删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

基于库兹涅茨曲线的中国工业用水与经济增长关系研究

本站小编 Free考研考试/2021-12-29

张月¹^,, 潘柏林¹, 李锦彬², 顾阿伦¹^,

1. 清华大学能源环境经济研究所,北京 100084

2.中船重工集团公司第七一四研究所低碳能源研究中心,北京 100012

The relationship analysis between Chinese industrial water use and economic growth based on the Kuznets Curve

ZHANGYue¹^,, PANBolin¹, LIJinbin², GUAlun¹^,

1. Institute of Energy,Environment and Economy,Tsinghua University,Beijing 100084,China

2. Energy Evaluation Department,714 Research Institute,China Shipbuilding Industry Corporation,Beijing 100012,China

通讯作者:通讯作者:顾阿伦,E-mail:gal@tsinghua.edu.cn
收稿日期:2017-02-10
修回日期:2017-03-5
网络出版日期:2017-06-20
版权声明:2017《资源科学》编辑部《资源科学》编辑部
基金资助:

国家自然科学基金项目（71573145;71203120）

作者简介:
-->作者简介:张月,女,吉林磐石人,硕士生,主要研究方向为能源系统分析与气候变化政策。E-mail:zhangyuethu@163.com

展开

摘要
中国人均水资源量仅为世界人均水平的29%,且经济快速增长、工业用水需求也与日俱增,如何平衡经济发展与工业用水之间的关系是目前需要分析与解决的重要问题。本文将全国分为八大经济区域,建立约化模型,验证不同特征的工业用水EKC（Environmental Kuznets Curve）关系。结果显示中国工业用水发展水平符合EKC特征,人均工业用水与人均GDP存在着“倒U”型关系。拐点的出现主要由于技术创新、产业结构升级等因素导致,地区发展不平衡导致人均工业用水拐点不同。工业用水EKC曲线的研究对协同经济发展与工业用水的研究有着重要的意义,需要通过调整产业结构、提高用水效率、研发前沿技术等方法,使工业用水EKC转折点的尽早实现。

关键词：环境库兹涅茨曲线（EKC）;工业用水;经济增长;约化模型;中国
Abstract
Global inequity and unbalanced water resources have been critical issues for many years. Chinese water resources per capita are only 1/4 of the global average. As the Chinese economy grows rapidly,the demands for Chinese industrial water are increasing. It is therefore important to balance the relationship between economic growth and industrial water use. To make industrial water use decisions economically,we divided China into eight economic areas and based on a reduced form model verified the industrial Kuznets Curve in different areas. We used water use per capita and GDP per capita of the eight economic areas from 2002 to 2014 and applied unit root tests and co-integration tests and curve fitting. The result indicates that the trend in Chinese industrial water use fits the Kuznets Curve,and that industrial water use per capita and GDP per capita show an inverted U type relationship. The different economic areas have different turning points due to different levels of technological development and industrial structure. A study of industrial water use trends has much meaning for co-integrating economic development and industrial water use. The government should try to achieve an earlier turning point in the Kuznets Curve by optimizing industrial structure,increasing water-use efficiency and developing advanced technologies.

Keywords：Environmental Kuznets Curve;industrial water use;economic growth;reduced form model;China

-->0
PDF (1149KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNote Ris Bibtex 收藏本文-->
张月, 潘柏林, 李锦彬, 顾阿伦. 基于库兹涅茨曲线的中国工业用水与经济增长关系研究[J]. , 2017, 39(6): 1117-1126 https://doi.org/10.18402/resci.2017.06.11
ZHANG Yue, PAN Bolin, LI Jinbin, GU Alun. The relationship analysis between Chinese industrial water use and economic growth based on the Kuznets Curve[J]. 资源科学, 2017, 39(6): 1117-1126 https://doi.org/10.18402/resci.2017.06.11

1 引言

全球水资源短缺及其资源量空间分布不平均、不平衡是21世纪面临的重要问题。据世界水理事估计,全球约1/5的人口无法获得安全的饮用水^[1]。而中国作为世界上人口最多的国家,总人口占全球21%左右,但水资源仅占全球6%,人均水资源占有量为2048m³,仅为全球平均值的29%,形势尤为严峻。在中国用水结构中,农业用水占比最高,但是占比在下降;而工业用水占比有着持续增长的趋势。据国家统计局统计,2000-2014年间,中国农业用水占比由69%降至63%;工业用水占比由21%升至22%^[2]。据世界银行预测,2050年前,中国农业用水占比将下降至50%左右,工业用水占比将稳步提升^[3]。“十二五”期间,中国制定了用水强度目标和“十二五”末的全国用水总量目标;随着“十三五”规划提出工业强基、中国智造等工程,以及《中国制造2025》^[4]的颁布,中国未来工业经济将进入到快速发展阶段,工业用水的需求预计也会发生一定的变化。为了实现2020年全面建设小康社会的目标,中国将强化水资源管理制度,实行水资源消耗总量和强度双控行动,因此研究分析与认识工业用水与经济发展的关系对解决中国水资源水环境的瓶颈问题具有重要的现实意义。本文将中国分为东北地区、北部沿海、东部沿海、南部沿海、黄河中游、长江中游、西南地区及大西北地区等八大区域,选取人均工业用水和人均国内生产总值（Gross Domestic Product,GDP）作为研究指标,利用2002-2014年分区域的面板数据,对工业用水和经济发展的EKC（Environmental Kuznets Curve）曲线进行验证分析,为工业用水与经济的协同发展提供科学的分析与依据。
Kuznets在1955年提出,收入分配状况随经济发展过程而变化的曲线呈现一个倒U形状,即在经济增长的过程中,贫富差距会经历一个先增大、后减小的过程,该“倒U形”关系即被称为EKC曲线^[5]。1992年以来,****们进行了很多EKC研究,主要集中在环境污染及能源方面。如Panayotou等以森林采伐率、人均收入做指标,验证了环境衰退与经济增长关系存在EKC关系^[6];Selden等以悬浮颗粒物、二氧化硫、氧化氮、一氧化碳与人均GDP作为指标,验证了空气污染EKC关系^[7];Luzzati等对113个国家的能源消耗量与人均GDP关系进行研究,表明跨国范围的EKC研究需要分情况进行更细致的讨论^[8]。
而在用水方面,国外已有部分用水的EKC研究,工业用水的EKC验证相对较少。如Rock通过对美国取水量的跨区域数据及美国耗水面板数据的分析,表明人均取水量和耗水量都遵循一个倒U形的发展曲线,与EKC假设结论一致^[9];Katz表明EKC曲线不能显著代表个体国家的表现,使得其在用水政策和计划方面的应用具有一定的局限性^[10];Gleick的研究表明验证全国人均取水量和收入的过程中没有找到明确的关联,然而他的研究没有运用严密的数据统计方法^[11];Hemati等对全球132个国家人均工业用水和收入弹性进行研究,验证了其整体关联呈现为钟形^[12]。
国内已有部分工业用水方面的EKC验证研究与分析。如贾绍凤等对经济合作与发展组织（Or-ganization for Economic Co-operation and Develop-ment,OECD）国家的人均用水指数与人均GDP的关系进行了验证,发现大部分OECD国家遵循工业用水的EKC曲线,该研究没有对非OECD国家进行验证^[13];李强等对中国人均工业用水及人均农业用水进行了EKC验证,表明人均工业用水EKC曲线存在,人均农业用水及人均生活用水EKC曲线不存在,然而由于全国各区域经济及工业发展水平差异较大,不能对中国不同区域的工业发展做较好的参考^[14];张兵兵等对全国东、中、西部地区的人均工业增加值与工业用水量进行检验,表明东部地区呈现倒U形,中部为N形,全国及西部近似递增,该研究对全国区域的划分未能很好地体现地域特点,使用的人均工业增加值为人均GDP的一部分,不能完全代表国民经济水平,且未得到显著的结论^[15]。
在研究方法上,EKC曲线对数据及统计方法较为敏感。如Hemati,Bacon等,Teräsvirta的研究均使用了平滑转换回归（Smooth Transition Regression,STR）模型进行了分析与研究^[9,16,17];Matthew,Katz,Bhattarai则使用较为常用的约化模型^[18-20];Duarte等,Fouquau等则使用面板平滑转换（Panel Smooth Transition Regression,PSTR）模型^[21,22]。Katz的研究表明在EKC污染研究方面,结果对数据的选择及分析方法高度敏感,没有研究方法能使得所有验证的数据库的人均回收用水遵循EKC曲线^[19]; List等使用约化模型对1929-1994年美国二氧化硫及氧化氮人均排放与人均收入的关系进行分析,表示可以证明二者存在倒U形关系,但是该倒U形关系并不对所有数据适用,强制将模型套用在数据上会导致统计误差^[23];Duarte等使用了二次多项式固定效应回归模型及PSTR模型,验证了65个国家1962-2008年的人均用水与人均收入之间的关系,表明两种模型均可证明人均用水与人均收入存在着倒U型的关系,但是两种模型得到的曲线形式及估计的拐点值差距很大,且不同时间段及不同国家的用水情况有所区别^[21]。
整体而言,约化模型是目前使用较多的EKC研究方案。Katz的研究表明,由于数据收集方面的限制,约化形式模型是目前可行性较强的一种可以分析经济增长和用水关联的方法^[19];Grossman等将环境指标简单地回归到收入及收入的平方（或立方）上,该简单模型可以用于强调收入的直接或间接关联^[24];Moomaw等的研究表明,该模型不能反映自然中的随机因素^[25];Seldon等的研究结论同样表明,约化形式模型不能反映模型外其他复杂的影响变量,如政治、教育水平等^[26];Rock尝试使用复杂模型,但是表明因为需要包括全部的相关参数,反而会造成更大的变量误差^[9]。
本文将使用人均工业用水与人均GDP作为指标,对2002-2014年中国全国及东北地区、北部沿海、东部沿海、南部沿海、黄河中游、长江中游、西南地区、大西北地区等八大地区的工业用水EKC曲线进行分析,探讨中国有着不同发展特征地区的工业用水与经济发展之间的关系。

2 研究方法与数据来源

2.1 研究模型与指标选取

本文采用Katz等提出的约化模型^[19],该模型可以反映自变量与因变量之间的关联关系,而不是反映自变量对因变量的直接影响,该研究方法与最初的环境库兹涅茨曲线研究方法一致。使用的自变量为全国及八大经济区域2002-2014年人均GDP的对数,因变量为人均工业用水量的对数。此处对自变量和因变量取对数是因为对数形式可以减少数据波动,消除时间序列的异方差现象,减少变量的极端值、非正态分布及异方差性,该变量处理方法与Stern^[26]的EKC研究一致;由于全国工业用水数据会受到人口影响,因此本文选择人均数据作为自变量和因变量,数据指标的选择与Katz^[19]的研究一致。
本文采用的约化模型中,包括自变量的一次方、二次方和三次方。选用这种三次方模型是因为人均工业用水不会在某拐点后处于一直下降的趋势,所以二次方程不可用;并且三次方模型允许模拟曲线有两个拐点,可以避免二次方方程只有一个拐点的情况下不能反映原始数据趋势、降低准确度等问题,三次方模型的选择与List等的研究一致^[23]。
基于以上考虑,本文采用的约化模型定义为:

\begin{matrix} lnwate r_{it} = β_{0} + a_{i} + β_{1} ? lnGD P_{it} + β_{2} ? {(lnGD P_{it})}^{2} \\ + β_{3} ? {(lnGD P_{it})}^{3} + e_{it} \end{matrix}

（1）
式中

\begin{matrix} lnwate r_{it} \end{matrix}

为地区i在年份t时人均工业用水量的对数;

\begin{matrix} lnGD P_{it} \end{matrix}

为地区i在年份t时人均GDP的对数;

\begin{matrix} β_{0} \end{matrix}

\begin{matrix} β_{1} ， β_{2} ， β_{3} \end{matrix}

为模型中待确定的参数;

\begin{matrix} a_{i} \end{matrix}

为地区i的修正因子;

\begin{matrix} e_{it} \end{matrix}

为误差项。

2.2 数据验证

时间序列可分为平稳时间序列和非平稳时间序列。平稳时间序列是指均值、方差和协方差不随时间位移发生变化的时间序列,其在每个时间点上的随机性服从一定的概率分布;非平稳时间序列是指均值、方差和协方差随时间位移发生变化的序列。
早在1974年,Granger等便指出,很多研究对残差的自相关性没有给予足够的考量^[27]。由于宏观数据不稳定,回归标准的显著性检验可能是被误导的。因此,若时间序列非平稳,那么一个变量与另一随机变量的显著回归关系可能会导致伪回归。因此需要进行一定的假设,并进行单位根检验,来研究变量是否是同阶单整,并在同阶单整的基础上进行协整检验。一组非平稳时间序列若存在协整关系,则表示虽然自变量与因变量的均值、方差及协方差会随着时间的位移发生变化,但是该组数据存在线性组合,使得其均值、方差及协方差不会随着时间位移发生变化,在该情况下,时间序列不会出现伪回归。
本文中的数据属于时间序列,其统计规律会随着时间变化,具有非平稳性,因此本文在对变量进行回归前,先对各组序列进行单位根检验,得到平稳序列及非平稳但单整阶数相同的序列,然后对原始序列非平稳、但差分序列满足以下要求的序列进行协整检验,得到平稳或协整的序列,以避免出现伪回归。
由于解释变量个数为3个,被解释变量的单整阶数不能高于任何一个解释变量的单整阶数;当解释变量的单整阶数高于被解释变量的单整阶数时,必须有至少两个解释变量的单整阶数高于被解释变量的单整阶数。并且如果基于单位根检验的结果发现变量之间非同阶单整,则不能进行协整检验及之后的序列分析。本文对单整阶数考察到二阶,即若序列直至二阶仍不能通过单位根检验,说明该组数据的时间特性非常不稳定,则会将此组数据剔除,以保证结果准确性。
2.2.1 单位根检验
对面板数据进行单位根检验的方法有很多,最经典且常用的是Dickey等提出的ADF（Augment Dickey-Fuller）检验法^[27]、Phillips等提出的PP（Phillips & Perron）检验法、Elliott等提出的ERS-DFGLS（Elliott,Rothenberg,Stock,Dickey-Fuller/Generalized Least Squares）检验法、KPSS（Kwiatko-wski-Philips-Schmidt-Shin）检验法等。其中ADF检验法、PP检验法及ERS检验法的原假设是序列不平稳;KPSS的原假设是序列平稳或者趋势平稳。本文中采用最经典并且使用最多的ADF方法,使用Eviews8.0对数据进行单位根检验及之后的协整检验。
Eviews中的ADF检验法下,原始假设为序列具有单位根,即序列不平稳。本文在95%及90%的置信区间下对数据进行验证,对未通过95%但通过90%置信区间的数据,本文均认为通过检验。
基于以上原理,以全国2002-2014年人均GDP的指数为例,对其进行单位根检验,结果如表1所示。原序列ADF检验统计量为-2.554 599,大于10%显著性水平下的临界值,原序列不平稳;其一阶差分ADF检验统计量为-1.083 218,仍大于10%显著性水平的临界值;通过二阶差分后,ADF检验统计量为-3.015 682,小于10%显著性水平下的临界值,表示在90%置信度下,其二阶差分后的时间序列是平稳时间序列,表示该序列单整阶数为2。
Table 1
表1
表12002-2014年全国人均GDP对数的ADF检验
Table 1ADF test on the logarithms of GDP per capita of China from 2002 to 2014

	显著性水平下的临界值/%			ADF检验值	$\begin{matrix} p \end{matrix}$ 值
	1	5	10	ADF检验值	$\begin{matrix} p \end{matrix}$ 值
原序列	-4.122	-3.145	-2.714	-2.556	0.128
一阶差分	-4.200	-3.175	-2.729	-1.083	0.681
二阶差分	-4.297	-3.213	-2.748	-3.016	0.067

新窗口打开
2.2.2 协整检验
协整最初由Engle等于1987年提出,用于描述非平稳序列的长期稳定关系,目前存在很多研究方法^[29],如E-G两步法是基于回归残差的检验;Johansen等提出的J-J协整检验是在向量自回归（Vector Autoregression,VAR）系统下使用极大似然法检验多变量之间的协整关系等^[30]。
本文采用最常用的E-G两步法,首先进行协整回归,用最小二乘法（Ordinary Least Square,OLS）估计长期均衡关系,计算序列的非均衡误差

\begin{matrix} e_{t} \end{matrix}

;然后对

\begin{matrix} e_{t} \end{matrix}

进行单位根检验,若

\begin{matrix} e_{t} \end{matrix}

为稳定序列,则表示序列协整;若

\begin{matrix} e_{t} \end{matrix}

服从单位根,则表示序列不存在协整。

2.3 数据来源

根据李善同等的报告,原有对中国东、中、西的划分方法覆盖区域大,人口多,不能合理反映地区特质,如今的地区发展战略已由强调沿海地区发展转变到强调各地区间协调发展,鼓励对东、中、西内部继续细分^[31]。2004年,中国国务院发展研究中心将中国划分为东北地区、北部沿海、东部沿海、南部沿海、黄河中游、长江中游、西南地区及大西北地区等八大区域;李善同等表明,八大经济区域的划分符合自然条件相近、空间毗邻及资源结构相近等共同特征^[32]。
因此,为更好地代表不同区域的经济发展特征,对不同特征的地区进行分析,令分析结果更加符合经济发展的实际情况,本文依据中国国务院发展研究中心划分方法,将中国划分八大经济区域。其中东北地区包括辽宁、吉林和黑龙江;北部沿海包括北京市、天津市、河北和山东;东部沿海包括上海市、江苏和浙江;南部沿海包括福建、广东和海南;黄河中游包括山西、内蒙古自治区、河南和陕西;长江中游包括安徽、江西、湖北和湖南;西南地区包括广西、重庆、四川、贵州和云南;大西北地区包括西藏、甘肃、青海、宁夏和新疆,共31个省市自治区。需要说明的是,由于数据获取困难,本次研究不包括香港、台湾和澳门。
本文选择以上八个地区2002-2014年的人均工业用水量及人均GDP的关系进行拟合与分析,主要涉及的数据包括中国各地区的工业用水总量、各地区人口及各地区人均GDP数据。中国各地区的工业用水数据总量来自国家统计局^[2],其中2011年数据缺失,本文采用均值方法,取前后两年数据均值进行补充;中国的分省人均地区生产总值数据来自国家统计局^[2];本文通过国家统计局中以上一年为100的人均国内生产总值指数计算得到以2000年为100的各地区人均国内生产总值指数,再由此将各地区人均GDP折算成以2000年为基础的不变价;中国各地区人口数据来自国家统计局^[2]。
以2014年为例,中国八大经济区域的人均工业用水及人均GDP的关系如图1所示,可以看出人均GDP水平较高的地区,其人均工业用水水平也较高。

显示原图|下载原图ZIP|生成PPT
图12014年中国八大经济区域人均工业用水与人均GDP|||注:由于数据获取困难,本次研究不包括香港、台湾和澳门。
-->Figure 1Relationship between per capita industrial water consumption and GDP of eight economic regions in China in 2014
-->

3 数据验证及结果分析

3.1 单位根检验

本文首先对全国及八个地区的

\begin{matrix} lnwate r_{it} \end{matrix}

、

\begin{matrix} lnGD P_{it} \end{matrix}

、

\begin{matrix} {(lnGD P_{it})}^{2} \end{matrix}

及

\begin{matrix} {(lnGD P_{it})}^{3} \end{matrix}

进行单位根检验。
由于走势图不从原点出发,且非线性模式,所以在检验过程中选择包括截距项但是不包括趋势项,差分项的最大滞后期数使用默认的2。在原数据未通过单位根检验的情况下,对数据进行一阶差分进行检验;若仍未通过,对数据进行二阶差分进行检验,由此得到相应数据的单整阶数。单位根检验的结果如表2。
Table 2
表2
表2面板数据单位根检验结果
Table 2Unit root test results of panel data

	$\begin{matrix} lnGD P_{it} \end{matrix}$	$\begin{matrix} {(lnGD P_{it})}^{2} \end{matrix}$	$\begin{matrix} {(lnGD P_{it})}^{3} \end{matrix}$	$\begin{matrix} lnwate r_{it} \end{matrix}$
全国
原序列	-2.556	-1.951	-1.353	-2.534
一阶差分	-1.083	-1.327	-1.610	-1.038
二阶差分	-3.016*	-3.013*	-3.014*	-3.918**
东北地区
原序列	-4.207**	-4.707**	-6.269**	-1.013
一阶差分	-	-	-	-1.820
二阶差分	-	-	-	-3.443**
北部沿海
原序列	-3.450**	-3.853**	-4.295**	-4.064**
东部沿海
原序列	-7.046**	-5.835**	-4.652**	-3.061*
南部沿海
原序列	-4.025**	-3.942**	-3.787**	-0.570
一阶差分	-	-	-	-3.447**
黄河中游
原序列	-4.118**	-2.925	-1.789	-1.659
一阶差分	-	0.530	-1.108	-1.585
二阶差分	-	3.049*	-2.916*	-3.249**
长江中游
原序列	-2.517	-2.044	-1.560	-2.716
一阶差分	-1.070	-1.606	-2.016	-1.629
二阶差分	-3.019*	-2.917*	-2.835*	-4.409*
西南地区
原序列	-1.754	-1.438	-1.199	-0.233
一阶差分	-1.251	-1.585	-1.774	-0.653
二阶差分	-2.656	-2.516	-2.390	-3.356**
大西北地区
原序列	-0.691	0.915	1.705	-3.273**
一阶差分	-3.490**	-3.259**	-2.468
二阶差分	-	-	-2.702

新窗口打开
全国、北部沿海、东部沿海及长江中游四组数据通过单位根检验。北部沿海在95%置信水平下原序列平稳;东部沿海在90%置信水平下原序列平稳;全国序列、长江中游序列在90%置信水平下,被解释变量和解释变量单整阶数均为2阶。
而东北地区、南部沿海、黄河中游、大西北地区及西南地区均未通过单位根检验。西南地区的解释变量直至2阶差分仍不平稳;而其余四组序列是由于解释变量与被解释变量不同阶单整。

3.2 协整检验

通过单位根检验后,得到2组0阶平稳序列（北部沿海、东部沿海）,和2组2阶平稳序列（全国、长江中游）,如表3所示。本文采用E-G两步法对2阶平稳序列进行协整检验。
Table 3
表3
表3协整检验结果
Table 3Co-integration test results

	统计值	$\begin{matrix} p \end{matrix}$ 值
全国	-3.391	0.036**
长江中游	-3.061	0.063*

注:**、*分别表示在95%、90%置信水平下通过检验。

新窗口打开
在表3中,对全国2阶平稳序列进行协整回归得到非均衡误差

\begin{matrix} e_{t} \end{matrix}

,并对

\begin{matrix} e_{t} \end{matrix}

进行ADF检验,得到序列

\begin{matrix} p \end{matrix}

值为0.036,小于5%,表示在95%的置信水平下,拒绝原假设,即

\begin{matrix} e_{t} \end{matrix}

为稳定序列;对长江中游的2阶平稳序列进行协整回归得到非均衡误差

\begin{matrix} e_{t} \end{matrix}

,并对

\begin{matrix} e_{t} \end{matrix}

进行ADF检验,得到序列

\begin{matrix} p \end{matrix}

值为0.063,大于5%;但是在90%的置信水平下,序列统计值-3.061小于临界值-2.748,表示在90%的置信水平下通过ADF检验,即

\begin{matrix} e_{t} \end{matrix}

为稳定序列。在90%置信水平下,二者均通过协整检验,表示存在长期稳定关系,可以进行数据回归。

3.3 数据拟合及结果分析

通过单位根检验与协整检验后,共得到全国、北部沿海、东部沿海及长江中游4组数据序列,根据公式（1）对通过单位根检验和协整检验的4组数据进行拟合分析,得到4组数据的拟合系数及分析结果如表4所示。其中

\begin{matrix} R^{2} \end{matrix}

是决定系数,其值越接近于1表示自变量对因变量变动的解释比例越大;

\begin{matrix} F \end{matrix}

值为

\begin{matrix} F \end{matrix}

统计量;

\begin{matrix} p \end{matrix}

表示

\begin{matrix} F (1 ， n - 2) \end{matrix}

分布大于

\begin{matrix} F \end{matrix}

统计量的概率

\begin{matrix} p \end{matrix}

\begin{matrix} p < α \end{matrix}

时拒绝原假设,表示回归模型整体显著。
Table 4
表4
表42002-2014年全国及三个地区用水EKC曲线拟合参数
Table 4EKC fitting parameters of China,Northern Coast,Eastern Coast and Middle Yangtzi River regions from 2002 to 2014

	0.全国	2.北部沿海	3.东部沿海	6.长江中游
$\begin{matrix} R^{2} \end{matrix}$	0.972	0.971	0.711	0.962
$\begin{matrix} F \end{matrix}$	104.450	100.220	7.395	75.709
$\begin{matrix} p \end{matrix}$	0.000	0.000	0.008	0.000

注:**、*分别表示在95%、90%置信水平下通过检验。

新窗口打开
由表4的统计量及概率值可看出,四组数据的

\begin{matrix} p \end{matrix}

值均小于0.01,表示在99%的置信水平下,四个模型均整体显著;然而全国、北部沿海及长江中游的

\begin{matrix} R^{2} \end{matrix}

均在0.96以上,表示这三组人均用水量96%的对数变动可由EKC模型解释;而东部沿海整体

\begin{matrix} R^{2} \end{matrix}

值为0.71,EKC模型解释力稍差。
为找出东部沿海拟合结果不够理想的原因,将东部沿海地区用水的拟合曲线如图2所示。

显示原图|下载原图ZIP|生成PPT
图22002-2014年东部沿海地区用水的EKC拟合
-->Figure 2Estimated EKC of the Eeastern Coast from 2002 to 2014
-->

由图2可见,东部沿海地区最后两个数据与EKC曲线先上升后下降的趋势相悖,且2013年、2014年两组数据与其他数字相比差异较大,不符合曲线变动规律。东部沿海主要包括上海、江苏与浙江,对其原始数据进行分析,发现2013年、2014年,江苏的工业用水总量出现骤然上升趋势。经分析,很可能的原因为2013年,南水北调东线工程正式开启,该工程从江苏扬州江都水利枢纽提水运往华北地区,江苏由此年度累计抽江水百亿多m³,因此2013年、2014年的工业用水与曲线规律差异较大,初步判定可能为离群值,可能也是导致该组数据

\begin{matrix} R^{2} \end{matrix}

值偏低的原因。所以此处将东部沿海的2013年及2014年两个数据点剔除,再次进行拟合,得到修正后的东部沿海区域EKC曲线拟合参数及分析结果如表5所示。
Table 5
表5
表5全国及三个地区用水EKC曲线拟合参数及分析结果（修正后）
Table 5Estimated parameters and analysis results with EKC Curve method of China,Northern Coast,Eastern Coast,and Middle Yangtzi River regions （corrected）

	0.全国	2.北部沿海	3.东部沿海	6.长江中游
$\begin{matrix} β_{0} \end{matrix}$	188.291	283.146	-301.181	230.655
$\begin{matrix} β_{1} \end{matrix}$	-61.022	-80.174	82.080	-75.631
$\begin{matrix} β_{2} \end{matrix}$	6.711	7.651	-7.267	8.387
$\begin{matrix} β_{3} \end{matrix}$	-0.245	-0.243	0.213	-0.308
$\begin{matrix} R^{2} \end{matrix}$	0.972	0.971	0.848	0.962
$\begin{matrix} F \end{matrix}$	104.450	100.220	12.970	75.709
$\begin{matrix} p \end{matrix}$	0.000	0.000	0.003	0.000
形状	倒U形	下降	倒U形	倒U形
拐点坐标	（9.875, 4.674）	-	（10.310, 5.478）	（9.818 , 5.062）
拐点人均GDP/元	19 436	-	30 025	18 369
拐点人均工业用水/m³	107	-	239	158

新窗口打开
由表5的统计量及概率值可看出,修正后的整体结果达到了较为理想的水平。四组数据的拟合曲线均在99%的置信水平下有效;东部沿海整体

\begin{matrix} R^{2} \end{matrix}

值升为85%,表示修正后的拟合结果可以使85%的因变量可由自变量解释。
修正后的全国及三个地区的回归曲线分别见公式（2）-公式（5）,对公式绘出图3。图3中散点表示各组数据,实线曲线表示拟合曲线,拟合曲线上下部的虚线表示置信区间。

\begin{matrix} lnwate r_{0} = - 0.245 lngd p_{0}^{3} + 6.711 lngd p_{0}^{2} \\ - 61.022 lngd p_{0} + 188.291 \end{matrix}

（2）

\begin{matrix} lnwate r_{2} = - 0.243 lngd p_{2}^{3} + 7.651 lngd p_{2}^{2} \\ - 80.174 lngd p_{2} + 283.146 \end{matrix}

（3）

\begin{matrix} lnwate r_{3} = 0.213 lngd p_{3}^{3} - 7.267 lngd p_{3}^{2} \\ + 82.080 lngd p_{3} - 301.181 \end{matrix}

（4）

\begin{matrix} lnwate r_{6} = - 0.308 lngd p_{6}^{3} + 8.387 lngd p_{6}^{2} \\ - 75.631 \ln gd p_{6} + 230.655 \end{matrix}

（5）

显示原图|下载原图ZIP|生成PPT
图3修正后全国及三个地区用水EKC拟合情况
-->Figure 3Estimated EKC Curve of China,Northern Coast,Eastern Coast,and Middle Yangtzi River regions（corrected）
-->

对四组数据的分析结果可以总结如下:
（1）总体上参数回归的结果支持EKC假设。整体而言,全国及选择的三个地区:北部沿海、东部沿海以及长江中游地区在统计期内其经济增长与用水关系之间都呈现到U的关系,其中北部沿海地区已经经历了人均工业用水开始下降的阶段。其中全国、东部沿海和长江中游的人均工业用水与人均GDP的关系均在2002-2014年间出现“倒U”曲线,其拐点坐标分别为（9.875,4.674）、（10.310,5.478）和（9.818,5.062）。然而因为统计周期较短,没有找到北部沿海的拐点。全国、东部沿海和长江中游的人均工业用水及人均GDP关系支持EKC假设;与此同时,北部沿海包括北京、天津与河北,均为经济及工业发展水平较高的城市,所以其在统计期内整体上处于下降趋势,拐点可能已经在统计期前实现,所以此处认为北部沿海的人均工业用水及人均GDP关系也不能拒绝EKC假设。
（2）倒U曲线拐点处的人均GDP位于（1.8~3.0）万元（2000年不变价）之间。全国、东部沿海和长江中游的人均工业用水EKC曲线的拐点分别出现在2009-2010年间、2006-2007年间、2010-2011年间,对应拐点处人均GDP分别为19 436元、30 025元和18 369元,基本上可以表示这些地区人均GDP超过2万元时,工业用水会随着经济增长开始下降。
（3）拐点处人均工业用水量的还存在一定的差异,处于100~240m³之间。全国、东部沿海及长江中游拐点处值分别为107m³、239m³和158m³,与这些地区的工业经济发展所处的阶段不同密切相关。目前只有北部沿海区域的结论显示该地区已经跨越了拐点,处于曲线的下降阶段,获得了经济增长和工业用水下降的“双赢”的态势,而其他区域的结果显示在短期内也即将成功跨越拐点。而对于没有通过数据检验的其他区域来说,理论上没有接受EKC的假设。

4 结论与讨论

本文基于对2002-2014年全国及八大经济区域的人均工业用水和人均GDP的数据,通过单位根检验与协整检验的数据检验方法,使用约化模型对中国工业用水EKC进行了验证。本文结果验证了中国工业用水发展过程符合EKC特征,人均工业用水与人均GDP存在一定的“倒U”型关系。
随着经济发展,人均工业用水会出现下降趋势,主要原因包括技术创新导致用水效率提高、产业结构升级导致用水量转移等。地区发展不平衡会导致人均工业用水拐点不同,在统计期内,全国、东部沿海和长江中游的拐点出现在2006-2011年间,而北部沿海的转折点被认为在统计期前就已实现,导致其统计期间人均工业用水一直处于下降趋势。各地区拐点的差异主要由于各地区工业发展水平及经济状况不同。如北部沿海地区包括北京、天津、河北及山东二市两省,该地区人均GDP较高,经济水平发达,同时天津、河北均为中国重要的工业城市,使得其技术突破与工业结构调整实现较早,工业用水EKC曲线的拐点较早实现。而其他区域的结果显示在短期内也即将成功跨越拐点,实现经济发展的同时工业用水也下降的态势。
工业用水EKC曲线的研究有着重要的意义。未来较长时间内,中国经济仍将处于快速增长阶段,工业在国民生产总值中的比重将持续上升,经济增长与工业用水之间的矛盾将会一直存在。2015年4月2日,中国发布《水十条》^[33],要求调整产业结构,优化空间布局,推进循环发展,控制用水总量,提高用水效率,抓好工业节水,推广示范适用技术,公关研发前瞻技术,以切实加大水污染防治力度,保障国家水安全。工业用水EKC的研究为工业用水与经济发展关系的协同研究带来重要的思路与启示,有助于更有效地平衡二者关系。国家制定相关的水资源管理以及技术开发政策时需要向中西部地区倾斜,提高这些地区工业用水的效率,在缩小中西部地区与中东部地区经济差距的同时,促进西部地区用水增速的放缓,采取多种政策促使尽快走出经济发展和工业用水增加的困境,尽早跨越拐点,实现“双赢”的局面。
本文的研究由于数据限制,以及模型中难以考虑复杂的人口规模、技术进步及政策调整等因素,导致研究结果存在一定的不确定性,需要今后在数据指标选择,面板数据范围等方面做更加细致的分析与讨论。
The authors have declared that no competing interests exist.

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]	World Water Council.World Water Vision 2025[R]. London:Earthscan Publications Ltd,2000. [本文引用: 1]
[2]	国家统计局. 中国统计年鉴2015[M]. 北京:中国统计出版社,2015. [本文引用: 4] [National Bureau of Statistics. China Statistical Yearbook [M]. Beijing:China Statistical Press,2015.] [本文引用: 4]
[3]	The World Bank.China:Air,Land and Water-Environmental Priorities for a New Millennium[R]. US:The World Bank,2001. [本文引用: 1]
[4]	国务院. 国务院关于印发《中国制造2025》的通知[EB/OL]. [2015-05-19]. .URL [本文引用: 1] [State Council. ‘Made in China 2025 ’ plan issued[EB/OL]. [2015-05-19]. .]URL [本文引用: 1]
[5]	Kuznets S.Economic growth and income inequality [J]. The American Economic Review,1955,45(1):1-28. [本文引用: 1]
[6]	Panayotou T.Empirical Tests and Policy Analysis of Environ-mental Degradation at Different Stages of Economic Develop-ment[R]. Switzerland:International Labour Office,1993. [本文引用: 1]
[7]	Selden T M,Song D.Environmental quality and development:Is there a Kuznets curve for air pollution emissions? [J]. Journal of Environmental Economics and Management,1994,27(2):147-162. [本文引用: 1]
[8]	Luzzati T,Orsini M.Investigating the energy-environmental Kuznets Curve [J]. Energy,2009,34(3):291-300. [本文引用: 1]
[9]	Rock M T.Freshwater use,freshwater scarcity,and socio-eco-nomic development [J]. Journal of Environment and Develop-ment,1998,7(3):278-301. [本文引用: 3]
[10]	Katz D.Water use and economic growth:Reconsidering the environmental Kuznets Curve relationship [J]. Journal of Cleaner Production,2015,88:205-213. [本文引用: 1]
[11]	Gleick P.Water use [J]. Annual Review of Environment and Resources,2003,28:275-314. [本文引用: 1]
[12]	Hemati A,Mehrara M,Sayehmiri A.New vision on the relation-ship between income and water withdrawal in industry sector [J]. Natural Resources,2011,2(3):191-196. [本文引用: 1]
[13]	贾绍凤,张士锋,杨红,等. 工业用水与经济发展的关系-用水库兹涅茨曲线 [J]. 自然资源学报,2004,19(3):279-284. [本文引用: 1] [Jia S F,Zhang S F,Yang H,et al.Relation of industrial water use and economic development:Water use Kuznets Curve [J]. Journal of Natural Resources,2004,19(3):279-284.] [本文引用: 1]
[14]	李强,王莉芳,贾晓猛. 基于EKC的水资源利用与经济增长关系研究 [J]. 科技和产业,2015,15(4):133-136. [本文引用: 1] [Li Q,Wang L F,Jia X M.Research on the relationship between water resources utilization and economic growth based on EKC [J]. Science Technology and Industry,2015,15(4):133-136.] [本文引用: 1]
[15]	张兵兵,沈满洪. 工业用水库兹涅茨曲线分析 [J]. 资源科学,2016,38(1):102-109. [本文引用: 1] [Zhang B B,Shen M H.Analysis of the industrial water Kuznets Curve [J]. Resources Science,2016,38(1):102-109.] [本文引用: 1]
[16]	Bacon D W,Watts D G.Estimating the transition between two intersecting straight lines [J]. Biometrika,1971,58(3):525-534. [本文引用: 1]
[17]	Teräsvirta T.Modeling Economic Relationships with Smooth Transition Regressions[A]. Ullah A,Giles D E A. Handbook of Applied Economic Statistics[M]. Boca Raton:CRC Press,1998. [本文引用: 1]
[18]	Matthew A C.Economic growth and water use [J]. Applied Eco-nomics Letters,2004,11(1):1-4. [本文引用: 1]
[19]	Katz D L. Water,Economic Growth,and Conflict:Three Studies[D]. Michigan:University of Michigan,2008. [本文引用: 4]
[20]	Bhattarai M.Irrigation Kuznets Curve Governance and Dyna-mics of Irrigation Development:A Global Cross-Country Analysis from 1972 to 1991[R]. Sri Lanka:International Water Management Institute,2004. [本文引用: 1]
[21]	Duarte R,Pinilla V,Serrano A.Is there an environmental Kuznets Curve for water use? A panel smooth transition regre-ssion approach [J]. Economic Modelling,2013,31:518-527. [本文引用: 2]
[22]	Fouquau J,Destais G,Christophe H.Energy demand models:A threshold panel specification of the ‘Kuznets Curve’ [J]. Applied Economics Letters,2009,16(12):1241-1244. [本文引用: 1]
[23]	List J A,Gallet C A.The environmental Kuznets Curve:Does one size fit all? [J]. Ecological Economics,1999,31(3):409-423. [本文引用: 2]
[24]	Grossman G M,Krueger A B.Economic growth and the environ-ment [J]. Quarterly Journal of Economics,1995,110(2):353-378. [本文引用: 1]
[25]	Moomaw W R,Unruh G C.Are environmental Kuznets Curves misleading us? The case of CO₂ emissions [J]. Environment and Development Economics,1997,2(4):451-463. [本文引用: 1]
[26]	Stern D I.The rise and fall of the environmental Kuznets Curve [J]. World Development,2014,32(8):1419-1439. [本文引用: 2]
[27]	Granger C W J,Newbold P. Spurious regressions in econometrics [J]. Journal of Econometrics,1974,2(2):111-120. [本文引用: 2]
[28]	Dickey D A,Fuller W A.Distribution of the estimators for Autore-gressive time series with a unit root [J]. Journal of American Statistical Association,1979,74:427-431.
[29]	Engle R,Granger C.Co-integration and error correction:Repre-sentation,estimation,and testing [J]. Econometrica,1987,55(2):251-276. [本文引用: 1]
[30]	Johansen S,Juselius K.Maximum likelihood estimation and inference on co-integration:With applications to the demand for money [J]. Oxford Bulletin of Economics and Statistics,1990,52(2):169-210. [本文引用: 1]
[31]	李善同,侯永志,冯杰. 实现地区协调发展的战略思路和政策措施 [J]. 上海投资,2005,(7):4-8. [本文引用: 1] [Li S T,Hou Y Z,Feng J.The strategy and policy method for district balance [J]. Shanghai Investment,2005,(7):4-8.] [本文引用: 1]
[32]	李善同,侯永志. 中国大陆:划分8大社会经济区域 [J]. 经济前沿,2003,(5):12-15. [本文引用: 1] [Li S T,Hou Y Z.Chinese mainland into 8 social economic districts [J]. Forward Position in Economics,2003,(5):12-15.] [本文引用: 1]
[33]	国务院. 国务院关于印发水污染防治行动计划的通知 [EB/OL].[2015-04-02].URL [本文引用: 1] [State Council.Action Plan for Prevention and Control of Water Pollution [EB/OL].[2015-04-02]..]URL [本文引用: 1]

基于库兹涅茨曲线的中国工业用水与经济增长关系研究

本站小编 Free考研考试/2021-12-29

The relationship analysis between Chinese industrial water use and economic growth based on the Kuznets Curve

1 引言