论文部分内容阅读
摘要 中国的快速城市化进程伴随着雾霾暴露水平的非线性变化。为分析城市化的不同内涵对雾霾污染的贡献程度，文章对中国九大城市群2001—2018年的雾霾暴露指标进行分解。其中，雾霾暴露侧重于衡量雾霾污染对人类活动和健康的危害程度，也是世界银行衡量空气污染的主要指标之一;影响因素上主要考察人口集聚、人口密度、城市扩张、经济增长和排放强度，分别用于衡量人口城市化、土地城市化、经济城市化和城市污染治理;方法上选取了时空LMDI分解法，以便更有效地对分解结果进行跨城市群、跨时间段和城市群内部的多维度比较。研究结果发现：①2001—2018年期间，城市扩张和经济增长主要导致城市群雾霾暴露上升;人口密度和排放强度主要促使城市群雾霾暴露降低;人口集聚因素的贡献主要在长三角、京津冀和珠三角城市群为正，但2016年后在长三角和京津冀变为负。②2013年"大气十条"发布后，排放强度对降低城市群雾霾暴露的积极影响在增大，城市扩张和经济增长的负面影响在减小。③在城市群内部，人口城市化在2013年以前提高了长三角和京津冀中心城市的雾霾暴露，体现出这些城市极强的人口吸引力;2013年后人口集聚降低了一些中心城市而增加了外围城市的雾霾暴露，体现了后者的人口疏导作用。④一些中心城市开始实现绿色的土地和经济城市化，而外围城市仍存在粗放的土地扩张;排放强度的促降作用在外围城市明显增大，城市群协同减排取得显著成果。为此，建议在城市群层面，继续推进 "大气十条"等大气污染治理计划，加大环保执法力度，完善区域联防联控机制，加强城市之间在大气污染控制技术和治理经验上的合作交流;在城市群内部，针对外围城市的人口、土地和经济三方面城市化，应加强基础设施建设，打造绿色宜居的卫星城市，加强新城区环境治理，改造完善生态工业园，发展清洁生产技术，促进产业结构优化。
关键词 雾霾暴露;城市化;城市群;时空分解;LMDI
中图分类号 F061.5 ; F062.2 文献标识码 A 文章编号 1002-2104（2021）07-0063-12 DOI：10.12062/cpre.20201211
中国正在经历快速的城市化进程，以城市常住人口占比度量的城镇化率从2001年的37.66%上升到2019年的60.60% [1-2]，在城市化进程中，中国已形成了20个左右的大中型城市群。城市群建设在中国区域协调发展和可持续发展中发挥着重要的作用。“十四五”规划强调，要“推动城市群一体化发展”，“统筹推进基础设施协调布局、产业分工协作、公共服务共享、生态共建环境共治”，“提高中心城市综合承载能力和资源优化配置能力，强化对区域发展的辐射带动作用”。城市化与空气污染呈非线性关系，城市化发展往往伴随着空气污染与治理问题 [3-6]。中国快速增长的大城市及其雾霾污染问题引起了研究者的关注 [6–10]，对中国城市人口雾霾暴露风险的测算表明，2014年中国有7.23亿人口暴露于雾霾污染，在15年间增加了17%，且大城市的雾霾暴露问题更严重 [11]。雾霾污染主要来自城市居民活动、工业生产、交通行驶等过程，也与城市人口集聚、经济增长、结构调整、土地扩张等诸多因素高度相关 [12–15]。雾霾污染会降低城市吸引力，不利于人力资本积累，进而损害城市经济增长 [6，16]。随着中国城市的发展，雾霾污染治理成为政府的重要工作之一。考虑到城市群紧凑的空间分布和雾霾污染的空间溢出效应 [9，17]，有必要就中国城市化对雾霾污染的影响因素进行更全面的比较和分析。文章以2001—2018年的中国九大城市群为样本，基于时空LMDI分解法 [18]，考察人口城市化、土地城市化、经济城市化、城市污染治理对雾霾污染的贡献程度，并将分解结果进行跨城市群、跨时间段和城市群内部的多维度比较。文章的边际贡献有三点。第一，利用LMDI分解法在时空分解上的新进展 [18]，定量分析了城市化的社会经济因素对雾霾污染的贡献及其在跨时期、跨城市群、城市群内部之间的差异，对城市化进程中的雾霾污染治理具有一定的政策启示。第二，拓展了传统分解法的影响因素，侧重于考察城市化层面因素的贡献，并根据城市化的不同内涵，将雾霾污染的贡献因素分解为人口城市化、土地城市化、经济城市化和城市污染治理的相应指标;雾霾暴露指标用于衡量雾霾污染，能够更好地体现城市雾霾污染对人体健康的危害程度，也是世界银行衡量空气污染的主要指标之一。第三，考虑到雾霾污染的空间相關特征，文章将现有关于城市群雾霾污染的研究范围扩大到了中国前九大城市群。
1 文献综述
1.1 城市化与空气污染
城市化的主要特征为人口集聚、经济集聚和城市土地扩张 [19-20]，分别体现了人口、经济和土地三方面的城市化过程 [10，21-22]。城市化在带来规模经济、知识溢出、低运输成本等集聚收益的同时，也可能导致集聚无效率，引发拥堵和空气污染等“城市病” [23-24]。随着城市化的推进，居民的收入和教育水平提高，对空气质量的要求也会更高 [16]。因此为了实现城市的可持续发展，政府需要对空气污染采取有效的治理措施。
人口集聚是城市化的首要特征，从规模、拥堵和聚集效应等方面对雾霾污染产生复杂影响。一方面，人口规模增加提高了城市能源需求，导致污染暴露水平上升 [25]，同时市中心人口密度提高会带来交通拥堵，加剧颗粒物排放 [15];另一方面，人口集聚具有正外部性，促进了技术进步，还有利于发挥公共基础设施（如地铁、天然气）和私人清洁技术投资的集聚效应和规模效应，减少了市中心居民对汽车的依赖，促使其向绿色生活方式转变 [26-27]，从而降低雾霾污染。
经济集聚与人口集聚相伴随，促进了创新和经济增长。经济增长对雾霾污染可能存在倒“U”型的非线性影响 [28]。一方面，当经济增长主要依赖于第二产业时，工业经济规模增加会大幅提高能源消耗，增加雾霾污染排放 [7，29]。另一方面，规模经济和集聚效应有助于提高资源配置效率和能源使用效率，降低运输和通勤成本，激发技术创新，推进清洁生产 [6，30-31]，并且当经济发展到一定程度时，能源结构调整和产业结构升级也有利于降低雾霾污染 [32]。 城市扩张是城市化的另一个重要特征，在中国包括自发扩张和行政扩张两种形式，对雾霾污染也产生双向影响。自发扩张是指由市中心的拥挤、污染和高昂租金所驱动的居民和公司的自发外迁，会形成更大的城市空间。但紧凑城市理论认为较高的城市密度能够通过集聚和规模效应来减少碳排放，从而改善环境;但在分散型城市，郊区的高通勤成本和粗放的生产生活方式会增加能源消耗和污染排放 [19，32-33]。邵帅等 [8]证明，紧凑集约型的城市化深度推进模式有助于降低雾霾污染，而扩张型城市化则不利于雾霾减排。城市化还可通过行政式的土地快速扩张来实现。中国的“撤县设区”“撤县设市”、建设工业园等活动促进了当地的城市化和工业化，带来了住房、工业和公路投资，增加了能源消耗，甚至产生了过度投资和资源浪费的问题，导致低效率城市化，降低了城市空气质量 [34]。但近年来中国着重建设“生态工业园”，旨在保持经济增长的同时实现生态保护，有利于改善环境 [35-36]。
空气污染会对城市发展产生不利影响，而地方政府的环境规制措施能够显著减少雾霾等空气污染 [6，29，37-39]。对于生产者，环境规制能够通过阻止污染企业进入、促进产业结构升级、督促企业使用循环减排装置、刺激绿色创新等措施来减少污染排放 [40-44]。对于消费者，环境规制可以通过环境披露来提高公众的环境保护意识，从而提高政府的污染治理成效 [16，45-46]。
1.2 城市化与雾霾污染关系的阶段性特征
一般认为，城市经济发展与空气污染之间呈倒“U”型的EKC曲线关系 [28，45]，即经济增长最初会加剧空气污染，随着技术的进步和能源效率的提高，收入增加对空气污染的不利影响会逐渐减小 [5]，到达拐点后将有助于空气质量的改善。在全球范围内，研究表明城市化和雾霾污染之间确实也存在倒“U”型关系，低收入国家处于雾霾污染随城市化而加剧的阶段，而高收入国家处于雾霾污染随城市化而降低的阶段 [5，47]。这可能是由于发达国家拥有更严格的环境法规、更高的生产效率和更清洁的生产技术 [5]。对中国的研究表明，城市化与雾霾污染也呈现类似倒“U”型关系，在东部较发达地区甚至可能呈现“N”型或者倒“N”型关系[7-8，21-22]。
政府污染治理可以降低雾霾污染对城市经济和发展的负面影响 [48]。严格的环境政策能够使EKC曲线形状变得更低且更平缓 [45]，促使经济增长和环境污染在更低的污染水平脱钩 [49]。政府污染治理力度与城市经济发展水平有关。一是污染治理会带来的经济损失 [46]，因此政府需要在经济增长和环境污染之间进行权衡，只有当城市经济发展到一定水平后，政府才会从优先发展经济转向空气污染治理 [50]。二是随着居民收入的提高，雾霾污染对环境治理会产生反馈作用，公众会提高对空气质量的诉求，有利于提高政府污染治理成效 [16，49]。
1.3 城市化与雾霾污染的空间特征
雾霾污染本身具有空间溢出效应 [9，17]。在城市群内，城市之间在地理位置上的邻近特征和产业转移等社会经济活动上的紧密联系进一步加强了雾霾污染的空间传输作用 [51]，使得邻近城市的城市化水平和污染治理也会影响当地的雾霾污染 [9]，因此區域联防联控机制是治理雾霾的重要策略 [17]。Fang等 [52]的研究表明，京津冀地区的城市空气污染治理能够降低当地雾霾污染，但会导致雾霾扩散至周边城市。李永友和沈坤荣 [39]发现地区之间的环境规制存在严重的竞争效应，邻近地区污染治理政策的严厉程度对本地污染治理决策具有显著影响。Wu等 [53]以北京为例，证明如果中心城市联合周围城市实施区域空气污染治理，将比其独自进行污染治理节约更多成本并达到更好的治理成效。
1.4 文献述评
从现有文献回顾可以看出，不论是以人口、经济还是土地度量的城市化，对雾霾污染均产生了非线性影响，而城市污染治理能够降低城市化带来的空气污染。一般在城市化的早期和快速发展阶段，城市化可能导致空气质量下降。中国快速城市化中的雾霾污染问题因而受到了学者的广泛关注。然而，现有研究依然存在几方面可以进一步挖掘的问题。一是城市化本身具有丰富的内涵，而大多数现有文献仅采用单一指标度量城市化进程，有必要就城市化的几个主要方面对雾霾污染的贡献程度进行研究。二是中国的城市化已经呈现城市群发展态势，但城市群视角下的城市化与雾霾污染研究还较为缺乏，且大多集中在京津冀、长三角和珠三角这三大城市群，有待更大范围的比较研究。三是不同于大多数相关研究以污染浓度为因变量，作者采用污染暴露指标来衡量城市雾霾污染对城市居民健康的危害程度，该指标是世界银行衡量空气污染的主要指标之一。
2 政策背景
2.1 雾霾防治相关政策背景
近年来，北京等城市的雾霾污染备受媒体和大众关注。2011年开始，北京、广州、上海等多个重点城市率先公布PM2.5监测数据。2013年1月11日，北京空气质量监测数据显示，北京的城区和郊区都被最严重等级的雾霾污染笼罩，PM2.5指数达到240到446之间，属六级严重污染。随后，中央和地方政府出台大气污染治理政策，重拳治理雾霾污染。
2013年9月10日，国务院发布了《大气污染防治行动计划》（简称“大气十条”），首次针对PM2.5浓度对各地级市空气质量提出要求：到2017年，全国地级及以上城市可吸入颗粒物浓度比2012年下降10%以上，京津冀、长三角、珠三角等区域细颗粒物浓度分别下降25%、20%、15%左右。为了实现以上目标，计划中提出了一些具体措施，例如加强污染的末端排放治理、改善能源结构、提升产业结构、降低排放强度、推行清洁生产、发展公共交通、倡导节约绿色的消费方式和生活习惯、建立区域治理协作机制等，同时，中央与各省级政府签订目标责任书，定期公布城市空气质量排名，进行年度考核，严格责任追究。 尽管“十一五”（2006—2010年）和“十二五”（2011—2015年）规划纲要分别将能源强度和二氧化碳排放强度纳入环境发展约束性指标，但没有考虑雾霾污染指标。“十三五”（2016—2020年）规划纲要首次将PM2.5浓度作为空气质量发展约束性指标，强调了要加大重点地区，特别是京津冀地区的PM2.5污染治理力度，要求未达标城市的PM2.5浓度在5年内累计下降18%。
2.2 城市群相关政策背景
在地区层面，城市群的相关政策最早可追溯到1996年广东省城乡建设委员会编制的《珠江三角洲经济区城市群规划——协调与持续发展》从2001年开始，其他各省市地区也陆续提出建设都市圈、城市群的规划纲要。
在全国层面，“十五”规划纲要（2001—2005年）提出要完善区域性中心城市功能，发挥大城市的辐射带动作用，引导城镇密集区有序发展，培育新的经济增长点和经济带。“十一五”规划纲要（2006—2010年）进一步提出，要把城市群作为推进城镇化的主体形态，促进经济发展与人口、资源、环境相协调，形成高效协调可持续的城镇化空间格局。“十二五”规划（2011—2015年）强调，要促进城市群的人口和产业集聚，统筹谋划人口分布、经济布局、国土利用和城镇化格局。“十三五”（2016—2020年）规划进一步赋予城市群绿色发展的战略目标，强调跨区域城市间生态保护和环境治理协调联动，规划建设低碳发展的现代城市群。
根据全国主体功能区规划要求，2013年开始形成的中国城市群结构为“5 + 9 + 6”模式，即五个国家级，九个区域型和六个地区性城市群。文章选择了五个国家级城市群（京津冀、长三角、珠三角、长江中游、成渝），以及四个国家发改委已公布发展规划的区域性城市群（中原、关中平原、北部湾、哈长）作为样本。
根据国家发改委印发的各城市群发展规划和国务院印发的《关于建立更加有效的区域协调发展新机制的意见》文件，每个城市群均有1 ～ 3个中心城市（表1），这些中心城市一般是城市群中经济最发达的城市。中心城市的内涵与Jefferson[54]提出的“首位城市”（primate city）概念类似，指一个国家或区域规模最大、经济最发达的城市。中心城市一般是区域中经济要素和人力资本的集聚中心，具有一定的资源分配权，对外围城市有吸引力和辐射带动作用，具有政治和经济上的绝对优势，负责促进区域的经济、社会、文化、生态全面高质量发展。
3 方法和数据
3.1 时空分解方法
文章采用时空对数平均迪氏指数（spatial-temporal logarithmic mean Divisia index， ST-LMDI）分解法 [18]，该方法是LMDI的最新进展，旨在解决传统分解法进行时空比较时不直接、低效率的问题，使LMDI方法具有时空可比性，因此能够方便地进行跨城市群、跨时间段和城市群内部的比较。传统对数LMDI可以对能源消费（强度）、碳排放（强度）变化的社会经济影响因素，如经济结构、能源强度、能源结构等进行分解，考察各影响因素的贡献程度 [55]。LMDI方法已经得到广泛的应用，主要研究一国（区域）内、区域之间和区域-时间维度的能源经济问题 [56-62]。ST-LMDI具有如下特点。第一，继承了传统LMDI方法的优点，可以对污染排放的影响因素进行相对灵活的分解，且相较其他指数分解法，可以做到消除分解余项，并能更好地处理零值问题 [63-64]。第二，传统LMDI分解法在进行跨区域和跨时间段比较时仅能进行两两比较，难以进行更大时空尺度的高效率比较分析;时空LMDI分解法通过样本均值构建比较基准，避免了参考区域选择的随意性，且易于计算、满足循环性检验，从而可以有效地同时进行区域之间比较和趋势发展的分析 [18]。文章将采用ST-LMDI方法，并在以下方面进行了拓展。
3.1.1 雾霾暴露的城市化影响因素分解
在传统LMDI分解法的基础上进行拓展，对雾霾暴露指标在城市化层面的影响因素进行分解。已有研究一般考察PM2.5排放或浓度，运用LMDI方法时通常将其分解为经济增长、人口规模和排放强度 [65-66]。文章进一步开展了如下两方面工作：一是考察雾霾暴露而非雾霾浓度。雾霾暴露指标更侧重于衡量雾霾污染对人类活动和健康的影响。世界银行将雾霾暴露定义为一个地区的人口暴露于PM2.5的平均水平，计算方法是将地区的PM2.5年平均浓度按该地人口比重进行加权。二是侧重于将雾霾暴露分解为与城市化紧密相关的几个因素，包括人口集聚、人口密度、城市扩张、经济增长和排放强度五大因素，分别体现了人口城市化、土地城市化、经济城市化、城市污染治理等城市化的不同内涵。
具体而言，第一步将九大城市群的城市人口加权平均雾霾暴露指标 进行如下分解：
=∑Ni=1i=∑Ni=1LiLPi=∑Ni=1LiL·LiAi·Ai·YiLi·PiYi=
∑Ni=1PAi·PDi·CEi·PYi·EIi （1）
其中，下标 i 代表城市，N=147 代表样本中城市总数; i 表示城市雾霾暴露水平;表示城市PM2.5浓度; Li 和 L 分别表示城市的人口和所有城市的总人口; Ai 表示城市建成区面积; Yi 表示城市生产总值。上式将雾霾暴露分解为五个因素：①两个人口城市化变量。城市人口集聚（Population Agglomeration，PAi ），为城市 i 的人口占所有城市总人口的比例，反映城市人口的相对集聚程度和极化水平;城市人口密度（Population Density，PDi ），为城市单位面积的人口数量，反映城市拥挤程度。②一个土地城市化变量。城市扩张（City Expansion，CEi ）为城市建成区面积，既反映了在城市化过程中城市面积的自發延展，也可以反映中国带有行政色彩的土地城市化进程，如“撤县设市”“撤县设区”和建设工业园等。③一个经济城市化变量。城市人均GDP（Per capita GDP， PY i），反映了城市化进程中城市的经济增长情况，也内含了生产水平、生活水平的变化。④城市污染治理变量。PM2.5排放强度（Emissions Intensity，EIi ），即单位GDP雾霾污染浓度，反映城市经济发展和污染排放的关联程度，排放强度的降低可能反映了更强的污染治理政策，也可能反映了污染控制技术水平的提高。 将全部样本数据使用ST-LMDI方法进行分解，再将分解结果在城市群层面上进行加总，得到每个城市群的分解结果：
=∑Ni=1i=∑Kj=1kjj （2）
其中， j代表城市群，K=9，代表样本中城市群总数;对于任一个城市群j，包含kj个城市。j=1kj∑ kji=1i，表示城市群j的平均雾霾暴露。由于每个城市群所包含的城市数量不同，城市群层面上的分析须在平均水平上进行。
3.1.2 时空比较方法
利用ST-LMDI方法的特点，对分解结果在不同城市群、不同时间段的更大时空范围内进行比较。Ang等 [18]提出，可以使用所有样本的平均值来构建一个基准城市，使之与所有样本城市的所有年份进行比较，进而所有城市和年份之间的比较都是基于同一个标准，可以突破两两比较的局限。
使用样本中全部城市、全部年份各变量数值的算数平均值来构造一个基准城市 [18]， 记为城市u，其雾霾暴露水平记为u。
在 t=0时刻，城市i与基准城市雾霾暴露的差异可以分解为上述五个贡献因素在城市i与基准城市u之间的差异：
Δi0-u=i0-u=Δ PAi0-u+Δ PDi0-u+
Δ CEi0-u+Δ PYi0-u+Δ EIi0-u （3）
在t=T时刻，城市与基准城市雾霾暴露的差异同样可以分解为：
ΔiT-u=iT-u=Δ PAiT-u+Δ PDiT-u+Δ CEiT-u+
Δ PYiT-u+Δ EIiT-u （4）
则城市从到时期的雾霾暴露变化大小可分解为：
ΔiT-i0=iT-i0=（iT-u）-（i0-u）=ΔiT-u-Δi0-u
=∑Δ eiT-i0，e={PA，PD，CE，PY，EI} （5）
在上式中，各分解项（影响因素）对城市 i 的雾霾暴露变化大小的贡献（0到T期）可表示为：
Δ eiT-i0=Δ eiT-u-Δ ei0-u=wiT-ulneiTeu-wi0-ulnei0eu，e
={PA，PD，CE，PY，EI} （6）
其中， e为各影响因素的数值;权重w是城市i与基准城市u的雾霾暴露对数平均值：
wiT-u=L（iT，u）=iT-ulniT-lnu （7）
根据文献[18]，可以将城市分解结果在城市群层面进行加总，从而更便利地对城市群进行时空比较。 记城市群j在时期0和时期T 的（平均）雾霾暴露分别为 j0=1kj∑ kji=1i0和jT=1kj∑ kji=1iT，则城市群j从0到T时期的雾霾暴露变化大小可分解为：
ΔjT-j0=jT-j0=1kj∑kji=1（iT-i0）
=∑Δ ejT-j0，e={PA，PD，CE，PY，EI} （8）
将各因素对城市群 j的雾霾暴露变化大小的贡献记为C ej， 单位为ug/m 3，表示的是由因素引起的雾霾暴露变化大小（0到T期）：
C ej=Δ ejT-j0，e={PA，PD，CE，PY，EI} （9）
将因素e对城市群j的雾霾暴露变化率的贡献记为CR ej，单位为%，反映该因素导致雾霾暴露变化的百分比，有助于更好地进行跨城市群和城市群内部的跨期比较。其中城市群j的雾霾暴露变化率为其T期雾霾暴露相对0期的变化百分比（ΔjT-jojo×100%）。
CR ej=C ejjo×100%，e={PA，PD，CE，PY，EI} （10）
3.2 数据说明
文章使用的地级市样本数据分属中国五个国家级城市群（长三角、京津冀、珠三角、长江中游、成渝）和四个区域性城市群（中原、关中平原、北部湾、哈长）。剔除了在样本期间因“撤县设市”新设立的5个地级市后，样本最终包含147个地级市，其总常住人口在2018年占全国的58%。样本期间为2001—2018年，涵盖了“十五”到“十二五”三个完整五年计划时期和“十三五”前半段的数据。
地级市 PM2.5浓度数据（2001—2018年）来自加拿大达尔豪斯大学大气成分分析组（Dalhousie University Atmospheric Composition Analysis Group）最新发布的适用于中国的地表PM2.5遥感反演数据（V4.CH.03）。利用ArcGIS软件的统计工具提取出地级市PM2.5年平均浓度值（ug/m 3）。该数据集综合了卫星监测数据和地面监测站数据的优点，具有精度高、受大气因素影响小、覆盖范围广、时间跨度长等优点。
用于构造雾霾暴露水平和各分解项的社会经济变量包括：地级市常住人口、城市建成区面积和市辖区GDP，来自EPS（Economy Prediction System）数据库和中国各省统计年鉴。对上述变量进行如下说明和处理：第一，对市辖区GDP数据，以2001年为基准年进行价格平减。第二，采用地级市常住人口而非户籍人口，前者更能体现城市真实的人口流动情况。第三，采用地级市的建成区面积而非行政区划面积来衡量城市扩张。中国的统计部门用建成区来反映城市化区域大小。城市建成区是指一个市政区范围内经过征用的土地和实际建设发展起来的非农业生产建设的地段，包括市区集中连片的部分以及分散在近郊区域、与城市有密切联系、具有基本完善的市政公用设施的城市建设用地。
4 雾霾暴露水平的城市化影响因素
4.1 城市群霧霾暴露的时空特征
首先，对九大城市群的雾霾暴露进行空间比较。2018年雾霾暴露水平最高的前三个城市群是京津冀、中原和长三角，分别达到0.44 ug/m 3、0.36 ug/m 3和0.28 ug/m 3。接下来，长江中游和关中平原的雾霾暴露也达到了0.20 ug/m 3。在九大城市群中，北部湾的雾霾暴露水平最低，为0.13 ug/m 3;在五大国家级城市群中，珠三角的雾霾暴露水平最低，为0.18 ug/m 3。 其次，对各城市群雾霾暴露的变化趋势进行观察。在“十五”至“十一五”阶段（2001—2010年），雾霾暴露在所有城市群均呈波动上升趋势。从2011年开始，雾霾污染问题受到广泛关注，地方和中央的大气污染治理政策也陆续推出。在“十二五”到“十三五”前半段（2011—2018年），雾霾暴露在大多数城市群波动下降。具体来说，京津冀的雾霾暴露在2001—2013年期间上升了59%到0.78 ug/m 3，随后持续下降了43%到2018的0.44 ug/m 3;长三角和珠三角在2001—2011年间分别增长了40%和47%，随后到2018年均下降了34%;成渝和哈长分别在2010年和2014年达到顶峰，随后到2018年分别下降了50%和37%;其余城市群在2001—2011年期间上升了15%～44%，随后到2018年下降37%～43%。
4.2 跨城市群的分解结果比较
城市化进程的不同内涵对雾霾暴露水平的变化产生了明显贡献。作者以五年计划为单位展示分解结果，分时间段考察城市化层面不同影响因素对雾霾暴露变化大小和变化率的贡献（图1）。考虑到2013年9月中国出台了严厉的雾霾治理政策，特别将“十二五”阶段划分为2013年前后两个时间段进行展示。
整体而言，城市扩张 （CE）和经济增长（PY）是导致雾霾暴露升高的主要因素;人口密度（PD）和排放强度（EI）是促使雾霾暴露降低的主要因素;人口集聚因素（PA） 的贡献在长三角、京津冀和珠三角主要导致雾霾暴露水平提高，在其他多数城市群促使其下降。
4.2.1 人口集聚和人口密度
人口集聚和人口密度反映了人口城市化的两个方面。2015年之前，人口集聚的贡献主要在前三大城市群为正，增加了这些城市群的雾霾暴露水平，而在其他城市群其本身变化及对雾霾暴露的贡献均较小;2016年后在长三角和京津冀城市群变为负，而在其他多数城市群为正。具体而言，人口集聚在“十五”阶段引起雾霾暴露变化的绝对值在6%以内。但从“十一五”开始，该因素在长三角、京津冀、珠三角分别导致雾霾暴露提高了7%、6%、13%;在其他城市群贡献为负，且绝对值大多低于5%，主要是由于前三大城市群相对其他城市群而言人口吸引力更大，人口集聚带来的环境净收益可能为负，导致雾霾暴露水平上升。到了“十二五”后期，人口集聚因素的贡献在长三角减小，在京津冀变为负。“十三五”前半段，其在前两大城市群的贡献已全部转变为负，分别为-3%和-10%。这可能是因为在长三角和京津冀城市群，由于实行人口控制，人口流入开始放缓，同时居民的绿色生活和出行的意识提高，清洁基础设施建设更完善，有效缓解了居民生活带来的环境压力，有助于提高空气质量。人口集聚对其他多数城市群的雾霾暴露贡献变为正的2%～5%，其中珠三角保持高人口流入水平，仍然给环境带来一定压力;其他城市群小幅的人口流入明显提高了雾霾暴露，可能由于这些地区的基础设施建设还不完善，较粗放的居民生活方式带来了空气污染。
人口密度是促使城市群雾霾暴露降低的一个主要因素，其贡献在样本期间始终为负。由于土地扩张速度比人口增加速度更快，九个城市群的人口密度在前三个五年计划阶段和“十三五”前半段分别下降10%～35%和1%～3%，分别促使雾霾暴露下降了9%～87%和0.1%～20%。人口密度降低有助于缓解交通拥堵，减少汽车尾气排放，进而降低雾霾污染。
尽管在前三大城市群，人口集聚对雾霾暴露的贡献为正，但由于人口密度因素的负向贡献程度始终高于人口集聚因素，人口城市化两类因素的贡献总和为负。因此，“十二五”规划中倡导的“统筹谋划人口分布”“引导人口向适宜开发区域集聚”的人口城市化政策总体而言可以降低九大城市群的雾霾暴露水平。
4.2.2 城市扩张
城市扩张是导致城市群雾霾暴露上升的主要因素。在中国的城市化进程中，各城市群实际建成区面积不断扩张，在“十五”“十一五”“十二五”阶段分别增加21%～121%、14%～41%和16%～46%，对雾霾暴露水平上升分别贡献了18%～91%、12%～41%和16%～44%。在“十五”和“十一五”阶段，城市扩张对雾霾暴露的贡献在长三角、京津冀和珠三角城市群相对其他城市群更大。但从“十二五”开始，其他城市群也发生了明显的地理扩张，对提高雾霾暴露水平的贡献也明显增大。在“十三五”前半段，城市土地扩张速度略微下降，建成区面积平均增加了13%左右，对长三角、京津冀和哈长城市群雾霾暴露的正向贡献减小至3%、0.3%和4%，但仍促使其他城市群的霧霾暴露水平上升了12% ～ 18%。土地扩张会带来大量工业、公路和住房投资，当前我国的能源结构以煤炭消费为主，投资导致的能源消耗大幅增加会加剧雾霾污染;而长三角和京津冀等地区完善的基础设施建设和严格的环境规制等措施可以有效减少城市扩张带来的雾霾污染。因此，尽管“十一五”规划就开始强调要“严格控制建设用地增量”，但多数城市快速的土地城市化进程形成了分散型城市布局，大幅加剧了城市群的雾霾污染，其不利影响直到“十三五”阶段才开始减小。
4.2.3 经济增长
经济增长对雾霾暴露的正向贡献逐渐减弱。“十五”阶段，经济增长在各城市群都是导致雾霾暴露上升的一项重要因素。经济增长的贡献在珠三角、关中平原和长三角高达27%～57%，在其他城市群为5%～22%。“十一五”开始，经济增长对雾霾暴露的影响在前三大城市群减弱至1%～10%，在中西部的长江中游和成渝城市群分别增大到19%和18%，这种趋势维持到“十二五”结束。“十三五”前半段，经济增长放缓，对雾霾暴露的正向贡献大多减小或变为负，促使长三角、珠三角、北部湾和哈长城市群的雾霾暴露降低5%～7%，但导致其余城市群增加了5%～14%。值得关注的是，经济城市化在长三角和珠三角城市群开始促使雾霾暴露降低，但在京津冀城市群仍加剧了雾霾污染。这可能是因为长三角和珠三角地区的主要产业为服务业、高新技术业和轻工业，较容易实现产业升级和清洁生产;而京津冀城市群除了北京和天津，其余城市主要是重工业，产业升级难度较大，绿色发展道阻且长。 [11]HAN L， ZHOU W， LI W， et al. Urbanization strategy and environmental changes： an insight with relationship between population change and fine particulate pollution[J]. Science of the total environment， 2018，642： 789-799.
[12]HUANG R J， ZHANG Y， BOZZETTI C， et al. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature， 2014， 514（7521）： 218-222.
[13]LIANG L， WANG Z， LI J. The effect of urbanization on environmental pollution in rapidly developing urban agglomerations[J]. Journal of cleaner production， 2019 ，237： 117649.
[14]LIN B， ZHU J. Changes in urban air quality during urbanization in China[J]. Journal of cleaner production， 2018 ，188： 312-321.
[15]LUO Z， WAN G， WANG C， et al. Urban pollution and road infrastructure： a case study of China[J]. China economic review， 2018 ，49： 171-183.
[16]GREENSTONE M， HANNA R. Environmental regulations， air and water pollution， and infant mortality in India[J]. American economic review， 2014， 104（10）： 3038-3072.
[17]邵帥，李欣，曹建华， 等.中国雾霾污染治理的经济政策选择：基于空间溢出效应的视角[J].经济研究，2016，51（9）：73-88.
[18]ANG B W， SU B， WANG H. A spatial-temporal decomposition approach to performance assessment in energy and emissions[J]. Energy economics， 2016 ，60： 112-121.
[19]GAIGNé C， RIOU S， THISSE J F. Are compact cities environmentally friendly？[J]. Journal of urban economics， 2012， 72（2/3）： 123-136.
[20]ROSENTHAL S S， STRANGE W C. The determinants of agglomeration[J]. Journal of urban economics， 2001， 50（2）： 191-229.
[21]WU J， ZHENG H， ZHE F， et al. Study on the relationship between urbanization and fine particulate matter （PM2.5） concentration and its implication in China[J]. Journal of cleaner production， 2018 ，182： 872-882.
[22]XU S C， MIAO Y M， GAO C， et al. Regional differences in impacts of economic growth and urbanization on air pollutants in China based on provincial panel estimation[J]. Journal of cleaner production， 2019 ，208： 340-352.
[23]HENDERSON V. The urbanization process and economic growth： the so-what question[J]. Journal of economic growth， 2003， 8（1）： 47-71.
[24]BRüLHART M， SBERGAMI F. Agglomeration and growth： cross-country evidence[J]. Journal of urban economics， 2009， 65（1）： 48-63.
[25]ZHENG S， KAHN M E. Understanding China’s urban pollution dynamics[J]. Journal of economic literature， 2013， 51（3）： 731-772.
[26]AUNAN K， WANG S. Internal migration and urbanization in China： impacts on population exposure to household air pollution （2000-2010）[J]. Science of the total environment， 2014， 481： 186-195. [27]SHEN H， TAO S， CHEN Y， et al. Urbanization-induced population migration has reduced ambient PM2.5 concentrations in China[J]. Science advances， 2017， 3（7）： e1700300.
[28]GROSSMAN G M， KRUEGER A B. Economic growth and the enviroment[J]. The quarterly journal of economics， 1995， 110（2）： 353-377.
[29]CHAY K Y， GREENSTONE M. Does air quality matter： evidence from the housing market[J]. Journal of political economy， 2005， 113（2）： 376-424.
[30]阚大学，罗良文.我国城市化对能源强度的影响：基于空间计量经济学的分析[J].当代财经，2010（3）：83-88.
[31]KAHN M E， SCHWARTZ J. Urban air pollution progress despite sprawl： the ‘greening’ of the vehicle fleet[J]. Journal of urban economics， 2008， 63（3）： 775-787.
[32]魏巍贤，马喜立.能源结构调整与雾霾治理的最优政策选择[J].中国人口·资源与环境，2015，25（7）：6-14.
[33]PUGA D. Urbanization patterns： European versus less developed countries[J]. Journal of regional science， 1998，38（2）： 231-252.
[34]DENG X， YU Y， LIU Y. Effect of construction land expansion on energy-related carbon emissions： empirical analysis of China and its provinces from 2001 to 2011[J]. Energies， 2015，8（6）： 5516-5537.
[35]TIAN J， LIU W， LAI B， et al. Study of the performance of eco-industrial park development in China[J]. Journal of cleaner production， 2014，64： 486-494.
[36]田金平，劉巍，赖玢洁， 等.中国生态工业园区发展的经济和环境绩效研究[J].中国人口·资源与环境，2012，22（增刊2）：119-122.
[37]LI N， ZHANG X， SHI M， et al. Does China’s air pollution abatement policy matter： an assessment of the Beijing-Tianjin-Hebei region based on a multi-regional CGE Model[J]. Energy policy， 2019 ，127： 213-227.
[38]YAN Y， ZHANG X， ZHANG J， et al. Emissions trading system （ETS） implementation and its collaborative governance effects on air pollution： the China story[J]. Energy policy， 2020 ，138： 111282.
[39]李永友，沈坤荣.我国污染控制政策的减排效果：基于省际工业污染数据的实证分析[J].管理世界，2008（7）：7-17.
[40]KAHN M E， MANSUR E T. Do local energy prices and regulation affect the geographic concentration of employment？[J]. Journal of public economics， 2013， 101： 105-114.
[41]LI X， QIAO Y， SHI L. Has China’s war on pollution slowed the growth of its manufacturing and by how much：evidence from the Clean Air Action[J]. China economic review， 2019 ，53： 271-289.
[42]RUBASHKINA Y， GALEOTTI M， VERDOLINI E. Environmental regulation and competitiveness： empirical evidence on the Porter Hypothesis from European manufacturing sectors[J]. Energy policy， 2015 ，83： 288-300.
[43]王兵，刘光天.节能减排与中国绿色经济增长：基于全要素生产率的视角[J].中国工业经济，2015 （5）：57-69. [44]王國印，王动.波特假说、环境规制与企业技术创新：对中东部地区的比较分析[J].中国软科学，2011（1）：100-112.
[45]DASGUPTA S， LAPLANTE B， WANG H， et al. Confronting the Environmental Kuznets Curve[J]. Journal of economic perspectives， 2002， 16（1）： 147-168.
[46]陈诗一.节能减排与中国工业的双赢发展：2009—2049[J].经济研究，2010，45（3）：129- 143.
[47]DONG Q， LIN Y， HUANG J， et al. Has urbanization accelerated PM2.5 emissions： an empirical analysis with cross-country data[J]. China economic review， 2020 ，59： 101381.
[48]JIA S， LIU X， YAN G. Effect of APCF policy on the haze pollution in China： a system dynamics approach[J]. Energy policy， 2019，125： 33-44.
[49]郑思齐，万广华，孙伟增， 等.公众诉求与城市环境治理[J].管理世界，2013（6）：72-84.
[50]黎文靖，郑曼妮.空气污染的治理机制及其作用效果：来自地级市的经验数据[J].中国工业经济，2016（4）：93-109.
[51]马丽梅，张晓.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，2014（4）：19-31.
[52]FANG D， CHEN B， HUBACEK K， et al. Clean air for some： unintended spillover effects of regional air pollution policies[J]. Science advances， 2019， 5（4）： eaav4707.
[53]WU D， XU Y， ZHANG S. Will joint regional air pollution control be more cost-effective： an empirical study of China’s Beijing-Tianjin-Hebei Region[J]. Journal of environmental management， 2015，149： 27-36.
[54]JEFFERSON M. The law of the primate city[J]. Geographical review， 1939， 29（2）： 226-232.
[55]ANG B W. The LMDI approach to decomposition analysis： a practical guide[J]. Energy policy， 2005， 33（7）： 867-871.
[56]ZHANG Y， ZHANG J， YANG Z， et al. Regional differences in the factors that influence China’s energy-related carbon emissions， and potential mitigation strategies[J]. Energy policy， 2011， 39（12）： 7712-7718.
[57]WU Y. Energy intensity and its determinants in China’s regional economies[J]. Energy policy， 2012 ，41： 703-711.
[58]MOUTINHO V， MOREIRA A C， SILVA P M. The driving forces of change in energy-related CO2 emissions in Eastern， Western， Northern and Southern Europe： the LMDI approach to decomposition analysis[J]. Renewable and sustainable energy reviews， 2015，50： 1485-1499.
[59]ZHANG W， LI K， ZHOU D， et al. Decomposition of intensity of energy-related CO2 emission in Chinese provinces using the LMDI Method[J]. Energy policy， 2016， 92： 369-381.
[60]TAN R， LIN B. What factors lead to the decline of energy intensity in China’s energy intensive industries？[J]. Energy economics， 2018，71： 213-221.
[61]YANG X， SU B. Impacts of international export on global and regional carbon intensity[J]. Applied energy， 2019， 253： 113552. [62]ZHENG J， MI Z， COFFMAN D M， et al. Regional development and carbon emissions in China[J]. Energy economics， 2019 ，81： 25-36.
[63]ANG B W. Decomposition analysis for policymaking in energy： which is the preferred method？[J]. Energy policy， 2004， 32（9）： 1131-1139.
[64]ANG B W， XU X Y， SU B. Multi-country comparisons of energy performance： the index decomposition analysis approach[J]. Energy economics， 2015 ，47： 68-76.
[65]DONG F， YU B， PAN Y. Examining the synergistic effect of CO2 emissions on PM2.5 emissions reduction： evidence from China[J]. Journal of cleaner production， 2019，223： 759-771.
[66]ZHANG Y， SHUAI C， BIAN J， et al. Socioeconomic factors of PM2.5 concentrations in 152 Chinese cities： decomposition analysis using LMDI[J]. Journal of cleaner production， 2019 ，218： 96-107.
Urbanization and its contribution to haze exposure：
a spatial-temporal decomposition of Chinese urban agglomerations
WANG Banban 1 LIAO Xiaojie 1 TAN Xiujie 2
（ 1. School of Economics， Huazhong University of Science and Technology， Wuhan Hubei 430074， China; 2. Institute for International Studies， Wuhan University， Wuhan Hubei 430072， China）
Abstract China’s rapid urbanization process is accompanied by a nonlinear change in haze exposure. In order to quantify the contribution of different aspects of urbanization to haze pollution， this paper decomposed the haze exposure of China’s nine major urban agglomerations in 2001-2018. Haze exposure， one of the main air pollution indices used by the World Bank， focuses on measuring the harm of haze pollution to human activities and health. We considered several impact factors including population agglomeration， population density， city expansion， economic growth and emission intensity， reflecting population urbanization， land urbanization， economic urbanization and pollution controlling， respectively. The spatial-temporal LMDI （ST-LMDI） decomposition method was applied， facilitating a multi-dimensional comparison of decomposition results across urban agglomerations， over time periods and within urban agglomerations. Our results showed that： ① In 2001-2018， city expansion and economic growth mainly increased the haze exposure of urban agglomerations， while population density and emission intensity led to the decrease; the contribution of population agglomeration was positive mainly in the top three urban agglomerations， but it changed to negative in Yangtze River Delta（YRD） and Beijing-Tianjin-Hebei （BTH） after 2016. ② After 2013， the positive effect of emission intensity on haze pollution controlling was increasing and the negative effects of city expansion and economic growth were decreasing. ③ Within urban agglomerations， before 2013， population urbanization increased the haze exposure of the central cities in YRD and BTH， reflecting their strong attraction to people; after 2013， population agglomeration reduced some central cities’ haze exposure but increased that of their peripheral cities， reflecting the benefits of population decentralization. ④ Some central cities had realized green land or green economic urbanization， but extensive land expansion still existed in peripheral cities. The negative contribution of emission intensity in peripheral cities significantly increased， showing the profits of collaborative governance within urban agglomerations. Therefore， we suggest that for urban agglomerations， governments should continue to fully implement the action plan for preventing and controlling air pollution， strengthen the environmental protection law enforcement， improve coordinated inter-regional prevention and control efforts，and strengthen the exchange and cooperation on air pollution control technologies and management experience among cities.Within urban agglomerations， in view of the population， land and economic urbanization of peripheral cities， governments should increase the infrastructure construction to build green and habitable satellite cities， strengthen environmental governance in new urban areas， construct eco-friendly industrial parks， develop clean production technology， and promote industrial structure optimization.
Key words haze exposure; urbanization; urban agglomeration; spatial-temporal decomposition; LMDI
（責任编辑：王爱萍）
关键词 雾霾暴露;城市化;城市群;时空分解;LMDI
中图分类号 F061.5 ; F062.2 文献标识码 A 文章编号 1002-2104（2021）07-0063-12 DOI：10.12062/cpre.20201211
中国正在经历快速的城市化进程，以城市常住人口占比度量的城镇化率从2001年的37.66%上升到2019年的60.60% [1-2]，在城市化进程中，中国已形成了20个左右的大中型城市群。城市群建设在中国区域协调发展和可持续发展中发挥着重要的作用。“十四五”规划强调，要“推动城市群一体化发展”，“统筹推进基础设施协调布局、产业分工协作、公共服务共享、生态共建环境共治”，“提高中心城市综合承载能力和资源优化配置能力，强化对区域发展的辐射带动作用”。城市化与空气污染呈非线性关系，城市化发展往往伴随着空气污染与治理问题 [3-6]。中国快速增长的大城市及其雾霾污染问题引起了研究者的关注 [6–10]，对中国城市人口雾霾暴露风险的测算表明，2014年中国有7.23亿人口暴露于雾霾污染，在15年间增加了17%，且大城市的雾霾暴露问题更严重 [11]。雾霾污染主要来自城市居民活动、工业生产、交通行驶等过程，也与城市人口集聚、经济增长、结构调整、土地扩张等诸多因素高度相关 [12–15]。雾霾污染会降低城市吸引力，不利于人力资本积累，进而损害城市经济增长 [6，16]。随着中国城市的发展，雾霾污染治理成为政府的重要工作之一。考虑到城市群紧凑的空间分布和雾霾污染的空间溢出效应 [9，17]，有必要就中国城市化对雾霾污染的影响因素进行更全面的比较和分析。文章以2001—2018年的中国九大城市群为样本，基于时空LMDI分解法 [18]，考察人口城市化、土地城市化、经济城市化、城市污染治理对雾霾污染的贡献程度，并将分解结果进行跨城市群、跨时间段和城市群内部的多维度比较。文章的边际贡献有三点。第一，利用LMDI分解法在时空分解上的新进展 [18]，定量分析了城市化的社会经济因素对雾霾污染的贡献及其在跨时期、跨城市群、城市群内部之间的差异，对城市化进程中的雾霾污染治理具有一定的政策启示。第二，拓展了传统分解法的影响因素，侧重于考察城市化层面因素的贡献，并根据城市化的不同内涵，将雾霾污染的贡献因素分解为人口城市化、土地城市化、经济城市化和城市污染治理的相应指标;雾霾暴露指标用于衡量雾霾污染，能够更好地体现城市雾霾污染对人体健康的危害程度，也是世界银行衡量空气污染的主要指标之一。第三，考虑到雾霾污染的空间相關特征，文章将现有关于城市群雾霾污染的研究范围扩大到了中国前九大城市群。
1 文献综述
1.1 城市化与空气污染
城市化的主要特征为人口集聚、经济集聚和城市土地扩张 [19-20]，分别体现了人口、经济和土地三方面的城市化过程 [10，21-22]。城市化在带来规模经济、知识溢出、低运输成本等集聚收益的同时，也可能导致集聚无效率，引发拥堵和空气污染等“城市病” [23-24]。随着城市化的推进，居民的收入和教育水平提高，对空气质量的要求也会更高 [16]。因此为了实现城市的可持续发展，政府需要对空气污染采取有效的治理措施。
人口集聚是城市化的首要特征，从规模、拥堵和聚集效应等方面对雾霾污染产生复杂影响。一方面，人口规模增加提高了城市能源需求，导致污染暴露水平上升 [25]，同时市中心人口密度提高会带来交通拥堵，加剧颗粒物排放 [15];另一方面，人口集聚具有正外部性，促进了技术进步，还有利于发挥公共基础设施（如地铁、天然气）和私人清洁技术投资的集聚效应和规模效应，减少了市中心居民对汽车的依赖，促使其向绿色生活方式转变 [26-27]，从而降低雾霾污染。
经济集聚与人口集聚相伴随，促进了创新和经济增长。经济增长对雾霾污染可能存在倒“U”型的非线性影响 [28]。一方面，当经济增长主要依赖于第二产业时，工业经济规模增加会大幅提高能源消耗，增加雾霾污染排放 [7，29]。另一方面，规模经济和集聚效应有助于提高资源配置效率和能源使用效率，降低运输和通勤成本，激发技术创新，推进清洁生产 [6，30-31]，并且当经济发展到一定程度时，能源结构调整和产业结构升级也有利于降低雾霾污染 [32]。 城市扩张是城市化的另一个重要特征，在中国包括自发扩张和行政扩张两种形式，对雾霾污染也产生双向影响。自发扩张是指由市中心的拥挤、污染和高昂租金所驱动的居民和公司的自发外迁，会形成更大的城市空间。但紧凑城市理论认为较高的城市密度能够通过集聚和规模效应来减少碳排放，从而改善环境;但在分散型城市，郊区的高通勤成本和粗放的生产生活方式会增加能源消耗和污染排放 [19，32-33]。邵帅等 [8]证明，紧凑集约型的城市化深度推进模式有助于降低雾霾污染，而扩张型城市化则不利于雾霾减排。城市化还可通过行政式的土地快速扩张来实现。中国的“撤县设区”“撤县设市”、建设工业园等活动促进了当地的城市化和工业化，带来了住房、工业和公路投资，增加了能源消耗，甚至产生了过度投资和资源浪费的问题，导致低效率城市化，降低了城市空气质量 [34]。但近年来中国着重建设“生态工业园”，旨在保持经济增长的同时实现生态保护，有利于改善环境 [35-36]。
空气污染会对城市发展产生不利影响，而地方政府的环境规制措施能够显著减少雾霾等空气污染 [6，29，37-39]。对于生产者，环境规制能够通过阻止污染企业进入、促进产业结构升级、督促企业使用循环减排装置、刺激绿色创新等措施来减少污染排放 [40-44]。对于消费者，环境规制可以通过环境披露来提高公众的环境保护意识，从而提高政府的污染治理成效 [16，45-46]。
1.2 城市化与雾霾污染关系的阶段性特征
一般认为，城市经济发展与空气污染之间呈倒“U”型的EKC曲线关系 [28，45]，即经济增长最初会加剧空气污染，随着技术的进步和能源效率的提高，收入增加对空气污染的不利影响会逐渐减小 [5]，到达拐点后将有助于空气质量的改善。在全球范围内，研究表明城市化和雾霾污染之间确实也存在倒“U”型关系，低收入国家处于雾霾污染随城市化而加剧的阶段，而高收入国家处于雾霾污染随城市化而降低的阶段 [5，47]。这可能是由于发达国家拥有更严格的环境法规、更高的生产效率和更清洁的生产技术 [5]。对中国的研究表明，城市化与雾霾污染也呈现类似倒“U”型关系，在东部较发达地区甚至可能呈现“N”型或者倒“N”型关系[7-8，21-22]。
政府污染治理可以降低雾霾污染对城市经济和发展的负面影响 [48]。严格的环境政策能够使EKC曲线形状变得更低且更平缓 [45]，促使经济增长和环境污染在更低的污染水平脱钩 [49]。政府污染治理力度与城市经济发展水平有关。一是污染治理会带来的经济损失 [46]，因此政府需要在经济增长和环境污染之间进行权衡，只有当城市经济发展到一定水平后，政府才会从优先发展经济转向空气污染治理 [50]。二是随着居民收入的提高，雾霾污染对环境治理会产生反馈作用，公众会提高对空气质量的诉求，有利于提高政府污染治理成效 [16，49]。
1.3 城市化与雾霾污染的空间特征
雾霾污染本身具有空间溢出效应 [9，17]。在城市群内，城市之间在地理位置上的邻近特征和产业转移等社会经济活动上的紧密联系进一步加强了雾霾污染的空间传输作用 [51]，使得邻近城市的城市化水平和污染治理也会影响当地的雾霾污染 [9]，因此區域联防联控机制是治理雾霾的重要策略 [17]。Fang等 [52]的研究表明，京津冀地区的城市空气污染治理能够降低当地雾霾污染，但会导致雾霾扩散至周边城市。李永友和沈坤荣 [39]发现地区之间的环境规制存在严重的竞争效应，邻近地区污染治理政策的严厉程度对本地污染治理决策具有显著影响。Wu等 [53]以北京为例，证明如果中心城市联合周围城市实施区域空气污染治理，将比其独自进行污染治理节约更多成本并达到更好的治理成效。
1.4 文献述评
从现有文献回顾可以看出，不论是以人口、经济还是土地度量的城市化，对雾霾污染均产生了非线性影响，而城市污染治理能够降低城市化带来的空气污染。一般在城市化的早期和快速发展阶段，城市化可能导致空气质量下降。中国快速城市化中的雾霾污染问题因而受到了学者的广泛关注。然而，现有研究依然存在几方面可以进一步挖掘的问题。一是城市化本身具有丰富的内涵，而大多数现有文献仅采用单一指标度量城市化进程，有必要就城市化的几个主要方面对雾霾污染的贡献程度进行研究。二是中国的城市化已经呈现城市群发展态势，但城市群视角下的城市化与雾霾污染研究还较为缺乏，且大多集中在京津冀、长三角和珠三角这三大城市群，有待更大范围的比较研究。三是不同于大多数相关研究以污染浓度为因变量，作者采用污染暴露指标来衡量城市雾霾污染对城市居民健康的危害程度，该指标是世界银行衡量空气污染的主要指标之一。
2 政策背景
2.1 雾霾防治相关政策背景
近年来，北京等城市的雾霾污染备受媒体和大众关注。2011年开始，北京、广州、上海等多个重点城市率先公布PM2.5监测数据。2013年1月11日，北京空气质量监测数据显示，北京的城区和郊区都被最严重等级的雾霾污染笼罩，PM2.5指数达到240到446之间，属六级严重污染。随后，中央和地方政府出台大气污染治理政策，重拳治理雾霾污染。
2013年9月10日，国务院发布了《大气污染防治行动计划》（简称“大气十条”），首次针对PM2.5浓度对各地级市空气质量提出要求：到2017年，全国地级及以上城市可吸入颗粒物浓度比2012年下降10%以上，京津冀、长三角、珠三角等区域细颗粒物浓度分别下降25%、20%、15%左右。为了实现以上目标，计划中提出了一些具体措施，例如加强污染的末端排放治理、改善能源结构、提升产业结构、降低排放强度、推行清洁生产、发展公共交通、倡导节约绿色的消费方式和生活习惯、建立区域治理协作机制等，同时，中央与各省级政府签订目标责任书，定期公布城市空气质量排名，进行年度考核，严格责任追究。 尽管“十一五”（2006—2010年）和“十二五”（2011—2015年）规划纲要分别将能源强度和二氧化碳排放强度纳入环境发展约束性指标，但没有考虑雾霾污染指标。“十三五”（2016—2020年）规划纲要首次将PM2.5浓度作为空气质量发展约束性指标，强调了要加大重点地区，特别是京津冀地区的PM2.5污染治理力度，要求未达标城市的PM2.5浓度在5年内累计下降18%。
2.2 城市群相关政策背景
在地区层面，城市群的相关政策最早可追溯到1996年广东省城乡建设委员会编制的《珠江三角洲经济区城市群规划——协调与持续发展》从2001年开始，其他各省市地区也陆续提出建设都市圈、城市群的规划纲要。
在全国层面，“十五”规划纲要（2001—2005年）提出要完善区域性中心城市功能，发挥大城市的辐射带动作用，引导城镇密集区有序发展，培育新的经济增长点和经济带。“十一五”规划纲要（2006—2010年）进一步提出，要把城市群作为推进城镇化的主体形态，促进经济发展与人口、资源、环境相协调，形成高效协调可持续的城镇化空间格局。“十二五”规划（2011—2015年）强调，要促进城市群的人口和产业集聚，统筹谋划人口分布、经济布局、国土利用和城镇化格局。“十三五”（2016—2020年）规划进一步赋予城市群绿色发展的战略目标，强调跨区域城市间生态保护和环境治理协调联动，规划建设低碳发展的现代城市群。
根据全国主体功能区规划要求，2013年开始形成的中国城市群结构为“5 + 9 + 6”模式，即五个国家级，九个区域型和六个地区性城市群。文章选择了五个国家级城市群（京津冀、长三角、珠三角、长江中游、成渝），以及四个国家发改委已公布发展规划的区域性城市群（中原、关中平原、北部湾、哈长）作为样本。
根据国家发改委印发的各城市群发展规划和国务院印发的《关于建立更加有效的区域协调发展新机制的意见》文件，每个城市群均有1 ～ 3个中心城市（表1），这些中心城市一般是城市群中经济最发达的城市。中心城市的内涵与Jefferson[54]提出的“首位城市”（primate city）概念类似，指一个国家或区域规模最大、经济最发达的城市。中心城市一般是区域中经济要素和人力资本的集聚中心，具有一定的资源分配权，对外围城市有吸引力和辐射带动作用，具有政治和经济上的绝对优势，负责促进区域的经济、社会、文化、生态全面高质量发展。
3 方法和数据
3.1 时空分解方法
文章采用时空对数平均迪氏指数（spatial-temporal logarithmic mean Divisia index， ST-LMDI）分解法 [18]，该方法是LMDI的最新进展，旨在解决传统分解法进行时空比较时不直接、低效率的问题，使LMDI方法具有时空可比性，因此能够方便地进行跨城市群、跨时间段和城市群内部的比较。传统对数LMDI可以对能源消费（强度）、碳排放（强度）变化的社会经济影响因素，如经济结构、能源强度、能源结构等进行分解，考察各影响因素的贡献程度 [55]。LMDI方法已经得到广泛的应用，主要研究一国（区域）内、区域之间和区域-时间维度的能源经济问题 [56-62]。ST-LMDI具有如下特点。第一，继承了传统LMDI方法的优点，可以对污染排放的影响因素进行相对灵活的分解，且相较其他指数分解法，可以做到消除分解余项，并能更好地处理零值问题 [63-64]。第二，传统LMDI分解法在进行跨区域和跨时间段比较时仅能进行两两比较，难以进行更大时空尺度的高效率比较分析;时空LMDI分解法通过样本均值构建比较基准，避免了参考区域选择的随意性，且易于计算、满足循环性检验，从而可以有效地同时进行区域之间比较和趋势发展的分析 [18]。文章将采用ST-LMDI方法，并在以下方面进行了拓展。
3.1.1 雾霾暴露的城市化影响因素分解
在传统LMDI分解法的基础上进行拓展，对雾霾暴露指标在城市化层面的影响因素进行分解。已有研究一般考察PM2.5排放或浓度，运用LMDI方法时通常将其分解为经济增长、人口规模和排放强度 [65-66]。文章进一步开展了如下两方面工作：一是考察雾霾暴露而非雾霾浓度。雾霾暴露指标更侧重于衡量雾霾污染对人类活动和健康的影响。世界银行将雾霾暴露定义为一个地区的人口暴露于PM2.5的平均水平，计算方法是将地区的PM2.5年平均浓度按该地人口比重进行加权。二是侧重于将雾霾暴露分解为与城市化紧密相关的几个因素，包括人口集聚、人口密度、城市扩张、经济增长和排放强度五大因素，分别体现了人口城市化、土地城市化、经济城市化、城市污染治理等城市化的不同内涵。
具体而言，第一步将九大城市群的城市人口加权平均雾霾暴露指标 进行如下分解：
=∑Ni=1i=∑Ni=1LiLPi=∑Ni=1LiL·LiAi·Ai·YiLi·PiYi=
∑Ni=1PAi·PDi·CEi·PYi·EIi （1）
其中，下标 i 代表城市，N=147 代表样本中城市总数; i 表示城市雾霾暴露水平;表示城市PM2.5浓度; Li 和 L 分别表示城市的人口和所有城市的总人口; Ai 表示城市建成区面积; Yi 表示城市生产总值。上式将雾霾暴露分解为五个因素：①两个人口城市化变量。城市人口集聚（Population Agglomeration，PAi ），为城市 i 的人口占所有城市总人口的比例，反映城市人口的相对集聚程度和极化水平;城市人口密度（Population Density，PDi ），为城市单位面积的人口数量，反映城市拥挤程度。②一个土地城市化变量。城市扩张（City Expansion，CEi ）为城市建成区面积，既反映了在城市化过程中城市面积的自發延展，也可以反映中国带有行政色彩的土地城市化进程，如“撤县设市”“撤县设区”和建设工业园等。③一个经济城市化变量。城市人均GDP（Per capita GDP， PY i），反映了城市化进程中城市的经济增长情况，也内含了生产水平、生活水平的变化。④城市污染治理变量。PM2.5排放强度（Emissions Intensity，EIi ），即单位GDP雾霾污染浓度，反映城市经济发展和污染排放的关联程度，排放强度的降低可能反映了更强的污染治理政策，也可能反映了污染控制技术水平的提高。 将全部样本数据使用ST-LMDI方法进行分解，再将分解结果在城市群层面上进行加总，得到每个城市群的分解结果：
=∑Ni=1i=∑Kj=1kjj （2）
其中， j代表城市群，K=9，代表样本中城市群总数;对于任一个城市群j，包含kj个城市。j=1kj∑ kji=1i，表示城市群j的平均雾霾暴露。由于每个城市群所包含的城市数量不同，城市群层面上的分析须在平均水平上进行。
3.1.2 时空比较方法
利用ST-LMDI方法的特点，对分解结果在不同城市群、不同时间段的更大时空范围内进行比较。Ang等 [18]提出，可以使用所有样本的平均值来构建一个基准城市，使之与所有样本城市的所有年份进行比较，进而所有城市和年份之间的比较都是基于同一个标准，可以突破两两比较的局限。
使用样本中全部城市、全部年份各变量数值的算数平均值来构造一个基准城市 [18]， 记为城市u，其雾霾暴露水平记为u。
在 t=0时刻，城市i与基准城市雾霾暴露的差异可以分解为上述五个贡献因素在城市i与基准城市u之间的差异：
Δi0-u=i0-u=Δ PAi0-u+Δ PDi0-u+
Δ CEi0-u+Δ PYi0-u+Δ EIi0-u （3）
在t=T时刻，城市与基准城市雾霾暴露的差异同样可以分解为：
ΔiT-u=iT-u=Δ PAiT-u+Δ PDiT-u+Δ CEiT-u+
Δ PYiT-u+Δ EIiT-u （4）
则城市从到时期的雾霾暴露变化大小可分解为：
ΔiT-i0=iT-i0=（iT-u）-（i0-u）=ΔiT-u-Δi0-u
=∑Δ eiT-i0，e={PA，PD，CE，PY，EI} （5）
在上式中，各分解项（影响因素）对城市 i 的雾霾暴露变化大小的贡献（0到T期）可表示为：
Δ eiT-i0=Δ eiT-u-Δ ei0-u=wiT-ulneiTeu-wi0-ulnei0eu，e
={PA，PD，CE，PY，EI} （6）
其中， e为各影响因素的数值;权重w是城市i与基准城市u的雾霾暴露对数平均值：
wiT-u=L（iT，u）=iT-ulniT-lnu （7）
根据文献[18]，可以将城市分解结果在城市群层面进行加总，从而更便利地对城市群进行时空比较。 记城市群j在时期0和时期T 的（平均）雾霾暴露分别为 j0=1kj∑ kji=1i0和jT=1kj∑ kji=1iT，则城市群j从0到T时期的雾霾暴露变化大小可分解为：
ΔjT-j0=jT-j0=1kj∑kji=1（iT-i0）
=∑Δ ejT-j0，e={PA，PD，CE，PY，EI} （8）
将各因素对城市群 j的雾霾暴露变化大小的贡献记为C ej， 单位为ug/m 3，表示的是由因素引起的雾霾暴露变化大小（0到T期）：
C ej=Δ ejT-j0，e={PA，PD，CE，PY，EI} （9）
将因素e对城市群j的雾霾暴露变化率的贡献记为CR ej，单位为%，反映该因素导致雾霾暴露变化的百分比，有助于更好地进行跨城市群和城市群内部的跨期比较。其中城市群j的雾霾暴露变化率为其T期雾霾暴露相对0期的变化百分比（ΔjT-jojo×100%）。
CR ej=C ejjo×100%，e={PA，PD，CE，PY，EI} （10）
3.2 数据说明
文章使用的地级市样本数据分属中国五个国家级城市群（长三角、京津冀、珠三角、长江中游、成渝）和四个区域性城市群（中原、关中平原、北部湾、哈长）。剔除了在样本期间因“撤县设市”新设立的5个地级市后，样本最终包含147个地级市，其总常住人口在2018年占全国的58%。样本期间为2001—2018年，涵盖了“十五”到“十二五”三个完整五年计划时期和“十三五”前半段的数据。
地级市 PM2.5浓度数据（2001—2018年）来自加拿大达尔豪斯大学大气成分分析组（Dalhousie University Atmospheric Composition Analysis Group）最新发布的适用于中国的地表PM2.5遥感反演数据（V4.CH.03）。利用ArcGIS软件的统计工具提取出地级市PM2.5年平均浓度值（ug/m 3）。该数据集综合了卫星监测数据和地面监测站数据的优点，具有精度高、受大气因素影响小、覆盖范围广、时间跨度长等优点。
用于构造雾霾暴露水平和各分解项的社会经济变量包括：地级市常住人口、城市建成区面积和市辖区GDP，来自EPS（Economy Prediction System）数据库和中国各省统计年鉴。对上述变量进行如下说明和处理：第一，对市辖区GDP数据，以2001年为基准年进行价格平减。第二，采用地级市常住人口而非户籍人口，前者更能体现城市真实的人口流动情况。第三，采用地级市的建成区面积而非行政区划面积来衡量城市扩张。中国的统计部门用建成区来反映城市化区域大小。城市建成区是指一个市政区范围内经过征用的土地和实际建设发展起来的非农业生产建设的地段，包括市区集中连片的部分以及分散在近郊区域、与城市有密切联系、具有基本完善的市政公用设施的城市建设用地。
4 雾霾暴露水平的城市化影响因素
4.1 城市群霧霾暴露的时空特征
首先，对九大城市群的雾霾暴露进行空间比较。2018年雾霾暴露水平最高的前三个城市群是京津冀、中原和长三角，分别达到0.44 ug/m 3、0.36 ug/m 3和0.28 ug/m 3。接下来，长江中游和关中平原的雾霾暴露也达到了0.20 ug/m 3。在九大城市群中，北部湾的雾霾暴露水平最低，为0.13 ug/m 3;在五大国家级城市群中，珠三角的雾霾暴露水平最低，为0.18 ug/m 3。 其次，对各城市群雾霾暴露的变化趋势进行观察。在“十五”至“十一五”阶段（2001—2010年），雾霾暴露在所有城市群均呈波动上升趋势。从2011年开始，雾霾污染问题受到广泛关注，地方和中央的大气污染治理政策也陆续推出。在“十二五”到“十三五”前半段（2011—2018年），雾霾暴露在大多数城市群波动下降。具体来说，京津冀的雾霾暴露在2001—2013年期间上升了59%到0.78 ug/m 3，随后持续下降了43%到2018的0.44 ug/m 3;长三角和珠三角在2001—2011年间分别增长了40%和47%，随后到2018年均下降了34%;成渝和哈长分别在2010年和2014年达到顶峰，随后到2018年分别下降了50%和37%;其余城市群在2001—2011年期间上升了15%～44%，随后到2018年下降37%～43%。
4.2 跨城市群的分解结果比较
城市化进程的不同内涵对雾霾暴露水平的变化产生了明显贡献。作者以五年计划为单位展示分解结果，分时间段考察城市化层面不同影响因素对雾霾暴露变化大小和变化率的贡献（图1）。考虑到2013年9月中国出台了严厉的雾霾治理政策，特别将“十二五”阶段划分为2013年前后两个时间段进行展示。
整体而言，城市扩张 （CE）和经济增长（PY）是导致雾霾暴露升高的主要因素;人口密度（PD）和排放强度（EI）是促使雾霾暴露降低的主要因素;人口集聚因素（PA） 的贡献在长三角、京津冀和珠三角主要导致雾霾暴露水平提高，在其他多数城市群促使其下降。
4.2.1 人口集聚和人口密度
人口集聚和人口密度反映了人口城市化的两个方面。2015年之前，人口集聚的贡献主要在前三大城市群为正，增加了这些城市群的雾霾暴露水平，而在其他城市群其本身变化及对雾霾暴露的贡献均较小;2016年后在长三角和京津冀城市群变为负，而在其他多数城市群为正。具体而言，人口集聚在“十五”阶段引起雾霾暴露变化的绝对值在6%以内。但从“十一五”开始，该因素在长三角、京津冀、珠三角分别导致雾霾暴露提高了7%、6%、13%;在其他城市群贡献为负，且绝对值大多低于5%，主要是由于前三大城市群相对其他城市群而言人口吸引力更大，人口集聚带来的环境净收益可能为负，导致雾霾暴露水平上升。到了“十二五”后期，人口集聚因素的贡献在长三角减小，在京津冀变为负。“十三五”前半段，其在前两大城市群的贡献已全部转变为负，分别为-3%和-10%。这可能是因为在长三角和京津冀城市群，由于实行人口控制，人口流入开始放缓，同时居民的绿色生活和出行的意识提高，清洁基础设施建设更完善，有效缓解了居民生活带来的环境压力，有助于提高空气质量。人口集聚对其他多数城市群的雾霾暴露贡献变为正的2%～5%，其中珠三角保持高人口流入水平，仍然给环境带来一定压力;其他城市群小幅的人口流入明显提高了雾霾暴露，可能由于这些地区的基础设施建设还不完善，较粗放的居民生活方式带来了空气污染。
人口密度是促使城市群雾霾暴露降低的一个主要因素，其贡献在样本期间始终为负。由于土地扩张速度比人口增加速度更快，九个城市群的人口密度在前三个五年计划阶段和“十三五”前半段分别下降10%～35%和1%～3%，分别促使雾霾暴露下降了9%～87%和0.1%～20%。人口密度降低有助于缓解交通拥堵，减少汽车尾气排放，进而降低雾霾污染。
尽管在前三大城市群，人口集聚对雾霾暴露的贡献为正，但由于人口密度因素的负向贡献程度始终高于人口集聚因素，人口城市化两类因素的贡献总和为负。因此，“十二五”规划中倡导的“统筹谋划人口分布”“引导人口向适宜开发区域集聚”的人口城市化政策总体而言可以降低九大城市群的雾霾暴露水平。
4.2.2 城市扩张
城市扩张是导致城市群雾霾暴露上升的主要因素。在中国的城市化进程中，各城市群实际建成区面积不断扩张，在“十五”“十一五”“十二五”阶段分别增加21%～121%、14%～41%和16%～46%，对雾霾暴露水平上升分别贡献了18%～91%、12%～41%和16%～44%。在“十五”和“十一五”阶段，城市扩张对雾霾暴露的贡献在长三角、京津冀和珠三角城市群相对其他城市群更大。但从“十二五”开始，其他城市群也发生了明显的地理扩张，对提高雾霾暴露水平的贡献也明显增大。在“十三五”前半段，城市土地扩张速度略微下降，建成区面积平均增加了13%左右，对长三角、京津冀和哈长城市群雾霾暴露的正向贡献减小至3%、0.3%和4%，但仍促使其他城市群的霧霾暴露水平上升了12% ～ 18%。土地扩张会带来大量工业、公路和住房投资，当前我国的能源结构以煤炭消费为主，投资导致的能源消耗大幅增加会加剧雾霾污染;而长三角和京津冀等地区完善的基础设施建设和严格的环境规制等措施可以有效减少城市扩张带来的雾霾污染。因此，尽管“十一五”规划就开始强调要“严格控制建设用地增量”，但多数城市快速的土地城市化进程形成了分散型城市布局，大幅加剧了城市群的雾霾污染，其不利影响直到“十三五”阶段才开始减小。
4.2.3 经济增长
经济增长对雾霾暴露的正向贡献逐渐减弱。“十五”阶段，经济增长在各城市群都是导致雾霾暴露上升的一项重要因素。经济增长的贡献在珠三角、关中平原和长三角高达27%～57%，在其他城市群为5%～22%。“十一五”开始，经济增长对雾霾暴露的影响在前三大城市群减弱至1%～10%，在中西部的长江中游和成渝城市群分别增大到19%和18%，这种趋势维持到“十二五”结束。“十三五”前半段，经济增长放缓，对雾霾暴露的正向贡献大多减小或变为负，促使长三角、珠三角、北部湾和哈长城市群的雾霾暴露降低5%～7%，但导致其余城市群增加了5%～14%。值得关注的是，经济城市化在长三角和珠三角城市群开始促使雾霾暴露降低，但在京津冀城市群仍加剧了雾霾污染。这可能是因为长三角和珠三角地区的主要产业为服务业、高新技术业和轻工业，较容易实现产业升级和清洁生产;而京津冀城市群除了北京和天津，其余城市主要是重工业，产业升级难度较大，绿色发展道阻且长。 [11]HAN L， ZHOU W， LI W， et al. Urbanization strategy and environmental changes： an insight with relationship between population change and fine particulate pollution[J]. Science of the total environment， 2018，642： 789-799.
[12]HUANG R J， ZHANG Y， BOZZETTI C， et al. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature， 2014， 514（7521）： 218-222.
[13]LIANG L， WANG Z， LI J. The effect of urbanization on environmental pollution in rapidly developing urban agglomerations[J]. Journal of cleaner production， 2019 ，237： 117649.
[14]LIN B， ZHU J. Changes in urban air quality during urbanization in China[J]. Journal of cleaner production， 2018 ，188： 312-321.
[15]LUO Z， WAN G， WANG C， et al. Urban pollution and road infrastructure： a case study of China[J]. China economic review， 2018 ，49： 171-183.
[16]GREENSTONE M， HANNA R. Environmental regulations， air and water pollution， and infant mortality in India[J]. American economic review， 2014， 104（10）： 3038-3072.
[17]邵帥，李欣，曹建华， 等.中国雾霾污染治理的经济政策选择：基于空间溢出效应的视角[J].经济研究，2016，51（9）：73-88.
[18]ANG B W， SU B， WANG H. A spatial-temporal decomposition approach to performance assessment in energy and emissions[J]. Energy economics， 2016 ，60： 112-121.
[19]GAIGNé C， RIOU S， THISSE J F. Are compact cities environmentally friendly？[J]. Journal of urban economics， 2012， 72（2/3）： 123-136.
[20]ROSENTHAL S S， STRANGE W C. The determinants of agglomeration[J]. Journal of urban economics， 2001， 50（2）： 191-229.
[21]WU J， ZHENG H， ZHE F， et al. Study on the relationship between urbanization and fine particulate matter （PM2.5） concentration and its implication in China[J]. Journal of cleaner production， 2018 ，182： 872-882.
[22]XU S C， MIAO Y M， GAO C， et al. Regional differences in impacts of economic growth and urbanization on air pollutants in China based on provincial panel estimation[J]. Journal of cleaner production， 2019 ，208： 340-352.
[23]HENDERSON V. The urbanization process and economic growth： the so-what question[J]. Journal of economic growth， 2003， 8（1）： 47-71.
[24]BRüLHART M， SBERGAMI F. Agglomeration and growth： cross-country evidence[J]. Journal of urban economics， 2009， 65（1）： 48-63.
[25]ZHENG S， KAHN M E. Understanding China’s urban pollution dynamics[J]. Journal of economic literature， 2013， 51（3）： 731-772.
[26]AUNAN K， WANG S. Internal migration and urbanization in China： impacts on population exposure to household air pollution （2000-2010）[J]. Science of the total environment， 2014， 481： 186-195. [27]SHEN H， TAO S， CHEN Y， et al. Urbanization-induced population migration has reduced ambient PM2.5 concentrations in China[J]. Science advances， 2017， 3（7）： e1700300.
[28]GROSSMAN G M， KRUEGER A B. Economic growth and the enviroment[J]. The quarterly journal of economics， 1995， 110（2）： 353-377.
[29]CHAY K Y， GREENSTONE M. Does air quality matter： evidence from the housing market[J]. Journal of political economy， 2005， 113（2）： 376-424.
[30]阚大学，罗良文.我国城市化对能源强度的影响：基于空间计量经济学的分析[J].当代财经，2010（3）：83-88.
[31]KAHN M E， SCHWARTZ J. Urban air pollution progress despite sprawl： the ‘greening’ of the vehicle fleet[J]. Journal of urban economics， 2008， 63（3）： 775-787.
[32]魏巍贤，马喜立.能源结构调整与雾霾治理的最优政策选择[J].中国人口·资源与环境，2015，25（7）：6-14.
[33]PUGA D. Urbanization patterns： European versus less developed countries[J]. Journal of regional science， 1998，38（2）： 231-252.
[34]DENG X， YU Y， LIU Y. Effect of construction land expansion on energy-related carbon emissions： empirical analysis of China and its provinces from 2001 to 2011[J]. Energies， 2015，8（6）： 5516-5537.
[35]TIAN J， LIU W， LAI B， et al. Study of the performance of eco-industrial park development in China[J]. Journal of cleaner production， 2014，64： 486-494.
[36]田金平，劉巍，赖玢洁， 等.中国生态工业园区发展的经济和环境绩效研究[J].中国人口·资源与环境，2012，22（增刊2）：119-122.
[37]LI N， ZHANG X， SHI M， et al. Does China’s air pollution abatement policy matter： an assessment of the Beijing-Tianjin-Hebei region based on a multi-regional CGE Model[J]. Energy policy， 2019 ，127： 213-227.
[38]YAN Y， ZHANG X， ZHANG J， et al. Emissions trading system （ETS） implementation and its collaborative governance effects on air pollution： the China story[J]. Energy policy， 2020 ，138： 111282.
[39]李永友，沈坤荣.我国污染控制政策的减排效果：基于省际工业污染数据的实证分析[J].管理世界，2008（7）：7-17.
[40]KAHN M E， MANSUR E T. Do local energy prices and regulation affect the geographic concentration of employment？[J]. Journal of public economics， 2013， 101： 105-114.
[41]LI X， QIAO Y， SHI L. Has China’s war on pollution slowed the growth of its manufacturing and by how much：evidence from the Clean Air Action[J]. China economic review， 2019 ，53： 271-289.
[42]RUBASHKINA Y， GALEOTTI M， VERDOLINI E. Environmental regulation and competitiveness： empirical evidence on the Porter Hypothesis from European manufacturing sectors[J]. Energy policy， 2015 ，83： 288-300.
[43]王兵，刘光天.节能减排与中国绿色经济增长：基于全要素生产率的视角[J].中国工业经济，2015 （5）：57-69. [44]王國印，王动.波特假说、环境规制与企业技术创新：对中东部地区的比较分析[J].中国软科学，2011（1）：100-112.
[45]DASGUPTA S， LAPLANTE B， WANG H， et al. Confronting the Environmental Kuznets Curve[J]. Journal of economic perspectives， 2002， 16（1）： 147-168.
[46]陈诗一.节能减排与中国工业的双赢发展：2009—2049[J].经济研究，2010，45（3）：129- 143.
[47]DONG Q， LIN Y， HUANG J， et al. Has urbanization accelerated PM2.5 emissions： an empirical analysis with cross-country data[J]. China economic review， 2020 ，59： 101381.
[48]JIA S， LIU X， YAN G. Effect of APCF policy on the haze pollution in China： a system dynamics approach[J]. Energy policy， 2019，125： 33-44.
[49]郑思齐，万广华，孙伟增， 等.公众诉求与城市环境治理[J].管理世界，2013（6）：72-84.
[50]黎文靖，郑曼妮.空气污染的治理机制及其作用效果：来自地级市的经验数据[J].中国工业经济，2016（4）：93-109.
[51]马丽梅，张晓.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，2014（4）：19-31.
[52]FANG D， CHEN B， HUBACEK K， et al. Clean air for some： unintended spillover effects of regional air pollution policies[J]. Science advances， 2019， 5（4）： eaav4707.
[53]WU D， XU Y， ZHANG S. Will joint regional air pollution control be more cost-effective： an empirical study of China’s Beijing-Tianjin-Hebei Region[J]. Journal of environmental management， 2015，149： 27-36.
[54]JEFFERSON M. The law of the primate city[J]. Geographical review， 1939， 29（2）： 226-232.
[55]ANG B W. The LMDI approach to decomposition analysis： a practical guide[J]. Energy policy， 2005， 33（7）： 867-871.
[56]ZHANG Y， ZHANG J， YANG Z， et al. Regional differences in the factors that influence China’s energy-related carbon emissions， and potential mitigation strategies[J]. Energy policy， 2011， 39（12）： 7712-7718.
[57]WU Y. Energy intensity and its determinants in China’s regional economies[J]. Energy policy， 2012 ，41： 703-711.
[58]MOUTINHO V， MOREIRA A C， SILVA P M. The driving forces of change in energy-related CO2 emissions in Eastern， Western， Northern and Southern Europe： the LMDI approach to decomposition analysis[J]. Renewable and sustainable energy reviews， 2015，50： 1485-1499.
[59]ZHANG W， LI K， ZHOU D， et al. Decomposition of intensity of energy-related CO2 emission in Chinese provinces using the LMDI Method[J]. Energy policy， 2016， 92： 369-381.
[60]TAN R， LIN B. What factors lead to the decline of energy intensity in China’s energy intensive industries？[J]. Energy economics， 2018，71： 213-221.
[61]YANG X， SU B. Impacts of international export on global and regional carbon intensity[J]. Applied energy， 2019， 253： 113552. [62]ZHENG J， MI Z， COFFMAN D M， et al. Regional development and carbon emissions in China[J]. Energy economics， 2019 ，81： 25-36.
[63]ANG B W. Decomposition analysis for policymaking in energy： which is the preferred method？[J]. Energy policy， 2004， 32（9）： 1131-1139.
[64]ANG B W， XU X Y， SU B. Multi-country comparisons of energy performance： the index decomposition analysis approach[J]. Energy economics， 2015 ，47： 68-76.
[65]DONG F， YU B， PAN Y. Examining the synergistic effect of CO2 emissions on PM2.5 emissions reduction： evidence from China[J]. Journal of cleaner production， 2019，223： 759-771.
[66]ZHANG Y， SHUAI C， BIAN J， et al. Socioeconomic factors of PM2.5 concentrations in 152 Chinese cities： decomposition analysis using LMDI[J]. Journal of cleaner production， 2019 ，218： 96-107.
Urbanization and its contribution to haze exposure：
a spatial-temporal decomposition of Chinese urban agglomerations
WANG Banban 1 LIAO Xiaojie 1 TAN Xiujie 2
（ 1. School of Economics， Huazhong University of Science and Technology， Wuhan Hubei 430074， China; 2. Institute for International Studies， Wuhan University， Wuhan Hubei 430072， China）
Abstract China’s rapid urbanization process is accompanied by a nonlinear change in haze exposure. In order to quantify the contribution of different aspects of urbanization to haze pollution， this paper decomposed the haze exposure of China’s nine major urban agglomerations in 2001-2018. Haze exposure， one of the main air pollution indices used by the World Bank， focuses on measuring the harm of haze pollution to human activities and health. We considered several impact factors including population agglomeration， population density， city expansion， economic growth and emission intensity， reflecting population urbanization， land urbanization， economic urbanization and pollution controlling， respectively. The spatial-temporal LMDI （ST-LMDI） decomposition method was applied， facilitating a multi-dimensional comparison of decomposition results across urban agglomerations， over time periods and within urban agglomerations. Our results showed that： ① In 2001-2018， city expansion and economic growth mainly increased the haze exposure of urban agglomerations， while population density and emission intensity led to the decrease; the contribution of population agglomeration was positive mainly in the top three urban agglomerations， but it changed to negative in Yangtze River Delta（YRD） and Beijing-Tianjin-Hebei （BTH） after 2016. ② After 2013， the positive effect of emission intensity on haze pollution controlling was increasing and the negative effects of city expansion and economic growth were decreasing. ③ Within urban agglomerations， before 2013， population urbanization increased the haze exposure of the central cities in YRD and BTH， reflecting their strong attraction to people; after 2013， population agglomeration reduced some central cities’ haze exposure but increased that of their peripheral cities， reflecting the benefits of population decentralization. ④ Some central cities had realized green land or green economic urbanization， but extensive land expansion still existed in peripheral cities. The negative contribution of emission intensity in peripheral cities significantly increased， showing the profits of collaborative governance within urban agglomerations. Therefore， we suggest that for urban agglomerations， governments should continue to fully implement the action plan for preventing and controlling air pollution， strengthen the environmental protection law enforcement， improve coordinated inter-regional prevention and control efforts，and strengthen the exchange and cooperation on air pollution control technologies and management experience among cities.Within urban agglomerations， in view of the population， land and economic urbanization of peripheral cities， governments should increase the infrastructure construction to build green and habitable satellite cities， strengthen environmental governance in new urban areas， construct eco-friendly industrial parks， develop clean production technology， and promote industrial structure optimization.
Key words haze exposure; urbanization; urban agglomeration; spatial-temporal decomposition; LMDI
（責任编辑：王爱萍）