长江三角洲城市群工业污染时空演化及其驱动因素

郭 政,陈 爽,董 平,陆玉麒



长江三角洲城市群工业污染时空演化及其驱动因素

郭 政1,2,陈 爽1*,董 平1,2,陆玉麒2,3

(1.中国科学院南京地理与湖泊研究所,江苏 南京 210008；2.南京师范大学,虚拟地理环境教育部重点实验室,江苏 南京 210023；3.江苏省地理信息资源开发与利用协同创新中心,江苏 南京 210023)

基于2003~2015年长江三角洲(以下简称长三角)城市群26个城市工业废水和工业SO2排放数据,采用标准差椭圆、地理集中指数、工业环境绩效指数、空间形态差异指数等方法从宏观和微观视角对长三角城市群工业污染时空演化进行分析,同时采用对数平均迪氏分解(LMDI)模型对其工业污染排放主要驱动因素进行分解.研究发现:2003~2015年工业废水和工业SO2排放量分别下降了16.97%和28.79%,但占全国比重仍然较高,尤其是工业废水对生态环境胁迫较大.2种工业污染空间形态均呈现出北(偏西)-南(偏东)的空间分布形态,而2种工业污染重心移动轨迹并不一致,工业废水重心总体上朝向东(偏南)方向迁移了12.85km,而工业SO2重心总体上朝向西(偏北)方向迁移了26.89km.此外,2种工业污染主要集中分布于长江沿岸城市且污染集中度指数由高到低大致呈半圈层状向周围递减.工业发展与工业污染空间形态演变具有一致性,工业废水重心和工业SO2重心与工业发展重心距离均在逐渐缩小,而2种工业污染-环境绩效空间分布格局并不完全一致.驱动因素方面,环境规制引起的技术改善效应是工业污染排放量减少的主要原因,而由环境规制引起的产业结构效应对工业污染排放量的影响则取决于区域发展政策,经济发展效应是工业污染排放量增加的主要原因,人口规模效应对工业污染排放量的影响较小.

长三角城市群；工业污染；时空演化；标准差椭圆；LMDI；驱动因素

工业污染是指在工业生产过程中产生的物质或能量进入环境当中,造成相当范围的土壤、水体、大气、噪声等污染状况,从而对人体健康和生活环境构成危害的一种现象.随着经济全球化和区域经济一体化的发展,产业转移成为推动各要素在全球范围内广泛流动和优化配置的主要动力.产业转移特别是传统制造业的转移会带来工业污染排放空间格局变化等环境响应.进入21世纪.依靠大量消耗能源资源的传统经济增长方式已导致能源资源枯竭、生态环境破坏等问题,经济与环境协调发展成为生态文明建设的主要目标.因此,工业污染时空演化成为国内外学者研究的热点.国外学者对工业污染相关研究起源于20世纪80年代.如Grossman和Krueger 通过对42个国家的经济与环境发展关系研究发现:在经济发展初期阶段,工业污染会随着经济增长速度加快而日益恶化,当经济发展到一定程度时,工业污染达到最大而后下降,即工业污染与环境之间呈现“倒U型”关系[1].随后Panayotou利用30个国家的数据对库兹涅兹曲线理论进行了应用与论证,并首次将其命名为“环境库兹涅茨曲线”[2]. Beekermanh和Bhagawati主张环境经济协调发展理论,认为促进经济发展是保护环境的有效手段[3-4]. Chemiwchan从经济结构演变与环境变化关系的理论视角出发,探究工业化进程中经济结构演变对环境变化的影响[5].国内学者对工业污染的研究主要集中在3个方面:一是工业污染空间分布差异的研究,如从省域尺度和市域尺度对工业污染地域分布差异进行研究[6-7];二是工业污染测度方法的研究,如利用探索性空间分析和计量模型等方法检验我国285个地市工业集聚对工业污染的影响[8-9];三是工业污染影响因素的研究,如丁焕峰等[10]基于库兹涅茨曲线的面板数据对我国区域工业污染的影响因素进行了分析.总体来看,当前学者对工业污染时空演化研究尚存一些薄弱之处:较少学者从空间形态视角对工业污染时空演化进行研究;多从微观视角研究工业发展与工业污染之间的相关关系,缺乏宏观视角与微观视角相结合的研究;研究范围多集中于全国尺度或东北老工业基地地区,而对长三角城市群工业污染时空演化的专门研究相对较少.

长三角城市群作为我国经济最发达的地区之一,改革开放以来成为全球产业转移承接的重心,具有明显的短时限内人地关系高强度作用特征.随着各城市产业结构变换,该地区工业污染排放格局也必然发生相应的变化.因此,本文以长三角城市群为研究区,探讨其工业发展和工业污染之间的时空演变规律,并对其驱动因素进行分析.以期在生态文明建设背景下,为长三角城市群工业污染治理提供有益借鉴.

1 研究区概况、研究方法及数据来源

1.1 研究区概况

长三角城市群是“一带一路”与长江经济带的重要交汇点,包括上海,江苏省的南京、无锡、常州、苏州、南通、盐城、扬州、镇江、泰州,浙江省的杭州、宁波、嘉兴、湖州、绍兴、金华、舟山、台州,安徽省的合肥、芜湖、马鞍山、铜陵、安庆、滁州、池州、宣城等26个城市,区域面积21.17万km2,截止2015年,该城市群总人口12907.46万,占全国总人口的9.39%,GDP总量达135512亿元,占全国的21.31%.在区域经济一体化和生态文明建设背景下,长三角城市群不仅是我国重要的经济增长极,还是国家生态环境规划管理的先行者和示范者.当前,在全球产业转移浪潮中,长三角城市群传统制造业等第二产业比重依然较高.2015年长三角城市群工业废水和工业SO2排放量分别占全国排放量的20.09%和9.4%,对生态环境胁迫依然突出,产业结构优化升级与工业污染防治仍然任重道远.

1.2 研究方法

1.2.1 标准差椭圆 标准差椭圆通过以中心、方位角、长半轴、短半轴为基本参数的空间分布椭圆来定量描述研究对象的空间分布态势与演化特征[11-12].由椭圆中心作为起点,对要素的坐标和坐标的标准差进行计算,从而定义椭圆的轴,利用该椭圆可以查看要素分布是否属于狭长型,据此判断是否具有特定的分布方向,在Eris公司研发的ArcGIS10.2软件平台实现.椭圆中心计算公式如下:

式中:SDE,SDE表示椭圆的重心坐标,(x,y)表示城市坐标,w表示城市的工业污染排放量权重;

式中:(,)分别表示沿长轴和短轴的标准差,分别为椭圆长半轴和短半轴的值.

1.2.2 地理集中度指数 地理集中度指数表示某一要素在地理空间上的集中程度,它不仅可以衡量某一区域内不同要素在地理空间上的分布情况,也可反映某一区域在同级区域或更高层次区域中的地位和作用[13].为衡量不同要素的地理空间集中程度,引入地理集中度指数,通过测算长三角城市群各城市工业总产值、工业废水和工业SO2排放量单位面积空间集聚程度,来衡量其工业及工业污染的地理空间集中程度,具体公式如下:

式中:I和P分别表示某时间断面城市工业发展地理空间集中指数和工业污染地理空间集中指数,其值越大表示要素集中程度越高,反之,集中程度越低.GDP表示城市工业总产值;POL表示城市工业废水或工业SO2排放量;AREA表示城市面积,km2,为长三角城市群城市数量.

1.2.3 空间形态差异指数 为了解研究期内工业和工业污染空间形态不一致程度,本文采用空间差异指数测算长三角城市群工业与工业废水和工业SO2标准差椭圆空间形态差异[14],具体公式如下:

式中:SDI×w和SDI×s分别表示工业与工业废水和工业SO2空间形态差异指;SDE、SDE及SDE分别表示工业、工业废水及工业SO2标准差椭圆;Area表示工业与工业废水或工业SO2标准差椭圆相交或合并的面积.

1.2.4 工业环境绩效 工业环境绩效是用来衡量某一企业、行业或地区创造单位价值时对环境产生的影响大小.本文基于前人关于工业环境绩效研究有关成果[15-18],同时考虑到我国已经跨越污染强度倒U型曲线高峰,并正处于向污染排放倒U型曲线高峰过度的阶段[19-21].从工业集聚及工业污染角度构建工业环境绩效指数,具体公式如下:

式中:P和I含义同上,E表示工业环境绩效指数,范围在[0~+¥];若0<E<1,表示区域内工业集聚程度大于工业污染集聚程度,环境绩效水平较高.若E>1,则表示工业污染集聚程度大于工业集聚程度,环境绩效水平较低.

1.2.5 对数平均迪氏(LMDI)分解模型构建 LMDI分解模型是由Ang等于1998年在分解法(IDA)的基础上提出来的一种模型,该模型在因素分解过程中具有不产生残差的优势,自诞生起便广泛运用于能源、环境等研究领域[22-23].本文运用LMDI分解模型研究环境规制效应、经济发展效应及人口规模效应对工业废水和工业SO22种工业污染的贡献程度,鉴于环境规制内涵和前人研究成果[24-25],环境规制因素对工业污染演化效应用技术发展效应和产业结构效应来表示,具体公式如下:

基于LMDI-I型的强度分解公式,获得各因素对工业废水或工业SO2排放强度的贡献度,具体公式如下:

式中:W0表示基期年城市的工业废水或工业SO2排放量;Dtec,i表示城市技术改善效应对工业废水或工业SO2排放的贡献程度;Dstr,i表示城市产业结构效应对工业废水或工业SO2排放的贡献程度;Deco,i表示城市经济发展效应对工业废水或工业SO2排放的贡献程度;Dpop,i表示城市人口规模效应对工业废水或工业SO2排放的贡献程度.若值为正,则表示该指标的增加对工业废水或工业SO2排放具有增加作用,若值为负,则表示该指标的增加对工业废水或工业SO2排放具有抑制作用.

1.3 数据来源

本文以长三角城市群26个城市为研究区,为较为全面的考察城市群工业污染时空演化规律,同时兼顾数据的可靠性和可获取性,选取2003~2015年长三角城市群26个城市工业总产值表征工业发展状况、工业废水排放量和工业SO2排放量表征工业污染状况.文中所需基础数据来源于相应年份的中国城市统计年鉴(2003~2015)[26],上海市统计年鉴(2003~2015)[27],江苏省统计年鉴(2003~2015)[28],浙江省统计年鉴(2003~2015)[29],安徽省统计年鉴(2003~2015)[30].

2 研究结果与分析

2.1 长三角城市群工业污染排放整体态势

以2003年工业废水和工业SO2排放量为基准, 计算出2003~2015年长三角城市群2种工业污染排放量变化情况.从图1a可以看出,2种工业污染排放量总体呈现出下降趋势,但存在明显差异.其中,工业废水排放量变化较为缓和,而工业SO2排放量变化较为剧烈.研究期内,工业废水排放量在2003~2005年呈现增长态势并于2005年达到峰值,而后呈现出波动下降态势并于2015年达到最低值.2015年工业废水排放量较2003年下降了16.97%,相较于2005年下降了27.75%.与工业废水排放量相比,长三角城市群工业SO2排放量变化相对较大,2003~2005年工业SO2排放量呈现增加态势并于2005年达到峰值后开始大幅下降,2009~2010年经历短暂的上升后又呈现出下降态势并于2015年降至最低,2015年SO2排放量较于2003年下降了28.79%,但相较于2005年下降了43.09%.与此同时,为了从宏观视角考察长三角城市群工业污染排放量变化,分别计算2003~ 2015年该城市群2种工业污染排放量所占全国比重,如图1b所示.可以看出长三角城市群工业废水排放量占全国比重明显高于工业SO2排放量占全国比重.同时,工业废水和工业SO2污染排放量占全国比重分别从22.71%和12.18%下降至20.09%和9.4%,虽然所占比重有所下降但占全国排放量比重仍然较高.这主要是因为长三角城市群作为我国规模最大的综合性工业基地,拥有上海、南京、杭州三大工业中心,导致其工业污染排放量在全国占有较大比重,但伴随工业结构转型升级、技术水平和效益的提高以及人们环保意识的增强,其总体排放水平呈现出波动下降态势.

2.2 长三角城市群工业污染时空演化分析

2.2.1 工业污染空间形态演变 利用ArcGIS10.2软件对长三角城市群2003~2015年工业废水和工业SO2标准差椭圆和重心移动轨迹进行可视化表达[31-32].

由图2可知,2种工业污染标准差椭圆均呈现北(偏西)南(偏东)方向,同时其重心均主要分布在苏州市南部地区.此外,2种工业污染移动轨迹均较复杂且存在明显差异.由图2a可以看出,2003~2015年工业废水重心向东(偏南)方向移动了12.85km.其中,2003~ 2007年重心向南(偏东)移动8.79km, 2007~2011年重心向东(偏北)移动13.53km,2011~ 2015年重心向西(偏北)移动2.59km.与工业废水重心移动轨迹相比,2003~2015年工业SO2重心整体由东向西(偏北)移动了26.89km,移动轨迹幅度相对较大.其中, 2003~2007年重心向西(偏北)方向移动5.48km, 2007~2011年重心向西(偏北)移动13.44km, 2011~ 2015年重心向西(偏南)移动9.56km,如图2b所示.

从2003~2015年长三角城市群工业污染标准差椭圆方位角、形状指数及面积变化3个方面进一步分析工业污染空间形态演化,如图3所示.从工业污染标准差椭圆方位角变化来看,2种工业污染标准差椭圆方位角变化都较和缓,但变化趋势存在明显不同.研究期内,工业废水方位角经历了先增大-再减小-再增大-再减小的变化过程,大致呈现M型变化趋势.工业废水方位角由2015年的141.89°下降至2003年的139.99°.而工业SO2方位角总体上经历了先减小后增加的变化过程,大致呈现V型变化趋势.2015年工业SO2方位角为125.9°,弱于工业废水偏转性,如图3a所示.从工业污染标准差椭圆形状指数变化来看,可以发现工业废水形状指数在2013年达到最小值后开始增加,大致经历了先减小后增加的变化过程.而工业SO2形状指数总体呈现出波动增加趋势,从2003年的0.72上升至2015年的0.74,增幅较小,如图3b所示.与工业废水相比,工业SO2标准差椭圆空间分布形状更加扁平.研究期内,2种工业污染主要沿着长轴方向分布,但工业废水趋向于短轴分布,而工业SO2更加趋向于长轴方向分布.从工业污染标准差椭圆面积变化来看,工业废水与工业SO2污染面积变化趋势也存在较为明显的差异.其中工业废水面积2013年之前呈现出缓慢增加态势,而后开始下降.而工业SO2污染面积除在2010年呈现出剧烈下降,其他年份均呈现出缓慢增加态势,如图3c所示.总体来看,工业SO2污染分布范围明显高于工业废水污染分布范围,且差距呈现出扩大态势.

2.2.2 工业污染内部格局演变 为厘清2003~2015年长三角城市群工业污染时空格局变化,首先根据公式(5)计算出长三角城市群各城市的工业污染地理集中度,然后利用ArcGIS10.2软件数据可视化功能中自然断点法将不同年份各城市地理集中度划分为5个等级(高、较高、中、低、较低),如图4所示.

从工业废水地理集中程度来看:①2003年高污染聚集类型城市包括上海、苏州、无锡、南京4市,到了2015年只有上海和苏州属于该类型.其中,南京、无锡工业废水排放量呈现出波动减少态势,其2015年排放量较2003年分别下降了52.46%和30.23%.②较高污染聚集类型城市数量变化并不明显,由2003年的4个增至2015年的5个,大致呈线状分布于高污染聚类型城市的西侧和南侧,包括西侧的南京-常州-无锡一线及南部的嘉兴-绍兴一线.③中等污染聚集类型城市数量没有发生变化,但在空间分布上明显向城市群南部转移且呈团状环绕于高污染聚集和较高污染聚集类型城市周围,主要包括中部长江沿线的铜陵、马鞍山、镇江、南通及南部地区的湖州、杭州、宁波、舟山.④低聚集类型城市数量也未发生变化,主要分布于长三角城市群西侧的芜湖市、北侧的盐城、扬州、泰州及东南侧的金华和台州.⑤较低污染聚集类型城市数量由2003年的4个上升至2015年的5个,合肥市进入该行列,总体呈团状分布于城市群的西侧.

从工业SO2地理集中程度来看:①高污染聚集类型城市数量有所增加.2003年高污染聚集类型城市仅包括上海,2015年南京、无锡、苏州、嘉兴进入该类型城市.②较高污染聚集类型城市数量没有发生变化,2003年和2015年都有5个城市,主要分布在长三角城市群长江沿岸的铜陵、马鞍山、镇江及东南沿海的宁波和舟山.③中等污染聚集类型城市数量也未发生变化,2003年和2015年属于该类型城市的数量均为7个,主要环绕于高污染聚集和较高污染聚集类型城市周围呈团状分布.④低污染聚集类型城市数量由2003年的5个减少至2015年的4个,在空间上主要分布在长三角城市群的西侧和东南侧,包括合肥、杭州、金华和台州4市.⑤较低污染聚集类型城市数量发生了比较明显的变化,由2003年的8个下降至2015年的5个,主要分布在长三角城市群西北侧和西南侧,包括盐城、滁州、安庆、池州和宣城5市.

总体来看,长三角城市群2种工业污染高值区主要集中分布于上海-苏州-无锡-常州一带,并以此为核心大致呈半圈层状由高到低向周围递减.随着长三角城市群内陆城市工业的发展,工业污染呈现出向内陆转移的倾向,但工业仍主要集中于上海-苏州-无锡-常州等沿江城市且重工业居多,从而导致工业废水和工业SO2高值区分布较为集中.

图4 2003、2015年长三角城市群工业废水及工业SO2地理集中度 Fig.4 Geographical concentration of industrial wastewater and industrial SO2 in the Yangtze Delta urban agglomerations in 2003 and 2015

2.3 长三角城市群工业污染与工业发展演变对比分析

2.3.1 基于标准差椭圆的空间形态对比 利用ArcGIS10.2软件绘制出2003年和2015年长三角城市群工业与工业污染标准差椭圆,如图5所示.可以看出,工业发展与2种工业污染的标准差椭圆空间形态在空间分布上具有一致性,均呈现出北(偏西)南(偏东)的空间分布形态.

图5 2003、2015年长三角城市群工业与工业污染标准差椭圆对比 Fig.5 Comparison of Industrial and Industrial Pollution Standards in the Yangtze Delta urban agglomerations in 2003 and 2015

研究期内,工业发展重心分别位于苏州市境内和苏州与无锡交界处.随着时间的推移,工业废水重心和工业SO2重心与工业发展重心距离逐渐缩小,分别由40.38和18.7km降至21.7和17.42km.从重心移动轨迹来看,工业SO2重心跟随工业重心朝向西(偏北)方向移动,而工业废水与工业重心移动轨迹并不一致,呈现出朝向东(偏南)方向移动.

为进一步研究长三角城市群工业与工业污染空间形态差异大小,利用式(6)、(7)计算出工业标准差椭圆与2种工业污染标准差椭圆的空间差异指数,如表1所示.可以发现,研究期内长三角城市群工业与工业废水空间差异指数呈现出波动下降态势,而与工业SO2的空间差异指数虽有波动但相对稳定.此外,2010年以前长三角城市群工业与工业废水空间形态差异远大于与工业SO2的空间形态差异.其中,工业与工业废水空间形态差异主要体现在短轴方向,而与工业SO2空间形态差异主要体现在长轴方向.总体来看,长三角城市群工业与2种工业污染空间形态存在差异,但总体变化分布形态较为一致.

2.3.2 基于工业污染集中度-环境绩效的分析 利用式(8)计算出长三角城市群各市环境绩效指数,并结合各市工业污染地理集中度进行分析(将高、较高污染聚集及低、较低污染聚集类型合并),以便分析长三角城市群工业污染-环境绩效空间分布格局,如图6所示.

表1 2003~2015年长三角城市群工业与工业污染空间形态差异指数 Table 1 Spatial form difference index of industrial and industrial pollution in Yangtze River Delta urban agglomerations from 2003 to 2015

从工业废水污染-环境绩效空间格局变化来看:①高污染高绩效、低污染高绩效2种类型城市数量有所增加.其中,2015年高污染高绩效类型城市数量较2003年增加了1个,包括上海、无锡、常州三市.而2015年低污染高绩效城市数量较2003年增加了2个,包括金华、合肥、芜湖、扬州、泰州4市,在空间上也由原来的局部聚集转变为局部聚集总体分散的分布格局.②高污染低绩效、低污染低绩效类型城市数量均有所下降.其中,高污染低绩效类型城市数量较2003年减少了2个,包括南京、苏州、嘉兴、绍兴4市,低污染低绩效类型城市数量较2003年减少了1个,但空间分布格局发生了较大变化,由原来的团状聚集于长三角城市群西侧转变为离散分布于城市群边缘.③中污染高绩效、中污染低绩效类型城市数量没有发生变化,但空间分布格局发生了较为明显变化.其中,中污染高绩效类型城市分布区向东南方向迁移,而中污染低绩效类型城市分布区则向西南方向移动.

图6 2003、2015年长三角城市群工业污染-环境绩效空间分布 Fig.6 Spatial distribution patterns of industrial pollutions-environmental performance types in the Yangtze River Delta urban agglomerations in 2003 and 2015

从工业SO2污染-环境绩效空间格局变化来看:①高污染高绩效、高污染低绩效及中污染高绩效类型城市数量均有所增加.其中,2015年高污染高绩效类型和高污染低绩效类型城市数量较2003年均增加了2个,中污染高绩效类型城市数量增加尤为明显,较2003年的1个增加至2015年的4个.此外,在空间分布格局上,高污染高绩效和中污染中绩效类型城市呈团状分布于城市群的东北侧,而高污染低绩效类型城市主要呈离散状分布于城市群沿江和沿海地区.②2015年中污染低绩效、低污染低绩效类型城市数量较2003年均减少了3个.从空间分布看,中污染低绩效和低污染低绩效类型城市分布区收缩最为明显,主要呈现出离散分布状态.③低污染高绩效类型城市数量未发生明显变化,在空间分布上同样呈现出离散分布状态.

总体来看,长三角城市群2种工业污染-环境绩效空间分布并不完全一致.这主要是由于工业发展带来的经济增长与工业污染之间存在着双向作用.一方面,工业经济增长通过技术效应、规模效应及结构效应减少污染物的排放,从而提高环境绩效.另一方面,生态环境、资源禀赋质量的降低导致环境绩效的下降,从而产生区域工业污染-环境绩效分布格局的空间差异.

2.4 工业污染时空格局演变驱动因素分析

利用LMDI分解模型对2003~2015年长三角城市群2种工业污染排放的影响因素进行分解,获得技术改善效应、产业结构效应、经济发展效应以及人口规模效应对工业污染排放量的贡献度[33-35],以识别不同因素对该城市群工业污染排放的影响,如图7所示.

可以发现,长三角城市群工业废水和工业SO2排放驱动因素变化情况具有共同特征,也存在一定差异:2003~2015年2种工业污染的技术改善效应贡献量均为负,说明工业技术和污染物治理技术的不断提高对工业污染物排放具有显著的抑制作用.2种工业污染产业结构效应贡献量呈现出正负变化的态势.其中,工业废水产业结构效应贡献量在2003~ 2006年,2009~2011年、2014~2015年为正值,其他年份均负值.而工业SO2产业结构效应贡献量在2003~ 2005年、2008~2011年、2012~2013年、2014~2015年为正值,其他年份均为负值,说明区域产业结构调整对工业污染排放量变化具有重要影响.区域产业结构受区域发展政策的影响和制约,若着重发展重工业,则会增加工业污染排放量,导致技术改善效应呈现出正贡献量,若进行产业结构升级,大力发展第三产业等高新技术产业,则会大幅减少工业污染排放量,使技术改善效应呈现出负贡献量. 2003~2015年工业废水与工业SO2经济发展效应贡献量均为正,2种工业污染经济发展效应贡献量始终为正值并且居于主导地位,说明经济发展效应贡献量是长三角城市群工业污染排放的主要来源.2种工业污染人口规模效应贡献量均较稳定且均为正值,对长三角城市群工业污染排放贡献量较小.此外,2种工业污染排放量在2005年以后总体处于负增长状态.这主要是因为“十一五”规划后长江经济带战略的提出,国家高度重视长江经济带的可持续发展,大力推进工业技术和产业结构升级,同时出台了一系列生态环境保护政策,促进了长三角城市群工业污染排放量的减少[36].

为进一步探究长三角城市群各城市工业污染排放驱动力,运用LMDI分解模型计算2003~2015年该城市群26个城市不同因素对工业废水和工业SO2排放的贡献度,如图8所示.可以发现,技术改善效应方面,长三角城市群各城市2种工业污染的排放量均随着工业技术和污染治理技术的提升而得到一定程度的抑制.从图8可以看出,2种工业污染技术改善效应均呈现出负贡献量且有些城市技术改善效应甚至超过了经济发展效应对工业污染的贡献量.如上海、杭州、南京、常州、无锡、芜湖等经济发达城市技术改善效应对工业污染排放量具有显著的抑制作用,其中,上海和杭州2015年工业废水与工业SO2排放量较2003年分别下降了23%、50%和65%、43%.因此,工业技术和污染物处理技术提升产生的技术改善效应可大幅减少工业污染排放量,是解决经济发展过程中城市工业污染的重要途径.产业结构效应是影响区域工业污染排放的重要因素,产业结构的不同与变化导致各城市工业污染排放存在显著的空间差异.其中,上海、杭州、南京、苏州、无锡、常州等沿海沿江大城市产业结构调整,大力发展第三产业和高新技术产业,产业结构效应处于负贡献量,使得这些城市的工业污染排放量显著下降.而作为产业转移承接地区,诸如合肥、芜湖、宣城、南通、台州等城市工业污染排放量随着工业总产值的增加而增加,产业结构效应呈现出正贡献量.经济发展效应方面,长三角城市群各城市2种工业污染排放量均随着经济规模的扩大而增加,但具有明显的地域差异.具体来看,上海、南京、苏州、无锡、杭州等城市经济发展效应对工业污染排放量的贡献较大,而合肥、芜湖、铜陵、池州、舟山、连云港、盐城等经济相对较弱城市经济发展效应贡献量较弱.人口规模效应对2种工业污染的影响均不显著,但总体来看对工业废水排放量的影响要大于对工业SO2排放量的影响.具体来看,仅有上海、南京、杭州、苏州等大城市的人口规模增大对工业废水增加呈现出一定的增加作用,且主要体现在厂区内人口产生的生活废水与工业废水合并排放而导致人口规模对工业废水排放具有一定的影响.而与工业废水相比,人口规模增大对工业SO2排放量的影响相较于其总排放量而言相对较小.

3 结论

3.1 研究期内两种工业污染排放量整体呈现出下降趋势,工业废水排放量下降了16.97%,而工业SO2排放量变化更为剧烈,下降了28.79%.从工业废水和工业SO2占全国排放量份额来看,两种工业污染占比呈现出轻微下降趋势,但占全国比重仍然较高,其中工业废水排放量占全国总排放量的20%以上,对生态环境造成的胁迫尤为突出.

3.2 从空间形态来看,研究期内工业废水与工业SO2空间标准差椭圆均呈现出北(偏西)-南(偏东)的空间分布形态,但两种工业污染重心移动轨迹并不一致.研究期内工业废水重心总体上朝向东(偏南)方向迁移了12.85km,而工业SO2重心总体上朝向西(偏北)方向迁移了26.89km.此外,两种工业污染主要集中分布于长江沿岸城市且污染集中度由高到低大致呈半圈层状向周围递减.

3.3 研究期内工业与工业污染空间形态演变存在一致性,工业废水重心和工业SO2重心与工业发展重心距离逐渐缩小,分别由40.38和18.7km降至21.7和17.42km.工业与工业废水空间差异指数呈现出波动下降态势,而与工业SO2的空间差异指数虽有波动但总体保持相对稳定.此外,两种工业污染-环境绩效空间分布具有一定的相似性,但也存在显著差异.

3.4 驱动因素方面,由环境规制作用产生的技术改善效应对工业废水和工业SO2排放具有显著的抑制作用,而由环境规制引起的产业结构效应对工业废水和工业SO2排放的贡献量主要受区域产业发展政策的影响.经济发展效应是导致工业废水和工业SO2排放量增加的主要因素,人口规模效应对工业废水排放量的增加主要来源于厂区内生活废水,对城市工业废水排放量的贡献量并不显著,而人口规模效应对工业SO2排放量的贡献量相较于工业SO2排放量比重极小,可以忽略其影响.

[1] Grossman G M, Krueger A B. Economic growth and the environment [J]. The Quarterly Journal of Economics, 1995,110(2):353-377.

[2] Panayotou T. Empirical tests and policy analysis of environment degradation at different stages of economic development. Working paper, Technology and Employment Program [R]. Genevar: Internation labor office, 1993.

[3] Beekerman. Economic growth and the environment: whose growth? Whose environment? [J]. World Development, 1992,(4):481-496.

[4] Bhagawati J. The high cost of free trade [J]. Scientific American, 1993:42-49.

[5] Chemiwchan J. Economic growth, industrialization, and the environment [J]. Resource Economics, 2003,24(1):27-48.

[6] 彭文斌,吴伟平,邝嫦娥.中国工业污染空间分布格局研究[J]. 统计与决策, 2013,(20):115-117. Peng W B, Wu W P, Kuang C E. Study on spatial distribution pattern of industrial pollution in China [J]. Statistics and Decision, 2013,(20): 115-117.

[7] 曲福田,赵海霞,朱德明,等.江苏省环境污染及影响因素区域差异比较研究[J]. 长江流域资源与环境, 2006,(1):86-92.Qu F T, Zhao H X. Zhu D M, et al. Regional difference in pollution and its cause in Jiangsu province [J]. Resources and Environment in the Yangtze Basin, 2006,(1):86-92.

[8] 胡志强,苗健铭,苗长虹.中国地市尺度工业污染的集聚特征与影响因素[J]. 地理研究, 2016,35(8):1470-1482.Hu Z Q, Miao J M, Miao C H. Agglomeration characteristics of industrial pollution and their influencing factors on the scale of cities in China [J]. Geographical Research, 2016,35(8):1470-1482.

[9] 胡志强,苗健铭,苗长虹.中国地市工业集聚与污染排放的空间特征及计量检验[J]. 地理科学, 2018,38(2):168-176.Hu Z Q, Miao J M, Miao C H. Spatial characteristics and econometric test of industrial agglomeration and pollutant emissions in China [J]. Scientia Geographica Sinica, 2018,38(2):168-176.

[10] 丁焕峰,李佩仪.中国区域污染影响因素:基于EKC曲线的面板数据分析[J]. 中国人口·资源与环境, 2010,20(10):117-122.Ding H F, Li P Y. Regional pollution and its affecting factors: A panel date analysis based on EKC in China [J]. China Population, Resources and Environment, 2010,20(10):117-122.

[11] 马姣娇,赵永琪,徐颂军.中国工业污染重心与经济重心转移路径对比分析 [J]. 城市与环境研究, 2016(2):80-94. Ma J J, Zhao Y Q, Xu S J. A comparative analysis on the movement of industrial pollution gravity center and economic gravity center in China [J]. Urban and Environmental Studies, 2016,(2):80-94.

[12] 李国平,罗心然.京津冀地区人口与经济协调发展关系研究[J]. 地理科学进展, 2017,36(1):25-33. Li G P, Luo X R. Coordinated development between population and economy in the Beijing-Tianjin-Hebei region [J]. Progress in Geography, 2017,36(1):25-33.

[13] 王怀成,张连马,蒋晓威.泛长三角产业发展与环境污染的空间关联性研究[J]. 中国人口·资源与环境, 2014,24(S1):55-59. Wang H C, Zhang L M, Jiang X W. Study on evolution of industrial and pollution gravity centers and its spatial correlation in Pan Yangtze River Delta [J]. China Population, Resources and Environment [J]. 2014,24(S1):55-59.

[14] 赵 璐,赵作权.中国经济的空间差异识别[J]. 广东社会科学, 2014,(4):25-32.Zhao lu, Zhao Zuoquan. Identification of spatial differences in China’s Economy [J]. Guangdong Social Science, 2014,(4):25-32.

[15] 董战峰,张 欣,郝春旭.2014年全球环境绩效指数(EPI)分析与思考[J]. 环境保护, 2015,43(2):55-59. Dong Z F, Zhang X, Hao C. Analysis and thoughts on 2014 environmental performance index [J]. Environmental Protection, 2015, 43(2):55-59.

[16] 张子龙,逯承鹏,陈兴鹏,等.中国城市环境绩效及其影响因素分析:基于超效率DEA模型和面板回归分析[J]. 干旱区资源与环境, 2015,29(6):1-7. Zhang Z L, Lu C P, Peng B. Urban environmental performance and its driving factors in china: Based on the super-efficiency DEA and Panel regressive analysis [J]. Journal of Arid Land Resources and Environment, 2015,29(6):1-7.

[17] 薛静静,沈 镭,彭保发等.区域能源消费与经济和环境绩效—基于14个能源输出和输入大省的实证研究[J]. 地理学报, 2014, 69(10):1414-1424. Xue J J, Shen L, Peng B F, et al. The economic and environmental performance of regional energy consumption: An empirical study on 14major energy output and input provinces in China [J]. Acta Geographica Sinica., 2014,69(10):1414-1424.

[18] 赖玢洁,田金平,刘 巍,等.中国生态工业园区发展的环境绩效指数构建方法[J]. 生态学报, 2014,34(22):6745-6755. Lai F J, Tian J P, Liu W, et al. Environmental performance index for eco-industrial park development in China [J]. Acta Ecological Sinica, 2014,34(22):6745-6755.

[19] 范纯增,顾海英,姜 虹.长江流域工业环境绩效评价研究 [J]. 生态经济, 2015,31(3):31-35+111. Fan C Z, Gu H Y, Jiang H. Research on industrial environmental performance evaluation in Yangtze River Basin [J]. Ecological Economy, 2015,31(3):31-35+111.

[20] 樊胜岳,高桃丽.中国工业污染变动态势及其EKC实证分析—基于生态阈值视角 [J]. 生态经济, 2017,33(9):110-115. Fan S Y, Gao T L. Change status of industrial pollution of China and its EKC empirical analysis based on ecological threshold perspective [J]. Ecological Economy, 2017,33(9):110-115.

[21] 陈劭锋,刘 扬,邹秀萍,等.1949年以来中国环境与发展关系的演变[J]. 中国人口.资源与环境, 2010,20(2):43-48. Chen X F, Liu Y, Zou X P, et al. Evolutionary stage of relationship between environmental and economic development in China since 1949 [J]. China Population, Resources and Environment [J], 2010, 20(2):43-48.

[22] Ang B W, Zhang F Q, Choi K H. Factoring changes in energy and environment entail indicators through decomposition [J]. Energy, 1998,23(6):489-495.

[23] 马晓君,董碧滢,于渊博,等.东北三省能源消费碳排放测度及影响因素[J]. 中国环境科学, 2018,38(8):3170-3179.Ma X J, Dong B Y, Yu Y B, et al. Measurement of carbon emissions from energy consumption in three Northeastern provinces and its driving factors [J]. China Environmental Science, 2018,38(08):3170- 3179.

[24] 张成松.环境规制与污染密集型产业空间演变[D]. 蚌埠:安徽财经大学, 2017.Zhang C S. Environmental regulation and pollution-intensive industries spatial evolution-based on the empirical study of the data of the interprovincial panel [D] Anhui university of finance and economics, 2017.

[25] 王 腾,严 良,何建华,等.环境规制影响全要素能源效率的实证研究——基于波特假说的分解验证[J]. 中国环境科学, 2017,37(4): 1571-1578.ang T, Yan L He J H, et al. An empirical study on the effect of environment regulation on total factor energy efficiency- decomposition verification based on potter hypothesis [J]. China Environmental Science, 2017,37(4):1571-1578.

[26] 国家统计局.中国城市统计年鉴[M]. 北京:中国统计出版社, 2003-2015.National bureau of statistics. China city statistical yearbook [M]. Beijing: China statistics press, 2003-2015.

[27] 上海市统计局.上海市统计年鉴[M]. 北京:中国统计出版社, 2003-2015. Shanghai Bureau of Statistics. Shanghai statistical yearbook [M]. Beijing: China statistics press, 2003-2015.

[28] 江苏省统计局.江苏省统计年鉴[M]. 北京:中国统计出版社, 2003-2015. Jiangsu Bureau of Statistics. Jiangsu statistical yearbook [M]. Beijing: China statistics press, 2003-2015.

[29] 浙江省统计局.浙江省统计年鉴[M]. 北京:中国统计出版社, 2003-2015. Zhejiang Bureau of Statistics. Zhejiang statistical yearbook [M]. Beijing: China statistics press, 2003-2015.

[30] 安徽省统计局.安徽省统计年鉴[M]. 北京:中国统计出版社, 2003-2015. Anhui Bureau of Statistics. Anhui statistical yearbook [M]. Beijing: China statistics press, 2003-2015.

[31] 程 钰,徐成龙,刘 雷,等.1991~2011年山东省工业经济增长的大气污染效应及其时空格局—以SO2和粉尘为例[J]. 地理科学进展, 2013,32(11):1703-1711.Chen Y, Xu C L, Liu L, et al. Effect of industrial growth on atmospheric pollution and its spatio-temporal pattern in Shandong Province during 1991~2011: Taking SO2and dust emissions as example [J]. Progress in Geography, 2013,32(11):1703-1711.

[32] 庄 欣,黄晓锋,陈多宏,等.基于日变化特征的珠江三角洲大气污染空间分布研究[J]. 中国环境科学, 2017,37(6):2001-2006.Zhuang X, Huang X F, Chen D H, et al. Studies on spatial distribution of air pollution in Pearl River Delta based on diurnal variation characteristics [J]. China Environmental Science, 2017,37(6):2001- 2006.

[33] 袁 荷,仇方道,朱传耿,等.江苏省工业环境效率时空格局及影响因素[J]. 地理与地理信息科学, 2017,33(5):112-118. Yuan H, Chou F D, Zhu C G, et al. Spatial-temporal changes and influencing factors of industrial environmental efficiency in Jiangsu province [J]. Geography and Geo-Information Science, 2017,33(5): 112-118.

[34] 陈昆仑,郭宇琪,刘小琼,等.长江经济带工业废水排放的时空格局演化及驱动因素[J]. 地理科学, 2017,37(11):1668-1677. Chen K L, Guo Y Q, Liu X Q, et al. Spatial-temporal pattern and driving factors of industrial wastewater discharge in the Yangtze River economic zone [J]. Scientia Geographica Sinica, 2017,37(11):1668- 1677.

[35] 田时中,赵鹏大.西北六省工业污染动态综合评价及影响因素分析[J]. 干旱区资源与环境, 2017,31(7):1-7.Tian S Z, Zhao D P. Dynamic comprehensive evaluation and analysis on influencing factors of industrial pollution in six northwest provinces [J]. Journal of Arid Land Resources and Environment, 2017,31(7):1-7.

[36] 蒋姝睿,王 玥,王 萌,等.区域视角下中国工业行业与工业污染关系[J]. 中国环境科学, 2017,37(11):4380-4387.Jiang S R, Wang Y, Wang M, et al. Industrial sectors and pollution in China based on the regional perspective [J]. China Environmental Science, 2017,31(7):1-7.

Spatio-temporal evolution of industrial pollution in the Yangtze River Delta urban agglomeration and its driving factors.

GUO Zheng1,2, CHEN Shuang1*, DONG Ping1,2, LU Yu-qi2,3

(1.Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, China；2.Key Laboratory of Virtual Geographic Environment of Ministry of Education, Nanjing Normal University, Nanjing 210008, China；3.Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing, 210008, China)., 2019,39(3)：1323~1335

Based on data of industrial wastewater discharge and industrial SO2emission of the 26 cities in the Yangtze River Delta (YRD) urban agglomeration from 2003 to 2015, the spatial and temporal evolution of industrial pollution was analyzed from the macro and micro perspectives by using the methods of standard deviation ellipse, geographic concentration index, industrial environmental performance index and spatial shape difference index. At the same time, the logarithmic mean decomposition (LMDI) model was used to decompose the main driving factors of industrial pollution discharge. The study found that: from 2003 to 2015, industrial wastewater and industrial SO2emissions decreased by 16.97% and 28.79%, respectively, but their proportions are still relatively high in China, especially for the stress of industrial wastewater on ecological environment. The both spatial patterns of industrial pollution show the spatial distribution pattern of north (west)-south (east), however the two types of industrial pollution have different movement trajectories of the center of gravity. The center of gravity of industrial wastewater moved 12.85km to the east (south) direction, while the center of gravity of industrial SO2migrated to the west (north) direction by 26.89km. In addition, the two types of industrial pollution are mainly concentrated in the cities along the Yangtze River and the pollution concentration index decreases to the surrounding areas with the shape of semi-circle layer. The evolution form of industrial development is consistent with that of industrial pollution, both the distances of the industrial development center of gravity between the industrial wastewater center of gravity and the industrial SO2center of gravity are gradually reduced, and the spatial distribution patterns of two industrial pollution-environmental performances are not completely consistent. In terms of driving factors, the technological improvement effect caused by environmental regulation is the main reason for the reduction of industrial pollution emissions, while the influence of industrial structure caused by environmental regulation on industrial pollution emissions depends on regional development policies. The economic development effect is the main reason for the increase of industrial pollution emission, and population scale effect has little influence on industrial pollution emission.

Yangtze River Delta urban agglomeration；industrial pollution；space-time evolution；standard deviation ellipse；LMDI；driving factors

X32

A

1000-6923(2019)03-1323-13

郭 政(1993-),男,安徽蚌埠人,中国科学院大学博士研究生,从事城市可持续发展研究.

2018-08-20

国家自然科学基金资助项目(41771140,41430635)

* 责任作者, 教授, schens@niglas.ac.cn