EN中文

地理研究 >

2021 , Vol. 40 >Issue 11: 3173 - 3190

DOI: https://doi.org/10.11821/dlyj020201115

论文

城市规模分布与空气质量的关系——基于LandScan数据的跨国研究

  • 王妤 , 1, 2, 3 ,
  • 孙斌栋 , 1, 2, 3 ,
  • 李琬 1, 2, 3
展开
  • 1.华东师范大学中国行政区划研究中心,上海 200241
  • 2.崇明生态研究院,上海 202162
  • 3.华东师范大学城市与区域科学学院,上海 200241
孙斌栋（1970-）,男,河北阜平人,教授,博士生导师,主要从事城市地理、城市规划和区域经济研究。E-mail:

王妤（1992-）,女,河北唐山人,博士研究生,主要从事城市地理、区域经济研究。 E-mail:

收稿日期: 2020-11-16

  录用日期: 2021-04-27

  网络出版日期: 2022-01-10

基金资助

国家社会科学基金重大项目(17ZDA068)

国家自然科学基金项目(41901184)

国家自然科学基金项目(42071210)

教育部人文科学研究青年项目(20YJCZH233)

华东师范大学未来科学家和优秀学者培育计划项目(WLKXJ202010)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Relationship between city size distribution and air quality: A cross-country study based on LandScan data

  • WANG Yu , 1, 2, 3 ,
  • SUN Bindong , 1, 2, 3 ,
  • LI Wan 1, 2, 3
Expand
  • 1. Research Center for China Administrative Division, East China Normal University, Shanghai 200241, China
  • 2. Institute of Eco-Chongming, Shanghai 202162, China
  • 3. School of Urban & Regional Science, East China Normal University, Shanghai 200241, China

Received date: 2020-11-16

  Accepted date: 2021-04-27

  Online published: 2022-01-10

Copyright

Copyright reserved © 2021
Fold

摘要

对于何种城市规模分布有利于促进绿色发展,学界在理论与实证方面都存在争议,且鲜见跨国的实证研究。基于2000—2015年LandScan人口数据和欧空局土地覆盖类型数据,识别了具有统一定义的全球近100个国家的所有城市,通过描述性统计和面板双向固定效应模型探究城市规模分布对PM2.5浓度的影响。研究发现,均衡的城市规模分布总体上能够降低国家的PM2.5浓度,这是因为均衡的城市规模分布能够通过促进分工合作和减少交通出行来降低PM2.5浓度。实证结果具有一定异质性,在人口密度较高或政府干预程度较高的国家,均衡的城市规模分布更有利于降低国家PM2.5浓度,而在人口密度较低或政府干预程度较低的国家,相对极化的城市规模分布更有利于国家PM2.5浓度的下降。本研究丰富了城市规模分布对PM2.5浓度影响在跨国层面的证据,对制定可持续发展的国土空间规划具有重要的启示。

关键词： 城市规模分布; PM2.5; 跨国研究; LandScan

本文引用格式

王妤 , 孙斌栋 , 李琬 . 城市规模分布与空气质量的关系——基于LandScan数据的跨国研究[J]. 地理研究, 2021 , 40(11) : 3173 -3190 . DOI: 10.11821/dlyj020201115

Abstract

There is controversy in both theory and empirical evidence as to which city size distribution is conducive to green economic development. Although some studies have focused on this topic, few of them are based on the cross-country scope. Using LandScan population data and global Land Cover Map from 2000 to 2015, we identify all cities in nearly 100 countries with uniform measurement criteria. The descriptive statistics and two-way panel fixed effects models are adopted to explore the impact of city size distribution on PM2.5 concentrations. We carry out a series of robustness tests to ensure the reliability of our research. The robustness tests consist of the following four steps. First of all, we adopted a two stage least squares regression with instrumental variables to address the potential endogeneity of the model. Secondly, we excluded African countries around the Sahara Desert from the city sample. Thirdly, we used only the upper tail cities to calculate the Pareto index. Finally, we applied a different PM2.5 concentration calculation method in the model. The results suggest that overall a balanced city size distribution can reduce the PM2.5 concentrations in a country, while a polarised city size distribution exacerbates environmental pollution at the national scale. To begin with, a balanced city size distribution is conducive to promoting the division of labor and cooperation among cities, which can reduce air pollution by improving production efficiency. Also, a balanced city size distribution can decrease the total amount of commuting and thus PM2.5 concentrations will reduce. However, heterogeneity can be found in counties. In countries with higher population densities or stronger government intervention, a balanced city size distribution is conducive to reducing national PM2.5 concentrations. Conversely, a relatively polarised city size distribution is more conducive to the reduction of national PM2.5 concentrations for countries with higher population densities or stronger government intervention. These research findings will fill the gap on the topic of the effect of city size distribution on PM2.5 concentrations in cross-national level and have important implications for formulating a sustainable urban spatial plan.

Key words： city size distribution; PM2.5; cross-country study; LandScan

1 引言

中国经济快速发展的同时也付出了巨大的环境代价[1],全球污染水平最高的20个城市中,3/4来自中国[2]。雾霾、酸雨等极端空气污染现象频发,中国每年因空气污染的损失都在数千亿元左右[2],严重制约着国家可持续发展。不仅如此,空气污染也使得人类的平均寿命缩短五年[3],对居民健康造成了巨大威胁。雾霾是空气污染的主要形式之一,而PM2.5则是引起雾霾的重要污染物。全球前100个年均PM2.5排放量最高的城市中,约1/3来自中国[4]。相关报告显示（数据来源于2019年中国生态环境公报, http://www.mee.gov.cn/）,2019年中国有180个（占53.4%）城市存在较为严重的空气污染问题;337个城市累计重度污染天数为1666天,其中1313天的首要污染物均为PM2.5。一系列事实表明,由PM2.5引起的大气污染制约了中国经济可持续发展和生态文明建设。
一般认为,PM2.5等污染物排放与城市人口规模密切相关[3]。因而,作为一个反映国家人口集中在大城市还是相对均衡地分布在各中小城市的指标,城市规模分布的不同通常会引发污染物排放水平差异。然而,学术界对于何种城市规模分布模式最优一直存在争议。一些学者从集聚经济的角度出发,倡导充分发挥大城市的集聚优势,鼓励人口向大城市集中[5];另一些学者则认为,应引导人口向中小城市集聚,构建适度均衡的城市规模分布模式,以缓解超大城市的“城市病”并提升中小城市发展动力[6]。城市规模分布由极化向均衡演变的过程实际上是人口、资源以及经济活动由大城市向中小城市流动的过程,经济活动空间布局的改变必然会对环境产生影响。因此,有必要从环境保护的视角出发,探讨何种城市规模分布模式更有利于改善空气质量。
在极化的城市规模分布中,经济活动通常在大城市集聚。由于规模效应的存在,污染物可以得到集中排放和处理[7];但由于大城市通常集聚较多的优质资源,中小城市需要通过与大城市之间的大量人流和物流来获取这些优质资源,导致跨城交通和交通拥堵,加剧空气污染[8]43。同时,中小城市因为集聚不足使得原材料、化石燃料利用不充分,造成资源的浪费,产生的污染物也难以集中排放和处理。在均衡的城市规模分布中,各城市拥有相对均衡的人口和资源要素,更容易实现职住均衡,在一定程度上减少了跨城交通[8]43,降低了污染排放。不仅如此,各城市实力相当,对促进区域综合竞争力有更高的渴望,城市间容易形成更密切的联系以及合理的产业分工[9],这有利于提高污染物治理效率,改善环境质量。但也有学者指出,均衡的城市规模分布中,由于城市间存在分工合作,也可能产生较大的人流或物流[10],从而导致较多的PM2.5排放。可见,对于什么样的城市规模分布能改善环境质量这一问题,学术界并没有在观点上达成一致。
实证方面,关注城市规模分布对PM2.5浓度影响的研究较少,且研究结论不一致。陈旭等[11]基于1998—2013年城市人口数据及PM2.5浓度数据,研究了省域尺度上城市规模分布模式对PM2.5浓度的影响,发现随着城市规模分布由极化向均衡演变,各省PM2.5浓度先增加后减少。刘凯等[12]以中国19个城市群为研究区,通过面板固定效应模型分析发现,极化的城市规模分布能有效减少PM2.5浓度。Lo基于OECD国家24个大都市区的研究发现,均衡的城市规模分布模式对PM2.5浓度并没有产生明显的影响[13]。
总之,现有文献对城市规模分布与PM2.5浓度的关系尚未形成一致意见,仅有的少量实证研究聚焦于省域、城市群或大都市区层面,鲜见基于全球尺度的跨国分析;而且,现有关于城市规模分布影响PM2.5浓度作用机制的研究多为理论探讨而不是实证检验。事实上,空气污染是超越地方且关系到国家可持续发展的全球性议题,以国家为基本尺度的研究更能为制定环境友好型国土空间格局提供参考,所以有必要从全球尺度对这一问题进行深入探讨。不仅如此,实证检验城市规模分布对PM2.5浓度的作用机理能更好地理解二者之间的关联,助力更加合理的空间规划策略,实现经济增长和环境保护的双赢。鉴于此,本文基于全球近100个国家的数据,采用统一城市定义识别出全球所有可比城市并测算反映各国城市规模分布的帕累托指数。在此基础上,通过计量模型检验城市规模分布对国家PM2.5浓度的影响,并探讨其背后作用机制,以期为制定更加合理的空间发展战略提供实证参考。

2 方法和数据

2.1 城市的识别

本文的基本研究单元为国家,在测度各国城市规模分布之前,需对全球范围内所有城市进行识别。城市定义对城市规模分布测度至关重要,但目前学术界对城市定义存在分歧。并且已有的、较为常用的全球城市人口数据库中,各国关于城市的定义也存在不一致。大多数国家的城市采用的是行政定义,少数国家的城市则基于功能定义,这导致数据库中不同国家城市可比性较差,且连续的面板数据难以获得。尽管一些学者尝试进行城市识别,但识别出的主要是建成环境的边界[14],并非是人类聚居地的实体城市。基于此,本文采用统一标准识别全球所有城市。本文将城市定义为具有一定建成环境和人口规模的人类聚居地,并进行如下识别：
第一步：不透水面提取（图1）。城乡重要差别之一是城市由大面积连片不透水面组成,因此首先从土地覆盖类型栅格数据中提取全球不透水面栅格数据。
图1 城市识别过程

注：土地覆盖类型数据来源于欧空局网站: https://www.esa.int/。

Fig. 1 City identification process

第二步：人类聚居地识别。将LandScan人口栅格数据与不透水面栅格数据进行匹配,赋予不透水面栅格数据人口信息。该过程识别出的所有有人类居住的不透水面栅格数据即为具有一定建成环境的人类聚居地。
第三步：合并人类聚居地。考虑到人类聚居地应该是连续的区域,在第二步基础上,合并所有相邻的人类聚居地栅格数据。
第四步：城市筛选。在第三步的基础上,采用常用的阈值法筛选出全球所有城市。现有与城市识别相关的跨国研究通常以1万人作为人口阈值,因此筛选出1万人及以上的人类聚居地定义为城市[15]。
为了验证城市的可靠性,将识别出的城市与OECD数据库中现有基于行政定义的城市进行比较（图2）。由于本研究使用了更严格的城市定义（增加了人口门槛）,因此识别出的城市比OECD数据库中现有城市略小,但其在特征上更符合城市作为人类聚居地的本质,可见这一识别城市的方法较为可靠。
图2 识别出的城市与现有城市对比

Fig. 2 Identified cities versus existing cities

2.2 城市规模分布的测度

本文采用帕累托指数衡量国家城市规模分布的极化或均衡程度,公式为：
R i = A P i - α 或 ln R i = ln A - α ln P i
式中：Ri是i城市按照总人口从大到小在全国范围内的排序;Pi为i城市的人口;A是常数;α是反映城市规模分布特征的帕累托指数,α越大,国家城市规模分布越均衡,反之越极化。
由于传统的最小二乘法估计公式（1）存在小样本的向下偏误,Gabaix等对于这种偏误提出了改进[16]。因此本文采用改进后的估计公式（2）计算帕累托指数,方程为：
ln ( R i - 1 / 2 ) = ln A - α ln P i

2.3 模型和变量选择

本文用面板双向固定效应模型测度城市规模分布对PM2.5浓度的影响。具体公式为：
Y it = θ i + β X it + γ t + ε it
式中：Yit 为国家PM2.5浓度,反映国家的空气质量;β为系数向量,代表一系列可能影响PM2.5浓度的解释变量Xit对PM2.5浓度的影响;θi和γt分别代表国家i的个体固定效应和时间固定效应;εit是残差项。
在解释变量Xit中,本文的核心解释变量是反映城市规模分布状况的帕累托指数。控制变量包括：
（1）滞后一期的PM2.5浓度。空气污染具有滞后效应,前期的大气污染物排放容易形成集聚,致使PM2.5浓度累积上升,进而影响当期的PM2.5浓度[17]。但是前期大量的污染物排放也可能促使政府加大环保支出,推动绿色技术创新,使得雾霾污染得到有效治理[18],带来当期PM2.5浓度的下降。
（2）气温。用全年平均气温表征。高温会加剧大气对流作用,促进空气污染物的扩散和稀释[19],PM2.5浓度会随之降低。反之,低温会阻碍大气对流运动的进行,不利于PM2.5等污染物扩散。
（3）降水。用全年平均降水量衡量。学界普遍认为降水有利于降低PM2.5浓度[20,21],一是因为PM2.5本身作为雨水的凝结核可以被雨水携带到地面,二是雨水能溶解PM2.5颗粒上的可溶成分。
（4）经济发展水平。用人均GDP（2010年不变价）衡量。经济发展水平与污染排放之间可能是非线性关系。经济发展初期需要化石燃料的燃烧以及大量的建筑活动支持,因此PM2.5浓度会增加[22]。当国家经济发展到一定阶段,人们对环境质量的要求增加,也会为此投入大量资金和技术去改善环境,此时PM2.5浓度会降低[23]。
（5）人口规模。用总人口表示。人口规模的增加通常会带来一定程度的环境污染,PM2.5浓度随之增加[24]。
（6）人口密度。一方面,人口密度越高的地区通常拥有更频繁的人类生产和生活活动,增加PM2.5排放量[25];另一方面,高密度也有利于能源集约利用,减少污染物排放[26]。
（7）城镇化水平。用国家城镇人口占总人口比例衡量。乡村人口涌入城市加大了城镇的就业密度,由就业集聚带来的生产效率提升减少了PM2.5等污染物排放[20]。然而,城镇化过程中建设用地的扩张也会使得更多建筑扬尘被排放到大气中[27],增加PM2.5浓度。
（8）产业结构。工业与服务业产值之比。工业占比大的国家通常会消耗更多的煤炭、石油等化石燃料,会排出大量污染物[28]。但当国家产业结构由工业向服务业转型时,有利于降低PM2.5等环境污染[29]。
（9）贸易水平。用国家进出口贸易总额占GDP的比例衡量。该指标对PM2.5浓度的影响具有双面性。一方面,贸易有利于国家技术进步,也能促使国家引进先进设备和管理技术改善环境污染[30];另一方面,贸易自由会带来生产活动规模增加,因此贸易水平的提升会通过规模效应导致污染物排放的增加[31]。
（10）经济自由度。用经济自由度指数表示。一些文献认为国家经济自由度的提高意味着国家管制的放松,这有利于降低创新门槛,能推动企业的绿色技术创新[32],使得PM2.5等污染物浓度降低;但也有学者指出,经济自由度对绿色技术创新起到抑制作用,经济自由通常意味着更激烈的市场竞争,为了生存企业需要支付巨大的运营成本,因而对绿色技术创新的研发投入不足[33],此时PM2.5等污染浓度会增加。
（11）政府干预程度。用政府支出占GDP的比例和政府规模指数①(①政府规模指数由加拿大Fraser研究所发布,该指数综合了政府转移支付和补贴占GDP的比例、政府企业和投资以及最高边际税率等指标,是一个综合指数,反映了政府对国家的干预程度。指数越大,政府对国家的干预程度越强。)衡量。若政府支出用于公共产品支出或用于纠正市场失灵,则有助于资源配置优化,降低PM2.5等环境污染[34]。但是,若政府宏观引导偏颇,也会阻碍资源的优化配置,从而增加环境污染程度[35]。
（12）通信基础设施水平。本研究用每百人移动电话订阅数衡量国家通信基础设施水平。通信基础设施的改善能提高企业环境信息的公开度,激励民众参与环境监督,有利于降低PM2.5浓度[36]。然而,通信基础设水平的提升一方面意味着更多通信设备的使用,会增加电力能源的消耗[37],另一方面,借助通信设施的线上交流引发更多线下生产和社交活动的需求[38],增加了能源消耗,加剧了PM2.5等污染物的排放。

2.4 数据来源

由于本文以国家为基本研究单元,因此所有指标均为国家特征指标。反映各国城市规模分布情况的帕累托指数是根据各国识别出的城市计算得出。城市识别数据来自美国橡树岭国家实验室提供的精度为1000 m×1000 m的LandScan人口栅格数据和欧洲空间局气候变化倡议项目提供的300 m×300 m的土地覆盖类型栅格数据。
PM2.5浓度数据来源于美国国家航空航天局（NASA）发布的全球年度PM2.5浓度数据,该数据通过卫星观测的气溶胶厚度的反演,去除了粉尘和海盐的影响。年平均降水数据来源于全球降水气候学中心（Global Precipitation Climatology Center）提供的全球逐月降水数据,年平均气温数据来源于国家青藏高原科学数据中心提供的全球地面气温再分析数据集,经济自由度指数与政府规模指数来源于加拿大Fraser研究所,家庭交通支出来源OECD统计数据库,其余数据均来自世界银行数据库。各变量具体描述见表1。
表1 各个变量描述性统计

Tab. 1 Descriptive statistics for variables

变量(单位) 观测值 平均值 标准差 最小值 最大值
PM2.5浓度(mg/m3) 2208 2.320 0.686 -0.105 4.281
人口加权PM2.5浓度(mg/m3) 2208 2.426 0.673 -0.105 4.316
Pareto1 2196 -0.214 0.260 -1.231 1.755
Pareto2 2174 -0.181 0.265 -1.231 1.754
年平均气温(K) 2160 5.646 0.044 5.493 5.720
年平均降水(mm/d) 1888 0.096 1.745 -7.900 2.824
人均GDP(美元/人) 2191 8.433 1.552 5.267 11.425
总人口(人) 2208 16.412 1.430 12.874 21.039
总人口密度(人/km2) 2208 4.105 1.286 0.434 7.238
城镇化率(%) 2208 3.948 0.483 2.110 4.605
工业产值比服务业产值 2010 -0.651 0.535 -3.110 2.198
进出口贸易总额占GDP比例(%) 2194 4.063 0.480 2.054 5.258
经济自由度指数 1953 1.903 0.159 1.030 2.170
政府支出占GDP比例(%) 1533 3.135 0.533 0.630 4.583
政府规模指数 2137 1.858 0.248 -0.236 2.245
每百人移动电话订阅数(部/万人) 2202 3.561 1.621 -4.014 5.303
家庭交通支出(美元/户) 416 8.588 1.555 5.565 11.758
制造业首位度 1466 1.647 1.202 0.001 6.011
分工协作指数 1919 0.354 1.594 -4.795 5.194

注：以上所有变量均进行了取对数处理。

3 城市规模分布与PM2.5浓度时空演化特征分析

3.1 全球城市规模分布总体均衡,后期略有极化,PM2.5浓度也先降后升

图3a和图3b分别是2000—2015年全球国家城市规模分布与PM2.5浓度变化的核密度图。从全球来看,2000—2015年间,反映国家城市规模分布的帕累托指数逐渐增大,后期略有减小,即国家城市规模分布经历了一个先均衡后极化的过程,但极化幅度较小。与此同时,全球PM2.5浓度也呈现出先下降后升高的趋势。
图3 2000—2015年全球国家城市规模分布与PM2.5浓度时间变化趋势

Fig. 3 Temporal evolution of global national city size distribution and PM2.5 from 2000 to 2015

3.2 城市规模分布极化与高PM2.5浓度国家集中在亚洲和非洲,且城市规模分布极化国家的PM2.5浓度较高

图4A和图4B分别是2000年和2015年全球各国国家城市规模分布与PM2.5浓度空间分布。与2000年相比,2015年全球城市规模分布更为分散,但亚洲、欧洲部分国家的城市规模分布却呈现出极化的趋势,大洋洲和北美洲国家的城市规模分布变化不明显;城市规模分布相对极化的国家主要集中在亚洲、非洲。与此同时,虽然2000—2015年全球PM2.5浓度有所下降,但亚洲、欧洲部分国家的PM2.5浓度仍在持续升高,PM2.5浓度相对较高的国家主要集中在亚洲和非洲。对比图4A和图4B可以发现,城市规模分布相对极化的国家通常具有更高的PM2.5浓度。
图4 2000—2015年全球国家城市规模分布与PM2.5浓度空间演化

注：此图基于国家自然资源部地图技术审查中心标准地图（审图号：GS(2016)1667号）绘制,底图无修改。

Fig. 4 Spatial evolution of global national city size distribution and PM2.5 from 2000 to 2015

3.3 国家城市规模分布均衡通常伴随着PM2.5浓度下降

图5（见第3181页）和图6（见第3182页）分别展示了全球几个主要国家2000—2015年城市规模分布演化及PM2.5浓度变化情况。对大部分国家而言,在城市规模分布由极化向均衡演变的过程中,PM2.5浓度也呈现出了下降趋势。其中,2000—2015年日本、意大利、荷兰、德国和法国的城市规模分布模式均呈现出均衡发展的态势,其PM2.5浓度也有所下降;中国和土耳其的城市规模分布有极化态势,且PM2.5浓度有所增加;而美国、英国和俄罗斯则呈现出城市规模分布极化且PM2.5浓度下降的态势。不难发现,对大多数国家而言,均衡（极化）的城市规模分布通常与较低（高）的PM2.5浓度相关。而对美国和英国而言,极化的城市规模分布模式与较低的PM2.5浓度相关,这一结果主要源于美国一直以来都在构建促进节能减排工作的法律和发展战略体系,如1998年的《国家能源综合战略》、2005年的《国家能源政策法》以及2009年的《美国清洁能源与安全法》,因而取得了较好的环境治理成效,而英国用来支撑环境保护的研发经费自2000年以来一直呈增长趋势,因而PM2.5浓度也处于下降水平。而对俄罗斯而言,城市规模分布与国家PM2.5浓度之间的关联并不明显,原因在于,俄罗斯国土面积广大,人口密度较小,广阔的国土空间能对排放出的PM2.5起到很好的稀释作用,因而极化或均衡的城市规模分布模式对国家PM2.5浓度影响不大。
图5 2000—2015年主要国家城市规模分布时间变化

Fig. 5 Temporal evolution of national city size distribution in major countries from 2000 to 2015

图6 2000—2015年主要国家PM2.5浓度时间变化

Fig. 6 Temporal evolution of PM2.5 in major countries from 2000 to 2015

3.4 中国城市规模分布向极化发展,PM2.5浓度呈现先增后减但总体上升的态势

2000—2015年,中国的城市规模分布经历了一个先分散后逐渐趋于极化的过程,虽有小幅度波动,但总体极化趋势明显（图7a,见第3183页）。而PM2.5浓度则经历了一个先波动上升,在2011—2015年间快速下降的过程,但总体来看PM2.5浓度较2000年有小幅度上降（图7b,见第3183页）。2000—2011年,极化的城市规模分布模式与较高的PM2.5浓度相关,但在这之后直至2015年,尽管城市规模分布仍向极化发展,但PM2.5浓度则有所下降,这是因为2011年前后,全国大范围雾霾天气的出现提高了国家对雾霾的重视程度,随后《2013年大气污染防治行动计划》《2014—2015年节能减排低碳发展的行动方案》等一系列政策出台,有效地抑制了PM2.5排放。
图7 2000—2015年中国城市规模分布与PM2.5浓度时间变化

Fig. 7 Temporal change of national city size distribution and PM2.5 in China from 2000 to 2015

4 城市规模分布对PM2.5影响的因果关系识别

4.1 均衡的城市规模分布能有效降低PM2.5浓度

采用面板双向固定效应模型探讨城市规模分布对PM2.5浓度影响（表2,见第 3184页）。模型1中,帕累托指数的系数显著为负,表明均衡的城市规模分布模式能降低PM2.5浓度。考虑到城市规模分布与PM2.5浓度间也可能存在反向因果关系,即人们为寻求良好生活环境进行“雾霾移民”,高科技产业喜欢向环境质量好的地区集聚等,这会使得估计结果产生偏误。为此本文通过工具变量策略解决这一内生性问题。
表2 面板固定效应模型结果

Tab. 2 Results of panel fixed effects

变量 模型1 模型2 模型3 模型4 模型5
PM2.5(ln) PM2.5(ln) PM2.5(ln) PM2.5(ln) 人口加权PM2.5(ln)
Pareto1(ln) -0.167* -1.013** -1.042** -0.838*
(0.085) (0.502) (0.500) (0.505)
Pareto2(ln) -1.162**
(0.589)
滞后一期PM2.5浓度(ln) -0.113*** -0.153*** -0.121*** -0.138*** -0.142***
(0.033) (0.045) (0.047) (0.046) (0.041)
年平均气温(ln) -1.342*** -1.186** -0.974* -1.161** -0.902*
(0.471) (0.540) (0.537) (0.552) (0.482)
年平均降水(ln) -0.018** -0.018* -0.017* -0.019* -0.014
(0.008) (0.010) (0.010) (0.010) (0.010)
人均GDP(ln) 0.223** 0.277*** 0.199* 0.298*** 0.299***
(0.094) (0.097) (0.105) (0.099) (0.091)
总人口密度(ln) -7.385*** -8.686 -9.188 -6.024 -9.375*
(2.629) (5.284) (5.672) (4.811) (5.347)
总人口(ln) 7.704*** 9.255* 9.698* 6.658 9.976*
(2.621) (5.249) (5.636) (4.790) (5.313)
城镇化率(ln) 0.006 0.368 0.453* 0.414* 0.399**
(0.265) (0.225) (0.251) (0.237) (0.201)
工业产值比服务业产值(ln) 0.067** 0.066 0.075 0.087** 0.033
(0.031) (0.045) (0.046) (0.043) (0.041)
进出口贸易总额占GDP比例(ln) 0.047 0.083* 0.047 0.093** 0.094**
(0.037) (0.044) (0.046) (0.046) (0.042)
经济自由度指数(ln) -0.628*** -0.749*** -0.667*** -0.748*** -0.742***
(0.167) (0.204) (0.193) (0.212) (0.198)
政府规模指数(ln) 0.214* 0.374*** 0.254** 0.349*** 0.331***
(0.112) (0.127) (0.129) (0.129) (0.124)
政府支出占GDP比例(ln) 0.001 -0.002 -0.016 0.018 0.041
(0.035) (0.045) (0.045) (0.051) (0.042)
每百人移动电话订阅数(ln) 0.081*** 0.069*** 0.085*** 0.070*** 0.071***
(0.018) (0.019) (0.020) (0.021) (0.019)
年份 控制 控制 控制 控制 控制
国家 控制 控制 控制 控制 控制
常数 -89.720***
(32.820)
观测值数 1027 747 696 747 747
国家数 92 66 62 66 66
R2 0.271 0.205 0.225 0.155 0.255
弱工具变量检验 F=19.100 F=18.810 F=14.590 F=19.100

注：括号内数值为稳健标准误;***、** 、* 分别表示1%、5%和10%的统计水平上显著。

本研究采用以往研究[39]常用的历史时期（1950—1965年）的城市规模分布作为现阶段城市规模分布的工具变量,该变量的相关性在于,历史时期的城市规模分布会影响当前的城市规模分布,进而对PM2.5浓度产生影响,外生性在于历史时期的城市规模分布不会受到当前阶段PM2.5浓度的反向影响。模型2是与模型1相对应的采用工具变量后的回归结果。第一阶段的回归结果表明,历史时期的城市规模分布与当前阶段的城市规模分布存在显著的正相关关系,并且F值为19.100,大于10,通过了弱工具变量检验。第二阶段结果表明使用工具变并不影响研究结果,即城市规模分布越均衡,越有利于国家PM2.5浓度降低。
控制变量中,滞后一期的PM2.5浓度、年平均气温、年平均降水量以及经济自由度指数的系数均显著为负,表明前期的PM2.5浓度、气温、降水量及经济自由度的提高能有效降低PM2.5浓度。原因在于,前期PM2.5浓度较高会使得政府加大对环境保护的重视,通过增加环保支出、强制企业进行绿色技术创新,减少污染物排放,从而降低PM2.5浓度;气温升高能加强大气对流作用,稀释空气中的PM2.5;降水增加溶解了PM2.5颗粒的可溶成份,降低了PM2.5浓度;经济自由度的提高为企业提供了更低的绿色技术创新门槛,企业能掌握更先进的技术减少污染物排放。人均GDP、总人口、进出口贸易总额占GDP比例、政府规模指数、每百人移动电话订阅数的系数均为正显著,即这些要素会提升PM2.5浓度。经济水平的提升会增加PM2.5浓度,这主要是因为大部分国家尚未进入发达阶段,较为粗放的生产方式使得大量燃料的燃烧带来了更多的PM2.5排放②(②本文对数据进行了分样本回归,发现对于发展中国家,经济水平的提升会带来PM2.5浓度的增加,而发达国家经济发展对PM2.5浓度的影响不明显,这主要是因为发展中国家粗放的经济发展模式使得经济发展以牺牲环境为代价,因而经济增长加剧了环境污染。由于篇幅限制,未在文章中列出回归结果。)。此外,由于理论上经济发展水平与环境污染之间的关系可能是非线性的,本文也尝试在模型2中加入人均GDP的二次项,发现二次项并不显著,即经济发展水平与PM2.5浓度之间不存在明显的非线性关系,因此模型中仅控制了一次项。国家人口规模的增加带来了更多生产生活活动,对大气排放了更多污染物;进出口贸易总额占GDP比例的增加加剧了PM2.5排放,这是因为贸易水平的提升增加了生产活动的规模,在规模效应的影响下,环境污染加剧[31]。政府规模指数的增加表明对市场的过多干预会阻碍要素优化配置,降低能源利用效率[34,35],加剧PM2.5等环境污染;每百人移动电话订阅数的提升会增加PM2.5浓度,这是因为随着通信基础设施水平的提升,更多设备投入使用,同时,借助移动电话等通信设施的频繁的线上交流也催生了更多生产和社交活动,增加了电力等能源消耗,带来更严重的环境污染[37,39]。
本文也进行了一系列稳健性检验,受篇幅限制,仅列出采用工具变量后的回归结果。首先,考虑到非洲一些国家PM2.5浓度变化可能主要受撒哈拉沙漠影响,本文在模型3中剔除了撒哈拉沙漠周边国家的样本。其次,一些学者认为,将国家所有城市按规模从大到小排序,处于上尾的城市更能代表城市规模分布[40],因此本研究筛选出城市样本中的上尾城市,计算各国的帕累托指数（Pareto2）,在模型4中进行稳健性检验。最后,数据中PM2.5浓度来源于美国国家航空航天局（NASA）提供的经地理加权回归调整后的各国PM2.5浓度,研究也尝试在模型5中采用其提供的经过人口加权调整后的PM2.5浓度进行回归,作为稳健性检验。模型3到模型5的回归结果证明了研究结果的稳健性。

4.2 城市规模分布对PM2.5的作用效果受人口密度与政府干预程度的影响

前文描述性分析显示,对大多数国家来说,均衡的城市规模分布通常带来更低的PM2.5浓度,但也有一些国家的PM2.5浓度会随着城市规模分布的极化而降低,这表明城市规模分布对PM2.5浓度的影响很可能存在异质性。表3呈现了异质性检验结果,模型1、模型2分别是在表2模型1的基础上加入人口密度和帕累托指数交互项、政府规模指数和帕累托指数交互项的回归结果。模型1中,帕累托指数一次项不显著、其与人口密度交互项的系数显著为负,即均衡的城市规模分布更能降低高人口密度国家的PM2.5浓度。模型2中,帕累托指数一次项系数不显著、其与政府规模指数交互项的系数显著为负,即均衡的城市规模分布更有利于高政府干预程度国家PM2.5浓度的降低。
表3 异质性检验

Tab. 3 Heterogeneity test

模型1 模型2
变量 PM2.5浓度(ln) PM2.5浓度(ln)
Pareto1(ln) 0.003 0.587
(0.087) (0.394)
Pareto1(ln)×总人口密度(ln) -0.074*
(0.038)
Pareto1(ln)×政府规模(ln) -0.419**
(0.208)
控制变量 控制 控制
年份 控制 控制
国家 控制 控制
常数 -97.520*** -86.320**
(33.240) (33.930)
观测值 1027 1027
国家数 92 92
R2 0.274 0.275

注：括号内数值为稳健标准误;***、** 、* 分别表示1%、5%和10%的统计水平上显著。

对于人口密度高的国家,均衡的城市规模分布模式更有利于疏解高密度的人口,能够有效避免城市因人口拥挤带来的能源过度消耗,因此,在人口密度高的国家,均衡的城市规模分布更有利于降低PM2.5浓度。对于政府干预程度较高的国家,要素资源倾向于被大城市所支配[41],导致大城市产业过度集聚,小城市规模不足。因此,对于政府干预程度较高的国家,均衡的城市规模分布能促进要素资源合理配置,能降低PM2.5排放。

4.3 均衡的城市规模分布可能通过优化产业分工和减少交通出行降低PM2.5浓度

城市规模分布的本质是企业和居民区位选择的问题。均衡的城市规模分布可能通过影响产业分工和个人交通出行降低PM2.5浓度。一方面,相比于极化的城市体系,均衡的城市规模分布模式中各城市规模及实力相当,更加渴望提升区域综合竞争力,容易激发城市间形成更密切的联系及合理的产业分工[9],降低生产过程中的能耗。另一方面,交通是人类活动对城市的最大污染来源,均衡的城市规模分布模式通常有更高的职住均衡程度[42],能减少跨城交通量从而降低大气污染。
表4中数据是与上述猜想对应的回归结果。模型1和模型2分别检验了城市规模分布对区域内分工协作的影响及区域内分工协作情况对PM2.5浓度的影响。模型1中帕累托指数的系数为负显著,模型2中分工协作指数③(③城市分工具体表现为,生产性服务业主要在大城市集聚,一般制造业主要在外围城市集聚,因此分工协作指数越小,国家分工协作程度越好。)（分工协作指数=最大城市制造业与服务业就业人员之比/周边城市制造业与服务业就业人员之比[43]）的系数显著为正,即随着城市规模分布的向均衡发展,区域内分工协作逐渐协调,从而降低了PM2.5浓度。模型3和模型4验证了城市规模分布对家庭交通支出④(④由于缺少家庭交通量数据,本研究用家庭交通支出数据替代,一般而言,较少家庭交通支出反映了家庭交通量也较小。)以及家庭交通支出对PM2.5浓度的影响。模型3中帕累托指数的系数为负显著,模型4中家庭交通支出的系数显著为正,表明随着城市规模均衡分布,交通支出会显著下降,有利于降低国家PM2.5浓度。
表4 城市规模分布对PM2.5浓度作用机制

Tab. 4 Mechanisms of city size distribution on PM2.5 concentrations

模型1 模型2 模型3 模型4
变量 分工协作
指数(ln)		 PM2.5浓度
(ln)		 家庭交通
支出(ln)		 PM2.5浓度
(ln)
帕累托指数(ln) -2.033*** -0.116**
(0.280) (0.055)
分工协作指数(ln) 0.030**
(0.012)
服务业首位度(ln)
家庭交通支出(ln) 0.190**
(0.080)
控制变量 控制 控制 控制 控制
年份 控制 控制 控制 控制
国家 控制 控制 控制 控制
常数 25.540*** -117.100*** -81.800*** 424.300
(8.591) (40.470) (10.020) (412.200)
观测值 1160 885 352 167
国家数 0.265 0.260 0.375 0.486
R2 109 88 25 16

注：括号内数值为稳健标准误;***、** 、* 分别表示1%、5%和10%的统计水平上显著。

5 结论和讨论

如何应对大气污染是全球可持续发展的重要议题,而优化国土空间格局则一直被认为是改善环境质量、助力生态文明建设的有效手段。中国更是提出要构建大中小城市和小城镇协调发展的新型城镇化格局,从而有助于缓解人口持续向大城市集聚带来的雾霾等极端空气污染事件的发生。为了进一步明确城市规模分布在改善PM2.5浓度中的作用,本研究在跨国分析的框架下探讨了城市规模分布模式对全球近100个国家PM2.5浓度的影响,并对其背后作用机制进行探讨。研究发现,在控制了其他的影响因素后,从全球范围内来看,均衡的城市规模分布模式确实能够降低国家的PM2.5浓度。进一步的异质性分析表明,对于人口密度较高或政府干预程度比较高的国家,均衡的城市规模分布更有利于降低PM2.5浓度。机制检验表明,均衡的城市规模分布有可能通过优化产业分工和减少交通出行量降低PM2.5浓度。
本研究具有一定的学术价值和政策启示。一方面,实证分析填补了有关城市规模分布和PM2.5浓度关系研究在全球尺度跨国研究中的空白,并通过工具变量法解决了城市规模分布和PM2.5浓度之间可能因反向因果关系产生的内生性问题,为二者因果关系识别提供了更加可靠的证据。另一方面,本研究也为降低国家层面PM2.5浓度提供了政策参考。根据本文的发现,中国作为人口大国和强政府干预国家,东南沿海的人口密度更是处于较高水平,因此,适度均衡的城市规模分布更有利于降低国家PM2.5浓度。然而,本文对中国城市规模分布以及PM2.5浓度的描述性统计分析却发现,近年来,中国国家城市规模分布模式不断极化,并且PM2.5浓度有所增加,因此,若从环境治理角度出发,未来中国要注重引导人口向中小城市流动,促进大中小城市协调发展。

真挚感谢二位匿名评审专家在论文评审中所付出的时间和精力,评审专家所提出的宝贵建议令本文的研究框架更为清晰、研究内容更加充实、研究方法更为恰当,也使得世界图件部分的表达更加规范,令本文获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
宓科娜, 庄汝龙, 梁龙武, 等. 长三角PM2.5时空格局演变与特征: 基于2013-2016年实时监测数据. 地理研究, 2018, 37(8): 1641-1654.

DOI

[Mi Kena, Zhuang Rulong, Liang Longwu, et al. Spatio-temporal evolution and characteristics of PM2.5 in the Yangtze River Delta based on real-time monitoring data during 2013-2016. Geographical Research, 2018, 37(8): 1641-1654.]. DOI: 10.11821/dlyj201808013.

DOI

[2]
杨昆, 杨玉莲, 朱彦辉, 等. 中国PM2.5污染与社会经济的空间关系及成因. 地理研究, 2016, 35(6): 1051-1060.

DOI

[Yang Kun, Yang Yulian. Zhu Yanhui, et al. Social and economic drivers of PM2.5 and their spatial relationship in China. Geographical Research, 2016, 35(6): 1051-1060.]. DOI: 10.11821/dlyj201606005.

DOI

[3]
孔晗, 刘帅. 雾霾污染与城市规模的非线性关系: 基于我国城市数据的分析. 中南民族大学学报(人文社会科学版), 2021, 41(2): 150-160.

[Kong Han, Liu Shuai. Nonlinear relationships between haze pollution and urban scale: Analysis based on data of Chinese cities. Journal of South-Central University for Nationalities(Humanities and Social Sciences), 2021, 41(2): 150-160.]. DOI: 10.19898/j.cnki.42-1704/C.2021.0217.

DOI

[4]
王念, 朱英明, 裴宇. 公共服务供给与城市雾霾治理: 差异性与机制研究. 北京理工大学学报(社会科学版), 2021, 23(1): 12-27.

[Wang Nian, Zhu Yingming, Pei Yu. The impact of public service supply on haze pollution: Heterogeneity and mechanism. Journal of Beijing Institute of Technology(Social Sciences Edition), 2021, 23(1): 12-27.]. DOI: 10.15918/j.jbitss1009-3370.2021.3593.

DOI

[5]
陆铭. 大国更要发展大城市. 中国领导科学, 2016, 1(3): 33.

[Lu Ming. Large countries need to develop big cities. China Leadership Science, 2016, 1(3): 33.]. DOI: CNKI:SUN:KXLD.0.2016-03-019.

DOI

[6]
孙斌栋. 构建“适度均衡”的新型城镇化空间格局. 国家治理, 2020, (36): 17-21.

[Sun Bindong. Building a "moderately balanced" spatial pattern for new urbanisation. Governance, 2020, (36): 17-21.]. DOI: 10.16619/j.cnki.cn10-1264/d.2020.36.004.

DOI

[7]
Lange A, Quaas M F. Economic geography and the effect of environmental pollution on agglomeration. B.e. Journal of Economic Analysis & Policy, 2007, 7(1): 1-33. DOI: 10.2202/1935-1682.1724.

DOI

[8]
李琬. 中国市域空间结构的绩效分析: 单中心和多中心的视角. 上海: 华东师范大学博士学位论文, 2018: 43.

[Li Wan. Spatial structure and its performance in Chinese prefecture regions: From the perspective of monocentricity and polycentricity. Shanghai: Doctoral Dissertation of East China normal University, 2018: 43.]

[9]
Duranton G, Puga D. Nursery cities: Urban diversity, process innovation, and the life cycle of products. American Economic Review, 2001, 91(5): 1454-1477. DOI: 10.1257/AER.91.5.1454.

DOI

[10]
刘修岩, 李松林, 陈子扬. 多中心空间发展模式与地区收入差距. 中国工业经济, 2017, (10): 25-43.

[Liu Xiuyan, Li Songlin, Chen Ziyang. Polycentric development and its effect on regional income disparity. China Industrial Economics, 2017, (10): 25-43]. DOI: 10.19581/j.cnki.ciejournal.2017.10.003.

DOI

[11]
陈旭, 张亮, 张硕. 多中心空间发展模式与雾霾污染: 基于中国城市数据的经验研究. 重庆大学学报(社会科学版): 1-16.

[Chen Xu, Zhang Liang, Zhang Shuo. Polycentric spatial structure and haze pollution: An empirical study based on Chinese urban data. Journal of Chongqing University (Social Science Edition): 1-16.]. DOI: 10.11835/j.issn.1008-5831.jg.2020.11.003.

DOI

[12]
刘凯, 吴怡, 王晓瑜, 等. 中国城市群空间结构对大气污染的影响. 中国人口·资源与环境, 2020, 30(10): 30-37.

[Liu Kai, Wu Yi, Wang Xiaoyu, et al. Impact of spatial structure of urban agglomerations on air pollution in China. China Population, Resources and Environment, 2020, 30(10): 30-37.]. DOI: 10.12062/cpre.20200904.

DOI

[13]
Lo A Y. Small is green? Urban form and sustainable consumption in selected OECD metropolitan areas. Land Use Policy, 2016, 54(1): 212-220. DOI: 10.1016/j.landusepol.2016.02.014.

DOI

[14]
Liu X, Hu G, Chen Y, et al. High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine Platform. Remote Sensing of Environment, 2018, 209(1): 227-239. DOI: 10.1016/j.rse.2018.

DOI

055.

[15]
Glaeser E L, Ades A F. Trade and circuses: Explaining urban giants. Quarterly Journal of Economics, 1995, 110(1): 195-227. DOI: 10.2307/2118515.

DOI

[16]
Gabaix X, Ibragimov R. Rank-1/2: A simple way to improve the OLS estimation of tail exponents. Journal of Business & Economic Statistics, 2007, 29(1): 24-39. DOI: 10.1198/jbes.2009.06157.

DOI

[17]
周曙东, 欧阳纬清, 葛继红. 京津冀PM2.5的主要影响因素及内在关系研究. 中国人口·资源与环境, 2017, 27(4): 102-109.

[Zhou Shudong, Ouyang Weiqing, Ge Jihong. Study on the main influencing factors and their intrinsic relations of PM2.5 in Beijing-Tianjin-Hebei. China Population, Resources and Environment, 2017, 27(4): 102-109.]. DOI: 10.12062/cpre.20170343.

DOI

[18]
李子豪, 白婷婷. 政府环保支出, 绿色技术创新与雾霾污染. 科研管理, 2021, 42(2): 52-63.

[Li Zihao, Bai Tingting. Government environmental protection expenditure, green technology innovation and smog pollution. Science Research Management, 2021, 42(2): 52-63.]. DOI: 10.19571/j.cnki.1000-2995.2021.02.006.

DOI

[19]
Li L, Qian J, Ou C Q, et al. Spatial and temporal analysis of air pollution index and its timescale-dependent relationship with meteorological factors in Guangzhou, China, 2001-2011. Environmental Pollution, 2014, 190(1): 75-81. DOI: 10.1016/j.envpol.2014.03.020.

DOI

[20]
梁伟, 杨明, 张延伟. 城镇化率的提升必然加剧雾霾污染吗?兼论城镇化与雾霾污染的空间溢出效应. 地理研究, 2017, 36(10): 1947-1958.

DOI

[Liang Wei, Yang Ming, Zhang Yanwei. Will the increase of the urbanization rate inevitably exacerbate haze pollution? A discussion of the spatial spillover effects of urbanization and haze pollution. Geographical Research, 2017, 36(10): 1947-1958.]. DOI: 10.11821/dlyj201710011.

DOI

[21]
王振波, 梁龙武, 王旭静. 中国城市群地区PM2.5时空演变格局及其影响因素. 地理学报, 2019, 74(12): 2614-2630.

DOI

[Wang Zhenbo, Liang Longwu, Wang Xujing. Spatio-temporal evolution patterns and influencing factors of PM2.5 in Chinese urban agglomerations. Acta Geographica Sinica, 2019, 74(12): 2614-2630.]. DOI: 10.11821/dlxb201912014.

DOI

[22]
Wang J, Wang S, Li S. Examining the spatially varying effects of factors on PM2.5 concentrations in Chinese cities using geographically weighted regression modeling. Environmental Pollution, 2019, 248(1): 792-803. DOI: 10.1016/j.envpol.2019.02.081.

DOI

[23]
魏巍贤, 马喜立, 李鹏, 等. 技术进步和税收在区域大气污染治理中的作用. 中国人口·资源与环境, 2016, 26(5): 1-11.

[Wei Weixian, Ma Xili, Li Peng, et al. Roles of technological progress and tax in regional air pollution control in China. China Population, Resources and Environment, 2016, 26(5): 1-11.]. DOI: 10.3969/j.issn.1002-2104.2016.05.001.

DOI

[24]
吴勋, 白蕾. 财政分权, 地方政府行为与雾霾污染: 基于73个城市PM2.5浓度的实证研究. 经济问题, 2019, (3): 23-31.

[Wu Xun, Bai Lei. Fiscal decentralization, local government behavior and haze pollution: Analysis based on PM2.5 concentration in 73 Cities. On Economic Problems, 2019, (3): 23-31.]. DOI: 10.16011/j.cnki.jjwt.2019.03.004.

DOI

[25]
杨冕, 王银. 长江经济带PM2.5时空特征及影响因素研究. 中国人口·资源与环境, 2017, 27(1): 91-100.

[Yang Mian, Wang Yin. Spatial-temporal characteristics of PM2.5 and its influencing factors in the Yangtze River Economic Belt. China Population, Resources and Environment, 2017, 27(1): 91-100]. DOI: 10.3969/j.issn.1002-2104.2017.01.011.

DOI

[26]
Hao Y, Liu Y M. The influential factors of urban PM2.5 concentrations in China: A spatial econometric analysis. Journal of Cleaner Production, 2016, 112(2): 1443-1453. DOI: 10.1016/j.jclepro.2015.05.005.

DOI

[27]
王少剑, 高爽, 陈静. 基于GWR模型的中国城市雾霾污染影响因素的空间异质性研究. 地理研究, 2020, 39(3): 651-668.

DOI

[Wang Shaojian, Gao Shuang, Chen Jing. Spatial heterogeneity of driving factors of urban haze pollution in China based on GWR model. Geographical Research, 2020, 39(3): 651-668.]. DOI: 10.11821/dlyj020181389.

DOI

[28]
任毅, 郭丰, 高聪聪. 京津冀城市群雾霾污染的时空特征与影响因素. 首都经济贸易大学学报, 2019, 21(6): 80-91.

[Ren Yi, Guo Feng, Gao Congcong. Spatial-temporal characteristics of haze pollution and its influencing factors in Beijing-Tianjin-Hebei urban agglomeration. Journal of Capital University of Economics and Business, 2019, 21(6): 80-91.]. DOI: 10.13504/j.cnki.issn1008-2700.2019.06.008.

DOI

[29]
Vukina T, Beghin J C, Solakoglu E G. Transition to markets and the environment: Effects of the change in the composition of manufacturing output. Environment & Development Economics, 1999, 4(4): 582-598. DOI: 10.1017/S1355770X99000340.

DOI

[30]
周力, 李静. 外商直接投资与PM2.5空气污染: 基于中国数据的“污染避难所”假说再检验. 国际经贸探索, 2015, 31(12): 98-111.

[Zhou Li, Li Jing. Foreign direct investment and PM2.5 air pollution: The re-testing of "pollution haven hypothesis" based on China′s data. International Economics and Trade Research, 2015, 31(12): 98-111.]. DOI: 10.13687/j.cnki.gjjmts.2015.12.008.

DOI

[31]
Antweiler W, Copeland B R, Taylor M S. Is free trade good for the environment? American Economic Review, 2001, 91(4): 877-908. DOI: 10.1257/aer.91.4.877.

DOI

[32]
Nesta L, Vona F, Nicolli F. Environmental policies, product market regulation and innovation in renewable energy. Documents de Travail de l'OFCE, 2012, 234(6): 120-141. DOI: 10.2139/ssrn.2192441.

DOI

[33]
董直庆, 谭玉松. 经济自由与绿色技术创新的关系及其成因. 社会科学战线, 2020, (9): 99-109.

[Dong Zhiqing, Tan Yusong. An empirical study on the relationship between economic freedom and green technology innovation and its causes. Social Science Front, 2020, (9): 99-109.]. DOI: CNKI:SUN:SHZX.0.2020-09-012.

DOI

[34]
袁晓玲, 吴琪, 李朝鹏. 中国地方财政支出变化对环境污染影响的研究. 北京工业大学学报(社会科学版), 2019, 19(5): 72-83.

[Yuan Xiaoling, Wu Qi, Li Zhaopeng. Study on the impact of changes in local fiscal expenditure on environmental pollution in China. Journal of Beijing University of Technology(Social Sciences Edition), 2019, 19(5): 72-83.]. DOI: 10.12120/bjutskxb20190572.

DOI

[35]
赵敏, 赵国浩. 环境规制、地方政府与资源型企业绿色责任行为: 基于福柯权力思想和政企互动双视角的博弈分析. 统计学报, 2021, 2(4): 12-27.

[Zhao Min, Zhao Guohao. Environmental regulation, local government and green responsibility behavior of resource-based enterprises: Game analysis based on foucault's power thought and government enterprise interaction. Journal of Statistics, 2021, 2(4): 12-27. ]. DOI: 10.19820/j.cnki.issn2096-7411.2021.04.002.

DOI

[36]
郭志达. 基于互联网推动环境污染治理变革的主要表现研究. 环境科学与管理, 2017, 42(2): 10-13.

[Guo Zhida. Main manifestations of environmental pollution control transformation based on internet. Environmental Science and Management, 2017, 42(2): 10-13.]. DOI: 10.3969/j.issn.1673-1212.2017.02.003.

DOI

[37]
Sadorsky P. Information communication technology and electricity consumption in emerging economies. Energy Policy, 2012, 48(2): 130-136. DOI: 10.1016/j.enpol.2012.04.064.

DOI

[38]
Wang Y, Sun B, Wu S, et al. Can the internet reshape the national city size distribution? Cross-country evidence. Papers in Regional Science, 2021, 100(5): 1254-1272. DOI: 10.1111/pirs.12619.

DOI

[39]
孙斌栋, 郭睿, 陈玉. 中国城市群的空间结构与经济绩效: 对城市群空间规划的政策启示. 城市规划, 2019, 43(9): 37-42+85.

[Sun Bindong, Guo Rui, Chen Yu. Spatial stucture and economic performance of Chinese city clusters: Policy implication for spatial planning of city clusters. City Planning Review, 2019, 43(9): 37-42+85.]. DOI: 10.11819/cpr20190911a.

DOI

[40]
Rosen K T, Resnick M. The size distribution of cities: An examination of the Pareto law and primacy. Journal of Urban Economics, 1980, 8(2): 165-186. DOI: 10.1016/0094-1190(80)90043-1.

DOI

[41]
Ades A F, Glaeser E L. Trade and circuses: Explaining urban giants. Quarterly Journal of Economics, 1995, 110(1): 195-227. DOI: 10.2307/2118515.

DOI

[42]
Li Y, Zhu K, Wang S. Polycentric and dispersed population distribution increases PM2.5 concentrations: Evidence from 286 Chinese cities, 2001-2016. Journal of Cleaner Production, 2019, 248(3): 1-11. DOI: 10.1016/j.jclepro.2019.119202.

DOI

[43]
赵勇, 白永秀. 中国城市群功能分工测度与分析. 中国工业经济, 2012, (11): 18-30.

[Zhao Yong, Bai Yongxiu. Measuring and analyzing the functional specialization of Chinese urban agglomeration. China Industrial Economics, 2012, (11): 18-30.]. DOI: 10.19581/j.cnki.ciejournal.2012.11.002.

DOI

Options
文章导航

/

〈 〉