2020, Vol. 41
2. 中国科学院地球环境研究所气溶胶化学与物理重点实验室, 西安 710061;
3. 陕西师范大学地理科学与旅游学院, 西安 710119
2. Key Laboratory of Aerosol Chemistry and Physics, Institute of Earth Environment, Chinese Academy of Sciences, Xi'an 710061, China;
3. School of Geography and Tourism, Shaanxi Normal University, Xi'an 710119, China
长江经济带发展作为关系新时代国家发展全局的重大战略, 是支撑中国经济持续增长的关键地带.但长期以来高强度的开发建设、高密度的人口产业布局和高排放的生产生活方式, 使区域内大气污染问题突出, 灰霾天气频发[1].灰霾不仅降低大气能见度, 影响人们的日常生活, 而且易通过呼吸进入人体循环系统, 危害人体健康[2].持续严重的灰霾还损害城市整体形象, 对招商引资、引进人才、发展旅游业等产生不利影响.灰霾污染已成为制约长江经济带实现可持续发展的重要因素.
PM2.5是造成灰霾的主要元凶[3], 探讨PM2.5浓度的影响因素, 为PM2.5污染防控提供理论依据已成为近年来学界研究的热点[4].国内外学者通过对PM2.5的物质组成[5, 6]、化学转化机制[7]、排放清单[8]、来源解析[9]和大气传输[10]等研究已认识到, PM2.5主要来源于本地源排放, 包括机动车尾气、燃煤、工业生产、扬尘和生物质燃烧等一次源和气态污染物(如SO2、NOx和NH3等)经过复杂化学反应形成的二次源, 此外还有部分来源于区域传输, 因此局地PM2.5浓度变化是自然因素和人为因素综合作用的结果.为定量分析自然因素和社会经济因素对长江经济带PM2.5浓度的影响, 学者们采用相关分析[11]、土地利用回归模型[12]、广义可加模型(generalized additive model, GAM)[13]、地理加权回归分析(geographically weighted regression, GWR)[14]、灰色关联模型[15]和空间计量模型[16, 17]等方法, 从不同时空尺度做了广泛地研究.一般认为, 经济快速增长、人口规模扩大、城镇化和工业化快速推进及不合理地能源消费结构是PM2.5浓度上升的内因, 气象条件、植被和地形地貌等自然因素对PM2.5的二次生成、累积、转输、扩散和沉降有重要作用, 也深刻影响着局地PM2.5浓度.
国内外学者在长江经济带PM2.5影响因素研究方面虽取得了较为丰硕的成果, 但仍存在诸多薄弱环节：①研究时段多集中在2013年以来, 对长时间序列的研究关注较少.目前对长江经济带PM2.5的研究主要采用实时监测数据, 由于国内大气环境监测系统2012年才将PM2.5纳入监测指标体系, 长江经济带大范围的PM2.5实时监测2013年才陆续开展, 因此以2013年以前PM2.5浓度为研究对象的研究相对较少, 利用遥感数据做长时间序列研究也仅限于局部地区[14]. 2000~2013年长江经济带城镇化、工业化发展迅猛, 城镇化率由36.22%上升到51.72%, 年均增加1.41%, 是空气质量恶化最快的阶段, 研究该时段PM2.5浓度的空间演变过程及影响因素对全面认识经济快速增长对PM2.5浓度的影响具有重要意义.②已有研究多采用全局统计的方法, 回归方程很大程度上表现为所有关系的混合平均值, 针对影响因素空间非平稳性的研究相对较少.而不同地区, 由于自然条件和社会经济条件组合不同, 各因素对PM2.5浓度的影响不尽相同.本文基于2000~2016年PM2.5遥感反演数据, 利用探索性空间数据分析、传统线性回归模型和GWR等方法, 研究长江经济带PM2.5浓度的空间演化过程, 揭示不同时期自然和社会经济因素对PM2.5浓度影响的空间非平稳性, 以期为长江经济带PM2.5污染治理及治理政策的实施提供科学依据.
1 材料与方法 1.1 数据来源PM2.5年均浓度数据来源于大气成分分析组织(ACAG)发布的全球地面PM2.5浓度数据(http://fizz.phys.dal.ca/~atmos/martin/?page_id=140).该数据将美国国家航天局(NASA)中等分辨率成像光谱仪(MODIS)、多角度成像光谱仪(MISR)和海洋观测宽视场传感仪(SeaWIFS)反演得到的气溶胶光学厚度(AOD)产品与地球化学传输模型(GEOS-Chem)相结合, 模拟得到全球PM2.5年均浓度, 再利用GWR与地面实测数据交互验证[18].是目前为止全球覆盖面积最大、时间跨度最长、精度最高的PM2.5遥感反演数据, 在我国已得到广泛验证和有效应用[19, 20].为验证该数据集在长江经济带的精度, 通过全国城市空气质量实时发布平台(http://106.37.208.233:20035/)获取了2015~2016年长江经济带实时监测数据, 在按《环境空气质量标准》(GB 3095-2012)和《环境空气质量评价技术规范(试行)》(HJ 663-2013)进行严格的数据有效性筛选后, 计算了各站点的年均浓度, 并与相应位置的PM2.5浓度遥感反演数据做相关分析.二者相关系数达0.827, 具有显著相关性, 表明该数据集能满足地区尺度PM2.5的研究要求.
根据相关研究梳理[11~17, 19]及数据易获取的原则, 选取了对PM2.5影响较大的经济密度、人均GDP、二产比重、人口密度、城镇化率、能源消费指数、年均气温、降水量、平均风速、相对湿度和植被覆盖度等11个因子为解释变量.社会经济数据来源于文献[21], 部分缺失的采用相应省市统计年鉴补充.能源消费指数包括工业生产、日常生活、交通运输等消耗的石油、煤、生物质等能源, 有研究表明夜间灯光数据与能源消费显著线性相关[22, 23], 本文使用夜间灯光数据间接反映能源消费情况, 原始数据来源于美国国家海洋和大气管理局(NOAA)(https://www.ngdc.noaa.gov).气象数据来源于中国气象数据网(http://data.cma.cn/)发布的中国地面气候资料月值数据集, 原始数据已经过严格的质量控制和检查.植被覆盖度用归一化植被指数(NDVI)表示, 数据来源于美国国家航空和宇航局(NASA)(http://modis.gsfc.nasa.gov/).
1.2 评价标准PM2.5空气质量评价标准按《环境空气质量指数(AQI)技术规定(试行)》(HJ 633-2012)执行.PM2.5年均浓度一级和二级限值分别为15μg·m-3和35μg·m-3, 对应空气质量分别为优和良, 超过35μg·m-3为超标.
1.3 研究方法 1.3.1 探索性空间数据分析地理学第一定律认为地理事物或属性的空间分布具有相关性, 且距离越近相关性越强[24].探索性空间数据分析是一种揭示数据空间结构的分析方法, 可识别空间数据的集聚模式和异常情况, 常用全局空间自相关和局部空间自相关两种方法来测度.
全局空间自相关分析主要用来判断地理事物或属性的分布是否具有集聚现象, 常用全局Moran's I来测度, 计算公式如下[17]：
|
(1) |
式中, ωij为空间权重矩阵, 相邻为1, 不相邻为0; xi和xj为位置i和j的属性值; 
局部空间自相关分析用于进一步揭示局部空间单元在相邻空间上的自相关性, 常用局部Moran's I测度, 计算公式如下[17]：
|
(2) |
式中, Ii表示位置i的局部Moran's I, 其余符号含义同公式(1).Ii>0表示属性值相似的地区相临近(高高集聚或低低集聚); Ii < 0表示属性值差异较大的地区相临近(高低集聚或低高集聚).本文将高高集聚的区域称为热点, 低低集聚区域称为冷点.
全局Moran's I和局部Moran's I的显著性均采用标准化统计量Z检验.
1.3.2 GWR传统线性回归模型是随机变量(y)与确定性变量(x1, x2, …, xn)的多元线性函数[25]：
|
(3) |
式中, yi是位置i的属性值; β0为回归截距; βk为第k个解释变量的回归系数; xik为第k个解释变量在位置i的值; k为解释变量记数; εi为模型误差项.模型参数估计一般采用经典的普通最小二乘法(OLS), 它假定回归参数与样本的空间位置无关, 即变量间的关系是同质的.忽略了变量的空间非平稳性, 可能掩盖局部的影响特征, 所得结论可能出现偏差.
GWR是一种局部统计方法, 将数据的空间位置嵌入到回归参数中, 以探索被解释变量与解释变量在空间上的变化关系, 有效地解决了空间非平稳性[4], 所得结果往往更符合实际.GWR的基本形式如下[25]：
|
(4) |
式中, (ui, vi)为位置i的中心坐标; βk(ui, vi)为位置i第k个变量的回归系数; β0(ui, vi)、εi分别为模型在位置i的截距和误差项.
1.4 数据预处理由于气象数据为点状, 能源消费指数和NDVI为栅格数据, 建模前需按评价单元进行匹配和统计.为此, 首先使用Aunspline软件将气象指标插值成栅格, 再利用ArcGIS 10.2分区统计功能对栅格数据按评价单元进行分区统计.其中能源消费指数做求和运算, 代表能源消费总量, 其余变量求平均值.
选取的解释变量可能存在多重共线性关系, 会造成信息冗余, 影响回归模型的估计结果, 建模前应将这些变量剔除.本文使用方差膨胀因子(VIF)诊断解释变量的多重共线性, 阈值设为7.5, 将VIF大于7.5的变量剔除.结果表明(表 1), 2000、2007和2016年人均GDP和能源消费指数的VIF均超过7.5, 予以剔除. 2000年经济密度的VIF虽然也超过7.5, 但其主要与人均GDP、能源消费指数存在共线性关系, 将这两个变量剔除后再计算, 经济密度的VIF值小于7.5.因此, 模型最终使用的解释变量为经济密度、二产比重、人口密度、城镇化率、年均气温、降水量、平均风速、相对湿度和植被覆盖度等9个变量.此外, 为使数据符合正态分布, 消除模型异方差性, 建模前对解释变量和被解释变量进行Z-score标准化处理.
|
表 1 影响因素多重共线性诊断结果 Table 1 Results of multicollinearity test of influencing factors |
2 结果与讨论 2.1 PM2.5浓度时间变化特征
2000~2016年, 长江经济带PM2.5年均浓度先升后降(图 1).其中, 2000~2007年为上升阶段, 年均浓度由27.2μg·m-3上升至44.1μg·m-3, 年均增加2.4μg·m-3. 2003年开始年均浓度超过二级标准限值(35μg·m-3), PM2.5污染持续恶化的趋势非常明显. 2008~2016年为波动下降阶段, 年均浓度在经历了2010和2013年的波动起伏后, 2016年已下降到33.6μg·m-3, 年均下降1.2μg·m-3.可见, 2007年是长江经济带PM2.5污染由持续恶化向趋于改善的重要“拐点”.可能是因为国家“十五”提出的主要污染物排放总量控制、加快产业结构调整、转变经济发展方式及建立节能降耗、污染减排的统计、监测和考核体系和制度等政策初见成效.尤其是2013年国务院批复实施《大气污染防治行动计划》以来, PM2.5污染改善趋势更加明显, 2016年PM2.5年均浓度已低于二级标准限值, 为2003年以来首次低于该限值. 2010年PM2.5浓度出现小幅反弹, 可能是因为2008年国际金融危机全面暴发后, 国家推出了进一步扩大内需、促进经济平稳较快增长的十项措施, 到2010年底累计投资4万亿元开展了大规模的基础设施建设.由于政策影响的滞后性, 2010年PM2.5浓度出现反弹. 2013年和2014年PM2.5浓度也出现反弹, 除政策因素外, 可能还与极端气候有关. 2013年和2014年小风日数(风速≤2 m·s-1)多, 气象条件不利于大气污染物扩散.如2014年全国平均风速为1.9 m·s-1, 小风日数达237 d, 全国共出现13次大范围、持续性霾过程[26].
|
图 1 2000~2016年长江经济带PM2.5浓度的年际变化 Fig. 1 Inter-annual variations of PM2.5 concentration in the Yangtze River economic belt from 2000 to 2016 |
为进一步了解PM2.5的变化特征, 将PM2.5年均浓度划分为9个区间, 分析各区间内栅格占比的变化情况(图 2).从图 2可见, 以2007年为拐点, 2000~2016年PM2.5年均浓度≤35μg·m-3(二级标准限值)的栅格比例经历了先降后升的过程, 由2000年的85.2%下降到2007年的48.4%后, 2016年回升至76.9%.其中PM2.5年均浓度≤15μg·m-3(一级标准限值)的栅格比例由2000年的31.3%下降到2007年的20.6%后, 2016年上升至24.3%.而年均浓度>35μg·m-3的栅格比例则经历了先升后降的过程, 由2000年的14.8%上升到2007年的51.6%后, 2016年下降至23.1%.可见2007年以来, PM2.5空气质量确有提高.但PM2.5污染仍未获得根本性改善, 与2000年相比, 2016年有73.3%的栅格PM2.5浓度上升, 其中有22.3%的栅格增幅在50%以上, PM2.5污染治理仍面临严峻挑战.
|
图 2 2000~2016年长江经济带PM2.5浓度分区间栅格比例变化情况 Fig. 2 Raster percentage of PM2.5 concentration by range in the Yangtze River economic belt from 2000 to 2016 |
计算2000~2016年各栅格PM2.5浓度的平均值, 用以反映长江经济带PM2.5浓度的分布格局(图 3).结果表明, PM2.5浓度分布总体表现为东部高西部低, 且城市群特征明显.东部的上海、江苏、浙江、安徽PM2.5浓度最高, 污染范围最广, 平均浓度为48.2μg·m-3, 远超二级标准限值.其中江苏、上海、安徽中北部和浙江北部已形成连片的PM2.5高污染区域, 浓度多在55μg·m-3以上, 是长江经济带分布面积最广、污染最严重的地区.中部湖南、湖北、江西次之, 平均浓度39.0μg·m-3, 大部分地区超过了二级标准限值.其中湖北中部和湖南北部等长江中游城市群核心区域污染最严重, 浓度多在50μg·m-3以上, 但分布范围和污染程度比东部小.西部的重庆、四川、贵州、云南浓度最低, 平均浓度19.9μg·m-3, 低于二级标准限值.其中成渝城市群污染相对较严重, 部分地区超过35μg·m-3.四川西部和云南北部则多在一级标准限值以下, PM2.5空气质量良好.
|
图 3 2000~2016年长江经济带PM2.5平均浓度的空间分布 Fig. 3 Spatial distribution of PM2.5 concentration in the Yangtze River economic belt |
为直观反映PM2.5浓度空间分布格局的演变过程, 图 4(a)~4(i)展示了不同年份PM2.5年均浓度的空间分布, 图 4(j)~4(l)分别列出了2000~2007、2007~2016和2000~2016年PM2.5年均浓度的变化幅度.由图 4可知, 在2000~2007年PM2.5浓度上升阶段, PM2.5污染范围分别由长三角城市群、长江中游城市群和成渝城市群的核心区快速向四周扩大, 且东部恶化的范围和强度大于中西部, 东部高西部低的空间格局进一步增强.东部地区PM2.5平均浓度由33.2μg·m-3上升到55.3μg·m-3, 上升了22.1μg·m-3.年均浓度>35μg·m-3的栅格比例由45.0%上升到87.4%, 除浙江南部外多超过了二级标准限值, 其中上海、江苏大部、安徽中北部和浙江北部年均浓度甚至超过60μg·m-3.中部地区次之, 年均浓度由28.1μg·m-3上升到47.2μg·m-3, 上升了19.1μg·m-3.年均浓度>35μg·m-3的栅格比例由22.7%上升到83.6%, 除湖北西部和江西南部外其余地区年均浓度多超标, 武汉等长江中游城市群核心区域已达55μg·m-3以上.西部地区年均浓度由14.9μg·m-3上升到22.1μg·m-3, 上升了7.2μg·m-3.年均浓度>35μg·m-3的栅格比例由1.2%上升到22.7%, 主要集中在四川盆地及贵州东部. 2007~2016年PM2.5浓度波动下降阶段, PM2.5污染范围收缩, 强度减弱.除江苏中北部和四川西南部部分地区年均浓度出现了1~5μg·m-3的上升外, 其余大部分地区出现了下降, 四川盆地、湖南、湖北东部、江西北部和浙江北部降幅最大, 降幅达15μg·m-3以上. 2016年, 东部年均浓度已降至46.3μg·m-3, 较2007年下降了9.0μg·m-3, 年均浓度>35μg·m-3的栅格比例为69.5%, 降低了17.9个百分点.中部年均浓度降至33.1μg·m-3, 较2007年下降了14.1μg·m-3, 年均浓度>35μg·m-3的栅格比例为36.1%, 下降了47.5个百分点.西部年均浓度降至15.9μg·m-3, 较2007年降低了6.2μg·m-3, 已接近2000年的浓度水平.年均浓度>35μg·m-3的栅格比例为1.9%, 下降了22.3个百分点, 超标地区收缩至以成都为中心的区域.综合来看, 2000~2016年, 东部的上海、江苏及安徽的中北部PM2.5空气质量恶化最严重, PM2.5浓度多上升了20μg·m-3以上; 其次是中部的江西及湖南的南部, PM2.5浓度上升了10~20μg·m-3; 其余地区变化幅度不大, 浙江、贵州、湖北西部和湖南北部则略有改善.
|
图 4 2000~2016年长江经济带PM2.5浓度的空间演变 Fig. 4 Spatial evolution of PM2.5 concentration in the Yangtze River economic belt from 2000 to 2016 |
鉴于2007年是PM2.5浓度变化的拐点, 且2000~2016年PM2.5污染范围主要围绕长三角城市群、长江中游城市群和成渝城市群扩展和收缩, 本文以2000、2007和2016年为时间断点来分析长江经济带PM2.5浓度空间集聚的变化特征, PM2.5浓度分布影响因素分析也主要针对这3个年份进行.空间自相关分析结果表明(表 2), 2000、2007和2016年PM2.5年均浓度全局Moran's I均大于0, 且通过了信度为99%的显著性检验.表明长江经济带PM2.5年均浓度空间分布存在显著的空间自相关, 即相似值趋于集聚分布.
|
|
表 2 长江经济带PM2.5年均浓度全局Moran's I Table 2 Global Moran's I of PM2.5 concentration in the Yangtze River economic belt |
进一步使用局部自相关分析探测PM2.5年均浓度集聚的具体区域(图 5).结果表明, PM2.5浓度集聚类型主要为高高集聚(热点)和低低集聚(冷点), 未出现高低集聚和低高集聚类型.由图 5可见, 3个年份的热点和冷点的位置变化不大.冷点主要分布在西部的云南、四川西部和南部及贵州西部, 表明这些区域PM2.5浓度较低, 是长江经济带持续稳定的PM2.5空气质量优良区.热点主要分布在中部和东部地区, 其中中部热点主要分布在长江中游城市群的核心区域, 东部热点主要分布在上海、江苏及安徽中北部和浙江北部, 表明这些区域是长江经济带持续稳定的PM2.5高污染区.
|
图 5 2000~2016年长江经济带PM2.5浓度空间集聚的演变 Fig. 5 Spatial agglomeration of PM2.5 concentrations in the Yangtze River economic belt from 2000 to 2016 |
为从全局上反映解释变量对长江经济带PM2.5浓度的影响并与GWR进行比较, 首先使用传统多元线性回归模型进行拟合, 模型参数用OLS估计(表 3).结果显示, 3个年份的模型均在99%水平下显著, 表明选定的解释变量均能较好地解释PM2.5浓度空间分布格局, 调整后的拟合优度(Adjusted R2)分别为0.454、0.599和0.634.
|
|
表 3 OLS模型回归结果1) Table 3 Results of the OLS model for PM2.5 concentration |
2000年模型拟合结果显示(表 3), 经济密度、人口密度、城镇化率、年均气温、降水量和平均风速对PM2.5浓度有显著影响, 其中降水量的作用方向为负, 其余指标为正, 基本符合理论预期.具体来看, 经济密度、人口密度和城镇化率有显著的正向影响, 这在全国[4, 27]、区域[14, 15, 17, 23]和城市[28]等不同尺度的研究已得到证实.城市是我国PM2.5的主要来源[29], 因而PM2.5污染具有经济发展、人口分布和城镇化发展指向性.二产比重系数未通过显著性检验, 表明产业结构对PM2.5的影响不大.这可能与长江经济带正处于经济转型期有关, 部分经济发达的城市产业结构调整虽取得了较大进展, 但总体对工业的依赖度仍较高, 产业结构调整的环境效应并未显现[30].气温对PM2.5的作用主要表现为2方面：一方面, 气温高一般边界层较高, 有利于污染物的对流扩散, 气温低则易形成静稳天气, 有利于PM2.5的累积[31], 这是冬季PM2.5浓度比夏季高的重要原因[20]; 另一方面, 较高的气温有利于光化学反应, 有利于气态污染物向PM2.5转换, 引起PM2.5浓度上升[32].气温呈显著的正向影响, 说明从空间分布上看, 气温对PM2.5的影响主要表现为促进气态污染物向PM2.5转换, 京津冀地区[23]和汾渭平原[33]也有类似的发现.降水对PM2.5有冲刷作用, 能显著降低PM2.5浓度[34], 因而对PM2.5浓度有显著的负向作用.一般说来, 风对污染物有显著的扩散作用, 且风速越大扩散效应越明显.但该模型评价结果中, 风的影响却是正向的, 这可能与2个方面的原因有关.一是与研究的空间尺度大小有关.从单个城市来看, 风的确是城市空气质量改善重要的因素, 尤其是北京等[28]污染严重的城市.从城市群尺度来看, 除核心城市外, 多数城市经济发展水平相近, 污染物排放量空间差异相对较小, 风速一般也与污染物浓度分布呈负相关关系[23].但长江经济带横跨东、中、西部, 经济发展水平和污染物排放量的东西差异很大, 2000年东、中、西部经济密度分别为631.0、174.2和74.2万元·km-2, 东部约为西部的8.5倍.受距海远近和地形的影响, 长江经济带年均风速总体也表现为东高西低, 2000年东、中、西部平均风速分别为2.6、1.6和1.3 m·s-1, 与经济发展水平分布格局大体一致, 两者在空间分布上有正相关关系.尽管风对污染物有一定的扩散作用, 但不足以改变PM2.5浓度的整体分布格局, 因而评价结果为正向影响.二是风对上风向城市大气污染物有扩散作用的同时, 也易使下风向城市污染物浓度升高[30], 部分下风向城市大气污染物浓度可能与风速呈正相关关系.理论上, 低覆盖度植被易引起扬尘, 高覆盖度植被则有利于PM2.5的吸收和沉降, 因而植被覆盖度对PM2.5浓度一般有负向作用[23, 33].较高的相对湿度有利于大气气溶胶粒子吸湿增长, 并向积聚模态转化, 促使PM2.5浓度上升[35]; 但相对湿度过高则利于PM2.5沉降, 引起PM2.5浓度下降.因此, 相对湿度在阈值范围内一般与PM2.5呈正相关关系, 超过阈值后则呈负相关关系[36].但NDVI、相对湿度的影响都不显著, 说明这2个因子对长江经济带PM2.5浓度的调节作用较小.
与2000年模型拟合结果不同, 2007年除经济密度、人口密度和城镇化率这3个社会经济因子有显著的正向影响外, 其余因子未通过显著性检验.可能原因在于, 2000~2007年是长江经济带工业化和城镇化高速发展的时期, 大气污染物排放量显著增多, PM2.5污染持续恶化, 社会经济因子对PM2.5浓度分布起支配作用, 自然因素的调节作用变得不明显. 2016年, 随着大气污染治理的加强, PM2.5浓度下降, 除年均气温和二产比重外, 其余因子的系数都通过了显著性检验.与2000年和2007年模型相同, 2016年经济密度、人口密度和城镇化率有显著的正向影响, 降水量有显著的负向影响.但2016年NDVI呈显著的负向影响, 说明植被对PM2.5的抑制作用已明显增强.这可能与我国植被的快速恢复和发展有关, 我国森林覆盖率已由2000年的16.56%上升到2016年的21.93%, 植被已成为PM2.5的重要抑制因素.
2.5.2 基于GWR模型的影响因素时空差异分析由于二产比重在3个年份的OLS模型都不显著, 不纳入GWR模型, 利用其余8个指标分别对2000、2007和2016年长江经济带PM2.5浓度分布的影响因素进行GWR模型拟合(表 4).结果表明, 3个年份的GWR模型的赤池信息量(AIC)分别为168.213、86.191和67.210, 显著小于OLS模型, Adjusted R2分别为0.873、0.925和0.937, 显著高于OLS, 可见GWR模型拟合结果显著优于OLS模型.
|
|
表 4 2000、2007和2016年GWR模型拟合结果 Table 4 Test result of the GWR model in 2000, 2007, and 2016 |
由GWR回归系数分布箱形图可知(图 6), 经济密度、人口密度和城镇化率等社会经济因子的回归系数在3个年份都主要为正值.其中人口密度系数的均值最大, 对PM2.5的影响最大; 经济密度系数的分布区间最长, 说明其空间差异最明显; 城镇化率的系数相对较小, 是社会经济因子中影响最小因子.降水量的回归系数主要为负, 说明降水对各地均有显著的抑制作用.其余因子的回归系数在正、负区间均有分布, 且不同年份差异较大, 其中NDVI、气温的分布区间最长, 时空异质性最明显.综合来看, OLS分析结果基本反映GWR分析结果的平均值, 但GWR能识别各影响因素的空间非平稳性.
|
图 6 GWR模型回归系数分布箱形图 Fig. 6 Box chart of coefficient distribution in the GWR model |
(1) 社会经济因素影响的时空分异(图 7)从时间变化来看, 2000~2007年, 社会经济因子的回归系数总体变大, 尤以人口密度和城镇化率最为明显.表明在此期间, 由于经济发展方式较为粗放, 人类活动强度的增强加剧了PM2.5的污染. 2007~2016年, 社会经济因子的回归系数总体减小, 说明随着长江经济带经济发展方式转型及污染治理工作的推进, 环境随经济发展而恶化的趋势已得到遏制.但回归系数并未转负, 则说明经济发展的环境效应并未显现, 这与杨冕等[16]的研究结论一致.从空间变化来看, 3个社会经济因子表现出不同的特征.经济密度的回归系数在2000、2016年总体表现为西部高中东部低, 在2007年则相反.说明在PM2.5浓度较低时, 经济相对落后的地区PM2.5对经济发展水平更敏感.可能原因在于西部地区的发展方式更粗放, 经济发展的环境代价更高, 根据黄磊等[37]的研究, 长江下游、中游和上游地区的工业绿色发展效率呈明显的梯度递减格局. 2007年中东部地区经济密度回归系数更高, 则是中东部地区PM2.5污染恶化更快的原因之一.人口密度的回归系数在3个年份的空间分布大体相同, 均由内陆地区向沿海递减, 其中2000、2007年东西差异最明显, 2016年趋于均质.表明人口越稀疏的地区, 人口密度对PM2.5浓度分布的影响越明显, 这也从另一个侧面说明西部地区经济发展方式更粗放.城镇化率的回归系数在3个年份的时空分异都较小且主要为正值, 说明城镇化是造成PM2.5浓度上升的较稳定的影响因素.
|
图 7 2000、2007和2016年长江经济带PM2.5影响因素回归系数分布 Fig. 7 Spatial distributions of the coefficients of the GWR models in the Yangtze economic belt in 2000, 2007, and 2016 |
(2) 自然因素影响的时空分异(图 7) NDVI的负向作用主要表现在中东部, 且2000~2016年回归系数的绝对值逐渐增大, 说明植被对PM2.5的抑制作用随着森林覆盖率的提高已逐渐增强.平均气温和平均风速对PM2.5的影响规律大体一致, 主要表现为：中西部以正向为主, 且回归系数由中部向西部递减; 东部以负向为主, 且越靠近沿海负向影响越大, 以2007和2016年最为典型.这可能与地形和季风的影响有关, 沿海地区多为冲积平原, 地形平坦, 受季风和气温差异引起的局地环流的影响, 来自海洋的洁净空气对污染物有重要的稀释作用, 因而系数主要为负.而中西部地区, 尤其是四川盆地由于受封闭地形的影响, 限制了气流的扩散作用, 风的传输使区域内污染物相互影响, 因而回归系数主要为正, 在同为盆地地形的汾渭平原[33]也有类似的发现. 3个年份降水量对PM2.5的负向作用都由沿海向内地递减.可能原因在于, 沿海地区PM2.5浓度最高, 降水量也比内陆大, 因而降水对PM2.5的冲刷作用也更明显.总体来看, 相对湿度对长江经济带PM2.5的影响不大, 其时空分异也没有明显的规律.
3 结论(1) 长江经济带PM2.5浓度分布总体呈东部高西部低的态势, 且城市群污染特征明显.其中江苏、上海、安徽中北部和浙江北部是长江经济带连续分布面积最广、污染最严重的区域, 长江中游城市群、成渝城市群次之, 四川西部和云南北部则是PM2.5空气质量优良区.
(2) 2000~2016年, 长江经济带PM2.5年均浓度先升后降, 2007年是PM2.5污染由持续恶化向趋于改善的“拐点”. 2000~2007年年均浓度由27.2μg·m-3上升至44.1μg·m-3, 年均浓度超标的栅格比例由14.8%上升到51.6%. 2008~2016年PM2.5浓度波动下降至33.6μg·m-3, 超标栅格比例降至23.1%.
(3) 2000~2007年PM2.5浓度上升阶段, PM2.5污染范围分别由长三角城市群、长江中游城市群和成渝城市群的核心区快速向四周扩大, 且东部恶化的范围和强度大于中西部, 东部高西部低的空间格局进一步增强. 2007~2016年PM2.5波动下降阶段, PM2.5污染范围收缩、强度减弱, 其中四川盆地、湖南、湖北东部、江西北部和浙江北部降幅最大.
(4) 自然因素与社会经济因素对PM2.5浓度分布的影响具有时空差异性.其中社会经济因素主要呈正向影响; 自然因素中, 降水量主要呈负向影响, 其余因子的影响大小和作用方向均随着时间和空间的变化而变化.
| [1] |
严翔, 成长春, 易高峰, 等. 长江经济带城镇化对能源消费的经济门槛效应[J]. 经济地理, 2019, 39(1): 73-81. Yan X, Cheng C C, Yi G F, et al. Economic threshold effect of urbanization on energy consumption:take the Yangtze River Economic Zone as an example[J]. Economic Geography, 2019, 39(1): 73-81. |
| [2] | Sofowote U M, Su Y S, Dabek-Zlotorzynska E, et al. Constraining the factor analytical solutions obtained from multiple-year receptor modeling of ambient PM2.5 data from five speciation sites in Ontario, Canada[J]. Atmospheric Environment, 2015, 108: 151-157. |
| [3] | Li M N, Zhang L L. Haze in China:current and future challenges[J]. Environmental Pollution, 2014, 189: 85-86. |
| [4] |
段杰雄, 翟卫欣, 程承旗, 等. 中国PM2.5污染空间分布的社会经济影响因素分析[J]. 环境科学, 2018, 39(5): 2498-2504. Duan J X, Zhai W X, Cheng C Q, et al. Socio-economic factors influencing the spatial distribution of PM2.5 concentrations in China:an exploratory analysis[J]. Environmental Science, 2018, 39(5): 2498-2504. |
| [5] | Turpin B J, Cary R A, Huntzicker J J. An in situ, time-resolved analyzer for aerosol organic and elemental carbon[J]. Aerosol Science and Technology, 1990, 12(1): 161-171. |
| [6] |
刘可可, 张红, 刘桂建. 合肥市PM2.5和PM10中元素组成特征及重污染成因分析[J]. 环境科学, 2019, 40(8): 3415-3420. Liu K K, Zhang H, Liu G J. Elemental composition characteristics of PM2.5 and PM10, and heavy pollution analysis in Hefei[J]. Environmental Science, 2019, 40(8): 3415-3420. |
| [7] | Zhao X J, Zhao P S, Xu J, et al. Analysis of a winter regional haze event and its formation mechanism in the North China Plain[J]. Atmospheric Chemistry and Physics, 2013, 13(11): 5685-5696. |
| [8] |
陈国磊, 周颖, 程水源, 等. 承德市大气污染源排放清单及典型行业对PM2.5的影响[J]. 环境科学, 2016, 37(11): 4069-4079. Chen G L, Zhou Y, Cheng S Y, et al. Air pollutant emission inventory and impact of typical industries on PM2.5 in Chengde[J]. Environmental Science, 2016, 37(11): 4069-4079. |
| [9] | Jiang C, Wang H, Zhao T L, et al. Modeling study of PM2.5 pollutant transport across cities in China's Jing-Jin-Ji region during a severe haze episode in December 2013[J]. Atmospheric Chemistry and Physics Discussions, 2015, 15(3): 3745-3776. |
| [10] |
王晓琦, 郎建垒, 程水源, 等. 京津冀及周边地区PM2.5传输规律研究[J]. 中国环境科学, 2016, 36(11): 3211-3217. Wang X Q, Lang J L, Cheng S Y, et al. Study on transportation of PM2.5 in Beijing-Tianjin-Hebei (BTH) and its surrounding area[J]. China Environmental Science, 2016, 36(11): 3211-3217. |
| [11] |
赵子菁, 魏永杰, 张祥志, 等. 南京市霾天气与主要气象条件的相关分析[J]. 中国环境科学, 2015, 35(12): 3570-3580. Zhao Z J, Wei Y J, Zhang X Z, et al. The correlation analysis of Nanjing haze days and meteorological factors[J]. China Environmental Science, 2015, 35(12): 3570-3580. |
| [12] |
吴健生, 廖星, 彭建, 等. 重庆市PM2.5浓度空间分异模拟及影响因子[J]. 环境科学, 2015, 36(3): 759-767. Wu J S, Liao X, Peng J, et al. Simulation and influencing factors of spatial distribution of PM2.5 concentrations in Chongqing[J]. Environmental Science, 2015, 36(3): 759-767. |
| [13] |
贺祥, 林振山. 基于GAM模型分析影响因素交互作用对PM2.5浓度变化的影响[J]. 环境科学, 2017, 38(1): 22-32. He X, Lin Z S. Interactive effects of the influencing factors on the changes of PM2.5 concentration based on GAM model[J]. Environmental Science, 2017, 38(1): 22-32. |
| [14] |
吴浪, 周廷刚, 温莉, 等. 基于遥感数据的PM2.5与城市化的时空关系研究——以成渝城市群为例[J]. 长江流域资源与环境, 2018, 27(9): 2142-2152. Wu L, Zhou T G, Wen L, et al. Study on spatio-temporal relationship between PM2.5 and urbanization based on remote sensing data——a case study of Chengdu-Chongqing urban agglomeration[J]. Resources and Environment in the Yangtze Basin, 2018, 27(9): 2142-2152. |
| [15] |
贺祥, 林振山, 刘会玉, 等. 基于灰色关联模型对江苏省PM2.5浓度影响因素的分析[J]. 地理学报, 2016, 71(7): 1119-1129. He X, Lin Z S, Liu H Y, et al. Analysis of the driving factors of PM2.5 in Jiangsu province based on grey correlation model[J]. Acta Geographica Sinica, 2016, 71(7): 1119-1129. |
| [16] |
杨冕, 王银. 长江经济带PM2.5时空特征及影响因素研究[J]. 中国人口·资源与环境, 2017, 27(1): 91-100. Yang M, Wang Y. Spatial-temporal characteristics of PM2.5 and its influencing factors in the Yangtze River Economic Belt[J]. China Population, Resources and Environment, 2017, 27(1): 91-100. |
| [17] |
汪聪聪, 王益澄, 马仁锋, 等. 经济集聚对雾霾污染影响的空间计量研究——以长江三角洲地区为例[J]. 长江流域资源与环境, 2019, 28(1): 1-11. Wang C C, Wang Y C, Ma R F, et al. Impact of economic agglomeration on pollution of smog based on spatial econometric model:the case study of Yangtze River delta[J]. Resources and Environment in the Yangtze Basin, 2019, 28(1): 1-11. |
| [18] | Van Donkelaar A, Martin R V, Brauer M, et al. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites, models, and monitors[J]. Environmental Science & Technology, 2016, 50(7): 3762-3772. |
| [19] |
周亮, 周成虎, 杨帆, 等. 2000~2011年中国PM2.5时空演化特征及驱动因素解析[J]. 地理学报, 2017, 72(11): 2079-2092. Zhou L, Zhou C H, Yang F, et al. Spatio-temporal evolution and the influencing factors of PM2.5 in China between 2000 and 2011[J]. Acta Geographica Sinica, 2017, 72(11): 2079-2092. |
| [20] | Xie R, Sabel C E, Lu X, et al. Long-term trend and spatial pattern of PM2.5 induced premature mortality in China[J]. Environment International, 2016, 97: 180-186. |
| [21] | 国家统计局城市社会经济调查司. 中国城市统计年鉴(2001, 2008, 2017年)[M]. 北京: 中国统计出版社, 2001. |
| [22] | Xie Y H, Weng Q H. World energy consumption pattern as revealed by DMSP-OLS nighttime light imagery[J]. GIScience & Remote Sensing, 2016, 53(2): 265-282. |
| [23] |
刘海猛, 方创琳, 黄解军, 等. 京津冀城市群大气污染的时空特征与影响因素解析[J]. 地理学报, 2018, 73(1): 177-191. Liu H M, Fang C L, Huang J J, et al. The spatial-temporal characteristics and influencing factors of air pollution in Beijing-Tianjin-Hebei urban agglomeration[J]. Acta Geographica Sinica, 2018, 73(1): 177-191. |
| [24] | Tobler W R. A computer movie simulating urban growth in the Detroit region[J]. Economic Geography, 1970, 46(S1): 234-240. |
| [25] | Fotheringham A S, Charlton M, Brunsdon C. The geography of parameter space:an investigation of spatial non-stationarity[J]. International Journal of Geographical Information Systems, 1996, 10(5): 605-627. |
| [26] | 中国气象局. 2014年中国气候公报[R].北京: 中国气象局, 2014. |
| [27] | Han L J, Zhou W Q, Li W F, et al. Impact of urbanization level on urban air quality:a case of fine particles (PM2.5) in Chinese cities[J]. Environmental Pollution, 2014, 194: 163-170. |
| [28] | Han L J, Zhou W Q, Li W F. Fine particulate (PM2.5) dynamics during rapid urbanization in Beijing, 1973-2013[J]. Scientific Reports, 2016, 6: 23604. |
| [29] | Han L J, Zhou W Q, Li W F. City as a major source area of fine particulate (PM2.5) in China[J]. Environmental Pollution, 2015, 206: 183-187. |
| [30] |
黄小刚, 赵景波, 曹军骥, 等. 中国城市O3浓度时空变化特征及驱动因素[J]. 环境科学, 2019, 40(3): 1120-1131. Huang X G, Zhao J B, Cao J J, et al. Spatial-temporal variation of ozone concentration and its driving factors in China[J]. Environmental Science, 2019, 40(3): 1120-1131. |
| [31] |
徐鹏, 郝庆菊, 吉东生, 等. 重庆市北碚城区大气污染物浓度变化特征观测研究[J]. 环境科学, 2014, 35(3): 820-829. Xu P, Hao Q J, Ji Q S, et al. Observation of atmospheric pollutants in the urban area of Beibei district, Chongqing[J]. Environmental Science, 2014, 35(3): 820-829. |
| [32] |
沈利娟, 李莉, 吕升, 等. 2013年夏季嘉兴市一次光化学事件的观测分析[J]. 环境科学, 2014, 35(5): 1662-1670. Shen L J, Li L, Lü S, et al. Observation of a photochemical event in Jiaxing during summer 2013[J]. Environmental Science, 2014, 35(5): 1662-1670. |
| [33] |
黄小刚, 邵天杰, 赵景波, 等. 汾渭平原PM2.5浓度的影响因素及空间溢出效应[J]. 中国环境科学, 2019, 39(8): 3539-3548. Huang X G, Shao T J, Zhao J B, et al. Influence factors and spillover effect of PM2.5 concentration on Fen-wei Plain[J]. China Environmental Science, 2019, 39(8): 3539-3548. |
| [34] |
于彩霞, 邓学良, 石春娥, 等. 合肥地面气象要素对大气PM2.5、PM10的清除作用分析[J]. 环境科学学报, 2018, 38(12): 4620-4629. Yu C X, Deng X L, Shi C E, et al. The scavenging effect of surface meteorological elementsonPM2.5 and PM10 in Hefei[J]. Acta Scientiae Circumstantiae, 2018, 38(12): 4620-4629. |
| [35] |
宋明, 韩素芹, 张敏, 等. 天津大气能见度与相对湿度和PM10及PM2.5的关系[J]. 气象与环境学报, 2013, 29(2): 34-41. Song M, Han S Q, Zhang M, et al. Relationship between visibility and relative humidity, PM10, PM2.5 in Tianjin[J]. Journal of Meteorology and Environment, 2013, 29(2): 34-41. |
| [36] |
王祎頔, 王真祥. 上海市PM2.5浓度变化特征及其气象因子分析[J]. 干旱区地理, 2018, 41(5): 1088-1096. Wang Y D, Wang Z X. Characteristics of PM2.5 concentration variability and its meteorological factors in Shanghai[J]. Arid Land Geography, 2018, 41(5): 1088-1096. |
| [37] |
黄磊, 吴传清. 长江经济带城市工业绿色发展效率及其空间驱动机制研究[J]. 中国人口·资源与环境, 2019, 29(8): 40-49. Huang L, Wu C Q. Industrial green development efficiency and spatial driven mechanism in cities of the Yangtze River Economic Belt[J]. China Population, Resources and Environment, 2019, 29(8): 40-49. |