中国城市化对环境质量影响的空间计量分析

王连芬，张静蕊

（湖南大学 经济与贸易学院，长沙 410079）

0 引言

近些年来，我国环境问题越来越突出，社会对环境的关注度也越来越高。我国政府也在采取各种措施，希望减少经济发展带来的环境影响，提高环境质量。在《国家新型城镇化规划》（2014—2022年）中指出，我国要大力推进城市的环保、绿色发展，减少在城市发展过程中产生的环境污染，使我国的城市和自然环境协调发展，在城市发展的同时保证环境质量。在这种背景下，探寻现阶段我国城市化的特征，研究城市发展对环境质量的影响，对于我国优化城市发展方式，改善环境质量，具有非常重要的意义。

国内外多数学者已关于城市化对环境的影响进行了大量的研究[1-8]，然而在多数研究中假定地区之间的环境污染排放是相互独立的，忽略了空间相关性的影响，这样会对研究结果产生一定的影响。地区之间会产生经济合作和产业转移，特别是在我国现在产业转型升级的影响下，产业转移现象会越来越多，这个过程可能会产生跨区域污染，使地区之间环境质量的空间相关性加强。在进行研究时如果忽略空间相关性，可能会影响结果的准确性。本文选取了我国31个省市的数据，对我国31个省市的环境质量空间分布格局进行了分析，利用空间计量模型，分析了我国城市化水平对环境质量的影响。

1 环境质量的空间相关性分析

1.1 环境质量评价指标

为了能更客观地从整体上研究城市化对环境质量的影响，本文将多种环境污染物整合为一个指标，从绝对量的角度对各地区环境质量进行综合评价。只研究一种污染物的排放不能综合地反映环境污染整体状况，因此需要选取多种污染物排放的综合指标，来全面反映整体环境质量状况，因此本文从工业污染和生活污染两个方面选取了相应的指标，来衡量环境污染水平。污染包括气体污染、水污染和固体废弃物污染，因此本文的工业污染和生活污染均是从这三个角度衡量的。本文用工业废气排放量、工业SO2排放量、工业废水排放量、工业固体废弃物产生量来表示工业污染；用生活SO2排放量、生活废水排放量、生活垃圾清运量来表示生活污染。为了能从整体上研究城市化与环境质量之间的关系，本文采用熵值法来测算我国大陆31个省（自治区、直辖市）2004—2016年环境污染指数。环境污染指数越高，表示工业污染和生活污染排放量越多，环境质量越差。

将得到的环境污染数值用geoda软件分析，根据环境污染水平的不同，将这些省份分为了三个等级，位于第三级的省域有10个，依次为内蒙古、河南、辽宁、江苏、四川、贵州、广东、河北、山西、山东，是环境污染物排放最多的地区；位于第二级的11个省域为黑龙江、新疆、陕西、湖北、湖南、安徽、江西、浙江、云南、重庆、广西，这些地区环境污染程度较轻，环境质量较好；位于第一级的10个省域为吉林、北京、天津、宁夏、甘肃、青海、西藏、海南、上海、福建，是环境污染最轻的地区。整体来看，我国31个省市的环境污染排放并非随机分布的，具有一定程度的空间集聚性。

1.2 环境质量空间相关性分析

（1）环境质量的全局空间自相关分析

在空间相关性分析中，全局空间自相关可以分析不同地区之间整体上是否存在空间关联。本文先采用Moran指数来衡量空间相关性是否存在，若存在空间相关性，则说明我国31个省市之间的环境质量在空间上会相互影响。

本文通过geoda生成空间权重矩阵，然后计算2004—2016年间环境污染综合指数的Moran指数，结果如表1所示。2004年Moran指数值为0.1907，之后Moran指数值逐渐增长，直到2007年Moran指数值为0.2095，是Moran指数值最高的年份；2016年Moran指数值为0.2076。这表明我国31个省市的环境污染现象在空间上的分布并不是随机的，临近地区的环境污染现象会相互影响，具有显著的正向空间相关性，地区环境质量在空间分布上存在一定的集群现象。

表1 2004—2016年环境污染指数Moran’s I统计值

（2）环境质量的局部空间自相关分析

利用空间相关性分析中的局部空间自相关分析，可以进一步判定我国31个省市之间环境污染现象的高低属性，图1为2016年我国31个省市的环境污染指数Moran散点图。Moran散点图的不同象限表明地区之间环境污染的影响是不同的。处于Moran散点图第一个象限的地区，表明省份自身以及相邻省份的环境污染现象都比较严重，环境质量都比较差；处于Moran散点图第二个象限的地区，表明省份自身环境污染现象较轻，环境质量较好，而相邻省份的环境污染水平较高，环境质量较差；处于Moran散点图第三个象限的地区，表明省份自身以及相邻省份的环境污染水平都比较低，环境质量都比较好；处于Moran散点图第四个象限的地区，省份自身的环境污染水平较高，环境质量较差，而相邻省份的环境污染水平较低，环境质量较好。

图1 2016年环境污染指数Moran散点图

从图1可以看出，2016年环境质量位于第一象限的省区有11个，位于第三象限的省区有5个。

因为Moran散点图不能判断地区之间的局部相关类型，以及集聚区是否具有显著性，所以本文采用LISA聚类分布图来分析每个省份的环境污染与周边省份的空间自相关程度。

根据LISA聚类分布图分析结果，2016年我国环境污染形成了不同的集聚区：第一个是以山西、山东、河北、河南为核心的高污染集聚区。这些地区与周边省区形成了高污染圈。第二个是以新疆为中心的低污染集聚区。新疆及其周边省区经济发展水平落后，产生的工业污染和生活污染较少，因此形成了以新疆为核心的低污染圈。安徽是环境污染低-高区的核心。其自身环境质量较好，环境污染水平较低，但是被环境污染高的省区包围，有可能会受到周边高污染省区的影响。

经过上文的分析可知，我国相邻省份之间的环境污染行为会相互影响，呈现出一定的集聚现象。因此本文在分析中纳入了空间计量分析，判断空间相关性的影响。

2 实证分析

2

.1 理论模型、变量选择与数据说明

国内外学者关于环境污染的影响因素以及城市化与环境污染的关系进行了大量的研究。Ehrlich和Holdren(1971,1972)[9,10]提出了IPAT模型：I=P×A×T。I表示人类活动对自然环境产生的影响，P、A、T分别表示人口数量、居民富裕水平以及技术水平。IPAT模型表示的是人口、居民富裕水平以及技术水平对环境产生的影响。但是由于IPAT模型不能进行假设检验，只能研究在保持其他因素不变的情况下，分析另一种因素改变对环境产生的影响，存在其局限性。Dietz和Rosa(1994)[11]提出了STIRPAT模型，在STIRPAT模型中可以分析各个因素的变化对环境产生的影响，随后STIRPAT模型被广泛应用到环境污染的影响因素研究分析中。本文主要研究的是城市化对环境质量的影响，根据SITRPAT模型，本文的具体模型如下：

将以上模型取对数，可以得到：

利用STIRPAT模型，在人口和居民富裕水平的基础上，可以加入其他变量，研究其他因素对环境的影响。York(2003)[12]、Makoto(2015)[13]利用 STIRPAT 模型研究了城市化率对环境的影响；Wang P等(2013)[14]、Wang Y等(2015)[15]发现产业结构会对环境产生一定的影响；“污染天堂”假说认为发展中国家环境管制标准较低，会吸引外资建立污染密集型企业，使发展中国家成为发达国家的“污染天堂”，List和Co(2000)[16]通过研究发现外资的进入会使发展中国家污染加重，验证了污染天堂假说。因此，本文在研究城市化对环境的影响时，选取了人口、富裕水平、产业结构、外商直接投资作为控制变量。

本文的解释变量为城市化率，关于城市化率，不同的学者有不同的解释。Clark(1945)[17]认为城市化的发展是人口从第一产业向第二三产业转移的过程；辜胜阻(1991)[18]将城市化定义为人口从农村流出，向城市流入的过程，城市人口会不断集聚。因此，本文在测定城市化水平时，用非农业人口在总人口中所占的比重表示。具体模型如下：

城市化水平为非农业人口占总人口的比重；人口指标用年末地区常住人口表示；居民富裕水平为人均GDP；产业结构用第二产业占GDP的比重表示；FDI为外商直接投资额。

本文采用的是我国大陆地区的31个省市2004—2016年间的相关数据，各年人均GDP均使用2000年价格为基期进行修正。本文的数据来源为《中国统计年鉴》、《中国环境年鉴》、《中国人口和就业年鉴》。

2.2 空间面板数据模型

空间计量与普通模型不同的是模型中引入了空间作用，能够分析空间变量对环境污染的影响。空间计量模型分为两种，两种模型的空间变量不同。

根据本文的研究变量，本文的空间滞后模型反映的是相邻地区的环境污染水平对本地区环境污染水平的影响程度，模型表达式为：

Y代表的是环境污染水平，是因变量；X代表的是城市化水平、人口数量等变量；W为空间权重矩阵；ρ为空间变量的回归系数。

在空间误差模型中，空间作用存在于误差项之中。模型的表达式为：

在这个模型中，ε代表的是随机误差向量；λ代表的是空间误差项的系数，表示相邻省份的因变量的误差对本省市的环境污染的影响。

对于空间滞后模型(SAR)还是空间误差模型(SEM)的选择，应根据Moran’s I检验结果来进行。首先需要进行Moran’s I检验，如果未通过显著性检验，则选择古典回归模型；如果通过了Moran’s I检验，说明我国各省份的环境污染之间存在空间相关性，需要采用空间计量模型。

其次，如果我国各省份的环境污染行为会受相邻地区的影响，则需要进一步采用LM检验，在空间滞后模型还是空间误差模型中，确定更适合本文的模型。

2.3 空间面板模型估计

空间自相关性检验结果见表2。Moran’s I统计值在1%显著性水平下显著，说明经典回归误差的空间依赖性明显，因此，本文需要采用空间计量模型。

表2 空间自相关性检验

根据LM检验结果，模型的LM-lag统计值的P值为0.2764，结果不显著。而LM-Error和Robust LM-error统计值的P值均小于1%，结果是显著的。所以本文采用空间误差模型，测度相邻省份间环境污染的相互影响程度。

本文用Matlab软件进行了空间回归分析，空间回归模型分为四种情况，但是本文的时间固定效应模型的空间系数最为显著，模型的拟合优度最好，Log Likelihood值最大，因此，本文仅给出了时间固定模型的回归结果，如表3所示。

表3 空间计量模型结果

空间回归系数λ为正，且在1%显著性水平下显著，说明我国的环境质量存在显著的空间相关性，即一个地区的环境质量不仅与自身的因素有关，还受到相邻地区其他因素的影响。

城市化水平的一次项和二次项系数均为显著的，且一次项系数为正，二次项系数为负，说明在城市化水平较低时，随着城市化水平的提高，环境污染水平增加，环境质量下降；在城市化水平越过拐点之后，随着城市化水平的提高，环境污染水平呈下降趋势。

人口数量的系数为0.9846，说明人口数量的增加会导致环境污染加剧，环境质量下降。人口的增加一方面会导致生活污染的增加。另一方面人口增多会导致产品消费的增加，从而导致工业污染增加。

人均GDP的系数为负，并通过了1%水平下的显著性检验，说明随着人们富裕度的提高，环境污染水平会降低。

产业结构的系数为正，说明第二产业会对环境污染有较大影响。随着第二产业的比重增加，环境质量将逐渐下降。我国正处于经济转型期，“高能耗、高污染”的企业在逐渐减少，更多的企业开始向高新技术型企业转型。

FDI的系数为负，但是未通过显著性检验，说明污染天堂假说在我国并不成立。

3 结论

本文利用2004—2016年我国大陆31个省市的数据，计算了我国各地区的环境污染指数，分析了环境质量的空间相关性。基于空间动态面板数据，构建了空间计量模型，分析了城市化的不同阶段，对环境质量产生的不同影响。本文的主要得出以下四点结论：

第一，我国地区间环境质量存在显著的空间相关性和空间集聚性，形成了以河北等省份为核心的高污染集聚区、以新疆为中心的低污染集聚区和以安徽为中心的“低-高”污染集聚区。

第二，各地区的环境质量在空间维度上相互影响。一个地区的环境质量不仅取决于自身的城市化水平和人口、富裕度等因素，还会受到相邻地区环境污染行为的影响。本文最终得出在城市化对环境质量的影响中，空间回归系数为正，说明各省区的环境质量存在显著的正向空间相关性，有着显著的集聚效应和相似性。

第三，在城市发展进程的不同阶段，会对环境产生不同的影响。在城市化水平较低时，随着城市的发展，环境污染现象会加重，环境质量逐渐下降。在城市化水平达到一定程度之后，随着城市化水平的提高，环境污染物的排放量会减少。

第四，人口、富裕水平、产业结构等也会对各省区的环境质量产生影响。人口和产业结构均会导致污染物排放量增加，环境质量下降，而富裕水平对环境污染排放的影响是负向的。污染天堂假说目前在我国不成立，FDI的流入不会带来更为严重的环境污染。