长江经济带PM2.5时空特征及影响因素研究

杨 冕 王 银

(1.武汉大学经济与管理学院，湖北 武汉 430072；2.武汉大学人口·资源与环境经济研究中心，湖北 武汉 430072)

长江经济带PM2.5时空特征及影响因素研究

杨 冕1,2王 银1

(1.武汉大学经济与管理学院，湖北 武汉 430072；2.武汉大学人口·资源与环境经济研究中心，湖北 武汉 430072)

大气细颗粒物(PM2.5)因其对空气环境质量乃至人类健康的巨大危害而逐渐引起学者们的关注。本文以我国综合实力最强、战略支撑作用最为突出的区域之一——长江经济带为研究对象，基于城市级空气质量监测数据，运用地理学时空分析与GIS可视化方法探索并呈现了2015年长江经济带PM2.5的时空分布特征及其演变规律；在此基础上，结合空间回归模型考察了PM2.5浓度与区域城市发展之间的内在关系。结果表明，就空间特征而言，长江中下游地区PM2.5污染较长江上游地区更为严重，长江北岸地区比长江南岸地区更为严重；PM2.5高浓度集聚地带主要位于鄂皖苏大部分地区，与空气质量较佳的云南及其周边地区呈“对角”分布状态。长江经济带内城市间PM2.5浓度存在着显著的正向空间自相关，且自相关性随距离增大而不断减弱，其门槛尺度约为900 km；在这一范围内，PM2.5空间集聚效应较为明显。就时间特征而言，冬季PM2.5浓度相对较高，春秋两季次之，夏季空气质量最好；各地区浓度分布在年初相对离散，后有所趋同。此外，PM2.5与其他类型的大气污染物(如SO2、NO2、O3)浓度两两之间均存在着显著的正相关性，暗示大气污染物从原发污染演变为二次污染，形成恶性循环。空间回归分析结果表明，PM2.5污染随经济发展水平的提高呈现先上升后下降的趋势，在一定程度上支持了“环境库兹涅兹曲线”假说；且人口密度、公共交通运输强度均在不同程度上导致长江经济带PM2.5浓度的升高。最后，从区域性联防联控、不同类型大气污染物协同治理、促进经济发展方式转型等方面为长江经济带的大气环境治理提出切实可行的政策建议。

长江经济带；PM2.5；时空特征；影响因素

2014年9月，国务院印发了《关于依托黄金水道推动长江经济带发展的指导意见》，为“新常态”下长江流域经济发展做出了重要规划，也正式将长江经济带的建设与发展提升至国家战略层面的高度。长江是全球内河货运量第一的黄金水道，长江经济带地跨上海、江苏、浙江、安徽、江西、湖北、湖南、重庆、四川、贵州、云南11个省市；在这片面积占全国不到四分之一的土地上，居住了近6亿的人口，每年创造了超过40%的国内生产总值。作为横贯东西、地跨南北的重要腹心地区，长江经济带蕴藏着丰富的自然资源和巨大的区位发展优势。通过对长江经济带广阔的经济腹地进行有序开发，有望使其成为中国未来30年经济增长潜力最大的地区[1]。

然而，随着工业化与城镇化的深入推进，长江沿岸火电、钢铁、石化等资源密集型行业迅速发展，大气环境质量也随之恶化。特别是近年来，长江中下游部分地区雾霾天数已达100天/a以上，个别城市甚至超过200天/a，给人民群众的健康状况以及生产生活造成严重影响[2]。作为雾霾的重要元凶，PM2.5易富集空气中的有毒重金属、酸性氧化物、细菌和病毒等物质。因其物理直径较小，PM2.5易通过人体呼吸被带入肺泡，从而直接进入循环系统。因此，对于长期暴露于含有高浓度PM2.5的空气中的人群来说，患心脏病与呼吸系统疾病的风险将显著增加；孕妇吸入这样的空气，还可能影响胚胎发育，诱发胎儿先天畸形[3]。此外，PM2.5对光的吸收与散射作用致使大气能见度减小，严重时容易引起交通事故，给人们的出行带来极大不便[4]。鉴于长江经济带在国家层面的重要战略定位及PM2.5对社会经济发展的巨大危害，研究该地区PM2.5的时空分布规律及影响因素，对促进长江流域人与自然协调发展、打造中国经济新支柱具有重要的理论与现实意义。

1 文献梳理

目前，关于长江经济带环境问题的研究多侧重于宏观层面，主要包括可持续发展战略研究[5-6]、环境质量及风险评价[7]、环境约束下的生产率测算[2，8]、低碳经济发展研究[9]等，一些涉及微观环境问题的文献也多集中在水体污染方面[10]，而关于空气污染问题的研究尚较缺乏。

具体到雾霾元凶PM2.5，国内外学者从不同视角对此进行了广泛而深入的研究。Paatero等将PM2.5的空间分布与社会经济发展水平相联系，研究了影响美国东部地区PM2.5集聚的主要原因[11]。Cheng 等研究了世界主要大城市PM2.5的污染现状，发现全球污染最为严重的五大城市中包括三个中国城市(西安、天津和成都)，且中国中东部和印度恒河平原是全球PM2.5污染最为严重的地区[12]。此外，不少学者还从PM2.5对人体健康的影响[13-14]、PM2.5的来源与化学构成[15-16]以及PM2.5与气象变化的关系[17]等展开了深入分析。

近年来随着我国大气污染问题日趋严重，有关中国PM2.5的研究也开始不断涌现。王振波等利用环境监测站数据与空间插值方法，分析了中国城市PM2.5的时空变化规律，发现京津冀地区是污染核心区，珠江三角洲空气质量稳定较好[18]。马丽梅、张晓利用空间面板回归分析探讨了中国31个省份雾霾污染的交互影响及其与经济变动、能源结构的关系，发现在中国尚不存在雾霾污染与经济增长之间的倒“U”型关系，且污染水平与能源结构、产业结构等因素息息相关[19]。Fang 等以空气质量指数为主要参考，从空间集聚与空间自相关视角分析了中国城镇化进程对大气环境带来的区域异质性影响[20]。曾贤刚等运用权变评价法研究了北京市居民对PM2.5健康风险的认知状况、行为选择及降低健康风险的支付意愿[21]。综合而言，关于中国PM2.5的研究有基于单一城市(主要是一二线大城市如北京[17，21]、深圳[22]等)、城市群(长三角[23]、珠三角[24]、环渤海湾地区[25]等)和中国整体[18-19]三种尺度，在研究内容上往往各有侧重，有的着重分析了PM2.5的时空特征，有的则重点阐述了PM2.5与经济发展的相互关系，这些文献为后续学者的研究提供了重要参考。

本文在借鉴以往文献的基础上，根据2015年长江经济带城市级PM2.5数据，运用地理学时空分析与GIS可视化方法及空间回归模型，深入考察长江经济带PM2.5的时空分布特征及其与区域社会经济发展之间的内在关联，以期为长江经济带大气环境质量的逐步改善提供科学的决策参考。

2 研究方法与数据来源

2.1 研究方法

2.1.1 空间自相关分析

地理学第一定律表明，地理事物或属性在空间分布上互为相关，存在集聚(clustering)、随机(random)、规则(Regularity)分布，且距离越近关联越大[18,26]。空间自相关便刻画了一些变量在临近空间单元内的潜在相互依赖性，它又可分为正自相关与负自相关。就PM2.5而言，随着大气运动与物质扩散，雾霾的发生往往波及多个临近地区，京津冀雾霾污染便是一个典型代表。

空间自相关分为全局空间自相关与局部空间自相关。全局空间自相关描绘了相关变量在区域整体范围内的空间依赖程度，常用全局Moran’sI指数进行研究，其公式为[27]：

(1)

其中，xi、xj为城市i、j关于变量x的观测值；wij为空间权重矩阵W的相应元素，n为研究区域中的总体城市个数。Moran’sI的取值范围为[-1, 1]，小于0表示负相关，等于0表示相互独立，大于0表示正相关，绝对值体现了自相关强度。

局部空间自相关描述了变量在一具体空间单元及其临近单元之间的相关关系，若局部空间自相关显著，则可根据该单元自身及其临近单元的具体情况，将这一相关关系分为四种类型：“高-高相关”(High-High)，即高值地区同样被高值地区围绕；“低-低相关”(Low-Low)，即低值地区周围仍是低值地区；“高-低相关”(High-Low)，即高值地区被低值地区围绕；“低-高相关”(Low-High)，即低值地区被高值地区围绕。以空间单元i为例，局部空间自相关可用Local Moran’sI指数表示如下[28]：

(2)

局部空间自相关的另一种研究方法便是热点分析。热点分析需要计算出每个空间单元Getis-OrdGi*统计值，得到相应的z得分和p值。作为热点，不仅自身体现出高值，还将被同样的高值包围，Getis-OrdGi*局部统计可表示为[29-31]：

(3)

其中，S为标准差，统计结果为z得分，z正值越高，则表示热点集聚就越紧密，z负值越低，则表示冷点集聚越紧密[29-31]。若|z|≥2.58，则该空间单元在0.01水平上显著；1.96≤|z|<2.58，则该单元在0.05水平上显著；1.65≤|z|<1.96，则表示在0.1水平上显著；当|z|<1.65时，则为非显著单元。

2.1.2 空间计量经济模型

在研究多个变量的空间影响关系时，通常需要建立空间回归模型。由于空间单元的观测数据常具有空间异质性和空间依赖性，从而违背了支持经典最小二乘回归的高斯-马尔科夫条件，因此需要采取空间计量经济的方法加以处理[32]。对于截面数据而言，空间计量经济模型主要分为两种：

(1)空间滞后模型(Spatial Lag Model，SLM)。该模型包含了因变量的空间滞后项，将因变量的空间扩散与溢出效应纳入考虑范围。SLM可表示如下：

y=ρWy+Xβ+ε

(4)

其中，W为n×n的空间权重矩阵，Wy为空间滞后因变量，ρ反映了因变量在临近区域的观测值对本地区观测值的影响程度与方向，当ρ显著时，说明存在明显的空间依赖。X为n×k的解释变量矩阵，β为k×1的回归系数向量，ε为随机误差项向量。

(2)空间误差模型(Spatial Error Model，SEM)。该模型包含了误差项的滞后项。与空间滞后模型不同的是，空间误差模型侧重于关注因遗漏变量所导致的空间依赖性，即致使自变量出现空间相关的因素未被包含在现有解释变量中，而被误差项吸收[32]。SEM可表示为：

y=Xβ+εε=λWε+μ

(5)

其中，Wε为空间误差滞后项，λ为误差项的空间自回归系数，λ显著则说明误差项之间存在空间自相关。μ为服从正态分布的随机误差项。

空间计量模型可通过极大似然法、工具变量法、广义矩估计等方法进行估计。本文采用极大似然法。通常依照Anselin提出的判别方法，根据Moran’sI检验、LM-Error检验、LM-Lag检验等选择采取SLM还是SEM进行估计[33]。另一些检验指标如对数似然值(Log Likelihood，LogL)、赤池信息准则((Akaike information criterion，AIC)、施瓦茨准则(Schwartz criterion，SC)等也可用来判断模型的拟合效果[34]。一般而言，对数似然值越大、AIC和SC值越小，模型拟合效果越好。

2.2 数据来源

本文所涉及的长江经济带各城市PM2.5及SO2、NO2、O3浓度数据均来源于“中国空气质量在线监测分析平台”(http://www.aqistudy.cn/)。该平台自2014年12月以来收录了全国360多个城市的空气质量数据，并根据日观测数据进行了逐月整合，全面详实。就长江经济带而言，除少数城市(湖北天门、潜江、仙桃、神农架林区)外，其他城市均有相应记录，共127个。本文使用2014年12月—2015年12月的相应数据进行季节变化及全年时空特征研究。

此外，本文还将引入空间回归模型进一步研究城市社会经济发展状况对PM2.5浓度的影响。根据PM2.5的直接与间接成因，本文选取人均GDP、第二产业比重、人口密度、公共交通运输强度和绿化水平作为解释变量。选用各指标的具体原因详述如下：首先，经济增长对环境污染的综合影响大体可归纳为规模效应、结构效应和技术效应三个方面。其中，人均GDP和二产占比分别是规模效应和结构效应的最直接体现。其次，PM2.5排放还在很大程度上取决于当地人类活动强度，而人口密度又是人类活动强度的重要外在表现形式之一；人口密度由各城市人口数除以行政区国土面积计算而得。此外，部分学者认为，汽车尾气是PM2.5的重要来源之一；鉴于数据可获得性，选用公共交通运输强度作为解释变量。公共交通运输强度由“全年公共汽(电)车客运总量”表示。最后，由于城市绿化在除尘、净化空气方面具有较强的功能，因此，城市绿化水平也是PM2.5排放浓度的重要影响因素之一。绿化水平用“建成区绿化覆盖率”表示。

由于上述变量2015年的数据尚无法获得，笔者利用2011—2013年的相应数据的平均值加以替代。利用三年的平均值是为了尽可能地消除统计误差，使得总体数据分布能够更好地体现各城市相关变量的实际水平。同时，社会经济发展对环境的影响具有一定的滞后性和累积性，所以用之前年份的数据进行回归能够较真实地反映各社会经济变量对PM2.5浓度的影响。上述变量主要来自《中国城市统计年鉴》；上海和重庆有少量数据分别来自《上海统计年鉴》和《重庆统计年鉴》。此外，由于《中国城市统计年鉴》缺乏对长江经济带少部分城市的数据统计，所以空间回归部分的样本量共计110个。

3 PM2.5时空特性分析

3.1 季节变化特征

本文采用2014年12月至2015年11月长江经济带PM2.5城市级数据进行季节变化分析。按照冬季(12—2月)、春季(3—5月)、夏季(6—8月)、秋季(9—11月)将各月数据进行平均作为该季节的平均浓度，结果如图1所示。长江经济带PM2.5浓度变化呈现出了显著的季节规律与空间特征——冬季PM2.5污染最为严重，春秋季节次之，夏季空气质量最佳。冬季污染最为严重的是湖北、重庆及四川东部地区；春季PM2.5污染的程度与范围均显著减小，污染相对较重的地区集中在湖北、四川东部、湖南西南部、安徽北部及江浙西部。秋季PM2.5浓度较高的地区主要集中在湖北中部与安徽北部，夏季空气质量最佳。

冬季PM2.5浓度较高与多种因素有关。首先，在气候方面，相对于其他季节而言冬季降雨量稀少，雨水对空气的冲刷较少，可吸入颗粒物易悬浮在空气中；且冬季气温较低，冷空气下沉不利于PM2.5扩散。其次，人类活动方面，为满足冬季长江以北地区较大的供暖需求，煤炭燃烧量增加将不可避免地导致大量PM2.5排放。

3.2 空间集聚效应

本文利用GeoDa1.6.2软件进行空间自相关分析。由于研究区域边界上城市较多，若采用rook或queen空间权重矩阵，将可能导致边界城市与内部城市邻居数目出现不平衡现象。为此本文利用多数分析所采用的k-nearest neighbors法构建空间权重矩阵[35-36]。当4≤k≤10时均呈现了稳健且高度显著的空间自相关情况，考虑到雾霾污染的空间范围，本文选取k=6进行阐述分析。从图1可知，各季节的全局Moran’sI指数都显示了较高的空间自相关特征，且均在0.001的水平上显著。可见某地区PM2.5浓度受自身及邻近地区的共同作用，具有较强的空间联动性；因此，雾霾的治理更需要城市间的通力合作。

长江经济带PM2.5浓度不仅在全局范围内存在显著的正自相关，在局部空间也存在着明显的集聚特征。根据2015年各城市PM2.5的平均浓度，本文采用基于Local Moran’sI的空间集聚分析(图2)和基于Getis-OrdGi*的热点分析(图3)两种方法进行具体研究。结果显示，图2与图3呈现出了高度一致的空间集聚特征，PM2.5污染“重灾区”和空气质量良好地区大致呈“对角”分布——污染“重灾区”主要位于长江中下游的江北地区，而空气质量较好地区主要集中于上游的长江南岸。具体而言，图2中鄂皖苏大部分地区、湖南常德、岳阳以及四川乐山、宜宾属于HH型城市带，暗示这些地区自身及周边PM2.5污染都较为严重。四川雅安、资阳临近地区PM2.5污染严重，但自身空气质量较好，这可能与地形及当地经济发展模式有关。LL型城市带集中在云南大部分地区，四川攀枝花、凉山彝族自治州，贵州西南部，江西景德镇、上饶等。这些地区自身及周边地区空气质量都处于较高水平。图3中严重污染的热点地区较图2向下渗透，已波及浙江北部、安徽南部及湖南北部多个城市；空气质量较好的冷点地区也向四川北部、贵州中东部扩展。这些扩大的区域显著性在0.05-0.1之间，虽然未至0.01，但对图2显示的空间集聚特征进行了补充，暗示空气质量的联动范围较为广泛。

3.3 空间自相关的时间特征

为进一步分析空间自相关的时空演变特征，本文对长江经济带各城市2015年PM2.5浓度进行逐月Local Moran’sI检验，并由此计算出各城市每月的标准化PM2.5浓度值(PM2.5_STD)及标准化空间滞后估计量(PM2.5_Lag_STD)。在此基础上，利用stata12.0软件绘制PM2.5浓度散点图及总体拟合曲线，结果如图4所示。图4中共有1 524个样本点(127个城市*12个月份=1 524)，且各点颜色按1月至12月由浅至深描绘，相同月份的样本点颜色一致。图4中样本点分布及颜色变化规律直观地呈现出了长江经济带各城市PM2.5浓度的空间相关性的演变特征。首先，样本点呈左下至右上排列，拟合曲线斜率为正，这说明城市间PM2.5的相关关系总体为正，即一个地区PM2.5浓度较高，将会给周边地区带来严重影响。其次，图4右上方集聚了更多的浅色散点，而左下方散点多为中深色调，类似图1所反映的信息；年初寒冷月份PM2.5污染较重，待年中春夏时节，空气质量明显改善。此外，图中深色点的分布较为集聚，而浅色散点的分布较为发散，说明年初时节各城市PM2.5的浓度分布较为离散，存在较大的空间异质性，而后随时间推进有所趋同。这反映了年初的寒冷气候使PM2.5污染较重的城市暴露出来，显著地分化了各地区空气质量层次。各城市及其临近地区相互影响，使得好的更好，差的更差，随着时间推进，整个长江经济带PM2.5污染缓解，各地区差异缩小。这对上文的分析提供了更为细致的论据。

图3 基于热点分析的PM2.5空间集聚特征Fig.3 Spatial cluster feature of PM2.5by hotspot analysis

图4 空间自相关随时间演变特征Fig.4 Temporal variation of spatial autocorrelation

3.4 空间自相关的距离特征

空间集聚与空间孤立均以一定距离尺度为前提[37]。为了进一步分析长江经济带PM2.5空间相关性的距离特征，本文利用GS+软件计算不同城市间距下的Moran’sI指数，结果如图5所示。图5首先计算了城市间距在51 km以内时的Moran’sI指数，后以60 km为滞后间距依次计算更远范围的城市群的Moran’sI指数，从而得出如下散点图。可以看出，长江经济带PM2.5浓度的空间自相关尺度约为900 km，即在这个范围内，PM2.5浓度存在着正相关，空间集聚较为明显；越过这个范围，Moran’sI指数开始变为负值，城市对间的PM2.5浓度开始出现高值-低值或低值-高值分布状态。此外，从图5可以看出，Moran’sI指数随城市间隔距离的增大而不断减小，空间自相关逐渐减弱。这一演变大致可分为三个阶段，当间隔距离小于400 km时，Moran’sI指数较大，空间相关性较强；当间隔距离在400 km至900 km时，Moran’sI指数在0.15上下徘徊，空间相关性较弱；当间隔距离大于900 km，Moran’sI指数维持在0点附近并向负值过渡。

图5 空间自相关随距离演变特征Fig.5 Distance variation of spatial autocorrelation

3.5 PM2.5与其他空气污染物相关性分析

不同类型的空气污染物往往存在着一定相互作用关系，通过分析PM2.5与其他空气污染物的相关关系，可以更好地揭示长江经济带大气污染规律。图6展示了PM2.5与其他主要大气污染物(如SO2、NO2、O3)的Pearson相关系数及散点矩阵图。可以看出，PM2.5、SO2、NO2、O3两两之间均存在较为显著的正相关性。PM2.5多来源于工业生产、燃煤发电、汽车尾气排放等，而其他空气污染物在大气中经化学反应，也会对PM2.5污染推波助澜。SO2、NO2在空气中可被O3等强氧化物氧化，生成相应的酸雾或气溶胶，从而吸附更多的粉尘、重金属离子，增加PM2.5浓度[38]。此外，化石燃料的燃烧不仅会带来烟尘，也会产生SO2、NO2，汽车尾气排放又会产生氮氧化物与硫氧化物等，它们在紫外线照射下，可氧化生成O3[39]。大气污染物在这种恶性循环中从开始的原发性污染演变成二次污染，大大降低了空气质量，给人们的健康带来了极大威胁。可见，空气污染的治理必须统筹兼顾，根据污染物之间的作用规律全面防控。

图6 PM2.5及其他主要空气污染物相关系数与散点矩阵图Fig.6 Correlation coefficient and scatter plot of PM2.5 and other air pollutants

3.6 空间回归分析

为了更为明确地分析长江经济带PM2.5浓度与社会经济发展的关系，下文引入计量回归的方法进行深入探讨。首先，根据经典OLS模型建立回归方程，如式(6)所示：

lnPM2.5=α+β1lngdppc+β2lngdppc2+β3lnpopden+β4lngreen+β5lntranint+β6lnindustry+ε

(6)

式中，各变量均取对数形式以减小异方差，被解释变量为2015年长江经济带各城市PM2.5年均浓度，解释变量分别为lngdppc(人均GDP)、lngdppc2(人均GDP平方)、lnpopden(人口密度)、lngreen(建成区绿化覆盖率)、lntranint(公共交通运输强度)、lnindustry(第二产业比重)，α为截距项，β为待估计系数，ε为随机误差项。这里引入人均GDP二次方以检验是否存在“环境库兹涅兹曲线”假说。

由于数据存在着显著的空间相关性与异质性，所以经典OLS失效，但根据Anselin的判别方法[33]，需要在经典OLS回归及相关检验的基础上，选择研究数据适用空间滞后模型(SLM)还是空间误差模型(SEM)。表1左下方列出了Moran指数检验、两个拉格朗日乘数的空间相关性检验结果。Moran指数(误差)检验表明经典OLS回归误差具有非常显著的空间相关性(0.01的显著性水平下)。拉格朗日乘数及其稳健性检验表明，LM-LAG与LM-ERROR均在0.01的水平上高度显著。虽然Robust LM-LAG和Robust LM-ERROR均在0.05水平上显著，但Robust LM-LAG的p值为0.024 79，小于Robust LM-ERROR的p值0.034 6，这说明SLM是更加适合的模型形式。因此对(6)式进行空间回归构造，详如(7)式所示：

lnPM2.5=α+ρWlnPM2.5+β1lngdppc+β2lngdppc2+β3lnpopden+β4lngreen+β5lntranint+β6lnindustry+ε

(7)

其中，ρ为SLM的空间滞后估计参数，W为空间权重矩阵。根据2.2的说明，由于统计年鉴缺乏对部分城市解释变量观测数据的记录(主要集中在云贵川、湖北、湖南少数地区，共计17个城市)，所以空间回归的总样本量为110。这些因数据缺失而排除的城市使得研究区域内出现个别断带地区和孤岛城市，所以根据rook和queen临近原则构造空间权重矩阵较不适宜，若用k-nearest neighbors方法也会使孤岛和断带地区为达到一致的邻居数目而扩大临近范围，使得空间临近较不平衡，所以在此利用GeoDa1.6.2软件根据各城市质心坐标自动生成的最小门槛距离来确定临近关系，构造空间权重矩阵。

经典OLS模型与SLM模型的估计系数及相关检验结果如表1所示。通过对比可以看出，SLM的空间滞后项的系数在0.01水平上显著为正，说明长江经济带各城市间PM2.5污染相互影响较强。此外，SLM的LogL检验结果为35.778 9，大于OLS的12.951 4，且SLM的AIC与SC值(分别为-55.557 8和-33.954 0)小于OLS的相应值，说明SLM是较OLS更为合适的回归模型。综合上述分析，下文根据SLM的参数估计结果分析长江经济带PM2.5浓度与社会经济发展的关系。

SLM估计结果显示，多个研究变量均对PM2.5有显著影响。首先，人均GDP一次方系数为正，二次方系数为负在一定程度上支持了“环境库兹涅兹曲线”假说，说明当经济增长未越过一定门槛时，过多的资源被分配在维持经济增长层面，环境保护陷入“被忽视”或“力不从心”的困境——以破坏环境为代价的生产仍需继续，对于环保的投入又较为欠缺。所以，在“十三五”规划与工业4.0的浪潮中，长江经济带应利用自身优势，加快进行产业结构优化升级，促进经济早日越过以牺牲环境为代价的发展门槛。

其次，人口密度较高会显著加重PM2.5污染。最重要的原因便是人类活动对环境的影响。人类的存在增加了对各种事物的需求，从而容易向大自然排放更多的污染物质。虽然存在着许多环境修护措施，但面对大量人口带来的环境压力也只是杯水车薪。建成区绿化覆盖率对PM2.5浓度的影响并不显著，可见城镇化过程中的绿地建设仍较为薄弱，“寸土寸金”的现状及绿地管理与维护存在的问题[40]，导致人均绿地面积得不到保障，绿地所带来的空气净化作用较为微弱。此外，公共交通运输强度也与PM2.5浓度正相关。交通运输带来的汽车尾气排放会直接增加PM2.5浓度，所以应大力采用清洁能源汽车，或在非清洁能源汽车的尾气排放口安装净化装置，并鼓励人们在路途合适时骑单车出行，不仅环保也有利于健康。最后，第二产业比重的系数为正但并不显著。

4 结 论

近年来，国内多个地区经历了较长时期的雾霾天气，给当地人们的生产与生活带来了极大不便，作为雾霾元凶的PM2.5也因此备受关注。本文通过深入分析长江经济带各城市PM2.5浓度变化的时空特征与影响因素，以期为提升该地区大气环境质量提供科学的决策依据。

研究结果显示：首先，就季节变化而言，长江经济带冬季PM2.5污染最为严重，春季与秋季有所缓解，夏季空气质量最佳，各地区PM2.5浓度在年初相对离散，后有所趋同。其次，空间分布特征显示，长江中下游地区PM2.5污染高于长江上游地区，长江北岸地区又高于长江南岸地区。其中，PM2.5高浓度集聚地带主要位于鄂皖苏大部分地区，与空气质量较佳的云南及其周边地区呈“对角”分布。长江经济带城市PM2.5浓度存在着显著的正向空间自相关，且自相关性随距离增大而不断减弱，其门槛尺度约为900 km，在这一范围内，PM2.5空间集聚较为明显。此外，PM2.5、SO2、NO2及O3浓度两两之间均存在着显著的正相关性，暗示大气污染物从原发污染演变为二次污染，形成恶性循环。最后，空间回归分析显示，人均GDP一次方系数为正，二次方系数为负，这在一定程度上支持了“环境库兹涅兹曲线”假说；绿化覆盖率对PM2.5浓度的影响并不显著，可见环保投入有待进一步加强；另外，人口密度、公共交通运输强度的增加均会加重PM2.5污染。

表1 经典OLS模型与SEM模型估计结果及相关检验

注：*、**、***分别表示10% 、5% 和1% 水平上显著。Robust LM-LAG的p值为0.024 79，Robust LM-ERROR的p值为0.034 6。

根据以上结论，本文就长江经济带治理空气污染工作提出如下方面的对策建议：①由于PM2.5污染存在着较大的空间关联特征，因此，不同省份、区域乃至城市在治理过程中需通力协作，积极探索区域性联防联控的协同机制，形成空间上的合力。否则，各自为战的治理方式将导致污染长期反复甚至是顾此失彼的窘境。②鉴于PM2.5与其他类型的大气污染物(如SO2、NO2、O3)之间存在较为显著的正相关性，因此，为避免大气污染由开始的原发性污染演变成二次污染，从而导致大气环境质量恶性循环，在大气污染治理过程中必须统筹兼顾，根据污染物之间的内在作用关系进行全面防控。③PM2.5污染是环境问题，但归根到底是发展问题，必须坚持用发展的方式去解决。因此，在保持经济稳定增长的前提下，必须注重经济发展方式的调整，通过促进产业结构优化升级、努力提高科技进步对经济增长的贡献等途径，逐步建立资源节约型、环境友好型社会，促使经济发展与大气环境污染实现早日“脱钩”。

(编辑：徐天祥)

References)

[1]卢丽文, 宋德勇, 李小帆. 长江经济带城市发展绿色效率研究[J]. 中国人口·资源与环境, 2016, 26(6): 35-42. [LU Liwen, SONG Deyong, LI Xiaofan.Green efficiency of urban development in the Yangtze River Economic Belt[J]. China population, resources and environment, 2016, 26(6): 35-42.]

[2]汪克亮, 孟祥瑞, 杨宝臣, 等. 基于环境压力的长江经济带工业生态效率研究[J]. 资源科学, 2015 (7): 1491-1501. [WANG Keliang, MENG Xiangrui, YANG Baochen, et al.The industrial eco-efficiency of the Yangtze River Economic Zone based on environmental pressure[J]. Resources science, 2015 (7): 1491-1501.]

[3]张少红, 于少华. PM2.5的来源、危害及防治措施研究[J]. 环境科学与管理, 2014 (7): 92-94. [ZHANG Shaohong, YU Shaohua. Sources, harm and prevention control measures of PM2.5pollution[J].Environmental science and management, 2014 (7): 92-94.]

[4]KIM Y J, KIM K W, KIM S D, et al. Fine particulate matter characteristics and its impact on visibility impairment at two urban sites in Korea: Seoul and Incheon[J]. Atmospheric environment, 2006, 40:593-605.

[5]岑晓喻, 周寅康, 单薇, 等. 长江经济带资源环境格局与可持续发展[J]. 中国发展, 2015 (3): 1-9. [CEN Xiaoyu, ZHOU Yinkang, SHAN Wei, et al. Resources environment pattera and sustainable development of Yangtze River Economic Zone[J].China development, 2015 (3): 1-9.]

[6]杨桂山, 徐昔保, 李平星. 长江经济带绿色生态廊道建设研究[J]. 地理科学进展, 2015 (11): 1356-1367. [YANG Guishan, XU Xibao, LI Pingxing. Research on the construction of green ecological corridors in the Yangtze River Economic Belt[J]. Progress in geography, 2015 (11): 1356-1367.]

[7]陈玮. 基于灰色聚类与模糊综合评判的空气质量评价[D].上海:华东师范大学, 2012:21-41. [CHEN Wei. Air quality assessment of main cities along Yangtze River based on grey cluster and fuzzy comprehensive evaluation[D]. Shanghai: East China Normal University, 2012:21-41.]

[8]吴传清, 董旭. 环境约束下长江经济带全要素能源效率的时空分异研究[J]. 长江流域资源与环境, 2015 (10): 1646-1653. [WU Chuanqing, DONG Xu. Research on time and space disparities of total factor energy efficiency in the Yangtze River Economic Belt under the constrained environment[J].Resources and environment in the Yangtze Basin, 2015 (10): 1646-1653.]

[9]胡尧. 基于碳足迹测定的长江经济带低碳发展水平省际差异研究[D]. 重庆:重庆工商大学, 2015:31-53. [HU Yao. An empirical study on regional disparity of low carbon development level in the Yangtze Economic Zone:based on calculation of carbon footprint[D]. Chongqing: Chongqing Technology and Business University, 2015:31-53.]

[10]王岚, 王亚平, 许春雪, 等. 长江水系表层沉积物重金属污染特征及生态风险性评价[J]. 环境科学, 2012, 33(8): 2599-2606. [WANG Lan, WANG Yaping, XU Chunxue, et al.Pollution characteristics and ecological risk assessment of heavy metals in thesurface sediments of the Yangtze River[J]. Environmental science, 2012, 33(8): 2599-2606. ]

[11]PAATERO P, HOPKE P K, HOPPENSTOCK J, et al. Advanced factor analysis of spatial distributions of PM2.5 in the eastern United States[J]. Environmental science & technology, 2003, 37(11): 2460-2476.

[12]CHENG Z, LUO L, WANG S, et al. Status and characteristics of ambient PM2.5pollution in global megacities[J]. Environment international, 2016, 89:212-221.

[13]HE M, ICHINOSE T, KOBAYASHI M, et al. Differences in allergic inflammatory responses between urban PM2.5and fine particle derived from desert-dust in murine lungs[J]. Toxicology and applied pharmacology, 2016, 297:41-55.

[14]FENG S, GAO D, LIAO F, et al. The health effects of ambient PM2.5and potential mechanisms[J]. Ecotoxicology and environm-ental safety, 2016, 128:67-74.

[15]CESARI D, DONATEO A, CONTE M, et al. An inter-comparison of PM2.5at urban and urban background sites: chemical characterization and source apportionment[J]. Atmospheric research, 2016, 174:106-119.

[16]GUO Z, SHI L, CHEN S, et al. Sulfur isotopic fractionation and source appointment of PM2.5in Nanjing region around the second session of the Youth Olympic Games[J]. Atmospheric research, 2016, 174:9-17.

[17]CHEN Y, SCHLEICHER N, FRICKER M, et al. Long-term variation of black carbon and PM2.5in Beijing, China with respect to meteorological conditions and governmental measures[J]. Environmental pollution, 2016, 212:269-278.

[18]王振波, 方创琳, 许光,等. 2014年中国城市PM2.5浓度的时空变化规律[J]. 地理学报, 2015 (11): 1720-1734. [WANG Zhenbo,FANG Chuanglin, XU Guang, et al.Spatial-temporal characteristics of the PM2.5in China in 2014[J]. Acat geographica sinica, 2015 (11): 1720-1734.]

[19]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. [MA Limei, ZHANG Xiao. The spatial effect of China’s haze pollution and the impact from economic change and energy structure[J]. China industrial economics, 2014 (4): 19-31.]

[20]FANG C, LIU H, LI G, et al. Estimating the impact of urbanization on air quality in China using spatial regression models[J]. Sustainability, 2015, 7(11): 15570-15592.

[21]曾贤刚, 谢芳, 宗佺. 降低PM2.5健康风险的行为选择及支付意愿——以北京市居民为例[J]. 中国人口·资源与环境, 2015, 25(1): 127-133. [ZENG Xiangang, XIE Fang, ZONG Quan. Behavior selection and willingness to pay of reducing PM2.5health risk: taking residents in Beijing as an example [J]. China population, resources and environment, 2015, 25(1): 127-133.]

[22]戴伟, 高佳琪, 曹罡, 等. 深圳市郊区大气中PM2.5的特征分析[J]. 环境科学, 2012, 33(6): 1952-1957.[DAI Wei, GAO Jiaqi, CAO Gang, et al. Characterization of atmospheric in the suburb of Shenzhen[J]. Environmental science, 2012, 33(6): 1952-1957.]

[23]LI L, CHEN C, HUANG C, et al. Air quality and emissions in the Yangtze River Delta, China [J]. Atmospheric chemistry and physics discussions, 2010, 10(10): 23657-23703.

[24]徐伟嘉, 何芳芳, 李红霞, 等. 珠三角区域PM2.5时空变异特征[J]. 环境科学研究, 2014, 27(9):951-957. [XU Weijia, HE Fangfang, LI Hongxia, et al. Spatial and temporal variations of PM2.5in the Pearl River Delta[J]. Research of environmental sciences, 2014, 27(9):951-957.]

[25]WANG Z, FANG C. Spatial-temporal characteristics and determin-ants of PM2.5in the Bohai Rim Urban Agglomeration[J]. Chemosphere, 2016, 148:148-162.]

[26]TOBLER W R. A computer movie simulating urban growth in the Detroit region[J]. Economic geography, 1970, 46:234-240.

[27]刘海猛, 石培基, 潘竟虎,等. 中国城镇房价收入比时空演变的多尺度分析[J]. 地理科学, 2015 (10): 1280-1287. [LIU Haimeng, SHI Peiji, PAN Jinghu, et al. Spatial-temporal evolution on housing price to income ratio of China by multiscale analysis[J]. Scientia geographica sinica, 2015 (10): 1280-1287.]

[28]刘涛, 曹广忠. 城市规模的空间聚散与中心城市影响力——基于中国637个城市空间自相关的实证[J]. 地理研究, 2012 (7): 1317-1327. [LIU Tao, CAO Guangzhong. Agglomeration and dispersion of city sizes and the influence of central cities: based on the multi-scale spatial autocorrelation and the case of China[J]. Geographical research, 2012 (7): 1317-1327.]

[29]杨晓明, 戴小杰, 田思泉,等. 中西太平洋鲣鱼围网渔业资源的热点分析和空间异质性[J]. 生态学报, 2014 (13): 3771-3778. [YANG Xiaoming, DAI Xiaojie, TIAN Siquan, et al. Hot spot analysis and spatial heterogeneity of skipjack tuna(Katsuwonuspelamis) purse seine resources in the Western and central Pacific Ocean[J]. Acta ecologica sinica, 2014 (13): 3771-3778.]

[30]GETIS A, ORD J K. The analysis of spatial association by use of distance statistics[J]. Geographical analysis, 1992, 24(3): 189-206.

[31]ANSELIN L. Local indicators of spatial association-LISA[J]. Geographical analysis, 1995, 27(2): 93-115.

[32]王庆喜, 蒋烨, 陈卓咏. 区域经济研究实用方法：[M]. 北京：经济科学出版社, 2014:14-18. [WANG Xiqing, JIANG Hua, CHEN Zhuoyong. Practical methods for regional economic research [M]. Beijing: Economic Science Press, 2014:14-18.]

[33]ANSELIN L. Spatial econometrics: methods and models[M]. New York: Springer Science & Business Media, 1988：55-76.

[34]吴玉鸣, 李建霞. 中国省域能源消费的空间计量经济分析[J]. 中国人口·资源与环境, 2008 (3): 93-98. [WU Yuming, LI Jianxia. Spatial econometric analysis of energy consumption of Chinese provinces[J]. China population, resources and environment, 2008(3): 93-98.]

[35]陈刚强, 李郇, 许学强. 中国城市人口的空间集聚特征与规律分析[J]. 地理学报, 2008 (10): 1045-1054. [CHEN Gangqiang, LI Xun, XU Xueqiang. Spatial agglomeration and evolution of urban population in China[J]. Acat geographica sinica, 2008 (10): 1045-1054.]

[36]LE Gallo J, ERTUR C. Exploratory spatial data analysis of the distribution of regional per capita GDP in Europe, 1980-1995[J]. Papers in regional science, 2003, 82(2): 175-201.

[37]牟晓杰，孙志高，刘兴土. 黄河口滨岸潮滩湿地土壤碳、氮的空间分异特征 [J]. 地理学报，2012，32(12)：1521-1529. [MOU Xiaojie, SUN Zhigao, LIU Xingtu. Spatial distribution patterns of carbon and nitrogen in the tidal marsh soil of the Yellow River Estuary [J]. Acta geographica sinica 2012, 32(12): 1521 -1529.]

[38]郑冬，李丹，纪德钰，等. 大连市区近地面臭氧污染规律研究及与PM2.5等污染物的相关性分析 [J]. 环境与可持续发展，2014，39(6)：177-180. [ZHENG Dong, LI Dan, JI Deyu, et al. Study on ozone in Dalian urban and correlation between ozone and PM2.5other pollutants [J].Environment and sustainable development, 2014, 39(6): 177-180.]

[39]耿永生. 汽车尾气污染及其控制技术 [J]. 环境科学导刊，2010，29(6)：62 -69. [GENG Yongsheng. Tail gas population from the vehicles and its control technology [J]. Environmental science survey, 2010, 29(6): 62-69.]

[40]张利华，邹波，黄宝荣. 城市绿地生态功能综合评价体系研究的新视角 [J]. 中国人口·资源与环境，2012，22(4)：67-71. [ZHANG Lihua, ZOU Bo, HUANG Baorong. New perspective of comprehensive evaluation research on urban green space ecosystem [J]. China population, resources and environment, 2012, 22(4): 67-71.]

汪克亮，孟祥瑞，杨宝臣,等.技术异质下中国大气污染排放效率的区域差异与影响因素[J].中国人口·资源与环境，2017,27(1)：101-110.[WANG Keliang，MENG Xiangrui，YANG Baochen,et al.Regional differences and influencing factors of China’s air pollution emission efficiency considering technological heterogeneity[J].China population, resources and environment, 2017,27(1):101-110.]

Spatial-temporal characteristics of PM2.5and its influencing factors in the Yangtze River Economic Belt

YANGMian1,2WANGYin1

(1.School of Economics and Management, Wuhan University, Wuhan Hubei 430072, China; 2.Center of Population, Resources & Environmental Economics, Wuhan University, Wuhan Hubei 430072, China)

Airborne fine particulate matter (PM2.5) has brought serious harm to atmospheric environment and human health thus incurring great concern of scholars. This article targets one of the most competitive and strategic areas of China, the Yangtze River Economic Belt, to conduct the research. Based on the air quality monitoring data on the city level, the paper discussed the spatial-temporal characteristics of the PM2.5in the Yangtze River Economic Belt in 2015 by the geographical spatial analysis and GISvisualization method. Furthermore, a spatial regression was conducted to show the internal correlation between PM2.5and regional social and economic development. The results showed that, in the aspect of spatial feature, the midstream and downstream area suffered more serious PM2.5pollution than upstream area,while the north shore suffers more than the south shore. Precisely, most of areas of Hubei, Anhui and Jiangsu provinces were the hot spots of PM2.5pollution, presenting a diagonal symmetry to Yunnan and its surrounding areas which have pretty clean air.PM2.5concentration displayed a significantly positive spatial autocorrelation which decreased as the distance increased with a threshold scale of about 900km. Within this distance the spatial cluster was relatively significant.In the aspect of temporal feature, winter had the relatively highest PM2.5concentration, followed by spring and autumn, while air quality in summer was the best. PM2.5concentration distribution tends to be diverse in the beginning of the year but converge to some extent later. Besides, there’s a pairwise correlation between PM2.5,SO2, NO2and O3, which implied a transfer from primary pollution to secondary pollution leading to a vicious circle.Spatial regression indicated that PM2.5pollution rised firstly but fell later as GDP per capita increased, which to some degree supports the hypothesis of ‘Environmental Kuznets Curve’. Besides, the increase of population density and public transportation intensity could also worsen the PM2.5pollution. Finally, the article proposes a series of practical policies from the aspects of regional cooperating depollution, synergetic reduction of various air pollutants and the improvement of economic growth pattern.

Yangtze Economic Belt;PM2.5; spatial-temporal characteristics; influential factors

2016-06-11

杨冕，博士，副教授，主要研究方向为能源经济学、环境经济学。E-mail: yangmian909@163.com。

国家自然科学基金青年项目“要素市场扭曲对中国高耗能行业能源生产率的影响研究”(批准号：71303177)；教育部人文社会科学青年基金项目“基于行业异质性的要素市场扭曲对中国能源生产率的影响”(批准号：13YJC790179)；中国博士后科学基金一般项目“基于要素配置效率视角的我国经济发展方式转型研究”(批准号：2014M550848)；教育部人文社科重点研究基地重大项目“中国人口增长与经济可持续发展问题研究”(批准号：14JJD790042)。

X196；F061.5

A

1002-2104(2017)01-0091-10

10.3969/j.issn.1002-2104.2017.01.011