大氣環境資源指數及其實證檢驗

蔡銀寅

（南京信息工程大學大氣環境經濟研究院，南京 210044）

0 引言

大氣污染不全是一個技術問題，而更多是一個經濟問題[1]。大氣污染的社會成本主要體現在人類健康，以及對動植物和資產的不可忽略的損害方面[2-3]。人在污染空氣中的暴露時間和暴露濃度是造成健康損害的兩個重要變量[4-8]，這兩個變量也是衡量大氣污染程度的核心指標[3]。近來的研究表明，污染的空氣不僅影響人類的健康，也會對資產價格、勞動生產率以及人力資本造成顯著的影響[9-11]。這意味著，大氣污染的研究視角，正在從重污染天氣向全時性污染擴展。

空氣中污染物的濃度和持續時間主要取決于兩個因素：一是污染物排放強度；二是排放時的天氣條件[12-15]。中國自2013年實施大規模減排策略以來，已在大氣污染治理方面取得顯著的可觀測性成效[16-20]。尤其在一些重大活動中使用緊急減排策略取得了突出成績，更堅定了對減排策略的信心[21-23]。然而，2020年1—2月開始席卷全國的新冠疫情，客觀上實現了最大限度的減排，但期間經歷的兩次重污染天氣，動搖了對減排策略的信心[24-27]。事實上，無論從短期還是長期看，天氣條件對空氣質量的影響都不可忽略[28-35]。一場快變的天氣過程對空氣質量的影響往往要比緊急減排的作用大得多[36]。

現實中，短期的天氣變化無疑是復雜的、系統的、難以捉摸的，但長期的氣候特征卻具有一定的穩定性。研究表明，氣象氣候特征、自然地理條件（地形地貌）對空氣質量具有長期且穩定的影響[37-40]。在微觀層面，城市結構、建筑格局等也會對空氣質量產生長期的顯著影響[38,41-42]，空氣質量與氣象因子在時間序列上的相關性也十分明顯[43]。

環境是現代經濟活動的重要資源投入，污染程度則體現了這種投入的社會成本。大氣環境的異質性會對大氣污染程度產生顯著影響，從而具備了資源的基本特征。目前，對大氣環境異質性的描述，多集中在大氣環境容量和氣象與排放協同效應方面[44-48]，而對大氣環境特征的資源性強調不多。因此，尋求獨立衡量大氣環境特征與空氣質量相關聯系的一般性指標，對大氣環境資源進行數量統計，顯得很有必要。

污染物排放是經濟活動的副產品，從經濟投入角度看，大氣環境資源可以看作是對環保技術的成本替代。通常情況，減排的方式有兩種：一是減少排放活動，減少污染物排放的絕對量；二是采用環保技術，降低污染物向大氣環境的釋放比例。但是，這兩種方式都會帶來機會成本。同時，大氣污染之所以重要，原因是會對暴露其中的人、動植物和資產產生不可忽略的損失。也就是說，無論是減排的機會成本，還是污染的損失，都是人類的主觀判斷，而并非客觀實際，但是與二者緊密相連的物理要素卻是客觀存在的，即空氣中污染物的濃度和持續時間。大氣環境能夠通過自身的作用改變空氣中污染物的濃度和持續時間，進而具備了資源性，而這種作用的強弱則體現了大氣環境資源的多寡。本質上，大氣環境資源的作用與環保技術的作用是一致的，都是在既定生產條件下降低污染程度。

1 基本假設

基于以上認識，結合對大氣污染經濟后果的理解，對大氣環境資源（AER）的量化思路提出如下假設。

1）無限稀釋假設。污染物進入開放的大氣環境之后，處于不受約束擴散狀態，被無限稀釋。這一點與早期（19世紀中期）的污染物擴散模型相一致[12-15]，也與后來（20世紀60年代以后）的實證模型相一致[45-47]。20世紀50—70年代，也有氣象學者將大氣環境的擴散能力直接描述為空氣資源，只是這種說法后面并未得到大范圍的應用[13-15]。隨著中國大氣污染問題的不斷凸顯，氣象與大氣污染的協同問題再次成為研究熱點，氣象擴散條件成為解釋重污染天氣的重要外部條件。因此，大氣環境資源的量化，首要考慮氣象的擴散條件。對于特定的大氣污染物來說，擴散過程也即稀釋過程，擴散時間越長、速度越快，則污染物濃度越低。

2）自然凈化假設。大氣成分長期趨于穩定，具有排異作用，最終將污染物清除出大氣環境，實現自然凈化。大氣的自然凈化作用，是大氣環境成為一種資源的根本原因[38,49]。大氣自然凈化作用，不斷制造清潔空氣，降低背景濃度，使無限稀釋假定變得有意義。

3）超近地面假設。大氣污染重點關注超近地面（100 m以下）大氣環境中污染物的濃度和持續時間，這是人群、動植物和資產存在的主要空間。這個假設將高空、遠離人群的大氣環境分割開，只截取大氣污染經濟后果中最核心的部分，從而限定了空氣質量的空間范圍。

4）多因歸一假設。地形、大氣密度、逆溫、云量等特殊因素對超近地面大氣污染的影響通過對其氣象條件的影響實現，即超近地面氣象條件變化能夠完全反映特殊因素的影響，無須再重復考慮空間范圍內其他的條件作為宏觀背景[50]。

5）背景濃度假設。污染物進入大氣環境后的無限稀釋過程，不受背景濃度的約束。同時，污染物傳輸也只影響背景濃度，相當于改變了大氣的本底濃度。由于大氣環境資源的多寡主要取決于大氣環境的氣象特征，如風速、氣溫等，可以認為污染物的區域性傳輸，并不影響本地大氣環境資源的多寡，雖然污染物傳輸會影響空氣質量實測值，但只相當于增加了背景濃度，而不影響大氣環境資源的量。也就是說，大氣環境資源與背景濃度無關，與污染物的區域傳輸無關，與大氣是否處于污染狀態無關。大氣環境資源只衡量大氣處理污染物的潛在能力。

5個假設存在如下內在邏輯：首先，稀釋作用是污染物進入大氣環境后的一個過程，這個過程是影響空氣污染程度的直接因素，沒有這個過程，也就沒有所謂的大氣污染，這是第一個假設的含義。其次，污染物最終還是需要從大氣中出來，回到地面、水體或者遠離近地面，從而恢復近地面大氣成分的穩定性，這是第二個假設的含義。只有這樣，污染物擴散的過程才會循環發生，也即第二假設是第一假設的基礎。第三假設是針對大氣污染的經濟屬性而設的，近地面大氣污染的影響才是真實的，這是一個價值判斷問題，沒有這個價值判斷，大氣污染就是純物理過程。因此，第三假設是大氣污染問題從物理過程向經濟影響的過渡假設。第四假設是為了解決重復考慮復雜因素的問題所做的簡單歸一，方便應用。第五假設則是為了區分當前大氣污染與氣象耦合因素研究方法中的區域輸出輸入模式，將復雜過程簡化為背景濃度變量，方便大氣環境資源指數（AERI ）的量化分析。

整體而言，5個假設是從機理到應用的一個遞進過程，尤其在中間加入了從物理過程到經濟過程的過渡，從而實現AERI的實用性，以便融合氣象學、環境學與經濟學的方法，分析具體的大氣污染問題，突出氣象經濟視角。

2 研究方法與數據來源

大氣環境資源是大氣活動對污染物濃度作用能力的綜合反應，是一個作用潛勢，不能直接觀測。同時，大氣環境資源也不容易直接計算。因此，構建一個衡量其大小的無量綱的指數方程，然后再通過代入氣象數據對指數賦值，可以得到一種間接的解決方案。

2.1 大氣環境資源指數

根據上述5 個假設，構建大氣環境資源指數（AERI）模型。

1）不受約束的熱運動。污染物進入開放性大氣環境后，進行無規律的熱運動，其運動速度符合麥克斯韋速度分布函數，即：

式中，v為氣體分子的運動速率（m/s），k為玻爾茲曼常數，m為分子的質量（kg），T為氣體溫度（K），由此可知污染物在大氣中擴散的基礎速率vT（m/s）與氣溫的方根成正比，即氣溫越高，污染物熱力運動的速率越大。值得注意的是，這里僅指污染物相對于大氣環境的分子運動，由于污染物相對于大氣來說，比例較小，所以忽略了污染物本身的動量守恒和熱量守恒。

2）動力運動。污染進入大氣環境后，被大氣本身脅迫做動力運動，假定動力運動速率vP（m/s）是風速F（m/s）的函數，即，風速越大，污染物動力運動的速率越大。

在上述2 個條件下，給出大氣環境資源指數（AERI）的一般公式如下：

3）降水。由于較強的降水過程往往伴隨著較大的風速，而較小的降水，對于污染物的凈化作用又比較有限。簡單實用起見，AERI公式不再考慮降水因素。

對于AERI的含義可以有兩種理解：一是理解為污染物進入大氣環境后的運動速度，不同的大氣特征，污染物的運動速度不同，運動速度越快，意味著大氣環境資源越多；二是理解為不同大氣狀態下污染物單位時間內所能填充的大氣空間，空間越大，意味著大氣環境資源越多，污染物相當于溶質，大氣空間相當于溶劑，溶質不變，溶劑越多，污染物濃度就越低。實際應用中，如果污染物排放強度不變，根據氣象監測數據計算的AERI值越大，則空氣中的污染物濃度就會越低、持續時間越短，也即大氣污染越輕。

根據上述理解，AERI具有幾個特征：第一，AERI是一個基于大氣物理特性的簡化指數方程，只考慮風速和氣溫，旨在反映本地大氣環境的異質性特征對空氣質量的客觀影響，它不考慮污染物排放的實際情況，獨立于污染物排放和空氣質量的現實情況，只表征大氣環境特征作為一種資源的潛力；第二，AERI值做了截尾處理，結果為0～100的實數，無量綱，只反映某時某地大氣環境資源的多寡，是一個序數概念，AERI值越大，意味著相同排放強度下，大氣污染程度越低；第三，宏觀上，AERI值可以客觀反映一個地方的大氣環境資源量的多寡，以及大氣環境資源的時間分布，易于計算和操作；第四，微觀上，AERI值是衡量大氣環境資源的基礎方程，在實際應用中，可以根據經驗數據賦予AERI實值，如本地AERI值在特定排放情況下對應的污染物濃度，用于指導錯峰生產和污染物排放的空間調整。

2.2 數據選擇

本研究選用以下數據，對AERI進行實證檢驗。

1）氣象數據：氣象數據來自中國地面氣象數據對應氣象站點逐小時數據，時間跨度為2015年1月1日00時—2020年12月31日23時（北京時，下同）。

2）空氣質量數據：空氣質量數據來源于中國環境監測總站國家環境空氣質量監測網（http://www.cnemc.cn/sssj/）中的城市監測點數據（1436個站點），空氣質量數據包括CO、SO2、PM2.5、PM10、NO2、O3這6種污染物的逐小時濃度和空氣質量指數（AQI）數據，時間跨度為2015年1月1日00時—2020年12月31日23時。

3）經濟數據：各個城市經濟指標和SO2排放量數據來源于2016—2020年《中國城市統計年鑒》。

3 大氣環境資源指數的實證檢驗

3.1 檢驗策略

對于AERI的檢驗要注意3個問題：

1）AERI是一個無量綱的指數。AERI值越大，對于固定強度的污染物排放來說，在大氣中產生的污染物濃度就越低。注意，這里主要指新增的污染物排放，也就是說，污染物排放在大氣中產生的污染物濃度高低，與排放時的AERI值直接相關。

2）大氣環境對大氣中的存量污染物也有無限稀釋作用，即大氣環境不斷地在降低大氣污染物的背景濃度。AERI值越大，污染物背景濃度降低的速度就越快，即單位時間背景濃度下降的就越多。

3）大氣中污染物的濃度，即空氣質量數據，是新增污染物排放與背景濃度疊加的結果。

因此，利用空氣質量數據對AERI進行檢驗時，其策略如下：

1）污染物排放規律主要由生產規律、生活規律決定，假定大部分時段污染物排放強度只有較小的波動?；谶@種假定，大部分時段空氣質量數據與AERI值應該呈現相反的變化趨勢，即AERI值升高，空氣質量數據變?。ㄎ廴疚餄舛冉档停?，AERI值下降，空氣質量數據變大（污染物濃度升高）。檢驗的首要任務是驗證這個規律，這是AERI是否具有應用價值的關鍵。

2）少數時段，污染物排放可能會出現極端情況，如秋收時節大規模焚燒秸稈（雖被禁止，但仍然存在）、集中供暖的初始階段（初始階段排放強度較高）、短時的沙塵天氣等，這時候會出現AERI值上升與空氣質量數據變大（污染物濃度升高）同向變化的情況。對于這種情況要具體分析，不能因此否定AERI的適用性。

3）由于空氣質量數據是背景濃度與新增排放濃度的疊加結果，空氣中污染物濃度的積累和稀釋都需要一個過程，同時污染物排放也不可能像假定的那樣一直處于小幅波動，因此在回歸分析中，AERI的系數是否顯著為負是第一重要的，而擬合優度則是次要的。

4）AERI是一個無量綱的實數，取值范圍為0～100，在回歸分析中，AERI前面系數的含義是AERI變動1個單位，引起的空氣質量的變化量，代表某地空氣質量對大氣環境資源的敏感性。不同城市間AERI值的回歸系數是可以比較的，具有實際意義。

基于以上策略，選取2020年北京、上海、廣州等10個城市的氣象數據、空氣質量數據進行波形檢驗、分段統計檢驗和回歸檢驗。

3.2 大氣環境資源指數的波形檢驗

根據公式（2），使用2020年北京、上海、廣州3個城市的氣象數據，計算2020年1月1日—12月31日全年逐小時的AERI值，然后選取3個城市對應時段的空氣質量數據畫時間序列變化波形圖。

圖1為2020年北京市3種污染物（SO2、PM2.5和PM10）濃度、空氣質量指數（AQI）和AERI值逐小時變化曲線（曲線上點的間隔為6 h）?？梢钥闯?，AERI值與3種污染物濃度和AQI呈現明顯的負向變化關系，尤其在空氣質量的突變點，AERI基本上都處于低值，而在空氣質量較好的時段，AERI整體處于高值區。注意，2020年4—5月間，北京市出現了幾次沙塵天氣，因此圖1中出現了AERI值較大時PM10也比較大的情況。這種情況在實際中，一般作為異常值處理，不計入大氣污染范疇?？梢钥闯?，即使在沙塵天氣時，AERI值與PM2.5和SO2的負相關性依然十分明顯。

圖1 2020年北京市主要空氣質量指標與AERI值變化趨勢Fig.1 Trends of main air quality indexes and AERI in Beijing in 2020

AERI值與空氣質量的負向變化關系，在實際的空氣質量預警中具有一定的應用價值。一方面，當AERI降低時，污染物濃度具有上升趨勢。在污染物排放強度波動不大的情況下，根據歷史數據，統計分析空氣質量惡化時的AERI條件，尋找預警條件，結合氣象觀測計算實時的AERI數據，可以實現對空氣質量的便捷預警。另一方面，結合預報數據，如果未來一段時間內，AERI值長時間處于較小的狀態，則空氣質量將會有惡化的風險，需要提醒采取相應的管理措施。從圖1來看，在6 h尺度上，如果使用AERI值對北京市進行空氣質量預測和管控，策略上是可行的。

圖2給出了2020年上海市3種污染物濃度（SO2、PM2.5和PM10）、空氣質量指數（AQI）和AERI值每隔6 h的變化曲線，大致情況與北京市相似。直觀上，上海市空氣質量與AERI值的負相關性沒有北京市明顯，尤其在SO2方面，同向變化的比例較高。這主要源于兩個方面：一是上海市的空氣濕度長年較高，二次污染物生成比例較大；二是上海市的污染物排放強度時間波動性較大，空氣質量整體較好。

圖2 2020年上海市主要空氣質量指標與AERI值變化趨勢Fig.2 Trends of main air quality indexes and AERI in Shanghai in 2020

氣象條件是影響空氣質量的外在條件，由于受污染物排放強度及波動的干擾，不同城市空氣質量與AERI值的變化形態并非完全一致。將變化的氣象條件看作一種資源，可以從宏觀和微觀兩個層面解釋氣象氣候特征與大氣污染結果的關系。北京市和上海市的污染物排放強度不同，氣候特征也不同，但空氣質量與AERI值的變化趨勢卻是一致的，這一點說明了AERI的可用性。

繼續考察更低緯度的重要城市廣州，結果如圖3所示。廣州市的情況與北京市比較一致，空氣質量與AERI值的變化趨勢負相關性十分明顯，說明當污染物排放強度和氣候特征都存在較大差異時，AERI值與空氣質量的變化規律并未有本質改變，AERI具有南北適用性。

圖3 2020年廣州市主要空氣質量指標與AERI值變化趨勢Fig.3 Trends of main air quality indexes and AERI in Guangzhou in 2020

從以上分析可以大致看出，假定污染物排放強度具有一定的穩定性，在時間序列上，AERI值與空氣質量的相關性較高，用AERI值反映大氣環境資源具有一定的意義。

3.3 AQI與AERI值的分段統計檢驗

為進一步驗證這一規律，對2020年南昌、合肥、南京、武漢、西安這5個城市的AQI數據和AERI值進行分段統計分析，結果如表1所示。

表1 2020年5個城市空氣質量指數（AQI）與AERI值統計Table 1 Air Quality Index (AQI) and AERI values of five cities in 2020

根據國家環境空氣質量標準（GB 3095—2012），當50≤AQI≤100時，空氣狀態為良，當AQI＞100時，空氣進入污染狀態。由表1可知，首先，AQI的均值越高，對應AERI的均值越低，這個規律在5個城市都是存在的；其次，不同城市之間，AQI與AERI值在不同區間的關系有顯著差別，大氣環境資源相對豐富的城市，如南京、合肥2個市，AQI值變化與AERI值變化的區間關系相對平緩，而大氣環境資源相對匱乏的城市，如西安、武漢2個市，AQI值變化與AERI值變化的區間關系相對突出，大氣環境資源減少是導致空氣質量惡化的主要因素；再次，在不考慮排放強度的情況下，大氣環境資源匱乏的城市，污染時間明顯較長，如西安和武漢2個市，尤其西安比較突出。值得注意的是，隨著全球氣溫不斷升高，中國大部分地區的年平均風速也在下降，使AERI值降低，即大氣環境資源量在減少[51]。對于大氣環境資源本身就比較匱乏的地區來說，氣候變化可能會進一步加重大氣污染，成為氣候變暖的又一個重要損失。表1的統計不僅反映了AERI與空氣質量的關系，也反映了大氣環境資源的空間分布。

3.4 時間序列回歸檢驗

為更全面地分析AERI與空氣質量之間的關系，將研究對象擴大到10個城市，使用時間序列分析模型，對10個城市2020年的AERI值和空氣質量數據進行回歸分析，回歸模型如為：

式中，Apt表示t時刻的空氣質量各要素，為被解釋變量，如SO2、PM2.5濃度和空氣質量指數（AQI）；β0為常數項；β1為回歸系數；AERIt為t時刻的大氣環境資源指數，為自變量；εt是隨機誤差項。結果如表2所示。

表2 2020年重點城市空氣質量與AERI值回歸結果Table 2 Results of air quality and AERI with regression analysis in important cities

除上海市的SO2以外，各城市空氣質量與AERI值的負相關關系均顯著。注意，β1為回歸系數，不是相關系數，其含義是當AERI值變化1個單位時，污染物濃度的變化情況。β1的大小，在一定程度反映了空氣質量與大氣環境資源的反饋敏感程度。在反饋敏感程度方面，不同城市，以及同一城市不同污染物之間存在顯著差別。蘭州市的反饋敏感度整體與西安市接近，而武漢市低于鄭州市，高于長沙市。同時，各個城市的SO2對AERI的反饋敏感程度相對較低，這主要是因為空氣質量與AERI的反饋敏感程度不僅與AERI有關，同時還與污染物排放強度有關。在表2所列的城市中，SO2反饋比較敏感的城市為沈陽市和蘭州市，說明這兩個城市的SO2排放強度相對較大。

整體而言，在大氣環境資源相對匱乏的城市，污染物濃度對AERI的反饋相對敏感，成都、西安、鄭州、沈陽等市與廣州、長沙和上海等市相比，相差約1～2倍。這意味著，在大氣污染防治工作中，不僅要考慮污染物排放的強度問題，也應該考慮大氣環境資源的問題，尤其是在大氣環境資源相對匱乏的城市，污染物排放控制顯得更有價值。

值得注意的是，在時間序列上，AERI值與空氣質量各指標的負相關性只能說明使用AERI值衡量大氣環境資源量在趨勢上是合理的，并不能反映更多的信息。因為在簡單的時間序列回歸中，相當于假定污染物排放強度是一個定值，并忽略其強度的絕對值。事實上，無論是排放強度的絕對值，還是排放強度的時間波動，都不能夠完全忽略。

3.5 面板數據檢驗

為了進一步檢驗AERI的適用性，使用面板數據進行回歸分析，回歸方程設定如下：

式中，AERI可以看作是和污染物排放強度一樣的變量，反映的是大氣環境資源的投入。APit是樣本i在時間t的空氣質量指標，為被解釋變量，具體如SO2、PM2.5濃度或AQI值，這里用樣本城市的污染物年平均濃度來代表；β0為常數項；β1和β2為回歸系數；PEit為樣本i在時刻t的污染物排放控制變量；AERIit為對應時刻的大氣環境資源指數，是自變量；εit為誤差項；δi為個體虛擬變量，當采用個體固定效應模型回歸時賦值。

控制變量PEit用城市第二產業占比作為代表。一方面，第二產業占比反映了一個城市的工業化水平，而工業化水平與污染物排放具有很強的相關性，尤其與工業SO2、工業煙塵和氮氧化物的排放高度相關；另一方面，第二產業占比也反映了一個城市的工業集中水平，第二產業占比越高，意味著工業相對集中，污染物排放強度也會較高。因此，用第二產業占比代表一個城市的污染物排放強度，具有一定的合理性。

應用上述面板回歸方程，可以分析3個問題：第一，大氣環境資源在空間上存在較大差異時，大氣環境資源對大氣污染程度的影響是否同樣顯著；第二，大樣本截面數據下，與污染物排放相比，大氣環境資源投入對大氣污染的實際影響有多大；第三，對于特定的污染物，可以大致判斷其對大氣環境資源的消耗程度。

由于一些城市在個別年份的數據缺失，這里共選擇151個樣本城市2015—2019年的數據組成面板，基本涵蓋了中國大陸東部地區、南部地區、西南地區、中部地區、西北地區和東北地區，能夠反映空間差異性。

回歸結果如表3所示，使用兩種模型進行估計，通過Hausman檢驗發現，被解釋變量除SO2外，其他均支持固定效應模型。結果表明，當考慮污染物排放強度時，AERI與空氣質量各指標的負相關關系也均顯著。這說明，在空間上，AERI的差異性同樣是影響空氣質量的重要因素，AERI同樣具有空間適用性。從回歸結果看，無論是AERI與空氣質量各指標的單項回歸，即不加入控制變量（假定污染物排放強度的影響為定值），還是加入第二產業占GDP比重控制變量，AERI與空氣質量各指標的負相關關系均顯著。從邊際反饋的敏感度看，AERI對空氣質量各個指標的負向影響，大致為污染物排放強度正向影響的50%左右，這一點與現有的研究結論基本一致[16]。這一結論的含義是，對于樣本城市來說，想要維持現有的空氣質量，第二產業占比每增加1個單位，需要投入2個單位的大氣環境資源；反過來說，如果因為氣候變化等因素，這些城市的大氣環境資源量減少1個單位，想要維持現有的空氣質量，第二產業占比就必須減少0.5個單位，即必須控制工業排放。類似地，如果某個年度某個城市的大氣環境資源增加了1個單位，保持工業排放不變的情況下，這個城市的空氣質量會變好，相當于工業生產比重下降了0.5個單位。

表3 大氣環境資源指數與空氣質量主要變量的回歸分析（151個城市面板數據）Table 3 Regression analysis of AERI and major variables of air quality (panel data of 151 cities)

同時，為進一步確定污染物排放強度，選擇具體的污染物排放量作為自變量進行回歸?！吨袊鞘薪y計年鑒》給出了各個城市歷年的工業SO2排放量，相對準確地反映了每個城市工業SO2的年度排放強度。在空氣質量各指標中，SO2的年平均濃度作為被解釋變量，可以進一步檢驗AERI的適用性，回歸結果如表4所示。

表4 AERI與SO2的回歸分析結果（151城市面板數據）Table 4 Regression analysis of AERI and SO2 (panel data of 151 cities)

用AERI、第二產業占GDP比重、SO2年排放量作為自變量解釋SO2年平均濃度的變化，從表4可以看出，AERI的負相關性仍然顯著。相對而言，SO2年平均濃度變化對AERI的反饋敏感度較高，大致與第二產業占GDP比重相當，而對SO2年排放量的反饋敏感度較低。SO2年排放量的系數較小主要源于兩個因素：一是SO2的統計單位為t，量級相差較大；二是由于近10年對SO2排放的大幅度削減，SO2從超重污染水平進入了中度和輕度污染水平，減排的邊際效果減弱。

考慮到AERI的多寡在時間分布上的影響，為進一步分析SO2排放量對大氣環境資源的消耗情況，表4還給出了AERI值的年10%、25%和50%分位數的回歸系數。結果顯示，樣本城市對AERI值的年25%分位數具有顯著的負相關關系，且固定效應模型的回歸系數與AERI的年平均值非常接近。從氣候特征來看，一個城市AERI值特定分位數值越高，說明該城市AERI值的低值占比越少，對應于現實情況，即該城市的極端不利氣象條件越少。面板數據回歸結果顯示，AERI值的年25%分位數回歸系數顯著說明大部分樣本城市，SO2的排放強度大致在AERI值的年25%分位數處，即從平均排放強度角度考慮，全年有25%左右的時間，這些城市的SO2排放強度超過大氣環境資源量，造成污染。這一點與現有的估計也比較一致，中國大部分城市的工業SO2排放仍然有較大的減排任務。

4 結論

本文根據大氣環境影響空氣質量的內在機理，結合大氣污染的經濟后果，提出量化大氣環境資源的思路和基本假定，給出衡量大氣環境資源多寡的兩參數指數方程，初步實現了對大氣環境資源的量化統計，并利用2020年北京、上海、廣州等10個城市的空氣質量監測數據和地面氣象觀測數據對大氣環境資源指數的適用性進行實證檢驗，對2015—2019年中國151個城市的地面氣象觀測數據、城市空氣質量監測數據、城市經濟數據、城市污染物排放數據進行綜合分析，得出以下主要結論。

1）大氣環境的異質性（包括天氣過程、氣候特征和自然地理條件）能夠對空氣質量產生顯著影響，使其具備資源特征。經濟上，可以將大氣環境資源看作是對環保投入的成本替代，就像風力、水電一樣，是經濟活動的投入品，擴大了氣象技術的應用范圍[52]。

2）從檢驗結果看，大氣環境資源指數AERI可以作為表征大氣環境資源多寡的一個變量。AERI只有氣溫和風速兩個參數，易于計算，可以通過實際觀測獲取，也可以進行預報，成本較低，實用性強。一方面，它客觀反映了一個地方不同時間的大氣環境特征對空氣質量的影響潛力，以實測的AERI為依據，可以評估城市大氣污染治理的績效，也可以利用AERI預報數據和人工智能技術，進行污染物排放的時間調控，提高錯峰生產的效率；另一方面，AERI可以用于比較不同地區、不同地形、不同年份大氣環境資源的多寡，分析污染物排放影響的空間差異，為產業中長期規劃提供依據。

3）應用AERI進行的綜合分析結果表明：樣本城市的大氣環境資源對空氣質量的邊際影響大致與工業排放的50%相當，SO2排放對大氣環境資源的消耗大致在25%分位數水平，仍存在不小的減排壓力；大氣環境資源相對匱乏的城市，污染物濃度對大氣環境資源變化的邊際反饋更敏感，如成都、西安、鄭州、沈陽等市與廣州、長沙和上海等市相比，相差約1～2倍；對于大氣環境資源匱乏的城市來說，減排的邊際效應更強。

4）AERI還存在一些待解決的問題。首先，AERI是無量綱的指數，只能反映大氣環境資源的多寡，并無量的意義；其次，AERI未考慮空氣濕度的影響，在實際應用中，需要對濕度的影響進行補充評估；第三，對于特殊的天氣情況，如強降雨、逆溫等，AERI的反映不夠全面，需要具體分析。

污染物排放是大氣污染的內因，長期看來，采取更先進的技術控制排放是需要不斷努力的方向，但作為一種經濟選擇，在合適的發展階段，充分利用大氣環境資源也是需要認真思考的問題[13]。目前對于中國來說，經過近10年的減排努力，污染物排放被大幅度壓縮，繼續減排的壓力越來越大，這種形勢下，充分利用大氣環境資源進行時空調控也可以作為權宜之計，與減少排放并舉。