《表3 SDM的直接效应与间接效应估计Tab.3 The direct effect and indirect effect of SDM》

《表3 SDM的直接效应与间接效应估计Tab.3 The direct effect and indirect effect of SDM》   提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《京津冀城市群大气污染的时空特征与影响因素解析》


  1. 获取 高清版本忘记账户?点击这里登录
  1. 下载图表忘记账户?点击这里登录

表2中同时给出了表征外生交互效应(WX)的系数估计,可以看到W×lnpeople,W×lnenergy,W×ln NDVI和W×lnwavi都表现出很高的显著性。因此,为了深入剖析这种空间上的交互影响,本文进一步给出SDM模型的直接效应与间接效应的结果(表3)。根据自然和人文解释变量的显著性和弹性系数,可以大致比较不同解释变量的贡献程度。其中,对本地大气污染的直接效应贡献强度排序是:年均风速#>年均气温>人口密度>地形起伏度#>二产占比>能源消费>植被覆盖度#(“#”代表负向效应),而人均GDP、年降水量和相对湿度对PM2.5没有显著的直接效应的影响。可见,城市本地的风速、气温、地形、植被覆盖等自然要素对本地的大气污染有着直接的显著影响,城市自身的人口密度、能源消费与第二产业占比的增加会直接加重当地大气污染。表3中解释变量的空间溢出效应影响排序大致是:植被覆盖度#>地形起伏度#>能源消费>人口密度#(“#”代表负向效应)。这表明,邻近的其他区县的植被覆盖度与地形起伏度对本地的大气污染有负向消减作用,邻近区县的能源消费会加重本地的大气污染。有意思的是邻近地区的人口集聚度高了反而对本地的大气污染有负向作用,可能的原因是京津冀地区人口一直在往大城市集聚,进而降低了周围小城市的环境承载压力。此外,人均GDP、第二产业占比、年降水量、年均气温、年均风速以及相对湿度对PM2.5均不存在显著的空间溢出效应。