李德山 张郑秋 付磊 郭四代

摘要 为打好环境污染防治攻坚战，促进经济高质量发展，中国各级政府不断加大环境污染的防治力度。首先，文章采用2003—2018年中国260个地级市的面板数据，运用共同前沿技术和Hybrid-Dynamic-DEA模型测算了中国城市层面的PM2.5减排效率。其次，在考察了不同城市要素禀赋结构存在异质性的基础上，深入分析了经济发展水平对中国城市PM2.5减排效率的影响。研究结果显示：①中国PM2.5减排效率整体偏低，年均值仅为0.126，大气污染减排压力巨大。②样本期内中国PM2.5减排效率呈现出缓慢上升再下降的过程。区域间PM2.5减排效率存在明显的区域异质性，表现为东部地区最高，其次是东北部，再次是西部，中部地区最低。③从整体来看经济发展水平对PM2.5减排效率具有显著的促进作用。从异质性角度来看，在10%到90%分位数之间经济发展水平对PM2.5减排效率的影响随着分位点的升高而升高。在考虑了PM2.5减排效率的指标更换、外生工具变量的构造等方面后，结果依然稳健。④机制研究结果表明城市要素禀赋结构的差异会作用于地区经济发展水平，进而影响到PM2.5减排效率。因此，各地政府要结合各自城市的要素禀赋结构和比较优势，制定适应的大气污染环境治理政策，不能纯粹依靠政府的行政化管理手段，避免采取“一刀切”或“照搬照抄”的环境治理方式;要实施差异化的大气污染环境治理政策，对于东部沿海城市应不断完善产业发展政策，提高自身的环境治理能力。中西部地区城市应加快引进沿海城市的先进管理经验，激励企业进行绿色技术或工艺的改造升级，努力提高经济增长的质量。

关键词 雾霾污染;PM2.5减排效率;共同前沿技术;经济发展;要素禀赋结构

中图分类号 F124.6; X196  文献标识码 A  文章编号 1002-2104（2021）04-0074-12  DOI：10.12062/cpre.20200702

随着中国工业化和城镇化进程的不断加快，许多城市频繁发生大范围的雾霾天气，这不仅引起了公众对环境和健康问题的严重担忧，也引发了社会各界对中国经济高速发展模式的质疑。中国工程院院士钟南山在2013年接受中央电视台采访时指出，“雾霾天气对呼吸系统有重要影响，PM2.5（又称可吸入肺部颗粒物）增加10 μg/m3，呼吸系统疾病的住院率就会增加3.1%。这比‘非典可怕得多，‘非典可以隔离，但是大气污染是任何人都跑不掉的。”根据生态环境部公布的数据，2018年全国338个城市中仅121个城市环境空气质量达标，空气质量最差的三个城市分别为临汾市、石家庄市、邢台市，对应的PM2.5浓度分别为68.2、76.7、76.7 μg/m3。此外，全国空气质量最差的城市集中于京津冀和汾渭平原两大重点区域，虽然2018年这两个区域的PM2.5浓度较上年分别下降11.8%、10.8%，但空气质量并不乐观，PM2.5浓度分别高达60、58 μg/m3。为了改善大气环境质量，中国各级政府不断对大气污染防治法律法规进行修订和完善，并采取了一些针对性的措施，旨在改善严峻的大气环境形势。然而，中国地域发展不平衡，不同地区的城市在自然条件、经济、技术和人口规模等方面具有较强的异质性，雾霾减排的治理力度在不同区域也会存在一定的差异。因此，有必要考虑不同城市要素禀赋结构的异质性，详细考察不同城市PM2.5减排水平上的时空差异，深入挖掘造成差异的主要影响因素，为不同区域城市的大气环境质量改善提出治理依据和决策建议。

1 文献综述

随着世界各国对环境问题的重视，环境效率评价已成为国内外环境经济研究的热点。测算环境效率的常用方法有生态足迹法、IPAT环境压力模型以及数据包络分析方法等。如，史丹等[1]以单位生态足迹的GDP产出来表征生态效率，对中国1991—2013年的生态效率的变动进行了分析。罗能生等[2]采用IPAT模型分析了城镇化率与区域生态效率之间关系。由于数据包络分析方法（DEA）是一种非参数方法，不需要主观设定权重，且无须对数据进行量纲处理，因而在环境效率评价方面得到了广泛的应用。为了使DEA方法对环境效率进行合理的评价，一些学者从不同角度进行了有益的尝试。现有文献对污染排放的处理方法主要分为三类：一是，将污染排放作为投入要素引入[3-4]，该方法没有考虑到常规投入（资本和劳动力）对环境效率的影响，有一定的局限性。二是，把污染排放通过取倒数处理后作为期望产出[5]。但该方法存在一定的缺陷，与实际生产过程存在偏差。三是，将污染排放作为有弱可处置性的非期望产出，与期望產出一同引入方向性距离函数进行测算[6]。该方法可以较好地评价环境效率，但是没有充分考虑到投入产出的松弛性问题。如，李占风等[7]通过构建环境污染综合指数，采用Undesirable SBM模型测算了中国30个省市的工业环境效率。黄建欢等[8]采用共同前沿技术和Undesirable SBM模型测算了中国191个地级市的环境效率。

同时，关于经济发展与环境污染为主题的研究已经取得了较为丰富的成果[9-12]，但是，关于大气污染减排与经济发展的文献还相对偏少。如，王奇等[13]、尹向飞[14]、汪克亮等[15]等采用非参数法对中国工业或城市的大气污染排放效率进行了测度。戴小文等[16]采用IPAT环境压力因素分解模型发现人口规模和经济发展水平对雾霾排放具有显著的正向驱动作用。梁伟等[17]采用空气质量指数（AQI）对雾霾污染进行了测度，并且发现城镇化率的提升对雾霾的排放具有显著的负向影响，而经济发展水平和雾霾污染之间存在着“N”型关系。邵帅等[18]采用中国1998—2012年省级面板数据，研究发现雾霾污染与经济增长之间存在显著的“U”型关系。刘军等[19]采用中国2012—2015年119个地级市面板数据，研究发现大气污染与经济发展水平之间存在显著的倒“U”型关系。而马丽梅和张晓[20]、刘华军和裴延峰[21]的研究发现经济发展和雾霾污染之间并不存在环境库兹涅茨曲线，而是呈现线性递减关系。王振波等[22]的研究结果表明，由于各城市群的社会经济和工业化阶段不同，使得人均GDP对不同城市群PM2.5污染的影响呈现出不同的正负关系。

综上所述，发现既有研究还存在一些不足之处：第一，以往研究测算环境效率时基本都是在传统的全要素框架下加入了劳动、资本和能源等生产要素作为投入来进行测算，这样测算出来的效率值在严格意义上来说并不是环境效率值，而是一种考虑了环境因素的经济效率值，它既可称为劳动效率，也可以称为资本效率或能源效率。第二，现有文献在测算环境效率的方法上大多采用径向或者非径向的方向性距离函数，较少考虑混合径向的问题。由于企业在实际生产过程中，投入与产出之间会同时存在径向和非径向关系，若采用传统的非径向模型，容易导致测算结果出现偏差。第三，以往研究大多将非期望产出的关注点放在SO2、CO2、AQI和PM10等常规污染物上，而专门针对PM2.5污染减排效率的研究还相对较少。第四，大多数研究未考虑不同城市间要素禀赋结构的差异，从而导致经济发展水平对雾霾排放治理的影响可能存在一定的内生性问题。鉴于此，文章首先运用共同前沿技术和Hybrid-Dynamic-DEA模型测算出2003—2018年中国260个地级市的PM2.5减排效率，然后分析经济发展水平对PM2.5减排效率的影响，最后有针对性地提出环境污染防治的对策建议。

2 研究方法

2.1 Hybrid-Dynamic-DEA模型

虽然常见的Malmquist DEA模型可以计算决策单元（DMU）在不同时期的效率，但是，该模型只是对各个时期的效率进行简单的几何平均或算数平均进行比较和测算。由于雾霾等环境问题是一项长期的、复杂的形成过程，其效果的体现不仅是一个日积月累的过程，还是一个渐进的过程。因此，评价决策单元在多个时期的整体效率时，应该充分考虑各个时期之间的相互联系，将其作为一个系统来加以动态评价。动态DEA模型最早由Fre和Grosskopf[23]于1997年提出，后来该模型得到了快速的扩展。如，Tone 和 Tsutsui[24]在2010年提出了动态的SBM模型。同时，为了解决投入与产出中存在的混合径向问题，Yaghubi等[25]在2016年提出了Hybrid-Dynamic-DEA模型，该模型结合了混合方向距离函数和动态DEA模型的优点。既考虑了具有径向和非径向特点的投入产出变量，又在传统DEA模型的基础上加入了时间向量，构成一个立体的数据网络。

2.2 Meta-Frontier模型

共同前沿技术（Meta-Frontier）最早是Battese和Rao[26]于2002年提出的。其基本思想是按照一定标准将决策单元分为多个群组，并采用SFA或DEA等效率测算方法界定群组前沿。然后，根据各组决策单元的群组前沿构建共同前沿边界，测算出共同前沿下的效率值和群组前沿下效率值。文章将决策单元分为东部、中部、西部和东北部四个群组参考集，分别构造群组前沿面，然后将四大地区再作为一个整体构造共同前沿面。假设共同前沿的技术集合为：

Tmeta={（x，y）：x≥0;y≥0;x能生产出y}

对于任意投入x，生产可能集P可以表示为：

Pmeta（x）={y：（x，y）∈Tmeta}

Pmeta（x）生产可能集的上界即为共同边界。共同前沿上的决策单元是所有群组的最佳生产技术。显然，共同前沿是群组前沿的包络曲线。那么，基于共同技术效率的距离函数可以表述为：Dmeta（x，y）=infθ{θ>0：y/θ∈Pmeta（x）}。此处，0≤Dmeta（x，y）≤1。Dmeta（x，y）越接近于1，说明效率得到提升;反之，则下降。当Dmeta（x，y）=1，表明决策单元处于共同前沿面上。

文章将样本城市分为k（k>1）个群组，这k个群组的技术集合为：

Tk={（x，y）：x≥0;y≥0;群组k中x能生产出y}

从而，生产可能集为：Pk（x）={y：（x，y）∈Tk}，k=1，2，…，K。群组前沿上的决策单元代表了该群组内最优的生产技术，是该群组内的最优投入产出点。那么，群组距离函数可表示为：Dk（x，y）=infθ{θ>0：（y/θ）∈Pk（x）}，k=1，2，…，K。此处，Dk（x，y）反映了群组内的决策单元实际投入与相应群组前沿之间的差距，0≤Dk（x，y）≤1。当Dk（x，y）=1，表明決策单元处于群组前沿面上。

因此，综合运用上述方法，首先采用基于投入导向的规模报酬不变的Hybrid-Dynamic-DEA模型和Meta-Frontier模型，测算出2003—2018年中国260个城市的共同前沿和群组前沿的PM2.5污染物排放的松弛变量;然后，根据Hu和Wang[27]的思想计算出PM2.5减排效率：PM2.5减排效率=（实际PM2.5排放量-调整PM2.5排放量）/实际PM2.5排放量。该指标是一个无量纲指标，取值范围为[0，1]，越趋近于0代表在期望产出不变的情况下该城市的PM2.5减排效率存在越高的提升空间;反之提升空间越低。

2.3 计量模型设定

为了验证经济发展水平与PM2.5减排效率之间的因果关系，文章的基准计量模型设定如下：

lnMEi，t=α1+α2lnagdpi，t+βiXi，t+ui+λt+εi，t（1）

其中，agdpi，t为i城市第t年份的经济发展水平;MEi，t为i城市第t年份的PM2.5减排效率;Xi，t为控制变量的集合;ui为个体固定效应，用以控制不同城市之间的差异;λt为时间固定效应，用以去除趋势项;εi，t为随机扰动项。其中，α2度量了经济发展水平对PM2.5减排的影响。如果一系列城市特征变量被控制后，α2系数依然显著为正，则表明经济发展有利于PM2.5的减排。

3 数据来源及处理方法

3.1 投入指标选取

文章选取劳动、资本和能源三种投入要素。以第二产业从业人数作为劳动投入指标;以工业资本存量作为资本投入指标，用各省工业固定资产投资与全社会投资之比乘以所辖城市的固定资产投资，确定每年各地级市的工业固定资产投资。然后，再根据永续盘存法估算工业资本存量，资本的折旧率选取10.96%，并将资本存量调整为以2000年为基期的不变价;能源投入指标按照各地级市工业增加值乘以相应省份工业增加值能耗强度得出。

3.2 产出指标选取

文章将产出要素指标分为期望产出和非期望产出两种指标。以工业增加值作为期望产出指标，使用各城市所在省的地区生产总值指数，将各城市的工业增加值调整为基期2000年的不变价格。这里选取城市PM2.5污染排放作为非期望产出指标，主要原因有以下三点：第一，PM2.5是形成雾霾天气的主要原因之一，这种以气溶胶形式存在的细微颗粒物含有大量有毒有害物质对人的身体健康有非常不利的影响。第二，PM2.5数据是根据各个监测点的监测仪器测算出来的，可以有效避免人为因素的影响。第三，PM2.5排放指标可以反映工业生产、汽车尾气等方面的污染排放，而且还包含了大气污染物之间通过物理、化学反应形成的二次颗粒物，更能准确反映城市经济活动所带来的非期望产出。文章的PM2.5数据来自哥伦比亚大学公布的2003—2018年分年度的卫星监测PM2.5密度资料。同时，由于在实际生产过程中，投入与产出之间会同时存在径向和非径向关系。因此，文章将能源投入与PM2.5污染排放设置为同比例变动关系，而将劳动力等投入要素与PM2.5污染排放设置为非同比例变动关系。

3.3 变量选取与说明

计量模型中变量选取和衡量方法说明如下：①被解释变量：PM2.5减排效率（lnME）。以共同前沿技术下测算的PM2.5减排效率的结果来表示，这里对该变量取自然对数以消除可能存在的异方差。②核心解释变量为经济发展水平（lnagdp），采用该城市的人均GDP来表示，并取对数。③其他控制变量：结合已有研究[28]，本研究还引入了一组城市特征变量，以尽可能缓解遗漏变量偏误。其中，根据林毅夫[29]的研究，要素禀赋结构对一个国家或地区的经济发展具有非常重要的作用，而经济发展水平又会影响到一个国家或地区的环境污染和治理能力。文章采用资本劳动之比来衡量要素禀赋结构（Endow）。根据杜龙政等[30]的研究，外商直接投资可以用于检验“污染避难所假说”，因此，文章采用外商直接投资额占城市总产值的比重表示外商直接投资（FDI）。政府干预会影响到地区的环境污染[31]，因此，文章采用财政支出占GDP的比重来表示政府干预度（Gov）。已有研究认为产业结构与环境污染之间呈正比例关系。因此，借鉴郑洁等[32]的做法，选取第二产业产值占城市GDP的比重来表示产业结构（lndus）。同时，结合已有研究，一个城市的人口密度越大，可能带来更严重的环境污染。因此，文章选取各地级市年末人口数与全市行政区域面积之比表示人口密度（PD）。另外，一个地区的工业企业规模越大越可能会给该地区带来环境污染。因此，文章采用工业企业数量来表示工业企业规模（lnFirm），并取对数。一个地区的固定资产投资规模越大也会给该地区的生态环境带来严重的破坏，因此，采用固定资本投资规模来表示投资规模（lnInvest），并取对数。环境规制（ER）选取城市污水处理厂集中处理率、固体废弃物综合利用率作为度量各城市环境规制强度指标。借鉴董直庆和王辉[33]计算单位经济产出排放综合指标的方法，将其转换为综合指标。城市研发创新水平采用城市人均政府科学事业费支出（lnRD）表示，并取对数。

文章数据主要来源于《中国城市统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》和《中国统计年鉴》。由于部分城市数据缺失，最终选取的樣本为2003—2018年中国260个地级市面板数据，所有价格变量均以2000年为基期换算为可比价。各变量描述性统计如表1所示。另外，区域划分采用国家统计局2011年公布的中国经济区域的划分方法。

4 中国城市PM2.5减排效率测算分析

4.1 区域层面PM2.5减排效率分析

根据上述模型，文章对中国2003—2018年四大经济区域的PM2.5减排效率进行了测算（表2）。从全国来看，以共同前沿为基准，2003—2018年全国PM2.5减排效率均值仅为0.126，距离生产前沿面的提升空间还有87.4%。意味着在维持期望产出不变的情况下，PM2.5排放量还可以在原有基础上减少87.4%。这主要是由于中西部地区的绝大部分城市PM2.5减排效率处于低效率（0～0.25）水平，即使部分城市具有较高的PM2.5减排效率，但其对整体水平的提升有限。如果样本城市都能达到共同前沿城市的生产技术，那么，中国城市的PM2.5污染减排的提升空间相当巨大。由表2还可以看出，东部、中部、西部和东北部的城市PM2.5减排效率均值分别为0.235、0.074、0.098和0.136，均处于低效率水平。这也进一步表明，绝大部分城市未能达到共同前沿城市的PM2.5减排技术，存在非常大的提升潜力。

从时间的演变趋势来看，图1显示了样本期内全国PM2.5减排效率呈现出缓慢上升再大幅下降的过程。具体而言，2003—2009年全国PM2.5减排效率从0.153上升到0.201;2009年之后减排效率逐年下降，至2018年达到0.042这一低位水平，降幅较大。从区域层面来看，2003—2018年东部、中部、西部和东北部城市PM2.5减排效率随时间的变化情况同全国基本一致，均在2009年到达最高点。这可能是由于自2003年以来，中国政府根据科学发展观先后出台了多项节能减排的政策，使得PM2.5减排效率有所提升。但是，在2009—2018年间呈现出明显的下降趋势，这可能是由于受2008年金融危机影响，地方政府上迫于“保增长”的压力，强行拉动经济增长的举措导致一大批能耗高、污染严重的项目得以上马，进而导致PM2.5减排效率有所下降。另外，由表2和图1可以看出，四大区域之间的PM2.5减排效率存在明显的区域异质性，表现为东部地区最高，其次是东北部，再次是西部，中部地区最低。东部地区是中国PM2.5减排效率最高的地区，这可能与东部沿海城市的地理位置、科技水平以及经济实力有很大的关系。而随着这些年东部地区的产业结构不断升级，一些落后的产业不断向中西部地区城市转移，从而导致污染向西迁移，使得中西部地区的节能减排任务艰巨。还有就是中西部地区的城市为了加快工业发展速度，降低了一些高能耗高污染项目的准入门槛，这进一步加大了中西部地区城市的大气污染环境保护难度。

另外，从图1可以看出，随着时间的推移，四大区域的效率值差距在不断缩小。这可能是由于东部地区的大气污染防治技术存在溢出效应，不断往中西部转移，同时东部地区也将自己先进的管理经验向落后地区扩散。在这种形势下，中西部地区的城市追赶东部地区的速度不断加快，使得东部与中西部地区之间的差距有缩小的趋势。

由表2和图2可知，在群组前沿下，2003—2018年全国PM2.5减排效率均值为0.275，虽然该效率均值略高于共同前沿下的效率均值，但距生产前沿仍存在着72.5%的提升空间。四大区域的PM2.5效率均值为0.223（东部）、0.496（中部）、0.296（西部）和0.103（东北部）。通过对比图1和图2，可以很明显地看出共同前沿和群组前沿的PM2.5减排潜力不尽相同，这主要是由于效率测度的参照物不同造成的。共同前沿下PM2.5减排效率是以全国潜在的最优排放效率城市为参考基准，反映全国范围内各城市经济发展过程中PM2.5减排效率的差异性;群组前沿下PM2.5减排效率分别以四大经济区域潜在的最优排放效率城市为参考，反映群组间最优环境压力带来的技术下各城市的PM2.5排放绩效。由于群组前沿选择的参考基准不同，因此，不同群组间的效率值并不具有可比性。但是，各个群组的时间演变趋势存在一些特征。群组前沿下全国PM2.5减排效率均值表现为2003—2008年缓慢上升，2008—2018年加速下降，与共同前沿下PM2.5减排效率走势基本一致。在四大经济区域PM2.5排放效率时间变动走势上，中部地区的城市PM2.5减排效率变动幅度最大，东北部地区的城市PM2.5减排效率基本保持平稳，东部和西部地区同全国PM2.5减排效率值变动走势基本一致。

4.2 城市PM2.5减排效率时空格局演变

共同前沿和群组前沿下PM2.5减排效率均在0.9～1区间的城市仅有6个，包括上海、广州、天津等5个东部城市和大庆1个东北部城市。意味着无论从共同前沿还是群组前沿来看，上海、广州等6个城市均具有较强的PM2.5减排效率，城市经济增长与PM2.5治理具有较高的协调水平。东部地区接近生产前沿面的城市占比83.33%，说明东部地区83.33%的城市都处在共同前沿面或者非常接近前沿面，这也反映了东部地区城市的大气环境治理技术代表了全国最优水平，即这些城市的群组前沿技术与共同前沿技术的落差比较小。

共同前沿下PM2.5减排效率在0～0.9区间，且群组前沿下PM2.5减排效率在0.9～1区间的城市共有23个，包括无锡市1个东部城市，太原市、长沙市、武汉市等12个中部城市，玉溪市、西安市、成都市等10个西部城市。说明中部和西部地区城市PM2.5排放总体上呈现低效率水平，具有极大的减排空间。如中部的武汉市在群组前沿下的效率值为1，而共同前沿下的效率值仅为0.464。又如西部的玉溪市在群组前沿下的效率值为1，而共同前沿下的效率值仅为0.424，这说明武汉市处于中部群组的生产前沿面，玉溪市处于西部群组的生产前沿面，但是相对于共同前沿面，它们又离最优PM2.5减排治理技术还有很大的差距，即这些城市的群组前沿技术与共同前沿技术的落差很大。这表明中国区域间的PM2.5减排技术还存在明显的差距，这种差距严重制约了中国PM2.5减排效率的进一步提升。

共同前沿和群组前沿下PM2.5减排效率大多分布在0～0.5的效率区间，且63.58%的城市集中在中国中西部和东北地区，这些城市中有51.82%集中在资源型城市，如山西的忻州市、晋城市;安徽省的淮南市、淮北市;陕西省的榆林市、铜川市;黑龙江省的黑河市、七台河市;辽宁省的阜新市;四川省的雅安市、泸州市;贵州省的安顺市等。这些城市主要是中国传统的能源生產基地，资源密集型产业比重较高，同时这些城市也是中国大气污染最为严重的一些地区，经济增长与大气环境保护之间的关系极为不协调。尤其是西部的一些资源型城市，有限的经济产出依靠大量的资源消耗和污染排放，以资源环境换取经济增长的代价十分严重。这些城市在相当长的时间内都是国家节能减排和大气污染防治的重点区域。

同时，文章重点分析了2003、2009和2018年三个年度的城市PM2.5减排效率的空间分布格局。共同前沿下，2003、2009和2018年各年份对应的PM2.5减排效率均值分别为0.153、0.201和0.042。具体地，2003年共有19个城市位于生产前沿面上，东部沿海主要包括上海市，广东省的广州市、深圳市，江苏省的无锡市，浙江省的杭州市、宁波市，以及天津等城市;东北部地区只有黑龙江省的大连市和辽宁省的大庆市。此外，PM2.5减排效率值位于（0.5～1）区间的42个城市在地理位置上大多紧靠生产前沿面的城市，意味着生产前沿面城市对周边城市在管理和技术上具有明显的带动作用。2009年整体PM2.5减排效率得到小幅提升，生产前沿面城市数量增加至30个，新增南京市、绍兴市、厦门市、汕头市、中山市等东部城市，兰州市、包头市等西部城市，以及哈尔滨市等东北部城市。PM2.5减排效率值位于（0.5～1）区间的城市增加至65个，围绕前沿面的城市呈现网状分布的特点。2018年，PM2.5减排效率出现大幅反弹，仅有上海市、深圳市、无锡市等5个东部沿海城市和大庆市1个东北部城市处于最佳PM2.5减排效率水平。PM2.5效率值在（0～0.25）区间的城市增加至236个，占样本总数的90.77%。

群组前沿下，PM2.5减排效率依然表现为先增加再减少的趋势，2003、2009和2018年城市PM2.5减排效率值分别为0.295、0.336和0.177，群组内依然存在极大的效率提升空间。由于不同群组间城市的PM2.5减排效率之间不具有可比性，此处结合上述三个年度PM2.5排放效率的变动特征，从四大区域城市群组的角度对其进行时空演变分析。2003年，PM2.5减排效率水平高（0.75～1）的城市中，东部地区有21个城市，主要包括北京、天津等京津冀城市群，上海、广州等长三角和珠三角城市群;中部地区有30个城市，主要是以武汉市为中心的长江中游城市群;西部地区有13个城市，主要包括以重庆市为中心的成渝城市群;东北部地区有2个城市，包括黑龙江省的大庆市和辽宁省的大连市。2009年，除西部和东北部城市群组PM2.5减排效率出现小幅下降外，其他群组PM2.5减排效率得到改善，空间分布上变化不大。2018年，东部、中部和西部城市群组PM2.5减排效率出现回落，东北部城市群组PM2.5减排效率继续保持低效率状态。

5 实证结果分析

5.1 基准回归

表3报告以共同前沿技术下的PM2.5减排效率作为被解释变量的基准回归结果。为了消除城市的个体固定效应和时间趋势，列（1）加入了反映城市个体特征的虚拟变量和时间特征的年度虚拟变量，双向固定效应模型的回归结果显示，经济发展水平对城市PM2.5减排效率的影响系数为1.042，在1%的水平上显著为正，说明城市层面的经济发展水平对PM2.5减排效率存在显著的促进作用，初步判断符合理论预期。为了控制遗漏变量问题对结果造成的偏误，在列（1）的基础上加入了控制变量。列（2）结果显示，加入控制变量后，经济发展水平与城市PM2.5减排效率显著的正相关关系依然存在。考虑到PM2.5排放效率可能存在滞后性特征，因此，列（3）在列（2）模型的基础上加入了PM2.5减排效率的滞后一期，此时采用动态面板数据模型进行估计，结果发现经济发展水平的估计系数依然没有发生根本性变化。基准模型的线性回归结果显示，总体而言，经济发展水平有利于城市雾霾减排治理。但是，考虑到经济发展水平可能与环境治理之间存在“U”型（环境库兹涅茨曲线）关系[34]，列（4）通过加入人均GDP的平方项来进行实证检验。结果发现平方项并没有通过显著性检验，一次项的估计系数依然显著为正，这说明它们之间可能并不存在环境库兹涅茨曲线效应，可能的原因在于环境库兹涅茨的假设往往需要更长周期数据才能反映。同时，观察核心解释变量以及控制变量的估计结果可以发现，它们的估计系数以及显著性水平也存在着一定的波动，这可能是由于模型还存在着一定的内生性问题。为此，本研究后续将对可能存在的内生性问题进行探讨。

5.2 内生性问题

尽管以上基准回归结果支持了文章的研究假设。但是，仅用固定效应模型来进行估计可能还存在一些较大的内生性偏误。文章的内生性主要来源于三个方面：第一，PM2.5减排效率指标作为衡量雾霾污染减排的度量指标，可能存在测量误差的问题;第二，大气污染减排力度太小有可能带来环境治理的恶化，这又会抑制城市的经济发展，从而造成双向因果问题。第三，尽管文章已经选取了已有文献指出的重要影响因素，但还可能存在遗漏变量问题。

为了尽可能控制内生性问题对估计结果造成的影响，已有文献大多采用动态面板数据模型或系统矩估计的方法来缓解内生性问题，但是仅仅利用系统矩估计可能是不够的，需要采用更为有效的工具变量法。因此，为了解决上述的内生性问题，文章采取的具体策略是：首先采用群组前沿技术下的PM2.5减排效率作为雾霾减排的代理指标来解决可能的测量偏误问题。其次，采用解释变量的滞后期作为其本身的工具变量来缓解内生性问题。然后，通过引入外生变量作为经济发展水平的工具变量尽可能地解决内生性问题。考虑到所寻找的工具变量必须与经济发展水平高度相关，同时又不能直接影响到被解释变量。基于这一认识，本研究通过降雨量与地形坡度倒数的乘积构造一个工具变量。一般来说，如果一个地区的地形坡度越平坦，降水量越多，那么这个地区的经济作物就越容易丰收，从而人们的收入水平也越高[35-37]。这可以满足有效工具变量的相关性假设。另一方面，无论是地形坡度还是降雨量均是由复杂的地理条件和气象系统决定的，从而可以满足有效工具变量的外生性假定。此外，构造的这个工具变量在时间和截面维度上均存在变化，尤其是城市的截面维度，从而有助于在城市层面上识别这个工具变量对经济发展水平的影响。

表4报告了内生性处理的估计结果。其中，列（5）采用的是更换被解释变量（群组前沿技术下的PM2.5减排效率）的方法进行估计，可以看出，经济发展水平的估计系数在1%的水平上显著为正。列（6）是将核心解释变量的滞后一期作为工具变量进行的系统GMM估计，可以看出，经济发展水平的估计系数为正，且通过了1%的显著性检验。列（7）是将核心解释变量的滞后一期作为工具变量进行的2SLS估计，结果显示，与列（5）和列（6）相比，经济发展水平的估计系数依然通过了1%的显著性检验。进一步，文章采用构造的外生工具变量进行2SLS估计，列（8）估计结果与列（7）的结果基本一致，这说明通过外生工具变量对内生性的控制，经济发展水平对PM2.5减排效率的影响得到了有效的识别。这也说明估计结果具有一定的稳健性。

5.3 异质性分析

考虑到中国不同地区的城市在经济发展水平和资源禀赋等方面存在一定的差异，而这些都有可能影响到文章估计结果的稳健性。因此，文章采用Powell[37-38]提出的非可加性固定效应的面板分位数回归模型。相比传统的可加性面板分位数回归模型，该模型保留了与分位数估计相关的不可分扰动项，能够很好地克服传统分位数回归模型产生的估计偏差问题。由表5的面板分位数回归模型估计结果可以看出，经济发展水平估计系数的方向和显著性与表4的模型结果基本一致，这也进一步印证了上述结论的稳健性。在不同分位点处的估计系数大小表现出明显的异质性，这也间接表明由于不同城市所处的工业化发展阶段以及主导产业的不同，从而导致人均GDP对PM2.5减排效率的影响存在一定的差异。同时由表5可以看出，在10%到90%分位数之间经济发展水平对PM2.5减排效率的影响随着分位点的升高而升高。这也说明对于PM2.5减排效率越高的城市，经济发展水平的提高对大气污染减排提升的作用越明显。

5.4 机制检验

由于城市的PM2.5减排效率会受到经济发展水平的影响，且这种影响可能是由不同城市之间要素禀赋结构的差异而造成的[39-40]。为检验这种非线性关系，文章以要素禀赋结构为门槛变量，采用面板门槛模型估计出在不同禀赋结构下城市经济发展水平對雾霾减排的门槛效应。根据表6可以看出，单一门槛值和双门槛值在1%的置信水平上显著，而三门槛值在10%的置信水平上并不显著。因此，接下来将基于双门槛值模型来进行分析。

由表7的门槛效应估计结果可以看出，λ1、λ2和λ3分别表示第一门槛区间、第二门槛区间和第三门槛区间中经济发展水平对城市PM2.5减排效率的解释水平。

表8表示的是模型估計得到的双门槛估计值及其对应的95%置信区间，结合图3的似然比函数图可以看出，门槛值对应的LR统计量等于0时的取值，而95%的置信区间表示的是所有LR值小于10%的显著性水平下的临界值λ构成的区间。

由此可以发现，总体上经济发展水平对城市大气污染减排具有促进作用，且系数通过了1%显著性水平的检验。同时，可以发现要素禀赋结构在地区分布的不同使得经济发展水平的影响效应表现出一定的差异性。在一个资本要素相对稀缺、劳动要素相对丰裕的城市，经济发展水平对城市大气污染减排效率的影响系数为1.835。即当要素禀赋结构低于门槛值805.680时，城市的经济发展水平每提高1%，将导致城市大气环境治理效果提高183.50%。当城市的要素禀赋结构处于第二门槛区间时，可以认为要素禀赋结构从贫乏状态逐渐进入到中等丰裕状态，即要素禀赋结构在[805.680，5 921.690]区间内，经济发展水平对城市大气环境治理效果的影响效应提高185.13%，这同第一个门槛区间的影响系数相比要高一些。这可能是由于在第二个门槛区间的城市随着资本劳动比逐渐提高，经济发展水平不断推动着雾霾减排效果的改善，这样就会使得第二个门槛区间的影响系数大于第一个门槛区间的系数。一旦要素禀赋结构进入到第三门槛区间，即要素禀赋结构的门槛值大于5 921.690时，经济发展水平的影响作用就更加明显，影响系数为1.876。这也说明当要素禀赋结构达到一个瓶颈后，经济发展水平对大气污染减排的作用会继续显著提高。这可能是由于在第三个门槛区间内，资本要素相对富裕，这些城市逐渐从高能耗的资本密集型产业向低能耗的资本密集型产业转型，这个时候排放效率的提高可能更多的是来自城市环境治理水平和技术创新水平的提高。因此，环境治理的政策要因地制宜，对于东部沿海城市应完善现有的环境保护法规体系和产业发展政策，继续提高自身的环境治理能力和管理效率。中西部地区的城市应该吸收和引进东部沿海城市的先进管理经验，激励企业进行绿色技术或工艺的改造升级，努力提高地方经济的增长规模和质量，最终实现绿色经济的高质量发展。因此，这就要求在生态文明建设过程中，对雾霾污染治理时要“因城施策”“分类指导”。

6 主要结论与启示

在中国发展进入新时代阶段，如何打好环境污染防治攻坚战？如何通过比较优势来促进经济高质量发展？实现这样双赢的目标显得尤为重要。①鉴于已有文献大多将非期望产出的关注点放在SO2、CO2、AQI和PM10等常规污染物上，专门针对PM2.5污染减排效率的研究还比较少。②受限于数据可得性等原因，现有文献的研究样本大多停留在省级层面。③在评价雾霾减排效果的过程中，大多文献并未考虑不同地区间的经济发展、资源禀赋等差异问题，同时也忽略了变量本身存在的内生性问题。因此，文章首先利用2003—2018年中国260个城市面板数据对中国PM2.5减排效率进行了测算;然后利用测算出的共同前沿技术下的PM2.5减排效率作为被解释变量，采用人均GDP作为经济发展水平的代理变量，系统考察了经济发展水平对中国城市PM2.5减排效率的影响;最后分析了地区的异质性和传导的机制。本研究的主要结论：①中国PM2.5减排效率整体偏低。从时间趋势来看，PM2.5减排效率呈现出缓慢上升再下降的过程。从区域比较来看，PM2.5减排效率存在明显的区域异质性，PM2.5减排效率从高到低分别为东部、东北部、西部和中部。②在样本期间内，经济发展水平对PM2.5减排效率具有显著的促进作用，在考虑了PM2.5减排效率的指标更换、外生工具变量的构造以及地区差异性等方面后，经济发展水平对PM2.5污染减排效率的影响依然稳健。③机制研究的结果表明城市要素禀赋结构的差异会影响地区的经济发展水平，进而影响到PM2.5的排放效率。

上述研究发现有着重要的政策启示。①雾霾的环境治理应该遵循比较优势的发展战略。如果一个地区或城市的产业结构发展不符合当地的比较优势，与其要素禀赋结构不相匹配，就有可能导致环境污染更加严重。即使政府采取多种严厉的环境规制政策，也会导致要素禀赋的资源错配，这种错配效应可能会超过技术创新带来的补偿效应，从而不利于城市的要素结构优化和产业结构升级，最终抑制了城市大气污染减排效果。②要实施适度的环境规制强度。一个地区或城市的环境治理好坏不能纯粹依靠政府的行政化管理手段。由于节能减排等环境考核的压力，一些地方政府采取了“一刀切”或“照搬照抄”的环境治理方式，并没有根据当地经济的发展水平、资源禀赋等因素采取因地制宜的环境管理手段，从而使得部分技术工艺还没完全转型升级的企业停工停产，最终导致城市经济增长和环境保护之间的矛盾日益突出。这种“一刀切”的环境政策反而会抑制城市的雾霾减排效果。③实行差异化的环境治理政策。由于中国四大经济区的PM2.5减排效率存在明显的区域差异性，各地政府要结合各自城市的环境承受力，着力提升本地区的要素禀赋结构，制定相应的环境治理政策。通过提高地方经济的高质量发展来增加地方税收来源，对清洁性产业实施不同程度的税收优惠力度来提高企业的自生能力，以此激励企业进行绿色技术的研发投入、技术引进或技术改造等方式，最终降低整个城市的环境污染排放强度。

参考文献

[1]史丹， 王俊杰. 基于生态足迹的中国生态压力与生态效率测度与评价[J]. 中国工业经济， 2016（5）： 5-21.

[2]罗能生， 李佳佳， 罗富政. 中国城镇化进程与区域生态效率关系的实证研究[J]. 中国人口·资源与环境， 2013， 23（11）： 53-60.

[3]KUOSMANEN T，KORTELAINEN M. Measuring eco-efficiency of production with data envelopment analysis [J]. Journal of industrial ecology， 2005， 9（4）： 59-72.

[4]汪克亮， 孟祥瑞， 杨宝臣. 生态压力、生态技术差距与地区生态经济效率：基于2006—2015年中国省际面板数据的实证分析[J]. 山西财经大学学报， 2017， 39（12）： 1-14.

[5]HUA Z，BIAN Y，LIANG L. Eco-efficiency analysis of paper mills along the Huai River： an extended DEA approach [J]. Omega， 2007， 35（5）： 578-587.

[6]HALKOS G， TZEREMES N G. A conditional directional distance function approach for measuring regional environmental efficiency： evidence from UK regions [J]. European journal of operational research， 2013， 227（1）： 182-189.

[7]李占风， 张建. 资源环境约束下中国工业环境技术效率的地区差异及动态演变[J]. 统计研究， 2018， 35（12）： 45-55.

[8]黄建欢， 方霞， 黄必红. 中国城市生态效率空间溢出的驱动机制： 见贤思齐VS见劣自缓[J]. 中国软科学， 2018（3）： 97-109.

[9]GROSSMAN G M，KRUEGER A B. Economic growth and the environment [J]. The quarterly journal of economics， 1995， 110（2）： 353-377.

[10]林伯強， 蒋竺均. 中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析[J]. 管理世界， 2009（4）： 27-36.

[11]EBENSTEIN A，FAN M，GREENSTONE M，et al. Growth， pollution， and life expectancy： China from 1991-2012 [J]. The american economic review， 2015， 105（5）： 226-231.

[12]陈诗一， 陈登科. 雾霾污染、政府治理与经济高质量发展[J]. 经济研究， 2018， 53（2）： 20-34.

[13]王奇， 李明全. 基于DEA方法的我国大气污染治理效率评价[J]. 中国环境科学， 2012， 32（5）： 942-946.

[14]尹向飞. 中国城市PM2.5效率[J]. 北京理工大学学报（社会科学版）， 2016， 18（4）： 49-57.

[15]汪克亮， 孟祥瑞， 杨宝臣， 等. 技术异质下中国大气污染排放效率的区域差异与影响因素[J]. 中国人口·资源与环境， 2017， 27（1）： 101-110.

[16]戴小文， 唐宏， 朱琳. 城市雾霾治理实证研究：以成都市为例[J]. 财经科学， 2016（2）： 123-132.

[17]梁伟， 杨明， 张延伟. 城镇化率的提升必然加剧雾霾污染吗：兼论城镇化与雾霾污染的空间溢出效应[J]. 地理研究， 2017， 36（10）： 1947-1958.

[18]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.

[19]刘军， 王慧文， 杨洁. 中国大气污染影响因素研究：基于中国城市动态空间面板模型的分析[J]. 河海大学学报（哲学社会科学版）， 2017， 19（5）： 61-67.

[20]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.

[21]刘华军， 裴延峰. 我国雾霾污染的环境库兹涅茨曲线检验[J]. 统计研究， 2017， 34（3）： 45-54.

[22]王振波， 梁龙武， 王旭静. 中国城市群地区PM2.5时空演变格局及其影响因素[J]. 地理学报， 2019， 74（12）： 2614-2630.

[23]FRE R， GROSSKOPF S. Intertemporal production frontiers： with dynamic DEA [J]. Journal of the operational research society， 1997， 48（6）： 656.

[24]TONE K， TSUTSUI M. Dynamic DEA： a slacks-based measure approach [J]. Omega，2010，38（3）： 145-156.

[25]YAGHUBI A O，MOHAMMADNEZHAD Z，MAGHBOULI M. Dynamic DEA： a hybrid measure approach [J]. International journal of applied operational research， 2016， 6（4）： 65-75.

[26]BATTESE G E， RAO D S P. Technology gap， efficiency and a stochastic meta-frontier function [J]. International journal of business and economics， 2002， 1（2）： 87-93.

[27]HU J L， WANG S C. Total-factor energy efficiency of regions in China [J]. Energy policy， 2006， 34（17）： 3206-3217.

[28]ZHAO X，ZHOU W，HAN L，et al. Spatiotemporal variation in PM2.5 concentrations and their relationship with socioeconomic factors in Chinas major cities [J]. Environment international， 2019， 133：105-145.

[29]林毅夫. 中国要以发展的眼光应对环境和气候变化问题：新结构经济学的视角[J]. 环境经济研究， 2019， 4（4）： 1-7.

[30]杜龙政， 赵云辉， 陶克涛， 等. 环境规制、治理转型对绿色竞争力提升的复合效应：基于中国工业的经验证据[J]. 经济研究， 2019， 54（10）： 106-120.

[31]张功富. 政府干预、环境污染与企业环保投资：基于重污染行业上市公司的经验证据[J]. 经济与管理研究， 2013（9）： 38-44.

[32]郑洁， 付才辉， 刘舫. 财政分权与环境治理：基于动态视角的理论和实证分析[J]. 中国人口·资源与环境， 2020， 30（1）： 67-73.

[33]董直庆， 王辉. 环境规制的“本地—邻地”绿色技术进步效应[J]. 中国工业经济， 2019（1）： 100-118.

[34]王芳， 曹一鸣， 陈硕. 反思环境库兹涅茨曲线假说[J]. 经济学（季刊）， 2020， 19（1）： 81-100.

[35]林伯强， 谭睿鹏. 中国经济集聚与绿色经济效率[J]. 经济研究， 2019， 54（2）： 119-132.

[36]刘晨跃，尚远红.雾霾污染程度的经济社会影响因素及其时空差异分析：基于30个大中城市面板数据的实证检验[J].  经济与管理评论，2017（1）：75-82.

[37]杨东升. 欠发达国家经济增长与金融发展：一个基于工具变量的分析[J]. 中国农村经济， 2015（1）： 85-95.

[38] POWELL D. Quantile regression with nonadditive fixed effects [R/OL]. Rand Labor and Population Working Paper， （2015-11）[2019-08-19].http：//works.bepress.com/david.powell/11.

[39] 万伦来，刘翠，郑睿. 地方政府财政竞争的生态效率空间溢出效应[J]. 经济与管理评论，2020（1）：148-160.

[40]郑洁， 付才辉， 赵秋运. 发展战略与环境治理[J]. 财经研究， 2019， 45（10）： 4-20.

Regional differences in PM2.5 emission reduction efficiency and their influencing mechanism in Chinese cities

LI Deshan1，2 ZHANG Zhengqiu1 FU Lei1，2 GUO Sidai1

（1. School of Economics and Management， Southwest University of Science and Technology， Mianyang Sichuan 621010， China; 2. School of Economics， Sichuan University， Chengdu Sichuan 610065， China）

Abstract In order to win the tough battle against environmental pollution and promote high-quality economic development， Chinas governments at all levels have been stepping up efforts to prevent and control environmental pollution. Based on the panel data of 260 cities in China from 2003 to 2018， this paper first adopted the Meta-Frontier method and the Hybrid Dynamic DEA model to measure the urban PM2.5 emission reduction efficiency in China. Then， on the basis of the heterogeneity in the structure of different urban factor endowments， this paper further analyzed the impact of economic development level on the efficiency of PM2.5 mission reduction in these Chinese cities. The results of the study showed that： ① Chinas overall PM2.5 emission reduction efficiency was at a low level， with an annual average value of 0.1257， and there was a huge pressure to reduce air pollution emissions. ② During the sample period， Chinas PM2.5 emission reduction efficiency showed a process of increasing slowly and then decreasing. There was obvious regional heterogeneity in PM2.5 emission reduction efficiency between the four major regions in China， i.e.， the eastern region had the highest efficiency of PM2.5 emission reduction， followed by the northeastern region， then the western region and the central region. ③ In general， the level of economic development played a significant role in promoting the efficiency of PM2.5 emission reduction. From the perspective of heterogeneity， the impact of the economic development level on PM2.5 emission reduction efficiency increased with the increase of the percentile between 10% and 90%. After changing PM2.5 emission reduction efficiency indicator and constructing exogenous tool variable， this paper found that the influence of economic development level on PM2.5 emission reduction efficiency was still significant. ④ The results of mechanism research showed that the differences of urban factor endowment structure had an impact on the efficiency of PM2.5 emission reduction efficiency through affecting the level of regional economic development. Therefore， local governments should take the factor endowment structure and comparative advantage of their respective cities into account to formulate adaptive policies for air pollution control and avoid adopting the ‘one-size-fits-all or ‘copy-all environmental control methods. Besides， local governments should implement differentiated environmental governance policies for air pollution. Chinas eastern coastal cities should constantly improve their industrial development policies and their own environmental governance capabilities. And for cities in Chinas central and western regions， the introduction of advanced management experience from coastal cities should be accelerated， and enterprises should be incentivized to upgrade green technologies or processes in an effort to improve the quality of economic growth.

Key words haze pollution; PM2.5 emission reduction efficiency; Meta-Frontier method; economic development; factor endowment structure

（責任编辑：于 杰）

收稿日期：2020-03-04  修回日期：2020-06-24

作者简介：李德山，博士，副教授，主要研究方向为人口资源与环境。E-mail：lwfaaa3@163.com。

通信作者：郭四代，博士，教授，博导，主要研究方向为环境经济学。E-mail：guosidai@126.com。

基金项目：国家自然科学基金政策研究重点支持项目“‘一带一路与中国西部发展”（批准号：71742004）;教育部人文社会科学青年基金项目“人口转变、技术创新与中国长期经济增长研究”（批准号：19YJC790057）;四川省循环经济研究中心重点项目“绿色发展视角下中国制造业资本配置效应测度及其影响因素研究”（批准号：XHJJ-1904）;四川省科技厅软科学项目“乡村振兴视域下四川农村土地资源高质量利用研究”（批准号：20RKX0398）。