EN中文

经济地理 >

2021 , Vol. 41 >Issue 2: 62 - 71

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.02.007

城市地理与新型城镇化

东北地区城市空间结构演进对环境影响的空间效应及门槛特征

  • 周宏浩 ,
  • 谷国锋 , ※
展开
  • 东北师范大学 地理科学学院，中国吉林 长春 130024
※ 谷国锋（1966—），男，吉林农安人，教授，博士生导师，研究方向为区域经济增长与可持续发展。E-mail:

周宏浩（1991—），男，黑龙江讷河人，博士研究生，研究方向为区域经济增长与可持续发展。E-mail:

收稿日期: 2020-03-23

  修回日期: 2020-10-15

  网络出版日期: 2025-04-01

基金资助

国家社会科学基金项目(16BJL032)

东北师范大学哲学社会科学校内重点培育项目(16ZD007)

收起

Spatial Effects of Urban Spatial Structure Evolution on Environmental Pollution in Northeast China and Its Threshold Characteristics

  • ZHOU Honghao ,
  • GU Guofeng , ※
Expand
  • School of Geography Science，Northeast Normal University，Changchun 130024，Jilin，China

Received date: 2020-03-23

  Revised date: 2020-10-15

  Online published: 2025-04-01

Fold

摘要

以2004—2013年中国东北地区34个地级城市为研究样本，利用夜间灯光和PM2.5年均浓度遥感影像数据，对市域空间结构和环境污染水平进行测度，借鉴环境经济学中的STIRPAT模型，采用面板数据模型、面板门槛模型和空间计量模型等方法，考察东北地区城市空间结构对环境的影响，进而理清城市空间结构的环境响应机制，并探讨城市空间结构演进对环境影响的空间效应以及不同规模城市的门槛特征。研究发现：①东北地区城市空间结构的单中心发展产生了显著的污染减排效应。②城市空间结构对环境的影响存在城市规模尺度上的非线性门槛特征。③东北地区城市空间结构对环境污染的影响存在空间效应，本地区环境污染会加重邻近地区的环境污染，而本地区城市空间结构演进对环境污染具有抑制作用，邻近地区城市空间结构演进则会加重本地区环境污染。

关键词： 城市空间结构; 环境污染; 夜间灯光数据; 面板空间计量模型; 面板门槛模型

本文引用格式

周宏浩 , 谷国锋 . 东北地区城市空间结构演进对环境影响的空间效应及门槛特征[J]. 经济地理, 2021 , 41(2) : 62 -71 . DOI: 10.15957/j.cnki.jjdl.2021.02.007

Abstract

Taking 34 prefecture-level cities in northeast China from 2004 to 2013 as research samples,this paper measures the urban spatial structure and environmental pollution respectively using nighttime lighting and PM2.5 annual average concentration remote sensing image data. By learning from STIRPAT model in environmental economics and combining panel data model,panel threshold model and panel spatial econometric model,it investigates the impact of urban spatial structure on the environment in northeast China,clarifies the environmental response mechanism of urban spatial structure,and explores the spatial impact of urban spatial structure evolution on the environment and threshold effect characteristics in different size of urban. The results show that: 1) The single-centered urban spatial structure in northeast China has produced significant pollution reduction effects. 2) The impact of urban spatial structure on the environment has nonlinear threshold characteristics on the size of urban. 3) The impact of urban spatial structure on environmental pollution in northeast China has significantly spatial effects. Environmental pollution in local region will enhance environmental pollution in adjacent region,while urban spatial structure evolution in local region will have an inhibitory effect on environmental pollution. Urban spatial structure evolution in adjacent region will increase environmental pollution in local region.

Key words： urban spatial structure; environmental pollution; nighttime light data; panel spatial econometric model; panel threshold model

城市空间结构长期以来受到经济地理学、区域与城市经济学、城市规划等学科的广泛关注[1⇓⇓⇓-5]，且该领域日益成为研究的热点和实践的前沿。中国的快速城镇化已然对生态环境系统带来巨大压力，生态环境问题日益凸显，雾霾污染已成为影响中国城市可持续发展的严重环境问题[6]，对经济社会发展、城市形象和居民健康与幸福感带来负向影响[7-8]，严重制约经济转型和高质量发展。多数研究均表明城市空间结构发展不合理在一定程度上会造成环境污染等相关问题，以往城市发展多强调数量和规模，对环境代价有所忽略[9⇓⇓-12]。东北地区作为老工业基地，资源型城市众多，资源型产业发展带来一系列生态环境问题，而且以经济增速断崖式下滑为表征的“新东北现象”的出现使东北地区转型发展受到各界普遍关注[13-14]。伴随着中国城镇化过程加快，对城镇体系、规模和结构的合理化提出更高要求。因此，深入探讨城市空间结构与环境的关系不仅是当前研究的重点，也是新型城镇化和城市可持续发展过程中亟待妥善处理的重要问题。
国内外学术界对单中心、多中心和网络结构等城市空间组织方式的相关讨论较为丰富[1]，而且随着可持续发展理念的深入和公众对于当前人居环境质量的担忧，以空气质量为主的环境污染相关研究亦有部分讨论，环境污染与收入水平和差距、经济增长等息息相关，已被不同地区的经验证据所佐证[8,15-16]。环境污染还与快速的城镇化具有密切联系，以空间扩张与蔓延和工业化等为主要特征的城镇化极易带来环境污染[7,17]。集聚对环境污染的作用具有不确定性，集聚可以通过产出的结构、规模与效率等作用于环境污染[18]，有学者认为集聚会伴随高耗能产业、产能扩张以及“拥挤效应”等带来环境污染，还有学者认为集聚的正外部性促使技术进步、环保治理和环境规制提升，从而抑制环境污染[18-19]。此外，新经济地理学认为经济活动的空间分布与环境污染具有必然联系，地理上越接近经济核心区越可能带来污染，中心与外围的城市之间具有临近污染效应[20]。国内外文献关于城市空间结构对环境的影响具有不同看法。一些学者从城市形态角度考虑了城市空间结构对环境的影响，如紧凑度和空间蔓延对雾霾污染的影响[11,21-22]、单中心—多中心空间结构的环境效应[12,23]；还有一些学者采用要素集聚与分散的视角探讨其对环境的影响[19,24]；此外，还有学者围绕密度、规模、景观指数等维度分别研究了城市发展的环境效应[25-26]。
现有文献对城市内部空间结构对环境污染影响的相关研究有待丰富，特别是这种影响存在地理尺度上的差异特征和时间尺度上的演化趋势，以及反映在距离上的空间效应研究有待加强。由于区域空间结构存在宏微观的尺度依赖性和路径依赖特征，不同尺度、不同视角的相关研究得出的结论也不尽相同，这使得我们不得不对城市空间结构的环境效应进行重新审视，从而能够寻找适合地区发展的城镇化发展道路，以及在考虑环境约束的情境下优化地区城市空间结构。因此，本文在考察东北地区城市空间结构对环境的影响时，从单中心—多中心这一市域空间组织视角出发，进而理清城市空间结构的环境响应机制和空间效应，以及不同规模城市空间结构对环境影响的门槛特征，以期为东北地区可持续和高质量发展提供参考。

1 理论分析与研究假说

作为城市化发展过程中的一种空间反映的城市空间结构，是城市内外部的人口、资源和产业等发展要素空间相互作用和活动组织方式的空间分布及其组合所形成的集聚与分散状态。从其内涵和特征来说，城市空间结构可分为单中心和多中心这两个方面，从形态和功能上反映了空间结构的变化。单中心空间结构的人口、资源、产业等经济活动规模往往空间分布不均匀，以功能联系占优势的核心区为主中心，其它区域之间的功能联系相对较弱；多中心空间结构则空间分布相对均匀，各区域之间的功能联系差别较小，无明显的主导性区域。城市空间结构演进会对自身或周边的环境产生影响。首先，紧凑集中的单中心城市空间结构可以更好地提高密度、集聚资源、减少能耗和缩短通勤距离等，进而可以减轻对环境的压力，在一定程度上减少了碳排放和雾霾污染[18,27-28]。其次，城市空间结构中的产业、交通和土地利用等均会对环境造成影响。老工业和落后制造业的污染排放现象较为普遍，而服务业发展可能带来减排效应，不合理的产业结构给环境带来强烈影响[17,29]。多中心或单中心的城市空间结构通过交通负载、基础设施和功能布局等因素对环境产生不确定性的影响[11,27,29]。城市土地利用方式粗放、无序蔓延也会不同程度带来环境污染，空间蔓延造成通勤距离延长、边缘区环境规制降低、威胁城市生态系统自净能力，进而加剧环境污染，将与产业结构一起对环境产生协同效应[7,17]。此外，城市空间结构对环境的影响机制还依赖于自身的城市规模大小，具有规模上的门槛特征。虽然一般来说单中心集聚可以减少能耗和排放，促进环境质量提升，但集聚规模扩大到临界点以后，将会带来对环境的负外部性，进而造成环境污染[19]；多中心出现将带来污染物增多和通勤距离增加，但其规模扩大后反而会缩短通勤距离，降低污染排放[7]。
相关文献多采用全国市域、省域以及大都市区等研究尺度进行分析与模拟，缺少对特定地区的实证研究，而且由于城市空间结构的环境效应具有空间依赖特征以及不同规模和空间尺度的差异性，忽视了不同地区不同规模城市的空间效应、异质性和门槛特征。因此，东北地区是否存在城市空间结构演进对环境污染的影响、空间效应和规模门槛特征?正确识别和把握以上问题对于新型城镇化和可持续发展具有重要的理论和实践意义。基于现有的城市体系、城市空间结构理论、集聚与环境的关系以及城市空间发展的环境效应等实证研究结论等，多数经验研究均支撑发达地区城市群、大都市区或规模较大城市的多中心空间结构的发展优势，但考虑到东北地区多数地级城市的夜间灯光亮度呈极核状分布（图1）以及当前经济社会发展和城市空间结构演进的实际情况，本文认为东北地区的城市空间结构在市域尺度上依然以经济活动的空间集聚为主要特征。因此，从城市形态单中心—多中心发展空间结构概念出发，采用市域空间结构指数来衡量城市空间结构的演进对环境的影响。从而提出如下假说：
图1 东北地区夜间灯光分布图

Fig.1 Distribution of nighttime light in northeast China

假说1：东北地区单中心空间结构在一定程度上能够减轻环境污染。如上文所述，单中心空间结构有益于提升集聚效应，进而优化资源配置，提高劳动生产率，并减少能耗与排放，通过产业结构、交通和土地利用等影响环境污染。
假说2：东北地区不同规模城市空间结构对环境污染的影响具有“门槛特征”。城市空间结构演进对环境的影响存在城市规模大小上的敏感性特征，由于集聚效应及其对环境影响的外部性存在，当城市规模达到某个门槛以后，人口、产业等经济活动在空间上的结构类型和组合方式对环境影响相较之前将会有很大不同。因此，探讨在何种城市规模门槛下的哪种空间发展模式会减少环境污染，变得至关重要。另外，由于环境污染，特别是属于流动性的大气污染，具有空间不均衡分布特点，容易产生空间上的集聚或者溢出现象，在非空间效应下探讨城市空间结构对环境污染的作用有所不足。所以，本文提出另一个研究假说：
假说3：东北地区城市空间结构对环境污染的影响存在“空间效应”。区域之间的城市空间结构演进对环境污染存在空间交互影响，且存在对环境污染的直接效应和空间溢出效应。

2 模型构建与数据来源

2.1 模型构建

2.1.1 模型设定

根据以上理论分析和研究假设，以环境经济学相关研究中常用的STIRPAT模型为基础[30]，该模型可以扩展到多要素的情形以便于实证分析，本文利用面板数据模型、面板门槛和面板空间计量模型，建立城市空间结构对环境污染影响的计量模型如下：
l n e p i t = α 0 + α 1 l n s t r i t + α 2 l n X i t + c i + u t + ε i t
l n e p i t = γ 0 + γ 1 l n s t r i t ∙ I l n s i z e i t ≤ θ + γ 2 l n s t r i t ∙     I l n s i z e i t > θ + γ 3 l n X i t + c i + u t + ε i t
l n e p i t = β 0 + ρ ∑ i = 1 n W l n e p i t + β 1 l n s t r i t +   β 2 l n X i t + ρ 1 ∑ i = 1 n W l n s t r i t + ρ 2 ∑ i = 1 n W l n X i t +     c i + u t + ε i t
式中： l n e p i t是环境污染变量的对数值，表示环境压力； l n s t r i t是城市空间结构变量的对数值； l n X i t是一组包含人口规模、富裕程度和技术进步以及其他影响环境污染的相关变量；W是采用rook邻近矩阵表征的空间权重，并利用反距离（W1）和反距离平方（W2）矩阵进行稳健性检验； l n s i z e i t是城市规模的对数值；ρ、ρ1和ρ2分别是环境污染、城市空间结构和各个控制变量的空间效应系数；I（）为示性函数，θ表示待估计的门槛值；εit表示误差项，i代表城市，t代表时间；ci表示个体效应；ut表示时间效应。本文采用（1）、（2）和（3）式分别用来验证假说1、2和3。

2.1.2 变量测度与说明

①被解释变量。现有文献对环境污染的测度主要采用综合污染指数、单一或多个指标绝对数、污染排放强度和污染浓度等[7,18-19,31]。考虑到近年来大气污染，特别是雾霾污染，给城市发展带来一系列负面影响，且鉴于PM2.5数据易于通过遥感监测技术获取，不受监测站点布局造成的误差影响，本文采用最后一类测度环境污染的方法，选择PM2.5年均浓度作为本文的被解释变量，即环境污染变量，记作ep。
②核心解释变量。现有文献对城市空间结构的测度主要涉及赫芬达尔指数、帕累托指数、首位度指数、位序—规模法则的对数变换等[32-33]，大部分研究多采用特定研究时点的普查人口数据，而未能很好地把握连续时间的变化特征和利用面板数据分析的优势，另外，鉴于本文主要关注城市内部空间结构的形态维度，因此，借鉴相关研究的做法[3,33]，采用对数变换的方法将位序规模法则线性化，来表征市域空间结构的单—多中心程度，公式如下：
l n S i = l n S 1 - q l n R i
式中： S i是第i位行政单元的平均灯光亮度值； S 1表示市域内平均灯光亮度值最大的行政单元亮度值； R i表示第i个行政单元的平均灯光亮度值在市域范围的位序；i表示市域内行政单元个数。方程的回归斜率q表示市域空间结构指数，记作str，当str>1时，表示市域空间结构倾向于单中心；当str<1时，则倾向于多中心。此外，本文还借用城市首位度的方法测度城市空间结构来检验估计结果的稳健性，具体做法如下：采用市域内灯光亮度总值最大市辖区的灯光亮度值占整个市域灯光亮度总和的比重，即首位度指数，记为swd。
③其他控制变量。为了尽量减少因遗漏变量造成估计偏差，本文参考相关研究，将如下控制变量加入到计量模型：①人口密度（pd）。人口集中紧凑布局将促进资源利用效率提升和减少能耗，进而可以改善环境，采用总人口与土地面积之比来表示[27,31]。②经济增长（gdp）。多数研究均认为环境污染与经济增长联系紧密，采用人均GDP反映城市经济发展水平[7-8,11]。③产业结构（ind）。产业结构变化将会影响环境污染水平，本文采用第二产业增加值占GDP比重来表示[7,11]。④技术水平（est）。科技投入，特别是环保科技投入，有利于提高资源能源利用效率，对城市污染物减排起到重要作用，采用科技支出与GDP之比来表征[19]。⑤城市规模（size）。早期的集聚效应会提升环境质量，但当城市发展到一定规模以后，规模集聚效应可能会因拥挤带来环境外部负效应，采用城市市辖区人口占总人口比重来衡量城市规模水平。⑥资源依赖（ck）。东北地区老工业基地和资源型城市众多，资源开发与利用对环境的影响不容忽视，用采矿从业人员占比表示。⑦公路密度（road）。公路等交通设施通过通勤刺激汽车流动性提升，若空间结构不合理将致使空气污染程度加重，对环境造成负面影响，采用公路里程与土地面积之比表示[27]。⑧对外开放（wz）。外商直接投资可以通过技术外溢或知识溢出以及污染转移效应等对环境产生影响，采用外商直接投资额与GDP之比表示[7,11]。

2.2 研究对象与数据来源

本文以东北地区的地级市为研究对象，囿于数据的连续性、可比性和可获得性，研究区域不包括大兴安岭地区和延边朝鲜族自治州，最终选取了2004—2013年34个地级市的面板数据。PM2.5年均浓度数据来源于美国哥伦比亚大学社会经济数据与应用中心（SEDAC）[34]，夜间灯光遥感数据来自美国国家环境信息中心（NOAA）网站公布的DMSP观测数据 ① ，再利用全国地理信息资源目录服务系统公布的行政区划矢量图进行栅格分区统计，分别得到2004—2013年PM2.5年均浓度和稳定的灯光亮度数据；其他解释变量数据来源于2005—2014年《中国城市统计年鉴》和《中国区域经济统计年鉴》，为了消除价格变动的影响，以2004年为基期，采用GDP平减指数对相关数据进行了平减处理，平减所用数据来源于2005—2014年《中国统计年鉴》。各项指标的统计性描述结果见表1。
表1 变量的统计性描述

Tab.1 Statistics description of variables

变量 均值 标准差 最小值 最大值
lnep 3.263 0.372 2.119 3.895
lnstr 0.142 0.295 -0.884 0.683
lnpd 5.637 1.049 2.305 7.171
lngdp 0.657 0.607 -0.790 2.277
lnind 3.806 0.314 2.754 4.453
lnest -7.139 0.983 -11.084 -4.922
lnsize -1.054 0.476 -2.223 -0.326
lnck -0.918 0.671 -3.095 0.659
lnroad -3.437 1.862 -7.789 -0.543
lnwz -4.526 1.117 -10.328 -2.028

3 实证分析及稳健性检验

3.1 模型估计与检验

3.1.1 对假说1和假说2的实证分析

本文采用Stata软件对计量模型（1）和（2）分别进行了估计。采用城市规模作为门槛变量，对面板门槛模型进行估计，表2报告了门槛效应检验结果，表明城市空间结构对环境影响存在显著的非线性单一门槛效应，其门槛值为-0.766，此时城市规模取对数前的原始值为0.465，即市辖区人口数占总人口的比重为46.459%。
表2 不同规模城市空间结构对环境影响的门槛效应检验

Tab.2 Threshold effect test of the impact of urban spatial structure on the environment at different sizes

门槛数量 门槛估计值 F值 P值 Crit10 Crit5 Crit1
单一门槛 -0.766 10.260 0.048 7.856 9.880 13.432
双重门槛 -0.862 5.780 0.266 12.146 17.038 23.383
三重门槛 -0.476 2.890 0.552 14.026 18.871 27.450
面板门槛模型回归估计结果见表3，同时为了将门槛特征与总体水平做比较，本文还报告了面板固定效应和随机效应模型的估计结果。其中，表3第（1）和第（3）列的回归模型中只包含城市空间结构和环境污染变量，表3第（2）和第（4）列加入了控制变量以避免遗漏变量造成的偏误。首先，在不考虑门槛特征时，未加入控制变量时固定效应和随机效应的估计系数分别为-0.188和-0.145；而加入控制变量后固定效应和随机效应的估计系数变化不大，分别为-0.201和-0.139，说明面板固定效应和随机效应模型的估计结果均支持上文提出的假说1的观点，东北地区地级城市处在集聚发展阶段，单中心结构在空间结构演进过程中仍占主导地位[4]，地级市层面人口、产业和经济等的集聚效应能够促进发展效率提升，有利于减少环境污染。其次，以城市规模为门槛变量的面板门槛模型估计结果表明，城市空间结构对环境的影响具有门槛特征，具体表现为：当城市规模小于门槛值-0.766时，城市空间结构对环境污染产生显著的负向效应，作用系数为-0.224；当城市规模大于门槛值-0.766时，城市空间结构对环境污染产生负向效应，但并不显著，作用系数为-0.048。此估计结果验证了上文提出的假说2。东北地区市域空间结构存在规模依赖性[4]，规模大小将对空间结构的减排效应产生重要影响，早期城市规模扩大抑制了环境污染，但随着城市规模的不断扩大，当其跨越门槛值以后，城市中心将产生拥挤效应，空间结构演进对环境污染产生的抑制作用不再显著，效应在不断减弱。
表3 面板固定效应、随机效应模型和门槛估计模型的估计结果

Tab.3 Estimated results of fixed effect model，random effect model and threshold model based on panel data

变量 （1） fe （2） fe （3） re （4） re （5） fe
lnstr -0.188**（-2.333） -0.201**（-2.424） -0.145*（-1.917） -0.139*（-1.785）
lnstrit（sizeit≤θ） -0.224***（-2.701）
lnstrit（sizeit>θ） -0.048（-0.453）
lnpd -0.026（-0.357） 0.017（0.427） -0.034（-0.470）
lngdp 0.050（1.107） 0.068（1.532） 0.044（0.966）
lnind -0.081（-1.364） -0.037（-0.626） -0.075（-1.269）
lnest 0.006（0.585） 0.011（1.071） 0.005（0.544）
lnsize 0.088（1.142） 0.046（0.693） 0.079（1.029）
lnroad -0.007（-0.500） 0.004（0.274） 0.001（0.086）
lnck 0.016**（2.218） 0.016**（2.204） 0.015**（2.012）
lnwz -0.003（-0.451） -0.001（-0.181） -0.005（-0.788）
常数项 3.109***（144.475） 3.731***（7.612） 3.099***（47.611） 3.325***（9.557） 3.725***（7.657）
个体效应 控制 控制 控制 控制 控制
时间效应 控制 控制 控制 控制 控制
N 340 340 340 340 340
R2 0.755 0.765 0.755 0.763 0.769

注：*、**和***分别表示10%、5%和1%的显著性水平；fe和re分别表示固定效应和随机效应；括号中数值为相应的t值，下同。

3.1.2 对假说3的实证分析

由于空间面板模型构建的前提条件是核心变量必须满足空间相关性，本文采用莫兰指数来判断环境污染和城市空间结构变量是否具有空间自相关特征，全局莫兰指数测算结果见表4。2004—2013年lnpm和lnstr的Moran值分别处于0.254~0.351和0.231~0.279范围内，且均通过1%水平上的显著性检验，这表明环境污染和城市空间结构具有显著的空间正相关性，表明空间外部性是影响环境污染的重要因素，应将其空间滞后项纳入空间计量模型。
表4 环境污染和城市空间结构的空间相关性检验

Tab.4 Spatial correlation tests of environmental pollution and urban spatial structure

年份 lnpm lnstr
Moran值 Z-score值 Moran值 Z-score值
2004 0.305*** 3.156 0.264*** 2.916
2005 0.287*** 3.007 0.279*** 3.022
2006 0.279*** 2.893 0.270*** 2.933
2007 0.351*** 3.589 0.247*** 2.702
2008 0.325*** 3.305 0.253*** 2.768
2009 0.307*** 3.198 0.231*** 2.572
2010 0.254*** 2.709 0.269*** 2.934
2011 0.257*** 2.675 0.268*** 2.928
2012 0.323*** 3.276 0.248*** 2.733
2013 0.263*** 2.753 0.244*** 2.699
随后，本文进行了无空间交互作用的面板计量模型检验，以便更为准确地衡量城市空间结构对环境影响的空间交互作用。检验结果表明（表5），无论传统的LM检验还是稳健的LM检验以及似然比检验均在5%或1%的水平上显著，说明模型中不能忽视空间关系的影响，而且LR检验结果支持选择空间和时间固定效应模型。因此，本文采用同时包含空间和时间固定效应的空间杜宾模型来做进一步估计[35]。
表5 无空间交互作用的面板计量模型检验

Tab.5 Test of panel econometric model without spatial interaction effects

检验方法 混合
估计		 空间固
定效应		 时间固
定效应		 空间和时间
固定效应
LM lag 103.813*** 417.443*** 76.446*** 14.529***
Robust LM lag 31.638*** 4.474** 44.207*** 8.787***
LM error 95.716*** 419.284*** 66.448*** 16.552***
Robust LM error 23.542*** 6.316** 34.209*** 10.809***
LR spatial 1 228.151***
LR time 453.470***

注：LM和Robust LM分别表示拉格朗日乘数检验及其稳健检验，LR表示似然比检验。

时空固定效应的空间杜宾模型估计结果见表6。在表中三种不同的估计方法中，Wald和LR统计量均在1%水平上显著，说明模型不能简化为空间滞后模型和空间误差模型，而且Hausman检验不能拒绝随机效应的原假设，因此本文最终选择了包含空间随机效应和时间固定效应的空间杜宾模型。结果表明，ρ的估计系数为0.266且在1%水平上显著，说明本地区环境污染对相邻地区环境污染产生强化作用，存在明显的空间效应。另外，环境污染不仅受本地区城市空间结构、产业结构和资源依赖的影响，还受到邻近地区城市空间结构、研发投入、城市规模、公路密度和资源依赖影响。具体来说：
表6 面板空间杜宾模型估计结果

Tab.6 Estimation results of spatial Tobit model based on panel data

变量 空间和时间
固定效应		 空间和时间固定
效应偏误校正		 空间随机效应和
时间固定效应
ρ 0.256***（3.813） 0.313***（4.852） 0.266***（4.018）
lnstr -0.261***（-3.472） -0.267***（-3.334） -0.244***（-3.385）
lnpd -0.009（-0.129） -0.009（-0.118） 0.044（1.043）
lngdp 0.044（1.107） 0.044（1.031） 0.055（1.362）
lnind -0.096**（-1.814） -0.096*（-1.709） -0.093*（-1.731）
lnest 0.000（-0.039） 0.000（0.041） 0.000（0.028）
lnsize 0.074（1.092） 0.076（1.056） 0.042（0.701）
lnroad -0.023**（-1.806） -0.024*（-1.734） -0.020（-1.497）
lnck 0.017***（2.579） 0.016**（2.342） 0.017**（2.480）
lnwz -0.002（-0.271） -0.002（-0.249） -0.002（-0.312）
W·lnstr 0.669***（3.712） 0.674***（3.506） 0.704***（4.260）
W·lnpd 0.022（0.123） 0.022（0.112） 0.099（1.033）
W·lngdp -0.015（-0.182） -0.020（-0.221） 0.049（0.596）
W·lnind 0.071（0.706） 0.077（0.719） 0.085（0.833）
W·lnest -0.048**（-2.574） -0.047**（-2.367） -0.045**（-2.356）
W·lnsize -0.300（-1.585） -0.296（-1.469） -0.359**（-2.335）
W·lnroad 0.046**（1.880） 0.045*（1.732） 0.058**（2.318）
W·lnck 0.032**（2.461） 0.030**（2.191） 0.029**（2.246）
W·lnwz 0.005（0.456） 0.005（0.432） 0.010（0.850）
R2 0.980 0.980 0.976
Log L 515.623 515.623 403.523
Wald lag 36.140*** 30.972*** 47.090***
LR lag 34.586*** 34.586***
Wald error 32.950*** 27.327*** 43.698***
LR error 31.788*** 31.788***
Hausman 26.521 4.687

注：Wald lag和Wald error分别表示滞后和误差模型的Wald检验，LR lag和LR error分别表示滞后和误差模型的LR检验，Hausman表示Hausman检验，下同。

①核心解释变量。lnstr系数为-0.244且在1%水平上显著，表明本地区城市空间结构对环境污染具有负向影响；而W·lnstr系数显著为正，说明邻近地区空间结构指数的提高将增强本地区环境污染。原因在于，东北地区各城市之间往往竞争大于合作，区域间一体化发展合力较弱[4]，本地区单中心化发展能够更好地发挥集聚效应，提升资源利用效率并减少能耗，从而抑制环境污染；而相邻地区城市空间结构的单中心发展将强化集聚效果并造成“虹吸效应”，弱化了本地区的集聚能力的提升，降低了集聚对环境改善的促进作用，造成本地区的环境污染。
②其他控制变量。lnck和W·lnck的系数均显著为正，说明本地区或邻近地区的资源依赖提高加重了本地区环境污染。东北地区资源依赖极易产生结构和技术上的路径锁定，束缚城市经济韧性发展与创造力转型，导致资源依赖对环境产生负效应，而邻近地区则通过空间协同与溢出效应给本地区带来环境污染。lnind系数在10%水平上显著为负，表明东北地区工业化发展较早且比重较大，第二产业占比提升尚未造成相应程度的PM2.5年均浓度增加，主要原因在于东北地区呈单中心结构发展，工业污染主要集中在市区，但从整个市域来看，反而在某种程度上减少了雾霾污染浓度。W·lnest和W·lnsize系数显著为负，说明邻近地区研发投入增加和城市规模的扩大将会对本地区的环境污染产生抑制作用。东北地区邻近地区技术进步对周边地区产生技术溢出效应，进而提升本地区技术水平，通过技术优化升级改善环境质量；随着本地区城市规模的增加，市场拥挤效应导致人口、产业等向邻近地区集聚，从而缓解了本地区资源和产业等过度拥挤带来的环境负外部性，减少了本地区的环境污染。W·lnroad系数显著为正，说明邻近地区公路密度提高将加重本地区环境污染，东北地区邻近地区高密度路网结构促进要素在邻近地区集聚，弱化了本地区的集聚效应，不利于效率提升和污染治理，反而加重本地环境污染。
本文采用LeSage和Pace提出的偏微分法把空间效应分解为直接效应、间接效应和总效应[36]。由表7结果可知，城市空间结构对环境影响的直接效应系数为-0.201，间接效应系数为0.826，总效应系数则为0.625，表明市域空间结构指数每增加1%，会造成环境污染水平增加0.625%。其中，本地区城市空间结构对环境污染影响的抑制作用为-0.201%，而邻近地区城市空间结构变化则对本地区环境污染产生了0.826%的溢出效应，直接效应小于间接效应，反映了城市空间结构演进对环境污染影响的正外部性特征，说明东北地区城市空间结构的环境效应具有双重特征，抑制了本地区环境污染的同时，会加重邻近地区的环境污染水平。资源依赖对环境影响的直接效应系数为0.019，间接效应系数为0.043，总效应系数则为0.063，表明资源依赖每增加1%，会造成环境污染水平增加0.063%。其中，本地区和邻近地区的资源依赖变化均对本地区环境污染产生了正向增强效应。另外，lnest和lnsize的间接效应和总效应均为负向。说明东北地区科技投入和规模扩大对环境污染的影响主要依赖于邻近地区的抑制作用，本地区的作用则并不显著。lnroad只存在显著正向的间接效应，东北地区邻近地区公路密度每提高1%，将使本地区的环境污染加重0.069%，与上文估计结果一致。
表7 面板空间杜宾模型的空间效应分解

Tab.7 Spatial effect decomposition of spatial Tobit model based on panel data

变量 直接效应 间接效应 总效应
lnstr -0.201**（-2.697） 0.826***（3.776） 0.625**（2.528）
lnpd 0.052（1.156） 0.141（1.073） 0.193（1.186）
lngdp 0.058（1.437） 0.081（0.739） 0.139（1.072）
lnind -0.090（-1.746） 0.078（0.587） -0.012（-0.075）
lnest -0.003（-0.314） -0.059**（-2.340） -0.062**（-2.085）
lnsize 0.016（0.260） -0.453**（-2.282） -0.437*（-1.935）
lnroad -0.016（-1.210） 0.069**（2.092） 0.052（1.446）
lnck 0.019***（2.781） 0.043**（2.490） 0.063***（2.997）
lnwz -0.001（-0.193） 0.012（0.854） 0.011（0.721）
综上，以上分析均验证了上文提出的假说3，东北地区的城市空间结构演进对环境污染的影响存在空间效应，而且总体上区域之间的某些要素具有空间上的交互影响。

3.2 稳健性检验

本文的实证分析发现，在不考虑空间因素对环境问题的影响时，城市空间结构对环境污染产生显著的负效应，而且存在以城市规模为门槛变量的非线性特征；在将空间因素纳入模型后，城市空间结构的环境效应表现出显著的空间效应，城市空间结构对环境污染的影响均存在直接效应和空间溢出效应。但考虑到城市空间结构的测度方法多样，可能会对估计结果带来测量误差而导致模型估计结果的不稳健。此外，空间权重设定方法不同亦会对模型估计结果带来不确定的影响。因此，为了保证估计结果的稳健性，从核心解释变量和空间权重两个方面入手，在变换核心解释变量测度方法和设定其他空间权重的情况下，对上述实证分析结果进行稳健性检验。
①采用上文所述的首位度指数来替换市域空间结构指数来测度城市空间结构，将其纳入面板数据和门槛模型进行实证分析，结果见表8。由面板固定效应和随机效应模型的估计结果可知，首位度指数均显著地抑制了环境污染，与上文实证分析结果保持一致。以城市规模为门槛变量的估计结果显示，模型具有1%显著水平上的单一门槛特征，其门槛值为-0.445。采用首位度指数与门槛值的交乘项作为解释变量加入模型的估计结果表明，城市空间结构对环境污染均产生显著的负向效应，作用系数分别为-0.213和-0.165，表明当城市规模超过门槛值以后，城市空间结构的环境效应有所减弱，估计系数符号均与表2中回归结果保持一致，表明上文实证分析是稳健的。
表8 面板固定效应、随机效应模型和门槛估计模型的稳健性检验

Tab.8 Robust tests of fixed effect model，random effect model and threshold model based on panel data

变量 （1） fe （2） fe （3） re （4） re （5） fe（θ= -0.445）
lnswd -0.138**（-2.161） -0.193***（-2.933） -0.107*（-1.865） -0.137**（-2.366）
lnswdit（sizeit≤θ） -0.213***（-3.261）
lnswdit（sizeit>θ） -0.165**（-2.511）
常数项 2.797***（22.367） 3.178***（6.299） 2.858***（22.276） 3.151***（8.922） 3.232***（6.476）
控制变量 是 是 是
个体效应 控制 控制 控制 控制 控制
时间效应 控制 控制 控制 控制 控制
N 340 340 340 340 340
R2 0.755 0.767 0.756 0.765 0.773

注：由于控制变量不是稳健性检验的分析重点，此部分限于篇幅，省去了控制变量的估计结果，下同。

②本文试图采用首位度指数（lnswd）和反距离（W1）、反距离平方（W2）空间权重来进行面板空间计量模型的稳健性检验，见表9。结果表明，无论改变城市空间结构测度方法，还是变换不同空间权重，对于本文核心变量来说，ρ系数显著为正，lnstr和lnswd系数显著为负，而W·lnstr和W·lnswd系数显著为正，且空间溢出效应大于直接效应，所得结论与上文实证分析均保持一致。
表9 面板空间杜宾模型的稳健性检验

Tab.9 Robust tests of spatial Tobit model based on panel data

变量 lnstr lnswd
W1 W2 W W1 W2
ρ 0.244***（3.443） 0.240***（3.613） 0.260***（3.882） 0.232***（3.246） 0.225***（3.337）
lnstr -0.280***（-3.623） -0.272***（-3.497）
W·lnstr 0.787***（4.153） 0.748***（4.259）
lnswd -0.141**（-2.562） -0.159***（-2.926） -0.153***（-2.804）
W·lnswd 0.373***（3.295） 0.245***（2.086） 0.227**（2.221）
直接效应 -0.238***（-3.225） -0.232***（-3.050） -0.119**（-2.107） -0.148**（-2.695） -0.142**（-2.517）
间接效应 0.917***（3.853） 0.859***（3.878） 0.433***（2.930） 0.261*（1.749） 0.240*（1.829）
总效应 0.679***（2.765） 0.627**（2.695） 0.314*（1.768） 0.112（0.666） 0.097（0.621）
控制变量 控制 控制 控制 控制 控制
R2 0.975 0.975 0.976 0.975 0.974
Log L 401.646 397.987 399.910 396.493 393.303
Wald lag 45.187*** 38.665*** 35.373*** 30.405*** 25.568***
Wald error 41.846*** 35.485*** 32.106*** 27.956*** 23.115***
Hausman 1.107 4.882 0.193 3.668 3.781

4 结论与讨论

4.1 结论

2003年以来，中国提出并实施了多项针对东北发展的区域政策，如东北振兴战略、振兴东北老工业基地等，旨在为东北地区产业结构调整、体制机制创新和生态环境改善等，指明转型发展重点方向并提供政策保障。东北地区城市空间结构不断演进并受到各种冲击与重塑，而其对地区环境产生较为关键而深刻的影响。本文借鉴环境经济学的研究方法，从城市空间结构演进对环境影响的视角，进行了市域内部空间结构对环境污染的空间效应和门槛特征研究。与已有文献不同，本文将2004—2013年东北地区34个地级行政单元作为研究对象，采用夜间灯光和PM2.5年均浓度遥感数据，避免了传统研究城市空间结构的统计数据偏误和雾霾监测站点布局误差，同时为了弥补以往研究中特定时间节点截面数据的弊端，构建了包含截面和时间序列特征的面板数据。通过理论分析与文献梳理，本文提出了城市空间结构对环境污染减排的空间效应和门槛特征的三个研究假说，基于STIRPAT模型框架，运用面板数据模型、门槛和空间计量模型，对以上假说进行了实证检验。而后采用首位度指数和反距离、反距离平方的空间权重矩阵来对模型的实证结论进行稳健性检验。研究结果表明：①东北地区城市空间结构的单中心化产生了显著的污染减排效应。②城市空间结构对环境的影响存在城市规模尺度上的非线性门槛特征，当城市规模小于0.465时，城市数量约占整个研究样本的70%，市域空间结构指数每增加1%，将减少雾霾污染年均浓度0.224%；当城市规模大于0.465时，城市空间结构对环境污染产生的负向效应将不再显著。③东北地区城市空间结构对环境污染的影响存在空间效应，本地区环境污染会增强相邻地区环境污染，而本地区城市空间结构演进对环境污染具有抑制作用，邻近地区城市空间结构演进则会加重本地区环境污染。

4.2 讨论

东北地区城市空间结构演进主要以哈长、沈大等中心城市和城市群为区域经济发展要素的空间承载，城市内部空间结构亟待顺应资源要素空间聚集的发展大趋势，促进资源要素合理流动，并贯彻执行公共服务、土地管理和社会保障等普惠性政策，加快落实区域内协调发展战略，全面建立健全生态环境补偿和区际利益补偿制度，进而探索转型发展路径，促进区域经济高质量发展。
①考虑到“两山理论”作为生态文明理念在东北地区实践探索的最新成果，东北地区绿色发展应该将城市空间结构演进对环境的影响机制作为区域高质量发展的关注重点，进一步推进市域内部空间结构的单中心化发展，促进经济发展方式转变，优化产业结构，推进绿色制造业和技术升级，倡导集约紧凑型发展模式和精明发展理念，进一步摆脱资源依赖，通过城市空间结构的环境效应机制，促进区域环境质量提升。不同规模尺度上城市空间结构演进对环境污染影响的门槛特征应该得到重点关注，当城市规模达到一定程度以后，要避免集聚经济带来的负外部性，通过内部结构调整，摆脱粗放式发展方式并提质增效，进而延续城市空间结构变化对环境污染的抑制作用。
②本文研究结果支持东北地区单中心化发展，在人口收缩和经济放缓背景下，未来仍需以单中心空间结构作为城市发展的空间支撑，促进要素集聚和效率提升，加深对空间因素的理解，重视区域之间环境污染的空间相关性，雾霾污染具有空间流动性，本地区污染会扩散到邻近地区并对其产生一定影响。城市空间结构演进对环境的影响亦具有包含反馈效应的直接效应和空间溢出效应，应该着眼于区域城市体系的整体发展框架，支持中心城市或大城市加快发展成经济引擎和科技创新前沿阵地，协调和引导中小城市特色发展，构建合理的城镇网络体系，城市空间结构在单中心化发展的同时要防止虹吸效应对周边中小城市集聚能力的负向影响，避免对周边地区造成环境污染。
③囿于数据来源、统计口径和技术手段限制以及长时间序列数据获取难度等，本文仅涉及10年的城市空间结构演进状态和PM2.5年均浓度状况，而且环境污染测度尚未包含水、土污染和其他大气污染等要素，后续应加强各种来源数据的整合应用。此外，本文仅考虑了市域空间结构演进的环境效应，由于城市尺度依赖性和异质性的存在，未来亟待加强不同尺度和异质性视角下城市结构对环境影响的机制分析。另外，城市经济结构和社会结构等对环境的影响不容忽视，随着交通和信息网络的发展，后续还需纳入经济、社会、网络化等结构要素对环境的影响，借鉴经济地理学、空间经济学、环境经济学等研究成果，探索相关学科的交叉融合，开展城市结构对环境影响的综合研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
席强敏, 李国平. 超大城市规模与空间结构效应研究评述与展望[J]. 经济地理, 2018, 38(1):61-68.

[2]
Fujita M, Ogawa H. Multiple equilibria and structural transition of non-monocentric urban configurations[J]. Regional Science and Urban Economics, 1982, 12(2):161-196.

[3]
Meijers E J, Burger M J. Spatial structure and productivity in US metropolitan areas[J]. Environment and Planning A, 2010, 42(6):1383-1402.

[4]
杨青山, 杜雪, 张鹏, 等. 东北地区市域城市人口空间结构与劳动生产率关系研究[J]. 地理科学, 2011, 31(11):1301-1306.

[5]
张亮, 岳文泽, 刘勇. 多中心城市空间结构的多维识别研究——以杭州为例[J]. 经济地理, 2017, 37(6):67-75.

[6]
Guo L, Luo J, Yuan M, et al. The influence of urban planning factors on PM2.5 pollution exposure and implications:A case study in China based on remote sensing,LBS,and GIS data[J]. Science of the Total Environment, 2019, 659:1585-1596.

[7]
秦蒙, 刘修岩, 仝怡婷, 等. 蔓延的城市空间是否加重了雾霾污染——来自中国PM2.5数据的经验分析[J]. 财贸经济, 2016, 37(11):146-160.

[8]
马丽梅, 张晓. 中国雾霾污染的空间效应及经济、能源结构影响[J]. 中国工业经济, 2014(4):19-31.

[9]
Borrego C, Martins H, Tchepel O, et al. How urban structure can affect city sustainability from an air quality perspective[J]. Environmental Modelling and Software, 2006, 21(4):461-467.

[10]
颜文涛, 萧敬豪, 胡海, 等. 城市空间结构的环境绩效:进展与思考[J]. 城市规划学刊, 2012(5):50-59.

[11]
陈园园. 城市化空间结构对雾霾污染的影响[J]. 现代经济探讨, 2019(8):105-114.

[12]
Yue W Z, Qiu S S, Xu H, et al. Polycentric urban development and urban thermal environment:A case of Hangzhou,China[J]. Landscape and Urban Planning, 2019,189:58-70.

[13]
谷国锋, 王雪辉. 东北地区经济发展与生态环境耦合关系时空分析[J]. 东北师大学报:哲学社会科学版, 2018(4):154-160.

[14]
樊杰, 刘汉初, 王亚飞, 等. 东北现象再解析和东北振兴预判研究——对影响国土空间开发保护格局变化稳定因素的初探[J]. 地理科学, 2016, 36(10):1445-1456.

DOI

[15]
Grossman G M, Krueger A B. Economic growth and the environment[J]. Quarterly Journal of Economics, 1995, 110(2):353-377.

[16]
王兴杰, 谢高地, 岳书平. 经济增长和人口集聚对城市环境空气质量的影响及区域分异——以第一阶段实施新空气质量标准的74个城市为例[J]. 经济地理, 2015, 35(2):71-76.

[17]
陈阳, 孙婧, 逯进. 城市蔓延和产业结构对环境污染的影响[J]. 城市问题, 2018(4):18-25.

[18]
豆建民, 张可. 集聚与污染:研究评述及展望[J]. 苏州大学学报:哲学社会科学版, 2014, 35(2):109-118.

[19]
张可. 经济集聚的减排效应:基于空间经济学视角的解释[J]. 产业经济研究, 2018(3):64-76.

[20]
He C F, Huang Z J, Ye X Y. Spatial heterogeneity of economic development and industrial pollution in urban China[J]. Stochastic Environmental Research and Risk Assessment, 2014, 28(4):767-781.

[21]
Bereitschaft B, Debbage K. Urban form,air pollution,and CO2 emissions in large U.S. metropolitan areas[J]. The Professional Geographer, 2013, 65(4):612-635.

[22]
Stone J B, Mednick A C, Holloway T, et al. Is compact growth good for air quality?[J]. Journal of the American Planning Association, 2007, 73(4):404-418.

[23]
Clark L P, Millet D B, Marshall J D. Air quality and urban form in US urban areas:Evidence from regulatory monitors[J]. Environmental Science and Technology, 2011, 45(16):7 028-7 035.

[24]
陆铭, 冯皓. 集聚与减排:城市规模差距影响工业污染强度的经验研究[J]. 世界经济, 2014(7):86-114.

[25]
She Q, Peng X, Xu Q, et al. Air quality and its response to satellite-derived urban form in the Yangtze River Delta,China[J]. Ecological Indicators, 2017,75:297-306.

[26]
Rodríguez M C, Dupont-Courtade L, Oueslati W. Air pollution and urban structure linkages:Evidence from European cities[J]. Renewable and Sustainable Energy Reviews, 2016, 53:1-9.

[27]
杨子江, 张剑锋, 冯长春. 区域城市空间结构与交通污染理论探讨[J]. 城市发展研究, 2015, 22(5):71-76,97.

[28]
Glaeser E L, Kahn M E. The greenness of cities:Carbon dioxide emissions and urban development[J]. Journal of Urban Economics, 2010, 67(3):404-418.

[29]
崔学刚, 王成新, 王雪芹. 雾霾危机下大都市空间结构优化新路径探究[J]. 上海经济研究, 2016(1):13-21.

[30]
Dietz T, Rosa E A. Rethinking the environmental impacts of population,affluence and technology[J]. Human Ecology Review, 1994(1):277-300.

[31]
周宏浩, 陈晓红. 中国资源型城市精明发展与环境质量的耦合关系及响应机制[J]. 自然资源学报, 2019, 34(8):1620-1632.

DOI

[32]
李琬, 孙斌栋, 刘倩倩, 等. 中国市域空间结构的特征及其影响因素[J]. 地理科学, 2018, 38(5):672-680.

DOI

[33]
孙斌栋, 华杰媛, 李琬, 等. 中国城市群空间结构的演化与影响因素——基于人口分布的形态单中心—多中心视角[J]. 地理科学进展, 2017, 36(10):1294-1303.

DOI

[34]
Donkelaar A, Martin R V, Brauer M, et al. Global estimates of fine particulate matter using a combined geophysical statistical method with information from satellites,models,and monitors[J]. Environmental Science and Technology, 2016, 50(7):3762-3772.

DOI PMID

[35]
Elhorst J P. Applied spatial econometrics:raising the bar[J]. Spatial Economic Analysis, 2010, 5(1):9-28.

[36]
LeSage J, Pace R K. Introduction to spatial econometrics[M]. Florida: CRC Press, 2009:70-75

Options
文章导航

/

〈 〉