环境科学学报  2021, Vol. 41 Issue (5): 1996-2004
长江经济带环境污染胁迫的驱动因素及空间效应    [PDF全文]
周侃1,2, 伍健雄1,2, 樊杰1,2, 梁育填3    
1. 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. 中山大学地理科学与规划学院, 广州 510275
摘要:污染物排放基数大、内生与跨区排污累积是长江经济带污染防治面临的严峻现实,高强度环境污染胁迫过程已成为当前生态文明建设的重要障碍.本文以长江经济带127个地市级及以上单元为实证案例,选取化学需氧量、氨氮、二氧化硫和氮氧化物4项污染物指标,在基于熵值法的环境污染胁迫指数(EPSI)测度基础上,采用空间杜宾模型,定量分解环境污染胁迫的驱动因素及空间效应,为制定面向污染源管控的环境规制提供科学参考.研究发现:①2011—2015年长江经济带环境污染胁迫程度降低4.8%,胁迫程度由上游向下游递增,其中,上游干流、太湖流域及下游干流的胁迫程度较为突出.②长江经济带环境污染胁迫程度整体趋稳、局部改善,高污染胁迫区在长三角地区集中分布,滇川贵渝、湘鄂赣、江浙沪皖等交界地区,以及昆明至重庆一带已形成的高胁迫区亦是未来管制重点.③环境污染胁迫过程具有显著空间溢出效应,本地胁迫程度增加的同时引起邻地胁迫加剧.随着环境管控趋紧,长江经济带环境污染胁迫的外部性有所缓解.④人口规模和城镇化水平是驱动本地胁迫程度提升的重要因素,二者还通过空间溢出效应作用于周边地区,而工业化、农业经济份额、内外资等因素仅能作用于本地的环境污染胁迫过程.长江经济带环境污染胁迫驱动因素的多元化趋势表明,应实施系统化、源头化综合治理以缓解环境污染胁迫态势,需引导绿色生产生活方式、提升建设开发行为的环境效益、规避外资驱动的跨区污染转移、发挥国有资本在环境处置与保护过程中的示范作用.
关键词环境污染胁迫    驱动因素    空间效应    空间杜宾模型    长江经济带    
Driving factors of environmental pollution stress and their spatial effects in the Yangtze River Economic Belt
ZHOU Kan1,2, WU Jianxiong1,2, FAN Jie1,2, LIANG Yutian3    
1. 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. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275
Received 26 July 2020; received in revised from 26 September 2020; accepted 4 October 2020
Abstract: The high intensity of environmental pollution stress poses a serious obstacle for the Yangtze River Economic Belt (YREB) to further construct ecological civilization, with large-scale pollutant emissions and endogenous/cross-regional pollution accumulation. Taking 127 cities at prefecture-level in the YREB as empirical cases, this study took chemical oxygen demand (COD), ammonia nitrogen, sulfur dioxide, and nitrogen oxides as four indicators to identify the driving factors of environmental pollution stress and demonstrated their spatial effects, using Spatial Durbin Model on the basis of entropy-based environmental pollution stress index (EPSI). The findings provide a future reference to governments for formulating environmental regulations on pollution source control. The results show that: ①During 2000—2015, the EPSI in the YREB was reduced by 4.8%, and the stress level showed an increase from the upper to lower reaches. In 2015, the average EPSI of the upper, middle, and lower reaches were 0.453, 0.539, and 0.578, respectively. Especially, the mainstream areas of both upper and lower reaches, and Taihu Lake basin, experienced the highest level of environmental pollution stress. ②Overall, the environmental pollution stress in the YREB was broadly stable but partially relieved. High-stress areas were concentrated in the Yangtze River Delta region, the border areas of Yunnan-Sichuan-Guizhou-Chongqing, Hunan-Hubei-Jiangxi, and Jiangsu-Zhejiang-Shanghai-Anhui, which will be under the strict environmental regulation in the future. ③Environmental pollution stress has a significant spatial effect, namely, the increase of local stress would cause a rise of stress level in adjacent areas. However, along with tightening environmental regulation and control, this effect will wear off. ④As the key factors causing environmental pollution stress, the population scale and the urbanization level not only drive the increase of the local stress level, but also affect the adjacent areas through the spatial spillover effects, while industrialization level, agricultural economic share, domestic and foreign investment only affect the local environmental pollution stress process. Furthermore, the diversity of the driving factors in the Yangtze River Economic Belt indicates that the systemic and source-based comprehensive management should be implemented to reduce the stress of environmental pollution, and it is necessary to advocate green and sustainable production and lifestyle, improve the environmental benefits of regional socio-economic development and massive construction, avoid foreign-driven trans-regional pollution, and ensure that the state-owned capital plays a leading role in environmental protection and management.
Keywords: environmental pollution stress    driving factors    spatial effects    Spatial Durbin Model    Yangtze River Economic Belt    
1 引言(Introduction)

改革开放以来, 随着城镇化和工业化进程加速推进、社会经济快速增长, 长江经济带高水耗、高能耗、高密度的扩张过程导致污染物排放基数大、内生与跨区排污累积, 高强度环境污染胁迫已经严重威胁到流域可持续发展(Lu et al., 2015; 高伟等., 2019), 成为长江经济带生态文明建设的重要障碍(陆大道, 2018; 夏军等., 2018).2010年以来, 国家将保护和修复长江生态环境摆在长江经济带发展的首要位置, 逐步加大全流域污染管控与治理力度, 制定了环境改善总体目标和污染管控方案, 力求通过发展方式转型缓解环境污染胁迫态势.因此, 在长江经济带从工业文明向生态文明的转型发展时期, 解析环境污染胁迫的时空变化及主要驱动因素, 可为制定面向污染源管控的环境规制、引导人口经济与环境可持续发展提供参考.

环境污染胁迫通常是指人类生产生活过程所产生的各类污染物对区域环境系统造成的综合压力(Lazarus et al., 1977).人为污染物排放强度和排放总量迅速增长, 将加剧对环境系统自然净化过程的扰动, 引起区域环境发生结构失调、功能退化乃至系统崩溃等受胁反应.目前, 国内外学者对环境污染胁迫的研究主要包括:①时空变化与溢出效应研究.在单要素研究方面, 对PM2.5、SO2、COD、氨氮等污染物的空间统计分析发现, 水气污染胁迫在工业区、矿产区以及城区集中分布(Li et al., 2014; Song et al., 2017), 胁迫强度呈从城市群向外围递减的圈层分布模式(周侃等, 2017). 鉴于不同污染物排放过程存在时空差异, 难以全面刻画区域环境污染的综合胁迫态势(刘玉凤等, 2019), 一些学者的研究对象从单项污染物逐步转向综合集成研究, 如郭四代等(2018)邹志红等(2005)利用地理集中度指数和熵值法分析了省级尺度的环境污染胁迫程度, 贾卓等(2020)采用工业污染综合指数证实了环境污染胁迫存在空间溢出效应. ②社会经济驱动力研究.早期主要关注环境污染胁迫的经济驱动, Grossman等(1995)提出经济发展水平同污染物排放的倒“U”形曲线关系, 并逐渐扩展到了产业结构调整、技术进步、境内外投资等方面. Liu等(2019)陈祖海等(2015)的研究证实了经济增长对环境污染胁迫的正向驱动作用, 而技术进步能够减缓环境污染胁迫程度. 随着空间计量方法的引入, 考虑空间效应的影响因素研究提高了解释力, Liu等(2017)基于空间杜宾模型估计发现, 城市化和工业化加剧大气环境污染胁迫程度. Baek(2016)Sapkota等(2017)Liu等(2018)分别以东盟、拉丁美洲、中国为例, 证实在大区域内存在“污染天堂”假说, 即外资流入将增加当地环境污染胁迫程度.此外, 围绕财政分权、环境规制等政策因素的研究认为, 强势的环境规制对环境污染胁迫具有两面性, 即在降低本地胁迫程度的同时, 导致污染源跨区空间转移, 对邻近地区胁迫态势加剧(谭志雄等, 2015; 朱向东等, 2018; Zeng et al., 2019).在长江经济带的实证研究中, 周杰文等(2018)进一步揭示了经济发展水平对环境污染胁迫影响的流域分异, 平智毅等(2019)孙博文等(2019)还分析了工业化水平因素的累积放大和空间溢出效应.

既有环境污染胁迫的研究中, 对大气、水体等某一环境要素具有显著胁迫的单项污染物被重点关注, 在反映区域环境污染综合胁迫态势的实证研究中, 虽然对其变化过程和分布特征做了初步分析, 但是较少涉及造成区域环境污染胁迫的社会经济驱动力及其空间效应的探讨.从研究尺度来看, 目前围绕国家、省份等宏观层面的研究较多, 需降尺度开展地市层面的时空分异及驱动力微观研究.因此, 本文以长江经济带127个地市级及以上行政单元为实证案例, 选取化学需氧量(COD)、氨氮、二氧化硫和氮氧化物等4项空间流动性较强、且指示工业源、农业源、居民生活源、移动源排放等各类生产生活活动的污染物指标, 运用熵权法集成测算环境污染综合胁迫指数, 解析长江经济带在社会经济转型期的环境污染胁迫时空变化, 并在STIRPAT模型框架下选取较优空间计量模型, 量化环境污染胁迫的驱动因素及空间效应, 以期为长江经济带环境联防联治与减排对策制定提供依据.

2 数据来源与研究方法(Data and methods) 2.1 案例区概况与数据来源

案例区长江经济带覆盖11个省市, 包括含重庆市、四川省、贵州省、云南省的上游地区, 含江西省、湖北省、湖南省的中游地区, 含上海市、江苏省、浙江省、安徽省的下游地区, 区域总面积约为205×104 km2.长江经济带常住人口6.1亿, 国内生产总值37.56万亿元, 分别占当年全国的44.12%和50.68%.与此同时, 长江经济带污染物排放总量大, 在占全国1/5的国土面积上承载了44.54%的废水排放量和35.7%的废气排放量, COD、氨氮、二氧化硫和氮氧化物4项污染物分别占全国总量的36.48%、43.42%、34.15%和32.01%.

建立了2011年—2015年地市单元的污染物排放和社会经济数据库.其中, 地市单元指地级及以上行政区, 包括125个地级市、州和上海、重庆2个直辖市.主要数据来源如下:行政边界数据从国家基础地理信息系统网站获取, 污染物排放和社会经济数据来源于《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》以及各省份统计年鉴, 对数据不完整或缺失的地市单元, 则获取所在地市统计年鉴补齐.

2.2 研究方法 2.2.1 环境污染胁迫指数

采用熵权法构建地市单元的环境污染胁迫指数(Environmental pollution stress index, EPSI), 以此测度长江经济带多种污染物排放导致的综合胁迫过程.选取COD和氨氮排放量反映对水环境的污染胁迫、二氧化硫和氮氧化物排放量反映对大气环境的污染胁迫.测算步骤如下:

① 评价指标进行对数变换:

(1)

式中, aij为第i地市第j类污染物的属性值, rij为进行自然对数变换后的属性值.

② 评价指标标准化变换:

(2)

式中, rij为第i地市第j类污染物的属性值(i=1, 2, …, n; j=1, 2, …, m), rij为极差标准化后的属性值, max{rij}、min{rij}分别为第i地市第j类污染物属性值的最大值和最小值.

③ 计算第i地市第j类污染物指标的比重Rij

(3)

④ 计算第j类污染物指标的熵权Ej

(4)

⑤ 计算第j类污染物指标的信息效用值Gj

(5)

⑥ 计算第j类污染物指标的权重Wj

(6)

⑦ 计算第i地市环境污染胁迫指数EPSIi

(7)

式中, EPSIi反映各地市单元受污染物的综合胁迫态势, EPSIi值越大表明水体和大气环境承受污染物排放压力越大, 地市单元环境胁迫程度越高.

2.2.2 空间计量模型

借鉴STIRPAT模型框架(Ehrlich et al., 1971; 王宇昕等, 2019), 兼顾地市单元数据的可获得性, 选取环境污染胁迫指数作为被解释变量, 选取反映人口规模、城镇化水平、经济发展水平、工业化水平、农业经济份额、外商直接投资规模、固定资产投资规模以及国土开发强度的指标作为解释变量, 并采用对数形式对变量处理以降低异方差.驱动因素的一般线性回归模型如下:

(8)

式中, EPSI为环境污染胁迫指数;TP为年末常住人口数量(万人), 反映各地市单元的人口规模;UR为城镇化率, 反映各地市单元的城镇化水平;PGDP为人均GDP(元·人-1), 反映各地市单元的经济发展水平, 并以2011年为基期进行平减, 消除通货膨胀影响;IS为第二产业增加值占GDP的比重, 反映产业结构与工业化水平;AP为第一产业增加值在GDP中的比重, 反映各地市单元的农业经济在国民经济所占份额;FDI为外商直接投资额(万美元), 反映外商直接投资规模;FAI为全社会固定资产投资额(亿元), 反映固定资产投资规模;LDI为建设用地面积占行政区域面积的比例, 反映国土开发强度;α为常数项;β, γ, δ, ζ, η, θ, μ, κ为各解释变量的弹性系数;ε为误差项.

考虑到解释变量间可能存在空间交互影响, 拟采用空间滞后模型(SLM)、空间误差模型(SEM)以及空间杜宾模型(SDM) 3种空间计量模型中的较优模型进行参数估计(Elhorst, 2010; Anselin, 2013).

设定Y为被解释变量(lnEPSI), Xj(j=1, 2, 3, …, 8)为上述8个外生解释变量的矩阵.则当存在内生交互效应(WY)时, 在一般线性回归模型中加入被解释变量的空间滞后项, 就转化为SLM模型, 表达式如下:

(9)

当存在误差项的交互效应()时, 也就是说模型误差项存在空间自相关时, 需要加入空间相关的误差项, 就转化为SEM模型, 表达式如下:

(10)

SDM模型是对SLM和SEM模型综合后的一般模型, 同时包含了内生交互效应和外生交互效应, 表达式如下:

(11)

式中, β1jβ2j为待估参数向量;IN为单位向量;ρ为空间自回归系数;λ为回归残差之间的空间自相关系数;W为空间权重矩阵, 基于Queen邻接关系构建;ε为随机误差向量.当β2j=0时, SDM模型退化为SLM模型;当β2j+ρβ1j=0时, 则SDM模型退化为SEM模型(刘汉初等, 2019).各模型采用最大似然(ML)法进行参数估计.鉴于外生解释变量对本地被解释变量的影响(直接效应)和外生解释变量对周围其他被解释变量的影响(间接效应), 可采用SDM模型进一步估计直接效应和间接效应(LeSage et al., 2009; Elhorst, 2014).

3 结果(Results) 3.1 环境污染胁迫的空间格局

环境污染胁迫指数测度结果显示, 2011年和2015年地市单元的EPSI均值分别为0.546、0.521, 即在“十二五”时期长江经济带环境污染胁迫程度降低了4.8%.在流域和地市层面的空间差异与关联特征见下文阐述.

3.1.1 流域尺度空间差异

长江经济带环境污染胁迫程度由上游向下游递增, 2015年上游、中游、下游地区的EPSI均值依次为0.453、0.539和0.578.进一步分析二级流域的EPSI指数发现(图 1), 上游地区的金沙江流域、岷沱江流域和嘉陵江流域EPSI均低于整体均值, 2015年三者仅为长江经济带平均胁迫程度的67.38%、87.92%和88.53%.自乌江流域东向延伸, EPSI均高于长江经济带均值, 其中, 上游干流区、太湖流域、下游干流区的环境污染胁迫程度最为突出, 上游干流区在2011年和2015年的EPSI分别为0.734、0.695, 是长江经济带平均胁迫程度的1.34倍和1.33倍, 太湖流域EPSI分别为0.697和0.654, 是平均胁迫程度的1.27倍和1.25倍, 表明在成渝、长三角地区水气污染物排放强度较高, 对所在流域环境系统产生了较大污染胁迫.

图 1 长江经济带二级流域EPSI变化 Fig. 1 Changes of EPSI in the secondary basin in YREB
3.1.2 地市尺度分布特征与空间关联

按自然间断点分级法(Jenks) 将各地市单元的EPSI划分为5个等级, 如图 2所示, 长江经济带环境污染胁迫程度整体趋稳、局部改善.2011年, 高胁迫地市包括下游的上海、苏州、宁波、南京、徐州, 中上游的武汉、重庆和成都, 到2015年, 高胁迫单元数量减少至6个, 宁波和成都降至较高级;较高胁迫地市的数量从45个减少至2015年31个, 减少近1/3.空间对比发现, “十二五”时期各流域内受高污染物胁迫的连片分布格局未发生明显改变, 下游高污染胁迫地市的主要分布区, 高度和较高胁迫地市的数量占比接近五成(48.89%和45.16%).从低和较低胁迫地市的分布来看, 主要位于上游川滇两省, 在中下游的张家界、湘西、黄山等地市呈零散分布.叠加省级行政边界还发现, 高度和较高胁迫地市沿滇川贵渝、湘鄂赣、江浙沪皖等交界区分布, 边界指向特征十分显著.值得关注的是, 昆明-曲靖-毕节-六盘水-遵义-重庆形成的高胁迫带, 处于金沙江流域生态敏感区及长江上游干流区, 是流域生态环境保护格局中的关键部位, 需实施更严格的环境准入负面清单和污染物减排手段.

图 2 长江经济带地市层面EPSI空间分布图 Fig. 2 Spatial distribution of EPSI at the prefecture-level in YREB

全局空间自相关分析显示, 2011年和2015年EPSI的全局Moran′s I值分别为0.3450和0.3341, 且均通过显著性检验(p < 0.01), 表明存在显著空间正相关性, 即长江经济带地市尺度的空间关联显著.进一步计算局部空间自相关Getis-Ord G*指数, 并划分热点区、次热区、次冷区和冷点区4种类型, 如图 3所示, 长江经济带环境污染胁迫的高值簇和低值簇集聚分布, 具体表现在:环境污染胁迫的热度总体从下游到上游递减, EPSI在上、中、下游均有高值簇聚集, 形成了沿海、沿江、沿省级行政边界集聚的“三沿”格局;热点区在下游位于长三角地区, 包括江苏省全境以及浙江沿海, 中游位于长江干流沿线及湘鄂赣交界区, 上游则在川贵两省交界地市集聚;次热区主要位于热点区周围, 呈现圈层式分布格局, 包括下游的浙江西部、安徽南部和北部, 中游的湖北全境、江西东南部以及上游的重庆、贵州、滇东等地区;次冷区和冷点区主要分布在川滇两省, 在湖南、江西和安徽等省份亦有零星分布.

图 3 长江经济带EPSI热区分布图 Fig. 3 Hotspots map of EPSI in YREB
3.2 环境污染胁迫的驱动因素及空间效应 3.2.1 模型检验与参数估计

对SLM、SEM和SDM模型进行拉格朗日乘数检验, 结果表明模型同时存在空间滞后效应和空间误差效应.进一步通过似然比检验, 表明在5%显著性水平上, SDM模型不仅优于SLM模型, 也优于SEM模型. SLM、SEM和SDM模型的参数估计结果如表 1所示.3个模型均发现长江经济带环境污染胁迫存在显著的空间效应, 相邻地市间环境污染的内生交互性以及未被观察到的误差项均对EPSI产生影响.

表 1 SLM、SEM和SDM模型的检验与参数估计结果 Table 1 Parameter estimation results of spatial regression models in 2011 and 2015

SDM模型中的空间滞后项ρ值均为正, 且在1%水平下显著, 表明环境污染胁迫在邻近空间存在正向溢出效应, 即本地胁迫程度增加的同时还会引起邻地胁迫加剧, 导致这种空间溢出效应的原因可能在于:一方面, 由于处在同一区域经济分工体系中, 本地与邻地在产业结构、生产成本和市场等方面具有共性, 若本地污染密集型产业难以清洁化, 邻地的污染胁迫同样处于不利局面;另一方面, 污染就近转移效应普遍存在, 受到规模收益递增、消费者偏好与物流成本等因素的共同作用, 污染密集型产业即使重新选址, 也不太可能往邻地外区域做大尺度的空间转移.同时, 比较ρ值还发现, 2015年空间溢出效应较2011年有所降低, 反映了5年间更加严格的环境管控政策导致区域性环境污染胁迫状况有所缓解.

3.2.2 直接效应和间接效应

① 人口规模因素具有显著正向驱动.SDM模型中lnTP的总体效应为0.744且在1%水平下显著, 表明人口规模是长江经济带环境污染胁迫的重要因素.在直接效应方面, 人口规模因素每提升1%, 将会相应引起本地EPSI提高0.392%以上, 表明人口规模提高了生产生活污染物排放的基数, 导致胁迫程度明显加重.在间接效应方面, 人口规模因素具有正向驱动且显著, 表明人口规模提升也会对周边地市的环境系统造成间接影响.

② 城镇化水平因素具有显著正向驱动.SDM模型中lnUR的直接效应和间接效应为正且在1%水平下显著.城镇化率每提高1个百分点将引起本地EPSI提高0.517%, 还将引起周边地市EPSI提高0.964%, 反映出长江经济带快速城镇化过程中, 人口城镇化引发生活源污染物高强度排放的同时, 还具有空间溢出效应.这也揭示了成渝地区、中游城市群、长三角地区等高度城市化区域的环境污染高胁迫成因.由此表明, 长江经济带亟需加强城镇污染处理设施及管网建设, 一体化提升高度城市化区域综合承载力中的环境短板, 以应对城镇化与环境污染胁迫的伴生效应.

③ 工业化水平因素具有显著正向驱动.SDM模型中lnIS的直接效应为正且在1%水平下显著.第二产业比重每提升1个百分点, 将引起本地EPSI提高0.417%, 工业化水平的强驱动作用, 反映出长江经济带的工业结构偏重、污染密集型工业比重偏高, 实施工业转型升级已刻不容缓, 特别在化学原料与化学制品、非金属矿物制品、农副食品加工、金属冶炼及压延加工等重点排污行业, 亟待实施行业结构和空间结构调整, 加大了产能和生产技术中对减排效果和环境效益的考量.

表 2 SDM模型的直接和间接效应估计结果 Table 2 The direct and indirect effect of SDM

④ 其他驱动因素的影响强度. 农业经济份额、外商直接投资的直接效应表现为显著的正向驱动, 二者每提升1个百分点, 将分别引起本地EPSI提高0.136%和0.047%;固定资产投资的直接效应呈显著的负向驱动, 即投资额每增加1%, 本地EPSI提高将下降0.091%.一方面, 由于长江经济带5年间固定资产投资中的环境治理投资额从10795.31亿元增加至26352.90亿元, 城市环境基础建设、工业污染源治理和环保项目投资的2倍以上的增长的确对环境污染胁迫起到抑制作用, 这与李冬梅等(2020)黄德春等(2020)在省级层面的研究结论一致. 另一方面, 也可能是由于固定资产投资行为在转型发展背景下, 项目建设时能够更新改进生产工艺、研发先进技术、提升污染物进行回收和循环利用率, 从而对缓解区域环境污染胁迫具有一定成效;国土开发强度呈显著的负向间接效应, 虽然该因素对本地市没有显著影响, 但使邻近地市的EPSI降低0.139%, 进一步分析还显示, 2015年LDI的全局Moran′s I值为0.655, 加之LDI大于15%的国土开发强度高值区和其外围区的EPSI分别为0.611、0.486, 初步表明建设用地向局部地市集聚的同时邻近地市的开发机会被剥夺, 这就导致集聚式国土空间开发过程中周边区域的环境污染胁迫态势有所缓解.以上环境污染胁迫的多元化驱动表明, 长江经济带处于社会经济转型期, 正经历着时空压缩下的快速城镇化和工业化过程, 生产与生活、城市与乡村、内生与跨区排污累积叠加, 应当实施系统化、源头化综合治理模式, 引导绿色生产生活方式、提升国土空间建设开发集约度和环境效益、规避外资驱动的跨区污染转移、发挥国有资本在环境处置与保护中的示范作用.

4 结论(Conclusions)

1) 2011—2015年长江经济带环境污染胁迫程度降低4.8%, EPSI均值由0.546降至0.521. EPSI整体呈由上游向下游梯度递增趋势, 5年间的环境污染胁迫态势整体稳定、局部改善, 下游地区是高污染胁迫地市的主要分布区, 滇川贵渝、湘鄂赣、江浙沪皖等省级行政界线的跨界地区的高污染胁迫过程值得关注.

2) 环境污染胁迫过程具有显著空间溢出效应, 本地胁迫程度增加的同时会引起邻地胁迫加剧, 未来需要协同建立环境准入、污染付费、跨界预警等深层次环境规制, 跨区域推动环境容量价值化, 完善按浓度和总量并重的排污收费制度, 实现社会经济发展的同时环境污染胁迫程度最小化.

3) 本地环境污染胁迫程度受到邻近地市不同程度的影响, 其中, 人口规模和城镇化水平不仅驱动本地胁迫程度提升, 还能通过空间溢出效应作用于周边地区;工业化、农业经济份额、内外资等因素仅作用于本地胁迫过程, 固定资产投资对本地胁迫过程具有抑制作用;尽管国土开发强度对本地的驱动不显著, 但能缓解邻近地市胁迫强度.未来需引导绿色生产生活方式、提升建设用地扩张的环境效益、规避外资驱动的跨区污染转移、发挥国有资本在环境处置与保护过程中的示范作用.

4) 长江经济带长期处于时空压缩下的快速城镇化和工业化进程中, 生产与生活、城市与乡村、内生与跨区排污累积叠加, 亟需将环境承载能力及污染胁迫程度作为长江经济带开发保护的重要考量.具体政策启示还包括:发挥环境规制在开发保护活动中的前置引导作用, 将规制要求嵌入生产力布局与规划, 按照环境污染胁迫程度分类制定污染物排放限值、环境质量目标、产业准入清单、减排激励机制, 形成更具针对性的污染源管治体系.

5) 本研究重点探讨了各类人为污染物排放对区域环境系统产生的综合胁迫过程, 实际上, 环境污染胁迫是自然与人文因素交互的复杂过程, 未来需要从环境承载力、环境污染胁迫的受胁反应等方面研究纳污后自然要素的响应与适应, 还需要关注水体、土地、大气、生态等自然因素对环境污染胁迫的间接效应与作用机制.在后续研究中还需进一步揭示环境污染胁迫在上下游、干支流、跨边界等流域属性下的时空过程与影响, 加强对国土开发强度与区域开发模式、环境规制等方面的深化研究.此外, 由于目前地市层面数据获取限制, 本文选取的研究时间序列偏短, 未纳入除水体、大气外的土壤、固废污染物指标, 未来可在第二次全国污染源普查、全要素环境监测体系建立的基础上, 建立全要素、全来源的时空面板数据库, 以开展长时间序列下的区域环境污染胁迫综合研究.

参考文献
Anselin L. 2013. Spatial econometrics: methods and models[M]. Berlin: Springer Science & Business Media.
Baek J. 2016. A new look at the FDI-income-energy-environment nexus: dynamic panel data analysis of ASEAN[J]. Energy Policy, 91: 22-27. DOI:10.1016/j.enpol.2015.12.045
陈祖海, 雷朱家华. 2015. 中国环境污染变动的时空特征及其经济驱动因素[J]. 地理研究, 34(11): 2165-2178.
Ehrlich P R, Holdren J P. 1971. Impact of population growth[J]. Science, 171(3977): 1212-1217. DOI:10.1126/science.171.3977.1212
Elhorst J P. 2010. Applied spatial econometrics: raising the bar[J]. Spatial economic analysis, 5: 9-28. DOI:10.1080/17421770903541772
Elhorst J P. 2014. Spatial econometrics: from cross-sectional data to spatial panels[M]. Berlin: Springer.
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.
Grossman G M, Krueger A B. 1995. Economic growth and the environment[J]. The Quarterly Journal of Economics, 110(2): 353-377. DOI:10.2307/2118443
黄德春, 杨哲成. 2020. 长江经济带环境污染治理投资对生态效率的影响研究[J]. 资源与产业, 22(3): 11-19.
郭四代, 张华, 郭杰, 等. 2018. 基于空间计量模型的中国环境污染评价及影响因素分析[J]. 生态学杂志, 37(2): 471-481.
贾卓, 强文丽, 王月菊, 等. 2020. 兰州-西宁城市群工业污染集聚格局及其空间效应[J]. 经济地理, 40: 68-75+84.
Lazarus R S, Cohen J B. 1977. Environmental Stress//Human Behavior and Environment[M]. New York: Springer. 89-127
LeSage J, Pace R K. 2009. Introduction to Spatial Econometrics[M]. Boca Raton: CRC Press.
李冬梅, 梁思捷. 2020. 政府环境污染治理投资的空间效应研究——以长江经济带为例[J]. 长春理工大学学报(社会科学版), 33(4): 117-126. DOI:10.3969/j.issn.1009-1068.2020.04.021
Li Q, Song J, Wang E, et al. 2014. Economic growth and pollutant emissions in China: a spatial econometric analysis[J]. Stochastic Environmental Research and Risk Assessment, 28(2): 429-442. DOI:10.1007/s00477-013-0762-6
Liu H, Fang C, Zhang X, et al. 2017. The effect of natural and anthropogenic factors on haze pollution in Chinese cities: A spatial econometrics approach[J]. Journal of Cleaner Production, 165: 323-333. DOI:10.1016/j.jclepro.2017.07.127
刘汉初, 樊杰, 曾瑜皙, 等. 2019. 中国高耗能产业碳排放强度的时空差异及其影响因素[J]. 生态学报, 39(22): 8357-8369.
Liu K, Lin B. 2019. Research on influencing factors of environmental pollution in China: A spatial econometric analysis[J]. Journal of Cleaner Production, 206: 356-364. DOI:10.1016/j.jclepro.2018.09.194
Liu Q, Wang S, Zhang W, et al. 2018. Does foreign direct investment affect environmental pollution in China's cities? A spatial econometric perspective[J]. Science of the Total Environment, 613: 521-529.
刘玉凤, 高良谋. 2019. 中国省域FDI对环境污染的影响研究[J]. 经济地理, 39(5): 47-54.
陆大道. 2018. 长江大保护与长江经济带的可持续发展[J]. 地理学报, 73(11): 1829-1836.
Lu Y, Song S, Wang R, et al. 2015. Impacts of soil and water pollution on food safety and health risks in China[J]. Environment International, 77: 5-15. DOI:10.1016/j.envint.2014.12.010
平智毅, 吴学兵, 吴雪莲. 2019. 长江经济带经济增长对工业污染的影响分析——基于地理距离矩阵的空间杜宾模型[J]. 生态经济, 35(7): 161-167.
Sapkota P, Bastola U. 2017. Foreign direct investment, income, and environmental pollution in developing countries: Panel data analysis of Latin America[J]. Energy Economics, 64: 206-212. DOI:10.1016/j.eneco.2017.04.001
Song C, Wu L, Xie Y, et al. 2017. Air pollution in China: Status and spatiotemporal variations[J]. Environmental Pollution, 227: 334-347. DOI:10.1016/j.envpol.2017.04.075
孙博文, 程志强. 2019. 市场一体化的工业污染排放机制: 长江经济带例证[J]. 中国环境科学, 39(2): 868-878. DOI:10.3969/j.issn.1000-6923.2019.02.052
谭志雄, 张阳阳. 2015. 财政分权与环境污染关系实证研究[J]. 中国人口·资源与环境, 25(4): 110-117. DOI:10.3969/j.issn.1002-2104.2015.04.014
王宇昕, 余兴厚, 熊兴. 2019. 长江经济带污染物排放强度的空间差异及影响因素研究[J]. 西部论坛, 29(3): 104-114. DOI:10.3969/j.issn.1674-8131.2019.03.010
夏军, 左其亭. 2018. 中国水资源利用与保护40年(1978-2018年)[J]. 城市与环境研究, (2): 18-32.
Zeng J, Liu T, Richard F, et al. 2019. The impacts of China's provincial energy policies on major air pollutants: A spatial econometric analysis[J]. Energy Policy: 132.
周杰文, 蒋正云, 李凤. 2018. 长江经济带绿色经济发展及影响因素研究[J]. 生态经济, 34(12): 47-53+69.
周侃, 樊杰, 刘汉初. 2017. 环渤海地区水污染物排放的时空格局及其驱动因素[J]. 地理科学进展, 36(2): 171-181.
朱向东, 贺灿飞, 李茜, 等. 2018. 地方政府竞争、环境规制与中国城市空气污染[J]. 中国人口·资源与环境, 28(6): 103-110.
邹志红, 孙靖南, 任广平. 2005. 模糊评价因子的熵权法赋权及其在水质评价中的应用[J]. 环境科学学报, 25(4): 552-556. DOI:10.3321/j.issn:0253-2468.2005.04.022