贵州省县域废水排放与社会经济发展的相关分析*

杨 莉 赵翠薇

(贵州师范大学 地理与环境科学学院， 贵阳 550001)

贵州省县域废水排放与社会经济发展的相关分析*

杨 莉 赵翠薇

(贵州师范大学 地理与环境科学学院， 贵阳 550001)

随着社会经济的加速发展，废水排放量也在不断的增加，使得环境质量大大降低，从而反作用于社会经济发展，影响社会经济的可持续发展。对于一个欠发达地区而言，协调社会经济与环境保护之间的关系至关重要。以贵州省2005、2010年88个县级面板数据为依据，利用空间计量方法，探究影响废水排放量的主要因子，建立贵州省废水排放量变化的经典线性回归模型和空间滞后模型，结果显示，第三产业的发展是导致贵州废水排放量增加的主要原因。

废水排放量；空间自相关；空间计量分析

经济的加速发展和城镇人口的快速增加，使得环境与发展之间的矛盾问题日渐突出。其中，工业化、城镇化的推进，产生的生活废水和工业废水也在急剧增加,大量的废水排入江河,不但引起水体水质下降，同时也成为了制约社会经济可持续发展的“瓶颈”。因此，环境与发展的协调问题成为了各学者研究的重点。1992年Grossman等人通过人均收入与污染指标之间的演变模拟，提出了在经济发展的过程中，环境状况先是恶化而后得到逐步改善，表现为倒“U”型曲线[1-2]。后来的学者们通过不同的环境污染指标、数学模型和影响环境变化的各社会经济因子对这一假说进行推广实证分析[3-5]。按影响环境变化的社会经济因素分类，大致分为两大类：一类是以废气污染物排放量与经济发展之间的关联为研究方向，定性或定量的分析环境污染与经济发展之间的关系，如王立平等[6]在EKC假设的基础上引入空间相关因素，认为我国基本满足EKC假设，并且环境污染存在显著空间自相关；李岩岩[7]、刘燕等[8]通过对我国各省市自治地区经济增长与环境污染的计量分析，表明了我国部分省市自治区经济增长与废水的排放具有正相关关系；王腊春等[9]通过对某区域GDP的增长与废水排放量的协调关系分析，表明在大部分发达地区，GDP与污水排放量呈波动状；另一类是以废水污染物排放量与社会发展之间的关联为研究方向，定性或定量的运用各种检验方法和模型,研究环境污染与社会发展之间的关系，如范定祥等[10]通过省级面板数据的考察认为，我国城镇生活废水排放不仅与城镇人口线性相关，而且还受到城镇居民可支配收入、用水习惯、产业结构和政策规划的影响；田禹等[11]利用数学模型，分析了山东省城镇化发展与废水排放量之间的关系，表明废水排放量不仅与经济增长中的GDP、产业结构等有关，还与社会发展中的常住人口密度、城镇人口密度等因子有关。

贵州省作为西部大开发的省份之一，研究社会经济发展活动对废水排放量的影响有着重要的作用，对于制定区域发展和环境保护政策具有重要的意义。

1 研究区概况

贵州省位于东经103°6′～109°35′，北纬24°37′～29°13′ ，共有88个县(市、区、特区)，面积176 128 km2，约占全国总面积1.83%。从社会发展方面看：2013年，全省年末常住人口为3502.22万人。其中，城镇人口1 324.89万人，占常住人口比重的37.83%。从经济发展方面看：2013年全省生产总值8006.79亿元，比上年增长12.5%。其中，第一产业增加值增长5.8%;第二产业增加值增长14.1%;第三产业增加值增长12.6%。2005年到2010年工业废水量先增加后减小，但基本保持平稳，而生活废水量不断增加，基本显上升趋势(见表1)。总的来讲，贵州省废水排放总量2010年相比2005年有所上升。

表1 贵州省2005—2010年废水排放量

注：数据来源于2010年贵州省环境状态公报

2 研究方法与数据来源

2.1 研究方法

2.1.1 空间自相关分析

地理学认为：任何事物之间在空间上都具有相关性，且距离越相近的事物的联系性越大。空间自相关就是一种统计检验某种地理现象或某一属性在相邻空间点之间的关联性的方法。其中最常用的是Moran’s I全局关联指数，其值在-1～+1之间，当大于零时，表示正相关，即属性值高的地方和属性值高的地方集聚，反之为负，等于零则表示不存在空间相关性[12]。本文通过GeoDa软件来计算贵州省各县域之间的废水排放量的Moran’s I指数，并对贵州省各县域之间的废水排放量的空间集聚性进行分析，计算公式如下所示：

公式(1)中，n是参与分析的研究单元个数；xi、xj分别表示某现象(或某属性)在空间单元i和j的观测值；Wij为空间权重矩阵[12]。

全局空间关联指数虽能反映整体上的自相关性，但很难表现出不同单元之间在空间上存在的关联程度。而局部空间关联指数就弥补了这一现象，可以揭示相邻空间单元属性特征值或地理现象之间存在的相关性，辨别空间上各研究单元之间的集聚和孤立区域。局部指数有LocalMoran’sI，其对应计算公式为

(2)

式(2)中各指数所示意义与式(1)一致[12]。

LISA散点图将空间关联模式分为四个象限。第一象限(即“高—高”关联区)表明空间单元与邻近空间单元属性值均较高，且二者空间差异较小，存在较强的空间正相关；第二象限(即“低—高”关联区)表明空间单元属性值较低，邻近空间单元属性值较高，二者空间差异较大，存在较强的空间负相关；第三象限(即“低—低”关联区) 表明空间单元与邻近空间单元属性值均较低，且二者空间差异较小，存在较强的空间正相关；第四象限(即“高—低”关联区)表明空间单元属性值较高，邻近空间单元属性值较低，二者空间差异较大，存在较强的空间负相关。此外，Moran’sI的显著性检验通常采用z值来衡量，将其转化为标准化z值，在95%的置信度下，如果计算得到的z值大于1．96或小于-1．96，表示统计性显著[13]。

2.1.2 空间回归模型的建立

1988年AnselinL[14]提出空间计量经济学分析适用于横截面数据的空间线性模型通用形式如下：

y=ρw1y+xβ+μ

μ=λw2μ+ε

ε～N(0,σ2,In)

(3)

式中：β是外生(解释)变量x(n×k)相关的参数向量(k×1)，ρ是空间滞后w1y的系数，λ是干扰项ε的空间自回归结构w1ε的系数，w1(n×n)、w2(n×n)分别与因变量的空间自回归过程和干扰项ε的空间自回归过程相关，可以是行标准化的矩阵，也可以是二元矩阵或其他非标准化矩阵。

当将上式(3)中参数的不同子向量设为0时，可以产生4个常见的空间模型结构，分别与下列情形相对应[15]：

(1) 当ρ=λ=0时，为传统的回归模型，说明模型中不存在空间特性的影响；

(2) 当ρ≠0，β=λ=0时，为一阶空间自回归模型。该模型类似时间序列分析中的一阶自回归模型，反映了变量在空间上的相关特征，即所研究区域的被解释变量如何受到相邻区域被解释变量的影响；

(3) 当ρ≠0，β≠0，λ=0时，是混合回归——空间自回归模型，即可见滞后模型。该模型中，所研究区域的被解释变量不仅与本区域的解释变量有关，还与相邻区域的解释变量有关；

(4) 当ρ=0，β≠0，λ≠0时，为残差空间自回归模型，即空间误差模型，此时该模型可以改写成：

(In-λw)y=(In-λw)xβ+ε

即所研究区域的被解释变量(y)不仅与本区域解释变量(x)有关，还与相邻区域的被解释变量(表现为wy)以及解释变量(表现为wx)有关。

2.1.3 废水排放量影响因子

贵州省工业化、城镇化的进程，以及经济社会的发展状况，不仅影响着各县域的经济发展速度，同时对贵州省各县的环境状况(即废水的排放量)也有很大程度的影响。同时开发建设强度也在一定程度上影响着社会经济的发展，从而也是贵州省各县的废水排放量影响因素之一。因此，本文选取人口密度，城镇人口密度、单位国土面积的GDP、第一产业密度、第二产业密度等8个因素作为影响贵州省各县废水排放量的驱动因子(见表2)。

表2 废水排放量影响因子

表2(续)

2.2 数据来源

(1) 贵州省各县常住人口、城镇人口、GDP、第一、二、三产业增加值数据来源于2005—2010年的《贵州统计年鉴》；

(2) 建设用地面积数据是通过对贵州省2005、2010年三期Landsat5TM遥感影像数据(分辨率30m)遥感解译获得；

(3) 废水排放量数据主要来源于《贵州统计数据》；

(4) 各县公路里程数据来源于贵州省交通厅提供的2005年、2010年《贵州省地方交通统计资料》。

3 结果与分析

3.1 废水排放量的空间自相关检验

首先通过GeoDa软件和公式(1),计算得到 2005年、2010年贵州废水排放量的Moran’sI指数分别为0.495 408和0.506 446，并生成贵州省2005年、2010年Moran’sI的散点图(见图1)，说明贵州省县域废水排放量的分布并非随机分布，空间集聚特征明显。

其次，对2005年、2010年贵州省废水排放量的Moran’sI检验是否明显，p值为0.001，说明在99.9%置信度下的空间自相关是显著的 (见图2)。

为了更直观的表现贵州县域废水排放量的空间分布情况，利用GeoDa软件和公式(2)得到贵州省2005年、2010年的局部空间自相关LISA集聚图。其中，用不同的颜色深浅度来表示空间的集聚形式，相对于2005年来讲，2010年贵州省废水排放量H-H集聚区在不断的扩大，而L-L区在不断的减小。具体来说，2010年贵州省废水排放量H-H区域主要

(a) 2005年

(b) 2010年图1 贵州省废水排放量Moran’s I散点图

分布在黔中经济核心地区，包括：贵阳南明、云岩、乌当、观山湖、白云、花溪、清镇7个区；L-L区域主要分布在东部地区，包括：道真、务川、德江、凤冈、思南、印江、施秉、天柱、黎平、榕江、荔波12个县；而西部地区基本不变(见图3、4)。

(a) 2005年

(b) 2010年图2 全局空间自相关系数检验

3.2 社会活动指标的空间自相关检验

以贵州省废水排放量和社会活动指标为变量，计算双变量的Moran’s I值(见表3)并绘制双变量的LIAS图，通过表3可以发现，所有Moran’s I均为正数，说明贵州省废水排放量与各社会活动变量在空间上存在着正相关关系，并通过双变量LISA图看出经济增长与社会活动的8个图中，处于H-H象限的有贵阳市云岩区、南明区、白云区、观山湖区,这些区域恰恰是黔中经济发达区，人口较为密集，生活污水排放较多，而L-L象限的有望谟县、罗甸县、平塘县、三都县、独山县等，大部分集中黔南经济较为落后地区，显示出县域之间的确存在着空间的相关性(见图5)。

图3 2005年LISA集聚图

图4 2010年LISA集聚图

表3 污水排放量与各驱动因子的双变量Moran’s I

图5 2010年污水排放量与各社会经济因子之间的双变量LISA

3.3 空间计量分析

对贵州省2010年废水排放量建立经典线性回归模型和空间自回归模型，并通过两模型的回归系数、标准误差、t值、p值以及类决定系数R2和LIK进行分析比较，确定贵州省2010年废水排放量的较优模型。

3.3.1 普通OLS回归模型检验

以贵州省各县废水排放量为因变量，上述社会活动中的8个因子为自变量，对2010年数据，建立经典线性回归模型，结果显示拟合度为0.5812(见表4)。 从t值可以看出，对贵州省单位国土面积废水排放量影响较显著的因子为第三产业增长密度、GDP密度、第二产业增长密度以及城镇人口密度。而影响较不显著的有第一产业密度、建设用地密度以及交通路网密度。

表4 经典线性回归模型

(注：R2=0.581 2；最大似然对数值LIK=-2 522.185)

3.3.2 空间滞后模型

选取与表4相同的自变量，对贵州省废水排放量的变化建立空间滞后模型a(见表5)。对于比较不同空间模型的拟合度，一般选用LIK(或AIC或SC)指标来确定[12]。比较表4和表5中的R2和最大似然对数LIK，相比经典线性回归模型中的R2(0.581 2)和最大似然对数LIK值(-2 522.185)，空间滞后模型a中R2(0.615 35)和最大似然对数LIK值(-627.302)都较大，这表明建立空间滞后模型a要比经典线性回归模型更优。但空间滞后模型a中的城镇人口密度、第一产业密度和交通路网密度3个变量不显著(p>0.05)，故剔除这3个不显著变量再建立空间滞后模型b(见表6)。对表5和表6进行分析，剔除不显著变量后的类决定系数R2和最大似然对数LIK值变化不大，类决定系数R2分别为0.615 35和0.614 98，最大似然对数LIK值分别为-627.302 和-627.109，但剔除不显著变量后的模型的所有变量均显著(p<0.05),故剔除不显著变量的模型较优。

表5 空间滞后模型a

(注：类决定系数R2=0.615 35；最大似然对数值 LIK=-627.302)

表6 空间滞后模型b

(注：类决定系数R2=0.614 98；最大似然对数值LIK=-627.109)

表6显示，影响贵州省废水排放量最大的是第三产业密度，其中，第三产业中的商业饮食、旅游业是导致贵州省各县废水排放量增加的主要因素。未来要减少贵州省废水排放量，首先从第三产业中的商业饮食和旅游业发展管理抓起，加强污染物排放的管理，落实各产业治污的达标措施；其次是人口密度，随着城市化的快速发展，相关部门也要加大城市生活污水排放的管理；第二产业密度对贵州省废水的排放影响相对较小，但在大力推进工业化发展的同时也要抓好工业企业污染治理。

4 结果与讨论

(1) 对贵州省县域废水排放量的空间自相关分析，表明我省废水排放的空间集聚特征较为明显，主要表现为排放量较高的地区与排放量较高的地区集聚(H-H)，集中在第三产业较发达，人口较密集的黔中地区；排放量较低的地区与排放量较低的地区集聚(L-L),集中在经济欠发达，人口较稀少的黔东地区。

(2) 对贵州省废水排放量和社会活动指标双变量空间自相关分析，表明贵州省废水排放量与各社会活动变量在空间上存在着正相关关系，处于H-H象限也恰恰是黔中经济发达区，人口较为密集，生活污水排放较多，而处于L-L象限的大部分集中在黔南经济较为落后地区，显示出县域之间的确存在着空间的相关性。

(3) 通过对经典线性回归模型和空间自回归模型的分析，可以看出，影响贵州省废水排放量的社会活动因子中，第三产业的发展影响最大，其次是人口密度和第二产业。

虽然本研究尚未全面考虑到影响贵州省废水排放量的各因素，但总体来讲，本文提出的贵州省废水排放量自相关与回归模型都具有较高的解释水平，能够较好的拟合贵州省废水排放量与各社会经济发展之间的相互关系。另外，影响废水排放量的因素复杂，单一的模型不可能全面的解释废水排放量的空间分布和变化。尤其是第三产业结构复杂，本文还不能通过对贵州省废水排放量的自相关和回归模型分析出影响第三产业的具体因素。 因此，建议后续工作中需要进一步确定影响贵州省废水排放量的因子和具体分析第三产业中主要影响废水排放量的因素等。

[1] Grossman G M,Krueger A B.Environmental Impacts of a North American Free Trade Agreement[D].Princeton：Wood-row Wilson School, 1992.

[2] Shafik N,Bandyopadhyay S.Economic Growth and Environmental Quality: Time-Series and Cross-Country Evidence.Background Paper for the World Development Report[R]. the World Bank,Washington DC,1992.

[3] Selden T M,Song D S. Environmental quality and development:Is there a Kuznets Curve for air pollution emissions [J].Journal of Environmental Economics and Management,1994,27(2):147-162.

[4] Panayotou T.Demystifying the Environmental Kuznets Curve:Turning a black box into a policy tool[J].Environment and Development Economics,1997(2):465-484.

[5] 周静,杨桂山.江苏省工业废水排放与经济增长的动态关系[J].地理研究,2007,26(5):931-939.

[6] 王立平,管杰,张纪东.中国环境污染与经济增长:基于空间动态面板数据模型的实证分析[J].地理科学，2010,30(4):1-7.

[7] 李岩岩,赵湘莲,陆敏.我国经济增长与环境污染、碳税关系的空间计量分析[J].工业技术经济,2012,229(11):1-9.

[8] 刘燕,潘杨,陈刚.经济开放条件下的经济增长与环境质量-基于中国省级面板数据的经验分析[J].上海财经大学学报,2006,8(6)：48-55.

[9] 王腊春,霍雨,朱继业,等.区域经济发展与污水排放协调分析[J].环境科学，2008,29(3)：593-598.

[10] 范定祥,廖进中.城镇生活污水排放与区域经济发展的实证研究[J].湖南工业大学学报, 2010,24(6):72-76.

[11] 田禹,高宗军,崔浩浩,等.山东省城镇化发展与污水排放量及地下水资源问题[J].水资源保护,2013,29(1):73-76.

[12] 谢花林,刘黎明,李波,等.土地利用变化的多尺度空间自相关分析—以内蒙古翁牛特旗为例[J].地理学报,2006,61(4):389-400.

[13] 封磊,洪伟,吴承祯,等.福州市人口分布的空间自相关分析[J].江西农业大学学报,2008,30(3):569-574.

[14] Anselin L. Spatial Econometrics: Methods and Models[M]. Dordrecht: Kluwer Academic Publishers, 1988.

[15] 欧变玲,龙志和,林光平.空间滞后模型中Moran′s I统计量的Bootstrap检验[J].系统工程理论与实践,2010,30(9):1537-1544.

Correlation analysis between wastewater discharge of counties and socioeconomic development in Guizhou

Yang Li， Zhao Cuiwei

(School of Geography and Environment Sciences, Guizhou Normal University, Guiyang, 550001, China)

With the accelerating development of social economy, the wastewater emission was also constantly increasing, making the environmental quality greatly worsen. Then it caused the retroaction on socioeconomic development and limited the sustainable development of socioeconomic finally. For a less-developed region, it was very important to make clear the relationship between social economy and environmental protection. This paper explored the influencing factors of wastewater emission, by the spatial econometric methods based on 88 counties’ panel data in Guizhou in 2005 and 2010. A classical linear regression and spatial lag model of wastewater emissions variation in Guizhou were established, and the results show that third industry development was the main reason for the increase of the wastewater emission.

wastewater discharge；spatial autocorrelation；spatial econometric analysis

* 贵州社发攻关项目(黔科合SY字〔2013〕3168号)

2014-08-24;2014-10-21修回

杨莉，女，1987年生，硕士研究生，研究方向：土地规划与生态环境。E-mail: 947887962@qq.com

赵翠薇，教授，博士后，研究方向：土地规划与生态环境。E-mail:zhaocuiwei@sohu.com

X22

A