EN中文

GEOGRAPHICAL RESEARCH >

2015 , Vol. 34 >Issue 11: 2165 - 2178

DOI: https://doi.org/10.11821/dlyj201511015

Orginal Article

The spatial-temporal characteristics and economic drivers of environmental pollution changes in China

  • CHEN Zuhai ,
  • LEIZHU Jiahua
Expand
  • Economy College, South-central University for Nationalities, Wuhan 430074, China

Received date: 2015-06-02

  Request revised date: 2015-09-14

  Online published: 2015-11-15

Copyright

《地理研究》编辑部
Fold

Abstract

Based on the economic and environmental pollution data from 2003 to 2013, using the EKC model, the Moran's I index and the LMDI index, this paper decomposes the economic factors of emissions into five effects: the scale effects, the structure effects, the energy consumption effects, the energy development effects and the technical pollution effects. Furthermore, it also probes the spatial-temporal characteristics of environmental pollution. The results show that the pollution in China is still in the left side of the EKC curve, which has not reached the inflection point of EKC curve; the autocorrelation on economic growth is decreasing yearly, while environmental pollution increases. In the time dimension, the scale effects aggravate the environmental degradation, while the changes of other effects improve the quality of environment indirectly. In the spatial dimension, eastern China is the areas with high value accumulation of the scale effects. The areas with high value accumulation of the structure effects, the energy consumption effects and the technical pollution effects are distributed in central and western China, while those with the low value accumulation are in the east and northeast China. The energy development effects are on the lower level nationwide. The barycenter of pollution in China mainly moves in the area between 113°E-115°E and 32°N-34.5°N. Also, the polluted area constituted by Beijing-Jilin-Guangdong-Zhejiang is moving eastward or westward due to different economic effects.

Key words： economic growth; environmental pollution; influencing factor; spatial-temporal characteristic; China

Cite this article

CHEN Zuhai , LEIZHU Jiahua . The spatial-temporal characteristics and economic drivers of environmental pollution changes in China[J]. GEOGRAPHICAL RESEARCH, 2015 , 34(11) : 2165 -2178 . DOI: 10.11821/dlyj201511015

1 引言

改革开放以来,伴随中国经济的持续增长,环境污染形势依然严峻,并呈现一定的区域差异。探讨中国经济增长与环境污染的时空演变特征,掌握污染转移动态,对于实施区域协同治理具有重要意义。从经济规模、产业结构、能源消费、能源开采、技术进步等角度,研究中国经济增长与环境污染之间的内在机理,探讨中国环境污染的经济因素,分析中国环境污染效应的时空特征,并进一步提出相应的政策建议。
经济增长与环境污染之间的关系一直受到国内外学者的关注。20世纪90年代初,Grossman等研究发现,环境污染与人均收入呈倒“U”的曲线关系,称之为“环境库兹涅茨曲线”（Environmental Kuznets Curve,EKC）[1]。EKC曲线的提出,引起了广大学者的关注。一部分学者开始运用EKC曲线模型从理论上解释污染排放和经济增长的关系。Panayotou等研究了17个OECD国家1870-1994年的数据,发现CO2排放的收入弹性在2.0~0.4之间,呈现下降趋势,但若将时间按40年分段分析则显著性不明显,所以Panayotou等首次明确提出了EKC曲线的概率检验,并且计算出EKC的转折点大概在人均收入3000~4500美元之间[2]。但有一部分学者发现,并不是所有的污染物均存在EKC特征。Dinda等研究人均GDP与固体悬浮颗粒密度的关系时发现呈正U型曲线[3]。
然而,现有文献存在两点不足：第一,选择单一方程的EKC曲线研究经济增长与环境污染之间的关系,仅仅只是停留在数据的表面,并没有深入地分析经济增长的影响效应,并且计算结果有倒U型曲线,也有N型、倒N型、U型等各式各样的结论,似乎只是为了寻找环境污染与经济增长之间的拐点,并不能说明经济增长与环境污染的内在联系。第二,环境污染物指标选择具有单一性或者重复性。在一些学者的研究中,污染物指标采用了工业废水排放量、工业废气排放量、工业二氧化硫排放量、工业粉尘排放量、工业烟尘排放等,这些指标之间存在一定的重复性[4]。
因此,部分学者考虑采用不同的方法对环境污染或者经济增长进行分解,探讨环境污染的经济原因。例如,方福前等运用Malmquist生产率指数法对中国1991-2008年农业全要素生产率进行分解,探究中国农业全要素生产率构成及其主要原因[5]。郭朝先基于LMDI指数分解法,讨论了经济总量、经济结构、能源利用效率、能源消费结构以及碳排放系数之间的关系[6]。赵选民等运用LMDI指数,研究陕西省7种主要能源消费的碳排放量,将碳排放增量分解为人口、人均GDP、产业结构、能源消费结构和能源消费强度这五个方面[7]。李波等运用Kaya恒等式,对农业碳排放量进行分解,研究了农业碳排放量的时空特征,并探讨了效率因素、结构因素、劳动力规模因素以及农业经济发展因素对农业碳排放量的影响[8]。任晓松等运用Kaya恒等式,研究中国碳排放强度与能源消费结构、能源强度和产业结构之间的关系[9]。但是,无论是LMDI指数法还是Kaya恒等式,大部分学者主要研究某种具体污染物的排放特征,例如碳排放、硫排放,很少有研究环境污染的经济原因。本文拟采用LMDI指数分解法,研究环境污染的内在机理,探讨中国环境污染的经济增长要素。

2 数据来源与研究方法

2.1 研究区概况与数据来源

以中国30个省份为研究对象。根据《中国区域统计年鉴2013》对中国区域的划分方式,将样本地区划分为东部地区（北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南）、中部地区（山西、安徽、江西、河南、湖北、湖南）、西部地区（内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆）以及东北地区（黑龙江、辽宁、吉林）。由于西藏自治区缺乏相关的能源数据,故不作考虑。所有数据均来源于2004-2014年《中国统计年鉴》、《中国能源统计年鉴》、《中国环境统计年鉴》、《中国区域统计年鉴》以及各省份2004-2013年的统计年鉴。

2.2 指标体系

经济增长对环境污染的影响因素主要分为经济规模、产业结构、能源消费、能源开采、技术进步。为了能够直观地反映经济增长与环境污染总量的关系,结合研究目的,将污染排放总量作为目标变量;以GDP总量、三次产业产值、三次产业能源消耗量、能源开采效率以及技术进步造成环境污染量作为解释变量。具体指标与计算方法如表1。
Tab. 1 The qualitative description of variables

表1 变量定性描述

符号 含义 变量说明与计算方法
P 污染排放总量 废水排放总量+工业废气排放总量+工业固体废弃物产生量①
Y 规模效应 以各地区每年的GDP总量作为该地区的经济发展规模
S 结构效应 产业结构变动对经济增长的影响,第i产业产值/GDP
C 能源消费效应 第i产业消耗的能源数量,能源消费总量/第i产业产值
E 能源开发效应 能源开采所需要的技术支出②,科技三项支出/能源消费总量
A 技术污染效应 技术进步带来污染排放量减少,污染排放总量/科技三项支出

① 废水排放总量=工业废水排放总量+生活废水排放总量;工业废气排放总量（万t）=1.29 kg/m3×工业废气排放总量（亿m3）×10;由于生活废气排放量和生活固体废弃物产生量难于获取,故不考虑。

② 根据《中国能源统计年鉴》记录,在样本期,中国能源消费总量远大于能源生产总量,即TSit/ECit<TSit/ESit,从集合角度,可以用单位能耗的技术进步反映能源开发效应。其中TSit表示第i地区t时期的科技三项支出,ECit表示第i地区t时期的能源消费总量,ESit表示第i地区t时期的能源生产总量。

2.3 研究方法

采用EKC曲线模型,判断中国经济增长与环境污染之间的关系,运用Moran's I指数,分析经济增长与环境污染的总量效应（空间自相关性）,进一步运用LMDI指数,分解污染排放总量,从时空特征的角度分析经济增长与环境污染的单因素效应,最后,结合污染重心转移公式,模拟出2003-2013年间中国污染重心的移动规律。
2.3.1 EKC曲线 EKC曲线是检验经济增长与环境污染关系最直接的方法,运用二次或者三次函数的拟合情况,可以直观地反映环境污染伴随经济增长处于上升阶段还是下降阶段,并且能够估计出拐点位置,即当经济增长达到什么状态时,污染排放到达峰值。
2.3.2 Moran's I指数 Moran's I指数是空间计量经济学中分析全局空间相关性的指标,也就是分析空间数据在整个系统内表现出的分布特征。Moran's I指数计算公式如下：
I = n ∑ i = 1 n ∑ j = 1 n w ij ( x i - x ̅ ) ( x j - x ̅ ) ∑ i = 1 n ∑ j = 1 n w ij ∑ i = 1 n ( x i - x ̅ ) 2 = ∑ i = 1 n ∑ j ≠ i n w ij ( x i - x ̅ ) ( x j - x ̅ ) S 2 ∑ i = 1 n ∑ j = 1 n w ij （1）
式中：n是研究区内地区总数,n=30;wij表示空间权重矩阵,运用空间邻接矩阵为权,即区域i与区域j相邻则wij=1,否则wij=0;xi与xj为区域i与区域j的变量属性,在本文中分别讨论GDP与污染排放总量两个变量。
一般来说,Moran's I指数的值域为[-1,1],若I大于0,表示区域之间的属性为正相关,I越接近于1,说明空间的属性相似程度越高,因相似聚集的可能性越大;若I小于0,表示区域之间的属性为负相关,I越接近于-1,说明空间的属性相差程度较大,因相异的属性聚集的可能性越大;若I越接近于0,则说明区域的属性是随机分布的,或者说,不存在空间自相关性[10]。
2.3.3 LMDI指数 经济增长对环境污染的影响主要有规模效应、结构效应、能源消费效应、能源开发效应以及技术污染效应。为了反映中国环境污染的经济驱动效应,运用LMDI指数,分别计算各区域各效应的具体结果。LMDI指数公式如下：
P n = ∑ i = 1 3 P i n = ∑ i = 1 3 GD P n × GD P i n GD P n × E C n GD P i n × T S n E C n × P n T S n , i = 1,2 , 3 ; n = 1,2 , ⋯ , 30 （2）
式中：Pn表示各地区污染排放总量;GDPni表示各地区第i产业产值;ECn表示各地区能源消费总量;TSn表示各地区科技三项支出。
对式（2）进行简化修正,根据LMDI指数分解法,对上述各个分量进行假设,使各个分量分别能够表示某种效应,即
Y = GD P n S = GD P i n GD P n C = E C n GD P i n E = T S n E C n A = P n T S n （3）
那么,各地区污染排放总量为：
P = ∑ i = 1 3 Y × S i × C i × E × A （4）
为了反映各效应趋势性的影响结果,以2003年的数据为基期,构造差分量,并引入相关的中间变量Lit,各效应值及中间变量的具体计算公式如下[11,12]：
\ L it = P it - P i 0 ln ( P it P i 0 ) Δ P Y = ∑ i = 1 3 [ L it × ln ( Y t Y 0 ) ] Δ P S = ∑ i = 1 3 [ L it × ln ( S it S i 0 ) ] Δ P C = ∑ i = 1 3 [ L it × l n ( C it C i 0 ) ] Δ P E = ∑ i = 1 3 [ L it × ln ( E t E 0 ) ] Δ P A = ∑ i = 1 3 [ L it × ln ( A t A 0 ) ] （5）
可以得到,具有时间趋势的各地区各类效应结果,即
ΔP = Δ P Y + Δ P S + Δ P C + Δ P E + Δ P A （6）
式中：Pit表示第t年第i产业的污染排放总量;Pi0表示基年第i产业的污染排放总量;Yt表示第t年GDP总量;Y0表示基年GDP总量;Sit表示第t年第i产业产值;Si0表示基年第i产业产值;Cit表示第i产业第t年能源消费总量;Ci0表示第i产业基年能源消费总量;Et表示第t年能源开发效率指标;E0表示基年能源开发效率指标;At表示第t年技术进步指标;A0表示基年技术进步指标; Δ PY、 Δ PS、 Δ PC、 Δ PE、 Δ PA分别表示污染排放的规模效应、结构效应、能源消费效应、能源开发效应和技术污染效应。

3 中国经济增长与环境污染效应及其时空特征分析

3.1 中国经济增长与环境污染关系现状研究

根据表1定义的污染排放总量的计算方法,查找样本期内各研究样本的污染数据,经计算得到2003-2013年中国各区域污染排放总量及占全国比重（表2）。
Tab. 2 The total emissions and its proportion in different regions of China: 2003-2013

表2 2003-2013年中国各区域污染排放总量及占全国比重

年份 全国 东部 中部 西部 东北
总量(亿t) 比重
(%)		 总量(亿t) 比重
(%)		 总量(亿t) 比重
(%)		 总量(亿t) 比重
(%)		 总量(亿t) 比重
(%)
2003 726 100 335 46 166 23 157 22 68 9
2004 831 100 387 47 178 21 192 23 74 9
2005 885 100 418 47 191 22 191 22 85 10
2006 979 100 460 47 205 21 219 22 94 10
2007 1075 100 497 46 228 21 258 24 93 9
2008 1113 100 562 50 240 22 251 23 116 10
2009 1172 100 659 56 249 21 276 24 101 9
2010 1311 100 597 46 289 22 318 24 106 8
2011 1561 100 696 45 377 24 367 24 122 8
2012 1657 100 676 41 364 22 372 22 244 15
2013 1753 100 657 37 352 20 377 22 365 21

注：数据来源于2003-2014年度《中国环境统计年鉴》。

为了更好地反映中国环境污染总体水平与经济增长的关系,运用最小二乘法拟合污染总量与GDP关系,得到拟合结果,并通过求导,计算出拐点位置（图1）。
Fig. 1 The graph of EKC

图1 环境库兹涅茨曲线图

根据EKC曲线的拐点结果,利用极差归一化公式的逆向求解①(①极差归一化逆向求解公式： x ij = x ' ij × ( x jmax - x jmin ) + x jmin .),得到拐点对应的GDP值（表3）。
Tab. 3 The calculations of EKC in China

表3 中国环境库兹涅茨曲线计算结果

区域 方程 拟合优度 拐点 GDP（亿元） 年份
东部 P=-0.7558GDP2+1.738GDP-0.0086 0.9499 1.14978(顶点) 329234.7 2014年
中部 P=0.2265GDP2+0.777GDP+0.013 0.9698 -1.71523(非顶点) -127901.0 1990年
西部 P=-0.3231GDP2+1.304GDP+0.045 0.9772 2.01795(顶点) 205260.8 2067年
东北 P=0.978GDP2-0.2836GDP+0.089 0.7696 0.14499(非顶点) 18395.5 2006年
全国 P=-0.1285GDP2+1.088GDP+0.0272 0.9894 4.23346(顶点) 2002549.0 2040年
由表3可知：① 中国环境污染总量未到达EKC曲线拐点,经济增长与环境污染处于同步上升阶段,处于EKC曲线左侧,并且仍然呈现粗放型经济增长方式。② 经济增长对环境污染的影响存在区域性。从图1和表3的结果可知,东部地区环境污染状态最接近拐点;中部、西部、东北地区仍然属于上升阶段,距离拐点仍有一定差距。当然,中部与东北地区分别在1990年和2006年出现EKC曲线拐点,此拐点非“倒U型”顶点,且均是凹函数。这意味着,拐点过后,经济增长与环境污染同步增长。这种现象反映出中部与东北地区目前处于短期生产函数的第一阶段,即环境要素投入增加,有利于推动经济增长,经济增长处于短期递增状态,与此同时污染排放也呈递增状态,这种情景与微观经济的生产论结论不谋而合。③ 环境污染总量及其增长率存在明显的区域差异。从表2看出,东部地区虽然接近EKC曲线的拐点,但其污染排放总量明显高于其他地区;相对于东部地区而言,中部、西部、东北地区经济增长水平较低,污染排放总量也低于东部地区,这意味着中国在样本期内的经济增长是以环境污染为代价的,经济增长方式仍然是粗放型的;尤其是东北地区从2009年起污染排放总量呈现快速上升,其污染排放速度超过经济增长速度。

3.2 中国环境污染效应分析

某一经济社会的自然资源和环境状况主要取决于规模效应、结构效应、技术水平、环境保护政府管制的方式和效果、环保意识和环保支出[13]。为了说明经济增长与环境污染之间的内在关系,从经济—污染的自身空间效应和环境污染的经济增长效应两个方面展开论述。
3.2.1 经济增长—环境污染总量演变关系——基于Moran's I指数 根据2003-2013年30个省份的GDP与污染排放总量,运用Moran's I指数计算,得到反映经济增长与环境污染自身“扩散”状态的结果（表4）。
Tab. 4 The index result of Moran's I between economic growth and environmental pollution: 2003-2013

表4 2003-2013年中国经济增长与环境污染Moran's I指数结果

年度 GDP 污染排放总量
Moran's I Z得分 p值 结果 Moran's I Z得分 p值 结果
2003 0.303515 2.951805 0.003159 相关 0.212457 2.169530 0.030545 相关
2004 0.316013 3.060642 0.002209 相关 0.231262 2.316563 0.020528 相关
2005 0.269893 2.702296 0.006886 相关 0.243661 2.413893 0.015783 相关
2006 0.262967 2.643599 0.008203 相关 0.249251 2.453017 0.014166 相关
2007 0.258489 2.602665 0.009250 相关 0.254449 2.500719 0.012394 相关
2008 0.255652 2.571360 0.010130 相关 0.263386 2.580800 0.009857 相关
2009 0.243833 2.472749 0.013408 相关 0.273080 2.658158 0.007857 相关
2010 0.243757 2.466876 0.013630 相关 0.301323 2.896533 0.003773 相关
2011 0.240282 2.432925 0.014977 相关 0.268761 2.617087 0.008868 相关
2012 0.236545 2.397212 0.016520 相关 0.220491 2.205515 0.027418 相关
2013 0.235524 2.389762 0.016859 相关 0.065790 1.041768 0.297519 随机

注：P值小于0.05时,认为变量存在空间自相关性,P值大于0.05,认为变量在空间上是随机的。

从表4可知：第一,GDP与污染排放总量的Moran's I指数均大于0且在0.2~0.3之间波动变化,同时,在0.05的置信水平下,通过显著性检验（除2013年污染排放总量之外）,表明经济增长与环境污染在空间上呈现微弱的正相关分布特征。第二,在显著性检验通过的前提下,从时间序列角度观察GDP与污染排放总量的Moran's I指数,可以发现,随着时间推移,经济增长的空间自相关性逐年减弱,而环境污染的空间自相关性在2003-2010年期间逐步加强,但在2011年开始呈下降趋势;这意味着经济增长具有一定程度的空间差异,区域间的经济联系逐渐减弱,中心区域的辐射带动能力也逐步向四周扩散、递减,慢慢的形成不同大小的“经济独立体”;同样,环境污染在2003-2010年间,空间自相关性逐年加强,其经济含义是污染物在邻近空间存在扩散效应;但自2011年起,污染排放总量的Moran's I指数开始下降,可能存在的原因是由于经济增长推动技术进步,提高了不同区域的污染治理能力,从而引起了环境污染在空间上的相关性减弱。
上述结论,表明经济增长与环境污染存在空间自相关性,也就是说经济增长是造成环境污染的一个直接原因。然而,经济增长作为引起环境污染的原因过于宽泛,没有具体的说明到底是什么因素引起了环境污染加剧。因此,为了反映造成环境污染的内在机理,采用LMDI指数,分析中国环境污染的经济因素。
3.2.2 经济增长—环境污染单因素效应关系——基于LMDI指数 根据式（5）计算,得到中国各区域环境污染的规模效应、结构效应、能源消费效应、能源开发效应以及技术污染效应的具体结果（表5）。
Tab. 5 The results of five environmental pollution effects in China

表5 中国环境污染5种效应计算结果

效应 地区 2004年 2005年 2006年 2007年 2008年 2009年 2010年 2011年 2012年
规模
效应		 东部 677136 1519761 2217431 3004544 3885320 4727026 5225963 6462414 6781446
中部 338854 615209 914666 1328586 1756381 2013812 2627434 3540356 3744649
西部 319563 656566 1012681 1494067 1865786 2260955 2890948 3645425 3993394
东北 110369 213513 338449 471248 698868 731408 913047 1159951 1875425
结构
效应		 东部 -249559 -1629092 -2700841 -3476049 -3803012 -4777284 -5038019 -5676816 -5644835
中部 299570 -50158 -524608 -829973 -852529 -1298954 -1699878 -2386104 -2520380
西部 23729 -474807 -1006475 -1173957 -1312432 -2176108 -2652044 -3100679 -3217002
东北 51064 75369 -53592 -50541 -144447 -201392 -393191 -381979 -392947
能源
消费
效应		 东部 1189674 1016930 797224 743986 775412 596768 412916 369773 -307789
中部 -1150424 -1337838 -1495334 -1659930 -1746355 -1799434 -2040876 -2375879 -2302950
西部 -158698 -184285 -297981 -420113 -412516 -471741 -608768 -783291 -823280
东北 310209 269322 221305 204973 204838 112477 80649 49679 64292
能源
开发
效应		 东部 -83186 -543031 -900280 -1158683 -1267671 -1592428 -1679340 -1892272 -1881612
中部 99857 -16719 -174869 -276658 -284176 -432985 -566626 -795368 -840127
西部 7910 -158269 -335492 -391319 -437477 -725369 -884015 -1033560 -1072334
东北 17021 25123 -17864 -16847 -48149 -67131 -131064 -127326 -130982
技术
污染
效应		 东部 -168509 -839203 -1460005 -5071508 -5685433 -6692907 -7628229 -8202467 -8975139
中部 -173306 -453941 -789336 -2241655 -2668321 -3004863 -3515591 -4070628 -4593665
西部 171642 -239676 -354488 -1798323 -2344995 -2489727 -2742317 -3243733 -3792843
东北 -111853 -116046 -181514 -543888 -597447 -798413 -933134 -1065264 -833354

注：由于各行业统计年鉴未公布,对应数据统计到2012年。

3.3 中国环境污染要素时空特征分析

运用Excel和ArcGIS,从时间和空间的角度,描述经济增长与环境污染之间的关系。
3.3.1 时间演变特征 图2表示东部、中部、西部以及东北地区5种效应值的时间趋势图,其含义是,在样本期5种引起环境污染变化的效应在不同区域是如何变化的。根据表1对5种效应的定义,可以发现如下规律。
Fig. 2 The trends of ΔPY, ΔPS, ΔPC, ΔPE and ΔPA in different regions of China

图2 中国不同区域ΔPY、ΔPS、ΔPC、ΔPE、ΔPA的趋势图

（1）规模效应：经济规模扩张容易加剧环境污染。从图2的时间走势来看,各区域的规模效应都呈持续上升态势,并且,东部地区明显要高于中部、西部和东北地区。这就意味着,经济规模的扩张,对环境污染有直接的加剧作用。这和EKC曲线的结论是一致的。
（2）结构效应：结构效应反映的是产业结构变动对经济增长的影响,进而引起的环境污染。从图2看出,中国四大区域结构效应呈现逐年递减的趋势,并且下降速度依次为东部地区、西部地区、中部地区、东北地区。该规律反映出中国的产业结构调整对环境污染的影响有改善作用。从中国三次产业比重的变化情况可以看出,中国四大区域的三次产业比重有较大调整。东部地区第三产业比重上升,第一、第二产业比重下降,而中部、西部、东北地区第一产业和第三产业比重下降,第二产业比重上升。在产业发展初期,一般选择劳动密集型或者自然资源密集型产业,随着经济规模扩大,再向重化工等资本密集型产业转移,最后才向电子、生物技术等高新技术产业转移。一般而言,第二产业比第一、第三产业的污染强度大,而在第二产业内部,自然资源密集型和资本密集型产业的污染也比其他类型产业要多[14]。因此,东部地区对重化工业的依赖转向了技术、资金密集型产业,所以其结构效应下降极其迅速,以至于其EKC曲线接近于拐点,并且污染排放增长率也出现下降的趋势;中部、西部以及东北地区有赖于国家宏观战略的影响,以及自身发展状况,也促使其结构效应下降,但由于与东部地区相比起步略晚,基础较差,多依赖于劳动密集型和资本密集型产业的发展,以至于其环境污染与经济增长仍为同步增长阶段。
（3）能源消费效应：根据图2所示,中国各区域的能源消费效应均呈现下降趋势。图3反映不同产业能源消费效应的具体变化规律。东部地区第一、第二产业能源消费效应呈下降趋势,而第三产业则逐年上升;中部地区第一产业能源消费效应持续下降,第二、第三产业则以较低的上升幅度逐年提升;西部地区与中部地区类似,只是第二产业上升幅度较中部地区略大;东北地区第一产业能源消费效应下降,第二、第三产业能源消费效应波动小幅上涨,并且在样本期内第一产业的能源消费效应远大于第二、第三产业。造成上述现象的主要原因可能是,基于不同区域经济实力、技术水平、产业结构差异,导致能源需求不同。对于东部地区而言,以第一、第二产业比重下降,第三产业比重上升,并且更倾向于技术密集型产业,因此,能源使用效率提高推动了第一产业和第二产业的能源消费效应下降,第三产业能源消费效应上升的现象,并进一步减少能源浪费,改善了环境状态。同样,对于中部、西部和东北地区而言,第二产业的能源效应要远高于第一、第三产业,并且,这些能源大部分使用于资本密集型和劳动密集型产业,偏重于自然资源开采、加工等产业,能源消耗量大,并且技术水平较东部地区略有差异,能源浪费程度也相对较大,使得中部、西部和东北地区呈现经济增长与环境污染同步增长的现象。
Fig. 3 Three regional effects of industrial energy consumption trends in different areas

图3 各区域三次产业能源消费效应趋势图

（4）能源开发效应：根据图2所示,中国各区域能源开发效应均呈稳步下降的趋势,波动程度不大。该指标的经济含义是在能源开采、生产过程中的产生的污染变化情况。就计算结果来看,各地区在能源生产过程中的技术支出减少,这意味着在能源开采、生产的过程中付出的成本较高、效率较低,甚至容易引起“资源诅咒”现象。
（5）技术污染效应：根据图2可知,技术污染效应在各区域均以较快的速度递减。其经济含义是中国在技术进步的过程中产生的污染量在逐年减少。众所周知,科学技术是一把双刃剑,即能够缓解环境污染状况,也有可能加剧环境恶化。中国自20世纪70年代起,高新技术产业所带来的污染效应已逐步渗透到人们生产生活的各个方面[15],如农用地膜带来的污染、电子设备造成的持久性污染[16]。结果表明,在样本研究期内技术研发所带来的污染在不断减少,表明中国的高新技术正朝着清洁、环保的方向前进。
3.3.2 空间演变特征 为了清晰反映5种效应的空间分布特征,分别选取各种效应2004年、2008年和2012年的全国分布情况,运用ArcGIS,绘制空间分布图（图4~图8）④(④ 将各效应指标按照较低水平（0.00~0.33）、中等水平（0.33~0.66）、较高水平（0.66~1.00）三个等级分类。为确保在2004-2012年间效应值仅受到变量的影响,而不会受到分类等级的影响,故先将数据进行极差归一化处理。)。
Fig. 4 The spatial dynamic distribution of scale effects in China

图4 中国规模效应空间动态分布图

Fig. 5 The spatial dynamic distribution of structure effects in China

图5 中国结构效应空间动态分布图

Fig. 6 The spatial dynamic distribution of energy consumption effects in China

图6 中国能源消费效应空间动态分布图

Fig. 7 The spatial dynamic distribution of energy technology effects in China

图7 中国能源开发效应空间动态分布图

Fig. 8 The spatial dynamic distribution of technical pollution effects in China

图8 中国技术污染效应空间动态分布图

（1）规模效应的空间演变特征：东部地区为高值聚集区;中部、西部、东北地区则相对较弱。从变动情况来看,在样本期内,内蒙古的规模效应在不断加强,华北地区、黄淮流域以及长江中游地区的规模效应在提高,这说明这些地区在经济增长的情况下,污染排放也在加剧。
（2）结构效应的空间演变特征：中部、西部以及东北地区为高值聚集区;东部地区则是低值聚集区。从变动情况来看,西部和东北地区在2004-2008年间有加强的趋势,但在2008-2012年之间,东三省、内蒙古、四川、华北平原及长江中下游平原的结构效应皆出现弱化现象。从图5不难发现,结构效应的高值区不外乎西部地区（新疆、青海等）和部分大经济圈中心（湖北、陕西）。西部地区因经济发展水平、产业结构不合理等原因,造成的“资源诅咒”现象十分明显[17],以至于结构效应偏高,造成的环境污染也多是因为资源开发所引起的。湖北、陕西、黑龙江等地则是由于产业结构变动、经济增长引起的结构效应上升、污染排放增加。
（3）能源消费效应的空间演变特征：中西部地区为高值聚集区,东部和东北地区则相对较弱。从2004-2012年的变化情况来看,华北平原、中原经济圈以及湖北、湖南、内蒙古等地的能源消费效应在弱化,从整体的分布和变化情况来看,与结构效应的分布规律略为相似。
（4）能源开发效应的空间演变特征：全国整体处于中低水平,小部分的东部地区为高值聚集区,部分为中等水平,而全国大部分区域（中部、西部、东北地区）均为低值聚集区。从变化情况看,虽然有部分地区有强化现象,但范围不大,仅仅只是个别现象。这反映了中国的能源开采效率整体水平较低,也正是因为这个原因,导致在能源开采过程中造成污染排放较多。
（5）技术污染效应的空间演变特征：总体上,西部和东北地区为高值聚集区,中部与东部地区为低值聚集区。根据2004-2012年间的变化情况来看,在样本初期,中国技术污染效应提高极为迅速,这意味着此时经济增长以环境污染为代价,而在后期,技术污染效应呈略微下降的趋势,这反映出中东部地区,技术进步引起的环境污染量减少,治污能力提高。
3.3.3 污染重心转移规律 利用各省份污染排放数据及对应经纬度数据,借鉴经济重心转移公式[18],采用几何重心法,构建并修正污染重心转移模型（式（7））⑤(⑤ 污染重心是指全国范围的污染几何重心,其移动方向反映了污染区域的移动方向。),计算得到2003-2013年间,中国污染排放重心转移数据,反映中国污染排放的空间动态变化特征,并运用Excel,将对应数据按时间顺序连线,得到中国污染重心转移路径图（图9）。
Fig. 9 The pollution focus shifted path during 2003-2013

图9 2003-2013年污染重心的转移路径

J it = ∑ i = 1 30 ( P it × J imax + J imin 2 ) ∑ i = 1 30 P it , W it = ∑ i = 1 30 ( P it × W imax + W imin 2 ) ∑ i = 1 30 P it （7）
式中：Jit和Wit分别表示第t年污染重心的经度和维度;Pit表示i地区第t污染排放总量;Jimin,Jimax,Wimin,Wimax分别表示的是 i 地区最小最大经纬度范围,即各省份最大矩形空间。
将2003-2013年各省份的污染数据以及上述污染重心转移路径对应至地图（图10）,发现如下规律：① 2003-2013年间,中国污染的几何重心主要在113°E~115°E,32°N~34.5°N的区域内移动,该区域为河南省南部,与丁焕峰等的研究结论相似[19];② 2003-2011年间,中国污染重心向北、向西逐步移动,但2011-2013年间,污染重心迅速向东北方向移动;③ 以北京—吉林—广东—浙江等省份所构成的多边形区域,受不同的经济效应影响,围绕污染区域的几何重心,在向东、向西之间“抉择移动”;④ 从历年污染排放前5名的省份可知,中国污染严重区域仍位于中东部地区,代表性区域主要是京津冀华北污染带,辽中南东北污染带,珠三角—长三角污染带,代表性省市分别是北京、河北、山东、吉林、辽宁、江苏、浙江、广东、河南等。
Fig. 10 The shifting and spreading of pollution center in China

图10 中国污染重心转移扩散图

基于规模效应、结构效应、能源消费效应、能源开发效应以及技术污染效应的时空特征,发现造成中国污染重心移动按上述规律移动的原因可能是：① 规模效应加剧东部地区污染排放,西部地区经济规模相对较弱,排放较少;② 结构效应、能源消费效应、技术污染效应,加剧西部地区污染排放,东部地区在技术进步的过程中治污水平相对较高,排污较少;③ 能源开发效应低是造成全国性能源开采过程中污染排放较多的原因,西部与东部相比,污染排放相对较少。
因此,在上述5种经济效应“推拉力”的作用下,导致中国污染几何重心受“推拉力”的影响,向东、向西“抉择移动”,并且主要的污染区域仍位于中东部地区。

4 结论

（1）中国环境污染总量未到达EKC曲线拐点,经济增长与环境污染处于同步上升阶段,处于EKC曲线左侧,并且仍然呈现粗放型经济增长方式。东部地区虽然接近拐点,但其污染排放较高;中部、西部以及东北地区经济水平较低,污染排放也相对较少。
（2）经济增长与环境污染在空间上呈微弱的正相关分布特征,并且随时间推移,经济增长的空间自相关性逐年减弱,表明经济增长具有一定的空间差异性;环境污染的空间自相关性在2003-2010年期间逐步加强,在2011年开始下降,可能是由于技术进步造成污染排放的空间自相关性减弱。
（3）环境污染的规模效应、结构效应、能源消费效应、能源开发效应以及技术污染效应有其自身的时空规律。在时间维度上,规模效应增加加剧了环境污染恶化,结构效应、能源消费效应、能源开发效应以及技术污染效应的变化间接减少了污染排放总量。在空间维度上,规模效应的高值聚集区是东部地区,低值聚集区为中部、西部以及东北地区;结构效应的高值聚集区是中西部和东北地区,低值聚集区是东部地区;能源消费效应的高值聚集区是中西部地区,低值聚集区是东部和东北地区;能源开发效应均处于中低水平;技术污染效应的高值聚集区是西部和东北地区,低值聚集区是中东部地区。
（4）中国污染区域的几何重心主要在113°E~115°E,32°N~34.5°N的区域内移动,该区域为河南省南部,并且,以北京—吉林—广东—浙江等省份所构成的多边形区域,受不同的经济效应影响,围绕污染重心区域,在向东、向西之间“抉择移动”,其中,污染严重区域仍位于中东部地区,代表性区域主要是京津冀华北污染带,辽中南东北污染带,珠三角—长三角污染带,代表性省份分别是北京、河北、山东、吉林、辽宁、江苏、浙江、广东、河南等。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Grossman G M, Krueger A B.Environmental impacts of a North American Free Trade Agreement. National Bureau of Economic Research Working Paper 3914, NBER, Cambridge MA, 1991: 1-57.Highlights the implications of the anticipated signing of the North American free trade agreement (NAFTA) for the participating countries and competing blocs. Dual roots of NAFTA; Advantages to Canada, United States and Mexico; Economies of the participating nations and competing blocs; Demographic advantages; Shield against protectionism by others; Implementation challenges; Managerial implications.

DOI

[2]
Panayotou T A, Peterson A, Sachs J. Is the Environmental Kuznets Curve driven by structural change? What extended time series may imply for developing countries. Consulting Assistance on Economic Reform (CAER) II Discussion Paper, 2000, 80: 1-35.Until recently, it was thought that the relationship between economic growth and environmental degradation was a monotonic one, even though there was little agreement as to whether economic growth led to environmental degradation or to increasing environmental quality. At the one extreme there are those who argue that economic growth results in ever increasing use of energy and materials and expanding worker productivity and hence more environmental degeneration. At the other extreme are those who claim that the fastest road to environmental improvement is along the path of economic growth; with higher income comes increased demand for improved environmental protection measures. From this perspective, as Beckerman (1992) put it: &quot;the surest way to improve your environment is to get rich&quot; (quoted by Rothman 1998, pp. 178). A number of empirical studies in the early 1990s (Grossman and Krueger 1991, 1994; Shafik and Bandyopadhyay 1992; and Panayotou 1992, 1993, and 1995) found a nonmonotonic, inverted U-relationship between a number of local pollutants such as particulates and sulfur dioxide and income suggesting a changing relationship between environment and growth along the course of economic development (see Figure 1). At an early stage of development the environment deteriorates with economic growth until a certain level of per capita income is reached beyond which further increases in income result in environmental improvements. The changing income-environment relationship in the course of economic development, known as the Environmental Kuznets Curve (EKC) was attributed largely to behavioral factors: as income rises the effective demand for environmental quality (an income-elastic amenity) rises and eventually overwhelms any scale effects of economic growth

[3]
Dinda S, Coondoo D, Pal M.Air quality and economic growth: An empirical study. Ecological Economics, 2000, 34(3): 409-423.In the present empirical study, we have observed an inverse (and sometimes U-shaped) relationship between environmental degradation and per capita real income as opposed to the inverted U-shaped environmental Kuznets curve (EKC) found in many earlier studies. It was felt that a possible explanation of the observed pattern of relationship might be sought in the dynamics of the process of economic growth experienced by the countries concerned. Thus, e.g. economic development may strengthen the market mechanism as a result of which the economy may gradually shift from non-market to marketed energy resources that are less polluting. This phenomenon may show up in the form of an inverse relationship, as mentioned above. Also, due to the global technical progress the production techniques available to the countries all over the world are becoming more and more capital intensive and at the same time less polluting. This may mean that, given the income level, the pollution level decreases as the capital intensity of an economy rises. In the present study, it is indeed observed that as capital intensity increases the level of suspended particulate matter (spm) in the atmosphere decreases. Per capita real income is also found to be inversely related to spm partially, but the interaction effect of per capita income and capital-intensity on spm is observed to be positive. This suggests that, given the level of per capita income (capital intensity), a more capital intensive production technique (a higher per capita income level) would cause less pollution. For spm a surprising result is also obtained, i.e. a U-turn is observed at a very high level of per capita real income (i.e. 鈭糢S$12鈥500 at 1985 US prices). This is possibly indicative of the fact that there are technological limits to industrial pollution control such that beyond a threshold level of income further rise in income cannot be achieved without environmental degradation.

DOI

[4]
李强谊, 马晓钰, 郭莹莹. 经济增长与环境污染关系研究: 以新疆为例. 21世纪数量经济学, 2013, (S): 599-610.基于单一污染物难以说明环境污 染整体状况,本文提出了环境污染综合指数来表示环境污染整体状况,并且对相关数据进行严格检验后,建立新疆经济增长与环境污染的联立方程,探讨了经济增长 与环境污染之间的相互关系。结果表明:新疆环境污染综合指数不断上升,与经济增长呈现出"U"形的曲线关系并且处于上升阶段,即随着经济的增长环境污染不 断地加重。

[Li Qiangyi, Ma Xiaoyu, Guo Yingying.Research on the relationship between economic growth and environmental pollution: A case study in Xinjiang. Quantitative Economics in the 21st Century, 2013, (s): 599-610.]

[5]
方福前, 张艳丽. 中国农业全要素生产率的变化及其影响因素分析: 基于1991-2008年Malmquist指数方法. 经济理论与经济管理, 2010, (9): 5-12.本文以分析中国29个省、直辖市和自治区农业全要素生产率变化为基础,对农业全要素生产率增长差异的原因进行了探讨.首先,根据KS和T检验筛选投入产出指标;然后,利用非参数Malmquist指数方法计算出中国农业全要素生产率指数及其构成;最后利用面板两阶段最小二乘法分析了影响农业全要素生产率的诸多因素.研究结果表明,乡村从业人员对农业生产效率值的影响较为明显;技术进步是农业全要素生产率增长的主要原因,区域间农业全要素生产率的差异较大;财政支农的力度和农业在整体经济中的地位会显著影响农业全要素生产率的变动.

[Fang Fuqian, Zhang Yanli.Analysis of changes of China's agricultural total factor productivity and it's impact factor-from the 1991-2008 annual malmquist index approach. Economic Theory and Business Management, 2010, (9): 5-12.]

[6]
郭朝先. 中国碳排放因素分解: 基于LMDI分解技术. 中国人口·资源与环境, 2010, 20(12): 4-9. 碳排放是当前全球关注的热点问题,如何评估各种因素在碳排放中的贡献程度对于抓住其中的关键因素,促进碳减排具有重要意义。本文构建了一个基于经济总量、 经济结构、能源利用效率、能源消费结构,碳排放系数的碳排放恒等式,运用LMDI分解技术,对中国1995-2007年的碳排放从产业层面和地区层面进行 了分解。结果表明：经济规模总量的扩张是中国碳排放继续高速增长的最主要因素,能源利用效率的提高则是抑制碳排放增长最主要的因素,产业结构或者地区结构 的变化、传统能源结构的变化对碳排放影响有限,潜力还没有发挥出来。本文最后据此提出了我国碳减排需进一步努力的方向。

[Guo Chaoxian. Decomposition of chinaps carbon emissions: Based on LMDI method. China Population, Resources and Environment, 2010, 20(12): 4-9.]

[7]
赵选民, 卞腾锐. 基于LMDI的能源消费碳排放因素分解: 以陕西省为例. 经济问题, 2015, (2): 35-39.近十年间陕西省取得了跨越式的经济大发展,特别是作为丝绸之路经 济带的“桥头堡”其经济发展已驶入了快车道.经济快速发展的同时必然带来碳排放总量的增加,测算了陕西省2002～2012年7种主要能源消费的碳排放 量.使用LMDI法(对数平均迪氏分解法)把陕西省能源碳排放增量分解成人口、人均GDP、产业结构、能源消费结构与能源消费强度这五方面因素.研究得 出,2002～ 2012年间除能源消费强度这一因素的累积效应为负外,其余四种因素的累积效应皆为正.使用逐年效应角度观察,人均GDP是碳排放增加的最大拉动因素,能 源消费强度对碳排放具有较大的抑制作用.针对以上问题给出了相关政策建议.

[Zhao Xuanmin, Bian Tengrui.Factor decomposition of carbon emissions from energy consumption of Shaanxi province based on LMDI. On Economic Problems, 2015, (2): 35-39.]

[8]
李波, 张俊飚, 李海鹏. 中国农业碳排放时空特征及影响因素分解. 中国人口·资源与环境, 2011, 21(8): 80-86. 农业生产所导致碳排放大幅增加以及引发的环境问题,越来越受到人 们的关注.本研究基于农业生产中6个主要方面的碳源,测算了我国1993-2008年农业碳排放量.发现自1993年以来我国农业碳排放处于阶段性的上升 态势,总体上可分为快速增长期、缓慢增长期、增速反弹回升期、增速明显放缓期等四个变化阶段.其中农业碳排放总量和强度年平均增长率分别为4.08％、 2.38％.农业碳排放总量较高地区主要集中在农业大省,农业碳排放强度较高地区主要集中在发达城市、东部沿海发达省份和中部农韭大省.进一步通过 Kaya恒等式变形对农业碳排放影响因素进行分解研究,结果表明,效率因素、结构因素、劳动力规模因素对碳排放量具有一定的抑制作用,1994-2008 年与基期相比分别累计实现12.95％、26.62％、33.29％的碳减排,而农业经济发展则对农业碳排放具有较强推动作用,累计产生154.94％的 碳增量.最后,据此提出促进农业减排的政策建议.

DOI

[Li Bo, Zhang Junbiao, Li Haipeng. Research on spatial-temporal characteristics and affecting factors decomposition of agricultural carbon emission in China. China Population, Resources and Environment, 2011, 21(8): 80-86.]

[9]
任晓松, 赵涛. 中国碳排放强度及其影响因素间动态因果关系研究: 以扩展型KAYA公式为视角. 干旱区资源与环境, 2014, 28(3): 6-10.以扩展型KAYA公式为视角, 采用多变量协整和向量误差修正模型测算了中国1980-2010年间碳排放强度及其影响因素之间的长期均衡和短期波动关系,在此基础上检验了其相互间格兰 杰因果关系。实证结果表明:我国碳排放强度与能源消费结构、能源强度和产业结构之间存在协整关系;碳排放强度是能源消费结构、产业结构的格兰杰原因;能源 强度和产业结构是能源消费结构的格兰杰原因;碳排放强度和能源强度之间存在双向的格兰杰因果关系。

[Ren Xiaosong, Zhao Tao.The dynamic causality relationship between CO2 emissions intensity and its influencing factors in China: Under the perspective of expandable KAYA equation. Journal of Arid Land Resources and Environment, 2014, 28(3): 6-10.]

[10]
沈体雁, 冯等田, 孙铁山. 空间计量经济学. 北京: 北京大学出版社, 2011.

[Shen Tiyan, Feng Dengtian, Sun Tieshan. Spatial Econometrics.Beijing: Peking University Press, 2011.]

[11]
刘睿劼, 张智慧. 基于对数平均迪氏指数法的中国工业固体废弃物排放影响因素分解研究. 环境污染与防治, 2011, 33(4): 91-94.为了对中国工业固体废弃物排放情况及其发展趋势进行研究,选择 2001-2008年中国工业的相关数据,采用对数平均迪氏指数(LMDI)法将工业固体废弃物排放的影响因素分为规模效应、技术效应、治理效应和结构效 应4个部分,并对上述4个部分的影响程度和变化情况进行对比分析,反映了中国工业固体废弃物减排的现状和趋势,指出了目前工业固体废弃物减排存在的问题和 障碍.

DOI

[Liu Ruijie, Zhang Zhihui.The decomposition of industrial solid waste emission in China based on LMDI. Environmental Pollution & Control, 2011, 33(4): 91-94.]

[12]
高振宇, 王益. 我国生产用能源消费变动的分解分析. 统计研究, 2007, 24(3): 52-57.能源消费分解是探讨能源消费变动影响因素的一种常用方法.在本文 中介绍了目前研究中较为合理的一种分解方法——对数平均D氏指数法,并借助这一方法来对我国"六五"时期以来的生产用能源消费情况进行分解分析,探讨产业 结构变动和产业内效率提高对能源消费和总体单位能耗的影响.根据测算结果,笔者认为产业内能源效率的提高是我国能源节约的主要因素;进一步建议政府构建" 能源分解指数体系"作为制定能源政策的依据.

DOI

[Gao Zhenyu, Wang Yi.The decomposition analysis of change of energy consumption for production in China. Statistical Research, 2007, 24(3): 52-57.]

[13]
张帆, 李东. 环境与自然资源经济学(2版). 上海: 上海人民出版社, 2007.

[Zhang Fan, Li Dong, Environmental and Natural Resources Economics (2nd ed). Shanghai: Shanghai People's Publishing House, 2007.]

[14]
钟水映, 简新华. 人口、资源与环境经济学. 北京: 科学出版社, 2007.

[Zhong Shuiying, Jian Xinhua.Population, Resource and Environmental Economics. Beijing: Science Press, 2007.]

[15]
王瑞贤, 罗宏, 彭应登. 高新技术污染特征分析及控制对策. 环境保护, 2004, (2): 44-47.本文分析了高新技术污染的基本特征,并以电子工业为例,从产品层次、企业层次、区域层次和社会层次等不同空间尺度来阐述高新技术污染的特点,提出了从宏观到微观层次构筑防治高新技术污染的立体化环境保护体系.

[Wang Ruixian, Luo Hong, Peng Yingdeng.Humble opinions on new and high-tech pollution. Environmental Protection, 2004, (2): 44-47.]

[16]
刘伟峰, 赵满全, 田海清, 等. 农用地膜带来的环境污染和回收技术的分析研究. 中国农机化, 2003, (5): 34-36.针对农用地膜带来的环境污染现象,论述了治理残膜的方法以及治理中存在的问题,并在此基础上进行了污染防治的应用研究.

[Liu Weifeng, Zhao Manquan, Tian Haiqing, et al.Analysis of environmental contamination caused by farm film and recovery technology. Journal of Chinese Agricultural Mechanization, 2003, (5): 34-36.]

[17]
陈祖海, 雷朱家华, 刘驰. 民族地区能源开发与经济增长效率研究: 基于“资源诅咒”假说. 中国人口·资源与环境, 2015, 25(6): 98-106. 资源诅咒”现象是伴随着能源资源开发带来的新问题.本文基于 2000-2012年间的面板数据,运用固定效应变截距模型,探讨民族地区“资源诅咒”效应,讨论“资源诅咒”效应的差异性,分析“资源诅咒”效应的影响 因素,并运用层次分析法计算权重,构建经济增长效率模型,探讨“资源诅咒”对经济增长效率的影响.结果表明,民族地区存在“资源诅咒”现象,从单个变量 看,能源产业依赖度抑制了云南、广西、贵州、青海、新疆的“资源诅咒”效应,但却加剧了内蒙古和宁夏的“资源诅咒”效应,而能源产业丰裕度和能源开发强度 能够缓解青海、宁夏、新疆的“资源诅咒”效应,但加剧了内蒙古、云南、广西、贵州的“资源诅咒”效应;从省际层面看,内蒙古“资源诅咒”效应明显,其他省 区表现相对较弱.由面板模型的结果可知,对经济增长起促进作用的变量是技术创新投入、能源开发强度、物质资本投资,对经济增长起阻碍作用的变量是能源产业 依赖度和能源产业丰裕度.从各省区煤炭、天然气、石油产量变化情况看,“资源诅咒”现象的来源主要是煤炭,除了煤炭之外,青海对石油、宁夏对天然气、新疆 对石油和天然气的依赖度也很大.从2000-2012年间经济增长效率值的动态变化来看,内蒙古、云南、广西、青海、宁夏“资源诅咒”现象明显,时间拐点 分别出现在2004年、2006年、2003年、2001年、2003年;新疆的经济增长效率值离散情况虽然比较严重,但总体来看呈现下降趋势;贵州的 “资源诅咒”现象前期表现明显,但在2006年以后“资源诅咒”效应得以消除.民族地区要摆脱“资源诅咒”效应应当优化产业结构,降低对煤炭资源的依赖 度,由资源依赖型产业向非资源型经济转移,扩大就业及经济增长空间;从技术创新投入入手,加强科技和教育投入,提高技术创新能力,加快能源开发效率.

DOI

[Chen Zuhai, Leizhu Jiahua, Liu Chi. The analysis between energy development and economic growth efficiency in minority areas: Based on the "Resource Curse" hypothesis. China Population, Resources and Environment, 2015, 25(6): 98-106.]

[18]
孙久文, 叶裕民. 区域经济学教程(2版). 北京: 中国人民大学出版社, 2010.

[Sun Jiuwen, Ye Yumin.Textbook of Regional Economics (2nd ed). Beijing: Renmin University of China Press, 2010.]

[19]
丁焕峰, 李佩仪. 中国区域污染重心与经济重心的演变对比分析: 1986-2006. 经济地理, 2009, 29(10): 1629-1633.引入重心的概念,利用经济空间结构的重心计算方法,采用 1986-2007年中国各省的国内生产总值、工业总产值、区域污染等数据,计算出各年的区域污染重心和经济重心的演变路径,从移动距离、移动方向、路径 对比、空间相关性分析等多角度阐述了经济重心与区域污染重心的动态变化及空间联系.结果表明:从整体演变轨迹看,所有重心均向偏南方向移动,相互间空间关 系较为紧密.

[Ding Huanfeng, Li Peiyi.The variation contrastive analysis of economic gravity center and regional pollution gravity center of China: 1986-2006. Economic Geography, 2009, 29(10): 1629-1633.]

Options
Outlines

/

〈 〉