中国省域环境伦理行为指数测度及其空间效应研究——基于改进STIRPAT模型的实证

黄 元,段梦姣,杨 洁,温亚利

(北京林业大学 经济管理学院,北京 100083)

一、引言

2019年3月13日,联合国环境规划署发布了第六期旗舰环境评估报告《全球环境展望》,报告警示称,如不能立即加大环境保护力度,到21世纪中叶全世界或将有数百万人因环境问题过早死亡。中国早在《“十三五”生态环境保护规划》中就已明确指出,以提高环境质量为核心,实行最严格的环境保护制度,到了2020年,要做到生态环境质量总体改善,生态文明建设水平与全面建成小康社会的目标相适应。从根本上来说,要改善总体的生态环境质量,不能仅依靠单一的政府治理手段,必须结合政府的宏观调控、企业的技术创新和公众的广泛参与,形成系统性的综合治理体系,才能有效缓解目前中国因经济飞速发展而给生态环境带来的超负荷压力[1]。

有研究指出,环境问题产生的根本原因是人们缺乏必要的环境道德意识,而环境伦理观则是指导人类环境行为的哲学观,是促进环境和谐发展的核心理念[2]。甚至有学者认为,如果没有科学合理的环境伦理思想来指导人们的行为,即使拥有高度发达的科学技术也没有办法从根本上解决环境问题[3]。1949年,美国哲学家Holmes在《沙乡年鉴》中首次提出“大地伦理学”的概念,他认为应当赋予自然实体以道德权利,将道德规范应用于人地关系的协调。20世纪70年代以后,以美国著名环境学家罗尔斯顿为代表的学者们构建了环境伦理学的理论体系,将环境伦理观划分为人类中心论、生物中心论、可持续发展环境伦理等不同类型[4]。环境伦理观作为可持续发展的重要指导思想,在环境问题日益严重的大背景下,开始逐渐地受到人们的重视,国内外学者对环境伦理的研究也从初期的哲学思辨逐渐过渡到对微观环境行为的影响研究,以求进一步将环境伦理更好地应用于可持续发展的实践中。其中,较为有代表性的成果有Dunlap等设计的“新生态范式”(New Environmental Paradigm,NEP)模型[5],该模型被广泛应用于测度人类对自然所持有的环境信念;Stern提出的“价值—信念—规范”(VBN)理论,将道德规范视为影响环境行为的重要因素[6],该理论被广泛应用于环境信念的相关实证研究中。

国内关于环境伦理相关的实证研究大多集中于微观环境行为,如王建明等研究发现资源环境情感会对生态文明行为有直接影响[7];范钧等通过研究认为环境情感意象直接影响地方依赖,间接影响地方认同与旅游者环境责任行为[8]。近年来,也逐渐开始有部分宏观层面的环境伦理研究,如汤明等利用典型年份的经济发展和环境保护特征数据,从环境伦理视角对中部地区政府的承接产业转移政策进行分析[9];胡悦等利用京津冀等地2003—2010年面板数据,从政府、企业和公众各主体出发,研究了环境伦理与京津冀等地大气污染治理效率关系[10];宋永永等采用空间分析方法和计量模型探讨了2011—2014年中国省域环境伦理行为与环境质量时空差异及互动格局[11]。从实践的角度来说,宏观层面上的环境伦理研究相对于微观来说更具有政策层面的指导意义,但由于宏观环境伦理的测度困难限制较大,到目前为止,在宏观层面上的环境伦理数理量化研究仍存在较大学术缺口。

本文可能的贡献主要包含以下两点:一是从宏观视角出发,在文献综述基础上完善环境伦理行为指数指标体系;二是拓展了STIRPAT模型,增加了新的环境伦理影响因素,提升了原模型的灵活度。本文通过构建环境伦理行为指数指标体系,测算2003—2015年中国省域环境伦理行为指数,利用改进的STIRPAT模型结合空间面板计量模型对环境伦理行为指数进行回归分析,并进一步对各影响因素的空间效应进行分解,在此基础上探讨了中国省域环境伦理行为指数的空间交互影响。研究结果有助于为STIRPAT理论体系的完善提供更多的研究思路,并为中国在新时代背景下构建人与自然和谐共生的社会制度提供科学合理的参考。

二、环境伦理行为指数

(一)指标体系构建

从心理学上来说,环境伦理是环境行为产生、变化与持续的核心与基础,而环境行为则是环境伦理的外在表现。广义的环境行为指可以影响到区域生态系统环境质量的行为,既可以是对环境起到正向积极作用的提升行为,也可以是对环境起到负向消极作用的破坏行为。本研究所指的环境伦理行为不同于传统意义上的环境行为,是一种应激性的环境行为,属于广义环境行为下的特例,具体可定义为行为主体在自身的环境伦理意识受到外部的不良环境刺激后,产生的以改善环境质量为目的的正向环境行为。与传统的环境行为的区别在于环境伦理行为必须有一个外部环境的不良刺激作为前提,是一种能够反映人与自然之间良性互动的行为。在已有的环境行为研究中,Hungerford等将环境行为分为五大类:生态管理、说服行为、消费行为、法律行为和政治行为[12];Smith-Sebasto等将环境行为分为六大类:公民行为、教育行为、经济行为、法律行为、说服行为和体力行为[13]。本研究从宏观角度,按照经济行为主体差异,将环境伦理行为主体分为政府、企业和公众三个维度。政府的环境伦理行为包含政治行为以及经济行为,指以可持续发展观为指引,从政治和经济角度出发,为提升区域环境质量所产生的管理行为;企业的环境伦理行为主要为经济行为,指企业在可持续发展思想引领下,为减少环境污染所产生的生产行为;公众的环境伦理行为类似于大部分学者对环境行为的定义,主要为经济行为、法律行为、教育行为、说服行为、体力行为和公民行为,指公众认可可持续发展观,为提升环境质量所产生的参与行为。

在参考已有研究的基础上,从政府的管理行为、企业的生产行为和公众的参与行为三个维度分别选取了不同指标构建了环境伦理行为指数的评价指标体系[10-11]。环境伦理行为指数可以反映一个地区的当地居民和生态环境之间的共存状态,环境伦理行为指数越高,说明该地区的外部环境对人们的刺激越强,当地的居民会存在较高的改善环境倾向,具有较高的环境伦理意识,同时,也反映了该地区的经济发展和环境保护之间的矛盾冲突较为严重,在这种情形下,无论是在政府层面,还是企业层面或公众层面,环境问题都是首要解决的问题。在考虑到研究时间跨度较大容易导致部分年鉴数据指标难以前后统一的问题,以及宏观层面下的行为数据可获得性问题,对初始选取的指标进行筛选,最终确定的指标体系详见表1。指标体系权重的确定采用主客观结合的赋权方式,年鉴指标要素层采用熵值法赋权重,准则层则采用AHP法,由于本研究时间跨度较大,篇幅有限,在此仅列出三个年份的要素层权重分布。

表1 环境伦理行为指数测度指标体系

(二)加权综合指数模型

综合指数模型是依据某种标准和计算方法,综合反映各个指标变化对总体目标的影响程度的模型,目前被广泛地应用于各个领域的效率评价、满意度评价和生态环境质量评价等。综合指数模型本身并没有单一固定的形式,可以根据评价的对象、目标、指标性质等改变具体的表达形式。本研究为了更为客观地反映环境伦理行为指数的变化,采用加权的综合指数模型,具体表达式如下:

(1)

其中,EEBI表示环境伦理行为指数;Wi为准则层第i个准则的权重;Wij为第i个准则下的第j个要素的权重;Cij为第i个准则下的第j个要素指标的标准化值;m为要素总个数;n为准则总个数。

图1 2003与2015年中国省域环境伦理行为指数对比

(三)环境伦理行为指数时空变化分析

利用加权综合指数法对统计年鉴数据进行系统整合,得到2003—2015年中国各省域环境伦理行为指数以及其变化趋势,选取2003年与2015年的计算结果进行对比,按照2003年的环境伦理行为指数从大到小进行排列,结果详见图1。中国西部地区的几个城市、海南、北京、上海以及天津的环境伦理行为指数排名都较低,说明相对于中国的其他省份,这几个地区的当地居民与生态环境之间的矛盾冲突并不明显,整体上来看达到了人地和谐共生的状态。从2003年和2015年的排名变化对比来看,大部分城市的排名变化不大,四川、吉林、黑龙江和广西的排名降低幅度较大,说明这些地区的人地矛盾冲突有所缓解。而河南、河北一带则相对来说人地矛盾冲突较为严重,从这两个省份2003年至2015年的环境伦理行为指数增长数量来看,在过去的十几年里,这种矛盾冲突的状态并没能得到很好的改善,并且仍存在增长的趋势。还有部分省份,如山东、广东和山西等排名上涨,这些省份在注重经济发展的同时也应当更多关注于如何缓解人地冲突的问题。

三、空间计量模型构建与数据来源

(一)STIRPAT模型改进与变量设计

美国著名人口学家Ehrlich等在1971年首次提出了“IPAT”模型,用来衡量环境影响I(Impact)与人口P(Population)、富裕程度A(Affluence)以及技术水平T(Technology)之间的关系[14],该恒等式可表示为:

I=PAT

(2)

IPAT模型指出,环境变化主要是由人口、经济与技术三个驱动因子共同作用的结果,单个因素不可能独立于其他因素而单独作用于环境冲击。然而IPAT模型是在维持其他因素不变的情况下通过改变单个因素来研究问题,存在一定的局限性。为了克服传统IPAT模型的不足,York等通过引入差异弹性系数和随机误差将IPAT模型改进为STIRPAT模型[15],表达式如下:

I=αPbAcTdε

(3)

其中,α为方程系数;b、c、d分别是人口、富裕程度和科技水平的估计参数,参数越大,说明该解释变量对被解释变量的影响越大;ε为随机误差项。

STIRPAT模型相较于传统IPAT模型来说在结构组成上更为灵活,允许对各影响因素进行适当分解以适应不同情景下的环境影响研究。在本研究中,“I”对应环境伦理行为指数,环境伦理行为除了受到行为主体心理因素方面的影响外,还会受到行为主体的社会人口学特征影响[16],因此,为了使原STIRPAT模型设置更为合理,在解释变量中加入受教育程度(Education)变量,用于测度区域人口受教育程度;考虑到人口规模的变动在环境伦理层面主要体现在人均空间的变化,因此,将原人口变量“P”拓展为人口密度(Population Density)变量,用于测度区域居民生活空间的拥挤程度;根据已有的微观层面研究[17],环境伦理行为的发生与环境感知有较强联系,因此,在模型中加入环境污染程度(Pollution)变量和自然保护程度(Environmental Conservation)变量。所有变量具体测度指标如表2所示。

表2 变量说明

根据本文的研究对象性质特征,在原STIRPAT模型的基础上进行扩展,得到方程如下:

EE=αPDβ1Aβ2Tβ3Eβ4ECβ5POβ6e

(4)

其中,α为常数项;β1,β2,…,β6分别为人口密度、经济发展水平、科技水平、受教育程度、自然保护程度和环境污染程度的估计系数;ε为随机误差。对等式两边取自然对数进行线性化,结果如下:

lnEE=α+β1(lnPD)+β2(lnA)+β3(lnT)+β4(lnE)+β5(lnEC)+β6(lnPO)+ε

(5)

(二)空间自相关分析与空间权重矩阵设定

不同区域间的环境伦理水平可能存在较大空间差异,从地理学第一定律上来看,区域之间的地理联系越紧密,则彼此之间的影响能力越强。为了进一步探究区域之间的空间关系,本研究首先采用空间统计模型全局Moran’sI来检验不同区域之间的环境伦理水平是否存在空间相关性,如果检验结果证明存在空间相关,再通过构建空间计量模型的方式进一步探究环境伦理水平的空间影响因素。全局Moran’sI公式如下:

(6)

(7)

其中,d设置为区域i与j的球面距离,为了避免孤岛效应,需要保证每个区域至少有一个邻居,这里将新疆与西藏的省域球面距离设置为最小阈值。

(三)空间计量模型构建

空间面板计量模型将面板数据分析和空间计量学的处理方法相结合,能够同时反映时空变化特征,使得空间计量模型的估计更为有效。根据模型的初始设定对空间相关性的体现方法不同,空间面板计量模型可大致分为三种:空间滞后面板模型、空间误差面板模型和空间杜宾面板模型。考虑到环境伦理水平在省域级别上可能会存在较为复杂的空间相关性,本研究初步建立三种常用的空间面板计量模型对中国省域的环境伦理水平的空间效应进行探讨。

1.空间滞后面板模型

空间滞后面板模型(Spatial Lag Panel Data Model,SLPDM)是使用较多的空间面板模型,主要用于探讨邻近地区被解释变量之间的空间相互作用。模型构建如下:

β6(lnPOit)+μi+λt+εit

(8)

2.空间误差面板模型

空间误差面板模型(Spatial Error Panel Data Model,SEPDM)通过模型的误差扰动项来体现邻近地区之间的空间相关性,也就是说,包含在误差扰动项里的遗漏解释变量对周围地区的被解释变量有空间影响,或者包含在误差扰动项里不可观测的随机冲击对周围地区的被解释变量有空间影响。模型构建如下:

lnEEit=α+β1(lnPDit)+β2(lnAit)+β3(lnTit)+β4(lnEit)+β5(lnECit)+β6(lnPOit)+μi+λt+Φit

(9)

式中,Φit为在t时刻区域i的被解释变量回归的随机误差项;Φjt为在t时刻区域j的被解释变量回归的随机误差项;ρ为空间误差回归系数,反映了遗漏解释变量或者不可观测的随机冲击对周围地区的被解释变量的空间影响;εit为正态分布的随机误差项。

3.空间杜宾面板模型

空间杜宾面板模型(Spatial Durbin Panel Data Model,SDPDM)可用于探讨邻近地区的解释变量与被解释变量同时对本地区的被解释变量的空间影响。模型构建如下:

(10)

(四)直接效应、间接效应与总效应

为了进一步测度邻近区域之间复杂的空间相关关系,在使用空间计量模型时往往需要对这种空间效应进行拆分。Lesage等提出可以使用直接效应和间接效应来描述邻近区域的空间边际效应[18]。在本研究中,直接效应指本区域的解释变量对本区域的环境伦理水平的影响,包含两条影响路径。其中,一条为直接影响路径,另一条路径为反馈路径,是指本区域的解释变量通过影响邻近区域的被解释变量,使得邻近区域的被解释变量发生变化,而这种变化最终又反馈回本区域,使得本区域被解释变量发生变化的过程;间接效应也称空间溢出效应,是指本区域周围所有的邻近区域的某个解释变量变化一个单位,对本区域的环境伦理水平产生的影响。不考虑诱发效应的情况下,本区域所接收到的总效应等于直接效应与间接效应之和。

为了便于理解,空间杜宾模型的式子可以简单写为:

y=ιnα+ρWy+βX+θWX+ε

ε～N(0,σ2In)

(11)

将式(11)改写为向量形式:

(In-ρW)y=ιnα+βX+θWX+ε

(12)

等式左右同除(In-ρW),化简得到:

(13)

式中,V(W)=(In-ρW)-1,Sr(W)=V(W)(Inβr+Wθr);ιn为元素全部为1的n×1阶矩阵。

将式(13)写成矩阵的形式:

(14)

由于研究区域的不同,各种效应的估计值也存在差异,为了方便对比,需要进行统一的处理。本研究主要参考Lesage等提出的简单平均法,矩阵Sr(W)的主对角线元素之和的1/n为平均直接效应;矩阵Sr(W)的所有元素之和的1/n为平均总效应;平均总效应与平均直接效应之差为平均间接效应[18]。

(五)数据来源

本研究以中国31个省份(由于数据限制,不包括港澳台地区)2004—2016年统计年鉴为主要数据源。环境污染治理投资占GDP比重、工业废气排放量、工业企业施工污染治理项目数、累计颁布地方环境标准、环境保护系统各级机构人员总数、环境来信数、环境来访批次与人大环保建议数等指标来自2004—2016年的《中国环境年鉴》,人均指标为年鉴中相应总数指标与人口指标比值,其中,分地区环境来信数与环境来访批次指标自2016年起在《中国环境年鉴》中停止收录,由于分地区信访指标数据缺失较多,本研究暂不考虑2016年及以后的信访数据;国内专利申请受理数与工业企业中有R&D活动企业数占比指标来自2004—2016年《中国科技统计年鉴》;其余人口、地区生产总值以及自然资源类等指标数据均来自2004—2016年《中国统计年鉴》,地区生产总值数据统一以2003年为不变价格进行处理。

四、模型结果分析

(一)空间自相关检验

根据2003—2015年中国环境伦理行为指数的空间自相关分析可知(见表3),所有研究年份的Moran’sI均为正值,且都通过了5%的显著性检验,Z值皆大于1.96,这说明了中国省域的环境伦理行为指数仅有小于5%的可能为随机分布。在研究年份内,中国环境伦理行为指数在省域上存在显著的正向空间自相关,具体表现为两个省域之间的空间距离越近,则彼此之间的环境伦理行为指数相关性越强。在Moran散点图中,数据点位于“高—高”(HH)象限和“低—低”(LL)象限分别表示研究区域属于环境伦理行为指数高值集群与低值集群,同时也意味着这部分集群的省域单元存在空间均质性;数据点位于“高—低”(HL)象限表示局部环境伦理行为指数高水平区域被附近相对较低水平的区域所包围的空间格局;数据点位于“低—高”(LH)象限则表示局部环境伦理行为指数相对较低的区域被附近高水平的区域所包围的空间格局。

表3 中国2003—2015年环境伦理行为指数全局自相关Moran’s I

图2 2003与2015年中国省域环境伦理行为指数Moran散点

通过对比中国省域环境伦理行为指数的Moran散点(见图2),发现在2003年和2015年位于HH以及LL象限的省域数量都分别占到总省域数量的65%,反映了在该时段内有超过一半数量的省域的环境伦理行为指数存在空间自相关性,因此,在后期的回归分析中应该把空间因素合理纳入到回归模型中。由图3可知,西部地区为“低—低”集聚显著区域,东南地区为“高—高”集聚显著区,总体上来看,形成了自西向东,由低值向高值过渡,山东、江苏、浙江、福建、江西、湖北、河南7省“高—高”集聚显著区包围安徽的空间聚集格局。

注:该图及以下地图均基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2019)1831号的标准地图制作,底图无修改。

(二)空间面板模型选择

在确定本研究的空间计量模型之前,为了判断空间滞后面板模型、空间误差面板模型与空间杜宾面板模型中哪个模型更适用于环境伦理行为指数的空间效应分析,需要先对无固定效应、空间固定效应、时间固定效应以及时空双向固定效应四种空间面板模型分别进行空间滞后和空间误差的LM检验以及稳健的LM检验,以判断四种固定效应在空间滞后和空间误差假设下的模型适配度,拟合结果详见表4。

从两种空间效应假设的LM检验结果来看,无固定效应的面板模型基本满足在1%水平上显著拒绝无空间效应的假设,空间固定效应和时间固定效应的面板模型也基本满足在1%的概率水平上显著拒绝无空间效应的假设,这充分说明了构建的模型受到空间交互作用的影响较大,当LM检验结果表明拒绝非空间性时,在空间计量模型的选择上仍需谨慎,应该再补充Wald检验和LR检验,以进一步判断空间杜宾模型是否可以简化为空间滞后模型或者空间误差模型。

通过Wald检验两个零假设:H0:θ=0和H0:θ+δβ=0。如果只有第一个零假设被拒绝,则说明空间杜宾模型不能被简化为空间滞后模型,同时LM检验也显示空间滞后模型显著时,应该选择空间滞后模型作为研究的计量模型;如果只有第二个零假设被拒绝,则说明空间杜宾模型不能被简化为空间误差模型,如果两个零假设同时被拒绝,则说明应该选择空间杜宾模型作为研究的计量模型。如果空间误差模型或者空间滞后模型能够被估计时,则可以同时进行Wald检验和LR检验;如果空间误差模型或者空间滞后模型不能够被估计时,则只能进行Wald检验,两种检验皆服从自由度为K的卡方分布。

由于在上一步的LM检验中无法排除空间固定和时间固定两种模型设定的可能性,且时间固定效应和空间固定效应的联合显著性检验(LR)同时拒绝了原假设,也不能排除时空双向固定效应存在的可能性,因此,暂且保留时空双向固定的模型设定,连同随机效应、空间固定效应和时间固定效应一起进行空间杜宾模型的Wald检验和LR检验,结果详见表5。

关于面板模型的随机效应和固定效应的选择,可以根据研究的需要和统计检验进行判断。首先,从理论分析上来看,本研究所用样本为中国31个省份,接近全国总体,因此,选择固定效应较为合适;其次,从统计检验的结果上来看,Hausman检验的结果拒绝了随机效应的原假设,因此,综合考虑之下本研究最终将选用固定效应模型。根据Elhorst的建议,空间面板数据模型的拟合优度可以根据模型情况在R2(e,Ω)(或R2(e))和corr2中进行选择[19]。因此,综合似然值、R2、corr2等拟合优度的参数指标以及Wald和LR检验的结果来看,本研究最终将选用时间固定效应的空间杜宾面板模型。

(三)空间溢出效应分析

由表5估计结果可知,在时间固定效应的空间杜宾面板模型中,除了人口密度以外,其余解释变量的空间滞后项皆显著不等于零,这说明了此时空间模型中的解释变量系数是有偏的,并不能直接反映解释变量对被解释变量的边际影响。具体来说,这意味着本省域的解释变量变化,不仅会直接影响到本省域的被解释变量,还会通过影响邻近省域的被解释变量再反馈作用于本省域的被解释变量,即存在反馈效应。本研究采用Lesage等提出的空间效应分解方法,将解释变量对被解释变量的影响分解为直接效应和空间溢出效应,其中,直接效应为解释变量对被解释变量的总影响,包括了反馈效应[18]。

空间效应分解结果如表6所示,人口密度、经济发展水平、科技水平和环境污染程度的直接效应显著为正;自然保护程度的直接效应显著为负。总体上来看,在所有系数显著的解释变量中,对环境伦理行为指数边际影响最大的为自然保护程度,其次为环境污染程度、经济发展水平和人口密度,这说明了区域环境伦理行为的发生与当地的自然保护程度密切相关,自然保护程度越高,当地的人居环境越好,则环境伦理行为的发生就越少;而环境污染程度越高,生存环境越差,则环境伦理行为的发生就越多;经济的发展在一定程度上会牺牲周边的环境资源,从而使人们对于环境的需求增加,产生更多的环境伦理行为;人口密度越高,人均生存空间越拥挤,就越容易产生环境问题,从而激发起人们想要改善环境的意识并付诸行动。

结合表5与表6的结果来看,人口密度的模型估计系数为0.255 0,直接效应为0.256 3,说明本区域的人口密度对本区域的环境伦理行为指数有正向促进作用。反馈效应为0.001 3,仅占直接效应的0.5%,说明了人口密度对本区域的环境行为伦理指数的直接影响较大,反馈作用较小。空间溢出效应的估计结果未能够通过显著性检验,表明了邻近区域的人口密度对本区域的环境行为伦理指数影响不显著。

经济发展水平的模型估计系数为0.234 5,直接效应为0.259 9,说明本区域的经济发展水平对本区域的环境伦理行为指数有正向促进作用。反馈效应为0.025 4,占直接效应的98%,这意味着经济发展水平在影响路径“本区域经济发展水平—邻近区域环境伦理行为指数—本区域环境伦理行为指数”中存在正向反馈作用;空间溢出效应为0.671 8,说明邻近区域的经济发展水平对本区域的环境伦理行为指数有正向影响,区域空间交互作用显著。

科技水平的模型估计系数为0.226 9,直接效应为0.231 7,说明本区域的科技水平对本区域的环境伦理行为指数有正向促进作用。反馈效应为0.004 8,但空间溢出效应没有通过显著性检验,说明科技水平的主要影响集中于本区域,与其他区域的空间交互作用较弱。受教育程度的模型估计系数、直接效应和空间溢出效应都没有通过显著性检验,说明本区域人口的受教育程度对本区域以及邻近区域的环境伦理行为指数的影响都不显著。

自然保护程度的模型估计系数为-0.349 2,直接效应为-0.351 7,说明本区域的自然保护程度对本区域的环境伦理行为指数有负向促进作用。反馈效应为-0.002 5,占直接效应的0.7%,说明自然保护程度对本区域的环境行为伦理指数的直接影响较大,反馈作用较小。空间溢出效应为-0.690 8,说明邻近区域的自然保护程度对本区域的环境伦理行为指数有负向影响。在本研究中,自然保护程度用每万人均自然保护区面积进行度量,也就是说,本区域的自然保护区不仅能够对本区域的环境伦理行为指数产生影响,同时还能够对邻近区域进行空间辐射,扩大自身的影响范围,空间交互作用表现得较为明显。

环境污染程度的模型估计系数为0.260 5,直接效应为0.261 8,说明本区域的环境污染程度对本区域的环境伦理行为指数有正向促进作用。反馈效应为0.001 3,占直接效应的0.5%,说明环境污染程度对本区域的环境行为伦理指数的直接影响较大,反馈作用较小。空间溢出效应为0.318 7,表明了邻近地区的环境污染程度会对本区域的环境伦理行为指数有正向影响。

表6 模型空间效应分解

五、结论与建议

本研究通过构建政府、企业和公众三个层面的宏观指标体系测算了2003—2015年中国省域环境伦理行为指数,在此基础上利用改进的STIRPAT模型结合空间面板计量模型分析了环境伦理行为指数的影响因素,并对空间面板计量模型中所有解释变量进行空间效应分解,进一步探讨了各影响因素的直接效应和空间溢出效应。主要研究结果如下:

第一,在2003—2015年间,中国省域环境伦理行为指数存在较强的正向空间自相关性。根据2003和2015年的局部Moran指数分析结果显示,中国大部分省域的环境伦理行为指数还是以高值集聚为主,低值集聚为辅,整体空间集聚分布格局显著。

第二,总体上来看,在所有系数显著的解释变量中,对环境伦理行为指数边际影响最大的为自然保护程度,其次为环境污染程度、经济发展水平和人口密度。

第三,人口密度、经济发展水平、科技水平和环境污染程度对本区域的环境伦理行为指数有正向作用,而自然保护程度对本区域的环境伦理行为指数有负向作用。

在本研究中,环境伦理行为指数并非一个越大越好或者越低越好的指数,它的学术意义和现实意义在于能够通过时间和空间上的对比变化,反映出一个地区人地矛盾的变化趋势以及与其他区域相比自身所处的对应水平,从而能够更好地为有关部门制定相关政策提供良好的理论依据。具体来说,人口密度和环境污染程度属于直接影响生存环境舒适度的指标,人口密度和环境污染程度的增加会大幅度降低居民的生活环境质量,进一步激发其迫切想要改善生存环境的意识并外在体现为环境伦理行为的发生。其中,人口密度的影响在空间上集中于本省域,而环境污染程度不仅会对本省域的环境伦理行为指数产生影响,还会对邻近省域进行辐射,空间溢出效应显著。由于环境污染存在空间上的无边界特性,属于面状弥漫式扩散,应当采用区域协同综合治理手段进行系统防治。经济发展水平和科技水平属于间接影响生存环境舒适度的指标。此前有研究表明,中国东部大部分地区已经越过环境库兹涅茨曲线的拐点,中部处于峰值状态,而西部地区仍处于环境库兹涅茨曲线的前半部分[20],也就是说,当前经济的高速发展在一定程度上仍会对环境造成压力,使得环境伦理行为指数增加;科技水平的提升对环境治理至关重要,但科技水平本身和经济发展是相互促进的关系,两者都还处于使环境伦理行为指数正向增加的状态,说明当前的科技水平仍未能很好地满足经济发展所带来的环境污染治理的需求,应当加强环境治理相关科研成果的转化,进一步提升环境治理效率。自然保护程度属于反映生态环境保护现状的指标。根据估计结果,自然保护程度的直接效应和空间溢出效应都为负值,意味着随着自然状况的优化,环境伦理行为指数会降低,人地矛盾在一定程度上得到缓解。因此,应当更加重视自然保护区的生态调节作用,进一步落实实行最严格的生态环境保护制度政策,促进自然生态系统与社会经济的全面协调可持续发展。