基于LMDI的城市化不同阶段PM2.5浓度影响因素——以我国5个特大城市群为例

王秋红,李维杰,王 勇,傅 俐,高 敏

基于LMDI的城市化不同阶段PM2.5浓度影响因素——以我国5个特大城市群为例

王秋红,李维杰,王 勇*,傅 俐,高 敏

(西南大学地理科学学院,重庆 400715)

以我国5个特大城市群为研究区,采用人均GDP和产业结构标准,将2000～2015年划分为不同的城市化发展阶段,利用LMDI指数分解法探讨不同发展阶段排放强度、能源强度、经济产出和人口规模等4种社会经济因素对PM2.5浓度变化的可能驱动机制及贡献率.结果表明,5个特大城市群被划分为四个不同的城市化发展阶段,随着城市化进程的推进,PM2.5浓度呈现先上升后下降的趋势.总体上,经济产出和人口规模产生正效应,且经济产出效应是促进PM2.5浓度增加的主要因素;排放强度和能源强度产生负效应,且排放强度效应是抑制PM2.5浓度增加的主要因素.能源强度效应的累积贡献率在工业化初期和中期有正有负,但在工业化后期和发达经济时期均为负.从工业化初期至发达经济时期,经济产出效应和人口规模效应的累积贡献率均在增加且经济产出效应的累积贡献率增加更为显著;排放强度效应的累积贡献率为负且累积贡献率的绝对值不断增加.探讨不同城市化发展阶段PM2.5浓度的影响因素可为政府部门制定针对性的环境保护政策提供依据.

城市化不同阶段；LMDI分解法；PM2.5浓度；特大城市群

城市的快速发展可能造成严重大气污染,在不同城市化阶段其影响因素的特征不同.因此,探讨不同城市化阶段PM2.5浓度的驱动机制对环境污染政策的制定和实施具有重要意义.霾是我国各地当前普遍存在的问题[1].细颗粒物PM2.5(空气动力学直径小于等于2.5μm的颗粒)是导致霾的主要污染物. PM2.5可通过呼吸道进入人体循环系统引发哮喘、支气管炎等疾病,并增加致癌风险[2-3]等.此外,PM2.5还可通过吸收和散射光来降低大气能见度、影响辐射收支平衡[4-5]等.因此,有效降低PM2.5浓度对居民健康以及区域空气质量改善具有重要意义.

PM2.5影响因素分析可以探究其形成机理,是国内外当前研究的热点,学者们主要从自然因素[6-7]和社会经济因素[8-9]等方面展开研究,其中社会经济因素是造成霾的根本原因.城市化进程具有阶段性,不同城市化阶段经济发展水平、产业结构、人口规模等社会经济因素具有显著差异,导致PM2.5浓度变化在不同阶段的差异性.在城市化进程初期,一个地区的人口密度和经济发展水平较低,城市化速度缓慢,人们主要从事农业生产活动,这一时期大气污染主要由固体生物质燃烧造成[10],对环境的破坏程度较小.随着城市化进入高速发展时期,大量的农村人口向城市转移,人口密度与污染物浓度呈正相关[11];此外,制造业和采矿业等高污染高排放产业发展迅速,化石燃料的使用向空气中排放了大量的污染物[12],致使空气污染问题加重.在城市化发展的末期,人们越来越关注生态环境问题,制定一系列严格的法律法规控制污染物的排放[13],可再生技术的发展、清洁能源的推广等使污染物排放减少[14-15].

国内外学者运用不同方法对PM2.5影响因素展开广泛研究.樊建勇等[6]运用相关分析法探讨江西省PM2.5浓度与气象要素之间的关系,认为相对湿度、风速和降雨量与 PM2.5浓度显著相关,但该方法忽视了样本数据间的空间关联性.Cheng等[16]利用动态空间面板模型分析中国285个城市PM2.5浓度的社会经济影响因素,结果显示外商直接投资对PM2.5浓度影响不显著,人口密度、产业结构、交通密度等因素均有显著的正向影响,但该方法是基于显著性水平下判断各影响因素的驱动方向,无法确定各影响因素对PM2.5的贡献率.近年来,LMDI指数分解法已被广泛应用于碳排放影响因素的研究领域[17-18],其优势是可以把目标变量分解成若干个影响因素的组合,从而确定各影响因素的贡献率.

已有研究中,很少考虑不同城市化阶段PM2.5浓度影响因素驱动方向及贡献率,并且多以某一个区域作为研究区.根据《中国城市群发展报告》(2010;2016),中国城市群空间结构呈现“5+9+6”新格局,即五个国家级特大城市群、九个区域性城市群、六个地区性城市群.而特大城市群既是国家经济发展的“核心区”,也是环境污染问题高发的“重灾区”[19].因此,本研究选取5个特大城市群作为研究区,从城市化不同发展阶段的角度出发,探讨主要社会经济因素对PM2.5浓度的驱动机制以及各影响因素对PM2.5的贡献率,以期为城市群大气污染治理提供科学依据.

1 材料与方法

1.1 研究区域

5个特大城市群包括京津冀城市群(Beijing- Tianjin-Hebei, BTH)、长江三角洲城市群(Yangtze River Delta, YRD)、长江中游城市群(Middle Reaches of Yangtze River, MRYR)、珠江三角洲城市群(Pearl River Delta, PRD)和成渝城市群(Chongqing- Chengdu, CHC)(图1).考虑到数据的可获得性,涉及县(区)部分均以该县(区)所在的地级市作为本研究区边界.本研究中京津冀城市群包括北京市、天津市两大直辖市和河北省的9个地级市;长江三角洲城市群包括上海市直辖市和江苏省、浙江省、安徽省的25个地级市;长江中游城市群包括湖北省3个直管市(仙桃市、潜江市、天门市)以及湖北省、湖南省、江西省的28个地级市;珠江三角洲城市群包括广东省9个地级市,本研究中不包括香港特别行政区和澳门特别行政区;成渝城市群包括重庆市直辖市和四川省的15个地级市.

图1 5个特大城市群地域

该图基于国家测绘地理信息局服务网站下载的审图号为GS(2016)2888号的标准地图制作,底图无修改

1.2 数据来源与处理

本研究中5个特大城市群边界来源于《中国城市群地图集》[20].2000～2015年PM2.5浓度变化来源于美国国家航空航天局(NASA)[21],该数据集是精度为0.01°的遥感反演网格数据集,网址为https://sedac. ciesin.columbia.edu/.遥感数据具有时间跨度长、空间覆盖范围广等优势,已被广泛应用于PM2.5的研究中.利用ArcGIS提取工具得到5个城市群16年的PM2.5浓度值,为保证数据的准确性,采用连续三年滑动平均值方法对PM2.5浓度值进行修正(图2). 2000～2015年社会经济数据包括人均GDP、三次产业分别占GDP比重、GDP、全社会用电量、年末总人口等,均来源于《中国城市统计年鉴(2001～ 2016)》,再通过各城市统计年鉴数据对误差年份进行修正.人均GDP和三次产业分别占GDP比重用来划分城市群城市化发展阶段,GDP、全社会用电量、年末总人口用于LMDI因素分解.

图2 中国PM2.5浓度动态变化

1.3 研究方法

1.3.1 城市群阶段划分方法 钱纳里阶段划分方法已广泛应用于经济学、城市规划等领域,该方法将社会经济发展分为初级产品阶段、工业化阶段、发达经济阶段,其中工业化阶段又分为工业化初期、中期和后期[22].本研究参考钱纳里阶段划分标准,用人均GDP和产业结构指标确定城市群城市化发展阶段.首先利用美元平减指数将1970年美元的经济发展阶段推演至2000～2015年美元,再根据美元与人民币汇率换算至2000～2015年人民币,产业结构划分标准参考Ding等[23]的研究,即三次产业分别占GDP的比重(表1).

采用人口和GDP加权平均的方法将各地级市人均GDP和三次产业分别占GDP比重加和,求得其所在城市群的人均GDP和三次产业分别占GDP比重.随后,以5个城市群人均GDP为横坐标,第二产业占GDP比重为纵坐标,得到5个城市群2000～2015年共80个样本点(图3).参考Liu等[24]提出的城市群城市化发展阶段划分方法,将人均GDP标准和产业结构标准按不同方式组合,共得到四种城市群城市化发展阶段的划分情景:

情景1:仅考虑产业结构标准时划分的城市群城市化发展阶段(图3a).可以看出人均GDP为4～6万元之间时,城市群样本中同时存在有工业化中期、工业化后期、发达经济时期三个经济发展阶段,导致城市化发展阶段划分不明确.

情景2:仅考虑人均GDP标准时划分的城市群城市化发展阶段(图3b).可以看出在初级产品阶段时,样本点中第二产业占GDP比重超过40%,但是初级产品阶段以农业生产为主,显然与实际情况不符.

表1 不同城市化阶段划分标准

注: 1每年人均GDP标准不同,由于篇幅限制,仅列出2015年美元与2015年人民币的划分标准.2美元平减指与世界银行2016年公布的标准一致.3划分标准精确到十位数.4产业结构标准每年一致,其中表示第一产业占GDP比重,表示第二产业占GDP比重,表示第三产业占GDP比重.

情景3:必须同时满足人均GDP标准和产业结构标准时划分的城市群城市化发展阶段(图3c).可以看出有52个城市群样本点未能划分出城市化发展阶段,因此不能作为城市群城市化发展阶段的划分结果.

情景4:根据前三种城市群城市化发展阶段划分情景的不足,第四种情景将初级产品阶段的划分使用情景1,工业化和发达经济阶段的划分使用情景2,综合考虑经济发展阶段的特征来划分城市群城市化发展阶段(图3d).可以看出所有城市群样本均可划分出不同城市化发展阶段,并且划分结果明确,符合各发展阶段的实际情况.最终将所有城市群样本划分为工业化初期、工业化中期、工业化后期和发达经济时期四个城市化发展阶段.

图3 城市群阶段划分的四种情景

1.3.2 LMDI指数分解方法 对数迪氏指数分解法(Logarithmic Mean Divisia Index Method, LMDI)是由Ang等[25]于20世纪90年代提出,在众多因素分解方法中,基于LMDI的分解方法克服了分解过程中数据为零值和负值以及分解结果中存在残差的问题,是最优的因素分解方法[26].

参考Zhang等[27]研究,选取排放强度、能源强度、经济产出和人口规模等与PM2.5浓度相关的社会经济指标,将PM2.5浓度分解如下:

LMDI分解法主要包括加和分解和乘积分解两种,本研究选用加和分解,将基年(2000年)到年PM2.5浓度变化的总效应()分解为四种效应,如下式:

式中:PM0和PM分别表示基年和年的PM2.5浓度.为排放强度效应,能源强度效应,为经济产出效应,为人口规模效应.

四种效应的计算公式如下:

累积贡献率可以更有效地反映各因素在不同城市化发展阶段的贡献率,计算公式如下:

采用相对贡献率比较各因素在不同城市群之间的贡献率,计算公式如下:

式中: RCR为因素的相对贡献率,其范围为[-1,1].

2 结果与讨论

2.1 城市群城市化阶段划分结果

2000～2015年5个特大城市群城市化发展阶段划分结果如图4所示.总体上看,2000年以来5个特大城市群均已全部进入工业化发展阶段,齐元静等[28]认为中国从2004年开始进入工业化时期,由于城市群是经济发展的核心区,城市化进程要快于全国水平.各城市群经济发展不平衡,城市化发展阶段具有明显的差异性.其中,成渝城市群、长江中游城市群和京津冀城市群经济发展较缓慢,而珠江三角洲城市群和长江三角洲城市群内部联动性强,经济发展快,已率先进入发达经济时期.

图4 城市群城市化阶段划分结果

2.2 PM2.5浓度时间变化趋势分析

2000～2015年间5个城市群PM2.5浓度时间变化趋势如图5a所示,2000～2006年各城市群PM2.5浓度基本呈持续上升趋势,2007～2015年呈波动下降趋势,但是仍高于基年PM2.5浓度值.与整个研究时间段内全国PM2.5浓度的平均值17µg/m3相比,城市群地区各年平均PM2.5浓度显著较高,城市群地区空气质量恶化情况更严重.例如,Fu等[29]也同样指出城市群污染物排放集中且排放水平高,是严重霾事件频繁发生的区域.相比于其他特大城市群,京津冀城市群和长江三角洲城市群的PM2.5浓度值相对较高,其中长三角城市群2008年PM2.5浓度值最高,为51µg/m3,根据《国家环境质量标准》(GB3095-2012), PM2.5年均浓度不超过35µg/m3为达标,其高出达标值16µg/m3.

由图5b可知,城市群PM2.5浓度值呈现出先上升后下降的变化趋势.Liu等[24]研究结果同样认为城市群在城市化的各个阶段呈现“倒U”型格局.在工业化初期至工业化中期,城市群PM2.5浓度值均为上升趋势.在工业化后期及发达经济时期时,PM2.5浓度呈现出不同程度的降低,但PM2.5浓度依旧保持在较高水平,仅有发达经济时期的珠江三角洲城市群和工业化后期的成渝城市群PM2.5年均浓度低于35µg/m3.

2.3 社会经济因素对PM2.5的影响

基于LMDI指数分解方法,4种主要社会经济因素在整个研究时段内的分解结果如图6所示.总体来看,排放强度效应和能源强度效应可以降低PM2.5浓度,其中排放强度效应是降低PM2.5浓度的主要因素.例如,2015年长江三角洲城市群,排放强度效应降低了48µg/m3的PM2.5浓度,而能源强度效应仅降低了18µg/m3的PM2.5浓度.经济产出效应和人口规模效应可以促进PM2.5浓度的增加,其中经济产出效应是导致PM2.5浓度增加的主要因素.例如,2015年京津冀城市群,其经济产出效应所增加的PM2.5浓度是人口规模效应的13倍.李光勤等[30]利用空间计量模型方法分析PM2.5影响因素,结果同样显示经济发展水平、人口密度等因素导致一个地区PM2.5浓度上升.

2001～2015年间各城市群总效应表现出先波动上升后波动下降的趋势.2001～2006年总效应呈现出显著上升的趋势,由于这一时期城市群经济高速发展,导致经济产出效应对PM2.5浓度的促进作用显著提高.京津冀城市群在2007年、长江三角洲城市群和珠江三角洲城市群在2008年、长江中游城市群和成渝城市群在2006年,总效应达到最高.在2008年之后,总效应波动下降,由于城市群经济增长的速度放缓,能源结构的改善和能源利用效率的提高致使排放强度效应和能源强度效应的抑制作用不断增强.以京津冀城市群为例,假设2015年的排放强度效应和能源强度效应与2001年一致,PM2.5浓度将增加76µg/m3,而不仅仅是15µg/m3.

2.4 不同城市化阶段社会经济因素对PM2.5浓度的贡献率

基于城市化阶段划分结果,通过式(7)计算了各城市群不同阶段4个效应的累积贡献率(图7),四种社会经济影响因素的累积贡献率在不同城市化发展阶段表现出差异性.人口规模效应的累积贡献率在工业化初期为6%～20%,到工业化后期为16%～ 52%,可见人口规模效应对PM2.5浓度增加的贡献程度不断增大,主要是由于城市群人口数量增多.例如,京津冀城市群从工业化初期至工业化后期约增加74万人,珠江三角洲城市群从工业化中期至发达经济时期人口增长率为19%,人口增长导致对交通、住房、能源等需求增加,造成大气污染物浓度增加.

经济产出效应的累积贡献率在工业化初期为140%～245%,到工业化后期时增加至440%～1350%,经济产出效应对PM2.5浓度上升的贡献程度显著增加.Yang等[31]研究经济增长与CO2排放关系,同样认为随着时间推进经济增长的累积贡献率值逐年增大,如在2000～2006年间经济增长累积贡献率值每年在100%以上,2007～2009年间每年都超过200%, 2010年甚至超过300%.在城市群城市化发展的过程中,人均GDP呈持续上升趋势,如在工业化初期至发达经济时期,长江三角洲城市群人均GDP增加61634元,人均收入的增加推动了人类对能源消费需求的增加,直接导致PM2.5浓度的增加.未来政府部门不仅要合理控制城市群人口规模的增长,更重要的是控制经济增长速度和规模,不能盲目追求GDP的提高,把经济发展由数量转到质量上来.

能源强度效应的累积贡献率在工业化初期和中期表现出差异性.例如,在工业化初期和中期时,成渝城市群能源强度的累积贡献率均为负,但长江三角洲城市群能源强度的累积贡献率则均为正,尤其是工业化初期的长江三角洲城市群,能源强度的累积正贡献率达109%.说明能源强度的增加会导致PM2.5浓度的增加,由于技术、节能设备等资源缺乏,能源利用效率低,能源密集型产业是拉动经济增长的主要动力.但是到工业化后期及发达经济时期,能源强度的累积贡献率均为负.例如,工业化后期的长江三角洲城市群及珠江三角洲城市群,能源强度效应的累积贡献率由正转负,累积贡献率值分别为-70%和-28%.说明在工业化后期及发达经济时期,电动汽车、清洁材料等新技术新材料的推广使得能源利用效率不断提高,技术水平提高在降低PM2.5浓度方面发挥着越来越重要的作用,使能源强度效应的负向作用趋于稳定.因此,加大先进技术的投资力度,推广新技术、新材料、新设备,提高生产过程中能源利用率是有效较低PM2.5浓度的重要举措.邓吉祥等[32]对中国碳排放影响因素的研究中认为2003～2006年能源强度具有较弱的正向驱动,2007～ 2010年为负向驱动.本研究多数城市群在2003～2006年为工业化初期和中期阶段,2006年之后陆续进入工业化后期,基本与本研究的城市群各发展阶段相吻合.

排放强度效应的累积贡献率在任何阶段均为负,且在工业化中期至工业化后期,排放强度效应降低PM2.5浓度的作用更显著.例如,京津冀城市群在工业化中期至工业化后期排放强度累积贡献率的绝对值增加了113%,而在工业化初期至工业化中期仅增加了43%.佟新华等[33]研究中同样认为排放强度对碳排放的影响程度在工业化后期阶段高于工业化初期和工业化中期阶段.在工业化初期,主要依靠能源密集型产业拉动经济增长,许多高污染、高能耗企业在这一时期发展迅速,导致排放强度效应削弱作用低.在工业化中至工业化后期,煤炭、石油、采矿等第二产业所占比重下降,餐饮、金融、交通运输等第三产业比重持续上升,传统的高污染高排放产业逐步被低污染低排放的新型产业所替代,大气中污染物排放量显著降低.未来应加大产业结构调整,制定相关政策减少煤炭、石油等传统高污染高排放等产业能源的消耗,鼓励开发和使用风能、太阳能等清洁能源,实现排放强度的优化.

PM2.5浓度变化的影响因素因地区而异.由于不同城市群PM2.5基期浓度与变化大小不同,本研究采用相对贡献率比较不同城市群之间各影响因素的差异(图8).随着城市化进程的推进,排放强度效应相对贡献率的差距逐步缩小,到工业化后期,京津冀城市群、长江三角洲城市群、长江中游城市群、珠江三角洲城市群、成渝城市群排放强度效应的相对贡献率分别为-23%、-32%、-26%、-34%、-29%.成渝城市群在工业化初期排放强度效应相对贡献率的绝对值最小,由于2000～2010年间,成渝城市群一直处于工业化初期,在该时期成渝城市群第一产业所占比重为23%,而其余城市群均在20%以下,因此污染物排放量相对较低,导致排放强度对PM2.5的削弱作用低于其他城市群.京津冀城市群排放强度效应在工业化中期、后期相对贡献率的绝对值最小,由于京津冀城市群产业结构的调整和优化使得污染物排放改善,如工业化中后期京津冀城市群第二产业所占比重最低,尤其是工业化后期第二产业所占比重为48%,其余城市群均在52%以上.

能源强度效应的相对贡献率在工业化初期各城市群之间差异很大,随着城市化进程的推进其差距在逐步缩小,尤其是在发达经济时期的长江三角洲城市群和珠江三角洲城市群,相对贡献率相差小于1%.长江三角洲城市群、珠江三角洲城市群能源强度效应的相对贡献率一直处于曲线簇上方,说明其能源强度效应对PM2.5的削弱作用低于其他城市群.由于长江三角洲城市群和珠江三角洲城市群地处沿海地区,先进技术的推广、清洁能源的使用等方面高于其他城市群,技术水平的提高更利于其他城市群PM2.5浓度降低.

经济产出效应的相对贡献率随着城市化进程的推进差距同样在缩小,到工业化中期,各城市群相对贡献率最大仅相差5%.在工业化初期,京津冀城市群经济产出效应的相对贡献率最大,由于这一时期京津冀城市群经济的高速发展以及人均收入水平的提高,使得对资源和能源的需求增加,促进污染0物排放量增大.人口规模效应的相对贡献率随着城市化进程的推进,差距在逐步扩大.珠江三角洲城市群人口规模效应的相对贡献率一直处于曲线簇上方,主要是由于改革开放以来人口大量涌入,人口聚集区交通、住房等人类的活动强度增大,对PM2.5浓度的升高有显著促进作用.另一方面,人口的增加会导致私家车使用量的增加,车辆排放是空气污染的一个重要来源[34].

3 结论

3.1 5个特大型城市群被划分为工业化初期、中期、后期和发达经济时期四个城市化发展阶段,但是各城市群城市化阶段发展不平衡.

3.2 2000～2006年各城市群PM2.5浓度基本呈持续上升趋势,2007～2015年呈波动下降趋势.在工业化初期至发达经济时期PM2.5浓度变化呈现“倒U”型.

3.3 排放强度效应和能源强度效应多为负,且排放强度效应的绝对值高于能源强度效应的绝对值;经济产出效应和人口规模效应多为正,且经济产出效应高于人口规模效应;总效应表现出先波动上升后波动下降的变化趋势.

3.4 在工业化初期至工业化后期,经济产出效应和人口规模效应的累积贡献率均在增加,且经济产出效应的累积贡献率增加更为显著.能源强度效应的累积贡献率工业化初期与工业化中期表现差异性,但是工业化后期与发达经济时期均为负.排放强度效应累积贡献率的绝对值在工业化后期和发达经济时期高于工业化初期和工业化中期.

3.5 以相对贡献率对比各影响因素的空间差异,随着城市化发展阶段的推进,各城市群之间排放强度效应、能源强度效应、经济产出效应的相对贡献率差距不断缩小,人口规模效应相对贡献率的差距不断扩大.

[1] 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.

[2] 张 莹,辛金元,张小玲,等.北京市气温与黑碳和PM2.5对疾病死亡影响的交互效应 [J]. 中国环境科学, 2020,40(7):3179-3187.

Zhang Y, Xin J Y, Zhang X L, et al. Interaction effects between ambient temperature and black carbon and PM2.5on mortality in Beijing [J]. China Environmental Science, 2020,40(7):3179-3187.

[3] Wang G Y, Wang Y, Yin E J, et al. Seasonal exposure to PM2.5-bound polycyclic aromatic hydrocarbons and estimated lifetime risk of cancer: a pilot study [J]. Science of the Total Environment, 2020,702:135056.

[4] 樊高峰,马 浩,张小伟,等.相对湿度和PM2.5浓度对大气能见度的影响研究:基于小时资料的多站对比分析 [J]. 气象学报, 2016, 74(6):959-973.

Fan G F, Ma H, Zhang X W, et al. Impacts of relative humidity and PM2.5concentration on atmospheric visibility: A comparative study of hourly observations of multiple stations [J]. Acta Meteorologica Sinica, 2016,74(6):959-973.

[5] Li Z, Guo J, Ding A, et al. Aerosol and boundary-layer interactions and impact on air quality [J]. National Science Review, 2017,6:810- 833.

[6] 樊建勇,黄 玲,李翔翔.2015～2018年江西省PM2.5污染时空变化特征及气象成因分析 [J]. 生态环境学报, 2020,29(6):1165-1172.

Fan J Y, Huang L, Li X X. Analysis of the characteristics of the spatial-temporal variations of PM2.5pollution and the meteorological causes in Jiangxi province from 2015to 2018 [J]. Journal of Ecological Environment, 2020,29(6):1165-1172.

[7] 史旭荣,逯世泽,易爱华,等.全国2018～2019年秋冬季气象条件变化对PM2.5影响研究 [J]. 中国环境科学, 2020,40(7):2785-2793.

Shi X R, Fu S Z, Yi A H, et al. Impact of meteorological conditions on PM2.5in autumn and winter of 2018～2019 in key areas [J]. China Environmental Science, 2020,40(7):2785-2793.

[8] Cheng Z H, Li L S, Liu J. Identifying the spatial effects and driving factors of urban PM2.5pollution in China [J]. Ecological Indicators, 2017,82:61-75.

[9] 黄小刚,邵天杰,赵景波,等.汾渭平原PM2.5浓度的影响因素及空间溢出效应 [J]. 中国环境科学, 2019,39(8):3539-3548.

Huang X G, Shao T J, Zhao J B, et al. Influence factors and spillover effect of PM2.5concentration on Fen-wei Plain [J]. China Environmental Science, 2019,39(8):3539-3548.

[10] Lin Y L, Zou J L, Yang W, et al. A review of recent advances in research on PM2.5in China [J]. International Journal of Environmental Research and Public Health, 2018,15(3).

[11] Wang S J, Liu X P, Zhou C S, et al. Examining the impacts of socioeconomic factors, urban form, and transportation networks on CO2emissions in China’s megacities [J]. Applied Energy, 2017,185.

[12] 许艳玲,薛文博,雷 宇.气象和排放变化对PM2.5污染的定量影响 [J]. 中国环境科学, 2019,39(11):4546-4551.

Xu Y L, Xue W B, Lei Y. Impact of meteorological conditions and emission change on PM2.5pollution in China [J]. China Environmental Science, 2019,39(11):4546-4551.

[13] Feng L, Liao W J. Legislation, plans, and policies for prevention and control of air pollution in China: Achievements, challenges, and improvements [J]. Journal of Cleaner Production, 2016,112.

[14] 魏小锋,谭路遥,孙友敏,等.清洁能源政策下济南市采暖季PM2.5中水溶性离子变化分析 [J]. 生态环境学报, 2019,28(7):1416-1422.

Wei X F, Tan L Y, Sun Y M, et al. Impact on water soluble ions in PM2.5during heating period in Jinan city by a policy of clean energy [J]. Journal of ecological environment, 2019,28(7):1416-1422.

[15] Chen J, Zhou C S, Wang S J, et al. Impacts of energy consumption structure, energy intensity, economic growth, urbanization on PM2.5concentrations in countries globally [J]. Applied Energy, 2018,230.

[16] Cheng Z H, Li L S, Liu J. Identifying the spatial effects and driving factors of urban PM2.5pollution in China [J]. Ecological Indicators, 2017,82:61-75.

[17] 杨 敏,张鹏鹏,张力小,等.北京城市去煤炭化过程及其驱动因素解析 [J]. 自然资源学报, 2020,35(11):2783-2792.

Yang M, Zhang P P, Zhang L X, et al. The de-coal process and its driving forces in Beijing [J]. Journal of Natural Resources, 2020, 35(11):2783-2792.

[18] Quan C G, Cheng X J, Yu S S, et al. Analysis on the influencing factors of carbon emission in China's logistics industry based on LMDI method [J]. Science of the Total Environment, 2020,734: 138473.

[19] 方创琳,周成虎,顾朝林,等.特大城市群地区城镇化与生态环境交互耦合效应解析的理论框架及技术路径 [J]. 地理学报, 2016,71(4): 531-550.

Fang C L, Zhou C H, Gu C L, et al. Theoretical analysis of interactive coupled effects between urbanization and eco-environment in mega-urban agglomerations [J]. Acta Geographica Sinica, 2016,71(4): 531-550.

[20] 方创琳.中国城市群地图集 [M]. 北京:科学出版社, 2020.

Fang C L. Atlas of urban agglomerations in China [M]. Beijing: Science Press, 2020.

[21] van Donkelaar A, Martin R V, Brauer M, et al. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites [J]. Environmental Science & Technology, 2016,50(7):3762-3772.

[22] Chenery H B, Syrquin M, Elkington H. Patterns of development, 1950-1970 [M]. Oxford University Press London, 1975.

[23] Ding Y T, Zhang M, Chen S, et al. The environmental Kuznets curve for PM2.5pollution in Beijing-Tianjin-Hebei region of China: A spatial panel data approach [J]. Journal of Cleaner Production, 2019, 220:984-994.

[24] Liu X P, Zou B, Feng H H, et al. Anthropogenic factors of PM2.5distributions in China’s major urban agglomerations: A spatial- temporal analysis [J]. Journal of Cleaner Production, 2020,264: 121709.

[25] Ang B W, Zhang F Q, Choi K H. Factorizing changes in energy and environmental indicators through decomposition [J]. Energy, 1998, 23(6):489-495.

[26] Ang B W. Decomposition analysis for policymaking in energy: Which is the preferred method? [J]. Energy Policy, 2004,32:1131-1139.

[27] Zhang Y, Shuai C Y, Bian J, et al. Socioeconomic factors of PM2.5concentrations in 152 Chinese cities: Decomposition analysis using LMDI [J]. Journal of Cleaner Production, 2019,218:96-107.

[28] 齐元静,杨 宇,金凤君.中国经济发展阶段及其时空格局演变特征 [J]. 地理学报, 2013,68(4):517-531.

Qi Y J, Yang Y, Jin F J. China’s economic development stage and its patio-temporal evolution: A prefectural-level analysis [J]. Acta Geographica Sinica, 2013,68(4):517-531.

[29] Fu H B, Chen J M. Formation, features and controlling strategies of severe haze-fog pollutions in China [J]. Science of the Total Environment, 2017,578:121-138.

[30] 李光勤,秦佳虹,何仁伟.中国大气PM2.5污染演变及其影响因素 [J]. 经济地理, 2018,38(8):11-18.

Li G Q, Qin J H, He R W. Spatial-temporal evolution and influencing factors of China’s PM2.5pollution [J]. Economic Geography, 2018, 38(8):11-18.

[31] Yang J, Song K H, Hou J, et al. Temporal and spacial dynamics of bioenergy-related CO2emissions and underlying forces analysis in China [J]. Renewable and Sustainable Energy Reviews, 2017,70: 1323-1330.

[32] 邓吉祥,刘 晓,王 铮.中国碳排放的区域差异及演变特征分析与因素分解 [J]. 自然资源学报, 2014,29(2):189-200.

Deng J X, Liu X, Wang Z. Characteristics analysis and factor decomposition based on the regional difference changes in China’s CO2emission [J]. Journal of Natural Resources, 2014,29(2):189-200.

[33] 佟新华,周红岩,陈 武,等.工业化不同发展阶段碳排放影响因素驱动效应测度 [J]. 中国人口·资源与环境, 2020,30(5):26-35.

Tong X H, Zhou H Y, Chen W, et al. Study on the measurement of carbon-driven effects from different development stages of industrialization [J]. China Population, Resources and Environment, 2020,30(5):26-35.

[34] Lin Y C, Li Y C, Shangdiara S, et al. Assessment of PM2.5and PAH content in PM2.5emitted from mobile source gasoline-fueled vehicles in concomitant with the vehicle model and mileages [J]. Chemosphere, 2019,226:502-508.

Socio-economic factors of PM2.5concentrations in different urbanization stages based on LMDI: A case study of China’s five mega-large urban agglomerations.

WANG Qiu-hong, LI Wei-jie, WANG Yong*, FU Li, GAO Min

(School of Geography Science, Southwest University, Chongqing 400715, China)., 2021,41(11)：5069～5078

Taking five megalopolises in China as cases, this paper divided the period from 2000 to 2015 into four different urbanization stages with the indexes of GDP per capita and industrial structure. Then, the driving mechanism and contributions of emission intensity, energy intensity, economic output and population scale on PM2.5concentrations were explored for different urbanization stages, using the Logarithmic Mean Divisia Index model (LMDI). The results showed that PM2.5concentrations of these megalopolises increased in early stages and then decreased in the later. Generally, economic output and population scale had positive effects on PM2.5concentrations. Especially, the former played a dominant role in promoting PM2.5concentrations. Meanwhile, emission intensity and energy intensity had negative effects on PM2.5concentrations, and the former was the main factor restraining the increase of PM2.5concentrations. The cumulative contributions of energy intensity appeared vague during the primary and middle industrialized stage, while showed negative in the late industrialized and developed stage. The cumulative contributions of economic output and population scale were both positive during the whole stages, while the contributions of economic output had significantly increased. The cumulative contribution of emission intensity was negative, and its absolute value increased continuously. These results could provide a basis for understanding the driving mechanism and contribution of different factors on PM2.5concentration of megalopolis, and thus could support government in making related environmental protection policies.

urbanization stage；LMDI decomposition method；PM2.5concentration；megalopolis

X513

A

1000-6923(2021)11-5069-10

王秋红(1996-),女,河北邢台人,西南大学硕士研究生,主要研究方向为城市生态.

2021-03-23

重庆市第四次全国经济普查研究课题(sjpktzd11)

* 责任作者, 副教授, wyong@swu.edu.cn