中国省域PM2.5浓度行业驱动因素的时空异质性研究

刁贝娣 丁镭 苏攀达

摘要 面对近年来频发的雾霾污染，坚定“打好蓝天保卫战”是我们整治大气环境问题的决心。探寻和厘清各重点行业对PM2.5浓度的贡献量，判定影响更为显著且更为广泛的行业，划定目前最迫切需要整治的重点区域，期望为深入推进贯彻落实国务院《大气污染防治行动计划》中“重点行业重点区域”这一减排思路提供依据。基于此，本文以2000—2014年省域PM2.5浓度及相关重点行业为研究对象，利用STIRPAT模型构建PM2.5浓度变化的解释模型，进而运用GTWR模型探究行业驱动因素的时空异质性。拟合结果表明：不同行业影响系数表现出显著的时空异质性，从时间上看，不同行业的演化趋势特征鲜明，火力发电行业的拟合系数先减小后趋于稳定，钢铁业系数波动变化后趋于稳定，水泥、建筑行业的系数则在不断增加后趋于稳定，供暖行业先减小后增加，而采矿行业的拟合系数为负向增加，为不同行业减排政策的调整提供依据。从空间上看，区域间重点行业的影响差异显著，火力发电行业较多的影响东部各省，钢铁行业则显著影响着中西部主要的产业转移接收地，水泥行业对各省域的影响系数有正有负，而余下的建筑业、供暖业和采矿行业的影响则表现出区域特色。因此，全国统一的控制政策亟待调整。为提出针对行业特征和区域差异的控制政策，以四象限区域划分结果结合行业生产规模作为重点区域分类的依据，依据分类结果给出对应的政策调整建议。依据上述分析及结论，对于改善空气质量、控制PM2.5浓度提出以下三条政策建议：制定行业标准，倒逼企业转型；明确分区控制，差异治理策略；注重技术衔接，突出后发优势。

关键词 PM2.5浓度；行业驱动因素；GTWR；时空异质性；重点区域划分

中图分类号 F205 文献标识码 A 文章编号 1002-2104（2018）09-0052-11 DOI：10.12062/cpre.20180425

2013年初中东部地区的大面积雾霾事件爆发后，环境问题尤其是大气污染问题成为社会各界高度关注的公众议题。2015年，全国检测站点包含的338个地级以上城市中有265个空气质量不合格，其中尤以PM2.5为首要污染物占不合格天数的66.8%[1]。尽管经过多年治理，城市大气污染问题仍未得到有效解决，尤其2016年底再次爆发的雾霾天气，使得全国24座城市先后启动了空气重度污染红色预警。因此，2017年初李克强总理在政府工作报告时再次强调了雾霾治理的紧迫性，坚定了政府“打好蓝天保卫战”的决心[2]。

1 文献分析

因此，如何降低PM2.5浓度、缓解雾霾天气给社会造成的危害，成为环境经济学等相关学科高度关注的课题。为了更深入地了解进而控制以PM2.5为主要污染物的雾霾污染，已有研究主要从自然科学视角出发，重点聚焦于PM2.5的物质组成[3]、空间分布特征[4]、源解析[5]及灰霾形成机理等方面。自Donkelaar A等[6]2010年发布第一幅全球PM2.5浓度图后，围绕PM2.5質量浓度的相关研究陆续展开。从研究区域上，已有研究着重聚焦于我国华北、东北及西南地区，并重点关注部分大城市的PM2.5污染状况[7-9]；从PM2.5浓度数据来源来看，主要基于MODIS全球气溶胶柱反演和地面监测站实测数据两个途径[10-11]。而随着研究的深入，PM2.5浓度的影响因素探究逐渐成为新热点[12]，尽管不同专家对主要影响因素的判别表现出较大的差异。不少学者认为宏观经济指标例如：经济规模、人口规模、城市化程度、工业发展水平以及能源利用效率等是增加PM2.5浓度的主要驱动力[13-15]。同时，部分学者认为对机动车的数量、垃圾焚烧量等具体指标的测算和控制才是研究、治理雾霾污染的主要方向[16]。除此之外，还有一些学者将关注点放在了城市发展模式、城市规模等综合性指标上，认为概括为综合指标后的发展水平更能系统地体现人类活动对于大气环境产生的影响，并对其机理展开一系列讨论[17-18]。总的来看，目前的研究更多关注宏观经济因素对空气质量的影响，忽略了对重点行业在雾霾污染的贡献力度以及重点区域治理紧迫性上的关注。

为贯彻落实国务院《大气污染防治行动计划》中“重点行业重点区域”这一主体思路，环保部等部门将通过制定、修订重点行业排放标准“倒逼”产业转型升级，并明确将重点行业作为污染治理工作的突破口。已有研究表明，钢铁和火力发电行业在生产过程中资源、能源消耗量大，且各工序生产过程排放的污染物成分复杂、种类繁多[19-20]。因此，2011年和2012年国家环保部先后将火力发电行业和钢铁工业列为重点控制行业，大幅收紧这两个行业的烟尘、SO2、NOx等大气污染物的排放限值[21]；另一方面，随着城镇化进程中城市数量的增加及建设规模的不断扩大，水泥行业开始成为我国人为源颗粒物排放贡献最大的工业部门之一[22]。因而，继火电、钢铁行业之后，2013年环保部再次修订并发布对大气环境质量有重大影响的行业排放标准—《水泥工业大气污染物排放标准》，重新规定了水泥行业大气污染物的排放限值。此外，地面扬尘和建筑扬尘也是空气中PM2.5的主要来源，年贡献率为15%～30%左右[23]。同时，由部分研究结果可以看出，北方地区采暖季前后PM2.5浓度及组分具有显著差异[24]，露天开采矿区的PM2.5浓度远高于其他地区[25]，因此，在特定地区供暖行业及采矿业也是影响较大的重点行业。由此可以判定火力发电行业、钢铁行业、水泥行业为影响PM2.5浓度的重点行业。除此之外，建筑、供暖和采矿行业的影响虽具有显著的地域差异，但也是相对较为重要的行业。

根据前文的综述可以看出，目前学界的研究成果集中于探究宏观经济因素或单一重点行业对PM2.5浓度的影响，忽略了PM2.5浓度的变化是诸多重点行业的综合贡献。相比已有关于空气质量的影响机理研究大多围绕自然背景和城市化、产业结构等社会经济背景，本文从行业产业角度出发，在研究尺度上更细致化，对于区域的PM2.5减排控制也更有明确的指导作用。本文的创新点和研究意义在于：在省级尺度层面，以2000—2014年中国省域PM2.5浓度为研究对象，以各行业的生产规模（行业产品产量）作为解释变量，运用时空地理加权回归模型（GTWR）厘清各重点行业对PM2.5浓度的贡献量，判定影响更为显著且影响更为广泛的行业，划定目前最迫切需要整治的重点区域，为深入推进贯彻落实国务院《大气污染防治行动计划》中“重点行业重点区域”这一减排思路提供依据。

基于此，我们从产业演进及产业结构的角度，重新梳理行业驱动因素对PM2.5浓度影响的背后机制。从时间维度来看，地区的产业在发展中结构和内容不断更新及变化的过程即产业演进，是技术和制度协同作用的结果[26]。工业内部结构的演进过程，也是不断淘汰衰退产业，加强传统产业的技术改造，实现主导产业的合理转换，扶持和引导新兴产业[27]，因此在不同时期，地区工业内部的产业演进处于不同阶段。同时，产业结构的调整对雾霾污染具有显著的时间滞后效应[28]，即上一时期的雾霾污染对当期或后期存在较大的正向影响，因此进行长时间序列的研究是十分必要的。从空间维度，由于中国地域辽阔，不同省域的自然条件、资源禀赋、区位优势、技术水平等方面存在的差异，从而在不同地区形成各异的产业集聚布局，其产业演进顺序也存在一定的差异性[29]。探究重点行业因子的时空异质性，期望判定地区在一段时间内，生产力水平提高的同时降低其污染的外部性，为各地区制定差异化的产业政策提供参考。

2 数据来源、研究方法及模型对比

2.1 数据来源及变量选择

本文中数据皆为省域数据，包含全国30个省市自治区（由于统计数据的缺失，暂未包括西藏自治区、香港和澳门特别行政区、台湾省以及南海诸岛等地区）。各省PM2.5浓度数据来源于两个平台：①2000—2012年的数据由SEDAC数据库中的MODIS反演数据提供；②2013—2014年采用MODIS全球气溶胶柱厚度的反演结果，具体地是由LAADS提供的Terra数据集中的三级数据MOD08M3中的全球月平均气溶胶细粒子比（FMF），结合国内公开的城市PM2.5月均监测数据反演得到。

各行业产品的产量数据表征各地区的行业发展状况，由于地域间成本及产品价格的差异，行业产量比行业产值更能代表行业的发展规模及发展水平[30]。产量数据分别来自《中国统计年鉴》和《中国国土资源统计年鉴》，部分缺失数据参考各省历年统计年鉴。由于统计时间、数据传输等原因，且考虑到数据的完整性和连续性，最后研究时间区间确定为2000—2014年。根据前文论述，选取影响PM2.5浓度的重点行业及表示变量的指标分别为：B（建筑施工面积）、CE（水泥产量）、FE（火力发电量）、H（热水及蒸汽供热的供热量总和）、M（非油气原矿产矿量）、ST（粗钢产量）。除了这些重点行业外，机动车尾气的排放也是空气中PM2.5的一个主要来源，因此，出于稳健性考虑，使得模型的拟合结果更符合实际情况，选择V（民用汽车总量）作为其中一个解释变量。各变量的描述性统计结果见表1。

2.2 研究方法

2.3 OLS、GWR及GTWR模型拟合结果对比

首先，为了观测所选各重点行业在全局上的影响水平，选择以PM2.5浓度的对数为因变量，七个重点行业产品产量值的对数为解释变量，运用Eviews构建OLS模型。R2等于0.622，调整后R2为0.617，拟合效果欠佳。这是因为OLS估计没有考虑空间距离因素，不同观察值间的差异被“平均化”，只能得到一个整体上的相互关系，既不能反映参数在不同空间的非稳定性，也无法反映各参数在时间上的非稳定性。

由于我国国土面积广大，省域地情差异巨大，各参数应存在显著的空间非平稳性。为探寻这种空间非平稳性，在原有模型中加入空间距离权重，使用GWR模型探究重点行业对PM2.5浓度影响的空间异质性。以2000年、2005年、2010年、2014年为分析断面，分别对这四年的数据进行分析，结果如表2。拟合效果随时间推移逐渐降低，说明拟合效果越来越差，且带宽增大，即各系数的线性趋势不断减弱。

由前文分析可以看出OLS模型以及GWR模型的拟合效果一般，由于雾霾污染存在显著的时间滞后性，长时间序列的研究是必须的，且各重点行业对PM2.5浓度的贡献在时间上存在较大的差异。因此，需要将时间纳入变量坐标构成新的模型—时空地理加权回归模型（GTWR），从而提高拟合精度并增加解释能力[38]。在MATLAB中利用Huang所公布的算法[37]对不同年份各区域PM2.5的行业驱动因素参数进行估计。利用AICs得到模型最佳帶宽为0.339，拟合优度为0.994，调整后R2为0.994。通过比较三种模型的拟合结果可以看出，GTWR模型的拟合优度明显高于GWR模型和OLS模型，表明各行业对PM2.5浓度的影响存在显著的时空非平稳性，应通过GTWR模型对其时空异质性进行分析。

3 各行业驱动因素拟合系数的时空异质性分析

3.1 各驱动因子拟合系数的时间演化

对不同时间内各区域PM2.5的行业驱动因素参数进行模拟估计，得到每个行业在不同时空位置上的PM2.5浓度的贡献系数。为了观测GTWR拟合参数在时间上的演变趋势，绘制分行业拟合系数随时间变化的箱状图（见图1）。

具体到不同行业来看：①火力发电对空气中的PM2.5浓度增加的贡献最为显著，大多数省份火力发电造成的影响为正向的，仅有少数几个省份的拟合系数为负。但随着时间的推移，火力发电行业生产技术的进步、清洁技术的升级以及污染物排放标准的制定，特别是《火电工业大气污染物排放标准》的修订，使得火力发电行业污染排放的控制力度得到进一步加强，整个行业对空气质量的影响先缓慢降低，后趋于平稳。②类似于火力发电行业，钢铁行业对大部分省域的PM2.5浓度的贡献为正向，这个正向系数随时间先升后降，最终趋于平稳。按照钢铁工业“十二五”发展规划，中国逐步实现经济结构调整，转变发展方式，到2015年粗钢需求总量在6.7亿～7.5亿t左右[39]，对比前十年粗钢产量的增长，钢铁产业的发展将进入平缓期；同时《钢铁工业大气污染物排放标准》中大幅收紧烟尘、SO2、NOx等大气污染物的排放限值，这都使得钢铁行业对大部分地区空气质量的影响开始出现下降的趋势。③从拟合系数值来看，在研究初期，水泥行业对大多地区的PM2.5浓度影响为负，随着时间的流逝，部分地区的拟合系数不断增加，我国的经济政策重点开始由出口导向型经济向内需拉动型经济转变，各地城市化建设中的基础设施建设使得对水泥的需求量急剧上升，水泥行业在全国很多地区迅速发展，同时也伴生了大量的大气污染物的排放。然而在这一增加趋势在后期开始趋于稳定，但总体变成了正向影响较多。

相较于以上三个行业与PM2.5浓度主要为正向关系不同，余下的三个行业的贡献水平则在较多地区表现出影响较小或负向影响。建筑行业对PM2.5浓度的贡献水平缓慢增加，因为在过去一段时间内正处于城市规模不断扩大、城镇数量不断增加的阶段，建筑行业在此时迅速发展，城市建筑施工面积急速增加，同时与建筑行业相关的运输也导致PM2.5浓度上升。供暖行业方面，由于我国集中供暖主要存在于北方地区，南方地区长期以来鲜有供暖服务，因此该行业的影响系数地域特色突出；随时间的推移，供暖行业整体拟合系数变化较小，但还是有先减小而后又增加的趋势。采矿行业为负向影响的省域较多，且随时间影响先负向增加后趋于稳定。

3.2 各驱动因子拟合系数的空间分布

为更直观的观察各驱动因子的拟合系数在空间分布上的差异，选择2014年各行业的拟合结果进行可视化（见图2）。整体看来，各行业对PM2.5浓度的影响程度在区域之间呈现空间差异，且表现出一定的空间集聚特征。

从图2可以看出：①火力发电行业影响较大的区域为东部沿海的各省，特别是华东地区，主要是因为这些地区经济发展迅速且人口密集，但能源资源十分紧缺，一次能源调入比例高达88%，电力资源短缺尤为严重[40]。为满足能源需求，这些地区必须大力发展以燃煤、燃油为主的火力发电行业，致使不同规模的火电厂密集分布在东部各省。同时，国内电力企业大量引进价格低廉的低卡进口煤，与优质煤掺杂使用进行供电来降低成本，对PM2.5的影响极为严重。火电行业大气污染物包括烟尘、SO2、NOx，这些污染物既包含空气中PM2.5的一次来源，同时也包括二次转化来源的前体物，这些前体物不仅使得空气中的细粒物质增加，同时会使雾霾的毒性增强。②另一个对PM2.5污染贡献量较大的是钢铁行业，钢铁冶炼行业不仅生产过程中资源、能源消耗量较大，同时也产生大量的污染物排放。此外，钢铁行业各工序的生产过程排放的污染物成分复杂、种类繁多。类似于火力发电行业，钢铁行业既是一次细颗粒排放源，也是造成环境空气当中细颗粒污 染的主要前体物SO2、NOx的主要排放源。从空间上看，钢铁行业影响最大的地区是中西部的产业转移承接地，例如安徽、江西、湖南、云南等。这些区域是沿海发达地区的主要承接地，接收了大量来自江苏、浙江、广州等发达地区产业的转移。这些地区在发展路径的选择上相对保守，依循传统的发展路径，选择承担环境风险以换取相应的经济发展机会，在此过程中一定程度上降低了对引进企业在环境方面的要求，才会成为钢铁等重工业的主要污染区域。③水泥行业对不同地区的影响有正有负，但涉及范围较广，正向影响主要集中在华中和华南一线的河南、湖北、湖南、广西等地，其他的还有华东地区的江苏以及江西。由徐东耀等对我国水泥行业大气污染物排放特征的研究成果可以看出，华中地区虽然只包括河南、湖北、湖南三省，但其水泥产量及生产过程中产生粉尘、SO2、NOx排放量都在全国位列前茅[41]。究其原因是上述3个省为水泥生产大省，产量大，采用大型生产设备更新换代缓慢，对矿物原料进行加工时产生更多的污染物，且其贡献也包括了排放产生的细颗粒物以及污染物混合后发生复杂反应后形成的二次污染两种污染形式，污染物成分复杂。

此外，值得注意的是，建筑行业随着城市化快速推进而不断发展，许多城市开始大搞城市建设，无论是旧城改造还是新城建设，都使得在建工地面积不断扩大。且华东、华北和西北地区的气候特点为半湿润半干旱地区，建筑工地在风的作用下易产生大量扬尘，从而增加PM2.5的浓度降低空气质量。供暖行业因为地域气温限制，主要影响北方地区，特别是京津冀及其周边省份，这些地区人口密集，城市集中供暖消耗大量的化石能源，乡村地区供暖又因为煤质较差，产生的大气污染物质更多，所以这些地区在秋冬季节会出现大面积连续的的雾霾污染[42]。最后是采矿行业，拟合结果显示系数最大的地区为福建和上海，虽然这两个地区露天矿产的开发较少，但从另一个方面来看，表明这两个地区相对于其他行业，发展矿业开采可能会导致更多的细颗粒物污染；其次就是新疆、内蒙古等地区，近些年来各类矿产資源的开发规模和开发力度不断增大，是主要的采矿业集中区域，且更多以粗放式开采为主[43]，这些地区密布的露天矿床使得开采过程中产生的粉尘及扬尘进入空气，同时矿石运输过程中也会产生较多的扬尘，进 而影响空气质量，导致空气中的PM2.5浓度增加。

3.3 重点区域的分类与分区

结合前期NOx减排的经验，突出重点行业和重点区域的做法在很大程度上解决统一标准给不同区域减排工作带来的制约，有力促进了“十二五”计划中后期NOx的减排，这种做法对于PM2.5的治理工作具有参考价值[44]。因此，甄别PM2.5的两个重点应是下一阶段污染物治理工作的重要内容。

首先是PM2.5浓度超标的污染区域的筛选。根据《环境空气质量标准（GB3095-2012）》，PM2.5的年和24小时平均浓度二级标准限值分别定为35 μg/m3和75 μg/m3，所以年均空气质量高于35 μg/m3的省市地区划分为需要进行PM2.5浓度控制的污染区域，包括安徽、北京、河北、河南等16个省市地区。

第二步为受影响区域的分类。对于不同行业来说，其对各个地区的影响程度不尽相同，因此每个行业需要调控的重点区域也会具有较大差异。为了寻找各行业调控的重点区域，这里对影响区域进行分类。根据刘满芝等人的研究[45]，以2007年相对于2000年拟合系数变化为横轴、2014年相对于2007年变化为纵轴，将各省份拟合系数的表现分为9种类型（绝对值小于2视为平稳），分别为：系数不断增加的地区、系数先增加后平稳区、系数先增加后减小区、系数先平稳后增加区、系数始终平稳区、系数先平稳后减小区、系数先减小后增加区、系数不断减小区以及系数先减小而后平稳的地区，据此获得行业影响水平变化情况的四象限图（见图3）。

第三步为各行业影响的重点区域划定。以受影响区域分类结果和行业生产规模为划分依据，探寻各行业拟合系数变化表现不佳且产量较大的重点区域，具体划分结果 见表3，其中拟合系数一直为负数的地区未被重点标记。（N1～N9对应上述影响区域分类划分出的9种类型）

由表3的划定结果可以看出，首先，钢铁和火力发电行业受到行业排放标准的限制，其对于PM2.5濃度影响逐年增加的趋势基本得到控制，但近年来钢铁行业的污染在部分省域有“死灰复燃”的趋势（例如安徽、河南、江西等地），这些地区需要进一步落实行业污染物排放的约束性政策。由于水泥及建筑行业的行业排放限制政策还未完全落实，这两个行业影响增加的趋势暂未得到明显的控制，部分省份仍出现PM2.5浓度不断增加的现象（例如河南、江苏、辽宁、河北等地）。因此，对这些地区来说当务之急是行业排放标准的制定及相关环境政策的落实。最后是供暖及采矿行业，这两个行业具有显著的区域差异，重要的是提升行业的生产效率及改进清洁技术，尽量减少行业发展对当地空气质量特别是PM2.5浓度的影响。

4 结论及政策建议

4.1 结论

本文从行业驱动污染物排放的角度出发，对各重点行业PM2.5浓度变化贡献程度进行估计，并运用时空地理加权回归模型寻找各重点行业影响显著的区域，进而得出以下结论。

从行业视角来看，影响PM2.5浓度最为显著的行业为火力发电、钢铁和水泥行业，其次是供暖、采矿与建筑业。随时间的推移各行业的影响系数大致可以划分为三种变化情况：①趋于稳定：火电行业与钢铁行业以行业污染物约束性政策修订为分界点，前期变化显著，后期逐渐趋于稳定；②变化趋势一致：水泥、建筑行业的影响系数保持不断增加的态势，而采矿行业的影响系数不断减小；③先减小后增加：供暖行业先减小后增加。总体来看，行业约束性政策的出台对行业污染物排放的控制效果较为显著，因此，未来应该进一步加强水泥与建筑行业的控制，降低行业污染物排放对地区空气质量的影响。

从空间分布角度来看，不同区域的各产业拟合系数存在空间异质性和空间集聚效应，并表现出与产业重心相应的空间分布格局。火力发电行业对于东部依赖火电提供能源的地区，特别是山东、江苏以及安徽的影响较大。钢铁行业则显著影响着中西部地区产业转移承接地，例如安徽、江西、湖南、云南等。水泥行业对不同省份的影响系数有正有负，影响为正的地区集中在华中、华南一线的河南、湖北、湖南、广西，以及华东地区的江苏、江西。建筑行业主要影响华北和西北地区的PM2.5浓度，其中影响最为显著的为山东、山西及宁夏三地。供暖与采矿行业也表现出显著的地域特征。总的来看，在空间上产业分布同样表现出对空气质量极大的影响力。

为进一步寻找各行业影响显著的重点区域，以四象限图划分类型结果及行业生产规模为依据，划分出九种类型。其中N1、N4、N7这三类地区是各个行业都需要控制的最重要的地区，必须即刻采取有效措施。N2、N5、N8为次重要地区，这一类型中拟合系数较大的区域，还需要进一步加强控制。

4.2 政策建议

依据本研究的主要分析及结论，对于改善空气质量、控制PM2.5浓度提出以下三条政策建议：

（1）制定行业标准，倒逼企业转型。从前文分析中可以看出，目前各重点行业中减排控制效果最佳的钢铁和火电行业来看，在相关行业污染物排放标准修订后，行业生产规模对空气质量的影响逐渐降低。由此可见，在现阶段的减排工作中，制定详尽的大气污染物排放限值是一个行之有效的方法。特别是对处于转型期的重点行业，更是迫切需要相关排放标准来规范企业的排放行为，通过控制污染物的排放强度，结合排污权的分配与交易，倒逼企业加快生产工艺的转型升级与清洁技术的更新换代。

（2）明确分区控制，注重差异治理。我国幅员辽阔、地情复杂，各省域产业结构特色鲜明，详细了解区域各行业发展状况及辨别PM2.5重点控制区域是分区治理的核心。具体而言，火电与供暖对北方地区的PM2.5浓度，尤其是华北地区影响较大，应该予以重点控制。火电行业大量的燃煤消耗除了产生PM2.5等基本物质粉尘之外，还带来其他污染物如硫酸盐、亚硝酸盐、重金属元素以及有机质多环芳烃等，此类污染物会增强雾霾的毒性，应该展开重点监测。同时，临近沿海地区的省份作为这一轮产业转移的承接地接收了大量工厂企业，这些地区应该特别注意对转移产业进行甄别，并增加高污染高耗能企业的准入门槛，防止重走先污染后治理的老路。

（3）注重技术衔接，突出后发优势。表明已有研究部分地区的经济发展过程中存在不同程度的“资源诅咒”现象[46]，而如何避免这种情况在后续发展阶段中蔓延，成为我国实现“五位一体”发展战略的关键问题。减排技术的升级是控制大气污染物的核心，尤其在后工业化的发展阶段，生产效率的提高和环保技术的改进是维持地区可持续发展、缓解“资源诅咒”现象的基本条件，尤其是对后进地区，升级换代各方面技术是其发展的必然选择。除了依靠先进地区已经积累的发展经验和相对领先的科技能力外，后进地区主动接收已有的技术成果、总结区域发展路径、落实各项中长期规划内容也是关键举措。尤其是在像钢铁产业这样的典型产业中，区域间的技术溢出对于钢铁行业的环境效应影响显著。因此，关注技术衔接，搭建环境技术专利转移公共平台、鼓励后进地区企业引进相关人才，激活后发优势同样也是治理环境污染、改善空气质量过程中的重要内容。

（编辑：于 杰）

参考文献（References）

[1]中华人民共和国环境保护部. 中国环境质量报告[M]. 北京： 中国环境科学出版社， 2015. [Ministry of Environmental Protection of the Peoples Republic of China. China environmental quality report [M]. Beijing： China Environment Science Press，2015.]

[2]张明， 李曼. 经济增长和环境规制对雾霾的区际影响差异[J]. 中国人口·资源与环境， 2017， 27（9）： 23-34. [ZHANG Ming，LI Man.Study on the regional difference in the relationship among haze pollution，economic growth and environmental regulation from the perspective of spatial gravitational effect[J]. China population，resources and environment， 2017， 27（9）： 23-34.]

[3]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， 70（11）： 1720-1734. [WANG Zhenbo， FANG Chuanglin， XU Guang， et al. Spatialtemporal characteristics of the PM2.5 in China in 2014[J]. Acta geographica sinica， 2015， 70（11）： 1720-1734.]

[4]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. [ZHANG Shengling， WANG Yuhan， LI Yue， et al. Spatial distribution of haze pollution and its influencing factors[J]. China population， resources and environment， 2017， 27（9）： 15-22.]

[5]朱先磊， 张远航， 曾立民， 等. 北京市大气细颗粒物PM2.5的来源研究[J]. 環境科学研究， 2005， 18（5）： 1-5.[ZHU Xianlei， ZHANG Yuanhang， ZENG Liming， et al. Source identification of ambient PM2.5 in Beijing[J]. Research of environmental sciences， 2005， 18（5）： 1-5.]

[6]DONKELAAR A， MARTIN R V， BRAUER M， et al. Global estimates of ambient fine particulate matter concentrations from satellitebased aerosol optical depth： development and application[J]. Environmental health perspectives， 2010， 118（6）：847-855.

[7]LI R K， LI Z P， GAO W J， et al. Diurnal， seasonal and spatial variation of PM2.5 in Beijing[J]. Science bulletin， 2014， 60（3）：387-395.

[8]LIN G， FU J， JIANG D， et al. Spatiotemporal variation of PM2.5 concentrations and their relationship with geographic and socioeconomic factors in China[J]. International journal of environmental research and public health， 2014， 11（1）： 173-186.

[9]HAO Y， LIU Y M. The influential factors of urban PM2.5， concentrations in China： a spatial econometric analysis [J]. Journal of cleaner production， 2016， 112：1443-1453.

[10]WU R， DAI H， GENG Y， et al. Economic impacts from PM2.5 pollutionrelated health effects： a case study in Shanghai[J]. Environmental science & technology， 2017， 51（9）： 5035-5042.

[11]张殷俊，陈曦，谢高地，等.中国细颗粒物（PM2.5）污染状况和空间分布[J].资源科学，2015， 37（7）： 1339-1346. [ZHANG Yinjun， CHEN Xi， XIE Gaodi，et al. Pollution status and spatial distribution of PM2.5 in China[J]. Resources science， 2015， 37（7）： 1339-1346.]

[12]ZHANG X， WU Y， GU B. Characterization of haze episodes and factors contributing to their formation using a panel model [J]. Chemosphere， 2016， 149： 320-327.

[13]向堃， 宋德勇. 中国省域 PM2.5 污染的空间实证研究[J]. 中国人口·资源与环境， 2015， 25（9）： 153-159. [XIANG Kun， SONG Deyong. Spatial analysis of Chinas PM2.5 pollution at the provincial level[J]. China population， resources and environment， 2015， 25（9）： 153-159.]

[14]LI G， FANG C， WANG S， et al. The effect of economic growth， urbanization and industrialization on fine particulate matter PM2.5 concentrations in China [J]. Environmental science & technology， 2016， 50（21）：11452-11459.

[15]GUAN D， SU X， ZHANG Q， et al. The socioeconomic drivers of Chinas primary PM2.5 emissions [J]. Environmental research letters， 2014， 9（2）： 1-9.

[16]XU B， LIN B. Regional differences of pollution emissions in China： contributing factors and mitigation strategies [J]. Journal of cleaner production， 2016， 112： 1454-1463.

[17]MCCARTY J， KAZA N. Urban form and air quality in the United States [J]. Landscape and urban planning， 2015， 139： 168-179.

[18]HAN L， ZHOU W， PICKETT S T A， et al. An optimum city size？ the scaling relationship for urban population and fine particulate （PM2.5） concentration [J]. Environmental pollution， 2016， 208： 96-101.

[19]伯鑫， 趙春丽， 吴铁， 等. 京津冀地区钢铁行业高时空分辨率排放清单方法研究[J]. 中国环境科学， 2015， 35（8）： 2554-2560. [BO Xin， ZHAO Chunli， WU Tie， et al. Emission inventory with high temporal and spatial resolution of steel industry in the BeijingTianjinHebei region[J]. China environmental science， 2015， 35（8）： 2554-2560.]

[20]薛文博， 许艳玲， 王金南，等. 全国火电行业大气污染物排放对空气质量的影响[J]. 中国环境科学， 2016， 36（5）：1281-1288. [XUE Wenbo， XU Yanlin， WANG Jinan， et al. Ambient air quality impact of emissions from thermal power industry[J]. China environmental science， 2016， 36（5）：1281-1288.]

[21]王书肖， 赵斌， 吴烨，等. 我国大气细颗粒物污染防治目标和控制措施研究[J]. 中国环境管理， 2015（2）： 37-43.[WANG Shuxiao， ZHAO Bin， WU Ye， et al. Target and measures to prevent and control ambient fine particle pollution in China[J]. China environmental management， 2015（2）： 37-43.]

[22]何敏， 陈军辉， 韩丽，等. 四川省2008—2014年水泥行业大气污染物排放清单及时空分布特征[J]. 环境科学学报， 2017， 37（1）：34-43. [HE Min， CHEN Junhui， HAN Li， et al. Cement industrial emission inventories development and their temporal and spatial distribution for Sichuan Province from 2008 to 2014[J]. Acta scientiae circumstantiae， 2017， 37（1）：34-43.]

[23]胡敏， 唐倩， 彭剑飞， 等. 我国大气颗粒物来源及特征分析[J]. 环境与可持续发展， 2011（5）： 15-19. [HU Min， TANG Qian， PENG Jianfei， et al. Study on characterization and source apportionment of atmospheric particulate matter in China[J]. Environment and sustainable development， 2011（5）： 15-19.]

[24]黄蕊珠， 陈焕盛， 葛宝珠， 等. 京津冀重霾期间 PM2.5来源数值模拟研究[J]. 环境科学学报， 2015， 35（9）： 2670-2680. [HUANG Ruizhu， CHEN Huansheng， GE Baozhu， et al. Numerical study on source contributions to PM2.5 over BeijingTianjinHebei area during a severe haze event[J]. Acta scientiae circumstantiae， 2015， 35（9）： 2670-2680.]

[25]张鹏， 刘琳， 罗静， 等. 克拉玛依市 PM2.5污染特征分析[J]. 新疆环境保护， 2016， 38（4）： 25-29. [ZHANG Peng， LIU Lin， LUO Jing， et al. Analysis on characteristics of PM2.5 pollution in Karamay[J]. Environmental protection of Xinjiang， 2016， 38（4）： 25-29.]

[26]SCHAMP E W. On the notion of coevolution in economic geography[C]//The handbook of evolutionary economic geography. North Carolina： Edward Elgar Publishing， 2010： 432.

[27]陳其慎，于汶加，张艳飞，等. 资源-产业“雁行式”演进规律[J].资源科学， 2015， 37（5）： 871-882.[CHENG Qishen， YU Wenjia， ZHANG Yanfei， et al. Resourcesindustry‘flying geeseevolving pattern[J]. Resources science， 2015， 37（5）： 871-882.]

[28]ROBERTS M J， TYBOUT J R. Industrial evolution in developing countries： a preview[M].London： Oxford University Press， 1996： 1-14.

[29]邵帅， 李欣， 曹建华， 等. 中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J]. 经济研究， 2016， 51（9）： 73-88. [SHAO Shuai， LI Xin， CAO Jianhua， et，al. Chinas economic policy choices for governing smog pollution based on spatial spillover effects[J]. Economic research journal， 2016， 51（9）： 73-88.]

[30]朱武祥， 陈寒梅， 吴迅. 产品市场竞争与财务保守行为——以燕京啤酒为例的分析[J]. 经济研究， 2002（8）： 28-36. [ZHU Wuxiang， CHEN Hanmei， WU Xun. Product market competition and financial conservatism： model and the case of Yanjing Beer Co[J]. Economic research journal， 2002（8）： 28-36.]

[31]丁镭， 黄亚林， 刘云浪， 等. 1995—2012年中国突发性环境污染事件时空变化特征及影响因素[J]. 地理科学进展， 2015， 34（6）： 749-760. [ DING Lei， HUANG Yalin， LIU Yunlang， et al. Spatiotemporal variability of sudden environmental pollution incidents and influencing factors in China， 1995-2012[ J]. Progress in geography， 2015， 34（6）： 749-760.]

[32]曾浩， 余瑞祥， 左桠菲， 等. 长江经济带市域经济格局演变及其影响因素[J]. 经济地理， 2015， 35（5）： 25-31.[ZENG Hao， YU Ruixiang， ZUO Yafei， et al. Evolution of spatialtemporal pattern and its influential factors of city regional economy in Yangtze River Economic Belt[J]. Economic geography， 2015， 35（5）： 25-31.]

[33]FOTHERINGHAM A S， CHARLTON M， BRUNSDON C. The geography of parameter space： an investigation of spatial nonstationarity [J]. International journal of geographical information systems， 1996， 10（5）： 605-627.

[34]CHALKIAS C， PAPADOPOULOS A G， KALOGEROPOULOS K， et al. Geographical heterogeneity of the relationship between childhood obesity and socioenvironmental status： empirical evidence from Athens， Greece [J]. Applied geography， 2013， 37： 34-43.

[35]BRUNSDON C， FOTHERINGHAM A S， CHARLTON M. Some notes on parametric significance tests for geographically weighted regression [J]. Journal of regional science， 1999， 39（3）： 497-524.

[36]FOTHERINGHAM A S， BRUNSDON C， CHARLTON M. Geographically weighted regression： the analysis of spatially varying relationships [M]. New York：John Wiley & Sons， 2002.

[37]HUANG B， WU B， BARRY M. Geographically and temporally weighted regression for modeling spatiotemporal variation in house prices [J]. International journal of geographical information science， 2010， 24（3）：383-401.

[38]玄海燕， 张安琪， 蔺全录，等. 中国省域经济发展影响因素及其时空规律研究——基于GTWR模型[J]. 工业技术经济， 2016， 35（2）：154-160. [XUAN Haiyan， ZHANG Anqi， LIN Quanlu， et al. Affecting factors research of Chinese provincial economic development： based on GTWR Model[J]. Journal of industrial technological economics， 2016， 35（2）：154-160.]

[39]杨晓东， 张玲， 姜德旺，等. 钢铁工业废气及PM2.5排放特性与污染控制对策[J]. 工程研究-跨学科视野中的工程， 2013， 5（3）：240-251. [YANG Xiaodong， ZHANG Ling， JIANG Dewang， et al. Exhaust gas of iron & steel industry and emission characteristics of PM2.5 and pollution control measures[J]. Journal of engineering studies， 2013， 5（3）：240-251.]

[40]程轲， 薛志钢， 张增强，等. 长三角重点行业大气污染物排放及控制对策[J]. 环境科学与技术， 2009， 32（9）：120-123.[CHENG Ke， XUE Zhigang， ZHANG Zengqiang， et al. Emission and control of air pollutants in major industries of Yangtze Delta[J]. Environmental science & technology， 2009， 32（9）：120-123.]

[41]徐东耀， 周昊， 刘伟，等. 我国水泥行业大气污染物排放特征[J]. 环境工程， 2015， 33（6）：76-79. [ XU Dongyao， ZHOU Hao， LIU Wei， et al. Emission characteristics of air pollutants in Chinas cement industry[J]. Environmental engineering， 2015， 33（6）：76-79.]

[42]周曙東， 欧阳纬清， 葛继红. 京津冀 PM2.5的主要影响因素及内在关系研究[J]. 中国人口·资源与环境， 2017，27（4）： 102-109. [ZHOU Shudong， OUYANG Weiqing， GE Jihong. Study on the main influencing factors and their intrinsic relations of PM2.5 in BeijingTianjinHebei[J]. China population， resources and environment， 2017，27（4）：102-109.]

[43]陈祖海， 雷朱家华， 刘驰. 民族地区能源开发与经济增长效率研究： 基于“资源诅咒”假说[J]. 中国人口·资源与环境， 2015， 25（6）： 98-106.[CHEN Zuhai， LEI Zhujiahua， LIU Chi. Energy development and economic growth efficiency in minority areas： based on the ‘Resource Curse hypothesis[J]. China population，resources and environment， 2015， 25（6）： 98- 106.]

[44]刁贝娣， 曾克峰， 苏攀达， 等. 中国工业氮氧化物排放的时空分布特征及驱动因素分析[J]. 资源科学， 2016， 38（9）：1782-1793. [DIAO Beidi， ZENG Kefeng， SU Panda， et al. Temporalspatial distribution characteristics of provincial industrial NOx emissions and driving factors in China from 2006 to 2013[J]. Resources science， 2016， 38（9）： 1782-1793.]

[45]刘满芝， 杨继贤， 马丁， 等. 基于LMDI模型的中国主要大气污染物的空间差异及其影响因素分析[J]. 资源科学， 2015， 37（2）： 333-341.[ LIU Manzhi， YANG Jixian， MA Ding， et al. Spatial disparity and factor analysis of major air pollutant emissions in China based on LMDI Methods[J]. Resources science， 2015， 37（2）： 333-341.]

[46]邵帅， 齐中英. 西部地区的能源开发与经济增长——基于“资源诅咒”假说的实证分析[J]. 经济研究， 2008 （4）： 147-160. [SHAO Shuai， QI Zhongying. Energy development and economic growth in western China： an empirical analysis based on the resource curse hypothesis[J]. Economic research journal， 2008 （4）： 147-160.]

Abstract In recent years， fog and haze occur frequently， and ‘Lay the Blue Sky Battle is our determination to control air pollution. This paper explored and clarified the contribution of various key industries to the concentration of PM2.5， determined the industries with more significant and more extensive impacts， and delineated the key areas that are most urgently needed to be rectified， hoping to provide the basis for deepening the implementation of the emission reduction idea of Key Industry Key Areas in the Air Pollution Prevention Action Plan issued by the State Council. In this paper， based on the concentration of PM2.5 in the province from 2000 to 2014， the model of PM2.5 concentration was constructed by STIRPAT model， and then it used the GTWR model to explore the spatiotemporal heterogeneity of the driving factors of each industry. The results showed that： the influence coefficient of each industry showed significant temporal and spatial heterogeneity. From the perspective of time， the evolution of different industries showed a distinctive feature， the coefficients of the thermal power industry and steel industry tended to stabilize after strengthen the control， and the influence coefficients of cement and construction industry increased at first and then became stabilized. The heating industrys coefficient first reduced then increase， while the mining industrys impact coefficient decreased. These results provided a basis for the adjustment of emission reduction policies in different industries. From perspective of space， there were significant differences between the impacts of regional industries. The thermal power industry had a greater impact on the eastern provinces. The steel industry had a significant impact on major industrial transfer of the receiving area in the central and western provinces. The impact coefficients of the cement industry were both positive and negative. The influence of the heating industry and the mining industry showed regional characteristics， so the national unified control policy should be adjusted. In order to put forward the control policy with industrial and regional differences， the regional classification results combined with industrial product output in 2014 are referred to classify key regions， and then we can provide corresponding policy adjustment recommendations based on the classification results. According to the above analysis， the policy recommendations are summarized as follows： developing industrial standards， forcing enterprises to transform； clarifying the control on the division of key region， adopting different governance strategies， emphasizing technical convergence， and highlighting the advantages of backwardness.

Key words PM2.5； industrial drivers； GTWR； temporalspatial heterogeneity； the division of key region