京津冀工业污染的空间特征及供给侧减排效果

韩 楠, 范博一, 罗新宇

(燕山大学 经济管理学院,河北 秦皇岛 066004)

京津冀地区经济快速发展的同时,环境问题也日益凸显,以牺牲环境为代价的经济增长模式不可持续。供给侧结构性改革旨在调整经济结构,实现要素最优配置,是工业绿色发展的新动力。因此,把供给侧改革与环境保护结合起来,从供给侧改革视角分析供给侧要素对京津冀工业污染的减排影响,实现要素最优配置的同时控制环境污染,对于解决京津冀区域经济发展问题具有重要的理论和现实意义。

国内外学者针对工业污染的空间特征和供给侧减排进行了相关研究。工业污染的空间特征主要集中于两个方面:第一,在对反映工业污染情况的主要指标进行综合评价的基础上,用聚类分析等方法对工业污染的空间分布进行实证研究[1-2];第二,考虑空间的相关性,从空间互动视角探索各地区工业污染的空间关联性和空间集聚性特征[3-4]。关于供给侧减排的相关研究主要集中在:第一,基于经济增长的动力视角,探讨劳动力、资本、土地、创新、制度五大要素对污染排放的影响[5-6]。第二,从经济结构视角,即产业化解过剩产能、政府环境规制等层面剖析供给侧结构性改革下的节能减排[7-8]。

本研究在分析京津冀工业污染空间分布特征的基础上,构建工业污染与供给侧要素间的空间计量模型,研究资本、劳动力、科技创新和政策调控等供给侧要素对京津冀工业污染的减排效果,以期为降低工业污染排放,实现京津冀经济与环境的协调发展提供理论参考。

1 京津冀工业污染的空间分布特征

1.1 研究方法

运用探索性空间数据分析方法对京津冀工业污染的空间相关性及集聚效应进行分析。探索性空间数据分析主要是利用空间相关性检验来探索经济活动的空间格局和分布特征,包括全局空间相关性检验和局域空间相关性检验。

1.1.1 全局空间相关性检验

全局空间相关性是从区域空间的整体上反映工业污染空间分布集群情况,包括Moran指数和Geary指数。本研究使用Moran指数检验京津冀工业污染是否存在全局空间相关性。Moran指数由Moran1950年最早提出,可以反映区域空间邻接或邻近的单元属性值的相关程度[9]。Moran指数I的计算公式如下:

式中:Wij——城市i和城市j的邻近关系。根据相邻标准,Wij的构建原则为:

Moran指数的取值在[-1,1]之间,其中,I>0表示正相关,单元间存在相似属性;I<0则为负相关,具有不相似属性[10]。

1.1.2 局域空间相关性检验

局域空间相关性检验可以揭示各地区的局域空间相关性特征和局域空间集聚性,本研究采用Moran散点图检验京津冀工业污染的局域空间相关性以及局部地区是否存在集聚效应。Moran散点图分析是对上述全局Moran指数I的计算公式进行改写:

Moran散点图是以(Wz,z)为坐标点的二维图,用来描述局域空间相关性,从而反映各城市工业污染的空间集聚特征。Moran散点图将各城市的工业污染集群分为四个象限:第一象限(高-高,H-H)代表高工业污染的城市被同是高工业污染的其他城市所包围;第二象限(低-高,L-H)表示低工业污染的城市被高工业污染的其他城市所包围;第三象限(低-低,L-L)表示低工业污染的城市被同是低工业污染的其他城市所包围;第四象限(高-低,H-L)表示高工业污染的城市被低工业污染的其他城市所包围。Moran散点图中第一、三象限体现出正的空间自相关性,第二、四象限体现出负的空间自相关性。

1.2 空间特征分析

选取2010—2018年京津冀13个城市的工业废水排放量、工业二氧化硫排放量以及工业烟尘排放量3个指标作为评价各城市工业污染状况的指标,具体数据来源于《中国城市统计年鉴》。首先,应用熵值法计算工业废水排放量、工业二氧化硫排放量以及工业烟尘排放量的指标权重。熵值法的计算步骤不再详细阐述。其次,将2010—2018 年京津冀各城市的工业污染数据进行无量纲化后,分别乘以该年每种工业污染指标的权重,计算得到2010—2018年13个城市的工业污染综合指数。京津冀13个城市工业污染综合指数2010—2018年的平均值如图1所示。由图1可以看出,京津冀工业污染最高的城市是唐山市,最低的城市是衡水市。为了能够更为直观地反映出京津冀13个城市工业污染状况的地理特征,将各城市工业污染综合指数按照高、中、低进行分类,绘制出京津冀工业污染综合指数平均值分类的地图,如图2所示。由图2可以看出,京津冀工业污染状况可分为高、中、低三个等级;其中,低值范围是环境污染综合指数在[0.057 1,0.121]区间的城市;中值范围是环境污染综合指数在[0.123,0.26]区间;高值范围是环境污染综合指数在[0.377,0.901]之间。从区域分布来看,京津冀工业污染整体上呈现出东北部、西南部的工业污染高值区以及中南部的工业污染低值区。其中,工业污染最高的城市有四个,主要集中在东北部区域的唐山和天津,以及西南部区域的石家庄和邯郸;工业污染较低的主要是中南部的衡水、沧州和廊坊等城市;工业污染中等城市主要包括承德、北京、张家口、保定、秦皇岛、邢台等。

图1 2010—2018年京津冀工业污染综合指数均值

图2 2010—2018年京津冀工业污染综合指数均值的分类

运用Geoda软件,使用Moran指数和Moran散点图对京津冀工业污染的空间相关性及分布特征分别进行全局和局域空间相关性计算。根据公式(1)计算得出,2010—2018年京津冀工业污染的Moran指数,计算结果如图3所示。从图3可以看出,2010—2018年京津冀工业污染的Moran值均大于0,虽呈现小幅波动,但空间集聚特征基本保持稳定。因此,从全局上看,京津冀13个城市的工业污染在空间地理分布上表现出较强的正自相关性,存在一定的空间集聚特征。

图3 2010—2018年京津冀工业污染的Moran指数

在分析全局空间相关性的基础上,采用Moran散点图检验京津冀13个城市工业污染的局域空间相关性特征。因篇幅所限,本研究只列示2010年和2018年13个城市工业污染的Moran散点图及各城市的分布情况,见图4、图5和表1。

图4 2010年京津冀工业污染的Moran散点图

图5 2018年京津冀工业污染的Moran散点图

表1 Moran散点图市域分布情况

由图4、图5和表1可以看出,2010—2018年各象限的城市基本保持稳定。以2018年为例,有2个城市位于第一象限(高-高);4个城市属于第二象限(低-高);5个城市位于第三象限(低-低);2个城市位于第四象限(高-低)。其中,第一、三象限的城市占样本总数的54%,进一步证实了Moran指数的计算结果,说明京津冀工业污染呈现正的空间相关性。特别是第三象限低值集聚区的城市占总数的38%,各市域工业污染存在显著的空间正相关性,呈现相似的集聚特征。此外,对比2010年和2018年各城市的变化情况,由于秦皇岛的邻近城市唐山工业污染增长幅度较大,使得2018年秦皇岛与唐山工业污染产生较大差距,导致秦皇岛市从第三象限的低-低集聚跃迁到第二象限的低-高集聚区域。

2 京津冀工业污染的供给侧减排效果分析

从生产要素的角度,供给侧包括资本、劳动力、土地、创新和制度等五个生产要素[11-12]。供给侧的本质是资本、劳动力和创新等生产要素的组合与配置,供给体系所存在的问题本质上就是生产要素低效率、低质量的“错配”。供给侧要素的优化配置能够提高全要素生产率的同时,从源头以尽可能少的能源消耗和环境破坏来实现经济可持续发展。资本、劳动力、创新和政策调控等供给侧要素对工业污染排放会产生直接或间接的影响。因此,本研究从供给侧的生产要素出发,构建空间计量模型,研究供给侧要素对降低京津冀工业污染的影响效果。

2.1 模型构建

从上述分析可以发现,京津冀各城市工业污染呈现空间相关性特征,因此,可以引入空间因素建立空间计量模型对京津冀工业污染与供给侧要素间的关系进行研究。参考已有的研究[13-14],从供给侧的生产要素出发,选取资本、劳动力、科技创新和政策调控等因素分析供给侧对京津冀工业污染减排的影响。空间计量模型包括空间滞后模型(SLM)和空间误差模型(SEM)两种基本形式。

SLM模型主要分析各变量在某一城市是否存在溢出效应,表达式为:

式中:P——工业污染综合指数;K作为衡量资本供给的指标,以人均能源工业投资表征,即能源工业投资/总人口,元/人;L——劳动力供给,用第二产业从业人员的比重来衡量,%;T——创新供给的指标反映科技创新水平,采用专利申请授权量的对数;G——政策调控因素,选用财政支出占GDP的比重,%;ε——随机误差项;i——代表城市;t——代表年度。W——空间权重矩阵,仍选用0～1 空间权重矩阵;ρ——空间滞后系数,反映空间分布上相邻城市的工业污染对本城市的影响;W*Pit为空间滞后因变量。

SEM模型主要通过探讨误差项的变化来分析各城市的空间相关性,表达式为:

式中:λ——空间误差系数,度量相邻城市的工业污染对本城市的影响方向和程度, SEM模型的空间作用主要存在于扰动误差项。μ——正态分布的随机误差向量,其他变量同上。

2.2 实证分析

选取2010—2018年京津冀13个城市作为样本,原始数据来自《河北省统计年鉴》《北京市统计年鉴》和《天津市统计年鉴》。其中,2010—2017年各城市的能源工业投资通过统计年鉴直接获取,但由于统计口径的变化,2018年数据使用工业固定资产投资代替。通过Matlab软件分别估计了无固定效应、空间固定效应、时间固定效应、时间和空间双固定效应,计算结果显示,无固定效应模型的拟合优度和对数似然值最高,是最优回归模型。由于篇幅所限,仅列示无固定效应模型的结果,见表2:

表2 空间滞后模型和空间误差模型估计结果

进一步计算空间相关性LM检验得出,LMERR(2.090 1)较之LMLAG(0.211 4)在统计上更加显著,并且在1%的显著性水平下,Roust LMERR显著而Roust LMLAG不显著。因此,根据Anselin和Florax提出的模型判别准则,SEM模型比SLM模型对样本更具有解释力,是最优模型。通过表2可以发现:

第一,空间滞后系数的估计值为0.218 9,且通过5%的显著性水平检验,说明京津冀工业污染存在显著的空间作用和正向的空间溢出特征。正的空间溢出效应意味着,京津冀某一城市的工业污染会影响到其相邻的其他城市。

第二,资本供给的估计系数在1%的显著性水平下显著为正,说明能源工业投资对京津冀工业污染排放的增加产生了重要影响。工业投资增长必然会带来经济的扩张,从而加重能源的消耗量和污染物的排放量。在其他因素不变的情况下,人均能源工业投资每增加(或减少)1%,工业污染会增加(或减少)0.249 6%。

第三,劳动力供给对京津冀工业污染的回归系数为0.682 1,通过了1%的显著性水平检验,这意味着京津冀工业污染与第二产业从业人员之间呈现显著的正相关关系。第二产业从业人员比重每增加(或减少)1%,京津冀工业污染会增加(或减少)0.682 1%。2010—2018年,北京和天津第二产业从业人员比重呈现大幅下降趋势,河北省除了廊坊、唐山和邯郸等市出现小幅增长以外,也整体呈现小幅下降趋势。可见,第二产业从业人员比重的降低对京津冀工业污染的减排效果显著。

第四,创新供给对工业污染的回归系数为-0.036 9,且在1%的统计水平下显著,说明专利授权数的增加对降低京津冀工业污染起到促进作用。技术创新驱动代替传统资源能源驱动能够提高京津冀绿色发展能力,对京津冀工业污染排放具有一定的抑制作用。

第五,政策调控在1%的统计水平下显著,政策调控对京津冀工业污染的回归系数为-2.106 3,表明京津冀工业污染与政策调控之间呈现负相关关系。财政支出占GDP的比重每增加(或减少)1%,工业污染会减少(或增加)2.106 3%。在供给侧要素中,政策调控对京津冀工业污染的减排效果最为显著。政府财政补贴属于市场激励型规制工具,通过加大政府财政补贴力度,利用市场机制能够有效地引导和激发企业主动制定绿色发展战略。

3 结论及建议

本研究在分析京津冀13个城市工业污染空间分布特征的基础上,构建工业污染与供给侧要素间的空间计量模型,研究资本、劳动力、科技创新和政策调控等供给侧要素对京津冀工业污染的减排效果。结论如下:

(1)2010—2018年,京津冀13个城市工业污染存在一定的空间正相关性,并在地理分布上显现出稳定的空间集聚特征。从区域分布来看,呈现出东北部、西南部的工业污染高值区以及中南部的低值区;其中,唐山、天津等东北部,石家庄、邯郸等西南部城市始终保持工业污染的高排放;而衡水、沧州、廊坊等中南部市域则形成了工业污染的低值集聚区。

(2)京津冀各城市工业污染存在显著的空间作用和正向的空间溢出特征,即京津冀某一城市的工业污染会影响到与其相邻的其他城市。

(3)京津冀工业污染与资本供给、劳动力供给呈现显著的正相关关系;与科技创新和政策调控呈现显著的负相关关系。从供给侧要素的减排影响力来看,各要素对京津冀工业污染减排效果的影响总体为:政策调控>劳动力供给>资本供给>创新供给。在供给侧各要素中,政策调控对京津冀工业污染的减排效果最为显著。

因此,根据上述分析结果,从供给侧角度提出以下进一步降低京津冀工业污染的建议:

(1)政府通过加大扶持力度,引导社会投资方向,鼓励劳动力从第一、二产业向第三产业转移,推动产业结构向节能型、高级化发展。北京和天津处于工业化后期,而河北省整体处于工业化中期阶段,京津冀产业结构转型升级的重点是河北省。河北省应充分利用京津的资源优势,引进优秀人才,加快产业结构优化升级。

(2)加强京津冀创新协作。加大对节能减排和新能源技术领域的科技创新支持,构建绿色经济发展的技术支撑体系。增加京津冀各城市之间的技术交流,有效发挥北京和天津的辐射作用。河北应抓住京津冀协同发展的有利契机,积极从京津引进资金与技术等重要资源,加快推进技术创新。

(3)强化政府宏观调控。政府应综合运用财政政策、行政命令等手段建立节能减排的长效机制。各级政府在制定产业结构调整、节能减排等政策时,应充分考虑到工业污染排放的空间相关性,建立京津冀区域合作机制,积极推进京津冀跨区域的环保合作。