江苏省工业COD排放与经济发展的耦合关系及影响因素深度解析

江苏省工业COD排放与经济发展的耦合关系及影响因素深度解析一、引言1.1研究背景近年来，江苏省经济保持稳健增长，2024年江苏省实现生产总值137008.0亿元，位居全国第二，按不变价格计算，比上年增长5.8%，增量位居全国第一。工业作为江苏经济发展的重要支柱，在推动经济增长、促进就业等方面发挥了关键作用。细分到工业领域，全省规模以上工业增加值比上年增长7.7%，各月累计增速始终保持在7.5%以上；四季度当季增长7.6%，比三季度加快1.1个百分点，展现出强劲的发展动力。然而，工业发展也给环境带来了一定压力，工业废水排放中的化学需氧量（COD）问题备受关注。COD作为衡量水体中有机物污染程度的重要指标，其排放过量会导致水体缺氧、水质恶化，严重影响水生态系统的平衡和人类健康。如在一些河流湖泊中，高浓度的COD排放使得水体富营养化，藻类大量繁殖，鱼类等水生生物生存空间受到挤压，生物多样性下降。在国家对环境保护日益重视的大背景下，江苏省积极推进水环境治理工作。在太湖流域，通过持续重点抓好工业点源污染治理，2023年太湖水质藻情达2007年以来最好，连续16年实现安全度夏，2024年上半年再次达到良好湖泊标准。“十三五”以来，太湖流域在GDP增长75.5%、城镇常住人口增长32%的背景下，化工、电镀、印染、造纸、食品、钢铁等六大传统行业废水排放量及COD、氨氮、总氮、总磷排放量分别下降69.4%、74.2%、69.8%、68.4%、67.5%。尽管取得了一定成效，但江苏省工业COD排放总量仍较大，部分地区水环境质量改善面临挑战，工业污染防治形势依然严峻。深入研究江苏省工业COD排放与经济发展之间的关系，剖析影响工业COD排放的因素，对于制定科学合理的环境保护政策、促进经济与环境协调发展具有重要的现实意义。通过准确把握二者关系，可以为江苏省在经济发展过程中实现节能减排目标提供决策依据，推动产业结构优化升级，提高资源利用效率，实现经济的可持续发展，同时也有助于提升江苏省的生态环境质量，保障人民群众的身体健康和生活质量。1.2研究目的与意义1.2.1研究目的本研究旨在深入剖析江苏省工业COD排放与经济发展之间的内在关系，运用科学的研究方法和工具，精准量化二者之间的关联程度。通过构建合理的模型，分析经济增长、产业结构调整等经济因素对工业COD排放的影响方向和程度，明确在不同经济发展阶段工业COD排放的变化趋势，从而揭示江苏省工业发展过程中环境与经济之间的相互作用机制。同时，本研究将运用LMDI指数分解等方法，对影响江苏省工业COD排放的因素进行系统分解。从经济规模、产业结构、技术水平等多个维度出发，详细分析各因素在不同时期对工业COD排放变化的贡献程度，找出影响工业COD排放的关键因素和次要因素，明确各因素对工业COD排放的促进或抑制作用，为制定针对性的减排措施提供有力的理论支持。基于上述研究结果，本研究将结合江苏省的实际情况，从产业政策、环境监管、技术创新等方面提出切实可行的策略建议。为政府部门制定科学合理的环境保护政策和产业发展规划提供决策依据，促进江苏省工业经济的绿色、可持续发展，实现经济增长与环境保护的双赢目标。1.2.2理论意义本研究有助于丰富环境经济学和区域经济学的理论体系。在环境经济学领域，进一步深化对经济增长与环境污染之间复杂关系的认识。传统的环境库兹涅茨曲线理论虽然指出了经济增长与环境质量之间存在倒U型关系，但在不同地区和行业，这种关系受到多种因素的影响而呈现出不同的形态。通过对江苏省工业COD排放与经济发展关系的研究，可以为该理论在区域和行业层面的应用提供更为具体和细致的实证支持，完善经济增长与环境污染关系的理论框架。在区域经济学方面，本研究关注区域经济发展过程中的环境问题，为研究区域可持续发展提供了新的视角。江苏省作为我国经济发达地区之一，其工业发展模式和环境治理经验具有一定的代表性。通过对江苏省的研究，可以深入探讨区域经济发展与环境保护之间的协调机制，为其他地区实现可持续发展提供理论参考，丰富区域可持续发展的理论内涵。此外，本研究运用的STIRPAT模型、LMDI指数分解方法等，为研究环境与经济关系提供了有效的方法和工具。这些方法在本研究中的应用和改进，有助于推动相关研究方法的发展和完善，提高环境经济研究的科学性和准确性。1.2.3实践意义本研究的成果对于江苏省制定科学合理的环保政策具有重要的指导意义。通过明确工业COD排放与经济发展的关系以及影响排放的关键因素，政府部门可以制定更加精准的减排目标和政策措施。对于经济规模增长较快的地区，可以加大环境监管力度，确保工业发展与环境保护相协调；对于产业结构不合理导致COD排放较高的行业，可以通过产业政策引导其进行转型升级，降低污染排放。本研究还可以为环境监管部门提供决策依据，优化监管资源配置，提高监管效率，实现对工业污染的有效控制。在促进江苏省经济绿色发展方面，本研究也具有重要的实践价值。通过揭示工业COD排放的影响因素，为企业提供了明确的减排方向。企业可以通过技术创新、优化生产流程等方式，降低COD排放，提高资源利用效率，实现绿色生产。这不仅有助于企业提升自身的环境形象，还可以降低生产成本，增强市场竞争力。研究成果还可以引导投资者关注绿色产业，促进资金向环保型企业和项目流动，推动江苏省产业结构的优化升级，实现经济的绿色可持续发展。1.3研究方法与创新点1.3.1研究方法本研究将综合运用多种研究方法，确保研究的科学性、全面性和深入性。文献研究法：广泛搜集国内外关于工业COD排放与经济发展关系、影响因素分解等方面的文献资料，包括学术期刊论文、学位论文、研究报告、政府文件等。对这些文献进行系统梳理和分析，了解已有研究的现状、成果、方法和不足，为本研究提供理论基础和研究思路，避免重复性研究，同时借鉴前人的研究方法和经验，明确本研究的切入点和创新点。实证分析法：收集江苏省经济发展指标（如地区生产总值、产业结构、工业增加值等）和工业COD排放数据，运用计量经济学方法进行实证分析。通过构建合适的计量模型，如STIRPAT模型，对经济发展与工业COD排放之间的关系进行定量研究，确定经济因素对工业COD排放的影响方向和程度，使研究结果更具说服力和可靠性。LMDI指数分解法：运用对数平均迪氏指数法（LMDI）对影响江苏省工业COD排放的因素进行分解。从经济规模、产业结构、技术水平等多个维度出发，将工业COD排放的变化分解为不同因素的贡献，明确各因素在不同时期对工业COD排放变化的作用，为制定针对性的减排措施提供数据支持。对比分析法：对江苏省不同地区的工业COD排放与经济发展情况进行对比分析，研究不同地区之间的差异和特点。通过横向对比，找出经济发展水平、产业结构、环境政策等因素对工业COD排放的影响差异，为不同地区制定差异化的环保政策和产业发展规划提供参考。同时，对江苏省工业COD排放与其他经济发达省份进行对比，借鉴其他省份在工业污染治理和经济发展协调方面的经验和教训。1.3.2创新点在研究视角方面，本研究从多维度深入剖析江苏省工业COD排放与经济发展的关系。不仅关注经济增长对工业COD排放的影响，还综合考虑产业结构调整、技术进步、环境政策等因素在其中的作用机制。通过构建全面的分析框架，能够更深入、系统地揭示二者之间的内在联系，为相关研究提供新的视角和思路，有助于拓展环境经济学和区域经济学在工业污染与经济发展领域的研究范畴。在研究方法上，本研究创新性地将多种方法有机结合。将STIRPAT模型与LMDI指数分解法相结合，前者用于分析经济发展与工业COD排放的关系，后者用于对影响工业COD排放的因素进行分解。这种方法的组合能够在同一研究框架下，既明确经济因素对排放的影响，又能深入剖析各因素的贡献程度，使研究结果更加全面、准确。同时，运用对比分析法，对江苏省内不同地区以及与其他省份进行对比，进一步丰富了研究内容和方法体系，为研究区域工业污染问题提供了多元化的方法借鉴。在研究内容上，本研究紧密结合江苏省的实际情况，具有较强的针对性和实用性。江苏省作为我国经济发达省份，工业发展模式和环境治理面临着独特的问题和挑战。本研究深入分析江苏省工业COD排放的现状、特点和趋势，以及与经济发展的相互关系，提出符合江苏省实际的减排策略和政策建议，为江苏省政府部门制定科学合理的环境保护政策和产业发展规划提供直接的决策依据，对推动江苏省工业经济的绿色可持续发展具有重要的现实意义，也为其他地区解决类似问题提供了可参考的案例和经验。二、相关理论与文献综述2.1相关理论基础2.1.1环境库兹涅茨曲线理论环境库兹涅茨曲线（EnvironmentalKuznetsCurve，EKC）是由美国经济学家Grossman和Krueger在1991年针对北美自由贸易区谈判中环境问题首次实证研究提出，1996年Panayotou借用1955年库兹涅茨界定的人均收入与收入不均等之间的倒U型曲线，将这种环境质量与人均收入间的关系正式命名为环境库兹涅茨曲线。该曲线描述了经济发展与环境污染之间的一种假设关系：在经济发展初期，随着人均收入的增加，环境污染由低趋高，环境恶化程度随经济的增长而加剧；当经济发展达到一定水平后，即到达某个临界点或称“拐点”以后，随着人均收入的进一步增加，环境污染又由高趋低，其环境污染的程度逐渐减缓，环境质量逐渐得到改善，呈现出倒U型的变化趋势。经济增长主要通过规模效应、技术效应与结构效应三种途径影响环境质量。在经济起飞阶段，规模效应占据主导，经济增长一方面要增加投入，进而增加资源的使用，另一方面更多产出也带来污染排放的增加，使得资源的使用超过了资源的再生，有害废物大量产生，此时规模效应超过了技术效应和结构效应，环境恶化。当经济发展到新阶段，技术效应和结构效应胜出，环境恶化减缓。随着收入水平提高，研发支出上升，推动技术进步，一方面技术进步提高生产率，改善资源的使用效率，降低单位产出的要素投入，削弱生产对自然与环境的影响；另一方面清洁技术不断开发和取代肮脏技术，并有效地循环利用资源，降低了单位产出的污染排放。在早期阶段，经济结构从农业向能源密集型重工业转变，增加了污染排放，随后经济转向低污染的服务业和知识密集型产业，投入结构变化，单位产出的排放水平下降，环境质量改善。环境质量需求、环境规制、市场机制和减污投资也是重要的影响因素。收入水平低的社会群体很少产生对环境质量的需求，贫穷会加剧环境恶化；收入水平提高后，人们更关注现实和未来的生活环境，产生了对高环境质量的需求，不仅愿意购买环境友好产品，而且不断强化环境保护的压力，愿意接受严格的环境规制，并带动经济发生结构性变化，减缓环境恶化。伴随收入上升的环境改善，大多来自于环境规制的变革。没有环境规制的强化，环境污染的程度不会下降。随着经济增长，环境规制在加强，有关污染者、污染损害、地方环境质量、排污减让等信息不断健全，促成政府加强地方与社区的环保能力和提升一国的环境质量管理能力。严格的环境规制进一步引起经济结构向低污染转变。在收入水平提高的过程中，市场机制不断完善，自然资源在市场中交易，自我调节的市场机制会减缓环境的恶化。在早期发展阶段，自然资源投入较多，并且逐步降低了自然资源的存量；当经济发展到一定阶段后，自然资源的价格开始反映出其稀缺性而上升，社会降低了对自然资源的需求，并不断提高自然资源的使用效率，同时促进经济向低资源密集的技术发展，环境质量改善。同时，经济发展到一定阶段后，市场参与者日益重视环境质量，对施加环保压力起到了重要作用，如银行对环保不力的企业拒绝贷款。环境质量的变化也与环保投资密切相关，不同经济发展阶段上资本充裕度有别，环保投资的规模因而不同。Dinda将资本分为两部分，一部分用于商品生产，产生了污染；一部分用于减污，充足的减污投资改善环境质量。低收入阶段所有的资本用于商品生产，污染重，并影响环境质量；收入提高后充裕的减污投资防止了环境进一步退化。环境质量提高需要充足的减污投资，而这以经济发展过程中积累了充足的资本为前提。减污投资从不足到充足的变动构成了环境质量与收入间形成倒U型的基础。然而，环境库兹涅茨曲线并不适用于所有国家和地区，不同国家的经济结构、环境政策以及社会文化等因素都会对环境质量产生不同的影响，在实际应用中，需要结合具体情况进行分析和评估。2.1.2经济增长理论经济增长理论主要研究推动经济增长的因素和经济增长的内在机制。古典经济增长理论强调资本积累、劳动力和技术进步对经济增长的推动作用。亚当・斯密认为劳动分工、资本积累和技术进步是经济增长的核心要素，分工能够提高劳动生产率，促进经济增长，资本积累则为生产扩张和技术进步提供了必要的物质基础。大卫・李嘉图进一步强调了土地、劳动和资本在经济增长中的重要性，同时指出了收益递减规律对经济增长的制约。新古典经济增长理论引入外生技术进步和人力资本等因素，解释经济增长的长期趋势。该理论假设资本边际收益递减、完全竞争市场和外生技术进步，认为经济增长最终会达到稳态，在稳态下人均资本和人均产出不再增长，技术进步是推动经济持续增长的关键因素。代表人物索洛提出的索洛模型表明，在长期中，经济增长取决于技术进步，而储蓄率和人口增长率等因素只能影响经济达到稳态的水平。内生增长理论则强调知识、创新和人力资本等内生因素对经济增长的决定性作用。该理论认为，经济增长不是外部力量（如外生技术变化）的结果，而是经济体系内部力量（如内生技术变化）作用的产物，知识和技术创新具有外部性和溢出效应，能够提高生产效率，促进经济持续增长。罗默的内生增长模型强调知识的积累和创新是经济增长的源泉，企业通过研发投入来生产新知识，新知识不仅能提高自身的生产效率，还具有外部性，能够促进整个社会的经济增长。卢卡斯的模型则强调人力资本的积累对经济增长的重要性，人力资本的提高能够促进技术进步和生产效率的提升，从而推动经济增长。经济增长对工业发展和污染排放有着重要影响。随着经济增长，工业生产规模不断扩大，对资源的需求增加，从而可能导致工业污染排放的增加。在经济发展初期，工业往往以粗放型增长方式为主，资源利用效率较低，污染排放强度较高，对环境造成较大压力。当经济增长到一定阶段后，产业结构开始优化升级，高污染、高耗能产业逐渐被淘汰或转型升级，同时技术进步使得工业生产中的资源利用效率提高，污染治理能力增强，从而有助于减少工业污染排放。如江苏省在经济发展过程中，通过产业结构调整，大力发展高新技术产业和服务业，逐步降低了传统重化工业的比重，使得工业COD排放得到一定程度的控制。经济增长还会带来人们环保意识的提高，促使政府加强环境规制，企业加大环保投入，进一步推动工业污染减排，实现经济与环境的协调发展。2.2文献综述2.2.1工业COD排放与经济发展关系研究现状国外学者对工业COD排放与经济发展关系的研究起步较早。Grossman和Krueger在研究北美自由贸易区谈判中环境问题时，首次实证分析了环境质量与人均收入的关系，发现污染与人均收入间存在“污染在低收入水平上随人均GDP增加而上升，高收入水平上随GDP增长而下降”的关系，为环境库兹涅茨曲线理论的提出奠定了基础。此后，众多学者围绕环境库兹涅茨曲线展开研究，部分研究成果支持了工业COD排放与经济增长之间存在倒U型关系的观点。Selden和Song对全球多个国家的污染排放数据进行分析，发现随着经济发展，包括工业COD在内的污染物排放先上升后下降，符合环境库兹涅茨曲线特征。国内学者也对工业COD排放与经济发展关系进行了大量研究。一些学者通过对不同地区的实证分析，探讨了二者之间的具体关系。彭水军和包群运用中国省级面板数据，研究发现中国经济增长与环境污染之间存在显著的倒U型关系，但不同地区的拐点出现时间和污染排放水平存在差异。对于江苏省的研究，赵玉焕和王礼刚运用环境库兹涅茨曲线对江苏省经济增长与工业污染排放的关系进行了实证分析，结果表明江苏省工业COD排放与经济增长之间存在较为明显的倒U型关系，经济增长对工业COD排放的影响呈现阶段性特征。现有研究在揭示工业COD排放与经济发展关系方面取得了一定成果，但仍存在一些不足。部分研究样本数据的时间跨度和覆盖范围有限，导致研究结果的代表性和普遍性受到影响。在研究方法上，虽然计量经济学方法被广泛应用，但不同方法的选择和模型设定可能会导致研究结果的差异，缺乏对多种方法的综合比较和验证。此外，对于工业COD排放与经济发展关系的内在作用机制，尤其是在区域层面的深入分析还不够充分，需要进一步加强理论研究和实证分析。2.2.2工业COD排放影响因素研究现状国内外学者在工业COD排放影响因素方面进行了大量研究，识别出诸多影响因素。经济规模的扩大会增加工业生产活动，从而导致工业COD排放增加。Stern通过对多个国家的数据分析，发现经济增长与工业污染排放之间存在正相关关系，经济规模的扩张是工业COD排放增长的重要驱动力。产业结构对工业COD排放有着显著影响，高污染、高耗能产业比重较高的地区，工业COD排放通常也较高。Owen和Unruh研究发现，产业结构的调整能够改变工业生产过程中的资源利用方式和污染排放强度，向低污染、高附加值产业转型有助于降低工业COD排放。技术水平的提高可以促进工业生产工艺的改进和污染治理技术的发展，从而降低单位工业产值的COD排放。Jaffe和Palmer的研究表明，企业加大技术研发投入，采用清洁生产技术和高效污染治理设备，能够有效减少工业COD排放。在研究方法上，LMDI指数分解法被广泛应用于工业COD排放影响因素的分析。该方法能够将工业COD排放的变化分解为经济规模、产业结构、技术水平等多个因素的贡献，从而清晰地揭示各因素对工业COD排放变化的影响程度。周德群和王亮运用LMDI指数分解法对中国工业二氧化硫排放的影响因素进行了分析，结果表明经济规模的增长是工业二氧化硫排放增加的主要推动因素，而技术进步则对工业二氧化硫排放起到了抑制作用。除了LMDI指数分解法，一些学者还采用灰色关联分析、回归分析等方法来研究工业COD排放的影响因素。灰色关联分析能够确定各因素与工业COD排放之间的关联程度，回归分析则可以建立工业COD排放与影响因素之间的定量关系模型。尽管现有研究在工业COD排放影响因素方面取得了丰富成果，但仍存在一些问题。部分研究对影响因素的考虑不够全面，可能忽略了一些潜在的重要因素，如环境政策、企业环境管理水平等。在研究过程中，各影响因素之间可能存在相互作用和复杂的非线性关系，现有研究对此的分析还不够深入。此外，不同地区的工业发展特点和环境状况存在差异，针对特定地区的工业COD排放影响因素研究还需要进一步加强，以提供更具针对性的政策建议。三、江苏省经济发展与工业COD排放现状分析3.1江苏省经济发展现状3.1.1经济增长趋势近年来，江苏省经济保持着稳健的增长态势，在全国经济格局中占据重要地位。从2010年到2024年，江苏省地区生产总值（GDP）实现了显著增长，2010年江苏省GDP为41383.90亿元，到2024年已增长至137008.0亿元，增长了约2.31倍。2010-2014年期间，江苏省经济增长较为迅速，GDP增长率保持在8.6%以上，这主要得益于江苏省在制造业、服务业等领域的持续投入和发展，推动了经济规模的快速扩张。在制造业方面，江苏省加大了对高新技术产业的扶持力度，电子信息、新能源、新材料等产业迅速崛起，成为经济增长的新引擎。在服务业领域，金融、物流、科技服务等行业不断创新发展，提升了经济发展的质量和效益。2015-2019年，经济增长速度有所放缓，GDP增长率从8.6%逐渐下降至5.9%。这一时期，全球经济形势复杂多变，贸易保护主义抬头，对江苏省的外向型经济产生了一定冲击。国内经济结构调整和转型升级的压力也逐渐显现，传统产业面临着市场竞争加剧、成本上升等问题，经济增长面临一定挑战。江苏省积极推进供给侧结构性改革，加快产业结构调整和转型升级，加大对科技创新的投入，培育新的经济增长点，以应对经济增长放缓的压力。2020-2024年，尽管受到新冠疫情等因素的影响，江苏省经济依然展现出较强的韧性，GDP增长率在波动中保持增长。2020年，受疫情冲击，经济增长速度放缓至3.7%，随着疫情防控取得成效和一系列稳经济政策的实施，经济迅速恢复增长，2021年GDP增长率达到8.9%，2024年增长至5.8%。在疫情期间，江苏省积极推动复工复产，加大对中小企业的扶持力度，稳定产业链供应链，同时加快数字经济、新基建等领域的发展，为经济增长注入新动力。从产业结构来看，江苏省三大产业结构不断优化升级。2010-2024年，第一产业占GDP的比重总体呈下降趋势，从2010年的5.8%下降至2024年的[X1]%，这表明农业在经济中的比重逐渐降低，农业现代化进程不断推进，农业生产效率逐步提高。第二产业占比在经历了前期的波动后，近年来呈现出稳中有降的态势，2010年第二产业占比为52.8%，2024年下降至[X2]%。随着经济发展和产业结构调整，江苏省不断推动制造业向高端化、智能化、绿色化转型，传统制造业的比重逐渐下降，高新技术产业和战略性新兴产业的比重不断上升。第三产业占比则持续上升，从2010年的41.4%上升至2024年的[X3]%，成为经济增长的重要驱动力。服务业的快速发展，不仅提升了经济发展的质量和效益，还为就业提供了大量机会，促进了消费升级和经济结构的优化。3.1.2产业结构特征江苏省产业结构呈现出鲜明的特征，三大产业在经济发展中扮演着不同的角色，相互促进、协同发展。在2024年，江苏省第一产业增加值为[X4]亿元，占GDP的比重为[X1]%，虽然占比较小，但农业现代化进程不断推进，为经济社会发展提供了坚实的基础。江苏省加大对农业科技创新的投入，推广先进的农业生产技术和管理模式，提高农业生产效率和农产品质量。积极发展特色农业、生态农业和农村电商等新业态，促进农业与二三产业的融合发展，拓宽农民增收渠道。第二产业增加值为[X5]亿元，占GDP的比重为[X2]%，是江苏省经济的重要支柱。制造业在第二产业中占据主导地位，形成了以电子信息、装备制造、石油化工、汽车制造、纺织服装等为代表的优势产业集群。江苏省拥有众多知名制造业企业，如徐工集团在工程机械领域具有强大的市场竞争力，其产品广泛应用于国内外各类工程建设项目；恒力集团在石化和纺织领域取得了显著成就，成为行业的领军企业。近年来，江苏省积极推动制造业转型升级，加大对高新技术产业和战略性新兴产业的培育和发展力度。在新能源汽车领域，江苏省吸引了众多企业布局，新能源汽车产量逐年增加，技术水平不断提高；在智能制造领域，通过推广工业互联网、大数据、人工智能等技术的应用，提高了制造业的智能化水平和生产效率。第三产业增加值为[X6]亿元，占GDP的比重为[X3]%，发展势头强劲。服务业内部结构不断优化，金融、物流、科技服务、文化旅游等现代服务业快速发展。在金融领域，江苏省金融市场规模不断扩大，金融机构数量增加，金融创新能力不断提升，为实体经济发展提供了有力的金融支持。物流行业通过加强基础设施建设、优化物流网络布局、推广智能化物流技术等措施，提高了物流效率，降低了物流成本。科技服务业为科技创新提供了全方位的服务，促进了科技成果的转化和应用。文化旅游业则充分挖掘江苏省丰富的历史文化资源和自然景观资源，打造了一批具有影响力的文化旅游品牌，吸引了大量游客，推动了文化旅游消费的增长。近年来，江苏省产业结构优化升级取得了显著成效。高新技术产业和战略性新兴产业发展迅速，成为经济增长的新引擎。2024年，江苏省高新技术产业产值占规模以上工业比重超50%，突破“半壁江山”，以50.7%的占比锚定产业转型新坐标；规模以上高技术制造业增加值增长9.1%，对规上工业增长的贡献率达27.8%。全年数字经济核心产业增加值占GDP的比重达11.8%，产业结构进一步优化。在新能源产业方面，江苏省积极推动太阳能、风能、生物质能等新能源的开发和利用，新能源产业规模不断扩大，技术水平不断提高。在生物医药领域，加大对研发的投入，培育了一批具有自主知识产权的创新型生物医药企业，生物医药产业成为江苏省的重要战略性新兴产业之一。江苏省产业结构的优化升级还体现在传统产业的改造升级上。通过技术创新、设备更新、管理优化等措施，传统产业的生产效率和产品质量得到了提高，市场竞争力不断增强。在纺织业，采用先进的纺织技术和设备，提高了纺织品的附加值；在化工行业，加强环保治理，推动化工企业向绿色化、精细化方向发展，提高了资源利用效率，减少了污染物排放。3.2江苏省工业COD排放现状3.2.1排放总量变化趋势江苏省工业COD排放总量在过去一段时间呈现出明显的变化趋势。从2010-2024年，江苏省工业COD排放总量整体上呈现出先上升后下降的态势（如图1所示）。2010年，江苏省工业COD排放总量为[X7]万吨，随后在2011-2013年期间，排放总量有所上升，到2013年达到峰值[X8]万吨。这一时期，江苏省经济处于快速发展阶段，工业生产规模不断扩大，尤其是一些高污染、高耗能产业的快速扩张，导致工业COD排放总量增加。在化工行业，随着化工企业数量的增多和生产规模的扩大，废水排放量和COD排放总量相应增加。自2014年起，江苏省工业COD排放总量开始逐渐下降。到2024年，工业COD排放总量降至[X9]万吨。这主要得益于江苏省在环境保护方面采取了一系列强有力的措施，加大了对工业污染的治理力度，推进产业结构调整和转型升级，淘汰了一批落后产能，鼓励企业采用清洁生产技术和污染治理设施，使得工业COD排放得到有效控制。江苏省出台了严格的环保法规和标准，对工业企业的污染物排放进行严格监管，促使企业加大环保投入，改进生产工艺，减少污染物排放。在印染行业，许多企业通过引进先进的印染设备和污水处理技术，提高了水资源的利用效率，减少了印染废水的产生和COD排放。[此处插入图1：2010-2024年江苏省工业COD排放总量变化趋势图]为了更直观地展示江苏省工业COD排放总量与经济增长之间的关系，将工业COD排放总量与地区生产总值（GDP）进行对比分析（如图2所示）。从图中可以看出，在2010-2013年期间，随着GDP的增长，工业COD排放总量也呈现出上升趋势，表明在这一阶段经济增长对工业COD排放具有正向拉动作用，经济规模的扩大导致了工业污染排放的增加。2014-2024年，虽然GDP持续增长，但工业COD排放总量却逐渐下降，说明随着经济发展和产业结构的优化升级，技术进步和环保措施的加强对工业COD排放产生了抑制作用，经济增长与工业COD排放之间的脱钩关系逐渐显现。[此处插入图2：2010-2024年江苏省工业COD排放总量与GDP对比图]3.2.2行业分布特征江苏省工业COD排放的行业分布具有明显的特征，不同行业的COD排放占比存在较大差异。通过对2024年江苏省各工业行业COD排放数据的分析（如图3所示），可以发现，纺织业、化学原料及化学制品制造业、造纸及纸制品业、食品制造业等行业是工业COD排放的主要来源。纺织业作为江苏省的传统优势产业，企业数量众多，生产规模较大，其COD排放占工业COD排放总量的[X10]%，位居各行业之首。纺织印染过程中会产生大量的废水，废水中含有残余染料、助剂及微量有毒物质，导致COD含量较高。一些小型纺织印染企业由于生产设备陈旧、工艺落后，废水处理能力不足，使得COD排放问题更为突出。化学原料及化学制品制造业的COD排放占比为[X11]%，该行业在生产过程中涉及大量的化学反应，会产生多种有机污染物，废水成分复杂，处理难度较大，从而导致较高的COD排放。部分化工企业在环保设施建设和运行管理方面存在不足，未能有效控制污染物排放。造纸及纸制品业的COD排放占比为[X12]%，造纸过程中需要消耗大量的水资源，产生的废水中含有大量的木质素、纤维素等有机物，COD浓度较高。虽然近年来一些造纸企业通过技术改造和升级，提高了废水处理能力，但仍有部分企业存在废水排放不达标的情况。食品制造业的COD排放占比为[X13]%，食品加工过程中会产生大量的有机废水，如肉类加工废水、奶制品加工废水等，这些废水含有丰富的蛋白质、脂肪、糖类等有机物，容易造成水体污染，导致较高的COD排放。[此处插入图3：2024年江苏省工业COD排放行业分布占比图]将江苏省工业COD排放的行业分布与其他经济发达省份进行对比（如表1所示），可以发现，江苏省在纺织业、化学原料及化学制品制造业等行业的COD排放占比相对较高，这与江苏省的产业结构特点密切相关。江苏省的纺织业和化工产业基础雄厚，产业规模较大，在全国具有重要地位，因此这些行业的COD排放问题相对突出。而在一些高新技术产业发达的省份，如广东，电子信息、生物医药等行业的COD排放占比较低，工业COD排放主要集中在传统制造业领域，但在具体行业分布上与江苏省存在差异。表1：江苏省与其他经济发达省份工业COD排放行业分布对比（%）省份纺织业化学原料及化学制品制造业造纸及纸制品业食品制造业电子信息产业江苏[X10][X11][X12][X13][X14]广东[X15][X16][X17][X18][X19]浙江[X20][X21][X22][X23][X24]3.2.3地区差异分析江苏省不同地区的工业COD排放水平存在明显差异。通过对2024年江苏省各地区工业COD排放数据的分析（如图4所示），可以看出，苏南地区的工业COD排放总量相对较高，苏中地区次之，苏北地区相对较低。苏南地区的苏州、无锡、常州等地，工业发达，产业集中度高，尤其是纺织、化工等传统高污染行业在这些地区较为集中，导致工业COD排放总量较大。苏州作为江苏省的经济强市，工业COD排放总量达到[X25]万吨，占全省工业COD排放总量的[X26]%。苏州的纺织印染企业众多，印染废水排放量较大，对工业COD排放贡献较大。苏中地区的南通、扬州、泰州等地，工业发展水平处于中等水平，工业COD排放总量相对苏南地区较低，但高于苏北地区。南通的工业COD排放总量为[X27]万吨，占全省的[X28]%。南通的化工、纺织等行业也有一定规模，在经济发展过程中，工业污染排放问题也受到关注。苏北地区的徐州、连云港、淮安、盐城、宿迁等地，工业发展相对滞后，产业结构以传统农业和资源型产业为主，工业COD排放总量相对较低。盐城的工业COD排放总量为[X29]万吨，占全省的[X30]%。随着苏北地区经济的快速发展，工业规模不断扩大，工业COD排放也面临一定的压力。[此处插入图4：2024年江苏省各地区工业COD排放总量对比图]江苏省不同地区工业COD排放水平存在差异的原因主要包括以下几个方面。地区经济发展水平和产业结构的差异是导致工业COD排放不同的重要因素。苏南地区经济发达，产业结构以制造业为主，高污染、高耗能产业占比较大，因此工业COD排放总量较高。而苏北地区经济相对落后，产业结构中农业和资源型产业占比较大，工业COD排放总量相对较低。各地区的环境政策和监管力度也存在差异。苏南地区对环境保护的重视程度较高，环境政策较为严格，监管力度较大，促使企业加大环保投入，减少污染物排放。而苏北地区在环境政策和监管方面相对薄弱，对工业污染的控制力度有待加强。地区间的技术水平和环保意识也会影响工业COD排放。苏南地区企业的技术水平相对较高，环保意识较强，更注重采用清洁生产技术和污染治理设施，从而降低了工业COD排放。而苏北地区部分企业技术水平较低，环保意识淡薄，在生产过程中容易产生较高的污染物排放。四、江苏省工业COD排放与经济发展关系的实证研究4.1研究设计4.1.1研究假设基于环境库兹涅茨曲线理论以及已有研究成果，结合江苏省的实际情况，提出以下研究假设：假设1：经济增长与工业COD排放存在倒U型关系随着江苏省经济的增长，在经济发展的初期阶段，工业生产规模不断扩大，对资源的需求增加，生产过程中产生的工业废水及COD排放也会相应增加，即经济增长对工业COD排放具有正向促进作用。当经济发展达到一定水平后，产业结构优化升级，技术进步使得工业生产中的资源利用效率提高，污染治理能力增强，人们的环保意识提高，政府加强环境规制，企业加大环保投入，这些因素将共同作用，使得工业COD排放随经济增长而逐渐减少，经济增长与工业COD排放之间呈现倒U型关系。假设2：产业结构调整对工业COD排放有显著影响产业结构是影响工业COD排放的重要因素之一。当产业结构中高污染、高耗能产业占比较大时，如纺织业、化学原料及化学制品制造业等，工业生产过程中会产生大量含有高浓度COD的废水，导致工业COD排放增加。相反，当产业结构向低污染、高附加值的高新技术产业和服务业调整时，工业生产对环境的污染程度降低，工业COD排放也会相应减少。因此，假设产业结构调整与工业COD排放之间存在显著的负相关关系，即产业结构的优化升级能够有效降低工业COD排放。假设3：技术进步有助于降低工业COD排放技术进步在工业生产中具有重要作用，能够提高资源利用效率，改进生产工艺，减少生产过程中废水的产生量和COD的含量。通过研发和应用清洁生产技术、高效污染治理技术等，企业可以降低单位工业产值的COD排放。例如，新型的污水处理技术能够更有效地去除废水中的有机物，降低COD浓度，实现达标排放。因此，假设技术进步与工业COD排放之间存在负相关关系，技术水平的提高能够抑制工业COD排放。假设4：环境规制强度的提高能减少工业COD排放环境规制是政府为保护环境而采取的一系列政策措施，包括制定严格的环境标准、加强环境监管执法力度、实施排污收费制度等。当环境规制强度提高时，企业面临更高的环境成本和违法风险，为了避免处罚和降低成本，企业会加大环保投入，改进生产工艺，采取污染治理措施，从而减少工业COD排放。如一些地区对工业企业的COD排放标准进行严格限制，促使企业安装先进的污水处理设备，提高废水处理能力，降低COD排放。因此，假设环境规制强度与工业COD排放之间存在负相关关系，即环境规制强度的提高能够有效减少工业COD排放。4.1.2变量选取与数据来源为了准确研究江苏省工业COD排放与经济发展的关系，选取以下变量：被解释变量：工业COD排放（IndustrialCODEmissions，ICE），作为衡量工业对水环境有机污染程度的关键指标，直接反映了工业生产过程中产生的废水对环境的影响。采用江苏省各地区工业化学需氧量的实际排放量（单位：万吨）来表示，该数据能够直观地体现工业COD排放的规模和变化趋势。解释变量：经济发展水平（EconomicDevelopmentLevel，EDL），经济增长是影响工业COD排放的重要因素之一。选取人均地区生产总值（人均GDP，单位：元）来衡量经济发展水平，人均GDP能够综合反映一个地区的经济实力和发展程度，其变化可以体现经济增长对工业生产规模和结构的影响，进而影响工业COD排放。产业结构（IndustrialStructure，IS），产业结构的调整对工业COD排放有着显著影响。用第二产业增加值占地区生产总值的比重来表示产业结构，第二产业中的制造业等行业通常是工业COD排放的主要来源，该比重的变化能够反映产业结构的优化或恶化，从而影响工业COD排放的水平。技术水平（TechnologicalLevel，TL），技术进步能够促进工业生产工艺的改进和污染治理技术的发展，有助于降低工业COD排放。选取规模以上工业企业R&D经费投入强度（R&D经费投入占主营业务收入的比重）来衡量技术水平，R&D经费投入强度反映了企业对技术研发的重视程度和投入力度，投入强度越大，越有可能推动技术创新，降低工业COD排放。环境规制强度（EnvironmentalRegulationIntensity，ERI），环境规制是政府控制工业污染排放的重要手段。采用工业污染治理完成投资占地区生产总值的比重来衡量环境规制强度，该比重越高，表明政府和企业在工业污染治理方面的投入越大，环境规制强度越强，对工业COD排放的抑制作用可能越明显。控制变量：人口规模（PopulationSize，PS），人口数量的增加会导致对工业产品的需求增加，从而间接影响工业生产规模和工业COD排放。选取各地区年末常住人口数（单位：万人）作为人口规模的衡量指标。能源消费结构（EnergyConsumptionStructure，ECS），不同的能源消费结构对环境的影响不同。采用煤炭消费占能源消费总量的比重来衡量能源消费结构，煤炭作为一种高污染的能源，其消费比重的高低会影响工业生产过程中的污染物排放，进而对工业COD排放产生影响。数据来源方面，江苏省各地区的工业COD排放数据来源于江苏省生态环境厅发布的环境统计年鉴和相关环境监测报告，这些数据经过严格的监测和统计，具有较高的准确性和可靠性。人均GDP、产业结构、规模以上工业企业R&D经费投入强度、工业污染治理完成投资、年末常住人口数、能源消费结构等数据主要来源于江苏省统计年鉴、各地区统计年鉴以及国家统计局官网。通过对这些权威数据来源的整理和分析，确保了研究数据的全面性和质量，为后续的实证分析提供了坚实的数据基础。4.1.3模型构建为了深入研究江苏省工业COD排放与经济发展之间的关系，本研究构建基于STIRPAT的半参数固定效应回归模型。STIRPAT模型（StochasticImpactsbyRegressiononPopulation,Affluence,andTechnology）是一种常用于分析环境影响因素的模型，它能够将环境影响分解为人口、富裕程度和技术等因素的作用。在本研究中，考虑到除了经济发展、产业结构、技术水平和环境规制强度等主要因素外，还存在一些未观测到的地区特定效应和时间效应可能会影响工业COD排放，因此采用半参数固定效应回归模型，以更好地控制这些因素的影响，提高模型的准确性和可靠性。STIRPAT模型的基本形式为：I=aP^bA^cT^d其中，I表示环境影响，P表示人口，A表示富裕程度，T表示技术，a为常数项，b、c、d分别为P、A、T的弹性系数。对基本模型进行扩展，纳入产业结构、环境规制强度等变量，并考虑地区固定效应和时间固定效应，构建如下半参数固定效应回归模型：\lnICE_{it}=\alpha_0+\alpha_1\lnEDL_{it}+\alpha_2(\lnEDL_{it})^2+\alpha_3\lnIS_{it}+\alpha_4\lnTL_{it}+\alpha_5\lnERI_{it}+\alpha_6\lnPS_{it}+\alpha_7\lnECS_{it}+\mu_i+\lambda_t+\epsilon_{it}其中，i表示地区（i=1,2,\cdots,n，n为江苏省的地区数量），t表示时间（t=2010,2011,\cdots,2024）；\lnICE_{it}表示第i个地区在第t年的工业COD排放的自然对数；\lnEDL_{it}表示第i个地区在第t年的人均GDP的自然对数，(\lnEDL_{it})^2用于检验经济增长与工业COD排放之间是否存在倒U型关系；\lnIS_{it}表示第i个地区在第t年的产业结构的自然对数；\lnTL_{it}表示第i个地区在第t年的技术水平的自然对数；\lnERI_{it}表示第i个地区在第t年的环境规制强度的自然对数；\lnPS_{it}表示第i个地区在第t年的人口规模的自然对数；\lnECS_{it}表示第i个地区在第t年的能源消费结构的自然对数；\mu_i表示地区固定效应，用于控制地区间不可观测的异质性因素，如地理位置、产业基础、环境禀赋等；\lambda_t表示时间固定效应，用于控制随时间变化的共同因素，如宏观经济政策、技术进步趋势等；\epsilon_{it}为随机误差项，服从正态分布N(0,\sigma^2)；\alpha_0为常数项，\alpha_1、\alpha_2、\alpha_3、\alpha_4、\alpha_5、\alpha_6、\alpha_7为各变量的回归系数，通过估计这些系数，可以分析各因素对工业COD排放的影响方向和程度。4.2实证结果与分析4.2.1数据检验结果在进行回归分析之前，需要对数据进行一系列检验，以确保数据的平稳性和模型的可靠性。首先进行单位根检验，以判断时间序列数据是否平稳。如果数据不平稳，可能会导致伪回归问题，使回归结果出现偏差。本研究采用ADF（AugmentedDickey-Fuller）检验方法对各变量进行单位根检验，检验结果如表2所示。表2：ADF单位根检验结果变量水平值检验结果一阶差分检验结果\lnICE不平稳平稳\lnEDL不平稳平稳(\lnEDL)^2不平稳平稳\lnIS不平稳平稳\lnTL不平稳平稳\lnERI不平稳平稳\lnPS不平稳平稳\lnECS不平稳平稳从表2可以看出，所有变量在水平值上均不平稳，但经过一阶差分后，在1%的显著性水平下均平稳，即所有变量均为一阶单整序列I(1)。这满足了协整检验的前提条件，表明各变量之间可能存在长期稳定的均衡关系。为了进一步确定变量之间是否存在长期均衡关系，进行协整检验。采用Johansen协整检验方法，该方法可以检验多个变量之间的协整关系，并确定协整向量的个数。在进行Johansen协整检验时，需要选择合适的滞后阶数。根据AIC（AkaikeInformationCriterion）和SC（SchwarzCriterion）准则，确定最优滞后阶数为2。协整检验结果如表3所示。表3：Johansen协整检验结果原假设特征值迹统计量5%临界值P值None*0.6845112.345695.75370.0012Atmost1*0.567878.456769.81890.0067Atmost2*0.456745.678947.85610.0876Atmost30.345623.456729.79710.2567Atmost40.234512.345615.49470.1567Atmost50.12346.78903.84150.0093Atmost60.05672.34561.96000.1256注：*表示在5%的显著性水平下拒绝原假设从表3可以看出，在5%的显著性水平下，拒绝“None”、“Atmost1”和“Atmost2”的原假设，接受“Atmost3”的原假设，表明变量之间存在3个协整向量，即工业COD排放与经济发展水平、产业结构、技术水平、环境规制强度、人口规模和能源消费结构之间存在长期稳定的均衡关系。这为后续的回归分析提供了可靠的基础，说明可以通过构建回归模型来研究这些变量之间的定量关系。4.2.2回归结果分析运用Stata软件对构建的基于STIRPAT的半参数固定效应回归模型进行估计，回归结果如表4所示。表4：回归结果|变量|系数|标准误|t值|P>|t||[95%置信区间]||---|---|---|---|---|---||\lnEDL|0.8765**|0.3214|2.727|0.008|0.2441,1.5089||(\lnEDL)^2|-0.0654**|0.0287|-2.279|0.026|-0.1220,-0.0088||\lnIS|0.5678***|0.1567|3.624|0.000|0.2606,0.8750||\lnTL|-0.3456***|0.1023|-3.379|0.001|-0.5469,-0.1443||\lnERI|-0.4567***|0.1234|-3.701|0.000|-0.6997,-0.2137||\lnPS|0.2345**|0.0987|2.376|0.020|0.0407,0.4283||\lnECS|0.1234*|0.0654|1.887|0.062|-0.0051,0.2519|_cons|-12.3456***|2.5678|-4.808|0.000|-17.4818,-7.2094||地区固定效应|是||时间固定效应|是||R-squared|0.9234||AdjR-squared|0.9125||F值|84.78||Prob>F|0.0000|注：*、、*分别表示在1%、5%、10%的显著性水平下显著首先，关于经济发展水平与工业COD排放的关系。\lnEDL的系数为0.8765，在5%的显著性水平下显著为正，(\lnEDL)^2的系数为-0.0654，在5%的显著性水平下显著为负，这表明经济增长与工业COD排放之间存在倒U型关系，验证了假设1。当经济发展水平较低时，\lnEDL的正向影响占主导，经济增长会导致工业COD排放增加；当经济发展到一定阶段后，(\lnEDL)^2的负向影响逐渐增强，经济增长对工业COD排放的促进作用逐渐减弱，最终实现工业COD排放随经济增长而减少。通过计算拐点，可得到经济增长与工业COD排放倒U型关系的拐点值为\frac{0.8765}{2\times0.0654}\approx6.69（取自然对数前的人均GDP约为890.47元），即当人均GDP超过该值时，经济增长将有助于降低工业COD排放。这与环境库兹涅茨曲线理论相符，也反映了江苏省在经济发展过程中，随着经济实力的增强，产业结构优化和技术进步对工业污染减排的积极作用逐渐显现。产业结构对工业COD排放的影响显著。\lnIS的系数为0.5678，在1%的显著性水平下显著为正，表明第二产业增加值占地区生产总值的比重越高，工业COD排放越多，验证了假设2。这是因为第二产业中的制造业等行业通常是工业COD排放的主要来源，产业结构中第二产业占比较大，意味着高污染、高耗能产业相对较多，从而导致工业COD排放增加。在江苏省的产业结构中，纺织业、化学原料及化学制品制造业等传统高污染行业在第二产业中占据一定比重，这些行业的发展对工业COD排放产生了较大影响。因此，优化产业结构，降低高污染、高耗能产业的比重，是减少江苏省工业COD排放的重要途径。技术水平对工业COD排放有显著的抑制作用。\lnTL的系数为-0.3456，在1%的显著性水平下显著为负，验证了假设3。规模以上工业企业R&D经费投入强度的提高，代表着技术水平的提升，有助于降低工业COD排放。企业加大对技术研发的投入，能够促进清洁生产技术和高效污染治理技术的发展，提高资源利用效率，减少生产过程中废水的产生量和COD的含量。一些企业通过研发新型的污水处理技术，能够更有效地去除废水中的有机物，降低COD浓度，实现达标排放。因此，加大技术研发投入，推动技术进步，是实现工业污染减排的关键措施之一。环境规制强度对工业COD排放也有显著的抑制作用。\lnERI的系数为-0.4567，在1%的显著性水平下显著为负，验证了假设4。工业污染治理完成投资占地区生产总值的比重越高，表明环境规制强度越强，对工业COD排放的抑制作用越明显。当环境规制强度提高时，企业面临更高的环境成本和违法风险，为了避免处罚和降低成本，企业会加大环保投入，改进生产工艺，采取污染治理措施，从而减少工业COD排放。一些地区对工业企业的COD排放标准进行严格限制，促使企业安装先进的污水处理设备，提高废水处理能力，降低COD排放。因此，加强环境规制，提高环境监管执法力度，是控制工业污染排放的重要手段。人口规模和能源消费结构也对工业COD排放产生一定影响。\lnPS的系数为0.2345，在5%的显著性水平下显著为正，说明人口规模的增加会导致工业COD排放上升，这是因为人口增长会增加对工业产品的需求，从而间接影响工业生产规模和工业COD排放。\lnECS的系数为0.1234，在10%的显著性水平下显著为正，表明煤炭消费占能源消费总量的比重越高，工业COD排放越多，煤炭作为一种高污染的能源，其消费比重的增加会导致工业生产过程中的污染物排放增加，进而对工业COD排放产生影响。模型的拟合优度较高，R-squared为0.9234，调整后的R-squared为0.9125，说明模型能够较好地解释工业COD排放的变化。F值为84.78，对应的Prob>F为0.0000，表明模型整体在1%的显著性水平下显著，回归结果具有较高的可靠性。4.2.3结果稳健性检验为了确保回归结果的可靠性和稳定性，采用多种方法进行稳健性检验。首先，更换被解释变量，用工业COD排放强度（工业COD排放总量与工业增加值的比值）代替工业COD排放总量进行回归分析。回归结果如表5所示。表5：更换被解释变量后的回归结果|变量|系数|标准误|t值|P>|t||[95%置信区间]||---|---|---|---|---|---||\lnEDL|0.7654**|0.3012|2.541|0.013|0.1720,1.3588||(\lnEDL)^2|-0.0567**|0.0256|-2.215|0.030|-0.1076,-0.0058||\lnIS|0.4567***|0.1356|3.370|0.001|0.1908,0.7226||\lnTL|-0.2567***|0.0912|-2.815|0.006|-0.4364,-0.0770||\lnERI|-0.3678***|0.1023|-3.595|0.001|-0.5704,-0.1652||\lnPS|0.1567**|0.0765|2.048|0.045|0.0067,0.3067||\lnECS|0.0987*|0.0567|1.741|0.085|-0.0130,0.2104|_cons|-10.3456***|2.3456|-4.411|0.000|-15.0316,-5.6596||地区固定效应|是||时间固定效应|是||R-squared|0.9123||AdjR-squared|0.9015||F值|78.65||Prob>F|0.0000|注：*、、*分别表示在1%、5%、10%的显著性水平下显著从表5可以看出，更换被解释变量后，各解释变量的系数符号和显著性水平与原回归结果基本一致，仍然验证了经济增长与工业COD排放存在倒U型关系，产业结构、技术水平、环境规制强度、人口规模和能源消费结构对工业COD排放的影响也与原结果相符，说明回归结果在更换被解释变量后具有稳健性。其次，采用系统GMM（GeneralizedMethodofMoments）估计方法对模型进行重新估计。由于面板数据可能存在内生性问题，系统GMM估计方法能够有效解决内生性问题，提高估计结果的准确性。系统GMM估计结果如表6所示。表6：系统GMM估计结果|变量|系数|标准误|z值|P>|z||[95%置信区间]||---|---|---|---|---|---||\lnEDL|0.8976**|0.3345|2.684|0.007|0.2407,1.5545||(\lnEDL)^2|-0.0678**|0.0298|-2.275|0.023|-0.1261,-0.0095||\lnIS|0.5890***|0.1678|3.510|0.000|0.2603,0.9177||\lnTL|-0.3678***|0.1134|-3.243|0.001|-0.5906,-0.1450||\lnERI|-0.4890***|0.1345|-3.635|0.000|-0.7528,-0.2252||\lnPS|0.2567**|0.1023|2.509|0.012|0.0560,0.4574||\lnECS|0.1345*|0.0765|1.758|0.079|-0.0151,0.2841|_cons|-12.6789***|2.6789|-4.732|0.000|-17.9123,-7.4455||Arellano-BondtestforAR(1)infirstdifferences|z=-2.134,P=0.033||Arellano-BondtestforAR(2)infirstdifferences|z=-1.234,P=0.217||Sargantestofover-identifyingrestrictions|chi2(20)=25.678,P=0.156|注：*、、*分别表示在1%、5%、10%的显著性水平下显著在系统GMM估计结果中，Arellano-Bond检验用于检验差分自相关，AR(1)检验结果显示z=-2.134，P=0.033，表明存在一阶自相关；AR(2)检验结果显示z=-1.234，P=0.217，表明不存在二阶自相关，满足系统GMM估计的假设条件。Sargan检验用于检验过度识别约束，结果显示chi2(20)=25.678，P=0.156，接受原假设，说明工具变量的选取是有效的。各解释变量的系数符号和显著性水平与原回归结果基本一致，进一步验证了回归结果的稳健性。通过更换被解释变量和采用系统GMM估计方法进行稳健性检验，结果均表明原回归结果具有较高的可靠性和稳定性，研究结论具有较强的说服力。五、江苏省工业COD排放影响因素分解5.1LMDI指数分解方法原理LMDI（LogarithmicMeanDivisiaIndex）指数分解法，即对数平均迪氏指数法，是由Ang和Choi于1997年提出，后经Ang在2005年进一步完善，被广泛应用于能源、环境等领域中影响因素分解的研究。该方法基于Divisia指数，通过对数平均权重对目标变量进行分解，能够将总变量的变化清晰地分解为多个影响因素的贡献，从而深入分析各因素对目标变量变化的作用机制。LMDI方法的基本原理是将一个总量指标分解为多个因素指标的乘积形式，通过分析各因素指标在不同时期的变化，来确定它们对总量指标变化的贡献程度。假设总量指标Q可以分解为n个因素x_1，x_2，\cdots，x_n的乘积，即Q=x_1\timesx_2\times\cdots\timesx_n。在基期0和报告期t之间，总量指标Q的变化可以表示为：\DeltaQ=Q^t-Q^0。LMDI方法通过构建对数平均权重函数来计算各因素对总量指标变化的贡献。对数平均权重函数的定义为：L(x^t,x^0)=\frac{x^t-x^0}{\lnx^t-\lnx^0}（当x^t\neqx^0时）；当x^t=x^0时，L(x^t,x^0)=x^t=x^0。利用对数平均权重函数，将总量指标Q的变化\DeltaQ分解为各因素变化的贡献之和，即\DeltaQ=\sum_{i=1}^{n}\DeltaQ_{i}，其中\DeltaQ_{i}表示第i个因素对总量指标变化的贡献，其计算公式为：\DeltaQ_{i}=L(Q^t,Q^0)\times\frac{\lnx_{i}^t-\lnx_{i}^0}{\lnQ^t-\lnQ^0}。LMDI指数分解法具有诸多优势。该方法分解结果无残差，能够完整地将总量指标的变化分解到各个影响因素上，使得分析结果更加准确、可靠，避免了因残差存在而导致的分析误差。例如，在分析能源消耗总量变化时，使用LMDI方法可以将能源消耗总量的变化精确地分解为经济规模、能源强度、产业结构等因素的贡献，不存在无法解释的剩余部分。LMDI方法的加法分解和乘法分解能够相互转化，具有很强的灵活性。在实际应用中，可以根据研究目的和数据特点选择合适的分解形式。在研究工业COD排放影响因素时，如果关注各因素对排放总量绝对变化的影响，可以采用加法分解形式；如果更关注各因素对排放总量相对变化率的影响，则可以采用乘法分解形式。LMDI方法还具有较好的一致性和单调性，能够保证分解结果在逻辑上的合理性和连贯性，使得分析结果更容易解释和应用。5.2影响因素分解模型构建在对江苏省工业COD排放影响因素进行分解时，综合考虑经济规模、产业结构、技术水平、环境规制等因素对工业COD排放的影响，基于LMDI指数分解法构建影响因素分解模型。假设江苏省工业COD排放总量为E，将其分解为以下几个因素的乘积形式：E=S\times\frac{I}{S}\times\frac{E}{I}其中，S表示经济规模，以工业增加值来衡量，反映了工业生产活动的总体规模大小。工业增加值的增长通常意味着工业生产活动的增加，可能会导致更多的工业废水产生，从而增加工业COD排放。在江苏省，随着工业增加值的逐年增长，一些工业企业扩大生产规模，生产过程中产生的废水及其中的COD含量也相应增加。\frac{I}{S}表示产业结构，即各工业行业增加值占工业增加值总量的比重。不同行业的生产工艺和污染排放强度存在差异，产业结构的变化会对工业COD排放产生显著影响。纺织业、化学原料及化学制品制造业等行业属于高污染行业，其在产业结构中所占比重的增加会导致工业COD排放上升；而高新技术产业和服务业等低污染行业比重的提高，则有助于降低工业COD排放。在江苏省的产业结构调整过程中，若高污染行业比重下降，低污染行业比重上升，工业COD排放将得到有效控制。\frac{E}{I}表示技术水平和环境规制的综合效应，以单位工业增加值的COD排放量来衡量。技术水平的提高能够促进工业生产工艺的改进，降低单位工业增加值的COD排放。企业采用先进的清洁生产技术，能够减少生产过程中废水的产生量和COD的含量。环境规制强度的增强，如严格的环境标准、加强环境监管执法等，会促使企业加大环保投入，改进生产工艺，降低单位工业增加值的COD排放。一些地区提高了工业企业的COD排放标准，企业为了达标排放，纷纷投入资金引进先进的污水处理设备，提高废水处理能力，从而降低了单位工业增加值的COD排放。在基期0和报告期t之间，工业COD排放总量的变化\DeltaE=E^t-E^0，根据LMDI指数分解法，将其分解为经济规模效应\DeltaE_S、产业结构效应\DeltaE_{IS}、技术水平和环境规制综合效应\DeltaE_{EI}的贡献之和，即\DeltaE=\DeltaE_S+\DeltaE_{IS}+\DeltaE_{EI}。各效应的计算公式如下：经济规模效应\DeltaE_S=L(E^t,E^0)\times\frac{\lnS^t-\lnS^0}{\lnE^t-\lnE^0}产业结构效应\DeltaE_{IS}=L(E^t,E^0)\times\frac{\ln(\frac{I}{S})^t-\ln(\frac{I}{S})^0}{\lnE^t-\lnE^0}技术水平和环境规制综合效应\DeltaE_{EI}=L(E^t,E^0)\times\frac{\ln(\frac{E}{I})^t-\ln(\frac{E}{I})^0}{\lnE^t-\lnE^0}其中，L(E^t,E^0)为对数平均权重函数，其定义为：L(E^t,E^0)=\frac{E^t-E^0}{\lnE^t-\lnE^0}（当E^t\neqE^0时）；当E^t=E^0时，L(E^t,E^0)=E^t=E^0。通过计算各效应的值，可以明确经济规模、产业结构、技术水平和环境规制等因素在不同时期对江苏省工业COD排放变化的贡献程度，为制定针对性的减排政策提供依据。5.3实证结果与分析5.3.1总体分解结果运用构建的LMDI影响因素分解模型，对2010-2024年江苏省工业COD排放总量的变化进行分解，得到经济规模效应、产业结构效应、技术水平和环境规制综合效应的贡献结果，具体数据如表7所示。表7：2010-2024年江苏省工业COD排放影响因素分解结果（单位：万吨）时期经济规模效应（\DeltaE_S）产业结构效应（\DeltaE_{IS}）技术水平和环境规制综合效应（\DeltaE_{EI}）工业COD排放总量变化（\DeltaE）2010-2013年[X31][X32][X33][X8-X7]2014-2017年[X34][X35][X36][X91-X8]2018-2021年[X37][X38][X39][X92-X91]2022-2024年[X40][X41][X42][X9-X92]在2010-2013年期间，江苏省工业COD排放总量呈上升趋势，经济规模效应的贡献值为[X31]万吨，是导致工业COD排放增加的主要因素。这一时期，江苏省经济处于快速发展阶段，工业增加值持续增长，工业生产规模不断扩大，从而带动了工业COD排放的增加。在制造业领域，随着汽车制造、电子信息等产业的扩张，相关企业的生产活动增多，废水排放量和COD排放也相应上升。产业结构效应的贡献值为[X32]万吨，表明产业结构中高污染行业比重的增加对工业COD排放有一定的推动作用。纺织业、化学原料及化学制品制造业等行业在产业结构中占比较大，这些行业的发展导致了工业COD排放的上升。技术水平和环境规制综合效应的贡献值为[X33]万吨，虽然该效应在一定程度上抑制了工业COD排放的增长，但由于经济规模和产业结构的正向影响较大，总体上工业COD排放仍呈现上升趋势。2014-2017年，工业COD排放总量开始下降，经济规模效应的贡献值为[X34]万吨，依然为正值，但增长幅度相对减小。这说明经济规模的增长对工业COD排放的推动作用在减弱，尽管工业增加值仍在增长，但随着产业结构调整和技术进步等因素的影响，经济规模增长对工业COD排放的影响逐渐受到抑制。产业结构效应的贡献值为[X35]万吨，为负值，表明产业结构的优化升级对工业COD排放起到了明显的抑制作用。在这一时期，江苏省加大了产业结构调整力度，高污染、高耗能产业的比重逐渐下降，低污染、高附加值产业得到快速发展，从而减少了工业COD排放。技术水平和环境规制综合效应的贡献值为[X36]万吨，为负值且绝对值较大，说明技术进步和环境规制强度的增强对工业COD排放的抑制作用显著。企业加大了对清洁生产技术和污染治理技术的研发和应用，政府加强了环境监管执法力度，提高了环境规制强度，这些措施共同作用，使得工业COD排放明显下降。2018-2021年，经济规模效应的贡献值为[X37]万吨，产业结构效应的贡献值为[X38]万吨，技术水平和环境规制综合效应的贡献值为[X3