(山西财经大学资源环境学院 山西 太原 030006)

一、引言

EKC理论揭示了环境与经济发展间的关系。当前学者们做了较多EKC方面的实证研究。杜雯翠[1]等得出1990-2009年11个新型经济体国家城市化与可吸入颗粒物存在U型关系。丁镭[2]研究了274个地级以上城市，结果表明SO2与城镇化表现为倒N型、NO2与城镇化率的显著性不高、PM10与城镇化表现为U型关系。高明[3]等使用了动态面板模型研究了京津冀2003-2015年的面板数据。崔莲[4]得出SO2排放量与城镇化关系表现为倒N型，烟尘排放量与城镇化关系表现为一次线性递减。

二、指标选取与模型设定

(一)指标的确定

本文选取山西省2004-2018年SO2、NO2和PM10的年均浓度作为被解释变量。以城镇化率(Urban)为主解释变量。同时选取建成区面积(area)、建成区绿化覆盖率(green)、选取人均生产总值(pgdp)、工业产业占生产总值比重(industry)、民用汽车增长率(car)和环境治理投入(input)作为解释变量。

(二)模型设定与数据处理

本文分析时将采用面板数据的变截距模型进行回归分析。按照EKC模型，可以将模型设定为主解释变量的二次项、三次项和各自加上其他解释变量四类。

U1：lnp=α0+α1lnUrban+α2(lnUrban)2

U2：lnp=α0+α1lnUrban+α2(lnUrban)2+α3(lnUrban)3

U3：lnp=α0+α1lnUrban+α2(lnUrban)2+α3lnpgdp+α4lnindustry+α5lnarea+α6lngreen+α7lncar+α8lninput+α9T

U4：lnp=α0+α1lnUrban+α2(lnUrban)2+α3(lnUrban)3+α4lnpgdp+α5lnindustry+α6lnarea+α7lngreen+α8lncar+α9lninput+α10T

其中，p为污染物年均浓度，T为时间变量。

三、基于面板数据的EKC检验

(一)被解释变量为SO2的EKC检验

根据设定的模型，将各解释变量与lnSO2进行拟合可以得到表3.1的结果。在三次项模型中，城镇化率在四个模型中全部通过显著性检验。其他解释变量中，pgdp均通过了1%显著性检验，且与SO2呈负相关关系。industry通过了5%显著性检验，且系数为正。area通过了1%-5%的显著性检验，表现出正相关关系。green通过了1%和5%的显著性检验，呈现负相关关系。故使SO2浓度升高的影响因素有工业产业比重、建成区面积。使SO2浓度降低的影响因素有人均GDP、建成区绿化覆盖率。

图3.1 2004-2018年SO2与城镇化率拟合结果图

根据豪斯曼检验的结果来看，应选择采用固定效应模型进行拟合。再结合显著性水平和R2的结果，确定FE-U4模型为最优拟合函数，即y=-5.4507x3+64.2619x2-251.991x+336.2686。由此可以得出SO2年均浓度与城镇化率为倒N型曲线，见图3.1。该方程存在两个拐点，一个是恶化拐点，另一个是改善拐点，他们所对应的城镇化率的值分别为42.36%和61.15%。并且根据拟合图像结果可知，SO2年均浓度随城镇化水平的提高表现出下降-上升-再下降的趋势。

表3.1SO2与相关解释变量的拟合结果

(二)被解释变量为NO2的EKC检验

根据设定的模型，将各解释变量与lnNO2拟合可以得到表3.2的结果。通过表3.4中数据可以看出，在三次项模型中，城镇化率通过了1%-5%的显著性检验。在其他解释变量中，pgdp在所有的模型中均通过了1%显著性检验，且与NO2浓度呈负相关关系。industry通过了5%的显著性检验，且系数为正。area通过了1%的显著性检验，与NO2浓度表现出正相关关系。green和car没有通过显著性检验。input通过了1%的显著性检验，系数为负。故会使NO2浓度升高的影响因素有工业产业比重、建成区面积。使NO2浓度降低的影响因素有人均GDP、工业废气治理设施运行费用。

根据豪斯曼检验结果来看，应选择采用固定效应模型进行拟合，即y=-5.6723x3+65.5804x2-254.2459x+336.4045，表明NO2年均浓度会一直呈现下降趋势。而这一结果与现实情况并不相符。故查阅的文献可知，Brajer等[5]认为，在进行大气环境质量与经济分析时，采用随机效应模型往往会有更好的效果。所以，这里尝试选用显著性和R2都较好的RE-U4模型来进行拟合分析，得出城镇化率与NO2年均浓度的拟合函数为y=-3.3112x3+40.0315x2-160.0248x+218.8797。NO2年均浓度与城镇化率表现为倒N型。该函数一个拐点是恶化拐点，另一个是改善拐点，也就是对应城镇化率为39.19%和80.76%的时候。这一结果与实际情况更加贴合。函数图像见图3.2，从图中也可以看出，NO2年均浓度随城镇化水平的提高表现出下降-上升-下降的趋势。

表3.2NO2与相关解释变量的拟合结果

图3.2 2004-2018年NO2与城镇化率拟合结果图

(三)被解释变量为PM10的EKC检验

根据设定的模型，将各解释变量与lnPM10进行拟合，结果见表3.3。在所有的模型中，城镇化率均通过了显著性检验。其他解释变量中，pgdp均通过了1%-5%的显著性检验，且与PM10呈负相关关系。industry仅在FE-U3中通过了5%的显著性检验，且系数为正。area在FE-U3中通过了1%的显著性检验，且系数为正。Input仅在RE-U3中通过了10%的显著性检验，且与PM10呈负相关关系。green、car则没有通过显著性检验。所以会使PM10浓度升高的影响因素有工业产业比重的提高、建成区面积的扩张。使PM10浓度降低的影响因素有人均GDP的提升、工业废气治理设施运行费用的增加。

根据豪斯曼检验结果、显著性水平和R2的综合结果，最终确定FE-U3模型为拟合函数。即y=2.1030x2-15.6216x+34.8883，由此可以得出PM10年均浓度与城镇化率为U型曲线，拐点为城镇化率40.92%的时候。函数图像见图3.3。表明15年间山西省的PM10浓度呈现下降-上升的趋势。

表3.3PM10与相关解释变量的拟合结果

图3.3 2004-2018年PM10与城镇化率拟合结果图

四、结论

山西省11地市2004-2018年SO2和NO2浓度与城镇化率表现为倒N型关系，PM10浓度与城镇化率表现为U型关系。从解释变量的分析可知，工业产业比重和建成区面积的增加会同时明显地增加SO2、NO2、PM10三种污染物年均浓度。而人均GDP的提高会使三种污染物浓度降低。此外，建成区绿化覆盖率的提高会降低SO2浓度，工业废气治理设施运行费用的增加会降低NO2、PM10的浓度。