中国工业废气排放的空间特征及其影响因素研究
韩楠,, 于维洋

作者简介:韩楠(1981-),女,河北保定人,讲师,博士研究生,主要从事环境经济研究。E-mail:sarahlly@126.com

摘要

基于2000~2012年中国31个省(市、自治区)面板数据,运用探索性空间数据分析方法对中国工业废气排放的空间分布特征进行研究,结果显示中国各省域(不含港澳台)工业废气排放存在显著的空间自相关和空间集聚效应;总体呈现东部、西部地区集聚的空间分布特征,其中东部多为高-高集聚区、西部则多为低-低集聚区,并且高值集聚现象的显著性逐渐增强,显著区域呈持续扩张趋势。在此基础上,以STIRPAT模型为基础构建空间计量模型,分析经济发展、人口规模、产业结构、技术水平和国家政策等因素对工业废气排放量的影响。研究结果表明,中国各省域工业废气排放存在空间依赖作用和正的空间溢出效应;经济发展、产业结构与工业废气排放之间呈现显著的正相关关系;技术进步和国家政策对工业废气排放具有抑制作用,而人口增长对工业废气排放的影响并不显著。

关键词: 工业废气排放; 空间特征; 探索性空间数据分析; 空间计量; 影响因素;
Spatial Characteristics and Influencing Factors of Industrial Waste Gas Emission in China
Han Nan,, Yu Weiyang
Abstract

By taking the panel data of 31 provinces and cities in China from 2000 to 2012 as the samples, this article explores the spatial distribution characteristics of industrial waste gas emission by applying the method of exploratory spatial data analysis including the global Moran’s I, Moran scatter plot and local indicators of spatial association. The results of Moran’s I statistics and Moran scatter plot show that, industrial waste gas emission of China’s provinces and cities (excluding Hong Kong, Macau and Taiwan) exist significantly spatial autocorrelation and spatial agglomeration effect from 2000 to 2012. Meanwhile, in the light of LISA cluster map of China’s provincial industrial waste gas emission, as a whole the eastern and western regions of China mainly display the spatial agglomeration characteristics. The provinces and cities with HH(high-high) agglomeration pattern are basically concentrated in the eastern district, but the provinces and cities with LL(low-low) agglomeration effect are largely located in the west of China. Besides, from 2000 to 2012 the significance of high-high cluster is gradually strengthened and the significant regions are appearing an enhanced tendency with the time. By means of the analysis on spatial characteristics of Chinese provincial industrial waste gas emission, the spatial autocorrelation effect of industrial waste gas emission is confirmed and the spatial econometric model can be established to study the influencing factors of industrial waste gas emission in China. Based on the STIRPAT model, this article constructs a spatial econometric model to analyze the effect of economic development, population, industrial structure, scientific and technological progress and national policy to industrial waste gas emission in China. Through the study on principal influencing factors of China’s industrial waste gas emission, the experience support to reducing industrial waste gas emission and developing coordinately with economy and environment can be provided. The spatial econometric results demonstrate that industrial waste gas emission of 31 provinces and cities in China present the evident spatial dependence and positive spillover effects. The economic development and industrial structure are positively and significantly correlated with industrial waste gas emission of China. Technical progress and national policy have preventing abilities to industrial waste gas emission in China. However, population factor does not have a significant effect on China’s industrial waste gas emission. In the future, it is still necessary to continuously improve the level of industrial science and technology, adjust industry structure, enhance and promote the regional cooperation mechanism, and so on.

Keyword: industrial waste gas emission; spatial characteristics; exploratory spatial data analysis; spatial econometric; influencing factors;

中国改革开放的30多年来经济取得了举世瞩目的成就,经济快速发展的同时环境问题也日益凸显,特别是近年持续的重污染天气已经严重影响了社会生产和人民生活。工业废气排放是造成大气环境污染的主要原因之一,研究其影响因素是制定降低工业废气排放决策的基础和前提。

近年来学者们从不同角度对工业废气排放及其影响因素进行了一系列的研究,研究内容主要集中在以下3个方面:第一,将工业废气作为环境污染的衡量指标,对工业废气与经济增长的环境库兹涅茨曲线(EKC)关系进行实证检验[1-5];第二,从规模效应、结构效应和技术效应等方面对工业废气排放的影响进行因素分解分析[6,7];第三,工业废气排放的主要影响因素研究,包括经济发展[8]、外商直接投资[9]和产业结构[10]等方面。迄今为止关于工业废气排放影响因素的研究成果大都采用传统的省际面板数据进行实证分析,未考虑到空间因素的影响,难以揭示区域工业废气排放的空间作用。在研究方法上,李建豹、孙才志、郑德凤等学者运用探索性空间数据分析方法分别对中国各省域二氧化碳排放[11]、水足迹强度[12]、生态负荷强度[13]的空间分布格局进行研究。许海平、程叶青等学者建立空间计量模型分析碳排放[14]、碳排放强度[15]的影响因素。

本文选取2000~2012年中国各省域面板数据(不含港澳台),通过探索性空间数据分析对各省域工业废气排放的空间相关性及集聚特征进行检验。在此基础上,以STIRPAT模型为基础建立空间滞后模型和空间误差模型,分析经济发展、人口规模、产业结构、技术水平和国家政策等因素对工业废气排放量的影响,以期为降低工业废气排放,实现经济与环境协调发展提供经验支持。

1 工业废气排放的空间分布特征

为了描述中国各省域工业废气排放在地理空间上的分布特征,本文运用探索性空间数据分析方法对工业废气排放的空间相关性及集聚效应进行分析。探索性空间数据分析主要是利用空间相关性检验来探索经济活动的空间格局和分布特征,包括全局空间相关性检验和局域空间相关性检验。选取2000~2012年中国31个省(市、自治区)作为样本(由于数据缺乏,未包括台湾省、香港和澳门特别行政区),原始数据来源于《中国统计年鉴》[16]和《中国环境统计年鉴》[17]。所有检验结果根据国家地理信息系统中各省份的相关地理统计数据,使用Geoda1.6.6软件计算得到。

1.1 全局空间相关性检验

全局空间相关性是从区域空间的整体上反映工业废气排放的空间分布特征。本文使用Moran指数检验工业废气排放是否存在全局空间相关性特征。全局Moran指数I的计算公式如下:

I = n i = 1 n j = 1 n W ij ( x i - x ̅ ) ( x j - x ̅ ) i = 1 n j = 1 n W ij k = 1 n ( x k - x ̅ ) 2 = i = 1 n j i n W ij ( x i - x ̅ ) ( x j - x ̅ ) S 2 i = 1 n j i n W ij

(1)

式中, S 2 = 1 n i = 1 n ( x i - x ̅ ) , x ̅ = 1 n i = 1 n x i ;xi表示第i个省域的工业废气排放量,n为地区总数(31个省份),Wij为二进制的邻近空间权重矩阵。本文采用一阶Queen邻近规则确定空间权重矩阵,反映31个省(区、市)之间的地理相邻关系。

Moran指数I取值范围为[-1,1],Moran值大于0表示正相关,单元间具有相似属性;而小于0则表示负相关[18]。2000~2012年中国工业废气排放的全局Moran指数计算结果,见表1所示。

表1 2000~2012年中国工业废气排放的全局Moran指数 Table 1 Moran’s I of industrial waste gas emission in China from 2000 to 2012

表1可以看出,2000~2012年中国工业废气排放的Moran指数均为正值,并且通过了5%的显著性水平检验(2007年通过10%显著性水平检验)。全局Moran指数I的检验结果显示,Moran’s I呈现小幅波动下降趋势,空间集聚特征基本保持稳定。从整体上看,中国31个省域的工业废气排放在空间分布上表现出显著的正自相关关系,存在相似值之间的空间集聚特征。也就是说,2000~2012年间各省域的工业废气排放在空间上呈现集聚特征,即工业废气排放较高的省份与其他工业废气排放较高的省份相邻近,而工业废气排放较低的省份之间趋于邻近。

1.2 局域空间相关性检验

为了进一步揭示各省域的局域空间相关性特征和局域空间集聚性,采用Moran散点图和局部空间关联指标(Local Indicators of Spatial Association,LISA)检验中国工业废气排放的局域空间相关性特征以及局部地区是否存在集聚效应。

1.2.1 Moran散点图分析

Moran散点图用来描述局域空间相关性,从而反映各省域工业废气排放的空间集聚特征。因篇幅所限,本文只列示始、末年份2000年、2012年中国31个省域工业废气排放的Moran散点图及省域分布情况,见图1和表2所示。

图1 2000年(a)、2012年(b)工业废气排放的Moran散点图(注:x为各省域工业废气排放量,Wx为各省域与相邻地区间的空间加权值。) Fig.1 Moran scatter plot of industrial waste gas emission in 2000(a) and 2012(b)

表2 2000年、2012年Moran散点图省域分布情况 Table 2 Provincial distribution of Moran scatter plot in 2000 and 2012

表2显示,2000年第一、三象限的省域占样本总数的比重为71%,呈现正的空间相关关系;2012年,67.7%的省域工业废气排放显现正的空间相关性。总体而言,高-高和低-低类型集聚的省域始终占主导地位,大多数省域集聚在第一象限和第三象限。此结果进一步证明,2000~2012年间,各省域工业废气排放存在显著的空间正相关性,大部分省域与其邻近省域呈现相似的集聚特征。工业废气排放较高的省域在空间上相邻,而工业废气排放较低的省域也趋于相互邻近。

从地理分布来看,2000~2012年间,位于第一象限、第三象限的省域基本保持稳定。华北地区和华东地区的大部分省份均始终位于第一象限,呈现出高-高的空间相关性;而西南、西北大部份地区都保持较为稳定的低-低集聚现象。从经济发展程度来看,2000~2012年间,东部地区11个省份中辽宁、河北、山东、江苏、浙江等省份始终呈现出高-高的空间集聚性,占东部地区省份的45.45%。中部10个省份中,始终呈现出高-高集聚现象的省份有3个、低-高集聚分布的省份有2个,低-低集聚的省份有2个,表现出较为突出的多样性及过渡性。西部10个省域,80%的省份都持续呈现低-低的空间集聚效应。中国经济发展自东部沿海地区向中、西部地区表现出较为明显的递减效应,由此也带来了工业废气排放自东向西的空间集聚表现性。因此,中国工业废气排放的空间特征与经济发展的地域集聚性及延伸性较为相符,即东部强、中部较弱而西部弱。

借鉴Rey提出的时空跃迁测度法[19],对比2000年和2012年各省域的变化情况,受自身工业废气排放因素影响,主动发生跃迁而改变象限的省域主要为上海、安徽、湖北等,其中上海和湖北,通过降低工业废气排放,分别由高-高和高-低的集聚省域,跃迁到低-高和低-低的集聚区域;安徽省则受自身工业废气排放增加的影响,从第二象限跃迁到第一象限。广西省和陕西省则是受周边省域的影响,被动发生跃迁而改变象限,广西省由于周边省份工业废气排放的相对减少,由高-高集聚的第一象限跃迁到高-低聚集的第四象限,而陕西省则由于周边省域工业废气排放的相对增加,由第三象限的低-低集聚跃迁到第二象限的低-高集聚区域。

1.2.2 LISA集聚图分析

Anselin提出了局部空间关联指标LISA,LISA集聚图分析能够进一步检验空间集聚的显著性水平[20]。2000年、2012年工业废气排放的LISA集聚图见图2所示。

图2 2000年(a)和2012年(b)中国各省域工业废气排放的LISA集聚图 Fig.2 LISA cluster map of China’s provincial industrial waste gas emission in 2000(a) and 2012(b)

图2可以看出,2000年中国31个省域中处于第一象限的高值集聚显著区的省份是:河北、河南及山东等,占高-高集聚区域的30%;而属于第三象限的低值集聚显著区的省份为新疆。2012年31个省域中,辽宁、河北、河南、山东、山西以及安徽等省份位于第一象限的高值集聚显著区,占高-高集聚区域的67%;而属于第三象限的低值集聚显著区的省份仍为新疆。2012年与2000年相比,中国工业废气排放的高值集聚现象的显著性逐渐增强,高值集聚显著区域增加到6个省份,呈现持续扩张的趋势;而低值集聚现象的显著性却保持不变。

从各省域工业废气排放LISA集聚图来看,2000~2012年,中国31个省域工业废气排放在地理空间分布上形成了2个主要的集聚区域。一个是高工业废气排放集聚显著区域,主要集中在华北平原及其周边地区。这一区域以河北、河南及山东等省份为核心,并向外延伸到山西、辽宁、安徽等省份。结合Moran散点图可以看出,在高工业废气排放集聚显著区域的周边省份,如内蒙古、浙江、江苏等省域也都在第一象限中,因其周边某些省份未出现高工业废气排放聚集性,因此未表现出显著的集聚效应。另一个是以新疆为代表的低工业废气排放集聚显著区。

2 基于STIRPAT模型的工业废气排放影响因素的空间计量分析
2.1 模型构建

Ehrlich和Holdren提出IPAT恒等式(I=PAT),反映人口对环境压力的影响[21]I是环境压力(Impact),P是人口数量(Population),A是富裕度(Affluence),T是技术(Technology)。Dietz和Rosa在IPAT恒等式的基础上,提出了随机回归影响模型[22],简称STIRPAT模型,其表达式为:

I = a P b A c T d e (2)

式中,a为模型系数,b、c、d分别代表人口、富裕度和技术的各驱动力指数,e为模型误差项。

STIRPAT模型既允许将各系数作为参数来进行估计,也允许对各影响因素进行适当的分解,大量文献根据各自研究特点对STIRPAT模型进行相应的改进 [23]。本文在STIRPAT模型的基础上构建中国工业废气排放影响因素的计量模型:

G = a GD P b P c I d T e C f ε (3)

对(3)式两边作对数化处理:

ln G it = β 0 + β 1 lnGD P it + β 2 ln P it + β 3 ln I it + β 4 ln T it + β 5 ln C it + ε it (4)

式中,G为工业废气排放量;GDP作为衡量经济增长的指标,以2000年为基期的实际GDP表征;P表示年末人口数量;I表示产业结构,选用第二产业占GDP的比重;T为科技水平,采用专利申请授权量;C为政策因素,选用排污费征收总额反映国家政策对工业废气排放的影响; ε 为随机误差项;it分别代表省域和年度。β0为常数,β1β2β3β4β5为弹性系数,反映GDP、P、I、T、C每变化1%所带来的G的变化百分比。

通过上述对中国工业废气排放的空间自相关分析,证实各省域工业废气排放存在显著的空间相关性,可以引入空间因素建立空间计量模型分析中国工业废气排放的影响因素。因此,在基准模型式(4)中,加入空间相关性变量建立工业废气排放影响因素的空间计量模型,包括空间滞后模型(Spatial Lag Model,SLM)和空间误差模型(Spatial Error Model,SEM)2种基本形式。

空间滞后模型主要是探讨各变量在一个地区是否有溢出效应。其模型表达式为:

ln G it = ρWln G it + β 0 + β 1 lnGD P it + β 2 ln P it + β 3 ln I it + β 4 ln T it + β 5 ln C it + ε it (5)

式中,W为空间权重矩阵,仍采用文中所提及的0~1 空间权重矩阵; ρ 为空间滞后系数,反映相邻省域的工业废气排放对本省域的影响方向和程度;WlnGit为空间滞后因变量。

空间误差模型是通过误差项的变化来体现空间相关性,数学表达式为:

ln G it = β 0 + β 1 lnGD P it + β 2 ln P it + β 3 ln I it + β 4 ln T it + β 5 ln C it + λW ε it + u it (6)

式中,W为空间权重矩阵,同上; λ 为空间误差系数,与SLM模型不同,SEM模型的空间依赖作用存在于扰动误差项中。 u 为正态分布的随机误差向量。

2.2 实证分析

对于空间计量模型,普通最小二乘估计方法会导致估计是有偏或者无效的,因此采用极大似然法估计SLM和SEM模型的参数[18]。通常情况下,当回归分析局限于一些特定的个体时,固定效应模型是更好的选择[24]。本文选取2000~2012年中国31个省(市、自治区)作为样本,通过Matlab软件分别估计了空间滞后模型和空间误差模型的无固定效应、空间固定效应、时间固定效应、时间和空间双固定效应。但从4种模型的估计结果来看,空间固定效应模型的拟合优度和对数似然值最高,是最合适的回归模型。本文仅列示出空间固定效应模型的估计结果,见表3。

表3 空间滞后模型和空间误差模型估计结果 Table 3 Estimation results of SLM and SEM models

根据Anselin等提出的判别准则:如果在空间依赖性检验中发现LMLAG较之LMERR在统计上更加显著,且R-LMLAG显著而R-LMERR不显著,则可以断定适合的模型是空间滞后模型;相反,如果LMERR比LMLAG在统计上更加显著,且R-LMERR显著而R-LMLAG不显著,则可以断定空间误差模型是恰当的模型[25]。通过表3的空间相关性LM检验发现,LMLAG(5.944)较之LMERR(0.204)在统计上更加显著,并且在5%的显著性水平下,R-LMLAG显著而R-LMERR不显著。此外,无论是拟合优度R2还是对数似然值logL,SLM模型都明显高于SEM模型。因此,SLM模型比SEM模型对样本更具有解释力,是最优选择。从表3的SLM估计结果可以看出:

第一,空间滞后系数的 ρ 估计值为正(0.225),且通过了1%的显著性水平检验,说明中国各省域工业废气排放形成了较强的空间依赖作用和正的空间溢出效应。这意味着,中国某一省域的工业废气排放会影响到其相邻省域。这种正向的空间溢出效应使得某省域工业废气排放不仅受到其自身经济发展、产业结构、科技水平和国家政策等因素的影响,还通过空间效应受到其相邻省域工业废气排放状况及其影响因素的冲击。

第二,GDP在1%的显著性水平下显著,系数为0.908,在所有系数中值最大,这意味着中国工业废气排放与经济增长之间呈现显著的正相关关系,且GDP的增加对工业废气排放的驱动作用占主导地位。在其他因素不变的情况下,GDP每增加1%,工业废气排放会增加0.91%。这与Moran散点图和LISA集聚图分析结果相一致。以2012年为例,GDP排名前8位的省域中,绝大多数省份均处于第一象限,表现出工业废气排放的高值集聚效应。

第三,人口规模对工业废气排放的回归系数为-0.033,但未通过显著性水平检验。说明人口规模对工业废气排放的影响在统计上不显著。

第四,产业结构对工业废气排放的回归系数为0.865,也通过了1%的显著性水平检验,这说明产业结构与工业废气排放之间也存在正相关关系。在不考虑其他因素的情况下,第二产业占GDP的比重每增加或减少1%,工业废气排放会增加或降低0.87%。以安徽省为例,其第二产业占GDP比重从2000年的第12位发展到2012年的第6位,第二产业占GDP比重的增加导致其工业废气排放的较快增长,从第二象限跃迁到第一象限,与Moran散点图分析结果相吻合。

第五,科技水平对工业废气排放的回归系数为-0.622,且在5%的统计水平下显著。这意味着科技水平的提升对工业废气排放具有显著的抑制作用,科技进步是降低工业废气排放的重要动力。

第六,国家政策在1%的统计水平下显著,国家政策对工业废气排放的回归系数为-0.023。表明工业废气排放与国家政策之间呈现负相关关系,在其他因素不变的情况下,排污费征收总额每增加1%,工业废气排放会减少0.02%。排污费的征收对工业废气排放具有一定的削减作用,但相对于科技进步对工业废气排放的抑制作用,其影响较小。

3 结论及建议

本文通过对中国工业废气排放的空间分布特征及其影响因素的分析,得出以下结论:

1) 全局Moran指数I的检验结果显示,从整体上看2000~2012年中国31个省域工业废气排放存在显著的空间正相关性。Moran散点图和LISA集聚图结果表明,中国31个省域工业废气排放在地理空间分布上存在显著的空间集聚特征,其中东部多为高-高集聚区、西部则多为低-低集聚区。2000~2012年,河北、山东、河南等省份始终保持工业废气的高排放,属于高值集聚显著区。同时,高工业废气排放的省域数目呈现增加态势,高值集聚显著区域不断向外扩张。

2) 中国各省域工业废气排放具有较强的空间依赖作用和正的空间溢出效应。这种正向的空间溢出效应使得某省域工业废气排放不仅受到其自身经济发展、产业结构、科技水平和国家政策等因素的影响,还通过空间效应受到其相邻省域工业废气排放状况及其影响因素的冲击。

3) 中国工业废气排放与经济增长、产业结构之间呈现显著的正相关关系,且经济增长仍是中国工业废气排放的主要驱动因素。工业废气排放与科技水平、国家政策之间呈现显著的负相关关系。科技水平的提升对工业废气排放具有显著的抑制作用,科技进步是降低工业废气排放的重要动力。排污费的征收有助于减少工业废气排放,但与科技进步相比,其抑制作用相对较小。人口规模对工业废气排放的影响在统计上不显著。

因此,根据上述对中国工业废气排放影响因素的分析,提出以下几点建议:

1) 工业技术进步与创新是抑制工业废气排放的重要途径。通过加大对节能减排和新能源技术领域的科技创新支持,以科技进步和创新为发展动力,构建绿色经济发展的技术支撑体系。

2) 推动产业结构的调整升级,加快第三产业的发展速度,推进产业结构向节能型、高级化发展,进而有效地减少工业废气排放,降低工业污染。排污费征收等国家政策的实施对工业废气排放也起到一定的抑制作用,可以作为辅助手段对工业废气排放进行调控。

3) 各级政府在制定产业结构调整、排污费征收等政策时,应充分考虑到工业废气排放的空间相关性,加强区域合作机制,积极推进跨区域的环保合作,以实现地区间的协调可持续发展。

The authors have declared that no competing interests exist.

Reference
[1] Llorca M, Meunie A.SO2 Emissions and the Environmental Kuznets Curve:the Case of Chinese Provinces[J]. Journal of Chinese Economic and Business Studies, 2009, 7(1): 1-16.
[本文引用:1]
[2] Maddison D.Environmental Kuznets curves: A spatial econometric approach[J]. Journal of Environmental Economics and Management, 2006, 51(2): 218-230.
DOI:10.1016/j.jeem.2005.07.002      [本文引用:0]
[3] 宋涛, 郑挺国, 佟连军. 基于Weibull函数和Gamma函数的环境污染与经济增长的关系[J]. 地理研究, 2007, 26(3): 569-576.
环境库兹涅茨曲线是研究环境污染与经济增长之间关系的有效工具。传统的环境库兹涅茨曲线研究大多采用线性模型或对数线性模型,其在采用模型描述关系的问题上存在一定的不足。为克服这些不足,本文采用Weibull函数和Gamma函数形式的面板数据模型对中国29个省区1989~2005年四种环境污染指标人均排放量与人均收入之间的关系予以研究。结果表明Weibull函数和Gamma函数的面板数据模型拟合效果较好,且参数具有较好的解释能力;人均废水和人均SO<sub>2</sub>都随人均收入增加先上升后减少,在25000元附近出现结构转变点,而人均固体废弃物和人均废气随人均收入增加则呈现单调增加的变化趋势,没有出现结构转变点。
[本文引用:0]
[Song Tao, Zheng Tingguo, Tong Lianjun.Study on the Relationship Between Economic Growth and Environmental Pollution Based on the Weibull and Gamma Specifications. Geographical Research, 2007, 26(3): 569-576.]
[4] 朱平辉, 袁加军, 曾五一. 中国工业环境库兹涅茨曲线分析——基于空间面板模型的经验研究[J]. 中国工业经济, 2010, (6): 65-74.
环境库兹涅茨曲线(EKC)是环境经济学中的一个经典假说,但目前采用空间计量方法进行研究的文献并不多见。本文基于中国1989—2007年省级面板数据,使用空间固定效应模型,对七种工业污染排放进行EKC实证分析。结果显示:我国地区工业污染排放具有较强的空间依赖关系;与传统面板模型相比,空间面板模型的估计结果是稳健的,并且模型的拟合优度以及回归系数显著性均有所提高;人均工业废水排放量与人均GDP之间为只有一个拐点的"倒N型"关系,人均工业废气与人均GDP为传统的两个拐点的"倒N型"关系,现处在曲线上升阶段,其他五种工业污染排放与人均GDP之间为"倒U型"关系。
[本文引用:0]
[Zhu Pinghui, Yuan Jiajun, Zeng Wuyi.Analysis of Chinese Industry Environmental Kuznets Curve-empirical Study Based on Spatial Panel Model. China Industrial Economics, 2010,(6): 65-74.]
[5] 吴昌南, 刘俊仁. 江西省经济增长与工业三废排放水平关系的实证研究[J]. 经济地理, 2012, 32(3): 146-152.
基于环境库兹涅茨曲线 (EKC)假说,采用江西省1990—2008年的经济与环境数据,通过回归二次和三次多项式简化型模型检验了经济与环境质量之间的关系。结果表明:江西 省的EKC曲线与经典倒U型EKC曲线形态不同,除工业固体废物排放量以外,其他环境质量指标与人均GDP的演变轨迹呈U型+倒U型(N型),江西省总体 环境质量与经济发展处于向好趋势。在此基础上提出了若干政策建议。
[本文引用:1]
[Wu Changna, Liu Junren.Analysis on Economic Growth and Industrial Waste Discharge of Jiangxi Province. Economic Geography, 2012, 32(3): 146-152.]
[6] 林永生, 马洪立. 大气污染治理中的规模效应、结构效应与技术效应——以中国工业废气为例[J]. 北京师范大学学报:社会科学版, 2013, (3): 129-136.
工业废气是大气污染和环境污染的重要组成部分,过去20年间,中 国工业废气排放量波动很大,自“十一五”以来,更是逐年大幅下降.从结果出发深入剖析中国工业废气减排的具体原因,对进一步完善未来的环境治理政策具有重 要意义.基于此,本文首先修改和完善了传统意义上的分解分析法,将工业废气减排的具体原因分解为规模效应、结构效应和技术效应,然后以整个工业领域的废气 排放作为研究对象,定量测度三大效应对中国工业废气减排的贡献度.研究表明:中国的工业废气减排主要归功于技术效应,结构效应次之,规模效应对废气减排的 贡献为负.与此同时,在其他因素不变的条件下,经济增速、工业份额以及清洁技术水平朝着不同方向的变化,都能有助于实现工业废气减排.最后,本文提出三点 对策建议与思考,即提出并落实单位GDP或工业增加值污染强度指标,把适度放缓经济增速作为当前旨在实现可持续发展政策的重要着力点,同时以产业结构“轻 型化”促经济增长“清洁化”.
[本文引用:1]
[Lin Yongsheng, Ma Hongli.Scale,structural,and technique effect in air pollution abatement:Taking China's industrial waste gas as example. Journal of Beijing Normal University (Social Science), 2013,(3): 129-136.]
[7] 张云, 申玉铭, 徐谦. 北京市工业废气排放的环境库兹涅茨特征及因素分析[J]. 首都师范大学学报:自然科学版, 2005, 26(1): 113-116.
以工业总产值代表工业经济发展状态指标,工业废气排放总量代表工业大气污染指标,采用多种函 数模型对北京市工业废气排放的环境库兹涅茨曲线作了函数优选拟合研究,揭示了近10年来北京市工业发展的环境经济动态轨迹,并且进一步运用因素分析法对工 业废气污染态势从经济总量、技术进步、协同交叉作用三方面作了分析.研究表明工业环境经济可持续发展关键在于经济总量增长与单位经济产出的环境负荷二者之 间的协调.
DOI:10.3969/j.issn.1004-9398.2005.01.024      [本文引用:1]
[Zhang Yun, Shen Yuming, Xu Qian. Study on the Environmental Kuznets Curve Characteristics and Factor Analysis of the Industrial Waste Gas Discharge in Beijing. Journal of Capital Normal University:Natural Science Edition, 2005, 26(1): 113-116.]
[8] 刘铁鹰, 李京梅. 中国工业废气排放与经济增长关系的区域分异研究[J]. 中国科技论坛, 2011, (8): 42-48.
本文以环境污染中的重要指标工 业废气排放量和经济增长的关系为研究对象,基于1998—2008年中国省际面板数据,检验环境库兹涅茨曲线(EKC)在中国的存在性及相应的拐点研究, 并以实证检验为基础对工业废气排放和经济增长的相关关系的影响因素进行分析。结果表明,工业废气排放量在工业化发展的整个阶段始终处于上升趋势,而EKC 拐点一般出现在工业化结束之后的一段时间;截至2050年,将有30个省份越过拐点;就各个区域而言,相比中西部地区,东部地区总体上能够较早地到达拐 点;同时,我们也应认识到拐点是一个动态变化的点,拐点的变化取决于环境污染程度和经济发展水平间的关系。
DOI:10.3969/j.issn.1002-6711.2011.08.007      [本文引用:1]
[Liu Tieying, Li Jingmei.The Industrial Exhaust Emissions and Economic Growth in Regional Differentiation in China. Forum on Science and Technology in China, 2011,(8): 42-48.]
[9] 方丰. 外商直接投资对我国环境效应的实证研究[J]. 经济问题, 2014, (2): 68-71.
以工业废气排放量作为环境质量指标,基于我国1992~2010年工业行业数据,利用计量回归方程,建立分析模型,实证研究外商直接投资对我国环境污染产生的影响。研究结果表明,外商直接投资对我国环境污染影响的收入效应为负,对我国环境污染的规模效应、技术效应和结构效应均为正。但总体上外商直接投资对我国环境呈负面影响。
[本文引用:1]
[Fang Feng.Empirical Analysis of FDI on Environmental Effects in China. On Economic Problems, 2014,(2): 68-71.]
[10] 任重, 周云波. 环渤海地区的经济增长与工业废气污染问题研究[J]. 中国人口·资源与环境, 2009, 19(2): 63-68.
本文利用1981-2005年环渤海三省二市工业废气排放量、人均实际GDP以及第二产业占GDP的比重、外商直接投资占GDP的比重等两个污染控制变量的年度数据,建立panel data模型,通过实证分析验证了环境库玆涅茨曲线是否存在以及什么因素影响环境库兹涅茨曲线的形状。实验结果表明,环渤海地区工业废气排放量与人均GDP之间呈现整体向上倾斜的倒”N”形的曲线特征,随着经济发展水平的提高、经济规模的扩大和重化工业进程的推进,环渤海地区的工业废气排放污染呈现出持续恶化的趋势;恶化速度可能存在一个先相对减缓、后加速、然后相对减缓的过程,这不同于传统的环境库兹涅茨倒”U”假说;就目前的经济发展阶段来说,环渤海地区尚未达到环境压力得到改善的转折点;产业结构的转换对工业废气污染产生显著影响;外商直接投资没有显著地加剧环渤海地区的工业废气污染,FDI导致的污染产业国际转移现象没有在这一地区发生;不同省市的个体影响具有一定的差异;工业废气排放量与人均GDP及其二次项、三次项之间存在面板协整关系,实证结果是稳健可信的。
DOI:10.3969/j.issn.1002-2104.2009.02.011      [本文引用:1]
[Ren Chong, Zhou Yunbo.Economic Growth and Waste Gas Pollution in Bohai Area. China Population, Resources and Environment, 2009, 19(2): 63-68.]
[11] 李建豹, 张志强, 曲建升, . 中国省域CO2排放时空格局分析[J]. 经济地理, 2014, 34(9): 158-165.
[本文引用:1]
[Li Jianbao, Zhang Zhiqiang, Qu Jiansheng et al. Analysis of China's Provincial Carbon Dioxide Emission Spatiotemporal Pattern. Economic Geography, 2014, 34(9): 158-165.]
[12] 孙才志, 陈栓, 赵良仕. 基于ESDA的中国省际水足迹强度的空间关联格局分析[J]. 自然资源学报, 2013, 28(4): 571-582.
<p>水足迹强度是一个反映水的利用效率的指标,论文在对1995-2009年中国31个省(市、区)水足迹计算的基础上(因资料所限,未考虑香港、澳门和台湾地区),利用探索性空间数据分析(ESDA)对15 a来各地区水足迹强度空间分布格局以及演变态势进行了分析和探讨。结果表明:①中国水足迹强度整体呈现明显的下降趋势,说明水资源的利用效率明显提高,但是区域发展并不平衡;②从全局空间分异来看,中国各地区水足迹强度呈现出正的空间相关性特征,存在着空间集聚特征,即水足迹强度高的地区相互邻接,强度低的地区相互邻接;③从局部空间分异来看,空间正相关模式(LL集聚和HH集聚)所占比例很大,且在研究年份内逐渐增加,反映出水足迹强度的LL集聚和HH集聚变得越来越显著。LL集聚主要分布在东部沿海一带,在空间上有明显的向周边扩散的趋势;HH集聚主要分布在西部地区,在空间分布上较稳定。</p>
DOI:10.11849/zrzyxb.2013.04.004      [本文引用:1]
[Sun Caizhi, Chen Shuan, Zhao Liangshi.Spatial Correlation Pattern Analysis of Water Footprint Intensity Based on ESDA Model at Provincial Scale in China. Journal of Natural Resources, 2013, 28(4): 571-582.]
[13] 郑德凤, 臧正, 赵良仕, . 中国省际资源环境成本及生态负荷强度的时空演变分析[J]. 地理科学, 2014, 34(6): 672-680.
<p>为了科学地评价区域生态系统对经济与社会发展的服务支撑能力,引入生态系统服务理论等构建资源环境成本及绿色GDP核算、生态负荷强度模型,计算出中国31 个省区2001~2012 年的资源环境成本、生态负荷强度,在此基础上利用探索性空间数据分析方法对2001年以来中国省区的生态负荷强度随时间演变的趋势及其空间分布特征进行分析和探讨(港澳台除外)。结果表明,在研究时段内中国省区的资源环境成本由16.83&times;10<sup>12</sup>元攀升到25.24&times;10<sup>12</sup>元(2001年可比价),生态负荷强度由1.55下降到0.45;中国生态负荷强度呈西北、东部沿海地区集聚的空间分布特征,其中西北为高-高、东部沿海为低-低集聚区;这种西、东集聚现象的显著性在研究时段内逐渐减弱,空间负相关区域增加到11个、具有持续扩张的趋势,区域生态效益或经济效益持续向周边溢出。</p>
[本文引用:1]
[Zheng Defeng, Zang Zheng, Zhao Liangshi, et al.Temporal and Spatial Change of Resource and Environmental Costs,the Ecological Load Intensity at Provincial Scale in China. Scientia Geographica Sinica, 2014, 34(6): 672-680.]
[14] 许海平. 空间依赖、碳排放与人均收入的空间计量研究[J]. 中国人口·资源与环境, 2012, 22(9): 149-157.
本文采用较为前沿的空间计量方法研究我国29个省区2000—2008年间人均碳排放与人均 收入之间的关系。研究结果表明:①我国人均碳排放和人均收入均表现出明显的空间集群特征。特别是人均收入的空间依赖性表现出加强的趋势。②人均碳排放与人 均收入呈“倒U”型曲线关系,拐点为人均收入16953元。并进一步计算了我国各省区的人均碳排放拐点。发现各地区人均碳排放拐点在时闻路径上存在明显差 异性。东部地区的多数省区较早地到达拐点。而中西部地区则要经历较长时间。③城市化水平、就业人员比重和技术进步是导致我国人均碳排放量增长的重要因素。 ④对外贸易程度在一定程度上减少了人均碳排放。因此.提出了大力倡导低碳生活方式、优化产业结构、积极开发低碳技术、转变贸易结构以及将地区的空间依赖性 纳入到碳排放的政策制定中等政策建议。
DOI:10.3969/j.issn.1002-2104.2012.09.023      [本文引用:1]
[Xu Haiping.Spatial and Econometric Analysis of Spatial Dependence, Carbon Emissions and Per Capita Income. China Population, Resources and Environment, 2012, 22(9): 149-157.]
[15] 程叶青, 王哲野, 叶信岳, . 中国能源消费碳排放强度及其影响因素的空间计量[J]. 地理学报:2014, 24(4): 631-650.
The sustainable development has been seriously challenged by global climate change due to carbon emissions. As a developing country, China promised to reduce 40%鈥45% below the level of the year 2005 on its carbon intensity by 2020. The realization of this target depends on not only the substantive transition of society and economy at the national scale, but also the action and share of energy saving and emissions reduction at the provincial scale. Based on the method provided by the IPCC, this paper examines the spatiotemporal dynamics and dominating factors of China's carbon intensity from energy consumption in 1997鈥2010. The aim is to provide scientific basis for policy making on energy conservation and carbon emission reduction in China. The results are shown as follows. Firstly, China's carbon emissions increased from 4.16 Gt to 11.29 Gt from 1997 to 2010, with an annual growth rate of 7.15%, which was much lower than that of GDP(11.72%). Secondly, the trend of Moran's I indicated that China's carbon intensity has a growing spatial agglomeration at the provincial scale. The provinces with either high or low values appeared to be path-dependent or space-locked to some extent. Third, according to spatial panel econometric model, energy intensity, energy structure, industrial structure and urbanization rate were the dominating factors shaping the spatiotemporal patterns of China's carbon intensity from energy consumption. Therefore, in order to realize the targets of energy conservation and emission reduction, China should improve the efficiency of energy utilization, optimize energy and industrial structure, choose the low-carbon urbanization approach and implement regional cooperation strategy of energy conservation and emissions reduction.
DOI:10.11821/dlxb201310011      [本文引用:1]
[Cheng Sheqing, Wang Zheye, Ye Xinyue et al. Spatiotemporal Dynamics of Carbon Intensity From Energy Consumption in China. Journal of Geographical Sciences, 2014, 24(4): 631-650.]
[16] 国家统计局.中国统计年鉴[M].北京:中国统计出版社,2001-2013.
[本文引用:1]
[National Bureau of Statistics.China Statistical Yearbook[M].Beijing: China Statistics Press ,2001-2013.]
[17] 国家统计局,环境保护部.中国环境统计年鉴[M].北京:中国统计出版社,2001-2013.
[本文引用:1]
[National Bureau of Statistics, Ministry of Environmental Protection. China Environmental Statistical Yearbook[M].Beijing: China Statistics Press ,2001-2013.]
[18] 李子奈,叶阿忠.高级应用计量经济学[M].北京:清华大学出版社,2012.
[本文引用:2]
[Li Zinai, Ye Azhong.Advanced applied econometrics [M].Beijing: Tsinghua University Press,2012.]
[19] Rey S J.Spatial Empirics for Economic Growth and Convergence[J]. Geographical Analysis, 2001, 33(3): 195-214.
This paper suggests some new empirical strategies for analyzing the evolution of regional income distributions over time and space. These approaches are based on extensions to the classical Markov transition matrices that allow for a more comprehensive analysis of the geographical dimensions of the transitional dynamics. This is achieved by integrating some recently developed local spatial statistics within a Markov framework. Insights to not only the frequency with which one economy may transition across different classes in the income distribution, but also how those transitions may or may not be spatially dependent are provided by these new measures. A number of indices are suggested as ways to characterize the space-time dynamics and are illustrated in a case study of U. S. regional income dynamics over the 1929鈥1994 period.
DOI:10.1111/j.1538-4632.2001.tb00444.x      [本文引用:1]
[20] Anselin L.Local Indicators of Spatial Association Analysis-LISA[J]. Geographical Analysis, 1995, 27(2): 93-115.
The capabilities for visualization, rapid data retrieval, and manipulation in geographic information systems (GIS) have created the need for new techniques of exploratory data analysis that focus on the “spatial” aspects of the data. The identification of local patterns of spatial association is an important concern in this respect. In this paper, I outline a new general class of local indicators of spatial association (LISA) and show how they allow for the decomposition of global indicators, such as Moran's I, into the contribution of each observation. The LISA statistics serve two purposes. On one hand, they may be interpreted as indicators of local pockets of nonstationarity, or hot spots, similar to the G i and G* i statistics of Getis and Ord (1992). On the other hand, they may be used to assess the influence of individual locations on the magnitude of the global statistic and to identify “outliers,” as in Anselin's Moran scatterplot (1993a). An initial evaluation of the properties of a LISA statistic is carried out for the local Moran, which is applied in a study of the spatial pattern of conflict for African countries and in a number of Monte Carlo simulations.
DOI:10.1111/j.1538-4632.1995.tb00338.x      [本文引用:1]
[21] Ehrlich P R, Holdren J P.Impact of Population Growth[J]. Science, 1971, 171(3): 1212-1217.
[本文引用:1]
[22] Dietz T, Rosa E A.Rethinking the Environmental Impacts of Population,Affluence and Technology[J]. Human Ecology Review, 1994, 2(1): 277-300.
[本文引用:1]
[23] 何小钢, 张耀辉. 中国工业碳排放影响因素与CKC重组效应——基于STIRPAT模型的分行业动态面板数据实证研究[J]. 中国工业经济, 2012, (1): 26-35.
新世纪以来中国工业转型特征明显,行业CO2排放强度呈波动下降走势,但2003年工业再度重型化和2008年金融危机导致排放强度明显上升。基于改进的STIRPAT模型,本文利用动态面板数据实证研究了工业碳排放的影响因素,并详细考察了中国工业CO2库兹涅茨曲线(CKC)的类型及成因。主要结论是:中国工业CKC呈"N型"走势,而非传统的"倒U型",即CO2排放与经济增长在倒U型走势之后又形成拐点,出现"重组"现象;投资规模与排放显著正相关,研发强度不是影响排放的主要因素,CO2排放是个动态调整过程,存在明显的滞后效应;政府节能减排政策有助于降低排放,减排治理政策应从产业结构、技术进步、宏观经济环境以及环境规制等多方面综合考虑。
[本文引用:1]
[He Xiaogang, Zhang Yaohui.Influence factors and environmental kuznets curve relink effect of Chinese industry's carbon emission--empirical research based on STIRPAT Model with industrial dynamic panel data. China Industrial Economics, 2012,(1): 26-35.]
[24] Elhorst J P.Specification and Estimation of Spatial Panel Data Models[J]. International Regional Science Review, 2003, 26(3): 244-268.
This article provides a survey of the specification and estimation of spatial panel data models. These models include spatial error autocorrelation, or the specification is extended with a spatially lagged dependent variable. In particular, the author focuses on the specification and estimation of four panel data models commonly used in applied research: the fixed effects model, the random effects model, the fixed coefficients model, and the random coefficients model. The survey discusses the asymptotic properties of the estimators and provides guidance with respect to the estimation procedures, which should be useful for practitioners.
DOI:10.1177/0160017603253791      [本文引用:1]
[25] Anselin L, Bera A K, Florax R et al. Simple Diagnostic Tests for Spatial Dependence[J]. Regional Science and Urban Economics, 1996, 26(1): 77-104.
DOI:10.1016/0166-0462(95)02111-6      [本文引用:1]
版权所有 © 《地理科学》编辑部
地址:长春市高新北区盛北大街4888号 邮编:130102 电话:+86 431 85542324 E-mail: geoscien@neigae.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn