于博^1,, 杨旭^1,2,, 吴相利¹, 曹原赫³, 蔡莹¹, 王雪微¹, 赵程¹
1. 哈尔滨师范大学地理科学学院 寒区地理环境监测与空间信息服务黑龙江省重点实验室,哈尔滨 150025
2. 上海交通大学 安泰经济与管理学院,上海 200030
3. 东北农业大学 国际文化教育学院,哈尔滨 150030

Spatial evolution and influencing factors of urban environmental pollution supervision level in China

YUBo^1,, YANGXu^1,2,, WUXiangli¹, CAOYuanhe³, CAIYing¹, WANGXuewei¹, ZHAOCheng¹
1. College of Geographical Science/Heilongjiang Province Key Laboratory of Geographical Environment Monitoring and Spatial Information Service in Cold Regions, Harbin Normal University, Harbin 150025, China
2. Antai College of Economics and Management, Shanghai Jiaotong University, Shanghai 200030, China
3. Northeast Agricultural University, International Culture Education College, Harbin 150030, China
通讯作者:通讯作者：杨旭（1973-）,男,黑龙江哈尔滨人,博士后,教授,硕士生导师,研究方向为区域经济与环境创新管理。E-mail: yx_hit@163.com
收稿日期:2018-11-16
修回日期:2019-04-24
网络出版日期:2019-07-20
版权声明:2019《地理研究》编辑部《地理研究》编辑部 所有
基金资助:国家自然基金项目（41171433）国家社科基金项目（16BJY039）黑龙江省哲学社会科学研究规划项目（17JLB033）黑龙江省博士后科研启动金资助项目（No.LBH-Q13101）
作者简介:
-->作者简介：于博（1993-）,男,黑龙江牡丹江人,硕士,从事生态环境评价与污染修复、环境创新管理方面的研究。E-mail: chris_yb@163.com



展开

摘要
基于中国2010—2016年的地级市污染监管水平数据,采用空间自相关、位序-规模法则,空间计量模型等地学方法,分析中国地级城市污染监管水平的时空分异特征和影响因素及其空间溢出效应。结果表明：① 2010—2016年中国污染监管水平整体上呈现上升趋势且区域性和集聚性特征明显,东南部地区为稳定的高值集聚地区,中西部地区为稳定的低值集聚地区。② 中国城市污染监管水平属于次位型分布,监管规模分布的分散趋势大于集中趋势。③ 城市的人口密度、经济发展水平、第二产业占比等对城市污染监管水平有显著的正向影响,城市规模对污染监管水平存在负向的影响。④ 城市经济发展水平和城市人口密度对污染监管水平起到显著的直接效应;第二产业占比、二氧化硫排放量等起到了显著的间接效应。

关键词：污染监管水平;空间自相关;位序-规模法则;空间溢出效应
Abstract
Based on the data on China's 2010-2016 prefecture-level city pollution supervision level, The Rank-Size rule is used to analyze the scale distribution of urban environmental pollution supervision level in China. Using spatial autocorrelation, spatial econometric model and other geoscience research methods, we adopt the quantitative analysis to examine the regional differences, spatial and temporal distribution patterns, influencing factors and spatial spillover effects of urban pollution regulation in China. Four conclusions are listed below: (1) From 2010 to 2016, China's pollution supervision level showed an overall upward trend, and its regional agglomeration was obvious. There was a significant spatial autocorrelation in the pollution supervision level. Among them, the Yangtze River Delta and the Pearl River Delta were relatively stable high-value gathering areas of pollution control, and in recent years extended to the eastern Shandong Peninsula urban agglomeration, while the central and western regions were stable low-value gathering areas, indicating that the pollution supervision level had obvious regional aggregation. (2) The level of urban pollution regulation in China presents a sub-type distribution. The cities with high pollution supervision level are mainly distributed in the eastern and central regions. The scale of pollution supervision between high-order cities is gradually narrowing, and the distribution among cities is relatively well distributed. The dispersion trend is more obvious than the concentration trend. (3) Considering the complexity of the influencing factors, the spatial measurement model is used to analyze the influencing factors in the selection of many research methods. The urban population density, economic development level and proportion of secondary industry output value have a significant positive impact on urban pollution supervision level, whereas urban scale has a negative impact on pollution supervision level. (4) Urban economic development, population density, openness, and industrial structure have a significant direct effect on the spillover effect of urban pollution supervision level, while the ratio of the output value of the secondary industry and sulphur dioxide emissions have a significant indirect effect on the pollution supervision level, that is, the promotion of the secondary industry in the region is conducive to that of pollution supervision in neighboring cities

Keywords：pollution supervision level;spatial autocorrelation;rank-size rule;spatial spillover effect

-->0
PDF (2347KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
于博, 杨旭, 吴相利, 曹原赫, 蔡莹, 王雪微, 赵程. 中国城市环境污染监管水平的空间演化特征与影响因素[J]. 地理研究, 2019, 38(7): 1777-1790 https://doi.org/10.11821/dlyj020181135
YU Bo, YANG Xu, WU Xiangli, CAO Yuanhe, CAI Ying, WANG Xuewei, ZHAO Cheng. Spatial evolution and influencing factors of urban environmental pollution supervision level in China[J]. Geographical Research, 2019, 38(7): 1777-1790 https://doi.org/10.11821/dlyj020181135

1 引言

自2010年中国的国内生产总值超过日本成为世界第二大经济体以来,全国经济长期处于高速以及中高速增长,但长期的高速增长严重透支了环境承载能力,以工业生产为代表的生产活动带来了环境污染,在造成较大经济损失的同时,严重威胁着公众的生活环境^[1]。在经济发展取得瞩目成绩的同时也会带来其他的附属效应,整体环境污染的加剧是中国当前面临的主要环境问题之一^[2]。在这样的背景下,最新环保法的重点内容包括政府监管、信息公开、公众参与和重点污染物排放量控制等,这些内容搭建了城市环境污染监管的评价体系,成为国家环境保护政策顺利实施所关注的重点。在经济增速逐渐放缓、大力提倡污染减排以及城市化进程加快的背景下,采用科学方法在中国地级城市尺度上对环境污染监管水平的时空变化特征和影响因素进行分析,对政府日后如何进行宏观调控,减少污染排放,促进社会和谐稳定具有重要意义。
《环境监管能力建设“十一五”规划》是第一个环境监管的专项规划,随着“十一五”环境监管能力规划目标的完成与“十三五”环境监管能力建设的开展,环境监管能力将得到进一步加强,企业将协同政府进一步向公众开放污染信息。国内外相关研究成果对中国城市环境监管水平的研究具有重要的借鉴意义。傅强等研究发现,由于政府间不当的竞争关系会使地方政府为了短期利益而放松对污染的控制,造成了当地环境的破坏^[3]。Oates等研究表明为吸引投资、大力发展地方经济、创造就业机会,地方政府竞相降低税负,同时大量投资于基础设施,将导致对环境监管等公共服务的支出水平下降,进而影响环境污染监管水平下降^[4]。Cai L等研究表明政府同污染型企业的动态平衡关系有利于抑制当地的环境污染^[5]。Ran X等发现加强法律的责任追究、政府和第三方的监督更有利于提高环境污染监管水平 ^[6]。众多****研究城市规模^[7,8]、人口密度^[9,10]、产业结构^[11,12]、经济发展水平^[13]、能源结构^[14,15],对外开放程度^[16]等因素对城市环境污染的影响。同时分析政府监管^[17]、信息公开^[18]、公众参与^[19]以及重点污染物排放量^[20]与环境污染监管水平的关联程度,试图完善环境污染监管体系。但这些研究多针对某一城市或者地区,关于规模分布的研究不全面,对时空分布规律的探讨仍然较少。
基于以上分析,本文以中国地级城市数据为研究对象,使用位序—规模法则和空间自相关方法对中国地级市环境污染监管水平的时空演化和区域差异进行了实证分析;采用空间计量模型,探究城市环境污染监管水平的影响因素,并进一步对空间溢出效应进行分析。本研究不仅在于可以分析城市层面造成监管水平差异的原因,也为国家对污染治理采取有效措施,加强城市之间关于环境监管信息的交流,为节能减排、污染监管等项目的顺利实施提供参考性建议,为政府资金项目发放,监管设备的投入以及政策的制定提供了一定的依据。

2 研究方法

2.1 全局空间自相关

本文采用空间自相关分析方法对城市污染监管水平在空间的集聚形态上进行描述。全局空间自相关一般采用Moran's I系数分析空间关联性以及空间差异性^[21],相关模型为：
I=n∑i=1nxi-x?∑j=1nWijxj-x?∑i=1nxi-x?2∑i=1n∑j=1nWij（1）
式中：I为Moran's I指数;n为研究地级市个数;i和j分别为i区域和j区域的污染监管水平;x为环境污染监管水平的均值表示空间权重;W_ij为空间权重矩阵。本文采用反距离权重矩阵,Moran's I值位于-1~1之间,对I值进行Z（I）检验,若其显著结果为正,表示城市污染监管的强度存在空间正相关关系,若显著为负,则表示城市污染监管的强度存在空间负相关性,为零则不存在假设的相关性。

2.2 局域空间自相关

研究局部城市空间的集聚情况,采用冷热点分析方法,判别位于不同空间城市的高值集聚区和低值集聚区,识别污染监管水平的空间依赖性和异质性,表达式为：
Gi=∑j=1nWijxj∑i=1nxi（2）
式中：若Z（G_i）显著为正,说明污染监管的程度高度空间集聚,即为高值集聚区域;若显著为负,则为低值区。Z（G_i）由高到低进行划分为：高值区、中高值区、中低值和低值区四类。

2.3 空间计量模型

空间滞后模型（SLM）、空间误差模型（SEM）、空间杜宾模型（SDM）等模型能够有效的处理普通线性回归分析所无法解决的空间依赖性问题^[22,23]。根据这几种模型方程的特点,选用适用范围最广、局限性最小的空间杜宾模型进行模型构建^[24,25]。为了验证对污染监管水平的影响,构建如下模型,表达式为：

式中：SOC表示城市环境监管水平;SOC_it表示某城市在该年份下的城市环境监管水平（以下变量名称同理）;POP是城市人口密度;URB是城市的建成区面积,用来表示城市规模;GDP表示该城市年末生产总值;FDI表示该城市的外商直接投资;SEC表示该城市第二产业GDP占比;TER表示该城市第三产业GDP占比;INT表示该城市的电力能源结构;WAT表示城市年废水排放量;SO2表示城市年二氧化硫排放;SMO表示城市年烟尘排放;下标t表示所对应的年份;i表示所选取的城市;ε_it为扰动项。变量详细含义见表1。为了考察城市人口、产业结构、能源结构、对外开放程度、城市规模、污染物排放量等解释变量对被解释变量环境污染监管水平的影响,模型对人口、经济、排放量等因素取对数表示。
Tab. 1
表1
表1主要变量的定义与解释
Tab. 1Definition and explanation of variables

变量	说明	观测值	均值	标准差	最小值	最大值	VIF
year	环境污染监管的对应年份	815	2013	1.999	2010	2016	—
lnSOC	中国城市污染监管的水平（对数形式）	815	3.656	0.428	2.116	4.446	—
lnPOP	城市市辖区的人口密度（对数形式）	815	5.135	0.798	3.016	8.123	3.85
lnURB	城市建成区土地面积（对数形式）	815	5.061	0.797	3.091	7.375	4.54
lnGDP	城市市区年末生产总值（对数形式）	815	17.039	0.883	14.445	19.456	4.40
lnFDI	外商直接投资占比（对数形式）	815	5.677	0.982	0.000	6.673	1.49
lnINT	城市电力强度指数（对数形式）	815	0.967	1.428	-4.241	3.634	1.09
SEC	第二产业产值占比	815	0.508	0.098	0.193	0.900	3.84
TER	第三产业产值占比	815	0.412	0.106	0.100	0.802	4.72
lnWAT	城市年废水排放量（对数形式）	815	8.888	0.940	4.477	11.295	2.17
lnSO2	城市年二氧化硫排放量（对数形式）	815	10.885	0.866	6.188	13.258	1.61
lnSMO	城市年烟尘粉尘排放量（对数形式）	815	10.236	1.058	6.586	15.458	1.54

新窗口打开
空间权重矩阵在模型SLM、模型SEM和模型SDM的运算过程中会对结果产生重要的影响,考虑到所研究城市样本的空间特性,本文选用反距离空间权重矩阵（Inverse-distance Based Spatial Weights Matrix）作为系数矩阵。Moran's I的计算以及地图制作使用ArcGIS10.2制作,空间计量模型使用Stata 15.0完成。

2.4 位序-规模法则

引入位序-规模法则,从地级城市污染监管水平与地区城市污染监管位序关系的视角出发,比较验证全国地级城市尺度污染监管水平的集散程度。表达公式如下：
Pi=P1×Ri-q（4）
式中：P_i是第i个城市地区的污染监管分数;P₁是监管水平最大城市的得分情况;R_i是第i地区的位序;q是捷夫指数,用于描述城市污染监管水平和位序之间的集中与分散程度。

3 数据来源与处理

本文共收集了2010—2016年全国120个地级城市及以上城市的相关统计数据,数据来源于《中国城市统计年鉴》《中国区域经济统计年鉴》和“公众环境研究中心”的全国地级市污染监管信息数据库。考虑到时间上的滞后性,所选取的被解释变量数据为滞后一期数据,即前一年的影响因子对后一年污染监管水平所造成的影响。VIF（方差膨胀因子）均小于5,说明不需要做中心化处理来解决多重共线性。表1报告了主要变量的描述性统计以及VIF检验结果。
被解释变量：污染监管水平（SOC）。公众环境研究中心（IPE）与国际自然资源保护协会（NRDC）对全国地级城市的污染监管信息公开状况进行评价。选取公众环境研究中心所发布的《中国120城市污染源环境信息公开指数（PITI）报告》中城市环境监管信息历年评分的分数作为地级市污染监管水平的代理变量。
解释变量：
（1）城市市辖区人口密度（POP）。人口密度变量通常用来表示城市人口规模,用来讨论人口集聚对于环境污染监管的影响。
（2）城市规模（URB）。本文用城市的市区建成区土地面积来度量城市规模大小。
（3）经济发展水平（GDP）。经济增长通常用城市地区生产总值表示,污染水平随着经济发展水平的提高呈现先升后降的趋势,另一方面城市的经济水平的增加也会加大对于污染监管的投入,从而对监管结果造成影响。
（4）对外开放程度（FDI）。由城市当年实际利用外资额占比来表示对外开放程度对城市环境污染监管水平的影响。
（5）能源强度（INT）。电力能源强度被定义为一个地区在一定时间内的电力实际消耗与其GDP的比值（kW·h/元）。当前的电力能源仍以煤炭发电为主,电力能源需求的增加会加剧煤炭等化石能源的消耗,增加污染物的排放量。
（6）产业结构（SEC、TER）。第二产业的化石能源消耗以及废水的排放一直以来都是污染监管的重中之重,随着产业结构的升级,废水废气的排放量会得到控制,可能促进污染监管的实施。
控制变量：考虑到模型的可行性,根据相关文献^[31,32],本文选取城市年废水排放量（WAT）、城市年二氧化硫排放量（SO2）、城市年粉尘排放量（SMO）作为模型的控制变量。

4 研究结果与分析

4.1 中国城市污染监管水平的区域差异

在讨论城市的污染监管水平的空间相关性以及空间溢出效应之前,城市污染监管水平所存在的变化趋势以及区域差异的研究是首先要解决的问题。选择2010年、2012年、2014年、2016年为代表研究年份,采用GIS的自然断裂点进行分级,按得分情况分为高分区、中高分区、中分区、中低分区、低分区五种类型,利用矢量数据符号法对污染监管水平的空间分布进行分析。结果表明：整体来看,2010年、2012年、2014年、2016年四年的平均分为36.14、42.73、44.30、52.34呈现逐年递增的趋势。中国城市的环境监管水平在空间上呈现中国地理空间三大阶梯逐级递减的趋势,在胡焕庸线两侧污染水平差异化明显,符合中国目前的宏观经济格局特征。具体来看,2010—2012年中部和西部污染监管水平明显得到增强增幅程度为11.07%。高分值的区域集中在了北京,珠三角、长三角以及成渝城市群,在2010年低分值区聚集的西部以及中部地区逐渐过渡到了中低分值区域。以山东省的烟台市和青岛市为代表,山东城市群整体的污染监管水平在快速提升。同时低分值区域进一步的减少,仅有内蒙古、山西和新疆等省份仍存在监管水平较低的城市。东北地区持续处于中低分值稳定的状态,但是中部地区明显已经过渡到了一个监管水平较高的层面上。2016年,所有监管的城市中已经消除了低分值的区域,仅存有东北部和西北部存在中低值区域,而山东半岛,成渝、长三角,珠三角,京津冀,长江流域等城市群全部处于中分值区域和中高分值区域。

4.2 城市污染监管水平的时空格局变化

基于反距离空间权重矩阵,在ArcGIs10.2软件中中计算各个地级市的污染监管水平分数的Moran's I值,2010—2016年的Moran's I值如表2所示。从表2中可以看出,2010—2016年的Moran's I指数均为正值且通过1%的显著水平检验。2010—2013年各城市的污染监管的空间变化较小,差值为0.060,而2013—2016年各城市的监管水平在空间上的变化较大,Moran's I值的由0.6008减小到了0.4788,但是总体的空间集聚特征仍保持在稳定的状况。所研究地级城市的污染监管水平在空间上呈现出高度集聚特征,即污染监管水平较高的城市与其他污染监管水平较高的城市相临近,污染监管水平较低的城市之间趋于临近。
Tab. 2
表2
表22010—2016年中国地级市污染监管水平的全局Moran's I指数
Tab. 2The overall Moran's I index of pollution regulation in prefecture-level cities in China from 2010 to 2016

年份	Moran's I	方差	Z得分	P值
2010	0.5394	0.0135	4.7165	0.0000
2011	0.4332	0.0135	3.7963	0.0001
2012	0.4380	0.0139	3.7909	0.0002
2013	0.6008	0.0125	5.4398	0.0000
2014	0.5066	0.0126	4.5768	0.0000
2015	0.4206	0.0039	6.8075	0.0000
2016	0.4788	0.0040	7.7095	0.0000

新窗口打开
全局Moran's I值检验的主要作用是验证各个城市监管水平存在全局性的空间相关,但是局部的空间信息未能体现出来,本文采用HH（高高集聚）区域、HL（高低集聚）区域、LH（低高集聚）区域、以及LL（低低集聚）区域来反映局部空间关系（表3,图1）。本文研究时间范围为2010—2016年,这个时间段内中国正处于经济转型的关键时期,全国大量高污染、高耗能企业开始向中、西部地区进行转移。由于环境成本的存在,污染型企业可能向经济欠发达地区进行转移,也就形成了长三角、珠三角,山东半岛等HH（高高集聚）区域,而中西部地区的城市则期望吸引更多的企业落户来带动当地的经济发展,也就会放宽当地的环境监管力度,所以LL（低低集聚区域）基本形成在中西部地区或者经济欠发达地区。HL（高低集聚）区域、LH（低高集聚）区域的形成,是因为位于这两个区域的城市,都是同周围的城市在污染监管水平呈现比较大的反差,成为全国污染监管水平由东南部向西北部递减辐射的断层。
Tab. 3
表3
表3环境污染监管水平的空间集聚模式
Tab. 3Spatial agglomeration mode of environmental pollution supervision level

型区集聚	2010年	2013年	2016年
HH（高高集聚）	广州、惠州、佛山、中山、深圳、珠海 南通、扬州、南京、镇江、上海、嘉兴、宁波、绍兴、台州、福州、舟山、温州	福州、温州、台州、宁波、绍兴、杭州、嘉兴、上海、南通、苏州、无锡、南京、常州、扬州、湖州、盐城、连云港、威海、烟台、青岛、潍坊、淄博、济南、泰安、济宁	烟台、青岛、淄博、济南、泰安、日照、连云港、盐城、南通、上海、苏州、常州、嘉兴、湖州、杭州、绍兴、宁波、温州、台州、广州、佛山、中山、深圳、珠海、东莞
HL（高低集聚）			沈阳
LH（低高集聚）	韶关、湖州	汕头
LL（低低集聚）	赤峰	齐齐哈尔、大庆、抚顺、本溪、太原、临汾、玉溪、昆明、曲靖、攀枝花	牡丹江、金昌、兰州、太原、延安、临汾、张家界

新窗口打开
显示原图|下载原图ZIP|生成PPT
图12010年、2013年、2016年环境污染监管水平的空间集聚散点分布
-->Fig. 1Spatial agglomeration scatter plot of environmental pollution supervision level in 2010, 2013 and 2016
-->

2010—2013年,中国地级城市的污染监管水平的空间关系差异较大,其中以上海、宁波、南京、合肥等东部长三角沿海城市,东南部以福州市为中心城市群共同构成为稳定的HH集聚地区。东南部的珠三角地区的HH集聚区域在减少,但是在江苏省以及山东半岛的部分城市位于HH集聚区域的城市数目在增多。HH集聚的城市区域数量也由2010年的17.6%上升到2014年的26.6%。同时,中西部的LL集聚区域的城市数量也在继续扩张。
2013—2016年空间关系变化区域平稳,HH区域减少,HL区域所占的比例增加,其中位于东北部的城市以及中西部的城市仍然稳定的LL聚集区域,而东南沿海区域中以山东半岛城市群和长三角城市群为代表的城市仍然是稳定的HH聚集地区,同时位于珠三角地区的城市群也重新呈现出了HH集聚的空间特征。总体来看,中国地级城市的污染监管的空间集聚水平均趋于增强,HH集聚区域的城市以及城市群趋于稳定,形成了在时间序列上比较稳定的分布格局,中西部地区形成相对稳定的LL聚集地区,而东部及东南沿海地区形成了稳定了HH聚集地区,这也使得中国城市污染监管的程度呈现东西部差异分布的格局。

4.3 城市污染监管水平离散程度—位序规模法分析

对全国120个地级城市各年份污染监管水平的规模进行排序,并对位序和对应环境污染监管水平进行双对数拟合,结果如表4所示,拟合优度均大于0.75,p<0.01均具有极高的显著性,符合Zipf法则规模分布的内容,本文同时也计算了污染监管水平的首位度指标。
Table 4
表4
表42010—2016年污染监管水平位序_规模双对数回归结果
Table 4Regression results of rank-size double logarithm of pollution supervision from 2010 to 2016

年份	120个地级市				前15个地级市
	q	|q|	R2		q	|q|	R2
2010	-0.4200	0.4200	0.8108		-0.1300	0.1300	0.9612
2011	-0.4453	0.4453	0.7840		-0.1016	0.1016	0.8742
2012	-0.3704	0.3704	0.7741		-0.0810	0.0810	0.9080
2013	-0.3784	0.3784	0.7646		-0.1787	0.1787	0.9409
2014	-0.2859	0.2859	0.7513		-0.0463	0.0463	0.8606
2015	-0.2428	0.2428	0.7799		-0.0613	0.0613	0.9477
2016	-0.2439	0.2439	0.7952		-0.0432	0.0432	0.9521

新窗口打开
2010—2013年间,全国120个地级城市污染监管规模的首位城市均为宁波市,表明宁波市在此时间段内处于全国污染监管的关键地位。2015年和2016年的首位城市分别为北京市和温州市,说明了这个全国范围内污染监管水平高的模范城市的绝对优势在逐渐弱化的态势。
根据全国120城市的污染监管水平历年的得分情况和位序变化之间的关系,将研究时段内全国的各地区城市分为以下三种类型：① 平稳型。规模呈现持续增长,历年位序波动性很小,包括深圳、上海、东莞、杭州、苏州等珠三角以及长三角城市群的城市。② 缓慢增长型。表现为规模在增加,但在污染监管的规模体系中的位序在下降,包括宁波,中山,南京、宜昌、福州等城市。③ 加速增长型。表现为污染监管规模在增加,且序位也相应的在上升,包括青岛、济南、北京、温州等城市。
本文关于污染监管水平的离散程度如图2和表4所示,在位序—规模双对数回归模型中,|q|值均小于1总体上呈不断减少的趋势,从2010年的0.42减少到2016年的0.24。一方面,这说明全国地市级尺度污染监管基本上均属于次位型分布（|q|<1）,污染监管主要集中于东部以及中部的大部分城市,它们仍然是全国污染监管成果的主要贡献者,高位序城市的污染监管更为突出,而部分落后城市的污染监管水平差距并不大。另一方面|q|值的不断增加说明全国120个城市地区的污染监管规模的总体趋势日趋平衡,城市污染监管水平规模分布更趋向于集中而不是分散。本文截取全国污染监管规模前15位的城市及地区进行时间序列分析。全国污染监管水平前15位的地级市的位序-规模双对数回归模型的拟合优度R²均大于0.86,位于位序前15位城市的拟合优度好于全部城市的拟合结果。由于|q|值均小于1,说明在这前15位污染监管的城市中,首位城市的污染监管水平并不突出,各个地区的污染监管规模分布较为均匀。此外,从2010—2016年|q|值的不断减小说明全国前15位城市之间的污染监管规模逐渐缩小,污染监管水平规模分布整体趋向于均匀分布。
显示原图|下载原图ZIP|生成PPT
图22010年和2016年污染监管位序-规模双对数回归结果
-->Fig. 2Regression results of rank-size double logarithm of environmental pollution supervision in 2010 and 2016
-->

4.4 环境污染监管水平的影响因素分析

以2010—2016年120个地级城市的环境污染监管指数为被解释变量,根据中国独特的环境情况以及相关的研究成果选取社会、经济、环境等因素作为解释变量与控制变量进行分析。在回归分析之前对方程的两边同时做取对数化处理目的消除模型可能具有的多重共线性和异方差性。结果如（表5）所示,GLS1是对控制变量,包括城市年废水排放量,城市年二氧化硫排放量,城市年烟粉尘排放量等变量进行回归,GLS2模型是对可能影响城市污染监管水平高低产生影响的变量进行回归,包括城市辖区的人口密度、城市的建成区面积、城市的年末生产总值、城市的产业结构、能源结构等因素进行回归。GLS3模型是在控制污染物排放量可能会对结果造成影响的同时,对所有因素进行回归模拟。在拟合结果中,对各个模型的对数似然值（Log-likelihood）和Wald值进行对比,GLS3模型中的数值均高于GLS1和GLS2,也就验证了污染监管的水平高低是由多方面的因素所造成的。因为城市污染监管水平存在着明显的空间相关性,采用常用的面板回归模型方法对样本数据进行估计的结果会产生误差,选用空间计量模型对被解释变量进行分析更加具有科学性。
Tab. 5
表5
表5GLS、SLM、SEM与SDM的估计结果比较
Tab. 5Estimation results of GLS, SLM, SEM and SDM

VARIABLES	GLS1	GLS2	GLS3	SLM	SEM	SDM
Constant	2.712***	-0.142*	0.847*	0.406**	0.613***	0.044***
lnWAT	0.208***		0.051***	0.053**	0.053*	0.052*
lnSO2	-0.101***		-0.074***	0.018	0.020	0.036*
lnSMO	0.020		-0.009	0.013	0.012	0.014
lnPOP		-0.002	0.006	0.081*	0.083*	0.095**
lnURB		-0.097***	-0.094***	-0.084**	-0.084**	-0.074*
lnGDP		0.293***	0.263***	-0.110	-0.105	0.168***
lnFDI		-0.005	-0.010	0.025*	0.026*	0.026*
lnSEC		0.330***	0.430***	0.157	0.149	0.168*
lnTER		0.499***	0.548***	-0.117	-0.118	-0.014
lnINT		-0.024**	-0.022**	-0.041	-0.001	-0.006
W × lnSOC						0.585***
W × lnWAT						-0.397*
W × lnSO2						-0.282**
W × lnSMO						0.204*
W × lnPOP						-0.094
W × lnURB						0.510*
W × lnGDP						-1.216*
W × lnFDI						-0.003
W × lnSEC						5.248**
W × lnTER						2.826**
W × lnINT						0.062
λ&ρ				0.888***	0.862***	0.862***
R-sq /Wald	190.570	411.970	461.750	0.505	0.538	0.696
adj. R-sq				0.501	0.529	0.673
Log-likelihood	-346.049	-266.397	-250.568	92.673	94.313	104.197
Observations	763	763	763	763	763	763

注：***、**和*分别表示在1%、5%和10%水平下通过显著性检验。
新窗口打开
对于城市污染监管水平而言,根据表5中的模型估计结果,通过对比似然比检验结果,空间杜宾模型（SDM）相比较于其他模型更加适合本文分析。同时代表城市间的外部性对污染监管水平有影响的ρ和λ也都是高度显著的（ρ和λ分别代表空间滞后回归系数和空间误差回归系数）。空间计量模型中,估计结果显著为正的变量是城市的年生产总值、城市的直接外商投资水平、第二产业占比以及城市的人口密度等。说明这些因素的提升对当地区域的环境污染监管水平的提升具有促进效果。本文研究表明：① 城市的经济能力越强,会影响政府的监管部门加大对于环境监管项目的投资,影响环境监管设施数量的投入,监管人员的增加,设备物资的优先分配,进而有效的影响到了环境监管水平的提升;② 城市第二产业是经济发展的主要动力之一,在促进了产业结构的优化与升级的同时,一方面减少了工业污染物的排放,另一方面也使得一些企业和重点排污单位的监测信息得到公开,这些都对城市污染监管水平的提升起到促进的作用;③ 城市人口密度的增加所带来的集聚效应,会促进当地地区环境监管技术的进步,如北京、上海、深圳、广州等城市均为人口高密度的城市,这些城市的人口集聚效应所带来的技术进步都促进了城市监管水平的提升。
估计结果显著为负的变量是城市规模变量,说明地区的城市规模的提升并没有改善城市的环境污染情况,反而降低了城市的环境污染监管水平。西安、重庆、哈尔滨、沈阳、东莞、天津等建成区面积较大的城市的环境污染监管水平却一直低于温州、宁波、烟台、连云港等建成区面积较小的城市。本文研究结果表明,由于城市规模的扩大,能源需求持续扩大,作为污染源的一些企业的地理位置会变得更为发散,污染监管设施和环保设施的布置没有同城市规模扩大的速度相一致,直接或间接的导致了政府监管部门的资源配置分布不合理、环境污染监管相关的资金投入不足等情况发生,进一步造成了城市污染监管水平随城市规模的提升而减小。
第三产业占比和能源结构这两个变量的系数都为正,但是其显著性不明显,表明能源结构的调整和第三产业占比对环境污染监管水平的影响作用并不突出。

4.5 环境污染监管水平的空间溢出效应分析

一个城市的解释变量及控制变量的变化不仅影响到本城市的污染监管水平,也会对其他邻近城市的污染监管水平造成影响。本文接下来对空间杜宾模型中的直接效应与间接效应^[26,27]做进一步分析,探索在空间上邻近城市之间可能存在的交互影响,结果见表6。
Tab. 6
表6
表6空间杜宾模型的总效应、直接效应和间接效应
Tab. 6Total, direct and indirect effects of SDM results

	总效应			直接效应			间接效应
	系数	P值		系数	P值		系数	P值
lnWAT	0.0362	0.0312		1.0330	0.0051		-0.5070	0.1045
lnSO2	-0.5697	0.0500		0.0312	0.1321		-0.6009	0.0392
lnSMO	0.5012	0.1032		0.0196	0.2283		0.4906	0.1120
lnPOP	0.0770	0.0416		0.0925	0.0264		-0.0147	0.1831
lnURB	1.0190	0.0564		-0.0607	0.0198		1.0790	0.4764
lnGDP	-2.8750	0.0649		0.2101	0.0005		-2.6640	0.0259
lnFDI	0.0116	0.0417		0.0243	0.0471		-0.0128	0.2477
lnINT	0.1320	0.1035		-0.0494	0.1098		0.1370	0.2133
lnSEC	12.3900	0.0064		0.6360	0.0301		4.0880	0.0220
lnTER	6.1410	0.2209		0.0719	0.3972		6.0690	0.1003

新窗口打开
从直接效应来看,城市的经济发展水平是影响当地城市环境污染监管的关键因素,在1%的水平上显著,系数为0.2101,模型的表明当地城市的GDP总值的提升,都会促进环境污染监管水平的加强,城市的人口和城市的外商直接投资水平直接效应系数分别是0.0925和0.024,且都在5%的水平上显著,说明环境污染监管指示的城市人口规模和经济因素是有效的,城市的人口密度越高,地区的经济越好,本地区的污染监管的水平也就越高。同时地区的开放程度越大,表明地区与外界地区城市之间的联系也就越强,可以借鉴其他地区的监管方法以及引进先进的环境污染监管技术,进而提升本地城市的污染监管水平。另外,直接效应中还可以看出在城市的产业结构和城市规模方面也是呈现的显著性,系数分别是0.636和-0.060,第二产业的占比越大,区域的污染监管水平也就相应的越高,当地对于污染监管的意识也就越强,导致监管的效果明显。然而城市的规模越大,所带来的是可能面临更大的监管难度,所以本文中城市规模对污染监管水平可能存在反方向的影响。
从间接效应来看,二氧化硫污染物排放量和城市经济发展情况对于污染监管水平的集聚具有非常重要的作用。首先二氧化硫排放量和城市市区GDP的间接效应的系数分别是-0.6009和-2.6640,并且都在5%的水平上显著,表明城市的经济发展水平和二氧化硫排放量对周边临近城市的污染监管水平都有明显的溢出效应。间接效应都为负值说明了城市污染物排放量和城市经济的提升会对周边地区产生负向的影响,即本地的城市污染物排放量越高,市区GDP的值越高,周边地区的污染监管水平会有所下降。城市的第二产业规模的系数在5%水平下显著为正,说明了本地的第二产业结构的比例越高的同时也会相应的增加邻近地区的监管力度,也就会导致了邻近地区的监管水平上升同时符合了中国城市群或者区域发展的情况。但是城市规模因素以及能源技术因素确是本地化的,并没有对周边地区的碳排放起到影响的作用。

5 结论与讨论

5.1 结论

本文经过对中国城市环境污染监管水平的位序规模分布和时空特征进行分析,探究了环境污染监管水平的影响因素,运用空间计量模型,采用量化分析的方法解析了中国城市污染监管水平的区域差异、时空分布格局、影响因素以及空间溢出效应,结论如下：
（1）污染监管水平在空间上存在着显著的空间自相关性,其中长三角地区和珠三角地区为比较稳定的污染监管高值聚集地区,并且近年来扩展到山东半岛城市群,中西部地区为稳定的低值聚集地区,说明污染监管水平具有明显的区域性和集聚性特征。
（2）2010—2016年全国监管城市的污染监管情况整体呈现上升趋势,全国地市级尺度污染监管基本上均属于次位型分布,污染监管水平高的城市主要集中于东部以及中部地区,高位序城市的污染监管更为突出,而部分落后城市的污染监管水平差距并不大;在前15位污染监管的城市中,排名首位的城市污染监管水平并不突出,各个地区的污染监管规模分布较为均匀,前15位城市之间的污染监管规模逐渐缩小,污染监管规模分布更加趋向于分散。
（3）选用在空间计量模型对影响因素进行分析,比较三种模型以及基准回归模型后,最大似然比检验的结果证明空间杜宾模型的拟合效果最好,城市人口密度,经济发展水平等对污染监管有正向效应,城市规模对污染监管有显著的负向效应。研究结果表明,不仅存在影响本地污染监管水平的直接效应,也存在影响邻近城市污染监管水平的间接效应,也称溢出效应。
（4）在影响因素中起到正向直接效应的是城市经济发展水平、人口密度、开放程度、以及产业结构;城市规模则是起到负向影响作用的直接效应;在间接效应（溢出效应）中起到正向的间接效应是第二产业的产值占比,即本地区第二产业的提升有利于邻近城市提升污染监管水平,目的在于有利于预防污染企业的转移,城市的二氧化硫排放量以及经济发展水平对于污染监管水平的集聚具有非常重要的负向作用。

5.2 讨论

伴随着环保类政策法规的颁布,政府与公众之间信息通达度的提升,全国城市污染监管的空间格局也处于动态变化之中,由最初的两极分化严重逐年向相对平衡的状态过度。本文针对以上研究结论表明,不同城市可能因为所处的地理位置、政策执行能力、信息披露程度、以及内在因素的不同,所导致的监管水平的差异较大。对于胡焕庸线两侧的城市^[28,29],右侧的城市之间的互动较为密切,污染监管的水平也就越高,所以一方面在制定相应的监管政策的时候需要考虑各个城市的多方面因素,做到因地制宜,另一方面也要加强胡焕庸线两侧城市的交流互动,提升经济发展水平,促进技术进步,优化产业结构,提升人口空间规模加强对外开放程度,但是也要注意避免“污染天堂”的情况的出现,才能尽快的改善国家现阶段发展与污染之间的矛盾。
The authors have declared that no competing interests exist.

---

参考文献文献选项 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]	Ke Shanzi, Edward Feser.Count on the growth pole strategy for regional economic growth? Spread-backwash effects in greater central china . Regional Studies, 2010, 44(9): 1131-1147.https://doi.org/10.1080/00343400903373601URL [本文引用: 1]
[2]	陆大道. 中速增长:中国经济的可持续发展 . 地理科学, 2015, 35(10): 1207-1219.URLMagsci [本文引用: 1]摘要 中国实现了国民经济的长期高速增长,但已面临着突出的结构性难题。针对这一问题,不循以投资、消费和出口论证未来经济增长速度的传统路径,而对支持经济增长的资源(能源)、环境(承载力)及建立在资源环境基础上的城镇化和发展模式等支撑系统能力进行了分析。在这些分析基础上,进行了综合集成研究并得出结论:中国经济将较快地进入中速增长。中速经济增长,将为建设经济强国和实现中国和谐社会提供重要的机遇和空间。 [Lu Dadao.Moderate-speed growth: Sustainable development of China's economy . Scientia Geographica Sinica, 2015, 35(10): 1207-1219.]URLMagsci [本文引用: 1]摘要 中国实现了国民经济的长期高速增长,但已面临着突出的结构性难题。针对这一问题,不循以投资、消费和出口论证未来经济增长速度的传统路径,而对支持经济增长的资源(能源)、环境(承载力)及建立在资源环境基础上的城镇化和发展模式等支撑系统能力进行了分析。在这些分析基础上,进行了综合集成研究并得出结论:中国经济将较快地进入中速增长。中速经济增长,将为建设经济强国和实现中国和谐社会提供重要的机遇和空间。
[3]	傅强, 马青, Sodnomdargia Bayanjargal.地方政府竞争与环境规制: 基于区域开放的异质性研究 . 中国人口·资源与环境, 2016, 26(3): 69-75. [本文引用: 1] [Fu Qiang, Ma Qing, Sodnomdargia Bayanjargal.Local government competition and environmental Regulation: Based on regional openness. China Population , Resources and Environment, 2016, 26(3): 69-75.] [本文引用: 1]
[4]	Oates. The analysis of revenue sharing in a new approach to collective fiscal decisions . The Quarterly Journal of Economics, 1971, 85(3): 416-439.https://doi.org/10.2307/1885931URL [本文引用: 1]
[5]	Cai L, Cai W, Xiong Z, et al.Research on multi-players evolutionary game of environmental pollution in system dynamics model . Journal of Computational and Theoretical Nanoscience, 2016, 13(3): 1979-1984.https://doi.org/10.1166/jctn.2016.5143URL [本文引用: 1]
[6]	Ran X, Yanrong W, Wenbin W, et al.Evolutionary game analysis for third-party governance of environmental pollution . Journal of Ambient Intelligence and Humanized Computing, 2018, (5): 1-12. [本文引用: 1]
[7]	张淑平, 韩立建, 周伟奇, 等. 城市规模对大气污染物NO2和PM2. 5浓度的影响 . 生态学报, 2016, 36(16): 5049-5057. [本文引用: 1] [Zhang Shuping, Han Lijian, Zhou Weiqi, et al.Impact of urban population on concentrations of nitrogen dioxide ( NO2) and fine particles (PM2.5) in China . Acta Ecologica Sinica, 2016, 36(16): 5049-5057.] [本文引用: 1]
[8]	陆铭, 冯皓. 集聚与减排: 城市规模差距影响工业污染强度的经验研究 . 世界经济, 2014, (7): 86-114. [本文引用: 1] [Lu Ming, Feng Hao.Agglomeration and emission reduction: An empirical study on the impact of urban size gap on industrial pollution intensity . World Economy, 2014, (7): 86-114.] [本文引用: 1]
[9]	胡志强, 苗健铭, 苗长虹. 中国地市尺度工业污染的集聚特征与影响因素 . 地理研究, 2016, 35(8): 1470-1482. [本文引用: 1] [Hu Zhiqiang, Miao Jianming, Miao Changhong.Agglomeration characteristics of industrial pollution and their influencing factors on the scale of cities in China . Geographical Research, 2016, 35(8): 1470-1482.] [本文引用: 1]
[10]	张志斌, 潘晶, 达福文. 兰州城市人口空间结构演变格局及调控路径 . 地理研究, 2012, 31(11): 2055-2068. [本文引用: 1] [Zhang Zhibin, Pan Jing, Da Fuwen.Population spatial structure evolution pattern and regulating pathway in Lanzhou City . Geographical Research, 2012, 31(11): 2055-2068.] [本文引用: 1]
[11]	邵帅, 李欣, 曹建华, 等. 中国雾霾污染治理的经济政策选择: 基于空间溢出效应的视角 . 经济研究, 2016, 51(9): 73-88. [本文引用: 1] [Shao Shuai, Li Xin, Cao Jianhua, et al.China's economic policy choices for governing smog pollution based on spatial spillover effects . Economic Research, 2016, 51(9): 73-88.] [本文引用: 1]
[12]	王菲, 董锁成, 毛琦梁. 中国工业结构演变及其环境效应时空分异 . 地理研究, 2014, 33(10): 1793-1806. [本文引用: 1] [Wang Fei, Dong Suocheng, Mao Qiliang.Evolution of China's industrial structure and spatial-temporal differentiation in environmental effect . Geographical Research, 2014, 33(10): 1793-1806.] [本文引用: 1]
[13]	陈祖海, 雷家华. 中国环境污染变动的时空特征及其经济驱动因素 . 地理研究, 2015, 34(11): 2165-2178. [本文引用: 1] [Chen Zuhai, Lei Jiahua.The spatial-temporal characteristics and economic drivers of environmental pollution changes in China . Geographical Research, 2015, 20(5): 47-59.] [本文引用: 1]
[14]	刘满凤, 谢晗进. 中国省域经济集聚性与污染集聚性趋同研究 . 经济地理, 2014, 34(4): 25-32.URL [本文引用: 1]摘要 首先分别用Herfindahl指数、Gini指数、地理集中度指数测度了我国省级区域的经济集聚度水平与污染集聚度水平,通过空间相关性检验,证明了经济集聚度与污染集聚度存在很强的正相关关系,即经济的集聚加速了污染的集聚,并且污染的集聚态势趋同于经济的集聚态势。其次,应用空间误差模型分析了影响污染集聚的因素。经济集聚是引起污染集聚的首要决定因素,能源消费、城镇化进程、外商直接投资都会显著促进污染的集聚;技术创新则会显著降低污染的集聚;产业结构对污染集聚的作用不显著;人口的集聚性高则未必会引起污染的集聚性高,如我国的上海和北京等发达城市,尽管人口密度很大,但是由于污染处理及时得力,并没有引起污染的迅速集聚。 [Liu Manfeng, Xie Hanjin.The convergence research of economy aggregation and pollution aggregation among China's provinces . Economic Geography, 2014, 34(4): 25-32.]URL [本文引用: 1]摘要 首先分别用Herfindahl指数、Gini指数、地理集中度指数测度了我国省级区域的经济集聚度水平与污染集聚度水平,通过空间相关性检验,证明了经济集聚度与污染集聚度存在很强的正相关关系,即经济的集聚加速了污染的集聚,并且污染的集聚态势趋同于经济的集聚态势。其次,应用空间误差模型分析了影响污染集聚的因素。经济集聚是引起污染集聚的首要决定因素,能源消费、城镇化进程、外商直接投资都会显著促进污染的集聚;技术创新则会显著降低污染的集聚;产业结构对污染集聚的作用不显著;人口的集聚性高则未必会引起污染的集聚性高,如我国的上海和北京等发达城市,尽管人口密度很大,但是由于污染处理及时得力,并没有引起污染的迅速集聚。
[15]	黄茂兴, 林寿富. 污染损害、环境管理与经济可持续增长: 基于五部门内生经济增长模型的分析 . 经济研究, 2013, (12): 30-41. [本文引用: 1] [Huang Maoxing, Lin Shoufu.Pollution damage, environmental management and sustainable economic growth: Based on the analysis of five-sector endogenous economic growth model . Economic Research, 2013, (12): 30-41.] [本文引用: 1]
[16]	姜磊, 周海峰, 柏玲. 外商直接投资对空气污染影响的空间异质性分析: 以中国150个城市空气质量指数(AQI)为例 . 地理科学, 2018, 38(3): 351-360. [本文引用: 1] [Jiang Lei, Zhou Haifeng, Bai Ling.Spatial heterogeneity analysis of impacts of foreign direct investment on air pollution: Empirical evidence from 150 cities in China based on AQI . Acta Geographica Sincia, 2018, 38(3): 351-360.] [本文引用: 1]
[17]	张宇, 蒋殿春. FDI、政府监管与中国水污染: 基于产业结构与技术进步分解指标的实证检验 . 经济学(季刊), 2014, 13(2): 491-514. [本文引用: 1] [Zhang Yu, Jiang Dianchun.FDI, government supervision and the water-pollution in China: An empirical test based on the decomposition of industrial structure and technological proress . China Economics Quarterly, 2014, 13(2): 491-514.] [本文引用: 1]
[18]	郑若娟. 中国重污染行业环境信息披露水平及其影响因素 . 经济管理, 2013, (7): 35-46. [本文引用: 1] [Zheng Ruojuan.A study on the quality and determinants of environmental information disclosure in Chinese heavily polluting industry . Economic Management, 2013, (7): 35-46.] [本文引用: 1]
[19]	郑思齐, 万广华, 孙伟增, 等. 公众诉求与城市环境治理 . 管理世界, 2013, (6): 72-84. [本文引用: 1] [Zheng Siqi, Wan Guanghua, Sun Weizeng, et al.Public appeal and urban environmental governance . Management World, 2013, (6): 72-84.] [本文引用: 1]
[20]	马丽. 基于LMDI的中国工业污染排放变化影响因素分析 . 地理研究, 2016, 35(10): 1857-1868. [本文引用: 1] [Ma Li.Decomposition of China's industrial environment pollution change based on LMDI . Geographical Research, 2016, 35(10): 1857-1868.] [本文引用: 1]
[21]	刘海猛, 石培基, 潘竟虎, 等. 中国城镇房价收入比时空演变的多尺度分析 . 地理科学, 2015, 35(10): 1280-1287.Magsci [本文引用: 1]摘要 从全国、省级、市级多个尺度,运用空间自相关和变异系数等方法对中国1999~2012年城镇房价收入比的时空演变特征和分异规律进行了系统分析。结果表明:①中国城镇房价收入比的时空格局演变特征表现出明显的空间尺度效应,国家尺度呈波动上升趋势,省级尺度先上升后分异,大中城市不断升高,且在2007~2011年省、市级尺度下存在较显著的空间自相关,表明近年来中国房地产市场的空间邻近联动性明显增强; ②房价收入弹性分析表明2003~2012年全国大约70%的大中城市居民的收入涨幅赶不上房价涨幅,部分城市泡沫存在的可能性较大,居民住房支付能力不断下降; ③全国和东部地区省份间的空间差异2003年之前为缩小趋势,之后逐渐增大,中西部省份间差异较小且基本处于缩小态势,市级房价收入比的差异要明显高于省级尺度的差异且呈上升趋势,空间差异的变化存在尺度效应和分区效应。 [Liu Haimeng, Shi Peiji, Pan Jinghu, et al.Spatio-temporal evolution on housing price to income ratio of China by multiscale analysis . Scientia Geographica Sinica, 2015, 35(10): 1280-1287.]Magsci [本文引用: 1]摘要 从全国、省级、市级多个尺度,运用空间自相关和变异系数等方法对中国1999~2012年城镇房价收入比的时空演变特征和分异规律进行了系统分析。结果表明:①中国城镇房价收入比的时空格局演变特征表现出明显的空间尺度效应,国家尺度呈波动上升趋势,省级尺度先上升后分异,大中城市不断升高,且在2007~2011年省、市级尺度下存在较显著的空间自相关,表明近年来中国房地产市场的空间邻近联动性明显增强; ②房价收入弹性分析表明2003~2012年全国大约70%的大中城市居民的收入涨幅赶不上房价涨幅,部分城市泡沫存在的可能性较大,居民住房支付能力不断下降; ③全国和东部地区省份间的空间差异2003年之前为缩小趋势,之后逐渐增大,中西部省份间差异较小且基本处于缩小态势,市级房价收入比的差异要明显高于省级尺度的差异且呈上升趋势,空间差异的变化存在尺度效应和分区效应。
[22]	Pedro V.Testing for spatial error dependence in probit models . Letters in Spatial and Resource Sciences, 2013, 6(2): 91-101.https://doi.org/10.1007/s12076-012-0089-9URL [本文引用: 1]
[23]	Anselin L, Bera A K, Florax R, et al.Simple diagnostic tests for spatial dependence . Regional Science & Urban Economics, 1993, 26(1): 77-104. [本文引用: 1]
[24]	Massidda C, Etzo I.The determinants of Italian domestic tourism: A panel data analysis . Tourism Management, 2012, 33(3): 0-610. [本文引用: 1]
[25]	Elhorst J P.Specification and estimation of spatial panel data models . International Regional Science Review, 2003, 26(3): 244-268.https://doi.org/10.1177/0160017603253791URL [本文引用: 1]
[26]	戚伟, 刘盛和. 中国城市流动人口位序规模分布研究 . 地理研究, 2015, 34(10): 1981-1993. [本文引用: 1] [Qi Wei, Liu Shenghe.Research on the rank-size distribution rule of China's urban floating population . Geographical Research, 2015, 34(10): 1981-1993.] [本文引用: 1]
[27]	Polasek. Incorporating transportation network structure in spatial econometric models of commodity flows . Spatial Economic Analysis, 2008, 3(2): 225-245.https://doi.org/10.1080/17421770801996672URL [本文引用: 1]
[28]	戚伟, 刘盛和, 赵美风. “胡焕庸线”的稳定性及其两侧人口集疏模式差异 . 地理学报, 2015, 70(4): 551-566. [本文引用: 1] [Qi Wei, Liu Shenghe, Zhao Meifeng.Study on the stability of Hu Line and different spatial patterns of population growth on its both sides . Acta Geographica Sinica, 2015, 70(4): 551-566.] [本文引用: 1]
[29]	陈明星, 李扬, 龚颖华, 等. 胡焕庸线两侧的人口分布与城镇化格局趋势: 尝试回答李克强总理之问 . 地理学报, 2016, 71(2): 179-193. [本文引用: 1] [Chen Mingxing, Li Yang, Gong Yinghua, et al.The population distribution and trend of urbanization pattern on two sides of Hu Huanyong population line: A tentative response to Premier Li Keqiang . Acta Geographica Sinica, 2016, 71(2): 179-193.] [本文引用: 1]