1 引言(Introduction)

历经40年的改革开放发展, 中国已经跃居为世界第二大经济体.中国经济的飞速发展使得对煤炭、石油等化石燃料形成了极大的依赖, 化石燃料的燃烧排放出大量的污染物, 从而引发了严重的空气污染问题.目前, 我国已经成为世界上二氧化硫(SO₂)和二氧化氮(NO₂)排放量最大的国家之一(Van der et al., 2017), 也是世界上空气污染较为严重的国家之一, 尤其是近几年大规模频繁地爆发雾霾事件, 对社会经济造成了重大影响.雾霾除了导致交通事故率上升、航班延误等问题外, 引发的最严重问题是危害居民的身体健康, 诱发各种呼吸道疾病甚至肺癌(Guan et al., 2014).因此, 频发的空气污染问题引起了中央及各级地方政府的高度重视, 继而出台了一系列的强制性环保政策.例如, 从“十一五”计划开始, 国务院明确制定了强制性的节能减排约束性目标.具体来说, 国务院提出了“十一五”期间主要污染物排放总量减少10%的目标, 其中包括SO₂(中华人民共和国中央人民政府, 2011).“十二五”和“十三五”规划分别提出了全国SO₂排放量要下降8%和15%的目标(中华人民共和国国务院, 2011; 2016a).此外, “大气十条”的颁布及“2+26”传输通道城市的确立等环保政策的出台均显示出中国政府彻底治理空气污染的决心.在政府各种强有力的环保措施下, 环境污染问题得到了一定的改善.例如, “十二五”期间, 全国主要污染物排放减少了12%以上(中华人民共和国国务院, 2016b), 2013—2017年, SO₂平均浓度5年下降了8%(自然资源保护协会, 2018).

环境规制是政府进行空气污染治理的重要政策性工具, 因此, 很多学者根据理论对环境政策中的环境规制效果开展了研究.然而, 由于研究样本、衡量环境规制及环境污染指标的不同, 研究结论也有所差异.例如, 包群等(2013)认为单纯的环保立法并不能显著地抑制污染排放, 但在环保执法力度严格或是当地污染相对严重的省份, 环保立法能够明显地改善环境.而余长林等(2015)的研究则表明, 环境管制通过减少官方经济活动降低了环境污染, 但同时通过扩大隐性经济规模提高了环境污染.沈坤荣等(2017)研究发现, 一个地方如果实施严格的环境规制, 那么会引发污染企业转移到周边城市.惠炜等(2017)的研究表明, 加强环境规制强度能够显著降低环境污染程度.陈诗一等(2018)研究发现, 政府环境治理能够有效降低雾霾污染, 从而有效地促进经济发展质量的提升.通过梳理文献发现, 对于环境规制在污染治理中是否起到了重要作用存在争议.因此, 本研究的主要目的是检验环境规制是否是近年来SO₂污染不断改善的重要原因.

由于经济增长过程中通常伴随着严重的环境污染问题.因此, 科研人员对经济增长和环境污染之间的关系进行了广泛而深入的研究.最早由Grossman和Krueger(1991)以42个国家为样本研究了经济增长与污染排放之间的定量关系, 结果表明, 在收入水平较低时, SO₂随着人均GDP的增加而增加, 在达到高收入水平时, SO₂随着人均GDP的增加而下降, 即经济增长与污染物排放之间呈现出“倒U型”关系.Grossman和Krueger(1991)认为经济增长从规模效应、结构效应和技术效应3个方面影响环境污染: 在经济发展初期, 经济规模的增加会消耗更多的资源, 从而导致更多的污染物排放；但随着经济水平的继续提高, 产业结构优化(资源向效率较高部门的转移)和技术水平的进步会提高资源的利用效率, 超越规模效应带来的负面影响, 从而减少污染物排放并改善环境质量；3种效应的共同作用导致经济增长与环境污染之间呈现“倒U型”曲线.这一观点后来也被称之为“环境库兹涅茨曲线(Environmental Kuznets Curve, EKC)”假说.Grossman和Krueger(1995)将人均GDP的三次项引入实证模型, 发现大多数空气污染物(SO₂、烟尘和空气颗粒物)跟人均GDP之间呈现倒“U”型曲线或正“N”型曲线.随后, 许多学者采用不同的样本(不同国家或地区及不同的污染物)对此假说进行了验证, 得到的结论也不尽相同, 主要分为倒“U”型(He et al., 2017; Wang et al., 2017; 张轩瑜等, 2020)、正“U”型(Wang et al., 2011)、倒“N”型(Kang et al., 2016; Jiang et al., 2019)及正“N”型(Chen et al., 2018)等.此外, 也有研究表明环境污染水平随经济增长而单调递增(Stern et al., 2001), 也有实证分析表明两者之间的关系并不显著(Richmond et al., 2006).

学者们在研究环境与经济发展之间的关系时, 通常会指定一种污染物, 或采用多种污染物建立复合指标.SO₂污染具有广泛性的特征, 是很多地区主要的污染物之一.此外, SO₂对社会经济和生态环境造成的损失非常严重, 长期以来也被政府部门高度重视.因此, 从“十一五”开始, 每个五年计划都设立了强制减排SO₂的目标.很多学者也以SO₂污染为研究对象, 对SO₂污染和经济发展之间的关系开展了大量的实证研究, 总体来看, 此类研究大致可以分为两类.第一类是通过建立普通计量经济模型, 包括多元回归(彭水军等, 2006a;谢申祥等, 2012; 李慧娟等, 2013;王敏等, 2015; Yang et al., 2018)、半参数面板(Wang et al., 2016)、Granger因果关系检验(刘笑萍等, 2009)和联立方程模型(彭水军等, 2006b;丁焕峰等, 2012)等, 研究经济增长及其他社会经济因素与SO₂排放之间的关系.这些研究成果有助于我们深入理解SO₂污染与经济增长之间的关系, 并为减排工作的进行提供了重要政策依据.但需要指出的是, 此类研究没有注意到空气污染并非是单纯的局部区域环境问题.由于空气中的污染物会通过大气环流等自然因素扩散到周边地区(邵帅等, 2016), 故而第二类研究在此方面进行了改进.这类研究主要考虑到了SO₂排放的空间溢出效应, 利用前沿的空间计量分析方法研究经济增长与SO₂排放之间的定量关系(王立平等, 2010; 吴玉鸣等, 2012; Zhou et al., 2017; Huang, 2018).

总体来说, 第一类研究忽略了SO₂污染的空间溢出效应, 故有可能得到有偏的估计；第二类研究虽然采用空间计量模型考虑了空间溢出效应, 但所采用的均是官方统计的SO₂排放量数据.然而, SO₂排放量与当地的化石能源消耗量密切相关, 一个地区的SO₂排放量也不会直接影响到邻近地区的排放量.虽然第二类研究的结果均显示出排放量数据在空间自相关统计上十分显著, 但这并不意味着存在显著的空间关联性.这种空间自相关现象的本质有可能反映的是经济结构和产业规模的空间相似性, 这并不等同于SO₂浓度在空间上的扩散溢出.换言之, 第二类研究采用空间计量建模虽然解决了模型设定偏误和误差项的空间依赖性问题, 但并没有准确清晰地描述不同地区SO₂污染的空间关联性特征.此外, 在中央政府强有力的环境保护政策下, 环境指标已经纳入到了地方政府的考核体系, 因此, 排放量数据有可能存在较为严重的统计误差问题, 从而不能客观地反映地区的SO₂污染程度.

基于此, 本文利用中国大陆31个省份2005—2017年卫星观测的SO₂浓度数据来客观地反映各个地区的SO₂污染状况, 同时也能够有效地捕捉SO₂污染在空间上的溢出效应.其次, 采用探索性空间数据分析方法对中国SO₂污染的时空演变特征进行详细分析.最后采用空间计量模型, 基于环境库兹涅茨曲线框架对SO₂污染的社会经济影响因素进行全面考察, 并且着重分析环境规制对于SO₂污染治理的重要意义.

本研究的主要贡献有两个: ①相比官方统计所得的SO₂排放量数据, 由于SO₂在对流层中的时间寿命较短, 因此, 本文采用的卫星观测的边界层SO₂柱浓度数据能够在一定程度上反映当地的SO₂排放量(Li et al., 2010; Wang et al., 2015), 客观清晰地描述不同地区SO₂污染的空间关联特征, 并且克服了官方统计可能存在的较大误差问题, 能够客观反映各地区的SO₂污染状况, 极大地提高准确性；②本文在模型构造时较为全面地考虑了多种SO₂污染的社会经济驱动因素, 尤其聚焦在环境规制对于SO₂污染治理的意义.由于纳入了SO₂污染的空间溢出效应, 能够得出更为稳健的结论.此外, 根据研究的结果提出若干有效的SO₂污染治理政策建议, 有助于改善中国的空气质量水平.

2 模型与数据来源(Models and data sources) 2.1 空间相关性分析

为了描述SO₂污染的空间溢出效应, 本文采用Moran(1950)提出的全局Moran′s I检验方法对中国省域SO₂浓度的空间相关性进行判断.全域空间自相关用于验证整个研究区域的空间分布模式, 用来定量描述省域SO₂浓度在全局范围内的空间集聚程度, 具体计算公式见式(1).

(1)

式中, I为全局Moran′s I得分, Y为SO₂浓度, Y为所有省份SO₂浓度的算数平均值, W为n×n的空间权重矩阵, W_ij为空间权重矩阵中的元素, n为研究对象数量, 本研究中n=30.Moran′s I的取值范围为[-1, 1], 当I大于0时, 表示省域间SO₂浓度呈正相关, 当I小于0时, 表示呈负相关, I等于0则表示省域间SO₂浓度在空间上呈随机分布模式.

此外, 本研究采用Rook邻接性空间权重矩阵, 即两个地区如果有共同边界, 则权重记为1, 否则为0.此外, 本文还考虑K个最近邻居(K-nearest)空间权重矩阵(K=3, 4, 5), 分别表示3、4、5个最近邻居的空间权重.

2.2 模型设定

为了充分地考察经济发展水平不同阶段与SO₂污染之间的关系, 本文引入人均GDP、人均GDP的二次方项及三次方项.这是因为如果忽略了三次方项, 那么有可能无法甄别N(或倒N)型曲线.如果三次项不显著, 那么可能存在U(或倒U)型曲线.同理, 如果只有一次项显著, 那么两者为线性单调递增(或递减)关系.此外, 在参考现有文献的基础上, 本文引入环境规制、人口密度、技术进步、产业结构、外商直接投资、人均电力消耗量和固定资产投资共7个控制变量.首先, 构造普通最小二乘回归(Ordinary Least Squares, OLS)模型, 具体如下:

(2)

式中, ln为自然对数；SO₂为因变量, 表示各个省份SO₂的浓度值；GDPPC、ER、POP、TECH、STRATIO、FDI、ECPC、IIFA为自变量, 具体含义将在2.3节详细介绍；β₁~β₁₀为待估计参数；a为常数项；ε_it为随机误差项.μ_i为省份固定效应, 表示未能包含在模型中随地区变化但不随时间改变的因素；λ_t为时间固定效应, 表示未能包含在模型中随时间变化但并不随地区改变的因素.

经典的普通最小二乘回归模型假设所有个体的被解释变量之间相互独立, 但在空气污染问题中, 一个地区的污染物可能通过大气环流等自然因素扩散到周边地区, 这与假设相违背, 可能导致有偏误的回归结果.因此, 本文引入空间滞后模型来解决此问题(Elhorst, 2014), 具体模型设定如下:

(3)

式中, W为空间权重矩阵；WlnSO₂表示被解释变量的空间滞后项；ρ为待估计的空间滞后项的系数, 也被称为空间自回归系数.若ρ显著且大于0, 则表示周边地区SO₂浓度与本地区SO₂浓度之间存在正相关；反之, 若ρ显著且小于0, 则表示周边地区SO₂浓度与本地区SO₂浓度之间存在负相关；若统计上不显著, 则表明SO₂浓度在空间上呈现随机分布状态.其余变量含义与模型(2)中变量含义相同.

2.3 变量说明

为了全面考察影响SO₂污染的社会经济因素, 本文在EKC假说和前人研究的基础上, 选取了影响SO₂污染的8个因素, 即地区经济发展水平(GDPPC)、环境规制水平(ER)、人口密度(POP)、技术水平(TECH)、产业结构(STRATIO)、外商直接投资(FDI)、人均电力消耗量(ECPC)、固定资产投资(IIFA), 具体如表 1所示.

地区经济发展水平(GDPPC): 本文使用人均GDP来衡量各个地区的经济发展水平, 同时在模型中引入人均GDP的二次项和三次项, 对“EKC假说”进行验证, 考察经济发展与SO₂污染之间的关系.

环境规制水平(Environmental Regulation, ER): 考虑到数据可得性及研究对象是SO₂污染, 本文采用SO₂去除率来表征环境规制水平(傅京燕等, 2010; 原毅军等, 2014; 韩国高, 2017).此外, 由于环境政策效果的发挥可能存在一定的滞后性, 故本文采用前一期SO₂去除率来表征环境规制水平, 借此来表明环境规制将在下一年对SO₂污染产生影响.该变量预期符号为负.

人口密度(POP): 人口密度的增加对环境有两方面的影响, 一方面, 人口密度的增加会给当地环境带来更大的压力.因为人口密度增加意味着需求增加, 为了满足居民的生活需求, 需要消耗大量的能源, 化石能源燃烧所排放出的大量污染物给城市环境带来了更大的挑战(邵帅等, 2016).另一方面, 人口密度较大的城市, 居民的环保意识相对较强, 即对空气质量有更高的要求, 这也会激励政府加大环境管制力度, 增加用于环保的财政支出, 从而改善空气污染问题.此外, 人口的迁移通常指向环境质量更好的区域, 从而人口密度较大的城市空气质量也可能相对较好(姜磊等, 2018a).因此, 该变量预期符号不定.

技术水平(TECH): 技术进步已经成为完成节能减排目标的重要手段之一, 本文使用研究与试验发展(Research and Development, R & D)经费总投入占GDP的比重来衡量各个省份的技术水平(Yin et al., 2015).研发经费投入的增加可以提高企业的生产技术水平, 降低能源强度, 减少能源消耗.另外, 污染治理技术的提高也可以对空气质量起到一定的改善作用.因此, 该变量的预期符号为负.

产业结构(STRATIO): 本文参照干春晖等(2011)的做法, 采用第二产业产值与第三产业产值之比来表征产业结构.第二产业多为制造业、建筑业等高能耗产业, 这些行业的发展需要消耗大量的能源, 从而产生大量的污染物.第三产业为服务业, 相对于第二产业来说更加“绿色”.第二产业产值与第三产业产值之比下降则表明产业结构在趋向于“服务化”, 产业结构正在向高级化发展.因此, 该变量的预期符号为正.

外商直接投资(FDI): 关于外商投资是否加剧了环境污染的问题, 学术界持有两种观点, 一种是“污染避难所”假说(冷艳丽等, 2015), 即外资的流入会加剧当地的环境污染.这是因为在经济发展的初级阶段, 一些发展中国家为了拉动经济增长, 放松环境管制, 从而使一些高污染、低质量的产业流入到发展中国家, 成为这些产业的避难所, 从而加剧了当地的空气污染问题.另一类研究表明, 外资也具有“污染光环”效应.这是因为外商投资企业拥有更先进的生产技术和管理水平, 且在环境标准的制定及执行方面更加严格, 从而有效地降低了污染物排放量, 改善了当地空气质量(Jiang et al., 2017; 姜磊等, 2018b).因此, 该变量的预期符号不定.

人均电力消耗量(ECPC): 近年来, 城镇化和工业化的快速发展, 导致生产活动及日常生活方面的电力需求急剧膨胀.火电为主的发电结构导致电力行业的发展与煤炭消耗量直接相关, 而煤炭燃烧是SO₂的主要来源之一(彭昱, 2013).因此, 人均电力消耗量的增加会加剧SO₂污染, 故该变量预期符号为正.

固定资产投资(IIFA): 全社会固定资产投资包括基本建设、更新改造、房地产开发投资等部分, 增加固定资产投资是政府刺激国民经济的重要手段之一.近年来, 中国政府大规模进行基础设施建设投资, 消耗了大量的水泥、钢铁等高能耗工业产品, 排放了大量的污染物, 这是导致SO₂污染加剧的重要原因(Jiang et al., 2018).因此, 该变量预期符号为正.

2.4 数据来源与描述性统计

对于SO₂浓度数据, 本研究采用臭氧监测仪(Ozone Measurement Instrument, OMI)观测得到的行星边界层(Planetary Boundary Layer, PBL)SO₂垂直柱浓度数据(Vertical Column Densities, VCDs).OMI传感器所搭载的AURA卫星是近极地、太阳同步轨道卫星, 于2004年7月15日发射, 其在赤道上的过境时间为当地下午1 ∶ 45. OMI主要监测全球大气中的O₃、SO₂、NO₂、BrO、HCHO等主要的痕量气体.OMI具有13 km×24 km的星下点分辨率, 其轨道扫描幅宽为2600 km(Levelt et al., 2006).本研究采用NASA提供的二级幅带边界层柱浓度数据日均产品(https://disc.gsfc.nasa.gov/datasets/OMSO2_V003.shtml), 其中, 柱浓度单位为DU(1 DU=2.69×10¹⁶ molecules · cm^-2), PBL高度低于2 km, 中心高度为0.9 km左右(Jiang et al., 2012).Li等(2013)根据卫星获得的地面反射度和太阳辐射度, 采用主成分分析(PCA)算法反演得到PBL SO₂数据, 与以往的产品相比其噪声和偏差降低了一半左右.本研究使用的SO₂数据的不确定性在30°S~30°N区域约为0.5 DU, 在高纬度区域约为0.7~0.9 DU.本研究剔除了太阳天顶角比较高、云量大及轨道异常的像素值, 采用面积权重方法插值生成分辨率为0.25°×0.25°的日均网格数据, 并进一步得到月均数据.各省份的SO₂浓度值基于ArcGIS10.3软件由中国人民共和国行政区域的划分边界提取得到(Cui et al., 2016).

另外, 本文所使用的人均GDP、人口密度、产业结构、电力消耗、全社会固定资产投资数据均来自于《中国统计年鉴》, SO₂排放量及去除率数据来自《中国环境统计年鉴》, R & D经费投入强度来自于《全国科技经费投入统计公报》, 外商直接投资数据来自于Wind数据库.外商直接投资总额已按照当年平均汇率折算成人民币.西藏自治区由于部分变量数据缺失, 未能包含在回归分析中.此外, 文中涉及到价值的数据均以2005年为基期, 并按照相应指数剔除了价格因素的影响.数据的描述性统计如表 2所示.

3 实证结果(Empirical results) 3.1 SO₂污染的时空分布特征

首先对中国省域SO₂污染的空间分布特征进行可视化处理, 给出了2005、2007、2009、2011、2014和2017年这6个年份的SO₂柱浓度空间分布图(图 1).从图 1可以看出, 2005和2007年SO₂污染的重灾区集中在华北地区, 主要是河北南部、山西东南部、河南北部、山东西部及天津, 这些地区的重工业较为发达, 因而SO₂污染也相对严重.此外, 西南的四川和重庆、华东的上海和江苏及华南的广东部分地区SO₂浓度也相对较高.相对于2005和2007年, 2009年这些污染重灾区的SO₂浓度均有所降低, 整体得到改善, 尤其是华北地区, 污染面积有所缩小.但在2011年, 中国大部分地区的SO₂浓度均出现反弹趋势, 这可能是因为2011年是“十二五”规划的开局之年, 各个省份为了追求经济增长, 工业生产活动有所加强, SO₂污染程度也更加严重.到了2014和2017年, 污染重灾区的华北地区SO₂浓度出现明显下降, 表明我国的SO₂污染治理取得了很大的成效.此外, 由图 1可知, 中国南方的SO₂污染有非常大的改善, 尤其是四川盆地和珠三角城市群.总体来说, 南方的SO₂浓度要普遍低于北方, 而西部省份的SO₂浓度一直相对较低, 这可能是因为这些省份的工业化和城镇化水平相对较低, 污染排放也相对较少.

为了更形象地观察中国整体SO₂污染的变化趋势, 本文对2005—2017年中国SO₂柱浓度变化趋势进行了绘制, 结果如图 2所示.从全国SO₂柱浓度的变化趋势来看, “十五”末期到“十一五”初期(2005—2007年)及“十一五”末期到“十二五”初期(2009—2011年), 全国SO₂柱浓度有明显上升.这可能是因为各地为完成经济目标, 生产活动有所增加, 这也表明SO₂污染与经济活动密不可分.但2011年之后, 在中央及各级地方政府强有力的环保政策约束下, SO₂柱浓度持续下降, 全国的SO₂污染得到明显改善.

根据公式(1), 本文对SO₂在整个研究区域的空间自相关性进行了检验, 结果如图 3所示.Rook和K4两种空间权重矩阵下的Moran′s I数值有所不同, 但相差不大, 且变化趋势相同.此外, 由图 3还可以发现, 2005—2017年Moran′s I统计量均为正值, 且均通过了1%的显著性水平检验, 说明中国各省SO₂污染之间呈现空间聚集特征.从Moran′s I得分来看, 虽然有所波动, 但整体呈现上升趋势, 2017年相对于2005年, Moran′s I得分明显上升.这表明随着区域间经济活动联系的加强, 加之受大气环流等自然因素影响, 区域间SO₂污染的空间溢出效应和区域聚集特征也更加明显.因此, 在SO₂污染治理方面, 不能进行“单边”努力, 因为极有可能由于周边地区的SO₂污染使得治理徒劳无功.所以, 针对SO₂污染治理的环保政策的实施必须建立在区域协作的基础之上, 即通过联防联控措施方可实现SO₂污染的有效治理.

3.2 OLS模型回归结果

在对模型(2)进行回归分析之前, 首先进行混合回归, 估计结果如表 3所示.然而, 回归结果出现了一些与事实相违背的现象, 如技术水平的估计系数显著为正, 即技术进步反而会加剧SO₂污染.这主要是因为混合回归模型得到的是有偏估计, 没有充分考虑到模型中的空间固定效应和时间固定效应.为了验证固定效应, 本文进行了F检验, 检验结果强烈地拒绝了μ_i联合为0的原假设.因此, 本文采用固定效应模型设定重新进行回归估计, 结果如表 3中第3~4列所示.

据表 3的第3~4列可以发现, 两种固定效应回归结果在系数上极为接近, 并且均显示出人均GDP及其三次方项的系数显著为负, 而人均GDP的平方项显著为正.换言之, 存在倒N型曲线.即在样本的初期, SO₂污染下降, 但随着经济持续发展, SO₂污染呈现上升趋势, 最后经济发展到高水平阶段, SO₂污染持续下降.为了验证EKC假说的稳健性, 对倒N型曲线的两个拐点进行计算, 结果发现不存在实根.尽管统计上高度显著, 但在经济上没有任何意义.换言之, 无法揭示在经济发展的各个阶段污染物与经济增长之间的关系.因此, 本文剔除了三次项后重新进行估计, 结果发现二次项不显著, 同理剔除二次项后, 人均GDP系数显著为负.即在本研究的样本期内, 随着经济发展水平的提高, SO₂浓度持续下降.

综上, 本研究的一个重要启示是, 在检验EKC假说时, 为了验证经济发展的不同阶段与环境质量之间的多种定量关系, 需要在模型中考虑多次项, 以免出现有偏误的结果.此外, 如果EKC假说在统计上表现为N(倒N)型曲线, 应该对其拐点进行确认, 这也是很多实证分析中遗漏的一步, 如果不进行实根检验, 那么有可能导致研究结果没有经济意义.换言之, 统计检验的显著性不能替代经济意义的合理性.

3.3 空间滞后模型回归结果

根据Moran′s I检验结果可知, 各个省份之间的SO₂浓度存在显著的正向的空间自相关性现象, 因此在进行回归时应当考虑SO₂污染的空间滞后项.空间滞后模型可以充分考虑到因变量之间的相互影响作用, 即能够考察SO₂污染的空间溢出效应.因此, 根据公式(3), 首先基于Rook空间权重矩阵采用双固定效应空间滞后模型进行回归估计, 具体结果如表 4所示.

表 4中的回归结果显示, 空间滞后项的系数ρ显著为正, 表明各省的SO₂污染之间存在正向空间溢出效应, 即邻近省份SO₂污染程度的增加会加剧本省SO₂的污染程度.人均GDP及其高次项的系数显示, 同样存在倒N型曲线.对其拐点进行计算, 发现不存在实根.进而剔除三次项重新回归, 发现二次项不显著.同理, 剔除二次项后, 人均GDP系数显著为负, 这与表 3的研究结果完全一致.此外, 研究还考虑了K3、K4和K5空间权重矩阵, 回归结果如表 5所示.

从表 5的第2~4列来看, 人均GDP及其高次项的估计符号同样表明存在倒N型曲线, 但不存在实根.另外, 以K4空间权重矩阵为例, 剔除三次项后重新回归, 结果发现二次项不显著, 剔除二次项后, 人均GDP系数显著为负.此外, 表 5其他变量的回归结果与表 3和表 4中的一致.人口密度、产业结构、人均电力消耗及固定资产投资变量的估计系数为正, 环境规制水平、技术水平和外商直接投资变量的估计系数为负.因此, 后文根据表 5的回归结果对各影响因素进行讨论.

地区经济发展水平(GDPPC): 研究结果表明, 随着经济发展水平的提高, 中国的SO₂污染程度呈现下降趋势.一方面, 随着经济发展水平的提高, 政府会更加注重高质量的经济发展；另一方面, 收入水平提高后, 人们更关注现实和未来的生活环境, 对高质量生活环境的诉求也会更加强烈, 会向政府施加压力, 带动经济发展模式向高质量转变, 从而降低SO₂污染程度.

环境规制水平(ER): 从回归结果看, 环境规制力度的提高有利于降低SO₂污染.当前中国SO₂污染问题得到了一定的改善, 其中很大一部分原因就是得益于政府的强制环保政策的实施.在一系列强制性的环保政策及措施下, 企业会降低污染性生产活动, 同时会积极进行技术创新, 通过技术手段及安装脱硫设备来降低SO₂的排放, 达到政府制定的污染减排要求.在强制环保政策下, 工业企业的技术创新会拉动整个行业, 尤其是制造业的技术革新和转型升级, 为缓解环境压力做出了非常大的贡献.但环境保护是一场“持久战”, 政府在坚定不移实施强制环保政策及加强环境规制力度的同时, 应当根据各个地区各个阶段的实际情况对环保政策进行合理的动态调整, 从而能够更加充分地发挥出“政策”这把利剑的功效.

人口密度(POP): 人口密度对SO₂浓度有显著的正向影响, 人口密度可以通过规模效应增加环境污染程度.此外, 人口密度较大的地区生活需求较高, 特别是电力消费需求量大, 因此, 火力电厂在满足电力供应时也会排放出更多的SO₂, 这会加剧本地区SO₂的污染程度.

技术水平(TECH): 从回归结果来看, R & D经费投入的增加可以有效地缓解SO₂污染.一方面, 技术水平的进步可以提高能源利用效率, 从生产端降低生产活动造成的SO₂污染；另一方面, 污染治理技术的提高可以从“末端”进行污染控制, 缓解环境压力.

产业结构(STRATIO): 第二产业与第三产业产值之比的提高会导致SO₂污染加剧, 因此, 应当加快产业结构优化, 淘汰一些高能耗、低产值的落后企业, 利用科技创新等加快产业的转型升级, 改变传统粗放式的工业发展模式.

外商直接投资(FDI): 本文研究结果表明, 外商直接投资与SO₂污染呈显著负相关关系, FDI具有“污染光环”效应.换言之, 高质量外资的流入不仅可以拉动当地的经济增长, 还可以通过外资引入先进的生产设备及排污治理技术, 用于改善当地的环境质量.因此, 政府应当积极吸引高质量外商投资.

电力消耗(ECPC): 本研究表明, 电力消耗与SO₂污染呈显著正相关关系.因此, 政府应当通过环境管制及财政补贴等方式, 鼓励企业使用更加环保的发电设备.同时, 应当增加在风力、水力发电等绿色发电方面的投资, 加大电力行业清洁能源的使用比例, 减少火力发电比重, 改善SO₂污染.

固定资产投资(IIFA): 回归结果表明, 固定资产投资的增加会加剧SO₂污染.政府在增加固定资产投资来刺激经济发展的同时不能忽视对环境的保护, 同时, 应当适度减少在高污染高能耗行业的投资, 并大力建设烟气脱硫除尘等治污设施以提高SO₂污染治理能力, 从而改善SO₂污染问题.

上述实证结果识别出了影响我国SO₂污染的社会经济因素.总体来看, FDI、技术进步、环境规制对SO₂污染存在着显著的抑制效应, 能够有效地降低SO₂浓度, 而人口密度、产业结构、电力消耗和固定资产投资是促进SO₂的污染主要原因.这也说明在人口政策调整、产业结构优化、电力生产和固定资产投资等方面还存在很大的进步空间.例如, 在产业结构方面, 目前尤其是SO₂污染重灾区的河北省仍然以钢铁、水泥等高能耗产业为主, 产业结构高度重型化, 是造成整个地区SO₂污染的最主要因素.需要强调的是, SO₂污染的治理仅靠FDI和技术进步无法在短时间内有效解决, 其治理过程是一项系统性的工程, 必须通过政府制定严格有效的环境规制措施, 积极促进减排措施及方案的贯彻实施, 才能彻底改善SO₂污染问题.

4 结论(Conclusions)

1) 中国省域SO₂浓度存在显著的正向空间自相关现象.从空间分布特征来看, 污染重灾区主要是华北地区, 具体为河北南部、山西东南部、河南北部、山东西部及天津, 而西部地区的SO₂浓度一直位于较低水平.从长期时间趋势来看, 虽然SO₂浓度在个别年份中有所加剧, 但整体上呈下降趋势.

2) 基于环境库兹涅茨曲线空间计量模型实证结果显示, 回归结果呈现显著的倒N型曲线, 但无实根解.进而剔除三次项后重新回归, 发现二次项不显著, 剔除二次项后, 人均GDP系数显著为负, 表明经济增长与SO₂污染在样本期内存在单调递减关系, 说明经济持续高速发展的同时, SO₂污染也持续向好.

3) 空间计量回归结果显示, 严格的环境规制有利于SO₂浓度的降低.此外, 地区技术水平的进步及先进外资的“光环效应”都可以有效地改善SO₂污染.然而, 人口密度增加、第二产业发展、电力消耗及固定资产投资增加是造成SO₂污染加剧的重要原因.

5 政策建议(Policy recommendations)

SO₂污染在时空上存在明显的差异性, 各个地区的人口密度、支柱产业、经济发达程度及产业结构特点也存在较大的差异.因此, 在进行SO₂污染治理时应当根据各地的综合发展情况制定精准的差异化环保政策和环境规制强度.而SO₂污染在空间上的聚集性也启示政府在进行SO₂污染治理时不能忽视本地区与周边地区之间的空间关联性, 应当加强区域间的通力合作, 建立共同协作减排机制, 从而更加高效地改善SO₂污染, 且可以有效地防止周边地区的污染导致本地区污染程度的反弹或加剧.

企业是SO₂污染防治的主体, 污染防治政策必须落实到企业.一方面, 政府应当坚定不移地实施强制环保政策, 对生产效率低下或污染防治设施不完备的企业进行惩罚甚至淘汰, 逼迫落后企业进行技术革新.另一方面, 政府也应当加大在技术方面的财政支出, 建立财政补贴机制, 对环保技术先进的企业进行奖励, 帮助其升级生产设备和生产技术.此外, 政府应当鼓励企业引进先进的外资, 加大本土企业与外资企业之间的交流合作, 充分发挥外资企业的技术溢出效应.

人口密度的增加也是SO₂污染加剧的一个重要因素.人口过度聚集所导致的生活需求的增加给当地环境造成了极大的压力.政府应当制定合理的人才补贴政策, 鼓励人口向人口密度较低和经济较为落后的区域流动.在降低发达省份人口密度, 缓解环境压力的同时, 可以拉动落后地区的经济发展.

电力消耗的增加是加剧SO₂污染的重要因素.2018《中国统计年鉴》显示, 我国火力发电仍然占总发电量的70%以上.因此, 若要有效控制SO₂污染, 必须加快电力产业的转型升级.政府应当加大电力行业清洁能源的使用比例, 同时鼓励发电企业进行技术研发, 引进更加环保的生产设备, 并完善相关法律法规, 对超过排污标准的企业进行一定的处罚.值得注意的是, 近年来, 中国政府加大了环境规制力度, 已经开始对火力电厂全面实施“超低排放标准”, 采用多种污染物高效协同除脱集成系统技术, 极大地降低了SO₂排放, 这也是近年来大气中SO₂浓度持续下降的最重要原因.这也充分说明了环境规制对于中国SO₂污染治理具有极大的政策意义和实践意义.