森林覆被率等因子與PM2.5的時間滯后效應(yīng)的研究

李 三 郭金祿 鄭 煜

(東北林業(yè)大學(xué)理學(xué)院，哈爾濱 150040)

近幾年，國內(nèi)外學(xué)者，對PM2.5影響因素的研究有很多，涉及到各個領(lǐng)域，在眾多研究中將PM2.5時間滯后效應(yīng)作為影響因素的研究卻很少。在醫(yī)學(xué)領(lǐng)域中Evelyn O.Talbott等人[1]運用時間分層的病例交叉研究設(shè)計和條件邏輯回歸分析了美國七個州PM2.5濃度和缺血性心臟病之間的關(guān)系，結(jié)果表明：在較冷的月份中，滯后1天時PM2.5的時間滯后效應(yīng)達(dá)到最大。Amber Hughes Sinclair等人[2]運用泊松模型研究亞特蘭大都會區(qū)的門診醫(yī)療機(jī)構(gòu)中空氣污染與急性呼吸系統(tǒng)就診之間的關(guān)系，研究發(fā)現(xiàn)，在PM2.5滯后3～5天的延遲中，成年哮喘顯著呈陰性，而在PM2.5滯后6到8天的延遲中，沒有任何明顯發(fā)現(xiàn)。殷永文、程金平等人[3]運用廣義相加泊松回歸模型對上海市6所大中型醫(yī)院的呼吸科、兒呼吸科日門診人數(shù)及霾天PM2.5、PM10的濃度數(shù)據(jù)進(jìn)行統(tǒng)計分析，結(jié)果發(fā)現(xiàn)，PM2.5對門診人數(shù)影響的滯后累積效應(yīng)大于當(dāng)日效應(yīng)，且在霾污染爆發(fā)第6天時累積效應(yīng)達(dá)到最大化。石同幸、董航等人[4]利用廣義相加時間序列模型分析廣州市中心城區(qū)的大氣PM2.5日平均濃度與居民非意外總死亡、呼吸系統(tǒng)疾病和心血管疾病死亡之間的關(guān)系。結(jié)果表明：大氣中PM2.5濃度在滯后1 d時非意外總死亡的健康效應(yīng)最大；在滯后3 d時心血管疾病的死亡效應(yīng)最大。李光勤等人[5]采用空間杜賓模型，定量考察了中國31個省級的PM2.5污染對健康支出影響的時間滯后效應(yīng)和空間溢出效應(yīng)，結(jié)果表明：當(dāng)期的PM2.5平均質(zhì)量濃度對人均就診次數(shù)的影響不顯著，而滯后一期的PM2.5平均質(zhì)量濃度的系數(shù)顯著為正，PM2.5污染對人均就診次數(shù)的影響具有時間滯后效應(yīng)。在PM2.5的時間滯后效應(yīng)與空氣污染物的研究中，XiaoLingZhang等人[6]運用因子分析提取主成分方法對北京—天津—河北地區(qū)進(jìn)行研究，結(jié)果表明：滯后的PM2.5濃度對當(dāng)期PM2.5濃度有顯著影響，區(qū)域PM2.5濃度值與該區(qū)域及鄰近區(qū)域的滯后期PM2.5呈顯著正相關(guān)，但其沒有考慮PM2.5的時間滯后效應(yīng)與其他空氣污染物的關(guān)系。在PM2.5的時間滯后效應(yīng)與經(jīng)濟(jì)的研究中，代麗華[7]運用SYS-GMM(系統(tǒng)廣義矩估計)方法，對中國74個城市動態(tài)面板模型進(jìn)行估計得出結(jié)論：PM2.5滯后一期值與PM2.5的當(dāng)期值顯著正相關(guān)的同時，外貿(mào)依存度對當(dāng)期PM2.5的系數(shù)估計值也顯著為正。總之，現(xiàn)階段國內(nèi)外學(xué)者在醫(yī)學(xué)領(lǐng)域?qū)M2.5時間滯后效應(yīng)的研究居多。

關(guān)于森林植被與PM2.5的關(guān)系，林學(xué)和環(huán)境領(lǐng)域的專家們通過實驗給出了一些結(jié)論：①森林可以改變空氣流動路徑以阻攔PM2.5進(jìn)入局部區(qū)域(阻塵作用)，大面積的植被覆蓋使局部風(fēng)速降低，有助于較大顆粒物的降落[8]。②森林可以通過覆蓋裸露地表來減少PM2.5來源[9](減塵作用)。③大片的森林降低風(fēng)速促進(jìn)PM2.5顆粒的沉降(沉降作用)，植被降低局部風(fēng)速，同時氣流穿梭于植被枝葉間，湍流作用增強(qiáng)，PM2.5顆粒物與葉片、樹皮等的接觸可能增加PM2.5沉降速率[10]。④當(dāng)氣流推動PM2.5撞擊到植被表面時，由于葉片、樹皮等具有一定的粗糙度和濕度，能夠使PM2.5鑲嵌或黏在其表面，從而使空氣中一定數(shù)量的PM2.5，滯留在植被體表面[11～12]。但是關(guān)于PM2.5與森林覆被率方面的定量研究并不多，周海川[13]運用工具變量的三階段最小二乘估計(3SLS)將外生的病蟲害發(fā)生面積作為森林面積的工具變量來解決煙粉塵排放的內(nèi)生性問題，結(jié)果顯示：森林面積顯著影響煙粉塵排放水平，森林面積每增加1%，煙粉塵排放量大約降低0.884%。Yuzheng等人[14]利用大數(shù)據(jù)量化分析得出森林能阻滯PM2.5的結(jié)論，森林覆被率高的區(qū)域其PM2.5濃度均會相應(yīng)地低。鄭煜等人[15]通過建立黑龍江省13個市(區(qū))面板數(shù)據(jù)模型對森林覆被率及其他空氣污染物和氣象要素對PM2.5的影響進(jìn)行研究，結(jié)果顯示：森林植物對PM2.5的凈化吸收能力是有限的，人為因素在造成空氣污染的過程中起決定作用；森林覆被率是阻滯PM2.5質(zhì)量濃度增高的最主要因素。以往研究PM2.5時間滯后效應(yīng)的方法主要有因子分析、廣義相加模型、空間杜賓模型、SYS-GMM和3SLS。黑龍江省在全國具有森林覆被率高、秋冬兩季供暖期長導(dǎo)致常有嚴(yán)重霧霾的兩個特點，因此在以上研究的基礎(chǔ)上，本文以黑龍江省為研究區(qū)域，研究了森林覆被率及其他影響因素與PM2.5時間滯后效應(yīng)之間的關(guān)系，以期豐富PM2.5與森林植物的關(guān)系的研究，同時讓人們對PM2.5的時間滯后效應(yīng)與森林覆被率及其他空氣污染物和氣象因子之間的關(guān)系有更全面地了解。

1 研究區(qū)域與數(shù)據(jù)來源

1.1 研究區(qū)域

黑龍江省(121°11′～135°05′E,43°26′～53°33′N)位于中國東北部，是中國地理位置最北、緯度最高的省份，它所轄12個市和一個大興安嶺地區(qū)。黑龍江省林地面積廣、森林覆被率高，春季低溫干旱，冬季寒冷漫長，無霜期短，供暖期長，供暖方式主要以燃煤為主。

1.2 數(shù)據(jù)來源

2016年5月1日到2019年4月30日期間黑龍江省所轄13個城市(區(qū))、5個氣象因子(氣壓、相對濕度、日照時數(shù)、氣溫、風(fēng)速)的日平均數(shù)據(jù)，共計71 175個，其中13個城市的氣象數(shù)據(jù)共有58個缺失，對于時間序列中的缺失數(shù)據(jù)，本文使用插值法進(jìn)行數(shù)據(jù)的彌補(bǔ)。此外，從中國空氣質(zhì)量平臺獲得黑龍江省所轄13個城市(區(qū))2016年5月1日到2019年4月30日期間PM2.5日平均濃度數(shù)據(jù)14 235個，以及其他空氣污染物(PM10、SO2、CO、NO2、O3_8 h)日平均數(shù)據(jù)71 175個。從黑龍江省各市政府官方網(wǎng)站獲得2016～2019年13個市(區(qū))的森林覆被率的數(shù)據(jù)13條共計140 235個。數(shù)據(jù)共計170 820個。

2 研究方法

2.1 動態(tài)面板數(shù)據(jù)模型

動態(tài)面板數(shù)據(jù)模型中，因變量的觀測值隨個體和時間改變。在這種情況下，前一期的因變量就有可能對當(dāng)期的因變量產(chǎn)生影響，前一期的因變量成為解釋變量，即解釋變量中含有滯后被解釋變量，此時便產(chǎn)生了動態(tài)面板數(shù)據(jù)模型[16]。動態(tài)面板數(shù)據(jù)模型不僅能規(guī)避多重共線性問題，還能提升自由度，使得模型估計效果相比靜態(tài)面板模型更優(yōu)。動態(tài)面板數(shù)據(jù)模型表達(dá)式如下：

(11)

式中：yit為被解釋變量，yi,t|1為被解釋變量的滯后1天，xkit為解釋變量，ξi為個體效應(yīng)，μit為隨機(jī)誤差項。

2.2 2SLS方法

3 模型的建立與結(jié)果分析

本文基于黑龍江13個城市(區(qū))2016年5月1日至2019年4月30日期間的面板數(shù)據(jù)，以PM2.5日平均濃度(y，單位:μg·m-3)、PM2.5日平均濃度滯后1 d(L1，單位:μg·m-3)、以PM2.5日平均濃度滯后2 d(L2，單位:μg·m-3)、以PM2.5日平均濃度滯后3 d(L3，單位:μg·m-3)、PM10日平均濃度(x1，單位:μg·m-3)、SO2日平均濃度(x2，單位:μg·m-3)、CO日平均濃度(x3，單位:μg·m-3)、NO2日平均濃度(x4，單位:μg·m-3)、O3_8 h日平均濃度(x5，單位:μg·m-3)、日平均氣壓(x6，單位：0.1 hPa)、日平均相對濕度(x7，單位：1%)、日平均光照時數(shù)(x8，單位：0.1 h)、日平均氣溫(x9，單位：0.1℃)、日平均風(fēng)速(x10，單位：0.1 m·s-1)、森林覆被率(x11，單位：1%)為解釋變量，運用軟件建立動態(tài)面板數(shù)據(jù)模型。另外，為確保所得結(jié)論更可靠，故本文建立了3個時間段的模型。

3.1 3個不同時間段動態(tài)面板數(shù)據(jù)模型的建立

3.1.1 3個不同時間段模型的單位根檢驗

為防止模型“偽回歸”，對各序列進(jìn)行單位根檢驗。單位根檢驗的方法一般有5種，有3種及以上通過檢驗，即說明序列平穩(wěn)。本文建立了3個不同時間段模型分別是2016年5月1日～2019年4月30日的3年模型、2017年5月1日～2019年4月30日的2年模型、2018年5月1日～2019年4月30日的1年模型。每類模型都進(jìn)行了5種單位根檢驗方法的檢驗，且都通過，只列出3種檢驗結(jié)果，詳細(xì)結(jié)果見表1。檢驗結(jié)果均顯示原序列平穩(wěn)，可以直接建立回歸模型。

3.1.2 動態(tài)模型的建立

在不考慮PM2.5的時間滯后效應(yīng)情況下，運用混合面板數(shù)據(jù)模型建立了3個不同時間段的靜態(tài)面板模型：模型一。為反映被解釋變量的動態(tài)連續(xù)性，在動態(tài)面板模型中加入了PM2.5排放的滯后期(天)作為解釋變量。分別將PM2.5濃度的滯后1、2、3 d引入方程并運用2SLS方法對各因素系數(shù)進(jìn)行估計，分別得3個不同時間段的動態(tài)面板模型：模型二、模型三、模型四，詳細(xì)結(jié)果見表2。

3.1.3 模型的檢驗

為確保模型的穩(wěn)健性，對模型進(jìn)行協(xié)整檢驗。由于模型中解釋變量個數(shù)大于7，協(xié)整檢驗方法只能選用Kao檢驗或Fisher聯(lián)合檢驗，本文采用Kao檢驗，檢驗結(jié)果見表3。檢驗結(jié)果顯示模型殘差項具有長期均衡關(guān)系，說明所建立的動態(tài)回歸模型是穩(wěn)健的，可以利用所得到的模型進(jìn)行分析。

3.2 結(jié)果分析

3.2.1 PM2.5的時間滯后效應(yīng)的分析

對3個不同時間段模型參數(shù)匯總結(jié)果見表4，由表4中的檢驗參數(shù)可知，3個不同時間段的面板數(shù)據(jù)模型共同量化得到以下結(jié)論：①在面板數(shù)據(jù)模型中，相較于靜態(tài)模型、PM2.5滯后兩天模型、PM2.5滯后3天模型，均是PM2.5滯后1天模型的R2和D-W值最大，說明PM2.5滯后1天模型擬合效果最佳；②3個滯后模型相比靜態(tài)模型R2均較大，不僅說明了將PM2.5的滯后作為模型的解釋變量提高了模型的擬合度， 并證明了PM2.5的時間滯后效應(yīng)對當(dāng)期PM2.5濃度變化有著一定的關(guān)系。③3個滯后模型相比靜態(tài)模型D-W值較大，說明滯后模型使得殘差序列和解釋變量相關(guān)性降低，在證明了PM2.5的滯后對PM2.5濃度變化有著一定的影響基礎(chǔ)上,又證明了PM2.5的滯后可以作為PM2.5濃度變化的影響因素，因此在研究PM2.5濃度的影響因素時PM2.5的滯后作為解釋變量是正確的；④運用3年面板數(shù)據(jù)建立的靜態(tài)和動態(tài)模型擬合效果最好，運用2年面板數(shù)據(jù)建立的靜態(tài)和動態(tài)模型擬合效果次之，運用1年面板數(shù)據(jù)建立的靜態(tài)和動態(tài)模型擬合效果再次之，說明大數(shù)據(jù)建立的模型更精確。

表1 單位根檢驗結(jié)果

注：①檢驗形式c、t分別表示的單位根檢驗中的個體項和時間趨勢項，n表示不包括常數(shù)項或時間趨勢項；②***、**、*分別表示1%、5%、10%的置信水平下顯著。

Note:①The intercept and the trend in the unit root test indicated by the test form c,t,n means the intercept or the trend are not included; ②***,**,*indicate significant at 1%,5% and 10% confidence levels.

表2 3個不同時間段的靜態(tài)與動態(tài)回歸模型

表3 3個不同時間段模型的協(xié)整檢驗

Table 3 Cointegration test of three different time period models

時間段Years組別Groupt統(tǒng)計量t-Statistic結(jié)論ConclusionThree模型一Model 1-7.691***穩(wěn)健Steady模型二Model 2-8.520***穩(wěn)健Steady模型三Model 3-9.746***穩(wěn)健Steady模型四Model 4-9.097***穩(wěn)健SteadyTwo模型一Model 1-7.224***穩(wěn)健Steady模型二Model 2-7.911***穩(wěn)健Steady模型三Model 3-8.447***穩(wěn)健Steady模型四Model 4-7.798***穩(wěn)健SteadyOne模型一Model 1-5.016***穩(wěn)健Steady模型二Model 2-6.516***穩(wěn)健Steady模型三Model 3-6.190***穩(wěn)健Steady模型四Model 4-7.694***穩(wěn)健Steady

表4 3個不同時間段模型參數(shù)匯總

Table 4 Summary of model parameters for three different time periods

時間段Years擬合效果Fitting effect靜態(tài)模型Static model滯后1天模型Model of PM2.5 Lag 1滯后2天模型Model of PM2.5 Lag 2滯后3天模型Model of PM2.5 Lag 3ThreeR20.8350.8420.8360.835D-W0.9381.5811.0900.995TwoR20.8140.8240.8140.814D-W0.8881.5881.0680.995OneR20.7830.8010.7850.783D-W0.9441.1121.6261.002

表5 PM2.5的時間滯后效應(yīng)下PM10、CO、氣溫、風(fēng)速、森林覆被率回歸系數(shù)匯總

Table 5 Summary of regression coefficients of PM10,CO,air temperature,wind speed,and forest cover under time lag effect of PM2.5

變量Variable時間段Year靜態(tài)模型Static model滯后1天模型Model of PM2.5 Lag 1滯后2天模型Model of PM2.5 Lag 2滯后3天模型Model of PM2.5 Lag 3PM2.5的滯后Lag of PM2.5Three0.313***0.159***0.103***Two0.377***0.187***0.119***One0.372***0.191***0.110***PM10Three0.623***0.496***0.593***0.612***Two0.602***0.449***0.567***0.591***One0.553***0.413***0.522***0.546***COThree7.992***7.739***8.154***8.127***Two17.993***15.772***17.930***18.006***One23.210***20.326***22.649***22.729***氣溫Air temperatureThree-0.022***-0.011***-0.016***-0.018***Two-0.024***-0.009***-0.016***-0.018***One-0.036***-0.015***-0.025***-0.030***風(fēng)速Wind speedThree-0.081***-0.147***-0.128***-0.109***Two-0.083***-0.155***-0.136***-0.114***One-0.116***-0.154***-0.155***-0.136***森林覆被率Forest cover rateThree-5.761***-3.622***-4.844***-5.089***Two-6.393***-3.219***-4.945***-5.372***One-10.201***-5.236***-7.574***-8.587***

3.2.2 PM2.5時間滯后效應(yīng)與森林覆被率、PM10、CO等因素的變化規(guī)律的分析

由3個不同時間段模型一至模型四得到各因素的回歸系數(shù)表5，依據(jù)表5中各因素的回歸系數(shù)，通過分析得到PM2.5的時間滯后效應(yīng)與PM10、CO、相對濕度、氣溫、風(fēng)速、森林覆被率變化規(guī)律：

①PM2.5的時間滯后效應(yīng)變化規(guī)律：PM2.5的滯后1、2、3天效應(yīng)對PM2.5的回歸系數(shù)均顯著為正，這說明PM2.5的時間滯后效應(yīng)促進(jìn)當(dāng)期PM2.5濃度的積累；隨著PM2.5滯后天數(shù)的增加，滯后效應(yīng)的回歸系數(shù)逐漸較小，這說明隨著時間的推移，PM2.5的時間滯后效應(yīng)對當(dāng)期PM2.5濃度積累的促進(jìn)作用逐漸減弱，同時說明了PM2.5的排放是連續(xù)累積的過程，濃度變化具有慣性，這與代麗華[16]等人的研究結(jié)論一致。

②PM2.5的時間滯后效應(yīng)與森林覆被率之間關(guān)系的變化規(guī)律：在靜態(tài)面板和動態(tài)面板回歸模型中，森林覆被率的回歸系數(shù)均顯著為負(fù)，這說明無論是否考慮PM2.5的時間滯后效應(yīng)，森林覆被率對PM2.5的濃度增加均起阻礙作用；3個不同時間段滯后1天模型的系數(shù)絕對值均小于靜態(tài)面板模型的系數(shù)絕對值，說明PM2.5時間滯后效應(yīng)削弱了森林覆被率降低PM2.5濃度的作用；隨著滯后天數(shù)的增加，森林覆被率的系數(shù)絕對值在逐漸增加，就是森林覆被率對PM2.5的濃度增加的阻礙作用在逐步增強(qiáng)，說明伴隨著PM2.5的時間滯后效應(yīng)對當(dāng)期PM2.5濃度積累的促進(jìn)作用逐漸減弱，呈現(xiàn)出了森林覆被率對PM2.5的濃度所起的阻礙作用在逐漸增強(qiáng)的變化趨勢。

③PM2.5的時間滯后效應(yīng)與PM10、CO之間關(guān)系的變化規(guī)律：在靜態(tài)面板和動態(tài)面板兩類回歸模型中，PM10、CO的回歸系數(shù)均顯著為正，這說明PM10、CO對PM2.5的濃度增加起促進(jìn)作用；隨著PM2.5滯后天數(shù)的增加，PM10、CO回歸系數(shù)在逐漸增大，說明PM10、CO隨著時間的變化一直在促進(jìn)PM2.5的積累；也說明PM10、CO伴隨著PM2.5的時間滯后效應(yīng)逐漸減弱的變化趨勢，PM10、CO卻呈現(xiàn)出了對PM2.5的促進(jìn)作用仍在逐漸增強(qiáng)的規(guī)律。

④PM2.5的時間滯后效應(yīng)與氣溫、風(fēng)速之間的關(guān)系的變化規(guī)律：在靜態(tài)面板和動態(tài)面板兩類回歸模型中，氣溫、風(fēng)速的回歸系數(shù)均顯著為負(fù)，這說明無論是否考慮PM2.5的時間滯后效應(yīng)，氣溫、風(fēng)速都阻礙PM2.5的濃度增加；隨著PM2.5滯后天數(shù)的增加，風(fēng)速的系數(shù)均為負(fù)且絕對值逐漸變小，說明PM2.5的時間滯后效應(yīng)減弱了風(fēng)速阻礙PM2.5濃度積累的作用，但風(fēng)速對PM2.5的濃度積累一直在起阻礙作用，顯示了伴隨著PM2.5的時間滯后效應(yīng)的逐漸減弱，風(fēng)速阻礙PM2.5濃度積累的作用也在減弱的規(guī)律；另外隨著PM2.5滯后天數(shù)的增加，氣溫的系數(shù)均為負(fù)且絕對值逐漸變大，說明氣溫對PM2.5的濃度積累一直在起阻礙作用，顯示了伴隨著PM2.5的時間滯后效應(yīng)的逐漸減弱，氣溫阻礙PM2.5濃度增加的作用逐漸增加的規(guī)律。黑龍江省PM2.5濃度的變化規(guī)律是：冬季寒冷氣溫低，因燃煤供熱導(dǎo)致的PM2.5濃度高，致使空氣污染；夏季氣溫較高，除不需要燃煤供熱外，與冬季相比夏季茂盛的森林植物能更好地降低PM2.5的濃度，從而空氣質(zhì)量優(yōu)良。這一規(guī)律與PM2.5的時間滯后效應(yīng)與氣溫之間呈現(xiàn)的變化規(guī)律是吻合的。

以上是對3個不同時間段的靜態(tài)面板模型和動態(tài)面板模型進(jìn)行比較分析，得到的關(guān)于PM2.5的時間滯后效應(yīng)的變化規(guī)律及PM2.5的時間滯后效應(yīng)與森林覆被率等因子的變化規(guī)律是一致的，這進(jìn)一步證明了本文的研究是可靠的。

4 結(jié)論

本文以黑龍江省為研究區(qū)域，利用黑龍江省的170 820個數(shù)據(jù)，運用動態(tài)面板模型的2SLS方法以森林覆被率等11個影響因素為指標(biāo)，建立了3個不同時間段的靜態(tài)面板和動態(tài)面板回歸模型，得到了黑龍江省區(qū)域內(nèi)的如下結(jié)論。

將PM2.5的時間滯后效應(yīng)作為動態(tài)面板回歸模型的解釋變量后，與靜態(tài)面板回歸模型相比提高了模型的擬合度和D-W值，模型的穩(wěn)健性得到提高的同時，既證明了PM2.5的時間滯后效應(yīng)對當(dāng)期PM2.5濃度變化有一定的影響，也證明了PM2.5的時間滯后效應(yīng)是PM2.5濃度變化的影響因素。

無論是靜態(tài)面板數(shù)據(jù)模型還是動態(tài)面板數(shù)據(jù)模型，PM2.5的時間滯后效應(yīng)、PM10、CO的回歸系數(shù)均顯著為正，這表明PM2.5的時間滯后效應(yīng)、PM10、CO均促進(jìn)當(dāng)期PM2.5濃度的積累，而森林覆被率、氣溫、風(fēng)速的回歸系數(shù)均顯著為負(fù)，這表明森林覆被率、氣溫、風(fēng)速均阻礙PM2.5的積累；隨著時間的推移，PM2.5時間滯后效應(yīng)對PM2.5濃度積累的促進(jìn)作用逐漸減弱，森林覆被率、氣溫對PM2.5濃度積累所起的阻礙作用逐漸增強(qiáng)，PM10、CO對PM2.5濃度積累的促進(jìn)作用逐漸增強(qiáng)，而風(fēng)速對PM2.5濃度積累所起的阻礙作用逐漸減弱?？傊?，以上結(jié)論同時表明，PM2.5的時間滯后效應(yīng)具有慣性的同時，森林覆被率、PM10、CO、氣溫、風(fēng)速對PM2.5的作用也具有慣性。

由森林覆被率是阻滯PM2.5濃度升高的最主要因素的結(jié)論可知，擴(kuò)大森林植被的面積、提高城市綠化率是降低空氣污染物濃度提高空氣質(zhì)量的有效途徑之一。