汾渭平原PM2.5濃度的影響因素及空間溢出效應

黃小剛,邵天杰,趙景波,曹軍驥,宋永永

汾渭平原PM2.5濃度的影響因素及空間溢出效應

黃小剛1,2,3,邵天杰1*,趙景波1,2,曹軍驥2,宋永永1

(1.陜西師范大學地理科學與旅游學院,陜西 西安 710119；2.中國科學院地球環(huán)境研究所氣溶膠化學與物理重點實驗室,陜西 西安 710061；3.山西師范大學地理科學學院,山西 臨汾 041004)

基于實時監(jiān)測和遙感反演數(shù)據(jù),利用空間自相關(guān)分析和空間回歸分析等方法,探討了汾渭平原2015~2017年P(guān)M2.5濃度時空變化規(guī)律和影響因素,揭示了各因素的空間溢出效應.結(jié)果表明:(1)2015~2017年汾渭平原PM2.5濃度逐年上升,主要由采暖期(11月~次年3月)的快速上升引起,非采暖期(4~10月)年際變化不大.(2)PM2.5月均濃度變化曲線呈底部寬緩的U型,采暖期PM2.5污染明顯高于非采暖期,超標天數(shù)占全年總超標天數(shù)比例由2015年的75.0%上升到2017年的83.4%.(3)2015~2017年,除銅川和三門峽外,各城市PM2.5濃度都有不同程度的上升.咸陽至運城間的平原地區(qū)和洛陽盆地污染最嚴重,已形成連片的高污染區(qū)域,且區(qū)域內(nèi)城鄉(xiāng)差異小.臨汾及其上游平原地區(qū)其次,但主要分布在城鎮(zhèn),城鄉(xiāng)差異較大.(4)空間回歸分析表明,汾渭平原PM2.5濃度有顯著的空間溢出效應.年均氣溫、城鎮(zhèn)化率、能源消費指數(shù)和年均人口不僅與本地PM2.5濃度有顯著的正相關(guān),而且會加重鄰近地區(qū)PM2.5污染.年降水量和地形起伏度則不僅與本地PM2.5濃度有顯著的負相關(guān),而且能降低鄰近地區(qū)PM2.5濃度.風的傳輸作用能加重本地PM2.5污染,植被覆蓋度能消減本地PM2.5濃度,但其間接效應都不顯著.

PM2.5；影響因素；時空變化；空間回歸；空間自相關(guān)；汾渭平原

近年來隨著我國城市化、工業(yè)化的快速發(fā)展和能源消費量的激增,PM2.5已成為我國最主要的大氣污染物[1].科學實施大氣污染治理,不斷提高空氣質(zhì)量,是我國實現(xiàn)綠色發(fā)展的重要目標之一.由于不同地區(qū)經(jīng)濟發(fā)展水平不一,自然條件組合多樣,PM2.5濃度具有空間異質(zhì)性.受氣流的影響,PM2.5能向周邊地區(qū)輸送和擴散,PM2.5濃度又具有空間自相關(guān)性,區(qū)域PM2.5濃度上升常呈現(xiàn)空間溢出效應.科學認識PM2.5的時空變化規(guī)律、影響因素及空間溢出效應,對因地制宜的實施PM2.5污染綜合治理策略具有重要意義.

國內(nèi)外學者以PM2.5濃度時空變化及影響因素為主題開展過大量的研究.時間變化方面,著重研究PM2.5濃度的年際變化特征、季節(jié)或月度周期變化特點和晝夜循環(huán)規(guī)律[2-3],或針對某次重污染過程的分析[4],也有學者基于遙感反演數(shù)據(jù)研究PM2.5長時間的變化特征[5-6].空間范圍包括全國[7]、城市群[8-9]和單個典型污染城市[10]等不同尺度,主要研究PM2.5濃度的空間分布格局、集聚特征和演變規(guī)律.PM2.5濃度變化影響因素方面,主要通過相關(guān)分析[11]、地理探測器[12]、空間計量模型[13]、灰色關(guān)聯(lián)模型[14]和地理加權(quán)回歸模型[15]等統(tǒng)計學方法研究自然因素和社會經(jīng)濟因素對PM2.5的影響.研究發(fā)現(xiàn),PM2.5主要來源于人為排放,包括能源消費、生物質(zhì)燃燒、交通運輸、工業(yè)生產(chǎn)、建筑和道路揚塵等直接排放源,及SO2、NO、VOCs、NH3等氣態(tài)污染物發(fā)生復雜的化學反應形成的二次源[16].因此,經(jīng)濟規(guī)模、人口規(guī)模、城市化、工業(yè)化發(fā)展水平、產(chǎn)業(yè)結(jié)構(gòu)、能源利用結(jié)構(gòu)和效率、土地利用類型等對PM2.5濃度有直接影響[12-15,17-18].氣溫、相對濕度和太陽輻射影響PM2.5的生成和轉(zhuǎn)換[19-20],風速、風向、氣壓、海拔高度、地形地貌則對PM2.5的傳輸、擴散或集聚有深刻影響[21-23],降水和植被覆蓋度可通過沉降和吸收等方式清除PM2.5[24-25],這些因素對局地PM2.5濃度也有直接或間接的作用.此外,PM2.5及影響因素的溢出效應也受到重視[13].

現(xiàn)有研究成果為深入認識PM2.5濃度的時空變化特征和影響因素提供了理論基礎和方法借鑒.但已有研究主要集中在中國東部地區(qū),尤其是京津冀、長三角和珠三角等傳統(tǒng)的空氣污染重點治理區(qū)域,對西部地區(qū)的關(guān)注相對較少.汾渭平原大部分位居黃土高原,人類活動強度大,生態(tài)環(huán)境脆弱,且產(chǎn)業(yè)結(jié)構(gòu)偏重,能源消費結(jié)構(gòu)中煤炭占比過大,加上相對封閉的盆地地形不利于污染物的擴散,PM2.5污染嚴重.2013年以來,在全國PM2.5濃度有顯著下降的背景下,汾渭平原不降反升.根據(jù)2018年7月國務院發(fā)布的《打贏藍天保衛(wèi)戰(zhàn)三年行動計劃》,2017年汾渭平原PM2.5濃度已成為我國僅次于京津冀地區(qū)的第二高區(qū)域,被列為國家重點防控區(qū).針對汾渭平原PM2.5治理的緊迫性,本文從地理學綜合性視角出發(fā),在分析汾渭平原PM2.5濃度時空變化特征的基礎上,從自然和社會經(jīng)濟要素兩方面解析PM2.5濃度分布的影響因素,揭示各因素的直接效應和空間溢出效應,以期為汾渭平原PM2.5防治措施的制定提供科學參考和決策支持.

1 數(shù)據(jù)與方法

1.1 研究范圍

汾渭平原是汾河平原、渭河平原及其臺塬階地的總稱,由汾渭地塹經(jīng)汾河、渭河沖積而成,是我國第4大平原.本文研究的范圍按《打贏藍天保衛(wèi)戰(zhàn)三年行動計劃》界定,包括陜西省的西安市、咸陽市、渭南市、寶雞市、銅川市,山西省的呂梁市、晉中市、運城市、臨汾市,河南省的洛陽市、三門峽市,共11個地級市(圖1).

圖1 汾渭平原地形圖

1.2 評價指標

根據(jù)前述文獻的梳理,自然因素解釋變量初步選定為年均氣溫、年降水量、年均相對濕度、年均風速、海拔高度、地形起伏度和植被覆蓋度.社會經(jīng)濟解釋變量選取年均人口、人均GPD、城鎮(zhèn)化率、能源消費指數(shù)、第二產(chǎn)業(yè)總產(chǎn)值和第二產(chǎn)業(yè)占GDP比重,分別反映人口規(guī)模、經(jīng)濟發(fā)展水平、城鎮(zhèn)化水平、能源消費水平、工業(yè)發(fā)展狀況和產(chǎn)業(yè)結(jié)構(gòu)對PM2.5濃度的影響.研究表明能源消費與夜間燈光數(shù)據(jù)顯著線性相關(guān)[26],本文采用夜間燈光數(shù)據(jù)表征能源消費指數(shù).

由于解釋變量之間可能存在多重共線性,本文使用方差膨脹因子(VIF)對所有初選解釋變量進行多重共線性診斷.結(jié)果發(fā)現(xiàn),海拔高度和第二產(chǎn)業(yè)總產(chǎn)值的VIF均大于10,與其他變量存在多重共線性,予以剔除.因此,本文最終選取的評價指標為年均氣溫(temp)、年降水量(prec)、年均相對濕度(RH)、地形起伏度(wavi)、年均風速(wind)、植被覆蓋度(NDVI)、年均人口(peop)、城鎮(zhèn)化率(urban)、人均GPD(GDPPC)、能源消費指數(shù)(energy)和第二產(chǎn)業(yè)占GDP比重(second)等11個變量.

1.3 數(shù)據(jù)來源和評價標準

PM2.5濃度實時監(jiān)測數(shù)據(jù)來源于全國城市空氣質(zhì)量實時發(fā)布平臺(http://106.37.208.233:20035/),起止時間為2015年1月1日~2017年12月31日.數(shù)據(jù)統(tǒng)計有效性按《環(huán)境空氣質(zhì)量標準》(GB 3095- 2012)[27]執(zhí)行.PM2.5濃度評價標準按《環(huán)境空氣質(zhì)量評價技術(shù)規(guī)范(試行)》(HJ 663-2013)[28]執(zhí)行,即0~35μg/m3為優(yōu)、36~75μg/m3為良、76~115μg/m3為輕度污染、116~150μg/m3為中度污染、151~ 250μg/m3為重度污染、>250μg/m3為嚴重污染,輕度及以上污染為超標.

汾渭平原在全國城市空氣質(zhì)量實時發(fā)布平臺上發(fā)布的監(jiān)測城市共11個,樣本量較少,使用實時監(jiān)測數(shù)據(jù)做空間回歸分析會影響結(jié)果的可信度.為擴大樣本數(shù)量,本文以區(qū)縣為單元做空間回歸分析, PM2.5濃度使用遙感反演數(shù)據(jù).PM2.5遙感反演數(shù)據(jù)來自大氣成分分析組織(ACAG)(http://fizz.phys.dal. ca/~atmos/martin/?page_id=140),該數(shù)據(jù)融合了氣溶膠光學厚度(AOD)反演、GEOS-Chem模型模擬和監(jiān)測站點實測數(shù)據(jù)[29],精度較高而被廣泛使用[12].為驗證該數(shù)據(jù)在渭汾平原的精度,提取各監(jiān)測站點的PM2.5遙感反演濃度與實測濃度做相關(guān)分析,相關(guān)系數(shù)達0.878,且通過了0.01水平的顯著性檢驗,說明該數(shù)據(jù)可以代表渭汾平原PM2.5濃度的空間分布.

氣象數(shù)據(jù)來源于中國氣象數(shù)據(jù)網(wǎng)(http://data. cma.cn/site)發(fā)布的中國地面氣候資料日值數(shù)據(jù)集(V3.0),原始數(shù)據(jù)為2016年汾渭平原31個國家基準、基本氣象站日值數(shù)據(jù).利用Anusplin軟件對各氣象變量插值后,再利用ArcGIS軟件的分區(qū)統(tǒng)計功能獲得各區(qū)縣的氣象數(shù)據(jù).海拔高度、地形起伏度通過數(shù)字高程模型(DEM)計算和統(tǒng)計獲取,DEM原始數(shù)據(jù)來源于地理空間數(shù)據(jù)云(http://www.gscloud.cn/).植被覆蓋度使用歸一化植被指數(shù)(NDVI)表征,原始數(shù)據(jù)來自美國國家航空和宇航局(NASA)(http://modis. gsfc.nasa.gov/).夜間燈光數(shù)據(jù)原始數(shù)據(jù)來源于美國國家海洋和大氣管理局(NOAA)(https://www. ngdc.noaa.gov).其余社會經(jīng)濟數(shù)據(jù)來源于文獻[30-31],部分缺失的采用相應省市統(tǒng)計年鑒或國民經(jīng)濟和社會發(fā)展統(tǒng)計公報補充.

1.4 研究方法

1.4.1 全局空間自相關(guān)分析 根據(jù)Tobler地理學第一定律,相鄰的空間事物或現(xiàn)象具有相關(guān)性,且距離越近相關(guān)性越強[32].本文采用全局Moran's來測度PM2.5濃度的空間自相關(guān)性,計算公式為[12]:

式中:()和VAR()分別為的數(shù)學期望和方差.

1.4.2 局部空間自相關(guān)分析 全局Moran's雖然能度量區(qū)域空間變量的結(jié)構(gòu)形態(tài)和集聚模式,但不能識別空間集聚的具體位置.局部空間自相關(guān)用于描述空間單元與其鄰近單元的相似程度,并能表示每個局部空間單元服從全局總趨勢的程度,說明空間依賴是如何隨位置變化而變化的.局部空間自相關(guān)的常用指標為局部Moran's,計算公式為[12]:

式中:(I)和VAR(I)分別為I的數(shù)學期望和方差.

1.4.3 空間回歸模型 由于大氣的輸送作用,PM2.5觀測值并不互相獨立,往往存在較強的空間自相關(guān)性.傳統(tǒng)的線性回歸分析方法基于觀測值互相獨立的前提假設,不適合PM2.5濃度影響因素的回歸分析,本文擬采用空間回歸模型來擬合.常見的空間回歸模型有空間滯后模型(SLM)、空間誤差模型(SEM).

SLM適用于當被解釋變量間的空間依賴性對模型顯得非常關(guān)鍵而導致了空間相關(guān)時,可測度鄰域之間的空間溢出效應.模型表達式為[13]:

式中:為被解釋變量;為內(nèi)生交互效應()的空間回歸系數(shù),其值大小可反映被解釋變量空間擴散或空間溢出的程度;是權(quán)重矩陣;為解釋變量;為解釋變量的回歸系數(shù);是隨機誤差項.

SEM適用于當模型的誤差項在空間上相關(guān)時,可測度鄰域地區(qū)解釋變量變動對被解釋變量的誤差沖擊對本地區(qū)被解釋變量的影響程度.模型表達式為[13]:

式中:為隨機誤差項;為空間誤差系數(shù);其余符號含義同SLM模型.

由于SLM和SEM各具適應性,在開展空間回歸分析前需對模型進行優(yōu)選.Anselin[32]給出了最優(yōu)模型選擇的判別標準:在統(tǒng)計中若LM(lag)和LM(error)均不顯著,則無需使用空間回歸模型,直接使用傳統(tǒng)的線性回歸模型;若LM(lag)比LM(error)顯著,且Robust LM(lag)顯著而Robust LM(error)不顯著,則可以判定SLM模型更合適;反之,則SEM 模型更為合適.此外,還可以借助擬合優(yōu)度(R2)、對數(shù)似然數(shù)(LogL)、赤池信息準則(AIC)和施瓦茨準則(SC)等統(tǒng)計量判別最優(yōu)模型,一般說來,R2和LogL越大、AIC和SC越小,模型擬合效果越好.空間回歸模型估計使用Elhorst提供的Matlab空間計量程序包完成.在進行模型估計時,為減小異方差對模型估計的影響,對被解釋變量和解釋變量同時進行對數(shù)變換(ln).

2 結(jié)果與討論

2.1 汾渭平原PM2.5濃度的時間變化特征

2015~2017年汾渭平原PM2.5污染嚴重,且濃度逐年上升(表1).PM2.5年均濃度由2015年的61μg/m3,上升到2016和2017年的67和68μg/m3,分別比上一年增加了9.8%和1.5%.超標天數(shù)比例由2015年的22.8%上升到2016年的28.7%和2017年的27.5%.2017年P(guān)M2.5年均濃度比2016年高,超標天數(shù)比例卻略低于2016年,可能與高污染城市治理的加強有關(guān).汾渭平原PM2.5年均濃度大于75μg/m3的城市由2016年的3個,降至2017年2個,高污染城市濃度的降低使PM2.5超標天數(shù)比例整體降低,但其余城市PM2.5濃度的上升仍使汾渭平原PM2.5濃度整體抬升.由表1也可以看出,2015~2017年P(guān)M2.5輕度污染天數(shù)比例雖逐年上升,但中度及以上污染天數(shù)比例在2016年快速上升后,2017年已有所回落.同期全國PM2.5年均濃度由2015年的50μg/m3下降到2017年的43μg/m3,超標天數(shù)比例由17.5%下降到12.4%.2017年汾渭平原PM2.5年均濃度和超標天數(shù)比例分別為全國平均值的1.6和2.2倍.可見,汾渭平原不僅PM2.5濃度和超標天數(shù)比例遠高于全國平均水平,而且濃度呈現(xiàn)逆勢上升態(tài)勢,區(qū)域污染治理面臨嚴峻挑戰(zhàn).

表1 2015~2017年汾渭平原PM2.5日評價結(jié)果

PM2.5月均濃度變化可以分為3個階段:1~3月的下降階段、4~10月穩(wěn)定的相對低值階段和11~12月的上升階段,其曲線變化形態(tài)呈底部寬緩的U型(圖2).1~3月為采暖期,PM2.5濃度整體較高,但隨著氣溫的升高,供暖壓力逐漸減小,大氣污染物排放量逐漸減少,且氣溫的升高使空氣對流趨于活躍,大氣對污染物的傳輸和擴散作用增強,PM2.5濃度逐漸下降.4~10月為非采暖期和雨季,污染物的排放量相對較少,大氣對PM2.5的稀釋和濕沉降能力較強,PM2.5濃度相對較低.11~12月,隨著采暖期的到來,大氣污染物排放量增多,加上氣溫的持續(xù)下降使靜穩(wěn)天氣增多,PM2.5濃度維持在較高水平且逐漸上升,12月或1月達到1a的最大值.采暖期PM2.5污染明顯高于非采暖期,近3a PM2.5濃度上升也主要由采暖期濃度上升引起.采暖期PM2.5平均濃度由2015年的82μg/m3上升到2017年的100μg/m3,上升了22.0%,平均超標天數(shù)比例由41.2%上升到55.5%,超標天數(shù)占全年總超標天數(shù)的比例則由75.0%上升到83.4%.非采暖期PM2.5濃度和超標率相對較小,且年內(nèi)和年際變化均不大,2015~2017年平均濃度在43~ 45μg/m3之間,僅為同年采暖期濃度的42.9%~55.5%,平均超標天數(shù)比例則在7.8%~9.7%之間變化.

圖2 2015~2017年P(guān)M2.5濃度和超標天數(shù)的月變化

2.2 汾渭平原PM2.5濃度的空間分布特征

2016年汾渭平原PM2.5遙感反演數(shù)據(jù)顯示(圖3),PM2.5濃度總體由河谷平原向兩側(cè)的山地遞減.其中咸陽市到運城市之間的平原地區(qū)和洛陽盆地PM2.5濃度最高,已形成連片的高污染區(qū)域,區(qū)域內(nèi)城鄉(xiāng)差別較小.臨汾及其上游的平原地區(qū)PM2.5污染也較嚴重,但主要集中在城鎮(zhèn)建成區(qū),由城鎮(zhèn)向農(nóng)村的梯度遞減特征仍較明顯.

圖3 2016年汾渭平原PM2.5濃度空間分布

汾渭平原11個監(jiān)測城市的觀測數(shù)據(jù)顯示(表2),2015~2017年,除銅川和三門峽PM2.5濃度略有回落外,其余城市均有不同程度的上升.其中臨汾和咸陽上升最快,PM2.5濃度分別從2015年的58和61μg/m3上升到2017年的82和80μg/m3,分別上升了41.4%和32.1%,超標天數(shù)比例從24.1%和19.2%上升到35.9%和34.8%,成為2017年汾渭平原PM2.5污染最嚴重的2座城市.此外,西安和渭南上升幅度也超過20%,PM2.5濃度分別從58和59μg/m3上升到73和71μg/m3,超標天數(shù)比例分別從18.1%和20.0%上升到29.6%和30.1%,PM2.5空氣質(zhì)量惡化也較為明顯.三門峽和銅川是近3a汾渭平原PM2.5濃度出現(xiàn)下降的惟一2座城市,其中三門峽從2015年的74μg/m3(為當年汾渭平原PM2.5濃度最高的城市)下降到2017年的62μg/m3,超標天數(shù)比例從35.6%下降到23.6%,降幅最高.其余城市PM2.5濃度的變化幅度為2~9μg/m3.

表2 2015~2017年汾渭平原PM2.5濃度和超標天數(shù)比例變化情況

2.3 汾渭平原PM2.5濃度的空間集聚特征

利用GEODA軟件計算汾渭平原PM2.5濃度的全局Moran's,值為0.651,值為10.640,通過了0.01的顯著性檢驗.說明汾渭平原PM2.5濃度存在顯著的正空間自相關(guān),相似值趨于空間集聚.使用局部Moran's探測PM2.5濃度集聚的模式和位置(圖4).Moran散點圖顯示(圖4a),觀測值主要分布在第一和第三象限,即主要表現(xiàn)為高高集聚和低低集聚,第二象限和第四象限的低高集聚和高低集聚現(xiàn)象較少.LISA集聚圖顯示(圖4b),在0.10的顯著性水平下,高高集聚有20個縣或市轄區(qū),集中分布在咸陽到運城的平原地區(qū)和洛陽盆地,再次證實在汾渭平原的核心區(qū)域和洛陽盆地已形成了較為穩(wěn)定和持續(xù)的PM2.5連片污染區(qū).低低集聚有16個縣或市轄區(qū),主要分布在呂梁市和臨汾市的西北部,這些地區(qū)雖然濃度比平原地區(qū)低,但污染也較嚴重.低高集聚或高低集聚均未通過顯著性檢驗.

2.4 汾渭平原PM2.5濃度空間分布影響因素解析

2.4.1 空間回歸模型的確定 為對解釋變量的影響進行初步預判并與空間回歸模型進行比較,首先使用傳統(tǒng)線性回歸模型(OLS)進行擬合(表3).結(jié)果表明,殘差項Moran's的統(tǒng)計量為3.982,通過0.01顯著性檢驗,說明回歸殘差存在明顯的空間依賴.Breusch-Pagan檢驗和Koenker-Bassett檢驗的值均小于0.05,說明OLS回歸模型的隨機誤差項存在異方差,不滿足OLS回歸模型中隨機誤差項應滿足同方差性的前提假定.因此,OLS模型缺乏解釋力,應使用考慮了空間依賴因素的空間回歸模型.對比LM和Robust LM發(fā)現(xiàn),LM(lag)和LM(error)都通過了0.01的顯著性檢驗,但LM(lag)統(tǒng)計量大于 LM(error)統(tǒng)計量,且robust LM(lag)通過了0.01顯著性檢驗,而robust LM(error)不顯著.根據(jù)Anselin模型選擇判別標準,空間回歸模型宜采用SLM.

表3 OLS模型估計結(jié)果檢驗

2.4.2 空間回歸模型估計結(jié)果 SLM和SEM均代入數(shù)據(jù)進行模型估計(表4),以借助2、LogL、AIC和SC等進一步判斷模型選擇的合理性.由表4可知,SLM和SEM的2和LogL均大于OLS,而AIC和SC均小于OLS,進一步證實了引入空間回歸模型的必要性.SLM的2和LogL均大于SEM,AIC和SC小于SEM,則證實SLM的擬合度優(yōu)于SEM,說明汾渭平原PM2.5濃度存在實質(zhì)性的空間依賴,而非干擾性的空間依賴.此外,使用基于歐氏距離倒數(shù)和基于K近鄰算法的空間權(quán)重矩陣對模型結(jié)果的穩(wěn)健性進行驗證,結(jié)果表明各變量系數(shù)及顯著性無明顯變化,說明本研究構(gòu)建的模型具有較好的穩(wěn)健性.

2.4.3 影響PM2.5濃度空間分布的自然因素解析 (1)年均氣溫在3個模型中的系數(shù)均為正,且都通過了0.01水平的顯著性檢驗,說明年均氣溫高的地區(qū)PM2.5濃度相對較高.氣溫上升對PM2.5的作用有2個完全相反的方面.一方面,氣溫升高能使氣溶膠質(zhì)粒布朗擴散運動的能力增強,對大氣污染物起擴散和稀釋的作用,促使PM2.5濃度下降[33].這一點在1~3月PM2.5濃度隨氣溫的上升而下降和11~12月隨氣溫的下降而上升可以得到證實.說明在時序變化上,氣溫升高對PM2.5的主導作用表現(xiàn)為擴散和稀釋.另一方面,氣溫的上升能促進不同污染物之間的轉(zhuǎn)化和二次污染物的形成[20],使PM2.5濃度上升,冬季氣溫較低時,氣溫的差異對光化學反應的影響尤為明顯[34].年均氣溫系數(shù)為正,說明在空間變化上,氣溫對PM2.5的主導作用表現(xiàn)為促進不同污染物之間的轉(zhuǎn)化和二次污染物的形成.這與京津冀地區(qū)的研究結(jié)論相一致[13].

表4 OLS、SLM和SEM模型估計結(jié)果

(2)年降水量在3個模型中的系數(shù)均為負,且均通過了0.01水平的顯著性檢驗,表明年降水量對PM2.5濃度有顯著的負向消減作用.降水對懸浮于空氣中的細顆粒物有明顯的沖刷作用,能顯著降低空氣中的PM2.5濃度[23],因此降水量大的地區(qū)PM2.5濃度相對較低.此外,從時間變化角度來看,4~10月PM2.5濃度相對較低,也與雨季有關(guān).

(3)年均相對濕度在3個模型中的系數(shù)均為正,說明相對濕度對PM2.5有一定的正向作用.主要是因為,相對濕度高,有助于部分大氣氣溶膠粒子(粒徑在0.005~0.050μm之間)吸濕增長,并逐步向積聚模態(tài)轉(zhuǎn)化,造成PM2.5濃度升高[35].但相對濕度在3個模型中均未通過顯著性檢驗,說明這種正向作用并不顯著,這可能與汾渭平原相對干旱的氣候有關(guān).

(4)地形起伏度系數(shù)為負,且通過了0.01水平的顯著性檢驗,表明地形起伏度小的地區(qū)PM2.5濃度相對較高.這與汾渭平原相對封閉的地形有關(guān),汾渭平原四周被山脈環(huán)繞,屬盆地地形,易形成靜風和逆溫現(xiàn)象[34],不利于污染物擴散.且由于人口主要集中在地勢低平的平原地區(qū),因此起伏度小的平原地區(qū)PM2.5濃度往往高于起伏度大的周邊山區(qū).

(5)年均風速的系數(shù)為正,且在SLM模型中通過了0.10水平的顯著性檢驗,說明風速對PM2.5濃度分布有顯著的正向作用,即風速較高的地區(qū)PM2.5濃度也相對較高.這與傳統(tǒng)的認識不同,一般認為風對大氣污染物有擴散和稀釋作用,能顯著降低污染物的濃度[23].對于污染嚴重的城市來說確實如此,但風的傳輸作用同時也使下風向地區(qū)PM2.5濃度升高,造成輸入型污染[35].風呈正向作用可能也與汾渭平原相對封閉的地形有關(guān),由于污染物不易往盆地外擴散,在風的作用下區(qū)域內(nèi)污染物的相互影響顯著,這一點與京津冀等地形相對開闊的地區(qū)不同[13].

(6)植被覆蓋度系數(shù)為負,且通過了0.10的顯著性檢驗,說明植被覆蓋度對PM2.5濃度有顯著的負向消減作用.土地覆被是影響PM2.5濃度的重要因素,一方面,裸地、建筑用地的揚塵、工廠區(qū)污染物的排放和城市汽車尾氣是PM2.5的主要來源[16];另一方面,高覆蓋度植被對PM2.5有明顯的吸收和沉降作用[25].因此,提高植被覆蓋率、降低裸地和建筑用地的面積是降低PM2.5濃度的有效措施.

2.4.4 影響PM2.5濃度空間分布的社會經(jīng)濟因素解析 (1)年均人口、城鎮(zhèn)化率的系數(shù)均為正,且年均人口通過了0.01水平的顯著性檢驗.說明汾渭平原人口增長和城鎮(zhèn)化擴張仍較粗放,人口增長和城鎮(zhèn)擴張給資源和環(huán)境帶來巨大的壓力.未來城鎮(zhèn)的發(fā)展應充分利用人口集聚的規(guī)模效應,加強城市環(huán)境保護措施的建立,對城市污染物集中處理,以利于城市PM2.5污染的改善.

(2)人均GPD的系數(shù)為正,但未通過顯著性檢驗.說明經(jīng)濟發(fā)展水平對PM2.5濃度分布有正向作用,但這種作用不顯著.環(huán)境庫茨涅茨曲線(EKC)假說[36]認為,環(huán)境污染與經(jīng)濟發(fā)展的長期關(guān)系呈倒“U”型,經(jīng)濟發(fā)展水平較低時,環(huán)境污染隨著經(jīng)濟發(fā)展而加劇;經(jīng)濟發(fā)展到一定階段后,環(huán)境質(zhì)量隨著經(jīng)濟的發(fā)展而逐漸改善.從時間變化來看,近3a汾渭平原PM2.5污染隨經(jīng)濟的發(fā)展而加重.從空間分布來看,人口分布對PM2.5濃度呈現(xiàn)正向影響.可見,汾渭平原經(jīng)濟發(fā)展和PM2.5污染改善之間正處于環(huán)境庫茲涅茨曲線的爬坡階段,未來應推動產(chǎn)業(yè)升級,加快經(jīng)濟發(fā)展的綠色轉(zhuǎn)型,促使經(jīng)濟發(fā)展的正向效應盡早顯現(xiàn).

(3)能源消費指數(shù)的系數(shù)為正,且通過了0.01的顯著性檢驗,說明能源消費直接加重當?shù)豍M2.5污染.汾渭平原城市多以能源重化工為主導產(chǎn)業(yè),能源消費主要依賴于煤炭,占比近90%.不合理的能源消費結(jié)構(gòu)是造成汾渭平原大氣污染嚴重的重要原因,因而能源消費指數(shù)高的地區(qū),PM2.5濃度也相應較高.

(4)第二產(chǎn)業(yè)占GDP比重未通過顯著性檢驗,說明經(jīng)濟結(jié)構(gòu)對PM2.5濃度的影響不大.這可能與近年來政府加大對重點城市的污染治理有關(guān),近年來政府加大了重點城市重污染企業(yè)的關(guān)停并轉(zhuǎn),第二產(chǎn)業(yè)占GDP比重雖已率先下降,但經(jīng)濟發(fā)展對工業(yè)的依賴度仍然很高,加上不合理的能源消費結(jié)構(gòu)并未改變,污染仍較為嚴重,致使第二產(chǎn)業(yè)占GDP比重對PM2.5濃度的區(qū)分度不高.典型城市如臨汾市,市轄區(qū)第二產(chǎn)業(yè)占GDP比重已降至21.82%,遠低于汾渭平原的平均水平,但污染仍較嚴重.未來應加大經(jīng)濟結(jié)構(gòu)優(yōu)化調(diào)整和經(jīng)濟轉(zhuǎn)型發(fā)展的力度,提高資源的利用效率,促使經(jīng)濟結(jié)構(gòu)優(yōu)化調(diào)整的環(huán)境成效盡早顯現(xiàn).

表5 直接效應與間接效應估計

注:***、**、*分別表示通過了0.01、0.05、0.10水平的顯著性檢驗.

2.4.5 直接效應和空間溢出效應分析 直接效應指本地的影響因素對本地PM2.5的影響,間接效應指本地影響因素對鄰近地區(qū)PM2.5的影響,或者解釋為鄰近地區(qū)影響因素對本地PM2.5的影響,可反映各影響因素的空間溢出效應.表4顯示,PM2.5內(nèi)生交互效應的空間回歸系數(shù)為0.356,且通過了0.01顯著性檢驗.說明汾渭平原PM2.5濃度有實質(zhì)性的空間溢出效應,在控制其它解釋變量的前提下,相鄰地區(qū)PM2.5濃度每上升1%,將導致本地區(qū)PM2.5濃度上升0.356%.表5為SLM模型對各解釋變量估計的直接效應和間接效應.根據(jù)各解釋變量的系數(shù)及顯著性,對本地PM2.5濃度的直接效應貢獻強度由大到小依次為:年均氣溫>平均風速>年降水量#>植被覆蓋度#>城鎮(zhèn)化率>地形起伏度#>能源消費指數(shù)>年均人口(#表示負向影響),年均相對濕度、第二產(chǎn)業(yè)占GDP比重和人均GDP對PM2.5濃度沒有顯著的直接效應.各解釋變量的間接效應影響強度排序為:年均氣溫>年降水量#>城鎮(zhèn)化率>地形起伏度#>能源消費指數(shù)>年均人口(#表示負向影響),平均風速、年均相對濕度、植被覆蓋率、第二產(chǎn)業(yè)占GDP比重和人均GPD對PM2.5濃度無顯著的間接效應.可見,氣溫、城鎮(zhèn)化率、能源消費指數(shù)和年均人口不僅與本地PM2.5濃度有顯著的正相關(guān),而且會加重鄰近地區(qū)PM2.5污染.年降水量和地形起伏度則不僅與本地PM2.5有顯著的負相關(guān),而且能降低鄰近地區(qū)PM2.5濃度.風的傳輸作用能加重本地PM2.5污染,植被覆蓋度能消減本地PM2.5濃度,但其間接效應都不顯著.

3 結(jié)論

3.1 2015~2017年,汾渭平原PM2.5濃度呈逐年上升趨勢,各年份月均濃度變化均呈底部寬緩的U型曲線.采暖期(11月~次年3月)PM2.5濃度和超標率明顯高于非采暖期(4~10月),平均濃度由2015年的82μg/m3上升到2017年的100μg/m3,平均超標天數(shù)比例由41.2%上升到55.5%,研究期PM2.5濃度整體上升主要由采暖期上升引起.非采暖期PM2.5濃度變化不大,平均濃度維持在43~45μg/m3,平均超標天數(shù)比例為7.8%~9.7%.

3.2 PM2.5濃度分布總體由河谷平原向兩側(cè)的山地遞減,高污染區(qū)域主要分布在河谷平原地區(qū).其中咸陽市到運城市之間的平原地區(qū)和洛陽盆地污染最嚴重,已形成連片的高污染區(qū)域,區(qū)域內(nèi)城鄉(xiāng)差別較小.臨汾市及其上游的平原地區(qū)城鎮(zhèn)PM2.5污染其次,但主要分布在城鎮(zhèn),城鎮(zhèn)向農(nóng)村的梯度遞減特征較明顯.

3.3 空間回歸分析表明,汾渭平原PM2.5濃度有實質(zhì)性的空間溢出效應,相鄰地區(qū)PM2.5濃度每上升1%,將導致本地區(qū)PM2.5濃度上升0.356%.PM2.5濃度與年均氣溫、年均風速、年均人口、城鎮(zhèn)化率、能源消費指數(shù)有顯著的正相關(guān)關(guān)系,與年降水量、地形起伏度和植被覆蓋度有顯著的負相關(guān)關(guān)系,年均相對濕度、人均GPD、第二產(chǎn)業(yè)占GDP比重則影響不大.

3.4 各解釋變量對本地PM2.5濃度的直接效應貢獻強度由大到小依次為:年均氣溫>平均風速>年降水量#>植被覆蓋度#>城鎮(zhèn)化率>地形起伏度#>能源消費指數(shù)>年均人口(#表示負向影響),間接效應影響強度排序為:年均氣溫>年降水量#>城鎮(zhèn)化率>地形起伏度#>能源消費指數(shù)>年均人口(#表示負向影響),其余因子的直接效應或間接效應不顯著.

[1] Wu S W, Deng F R, Wei H Y, et al. Association of cardiopulmonary health effects with source-appointed ambient fine particulate in Beijing, China: A combined analysis from the Healthy Volunteer Natural Relocation (HVNR) study [J]. Environmental Science & Technology, 2014,48(6):3438-3448.

[2] Zhao X J, Zhang X L, Xu X F, et al. Seasonal and diurnal variations of ambient PM2.5concentration in urban and rural environments in Beijing [J]. Atmospheric Environment, 2009,43(18):2893-2900.

[3] Wang Z B, Fang C L. Spatial-temporal characteristics and determinants of PM2.5in the Bohai Rim Urban Agglomeration [J]. Chemosphere, 2016,148:148-162.

[4] Ye X X, Song Y, Cai X H, et al. Study on the synoptic flow patterns and boundary layer process of the severe haze events over the North China Plain in January 2013 [J]. Atmospheric Environment, 2016,124: 129-145.

[5] Peng J, Chen S, Lyu H L, et al. Spatiotemporal patterns of remotely sensed PM2.5concentration in China from 1999 to 2011 [J]. Remote Sensing of Environment, 2016,174:109-121.

[6] 鄭保利,梁流濤,李明明.1998~2016年中國地級以上城市PM2.5污染時空格局 [J]. 中國環(huán)境科學, 2019,39(5):1909-1919. Zheng B L, Liang L T, Li M M. Analysis of temporal and spatial patterns of PM2.5in Prefecture-Level Cities of China from 1998 to 2016 [J]. China Environmental Science, 2019,39(5):1909-1919.

[7] 王振波,方創(chuàng)琳,許 光,等.2014年中國城市PM2.5濃度的時空變化規(guī)律 [J]. 地理學報, 2015,70(11):1720-1734. Wang Z B, Fang C L, Xu G, et al. Spatial-temporal characteristics of the PM2.5in China in 2014 [J]. Acta Geographica Sinica, 2015,70(11): 1720-1734.

[8] Du Y Y, Sun T S, Peng J, et al. Direct and spillover effects of urbanization on PM2.5concentrations in China's top three urban agglomerations [J]. Journal of Cleaner Production, 2018,190:72-83.

[9] 馬 瑩,吳 兌,劉 建.珠三角春節(jié)期間PM2.5及水溶性離子成分的變化——以2012年為例 [J]. 中國環(huán)境科學, 2016,36(10):2890- 2895. Ma Y, Wu D, Liu J. The characteristics of PM2.5and its water soluble ions during Spring Festival in PRD in 2012 [J]. China Environmental Science, 2016,36(10):2890-2895.

[10] Sun J J, Liang M J, Shi Z H, et al. Investigating the PM2.5mass concentration growth processes during 2013~2016 in Beijing and Shanghai [J]. Chemosphere, 2019,221:452-463.

[11] 竇以文,丹 利,胡保昆,等.霾天氣影響下的京津冀氣候變化特征與成因 [J]. 中國環(huán)境科學, 2019,39(2):506-513. Dou Y W, Dan L, Hu B K, et al. Characteristics and causes of climate change under haze weather in Beijing, Tianjin and Hebei [J]. China Environmental Science, 2019,39(2):506-513.

[12] 周 亮,周成虎,楊 帆,等.2000~2011年中國PM2.5時空演化特征及驅(qū)動因素解析 [J]. 地理學報, 2017,72(11):2079-2092. Zhou L, Zhou C H, Yang F, et al. Spatio-temporal evolution and the influencing factors of PM2.5in China between 2000 and 2011 [J]. Acta Geographica Sinica, 2017,72(11):2079-2092.

[13] 劉海猛,方創(chuàng)琳,黃解軍,等.京津冀城市群大氣污染的時空特征與影響因素解析 [J]. 地理學報, 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.

[14] 賀 祥,林振山,劉會玉,等.基于灰色關(guān)聯(lián)模型對江蘇省PM2.5濃度影響因素的分析 [J]. 地理學報, 2016,71(7):1119-1129. He X, Lin Z S, Liu H Y, et al. Analysis of the driving factors of PM2.5in Jiangsu province based on grey correlation model [J]. Acta Geographica Sinica, 2016,71(7):1119-1129.

[15] 段杰雄,翟衛(wèi)欣,程承旗,等.中國PM2.5污染空間分布的社會經(jīng)濟影響因素分析 [J]. 環(huán)境科學, 2018,39(5):2498-2504. Duan J X, Zhai W X, Cheng C Q, et al. Socio-economic factors influencing the spatial distribution of PM2.5concentrations in China: An exploratory analysis [J]. Environmental Science, 2018,39(5):2498- 2504.

[16] 曹 寧,黃學敏,祝 穎,等.西安冬季重污染過程PM2.5理化特征及來源解析 [J]. 中國環(huán)境科學, 2019,39(1):32-39. Cao N, Huang X M, Zhu Y, et al. Pollution characteristics and source apportionment of fine particles during a heavy pollution in winter in Xi'an City [J]. China Environmental Science, 2019,39(1):32-39.

[17] Lin X, Wang D. Spatiotemporal evolution of urban air quality and socioeconomic driving forces in China [J]. Journal of Geographical Sciences, 2016,26(11):1533-1549.

[18] 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(1):163-170.

[19] Li L, Qian J, Ou C Q, et al. Spatial and temporal analysis of Air Pollution Index and its timescale-dependent relationship with meteorological factors in Guangzhou, China, 2001~2011 [J]. Environmental Pollution, 2014,190(7):75-81.

[20] Sabetghadam S, Ahmadi-Givi F. Relationship of extinction coefficient, air pollution, and meteorological parameters in an urban area during 2007 to 2009 [J]. Environmental Science and Pollution Research, 2014,21(1):538-547.

[21] 李穎敏,鄧雪嬌,鄧 濤,等.中山市2000~2014年霾天氣特征及氣象影響因子 [J]. 中國環(huán)境科學, 2016,36(6):1638-1644. Li Y M, Deng X J, Deng T, et al. Haze characteristics associated with meteorological factors in Zhongshan during 2000~2014 [J]. China Environmental Science, 2016,36(6):1638-1644.

[22] Zhang Z, Zhang X, Gong D, et al. Evolution of surface O3, and PM2.5, concentrations and their relationships with meteorological conditions over the last decade in Beijing [J]. Atmospheric Environment, 2015, 108:67-75.

[23] 吳 蒙,范紹佳,吳 兌,等.廣州地區(qū)灰霾與清潔天氣變化特征及影響因素分析 [J]. 中國環(huán)境科學, 2012,32(8):1409-1415. Wu M, Fan S J, Wu D, et al. Characteristics and influence factors study of haze and cleaning weather over Guangzhou Area [J]. China Environmental Science, 2012,32(8):1409-1415.

[24] Ma?eikis A. Urbanization influence on meteorological parameters of air pollution: Vilnius case study [J]. Baltica, 2013,26(1):51-56.

[25] 王嫣然,張學霞,趙靜瑤,等.2013~2014年北京地區(qū)PM2.5時空分布規(guī)律及其與植被覆蓋度關(guān)系的研究 [J]. 生態(tài)環(huán)境學報, 2016,25(1): 103-111. Wang Y R, Zhang X X, Zhao J Y, et al. Temporal and spatial distribution of PM2.5and its relationship with vegetation coverage in Beijing during the period of 2013~2014 [J]. Ecology and Environmental Sciences, 2016,25(1):103-111.

[26] Xie Y H, Weng Q H. World energy consumption pattern as revealed by DMSP-OLS nighttime light imagery [J]. Mapping Sciences and Remote Sensing, 2016,53(2):265-282.

[27] GB 3095-2012 環(huán)境空氣質(zhì)量標準 [S]. GB 3095-2012 Ambient air quality standards [S].

[28] HJ 663-2013 環(huán)境空氣質(zhì)量評價技術(shù)規(guī)范(試行) [S]. HJ 663-2013 Technical regulation for ambient air quality assessment (on trial) [S].

[29] Van D 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.

[30] 國家統(tǒng)計局.中國縣域統(tǒng)計年鑒-2017 [M]. 北京:中國統(tǒng)計出版社, 2018:32-374. National Bureau of Statistics. China county statistical yearbook 2017 [M]. Beijing: China Statistics Press, 2018:32-374.

[31] 國家統(tǒng)計局.中國城市統(tǒng)計年鑒-2017 [M]. 北京:中國統(tǒng)計出版社, 2018:13-338. National Bureau of Statistics. China City Statistical Yearbook 2017 [M]. Beijing: China Statistics Press, 2018:13-338.

[32] Anselin L, Bera A K, Florax R, et al. Simple diagnostic tests for spatial dependence [J]. Regional Science & Urban Economics, 1993,26(1): 77-104.

[33] 張振華.PM2.5濃度時空變化特性、影響因素及來源解析研究[D]. 杭州:浙江大學, 2014. Zhang Z H. Research on spatial and temporal variation characteristics, factors, and source apportionment of PM2.5[D]. Hangzhou: Zhejiang University, 2014.

[34] 黃小剛,趙景波,曹軍驥,等.中國城市O3濃度時空變化特征及驅(qū)動因素[J]. 環(huán)境科學, 2019,40(3):120-1131. 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):120-1131.

[35] 宋 明,韓素芹,張 敏,等.天津大氣能見度與相對濕度和PM10及PM2.5的關(guān)系 [J]. 氣象與環(huán)境學報, 2013,29(2):34-41. Song M, Han S Q, Zhang M, et al. Relationship between visibility and relative humidity, PM10, PM2.5in Tianjin [J]. Journal of Meteorology and Environment, 2013,29(2):34-41.

[36] Grossman G M, Krueger A B. Economic growth and the environment [J]. The Quarterly Journal of Economics, 1995,110(2):353-377.

Influence factors and spillover effect of PM2.5concentration on Fen-wei Plain.

HUANG Xiao-gang1,2,3, SHAO Tian-jie1*, ZHAO Jing-bo1,2, CAO Jun-ji2, SONG Yong-yong1

(1.School of Geography and Tourism, Shaanxi Normal University, Xi’an 710119, China；2.Key Laboratory of Aerosol Chemistry and Physics, Institute of Earth Environment, Chinese Academy of Sciences, Xi’ an 710061, China；3.College of Geographical Sciences, Shanxi Normal University, Linfen 041004, China)., 2019,39(8)：3539~3548

Based on data collected by real-time monitoring and remote sensing retrieval from 2015 to 2017, the paper probed into the spatial and temporal change of PM2.5concentration and its influence factors on Fen-wei Plain via spatial autocorrelation analysis and spatial regression analysis. The results showed that: 1) The growing trend of the concentration during these three years was a result of a rapid increase during the heating period (from November to next March), while there was no significant inter-annual variation during the non-heating period (from April to October). 2) The average monthly change of PM2.5concentration was in a U shape, with a much higher concentration during the heating period. And days with PM2.5non-attainment during the heating period to the total yearly PM2.5polluted days increased from the 75.0% in 2015 to the 83.4% in 2017. 3)Cities on the Plain were all in an increasing trend except Tongchuan and Sanmenxia, among which plains from Xianyang to Yuncheng and Luoyang Basin were experiencing the worst PM2.5pollution with a subtle rural-urban difference, and, thus, formed a highly polluted area. Then it followed by Linfen and plains along side the upper reach of Fen River, which were also in a bad condition but with an evident urban-rural difference. 4) Based on spatial regression analysis, there was a significant spatial spillover effect for the PM2.5concentration on the Plain. Driving factors including annual average temperature, urbanization rate, and energy consumption positively effected the PM2.5concentration, and additionally, they drove the PM2.5pollution of neighboring areas into a worse situation. On the contrary, annual precipitation and relief amplitude were not only negatively correlated with the concentration of PM2.5, they also helped for a lower PM2.5concentration in neighboring areas. Moreover, the transmission effect by wind facilitated the PM2.5pollution, while vegetation coverage discourage PM2.5concentration, but neither of their indirect effect was significant.

PM2.5；influence factors；temporal and spatial change；spatial regression；spatial autocorrelation；Fen-wei Plain

X196,F061.5

A

1000-6923(2019)08-3539-10

黃小剛(1978-),男,廣西臨桂人,講師,博士研究生,主要研究方向為生態(tài)環(huán)境評價與治理.發(fā)表論文8篇.

2019-01-03

國家自然科學基金資助項目(41671213);中央高?；究蒲袠I(yè)務費資助專項項目(GK201803055);中國科學院氣溶膠化學與物理重點實驗室資助項目(KLACP-2018-01)

* 責任作者, 副教授, tjshao2010@126.com