史燕平　刘玻君　厉玥

摘 要：运用AR模型、Granger因果检验和脉冲响应函数，从不同角度分析京津冀地区雾霾污染的溢出效应并得出如下结论：AR模型表明京津冀各城市的雾霾污染均存在较强的持续性；Granger因果检验表明京津冀各城市的雾霾污染会相互影响，其中北京对周边城市的影响尤为显著；脉冲响应函数表明京津冀各城市的雾霾污染会相互冲击，其中北京对其周边城市雾霾污染的冲击时间较长。因此，京津冀地区应进行雾霾污染源头治理，联合防治雾霾污染，建立科学的政府绩效评估体系，做到政府监管与公众监督相结合。

关键词：雾霾污染；溢出效应；环境治理

中图分类号：F127 文献标识码：A 文章编号：1003-3890（2017）04-0020-07

一、引言

作为我国北方经济的重要核心区域，京津冀地区的雾霾污染问题一直受到社会各界的广泛关注。近年来，工业污染、机动车排放的大量增加和人口的迅速增长导致京津冀地区大规模、长时间的雾霾污染问题[1]。世界卫生组织对北京空气严重污染风险提出警告，并指出大气污染物为主要的环境致癌物。在中国一线城市中，北京由于雾霾天气过多，是大气污染的重灾区。京津冀地区的雾霾污染引起了国内外的广泛关注，有效缓解北京及其周边的污染问题，是社会各界普遍关心的热点问题。

已有文献关于雾霾污染的研究，主要集中在以下几方面：一是研究PM2.5的主要成分和来源。杨复沫（2003）对北京大气细颗粒物的污染水平和来源进行分析认为，北京市PM2.5污染主要来源于汽车尾气和燃煤[2]；于娜（2006）通过分析北京市城区和郊区细粒子中有机化合物的污染特征得出，北京的雾霾污染主要来源为机动车和燃煤排放，而且有加重趋势[3]；朱先磊（2005）对北京市PM2.5的主要来源进行分析发现，与过去10年相比雾霾污染的来源发生了较大变化[4]；王志娟（2012）对冬春时节北京PM2.5的来源进行研究，研究表明北京冬春时节PM2.5的主要來源为燃煤和工业过程[5]。二是研究雾霾污染的分布及污染特征。王占山（2015）对北京市2013年PM2.5的时空分布进行研究，研究表明PM2.5由高到低的季节分别是冬季、春季、秋季和夏季[6]；陈媛（2010）重点研究了北京市区大气细粒子的污染特征，研究表明温度和相对湿度等是影响大气中PM2.5污染程度的主要因素[7]。三是研究污染的影响和溢出效应。David et al.（2005）运用环境库茨涅茨曲线研究了国与国之间雾霾污染的空间溢出效应[8]；Poon（2006）研究了中国的能源、交通和贸易对大气污染的影响[9-10]；马丽梅 等（2014）研究了中国不同省份之间区域大气污染的空间效应，研究表明不同省份之间雾霾污染的交互影响存在负效应[11]。潘慧峰（2015）运用Garch模型和Granger因果检验研究了京津冀地区重度雾霾污染的溢出效应[12]。

从上述研究文献中我们可以发现，现有文献对于雾霾问题的研究存在诸多不足。第一，从研究范围上，大多数的文献都集中于对单个城市雾霾污染的研究，而以区域范围为对象研究雾霾污染问题的文献较少。众所周知，雾霾污染具有较强的外部性，受地理位置和气候等因素的影响，一个城市的雾霾污染往往会对另一个城市的雾霾污染产生连带效应。在治理雾霾污染时，地区性的雾霾污染治理比单个城市的雾霾污染治理更能产生显著的效果。第二，从研究指标的选取上，现有文献大多数以PM10、TSP、PM2.5等细颗粒物为指标进行雾霾问题的研究，而以PM2.5为指标做定量分析研究雾霾污染问题的文献较少。与其他雾霾污染指标相比，PM2.5的直径更小，来源更广泛，危害更大，能有效地监测雾霾的污染程度和危害性。第三，从研究内容上，国内文献主要研究雾霾污染的来源、成分及分布特征，而对雾霾污染的溢出效应研究较少。研究地区雾霾污染的溢出效应，对该地区雾霾污染的防治和治理具有建设性作用。

本文以京津冀地区PM2.5日数据为雾霾污染监测指标，采用AR模型判断京津冀各城市的雾霾污染是否具有内生性，运用Granger因果检验分析相邻城市间雾霾污染的因果关系，并采用基于VAR模型的脉冲响应分析法来判断一个城市的雾霾污染会在多大程度上冲击相邻城市的雾霾污染。

二、实证研究方法

（一）AR模型

AR模型是一种时间序列模型，其基本思想是运用时间序列数据的过去值预测未来值，运用时间序列自身所呈现的特征来揭示其规律性。

设{xt，t=0，±1，±2，…}为时间序列，白噪声序列为{εt，t=0，±1，±2，…}，且对任意的s

Xt=α0+α1xt-1+α2xt-2+…+αpxt-p+εt（1）

的时间序列为p阶自回归序列（Autoregression），记作AR（p）。

（二）Granger因果检验

1. Granger因果性定义。克莱夫·格兰杰（Clive Granger，1969）[13]和西姆斯（C.A.Sims，1972）对Granger因果关系提出了相同的定义，其定义为：如果由yt和xt的滞后值决定的yt的条件分布与仅由yt的滞后值所决定的yt的条件分布相同，即：

f（yt|yt-1，L，xt-1，L）=f（yt|yt-1，L）（2）

则称xt-1对yt存在Granger非因果性。

2. Granger因果检验。xt与yt间Granger因果关系回归检验式为：

yt=∑pi-1αiyt-i+∑pi-1βixt-i+μ1t（3）

xt=∑pi-1αixt-i+∑pi-1βiyt-i+μ2t（4）

（三）向量自回归（VAR）模型和脉冲响应函数

向量自回归模型（VAR）由Sims（1980）提出，同一样本期间内的变量，可以表示为K个滞后变量的线性组合，当每个方程中的滞后数都等于p时，则称这个方程系统为VAR（p）。

在两个时间序列Yt和Xt的情形中，VAR（p）由以下两个方程组成：

Yt=β10+β11Yt-1+…+β1pYt-p+γ11Xt-1+…+γ1pXt-p+μ1t（5）

Xt=β20+β21Yt-1+…+β2pYt-p+γ21Xt-1+…+γ2pXt-p+μ2t（6）

其中β和γ为未知系数，μ1t和μ2t为误差项。

在VAR模型的基础上，运用Cholesky分解法来使误差项矩阵正交，从而得到脉冲响应函数。然而，Cholesky分解法具有不稳定性，脉冲响应的结果依赖于变量进入模型的顺序。为了解决这一问题，Pesaran et al.在1998年提出了广义脉冲响应函数的定义[14]，广义脉冲响应函数具有唯一性，脉冲响应的结果不依赖于变量进入模型的顺序，更具稳定性。

三、数据来源

本文选取京津冀地区七个城市为主要研究对象：北京、天津、保定、承德、唐山、张家口和廊坊。图1为京津冀七个城市的区位分布图，从图1可以看出，上述七个城市地理位置毗邻，北京处于中心位置，其余六个城市两两毗邻并组成一条沿北京分布的环带。

本文运用PM2.5指数来监测京津冀地区的雾霾污染浓度。与其他空气污染指标相比[15]，PM2.5具有如下优势：第一，在大气污染中，PM2.5能长期悬浮于空气中，是造成雾霾天气的主要原因，PM2.5与空气质量呈显著的相关关系，是度量一个地方空气质量好坏的重要指标；第二，与PM10等细颗粒物相比，PM2.5直径更小，输送距离较远，更容易附带有毒有害物质，对雾霾污染能造成较大的影响；第三，PM2.5能对人体造成较大的危害，由于PM2.5的直径较小，因此更容易进入肺部和血液循环，对人体造成较大危害[16]。

本文选取2014年7月1日到2015年6月30日，北京、天津、保定、承德、唐山、张家口和廊坊的PM2.5日数据进行实证研究，數据来源于“天气后报”网站。首先，我们计算出上述七个城市在样本区间内的均值和标准差（如图2所示）。

均值衡量的是京津冀地区在样本区间内的雾霾污染水平，标准差衡量的是京津冀地区在样本区间内雾霾污染波动幅度大小。从图2中我们可以得出，尽管这七个城市相互毗邻，然而雾霾污染水平和雾霾污染波动幅度却有较大差异。其中，张家口市的雾霾污染水平和雾霾污染波动幅度最小，保定的雾霾污染水平和雾霾污染波动幅度最大。依据国家PM2.5监测网出台的新标准①，平均意义而言，张家口的空气质量为优，承德的空气质量为良，北京、天津、唐山、廊坊为轻度污染，保定为中度污染。另外，相比较而言，北京、天津、保定、唐山和廊坊在样本区间内的PM2.5浓度标准差均达到了50以上，雾霾污染浓度大幅度波动，出现极端峰值污染浓度的可能性较大。

其次，我们通过计算不同城市之间PM2.5浓度的相关系数来分析京津冀地区七个城市雾霾污染的相关性。相关系数是衡量相关性的重要指标，其取值范围在-1到+1之间。相关系数为正，则表明两个城市的雾霾污染存在正相关关系，相关系数越接近于1，则雾霾污染程度的正相关性越强，反之，则越弱；相关系数为负，表明两个城市的雾霾污染存在负相关关系，相关系数越接近-1，则雾霾污染的负相关性越强，反之，则越弱。表1给出了京津冀地区各个城市间PM2.5浓度的相关系数。

由表1可知，京津冀地区的雾霾污染存在明显的正相关性，其中张家口市与京津冀其他六个城市的相关系数较低，在0.38～0.56。除此之外，京津冀地区雾霾污染水平相关系数均大于0.5，说明京津冀地区雾霾污染呈现较高的正相关性。

四、实证分析

（一）京津冀地区雾霾污染的持续性

为了考察京津冀地区雾霾污染的持续性，本文对七个城市的PM2.5指数序列分别建立AR模型，AR模型要求时间序列数据必须是平稳的。我们将京津冀七个城市的PM2.5指数序列依次带入eviews8.0中进行平稳性检验，以北京PM2.5日数据为例，首先得到了如图3所示的时序图。

从图3中可以初步判断出，北京市PM2.5指数序列围绕100左右上下波动，然而波动的发散程度还有待考证。为了进一步判断时间序列是否平稳，我们进行了ADF检验（如表2所示）。

从表2中可以看出，t统计量的值为-11.926，小于上述三个置信水平中的临界值，因此拒绝原假设，则北京PM2.5指数序列为平稳的时间序列。

将其他六个城市的PM2.5日数据依次带入eviews8.0中进行如上所述的平稳性检验，得出京津冀地区各城市的PM2.5指数序列均为平稳的时间序列。

将京津冀地区七个城市的PM2.5指数序列分别代入eviews8.0中建立AR模型，AIC准则表明上述几个城市的PM2.5指数，均符合滞后阶数为2的AR模型，一阶自相关系数在0.5～0.8，表明京津冀各城市的雾霾污染存在较强的自相关性。表3为京津冀地区七个城市AR模型的实证研究结果。

京津冀地区PM2.5日数据显著的自相关性，表明京津冀地区的雾霾污染存在较强的持续性。这可归因于以下三方面原因：第一，京津冀地区大量的工业排放和生活燃煤等污染现象导致空气中的人为气溶胶大量增多，引发了持续时间较长、较严重的雾霾污染问题；第二，污染物扩散条件不利，长期的雾霾污染导致大气中的细颗粒物含量增加，到达地面的太阳辐射减少，空气中的相对湿度提升，云雾天气逐渐形成，不利于雾霾污染的扩散和清除；第三，区域污染和本地污染相互叠加，进一步提高了当地的雾霾污染浓度。如此恶性循环，导致了持续性的雾霾污染问题。

（二）雾霾污染的溢出效应分析

本文运用Granger因果检验和脉冲响应函数来分析京津冀地区雾霾污染的溢出效应，Granger因果检验研究的是一个城市的雾霾污染是否会影响另一个城市的雾霾污染；脉冲响应函数分析的是一个城市的雾霾污染对另一个城市雾霾污染的冲击程度。

首先进行Granger因果检验。如前所述，平稳性检验表明这七个城市的PM2.5指数序列均为平稳的时间序列。将京津冀地区七个城市的PM2.5日数据代入eviews8.0中两两之间进行Granger因果检验，滞后阶数选为12。下面以北京和天津的Granger因果检验为例，来说明Granger因果检验的实证研究结果（如表4所示）。

从表4的数据中我们可以得出，在5%的显著水平下，天津的雾霾污染是北京雾霾污染的Granger原因，北京的雾霾污染是天津雾霾污染的Granger原因②。这表明北京和天津的雾霾污染会相互影响，两城市间雾霾污染的溢出效应显著。

依次对京津冀地区七个城市两两之间进行Granger因果检验，得到表5所示的Granger因果检验统计表。

在表5的Granger因果检验中，67%的结果为拒绝，这表明在5%的显著水平下，京津冀地区七个城市的雾霾污染大多数存在Granger因果关系。其中，处于京津冀地区中心位置的北京是其他六个城市雾霾污染的Granger原因，而除了天津和张家口之外，周边城市对北京的雾霾污染影响不显著。这表明北京对其周边城市的雾霾污染溢出效应更显著。

Granger因果检验只是对两个城市雾霾污染的因果关系进行说明，但没有表现出一个城市PM2.5指数的单位变化对另一个城市PM2.5指数的扰动。因此，需要利用VAR模型对相邻城市的PM2.5指数进行脉冲响应分析，进而判断一个城市的雾霾污染会在多大程度上冲击另一个城市的雾霾污染。

将京津冀七个城市的PM2.5日数据代入eviews8.0中，首先运用AIC准则和SC准则确定VAR模型的最佳滞后阶数，然后运用脉冲响应分析法进行实证研究。下面以保定和张家口的脉冲响应图为例，说明脉冲响应函数的实证研究结果（如图4和图5所示）。

脉冲响应函数反映的是随机扰动项的标准差对内生变量的冲击程度。如图4和图5所示，横坐标表示的是脉冲响应的时長，纵坐标反映的是响应元城市的雾霾污染对冲击元城市雾霾污染的一个标准差冲击所带来的响应程度[17]。图4反映的是保定作为响应元冲击张家口，脉冲响应的时长为11天，图5反映的是张家口作为响应元冲击保定，脉冲响应的时长为14天。脉冲响应的时间越长，则表明一个城市的雾霾污染对另一个城市雾霾污染的影响越明显，雾霾污染的溢出效应就越显著。表6是京津冀地区相邻城市之间的脉冲响应结果。

由表6我们可以看出，京津冀地区相邻城市之间的脉冲响应时长为6天到14天不等，表明京津冀地区相邻城市间的雾霾污染会相互冲击。其中，北京对周边城市的雾霾污染冲击时长大于周边城市对北京的雾霾污染冲击时长，这说明北京对周边城市雾霾污染的溢出效应更明显，与之前Granger因果检验的结论相呼应。

五、政策建议

本文运用了AR模型、Granger因果检验和脉冲响应函数分析了京津冀地区2014年7月到2015年6月雾霾污染的溢出效应，得出如下结论：

1. AR模型研究表明京津冀七个城市PM2.5指数序列具有明显的自相关性，表明京津冀各城市的雾霾污染存在较强的持续性。这说明要想从根本上抑制京津冀地区的雾霾污染，必须对京津冀各城市进行雾霾污染的源头治理。

2. Granger因果检验和脉冲响应分析均表明京津冀雾霾污染在统计意义上，存在着显著的溢出效应。Granger因果检验表明京津冀地区的雾霾污染相互之间存在明显的Granger因果关系，其中，北京对周边城市的雾霾污染具有显著影响；脉冲响应分析表明京津冀相邻城市的雾霾污染会相互冲击，其中，北京对周边城市的雾霾污染冲击时长大于周边城市对北京的雾霾污染冲击时长。

从以上的实证分析中可得出，京津冀地区的雾霾污染存在较强的持续性和显著的溢出效应。因此，京津冀地区应齐心协力，从源头上治理雾霾污染：

第一，加强对京津冀各城市雾霾污染的治理，从源头上根治雾霾污染。2015年4月1日举行的全国环境监测会对京津冀地区主要城市的雾霾污染源进行了解析，其中，北京、天津、石家庄的首要污染源分别为机动车排放、扬尘和燃煤。京津冀地区应根据各地的雾霾污染源，健全相关法律法规和政策体系，做到主次分明，有的放矢[18]。北京在机动车雾霾防治过程中，应借鉴国外优秀的经济政策，除了机动车按排量征税和限号限行等措施外，还应完善老旧机动车回收与淘汰政策，运用经济调节手段调控机动车总量，将行政手段与市场机制相结合。天津在扬尘治理过程中，应加强城市生态环境建设，提高绿化带面积；运用立法和行政管制等措施规范治理城市建筑施工的扬尘污染。石家庄在治理燃煤污染过程中，应优化能源结构，实现清洁煤燃烧，加快推进城市煤改气工程；提高新型环保能源利用率，大力发展我国目前使用相对成熟的太阳能、风能和水电等新型能源。

第二，京津冀地区应建立雾霾污染联防联控机制，联合治理雾霾污染。京津冀相邻城市间雾霾污染存在显著的溢出效应，一方面，实证研究结果表明北京对周边城市雾霾污染的溢出效应显著；另一方面，从地理位置上讲，河北对北京和天津呈半包围态势，北京和天津的雾霾污染治理成果极有可能被河北消耗殆尽。因此，京津冀地区应在雾霾污染治理问题上达成共识，建立雾霾污染上下游补偿机制，联手解决雾霾污染的外部性问题。同时，京津冀各城市在对本地区进行雾霾污染源头治理的同时，还应明确各地政府所承担的角色，从整个地区的产业结构调整、经济结构转型、雾霾污染治理联动等多方面着手。北京作为京津冀地区的“带动人”，应建立健全雾霾污染相关防治条例，加大雾霾治理投入。河北作为京津冀雾霾污染大省，应控制污染物排放总量，优化产业结构。

第三，京津冀地区应建立科学的政府绩效评估体系。改革开放以来，以经济建设为中心的政府绩效考核制度在促进经济增长的同时，也导致了一系列严重的生态环境问题[19]。前车之鉴表明，政府绩效评估不能单单以经济发展为价值评判标准，应将生态环境指标纳入政府绩效评估体系中，客观计量经济发展过程中的环境污染成本，做到经济发展和生态文明相结合，建立以科学发展为导向的政府绩效评估体系。

第四，雾霾治理应做到政府监管和公众监督相结合[20]。政府应加强对雾霾污染的监管，完善现有法律法规，制定排污收费标准，减少工业企业废弃物的排放，出台更严格的环境监测指标，加大对高能耗高污染企业的监管力度，降低外部性，必要时可勒令其停产。公众也应加强对雾霾污染的监督[21]。公众的监督是雾霾治理的第一原动力。面对雾霾污染，只有将政府监管和公众监督相结合，才能建立有效的雾霾污染监督机制，才能有效地治理雾霾污染。

注释：

①根据PM2.5检测网发布的空气质量新标准，PM2.524小时平均值衡量标准值分布如下：PM2.5浓度为0～35ug/m3时，空气质量为优；浓度为35～75ug/m3时，空气质量为良；浓度为75～115ug/m3时，为轻度污染；浓度为115～150ug/m3时，为中度污染；浓度为150～250ug/m3为重度污染；浓度大于250ug/m3时为严重污染。

②Granger因果检验的原假设H0为：变量x不能Granger引起变量y；备择假设H1为：变量x能Granger引起变量y。在5%的显著水平下，prob小于0.05时拒绝原假设，prob大于0.05时接受原假设。

参考文献：

[1]闫晓圆.京津冀地区雾霾天气的综合治理调查研究[J].数字化用户，2014（13）：84-85.

[2]杨复沫.北京大气PM2.5中微量元素的浓度变化特征与来源[J].环境科学，2003（6）：33-37.

[3]于娜.北京城区和郊区大气细粒子有机物污染特征及来源解析[J].环境科学学报，2009（2）：45-51.

[4]朱先磊.北京市大气细颗粒物PM2.5的来源研究[J].環境科学研究，2005（5）：1-5.

[5]王志娟.北京典型污染过程PM2.5的特性和来源[J].安全与环境学报，2003（5）：122-126.

[6]王占山.2013年北京市PM2.5的时空分布[J].地理学报，2015（1）：35-39.

[7]陈媛.北京市区大气气溶胶PM2.5污染特征及颗粒物溯源与追踪分析[J].现代地质，2010（2）：65-70.

[8]MADDISON D. Environmental kuznets curves：a spatial econometric approach[J]. Journal of environmental economics and management，2006（51）： 218-230.

[9]POON J. The impact of energy，transport，and trade on air pollution in China[J]. Eurasian geography and economics，2006（47）：157-164.

[10]HOSSEINI M，RAHBAR F. Spatial environmental Kuznets curve for Asian countries： study of CO2 and PM10[J].Journal of environmental studies，2011（37）：1-3.

[11]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（7）：157-164.

[12]潘慧峰，王鑫，张书宇.重雾霾污染的溢出效应研究——来自京津冀地区的证据[J].科学决策，2015（2）：1-15.

[13]GRANGER C. Investigating causal relation by econometric and cross-sectional method[J]. Econometrica，1969（37）：424-438.

[14]PESARAN H，SHIN Y. Generalized impulse response analysis in linear multivariate model[J].Economic letter，1998（58）：17-29.

[15]袁芷晨.雾霾天气的成因、危害及防范措施[J].科技风，2014（8）：222.

[16]吴小节，谌跃龙，汪秀琼，等.中国31个省级行政区资源节约型社会发展状况综合评价与空间分异[J].科学决策，2014（3）：30-43.

[17]赵志耘，杨朝峰.经济增长与税收负担、税制结构关系的脉冲响应分析[J].财经问题研究，2010（01）：3-9.

[18]涂英柯，司林波，孟卫东.京津冀区域经济一体化研究综述[J].商业时代，2013（26）：136-138.

[19]郭璟坤.论低碳经济对国际贸易规则的影响及中国的对策[J].中国管理信息化，2015（22）：127.

[20]王波，郜峰.雾霾环境责任立法创新研究——基于现代环境责任的视角[J].中国软科学，2015（3）：1-8.

[21]虞慧娟.我国雾霾治理存在的问题及解决途径研究[J].城市建设理论研究：电子版，2015（22）：6673-6674.

责任编辑：张 然