逯苗苗,孫 濤

我國霧霾污染空間關聯性及其驅動因素分析
——基于社會網絡分析方法*

逯苗苗,孫 濤

霧霾污染給我國人民生產、生活帶來了嚴重負面影響，整治霧霾天氣是我國大部分省市的重要任務。本文運用社會網絡分析方法與QAP方法，重構引力模型，分析了我國霧霾污染的空間關聯性以及空間關聯關系的驅動因素，研究結果表明：我國霧霾污染存在較強的關聯性，霧霾污染空間網絡存在不對稱性，霧霾污染空間網絡可以分成四個子群，子群內部互動關系更為密切；地理位置、人口數量、環(huán)保支出、尾氣排放、煙塵顆粒所構成的差值網絡對霧霾污染的空間網絡結構有正向的驅動作用，能源消耗而則有負向的驅動作用。因此，整治霧霾污染既要增加子群內部城市之間的網絡結構的對稱性，還應加強不同子群之間網絡結構的聯動性。

霧霾污染；空間結構；社會網絡分析；QAP

一、引言

霧霾天氣是由于大量極其細微的干塵顆粒漂浮在空中造成能見度降低的一種天氣現象。自從2013年“霧霾”作為年度關鍵詞出現后，霧霾天氣更加為大眾所熟知，真切地影響著人們的生產、生活。霧霾天氣每每在天氣預報中被提及，都會牽動人們的心弦，因為霧霾天氣不僅造成了可見度的下降，更是威脅著人們的身體健康，甚至會帶來心理上的疾病，整治霧霾天氣成為我國大部分城市的一項重要任務。

雖然霧霾天氣是一種全國性的天氣現象，但不同城市之間的空氣污染程度差異是顯著的。部分城市受到霧霾影響較小，部分城市受到霧霾影響較大。霧霾的污染程度也成為了員工擇業(yè)、廠商投資的一項參考標準。霧霾的防治不僅是單個城市內部的事情，還需要考慮城市之間霧霾產生的關聯關系。從空間關聯結構的視角重新考慮霧霾的影響因素，融入社會經濟因素，將有利于對霧霾的進一步整治。

二、文獻綜述

現有對霧霾的研究主要集中在霧霾對經濟社會發(fā)展的影響、霧霾擴散的原因、霧霾的空間關聯性等方面。其中，霧霾對經濟發(fā)展的影響分析方面，國內外學者多數證實了霧霾對發(fā)展的負面影響。如，Englert(2004)認為PM對人身體健康會產生很大負面影響；Jessie(2006)指出微塵顆粒對中國環(huán)境的影響要遠大于二氧化硫的影響；Chen等(2013)通過研究發(fā)現長期暴露于污染的空氣中會減少壽命年限；童玉芬和王瑩瑩(2014)對霧霾的發(fā)生機制以及城市居住人口和霧霾相互間的關系機制進行了系統(tǒng)的分析，指出了人口規(guī)模與霧霾污染之間的雙向關系。

對影響霧霾擴散的原因分析中，國內外學者集中分析了金融制度、外商直接投資、產業(yè)結構、資本積累、城市規(guī)模等宏觀因素直接對霧霾的影響。如，Tamazian和Rao (2010)認為金融制度的自由化會對環(huán)境績效產生影響；Kirkulak等(2011)指出外商直接投資對我國的空氣質量沒有顯著的影響；冷艷麗(2015)指出我國產業(yè)結構與我國的霧霾污染有正向的相關關系；東童童等(2015)指出勞動與資本的聚集會增加霧霾的污染程度，而產出的聚集特別是工業(yè)產出會使其降低；王星(2016)指出城市規(guī)模的擴大在一定程度上加劇了全國范圍的霧霾污染；秦蒙等(2016)指出城市空間的擴張會提高PM2.5的濃度，這一結論在小的城市空間尤為顯著；劉曉紅和江可申(2016)通過分析面板數據發(fā)現城鎮(zhèn)化水平的提高與第二產業(yè)的比重增加會導致PM2.5的濃度上升，且區(qū)域之間存在不平衡。

在霧霾的空間關聯性分析方面，現有研究已經證實了空間因素在霧霾擴散、霧霾治理等方面的重要影響。如，Birdsall 和Wheeler(1993)認為開放的經濟體比封閉的經濟體更容易增加空氣的污染；Hosseini和Kaneko(2013)的研究指出國家之間存在污染的位移效應；環(huán)保部環(huán)境規(guī)劃院薛文博等(2014)基于PSAT系統(tǒng)定量地模擬了我國PM2.5的跨區(qū)域輸送規(guī)律，研究表明城市之間存在外源影響；潘慧峰等(2015)采用馬爾科夫區(qū)制轉換模型對霧霾污染問題進行了研究，實證表明不同城市間的霧霾污染存在空間溢出效應；王雪青等(2016)通過構建霧霾的前驅排放績效評價指數，指出各省均有上升趨勢，城市之間存在明顯差異；盧華和孫華臣(2016)用“莫蘭指數I”判斷污染關聯性的指標，指出可吸入顆粒物呈現出顯著的空間自相關；馬麗梅等(2016)通過構造空間的德賓(Durbin)模型分析指出污染的治理需要聯合防控；王立平和陳俊(2016)基于面板數據的EBA分析模型指出霧霾污染具有空間溢出效應。

雖然國內外文獻在研究霧霾方面，取得了重大進展。但是研究仍有不足，主要集中在兩個方面：一是霧霾空間依賴性的分析上，主要使用了空間計量分析方法，采用空間權重矩陣考慮區(qū)域之間的相互影響，這種空間分析方法雖然有效，但也存在諸多質疑。如，空間權重矩陣設定存在人為因素，分析結果受到不同權重矩陣設定方法的影響，對霧霾的空間依賴性分析需要新研究方法去證實；空間權重矩陣多是一種對稱性的，與霧霾在不同區(qū)域上非對稱性影響的生活事實不一致。二是霧霾空間依賴性的傳導機制上，現有文獻多數只分析某一類因素的影響，缺乏對不同因素的比較分析，不能確定哪種因素更能夠加劇或者緩和霧霾的空間依賴性。對這一問題的分析，可以有更深的政策含義，如分析出霧霾防治更需要側重哪類因素等。因此，本文試圖用社會網絡分析(SNA)的方法與QAP方法，來試圖解決上述問題，并在分析各省市霧霾空間關聯性和空間關聯性傳導機制的基礎上，提出霧霾防治的相關建議。

三、模型構建與變量選擇

(一)模型構建

本文根據傳統(tǒng)的引力模型，參考楊桂元(2016)、孫亞男(2016)對引力模型的重構，構造出衡量省際霧霾污染關聯關系的拓展引力模型(1)式：

(1)

(二)數據來源及處理

根據氣象學的定義，霧霾是由于大量的干塵顆粒(通常指PM2.5與PM10*PM2.5是指直徑小于等于 2.5 微米可入肺顆粒物；PM10是指直徑小于等于 10 微米可吸入顆粒物。)漂浮在空中與水汽相凝結，從而產生更多云霧滴，使能見度降低的，形成一種霾和霧的混合物現象。而2012年上半年出臺的空氣質量指數(AQI)將細顆粒物(PM2.5)、可吸入顆粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、臭氧(O3)、一氧化碳(CO)等六項指標綜合評價，較之前的空氣污染指數(API)更為標準更為嚴格。AQI指數越大，表明空氣污染越嚴重，對人們的影響也就越大。

由于2012年5月環(huán)保部公布新的空氣質量監(jiān)測方案，要求對74個城市的PM2.5的監(jiān)測進行試運行，我國才有了相應的PM2.5監(jiān)測數據。國內大部分的學者(馬麗梅等2014；冷艷麗等，2015；劉伯龍等，2015；東童童等，2015；劉曉紅等，2016；王立平等，2016)是根據美國哥倫比亞大學社會經濟數據與應用中心提供的全球PM2.5地表年均濃度數據處理得到的，利用衛(wèi)星搭載設備對氣溶膠(AOD)濃度進行測定，推算出PM2.5的濃度，這一方法目前只能得到2012年以前的數據；有的學者(王星，2016)利用PM10與PM2.5的相關關系，運用PM10的監(jiān)測數據，這種方法存在較大的誤差；還有的學者(盧華等，2015)從霧霾的前驅成分出發(fā)，選取二氧化硫、二氧化氮、可吸入顆粒物濃度衡量空氣污染程度；另外，潘慧峰等(2015)通過網絡爬蟲程序獲取了從2013年10月到2014年9月的PM2.5檢測指數日數據，能夠獲取較新的數據，本文借鑒此方法采用我國自主檢測的數據*數據來源：中國空氣質量在線監(jiān)測分析平臺，網址為：www.aqistudy.cn/。。

引入霧霾污染指數貢獻率是由于霧霾污染的空間關聯關系是有方向的，而將民用汽車擁有量*數據來源：國家統(tǒng)計局。替代人口數量指標是因為汽車尾氣是大氣污染的重要來源，對霧霾的形成作用較大(孫華臣等，2013；石元春，2013)，而且隨著私人擁有汽車數量的增多，民用汽車擁有量能夠在一定程度上反映人口的數量。城市之間的球面距離是根據各城市省會所在的經緯度計算得出的球面直線距離。

通過拓展引力模型即可計算得出一個31×31的矩陣，表示任意兩個城市之間的霧霾污染的相互關系。由于本文采用社會網絡分析中的二分類(binary)網絡數據方法，為相互關系轉化為0-1數據，將矩陣中每一行的平均值作為閾值，大于這一閾值的數取1表示有關系，小于這一閾值的數取0表示無關系，從而構成一個31×31的0-1矩陣。

四、霧霾污染空間關聯性實證分析

(一)整體網絡特征

通過拓展引力模型，根據2015年的空氣質量數據與經濟數據計算得出了我國31個省市*由于部分數據缺失，不包括港澳臺地區(qū)。的霧霾污染空間關聯性矩陣，運用UCINET6軟件進行分析，用NetDraw軟件做出霧霾污染的空間網絡關系圖，如圖1所示。

圖1 省際霧霾污染空間網絡關系圖

通過Network-Cohesion-Density的路徑進行分析得出這一空間網絡的網絡密度為0.265，關聯關系數為246，通過可達矩陣計算其網絡關聯度為1，即任意兩點之間是可達的，沒有任何一個省份被孤立在網絡關系圖之外，由此可見我國霧霾污染空間網絡有較強的關聯性。

(二)網絡中心度分析

絕對度數中心度表示該點與其他點有多少個直接聯系，通過對我國省際霧霾污染空間網絡的網絡中心度分析，如表1所示，就2015年霧霾污染空間網絡的絕對中心度而言，其點入度和點出度的均值為7.935 。在納入計算的31省市中，安徽、北京、廣東、河北、河南、湖北、湖南、江蘇、山東、陜西、四川和浙江的點出度，即外向中心度大于均值，這12個省市向外的影響比較大，具有霧霾污染的溢出性。從經濟總量來看，這幾個省份都是經濟活動總量較大，在經濟生產活動中會對其他省份造成影響；而重慶、福建、甘肅、廣東、廣西、貴州、河南、湖北、湖南、江西、遼寧、寧夏、山東、陜西、四川、西藏、新疆、云南的點入度，即內向中心度高于均值，表明其存在霧霾污染的接收性，這些省份有的自身存在較為嚴重的霧霾污染，有的則沒有，但這些省份都受到了來自其他省份的污染影響。其中廣東、河南、湖北、湖南、山東、陜西、四川在點入度和點出度兩方面都高于均值，表明其處于霧霾污染網絡空間的中心位置，對其他省市既存在溢出性又存在接收性。而從地理位置與經濟區(qū)位來看，這七個省份也與其他省份有較強的地理鄰近性和經濟聯通性。同時，整體網絡的點出度中心勢為76%，而點入度中心勢為14%，這表明霧霾污染空間網絡存在不對稱性。

接近中心度表示該點與圖中其他點的捷徑距離之和，如表1所示，山東的接近中心度點出度最小，而西藏、新疆和海南的接近中心度點出度最大。這表明山東等省市到達其他省市的距離之和最小，最具有間接影響力；而新疆的接近中心度點入度最小，天津的接近中心度點入度最大，表明新疆受其他省市的間接影響小，而天津受到其他省市的間接影響最大。

中間中心性衡量了某點在多大程度上位于另外兩個點的中間位置，是一個橋梁性作用的概念。如表1所示，河南、湖北、山東、四川、廣東位列中間中心度的前五名位置，表明這幾個省市是其他省市的橋接點，其他省市的霧霾污染傳播是途經這幾個省市的。

表1 省際霧霾污染空間網絡中心度分析

(三)塊模型分析

為了把各個單一的點歸集于不同的點集之中，使得網絡結構不同部分之間的關系更加明確，本文引入塊模型，根據不同個體之間的互動來進一步刻畫整體的網絡結構。采用Concor方法進行凝聚子群分析，選取最大分割深度為2，將我國省域分成了四個部分，如圖2所示。子群1由安徽、江西、上海、福建、河南、廣東、湖南、江蘇、浙江、湖北這10個地區(qū)組成，這些省市位于我國東部沿海與中東部地區(qū)形成帶狀格局，這一帶狀格局中，省際之間的貿易聯系較為緊密，而且格局內的省份與外部聯系也較多；子群2由四川、貴州、云南、廣西、西藏、海南、重慶、陜西這8個地區(qū)組成，這些省市大部分位于中西部地區(qū)，形成面狀格局，這一面狀格局的形成主要是地理位置的臨近性導致的；子群3由內蒙古、山西、天津、山東、河北、北京這6個地區(qū)組成，這些省市更具集中性，大致形成塊狀格局，這一塊狀格局集中于我國北方地區(qū)，相互之間的貿易聯系較其他省份更為緊密；子群4由寧夏、甘肅、黑龍江、吉林、遼寧、青海、新疆這7個地區(qū)組成，這幾個地區(qū)包含了東北三省和西北四省，呈現雙塊格局，雙塊格局的形成主要是因為這七個省市與其他省市地理距離較遠，貿易往來不多。

圖2 省際霧霾污染空間網絡塊模型分析

表2 霧霾污染空間網絡塊模型密度矩陣和像矩陣

注：R2=0.296。

基于塊模型分析，為了進一步揭示各個子群內部的相互關系與子群之間的相互關系，本文通過子群密度矩陣和像矩陣描述這一關系，其中像矩陣的轉化以0.250為界限?？梢钥闯觯總€子群內部都有密切的互動關系，特別是以山東、河北為代表的子群3內部互動最為密切，而子群4的內部互動較弱。同時可以看出子群3對子群2和子群4有明顯的影響作用，因為子群3地域位于我國中間區(qū)域，且多包含經濟大省，霧霾污染比較嚴重；而子群2也是一個容易受影響的地域，其主要受到來自子群1和子群3 的影響，因為子群2大多位于我國中南部地區(qū)，且相對來說自身霧霾污染不是特別嚴重，所以受到外部的影響較為嚴重。

五、基于QAP的空間網絡結構驅動因素分析

由于霧霾污染的空間關聯性是一種關系屬性，所以從量化的角度來講，這些數據本身就是有聯系的數據，在回歸分析中存在共線性的問題。Quadratic Assignment Procedure(二次指派程序)，簡稱QAP，就是一種解決這一問題的計算方法。QAP方法通過將兩個方陣中每個值的相似性進行比較，從而給出兩個矩陣之間的表示其相關性的系數，同時類似于OLS方法，QAP方法也會對系數進行非參數檢驗，QAP的計算原理是以對方陣中數據的置換為基礎的。

我國現有的霧霾污染空間網絡結構的驅動因素有很多，鑒于以前學者的研究和有關數據的可獲得性，本研究從地理位置、人口數量、環(huán)保支出、能源消耗、尾氣排放、煙塵顆粒等方面考察我國省際霧霾污染空間網絡結構的驅動因素。省份之間的地理位置是影響空間結構的一個重要因素(于偉等，2016)，省市之間是否相鄰可以有效刻畫這一地理位置信息。人口數量是衡量一個省市的重要指標，人口的多寡影響著一個地區(qū)的平均經濟水平。地方財政的環(huán)境保護支出反映了地方政府對環(huán)境問題的重視與監(jiān)管力度。電力消耗反映了一個地區(qū)用電量數量，產生電能會消耗資源從而在一定程度上帶來霧霾污染。由于汽車尾氣是大氣污染的主要來源(石元春，2013)，民用汽車擁有量能夠刻畫汽車尾氣對霧霾污染帶來的影響。

表3 模型擬合情況

注：930=31×(31-1)

表4 省際霧霾污染空間網絡結構驅動因素

數據來源：國家統(tǒng)計局

采用QAP方法，通過2000次隨機置換后得到的擬合情況如表3所示，QAP回歸調整后的判定系數是0.452，這說明當知道地理位置、人口數量、環(huán)保支出、能源消耗、尾氣排放、煙塵顆粒的鄰接或者差值矩陣與省際霧霾污染空間網絡矩陣存在線性關系的時候，可以用上述六個矩陣數據解釋省際霧霾污染關系45.2%的方差。

QAP回歸分析結果如表4所示，概率A是指隨機置換后計算出的相關系數大于或者等于實際給出的矩陣相關系數的概率。同理，概率B是表示小于或者等于實際相關系數的概率?；貧w分析結果顯示，地理位置在1%的水平下顯著為正，表示兩個省市之間鄰接會對霧霾污染的空間網絡產生正向的影響，推動現有空間網絡的形成。人口數量系數在5%的水平下顯著為正，表明人口數量差值網絡對現有的霧霾污染空間網絡結構有正向的影響。環(huán)保支出在5%的水平下顯著為正，環(huán)保支出的差值推動了現有霧霾污染空間網絡結構的形成。能源消耗在5%的水平下顯著為負，電力消耗量的差值沒有增加省際之間霧霾污染的聯動性。尾氣排放和煙塵顆粒在1%的水平下顯著為正，這兩項對現有的霧霾污染空間網絡的形成起到促進作用，增加了這一空間網絡結構的復雜性。

地理位置、尾氣排放和煙塵顆粒都是霧霾污染空間網絡結構現狀的重要影響因素，而地理位置因素是客觀存在的，對網絡結構的調整或改善則需要加大對尾氣排放和煙塵顆粒的控制，這也與以前學者的研究結果相類似。人口數量和環(huán)保支出會對網絡結構產生正面影響，因為人口經濟活動是霧霾污染產生的一個重要的來源，不同省市之間的人口密度差異必然會對網絡結構帶來一定的影響；其次，環(huán)保支出表現了不同省市對空氣質量環(huán)境的重視程度，也會影響省市之間霧霾污染的傳遞效應?？紤]到電力的跨省輸送工程的影響，有些省市雖然消耗較多的電量，但并不會對本省市霧霾污染產生影響，電力消耗差值網絡的影響為負值也就不難理解。

六、結論

霧霾污染的整治不僅是各個省市內部的事情，也需要省份之間的協調與合作。本研究運用社會網絡分析方法從網絡結構視角探究了我國31個省市的霧霾污染水平之間的關系，研究表明：我國霧霾污染在空間上存在較強的關聯性，因此霧霾污染的治理需要全局性的戰(zhàn)略眼光。霧霾污染空間網絡存在不對稱性，從而對不同中心性的個體省份要制定不同的治理規(guī)劃。霧霾污染空間網絡可以分成四個子群，子群內部互動關系更為密切，子群3與其他子群的聯系更為密切。因此要以子群為基礎建立霧霾污染整治基礎區(qū)域，充分考慮霧霾污染的溢出效應，在保證各個省市的發(fā)展權的基礎上控制其污染排放權。

通過QAP方法進行回歸分析的結果表明，地理位置、人口數量、環(huán)保支出、尾氣排放、煙塵顆粒所構成的差值網絡對霧霾污染的空間網絡結構有正向的驅動作用，主要是因為距離因素弱化了霧霾污染的空間擴散。人口數量的差異、環(huán)境保護支出的差異、尾氣排放的差異、煙塵排放量的差異增加了霧霾污染省際流動的可能性，差異越顯著霧霾污染就越可能從多的地方轉移到少的地方。而能源消耗所構成的差值網絡對霧霾污染的空間網絡結構有負向的驅動作用，這種負向作用的產生是由于電力的跨省輸送工程的影響。

改善我國霧霾污染的空間結構，一方面要增加子群內部省市之間的網絡結構的對稱性，通過改善環(huán)境保護支出、尾氣排放、煙塵排放量等的差異，使得子群內部省市能夠承擔本省的污染后果、享受本省的污染治理成果；另一方面要將全國污染治理一體化，實施產業(yè)轉移、產業(yè)鏈跨省優(yōu)化的模式，加強不同子群之間網絡結構的聯動性，將高霧霾污染的產業(yè)從中心性高的省市轉移到中心性低的省市。

[1]東童童、李欣、劉乃全,2015：《空間視角下工業(yè)集聚對霧霾污染的影響——理論與經驗研究》,《經濟管理》第9期。[Dong Tongtong, Li Xin and Liu Naiquan,2015, The Effect of Industrial Agglomeration to Haze Pollution (PM2.5) Based on Spatial Perspective: The Oretical and Empirical Research,EconomicManagement,9.]

[2]冷艷麗、杜思正,2015：《產業(yè)結構、城市化與霧霾污染》,《中國科技論壇》第9期。[Leng Yanli and Du Sizheng,2015, Industry Structure，Urbanization and Haze Pollution: An Empirical Analysis Based on the Panel Data of Province Level,ForumonScienceandTechnologyinChina,9.]

[3]劉伯龍、袁曉玲,2015：《中國省際環(huán)境質量動態(tài)綜合評價及收斂性分析:1996-2012》,《西安交通大學學報(社會科學版)》第4期。[Liu Bolong and Yuan Xiaoling,2015, Dynamic Comprehensive Evaluation and Convergence Analysis of China’s Inter Provincial Environmental Quality: 1996-2012,JournalofXi’anJiaotongUniversity,4.]

[4]劉曉紅、江可申,2016：《我國城鎮(zhèn)化、產業(yè)結構與霧霾動態(tài)關系研究——基于省際面板數據的實證檢驗》,《生態(tài)經濟》第6期。[Liu Xiaohong and Jiang Keshen,2016,Research on the Dynamic Relationships between Urbanization, Industrial Structure and Hazy in China: Empirical Test Based on Provincial Panel Data,EcologicalEconomy,6.]

[5]盧華、孫華臣,2015：《霧霾污染的空間特征及其與經濟增長的關聯效應》,《福建論壇(人文社會科學版)》第9期。[Lu Hua and Sun Huachen, 2015,Spatial Characteristics of Haze Pollution and Its Correlation with Economic Growth,FujianTribune(TheHumanities&SocialSciencesMonthly),9.]

[6]馬麗梅、劉生龍、張曉,2016：《能源結構、交通模式與霧霾污染——基于空間計量模型的研究》,《財貿經濟》第1期。[Ma Limei,Liu Shenglong and Zhang Xiao,2016, Study on Haze Pollution Induced by Energy Structure and Transportation: Based on Spatial Econometric Model Analysis,Finance&TradeEconomics,1.]

[7]潘慧峰、王鑫、張書宇,2015：《霧霾污染的持續(xù)性及空間溢出效應分析——來自京津冀地區(qū)的證據》,《中國軟科學》第12期。[Pan Huifeng, Wang Xin and Zhang Shuyu,2015,Duration and Spatial Spillover Effects of Haze Pollution：Evidence from Beijing、Tianjin、Hebei Region,ChinaSoftScience,12.]

[8]秦蒙、劉修巖、仝怡婷,2016：《蔓延的城市空間是否加重了霧霾污染——來自中國Pm2.5數據的經驗分析》,《財貿經濟》第11期。[Qin Meng, Liu Xiuyan and Tong Yiting,2016,Does Urban Sprawl Exacerbate Haze Pollution:An Empirical Study of Fine Particles(PM2.5) in Chinese Cities,Finance&TradeEconomics,11.]

[9]孫華臣、盧華,2013：《中東部地區(qū)霧霾天氣的成因及對策》,《宏觀經濟管理》第6期。[Sun Huachen and Lu Hua,2013,Causes and Countermeasures of Haze Weather in the Middle East Region,MacroeconomicManagement,6.]

[10]童玉芬、王瑩瑩,2014：《中國城市人口與霧霾:相互作用機制路徑分析》,《北京社會科學》第5期。[Tong Yufen and Wang Yingying,2014,The Interaction Mechanism of Urban Population and Haze in China,SocialScienceofBeijing,5.]

[11]王立平、陳俊,2016：《中國霧霾污染的社會經濟影響因素——基于空間面板數據Eba模型實證研究》,《環(huán)境科學學報》第10期。[Wang Liping and Chen Jun,2016, Socio-economic Influential Factors of Haze Pollution in China: Empirical Study by Eba Model Using Spatial Panel Data,Acta Scientiae Circumstantiae,10.]

[12]王星,2016：《城市規(guī)模、經濟增長與霧霾污染——基于省會城市面板數據的實證研究》,《華東經濟管理》第7期。[Wang Xing,2016,City Scale，Economic Growth and Smog Pollution:An Empirical Study Based on the Panel Data of Provincial Capitals,EastChinaEconomicManagement,7.]

[13]王雪青、巨欣、馮博,2016：《我國霧霾主要前驅物排放績效省際差異分析》,《干旱區(qū)資源與環(huán)境》第4期。[Wang Xueqing, Ju Xin and Feng Bo,2016, Analysis of Performance Variances of Haze Main Precursors Emissions among China’s Provinces ，JournalofAridLandResourcesandEnvironment,4.]

[14]薛文博、付飛、王金南等,2014：《中國PM2.5跨區(qū)域傳輸特征數值模擬研究》,《中國環(huán)境科學》第6期。[Xue Wenbo, Fu Fei and Wang Jinnan et al.,2014,Numerical Study on the Characteristics of Regional Transport of PM2.5 in China,ChinaEnvironmentalScience,6.]

[15] Birdsall N, W. D., 1993, Trade Policy and Industrial Pollution in Latin America:Where Are the Pollution Havens?,TheJournalofEnvironment&Development:AReviewofInternationalPolicy, 1(2): 137-149.

[16] Chen, Y., A. Ebenstein, M. Greenstone, and H. Li, 2013, Evidence on the Impact of Sustained Exposure to Air Pollution on Life Expectancy from China’s Huai River Policy,ProceedingsoftheNationalAcademyofSciences, 110(32): 12936-12941.

[17] Englert, N., 2004, Fine Particles and Human Health：A Review of Epidemiological Studies,ToxicologyLetters, 149(1): 235-242.

[18] Hosseini, H. M. and S. Kaneko, 2013, Can Environmental Quality Spread through Institutions?,EnergyPolicy, 56: 312-321.

[19] Jessie P. H. Poon, I. C. C. H., 2006, The Impact of Energy, Transport, and Trade on Air Pollution in China,Post-SovietGeographyandEconomics, 5(47): 1-17.

[20] Kirkulak, B., B. Qiu, and W. Yin, 2011, The Impact of FDI on Air Quality: Evidence from China,JournalofChineseEconomicandForeignTradeStudies, 4(2): 81-98.

[21] Tamazian A, R. B. B., 2010, Do Economic, Financial and Institutional Developments Matter for Environmental Degradation? Evidence from Transitional Economies,EnergyEconomics, 1(32): 137-145.

AnAnalysisoftheSpatialCorrelationandtheDrivingFactorsofHazePollutioninChina——AnSNA-basedApproach

LuMiaomiaoandSunTao

(Shandong University, The Center for Economic Research, Jinan Shandong 250100)

Haze has exerted such a strong negative impact on the lives of our people that Air pollution control is now regarded as an important task for most Chinese provinces. This paper, using QAP method and social network analysis method, reconstructs the relevant gravity model to perform an analysis of the driving factors of spatial correlation and spatial relationship of haze pollution in China. The results show that the haze pollution in our country exhibits a strong inter-correlation and its spatial network displays an asymmetric quality. It is detailed that the haze pollution spatial network can be divided into four sub groups, with even closer interactive relationship within each. The forward driving effect on the spatial network structure of haze pollution is found related with the difference network composed of the geographical location, population density, environmental protection expenditure, car-exhaust emission, soot particles, etc., while the backward driving effect is found related with energy consumption. Finally, in accordance with the findings, conclusions are drawn and corresponding suggestions are given to address the problem of haze pollution in terms of the network structures within a subgroup and those between the subgroups.

Haze Pollution; Spatial Correlation; Social Network Analysis; QAP

10.13948/j.cnki.hgzlyj.2017.12.006

* 逯苗苗，山東大學經濟研究院博士研究生，電子郵箱：lclumiaomiao@126.com;孫濤，山東大學山東發(fā)展研究院/山東大學經濟研究院副教授，電子郵箱：tao_sun@sdu.edu.cn。本文得到山東省科技發(fā)展計劃項目(2014GGX106008)的資助。感謝匿名評審人對本提出的修改意見，文責自負。

■責任編輯鄧 悅