《表4 中国省域空间集聚结构对霾污染的影响:工具变量估计》

  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

《中国省域空间集聚结构对霾污染的影响——基于2000～2013年面板数据的经验证据》

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

考虑到省一级政府为了降低PM2.5排放浓度而推进城市规模等级结构扁平化或省域多中心发展的反向因果之可能性，在上文实证分析之解释变量的选取上，本文选择了滞后一期作为其工具变量，但在理论上，仍然不能排除因为遗漏变量而导致的内生性问题.基于此，采用工具变量方法进行估计，对于弱工具变量检验，报告了Cragg donald wald检验的F统计量[42].表4呈现的检验结果显示，所有F值均大于10，说明所选择的是较强的工具变量；就过度识别检验而言，由于我们采用了一个工具变量，Sargan检验表明，工具变量恰好识别.首先，借鉴陆铭等[19]的做法，利用中国政府的土地政策不直接把环境保护作为目标的外生性，分别以市辖区建成区面积为基准的首位城市发展指数和省域城市规模等级结构扁平化，作为以夜间灯光为基准的首位城市发展指数和省域城市规模等级结构扁平化的工具变量，以此来进一步分别识别首位城市发展和城市规模等级结构扁平化对PM2.5污染物排放浓度的影响效应.表4列（1）～（4）的估计结果表明，无论是首位城市发展，还是城市规模等级结构扁平化都仍然在5%的水平上显著地加剧了PM2.5的排放浓度，其系数相比不考虑内生性的情况要大，与此同时，显著性有所降低.其次，本文借鉴刘修岩等[41]的做法，将河流密度的规模分布与汇率倒数的乘积作为省域多中心指数的工具变量.表4列（5）～（6）报告的估计结果表明，无论是否基于环境库存曲线的分析框架，省域多中心的空间集聚结构在5%的水平显著地降低了PM2.5浓度，其系数的绝对值较不考虑内生性的情况下要大，这主要是与选取的工具变量有很大的关系，而显著性没有明显降低.综上来看，不管是显著性还是系数符号，均没有改变本文的基本结论.