黄河流域工业生态效率空间分异特征与影响因素

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

李贝歌^,¹, 胡志强¹^,², 苗长虹^,¹^,², 张佰发¹^,², 康巍¹

1. 河南大学黄河文明与可持续发展研究中心暨黄河文明省部共建协同创新中心,开封 475001

2. 河南大学环境与规划学院,开封 475004

Spatio-temporal evolution characteristics and influencing factors of the industrial eco-efficiency in the Yellow River Basin

LI Beige^,¹, HU Zhiqiang¹^,², MIAO Changhong^,¹^,², ZHANG Baifa¹^,², KANG Wei¹

1. Key Research Institute of Yellow River Civilization and Sustainable Development & Collaborative Innovation Center of Yellow River Civilization Provincial Co-construction, Henan University, Kaifeng 475001, Henan, China

2. College of Environment and Planning, Henan University, Kaifeng 475004, Henan, China

通讯作者: 苗长虹（1965-）,男,河南鄢陵人,教授,博士生导师,主要研究方向为经济地理与区域发展。E-mail: chhmiao@henu.edu.cn

收稿日期:2020-06-10接受日期:2021-05-26

基金资助:

国家自然科学基金项目(41430637)
国家自然科学基金项目(41901148)
河南省教育厅人文社会科学研究项目(2020-ZZJH-070)
河南省高等学校重点科研项目(20A170004)

Received:2020-06-10Accepted:2021-05-26
作者简介 About authors
李贝歌（1994-）,女,河南洛阳人,硕士,主要研究方向为经济地理与区域发展。E-mail: libeige0608@163.com

摘要
工业生态效率是人地系统耦合状态和水平的重要表征。以黄河流域八省区为实证区域,构建工业生态效率投入产出指标体系,采用Super-SBM模型对地市尺度2006—2016年工业生态效率进行测度,分析其空间分异特征;构建计量模型,从全流域和上中下游等不同尺度,考察工业生态效率的影响因素。结果表明：① 工业生态效率整体呈提升态势,空间上呈自下游向上游递减格局,山东整体最高,河南提升较快,甘肃整体最低;下游城市群和区域中心城市的工业生态效率整体更优。② 工业生态效率具有空间自相关特征,由高-高集聚类型演化为高-高、低-低两种局域集聚类型。2006年高-高集聚类型分布在陕晋蒙交界地区和山东半岛城市群,2016年高-高集聚类型分布于山东半岛城市群、中原城市群和陕西南部,低-低集聚类型集中分布在山西、甘肃。③ 经济发展水平、工业集聚强度、科技投入、经济外向度、环境规制和经济密度对工业生态效率存在正向促进作用,但与中上游相比,下游地区工业集聚强度的影响偏弱,而环境规制的作用更强。④ 提高黄河流域工业生态效率水平,需要进一步提高经济发展水平、工业集聚强度、科技投入和经济外向度,加强环境规制。但要根据上中下游实际采取差异化措施,中上游地区因生态环境脆弱,应将清洁产业的集聚作为发展方向,提升产业集聚正外部性,支持资源型城市的经济结构转型,强化环境规制的约束。
关键词： 工业生态效率;Super-SBM模型;城市群;环境污染;黄河流域

Abstract

Industrial eco-efficiency can reflect the coupling state and level of Human-Earth System. Taking the eight provinces of the Yellow River Basin as the study region, this paper constructs the input-output index system of industrial eco-efficiency, and uses Super-SBM model to measure the industrial eco-efficiency at the city scale from 2006 to 2016, and analyzes its spatial differentiation. The econometric model is constructed to examine the influencing factors of industrial eco-efficiency from different scales such as the whole basin and the upper, middle and lower reaches. The results show that: (1) The overall industrial eco-efficiency is on the rise, and it is decreasing from the downstream to the upstream. On the whole, Henan develops faster, Shandong has the highest industrial eco-efficiency, while Gansu has the lowest. The industrial eco-efficiency of urban agglomerations and regional central cities in the lower reaches is overall better (2) Industrial ecoefficiency has spatial autocorrelation characteristics. From high-high agglomeration types evolve into high-high and low-low local agglomeration types. In 2006, High-high types are mainly distributed in Shanxi-Shaanxi-Inner Mongolia border area and Shandong Peninsula urban agglomeration. In 2016, High-high types are mainly distributed in Shandong Peninsula urban agglomeration, Central Plains urban agglomeration and southern Shaanxi, and low-low types are concentrated in Shanxi and Gansu. (3) The level of economic development, industrial agglomeration intensity, scientific and technological input, economic extroversion, environmental regulation and economic density have positive effects on industrial eco-efficiency. However, compared with the middle and upper reaches, the lower reaches is weaker in the impact of industrial agglomeration intensity, while stronger in the effect of environmental regulation. (4) To improve the level of industrial eco-efficiency in the Yellow River Basin, it is necessary to enhance tthe level of economic development, the intensity of industrial agglomeration, the investment in science and technology and the economic extroversion, and strengthen environmental regulation. However, differentiated measures should be taken according to the actual situation in the upper, middle and lower reaches. As the middle and upper reaches have more fragile eco-environment, we should agglomerate clean industries so as to improve the positive externality of industrial agglomeration, support the economic structure transformation of resource-based cities, and strengthen the constraints of environmental regulations.

Keywords：industrial eco-efficiency;super-SBM model;urban agglomeration;environmental pollution;Yellow River Basin

PDF (4003KB)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
李贝歌, 胡志强, 苗长虹, 张佰发, 康巍. 黄河流域工业生态效率空间分异特征与影响因素[J]. 地理研究, 2021, 40(8): 2156-2169 doi:10.11821/dlyj020200516
LI Beige, HU Zhiqiang, MIAO Changhong, ZHANG Baifa, KANG Wei. Spatio-temporal evolution characteristics and influencing factors of the industrial eco-efficiency in the Yellow River Basin[J]. Geographical Research, 2021, 40(8): 2156-2169 doi:10.11821/dlyj020200516

1 引言

工业是国民经济发展的重要引擎。作为中国北方经济的重要支撑,黄河流域八省区正处于工业化快速发展阶段,工业体系日趋完善。但是,较高的重化工业占比、落后的生产工艺与脆弱的生态系统本底、较低的环境容量的组合,使得黄河流域工业发展表现出明显的高消耗、高排放、高污染特点,资源短缺、环境污染、生态破坏等问题日益凸显^[1]。黄河流域生态保护和高质量发展重大国家战略的提出,为黄河流域走向生态优先、绿色发展的可持续发展之路提供了前所未有的历史机遇和国家战略保证。当前,黄河流域正处于转变经济发展方式、优化经济结构、增强增长动力的攻坚时期,如何实现新旧动能转换和产业结构转型升级,促进资源环境与社会经济的协调发展,是黄河流域能否实现高质量发展的关键。科学分析黄河流域工业发展与资源消耗、污染排放之间的关系,厘清其主要影响因素,对黄河流域推进工业的绿色化转型和高质量发展有着重要的理论和现实意义。

协调人类经济活动与自然生态环境的关系是区域可持续发展的重要研究内容之一。工业生态效率能有效衡量人类经济活动的经济效益与环境效益,是人地系统耦合状态和水平的重要表征。生态效率概念提出于20世纪90年代,用来测度经济活动的环境绩效,是经济产出与资源环境投入的比值。其中“产出”是指经济体提供的产品和服务的价值,“投入”是指经济体消耗的资源和能源及它们所造成的环境负荷。以工业产值与其造成的环境压力的比值来表征工业生态效率,强调的是以最少的资源消耗获得最大的工业经济产出,同时产生最少的污染排放^[2]。随着全球变化和环境问题日益受到关注,工业生态效率成为地理学领域的研究热点。在对象表征方面,已有研究大多基于工业生态效率的概念内涵,从投入和产出两个层面构建评价指标体系,其中投入层面主要包括环境污染（废气、废水、固废）、资源消耗（水、电、能源）以及其他影响工业发展的社会经济因素^[3,4,5,6];产出层面的表征指标主要为工业增加值或工业总产值^[7,8]。在效率评价方法上,除了早期的指标综合评价法^[9]、能值分析法^[10]、物质流分析模型^[11]以外,目前应用较为广泛的是基于投入产出视角的数据包络分析法(DEA),以及在此基础上改进的网络DEA^[12]、三阶段DEA^[13]和超效率DEA^[9]模型等。在评价对象的尺度上,既有基于单个城市^[14]、工业园区^[15]、企业^[16]的微观层面分析,也有针对城市群^[17]、经济带^[18]、全国^[19]层面的论述,主要包括长江经济带^[2]、华东地区^[20]、长三角^[17]、中部六省^[21]、资源型地区^[22]等,并关注到经济水平、产业结构、科技创新、环境管制、对外开放等因素^[23,24,25]对工业生态效率的影响。已有研究因评价对象、方法、数据来源与口径等不同,所得结论也存在差异。如张新林等以全国为对象,得出对外开放水平会抑制工业生态效率提升^[4];而郭露等对中部地区研究结果则表明,对外开放水平对工业生态效率呈现正向促进作用^[21]。由于存在区域异质性和产业异质性,工业生态效率及其影响因素尚需要结合区域和产业发展的实际开展深入的实证研究。

目前,有关黄河流域工业生态效率的研究还较为薄弱,对黄河流域上中下游区域异质性特征的认识也有待深化。为此,本文以黄河流域八省区（不包括四川）为研究区域,实证分析黄河流域工业生态效率及其影响因素,揭示上中下游地区之间的差异,以期为黄河流域生态保护和高质量发展重大国家战略的实施提供科学基础和决策依据。

2 研究方法与数据来源

2.1 流域范围界定

当前学术界对黄河流域范围的界定方法较多,且未形成一致观点。本研究以自然黄河流域范围为基础,同时综合考虑沿黄省市行政区划的完整性和省区经济社会发展与黄河流域的关联性,将研究区域界定为除内蒙古东四盟市之外的黄河流经的八省区（图1）。根据《长江经济带发展规划纲要》和《东北振兴“十三五”规划纲要》等文件,四川和内蒙古的东四盟市（赤峰、通辽、兴安盟和呼伦贝尔）分别划入长江经济带和东北地区,故而本文未将上述区域包括在黄河流域范围内。为便于分析,本文将青海、甘肃、宁夏、内蒙古作为上游地区;将陕西、山西作为中游地区,将河南、山东作为下游地区。

图1

新窗口打开|下载原图ZIP|生成PPT
图1研究区域

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2019)1697号）绘制,底图无修改。
Fig. 1Study area

2.2 研究方法

2.2.1 Super-SBM模型数据包络分析（DEA）是根据已知数据,利用数据包络分析模型得到对应的生产前沿,以此用来评价具有多种投入和产出的决策单元之间相对有效性的一种方法^[25]。最早的DEA模型CCR的基础是规模报酬不变。之后在1984年,Banker和Cooper 提出BCC模型^[26]。DEA模型不用提前设定投入与产出的权重,能够更科学地评价工业生态效率自身的信息和特点^[12]。

但是,传统的CCR和BCC模型是基于Farrell效率测度思想且同属于径向和线性分段形式的度量理论,其强可处置性虽然确保了效率边界或无差异曲线的凸性,但却造成投入要素的拥挤或松弛^[27],忽视了要素松弛可能直接造成对效率测度的偏误,进而影响对决策单元的评价与判断。为了解决投入和产出松弛问题,2001年Kaoru Tone提出一个基于松弛变量的非径向、非角度的效率测度方法——SBM模型（Slack-Based Model）,直接将松弛向量加入目标函数中,使得SBM模型的经济解释是使实际利润最大化,而不仅仅是效益比例的最大化^[28]。在此基础上,Tone进一步提出了超效率SBM模型（Super-SBM）,用于解决多个决策单元效率值均为1时的区分与排序问题^[29]。Super-SBM模型很好地克服了传统模型存在的缺陷,一方面有效解决了投入产出变量的松弛性问题,另一方面也有效解决了多个决策单元同时有效时的区分排序问题。因而,相比于其他DEA模型,Super-SBM模型更能真实反映生产效率。据此,本研究采用Super-SBM模型来测度黄河流域地市工业生态效率水平,方法如下：

（1）

\min ρ = \frac{1 + \frac{1}{m} \overset{m}{\sum_{i = 1}} s_{i}^{-} / x_{ik}}{1 - \frac{1}{s} \overset{s}{\sum_{r = 1}} s_{r}^{+} / y_{rk}}

（2）

s t \overset{n}{\sum_{j = 1, j \neq k}} x_{ij} λ_{j} - s_{i}^{-} \leq x_{ik} (i = 1,2, ∙ ∙ ∙, m)

（3）

\overset{n}{\sum_{j = 1, j \neq k}} y_{rj} λ_{j} + s_{r}^{+} \geq y_{rk} (r = 1,2, ∙ ∙ ∙, s)

（4）

λ_{j} \geq 0, j = 1,2, ∙ ∙ ∙, n (j \neq k), s_{i}^{-} \geq 0, s_{r}^{+} \geq 0

式中：x、y分别表示输入和输出变量;m、s分别表示决策单元投入和产出指标的个数;λ_j表示参照集中各要素的权重;

s_{i}^{-}

与

s_{r}^{+}

分别表示投入和产出的松弛变量;ρ表示相对效率值。

2.2.2 趋势面分析趋势面分析在地理科学研究中应用广泛,主要用于模拟地理环境系统要素在空间上的分布规律及变化趋势^[30]。本文用其来分析工业生态效率在空间上的分布。假设R_i为某一黄河流域地级市的工业生态效率,（X_i, Y_i）为地级市平面坐标,趋势面模型为：

（5）

R_{i} (X_{i}, Y_{i}) = T_{i} (X_{i}, Y_{i}) + ε_{i}

式中：R_i（X_i,Y_i）是趋势函数;T_i（X_i,Y_i）是趋势面拟合值;

ε_{i}

为自相关随机误差项。本文采用二阶多项式测算工业生态效率的趋势值。

2.2.3 空间自相关分析为进一步分析黄河流域地市工业生态效率与邻域的空间关联及差异程度,本文引入探索性空间分析方法。全局Moran's I指数用来衡量对象总体的空间关联和空间差异程度,可以较好地揭示工业生态效率的总体空间特征及其空间差异;Local Moran's I指数则可用来探究工业生态效率空间格局演化及异常值聚集分布情况。方法如下：

（6）

I = \frac{\overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j \neq i}} W_{ij} Z_{i} Z_{j}}{σ^{2} \overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j \neq i}} W_{ij}}, [Z_{i} = \frac{V_{i} - \overset{?}{V}}{σ}, \overset{?}{V} = \frac{1}{n} \overset{n}{\sum_{i = 1}} V_{i}, σ = \frac{1}{n} \overset{n}{\sum_{i = 1}} {(V_{i} - \overset{?}{V})}^{2}]

（7）

LocalMoran's I = Z_{i} \overset{n}{\sum_{i = 1}} W_{ij} Z_{j}

式中：I为全局Moran's I指数;n为样本量个数;Z_i是V_i的标准化变换;W_ij为城市i与城市j的临近空间权重矩阵,当城市i与城市j间属于临近关系时,W_ij=1,否则为0。全局Moran's I指数的取值范围在[-1, 1]之间,当I>0表明空间上呈正相关;I<0,表示空间上呈负相关;I=0表明城市间工业生态效率在空间上呈随机分布。公式（7）中,Local Moran's I为正值表示同样类型属性值的要素空间集聚,负值表示不同类型属性值的要素空间集聚。

2.3 工业生态效率指标选取

生态效率十分强调经济价值与环境效益的统一,即以最小的资源消耗与环境代价来获得最大的经济价值和效益,它全面体现了工业经济、资源利用和环境保护的双赢关系^[25]。构建科学的指标体系是有效评价工业生态效率的前提。为全面反映各地级市的工业生态效率水平,同时考虑指标选取的代表性、科学性、可获得性等原则,本文选取8个指标构建黄河流域工业生态效率指标体系（表1）。其中,投入指标包括环境投入、资源投入、人力投入和资金投入。工业企业在生产过程中会对生态环境造成破坏,主要是环境污染;工业企业在生产过程中也需要消耗大量的资源。因此,以工业废水排放量、工业烟尘排放量和工业二氧化硫排放量表征环境投入,以工业用水和工业用电表征资源投入。由于工业发展离不开资金和劳动力,分别选择工业从业人员和工业固定资产投入表征人力投入和资金投入。产出指标以工业经济产出来表示,具体以工业总产值来表征。相关数据主要来自2007—2017年《中国城市统计年鉴》,部分缺失指标补充自各省对应年份的统计年鉴。

Tab. 1
表1
表1工业生态效率评价指标体系
Tab. 1Evaluation index system of industrial eco-efficiency

一级指标	二级指标	三级指标
投入指标	环境投入	工业废水排放量（万t）
		工业烟尘排放量（t）
		工业二氧化硫排放量（t）
	资金投入	工业固定资产（万元）
	人力投入	工业从业人员（万人）
	资源投入	工业用水（万t）
	资源投入	工业用电（万kW·h）
产出指标	经济产出	工业生产总值（万元）

新窗口打开|下载CSV

2.4 工业生态效率影响因素与计量模型构建

综合考虑黄河流域社会经济发展特点和数据可获取性,本文重点考察人均发展水平（pgdp）、工业集聚强度（aggl）、科技投入（tec）、经济外向度（open）、环境规制（er）、经济密度（ed）和是否是资源型城市（res）等因素对工业生态效率影响,具体代理变量及测度方法见表2。

Tab. 2
表2
表2工业生态效率影响因素指标
Tab. 2Indicators of influencing factors of industrial eco-efficiency

影响因素	代理变量	测度方法
经济发展水平	人均GDP	整理自《中国城市统计年鉴》
工业集聚强度	区位商	地区工业产值在地区GDP中的占比/全国工业产值在全国GDP中的占比
科技投入	科技教育支出占比	科技教育支出/GDP
经济外向度	经济外向度	实际利用外资额/GDP
环境规制	工业SO₂处理率	工业SO₂去除量/工业SO₂产生量
经济密度	单位建成区面积GDP	GDP/建成区面积
资源型城市	虚拟变量	资源型城市为1,否则为0

新窗口打开|下载CSV

各因素对工业生态效率作用的机制分析如下：① 经济发展水平：经济发展水平高低对工业生态效率有着直接影响。根据环境库兹涅茨曲线（EKC）理论,伴随着经济高速增长,会导致自然资源消耗和污染排放的加剧,但随着经济发展水平的提高,产业结构升级与技术进步对生产率的提升^[31],经济发展对资源的消耗和污染排放会越过顶点而呈下降趋势^[32]。② 工业集聚强度：产业集聚所形成的正外部性,可以提高技术水平并降低成本,有利于资源利用的集约和污染排放的下降。但是,集聚规模过大也可能会因为“拥挤效应”而导致集聚不经济,进而降低区域工业生态效率^[33]。③ 科技投入：技术创新水平的提高是工业绿色发展的重要保障,新的生产工艺和技术,可以显著提高工业生态效率水平^[34]。④ 经济外向度：对外联系对区域而言是一把“双刃剑”^[35],外来企业会带来先进技术和工艺,促进区域资源消耗和环境污染下降,但也有外资企业以区域宽松的环境政策为指向,把投资地作为污染避难所,不利于工业生态效率的提高。⑤ 环境规制：环境规制力度的加大可以阻止污染企业的进入,并刺激企业的创新行为,从而提高环境和经济绩效,提升工业生态效率^[36]。⑥ 经济密度：城市经济密度与环境污染之间并非线性关系^[37],经济密度的提升有利于城市生产效率与绿色技术水平的提高,显著降低环境污染程度^[38],对工业生态效率产生积极效应;但过疏或过密的经济密度,也会对城市工业经济和环境造成消极影响。⑦ 资源型城市：资源型城市是伴随工业化进程而兴起的,支持了工业经济的长期较快增长,但同时高投入高消耗的产业结构也带来了突出的生态环境问题。以上影响因素指标数据主要整理自2007—2017年的《中国城市统计年鉴》,资源型城市依据《全国资源型城市可持续发展规划（2013—2020年）》来确定,据此形成2006—2016年黄河流域地州市尺度的非平衡的短面板数据集。

基于所选取的指标和不同因素对工业生态效率影响方式的论述,构建面板回归模型来考察黄河流域工业生态效率的影响因素,模型如下：

（8）

IE E_{it} = α_{i} + β_{1} \ln (pgdpit) + β_{2} agg l_{it} + β_{3} te c_{it} + β_{4} ope n_{it} + β_{5} e r_{it} + β_{6} e d_{it} + β_{7} re s_{it} + μ_{it}

式中：β₁~β₇为待估计参数;α_i截距项为个体效应;μ_it为随机误差项。为保证回归结果的准确,本研究对模型进行必要的处理与检验：① 为保证数据平稳,削弱共线性对估计结果的影响,对模型的部分指标进行对数变换;② 将实际利用外资额根据当年汇率换算为万元;③ 根据F检验、LM检验和Hausman检验确定模型的估计方法。

3 黄河流域地市工业生态效率的时空特征

3.1 时空分布特征

3.1.1 工业生态效率值总体不高但呈波动提升态势图2表示2006—2016年黄河流域及其上游、中游和下游城市工业生态效率均值的变化趋势。黄河流域及其内部各区域的工业生态效率均值小于1,表明其总体水平不高,但呈波动提升态势,不同区域差距较大。这体现了黄河流域对工业经济绿色发展的重视,也说明工业化过程中资源节约和环境保护仍有很大提升空间。2006—2016年,下游的效率均值最高,上游、中游较低。下游在整个研究期间具有明显提升,而中游和上游的工业生态效率趋势基本一致,呈低水平波动状态。这意味着工业经济发达的下游比中游和上游在提升工业绿色发展水平上更加有效。

图2

新窗口打开|下载原图ZIP|生成PPT
图22006—2016年黄河流域工业生态效率变化趋势

Fig. 2Change trend of industrial ecological efficiency in the Yellow River Basin from 2006 to 2016

3.1.2 流域：中下游地区整体更高且提升较快通过ArcGIS 10.3软件趋势面分析工具,分析黄河流域不同时期工业生态效率空间分异特征（图3）。图中X轴、Y轴分别表示纬度和经度且箭头所指方向分别为东方和北方,Z轴则为工业生态效率值。红线和浅绿色曲线分别表示工业生态效率与经度、纬度的拟合曲线。从趋势面可以看出,黄河流域工业生态效率自东（下游）向西（上游）显著递减,2016年由于下游地区生态效率的明显提升,其递减曲线更陡峭。2006年呈南北两端低中间高的倒“U”形态,2016年则呈由北向南逐渐增高的抛物线形,说明黄河流域北部城市的工业生态效率一直较低,中部城市的工业生态效率较高,南部城市的工业生产效率提升明显。如果说黄河流域在东西方向上工业生态效率的“东高-西低”格局,体现的是下游、中游和上游地区之间的经济发展差异;那么在南北方向上,则体现的是中原与关中地区、山东与兰西城市群、黄河“几”字弯地区之间的发展差异。

图3

新窗口打开|下载原图ZIP|生成PPT
图3趋势面分析

Fig. 3Trend surface analysis

从地市分布看（图4）,2006年黄河流域中游和下游地市的工业生态效率整体高于上游地市,生态效率高值地市主要集中在山西、山东等地,太原、大同、烟台和威海等城市的工业生态效率达到了1以上,位于流域所有地市前列。上游的高值地市主要包括甘肃的兰州、金昌,宁夏的银川,除此以外总体较低,其中甘肃的定西、平凉的效率值仅为0.1,位于所有地市的末端。至2016年,黄河流域工业效率下游和中游高、上游低的总体格局没有变化,但整体有所上升,尤其是中下游部分地市的提高较为明显,如河南的郑州、漯河、信阳和山东的聊城等城市,效率值由2006年的第四梯度（0.25~0.50）上升为2016年的第一梯度（1.00~1.33）,陕西的安康、商洛等城市的效率值,由2006年的第五梯度（0.10~0.25）上升为2016年的第一梯度。

图4

新窗口打开|下载原图ZIP|生成PPT
图4工业生态效率空间格局

Fig. 4Spatial pattern of industrial eco-efficiency

3.1.3 城市群与区域中心城市尺度上的工业生态效存在显著差异城市群作为国家推进区域发展的重要引擎,承载着区域可持续发展和高质量发展的重任;区域中心城市作为区域经济的增长极,对区域经济发展和生态保护具有引领带动作用。黄河流域目前有7个城市群,分别为：山东半岛城群、中原城市群、关中平原城市群、兰西城市群、呼包鄂榆城市群、晋中城市群和宁夏沿黄城市群;有9个省会或副省级城市作为国家中心城市或区域中心城市（图1）。

从城市群尺度看（表3）,2006年山东半岛城市群、太原城市群的工业生态效率最优,宁夏沿黄城市群、关中平原城市群则相对较低。至2016年,山东半岛城市群工业生态效率仍然最高,中原城市群有了显著提升,太原城市群则大幅度下降。黄河流域上游宁夏沿黄城市群和兰西城市群的工业生态效率值均相对较低。

Tab. 3
表3
表3黄河流域城市群与区域中心城市工业生态效率
Tab. 3Industrial eco-efficiency of urban agglomerations and regional central cities in Yellow River Basin

	城市群	工业生态效率				区域中心城市	工业生态效率
	城市群	2006年	排名	2016年	排名	区域中心城市	2006年	排名	2016年	排名
下游	山东半岛城市群	2.356	1	1.107	1	济南市	0.496	2	0.353	4
	山东半岛城市群	2.356	1	1.107	1	青岛市	0.565	1	1.241	1
	中原城市群	0.513	3	1.046	2	郑州市	0.295	3	1.034	2
中游	关中平原城市群	0.322	6	0.661	3	西安市	0.168	8	0.562	3
中游	太原城市群	1.001	2	0.267	7	太原市	0.173	7	0.163	9
上游	呼包鄂榆城市群	0.492	4	0.521	4	呼和浩特市	0.245	5	0.244	8
	宁夏沿黄城市群	0.240	7	0.373	6	银川市	0.233	6	0.277	5
	兰西城市群	0.337	5	0.428	5	兰州市	0.253	4	0.264	6
	兰西城市群	0.337	5	0.428	5	西宁市	0.138	9	0.252	7

新窗口打开|下载CSV

从区域中心城市看,青岛、济南、郑州的工业生态效率整体较高,位于所有区域中心城市前列;银川和西宁则相对较低,位于所有区域中心城市的末端;西安工业生态效率水平提升明显;太原、呼和浩特、兰州的排名则呈下降趋势。整体看,下游中心城市的工业生态效率高于中游、上游,区域中心城市之间工业生态效率差异明显。

3.2 空间集聚特征

3.2.1 全局：空间集聚格局显著,整体呈“U”型变化趋势根据全局Moran's I指数及其相关检验指标（表4）可以发现：工业生态效率的Moran's I指数从2006—2016年均为正,且Z均大于1.96临界值,P值均通过了5%显著性水平检验,说明黄河流域地市工业生态效率的空间分布并非随机,存在空间自相关现象,效率水平相似的地市在空间上呈集聚分布,即效率水平高的地市彼此相邻,效率水平低的地市彼此相邻。而且,Moran's I指数大小从2006—2016年呈“U”型特点,说明地市工业生态效率集聚水平的变化为先降后升,工业生态效率相似地市的集聚水平有所提高。

Tab. 4
表4
表4工业生态效率全局莫兰I指数
Tab. 4Global Moran's I of industrial eco-efficiency

年份	Moran's I	Z-Score	P-Value
2006	0.2348	4.4366	0.0000
2007	0.1809	3.4937	0.0005
2008	0.2002	3.7775	0.0002
2009	0.2037	3.7933	0.0001
2010	0.1660	3.1179	0.0018
2011	0.1684	3.2939	0.0010
2012	0.1146	2.2823	0.0225
2013	0.1208	3.0115	0.0026
2014	0.1600	3.1104	0.0019
2015	0.2103	4.0162	0.0001
2016	0.3314	5.9872	0.0000

新窗口打开|下载CSV

3.2.2 局域：集聚特征变化较大选取2006年和2016年作为研究的时间截面,分析局域空间自相关特征,可以发现（图5）：黄河流域工业生态效率形成了高-高、低-低两种局域集聚类型,呈现显著的高效率和低效率的空间俱乐部分布特征。

图5

新窗口打开|下载原图ZIP|生成PPT
图5工业生态效率局部空间关联格局

Fig. 5Local spatial correlation pattern of industrial eco-efficiency

2006年,H-H（高-高）集聚类型区主要包括两个区域,一个是在陕晋蒙交界的资源富集区,包括延安、榆林、吕梁、鄂尔多斯;另一个是下游地区的山东半岛城市群,包括烟台、青岛、威海,说明以上地市及相邻地区的工业生态效率均较高。除了H-H集聚外,2006年没有其他局域集聚类型。至2016年,H-H类型区的格局与城市数量均有较大变化,山东半岛城市群的烟台、青岛、威海仍为H-H类型区,范围还扩大到东营、滨州和淄博;而延安、榆林、吕梁、鄂尔多斯则由H-H类型变为不显著,说明这些城市工业生态效率整体出现下降;同时,在河南中原城市群的郑州、许昌、漯河以及地处豫南的信阳、陕西南部的安康和商洛,则成为新的H-H类型,说明以上地市及相邻地区的工业生态效率有明显提升;L-L（低-低）类型区主要包括山西的晋中、朔州和甘肃的定西,说明该类型地市及相邻地区的工业生态效率值都较低。

4 黄河流域工业生态效率影响因素的计量检验

基于所构建的模型,本文从黄河流域整体和中上游、下游等层面对工业生态效率的影响因素进行分析,回归结果见表5。

Tab. 5
表5
表5工业生态效率影响因素的回归结果
Tab. 5Empirical results of influencing factors of industrial eco-efficiency

	黄河流域	上中游	下游
ln(pgdp)	0.118^**	0.331^***	0.228^**
	(0.059)	(0.084)	(0.104)
aggl	0.210^***	0.414^***	0.210^*
	(0.063)	(0.085)	(0.117)
tec	4.607^***	2.529	1.590
	(1.519)	(2.203)	(2.118)
open	2.171^***	0.088	0.346
	(0.809)	(1.021)	(1.205)
er	0.087^**	-0.004	0.181^***
	(0.038)	(0.042)	(0.066)
ed	0.003^*	-0.018^***	0.008^***
	(0.00)	(0.003)	(0.003)
res	-0.137^***	-0.892^***	-0.178^***
	(0.044)	(0.279)	(0.067)
Constant	-0.444^**	-0.289^*	-0.906^**
	(0.225)	(0.173)	(0.402)
R-squared	0.442	0.903	0.523
估计方法	随机效应	固定效应	随机效应

注：^***、^**、^*分别为表示在1%、5%、10%的水平下显著,括号内为残差值

新窗口打开|下载CSV

从黄河流域整体看：经济发展水平、工业集聚强度、科技投入水平、经济外向度、环境规制和经济密度的回归系数均为正向,且通过了相应显著性水平检验,说明以上因素对黄河流域工业生态效率的提升均有促进作用,而资源型城市指标为负向,不利于工业生态效率的提升。① 工业发展对资源环境的消耗随着经济发展水平的提高而下降,这在一定程度上印证了环境库兹涅茨曲线理论的相关内容。② 工业集聚强度的提升使工业企业通过匹配、共享、学习产生了有利于资源节约、环境友好的正外部性,促进了黄河流域工业生态效率的提高。李在军^[19]以中国地级市为尺度的研究也表明,工业集聚对工业生态效率存在微弱正效应。③ 技术创新水平的提高可以降低资源消耗和污染排放,进而提高工业产出的生态效率,说明技术进步是工业绿色发展的重要决定因素,已有文献对不同尺度、不同地区的研究均发现了同样的结论^[8,26]。④ 对外经济联系的增强有利于企业吸收先进的生产工艺和技术,降低工业发展对黄河流域资源环境的负向影响。这说明在全球化时代,外部联系对区域生态效率的作用不容忽视。⑤ 环境规制强度的提高可以促进企业采取绿色生产工艺并加强污染物处理水平,同时可以减少基于“污染避难所”目的的污染型企业进驻,进而提高工业生态效率。这与孙玉阳^[39]、王康等^[40]的结论相似,即国家环境法规的完善与执行力度的不断加强,地方政府督促与有效引导,可促进相关企业改造技术和设备,进而有利于工业绿色生产转型。⑥ 经济密度正向影响工业生态效率,高密度的城市经济活动形成城市化经济效应,能显著降低污染排放强度,经济密度提升成为工业生态效率改善的有效驱动力。⑦资源型城市由于自身特殊性,以资源型产业的增长为主导,不利于工业生态效率提升。

从下游和中上游分区域看：① 经济发展水平、工业集聚强度、经济密度对中上游和下游工业生态效率的回归系数均为正向显著,说明经济发展、工业集聚程度增加和经济密度提升对上中下游生态效率的提高均有积极促进作用。其中,工业集聚强度回归系数在上中游地区较下游地区明显更大,说明工业集聚强度对中上游生态效率提升的作用更明显。② 环境规制对下游地区的回归系数为正向显著,对中上游地区未通过显著性检验,说明环境规制有效降低了黄河下游地区工业发展所带来的环境污染,而对中上游地区的作用不明显。③ 科技投入和经济外向度在黄河流域中上游和下游的表现均不显著,说明在研究的时段内,二者还没有成为下游地区和中上游地区工业生态效率的主要驱动因素。

5 结论与讨论

作为能源密集区和重化工业占比仍然较高的区域,黄河流域要实现可持续发展和高质量发展,就必须着力提升生态效率。本文基于Super-SBM方法测度了黄河流域八省区地市尺度的工业生态效率,分析了地市、城市群工业生态效率的空间差异,构建计量经济模型从全流域和上中游、下游考察了工业生态效率的影响因素。主要结论与启示如下：

（1）工业生态效率整体呈提升态势,空间上呈自下游向上游递减格局。黄河流域工业生态效率总体水平低于1,但提升明显。其中山东整体最高,河南提升较快,甘肃整体最低;城市群和区域中心城市尺度上工业生态效率有显著差异,均呈现下游高、上游低的特征;空间格局上具有空间自相关的特征,2006年高-高集聚类型分布在资源密集的晋陕蒙交界地区和经济发达的山东半岛城市群,不存在低-低集聚类型;到2016年晋陕蒙交界地区高-高集聚类型消失,山东半岛城市群中的高-高集聚范围扩大,并在中原城市群和陕南地区形成新的高-高集聚类型,新出现的低-低集聚类型分布在山西、甘肃。

（2）黄河流域工业生态效率受到多重因素的影响。其中经济发展水平、工业集聚强度、科技投入水平、经济外向度、环境规制力度和经济密度的提高对工业生态效率存在显著正向作用,资源型城市的工业生态效率明显更低。不同因素对上中下游工业生态效率的影响存在差异,工业集聚强度对中上游地区生态效率提升的作用更明显,而环境规制更有效降低黄河下游地区工业发展所带来的环境污染。

（3）推进黄河流域工业高质量发展,需要进一步提升经济发展水平,充分发挥工业集聚正外部性的作用,加强技术创新投入,提高生产工艺水平,在扩大对外开放的基础上充分吸收外资企业的先进生产技术,还应加大环境管制力度,强化企业污染物处理监管和污染企业进驻审核。黄河流域众多的资源型城市,应转变以资源为主导的粗放发展模式,支持其产业结构转型。同时,上中下游地区要因地制宜、分类施策。与下游相比,中上游地区应进一步提升工业集聚水平,加大环境规制力度,加快向绿色发展转型。

（4）黄河流域横跨东中西三大地带,上下游、左右岸、干支流区域差异巨大,其生态效率格局和影响因素尚有待在更精细的县域、乡镇尺度上开展研究。同时,工业生态效率是企业资源利用、污染治理等技术水平的综合体现,亟待将企业异质性纳入理论和模型分析,以工业企业微观数据为基础做出更加准确的测量和影响因素的定量估计。

致谢：

真诚感谢匿名评审专家在论文评审中所付出的时间和精力,评审专家对本文空间格局结果分析、结论梳理方面的修改意见,使本文获益匪浅。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

陆大道, 孙东琪. 黄河流域的综合治理与可持续发展
地理学报, 2019, 74(12):2431-2436.

DOI:10.11821/dlxb201912001 [本文引用: 1]

黄河流域与黄河所经地区在国家发展中具有极为重要的战略地位。2019年9月习近平总书记在郑州主持召开黄河流域生态保护和高质量发展座谈会上发表了重要讲话,具有重大战略意义。本文对黄河流域的综合治理与可持续发展形成了初步认识,指出新时代黄河流域全面深刻转型发展的任务仍然艰巨,需转变理念,持续推进能源清洁高效利用,因地制宜重点推进产业发展,不搞粗放式大开发,搞好资源耕地保护等方面应是推进黄河流域综合治理及保障可持续发展的重要举措,认为“黄河经济带”在全国经济层面上不存在,目前不适宜将“黄河三角洲”确定为国家战略。

[ Lu

Dadao

, Sun

Dongqi

. Comprehensive management and sustainable development of the Yellow River basin
Acta Geographica Sinica, 2019, 74(12):2431-2436.] DOI: 10.11821/dlxb201912001.

[本文引用: 1]

[2]

汪克亮, 孟祥瑞, 杨宝臣, 等. 基于环境压力的长江经济带工业生态效率研究
资源科学, 2015, 37(7):1491-1501.

[本文引用: 2]

[ Wang

Keliang

, Meng

Xiangrui

, Yang

Baochen

, et al. Research on industrial eco-efficiency of Yangtze river economic belt based on environmental pressure
Resources Science, 2015, 37(7):1491-1501.] DOI: CNKI:SUN:ZRZY.0.2015-07-021.

[本文引用: 2]

[3]

Shao L

, Yu

, Feng

. Evaluating the eco-efficiency of China's industrial sectors: A two-stage network data envelopment analysis
Journal of Environmental Management, 2019, 247:551-560. DOI: 10.1016/j.jenvman.2019.06.099.

URL [本文引用: 1]

[4]

张新林, 仇方道, 谭俊涛, 等. 中国工业生态效率时空分异特征及其影响因素解析
地理科学, 2020, 40(3):335-343.

DOI:10.13249/j.cnki.sgs.2020.03.001 [本文引用: 2]

基于2000-2016年中国工业数据,构建工业生态效率投入产出指标体系,测度不同区域的工业生态效率,构建不同空间权重矩阵,对空间分异特征进行解析,最后研究了工业生态效率影响因素的空间效应。结果如下：① 中国工业生态效率均值呈现出波动趋势,在2016年达到最大值; ② 区域之间差距明显,绝对差异和相对差异也在2016年最大,空间分布上逐渐集中,逐渐形成了从东南向西北递减的阶梯状空间分布特征; ③ 工业生态效率存在着明显的空间集聚性,并有高高集聚和低低集聚的空间俱乐部现象; ④ 财政分权的直接效应值最高,对外开放和固定资产是抑制本地区工业生态效率提升的主要因素,科技创新、财政分权能够促进邻近区域工业生态效率的提升,产业集聚、对外开放不利于邻近地区工业生态效率的改善。

[ Zhang

Xinlin

, Qiu

Fangdao

, Tan

Juntao

, et al. Analysis of the characteristics of spatial and temporal differentiation of Chinese industrial ecological efficiency and its influencing factors
Scientia Geographica Sinica, 2020, 40(3):335-343.] DOI: 10.13249/j.cnki.sgs.2020.03.001.

[本文引用: 2]

[5]

张震. 新时期我国区域工业生态效率时空演化特征分析
经济问题探索, 2020, (1):92-101.

[本文引用: 1]

[ Zhang

Zhen

. Spatial and temporal evolution characteristics of regional industrial eco-efficiency in China in the new era
Inquiry Into Economic Issues, 2020, (1):92-101.] DOI: CNKI:SUN:JJWS.0.2020-01-009.

[本文引用: 1]

[6]

卢燕群, 袁鹏. 中国省域工业生态效率及影响因素的空间计量分析
资源科学, 2017, 39(7):1326-1337.

[本文引用: 1]

[ Lu

Yanqun

, Yuan

Peng

. Spatial econometric analysis of industrial eco-efficiency and influencing factors in China
Resource Science, 2017, 39(7):1326-1337.] DOI: 10.18402/resci.2017.07.10.

[本文引用: 1]

[7]

王晓玲, 方杏村. 东北老工业基地生态效率测度及影响因素研究: 基于DEA-Malmquist-Tobit模型分析
生态经济, 2017, 33(5):95-99.

[本文引用: 1]

[ Wang

Xiaoling

, Fang

Xingcun

. Measurement of ecological efficiency and its influencing factors in northeast old industrial base based on DEA-Malmquist-Tobit model analysis
Ecological economy, 2017, 33(5):95-99.] DOI: CNKI:SUN:STJJ.0.2017-05-019.

[本文引用: 1]

[8]

周旭东, 吕光辉. 基于超效率DEA模型的干旱区工业生态效率研究: 以新疆为例
干旱区研究, 2019, 36(2):513-519.

[本文引用: 2]

[ Zhou

Xudong

, Lv

Guanghui

. Study on industrial eco-efficiency in arid regions based on super-efficiency DEA model: a case study of Xinjiang
Arid Zone Research, 2019, 36(2):513-519.] DOI: 10.13866/j.azr.2019.02.29.

[本文引用: 2]

[9]

许旭, 金凤君, 刘鹤. 产业发展的资源环境效率研究进展
地理科学进展, 2010, 29(12):1509-1517.

DOI:10.11820/dlkxjz.2010.12.006 [本文引用: 2]

产业发展的资源环境效率研究对于建设资源节约和环境友好型社会,实现“效率国土”具有重要意义。本文总结了该领域研究在理论、方法和实践等方面取得的最新进展,指出了当前研究的薄弱环节和空白领域,并展望了未来的研究方向。研究认为,目前资源环境效率问题已经引起足够关注。对资源环境的内涵、指标体系、计算方法、应用实践层面进行了系统分析；已经从产业结构变动、产业布局、产业集群等多角度对产业发展与资源环境的关系及作用机理进行探讨,初步探讨了资源环境效率的影响因素,尚未从资源环境效率的角度揭示产业发展与资源环境的关系及作用规律；研究方法上,以多指标综合评价法、数据包络分析法、火用、能值、生态足迹、物质流等生态热力学方法为主的定量分析方法开始应用于资源环境效率的评价之中。未来应加强系统的理论研究,加强对资源环境效率的机制的分析,在计算方法上需进一步的探索和改进。

[ Xu

, Jin

Fengjun

, Liu

. Research progress on resource and environmental efficiency of industrial development
Progress in Geography, 2010, 29(12):1509-1517.] DOI: 10.11820/dlkxjz.2010.12.006.

[本文引用: 2]

[10]

孙玉峰, 郭全营. 基于能值分析法的矿区循环经济系统生态效率分析
生态学报, 2014, 34(3):710-717.

[本文引用: 1]

[ Sun

Yufeng

, Guo

Quanying

. Ecological efficiency analysis of mining circular economy system based on energy synthesis
Acta Ecologica Sinica, 2014, 34(3):710-717.] DOI: 10.5846/stxb201306101566.

[本文引用: 1]

[11]

刘伟, 鞠美庭, 楚春礼, 等. 区域环境-经济系统物质流与能流分析方法与实证研究
自然资源学报, 2011, 26(8):1435-1445.

[本文引用: 1]

[ Liu

Wei

, Ju

Meiting

, Chu

Chunli

, et al. Material and energy flow analysis and empirical study in regional environmental-economic system. 2011, 26(8):1435-1445.] DOI: 10.11849/zrzyxb.2011.08.018.

[本文引用: 1]

[12]

杨佳伟, 王美强. 基于非期望中间产出网络DEA的中国省际生态效率评价研究
软科学, 2017, 31(2):92-97.

[本文引用: 2]

[ Yang

Jawei

, Wang

Meiqiang

. Evaluation of interprovincial eco-efficiency in China based on the undesired intermediate output network DEA
Soft Science, 2017, 31(2):92-97.] DOI: 10.13956/j.ss.1001-8409.2017.02.20.

[本文引用: 2]

[13]

Zhang J

, Liu Y

, Chang

, et al. Industrial eco-efficiency in China: A provincial quantification using three-stage data envelopment analysis
Journal of Cleaner Production, 2017, 143:238-249. DOI: 10.1016/j.jclepro.2016.12.123.

URL [本文引用: 1]

[14]

, Dijkema

G P J

, Jong

M D

, et al. From an eco-industrial park towards an eco-city: A case study in Suzhou, China
Journal of Cleaner Production, 2015, 102:264-274. DOI: 10.1016/j.jclepro.2015.04.021.

URL [本文引用: 1]

[15]

Shi

, Liu J

, Shi

, et al. The ecosystem service value as a new eco-efficiency indicator for industrial parks
Journal of Cleaner Production, 2017, 164:597-605. DOI: 10.1016/j.jclepro.2017.06.187.

URL [本文引用: 1]

[16]

Ma S

, Hu S

, Chen D

, et al. A case study of a phosphorus chemical firm's application of resource efficiency and eco-efficiency in industrial metabolism under circular economy
Journal of Cleaner Production, 2015, 87:839-849. DOI: 10.1016/j.jclepro.2014.10.059.

URL [本文引用: 1]

[17]

张新林, 仇方道, 王长建, 等. 长三角城市群工业生态效率空间溢出效应及其影响因素
长江流域资源与环境, 2019, 28(8):1791-1800.

[本文引用: 2]

[ Zhang

Xinlin

, Qiu

Fangdao

, Wang

Changjian

. Spatial spillover effect of industrial eco-efficiency in urban agglomeration of Yangtze river delta and its influencing factors
Resources and Environment in the Yangtze Basin, 2019, 28(8):1791-1800.] DOI: 10.11870/cjlyzyyhj201908004.

[本文引用: 2]

[18]

Tang Z

, Sun

, Fu

, et al. Research on the industrial energy eco-efficiency evolution characteristics of the Yangtze River Economic Belt in the temporal and spatial dimension, China
International Journal of Environmental Research and Public Health, 2019, 17(1):268. DOI: 10.3390/ijerph17010268.

URL [本文引用: 1]

[19]

李在军, 胡美娟, 周年兴. 中国地级市工业生态效率空间格局及影响因素
经济地理, 2018, 38(12):126-134.

[本文引用: 2]

[ Li

Zaijun

, Hu

Meijuan

, Zhou

Nianxin

. Spatial pattern and influencing factors of industrial eco-efficiency in Chinese prefecture-level cities
Economic Geography, 2018, 38(12):126-134.] DOI: 10.15957/j.cnki.jjdl.2018.12.017.

[本文引用: 2]

[20]

Jiang D

. Study on the industrial eco-efficiency in East China based on the super efficiency DEA model: An example of the 2003-2013 panel data
Applied Economics, 2016, 48(59):5779-5785. DOI: 10.1080/00036846.2016.1184380.

URL [本文引用: 1]

[21]

郭露, 徐诗倩. 基于超效率DEA的工业生态效率: 以中部六省2003—2013年数据为例
经济地理, 2016, 36(6):116-121, 58.

[本文引用: 2]

[ Guo

, Xu

Shiqian

. Industrial eco-efficiency with the integration super efficiency DEA: The central six provinces 2003-2013 data as an example
Economic Geography, 2016, 36(6):116-121, 58.] DOI: 10.15957/j.cnki.jjdl.2016.06.015.

[本文引用: 2]

[22]

阎晓, 田钰, 李荣杰. 资源型地区工业集聚对生态效率的影响: 基于我国9个典型资源型省份的实证研究
应用生态学报, 2020: 1-11.

[本文引用: 1]

[ Yan

Xiao

, Tian

, Li

Rongjie

. Effects of industrial agglomeration on ecological efficiency in resource-based regions: Based on the empirical study of 9 typical resource-based provinces in China
Chinese Journal of Applied Ecology, 2020: 1-11.] DOI: 10.13287/j.1001-9332.202006.014.

[本文引用: 1]

[23]

Wu M

. Measurement of regional industrial ecological efficiency in China and an analysis of its influencing factors
Journal of World Economic Research, 2020, 9(1):43-50. DOI: 10.11648/j.jwer.20200901.16.

URL [本文引用: 1]

[24]

Zhou C

, Shi C

, Wang S

, et al. Estimation of eco-efficiency and its influencing factors in Guangdong province based on Super-SBM and panel regression models
Ecological Indicators, 2018, 86:67-80. DOI: 10.1016/j.ecolind.2017.12.011.

URL [本文引用: 1]

[25]

任胜钢, 张如波, 袁宝龙. 长江经济带工业生态效率评价及区域差异研究
生态学报, 2018, 38(15):5485-5497.

[本文引用: 3]

[ Ren

Shenggang

, Zhang

Rubo

, Yuan

Baolong

. Evaluation of industrial eco-efficiency and study on regional differences in the Yangtze river economic belt
Acta Ecologica Sinica, 2018, 38(15):5485-5497.] DOI: 10.5846/stxb201605261015.

[本文引用: 3]

[26]

潘兴侠, 何宜庆. 工业生态效率评价及其影响因素研究: 基于中国中东部省域面板数据
华东经济管理, 2014, (3):33-38.

[本文引用: 2]

[ Pan

Xingxia

, He

Yiqing

. Evaluation of industrial eco-efficiency and its influencing factors are based on panel data of provinces in central and eastern China
East China Economic Management, 2014, (3):33-38.] DOI: 10.3969/j.issn.1007-5097.2014.03.007.

[本文引用: 2]

[27]

李莉, 张华. 基于DEA的区域环境绩效研究综述
生态经济, 2016, 32(9):167-172.

[本文引用: 1]

[ Li

, Zhang

Hua

. Review of regionalenvironmental performance research based on DEA
Ecological Economy, 2016, 32(9):167-172.] DOI: CNKI: SUN: STJJ.0.2016-09-034.

[本文引用: 1]

[28]

Zhao

, Shang J

, Chen

. Simulation and evaluation on the eco-industrial system of Changchun economic and technological development zone, China
Environmental and Assessment, 2008, 139:339-349. DOI: 10.1007/s10661-007-9840-x.

[本文引用: 1]

[29]

黄和平, 李亚丽, 王智鹏. 基于Super-SBM模型的中国省域城市工业用地生态效率时空演变及影响因素研究
生态学报, 2020, 40(1):100-111.

[本文引用: 1]

[ Huang

Heiping

, Li

Yali

, Wang

Zhipeng

. Spatiotemporal evolution and influencing factors of industrial land ecological efficiency in provincial cities in China based on Super-SBM model
Acta Ecologica Sinica, 2020, 40(1):100-111.] DOI: 10.5846/stxb201811162490.

[本文引用: 1]

[30]

郭晋平, 张芸香. 景观格局分析空间取样方法及其应用
地理科学, 2005, (5):74-79.

[本文引用: 1]

[ Guo

Jinping

, Zhang

Yunxiang

. Spatial sampling method of landscape pattern analysis and its application
Scientia Geographica Sinica, 2005, (5):74-79.] DOI: 10.3969/j.issn.1000-0690.2005.05.012.

[本文引用: 1]

[31]

于斌斌. 产业结构调整与生产率提升的经济增长效应: 基于中国城市动态空间面板模型的分析
中国工业经济, 2015, (12):83-98.

[本文引用: 1]

[ Yu

Binbin

. The economic growth effect of industrial structure adjustment and productivity promotion: Based on the dynamic spatial panel model of Chinese cities
China Industrial Economics, 2015, (12):83-98.] DOI: 10.19581/j.cnki.ciejournal.2015.12.007.

[本文引用: 1]

[32]

Barra

, Zotti

. Investigating the non-linearity between national income and environmental pollution: International evidence of Kuznets curve
Environ. Econ. Policy Stud. 2018, 20(10):1-32. DOI: 10.1007/s10018-017-0189-2.

URL [本文引用: 1]

[33]

谢里, 张敬斌. 中国制造业集聚的空间技术溢出效应: 引入制度环境差异的研究
地理研究, 2016, 35(5):909-928.

DOI:10.11821/dlyj201605009 [本文引用: 1]

基于Fujita和Thisse提出的理论框架,引入制度环境变量,研究地区制造业集聚和制度环境通过地区技术创新影响空间技术溢出的机制。在此基础上,采用2003-2012年中国内地30个省、自治区和直辖市的面板数据,运用面板工具变量两阶段最小二乘法（IV-TSLS）对其机制进行实证检验。研究表明：一方面,从全国总体样本来看,加入制度环境变量后,制造业集聚与法律制度的交互项对地区技术创新和空间技术溢出有显著的正向促进作用;另一方面,从分地区的样本来看,东部地区与全国样本检验结果一致,而中西部地区的制造业集聚并未产生显著的空间技术溢出效应。进而,提出通过优化制造业集聚提高空间技术溢出效应的政策建议。

[ Xie

, Zhang

Jingbin

. The spatial technology spillovers effect of Chinese manufacturing industries' agglomeration: The difference of institutional environment
Geographical Research, 2016, 35(5):909-928.] DOI: 10.11821/dlyj201605009.

[本文引用: 1]

[34]

贾军. 中国制造业绿色发展的锁定形成机理及解锁模式
软科学, 2016, 30(11):15-18.

[本文引用: 1]

[ Jia

Jun

. The locking mechanism and unlocking mode of green development of Chinese manufacturing industry
Soft Science, 2016, 30(11):15-18.] DOI: 10.13956/j.ss.1001-8409.2016.11.04.

[本文引用: 1]

[35]

彭星, 李斌. 贸易开放、FDI与中国工业绿色转型: 基于动态面板门限模型的实证研究
国际贸易问题, 2015, (1):166-176.

[本文引用: 1]

[ Peng

Xing

, Li

Bin

. Trade opening FDI and green transformation of Chinese industry: Empirical study based on dynamic panel threshold model
Journal of International Trade, 2015, (1):166-176.] DOI: 10.13510/j.cnki.jit.2015.01.016.

[本文引用: 1]

[36]

Tian Z

, Tian Y

, Chen

, et al. The economic consequences of environmental regulation in China: From a perspective of the environmental protection admonishing talk policy
Business Strategy and the Environment, 2020, 29(4):1723-1733. DOI: 10.1002/bse.2464.

URL [本文引用: 1]

[37]

Panayotou

. Demystifying the Environmental Kuznets Curve: Turning a black box into a policy tool
Environmental and Development Economics, 1997, 2(4):465-484. DOI: 10.1017/S1355770X97000259.

URL [本文引用: 1]

[38]

黄志基, 马妍, 贺灿飞. 中国城市环境污染排放的新经济地理解释
软科学, 2013, 27(11):89-92.

[本文引用: 1]

[ Huang

Zhiji

, Ma

Yan

, He

Canfei

. The explanation of urban environmental pollution emissions from New Economic Geography in China
Soft Science, 2013, 27(11):89-92.] DOI: 10.3969/j.issn.1001-8409.2013.11.019.

[本文引用: 1]

[39]

孙玉阳, 穆怀中, 范洪敏, 等. 环境规制对产业结构升级异联动效应研究
工业技术经济, 2020, 39(4):89-95.

[本文引用: 1]

[ Sun

Yuyang

, Mu

Huaizhong

, Fan

Hongmin

, et al. Research on the heterogeneous linkage effect of environmental regulations on the upgrading of industrial structures
Journal of Industrial Technological Economics, 2020, 39(4):89-95.] DOI: 10.3969/j.issn.1004-910X.2020.04.011.

[本文引用: 1]

[40]

王康, 李志学, 周嘉. 环境规制对碳排放时空格局演变的作用路径研究: 基于东北三省地级市实证分析
自然资源学报, 2020, 35(2):343-357.

[本文引用: 1]

[ Wang

Kang

, Li

Zhixue

, Zhou

Jia

. The effects of environmental regulation on spatio-temporal carbon emissions patterns: Empirical analysis of prefecture-level cities in Northeast China
Journal of Natural Resources, 2020, 35(2):343-357.] DOI: 10.31497/zrzyxb.20200208.

[本文引用: 1]