黃河流域城市PM2.5時空異質(zhì)及空間溢出效應(yīng)研究

楊小林，陳藝晏，李義玲，陳 昊

（河南理工大學(xué) 安全與應(yīng)急管理研究中心，河南 焦作 454000）

0 引言

改革開放以來，伴隨著我國城市化與工業(yè)化水平的提升，長期粗放式發(fā)展導(dǎo)致一系列環(huán)境問題不斷凸顯，大氣污染問題尤為突出［1，2］。作為導(dǎo)致大氣污染的關(guān)鍵污染物，PM2.5的濃度升高不僅會嚴重影響民眾身體健康，還會降低大氣能見度并引發(fā)各類次生危害，通過改變地表輻射平衡影響區(qū)域甚至全球氣候變化［3，4］。因此，有效治理PM2.5污染是改善霧霾污染、提升大氣環(huán)境質(zhì)量的關(guān)鍵所在。但大氣中的PM2.5濃度不僅與區(qū)域大氣污染物的排放強度有關(guān)，還受到風(fēng)向、風(fēng)速、地形等因素的影響，具有明顯的時空異質(zhì)性、空間關(guān)聯(lián)性和空間溢出效應(yīng)［5］。因此，掌握區(qū)域尺度上PM2.5濃度的時空變化規(guī)律有利于科學(xué)認知區(qū)域大氣污染狀況，從而為科學(xué)制定區(qū)域大氣污染防治措施提供依據(jù)。

近年來，國內(nèi)外學(xué)者從環(huán)境學(xué)和統(tǒng)計學(xué)的角度對PM2.5污染問題開展了研究，成果不斷涌現(xiàn)。從研究內(nèi)容看，環(huán)境學(xué)主要采用大氣污染物擴散模型、大氣污染源排放清單、情景分析等方法研究PM2.5的來源和 傳 輸 過 程［6-8］、健 康 風(fēng) 險［9，10］、治 理 與 減 排 效果［11］等；統(tǒng)計學(xué)主要通過PM2.5濃度的時間序列數(shù)據(jù)或截面面板數(shù)據(jù)，采用因子分析、多元或局部線性回歸模型等方法開展PM2.5的來源解析與驅(qū)動機制研究［12，13］。從研究尺度看，目前以城市群、單一省份或城市研究為主，其中，國內(nèi)學(xué)者關(guān)于長江流域的相關(guān)研究成果較為豐富［14，15］，黃河流域相關(guān)研究以甘肅、陜西、京津冀的周邊地區(qū)為主［16，17］?，F(xiàn)有研究成果加深了人們對PM2.5污染形成和影響的認知，也豐富了其污染治理的方法體系，但從以往研究內(nèi)容、方法、尺度分析可知，對黃河流域PM2.5時空異質(zhì)與空間溢出效應(yīng)的研究較少。

當(dāng)前，黃河流域生態(tài)保護與高質(zhì)量發(fā)展已經(jīng)上升為國家戰(zhàn)略，但生態(tài)環(huán)境部通報的2020 年全國168個重點城市的空氣質(zhì)量狀況顯示，全國空氣質(zhì)量排名后20 位城市中黃河流域占16 席，安陽、太原、臨汾、淄博、鶴壁和焦作居倒數(shù)后六位，流域大氣污染形勢嚴峻。鑒于黃河流域大氣污染治理的緊迫性，本文從環(huán)境學(xué)和統(tǒng)計學(xué)的綜合角度出發(fā)，運用2000—2020 年黃河流域69 個地級市的PM2.5監(jiān)測數(shù)據(jù)，從環(huán)境學(xué)的角度探討流域城市PM2.5污染時空異質(zhì)特征，從統(tǒng)計學(xué)的角度，運用空間回歸模型剖析自然要素和社會要素對流域城市PM2.5污染的驅(qū)動機制，為提升黃河流域PM2.5污染防治政策措施的精準性和有效性，打贏大氣污染防治攻堅戰(zhàn)和持久戰(zhàn)提供科學(xué)的依據(jù)。

1 研究區(qū)域概況

黃河流域?qū)儆诘湫偷母珊蛋敫珊蛋霛駶櫄夂騾^(qū)，自西至東橫跨青藏高原、內(nèi)蒙古高原、黃土高原和黃淮海平原4 個地貌單元，構(gòu)成了我國重要的生態(tài)屏障，同時也是我國重要的經(jīng)濟走廊，流域內(nèi)煤炭、石油、天然氣和有色金屬資源豐富。但由于歷史和自然條件等原因，黃河流域生態(tài)環(huán)境脆弱，生態(tài)安全形勢嚴峻。參照水利部黃河水利委員會劃定的自然流域范圍，以黃河流域自然邊界為基礎(chǔ)，同時考慮區(qū)域經(jīng)濟社會發(fā)展與流域的關(guān)系，盡量保證區(qū)域行政區(qū)劃的完整性，選擇黃河流域9 省69 個市級行政單元作為研究對象，參照《黃河流域防洪規(guī)劃》的劃分標準，將流域劃分為上游、中游和下游3 個區(qū)域，具體如表1 所示。

表1 黃河流域上游、中游和下游劃分Table 1 The division of the upstream，midstream and downstream of the Yellow River Basin

2 研究方法

2.1 空間自相關(guān)模型

依據(jù)Tobler［18］的第一定律，空間上相鄰或相近的事物或現(xiàn)象存在相關(guān)性，且距離越近，其相關(guān)性越強［19］。大氣污染物具有空間流動性和外溢性，因此區(qū)域間大氣污染往往存在不同程度的空間相關(guān)性。采用全局Moran′s I 指數(shù)測度黃河流域城市PM2.5污染的空間自相關(guān)性，計算公式為：

式中：E（I）和VAR（I）分別為I 的數(shù)學(xué)期望和方差。

全局Moran′s I 指數(shù)作為衡量空間相關(guān)性的重要指標，能從整體上度量流域PM2.5污染的結(jié)構(gòu)形態(tài)和集聚（離散）模式，但無法識別各個空間單元的具體空間聚類特征。因此，本文在全局Moran′s I 指數(shù)測度基礎(chǔ)上，采用局部Moran′s I 指數(shù)描述空間單元與相鄰單元的相似程度，并確定各空間單元的具體聚類特征。局部Moran′s I 指數(shù)的計算公式為：

式（3）中，相關(guān)變量符號同式（1）。局部Moran′s I >0，表示某空間單元與相鄰單元的PM2.5污染存在正向空間自相關(guān)性，即呈局部空間集聚；局部Moran′s I ＜0，表示空間單元與相鄰單元的PM2.5污染存在負向空間自相關(guān)性，即呈局部空間離散。局部空間自相關(guān)分析結(jié)果一般用Moran′s I 散點圖和局部空間關(guān)聯(lián)指數(shù)圖（LISA 圖）來表征。局部Moran′s I 指數(shù)的Z檢驗計算公式為：

式（4）中，相關(guān)變量符號同式（2）。

2.2 空間回歸模型

城市PM2.5污染不僅與大氣污染物排放源強有關(guān)，還受到風(fēng)速、風(fēng)向、地形等因素的影響，具有強烈的空間交互性和負外部性。而傳統(tǒng)的線性回歸模型分析的前提是研究變量在空間上具有獨立性，難以滿足城市PM2.5污染影響因素分析。因此，本文選擇能夠有效解決變量間存在空間關(guān)聯(lián)性問題的空間計量模型進行研究。常見的空間計量模型包括空間滯后模型（SLM模型）和空間誤差模型（SEM模型）。

空間滯后模型可以有效評估相鄰單元之間的空間溢出效應(yīng)，表達式為：

式中：y 為被解釋變量；ρ為空間回歸系數(shù)，該值大小反映了被解釋變量空間溢出效應(yīng)的強弱；W為空間回歸分析的權(quán)重矩陣；X 為解釋變量；β為解釋變量的回歸系數(shù)；ε為隨機誤差項。

空間誤差模型可以評估相鄰區(qū)域之間解釋變量的變化對被解釋變量的影響程度，表達式為：

式中：λ為空間誤差系數(shù)；μ為正態(tài)分布的隨機誤差項；其他變量符號同式（5）。

由于SLM模型和SEM模型具有不同的適應(yīng)性，因此在開展空間回歸分析之前需要根據(jù)一定的判別標準來選擇相適宜的模型。本文主要依據(jù)Anselin［20］的標準選擇最優(yōu)回歸模型，具體方法參見相關(guān)文獻［16，20］；空間回歸模型分析主要 通 過Stata 軟件來完成。

2.3 變量選取與數(shù)據(jù)來源

鑒于數(shù)據(jù)的可獲得性（青海、甘肅、陜西等省份2010年之前統(tǒng)計數(shù)據(jù)缺失），選取黃河流域69 個地級市2010—2020 年的面板數(shù)據(jù)進行空間回歸模型檢驗，分析自然因素和社會經(jīng)濟因素對流域城市PM2.5污染的驅(qū)動機制。變量選取與數(shù)據(jù)來源如下：

將PM2.5濃度變量作為被解釋變量，剖析黃河流域城市PM2.5污染的驅(qū)動要素。由于我國各地級市PM2.5濃度監(jiān)測數(shù)據(jù)多始于2014 年，因此本文基于美國哥倫比亞大學(xué)社會經(jīng)濟數(shù)據(jù)和應(yīng)用中心公布的2000—2016 全球PM2.5濃度年度柵格數(shù)據(jù)，利用ArcGIS軟件，結(jié)合黃河流域各地級市行政區(qū)劃矢量圖處理得到2000—2016 年各地級市PM2.5濃度衛(wèi)星監(jiān)測數(shù)據(jù)。該數(shù)據(jù)是依據(jù)衛(wèi)星遙感監(jiān)測的氣溶膠光學(xué)厚度數(shù)據(jù)，通過模型反演估算得到PM2.5的濃度值。為了提高數(shù)據(jù)的精度，本文通過中國空氣質(zhì)量在線監(jiān)測分析平臺（http：//106.37.208.233：20035/）公布的2014—2020 年P(guān)M2.5濃度實際監(jiān)測數(shù)據(jù)構(gòu)建反演估算模型實現(xiàn)2000—2016 年P(guān)M2.5濃度衛(wèi)星監(jiān)測數(shù)據(jù)的反演校正，最終獲取2000—2020 年黃河流域各地級市的年度PM2.5濃度數(shù)據(jù)。為了與流域各城市的自然和社會經(jīng)濟統(tǒng)計數(shù)據(jù)時間節(jié)點保持一致，本文采用2010—2020 年的PM2.5濃度數(shù)據(jù)進行空間回歸模型檢驗，分析前取其對數(shù)值。

選定年均氣溫（tem）、年降水量（pre）、年均風(fēng)速（win）、植被覆蓋度（NDVI）等作為解釋變量分析自然因素對城市PM2.5污染的影響；選擇城市人口密度（peo）、人均GDP（GDP）、工業(yè)化程度（sec）等作為解釋變量分析社會經(jīng)濟因素對城市PM2.5污染的影響。其中，氣溫、風(fēng)速和降雨量數(shù)據(jù)主要來源于中國氣象數(shù)據(jù)網(wǎng)（http：//www.nmic.cn）發(fā)布的歷史氣象數(shù)據(jù)；植被覆蓋度使用歸一化植被指數(shù)（NDVI）替代，數(shù)據(jù)主要來自于美國國家航空航天局（https：//lpdaacsvc.cr.usgs.gov/appeears/）；社會經(jīng)濟因素變量數(shù)據(jù)主要來源于黃河流域9 省區(qū)的統(tǒng)計年鑒和各城市統(tǒng)計年鑒、相關(guān)統(tǒng)計公報等，其中，工業(yè)化程度采用第二產(chǎn)業(yè)占GDP 比重表示。所有變量在模型檢驗前取其對數(shù)值。鑒于數(shù)據(jù)的可獲得性，本文搜集整理了2010—2020 年間的自然因素變量和社會經(jīng)濟因素變量數(shù)據(jù)。

3 黃河流域PM2.5污染時空變化特征

根據(jù)《環(huán)境空氣質(zhì)量標準》（GB3095—2012）的要求，自然保護區(qū)、風(fēng)景名勝區(qū)和其他需要特殊保護的區(qū)域年P(guān)M2.5濃度要求在15μg/m3以下，對于居住區(qū)、商業(yè)交通居民混合區(qū)、文化區(qū)等年P(guān)M2.5濃度要求在35μg/m3以下，24h 平均PM2.5 濃度要求低于75μg/m3。本文參照該標準和相關(guān)文獻［15］，將年P(guān)M2.5濃度15μg/m3以下定為優(yōu)良，年P(guān)M2.5濃度15—35μg/m3定為輕度污染，年P(guān)M2.5濃度35—55μg/m3定為中度污染，年P(guān)M2.5濃度55—75μg/m3定為重度污染，年P(guān)M2.5濃度75μg/m3以上定為嚴重污染，采用Moran′s I 指數(shù)、LISA集聚圖相結(jié)合的方法衡量黃河流域城市PM2.5污染水平在空間上集聚或分散狀況。Moran′s I 指數(shù)可實現(xiàn)城市PM2.5污染水平的兩極分化程度量化分析，但無法在空間上顯示具體的極化和分散區(qū)域，而借助LISA 集聚圖可實現(xiàn)城市PM2.5污染水平的擴散和極化特征的可視化分析。

3.1 時間動態(tài)變化特征

從圖1 可見，黃河上、中、下游城市的PM2.5濃度值呈“先升高、后下降”的趨勢。其中：上游城市PM2.5濃度值從2000 年的38.05μg/m3上升到2013 年的46.20μg/m3，再下降到2020 年的28.49μg/m3；中游城市PM2.5濃度值從2000 年的50.66μg/m3上升到2009年的58.55μg/m3，再下降到2020 年的41.62μg/m3；下游城市PM2.5濃度值從2000 年的57.89μg/m3上升到2013年的94.25μg/m3，再下降到2020年的52.98μg/m3。整體上，2000—2020年黃河流域城市年度PM2.5濃度值呈“先升高、后下降”的趨勢，從2000 年的47.66μg/m3上 升到2013年的61.83μg/m3，再下降到2020年的39.33μg/m3。

圖1 2000—2020 年黃河流域城市PM2.5濃度值的時間變化特征Figure 1 Temporal variation of PM2.5 concentration in the Yellow River Basin，2000-2020

本文通 過對2000 年、2005 年、2010 年、2015 年和2020 年的PM2.5污染等級的空間截面圖對比分析發(fā)現(xiàn)（圖2），2000 年、2005 年、2010 年、2015 年 和2020年流域城市PM2.5污染等級為嚴重污染的城市個數(shù)分別為2個、12個、14個、13個和0個，重度污染的城市個數(shù)分別為18 個、22 個、18 個、17 個和6 個，嚴重污染和重度污染的城市總數(shù)占流域城市總數(shù)的比例分別為28.99%、49.28%、46.38%、43.48%和8.70%，表明2000—2020 年黃河流域城市PM2.5污染呈“先惡化、后改善”的趨勢。

圖2 黃河流域城市PM2.5污染等級Figure 2 PM2.5 pollution levels in the Yellow River Basin

3.2 空間變異與集聚特征

為了揭示黃河流域城市PM2.5污染的空間差異， 本文統(tǒng)計了2000—2020 年黃河流域不同區(qū)域的年度PM2.5濃度值。2000—2020 年黃河流域PM2.5濃度年度均值為52.99μg/m3，上、中、下游PM2.5濃度年度均值分別為39.35μg/m3、54.65μg/m3、72.53μg/m3，黃河流域城市PM2.5污染水平地理梯度分布呈“上游＜中游＜下游”的趨勢。通過對2000—2020 年黃河流域各省區(qū)和城市PM2.5濃度值排序發(fā)現(xiàn)（表2），河南、山東和山西等的PM2.5污染最為嚴重，年均PM2.5濃度值分別為74.19μg/m3、70.89μg/m3、57.45μg/m3，且PM2.5污染排名前10 位的城市（除焦作、洛陽和咸陽外）全部集中在黃河下游，形成集中連片的PM2.5高污染區(qū)。

表2 黃河流域PM2.5濃度值測度與排序Table 2 Measurement and ranking of PM2.5 concentrations in the Yellow River Basin

本文運用空間自相關(guān)模型得出2000 年、2005 年、2010年、2015 年、2020 年5 個時間截面黃河流域PM2.5濃度值的Moran′s I 散點圖和LISA 圖。從圖3可見，黃河流域各時間截面的Moran′s I 指數(shù)值均大于0.5，且均通過了1%水平的顯著性檢驗，表明黃河流域PM2.5污染狀況并非隨機分布，而是存在顯著的空間自相關(guān)性。即各城市PM2.5污染狀況受到相鄰或相近城市PM2.5污染的顯著影響，PM2.5污染較為嚴重的城市周圍區(qū)域PM2.5污染也較為嚴重，而空氣質(zhì)量較好的城市周邊PM2.5污染也相對較輕，城市PM2.5污染空間溢出效應(yīng)明顯。

圖3 黃河流域PM2.5濃度值的Moran′s I 散點圖Figure 3 Moran′s I scatter plots of PM2.5 concentrations in the Yellow River Basin

從圖4 可見，在1%的顯著性水平下，黃河流域PM2.5污染狀況主要呈現(xiàn)“H - H”集聚和“L - L”集聚。其中，“H- H”集聚區(qū)主要集中分布在黃河下游區(qū)域，呈高值關(guān)聯(lián)。進一步分析發(fā)現(xiàn)，“H- H”集聚區(qū)的個數(shù)占流域城市總數(shù)的比例由2000 年的23.19%上升至2020 年的30.43%，說明黃河流域城市PM2.5污染的空間溢出效應(yīng)不斷增強，但Moran′s I指數(shù)由2000 年的0.617 上升到2015 年的0.793，再降低至2020 年的0.665，說明2000—2015 年間流域城市PM2.5污染水平空間極化程度不斷升高，這主要與該階段黃河中下游城市PM2.5污染程度愈發(fā)嚴重有關(guān)。自2015 年以后，隨著黃河中下游城市空氣污染治理強度加大，城市PM2.5污染不斷改善，流域城市PM2.5污染空間極化程度不斷降低，2015—2020 年城市間空氣質(zhì)量的差距不斷縮小，并朝著空間均衡方向不斷改善。

圖4 黃河流域PM2.5濃度值的LISA集聚Figure 4 LISA aggregation of PM2.5 concentration values in the Yellow River Basin

4 黃河流域PM2.5污染的空間溢出效應(yīng)

4.1 空間回歸模型的選擇

為了確定空間回歸分析必要性和選擇合適的空間回歸模型，本文首先通過傳統(tǒng)線性回歸模型（OLS模型）進行線性回歸擬合（表3）。結(jié)果表明，殘差項Moran′s I 的統(tǒng)計量為5.497，且通過了1%的顯著性檢驗，表明回歸殘差存在明顯的空間相關(guān)性。因此，OLS模型無法滿足本研究需要，需要引入考慮空間相關(guān)性的空間回歸模型。本文擬采用的空間回歸模型包括SLM 模型和SEM 模型兩種。通過比較LM和Robust LM 的P 值，LM（lag）和LM（error）均通過1%水平的顯著性檢驗，但LM（lag）統(tǒng)計量稍大于LM（error）統(tǒng)計量，說明LM（lag）比LM（error）更加顯著。此外，Robust LM（lag）通過1%水平的顯著性檢驗，而Robust LM（error）未能通過1%水平的顯著性檢驗，說明本研究空間回歸分析采用SLM 模型更加適宜。將被解釋變量和解釋變量相關(guān)數(shù)據(jù)分別利用SLM和SEM 模型進行回歸分析（表4），探討自然和社會經(jīng)濟因素對流域PM2.5濃度空間分布的影響。

表3 OLS模型檢驗結(jié)果Table 3 OLS model test results

表4 SEM和SLM模型的估計結(jié)果Table 4 Test results of SEM and SLM models

（續(xù)表4）

4.2 自然驅(qū)動力解析

自然驅(qū)動力體現(xiàn)在4 個方面：①氣溫。結(jié)果顯示，氣溫在SEM 和SLM 模型的系數(shù)為正，但未能通過1%水平的顯著性檢驗，說明氣溫對黃河流域PM2.5濃度空間分布具有正向作用，但作用并不顯著。原因可能是：氣溫較高，有利于促進空氣中二次顆粒物生成［21］。②降水量。降水量在兩個模型中的系數(shù)均為負，且通過1%水平的顯著性檢驗，表明降水量對黃河流域PM2.5濃度具有較強的負向作用。即年降水量大的區(qū)域PM2.5濃度較低，降水量少的區(qū)域PM2.5濃度較高。這可能是由于降雨對空氣中的顆粒物具有較強的沖刷淋洗作用，能夠有效降低空氣中的PM2.5濃度［22］。此外，降雨量豐富有利于土壤墑情改善，促進地表植被生長，降低地表揚塵的形成，也可增強對空氣顆粒物吸附攔截作用。③風(fēng)速。風(fēng)速在兩個模型中的系數(shù)均為負，但未能通過1%的顯著性檢驗，說明風(fēng)速對黃河流域PM2.5濃度空間分布具有負向影響，但影響不顯著。一方面，風(fēng)對空氣中污染物具有較強的擴散和稀釋作用，降低了空氣中PM2.5的濃度，特別是對下游集中連片高污染區(qū)域的影響較明顯；另一方面，污染物會通過風(fēng)的作用向下風(fēng)向區(qū)域傳輸，導(dǎo)致下風(fēng)向區(qū)域PM2.5濃度升高。此外，中游部分區(qū)域植被覆蓋率較低，風(fēng)速較大容易增強地面揚塵和沙塵來源，導(dǎo)致空氣中的PM2.5濃度升高。黃河流域復(fù)雜的自然地理條件、廣闊的流域面積可能導(dǎo)致風(fēng)速對PM2.5的影響機制和方向較為復(fù)雜，但整體上風(fēng)速能夠在一定程度上降低流域空氣中的PM2.5濃度。④植被覆蓋度。植被覆蓋度在兩個回歸模型中的系數(shù)均為負，且通過1%水平的顯著性檢驗，說明植被對空氣中PM2.5濃度具有較好的消減作用。一方面，植被覆蓋度越高，PM2.5的裸地、沙地等沙塵和揚塵來源越少；另一方面，植被覆蓋度越高，植被對空氣中的污染物吸附和攔截作用越顯著。因此，不斷提高植被覆蓋率是有效降低黃河流域PM2.5污染的重要措施。

4.3 社會驅(qū)動力解析

社會驅(qū)動力體現(xiàn)在3 個方面：①人口密度。人口密度在兩個模型中的系數(shù)均為正，且通過1%水平的顯著性檢驗，說明人口密度越大，區(qū)域空氣中的PM2.5濃度越高。如河南、山東作為黃河流域人口最為密集的兩個省份，也是流域內(nèi)PM2.5污染最為嚴重的區(qū)域。這種正向相關(guān)性主要是由于人口密度越大，人類活動愈發(fā)頻繁，將促進大氣污染物的排放，導(dǎo)致大氣環(huán)境質(zhì)量惡化。這與很多學(xué)者的研究結(jié)果具有一致性。如，傅崇輝等［23］和肖悅等［24］研究認為人口規(guī)模是大氣污染的主要因素，因城市人口聚集產(chǎn)生的大量汽車尾氣、生活燃料廢氣等逐漸成為城市空氣質(zhì)量下降的重要原因。②工業(yè)化程度。工業(yè)化程度的系數(shù)為正，且在兩個模型中均通過1%水平的顯著性檢驗。黃河流域大多數(shù)省份產(chǎn)業(yè)層次較低，尤其是技術(shù)密集型的制造業(yè)和現(xiàn)代生產(chǎn)型服務(wù)業(yè)發(fā)展較弱，基于資源稟賦形成的產(chǎn)業(yè)結(jié)構(gòu)導(dǎo)致流域經(jīng)濟發(fā)展方式較為粗放，能源重化工傾向明顯［25］。城市工業(yè)是PM2.5污染的主要來源，導(dǎo)致黃河流域工業(yè)化程度越高的區(qū)域，大氣中的PM2.5濃度越高。未來，流域應(yīng)加強現(xiàn)有工業(yè)企業(yè)技術(shù)和工藝升級，推動清潔生產(chǎn)技術(shù)發(fā)展。同時，大力發(fā)展新型能源和可再生能源，推動能源結(jié)構(gòu)升級優(yōu)化，并積極將綠色產(chǎn)業(yè)作為今后流域產(chǎn)業(yè)集聚發(fā)展的重要方向，減少大氣污染物的排放。③人均GDP。人均GDP在兩個模型中的系數(shù)均為正，但未通過1%水平的顯著性檢驗。人均GDP 作為區(qū)域經(jīng)濟發(fā)展水平的代表性指標，說明流域整體經(jīng)濟發(fā)展水平對PM2.5濃度具有正向作用，但這種作用并不顯著。根據(jù)環(huán)境庫茲涅茨曲線理論，經(jīng)濟發(fā)展水平較低時，環(huán)境污染程度較輕，但隨著人均收入增加，污染程度趨于嚴重，當(dāng)人均收入達到一定程度后，環(huán)境污染會不斷減輕，經(jīng)濟發(fā)展水平與環(huán)境污染之間呈“倒U 型”曲線關(guān)系［26，27］。由于黃河流域經(jīng)濟發(fā)展水平的區(qū)域差異性，不同城市處于環(huán)境庫茲涅茨曲線的不同階段，導(dǎo)致人均GDP 對城市PM2.5濃度的空間分布影響不顯著，流域PM2.5污染的“倒U型”曲線拐點尚未整體到達，未來經(jīng)濟發(fā)展仍將在一定程度上促進城市PM2.5濃度升高。因此，黃河流域應(yīng)加快形成節(jié)約資源和保護環(huán)境的產(chǎn)業(yè)結(jié)構(gòu)和空間格局，堅定不移走“生態(tài)優(yōu)先、綠色低碳”的高質(zhì)量發(fā)展之路。

5 結(jié)論和建議

5.1 結(jié)論

本文以黃河流域69 個地級市空氣PM2.5污染為研究對象，運用空間自相關(guān)模型和空間回歸模型，并結(jié)合ArcGIS、Stata等軟件對黃河流域城市PM2.5污染的時空異質(zhì)特征及空間溢出效應(yīng)進行研究。主要結(jié)論如下：①2000—2020 年黃河流域城市PM2.5污染呈現(xiàn)“先惡化，再好轉(zhuǎn)”的態(tài)勢?？臻g上，流域城市PM2.5濃度值空間差異明顯，PM2.5污染水平地理梯度分布大致呈“上游＜中游＜下游”的趨勢。此外，河南、山東和山西是PM2.5污染最為嚴重的3 個省份，黃河流域下游已形成了集中連片的PM2.5高污染區(qū)。②黃河流域PM2.5濃度存在顯著的空間自相關(guān)性和空間聚集特征，主要呈現(xiàn)“H - H”集聚和“L - L”集聚，城市PM2.5污染的空間溢出效應(yīng)明顯。自2015年后，流域城市PM2.5污染水平空間極化程度不斷降低，表明流域城市間空氣質(zhì)量整體水平的差距不斷縮小，且朝著空間均衡方向不斷改善。③黃河流域城市PM2.5濃度與年均氣溫、人口密度、工業(yè)化程度和人均GDP之間具有的正向相關(guān)性，與降水量、年均風(fēng)速和植被覆蓋度之間呈負向相關(guān)關(guān)系。其中，降水量、植被覆蓋度、人口密度、工業(yè)化程度對城市PM2.5濃度的影響顯著。

5.2 建議

作為我國重要的經(jīng)濟地帶和生態(tài)屏障，黃河流域的密集人口和高強度資源開發(fā)導(dǎo)致流域空氣污染形勢嚴峻。因此，加強流域范圍內(nèi)的城市空氣污染治理是流域生態(tài)環(huán)境治理的重要內(nèi)容，也是推動流域高質(zhì)量發(fā)展的客觀需要。然而，流域空氣污染治理是一個復(fù)雜的系統(tǒng)工程，需要在深入了解流域和流域內(nèi)部空氣污染時空變化格局的基礎(chǔ)上，因地制宜、分類施策，緊抓頂層設(shè)計，形成精準施策、分類施策的措施體系。根據(jù)分析結(jié)果，本文提出以下建議：①黃河流域城市PM2.5污染水平空間差異明顯，且以中下游的河南、山東和山西等省份的城市PM2.5污染形勢最為嚴峻。因此，黃河流域城市空氣污染治理應(yīng)該充分考慮PM2.5污染的地理梯度差異，推動流域PM2.5污染“差異化”治理，將河南、山東和山西作為流域空氣污染治理的重點區(qū)域進行優(yōu)先治理，特別是應(yīng)進一步加快黃河下游地區(qū)城市經(jīng)濟發(fā)展新舊動能平穩(wěn)有序轉(zhuǎn)換，淘汰落后產(chǎn)業(yè)和產(chǎn)能，加大綠色產(chǎn)業(yè)培育力度，把生態(tài)環(huán)境保護放在經(jīng)濟社會發(fā)展的最優(yōu)先位置。②黃河流域城市PM2.5污染具有很強的空間相關(guān)性和空間溢出效應(yīng)，跨區(qū)域協(xié)同治理成為流域城市PM2.5污染治理的必然選擇。流域各行政單元需根據(jù)PM2.5污染空間聚集和關(guān)聯(lián)特征，樹立“責(zé)任共同體”和“利益共同體”的發(fā)展理念，打破傳統(tǒng)跨域協(xié)同治理的“壓力型”框架體制下“命令—控制式”驅(qū)動策略的權(quán)威依賴，建立流域空氣污染跨區(qū)域協(xié)同治理新機制，特別是對于下游集中成片的高污染“俱樂部”，應(yīng)建立具有明確的職責(zé)和權(quán)力且高于區(qū)域內(nèi)行政單位的協(xié)同組織，發(fā)揮傳統(tǒng)制度優(yōu)勢，強化整體利益，規(guī)范主體行為，平衡強弱勢主體間的權(quán)責(zé)差異，充分調(diào)動跨區(qū)域協(xié)同治理主體的內(nèi)生動力，促進城市PM2.5污染的跨區(qū)域協(xié)同治理。③城市PM2.5污染的空間溢出效應(yīng)分析表明，社會經(jīng)濟發(fā)展是流域城市PM2.5污染的重要推手，未來流域發(fā)展應(yīng)充分考慮不同區(qū)域的資源稟賦狀況，遵循“宜水則水、宜山則山，宜糧則糧、宜農(nóng)則農(nóng)，宜工則工、宜商則商”的發(fā)展原則，積極探索富有地域特色的高質(zhì)量發(fā)展新路子，不斷提升環(huán)境規(guī)制強度，促進產(chǎn)業(yè)結(jié)構(gòu)和能源結(jié)構(gòu)實現(xiàn)綠色發(fā)展。鑒于城市植被覆蓋度和降水量等自然因素對城市PM2.5污染具有明顯抑制作用，未來應(yīng)進一步提升流域植被覆蓋率，改善區(qū)域氣候，通過人工降雨或灑水降塵等方式降低空氣中PM2.5濃度。④本文基于多年長時間序列城市PM2.5污染數(shù)據(jù)揭示了黃河流域城市PM2.5污染的一般性規(guī)律和特征，并提出了空氣污染治理的常態(tài)化治理建議，但對于特殊時期、特殊重污染天氣過程應(yīng)制定相應(yīng)的應(yīng)急預(yù)案，提升重污染天氣過程的預(yù)報預(yù)警能力和應(yīng)急應(yīng)對能力。因此，黃河流域城市空氣污染治理應(yīng)按照“平戰(zhàn)結(jié)合”的原則，以城市空氣污染“標本兼治”為目標，以常態(tài)化空氣污染治理為主線，以特殊污染天氣過程應(yīng)急應(yīng)對為重點，打好大氣污染防治攻堅戰(zhàn)和持久戰(zhàn)。