2. 南昌大学经济管理学院, 南昌 330031;
3. 西华师范大学国土资源学院, 南充 637002
2. School of Economics and Management, Nanchang University, Nanchang 330031;
3. Land and Resources College, China West Normal University, Nanchong 637002
近年来,随着中国经济的迅猛发展,环境问题日益凸显,其中以雾霾为主要特征的空气污染问题尤为突出.2013年1月持续性的、全国大面积范围内的雾霾问题,影响了超过800万人口,被认为是20世纪以来中国最为严重的空气污染事件(Huang et al., 2014; Wang et al., 2014).近年来,中国饱受长时间、大范围雾霾问题的困扰,特别是在一些经济发达地区,如京津冀都市圈、长三角城市群、珠三角城市群以及成渝都市群(Zhang et al., 2015).
中国空气污染引发了公众强烈的反应,这缘于中国严重的空气污染问题已经危及到人们的健康和寿命(苗艳青和陈文晶,2010).具体来说,引起空气污染的颗粒物(主要是可吸入颗粒物PM10)浓度过高可造成机体呼吸系统、心脏及血液系统、免疫系统和内分泌系统等损伤(李红和曾凡刚,2002).细颗粒物污染(PM2.5)与人口的死亡率和发病率呈现高度相关(Shen et al., 2015).二氧化硫会影响呼吸系统和肺功能,刺激呼吸道从而加重哮喘和慢性支气管炎,并使人们更容易患上呼吸道感染等疾病.因空气污染导致的疾病一直呈现上升趋势.据估计,每年因室内和室外空气污染导致的死亡人数高达250万(Kulmala, 2015).大量污染气体的排放以及严重的环境污染问题,影响了中国大部分地区人们的健康以及降低了平均预期寿命(Chen et al., 2013).随着生活水平的不断提高,人们的环保意识和对环境质量的诉求也日趋见涨(Zhu et al., 2014).
为了监测和治理日益严重的空气污染问题,中国环境保护部发布了《环境空气质量标准》(GB3095-2012),用以替代之前的环境监测标准.《环境空气质量标准》中提出了空气质量指数(Air Quality Index, AQI)作为空气质量的评价体系中华人民共和国环境保护部,2012).AQI的提出不仅被民众广泛接受,而且立刻受到了学术界广泛的关注和认可(Hu et al., 2015),涌现出了一大批学术研究成果.例如,Wang等(2015)、高庆先等(2015)、Tong等(2016)、刘华军和杜广杰(2016)、徐甜等(2016)从时空角度分析中国城市AQI的空间分布变化及时间演变规律.此外,还有少数学者从社会经济的视角研究AQI的影响因素.例如,蔺雪芹和王岱(2016)利用2013和2014年全国城市空气质量数据,从空间依赖性视角出发, 采用空间滞后模型研究了AQI的影响因素,发现能源消耗、工业化和技术进步是造成空气质量恶化的重要因素,经济发展有助于改善空气质量.刘满凤和谢晗进(2016)基于空间异质性视角,构建了时空地理加权回归模型, 研究了2014年中国31个省份的空气质量指数影响因素,发现经济集聚、工业化加速和信息化加快是导致空气质量下降的主要原因,而科技创新和FDI有助于改善空气质量.
尽管有学者从空间依赖性和空间异质性视角出发探索了中国城市AQI的影响因素,但鲜有研究从地理衰减效应出发研究城市AQI的空间交互的指数衰减效应.地理衰减效应意味着随着地理距离的增加,空间交互效应逐渐减低,这符合地理学第一定律.在研究中考虑到地理衰减效应,能够很好地反映出空间交互效应随距离发生的变化,能够更为精准地描述周围城市对中心城市的影响程度.因此,LeSage and Pace(2007)提出了矩阵指数空间设定(Matrix Exponential Spatial Specification, MESS)模型,考虑了地理衰减效应.鉴于此,本文基于2014年中国150个城市空气质量数据,利用自然正交函数分解方法分析了城市空气质量指数的时空演变特征,在此基础上采用空间滞后模型和基于衰减效应的矩阵指数空间设定模型并选用多种空间权重矩阵探讨了空气污染的影响因素.
2 模型与数据(Models and data) 2.1 探索性数据分析本文采用经验正交分解方法和全域空间自相关分析方法对中国150个城市的AQI进行分析.其中,经验正交分解(Empirical orthogonal function, EOF)最早由Pearson提出(Pearson,1902),后来由Lorenz(1956)于20世纪50年代引入到大气科学领域,随后逐渐应用于多学科中.EOF方法能够对分布不规则的气象要素场进行时空分解,得到各种相互正交的特征向量,其空间模态在一定程度上反映了要素场的空间分布特点,时间系数则反映了时间的变化(庞轶舒等,2014).
全域空间自相关分析可以定量地描述城市AQI与相邻城市AQI是否相似.全域空间自相关分析一般采用的测度指标是Moran′s I指数.其计算公式如式(1)所示(Moran,1950).
(1) |
式中,Yi和Yj为空间单元i和j的观察值;Y表示Y观察值的平均值;n表示空间单元的个数;W为空间权重矩阵,通常采用行标准化进行处理.Moran′s I的取值范围在[-1, 1]之间.Moran′s I显著为正时,表示存在正向的空间自相关;Moran′s I显著为负时,表示存在负向的空间自相关(Cliff et al., 1981).
2.2 空间计量经济学模型首先介绍传统的、不包含空间因素的OLS回归模型,模型如公式(2)所示.
(2) |
式中,y表示因变量;X表示外生解释变量; β为待估计的参数;ε表示随机干扰项.
OLS模型假设观察值在空间分布上是独立的,这显然违反了地理学第一定律.城市之间的空气污染物容易相互扩散,因而各城市之间的AQI并不相互独立,也非随机分布.因此,在研究AQI影响因素时,需要考虑纳入空间依赖性.空间滞后模型(Spatial lag model, SLM)由于包含了因变量的空间滞后项,可以很好地描述空间单元因变量的空间依赖关系,其公式如式(3)所示.
(3) |
式中,W表示空间权重矩阵,用以描述空间单元的空间结构;ρ是待估计参数,通常被称为空间自回归系数;其他变量与公式(2)里的一致.本文主要考虑3种空间权重矩阵:①基于地理邻近性的Queen空间权重矩阵(简称为Queen),如果2个空间单元在边界上有共同的点或者边,则认为这两个空间单元相邻;②基于距离的空间权重矩阵,计算空间单元两两之间的距离(简称为Distance);③K个最近邻居的空间权重矩阵,其中K表示邻居的个数,本文K选取3~8(后文均以K3~K8表示).此外,如果模型参数ρ在统计上显著,那么可以表示为因变量在空间上表现出依赖性,换言之,周围空间单元的因变量对中心地区的因变量有空间溢出作用.
另一种常见的空间回归模型为空间误差模型(Spatial error model, SEM),与空间滞后模型不同的是,空间误差模型是由2个公式组成的联立方程,模型如公式(4)所示.
(4) |
式中,λ为待估计的参数,通常被称为空间自相关系数,若参数λ在在统计上显著,那么可以认为干扰项存在着空间依赖性;μ表示特质的成分,也可以看做是干扰项;其他变量与公式(2)里的一致.
对空间滞后模型如果采用经典的OLS估计方法,那么会得出有偏且无效的估计量,对空间误差模型来说,虽然可以得到无偏估计量,但是却不有效.因此,通常采用极大似然估计方法对空间回归模型进行估计.然而,在进行极大似然估计时,涉及到一个含参数的高阶行列式,并且其解析解很难表达,特别是在样本量庞大的时候,因此,通常需要一些特定的技术方法来进行处理(Barry and Pace, 1999).
针对上述问题,LeSage and Pace(2007)基于Chiu等(1996)在协方差建模中采用矩阵指数方法提出了矩阵指数空间设定(Matrix Exponential Spatial Specification, MESS)模型,并且证明了MESS模型估计量在理论上的简洁性和计算上的高效性.这是因为MESS模型的矩阵指数的协方差矩阵总是正定的,从而消除了在参数估计中检验要求正定的限制,而且,矩阵指数的逆矩阵也具有简单的数学形式,在理论上和数值计算上皆具备优势,能够灵活地满足空间计量建模的要求.MESS模型不仅具有很好的估计性质,更为重要的是还具备理论优势(LeSage and Pace, 2009).MESS模型采用指数衰减来代替传统上的几何衰减,可以通过设置参数来控制邻近空间单元的数量以及空间溢出作用的衰减程度.MESS模型如公式(5)所示.
(5) |
式中,S表示为一个n×n阶的正定矩阵,S矩阵与之前的空间权重矩阵W的含义一致.如果令S=(In-ρW),In表示单位矩阵,那么,MESS模型可以转化为传统的空间滞后模型.接下来给出矩阵指数的形式,可以看作S矩阵的一种形式,如式(6)所示.
(6) |
式中,α表示一个实数参数,W为空间权重矩阵.由式(6)可以看出,S考虑的是高阶邻近关系影响的指数衰减效应,而并非传统上的几何方式的衰减效应.
2.3 变量说明受限于数据的可获得性,并参考已有的研究结果,本文选取了地区人均生产总值、外商直接投资、人口密度、细颗粒物、二氧化硫排放和民用汽车保有量6个变量来研究其对空气质量指数(AQI)变化的影响.
地区人均生产总值(GDP).随着收入水平的提高,高能耗高污染商品和服务猛增,例如,私人汽车、空调、集中供暖和热水供应(Jiang et al., 2016).大量污染物排放引起了环境的恶化.另一方面,随着收入提高,人们的环保意识也越高,越倾向于投入更多的经费用于新技术以改善环境(Stern,2004).因此,人均收入和环境污染有可能呈现倒U型曲线.在模型中添加平方项(GDP2)来进行验证.
外商直接投资(FDI).FDI以外资企业的形式将发达国家先进清洁的技术和科学完善的管理体系等转移到了中国,有效地提高了中国的技术水平,有助于改善中国的环境质量(Herrerias et al., 2013).另外,外资可以产生正向的溢出效应,可以通过知识溢出、技术转让等方式改善本地的技术水平(Shahbaz et al., 2013).并且外资企业的进入,加剧了市场竞争,使得本地企业不断改善节能减排技术,从而产生的间接效应改善中国的环境质量.
人口密度(Density).空气污染严重地影响了人们的健康和寿命.人口密度越高的地区对于空气质量要求越高,这是因为空气污染影响的人群数量越多.空气质量越来越成为人口迁移的诱因.人口迁入的大多数地区不仅收入水平高、就业机会多,并且空气质量也相对较高(段成荣等, 2013).本文将人口密度看作衡量环保意识的变量.
二氧化硫(SO2)和细颗粒物(PM2.5).SO2和PM2.5是影响空气质量指数的重要指标.二氧化硫排放量和PM2.5浓度越高,空气污染越严重.
民用汽车保有量(Cars).据国家统计局统计显示,2014年末全国民用汽车拥有量已高达14598.11万辆,汽车用量的增加导致汽车尾气的排放量也不断上升.汽车尾气是空气污染的最主要原因之一(郭宇宏等,2014).
2.4 数据来源AQI和PM2.5浓度数据来源于中国环境监测总站每小时发布的监测数据.2014年共有191个城市的监测数据,剔除县市级,加之其他数据可获得性受限,本研究最终选取数据较为完整的150个城市作为研究对象;150个城市的FDI数据、地区人均生产总值、人口密度、SO2排放量、民用汽车保有量来源于《中国统计年鉴》(2015)、《中国城市统计年鉴》(2015)和《统计公报》(2014).
3 实证结果(Empirical resutls) 3.1 EOF时空分解及探索性空间数据分析为了更好地理解AQI在空间上分布特征的变化以及时间上的演变规律,本文将AQI每小时监测数据整理成月平均数据,采用EOF方法对中国150个城市2014年的AQI月数据进行时空分解,这样做的好处是可以更为明晰地分析出AQI的时空变化规律.结果发现前3个特征向量方差贡献率分别为97.46%、0.77%和0.68%,每一特征向量场的极大值中心是AQI增加或减少异常变化的最敏感区域.特征向量之间表现为相互正交关系,EOF展开的第一模态特征向量一般反映了AQI距平的平均状态,其余模态则反映在不同尺度AQI距平的变化状态.作为与特征向量对应的时间系数表示特征向量的权重,可以衡量不同年份对这种空间分布贡献的大小.由于第一个特征向量方差贡献率已高达97.46%,因而可以采用第一特征向量来衡量AQI的时空结构特征.
EOF第一模态反映了AQI的总体空间分布特征(图 1a).第一模态特征向量的极大值出现在京津冀地区,并且AQI在河南的北部和山东的西北部也相对较高.这也反映了AQI以京津冀为高值中心向周边地区呈衰减变化,污染核心区由京津冀逐渐向豫北地区和鲁西北地区扩散,低值区则集中在海南的三亚和海口,云南的玉溪和昆明,广东的湛江和汕尾及深圳,福建省的泉州和福州及厦门.由EOF第一模态的空间分布也可以看出,150个城市的AQI呈现出明显的空间集聚现象,说明在分析AQI的影响因素时应该考虑到空间依赖性.
AQI第一模态的时间系数(图 1b)呈现出明显的年内季节变化特征.时间系数从1—12月份呈先下降后上升的趋势.具体来说,1—9月份AQI呈波动下降趋势,其中1月份的时间系数值最大,表明1月份AQI的空间分布最为典型.尤其是1—2月份,这一时期的京津冀乃至整个华北地区污染最为严重.随着月份的推移,AQI有了明显地下降.但9—12月份AQI时间系数呈上升趋势,并且10—12月份时间系数持续增加,12月份达到极大值,说明随着冬季的来临,由于采暖燃煤,排放出了大量的污染物,致使空气污染加重,AQI增长速度较快(周瑞等,2011;梁银双和刘黎明,2105;陶双成等,2016).
本文对150个城市的AQI年平均值进行全域空间自相关分析.Moran散点图(图 2)横坐标表示150个城市AQI的数值,纵坐标W·AQI表示邻近城市AQI的加权值,用于表示邻近城市AQI对中心城市的影响.由图 2可知,150个城市AQI的Moran′s I值为0.6390,表明了150个城市的AQI观察值在空间上呈高值集聚和低值集聚的空间分布特征,其中高值集聚区在华北平原,而低值集聚区在华南地区.本文还采用了不同的空间权重矩阵进行Moran′s I检验,结果发现均在1%显著性水平下拒绝了“空间随机分布的原假设”,并且Moran′s I值均在0.6以上.
接下来,对中国150个城市AQI的影响因素进行分析.城市之间的AQI存在很明显的空间溢出效应,因此无论是统计检验结果还是理论基础,在分析AQI影响因素时应当考虑AQI的空间滞后项.换言之,空间滞后模型应当是合适的空间回归模型设定.但为了稳健性,在建立空间滞后模型之前,先进行OLS回归及拉格朗日乘子检验(Lagrange multiplier test, LM)(Anselin, 1998; 1990).其中,所有的变量均进行自然对数处理.OLS回归和拉格朗日乘子检验的结果如表 1所示.
首先看表 1的第2列,OLS模型1包含所有的变量.由结果可知,除了lnGDP、lnGDP2和lnCar变量之外,所有的外生变量分别在1%、5%和10%的水平下显著.lnCar变量高度不显著可能跟数据选取有关.由于数据缺失的限制,本文采用民用汽车保有量,而没有采用全社会汽车拥有数量这一变量.这在很大程度上忽视了军用汽车、警用汽车和特种用车等排放出的污染物对空气质量所产生的影响,故而不能全面地反映汽车拥有量与空气质量指数之间的统计关系.剔除了lnCar变量后,回归结果见第3列.lnGDP和lnGDP2变量依然不显著,说明不存在环境库兹涅茨曲线.故此,剔除lnGDP2变量,回归结果见第4列.由OLS模型3结果可知,所有变量均显著,并且从R2来看,模型整体拟合程度很好.
本文给出了Queen、距离及K3~K8的8种不同空间权重矩阵情况下的LM检验结果.结果显示,当选择Queen空间权重时,LM-lag和Robust LM-lag统计量均远远没有通过10%显著性水平的检验,而LM-error和Robust LM-error统计量十分显著,说明应该选择空间误差模型,而不是空间滞后模型.当选择距离和K3~K8空间权重时,LM检验结果显示,4个统计量均在1%显著性水平上显著,说明空间滞后模型和空间误差模型均可.综上所述,尽管在理论分析时,应该选择空间滞后模型,但是Queen空间权重矩阵情况下,LM检验结果却指向了空间误差模型.这表明,LM检验因选择不同的空间权重矩阵而得出了不同的结论.同时,也说明了不能完全依照LM检验结果来选择模型,而是在空间回归模型建模时综合考虑统计检验结果和实际理论(姜磊,2016).
为了验证LM检验的结果,表 2给出了不同空间权重矩阵下的空间滞后模型和空间误差模型的回归估计结果,如表 2所示.
从表 2的第2列来看,当选择Queen空间权重矩阵时,空间滞后模型中的空间自回归系数ρ仅为-0.0002,并且远没有通过显著性检验.而第3列的空间误差模型结果中可以看到空间自回归系数λ高度显著.从回归结果来看支持LM检验的结论,即当选择Queen空间权重矩阵时应该选择空间误差模型.第4~5列显示了基于距离空间权重矩阵的空间滞后模型和空间误差模型结果,可以发现空间自回归系数ρ和空间自回归系数λ均十分显著.表 2第6~8列报告了K3、K5和K7空间权重矩阵设定下空间滞后模型的回归估计结果,从空间自回归系数ρ的估计值大小来看,随着邻居数量增多,空间回归系数ρ表现出了增加的趋势,并且,对数似然值也随之变大,这说明在空间中影响的邻居数越多,AQI的空间依赖性越强,模型也在逐渐改善.
由于选用不同的空间权重估计的结果有很大差异,也没有理论可以指明哪种空间权重矩阵更优.鉴于此,本文重新考虑了一个更具有弹性的空间权重矩阵,如公式(7)所示.
(7) |
式中,φ表示衰减参数(Decay parameter),取值范围在0到1之间;m表示最近邻居空间权重矩阵Ni的可变数量,下标i指的是对于第i个最近邻居包含非0元素的权重矩阵(LeSage and Pace, 2009).φi表示第i个个体邻居矩阵施加的相对效应,换言之,MESS模型中的S在构造和使用中依赖于衰减参数φ和邻居数m.在本例研究中,城市AQI的影响作用很显然随着距离发生衰减,因此该空间权重非常适合.
本文基于指数衰减效应估计了AQI影响因素的MESS模型,估计结果如表 3所示.
为了比较模型,表 3第2列给出了Queen空间权重矩阵MESS模型的估计结果.结果显示:α的估计系数为0.0002,通过公式ρ=1-eα可以换算出ρ=-0.0002,这与空间滞后模型(表 2第2列)估计的结果是一致的.
基于指数衰减效应的MESS模型涉及到2个重要参数的设定,一个是衰减参数φ,另一个是最大的邻居数m.通过多次模拟发现,MESS模型估计结果对邻居数选择的大小并不敏感,对衰减参数φ的选择十分敏感.表5分别给出了φ=0.3, m=8、φ=0.4, m=7和φ=0.5, m=8, 3种典型设定的情况.可以发现,当φ=0.5, m=8时,模型的拟合优度最高,对数似然值最大,空间自回归系数也最大.这是因为当衰减参数φ设置的越小,影响作用随着邻近阶数的增加而迅速衰减,通过多次模拟比较发现,当φ=0.5, m=8时模型最佳,并且从MESS模型估计的结果来看(α=-0.1492,折算后的ρ=0.1386),与基于3个最近邻居空间权重矩阵空间滞后模型的估计结果很接近(ρ=0.1440)(表 2第6列).但是,MESS模型不仅在矩阵求解方面相对于空间滞后模型来说更为便捷,而且在理论解释方面也明显优于基于邻近性空间权重矩阵的空间滞后模型.对于研究空气污染问题来说,MESS模型与空间滞后模型相比,基于衰减效应的MESS模型不仅揭示了城市AQI之间的空间依赖性,而且还考虑到了衰减效应,并且可以具体的计算出衰减效应的数值.依据表 3中MESS模型的估计结果,本文可以得出以下结论.
人均地区生产总值(GDP)对AQI有显著地正向影响.收入水平是影响环境的重要因素.随着收入水平不断地提高,不但没有降低空气污染,反而还加剧了污染程度.经济增长使得化石燃料消耗的激增,从而导致了污染物排放量的增加,恶化了空气质量.我国GDP增长仍以牺牲环境质量作为代价.
外商直接投资(FDI)对AQI有显著地负向影响.外商直接投资对我国的空气质量起到了改善作用,这是因为外资的流入为中国带来了先进的技术和完善的管理体系.另外,外资倾向使用清洁能源,在一定程度上减少了污染物排放,对环境起到了保护作用(白俊红和吕晓红,2015).此外,中国政府对高污染高能耗行业的外资准入进行了严格的限制,使得进入我国的外资企业大都是技术水平高、污染低的行业.
人口密度(Density)与AQI呈现显著地负相关关系.人口在选择迁移的城市时,往往会倾向于选择空气质量好的城市.这说明人们的环保意识正在不断提高,对环境治理的诉求也随之上升,这使得政府不得不加大对环境的改善力度,降低空气污染.
二氧化硫(SO2)和细颗粒物(PM2.5)均与AQI存在显著地正相关关系.SO2和PM2.5是AQI的重要指标,同时也是空气污染最主要的污染物.
4 结论(Conclusions)本文利用2014年中国150个城市的样本数据,采用空间回归模型研究中国城市空气质量指数的社会经济影响因素.研究结果发现,矩阵指数空间设定模型在模型解释力方面要优于空间滞后模型,并且城市间空气污染呈现出空间衰减效应.对于研究空气污染问题来说,矩阵指数空间设定模型设定了衰减指数和最大邻居数,模型在解释方面不仅优于空间滞后模型,也优于高阶地理邻近性空间权重矩阵的空间滞后模型.对于研究具有明显空间依赖性的环境污染问题来说,矩阵指数空间设定模型具有较为广泛的应用意义.此外,人均地区生产总值、SO2排放量、PM2.5浓度与空气质量指数呈现正相关关系,而FDI和人口密度与空气质量指数呈现负相关关系.基于研究结论.
5 政策建议(Policy recommendation)1) 各地政府在防治空气污染方面起着主导作用.因此,政府应该首要提高环境监测水平,制定和完善大气环境管理的相关法规和政策体系.另外,地方政府提高环境征税标准,彻底落实“谁污染谁治理”的治理原则.更为重要的是,空气污染具有明显的空间溢出效应和区域集聚特征,这意味着单边治理空气污染问题会变得徒劳无功,因为邻近地区的空气污染会影响到周围地区.从地理衰减效应来看,距离越近的地区,受到的污染影响越大.因此,当地政府需要和邻近地区的政府加强共同防止空气污染的措施,形成区域联防联控机制.然而,地方政府的决策往往会基于当地自身经济发展的实际利益,这就使得中央政府应该主导协调地方政府达成有效的区域联防联控机制,运用组织和制度打破行政区域的界限,共同规划和实施污染治理方案,这对有效地治理空气污染大有裨益.
2) 企业生产活动所产生的污染物排放是空气污染的主要来源,因此,治理企业的排污是解决空气污染的重要途径.但是,由于企业的生产活动以利润为导向,企业没有激励机制主动减排,这就使得政府需要制定财政政策鼓励高污染企业减排,同时也需制定补贴政策帮助企业升级生产设备,使其在先进的技术设备下获取更高收益的同时减少大气污染物的排放.此外,政府在制定引进外资的政策时,必须要限制高污染企业的进驻,积极并鼓励高科技、高附加值、清洁生产的外资企业.这是因为优质的外资企业不仅可以提高当地的经济发展,同时外资先进技术的空间溢出效应也有助于本地企业的技术改善.另一方面,企业也应该积极开展绿色创新活动,严格履行相关环保法案,为改善空气质量承担必要的社会责任.
3) 民众是空气污染治理中不可缺少的一个环节.一方面,政府应该鼓励民众积极参与环保行动,监督企业排污活动,及时制止“偷排”行为,并向环保部门举报.另一方面,政府应当大力宣传环境保护,提高民众的环保意识.例如,鼓励民众在生活中使用清洁能源,选购电动汽车等作为出行的交通工具.把“绿色优先,低碳优先”的绿色环保理念根植到家庭教育,倡导民众过绿色低碳生活.
Anselin L. 1988. Lagrange multiplier test diagnostics for spatial dependence and spatial heterogeneity[J]. Geographical Analysis, 20(1): 1–17.
|
Anselin L. 1990. Some robust approaches to testing and estimation in spatial econometrics[J]. Journal of Regional Science, 20(2): 141–163.
|
白俊红, 吕晓红. 2015. FDI质量与中国环境污染的改善[J]. 国际贸易问题, 2015(8): 72–83.
|
Barry R P, Pace R K. 1999. Monte Carlo estimates of the log determinant of large sparse matrices[J]. Linear Algebra and its applications, 289(1/3): 41–54.
|
Chen Y, Ebenstein A, Greenstone M, et al. 2013. From the cover:evidence on the impact of sustained exposure to air pollution on life expectancy from China's Huai river policy[J]. Proceedings of the National Academy of Sciences of the United States of America, 110(32): 12936–12941.
DOI:10.1073/pnas.1300018110
|
Chiu T Y M, Leonard T, Tsui K W. 1996. The matrix-logarithmic covariance model[J]. Journal of the American Statistical Association, 91(433): 198–210.
DOI:10.1080/01621459.1996.10476677
|
Cliff A D, Ord J K. 1981. Spatial Processes:Models & Applications[M]. London: Pion.
|
段成荣, 吕利丹, 邹湘江. 2013. 当前我国流动人口面临的主要问题和对策——基于2010年第六次全国人口普查数据的分析[J]. 人口研究, 2013, 37(2): 17–24.
|
高庆先, 刘俊蓉, 王宁, 等. 2015. APEC期间北京及周边城市AQI区域特征及天气背景分析[J]. 环境科学, 2015, 36(11): 3952–3960.
|
郭宇宏, 王自发, 康宏, 等. 2014. 机动车尾气排放对城市空气质量的影响研究——以乌鲁木齐市春节前后对比分析[J]. 环境科学学报, 2014, 34(5): 1109–1117.
|
Herrerias M J, Cuadros A, Orts V. 2013. Energy intensity and investment ownership across Chinese provinces[J]. Energy Economics, 36(3): 286–298.
|
Hu J, Ying Q, Wang Y, et al. 2015. Characterizing multi-pollutant air pollution in China:Comparison of three air quality indices[J]. Environment International, 84: 17–25.
DOI:10.1016/j.envint.2015.06.014
|
Huang R J, Zhang Y, Bozzetti C, et al. 2014. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature, 514(7521): 218–222.
DOI:10.1038/nature13774
|
姜磊. 2016. 空间回归模型选择的反思[J]. 统计与信息论坛, 2016, 31(10): 10–16.
DOI:10.3969/j.issn.1007-3116.2016.10.002 |
Jiang L, Folmer H, Ji M, et al. 2016. Energy efficiency in the Chinese provinces:a fixed effects stochastic frontier spatial Durbin error panel analysis[J]. Annals of Regional Science, 58(2): 301–319.
|
Kulmala M. 2015. China's choking cocktail[J]. Nature, 526(7574): 497–499.
DOI:10.1038/526497a
|
LeSage J P, Pace R K. 2007. A matrix exponential spatial specification[J]. Journal of Econometrics, 140(1): 190–214.
DOI:10.1016/j.jeconom.2006.09.007
|
LeSage J P, Pace R K. 2009. Introduction to Spatial Econometrics[M]. CRC Press
|
李红, 曾凡刚. 2002. 可吸入颗粒物对人体健康危害的研究进展[J]. 环境与健康杂志, 2002, 19(1): 85–89.
|
梁银双, 刘黎明. 2015. 冬季供暖对北京市空气质量影响的效应测算[J]. 环境科学与技术, 2015, 38(12): 272–275.
|
蔺雪芹, 王岱. 2016. 中国城市空气质量时空演化特征及社会经济驱动力[J]. 地理学报, 2016, 71(8): 1357–1371.
|
刘华军, 杜广杰. 2016. 中国城市大气污染的空间格局与分布动态演进——基于161个城市AQI及6种分项污染物的实证[J]. 经济地理, 2016, 36(10): 33–38.
|
刘满凤, 谢晗进. 2016. 基于空气质量指数AQI的污染集聚空间异质性分析[J]. 经济地理, 2016, 36(8): 166–175.
|
Lorenz E N. 1956. Empirical orthogonal functions and statistical weather prediction[R]. Science Report 1, Statistical Forecasting Project, Department of Meteorology, MIT (NTIS AD 110268), 49 PP
|
苗艳青, 陈文晶. 2010. 空气污染和健康需求:Grossan模型的应用[J]. 世界经济, 2010(6): 140–160.
|
Moran P A P. 1950. Notes on continuous stochastic phenomena[J]. Biometrika, 37(1/2): 17–23.
DOI:10.2307/2332142
|
庞轶舒, 祝从文, 刘凯. 2014. 中国夏季降水异常EOF模态的时间稳定性分析[J]. 大气科学, 2014, 38(6): 1137–1146.
|
Pearson K. 1902. On lines and planes of closest fit to systems of points in space[J]. Philosophical Magazine, 2(6): 559–572.
|
Shahbaz M, Nasreen S, Abbas F, et al. 2015. Does foreign direct investment impede environmental quality in high, middle and low-income countries?[J]. Energy Economics, 51: 275–287.
DOI:10.1016/j.eneco.2015.06.014
|
Shen X J, Sun J Y, Zhang X Y, et al. 2015. Characterization of submicron aerosols and effect on visibility during a severe haze-fog episode in Yangtze River Delta, China[J]. Atmospheric Environment, 120: 307–316.
DOI:10.1016/j.atmosenv.2015.09.011
|
Stern D I. 2004. The rise and fall of the environmental Kuznets curve[J]. World Development, 32(8): 1419–1439.
DOI:10.1016/j.worlddev.2004.03.004
|
陶双成, 邓顺熙, 高硕晗, 等. 2016. 北京采暖期典型区域环境空气污染特征分析[J]. 生态环境学报, 2016(11): 1741–1747.
|
Tong Z, Chen Y, Malkawi A, et al. 2016. Energy saving potential of natural ventilation in China:The impact of ambient air pollution[J]. Applied Energy, 179: 660–668.
DOI:10.1016/j.apenergy.2016.07.019
|
Wang H, Xu J, Zhang M, et al. 2014. A study of the meteorological causes of a prolonged and severe haze episode in January 2013 over central-eastern China[J]. Atmospheric Environment, 98(98): 146–157.
|
Wang M, Cao C, Li G, et al. 2015. Analysis of a severe prolonged regional haze episode in the Yangtze River Delta, China[J]. Atmospheric Environment, 102: 112–121.
DOI:10.1016/j.atmosenv.2014.11.038
|
徐甜, 王志远, 张兵, 等. 2016. 中国环境保护重点城市空气质量指数时空变化特征[J]. 中国公共卫生, 2016, 32(8): 1027–1031.
DOI:10.11847//zgggws2016-32-08-06 |
Zhang L, Wang T, Lv M, et al. 2015. On the severe haze in Beijing during January 2013:Unraveling the effects of meteorological anomalies with WRF-Chem[J]. Atmospheric Environment, 104: 11–21.
DOI:10.1016/j.atmosenv.2015.01.001
|
中华人民共和国环境保护部. 2012. HJ633-2012环境空气质量指数(AQI)技术规定(试行)[S]. 北京: 中国环境科学出版社
|
Zhu X, Zhuang G, Xiong N. 2014. A review of China's approaches toward a sustainable energy future:the period since 1990[J]. Wiley Interdisciplinary Reviews Energy & Environment, 3(5): 409–423.
|
周瑞, 辛金元, 邢立亭, 等. 2011. 唐山工业新区冬季采暖期大气污染变化特征研究[J]. 环境科学, 2011, 32(7): 1874–1880.
|