环境科学学报  2021, Vol. 41 Issue (10): 3916-3926
主体功能区视角下的环境污染时空格局及驱动因素——基于广东省121个县域的实证分析    [PDF全文]
梁育填1,2, 张家熙1, 周侃3,4, 周克杨1    
1. 中山大学地理科学与规划学院/中国区域协调发展与乡村建设研究院, 广州 510275;
2. 南方海洋科学与工程广东省实验室(珠海), 珠海 519080;
3. 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;
4. 中国科学院大学资源与环境学院, 北京 100049
摘要:基于县域污染物排放和人口社会经济数据库,运用熵权法构建水气污染综合指数测度广东省水气环境污染状况,在解析2012—2016年水气环境污染时空变化与主体功能区分异特征的基础上,采用空间计量模型考察水气环境污染的驱动因素及其在不同类型主体功能区之间的差异.研究结果表明:① 2012—2016年,广东省水气污染综合指数降幅达到46.93%,处于污染指数高值区间的县域数量大幅减少,并呈现由边缘向核心收缩的空间变化特征;② 4类主体功能区的水气环境污染均有明显改善,但相对而言,城市化地区和农产品主产区仍是广东省水气污染物排放的主要承压区;③人口规模是各类主体功能区水气环境污染的共性驱动因素,此外,城市化地区、农产品主产区和重点生态功能区还分别受到工业化水平、社会固定资产投资和财政收入分权程度的影响.建议从引导城乡居民绿色生活、持续提升清洁生产技术、增加地方财政分权激励机制中的环境效益考核入手强化区域环境污染综合治理.
关键词环境污染    驱动因素    空间效应    主体功能区    广东省    
Spatiotemporal pattern and driving factors of environmental pollution from the perspective of major functional zones: Empirical analysis based on 121 counties in Guangdong Province, China
LIANG Yutian1,2, ZHANG Jiaxi1, ZHOU Kan3,4, ZHOU Keyang1    
1. School of Geography and Planning, China Regional Coordinated Development and Rural Construction Institute, Sun Yat-sen University, Guangzhou 510275;
2. Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519080;
3. Key Laboratory of Regional Sustainable Development Modeling, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101;
4. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049
Received 22 April 2021; received in revised from 22 June 2021; accepted 22 June 2021
Abstract: Based on the pollutant emission and socio-economic database at the county level, this paper established a comprehensive water and air pollution index by using the entropy weight method (EWM) to measure the environmental pollution situation in Guangdong Province, and revealed the temporal and spatial changes of water and air environmental pollution from 2012 to 2016 and the characteristics of major functional zones (MFZ). Meanwhile, the spatial econometric model was used to investigate the main driving factors of environmental pollution and the differences in the degree of influence among different types of MFZ. The results show that: ① From 2012 to 2016, the comprehensive index of water and air pollution in Guangdong Province dropped by 46.93%. Counties in the high value range of the water and air pollution index (WAPI) decreased significantly, and showed a prominent spatial change from the periphery to the core of the high pollution area. ② The water and air pollution of four types of MFZ have been effectively controlled, while the urbanized zones (optimized development zones and prioritized development zones) and main agricultural production zones were still the major areas bearing water and air environmental pollution in Guangdong Province. ③ Population scale was the common driving factor among four types of MFZ in Guangdong, moreover, urbanization zones, main agricultural production zones and key ecological function zones were respectively affected by industrialization, social investment in fixed assets and the degree of decentralization of fiscal revenue. Thus, the following key approaches were recommended for comprehensive regional environmental management in Guangdong: guiding urban and rural residents to live a greener life, upgrading cleaner production technology, and increasing the consideration of environmental benefits in the incentive mechanism for local fiscal decentralization, etc.
Keywords: environmental pollution    driving factor    spatial effect    Major Functional Zones (MFZ)    Guangdong Province    
1 引言(Introduction)

改革开放以来, 我国进入快速工业化、城镇化阶段, 高速度、高密度、高强度的空间扩张过程不可避免地引发了高耗能、高排放、高污染问题(周侃等, 2020).作为我国改革开放的前沿阵地, 广东省经济长期保持高速增长水平, 但与此同时, 污染物持续快速排放引发的环境污染问题也日益突出.为此, 广东省政府先后出台了多项环境防治政策.但由于未能充分考虑实施范围内的区域差异, 该类政策的防治效果往往有限, 甚至可能引起污染转移现象(沈静等, 2015).相比之下, 以空间管治为基本理念的主体功能区规划充分考虑了环境污染及其路径在空间上的差异性, 强调污染防控的空间性和全局性(樊杰, 2013), 并通过差别化的环境政策, 为精确化控制环境污染提供了途径.因此, 本文基于主体功能区的视角, 在县域尺度上揭示区域环境污染减排的时空变化及其驱动因素差异, 以期为精准化制定环境管制政策提供参考.

早期, 环境污染主要作为伴生经济增长过程的“副产品”而受到学者关注(沈建法, 1990; Grossman et al., 1991), 大量研究在国家、省域、城市等多个尺度上对Kuznets曲线的适用性进行了实证研究(Aslanidis et al., 2009; 王立平等, 2010).随后, 经济结构(金春雨等, 2017)、对外贸易(Ramon, 1994; 邬彩霞, 2010)、外商投资(Choe, 2003; 姜磊等, 2021)、人口规模(王婷等, 2012)、技术水平(孙军等, 2014)、财税体制(Pearce, 1991; Glomm et al., 2008; 田时中等, 2019)、环境管制(包群等, 2013; 程钰等, 2016)等变量逐渐被纳入环境污染影响因素的分析框架.研究方法也呈现多元化发展趋势, 由最初的Kuznets曲线模型(吴玉鸣等, 2012)扩展到包含LMDI指数法(刘红光等, 2009)、VAR模型(吴丹等, 2011)、PSTR模型(刘建民等, 2015)在内的计量方法以及考虑了空间相关(周侃等, 2016)、空间误差(吴玉萍等, 2002)、空间滞后(许和连等, 2012)等属性在内的空间统计学方法.整体来看, 已有研究对环境污染驱动因素的探讨已较为充分, 测度环境污染的方法也日益丰富, 为深入理解环境污染及探索应对机制提供了大量有益的思路.

尽管环境污染格局及其影响因素空间异质性的相关研究成果已经较为丰富, 但将空间管治纳入环境污染的分析框架, 尤其是从主体功能区类型这一视角出发, 分析环境污染空间格局及其驱动因素差异性的研究仍然较少.因此, 本文基于县域污染物排放数据, 运用熵权法构建水气污染综合指数测度广东省水气环境污染状况, 在解析2012—2016年水气环境污染的时空变化与主体功能区分异特征的基础上, 采用空间计量模型考察驱动水气环境污染的影响因素及其在不同类型主体功能区之间的差异, 以期为广东省污染物减排和整治策略制定提供更精细的决策支撑.

2 数据来源与研究方法(Data and methods) 2.1 数据来源与处理

以县域为基础研究单元, 依据《广东省主体功能区规划》、《广东省环境状况公报》等官方资料, 选取化学需氧量、氨氮、二氧化硫和氮氧化物这4类具有代表性的主要控制性污染物构建水气污染综合指数, 表征广东省各县区水环境和大气环境污染状况.以人口总量、人均GDP等社会经济统计数据表征各县区的基本社会经济状况.由于数据保密、审批、统计口径变更等现阶段难以克服的原因, 本文可选取数据的时间序列受到一定限制.为尽可能反映广东省主体功能区规划实施前后的变化, 本文以相关规划文件印发年份和规划实施第4年为时间选择依据, 构建2012、2016两个年份的污染物和人口、社会经济数据集.截止2019年底, 广东省共辖121个县级行政单元(广东省人民政府, 2021).行政边界数据来源于国家基础地理信息系统网站, 污染物排放和社会经济数据主要来源于《中国环境统计年鉴》、《中国环境年鉴》、《中国城市统计年鉴》和《中国区域经济统计年鉴》以及《中国县域统计年鉴》、《广东省统计年鉴》和各地级市统计年鉴, 对其中数据不完整或缺失的县域单元, 进一步获取所在县域统计公报数据补齐.优化开发区域、重点开发区域和农产品主产区、重点生态功能区4类主体功能区数据来源于广东省人民政府发布的省级主体功能区规划(图 1).

图 1 广东省主体功能区分布 Fig. 1 The distribution map of major functional zones in Guangdong Province
2.2 研究方法 2.2.1 水气污染综合指数测度方法

熵权法能够在综合考虑各因素所提供信息量的基础上计算出一个综合指标以反映整个系统的特征(朱喜安等, 2015).借鉴相关研究(孔晴, 2019; 周侃等, 2021), 本文采用熵权法(Entropy weight method)构建水气污染综合指数(Water and air pollution index, WAPI)作为被解释变量.计算步骤为: 首先, 采用极差标准化法对i县域j污染物排放量指标(rij)进行无量纲化处理, 得到无量纲化属性值(rij);其次, 计算熵权Ej, 见式(1).

(1)

式中, Rij=rij/∑rij;广东省县域样本量为n, 令k=1/lnn.最后, 计算各项指标权重Wj=(1-Ej)/∑Ej, 并得到水气污染综合指数WAPIi, 见式(2).

(2)

WAPI能够最大程度反映县域的水气环境污染状况, WAPI值越大, 表明水气污染排放强度越高, 水体和大气环境面临的污染排放压力越大.

2.2.2 驱动因素空间计量模型

借鉴现有研究(孙静等, 2019; 周侃等, 2021), 本文以水气污染综合指数为被解释变量, 以表征经济发展、社会进步、社会资本、政策设定等社会、经济发展水平的指标为自变量, 并通过对变量取对数的处理方式以降低数据的异方差, 最终设定一般线性回归模型, 见式(3).

(3)

式中, WAPI为水气污染综合指数, 反映县域水环境和大气环境的综合污染状况;TP为年末常住人口数量(万人), 反映县域人口规模;UR为城市化率, 反映县域城市化水平;PGDP为人均GDP(万元/人), 反映县域经济发展水平, 并对2016年数据以2012年为基期进行平减以消除价格因素影响;IS为第二产业增加值占GDP的比重, 反映县域工业化水平及产业结构;FDI为外商直接投资额(亿美元), 反映县域接受外商直接投资的规模;SFA为社会固定资产投资, 反映县域社会固定资产投资状况;FRD为财政收入分权程度, 借鉴既有研究(Akai et al., 2002; 孙群力, 2009)采用人均分权指标衡量相对于全省平均水平的县域财政收入分权程度, 计算方法为: 某县域财政收入分权程度=该县域人均财政收入/全省人均财政收入;α为常数项, β, γ, δ, ω, η, κ, ξ为各解释变量的弹性系数, ε为误差项.

鉴于现有研究已在省域、市域等多个尺度下证实了环境污染具有空间溢出效应, 且本文选取的污染物类型本身具有外溢性特征, 因此, 本文拟采用空间滞后模型(Spatial Lag Model, SLM)和空间误差模型(Spatial Error Model, SEM)中的较优模型(姜磊, 2016)进行水气环境污染驱动因素的参数估计, 以充分考虑水气环境污染及其驱动因素在实体空间上可能存在的交互影响.

设定Y为因变量, X为样本量和解释变量构成的数据矩阵, β为相应的弹性系数矩阵.当各变量不存在空间效应时, 构成一般线性回归模型(OLS), 模型表达式见式(4).

(4)

当因变量存在空间滞后效应时, 在一般线性回归模型的基础上添加因变量的空间滞后项WY, 转化为空间滞后模型(SLM), 模型表达式见式(5).

(5)

当误差项存在空间依赖性时, 即模型的误差项存在空间自相关时, 在一般线性回归模型的基础上添加空间自相关误差项μ, 转化为空间误差模型, 模型表达式见式(6).

(6)

其中, 空间自相关误差项μ的生成过程见式(7).

(7)

式中, W为空间权重矩阵, 本文空间权重矩阵基于Queen邻接关系构建;ρ为空间自回归系数;λ为回归残差的空间自相关系数;ε为随机误差项.使用最大似然(ML)法对各模型进行参数估计.

3 结果(Results) 3.1 时空变化过程分析

本文首先对4类环境污染物的空间格局进行了可视化表示(图 2), 其次梳理了4类污染物在2012—2016年期间的变化特征(表 1).得出如下结论: 1)2012—2016年, 珠三角外围区域的水气环境污染改善明显, 4类污染物的高值区在空间上都呈现出“回缩”的趋势.2)4类污染物降幅明显, 其中二氧化硫减排效果最为突出, 氮氧化物和氨氮排放总量降幅相对较小.进一步计算广东省各县域的WAPI均值, 结果显示, 2012和2016年的WAPI均值分别为0.0554和0.0294, 降幅达到46.93%, 表明广东省水气环境总体呈向好趋势.

图 2 广东省县域水气环境污染物排放空间格局 Fig. 2 Spatial pattern of emission of water and air pollutants in Guangdong Province

表 1 2012—2016年广东省水气环境污染物排放变化 Table 1 Change of emission of water and air pollutants in Guangdong Province in 2012, 2016

以2012年均值为中间值, 以中间值的±25%为区间, 将县域水气污染综合指数分为低、较低、较高、高4个等级(图 3), 梳理水气环境污染的时空变化特征.结果表明: 2012年水气污染综合指数等级为高和较高的县域数量分别为26、12个, 污染指数等级为较低和低的区域数量分别为38、45个.对污染排放情况进行统计, 污染指数等级为高和较高的县域数量仅占广东省全部县域数量的31.40%, 但其水气污染综合指数却占到广东省的64.25%, 即这1/3的县域承载了整个广东省近2/3的水气污染排放压力.从空间格局来看, 污染指数高等级的县域集中分布在珠三角9市及其周边城市, 粤东的部分县域也属于高污染区.污染指数等级较高的区域则大多紧邻高污染区分布.两类污染排放高值区域在空间上总体呈现出“核心-边缘”结构.污染指数等级为较低的县域主要分布在粤西和粤东沿海, 污染指数低的县域则主要在粤北山区, 污染排放低值区域在空间上呈现出由沿海向内陆递减的格局.这种污染排放的空间格局表明在高速工业化、城市化的背景下, 珠三角高排放、高污染的发展模式已经开始向周边城市蔓延, 并逐渐影响到相对欠发达的粤东、粤西地区.并且由于交通区位方面的优势, 沿海的县域相对更易受到影响.至2016年, 水气污染综合指数等级为高和较高的县域数量分别降至6个和4个, 降幅分别达到76.92%和66.66%.污染指数等级为较低的县域数量也从38个降至29个, 低污染指数的县域则由45个增加至82个, 县域层面水气环境污染减排效果突出.污染排放情况的统计显示, 污染指数等级为高和较高的县域数量占广东省全部县域数量的8.26%, 其所承载的水气污染排放占到全省的39.61%.对比2012年的数据可以发现, 尽管污染指数高于平均值的县域大幅减少, 但这些仍处于污染高排放状态的县域承担着近5倍于其它县域的污染排放压力.与之相应地, 水气环境污染的空间格局也呈现出收缩、极化的趋势, 粤东西北地区原本处于较低污染等级的县域均转化为低污染等级, 珠三角周边原本处于高污染和较高污染等级的大部分县域也进入了较低甚至低污染等级.整体来看, 广东省水气环境污染改善明显, 反映出主体功能区规划、大气和水污染防治行动计划、珠江三角洲清洁空气行动计划等国家、省域层面各类环境规制政策的积极效果.

图 3 2012—2016年广东省县域水气污染综合指数空间格局 Fig. 3 WAPI and its spatial pattern in Guangdong Province in 2012, 2016

从各类主体功能区的水气污染综合指数均值来看(图 4), 2012年优化开发区域、重点开发区域、农产品主产区和重点生态功能区的水气污染综合指数均值分别为0.0597、0.0776、0.0509、0.0268, 4类主体功能区所承载的水气环境污染压力分别为27.77%、36.09%、23.67%、12.47%, 即重点开发区域的水气环境污染最严重, 优化开发区域次之, 农产品主产区的水气环境污染仅略低于优化开发区域, 重点生态功能区水气环境污染程度最低.按照环境污染特征对主体功能区进行归类, 优化开发区域、重点开发区域这两类城市化地区和农产品主产区的水气环境污染程度明显高于重点生态功能区, 且3类主体功能区的水气环境污染占据广东省全域水气环境污染的比重高达87.53%.至2016年, 4类主体功能区的水气环境污染均有所改善, 优化开发区域、重点开发区域、农产品主产区和重点生态功能区的水气污染综合指数均值分别下降至0.0326、0.0431、0.0230、0.0137, 降幅分别为45.35%、44.47%、54.79%、48.78%.4类主体功能区的水气污染

图 4 2012—2016年广东省各类主体功能区水气污染综合指数 Fig. 4 The WAPI of major functional zones in Guangdong Province in 2012, 2016

综合指数降幅都在40%以上, 表明各类主体功能区的水气环境都有较大程度的改善.其中农产品主产区的水气污染改善力度最大, 重点生态功能区次之、优化开发区域和重点开发区域的污染改善力度则较小.对各类主体功能区所承载的环境污染压力进行测算, 优化开发区域、重点开发区域、农产品主产区、重点生态功能区的水气环境污染压力分别为29%、38.35%、20.46%、12.19%, 即在广东省水气环境污染整体改善的背景下优化开发区域和重点开发区域两类城市化地区所承载的环境污染压力有所上升, 农产品主产区承载的环境污染压力减小, 但整体上这3类主体功能区仍占了广东省全域水气环境污染的87.81%.一方面反映了城市化地区对原有发展模式的路径依赖, 另一方面也反映了空间管治的强弱程度对区域水气环境污染改善的影响.由于差异化的环境准入政策、污染物排放标准及排污许可和排污权的有偿使用和交易制度, 导致空间管治相对强的区域更容易实现水气环境污染的改善.

3.2 驱动因素总体估计 3.2.1 模型诊断与检验

为保证模型中各变量具有统计意义, 首先基于逐步回归进行变量显著性检验及共线性诊断(张文彤等, 2013).结果显示(表 2), 2012和2016年均有变量因显著性不足而被剔除, 剩余变量对于因变量WAPI均具有显著性, 且各变量的VIF值均小于5, 表明变量不存在冗余及多重共线性.继而遵从已有研究(姜磊, 2016), 借助普通最小二乘回归模型检验广东省水气环境污染的空间自相关效应.诊断结果显示(表 3), 2012年Moran′s I(error)指数未通过显著性检验, 两个拉格朗日乘子统计量LM-lag和LM-Error的检验结果也并不显著, 表明2012年广东省水气环境污染尚不存在显著的空间效应.2016年的Moran′s I(error)指数则在10%的显著性水平上表明了水气环境污染的空间自相关.进一步地, 极大似然估计结果显示, SEM模型的拉格朗日乘子LM-Error和鲁棒性拉格朗日乘子Robust LM (error)均高于SLM模型的相应值, 同时, SEM模型的AIC、SC值更小、R2和logL值更高(表 4), 充分表明SEM模型拟合效果更佳.基于此, 本文在分析2012年水气环境污染的全局驱动因素时仅使用普通最小二乘回归模型, 而在分析2016年数据时引入SEM模型, 以保证估计结果的准确性.

表 2 变量显著性检验及共线性诊断结果 Table 2 Significance test and collinearity diagnosis results of selected variables in 2012, 2016

表 3 空间相关性检验及参数估计结果 Table 3 Parameter estimation results of spatial correlation in 2012, 2016

表 4 OLS、SEM、SLM模型的检验和参数估计结果 Table 4 Parameter estimation results of regression models in 2012, 2016
3.2.2 参数估计结果

回归模型显示(表 4), 2012—2016年, 广东省水气环境污染驱动因素变化显著.2012年对广东省水气环境污染有显著正向驱动的因素包括人口规模、城市化率、第二产业比重、社会固定资产投资和财政收入分权程度, 其中人口规模和第二产业比重的驱动作用最强.具体表现为人口规模因素每提升1%, 将会相应引起广东省县域水气环境污染程度提高0.6837%.第二产业比重每提升1%, 将会相应引起水气环境污染程度提高0.5494%, 表明快速城镇化背景下人口规模迅速增长带来的居民生活污染排放及高速工业化过程形成的以加工制造业为主的产业结构是造成广东省全域水气环境污染的重要原因.同时, 社会固定资产投资因素每提升1%, 将会相应引起广东省县域水气环境污染程度提高0.2278%, 表明快速的城市扩张、城市改建及固定资产大幅流向高水耗、高排放产业也是导致地方水气环境污染加剧的原因之一.此外, 县域财政收入分权程度每提高1%将会引起水气环境污染程度增加0.1321%, 表明在地方财政分权制度的基础上, GDP增长、政治晋升等激励因素会促使广东省的地方政府为发展经济、提高政绩而忽略环境污染甚至降低当地环境标准, 在一定程度上反映出时下财政分权与“唯GDP论”的政绩观、发展观相互作用而威胁地方水气环境的现实状况.

至2016年, 正向驱动因素只有人口规模、社会固定资产投资和财政收入分权程度, 城市化水平、第二产业比重等在2012年有正向驱动作用的因素变得不再显著.人口规模仍是造成水气环境污染的首要因素, 人口规模每提高1%将引起地方水气环境污染程度增加0.5891%.与此同时, 社会固定资产投资对地方水气环境污染的正向驱动作用从2012年的0.2278%上升至0.4163%, 表明城市建设及固定资产流向的高水耗、高污染属性如果不加以控制和改善, 将逐渐成为加剧环境污染的重要因素.财政收入分权程度与水气环境污染程度的相关性有小幅上升, 但显著性有所下降, 表明伴随经济社会不断发展, 居民对环境公共产品需求逐渐上升, 促使地方政府在考虑经济、政绩因素的同时需要提高对人居环境的重视, 进而导致财政分权程度与区域环境污染的关系显现出由“逐底效应”转向“逐顶效应”的趋势.城市化率和第二产业比重不再显著的原因则在于整体上广东省城市化进程已趋于稳定, 同时工业化后期第二产业发展与环境污染的关系有所缓和.基于上述情况, 改善广东省水气环境污染应当充分注重采用规制与激励相结合的手段.短期内可以通过限制固定资产流向高水耗、高排放产业、对高污染企业进行整改、实施总量控制等手段来实现, 但长期来看, 引导企业清洁生产、居民绿色生活才是实现源头减排和长期减排的关键所在.

3.3 主体功能区间驱动因素比较 3.3.1 模型诊断与检验

由前述水气环境污染变化特征已知, 优化开发区域、重点开发区域、农产品主产区3类主体功能区的水气环境污染相对严重, 而重点生态功能区由于其特殊的发展定位, 在避免环境污染上具有天然优势.同时, 由于优化开发区域和重点开发区域均属于城市化型功能区, 因而在以产业结构为代表的发展方式方面与农产品主产区有明显的不同.基于此, 本文拟依据主体功能区发展定位、发展方式将四类主体功能区进一步归为城市化地区、农产品主产区、重点生态功能区3类, 并对3类主体功能区分别进行驱动因素的回归分析, 比较其异同.在模型选择上, 首先进行逐步回归以检验自变量间是否存在多重共线性及对于因变量是否显著.结果显示(表 5), 3类主体功能区均有不同变量被剔除.剩余变量的VIF值均小于5, 表明各变量间不存在多重共线性.进一步地, 从普通最小二乘回归模型出发, 探索变量是否存在空间效应, 以确定最优拟合模型.与广东省全域回归模型的结果不同,3类主体功能区的普通最小二乘回归模型检验结果表明, 由于各类主体功能区在空间上的分布较为零散, 回归后的模型残差Moran′s I(error)并不存在显著的空间自相关, 拉格朗日乘子LM-lag、LM-Error和鲁棒性拉格朗日乘子Robust LM (lag)、Robust LM (error)均不显著, 因此无需引入空间计量模型.

表 5 基于逐步回归共线性诊断的VIF值 Table 5 VIF value of stepwise regression and its collinearity diagnosis
3.3.2 参数估计结果

在城市化地区(表 6), 2012—2016年, 人口规模和第二产业比重都是显著的驱动因素, 且驱动程度都较强.具体而言, 2012年的人口规模每提高1%, 将引起地方水气环境污染程度增加0.6272%.第二产业比重每提高1%, 会引起地方水气环境污染程度增加0.6940%.至2016年, 第二产业比重的驱动程度明显下降, 而人口规模因素的驱动程度则有所上升.一方面在于城市化地区本身的产业结构逐渐趋于高级化, 另一方面也依赖于循环经济、清洁生产技术的发展和应用.同时, 在工业化进程相对稳定后, 由人口规模增长带来的城乡生活源排放正成为造成地方水气环境污染的主要原因.为进一步控制污染排放, 城市化地区需要在持续推动产业结构升级和清洁生产技术的研发和应用的基础上加快生活污染处理设施建设, 同时需要重视引导居民形成低排放、低能耗、低污染的绿色生活方式.

表 6 各类主体功能区OLS模型的参数估计结果 Table 6 Parameter estimation results of OLS model in different major function zones

在农产品主产区, 2012年具有显著正向驱动的因素为人口规模和社会固定资产投资, 表明人口规模增长、城市化建设加速和固定资产投资的高污染属性是造成农产品主产区水气环境污染的主要原因.其中社会固定资产投资因素的驱动程度最强, 表现为社会固定资产投资每提高1%, 地方水气环境污染程度增加0.8000%.人口规模每提高1%, 地方水气环境污染程度增加0.6691%.一方面体现了广东省城市快速扩张对近郊地区的土地利用形态和产业结构的影响, 近郊地区由于临近城市且地价相对较低, 成为城市空间日趋紧张背景下承接高水耗、高排放产业转移的第一选择, 进而导致农村工业化及相应的土地利用类型变化.另一方面也反映出人口规模增长引起的居民生活污染排放对农产品主产区水气环境的驱动作用.至2016年, 社会固定资产投资因素的驱动程度进一步加强, 表明城市扩张的影响持续增强, 也显示出低城镇化水平的区域在城市建设推进和产业发展过程中更易忽视环境问题, 因此亟需在农产品主产区限制固定资产流向高水耗、高排放产业, 同时推动清洁生产技术的应用.人口规模因素不再显著则一方面得益于建制镇污水处理设施建设对农村生产生活污染、畜禽养殖污染等突出环境问题的有效治理, 另一方面也反映了城市拉动背景下劳动力进一步从农村流向城市及农村空心化的现实.

对重点生态功能区而言, 2012年具有显著驱动的因素有人口规模、城市化率、第二产业比重、财政收入分权程度.其中, 人口规模因素的驱动作用最强, 1%的人口规模增长能够引起1.4710%的水气环境污染加剧, 表明人口规模增长引起的生活污染排放是造成重点生态功能区污染加剧的首要因素.此外, 城市化率、工业化程度和财政收入分权程度3个因素的驱动作用也较强, 具体地, 上述3个变量每提高1%将分别导致水气环境污染增加0.8232%、0.7960%和0.8288%, 表明重点生态功能区在其发展过程中也受到了高速工业化、城市化的影响, 工业走出城市和城市化引起的生产、生活方式改变及其造成的环境影响逐渐波及重点生态功能区.同时, 地方财政分权在重点生态功能区的“逐底效应”十分突出, 表明由于经济水平低、经济发展需求大, 重点生态功能区的地方政府更容易为吸引外部投资、获取更多的财政收入以推动地方经济增长、实现政治晋升而降低环境标准.至2016年, 除人口规模和财政收入分权程度外的其它变量不再显著, 且这两个显著变量的驱动程度也有所下降, 表明重点生态功能区对各类开发活动的严格限制有效抑制了城市化、工业化等因素的环境影响, 但居民生活污染排放和财政分权引起的环境污染加剧仍在持续.针对这一现实, 有必要在重点生态功能区将环境损益状况纳入地方分权激励机制, 持续探索生态补偿机制, 防止重点生态功能区沦为“污染天堂”.同时, 应加强地方财政中的环保转移支付, 用于环境基础设施建设、污染治理及减排技术的推广应用.

各主体功能区的驱动因素回归结果在很大程度上体现了县域微观尺度上驱动因素的显著差异, 表明广东省污染减排高度需要因地制宜的应对机制.在差别化总量控制、差异化产业准入等现行主体功能区规划实施的配套环保政策外, 还需依据驱动因素差异, 针对不同类型的主体功能区采取进一步措施.具体地, 由于各类主体功能区都受到人口规模造成污染加剧的困扰, 表明较高的人口规模将普遍提高居民污染物排放的基数, 因此不仅需要注重城市群、都市圈等高度城市化地区的水气污染处理设施配套, 在中小城市、县城乃至城镇也需要加强城镇污染处理设施及管网建设.同时, 需要重视引导居民形成低排放、低能耗、低污染的绿色生活方式, 进而全面提升人口增长造成的水气环境污染短板.此外, 城市化地区的环境污染主要受到工业化进程的影响, 因此需要进一步推动产业结构升级和清洁生产技术的研发和应用.农产品主产区主要受到城市快速扩张导致的工业转向影响, 未来应在限制固定资产投资流向具有高污染属性行业的同时推动清洁生产技术的应用.重点生态功能区主要受到财政收入分权的影响, 探索和改善生态补偿及地方分权激励机制是推动构建生态屏障的关键措施.

4 结论(Conclusions)

1) 广东省水气环境污染状况显著改善.2012—2016年, 氨氮、化学需氧量、二氧化硫、氮氧化物4类污染物的排放都有显著降低, 水气污染综合指数高值县域数量大幅减少, 县域单元整体的水气污染综合指数均值降幅达到46.93%.从主体功能区类型来看, 各类主体功能区的水气污染综合指数降幅均在40%以上, 其中农产品主产区降幅最大, 重点开发区降幅最小, 但优化开发区域、重点开发区域和农产品主产区始终是广东省污染物排放的主要承压区, 承载着广东省全域87%以上的水气环境污染.水气环境污染空间格局方面, 广东省水气污染排放整体表现为以珠三角为核心、以外围城市为边缘的“核心-边缘”结构, 并呈现边缘向核心收缩的空间态势.

2) 广东省环境污染的驱动因素变化显著, 2012年具有显著正向驱动的因素包括人口规模、城市化水平、第二产业比重、社会固定资产投资和财政收入分权程度, 其中人口规模和第二产业比重的驱动作用最强.至2016年, 城市化水平、第二产业比重的驱动作用不再显著,但人口规模、社会固定资产投资和财政收入分权程度的驱动作用依然突出, 表明改善广东省水气环境污染应当充分注重采用规制与激励相结合的手段.短期内可以通过限制固定资产流向高水耗、高排放产业、对高污染企业进行整改、实施总量控制等手段来实现, 但长期来看, 引导企业清洁生产、居民绿色生活才是实现源头减排和长期减排的关键所在.

3) 对主体功能区的驱动因素分析表明广东省污染减排高度需要因地制宜的应对机制. 人口规模是各类主体功能区水气环境污染的共性驱动因素,因此需要在都市圈、中小城市、县城、城镇等各个层级加强城镇污染处理设施及管网建设.此外, 城市化地区的环境污染主要受到工业化的影响, 因此需要进一步推动产业结构升级和清洁生产技术的研发和应用;农产品主产区的环境污染主要受城市快速扩张导致的工业转向的影响, 未来应在限制固定资产投资流向具有高污染属性行业的同时推动清洁生产技术的应用;重点生态功能区则主要受财政收入分权程度的影响, 探索和改善生态补偿及地方分权激励机制是推动构建生态屏障的关键措施.

5 展望(Prospect)

未来, 需要深化研究的方面包括: ①进一步深化主体功能区规划对地区环境污染的影响机制.主体功能区是实现环境污染空间管治的有力手段, 但由于方法层面的局限, 本文未能将主体功能区类型作为变量纳入模型.同时, 由于主体功能区规划是具有全局性的政策, 以广东省为研究对象进行分析时较难构建相应的对照组, 因此本文仅将其作为一种研究视角初步解析不同主体功能区水气环境污染的驱动因素差异及污染减排的差异化机制.未来, 需要进一步借鉴DICE模型、IMED模型等综合性政策评价方法对主体功能区规划的环境效应进行更为深入的研究.②污染转移与主体功能区管制的相互作用机制及其作用于地方环境污染的结果有待进一步考察.已有研究仅揭示了广东省内部存在明显的污染转移现象, 但对污染转移与主体功能区管制之间关系的揭示尚不充分, 未来有必要在充分研究的基础上, 将污染转移现象及其机制纳入到主体功能区环境政策的制定中.③污染指标和研究时间序列有待进一步完善.由于县域尺度的数据获取限制, 本文是以污染排放总量数据为基础构建水气污染综合指数, 仅能体现广东省县域尺度环境污染的数量特征, 而未能明确其质量变化特征, 在污染物类型上, 仅选取可得性较高的四类污染物开展研究, 在构建环境污染指标时未能将PM2.5、VOCs等新近污染物纳入其中, 对土壤污染、工业固废等污染源的考虑不足, 同时受数据保密性、统计口径变更等因素的影响, 研究选取的时间截面未能反映广东省县域环境污染变化的最新情况, 且时间序列偏短, 可能导致结论具有一定的片面性, 未来有必要在完善污染物类型及时空面板数据的基础上开展更加具有综合性和长时间序列的机制研究.

参考文献
Akai N, Sakata M. 2002. Fiscal decentralization contributes to economic growth: Evidence from state-level cross-section data for the United States[J]. Journal of Urban Economics, 52(1): 93-108. DOI:10.1016/S0094-1190(02)00018-9
Aslanidis N, Iranzo S. 2009. Environment and development: is there a Kuznets curve for CO2 emissions?[J]. Applied Economics, 41(6): 803-810. DOI:10.1080/00036840601018994
Choe J I. 2003. Do foreign direct investment and gross domestic investment promote economic growth?[J]. Review of Development Economics, 7(1): 44-57. DOI:10.1111/1467-9361.00174
Glomm G, Kawaguchi D, Sepulveda F. 2008. Green taxes and double dividends in a dynamic economy[J]. Journal of Policy Modeling, 30(1): 19-32. DOI:10.1016/j.jpolmod.2007.09.001
Grossman G M, Krueger A B. 1991. Environmental impacts of a North American free trade agreement[J]. NBER Working Paper, (w3914)
Pearce D. 1991. The role of carbon taxes in adjusting to global warming[J]. The Economic Journal, 101(407): 938-948. DOI:10.2307/2233865
Lopez R. 1994. The environment as a factor of production: The effects of economic growth and trade liberalization[J]. Journal of Environmental Economics and Management, 2(27): 163-184.
包群, 邵敏, 杨大利. 2013. 环境管制抑制了污染排放吗?[J]. 经济研究, 48(12): 42-54.
程钰, 任建兰, 陈延斌, 等. 2016. 中国环境规制效率空间格局动态演变及其驱动机制[J]. 地理研究, 35(1): 123-136.
樊杰. 2013. 主体功能区战略与优化国土空间开发格局[J]. 中国科学院院刊, 28(2): 193-206. DOI:10.3969/j.issn.1000-3045.2013.02.010
广东省人民政府. 2020. 2019年广东省行政区划简表[EB/OL]. http://www.gd.gov.cn/zjgd/sqgk/xzqh/index.html.
姜磊. 2016. 空间回归模型选择的反思[J]. 统计与信息论坛, 31(10): 10-16. DOI:10.3969/j.issn.1007-3116.2016.10.002
姜磊, 何世雄, 崔远政. 2021. 中国二氧化硫污染治理分析: 基于卫星观测数据和空间计量模型的实证[J]. 环境科学学报, 41(3): 1153-1164.
金春雨, 吴安兵. 2017. 工业经济结构、经济增长对环境污染的非线性影响[J]. 中国人口·资源与环境, 27(10): 64-73.
孔晴. 2019. 中国环境污染综合指数的构建及其收敛性研究[J]. 统计与决策, 35(21): 122-125.
刘红光, 刘卫东. 2009. 中国工业燃烧能源导致碳排放的因素分解[J]. 地理科学进展, 28(2): 285-292.
刘建民, 王蓓, 陈霞. 2015. 财政分权对环境污染的非线性效应研究——基于中国272个地级市面板数据的PSTR模型分析[J]. 经济学动态, 56(3): 82-89.
沈建法. 1990. 中国省际经济水平、环境污染与环境治理水平关系的定量分析[J]. 环境科学学报, 10(2): 242-248. DOI:10.3321/j.issn:0253-2468.1990.02.013
沈静, 黄双双. 2015. 环境管制对广东省污染产业转移的影响[J]. 热带地理, 35(5): 745-752.
孙静, 马海涛, 王红梅. 2019. 财政分权、政策协同与大气污染治理效率——基于京津冀及周边地区城市群面板数据分析[J]. 中国软科学, 34(8): 154-165. DOI:10.3969/j.issn.1002-9753.2019.08.013
孙军, 高彦彦. 2014. 技术进步、环境污染及其困境摆脱研究[J]. 经济学家, 26(8): 52-58.
孙群力. 2009. 地区差距、财政分权与中国地方政府规模[J]. 财贸经济, 30(7): 56-61.
田时中, 张浩天, 李雨晴. 2019. 税收竞争对中国环境污染的影响的实证检验[J]. 经济地理, 39(7): 194-204.
王立平, 管杰, 张纪东. 2010. 中国环境污染与经济增长: 基于空间动态面板数据模型的实证分析[J]. 地理科学, 30(6): 818-825.
王婷, 吕昭河. 2012. 人口增长、收入水平与城市环境[J]. 中国人口·资源与环境, 22(4): 143-149.
邬彩霞. 2010. 对外开放、人口增长对我国二氧化硫排放的影响[J]. 中国人口·资源与环境, 20(11): 143-146.
吴丹, 吴仁海. 2011. 不同地区经济增长与环境污染关系的VAR模型分析——基于广州、佛山、肇庆经济圈的实证研究[J]. 环境科学学报, 31(4): 880-888.
吴玉鸣, 田斌. 2012. 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[J]. 地理研究, 31(4): 627-640.
吴玉萍, 董锁成, 宋键峰. 2002. 北京市经济增长与环境污染水平计量模型研究[J]. 地理研究, 21(2): 239-246.
许和连, 邓玉萍. 2012. 外商直接投资导致了中国的环境污染吗?——基于中国省际面板数据的空间计量研究[J]. 管理世界, 28(2): 30-43.
张文彤, 董伟. 2013. SPSS统计分析高级教程[M]. 北京: 高等教育出版社.
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.
周侃, 李会, 申玉铭. 2020. 京津冀地区县域环境胁迫时空格局及驱动因素[J]. 地理学报, 75(9): 1934-1947.
周侃, 伍健雄, 樊杰, 等. 2021. 长江经济带环境污染胁迫的驱动因素及空间效应[J]. 环境科学学报, 41(5): 1996-2004.
朱喜安, 魏国栋. 2015. 熵值法中无量纲化方法优良标准的探讨[J]. 统计与决策, 31(2): 12-15.