云南经济发展与环境污染关系的实证研究

《云南经济发展与环境污染关系的实证研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、云南经济发展与环境污染关系的实证研究杨红娟YANGHong-juan；姚石YAOShi（昆明理工大学管理与经济学院，昆明650093）（FacultyofManagementandEconomics，KunmingUniversityofScienceandTechnology，Kunming650093，China）摘要：论文选取云南省16个州市的经济发展指标与环境污染指标，运用主成份分析法对各州市经济发展和环境污染情况进行分析，在综合得分的基础上，将云南省16州市进行聚类分析，划分为六个等级，四个板块，第一板块属于经

2、济发达并且环境污染严重的地区：昆明、曲靖、玉溪、红河，这四个州市根据数据的差异，分为三种类型；第二板块属于经济发达并且环境污染小的地区：文山、大理、楚雄、昭通；第三板块属于经济欠发达但环境质量高的地区：怒江、迪庆、丽江、普洱、德宏、临沧、西双版纳；第四板块属于经济欠发达但环境污染严重的地区：保山。论文针对不同类型的州市提出对策建议。Abstract:Thispaperselectstheindicesofeconomicdevelopmentandenvironmentalpollutionin16citiesandst

3、atesofYunnanprovincetoanalyzetheconditionofeconomicdevelopmentandenvironmentalpollutionbyusingtheprincipleponentanalysismethod.Basedonthesynthesisscore,16citiesandstatesarediviedintosixlevelsandfourtypes.Thefirstbelongstothedevelopedeconomyandseriousenvironmental

4、pollutionarea,includingKunming,Qujing,Yuxi,Honghe.Accordingtothedifferentdata,thesefourcitiesaredividedintothreespecies.Thesecondbelongstothedevelopedeconomyandlittleenvironmentalpollutionregion:ichaelKarydis针对富营养化评估方面的问题对多种数据分析方法进行了回顾，并分析了各自的优缺点[2]，Abou-Ali，Hala

5、，Abdelfattah，YasmineM.运用主成份分析法对各个国家的数据进行了经济与环境之间关系的剖析[3]。杨茜运用多元统计分析中主成分分析的方法并结合聚类分析的思想，将我国31个地区的经济发展和环境污染状况进行了分析和分类，并结合当前的实际情况给出了合理的解释与科学的论断[4]。罗毅选择人均GDP与工业“三废”变量，运用环境库兹涅茨曲线，分析云南各州市能源消耗的情况[5]。云南地处中国西南边陲，在经济快速发展的同时，环境污染也日益严重，“牛奶河”事件的不断出现，使得经济发展与环境污染的研究显得更为重要。1数据的收

6、集及解释1.1经济指标体系的构建在总结相关研究成果的基础上，从《云南统计年鉴2013》[6]和《昆明统计年鉴2013》[7]中选取了十个反映经济发展程度和水平的数据，建立了如表1指标体系。十个指标分别从三个方面反映经济发展程度，地区生产总值（GDP）、工业生产总值、社会消费品零售总额和全社会固定资产投资，主要反映出该地区的经济规模与总量；人均生产总值、劳动者报酬和居民消费支出，主要反映一个地区的人民生活水平和经济效益；三大产业所占比例则反映了该地区经济发展结构。1.2环境指标体系的构建数据的选取遵循具有代表性、科学性和实

7、际可操作性[8]的原则，从《云南统计年鉴2013》中选取了五个反映环境污染状况的数据，建立了如表2指标体系。五个指标主要从工业产生的“三废”来反映环境污染程度。工业废水排放总量和生活污水排放量，主要反映污水对环境的影响；工业废气排放总量和工业二氧化硫排放量，主要反映工业废气中的污染物对大气环境的影响；工业固体废物排放量则反映工业中的固废对一个地区环境的影响程度。2主成份分析运用线性变换，将原来的多个指标组合成相互独立的少数几个能充分反映母体信息的指标，从而达到降维的目的。由于经济发展和环境污染两项指标的单位不同，先将原始

8、数据标准化，以消除量纲的影响[9]。2.1经济发展分析运用SPSS处理数据，得到结果如表3所示。表3表明，采取主成份分析方法提取公共因子，前3个成份的特征值大于1，三个主成份的特征值累积之和占总特征值的96.514％，说明使用这些成份相当大程度上减少了数据的复杂性，仅丢失3.486％的信息。从表4的初始因子载荷矩阵中