京津冀地区城市地表因素对灰霾污染的影响

郑林昌，任肖妮，韩星

河北大学经济学院

虽然灰霾作为一种自然现象人类早有认识，但对其大规模的研究却是从21世纪初开始[1]。目前相关研究主要集中在城市形态与空气质量方面，认为地形是空气污染形成和扩散的关键因素之一，能够通过影响局地气流、温度、湿度和边界层等，进而对大气污染的形成、传播和扩散产生影响，尤其在盆地、山谷、山区等复杂地形地区[2-3]。大型城市的城市形态对空气质量的影响更加明显，具有高度城市蔓延层级的大都会地区，一般会出现较严重的空气污染[4-7]，可通过改变污染物排放量及空间分布来减缓对城市空气质量的影响[8]。城市形态对空气质量的影响是复杂而间接的，城市土地类型、城市斑块大小、形状多样性、城市污染性产业规模、建成区面积等均能影响城市空气质量[9-13]，复杂的地形会导致风的辐合，造成污染物的堆积和滞留，对污染物的传输和扩散产生影响[14-17]。如魏文秀等[18]研究发现，山麓地区霾平均出现频数显著高于其两侧的平原和山地。国内外相关研究成果为正确认识城市灰霾污染提供了多角度、多层面的支撑，但综合考虑地表起伏度、粗糙度、地表形态和城市规模聚集效应的研究仍偏少。为此，笔者以京津冀地区作为研究对象，综合考察城市地表起伏度、粗糙度、地表形态以及城市规模聚集效应等对城市灰霾的影响。

1 影响城市灰霾的地表因素

作为研究地气相互作用的重要地表参数之一，地表粗糙度在一定程度上反映了近地表气流与下垫面之间的物质和能量交换、传输强度及其之间的相互作用[19]，在大气数值模拟及地表水热通量的参数化模型模拟中发挥着重要作用[20]；也有研究认为，地表粗糙度是平均风速随高度减小到0时的高度[21]。笔者关注的是地表形态及其起伏变化对大气流动的影响，故本研究地表粗糙度是指地球表面凹凸不平的程度。有学者认为，地形起伏度是指某一确定面积内最高高程和最低高程之差，在相对较大区域面积内一般利用地表面积与投影面积的比值来表示，是能够反映地形起伏变化和侵蚀程度的宏观地形因子。地形坡度是表示地表单元陡缓程度的一项指标，通常把坡面的垂直高度和水平方向的距离之比叫做坡度(或坡比)，是能够反映地形起伏变化的微观地形因子。此外，与普通区域不同，城市地表有地表建筑物，地表建筑物高低、多少、密集程度等均会影响到地气间物质、能量交换及大气环流。借鉴国内外相关研究成果，选择地形坡度(地表粗糙度和坡度)、城市规模和城市地表形态作为影响城市灰霾污染的主要地表因素(表1)。

表1 城市灰霾的地表影响因素

从空间上看，城市市区范围并非圆形，市区边界也不是有规则的曲线，不仅城市市区地表影响城市大气流动，市区之外部分区域也会对城市大气流动产生影响。为此，从全市和市辖区2个层面、宏观地形和微观地形2个角度，来判断地形坡度对城市灰霾的影响。

城市具有显著的集聚作用，城市规模越大其集聚能力越强，单位面积产生的空气污染物越多，对城市灰霾的影响也越大。本研究选择城市市区面积来代表城市规模。

理论上讲，城市地表建筑物越高、越密集，其对地表空气流动的影响也就越大，越不利于污染物的扩散。本研究重在考察城市地表建筑物形态，考虑到城市高层建筑物主要为居民建筑、商业建筑和公共服务设施建筑等，以及京津冀地区城市地形相对简单的现实，选择城市居住建设用地、商业建设用地和公共服务设施建设用地所占城市建设用地的比例来代表城市地表形态。

2 数据来源与处理

灰霾污染主要是由人类社会活动排放引起的，是大气中PM2.5浓度达到一定限度，引发空气能见度降低的天气现象。灰霾污染程度可由PM2.5浓度和空气能见度来判断，由于当前我国空气质量监测体系中尚未实现对全部城市或监测站点空气能见度进行实时监测，故将PM2.5代替灰霾污染物，即采用PM2.5浓度来反映灰霾污染。研究样本城市为京津冀地区13个地级以上城市，研究期限为2014—2017年。PM2.5日均浓度从“真气网”获取。采集的PM2.5浓度数据部分时点存在空值现象，利用均值、均速递增(或均速递减)等方法对空值数据进行补充。

运用ArcGIS 9.3软件表面分析工具，计算提取京津冀地区13个地级以上城市市辖区和全市地表粗糙度及地形坡度，其中全市和市辖区采用各级行政的shp格式数据，市辖区为各市市辖区shp格式数据的合并数据，地理基础数据来源于国家基础地理信息中心，为SRTM 90 m DEM数据。地表粗糙度和地形坡度提取过程：1)利用ArcGIS软件对DEM基础数据进行坡度分析；2)利用分区统计提取各市(市辖区)范围内的地形坡度(slope)数据；3)利用栅格计算器计算地表粗糙度(z)，公式如下：

z=1cos(slope×3.141 59180)

(1)

利用城市居住建设用地面积、公共服务设施建设用地面积、商业建设用地面积占城市建设用地面积的比例来表示城市地表形态。城市居住建设用地、商业建设用地和公共服务设施建设用地以及城市建设用地面积数据来源于《中国城市建设统计年鉴》(2015—2018年)。

3 PM2.5浓度与地表因素的相关性分析

考虑基本地表因素(地形坡度、地表粗糙度)数据不变和行政区划、城市地表形态数据年度变化等特点，采用PM2.5年均浓度及月均浓度进行城市灰霾污染对城市地表各因素的回归分析。

3.1 基于年度数据的相关性分析

对京津冀地区13个城市2014—2017年PM2.5年均浓度、城市规模、城市地表形态、全市地表粗糙度、市辖区地表粗糙度、全市地形坡度、市辖区地形坡度的原始数据进行正态性检验，结果见表2。从表2可以看出，在P<0.05水平下，各因素服从正态分布，其Pearson相关性分析结果见表3。从表3可以看出，除城市规模外，其他各因素与PM2.5年均浓度之间的相关系数的绝对值均大于0.3，表明变量间存在一定的相关性。

表2 2014—2017年各因素正态性检验

表3 2014—2017年PM2.5年均浓度与地表各因素的相关性

3.2 基于月度数据的相关性分析

对京津冀地区13个城市2014—2017年PM2.5月均浓度的原始数据进行正态性检验，结果见表4。从表4可以看出，在P<0.05水平下，服从正态分布，其与城市规模、城市地表形态、全市和市辖区地表粗糙度、全市和市辖区地形坡度Pearson相关性分析结果见表5～表7。

表4 2014—2017年PM2.5月均浓度的正态性检验

表5 2014—2017年PM2.5月均浓度与城市规模和城市地表形态的相关性

表6 2014—2017年PM2.5月均浓度与全市和市辖区地表粗糙度的相关性

表7 2014—2017年PM2.5月均浓度与全市和市区地形坡度的相关性

4 PM2.5浓度对地表因素的回归分析

由于反映城市地表起伏度的粗糙度和坡度均为静态指标数据，城市规模数据和城市地表形态数据在年度上是动态变化数据。为此，从年度时间尺度上对因变量数据和自变量数据进行处理，即以各城市年均PM2.5浓度(y)为因变量，城市规模(x1)、城市地表形态(x2)、全市地表粗糙度(x3)、市辖区地表粗糙度(x4)、全市地形坡度(x5)、市辖区地形坡度(x6)为自变量，进行多元一次回归分析。

不论是基于PM2.5年均浓度，还是月均浓度，其与城市规模相关性都较差，故回归分析过程不再考虑城市规模。对城市地表形态、全市和市辖区地表粗糙度、全市和市辖区地形坡度5个变量进行Pearson相关性分析，结果见表8。从表8可以看出，全市和市辖区地表粗糙度、全市和市辖区地形坡度之间的相关系数均大于0.7，存在较强的共线性，为解决存在的共线性问题，剔除不合判定标准的变量。采用向后回归法，即首先建立全变量模型，每次剔除1个最不符合进入模型的变量，直到模型中的变量均符合为止。

表8 2014—2017年城市地表形态各因素间的相关性分析

4.1 基于2014年数据的回归分析

采用向后回归法对数处理后的2014年PM2.5年均浓度、城市地表形态、全市和市辖区地表粗糙度、全市和市辖区地形坡度数据进行多元一次回归分析，结果见表9。从表9可以看出，经过5次向后回归剔除，城市地表形态、全市地表粗糙度、全市地形坡度和市辖区地形坡度均不符合要求，被剔除出模型。市辖区地表粗糙度系数通过显著性检验，且模型拟合效果较好，即当市辖区地表粗糙度每增加1%，PM2.5年均浓度会减少29.588%。回归方程如下：

y2014=4.638-29.588x4

R2=0.481，F=10.207

表9 2014年PM2.5年均浓度和各要素的多元一次回归过程

4.2 基于2015年数据的回归分析

2015年PM2.5年均浓度、城市地表形态、全市和市辖区地表粗糙度、全市和市辖区地形坡度数据多元一次回归分析结果见表10。从表10可以看出，经过5次向后回归的剔除，城市地表形态、全市地表粗糙度、全市地形坡度和市辖区地形坡度均不符合要求，被剔除出模型。市辖区地表粗糙度系数通过显著性检验，且模型拟合效果较好，即当市辖区地表粗糙度每增加1%，PM2.5年均浓度将会减少27.358%。回归方程如下：

y2015=4.446-27.358x4

R2=0.446，F=8.867

表10 2015年PM2.5年均浓度和各要素的多元一次回归过程

(续表10)

4.3 基于2016年数据的回归分析

2016年PM2.5年均浓度、城市地表形态、全市和市辖区地表粗糙度、全市和市辖区地形坡度数据多元一次回归分析结果见表11。从表11可以看出，经过4次向后回归的剔除，全市地表粗糙度、全市地形坡度和市辖区地形坡度均不符合要求，被剔除出模型。城市地表形态与市辖区地表粗糙度系数均通过显著性检验，且模型拟合效果较好，即当市辖区地表粗糙度不变时，城市地表形态每增加1%，PM2.5年均浓度将会增加1.420%；当城市地表形态不变时，市辖区地表粗糙度每增加1%，PM2.5年均浓度将会减少24.066%。回归方程如下：

y2016=5.358+1.420x2-24.066x4

R2=0.611，F=7.849

表11 2016年PM2.5年均浓度和各要素的多元一次回归过程

4.4 基于2017年数据的回归分析

2017年PM2.5年均浓度、城市地表形态、全市和市辖区地表粗糙度、全市和市辖区地形坡度数据多元一次回归分析结果见表12。从表12可以看出，经过4次向后回归的剔除，全市地表粗糙度、全市地形坡度和市辖区地形坡度均不符合要求，被剔除出模型。城市地表形态与市辖区地表粗糙度系数均通过显著性检验，且模型拟合效果较好，当市辖区地表粗糙度不变时，城市地表形态每增加1%，PM2.5年均浓度将会增加1.548%；当城市地表形态不变时，市辖区地表粗糙度每增加1%，PM2.5年均浓度将会减少26.057%。回归方程如下：

y2017=5.380+1.548x2-26.057x4

R2=0.823，F=23.186

表12 2017年PM2.5年均浓度和各要素的多元一次回归过程

5 结论

(1)不论从年均数据，还是月均数据来看，城市PM2.5浓度与城市规模的相关性都较差，即京津冀地区城市规模对其PM2.5浓度没有太大影响。

(2)从地表起伏度来看，市辖区城市地表坡度(粗糙度、坡度)与PM2.5浓度的相关关系更加紧密，相比而言，全市地表坡度与PM2.5浓度的相关性略差。

(3)从回归结果看，市辖区地表粗糙度更能解释城市PM2.5浓度，其对PM2.5浓度的影响是负向的。虽然2016—2017年城市地表形态也能够解释城市PM2.5浓度，但是其影响是正向的，相比市辖区地表粗糙度，城市地表形态对PM2.5浓度的影响很小。