环境科学  2022, Vol. 43 Issue (5): 2459-2466   PDF    
引用本文
李雪迎, 杨曦, 乔琦, 刘丹丹, 张玥, 赵若楠, 白璐. 黄河流域甘肃段工业行业水污染物空间排放特征[J]. 环境科学, 2022, 43(5): 2459-2466.
LI Xue-ying, YANG Xi, QIAO Qi, LIU Dan-dan, ZHANG Yue, ZHAO Ruo-nan, BAI Lu. Emission Characteristics of Industrial Water Pollutants in Gansu Section of the Yellow River Basin[J]. Environmental Science, 2022, 43(5): 2459-2466.
黄河流域甘肃段工业行业水污染物空间排放特征
李雪迎1, 杨曦2, 乔琦1, 刘丹丹1,3, 张玥1, 赵若楠1, 白璐1     
1. 中国环境科学研究院环境基准与风险评估国家重点实验室, 北京 100012;
2. 甘肃省生态环境信息中心, 兰州 730030;
3. 同济大学环境科学与工程学院, 上海 200092
收稿日期: 2021-08-23; 修订日期: 2021-10-19
基金项目: 生态环境部污染源普查动态更新调查、成果运用项目(2020zfcg01199)
作者简介: 李雪迎(1992~), 女, 硕士, 主要研究方向为工业污染源管理, E-mail: lixy@craes.org.cn
通信作者: 白璐, E-mail: bailu@craes.org.cn
摘要: 为研究黄河流域甘肃段工业废水污染的空间排放特征, 运用系统聚类法, 构建水污染物空间分类模型, 引入污染综合评价指数, 测算空间关联特征, 揭示黄河流域甘肃段工业水污染物排放空间集聚效应.结果表明, 2017年黄河流域甘肃段总工业企业数量为7 224家, 企业类型以小型和微型为主.化学需氧量(COD)排放主要集中在安定区、麦积区和西固区, 氨氮(NH4+-N)、总氮(TN)和总磷(TP)排放主要集中在西固区、安宁区和红古区, 农副食品加工业、酒/饮料和精制茶制造业、化学原料和化学制品制造业及电力/热力生产和供应业是主要贡献源.黄河流域甘肃段57个县区可分6种污染类型, 水环境污染综合评价指数在空间整体上存在明显空间正相关, 高值簇和低值簇集聚现象显著.研究结果可为管理部门制定差异化的水环境管控对策, 实行分区分级的精细化管理提供科学支撑.
关键词: 黄河流域甘肃段      工业      水污染物      空间排放特征      环境污染综合评价指数     
Emission Characteristics of Industrial Water Pollutants in Gansu Section of the Yellow River Basin
LI Xue-ying1 , YANG Xi2 , QIAO Qi1 , LIU Dan-dan1,3 , ZHANG Yue1 , ZHAO Ruo-nan1 , BAI Lu1     
1. State Key Laboratory of Environmental Criteria and Risk Assessment, Chinese Research Academy of Environmental Sciences, Beijing 100012, China;
2. Gansu Information Center of Ecology and Environment, Lanzhou 730030, China;
3. College of Environmental Science and Engineering, Tongji University, Shanghai 200092, China
Abstract: In order to study the spatial discharge characteristics of industrial water pollutants in the Gansu section of the Yellow River basin, the systematic clustering method was used to construct the spatial classification model of water pollutants, and the environment pollution composite index was introduced to measure the spatial correlation characteristics and reveal the spatial agglomeration effect of industrial water pollutants in the Gansu section of the Yellow River basin. The results showed that there were 7 224 industrial enterprises in the Gansu section of the Yellow River basin in 2017, and the types of enterprises were mainly small and micro. The chemical oxygen demand (COD) emissions were mainly concentrated in the Anding District, Maiji District, and Xigu District, whereas ammonia nitrogen (NH4+-N), total nitrogen (TN), and total phosphorus (TP) emissions were mainly concentrated in the Xigu District, Anning District, and Honggu District. The agricultural and sideline food processing industry, wine/beverage and refined tea manufacturing, chemical raw materials and chemical products manufacturing, and electricity/heat production and supply were the main contribution sources. The 57 districts in the Gansu section of the Yellow River basin could be divided into six pollution types. The environment pollution composite index had an obvious spatial positive correlation, and the clustering of high-value clusters and low-value clusters was significant. These results can provide scientific support for management departments to formulate differentiated water environment management and control countermeasures and to implement subregional and hierarchical refined management.
Key words: Gansu section of Yellow River basin      industry      water pollutants      spatial emission characteristics      environment pollution composite index     

黄河是中国西北、黄淮海平原和华北平原的重要水源.甘肃地处黄河上游, 贡献了黄河60%的水资源量, 是黄河流域重要的水源涵养区和补给区[1], 承担着保障下泄流量、水土保持和维系流域生态安全的多重功能[2], 直接影响黄河中下游居民的生活和生产, 在推动黄河流域水资源保护和高质量发展等方面具有十分重要的意义.

随着经济的快速发展, 黄河流经甘肃省的9个市州(黄河流域甘肃段)工业产业结构变化明显[3], 高耗水和重污染企业较多, 水环境压力增加, 导致河流水质下降和水生态系统退化, 生态保护与工业化的矛盾越发突出.黄河流域甘肃段的空间位置呈现既集中又分散的特征, 受社会经济发展水平和产业结构影响, 各地区工业行业水污染物排放及治理水平存在显著差异.由于城市水污染受邻近城市水污染溢出效应影响[4], 流域水体污染物[例如化学需氧量(COD)和氨氮(NH4+-N)]排放往往存在显著的空间溢出效应[5].揭示工业水污染物排放的空间分布特征及其溢出效应是制定城市群和流域水污染物污染防治政策的关键.

近年来, 学者们在国家、流域和省域尺度上对工业水污染物空间排放特征进行了大量研究[6~8].对黄河流域的研究主要集中在水质[9]和水污染物排放特征[10], 水质与工业污染源响应关系[11]、地下水储量变化特征[12]、黄河流域水资源量和径流量影响因素[13~17], 对黄河流域工业水污染物空间排放特征的研究较少.然而, 在黄河流域甘肃段, 工业行业水污染物排放特征及空间效应影响均尚未见报道.

因此, 本文以黄河流域甘肃段为研究区域, 以2017年为基准年, 基于15种环境影响指标, 构建水污染物空间分类模型, 分析黄河流域甘肃段工业水污染物空间排放特征; 引入污染综合评价指数, 采用空间自相关分析揭示黄河流域甘肃段工业水污染物排放空间集聚效应, 以期为黄河流域甘肃段生态环境及污染现状调查等提供数据依据和支撑, 并为科学制定水环境管理政策提供参考.

1 材料与方法 1.1 研究对象

甘肃省境内, 黄河干流介于东经101°02′~104°43′, 北纬33°20′~37°20′之间, 包括上游玛曲段及下段积石关到黑山峡段, 主要支流有洮河、渭河、泾河和湟河水系.黄河在甘肃“两进两出”流经913 km, 总面积14.32万km2; 黄河流域甘肃段总人口1 857.53万人, 占全省人口的70.74%[18].本文以兰州市、白银市、临夏回族自治州、甘南藏族自治州、天水市、庆阳市、武威市、平凉市和定西市这9个市州57个县区为研究区域(图 1), 基准年为2017年, 研究对象为工业企业排放至环境的COD、NH4+-N、总氮(TN)和总磷(TP).

图 1 黄河流域甘肃段范围示意 Fig. 1 Gansu section of the Yellow River basin

1.2 数据来源

本研究数据主要来源于甘肃年鉴、甘肃发展年鉴、中国统计年鉴、黄河水资源公报和甘肃省第二次全国污染源普查数据.企业行业类别参照《国民经济行业分类》(GB/T 4754-2017), 企业规模依据《国家统计局关于印发 < 统计上大中小微型企业划分办法(2017)>的通知》.

1.3 研究方法 1.3.1 环境污染综合评价指数

COD、NH4+-N、TN和TP指标性质、数量级和对环境的影响程度均有差异, 本研究运用商值法[19]对这4种水污染物进行标准化处理, 构建了黄河流域甘肃段环境污染综合评价指数(environment pollution composite index, EPI).EPI越小, 说明污染物综合排放量越大.计算公式为：

(1)
(2)
(3)
(4)
(5)

式中, xi, j为城市i第j项污染物排放指标的标准化值; Xi, j为城市i第j项污染物排放指标值; Xmax, j为第j项污染物指标的最大值; Xmin, j为污染物指标j的最小值; Ri, j为城市i第j项污染物排放指标比重; m为城市总数; n为污染物指标总数; Gj为变异系数; wj为第j项污染物排放指标在环境污染综合评价指数中的权重; EPIi为城市i环境污染综合评价指数.

1.3.2 空间分类方法

空间分类方法包括确定分类依据、开展空间分类、识别区域类别3个部分：①结合环境管理需求, 选取与水污染排放水平关联较大或可直观表征水污染排放水平的指标, 包括水资源利用(新鲜水耗、年实际处理水量和废水回用量)、排放强度(COD排放强度、NH4+-N排放强度、TN排放强度和TP排放强度)、去除率(COD去除率、NH4+-N去除率、TN去除率和TP去除率)、企业规模(大型企业数、中型企业数、小型企业数和微型企业数), 作为分类依据; ②采用系统聚类方法[20, 21], 按照特征相似原则, 将黄河流域甘肃段范围内57个县区进行分类; ③识别各类区域主要特征, 确定区域类别.

根据各类区域主要特征, 将区域类别划分为8类, 分别为：低治理水平区、中等治理水平区、高治理水平区、低排放强度区、中等排放强度区、高排放强度区、低产生强度区、高产生强度区.各类区域类别识别准则见表 2.

表 2 黄河流域甘肃段各类区域类别识别准则 Table 2 Identification criteria of various regional categories in Gansu section of the Yellow River basin

1.3.3 空间自相关分析

本研究采用空间自相关分析来揭示黄河流域甘肃段57个县区EPI值的集聚程度.

空间自相关可以分为全局空间自相关和局部空间自相关[22].

全局空间自相关[23]是指空间单元属性在空间位置上的相互依赖关系, 是空间整体上集聚程度的一种度量方式, 常用Moran's I指数来度量, 其值为[-1, 1], 正、负值分别表明空间单元属性分布具有正、负的空间自相关.计算公式为：

(6)

局部空间自相关[23]分析是对局部空间集聚程度进行判断, 主要通过空间集聚图和显著性水平图表示.计算公式为：

(7)

式中, m为城市总数; Wij为空间权重; EPIi和EPIj分别为城市i和城市j的EPI值; 为EPI值的平均值; S2为EPI值的方差值.

2 结果与讨论 2.1 污染物排放特征分析 2.1.1 空间特征分析

黄河流域甘肃段2017年工业企业有7 224家, 兰州市工业企业数量最多(2 335家), 其次为定西市(1 327家).各类企业规模数量依次为微型企业>小型企业>中型企业>大型企业, 小型和微型企业占95.75%. COD、NH4+-N、TN和TP排放量分别为12 218.58、186.22、977.63和42.32 t, 57个县区水污染物排放分布如图 2所示.安定区、麦积区和西固区COD排放量最大, 3个区排放总量占黄河流域甘肃段的50.25%; 西固区、安宁区和红古区NH4+-N、TN和TP排放量最大, 3个区NH4+-N、TN和TP排放总量分别占黄河流域甘肃段的44.96%、70.65%和61.20%.

图 2 黄河流域甘肃段水污染物排放分布 Fig. 2 Distribution of water pollutant emissions in Gansu section of the Yellow River basin

EPI值是对各县区COD、NH4+-N、TN和TP这4种水污染物排放的综合评价结果, 结果如图 3所示. 56.14%的县区EPI值在[0.018 0, 0.018 1], 污染排放较低.西固区EPI值最低, 水污染排放最严重, 其次是安宁区、安定区、红古区和麦积区, EPI值在[0.012 2, 0.016 0], 4种水污染物综合评价结果与其空间排放特征基本一致.

图 3 黄河流域甘肃段各县区EPI值 Fig. 3 EPI values of districts in Gansu section of the Yellow River basin

2.1.2 行业特征分析

黄河流域甘肃段工业行业COD、NH4+-N、TN和TP排放贡献如图 4所示, 主要工业行业废水处理技术使用情况如图 5所示.农副食品加工业、酒/饮料和精制茶制造业, 化学原料和化学制品制造业、电力/热力生产和供应业是主要排放源. 各工业行业对TN的排放贡献差别不大, 但农副食品加工业的COD贡献占比达62.90%, 酒/饮料和精制茶制造业对TP的贡献占比达33.89%.由图 5可知, 黄河流域甘肃段主要工业行业水污染处理技术以沉淀分离法[24]为主, 占比分别为31.71%、26.40%、22.45%和25.28%.该类技术简单、成熟实用, 成本较低, 主要用于处理废水中含有大量可降解的固体物质, 但沉淀分离法不能去除胶体或营养物质, 去除效果有限, 可通过强化一级处理技术[25]或增加二级处理技术进行提升.

13.农副食品加工业; 14.食品制造业; 15.酒/饮料和精制茶制造业; 25.石油/煤炭及其他燃料加工业; 26.化学原料和化学制品制造业; 44.电力/热力生产和供应业; 46.水的生产和供应业 图 4 黄河流域甘肃段工业行业水污染物排放贡献 Fig. 4 Distribution of industrial pollutants in Gansu section of the Yellow River basin

图 5 黄河流域甘肃段主要工业行业处理技术使用情况 Fig. 5 Utilization of treatment technologies in major industries in Gansu section of the Yellow River basin

2.2 空间分类结果

本研究通过SPSS软件采用系统聚类中的组间联接法进行聚类分析, 组间距离采用皮尔逊相关性度量, 结果见图 6, 黄河流域甘肃段57个县区共分为6个区域.各区域水污染物指标值见表 2.

图 6 黄河流域甘肃段各县区聚类树状图 Fig. 6 Clustering tree of counties in Gansu section of the Yellow River basin

表 2 黄河流域甘肃段各区域水污染物指标值 Table 2 Classification results of 57 counties in Gansu section of the Yellow River basin

Ⅰ区为低治理水平区, 包括13个县区, 79.17%为微型企业, 是6类区域中微型企业占比最高的区域, 该区域水污染排放主要集中在兰州市的西固区和定西市的安定区.其中, 西固区TN排放贡献率高达57.25%, 去除率仅为13.32%, 安定区COD排放贡献率达28.75%, 去除率仅为5.78%.此外, 该区域工业行业的废水回用率普遍较低, 平均为9.16%, 也是6类区域中废水回用率最低的区域, 表明该区域工业用水效率有待提升.

Ⅱ区为低排放强度区, 包括6个县区, 是6类区域中废水排放量和回用量最高、微型企业占比最低的区域.除TP外, COD、NH4+-N、TN去除率均属于中等治理水平, 表明该区域企业规模较大, 清洁生产能力较高, 环境效益较好[26].

Ⅲ区为中等治理水平-低排放强度区, 包括9个县区, 麦积区排放强度水平为9个县区中最高.受产业结构影响, 该类区域产生工业废水的企业主要以轻工类为主, 尽管水污染物的排放强度较低, 但其治理水平仍有较大提升空间.其中, 麦积区主要排放源为农副食品加工业, 该行业4种水污染物去除率均不到15%, 治理水平较低.

Ⅳ区为低产生强度区, 包括2个县区.该类区域企业清洁化水平较高, 水污染物排放强度较低, 但治理水平较差, 尤其是TN, 去除率仅为26.97%.农副食品加工业和酒、饮料和精制茶制造业是该类区域主要水污染物贡献源.

Ⅴ区为高排放强度区, 包括9个县区, 是6类区域中水污染排放强度最高的区域.该类区域的产业结构以农副食品加工业、食品制造业为主.其中, 灵台县农副食品加工业、食品制造业, 秦安县食品制造业, 张家川回族自治县皮革/毛皮/羽毛及其制品和制鞋业水污染物的去除效率远低于黄河流域甘肃段水污染物的平均去除水平, 其治理能力亟待提升.

Ⅵ区为高治理水平-低排放强度区, 包括18个县区.该类区域水污染物治理水平普遍较高, 且万元工业总产值的污染物排放量小.仅甘谷县、卓尼县、渭源县的医药制造业水污染治理能力略低, 其去除率约在50~70%.

2.3 水污染物空间自相关分析

采用GeoDa空间分析工具建立空间权重矩阵, 通过单变量(EPI)的Moran's I指数[27]测算全局空间关联特征.EPI的Moran's I指数为0.232 0, 并通过显著性水平检验(P=0.001 0).这表明, 57个县区水环境污染综合评价指数存在明显空间正相关, 水环境污染综合评价指数高值簇和低值簇集聚现象显著.

水污染物污染指数局部空间自相关LISA集聚(图 7), 用于表征区域水环境污染综合评价指数与其邻域水污染指数之间属于高-高(high-high)和低-低(low-low)的空间正相关, 或者低-高(low-high)和高-低(high-low)的空间负相关, 或者无显著的空间相关性(即空间随机模式), 图 7表明黄河流域甘肃段污染物排放的空间集聚效应非常显著[28].其中, 高-高集聚区共有5个县区, 分别为华池县、合水县、岷县、卓尼县和碌曲县, 其水环境污染综合评价指数高, 达到0.018 1, 均高于平均值(0.017 5), 表现出水污染物排放量较低, 空间集聚性强, 与临近县区水环境污染状况紧密联系, 辐射和共轭作用突出.低-低聚集区主要分布在兰州, 分别为西固区、安宁区和红古区, 其水环境污染综合评价指数均低于平均值, 这些地区经济发展水平高, 与周边联系较强, 水体污染物排放量较大, 其COD、NH4+-N、TN和TP排放量分别达到黄河甘肃段总量21.08%、44.96%、70.65%和61.20%, 是水环境管理重点地区.高-低聚集区主要分布在兰州, 分别为七里河区、永登县、皋兰县和永靖县, 其水环境污染综合评价指数均高于平均值(0.017 5), 这些地区经济发展水平较高, 水污染物去除率较高, 水污染物排放量较小, 与邻近县区呈空间负相关.

图 7 黄河流域甘肃段EPI局部空间自相关LISA集聚 Fig. 7 Local spatial autocorrelation LISA cluster map of EPI in Gansu section of Yellow River basin

3 结论

(1) COD排放源主要集中在定西市的安定区、天水市的麦积区和兰州市的西固区, NH4+-N、TN和TP排放源主要集中在兰州市的西固区、安宁区和红古区; 4种水污染物排放源主要是农副食品加工业、酒/饮料和精制茶制造业、化学原料和化学制品制造业、电力/热力生产和供应业, 沉淀分离法是其主要处理技术, 占比分别为31.71%、26.40%、22.45%和25.28%.

(2) 黄河流域甘肃段57个县区共分为6个区域, 根据各区域主要排放特征以及区域类别识别准则, 6个区域类别分别为：Ⅰ.低治理水平区、Ⅱ.低排放强度区、Ⅲ.中等治理水平-低排放强度区、Ⅳ.低产生强度区、Ⅴ.高排放强度区、Ⅵ.高治理水平-低排放强度区.

(3) 黄河流域甘肃段各地工业企业发展水平不均衡, 水污染排放集聚, 产业结构亟需优化, 部分地区农副食品加工业和食品制造业等行业的水污染物综合污染治理能力相对落后.

(4) 57个县区水环境污染综合评价指数存在明显空间正相关, 水环境污染综合评价指数高值簇和低值簇集聚现象显著.

参考文献
[1] 王星星, 邓晓红. 黄河流域甘肃段绿色高质发展的认识与思考[J]. 甘肃科技, 2020, 36(23): 6-8.
[2] 农工党甘肃省委会. 黄河流域甘肃段生态保护与高质量发展的若干思考[J]. 前进论坛, 2021(2): 31.
[3] 国家统计局. 中国统计年鉴[M]. 北京: 中国统计出版社, 2002-2020.
[4] Sheng J C, Tang W Z. Spatiotemporal variation patterns of water pollution drivers: the case of China's south-north water transfer project[J]. Science of the Total Environment, 2021, 761. DOI:10.1016/j.scitotenv.2020.143190
[5] Zhou K, Wu J X, Liu H C. Spatiotemporal variations and determinants of water pollutant discharge in the Yangtze River Economic Belt, China: a spatial econometric analysis[J]. Environmental Pollution, 2021, 271. DOI:10.1016/j.envpol.2020.116320
[6] 石敏俊, 郑丹, 雷平, 等. 中国工业水污染排放的空间格局及结构演变研究[J]. 中国人口·资源与环境, 2017, 27(5): 1-7.
Shi M J, Zheng D, Lei P, et al. Evolution of spatial pattern of industrial wastewater pollution emission in China[J]. China Population, Resources and Environment, 2017, 27(5): 1-7.
[7] Liu D D, Bai L, Qiao Q, et al. Anthropogenic total phosphorus emissions to the Tuojiang River basin, China[J]. Journal of Cleaner Production, 2021, 294. DOI:10.1016/j.jclepro.2021.126325
[8] 张静, 段扬, 张伟, 等. 京津冀区域工业水污染排放空间密度特征研究[J]. 生态环境学报, 2018, 27(1): 115-121.
[9] Zhao M M, Wang S M, Chen Y P, et al. Pollution status of the Yellow River tributaries in middle and lower reaches[J]. Science of the Total Environment, 2020, 722. DOI:10.1016/j.scitotenv.2020.137861
[10] 白璐, 孙园园, 赵学涛, 等. 黄河流域水污染排放特征及污染集聚格局分析[J]. 环境科学研究, 2020, 33(12): 2683-2694.
Bai L, Sun Y Y, Zhao X T, et al. Discharge characteristics and pollution aggregation pattern of water pollution in Yellow River basin[J]. Research of Environmental Sciences, 2020, 33(12): 2683-2694.
[11] 刘鸿志, 王光镇, 马军, 等. 黄河流域水质和工业污染源研究[J]. 中国环境监测, 2021, 37(3): 18-27.
Liu H Z, Wang G Z, MA J, et al. Water quality status and industrial pollution sources in the Yellow River basin[J]. Environmental Monitoring in China, 2021, 37(3): 18-27.
[12] Lin M, Biswas A, Bennett E M. Spatio-temporal dynamics of groundwater storage changes in the Yellow River basin[J]. Journal of Environmental Management, 2019, 235: 84-95.
[13] Xie J K, Xu Y P, Wang Y T, et al. Influences of climatic variability and human activities on terrestrial water storage variations across the Yellow River basin in the recent decade[J]. Journal of Hydrology, 2019, 579. DOI:10.1016/j.jhydrol.2019.124218
[14] Wang W, Zhang Y Y, Tang Q H. Impact assessment of climate change and human activities on streamflow signatures in the Yellow River basin using the Budyko hypothesis and derived differential equation[J]. Journal of Hydrology, 2020, 591. DOI:10.1016/j.jhydrol.2020.125460
[15] Yin L C, Feng X M, Fu B J, et al. A coupled human-natural system analysis of water yield in the Yellow River basin, China[J]. Science of the Total Environment, 2021, 762. DOI:10.1016/j.scitotenv.2020.143141
[16] Li G Y, Jiang G H, Zhang Y H, et al. Whether land greening in different geomorphic units are beneficial to water yield in the Yellow River basin?[J]. Ecological Indicators, 2021, 120. DOI:10.1016/j.ecolind.2020.106926
[17] Omer A, Elagib N A, Ma Z G, et al. Water scarcity in the Yellow River basin under future climate change and human activities[J]. Science of the Total Environment, 2020, 749. DOI:10.1016/j.scitotenv.2020.141446
[18] 《甘肃发展年鉴》编委会. 甘肃发展年鉴2018[M]. 北京: 中国统计出版社, 2018.
[19] 李华林, 张建军, 张耀方, 等. 基于不同赋权方法的北运河上游潜在非点源污染风险时空变化特征分析[J]. 环境科学, 2021, 42(6): 2796-2809.
Li H L, Zhang J J, Zhang Y F, et al. Analysis of spatial-temporal variation characteristics of potential non-point source pollution risks in the upper Beiyun River basin using different weighting methods[J]. Environmental Science, 2021, 42(6): 2796-2809.
[20] 张会涛, 田瑛泽, 刘保双, 等. 武汉市PM2.5化学组分时空分布及聚类分析[J]. 环境科学, 2019, 40(11): 4764-4773.
Zhang H T, Tian Y Z, Liu B S, et al. Spatial temporal characteristics and cluster analysis of chemical components for ambient PM2.5 in Wuhan[J]. Environmental Science, 2019, 40(11): 4764-4773.
[21] 马小雪, 龚畅, 郭加汛, 等. 长江下游快速城市化地区水污染特征及源解析: 以秦淮河流域为例[J]. 环境科学, 2021, 42(7): 3291-3303.
Ma X X, Gong C, Guo J X, et al. Water pollution characteristics and source apportionment in rapid urbanization region of the lower Yangtze River: considering the Qinhuai River Catchment[J]. Environmental Science, 2021, 42(7): 3291-3303. DOI:10.3969/j.issn.1000-6923.2021.07.033
[22] Hu X J, Ma C M, Huang P, et al. Ecological vulnerability assessment based on AHP-PSR method and analysis of its single parameter sensitivity and spatial autocorrelation for ecological protection-a case of Weifang City, China[J]. Ecological Indicators, 2021, 125. DOI:10.1016/j.ecolind.2021.107464
[23] 汪可可, 康平, 周明卫, 等. 四川盆地臭氧浓度空间分异及驱动因子研究[J]. 中国环境科学, 2020, 40(6): 2361-2370.
Wang K K, Kang P, Zhou M W, et al. Spatial differentiation and driving factors of ozone concentration in Sichuan basin[J]. China Environmental Science, 2020, 40(6): 2361-2370. DOI:10.3969/j.issn.1000-6923.2020.06.005
[24] Ullah A, Hussain S, Wasim A, et al. Development of a decision support system for the selection of wastewater treatment technologies[J]. Science of the Total Environment, 2020, 731. DOI:10.1016/j.scitotenv.2020.139158
[25] 张智, 邱维, 张国庆. 城市污水强化一级处理技术及发展趋势[J]. 重庆环境科学, 2001, 23(1): 46-49.
Zhang Z, Qiu W, Zhang G Q. Technology and development trend of the enhanced primary treatment of municipal wastewater[J]. Chongqing Environmental Science, 2001, 23(1): 46-49.
[26] 李大元, 孙妍, 杨广. 企业环境效益、能源效率与经济绩效关系研究[J]. 管理评论, 2015, 27(5): 29-37.
Li D Y, Sun Y, Yang G. The relationships among corporate environmental performance, energy efficiency and economic performance[J]. Management Review, 2015, 27(5): 29-37.
[27] 丁洋, 赵进勇, 张晶, 等. 松花湖水质空间差异及富营养化空间自相关分析[J]. 环境科学, 2021, 42(5): 2232-2239.
Ding Y, Zhao J Y, Zhang J, et al. Spatial differences in water quality and spatial autocorrelation analysis of eutrophication in Songhua Lake[J]. Environmental Science, 2021, 42(5): 2232-2239.
[28] Zhang J, Zhang K, Zhao F. Research on the regional spatial effects of green development and environmental governance in China based on a spatial autocorrelation mode[J]. Structural Change and Economic Dynamics, 2020, 55: 1-11.