, 周侃1,2
, 刘汉初31. 中国科学院地理科学与资源研究所, 中国科学院区域可持续发展分析与模拟重点实验室, 北京 100101;
2. 中国科学院大学资源与环境学院, 北京 100049;
3. 中国科学院科技战略咨询研究院, 北京 100190
收稿日期: 2021-04-30; 修回日期: 2021-06-24; 录用日期: 2021-06-24
基金项目: 中国科学院战略性先导科技专项（A类）（No.XDA23020101）；国家自然科学基金项目（No.41971164）
作者简介: 伍健雄(1997-), 男, E-mail: wujx.19s@igsnrr.ac.cn
通讯作者（责任作者）: 周侃, E-mail: zhoukan@igsnrr.ac.cn
摘要：解析城市化过程对水污染物排放的驱动机制及其空间演化特征，对科学管控水污染物超标排放和源头上减少水污染物入水具有重要意义，是生态文明建设时期推进城市绿色发展、打造高质量人居环境的重要施策依据.以长江三角洲为例，建立县域氨氮排放和人口社会经济数据库，在揭示2011—2015年长三角地区氨氮排放的时空演变特征基础上，构建基于STIRPAT框架的驱动力分析模型，运用空间计量方法定量估计人口城市化和土地城市化对氨氮排放的驱动作用，并通过设置不同阈值的反距离空间权重矩阵测度其空间交互效应.结果表明：①2011—2015年长三角地区氨氮排放整体规模下降显著，氨氮高值排放区县向沿海和地市中心快速收缩，热点区分布呈沿海持续集聚、内陆不断减少，在动态变化中，在长三角地区形成了圈层式分布格局；②空间溢出效应显著，即本地的氨氮排放明显受到周边地区的影响.长三角城市化过程总体上缓解了区域的氨氮排放压力，人口规模和经济水平会驱动区域氨氮排放增加，外商直接投资和固定资产投资规模则抑制了氨氮排放；③土地城市化和人口城市化会加剧本地氨氮排放，但会吸引相邻区县人口、资源要素集聚，并通过绿色生产生活方式的辐射促进邻地氨氮排放下降.空间交互特征表明，以城市群和都市圈为主体，在100 km范围内，高度城市化地区的集聚效应和示范作用驱动了氨氮排放下降.
关键词：氨氮排放城市化驱动作用空间交互特征长三角地区
Driving effects and spatial interaction of urbanization on ammonia nitrogen emissions: A case study of the Yangtze River Delta
WU Jianxiong1,2
, ZHOU Kan1,2, LIU Hanchu31. Key Laboratory of Regional Sustainable Development Modeling, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101;
2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049;
3. Institute of Science and Development, Chinese Academy of Sciences, Beijing 100190
Received 30 April 2021; received in revised from 24 June 2021; accepted 24 June 2021
Abstract: The analysis of the driving mechanism and spatial evolution characteristics of the urbanization process for the emissions of water pollutants plays a significant role in applying scientifically reasonable restriction on the excessive discharge of water pollutants and in addressing the root cause for water entering into the water. In addition, it provides an important policy basis for promoting the eco-friendly development of cities and building high-quality settlements for humans in the course of constructing ecological civilization. By exemplifying the Yangtze River Delta (YRD), an ammonia nitrogen emission and population socio-economic database was established in this paper at the county level, so as to reveal the spatiotemporal evolution characteristics of ammonia nitrogen emissions across the YRD during the period from 2011 to 2015. Furthermore, the driving force analysis model was constructed on the basis of the STIRPAT framework, the spatial measurement methods were applied to make quantitative forecasting of the potential impact of population and land urbanization on ammonia nitrogen emissions, and the effects of its spatial interaction were measured by setting different thresholds for inverse distance spatial weight matrices. Then, the results were obtained to reveal the following points. Firstly, the level of ammonia nitrogen emissions dropped sharply from 2011 to 2015 across the YRD area. The districts and counties with high levels of ammonia nitrogen emission retreated rapidly to the coastal areas. The spatial distribution of hot spots was shown to accumulate on a continued basis in the coastal areas but diminish continuously in the inland areas. The dynamic changes had formed an evident circular structure as a whole. Secondly, the spatial spillover effect reached a significant level. That is to say, the local emissions of ammonia nitrogen were clearly affected by the surrounding areas. The urbanization had generally released the pressure from the ammonia nitrogen emissions across the YRD. The population size and economic development level displayed a positive effect on the ammonia nitrogen emissions, while the fixed asset investment and foreign direct investment displayed a negative effect on regional ammonia nitrogen emissions. Thirdly, the land and population urbanization would increase the local ammonia nitrogen emissions, while suppressing surrounding emissions through the attraction of population resources elements and the radiation of green production and lifestyle. The characteristics of spatial interaction showed that with urban agglomerations and metropolitan areas as the main body, within 100 kilometers, the agglomeration and demonstration effects of highly urbanized areas had driven the decline of ammonia emissions in the YRD.
Keywords: ammonia nitrogen emissionurbanizationdriving effectspatial interaction characteristicsYangtze River Delta (YRD)
1 引言(Introduction)城市化过程突出表现为土地要素和人口要素的非农化转变, 在这一过程中, 城市空间内的产业发展和人口增加, 带来了大规模的水污染物排放(林兰, 2016).城市化过程中的水污染物排放对自然和人居环境的可持续发展产生了显著不利影响, 厘清城市化过程同水污染物排放的关系及其驱动作用成为了国内外研究的重要议题(Dogan et al., 2016; Cao et al., 2021).各类水污染物中, 氨氮作为水体中危害最大的氮形态, 进入水体后会显著增加水体活性氮负荷, 带来富营养化等水质恶化问题, 严重威胁用水安全及水生态系统稳定(Ferard et al., 2013; 冼超凡等, 2019).因此, 在历次环境主管部门发布实施的环境保护规划、水污染治理综合规划以及化学原料和化学制品制造业、纺织业、造纸和纸制品业等高污染行业的专项排放达标管控标准中, 氨氮均是主要的水污染物排放管控指标.在刻画水污染物排放特征的研究里, 氨氮也长期作为主控因子用于反映水污染物排放的胁迫程度与影响大小(Yu et al., 2012; 程玉芝等, 2017; 高伟等, 2019).
当前, 针对城市化过程与水污染物排放关系的研究, 主要集中在水污染物排放同城市化过程的异速关系以及动态变化特征方面.对水污染物排放的源解析发现, 城市化水平较高的地区水污染物排放源分布也更密集, 带来的水污染物排放规模越大(李义禄等, 2014; 李彦旻等, 2019; 马小雪等, 2021).通过选取化学需氧量、氨氮和工业废水等特征水污染物, 相关研究进一步运用指标评价、协整检验、系统GMM模型、动态面板回归等多种分析方法, 发现伴随城市化过程的推进和经济发展, 城市化过程同水污染物排放可能存在正相关关系(邓晓兰等, 2017; 王江等, 2019)、负相关关系(Liddle, 2004; 梁伟等, 2017)、或倒“U”型、倒“N”型的非线性关系(王家庭等, 2013; Xu et al., 2020; 李存贵, 2021).在分析城市化过程对污染物排放的驱动作用的研究中, 早期研究基于IPAT模型认为城市化过程促进了污染物排放.通过推动人口和经济活动在城市空间集聚, 城市化过程带来的人口规模的增长和产业活动加剧造成污染物排放增加(Ehrlich et al., 1971; Parikh et al., 1995).后续研究放宽了IPAT模型中各因素的环境影响同比例变动的限制, 发展了STIRPAT模型, 发现随着城市化过程的加深也可能对污染物排放产生抑制作用.随着城市化程度的加深, 技术进步、产业结构高级化以及集聚经济的发展提高了城市化地区的资源利用能力和污染处置效率, 城市化伴生的污染物排放也随之减少(Dietz et al., 1997; Cole et al., 2004; 周侃, 2019).在国内开展的实证研究中, 针对人口城市化、土地城市化等城市化过程的不同维度, 有****指出国内土地城市化十分迅速但人口城市化明显滞后(陈春, 2016), 因此人口和土地城市化可能对污染物排放存在差异化的影响(Lin et al., 2017).进一步的, 城市化过程对污染物排放的影响还存在明显的尺度分异, 全国尺度上, 城市化过程促进了污染物排放, 而分区域的子样本模型估计表明, 在我国东部沿海省份, 高度城市化地区的城市化过程对污染物排放可能存在抑制作用(Lin et al., 2017; Cao et al., 2021).
既有研究关于城市化过程同水污染物排放的动态关系以及对水污染物排放的驱动作用开展了广泛研究, 并初步发现了水污染物排放在城市群及高度城市化地区明显集中, 且高度城市化地区的城市化过程对污染物排放可能存在抑制作用.然而, 既有研究多以国家、省级等宏观尺度为主, 缺乏精细尺度下对城市化过程同水污染物排放的空间交互特征的刻画, 在探讨城市化对水污染物排放的驱动作用中也较少考虑空间溢出效应带来的估计误差.基于此, 本研究选取高度城市化地区长江三角洲(Yangtze River Delta, YRD)作为研究区, 以氨氮为特征水污染物, 在县级尺度对区域氨氮排放特征进行了空间统计分析, 并借助空间计量模型对长三角地区人口城市化和土地城市化对氨氮排放的驱动作用进行了定量估计和空间效应分解, 进一步地探讨了不同空间距离阈值下土地和人口城市化同氨氮排放的空间交互特征, 以期为长三角地区下一阶段的绿色一体化建设和城市化高质量营造提供科学指引.
2 材料与方法(Materials and methods)2.1 研究区概况与数据来源研究区长江三角洲地区包括上海市、江苏省、安徽省和浙江省“三省一市”(图 1), 具有高度的城市化程度, 以及密集的人口和产业经济活动分布.2015年长三角地区常住人口达2.19亿人, 地区生产总值达16.55万亿元, 分别占全国的15.83%和23.86%, 是驱动经济发展的核心地区.2011—2015年, 长三角地区经历了快速城市化过程, 5年间长三角地区常住人口城市化率由60.26%提升到64.19%, 明显高于同期全国51.27%和56.10%的平均水平(国家统计局, 2013; 2016).同时, 长三角地区的快速城市化过程还伴随着大规模、高强度的水污染物排放.2015年, 长三角地区以占全国3.74%的国土面积上承载了全国16.33%的氨氮排放量, 是氨氮排放问题最严重的地区之一(国家统计局, 2016).为应对快速城市化过程中日益增长的水污染胁迫, 实现对水污染物排放的有效管控, 亟需科学理解城市化过程对水污染物排放的驱动作用及其空间交互特征, 形成有效的源头管制和空间调控政策体系.
图 1(Fig. 1)
 |
| 图 1 研究区位置与DEM Fig. 1Location and DEM of the Yangtze River Delta |
本研究建立了2011—2015年长三角县级尺度氨氮排放和社会经济数据集, 县域单元包括市辖区、县、县级市3类行政区.污染物排放数据主要来自《中国环境统计年鉴》和《中国环境年鉴》等官方统计数据, 从农业源、工业源、城镇生活源以及集中式治理设施排放源对长三角各区县氨氮排放量进行了统计(周侃等, 2016)；土地利用数据从国土资源部门获取；除常住人口城市化率数据外, 县级社会经济数据主要来自《中国县域统计年鉴》、《上海统计年鉴》、《江苏统计年鉴》、《安徽统计年鉴》和《浙江统计年鉴》, 地市尺度社会经济数据主要来自《中国城市统计年鉴》.对其中数据不完整的县域单元, 进一步获取所在地级市统计年鉴和县域统计公报补齐.
2.2 研究方法与数据处理2.2.1 热点分析与空间自相关分析模型空间自相关(Spatial autocorrelation)反映空间单元的属性值在空间位置上的相互依赖关系, 分为全局空间自相关和局部空间自相关两类.其中, 全局空间自相关是对空间单元属性值同其相邻单元属性值的空间相关程度的描述, 常用Moran′s I指数来度量, 本研究用以探索长三角区县氨氮排放在区域整体上可能的空间关联效应.Moran′s I的取值范围为[-1, 1], Moran′s I属于(0, 1]表示存在空间正相关, Moran′s I属于[-1, 0)为负相关, 等于0则表明空间分布呈随机状态.局部空间自相关主要刻画局域空间单元属性值的分布特征, 分析聚集发生的位置.运用Getis-Ord G*指数分析长三角区县氨氮排放是否存在统计显著的高值簇与低值簇, 探索氨氮排放的集聚与分散格局；使用Local Moran′s I生成LISA (Local indicators of spatial association)聚类, 分析长三角相邻区县间氨氮排放的正向或负向的空间依赖性(Getis et al., 1992; Anselin, 1995; Ord et al., 1995).
2.2.2 空间计量模型与变量设置考虑到氨氮排放过程中可能存在的空间相关性和空间异质性, 使用一般的计量经济模型可能导致有偏估计, 故构建空间计量模型进行回归分析, 研究长三角地区不同城市化过程对氨氮排放的驱动作用.拟选取空间杜宾模型(Spatial Durbin Model, SDM), 将包含在被解释变量、解释变量和误差项中的空间交互效应纳入驱动因素分析(LeSage et al., 2009), 见式(1).
 | (1) |
基于STIRPAT模型并借鉴既有研究的设定经验(Ehrlich et al., 1971; Xu et al., 2020), 兼顾县级单元数据可获得性, 选取2011年和2015年长三角各区县氨氮排放量作为被解释变量, 进一步分设两个模型, 分别选取土地城市化水平(LUR)和人口城市化水平(PUR)作为核心解释变量, 其中土地城市化水平用土地利用类型中城镇居民点用地面积占城乡用地总面积的比重表示, 人口城市化水平用常住城镇人口占常住总人口的比重表示(林坚, 2010; Li et al., 2012).同时借鉴已有研究成果, 在区县尺度上, 选择反映工业发展水平的第二产业增加值占GDP的比重(PGDP)、反映人口规模的年末总人口数(HPOP)、反映经济发展水平的人均国内生产总值(PGDP)、反映固定资产投资规模的全社会固定资产投资额(FAI)；以及在地市尺度上, 选择反映外商投资规模的外商直接投资额(FDI)、反映技术水平的资本劳动比, 即各地市规模以上企业的固定资产存量和年末就业人数的比值(TEP)等因素作为控制变量(贺灿飞等, 2016; Lin et al., 2017；Zhou et al., 2021; 黄莘绒等, 2021), 分析土地城市化和人口城市化对氨氮排放的驱动作用.将长三角2011年和2015年数据整理形成短面板数据, 各变量的描述性统计如表 1所示.
表 1(Table 1)
| 表 1 面板数据的主要变量描述性统计 Table 1 Descriptive statistics of main variables in the panel data | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 1 面板数据的主要变量描述性统计 Table 1 Descriptive statistics of main variables in the panel data
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
 |
此外, 区县的某一解释变量的变化不仅会产生直接效应, 直接改变该区县本身的被解释变量；还会通过间接效应, 间接影响相邻区县的被解释变量(Elhorst, 2014).因此, 本研究采用SDM来进行解释变量的空间效应分解.所有模型采用最大似然法进行参数估计.
3 结果与讨论(Results and discussion)3.1 氨氮排放的时空变化3.1.1 总体变化特征将长三角各区县单元的氨氮排放量按自然断点法(Jenks)由低到高依次分为Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ、Ⅵ等6个等级(图 2a~图 2b).由图可以发现: ①长三角地区氨氮排放规模下降显著.2011—2015年, 长三角地区氨氮排放量由41.90×104 t减少到27.01×104 t, 降低了35.54%.Ⅳ级及以上高氨氮排放等级区县数量由2011年的98个减少到2015年的28个, 减少了71.43%, 其国土面积占长三角地区国土总面积的比重, 也由37.88%下降到13.33%.②高氨氮排放等级区县空间分布向沿海地区收缩态势明显.2011年, 长三角地区的上海大部、江苏东部和北部、安徽北部、福建东北部和南部地区均为高氨氮排放等级区县分布区.到2015年, 安徽省已全部挤出Ⅳ级及以上高氨氮排放等级区县, Ⅳ级及以上排放区集中分布在上海, 江苏东部的苏州、南通、扬州、盐城、连云港, 以及浙江北部的绍兴、宁波和南部的温州等城市的市辖区邻近区县, 呈现出明显的邻海属性和高城市化区分布指向.
图 2(Fig. 2)
 |
| 图 2 2011—2015年长三角地区氨氮排放等级空间分布 Fig. 2Spatial distribution of ammonia nitrogen emission levels in 2011-2015 in the YRD |
进一步地, 在地级市尺度, 通过改进Henrie和Plane (2006)提出的统计方法, 首先计算长三角各区县的行政中心到所在地级市行政中心的距离；然后每间隔10 km统计带宽内的区县单元的氨氮排放总量.图 3a~图 3b报告了不同距离带内的氨氮排放量和累计排放贡献率.不难发现, 在长三角地区内, 地市范围内的氨氮排放存在明显的“中心—外围”特征.在10 km范围内的中心区县氨氮排放量最大, 随着区县与市中心的距离增长, 边缘区县的氨氮排放量逐渐下降.通过不同距离带下的氨氮排放累计贡献率也发现, 城市中心60 km范围内的区县在2011年和2015年分别贡献了93.37%和93.15%的氨氮排放量, 其中仅10 km范围内的区县就贡献了近30%的氨氮排放(2011年和2015年分别为27.99%和31.92%).在60 km之后, 区县氨氮排放量迅速下降, 累计贡献率增长也逐渐趋缓.由此反映出, 在各地市中心60 km半径范围内的区县, 尤其是10 km范围内的中心区县对长三角地区的氨氮排放产生了主要贡献.
图 3(Fig. 3)
 |
| 图 3 2011—2015年长三角区县氨氮排放市郊距离变化特征 Fig. 3Changes of ammonia nitrogen emissions between the district and county in 2011—2015 in the YRD |
3.1.2 空间关联特征全局空间自相关检验表明长三角区县的氨氮排放存在显著的空间正相关性, 全局Moran′s I指数测算显示, 2011年和2015年长三角区县氨氮排放的Moran′s I值分别为0.356和0.383, 且均通过显著性检验(p < 0.01).进一步地, 计算各区县的Getis-Ord G*指数, 并按指数高低区分为不同热度等级(图 4a~图 4b), 结果发现长三角区县氨氮排放的高值簇和低值簇集聚现象十分显著.从热度分布上看, 长三角热度呈现沿海区高、内陆区低的特征, 形成了明显的圈层分布结构.2011年, 氨氮排放的热区集中分布在上海市和江苏省的沿江区县, 在安徽北部的宿州、淮北、亳州和阜阳, 以及浙江的绍兴和温州等地市的邻海区县也有所分布.冷区则集中分布在安徽和浙江两省的交界地带.到2015年热区范围整体向沿海区县收缩, 冷区以安徽省南部黄山市等地市的区县为中心向南北方向扩张, 但邻海热度高、内陆热度低的空间分布格局仍相对稳定.
图 4(Fig. 4)
 |
| 图 4 2011—2015年长三角地区氨氮排放Getis-Ord G*指数分布图 Fig. 4Distribution of Getis-Ord G* index of ammonia nitrogen emissions in 2011—2015 in the YRD |
此外, 依据各区县局部Moran′s I测算结果, 在1%显著性水平上将各区县分为高-高(H-H)、高-低(H-L)、低-高(L-H)、低-低(L-L)、以及不显著(Non sig.)5种类型, 并分析各区县局部空间自相关(LISA)集聚类型的时空演化过程(图 5), 分析结果显示长三角地区氨氮排放的高值集聚格局在5年间保持稳定, 且高-高聚类和低-低聚类等正相关空间关联有所加强.从空间聚集类型上看, 长三角区县氨氮排放强度的正相关性有所提升, 在关键城市化地区氨氮排放的高值集聚格局还在增强.图 5显示, 长三角H-H聚类主要分布在江苏和上海的沿海区县, L-L聚类主要分布在安徽和浙江交界附近的区县, 且到2015年两种聚类的空间范围均有进一步扩大.江苏淮安的涟水县和淮阴县, 江苏南京的玄武区, 苏州的太仓市, 以及南通的港闸区均由L-H聚类转变为H-H聚类, 在温州、杭州、常州、苏州、盐城等地市也有部分区县由不显著转变为H-H聚类, 反映出这些沿海高度城市化地区的高值排放区县集聚程度有所提升.对于区域负相关类型的聚类, H-L聚类由7个减少为4个, L-H聚类由10个减少为8个, 均有一定程度降低, 反映出长三角区县的氨氮排放特征呈现出局部空间趋同, 应提高对沿海高度城市化地区氨氮排放集聚现象的关注.
图 5(Fig. 5)
 |
| 图 5 长三角氨氮排放LISA集聚类型变化图(图例中数字表示该类型县域单元数量) Fig. 5Change types of LISA clusters of ammonia nitrogen emissions in 2011—2015 in the YRD |
3.2 城市化过程对氨氮排放的驱动作用由上文可知, 被解释变量氨氮的排放量存在显著的空间自相关性, 对LUR模型和PUR模型分别进行普通OLS估计并进行残差的空间自相关检验, 结果显示残差Moran′I值均为正, 并在1%水平上显著, 表明模型残差具有显著的空间自相关性.因此对于非独立样本数据, 普通面板模型回归估计会产生明显的偏误, 应使用考虑了空间效应的空间面板模型进行回归.根据Hausman检验结果, 对LUR模型和PUR模型都应采用固定效应面板模型而非随机效应面板模型进行回归估计.进一步对时空固定效应联合显著性进行似然比检验(Likelihood Ratio test, LR), 结果表明, 需要将模型扩展为具有空间固定效应和时间固定效应的模型.综上, 决定采用具有时空固定效应的空间杜宾模型进行系数估计, 分析土地城市化和人口城市化因素对长三角氨氮排放的驱动作用与空间效应.各检验结果如表 2所示.
表 2(Table 2)
| 表 2 空间杜宾模型检验结果 Table 2 The test results of Spatial Durbin Models | |||||||||||||||||||||||||||||||
表 2 空间杜宾模型检验结果 Table 2 The test results of Spatial Durbin Models
| |||||||||||||||||||||||||||||||
| |||||||||||||||||||||||||||||||
空间杜宾模型参数估计结果如表 3所示.LUR模型和PUR模型的空间自回归系数ρ分别为0.235和0.252, 且均在1%水平上显著, 证实了长三角区县单元的氨氮排放具有显著的空间溢出效应, 相邻区县的氨氮排放增加将会带动本地氨氮排放同步增长.这一现象可能是由于本地市场效应, 相邻地区环境规制的同质性, 造成了污染企业的就近迁移, 导致本地污染物排放对邻地产生了显著驱动(沈坤荣等, 2017).此外, 由于反馈作用的存在, 模型各因素的回归系数并不能准确反映其驱动作用, 而应考虑各影响因素的总体效应(Elhorst, 2014), 结果如表 4所示.
表 3(Table 3)
| 表 3 空间杜宾模型参数估计结果 Table 3 Estimation results of spatial durbin model | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 3 空间杜宾模型参数估计结果 Table 3 Estimation results of spatial durbin model
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 4(Table 4)
| 表 4 空间杜宾模型的空间效应分解 Table 4 Direct and indirect effects of Spatial Durbin Model | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 4 空间杜宾模型的空间效应分解 Table 4 Direct and indirect effects of Spatial Durbin Model
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
核心解释变量lnLUR和lnPUR的总体效应分别为-0.588%和-2.910且均显著, 表明长三角区县的城市用地扩张和城镇人口集中过程总体缓解了氨氮排放压力.长三角区县土地城市化率和人口城市化率每提高1.000%, 将分别使氨氮排放量平均减少-0.588%和-2.910%.一方面, 由于土地和人口要素的非农化转变, 带动了区域内生产生活规模提升(段博川等, 2016), 加剧了氨氮排放, 另一方面城市用地的补充、资源要素的集中以及污染处理能力的提升也疏解了长三角城市化地区的生产生活活动带来的污染物排放压力(黄莘绒等, 2021), 对区域氨氮排放产生了抑制作用.城市化因素的显著的负向驱动效应, 反映出长三角地区人口和土地的空间集中有效推动了资源的集约利用, 氨氮排放向中心城区的集中过程推动了区域整体的氨氮排放下降.
控制变量的总体效应还显示, 人口规模变量lnHPOP总体效应显著为正, 表明人口规模的增长将驱动氨氮排放显著增加.人口规模因素的高驱动性反映出人口规模因素是水污染物排放的控制性因素.人口的集中分布将提高排放集中度、增加处理设施的运行负荷, 显著增加水污染物排放强度.经济发展水平因素lnPGDP的总体效应显著为正, 反映出长三角地区以牺牲环境为代价的经济发展模式仍然存在.资本类型变量lnFDI和lnFAI均有显著的负向总体效应, 外商直接投资规模和固定资产投资规模的增加, 将相应引起氨氮排放趋缓.lnFDI的负向驱动效应可能来自于外资企业拥有更高的绿色节能技术或清洁生产技术, 减少了生产过程中的水污染物排放, 同时通过示范效应, 提高了长三角本地企业的生产效率, 减少了资源要素的投入, 进而改善了环境质量.lnFAI的负向驱动效应, 一方面, 反映出长三角地区基础设施建设过程以及降低能耗和成本进行的产业技术的升级换代, 减少了本地污染物的产生, 缓解了本地的水污染胁迫态势；另一方面, 反映出长三角地区通过统一规划建设城市群和都市圈内路、水、电、气、信息等基础设施, 加强了中心城市与都市圈内其他城市的交通对接, 强化了中心城区对相邻区县的资源吸引力, 降低了相邻区县的资源消耗与能源消耗, 间接减少了区域性的污染物产生, 缓解了区域环境污染胁迫态势(王振波等, 2019; Zhou et al., 2021).
3.3 讨论3.3.1 城市化过程对氨氮排放的空间交互特征进一步地, 根据LeSage等(2009)提出的方法, 将各影响因素的总体效应进行直接效应和间接效应分解, 以反映城市化过程同氨氮排放的空间交互特征, 结果如表 4所示.由LUR模型, lnLUR的直接效应为0.214, 间接效应为-0.802, 表明长三角区县土地城市化水平平均提高1.000%, 不仅会直接导致本地氨氮排放相对增加0.214%, 还会相应引起邻地氨氮排放减少0.802%.由PUR模型, lnPUR的直接效应为0.294, 间接效应为-3.204, 长三角区县人口城市化水平平均提高1.000%, 在直接导致本地氨氮排放增加0.294%的同时, 还会引起邻地氨氮排放平均减少3.204%.
从直接效应来看, lnLUR和lnPUR的正向直接效应表明长三角区县建设用地比重增加和人口的非农化转变推升了本地的人为活动强度.由于建设用地拥有更高的污染排放率, 建设用地的扩张显著促进了氨氮排放(魏建兵等, 2008；姚小薇等, 2015).同时, 由于生活、交通方式和能源结构的差异, 城市化程度更高的居民具有更高的产污强度(Jones, 1991; 赵海霞等, 2016), 以2015年为例, 长三角地区市辖区每万人氨氮排放量达16.79 t, 是非市辖区每万人氨氮排放量9.85吨的1.71倍, 城市人口比例的提升将显著加剧当地氨氮排放水平.
从间接效应来看, 长三角区县的土地城市化和人口城市化水平的提高均显著降低了周边区县的氨氮排放水平.这种负向间接效应的出现, 一方面, 伴随地区城市化过程推进, 中心城区在资源开发、现代交通、以及经济联系等方面具备更大的优势, 将对邻近区县的人口、经济要素产生有效吸引(李小建等, 2015；黄莘绒等, 2021), 并且由于单位土地面积的经济产值更高, 中心城区获取新增建设用地的能力也更强(毛广雄等, 2016).2011—2015年, 长三角地区新增城乡建设用地面积达241.28万km2, 新增人口数达686.78万人, 其中市辖区新增城乡建设用地面积占到总新增面积的62.55%, 新增人口数是非市辖区新增人口数的5.68倍.中心城区的城市化过程推动相邻区县人口和土地开发机会向中心城区集聚, 并相应促进了相邻区县氨氮排放水平的下降.另一方面, 这种效应也可能来自于城市化水平的提升带来了更加绿色的生产生活方式的普及, 随着农村人口向城市人口的不断转变, 城市居民的污染物处置方式、环境保护理念、以及对环境质量的要求逐渐辐射到周边区县的非城市人口, 从而减少了社会能源物质消耗, 降低了污染物排放水平(穆怀中等, 2016).
进一步地, 设定反距离空间权重矩阵的不同阈值, 来研究不同距离下局域空间的土地城市化和人口城市化同氨氮排放的空间交互过程.具体地, 每10 km设定一个反距离空间权重矩阵的距离阈值, 并利用SDM模型进行空间计量回归, 图 6报告了不同距离阈值下土地城市化和人口城市化因素对相邻单元氨氮排放的间接效应(Indirect effect, IEd), 用以反映不同距离下城市化过程同氨氮排放的空间交互作用强度.
图 6(Fig. 6)
 |
| 图 6 土地城市化和人口城市化的空间效应距离变化特征 Fig. 6Spatial effects of land urbanization and population urbanization vary with distance |
可以看出, 土地城市化和人口城市化水平对氨氮排放的间接效应均呈现出先升高后下降的距离特征, 效应峰值出现在100 km附近.在100 km范围内, 城市化同氨氮排放的空间交互作用强度上升的原因在于, 一方面, 城市基础服务设施对居民生活具有一定的辐射范围, 在范围内经济活动和城市间的联系不断增强；另一方面, 城市开发过程中的产业布局为了减少克服空间摩擦所需的运输成本, 一般倾向于交通便利的枢纽地区, 具有天然的临港属性, 在布局上不会明显远离区域中心.当距离大于100 km时, 由于城市开发效率下降造成的生产成本和居民活动的通勤成本明显上升, 城市空间过大导致了规模不经济, 城市化过程对氨氮排放的间接效应将呈现出明显下滑的趋势.长三角区县的城市化过程同氨氮排放的空间交互特征反映出城市群建设是长三角地区降低区域氨氮排放的关键路径, 在合理空间范围内的区际协同和一体化治理, 显著提高了对氨氮排放的控制能力与处理水平(张可, 2016).在长三角地区城市化过程中, 以城市群和都市圈为主体, 中心城区的集聚效应和示范作用驱动的氨氮排放下降过程, 最终有效推进了长三角地区的整体减排(图 7).值得注意的是, 无论是土地城市化还是人口城市化因素, 随着阈值距离的增加其空间交互效应的显著性水平也逐渐提高.这主要因为随着阈值距离的扩大, 样本单元在更加广泛的空间内产生了交互作用, 对其他区县氨氮排放的空间影响也就越显著.
图 7(Fig. 7)
 |
| 图 7 长三角地区城市化过程对氨氮排放的驱动机制 Fig. 7The impact mechanism of urbanization on ammonia nitrogen emissions |
3.3.2 基于驱动作用和交互特征的氨氮减排途径快速城市化过程中产业废水和生活污水的氨氮排放总量控制压力持续存在, 因此, 提升城市污水处理技术水平和处理规模是关键, 应通过普及污水的氨氮处理新技术、扩建或新建污水处理厂、加快污水管网的铺设和延伸等手段, 切实提高污水处理率并有效降低污染物入水规模与浓度, 同时, 从生产生活源头对水污染排放实行更严格监管, 从法律层面约束城市居住区、产业园区、工业企业、个人等各类主体污水排放前的治污水平.城市化过程对本地氨氮排放的促进作用和对邻地的抑制作用表明, 实现区域氨氮减排, 一方面, 对于人口城市化及其伴生过程, 需要合理控制城市化区域的人口集中过程, 加强对城市居民绿色生产生活方式的引导, 培养形成节约、清洁的环境意识和社会氛围, 加快构建总体排放规模小、个体排放强度低的节水型社会；另一方面, 鉴于土地城市化远快于人口城市化的发展现状, 需要约束城市土地开发过程, 补齐开发建设初期的污染排放控制短板, 推动污染排放与土地利用审批相结合, 发展以城市规模、城市职能划定污染排放与治理标准的城市土地开发模式.此外, 区域社会经济要素的污染物排放驱动作用还表明, 长三角地区需要进一步加强区域固定资产投资的环境治理投入, 进一步发挥外商资本的技术示范效应, 促进区域经济向低污染的信息经济转型, 实现信息资源对物质资源的有效替代, 推动长三角地区城市化建设高质量实现.
城市化同氨氮排放的空间交互作用, 表明需要进一步放大城市群和都市圈在降低区域性氨氮排放中的示范效应, 充分发挥其正外部性, 以城市群和都市圈为主体持续推动长三角氨氮减排.具体的, 在城市群及都市圈层面, 强化城市居民生活源、工业源氨氮排放污染治理；开展工程减排的同时, 推动区域重点水域的水生态系统保护工程, 提升区域综合承载力；深化区域一体化协作, 制定统一的区域氨氮减排规划, 推进污水处理设施一体化联网建设；加强污染信息联通, 明确治理部门职能主体, 构建开放共享的污染信息一体化平台.在县城及城镇层面, 规模较大、人口较集中的县城及大型城镇提升氨氮集中处理规模和能级；在中小城镇探索采用小型化、生态化、分散化氨氮处理模式和处理工艺, 推动城镇生活污水就近就地资源化利用；在都市圈周边可将靠近都市圈的城镇纳入整体生活污水处理系统, 合理组织雨污分流形式和排放路径.
4 结论(Conclusions)1) 2011—2015年长三角地区氨氮排放整体规模下降显著, 氨氮高值排放区县向沿海和地市中心快速收缩, 并在城市内部形成了显著的“中心—外围”结构, 在沿海地区, 氨氮高值排放区县的空间集聚程度逐渐加深, 动态中在长三角地区形成了圈层式分布格局.
2) 长三角城市化过程总体上缓解了区域的氨氮排放压力.人口规模是驱动区域氨氮排放的控制性因素, 人口规模平均增加1%, 会带来氨氮排放相对增长2%以上.经济水平的提高增加了区域氨氮排放.资本要素带来的清洁技术应用的和环保投入增加显著促进了氨氮排放的下降, 外商直接投资和固定资产投资规模的增加不仅能驱动本地氨氮排放减少, 还能通过技术溢出和区际联系带动相邻区县排放下降.
3) 土地城市化和人口城市化会加剧本地氨氮排放, 但会吸引相邻区县人口、资源要素集聚, 并通过绿色生产生活方式的辐射促进邻地氨氮排放下降.以城市群和都市圈为主体, 在100 km范围内, 高度城市化地区的集聚效应和示范作用驱动的氨氮排放下降过程, 是长三角地区重要的氨氮减排路径.
5 展望(Prospect)未来值得继续关注的问题有: 鉴于高度城市化地区的水污染物排放聚集效应和空间溢出过程, 需进一步揭示空间溢出效应的产生机制, 避免高污染物排放格局产生空间锁定；后续研究有待将自然受体纳入分析模型, 系统开展污染物胁迫和环境受胁反应研究；考虑到人口和土地城市化同步的空间交互过程, 有必要明确城市开发的合理边界和环境效益, 制定合理规模下的国土空间规划, 探索低能耗低污染的产业发展路径；进一步考察城市群尺度的污染物排放分异规律, 探讨城市群内部、城市群与城市群之间污染物排放的空间关联机制；未来还可在第二次全国污染源普查和全要素环境监测体系建立的基础上, 开展长时序、全来源污染排放同城市化过程变动特征的研究.
参考文献
| Anselin L. 1995. Local indicators of spatial association-LISA[J]. Geographical Analysis, 27(2): 93-115. |
| Cao L, Li L, Wu Y. 2021. How does population structure affect pollutant discharge in China? Evidence from an improved STIRPAT model[J]. Environmental Science and Pollution Research, 28: 2765-2778. DOI:10.1007/s11356-020-10589-3 |
| 陈春, 于立, 张锐杰, 等. 2016. 中国城镇化加速阶段中期土地城镇化与人口城镇化的协调程度[J]. 长江流域资源与环境, 25(11): 1654-1662. DOI:10.11870/cjlyzyyhj2016011003 |
| 陈强. 2014. 高级计量经济学及Stata应用(第二版)[M]. 北京: 高等教育出版社. |
| 程玉芝, 付宁. 2017. 蜚克图河流域宾县段水污染现状分析及对策研究[J]. 环境科学与管理, 42: 58-59. |
| Cole M A, Neumayer E. 2004. Examining the impact of demographic factors on air pollution[J]. Population and Environment, 26: 5-21. DOI:10.1023/B:POEN.0000039950.85422.eb |
| 邓晓兰, 车明好, 陈宝东. 2017. 我国城镇化的环境污染效应与影响因素分析[J]. 经济问题探索, (1): 31-37. |
| Dietz T, Rosa E A. 1997. Effects of population and affluence on CO2 emissions[J]. Proceedings of the National Academy of Sciences, 94: 175-179. DOI:10.1073/pnas.94.1.175 |
| Dogan E, Turkekul B. 2016. CO2 emissions, real output, energy consumption, trade, urbanization and financial development: testing the EKC hypothesis for the USA[J]. Environmental Science and Pollution Research, 23: 1203-1213. DOI:10.1007/s11356-015-5323-8 |
| 段博川, 孙祥栋. 2016. 城镇化进程与环境污染关系的门槛面板分析[J]. 统计与决策, (22): 102-105. |
| Ehrlich P R, Holdren J P. 1971. Impact of population growth[J]. Science, 171: 1212-1217. DOI:10.1126/science.171.3977.1212 |
| Elhorst J P. 2014. Spatial econometrics: from cross-sectional data to spatial panels[M]. Berlin: Springer. |
| Feard J F, Blaise C. 2013. Encyclopedia of Aquatic Ecotoxicology[M]. Dordrecht: Springer Science. |
| 高伟, 白辉, 严长安, 等. 2019. 1952-2016年长江经济带天然与人为氮输入时空演变趋势[J]. 环境科学学报, 39(9): 3134-3143. |
| Getis A, Ord J K. 1992. The Analysis of Spatial Association by Use of Distance Statistics[J]. Geographical Analysis, 24(3): 189-206. |
| 国家统计局. 2013. 中国统计年鉴[M]. 北京: 中国统计出版社. |
| 国家统计局. 2016. 中国统计年鉴[M]. 北京: 中国统计出版社. |
| 国家统计局. 2016. 中国环境统计年鉴[M]. 北京: 中国统计出版社. |
| 贺灿飞, 周沂. 2016. 环境经济地理研究[M]. 北京: 科学出版社. |
| Henrie C J, Plane D A. 2006. Decentralization of the nation's main street: New coastal-proximity-based portrayals of population distribution in the United States, 1950-2000[J]. Professional Geographer, 58: 448-459. DOI:10.1111/j.1467-9272.2006.00581.x |
| 黄莘绒, 管卫华, 陈明星, 等. 2021. 长三角城市群城镇化与生态环境质量优化研究[J]. 地理科学, 41(1): 64-73. |
| Jones D W. 1991. How urbanization affects energy-use in developing countries[J]. Energy policy, 19(7): 621-630. DOI:10.1016/0301-4215(91)90094-5 |
| Kelejian H H, Prucha I R. 2010. Specification and estimation of spatial autoregressive models with autoregressive and heteroskedastic disturbances[J]. Journal of Econometrics, 157: 53-67. DOI:10.1016/j.jeconom.2009.10.025 |
| LeSage J, Pace R K. 2009. Introduction to Spatial Econometrics[M]. Boca Raton: CRC Press. |
| 李存贵. 2021. 中国城镇化对环境污染的空间溢出与门槛效应研究[J]. 生态经济, 37: 197-206. |
| 李彦旻, 高兵, 汤剑雄, 等. 2019. 厦门市氮素流动与水环境负荷演变特征[J]. 环境科学学报, 39(2): 610-623. |
| Li Y, Li Y, Zhou Y, et al. 2012. Investigation of a coupling model of coordination between urbanization and the environment[J]. Journal of Environmental Management, 98: 127-133. |
| 李义禄, 张玉虎, 贾海峰, 等. 2014. 苏州古城区水体污染时空分异特征及污染源解析[J]. 环境科学学报, 34(4): 1032-1044. |
| 梁伟, 杨明, 张延伟. 2017. 城镇化率的提升必然加剧雾霾污染吗——兼论城镇化与雾霾污染的空间溢出效应[J]. 地理研究, 36: 1947-1958. |
| Liddle B. 2004. Demographic dynamics and per capita environmental impact: Using panel regressions and household decompositions to examine population and transport[J]. Population and Environment, 26: 23-39. DOI:10.1023/B:POEN.0000039951.37276.f3 |
| 林坚. 2010. 2000年以来人口城镇化水平变动省际差异分析——基于统计数据的校正和修补[J]. 城市规划, 34: 48-56. |
| 林兰. 2016. 长三角地区水污染现状评价及治理思路[J]. 环境保护, 44(17): 41-45. |
| Lin S, Sun J, Marinova D, et al. 2017. Effects of population and land urbanization on China's environmental impact: Empirical analysis based on the extended STIRPAT model[J]. Sustainability, 9: 825. DOI:10.3390/su9050825 |
| 李小建, 许家伟, 海贝贝. 2015. 县域聚落分布格局演变分析——基于1929-2013年河南巩义的实证研究[J]. 地理学报, 70(12): 1870-1883. DOI:10.11821/dlxb201512002 |
| 毛广雄, 钱肖颖, 曹蕾, 等. 2016. 江苏省劳动密集型产业集群化转移的空间路径及机理研究[J]. 地理科学, 36(1): 72-80. |
| 马小雪, 龚畅, 郭加汛, 等. 2021. 长江下游快速城市化地区水污染特征及源解析: 以秦淮河流域为例[J/OL]. 环境科学: 1-14. https://doi.org/10.13227/j.hjkx.202011184 |
| 穆怀中, 范洪敏. 2016. 城市化对环境质量的影响——基于27个国家面板数据的分析[J]. 城市问题, (9): 73-79. |
| Ord J K, Getis A. 1995. Local spatial autocorrelation statistics: Distributional issues and an application[J]. Geographical Analysis, 27(4): 286-306. |
| Parikh J, Shukla V. 1995. Urbanization, energy use and greenhouse effects in economic development: Results from a cross-national study of developing countries[J]. Global Environmental Change, 5: 87-103. DOI:10.1016/0959-3780(95)00015-G |
| 沈坤荣, 金刚, 方娴. 2017. 环境规制引起了污染就近转移吗?[J]. 经济研究, 52(5): 44-59. |
| 王家庭, 赵丽, 孙哲, 等. 2013. 我国区域城市化与环境污染关系的空间计量研究[J]. 城市观察, (3): 5-20. |
| 王江, 刘莎莎. 2019. 金融发展、城镇化与雾霾污染——基于西北5省区的空间计量分析[J]. 工业技术经济, 38(2): 77-86. DOI:10.3969/j.issn.1004-910X.2019.02.010 |
| 王振波, 梁龙武, 王旭静. 2019. 中国城市群地区PM2.5时空演变格局及其影响因素[J]. 地理学报, 74: 2614-2630. DOI:10.11821/dlxb201912014 |
| 魏建兵, 曾辉, 秦华鹏, 等. 2008. 深圳石岩水库流域土地利用空间分异的水环境效应[J]. 中国环境科学, (10): 938-943. DOI:10.3321/j.issn:1000-6923.2008.10.015 |
| 冼超凡, 潘雪莲, 甄泉, 等. 2019. 城市生态系统污染氮足迹与灰水足迹综合评价[J]. 环境科学学报, 39(3): 985-995. |
| Xu F, Huang Q, Yue H, et al. 2020. Reexamining the relationship between urbanization and pollutant emissions in China based on the STIRPAT model[J]. Journal of Environmental Management, 273: 111134. DOI:10.1016/j.jenvman.2020.111134 |
| 姚小薇, 曾杰, 李旺君. 2015. 武汉城市圈城镇化与土地生态系统服务价值空间相关特征[J]. 农业工程学报, 31(9): 249-256. |
| Yu S, Yu G B, Liu Y, et al. 2012. Urbanization impairs sureface water quality: Eutrophication and metal stress in the Grand Canel of China[J]. River Research and Applications, 28: 1135-1148. DOI:10.1002/rra.1501 |
| 张可. 2016. 区域一体化有利于减排吗?[J]. 金融研究, (1): 67-83. |
| 赵海霞, 王淑芬, 崔建鑫, 等. 2016. 城镇生活污染排放系数调查与核算——以常州市为例[J]. 环境科学学报, 36(7): 2658-2663. |
| 周侃, 樊杰. 2016. 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[J]. 地理学报, 71(11): 1911-1925. DOI:10.11821/dlxb201611004 |
| 周侃, 王强, 樊杰. 2019. 经济集聚对区域水污染物排放的影响及溢出效应[J]. 自然资源学报, 34(7): 1483-1495. |
| Zhou K, Wu J X, Liu H C. 2021. Spatiotemporal variations and determinants of water pollutant discharge in the Yangtze River Economic Belt, China: A spatial econometric analysis[J]. Environmental Pollution, 271: 116320. DOI:10.1016/j.envpol.2020.116320 |
