结构性污染范文

结构性污染范文（精选9篇）

结构性污染 第1篇

本文主要对基于资源消耗和可持续发展框架下耦合产业系统的最优化增长路径上产业结构的动态变化进行刻画[15,16,17,18]。

假设1:两个产业组成一个耦合产业, 两大产业均依赖于对资源的消耗, 同时也产出具有外部负效应的副产物——环境污染, 污染产生环境损害。理性的产业决策应遵循追求产业最大经济

产出和利润的基本原则;假设2:在耦合产业系统中, 政府可以对两大产业进行耦合管理和控制, 其基本原则是追求社会福利最大化。基于上述假设构造模型:

1.1 耦合产业增长模型刻画和求解

根据社会福利函数对耦合产业系统中两大产业的发展进行管理与控制。定义社会福利函数为:

$\text{m}\text{a}\text{x}\text{V}={\displaystyle {\int }_0^{+\infty }[}\text{U}(\text{Q}{}^{\text{A}}‚\text{Q}{}^{\text{B}})-\text{D}(\text{S}{}_{\text{A}}‚\text{S}{}_{\text{B}})]\text{e}{}^{-\text{ρ}\text{t}}\text{d}\text{t}={\displaystyle {\int }_0^{+\infty }\left[\text{U}[\text{F}{}^{\text{A}}(\text{Μ}‚\text{ε})‚\text{F}{}^{\text{B}}(\text{Μ}‚\text{ε})]-\frac{\text{σ}{}_{\text{A}}}{2}(\text{S}{}_{\text{A}}){}^2-\frac{\text{σ}{}_{\text{B}}}{2}(\text{S}{}_{\text{B}}){}^2\right]}\text{e}{}^{-\text{ρ}\text{t}}\text{d}\text{t}$

约束条件:$\text{s}.\text{t}.\dot{\text{S}}{}_{\text{i}}=\frac{\text{d}\text{S}{}_{\text{i}}}{\text{d}\text{t}}=\text{F}{}^{\text{i}}-\text{γ}{}_{\text{i}}\text{S}{}_{\text{i}}‚0\le \text{Μ}\le 1(1)$

其中:Qi=Pi (R) , i=A, B, A、B分别代表两大产业。考虑边际产出递减, 产出函数是严格的凹函数。因此满足Pi (0) =0, $\text{Ρ}{}_{\text{R}}^{\text{i}}=\frac{\partial \text{Ρ}{}^{\text{i}}}{\partial \text{R}}＞0‚\text{Ρ}{}_{\text{R}\text{R}}^{\text{i}}=\frac{\partial {}^2\text{Ρ}{}^{\text{i}}}{\partial \text{R}{}^2}＞0$;污染排放ei满足ei=Qi;由于大多数重要的污染问题都具有存量型污染影响的特点, 污染存量的变化率受污染存量和自净能力 (衰减率) γ的影响, 假设污染衰减率为常数, 满足$\dot{\text{S}}{}_{\text{i}}=\frac{\text{d}\text{S}{}_{\text{i}}}{\text{d}\text{t}}=\text{e}{}^{\text{i}}-\text{γ}{}_{\text{i}}\text{S}{}_{\text{i}}‚\text{γ}{}_{\text{i}}＞0$;耦合产业系统产生的存量型污染损害包括耦合系统内各产业自身释放的污染物对环境的危害, 以及耦合系统内不同产业释放的污染物间的叠加影响。定义污染损害函数D满足$\text{D}=\frac{\text{σ}{}_{\text{A}}}{2}(\text{S}{}_{\text{A}}){}^2+\frac{\text{σ}{}_{\text{B}}}{2}(\text{S}{}_{\text{B}}){}^2$, σi>0;定义消耗总量为M, 总量在不同产业间的分配系数为ε, 有:RA+RB=M, 对RA, RB进行归一化处理, 有$0\le \text{Μ}\le 1‚\text{ε}=\frac{\text{R}{}_{\text{A}}}{\text{Μ}}=\frac{\text{R}{}_{\text{A}}}{\text{R}{}_{\text{A}}+\text{R}{}_{\text{B}}}$, Pi (R) =Fi (M, ε) , 有$\frac{\partial \text{F}{}^{\text{i}}}{\partial \text{Μ}}=\text{F}{}_{\text{Μ}}^{\text{i}}‚\frac{\partial \text{F}{}^{\text{i}}}{\partial \text{ε}}=\text{F}{}_{\text{ε}}^{\text{i}}‚\text{F}{}_{\text{Μ}}^{\text{A}}=\text{ε}\text{Ρ}{}_{\text{R}}^{\text{A}}＞0$, F${}_{\text{Μ}}^{\text{B}}$= (1-ε) PBR>0, F${}_{\text{ε}}^{\text{A}}$=MP${}_{\text{R}}^{\text{A}}$>0, F${}_{\text{ε}}^{\text{B}}$=-MP${}_{\text{R}}^{\text{B}}$<0。

该模型的现值Hamiltonian函数为:

$\begin{array}{l}\text{Η}(\text{Μ}‚\text{ε}‚\text{S}{}_{\text{A}}‚\text{S}{}_{\text{B}})=\text{U}[\text{F}{}^{\text{A}}(\text{Μ}‚\text{ε})‚\text{F}{}^{\text{B}}(\text{Μ}‚\text{ε})]-\frac{\text{σ}{}_{\text{A}}}{2}(\text{S}{}_{\text{A}}){}^2-\frac{\text{σ}{}_{\text{B}}}{2}(\text{S}{}_{\text{B}}){}^2\\ +\text{λ}{}_{\text{A}}(\text{F}{}^{\text{A}}-\text{γ}{}_{\text{A}}\text{S}{}_{\text{A}})+\text{λ}{}_{\text{B}}(\text{F}{}^{\text{B}}-\text{γ}{}_{\text{B}}\text{S}{}_{\text{B}})+\text{λ}{}_{\text{Μ}}(1-\text{Μ})(2)\end{array}$

其中:λA, λB分别表示两种污染物存量的影子价格。λM为Kuhn Tucker参数, 可以理解为产业消耗的原始资源的影子价格, 当资源有被两个产业完全消耗时, M=1, λM>0, 所以1-M可以理解为减少生产以削减污染社会福利的行为。

不难证明上述Hamiltonian函数的严格凹性:

上述Hamiltonian函数的Hessian矩阵为:

$\left(\begin{array}{cccc}\text{Η}{}_{\text{Μ}\text{Μ}}& \text{Η}{}_{\text{Μ}\text{ε}}& 0& 0\\ \text{Η}{}_{\text{ε}\text{Μ}}& \text{Η}{}_{\text{ε}\text{ε}}& 0& 0\\ 0& 0& -\text{σ}{}_{\text{A}}& 0\\ 0& 0& 0& -\text{σ}{}_{\text{B}}\end{array}\right)(3)$

HMM=UAA (F${}_{\text{Μ}}^{\text{A}}$) 2+ (UA+λA) FAMM+UBB (F${}_{\text{Μ}}^{\text{B}}$) 2+ (UB+λB) F${}_{\text{Μ}\text{Μ}}^{\text{B}}$

Hεε=UAA (F${}_{\text{ε}}^{\text{A}}$) 2+ (UA+λA) F${}_{\text{ε}\text{ε}}^{\text{A}}$+UBB (F${}_{\text{ε}}^{\text{B}}$) 2+ (UB+λB) F${}_{\text{ε}\text{ε}}^{\text{B}}$

HMε=UAAF${}_{\text{ε}}^{\text{A}}$F${}_{\text{Μ}}^{\text{A}}$+ (UA+λA) F${}_{\text{Μ}\text{ε}}^{\text{A}}$+UBBF${}_{\text{ε}}^{\text{B}}$F${}_{\text{Μ}}^{\text{B}}$+ (UB+λB) F${}_{\text{Μ}\text{ε}}^{\text{B}}$ (4)

在最优增长路径上, 系统达到稳态 (steady state) , 增长速率为$0‚\dot{\text{λ}}{}_{\text{Μ}}=0$。当M*=1或M*=0, 函数存在角解, 由于资源的完全消耗和完全不消耗都是非理性的, 可以认为角解并非最优解;当0<M*<1时, 函数存在内部解, 并可能是最优解, 由于资源的部分消耗, 因此并不稀缺, λM=0。这时有:UA=-λA, UB=-λB。可以得到:

HMM=UAA (F${}_{\text{Μ}}^{\text{A}}$) 2+UBB (F${}_{\text{Μ}}^{\text{B}}$) 2<0

Hεε=UAA (F${}_{\text{ε}}^{\text{A}}$) 2+UBB (F${}_{\text{ε}}^{\text{B}}$) <0

HMε=UAAF${}_{\text{ε}}^{\text{A}}$F${}_{\text{Μ}}^{\text{A}}$+UBBF${}_{\text{ε}}^{\text{B}}$F${}_{\text{Μ}}^{\text{B}}$

HMMHεε- (HMε) 2>0 (5)

由式 (5) 可得, 当0<M*<1, Hamiltonian函数严格的凹, 存在一个极大值的内部解。根据Pontryagin最大值原理, Hamiltonian函数存在极大值的一阶必要条件:

$\frac{\partial \text{Η}}{\partial \text{Μ}}=(\text{U}{}_{\text{A}}+\text{λ}{}_{\text{A}})\text{F}{}_{\text{Μ}}^{\text{A}}+(\text{U}{}_{\text{B}}+\text{λ}{}_{\text{B}})\text{F}{}_{\text{Μ}}^{\text{B}}-\text{λ}{}_{\text{Μ}}=0$;

$\frac{\partial \text{Η}}{\partial \text{ε}}=(\text{U}{}_{\text{A}}+\text{λ}{}_{\text{A}})\text{F}{}_{\text{ε}}^{\text{A}}+(\text{U}{}_{\text{B}}+\text{λ}{}_{\text{B}})\text{F}{}_{\text{ε}}^{\text{B}}=0$;

$\dot{\text{λ}}{}_{\text{A}}=\text{ρ}\text{λ}{}_{\text{A}}-(-\text{σ}{}_{\text{A}}\text{S}{}_{\text{A}}-\text{γ}{}_{\text{A}}\text{λ}{}_{\text{A}})=(\text{ρ}+\text{γ}{}_{\text{A}})\text{λ}{}_{\text{A}}+\text{σ}{}_{\text{A}}\text{S}{}_{\text{A}}$;

$\dot{\text{λ}}{}_{\text{B}}=(\text{ρ}+\text{γ}{}_{\text{B}})\text{λ}{}_{\text{B}}+\text{σ}{}_{\text{B}}\text{S}{}_{\text{B}}$;

λM (1-M) =0 (6)

由 (6) 可得:

$\text{U}{}_{\text{A}}=\frac{\text{λ}{}_{\text{Μ}}}{\text{Ρ}{}_{\text{R}}^{\text{A}}}-\text{λ}{}_{\text{A}}‚\text{U}{}_{\text{B}}=\frac{\text{λ}{}_{\text{Μ}}}{\text{Ρ}{}_{\text{R}}^{\text{B}}}-\text{λ}{}_{\text{B}}(7)$

在长期经济的稳态均衡中, 有$\dot{\text{λ}}{}_{\text{i}}=0$。可以得到:

$\text{λ}{}_{\text{i}}=\frac{-\text{σ}{}_{\text{i}}\text{S}{}_{\text{i}}^{*}}{\text{ρ}+\text{γ}{}_{\text{i}}}(8)$

当0<M*<1时, λM=0, 函数存在内部解, 此时:

$\text{U}{}_{\text{A}}^{*}=\frac{\text{σ}{}_{\text{A}}\text{S}{}_{\text{A}}^{*}}{\text{ρ}+\text{γ}{}_{\text{A}}}=\frac{\text{σ}{}_{\text{A}}\text{F}{}^{\text{A}{}^{*}}}{\text{γ}{}_{\text{A}}(\text{ρ}+\text{γ}{}_{\text{A}})}$, $\text{U}{}_{\text{B}}^{*}=\frac{\text{σ}{}_{\text{B}}\text{F}{}^{\text{B}{}^{*}}}{\text{γ}{}_{\text{A}}(\text{ρ}+\text{γ}{}_{\text{A}})}$ (9)

式 (9) 两边分别对γA、γB、σA、σB、ρ求导:

$\frac{\partial \text{Μ}{}^{*}}{\partial \text{γ}{}_{\text{A}}}=\frac{\text{σ}{}_{\text{A}}\text{F}{}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}(2\text{γ}{}_{\text{A}}+\text{ρ})}{(\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}})[\text{U}{}_{\text{A}\text{A}}\text{γ}{}_{\text{A}}(\text{γ}{}_{\text{A}}+\text{ρ})-\text{σ}{}_{\text{A}}]\text{γ}{}_{\text{A}}(\text{γ}{}_{\text{A}}+\text{ρ})}＞0$,

$\frac{\partial \text{ε}{}^{*}}{\partial \text{γ}{}_{\text{A}}}=\frac{\text{σ}{}_{\text{A}}\text{F}{}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}(2\text{γ}{}_{\text{A}}+\text{ρ})}{(\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}})[\text{U}{}_{\text{A}\text{A}}\text{γ}{}_{\text{A}}(\text{γ}{}_{\text{A}}+\text{ρ})-\text{σ}{}_{\text{A}}]\text{γ}{}_{\text{A}}(\text{γ}{}_{\text{A}}+\text{ρ})}＞0$,

$\frac{\partial \text{Μ}{}^{*}}{\partial \text{γ}{}_{\text{B}}}=\frac{\text{σ}{}_{\text{B}}\text{F}{}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}(2\text{γ}{}_{\text{B}}+\text{ρ})}{(\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}})[\text{U}{}_{\text{B}\text{B}}\text{γ}{}_{\text{B}}(\text{γ}{}_{\text{B}}+\text{ρ})-\text{σ}{}_{\text{B}}]\text{γ}{}_{\text{B}}(\text{γ}{}_{\text{B}}+\text{ρ})}＞0$,

$\frac{\partial \text{ε}{}^{*}}{\partial \text{γ}{}_{\text{B}}}=\frac{\text{σ}{}_{\text{B}}\text{F}{}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}(2\text{γ}{}_{\text{B}}+\text{ρ})}{(\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}})[\text{U}{}_{\text{B}\text{B}}\text{γ}{}_{\text{B}}(\text{γ}{}_{\text{B}}+\text{ρ})-\text{σ}{}_{\text{B}}]\text{γ}{}_{\text{B}}(\text{γ}{}_{\text{B}}+\text{ρ})}＜0$,

$\frac{\partial \text{Μ}{}^{*}}{\partial \text{σ}{}_{\text{A}}}=\frac{\text{F}{}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}}{(\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}})[\text{U}{}_{\text{A}\text{A}}\text{γ}{}_{\text{A}}(\text{γ}{}_{\text{A}}+\text{ρ})-\text{σ}{}_{\text{A}}]}＜0$,

$\frac{\partial \text{ε}{}^{*}}{\partial \text{σ}{}_{\text{A}}}=\frac{\text{F}{}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}}{(\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}})[\text{U}{}_{\text{A}\text{A}}\text{γ}{}_{\text{A}}(\text{γ}{}_{\text{A}}+\text{ρ})-\text{σ}{}_{\text{A}}]}＜0$,

$\frac{\partial \text{Μ}{}^{*}}{\partial \text{σ}{}_{\text{B}}}=\frac{\text{F}{}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}{(\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}})[\text{U}{}_{\text{B}\text{B}}\text{γ}{}_{\text{B}}(\text{γ}{}_{\text{B}}+\text{ρ})-\text{σ}{}_{\text{B}}]}＜0$,

$\frac{\partial \text{ε}{}^{*}}{\partial \text{σ}{}_{\text{B}}}=\frac{\text{F}{}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}{(\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}})[\text{U}{}_{\text{B}\text{B}}\text{γ}{}_{\text{B}}(\text{γ}{}_{\text{B}}+\text{ρ})-\text{σ}{}_{\text{B}}]}＞0$,

$\frac{\partial \text{Μ}{}^{*}}{\partial \text{ρ}}=\frac{\frac{-\text{σ}{}_{\text{B}}\text{F}{}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}{[\text{U}{}_{\text{B}\text{B}}\text{γ}{}_{\text{B}}(\text{γ}{}_{\text{B}}+\text{ρ})-\text{σ}{}_{\text{B}}](\text{γ}{}_{\text{B}}+\text{ρ})}+\frac{\text{σ}{}_{\text{A}}\text{F}{}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}}{[\text{U}{}_{\text{A}\text{A}}\text{γ}{}_{\text{A}}(\text{γ}{}_{\text{A}}+\text{ρ})-\text{σ}{}_{\text{A}}](\text{γ}{}_{\text{A}}+\text{ρ})}}{(\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}})}＜0$,

$\frac{\partial \text{ε}{}^{*}}{\partial \text{ρ}}=\frac{\frac{-\text{σ}{}_{\text{A}}\text{F}{}^{\text{A}{}^{*}}\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}}{[\text{U}{}_{\text{A}\text{A}}\text{γ}{}_{\text{A}}(\text{γ}{}_{\text{A}}+\text{ρ})-\text{σ}{}_{\text{A}}](\text{γ}{}_{\text{A}}+\text{ρ})}+\frac{\text{σ}{}_{\text{B}}\text{F}{}^{\text{B}{}^{*}}\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}}{[\text{U}{}_{\text{B}\text{B}}\text{γ}{}_{\text{B}}(\text{γ}{}_{\text{B}}+\text{ρ})-\text{σ}{}_{\text{B}}](\text{γ}{}_{\text{B}}+\text{ρ})}}{(\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}})}$ (10)

1.2 Hamiltonian函数与稳态点的最优线性逼近

不难看出, 上面用于刻画社会福利函数的Hamiltonian方程并不是线性的, 通过Jacobian矩阵将非线性转化为近似的线性, 可以得到控制变量和状态变量向稳态点的最优逼近方程。具体如下:

$\left(\begin{array}{c}\dot{\text{Μ}}\\ \dot{\text{ε}}\\ \dot{\text{S}}{}_{\text{A}}\\ \dot{\text{S}}{}_{\text{B}}\end{array}\right)=\text{J}\cdot \left(\begin{array}{c}\text{Μ}-\text{Μ}{}^{*}\\ \text{ε}-\text{ε}{}^{*}\\ \text{S}{}_{\text{A}}-\text{S}{}_{\text{A}}^{*}\\ \text{S}{}_{\text{B}}-\text{S}{}_{\text{B}}^{*}\end{array}\right)$

(11)

根据式 (6) ～式 (11) , 得到Hamiltonian方程中控制变量M, ε和状态变量SA, SB增长的方程组:

$\dot{\text{Μ}}=\frac{\partial \text{Μ}}{\partial \text{t}}=\frac{[(\text{ρ}+\text{γ}{}_{\text{A}})\text{U}{}_{\text{A}}-\text{σ}{}_{\text{A}}\text{S}{}_{\text{A}}]\text{U}{}_{\text{B}\text{B}}\text{F}{}_{\text{ε}}^{\text{B}}-[(\text{ρ}+\text{γ}{}_{\text{B}})\text{U}{}_{\text{B}}-\text{σ}{}_{\text{B}}\text{S}{}_{\text{B}}]\text{U}{}_{\text{A}\text{A}}\text{F}{}_{\text{ε}}^{\text{A}}}{\text{U}{}_{\text{A}\text{A}}\text{U}{}_{\text{B}\text{B}}(\text{F}{}_{\text{Μ}}^{\text{A}}\text{F}{}_{\text{ε}}^{\text{B}}-\text{F}{}_{\text{Μ}}^{\text{B}}\text{F}{}_{\text{ε}}^{\text{A}})}$;

$\dot{\text{ε}}=\frac{\partial \text{ε}}{\partial \text{t}}=\frac{[(\text{ρ}+\text{γ}{}_{\text{B}})\text{U}{}_{\text{B}}-\text{σ}{}_{\text{B}}\text{S}{}_{\text{B}}]\text{U}{}_{\text{A}\text{A}}\text{F}{}_{\text{ε}}^{\text{A}}-[(\text{ρ}+\text{γ}{}_{\text{A}})\text{U}{}_{\text{A}}-\text{σ}{}_{\text{A}}\text{S}{}_{\text{A}}]\text{U}{}_{\text{B}\text{B}}\text{F}{}_{\text{ε}}^{\text{B}}}{\text{U}{}_{\text{A}\text{A}}\text{U}{}_{\text{B}\text{B}}(\text{F}{}_{\text{Μ}}^{\text{A}}\text{F}{}_{\text{ε}}^{\text{B}}-\text{F}{}_{\text{Μ}}^{\text{B}}\text{F}{}_{\text{ε}}^{\text{A}})}$;

$\dot{\text{S}}{}_{\text{A}}=\frac{\text{d}\text{S}{}_{\text{A}}}{\text{d}\text{t}}=\text{F}{}^{\text{A}}-\text{γ}{}_{\text{A}}\text{S}{}_{\text{A}}$;$\dot{\text{S}}{}_{\text{B}}=\frac{\text{d}\text{S}{}_{\text{B}}}{\text{d}\text{t}}=\text{F}{}^{\text{B}}-\text{γ}{}_{\text{B}}\text{S}{}_{\text{B}}(12)$

方程组里4个方程分别对应着对M, ε, SA, SB求导, 得到下面Jacobian矩阵:

$\left(\begin{array}{cccc}\text{ρ}+\frac{\text{γ}{}_{\text{A}}\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{γ}{}_{\text{B}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}}{\text{F}{}_{\text{Μ}}^{\text{A}}\text{F}{}_{\text{ε}}^{\text{B}}-\text{F}{}_{\text{Μ}}^{\text{B}}\text{F}{}_{\text{ε}}^{\text{A}}}& \frac{(\text{γ}{}_{\text{A}}-\text{γ}{}_{\text{B}})\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}}{\text{F}{}_{\text{Μ}}^{\text{A}}\text{F}{}_{\text{ε}}^{\text{B}}-\text{F}{}_{\text{Μ}}^{\text{B}}\text{F}{}_{\text{ε}}^{\text{A}}}& \frac{-\text{σ}{}_{\text{A}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}}{\text{U}{}_{\text{A}\text{A}}(\text{F}{}_{\text{Μ}}^{\text{A}}\text{F}{}_{\text{ε}}^{\text{B}}-\text{F}{}_{\text{Μ}}^{\text{B}}\text{F}{}_{\text{ε}}^{\text{A}})}& \frac{\text{σ}{}_{\text{A}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}{\text{U}{}_{\text{B}\text{B}}(\text{F}{}_{\text{Μ}}^{\text{A}}\text{F}{}_{\text{ε}}^{\text{B}}-\text{F}{}_{\text{Μ}}^{\text{B}}\text{F}{}_{\text{ε}}^{\text{A}})}\\ \frac{(\text{γ}{}_{\text{B}}-\text{γ}{}_{\text{A}})\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}}{\text{F}{}_{\text{Μ}}^{\text{A}}\text{F}{}_{\text{ε}}^{\text{B}}-\text{F}{}_{\text{Μ}}^{\text{B}}\text{F}{}_{\text{ε}}^{\text{A}}}& \text{ρ}+\frac{\text{γ}{}_{\text{B}}\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{γ}{}_{\text{A}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}}{\text{F}{}_{\text{Μ}}^{\text{A}}\text{F}{}_{\text{ε}}^{\text{B}}-\text{F}{}_{\text{Μ}}^{\text{B}}\text{F}{}_{\text{ε}}^{\text{A}}}& \frac{\text{σ}{}_{\text{B}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}}{\text{U}{}_{\text{A}\text{A}}(\text{F}{}_{\text{Μ}}^{\text{A}}\text{F}{}_{\text{ε}}^{\text{B}}-\text{F}{}_{\text{Μ}}^{\text{B}}\text{F}{}_{\text{ε}}^{\text{A}})}& \frac{-\text{σ}{}_{\text{B}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}{\text{U}{}_{\text{B}\text{B}}(\text{F}{}_{\text{Μ}}^{\text{A}}\text{F}{}_{\text{ε}}^{\text{B}}-\text{F}{}_{\text{Μ}}^{\text{B}}\text{F}{}_{\text{ε}}^{\text{A}})}\\ \text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}& \text{F}{}_{\text{ε}}^{\text{A}{}^{*}}& -\text{γ}{}_{\text{A}}& 0\\ \text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}& \text{F}{}_{\text{ε}}^{\text{B}{}^{*}}& 0& -\text{γ}{}_{\text{B}}\end{array}\right)$

求解矩阵的特征值:

$\begin{array}{l}\text{v}{}_1=\frac{1}{2}\left[\text{ρ}-\sqrt{(\text{ρ}+2\text{σ}{}_{\text{A}}){}^2-\frac{4\text{σ}{}_{\text{A}}}{\text{U}{}_{\text{A}\text{A}}}}\right]＜0‚\\ \text{v}{}_2=\frac{1}{2}\left[\text{ρ}-\sqrt{(\text{ρ}+2\text{σ}{}_{\text{B}}){}^2-\frac{4\text{σ}{}_{\text{B}}}{\text{U}{}_{\text{B}\text{B}}}}\right]＜0‚\\ \text{v}{}_3=\frac{1}{2}\left[\text{ρ}+\sqrt{(\text{ρ}+2\text{σ}{}_{\text{A}}){}^2-\frac{4\text{σ}{}_{\text{A}}}{\text{U}{}_{\text{A}\text{A}}}}\right]＞0‚\\ \text{v}{}_4=\frac{1}{2}\left[\text{ρ}+\sqrt{(\text{ρ}+2\text{σ}{}_{\text{B}}){}^2-\frac{4\text{σ}{}_{\text{B}}}{\text{U}{}_{\text{B}\text{B}}}}\right]＞0(13)\end{array}$

从式 (13) 可以看出, 控制变量和状态变量向稳态点的最优逼近路径上存在两个鞍点。求解矩阵的特征向量, 得到:

$\begin{array}{l}\text{ξ}{}_1=\left(\frac{\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}(\text{v}{}_1+\text{γ}{}_{\text{A}})}{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}‚\frac{-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}(\text{v}{}_1+\text{γ}{}_{\text{A}})}{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}‚1‚0\right)\\ \text{ξ}{}_2=\left(\frac{-\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}(\text{v}{}_2+\text{γ}{}_{\text{B}})}{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}‚\frac{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}(\text{v}{}_2+\text{γ}{}_{\text{B}})}{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}‚0‚1\right)(14)\end{array}$

由式 (14) 、式 (11) 得到控制变量M, ε和状态变量SA, SB向稳态点的最优逼近方程:

$\text{Μ}=\text{Μ}{}^{*}+(\text{S}{}_{\text{A}}^0-\text{S}{}_{\text{A}}^{*})\frac{\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}(\text{v}{}_1+\text{γ}{}_{\text{A}})}{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}\text{e}{}^{\text{v}{}_1\text{t}}-(\text{S}{}_{\text{B}}^0-\text{S}{}_{\text{B}}^{*})\frac{\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}(\text{v}{}_2+\text{γ}{}_{\text{B}})}{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}\text{e}{}^{\text{v}{}_2\text{t}}$;

$\text{ε}=\text{ε}{}^{*}-(\text{S}{}_{\text{A}}^0-\text{S}{}_{\text{A}}^{*})\frac{\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}(\text{v}{}_1+\text{γ}{}_{\text{A}})}{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}\text{e}{}^{\text{v}{}_1\text{t}}+(\text{S}{}_{\text{B}}^0-\text{S}{}_{\text{B}}^{*})\frac{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}(\text{v}{}_2+\text{γ}{}_{\text{B}})}{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}\text{e}{}^{\text{v}{}_2\text{t}}$;

SA=S*A+ (S${}_{\text{A}}^0$-S*A) ev1t; SB=S*B+ (S${}_{\text{B}}^0$-S*B) ev2t (15)

式 (15) 具有一般形式:Z=Z*+Nev1t+Lev2t。定义τZ为变量向稳态收敛的速度, $\text{τ}{}_{\text{Ζ}}=\left|\frac{\dot{\text{Ζ}}}{\text{Ζ}-\text{Ζ}{}^{*}}\right|$。显然, 状态变量、控制变量的增速$\dot{\text{Ζ}}$越大, 与稳态的间隔Z-Z*越小, 状态变量、控制变量向稳态收敛的速度就越快。

对于控制变量M, ε的收敛速度来说:

当v2<v1, 即v1<v2时,

$\text{τ}{}_{\text{Μ}}=\text{τ}{}_{\text{ε}}\left|\underset{\text{t}\to +\infty }{{\displaystyle \lim }}\frac{\text{Ν}\text{v}{}_1+\text{L}\text{v}{}_2\text{e}{}^{(\text{v}{}_2-\text{v}{}_1)\text{t}}}{\text{Ν}+\text{L}\text{e}{}^{(\text{v}{}_2-\text{v}{}_1)\text{t}}}\right|=$v1;

当v1<v2, 即v2<v1时,

$\text{τ}{}_{\text{Μ}}=\text{τ}{}_{\text{ε}}=\left|\underset{\text{t}\to +\infty }{{\displaystyle \lim }}\frac{\text{Ν}\text{v}{}_1\text{e}{}^{(\text{v}{}_1-\text{v}{}_2)\text{t}}+\text{L}\text{v}{}_2}{\text{Ν}\text{e}{}^{(\text{v}{}_1-\text{v}{}_2)\text{t}}+\text{L}}\right|=$v2

由于控制变量M, ε向稳态收敛的速度为$\min \{|\text{v}{}_1|‚|\text{v}{}_2|\}$, 可以看出控制变量M, ε向稳态收敛的速度不是单调的。

对于状态变量SA, SB的收敛速度来说, $\text{τ}{}_{\text{S}{}_{\text{A}}}=|\text{v}{}_1|‚\text{τ}{}_{\text{S}{}_{\text{B}}}=|\text{v}{}_2|$, 可以看出状态变量SA, SB向稳态收敛的速度是单调的。

式 (15) 两边对时间t求导, 得到:

$\dot{\text{Μ}}=\text{v}{}_1(\text{S}{}_{\text{A}}^0-\text{S}{}_{\text{A}}^{*})\frac{\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}(\text{v}{}_1+\text{γ}{}_{\text{A}})}{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}\text{ε}{}^{\text{v}{}_1\text{t}}-\text{v}{}_2(\text{S}{}_{\text{B}}^0-\text{S}{}_{\text{B}}^{*})\frac{\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}(\text{v}{}_2+\text{γ}{}_{\text{B}})}{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}\text{e}{}^{\text{v}{}_2\text{t}}$;

$\dot{\text{ε}}=-\text{v}{}_1(\text{S}{}_{\text{A}}^0-\text{S}{}_{\text{A}}^{*})\frac{\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}(\text{v}{}_1+\text{γ}{}_{\text{A}})}{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}\text{e}{}^{\text{v}{}_1\text{t}}+\text{v}{}_2(\text{S}{}_{\text{B}}^0-\text{S}{}_{\text{B}}^{*})\frac{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}(\text{v}{}_2+\text{γ}{}_{\text{B}})}{\text{F}{}_{\text{Μ}}^{\text{A}{}^{*}}\text{F}{}_{\text{ε}}^{\text{B}{}^{*}}-\text{F}{}_{\text{Μ}}^{\text{B}{}^{*}}\text{F}{}_{\text{ε}}^{\text{A}{}^{*}}}\text{e}{}^{\text{v}{}_2\text{t}}$;

$\dot{\text{S}}{}_{\text{A}}=\text{v}{}_1(\text{S}{}_{\text{A}}^0-\text{S}{}_{\text{A}}^{*})\text{e}{}^{\text{v}{}_1\text{t}}$; $\dot{\text{S}}{}_{\text{B}}=\text{v}{}_2(\text{S}{}_{\text{B}}^0-\text{S}{}_{\text{B}}^{*})\text{e}{}^{\text{v}{}_2\text{t}}$ (16)

式 (16) 可以看出, 控制变量$\dot{\text{Μ}}$、$\dot{\text{ε}}$的最优路径是非单调的, 并在特殊的情况下取得极值, 当sgn (S${}_{\text{A}}^0$-S*A) ≠sgn (S0B-S*B) 时, $\dot{\text{Μ}}$存在着极大值与极小值, $\dot{\text{ε}}$单调变化;当sgn (S${}_{\text{A}}^0$-S*A) =sgn (S${}_{\text{B}}^0$-S*B) 时, $\dot{\text{ε}}$存在着极大值与极小值, $\dot{\text{Μ}}$单调变化。而状态变量$\dot{\text{S}}$A、$\dot{\text{S}}$B的最优路径始终是单调的。

对于污染损害函数$\text{D}=\frac{\text{σ}{}_{\text{A}}}{2}[\text{S}{}_{\text{A}}^{*}+(\text{S}{}_{\text{A}}^0-\text{S}{}_{\text{A}}^{*})\text{e}{}^{\text{v}{}_1\text{t}}]{}^2+\frac{\text{σ}{}_{\text{A}}}{2}[\text{S}{}_{\text{B}}^{*}+(\text{S}{}_{\text{B}}^0-\text{S}{}_{\text{B}}^{*})\text{e}{}_{\text{v}{}_1\text{t}}]{}^2$, 有:

$\begin{array}{l}\dot{\text{D}}=\text{σ}{}_{\text{A}}\text{v}{}_1(\text{S}{}_{\text{A}}^0-\text{S}{}_{\text{A}}^0)\text{e}{}^{\text{v}{}_1\text{t}}\text{S}{}_{\text{A}}+\text{σ}{}_{\text{B}}\text{v}{}_2(\text{S}{}_{\text{B}}^0-\text{S}{}_{\text{B}}^{*})\text{e}{}^{\text{v}{}_2\text{t}}\text{S}{}_{\text{B}}\\ \Rightarrow -\frac{\text{S}{}_{\text{B}}}{\text{S}{}_{\text{A}}}=-\frac{\text{S}{}_{\text{B}}^{*}+(\text{S}{}_{\text{B}}^0-\text{S}{}_{\text{B}}^{*})\text{e}{}^{\text{v}{}_1\text{t}}}{\text{S}{}_{\text{A}}^{*}-(\text{S}{}_{\text{A}}^0-\text{S}{}_{\text{A}}^{*})\text{e}{}^{\text{v}{}_1\text{t}}}=\frac{\text{σ}{}_{\text{A}}\text{v}{}_1(\text{S}{}_{\text{A}}^0-\text{S}{}_{\text{A}}^{*})\text{e}{}^{\text{v}{}_1\text{t}}}{\text{σ}{}_{\text{B}}\text{v}{}_2(\text{S}{}_{\text{B}}^0-\text{S}{}_{\text{B}}^{*})\text{e}{}^{\text{v}{}_2\text{t}}}(17)\end{array}$

显然, 污染损害D的最优路径也不是单调的。

2 数值模拟

2.1 主要函数与参数设定

定义两大产业的产出函数为:$\text{Q}{}^{\text{i}}=\text{Ρ}{}^{\text{i}}(\text{R})=\sqrt{\text{R}{}^{\text{i}}}$, i=A, B;效用函数为:U (QA, QB) = (QA) 2+ (QB) 2;污染损害函数为:$\text{D}=\frac{\text{σ}{}_{\text{A}}}{2}(\text{S}{}_{\text{A}}){}^2+\frac{\text{σ}{}_{\text{B}}}{2}(\text{S}{}_{\text{B}}){}^2$。

为了确保动态最优化方程可解并且处于假定的范围内 (0≤M≤1, 0≤ε≤1) , 参数设定见表1。所有数值模拟、最优化求解和作图均使用MATLAB7.0。

2.2 模拟结果

①条件Ⅰ

②条件Ⅱ

③条件Ⅲ

④条件Ⅳ

⑤条件Ⅴ

⑥条件Ⅵ

注:上图为条件 (6) 下的污染损害函数

3 主要结论

(1) 在基于资源消耗和环境控制框架下的耦合产业系统增长模型里, 稳态条件下, 产业的存量污染的衰减系数γ越大, 分配到该产业上的资源就越多;反之, 产业的存量污染的衰减系数γ越小, 分配到该产业上的资源就越少。

(2) 在基于资源消耗和环境控制框架下的耦合产业系统增长模型里, 稳态条件下, 产业的存量污染的危害系数σ越大, 分配到该产业上的资源就越少;反之, 产业的存量污染衰减系数σ越小, 分配到该产业上的资源就越多。

(3) 在基于资源消耗和环境控制框架下的耦合产业系统增长模型里, 稳态条件下, 贴现率ρ越大, 产业消耗的资源就越多。

(4) 耦合产业中控制变量M (即资源消耗总量或产业市场规模) 、ε (产业市场结构或产业比重) 和状态变量SA, SB (即污染存量) 对实达到稳态增长的影响很大。总体来说, 其增速越快, 变量向稳态收敛的速度就越快。但是, 收敛于稳态增长路径是不同的, 市场的规模、资源的消耗、产业的结构向稳态收敛的速度并不是单调的, 而产业的污染存量向稳态收敛的速度是单调的。

(5) 参数的取值将影响到社会福利函数以及社会损害函数的变化。有可能出现非单调曲线和拐点。这与之前其他研究中的库兹涅茨曲线相吻合。

结构性污染 第2篇

摘要：文章根据-广州市各种工业结构企业工业总产值以及工业三废排放量等数据,运用灰色关联分析方法研究了广州市工业生产规模结构、轻重工业结构、行业结构与环境污染物之间的关联程度.结果表明:①广州市三种生产规模的企业中与工业三废关联最大的是小型企业,其次是中型企业,大型企业最小;②相对重工业,广州市轻工业与工业三废的.关联较大;③广州工业主导行业与工业三废的关联度排序:纺织业>石化工业>电子产品制造业>食品工业>机械制造工业>冶金工业>电力燃气及水的生产供应业.作 者：符鹏 许振成 彭晓春 陈志良 Fu Peng Xu Zhencheng Peng Xiaochun Chen Zhiliang 作者单位：符鹏,Fu Peng(湖南农业大学,资源与环境学院,湖南,长沙,410128;环境保护部华南环境科学研究所,广东,广州,510655)

许振成,彭晓春,陈志良,Xu Zhencheng,Peng Xiaochun,Chen Zhiliang(环境保护部华南环境科学研究所,广东,广州,510655)

结构噪声中低频噪声污染的环境监测 第3篇

关键词：结构噪声;噪声污染;环境监测

目前，低频噪声在人们的生活中随处可见，例如：办公大楼里的电梯、中央空调、变压器和水泵等，这些设备都会产生低频噪声，不仅影响着人们的日常生活，而且对人们的身体健康也会造成威胁。面对这种情况，必须开展有效的低频噪声环境监测，以此来为人们提供一个安静、健康的生活环境。

一、低频噪声的特性

所谓低频噪声，主要指的是频率不超过500Hz的声音。就目前生活中常见的低频噪声来看，主要源自于变压器、中央空调、水泵以及交通噪声。与高频噪声不同，低频噪声不仅具有声波长、递减速度慢等特点，而且能够轻易穿过障碍物，直入人耳。所以，对人体所产生的危害也远远超过了高频噪声。

就目前低频噪声的传播方式来看，大致包括三种，即结构传声、空气传声和驻波。其中，结构传声主要是指在建筑物中的声源，通过建筑物的整体结构来实现声音的传播;空气传声则主要是以空气为介质，以纵波的形式向四周传播噪声;而驻波则主要是噪声在经过多次反射之后形成的一种传播形式，与结构传声和空气传声相比，驻波对人体造成的危害要更大。

二、结构噪声中低频噪声污染环境监测的前期准备

做好前期准备工作能够从根本上提高低频噪声污染环境监测的整体质量，由于低频噪声污染环境监测是一项复杂的工作，因此，对于前期的准备工作，必须做到全面系统。

1、确定噪声敏感建筑物所处的噪声功能区类别

就目前噪声功能区的类别来看，按照环境质量的要求不同，可以详细分为5种类别，即0，1，2，3，4。在前期准备工作中，为了确保监测工作最后能够得到科学的评价，在对噪声功能区进行选择的时候，应该对环境噪声等级和倍频带声压级排放限值进行充分考虑。

2、确定影响噪声敏感建筑物的噪声源

就目前能够对噪声敏感建筑物产生影响的噪声源来看，往往并不是单一的一种，而是多方面的，根据类别的不同，可以将其分为移动噪声源、固定噪声源、稳态噪声源和非稳态噪声源几个方面。因此，在开展低频噪声环境监测的时候，必须对噪声源的类别进行充分明确，并在此基础上结合实际情况采取针对性的监测方案，以此来确保监测方案的科学性和合理性。

3、确定影响噪声敏感建筑物的主要噪声源的位置

能够对噪声敏感建筑物产生影响的噪声源的位置大致可以分为两种类型，即处于噪声敏感建筑物内部和处于噪声敏感建筑物外部。

三、结构噪声中低频噪声污染的环境监测

1、噪声源在噪声敏感建筑物内

目前，对于低频噪声的测量，相关标准中做出了明确规定：对于通过结构进行传播的低频噪声的监测，在对监测点位进行设置的时候，应该确保其距离地面和距离外窗分别为1.2m和1m以上。同时，对于房间内的有可能对监测结果噪声影响的声源，例如：电脑、空调、电视、机械钟等，在监测过程中，应该将其关闭。其次，要根据建筑物的实际情况，对测点进行科学选取，并在纸上做好相应的记录，在选取测点时应该充分考虑室内驻波的存在，测点的数量应控制在3个以上。最后就是要整理测量结果，填写测量记录，进行测量结果评价。

2、噪声源在噪声敏感建筑物外

对于噪声源在噪声敏感建筑物外的低频噪声测量，相关标准中并没有给出明确要求。这种低频噪声往往是通过空气进行传播的，因此，对于监测点位的设置应该尽可能设在距离窗外1m，据地面1.2m的位置。如果存在一些因素导致无法在噪声敏感建筑物外进行测量，则应该对监测点位调整到距离地面1.2m，距离窗户1.5m的距离，以此来确保监测工作的顺利开展，与此同时，还应该采用比该噪声敏感建筑物所在声环境功能区对应环境噪声限制低10分贝的值作为评价依据。

3、确定噪声敏感建筑物的噪声本底值

本底值监测是低频噪声污染环境监测中的一项重要工作。通常情况下，对于背景噪声的测量，其相关的修正要求为：测量环境不受被测声源影响且其他声环境与测量被测声源时保持一致。同时，要注意监测过程中，气候条件对测量结果产生的影响。此外，对于本底值的确定，还要对仪器在测量过程中产生的不确定因素进行充分考虑，以此来对噪声的本底值进行进一步明确。

4、非营利性活动社会生活低频噪声的测量

目前，对于娱乐场所中设备所产生出来的低频噪声，相关标准中给予了明确的管理方法对其进行评价与控制。但是对于非营利性活动社会生活低频噪声的测量，却没有明确的规定。因此，如果一定要对此类情况进行监测，那么就只能采用GB3096—2008《声环境质量标准》对敏感点的区域环境噪声进行测量，但是，这只是一个环境标准，与噪声的排放标准是两个概念，监测数据虽然可以作为参考，但却不可作为执法依据。

结语

综上所述，低频噪声在人们的日常生活中非常常见，而且对人们的身体健康具有很大的影响。伴随着人们生活水平的不断提高，拥有一个安静、健康的生活环境也成为了人们的追求目标。为了尽可能满足人们的需求，加强对低频噪声污染的环境监测，从而采取科学合理的措施将其有效解决是不容忽视的，应该引起相关部门的高度重视。

参考文献：

[1]曹家新.結构噪声中低频噪声污染的环境监测[J].四川环境，2014（01）.

[2]王毅，徐辉.学习三个新环境噪声标准的体会[J].中国环境监测，2010（26）.

[3]李军.浅谈噪声敏感建筑物的低频噪声监测[J].科技信息，2011（23）. /o：p>

监控系统对尾矿处理有着非常重要的作用，它能够对尾矿的实际浓度、流量以及筛选过程中电动机运行中电流的大小等等进行有效的采集，这样就可以保证系统在运行的过程中可以对实际的运行状况进行有效的监测和预警，同时对故障的设备要及时发现和分析，这样才能有效的保证设备在运行的过程中可以一直保持非常好的工作状态，确保生产的安全性和可靠性，同时通过系统当中的自动化计控系统和通信电话系统等也可以有效的实现变频控制功能。

4、结语

新型尾矿处理系统经过铁矿试验应用，效果显著。投资减少60%，占地面积减少90%。项目中开发了尾矿处理过程智能监控系统，对整个系统的运行故障及时预警，保障设备安全运行。对振动筛整体结构进行了优化，整机体积减小，运行费用降低;和传统的胶式带过滤机相比，制造成本降低50%;在处理尾矿量相同的情况下，节约电能80%;对浓密机结构进行了优化，利用斜板技术工艺，增加泥浆沉淀面积，减小设备体积1倍多。

参考文献：

[1]赵龙录，杨玉华，贾承恩.铁矿尾矿干法排放工艺及设备[J].金属矿山.2009（12）

[2]刘正西.尾矿干式堆存在磷矿山选矿厂中的应用[J].化工矿物与加工.2007（09）

结构性污染 第4篇

1 油船、化学品液货船、准许载运个别的植物油的船舶的边舱或处所的要求及其相互兼用时的情况说明及结论

1) 油船, 根据《国内航行海船法定检验技术规则》 (2011) 第5篇第2章3.6的要求及交通运输部 (2009第52号公告) 《关于发布提前淘汰国内航行单壳油轮实施方案的公告》和交通运输部海事局 (海船舶 (2010) 230号) 《关于执行提前淘汰国内航行单壳油轮实施方案有关事项的通知》的要求: (1) 载重量5000吨及以上的油船, 整个货油舱区域边舱或处所应由下述压载舱或非载运油类的舱室处所加以保护:即边舱或处所应伸展到舷侧全深或是从双层底顶端到最上层甲板, 无论船舶的舷缘是否为圆弧形。各边舱或处所应布置成使得全部货油舱皆位于这些舱或处所壳板型线的内侧面。在与舷侧壳板垂直的任何剖面处测得的距离W值, 若舭部弯曲区域或舭部无明显弯曲的部位, 当h和W两者距离不等时, W值应在基线以上超过1.5 h处选取, 如图1所示, 应不得小于下式计算值:W=0.5+DWT/20000m或W=2.0m, 取小者。最小值W=1.0m。式中, DWT为载重吨。 (2) 载重量600吨及以上但小于5000吨的油船, 整个货油舱区域的边舱或处所的间距在与舷侧壳板垂直的任何剖面处测得的距离W值, 如图1所示, 应不得小于下式计算值:W=0.4+DW/20000 (m) , 最小值W=0.76m; (3) 载重量小于600吨的油船无具体要求。

2) 化学品液货船, 根据《散装运输危险化学品船舶构造与设备规范》 (2009) 国际散装运输危险化学品船舶构造与设备规则第2章第2.6的要求, 化学品船 (Ⅱ型) 整个货油舱区域的边舱或处所距舷侧外板应不小于760mm;化学品液货船 (Ⅲ型) 无具体要求。

3) 准许载运个别的植物油的船舶, 根据《国内航行海船法定检验技术规则》 (2011) 第5篇第3章2.3.3的要求, 准许载运个别的植物油的船舶对整个液货舱区域的边舱或处所的间距应布置成液货舱位于舷侧板型线内侧不小于760mm处。

结论:针对法规 (规范) 对油船、化学品液货船、准许载运个别的植物油的船舶的边舱或处所的最低要求根据我们工作经常接触的相互兼用实际情况可分三类: (1) 化学品船兼油船: (1) 化学品液货船可兼载重量小于600吨的油船; (2) 若化学品液货船在载重量5000吨及以上或载重量600吨及以上但小于5000吨时, 则应满足相应载重量油船的要求; (2) 油船兼准许载运个别的植物油的船舶: (1) 载重量5000吨及以上或载重量600吨及以上但小于5000吨的油船可兼载运个别的植物油的船舶; (2) 载重量小于600吨的油船, 则应满足准许载运个别的植物油的船舶的要求; (3) 根据《海船法定营运检验技术规程》 (2011) 第10章10.2.1.5的要求, 化学品液货船载运个别植物油时货舱位置应位于边舱保护距离不小于760mm。

2 油船、化学品液货船、准许载运个别的植物油的船舶的双层底或处所的要求及其相互兼用时的情况说明及结论

1) 油船, 根据《国内航行海船法定检验技术规则》 (2011) 第5篇第2章3.6的要求, (1) 载重量5000吨及以上的油船, 整个货油舱区域的双层底或处所应满足:每一双层底舱或处所的任一剖面的垂直深度应为:货油舱双层底与船底壳板型线之间的垂直距离h, 如图2所示, 应不得小于下式计算值:h=B/15m或h=2.0m, 取小者。最小值h=1.0m。式中, B为型宽。

(2) 载重量600吨及以上但小于5000吨的油船, 整个货油舱区域的双层底或处所的距离在与船底壳板型线垂直的任何剖面处测得的距离h值, 如图2所示, 应不得小于下式计算值:h=B/15 (m) , 最小值W=0.76m; (3) 在舭部弯曲区域和舭部无明显弯曲的部位, 双层底高度h的选取为货油舱内底边界线应与船中部横剖面平底线平行, 如图3所示。

(4) 载重量小于600吨的油船无具体要求。

2) 化学品液货船, 根据《散装运输危险化学品船舶构造与设备规范》 (2009) 国际散装运输危险化学品船舶构造与设备规则第2章第2.6及《散装运输危险化学品船舶构造与设备规范》 (2009) 第A4章第A4.6的要求, 化学品液货船 (Ⅱ型) 对整个货油舱区域的双层底的高度 (距中心线的船底外板型线) 应不小于B/15 (m) 或6m, 取小者, 但其任何部位距外板都应不小于760mm。化学品液货船 (Ⅲ型) 无具体要求。

3) 准许载运个别的植物油的船舶, 根据《国内航行海船法定检验技术规则》 (2011) 第5篇第3章2.3.3的要求, 准许载运个别的植物油的船舶对整个液货舱区域的双层底或处所应布置成液货舱双层底与船底外板型线之间在船中心线的垂直距离不小于B/15 (m) 或2.0m, 取较小者;最小距离应为1.0m。

4) 根据《国内航行海船建造规范》 (2012) 第2章第6节双层底要求, 在船体中纵剖面处双层底高度 (h0) 应不小于:h0=25B+42d+300, 且不小于760mm, 对于双壳结构船舶 (设有双层底和双舷侧结构) , 可用内外壳中点之间的距离Be作为等效船宽代替船宽B, Be取值一般不应小于0.9B。

结论:针对法规 (规范) 对油船、化学品液货船、准许载运个别的植物油的船舶的双层底或处所的最低要求根据我们工作经常接触的相互兼用实际情况可分三类: (1) 化学品液货船兼油船: (1) 化学品液货船可兼载重量小于600吨的油船; (2) 若化学品液货船 (B≤30m) 在载重量5000吨及以上或载重量600吨及以上但小于5000吨时, 则应满足相应载重量油船的要求; (2) 油船兼准许载运个别的植物油的船舶: (1) 油船在载重量5000吨及以上或载重量600吨及以上但小于5000吨, 且B≥15m时可兼载运个别的植物油的船舶; (2) 载重量小于600吨的油船或油船在载重量600吨及以上但小于5000吨, 且B<15m时, 则应满足相应载重量准许载运个别的植物油的船舶的要求; (3) 根据《海船法定营运检验技术规程》 (2011) 第10章10.2.1.5的要求, 化学品液货船在载运个别的植物油时货舱底部保护距离不小于B/15 (m) 或2.0m, 最小距离应为1.0m。

摘要：本文主要对油船、化学品液货船、准许载运个别的植物油的船舶的防污染双壳结构在其相互兼用时的情况讨论。

关键词：油船,化学品液货船,防污染双壳结构

参考文献

[1]中华人民共和国海事局.国内航行海船法定检验技术规则 (2011) .人民交通出版社.

[2]中国船级社.国内航行海船建造规范 (2012) .人民交通出版社.

[3]中国船级社.散装运输危险化学品船舶构造与设备规范 (2009) .人民交通出版社.

[4]中华人民共和国海事局.海船法定营运检验技术规程 (2011) .人民交通出版社.

[5]交通运输部 (2009第52号公告) .关于发布提前淘汰国内航行单壳油轮实施方案的公告.

产业结构、城市化与雾霾污染 第5篇

1 我国雾霾现状

我国雾霾天气主要出现在重工业地区, 但是目前全国都逐渐的出现了雾霾天气。背景的雾霾天气甚至长达5~6 天。东北吉林地区的雾霾天气也出现了3 天左右。雾霾对人体的伤害是巨大的。雾霾的出现, 主要是和产业结构有关系, 还和城市化进程有关系。我国出现雾霾的天气情况越来越严重, 有的城市好几天都被雾霾掩盖了, 一整天见不到太阳。最新记录, 北京长达106h的雾霾, 让北京人们被困在雾霾之中, 中小学、企业为了安全, 不得不采取放假的措施。所以, 我国目前的雾霾情况已经十分的严峻, 控制雾霾扩散, 治理雾霾, 成为了亟待解决的事情。

2 产业结构与雾霾

我国产业结构不合理, 是雾霾产生的主要原因。尤其是工业产业, 对环境影响最大。工业产业在我国改革开放初期, 是主要的经济收益来源, 是我国的税收支柱。但是工业产业产生的污染是巨大。比如我国的炼钢, 铸铁等工厂和石油开发等污染, 这些重工业产生的污染对于环境影响是巨大的。尤其是产业结构不合理, 以重工业为主的东北地区, 导致的污染更严重, 也是雾霾天气高发区域。但是我国下定决心治理雾霾, 因此, 就重视对产业结构的调整。比如在产业结构中, 重工业的比例要逐渐降低。从中低端产业向高端产业进行改革, 把重度污染的产业逐渐替代, 选择新型的节能环保的能源产业。有些重工业是不能替代掉的, 因此, 就需要选择环保材料和工艺代替原先的生产, 同时要简化生产流程。产业结构的调整十分复杂, 要根据当地的经济收入来源, 进行合理布控。东北老工业基地, 由于工业产生的雾霾十分严重, 但是重工业也是东北地区主要的经济收益之一, 所以, 在进行产业结构调整的时候, 要为东北地区的经济发展开拓一条新的经济渠道和产业。

3 城市化与雾霾

城市化进程, 是我国把农村人口不断的变成非农村人口。也就是城市不断的扩张, 人口不断的增加, 对于城市的承载量和需求也就越来越严格。尤其是我国在不断的把农村人口迁移到城市里, 对于城市的工作岗位需求量也增加了。城市人口不断的变多, 对于城市的供暖等需求也在变多。城市供暖也是雾霾产生的主要原因, 目前东北地区的城市供暖都是采用集中供暖方式。尽量的减少了雾霾的污染。雾霾的严重危害程度与城市化进程是成为正相关的。城市化进程越快, 雾霾就越严重。但是城市化进程是改善我国农村人口生活条件的必要工程, 所以, 如何在城市化进程中, 减少城市的污染, 也是目前需要解决的事情。我国城市化进程与雾霾之间的正比关系, 如何解决是目前解决雾霾关系的重要方法。根据我国最新报告可知, 我国由于雾霾原因, 把绿色GDP作为政绩考核的一部分, 但是由于某些地方的特殊原因, 导致这项考核不能真正的付诸实际行动。因此, 首先要确定城市化进程的有关工程是绿色环保的, 然后要保证不会对城市的经济收益造成影心, 同时还可以保证农村人口正常的进入城市生活和工作。在这三点都满足的基础上, 解决城市化与雾霾之间的关系。

4 结语

雾霾污染对环境的影响是巨大的, 尤其是对人的身体健康影响也很大。而我国雾霾污染主要是产业结构和城市化进程改革所造成的。产业结构关系到我国经济发展, 因此要解决和治理雾霾, 首先要合理调整产业结构, 然后合理安排城市化进程计划, 在源头控制雾霾的产生。我国雾霾天气十分严重, 已经影响到了人们的正常工作和学习。而治理雾霾, 关系到每一个人的利益, 因此, 在治理雾霾的过程, 每一个人都应该作出贡献。

参考文献

[1]冷艳丽, 杜思正.产业结构、城市化与雾霾污染[J].中国科技论坛, 2015 (09) :49-55.

[2]杜雯翠, 朱松, 张平淡.我国工业化与城市化进程对环境的影响及对策[J].财经问题研究, 2014 (05) :22-29.

结构性污染 第6篇

桑树为多年生阔叶型落叶性木本植物, 经研究和安全性评价, 其对重金属毒性具有一定的耐性、较强的富集作用和较短的修复时间, 综合生态功能突出;另外采用桑叶养蚕生产蚕茧、避免土壤重金属通过食物链而危害人体健康, 发展生态蚕桑产业, 经济社会效益显著。针对桑树突出的生态功能和较好的经济效益, “实施方案”明确蚕桑在“替代种植区”中将作为重点作物进行推广。身为多年

从事蚕桑科研生产、技术推广和基地建设以及重金污染耕地治理试点工作的参与者, 认为“蚕桑替代种植区”在加强协作、明确责任、强化监督的同时, 还需运用现代农业产业发展模式, 推动重度污染“替代种植区”种植结构调整, 促进蚕业发展、农民增收, 确保试点工作取得实效。

1 蚕桑替代种植区产业发展基础条件

以省蚕桑科学研究所牵头的湖南蚕桑科研、推广、服务体系, 在桑蚕品种选育、桑树生态功能应用研究及桑蚕资源综合利用开发等方面均取得了很好的成绩。特别是省蚕桑科学研究所为集科研生产、技术推广与培训和新产品开发于一体的专业性研究所, 2004年、2007年经农业部批准分别建立了“国家桑蚕改良中心长沙分中心”和“国家蚕桑产业技术体系长沙综合试验站”, 近年来在“桑树对重金属污染土壤的修复技术研究”、“重金属镉污染耕地栽桑养蚕高效利用和饲料桑安全性评价及产业化开发研究”成效显著。

2 蚕桑替代种植区产业发展存在问题

长株潭已明确的蚕桑替代种植区, 大多是从事传统水稻、玉米等粮食作物种植, 多年来的粗犷生产、单一的生产技术、零散经营模式和日出起日落归的生产生活方式, 农民质量意识、安全意识薄弱, 规模化布局、产业化生产、市场化经营概念不明确, 小农经济意识普遍存在。眼下改变种植结构发展蚕桑产业, 虽在理论上有所认识, 但试点工作中存在着新产业技术措施要求较高, 基层农技人员特别是农民群众一时难以完全掌握, 加之基层专业技术人员不足, 每个技术人员负责区域大, 难以指导到各个片区, 致使部分已实施的技术措施标准不统一、规范水平不高。若“蚕桑替代种植区”不改变传统的生产经营方式, 新产业新技术就很难推广, 蚕桑产业培育和农民增收增效难以实现。

3 蚕桑替代种植区产业发展运行模式

根据湖南地理环境、气候条件和长株潭地区农民生产生活习惯以及现代蚕业发展要求, 在蚕桑替代种植区推广应用以下几种模式, 必将推动重度污染“替代种植区”种植结构调整和蚕业发展。

3.1 政府引导模式 (蚕业机构+基地+农户)

蚕业机构由政府牵头组建, 基地为蚕桑规模乡村行政单位, 属中介组织。基地是蚕业机构和农户之间的桥梁和纽带, 它一头连蚕业机构、一头连接农户。基地配合蚕业机构向农户提供桑苗、蚕种及蚕需物资, 并进行栽桑养蚕技术指导。蚕业机构负责烘茧房等配套设施建设及鲜茧收购, 并以保护价和蚕农直接签订蚕茧收购合同, 基地则以中介身份参与合同签订, 从而使蚕业机构、基地和农户结成利益共同体。

3.2 蚕农主体模式 (公司+协会+农户)

本模式是以养蚕农户为主体, 在蚕业主管部门及乡、村行政单位的指导下成立蚕桑协会, 实行行业自主服务与管理, 其宗旨是为会员提供服务、维护会员合法权益。蚕桑协会属中介组织, 是公司和蚕农之间的桥梁和纽带, 它一头连着公司, 另一头连着分散的农户。蚕桑协会以合同的形式与公司、农户结成利益共同体, 负责与公司进行业务衔接, 并向会员提供桑苗、蚕种、蚕药、蚕具、技术指导、蚕茧收购等服务。

3.3 公司带动模式 (公司+蚕业合作社+农户)

本模式是茧丝企业 (公司) 引导蚕区农户按程序组建蚕业合作社, 合作社是公司和农户之间的纽带, 它根据公司对优质蚕茧生产的要求, 与公司签订蚕茧供货合同、并与农户签订蚕茧生产合同。合作社为农户提供栽桑养蚕技术及蚕需物资服务, 组织农户生产优质蚕茧。公司按订单生产保价收购鲜茧、并给予合作社一定比例的返利, 合作社根据社员生产情况进行奖励。

3.4 企业主导模式 (企业+基地+农户)

企业在政府的监督指导下, 采用租用或转让农户土地形式建立蚕桑基地和收烘茧配套设施建设。公司将桑园转包给蚕农, 由农户负责桑园管理和养蚕生产, 并对建蚕房、购置养蚕用具等给予一定补贴。公司统一进行小蚕共育, 提供四龄蚕给农户饲养, 同时做好蚕桑生产产前、产中、产后技术服务和物资供应, 蚕茧按合同价收购。

4 蚕桑替代种植区产业发展保障措施

4.1 组织保障

项目实施县 (区、市) 应成立蚕桑产业领导小组, 协调蚕桑产业发展过程中的各项工作, 在实施乡 (镇) 村建立相应机构负责组织项目实施。充分发挥农业部门的职能作用, 制定蚕桑产业发展规划, 科学布局。

4.2 资金保障

积极落实产业发展专项资金, 充分发挥财政资金的使用效率, 引导龙头企业和社会资金投入;鼓励农业银行和信用合作联社等金融机构对龙头企业、蚕桑合作社及蚕农提供贴息贷款服务;政府相关部门按照倾斜扶持原则优先蚕桑产业建设项目申报, 项目资金重点支持蚕业发展, 确保资金发挥最大使用效益。

4.3 风险保障

成立蚕桑产业发展风险基金, 在蚕茧价格波动时进行干预, 以保护农民利益、促进产业稳步发展。

4.4 市场保障

加大招商引资力度, 桑园面积在333.33hm2以上基地县 (市) , 至少培育或引进1家茧丝加工企业, 积极推广以订单为纽带的“公司+合作社 (协会) +基地+农户”生产经营模式, 建立企业与蚕农的利益联结机制。对带动作用明显、符合条件的丝绸企业, 优先享受农业龙头企业相关优惠政策, 在征地、厂房建设、设备设施改造、项目申报、新产品新工艺研发与推广等方面予以重点扶持。加强桑园面积66.67hm2左右的示范基地建设, 推广应用现代蚕业发展模式, 在此基础上辐射带动整个“蚕桑替代种植区”。

4.5 科技保障

4.5.1 科技支撑。

以省内蚕桑科研院所为技术依托, 试点县相关部门积极参与创新产业运行机制与模式, 加大优良桑蚕品种选育及配套技术研究, 加快成果转化和新成果新技术推广。

4.5.2 技能培训。

以“阳光工程”为载体 (平台) , 以农业大专院校或试点县 (市) 农广校、蚕桑龙头企业为培训基地, 开展县乡蚕业技术管理人员脱产培训和蚕桑技术骨干技能培训, 提高科学种桑养蚕水平。

4.5.3 社会化服务。

健全基层农技推广网络, 配备蚕业专家、农技指导员和责任农技员, 形成专家团队+农技人员+科技示范户的蚕业技术推广服务体系。完善合作社或蚕桑行业协会的服务职能, 在产前、产中、产后为农户提供全面、准确、快捷的技术服务。

摘要：在湖南省重金属污染耕地修复及农作物种植结构调整试点执行过程中, 特别是重度污染“替代种植区”进行新型产业和新技术的推广应用, 必须运用“公司+合作社+基地+农户”等现代农业产业发展模式, 否则试点区产业培育、农民增收增效难以实现。

关键词：替代种植区,产业发展模式,增收增效

参考文献

[1]艾均文, 龚昕, 肖建中, 等.基于可持续发展要求对湖南打造生态高效蚕业的探讨[J].湖南农业科学, 2015 (2) :62-66.

[2]贺秀斌, 谢宗强, 南宏伟, 等.三峡库区消落带植被修复与蚕桑生态经济发展模式[J].科技导报, 2007, 25 (23) :59-63.

[3]戴玉伟, 朱弘, 杜宏志, 等.论桑树资源经济价值和生态功能[J].防护林科技, 2009 (1) :78-80.

结构性污染 第7篇

随着我国经济的高速发展,城市化进程不断加快,人民生活水平质量产生了质的飞跃,然而环境问题却一直是人们关注和担忧的焦点。现在学术界基本的观点是经济增长同时加大了能源的消耗和环境承载的压力。据统计,1978年我国能源消费总量约为5.71亿吨标准煤,2015年达到了43亿吨标准煤,消费量增加了7.53倍。2014年我国的单位GDP的能耗量为0.76,从2013~2015年,我国单位GDP的能耗量分别比上年降低3.7%、4.8%和5.6%,虽然呈现了逐年下降的趋势,但仍然远高于美国、日本、德国和英国等发达国家,是世界平均水平的2.5倍,也超过了大多数新兴经济体,如巴西、印度和墨西哥等。当前,我国的经济增长方式仍然是“高消耗、高排放、低产出”的粗放型增长状态。缺乏效率的能源消费和不够科学的能源结构带来了剧烈的污染问题。纵观世界各国的历史,尤其是工业发达的国家,面临的污染问题越发严重。怎样在保证工业发展的同时将污染降到最低,即是我们所谓的帕累托最优。达到帕累托最优首先要清楚经济增长与工业污染相互关系。同时我们清楚工业污染的源头是来自能源的消耗,所以经济增长、能源结构和工业污染三者之间的关系值得我们研究。

1 文献述评

经济的高速增长,尤其是工业高速的发展必然带来污染问题,两者之间的关系究竟如何一直以来都是学术界探讨的焦点问题。国外研究对经济发展与污染问题的研究,主要依据环境库兹涅茨曲线(EKC)假说,研究表明二者呈现倒“U”形特征[1,2,3]。国内近年来研究的经济发展与污染问题也从EKC曲线假设出发,且研究结果也基本验证了曲线的倒“U”形特性,并在此基础上提出了合理的政策措施[4,5,6]。通过进一步研究发现经济增长与工业污染的关系存在显著的地区差异性,污染情况存在时空依赖性[7,8,9]。

对于能源消费与污染的研究,一般的结论是能源消费与工业污染成正相关,即能源消费量越多,污染问题越严重,同时强调了能源消费与环境保护同步协调发展[10,11,12]。进一步验证了工业污染的空间依赖性[13]。并且发现地区经济发展与污染存在空间联动性,能源结构与污染水平变动相关性显著,能源结构的调整能够有效的治理污染情况[14,15]。

综上文献,探究污染与经济增长关系的文献相对较多。不同的研究角度得到结果各不相同,很难应对当前的污染形势。主要的差异一般在于污染情况的指标选取以及统计口径的不同。从研究方法上,大多数是采用传统的面板数据,没有考虑污染物的特殊性,即存在一定的空间效应。另外,从我国的工业发展情况来看,能源的使用是工业发展的核心,研究这方面的文献集中在证明随着能源消费量的增加,工业污染的程度愈发严重上,并没有对发展、能源消费和污染进行系统化的研究。

2 理论基础与研究假设

环境经济学认为资源和环境应该纳入经济增长的模型的分析之中。我们依据环境———收入理论,通常通过如下表达式(1)来考察环境与收入间的关系[16]:

其中Y为污染指标,X指经济增长,Z指影响环境变化的其他控制变量;β0是常量,βk解释变量的系数。该模型依βk的不同而呈现X与Y的关系曲线的形状如表1所示,研究表明污染与经济增长之间的关系存在7种不同形态。

我们由上表可以看出存在7种情况:(1)经济增长与污染之间没有关系;(2)X与Y之间呈单调上升关系,污染随着经济增长而恶化;(3)X与Y之间存在单调下降关系,污染随着经济增长而改善;(4)X与Y之间呈U型关系,经济水平较差阶段,污染随经济增长而改善,经济水平较高阶段,污染随经济增长而恶化;(5)X与Y之间呈倒U型关系,即环境库兹涅茨曲线(EKC);(6)X与Y呈N型,经济水平不断上升的过程中,环境污染先恶化再改善,又陷入恶化境地;(7)X与Y之间呈倒N型关系,随着经济水平的上升,环境污染先改善再恶化,而后又改善。

所以我们以上述第(5)种情况为研究基础,研究经济增长与污染情况之间的关系,二者之间是否呈现倒“U”形关系。同时,我们知道依靠工业发展的国家和地区能源资源消耗很多,尤其是煤炭资源的消耗。煤炭资源的消耗导致了环境质量的恶化,污染物排放量明显提高,以至于工业污染严重。所以本文在上述内容的基础上建立研究模型(2):

其中,i和t代表i省第t年的统计数据,Yit为工业污染综合评价指数,GDPit为人均实际GDP,ESit为能源结构中煤炭消费占比。并提出本文的检验假设:工业污染与经济增长、能源结构之间呈现EKC曲线假设的倒“U”形关系。

3 研究对象与研究方法

3.1 指标体系选取

对于经济增长的指标选取本文采用人均实际GDP来衡量经济发展程度以消除人口因素对经济水平的影响,同时对其作取对数处理,用ln GDP表示。

对于能源结构的指标选取,考虑到我国能源资源的大量使用尤其是煤炭的消费是工业污染最为重要的来源。在研究能源消费结构与工业污染水平两者之间的关系时,有些文献直接选取能源消耗总量、能源强度等指标来衡量其与工业污染之间的关系,有些文献选择产业结构来间接测度二者之间的关系。本文综合考虑能源的使用以及产业结构的因素,通过建立能源结构指标来考察能源对工业污染的影响,其计算公式(3)如下:

其中,ESit代表能源消耗中煤炭使用所占的比例,GDPit代表i地区t年的国内生产总值,HIitj代表i地区t年第j个高耗煤行业的产值。本文共选取10个高耗煤行业,其产值占GDP的比重在90%以上。

对于工业污染的指标选取,本文考虑了工业污染的特性,主要包括能源开采时形成的废气和废物排放、能源消费时形成的废气和废物排放。本文借鉴许和连等(2012)[9]采用的熵权法计算得出环境污染综合指数。我们构建工业污染综合评价指标来测度各地区工业污染程度,选取了各地区工业废水排放量、工业废气排放量、工业二氧化硫排放量、工业烟尘排放量和工业粉尘排放量作为评价指标。采用熵权法计算出工业污染综合指数。本文以2002~2013年中国(除存在统计数据缺失的港澳台之外)31个省、市、自治区作为研究对象构建空间面板数据。实证数据来源于《中国统计年鉴》、《中国环境统计年鉴》、《中国能源统计年鉴》。文中所有的货币单位均以2002年为基期进行折算以剔除通货膨胀的影响。

3.2 空间自相关检验及模型构建

全局空间自相关检验方法我们选择Moran’s I,其计算公式(4)如下:

其中,n为地区数,Wij为空间矩阵,当区域i和区域j相邻时Wij值为1,当区域i和区域j不相邻Wij值为0。xi为第i地区的观测值。Moran’s I的取值范围为-1≤I≤1。若Moran’s I>0,表示具有正的空间相关性,即具有相似属性的区域在地理空间中趋向于聚集在一个区域,值越接近于1,空间正相关性越强。针对局部区域是否呈现出显著的集聚现象,Anselin(1995)引入了局部Moran指数方法,即LISA考察局部自相关性[17]。

由于某一地区的工业污染不仅受到本地区经济发展与能源结构的影响,而且也受到周边地区的影响,即工业污染存在空间自相关,经济增长与能源结构在空间分布上的集聚效应更加剧了工业污染的空间依赖性,因此对经济增长、能源结构与工业污染三者之间相互关系的研究中需要加入空间效应。根据空间依赖性方式的不同,我们在模型(2)的基础上建立不同的计量模型:空间滞后模型和空间误差模型。

空间滞后模型(SLM)是在(1)式的基础上直接引入空间变量作为被解释变量,由于面板数据中存在时间效应和个体效应,故需要对随机误差项μ进行分解,将(2)式具体化为空间滞后面板模型(5),其设定如下:

其中,δit表示时间效应随机扰动项,uit表示个体效应随机扰动项,εit表示随机误差项,且服从正态分布。∑WYit为空间变量,表示i地区周边其他地区的工业污染状况;ρ为空间回归系数,反映了空间依赖性。

地区间的空间依赖性较为复杂,εit可能并不不服从简单正态分布,其他影响工业污染的空间性因素就会混入到随机误差项中,此时随机误差项εit之间有较强的相关性关系。将(2)式具体化为空间误差模型(6),其设定如下:

(5)式中,λ为空间误差系数,用来反映残差之间的空间相关性强弱。与空间滞后模型不同,空间误差模型的相关性并不是反映在周边区域的观测值中而是反映在误差项中,即反映了周边区域工业污染的误差冲击对本区域工业污染的影响。

4 实证分析

4.1 全局空间自相关检验

本文使用2002~2013年全国31个省域的经济增长、能源结构和工业污染统计数据,通过Geo Da软件计算得到的Moran’s I及相关的统计检验,结果显示各年份的Moran’s I均为正值,基本都通过了5%的显著性水平的统计检验如表2所示,表明我国经济增长、能源结构和工业污染在地理分布上存在着明显的空间效应且为正相关关系。即污染在地理上的分布格局并不是呈现随机状态,而是显现出明显的集聚分布。同样地,经济增长和能源结构变量也存在着类似的空间分布状态。

4.2 Moran指数散点图

为了进一步说明空间相关关系,可以观察经济增长、能源结构和工业污染Moran指数散点图(见图1~3)。我们将省域划为4个象限:第一象限(HH)表示高———高的正相关,第二象限(LH)表示低———高的负相关,第三象限(LL)表示低———低的正相关,第四象限(HL)表示高———低的负相关。由于Moran’s I数值全部大于0,经济增长、能源结构和工业污染地理分布上呈现正相关关系,则第二、四象限为非典型的观测区域。

从图1中可以看到,我国2002年、2013年省域经济增长分布在第一象限(HH)的有8个省份和10个省份,分别占全部统计单位的25.80%、32.26%。分布在第二象限(LH)的有5个省份和4个省份,分别占全部统计单位的16.13%、12.90%。分布在第三象限(LL)的有15个省份和14个省份,分别占全部统计单位的48.39%、45.16%。分布在第四象限(HL)的均有3个省份,均占全部统计单位的9.68%。从中能够发现2002年、2013年的31个统计样本中有23个省份和24个省份,分别占全部统计量的74.19%、77.42%具有正的空间相关性,其余省份分布在第二、第四象限,分别占全部统计量的25.81%、22.58%,显示了具有不同空间自相关性。由此可见,经济增长在局部相关性上,虽然存在着少量的空间差异性,但是主要存在着空间依赖性的特征。

从图2中可以看到,我国2002年、2013年省域能源结构分布在第一象限(HH)的有9个省份和12个省份,分别占全部统计单位的29.03%、38.71%。分布在第二象限(LH)的有7个省份和6个省份,分别占全部统计单位的22.58%、19.35%。分布在第三象限(LL)的有10个省份和8个省份,分别占全部统计单位的32.26%、25.81%。分布在第四象限(HL)的均有5个省份,均占全部统计单位的16.13%。从中能够发现2002年、2013年的31个统计样本中有19个省份和20个省份,分别占全部统计量的61.29%、64.52%具有正的空间相关性,其余省份分布在第二、第四象限,分别占全部统计量的38.71%、35.48%,显示了具有不同空间自相关性。由此可见,能源结构在局部相关性上,虽然存在着少量的空间差异性,但是主要存在着空间依赖性的特征。

从图3中可以看到,我国2002年、2013年省域工业污染分布在第一象限(HH)的有10个省份和8个省份,分别占全部统计单位的32.26%、25.81%。分布在第二象限(LH)的有11个省份和10个省份,分别占全部统计单位的35.48%、32.26%。分布在第三象限(LL)的有8个省份和9个省份,分别占全部统计单位的25.81%、29.03%。分布在第四象限(HL)的有2个省份和4个省份,分别占全部统计单位的6.45%、12.90%。从中能够发现2002年、2013年的31个统计样本中有18个省份和17个省份,分别占全部统计量的58.06%、54.84%具有正的空间相关性,其余省份分布在第二、第四象限,分别占全部统计量的41.94%、45.16%,显示了具有不同空间自相关性。由此可见,工业污染在局部相关性上,虽然存在着少量的空间差异性,但是主要存在着空间依赖性的特征。

4.3 动态跃迁

我们通过观察Moran指数散点图发现经济增长、能源结构和工业污染的空间动态跃迁过程。采用Rey(2001)[18]使用的时空跃迁法,时空跃迁主要有以下4种类型:(1)该地区自身发生变化而周边地区未发生变化,即HHt→LHt+1、HLt→LLt+1、LHt→HHt+1、LLt→HLt+1;(2)该地区未发生变化而周边地区发生变化,即HHt→HLt+1、HLt→HHt+1、LHt→LLt+1、LLt→LHt+1;(3)该地区与周边地区都发生变化,即HHt→LLt+1、HLt→LHt+1、LHt→HLt+1、LLt→HHt+1;(4)该地区自身与周边地区都未发生变化,即HHt→HHt+1、HLt→HLt+1、LHt→LHt+1、LLt→HHt+1。具体如表3所示。

我们通过表3可以发现经济增长、能源结构和工业污染3个变量在考察期内属于第(4)种类型的省份占到绝大多数。说明我国省域中经济增长、能源结构和工业污染存在高度的空间稳定性,并且在空间上显现出较为强烈的“路径依赖特征”。

4.3 空间关联局部指标LISA分析

Moran’s I和Moran散点图只是简单描述了经济增长、能源结构和工业污染的集聚状况,无法深入研究局部空间相关模式,而LISA指标能够用来验证局部地区研究变量的高值或低值在地理分布上是否呈现区域集聚。利用Geoda,可以将全国31个省份划分成5种类型。(1)Not Significant类型,表示集聚效应不显著的地区;(2)(H-H)类型;(3)(L-L)类型;(4)(L-H)类型;(5)High-Low(H-L)类型。

统计结果显示我国经济增长在地理分布上形成了两种相异的集聚区域:(1)以北京为中心,包括天津、河北等在内的京津冀经济增长高值地区和以上海为中心,包括江苏、浙江等在内的长三角经济增长高值地区;(2)广大西部地区等地形成的经济增长低值聚集区,这与我国当前的经济形势契合。

统计结果显示我国能源结构在地理分布上形成了两种相异的集聚区域:(1)以山西、河南为中心等传统产煤大省高值地区;(2)以新疆、青海为中心的西北等低值聚集区。同时从LISA集群图(由于篇幅限制,图形从略)变迁中也可以发现,当前省域经济发展中能源结构以煤炭为主的省份非但没有减少,反而逐渐扩散。山东、湖北等地区也加入到高值聚集区,新疆等省份能源结构煤炭占比也越来越高。

统计结果显示我国工业污染在地理分布上主要形成了两种相异的集聚区域:(1)以河北为中心包括山西、河南、山东等在内的华北地区形成的工业污染严重聚集区域,图中可见安徽周边地区工业污染状况严重;(2)以新疆为中心的工业污染低值聚集区域,四川相对周边地区污染更严重。但是随着西部地区经济水平的不断提高,西部地区的工业污染程度明显加强,尤为凸显的是新疆地区。就全国范围而言工业污染已不仅局限在京津冀等传统地区,已开始向中西部省份蔓延。

从经济增长、能源结构和工业污染的地理分布格局与集聚效应统计结果能够发现,在地理分布上存在较为显著的“路径依赖”,即集聚性,但三者在聚集的区域上表现的略有差异,但是能源结构分布高值聚集的地区一般也是工业污染高值聚集的地区,能源结构分布聚集低值的地区一般来说也是工业污染低值的地区。能源结构与工业污染两者的关系也类似于经济增长与工业污染的关系。为进一步考察三者在空间上的关系,我们将采用空间计量模型对其进行检验。

4.4 空间计量实证分析

我们首先对不考虑空间效应,对(2)式进行了OLS估计,回归结果没有通过检验,说明是模型的设计的问题。所以我们在此基础上加上了空间效应。在对空间滞后模型和空间误差模型进行了Hausman检验后发现,结果显示都应当选择固定效应的估计值。我们对模型回归结果如表4所示。

注:*,**,***分别表示在10%,5%,1%的显著水平上显著。

对于空间滞后模型ρ值为0.1859,通过了1%显著水平检验,表明模型存在空间依赖性。考虑空间效应时模型的人均GDP一次项系数为正,二次项系数为负,满足经济增长与工业污染两者之间的EKC曲线倒“U”形关系,且二者均通过了1%显著性水平检验。能源结构系数为正,值为0.0133,且也通过了1%显著性水平检验。

对于空间误差模型λ值为0.2489,通过了1%显著性水平检验,表明模型存在空间依赖性。考虑空间效应时模型的人均GDP一次项系数为正,二次项系数为负,满足经济增长与工业污染两者之间的EKC曲线倒“U”形关系,且二者均通过了1%显著性水平检验。能源结构系数为正,值为0.0139,且也通过了1%显著性水平检验。

我们观察两模型的估计结果,虽均通过了显著性水平检验,何种结果更优仍需要进行空间相关性检验,结果如表5所示。

Moran’s I通过了1%水平下的显著性检验,证明模型存在空间效应,普通面板数据模型已经不再适用,需要引入空间变量。接着观察LM-lag和LM-error,两者都通过了1%水平下的显著性检验,此时无法做出选择,还需要进一步考虑Robust LM-lag和Robust LM-error,结果发现仅有Robust LM-lag通过了1%水平下的显著性检验,Robust LM-error未通过检验,所以应该选择空间面板滞后模型。Hausman检验结果显示,固定效应要优于随机效应。因此本文选择含有固定效应的空间滞后模型。

我们通过观察实证结果,模型中ρ的参数估计值为0.1859,说明工业污染存在着明显的空间溢出效应,意味着周边地区工业污染综合评价指数每升高1%,本地区工业污染指数就会增加0.1859%,即周边地区的工业污染严重,环境质量差,本地区的环境质量也较差;周边地区的工业污染相对较轻,本地区的环境质量也较好。经济增长二次项的系数估计值为-0.0019,一次项的系数估计值为0.0391,证明本文所选取的工业污染指标与人均实际GDP两者之间呈现出EKC曲线假设的倒“U”形关系,即随着人均实际GDP的不断增加,工业污染综合评价指数先上升,达到某一临界值后,开始下降。能源结构参数估计值为0.0133,意味着煤炭消费占比每上升1%,工业污染综合评价指数上升0.0133%。能源结构指标一方面直接反映了产业能耗结构;另一方面间接反映了能源消费结构,是二者的综合。实证结果表明产业能耗结构和能源消费结构与工业污染呈正相关关系,且相关程度很高。

5 结论

本文通过选取我国31个省际2002~2013年经济增长、能源结构和工业污染数据。分别计算得出的Moran指数均为正值,且均通过了显著性水平检验。即是经济增长、能源结构和工业污染在空间上都具有空间相关性。我们通过观察Moran指数散点图和LISA集群图,发现经济增长、能源结构和工业污染具有严重的“路径依赖特征”,以及在地理空间上是呈现区域集聚特征。工业污染状况最为恶劣的地区主要分布于我国华北地区连接部分中部地区,空间效应聚集明显。进一步通过空间计量方法,建立包含固定效应的空间滞后模型,回归的结果为人均实际GDP一次项的估计值为正,值为0.0391,人均实际GDP二次项的估计值为负,值为0.0019,且二者都通过了1%的显著性水平检验。这即表示工业污染情况与经济增长程度之间呈现EKC曲线倒“U”形特征。我们可以认为人均实际GDP的不断提高,污染状况不断严重接着开始改善。能源结构的系数为0.0133,且通过了1%显著性水平检验,煤炭消费占比每上升1%,工业污染综合评价指数上升0.0133%。

基于以上研究,提出下述建议:从短期角度出发,工业污染减少排放量和污染的有效治理是较为有效的途径,而长期来看改变工业发展中能源消费结构是治理污染的关键。环境污染治理时,不同区域间要积极寻求合作,注重政策措施的空间联动性。积极发展第三产业,转变经济增长方式,优化产业结构,实现省域经济快速可持续发展。引进外资时须注重投资质量,对于资源消耗、环境污染型、和技术落后的项目不要引进来,同时要充分利用外商投资所产生的技术溢出效应。在推进城市化过程中,不断优化城市布局,提升城市中第三产业的共享和综合服务功能,不断促进智慧城市建设。另外,政府需要增加投入,尤其是新能源技术的研发投入,通过市场激励机制鼓励和扶持新能源技术的发展。在发展中不断转变能源消费结构,提高能源效率,充分利用和开发水能资源和核能资源以及风能、太阳能等清洁、可再生的资源,确保我国不要走先污染后治理的错路。

摘要：本文基于环境EKC曲线理论,采用2002~2013年中国31个省际的面板数据,运用空间数据分析方法对经济增长、能源结构与工业污染的空间分布格局相关性进行研究。进一步运用空间计量方法,研究经济增长、能源结构对工业污染的空间效应。研究结果发现:经济增长、能源结构与工业污染存在空间相关性,并在空间分布上存在明显的“路径依赖”特征并形成了不同集聚区域。经济增长、能源结构对工业污染的空间影响效应明显,经济增长与工业污染呈现EKC曲线假设的倒“U”形关系,能源结构与工业污染呈现正向相关关系。最后在实证结果的基础上提出相关建议。

结构性污染 第8篇

1.1 空气质量有待提高

近年来, 北京市空气质量不断改善。据环保部门数据, 2012年大气中二氧化硫、二氧化氮和可吸入颗粒物 (PM10) 年均浓度分别为28、52和109微克/立方米, 比2000年分别下降60.6%、26.8%和32.7%。2011年空气质量二级和好于二级的天数达到286天, 比2000年增加109天;空气质量二级和好于二级天数的比例达78.4%, 比2000年大幅提高了30个百分点。

虽然北京市空气质量有明显改善, 但与国际标准及国家拟实施的新标准相比还有很大距离。综合来看, PM2.5是北京市大气污染存在的主要问题。有关部门的研究性监测结果表明, 北京PM2.5占PM10的比例约为50%~60%, 年均浓度近70微克/立方米, 超出国家拟实施的新标准限值近一倍, 尤其是在连续区域性雾天等极端不利气象条件下, PM2.5超标可达4~5倍, 受到社会各界的高度关注。

1.2 燃煤和机动车燃油对PM2.5影响大

不同能源品种的含碳量及利用效率不同, 据有关部门测算, 在影响北京市PM2.5的各种因素中, 能源使用因素约占四成, 其中来自机动车的燃油排放占22.2%, 来自燃煤使用的排放占16.7%;工业污染约占16.3%;扬尘约占15.8%;其余为农业排放等。此外, 据环境部门监测, 由燃煤带来的二氧化硫、氮氧化物和粉尘等污染物的排放分别占全市总排放的95%、25%和15%。能源特别是煤炭、石油等化石能源的使用, 是影响北京市空气质量和PM2.5污染的重要因素。

当然, 北京市PM2.5形成的原因较为复杂, 但各类污染源尤其是燃煤、机动车尾气排放大, 是造成雾霾天气严重污染的根本原因。因此, 控制燃煤和机动车油耗, 优化能源品种结构, 是改善空气质量最为重要和有效的措施。

2 能源品种结构调整取得成效, 与先进水平相比仍有差距

2.1 北京市能源利用概况

近年来, 北京市紧紧围绕“压减燃煤促进空气质量改善”的主题, 能源设施建设全面提速。奥运筹备以来全市能源建设累计投入超过1100亿元, 能源基础设施不断完善, 石油、电力、天然气等能源供应保障能力得到提高, 同时带动了全市能源结构逐步朝优质化、清洁化发展, 能源结构发生了深刻变化。

从历史比较情况看, 2011年北京市能源消费总量6995.4万吨标准煤, 其中煤炭和石油的比重由2000年的79.3%下降至2011年的59.1%, 降低了20.2个百分点;相应地, 天然气、外调电力等清洁能源的比重由20.7%上升至40.9%。从与全国比较情况看, 2011年北京市煤炭在能源消费中所占比重比全国平均水平低41.9个百分点。

但是, 北京市能源结构与国际特别是与东京、伦敦、巴黎等已实现无煤化的世界城市相比, 还有很大差距。在清洁能源利用方面, 北京市比重偏低, 特别是天然气比重仅为14.2%, 明显低于40%~50%的世界城市平均水平;新能源和可再生能源也尚处于起步发展阶段。压减燃煤、提升清洁能源比重是北京建设世界城市的必经之路。

2.2 主要能源品种情况

2.2.1. 煤炭

比重逐步下降, 总量先升后降。煤炭曾是北京市最主要的能源燃料。“十一五”以来, 北京市加快实施燃煤设施资源整合和清洁能源改造, “压煤”成为北京市能源品种结构调整的主题, 全市煤炭消费量以年均4.2%的速度逐步缩减, 尤其是2010年底首钢在京钢铁主流程停产, 加之高耗能企业相继退出、限产, 全市煤炭消费量下降幅度较大。2011年, 全市煤炭消费量2365.5万吨, 比2000年减少15.8%, 比2005年减少22.9%;煤炭在全市能源消费中的比重为26.5%, 比2000年降低了27.9个百分点。煤炭不再是北京市最主要的燃料品种, 以煤为主的能源消费结构得到转变。

比重低于全国, 高于国际平均水平。北京市煤炭所占比重大大低于全国平均水平, 2011年仅为全国的1/3 (全国为72%) 左右。但与国际相比, 北京市能源清洁化水平与之相距甚远。2011年, 煤炭在北京市终端能源消费中的比重比世界平均水平高6.8个百分点, 比经合组织国家高13.1个百分点。北京市“压煤”工作任重道远。

2.2.2 石油

总量快速增长, 比重逐步提高。2011年, 北京市石油消费总量1535万吨, 比2000年翻一番, 年均增速7.1%;三类成品油年均增速均超过10%, 其中汽油年均增长12.1%, 煤油12.3%, 柴油10.1%。从石油在全市能源消费中的比重看, 2011年达32.6%, 比2000年提高了7.6个百分点。石油已在北京市能源消费品种结构中居主导地位。

比重高于全国, 与国际水平相当。2011年北京市石油消费比重全国高14个百分点 (全国为18.6%) , 但与经合组织国家水平相比比重偏低。2011年, 石油在北京市终端能源消费中的比重与国际平均水平基本相当, 但比经合组织国家低6.3个百分点。目前我国超过一半的石油依靠进口, 能源不安全因素渐增。因此, 在压煤的同时, 还应合理控制石油消耗。

2.2.3 电力

总量快速增长, 比重明显提高。随着城市规模的扩大, 轨道交通的建设以及“煤改电”等项目的实施, 北京市电力消费量快速增长。2011年, 全市电力消费量853.7亿瓦时, 比2000年增长1.3倍。同时, 电力在全市能源消费中的比重明显提高, 2011年为25.3%, 比2000年提高了9.2个百分点。北京市电力绝大部分依靠调入。2011年, 净调入电量约占全社会用电量的七成。

火力发电占主导地位, 煤炭投入占比高。北京市约三成为自产电, 火力发电占主导地位。2012年底火电装机容量占全市发电设备容量的83.6%;水电占14.3%;风电占2%。由于北京市火力发电中燃煤机组装机容量居首位, 其平均利用小时数也最高, 燃煤发电占火力发电的55.5%, 导致煤炭成为北京市发电最主要的能源投入品种, 占全市火力发电投入的近七成, 也是北京市PM2.5的来源之一。

2.2.4 天然气

总量、比重齐升。2011年北京市天然气消费总量73.6亿立方米, 比2000年增长4.7倍, 年均增速高达17.1%。同时, 天然气比重逐步上升, 2011年为14.2%, 比2000年上升了10.4个百分点。据供应部门数据, 2012年北京市的用气结构中, 采暖制冷用气占45.5%, 发电用气占28.4%, 居民生活用气占13.7%, 车辆用气占0.9%, 其余占11.5%。

比重高于全国, 低于国际水平。2011年, 北京市天然气在能耗中的比重比全国高9.2个百分点 (全国为5%) , 但明显低于40%~50%的世界城市平均水平。2011年, 天然气在北京市终端能源消费中的比重比世界平均水平低6.4个百分点, 比经合组织国家低8.7个百分点。天然气虽也是化石能源, 但由于其使用效率高, 潜在排放低, 是北京市能源清洁化发展的主要方向, 需要进一步提高天然气比重。

2.2.5 新能源与可再生能源

总量发展较快。发展取得突破, 自2008年以来, 北京市新能源和可再生能源增长速度持续保持在两位数以上 (2008~2010年均高于20%, 2011年为10.6%) , 远高于同期能源消费总量的增速水平, 整体发展速度较快。2011年全市各类新能源与可再生能源利用总量达到257.1万吨标煤, 占全市能源消费总量的3.7%。从新能源与可再生能源利用结构看, 太阳能利用量占比超过六成, 生物质能不到二成, 地热能约占一成, 风能和小水电约占一成。太阳能在北京市新能源与可再生能源开发利用中占主导地位。

比重偏低。发展新能源和可再生能源被视为减排的有效措施, 但北京市新能源与可再生能源比例明显低于全国水平 (约10%) 以及世界平均水平 (2010年为12.7%) 。同时, 虽然北京市可再生能源发展较快, 但总体利用规模仍然偏小, 按照目前的增速, 完成“十二五”末达到6%的规划目标压力较大。

3 北京市能源品种结构调整面临挑战

北京作为首都的特殊地位以及建设“世界城市”的战略目标, 决定其在环境状况和空气质量上有更高要求。压减燃煤、优化能源品种结构是“十二五”时期改善首都空气质量的一项关键性举措, 也是改善首都环境状况的必由之路。目前来看, 北京在能源清洁化改造上还面临不利局面和挑战。

3.1 煤炭使用效率低, 环境承载压力大

煤炭在北京市能源消费中仍占重要地位, 由燃煤带来的污染物尤其是二氧化硫排放占北京市总排放的比重高。

此外, 北京市燃煤排放存在一些具体难题, 如燃煤消耗集中, 占全市总面积8%的城六区内消耗全市约60%的燃煤, 燃煤密度大, 中心城区污染源集中;燃煤达标程度低, 同时小煤炉遍布在中心城区、城乡结合部及农村地区, 大部分为劣质燃煤散烧, 低空污染严重;燃煤主体复杂, 现状燃煤设施电厂、锅炉房和小煤炉, 涉及中央机关、企业、院校、驻京部队和市、区属企事业单位等不同主体, 改造的协调推进难度大, 设施改造过程复杂。

3.2 交通运输需求规模大致油耗总量控制难

近年来, 北京市交通运输能耗占全市能源终端消费量的比重也不断攀升, 目前已超过1/4。尤其是汽油、柴油、煤油消费中, 九成以上为交通运输工具消费, 其中超过一半为机动车消耗。因此, 交通运输发展对北京市石油消耗起决定性作用, 机动车保有量及行驶状况对此产生重要影响。

但是, 北京市交通运输发展的特点及城市功能定位决定了交通运输能耗需求规模较大, 并仍将保持增长趋势。首先, 北京市作为交通枢纽以及“世界城市”的功能定位, 公共交通系统、城市物流配送体系必将形成更大规模, 交通运输业的发展必将带动能耗增加;其次, 北京市机动车保有量大, 且其呈现“高强度使用、高密度聚集”的特点, 使全市机动车油耗总量保持较大规模;第三, 随着城市面积的扩大和城市人口的持续增长, 促使居民出行距离和出行总量持续增加, 带动交通能耗规模扩大。因此, 北京市交通运输能耗将呈刚性增长, 致使机动车油耗总量和增速控制难度加大。

3.3 能源对外依存度高带来结构调整困难

能源结构优化首先涉及清洁能源的供应和保障, 但北京市能源资源十分有限。一次能源中, 仅有煤炭和极少量的水电, 所有的原油和天然气均靠外省调入或进口, 近七成电力依靠外部输入。受资源禀赋限制北京市能源对外依存度极高, 在能源结构调整上面临客观困难。

首先, 外调能源供应受宏观经济社会环境和供应方生产、政策等因素影响大, 自主性较差。其次, 能源结构调整涉及现有设施的存量改造升级和增量高标准应用。北京市能源资源禀赋及对外依存情况更使能源基础设施改造过程长、投入大。

4 采取针对性措施进一步优化能源品种结构, 切实改善首都空气质量

4.1 对燃煤设施实行存量改造和增量严控, 加快压减燃煤总量

加快压减燃煤, 推进能源清洁替代, 对于改善环境、降低污染排放十分重要, 也是防治大气污染、综合治理PM2.5最重要、最有效的措施之一。北京市应加快现有燃煤设施改造和环保升级, 注重煤炭的清洁利用, 实现达标排放;中心城区、远郊新城和有条件的地区不再新建燃煤设施, 严格控制新增设施建设, 切实减少燃煤污染排放。

4.2 积极发展“绿色交通”, 控制机动车燃油污染

针对机动车油耗和尾气排放大的问题, 北京市应大力发展公共交通, 加快轨道交通建设;积极推广使用新能源汽车;严格控制机动车总量, 合理控制机动车使用强度;加快淘汰高排放老旧汽车;确保现有车辆排放达标, 提高新车准入标准, 适时推出第六阶段机动车排放标准等。

4.3 大力发展新能源和可再生能源

根据北京市新能源和可再生能源资源禀赋, 应因地制宜推进新能源和可再生能源规模化利用;高起点建设一批示范利用项目;加强已建项目的设备运行管理和维护, 提高使用效率;健全政策体系, 鼓励支持技术研发;完善市场引导机制, 提升自主发展动力。

4.4 加快设施建设, 提高供应保障能力

结构性污染 第9篇

一、变量与数据说明

( 一) 变量选取

《重点区域大气污染防治十二五规划》将SO2、NO2、可吸入颗粒物等大气污染物的减排作为重点区域环境质量考核指标,但限于数据可获得性以及环渤海经济圈以煤炭为主的能源消费结构,本文选择人均SO2( E) 排放量( 吨/人) 为大气污染代理指标。此外,大气污染作为经济增长( gdp) 的产物,有必要研究其与经济增长之间的互动关系。为此,本文选取的变量包括:

1. 产业结构。从动态角度看,一个经济体的产业结构变迁具有两个维度,即产业结构合理化和产业结构高级化( 干春晖等,2011)[2]。本文采用产业结构高级化( TS) 作为产业结构的衡量指标,TS为第三产业产值与第二产业的产值,以反映产业结构是否向低污染、低能耗的 “服务化”方向转变。

2. 经济增长。本文将经济增长纳入模型,用人均GDP ( 元/人) 表示,以分析经济增长与大气污染之间的相互影响,为消除价格波动,以1991年为基期对GDP进行平减处理。此外,为消除可能存在的异方差,将所有变量进行对数化处理。

( 二) 数据来源

数据样本区间为1991 - 2013 年,其中1991 -2003 年SO2数据来源于中经网统计数据库,2004 -2013 年来源于各省统计年鉴和 《中国环境统计年鉴》,GDP以及其构成数据选自2014 年各省统计年鉴,人口数量来源于2014 年各省统计年鉴以及《新中国55 年统计资料汇编》。

二、模型设定与估计

( 一) 模型设定

Sp SVAR是基于数据统计性质建立的模型,内生变量在模型的每个方程中对全部内生变量的滞后项进行回归,其滞后项中包括空间滞后项、时间滞后项以及时间滞后项的空间滞后项,即综合考虑了时间与空间效应,表达式为:

其中内生变量yit= [gdpit,TSit,Eit],gdpit、TSit、Eit分别为第i个( i = 1,2,…,7) 省份t时期( t = 1,2,…,23) 的产业结构变迁、经济增长、SO2排放指标; C0为即期结构参数,反映内生变量之间的即期结构关系; Cp为p阶滞后内生变量的系数,反映变量之间的长期关系; αi为个体固定效应,体现了空间固定且不随时间变化的变量; εit为结构式随机扰动项,εit~ i. i. d( 0,δ2) 。借鉴Di Giacinto ( 2010)[3]直接按照空间结构对参数矩阵加以限制,因而Sp SVAR的各参数为:

其中,IN为7× 7 单位矩阵; W为空间权重矩阵,W( l)为l阶空间权重矩阵,W选择常用的Rook邻近矩阵,即相邻为1,不相邻为0,对角线元素为0。

( 二) Sp SVAR估计

由于无法对结构式( 1) 进行直接估计,需将其转化为相应的简化式,进而通过简化式参数估计结构式参数,其具体估计过程为:

1. 将结构式转化为简化式。在结构式可以识别情形下的即期结构参数C0是可逆的,故其简化式Sp VAR为:

其中Bp= C0-1Cp,λi= C0-1αi,μit= C0-1εit。可以看出简化式随机扰动项是结构式的线性组合,代表一种复合冲击。

2. 估计简化式Sp VAR。本文采用准最大似然估计( QML) 估计Sp VAR各参数,从而得到模型参数估计值

3. 估计Sp SVAR。通过简化式( 3) 扰动项 μit与结构式扰动项 εit之间的关系可以得出:

其中∑ε为结构式扰动项方差- 协方差矩阵,∑μ为简化式扰动项方差- 协方差矩阵。利用全信息最大似然( FIML) 估计即可得到结构式各参数估计值:。为此,需要对( 4) 式进行模型识别,可将C0设为下三角分块矩阵,并对产业结构、经济增长、大气污染之间的当期关系做出如下假设:

假设1: 经济增长不受当期产业结构的影响,产业结构受当期经济增长的影响。

假设2: 大气污染会受到经济增长、产业结构的当期影响。

考虑到产业结构的调整的缓慢性以及复杂性,大气污染在短期内很难对其产生影响。因此,本文提出如下假设:

假设3:大气污染对当期产业结构没有显著影响。

基于上述分析,本文设定如下即期结构参数C0:

( 三) Sp SVAR脉冲响应分析

采用Sp SVAR模型不仅可以发现内生变量之间的当期作用机制,还可以通过脉冲响应函数来研究其结构冲击的动态效应,即研究扰动项的影响是如何作用于内生变量的。为此,本文将Sp SVAR模型转化为空间面板结构向量移动平均( Sp SVMA) 过程。

进一步,

其中,可以将Sp SVAR脉冲响应函数( IRF) 写成如下形式:

其中,表示省份i的第k个内生变量在t + h期对省份j的第r个在时间t的结构冲击所产生的响应; 同时,将空间权重矩阵引入脉冲函数( STIRF) :

其中l为空间滞后阶数,反映了t期省份i的第r个内生变量对其l阶空间近邻第k个内生变量在( t+ h) 期所产生冲击的平均效应。

三、实证分析

( 一) 单位根检验

Sp SVAR模型要求时间序列是平稳的,先要检验序列的平稳性,以防止出现 “伪回归” 问题,其检验结果如表1 所示。通过表1 可以看出ln E为非平稳序列,而其一阶差分则通过了平稳性检验,表明ln TS 、lngdp 、ln E为同阶单整序列,可以建立Sp SVAR模型。限于数据可获得期限较短( T = 23)以及待估参数较多,选择时间和空间都为1 阶滞后的Sp SVAR模型。

( 二) 结果分析

采用上述估计步骤可得到Sp SVAR各参数( 限于篇幅,只给出了即期结构参数C0的估计值) ,如表2 所示。通过表2 可以看出经济增长、产业结构、大气污染存在正向空间效应,且邻近省份三变量间存在空间相互影响。具体来说,邻近省份的经济增长会促进本省的经济增长,本省以及邻近省份经济增长、邻近省份产业结构高级化都会促进本省的产业结构高级化进程,而本省以及邻近省份经济增长会加剧大气污染,本省以及邻近省份的产业结构高级化会抑制大气污染排放,邻近省份的大气污染也加剧了本省大气污染。这也说明大气污染不仅与本省的经济增长、产业结构有关,更与邻近省份的经济增长、产业结构、大气污染有关,同时体现出了大气污染联防联控措施的必要性。此外,可以通过脉冲响应分析各内生变量间的相互作用机制。

1. 经济增长对产业结构、大气污染的动态响应。图1 和图2 是经济增长对产业结构、大气污染以及自身冲击的脉冲响应图,并且脉冲响应值逐渐收敛于0,说明了各内生变量的平稳性,其中图1 反映的是经济增长对本省份各冲击的动态响应,而图2 反映的是各内生变量( 1 阶空间近邻) 对其邻近省份经济增长造成的冲击。不难发现各内生变量对本省以及邻近省份经济增长造成的冲击其趋势基本一致,但对本省经济增长所产生的冲击其效果要大于邻近省份。以图1 为例,经济增长、大气污染对滞后1 - 3 期的经济增长有促进作用,这种促进作用在滞后1 期表现得尤为显著,但其后呈现震荡收敛; 产业结构高级化对经济增长的抑制作用在滞后3 期内都较为显著,但在滞后4 - 12期内波动仍较为剧烈,其后逐渐收敛于0,说明了经济增长对产业结构变动的敏感性。

下面通过测算经济增长对惯性冲击( 经济增长) 、产业结构、大气污染冲击的累积响应来分析各冲击的长期弹性。对于IRF,其累计响应分别为1. 644、 - 0. 6286、0. 4798; 对于STIRF, 其累计响应分别为0. 7306、 - 0. 4170、0. 4058。从长期看来,无论是对于本省还是邻近省份,各冲击产生的影响基本一致,并且对本省造成的冲击更大: 惯性冲击都产生了正向影响,其惯性影响也较大,说明其记忆性较强; 产业结构冲击长期弹性为负,意味着现有的产业结构高级化进程不仅没有促进经济增长,还会对本省甚至其邻近省份的经济增长起到抑制作用,这与环渤海经济圈各省产业结构高级化进程缓慢( 北京除外) 密切相关,如图3 所示; 大气污染对经济增长的影响为正,即大气污染拉动了经济的增长,反映了环渤海经济圈依赖高投入入、高消耗、高排放的粗放型经济发展模式。

2. 产业结构对经济增长、大气污染的响应。图4 和图5 分别反映产业结构对各冲击的响应,通过图4 可以发现经济增长、大气污染对滞后1 - 2期的产业结构高级化有显著促进作用,其后二者对产业结构的影响逐渐震荡收敛于0; 而产业结构会抑制其滞后1 期的产业结构高级化,其后逐渐震荡收敛于0。图5 显示本省产业结构高级化抑制了其邻近省份滞后1 - 2 期的产业结构高级化,其后出现较为剧烈波动,说明了产业结构调整的敏感性; 本省的经济增长会抑制其邻近省份滞后1 期的产业结构高级化,而在滞后3、4 期会促进其产业结构调整,其后趋于稳定; 大气污染对其邻近省份滞后2 期内的产业结构调整具有促进作用,其后逐渐收敛于0。

产业结构高级化对本省各冲击的累计响应分别为4. 146、0. 6550、1. 005,说明经济增长能够有效促进产业结构高级化; 惯性冲击为正说明了产业结构调整的连续性,而大气污染对产业结构高级化也起到了较为显著的促进作用,由粗放型经济增长模式而带来的大气污染问题日益严峻,在不牺牲经济增长的前提下,产业结构调整成为改善环境的有效手段。邻近省份产业结构对本省各冲击的累计响应分别为0. 4781、 - 0. 2046、0. 3318 ,说明经济增长与大气污染都会促进邻近省份的产业结构高级化,而产业结构调整会抑制邻近省份的产业结构高级化,原因是环渤海经济圈的产业结构调整主要通过区域内部产业转移完成的。

3. 大气污染对经济增长、产业结构的响应。图6 反映了大气污染对本省各冲击的动态响应,在滞后8 期内经济增长对大气污染具有较为显著的正向冲击,其后趋于0,说明经济增长对大气污染影响的长期性; 在滞后2 - 4 期,产业结构高级化加剧了大气污染排放,而促进了滞后5 - 8 期的大气污染减排,最后趋于稳定; 大气污染对其滞后2 期内的大气污染具有显著的正向影响。图7 反映了邻近省份大气污染对本省各冲击的动态响应: 在滞后1 - 3 期经济增长会减少邻近省份的大气污染,而4 - 8 期会加剧其邻近省份的大气污染排放,其后逐渐趋于0; 产业结构高级化减少邻近省份滞后1 期的大气污染排放,其后产生了较为剧烈的波动,直至收敛; 大气污染会加剧其邻近省份滞后1- 3 期的大气污染,其后逐渐震荡收敛于0。

大气污染对本省份各冲击的长期弹性分别为6. 609、 - 2. 378、2. 663,说明经济增长在长期内会加剧大气污染,还是归咎于环渤海经济圈的粗放型经济增长模式; 而产业结构的调整会有效促进大气污染减排,这与其向低污染的 “服务化”方向转变有关,产业结构调整虽在短期内对大气污染减排没有起到促进作用、甚至加剧了其排放,但在长期内仍是减排的有效手段,体现了产业结构调整的重要性,自身的惯性冲击也具有记忆性。邻近省份对本省各冲击的长期弹性分比为- 0. 0251、 -0. 5077、0. 4410,说明经济增长会促进邻近省份的污染减排,但其作用较小,与经济增长促进邻近省份产业结构高级化( 累积响应0. 4781) ,产业结构高级化促进大气污染减排( 累积响应- 2. 378) 的间接响应机制有关; 产业结构高级化会促进其邻近省份的减排,而大气污染会增加其邻近省份的排放,体现了大气污染的空间转移,即具有空间效应。

四、结论

本文运用纳入时间和空间动态效应的Sp SVAR模型分析了环渤海经济圈产业结构、经济增长与大气污染的互动关系,主要结论为:

1. 从长期来看,产业结构高级化进程对本省以及邻近省份的经济增长未能起到有效的带动作用,甚至抑制了其经济增长,而大气污染在一定程度上带动了本省以及邻近省份的经济增长。这不仅说明环渤海仍然依靠高污染、高排放的经济发展模式,更体现了其产业结构调整缓慢,未能充分挖掘产业结构调整而带来的经济增长与大气污染减排红利。

2. 从长期而论,经济增长会显著促进本省以及邻近省份的产业结构高级化,而大气污染也会推动本省以及邻近省份的产业结构调整,说明大气污染在长期内会倒逼产业结构调整,但依赖这种倒逼机制促进产业结构调整所带来的经济、健康损失无疑是巨大的。

3. 从长期来看,经济增长加剧了本省大气污染,即尚未实现经济增长与环境质量的协调发展,但对邻近省份的大气污染具有较低水平的减排作用,这与经济增长而促进产业结构调整的间接响应机制有关; 产业结构高级化会促进大气污染减排,说明产业结构调整是实现减排的有效手段。

总之,环渤海经济圈依然没有摆脱高污染的粗放型经济增长模式,产业结构调整仍是实现经济增长与环境协调发展的着力点。此外,由于经济增长、产业结构、大气污染存在显著的空间效应以及空间相互作用,任何单个省份的大气污染治理必将是事倍功半的。因此,联防联控是缓解区域大气污染的有效手段,但如何解决 “搭便车”现象以及协调各省份在大气污染治理方面存在的利益冲突仍值得我们进一步研究。

参考文献

[1]胡春力.促进产业结构升级是加强环境保护的根本[J].宏观经济研究,2009(2).

[2]干春晖,郑若谷,余典范.中国产业结构变迁对经济增长和波动的影响[J].经济研究,2011(5).