西北地区重点城市工业大气污染排放时空演化格局及影响因素研究

苏 佳，韩 倩，张新生

西安建筑科技大学管理学院，陕西 西安 710054

近年来，我国高度重视大气环境问题，2013 年9月发布的《国务院关于印发大气污染防治行动计划的通知》[1]和2018 年推出的《国务院关于印发打赢蓝天保卫战三年行动计划的通知》[2]均强调大气污染区域协同治理的重要性. 西北地区地域广阔、能源丰富，在国家“西部大开发”政策下经济快速发展，同时也面临较大的环境治理压力[3]. 2020 年，全国工业SO2、NOx和烟(粉)尘排放量分别为253.2×104、417.5×104、400.9×104t，西北地区排放量占比分别为14%、11%和21%[4-5]，该地区PM2.5浓度时常超标，重点污染城市雾霾天气增多. 因此，在国家打赢“污染防治攻坚战”的关键期，该地区应积极推动大气环境高质量发展，切实推进区域生态文明建设.

工业污染作为大气环境污染的重点研究对象，受到社会各界的广泛关注. 目前，就其排放的时空演变格局和影响因素而言，研究对象多围绕PM2.5[6-8]、O3[9-10]、SO2[11]以及CO2[12]等污染物展开. 国内外文献中的研究方法多采用核密度估计[13]、空间自相关分析[14]、冷热点分析[15]等，研究范围多为国家级、地市级或重点经济生态圈，如京津冀地区和成渝地区等，对西北地区的研究较少. 影响工业大气污染排放的因素研究常用环境Kuznets 曲线[16-17]、偏最小二乘法[18]、地理加权回归模型[19-21]和LMDI 模型[6,11,21]等方法，其中LMDI 模型因其可以较好地处理零值问题和预测污染物排放影响而被广泛应用[6]. 然而，对西北地区的环境污染研究多集中在生态环境和水资源问题，鲜有涉及工业大气污染的研究，现有研究也多限于对污染物特征的分析和综合评价[22-23]，缺乏从地区重点城市角度出发对污染物空间特征和影响因素进行深入研究，难以准确判断政府减排的政策实施在该地区的实际影响和减排效果.

该研究以中国西北地区(陕西省、甘肃省、宁夏回族自治区、青海省、新疆维吾尔自治区)为研究对象，构建重点城市工业大气污染排放量和社会经济指标数据库，选取工业SO2、NOx和烟(粉)尘为研究指标，通过全局和局部相关性分析对工业大气污染排放特征进行分析，利用LMDI 模型分析了影响研究区大气污染的各种因素和污染特征，以期为该地区推进技术改善、产业结构调整和区域空气质量联防联控提供科学依据与合理化建议.

1 数据与方法

1.1 数据来源

西北地区共5 个省(自治区)，其中西安市、兰州市等省会(首府)以及咸阳市、渭南市等经济发展较好且环境空气质量相对较差的城市具有详细数据(共计35 个)，故该文仅对具有详细数据的35 个城市(简称“研究区”)展开分析. 对研究区工业大气污染物排放和社会经济数据主要基于2016—2021 年《中国环境统计年鉴》《中国城市统计年鉴》，LMDI 模型涉及的年末人口数、地区人均GDP、地区年生产总值和工业年生产总值等数据均来自对应年份的省级统计年鉴. 其中，研究区生产总值和工业增加值均以当年的不变价格进行换算.

1.2 方法介绍

1.2.1 空间分布格局

全局自相关分析是由Tobler[24]提出的一种理论，即地理物质或属性在时空分布上互为相关且相关性强弱受距离远近影响，计算公式参考文献[6]. 该研究借此方法揭示研究区工业污染物的空间分布格局，同时选取全局Moran′s I 指数度量空间邻近地区不同污染物排放量的关联特征. 当全局Moran′s I 指数在—1～1 之间且指数值越接近1，说明城市间存在显著空间聚集性，反之则说明空间存在分异. 此外，该分析还要经过Z值标准化检验来判断空间相关性，当Z大于1.96 且通过5%的显著性水平检验，证明结论可靠.

冷热点分析法可以弥补全局自相关分析无法判断相邻城市间的局部关联性以及无法反映城市内部空间集聚特征[25]的缺点，故引入该方法并用统计量Gi*(d)来识别工业污染排放在局部空间范围内的异质性和依赖性，通过Z检验发现，当Gi*(d)为正值时，表明污染排放处于高聚类(热点区)；当Z值较大且为负值时，表明该城市形成一个冷点区，计算公式详见文献[11].

1.2.2 影响因素分解

1998 年，研究者提出了一种基于指数分解法的因素分解模型即对数平均迪氏(logarithmic mean divisia index，LMDI)，它已被广泛应用于碳排放和电力等领域[26-27]并取得显著成果. 近年来，LMDI 模型多次出现在大气排放领域，主要应用于京津冀地区、成渝地区、长三角地区等经济较发达地区，故选用该方法分析研究区工业大气污染，从人口规模、经济发展、产业结构和技术改善四方面进行因素分解(指标选取见表1)，建立Kaya 恒等式，以期更好地控制和减少污染物排放，计算公式详见文献[11].

表1 指标选取及其含义Table 1 Index selection and its meaning

2 结果与讨论

2.1 工业大气污染排放时间演变特征

2016—2020 年研究区工业SO2、NOx和烟(粉)尘的年排放量和人均GDP 如图1 所示. 由图1 可见：随着人均GDP 的增长，2020 年工业SO2、NOx和烟(粉) 尘相比2016 年分别减排了57.08%、33.77%和9.35%，与全国78.5%、64.5%和49.3%的减排成效差异较大，说明研究区减排成效相较全国仍处于落后地位. 同时，工业SO2排放量整体呈下降趋势；工业NOx排放量呈先匀速下降后缓慢回升的趋势，经历了“稳定减排”“加速减排”和“缓慢减排”3 个阶段；工业烟(粉)尘排放量则呈不稳定波动状态，总体下降缓慢且出现“反弹”现象.

图1 2016-2020 年研究区大气污染排放总量与人均GDP 变化Fig.1 Changes in total air pollution emissions and per capita GDP in the study area from 2016 to 2020

研究区大气污染排放统计(见表2) 显示，2020年陕西省工业SO2、NOx和烟(粉) 尘的减排量分别为14.08×104、7.79×104和1.66×104t，对整个研究区工业大气污染物的减排贡献率分别为37.15%、38.02%和14.20%. 相比于其他省份，陕西省工业SO2、NOx的减排贡献率均较高，宁夏回族自治区的工业烟(粉)尘减排贡献率远高于其他省份. 整体来看，研究区工业大气污染物减排贡献主要集中于陕西省、甘肃省和宁夏回族自治区.

表2 2016-2020 年研究区工业大气污染物减排贡献情况Table 2 Contribution of industrial air pollutant emission reduction in the research area from 2016 to 2020

2.2 污染排放空间格局变化

根据研究区工业污染排放空间分布格局(见图2)，将2016—2020 年研究区工业污染物排放量划分为低、中低、中、中高和高排放五个排放等级[28]. 结果表明：①工业SO2高排放城市占比从2016 年的11%降至2020 年的0%，且高排放城市主要集中在榆林市、渭南市、银川市和石嘴山市等，其中榆林市、银川市和石嘴山市等高排放城市均降为中高排放城市，其余城市多降为中低和低排放城市. ②工业NOx高排放城市占比从31%降至11%. 2020 年，高排放城市仍出现在渭南市、榆林市和石嘴山市等经济较发达地区，其中渭南市和榆林市的工业NOx排放量平均下降29%，石嘴山市排放量则上涨7%；原高排放城市兰州市、嘉峪关市、吴忠市和中卫市均转为中高排放城市，排放量平均降幅达43%；中低排放城市除新疆维吾尔自治区和青海省的6 个城市外，其余29 个城市中低和低排放城市数量占比由41%增至52%. ③工业烟(粉)尘高排放城市由4 个降至2 个. 榆林市和石嘴山市工业烟(粉)尘排放量分别下降34%和15%，渭南市和哈密地区的排放量呈增加趋势，哈密市增幅高达90%. 中高排放城市多降为中排放和中低排放为主，使得中低排放和低排放城市占比较原来增加了5 个.

图2 研究区2016-2020 年工业污染排放空间分布特征Fig.2 Spatial distribution characteristics of industrial pollution emissions in the research area from 2016 to 2020

综上，2016—2020 年研究区高排放城市减少、低排放城市增加，工业SO2和NOx的减排贡献较大，工业烟(粉) 尘的贡献较小. 值得关注的是，个别城市(如渭南市、哈密市等)工业NOx和烟(粉)尘排放量在研究期出现“反弹”现象，尤其哈密市更是从工业烟(粉)尘低排放城市转变为高排放城市. 究其原因可能是在国家进入两阶段大气污染治理后，东部地区作为《国务院关于印发大气污染防治行动计划的通知》《国务院关于印发打赢蓝天保卫战三年行动计划的通知》等政策的先行区，在国家环境规制力度的约束下，出现因当地重污染企业迁徙至西部地区而出现的“污染转移”现象[29]，导致该地区作为环境规制力较弱的地区，成为东部企业迁徙后的“污染避难所”[30-31].

2.3 工业污染排放空间集聚特征

2.3.1 全局自相关

笔者选取全局莫兰(Moran′s I)指数反映研究区2016—2020 年各工业污染物排放的空间关联情况，Moran′s I 及相关检验指标如表3 所示. 由表3 可见：工业SO2排放量的Moran′s I 总体呈先降后升的趋势，其中2016 年、2018 年和2020 年的Z(I) 值均超过1.96，并通过P＜0.05 的显著性检验，说明该地区工业SO2污染排放量逐渐呈集聚状态；工业NOx排放量的Moran′s I 整体呈上升趋势，除2020 年的Z(I)值大于1.96 且通过显著性检验外，其余年份均未通过检验，说明仅2020 年工业NOx排放量呈空间集聚；工业烟(粉)尘排放量的Moran′s I 均为正值且呈增大趋势，而各年份的Z(I)值均小于1.96，P值也均未通过显著性检验. 由于研究期Moran′s I 整体偏低，故各城市工业污染物间的空间关联性也较低.

表3 2016-2020 年研究区工业污染Moran′s I 统计Table 3 Moran′s I statistics of industrial pollution in the study area from 2016 to 2020

2.3.2 冷热点分析

通过全局莫兰(Moran′s I )指数发现，仅2020年工业污染物排放量存在显著空间相关性. 故为进一步分析其局部相关性，使用冷热点分析计算2020 年工业大气污染物排放量的Gi*(d)指数，并将其划分为5 种类型—热点、次热点、无显著、次冷点和冷点区(见图3). 由图3 可见，工业SO2排放量的热点和次热点区仅分布在陕西省、宁夏回族自治区和甘肃省的个别中高排放城市(如榆林市、银川市和武威市等)，其排放量均在2.45×104t 以上. 由于工业污染存在空间溢出效应[32]，高排放城市周边往往会受其影响，如污染低排放城市武威市，因其紧邻中高排放城市而表现为次热点状态. 工业NOx排放量的热点区出现在榆林市，次热点区则出现在银川市和石嘴山市. 值得注意的是，高排放城市(如渭南市)和中高排放城市(如兰州市、嘉峪关市等)因与低排放城市相邻而表现为空间溢出不显著；相反，中排放城市(如宝鸡市和汉中市)则因其与低排放城市相邻表现为次冷点. 工业烟(粉)尘排放量的热点区在吐鲁番市和哈密市，冷点区在宝鸡市和天水市，低排放城市吐鲁番市因其与高排放城市哈密市和中高排放城市乌鲁木齐市相邻而呈热点状态，高排放城市渭南市却因其与低排放城市相邻而呈现溢出不显著.

图3 2020 年研究区工业大气污染排放冷热点分布Fig.3 Distribution of cold and hot spots in industrial air pollution emissions in the research area in 2020

综上，研究区工业污染排放空间集聚水平较低，这与宋成镇等[33]发现中国工业污染排放状况的集聚水平呈西低东高的结果一致. 从全局来看，随着工业污染物排放量的降低，工业集聚水平也在提高；从局部来看，研究区的集聚类型主要以低集聚-高污染以及低集聚-低污染为主，其中部分城市呈现的低集聚-高污染类型与东部某些产业结构发达、工业集聚水平高的高集聚-低污染地区(如珠三角地区、福建沿海地区等)产生显著差异，这可能与研究区工业技术水平相对落后、产业结构不够完善和工业废气处理能力不足等因素有关.

2.4 污染物排放影响因素分析

利用LMDI 模型计算研究区人口规模效应、经济发展效应、产业结构效应和技术改善效应4 种因素对工业污染排放量的贡献情况(见图4 和表4). 由图4 和表4 可见，人口规模和经济发展效应对污染排放量起正向拉动作用，产业结构效应仅在2016—2017年对污染排放量起正向作用，经济发展效应是影响研究区工业污染物排放量增加的关键驱动因素，人口规模效应虽对污染排放有一定促进作用，但影响程度可以忽略不计. 产业结构效应对污染减排具有重要作用，2016—2017 年该效应对污染减排起正向促进作用，而从2017 年开始却出现负向抑制作用. 受《2016—2017 年中国产业结构调整蓝皮书》影响，2019 年西北地区能源使用量增长27%，作为该地区能源消耗增加的关键因子—煤炭使用量增幅达40.7%，而作为煤炭消费主要行业的火力发电和向外输出电量增幅分别达41.2%和66%[33]. 由此可见，产业结构的调整使该地区能源结构发生较大变化，这也是该地区大气污染日渐严重的主要原因. 技术改善效应对工业污染排放量具有显著抑制作用，其对工业SO2、NOx和烟(粉) 尘的减排贡献率分别为139%、169% 和218%，其中工业SO2排放量的负贡献最大，达—60.4×104t，说明加快企业核心技术改造、提高企业创新能力能够有效抑制工业污染排放.

图4 研究区不同时期工业污染物排放影响因素贡献Fig.4 Contribution of influencing factors on industrial pollutant emissions in different periods of the research area

表4 2016-2020 年研究区工业污染排放影响因素及贡献率Table 4 Factors and contributions rates of industrial pollution emissions in the study area from 2016 to 2020

为深入研究效应指标对污染排放的影响，利用LMDI 模型分别计算研究区各效应指标对工业污染物排放的贡献情况. 由图5 可见：技术改善效应作为研究区工业污染排放的首要贡献因素，其指标贡献量多表现为负值，说明多数城市的污染排放量均有所降低；而少数城市(如武威市、西宁市等)效应指标呈正值，说明该类城市的污染排放量增加.值得注意的是，研究期内35 个城市工业污染物的总排放量整体下降48.82%，且近60% 的减排量为技术改善效应所贡献，其中嘉峪关市因其贡献了17.58×104t 的减排量成为减排效果最突出的城市，其余多数城市也有较好的减排效果，表明研究区工业生产技术和污染治理技术可能得到一定程度的改善. 但唐贵谦等[34]研究发现，西北地区废气处理设施套数和工业废气治理运行费用仅增加了64.3%和48.7%，远低于东部地区109.5%和66.1%的增加量，说明研究区废气末端治理设施和工业废气治理投入费用较低，污染治理技术有待进一步提升. 产业结构效应在研究区贡献情况不一，表现为近半数城市(如嘉峪关市、哈密市等)减排贡献量为正值，其余城市(如石嘴山市、海东市等)减排贡献量为负值. 上述现象说明，研究区的产业结构调整并不充分，这可能与研究区部分城市落后产能淘汰不及时、重污染企业整改不力有关. 经济发展效应是驱动大气污染排放的主要因素，在一些经济发展相对较好的城市(如榆林市、乌鲁木齐市等)，效应指标对污染物的排放量贡献率也相对较大.

图5 2016-2020 年研究区工业污染排放效应指标贡献量Fig.5 Contribution of industrial pollution emission effect indicators in the study area from 2016 to 2020

3 结论与建议

a) 2016—2020 年，研究区工业SO2、NOx和烟(粉)尘排放总体呈下降趋势，但减排幅度较东部地区偏小. 研究区部分城市所出现的污染排放“反弹”现象受其经济发展限制、大气污染治理技术不足和东部地区重污染企业迁徙等因素影响. 为应对上述问题，政府应完善环境规制政策、加强监管，并通过专项资金补助等方式促进企业排污治理能力，降低企业寻找“污染避难所”的可能性.

b)研究区工业污染物空间集聚水平整体偏低. 与东部沿海高集聚-低污染地区相比，研究区因工业发展起步晚、根基薄弱而呈现低集聚-高污染状态，这不仅影响企业间技术交流，还限制其技术升级. 当地政府应重视地区工业排放差异，积极学习东部地区先进工业技术和废气治理水平，调整产业结构，有选择地吸收污染迁徙产业，减轻城市环境负荷.

c)根据LMDI 模型分析，技术改善效应对研究区工业大气污染减排具有显著抑制作用，经济发展效应是工业污染排放的首要驱动因素，产业结构效应对工业大气污染排放具有一定影响作用，人口规模效应则对污染排放影响较小. 故当地政府应该加快燃煤电厂、锅炉和工业窑炉的污染治理与设施改造，完成石化企业工业废气综合治理；同时还要避免落后产能转移，积极配合重污染城市化解过剩产能并协助企业兼并重组，尽快建立区域联防联控机制；此外，还要积极推进清洁生产，对重点行业实行清洁生产技术改造，鼓励区域大气环境与人类健康研究.