李花¹, 赵雪雁¹, 王伟军¹, 薛冰²1. 西北师范大学地理与环境科学学院,兰州 730070
2. 中国科学院沈阳应用生态研究所,沈阳 110016

Spatio-temporal differentiation and influencing factors of urban industrial pollution in China based on multi-scales: 2005-2015

LI Hua¹, ZHAO Xueyan¹, WANG Weijun¹, XUE Bing²1. College of Geography and Environment Science, Northwest Normal University, Lanzhou 730070, China
2. Institute of Applied Ecology, Chinese Academy of Sciences, Shenyang 110016, China

收稿日期:2018-05-13修回日期:2018-09-21网络出版日期:2019-08-20

基金资助:

中国科学院A类战略性先导科技专项.XDA19040502 国家自然科学基金项目.41661115 中国科学院内陆河流域生态水文重点实验室开放基金.KLEIRB-2S-16-03 中国科学院青年创新促进会.2016181

Received:2018-05-13Revised:2018-09-21Online:2019-08-20
作者简介 About authors
李花（1991-）,女,甘肃景泰人,博士研究生,主要从事生态经济与区域发展研究E-mail:lihuanwnu@163.com。






摘要
工业污染作为影响人类健康、社会进步以及可持续发展的热点问题,已引起全球视野的高度关注。采用变异系数、泰勒指数、EDSA及SDM模型等方法,从大区-城市群-城市尺度探析了中国城市工业污染的时空分异特征及影响因素,旨在为政府制定环境政策及推动生态文明建设提供参考。结果发现：① 2005—2015年中国城市工业污染指数总体呈波动下降趋势,但污染差异逐趋增大;大区、城市群、城市尺度的工业污染指数分别呈现“东高西低、集群化、级差化”特征,且各尺度污染差异显著;工业污染重心偏向东部并呈现南移态势。② 中国城市工业污染类型转移由简单转移过渡为复杂转移;大区保持“东部>中部>东北>西部”的污染格局不变;城市群污染呈现由北向南、由内向外跃迁格局;城市污染呈现由中心向外围缩减、碎片化向集中分布格局,且存在一定的空间依赖性。③ 各尺度工业污染的影响因素存在差异,城市化率与产业结构对3个尺度工业污染均有显著影响,人口密度、能源强度和环境管制强度对大区和城市尺度工业污染影响显著,工业发展水平和外资水平仅对大区尺度工业污染产生显著影响,而科技水平对3个尺度的工业污染均未产生显著影响。最后,提出了降低城市工业污染排放的对策建议。
关键词： 多尺度;工业污染;时空分异;影响因素

Abstract
Industrial pollution, as one of the major issues closely related to human health, social progress and sustainable development, has drawn a great concern for global vision. This paper uses the methods of coefficient of variation, Theil index, EDSA and SDM model to analyze the spatio-temporal differentiation and the influencing factors of urban industrial pollution (UIP) in China from region-urban agglomeration-urban scales, aiming to provide reference for formulating environmental policies and promoting the development of ecological civilization. The results show that: (1) China's UIP index was declining in fluctuations in 2005-2015, but the overall inequality presented an expanding trend. The industrial pollution index respectively presented the features of "high in the east and low in the west, clustering, and grade-difference" at the regional, urban agglomeration, and urban scales, and the pollution difference of each scale was significant. The gravity center curve of UIP was biased towards the east and showed a southward shift. (2) China's UIP types had transferred from simple shift to complex shift. The pollution pattern of "Eastern>Central>Northeast>West" remained unchanged at regional scale. Urban agglomeration-scale pollution exhibited a pattern of transition from north to south and from inside to outside. Urban-scale pollution presented an evolutionary pattern of shrinking from the center to the periphery and fragmentation to concentration distribution, and it had a certain spatial dependence. (3) There were differences in the influencing factors of industrial pollution at multi-scales. Urbanization rate and industrial structure had significant effects on industrial pollution at the three scales, population density, energy intensity and environmental regulatory intensity, which all had significant impact on industrial pollution at regional and urban scales, the level of industrial development and foreign capital only had significant influence on industrial pollution at regional scale, while the level of science and technology had no significant impact on industrial pollution at the three scales. Finally, we put forward some countermeasures and suggestions to reduce the UIP emissions.
Keywords：multi-scales;industrial pollution;spatio-temporal differentiation;influencing factors


PDF (16618KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
李花, 赵雪雁, 王伟军, 薛冰. 基于多尺度的中国城市工业污染时空分异及影响因素. 地理研究[J], 2019, 38(8): 1993-2007 doi:10.11821/dlyj020180480
LI Hua. Spatio-temporal differentiation and influencing factors of urban industrial pollution in China based on multi-scales: 2005-2015. Geographical Research[J], 2019, 38(8): 1993-2007 doi:10.11821/dlyj020180480

1 引言

工业革命在促使世界经济飞速发展的同时也带来了空前的能源与资源危机、生态与环境危机等多重挑战,节能减排是应对全球环境问题的必然选择,也是中国实现可持续发展的现实需求。进入21世纪,中国工业化进程持续加快,然而,工业化在助推经济高速发展的同时也造成了举世瞩目的资源消耗与环境污染问题。当前,中国主要污染物排放量仍居世界前列,工业污染排放量占全国污染总量70%以上,而城市是工业污染的主要源地。2015年城市工业废水、工业SO₂和工业烟（粉）尘排放量分别占全国污染总量的27.1%、83.7%、80.1%。面对如此严峻的挑战,国家全力推行工业污染治理战略,并将工业污染源全面达标排放作为25项国家生态环境保护重大工程之一;党的十九大报告再次强调“绿水青山就是金山银山”的发展理念和坚持节约资源与保护环境的基本国策,中国环保事业已从简单的环境污染治理上升到生态文明建设和构建人与自然和谐的国家战略高度。当前,急需辨明工业污染的时空格局及影响因素,为政府制定有效的环境政策及推动生态文明建设提供参考。

如何推进绿色发展?如何解决突出环境问题?这已成为环境地理学研究的重要挑战。国际上关于环境污染的研究始于20世纪90年代,最初针对环境质量与经济水平的倒“U”型关系提出了“环境Kuznets曲线”假说,引发大量****进行实证研究^[1,2,3,4]。进入21世纪,研究视角逐渐转至工业化领域,主要采用平均迪氏指数法^[5]、空间自相关^[5,6,7,8]、最小二乘回归^[6]、地理加权回归^[7]及空间计量模型^[8]等方法,研究了能源消费与污染水平^[6]、产业集群与环境质量^[9]、工业污染与人类健康^[10]、工业污染与公共安全^[11]以及工业污染的影响因素^[6-9,12]等方面内容。研究发现,工业污染对健康、房价及公共安全等均产生显著影响。经济增长、能源消耗、产业集聚等是影响污染的主要因素,但制度与政策缺陷是污染排放加剧的根本原因。国内对环境污染的研究聚焦于环境Kuznets曲线^[13]、碳排放强度^[14]、环境污染源^[15]、环境污染事件^[16]、污染健康压力^[17]、空气污染^[18,19,20]以及工业污染^{[21,22,23,24,25]}等的演变趋势、时空格局或驱动机制探索,研究方法涉及EKC模型^[12]、空间自相关^[18,19,20]、空间计量模型^[19,20,23]、地理探测器^[18]、重心转移曲线^[16,25]、LMDI指数^[22,26]及STIRPAT模型^[24]等。既往研究普遍认为,中国环境污染并未随经济增长得到改善。省区、地市等尺度的工业污染均表现出显著的空间集聚性和空间溢出效应,但不同时段、不同类型污染物的空间分布、区域差异、重心演变及驱动机制存在较大差异,并强调应从经济、产业、外资、能源及政策等多方面因地制宜的制定差异化工业污染防治措施。

综合来看,已有研究多针对截面数据或单一污染源的空间格局或影响因素分析,对多污染源导致的工业综合污染的时空演变特征及驱动因素探析较少,且采用的方法未能综合考虑污染的时间和空间溢出效应以及影响因素对污染的直接和间接效应。另外,研究视角多从国家或省域层面出发,尺度略显单一,难以全面反映污染的时空分异特征及机理差异。鉴于此,以2005—2015年为研究时段,以全国285个地级市为基本研究单元,基于工业废水、工业SO₂和工业烟（粉）尘排放量计算工业污染综合指数,并采用变异系数、泰勒指数、EDSA及SDM模型等方法,从大区-城市群-城市的多尺度出发剖析了中国城市工业污染的时空分异特征及影响因素,旨在为政府制定有效的环境政策及推动生态文明建设提供参考。

2 数据来源与研究方法

2.1 数据来源

以全国地级市为基本研究单元,地级市工业废水、工业SO₂和工业烟（粉）尘排放量数据来源于2006—2016年《中国城市统计年鉴》,工业产值、人口密度、城市化率、产业结构、外资水平、环境管制强度、科技水平等数据来源于2006—2016年《全国分县市人口统计资料》《中国城市统计年鉴》《区域经济统计年鉴》、相关省（自治区、直辖市）、地市级统计年鉴及环境统计公报,个别指标缺失数据采用插值法进行补充。因数据获取有限,研究区域不包括台湾省、西藏自治区、香港和澳门特别行政区等,最终统计研究单元共计285个。

2.2 研究方法

2.1.1 工业污染指数测度 计算工业污染综合指数来评估城市工业污染程度。因熵值法能有效反映指标信息的效应价值并降低评价者的主观性,故采用熵值法^[27]确定指标权重。首先采用极差法(采用Z_ij=(x_j-x_jmin)/(x_jmax-x_jmin)对指标进行标准化处理。)对各指标进行标准化处理,再计算各指标的熵值、冗余度和权重,然后计算2001年、2010年和2015年3个时间节点的指标权重平均值得到工业废水、工业SO₂及工业烟（粉）尘的权重分别为0.25、0.17、0.58,最后采用加权求和法得到各城市的工业污染综合指数P_ij。计算公式如下：

（1）Pij=∑j=13Zij×wij
式中：P_ij为i城市的工业污染综合指数;Z_ij为i城市j变量的标准化值;w_ij为j变量的权重;P_ij值越大表明工业污染程度越高。

2.2.2 区域差异分析 采用变异系数^[27]和泰勒指数^[27]分别测度不同区域工业污染的差异程度和区域内及区域间工业污染的相对差异,变异系数和泰勒指数越大表明区域差异越大,反之亦然。

2.2.3 空间格局分析 采用EDSA方法中的全局Moran's I指数测定工业污染的空间集聚程度,I>0表示相似属性集中,I<0表示相异属性集中,I为0表示随机分布。采用Getis-Ord G^*统计量测度工业污染在局部空间的依赖性及异质性,G_i^*（d）值显著为正表示高值聚类,即“热点区”;反之为低值聚类,即“冷点区”。计算公式详见参考文献^[26,27];采用重心曲线^[25]进一步探明工业污染时空格局变化,计算过程中的权重采用各城市的工业污染综合指数。

2.2.4 影响因素分析 根据地理学第一定律,空间距离较近的事物存在明显空间依赖性,而空间计量模型可有效解决这种空间依赖性问题。常见的空间回归模型中,空间滞后模型（SLM）可以解释因变量的内生依赖性,空间误差模型（SEM）可以解释误差项的交互效应,而空间杜宾模型（SDM）既可考察因变量的内生依赖性,又可探测外部因子的直接和交互效应^[18,19,20]。研究发现工业污染存在明显空间依赖性,且周边环境对其也存在一定影响^[23]。因此,采用SDM模型能更精确地估计工业污染的空间依赖性及各因子对工业污染的影响。计算公式如下：

（2）yit=β∑j=1nwityjt+δ∑j=1nγwijxi,j,t-1+μi+λiεit
式中：β为回归系数;W为空间权重矩阵;w_ij为W矩阵中的元素;y_jt为j单元t时期工业污染指数;δ为回归残差的空间相关系数;x_i,t-1为i单元t-1时期自变量的行变量;γ为空间滞后系数;μ_i表示空间固定效应;λ_i表示时间固定效应;ε_it表示空间随机误差项。

3 中国城市工业污染的时空分异特征

3.1 工业污染的时序变化特征

2005—2015年中国城市工业污染指数总体呈波动下降趋势（图1）,工业污染指数从0.125降至0.062,降幅为50.4%。分时段看：2005—2010年间,工业污染指数从0.125上升至0.151,增幅达21%。该时段主要受上轮金融危机冲击,多地区采取了资源驱动型发展策略促进经济增长,加之环境监管体系不健全,致使工业污染程度加剧;2010—2015年间,工业污染指数呈波动下降趋势,尤其在2011年工业污染指数较上年相比降幅高达65%,主要是因为2010年国家提出“调整产业结构、发展低碳经济”战略,并明确规定了污染物排放硬指标,同时也开展了环境税征收试点工作,这一系列举措使得工业污染程度急速下降。到2013年,中国雾霾天数显著增加,中央出重拳“对雾霾宣战”,将原本未统计的细颗粒物等也纳入到烟（粉）尘排放量指标中,致使2014年工业污染指数突增至0.094。此后,随着国家对环保的高度重视以及工业生产工艺水平的不断提升,工业污染指数又回落至0.062。

图1

新窗口打开|下载原图ZIP|生成PPT
图12005—2015年中国城市工业污染指数的变化趋势

Fig. 1The change trend of urban industrial pollution index in China in 2005-2015



从变异系数和泰勒指数变化来看（图2）,2005—2015年中国城市工业污染总体差异呈现先缓慢下降后波动上升趋势。变异系数从0.895下降至0.828后波动上升至1.022,总体增幅为14.2%;泰勒指数从0.329下降至0.286后波动上升至0.332,总体增幅为0.9%,工业污染总体差异在波动中逐趋增大。同时,工业污染区内差异波动下降,区间差异稳步上升,区内差异与总体差异趋势基本一致,其中区内差异平均贡献率高达95.7%,可见总体差异主要是由区内差异引起。

图2

新窗口打开|下载原图ZIP|生成PPT
图22005—2015年中国城市工业污染区域差异

Fig. 2The regional inequality of urban industrial pollution in China in 2005-2015



3.1.1 大区尺度的工业污染时序变化特征 大区(参照“十三五规划”提出的西部开发、东北振兴、中部崛起和东部率先的区域发展战略：东部包括北京、天津、河北、山东、江苏、浙江、上海、广东、福建、海南;中部包括山西、河南、安徽、湖南、湖北、江西;西部包括内蒙古、宁夏、陕西、四川、重庆、云南、贵州、广西、甘肃、青海、新疆、西藏;东北包括黑龙江、吉林、辽宁。)间工业污染指数存在明显差异（图1）,但总体均呈现波动下降趋势。2005—2010年间,西部工业污染程度显著低于其他三区,主要是西部发展相对落后,自西部大开发战略实施后经济发展水平才略微增强,工业污染指数也仅增长10%。而东北一直以重工业发展方式为主,工业污染指数高速增长,年均增速高达6.45%。东部和中部经济发展水平相近,工业污染指数交替增长且分别提高30%和20%。大区间工业污染指数总体呈“东北>东部>中部>西部”的“东高西低”递减态势;2010—2015年间,东部工业污染指数下降47.3%,但污染程度跃居首位,中部紧随其后。东北污染程度下跌至第三位,主要是受国家产业结构改革影响,一些重化工企业被迫关停,致使工业污染程度显著下降,降幅高达70.8%。西部受经济发展影响其工业发展规模较小,同时生态重点保护区较多导致工业限制发展区也较多,另外其数据缺失区域较多,一定程度上影响其污染程度较真实值偏低,所以总体处于最低水平。大区间工业污染总体呈“东部>中部>东北>西部”的“东高西低”格局。

从变异系数和泰勒指数来看（图2）,大区间工业污染差异较大,整体呈西部>东部>中部>东北的演变趋势。西部工业污染差异呈波动收敛趋势,变异系数降幅为10.4%,泰勒指数降幅为47%,而其他三区均呈波动上升趋势,表明西部工业污染差异逐年缩小。东北呈波动上升趋势,东部先呈现稳定下降态势至2013年转变为上升趋势,而中部在2011年出现低谷后急剧上升,2012年达到峰值后又急剧下降,波动剧烈但总体减幅最小,说明中部工业污染差异变动强烈,而东北和东部工业污染差异变动较为平稳。总体上,变异系数与泰尔指数变化趋势相似,表明二者对工业污染区域差异测度的吻合度较高。

3.1.2 城市群尺度的工业污染时序变化特征 参照《中国城市群发展报告2015》中确定的20个城市群,剔除未列入“十三五规划”中的江淮城市群以及数据缺失的天山北坡城市群,共计18个城市群单元。其中,国家级、区域性及地区性城市群数量分别为5个、7个、6个。

2005—2015年城市群工业污染指数总体呈波动下降趋势,与全国和大区变化趋势基本一致（图3）。城市群工业污染指数在2005—2010年间由0.132缓慢上升至0.159,在2010—2015年间由0.159波动下降至0.071,工业污染程度总体降低46.37%。从城市群等级来看,国家级城市群城市平均工业污染指数高于区域性和地区性城市群,且城市群城市平均工业污染指数显著高于非城市群城市,工业污染“集群化”特征显著。2005—2010年间,国家级、区域性和地区性城市群工业污染指数均呈增加趋势,增幅分别为20.7%、21%、17.9%,可见低等级城市群工业污染增幅较小;2010—2015年间,城市群工业污染指数虽有波动,但总体呈下降趋势,国家级、区域性和地区性城市群工业污染指数分别降低55.5%、50.5%、60.1%,可见低等级城市群工业污染降幅更大,从侧面反映出范围较小区域更容易改善其工业污染程度。

图3

新窗口打开|下载原图ZIP|生成PPT
图32005—2015年城市群工业污染指数变化趋势

Fig. 3The change trend of industrial pollution index of urban agglomerations in 2005-2015



从变异系数和泰勒指数变化来看（图4）,2005—2015年城市群工业污染总体差异呈先缓慢下降后波动上升趋势,变异系数从0.893下降至0.778后波动上升至1.011,总体增幅为13.2%;泰勒指数从0.308下降至0.254后波动上升至0.322,总体增幅为4.5%,城市群工业污染差异在波动中逐趋增大。其中,城市群内工业污染差异波动下降,城市群间差异稳步上升,群内差异与总体差异变化趋势一致,且平均贡献率高达99%,可见城市群总体差异主要是由群内差异引起。此外,城市群间工业污染差异呈现多样化特征。国家级城市群差异呈波动上升趋势,增幅为39%,区域性和地区性城市群差异呈波动下降趋势,降幅分别为35.7%、61.6%。从全局自相关来看（图5）,城市群Moran's I值呈现“M”型的波动增长趋势,从2005年的0.097增加至2012年的峰值0.178后波动下降至2015年的0.11,且始终通过1%的显著性检验,表明城市群工业污染始终保持显著空间自相关性,且这种相关性逐趋增强。

图4

新窗口打开|下载原图ZIP|生成PPT
图42005—2015年城市群工业污染差异

Fig. 4The industrial pollution inequality of urban agglomerations in 2005-2015

图5

新窗口打开|下载原图ZIP|生成PPT
图5工业污染指数的Moran's I值变化趋势

Fig. 5The Moran's I index trend of industrial pollution index



3.1.3 城市尺度的工业污染时序变化特征 从城市工业污染指数变化来看（图6）,2005—2010年间工业污染程度最轻城市为三亚市,且污染程度持续转良,工业污染指数由0.0008下降至0.0001,降幅为87.5%。重庆市为污染最严重城市,且污染程度持续恶化,工业污染指数由0.7738上涨至0.8903,增幅为15.1%,最大与最小污染指数的差距由967倍扩大至8903倍。可见城市间工业污染存在明显“级差化”分异现象,且这种现象趋于增强态势;2010—2015年间工业污染程度最低的仍为三亚市,污染指数在0.00001~0.0001范围内微弱波动,总体处于不断改善状态。工业污染最严重城市出现更替变化现象,按年份依次为重庆-赤峰-临汾-晋中-唐山-秦皇岛市,工业污染指数在[0.628, 0.890]区间内波动下降,污染程度显著下降29.4%,工业污染差距也由8903倍缩小到7500倍。可见城市间工业污染“级差化”分异特征依然明显,但这种分异趋势在不断缩小。

图6

新窗口打开|下载原图ZIP|生成PPT
图62005—2015年城市工业污染指数变化

Fig. 6The change trend of urban industrial pollution index in 2005-2015



从全局自相关来看（图5）,2005—2015年间Moran's I值在[0.126, 0.233]区间变化,且均通过1%的显著性检验,表明城市工业污染存在正空间自相关关系,工业污染程度相近的城市呈现显著空间集聚态势。但Moran's I值总体呈下降趋势,表明工业污染的空间相关性趋于减弱。此外,城市Moran's I值均大于对应年份城市群Moran's I值,表明城市工业污染空间集聚性更强。分时段看,2005—2010年间Moran's I值波动增长0.006,工业污染空间关系较稳定;2010—2015年间Moran's I值波动下降0.021,工业污染空间关系变化明显,其中2011年和2014年Moran's I值分别达到低谷0.126和峰值0.233,说明2011—2013年间工业污染的空间集聚趋势日益增强,进一步表明2010—2015年间工业污染空间关系复杂多变。

进一步观察中国城市工业污染重心轨迹发现（图7）,2005—2015年工业污染重心总体上偏向东部并在河南省境内的许昌、驻马店和周口市内移动,但与区域几何中心相离较远,污染重心整体呈现向南偏移态势,进一步说明中国城市工业污染空间分布不均衡。2005—2010年,工业污染重心由许昌市向东部方向的周口市偏移,偏移距离为39.4 km,偏移角度为22.67°,重心整体变化幅度较小;2010—2015年,工业污染重心转移变化明显且呈现复杂趋势,与前文分析的中国城市工业污染变化剧烈相符合。总体可分为3个阶段,2010—2012年,工业污染重心向西南方向偏移至驻马店市,偏移距离为128.5 km,偏移角度为61.51°。2012—2014年,工业污染重心沿东北方向逆转向偏移至周口市,偏移距离为147.7 km,偏移角度为52.93°。2014—2015年,工业污染重心在周口市境内向南偏移,偏移距离为69.4 km,偏移角度为-85.4°。

图7

新窗口打开|下载原图ZIP|生成PPT
图72005—2015年中国城市工业污染的重心轨迹

注：该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2016）2923号的标准地图制作,底图无修改。
Fig. 7The gravity center curve of urban industrial pollution in China in 2005-2015

3.2 工业污染的空间分异

基于节能减排战略及中国社会经济发展规划时段,以2005年、2010年及2015年为时间节点,将城市工业污染指数由高到低划分为高、较高、中度、较低及低污染区五种类型。

从污染类型变化来看（图8）：2005—2010年,高度、中度污染区均显著减少,减幅分别为25%、22.5%,低污染区急剧增加,增幅为37.8%,较低和较高污染区基本不变,环境质量极大改善。统计发现23.5%的城市向低水平转移,9.5%的城市向高水平转移,其中跳跃式转移占比4.6%,污染转移较简单,主要以高水平向低水平转移为主;2010—2015年,仅较低污染区增加19.4%,其余类型均为减少趋势,高、较高、中度及低污染区依次减少33.33%、21.1%、12.7%及6.9%,工业污染程度大幅下降。其中,24.2%的城市向低水平转移,21.8%的城市向高水平转移,跳跃式转移占比8.1%,污染转移路径趋于复杂且跳跃式转移明显。

图8

新窗口打开|下载原图ZIP|生成PPT
图8不同区域的工业污染类型变化

Fig. 8The changes of industrial pollution types in different regions



3.2.1 大区尺度的工业污染空间分异 从大区尺度看（图8）,2005—2015年,东北和中部地区均以较低和中度污染区为主转变为以低、较低污染区为主,总占比分别由82.36%和73.22%转为85.29%和73.3%,工业污染程度显著下降;东部地区以低及较低污染区为主且交替变化,总占比由68.57%转为60%,工业污染程度略有增加;西部地区低及较低污染区持续增加,总占比由56.67%增加至90.48%,工业污染大幅改善。其中,东北、中部和西部城市间污染类型以高水平向低水平转移为主,转移比分别为61.76%、38.14%、36.9%,东部地区以低水平向高水平转移为主,转移比为22.86%。可见大区工业污染整体呈下降趋势,但“东部>中部>东北>西部”的“东高西低”的污染格局并未改变,且区内差异依然显著。

3.2.2 城市群尺度的工业污染空间分异 从城市群尺度来看（图9）,工业污染集聚区与中国主要城市群分布相吻合,工业污染“集群化”特征愈加显著。2005—2010年,工业污染程度较高的城市主要集中于京津冀、长三角、成渝、中原、哈长、山东半岛和呼包鄂榆城市群,珠三角、北部湾、海峡两岸和滇中城市群工业污染程度持续在中度水平,长江中游、关中和晋中城市群工业污染程度有所改善,而辽中南城市群污染程度有所上升,较低污染区主要分布在各城市群边缘;2010—2015年,京津冀、成渝、长三角、辽中南和中原城市群工业污染程度依然保持高水平,珠三角、北部湾和滇中城市群保持稳定中低水平,哈长、关中、晋中、呼包鄂榆城市群工业污染程度有所下降,而长江中游、海峡两岸和山东半岛城市群工业污染程度却呈加重趋势。整体而言,北部和内陆城市群工业污染有所改善,南部和沿海城市群污染有所加重,城市群工业污染呈现由北向南、由内向外跃迁的演化格局。

图9

新窗口打开|下载原图ZIP|生成PPT
图9中国城市群工业污染的空间分布

注:该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2016）2923号的标准地图制作,底图无修改。
Fig. 9The spatial distribution of industrial pollution in urban agglomerations of China



3.2.3 城市尺度的工业污染空间分异 从城市尺度来看（图10）,工业污染总体呈现出从中心向外围缩减、碎片化向集中分布的演化格局。2005—2010年,污染类型区空间分布变化明显。高污染区缩减呈点状分布在长春、唐山、鄂尔多斯、洛阳、苏州及重庆市,较高污染区趋于集中并在山西形成连片高排放区;中度污染区大幅收缩,形成冀-晋-鲁与黑-吉-辽两大连绵区及湖南、广西、云南和福建境内四小片区;较低与低污染区交错分布,且低污染区范围明显扩张,整体上污染格局由最初多中心的碎片化格局转变为相对集中分布;2010—2015年,污染类型区空间分布更趋集中。高污染区持续缩减,呈点状分布且表现出从大城市向小城市转移的趋势,如鄂尔多斯市;较高污染区大幅收缩且由内陆向沿海地区扩散,在环渤海湾及长江出海口处形成连片高排放区;中度污染区略有缩减且向长江经济带两侧区域集聚靠拢,并将较低和低污染区割裂为南北两端及甘-陕-长江经济带三大分布区;较低污染区范围明显扩张,集聚趋势更为显著,低污染区略有收缩但仍被较低污染区包围分布,工业污染格局整体呈现出由中心向外围缩减态势。

图10

新窗口打开|下载原图ZIP|生成PPT
图10中国城市工业污染的空间分布

注:该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2016）2923号的标准地图制作,底图无修改。
Fig. 10The spatial distribution of urban industrial pollution in China



引入局部G^*统计量测度工业污染的局部关联程度（图11）。2005—2010年,工业污染热点格局变化明显,热区及次热区大幅扩张,增幅分别为88.89%及44.74%,次冷区略有增加,冷区明显收缩,减幅为25%,其中稳定性城市占比60%;2010—2015年,工业污染热点格局变化依然显著,热区大幅收缩,减幅为64.71%,次热区略有减少,次冷区继续扩张,增幅为18.87%,冷区保持不变,其中稳定性城市占比57.9%。总体而言,2005—2015年中国城市工业污染热区和冷区均呈收缩态势,表明工业高污染及低污染城市的空间集聚性均趋于减弱,且高污染区的减弱趋势更明显;两个时段稳定性城市占比均高于50%,表明中国城市工业污染空间分布具有一定依赖性。蒙-晋-冀-鲁、长三角及川渝地区始终形成“近朱者赤”的高排放俱乐部区,而西北、西南及华南片区大部分城市形成了“近墨者黑”的低排放组团片区,这也反映出区域重点城市发展较快,但整体发展不均衡,工业污染首位度较高。

图11

新窗口打开|下载原图ZIP|生成PPT
图11中国城市工业污染的时空格局

注:该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2016）2923号的标准地图制作,底图无修改。
Fig. 11The spatial-temporal patterns of urban industrial pollution in China

4 影响因素分析

工业污染是社会经济发展的伴生物,其排放量亦受多种因素影响。已有研究^{[20,21,22,23,24,25]}表明工业污染是人口密度、产业结构及能源强度等多因素综合作用的结果。借鉴已有研究,本文以2005—2015年285个城市的工业污染指数为因变量,以工业发展水平、人口密度、城市化水平、产业结构、外资水平、环境管制强度、科技水平及能源强度为自变量（表1）,引入SDM模型探讨各因子对不同尺度工业污染指数变化的影响。

Tab. 1
表1
表1影响因素指标及定义解释
Tab. 1Indicators and definitions of influencing factors

	指标	定义	代码
因变量	Y：工业污染指数	工业废水、SO2及工业烟粉尘排放量加权得出	Plu
自变量	X1：城市化水平	年末非农人口/总人口（%）	Urb
	X2：人口密度	年末总人口/行政国土面积（人/km2）	Pop
	X3：工业发展水平	工业产值/年末总人口（元/人）	Idp
	X4：产业结构	工业产值/GDP（%）	Ind
	X5：外资水平	实际利用外资额/GDP（%）	Ope
	X6：科技水平	科技支出/财政支出（‰）	Tec
	X7：能源强度	工业用电量/工业总产值（万kW·h/亿元）	Eng
	X8：环境管制强度	环保投资额/GDP（%）	Inv

新窗口打开|下载CSV

各自变量的定义和选取理由：① 城市化水平（X₁）：低城市化水平时期,污染程度通常较轻。随着城市化水平提高,污染排量也会增加,达到一定水平后污染又趋于减缓。用年末非农人口与总人口比值表征城市化水平。② 人口密度（X₂）：人口集聚通常会带来生产规模扩大和产业专业化集聚,生产规模扩大会造成资源消耗及污染增加,而产业专业化集聚对污染却有先促后抑的效应^[23]。③ 工业发展水平（X₃）：相比工业不发达地区,工业发达地区其工业污染程度也较高^[25]。用人均工业产值来表征工业发展水平。④ 产业结构（X₄）：工业高排放、高污染的特点较其他产业相比,对环境的胁迫效应更明显,尤其是重工业发展,必将导致污染加剧。用工业产值占GDP总量的比例表征产业结构。⑤ 外资水平（X₅）：有****认为外商投资与环境污染呈显著相关性^[23]。一方面,外资会加重污染,同时,外资的技术效应又会减弱污染。以城市实际利用外资额占GDP的比例作为外资水平。⑥ 科技水平（X₆）：科技对污染控制有巨大支撑作用,较高科技水平可以提高资源消费效率和生产工艺水平,进而降低污染排放。选取地级市全年财政支出中科技支出比例表征科技水平。⑦ 能源强度（X₇）：能源消耗推动经济发展,但也会带来环境污染。通常用煤炭消费量与能源消费总量的比例表征能源强度,由于数据限制,用工业用电量与工业总产值比值表示能源强度。⑧ 环境管制强度（X₈）：政府对环境保护的投资力度不同,对其工业污染排放的影响也有所差异。取环保投资额占GDP的比例表征环境管制强度。

在模型估计前对数据进行取对数处理来消除模型异方差性,并进行Hansam检验选择拟合优度较高的模型,结果见表2。从各尺度模型估计结果来看,空间自回归系数均通过0.01的显著性检验,表明工业污染存在很强的空间内生交互效应,即邻近地区的工业污染程度会显著影响本地的工业污染程度。除科技水平因子未通过显著性检验外,其他因子对本地或邻近地区工业污染均产生不同程度的促进或抑制作用。具体而言,各尺度工业污染的主导因素存在显著差异。

Tab. 2
表2
表2基于大区及城市群尺度的SDM模型参数估计结果
Tab. 2Estimation results of SDM model parameters based on multi-scales

	lnUrb	lnPop	lnIdp	lnInd	lnOpe	lnTec	lnEng	lnInv
东部	0.051	0.08	0.071	0.381***	0.025	-0.01	0.127***	-0.093***
东北	-0.023	0.184	0.333**	-0.301	0.117**	0.099	0.039	-0.029
中部	-0.105**	0.195**	0.05	0.214	-0.094**	-0.014	0.033	0.032
西部	0.036	0.203**	0.027	0.04	0.013	0.001	-0.004	0.044
城市群	-0.556**	0.151	-0.145	-0.451**	-0.044	0.016	0.068	-0.037
城市	0.039	0.132 ***	0.053	0.184 ***	-0.007	0.001	0.028**	-0.056***
	W×lnUrb	W×lnPop	W×lnIdp	W×lnInd	W×lnOpe	W×lnTec	W×lnEng	W×lnInv
东部	-0.444***	-0.093	-0.031	0.211	0.099**	0.017	-0.088	-0.057*
东北	-0.861	0.384	-0.396**	-0.378	-0.147**	0.005	0.125	-0.002
中部	0.067	-0.155	0.043	-0.755***	-0.027	0.09	-0.118***	0.046
西部	-0.243***	-0.281***	-0.117	-0.604***	0.022	-0.081	0.005	0.006
城市群	-0.501	-0.293	0.129	0.932	0.022	0.063	-0.068	0.087
城市	0.178 ***	-0.104*	0.088	-0.272**	0.001	0.016	0.028	-0.034 **

注：^***、^**、^*分别表示0.01、0.05和0.1的显著性水平;W×lnX表示各因子的空间溢出效应。

新窗口打开|下载CSV

4.1 大区尺度的影响因素

从大区尺度来看,东部地区工业污染主要受产业结构、能源强度和环境管制强度的影响,工业产值占比及能源强度每增加1%,将引起工业污染指数分别增加0.381%和0.127%,而环保投资占比每增加1%会使其污染程度降低0.093%,可见产业结构是加剧当地工业污染程度的关键因子;东北地区,工业发展水平和外资水平对工业污染均表现出正向效应,且工业发展水平每提高1个百分点,工业污染指数相应增长0.333个百分点;中部地区,城市化率、人口密度和外资水平的弹性系数分别为-0.105、0.195、-0.094,表明人口密度增加会加重工业污染,而城市化通过产业的集聚效应及技术效应等对工业污染产生消减作用。外资水平提高会抑制污染,这与东北地区相反,反映出中部地区外资的技术效应大于规模效应,而东北地区外商投资集中于污染较大的第二产业,使得该区工业发展水平较高,但污染也较为严重;西部地区,仅人口密度对工业污染产生了显著影响,主要是西部发展相对落后,随着西部大开发战略推进,人口逐渐增加并促进工业生产规模扩大,进而导致资源消耗及污染增加。

观察因子外生交互效应发现,东部地区内,城市化率、外资水平及环境管制强度的弹性系数分别为-0.444、0.099、-0.057,表明邻近城市的城市化水平与环境管制强度提高有助于缓解本地工业污染,而外资水平提高却会加重本地污染,主要是东部地区经济发展水平较高,外资多集中于污染较低的科技及服务产业,外资水平提高促使高能耗产业向周边转移,进而导致周边城市污染加重;东北地区内,工业发展水平及外资水平的弹性系数均显著为负,即邻近城市的产业集聚化及外商投资比例增加会导致本地污染程度趋于下降,尤其是工业发展水平每增加1%,将导致本地工业污染下降0.396%;中部地区内,产业结构及能源强度的弹性系数均为负,表明随着邻近城市的工业产值占比及能源强度增加,会吸引本地产业追求规模经济而向外转移,进而降低本地污染程度;西部地区内,城市化率、人口密度及产业结构均表现出负向交互效应,表明临近城市的工业产值占比、人口密度及城市化水平升高会减缓本地污染程度,原因可能是西部地区发展相对落后,且依赖工业发展经济,随着邻近地区城市化率及工业产值占比升高,企业为追求集聚经济向外转移,而人口向邻近城市迁移也减缓了本地的环境承载力和经济发展压力,进而有助于降低本地工业污染。

4.2 城市群尺度的影响因素

从城市群尺度来看,仅城市化率与产业结构通过0.05的显著性检验,其弹性系数分别为-0.556、-0.451,即城市化率及工业产值占比每增加1%,将促使工业污染指数分别降低0.556%和0.451%。城市群是工业化、城市化进程中区域空间形态的最高组织形式,其工业集聚程度高,集聚的正外部性也较强。加之城市群雄厚的经济实力、较高的城市化率和先进的科技水平促使其工业发展转向专业化、高级化及清洁化生产为主,致使其规模效应大于污染效应,而城市化率提高也会促使污染较重的企业向外迁移,因此工业产值占比和城市化率升高有助于降低工业污染。观察因子外生交互效应后发现,城市群因子的空间交互效应并不显著,可能是由于城市群是群内大小城市依赖于核心城市集聚形成的内部联系紧密的城市组团,且彼此相距较远,因而邻近城市群因素对当地工业污染并未产生明显影响。

4.3 城市尺度的影响因素

从城市尺度来看,人口密度、产业结构和环境管制强度均在0.01水平上显著,而能源强度在0.05水平上显著,表明人口密度、产业结构、环境管制强度和能源强度对工业污染均有显著影响。环境管制强度、人口密度、产业结构和能源强度的弹性系数分别为-0.056、0.132、0.184和0.028,表明环保投资额度增加会改善当地工业污染程度,而其余3个因素则会加剧当地工业污染。其中,工业产值占比和人口密度每增加1%,当地工业污染指数相应升高0.184%和0.132%,可见产业结构和人口密度是造成工业污染的主要因子。通过探析各因子的外生交互效应发现,人口密度、产业结构和环境管制强度的弹性系数分别为-0.104、-0.272和-0.034,城市化率弹性系数为0.178,表明周边城市的人口数量、工业产值占比以及环保投资额增加对本地的工业污染有一定的减缓作用,而周边城市的城市化水平提高可能会引起高污染产业向邻近低城市化地区转移,对改善当地污染产生消极作用。

5 结论与讨论

5.1 结论

本文采用变异系数、泰勒指数、EDSA及SDM模型等方法,从大区-城市群-城市尺度出发剖析了中国城市工业污染的时空分异特征及影响因素,主要结论如下：

（1）2005—2015年中国城市工业污染指数呈波动下降态势,但总体差异逐趋增大;大区间工业污染指数呈现“东高西低”特征,区域差异呈西部>东部>中部>东北部的演变趋势;城市群工业污染“集群化”特征显著,总体差异波动增大而城市群间差异呈现多样化;城市工业污染呈明显“级差化”特征且存在显著正空间自相关,污染重心呈现向南偏移态势。

（2）2005—2015年中国城市工业污染空间转移由简单转移过渡为复杂转移;大区间保持“东部>中部>东北>西部”的污染格局不变;城市群工业污染呈现由北向南、由内向外跃迁的演化格局;城市工业污染呈现由中心向外围缩减、碎片化向集中分布的演化格局。

（3）大区尺度,除科技水平外,其他因素对各区域工业污染产生不同程度的直接或交互效应;城市群尺度,城市化率与产业结构对工业污染表现出抑制作用,而因素的交互效应并不显著;城市尺度,产业结构、人口密度、环境管制强度及能源强度对工业污染产生显著直接效应,而城市化率、产业结构、环境管制强度及人口密度对工业污染产生显著交互效应。

5.2 讨论

工业污染作为影响人类健康、社会进步以及可持续发展的热点问题,引起了国际视野的高度关注。本文基于多尺度分析了中国城市工业污染的时空分异特征及影响因素,丰富了工业污染与环境质量等方面的研究,也为政府制定环境政策及推动生态文明建设提供参考。

研究发现,中国城市工业污染的区域差异较大,其主导因素也存在明显差异,在制定污染治理政策时需采取差异化策略。如东部、东北应大力优化工业结构并推进创新减排技术,而中西部要提高产业集聚水平,发挥集聚正外部性的节能减排作用,同时也要评估产业质量和效率,抑制产业规模无序扩张;另外,工业污染存在显著空间溢出效应,因而在环境治理中要加强区域合作。如环境保护方面,不仅要加大环保投资、完善环保监测体系、制定环境保护法以及污染排放收费标准,还要加强区域间的联防联控才能有效遏制污染外溢。

解决工业污染的根本措施是大幅降低工业污染排放,因而,促进产业结构转型升级是当前污染治理的首要任务,急需加强重工业结构调整,淘汰落后及产能过剩产业;其次,要加快新型城镇化建设,提高城市化发展质量;人口密度只在中西部地区对工业污染表现出正向效应,说明人口与污染之间存在门槛效应,西部地区积极促进人口合理集中也有助于污染减排;外资水平对工业污染存在促进和削减“双重效应”,引进外资时需综合考虑区域环境,如东中部要积极引入环保型产业投资,东北和西部地区要有选择的引入相对高效益、低污染的外商投资;同时,积极促进城市群协调合理发展也会有效降低工业污染。

随着区域间产业转移,工业污染的时空格局和影响因素也处于动态变化中。本文进行了多尺度分析,但由于数据缺乏,对工业污染未做完全嵌套的尺度效应研究。另外,本文仅关注了城市化水平、人口密度等因素,对区域发展政策、城市职能及企业生产模式等因素还未涉猎,未来应注重工业污染的尺度效应分析,并深入挖掘其他因素对工业污染的作用机制。

参考文献 View Option 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] Brock W A, Taylor M S . Economic growth and the environment: A review of theory and empirics
Handbook of Economic Growth, 2005,1(5):1749-1821.
[本文引用: 1]

[2] Luzzati T, Orsini M, Gucciardi G . A multiscale reassessment of the Environmental Kuznets Curve for energy and CO₂ emissions
Energy Policy, 2018,122:612-621.
[本文引用: 1]

[3] Shen J . A simultaneous estimation of Environmental Kuznets Curve: Evidence from China
China Economic Review, 2006,17(4):383-394.
[本文引用: 1]

[4] Dinda S . Environmental Kuznets Curve hypothesis: A survey
Ecological Economics, 2004,49(4):431-455.
[本文引用: 1]

[5] Chen K, Liu X, Ding L , et al. Spatial characteristics and driving factors of provincial wastewater discharge in China
International Journal of Environmental Research and Public Health, 2016,13(12):1221-1239.
[本文引用: 2]

[6] Zhang L, Adom P K, An Y . Regulation-induced structural break and the long-run drivers of industrial pollution intensity in China
Journal of Cleaner Production, 2018,198:121-132.
[本文引用: 4]

[7] Cheng J, Dai S, Ye X . Spatiotemporal heterogeneity of industrial pollution in China
China Economic Review, 2016,40:179-191.
[本文引用: 2]

[8] Li Q, Song J, Wang E , et al. Economic growth and pollutant emissions in China: A spatial econometric analysis
Stochastic Environmental Research and Risk Assessment, 2014,28(2):429-442.
[本文引用: 2]

[9] Verhoef E T, Nijkamp P . Externalities in urban sustainability: Environmental versus localization-type agglomeration externalities in a general spatial equilibrium model of a single-sector monocentric industrial city
Ecological Economics, 2002,40(2):157-179.
[本文引用: 2]

[10] Fernández-Navarro P, García-Pérez J, Ramis R , et al. Industrial pollution and cancer in Spain: An important public health issue
Environmental Research, 2017,159:555-563.
[本文引用: 1]

[11] Liu Y . Industrial pollution resulting in mass incidents: Urban residents' behavior and conflict mitigation
Journal of Cleaner Production, 2017,166:1253-1264.
[本文引用: 1]

[12] Miao X, Tang Y , Wong C W Y, et al. The latent causal chain of industrial water pollution in China
Environmental Pollution, 2015,196:473-477.
[本文引用: 2]

[13] 吴玉鸣, 田斌 . 省域环境库兹涅茨曲线的扩展及其决定因素: 空间计量经济学模型实证
地理研究, 2012,31(4):627-640.
[本文引用: 1]

[ Wu Yuming, Tian Bin . The extension of regional Environmental Kuznets Curve and its determinants: An empirical research based on spatial econometrics model
Geographical Research, 2012,31(4):627-640.]
[本文引用: 1]

[14] 程叶青, 王哲野, 张守志 , 等. 中国能源消费碳排放强度及其影响因素的空间计量
地理学报, 2013,68(10):1418-1431.
[本文引用: 1]

[ Cheng Yeqing, Wang Zheye, Zhang Shouzhi , et al. Spatial econometric analysis of carbon emission intensity and its driving factors from energy consumption in China
Acta Geographica Sinica, 2013,68(10):1418-1431.]
[本文引用: 1]

[15] 周侃, 樊杰 . 中国环境污染源的区域差异及其社会经济影响因素: 基于339个地级行政单元截面数据的实证分析
地理学报, 2016,71(11):1911-1925.
[本文引用: 1]

[ Zhou Kan, Fan Jie . Regional disparity of environmental pollution source and its socio-economic influencing factors: Based on the cross-section data of 339 cities at prefecture level or above in China
Acta Geographica Sinica, 2016,71(11):1911-1925.]
[本文引用: 1]

[16] 丁镭, 黄亚林, 刘云浪 , 等. 1995—2012年中国突发性环境污染事件时空演化特征及影响因素
地理科学进展, 2015,34(6):749-760.
[本文引用: 2]

[ Ding Lei, Huang Ya Lin, Liu Yun Lang , et al. Spatiotemporal variability of sudden environmental pollution incidents and influencing factors in China, 1995-2012
Progress in Geography, 2015,34(6):749-760.]
[本文引用: 2]

[17] 杨振, 敖荣军, 王念 , 等. 中国环境污染的健康压力时空差异特征
地理科学, 2017,37(3):339-346.
[本文引用: 1]

[ Yang Zhen, Ao Rongjun, Wang Nian , et al. Spatio-temporal difference characteristic of pollution's health stress of China
Scientia Geographica Sinica, 2017,37(3):339-346.]
[本文引用: 1]

[18] 周亮, 周成虎, 杨帆 , 等. 2000—2011年中国PM_2.5时空演化特征及驱动因素解析
地理学报, 2017,72(11):2079-2092.
[本文引用: 4]

[ Zhou Liang, Zhou Chenghu, Yang Fan , et al. Spatio-temporal evolution and the influencing factors of PM_2.5 in China between 2000 and 2011
Acta Geographica Sinica, 2017,72(11):2079-2092.]
[本文引用: 4]

[19] 蔺雪芹, 王岱 . 中国城市空气质量时空演化特征及社会经济驱动力
地理学报, 2016,71(8):1357-1371.
[本文引用: 4]

[ Lin Xueqin, Wang Dai . Spatio-temporal variations and socio-economic driving forces of air quality in Chinese cities
Acta Geographica Sinica, 2016,71(8):1357-1371.]
[本文引用: 4]

[20] 刘海猛, 方创琳, 黄解军 , 等. 京津冀城市群大气污染的时空特征与影响因素解析
地理学报, 2018,73(1):177-191.
[本文引用: 5]

[ Liu Haimeng, Fang Chuanglin, Huang Jiejun , et al. The spatial-temporal characteristics and influencing factors of air pollution in Beijing-Tianjin-Hebei urban agglomeration
Acta Geographica Sinica, 2018,73(1):177-191.]
[本文引用: 5]

[21] 唐志鹏, 刘卫东, 刘志高 , 等. 中国工业废水达标排放的区域差异与收敛分析
地理研究, 2011,30(6):1101-1109.
[本文引用: 2]

[ Tang Zhipeng, Liu Weidong, Liu Zhigao , et al. Regional difference and convergence of standardized discharge of industrial waste water in China
Geographical Research, 2011,30(6):1101-1109.]
[本文引用: 2]

[22] 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: 3]

[ Ma Li . Decomposition of China's industrial environment pollution change based on LMDI
Geographical Research, 2016,35(10):1857-1868.]
[本文引用: 3]

[23] 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: 6]

[ 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: 6]

[24] 韩楠, 于维洋 . 中国工业废气排放的空间特征及其影响因素研究
地理科学, 2016,36(2):196-203.
DOI:10.13249/j.cnki.sgs.2016.02.005Magsci [本文引用: 3]
<p>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.</p>
[ Han Nan, Yu Weiyang . Spatial characteristics and influencing factors of industrial waste gas emission in China
Scientia Geographica Sinica, 2016,36(2):196-203.]
DOI:10.13249/j.cnki.sgs.2016.02.005Magsci [本文引用: 3]
<p>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.</p>

[25] 赵海霞, 蒋晓威, 崔建鑫 . 泛长三角地区工业污染重心演变路径及其驱动机制研究
环境科学, 2014,35(11):4387-4394.
[本文引用: 5]

[ Zhao Haixia, Jiang Xiaowei, Cui Jianxin . Shifting path of industrial pollution gravity centers and its driving mechanism in Pan-Yangtze River Delta
Environmental Sciences, 2014,35(11):4387-4394.]
[本文引用: 5]

[26] 赵雪雁, 王伟军, 万文玉 . 中国居民健康水平的区域差异: 2003-2013
地理学报, 2017,72(4):685-698.
[本文引用: 2]

[ Zhao Xueyan, Wang Weijun, Wan Wenyu . Regional inequalities of residents' health level in China: 2003-2013
Acta Geographica Sinica, 2017,72(4):685-698.]
[本文引用: 2]

[27] 陈祖海, 雷朱家华 . 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: 4]

[ Chen Zuhai, Lei Zhujiahua . The spatial-temporal characteristics and economic drivers of environmental pollution changes in China
Geographical Research, 2015,34(11):2165-2178.]
[本文引用: 4]