2. 清华大学 恒隆房地产研究中心, 北京 100084
2. Hang Lung Center for Real Estate, Tsinghua University, Beijing 100084, China
中国城市中的空气污染问题正在得到越来越多的关注。亚洲开发银行的报告显示,在中国500个规模较大的城市中,只有不足1%的城市能够达到世界卫生组织设定的空气质量标准,而全世界空气污染排名最高的10个城市中,中国占了7个[1]。近些年来,中国城市中的空气污染物主要是PM2.5(直径小于2.5 μm的可吸入颗粒物)。北京环保局2014年公布了北京市全年PM2.5的来源情况--30.1%来自于机动车,22.4%来自于燃煤,18.1%来自于工业生产,14.3%来自于扬尘,以及14.1%的其他来源(http://bj.people.com.cn/n/2014/0416/c82840-21002184.html)。
人们已经普遍认识到,空气污染直接影响居民的健康和寿命。许多研究已经发现,空气污染会严重影响婴儿和儿童的发育健康,可能导致婴儿死亡率上升、先天畸形和认知功能受损[2, 3, 4],并带来心脏和肺部发病率的提高[5, 6, 7]。据估计,中国空气污染造成的过早死亡人数在2001年至2010年间从每年41.8万增长到51.4万。世界卫生组织全球疾病负担最新研究估计的2010年中国过早死亡人数更高,为120万人[8]。
实际上,空气污染除了会直接影响人们的健康外,还会影响到人们工作和生活的方方面面。研究发现,污染对生产力有显著负向影响,工人会经常请假且在工作过程中情绪和注意力降低[9]。高浓度的污染还会影响儿童上学以及降低其考试成绩[3]。人们在严重污染的天气里,也会情绪低落,并减少户外社交活动。因此,空气污染会在很大程度上降低一个城市的经济和社会活力。
城市为居民提供了丰富的消费机会,有利于人们进行社会互动,进一步促进知识溢出、人力资本积累和城市发展。例如,外出就餐就是城市居民进行交往的重要形式。人们到餐馆中就餐,并不仅仅是消费食物和享受就餐环境,更重要的是借此与商业伙伴和同事友人等进行“面对面”的沟通交流。这种“面对面”的社会互动(social interaction)正是高密度城市带来的重要的正向溢出效应(positive spillover effects)。即使在互联网高度发达的今天,面对面的沟通交流对于形成和强化社会网络(social network),建立信任的伙伴关系、创造新的合作机会,以及激发灵感和创造力仍然非常重要。这也是为什么在世界上的各大城市中,餐饮业都非常繁荣,在商业核心区更是如此。如果空气污染非常严重,人们可能会取消原先的外出就餐计划,也就降低了这种面对面社会互动的机会和频率,相应的正溢出效应自然也就减少了。
这意味着,空气污染有着很大的“社会成本”。一般而言,有两大类降低这些社会成本的策略。第一,政府可以实施污染管制政策并进行改善空气质量的公共投资,这样全社会的民众都会相应受益; 第二,居民个体也会采用各种各样的自我防护行为(self-protection behavior),通过改变日常行为模式来降低其暴露于污染环境下的时间和强度,例如佩戴口罩、开启空气净化器、更多地留在室内、选择私家车(而不是骑车或坐公交车)出行等。有效识别和度量空气污染的社会成本,依赖于对污染影响居民日常行为的微观机制的准确把握。这是因为,在污染环境下人们行为的强度和频率会发生改变; 定量测度这种改变,一方面能够判断居民规避污染的意愿强度(意愿越强,降低污染的社会收益则越大); 另一方面有助于准确评估污染增大或减轻对于社会经济活动和居民生活质量的影响程度。
本文以这样一种城市中的重要社交活动为例,研究空气污染如何影响人们外出就餐的强度及满意度,来测度居民规避污染的意愿和行为。
1 相关研究综述与分析 1.1 “消费城市”理念及空气污染对城市消费价值的负向影响“消费城市”的理念由城市经济学家哈佛大学Glaeser[10]教授提出。他指出,在知识经济时代,最稀缺的资源是高技能劳动力。在劳动力流动性日益增强的今天,拥有这群人所喜爱的高品质生活质量的城市成为了赢家,因为这些城市能够吸引这些“思想创造者”在此居住和工作。高质量的消费机会正是这些高技能劳动力所偏好的重要城市特征,使城市生活更加丰富多彩,人们能够开展高密度的社会互动,促进知识溢出,提高城市生活质量并促进创新。
从微观行为机制上看,城市居民的就餐出行需要在就餐质量/多样性和出行成本之间进行权衡[11]。Daviss等[12]基于Yelp.com(美国最普及的零售及餐饮点评网站,类似于中国的大众点评网)的网上点评数据发现,交通成本和社会治安是居民享受高质量消费机会的关键性“摩擦”因素,被称为“空间摩擦”(spatial friction)和“社会摩擦”(social friction)。例如,如果道路较为拥堵,人们就不愿意去较远的餐馆,而如果街道上治安不好,也会降低人们外出就餐的可能性[12]。与之相类似,空气污染也是一种摩擦因素,会降低人们外出活动的频率,减少社会互动的可能性,从而损害城市密度带来的消费价值。
1.2 空气污染下的居民规避行为空气污染会影响人们的日常户外活动,例如人们会在空气污染的日子里选择减少户外活动时间。Bresnahan等[13]对洛杉矶地区226位居民进行为期一年的调查,并建立规避行为模型,发现当臭氧浓度超过国家标准时遇烟雾不适的人会显著降低户外活动时间。Noonan[14]以亚特兰大为例,通过断点回归的方式发现年长者和锻炼者会在收到城市烟雾警告后减少到公园活动。Sexton[15]利用调查数据对全国整体情况进行分析,发现在发布空气质量警告的日子,平均而言人们户外活动的时间会降低18%,对于健康风险更大的老年人而言,这一比例将上升至59%。
1.3 室外环境对于人们情绪及行为的影响室外环境如天气(气温、降雨、降雪、季节等)和 污染对人们情绪及行为的影响一直得到各学科学者的关注。早在1987年,Evans等[16]的研究就发现暴露于污染严重的环境中将会加重人们低落、焦虑、紧张等情绪。Li等[17]对中国金川矿区进行的研究发现,人们的生活幸福感会由于空气污染可能带来健康危害而降低。这类研究多数采用调研获得人们的精神状态或生活满意度,而随着网络数据的不断丰富,这一研究方法也在不断改变。
学者进一步探究室外环境对情绪的影响会如何进一步影响人们的经济行为。Levy和Yagil[18]通过对美国4个股票交易所2 000余交易日的数据分析,发现空气污染导致的情绪变化会使得人们进行风险规避,进一步表现为股票收益的降低。在中国,Hu等 [19]对各省会城市的股票交易及空气质量指数进行分析,发现当地空气质量指数与股票收益并不显著相关,而当地空气质量指数(表征当地污染物浓度)高于北京市的部分则对当地股票价格和交易量都有显著负向影响。Bakhshi等[20]的最新研究发现,气温、降雨、降雪、季节等因素会对于消费者在Yelp.com这个餐饮点评网上的打分有显著影响。
通过上述文献分析可以看出,在消费行为研究方面,目前对于居民消费出行的微观分析局限于研究交通成本和犯罪率两个因素的负面作用,并没有将污染作为影响消费选择的摩擦因素; 在空气污染对于情绪和行为的研究方面,以往文献指出空气污染对情绪和户外活动都会带来影响,并进一步影响经济活动,但并没有将空气污染与社会互动关联起来。因此,目前还缺少空气污染影响城市居民微观消费出行行为的实证研究,而这正是环境污染如何降低城市消费价值的关键机制。
2 数据与变量构造本文将以北京为例,定量识别空气污染对居民外出就餐频率及满意度的影响。因此有两个关键的数据来源: 空气污染数据、居民外出就餐数据。这里分别介绍这两套数据及变量的构造方法,以及其他控制变量。
2.1 空气污染数据及变量构造本研究利用PM2.5浓度作为反映北京市空气污染情况的主要指标。该数据来自于中国环保部官方网站,研究时段为该数据开始发布至2014年底,具体为2013年1月18日到2014年12月31日(近2年)。PM2.5近年来成为北京市首要空气污染物,也是雾霾产生的重要原因。PM2.5颗粒物可通过气血交换进入血管,可引发呼吸道阻塞或炎症、致病病毒搭顺风车入体内致癌、胎儿发育不良造成缺陷等,相比于PM10或其他空气污染物对身体带来的损害更大。
考虑到城六区(东城区、西城区、朝阳区、海淀区、丰台区、石景山区)内外PM2.5浓度存在较大差异,故采用城六区内的7个监测站的每小时PM2.5监测数据。在空间分辨率的选择上,考虑到7个监测站所得到的数据差距并不明显,且存在居民跨区就餐情况,本研究不再进行市内分区,而是将7个监测站的监测数据进行平均,作为全市统一取值。在时间分辨率的选择上,由于一天之内的PM2.5数据变化不大,同时居民就餐后并非立即点评,以小时为分辨率并无必要且不利于研究,因此以天为时间研究单元,即对7个城六区内的监测站24 h的监测数据进行平均,形成北京市每天的PM2.5浓度指标,作为空气污染的度量。
2.2 基于大众点评网的居民外出就餐频率和满意度变量构造本研究选取大众点评网(www.dianping.com)线上数据度量居民外出就餐频率和满意度,研究时期的选取与PM2.5浓度数据保持一致。大众点评网是中国领先的本地生活信息及交易平台,是独立第三方消费点评网站,其线上点评功能受到消费者广泛认可,充足的用户量能够保证线上数据的代表性。线上点评功能具体为研究提供了两方面的数据: 消费者就餐后,到大众点评网上在这家餐馆的网页上点评,同时可以对口味、环境、服务进行打分(0-4分),并对就餐感受进行总体评价,给出0-5的星级评定。本研究采用点评总数和总体评价作为消费情况的度量。
本研究确定以天为时间研究单元后,统计每天大众点评网上北京市城六区全部餐馆的点评总数来度量当天居民外出就餐的次数,作为反映居民外出就餐频率的指标; 同时将每天大众点评网上的该区域内全部餐馆点评打分进行平均,得到当天全部餐馆点评者对就餐感受的平均打分,以此度量居民外出就餐的满意程度。当然,选取每日点评数量作为就餐频率指标存在一定的局限性: 由于并不是所有的就餐者都在线上进行点评,因此点评总数会小于真正就餐次数,但两者是高度相关的。因为本文是在探究两者在时间上的相关性,所以如果每天就餐的消费者中选择进行网上点评的比例基本不变,那么每天点评量就可以作为真正就餐次数的代理变量(proxy),能够较好反映居民外出就餐频率随时间的变化。同理,本文也认为线上打分是当日全部外出就餐者满意程度的较好的代理变量。
2.3 其他控制变量以往的许多研究都表明除空气污染外,许多其他的天气因素也都对人们的情绪或户外活动带来影响,因而本文在研究中控制每天的天气因素,具体包括每天的可见度、平均气温、风速、是否下雨、是否下雪等主要影响变量。而法定假日对人们外出就餐选择有着明显的影响,模型中加入了表征是否为法定假日的哑元变量; 同时由于一周七天内人们的外出就餐的机会存在明显差异,周末外出就餐的可能性更大,因此模型也控制了星期内每天的固定效应; 在此基础上,一年内不同月份的差异也对就餐频率有一定影响,因而研究也需要控制月份固定效应; 考虑到随着时间的推移人们生活习惯发生变化,外出就餐的次数可能逐渐增加,研究控制了以天为单位的时间趋势。
在满意度的研究上,一种情况是,在空气污染的日子里,人们可能为了避免长时间暴露在污染的空气里而就近选择餐馆,不在餐馆质量上过多挑选。这样就会观察到就餐餐馆质量下降,进一步带来外出就餐满意度的下降。然而在这种情况下,就餐满意度的下降并不是因为空气污染对人们情绪的影响,而是因为餐馆质量下降所导致的。为了控制这方面的影响,在就餐满意度方程中,控制餐馆的平均人均消费,用以控制餐馆平均水平的变化。
上述各变量的描述性统计量如表1所示。
变量名 | 定义 | 样本量 | 均值 | 标准差 |
ln REVIEWS | 当日全部餐馆总点评数的对数值 | 710 | 8.70 | 0.54 |
ln RATING | 当日全部餐馆打分平均值的对数值 | 710 | 3.66 | 0.04 |
ln EXPDT | 当日全部餐馆人均消费平均值的对数值 | 710 | 4.12 | 0.05 |
ln PM2.5 | 当日PM2.5浓度(μg/m3)的对数值 | 710 | 4.19 | 0.83 |
HOLIDAY | 当日是否为法定假日: 是,1; 否,0 | 710 | 0.07 | 0.26 |
VISIBILITY | 当日的可见度,km | 710 | 9.78 | 6.35 |
TEMP | 当日的平均气温,℃ | 710 | 13.63 | 10.89 |
WINDSPEED | 当日的风速,km/h | 710 | 27.54 | 12.91 |
RAIN | 当日是否降雨: 是,1; 否,0 | 710 | 0.24 | 0.43 |
SNOW | 当日是否降雪: 是,1; 否,0 | 710 | 0.04 | 0.19 |
图1展示了研究时段内,人们外出就餐情况随PM2.5浓度变化的规律。在绘制该图时,把影响每日外出就餐频率的其他因素的效应已经尽可能过滤掉了(利用后续方程(1)和(2)来进行过滤)。虽然就餐频率有一定波动,但是可以看到,随着PM2.5浓度的增加,人们外出就餐的频率和满意度整体上都呈现一定的下降趋势。也就是说,在空气污染严重的情况下,人们会降低外出就餐的频率,同时外出就餐的满意度也会出现一定程度的下降。
3 待检验假设与计量模型设定本文的核心研究问题是,空气污染是否会对居民外出就餐的频率和满意度产生负面影响。因此,将利用上述数据检验如下两条假设。
假设1 空气污染会降低居民的外出就餐频率。
将用大众点评网上的餐馆点评量来度量外出就餐频率。具体计量模型如下:
ln REVIEWSt=β0+β1 ln PM2.5t+
β2Xt+β3HOLIDAYt+Tt+γt +δt+εt.
(1)
因变量REVIEWSt是大众点评网上北京市全部餐馆在t日的总点评数,用于度量人们外出就餐频率; PM2.5t是环保部发布的北京市城六区该日PM2.5浓度,用于反映北京市该日空气污染情况,这是本研究最关注的解释变量。根据本文的假设,这一变量的系数应显著为负,也就是PM2.5浓度越高,空气污染越严重,人们越不愿意外出就餐,反映为餐馆点评量下降; Xt为模型中控制的一系列其他天气变量,具体包括每天的可见度、平均气温、风速、是否下雨、是否下雪等; HOLIDAYt 为哑元变量,当某天是法定节假日时取1,否则取0; Tt为以天为单位的时间趋势; γt为一周内各天的固定效应,本文的预期是周末人们外出就餐的机会更高,相应的点评量也更多; 研究也控制了月份固定效应δt; εt为随机误差。
假设2 空气污染会降低消费者外出就餐的满意度。
用大众点评网上的餐馆评分来度量满意度。具体计量模型如下:
ln RATINGt=β0 ′ +β1 ′ ln PM2.5t+β2 ′ Xt+
β3 ′ HOLIDAYt+β4 ′ EXPDTt+Tt+γt +δt+εt.
(2)
因变量 RATINGt为每天大众点评网上的北京市全部餐馆点评打分的平均值,用于度量居民外出就餐的满意程度。多数解释变量与方程(1)保持一致。PM2.5t同样是最受关注的变量,根据本文的假设,这一变量的系数应显著为负,也就是PM2.5浓度越高,空气污染越严重,人们越不愿意外出就餐,反映在点评网上就是餐馆点评的打分降低; 模型同样控制了其他天气变量Xt、时间趋势Tt、 反映是否为法定假日的哑元变量HOLIDAYt、 一周内各天的固定效应γt 和月份固定效应δt ; 在此基础上,就餐满意度的模型中加入了点评网上每天餐馆人均消费水平变量EXPDTt,用于控制餐馆质量对居民就餐满意度的影响。
4 模型估计结果与分析 4.1 外出就餐频率模型利用各变量的时间序列数据估计方程(1),估计结果列示于表2,模型的拟合优度显示该模型可以解释每天餐馆线上点评量差异的80%以上,在加入全部控制变量后可解释近90%,说明该模型的解释能力较好。由表2可知,居民外出就餐频率与PM2.5浓度呈现显著的负相关,验证了假设1,即空气污染会降低居民的外出就餐频率。在加入全部的控制变量后该系数为 -0.052 4,计算可知 PM2.5 浓度每上升一个标准差,人们每日就餐点评数会下降1.05%。受篇幅所限,本文没有汇报其他天气变量对每日外出就餐量的影响。这些变量的符号和显著性是符合预期的,例如雨雪天气对人们外出就餐频率有负向影响,平均气温带来的影响则呈现倒U型。以周日为缺省变量,周一到周五的外出就餐频率要明显偏低,而周六则与周日较为类似,这符合本文的预期,即周末人们外出聚餐的数量更多。有趣的是,在法定假日,居民外出就餐频率反而有一定的下降,这可能是因为人们更多选择在家中聚会或离京旅行,使得北京餐馆总点评数下降。
变量名称 | 因变量: ln REVIEWS | ||
(1) | (2) | (3) | |
ln PM2.5 | -0.075 5* * * | -0.080 0* * * | -0.052 4* * * |
(0.016 6) | (0.016 4) | (0.014 0) | |
HOLIDAY | - | -0.095 7* * * | -0.041 1 |
- | (0.032 0) | (0.027 2) | |
Monday | - | -0.047 7 | -0.036 8 |
- | (0.031 0) | (0.025 2) | |
Tuesday | - | -0.094 4* * * | -0.090 7* * * |
- | (0.031 0) | (0.025 1) | |
Wednesday | - | -0.101 0* * * | -0.088 3* * * |
- | (0.031 1) | (0.025 3) | |
Thursday | - | -0.091 8* * * | -0.086 4* * * |
- | (0.031 1) | (0.025 2) | |
Friday | - | -0.066 7* * | -0.058 3* * |
- | (0.031 1) | (0.025 3) | |
Saturday | - | -0.025 8 | -0.016 4 |
- | (0.031 0) | (0.025 2) | |
其他天气变量 | VISIBILITY/TEMP/WINDSPEED/RAIN/SNOW | ||
时间趋势 | 是 | 是 | 是 |
月度固定效应 | 否 | 否 | 是 |
常数项 | 1.184* * * | 1.296* * * | 1.453* * * |
(0.218) | (0.217) | (0.186) | |
样本量 | 710 | 710 | 710 |
R2 | 0.830 | 0.836 | 0.894 |
注: 括号中为 t统计量; * * * p<0.01,* * p<0.05,* p<0.1; Sunday为缺省变量。 |
方程(2)的估计结果列示于表3,拟合优度显示该模型可以解释每天餐馆线上满意度差异的近80%,说明该模型的解释能力较好。可以看到,居民外出就餐满意度与PM2.5浓度呈现显著的负相关。在加入全部的控制变量后该系数为 -0.003 01(在5%的置信度下显著),经计算可得PM2.5浓度每上升一个标准差,人们外出就餐的满意度下降 0.06%。这一结果已经是在控制了就餐消费水平之后的估计值,即该频率的下降是由于空气污染影响了人们的情绪,这时即使是对于相同质量的餐馆,人们也倾向于给予更低的评价。限于篇幅,表3中控制了天气变量、每周内各日的固定效应和每月固定效应,但未汇报具体估计值。结果显示,在雨天人们会减少外出就餐的频率,而平均风速对人们的影响呈现倒U型规律,也就是说风速过高或过低都会降低人们外出就餐的频率。
变量名称 | 被解释变量: ln RATING | |||
(1) | (2) | (3) | (4) | |
ln PM2.5 | -0.006 05* * * | -0.005 35* * * | -0.003 12* * | -0.003 01* * |
(0.001 88) | (0.001 77) | (0.001 45) | (0.001 38) | |
ln EXPDT | - | - | - | 0.140* * * |
- | - | - | (0.016 7) | |
HOLIDAY | - | -0.018 7* * * | -0.014 2* * * | -0.018 9* * * |
- | (0.003 45) | (0.002 83) | (0.002 75) | |
Monday | - | 0.014 8* * * | 0.016 0* * * | 0.017 6* * * |
- | (0.003 34) | (0.002 61) | (0.002 50) | |
Tuesday | - | 0.018 6* * * | 0.018 8* * * | 0.020 5* * * |
- | (0.003 34) | (0.002 61) | (0.002 49) | |
Wednesday | - | 0.018 4* * * | 0.020 0* * * | 0.021 9* * * |
- | (0.003 35) | (0.002 62) | (0.002 51) | |
Thursday | - | 0.019 5* * * | 0.019 9* * * | 0.022 5* * * |
- | (0.003 35) | (0.002 62) | (0.002 51) | |
Friday | - | 0.019 1* * * | 0.019 9* * * | 0.021 8* * * |
- | (0.003 35) | (0.002 62) | (0.002 51) | |
Saturday | - | 0.003 49 | 0.004 68* | 0.004 78* |
- | (0.003 34) | (0.002 61) | (0.002 49) | |
其他天气变量 | VISIBILITY/TEMP/WINDSPEED/RAIN/SNOW | |||
时间趋势 | 是 | 是 | 是 | 是 |
月度固定效应 | 否 | 否 | 是 | 是 |
常数项 | 3.330* * * | 3.317* * * | 3.348* * * | 2.835* * * |
(0.024 7) | (0.023 4) | (0.019 4) | (0.064 0) | |
样本量 | 710 | 710 | 710 | 710 |
R2 | 0.512 | 0.576 | 0.746 | 0.770 |
注: 括号中 为t统计量; * * * p<0.01,* * p<0.05,* p<0.1; Sunday为缺省变量。 |
空气污染已经成为影响中国城市居民生活质量的重要不利因素。它不仅直接影响人们的健康和寿命,还会对人们的工作效率、情绪、户外活动频率、消费出行和社会互动意愿等多方面形成负面影响。后者则会在很大程度上降低一个城市的经济和社会活力。
有效识别和度量空气污染的社会成本,依赖于对污染影响居民日常行为的微观机制的准确把握,以及这些微观数据的可得性。目前网络社交媒体的大数据为研究空气污染影响城市居民微观消费出行行为带来了可能性。本文以北京为例,利用大众点评网上约两年中每日的点评量和评价分数,与每日空气污染的PM2.5浓度数据相结合,研究在空气污染严重的日子里,人们是否会显著降低外出就餐频率,同时其情绪的变化是否会降低对相同质量餐馆的评价。本文的实证结果发现,在控制了其他影响因素的基础上,空气污染会降低居民的外出就餐频率和满意度,具体而言,PM2.5浓度每上升一个标准差,人们每日外出就餐量会下降1.05%,外出就餐的满意度则会下降0.06%。
本文的定量研究结果,一方面给出了城市居民规避空气污染的意愿强度,另一方面有助于准确评估污染增大或减轻对于社会经济活动和居民生活质量的影响程度。显然,居民规避污染的意愿和行为越明显,政府改善空气污染问题所带来的社会收益就会越高。
[1] | Asian Development Bank. Toward an environmentally sustainable future: Country environmental analysis of the People's Republic of China[EB/OL]. [2014-10-03]. http://www.adb.org/sites/default/files/pub/2012/toward-environmentally-sustainable-future-prc.pdf. |
[2] | Currie J, Vogl T. Early-life health and adult circumstance in developing countries [R]. National Bureau of Economic Research, 2012. |
[3] | Currie J, Neidell M. Air pollution and infant health: What can we learn from California's recent experience [R]. National Bureau of Economic Research, 2004. |
[4] | Padula A M, Tager I B, Carmichael S L, et al. The association of ambient air pollution and traffic exposures with selected congenital anomalies in the San Joaquin Valley of California [J]. American Journal of Epidemiology, 2013, 177(10): 1074-1085. |
[5] | Chay K Y, Greenstone M. Air quality, infant mortality, and the Clean Air Act of 1970 [R]. National Bureau of Economic Research, 2003. |
[6] | Moretti E, Neidell M. Pollution, health, and avoidance behavior evidence from the ports of Los Angeles [J]. Journal of Human Resources, 2011, 46(1): 154-175. |
[7] | Pope C A, Burnett R T, Turner M C, et al. Lung cancer and cardiovascular disease mortality associated with ambient air pollution and cigarette smoke: Shape of the exposure-response relationships [J]. Environ Health Perspect, 2011, 119(11): 1616-1621. |
[8] | HEI (Health Effects Institute). Outdoor Air Pollution among Top Global Health Risks in 2010: Risks Especially High in Developing Countries in Asia[EB/OL]. [2013-12-13]. http://www.healtheffects.org/International/GBD-Press-Release.pdf. |
[9] | Graff Z J, Neidell M. The impact of pollution on worker productivity [J]. American Economic Review, 2012, 102(7): 3652-3673. |
[10] | Glaeser E L, Kolko J, Saiz A. Consumer city [J]. Journal of Economic Geography, 2001, 1(1): 27-50. |
[11] | Couture V. Valuing the consumption benefits of urban density [Z]. University of California, Berkeley, Processed, 2013. |
[12] | Davis D, Dingel J, Monras J, et al. Spatial and social frictions in the city: Evidence from Yelp [R]. Mimeo, 2015. |
[13] | Bresnahan B W, Dickie M, Gerking S. Averting behavior and urban air pollution [J]. Land Economics, 1997, 73(3): 340-357. |
[14] | Noonan D S. Smoggy with a chance of altruism: The effects of ozone alerts on outdoor recreation and driving in Atlanta [J]. Policy Studies Journal, 2014, 42(1): 122-145. |
[15] | Sexton A L. Responses to air quality alerts: Do Americans spend less time outdoors? [Z]. 2011. |
[16] | Evans G W, Jacobs S V, Dooley D, et al. The interaction of stressful life events and chronic strains on community mental health [J]. American Journal of Community Psychology, 1987, 15(1): 23-34. |
[17] | Li Z, Folmer H, Xue J. To what extent does air pollution affect happiness? The case of the Jinchuan mining area, China [J]. Ecological Economics, 2014, 99: 88-99. |
[18] | Levy T, Yagil J. Air pollution and stock returns in the US [J]. Journal of Economic Psychology, 2011, 32(3): 374-383. |
[19] | Hu X, Li O Z, Lin Y. Particles, pollutions and prices [J]. Available at SSRN 2525980, 2014. |
[20] | Bakhshi S, Kanuparthy P, Gilbert E. Demographics, weather and online reviews: A study of restaurant recommendations [C]//Proceedings of the 23rd International Conference on World Wide Web. ACM, 2014: 443-454. |