长江三角洲地区服务业发展指数和PM2.5浓度的收敛性分析

(1)σ收敛模型

σ收敛是指不同地区PM2.5浓度的差距随时间的推移而趋于缩小。本篇描述和刻画σ收敛使用PM2.5浓度对数值的标准差，称为σ收敛指数。根据测算的2006—2015年长江三角洲各个城市PM2.5浓度，计算整个长江三角洲地区σ收敛指数，并绘制成折线图7.2。

图7.2　2006—2015年服务业发展指数σ指数趋势

由图7.2可知，长江三角洲地区的PM2.5浓度在2006—2015年样本期间不存在明显的收敛，但是存在阶段性收敛。长江三角洲城市群从2006年开始逐渐下降，到2008年的0.22，达到最低点，之后的2009—2015年便不存在明显的阶段性收敛，均是一年一年的起伏，同时在2015年达到最高点0.32。

(2)PM2.5浓度的绝对β收敛性分析

绝对β收敛表明在其他条件相同的条件下，各地区会随着时间的推移，最终达到完全相同的稳态水平。加入空间效应后，空间自回归模型(SAR)或空间误差模型(SEM)可用于绝对β收敛性分析，用拉格朗日乘数检验(LM)来观察模型的适用性。对长江三角洲而言，LM检验结果如表7.5所示。

表7.5　拉格朗日乘数检验(LM)结果

拉格朗日乘数检验(LM)结果表明，LM-error统计量并不显著，而LMlag统计量在1%的水平下显著，表明空间自回归模型(SAR)更适合用于绝对β收敛分析。PM2.5浓度的绝对β收敛结果如表7.6所示。

表7.6　PM2.5浓度的绝对收敛

由表7.6可知，无论是空间自回归模型(SAR)还是普通最小二乘回归模型(OLS)，β系数均为负数，并通过显著性检验，说明长江三角洲地区的PM2.5浓度存在绝对β收敛。

(3)PM2.5浓度的条件β收敛性分析

绝对β收敛表明随着时间的推移，各城市PM2.5浓度将逐渐收敛到相同的稳态水平，其严格假定各地区的发展基础、资源禀赋等条件完全相同。而条件β收敛是在考虑各个地区的异质性后，随着时间的推移，各个地区的PM2.5浓度将收敛到各自的稳态水平，而不是相同的稳态水平。因此在具体考察PM2.5浓度条件β收敛的时候，需要设置若干控制变量，借鉴相关文献的研究，本篇选择的控制变量包括:

经济发展水平(gdp)，用国民生产总值GDP来表示，衡量的是国家总体经济状况，生产的全部最终产品和服务价值的总和，常被认为是衡量国家(或地区)经济状况的指标。通过这个指标来衡量经济发展水平对于雾霾浓度的影响。马丽梅和张晓(2014)发现雾霾污染水平与GDP之间存在显著的空间正相关特征，雾霾污染水平随GDP的增加而上升。(www.xing528.com)

人口密度(den)，用单位地区土地面积上常住人口数表示，衡量的是人口的密集程度。通过这个指标来衡量人口密度对于雾霾浓度的影响。王立平(2016)通过实证发现雾霾浓度与人口密度呈正相关，人口的增多会导致雾霾污染更加严重。

废物利用率(uti)，用工业固体废物利用率来表示，衡量的是工业生产过程中排入环境的各种废渣、粉尘及其他废物的处理情况，即各种废物能源的利用情况。

对外开放程度(open)，用外商直接投入的资本占GDP的比重来表示，衡量的是一个地区的外商投资情况。List＆Co(2000)通过研究证实，对外开放程度与环境质量的程度呈反向相关，即对外开放程度越高，环境质量越恶劣。

信息化水平(inf)，用移动电话使用量来表示，衡量的是一个地区的信息技术水平。刘晨跃(2017)以中国2013—2014年30个重要城市为基准研究发现技术水平的提高会影响雾霾浓度。

能源消耗水平(ene)，用石油的消费总量来表示，衡量的是一个地区的能源使用情况。中国是世界上为数不多的能源消费结构以煤为主的国家之一。马丽梅和张晓(2014)实证表明煤炭能源使用度越高，雾霾浓度也随之更高。基于各个城市数据的可获得性，以此来衡量能源消费总量对于雾霾浓度的影响。

与绝对β收敛一样，在进行条件β收敛分析之前首先要选择适合的空间计量模型，对长江三角洲地区而言，LM检验结果如表7.7所示。

表7.7　拉格朗日乘数检验(LM)结果

拉格朗日乘数检验(LM)结果表明，LM-lag的统计量与LM-error的统计量在5%的水平下均显著，而LM-error的统计量在1%的水平下显著，但LM-lag在1%的水平下不显著，故本篇在分析PM2.5浓度空间条件β收敛性的影响因素时以空间误差模型(SEM)为主。PM2.5浓度条件β收敛结果如表7.8所示。

表7.8　PM2.5浓度条件β收敛结果

由表7.8可以发现，在引入相关控制变量后，无论是空间误差模型(SEM)还是普通模型(OLS)，长江三角洲城市群的β系数均为负数，并通过了显著性检验，表明长江三角洲城市群的雾霾浓度存在显著的条件β收敛，即随着时间的推移，长江三角洲城市群各个城市的雾霾浓度会趋自各自的稳态水平，而不是相同的稳态水平。长江三角洲城市群的条件β收敛模型的R2增大，表明条件β收敛比绝对β收敛有更强的解释能力。

空间误差模型(SEM)的β系数为－1.086，表明PM2.5浓度存在条件收敛。其中GDP、废物利用率、对外开放程度以及信息化水平这四个控制变量均通过显著性检验，这表明经济的增长、废物利用率、对外开放程度以及信息化水平对长江三角洲城市群雾霾浓度的收敛具有重要的影响，人口密度以及能源消费水平没有通过显著性检验表明对于长江三角洲城市群而言，这两个控制对于雾霾浓度的收敛的影响不显著。

就各具体指标变量来说，GDP的系数为0.046，这说明经济发展水平的提高有利于促进雾霾浓度的收敛。一般而言，一个地区经济发展水平越高，其对环境的牺牲就越大，而雾霾浓度也随之增加，所以就促进了各地区雾霾浓度的收敛；就废物利用率而言，其系数为0.0601，这表明废物利用率的提高有效地促进了雾霾浓度的收敛。一般而言，工业废物的重新利用在理论上能够节约能源，改进能效，从而降低雾霾浓度，但很多研究发现，能效改进和节能减排目标之间可能并不一致，这主要是由于能源回弹效应，即能效的改进虽然理论上能够节约能源，但同时会引致能源价格降低及生产率提高而促进经济增长，进而产生新的能源需求，从而效率提高所节约的能源被额外的能源消费部分甚至完全抵消(邵帅等，2013)。对外开放水平系数为0.0103，这表明对外开放水平的提高有效地促进了雾霾浓度的收敛。这表示“环境污染假说”在长江三角洲城市群是成立的，即由于长江三角洲城市群地理位置优势，陆运水运都极为便利，从而大多数外国企业都会将污染密集产业的企业建立在长江三角洲地区，从而导致城市群雾霾污染较高。就信息化水平而言，其系数为－0.036，这表明信息化水平的提高不利于雾霾浓度的收敛，这是因为随着科技水平的提高，我们可以运用信息技术来监测雾霾浓度的情况，从而根据雾霾浓度的情况，寻找治理雾霾的方法，因而随着信息水平的提高，雾霾浓度会随之降低。