EKC视角下京津冀PM2.5时空差异及驱动研究

王一旭，孙 硕，姚 磊

(山东师范大学地理与环境学院，中国 济南 250358)

近年来，中国快速的城市化及工业化进程导致城市人口以及建设用地面积不断增加、化石能源消耗和工业污染排放持续上涨，进而导致了严重的区域环境污染问题。其中，空气污染问题尤为突出，特别是细颗粒物(PM2.5)污染[1,2]。目前中国的许多城市都面临着PM2.5污染，高频重度PM2.5污染天气主要发生在我国东部、北部城市群，如京津冀、长江三角洲以及长江中游等地。PM2.5不仅导致大气能见度下降，影响气候变化，也会对人们身心健康造成极大的危害，致使暴露人群的死亡风险增加[3,4]。除此之外，过高的PM2.5浓度水平更会严重阻碍城市的进一步发展。由于PM2.5污染对人类健康所造成负面影响和经济损失不可估计[5]，故公众对空气质量的关注度持续上涨。在这样的背景下，2012年2月国务院同意修订的《环境空气质量标准》(GB3095—2012)[6]首次将PM2.5作为一般评价项目纳入空气质量标准中，该标准综合考虑世界卫生组织(WHO)对保护人群健康的研究结果以及我国社会经济发展阶段，将WHO制定的PM2.5浓度限值过渡期目标-1和过渡期目标-2分别作为Ⅱ级和Ⅰ级标准，并于2012年底在京津冀、长三角、珠三角等重点区域以及直辖市和省会城市建设完成空气质量监测站点并对外公布监测数据。且近几年为改善空气环境质量并控制污染源，政府实施了诸如《重点区域大气污染防治规划》、《大气污染防治行动计划》等一系列空气污染防治措施，取得了一定成果。

然而，处于中国大气污染最严重地区之一的京津冀城市群PM2.5污染形势依然严峻，PM2.5已成为京津冀地区首要的大气污染物[7]，这也使得该区域成为当前空气污染研究的热点。当下，已有部分学者对京津冀地区的PM2.5污染时空分布特征进行梳理，如刘海猛等利用遥感监测数据发现2000—2014年京津冀城市群PM2.5浓度整体呈上升趋势，城市群内空气质量超标率极高，污染严重[8]；周磊等在2013年典型污染事件中，借助空间热点探测表明京津冀PM2.5污染有重点分布区和轻污染区之分[9]。与此同时，研究还进一步发现PM2.5污染与一些表征城市发展和人类生产生活活动的社会经济因素之间联系密切，如人口密度、汽车尾气、工业生产排放以及能源消费等是大气污染的主要来源[10]；经济增长、产业结构及城市扩张等也会对空气质量造成不同程度的影响[11-13]。然而，京津冀城市群社会经济发展水平不均衡的现象客观存在，北京与天津两大核心城市城市化率较高，同时经济发展和产业结构的优化使得每个城市各有特色，这可能会导致城市群内部PM2.5污染具有异质性。且由于地面PM2.5监测站点数据的限制，近几年对于京津冀地区PM2.5污染研究的时间段更新不足、尺度相对较短，局限于某一年或两年研究时段的文献并不能有效体现PM2.5污染异质性的动态变化。更为重要的是，目前对于驱动力的多数相关研究仍倾向于整体层面[10,12,14]，而区域(或城市群)内部社会经济背景差异对PM2.5污染异质性之间的驱动关系尚未进行充分讨论[15]。那么，近几年京津冀城市群内部PM2.5污染是否不同，其时空动态变化又如何？城市间不同社会经济要素对PM2.5污染可能存在的区域性差异是否有所影响？

本文以京津冀城市群作为典型研究区，采用2014—2018年区内实测PM2.5站点数据，分析研究区域内PM2.5污染的时空动态特征，并探讨城市群内部PM2.5污染动态下的社会经济驱动异质性，以期更新京津冀地区PM2.5时空动态变化的时间跨度，弥补对城市群内部驱动差异研究的不足，为更科学地认识及建立PM2.5污染与社会经济发展之间的内在联系提供参考。

1 研究区、数据与方法

1.1 研究区概况

京津冀城市群(图1)位于我国华北地区，北部地处燕山山脉，西靠太行山脉，东临渤海，南部多为平原，地势西北高东南低。气候属暖温带半湿润大陆性季风气候，四季分明，夏季高温多雨，冬季寒冷干燥。京津冀是中国政治文化中心，亦是中国最大的城市群之一，包括北京和天津两个直辖市以及河北省11个地市：石家庄、唐山、秦皇岛、邯郸、保定、张家口、承德、廊坊、沧州、衡水和邢台。其中，北京和天津两大核心城市并存，河北省各个次中心城市经济实力则相对较弱，城市间经济差异较为明显，产业结构各不相同。

城市群内工业化、城市化发展迅速，人口密集、人类活动能源消耗量大，生态环境保护与经济可持续发展之间的矛盾异常突出。在环境保护部发布的2014年城市空气质量状况报告[16]中指出，在京津冀城市群的13个城市中，有11个城市位于污染最重的前20位，其中有8个城市位于前10位，大气污染形势非常严峻，其首要污染物即为细颗粒物。作为国家重点优化功能区，严重的区域大气污染及其内部各城市社会经济背景的差异是京津冀城市群绿色健康可持续发展的一重阻碍。

1.2 数据来源

1.2.2 驱动因子数据 在先前研究的基础上，经汇总梳理选取5项(表1)与地区城市化水平、经济发展及人类活动存在密切联系的指标：(1)以总人口数衡量城市人口规模；(2)以地区生产总值(地区GDP)代表城市经济发展水平；(3)以人口密度代表城市内人类活动强度；(4)以城市建设用地面积占行政区的比例，即建设用地占比衡量城市建设水平；(5)以第二产业占GDP的比重衡量城市产业结构及工业活动。各指标数据均汇总自《中国城市统计年鉴》。

1.3 数据分析与方法

1.3.1 PM2.5时空特征分析

(1)时间上：利用统计学方法对各城市PM2.5浓度平均值数据进行趋势变化分析，并以图表形式归纳展现京津冀城市群PM2.5污染的时序特征以及区内城市间差异。

(2)空间上：采用空间自相关分析方法进一步探讨研究区内PM2.5污染的空间特征。空间中地理现象并非独立存在，空间自相关的目的即是确定某一事物在空间上是否相关，相关程度如何。本文则是基于全局空间自相关指数Moran’sI定量描述京津冀城市群PM2.5浓度的空间依赖关系，定义如下[10,19]：

(1)

(2)

此外，通过Z值对全局Moran’sI进行显著性检验，公式如下：

(3)

式中：E(I)代表Moran’sI指数的数学期望；VAR(I)代表Moran’sI指数的方差。

通常，I的范围介于1与-1之间，I值小于0代表空间分布呈负相关，数值越低负相关性越强；相反，I值大于0表示正空间相关性，数值越大空间正相关性越强；I值等于0则表示呈现随机的空间分布。而Z<-2.58或>+2.58且p<0.01表示置信度为99%；Z<-1.96或>+1.96且p<0.05表示置信度为95%；Z< -1.65或>+1.65且p<0.1则表示置信度为90%。

原始的大棚环境变量数据的预处理包括对数据中的异常值和缺失值处理以及数据标准化处理。由于原始数据中前后两个时刻的值差值较小,所以对于缺失值和异常值均选取该值前后两个时刻的平均值代替该时刻的值。

同时，基于局部Moran’sI指数探讨京津冀PM2.5污染的局部空间自相关性，识别城市污染的空间聚集特征和空间异质性，定义如下[10]：

(4)

局部空间自相关分析可将研究区内的城市划分为4种类型的空间自相关关系：若I为正且Z> 0，为“高-高”空间聚集类型；若I为正且Z< 0，则为“低-低”空间聚集类型；若I为负且Z> 0，为“高-低”空间离散类型；若I为负且Z< 0，则为“低-高”空间离散类型。

1.3.2 PM2.5污染驱动因素分析 本文在SPSS中分步探讨了2014—2018年京津冀城市群各要素对PM2.5污染的具体影响。首先，使用散点图讨论全区PM2.5浓度与各社会经济要素之间的关系。其次，当观察到非线性关系时，对数据进行变量变换，以各项社会经济指标为解释变量，PM2.5浓度为响应变量，进行曲线回归分析，计算相关系数，做显著性检验，并以该曲线表征PM2.5污染随驱动因子的变化趋势。最后，若发现回归结果的拟合度较低，且在散点图中存在明显的离群城市，则将该城市做异常值剔除处理后再加以分析，以此探究城市群内部非均衡发展的社会经济要素对污染的驱动差异。

2 结果与分析

2.1 PM2.5时间动态特征

2014—2018年，京津冀城市群PM2.5浓度年均值监测统计数据显示(图2)，全区PM2.5呈现逐年下降趋势。具体来讲，5年间京津冀PM2.5浓度年均值分别为93.18，77.32，69.53，64.11和54.64 μg/m3，与2014年相比，2018年PM2.5年均浓度值降低38.55 μg/m3，下降幅度达41.4%，PM2.5污染程度明显改善。2014—2018年京津冀各监测城市PM2.5年平均浓度最大值分别为131.95，106.32，94.72，85.84和69.69 μg/m3，分别出现在邢台、保定、石家庄、邯郸、邯郸；最小值则均出现在张家口市，分别为34.81，34.07，31.99，32.66和30.63 μg/m3。同时，5年内各地市PM2.5浓度年均值均呈下降趋势，下降幅度存在较大差异，具体表现为：保定市降幅最大达48%，依次为邢台(47.1%)、廊坊(44.5%)、石家庄(44.3%)、衡水(43.4%)、承德(41.8%)、北京(41.5%)、唐山(40.5%)、沧州(39.3%)、邯郸(39.2%)、天津(36.6%)、秦皇岛(30.8%)，最低为张家口市(12.0%)。但是，在2018年，除张家口市及承德市外，各城市年均PM2.5浓度值均超标，京津冀城市群整体PM2.5污染形势依然严峻。

分季节来看(图3)，较之2014年，2018年京津冀地区各季节PM2.5污染均有所改善。其中，夏季下降幅度最为明显，降幅达45.3%，秋冬次之，降幅分别为43.2%和42.3%，而春季PM2.5下降幅度远低于其它季节，仅为28.9%。同时，进一步研究表明2014—2018年PM2.5浓度值存在较明显的季节性差异(表2)，且5年内夏季PM2.5污染均相对较轻。具体而言：2014与2016年各季节间非参数检验p值均小于0.05，表明各季节PM2.5浓度值均存在明显差异；2015与2017年，春季与秋季PM2.5浓度差异不明显，呈现出冬高夏低、春秋居中的特点；而在2018年，春、冬两季PM2.5污染水平高于夏秋季节，且春、冬两季污染差异不显著，PM2.5浓度季节变化特征明显区别于2014—2017年，这与中国其他地区变化不一致[20,21]。除此之外，冬季PM2.5浓度上下四分位数间距大，离散程度最高，由此可见冬季各站点污染差异最大。

图3 京津冀城市群各季节PM2.5浓度箱型图

表2 京津冀PM2.5季均质量浓度非参数检验结果

2.2 PM2.5空间动态特征

图4表明，研究区内年均PM2.5浓度在空间上呈现南高北低的差异格局且分布相对稳定。其中，北部秦皇岛市、承德市和张家口市一线污染较轻。西南部城市，邢台市、石家庄市、保定市、邯郸市和衡水市为研究区内PM2.5污染的高风险聚集区域。此外，结合京津冀地区五年间PM2.5高浓度污染范围可以发现，全区污染范围逐渐向西南方向收缩。

图4 京津冀城市群PM2.5空间分布特征

全局空间自相关分析表明，京津冀城市群PM2.5浓度存在显著正空间相关性(表3)，区域之间相互影响较为明显。在空间维度上，各城市PM2.5浓度并非离散分布，污染水平相接近的城市趋于聚集，呈现出显著的空间集聚特征。城市PM2.5浓度可能易受邻近地区空气污染水平的影响[22]，位于高值聚集区的城市受影响尤为显著，亦有研究表明，区域性大雾霾事件中跨边界运输对近地表PM2.5贡献较大[23]，这意味着对单独城市采取空气污染控制措施不足以减少区域性污染事件，各城市集群间的联防联控具有十分重要的意义。同时，局部空间自相关分析结果如图5所示。“高-高”类型在2014与2015年主要分布于石家庄及衡水市，而在2016至2018年，邢台市亦成为“高-高”空间聚集类型，表明该类城市及周围地区的PM2.5年均浓度值较高，为PM2.5高值聚集区。“低-低”类型在研究时段内均分布于承德市，表明该类城市及周围地区的PM2.5年均浓度值较低，为PM2.5低值聚集区。在2014，2015及2018年，唐山市成为研究区内的“高-低”类型，即该类城市PM2.5年均浓度为高值，且被低值城市所包围。

表3 京津冀城市群PM2.5空间自相关分析结果

图5 京津冀城市群PM2.5局部空间自相关分析

2.3 京津冀城市群PM2.5污染驱动分析

根据2014—2018年京津冀地区PM2.5驱动分析(图6)，本文发现各社会经济要素与PM2.5之间的拟合关系均通过显著性检验，但一些拟合方程的r2较小。而当PM2.5与某一要素之间的相关关系通过显著性检验时，二者之间即存在真实的相关关系，这与先前的一些研究相类似[17,24]。由此可知，PM2.5浓度与所选社会经济要素之间均存在显著的密切关系，具体表现为：总人口数、GDP及建成区占比与PM2.5浓度之间呈倒U型曲线关系；人口密度则与PM2.5浓度满足幂函数相关关系，PM2.5浓度值随人口密度的增加而增加；第二产业占比是唯一与PM2.5浓度之间存在线性相关关系的要素。

(1)城市人类活动驱动。PM2.5浓度与代表城市人类活动强度的人口密度之间关系最为密切，拟合度达到0.533(显著性水平为0.01)，较高的人口密度在一定程度上可以说明人类生活、交通聚集带来更多的能源消耗和污染排放，人为PM2.5及其前体污染物的大量排放PM2.5污染水平过高的主要原因[25]，也会进一步导致城市绿化率的下降，使城市阻碍尘埃污染能力降低，加剧PM2.5污染。因此，人口密度可能成为控制整个京津冀城市群PM2.5污染的关键因素之一。

(2)工业活动驱动。与其他许多研究相类似地，我们发现PM2.5浓度与京津冀城市第二产业占比之间呈显著线性正相关(显著性水平为0.05)，城市第二产业占比在一定程度上代表颗粒污染物的排放水平，是地区空气污染的主要因子。然而，PM2.5浓度与第二产业占比虽存在线性相关关系，但拟合度仅为0.145，故进一步分析二者之间的关系。由图6e中PM2.5浓度与第二产业占比的拟合图可以看出，北京市作为一明显离群城市存在，且由经济背景可知北京市经济发展主要依靠第三产业，第二产业占比相对较低。在剔除北京市后，发现PM2.5浓度与第二产业占比的拟合值达到0.332(显著性水平为0.01)，相较上述分析而言拟合度得到一定提高，说明第二产业占比对北京市与京津冀城市群其他城市之间的驱动存在差异，工业活动对天津及河北省PM2.5污染的驱动作用更显著。

(3)经济发展及城市建设驱动。PM2.5浓度与GDP之间满足环境库兹涅茨曲线(EKC)假设，即呈现倒“U”型变化特征，且PM2.5污染对于城市经济发展及城市建设水平的高低有不同响应。由PM2.5与GDP及城市建成区占比之间的散点图(图6b)可以看出，河北省各地市处于倒U型曲线左侧上升部分，北京及天津则位于右侧下降部分。由于京津冀地区各市经济背景差异极大，故进一步单独分析河北省PM2.5与GDP以及建成区占比之间存在的相关关系。结果表明：河北省PM2.5浓度值随经济发展及城市建设水平的增长而升高，但上升幅度逐渐放缓，进一步说明二者满足倒U型曲线前半段。此外亦有相关研究表明全国尺度上经济发展及城镇化建设与空气污染之间符合EKC假设，PM2.5浓度值倒U型演变形态客观存在。综上可以说明北京、天津与河北省各地市的GDP及建成区占比对PM2.5的驱动存在差异，经济发展较好的大城市(北京、天津)可能在发展过程中经历过严重的空气污染，导致它们对于空气污染更加重视并投入更多资源，故在拥有高GDP及城市建设用地的同时PM2.5污染水平却相对较低。而经济及城市发展相对落后的河北省11个城市则与大城市相反，经济发展及城市建设对PM2.5污染存在正向驱动作用，处于PM2.5上升阶段。

图6 京津冀城市群PM2.5驱动分析

3 结论

本文使用京津冀城市群70个监测站的数据，研究分析2014—2018年该城市群大气污染物PM2.5的时空动态特征，并进一步探讨城市群内部PM2.5污染水平的社会经济驱动因子异质性，结果表明：

(1)时间上：2014—2018年京津冀城市群年均PM2.5浓度呈下降趋势，降幅达41.4%，且区内各城市均有不同程度下降，但2018年全区PM2.5污染仍旧超标。同时各季节PM2.5污染均有所改善，其中夏季改善程度最大，秋冬次之，春季最小。且各季节PM2.5浓度差异较大，2014—2017年，各季节大致呈现出冬季高，春秋次之，夏季最低的特征。但是2018年春冬两季细颗粒物污染差异不明显，呈现春冬高，秋次之，夏季最低的季节变化，这一变化可能受空气污染治理政策影响较大，PM2.5污染治理有必要针对季节而行。

(2)空间上：京津冀城市群年均PM2.5浓度存在明显的空间聚集特征，呈南高北低分异格局且变化相对稳定。京津冀西北部生态涵养区PM2.5污染较轻，空气质量相对较好，“低-低”类型主要分布在北部的承德市。高浓度污染集中在南部地区，“高-高”聚集类型主要分布在南部的石家庄、衡水及邢台市。

(3)驱动力因素分析表明，社会经济因素对京津冀城市群PM2.5污染存在驱动作用，且驱动力存在一定差异。具体而言：PM2.5浓度与人口密度之间的关系最为显著，PM2.5浓度随人口密度的增加而升高。第二产业占比是唯一与PM2.5浓度值呈正线性相关关系的因素，且对除北京市之外的京津冀其他城市PM2.5驱动作用更为显著。此外，PM2.5污染对于城市经济及建设水平的高低有不同响应，即GDP及城市建成区占比与PM2.5浓度值呈倒U型曲线关系，符合经典EKC假设，欠发达的河北省处于倒U型曲线上升阶段，PM2.5随GDP及城市建成区占比的增加而增加，相反发展较好的北京、天津二市则处于曲线下降阶段。