《管理世界》2021年第3 期* 本项研究得到国家自然科学基金项目（716250003 、91746208、71774014、72074026）的资助。作者感谢评审专家的宝贵意见，但文责自负。张斌为本文通讯作者。空气污染与城镇人口迁移：来自家庭智能电表大数据的证据*王兆华 马俊华 张 斌 王 博摘要：人口迁移近年来越来越受到国内外学者的关注，主流观点认为人口迁移主要动力来自于对经济收入和发展机会的追求等；但空气污染是否会导致城镇人口迁移，并且是否会因经济发展水平差异而存在异质性，目前缺乏可靠的实证证据。为此，本文基于200多万户城区家庭约1 亿条智能电表月度数据，构建了区县级的城镇人口迁移指数，采用面板固定效应模型和两阶段最小二乘法分析了空气污染对城镇人口迁移指数的影响，在此基础上，引入门限回归模型探讨了该影响效果在不同经济发展水平下的异质性。研究发现，空气污染会对当地人口产生挤出效应 ，在冬季和春季等空气污染严重的时段人口迁出效应更加明显；进一步研究发现，空气污染对城镇人口迁移的影响存在短期累积效应，居民以往的城市空气污染经历会持续作用到当前的迁移行为；经济发展水平的差异会使空气污染对城镇人口迁移的影响产生门槛效应，在经济发展水平相对较低的地区，空气污染对城镇人口迁移的影响效果更加明显。这在一定程度上表明，经济发展水平较低地区的居民对所在地的工作岗位黏性和医疗条件黏性较弱，更容易受空气污染的影响而迁移。本文揭示了空气污染与城镇人口迁移的内在联系，对城市空气污染可持续应对具有一定的借鉴意义。关键词：空气污染 人口迁移 智能电表数据 面板门限模型一、引言人口迁移是我国经济高质量发展中伴生的重要社会现象，也是城市可持续发展面临的重要话题。当前学术界主流观点认为，人口迁移主要受到经济、就业和生活等因素的影响，其原始动力来自于对经济收入和发展机会的追求等（夏怡然、陆铭，2015；王伟同等，2019；刘生龙，2014）。 但值得注意的是，除了经济因素外，人口迁移还可能受到环境污染等非经济因素的影响。图1 显示，空气质量较高的城市人口增长趋势明显，但空气污染严重的城市，尤其是我国很多传统高污染、高排放行业密集型的城市，近年来人口增速缓慢甚至呈现负增长的趋势。然而，以往的研究更多的从经济发展疲软（常晨、陆铭，2017）、产业结构转型（徐芳、齐明珠，2017）、资源型城市枯竭（张抗私，2007）等角度来探讨这些城市人口流失的潜在原因，在此过程中空气污染等环境要素是否也发挥了作用则是值得进一步探讨的问题。空气污染对人口迁移的影响是否会因经济发展水平而存在异质性，是本文关注的另一个重点问题。对人口迁移的相关研究更多从经济视角出发，认为经济较发达的城市更容易吸引和聚集人口（陆铭等，2019）；但随着经济发展和人民生活水平的提高，人们对生命健康和环境质量的诉求越来越高（郑思齐等，2013；Freeman et al.，2017），这些诉求是否会转化为人们的迁移行动？主流研究认为，经济收入高的群体对环境质量的需求更高（Liu and- - 19DOI:10.19744/j.cnki.11-1235/f.2021.0033Yu，2020；祁 毓、卢 洪 友 ，2015），而经济落后的地区对环境污染的耐受性更强（肖挺，2016）。 相比之下，经济发达的地区是否会因空气污染产生更多的迁移，这也缺少相关的实证证据。基于此，研究空气污染与人口迁移之间的关系，探索不同经济发展地区的群体对空气污染的迁移行为具有十分重要的意义。一方面能够丰富空气污染、经济发展和人口迁移之间的关系，有助于进一步理解现阶段不同经济发展水平的地区，其空气污染与人口迁移之间的复杂关系，为政府制定人才吸引政策提供参考；另一方面，在经济高质量发展的背景下，需要在复杂的人口迁移动因之中寻找到新的非经济影响因素，有利于政府评估环境治理投资的收益，更合理地制定可持续的环境治理措施和经济发展政策。但目前对空气污染影响居民迁移行为的研究往往使用中长期的人口普查数据，数据往往是单次的抽样调查横截面数据，模型估计得到的人口迁移效应可能存在偏误（李明、张亦然，2019）。 并且除了长期的迁移之外，还存在短期的流动行为，受限于数据可得性，现有研究难以识别到短期的人口迁移行为，而短期的临时性的人口迁移对于城市经济发展和制定相关政策同样具有参考价值和意义。为了更有效地表征城镇人口迁移这一行为，本文以2016年1 月~ 2017年12月200 多万户城镇家庭大约1亿条智能电表月度电力数据为基础，通过分析居民家庭用电行为特征来构建区县级的城市人口迁移指数作为短期人口迁移的代理变量；在此基础上融合空气污染数据和经济社会等控制变量，利用面板固定效应模型和两阶段最小二乘法分析空气污染对城市人口迁移行为的影响，并引入门限回归模型探讨了空气污染对迁移行为的影响效果在不同经济发展水平下的异质性。本文的贡献主要体现在以下方面：第一，基于推拉理论（Lee，1966）的结构框架，探讨了空气污染在不同经济发展水平地区对人口迁移影响效果的异质性，研究发现经济欠发达地区的居民更容易产生非经济因素导致的迁移行为，丰富了空气污染对城镇人口迁移行为影响的研究，为城市可持续应对空气污染提供了借鉴。第二，打破了以往研究对人口迁移刻画方式的限制。已有研究大多是从居民迁移意愿或者居民单次的长期迁移行为两个方面考察人口迁移的刻画（Lu et al. ，2018；Qin and Zhu，2018），受限于数据可得性，使用的人口迁移代理变量不够准确。与现有文献中的代理变量不同（Chen et al. ，2017；李明、张亦然，2019；罗勇根等，2019），本文利用大规模、高频率的居民家庭智能电表数据测度城镇人口迁移，真实有效地考察了城镇人口迁移的具体行为，拓展了人口迁移行为测度的方法理论，为测量人口迁移提供了新的视角和思路。本文的其余部分结构如下：第二部分是文献综述；第三部分介绍数据处理与实证方法；第四部分介绍数据的基本情况和统计描述；第五部分分析模型结果，讨论异质性；第六部分进行稳健性检验；第七部分是结论和政策启示。二、文献综述《2017中国环境状况公报》显示，全国338 个地级及以上城市中有239 个城市环境空气质量超标，超标城市占比70. 7 %①。当前空气污染得到广泛关注，部分学者从微观视角研究空气污染对个体的危害，如严重的图1 城市人口数量与空气质量关系注：数据来源于2009~ 2019年《中国城市统计年鉴》；其中空气较好城市选自于《中国生态环境公报2018》中所报告的空气质量相对较好的10个城市，包括海口、丽水、深圳、厦门、福州、惠州、台州、昆明、贵阳和温州；空气较差城市选自于《中国生态环境公报2018》中所报告的空气质量相对较差的10个城市，包括咸阳、唐山、太原、石家庄、临汾、晋城、焦作、邯郸、保定和安阳等。空气污染与城镇人口迁移：来自家庭智能电表大数据的证据经济学- - 20《管理世界》2021年第3 期空气污染会降低企业的劳动力生产率（He et al. ，2019；李卫兵、张凯霞，2019），严重的空气污染使空气中充满粉尘，能见度下降，影响交通运输，甚至影响企业决策者对商品库存的决策（李超、李涵，2017）。 空气污染严重时，个体会受空气污染的影响而提高犯罪率，尤其是人身伤害类型的犯罪率会显著增加，并且在不同温度下存在显著的异质性（Burkhardt et al. ，2019）。 除此之外，空气污染对人体健康的损害，也受到了学术界的大量关注，并且有了较多的研究成果（He et al. ，2016；陈硕、陈婷，2014）。 一方面，糟糕的空气会显著降低居民的主观幸福感（王玉君、韩冬临，2019），空气污染对居民心理健康有显著的负面作用（Li et al.，2019a ；Sass et al.，2017；李卫兵、邹萍，2019）。 另一方面，空气污染使居民个体受到危害，可能导致呼吸道感染、脑血管疾病、肺部感染等多项疾病（Cohen et al.，2017；Huang et al.，2018），孕妇长期暴露在空气污染下会增加风险，如怀孕早期流产（Zhang et al.，2019）、婴儿出生体重过低（Shah et al. ，2011）、婴儿更可能早产（Malleyet al.，2017）、妊娠高血压（Dadvand et al.，2013）等。严重的空气污染还会影响睡眠质量（Heyes and Zhu，2019），经过长时间的影响，甚至导致众多人口过早死亡（Jerrett ，2015；Wang et al.，2017）。由于空气污染严重危害人类身体健康和心理活动，人们开始改变生活习惯来应对空气污染，主要包括适应防护和主动逃离两种行为（Deschenes et al. ，2017）。 人们在空气高度污染的日子里会有短期的防护性行为，以减少污染对身心健康的伤害（Sun et al.，2017）。 比如可以采用减少户外活动时间的方式来规避空气污染的影响（Neidell ，2008；Zivin and Neidell，2008），严重的情况下，儿童和学生甚至会通过缺勤的方式避免受到空气污染的影响（Liu and Salvo ，2018；Sass et al.，2017）；除了减少户外活动，居民还会通过缩短劳动供给（Hanna and Oliva，2015；Lichter et al.，2017；Zivin and Neidell，2012）、购买防霾口罩、购买净化器防护用品等一系列办法（Neidell ，2008；Zhang and Mu，2018）。 主动逃离行为是指居民因空气污染而离开居住地，如移民和迁出所在城市（Lu et al. ，2018）。 在其他外部环境不变的情况下，空气污染给人体健康带来的损害越来越高，甚至超过在该环境中所获得的效用时，居民就可能采取迁移的方式，为自己创造更好的个人环境（Chen et al. ，2017）。随着空气污染的持续甚至是局部恶化，民众对迁移的讨论增多起来。环境污染已成为我国居民考虑国际移民的重要因素之一（Qin and Zhu，2018）。 近年来，有研究开始关注于空气污染对人口迁移意愿的影响（Aunan and Wang，2014；Lu et al. ，2018）。 Qin和Zhu（2018）发现空气污染期间，人们通过互联网搜索移民的频次上升，空气质量指数平均每上升100 ，人们搜索“移民”的频率会上升2 . 3 %~4 . 8 % ，这一结果反映了空气污染对于人们移民意愿的影响。洪大用等（2016）采用北京市居民调查数据，发现不少居民因空气污染萌生出移民或者迁移的意向。上述研究主要倾向于研究空气污染对居民迁移意愿的影响。近年来，随着大规模调研数据的引入，学者们试图探究空气污染对居民的迁移行为的影响关系（Chen et al. ，2017）。 如孙伟增等（2019）利用全国流动人口动态监测调查数据，实证研究发现空气污染对流动人口就业选址具有显著的负向影响。Lu等（2018）利用调查问卷分析了京津冀地区的劳动力因空气污染而产生的迁移意愿，研究发现空气污染会破坏劳动力对所在地的黏度，使劳动力产生迁移意愿，从而可能产生迁移行为。李明和张亦然（2019）利用中国高校留学生数据研究发现，城市空气污染越严重的高校平均在校来华留学生规模越小，表明空气污染推动高知识人群的流动，个体更倾向于迁移至空气较好的城市。罗勇根等（2019）根据个体专利发明数据，发现空气污染显著增加了人力资本流动的可能性，专利发明人更可能向空气质量较好的城市迁移。现有文献大部分关注于空气污染对人口迁移意愿的影响，主要使用单次的调查问卷数据，借助心理学模型进行研究。由于缺乏大规模、高质量和高频率的人口迁移数据，目前的研究主要通过高校留学生数据、人口抽样调查数据、空置房屋面积数据和专利发明数据等表征居民单次的迁移行为。但此类研究的不足之处在于：一是对人口迁移行为的表征不够准确，这类型代理变量很难更加有效地识别人口迁移；二是这类数据往往是居民单次的调研数据，所构造的代理变量反映的是长期的单次迁移效应或迁移概率，模型估计的人口迁移效应可能存在偏误。本文聚焦于目前的研究缺口，利用高质量和高密度的智能电表数据测算城镇人口迁移指- - 21数，以此来反映背后的人口迁移行为，一方面可以弥补现有研究的缺失，拓展人口迁移行为测度的方法理论，为测量人口迁移提供新的视角和思路；另一方面对城市空气污染可持续应对具有一定的借鉴意义。三、数据处理与研究设计本文的样本区域位于中国东南部长江中下游某省，年均气温约16. 3 ℃~19. 5 ℃ ，冬季较短，最低温为5 ℃ 左右，夏季极端高温在40℃ 以上，是中国较为炎热地区之一。2019年，常住人口近5000万，各城市的城镇化率约为51%~75% ，各城市的地区生产总值大约在 930 亿~ 5600亿元之间。本文选择该区域作为研究对象的原因如下：该区域的经济水平、城镇化率和常住人口数量均处于中等，位于这一发展水平的省份数量较多，选择该省份具有一定的代表性；该区域地理空间分布较广，既有地理位置靠近长三角，居民生活习惯和城市文化与长三角类似的城市，也有靠近珠三角，受珠三角辐射的城市，因此该省份的居民生活习惯和城市文化比较多元，适合作为研究样本。（一）城镇人口迁移指数构建及其数据来源在隐私保护和数据安全的前提下，本文采用了2016年1 月~ 2017年12月中国长江中下游某省约200 多万户家庭脱敏后的月度智能电表数据，数据总量约1 亿条，包括脱敏后的城镇居民家庭用电量数据、用电地址数据和输送电时间数据。数据预处理阶段，应用Levenshtein 相似性函数提取城市、区县等信息，提取成功的用户信息直接进行保存，对于未提取成功的用户，应用百度地图地理位置信息推荐接口，基于爬虫技术批量获取用户的城市、区县等信息进行匹配，并根据输送电时间剔除从未有人居住过的家庭，得到处理过后的数据集，由于本文研究的是城市区域的人口迁移效应，因此进一步剔除了农村、县城和偏远地区的样本数据。借鉴Li 等（2019b）以冰箱的月耗电量作为判断阈值，判断居民住宅的居住状态，本文定义城镇居民家庭居住状态如下：（1）其中，household ijt 为第i 个地区第j 户居民在时间t 时的状态，ECijt 为第i 个地区第j 户居民在时间t 时的用电量，V 为判断阈值，M ijt 意味着第i 个地区第j 户居民在时间t 时短期属于迁出家庭，L ijt 代表第i 个地区第j 户居民在时间t 时短期属于未迁出家庭。为了科学有效的设定判断阈值V ，本文利用爬虫程序从京东商城网站上爬取了2000多种冰箱的型号、品牌、能耗标识和日均耗电量数据，计算得到冰箱平均每月耗电量 14kW· h ，作为判断阈值V 。进一步地，参考Call 等（2017）将1 个月作为短期城镇人口迁移的时间间隔粒度，本文构建的城镇人口迁移指数是月度的指数，计算过程如下：（2）式（2）中，RMI it 为城区i 在t 时期的城镇人口迁移指数，m 和n 分别是各地区的迁出家庭数量和未迁出家庭的数量。值得说明的是，本研究关注的迁移指数基于居民智能电表数据所构造，衡量的是月度频率的短期人口流动行为。实质是根据家庭用电行为特征来判断其居住状态，从而判断其是否暂时离开所在居住地。不同于以往研究中聚焦于户籍变动的单次长期迁移行为，本文测算的迁移指数是临时性的迁移行为，相比已有研究，能够从更高频的视角探究人口迁移的现象，这也是本文的一个亮点。受限于数据可得性，人口迁移指数无法识别居民流出以后的目的地和出行目的，并且这样的短期流动并非户籍的变动，而是更加广义的迁移行为。虽然无法探究其户籍的变动，但为人口迁移的表征提出了新思路。ho us e ho l di j t= E Ci j t- Vìíîi f ≤ 0 ho us e ho l di j t∈ Mi j ti f < 0 ho us e ho l di j t∈ Li j tR M Ii t=∑j = 1nMi j t∑j = 1nLi j t+∑jmMi j t空气污染与城镇人口迁移：来自家庭智能电表大数据的证据经济学- - 22《管理世界》2021年第3 期（二）基准模型设定本文参照Chen等（2017）、Lu等（2018）和罗勇根等（2019）的研究，构建了下述固定效应模型：（3）其中，i 表示各个区，t 表示月份；ln RMI it 表示城镇人口迁移指数取自然对数，ln APit 代表空气质量指标取自然对数；X it 为一系列控制变量，主要考虑温度、气候、经济发展水平、就业机会和医疗条件等；λ i 是地区个体效应，δ t 是月度时间效应，ε it 代表残差项。在所有回归分析，都控制了月度时间固定效应和个体固定效应。（4）与模型（1）相比，模型（2）控制了假期虚拟变量和空气污染与其交互项，当地区i 所在月份是春节时，hol⁃iday 变量取值1 ，否则为0 。考虑到空气污染和城镇人口迁移指数之间可能存在相互影响，从而产生内生性问题影响模型估计结果，因此将空气污染变量的往期变量加入，一定程度上可以避免互为因果的状况。此外，因为空气污染而迁移的城市居民与居民基数相比，占比较低，因此城镇人口迁移行为并不会影响城市的空气质量，故一定程度上可认为模型中互为因果的内生性偏误问题基本可以忽略。为了检验结果的稳健性，将城镇人口迁移指数的测算标准分别放宽和缩紧，利用不同标准测算的城镇人口迁移指数作为被解释变量，进行稳健性检验分析。空气污染方面，将空气污染的代理变量AQI 替换为PM2 . 5 、PM10和AQI 全国城市排名作为解释变量，进行稳健性检验。（三）门槛模型设定由于中国各地区经济发展水平相差较大，即使是同一个省的不同城市，经济发展水平也有较大差异，因此经济水平高或者低的地区的居民，受到空气污染冲击时表现的迁移行为也可能不同（李佳，2014；刘生龙，2014）。 如人口迁移理论中的推拉理论认为，居民迁出地与迁入地在社会经济条件优越性和稳定性方面的差距形成了相对应的推力和拉力（Lee，1966），在这两股力量的共同作用下发生了人口迁移（Portes andBorocz ，1989；李强，2003）。 另一方面，人口迁移理论中压力门槛理论认为，居民在居住地感受到的环境压力存在一定的临界值，即“门槛”，当体验到的环境压力超过这一标准时，迁移行为就可能发生（Speare ，1974；Wolpert，1966）。 因此本文推测：（1）空气污染对不同经济发展水平地区居民的影响存在异质性；（2）存在一个或者多个空气污染的门槛值，使得空气污染对城镇人口迁移行为的影响效果呈现非线性特征。为了从经济水平的角度和空气污染本身角度来分析空气污染对城镇人口迁移的影响，分别探究经济发展水平不同和空气污染不同，是否令空气污染对居民短期迁出的影响呈现出异质性特征，面板数据门槛模型（Hansen，2000；Wang et al. ，2019；黄红光等，2018）可以很好地解决上述问题。因此，分别将空气质量AQI和地区GDP 作为门槛变量，分析是否存在显著的门槛值，使空气质量对城镇人口迁移的影响存在差异化的影响，模型构建如下：（5）（6）其中，i 表示各个区，t 表示月份。ln RMI it 表示城镇人口迁移指数取自然对数，ln APit 代表空气质量指标取自然对数，是本文所关注的主要效应。在式（5）中，空气质量AP既是门槛变量，同时也是主效应；在式（6）中，GDP 是门槛变量。γ 1 和γ 2 是门槛值的大小，X it 为一组控制变量，主要考虑温度、气候、经济发展水平、就业机会和医疗条件等。λ i 是个体效应，δ t 是月度时间效应，α 和β 是门槛模型估计的系数，ε it 是残差，I （·）是示性函数，满足括号中的条件，则I= 1 ，反之，I = 0 。（四）其他数据来源1 . 空气污染数据本文的核心解释变量是空气污染。空气污染数据来源于中国生态环境部公布的空气污染相关的数l n R M Ii t= α0+ β1l n A Pi t+ βj∑Xi t+ λi+ δt+ εi tl n R M Ii t= α0+ β1l n A Pi t+ β2ho l i day + β3l n A Pi t× ho l i day + βj∑Xi t+ λi+ δt+ εi tl n R M Ii t= α0+ θ1l n A Pi t× I ( A P ≤ γ1) + θ2l n A Pi t× I ( A P > γ1) + βj∑Xi t+ λi+ δt+ εi tl n R M Ii t= α0+ θ1l n A Pi t× I (G D P ≤ γ2) + θ2l n A Pi t× I (G D P > γ2) + βj∑Xi t+ λi+ δt+ εi t- - 23据②。该网站收集中国环境保护部的污染物实时数据，并将其转换为每日平均量。监测的主要污染物是PM2 . 5 、CO、NO2 、SO2 和O 3 以及合成的AQI 指数。Heyes和Zhu（2019）将城市内所有观测点各自的观测数据和整个城市观测点平均数据进行对比，发现二者的相关性非常高，因此，本文的空气质量数据是各个区县空气监测点数据的算术平均值。借鉴Freeman 等（2017）和沈永建等（2019）的研究，本文选取AQI 作为空气污染的代理变量，并以PM2 . 5 和PM10作为变量，对空气污染影响城镇人口迁移的影响效果进行稳健性检验。2 . 其他控制变量结合已有研究，本文在计量模型中增加了一组控制变量，以尽可能地缓解遗漏变量偏误，这组变量介绍如下。居民的迁移可能受到气温的影响，为了控制气温影响，使用CDD 和HDD的积温变量（Auffhammer andMansur ，2014；Fazeli et al.，2016），作为衡量气温水平的变量，根据最常见的气温阈值分组（Li et al.，2018），本文以18摄氏度和26摄氏度分别作为制暖积温和制冷积温的温度阈值，数据来源于各城市的每日天气报告、RESSET 数据库和Choice 数据库。经济发展的水平可能会影响居民的迁移（孙伟曾等，2019），参照黄红光等（2018）和罗勇根等（2019）的研究，分别选取人均可支配收入和GDP 作为控制变量和门槛变量，数据来源于各城市统计年鉴和wind 数据库。为了控制在岗正式职工数量这一因素对模型估计的影响，本文参考陈诗一和陈登科（2019）对相关变量的处理方法，利用当月在岗职工人数减上月在岗职工人数的差值，除以上月在岗职工人数，得到劳动力流动变化率，以控制劳动力流动对城镇人口迁移的影响。数据来源于wind 数据库。就业机会多的地区，更容易吸引居民迁入，参照罗勇根等（2019）的研究，选取规模以上工业企业数作为衡量就业机会的变量，以此控制就业机会对居民迁移的影响。数据来源于中国县域统计年鉴、各城市建设统计年鉴和wind 数据库等。医疗水平是生活质量的重要组成因素，会对居民迁出和迁入行为产生显著影响，因此采用医疗卫生床位数作为衡量医疗水平的控制变量（夏怡然、陆铭，2015）。 数据来源于中国县域统计年鉴、各城市统计年鉴和wind 数据库等。除上述变量外，在模型的估计中，本文通过控制个体和时间固定效应，以进一步降低遗漏变量偏误。各个变量的解释和描述性统计见表1 。四、数据描述性统计通过前文所述方法计算得到的城镇人口迁移指数的具体情况如图2 所示，图2 中浅色区域的面积是迁移指数的均值，柱状图是AQI 指数的均值。从图2 中可以发现，AQI 指数呈现冬季较高，夏季较低的季节性特征，而迁移指数与AQI 指数呈现出大致的正相关关 图2 AQI 指数与迁移指数时间趋势表1 各变量描述性统计变量RMIaqiaqi_rankPM2.5PM10hddcddGDPPcdiStaff_rateindus_firmhealth_bed含义解释测算得到的城镇人口迁移指数空气质量指数AQI空气质量指数AQI 的全国排名PM2.5 浓度值PM10浓度值采暖积温制冷积温国内生产总值人均可支配收入在岗职工人数变化率规模以上工业企业个数医疗卫生床位数样本量528528528528528528均值0.19867.074170.98242.82170.41696.62927.20935572822764.3541.014105.253919.341标准差0.07717.71537.68816.45722.186120.15748.0192275081715.1140.17568.8094046.02最小值0.137.5769.116.6331.670549669815.3850.6692906最大值0.56118.87257.3989.74133.84423.3176.987824644259.722.32330127777空气污染与城镇人口迁移：来自家庭智能电表大数据的证据经济学- - 24《管理世界》2021年第3 期系，具体的结果需要基于模型进一步分析。图3 展示了研究样本的AQI 指数直方统计图。从总样本直方图可以发现，总体样本的AQI 指数值大多数处于50~ 120 左右，并且在部分时期里存在较为严重的空气污染现象。图3 中还将各个研究地区的AQI 指数分别进行了描述性统计，可以发现城市a 至城市k 的AQI 指数分布相差比较明显，部分城市的空气污染状况比较严重，如城市d 和城市j ；部分城市的空气状况则相对较好，如城市a 和城市g 。五、实证结果与分析（一）基准模型估计结果根据公式（3）和公式（4），对模型进行估计，具体的结果如表2 所示。第（1）~ 第（3）列是以AQI 作为自变量的估计结果，第（4）~ 第（6）列是以滞后一阶的AQI 作为自变量的估计结果，模型同时控制了地区和月度双重效果进行回归分析，一定程度上避免遗漏变量对估计结果造成的偏误。从表2 的结果可看出，第（1）列AQI 系数的符号为正，并且在1 % 水平下显著。这表明，其他条件不变的情况下，AQI 每增加1 % ，城镇人口迁移指数平均会提高0 . 115 % 。第（2）列加入春节所在月份的虚拟变量和AQI 的交互项，（2）列AQI 的系数与第（1）列相似，说明结果稳健，但（2）列中的交互项系数不显著，说明在春节假日中，空气污染对人口迁移的影响与普通时期相比没有显著变化。该结果意味着在污染较为严重的时间里，部分城镇居民可能通过短期移居、外出旅行、探亲访友等潜在形式迁移，这也与现存文献的观点相似（李明、张亦然，2019；孙伟增等，2019；席鹏辉、梁若冰，2015）。 列（3）与之前基本相同，但AQI 值并未取对数，而是采用原始值，其系数正向显著，说明无论空气污染变量是否采取对数形式，均对本文结果没有影响。列（4）中滞后一阶的AQI 系数同样为正，在5 % 的水平下显著。与列（1）的AQI 的系数相比有所降低，滞后一阶的AQI 每提高1 % ，城镇人口迁移指数平均提高 0 . 089 % ，与当月空气质量相比，前一个月空气质量对人口迁移指数的影响效果减弱了0 . 026 % 。这个结果说明，居民对居住地区以往空气质量的印象也会导致人图3 各地区AQI 指数直方统计图- - 25口短期迁移，影响效果存在短期延续性，影响效果随着时间逐渐减弱。列（5）中AQI 滞后一阶系数支持了这一观点，说明结果稳健。列（6）与列（3）类似，滞后一阶的AQI 变量采用原始序列，结果依旧正向显著。此外，值得注意的是，反映气候条件的CDD 与HDD变量系数不显著，且系数很小，意味着温度气候等条件对于城镇人口迁移指数没有显著的影响。由于研究区域的气候条件比较相似，同一时期各个城市之间气温相差较小，因此在本文分析的条件下，确实有理由相信温度并不显著影响迁移的因素。下一节会对气温和季节性因素的影响进行更详细的讨论。（二）不同季节估计结果考虑到研究样本中气温和空气污染呈现出较为明显的相关关系，冬季气温低，空气污染较严重；夏季气温高，空气污染相对较轻。虽然基准回归模型中已经考虑了温度和月度固定效应，将其纳入模型中作为控制变量，一定程度上能够避免季节和温度对人口迁移指数所造成的影响偏误。但为了进一步讨论季节性变动对估计结果的影响，将季节性因素和气温因素进行控制，本文将总样本分为春季、夏季、秋季和冬季4 个子样本，根据基准模型进行估计，具体的估计结果如表3 所示。表3 中列（1）~ 列（4）分别是春季、夏季、秋季和冬季的分组回归结果。与基准回归类似，所有估计结果均控制了个体固定效应和月度时间效应。结果显示，除列（3）外，其余的AQI 的系数均显著为正，当AQI 每升高1 % ，人口迁移指数会随之升高0 . 1 % 至0 . 24% ，结果与上一节中基准回归的估计结果一致。这表明，在考虑到季节性因素及气温因素对人口迁移的影响后，结果依然稳健。（三）门槛模型估计结果根据式（5）和式（6）构建的面板门槛模型，分别将空气质量AQI 和GDP 作为门槛变量，分析空气污染对城镇人口迁移行为的异质性影响。参照Wang（2015）和黄红光等（2018），为确立门槛变量的门槛值个数，本文在单一门槛、双重门槛和三重门槛分别估计模型，并采用bootstrap 方法计算各个模型的统计量的渐近分布，检验门槛效应的显著性。对式（5）估计的结果表明，在空气质量AQI 作为门槛变量时，模型的单重、双重和三重门槛值的空气污染与城镇人口迁移：来自家庭智能电表大数据的证据经济学表2 基准模型估计结果ln aqiln aqi_lagln aqi_springSpringStaff_rateln cddln hddln pcdiln indus_ firmln health_bedConstantTime Fixed EffectCity Fixed EffectObservationsAdjusted-R2( 1)ln RMI0.115***( 3.07)0.155***( 2.76)- 0.000623(- 0.08)0.00734( 0.76)- 0.481(- 0.33)0.0577**( 2.23)0.0653***( 5.48)4.054( 0.34)Y5280.676( 2)ln RMI0.107***( 2.62)0.0301( 0.44)- 0.128(- 0.43)0.155***( 2.73)- 0.000724(- 0.10)0.00756( 0.78)- 0.504(- 0.34)0.0576**( 2.21)0.0654***( 5.47)4.286( 0.36)Y5280.675( 3)ln RMI0.00155***( 2.71)0.000334( 0.38)- 0.0240(- 0.30)0.152***( 2.68)- 0.00127(- 0.17)0.00755( 0.78)- 0.392(- 0.27)0.0587**( 2.25)0.0658***( 5.51)3.726( 0.31)Y5280.675( 4)ln RMI0.0899**( 2.37)0.154***( 2.70)0.000848( 0.11)0.00500( 0.52)- 0.251(- 0.17)0.0529**( 2.01)0.0618***( 5.09)2.183( 0.19)Y5060.663( 5)ln RMI0.0753*( 1.86)0.111( 1.23)- 0.489(- 1.18)0.149***( 2.60)0.000538( 0.07)0.00582( 0.61)- 0.232(- 0.15)0.0545**( 2.06)0.0623***( 5.13)2.137( 0.19)Y5060.663( 6)ln RMI0.00163***( 2.72)- 0.000150(- 0.15)0.0402( 0.39)0.148**( 2.58)- 0.0000439(- 0.01)0.00480( 0.50)- 0.291(- 0.19)0.0560**( 2.12)0.0624***( 5.15)2.775( 0.24)Y5060.664注：所有回归控制了月度的时间固定效应和地区个体固定效应，括号中展示的是t 值，*p< 0 . 1 ，**p<0 . 05，***p< 0 . 01，第（3）列和第（6）列中AQI 变量采用的是绝对值，并未取对数。表3 分季节估计结果LnaqiStaff_rateln cddln hddln pcdiln indus_ firmln health_bedConstantTime Fixed EffectCity Fixed EffectObservationsAdjusted-R2( 1) 春季ln RMI0.245**( 2.24)0.105( 0.79)0.00369( 0.28)- 0.00331(- 0.30)- 1.715(- 0.36)0.0727( 0.99)0.0575***( 2.93)14.03( 0.35)Y1320.645( 2) 夏季ln RMI0.107**( 2.31)0.194( 1.27)- 0.0168*(- 1.88)1.491( 0.26)0.0606( 0.69)0.0675**( 2.42)- 12.03(- 0.25)Y1320.710( 3) 秋季ln RMI0.151( 1.20)0.162( 1.32)0.0115( 0.74)0.0246*( 1.93)- 0.878(- 0.16)0.0225( 0.26)0.0647**( 2.70)6.790( 0.15)Y1320.745( 4) 冬季ln RMI0.190**( 2.32)0.0757( 0.46)0.827***( 4.78)- 0.398***(- 5.49)0.0292( 0.31)0.0436***( 3.55)- 0.613(- 0.24)Y1320.487注：表中4 组回归结果的标准误为稳健标准误，控制了月度时间固定效应和地区个体固定效应，括号中展示的是t 值，*p< 0 . 1 ，**p<0 . 05，***p< 0 . 01。- - 26《管理世界》2021年第3 期检验均未通过，因此可以认为，不存在某一门槛值使得门槛值前后的 AQI 对城镇人口迁移指数有统计学上的异质性影响，具体结果受限于篇幅，不再展示。对式（6）构建的门槛模型进行估计，研究发现，存在一个GDP 门槛值196 . 3 亿元，使得空气污染对城镇人口迁移指数有非线性的影响。下文分析以GDP 作为门槛变量的单门槛模型的检验结果和估计结果，如表4所示。表4 列（1）是以AQI 作为主变量，没有控制时间效应的估计结果，列（2）在列（1）基础上控制了时间效应，列（3）是以AQI 滞后一期作为主变量，没有控制时间效应，列（4）在（3）的基础上控制了时间效应。列（1）结果表明，当城区的GDP 水平低于门槛值196 . 3 亿元时，空气质量AQI 对城镇人口迁移指数的影响是显著为正，当GDP 大于门槛值时，AQI 对城镇人口迁移指数的影响为负，并不显著。列（2）在控制了时间效应后，AQI 的系数与列（1）的系数相差不大，当区县的GDP 水平低于门槛值196 . 3 亿元时，即地区经济水平处于相对较低的区县，空气质量AQI 对城镇人口迁移指数的影响系数为4 . 56，在1 % 的水平下显著，当GDP 大于门槛值时，AQI 对城镇人口迁移指数的影响系数降低至2 . 637 。这意味着空气质量较差时，在经济发展水平相对较低地区的城镇人口迁移指数升高；相反则不明显。结果说明空气污染对城镇人口迁移的影响存在经济发展水平的门槛效应，与李佳（2014）的研究结论相似，随着各个城区的经济发展规模的变化，以GDP 作为门槛变量时，存在单个门槛值196 . 3 亿元，使得空气污染对城镇人口迁移指数的影响出现显著性差异。同样的，考虑空气污染的累积效应对城镇人口迁移指数影响效果的经济异质性影响，可以发现，模型估计的结果同列（1）和列（2）的结果大体相似，在经济发展水平低于门槛值时，空气污染对城镇人口迁移指数的影响效果统计学上显著，即居民因空气质量较差而短期迁移离开的效应比较明显，而经济水平相对较好的地区，居民对空气质量的敏感性较弱。门槛模型的结果表明，空气污染对人口迁移的影响存在经济异质性，同等条件下，空气污染对经济发展水平较低地区的群体有着更加明显的影响效果，而在经济发展水平相对较高的地区，空气污染对人口迁移的影响效果变弱甚至不显著。这一结果意味着，个体因空气污染导致的非经济行为的迁移主要存在于经济发展水平相对较差的地区，空气污染的存在会提高这部分地区的人口迁移行为，使得人口进一步从空气污染严重、经济水平低的城市加速流向空气质量较好且经济水平高的城市。这背后可能的原因是经济发展水平较低地区的居民对所在地的工作岗位黏性和医疗条件黏性较弱，更容易受空气污染的影响从而离开所在城市。当前中国的高耗能高污染产业正从东部沿河地区向中西部的中小城市转移（汤维祺等，2016；Chen et al. ，2019）。 高能耗和高污染的产业在城市产生集聚，虽然短时期内会显著地促进城市经济快速发展，但如果考虑到空气污染的冲击会使得经济发展较差地区的居民流向其他城市，从长期视角来看，这样的高污染高能耗发展模式会带来“环境污染—人口流出”的恶性循环。因此，如果经济发展薄弱地区为了制造就业岗位，促进经济发展，盲目发展高污染产业，忽略可持续发展的理念，会因为环境条件遭到破坏从而使得部分人口流出，从长表4 门槛模型检验和估计结果GDP ＜Threshold lnaqiGDP ≥ Threshold lnaqiGDP ＜Threshold lnaqi_lagGDP ≥ Threshold lnaqi_lagConstantSingle F statisticP valueDouble F statisticP valueTriple F statisticP valueClimate ControlEconomic ControlControl VariableTime Fixed EffectCounty Fixed EffectObservationsAdjusted-R2( 1)RMI2.179***( 2.92)- 0.293(- 0.40)31.47( 1.40)184.25[ 0.01]73.99[ 0.3767]32.09[ 0.68]YYNY5280.276( 2)RMI4.558***( 4.46)2.637***( 2.60)346.8( 1.05)205.58[ 0.01]110.19[ 0.0733]75.1[ 0.2267]YYY5280.629( 3)RMI3.910***( 5.77)1.492**( 2.25)37.76*( 1.72)180.88[ 0.01]70.06[ 0.4433]33.35[ 0.6667]YYNY5060.289( 4)RMI4.649***( 4.61)2.752***( 2.75)314.2( 1.13)201.71[ 0.01]103.27[ 0.0667]62.89[ 0.2467]YYY5060.629注：所有回归均控制了地区个体固定效应，部分结果控制了月度时间固定效应，括号（）内是t 统计值，门槛值个数的F 统计量中[ ] 内是P 值，*p< 0 . 1 ，**p<0 . 05，***p< 0 . 01。- - 27远来看反而不利于这部分地区的经济发展。当前中国经济已由高速增长阶段转向高质量发展阶段，对于绝大多数发展相对落后的地区而言，经济高质量增长离不开人口和劳动力的推动，因此必须考虑环境承载力对人口吸引力的影响。六、稳健性检验由于因变量的测量中，对居民家庭居住状况的判定阈值的设定可能存在幸存者偏差，使得恰巧该阈值得到的结果是统计学上显著，此外，空气污染的变量选取也有可能存在偏差，为了检验结果的稳定性，本文将从以下几个方面来进行稳健性检验，尽量避免研究结果的随机性。（一）内生性讨论由于影响人口迁移的因素非常复杂，虽然本文已经尽可能地控制了各项因素，但还可能存在一些难以观测的因素，会对人口迁移产生重要影响。以往文献认为空气污染与人口迁移之间存在遗漏变量所造成的内生性问题（Chen et al. ，2017；李明、张怡然，2019；孙伟增等，2019），为了解决遗漏变量造成的内生性问题，本文借鉴Barwick等（2018）和Barwick等（2019）对空气污染变量内生性的处理方式，采用上风向城市的污染程度作为空气污染的工具变量。因为风向只受自然因素影响，是随机的，满足外生性条件，同时上风向城市的空气污染一定程度会影响本地的空气污染，二者具有高相关性。为此，借助美国国家气候数据中心（NCDC）公布的全球各地区气象站监测数据，数据集记录了历年来每个城市的气象数据，每3 小时采集1 次，具体包括气压、风速、风向等③。风向数据采用1 °~ 360 ° 来表示方向：360 ° 为正北方向；90° 为正东方向；180 ° 为正南方向；270 ° 为正西方向。我们将数据粒度转化为月度均值，从而得到每个城市所在月份的平均风向，根据风向判断其上风向的大致方位，最终以上风向所在方位上距离本地区最近的一个城市的空气污染水平，作为本地区空气污染水平的工具变量（Barwicket al.，2019）。 图4 展示了空气污染变量与其工具变量的散点拟合图，图4 中的（a）展示了上风向地区AQI 指数与本地区AQI 指数的关系，（b）展示了上风向地区PM2 . 5 浓度与本地区PM2 . 5 浓度的关系。从图4中不难发现，上风向地区的空气污染水平与本地区高度相关，满足工具变量的相关性条件；并且风向主要是受大气所影响，属于自然因素，非人为因素干扰，满足外生性条件。表5 展示了引入工具变量后的2 SLS 估计结果，Panl A 部分是主要的估计结果，Panl B 展示了第一阶段的回归估计结 图4 上风向地区空气污染水平与本地区空气污染水平散点图（a）上风向地区AQI指数与本地区AQI指数散点图 （b）上风向地区PM2.5浓度与本地区PM2.5浓度散点图空气污染与城镇人口迁移：来自家庭智能电表大数据的证据经济学表5 引入工具变量的2 SLS 估计结果Panl A:ln aqiln PM2.5Kleibergen-Paap rkWald F统计量Control VariableTemperature ControlTime Fixed EffectCity Fixed EffectObservationsAdjusted-R2Panl B:ln upwind_ PM2.5Control VariableTemperature ControlTime Fixed EffectCity Fixed Effect( 1)ln RMI0.107*( 1.74)329.28[ 16.38]NYY5280.135第一阶段估计结果ln aqi0.394***( 7.10)NYY( 2)0.116*( 1.92)334.709[ 16.38]YY5280.2070.391***( 7.61)YY( 3)0.0776*( 1.77)282.151[ 16.38]NYY5280.159第一阶段估计结果ln pm2.50.592***( 6.77)NYY( 4)0.0840**( 1.96)269.104[ 16.38]YY5280.2300.570***( 7.05)YY注：表中4 组回归结果的标准误均是稳健标准误，控制了季度的时间固定效应和地区个体固定效应，括号（）内是t 统计值，*p< 0 . 1 ，**p<0 . 05，***p<0 . 01。Kleibergen-Paap rk Wald F 统计量中[ ] 内是Stock-Yogo 弱识别检验10% 水平的临界值，受限于篇幅，控制变量的系数省略不进行展示。- - 28《管理世界》2021年第3 期果。表中（1）和（2）列是以AQI 指数作为主要解释变量的结果，（3）和（4）列是以PM2 . 5 指数作为主要解释变量的结果，此外，所有的估计都控制了地区个体和季度时间的双向固定效应，并且还报告了2 SLS 的弱工具变量检验的结果。从表4 可以发现，AQI 指数和PM2 . 5 的系数估计结果均显著，并且与之前的基准模型估计结果基本一致，说明在考虑了遗漏变量可能造成的内生性问题后，空气污染对城镇人口迁移指数的影响仍旧成立。此外，对于弱工具变量检验方面，Kleibergen-Paap rk Wald F 统计量远远大于Stock-Yogo 弱识别检验10% 的水平，说明不存在弱识别问题。总体而言，各项检验结果显示，2 SLS 的估计结果显著，本文的主要结论是稳健有效的。（二）针对因变量测量误差的稳健性检验从被解释变量的角度考虑稳健性检验，由于城镇人口迁移指数通过判断阈值V 进行测量，因此从阈值V的设定出发，将判断居民短期迁出状态的测量阈值V 进一步缩紧和放松，以0 kW· h 用电量作为判断阈值V 0 ，以原有的冰箱每月平均电耗14kW· h 加上方差10kW· h ，得到24kW· h 作为判断阈值V 1 ，并分别以V 0 和V 1 作为判断居民居住状态的阈值，基于式（1）和式（2）构建新的城镇人口迁移指数RMI _ 0 和RMI _ 1 进行稳健性检验，检验结果如表6 所示。表6 中列（1）和列（3）AQI 的系数分别为0 . 138 和0 . 136 ，至少在5 % 的水平下显著，这与之前的基准模型结果和2 SLS 的结果基本保持一致，说明无论是放松还是缩紧城镇人口迁移指数的测量标准，本文的研究结果都成立，结果稳健。但是列（2）和列（4）的结果显示，滞后一期的AQI 对重新测量RMI _ 0 和RMI _ 1 的影响效果均低于当期AQI 的影响效果，该结果与之前的分析基本保持一致，进一步支持了本研究结果的稳健性。（三）针对空气污染测量误差的稳健性检验从主要解释变量空气污染的角度，将空气污染代理变量AQI 分别替换为PM2 . 5 、PM10以及空气质量全国排名，进行稳健性校验，具体的结果展示如表7 所示。表6 不同被解释变量的稳健性检验ln aqiln aqi_lagStaff_rateln cddln hddln pcdiln indus_ firmln health_bedConstantTime Fixed EffectCounty Fixed EffectObservationsAdjusted- R2( 1)ln RMI _00.138**( 2.33)0.155*( 1.73)- 0.00832(- 0.70)- 0.00488(- 0.32)- 5.208**(- 2.24)0.0758*( 1.85)0.0861***( 4.55)42.42**( 2.26)Y5280.570( 2)ln RMI _00.0479( 0.79)0.154*( 1.68)- 0.00521(- 0.43)- 0.00738(- 0.48)- 4.621*(- 1.92)0.0665( 1.57)0.0807***( 4.14)35.76*( 1.96)Y5060.536( 3)ln RMI _10.136***( 4.09)0.110**( 2.20)- 0.00363(- 0.55)0.00912( 1.07)- 0.912(- 0.70)0.0237( 1.03)0.0524***( 4.96)8.324( 0.79)Y5280.685( 4)ln RMI _10.0739**( 2.17)0.113**( 2.22)- 0.00154(- 0.23)0.00633( 0.74)- 0.591(- 0.44)0.0197( 0.83)0.0489***( 4.50)5.648( 0.56)Y5060.670注：所有回归均控制了地区个体固定效应和月度时间固定效应，括号( ) 中是t 统计信息，*p< 0 . 1 ，**p<0 . 05，***p< 0 . 01。表7 不同空气污染变量下的稳健性检验ln PM2.5ln PM2.5_lagln PM10ln PM10_lagln aqi_rankln aqi_rank_lagStaff_rateln cddln hddln pcdiln indus_ firmln health_bedConstantTime Fixed EffectCounty Fixed EffectObservationsAdjusted-R2( 1)ln RMI0.110***( 4.96)0.154***( 2.80)- 0.00105(- 0.14)0.00676( 0.71)- 0.789(- 0.55)0.0575**( 2.26)0.0647***( 5.51)6.668( 0.57)Y5280.686( 2)ln RMI0.102***( 4.60)0.152***( 2.71)- 0.00238(- 0.32)0.00499( 0.53)- 0.585(- 0.40)0.0528**( 2.04)0.0612***( 5.13)4.777( 0.43)Y5060.674( 3)ln RMI0.0804***( 2.76)0.164***( 2.92)0.00271( 0.36)0.00700( 0.72)- 0.621(- 0.42)0.0599**( 2.31)0.0638***( 5.35)5.265( 0.44)Y5280.675( 4)ln RMI0.0345( 1.17)0.162***( 2.83)0.00306( 0.41)0.00469( 0.49)- 0.138(- 0.09)0.0542**( 2.05)0.0608***( 4.98)1.472( 0.13)Y5060.660( 5)ln RMI0.0565***( 2.60)0.157***( 2.78)0.000346( 0.05)0.00645( 0.67)- 0.470(- 0.32)0.0564**( 2.18)0.0649***( 5.43)4.177( 0.35)Y5280.674( 6)ln RMI0.0365*( 1.66)0.155***( 2.71)0.00155( 0.21)0.00465( 0.48)- 0.133(- 0.09)0.0520**( 1.97)0.0616***( 5.06)1.474( 0.13)Y5060.661注：所有回归均控制了地区个体固定效应和月度时间固定效应，括号( ) 中是t统计信息，*p< 0 . 1 ，**p<0 . 05，***p< 0 . 01。- - 29表7 中单数列的估计结果是当期空气质量变量的估计结果，双数列的估计结果是前一个月的空气质量变量估计结果，所有控制变量和固定效应模型均与基础模型相同，所有回归都控制了月度的时间效应。列（1）、列（3）、列（5）的估计结果显示，在分别使用PM2 . 5 、PM10以及空气质量全国排名作为空气质量AQI的替代变量时，估计结果均在为正向且显著，这与前文中的结论基本一致，进一步说明了本文结果的稳健性。列（2）、列（4）、列（6）则分别是3 个一阶滞后的替代变量估计结果。结果发现前一个月PM2 . 5 对短城镇人口迁移指数有显著的正向影响，但影响力减弱，这同样与上文结果一致。此外，表8 中进一步展示了AQI 、PM2 . 5 、PM10以及空气质量全国排名4 个变量不取对数的估计结果，结果显示，各个空气污染变量的系数均显著为正，这与表7 中的系数结果一致，说明空气污染变量是否采用对数形式，对本文的结果没有影响。综上所述，通过替换空气污染变量的形式进行稳健性检验后，有理由认为，本文的研究结果是稳健有效的。（四）门槛模型稳健性检验接下来利用不同被解释变量和不同解释变量，检验门槛效应的稳健性，具体的结果如表9 所示，第（1）列、（2）列是替换不同的被解释变量进行的稳健性检验，第（3）列、（4）列、（5）列分别是以PM2 . 5 、PM10、AQI全国排名作为解释变量，所有的估计均控制了个体和时间的双重影响，以此验证门槛模型的稳健性。对所有回归结果的门槛效应进行检验，得到的F 统计量和采用“自抽样（Bootstrap ）”下的结果表明，表9中所有门槛模型均存在门槛效应。其中第（1）列、（2）列的结果中，GDP 小于门槛值的情况下，空气污染越严重，城镇人口迁移指数越高，当GDP 大于门槛值时，空气污染对城镇人口迁移的影响减弱。这与前文中的结果保持一致，说明本文的门槛模型结论稳健。进一步，列（3）、列（4）、列（5）的结果，同样与前文的结果大致一致，进一步验证了本文研究的稳健性。空气污染与城镇人口迁移：来自家庭智能电表大数据的证据经济学表8 不同空气污染变量的原始值稳健性检验aqiPM2.5PM1.0aqi_rankStaff_rateln cddln hddln pcdiln indus_ firmln health_bedConstantTime Fixed EffectCounty Fixed EffectObservationsAdjusted-R2( 1)ln RMI0.00166***( 3.23)0.153***( 2.72)- 0.00122(- 0.16)0.00737( 0.77)- 0.367(- 0.25)0.0589**( 2.28)0.0658***( 5.52)3.511( 0.30)Y5280.677( 2)ln RMI0.00248***( 4.61)0.151***( 2.72)- 0.00174(- 0.23)0.00745( 0.78)- 0.540(- 0.37)0.0593**( 2.32)0.0659***( 5.60)4.942( 0.42)Y5060.684( 3)ln RMI0.00119***( 3.10)0.163***( 2.91)0.00306( 0.41)0.00713( 0.74)- 0.555(- 0.38)0.0605**( 2.34)0.0642***( 5.38)4.982( 0.42)Y5280.676( 4)ln RMI0.000356***( 2.67)0.155***( 2.75)- 0.0000992(- 0.01)0.00699( 0.72)- 0.484(- 0.33)0.0579**( 2.23)0.0648***( 5.43)4.529( 0.38)Y5060.674注：所有回归均控制了地区个体固定效应和月度时间固定效应，括号( ) 中是t 统计信息，*p< 0 . 1 ，**p<0 . 05，***p< 0 . 01。表9 门槛模型稳健性检验GDP ＜Threshold lnaqiGDP ≥ Threshold lnaqiGDP ＜Threshold lnPM2.5GDP ≥ Threshold lnPM2.5GDP ＜Threshold lnPM10GDP ≥ Threshold lnPM10GDP ＜Threshold lnaqi_rankGDP ≥ Threshold lnaqi_rankConstantSingle F statisticP valueClimate ControlEconomic ControlControl VariableTime Fixed EffectCity Fixed EffectObservationsAdjusted-R2( 1)RMI _03.670***( 2.92)1.994( 1.59)- 29.48(- 1.62)141.85[ 0.02]YYY5280.585( 2)RMI _14.551***( 4.08)2.808**( 2.54)417.4( 1.33)188.27[ 0.01]YYY5280.641( 3)RMI3.821***( 5.55)1.814***( 2.68)330.9( 1.00)192.58[ 0.01]YYY5280.625（4）RMI3.273***( 3.71)1.387( 1.60)393.4( 1.18)204.43[ 0.00]YYY5280.627( 5)RMI2.399***( 3.67)0.787( 1.22)400.5( 1.21)216.47[ 0.01]YYY5280.634注：所有回归的标准误聚类在区一级，均控制了地区个体固定效应和月度时间固定效应，括号（）中是t 统计值，括号[ ] 中是F 检验的P 值，*p<0 . 1 , **p< 0 . 05, ***p<0 . 01。- - 30《管理世界》2021年第3 期七、结论与启示本文以200 多万户城区家庭约1 亿条智能电表月度数据为样本，构建了区县级的短期城镇人口迁移指数，匹配融合了空气质量数据、气候数据和社会经济数据，利用固定效应模型、两阶段最小二乘模型和面板门槛模型，探索了空气污染这一环境冲击对城镇人口迁移行为的影响。研究发现：第一，空气污染会推动城镇人口迁出，对当地人口产生挤出效应，在一定程度上表明城镇居民的迁移行为受其环境偏好的影响。第二，从时间维度上看，空气污染对人口迁移的影响还存在短期累积效应，居民以往的城市空气污染经历会持续作用到当前的迁移行为，即使空气污染得到了治理，但仍旧需要一定时间才能改变居民对当地空气污染的固有印象。第三，经济发展水平的差异会使空气污染对城镇人口迁移的影响产生门槛效应，在经济发展水平相对较低的地区，空气污染对人口迁出的影响效果更加明显，传统研究普遍认为经济发达地区居民更容易受环境要素的影响产生自我保护行为，但本文的结果表明，在人口迁移的问题上反而是经济较高地区的居民对空气污染的耐受性强，而经济发展相对较低地区的居民对所在地的工作岗位黏性和医疗条件黏性较弱，更容易受空气污染的影响而迁出。本文政策启示如下：由于空气污染对人口迁移的影响存在累积效应，所以对于地方政府而言，不能再走传统的“先污染后治理”的发展方式，即使环境经过治理后得到改善，但居民对环境问题的固有印象仍旧会存在，需要更多的成本吸引人才。此外，空气污染对人口迁出的影响在经济发展相对较低的地区更加明显，因此中小城市不能盲目地引入高污染高耗能产业，这些产业虽然短时期内会显著促进城市的经济发展，提高当地就业，但由此造成的环境问题会加速当地人口的流出，长期看来会陷入“环境污染—人口流出”的恶性循环，即使地方政府提高各项福利吸引人才流入，但政策效果可能受限于地方环境质量有所减弱，这是地方政府需要长期关注的重要因素。同时本文也存在一些局限和不足。一方面受限于智能电表数据的可得性，研究区域无法涉及到更多省市，并且时间维度上仅获得了24个月完整的智能电表数据而非更长时间序列，从而难以分析不同经济发展阶段下，空气污染对人口迁移长期影响效果的时间异质性；另一方面是本研究所构造的迁移指数与已有研究中户籍迁移概念不同，本文的迁移指数基于居民智能电表数据构造，实质是根据家庭用电行为特征来判断其居住状态，从而判断其是否暂时迁移，虽然无法探究其户籍的变动，但为人口迁移的表征提出了新的思路。（作者单位：北京理工大学管理与经济学院）注释①数据来源于生态环境部发布的《2017中国环境状况公报》，网址链接如下：http ：//www.mee.gov.cn/hjzl/zghjzkgb/lnzghjzkgb/ 。②空气污染相关数据来源于中国生态环境部所公布的空气质量数据，网址：https ：//www.mee.gov.cn/ ，部分数据来源于空气质量在线分析平台，网址：www.aqistudy.cn 。③各个城市和地区的风向数据来源于美国国家气候数据中心（NCDC，网址：https ：//www.ncdc.noaa.gov/ ）公布的全球气象站点数据，数据下载链接如下：ftp：//ftp.ncdc.noaa.gov/pub/data/noaa/isd-lite/ 。参考文献（1）常晨、陆铭：《新城之殇——密度、距离与债务》，《 经济学（季刊）》，2017年第4 期。（2）陈诗一、陈登科：《雾霾污染、政府治理与经济高质量发展》，《 经济研究》，2018年第2 期。（3）陈硕、陈婷：《空气质量与公共健康：以火电厂二氧化硫排放为例》，《 经济研究》，2014年第8 期。（4）洪大用、范叶超、李佩繁：《地位差异、适应性与绩效期待——空气污染诱致的居民迁出意向分异研究》，《 社会学研究》，2016年第5 期。（5）黄红光、白彩全、易行：《金融排斥、农业科技投入与农业经济发展》，《 管理世界》，2018年第9 期。（6）李超、李涵：《空气污染对企业库存的影响——基于我国制造业企业数据的实证研究》，《 管理世界》，2017年第8 期。（7）李佳：《空气污染对劳动力供给的影响研究——来自中国的经验证据》，《 中国经济问题》，2014年第9 期。（8）李明、张亦然：《空气污染的移民效应——基于来华留学生高校—城市选择的研究》，《 经济研究》，2019年第6 期。（9）李强：《影响中国城乡流动人口的推力与拉力因素分析》，《 中国社会科学》，2003年第1 期。（10）李卫兵、张凯霞：《空气污染对企业生产率的影响——来自中国工业企业的证据》，《 管理世界》，2019年第10期。（11）李卫兵、邹萍：《空气污染与居民心理健康——基于断点回归的估计》，《 北京理工大学学报（社会科学版）》，2019年第6 期。- - 31（12）刘生龙：《中国跨省人口迁移的影响因素分析》，《 数量经济技术经济研究》，2014年第4 期。（13）陆铭、李鹏飞、钟辉勇：《发展与平衡的新时代——新中国70年的空间政治经济学》，《 管理世界》，2019年第10期。（14）罗勇根、杨金玉、陈世强：《空气污染、人力资本流动与创新活力——基于个体专利发明的经验证据》，《 中国工业经济》，2019年第10期。（15）祁毓、卢洪友：《污染、健康与不平等——跨越“环境健康贫困”陷阱》，《 管理世界》，2015年第9 期。（16）沈永建、于双丽、蒋德权：《空气质量改善能降低企业劳动力成本吗?》，《 管理世界》，2019年第6 期。（17）孙伟增、张晓楠、郑思齐：《空气污染与劳动力的空间流动——基于流动人口就业选址行为的研究》，《 经济研究》，2019年第11期。（18）汤维祺、吴力波、钱浩祺：《从“污染天堂”到绿色增长——区域间高耗能产业转移的调控机制研究》，《 经济研究》，2016第6期。（19）王伟同、谢佳松、张玲：《人口迁移的地区代际流动偏好：微观证据与影响机制》，《 管理世界》，2019年第7 期（20）王玉君、韩冬临：《空气质量、环境污染感知与地方政府环境治理评价》，《 中国软科学》，2019年第8 期。（21）席鹏辉、梁若冰：《城市空气质量与环境移民——基于模糊断点模型的经验研究》，《 经济科学》，2015年第8 期。（22）夏怡然、陆铭：《城市间的“孟母三迁”——公共服务影响劳动力流向的经验研究》，《 管理世界》，2015年第10期。（23）肖挺：《环境质量是劳动人口流动的主导因素吗? ——“逃离北上广”现象的一种解读》，《 经济评论》，2016年第2 期。（24）徐芳、齐明珠：《经济新常态下大都市人口管理研究——以北京市为例》，《 管理世界》，2017年第5 期。（25）张抗私：《资源枯竭型地区就业问题：基于劳动力市场运行机制视角的研究》，《 管理世界》，2007年第9 期。（26）郑思齐、万广华、孙伟增、罗党论：《公众诉求与城市环境治理》，《 管理世界》，2013年第6 期。（27）Auffhammer ，M. and Mansur，E. T.，2014，“Measuring Climatic Impacts on Energy Consumption ：A Review of the Empirical Lit ⁃erature ”，Energy Economics，vol. 46，pp.522 ~ 530 .（28）Aunan ，K. and Wang ，S. ，2014，“Internal Migration and Urbanization in China ：Impacts on Population Exposure to HouseholdAir Pollution（2000~ 2010）”，Science of The Total Environment ，vol. 481 ，pp.186 ~ 195 .（29）Barwick，P. J. ，Li ，S. ，Lin，L. ，Zou，E. ，2019，“From Fog to Smog ：The Value of Pollution Information”，NBER Working Papers.（30）Barwick，P. J. ，Li ，S. ，Rao，D. and Zahur，N. B.，2018，“The Morbidity Cost of Air Pollution：Evidence From Consumer Spendingin China ”，NBER Working Papers.（31）Burkhardt，J. ，Bayham，J. ，Wilson，A. ，Carter，E. ，Berman，J. D.，Odell，K. ，Ford ，B. ，Fischer，E. V. and Pierce，J. R.，2019，“TheEffect of Pollution on Crime：Evidence From Data on Particulate Matter and Ozone”，Journal of Environmental Economics and Manage⁃ment ，vol. 98，102267.（32）Call ，M. A.，Gray ，C. ，Yunus，M. and Emch，M.，2017，“Disruption，Not Displacement：Environmental Variability and TemporaryMigration In Bangladesh”，Global Environmental Change，vol. 46，pp.157 ~ 165 .（33）Chen，S. ，Oliva，P. and Zhang ，P. ，2017，“The Effect of Air Pollution on Migration ：Evidence from China ”，NBER Working Paper.（34）Chen，B. K.，Lu，M.，Timmins，C. and Xiang，K. H.，2019，“Spatial Misallocation ：Evaluating Place-Based Policies Using a Natu⁃ral Experiment in China”，NBER Working Paper.（35）Cohen，A. ，Brauer ，M.，Burnett，R. T.，Anderson ，H. R.，Frostad，J. ，Estep，K. ，Balakrishnan，K. ，Brunekreef，B. ，Dandona，L. andDandona，R. ，2017，“Estimates and 25-year Trends of the Global Burden of Disease Attributable to Ambient Air Pollution ：An Analysis ofData From the Global Burden of Diseases Study2015”，The Lancet，vol. 389 ，pp.1907~ 1918.（36）Dadvand，P. ，Figueras，F. ，Basagana ，X. ，Beelen ，R. ，Martinez，D. ，Cirach ，M.，Schembari，A. ，Hoek，G. ，Brunekreef，B. and Nieu⁃wenhuijsen，M. J.，2013，“Ambient Air Pollution and Preeclampsia ：A Spatiotemporal Analysis ”，Environmental Health Perspectives ，vol. 121 ，pp.1365~ 1371.（37）Deschenes，O. ，Greenstone，M. and Shapiro，J. S. ，2017，“Defensive Investments and the Demand for Air Quality：Evidence fromthe NOx Budget Program ”，The American Economic Review ，vol. 107 ，pp.2958~ 2989.（38）Fazeli，R. ，Ruth ，M. and Davidsdottir，B. ，2016，“Temperature Response Functions for Residential Energy Demand-A Review ofModels ”，Urban Climate ，vol. 15，pp.45~ 59.（39）Freeman，R. B.，Liang，W.，Song ，R. and Timmins ，C. ，2017，“Willingness to Pay for Clean Air in China”，Journal of Environmen⁃tal Economics and Management，vol. 94，pp.188 ~ 216 .（40）Hanna，R. and Oliva，P. ，2015，“The Effect of Pollution on Labor Supply ：Evidence from a Natural Experiment in Mexico City ”，Journal of Public Economics ，vol. 122 ，pp.68~ 79.（41）Hansen，B. E.，2000，“Sample Splitting and Threshold Estimation ”，Econometrica，vol. 68，pp.575 ~ 603 .（42）He，G. ，Fan，M. and Zhou，M.，2016，“The Effect of Air Pollution on Mortality in China ：Evidence from the 2008Beijing Olym⁃pic Games”，Journal of Environmental Economics and Management ，vol. 79，pp.18~ 39.（43）He，J. ，Liu，H. and Salvo，A. ，2019，“Severe Air Pollution and Labor Productivity ：Evidence From Industrial Towns in China ”，American Economic Journal：Applied Economics ，vol. 11，pp.173 ~ 201 .（44）Heyes，A. and Zhu ，M.，2019，“Air Pollution As a Cause of Sleeplessness ：Social Media Evidence From a Panel of Chinese Cit⁃ies”，Journal of Environmental Economics and Management ，vol. 98，pp.102247.（45）Huang，J. ，Pan，X. ，Guo，X. and Li，G. ，2018，“Health impact of China's Air Pollution Prevention and Control Action Plan：AnAnalysis of National Air Quality Monitoring and Mortality Data”，The Lancet Planetary Health ，vol. 2 ，pp.e 313 ~e323 .空气污染与城镇人口迁移：来自家庭智能电表大数据的证据经济学- - 32《管理世界》2021年第3 期（46）Jerrett ，M.，2015，“Atmospheric Science：The Death Toll From Air-pollution Sources”，Nature ，vol. 525 ，pp.330 ~ 331 .（47）Lee，E. ，1966，“A Theory of Migration”，Demography，vol. 3 ，pp.47~ 57.（48）Li ，J. ，Yang，L. and Long，H. ，2018，“Climatic Impacts on Energy Consumption：Intensive and Extensive Margins ”，Energy Eco ⁃nomics ，vol. 71，pp.332 ~ 343 .（49）Li ，Y. ，Guan，D. ，Yu，Y. ，Westland，S. ，Wang，D. ，Meng，J. ，Wang，X. ，He，K. and Tao ，S. ，2019a ，“A Psychophysical Measurementon Subjective Well-being and Air Pollution”，Nature Communications ，vol. 10，pp.1 ~ 8 .（50）Li ，Y. ，Pizer，W. A. and Wu，L. ，2019b ，“Climate Change and Residential Electricity Consumption in the Yangtze River Delta，China”，Proceedings of the National Academy of Sciences of the United States of America，vol. 116 ，pp.472 ~ 477 .（51）Lichter ，A. ，Pestel，N. and Sommer，E. ，2017，“Productivity Effects of Air Pollution：Evidence from Professional Soccer”，LabourEconomics，vol. 48，pp.54~ 66.（52）Liu，H. and Salvo，A. ，2018，“Severe Air Pollution and Child Absences When Schools and Parents Respond ”，Journal of Environ ⁃mental Economics and Management ，vol. 92，pp.300 ~ 330 .（53）Liu，Z. and Yu，L. ，2020，“Stay or Leave? The Role of Air Pollution in Urban Migration Choices”，Ecological Economics ，vol. 177 ，pp.1 ~ 10.（54）Lu，H. ，Yue，A. ，Chen，H. and Long，R. ，2018，“Could Smog Pollution Lead to the Migration of Local Skilled Workers? EvidenceFrom the Jing-Jin-Ji Region in China ”，Resources Conservation and Recycling，vol. 130 ，pp.177 ~ 187 .（55）Malley，C. S.，Kuylenstierna ，J. C. I. ，Vallack，H. W.，Henze，D. K.，Blencowe ，H. and Ashmore ，M. R.，2017，“Preterm Birth Asso ⁃ciated with Maternal Fine Particulate Matter Exposure ：A Global ，Regional and National Assessment”，Environment International ，vol. 101 ，pp.173 ~ 182 .（56）Neidell ，M.，2008，“Information ，Avoidance Behavior，and Health ：The Effect of Ozone on Asthma Hospitalizations”，Journal ofHuman Resources，vol. 44，pp.450 ~ 478 .（57）Portes，A. and Borocz ，J. ，1989，“Contemporary Immigration ：Theoretical Perspectives on Its Determinants and Modes of Incorpo⁃ration ”，International Migration Review ，vol. 23，pp.606 ~ 630 .（58）Qin，Y. and Zhu ，H. ，2018，“Run Away? Air Pollution and Emigration Interests in China ”，Journal of Population Economics ，vol. 31，pp.235 ~ 266 .（59）Sass ，V. ，Kravitzwirtz ，N. ，Karceski，S. M.，Hajat，A. ，Crowder，K. and Takeuchi ，D. T.，2017，“The Effects of Air Pollution on Indi ⁃vidual Psychological Distress”，Health & Place，vol. 48，pp.72~ 79.（60）Shah ，P. S.，Balkhair，T. and Births ，L. ，2011，“Air Pollution and Birth Outcomes：A Systematic Review ”，Environment Interna⁃tional ，vol. 37，pp.498 ~ 516 .（61）Speare ，A. ，1974，“Residential Satisfacation as an Intervening Variable in Residential Mobility”，Demography，vol. 11，pp.173 ~ 188 .（62）Sun ，C. ，Kahn，M. E. and Zheng，S. ，2017，“Self-protection Investment Exacerbates Air Pollution Exposure Inequality in UrbanChina”，Ecological Economics ，vol. 131 ，pp.468 ~ 474 .（63）Wang，H. ，Zhang，Y. ，Zhao ，H. ，Lu，X. ，Zhang，Y. ，Zhu ，W.，Nielsen，C. P.，Li ，X. ，Zhang，Q. and Bi，J. ，2017，“Trade-driven Relo ⁃cation of Air Pollution and Health Impacts in China ”，Nature Communications ，vol. 8 ，738 .（64）Wang，Q. ，2015，“Fixed-effect Panel Threshold Model Using Stata”，Stata Journal ，Vol. 15，pp.121 ~ 134 .（65）Wang，Z. ，Sun ，Y. and Wang ，B. ，2019，“How does the New-type Urbanisation Affect CO 2 Emissions in China? An EmpiricalAnalysis From the Perspective of Technological Progress”，Energy Economics，vol. 80，pp.917 ~ 927 .（66）Wolpert，J. ，1966，“Migration as an Adjustment to Environmental Stress”，Journal of Social Issues ，vol. 22，pp.92~ 102 .（67）Zhang，J. and Mu，Q. ，2018，“Air Pollution and Defensive Expenditures：Evidence From Particulate-filtering Facemasks ”，Jour ⁃nal of Environmental Economics & Management ，vol. 92，pp517 ~ 536 .（68）Zhang，L. ，Liu，W.，Hou，K. ，Lin，J. ，Zhou，C. ，Tong ，X. ，Wang，Z. ，Wang，Y. ，Jiang，Y. ，Wang，Z. ，Zheng，Y. ，Lan，Y. ，Liu，S. ，Ni ，R. ，Liu，M. and Zhu ，P. ，2019，“Air Pollution-induced Missed Abortion Risk for Pregnancies”，Nature Sustainability ，vol. 2 ，pp.1011~ 1017.（69）Zivin，J. G. and Neidell，M.，2008，“Days of Haze：Environmental Information Disclosure and Intertemporal Avoidance Behavior ”，Journal of Environmental Economics and Management ，vol. 58，pp.119 ~ 128 .（70）Zivin，J. G. and Neidell ，M.，2012，“The Impact of Pollution on Worker Productivity”，The American Economic Review，vol. 102 ，pp.3652~ 3673.- - 33Air Pollution and Residential Migration:Empirical Evidence from Smart Meter DataWang Zhaohua, Ma Junhua, Zhang Bin and Wang Bo(School of Management and Economics, Beijing Institute of Technology, Beijing, China)Summary: Population migration is a significant social phenomenon during the high-quality development of Chi⁃na's economy. At present, the prevailing view considers that population migration is mainly affected by the factors as⁃sociated with economic development level, employment environment and life quality. However, it is worth noting thatpopulation migration may also be affected by the non-economic factors such as environmental pollution. Past researchmostly discussed the potential causes of population loss from the perspective of economic recession, industrial struc⁃ture transformation and resource exhaustion. Additionally, it is argued that the developed cities are easier to attract⁃ing and gathering population. Whereas, with the growth of economy and the improvement of living standards, people'sdemand of better life, health and environmental quality increases correspondingly. Would these demands be translat⁃ed into people's migration actions? Previous studies have suggested that high income groups demand for higher envi⁃ronmental quality, while the residents have stronger environmental pollution resistance in poor area. In contrast, thereis little empirical evidence that more migration occurs in more developed regions due to air pollution.Therefore, based on monthly data from the smart meters of 2 million households, this paper constructed the migra⁃tion index at the county level. These data were collected from State Grid after desensitization, which covers the middleand lower reaches of Yangtze River in southeastern China from January 2016to December 2017. In addition, we inte ⁃grated air quality data, climate data and socioeconomic data as the data set. Then we analyzed the impact of air pollu⁃tion on residential migration by using the panel fixed effect model, 2SLS model and the threshold regression model.Our research showed that: (1) Air pollution can promote urban population to move out the city, which has a crowdingout effect on local population. ( 2) From the perspective of time dimension, the impact of air pollution on population mi ⁃gration still has a short-term cumulative effect. Residents' past experience of air pollution will continue to affect theircurrent migration behavior. ( 3) Due to the differences of economic development level, there is a threshold effect of airpollution affecting urban population migration. In the less developed regions population outflows more obviously underthe impact of air pollution. Possible reason is that residents living in the low economic development have a weak adhe⁃sion to local jobs and medical conditions. They are more likely to move out when suffered the air pollution.Policy implications are as follows: Because of the cumulative effect of air pollution on the population migration,the traditional "pollution first, control later" way is not allowed. Even if the environment is improved after pollution,residents` inherent impression of environmental problems will still exist. In addition, the impact of air pollution onpopulation's outflow is more obvious in low economic development area. It indicates that small and medium-sized cit⁃ies can't blindly introduce high pollution industries. In a short term, it may promote the city's economic growth. How⁃ever, in the long run, environmental problems may accelerate the local resident outflow and hinder the economic de⁃velopment. Even if government improve the welfare policy to attract the talents, the policy effect may be restricteddue to the local environmental quality.Our study makes the follow contributions: ( 1) Based on the push-pull theory, we discussed the effect heterogene ⁃ity of air pollution impacting population migration in different economic development levels. It enriches the migrationrelated studies from the perspective of air pollution. ( 2) Our study uses large-scale and high-frequency electricityconsumption data from household smart meters to measure urban population migration. It expands the methodology ofmeasuring population migration, and provides a new perspective.Key Words:air pollution; residents migration; smart meter data; threshold regression modelJEL Classification: Q 53, R 23- - 3