环境政策工具选择对空气质量影响的久期分析 来自杭州“G20峰会”的证据

李小胜; 时辰; 张思思

doi:10.14071/j.1008-8105(2020)-4019

环境政策工具选择对空气质量影响的久期分析——来自杭州“G20峰会”的证据

安徽财经大学　蚌埠　233030

基金项目:

安徽省哲学社会科学规划重点项目（AHSKZ2018D13）

详细信息

作者简介:
李小胜（1976– ）男，安徽财经大学统计与应用数学学院教授、副院长

时辰（1996– ）女，安徽财经大学统计与应用数学学院硕士研究生

张思思（1995– ）女，安徽财经大学统计与应用数学学院硕士研究生

中图分类号: F205
计量
- 文章访问数: 2607
- HTML全文浏览量: 420
- PDF下载量: 16
出版历程
- 收稿日期: 2020-11-02
- 网络出版日期: 2020-11-05
- 刊出日期: 2022-04-27

Duration Analysis of the Impact of Environmental Policy Tool Selection on Air Quality——Evidence from the Hangzhou “G20 Summit”

Anhui University of Finance and Economics　Bengbu　233030　China

摘要

摘要:
目的/意义合理的环境政策工具是保障可持续发展的重要依据。
设计/方法运用双重差分法（DID）和基于倾向得分匹配后的双重差分法（PSM-DID），分析了2016年杭州召开“G20峰会”前实行的命令控制型环境政策对空气质量的影响。
结论/发现（1）长期政策有效改善了空气质量，其效果明显好于短期政策，保障了“G20峰会”前后杭州市空气的优良品质；（2）长期政策创造的蓝天是稳定持续的，“G20峰会”前后空气质量未出现大的波动或反弹现象；（3）“G20峰会”长期政策具有长期效应，长期内空气质量保持良好水平，未出现恶化趋势。在考虑了共同趋势、不同污染物形式、更换不同样本以及选择不同模型后仍然稳健。
- 环境政策工具 /
- 空气质量 /
- “G20峰会” /
- 双重差分法
Abstract: [Purpose/Significance] Reasonable environmental policy tools are the important basis for sustainable development. [Design/Methodology] In this paper, the Differences-in-Differences (DID) and the Propensity Score Matching-Differences-in-Differences (PSM-DID) based on the propensity score matching are used to analyze the impact of the command-controlled environmental policy on the air quality before the “G20 Summit” held in Hangzhou in 2016. [Conclusions/Findings] (1) The long-term policy has effectively improved air quality, and its effect is obviously better than the short-term policy, which guarantees the excellent quality of the air in Hangzhou before and after the “G20 Summit”. (2) The blue sky created by long-term policy is stable and continuous. There is no big fluctuation or rebound in air quality before and after the “G20 Summit”. (3) The long-term policy of the “G20 Summit” has a long-term effect. The air quality has been maintained at a good level for a long time, and there is no deterioration. The results of this paper are still robust after considering common trends, different forms of pollutants, changing different samples, and selecting different models.
- environmental policy tools /
- air quality /
- “G20 Summit” /
- Differences-in-Differences

HTML全文

引言

2015年11月16日，习近平在土耳其安塔利亚举行的G20上宣布：中国将于2016年9月4～5日，在杭州举办二十国集团领导人第十一次峰会（以下简称“G20峰会”）。为此，杭州市制定了《杭州市2016年大气污染防治实施计划》，自2016年1月1日起施行。2016年4月21日，浙江省杭州市召开了长三角区域大气污染防治协作机制办公室第六次会议，环境保护部部长陈吉宁、浙江省省长李强以及上海市、江苏省、浙江省、安徽省、江西省人民政府分管领导等对保障“G20峰会”的空气质量做出了进一步部署。在“G20峰会”临近之际，杭州市进一步制定了《G20峰会建设系统环境质量保障工作方案》，于2016年8月24日～9月6日在杭州严格执行。与此同时，为落实《G20峰会长三角及周边地区协作环境空气质量保障方案》相关要求，2016年8月24日至9月6日在上海全市执行《G20峰会上海市环境空气质量保障方案》，2016年8月23日～9月7日苏州严格执行《苏州工业园区G20峰会环境质量工作方案》。

从上述的文件可以看出，为了“G20峰会”的空气质量达标，杭州市和周边省份都出台了相应的空气质量命令性控制办法。这些办法是具有短期效应，还是具有长期效应？如果是短期效应，表明这种命令控制型工具创造的蓝天在中国是存在的。如果具有长期效应，那么为短期的空气质量改善的政策具有长远的效果，政府的命令控制型工具具有短期控制的效果也具有长期效果，因而在此基础上出现了“政治性蓝天”理论^[1]。目前，学者们对“政治性蓝天”的讨论主要集中于以下两个方面：一类研究认为环境政策未改善空气质量或只具有短期效应；另一类研究则认为环境政策能长期有效控制空气污染。那么“G20峰会”是否也属于其中一类呢？本文试图从两个方面进行回答。首先，将政策分为长期政策、短期政策以及无政策，同时对时期进行多阶段划分，通过描述性统计对比考察各种环境政策对空气质量改善的效果；其次，构造类似自然实验，采用政策评估方法中基于倾向得分匹配的双重差分法对“G20峰会”环境政策与空气质量之间的因果关系进行识别，并回答上述问题。

一、文献综述

政府设计和实施多种类型的环境政策工具来解决空气质量问题，环境政策对空气质量改善的效果成为备受关注且亟待解决的焦点问题。已有的环境政策效应评估主要集中于环境政策对全要素生产率和技术进步、国际贸易和FDI以及产业结构和就业等影响的研究，主要采取回归类分析和数据包络方法，侧重研究环境政策与其他指标之间的相关关系。这种从计量回归的角度进行环境规制效果分析有一定局限性，首先，环境规制指标的构建存在问题，很多都是绝对量指标，不是相对指标，这样的指标反映环境规制的松紧度并不合适；其次，由于环境规制政策的内生性，如应用环境执法事件等表述环境政策的松紧程度，导致估计的结果并不稳健，环境政策效应评估在这部分的研究中也并未取得一致的结论，应用不同地区数据、不同的指标和不同的实证方法得到的结论也是不相同的。

目前环境规制政策研究不再关注环境政策工具与其他指标之间相关关系，而是关心环境政策的污染控制效果。为了避免经典的计量回归方法对内生性问题难以克服，通常使用类似自然实验的数据，采用政策评估计量经济学的方法，进行环境政策效应的评价。国内外应用该方法进行政策效应评估的文献越来越多，在环境政策效应的评估中也得到了越来越广泛的应用。

石庆玲等为代表的一批学者认为“政治性蓝天”只是暂时性空气质量改善的形象工程^[1]。Chen等采用双重差分法，对奥运会之前、期间和之后北京空气质量的变化进行研究，结论是北京的空气质量改善是真实的但只是暂时的^[2]。Kathuria采用政策评估计量经济学研究了新德里禁止使用含铅汽油和旧的商业用车对空气污染的影响，发现新德里空气质量没有随着交通管制而改善^[3]。Davis使用1986～2005年期间墨西哥所有城市每小时空气污染数据来衡量交通管制对空气质量的影响，将样本限制在实施交通管制的相对狭窄的时间窗口，并使用断点回归来控制可能的混杂因素，结果与Kathuria一致，发现该项政策并没有改善空气质量^[4]。Almond等利用中国76个城市空气污染浓度的数据，采用双重差分法对中国淮河流域冬季取暖的环境影响进行了评估，结果表明淮河采暖政策导致中国北方地区总悬浮颗粒物水平显著提高^[5]。包群等通过构造自然实验，采用倾向匹配得分法结合的双重差分法检验了环境管制是否起到抑制污染排放作用，文章采用1990年以来中国各省份地方人大通过的84件环保立法这一数据，研究发现，单纯的环保立法并不能显著地抑制当地污染排放^[6]。

与上述研究相反，梁若冰和席鹏辉发现在环保执法力度严格或是当地污染相对严重的省份，通过环保立法能起到明显的环境改善效果，这一结果在考虑了不同污染物形式、立法效果的滞后作用以及选择不同参照组后仍然稳健^[7]。李永友和沈坤荣利用我国跨省工业污染数据，采取混合模型的OLS 估计比较了环境政策实施前后污染排放的变化，发现环境质量有明显的提高^[8]。石庆玲等采用断点回归方法评估了约谈地方政府主要负责人这一政策对空气污染的治理效果，发现约谈后空气质量好转^[9]。

综上所述，虽然多数研究结论赞同上述第一种观点，但他们多用有无政策进行实施前后的简单对比，对环境政策实施效果的评价并不全面。本文将实施政策的地区划分为长期政策、短期政策以及无政策的地区，并划分不同时间阶段，分别对比考察各种环境政策对空气质量改善的情况，多角度全面科学识别“G20峰会”的环境政策效果，对我国环境政策的制定与完善具有重要意义。此外，部分文献采用双重差分法，但共同趋势假设很难完全满足，这可能导致估计结果出现偏误，因而本文采用改进的双重差分倾向得分匹配法，可有效解决该问题。

二、模型设定、变量定义与数据来源

（一）模型设定

目前可以使用多种方法来检验“G20峰会”对空气质量的影响：（1）单差法，即简单比较“G20峰会”期间与非“G20峰会”期间空气质量的变化；（2）双重差分法，即选取其他的城市作为对照组，同时考察“G20峰会”期间与非“G20峰会”期间的差异，以及召开“G20峰会”和没有召开“G20峰会”的城市之间的差异。若采用单差法考察“G20峰会”对空气质量的影响，记${D_i} = 1$表示召开“G20峰会”的城市（杭州），${D_i} = 0$表示没有召开“G20峰会”的城市（上海、苏州、武汉），然后，计算${D_i} = 1$的城市（杭州）和${D_i} = 0$的城市（上海、苏州、武汉）的空气质量指数及各单项污染物浓度，最后，将两者相减，即$E({Y_i}\left| {{D_i}} \right. = 1) - $$ E({Y_i}\left| {{D_i}} \right. = 0)$，得出了两类城市空气质量指标的平均之差。只是将此结果作为考察“G20峰会”对空气质量的影响较为粗糙，一方面不能区分“G20峰会”（杭州）的政策与其他城市（上海、苏州、武汉）的政策效果，另一方面也无法剥离城市空气变化的固有趋势。而采用双重差分法则可以对不同地区共同的空气质量变化趋势进行控制。

因此，本文以杭州实施“G20峰会”环境政策作为准自然实验，采用双重差分法对该政策的实施效果进行评价。此外，考虑到“G20峰会”环境政策对杭州空气质量的改善具有长期效应，本文参照石庆玲等的做法^[9]，构建了多期不同时间窗口的双重差分模型，即基本模型1，其具体设定如下：

$${Y_{it}} = \alpha + \beta {D_i} + \delta {T_t} + \tau ({D_i} \times {T_t}) + {\varepsilon _{it}}$$

(1)

其中，下标$i$表示该数据相应的城市，下标$t$表示该数据相应的日期（年、月、日）。${Y_{it}}$以观测到的空气质量指数（${\rm{AQI}}$）以及细颗粒物（${\rm{P}}{{\rm{M}}{2.5}}$）、可吸入颗粒物（${\rm{P}}{{\rm{M}}{10}}$）、二氧化硫（${\rm{S}}{{\rm{O}}_2}$）、二氧化氮（${\rm{N}}{{\rm{O}}_2}$）、一氧化碳（${\rm{CO}}$）和臭氧（${{\rm{O}}_3}$）等单项污染物浓度数据加以衡量。本文定义虚拟变量${D_i}$来区分城市，当该城市召开“G20峰会”，${D_i}$为1，否则为0。定义虚拟变量${T_t}$来区分时间段，“G20峰会”政策实施时，${T_t}$为1，否则为0。

在式（1）中，${\rm{E}}[{\varepsilon _{it}}\left| {{D_i}} \right.,{T_t}] = 0$，从而${Y_{it}}$的条件数学期望可以记为：

$${\rm{E}}[{Y_{it}}\left| {{D_i}} \right.,{T_t}] = \alpha + \beta {D_i} + \delta {T_t} + \tau ({D_i} \times {T_t})$$

(2)

则

$${\rm{E}}[{Y_{it}}\left| {{D_i}} \right.{\rm{ = }}0,{T_t}{\rm{ = }}0] = \alpha $$

(3)

$$\begin{split}\\ {\rm{E}}[{Y_{it}}\left| {{D_i}} \right.{\rm{ = }}0,{T_t}{\rm{ = 1}}] = \alpha {\rm{ + }}\delta \end{split}$$

(4)

$${\rm{E}}[{Y_{it}}\left| {{D_i}} \right.{\rm{ = 1}},{T_t}{\rm{ = }}0] = \alpha {\rm{ + }}\beta $$

(5)

$${\rm{E}}[{Y_{it}}\left| {{D_i}} \right.{\rm{ = 1}},{T_t}{\rm{ = 1}}] = \alpha {\rm{ + }}\beta {\rm{ + }}\delta {\rm{ + }}\tau $$

(6)

由上述式（3）、式（4）、式（5）及式（6）可以看出，控制组事前平均结果为$\alpha $，控制组事后平均结果为$\alpha {\rm{ + }}\delta $，控制组事前事后平均结果变化为$\delta $，干预组事前的平均结果为$\alpha {\rm{ + }}\beta $，干预组事后的平均结果为$\alpha {\rm{ + }}\beta {\rm{ + }}\delta {\rm{ + }}\tau $，干预组事前事后平均结果的变化为$\delta {\rm{ + }}\tau $，而干预组事前事后平均结果的变化中包括政策影响和共同趋势，将共同趋势的影响扣除，最终的政策影响为$\tau $，如式（7）所示：

$$\begin{split} \tau {\rm{ = }}&\left\{ {{\rm{E}}[{Y_{it}}\left| {{D_i}} \right. = 1,{T_t} = 1]} \right. - \left. {{\rm{E}}[{Y_{it}}\left| {{D_i}} \right. = 1,{T_t} = 0]} \right\} - \\ &\left\{ {{\rm{E}}[{Y_{it}}\left| {{D_i}} \right. = 0,{T_t} = 1]} \right. - \left. {{\rm{E}}[{Y_{it}}\left| {{D_i}} \right. = 0,{T_t} = 0]} \right\} \end{split} $$

(7)

此外，本文也加入其他天气和温度等因素作为控制变量${X_{it}}$，天气变量主要包括是否下雨（${\rm{Rain}}$）、是否多云（${\rm{Cloudy}}$）、是否晴朗（${\rm{Sunshine}}$），温度变量主要包括最高温度和最低温度。下文中，通过引入${\rm{Test}}$检验协变量的平衡性，结果都不显著，因而满足平衡性，这些协变量不会受到政策干预的影响，那么，在模型1基础上增加控制变量，建立模型2，即双重差分倾向得分匹配（PSM-DID）模型，其回归方程见式（8）：

$${Y_{it}} = \alpha + \beta {D_i} + \delta {T_t} + \tau ({D_i} \times {T_t}) + {X_{it}}\gamma + {\varepsilon _{it}}$$

(8)

（二）变量定义

被解释变量主要包括两类指标：（1）空气质量指数AQI。该指数是指根据环境空气质量标准和各项污染物对人体健康、生态、环境的影响，将常规监测的几种空气污染物浓度简化成为单一的概念性指数值形式。它将空气污染程度和空气质量状况分级表示，日度AQI数据根据各单项污染物浓度的指数数据标准化计算而来，代表各个城市每日的空气质量。AQI数值越大，空气质量越差。（2）空气质量分指数。这是针对单项污染物而规定的，参与空气质量评价的主要污染物为细颗粒物（${\rm{P}}{{\rm{M}}{2.5}}$）、可吸入颗粒物（${\rm{P}}{{\rm{M}}{10}}$）、二氧化硫（${\rm{S}}{{\rm{O}}_2}$）、二氧化氮（${\rm{N}}{{\rm{O}}_2}$）、一氧化碳（${\rm{CO}}$）和臭氧（${{\rm{O}}_3}$）等六项。解释变量包括虚拟变量${D_i}$来区分城市，当该城市召开“G20峰会”，${D_i}$为1，否则为0。虚拟变量${T_t}$来区分时间段，“G20峰会”政策实施时，${T_t}$为1，否则为0。协变量，主要包括气象条件，例如天气、温度等都是影响雾霾的重要因素，该数据来自“天气后报网”提供的城市历史天气数据，具体包括是否有雨（${\rm{Rain}}$）、是否多云（${\rm{Cloudy}}$）、是否晴朗（${\rm{Sunshine}}$）、最高温度（${\rm{temp}}\_{\rm{h}}$）、最低温度（${\rm{temp}}{\rm{\_}}{\rm{l}}$）等变量。

（三）数据来源

首先，本文主要采用“天气后报网”^①“中国空气质量在线检测分析平台”^②网站提供的日度和月度历史数据，包括每日的AQI，以及六项单项污染物浓度的日均值等。其次，因为“中国空气质量在线检测分析平台”和“天气后报网”上的城市数据始于2013年12月1日，所以本文将实证分析区间确定为2013年12月初～2017年12月底长短不同的多个时间窗口。最后，根据《杭州市2016年大气污染防治实施计划》《G20峰会上海市环境空气质量保障方案》以及《苏州工业园区G20峰会环境质量工作方案》，确定杭州自2016年1月1日～2017年12月1日起施行“G20峰会”环境控制政策为长期政策；上海和苏州于2016年8月底开始施行“G20峰会”政策，政策期间2016年8月23日～2016年9月7为短期政策；武汉等其他地区为无政策实施地区。通过共同趋势假设检验，实证样本最终确定为杭州、上海、苏州及武汉四个城市。

（四）描述性统计分析

根据前文数据来源，我们给出了杭州在2014年1月～2017年12月主要变量的描述性统计。从中发现，AQI均值为73.42，尚处于六个等级中的第二等“良”，但均值掩盖了雾霾在不同时间（不同期间、不同季节）之间的巨大差异，进一步通过空气质量指数的标准差和最大、最小值可以反映出基本情况。简单的统计分析也可以发现，在整个样本期间，“良”及以上天数占比为83.85%，但实际上在“G20峰会”召开的前后期间（2016年8月12日～2016年9月19日），“良”及以上天数占比为97.44%，唯一未达标的一天AQI值为101，刚刚越过分界线形成轻度污染，“G20峰会”召开期间空气质量指数平均为69.46。

实际上分析2015～2017年杭州不同月份的雾霾变化趋势（每月数据为三年当月平均值，二月统一为28天）发现，雾霾有明显的季节特征。对于空气质量指数AQI和大部分单项污染物浓度数据，都是冬季较夏季更高，只有臭氧浓度夏季明显高于冬季。雾霾的这种明显的季节性变动，提醒我们在回归分析中，不得不注重季节性调整，关注其具体的实际意义。

将上海和苏州实施短期政策前后时期的空气质量与该时期杭州的空气质量进行比较，得到一些初步的结论。具体而言，表1给出了“短期政策”前13天（2016.8.12～2016.8.24）、“短期政策”实行期间（2016.8.25～2016.9.6）、“短期政策”后13天（2016.9.7～2016.9.19）三个时期主要空气质量指标的描述性统计。表中的结果看似有些出乎意料，“短期政策”实行期间的空气质量主要指标并未优于“短期政策”前后，特别是${{\rm{O}}_3}$的浓度出现大幅波动，${{\rm{O}}_3}$的浓度在每年9月几乎达到最高峰，这很可能是由于季节效应的影响，但我们通过杭州与上海的比较发现：在“短期政策”实行期间，杭州空气质量主要指标的变化明显好于上海，以AQI为例，“短期政策”实行期间，杭州的AQI均值增长了5.85，标准差增长了1.95；而上海的AQI均值增长了29.62，标准差增长了12.34。“短期政策”后，杭州的AQI均值依然低于上海，这初步说明，杭州“G20”召开期间，上海等地区通过临时性重视实行“短期政策”的效果远不比杭州实行近一年的“长期政策”的效果。

表 1 “短期政策”期间和“短期政策”前后空气质量描述性统计

变量	指标	“短期政策”前		“短期政策”中		“短期政策”后
变量	指标	杭州	上海	杭州	上海	杭州	上海
${\rm{AQI}}$	均值	63.6154	43.9231	69.4615	73.5385	53.8462	57.8462
${\rm{AQI}}$	标准差	14.2451	12.1207	16.1999	24.4629	25.2878	26.7172
${\rm{P} }{ {\rm{M} }{2.5} }$	均值	27.7692	19.3077	30.6154	36.1538	31.3846	33.1538
${\rm{P} }{ {\rm{M} }{2.5} }$	标准差	8.0845	5.0396	9.2063	18.1422	16.3225	20.3505
${\rm{P} }{ {\rm{M} }{10} }$	均值	43.0000	34.0000	46.1538	59.6923	45.3077	42.0769
${\rm{P} }{ {\rm{M} }{10} }$	标准差	9.6609	5.8166	10.4231	21.2304	21.6386	20.2997
${\rm{S}}{{\rm{O}}_2}$	均值	7.4615	9.2308	8.0000	13.2308	9.0000	10.3846
${\rm{S}}{{\rm{O}}_2}$	标准差	0.6602	0.8321	1.7795	2.4884	2.4833	1.1929
${\rm{N}}{{\rm{O}}_2}$	均值	19.6923	18.4615	14.7692	31.2308	29.4615	32.5385
${\rm{N}}{{\rm{O}}_2}$	标准差	2.9548	4.0746	2.8912	10.9632	9.5098	14.9589
${\rm{CO}}$	均值	0.6023	0.6677	0.6269	0.8154	0.6985	0.7254
${\rm{CO}}$	标准差	0.1059	0.0352	0.0464	0.1083	0.1245	0.1503
${{\rm{O}}_3}$	均值	92	74.3077	113.3077	113.7692	67.9231	85.2308
${{\rm{O}}_3}$	标准差	21.099	23.2106	24.9011	21.8142	24.9314	26.9108

下载: 导出CSV

| 显示表格

三、实证结果

我们首先考察“G20峰会”长期政策的实施对空气质量的影响，在此基础上，进一步考察该长期政策创造的蓝天能否稳定健康发展，最后，通过“G20峰会”前后周期的空气质量指数的对比，对“G20峰会”长期政策的长期效应给予实证分析。这里的长期效应和短期效应，是根据政策实施的时间长短和实证分析中时间段的选取和相对而言的。在下文（二）的分析中，选取了“G20峰会”召开的前后四天作为分析时间段，则对应分析的就是政策的短期效应；在下文（三）中选取了“G20峰会”前后250天作为实证分析时间段，则对应的就是政策的长期效应。

（一） “G20峰会”长期政策的直接效应

“以改善大气环境质量为目标，以保障G20峰会为重点”，自2016年1月1日起施行“杭州市2016年大气污染防治实施计划”。为了考察这一长期政策实行的直接效应，本节我们将从政策目的角度考察“G20峰会”长期政策的直接效应，将上海、苏州和武汉作为对照组。具体而言，我们采用双重差分法，首先就“G20峰会”召开的长期政策效应检验（见表2）。根据表2的回归结果，我们发现$D \times T$的估计系数除了SO₂在1%的水平上显著为负，均不显著，这表明在“G20峰会”召开所实行的长期政策使杭州的单项污染物SO₂明显得到改善，整体来看，长期政策对杭州的空气质量效应不太明显。空气中SO₂主要来源于化石燃料的燃烧以及硫酸厂的废气等。长期政策“杭州市2016年大气污染防治实施计划”中，把治理“燃烟煤气”放在整治首位，其次是处理“工业废气”。这两项治理任务中，都可以使SO₂得到有效控制。而SO₂的改善在整体模型中的影响不大，其他环境变量结果不显著，所以出现了整体效果不明显的情况。

表 2 “G20峰会”召开的长期政策回归以及检验结果

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
1	$D \times T$	2.679（4.492）	0.017（3.791）	4.198（5.025）	–2.131***（0.808）	–1.177（2.308）	–0.002（0.032）	3.435（3.803）
	$N$	948	948	948	948	948	948	948
	${R^2}$	0.000	0.000	0.020	0.060	0.000	0.020	0.080
2	$D \times T$	2.413（4.487）	–0.089（3.787）	3.801（5.016）	–2.223***（0.801）	–1.275（2.304）	–0.002（0.032）	3.054（3.793）
	$N$	948	948	948	948	948	948	948
	${R^2}$	0.000	0.000	0.020	0.050	0.000	0.020	0.080
	$t$检验	不显著	不显著	不显著	不显著	不显著	不显著	不显著
注：括号内数值为回归系数的异方差标准误；、* 和 *** 分别表示10%、5% 和 1% 的显著性水平。下面的表格如表类似相同。

下载: 导出CSV

| 显示表格

现在我们以武汉作为对照组，因为武汉在“G20峰会”前后都没有实施环境控制政策。将其与杭州经济比较，根据表3我们发现$D \times T$的估计系数在5%水平上几乎均不显著，除了SO₂和${\rm{N}}{{\rm{O}}_2}$显著为负，这表明在“G20峰会”临近期间，长期政策的施行改善了杭州的空气质量，特别是SO₂和${\rm{N}}{{\rm{O}}_2}$明显降低。

表 3 杭州与武汉对比的回归以及检验结果

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
1	$D \times T$	4.615（9.271）	3.154（6.492）	1.385（11.539）	–5.308***（1.304）	–17.846***（5.478）	0.135*（0.078）	20.692*（11.337）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.18	0.18	0.60	0.46	0.60	0.53	0.17
2	$D \times T$	4.923（8.671）	1.983（6.599）	2.752（10.353）	–4.966***（1.307）	–14.684***（5.355）	0.129*（0.074）	18.598（11.161）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.19	0.18	0.62	0.45	0.58	0.51	0.17
	$t$检验	不显著	不显著	不显著	不显著	不显著	不显著	不显著

下载: 导出CSV

| 显示表格

为了检验上海和武汉是否也出现类似情况，我们将上海作为实验组，施行的是短期政策，武汉作为对照组，采用双重差分法进行分析，得到表4的回归结果，从回归结果看$D \times T$的估计系数几乎均显著为正，除了SO₂和${\rm{N}}{{\rm{O}}_2}$不显著，这表明在“G20峰会”临近期间，短期政策的施行并没有导致上海的空气质量改善，主要是因为上海施行的是短期政策。

表 4 上海与武汉对比的回归以及检验结果

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
1	$D \times T$	28.385***（10.368）	17.154**（7.607）	23.923*（12.445）	–1.846（1.397）	–0.154（6.263）	0.258***（0.078）	38.846***（11.163）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.42	0.29	0.57	0.59	0.42	0.35	0.34
2	$D \times T$	27.205***（9.624）	13.444*（7.822）	23.906**（10.800）	–1.197（1.355）	4.034（6.385）	0.240***（0.076）	35.291***（10.890）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.45	0.31	0.61	0.58	0.38	0.31	0.36
	$t$检验	不显著	不显著	不显著	不显著	不显著	不显著	不显著

下载: 导出CSV

| 显示表格

因此，结合上述的回归结果，我们可知长期政策改善了杭州的空气质量，在“G20峰会”临近期间效果非常显著，而且模型2的结果与模型1都保持一致，我们认为结论具有一定的可靠性。

（二） “G20峰会”长期政策与短期政策的比较分析

根据上述的回归结果，我们可知长期政策有效改善了杭州的空气质量。石庆玲等^[1]提出“政治性蓝天”是以政治事件过后更严重的报复性污染为代价的，那么长期政策创造的“政治性蓝天”是否会有副作用呢？也就是长期政策是否比短期政策的效果明显。接下来，我们进一步缩小样本范围，具体而言，本部分以2天为一个单位，设置“‘G20峰会’前3~4天（${\rm{before}}2$）”“‘G20峰会’前1~2天（${\rm{before}}1$）”，以及“‘G20峰会’后1~2天（${\rm{after}}1$）”“‘G20峰会’后3~4天（${\rm{after}}2$）”等短期单位，分别以“G20峰会”之前的4天以及“G20峰会”之后的4天为基准组。基于G20峰会召开为2天，因此以 2天为一个单位。峰会前4天保证了时间段在短期政策实施范围内，并且处于短期政策实行的中后期，避免了政策实行初期结果不显著的现象，这样选取使结果比较有说服力。峰会后4天的选取是根据峰会时间段为中心对称选取的，这样选取使得前后有对比的可行性。模型1具体的回归结果参见表5。

表 5 “G20峰会”前后各空气质量指数的变化

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
${\rm{before}}2$	$D$	–19.500* （7.159）	–9.000 （13.210）	–26.000 （12.207）	–7.000*** （0.707）	–28.000** （8.062）	–0.235*** （0.050）	–5.000 （9.487）
	$D \times T$	10.500 （17.022）	2.500 （16.606）	21.500 （19.059）	3.000** （1.000）	14.500 （9.811）	0.065 （0.067）	–15.000 （17.734）
	${R^2}$	0.83	0.53	0.75	0.98	0.87	0.93	0.85
${\rm{before}}1$	$D$	–38.500*** （6.021）	–26.500*** （1.118）	–36.500*** （6.265）	–7.000*** （1.414）	22.000*** （3.162）	–0.350*** （0.057）	–31.000*** （2.236）
	$D \times T$	29.500 （16.576）	20.000 （10.124）	32.000 （15.922）	3.000 （1.581）	8.500 （6.423）	0.180 * （0.072）	11.000 （15.149）
	${R^2}$	0.90	0.91	0.87	0.94	0.91	0.95	0.90
${\rm{G}}20$	$D$	–9.000 （15.443）	–6.500 （10.062）	–4.500 （14.637）	–4.000*** （0.707）	–13.500* （5.590）	–0.170** （0.045）	–20.000 （14.983）
${\rm{G}}20$	${R^2}$	0.15	0.17	0.05	0.94	0.74	0.88	0.47
${\rm{after}}1$	$D$	–10.500*** （0.500）	–7.000** （2.000）	–8.000 （2.000）	–6.000* （2.550）	–27.000*** （3.162）	–0.125*** （0.018）	–16.000 （10.296）
	$D \times T$	1.500 （15.452）	0.500 （10.259）	3.500 （17.299）	2.000 （2.646）	13.500 （6.423）	–0.045 （0.048）	–4.000 （18.180）
	${R^2}$	0.29	0.38	0.15	0.79	0.95	0.93	0.63
${\rm{after}}2$	$D$	–21.500 （21.030）	–20.500* （8.500）	–8.500 （11.011）	–3.500 （2.062）	–20.500* （7.433）	–0.125* （0.053）	–16.000 （19.799）
	$D \times T$	12.500 （26.091）	14.000 （13.172）	4.000 （18.317）	–0.500 （2.179）	7.000 （9.301）	–0.045 （0.069）	–4.000 （24.829）
	${R^2}$	0.74	0.85	0.66	0.80	0.93	0.95	0.42

下载: 导出CSV

| 显示表格

根据表5的回归结果，$D \times T$的估计系数均不显著，表明长期政策的效应（时间跨度为2016年1月1日～2017年12月31日）与短期政策的效应无明显差别。$D$的估计系数均为负，${\rm{before}}2$和${\rm{after}}2$大部分呈现出不显著，而${\rm{before}}1$和${\rm{after}}1$均显著为负。表明在“G20峰会”前后两天，实施短期政策的地区空气质量指数出现了大幅度增长，空气质量严重下降，而实施长期政策的地区空气质量一直保持在优良水平。因此，长期政策创造的“政治性蓝天”是稳定持续的，好于短期政策。

（三） “G20峰会”长期政策的长期效应

根据回归结果可以发现，“G20峰会”长期政策使空气质量得以改善，并且在“G20峰会”前后未出现任何大幅波动或恶化现象。然而，美好的“政治性蓝天”是否有可持续性呢？本文将以250天为一个单位，设置“G20峰会”结束后1期和“G20峰会”开始准备前1期为控制组，“G20峰会”的准备期为干预组，运用模型1和模型2就“G20峰会”长期政策的长期效应给予进一步的实证分析，具体的回归结果参见表6。

表 6 “G20峰会”之后空气质量变化的回归以及检验结果

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
1	$D$	1.072（2.874）	–2.304（2.429）	–1.088（3.660）	–1.672***（0.398）	–7.904***（1.489）	–0.118***（0.019）	15.804***（2.436）
	$D \times T$	–0.532（4.124）	0.432（3.494）	3.172（5.191）	–1.476**（0.609）	4.408**（2.083）	0.052*（0.028）	–10.364***（3.581）
	$N$	1000	1000	1000	1000	1000	1000	1000
	${R^2}$	0.00	0.00	0.00	0.07	0.04	0.05	0.05
2	$D$	2.521（2.858）	–1.276（2.410）	0.469（3.655）	–1.451***（0.395）	–7.686 ***（1.489）	–0.115***（0.019）	16.804***（2.440）
	$D \times T$	–1.580（4.078）	–0.307（3.449）	2.003（5.156）	–1.651***（0.610）	4.317 **（2.085）	0.050*（0.028）	–11.293***（3.591）
	$N$	1000	1000	1000	1000	1000	1000	1000
	${R^2}$	0.00	0.00	0.00	0.07	0.04	0.05	0.06
	$t$	不显著	不显著	不显著	不显著	不显著	不显著	不显著

下载: 导出CSV

| 显示表格

根据表6的回归结果，我们发现第（1）列$D$和$D \times T$的估计系数均不显著，表明“G20峰会”结束之后空气质量指数${\rm{AQI}}$并未发生明显变化，且$D$的估计系数为正，表明“G20峰会”结束之后空气质量指数${\rm{AQI}}$较准备期略有下降，$D \times T$的估计系数为负，表明“G20峰会”结束之后空气质量指数${\rm{AQI}}$较准备期前一期亦有所下降，所以“G20峰会”结束之后空气质量较之前两期都得到一定的改善。第（2）~（7）列是单项污染物在三个时期的比较，第（2）（3）列$D$和$D \times T$的估计系数依然不显著，表明“G20峰会”结束之后${\rm{PM}}{2.5}$和${\rm{PM}}{10}$与空气质量指数${\rm{AQI}}$非常一致，均未发生明显变化。${{\rm{O}}_3}$较之前显然好转，而SO₂、${\rm{N}}{{\rm{O}}_2}$和${\rm{CO}}$在“G20峰会”结束之后有所上升，由于此处主要是为了通过双重差分法进行三期空气质量的对比，所以未严格控制季节效应等客观因素的影响，可能造成一定的影响，但并未引起空气质量指数${\rm{AQI}}$大幅波动，说明${\rm{S}}{{\rm{O}}_2}$、${\rm{N}}{{\rm{O}}_2}$和${\rm{CO}}$的指数相对于其他污染物处于偏低状态，所以出现上升趋势并没有太大影响。因此，“G20峰会”长期政策创造的“政治性蓝天”具有可持续性，结论具有一定的可靠性。

（四）稳健性分析

1 “G20峰会”长期政策的安慰剂检验

上述所有结果可以解释为“G20峰会”事件影响的关键是共同趋势假设成立。由于有“G20峰会”前多期数据，通过时间趋势图，形象的看到各趋势线大致平行，直观判断各地区与杭州有着近似的发展趋势，进一步参考石庆龄^[1]的做法，以事件发生之前的观测样本进行安慰剂检验。具体而言，我们选用2013年12月～2016年1月（共26个）的月度数据，以2015年1月作为虚拟的政策干预时点，重复了前面的分析，模型1的估计结果见表7。结果显示，“G20峰会”事件之前均没有显著的政策影响，参数都不显著，从而说明，共同趋势假设有可能成立，至少没有发现不成立的证据。

表 7 共同趋势假设检验的回归结果

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
上海	$D \times T$	–11.231（12.246）	–7.154（12.152）	–12.692（14.882）	–3.231（4.489）	–2.154（7.049）	–0.040（0.109）	–8.077（18.881）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.03	0.05	0.15	0.09	0.01	0.03	0.02
苏州	$D \times T$	8.385（14.662）	11.692（13.930）	17.154（19.942）	0.000（5.129）	1.769（7.105）	–0.074（0.126）	–4.308（21.896）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.10	0.13	0.20	0.15	0.03	0.02	0.01
武汉	$D \times T$	6.923（18.817）	6.231（17.526）	–3.385（18.937）	9.077（6.087）	4.692（7.447）	0.100（0.144）	–0.385（21.121）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.12	0.12	0.13	0.33	0.06	0.24	0.00

下载: 导出CSV

| 显示表格

2 变换核匹配变量的再检验

针对上文实证长期政策的直接效应，通过对原来PSM-DID模型的协变量做出变换，重新通过倾向匹配得分模型进行回归，得出结果如表8所示。由表8可以发现，无论是在原来PSM-DID模型中加入协变量最高温度和最低温度，或是将原来PSM-DID模型的天气协变量换成最高温度和最低温度，结果都与原来相似，长期政策的实施确实对空气质量的改善起到积极的作用。

表 8 核匹配有温度变量的回归结果

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
模型2 （a）	$D \times T$	–10.697**（5.235）	–7.336*（4.405）	–14.221**（5.614）	–1.137**（1.064）	1.261（2.747）	0.054（0.039）	0.628（4.610）
	$N$	948	948	948	948	948	948	948
	${R^2}$	0.01	0.01	0.02	0.07	0.01	0.03	0.06
	$t$	不显著	不显著	不显著	不显著	不显著	不显著	不显著
模型2 （b）	$D \times T$	8.428（5.129）	4.318（4.410）	12.749**（5.695）	–1.106（1.074）	0.817（2.672）	0.018（0.037）	4.435（4.035）
	$N$	948	948	948	948	948	948	948
	${R^2}$	0.01	0.01	0.01	0.07	0.01	0.02	0.09
	$t$	不显著	不显著	不显著	不显著	不显著	不显著	不显著

下载: 导出CSV

| 显示表格

3 更换样本的再检验

针对上文实证的长期政策与短期政策的对比部分，通过对PSM-DID模型原来选择的样本做出变换，重新通过倾向匹配得分模型进行回归，根据结果研究发现，$D \times T$的估计系数在10%水平上均不显著，$D$的估计系数均为负，${\rm{before}}2$、${\rm{after}}1$和${\rm{after}}2$大部分呈现出不显著，而${\rm{before}}1$均显著为负，与原结论一致，进一步验证了长期政策创造的“政治性蓝天”是稳定持续的。

四、结论与政策建议

命令控制型工具不仅满足了特殊事件对空气质量的要求，而且真正使空气污染得以改善。本文以杭州“G20峰会”为例，运用双重差分（DID）模型和双重差分倾向得分匹配（PSM-DID）模型，从短期和长期等不同时间阶段的视角全面考察了环境政策对空气质量的影响。研究发现，一是长期政策有效改善了空气质量，其效果明显好于短期政策，保障了“G20峰会”期间空气的优良品质；二是长期政策创造的蓝天是稳定持续的，“G20峰会”前后空气质量未出现大的波动或反弹现象；三是“G20峰会”长期政策具有长期效应，长期内空气质量一直保持良好水平，未出现恶化趋势。研究结论对我国政府如何从环境政策工具中优化选择出有效的环境政策工具实现可持续发展和建构“资源节约型和环境友好型”社会的目标具有如下政策启示：

首先，通过本文的实证分析来看，长期政策要优于短期政策，各地政府企业应该保持环境优化意识。要依托环境政策的改革形成长期不间断的环境政策模式，同步优化经济发展结构转型与升级。我们已经清醒地认识到，雾霾的完全治理绝非短期内就可以全部实现的，必须加大每次应对政治事件时的治理力度，同时，为了保证跷跷板的平衡稳定，必须不断优化产业结构，从根本上让环境保护与经济增长双轨并行，使我国空气质量逐步走上常态化轨道。

其次，应借“各项特殊事件”的东风，顺势推行积极有效的环境政策来治理环境，并且长期实行。在某项特殊事件的特殊敏感时期，地方政府往往会大力实施环境政策创造碧水蓝天，此时正是推行高效环境政策的最佳时机。可以把握特殊事件的时机，扩大环境控制范围，例如“G20峰会”时期对杭州的环境治理可以延伸到杭州周边城市以及上海苏州等重要城市，使得环境质量得到大幅度的提升。

最后，制定政策要明确污染物来源，有针对性地治理环境，避免产生某一指标得到明显改善，而其他指标结果不显著的情况。考虑到空气质量受到季节效应、政治事件本身及其他因素的影响，在环境政策实施期间，出现一些空气质量指数的上下波动是在所难免的，所以政府要站在长远的全局角度观摩，高度重视环境政策的不断完善，坚定不移走可持续发展道路，建构“资源节约型和环境友好型”社会。

注释

① 天气后报网的网址: http://www.tianqihoubao.com/.

② 中国空气质量在线检测分析平台: https://www.aqistudy.cn/html/city_detail.html.

表 1 “短期政策”期间和“短期政策”前后空气质量描述性统计

变量	指标	“短期政策”前		“短期政策”中		“短期政策”后
变量	指标	杭州	上海	杭州	上海	杭州	上海
${\rm{AQI}}$	均值	63.6154	43.9231	69.4615	73.5385	53.8462	57.8462
${\rm{AQI}}$	标准差	14.2451	12.1207	16.1999	24.4629	25.2878	26.7172
${\rm{P} }{ {\rm{M} }{2.5} }$	均值	27.7692	19.3077	30.6154	36.1538	31.3846	33.1538
${\rm{P} }{ {\rm{M} }{2.5} }$	标准差	8.0845	5.0396	9.2063	18.1422	16.3225	20.3505
${\rm{P} }{ {\rm{M} }{10} }$	均值	43.0000	34.0000	46.1538	59.6923	45.3077	42.0769
${\rm{P} }{ {\rm{M} }{10} }$	标准差	9.6609	5.8166	10.4231	21.2304	21.6386	20.2997
${\rm{S}}{{\rm{O}}_2}$	均值	7.4615	9.2308	8.0000	13.2308	9.0000	10.3846
${\rm{S}}{{\rm{O}}_2}$	标准差	0.6602	0.8321	1.7795	2.4884	2.4833	1.1929
${\rm{N}}{{\rm{O}}_2}$	均值	19.6923	18.4615	14.7692	31.2308	29.4615	32.5385
${\rm{N}}{{\rm{O}}_2}$	标准差	2.9548	4.0746	2.8912	10.9632	9.5098	14.9589
${\rm{CO}}$	均值	0.6023	0.6677	0.6269	0.8154	0.6985	0.7254
${\rm{CO}}$	标准差	0.1059	0.0352	0.0464	0.1083	0.1245	0.1503
${{\rm{O}}_3}$	均值	92	74.3077	113.3077	113.7692	67.9231	85.2308
${{\rm{O}}_3}$	标准差	21.099	23.2106	24.9011	21.8142	24.9314	26.9108

下载: 导出CSV

表 2 “G20峰会”召开的长期政策回归以及检验结果

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
1	$D \times T$	2.679（4.492）	0.017（3.791）	4.198（5.025）	–2.131***（0.808）	–1.177（2.308）	–0.002（0.032）	3.435（3.803）
	$N$	948	948	948	948	948	948	948
	${R^2}$	0.000	0.000	0.020	0.060	0.000	0.020	0.080
2	$D \times T$	2.413（4.487）	–0.089（3.787）	3.801（5.016）	–2.223***（0.801）	–1.275（2.304）	–0.002（0.032）	3.054（3.793）
	$N$	948	948	948	948	948	948	948
	${R^2}$	0.000	0.000	0.020	0.050	0.000	0.020	0.080
	$t$检验	不显著	不显著	不显著	不显著	不显著	不显著	不显著
注：括号内数值为回归系数的异方差标准误；、* 和 *** 分别表示10%、5% 和 1% 的显著性水平。下面的表格如表类似相同。

下载: 导出CSV

表 3 杭州与武汉对比的回归以及检验结果

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
1	$D \times T$	4.615（9.271）	3.154（6.492）	1.385（11.539）	–5.308***（1.304）	–17.846***（5.478）	0.135*（0.078）	20.692*（11.337）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.18	0.18	0.60	0.46	0.60	0.53	0.17
2	$D \times T$	4.923（8.671）	1.983（6.599）	2.752（10.353）	–4.966***（1.307）	–14.684***（5.355）	0.129*（0.074）	18.598（11.161）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.19	0.18	0.62	0.45	0.58	0.51	0.17
	$t$检验	不显著	不显著	不显著	不显著	不显著	不显著	不显著

下载: 导出CSV

表 4 上海与武汉对比的回归以及检验结果

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
1	$D \times T$	28.385***（10.368）	17.154**（7.607）	23.923*（12.445）	–1.846（1.397）	–0.154（6.263）	0.258***（0.078）	38.846***（11.163）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.42	0.29	0.57	0.59	0.42	0.35	0.34
2	$D \times T$	27.205***（9.624）	13.444*（7.822）	23.906**（10.800）	–1.197（1.355）	4.034（6.385）	0.240***（0.076）	35.291***（10.890）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.45	0.31	0.61	0.58	0.38	0.31	0.36
	$t$检验	不显著	不显著	不显著	不显著	不显著	不显著	不显著

下载: 导出CSV

表 5 “G20峰会”前后各空气质量指数的变化

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
${\rm{before}}2$	$D$	–19.500* （7.159）	–9.000 （13.210）	–26.000 （12.207）	–7.000*** （0.707）	–28.000** （8.062）	–0.235*** （0.050）	–5.000 （9.487）
	$D \times T$	10.500 （17.022）	2.500 （16.606）	21.500 （19.059）	3.000** （1.000）	14.500 （9.811）	0.065 （0.067）	–15.000 （17.734）
	${R^2}$	0.83	0.53	0.75	0.98	0.87	0.93	0.85
${\rm{before}}1$	$D$	–38.500*** （6.021）	–26.500*** （1.118）	–36.500*** （6.265）	–7.000*** （1.414）	22.000*** （3.162）	–0.350*** （0.057）	–31.000*** （2.236）
	$D \times T$	29.500 （16.576）	20.000 （10.124）	32.000 （15.922）	3.000 （1.581）	8.500 （6.423）	0.180 * （0.072）	11.000 （15.149）
	${R^2}$	0.90	0.91	0.87	0.94	0.91	0.95	0.90
${\rm{G}}20$	$D$	–9.000 （15.443）	–6.500 （10.062）	–4.500 （14.637）	–4.000*** （0.707）	–13.500* （5.590）	–0.170** （0.045）	–20.000 （14.983）
${\rm{G}}20$	${R^2}$	0.15	0.17	0.05	0.94	0.74	0.88	0.47
${\rm{after}}1$	$D$	–10.500*** （0.500）	–7.000** （2.000）	–8.000 （2.000）	–6.000* （2.550）	–27.000*** （3.162）	–0.125*** （0.018）	–16.000 （10.296）
	$D \times T$	1.500 （15.452）	0.500 （10.259）	3.500 （17.299）	2.000 （2.646）	13.500 （6.423）	–0.045 （0.048）	–4.000 （18.180）
	${R^2}$	0.29	0.38	0.15	0.79	0.95	0.93	0.63
${\rm{after}}2$	$D$	–21.500 （21.030）	–20.500* （8.500）	–8.500 （11.011）	–3.500 （2.062）	–20.500* （7.433）	–0.125* （0.053）	–16.000 （19.799）
	$D \times T$	12.500 （26.091）	14.000 （13.172）	4.000 （18.317）	–0.500 （2.179）	7.000 （9.301）	–0.045 （0.069）	–4.000 （24.829）
	${R^2}$	0.74	0.85	0.66	0.80	0.93	0.95	0.42

下载: 导出CSV

表 6 “G20峰会”之后空气质量变化的回归以及检验结果

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
1	$D$	1.072（2.874）	–2.304（2.429）	–1.088（3.660）	–1.672***（0.398）	–7.904***（1.489）	–0.118***（0.019）	15.804***（2.436）
	$D \times T$	–0.532（4.124）	0.432（3.494）	3.172（5.191）	–1.476**（0.609）	4.408**（2.083）	0.052*（0.028）	–10.364***（3.581）
	$N$	1000	1000	1000	1000	1000	1000	1000
	${R^2}$	0.00	0.00	0.00	0.07	0.04	0.05	0.05
2	$D$	2.521（2.858）	–1.276（2.410）	0.469（3.655）	–1.451***（0.395）	–7.686 ***（1.489）	–0.115***（0.019）	16.804***（2.440）
	$D \times T$	–1.580（4.078）	–0.307（3.449）	2.003（5.156）	–1.651***（0.610）	4.317 **（2.085）	0.050*（0.028）	–11.293***（3.591）
	$N$	1000	1000	1000	1000	1000	1000	1000
	${R^2}$	0.00	0.00	0.00	0.07	0.04	0.05	0.06
	$t$	不显著	不显著	不显著	不显著	不显著	不显著	不显著

下载: 导出CSV

表 7 共同趋势假设检验的回归结果

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
上海	$D \times T$	–11.231（12.246）	–7.154（12.152）	–12.692（14.882）	–3.231（4.489）	–2.154（7.049）	–0.040（0.109）	–8.077（18.881）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.03	0.05	0.15	0.09	0.01	0.03	0.02
苏州	$D \times T$	8.385（14.662）	11.692（13.930）	17.154（19.942）	0.000（5.129）	1.769（7.105）	–0.074（0.126）	–4.308（21.896）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.10	0.13	0.20	0.15	0.03	0.02	0.01
武汉	$D \times T$	6.923（18.817）	6.231（17.526）	–3.385（18.937）	9.077（6.087）	4.692（7.447）	0.100（0.144）	–0.385（21.121）
	$N$	52	52	52	52	52	52	52
	${R^2}$	0.12	0.12	0.13	0.33	0.06	0.24	0.00

下载: 导出CSV

表 8 核匹配有温度变量的回归结果

模型	变量	（1）AQI	（2）PM2.5	（3）PM10	（4）SO₂	（5）NO₂	（6）CO	（7）O₃
模型2 （a）	$D \times T$	–10.697**（5.235）	–7.336*（4.405）	–14.221**（5.614）	–1.137**（1.064）	1.261（2.747）	0.054（0.039）	0.628（4.610）
	$N$	948	948	948	948	948	948	948
	${R^2}$	0.01	0.01	0.02	0.07	0.01	0.03	0.06
	$t$	不显著	不显著	不显著	不显著	不显著	不显著	不显著
模型2 （b）	$D \times T$	8.428（5.129）	4.318（4.410）	12.749**（5.695）	–1.106（1.074）	0.817（2.672）	0.018（0.037）	4.435（4.035）
	$N$	948	948	948	948	948	948	948
	${R^2}$	0.01	0.01	0.01	0.07	0.01	0.02	0.09
	$t$	不显著	不显著	不显著	不显著	不显著	不显著	不显著

下载: 导出CSV

参考文献(9)

石庆玲, 郭峰, 陈诗一. 雾霾治理中的“政治性蓝天”—来自中国地方“两会”的证据[J]. 中国工业经济, 2016(5): 40-56.

CHEN Y, JIN G Z, KUMAR N, et al. The promise of Beijing: evaluating the impact of the 2008 Olympic Games on air quality[J]. Journal of Environmental Economics & Management, 2013, 66(3): 424-443.

KATHURIA V. Vehicular pollution control in Delhi: need for integrated approach[J]. Economic & Political Weekly, 2002, 37(12): 1147-1155.

DAVIS L W. The effect of driving restrictions on air quality in Mexico city[J]. Journal of Political Economy, 2008, 116(1): 38-81. doi: 10.1086/529398

ABADIE A, DERMISI S. Is terrorism eroding agglomeration economies in central business districts? lessons from the office real estate market in downtown Chicago[J]. Journal of Urban Economics, 2008, 64(2): 451-634. doi: 10.1016/j.jue.2008.04.002

包群, 邵敏, 杨大利. 环境管制抑制了污染排放吗?[J]. 经济研究, 2013(12): 42-54.

梁若冰, 席鹏辉. 轨道交通对空气污染的异质性影响—基于RDID方法的经验研究[J]. 中国工业经济, 2016(3): 83-98.

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.

石庆玲, 陈诗一, 郭峰. 环保部约谈与环境治理: 以空气污染为例[J]. 统计研究, 2017, 34(10): 88-97.

施引文献(1)

期刊类型引用(1)

李登峰，魏骊晓，李梦祺. 押金返还制造商的闭环供应链双渠道回收竞争与利润分配的非合作-合作两型博弈方法. 系统工程理论与实践. 2023(11): 3241-3264 .

百度学术

其他类型引用(0)

资源附件(0)

表(8)

计量

文章访问数: 2607
HTML全文浏览量: 420
PDF下载量: 16
被引次数: 1

引言
一、文献综述
二、模型设定、变量定义与数据来源
（一）模型设定
（二）变量定义
（三）数据来源
（四）描述性统计分析
三、实证结果
（一） “G20峰会”长期政策的直接效应
（二） “G20峰会”长期政策与短期政策的比较分析
（三） “G20峰会”长期政策的长期效应
（四）稳健性分析
1 “G20峰会”长期政策的安慰剂检验
2 变换核匹配变量的再检验
3 更换样本的再检验
四、结论与政策建议
注释

引言
一、文献综述
二、模型设定、变量定义与数据来源
（一）模型设定
（二）变量定义
（三）数据来源
（四）描述性统计分析
三、实证结果
（一） “G20峰会”长期政策的直接效应
（二） “G20峰会”长期政策与短期政策的比较分析
（三） “G20峰会”长期政策的长期效应
（四）稳健性分析
1 “G20峰会”长期政策的安慰剂检验
2 变换核匹配变量的再检验
3 更换样本的再检验
四、结论与政策建议
注释

参考文献(9)

施引文献

资源附件(0)

环境政策工具选择对空气质量影响的久期分析——来自杭州“G20峰会”的证据

作者简介: 李小胜（1976– ）男，安徽财经大学统计与应用数学学院教授、副院长 时辰（1996– ）女，安徽财经大学统计与应用数学学院硕士研究生 张思思（1995– ）女，安徽财经大学统计与应用数学学院硕士研究生

计量

出版历程

Duration Analysis of the Impact of Environmental Policy Tool Selection on Air Quality——Evidence from the Hangzhou “G20 Summit”

引言

一、 文献综述

二、 模型设定、变量定义与数据来源

（一） 模型设定

（二） 变量定义

（三） 数据来源

（四） 描述性统计分析

三、 实证结果

（一） “G20峰会”长期政策的直接效应

（二） “G20峰会”长期政策与短期政策的比较分析

（三） “G20峰会”长期政策的长期效应

（四） 稳健性分析

1 “G20峰会”长期政策的安慰剂检验

2 变换核匹配变量的再检验

3 更换样本的再检验

四、 结论与政策建议

注释

期刊类型引用(1)

其他类型引用(0)

计量

出版历程

目录

引言

一、 文献综述

二、 模型设定、变量定义与数据来源

（一） 模型设定

（二） 变量定义

（三） 数据来源

（四） 描述性统计分析

三、 实证结果

（一） “G20峰会”长期政策的直接效应

（二） “G20峰会”长期政策与短期政策的比较分析

（三） “G20峰会”长期政策的长期效应

（四） 稳健性分析

1 “G20峰会”长期政策的安慰剂检验

2 变换核匹配变量的再检验

3 更换样本的再检验

四、 结论与政策建议

注释

作者简介:
李小胜（1976– ）男，安徽财经大学统计与应用数学学院教授、副院长

时辰（1996– ）女，安徽财经大学统计与应用数学学院硕士研究生

张思思（1995– ）女，安徽财经大学统计与应用数学学院硕士研究生

一、文献综述

二、模型设定、变量定义与数据来源

（一）模型设定

（二）变量定义

（三）数据来源

（四）描述性统计分析

三、实证结果

（四）稳健性分析

四、结论与政策建议

一、文献综述

二、模型设定、变量定义与数据来源

（一）模型设定

（二）变量定义

（三）数据来源

（四）描述性统计分析

三、实证结果

（四）稳健性分析

四、结论与政策建议