空氣污染、投資者關注與股票收益率

梁龍躍 肖茜

摘? ?要：本文以 A 股市場上市公司為研究對象，使用機器學習的因果森林模型驗證空氣污染嚴重對股票收益率的影響。研究發現，空氣污染嚴重對股票收益率有顯著的負向影響；在分樣本討論后發現，空氣污染嚴重對不同行業股票收益率的影響程度存在異質性，受空氣污染嚴重影響最大的是租賃和商務服務業，其次為農林牧漁業、批發和零售業、制造業、電力熱力燃氣及水生產和供應業，其中，空氣污染嚴重對租賃和商務服務業達到了約12倍的影響力，對其余行業也達到了約4～7倍的影響力；機制分析表明，空氣污染嚴重通過影響投資者的關注度來影響股票收益率。

關鍵詞：機器學習；空氣污染；有限關注；股票收益

中圖分類號：F830.91? ?文獻標識碼：A? ?文章編號：1674-2265（2023）05-0079-07

DOI：10.19647/j.cnki.37-1462/f.2023.05.011

一、引言

當前全球仍然面臨諸多環境問題，其中氣候變暖與大氣污染兩大難題一直是各界關注的重點。減少碳排放以應對氣候變化，從而促進人類社會健康發展已成為全球共識，中國更是在應對氣候變化行動中展現出了大國擔當，2020年9月我國明確提出2030年“碳達峰”與2060年“碳中和”目標。近年來，空氣污染問題作為環境治理的重要部分，也不斷引起人們的重視。針對氣候變暖與大氣污染兩大難題，2021年10月27日亞洲清潔空氣中心發布的報告《大氣中國2021：中國大氣污染防治進程》指出，促進“藍天”與“雙碳”目標的協同增效十分有必要。中國作為全球人口最多的國家，更多“藍天”意味著對公眾健康更多的保護。2022年10月16日，黨的二十大報告也再次強調，“深入推進環境污染防治。堅持精準治污、科學治污、依法治污，持續深入打好藍天、碧水、凈土保衛戰”。

環境因素與資本市場之間的關系一直是金融研究領域探討的熱門話題。近年來，部分國內外學者開始研究空氣污染對資本市場的影響，并試圖厘清其傳導機制，但現有研究仍存在以下不足。首先，大多研究僅從投資者情緒這一傳導路徑進行分析（金雪軍等，2013；吳慧慧和遲駿，2022）[1，2]，分析過于單一，而空氣污染對資本市場的影響還可能通過投資者關注渠道來實現。隨著空氣污染越來越嚴重，投資者的注意力會集中到空氣污染嚴重事件上，由投資者有限關注理論可知，此時投資者對股票的關注會減少，那么投資者的這種關注的變化可能也會引起股票市場的變化。其次，學者們大多通過使用交易所附近的空氣污染數據來研究其對股票收益率的影響，但Lepori（2016）[3]發現，僅在交易大廳進行交易時這種效應才存在。但目前我國使用較廣的是電子交易，該技術使訂單不局限于交易所附近，而是來自全國各地的投資者，因此，研究空氣污染與股票收益率的關系時需要根據公司所在地或投資者所在地來具體分析。根據本地偏好理論，投資者由于受其有限的注意力及信息不對稱等因素影響，往往會更多地配置自己熟悉的資產，即投資者更偏好于配置本地股票，因此，投資者的投資決策等行為往往更容易受到當地信息的影響。董大勇和肖作平（2011）[4]對投資者本地偏好現象進行了研究，發現比起外省的股票，投資者更喜歡買賣本省的股票，且上市公司的業務本地化水平越高，則其被本省網民討論的頻率也越高，說明Ａ股市場個人投資者過度關注本地公司，因此，本文按照本地偏好的邏輯將各公司投資者的地理分布假定為公司注冊地。最后，大多學者采用多元線性回歸模型及固定效應模型等傳統計量方法研究空氣污染對股價的影響（鄧曉和張晗，2019；陳康等，2018；胡秋靈和郭帥，2020）[5-7]。但是這些傳統計量模型都需要對模型有清晰的設定，若模型設定存在偏誤，則可能會使其估計結果出現不一致問題。而以算法為基礎的機器學習模型則可以較大程度上解決因模型設定偏誤而帶來的估計結果不準確問題，有助于確定因果效應并提高結論的可信度，但目前國內使用機器學習算法來進行因果識別的研究屈指可數（劉生龍等，2021）[8]，將其應用到空氣污染嚴重對股票市場影響上的研究則更為稀少。

有鑒于此，本文基于本地偏好理論，以 A 股市場上市公司為研究對象，采用2014年1月1日—2022年6月30日我國31個?。ㄗ灾螀^、直轄市，以下簡稱省份）每日空氣質量數據及與之匹配的上市公司股票數據，使用機器學習中的因果森林模型進行空氣污染嚴重影響股票收益率的因果識別研究，并使用傳統計量模型進行穩健性檢驗，以期獲得更可靠的因果推斷結果。在此基礎上，基于行業角度分析空氣污染嚴重對股票市場影響的異質性，從投資者關注渠道分析空氣污染嚴重對股票收益率的影響機制。本文的貢獻主要表現在：第一，在傳統計量模型的基礎上，使用機器學習算法進行因果識別研究，為機器學習模型在因果識別領域的可行性提供了一個有力的支撐證據，更好地對因果推斷相關研究進行補充擴展；第二，使用因果識別方法驗證了空氣污染嚴重確實會對股票市場產生負面影響，且該影響存在顯著的行業異質性，有利于促進企業主動進行綠色創新改革，推進社會可持續發展；第三，從投資者關注渠道來分析空氣污染嚴重對股票收益率的影響機制，有助于厘清空氣污染嚴重與股票市場之間的內在關系和相互影響，為未來相關研究提供理論依據與思考方向。

二、文獻回顧與理論假設

（一）空氣污染嚴重對股票收益率的影響

現有研究發現，空氣污染嚴重對股票收益率存在一定的影響。Levy和Yagil（2011）[9]利用美國空氣質量數據進行實證研究，發現空氣污染程度的增大會使美國股票收益率顯著下降。而Li和Peng （2016）[10]則使用其他地區的數據進行該研究，發現這種關系仍然存在。在此基礎上，學者們使用不同的模型對兩者的關系進行進一步的實證檢驗，均得出空氣污染嚴重會對股票收益率產生顯著影響的結論（鄧曉和張晗，2019；李賓等，2021）[5，11]。

此外，有研究表明，高污染行業的股票投資收益率更容易受到空氣污染嚴重的影響，與空氣質量指數呈顯著的負相關關系（胡秋靈和郭帥，2020）[7]。不同行業受到空氣污染影響的敏感性不同，具體表現為空氣污染嚴重對不同行業的股票收益率產生異質性影響，如王宇哲和趙靜（2018）[12]通過實證研究發現，相比于煤炭、鋼鐵等高污染行業，公眾對霧霾的關注度將會給環境治理行業帶來更高的股票收益。

因此，本文提出以下假設：

假說1：空氣污染嚴重對股票收益率存在負向影響。

假說2：空氣污染嚴重會對不同行業的股票收益率產生不同程度的影響。

（二）空氣污染嚴重對股票收益率的影響機制

空氣污染嚴重會通過影響投資者關注進而對股票收益率產生影響。Colicino等（2014）[13]指出當空氣處于嚴重污染時，人們會表現出消極的心理反應以及不良的生理反應，進而降低人體在信息處理以及認知方面的能力。同時，由于投資者的關注度是有限的，根據注意力認知資源理論，個體對某一事物的關注以減少對其他事物的關注為代價。當投資者暴露在會使健康人群普遍出現癥狀的嚴重空氣污染情況下時，投資者更多地關注空氣污染事件上，從而降低對股票的關注度，其對股票相關有效信息的捕捉受到影響，進而對股票市場交易產生影響（張宗新和王海亮，2013）[14]。Zeidner和Schechter（1988）[15]也提出，人們對空氣污染嚴重性的關注度提高，會帶來人們投資決策的改變，影響投資行為。張誼浩等（2017）[16]基于滬深300指數數據，采用多元線性回歸模型等多種方法進行實證研究，發現空氣污染關注度對股票市場存在顯著影響，且該影響具有滯后性。

基于以上推論，本文提出以下假設：

假說3：空氣污染嚴重會通過影響投資者關注進而影響股票收益率。

三、實證策略及數據

（一）實證策略

隨機森林模型是一種以決策樹模型為基礎的機器學習模型，可以將其簡單理解為以隨機的方式建立一個森林，森林由許多決策樹組成且每一棵決策樹之間不存在關聯，隨機森林模型的最終輸出結果為所有決策樹結果的均值。其中，決策樹模型采用的原則為最小均方誤差，即對于任意劃分特征[j]，對應的任意劃分點s兩邊劃分成的數據集[D1]和[D2]，使[D1]和[D2]各自集合的均方誤差最小。式（1）為組成隨機森林的決策樹的表達式：

[minj，sminYD1Σ?i∈D1j，sYi-YD12+minYD2Σ?i∈D2j，sYi-YD22]（1）

多個上述的決策樹組成一個“森林”，即為隨機森林模型。由于其上述特性，傳統隨機森林模型具有較好的預測性能，但在因果識別領域卻表現較差，最主要的一個原因為因果識別所需要的平均處理效應并不能直接在數據中表現出來，需要經過模型計算才能獲得，即平均處理效應[τx=E[Y1-Y0|Xi=x]]。因此，Athey等（2019）[17]提出了可用于因果識別的因果森林模型，即廣義隨機森林模型，該模型在隨機森林模型的基礎上進行了一定的拓展和延伸，在訓練樣本時，先利用一定的方法計算出每個個體的條件平均處理效應，隨后再利用傳統隨機森林模型進行回歸，最終獲得總體的條件平均處理效應。式（2）為Athey和Wager（2019）[18]利用廣義隨機森林模型方法獲得的平均處理效應的估計結果：

[τx=1ni=1nαi（x）（Yi-m-iXi）（Wi-e-iXi）1ni=1nαi（x）（Wi-e-iXi）2]? （2）

其中，[eXi]表示傾向得分，表示在協變量[Xi]給定的情況下個體[i]接受處理的概率，[mXi]表示在協變量[Xi]給定的情況下[Yi]的預測值，[αi（x）]為適應性核函數。為了避免隨著因果樹生長越來越“茂盛”時出現“過擬合”現象，本文參照Athey和Imbens（2016）[19]使用的“誠實估計”方法進行模型估計。在構建廣義隨機森林模型時，先構造兩個獨立的隨機森林模型分別對[mXi]和[eXi]進行估計，隨后利用這兩個隨機森林進行預測，并基于該預測結果用式（2）生成一個因果森林，即可獲得所需的平均處理效應的估計值。

（二）數據及描述性統計

1. 樣本選擇。本文選擇的樣本包括天氣網（http：//www.tianqihoubao.com）公布的我國31個省會城市空氣質量指數（AQI）日度數據和同花順數據庫提供的A股上市公司的股票日度數據。樣本區間為2014年1月1日—2022年6月30日，選取該樣本區間主要有兩方面的原因：一方面，在2014年之前我國使用的空氣質量檢測指標為空氣污染指數（API），該指數的主要污染源中沒有PM2.5，而從2014年開始公布并使用的空氣質量指數（AQI）則涵蓋了PM2.5數據，使研究結果更加準確；另一方面，從2013年底開始百度搜索指數關于“空氣質量”詞條的搜索量才顯著增多，說明人們對空氣質量的關注是從2013年底開始普遍增加的。

本文以上市公司注冊地所在省份作為基礎單位構建省級股票指標，采用等權重方式將各省份股票池內每日所有個股日收益率、總股本等數據加權平均得到省份股票日收益率、省份總股本等數據，即將微觀上市公司數據按照其所在省份整合為了省級股票指標數據。此外，由于股票指標數據僅限交易日，雖然省級股票指標數據與省級空氣質量數據的起止時間相同，但樣本容量卻不相同，因此，需要選擇公共樣本時間作為研究區間，本文使用python軟件中的merge函數按各省份省級股票指標數據的日期與其對應省份空氣質量數據的日期進行交集合并，最終得到31個省份2014年1月1日—2022年6月30日的省級日度數據，共62717個觀測樣本。

2. 變量及描述性統計。本文選取股票收益率作為被解釋變量。股票收益率是指投資者投資于股票所獲得的收益總額與原始投資額的比率，采用對數收益率的形式。為構建分省份股票收益率數據，按等權重將各省份股票池內股票每日收益率加權平均得到其股票組合的每日收益率，稱之為省份收益率。

本文的核心解釋變量為空氣污染嚴重（treatment）?？諝赓|量指數（AQI）數值越大，該地區空氣污染越嚴重。根據其數值范圍大致可分為6個級別：0～50 為優；51～100為良；101～150為輕度污染；151～200為中度污染；201～300為重度污染；>300為嚴重污染。我國原環境保護部發布的《環境空氣質量指數（AQI）技術規定（試行）》指出，當AQI指數大于200時，健康人群會普遍出現癥狀，因此，本文定義空氣質量指數大于200時為出現空氣污染嚴重事件，將AQI指數大于200的樣本標識為處理組，treatment取值為1，反之標識為控制組，treatment取值為0。從表1的描述性統計中可以發現，處理組樣本占全部樣本的2.6%，說明我國目前的空氣質量較為良好，使健康人群普遍出現癥狀的空氣污染嚴重天數較少。其中，處理組的平均收益率要顯著低于控制組，可初步判斷空氣污染越嚴重時，股票收益率越低，兩者之間存在著負相關關系。

此外，根據已有研究（鄧曉和張晗，2019；陳康等，2018）[5，6]，選取的控制變量包括上市公司總股本、市盈率、市凈率、市銷率、市現率及股息率。為獲得省級層面數據，控制變量的處理與被解釋變量的處理方法相同，均采用等權重方式獲得省級股票指標數據。為避免極端值的影響，在1%和99%的水平上進行了縮尾處理，此外，出于量綱和變量經濟含義的考慮，對省份總股本指標進行取對數處理。表1中的各指標分組t檢驗顯示，在各控制變量的處理組和控制組的均值上均出現顯著差異，說明后續研究需要控制樣本的選擇性偏誤，否則模型的估計結果可能會存在偏誤。

四、實證分析

（一） 基于因果森林模型的估計結果

以算法為基礎的機器學習模型可以較大程度上解決因模型設定偏誤而帶來的估計結果不準確問題，且因果森林模型還可以較好地解決個體選擇性偏差問題所帶來的估計偏誤，有助于確定因果效應并提高結論的可信度。因此，本文采用機器學習算法中的因果森林模型進行實證研究。因果森林中決策樹的數量對其性能影響至關重要（劉敏等，2015）[20]，表2為因果森林在不同數量的決策樹下的估計結果。

從表2中第（1）—（4）列可以看出，隨著基決策樹數量的增加，空氣污染嚴重對股票收益率的平均處理效應均在-0.1%左右，而且其標準差均在0.000468左右，變動較小，說明本文使用的基決策樹的數量已經達到準確度要求。此外，與本文選取的總樣本的平均日收益率0.0268%相比，空氣污染嚴重對股票收益率達到了約4倍的影響力。綜合來說，該實證結果表明嚴重的空氣污染會降低股票收益率，即驗證了假說1。

（二）穩健性檢驗

1. 更改估計方法。本文將機器學習模型應用到因果識別領域，該做法目前在國內沒有被研究者廣泛接受和使用，且傳統因果識別方法已經發展出較為成熟的范式，因此，為檢驗結論的可靠性，本文利用傳統線性回歸模型進行檢驗，包括普通最小二乘法（OLS）和固定效應模型（FE）。與普通最小二乘法相比，固定效應模型能夠控制不可觀測的個體特征，能在一定程度上解決因遺漏變量而產生的模型內生性問題，具有較好的準確性。本文使用的固定效應模型設定如下：

[Yi，t=β0+β1treatmenti，t+γXi，t+δi+εi，t]? （3）

其中[Yi，t]表示個體[i]在時間[t]的股票收益率，[treatmenti，t]表示個體[i]在[t]時期是否處于AQI指數大于200的嚴重空氣污染狀態，其系數[β1]反映了空氣污染嚴重對股票收益率的影響。[Xi，t]代表了個體的特征，包括上市公司總股本、市盈率、市凈率、市銷率、市現率及股息率。[δi]表示個體固定效應，[εi，t]表示隨機擾動項。

從表3中第（1）列和第（2）列可以看出，兩種模型估計結果都顯示空氣污染嚴重會對股票收益率產生顯著的負面影響。但從上文分析可知，該模型還可能存在個體選擇性偏差問題所帶來的估計偏誤，因此，本文進一步使用傾向得分匹配方法與固定效應模型相結合的方式（PSM+FE）來進行因果識別，即先采用傾向得分匹配方法將無法匹配的樣本刪除，再進行固定效應模型估計，從而縮小兩組間的不平衡程度。該方法的估計結果如表3中的第（3）列所示，可以看出在控制了個體選擇性偏差問題后，空氣污染嚴重對股票收益率仍存在顯著負面影響，說明本文使用因果森林模型獲得的結論較為可靠。

2. 替換空氣污染嚴重代理變量。已有研究中部分學者還選取PM2.5濃度值作為空氣污染嚴重的代理變量（王俊松，2022）[21]，與AQI指數相比，PM2.5可以更直觀地表現出空氣污染程度及其對人體健康的影響。因此，本文使用PM2.5濃度值代替AQI指數作為空氣污染嚴重的代理變量，進行穩健性檢驗。參考李賓等（2021）[11]的研究，將PM2.5濃度值大于該地PM2.5濃度均值的樣本標識為處理組，否則標識為控制組。從表4的第（1）列可以看出，該估計結果與原模型估計結果基本一致，說明本文的研究結論具有穩健性。

3. 控制宏觀經濟影響。股票收益率不僅會受到微觀層面因素的影響，還會受到宏觀經濟因素的影響。因此，本文參考劉利等（2021）[22]的研究，對以下宏觀經濟因素進行控制，包括人均GDP、產業結構、工業化程度以及城鎮人口比重等。估計結果見表4中的第（2）列，該結果表明在控制了宏觀經濟因素后，空氣污染嚴重對股票收益率仍然存在顯著的負面影響，與原結論保持一致。

4. 剔除特定樣本?？紤]到股票交易所所在地的上市公司數量較多，且其經濟發展較好，受到的關注更多，本文參考陳康等（2018）[6]的做法，將北京、上海以及廣東省的樣本剔除，進行穩健性檢驗。從表4中的第（3）列可知，該估計結果與之前的結果基本相符，說明本文得到的結論穩健。

（三）異質性分析

前文實證分析表明空氣污染嚴重對我國股票市場存在顯著負向影響，為更進一步探究空氣污染嚴重對不同行業的影響是否存在顯著異質性，本文結合最新的證監會行業分類的一級分類別，剔除行業內上市公司總數目少于31家的行業（包括居民服務、修理和其他服務業，教育行業，衛生和社會工作行業，住宿和餐飲業，綜合行業）后，使用因果森林方法進行分樣本估計，最終得到14組分樣本的估計結果（見表5）。

表5中的估計結果顯示，空氣污染嚴重對租賃和商務服務業、農林牧漁業、批發和零售業、制造業以及電力熱力燃氣及水生產和供應業的股票收益率影響較為顯著，且均為負向影響。其中，空氣污染嚴重對于租賃和商務服務業的影響最大，會使該行業的平均股票收益率下降約0.3244%，與本文選取的總樣本的平均日收益率0.0268%相比，空氣污染嚴重時租賃和商務服務業達到了約12倍的影響力。對于其他幾個存在顯著影響的行業，空氣污染嚴重對其也達到了約4～7倍的影響力。由此可見，嚴重的空氣污染對各行業的影響力度都較大，需要引起各行業的重視。綜合來看，空氣污染嚴重對不同行業的股票收益率存在著不同程度的影響，即驗證了假說2。

（四）機制分析

以上實證研究證實了空氣污染嚴重對我國股票市場的負面影響，且空氣污染嚴重對不同行業的股票收益率的影響程度不同?；谝蚬帜Ｐ偷墓烙嫿Y果表明，嚴重的空氣污染會使股票收益率降低約0.1%。那么，空氣污染嚴重是通過什么樣的機制來降低股票收益率呢？本文從投資者關注度方面進行討論，由于投資者的關注度是有限的，當投資者暴露在會使健康人群普遍出現癥狀的嚴重空氣污染情況下時，投資者更多地關注空氣污染嚴重情況，從而降低對股票的關注度，其對股票相關有效信息的捕捉受到影響，進而對股票市場交易產生影響（張宗新等，2013）[14]?；谝陨戏治龊蛿祿傻眯?，本文選取以“空氣質量”為詞條的百度指數作為投資者關注度的代理變量，采用31個省份的百度指數數據，以驗證空氣污染嚴重對股票市場產生負面影響的主要途徑。表6中的Panel A 檢驗了投資者關注對股票收益率的影響，結果發現在加入了控制變量、個體固定效應的情況下，投資者對空氣質量關注的增加會使股票收益率下降，說明本文提出的這個機制變量可以對股票收益率產生顯著影響。在表6的Panel B中，本文進一步檢驗了空氣污染嚴重對投資者關注的影響，以探究空氣污染嚴重抑制股票收益率的途徑。實證結果顯示，嚴重的空氣污染會使人們對空氣質量的關注增加。綜合來看，該實證結果驗證了假說3，即當投資者面對較為嚴重的空氣污染時，會增加其對空氣質量的關注，從而使得股票收益率下降。

五、結論與展望

本文基于2014年1月1日—2022年6月30日中國31個省份面板數據，結合傳統計量方法與機器學習方法，實證檢驗了空氣污染嚴重對股票收益率的影響。研究發現，空氣污染嚴重對股票收益率存在顯著的負向作用，相對于空氣質量較好的時候，空氣污染嚴重時，股票收益率會下降約0.1%。異質性研究表明，空氣污染嚴重對不同行業的股票收益率存在著不同程度的影響，其中對于租賃和商務服務業的影響最大，其次為農林牧漁業、批發和零售業、制造業以及電力熱力燃氣及水生產和供應業，其對租賃和商務服務業達到了約12倍的影響力，對于其他幾個存在顯著影響的行業也達到了約4～7倍的影響力。機制分析表明，空氣污染嚴重會顯著增加投資者對空氣污染的關注度，減少對股票的關注，進而降低股票收益率。

本文的研究結論對促進我國資本市場的發展具有重要的指導意義。一方面，投資者需要理性地對待空氣污染嚴重引發的社會熱點問題，從而避免因羊群行為而引起股票市場短期異常波動等現象的發生；另一方面，在我國目前股票市場信息不對稱的條件下，應推動約束市場參與者經濟行為規則的制定，促進我國資本市場資源的最優配置及效率最大化。此外，行業異質性分析表明，嚴重的空氣污染對租賃和商務服務業、農林牧漁業等行業的影響較大，因此，積極推進這些行業的綠色創新改革十分必要，這不僅是響應國家發展綠色經濟的號召，更是會使該行業獲得更高收益的必要選擇。

參考文獻：

[1]金雪軍，祝宇，楊曉蘭. 網絡媒體對股票市場的影響——以東方財富網股吧為例的實證研究 [J].新聞與傳播研究，2013，20（12）.

[2]吳慧慧，遲駿.投資者情緒、風險承擔與股票收益 [J].金融發展研究，2022，（01）.

[3]Lepori G M. 2016. Air Pollution and Stock Returns： Evidence from a Natural Experiment [J].Journal of Empirical Finance，35.

[4]董大勇，肖作平.證券信息交流家鄉偏誤及其對股票價格的影響：來自股票論壇的證據 [J].管理世界，2011，（01）.

[5]鄧曉，張晗.空氣質量對股票市場影響的實證分析 [J]. 統計與決策，2019，35（01）.

[6]陳康，江嘉駿，劉琦，李欣.空氣質量、投資者情緒與股票收益率 [J].管理科學，2018，31（06）.

[7]胡秋靈，郭帥.有限關注下空氣質量對股票投資收益率的影響——來自污染度和地理區位的差異化驗證[J].陜西師范大學學報（哲學社會科學版），2020，49（04）.

[8]劉生龍，張曉明，楊竺松. 互聯網使用對農村居民收入的影響 [J].數量經濟技術經濟研究，2021，38（04）.

[9]Levy T，Yagil J. 2011. Air Pollution and Stock Returns in the US [J].Journal of Economic Psychology，32（3）.

[10]Li Q，Peng C H. 2016. The Stock Market Effect of Air Pollution：Evidence from China [J].Applied Economics，48（36）.

[11]李賓，彭牧澤，楊濟華，曾雅婷. 霧霾降低了企業投資者信心嗎——基于Ohlson模型的檢驗 [J].會計研究，2021，（10）.

[12]王宇哲，趙靜. “用錢投票”：公眾環境關注度對不同產業資產價格的影響 [J].管理世界，2018，34（09）.

[13]Colicino E，Power M C，Cox D G. 2014. Mitochondrial Haplogroups Modify the Effect of Black Carbon on Age-Related Cognitive Impairment [J].Environmental Health，13（1）.

[14]張宗新，王海亮. 投資者情緒、主觀信念調整與市場波動 [J]. 金融研究，2013，（04）.

[15]Zeidner M，Shechter M. 1988. Psychological Responses to Air Pollution：Some Personality and Demographic Correlates[J].Journal of Environmental Psychology，8（3）.

[16]張誼浩，任清蓮，汪曉樵. 空氣污染、空氣污染關注與股票市場 [J].中國經濟問題，2017，（05）.

[17]Athey S，Tibshirani J，Wager S. 2019. Generalized random Forests [J].The Annals of Statistics，47（2）.

[18]Athey S，Wager S. 2019. Estimating Treatment Effects with Causal Forests：An Application [J].Observational Studies，5（2）.

[19]Athey S，Imbens G. 2016. Recursive Partitioning for Heterogeneous Causal Effects [J].Proceedings of the National Academy of Sciences of the United States of America，113（27）.

[20]劉敏，郎榮玲，曹永斌. 隨機森林中樹的數量 [J]. 計算機工程與應用，2015，51（05）.

[21]王俊松. 社交媒體的環境關注能改善空氣質量嗎？[J].中國環境管理，2022，14（02）.

[22]劉利，鄧宇宸，吳丹，張偉男，郝千婷，朱琦. 廣東省城市環境空氣質量時空特征及經濟影響因素分析 [J]. 中國環境監測，2021，37（03）.