汾渭平原PM2.5浓度的影响因素及空间溢出效应

黄小刚,邵天杰,赵景波,曹军骥,宋永永

汾渭平原PM2.5浓度的影响因素及空间溢出效应

黄小刚1,2,3,邵天杰1*,赵景波1,2,曹军骥2,宋永永1

(1.陕西师范大学地理科学与旅游学院,陕西 西安 710119；2.中国科学院地球环境研究所气溶胶化学与物理重点实验室,陕西 西安 710061；3.山西师范大学地理科学学院,山西 临汾 041004)

基于实时监测和遥感反演数据,利用空间自相关分析和空间回归分析等方法,探讨了汾渭平原2015~2017年PM2.5浓度时空变化规律和影响因素,揭示了各因素的空间溢出效应.结果表明:(1)2015~2017年汾渭平原PM2.5浓度逐年上升,主要由采暖期(11月~次年3月)的快速上升引起,非采暖期(4~10月)年际变化不大.(2)PM2.5月均浓度变化曲线呈底部宽缓的U型,采暖期PM2.5污染明显高于非采暖期,超标天数占全年总超标天数比例由2015年的75.0%上升到2017年的83.4%.(3)2015~2017年,除铜川和三门峡外,各城市PM2.5浓度都有不同程度的上升.咸阳至运城间的平原地区和洛阳盆地污染最严重,已形成连片的高污染区域,且区域内城乡差异小.临汾及其上游平原地区其次,但主要分布在城镇,城乡差异较大.(4)空间回归分析表明,汾渭平原PM2.5浓度有显著的空间溢出效应.年均气温、城镇化率、能源消费指数和年均人口不仅与本地PM2.5浓度有显著的正相关,而且会加重邻近地区PM2.5污染.年降水量和地形起伏度则不仅与本地PM2.5浓度有显著的负相关,而且能降低邻近地区PM2.5浓度.风的传输作用能加重本地PM2.5污染,植被覆盖度能消减本地PM2.5浓度,但其间接效应都不显著.

PM2.5；影响因素；时空变化；空间回归；空间自相关；汾渭平原

近年来随着我国城市化、工业化的快速发展和能源消费量的激增,PM2.5已成为我国最主要的大气污染物[1].科学实施大气污染治理,不断提高空气质量,是我国实现绿色发展的重要目标之一.由于不同地区经济发展水平不一,自然条件组合多样,PM2.5浓度具有空间异质性.受气流的影响,PM2.5能向周边地区输送和扩散,PM2.5浓度又具有空间自相关性,区域PM2.5浓度上升常呈现空间溢出效应.科学认识PM2.5的时空变化规律、影响因素及空间溢出效应,对因地制宜的实施PM2.5污染综合治理策略具有重要意义.

国内外学者以PM2.5浓度时空变化及影响因素为主题开展过大量的研究.时间变化方面,着重研究PM2.5浓度的年际变化特征、季节或月度周期变化特点和昼夜循环规律[2-3],或针对某次重污染过程的分析[4],也有学者基于遥感反演数据研究PM2.5长时间的变化特征[5-6].空间范围包括全国[7]、城市群[8-9]和单个典型污染城市[10]等不同尺度,主要研究PM2.5浓度的空间分布格局、集聚特征和演变规律.PM2.5浓度变化影响因素方面,主要通过相关分析[11]、地理探测器[12]、空间计量模型[13]、灰色关联模型[14]和地理加权回归模型[15]等统计学方法研究自然因素和社会经济因素对PM2.5的影响.研究发现,PM2.5主要来源于人为排放,包括能源消费、生物质燃烧、交通运输、工业生产、建筑和道路扬尘等直接排放源,及SO2、NO、VOCs、NH3等气态污染物发生复杂的化学反应形成的二次源[16].因此,经济规模、人口规模、城市化、工业化发展水平、产业结构、能源利用结构和效率、土地利用类型等对PM2.5浓度有直接影响[12-15,17-18].气温、相对湿度和太阳辐射影响PM2.5的生成和转换[19-20],风速、风向、气压、海拔高度、地形地貌则对PM2.5的传输、扩散或集聚有深刻影响[21-23],降水和植被覆盖度可通过沉降和吸收等方式清除PM2.5[24-25],这些因素对局地PM2.5浓度也有直接或间接的作用.此外,PM2.5及影响因素的溢出效应也受到重视[13].

现有研究成果为深入认识PM2.5浓度的时空变化特征和影响因素提供了理论基础和方法借鉴.但已有研究主要集中在中国东部地区,尤其是京津冀、长三角和珠三角等传统的空气污染重点治理区域,对西部地区的关注相对较少.汾渭平原大部分位居黄土高原,人类活动强度大,生态环境脆弱,且产业结构偏重,能源消费结构中煤炭占比过大,加上相对封闭的盆地地形不利于污染物的扩散,PM2.5污染严重.2013年以来,在全国PM2.5浓度有显著下降的背景下,汾渭平原不降反升.根据2018年7月国务院发布的《打赢蓝天保卫战三年行动计划》,2017年汾渭平原PM2.5浓度已成为我国仅次于京津冀地区的第二高区域,被列为国家重点防控区.针对汾渭平原PM2.5治理的紧迫性,本文从地理学综合性视角出发,在分析汾渭平原PM2.5浓度时空变化特征的基础上,从自然和社会经济要素两方面解析PM2.5浓度分布的影响因素,揭示各因素的直接效应和空间溢出效应,以期为汾渭平原PM2.5防治措施的制定提供科学参考和决策支持.

1 数据与方法

1.1 研究范围

汾渭平原是汾河平原、渭河平原及其台塬阶地的总称,由汾渭地堑经汾河、渭河冲积而成,是我国第4大平原.本文研究的范围按《打赢蓝天保卫战三年行动计划》界定,包括陕西省的西安市、咸阳市、渭南市、宝鸡市、铜川市,山西省的吕梁市、晋中市、运城市、临汾市,河南省的洛阳市、三门峡市,共11个地级市(图1).

图1 汾渭平原地形图

1.2 评价指标

根据前述文献的梳理,自然因素解释变量初步选定为年均气温、年降水量、年均相对湿度、年均风速、海拔高度、地形起伏度和植被覆盖度.社会经济解释变量选取年均人口、人均GPD、城镇化率、能源消费指数、第二产业总产值和第二产业占GDP比重,分别反映人口规模、经济发展水平、城镇化水平、能源消费水平、工业发展状况和产业结构对PM2.5浓度的影响.研究表明能源消费与夜间灯光数据显著线性相关[26],本文采用夜间灯光数据表征能源消费指数.

由于解释变量之间可能存在多重共线性,本文使用方差膨胀因子(VIF)对所有初选解释变量进行多重共线性诊断.结果发现,海拔高度和第二产业总产值的VIF均大于10,与其他变量存在多重共线性,予以剔除.因此,本文最终选取的评价指标为年均气温(temp)、年降水量(prec)、年均相对湿度(RH)、地形起伏度(wavi)、年均风速(wind)、植被覆盖度(NDVI)、年均人口(peop)、城镇化率(urban)、人均GPD(GDPPC)、能源消费指数(energy)和第二产业占GDP比重(second)等11个变量.

1.3 数据来源和评价标准

PM2.5浓度实时监测数据来源于全国城市空气质量实时发布平台(http://106.37.208.233:20035/),起止时间为2015年1月1日~2017年12月31日.数据统计有效性按《环境空气质量标准》(GB 3095- 2012)[27]执行.PM2.5浓度评价标准按《环境空气质量评价技术规范(试行)》(HJ 663-2013)[28]执行,即0~35μg/m3为优、36~75μg/m3为良、76~115μg/m3为轻度污染、116~150μg/m3为中度污染、151~ 250μg/m3为重度污染、>250μg/m3为严重污染,轻度及以上污染为超标.

汾渭平原在全国城市空气质量实时发布平台上发布的监测城市共11个,样本量较少,使用实时监测数据做空间回归分析会影响结果的可信度.为扩大样本数量,本文以区县为单元做空间回归分析, PM2.5浓度使用遥感反演数据.PM2.5遥感反演数据来自大气成分分析组织(ACAG)(http://fizz.phys.dal. ca/~atmos/martin/?page_id=140),该数据融合了气溶胶光学厚度(AOD)反演、GEOS-Chem模型模拟和监测站点实测数据[29],精度较高而被广泛使用[12].为验证该数据在渭汾平原的精度,提取各监测站点的PM2.5遥感反演浓度与实测浓度做相关分析,相关系数达0.878,且通过了0.01水平的显著性检验,说明该数据可以代表渭汾平原PM2.5浓度的空间分布.

气象数据来源于中国气象数据网(http://data. cma.cn/site)发布的中国地面气候资料日值数据集(V3.0),原始数据为2016年汾渭平原31个国家基准、基本气象站日值数据.利用Anusplin软件对各气象变量插值后,再利用ArcGIS软件的分区统计功能获得各区县的气象数据.海拔高度、地形起伏度通过数字高程模型(DEM)计算和统计获取,DEM原始数据来源于地理空间数据云(http://www.gscloud.cn/).植被覆盖度使用归一化植被指数(NDVI)表征,原始数据来自美国国家航空和宇航局(NASA)(http://modis. gsfc.nasa.gov/).夜间灯光数据原始数据来源于美国国家海洋和大气管理局(NOAA)(https://www. ngdc.noaa.gov).其余社会经济数据来源于文献[30-31],部分缺失的采用相应省市统计年鉴或国民经济和社会发展统计公报补充.

1.4 研究方法

1.4.1 全局空间自相关分析 根据Tobler地理学第一定律,相邻的空间事物或现象具有相关性,且距离越近相关性越强[32].本文采用全局Moran's来测度PM2.5浓度的空间自相关性,计算公式为[12]:

式中:()和VAR()分别为的数学期望和方差.

1.4.2 局部空间自相关分析 全局Moran's虽然能度量区域空间变量的结构形态和集聚模式,但不能识别空间集聚的具体位置.局部空间自相关用于描述空间单元与其邻近单元的相似程度,并能表示每个局部空间单元服从全局总趋势的程度,说明空间依赖是如何随位置变化而变化的.局部空间自相关的常用指标为局部Moran's,计算公式为[12]:

式中:(I)和VAR(I)分别为I的数学期望和方差.

1.4.3 空间回归模型 由于大气的输送作用,PM2.5观测值并不互相独立,往往存在较强的空间自相关性.传统的线性回归分析方法基于观测值互相独立的前提假设,不适合PM2.5浓度影响因素的回归分析,本文拟采用空间回归模型来拟合.常见的空间回归模型有空间滞后模型(SLM)、空间误差模型(SEM).

SLM适用于当被解释变量间的空间依赖性对模型显得非常关键而导致了空间相关时,可测度邻域之间的空间溢出效应.模型表达式为[13]:

式中:为被解释变量;为内生交互效应()的空间回归系数,其值大小可反映被解释变量空间扩散或空间溢出的程度;是权重矩阵;为解释变量;为解释变量的回归系数;是随机误差项.

SEM适用于当模型的误差项在空间上相关时,可测度邻域地区解释变量变动对被解释变量的误差冲击对本地区被解释变量的影响程度.模型表达式为[13]:

式中:为随机误差项;为空间误差系数;其余符号含义同SLM模型.

由于SLM和SEM各具适应性,在开展空间回归分析前需对模型进行优选.Anselin[32]给出了最优模型选择的判别标准:在统计中若LM(lag)和LM(error)均不显著,则无需使用空间回归模型,直接使用传统的线性回归模型;若LM(lag)比LM(error)显著,且Robust LM(lag)显著而Robust LM(error)不显著,则可以判定SLM模型更合适;反之,则SEM 模型更为合适.此外,还可以借助拟合优度(R2)、对数似然数(LogL)、赤池信息准则(AIC)和施瓦茨准则(SC)等统计量判别最优模型,一般说来,R2和LogL越大、AIC和SC越小,模型拟合效果越好.空间回归模型估计使用Elhorst提供的Matlab空间计量程序包完成.在进行模型估计时,为减小异方差对模型估计的影响,对被解释变量和解释变量同时进行对数变换(ln).

2 结果与讨论

2.1 汾渭平原PM2.5浓度的时间变化特征

2015~2017年汾渭平原PM2.5污染严重,且浓度逐年上升(表1).PM2.5年均浓度由2015年的61μg/m3,上升到2016和2017年的67和68μg/m3,分别比上一年增加了9.8%和1.5%.超标天数比例由2015年的22.8%上升到2016年的28.7%和2017年的27.5%.2017年PM2.5年均浓度比2016年高,超标天数比例却略低于2016年,可能与高污染城市治理的加强有关.汾渭平原PM2.5年均浓度大于75μg/m3的城市由2016年的3个,降至2017年2个,高污染城市浓度的降低使PM2.5超标天数比例整体降低,但其余城市PM2.5浓度的上升仍使汾渭平原PM2.5浓度整体抬升.由表1也可以看出,2015~2017年PM2.5轻度污染天数比例虽逐年上升,但中度及以上污染天数比例在2016年快速上升后,2017年已有所回落.同期全国PM2.5年均浓度由2015年的50μg/m3下降到2017年的43μg/m3,超标天数比例由17.5%下降到12.4%.2017年汾渭平原PM2.5年均浓度和超标天数比例分别为全国平均值的1.6和2.2倍.可见,汾渭平原不仅PM2.5浓度和超标天数比例远高于全国平均水平,而且浓度呈现逆势上升态势,区域污染治理面临严峻挑战.

表1 2015~2017年汾渭平原PM2.5日评价结果

PM2.5月均浓度变化可以分为3个阶段:1~3月的下降阶段、4~10月稳定的相对低值阶段和11~12月的上升阶段,其曲线变化形态呈底部宽缓的U型(图2).1~3月为采暖期,PM2.5浓度整体较高,但随着气温的升高,供暖压力逐渐减小,大气污染物排放量逐渐减少,且气温的升高使空气对流趋于活跃,大气对污染物的传输和扩散作用增强,PM2.5浓度逐渐下降.4~10月为非采暖期和雨季,污染物的排放量相对较少,大气对PM2.5的稀释和湿沉降能力较强,PM2.5浓度相对较低.11~12月,随着采暖期的到来,大气污染物排放量增多,加上气温的持续下降使静稳天气增多,PM2.5浓度维持在较高水平且逐渐上升,12月或1月达到1a的最大值.采暖期PM2.5污染明显高于非采暖期,近3a PM2.5浓度上升也主要由采暖期浓度上升引起.采暖期PM2.5平均浓度由2015年的82μg/m3上升到2017年的100μg/m3,上升了22.0%,平均超标天数比例由41.2%上升到55.5%,超标天数占全年总超标天数的比例则由75.0%上升到83.4%.非采暖期PM2.5浓度和超标率相对较小,且年内和年际变化均不大,2015~2017年平均浓度在43~ 45μg/m3之间,仅为同年采暖期浓度的42.9%~55.5%,平均超标天数比例则在7.8%~9.7%之间变化.

图2 2015~2017年PM2.5浓度和超标天数的月变化

2.2 汾渭平原PM2.5浓度的空间分布特征

2016年汾渭平原PM2.5遥感反演数据显示(图3),PM2.5浓度总体由河谷平原向两侧的山地递减.其中咸阳市到运城市之间的平原地区和洛阳盆地PM2.5浓度最高,已形成连片的高污染区域,区域内城乡差别较小.临汾及其上游的平原地区PM2.5污染也较严重,但主要集中在城镇建成区,由城镇向农村的梯度递减特征仍较明显.

图3 2016年汾渭平原PM2.5浓度空间分布

汾渭平原11个监测城市的观测数据显示(表2),2015~2017年,除铜川和三门峡PM2.5浓度略有回落外,其余城市均有不同程度的上升.其中临汾和咸阳上升最快,PM2.5浓度分别从2015年的58和61μg/m3上升到2017年的82和80μg/m3,分别上升了41.4%和32.1%,超标天数比例从24.1%和19.2%上升到35.9%和34.8%,成为2017年汾渭平原PM2.5污染最严重的2座城市.此外,西安和渭南上升幅度也超过20%,PM2.5浓度分别从58和59μg/m3上升到73和71μg/m3,超标天数比例分别从18.1%和20.0%上升到29.6%和30.1%,PM2.5空气质量恶化也较为明显.三门峡和铜川是近3a汾渭平原PM2.5浓度出现下降的惟一2座城市,其中三门峡从2015年的74μg/m3(为当年汾渭平原PM2.5浓度最高的城市)下降到2017年的62μg/m3,超标天数比例从35.6%下降到23.6%,降幅最高.其余城市PM2.5浓度的变化幅度为2~9μg/m3.

表2 2015~2017年汾渭平原PM2.5浓度和超标天数比例变化情况

2.3 汾渭平原PM2.5浓度的空间集聚特征

利用GEODA软件计算汾渭平原PM2.5浓度的全局Moran's,值为0.651,值为10.640,通过了0.01的显著性检验.说明汾渭平原PM2.5浓度存在显著的正空间自相关,相似值趋于空间集聚.使用局部Moran's探测PM2.5浓度集聚的模式和位置(图4).Moran散点图显示(图4a),观测值主要分布在第一和第三象限,即主要表现为高高集聚和低低集聚,第二象限和第四象限的低高集聚和高低集聚现象较少.LISA集聚图显示(图4b),在0.10的显著性水平下,高高集聚有20个县或市辖区,集中分布在咸阳到运城的平原地区和洛阳盆地,再次证实在汾渭平原的核心区域和洛阳盆地已形成了较为稳定和持续的PM2.5连片污染区.低低集聚有16个县或市辖区,主要分布在吕梁市和临汾市的西北部,这些地区虽然浓度比平原地区低,但污染也较严重.低高集聚或高低集聚均未通过显著性检验.

2.4 汾渭平原PM2.5浓度空间分布影响因素解析

2.4.1 空间回归模型的确定 为对解释变量的影响进行初步预判并与空间回归模型进行比较,首先使用传统线性回归模型(OLS)进行拟合(表3).结果表明,残差项Moran's的统计量为3.982,通过0.01显著性检验,说明回归残差存在明显的空间依赖.Breusch-Pagan检验和Koenker-Bassett检验的值均小于0.05,说明OLS回归模型的随机误差项存在异方差,不满足OLS回归模型中随机误差项应满足同方差性的前提假定.因此,OLS模型缺乏解释力,应使用考虑了空间依赖因素的空间回归模型.对比LM和Robust LM发现,LM(lag)和LM(error)都通过了0.01的显著性检验,但LM(lag)统计量大于 LM(error)统计量,且robust LM(lag)通过了0.01显著性检验,而robust LM(error)不显著.根据Anselin模型选择判别标准,空间回归模型宜采用SLM.

表3 OLS模型估计结果检验

2.4.2 空间回归模型估计结果 SLM和SEM均代入数据进行模型估计(表4),以借助2、LogL、AIC和SC等进一步判断模型选择的合理性.由表4可知,SLM和SEM的2和LogL均大于OLS,而AIC和SC均小于OLS,进一步证实了引入空间回归模型的必要性.SLM的2和LogL均大于SEM,AIC和SC小于SEM,则证实SLM的拟合度优于SEM,说明汾渭平原PM2.5浓度存在实质性的空间依赖,而非干扰性的空间依赖.此外,使用基于欧氏距离倒数和基于K近邻算法的空间权重矩阵对模型结果的稳健性进行验证,结果表明各变量系数及显著性无明显变化,说明本研究构建的模型具有较好的稳健性.

2.4.3 影响PM2.5浓度空间分布的自然因素解析 (1)年均气温在3个模型中的系数均为正,且都通过了0.01水平的显著性检验,说明年均气温高的地区PM2.5浓度相对较高.气温上升对PM2.5的作用有2个完全相反的方面.一方面,气温升高能使气溶胶质粒布朗扩散运动的能力增强,对大气污染物起扩散和稀释的作用,促使PM2.5浓度下降[33].这一点在1~3月PM2.5浓度随气温的上升而下降和11~12月随气温的下降而上升可以得到证实.说明在时序变化上,气温升高对PM2.5的主导作用表现为扩散和稀释.另一方面,气温的上升能促进不同污染物之间的转化和二次污染物的形成[20],使PM2.5浓度上升,冬季气温较低时,气温的差异对光化学反应的影响尤为明显[34].年均气温系数为正,说明在空间变化上,气温对PM2.5的主导作用表现为促进不同污染物之间的转化和二次污染物的形成.这与京津冀地区的研究结论相一致[13].

表4 OLS、SLM和SEM模型估计结果

(2)年降水量在3个模型中的系数均为负,且均通过了0.01水平的显著性检验,表明年降水量对PM2.5浓度有显著的负向消减作用.降水对悬浮于空气中的细颗粒物有明显的冲刷作用,能显著降低空气中的PM2.5浓度[23],因此降水量大的地区PM2.5浓度相对较低.此外,从时间变化角度来看,4~10月PM2.5浓度相对较低,也与雨季有关.

(3)年均相对湿度在3个模型中的系数均为正,说明相对湿度对PM2.5有一定的正向作用.主要是因为,相对湿度高,有助于部分大气气溶胶粒子(粒径在0.005~0.050μm之间)吸湿增长,并逐步向积聚模态转化,造成PM2.5浓度升高[35].但相对湿度在3个模型中均未通过显著性检验,说明这种正向作用并不显著,这可能与汾渭平原相对干旱的气候有关.

(4)地形起伏度系数为负,且通过了0.01水平的显著性检验,表明地形起伏度小的地区PM2.5浓度相对较高.这与汾渭平原相对封闭的地形有关,汾渭平原四周被山脉环绕,属盆地地形,易形成静风和逆温现象[34],不利于污染物扩散.且由于人口主要集中在地势低平的平原地区,因此起伏度小的平原地区PM2.5浓度往往高于起伏度大的周边山区.

(5)年均风速的系数为正,且在SLM模型中通过了0.10水平的显著性检验,说明风速对PM2.5浓度分布有显著的正向作用,即风速较高的地区PM2.5浓度也相对较高.这与传统的认识不同,一般认为风对大气污染物有扩散和稀释作用,能显著降低污染物的浓度[23].对于污染严重的城市来说确实如此,但风的传输作用同时也使下风向地区PM2.5浓度升高,造成输入型污染[35].风呈正向作用可能也与汾渭平原相对封闭的地形有关,由于污染物不易往盆地外扩散,在风的作用下区域内污染物的相互影响显著,这一点与京津冀等地形相对开阔的地区不同[13].

(6)植被覆盖度系数为负,且通过了0.10的显著性检验,说明植被覆盖度对PM2.5浓度有显著的负向消减作用.土地覆被是影响PM2.5浓度的重要因素,一方面,裸地、建筑用地的扬尘、工厂区污染物的排放和城市汽车尾气是PM2.5的主要来源[16];另一方面,高覆盖度植被对PM2.5有明显的吸收和沉降作用[25].因此,提高植被覆盖率、降低裸地和建筑用地的面积是降低PM2.5浓度的有效措施.

2.4.4 影响PM2.5浓度空间分布的社会经济因素解析 (1)年均人口、城镇化率的系数均为正,且年均人口通过了0.01水平的显著性检验.说明汾渭平原人口增长和城镇化扩张仍较粗放,人口增长和城镇扩张给资源和环境带来巨大的压力.未来城镇的发展应充分利用人口集聚的规模效应,加强城市环境保护措施的建立,对城市污染物集中处理,以利于城市PM2.5污染的改善.

(2)人均GPD的系数为正,但未通过显著性检验.说明经济发展水平对PM2.5浓度分布有正向作用,但这种作用不显著.环境库茨涅茨曲线(EKC)假说[36]认为,环境污染与经济发展的长期关系呈倒“U”型,经济发展水平较低时,环境污染随着经济发展而加剧;经济发展到一定阶段后,环境质量随着经济的发展而逐渐改善.从时间变化来看,近3a汾渭平原PM2.5污染随经济的发展而加重.从空间分布来看,人口分布对PM2.5浓度呈现正向影响.可见,汾渭平原经济发展和PM2.5污染改善之间正处于环境库兹涅茨曲线的爬坡阶段,未来应推动产业升级,加快经济发展的绿色转型,促使经济发展的正向效应尽早显现.

(3)能源消费指数的系数为正,且通过了0.01的显著性检验,说明能源消费直接加重当地PM2.5污染.汾渭平原城市多以能源重化工为主导产业,能源消费主要依赖于煤炭,占比近90%.不合理的能源消费结构是造成汾渭平原大气污染严重的重要原因,因而能源消费指数高的地区,PM2.5浓度也相应较高.

(4)第二产业占GDP比重未通过显著性检验,说明经济结构对PM2.5浓度的影响不大.这可能与近年来政府加大对重点城市的污染治理有关,近年来政府加大了重点城市重污染企业的关停并转,第二产业占GDP比重虽已率先下降,但经济发展对工业的依赖度仍然很高,加上不合理的能源消费结构并未改变,污染仍较为严重,致使第二产业占GDP比重对PM2.5浓度的区分度不高.典型城市如临汾市,市辖区第二产业占GDP比重已降至21.82%,远低于汾渭平原的平均水平,但污染仍较严重.未来应加大经济结构优化调整和经济转型发展的力度,提高资源的利用效率,促使经济结构优化调整的环境成效尽早显现.

表5 直接效应与间接效应估计

注:***、**、*分别表示通过了0.01、0.05、0.10水平的显著性检验.

2.4.5 直接效应和空间溢出效应分析 直接效应指本地的影响因素对本地PM2.5的影响,间接效应指本地影响因素对邻近地区PM2.5的影响,或者解释为邻近地区影响因素对本地PM2.5的影响,可反映各影响因素的空间溢出效应.表4显示,PM2.5内生交互效应的空间回归系数为0.356,且通过了0.01显著性检验.说明汾渭平原PM2.5浓度有实质性的空间溢出效应,在控制其它解释变量的前提下,相邻地区PM2.5浓度每上升1%,将导致本地区PM2.5浓度上升0.356%.表5为SLM模型对各解释变量估计的直接效应和间接效应.根据各解释变量的系数及显著性,对本地PM2.5浓度的直接效应贡献强度由大到小依次为:年均气温>平均风速>年降水量#>植被覆盖度#>城镇化率>地形起伏度#>能源消费指数>年均人口(#表示负向影响),年均相对湿度、第二产业占GDP比重和人均GDP对PM2.5浓度没有显著的直接效应.各解释变量的间接效应影响强度排序为:年均气温>年降水量#>城镇化率>地形起伏度#>能源消费指数>年均人口(#表示负向影响),平均风速、年均相对湿度、植被覆盖率、第二产业占GDP比重和人均GPD对PM2.5浓度无显著的间接效应.可见,气温、城镇化率、能源消费指数和年均人口不仅与本地PM2.5浓度有显著的正相关,而且会加重邻近地区PM2.5污染.年降水量和地形起伏度则不仅与本地PM2.5有显著的负相关,而且能降低邻近地区PM2.5浓度.风的传输作用能加重本地PM2.5污染,植被覆盖度能消减本地PM2.5浓度,但其间接效应都不显著.

3 结论

3.1 2015~2017年,汾渭平原PM2.5浓度呈逐年上升趋势,各年份月均浓度变化均呈底部宽缓的U型曲线.采暖期(11月~次年3月)PM2.5浓度和超标率明显高于非采暖期(4~10月),平均浓度由2015年的82μg/m3上升到2017年的100μg/m3,平均超标天数比例由41.2%上升到55.5%,研究期PM2.5浓度整体上升主要由采暖期上升引起.非采暖期PM2.5浓度变化不大,平均浓度维持在43~45μg/m3,平均超标天数比例为7.8%~9.7%.

3.2 PM2.5浓度分布总体由河谷平原向两侧的山地递减,高污染区域主要分布在河谷平原地区.其中咸阳市到运城市之间的平原地区和洛阳盆地污染最严重,已形成连片的高污染区域,区域内城乡差别较小.临汾市及其上游的平原地区城镇PM2.5污染其次,但主要分布在城镇,城镇向农村的梯度递减特征较明显.

3.3 空间回归分析表明,汾渭平原PM2.5浓度有实质性的空间溢出效应,相邻地区PM2.5浓度每上升1%,将导致本地区PM2.5浓度上升0.356%.PM2.5浓度与年均气温、年均风速、年均人口、城镇化率、能源消费指数有显著的正相关关系,与年降水量、地形起伏度和植被覆盖度有显著的负相关关系,年均相对湿度、人均GPD、第二产业占GDP比重则影响不大.

3.4 各解释变量对本地PM2.5浓度的直接效应贡献强度由大到小依次为:年均气温>平均风速>年降水量#>植被覆盖度#>城镇化率>地形起伏度#>能源消费指数>年均人口(#表示负向影响),间接效应影响强度排序为:年均气温>年降水量#>城镇化率>地形起伏度#>能源消费指数>年均人口(#表示负向影响),其余因子的直接效应或间接效应不显著.

[1] Wu S W, Deng F R, Wei H Y, et al. Association of cardiopulmonary health effects with source-appointed ambient fine particulate in Beijing, China: A combined analysis from the Healthy Volunteer Natural Relocation (HVNR) study [J]. Environmental Science & Technology, 2014,48(6):3438-3448.

[2] Zhao X J, Zhang X L, Xu X F, et al. Seasonal and diurnal variations of ambient PM2.5concentration in urban and rural environments in Beijing [J]. Atmospheric Environment, 2009,43(18):2893-2900.

[3] Wang Z B, Fang C L. Spatial-temporal characteristics and determinants of PM2.5in the Bohai Rim Urban Agglomeration [J]. Chemosphere, 2016,148:148-162.

[4] Ye X X, Song Y, Cai X H, et al. Study on the synoptic flow patterns and boundary layer process of the severe haze events over the North China Plain in January 2013 [J]. Atmospheric Environment, 2016,124: 129-145.

[5] Peng J, Chen S, Lyu H L, et al. Spatiotemporal patterns of remotely sensed PM2.5concentration in China from 1999 to 2011 [J]. Remote Sensing of Environment, 2016,174:109-121.

[6] 郑保利,梁流涛,李明明.1998~2016年中国地级以上城市PM2.5污染时空格局 [J]. 中国环境科学, 2019,39(5):1909-1919. Zheng B L, Liang L T, Li M M. Analysis of temporal and spatial patterns of PM2.5in Prefecture-Level Cities of China from 1998 to 2016 [J]. China Environmental Science, 2019,39(5):1909-1919.

[7] 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 Z B, Fang C L, Xu G, et al. Spatial-temporal characteristics of the PM2.5in China in 2014 [J]. Acta Geographica Sinica, 2015,70(11): 1720-1734.

[8] Du Y Y, Sun T S, Peng J, et al. Direct and spillover effects of urbanization on PM2.5concentrations in China's top three urban agglomerations [J]. Journal of Cleaner Production, 2018,190:72-83.

[9] 马 莹,吴 兑,刘 建.珠三角春节期间PM2.5及水溶性离子成分的变化——以2012年为例 [J]. 中国环境科学, 2016,36(10):2890- 2895. Ma Y, Wu D, Liu J. The characteristics of PM2.5and its water soluble ions during Spring Festival in PRD in 2012 [J]. China Environmental Science, 2016,36(10):2890-2895.

[10] Sun J J, Liang M J, Shi Z H, et al. Investigating the PM2.5mass concentration growth processes during 2013~2016 in Beijing and Shanghai [J]. Chemosphere, 2019,221:452-463.

[11] 窦以文,丹 利,胡保昆,等.霾天气影响下的京津冀气候变化特征与成因 [J]. 中国环境科学, 2019,39(2):506-513. Dou Y W, Dan L, Hu B K, et al. Characteristics and causes of climate change under haze weather in Beijing, Tianjin and Hebei [J]. China Environmental Science, 2019,39(2):506-513.

[12] 周 亮,周成虎,杨 帆,等.2000~2011年中国PM2.5时空演化特征及驱动因素解析 [J]. 地理学报, 2017,72(11):2079-2092. Zhou L, Zhou C H, Yang F, et al. Spatio-temporal evolution and the influencing factors of PM2.5in China between 2000 and 2011 [J]. Acta Geographica Sinica, 2017,72(11):2079-2092.

[13] 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. Liu H M, Fang C L, Huang J J, et al. The spatial-temporal characteristics and influencing factors of air pollution in Beijing- Tianjin-Hebei urban agglomeration [J]. Acta Geographica Sinica, 2018,73(1):177-191.

[14] 贺 祥,林振山,刘会玉,等.基于灰色关联模型对江苏省PM2.5浓度影响因素的分析 [J]. 地理学报, 2016,71(7):1119-1129. He X, Lin Z S, Liu H Y, et al. Analysis of the driving factors of PM2.5in Jiangsu province based on grey correlation model [J]. Acta Geographica Sinica, 2016,71(7):1119-1129.

[15] 段杰雄,翟卫欣,程承旗,等.中国PM2.5污染空间分布的社会经济影响因素分析 [J]. 环境科学, 2018,39(5):2498-2504. Duan J X, Zhai W X, Cheng C Q, et al. Socio-economic factors influencing the spatial distribution of PM2.5concentrations in China: An exploratory analysis [J]. Environmental Science, 2018,39(5):2498- 2504.

[16] 曹 宁,黄学敏,祝 颖,等.西安冬季重污染过程PM2.5理化特征及来源解析 [J]. 中国环境科学, 2019,39(1):32-39. Cao N, Huang X M, Zhu Y, et al. Pollution characteristics and source apportionment of fine particles during a heavy pollution in winter in Xi'an City [J]. China Environmental Science, 2019,39(1):32-39.

[17] Lin X, Wang D. Spatiotemporal evolution of urban air quality and socioeconomic driving forces in China [J]. Journal of Geographical Sciences, 2016,26(11):1533-1549.

[18] Han L J, Zhou W Q, Li W F, et al. Impact of urbanization level on urban air quality: a case of fine particles (PM2.5) in Chinese cities [J]. Environmental Pollution, 2014,194(1):163-170.

[19] Li L, Qian J, Ou C Q, et al. Spatial and temporal analysis of Air Pollution Index and its timescale-dependent relationship with meteorological factors in Guangzhou, China, 2001~2011 [J]. Environmental Pollution, 2014,190(7):75-81.

[20] Sabetghadam S, Ahmadi-Givi F. Relationship of extinction coefficient, air pollution, and meteorological parameters in an urban area during 2007 to 2009 [J]. Environmental Science and Pollution Research, 2014,21(1):538-547.

[21] 李颖敏,邓雪娇,邓 涛,等.中山市2000~2014年霾天气特征及气象影响因子 [J]. 中国环境科学, 2016,36(6):1638-1644. Li Y M, Deng X J, Deng T, et al. Haze characteristics associated with meteorological factors in Zhongshan during 2000~2014 [J]. China Environmental Science, 2016,36(6):1638-1644.

[22] Zhang Z, Zhang X, Gong D, et al. Evolution of surface O3, and PM2.5, concentrations and their relationships with meteorological conditions over the last decade in Beijing [J]. Atmospheric Environment, 2015, 108:67-75.

[23] 吴 蒙,范绍佳,吴 兑,等.广州地区灰霾与清洁天气变化特征及影响因素分析 [J]. 中国环境科学, 2012,32(8):1409-1415. Wu M, Fan S J, Wu D, et al. Characteristics and influence factors study of haze and cleaning weather over Guangzhou Area [J]. China Environmental Science, 2012,32(8):1409-1415.

[24] Mažeikis A. Urbanization influence on meteorological parameters of air pollution: Vilnius case study [J]. Baltica, 2013,26(1):51-56.

[25] 王嫣然,张学霞,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. Wang Y R, Zhang X X, Zhao J Y, et al. Temporal and spatial distribution of PM2.5and its relationship with vegetation coverage in Beijing during the period of 2013~2014 [J]. Ecology and Environmental Sciences, 2016,25(1):103-111.

[26] Xie Y H, Weng Q H. World energy consumption pattern as revealed by DMSP-OLS nighttime light imagery [J]. Mapping Sciences and Remote Sensing, 2016,53(2):265-282.

[27] GB 3095-2012 环境空气质量标准 [S]. GB 3095-2012 Ambient air quality standards [S].

[28] HJ 663-2013 环境空气质量评价技术规范(试行) [S]. HJ 663-2013 Technical regulation for ambient air quality assessment (on trial) [S].

[29] Van D A, Martin R V, Brauer M, et al. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites, models, and monitors [J]. Environmental Science & Technology, 2016,50(7):3762.

[30] 国家统计局.中国县域统计年鉴-2017 [M]. 北京:中国统计出版社, 2018:32-374. National Bureau of Statistics. China county statistical yearbook 2017 [M]. Beijing: China Statistics Press, 2018:32-374.

[31] 国家统计局.中国城市统计年鉴-2017 [M]. 北京:中国统计出版社, 2018:13-338. National Bureau of Statistics. China City Statistical Yearbook 2017 [M]. Beijing: China Statistics Press, 2018:13-338.

[32] Anselin L, Bera A K, Florax R, et al. Simple diagnostic tests for spatial dependence [J]. Regional Science & Urban Economics, 1993,26(1): 77-104.

[33] 张振华.PM2.5浓度时空变化特性、影响因素及来源解析研究[D]. 杭州:浙江大学, 2014. Zhang Z H. Research on spatial and temporal variation characteristics, factors, and source apportionment of PM2.5[D]. Hangzhou: Zhejiang University, 2014.

[34] 黄小刚,赵景波,曹军骥,等.中国城市O3浓度时空变化特征及驱动因素[J]. 环境科学, 2019,40(3):120-1131. Huang X G, Zhao J B, Cao J J, et al. Spatial-temporal variation of ozone concentration and its driving factors in China [J]. Environmental Science, 2019,40(3):120-1131.

[35] 宋 明,韩素芹,张 敏,等.天津大气能见度与相对湿度和PM10及PM2.5的关系 [J]. 气象与环境学报, 2013,29(2):34-41. Song M, Han S Q, Zhang M, et al. Relationship between visibility and relative humidity, PM10, PM2.5in Tianjin [J]. Journal of Meteorology and Environment, 2013,29(2):34-41.

[36] Grossman G M, Krueger A B. Economic growth and the environment [J]. The Quarterly Journal of Economics, 1995,110(2):353-377.

Influence factors and spillover effect of PM2.5concentration on Fen-wei Plain.

HUANG Xiao-gang1,2,3, SHAO Tian-jie1*, ZHAO Jing-bo1,2, CAO Jun-ji2, SONG Yong-yong1

(1.School of Geography and Tourism, Shaanxi Normal University, Xi’an 710119, China；2.Key Laboratory of Aerosol Chemistry and Physics, Institute of Earth Environment, Chinese Academy of Sciences, Xi’ an 710061, China；3.College of Geographical Sciences, Shanxi Normal University, Linfen 041004, China)., 2019,39(8)：3539~3548

Based on data collected by real-time monitoring and remote sensing retrieval from 2015 to 2017, the paper probed into the spatial and temporal change of PM2.5concentration and its influence factors on Fen-wei Plain via spatial autocorrelation analysis and spatial regression analysis. The results showed that: 1) The growing trend of the concentration during these three years was a result of a rapid increase during the heating period (from November to next March), while there was no significant inter-annual variation during the non-heating period (from April to October). 2) The average monthly change of PM2.5concentration was in a U shape, with a much higher concentration during the heating period. And days with PM2.5non-attainment during the heating period to the total yearly PM2.5polluted days increased from the 75.0% in 2015 to the 83.4% in 2017. 3)Cities on the Plain were all in an increasing trend except Tongchuan and Sanmenxia, among which plains from Xianyang to Yuncheng and Luoyang Basin were experiencing the worst PM2.5pollution with a subtle rural-urban difference, and, thus, formed a highly polluted area. Then it followed by Linfen and plains along side the upper reach of Fen River, which were also in a bad condition but with an evident urban-rural difference. 4) Based on spatial regression analysis, there was a significant spatial spillover effect for the PM2.5concentration on the Plain. Driving factors including annual average temperature, urbanization rate, and energy consumption positively effected the PM2.5concentration, and additionally, they drove the PM2.5pollution of neighboring areas into a worse situation. On the contrary, annual precipitation and relief amplitude were not only negatively correlated with the concentration of PM2.5, they also helped for a lower PM2.5concentration in neighboring areas. Moreover, the transmission effect by wind facilitated the PM2.5pollution, while vegetation coverage discourage PM2.5concentration, but neither of their indirect effect was significant.

PM2.5；influence factors；temporal and spatial change；spatial regression；spatial autocorrelation；Fen-wei Plain

X196,F061.5

A

1000-6923(2019)08-3539-10

黄小刚(1978-),男,广西临桂人,讲师,博士研究生,主要研究方向为生态环境评价与治理.发表论文8篇.

2019-01-03

国家自然科学基金资助项目(41671213);中央高校基本科研业务费资助专项项目(GK201803055);中国科学院气溶胶化学与物理重点实验室资助项目(KLACP-2018-01)

* 责任作者, 副教授, tjshao2010@126.com