环境科学学报  2016, Vol. 36 Issue (10): 3833-3839
中国雾霾污染的社会经济影响因素——基于空间面板数据EBA模型实证研究    [PDF全文]
王立平, 陈俊    
合肥工业大学经济学院, 合肥 230601
摘要: 依据环境经济学理论,运用空间极限边界分析模型,采用中国2003-2013年30个省际面板数据,从经济、人口、政策三方面入手,遴选尽可能多的社会经济变量,探究中国雾霾污染的空间相关性及其影响因素.结果显示中国雾霾污染具有空间溢出效应且京津冀、长三角及中东部部分地区出现高-高集聚现象.产业结构、能源消费结构、城市建筑施工、人口规模以及汽车保有量对雾霾污染具有抗干扰性的“稳健性”影响.最后依据实证结论提出了一些政策建议,如进行雾霾区域联合防治,转变经济发展方式,清洁高效使用煤炭,合理布局城市人口等.这些建议为政府制定治理雾霾政策提供决策依据和参考.
关键词: 雾霾污染     社会经济因素     EBA模型     "稳健性"检验    
Socio-economic influential factors of haze pollution in china: Empirical study by eba model using spatial panel data
WANG Liping, CHEN Jun    
School of Economics, Hefei University of Technology, Hefei 230601
Supported by the National Natural Science Foundation of China(No.71573070, 71473068) and the Humanities and Social Sciences planning project of the Ministry of Education(No.12YJA790135)
Biography: WANG Liping(1968—), male, Ph.D., E-mail:wlphfgd@163.com
Abstract: Based on the environmental economics theory, this paper applies extreme boundary analysis (EBA) model to analyze the spatial correlation of haze pollution in China and its influential factors by selecting panel data from 30 Chinese provinces in the period of 2003 to 2013. In order to make a comprehensive analysis, we select six socio-economic factors in the aspects of economic, energy, industry, transportation, population and policy. The result shows that there exists a spatial spillover effect of haze pollution in Chinese provinces and "high-high" polarization phenomenon in Jing-Jin-Ji area, Yangtze River Delta and some other regions in the central and eastern China. We also find that some factors have anti-disturbance "robustness" impacts on the haze pollution, such as industrial structure, urban construction, energy consumption structure, vehicles ownership and population size. Finally, on the basis of empirical results, we propose policies and suggestions on haze control, i.e., regional joint prevention and control of haze, restructuring of economic development, use of coal efficiently and cleanly, and rational distribution of urban population.
Key words: haze pollution     socio-economic factors     EBA model     "robustness" test    
1 引言(Introduction)

近年来, 随着工业化和城市化进程的推进, 能源消耗量不断增加, 雾霾日数呈上升趋势, 已经引起了广泛关注, 成为环境科学领域热点问题(吴珂等, 2012王跃思等, 2013;).频发的雾霾天气, 已对人体健康、经济发展、交通安全、气候变化等产生了较大威胁(Christoforou et al., 2000Englert, 2004Peters, 2005任艳军等, 2007贾璇等, 2010).研究雾霾污染空间相关性及其影响因素, 并从经济学和社会学角度寻求治霾途径, 具有重要的现实意义.目前国内针对雾霾污染的社会经济学研究, 基本上可以概括为:①EKC曲线检验:如丁焕峰和李佩仪(2010)李斌和李拓(2014)王敏和黄莹(2015);②影响因素分析:如能源效率和结构(马丽梅和张晓, 2014), 产业结构(孙华臣和卢华, 2013), 城市化水平(宋娟等, 2012), 外商直接投资(许和连和邓玉萍, 2012), 经济增长(王立平等, 2014), 货运量(柯水发等, 2015), 人口因素(童玉芬和王莹莹, 2014)等;③污染物源解析:如张智胜等(2013)通过正交矩阵因子分析(PMF), 发现土壤尘及扬尘、生物质燃烧、机动车源及硝酸盐是污染主要来源.顾为东(2014)发现中国雾霾是传统土壤尘、燃煤、生物质燃烧、汽车尾气与垃圾焚烧、工业污染和二次无机气溶胶为凝结核生成的;④雾霾组成物质相关性分析:如杜荣光等(2014)通过对空气中颗粒物统计分析表明, 雾霾期间空气中PM2.5浓度明显偏高, PM2.5和PM10、SO2、NO2等表现出良好的相关性.

本文以空间EBA模型为分析框架, 首先检验不同地区雾霾污染的交互影响, 判断是否存在空间溢出效应, 然后根据现有研究成果尽可能多地从经济、人口及政策三个方面遴选雾霾影响因素变量, 并进行强“显著性”检验, 以期找到对雾霾污染具有抗干扰的“稳健性”影响因素.本文研究结论将为分析影响雾霾污染的社会经济因素提供新的经验证据, 并为政府治理雾霾提供决策支持.

2 因素分析与数据说明(Factors analysis and data description) 2.1 影响因素变量选取

本文以国内外现有研究成果为基础, 考虑到数据可得性, 从多维度选取15个变量对雾霾影响因素进行“稳健性”检验.

经济因素:①外商直接投资(FDI):一方面, 外企向东道国转移污染程度高的加工制造业, 并且东道国各地方政府竞相降低环境标准吸引FDI, 致使环境恶化(Liang, 2008);另一方面, 外资企业把清洁生产技术传播到东道国, 通过技术示范和溢出提高了东道国企业的生产率, 节约了要素资源禀赋投入, 进而改善环境质量, 因此该变量的实证结果难以预期(Keller and Levinson, 2002).②产业结构(IS):用第二产业增加值占地区生产总值的比重表示.不同的产业污染排放强度不同, 第二产业污染最严重, 在相同的经济总量下第二产业比重越高, 经济发展对雾霾形成的影响越严重.③产业升级(IU):第三产业产值占第二产业产值的比重.用于反映不同地区经济发展更多依赖工业还是服务业.一般该比值越大, 说明该地区经济发展更多来自第三产业, 对环境造成的破坏更小.④能源消费结构(ECS):不同能源污染物排放系数存在差异, 其中煤炭燃烧产生的雾霾组成物质明显高于其他一次能源.本文以煤炭消费量占一次能源消费(标准煤)总量的比重为能源消费结构的代理变量.⑤能源价格(EP):能源价格上升在一定程度上会抑制能源消耗并降低污染物排放.本文以工业品出厂价格指数作为代理变量.⑥能源效率(EE):单位GDP产出所消耗的能源.随着能源效率的提高, 环境污染占GDP比重会逐步下降(李国璋等, 2010).⑦城市建筑施工(UCA):建筑施工活动引起的土壤尘、道路尘、水泥尘等占我国城市空气颗粒物50%左右, 是重要的污染源(Zhao et al., 2006).

人口因素:①人口规模(PD):人口规模扩大引致大量消费需求, 进而导致大量工业污染和生活污染排放, 处理不当会带来严重的环境污染.本文用常住人口密度衡量人口规模.②人力资本(HC):人力资本的提高会增强人们的环保意识以及对清洁环境的偏好, 促使环境改善.本文用受教育水平衡量人力资本.③汽车保有量(CO):随着中国机动车保有量的不断增加, 机动车尾气已成为大气污染的重要来源, 是造成灰霾、光化学烟雾污染的重要原因.本文以民用汽车拥有量为代理变量.④货运量(FT):用所有运输企业一年内实际运送的货物总量表示.我国货运主要以公路为主, 货运量越大意味着消耗的燃油越多, 由此排放的大气颗粒物越多.⑤生物质燃烧(SY):生物质尤其是农作物秸秆燃烧会产生大量细粒子, 短时间内造成局域空气质量恶化.本文以农作物秸秆焚烧量做代理变量.

政策因素:①地方政府财政支出(LFS):财政支出用于基础设施建设会产生建筑施工和道路交通扬尘, 造成环境污染.同时政府在环境保护方面的投入会有利于改善环境质量, 降低雾霾产生概率, 因此该变量的实证结论也难以预期.②工业污染治理投资水平(IPCI):无论是主动投资还是被动投资, 污染治理将有利于减少雾霾组成物质排放.本文用污染治理投资额衡量污染治理投资水平.③清洁技术水平(IWGF):清洁技术的使用有利于提高生产效率, 从而减少二氧化硫排放.本文用工业废气治理设施数量表示清洁技术水平.

2.2 数据来源及说明

本文PM2.5数据借鉴国外研究机构基于卫星遥感资料估算值, 具有较高的可行性和较合理的科学基础(Engel-Cox et al., 2004).其他数据主要源自中国统计年鉴、环护部大气污染物监测年报.文中涉及价值形态的数据, 均折算成2003年为基期的不变价格, 以剔除价格因素影响.计算Moran I值采用ArcGIS和OpenGeoda软件, 基本面板数据的处理运用Eviews7软件, 空间面板数据的估计运用MATLAB软件.

3 研究方法(Research methods) 3.1 EBA模型设置

20世纪80年代以后Levine和Renelt(1992)就不同变量和经济增长之间“稳健性”关系提出了极值边界分析模型(the extreme bounds analysis, 即EBA模型):

(1)

式中, ΔY代表一个国家或地区的人均GDP增长率, I是由与经济发展紧密相关的解释变量所组成的核心变量集, M是需要进行研究的目标变量, Z是由跟经济增长有关的解释变量构成的条件变量集, μ为随机误差项.变量信息集IZ的变化不会对结论造成直接影响, 因此其变量选择主要依据现有的研究成果和文献资料.

与一般的回归分析不同, EBA模型通过对条件变量集进行类似Bootstrap方式的回归对目标变量回归系数进行灵敏性分析, 获得系数估计统计分布, 如果90%的置信区间最大值最小值同号且显著, 则认为该目标变量是“稳健”的.该模型能很好的处理多重共线性, 结论更具说服力.目前对于EBA模型的检验主要有3种方法, 即“严格”的EBA检验、大R2准则、Sala-I-Martin准则.由于前两种检验方法繁琐且变量很难通过显著性检验, 故本文参照王立平等(2015)关于二氧化硫污染影响因素研究, 运用Sala-I-Martin准则进行检验.

3.2 基于空间面板数据的EBA模型

空间因素的引入能明显提高模型精度(Rupasingha et al., 2004), 为检验雾霾污染在相邻地区是否存在“稳健性”的溢出效应, 需要对原EBA模型进行如下修正:

(2)

式中, y是n×1列被解释变量;WNn×n阶的空间权重矩阵;(ITWN)y为空间一阶滞后因变量;ρ是空间自回归参数, 取值在(-1, 1)之间, 表示相邻区域影响程度;pgdp是核心变量, Z是从通过雾霾污染“显著性”检验的目标变量中随机选取的三个变量所组成的线性组合.

为检验雾霾污染“稳健性”影响因素, 需要对通过EBA模型第一步“显著性”检验的目标变量做如下“稳健性”检验:

(3)

式中, X为核心变量, 如果经检验雾霾污染存在空间溢出效应, 则X变量中包含雾霾污染空间滞后项.其余变量意义同式(1).

4 结果与讨论(Results and discussion) 4.1 空间相关性检验 4.1.1 全局空间相关性

研究雾霾污染是否存溢出效应, 首先要对被解释变量进行Moran I检验, 判断其是否存在空间自相关, 如果存在则可以建立空间计量模型进行估计和检验.Moran I检验定义如下:

(4)

式中, , Yi表示第i个地区的观察值, n是地区总数, Wij为空间权重矩阵, 本文设定为地理权重.检验结果如下.

表 1结果显示, 全局Moran I值均在0.4~0.5上下波动且通过了1%的显著性水平检验, 表明中国雾霾污染存在较强空间相关性, 雾霾污染较严重的地区, 其相邻区域PM2.5浓度也相对较高.此外, 通过观察图 1莫兰散点图可以看到, 基本上所有地区都处于第一(高-高)、三(低-低)象限, 进一步表明雾霾污染存在较强的正向空间相关性, 但仍有个别地区处于第二(低-高)、四(高-低)象限, 这可能与我国各省在地理环境, 经济发展, 生活习惯等方面的差异有关.因此, 有必要对局域空间异质性进行分析.

表 1 2003—2013年中国30个主要城市PM2.5排放的全局Moran′s I值 Table 1 Global Moran′s I value of PM2.5 emissions from 30 major cities in China in 2003—2013

图 1 2003、2008、2013年全局莫兰指数散点图 Fig. 1 Scatter diagram of global Moran′s I in 2003, 2008 and 2013
4.1.2 局域空间相关性

Anselin提出了测度局域相关性的指标LISA(潘文卿, 2012), 用于衡量区域i与它领域的关联程度, 表达式如下:

(5)

式中, AiAnWijS2含义同上.当Ii>0表示i地区雾霾严重程度与周围地区相同, 表现为高-高集聚或低-低集聚;当Ii < 0表示i地区雾霾严重程度与周围地区相反, 表现为高-低集聚或低-高集聚.图 2为利用OpenGeoda绘制的5%显著性水平下中国各地区年均人口加权PM2.5的LISA集群示意图, 受篇幅所限, 本文只列出2003、2013年LISA集聚图.(注:①红色代表高-高集聚;蓝色代表低-低集聚;白色代表不显著;灰色代表不相邻.②受数据采集及样本限制, 本图集不包括西藏、台湾及南海诸岛等.)

图 2 2003、2012年中国部分地区PM2.5局域集聚图 Fig. 2 Agglomeration scatter diagram of local Moran in 2003 and 2013

图 2及其他年份LISA集聚图可以看出, 中国雾霾污染存在明显的局域聚集特征, 其中河南、河北、安徽、山东、北京、江苏、湖北等地长期处于高-高集聚区域;吉林、黑龙江、内蒙古及新疆等地区长期处于低-低集聚.之所以出现这种情况, 本文认为主要是区域间产业结构差异造成的.我国中东部地区产业结构中重工业所占比重较大, 其中火电、钢材、冶金、建材、化工、石化等高污染行业呈现规模化和高密集度分布的态势, 直接导致该区域污染物排放量超过其环境容量, 继而导致污染加剧.此外, 依托地域和人力资源优势, 位于京津冀和长三角之间的中东部地区, 承接了大量发达地区转移的高耗能高污染产业, 高污染产业集中度进一步加强, 区域大气环境不断恶化.而东北、内蒙古、新疆等地区, 工业化程度相对较低, 高污染产业集中度不高, 加之周边地区污染较少, 所以大气环境质量较好.

4.2 目标变量显著性检验

根据EBA模型检验原理, 首先需要对15个目标变量分别进行显著性检验.如果显著则通过EBA模型第一步检验;如果不显著, 则不能作为条件变量.模型如下:

(6)

对于面板数据模型, 在进行分析时需要考虑到时间效应和个体效应的存在.由于本文是短面板数据.故忽略时间效应, 只考虑随机效应与固定效应模型的选择.Hausman检验结果如下所示(见表 2).

表 2 Hausman检验结果 Table 2 Hausman test results

在Hausman检验确定出使用模型的类型基础上, 利用Matlab软件进行回归, 结果见表 3.从中可以看出, 除了外商直接投资(FDI)、能源价格(EP)、生物质燃烧(SY)和货运量(FT)外, 其余11个目标变量均通过了EBA的第一步检验, 表明这些变量和雾霾污染之间存在显著的相关关系.

表 3 基本检验结果与分析 Table 3 Basic test results and analysis
4.3 溢出效应“稳健性”检验

从通过显著性检验的目标变量中任选3个组成条件变量集Z, 对目标变量进行“稳健性”检验.如果有90%及以上的概率同号且t检验显著, 则认为溢出效应“显著”.检验模型如下:

(7)

本文采用空间滞后模型, 由于存在自相关, OLS参数估计将会产生偏差, 因此采用ML方法进行估计, 利用Matlab软件估计结果如表 4所示:

表 4 溢出效应“稳健性”检验结果s Table 4 Robust test results of spillover effect

由上可知, 中国省域雾霾污染存在“稳健”的空间溢出效应, 相关系数ρ较大, 表明在研究期间(2003—2013), 一个地区的雾霾污染往往会显著地受到相邻地区雾霾污染的影响, 且影响程度较大.

4.4 影响因素“稳健性”检验

运用Sala-I-Martin准则对通过显著性检验的11个目标变量进行“稳健性”检验.经过多次遍历式回归, 得到回归系数、t检验值、p值及各变量显著性分布的概率, 如表 5所列.

表 5 影响因素“稳健性”检验结果 Table 5 Robust test result of the factors

产业结构、能源消费结构、城市建筑施工分别以96.39%、98.19%、99.03%的显著性通过了检验, 说明经济发展水平总体与雾霾污染密切相关.近十多年来, 重工业的大肆扩张以及城镇化的快速推进为中国经济增长提供了强劲动力.然而, 这种粗放的经济发展方式代价也十分高昂, 导致产业结构重型化明显, 处于主导地位的建材、冶金、石油炼化、火电等占工业总比重达79%.较高的能源需求与我国煤炭占主导的能源消费结构共同影响, 导致大气污染排放总量远远超过环境容量, 尤其是在京津冀、长三角以及与此毗邻的中东部地区.

人口因素对雾霾污染的影响同样不容忽视, 其中人口规模和机动车保有量分别以96.39%和92.53%的显著性通过了检验.人口的增加与集聚一方面提高了能源需求和机动车保有量, 导致局部区域内能源消耗和汽车尾气排放持续攀升;另一方面使得城区土地资源紧缺, 建筑过于密集, 易造成潮汐性道路拥堵及城市空气流通不畅, 为雾霾产生创造条件.

除此之外, 产业升级、能源效率、人力资本、地方政府财政支出、工业污染治理投资水平以及清洁技术水平的显著性分布概率均低于90%, 没有通过“稳健性”检验.作者认为可能存在以下原因:①以上变量虽然对雾霾污染存在一定影响, 但是因种种原因影响程度有限, 且易受其他因素干扰, 因此通不过“稳健性”检验.②由于有些变量缺乏直接量化指标, 如能源价格、人力资本、清洁技术水平用近似变量进行代理, 被解释变量PM2.5浓度也是由国外学者根据气溶胶光学厚度测算得到, 统计数据可能不能真实准确反映研究对象实际状况和真实水平, 由此得到的实证分析结果与现实情况有可能存在误差, 导致一些原本“稳健性”的因素可能因此未通过检验.对此, 在以后相关研究中, 我们将进一步进行优化;③本文研究雾霾污染影响因素的“稳健性”, 涉及到控制变量, 但是事实上影响雾霾的变量很多, 由于研究角度、数据可得性等各方面条件的限制, 文章不可能将所有影响因素考虑在内, 因此可能遗漏了一些对雾霾污染有稳健影响的因素.在以后研究中, 将选取尽可能多的相关变量组成条件变量集进行检验, 使模型结果更加全面和令人信服.

5 结论与建议(Conclusions and recommendations)

本文通过构建基于空间面板数据的极值边界模型, 研究了中国雾霾污染的空间相关性以及“稳健性”影响因素.结果表明中国省域雾霾污染存在“稳健”的空间溢出效应.长期以来, 粗放、投资驱动的经济增长方式是导致我国京津冀、黄淮海等地区成为雾霾污染重灾区的根本原因.根据实证研究结论, 提出以下政策建议:

1) 协同立法, 进行雾霾区域联合防治

加强空气域科研合作, 推动区域在节能减排、产业准入和淘汰, 以及机动车大气污染排放等环境标准的统一.建立区域大气环境信息共享和应急联动合作机制, 在重污染天气开展联合执法、跨区执法、交叉执法.

2) 优化产业结构, 转变经济发展方式

进一步提高环保、能耗等标准, 加大环保处罚力度, 淘汰落后、过剩产能.落实国家“调结构、转方式、促升级”行动方案, 加强重污染行业的结构调整, 强化源头控制, 通过加大重污染产业的技术创新和升级, 削减污染物产量, 实现经济增长方式的转变, 缓解日益加重的环境压力.

3) 清洁高效使用煤炭, 升级能源消费结构

限制劣质低卡煤的进口与使用, 推行集中供热、热电联供、以热定电, 最大限度削减燃料消耗量和污染物排放量;鼓励“煤改气”, 加大天然气、液化石油气、太阳能等清洁能源的供应和推广力度, 逐步提高城市清洁能源使用比重.

4) 优化人口空间布局, 严控汽车尾气排放

限制特大城市人口密集, 科学制定与资源环境承载能力相适应的新型城镇化发展规划, 引导人口合理分布.提高汽柴油和市场准入标准, 加快推广汽车加装催化转化和PM2.5过滤器装置;支持推广使用新能源汽车, 加快推进城市和交通网络的新能源汽车配套设施建设.

参考文献
[${referVo.labelOrder}] Christoforou C S, Salmon L G, Hannigan M P, et al. 2000. Tsrends in fine particle concentration and chemical composition in Southern California[J]. Journal of the Air & Waste Management Association , 50 (1) : 43–53.
[${referVo.labelOrder}] 丁焕峰, 李佩仪.2010. 中国区域污染影响因素:基于EKC曲线的面板数据分析[J]. 中国人口·资源与环境 , 2010, 20 (10) : 117–122.
[${referVo.labelOrder}] 杜荣光, 齐冰, 洪盛茂, 等.2014. 杭州地区霾日指标构建及应用初步研究[J]. 环境污染与防治 , 2014, 36 (3) : 40–45.
[${referVo.labelOrder}] Engel-Cox J A, Holloman C H, Coutant B W, et al. 2004. Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality[J]. Atmospheric Environment , 38 (16) : 2495–2509. DOI:10.1016/j.atmosenv.2004.01.039
[${referVo.labelOrder}] Englert N. 2004. Fine particles and human health-a review of epidemiological studies[J]. Toxicology Letters , 149 (1/3) : 235–242.
[${referVo.labelOrder}] 顾为东.2014. 中国雾霾特殊形成机理研究[J]. 宏观经济研究 , 2014 (6) : 3–7; 123.
[${referVo.labelOrder}] 贾璇, 王文彩, 陈勇航, 等.2010. 华北地区沙尘气溶胶对云辐射强迫的影响[J]. 中国环境科学 , 2010, 30 (8) : 1009–1014.
[${referVo.labelOrder}] 柯水发, 王亚, 陈奕钢, 等.2015. 北京市交通运输业碳排放及减排情景分析[J]. 中国人口·资源与环境 , 2015, 25 (6) : 81–88.
[${referVo.labelOrder}] Keller W, Levinson A. 2002. Pollution abatement costs and foreign direct investment inflows to the U[J]. S. States[J]. Review of Economics and Statistics , 84 (4) : 691–703. DOI:10.1162/003465302760556503
[${referVo.labelOrder}] Levine R, Renelt D. 1992. A sensitivity analysis of cross-country growth regressions[J]. The American Economic Review , 82 (4) : 942–963.
[${referVo.labelOrder}] 李斌, 李拓.2014. 中国空气污染库兹涅茨曲线的实证研究-基于动态面板系统GMM与门限模型检验[J]. 经济问题 , 2014 (4) : 17–22.
[${referVo.labelOrder}] 李国璋, 江金荣, 周彩云.2010. 全要素能源效率与环境污染关系研究[J]. 中国人口·资源与环境 , 2010, 20 (4) : 50–56.
[${referVo.labelOrder}] Liang F H. 2008. Does foreign direct investment harm the host country's environment? Evidence from China[R]. Honolulu: SSRN. 38-53
[${referVo.labelOrder}] 马丽梅, 张晓.2014a. 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 , 2014a (4) : 19–31.
[${referVo.labelOrder}] 潘文卿.2012. 中国的区域关联与经济增长的空间溢出效应[J]. 经济研究 , 2012 (1) : 54–65.
[${referVo.labelOrder}] Peters A. 2005. Particulate matter and heart disease: evidence from epidemiological studies[J]. Toxicology and Applied Pharmacology , 207 (2) : 477–482. DOI:10.1016/j.taap.2005.04.030
[${referVo.labelOrder}] 任艳军, 李秀央, 金明娟, 等.2007. 大气颗粒物污染与心血管疾病死亡的病例交叉研究[J]. 中国环境科学 , 2007, 227 (5) : 657–660.
[${referVo.labelOrder}] Rupasingha A, Goetz S J, Debertin D L, et al. 2004. The environmental Kuznets curve for US counties: a spatial econometric analysis with extensions[J]. Papers in Regional Science , 83 (2) : 407–424. DOI:10.1111/pirs.2004.83.issue-2
[${referVo.labelOrder}] 宋娟, 程婷, 谢志清, 等.2012. 江苏省快速城市化进程对雾霾日时空变化的影响[J]. 气象科学 , 2012, 32 (3) : 276–281.
[${referVo.labelOrder}] 孙华臣, 卢华.2013. 中东部地区雾霾天气的成因及对策[J]. 宏观经济原理 , 2013 (6) : 48–50.
[${referVo.labelOrder}] 童玉芬, 王莹莹.2014. 中国城市人口与雾霾:相互作用机制路径分析[J]. 北京社会科学 , 2014 (5) : 4–10.
[${referVo.labelOrder}] 王立平, 张海波, 刘云.2014. 基于EBA模型的中国碳排放稳健性影响因素研究[J]. 地理科学 , 2014, 34 (1) : 47–53.
[${referVo.labelOrder}] 王立平, 刘敏, 李然, 等.2015. 中国二氧化硫污染的"稳健性"影响因素-基于空间面板数据EBA模型的实证分析[J]. 环境科学学报 , 2015, 35 (8) : 2362–2369.
[${referVo.labelOrder}] 王敏, 黄滢.2015. 中国的环境污染与经济增长[J]. 经济学(季刊) , 2015, 14 (2) : 557–578.
[${referVo.labelOrder}] 王跃思, 姚利, 刘子锐, 等.2013. 京津冀大气霾污染及控制策略思考[J]. 中国科学院院刊 , 2013, 28 (3) : 353–363.
[${referVo.labelOrder}] 吴珂, 汪婷, 曾山佰, 等. 2012. 2011年秋末冬初苏州一次灰霾天气过程分析[A]//第29届中国气象学会年会论文集[C].沈阳:中国气象学会
[${referVo.labelOrder}] 许和连, 邓玉萍.2012. 外商直接投资导致了中国的环境污染吗-基于中国省际面板数据的空间计量研究[J]. 管理世界 , 2012 (2) : 30–43.
[${referVo.labelOrder}] 张智胜, 陶俊, 谢绍东, 等.2013. 成都城区PM2.5季节污染特征及来源解析[J]. 环境科学学报 , 2013, 33 (11) : 2948–2952.
[${referVo.labelOrder}] Zhao P S, Feng Y C, Zhu T, et al. 2006. Characterizations of resuspended dust in six cities of North China[J]. Atmospheric Environment , 40 (30) : 5807–5814. DOI:10.1016/j.atmosenv.2006.05.026