环境科学  2022, Vol. 43 Issue (3): 1190-1200   PDF    
引用本文
王丽丽, 刘笑杰, 李丁, 孙颖琦. 长江经济带PM2.5空间异质性和驱动因素的地理探测[J]. 环境科学, 2022, 43(3): 1190-1200.
WANG Li-li, LIU Xiao-jie, LI Ding, SUN Ying-qi. Geographical Detection of Spatial Heterogeneity and Drivers of PM2.5 in the Yangtze River Economic Belt[J]. Environmental Science, 2022, 43(3): 1190-1200.
长江经济带PM2.5空间异质性和驱动因素的地理探测
王丽丽, 刘笑杰, 李丁, 孙颖琦     
兰州大学资源环境学院, 兰州 730000
收稿日期: 2021-06-15; 修订日期: 2021-08-13
基金项目: 国家自然科学基金项目（41271141）；中央高校基本科研业务费专项（lzujbky-2017-it100）
作者简介: 王丽丽(1996~), 女, 硕士研究生, 主要研究方向为城市生态和可持续发展, E-mail: wanglili19@lzu.edu.cn
通信作者: 李丁, E-mail: liding@lzu.edu.cn
摘要: 基于地面站点监测数据，运用空间自相关分析和地理探测器等模型方法，探究了2018年长江经济带PM2.5污染的时空分异特征与驱动因素.结果表明：①长江经济带PM2.5浓度呈明显的夏低冬高、春秋居中的季节变化、U形月度变化和脉冲型逐日变化特征，低值区集中在上游的南岸地区，高值区位于中下游的江北地区；②流域PM2.5污染存在稳定的空间正相关，局部空间关联格局展现显著的HH型和LL型的空间趋同现象；③长江经济带PM2.5空间相关强度随地理距离的增大而减小，其空间自相关性阈值约为870 km，在该范围内PM2.5空间集聚性较为强烈；④自然和人文因子对PM2.5影响程度具有显著的空间差异性特征，海拔高度、地形起伏度和人口密度是长江流域PM2.5污染的高作用力影响因子.因子交互作用后对PM2.5污染解释力远超单因子，主导交互因子为产业结构∩海拔高度，反映出长江流域大气污染的驱动因素具有复杂性特征.
关键词: PM2.5      空间异质性      驱动因素      地理探测器      长江经济带     
Geographical Detection of Spatial Heterogeneity and Drivers of PM2.5 in the Yangtze River Economic Belt
WANG Li-li , LIU Xiao-jie , LI Ding , SUN Ying-qi     
College of Earth and Environmental Science, Lanzhou University, Lanzhou 730000, China
Abstract: Based on ground monitoring data, we explored the spatiotemporal characteristics and drivers of PM2.5 in the Yangtze River Economic Belt (YREB) in 2018 using spatial autocorrelation analysis and geodetector modeling methods. The results showed that: ① the PM2.5 concentration in the YREB posed the obvious characteristics of low values in summer and high values in winter, seasonal variation in spring and autumn, monthly U-shaped variation, and daily pulse variation. The low value area was mainly concentrated in the south bank of the upper reaches, whereas the high value area was located in the north of the middle-lower reaches of the YREB. ② PM2.5 pollution in the YREB had a stable positive spatial correlation, and the local association pattern showed a significant HH and LL spatial convergence. ③ The spatial correlation of PM2.5 in the YREB decreased with the increase in geographical distance, and its spatial autocorrelation threshold was approximately 870 km, within which the spatial agglomeration of PM2.5 pollution was strong. ④ The influences of natural and anthropogenic factors on PM2.5 had significant spatial differences. Altitude, relief, and population density were the high impact factors of PM2.5 pollution in the YREB. The interaction of factors had a far greater explanatory power on PM2.5 pollution than that of single factors. The dominant interaction factor was industrial structure ∩ altitude, which reflected the complexity of the drivers of air pollution in the YREB.
Key words: PM2.5      spatial heterogeneity      drivers      geodetector      Yangtze River Economic Belt     

近年来, 中国相继颁布了一系列环境保护法律法规, 采取了长期的大气防控措施, 使硫化物、氮化物和尘埃等污染物明显减少.然而随着城市能源使用方式的改变和机动车数量的快速增长, PM2.5(空气动力学直径小于2.5 μm的颗粒物)已成为国内的主要大气污染物, 并逐步成为影响区域经济社会可持续发展的重要障碍[1].有研究表明, PM2.5是造成灰霾天气的首要污染物, 因携带毒害物质, 在空气中滞留时间长、输送距离远等特性, 对人类健康和大气环境产生重要影响[2].PM2.5不仅降低大气能见度, 影响交通出行, 还能改变辐射平衡影响生态与气候变化[3].医学研究证实, PM2.5易损害人体免疫系统, 增加暴露人群发病率与死亡率[4]. 2013年国际癌症研究机构认定暴露于空气污染会增加罹患肺癌和膀胱癌的风险, 并首次将PM2.5列为人类致癌物[5]. 2017年中国仍有81%的人口生活在PM2.5超过世卫组织目标限值的地区, 约有85万人因PM2.5污染而过早死亡, 期间儿童肺炎患者数量急剧增加[6]. 2018年中国以PM2.5为首要污染物的天数占重度污染天数的60%.有关清洁空气的问题已经成为多方关注的热点话题.

当前, PM2.5的时空分布与驱动因素等环境问题受到国内外学界的广泛关注.其中, 针对PM2.5空间格局的研究主要通过识别其分布状态及空间效应提出环境应对政策, 并常用泰尔指数[7]、重力模型[8]、收敛性分析[9]、层次聚类分析[10]和空间自相关分析[11]等模型方法来揭示PM2.5的区域差异、空间分布与集聚规律.有研究表明, PM2.5受气象、地形和排放源强度的影响, 具有显著的时空变异性[12], 能借助大气环流或人类活动等外部力量扩散转移到邻近地区, 造成空间溢出效应[13].准确识别PM2.5驱动因素是合理制定相关环境政策和控制措施的基础和前提, 从方法论来看, 土地利用回归模型[14]、贝叶斯最大熵映射法[15]、灰色关联模型[16]、地理加权回归模型[17]、地理探测器[8, 18]和空间计量模型[11, 19, 20]等方法被应用于探究PM2.5的具体影响因素.一般认为, PM2.5与经济社会活动密切相关, 主要来源于汽车尾气、工业活动、土壤扬尘、生物质和煤炭燃烧等一次源, 以及其它气体污染物经复杂化学反应形成的二次源[21, 22].气象因素也是影响空气质量的关键因素, 在PM2.5的产生、积累、扩散和沉降过程中扮演着重要角色, 对京津冀和粤港澳大湾区的PM2.5浓度具有重要影响[23, 24].综合来看, 区域PM2.5浓度变化是自然要素与人为因素耦合作用的结果, 其中, 与人类活动有关的社会经济因素是PM2.5污染的内因, 气象环境条件则是影响地面PM2.5变化的外因.尽管这些因素具有较高的不确定性, 但甄别并量化它们与PM2.5之间的关系, 可以厘清PM2.5积累和消散的演化规律, 为精准制定区域空气污染减排策略提供科学指导.

长江经济带作为新时期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[25].但长期以来, 粗放型的经济增长方式与非生态的城镇化模式造成长江流域生态功能退化、空气质量恶化等环境问题日益严重[26].长江经济带是我国重要的工业走廊, 集聚着全国40%以上的造纸、化工以及70%以上的印染产业, 同时也是城市化快速推进的区域, 2018年城镇化率达59.5%.近年来长江中下游部分地区灰霾事件天数超过100 d, 个别城市甚至超过200 d[27]. 2017年长江流域140个监测城市中, 117个城市PM2.5浓度未达到国家二级标准, 在此背景下亟需开展灰霾防治模式与机制研究.然而, 我国现有灰霾天气研究多集中在东部地区和污染敏感型城市[28], 对长江流域大气污染研究相对较少.长江流域是我国生态环境污染防治攻坚的重点区域[29], 研究空气污染对流域生态文明建设和保障国家生态安全意义重大.鉴于此, 基于2018年PM2.5实时监测数据, 本文以长江经济带126个城市为研究单元, 综合运用空间自相关分析和地理探测器等模型方法探究PM2.5时空演化特征及驱动因素, 以期为长江经济带合理制定城市空气污染减排策略提供依据.

1 材料与方法 1.1 研究方法 1.1.1 空间自相关分析

空间自相关表示临近观测单元具有相似的变量取值, 常用于揭示区域变量的空间依赖性和空间异质性, 它分为全局测度和局部测度[30].本文采用经典的全局Moran's I指数作为考察长江经济带市域PM2.5污染空间自相关检验指标.计算公式为:

(1)

式中, xi和x为i城市PM2.5水平和区域PM2.5均值; n为空间单元数(126个); wij为空间权重矩阵; I取值[-1, 1], I>0(I < 0)为空间正(负)自相关, I≈0则分布随机.局部Moran's I在散点图中存在LL、LH、HL和HH这4种局部关联类型, 其中, LL(HH)为邻域间的空间正相关, 即PM2.5污染低(高)地区存在空间集聚效应; LH(HL)为邻域间为空间负相关, 即PM2.5低(高)污染地区被高(低)污染地区围绕.局部空间自相关能够刻画局域空间单元属性值的分布特征, 诊断集聚发生的位置, 通常由空间关联的局域指标LISA度量, 包括局部Moran's I、局部Geary's C和局部Getis-Ord G*等统计量[31].

1.1.2 地理探测器

地理探测器是探测空间分异并揭示背后驱动因子的一种新的统计学方法[32].此方法无线性假设, 基本原理是若自变量对因变量有重要影响, 其空间分布应具有相似性.公式如下:

(2)

式中, q为因子对PM2.5空间分异的影响力, 取值[0, 1], 值越大则该因子对PM2.5空间分异的影响越大, PM2.5空间差异的决定力通过各因子间的q值来识别. h(1, 2, …, L)为探测因子X的子区域数; L为变量的分层; Nh和N分别为区域h样本和总样本数; σh2和σ2分别为区域h的方差和总区域的方差.

此外, 交互作用探测用于检测两个因素结合时解释是增强还是减弱, 或者这些因素的解释是相互独立的. 计算PM2.5浓度的两个因子X1和X2值. 将q(X1)、q(X2)的值与q(X1∩X2)的交互值进行比较[32].

1.2 数据来源与处理

本文数据源主要由以下4个部分组成: ①PM2.5监测数据. 2018年1月1日至12月31日长江经济带城市PM2.5实时数据源自中国环境监测总站(http://www.cnemc.cn/), 并按照春(3~5月)、夏(6~8月)、秋(9~11月)和冬(1~2月、12月)划分四季; ②自然数据.包括年均气温、年降水量、植被覆盖度、地形起伏度和海拔高度等指标.其中, 归一化植被指数(NDVI)是反映地表植被覆盖状况的一种遥感指标, 能有效表征大范围内植被生长状态和过程[33], 原数据来源美国国家航空和宇航局(https://modis.gsfc.nasa.gov/).气温和降水等气象数据来自国家气象科学数据中心(http://data.cma.cn); 地形起伏度与海拔高度由数字高程模型(DEM)计算得到, 地形起伏度是基于ArcGIS软件平台以15×15邻域先计算整个研究区, 然后利用分区统计工具, 统计各市州空间单元的地形起伏度均值; DEM数据来源于资源环境科学与数据中心(http://www.resdc.cn/); ③社会经济数据.涵盖表征经济发展水平的人均GDP、表征人口集聚状况的人口密度、表征城市发展程度的城市化率, 表征产业结构的二产比重、表征能源消耗量的能源消费指数.其中, 能源消费指数涵盖生物质能和石油煤炭等能源类型的消费.有研究表明, VIIRS/DNB夜景灯光数据与能源消耗量呈显著线性相关[34].本文将灯光亮度转换成灰度像素值, 以各区域灰色像元平均值作为表征该地区能源消耗的指标[35].VIIRS/DNB平均灯光辐射数据集来源于美国国家海洋和大气管理局(https://www.ngdc.noaa.gov/), 其余指标来自2019年中国城市统计年鉴及相应的各地区国民经济和社会发展统计公报; ④基础地理信息数据.文中所使用行政边界以2019年行政区划为基准, 利用ArcGIS归并处理最终得到126个市域单元, 空间矢量图来自全国地理信息资源目录服务系统(https://www.webmap.cn/).表 1为解释变量的描述统计与相关性检验, 其中, 峰度与偏度表明部分变量数据不符合正态分布.相关系数是各解释变量与PM2.5的斯皮尔曼相关性检验结果, 可看到除年降水量和年均气温外, 剩余变量与PM2.5均存在显著的相关性.从相关系数正负性看出, 人文解释变量与PM2.5主要呈正相关, 自然解释变量多为负相关.此外, 空间自相关检验结果显示, 解释变量的Moran's I值均通过了1%显著性检验, 说明解释变量存在显著空间关联性.图 1为所有变量的地图可视化展示, 以便清晰观察不同解释因子在空间上的集聚与分布态势.

表 1 解释变量的描述统计和相关性检验1) Table 1 Descriptive statistics and correlation test of explanatory variables

图 1 解释变量的空间分布示意 Fig. 1 Spatial distribution schematic diagram of explanatory variables

2 结果与分析 2.1 时序演变特征

图 2反映了2018年长江经济带PM2.5浓度随季节、月度和逐日的变化特征.具体来看: ①因大气扩散条件存在明显的季节变化, 相应的市域PM2.5浓度水平呈显著的夏低冬高、春秋居中的季节变化规律.其中, 夏、冬季节的平均ρ(PM2.5)分别为18.42 μg·m-3和45.69 μg·m-3, 春、秋季节的ρ(PM2.5)均值分别为29.34 μg·m-3和27.58 μg·m-3.冬季PM2.5浓度较高主要受取暖等的影响, 导致排放的污染物更多, 而且冬季大气低空易出现逆温层, 空气流通交换能力变弱, 排放的污染物被限制在浅层大气中, 并逐渐集聚成霾; ②PM2.5月均浓度呈U形起伏的变化规律, 1~7月为下降趋势, 7~12月为上升态势.其中, 1月ρ(PM2.5)最高, 达到50.12 μg·m-3, 2月和12月ρ(PM2.5)分别为46.12 μg·m-3和40.83 μg·m-3, 均高于35 μg·m-3国家二级年均浓度限值, 3~11月ρ(PM2.5)均在国家二级年均浓度限值35 μg·m-3以下, 且7月ρ(PM2.5)最低, 为16.40 μg·m-3; ③PM2.5日均浓度呈脉冲型起伏变化, 全年日均浓度整体为U形走势.其中, 春冬季PM2.5逐日变化波动周期较短但波幅较大, 夏秋季波动周期较长而波幅较小.期间, 日均ρ(PM2.5)极大值出现在2月, 为84.48 μg·m-3, 日均极小值出现在6月, 为11.86 μg·m-3, 全年PM2.5日均浓度超过国家一级浓度限值(35 μg·m-3)的比例为29.04%, 而大多数时间PM2.5日均值低于国家二级浓度限值(75 μg·m-3); ④长江经济带各省域单元PM2.5浓度水平存在较大差异, PM2.5年度值从高至低依次为: 安徽、湖北、江苏、湖南、重庆、上海、江西、浙江、贵州、四川和云南.综合来看, 长江经济带PM2.5浓度高值区主要分布在下游的皖、鄂和苏等省域, 这些地区具有快速工业化和大规模城市化的特征, 而PM2.5低值区则集中分布在上游的黔、川和滇等省域.

图 2 长江经济带PM2.5浓度演变特征 Fig. 2 Evolution characteristics of PM2.5 in the Yangtze River Economic Belt

2.2 空间分异特征

基于2018年的地面站点监测数据分析, 探讨长江经济带PM2.5浓度的季节性空间格局(图 3).PM2.5呈现明显的季节性空间分异特征, 具体来看: ①春秋季的PM2.5浓度分布格局基本一致, 大部分地区ρ(PM2.5)处于25~50 μg·m-3, 高于50 μg·m-3的主要为徐州、常州、镇江、宿迁、淮北和宿州等苏皖北部城市, 低于25 μg·m-3的城市主要分布在川西、云贵高原和浙东南部等地区; ②夏季PM2.5污染范围相对较小, 空气质量总体较好, 大部分地区ρ(PM2.5)低于25 μg·m-3, 而低于15 μg·m-3的城市分布在川西、云南和黔西南等地区; ③冬季PM2.5污染范围相对较大, 空气质量整体较差, 长江中下游平原地区是污染重灾区, 大部分地区ρ(PM2.5)高于50 μg·m-3, 而川西、云贵等地区的ρ(PM2.5)多处在15~35 μg·m-3, 整体空气质量有所下降; ④流域PM2.5的全局Moran's I指数显著为正且呈增加趋势, 表明市域PM2.5污染存在稳定的空间集聚规律, 即污染较高的城市趋于同污染较高的城市集聚分布, 污染较低的城市同污染较低的城市倾向于邻近分布, 呈现高低差异显著的两大阵营.此外, PM2.5污染具有明显的空间溢出效应, 意味着局地PM2.5浓度变化会影响到周边的地理区域, 因此在减少灰霾污染方面应具有全局视野.

图 3 长江经济带PM2.5浓度季节性特征 Fig. 3 Seasonal characteristics of PM2.5 in the Yangtze River Economic Belt

利用GeoDa软件计算2018年长江经济带逐月PM2.5浓度标准化值(STD_PM2.5)及其空间滞后量(LAG_PM2.5)来分析PM2.5空间自相关的时空演化特征.首先将运算得到的样本点(12个月份×126个城市=1 512)绘制成散点图, 相同月份的样点颜色一致, 并按照1~12月颜色由浅到深表示.图 4(a)显示, 拟合曲线斜率为正, 即市域PM2.5浓度的空间相关性为正, 说明PM2.5污染较高的城市将会对邻近城市空气环境质量产生消极影响.图 4(a)中浅色点到深色点的分布由发散转为相对集聚, 表明1月PM2.5空间分异较大, 夏季空间分异最小, 此后PM2.5的空间分异特征又逐渐明显.最后, 运用GS+软件计算不同门槛距离情况下PM2.5浓度的Moran's I指数.从图 4(b)可看到, 在一定范围内PM2.5空间自相关随地理距离的增大而减小, 长江经济带PM2.5的空间自相关阈值约为870 km, 在该区间内PM2.5空间集聚性较为明显.当地理空间距离超过该范围阈值后, PM2.5污染的空间溢出效应变得不再显著, 甚至转为负向影响效应, 市域间PM2.5污染逐渐呈现低-高或高-低的空间分布状态.这表明大气PM2.5在特定范围内能强有力地扩散或传输到其他区域, 具有较强的空间溢出效应.

图 4 长江经济带PM2.5的空间自相关演变特征 Fig. 4 Spatial autocorrelation characteristics of PM2.5 in the Yangtze River Economic Belt

为反映具体区域PM2.5污染集聚分布状态, 采用LISA集聚图刻画长江经济带PM2.5污染的局部空间关联特征(图 5).结果显示: ①PM2.5污染总体呈现出显著的HH型和LL型的空间俱乐部趋同现象, 其中, 高-高型聚类有27个, 占比为21.43%, 主要集中在长江中下游的鄂皖苏地区, 这些地区处在快速工业化和城市化进程, 能源密集型产业集聚发展, 资源要素流动频繁, 污染物排放量大, 易形成大气污染高集聚状态.低-低型聚类有22个, 比例为17.46%, 主要分布在川西、湘西和云贵等空气质量优良的少数民族地区, 这些区域地广人稀, 城市间作用较弱, 经济发展水平低, 污染排放量小, 生态环境对内稀释能力较强, 地形对外来污染物阻碍作用突出, 形成稳定的低值集聚区; ②图 5呈现出基本一致的PM2.5污染空间集聚特征, 其中, 空气质量较好的地区主要集中在长江上游的南岸, 而PM2.5污染重灾区位于中下游的江北地区, 且二者大致呈对角空间分布格局.

图 5 长江经济带PM2.5浓度的空间集聚格局 Fig. 5 Spatial agglomeration patterns of PM2.5 in the Yangtze River Economic Belt

2.3 PM2.5空间分异的驱动因素探测

PM2.5时空差异显著, 且空间自相关检验表明不同地理单元间存在明显的空间关联特征.综合考量研究区状况, 从人地关系地域系统耦合视角分析, 人文与自然因素非均衡交互作用下直接导致了长江流域PM2.5浓度的时空分异.因此, 本文利用地理探测器的因子探测与交互探测模块, 采用自然断点法对影响因子进行空间分类(图 1), 从社会经济与自然气象两方面探究长江经济带PM2.5污染空间分异的驱动因素.同时, 结合表 1中各解释变量与PM2.5的斯皮尔曼相关性检验, 以此弥补地理探测器无法探明影响因子正负效应的不足.风险因子探测显示, 探测因子多处在显著性水平, 即选取的影响因子可以较好解释流域PM2.5的时空分异格局.因子交互探测表明, 探测因子经交互作用后均增强了对PM2.5变异的解释程度, 说明流域大气PM2.5空间分异格局的形成是驱动因子共同作用的结果.此外, 为进一步揭示不同地区影响PM2.5浓度变化的主导因子, 依据文献[36]将长江经济带划分成上游、中游和下游3个片区, 其中, 上游包括川、渝、黔和滇等地区的47个单元, 中游包括鄂、湘和赣等地区的38个单元, 下游包括江、浙、沪和皖等地区的41个单元, 分别对各片区PM2.5年均浓度进行空间分异因子探测.

由表 2可知, 人文解释变量中各数值型探测因子对长江经济带PM2.5浓度主要表现正向效应, 自然解释变量中各数值型探测因子主要呈现负向效应, 且PM2.5污染的影响因子存在明显的地域差异性.另外, 无论是单一因子还是交互因子, 影响长江经济带、上游、中游和下游地区市域PM2.5污染的因子驱动力值不尽相同.此外, 利用地理探测器计算各影响因子间相互组合对市域PM2.5污染的影响力值q, 其中极大值即为主导交互因子.不难看出, 主导交互因子q值显然高于单一因子的q值, 交互作用明显, 全流域和各片区的主导交互因子存在显著差异.可见, 长江流域PM2.5浓度变化是多重要素共同作用的结果, 缓解各片区市域PM2.5污染恶化应采取多管齐下的减排与适应策略.具体地, 主导长江经济带整体PM2.5污染的因素为海拔高度(0.59)、地形起伏度(0.56)和人口密度(0.47), 主导交互因子为产业结构∩海拔高度(0.77).长江流域内部包括平原、丘陵、盆地和高原等多种地形特征, 地势起伏海拔落差较大, 而人口与产业布局主要集中在地势平坦的平原地区, 因此起伏度较小的低地平原PM2.5浓度往往高于起伏度较大的周边山区.人口稠密将直接导致生产和生活区域空气污染物排放的增加, 此期间长江流域大气污染治理力度仍显薄弱, 使得人口密度对城市空气质量的影响强度较为显著.

表 2 长江经济带及分区PM2.5浓度影响因子探测结果1) Table 2 Detection results of PM2.5 impact factors in the Yangtze River Economic Belt and its sub-regions

从各分区来看, 上游地区基本处于长江流域空气污染的低-低聚集区, 主导该地区市域PM2.5浓度分异的因素为人口密度(0.63)、海拔高度(0.57)、城市化水平(0.46), 主导交互因子为人均GDP∩海拔高度(0.91), 而植被覆盖度(0.07)和年降水量(0.16)处于较低影响力水平.上游地区的人口与产业主要集中在成渝经济区, 而周边中小城市特别是少数民族集聚区人烟稀少, 人口分布的极不均衡致使社会生产生活过程中PM2.5排放量的空间差异显著[17].此外, 成渝城市群处于快速扩张时期, 城市空间的增大延长了居民通勤时间, 促使私家车数量快速增长, 对汽车依赖增强使得能源消耗和废气排放显著增加.另一方面, 城市空间的扩张侵蚀了周围绿地, 绿地的减少和湿地的退化导致生态系统的自我调节功能下降, 而大量建筑施工扬尘进入空气环境中, 加剧市域灰霾污染.一般而言, 较好的植被覆盖有利于大气颗粒物的吸收和沉降, 而丰沛的降水对空气污染物具有冲刷作用, 能显著改善局域PM2.5污染[23].植被与降水对上游地区市域PM2.5空间异质性的影响效应相对较小, 可能是由于上游地区的年降水量与地表植被生长整体较为均衡且稳定, 对各市域单元低水平的颗粒物排放影响差异并不明显.

中游地区总体处于长江流域大气污染的高-高聚集区, 主导该地区市域PM2.5浓度分异的因素为年降水量(0.38)、产业结构(0.37)和年均气温(0.33), 主导交互因子为产业结构∩年均气温.工业源一直是大气灰霾的重要来源, 特别是重化工业份额过高的城市相较于以第三产业为主导的城市污染物排放量要高.长江中下游地区产业结构以化工能源、机械制造等资源能源密集型为主, 其直接产生的能耗较多, 排放大量有害气体及尘埃到空气中, 同时, 这些地区对原有产业模式发展的路径依赖性较强, 短时期内难以从根本上改变其产业结构的重型化特征, 致使该地区城市灰霾污染较为严重.已有研究表明, 气温高的大气边界层较高, 有利于空气污染物的对流扩散, 降低局域PM2.5浓度水平, 但较高的气温促进气态污染物通过光化学反应向PM2.5转换, 引起PM2.5浓度增加[37].表 1的相关性检验显示气温呈显著的负向效应(-0.09), 说明气温对长江流域灰霾的影响整体表现为促进颗粒污染物的对流扩散.

下游地区整体处于长江流域灰霾污染的高-高聚集区, 主导该地区市域PM2.5浓度分异的因素为年均气温(0.58)、地形起伏度(0.57)、能源消费量(0.46), 主导交互因子为产业结构∩海拔高度(0.95), 而城市化水平(0.17)、产业结构(0.18)和人均GDP(0.21)处于较低影响力水平.地形起伏度总体为负向效应, 或许由于下游地区地势相对平坦, 为灰霾提供了较好的扩散条件, 而且下游沿海地区风速较强, 风速的增大也易于PM2.5的消散.化石燃料燃烧是灰霾污染的重要来源, 长江中下游地区近年来通过提高清洁绿色能源利用水平, 在一定程度上缓解能源化石消耗对环境的影响, 但由于传统能源结构较为单一、能源消费需求量大, 且主要锁定在以高污染的煤炭和碳密集化石燃料的现状在短期内难以改变, 同时该地区交通基础设施相对更加完善, 机动车辆增长及交通强度更高对能源的需求持续激增, 致使该区域灰霾更为严重[26].城市化、经济发展与产业结构对下游地区PM2.5空间异质性的影响效应相对较小, 原因可能是长三角地区城镇化进程趋于成熟, 城市建设用地与开发空间有限, 大规模城市建设基本停滞, 利于降低颗粒污染物的排放量.另外, 长三角地区产业结构以服务业为主, 产业结构较为稳定, 污染物排放量较低, 使得产业结构对该地区PM2.5的影响强度较弱.此外, 经济基础较好的长三角地区借助产业结构的优化与科技进步的带动, 区域内部城市的经济发展情况和周围环境基本协调.

3 讨论

提出新常态下灰霾防治的具有针对性的政策建议, 是本研究的落脚点.本文通过探测长江流域PM2.5影响因素, 发现自然因子显著性较高, 但自然因子弹性系数难以有较大地变动, 实则人文因子比自然因子的实际弹性更好.故面对显著的环境因素, 不能仅仅等风来, 更要找到有效的适应性措施, 如合理设计城市风道与道路绿带、加强水土保持与生态廊道建设、优化居住与工业布局等.另一方面, 人类不健康的生产方式是造成灰霾问题的根本原因, 从灰霾频发的社会经济根源着手, 严控人类活动的污染物排放, 实现人地关系协调发展是破解PM2.5污染问题的关键.据此, 提出以下政策建议.

3.1 构建区域间灰霾联防联控机制

大气污染具有典型的外部性, 地区间霾污染不仅受到自身污染物排放的影响, 且不可避免的要为周围地区的污染买单.虽然各地政府已尝试开展跨界污染治理行动, 但因落实不彻底、机制不健全等问题, 未能实现长期有效控制区域大气污染的目的.区域生态环境是一个有机整体, 灰霾治理不能各自为战, 在控制本地污染源排放的同时需打破行政界线, 协同防治区域霾污染.长江经济带PM2.5污染重灾区主要集中在成渝地区、武汉城市群及苏皖北部, 呈现以城市群为中心向外围梯度递减的空间分异特征, 因此要以高污染的城市群为重点, 统筹环境承载力与经济发展现状, 合理划定PM2.5红线, 适当提高减排目标, 强化排污监管问责机制; 其次, 建立互联互通的环境监测网络与联合执法机制, 为实现区域灰霾统一监测、环境信息共享以及突发事件应急响应提供技术支撑, 为处理边界污染违法行为和跨界重大污染纠纷等提供保障; 最后, 建立配套的灰霾防治成效评估考核体系, 通过中央的监督及经济带领导小组的考核评价加大地方政府的执行压力, 确保环保规划落到实处.

3.2 推动新型城镇化建设

城市是灰霾污染的主要前沿, 当前我国快速城市化进程所产生的副产物是区域灰霾频发的主要诱因, 妥善处理好两者间的关系是实现灰霾防治的有效途径.研究发现, 长江经济带城镇化对PM2.5的影响机制存在显著的空间差异, 各地区应量身制定合理的城镇化推进策略.上游地区多处在城市化加速阶段, 基础设施建设相对不足, 土地扩张欲望较强, 应注重优化建设用地结构以及有效控制城市扬尘污染; 中游地区应以产业和人口的城镇化效应为重要途径, 降低人口城镇化效应对灰霾的影响, 加强环境规划促进产业转型升级; 下游地区应树立绿色城市规划的理念, 着重关注城市内涵式发展, 适度推动产城融合.此外, 完善交通运输网络, 积极发展城市公共交通, 倡导低碳出行方式, 推动新能源汽车普及, 从而减少因交通拥堵和机动车尾气排放产生的颗粒污染物.

3.3 加快产业结构调整, 推进节能减排建设

灰霾的主要源头是第二产业, 尤其是以重化工业为特征, 高能耗产业结构使得大量废气、粉尘等排放到大气环境中, 加剧霾污染, 加快产业结构升级优化, 实现传统产业新旧动能转换是从源头治理PM2.5污染的有效手段.长江流域产业发展对灰霾的作用路径存在显著的区域差异, 上游生态脆弱区应注重生态环境保护, 加快新能源利用设施建设, 推动风能、太阳能等清洁能源产业的发展; 污染较重的中游地区应加强污染源监测与管治, 加快产业改造升级与能源消费结构调整, 严控“三高一低”产业的过度膨胀, 推进清洁生产和节能减排建设, 在承接下游产业就近转移的过程中合理设置绿色环保门槛, 警惕其成为高能耗、高污染企业的避难所; 经济基础发达的下游地区应积极构建现代化的循环产业链条, 并在绿色技术创新、污染防治攻关、科研合作、成果转化等方面发挥模范带头作用.

3.4 转变经济增长方式, 提高绿色发展水平

环境问题归根结底是发展问题, 长期以来粗放的经济增长方式是造成长江流域灰霾日益严重的深层次原因.当前长江经济带正处在高质量绿色发展的关键转型期, 因此要完善绿色低碳循环发展的生产、流通、消费体系, 加快经济增长方式向可持续发展转变, 提高科技进步对经济增长的贡献.一方面, 地方政府要加快服务职能转变, 深化供给侧结构性改革, 推进全流域要素资源市场化.另一方面, 要坚持创新驱动发展战略, 强化人才队伍建设与技术创新投入, 促进科研成果的应用, 培育经济发展新动能, 引导经贸结构朝深加工、高附加值方向发展.此外, 坚持生态优先, 绿色发展理念, 不断厚植高质量发展的生态底色.

4 结论

(1) 2018年长江经济带PM2.5浓度呈现明显的夏低冬高、春秋居中的季节变化、U形月度变化及脉冲型逐日变化特征.大气PM2.5浓度时空差异显著, 高值区主要分布在长江中下游平原的鄂、皖和苏等地区, 低值区则稳定集中在上游的黔、川和滇等地区, 低地平原指向性明显.

(2) 长江流域PM2.5污染存在稳定的空间自相关特征.局部空间关联格局展现显著的HH型和LL型的空间俱乐部趋同现象, 其中, 低-低型聚类主要集中在上游的南岸地区, 高-高型聚类则位于中下游的江北地区, 二者大致呈对角空间分布格局; 且长江经济带PM2.5空间关联强度随地理空间距离的增大而减小, 其空间自相关性阈值约为870 km, 在该范围内PM2.5污染空间集聚性较为强烈.

(3) 地理探测结果显示, 自然与人文因子对PM2.5的影响程度具有显著的空间异质性特征, 其中, 海拔高度、地形起伏度、人口密度是长江流域PM2.5污染的高作用力影响因子, 产业结构∩海拔高度为主导交互因子.因子交互作用后对PM2.5污染解释力远超单因子, 而主导不同地区的影响因子和交互因子存在显著的空间差异.

参考文献
[1] Gao X, Li W D. A graph-based LSTM model for PM2.5 forecasting[J]. Atmospheric Pollution Research, 2021, 12(9). DOI:10.1016/j.apr.2021.101150
[2] Figueres C, Landrigan P J, Fuller R. Tackling air pollution, climate change, and NCDs: time to pull together[J]. The Lancet, 2018, 392(10157): 1502-1503. DOI:10.1016/S0140-6736(18)32740-5
[3] Ma J H, Cao Y, Xu J M, et al. PM2.5 concentration distribution patterns and influencing meteorological factors in the central and eastern China during 1980-2018[J]. Journal of Cleaner Production, 2021, 311. DOI:10.1016/j.jclepro.2021.127565
[4] Masiol M, Hopke P K, Felton H D, et al. Source apportionment of PM2.5 chemically speciated mass and particle number concentrations in New York City[J]. Atmospheric Environment, 2017, 148: 215-229. DOI:10.1016/j.atmosenv.2016.10.044
[5] Xu P, Chen Y F, Ye X J. Haze, air pollution, and health in China[J]. The Lancet, 2013-2014, 382(9910): 2067.
[6] Yin P, Brauer M, Cohen A J, et al. The effect of air pollution on deaths, disease burden, and life expectancy across China and its provinces, 1990-2017: an analysis for the Global Burden of Disease Study 2017[J]. The Lancet Planetary Health, 2020, 4(9): e386-e398. DOI:10.1016/S2542-5196(20)30161-3
[7] 汪克亮, 刘蕾, 孟祥瑞, 等. 区域大气污染排放效率: 变化趋势、地区差距与影响因素——基于长江经济带11省市的面板数据[J]. 北京理工大学学报(社会科学版), 2017, 19(6): 38-48.
Wang K L, Liu L, Meng X R, et al. Study on the trend, regional difference and influencing factors of air pollution emission efficiency——based on provincial panel data from 11 provinces of Yangtze River economic zone[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2017, 19(6): 38-48.
[8] 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. DOI:10.11821/dlxb201711012
[9] Jiang L, He S X, Zhou H F. Spatio-temporal characteristics and convergence trends of PM2.5 pollution: a case study of cities of air pollution transmission channel in Beijing-Tianjin-Hebei region, China[J]. Journal of Cleaner Production, 2020, 256. DOI:10.1016/j.jclepro.2020.120631
[10] 刘鹏华, 姚尧, 梁昊, 等. 耦合卡尔曼滤波和多层次聚类的中国PM2.5时空分布分析[J]. 地球信息科学学报, 2017, 19(4): 475-485.
Liu P H, Yao Y, Liang H, et al. Analyzing spatiotemporal distribution of PM2.5 in China by integrating Kalman filter and multi-level clustering[J]. Journal of Geo-information Science, 2017, 19(4): 475-485.
[11] 李光勤, 秦佳虹, 何仁伟. 中国大气PM2.5污染演变及其影响因素[J]. 经济地理, 2018, 38(8): 11-18.
Li G Q, Qin J H, He R W. Spatial-temporal evolution and influencing factors of China's PM2.5 pollution[J]. Economic Geography, 2018, 38(8): 11-18.
[12] 王振波, 梁龙武, 王旭静. 中国城市群地区PM2.5时空演变格局及其影响因素[J]. 地理学报, 2019, 74(12): 2614-2630.
Wang Z B, Liang L W, Wang X J. Spatio-temporal evolution patterns and influencing factors of PM2.5 in Chinese urban agglomerations[J]. Acta Geographica Sinica, 2019, 74(12): 2614-2630. DOI:10.11821/dlxb201912014
[13] 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. DOI:10.3969/j.issn.1000-6923.2019.08.049
[14] 许刚, 焦利民, 肖丰涛, 等. 土地利用回归模型模拟京津冀PM2.5浓度空间分布[J]. 干旱区资源与环境, 2016, 30(10): 116-120.
Xu G, Jiao L M, Xiao F T, et al. Applying land use regression model to estimate spatial distribution of PM2.5 concentration in Beijing-Tianjin-Hebei region[J]. Journal of Arid Land Resources and Environment, 2016, 30(10): 116-120.
[15] 肖璐, 郎艺超, 夏浪, 等. 基于多源数据的PM2.5浓度时空分布预测与制图[J]. 环境科学, 2017, 38(12): 4913-4923.
Xiao L, Lang Y C, Xia L, et al. Space-time estimations and mapping of PM2.5 fine particulates based on multi-source data[J]. Environmental Science, 2017, 38(12): 4913-4923.
[16] 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.
[17] 黄小刚, 赵景波, 曹军骥, 等. 长江经济带PM2.5分布格局演变及其影响因素[J]. 环境科学, 2020, 41(3): 1013-1024.
Huang X G, Zhao J B, Cao J J, et al. Evolution of the distribution of PM2.5 concentration in the Yangtze River Economic Belt and its influencing factors[J]. Environmental Science, 2020, 41(3): 1013-1024.
[18] 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.
[19] 马丽梅, 刘生龙, 张晓. 能源结构、交通模式与雾霾污染——基于空间计量模型的研究[J]. 财贸经济, 2016, 37(1): 147-160.
Ma L M, Liu S L, Zhang X. Study on haze pollution induced by energy structure and transportation: based on spatial econometric model analysis[J]. Finance & Trade Economics, 2016, 37(1): 147-160. DOI:10.3969/j.issn.1005-913X.2016.01.069
[20] 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.
[21] 韩立建. 城市化与PM2.5时空格局演变及其影响因素的研究进展[J]. 地理科学进展, 2018, 37(8): 1011-1021.
Han L J. Relationship between urbanization and urban air quality: an insight on fine particulate dynamics in China[J]. Progress in Geography, 2018, 37(8): 1011-1021.
[22] 周曙东, 欧阳纬清, 葛继红. 京津冀PM2.5的主要影响因素及内在关系研究[J]. 中国人口·资源与环境, 2017, 27(4): 102-109.
Zhou S D, Ouyang W Q, Ge J H. Study on the main influencing factors and their intrinsic relations of PM2.5 in Beijing-Tianjin-Hebei[J]. China Population, Resources and Environment, 2017, 27(4): 102-109.
[23] 杨兴川, 赵文吉, 熊秋林, 等. 2016年京津冀地区PM2.5时空分布特征及其与气象因素的关系[J]. 生态环境学报, 2017, 26(10): 1747-1754.
Yang X C, Zhao W J, Xiong Q L, et al. Spatio-temporal distribution of PM2.5 in Beijing-Tianjin-Hebei (BTH) area in 2016 and its relationship with meteorological factors[J]. Ecology and Environmental Sciences, 2017, 26(10): 1747-1754.
[24] 张运林, 睢晋玲, 吴娴, 等. 粤港澳大湾区PM2.5时空分布特征及其与气象要素的关系[J]. 生态学报, 2021, 41(6): 2272-2281.
Zhang Y L, Sui J L, Wu X, et al. Temporal and spatial distribution characteristics of PM2.5 and its relationship with meteorological factors in Guangdong-Hong Kong-Macao Greater Bay Area[J]. Acta Ecologica Sinica, 2021, 41(6): 2272-2281.
[25] 陆大道. 建设经济带是经济发展布局的最佳选择——长江经济带经济发展的巨大潜力[J]. 地理科学, 2014, 34(7): 769-772.
Lu D D. Economic belt construction is the best choice of economic development layout: the enormous potential for the Changjiang River Economic Belt[J]. Scientia Geographica Sinica, 2014, 34(7): 769-772.
[26] 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.
[27] Zhu W W, Wang M C, Zhang B B. The effects of urbanization on PM2.5 concentrations in China's Yangtze River economic Belt: new evidence from spatial econometric analysis[J]. Journal of Cleaner Production, 2019, 239. DOI:10.1016/j.jclepro.2019.118065
[28] Bai L, Jiang L, Yang D Y, et al. Quantifying the spatial heterogeneity influences of natural and socioeconomic factors and their interactions on air pollution using the geographical detector method: a case study of the Yangtze River Economic Belt, China[J]. Journal of Cleaner Production, 2019, 232: 692-704. DOI:10.1016/j.jclepro.2019.05.342
[29] Feng Y Y, Ning M, Lei Y, et al. Defending blue sky in China: effectiveness of the "air pollution prevention and control action plan" on air quality improvements from 2013 to 2017[J]. Journal of Environmental Management, 2019, 252. DOI:10.1016/j.jenvman.2019.109603
[30] 陈彦光. 基于Moran统计量的空间自相关理论发展和方法改进[J]. 地理研究, 2009, 28(6): 1449-1463.
Chen Y G. Reconstructing the mathematical process of spatial autocorrelation based on Moran's statistics[J]. Geographical Research, 2009, 28(6): 1449-1463.
[31] 昌晶亮, 余洪, 罗伟伟. 珠三角地区PM2.5浓度空间自相关分析[J]. 生态与农村环境学报, 2015, 31(6): 853-858.
Chang J L, Yu H, Luo W W. Spatial autocorrelation analysis of PM2.5 concentration in the Pearl River Delta[J]. Journal of Ecology and Rural Environment, 2015, 31(6): 853-858.
[32] 王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134.
Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.
[33] 沈斌, 房世波, 余卫国. NDVI与气候因子关系在不同时间尺度上的结果差异[J]. 遥感学报, 2016, 20(3): 481-490.
Shen B, Fang S B, Yu W G. Different correlations between NDVI and meteorological factors at temporal-time scales[J]. Journal of Remote Sensing, 2016, 20(3): 481-490.
[34] 吴健生, 牛妍, 彭建, 等. 基于DMSP/OLS夜间灯光数据的1995-2009年中国地级市能源消费动态[J]. 地理研究, 2014, 33(4): 625-634.
Wu J S, Niu Y, Peng J, et al. Research on energy consumption dynamic among prefecture-level cities in China based on DMSP/OLS nighttime light[J]. Geographical Research, 2014, 33(4): 625-634.
[35] 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.
[36] 环境保护部, 发展改革委, 水利部. 长江经济带生态环境保护规划[EB/OL]. http://www.mee.gov.cn/gkml/hbb/bwj/201707/t20170718_418053.htm, 2017-07-17.
[37] 张小曳, 徐祥德, 丁一汇, 等. 2013~2017年气象条件变化对中国重点地区PM2.5质量浓度下降的影响[J]. 中国科学: 地球科学, 2020, 62(4): 483-500.
Zhang X X, Xu X D, Ding Y H, et al. The impact of meteorological changes from 2013 to 2017 on PM2.5 mass reduction in key regions in China[J]. Science China Earth Sciences, 2020, 62(12): 1885-1902.