城市扩张与水污染物排放的伴生效应与交互机理——基于2011—2015年长三角地区的实证检验

周 侃,陈妤凡,徐 勇,*

1 中国科学院地理科学与资源研究所,中国科学院区域可持续发展分析与模拟重点实验室,北京 100101 2 中国科学院大学资源与环境学院,北京 100049

城市扩张是城市化过程的重要表现,快速城市化过程意味着农村人口大规模向城市涌入,客观上要求增加城市不透水面以满足生产生活基本空间,由此造成生态空间被占用,改变区域原有生态环境系统结构,导致城市水环境退化、生物多样性减少等生态环境问题[1—3]。同时,城市扩张伴随着以工业生产和城市居住为代表的高强度、高密度生产生活活动,加速人为污染物排放进入有限容量的区域环境系统,不可避免地引发的环境污染问题[4—5]。因此,在快速城市化背景下,城市扩张的环境效应受到学术界和政策制定者的广泛关注,并普遍认为城市扩张导致污染物排放强度和规模迅速增长,对环境系统自然净化过程的扰动加剧,无序的城市扩张过程会引发区域生态环境发生结构失调、功能退化乃至系统崩溃等负向水环境效应已经成为共识。

国内外学者对城市化环境效应的研究主要集中在城市建设用地扩张的大气环境效应领域,研究选取二氧化硫、臭氧、细微颗粒物等典型污染物,使用建设用地扩张及其它经济社会因子,通过GIS和回归分析方法定量解析大气污染与城市土地利用关系[6—8],利用卫星遥感资料反演气溶胶特性分析了城市工业气体排放、交通污染、工程建设等各种人为因素引发的城市空气污染问题[9—11]。研究显示,城市用地分布决定大气污染物排放源的空间形态[12—14],建设用地作为主导因子,与城市空气污染成正相关关系[15—18]。针对城市化的水环境效应这一命题,既有研究主要通过取样、监测与模拟实验等方式,获取水污染物排放的基本评价数据,再运用空间计量、路径分析、冗余分析等方法解构城市扩张与水污染的相互作用机制[19—25]。实证研究表明,城市用地结构与大部分水污染物排放有较好的空间相关性[26—28],非农建设用地扩张和耕地面积收缩在不同程度上影响水污染物排放强度,从而增加工业区和城市生活区水体中的氨氮、有机物、重金属等污染物负荷[29—31]。还有研究揭示了城市化和工业化对环境污染物排放的空间效应,城市群地区的环境污染更多是区域性的空间溢出污染[32—34],不同城市化进程表现出不同的环境污染变化特征,相邻地区污染物排放显示出类似的污染模式或变化特征[35—37]。

由此可见,城市化进程加快和城市规模扩大在促进经济发展的同时,也加重了城市水资源和水环境负荷,揭示城市扩张与水污染物排放之间的伴生效应与空间交互机理是城市化水环境效应研究的重要议题。但是,现有研究未能有效刻画城市用地扩张对污染排放的作用强度及空间分异规律；通常采用建设用地规模表征城市扩张过程,该指标还涵盖纳入乡村居住用地、交通运输用地、水利和能源设施用地等非城市扩张属性的用地类型,难以更准确体现实际城市扩张过程造成的环境污染；忽视从空间视角解析城市群内部城市扩张的区域性污染效应,需要进一步深化二者空间耦合机理研究。鉴于此,本文选取长三角地区为案例,融合水污染物排放、土地利用、人口经济等多源数据,刻画快速城市化阶段县域尺度水污染物排放的时空特征,利用空间计量模型定量解析城市扩张与水污染物排放的伴生效应及其空间交互机理,以期为进入城镇化后期阶段后区域污染物减排政策及环境高质量发展路径制定提供科学参考。

1 数据来源与研究方法

1.1 案例区概况与数据来源

长江三角洲(以下简称长三角)地区包括上海市、江苏省、浙江省、安徽省全域(图1),区域总面积35.8万km2。长三角地区是中国经济实力最强的区域之一,是引领长江经济带乃至全国经济发展的重要引擎。2015年,长三角地区的常住人口2.21亿,国内生产总值16.01万亿元,分别占全国的16.06%和23.36%。2011—2015年间,长三角地区城市化率实现了从60%向65%的快速增长,在快速城市化进程中城市群聚集作用持续增强。但同时,城市扩张及高强度资源能源消耗过程,导致长三角地区下垫面快速改变,大量农用地转为建设用地,水污染物排放总量大、单位面积排放强度高,占全国4%的国土空间却承载着全国21.21%的废水排放量,反映出在实现快速城市化和工业化的同时,长三角地区江河湖海纳污体量大,水环境污染问题突出,区域性水生态失衡严重[38],局部地区甚至威胁到了居民饮用水安全。

图1 案例区位置及地形水系图Fig.1 Location,topography and water system of Yangtze River Delta

本文以长三角地区县域为基本单元,建立了2011—2015年土地利用现状、水污染物排放和社会经济数据库,县域单元包括县、区和县级市3类县级行政区。主要数据及来源如下：各级行政区划数据,从国家基础地理信息系统网站获取；县域土地利用现状数据,从国土资源部门搜集；污染物排放和社会经济数据,主要从《中国县域统计年鉴》和《上海市统计年鉴》、《江苏省统计年鉴》、《浙江省统计年鉴》、《安徽省统计年鉴》中获取,并对其中33个数据不完整或缺失的县域单元,进一步获取所在地市统计年鉴和县域统计公报补齐。

1.2 研究方法与指标选取

1.2.1伴生效应参数估计模型

根据水环境污染的空间流动性特点和理论分析可以发现,城市扩张的水污染物排放具有空间溢出效应,故在参数估计时将构建空间计量模型进行分析。首先,构建空间滞后模型(spatial lag model,SLM)、空间误差模型(spatial error model,SEM)和空间杜宾模型 (spatial Durbin model,SDM)3种不同的形式,然后,结合LM检验结果以及空间效应分解要求,选取其中的较优模型[39—40]。各模型的特点与表达形式如下：

(1)SLM模型。当存在内生交互效应(WY)时,需要在一般线性回归模型中加入被解释变量的空间滞后项,转化为SLM模型,表达式如下：

Y=ρWY+αIN+Xβ+ε;ε—N(0,δ2IN)

(1)

(2)SEM模型。当存在误差项的交互效应(Wμ)时,也就是说模型误差项存在空间自相关时,需要加入空间相关的误差项,转化为SEM模型,表达式如下：

Y=αIN+Xβ+λWμ+ε;ε—N(0,δ2IN)

(2)

(3)SDM模型。对SLM和SEM模型综合后的形成SDM模型,模型包含了内生交互效应(WY)和外生交互效应(WX),表达式如下：

Y=ρWY+αIN+Xβ+WXθ+ε;ε—N(0,δ2IN)

(3)

式中,Y为被解释变量；X为外生解释变量矩阵；IN为单位向量；ρ为空间自回归系数；λ为回归残差之间的空间自相关系数；β、θ待估参数向量；W为空间权重矩阵；ε为随机误差向量。当θ=0 时,SDM 模型退化为SLM 模型；当θ+ρβ=0 时,则SDM模型退化为SEM 模型。

1.2.2空间耦合性分析方法

为进一步刻画城市扩张与水污染物排放的空间耦合关系,在传统莫兰指数(Moran′ sI)的基础上,拓展了双变量全局和局部自相关分析[41],公式如下：

(4)

1.2.3空间交互机理测度模型

空间交互作用通常是指单个空间单元某个变量变换所导致的空间影响,不仅包括直接交互(本地效应),即单个区域某个变量变动对本地的影响程度,以及间接交互(空间溢出效应),即单个区域某个变量变动对其它区域的影响程度[42—43]。在SDM模型估计时,可进一步通过偏微分方法,直接计算得到变量的直接交互和间接交互作用。首先,将公式(3)右侧的ρWY移动至方程左侧,得到：

(1-ρW)Y=αIN+Xβ+WXθ+ε

(5)

然后,将方程两侧同乘以空间乘子矩阵(I-ρW)-1,得到：

Y=(I-ρW)-1αIN+(I-ρW)-1(Xβ+WXθ)+(I-ρW)-1ε

(6)

最后,对各个解释变量求偏导数,得到：

(7)

由偏导理论可知,SDM模型中自变量XK的直接交互效应等于自变量系数βK,反映本地区解释变量对本地的实际影响；间接交互效应等于自变量空间滞后项WXK的系数θK,反映本地区解释变量对其他地区的空间溢出影响。

1.2.4指标选取与变量说明

本文选取的变量主要包括水污染物、城市扩张规模以及其他相关控制变量,选择2011—2015年长三角地区305个县域单元数据进行研究。指标选取与变量说明如下：

(1)被解释变量。长三角地区水环境问题突出,2015年长三角地区地表水国控断面共231个,水质符合Ⅲ类的断面比例仅45.27%,远低于全国平均水平64.5%的同期标准[44],不达标断面主要分布于苏州河、钱塘江、黄浦江等主要河流流经的核心城市,以及太湖、淀山湖、阳澄湖等集中分布的都市圈临近区域,影响水环境质量状况的主要污染指标为化学需氧量(COD)、氨氮(NH3-N)、总磷、高锰酸钾指数等。本文拟选取COD和NH3-N作为被解释变量,原因如下：其一,这两类特征污染物一直被中央和研究区内各级环境主管部门列为控制排放的主要指标,在统计上具有一定的时间连续性；其二,长三角作为高度城市化和工业化地区,承担着以城市居住和工业生产为代表的高强度人类生产生活活动,是这两类特征污染物的主要污染源；其三,长三角地区的COD和NH3-N排放高、负荷重,在长江流域乃至全国的水污染物减排中承担主要份额,相较于其它水污染物指标,减排控制要求更为严格。

(2)核心解释变量。城市扩张是城市建设和城市功能运转所需要的建设用地规模增长的过程,是快速城市化和城市现代化的必然结果。本文选取城市扩张规模(UES)作为核心解释变量,剔除了县域年末建设用地中的乡村居住用地等用地类型,采用城镇住宅用地、商服用地、工矿仓储用地、市政基础设施与公共服务设施用地等各类城市建设用地面积求和得到。

(3)控制变量。为增加模型的稳健性,进一步选取其它可能影响水污染物排放的社会经济指标作为控制变量(表1)。其中,POP为年末常住人口数,表征城市人口规模；PGDP为人均GDP,表征城市经济发展水平；IS为第二产业增加值占GDP比重,表征产业结构与城市工业化水平；FDI为外商直接投资,表征城市经济市场开放程度；FAI为全社会固定资产投资,表征国内资金投资规模与资产再生产能力。此外,为考察地理区位对水污染物排放的影响,还设置了沿海区位(Dist-coast)和沿江区位(Dist-yangtze)变量,分别用县域到海岸线的最近距离、县域到长江干流的最近距离表示。

表1 主要变量的描述性统计Table 1 Descriptive statistics of main variables

进一步检验被解释变量与所有解释变量的相关性发现(表2),UES作为本文核心变量,其与COD和NH3-N的正相关性较强,且通过1%水平的显著性检验；其余控制变量均在不同程度与COD和NH3-N相关,POP属于强相关,其余变量则属于弱或极弱相关。此外,所有解释变量的VIF均小于10,表明解释变量之间不存在多重共线性,并不会影响空间计量模型分析。

表2 皮尔逊相关性检验和VIF共线性检验结果Table 2 Pearson correlation analysis and VIF test

2 结果分析

2.1 时空特征分析

县域河流或湖库断面水污染物浓度超标指数测算显示(表3),长三角地区的COD和NH3-N总体处于临界超标状态,两类污染物浓度超标县域的比重分别为18.93%和16.43%,临界超标县域的比重分别为35.71%和25.36%。再绘制特征污染物与总体超标指数的散点图(图2),发现COD和NH3-N同水污染总体超标的相关性较强,表明这两项特征污染物能够有效反映长三角地区水污染的时空特征

表3 特征污染物浓度超标状态Table 3 Exceeding standard status of particular pollutants potency

图2 特征污染物浓度超标与总体超标指数的散点图Fig.2 Scatter plot of exceeding standard index between particular pollutants and all pollutantsCOD:化学需氧量 Chemical oxygen demand;NH3-N:氨氮 Ammonia nitrogen

由表4的县域尺度分析发现,2011—2015年间长三角地区的水污染物排放规模显著下降,COD排放总量从315.02万t减排至184.73万t,5年间减少了41.36%,NH3-N排放量从41.90万t减排至27.01万t,减少了35.54%。进一步对比显示,县域单元的水污染物排放强度也呈下降态势,2011年县域的COD和NH3-N排放强度均值分别为10328.42t和1373.67t,到2015年二者的均值分别降至6056.58 t和885.50 t。对比各省市发现,5年间江苏省COD和NH3-N排放量占长三角地区的总量维持在40%左右,两类污染物减排的贡献率分别为34.93%、34.11%,体现出江苏省在长三角地区水污染物排放的份额较大、且减排效果较突出。

表4 2011—2015年长三角地区水污染物排放对比Table 4 Water pollutant emissions in Yangtze River Delta from 2011 to 2015

按<2500t、2500—5000t、5000—10000t、10000—15000t和≥15000t将县域的COD排放强度由低至高依次分为I、II、III、IV和V五级；按<250t、250—500t、500—1000t、1000—2000t和≥2000t将县域的NH3-N排放强度也依次分为I—V五级,由此得到2011—2015年县域排放强度的空间分布图。如图3、4所示,长三角地区水污染物排放呈现以下特点及变化：①县域排放强度等级整体降低,COD和NH3-N的高强度排放县域显著减少,低等级排放县域明显增加,其中,有58个县域COD排放强度下降2级及以上等级、130个县域COD排放强度下降1级,有30个县域NH3-N排放强度下降 2级及以上等级、138个县域NH3-N排放强度下降1级；②高强度、连片式排放格局发生显著变化,COD排放等级为V级和IV级、即排放强度在1万t以上的县域从128个减少至43个,NH3-N排放等级为V级和IV级、即排放强度在1000t以上的县域从179个减少至100个,尤其是V级高排放县域,从2011年在上海及杭州、合肥、南京3个省会城市以及滨海区域、北部区域的大范围连片分布收缩,形成了2015年的零散分布格局；③县域排放强度具有由中心城区向外围区域递增态势,这初步显示出城市扩张过程与水污染物排放的空间关联,另外,通常在邻近省级或地市级行政边界的县域,其排放强度相对地市内部的县域偏高。

图3 2011—2015年县域COD排放强度分级图Fig.3 Classification of COD emissions intensity of counties from 2011 to 2015

图4 2011—2015年县域NH3-N排放强度分级图Fig.4 Classification of NH3-N emissions intensity of counties from 2011 to 2015

进一步地,以10 km作为缓冲距离,分别统计县域在海岸线和长江干流岸线不同距离下的COD和NH3-N排放量。结果显示,距离海岸线和长江干流越远,水污染物排放整体呈递减趋势,即沿海、沿江县域的水污染物排放量与处于内陆腹地的县域相对较高。其中,距离海岸线100km以内的县域,其COD和NH3-N排放量分别占长三角地区总量的43.69%、50.34%；距离长江干流50km以内的县域,其COD和NH3-N排放量分别占排放总量的47.28%、42.27%。如图5、6所示,不同距离下的COD和NH3-N排放量呈对数曲线关系,距离海岸线和长江干流越近则水污染物排放量增大的趋势越强。此外,2011—2015年间,COD和NH3-N排放在不同距离下呈现一定波动,波动趋势整体较为相似,2015年的排放量较2011年降低明显,拟合的对数曲线也相对趋于平缓。

图5 距海岸线不同距离的县域COD和NH3-N排放量Fig.5 COD and NH3-N emissions of counties at different distance from coastline

图6 距长江干流不同距离的县域COD和NH3-N排放量Fig.6 COD and NH3-N emissions of counties at different distance from the Yangtze River为避免沿海区位可能的干扰,距长江干流不同距离的县域统计时未含沿海100km以内县域

2.2 伴生效应估计

在伴生效应估计前,首先进行拉格朗日乘数检验,优选拟采用的SLM、SEM或SDM模型。如表5所示,基于地理反距离矩阵的LM检验结果表明模型无法拒绝不存在空间滞后效应的原假设,但由于SLM模型中各因素的直接效应和间接效应的比值是一个固定常数,SEM模型不存在间接效应,建议在解释变量可能存在空间效应时,应优先考虑更灵活的SDM模型[39—40]。

表5 不同伴生效应估计模型的检验结果Table 5 Test results of the spatial econometric models

依据上述模型检验结果,可利用SDM模型对水污染物排放量进行伴生效应估计,结果如表6所示。SDM(1)、(3)、(5)和(7)的估计参数均显示,长三角地区城市扩张与水污染物排放的伴生效应十分显著,城市扩张规模是影响水污染物排放的主导因素。2011年,长三角地区的UES变量每增加1个百分点,将分别引起COD和NH3-N排放增加0.293%和0.319%；至2015年,UES与两类水污染物排放的伴生效应基本稳定,各估计模型中UES的弹性系数稳定在0.3—0.4之间。由此可见,长三角地区快速城市化过程中,大规模城市扩张意味着发挥城市生产生活功能的空间载体激增,直接推动经济社会要素流入城市,扩大城市化地区各类工业产能和生活活动规模,促进了城市生活源和工业源水污染物的高排放过程。

表6 伴生效应的SDM模型估计结果Table 6 Estimation results of SDM for associated effects

8个SDM模型的空间自回归系数ρ在1%水平上均正向显著,表明长三角地区的水污染物排放存在空间集聚和正向溢出效应,即地理距离相近的县域水污染物排放存在相互影响,本地水污染物排放的增加可直接导致邻近地区排放同步增加,但该溢出效应在2011—2015年整体呈下降趋势。结合SDM模型中的POP、PGDP、IS、FAI等控制变量对水污染物排放有不同程度的正向驱动可进一步做以下推断：一方面,由于本地和邻近的城市通常处于同一经济分工体系,城市之间的经济联系相对紧密,且具有相似的产业结构、生产技术和资本市场等,若引发高污染的高水耗和高能耗的生产要素集聚,将直接导致区域性的水污染物排放量增加,相反,绿色化生产要素的集聚则可能引起水污染物减排,由此使水污染物排放在空间上形成显著的溢出效应。另一方面,由城市扩张引起的污染物从局部扩散到相邻区域是客观上一直存在的,在集聚效益、规模效益、协作效益以及物流成本控制的综合影响下,在市场经济发育程度较高的长三角地区,进行远距离、跨区域城市化资源配置和工业化要素转移的可能性通常非常小。在多个变量的共同作用下,长三角地区的水污染物排放总量呈下降趋势,城市扩张导致的局部增量并未能改变整体的水污染减排趋势。

在增加区位变量后,Dist-coast和Dist-yangtze变量的回归系数均为负,即长三角地区距离海岸线或长江干流岸线的距离越近,县域单元产生的水污染物排放量越大。结合上一节中距离岸线的COD和NH3-N排放量统计分析不难发现,沿海和沿江区位是城市扩张通常会选择的布局指向,在沿海100km和沿江50km的高强度生产生活活动将引起高强度水污染物排放。另外一个重要的原因是,从排污的距离成本和环境规制的强度来看,与江河和海域等主要水污染受体在空间上越邻近,越有利于水污染物排放和水污染行为发生。目前,长三角地区入海、入江的水污染物排放标准普遍低于入湖或入库的水污染物排放标准,造成各类排放主体将污染物直排海、直排江等行为不可避免导致沿海和沿江区位的污水排放量增加。

根据公式(4)进一步测算城市扩张与水污染物排放的空间耦合性,发现二者的伴生效应具有显著且稳定的空间差异,主要形成了高扩张-高排放型、高扩张-低排放型、低扩张-高排放型、低扩张-低排放型4类空间耦合关系。如图7所示,高扩张-高排放型县域主要集中在上海及其周边、苏北地区的连云港、盐城、南通、徐州、宿迁等地市,还有部分县域由2011年的低扩张-高排放型或不显著转换为2015年的高扩张-高排放型,零星分布于江苏镇江、泰州和安徽合肥、六安等地市。此外,属于低扩张-低排放型县域集中在皖南和浙西山地丘陵区,位于浙江衢州、丽水、金华以及安徽黄山、池州、安庆等地市。

图7 2011—2015年城市扩张与水污染物排放的空间耦合性变化Fig.7 Spatial coupling change of urban expansion and water pollutant emission in the YRD

2.3 空间交互机理测度

由伴生效应的SDM模型估计结果可知,城市扩张与水污染物排放的空间溢出效应显著,但已有的模型估计系数难以完全反映二者在空间上的交互机理,还需分解变量间的直接效应和间接效应,以进一步测度核心变量及主要控制变量的空间影响强度。如表7所示,UES变量对COD和NH3-N排放的直接效应和间接效应均显著,表明城市扩张不仅对本地的水污染物排放产生直接影响,还会通过溢出效应对邻地的排放产生间接影响。从模型分解的系数值来看,UES对COD的直接和间接效应回归系数分别为0.274和-1.017,并在1%和5%水平上显著。说明城市扩张的规模每提升1%,将使得本地的COD排放增加0.274%,同时使邻近县域的COD排放降低1.017%。同样地,城市扩张亦加剧了本地的NH3-N排放,UES弹性系数为0.368,而对邻近县域的NH3-N排放则有显著的负向溢出效应,弹性系数为-0.650。因此,长三角地区的城市扩张与水污染物排放在空间上的交互具有两面性。

表7 直接效应和间接效应分解结果Table 7 Decomposition results of direct and indirect effects

对本地县域呈现的正向交互作用表明,在快速城市化过程中,长三角地区的城乡人口和生产要素向中心城区、都市区集聚的空间过程十分显著。2011—2015年间，长三角地区的城市化率平均每年增长近1个百分点。就发生城市扩张的本地而言,因规模扩张从而带来了城市人口数量增加和高污染型生产规模扩大,加之长三角地区工业结构偏重的特点,纺织与印染、造纸、化学原料与化学制品、非金属矿物制品、农副食品加工等污染密集型产业的占比仍然偏高,势必会导致自身水污染物排放加剧。同时,对邻近县域的负向交互作用显示,中心城市所在县域将对邻近县域的人流与要素流产生 “虹吸效应”,压缩其城市扩张机会和开发建设空间,进而产生抑制邻近地区水污染物排放的间接效应。

此外,从主要控制变量与水污染物排放的交互作用来看,POP、FAI和FDI变量对COD和NH3-N的交互作用效果相似,POP和FAI变量的直接效应和间接效应均为正向交互作用,而FDI的直接效应则为显著的负向交互。反映出人口密度提升和投资加速是城市扩张的主要表现之一,且城市群地区的生产要素分布往往存在空间集聚特征,规模效应带来产能扩张及生产要素消耗增长,从而同步加剧本地和邻近县域的水污染物排放。FDI对水污染物排放的抑制作用表明,随着长三角地区环境准入门槛的提升,过去外资驱动的污染转入和“污染避难所”已经发生改变,不断提升的环境规制成本促使本地逐步淘汰污染密集型外资企业或进行减排生产工艺更新。另外,COD和NH3-N排放同PGDP和IS变量的交互作用具有明显不同,前者PGDP和IS变量的直接效应均为正向交互,间接效应则为负向交互；而后者PGDP变量的直接和间接效应均为正向交互,IS变量则均为负向交互,反映出因水污染物排放的性质及污染源结构差异,也表明长三角地区传统的产业结构尚未能改变以环境效益为代价的高耗能、高污染的经济发展模式,随之产生的大量工业废水和生活污水必然增加本地水环境中的有机污染物排放。

3 结论与讨论

3.1 主要结论

(1)长三角地区水污染物排放总量和强度下降,高排放强度集中在城市外围区县和沿海、沿江区县。2011—2015年间长三角地区COD和NH3-N的排放总量分别降低41.36%和35.54%；排放强度下降1级及以上等级的县域分别占比61.6%和55.1%；县域高强度排放格局由连片式分布收缩为零散式分布,且由中心城区向外围递增；沿海、沿江的县域水污染物排放量较高,与海岸线和长江干流距离越远,则COD和NH3-N排放强度呈对数式降低。

(2)长三角地区城市扩张与水污染物排放的正向伴生效应显著且稳定,沿海沿江是城市扩张通常会选择的布局指向。SDM估计结果表明,2015年城市扩张规模每增加1个百分点,将分别引起COD和NH3-N排放增加0.300%和0.380%。快速城市化过程中,大规模城市扩张扩大各类工业产能和生活活动规模,显著加剧城市群地区的生活源和工业源水污染物的排放强度。通过区位变量估计发现,在排污距离成本和环境规制强度作用下,沿海100km和沿江50km的高强度生产生活活动将引起高强度水污染物排放。二者伴生效应还具有显著空间差异,形成了高扩张-高排放型、低扩张-低排放型等空间耦合关系,其中,高扩张-高排放型县域在上海及其周边、苏北地区集中分布。

(3)长三角地区城市扩张对本地水污染物排放产生正向交互作用,且通过溢出效应对邻地排放产生负向交互作用。通过空间效应分解,城市扩张的规模每提升1%,将使本地COD、NH3-N排放分别增加0.274%、0.368%,同时还会造成邻近县域的排放分别降低1.017%、0.650%。在长三角地区工业结构偏重的背景下,本地城市扩张导致自身水污染物排放加剧,而对邻近县域的负向交互作用揭示了中心城市对邻近区域人流与要素流的 “虹吸效应”,压缩其城市扩张机会和开发建设空间,进而产生抑制邻近地区水污染物排放的间接效应。

3.2 讨论

本文对城市扩张与水污染物排放作用关系的案例研究表明,在城市化率达到60%以后,城市扩张与水污染物排放的伴生效应仍然显著而稳定。长三角地区的实证检验结果可为中国城市化率达到60%以后的水污染物减排政策制定提供以下经验与启示：①关注城市扩张对当地水污染排放的强伴生效应和空间交互过程,合理控制城市扩张规模,划定城市扩张边界,通过城市内部空间结构优化,如城镇用地功能置换、土地利用空间整理、产业结构调整等方式,提升城市综合承载能力中的环境短板；②通过城市水污染物处理设施配套及管网建设,降低城市功能运转水耗、能耗和末端物料流失,减少人均污染产出和地均污染产出；③以城市群和都市圈为空间载体,加强城市间产业与环境协作,合理规划生产要素在不同城市之间的流动路径,避免城市间因恶性竞争造成的资源环境过度消耗,缓解区域性污染物排放和空间溢出效应；④通过县域尺度设置环境准入门槛,提高环境规制强度,继续严控外资驱动下的跨区污染转移和“污染避难所”现象。此外,结合本文核心解释变量及各控制变量影响水污染物排放的时空异质性,未来值得深入研究的议题可包括以下方面：在空间变量上加入左右岸、上下游、跨边界等属性值,揭示不同距离下城市扩张的水环境效应及空间耦合特征；在最新的全国第二次污染源普查数据支撑下,更新县域尺度的水污染排放和社会经济数据,开展更长时间序列的交互作用机理研究,深入挖掘城市化对区域水环境系统变化的响应与反馈过程。