网站首页  词典首页

请输入您要查询的论文:

 

标题 成渝城市群PM2.5时空分布及影响因素研究
范文

    孙继平 侯兰功

    

    

    

    摘要:PM2.5是雾霾污染的主要成因,对其时空分布和影响因素展开研究,可为城市PM2.5防治提供空间信息和社会经济政策层面的科学依据,对相应地区的生产组织和城市管理具有一定的现实意义。基于空间杜宾模型,利用Stata统计软件和地理信息系统(GIS)分析技术,结合2015—2018年成渝城市群16个城市的相关数据对该地区PM2.5时空分布特征和影响因素进行研究。研究结果表明:(1)在空间分布上,研究区间内PM2.5浓度整体表现为中部低,西部和北部边缘地区偏高,西南部偏低,在时间变化上,2015—2018年成渝城市群年均PM2.5浓度整体呈下降趋势;(2)在2015—2018年期间成渝城市群PM2.5浓度在空间上正向自相关,高值集聚区域发生明显变化,在2017年增多2018年减少,低值集聚范围稳定。(3)基于空间杜宾模型的回归分析结果可知,对PM2.5浓度起正向影响的社会经济因素相关系数表现为能源强度>人口密度>建筑施工面积>私人汽车拥有量>建筑业产值>人均GDP,对PM2.5浓度起负向影响的社会经济因素相关系数表现为第三产业产值占GDP比重>第二产业产值占GDP比重>绿化覆盖率>环境规制>工业产值>城市全年公共汽(电)车客运总量。在气象影响因素方面,PM2.5浓度与降水量和气温呈负相关关系,与湿度呈正相关关系。

    关键词:PM2.5;雾霾污染;时空分布;空间自相关;空间杜宾模型;成渝城市群

    中图分类号: X51文献标志码: A文章编号:1002-1302(2020)13-0297-06

    收稿日期:2019-11-25

    基金项目:国家自然科学基金(编号:41701172);四川省教育厅自然科学(编号:15ZA0123)。

    作者简介:孙继平(1995—),女,河南洛阳人,硕士研究生,主要从事区域发展与规划研究。E-mail:473243910@qq.com。

    通信作者:侯兰功,博士,副教授,主要从事区域发展与规划研究。E-mail:soundskyhlg@163.com。城市化和工业化的快速发展推动了社会前进,但也产生了一系列环境问题,其中就包括雾霾污染,造成社会经济损失的同时亦严重威胁城乡居民的健康。国内外已有的研究表明,大气污染程度和肺癌等呼吸道疾病的发病率和死亡率密切相关[1],此外,雾霾污染的区域性特征与空间交互影响日益显著,空间溢出效应明显[2]。对城市群层面雾霾污染主要成分之一PM2.5的时空分布及影响因素进行研究可为城市化发展过程中的污染风险规避提供一定依据,为城市群大气污染联动治理提供空间信息和政策建议参考。

    雾霾污染成因比较复杂,现有研究指出,人类社会经济活动是导致雾霾污染的根源[3-4],同时,气象因素也与PM2.5浓度紧密相关[5-7]。在雾霾污染频发区域社会经济层面影响因素的研究方面,张生玲等认为,第二产业产值占国内生产总值(GDP)比重过高和民用汽车保有量增多对雾霾污染有显著正向促进作用[8]。Zhang等认为,人口密度和工业废气及汽车尾气等人为气体排放可造成PM2.5浓度偏高[9]。王嫣然等指出,增加植被面积对PM2.5浓度下降有着积极的影响[10]。在气象影响因素方面,相关学者研究指出,温度、湿度和风速等是影响PM2.5浓度的主要因素。王慧丽等研究发现,陕西省雾霾污染程度与温度、风力呈负相关[5]。毛卓成等指出,上海地区PM2.5的气象成因是温度和风力[6]。马晓倩等通过统计分析得出,京津冀地区PM2.5浓度与降水量、气温、湿度、气压和风速相关[7]。总的来说,除特殊地形地貌条件外,气温、降水、湿度、风力等气象条件和人口、经济发展、产业结构的比例、化石燃料的燃烧、汽车尾气的排放、建筑施工的扬尘等诸多社会经济问题是影响雾霾污染的主要因素。

    现有对城市群范围内雾霾污染的研究大多集中在京津冀城市群[6-11]、长三角城市群[12]等经济发达地区,对中西部经济发展较为快速,近年来,雾霾污染较为突出的城镇密集区的关注还有待提高。成渝城市群位于我国西部地区,近年来区内经济发展快速、城镇人口规模扩张明显,城市化和人类活动引起PM2.5等污染物的排放量显著增加。因此,本研究综合运用地理统计、空间自相关和空间计量模型,分析成渝城市群16个城市PM2.5的时空分布特征,对成渝城市群雾霾污染的主要影响因素及其影响程度进行甄别和量化,以期为该地区城市发展和环境质量改善提供参考。

    1材料与方法

    1.1研究区概况

    本研究以《成渝城市群发展规划》中确定的成渝城市群作为研究区域,包括重庆市和四川省成都市、自贡市、泸州市、德阳市、绵阳市、遂宁市、内江市、乐山市、南充市、眉山市、宜宾市、广安市、达州市、雅安市、资阳市等,研究范围见图1。成渝城市群位于我国西南部,总面积为18.5万km2,占全国总国土面积的1.92%;2017年城镇常住人口为 10 664.31万人,占全国总人口(不含港澳台地区)的7.67%;2017年地区GDP为53 841.48亿元,占全国(不含港澳台地区)的6.56%。

    1.2研究方法

    1.2.1空間相关性检验本研究采用Morans I指数来测度成渝城市群的PM2.5全局和局部空间自相关性。其中,全局空间自相关表达式为

    式中:k是样本数;xi和xj分别为城市i和城市j的PM2.5浓度观测值;x为研究区域内所有城市PM2.5浓度观测值的平均值;Wij是空间权重矩阵。I值范围是[-1,1],I值大于0表示观测值在地区内正相关,小于0则表示负相关,等于0表示空间上不相关。

    局部空间自相关表达式为

    若I值大于0,表示高值与高值集聚或低值与低值集聚,空间正相关;若I值小于0,则表示高值被低值包围或低值被高值包围,空间关联为负。

    1.2.2空间杜宾模型地区环境污染不仅受自身社会经济发展的影响,还会受到周边地区环境的影响。本研究选用空间杜宾模型分析各因素对成渝城市群PM2.5的影响,基本形式如下:

    Y=ρWY+βX+WXθ+ε。(3)

    式中:X、Y为自变量和因变量;ρ表示内生交互效应系数,其数值大小反映其他地区因变量变化空间扩散或空间溢出程度;β表示回归系数;W表示空间权重矩阵;θ表示外生交互效应系数,其数值大小反映自变量交互作用强弱;ε表示误差项。

    引入空间权重矩阵是传统计量模型和空间计量模型的主要区别之一,在进行模型计算时需要量化空间单元的位置,根据“距离”而定,通常采用邻接距离、地理距离、经济距离、产业距离和技术距离等,本研究选用邻接距离,将所有地理单元列成一个二维表,用0或1表示,即“1”表示空间相邻,“0”表示空间不相邻[13]。对于一个具有n个空间单元的系统,空间矩阵W表达为n×n的二值矩阵,具有对称性,对角线元素为0,相邻元素为1。

    1.3研究变量及数据来源

    1.3.1被解释变量本研究中的PM2.5浓度数据来源于第三方网站真气网(https://www.aqistudy.cn/),计算2015—2018年研究区范围内16个城市的年均PM2.5数据即单位面积内PM2.5浓度来分析成渝城市群PM2.5的时空分布和影响因素。

    1.3.2解释变量本研究中的解释变量数据来源于《四川统计年鉴》《重庆统计年鉴》。考虑到数据的可获取性,选取温度、湿度、降水量作为影响PM2.5浓度的气象影响因素,选取人均地区生产总值、人口密度、城镇化率、第二产业产值占GDP比重、第三产业产值占GDP比重、建筑业产值、工业产值、建筑施工面积、城市绿化覆盖率、能源强度、环境规制(用城市环境和公共设施管理业从业人员人数与城市总就业人数比值表示)、城市全年公共汽(电)车客运总量、民用汽车拥有量共13个变量作为影响PM2.5浓度的社会经济因素。通过SPSS 17.0进行多重共线性分析可知,变量城镇化率的方差膨胀系数(VIF)为22,大于7.5,说明它可能与人口密度和地区生产总值存在多重共线,所以在进行模型分析时去掉此变量,保留剩下的12个变量。

    2结果与分析

    2.1成渝城市群PM2.5时空分布特征与空间自相关分析

    运用ArcGIS 10.2克里金插值法对16个城市年均PM2.5浓度进行空间插值分析,分别得到成渝城市群地区不同年份年均PM2.5浓度空间分布(图2)。从图2可以看出,2015—2018年期间,研究区内PM2.5浓度的空间分布表现为中部低,西部和北部边缘地区偏高,偏高地区主要包括成都市、乐山市、自贡市、宜宾市、泸州市和达州市等,其中自贡市地区年均PM2.5浓度在2015—2018年期间保持研究区内最高。

    在时间上,成渝城市群整体年均PM2.5浓度呈现下降趋势(图3、图4)。成都市、泸州市、乐山市、资阳市、绵阳市5个市的年均PM2.5浓度值在2016年上升到最高值后开始下降。雅安市在2015—2017年年均PM2.5浓度呈上升趋势,在2017年达到最高值后开始下降。重庆市、德阳市、遂宁市、内江市、眉山市、自贡市、南充市7个市的PM2.5浓度在2015—2018年呈持续下降趋势。

    結合时间和空间分析可以发现,成渝城市群年均PM2.5浓度整体呈下降趋势,高值分布空间范围也在逐渐缩减,表明当地空气质量有所改善。

    通过ArcGIS10.2软件计算得出,2015—2018年成渝城市群Morans I指数均为正,且通过了0.01水平的显著性检验,表明该地区内PM2.5分布存在空间正相关。绘制2015—2018年研究区年均PM2.5浓度LISA聚集分布图。从图5可以看出,2015—2018年4年间遂宁市持续呈现明显的PM2.5浓度高值集聚,即“高-高”集聚,成都市在研究时段内分别与不同城市呈现PM2.5浓度低值集聚,即“低-低”集聚。其他地级市在研究时段内PM2.5浓度局部聚集

    情况不明显。总体来看,高值集聚区域逐渐由研究区内西部向东部转移。

    2.2空间杜宾模型估计结果分析

    对表1中空间杜宾模型估计结果进行分析。变量人均GDP、能源强度、人口密度、建筑业产值、建筑施工面积和私人汽车拥有量、湿度回归系数为正,回归系数绝对值表现为能源强度>人口密度>建筑施工面积>私人汽车拥有量>建筑业产值>人均GDP>湿度;变量第二产业产值占GDP比重、工业产值、绿化覆盖率、环境规制、城市全年公共汽(电)车客运总量、降水量、气温回归系数为负,回归系数绝对值表现为气温>第三产业产值占GDP比重>第二产业产值占GDP比重>绿化覆盖率>环境规 制> 工业产值>降水量>城市全年公共汽(电)车客运总量。

    在气象影响因素方面,PM2.5浓度与降水量和气温呈负相关关系,与湿度呈正相关关系。分析原因可能是PM2.5的扩散与大气流动联系紧密,气温高时,大气流动性强,气流不稳定,有利于PM2.5的扩散,从而降低空气中PM2.5的浓度,低温状态则不利于PM2.5的扩散;稳定的气象条件不利于PM2.5的扩散,而降水的冲刷作用会使得空气中PM2.5浓度降低;有些地区受降水和地面水蒸发的影响,近地面空气的相对湿度越来越大,却极少降水,因此,在这种稳定的天气形势下,PM2.5不易向外扩散,使得污染物在大气的浅层积聚,从而导致PM2.5浓度升高。这些气象因素与PM2.5浓度的相关系数对大气污染防治具有参考意义。

    在社会经济影响因素方面,能源强度对成渝城市群地区PM2.5浓度存在最大正向影响,其次是该地区人口密度、建筑施工面积和私人汽车拥有量,人均GDP(经济发展水平)对PM2.5浓度的影响较弱,说明加剧成渝城市群PM2.5浓度的主要因素是能源强度、人口密度和建筑施工产生的粉尘。能源强度高表示所消耗能源数量多,对于原油、原煤等一次能源消耗量大,燃烧产生的废气多,对空气污染程度高。人口密度大即人口集聚程度高,人口消费和出行需求增加,引起汽车尾气排放和能源消耗增加,从而加重该地区的雾霾污染。建筑行业产生的粉尘是PM2.5的主要来源。此外,机动车尾气排放也是造成研究区PM2.5浓度高的原因之一。

    变量第二产业产值占GDP比重对成渝城市群PM2.5浓度的负向影响显著,这与相关文献研究结果[13-16]不同。将第二产业进一步分为工业和建筑业,计算其产值相关系数,发现建筑业产值相关系数为正(0.087 6),而工业产值相关系数为负(-0.014 3),工业产值占第二产业产值比重远大与建筑业产值,所以对PM2.5浓度起决定性负向影响的是成渝城市群的工业发展。本研究认为,主要原因为成渝城市群工业以烟草制品业、酒、饮料和精制茶制造业、食品制造业等轻工业为主,而这类工业产生的工业废物对PM2.5产生影响并不显著。变量第三产业产值占GDP比重对成渝城市群PM2.5浓度的负向影响高于变量第二产业产值占GDP比重,说明提高产业结构中第三产业比重,发展服务业对抑制雾霾污染有帮助。变量绿化覆盖率对变量PM2.5浓度的影响显著为负,说明绿地有净化空气、降低空气中PM2.5浓度的作用[17]。环境规制对PM2.5浓度的负向影响体现在有效的环境规制能够促进产业结构变革,加速企业绿色产业链构建,减少工业废气的排放。城市全年公共汽(电)车客运总量对PM2.5浓度的影响虽然在统计上不显著,但统计结果对雾霾污染防治具有参考意义。

    3结论

    本研究通过分析成渝城市群PM2.5的时空分布特征和系统甄别对其产生影响的社会经济因素,得出如下结论: (1)空间上在研究区间内PM2.5浓度整体表现为中部低,西部和北部边缘地区偏高,西南部偏低,2015—2018年期间成渝城市群年均PM2.5浓度整体呈下降趋势。(2)在2015—2018年期间成渝城市群PM2.5浓度在空间上正向自相关,呈现高值集聚区域发生明显变化,高浓度集聚区域在2017年增多2018年减少,低值集聚范围稳定。(3)基于空间杜宾模型的回归分析结果可知,对PM2.5浓度起正向影响的社会经济因素贡献强度为能源强度>人口密度>建筑施工面积>私人汽车拥有量>建筑业产值>人均GDP,对PM2.5浓度起负向影响的社会经济因素相关系数表现为第三产业产值占GDP比重>第二产业产值占GDP比重>绿化覆盖率>环境规制>工业产值>城市全年公共汽(电)车客运总量,第二产业产值占GDP比重对PM2.5浓度的负面影响较大,这与其他文献研究结果不同。在气象影响因素方面,PM2.5浓度与降水量和气温呈负相关关系,与湿度呈正相关关系。

    根据上述结论提出以下参考建议:(1)调整成渝城市群能源结构,降低能源结构中煤炭所占的比重,减少化石燃料的使用,推广使用清洁能源。(2)优化成渝城市群工业结构,优先承接发展电子信息、轻工、纺织、医药等行业,同时优化产业结构,增加第三产业所占的比重。合理增加高新技术研发投入,发展绿色生产,推进节能减排。提高城市绿化水平,增加城市绿化覆盖面积。加大环境规制力度,减少工业三废排放。

    参考文献:

    [1]谢杨,戴瀚程,花岡達也,等. PM2.5污染对京津冀地区人群健康影响和经济影响[J]. 中国人口·资源与环境,2016,26(11):19-27.

    [2]刘晓红,江可申. 我国城镇化、产业结构与雾霾动态关系研究——基于省际面板数据的实证检验[J]. 生态经济,2016,32(6):19-25.

    [3]刘华军,裴延峰. 经济发展与中国城市雾霾污染——基于空间关联网络情形下的考察[J]. 城市与环境研究,2018(3):15-41.

    [4]马丽梅,张晓. 中国雾霾污染的空间效应及经济、能源结构影响[J]. 中国工业经济,2014(4):19-31.

    [5]王慧丽,赵芸,胡素. 陕西省雾霾污染时空分布特征及相关性分析[J]. 环境工程,2019,37(4):122-125,162.

    [6]毛卓成,马井会,瞿元昊,等. 2015年上海地区空气质量状况及其与气象条件的关系[J]. 气象与环境学报,2018,34(2):52-60.

    [7]马晓倩,刘征,赵旭阳,等. 京津冀雾霾时空分布特征及其相关性研究[J]. 地域研究与开发,2016,35(2):134-138.

    [8]张生玲,王雨涵,李跃,等. 中国雾霾空间分布特征及影响因素分析[J]. 中国人口·资源与环境,2017,27(9):15-22.

    [9]Zhang T X,Zang L,Wan Y C,et al. Ground-level PM2.5 estimation over urban agglomerations in China with high spatiotemporal resolution based on Himawari-8[J]. Science of the Total Environment,2019,676:535-544.

    [10]王嫣然,張学霞,赵静瑶,等. 2013—2014年北京地区PM2.5时空分布规律及其与植被覆盖度关系的研究[J]. 生态环境学报,2016,25(1):103-111.

    [11]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.

    [12]李廉水,王长源,石喜爱. 长三角城市群雾霾排放效率分析与提升策略[J]. 管理现代化,2018,38(5):116-121.

    [13]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.

    [14]李雪梅,许东明. 京津冀城市群PM2.5的空间分布及相关性分析[J]. 生态与农村环境学报,2019,35(2):174-179.

    [15]任毅,郭丰. 长江经济带雾霾污染空间效应与影响因素分析[J]. 经济与管理,2019,33(1):43-50.

    [16]祝丽云,李彤,马丽岩,等. 产业结构调整对雾霾污染的影响——基于中国京津冀城市群的实证研究[J]. 生态经济,2018,34(10):141-148.

    [17]张建设,冯万富,史晓海,等. 不同绿地结构对PM2.5和PM10的消减作用[J]. 江苏农业科学,2019,47(21):302-304.张颂心. 环杭州湾城市群城郊畜牧业面源污染负荷及防治对策研究[J]. 江苏农业科学,2020,48(13):303-308.doi:10.15889/j.issn.1002-1302.2020.13.060

随便看

 

科学优质学术资源、百科知识分享平台,免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。

 

Copyright © 2004-2023 puapp.net All Rights Reserved
更新时间:2025/3/15 13:49:52