中国经济增长与环境污染关系的分省面板协整模型分析——一个基于效用函数扩展的EKC模
【摘要】本文在效用函数的基础上建立的扩展的EKC模型的面板协整分析的随机效应模型表明：我国分省的废水、废气、固体废弃物的EKC曲线形式不是“U”、”倒U”以及”N”形的任何一种；分省增长和工业三废的排放具有因果关系，但是经济发达和不发达地区工业三废的排放标的显著不同；产业结构尤其是第二产业比重的增加会增加工业三废的排放量；人口密度对工业三废排放具有挤出效应；工业三废排放对国家污染治理投入具有“倒逼机制”。北京、上海的环境有持续好转的迹象，河南的环境呈现持续恶化的状态。彻底解决我国环境污染问题需要合理有效的制度设计，制度的客观约束大于人类行为的主观约束方能有效治理环境污染问题。
关键词：经济增长；环境污染；扩展的EKC模型；面板协整
Abstract: This paper, based on utility function, builds an extended EKC model. Through the analysis of panel cointegration, the conclusion is that the EKC curves of industrial waste water, waste gas is not any kind of “U-shape”, “inverted U-shape” or “N-shape”. There is causality between economic growth and discharge of industrial wastes, but the discharge standard of developed areas is remarkably different from that of under-developed areas; the differences of industrial structure have an effect on the discharge of wastes, especially when the proportion of secondary industry in the national economy is large, the discharge of industrial wastes will be more; the population density has an crowding-out effect on industrial wastes; the discharge of industrial wastes have a mechanism to force the government devote more to the pollution. The environments of Beijing and Shanghai are taking a favorable turn, while the situation in He’nan province is still worsening. To solve the problem of environmental pollution thoroughly, a rational and effective institution is needed. Only when the restraint of institution from objective point is great than the restraint of human’s own behavior, can the environmental problem be solved.
Key words: economic growth; environmental pollution; extended EKC model; panel co-integration
1971年《罗马俱乐部报告》出台之后，关于经济是否可持续一度成为广泛的争议话题，随后的讨论从资源枯竭问题转向了环境污染问题。目前经济学界一般用环境库兹涅茨曲线(Environmental Kuznets Curve， EKC)表示经济增长与环境的关系。该曲线是指当收入超过一定的临界值时，按照人均值度量的经济活动的环境效应幅度会随着收入的增加而下降，就是说人均收入和环境污染呈现的是倒U型曲线关系。在人均收入水平比较低的情况下，随着人均收入的提高，环境污染加剧；Grossman and Krueger（1991；1994）研究表明，在人均收入达到一定水平 ，一般为 4000-5000 美元(1985年的美元计价)，人均收入的提高将伴随着环境状况的改善。继Grossman和Krueger之后，许多实证研究结果都表明，在大多数环境质量指标与人均收入之间存在着倒U型的关系。Selden和Song(1994；1995)考察了四种重要的空气污染物(即SO2、CO2、NO2和SPM)排放问题，发现它们与收入之间都存在倒U型的关系。Xepapadeas和Amri(1995)证实对于大气中SO2的浓度也存在同样的结论。Grossman and Krueger(1995)使用比1994年的研究范围更广的环境质量指标数据进行了跨国面板模型分析，没有发现环境质量会随经济增长而持续恶化的证据，相反，他们选取的大多数环境指标在经济增长的初始阶段出现恶化，而随着经济增长呈现出稳定改善的过程。
随着人们生活水平的提高，将会追求更高的生活质量，因此对于环境污染的问题也会越来越受到重视，研究该问题的学者也越来越多。本文尝试建立一个基于效用函数扩展的环境库兹涅茨曲线，应用面板单位根和面板协整理论，分析我国分省的环境库兹涅茨曲线——我国分省经济增长与环境污染关系问题。
一、综述
对于经济增长和环境污染关系问题的研究，主要体现在两个方面：一种是对某一个省市的研究，主要适用OLS方法进行模型估计，但是很少见到对时间序列进行单位根和协整检验问题，然后根据回归结果分析EKC模型是否存在，进而提出相关的政策建议；第二种是利用分省面板模型回归分析，主要是使用Hausman检验判断使用固定效应模型还是随机效用模型，未曾见到对于面板数据进行单位根和面板协整检验问题。第一种情况的研究成果众多；第二种情况的研究成果很少，主要有：包群、彭水军、阳小晓（2005）；刘燕、潘杨、陈刚（2006）；于峰、齐建国、田晓林（2006）；李达、王春晓（2007）。
包群、彭水军、阳小晓（2005）利用1996-2002年期间我国30个省份的面板数据，对我国经济增长与包括水污染、大气污染与固体污染排放在内的6类环境污染指标之间的关系进行了检验，实证结果发现倒U型EKC关系很大程度上取决于污染指标以及估计方法的选取，存在以相对低的人均收入水平越过环境倒U型曲线转折点的可能。
刘燕、潘杨、陈刚（2006）使用1990-2003年中国的省级面板数据对中国的经济增长与环境污染关系进行了计量分析，同时考察了中国的对外开放政策对环境质量的影响。结果表明中国的经济增长同环境污染之间并不存在简单的倒U型曲线关系，中国的经济增长与工业废水之间表现为一种倒N型曲线关系，与工业废气之间表现为N型曲线关系，与工业固体废物之间表现一种倒U型曲线关系。同时，分析表明出口同中国的环境污染之间存在显著的正相关关系；而外商直接投资与中国的环境污染之间却存在显著的负相关关系。
于峰、齐建国、田晓林（2006）在 Stern（2002）模型的基础上，以 SO2 排放量表征环境污染水平，对 1999—2004 年间除西藏、山西和贵州以外的我国28 个省、自治区及直辖市的面板数据进行回归分析，结果显示经济规模扩大、产业结构和能源结构变动加剧了我国环境污染，生产率提高、环保技术创新与推广降低了我国环境污染。并估算了这五要素对环境质量影响的各自实际贡献率。
李达、王春晓（2007）利用1998-2004年间我国30个省份的面板数据，研究了3种大气污染物和经济增长之间的关系。实证结果表明3种大气污染物与经济增长之间不存在倒U型环境库兹涅茨曲线。二氧化硫排放与经济增长之间呈倒N型曲线，与多数研究结果不相符；同时，第二产业比重、经济增长速度、单位GDP能耗和环境政策强度四个解释变量总体上对3个大气污染物的排放具有显著影响。
从上述文献可以看出，随着经济发展水平的提高，研究经济增长与环境污染关系的文章也似乎越来越多。上述丰富的研究成果对于我国或者某些省份和城市制定合理的环境措施，减少环境污染总量，降低环境污染程度都具有十分重要的指导意义。但是上述研究成果共同的遗憾是：一是模型简单，没有考虑到影响环境污染的其他因素，仅限于经济增长对于环境污染影响的研究和回归分析；二是实证分析手段和方法受到计量经济学理论和发展水平的制约。基于此，本文从上述两个方面进行补充和扩展分析，基于效用函数理论模型，建立中国的EKC模型，使用面板单位根和面板协整分析技术进行研究，希望结论能符合中国国情和实际，对于中国经济增长、环境污染和治理提出有针对性和有益的建议。
二、模型的建立与微观基础
考察经济增长与环境污染的关系问题，首先要分析两个变量的传导路径，因此要从微观传递机制入手，进而分析宏观层次上变量的依赖关系。
（一）模型的微观基础
我们首先建立一个代表性家庭个体的函数模型，然后将它一般化推广，形成一个包含更广泛个体的函数模型。
1.代表性个体的效用函数与污染函数。
假设一个代表性家庭消费C会导致污染H，因此家庭的效用函数为：
家庭消费越多，效用越高，因此 ；而污染越高，效用越低，因此 。由于污染是由于消费引致的，因此家庭如果减少污染，或者是减少消费，或者是对污染进行投入治理。令E为家庭治理环境污染的资源投入量，考虑到污染是消费的副产品，因此可以设定家庭污染函数为：
假设消费越多，污染越严重，因此消费和污染正相关，即 ；同时假定随着污染治理投入的增加，环境污染随之减轻，两者负相关，即 。假定家庭治理污染和消费的资源禀赋总量为Y（收入），则约束条件为C+E=Y。
假定效用函数为线性的，可以表示成如下形式：
表示单位消费产生单位效用，污染带来的边际效用损失为 ，且 。假定单位消费产生单位污染，并且污染治理函数设定为柯布——道格拉斯形式，具体表示为：
该形式表明，当不进行污染治理投入的时候，污染量H等于消费量C，污染量随着消费的增加而增加；随着污染治理投入的提高，当 时，污染量为零，即消除了污染。
2.函数的一般形式。
我们将效用函数扩展到多个个体，假定不存在外部性影响，则效用函数和污染函数可以表示为：
i=1,2,……n
其中， ， ， 。
求解得到最优消费为：
（二）环境污染模型的建立
从国内外已有文献来看，一般的EKC模型形式为：
y为环境指标,x为人均GDP,u为随机扰动项, 、 、 和 为待估参数。
当 ， 时，y和x为线性关系； ， ， 时，y和x呈现“倒U”型二次曲线关系； ， ， 时，y和x呈“U”型二次曲线关系； ， ， 时，y和x为三次曲线关系，图形为“N”型； ， ， 时，y和x为三次曲线关系，图形为“反N”型；当 ， ， 时，表示环境污染不受经济水平的影响，两者之间没有关系。
根据Grossman and Krueger（1991；1994）对NAFTA环境效应得出的结论，经济增长对环境的影响表现为三个方面：规模效应（Scale Effects）、结构效应（Structural Effects）、技术效应（Technology Effects）。我们在此基础上对一般的EKC模型进行扩展，由于经济系统中产出的增长必然导致对环境资源需求的增加，同时向环境中排放各种废弃物的存量也在增加，经济发展会导致资源损耗和环境破坏，因此用人均GDP和人口密度来表示规模效应对环境的影响；用产业结构的变化表示结构效应对环境的影响；用单位GDP能耗表示技术效应对环境的影响；同时增加政策效应变量，用污染治理投入代表政策强度和政府政策导向。则本文扩展的EKC模型可以表示为：
其中，ln表示对变量取对数；H为环境污染量；i为个体单位，这里指省市自治区；t为时间序列； 表示截面效应； 是待估参数；y是人均GDP；G表示产业结构变化，这里为第二产业产值占全部产值的比重；M为非农业人口的人口密度；A为单位GDP能耗，表示技术进步；E为污染治理投入，表示政策强度；u为随机扰动项。
三、基于面板单位根和面板协整检验的实证分析
（一）数据的来源和说明
本文所用数据样本区间为1997-2005年，这是由于考虑到重庆从1997年才有数据，同时也是为了考察中国经济增长最为强劲这一时段对于环境的影响问题，从逻辑上来说这段时间变量的关联度应该最强。由于西藏缺少环境指标有关数据，因此我们考察的个体是除了西藏以外的大陆30个省市自治区。我们用工业废水排放量（FS，单位：万吨）、工业废气排放量（FQ，单位：亿标准立方米）和工业固体废弃物排放量（FW，单位：万吨）表示环境污染量，因此原模型变成了三个方程。其他字母所表示的变量如前文扩展的EKC模型所示：y是人均GDP（单位：亿元／万人）；A为单位GDP能耗（单位：万吨标准煤／亿元）；G表示产业结构变化，这里为第二产业产值占全部产值的比重（%）；M为非农业人口的人口密度（单位：万人／公顷）；E为污染治理投入（单位：万元），实际应用中对变量取了对数。所有数据均来自于有关年度《中国统计年鉴》、《中国环境统计年鉴》、《中国国土资源年鉴》等权威数据资料库。本文所用软件是Eviews5.1和Stata9.0。
（二）面板模型与估计、检验方法
计量经济理论表明，众多经济变量尤其是面板数据大都是非平稳变量，用非平稳变量进行回归分析结果很大程度上表现为伪回归。为避免伪回归现象，需要对面板数据进行单位根和协整检验。
1.面板单位根检验。
面板模型进行回归分析之前进行单位根检验，这是避免出现伪回归的前提条件。面板单位根检验方法有别于时间序列数据单位根检验，主要为：LLC检验(Levin、Lin and Chu，2002)、Breitung检验(Breitung，2000)、Hadri检验(Hadri，1999)是相同根的检验方法，IPS检验(Im、Pesaran and Shin，2003)、Fisher-ADF(Maddala and Wu，1999；Choi，2001)检验是不同根的检验方法；LLC检验、Breitung检验、IPS检验、Fisher-ADF检验原假设是含有单位根；Hadri检验原假设为不含有单位根。本文所用数据和变量的面板单位根检验结果如表1所示，表中斜体数字表示该检验的结果和其他检验结果相反。
表1 面板数据的单位根检验
检验方法 lnFS lnFQ lnFW lnY
水
平
值 LLC检验 0.19(0.57) -1.08(0.14) 2.84(0.99) 6.2(0.99)
Breitung检验 4.19(0.99） -0.02(0.49) 1.04(0.85) 10.7(0.99)
IPS检验 -0.24(0.41） -0.39(0.35) 5.58(0.99) 5.64(0.99)
Fisher-ADF检验 59.1(0.58) 70.14(0.22) 25.3(0.99) 8.36(0.99)
Hadri检验 13.4(0.00)* 46.6(0.00)* 16.8(0.00)* 12.87(0.00)*
一
阶
差
分
值 LLC检验 -23.7(0.00)* -13.1(0.00)* -26.2(0.00)* -8.63(0.00)*
Breitung检验 4.84（0.99） -0.02(0.49) -1.94(0.02)** 1.85(0.97)
IPS检验 -4.09(0.00)* -4.2(0.00)* -3.92(0.00)* -6.53(0.00)*
Fisher-ADF检验 170.9(0.00)* 116.8(0.00)* 144.8(0.00)* 80.8(0.05)**
Hadri检验 0.12（0.45） -1.1(0.86) 0.58(0.28) 0.26(0.34)
检验方法 lnG lnM lnA lnE
水
平
值 LLC检验 -0.48(0.31) 8.13(0.99) -6.63(0.00) 11.5(0.99)
Breitung检验 3.77(0.99） 7.02(0.99) 4.2(0.99) -0.52(0.3)
IPS检验 0.69(0.75） 15.2(0.99) -0.27(0.4) -0.48(0.31)
Fisher-ADF检验 62.5(0.46) 46(0.94) 50.7(0.8) 13.1(0.99)
Hadri检验 15.47(0.00)* 17.7(0.00)* 13(0.00)* 22.5(0.00)*
一
阶
差
分
值 LLC检验 -10.55(0.00)* -5.87(0.00)* -22.8(0.00)*
Breitung检验 4.97(0.99) -3.11(0.00)* -5.6(0.00)* -4.5(0.00)*
IPS检验 -4.88(0.00)* -7.24(0.00)* -3.85(0.00)* -6.3(0.00)*
Fisher-ADF检验 109(0.00)* 110.6(0.00)* 95(0.00)* 160.4(0.00)*
Hadri检验 0.03(0.49） -0.18(0.57) 0.53(0.29) -1.05(0.85)
*、**分别表示在1%、5%的显著性水平上拒绝原假设；括号中数据是该统计量的伴随概率。
上述检验结果除了lnFS、lnFQ、lnY、lnG一阶差分值的Breitung检验，lnA水平值的LLC检验显著与众不同外，其他四种或以上检验方法检验结论一致，均表明上述变量是I(1)的，也就是说本文模型所用变量是非平稳变量。
对于面板模型，如果变量是非平稳的，进行回归分析之前需要进行协整检验，以判断是否可能属于伪回归。
Pedroni(1999，2004)以回归残差为基础构造出7个统计量进行面板协整检验，其中除了Panelν-stat为右尾检验之外，其余统计检验量均为左尾检验。4个是用联合组内尺度描述即Panel v-Statistic、Panel ρ-Statistic、Panel ADF-Statistic、Panel PP-Statistic；另外3个是用组间尺度来描述即Group ρ-Statistic、 Group ADF-Statistic、 Group PP-Statistic。如果各统计量均在1%(或5%)的显著性水平下拒绝“不存在协整关系”的原假设，表明非平稳的时间序列之间存在着协整关系。
Pedroni(1999，2004)基于残差的协整检验量最关键的是所假设协整方程的残差。
对于如下的协整方程：
，
其中， ， 为独立变量的个数。
为了得到相关的面板协整统计量，首先要估计协整方程。为了得到两个组内统计量（panel rho-stat、panel t-stat）值，对原序列进行差分运算并估计如下差分方程：
其中，
由差分方程的残差值以及Newey-West（1987）的估计量可以计算出 的长期值，用 表示。
通过协整方程的残差 以及回归式 可以得到panel rho-stat和group rho-stat统计量。 的长期方差 以及同期方差 分别为：
并且令：
另一方面对于panel t-stat和group t-stat统计量再次利用协整方程的的残差估计 计算 的方差 。记：
， 。
Pedroni对于相关的面板协整检验量作了如下的表示：
panel rho-stat：
panel t-stat：
group rho-stat：
group t-stat：
对于每个面板模型利用近似的均值和方差既可以进行标准化。
对于面板协整检验而言其原假设 ：对 ，即不存在协整关系；而对于组间统计量而言其备则假设为： ：对 ：而对于组内统计量而言其备则假设为： ：对 。
本文所用变量的面板协整检验结果如表2所示。
表2 本文所用变量的面板协整检验
变量 面板协整检验结果
解
释
变
量
lny、
lnG、
lnM、
lnA、
lnE
被解释
变量
lnFS 组内
统计量 Panel ν-stat
-10.44* Panel ρ-stat 12.33* Panel PP-stat 10218* Panel ADF-stat -10.48*
组间
统计量 Group ρ-stat
14.86* Group PP-stat 无 Group ADF-stat 无
被解释
变量lnFQ 组内
统计量 Panel v-Stat
-10.44* Panel ρ-stat 12.33* Panel PP-stat 16.1* Panel ADF-stat -13.7*
组间
统计量 Group ρ-stat
14.86* Group PP-stat 无 Group ADF-stat 无
被解释
变量lnFW 组内
统计量 Panel v-Stat
-10.44* Panel ρ-stat 12.33* Panel PP-stat 1.3E+25* Panel ADF-stat -29.4*
组间
统计量 Group ρ-stat
14.86* Group PP-stat 无 Group ADF-stat 无
1.除了Panelν-stat为右尾检定之外，其余统计检验量均为左尾检定。
2.*表示在1%的显著性水平上拒绝不存在协整关系的原假设。
3.由于缺少西藏个别变量的统计数据，因此组间统计量两个指标无法计算。
三个方程变量的协整检验的组内和组间统计量在1%的显著水平上均表明拒绝不存在协整关系的原假设，因此上述三个方程存在协整关系，可以直接进行回归分析，不存在伪回归。
3.实证结果。
按照协整检验的结果，我们对三个模型进行了总体回归，回归结果制成表3。表中斜体数据表明t统计量接受系数为零的原假设。
表3 三个总体回归模型的样本回归结果
被解释变量lnFS 被解释变量lnFQ 被解释变量lnFW
lnY -0.79(-5.07)* -0.15(-1.22) -1.09(7.09)*
lnY2 0.32(2.86)* 0.22(2.44)* 0.23(2.02)**
lnY3 0.30(2.36)* 0.2(2.04)** 0.37(2.94)*
lnG -1.02(-5.04)* -0.21(-1.32) 0.87(4.37)*
lnA -0.68(-6.16)* 0.19(2.21)** -0.02(-0.14)
lnM -0.04(-1.2) -0.03(-0.88) 0.01(0.17)
lnE 0.94(54)* 0.75(54.9)* 0.76(44.4)*
R2 0.56 0.64 0.6
样本容量 240
1.解释变量系数后面括号里的数字是t统计量，下同。
2.*、**、***分别表示t统计量在1%、5%、10%的显著性水平上拒绝系数为零的原假设，下同。
上述回归结果表明，废水排放量和人口密度无关，主要受到人均GDP、产业结构、单位GDP能耗和污染治理四个变量的影响，并且污染治理投入与工业废水排放量正相关；产业结构、单位GDP能耗和工业废水排放量负相关，也就是说工业产值的比重越大、单位GDP的能耗越大，废水排放量就越少；反之则反是。工业废水排放量的曲线形式不同于前文所分析的“U”、”倒U”以及”N”形的任何一种。工业废气排放量与产业结构、人口密度无关，与单位GDP能耗、污染治理投入正相关；工业废气排放量的曲线形式也与已有成果不同。工业固体废弃物的排放量与人口密度、单位GDP能耗无关，与产业结构、污染治理投入正相关；曲线形式与工业废水排放量曲线一致。
目前面板模型的应用研究主要是基于Hausman检验的固定效应和随机效应模型，本文尝试在此方面进行分析，同表3结果进行比较分析。Hausman检验结果表明三个方程均适合使用随机效应模型，结果制成表4。
表4 基于Hausman检验的随机效应模型的回归结果
被解释变量lnFS 被解释变量lnFQ 被解释变量lnFW
C 10.57(28.7)* 8.2(18.5)* 7.7(19.5)*
lnY 0.15(1.69)*** 0.996(9.36)* 0.57(5.73)*
lnY2 0.075(1.63)*** 0.1(1.76)*** 0.03(0.6)
lnY3 -0.27(-5.74)* -0.09(-1.5) 0.03(0.65)
lnG 0.898(3.36)* 0.92(3.08)* 0.8(2.78)*
lnA -0.01(-0.108) 0.16(1.37) 0.18(1.59)
lnM -0.11(-1.7)*** -0.11(-1.99)** -0.06(-0.77)
lnE 0.074(3.29)* 0.08(2.9)* 0.05(2.27)**
R2 0.25 0.55 0.45
上述结果表明，lnFS、lnFQ、lnFW均与单位GDP能耗无关，并且常数项均为正。其中，lnFS、lnFQ、lnFW与第二产业的比重、污染治理投入正相关，lnFS、lnFQ与人口密度负相关，lnFW与人口密度无关。lnFS、lnFQ、lnFW的曲线形式不是“U”、”倒U”以及”N”形的任何一种。这个结论和包群、彭水军、阳小晓（2005）、刘燕、潘杨、陈刚（2006）、于峰、齐建国、田晓林（2006）、李达、王春晓（2007）所用面板数据分析的结果不同。
表3和表4比较，我们发现，表4的结果从理论逻辑上更合理一些，因此后文分析以表4的结果为基础。
lnFS、lnFQ、lnFW三个指标均与第二产业的比重正相关，这基本符合逻辑和人们的正常思路，工业产值的比重越大，工业排放量就越大，对环境的污染也就越大。lnFS、lnFQ、lnFW三个指标与人口密度呈现（或者不存在）微弱的负相关，表明产业升级带动的就业方向更加理性以及人们对于环境条件的要求提高；人口越是密集，对于政府控制环境质量的力度压力就越大，重污染的规划就越是可能远离人口密集区，lnFS、lnFQ、lnFW三个指标的排放量就越小，因此两者负相关。lnFS、lnFQ、lnFW三个指标均与污染治理投入正相关，似乎不符合经济逻辑的正常思路。因为一般来说，污染治理投入越多，各种工业排放量似乎应该越少，环境就越为改善。实际上，本文认为，工业废水、废气、固体废弃物的排放与污染治理投入有一种循环的“倒逼机制”，当工业排放量增加→污染严重→政府污染治理投入就增加→环境随之改善→政府就减少了污染治理投入（往往表现为监督管理力度弱化，这种弱化却表现为有关部门的内部理性。试想，如果环境质量一直很好，这个部门是否有继续存在的必要？同时国家也因为环境质量一直较好必然减少污染治理投入，势必减少某些部门的收入和福利）→工业排放量增加（这一轮次的逻辑是一种博弈，因为企业废水等的排放会减少企业内部成本，所以一有机会增加三排对企业来说是提高收益）的恶性循环。正是因为政府、有关管理部门、企业站在各自立场独立行事，没有较好地协调运作和缺少对整个环境质量的使命感，也因为上述三个方面权利义务不对等，没有较好的奖惩机制等有效的制度安排，这种“倒逼机制”就会一直存在，这就导致。lnFS、lnFQ、lnFW三个指标均与污染治理投入正相关。
由于表4的结果具有逻辑基础，因此我们尝试在表4的基础上，分析和探讨分省的lnFS、lnFQ、lnFW的自主排放量，期望找到性的结论。我们按照表4的回归结果，将自主排放量编制成表5。由于对排放量取了对数，因此结果存在负数，负数越小，表明自主排放量越小；数值越大，表明自主排放量越大。
表5 基于随机效应模型的各地区lnFS、lnFQ、lnFW的自主排放量
地区 lnFS lnFQ lnFW 地区 lnFS lnFQ lnFW
北京 -0.561 -0.919 -0.943 河南 0.714 0.915 0.713
天津 -0.782 -1.205 -1.783 湖北 0.795 0.385 0.236
河北 0.513 0.691 1.133 湖南 1.034 0.359 0.436
山西 -0.426 0.597 1.081 广东 0.97 0.314 -0.321
内蒙古 -0.719 0.403 0.378 广西 0.775 0.841 0.594
辽宁 0.832 0.535 1.036 海南 -0.842 -0.945 -2.199
吉林 -0.195 -0.122 -0.172 重庆 0.340 -0.39 -0.269
黑龙江 -0.197 -0.406 0.004 四川 0.912 0.740 1.066
上海 0.666 -0.712 -1.097 贵州 -0.865 0.721 0.950
江苏 1.124 0.164 0.001 云南 -0.347 -0.008 0.616
浙江 0.604 -0.102 -0.837 陕西 -0.324 0.146 0.564
安徽 0.38 0.496 0.698 甘肃 -0.769 0.107 0.064
福建 0.197 -0.756 -0.140 青海 -2.057 -1.066 -1.472
江西 0.169 0.052 1.295 宁夏 -1.665 -0.946 -1.465
山东 0.365 0.401 0.609 新疆 -0.642 -0.289 -0.775
工业废水自主排放量较大的几个地区（从大到小排序）有：江苏、湖南、广东、四川、辽宁、湖北、广西、河南、上海、浙江；工业废水自主排放量较小的地区（按照从小到大排序）有：青海、宁夏、贵州、海南、天津、甘肃、内蒙古、新疆。工业废气自主排放量较大的几个地区（从大到小排序）有：河南、广西、四川、贵州、河北、山西、辽宁、安徽；工业废气自主排放量较小的地区（按照从小到大排序）有：天津、青海、宁夏、海南、北京、福建、上海。工业固体废弃物自主排放量较大的地区（按照从大到小排序）有：河北、江西、山西、四川、辽宁、贵州、河南、安徽；工业固体废弃物自主排放量较小的地区（按照从小到大排序）有：海南、天津、青海、宁夏、上海、北京、浙江、新疆。 一个很有意思的情况是：工业废水自主排放量最大的几个地区除了广西，其余地区或者是经济增长较好的地区，或者是经济总量大省；而工业废水自主排放量较小的地区几乎无一例外的都是经济增长较为缓慢或者不发达地区。工业废气和工业固体废弃物自主排放量较大的地区基本完全重复，而且和工业废水自主排放量较大的地区差异明显，说明经济发达地区的三废排放和经济落后地区的三废排放标的不同，我们认为这是由于产业结构和产品结构不同造成的。三废排放较小的地区重复较大，基本上是西部或者经济落后地区。上述状况给我们提供的一个基本规律表明经济增长和工业三废排放具有因果关系
三排自主排放量都较大的地区有：四川、辽宁、河南；三排自主排放量都较小的地区有：青海、宁夏、海南、天津。前者的环境问题需要引起政府的极大关注，尤其河南，经济较为落后，环境污染较为严重，如此恶性循环，情景堪忧。对于后者，如何保障环境不会遭受进一步破坏的前提下，有效促进经济和增长，成为国家和当地政府的一项重要任务。
四、结论和政策建议
基于效用函数扩展的EKC模型的面板协整分析表明如下结论：
1.我国分省的lnFS、lnFQ、lnFW的曲线形式不是“U”、”倒U”以及”N”形的任何一种。
2.分省经济增长和工业废水、废气、固体废弃物的排放具有因果关系。
3.经济发达和不发达地区工业三废的排放标的显著不同。
4.工业三废排放对国家污染治理投入具有“倒逼机制”。
5.产业结构尤其是第二产业比重的增加会增加工业三废的排放量。
6.人口密度对工业三废排放具有挤出效应。
7.河南省的环境状况需要引起警惕，北京、上海的环境有明显改善的迹象。
根据上述结论，我们提出如下的政策建议：
1.我们没有看到分省环境和经济增长关系的转折点，我们的经济增长目前仍然是以环境恶化为代价。但并不是说经济的持续增长无法改变环境恶化的状况，北京和上海已经表明了EKC曲线在我国某些地区一定程度上成立。从目前的环境恶化状况出发，一味提高经济增长速度、忽视经济增长质量和牺牲人们赖以生存的环境为代价是不可取的，发达国家的先污染后治理的思路不一定在适用，因为国情和制度、以及人口压力不同。因此首先要从国家层面上制定有效的环境保护政策和措施，并且要能够做到有法可依，有法必依，执法必严，违法必究，否则只是落在纸面上的所谓环境保护必然形如废纸。同时利用各种渠道宣传和提高国人环境保护的觉悟，唤醒人们的环境保护意识，如果从人的心灵认识到人类发展和环境的辩证关系并不是用金钱所能买回来或者治理好的，人类行为导致的污染排放必然减少。来说，法律的健全和有效实行——明确的权责利关系——良好的道德品质教育，将有利于环境保护。
2.坚决杜绝工业三废排放对于国家污染治理投入的“倒逼机制”，不应该再出现“污染严重——投入治理——环境改善——治理投入减少——污染严重”的恶性循环，而应该是从源头抓起，真正做到谁污染谁治理，建立环境污染的诚信机制，制定有效的奖惩机制，杜绝环境保护领域的腐败，当制度机制代替了行为机制，当制度的客观约束高于人的主观约束，这时候的环境保护必将呈现良性循环发展态势。
3.一个地区的产业发展模式不应该是领导一言堂，而应该建立一整套的评估体系对项目的实行进行综合的可行性评估，包括对环境污染的程度与长期影响的评价，并且要备案，要建立负责机制，出现严重后果要有人负责，正确处理好责权利的辩证关系。同时要杜绝GDP唯上的地方政府绩效评价指标体系，建立一整套切实可行的包括环境状况的指标评价体系。
4.对个别整体环境污染严重的地区，要因势利导，尽快扭转环境持续恶化的恶性循环状态，具体问题具体对待的同时更要总揽全局，制定切实可行的综合治理措施。
：
[1]包群、彭水军、阳小晓. 是否存在环境库兹涅茨倒U型曲线?——基于六类污染指标的经验研究［J］，上海经济研究，2005（12）：3-13。
[2]刘燕、潘杨、陈刚. 经济开放条件下的经济增长与环境质量——基于中国省级面板数据的经验分析［J］，上海财经大学学报，2006（6）：48-55。
[3]于峰、齐建国、田晓林. 经济发展对环境质量影响的实证分析——基于 1999—2004 年间各省市的面板数据［J］，中国工业经济，2006（8）：36-44。
[4]李达、王春晓. 我国经济增长与大气污染物排放的关系——基于分省面板数据的经验研究［J］，财经，2007（2）：43-50。
[5]Grossman ,Gene M.,Alan B.Kruger,Environmental Impact of North American Free Trade Agreement[D],NBER Working Paper No.3914,1991.
[6]Grossman G.M. and Krueger A.B., Economic Growth and the Environment[D].NBER Working Paper No 4634,1994.
[7]David I. Stern. Expaining Changes in Global Sulfur Emissions：An Econometric Decomposition Approach [J]. Ecological Economics，2002，（42）.
[8]Xepapadeas, A. and Amri, E., 1995,“Environmental Quality and Economic Development: Empirical Evidence Based on QualitativeCharacteristics”, Nota di Lavoro 15. 95 Fondazione Eni Enrico Mattei.
[9]Selden,T.M. and D.Song(1994),Environmental quality and development:is there a Kuznets curve for air pollution emissions?,Journal of Environmental Economics and Management 27:147-162.
[10]Selden,T.M. and D.Song(1995),Neoclassical growth,the J curve for abatement,and the inverted U curve for pollution,Journal of Environmental Ecomomics and Management 29:162-168.
[11] Levin, A. , C. Lin and C. Chu. Unit Root Tests in Panel Data: Asymptotic and Finite-Sample Properties[J]. Journal of Econometrics,2002, 108: 1-24.
[12] Im, Kzing So; M. Hashem Pesaran, and YongcheolShin.Testing for Unit Roots in Heterogeneous Panels[J]. Journal of Econometrics,2003, 115, 53-74.
[13] Pedroni P. Fully Modfied OLS For Heterogeneous Cointegrated Panels[J].Advances in Econometrics, 1999, 15: 93-13.
[14]Breitung,Jorg.The Local Power of Some Unit Root Tests for Panel Data ,in B.Baltagi(ed).Advances in Econometrics ,Vol,15:Nonstationary Panels ,Panel Cointegration ,and Dynamic Panels ,Amsterdam:JAI Press ,2000,161-178.
[15]Hardi,Kaddour.Tesing for Stationariry in Heterogeneous Panel Data ,Econometric Journal ,2003,3:148-161.
[16]Maddala G.S.,Wu Shaowen .A Comparative Study of Unit Rool Tests with Panel Data and a New Simple Test [J].Oxford Bulletin of Economics and Statistics ,1999,61:631-652.
