一、引言

改革开放以来，中国经济创造了40年持续高速增长的奇迹。与此同时，以高能耗、高污染、高排放等为特征的粗放型增长方式带来了沉重的环境代价。最典型的例子是中国工业化程度最高的地区雾霾污染肆虐。胡焕庸线以东，长江以北的广大地区成为中国雾霾污染的重灾区，见图 1。不少学者对中国经济增长与雾霾污染之间的关系进行了探讨，例如，吴玉萍等(2002)、何枫等(2016)等。其中，吴玉萍等(2002)以北京市为例验证了经济增长与雾霾污染之间存在EKC曲线(the Environmental Kuznets Curve)关系；何枫等(2016)基于2001-2012年省域面板数据，对中国经济增长与雾霾污染之间是否存在EKC曲线关系进行了检验。结果发现，经济增长与雾霾污染之间呈现出N型关系。上述研究对中国雾霾污染治理政策的有效制定做出了贡献，但也应该看到它们在研究方法、样本容量等方面还存在一些不足，尤其是大多研究没有考虑雾霾污染的空间溢出效应(马丽梅、张晓，2014)，得出的结果可能是有偏误的。在前人研究的基础上，本文拟对此领域进行深入研究。

① 图 1中的0值为281个地级及以上城市以外的区域，为了“中国雾霾污染空间分布图”的美观性与完整性，我们没有将其剔除。在雾霾污染的空间分布方面，我们的研究结果与邵帅等(2016)的相似。这证明了我们数据的可靠性。在后文做实证研究时，基于空间因素具有异质性特点以及中国雾霾污染空间分布实际情况的考虑，我们将中国划分为东部地区、中西部地区。两大区域都包括东北地区。

本文的理论来源是EKC曲线假说, 重点关注中国雾霾污染是否存在EKC曲线以及雾霾污染治理的经济政策启示。具体而言，我们基于van Donkelaar et al.(2018)的方法与数据，利用ArcGIS软件解析出了2003-2016年中国281个地级及以上城市的PM_2.5年均浓度的数值，采用人均实际GDP作为经济增长的代理变量，公共汽电车客运总数作为交通运输强度的代理变量，财政经费支出中用于科学技术方面的支出占GDP的比重作为科技水平的代理变量，财政经费支出中用于教育方面的支出占总支出的比重作为教育水平的代理变量，泰尔指数作为产业结构合理化的代理变量以及FDI，基于动态空间杜宾面板数据模型(Spatial Dynamic Durbin Panel Data Model，SDDPDM)研究经济增长、交通运输强度、科技水平、产业结构合理化、教育水平及FDI与雾霾污染之间的关系。本文尝试回答三个已经被有关学者回答，但尚未回答全面的问题：一是中国雾霾污染是否存在EKC曲线？如果存在，那么中国(整体)、东部地区及中西部地区雾霾污染EKC曲线是否在统计学意义上均显著？二是除了邵帅等(2016)筛选出的引致中国雾霾污染空间溢出效应的因素之外，还有哪些？三是这些因素会给雾霾污染治理带来哪些经济政策启示？本文通过对上述问题的回答，为中国雾霾治理提供决策参考。

本文的剩余部分这样安排：第二部分为文献综述与研究创新，第三部分为研究设计与数据说明，第四部分为回归结果与讨论，第五部分为结论及政策启示。

二、文献综述与研究创新

目前，国内外文献关于经济增长与环境污染之间关系的研究结论主要可以分为三类：一是经济增长与环境污染呈现出倒U型关系，即存在EKC曲线关系；二是经济增长与环境污染因区域不同而呈现不同的关系；三是其它关系。

首先，我们来看第一类文献。Grossman and Krugger(1991)基于42个国家的数据研究了经济增长与空气质量之间的关系。结果发现，在人均GDP收入低的国家，二氧化硫与烟尘浓度会增加；在收入水平较高的国家，二氧化硫与烟尘浓度会随着人均GDP的增加而减少。Solarin et al.(2017)采用自回归分布滞后模型(ARDL)，检验了印度与中国1965-2013年CO₂排放、水电消耗、城市化及实际GDP之间的关系。结果发现，EKC曲线在上述两个国家存在。类似的文献还有Tamazian and Rao(2010)、孟凡蓉等(2016)、Aslan et al.(2018)及Olale et al.(2018)。

其次，我们来看第二类文献。高静、黄繁华(2011)基于1990-2009年30个省域面板数据对中国EKC曲线是否存在进行了检验。结果发现，东部地区经济增长与环境污染之间存在EKC曲线关系，中部地区经济增长与环境污染之间不存在EKC曲线关系，西部地区经济增长与环境污染之间存在正U型曲线关系。孙英杰、林春(2018)基于2000-2015年中国省域面板数据，采用GMM估计方法研究了经济增长与环境规制之间的关系。结果发现，从中国(整体)层面来看，经济增长与环境规制之间存在EKC曲线关系；从地区层面来看，中部地区、西部地区的经济增长与环境规制两者之间存在EKC曲线关系，而东部地区的两者之间不存在EKC曲线关系。发达国家经济增长与环境污染之间存在EKC曲线关系而发展中国家则不存在(Aslan et al., 2018；Akbostanc et al., 2009)。

最后，我们来看第三类文献。此类文献中经济增长与环境污染之间呈现出的关系主要包括：正U型关系、N型关系、单调递减关系及正相关关系。邵帅等(2016)基于1998-2012年中国省域PM_2.5浓度面板数据，采用多种空间分析技术对影响雾霾污染的关键因素进行了经验研究和相应的治霾政策讨论。研究发现，经济增长与雾霾污染之间呈现出显著的正U型关系。卢华、孙华臣(2015)基于省会城市与直辖市数据，采用探索性空间数据分析(Exploratory Spatial Data Analysis，ESDA)方法对经济增长与雾霾污染之间的关系进行了检验。结果发现，经济增长与雾霾污染之间呈现出N型关系。Özokcu and Özdemirb(2017)、Pala and Mitra(2017)有类似发现。刘华军、裴延峰(2017)基于160个地级及以上城市经济增长、PM₁₀及PM_2.5数据，采用空间Tobit模型检验了EKC曲线是否存在。结果发现，经济增长与雾霾污染之间呈现出单调递减关系。Zambrano-Monserrate et al.(2017)采用自回归分布滞后模型(ARDL)，考察了1980-2011年秘鲁GDP与CO₂排放之间的关系。结果发现，GDP与环境退化之间呈现出正相关关系。

综上所述，我们发现，目前研究经济增长与环境污染之间关系的文章主要存在以下问题：一是忽略了空间因素(黄莹等，2009)。环境污染具有明显的空间溢出效应，这一点已被学术界证实。对空间因素的忽略可能会导致估计偏误产生。二是使用的样本和(或)样本容量较小，以省域数据为主，考察期较短。三是以省域数据为基础，将中国划分为东部地区、中部地区、西部地区三大区域或东部地区、中西部地区两大区域进行研究。与地级及以上城市数据相比，由于省域数据过于综合，很容易引起加总偏误。四是包括上述三者的全部或部分。

鉴于此，本文着重在三个方面增加边际贡献：一是考虑到雾霾污染具有一定的时空滞后特征，因此，在进行回归时采用SDDPDM模型。SDM模型包括空间误差模型(Spatial Error Model，SEM)、空间滞后模型(Spatial Lag Model，SLM)，是空间模型的一般起点，它摒弃了直接采用变量回归系数对经济现象进行解释的传统，改用直接效应、间接效应及总效应，这样可能会在一定程度上减少偏误(孙攀等，2017)。二是增大了样本和样本容量。主要是基于美国国家航空航天局社会经济数据和应用中心(NASA Socioeconomic Data and Applications Center，SEDAC)提供的由van Donkelaar et al.(2018)制作的剔除了灰尘与海盐(dust and sea-salt removed)之后的全球年均PM_2.5浓度卫星遥感地图，我们利用ArcGIS软件将其解析为2003-2016年中国281个地级及以上城市的年均PM_2.5的具体数值。三是基于中国281个地级及以上城市的面板数据及距离倒数空间权重矩阵，采用SDDPDM模型首次验证了中国雾霾污染EKC曲线的存在。同时，基于地级及以上城市空间要素异质性的考虑，将样本按区域划分为东部地区、中西部地区，分别采用上述两个地区地级及以上城市的面板数据及距离倒数空间权重矩阵，相同的技术与方法验证了上述两个地区雾霾污染EKC曲线的存在。

三、研究设计与数据说明 (一) 研究设计

1.变量

雾霾污染。因为雾霾污染的数据不能直接获得，故需要使用代理变量。目前，关于雾霾污染的代理变量很多，代表性文献见表 1。考虑到雾霾污染的主要污染物为PM_2.5，其浓度大约占总悬浮颗粒物(Total Suspended Particles, TSP)的56.7%~75.4%，占PM₁₀的80%~90%以上，因此，本文使用年均PM_2.5浓度值作为雾霾污染的代理变量。

经济增长。经济增长与环境污染之间的“倒U型(inverted U-shaped)”关系被称为EKC曲线(Kuznets，1955)。本文的核心解释变量为经济增长，使用人均实际GDP(GDPPC)作为经济增长的代理变量(张凯强、台航，2018)。我们预期其回归系数为正。下面简要对雾霾污染EKC曲线的主要内容进行概述。

雾霾污染EKC曲线分为三个阶段：第一个阶段在拐点之前，在此阶段，雾霾污染随着经济增长而加剧；第二个阶段是拐点；第三个阶段在拐点之后，在此阶段，雾霾污染随着经济增长而改善。

交通运输强度。我们在进行文献调研时发现，由交通运输导致的汽车尾气污染是雾霾污染的重要因素之一(李勇等，2014)。另外，考虑到数据的可得性，以及公共汽电车客运总数(Total Annual Volume of Passengers Transported by Buses and Trolley Buses，TAVPTBTB)在一定程度上可以反映交通运输强度，因此本文采用TAVPTBTB作为交通运输强度的代理变量。我们预期其回归系数为正。

科技水平。考虑到科技水平(SCITECH)可能会对雾霾污染治理产生积极的促进作用，我们将其作为控制变量。本文借鉴李斌、卢娟(2017)的做法，将地级及以上城市的财政支出中的科学技术支出占该地级及以上城市GDP的比重作为科技水平的代理变量。我们预期其回归系数为负。

产业结构合理化。考虑到合理的产业结构可能会降低雾霾污染，我们将其作为控制变量。本文借鉴干春晖等(2011)与孙攀等(2018)的做法，将泰尔指数(Theil Index，TI)^①作为产业结构合理化的代理变量。我们预期其回归系数为正。

① TI表示泰尔指数，$T I=\sum_{i=1}^{n}\left(\frac{Y_{i}}{Y}\right) \ln \left(\frac{Y_{i} / L_{i}}{Y / L}\right)$，其中：Y、L分别表示产值、就业；i表示产业；n表示产业部门数；$\frac{Y}{L}$表示生产率；当TI=0，即$\frac{Y_{i} / L_{i}}{Y / L}=1$时，表示经济均衡；当TI≠0时，表示产业结构偏离了均衡状态。

教育水平。教育水平(EDU)的提高可能会让人的整体素质提升，这也意味着人力资本会得到提高，从而在生活、工作中对雾霾污染的产生起到抑制作用。本文将教育水平作为控制变量, 借鉴王晓玲等(2015)的做法，将财政支出中的教育支出占财政支出的比重作为教育水平的代理变量。我们预期其回归系数为负。

外商直接投资(FDI)。考虑到如果绝大多数FDI流入高耗能、高污染及高排放产业，这样就会对雾霾污染的产生起到推波助澜的作用，反之，则有利于雾霾治理。因此，将其作为控制变量。我们预期其回归系数为正或者负。

需要说明的问题。造成中国雾霾污染的主要因素包括：交通运输、产业结构及能源结构(邵帅等，2016)，本文仅使用了前两个作为控制变量。主要原因在于，本文数据的主要来源是2004-2017年《中国城市统计年鉴》中地级及以上城市的数据，在本文的考察期内，该年鉴有关能源结构的数据不可获得。一些可以作为能源结构的代理变量，诸如工业用电等多数年份为市辖区数据，误差明显，因此没有采用。

2.空间权重矩阵

空间计量经济学中经典的空间权重矩阵为邻接矩阵(queen邻接、rook邻接)和距离矩阵(矩阵倒数矩阵、距离倒数平方矩阵等)。考虑到雾霾污染具有明显的域际传输性，它不仅仅同区域与区域之间是否邻接有关，更同区域与区域之间的距离密切相关，因此本文实证部分采用距离倒数空间权重矩阵。本文采用Stata软件并利用281个地级及以上城市的经纬度生成dta格式的距离倒数空间权重矩阵，进而转换成极大似然估计专用spmat格式距离倒数空间权重矩阵，最后，使用xsmle命令对相关面板数据进行回归。

在进行空间自相关检验时，我们采用GeoDa软件，基于queen邻接空间权重矩阵、rook邻接空间权重矩阵、距离空间权重矩阵及距离倒数空间权重矩阵求Moran's Ⅰ，结果发现，不管采用何种空间权重矩阵被解释变量及核心解释变量的Moran's Ⅰ均非常显著。上述实验结果表明，被解释变量及核心解释变量的空间自相关性很稳定。本文在计算Moran's Ⅰ时使用的是queen邻接空间权重矩阵。

3.模型设定

在进行模型设定之前，一方面，我们对被解释变量与核心解释变量的空间自相关性进行了检验，结果发现，它们的Moran's Ⅰ值非常大且显著，见表 2。另一方面，我们采用GeoDa软件绘制了被解释变量与核心解释变量的莫兰散点图(Moran's Scatter Plot)，见图 3至图 4。图 3至图 4显示，半数以上的地级及以上城市落在第一和第三象限，呈现出高-高、低-低聚集特征，这表明地理因素已经成为影响中国雾霾污染治理的主要因素之一。因此，本文采用空间计量经济学模型对中国雾霾污染与经济增长之间是否存在EKC曲线以及雾霾污染治理的经济政策选择问题进行深入研究。

本文使用SDM模型进行回归的主要原因：一是作为被解释变量的雾霾污染具有空间溢出效应(邵帅等，2016)；二是SDM模型是空间计量经济学中最基本的模型，它包括SEM模型和SLM模型(Lesage and Pace, 2009)；三是与直接使用回归系数解释经济问题的其它模型相比，SDM模型通过对直接效应、间接效应及总效应的测度来解释经济问题，偏误可能较小(孙攀等，2017)。

本文的实证模型采用了SDDPDM模型，具体回归方程如下：

$ \begin{align} & P{{M}_{2.5it}}=\alpha +\tau P{{M}_{2.5it-1}}+\rho \sum\limits_{j=1}^{N}{{{w}_{ij}}}P{{M}_{2.5jt}}+{{\beta }_{1}}GDPP{{C}_{it}}+{{\beta }_{2}}GDPPC_{it}^{2}+\beta {{X}_{it}}\ \\ & \ \ \ \ \ \ \ \ \ \ +{{\theta }_{1}}\sum\limits_{j=1}^{N}{{{w}_{ij}}}GDPP{{C}_{jt}}+{{\theta }_{2}}\sum\limits_{j=1}^{N}{{{w}_{ig}}}GDPPC_{jt}^{2}+\theta \sum\limits_{j=1}^{N}{{{w}_{ij}}}{{X}_{jt}}+{{\mu }_{i}}+{{\gamma }_{t}}+{{\varepsilon }_{it}} \\ \end{align} $

(1)

其中：α表示常数；PM_2.5it表示i地级及以上城市在t年的雾霾年均浓度值，同理，PM_2.5jt表示j地级及以上城市在t年的雾霾年均浓度值；GDPPC_it表示i地级及以上城市在t年的经济增长，同理，GDPPC_jt表示j地级及以上城市在t年的经济增长。X_it表示控制变量向量，其包括：交通运输强度(TAVPTBTB_it)、科技水平(SCITECH_it)、产业结构合理化(TI_it)、教育水平(EDU_it)及外商直接投资(FDI_it)。μ_i表示地区效应；γ_t表示时间效应；ε_it表示随机扰动项。当τ=0时，该模型为静态面板数据模型；当τ≠0时，该模型为动态面板数据模型。

(二) 数据说明

本文的原始数据主要来源于两个方面：一是NASA提供的由van Donkelaar et al.(2018)制作的剔除了灰尘与海盐之后的全球年均PM_2.5浓度卫星遥感地图，我们利用ArcGIS软件将其解析为2003-2016年中国281个地级及以上城市的年均PM_2.5的具体数值。卫星监测数据是全球大气化学模拟模型构建的基准和大气污染清单编制的依据，它属于面源数据，能够全面地对一个地区的PM_2.5浓度及其变化趋势予以更为准确地反映，因此，采用此数据研究雾霾污染问题比较可靠。二是2004-2017年《中国城市统计年鉴》。

一般而言，为尽可能消除量纲、异方差及异常值对模型的影响，并使各因素的影响程度具有可比较性，在各变量进入模型时应对所有变量进行对数化处理。考虑到本文中近半数变量数值位于[0, 1]区间，如果进行对数化处理则会出现变量数值为负的情况，从而可能影响回归的正确性。因此，我们对变量的量纲做了处理，这样能在最大程度上消除异方差与异常值对模型造成的消极影响。数据说明与变量的描述性统计，见表 3。

四、回归结果与讨论

整个实证分析由两大部分组成：第一部分，基于281个地级及以上城市距离倒数空间权重矩阵，使用SDDPDM模型对上述城市的面板数据进行回归；第二部分，将281个地级及以上城市按东部地区、中西部地区进行划分，使用源于同一技术生成的东部地区与中西部地区距离倒数空间权重矩阵、同一模型及方法分别对两大区域面板数据进行回归。回归结果见表 4-6。需要特别指出的是，所有回归都进行了四个检验：空间自相关检验、稳健性检验、Hausman检验及SDM模型是否会退化为SEM模型或SLM模型的检验。检验结果良好。

(一) 281个地级及以上城市回归结果与讨论

281个地级及以上城市回归结果见表 4。表 4显示，被解释变量的时间滞后项(PM_2.5t-1)系数(τ)、空间滞后项(W*PM_2.5)系数(ρ)及随机误差项的标准差的平方(sigma2_e)的系数均在1%的水平上通过了显著性检验；Log-likelihood与R-sq也较为合理。因此整体而言，回归效果较好。下面，我们对回归结果进行经济学意义解释。

在其它影响因素不变的情况下，本地GDPPC每提高1%，平均意义上，将分别使本地级及以上城市、邻近地级及以上城市及总PM_2.5提高0.004%、0.046%及0.050%。我们进一步考察了GDPPC与GDPPC二次项的符号，结果发现，其分别是显著为正与负。换言之，中国经济增长与雾霾污染之间呈现出显著的倒U型关系，符合EKC曲线假说。中国正处于雾霾污染EKC曲线的第一阶段。

在其它影响因素不变的情况下，本地TAVPTBTB每提高1%，平均意义上，将分别使邻近地级及以上城市及总PM_2.5提高0.110%、0.111%。本地PM_2.5也会相应提高，但没有通过显著性检验。这表明，交通运输对中国雾霾污染治理起到了消极的作用。同理，本地SCITECH每提高1%，平均意义上，将分别使本地级及以上城市、邻近地级及以上城市及总PM_2.5下降0.011%、1.219%及1.230%。显而易见，科技水平的提高对降低雾霾污染的作用非常明显。同理，本地TI每降低1%，平均意义上，将分别使本地级及以上城市、邻近地级及以上城市及总PM_2.5下降0.014%、2.208%及2.222%。不难发现，产业结构合理化程度的提高非常有利于降低雾霾污染。同理，本地EDU每提高1%，平均意义上，将分别使本地级及以上城市、邻近地级及以上城市及总PM_2.5下降0.058%、0.764%及0.822%。显然，教育水平的提高能显著地降低雾霾污染。这与我们的预期一致。虽然FDI的系数为正值，与理论预期一致，但是其在统计学意义上不显著。这可能是由于引入的FDI质量良莠不齐造成的。

(二) 分地区地级及以上城市回归结果与讨论

分地区地级及以上城市回归结果见表 5与表 6。同上分析，我们发现，东部地区与中西部地区地级及以上城市SDDPDM模型的回归效果较好。下面，对其进行对比分析。

东部地区与中西部地区地级及以上城市的GDPPC的一次项、二次项的符号均分别为正、负，这与理论预期一致。但是中西部地区地级及以上城市GDPPC的二次项的符号在统计学意义上不显著。^①与中西部地区地级及以上城市相比，东部地区地级及以上城市经济增长对雾霾污染治理所起的负面作用较大。

① 表 4与表 5中的回归结果表明，区域经济发展水平离雾霾污染EKC曲线拐点越近，该区域雾霾污染EKC曲线越显著；反之，则越不显著。东部地区与中西部地区都处于雾霾污染EKC曲线第一阶段，东部地区经济发展水平离东部地区雾霾污染EKC曲线拐点的距离较近，而中西部地区经济发展水平离中西部地区雾霾污染EKC曲线拐点的距离较远。因此，中西部地区雾霾污染EKC曲线在统计学意义上不显著。

东部地区、中西部地区地级及以上城市TAVPTBTB的系数符号与预期一致，但没有通过显著性检验。东部地区与中西部地区地级及以上城市SCITECH的系数符号与理论预期相同，即都为负号。与中西部地区地级及以上城市相比，东部地区地级及以上城市SCITECH对雾霾污染治理的积极贡献更大。这可能是由于东部地区科技水平质量较高决定的。东部地区与中西部地区地级及以上城市TI的系数符号与理论预期相同，即都为正号。与东部地区地级及以上城市相比，中西部地区地级及以上城市TI对雾霾污染治理的积极贡献更大。东部地区、中西部地区地级及以上城市EDU的系数符号与理论预期相同，即为负号。东部地区地级及以上城市EDU的效应值在统计学意义上不显著。^②中西部地区地级及以上城市EDU对雾霾污染治理的积极贡献显著。东部地区地级及以上城市FDI对中国雾霾污染治理起到了消极作用，但没有通过显著性检验。中西部地区地级及以上城市FDI对中国雾霾污染治理起到了较为显著的积极作用。之所以会出现此种局面，可能与近十年来地广人稀的中西部地区大力将FDI引入光伏发电等清洁能源产业有关。

② 这可能是因为：东部地区教育水平较高意味着其人力资本也较高，但是应注意到这样一个事实，中西部地区劳动力外流的主要目的地是东部地区，这样以来，以常住人口计算的东部地区平均人力资本会被拉低，从而导致虽然东部地区教育水平对雾霾污染治理能起到积极作用但是缺乏显著性的结果产生。

五、结论及政策启示

本文基于van Donkelaar et al.(2018)的方法与数据，利用ArcGIS软件解析出了2003-2016年281个中国地级及以上城市具体的年均PM_2.5数值，采用SDDPDM模型对中国雾霾污染是否存在EKC曲线及引致雾霾污染空间溢出的因素进行了经验识别。结果表明，雾霾污染具有显著的空间溢出效应。从中国(整体)层面来看，雾霾污染EKC曲线存在；从区域层面来看，在东部地区，雾霾污染EKC曲线存在，而在中西部地区也存在雾霾污染EKC曲线但不显著。究其原因在于，雾霾污染EKC曲线的显著性与区域经济发展水平，特别是与区域经济发展水平离该区域雾霾污染EKC曲线拐点(雾霾污染EKC曲线第二阶段)的距离有关。区域经济发展水平离雾霾污染EKC曲线拐点越近，该区域雾霾污染EKC曲线越显著；反之，则越不显著。由实证回归结果我们知道：中国(整体)、东部地区及中西部地区经济发展水平离各自雾霾污染EKC曲线拐点的距离分别为中等、较近及较远，因此，上述三种情况下的雾霾污染EKC曲线在显著性上出现了差异。

从中国(整体)层面来看，交通运输对中国雾霾污染治理起到了消极作用，科技水平、产业结构合理化及教育水平的提高均有利于雾霾污染的治理；FDI对雾霾污染治理起到了消极作用但不显著。从区域层面来看，与中西部地区相比，东部地区科技水平对雾霾污染治理的积极贡献更大且非常显著；与东部地区相比，中西部地区产业结构合理化对雾霾污染治理的积极贡献更大且非常显著，中西部地区教育水平对雾霾污染治理的积极贡献较大且显著。中西部地区FDI对雾霾污染治理起到了较为显著的积极贡献，东部地区则相反。

基于以上结论，得出如下经济政策启示。

1.涉及主要结论的经济政策启示^①

① 与被解释变量与核心解释变量相关的结论为主要结论，与其余变量相关的结论为次要结论。

涉及主要结论的经济政策启示有四点^②：一是实行雾霾污染区域联防制度；二是在中西部地区实行教育扶贫政策；三是在经济发展上给予中西部地区适当的政策倾斜措施；四是在条件允许的情况下，西迁一批国有大中型企业。

② 其中，第一点是关于“雾霾污染具有显著的空间溢出效应”的经济政策启示，第二至四点是关于“雾霾污染EKC曲线”的经济政策启示。

鉴于雾霾污染具有显著的空间溢出效应，实行雾霾污染区域联防制度势在必行。例如，实行“禁煤区”政策，将京津冀地区划为“禁煤区”，鲁豫两省划为外围“禁煤区”，落实区域雾霾治理联防政策并保证其顺利实施。现有的研究表明，禁煤的力度愈大，各省级行政单位的雾霾治理效果愈好，同时经济社会压力也愈大(姜春海等，2017)。这就要求区域雾霾污染治理协调机构在考虑雾霾治理效果的同时，也要照顾好各方的利益关切，实现减少雾霾污染与社会和谐稳定的双重目标。另外，对在协调雾霾污染治理过程中表现积极且取得良好效果的省级行政单位予以重奖，奖金由参与区域雾霾污染治理的省级行政单位事先设立的基金提供，基金的出资方可以是国家、集体或私人；对在协调雾霾污染治理过程中表现消极且取得很差效果的省级行政单位予以重罚，奖罚分明，惩一儆百。

依据EKC曲线假说，只有当经济发展达到一定水平后，雾霾污染才能随着经济增长而改善。从实证的结果来看，东部地区经济发展水平离其雾霾污染EKC曲线的拐点较近，但广大的中西部地区经济发展水平离其雾霾污染EKC曲线的拐点较远。因此，促进经济健康可持续发展，特别是中西部地区经济的健康可持续发展特别重要。下面给出三点促进中西部地区经济健康可持续发展的政策建议：

(1) 在中西部地区实行教育扶贫政策。经济发展靠人才，人才培养靠教育。建议国家在中西部地区实行十二年免费教育，甚至终身免费教育，培养当地人才，吸引外部人才。单纯地借用外部智力进行改革发展并不能从根本上破解中西部改革发展难题。重点培养一批土生土养的中西部人才，且制定出能确保留得住他们在当地立业、成才的配套措施，为中西部地区的健康可持续发展打下坚定基础。

(2) 在经济发展上给予中西部地区适当的政策倾斜措施。继续实施“西部大开发战略”与“中部地区崛起战略”，优先鼓励支持中西部地区的发展，例如，建议国家加大对中西部地区的基础设施投资，从而达到筑巢引凤的目的；在充分考虑环境保护的前提下给予到中西部地区投资办厂的企业法人以税收优惠措施，甚至免税措施。

(3) 在条件允许的情况下，西迁一批国有大中型企业。将以国内市场为主且在中西部地区能以较为便宜的市场价格获得原材料的国有大中型企业西迁。中西部地区市场庞大，当地自然资源丰富且相对廉价，国有大中型企业可以凭借此等优势生产以内销为主的商品，与中西部地区实现双赢。

2.涉及次要结论的经济政策启示

涉及次要结论的经济政策启示有四点：一是增加扶持新能源汽车产业的力度；二是加大科技与教育的经费投入；三是加快产业结构合理化的步伐；四是引导外商直接投资的流向。

(1) 增加扶持新能源汽车产业的力度。新能源汽车产业是国家新兴战略性产业，是未来中国经济实现健康、快速增长的重要引擎之一。传统汽车产业机动车尾气净化技术水平低，对中国雾霾污染治理不利。基于经济发展与环境保护的考虑，建议国家持续增加对新能源汽车产业的扶持力度。例如，以国家新能源汽车技术创新中心为平台，整合社会各种资源开展协同创新，举办中国新能源汽车年会，对为新能源汽车发展做出特别重大贡献的个人、团体给予国家级荣誉及较重的物质奖励。

(2) 加大科技与教育的经费投入。提高全社会共同参与治理雾霾污染的意识，广开募集科技与教育经费的渠道，不仅仅局限于国家或地方财政，还可以向世界环保组织、世界卫生组织、关注人类身心健康的大企业或公司、民间组织及个人等募集资金。对于向科技与教育提供资金支持的公司或企业、组织及个人，如有所需，建议税务部门在其税收减免方面给予照顾。这样有利于形成做善事有善报的社会氛围，有利于此项事业的长久开展。募集到的科技与教育资金由专门的机构负责管理，该机构要确保资金来源与去向透明并定期向社会公布相关清单。对于受资助的科技与教育类组织或机构等也要确保使用经费的透明并定期向社会公布相关清单。对于受资助期间出现擅自挪用、贪污或套取资金的科技与教育类组织或机构等不仅要取消其以后受资助的资格还要追求其相应的法律责任。同时，建议国家进一步完善此领域的立法，保证此制度能长久持续下去，造福人类健康事业。

(3) 加快产业结构合理化的步伐。一般而言，产业结构合理化要满足三个要求：一是供求结构均衡可以得到实现；二是各产业部门的发展是协调的；三是结构效益较好。各省域、各地级及以上城市应结合自身发展实际——地理优势、交通条件、历史文化及时代背景等制定适合自身发展需要的产业结构合理化政策、意见或措施，引导产业结构合理化发展。例如，上海是国际经济、金融、贸易、航运、科技创新中心，可以利用自身沿江沿海的地理优势重点发展主要面向国外客户的数字创意产业，这样既可以满足国外订单的需求和发展国家战略性新兴产业的需要，又能解决传统创意产业的半成品销售及技术升级问题，实现其与传统创意产业的协调发展，取得良好的结构效益，进而有利于上海产业结构合理化的发展。

(4) 引导外商直接投资的流向。2017年中国吸引FDI达到了1310亿美元，居世界第二。改革开放40年来，FDI显然已经成为中国经济发展中的一个重要组成部分。FDI在促进中国经济崛起方面功不可没，但是也注意到由于部分国内招商单位缺乏社会责任感将一些FDI引入到高耗能、高污染及高排放产业，这样势必会加重当前的大气环境恶化形势，对雾霾污染起到推波助澜的作用。关于污染的问题，习近平总书记曾指出：“我们既要绿水青山，也要金山银山。宁要绿水青山，不要金山银山，而且绿水青山就是金山银山。”换言之，经济发展的最终归宿是服务于人。因此，各省域、各地级及以上城市在进行招商引资时要严控FDI流入一些高耗能、高污染及高排放产业，秉持可持续发展的理念，为子孙后代营造一个良好的发展环境。

综上所述，本文基于van Donkelaar et al.(2018)制作的剔除了灰尘与海盐之后的全球年均PM_2.5浓度卫星遥感地图，利用ArcGIS软件将其解析为2003-2016年中国281个地级及以上城市的年均PM_2.5的具体数值，采用多种空间分析技术对引致中国雾霾污染的因素进行了筛选并以此为基础讨论了雾霾污染治理的经济政策选择。本文的不足之处：一是由于目前最新公布的雾霾污染原始数据时间跨度为1998-2016年，而多数解释变量仅可获得2003-2016年的数据，因此本文的考察期为2003-2016年，共计14年，为短面板数据。这对回归结果可能会有一些影响。但是，考虑到本文的考察期与国内外媒体开始关注中国雾霾污染的时间——2004年高度吻合，故上述消极影响很有限，不会对回归结果产生实质性影响。二是虽然在科技水平、教育水平的代理变量选择方面能给出依据，但是由于上述代理变量计算较为简单，难免会让人感觉有些牵强。三是在控制变量的选取方面，囿于地级及以上城市层面数据可得性的限制，没有采用诸如能源结构等造成雾霾污染的变量。考虑到本文主要检验的是中国雾霾污染EKC曲线是否存在，核心变量为PM_2.5与GDPPC，因此控制变量选取方面的轻微瑕疵对本文造成的负面影响极其有限。无论如何，述及之处的不足微乎其微，对整体回归结果及结论造成的影响几乎可以忽略不计。作者在以后的研究中将进一步弥补此方面的不足。