长江经济带PM2.5时空演变及健康经济效益评估*

李 飞,郭锦媛,屈志光,闫晶晶,孔少杰,周媛媛,欧昌宏

(1.中南财经政法大学环境与健康研究中心,湖北武汉 430073 2.中南财经政法大学信息安全工程学院,湖北武汉 430073)

0 前言

近年来,由于工业化和城市化的迅速发展,空气污染问题越来越严重。细颗粒物(PM2.5)是当前中国大部分地区的首要污染物[1],长期暴露于高浓度PM2.5可能导致至少64种严重疾病[2-4],PM2.5暴露在影响居民健康的环境风险因素中排名最高[5]。PM2.5健康效应是指PM2.5暴露对居民健康造成的危害。对PM2.5的健康效应进行评估有助于为科学高效的防治PM2.5污染提供支撑。除了对PM2.5的时空分布情况进行研究以外,更多学者开始定量化研究PM2.5的健康效应。国外关于大气污染下人群死亡率与长期暴露关系的研究中,获得公认的有哈佛大学6城市研究[6]及美国癌症协会研究[7]。1967年,RIDKER[8]最早评估了美国1958年空气污染的治理减少的死亡经济损失。1990年,过孝民,等[9]首先对中国环境污染造成的经济损失进行估算。国内目前多采用流行病学的健康影响函数来评价PM2.5的健康效益。由美国环境保护署开发的环境效益图像与分析系统(Environmental Benefits Mapping and Analysis Program,BenMAP)主要被用来评估周围空气污染变化引起的人类健康效应及其经济价值,比较适合对空气质量管制政策实施个性化健康效应评估(HIA)和效益-成本分析[10]。Chen,等[11-13]分别利用BenMAP评估了天津市、京津冀和珠三角控制PM2.5的健康效益。由于选取的基准情景、控制情景不同,同一地区计算出来的健康效益也存在一定偏差[14]。从研究尺度上看,研究更多集中在整个国家,京津冀、珠三角等区域,或者某个城市;研究时间主要为单一年份,或者政策实施前后;政策以选择《大气污染防治行动计划》(简称《行动计划》)居多[15-17]。

随着健康影响函数被广泛用于评估PM2.5污染相关的健康影响结果,逐渐有学者对PM2.5健康影响的驱动因素进行研究。Luo,等[18]对2018年中国PM2.5日均浓度达到GB 3095-2012《环境空气质量标准》中的二级标准值(35 μg/m3)时,可避免的过早死亡人数和对应的经济效益空间分布进行分析得知,PM2.5浓度达标后获得的健康经济效益具有空间溢出效应,但未对这种现象的驱动因素进行分析。地理加权回归模型(GWR)用于解析健康影响的驱动因素,可以弥补此类研究的不足。傅崇辉,等[19]使用GWR模型对深圳市PM2.5健康风险的驱动因素进行了解析,但缺少对健康经济损失的驱动因素分析。综合来看,现有研究为科学分析PM2.5健康效益提供了研究框架,同时越来越注重大样本尺度的研究,但目前的研究缺乏时间层面的演化分析,也较少关注健康经济收益的社会经济影响因素。

长江经济带的土地面积达到全国土地面积的21.4%,人口和经济总量均在全国的40%以上,在中国的经济发展中占有重要地位。虽然近年来长江经济带空气质量有所改善,与2013年相比,2017年长江三角洲城市群25个城市的PM2.5年均浓度由67 μg/m3下降至53 μg/m3,但与GB 3095-2012中的二级标准值相比仍有很大差距。所以长江经济带治理空气污染的压力依然存在。基于此,本研究以《行动计划》实施后,长江经济带空气改善结果考核为优秀、良好、合格的36个城市为基础,基于2017-2019年PM2.5数据和社会经济数据,对长江经济带“蓝天保卫战”实施期间的PM2.5演化情况、控制PM2.5的健康经济效益及社会经济驱动因素进行分析,并据此结果优化区域联合管理对策。

1 数据来源与研究方法

1.1 研究区域介绍

长江经济带空间范围介于97°20′E～123°30′E,21°30′N～35°20′N之间,覆盖上海市、江苏省、浙江省、安徽省、江西省、湖北省、湖南省、重庆市、四川省、贵州省、云南省11个省(市)。作为中国资源开发和经济发展的重要东西轴线,只有上海是对长江经济带有巨大影响带动力的一级中心城市;有11个对长江经济带有显著带动力的二级中心城市;有15个具有辐射影响力的区域性中心城市;有14个一般城市[20]。根据长江经济带城市分类以及数据的可获取性,确定的研究区域有上海、重庆、南京、武汉、苏州、杭州、南昌、成都、无锡、宁波、长沙、合肥、南通、扬州、常州、镇江、舟山、芜湖、安庆、铜陵、池州、九江、岳阳、黄石、宜昌、泸州、宜宾、荆州、攀枝花、嘉兴、黄冈、湖州、马鞍山、绍兴、鄂州、咸宁36个城市。

1.2 数据来源

研究使用的PM2.5浓度数据来源于中国环境监测总站(http:∥www.cnemc.cn/)。根据GB 3095-2012要求,对不合格数据进行筛选与剔除。通过https:∥www.aqistudy.cn/historydata/网站查询结果对缺失数据进行处理,并根据逐时数据计算逐日数据再以此计算PM2.5年均浓度。长江经济带的站点分布如图1,选择的监测点为自2016年11月7日起的215个,后续新增站点不包含在内。

研究选取的人口数据、死亡率数据、社会经济因素(人口密度、地区生产总值、城镇化率、第二产业占比、建成区绿化覆盖率)均来自于统计年鉴或统计公报。人口数据选择年末常住人口,死亡率选取全因死亡率。缺失数据根据统计年鉴公式进行计算。城市统计年鉴缺失数据来自中国经济社会大数据研究平台(https:∥data.cnki.net/)。气象数据来源于中国气象网(http:∥www.cma.gov.cn/)。

1.3 健康经济效益研究方法

1.3.1 健康影响评估

研究使用BenMAP-CE v1.4[21]解析长江经济带空气质量改善的健康效益。BenMAP可根据基准年和控制年的污染物浓度分别生成基准情景和控制情景下的污染物浓度网格化数据,然后使用健康影响函数将上述情景下的污染物浓度之差与暴露人口网格化数据相匹配,以计算污染物浓度变化产生健康影响人数[22]。由PM2.5污染暴露水平变化而健康受影响的人群数量如式(1):

ΔY=Y0(1-e-βΔPM2.5)×Pop

(1)

式中:ΔY--因PM2.5浓度变化而健康受影响的人数;

Y0--健康效应终端的基线死亡率;

β--浓度-响应系数;

Pop--受空气质量变化影响的人数;

ΔPM2.5--不同年份之间PM2.5年均浓度的变化量。

以2017年为基准年,2019年为控制年,当ΔPM2.5大于0时,可以将ΔY理解成PM2.5浓度未改善导致的健康损失,反之则为PM2.5浓度改善获得的健康收益。研究采用2017-2019年长江经济带36个城市常住人口作为暴露人口,对于未公布常住人口数据的城市,将其户籍人口作为暴露人口。为了更好地比较“蓝天保卫战”和《行动计划》两个政策的实施结果,暴露人口选择2017年的数据。

与PM2.5相关的健康效应有哮喘、心血管疾病、呼吸系统疾病、癌症、死亡等,其中死亡风险是最显著的,所以将其作为PM2.5的健康终端,年末常住人口死亡率作为这一终端的基线发生率。表1梳理了与PM2.5相关的较具代表性的全因死亡相对风险系数研究结果。目前,我国对PM2.5暴露与全因死亡之间浓度-反应关系的研究较少,部分是针对特定区域进行的[24-25,27,29-31]。由于我国在1991-2000年未监测PM2.5,Cao,等[25]将PM10浓度转换为PM2.5浓度,分析PM2.5暴露和健康影响终点之间的浓度响应。Hoek,等[28]进行了多区域有明确健康影响终点的Meta分析,结果表明PM2.5暴露浓度每增加10 μg/m3,全因死亡率超额风险(ER)为6%(95%CI为4%～8%)。因此本研究选取Heok的研究结果,浓度响应系数β值为0.005 827,相对风险值(RR)为1.06(95%CI为1.04～1.08)。

表1 PM2.5暴露有关的全因死亡相对风险系数

1.3.2 经济效益评估

评估控制大气污染而获得的经济影响常用的方法有:疾病成本法、人力资本法以及支付意愿法。疾病成本法主要评估由疾病引起的医疗费用等成本,适用于评估较小区域和高污染地区因空气质量变化导致的经济影响,而在面积较大和污染情况复杂的地区则缺乏准确性[31]。传统的人力资本法强调空气污染物对劳动者资本所造成的损害,过早死亡的年轻人、失业者、工人和退休老人的价值非常低,在很大程度上存在伦理道德缺陷[32]。支付意愿法是指利用死亡风险意愿调查价值评估法核算样本的统计生命价值(VSL),此方法最大的优点是能评估大气污染健康损失的使用价值和非使用价值,操作灵活、适用面广[33]。将PM2.5浓度变化产生的健康影响货币化的模型如式(2)所示:

HBE=ΔY×VSL

(2)

式中:HBE--PM2.5健康影响的货币化表达;

VSL--健康效应终端对应的单位价值。

在研究时段内,上海市常住人口的人均可支配收入处于领先地位,所以将上海市的统计生命价值作为基准值。根据戴海夏,等[34]的计算结果,根据式(3)转换得到2017年上海市居民的统计生命价值为351万元,进而得到2017年36个城市居民的统计生命价值。

(3)

式中:VSLAY--评估年份居民PM2.5污染风险相关的VSL值;

VSLBase--基准年居民PM2.5污染风险相关的VSL值;

IAY--评估年居民人均可支配收入;

IBase--基准年居民人均可支配收入;

e--弹性系数。当参照城市的人均可支配收入大于目标城市时,e取小于1的值,本研究将e值取为0.8[35]。

1.3.3 全局和局部空间自相关

全局自相关是对区域总体某属性的空间相关或差异程度的评价[36]。用Moran’s I统计量来衡量全局空间自相关,如式(4):

(4)

式中:W--空间权重矩阵;

使用局部Moran’s I指数来检验局部地区是否存在相似或相异属性值聚集的现象[37]。计算如式(5)所示:

(5)

式中:Li--地区i的LISA指数;

S2--研究区域PM2.5的方差。

Li>0表示属性值相似的地区聚集,即高高聚集或低低聚集;Li<0表示属性值相异的地区聚集,即高低聚集或者低高聚集。

1.3.4 相关性分析

采用皮尔逊(Pearson)相关来判断PM2.5浓度与气象因素之间的相关性。相关系数r计算如式(6):

(6)

式中:Xi、Yi--两个具有线性关系的随机变量X、Y的值;

i--样本数,i=1,2,…,n;

SX、SY--变量X、Y的标准差。

1.3.5 多重共线性

由于社会经济因素变量具有相关的共同趋势,会产生多重共线性,导致模型估计不准确或失真。本文采用容差(T)和方差膨胀因子(VIF)判断多重共线性。判断方法:当0.1

1.3.6 地理加权回归

地理加权回归(GWR)由Brunsden,等[38]在1996年提出,模型结构为式(7):

yi=β0(ui,vi)+∑kβk(ui,vi)Xik+εi
i=1,2,…,n

(7)

式中:(ui,vi)--第i个样本点的空间坐标;

βk(ui,vi)--连续函数βk(u,v)在i点的值;

β0--每一个地点的常数项;

Xik--第k个因变量的第i个观测值;

εi--随机残差项。

2 结果与讨论

2.1 PM2.5的时空分布

基于生态环境部颁布的“关于《大气污染防治行动计划》实施情况终期考核结果的通报”[39],2017-2019年,考核结果为优秀的城市中,分别有45%、50%和45%的城市未达到长江经济带PM2.5年均值;考核结果为良好的城市中,分别有75%、37.5%和75%的城市未达到年均值;考核结果为合格的城市中,分别有25%、25%和12.5%的城市未达到年均值。大部分城市的PM2.5污染有所减轻,但不同年份的表现不尽相同,因此要根据不同地区的具体情况来制定政策标准。

长江经济带2017-2019年PM2.5年均浓度分布如图2所示,可以看出:①2017年PM2.5年均浓度超过55 μg/m3的城市是安庆、铜陵、池州、宜昌、宜宾、荆州、湖州、鄂州,至2019年已没有城市超过55 μg/m3;②2019年PM2.5年均浓度较高的区域相较2017年明显减少,高浓度主要分布在宜昌、铜陵、长沙等地,其余大部分地区PM2.5浓度低于47 μg/m3,空气质量持续好转;③PM2.5浓度总体呈现出中下游地区高于上游地区,长江北岸大于南岸的对角空间分布格局,这可能与人口密度、经济情况存在较为密切的联系。这一结论与杨冕,等[40]人的研究结果类似。

图2 2017-2019年长江经济带PM2.5年均浓度时空分布

2017年的浓度高值(55～68 μg/m3)分布在长三角城市群、成渝城市群和长江中游城市群;2018年的浓度高值(55～65 μg/m3)分布在长三角城市群;2019年的浓度高值(35～53 μg/m3)分布在3个城市群。研究发现:①城市群的污染情况比城市更严重;②不同城市群PM2.5的分布特征存在显著差异。

2.2 全局自相关与局部自相关

采用ArcGIS 10.2分别对2017-2019年长江经济带城市PM2.5年均浓度进行空间自相关检验。2017-2019长江经济带PM2.5年均值的全局Moran’s I指数变化区间为[0.08,0.12],全部显著为正值。表明长江经济带PM2.5污染在研究期间存在稳定的空间正相关,同时空间集聚存在一定的波动性。长江经济带PM2.5污染具有明显的空间溢出效应,意味着局部PM2.5的浓度变化会影响到周边的地理区域。因此在减少雾霾污染方面应具有全局视野。

全局自相关不能揭示区域内部的集聚程度与分布,因此采用局部自相关对区域内部的集聚程度进行分析。2017-2019年PM2.5年均浓度在空间上均呈现集聚态势,但每一年的冷热点分布情况有所区别。2017年冷点地区主要分布在南通市、苏州市、上海市、嘉兴市、宁波市、舟山市,热点地区主要分布在合肥市、武汉市、黄冈市、鄂州市、黄石市、安庆市、池州市、咸宁市、九江市。2018年热点地区主要分布在合肥市、南京市、扬州市、安庆市和池州市,没有冷点地区。2019年冷点地区主要分布在宁波市和舟山市,热点地区主要分布在宜昌市、荆州市、武汉市、黄冈市、九江市和合肥市。这一研究结果与Yan,等[41]关于长江经济带的局部自相关结果有一定的区别。

根据2017-2019年整体趋势(图3)可以看出,冷热点地区会发生明显的变化和转移。2017年热点地区集中在长江中游城市群,冷点地区集中在长三角城市群;2018年热点地区集中在长三角城市群;2019年热点地区集中在长江中游城市群,冷点地区集中在长三角城市群的宁波和舟山市。长三角外围和长江中游地区正处于工业化加速阶段,加剧了PM2.5污染的转移与集聚。长江中下游北部受华北地区污染的影响,与本地污染源叠加,加剧了长江中下游的污染。局部自相关的研究表明:PM2.5具有流动性,高值区域相互作用,逐渐向外扩散,影响周围的低值区域。

图3 2017-2019年长江经济带城市PM2.5浓度年度冷、热点空间分布

2.3 气象因素影响

气象条件作为一种自然因素,对颗粒物的传播和大气污染物的浓度起着重要作用。用SPSS软件对2017-2019年PM2.5日浓度和每日气象因素进行相关性分析(表2)可知,PM2.5浓度与极大风速的风向、平均气压等呈正相关关系;PM2.5浓度与平均风速、平均气温、平均相对湿度等呈负相关关系。相关性最强的是平均气温,相关性最弱的是平均气压。长江经济带夏季风来自南部低污染区,携带的污染物少,对PM2.5的清除作用较为明显;而冬季风来自北方高污染区,容易将高浓度污染物输往长江经济带,特别是长江中下游地区[41]。因此,在制定相关政策控制PM2.5浓度时要考虑气象因素的影响。

表2 2017-2019年PM2.5浓度与气象因素的相关性分析

2.4 控制PM2.5污染的健康及健康经济效应

2017-2019年,PM2.5相关的健康收益情况如表3所示。避免过早死总人数有67 943人,占暴露人口的0.29%。避免死亡人数最多的是重庆市,最少的是舟山市。从城市群的角度看,长三角城市群避免的死亡人数有27 555人,占避免过早死总人数的40.56%。长江中游城市群避免的死亡人数有22 458人,占33.05%。成渝城市群避免的死亡人数有17 666人,占26%。这一现象可能与习近平总书记在重庆和武汉的讲话中两次强调“要把恢复长江生态环境放在重中之重”有关。同时,“蓝天保卫战”、《长江经济带发展规划纲要》《长江经济带高质量发展规划》《四川省和重庆市关于加强成渝城市群建设合作的工作备忘录》等政策的发布,表明国家和地方政府部门制定的环境政策对改善空气质量具有指导性作用,空气质量改善有助于避免过早死人数。不同城市避免的过早死人数可能与暴露人口、PM2.5降低浓度有关。

杭州、舟山、嘉兴、绍兴、攀枝花、泸州、宜昌、岳阳、宜宾、咸宁、鄂州、湖州等城市的表现情况并没有在《行动计划》背景下有所改善,即《行动计划》考核结果为优秀的城市在“蓝天保卫战”下并没有达到长江经济带健康收益平均值,而南通、重庆、扬州、南昌、九江、合肥等城市有所改善,即《行动计划》考核结果为良好和合格的城市在蓝天保卫战背景下,达到了长江经济带健康收益平均值。

为了更好地分析36个城市在《行动计划》背景下的改善情况,选择2017年的VSL值进行计算。根据式(2)计算的控制PM2.5相关经济收益可知,长江经济带城市因空气质量改善获取的经济收益为1 548.18亿元。从城市群的角度分析,长三角城市群空气质量改善获得的经济收益为558.62亿元,占长江经济带经济收益的36.08%。长江中游城市群空气质量改善获得的经济收益为554.71亿元,占长江经济带经济收益的35.83%。成渝城市群空气质量改善获得的经济收益为430.71亿元,占长江经济带经济收益的27.82%。不同城市群空气质量改善的经济收益不同,可能与暴露人口、PM2.5降低浓度、经济水平的不同有关。

从城市的角度来看,宁波、舟山、嘉兴、绍兴、攀枝花、泸州、湖州、宜昌、岳阳、宜宾、咸宁、鄂州等城市并没有在《行动计划》背景下有所改善,而重庆、扬州、南昌、九江、合肥等城市有所改善。PM2.5浓度、控制PM2.5的健康收益和经济收益的变化并不一致。如宁波、南通控制PM2.5的健康收益表现好,经济收益表现不好;杭州控制PM2.5的健康收益表现不好,经济收益则表现好。

2.5 社会经济影响

本研究结合相关文献,选择对5种影响因素(人口密度、地区生产总值、城镇化率、第二产业占比和建成区绿化覆盖率)进行多重共线性检验,分析结果如表4。根据T和VIF筛选,5种因素容差(T)在0～1之间,VIF均小于10,不存在共线性问题,所以将这5种因素都纳入地理加权回归进行后续分析。

表4 2017-2019年多重共线性检验

研究首先采用SPSS对人口密度等经济指标进行单位归一化处理。然后采用ArcGIS对人口密度、地区生产总值、城镇化率、第二产业占比和建成区绿化覆盖率对蓝天保卫战实施下达到GB 3095-2012二级标准值得到的经济收益分布影响程度进行分析。用影响系数衡量影响程度,影响系数越大,说明影响程度越大。系数的正负代表该影响因素是正向还是负向影响。2017-2019年的拟合优度分别为0.50、0.45和0.67,即基于GWR模型能够解释2017-2019年达标城市经济收益的总变异的50%、45%和67%。就调整后的影响系数(R2)而言,2019年模型的拟合度较好,GWR模型结果回归残差分布如图4所示,残差在空间上随机分布,表明回归残差服从正态分布。

图4 回归残差空间分布

2.5.1 人口密度

2017-2019年城市人口密度对控制PM2.5带来经济收益的影响结果(图5)表明:2017年城市人口密度对控制PM2.5带来经济收益呈正相关影响,即人口密度提高,经济收益也提高。2018-2019年呈负相关影响,即人口密度提高,经济收益减少。高的人口密度通常伴随着家庭活动的排放以及交通排放[42],故政策的制定应针对人口密度差异制定目标性的管控对策。对于长江经济带城市群而言,控制长三角城市群的人口密度可以带来更多的经济收益,控制成渝城市群的人口密度反而不能带来经济收益,所以应该重点关注长三角城市群的人口密度。

图5 城市人口密度对控制PM2.5带来的经济收益影响

2.5.2 城镇化率

2017-2019年城镇化率对控制PM2.5带来的经济收益影响结果表明:2017年城镇化率对控制PM2.5带来的经济收益呈负相关影响,2018-2019年不存在负相关影响。城镇化率对经济收益的影响系数(R2)从2017年的0.009变到2019年的0.50,成为人口密度之后第二个重要的影响因素。由于城镇化率比工业化和经济增长对PM2.5浓度的影响更占主导地位,因此应对城镇化率高的城市采取适当有效的监管措施。如成渝城市群的城镇化率对经济收益的影响大,所以应该严格控制。

2.5.3 第二产业占比

2017-2019年第二产业占比对控制PM2.5带来的经济收益影响结果表明:2017-2019年第二产业占比对控制PM2.5带来的经济收益均存在负相关影响。第二产业占比在2017年的影响并不大,但在2018年和2019年逐步上升。这一结果表明仍要继续增强对重污染行业的监管,加快产业转换升级,改善空气质量并带来经济收益。同时,长三角城市群的第二产业占比仍需要进一步加强控制。

2.5.4 地区生产总值

2017-2019年地区生产总值(GDP)对控制PM2.5带来的经济收益的影响结果表明:2017年各城市GDP对控制PM2.5带来的经济收益呈现负相关,GDP越高,控制PM2.5带来的经济收益越低。而2018年和2019年的情况则相反,各城市GDP对控制PM2.5带来的经济收益呈现正相关,GDP越高,控制PM2.5带来的经济收益越高。GDP在2017年对经济收益的影响并没有人口密度大,但在2018年成为最重要的因素。这表明,当GDP处于一定水平之后,经济发展可能不会影响控制PM2.5污染带来的经济收益。

2.5.5 建成区绿化覆盖率

2017-2019年建成区绿化覆盖率对控制PM2.5带来的经济收益影响结果表明:2017年和2018年建成区绿化覆盖率对控制PM2.5带来的经济收益均存在负相关影响,2019年正相关影响最大的城市分布在成渝城市群。2017-2019年建成区绿化覆盖率对经济收益的影响与其他因素相比并不大。

各因素之间对经济收益影响的影响系数(R2)对比分析如表5所示,人口密度、城镇化率、第二产业占比、建成区绿化覆盖率的影响一直在增加。2019年人口密度是影响最大的因素,其次是城镇化率。说明控制人口密度高、城镇化率高地区的空气质量可以带来更多的经济收益。

表5 2017-2019年各因素影响系数(R2)对比

3 政策建议

根据不同地区大气资源环境特征,分区域治理大气污染至关重要。基于健康经济驱动特点,将长江经济带分3个城市群进行针对性治理。

a) 严格控制长三角城市群人口密度以及第二产业占比,增强对重污染行业的监管。

b) 推进成渝城市群的大气环境统筹治理,优化城镇化发展模式与空间布局规划。

c) 推动长江中游城市群重点行业大气污染治理,基于重点城市(宜昌市、荆州市、武汉市、黄冈市、九江、咸宁、黄冈、黄石、鄂州等)差异化的人口密度和城镇化率,制定针对性政策。同时也要考虑气象因素对3个城市群的影响,根据气象资源状况制定差异化的层次PM2.5减排目标,不建议“一刀切”。

4 结论

长江经济带在蓝天保卫战实施期间PM2.5污染有所缓解,但不同地区的污染情况不尽相同,宜昌、铜陵、长沙等城市PM2.5污染较为严重。“蓝天保卫战”的实施有效避免了67 943人的过早死亡,带来经济收益1 548.18亿元。由于PM2.5污染情况、人口暴露情况、社会经济条件存在差别,各个城市群控制PM2.5污染带来的健康经济收益存在很大差别。长三角城市群避免的过早死人数、控制PM2.5污染带来的经济收益最多。因此决策者在制定大气污染控制政策时也要考虑人口密度、城镇化率等因素对健康经济收益的影响。

未来的研究可以将呼吸系统、循环系统疾病等纳入疾病终端,相对增加研究区域,减少样本量数据略少带来的问题。暴露人口进一步细分为城镇人口、农村人口或者按年龄分类。不同城市PM2.5污染、居民健康和经济发展水平之间复杂的影响机制也是未来的研究重点。