾霾的溢出效应的有效范围。此时空间权重矩阵为0，当i=j，其d2ij为不同城市间的距离的平方，D为城市间距离阈值。考虑到只有在一定距离门槛之上才能保证各城市均至少有一“邻近”的城市，故本文的距离阈值选择以400km为起点，每100km进行一次计算，实证结果发现在距离阈值达到1200km时城市创新对雾霾的溢出效应变得不在显著。具体结果见下表5。
　　表5结果表明城市创新对城市雾霾的溢出效应有一定的空间距离阈值限制，在该阈值之上，由于空间距离过大而产生的衰减将使得城市创新对雾霾的溢出效应变得不再显著，这也表明在发挥城市创新的区域协同治霾作用时应统筹考虑到区域协同范围大小，使城市创新对雾霾的溢出效应最大化。
　　5结论与政策建议
　　5.1结论
　　本文运用固定效应空间杜宾模型，在时空双维度视角下，就城市创新对雾霾的影响进行了实证检验。结果表明：①中国城市雾霾污染呈现明显的空间溢出效应和高排放俱乐部集聚特征，周边城市雾霾污染将显著加剧本城市雾霾污染程度。②中国城市创新具有积极的减霾作用，不仅城市自身创新有显著减霾效应，周边城市创新活动对本城市雾霾污染也具有显著的积极溢出效应，而且其效应值还要大于直接效应，但存在一定的有效距离阈值，在阈值之上，由于空间距离过大而产生的衰减将使得城市创新对雾霾的溢出效应变得不再显著。从纵向时间维度来看，减霾效应总体呈现边际递减态势，即随着时间推移，创新抑制城市雾霾污染的边际红利递减，但在外部冲击下仍有回升。③交通便利化及能源效率的提高有效抑制了雾霾污染的加剧，以煤为主的能源结构仍是雾霾污染加剧的一大诱因。
　　5.2政策建议
　　本研究具有一定的政策意义：①实施科学规划，布局联防联控。减霾政策应将空间溢出因素考虑在内，推动区域内各城市对区域整体利益达成共识，打破行政区域的界限，统筹规划，实施联防联控策略，在总体环境约束条件下实现区域内部各城市的经济成本最小化，最终达到共同控制复合型环境污染的目的。②聚集创新要素，打造创新型城市引擎。本文结果也显示城市创新对于雾霾治理具有积极的直接及溢出效应，且溢出效应绝对值还大于直接效应。因此，需要在城市群内部形成创新竞争、合作机制，对区域内各城市利益科学调配，通过科技、制度创新重塑城市群发展模式，促进城市群协同创新发展，最终实现“一揽子”减霾效果。③提升能效、路效，促进城市雾霾量级减少。随着时间推移，城市创新对雾霾治理的边际红利趋于弱化，因此，在实施创新驱动，科学治霾过程中，仍应重视提升能源效率，早日实现城市碧水蓝天。 　　（编辑：于杰）
　　参考文献
　　[1]张世秋，黄德生.控制细颗粒污染减缓环境健康损害[J].环境保护，2011（16）：25-26.
　　[2MATUSK，NAMKM，SELINNE，etal.HealthdamagesfromairpollutioninChina[J].Globalenvironmentalchange，2012，22（1）：55-66.
　　[3HUANGD，XUJ，ZHANGS.ValuingthehealthrisksofparticulateairpollutioninthePearlRiverDelta，China[J].Environmentalscience&policy，2012，15（1）：38-47.
　　[4]穆泉，张世秋.2013年1月中国大面积雾霾事件直接社会经济损失评估[J].中国环境科学，2013，33（11）：2087-2094.
　　[5]潘小川.关注中国大气灰霾（PM2.5）对人群健康影响的新常态[J].北京大学学报（医学版），2015，47（3）：377-379.
　　[6]石大千，丁海，卫平，等.智慧城市建设能否降低环境污染[J].中国工业经济，2018（6）：117-135.
　　[7GUAND，SUX，ZHANGQ，etal.ThesocioeconomicdriversofChina’sprimaryPM2.5emissions[J].Environmentalresearchletters2014，9（2）：024010.
　　[8MENGJ，LIUJ，XUY，etal.TracingprimaryPM2.5emissionsviaChinesesupplychains[J].Environmentalresearchletters2015，10（5）：054005.
　　[9]李欣，曹建華.环境规制的污染治理效应：研究述评[J].技术经济，2018，37（6）：83-92.
　　[10]齐园，张永安.北京三次产业演变与PM2.5排放的动态关系研究[J].中国人口·资源与环境，2015，25（7）：15-23.
　　[11]陈诗一，陈登科.能源结构、雾霾治理与可持续增长[J].环境经济研究，2016（1）：59-75.
　　[12]邵帅，李欣，曹建华，等.中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J].经济研究，2016，51（9）：73-88.
　　[13]杨冕，王银.长江经济带PM2.5时空特征及影响因素研究[J].中国人口·资源与环境，2017，27（1）：91-100.
　　[14]刁贝娣，丁镭，苏攀达，等.中国省域PM2.5浓度行业驱动因素的时空异质性研究[J].中国人口·资源与环境，2018，28（9）：52-62.
　　[15]刘伯龙，袁晓玲，张占军.城镇化推进对雾霾污染的影响——基于中国省级动态面板数据的经验分析[J].城市发展研究，2015，22（9）：23-27，80.
　　[16]雷平，高青山，赵连荣.经济发展与细颗粒物污染的关系——以中国112个环保重点城市为例[J].城市问题，2016（5）：56-62.
　　[17]代丽华.贸易开放如何影响PM2.5——基于淮河两岸供暖政策差异的因果效应研究[J].管理评论，2017，29（5）：237-245.
　　[18]蔡海亚，徐盈之.产业协同集聚、贸易开放与雾霾污染[J].中国人口·资源与环境，2018，28（6）：93-102.
　　[19]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.
　　[20]何枫，马栋栋.雾霾与工业化发展的关联研究——中国74个城市的实证研究[J].软科学，2015，29（6）：110-114.
　　[21]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，2015，37（9）：29-41.
　　[22]于冠一，修春亮.辽宁省城市化进程对雾霾污染的影响和溢出效应[J].经济地理，2018，38（4）：100-108，122.
　　[23]李欣，杨朝远，曹建华.网络舆论有助于缓解雾霾污染吗？——兼论雾霾污染的空间溢出效应[J].经济学动态，2017（6）：45-57.
　　[24VANDA，MARTINRV，BRAUERM，etal.GlobalannualPM2.5gridsfromMODIS，MISRandSeaWiFSaerosolopticaldepth（AOD）withGWR，1998-2016[R].2018.
　　[25]朱平芳，张征宇，姜国麟.FDI与环境规制：基于地方分权视角的实证研究[J].经济研究，2011，46（6）：133-145.
　　[26]王飞成，郭其友.经济增长对环境污染的影响及区域性差异——基于省际动态面板数据模型的研究[J].山西财经大学学报，2014，36（4）：14-26.
　　[27]林伯强，杜克锐.要素市场扭曲对能源效率的影响[J].经济研究，2013，48（9）：125-136.
　　[28]金培振，张亚斌，彭星.技术进步在二氧化碳减排中的双刃效应——基于中国工业35个行业的经验证据[J].科学学研究，2014，32（5）：706-716.
　　[29]王治东，张琳.技术·空间·资本·人——智慧城市的核心要素探究[J].自然辩证法通讯，2016，38（3）：99-104.
　　[30]刘克逸.产业信息化对我国产业结构升级的作用及政策取向[J].软科学，2003（1）：27-30，38.
　　[31]邓雅君，张毅.智慧城市建设对促进中国转变经济发展方式的作用路径[J].电子政务，2013（12）：2-8.
　　[32]EHRLICHPR，HOLDRENJP.Impactofpopulationgrowth[J].Science，1971，171（3977）：1212-1217.
　　[33YORKR，ROSAEA，DIETZT.STIRPAT，IPATandImPACT：analytictoolsforunpackingthedrivingforcesofenvironmentalimpacts[J].Ecologicaleconomics2003，46（3）：351-365.
　　[34]李文亮，许正中.考虑空间效应的高技术企业创新溢出效应研究[J].软科学，2015，29（4）：1-4.
　　[35]HALLECKVS，ELHORSTJP.TheSLXmodel[J].Journalofregionalscience，2015，55（3）：339-363.
　　[36]韩峰，谢锐.生产性服务业集聚降低碳排放了吗？——对我国地级及以上城市面板数据的空间计量分析[J].数量经济技术经济研究，2017，34（3）：40-58.
　　[37]寇宗来，刘学悦.中国城市和产业创新力报告2017[R].2017。
　　[38]ELHORSTJP.Matlabsoftwareforspatialpanels[J].Internationalregionalsciencereview，2014，37（3）：389-405.
　　[39]LESAGEJ，PACERK.Introductiontospatialeconometrics[M].ChapmanandHall/CRC，2009.
　　[40]徐盈之，孙剑.信息产业与制造业的融合——基于绩效分析的研究[J].中国工业经济，2009（7）：56-66.
　　[41]李晓钟，陈涵乐，张小蒂.信息产业与制造业融合的绩效研究——基于浙江省的数据[J].中国软科学，2017（1）：22-30.
转载注明来源:https://www.xzbu.com/7/view-15181467.htm