改革开放以来,中国经济快速发展,年均GDP增长率达9.83%,在全球国家及地区中排名第二。但是粗放型的经济发展方式也使得环境问题表现突出。2014年,全国161个开展空气质量监测的城市,有145个空气质量污染指数超标,不达标城市超过了90%;2017年,全国338个地级以上城市都开展了空气质量检测,不达标城市有239个,不达标率依然超过了70%;2018年,不达标城市占64.2%。虽然不达标率在下降,但是依然有超过一半城市的空气质量未达标。根据《全国地下水污染防治规划(2008—2020年)(征求意见稿)》,118个大中城市地下水监测统计结果表明,较重污染的城市占64%。环境污染与社会经济发展之间存在着怎样的关系,如何利用这种关系有效协调社会发展与环境保护是当前各级政府亟待解决的问题。
许多学者对环境污染与社会发展因素之间的关系进行了研究。一部分学者验证了环境库兹涅茨曲线假说的有效性,即环境污染与经济发展之间是否存在倒“U”型曲线关系[1-3]。一部分学者采用线性模型如IPAT和STIRPAT等研究社会经济变量与环境污染的影响关系[4-6]。一部分学者采用指数分解法,如对数平均迪氏分解法(LMDI)[7]、自适应权重分解法(AWD)[8]、广义费雪指数分解法(GFI)等[9],将环境污染分解为多个变量的乘积并研究其中的因果关系。不论采用何种方法,多数研究一致认为环境污染受到人口规模、人均财富和科技进步等因素的影响。这些模型被广泛应用于二氧化碳排放[10-11]、二氧化硫排放[12]及水污染[13]领域。一些学者还发现中国存在着多种污染模式[14]。
但是,上述研究的数据颗粒度较粗,多数文献从国家或者省级数据出发研究工业污染与社会经济发展的关系,没有从城市级别上研究这种关系。城市是目前污染治理的主要执行者,工业污染与城市社会经济发展的关系有助于城市管理者有效规划城市的绿色经济发展。同时,上述研究未能考虑不同地区间发展的差异性,试图仅用一个模型解释中国不同地区间的工业污染差异性。
文章搜集整理了中国77个城市的工业污染和社会发展因素的数据,采用线性混合模型[15],研究了城市工业污染与经济社会发展的相关关系,揭示了不同社会发展因素在不同地区间影响的差异性,试图为城市工业污染减排提供政策建议。
二、模型构建STIRPAT(Stochastic Impacts Regression on Population, Affluence and Technology)模型可以研究社会因素对环境的影响。该模型由IPAT模型发展而来,认为环境因素(I)受到人口规模(P)、富裕程度(A)和技术进步(T)的影响。为了克服IPAT模型的固定弹性系数的不足,STIRPAT模型加入了随机误差[16]。STIRPAT模型的一般形式为
(1) |
式中:a为模型的尺度参数;b、c、d分别为人口、人均财富和技术进步的弹性参数;e为随机误差项。为了更好地估计该模型并对参数进行假设检验,一般将STIRPAT模型变换为对数形式:
(2) |
在文章中,STIRPAT模型将被用来分析中国城市工业污染影响因素。考虑到目前中国城市发展的巨大差异和文献中的影响选择,文章在STIRPAT模型中加入一些新的变量。对于环境因素,文章考虑污水、二氧化硫和烟尘三类污染因素并构造工业污染指数(var)来表征城市污染水平[14]。城市年均常住人口数据表征人口变量,这代表了中国近些年来的人口变动,尤其是人口流动情况。人均GDP数据用来表示人均财富变量。对于技术进步变量,文章使用城市化率、工业化率和能源消费结构数据三个变量,城市化率和工业化率使得社会对能源使用的需求大幅增加,从而可能会引起更多碳排放[17]。能源消费结构则表征了能源使用技术的发展,理论上随着能源利用技术的提高,清洁能源使用的比例逐渐增加,从而降低碳排放[18]。Grossman在20世纪90年代提出环境库兹涅茨曲线假设[1],即污染和人均收入之间存在倒“U”型关系,文章在模型中加入人均GDP的二次项以检验环境库兹涅茨曲线假设, 采用的STIRPAT模型如下:
(3) |
式中:var代表工业污染指数;apop代表年均常住人口;urb代表城市化率;ind代表工业化率;enc代表能源消费结构;gdpp代表人均gdpp;β0, β1, …, β6为待估参数;随机误差项ε服从均值为0、方差为σ2的标准正态分布。
该模型的基本假设:对于每一个城市个体,自变量对城市环境的影响是一致的,在保持其他变量不变的情况下,人口变量每变动一个单位,所在城市的环境因素都变动β1个单位。然而中国的城市存在异质性,不同地方的自变量影响因素程度也不同。文章应用线性混合模型刻画自变量对于不同城市的弹性影响。线性混合模型一般形式为
(4) |
式中:Yi为第i个个体的因变量;Xi为第i个个体的固定效应自变量;β为固定效应参数;Zi为第i个个体的随机效应自变量;bi为随机效应参数;ei为第i个个体的随机误差项。
线性混合模型中固定效应参数β描述自变量对因变量整体的影响,随机效应参数bi描述了自变量在各自个体水平上的影响。将线性混合模型应用于STIRPAT模型,得到扩展的STIRPAT模型,模型形式为
(5) |
式中:i代表地区;t代表时间。变量的具体解释如表 1所示。
三、模型变量与数据来源
文章搜集了中国111个城市2004—2012年数据,删除数据不完整的城市,最终77个城市为有效数据,这些城市包括安阳、鞍山、包头、保定、北京、赤峰、大连、佛山、广州、贵阳、桂林、哈尔滨、海口、邯郸、合肥、湖州、吉林、济南、济宁、嘉兴、焦作、荆州、九江、昆明、连云港、泸州、马鞍山、绵阳、牡丹江、南京、南宁、南通、宁波、攀枝花、平顶山、秦皇岛、青岛、泉州、日照、三亚、汕头、上海、韶关、绍兴、石家庄、苏州、台州、太原、泰安、唐山、天津、潍坊、温州、乌鲁木齐、无锡、芜湖、武汉、西安、西宁、咸阳、徐州、烟台、延安、扬州、宜宾、宜昌、银川、岳阳、枣庄、长春、长沙、长治、中山、重庆、珠海、淄博、遵义。数据来自于各城市统计年鉴、中国区域经济统计年鉴和人口普查。
其中污水、二氧化硫和烟尘三类污染分别由全市工业废水排放量、全市工业二氧化硫排放量和全市工业烟尘排放量数据代表。对这三个污染指标经归一化、赋等值权重加权得到0~1无量纲工业污染指数变量。其他城市指标包括年均常住人口、人均GDP、城市化率、工业化率和能源消费结构。表 1展示了各变量的英文简称、定义、单位和数据来源。其中人均GDP数据经过GDP平减指数和地区平价指数处理[19]。
文章按照东部地区、中部地区和西部地区对省份进行划分,其中东部地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南;中部地区包括陕西、安徽、江西、河南、湖北和湖南;西部地区包括内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆、吉林、辽宁和黑龙江。分地区的变量统计描述如表 2所示。可以看到东部地区在污染综合指标、人口、城市化率、煤炭消费比例和人均GDP方面均高于其他地区,这表明地区之间存在较大的差异性。因此,线性混合模型中i=1, 2, 3分别代表东部、中部和西部地区。
四、实证结果分析
文章一共设定了7种模型的形式,模型设定如表 3所示。为了对模型5进行估计,首先要确定随机效应部分的变量构成。通过选取不同的固定效应变量和随机效应变量进行模型的估计,计算相应的信息准则,选取最合适的模型。对于固定效应部分的变量构成,由于文章研究各种社会因素对环境的影响,因此所有的自变量均进入到固定效应部分。对于随机效应部分,各个变量的作用结果无法从逻辑上进行确认,因此采用不同的模型设定来确认随机效应部分存在的变量。其中模型1的随机效应部分只包含截距项,这表明各个社会因素在不同地区中对环境因素的影响只取决于各个地区各自的基础水平。模型7包含固定效应部分中所有的社会因素,表明这些社会因素在东部、中部和西部地区对环境具有不同的影响程度。
为了选出较好的模型,应该使用多种信息准则对备择模型进行选取[20]。文章选取常用的两种信息准则AIC和BIC作为参考准则,对模型计算的这两条信息准则,数值越低代表模型更优。似然比检验方法也是一种用于检验受约束模型和不受约束模型优劣的方法,其原假设为备择模型不优于原始模型。文章利用似然比检验作为模型选择的辅助手段。
图 1展示了不同信息准则下的模型选择结果,表 4展示了似然比检验的结果。从图 1中可以看到,模型2具有较低的AIC和BIC的值,似然比检验中模型2相对于模型REML1拒绝了原假设,模型2比模型1更优,但是模型3相比模型2没有拒绝原假设。因此选取随机效应部分包含截距项和人口项的线性回归模型。
模型选择的结果显示,中国城市工业污染影响因素中,基础工业污染和人口规模在不同地区间影响程度不同,而城市化进程、工业化进程、能源消费结构和人均GDP对工业污染的影响在不同地区间保持统一规律。
表 5展示了线性混合模型中固定效应估计结果。所有社会因素对工业污染都具有显著的影响。其中人口因素具有正向影响,人口每增加1%,将导致工业污染增加0.034%。城市化率具有正向影响,城市化率每提高1%,工业污染增加0.018%。工业化率对工业污染具有正向作用,工业化率增加1%,工业污染增加0.06%。能源消费结构改善对工业污染具有抑制作用,煤炭消费比例每降低1%,工业污染将下降0.009%。人均GDP的二次项系数为0.012,一次项系数为-0.243,这表明中国城市存在工业污染的环境库兹涅茨曲线,且该曲线呈现正“U”型,根据二次曲线对称轴计算的公式求得当人均GDP达到24 959.25元时,工业污染达到低谷。目前工业污染正随着人均GDP的提高而快速升高。
表 6展示了线性混合模型中随机效应部分估计的结果。结果显示,人口因素的影响在不同地区存在差异。在东部地区和中部地区人口因素随机效应估计不显著,表明人口因素在东部和中部对工业污染的影响与全国平均水平0.034相一致,不存在额外的影响。西部地区人口因素的随机效应估计显著,这表明在西部地区人口每增加1%,除了会增加0.034%的环境污染水平之外,还会额外增加0.02%的污染水平。
五、结论
文章搜集整理了中国77个城市从2004—2012年的数据,利用工业废水,二氧化硫和工业烟尘构造工业污染指数,采用线性混合模型捕捉东部、中部和西部地区可能存在的发展差异,考察人口、人均财富和科技进步对中国城市工业污染的影响。
实证结果显示,人口规模对工业污染具有显著的正向影响,城市化率进程会显著地增加工业污染,工业化进程对工业污染也有显著的正向影响,而能源消费结构的改善可以降低工业污染。中国城市存在工业污染库兹涅茨曲线,曲线呈现正“U”型,随着人均GDP的增加,工业污染先下降后上升,目前中国城市的工业污染正随着人均GDP的增加而增加。
基于以上研究结果,提出如下相关政策建议:
首先,城市应着力应用清洁能源技术,并逐渐改善能源使用结构。对于一次能源消费比重较大的城市,应使用更高效环保的能源处理技术,保证能源供应的同时,降低单位能源排放的污染。对于其他城市,需要积极探索新能源技术和污染处理技术,通过技术进步提高国家整体能源使用效率,减少工业污染。
其次,促进城市协同改善产业结构。尽管目前人口、城市化、第二产业比例以及人均GDP的提高均会提高工业污染的水平,但值得注意的是,东部地区和中部地区这些因素的影响与全国平均水平持平,而西部地区影响程度较高,这意味着除了城市自身产业结构改善之外,还可以利用产业转移等方式,向落后地区城市传播先进的技术和观念,从而渐进式降低工业污染。
最后,应实施包容的、有区别的环境政策。从污染的绝对水平上看,东部最高,西部次之,中部最低。从污染增加的速度来看,西部最高,东部和中部次之。而从经济水平上看,东部最高,中部次之,西部最低。因此在制定环境政策时,还应考虑到社会发展水平,对东部地区和中部地区主要目的是禁止新的污染源,降低原有污染水平;对西部地区主要目的是在保证工业污染水平增速不增加的情况下逐渐减少污染源,并降低原有污染水平。
[1] |
GROSSMAN G M, KRUEGER A B.Economic growth and the environment[R].New York: National Bureau of Economic Research, 1994.
|
[2] |
LI T, WANG Y, ZHAO D. Environmental Kuznets curve in China:New evidence from dynamic panel analysis[J]. Energy Policy, 2016(91): 138-147. |
[3] |
WANG Y, HAN R, KUBOTA J. Is there an environmental Kuznets curve for SO2 emissions? A semi-parametric panel data analysis for China[J]. Renewable and Sustainable Energy Reviews, 2016(54): 1182-1188. |
[4] |
XU B, LIN B. Regional differences of pollution emissions in China:Contributing factors and mitigation strategies[J]. Journal of Cleaner Production, 2016(112): 1454-1463. |
[5] |
XU B, LUO L, LIN B. A dynamic analysis of air pollution emissions in China:Evidence from nonparametric additive regression models[J]. Ecological Indicators, 2016(63): 346-358. |
[6] |
WANG S, ZHAO T, ZHENG H, et al. The STIRPAT analysis on carbon emission in Chinese cities:An asymmetric Laplace distribution mixture model[J]. Sustainability, 2017, 9(12): 2237-2249. DOI:10.3390/su9122237 |
[7] |
YANG X, WANG S, ZHANG W, et al. Impacts of energy consumption, energy structure, and treatment technology on SO2 emissions:A multi-scale LMDI decomposition analysis in China[J]. Applied Energy, 2016(184): 714-726. |
[8] |
FAN J L, LIAO H, LIANG Q M, et al. Residential carbon emission evolutions in urban-rural divided China:An end-use and behavior analysis[J]. Applied Energy, 2013(101): 323-332. |
[9] |
FAN F, LEI Y. Decomposition analysis of energy-related carbon emissions from the transportation sector in Beijing[J]. Transportation Research Part D:Transport and Environment, 2016(42): 135-145. |
[10] |
渠慎宁, 郭朝先. 基于STIRPAT模型的中国碳排放峰值预测研究[J]. 中国人口·资源与环境, 2010, 20(12): 10-15. DOI:10.3969/j.issn.1002-2104.2010.12.003 |
[11] |
ZHENG H, HU J, GUAN R, et al. Examining determinants of CO2 emissions in 73 cities in China[J]. Sustainability, 2016, 8(12): 1296-1312. DOI:10.3390/su8121296 |
[12] |
葛健.我国区域环境库兹涅茨曲线的验证及影响因素分析[D].大连: 大连理工大学, 2016. http://cdmd.cnki.com.cn/Article/CDMD-10141-1016218014.htm
|
[13] |
徐辉, 杨烨, 聂都. 财政分权对中国十大城市群环境污染的影响路径[J]. 城市问题, 2017(6): 14-24. |
[14] |
ZHENG H, HUAI W, HUANG L. Relationship between pollution and economic growth in China:Empirical evidence from 111 cities[J]. Journal of Urban & Environmental Engineering, 2015, 9(1): 22-31. |
[15] |
WEST B T, WELCH K B, GALECKI A T. Linear mixed models:A practical guide using statistical software[M]. Boca Raton: CRC Press, 2014: 1-58.
|
[16] |
ROSA E A, DIETZ T. Climate change and society speculation, construction and scientific investigation[J]. International Sociology, 1998, 13(4): 421-455. DOI:10.1177/026858098013004002 |
[17] |
ZHANG Y J, LIU Z, ZHENG H, et al. The impact of economic growth, industrial structure and urbanization on carbon emission intensity in China[J]. Natural Hazards, 2014, 73(2): 579-595. DOI:10.1007/s11069-014-1091-x |
[18] |
SU M, CHEN C, YANG Z. Urban energy structure optimization at the sector scale:Considering environmental impact based on life cycle assessment[J]. Journal of Cleaner Production, 2016(112): 1464-1474. |
[19] |
黄健辉.区域价格差异与地区经济差距测算[D].广州: 暨南大学, 2010.
|
[20] |
STEELE R. Model selection for multilevel models, in the SAGE handbook of multilevel modeling[M]. London: SAGE Publications Ltd, 2013: 109-125.
|