• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    研究方案設(shè)計(jì)影響區(qū)域水環(huán)境庫(kù)茲涅茨曲線(xiàn)形狀*

    2021-05-07 11:08:54王偉民田琳靜王子康許新瑤
    關(guān)鍵詞:判別函數(shù)環(huán)境質(zhì)量形狀

    丁 月,王偉民,田琳靜,王子康,高 靜,許新瑤,董 雪,蒲 曉

    (首都師范大學(xué)資源環(huán)境與旅游學(xué)院,北京 100048)

    0 引 言

    隨著人口增長(zhǎng)和社會(huì)經(jīng)濟(jì)的快速發(fā)展,水環(huán)境保護(hù)的壓力日益突出.未來(lái)潛在的經(jīng)濟(jì)規(guī)模擴(kuò)大對(duì)我國(guó)水生態(tài)環(huán)境可能形成更大壓力,盡管我國(guó)水污染防治措施日趨完善,但區(qū)域水環(huán)境保護(hù)形勢(shì)依舊嚴(yán)峻[1],水環(huán)境惡化已經(jīng)成為當(dāng)前制約經(jīng)濟(jì)增長(zhǎng)的重要因素,探究水環(huán)境污染與經(jīng)濟(jì)增長(zhǎng)的關(guān)系對(duì)于維護(hù)區(qū)域可持續(xù)發(fā)展具有重要的科學(xué)意義[2].研究水環(huán)境質(zhì)量和經(jīng)濟(jì)發(fā)展的相互關(guān)系,也能夠?yàn)橥ㄟ^(guò)經(jīng)濟(jì)發(fā)展?fàn)顩r推測(cè)水環(huán)境質(zhì)量提供可能,有利于快速推斷大區(qū)域范圍內(nèi)的水環(huán)境質(zhì)量變化狀況.已有研究證實(shí)區(qū)域水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展的關(guān)系可能符合環(huán)境庫(kù)茲涅茨曲線(xiàn)(environmental Kuznets curve,EKC)[2].EKC 描述的是,環(huán)境污染程度在經(jīng)濟(jì)發(fā)展初期會(huì)隨經(jīng)濟(jì)增長(zhǎng)而加重,當(dāng)經(jīng)濟(jì)發(fā)展到一定水平時(shí),環(huán)境污染程度達(dá)到最大,而后環(huán)境污染程度隨著經(jīng)濟(jì)發(fā)展而下降,即環(huán)境污染與經(jīng)濟(jì)發(fā)展之間的變化趨勢(shì)呈現(xiàn)倒U形的曲線(xiàn)關(guān)系[3-4].然而,水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展的關(guān)系在不同研究中結(jié)論并不一致,EKC呈現(xiàn)不同形狀,如:在環(huán)太湖經(jīng)濟(jì)圈經(jīng)濟(jì)增長(zhǎng)與水環(huán)境質(zhì)量關(guān)系的研究中,人均國(guó)內(nèi)生產(chǎn)總值(人均 GDP)與高錳酸鹽指數(shù)(CODMn)、總氮(TN)之間的EKC呈現(xiàn)倒N形,人均GDP與總磷(TP)之間的EKC則呈現(xiàn)線(xiàn)形[5];使用相同指標(biāo)但在不同地區(qū)的研究結(jié)果也有差異,人均GDP與工業(yè)廢水排放量的EKC在黑龍江省呈現(xiàn)倒N形[6],在南京市呈現(xiàn) U 形[7],在濟(jì)南市和天津市呈現(xiàn) N 形[8-9],在湖南省則無(wú)明顯關(guān)系[10].通過(guò)綜合分析,每個(gè)案例的方案設(shè)計(jì)都包含研究區(qū)范圍、研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法4個(gè)方面:研究區(qū)范圍主要是指研究區(qū)域的尺度,如省、市等;研究時(shí)長(zhǎng)指選取的時(shí)間范圍,如5或10 a或者其他時(shí)長(zhǎng);水環(huán)境指標(biāo)包括污染物的濃度和廢水的排放量等;回歸方法包括二次或三次多項(xiàng)式模型等.以上因素可能對(duì)研究結(jié)果有一定影響.本研究通過(guò)對(duì)已公開(kāi)發(fā)表的文獻(xiàn)進(jìn)行整理與分析,關(guān)注可能影響EKC形狀的相關(guān)因素,建立EKC形狀與關(guān)鍵影響因素之間的函數(shù)關(guān)系,旨在分析研究方案的設(shè)計(jì)對(duì)區(qū)域水環(huán)境庫(kù)茲涅茨曲線(xiàn)形狀的影響,為區(qū)域水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展EKC關(guān)系研究提供參考.

    1 數(shù)據(jù)與方法

    1.1 數(shù)據(jù)描述

    本研究篩選了2000—2017年公開(kāi)發(fā)表的有關(guān)水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展的實(shí)證研究論文,篩選標(biāo)準(zhǔn)包括:環(huán)境質(zhì)量指標(biāo)中涉及水環(huán)境相關(guān)指標(biāo);經(jīng)濟(jì)發(fā)展指標(biāo)為人均GDP;研究區(qū)域范圍尺度較為明確;研究水環(huán)境狀況與經(jīng)濟(jì)發(fā)展的EKC形狀.經(jīng)過(guò)篩選,最終獲得符合標(biāo)準(zhǔn)的有效文獻(xiàn)52篇,共包含116個(gè)案例,案例數(shù)量根據(jù)文獻(xiàn)研究區(qū)的數(shù)量進(jìn)行認(rèn)定,如在1篇題為“蘇、錫、常經(jīng)濟(jì)增長(zhǎng)與水環(huán)境污染的關(guān)系——基于ARDL和ECM的實(shí)證分析”的文獻(xiàn)中,分別對(duì)蘇州、無(wú)錫和常州3個(gè)區(qū)域的水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展的EKC關(guān)系進(jìn)行了研究,即有3個(gè)案例.

    1.2 文獻(xiàn)數(shù)據(jù)特征

    根據(jù)研究區(qū)范圍、研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法4個(gè)設(shè)計(jì)方案的分級(jí)分類(lèi)設(shè)置的案例數(shù)量見(jiàn)表1.研究區(qū)域范圍差異明顯,通過(guò)梳理文獻(xiàn)中案例,將研究區(qū)域劃分為市、城市群、省和區(qū)域4個(gè)等級(jí),多數(shù)案例選擇的研究區(qū)范圍尺度為市;研究時(shí)長(zhǎng)范圍為 6~33 a,將其劃分為≤10、11~15、16~20和>20 a這4個(gè)等級(jí),在案例中,研究時(shí)長(zhǎng)多集中在11~15 a;案例中水環(huán)境質(zhì)量指標(biāo)涉及較多,包括CODMn、TN、TP、氨氮(NH3-N)、生化需氧量(BOD5)、葉綠素a(Chla)、重金屬、污水排放量、工業(yè)廢水排放量、農(nóng)業(yè)廢水排放量、農(nóng)業(yè)面源污染、化學(xué)需氧量(COD)、農(nóng)藥使用量和化肥施用量等,根據(jù)指標(biāo)類(lèi)型將其分為污染物濃度、廢水排放量和污染物排放量3類(lèi),CODMn、TN和TP含量等歸為污染物濃度類(lèi)指標(biāo),各類(lèi)廢水排放量歸為廢水排放量類(lèi)指標(biāo),COD排放量以及化肥施用量等歸為污染物排放量類(lèi)指標(biāo),多數(shù)案例選擇廢水排放量指標(biāo)作為水環(huán)境污染指標(biāo),選用最少的指標(biāo)為污染物排放量指標(biāo);回歸方法分為二次多項(xiàng)式模型、三次多項(xiàng)式模型和其他模型3類(lèi),多數(shù)案例使用三次多項(xiàng)式模型.

    表1 4個(gè)設(shè)計(jì)方案的案例數(shù)量分布情況

    在116個(gè)案例中,EKC形狀差異較大,可劃分為U形、倒U形、N形、倒N形、線(xiàn)形和其他形(無(wú)明顯形狀)6種.大多數(shù)研究的EKC形狀呈現(xiàn)倒U形,案例數(shù)占案例總數(shù)的30.2%;其他形的案例數(shù)也較多,占案例總數(shù)的24.1%;呈現(xiàn)為線(xiàn)形的案例數(shù)最少,具體曲線(xiàn)形狀分類(lèi)狀況如表2所示.可見(jiàn)水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展EKC形狀并不總是呈現(xiàn)倒U形.

    表2 環(huán)境庫(kù)茲涅茨曲線(xiàn)(EKC)形狀分類(lèi)狀況

    1.3 數(shù)據(jù)分析

    選用logistic回歸方法探討研究區(qū)范圍、研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法對(duì)EKC形狀的作用和貢獻(xiàn);通過(guò)貝葉斯判別分析方法建立并通過(guò)關(guān)鍵因子推斷EKC形狀的判別函數(shù),進(jìn)一步判斷關(guān)鍵因子對(duì)EKC形狀的影響.統(tǒng)計(jì)分析過(guò)程在IBM SPSS Statistics 25中完成.

    1.3.1 Logistic回歸分析

    水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展關(guān)系的EKC形狀可能受研究方案設(shè)計(jì)的影響,為探討研究區(qū)范圍、研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法的影響,將EKC形狀設(shè)為因變量,根據(jù)其形狀進(jìn)行編碼(U形、倒U形、N形、倒N形、線(xiàn)形和其他形6種分別編碼為1~6);同時(shí)將4個(gè)可能影響因素設(shè)為自變量,選用多類(lèi)別logistic回歸方法進(jìn)行分析,探索研究方案設(shè)計(jì)對(duì)EKC曲線(xiàn)形狀的作用.

    多類(lèi)別logistic回歸是一種概率型非線(xiàn)性多變量回歸模型,用以研究多分類(lèi)觀察結(jié)果與影響因素之間的關(guān)系,可以篩選出對(duì)事件發(fā)生影響較為顯著的因素,并剔除不顯著的因素[11].多類(lèi)別 logistic回歸使用線(xiàn)性預(yù)測(cè)函數(shù)來(lái)預(yù)測(cè)觀測(cè)數(shù)據(jù)i的結(jié)果為k的概率,函數(shù)式為

    式中 Xn,i表示第 n 個(gè)觀測(cè)變量/特征,βn,k為回歸系數(shù),表示第n個(gè)觀測(cè)變量/特征對(duì)第k個(gè)結(jié)果的影響.將β0,k看作 X0,i=1時(shí),可得到式(1)的向量化形式

    式中 βk為回歸系數(shù)向量,表示的是觀測(cè)數(shù)據(jù)Xi對(duì)結(jié)果k的影響度(重要性).

    在進(jìn)行l(wèi)ogistic回歸分析時(shí),如遇到多分類(lèi)無(wú)序變量,要進(jìn)行啞變量處理,啞變量又稱(chēng)虛擬變量,是量化了的質(zhì)變量,通常取值為0或1,啞變量是對(duì)于等級(jí)性數(shù)據(jù) x,用變量 μ(x,i或 j)表示成關(guān)于定性因子(0,1)展開(kāi),即關(guān)于 μ(x,i或 j)=(μ(x,1),μ(x,2),…,μ(x,m)),其中一個(gè)定性變量(m個(gè)等級(jí))對(duì)應(yīng)一個(gè)向量,一個(gè)定性變量就變成可以進(jìn)行數(shù)值運(yùn)算的數(shù)值向量[12].

    1.3.2 判別分析

    為探索能否通過(guò)關(guān)鍵影響因子狀況來(lái)判斷水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展關(guān)系的EKC形狀,本研究針對(duì)116個(gè)案例,使用由logistic回歸分析篩選出的關(guān)鍵指標(biāo)對(duì)EKC形狀進(jìn)行判別分析.

    判別分析是多元統(tǒng)計(jì)中用于判別樣品所屬類(lèi)型的一種統(tǒng)計(jì)分析方法,其基本原理是按照一定的判別準(zhǔn)則,建立一個(gè)或多個(gè)判別函數(shù),用研究對(duì)象的大量資料確定判別函數(shù)中的待定系數(shù),并計(jì)算判別指標(biāo)[13].判別分析分為距離判別、Fisher判別和貝葉斯判別3類(lèi).貝葉斯判別分析可根據(jù)樣本先驗(yàn)概率計(jì)算后驗(yàn)概率,通過(guò)最大后驗(yàn)概率劃分樣本分類(lèi),使期望損失達(dá)到最小.貝葉斯判別依據(jù)樣本多元分布的概率密度計(jì)算后驗(yàn)概率,能有效降低判錯(cuò)率,因此,本研究采用貝葉斯判別法.

    貝葉斯判別法的原理為,設(shè)有總體Gi(i=1,2,…,k),其先驗(yàn)概率分別為 q1,q2,…,qi,Gi的概率密度函數(shù)為f1(x),f2(x),…,fi(x)[13],在觀測(cè)到一個(gè)樣本x的情況下,可用貝葉斯公式計(jì)算其第g(g=1,2,…,k)總體的后驗(yàn)概率為

    對(duì)于待判樣本 x,如果在所有的P(g/x)中,P(h/x)最大,則判定x屬于第h總體.通常會(huì)以樣本頻率作為總體先驗(yàn)概率.

    通過(guò)判別分析建立一個(gè)判別函數(shù),并利用此函數(shù)對(duì)樣本所屬類(lèi)別進(jìn)行判斷.判別函數(shù)的一般形式為

    式中Y為判別指標(biāo),Xn為反映研究對(duì)象特征的變量,an為各變量的判別系數(shù).

    2 結(jié)果與討論

    2.1 Logistic回歸分析結(jié)果

    以EKC形狀為因變量,以研究區(qū)范圍、研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法為自變量的logistic回歸模型信息顯示回歸成立(表3).納入自變量后,模型-2倍對(duì)數(shù)似然值(-2 log like lihood,-2LL)較僅常數(shù)項(xiàng)時(shí)明顯降低,顯著水平(P)<0.01,表明模型擬合效果提升,且至少有1個(gè)影響因子的偏回歸系數(shù)不為0.

    表3 EKC形狀與影響因子logistic回歸模型的擬合信息

    影響因子對(duì)EKC形狀作用的顯著性通過(guò)模型擬合的似然比檢驗(yàn)進(jìn)行判斷(見(jiàn)表4).與僅常數(shù)項(xiàng)納入模型的-2LL(263.580,表 3)相比,4個(gè)影響因子分別納入回歸模型后均明顯降低,提升了模型擬合效果.根據(jù)似然比檢驗(yàn)結(jié)果,研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法對(duì)EKC形狀的作用具有顯著影響,P分別為0.048、0.015和0.001;而研究區(qū)范圍對(duì)EKC形狀的作用不顯著,P為0.295.

    表4 影響因素與EKC形狀logistic回歸模型的似然比檢驗(yàn)

    由于本研究的自變量研究區(qū)范圍、研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法是多分類(lèi)的無(wú)序變量,對(duì)這4個(gè)影響因素進(jìn)行了啞變量化,在進(jìn)行啞變量設(shè)置時(shí),一般需要選擇一個(gè)出現(xiàn)次數(shù)較少的分類(lèi)作為參照.因此,在本研究中分別將自變量研究區(qū)范圍、研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法中對(duì)應(yīng)的區(qū)域、>20 a、污染物排放量和其他模型作為參照.根據(jù)logistic回歸模型運(yùn)行結(jié)果的相關(guān)參數(shù),可得到EKC形狀與關(guān)鍵影響因子的logistic回歸方程如下:

    式中X1為市,X2為城市群,X3為省,X4為≤10 a,X5為11~15 a,X6為 16~20 a,X7為污染物濃度,X8為廢水排放量,X9為二次多項(xiàng)式模型,X10為三次多項(xiàng)式模型;G1~G6分別表示因變量U形、倒U形、N形、倒N形、線(xiàn)形和其他形;P1~P6表示某個(gè)案例的EKC形狀為U形、倒U形、N形、倒N形、線(xiàn)形和其他形的概率.

    2.2 判別分析結(jié)果

    根據(jù)logistic回歸結(jié)果,研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法是影響區(qū)域水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展之間關(guān)系EKC形狀的關(guān)鍵因素.為探索上述3種關(guān)鍵因子如何影響EKC形狀,采用貝葉斯判別分析法建立不同關(guān)鍵因子狀況與特定EKC形狀的判別函數(shù).基于貝葉斯判別分析的原理,假設(shè)6種EKC形狀的先驗(yàn)概率均勻分布.

    區(qū)域水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展關(guān)系EKC形狀與關(guān)鍵影響因子的貝葉斯典型判別函數(shù)特征信息如表5所示:判別函數(shù)1的方差所占比例為50.4%,說(shuō)明其可解釋樣本50.4%的信息;判別函數(shù)2的方差所占比例36.2%,解釋樣本36.2%的信息.二者相加可解釋樣本85.0%以上的信息,而使用全部5個(gè)判別函數(shù)可完全解釋樣本信息.

    表5 EKC形狀判別函數(shù)與不同關(guān)鍵因子的特征信息

    由EKC形狀和關(guān)鍵影響因子判別函數(shù)標(biāo)準(zhǔn)化系數(shù)結(jié)果可判斷在各判別函數(shù)中影響因子對(duì)EKC形狀判斷的重要性(見(jiàn)表6).例如:在函數(shù)1中,廢水排放量被賦予的權(quán)重最大;而在函數(shù)2中,污染物濃度和二次多項(xiàng)式模型的判別作用最大.

    表6 不同EKC形狀判別函數(shù)與影響因素的數(shù)標(biāo)準(zhǔn)化系數(shù)

    在對(duì)新案例進(jìn)行分類(lèi)判斷時(shí),可通過(guò)對(duì)分類(lèi)自變量進(jìn)行啞變量設(shè)置后,將相應(yīng)值代入判別方程組,所得的最大判別函數(shù)值對(duì)應(yīng)的EKC形狀即為新案例的判別結(jié)果.由貝葉斯判別分析函數(shù)得到EKC形狀分類(lèi)判別方程組:

    式中 X1、X2和 X3分別表示研究時(shí)長(zhǎng)(≤10、11~15和16~20 a),X4表示污染物濃度,X5表示廢水排放量,X6表示二次多項(xiàng)式模型,X7表示三次多項(xiàng)式模型.Y1、Y2、Y3、Y4、Y5和 Y6分別表示 U 形、倒 U 形、N 形、倒N形、線(xiàn)形和其他形發(fā)生的概率.

    EKC形狀判別結(jié)果見(jiàn)表7,表明研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法的不同設(shè)定,在一定程度上可以影響EKC形狀,通過(guò)計(jì)算得到判別函數(shù)對(duì)樣本的總體判斷正確率為33.6%.

    表7 不同EKC形狀的判別分類(lèi)正確率 單位:%

    為進(jìn)一步驗(yàn)證研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法對(duì)EKC形狀的影響,選取水環(huán)境與經(jīng)濟(jì)發(fā)展的相關(guān)研究工作,共8個(gè)案例,結(jié)果如表8所示[14-19].由驗(yàn)證結(jié)果可得,在 8個(gè)案例中,有5個(gè)案例的研究結(jié)果與判別函數(shù)的結(jié)果一致,正確率為62.5%,進(jìn)一步表明研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法對(duì)EKC形狀的呈現(xiàn)具有重要作用.

    表8 判別函數(shù)的適用性驗(yàn)證

    3 討 論

    Logistic回歸分析結(jié)果表明,區(qū)域水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展之間EKC形狀與擬合數(shù)據(jù)的時(shí)間跨度(研究時(shí)長(zhǎng))、所選取的代表水環(huán)境質(zhì)量狀況的指標(biāo)類(lèi)型(水環(huán)境指標(biāo))、采用的數(shù)據(jù)擬合方法類(lèi)別(回歸方法)有較大關(guān)系,而對(duì)選取的研究區(qū)尺度大?。ㄑ芯繀^(qū)范圍)不敏感.但該回歸結(jié)果還需進(jìn)一步驗(yàn)證,因?yàn)楸狙芯克x取指標(biāo)沒(méi)有涵蓋所有對(duì)水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展之間關(guān)系EKC形狀產(chǎn)生作用的潛在影響因素;另外,對(duì)所選取指標(biāo)的等級(jí)劃分具有一定主觀性,不同的等級(jí)劃分標(biāo)準(zhǔn)可能產(chǎn)生不同的回歸結(jié)果.

    相關(guān)研究表明,區(qū)域的經(jīng)濟(jì)發(fā)展與其經(jīng)濟(jì)發(fā)展結(jié)構(gòu)與階段有密切的聯(lián)系,Markus[20]和 Antonio[21]認(rèn)為經(jīng)濟(jì)的迅速增長(zhǎng)使得第二產(chǎn)業(yè)比例迅速增加,這使得生態(tài)環(huán)境問(wèn)題加劇,當(dāng)主要經(jīng)濟(jì)活動(dòng)從高污染的工業(yè)轉(zhuǎn)向低污染的服務(wù)業(yè)等產(chǎn)業(yè)時(shí),產(chǎn)業(yè)的發(fā)展對(duì)資源環(huán)境壓力就降低,此時(shí)環(huán)境污染和經(jīng)濟(jì)發(fā)展呈現(xiàn)傳統(tǒng)的倒U形曲線(xiàn)關(guān)系[22].因此,在研究某一區(qū)域水環(huán)境與經(jīng)濟(jì)發(fā)展關(guān)系時(shí),應(yīng)首先明確該區(qū)域經(jīng)濟(jì)發(fā)展結(jié)構(gòu),以及工業(yè)、農(nóng)業(yè)等產(chǎn)業(yè)發(fā)展所排放的主要污染物種類(lèi),選擇最具區(qū)域代表性的水環(huán)境指標(biāo);在建立環(huán)境指標(biāo)與經(jīng)濟(jì)發(fā)展關(guān)系時(shí),最簡(jiǎn)單常見(jiàn)的方程形式是經(jīng)濟(jì)收入與環(huán)境關(guān)系的二次多項(xiàng)式,有的為了突出曲線(xiàn)特征形狀而使用經(jīng)濟(jì)收入取對(duì)數(shù)后的二次多項(xiàng)式,得到明顯的倒U形曲線(xiàn),三次多項(xiàng)式則會(huì)顯示為N形、倒N形等形狀.因此,形狀與回歸方法的相關(guān)性較大,在回歸方法的選擇與運(yùn)用過(guò)程中存在著較大的主觀性.

    4 結(jié) 論

    本研究利用logistic回歸分析的方法以及判別分析法得到研究方案設(shè)計(jì),研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)、回歸方法和研究區(qū)范圍的選擇可影響水環(huán)境EKC的形狀,這在一定程度上說(shuō)明,在進(jìn)行水環(huán)境與經(jīng)濟(jì)發(fā)展的EKC關(guān)系的研究時(shí),要考慮研究結(jié)論反映的是真實(shí)規(guī)律還是由研究方案設(shè)計(jì)的選擇而得到的潛在規(guī)律.

    Logisitic回歸分析結(jié)果顯示研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法對(duì)EKC形狀具有顯著影響,而EKC形狀對(duì)研究區(qū)范圍不敏感.使用貝葉斯判別分析方法,選用研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法3個(gè)影響因素可實(shí)現(xiàn)對(duì)EKC形狀的初步判斷.另外,用于驗(yàn)證的8個(gè)案例中有5個(gè)案例的結(jié)果與判別函數(shù)的結(jié)果相符,正確率為62.5%,這表明研究時(shí)長(zhǎng)、水環(huán)境指標(biāo)和回歸方法對(duì)EKC形狀的呈現(xiàn)具有重要作用,即在進(jìn)行水環(huán)境與經(jīng)濟(jì)發(fā)展的EKC關(guān)系研究中,研究方案的設(shè)計(jì)可以影響EKC形狀.本研究結(jié)果為水環(huán)境質(zhì)量與經(jīng)濟(jì)發(fā)展EKC關(guān)系研究的數(shù)據(jù)準(zhǔn)備、指標(biāo)選取和回歸方法選擇提供了參考,并從側(cè)面反映了EKC曲線(xiàn)的形狀主要受水環(huán)境指標(biāo)和回歸方法的影響,一定程度上說(shuō)明了經(jīng)濟(jì)增長(zhǎng)與水環(huán)境污染之間關(guān)系的復(fù)雜性以及統(tǒng)計(jì)上的脆弱性.

    猜你喜歡
    判別函數(shù)環(huán)境質(zhì)量形狀
    挖藕 假如悲傷有形狀……
    為了水環(huán)境質(zhì)量持續(xù)向好——河北省廊坊市深入開(kāi)展水污染防治攻堅(jiān)戰(zhàn)
    公民與法治(2022年1期)2022-07-26 05:58:08
    游樂(lè)設(shè)施事故與危險(xiǎn)量化判別函數(shù)的構(gòu)建
    你的形狀
    探究上市公司財(cái)務(wù)預(yù)警的數(shù)學(xué)模型
    湘鄉(xiāng)市:努力推進(jìn)環(huán)境質(zhì)量持續(xù)改善
    看到的是什么形狀
    維護(hù)群眾權(quán)益,改善環(huán)境質(zhì)量
    基于Fisher判別函數(shù)的酒店員工離職預(yù)警研究
    環(huán)境質(zhì)量
    江蘇年鑒(2014年0期)2014-03-11 17:09:44
    化州市| 巴彦县| 昌图县| 瓮安县| 宁津县| 诏安县| 炎陵县| 平南县| 台山市| 蒙城县| 昔阳县| 皋兰县| 清镇市| 靖宇县| 剑阁县| 军事| 齐齐哈尔市| 宜兰县| 观塘区| 阜宁县| 信宜市| 旺苍县| 大新县| 泸水县| 神池县| 河池市| 滦南县| 尚义县| 尼木县| 娄底市| 赤壁市| 南雄市| 绵阳市| 许昌市| 邻水| 南川市| 桑植县| 台山市| 边坝县| 凤山县| 南木林县|