基于离散灰色模型的农村水环境政策减排效应及其空间分异性研究

张 可，马成文，丰景春，薛 松

(1.河海大学商学院，江苏 南京 211100；2.河海大学项目管理研究所，江苏 南京 211100；3.江苏省“世界水谷”与水生态文明协同创新中心，江苏 南京 211100；4.河海大学国际河流研究中心，江苏 南京 211100)



基于离散灰色模型的农村水环境政策减排效应及其空间分异性研究

张 可1,2,3,4，马成文1,2，丰景春1,2,3,4，薛 松1,2

(1.河海大学商学院，江苏 南京 211100；2.河海大学项目管理研究所，江苏 南京 211100；3.江苏省“世界水谷”与水生态文明协同创新中心，江苏 南京 211100；4.河海大学国际河流研究中心，江苏 南京 211100)

我国农村水环境污染日益严重，准确地度量各类农村水环境治理措施的减排效果对于后续政策制定具有重要的参考价值。由于农村水环境污染物监测数据偏少，且存在非平稳性特征，传统方法难以有效度量各类政策作用效果。为此，本文采用多变量离散灰色模型构建减排量测度方法并进行实证研究。首先，梳理了1995年以来我国颁布的农村水环境管理政策，根据政策内容和目标进行归类并选择代表性政策；然后，采用单元调查评估法核算农村各类水污染物排放量；进而将各类政策作为虚拟驱动项引入多变量灰色模型，并采用竞争性模型策略设定一系列减排测度模型，通过适配结果选择最优模型从而度量各类水环境政策的减排效应。研究结果表明，(1)我国农村水环境管理政策总体上具有较好的减排效果，COD、TN、TP三类污染物的年均减排量分别为54.25、66.08和12.9万吨。(2)三类政策减排效应存在一定差异性，“产业与经济型”政策群的减排效应低于“命令控制型”和“自愿参与型”政策。(3)省际层面的政策减排效应存在一定的空间聚集特征。最后，提出了我国农村水环境管理的对策建议。本研究为数据匮乏条件下的政策效应测度提供了借鉴和参考。

离散灰色模型；水环境政策；空间分异性

1 引言

近年来，我国农村经济实现了快速增长和全面发展。由于我国农业增长较多地依赖要素投入，高投入、高污染的发展方式没有得到根本性的转变，农村水环境污染问题日益严重。农业面源污染已经成为水体污染的重要来源之一[1]。环境保护部发布的《2014年中国环境状况公报》显示，全国水污染物排放中农村COD排放占总排放量的48%，氨氮排放量占总排放量的32%。农村面源污染具有分散性、隐蔽性等特点，因此，农村水环境治理需要综合环保宣传、产业结构调整、技术扶持和引导等多项政策措施，从源头控制农村水环境污染。

为此，不少学者对农村水环境政策的作用机制与效果展开了深入的研究。一方面，欧盟学者通常从水环境效率角度间接度量政策效应。例如：Picazo-Tadeo等[2]通过建立DEA模型研究了欧盟《共同农业政策》(Common Agricultural Policy)对于农业环境效率的提升影响。结果表明，该政策在一定程度上改善了农村水环境。Ruttan[3]研究了环境约束下世界农业生产率增长。Nanere等[4]考虑环境成本的投入，对农业生产效率进行修正，实证结果表明环境规制显著影响农业效率。国内学者也借鉴了这一研究思路，对我国农村水环境政策进行研究，例如：李谷成[5]度量了基于环境修正的农业全要素生产率。李谷成探讨了不同时期农业政策对于农业水环境效率的作用机理。梁流涛等[6]研究了我国农业环境技术效率时空特征及其影响因素。杜江[7]采用GML指数研究了我国农业增长的环境绩效。

另一方面，为了量化农村水环境政策的直接减排效果，也有学者采用回归分析、水质预测模型等对政策效应进行测度。Shao Weiyun[8]将水环境政策纳入水质预测模型，研究结果表明：若政府积极履行监管和教育职责，同时，农户积极采取环保措施，则相关政策会显著改善农村水质状况。Deuner等[9]研究了德国Honigau流域水质污染物含量的变化，认为水环境政策明显改善了该流域的水质状况。Semaan[10]将农业过程模拟模型与多目标规划相结合，研究了氮磷流失控制政策的效果。梁流涛等[11]采用回归分析方法研究了我国农村水环境管理政策，认为其对农业环境产生了负向作用，并将这一问题归因于农业环境管理制度不健全。刘鸿渊和闫泓[12]研究了农业面源污染与农地制度之间的关系。葛继红[13]研究了江苏省农业经济、技术进步和环境政策对农村水环境的影响，结果显示测土施肥等政策具有较好的污染减排效应。

上述研究对于科学分析农村水环境政策的作用效果，指导农村水环境治理具有重要的参考作用。但是，现有研究主要对农地政策、污染治理手段等单一政策措施进行效果测度，难以全面分析农村水环境政策的效应。同时，由于我国农村水环境污染排放数据较为缺乏，现有研究通常采用的回归分析方法存在样本量不足、数据非平稳等问题，容易造成分析结果的偏差。此外，关于农村水环境政策效应的空间分异性研究较为缺乏。

因此，本文首先对我国农村水环境治理政策体系进行了系统性地梳理，并选取代表性的治理政策；然后，将典型政策作为虚拟驱动项建立适合于“少数据”建模的DGM(1,N)模型，度量我国水环境管理政策的减排效应；最后，在省级层面比较了不同政策的减排强度，并研究减排效应的空间聚集特征。

2 我国农村水环境管理政策体系与代表性政策

目前，虽然我国针对农村水环境治理的法律法规和政策体系尚不完善，但为了控制农村水环境污染，中央和地方的相关政策中均对该问题有所涉及。通过国务院法制办公室官网检索到与“农村水环境”、“农业面源污染”、“农药、化肥污染”等相关的政策条款20174条。根据历史发展轨迹以及具体政策目标，我国农村水环境管理政策主要可分为“命令控制型”、“产业与经济型”以及“自愿参与型”三类[14]。

农村水环境管理的初期主要侧重于相关标准的制定与监管责任的落实。最具代表性的是1996年修订的《中华人民共和国水污染防治法》(以下简称《水污染防治法》)。该政策从农药的运输、存储、使用和处置等方面做出了规定。同时，首次确立了县级农业主管部门对于农村水环境的监管主体地位。此外，2001年发布的《畜禽养殖污染防治管理办法》、2002年出台的《农药限制使用管理规定》等，进一步对相关标准和措施进行了更为详细的设计和说明。2008年对于《水污染防治法》的修订进一步加强了畜禽养殖的水污染治理。

随着农村水污染状况的不断加剧，相关专家学者提出将环保政策与产业政策相结合的源头治理策略。以《中华人民共和国农业法》(以下简称《农业法》)为代表的“产业与经济型”政策先后颁布和实施。2002年颁布的《农业法》提出了“加强农业综合开发和农田水利、农业生态环境保护”、“发展生态农业，保护和改善生态环境”等目标。此类政策还包括《中华人民共和国循环经济促进法》(2008)、《关于实行“以奖促治”加快解决突出的农村环境问题的实施方案》(2009)、《国家环境保护“十二五规划”》(2011)、《全国现代农业发展规划》(2012)、《畜禽规模养殖污染防治条例》(2013)、《水污染防治行动计划》(2015)等。

由于农村面源污染的随机性、分散性等特点，全面的环境监管难以实现。而对水污染采取税费和惩罚措施也较难得到农户和乡镇企业的支持。因此，更为有效的治理措施是加强宣传、教育和指导，使农户了解水环境污染的危害，掌握清洁生产技术，积极参与水环境管理。因此，从2004年开始，连续多年的“中央一号文件”先后推出了“秸秆气化”、“一池三改”、“测土施肥”、绿肥、有机肥补贴等“自愿参与型”政策措施。

表1列举了1995年以来我国农村水环境管理的主要政策措施。一方面，政策数量的快速增长体现了我国对水环境问题日益重视。另一方面，政策措施不断从“命令控制型”向“自愿参与型”转变；政策目标也逐渐从宏观指导向微观操作转变。根据以上分析，将我国农村水环境管理政策分为以下三个政策群：以《水污染防治法》为核心的“命令控制型”政策群；以《农业法》为代表的“产业经济型”政策群；历年“中央一号文件”组成的“自愿参与型”政策群。

表1 1995年以来农村水环境管理方面的主要政策措施

3 数据测算与研究方法

3.1 农村水环境污染物测算

国内外研究通常采用具体污染指标表达一个地区的环境破坏和资源损耗水平，本研究也沿袭这一研究思路。《中国环境统计年鉴》中关于的农村水污染的统计指标主要包括：生化需氧量(COD)和总氮(TN)、总磷(TP)排量三类指标，因此，选择COD、TN、TP作为水环境政策效应的检验指标。由于环保部从2012年才开始统计和公布农业源水污染排放的数据。因此，采用文献[14, 15]中的单元调查评估方法测算1990-2014年各省区COD和总氮、磷数据。根据单元调查评估方法的要求，首先明确我国农村水污染的主要来源。将污染源确定为农田化肥施用、畜禽养殖、农田固体废弃物和农村生活4个污染单元。水污染物排放总量计算公式如(1)所示：

(1)

(1)式中，E为农村水污染物排放量；SUi为第i个污染单元的污染物产生基数，主要指化肥折纯量、畜禽养殖量、农作物产量和乡村人口数；ρi是第i个污染单元产污强度系数；LCi表示考虑资源综合利用和管理因素时第i个污染单元污染物排放系数。

SUi所需数据可从1991-2015年《中国统计年鉴》、《中国农村统计年鉴》等中获得；农田化肥施用、畜禽养殖两个单元的所需系数分别从第一次全国污染源普查公布的《农业污染肥料流失系数手册》、《养殖业排污系数手册》中分省份查阅，农田固体废弃物和农村生活两个单元的系数通过相关文献中查阅[15]。同时，将重庆市数据纳入四川省，最终获得1990-2014年30个区域的三类污染物数据。测算结果如图1所示。

图1 1990-2014年我国农村水环境污染物排放量

3.2 政策减排效应测度模型

由于农村水环境受到多种政策的冲击影响，其时间序列呈现出非平稳的特征。为合理地分析农村水环境政策的减排效应，借鉴朱建军[16]和花玲等[17]中适合“少数据”建模的灰色系统模型，进行政策效果测度。

灰色DGM(1,N)模型是传统灰色GM(1,1)模型的改进形式。该模型继承了传统模型的优势，首先对短时间序列进行累加生成变换，将不具有规律性的非负序列转换为具有指数特征的序列，再通过差分模型对其进行模拟和预测，从而揭示系统状态的演化规律。同时，DGM(1,N)模型允许将部分已知变量作为驱动因素，将其他未知因素作为灰作用量，共同揭示系统的复杂作用机理。DGM(1,N)的定义如(2)所示。

(2)

为多变量离散灰色模型，记为DGM(1,N)(discretegreymodelofNvariables)。其中，β1、β2、β3,…,βN+1为DGM(1,N)模型的参数。

本研究以DGM(1,N)为基础，采用竞争性模型策略设定一系列测算模型，通过模型匹配程度，识别最优模型并测度政策减排效应。根据环境EKC相关理论，农村水环境污染(wr)与农业GDP之间存在倒U型关系[18-20]。由于灰色DGM(1,N)对水环境污染物和GDP数据进行了累加生成变换，将两者均转换为具有指数特征的序列。两者原始数据之间的倒U型关系在累加生成后转换为线性相关关系，因此基本模型中只引入了GDP原始数据，忽略其平方项，如(3)所示。为检验三类政策的作用效果，构建模型-，依次为引入《水污染防治法》政策群(swr)、《农业法》政策群(nyf)以及从2005年以来的“中央一号文件”政策群(yhwj)的虚拟驱动项而设定的模型。各类政策虚拟驱动项的设置与回归分析类似，政策执行前均为零，政策执行后为1，有所区别的是DGM(1,N)模型采用各类政策驱动项的一次累加生成序列构建模型，DGM(1,N)左侧的wr(I)(k)、β1wr(I)(k-1)为污染物的累加生成序列。根据累减还原公式，wr(1)(k)-wr(1)(k-1)=wr(0)(k)可以获得污染物模拟值。

wr(1)(k)+β1wr(1)(k-1)=gdp(1)(k)+β2

(3)

(4)

模型(III)

(5)

(6)

4 实证结果与分析

4.1 减排总量测算

首先衡量各类政策对于COD的减排效应，将我国农村COD排放数据、农林牧副渔总产值和三类政策驱动项分别带入模型-。各模型参数估计值和平均相对误差(MRE)如表2所示。

模型IV各变量的系数表明，COD累计排放量对当期排放的贡献为2%。这表明若不存在任何政策的干预，以环境为代价的经济增长方式会持续加剧农村水环境的恶化。GDP系数为0.0008则表明，我国农村水环境尚处于倒U型曲线的左侧，农业GDP累计值的每亿元增长将推动当期COD排放增长8吨。这一结论与我国农村COD排放的实际情况较为吻合，根据农业部公布的数据，我国农业COD排放中90%来源于畜禽养殖业排放。多年累积的经济增长与收入增加为农户扩大养殖规模提供了物质基础，COD排放数量也不可避免的随之增加。三类政策虚拟驱动项的系数均为负值，这表明三类政策的实施年均分别可降低22.94万吨、5.72万吨和25.59万吨的COD排放。

虽然三类政策对于农村的COD减排均有较强的作用效果，但作用强度存在一定差异性。以《水污染防治法》为代表的“命令控制型”政策与“中央一号文件”为代表的“自愿参与型”政策均具有较强的减排效果。这主要是由于这些政策通过财政补贴、技术扶持等方式，吸引农户和养殖企业参与到改水改厕、沼气池建设中来，对畜禽养殖和生活污水进行收集、处理和资源化利用，此外，每年“中央一号文件”的报道更为广泛，也为这些政策的宣传和执行奠定了良好的基础。“命令控制型”政策虽然效果较为显著，但主要采取一些强制性措施，例如：拆除水源区200米内养殖场、养殖小区和居民住宅，监督养殖企业污水处理设施的建设、运行等。这些政策能在短期内取得较好的减排效果，但由于拆迁赔偿标准、污水处理费等问题难以获得农户的认同。与预期不同的是，以《农业法》为代表的“产业经济型”政策减排效应并未充分显现。农村水环境问题的核心是种养比例失衡以及畜禽养殖粪便资源化利用不足等问题[21]，产业政策调整原本是从源头治理农村水环境问题的最有效手段，但实证结果表明，该类政策的作用效果低于其他两类政策。可能的原因是，中国畜禽产品的收入弹性为正，随着中国人口和收入的增加，畜禽养殖将继续发展，产业调整的任务较为艰巨[14]。

表2 模型系数与误差表

图2 四类模型的COD测算结果

图3 TN、TP模型测算结果

进一步研究三类政策对于TN、TP的减排效应。四类模型的竞争结果表明，模型对于TN、TP序列的贴合程度最高，如图3所示。这说明三类政策对于TN的作用效果都较为显著，而“产业经济型”政策对于TP的排放作用效果并不显著。各类政策年均减排数量如表3所示。

表3表明，1995年以来各项农村水环境治理政策年均减少三类污染物的排放量分别为54.25、66.08和12.9万吨。其中，“命令控制型”政策对于TN、TP的减排贡献度最大。这主要是由于农村水污染物中的TN和TP主要来源于种植业农药化肥污染、畜禽养殖污染。以《水污染防治法》为代表的该类政策明确了上述污染源监督、管理部门及其职责和权力，处理一般水污染事件的具体步骤和惩罚措施。同时，也将污染控制效果纳入监督管理部门年终考核之中。此外，普通农户既是污染的产生者，也是污染的直接受害者，因此，“命令控制型”政策虽在一定程度上对普通农户的生产、生活带来不便，但其执行效果相对较好。“中央一号文件”为代表的“自愿参与型”政策由于出台较晚，测土施肥、绿肥、有机肥等控制总氮、总磷排放的措施目前尚在推广之中，因此，其作用效果并未完全显现。相对而言，以《农业法》为代表的“产业经济型”政策对于各类污染物的减排效果均不显著。可能的解释是“产业经济型”政策目标数量相对较多，而对于农村水环境方面的规定相对较少，难以有效促进污染物的减排[22]。

表3 三大政策群各类水污染物年均减排量 (单位：万吨)

为检验本文模型对于农村水环境政策减排效应测度的有效性，同时建立了(7)-(10)式所示的多元回归模型进行对比研究(以COD为例)。其中模型为传统的环境库兹涅茨曲线，模型-借鉴文献[11-13]的方法，在模型的基础上逐步引入三类政策，以测度减排效应。

COD=a1*agrgdp2+a2*agrgdp+η1

(7)

COD=a1*agrgdp2+a2*agrgdp+a3*swrfzf+η2

(8)

模型(VII)

COD=a1*agrgdp2+a2*agrgdp+a3*swrfzf+a4*nyf+η3

(9)

COD=a1*agrgdp2+a2*agrgdp+a3*swrfzf+a4*nyf+a5*yhwj+η4

(10)

模型系数和模型检验情况如表4所示。

表4 线性回归模型系数和检验结果

注：***表示P<1%，**表示P<5%，*表示P<10%。

4.2 空间分布特征研究

我国农村区域广阔，各省区水资源禀赋和水环境承载力存在差异性，经济发展水平和发展模式也存在一定的空间依赖性[23-24]。同时，我国水资源利用效率、水环境污染排放量和环境技术效率也具有较强的空间聚集特征[25-27]。为进一步探寻我国农村水环境政策减排的空间分布模式，采用(3)-(6)式分别测度三类政策在各省区的水污染减排量，四类模型的适配情况如表5所示。

表5 模型适配情况统计

表5表明，三类政策在多数省区对于农村水环境污染均具有较强的减排效应。其中，模型在江苏、浙江、北京等省市的适用性更好，即“自愿参与型”政策效果并不显著。这一现象主要是由于经济较为发达地区开展农村水环境治理的时间较早，相关政策措施的出台超前于国家层面的政策措施，减排效应提前显现。以江苏为例，2000年以后江苏省针对太湖流域、南水北调东线水源区等地先后出台了加强农业面源污染控制，限制农药化肥过量使用和禽畜粪便综合利用的相关具体措施。

各地区三类主要污染物减排总量如图4-6所示。由于缺乏香港、澳门和台湾地区的基础测算数据，研究结果不包含上述区域。

图4 各省区COD减排数量

图5 各省区TP减排数量

图6 各省区TN减排数量

由于各省区农村土地面积不同，污染源数量和种类存在差异，图4-6所示的测算结果难以代表政策作用强度水平。借鉴文献[28]对于面源污染排放强度定义，如(11)所示，计算各个地区减排强度，如图(7)所示。

(11)

图7 政策减排强度空间分布

各省区减排强度的Moran I指数为0.22，P值0.085。通过α=0.1置信度下的莫兰检验，这说明从总体上看政策实施效果具有一定的空间聚集效应，这与Horst对莱茵河流域非点源污染减排政策的研究结论一致[29]。从图(7)中不难观察到，政策减排强度以北京和上海两市为中心向外围辐射，政策实施效果依次递减。这一特征的形成是自然因素和经济原因双重驱动的结果。一方面，上海市和北京市分别位于长江下游地区和南水北调终点，两者与周边省区存在着较为紧密的水系联系，这就使得它们容易接收到来自于相邻区域的面源污染迁移，因此其更愿意与相邻区域协同治理农村水环境污染。同时，两中心经济水平较高、农业占比较低，且已经跨越了环境EKC的拐点[29]，因此对于水质改善的内在需求也促使其不断加强与周边省区的面源污染治理合作。

5 结语

农村水环境是我国水环境的重要组成部分，农村水污染物排放的不断增加引起了国内外学者对于农村水环境治理政策的关注。已有文献从环境效率、污染形成机理等角度对于单一政策工具作用效果进行了研究，却较少从污染减排量的角度系统性分析各类政策作用效果以及空间差异性。

本文根据我国农村水环境政策的发展轨迹和政策目标将其划分为“命令控制型”、“产业与经济型”和“自愿参与型”三个政策群；将各类政策群作为虚拟驱动项，构建基于DGM(1,N)的农村水环境政策减排效应测度模型，并采用1990-2014年污染排放数据进行实证研究。研究结果表明：

(1)三类政策总体上具有较为明显的污染减排效应，但各政策的效果存在一定差异性，“产业与经济型”政策群的减排效应低于“命令控制型”和“自愿参与型”政策。

(2)水环境政策减排效应在省际层面存在空间聚集特征，莫兰检验结果显示政策减排强度以北京和上海两市为中心向外围辐射，政策实施效果依次递减。

(3)模型对比结果显示，本文构建的基于DGM(1,N)的农村水环境政策减排效应测度模型在拟合精度、检验结果和解释性方面较传统方法具有一定优势，更适合数据量有限、数据不平稳条件下的政策减排测算问题。

农村水环境污染的影响因素众多、形成机理较为复杂，本文从农村经济增长和环境政策作用两个视角构建了减排效应测度模型，尚未考虑各类政策的叠加作用以及产业结构、用水习惯等更为复杂的因素，这既是本文研究的不足之处，也是后续研究需要进一步解决的问题。

[1] Abler D. Economic evaluation of agricultural pollution control options for China[J]. Journal of Integrative Agriculture, 2015,14(6):1045-1056.

[2] Picazo-Tadeo A J, Gómez-Limón J A, Reig-Martínez E. Assessing farming eco-efficiency: A data envelopment analysis approach[J]. Journal of Environmental Management, 2011,92(4):1154-1164.

[3] Ruttan V W. Productivity growth in world agriculture: Sources and constraints[J]. Journal of Economic Perspectives, 2002,16(4):161-184.

[4] Nanere M, Fraser I, Quazi A, et al. Environmentally adjusted productivity measurement: An Australian case study[J]. Journal of Environmental Management, 2007,85(2):350-362.

[5] 李谷成. 中国农业的绿色生产率革命:1978—2008年[J]. 经济学(季刊), 2014,13(2):537-558.

[6] 梁流涛, 曲福田, 冯淑怡. 基于环境污染约束视角的农业技术效率测度[J]. 自然资源学报, 2012,27(9):1580-1589.

[7] 杜江. 中国农业增长的环境绩效研究[J]. 数量经济技术经济研究, 2014,31(11):53-69.

[8] Shao Weiyun. Effectiveness of water protection policy in China: A case study of Jiaxing[J]. Science of The Total Environment, 2010,408(4):690-701.

[9] Deunert F, Lennartz B, Tiemeyer B. Legislative effects on the development of surface water quality in rural areas in Northern Germany[J]. Journal of Cleaner Production, 2007,15(16):1507-1513.

[10] Semaan J, Flichman G, Scardigno A, et al. Analysis of nitrate pollution control policies in the irrigated agriculture of Apulia Region (Southern Italy): A bio-economic modelling approach[J]. Agricultural Systems, 2007,94(2):357-367.

[11] 梁流涛, 曲福田, 冯淑怡. 基于环境污染约束视角的农业技术效率测度[J]. 自然资源学报, 2012,27(9):1580-1589.

[12] 刘鸿渊, 闫泓. 农业面源污染形成机理的实证研究——以四川省1982～2006年统计数据为例[J]. 农村经济, 2010,21(5):98-101.

[13] 葛继红. 江苏省农业面源污染及治理的经济学研究[D]. 南京:南京农业大学, 2011.

[14] 陈敏鹏, 陈吉宁, 赖斯芸. 中国农业和农村污染的清单分析与空间特征识别[J]. 中国环境科学, 2006,26(6):751-755.

[15] 赖斯芸, 杜鹏飞, 陈吉宁. 基于单元分析的非点源污染调查评估方法[J]. 清华大学学报: 自然科学版, 2004,44(9):1184-1187.

[16] 朱建军, 刘思峰, 张里, 等. 基于灰色组合预测的节能政策能源节约量测算模型[J]. 软科学, 2009,23(5):42-45.

[17] 花玲, 谢乃明. 政策冲击影响下中国能源消费预测分析及控制策略[J]. 中国管理科学, 2014,22(7):87-95.

[18] 李太平, 张锋, 胡浩. 中国化肥面源污染EKC验证及其驱动因素[J]. 中国人口.资源与环境, 2011,21(11):118-123.

[19] 沈能, 周晶晶, 王群伟. 考虑技术差距的中国农业环境技术效率库兹涅茨曲线再估计:地理空间的视角[J]. 中国农村经济, 2013(12):72-83.

[20] 梁流涛, 冯淑怡, 曲福田. 农业面源污染形成机制:理论与实证[J]. 中国人口·资源与环境, 2010,20(4):74-80.

[21] 金书秦, 沈贵银. 中国农业面源污染的困境摆脱与绿色转型[J]. 改革, 2013,23(5):79-87.

[22] Schader C, Lampkin N, Muller A, et al. The role of multi-target policy instruments in agri-environmental policy mixes[J]. Journal of Environmental Management, 2014,145(2):180-190.

[23] 龙冬平, 李同昇, 苗园园, 等. 中国农业现代化发展水平空间分异及类型[J]. 地理学报, 2014,69(2):213-226.

[24] 吴玉鸣. 中国区域农业生产要素的投入产出弹性测算——基于空间计量经济模型的实证[J]. 中国农村经济, 2010,(6):25-37.

[25] 赵良仕, 孙才志, 郑德凤. 中国省际水资源利用效率与空间溢出效应测度[J]. 地理学报, 2014,69(1):121-133.

[26] 孙才志, 赵良仕, 邹玮. 中国省际水资源全局环境技术效率测度及其空间效应研究[J]. 自然资源学报, 2014,29(4):553-563.

[27] 王新成, 王斌之, 黄建毅. 基于空间自相关的水污染空间聚类研究[J]. 环境工程技术学报, 2014,4(4):293-298.

[28] 梁流涛. 农村生态环境时空特征及其演变规律研究[D]. 南京:南京农业大学, 2009.

[29] Song Malin, Zhang Wei, Wang Shuhong. Inflection point of environmental Kuznets curve in Mainland China[J]. Energy Policy, 2013,57:14-20.

Emission Reduction Effects and Its Spatial Heterogeneity of Rural Water Environmental Policy Based on Discrete Grey Model

ZHANG Ke1,2,3,4, MA Cheng-wen1,2, FENG Jing-chun1,2,3,4, XUE Song1,2

(1.Bussiness School, Hohai University,Nanjing 211100, China;2. Institute of Project Management, Hohai University,Nanjing 211100, China;3.“The World Water Valley” and Collaborative Innovation Center of Water Ecolo-gical Civilization in Jiangsu Province,Nanjing 211100, China;4.The Research Center of International Rivers, Hohai University, Nanjing 211100,China)

With the growing pollution of rural water environment in China, accurate emission reduction measurement of rural water environment management is significant for the subsequent policies. It is difficult to effectively measure the effects of different kinds of policies due to the relatively small amount of data as well as its non-stability characteristics. Therefore, a multivariate discrete grey model is introduced to measure the emission reduction effect and then an empirical research is conducted. Firstly, the policies related to rural water environment management since 1995 are sorted out, and then they are classified into different groups and some representative policies are selected respectively according to the contents and targets. Secondly, the amount of different kinds of water pollutants emission is computed using the unit investigation and evaluation method. Furthermore, different groups of policies are introduced as virtual driven variables into the model, and competitive models strategy is adopted by setting a series of emission reduction measuring models. By comparing the adaptability among those models, the most adaptive model is selected to measure the emission reduction effect of different policy groups respectively. The research results show that rural water environment management policies are effective in general. Meanwhile, there exists certain difference about the emission reduction effect among three groups of policies. Moreover, the effect displays a spatial-clustering feature at province level. Lastly, some countermeasures are proposed to improve the management of rural water environment in China. It is hoped that the study will provide some reference for measurement of policy effectwith insufficient data.

discrete grey model; water environment policy; spatial heterogeneity

1003-207(2017)05-0157-10

10.16381/j.cnki.issn1003-207x.2017.05.019

2016-03-09；

2016-06-10

国家社会科学基金重点项目(12AZD108)；国家自然科学基金资助项目(71401052)；中央高校基本科研业务费项目(2016B09214，2013B11014)

张可(1983-)，男(汉族)，河南信阳人，河海大学商学院副教授，博士，研究方向：农村水环境管理，E-mail：kezhang@hhu.edu.cn.

C93

A