EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 6: 1163 - 1175

DOI: https://doi.org/10.12082/dqxxkx.2022.210534

地理空间分析综合应用

“十三五”时期黄河流域PM2.5时空分布规律及多尺度社会经济影响机制分析

  • 耿佳辰 , 1, 2 ,
  • 沈石 1, 2 ,
  • 程昌秀 , 1, 2, *
展开
  • 1.北京师范大学 地表过程与资源生态国家重点实验,北京 100875
  • 2.北京师范大学地理科学学部,北京 100875
*程昌秀（1973— ）,女,新疆乌鲁木齐人,教授,博导,主要从事地理数据挖掘与分析研究。E-mail:

耿佳辰（1998— ）,男,北京人,硕士生,主要从事地理数据挖掘与分析研究。E-mail:

收稿日期: 2021-09-06

  修回日期: 2021-10-09

  网络出版日期: 2022-08-25

基金资助

国家自然科学基金项目(42041007)

收起

Spatio-temporal Evolution and the Multi-scale Socio-economic Influencing Mechanism of PM2.5 in the Yellow River Basin during the China's 13th Five-Year Plan

  • GENG Jiachen , 1, 2 ,
  • SHEN Shi 1, 2 ,
  • CHENG Changxiu , 1, 2, *
Expand
  • 1. State Key Laboratory of Earth Surface Processes and Resource Ecology, Beijing Normal University, Beijing 100875, China
  • 2. Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
*CHENG Changxiu, E-mail:

Received date: 2021-09-06

  Revised date: 2021-10-09

  Online published: 2022-08-25

Supported by

National Natural Science Foundation of China(42041007)

Fold

摘要

黄河流域生态保护与高质量发展是我国新时代的重大战略任务。探究黄河流域PM2.5浓度的时空变化趋势,并分析其社会经济影响因素,对该地区的大气污染防治和实现高质量发展具有重要意义。本文采用时间序列趋势估计、空间自相关分析、地理探测器和地理加权回归方法,揭示了“十三五”时期年黄河流域不同尺度（全流域以及61个地级市）PM2.5浓度值和变化趋势的时空分异特征,定量探究了社会经济因素对PM2.5浓度的影响机制及其时空过程。结果表明：① 在“十三五”时期,黄河流域的PM2.5污染情况整体好转,其浓度呈波动下降的趋势,平均每年下降约4.2 μg/m³,彰显了我国大气污染防治攻坚战取得的重要成效;② 山东、河南、山西和陕西的PM2.5浓度值较高,但山东、河南改善速度较快,山西和陕西改善速度较慢;③ 以目前的改善速率推算,在黄河流域61个地级市中,54个市将能够完成“十四五”规划中PM2.5浓度下降10%的目标,而咸阳、西安、榆林、太原、临汾、运城、晋城7市将难以完成;④ 人口密度、工业企业数、土地利用强度是导致黄河流域PM2.5浓度升高的主要社会经济因素,其解释力均达到50%以上;⑤ 从2015—2019年,土地利用程度指数和人口密度的主要影响区域均转移至黄河流域中部地区,建议山西、陕西、内蒙古应作为下一阶段治理工作关注的重点区域;⑥ 促进与环境承载力相协调的城乡发展、控制工业规模并提高其环保水平,是进一步治理黄河流域大气污染的重要策略。

关键词： 大气污染; 污染防治; 时间序列估计; 空间自相关; 地理探测器; 地理加权回归; 高质量发展; “十四五”规划

本文引用格式

耿佳辰 , 沈石 , 程昌秀 . “十三五”时期黄河流域PM2.5时空分布规律及多尺度社会经济影响机制分析[J]. 地球信息科学学报, 2022 , 24(6) : 1163 -1175 . DOI: 10.12082/dqxxkx.2022.210534

Abstract

The ecological protection and high-quality development of the Yellow River Basin is a major mission in the new era of China, and the air pollution abatement is among the necessities of the high-quality development. It is of great significance to explore the spatiotemporal variation of PM2.5 and its socio-economic influencing mechanisms for the air pollution abatement and high-quality development of the Yellow River Basin. By conducting time series estimation, spatial autocorrelation analysis, geodetector, and geographically weighted regression, this paper reveals the spatiotemporal variations and trends of PM2.5 concentration from 2015 to 2020 in the Yellow River Basin, and quantitatively explores the driving mechanism of socio-economic factors on both watershed scale and city scale. The main findings are as follows: (1) During the study period, the Yellow River Basin has an overall reduction in PM2.5 pollution. The PM2.5 concentration decreases with a fluctuating downward trend of 4.2 μg/m3 per year on average; (2) The PM2.5 concentrations in Shandong and Henan are high but decrease fast, whereas the concentrations in Shanxi and Shaanxi are also high but decrease slowly; (3) Future prediction based on the current trend shows that among the 61 cities in the Yellow River Basin, 54 cities will achieve the goal asserted in the 14th Five Year Plan of China, which proposes to reduce PM2.5 concentration by 10% in 2025. However, it would be a struggle for other 7 cities, i.e., Jincheng, Xi'an, Yulin, Taiyuan, Linfen, and Yuncheng, to meet the policy requirement due to their heavier pollution and slower improvements; (4) Population density, industrial enterprises amount, and land use intensity are the main socio-economic factors leading to the increasement of PM2.5 concentration in the Yellow River Basin, of which the explanatory power reached more than 50%; (5) From 2015 to 2019, the main regions influenced by high land use intensity and population density are transferred to the central part of the Yellow River Basin, which indicates that Shanxi, Shaanxi, and Inner Mongolia should be regarded as the key area to carry out the PM2.5 control programs; (6) Promoting the urban-rural development coordinated with environmental carrying capacity, as well as controlling the industrial scale and improving the environmental protection level of industrial enterprises are practical strategies to control the PM2.5 pollution in the Yellow River basin. Findings of this study are expected to provide theoretical reference for relevant decision makers in order to boost the high-quality development of the Yellow River Basin.

Key words： Air pollution; pollution treatment; time series estimation; spatial autocorrelation analysis; geodetector; geographically weighted regression; high-quality development; the 14th Five Year Plan of China

1 引言

黄河流域在我国经济发展和生态安全方面具有十分重要的地位,构成了我国重要的生态屏障和重要的经济带,是连接青藏高原、黄土高原、华北平原的生态廊道,是我国重要的经济地带。提高生态环境保护水平是黄河流域生态保护和高质量发展的主要目标任务之一[1]。
随着近年来黄河流域城市化进程的加快,大气污染这一“城市病”开始影响当地居民的福祉和健康[2]。在全国空气质量较差的20个城市中,有13个位于黄河流域[3],流域的中东部地区及黄淮海地区是我国大气污染的重灾区[4]。在多种大气污染物中,PM2.5是人类的头号健康杀手,同时也对经济发展造成了不利影响[5⇓-7]。据测算,PM2.5的污染导致每年约120万~160万人过早死亡[8],其经济成本占中国每年GDP的1%~8%[9-10]。2015—2018年,黄河流域PM2.5年均不达标天数达到81.75 d[11],为实现高质量发展带来严峻挑战[12]。
目前,社会经济因素对PM2.5的影响受到越来越多的重视[13]。现有研究从全球、国家、地区、城市等不同尺度揭示了影响PM2.5浓度的主要社会经济因素,包括城市化水平、能源结构 、景观格局、人口密度、产业结构、工业发展等[14⇓⇓⇓-18]。同时,已有学者针对黄河流域的PM2.5污染开展研究。例如,运用标准差椭圆揭示黄河流域PM2.5的时空演变特征[19];运用地理时空加权回归（GTWR）探究黄河中游城市群PM2.5的驱动机制[2];采用系统广义矩估计（SGMM）、地理探测器,分析影响黄河流域PM2.5污染的社会经济因素及其区域差异[19,20]等。
然而,上述研究往往针对流域或城市群这一单一尺度开展研究,而较少从全流域和地级市的不同尺度,分别揭示各因素对PM2.5浓度的影响,以便国家和地方采取相应的举措。同时,在黄河流域高质量发展的背景下,总结“十三五”期间黄河流域PM2.5的治理成效,指出与“十四五”目标的差距,并探讨其驱动机制转变,有利于为区域和国家战略提供理论支持。因此,本文以黄河流域为研究区,分从流域尺度和地级市尺度揭示黄河流域PM2.5浓度变化的时空特征,定量探究其社会经济影响因素及驱动机制的转变,并对区域PM2.5的治理工作提出建议,以期为黄河流域生态保护与高质量发展工作提供参考。

2 研究区概况与研究方法

2.1 研究区概况及数据来源

黄河流域位于中国北部（32°N—42°N,96°E—119°E）（图1）,面积约750 000 km2,干流长约5464 km[21],途经青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南、山东9省区。流域上游地区是重要的生态功能区,为黄河提供约60%的径流量[22];中游地区长期面临水土流失及风沙问题,在此产生黄河总泥沙量的90%;下游经济发达,人口稠密。总体上,产业结构以第一、二产业为主,生态环境问题突出。
图1 研究区地理位置

Fig. 1 The location of Yellow River Basin

本文使用的数据主要包括行政区边界数据、空气质量监测数据、社会经济统计数据及土地利用数据。数据的描述及来源见表1。其中,PM2.5浓度数据基于全国367个城市的站点实测,原始来源为中国生态环境部。
表1 数据来源及描述

Tab. 1 Data source and description

数据 描述 来源
行政区划 2015年中国地市行政边界矢量数据 https://www.resdc.cn/
PM2.5浓度值 2015—2020年逐月空气质量数据,基于全国367个城市的站点实测 https://www.aqistudy.cn/
土地利用 2015年和2020年基于Landsat TM影像的1 km分辨率栅格数据 https://www.resdc.cn/
社会经济数据 中国国家统计局,2016—2020年《中国城市年鉴》 http://www.stats.gov.cn/

2.2 研究方法

本文的研究框架如图2所示。在数据准备阶段,分别收集、整理和计算黄河流域61个地级市的PM2.5浓度监测数据和社会经济指标。然后,分别从流域尺度和地级市尺度分析PM2.5浓度的变化趋势和社会经济因素的影响机制。最后,通过对流域整体和地级市2个尺度的分析,提出治理黄河流域PM2.5污染的可能途径。
图2 本研究的技术路线

Fig. 2 Research framework of this study

2.2.1 社会经济因素的指标选择

在诸多社会经济因素中,GDP、人口、城市化、工业化、能源消费等[2,11,15,18-19,23⇓⇓⇓-27]是造成PM2.5污染的重要原因。在综合考虑数据可用性的基础上,本文从产业结构、市政交通、开发强度、能源消耗4个方面选择了10个社会经济指标,各指标的名称和描述见表2。
表2 社会经济因素的指标体系

Tab. 2 Indicators of socio-economic factors

社会经济因素 变量名 描述
产业结构 GDP 当年价格/亿元
GDP_P1 第一产GDP占比/%
GDP_P2 第二产GDP占比/%
GDP_P3 第三产GDP占比/%
IndEA 工业企业数量/个
市政交通 UrbRA 城市道路面积/万m2
Bus 公共汽电车拥有量/辆
开发强度 LI 土地利用程度指数,LI∈[1, 4]
Pop 人口密度/（万人/km2）
能源消耗 Elc 全社会用电量/（万kW/h）
在上述指标中,土地利用程度指数[28]由式（1）计算获得。
L I = ∑ i = 1 n A i × C i
式中：LI为土地利用程度指数; A i为第i级的土地利用程度分级指数（表3）; C i为第i级土地利用分级面积占比。该指数值越接近4,表示人类活动对于土地资源的开发强度越高。
表3 土地利用程度分级赋值

Tab. 3 Classification of land use degree

未利用土地级 林、草、水用地级 农业用地级 城镇聚落用地级
土地利用类型 未利用地或难利用地 林地、草地、水域 耕地、园地、人工草地 城镇、居民点、工矿用地、交通用地
分级指数 1 2 3 4

2.2.2 时间序列的趋势估计

本研究采用Sen's斜率估计的方法估算黄河流域PM2.5浓度随时间的变化趋势。Sen's斜率估计是一种基于中值的非参数稳健回归方法,对数据潜在分布不做任何假设,同时可以给出估计值的置信区间,在时间序列趋势估计上已有广泛应用[29]。考虑到PM2.5的浓度具有较强的季相波动,且往往偏离正态分布,采用Sen's斜率估计能够在保证无偏性的同时做出可靠的估计。Sen's估计值由式（2）、式（3）计算[30]。
y = b + k x + δ
k = m e d i a n { y i - y j x i - x j } （ x i ≠ x j , i < j = 1 , … , n ）
式中：x、y分别为自变量与因变量,本研究中分别对应月份和PM2.5浓度;b为回归方程截距;k为待估斜率值; δ为误差项。

2.2.3 空间自相关分析

莫兰指数（Moran's I）是识别空间自相关关系的有效方法。为了评价各个单元在局部空间上聚集的显著性,引入LISA指标[31]。双变量莫兰指数及LISA指标度量2个变量空间分布的耦合关系,揭示一个变量的高值（低值）在何种显著性水平下被另一个变量的高值（低值）所包围。在本研究中,以各地级市年均PM2.5浓度为主变量,以Sen's斜率估计值为次变量,计算双变量局部自相关指数,以揭示区域内PM2.5浓度值与治理成效间的聚集特征。

2.2.4 地理探测器

地理探测器是探测和利用空间分异性的工具,包括分异及因子探测、交互作用探测、风险区探测、生态探测4个探测器[32]。其中,分异及因子探测器可以识别因变量的空间异质性,并给出被探测因子对于因变量的解释程度及其显著性。其计算方法如式（4）—式（6）所示。
q = 1 - ∑ h = 1 L N h σ h 2 N σ 2 = 1 - S S W S S T （ q ϵ [ 0,1 ]
S S W = ∑ h = 1 L N h σ h 2
S S T = N σ 2
式中：h代表变量的分层序数,即各地级市的编号;N为单元数,即地级市总数; σ为方差值,即PM2.5浓度的方差;SSW为层内PM2.5浓度方差之和;SST为全流域PM2.5浓度总方差;q值为该自变量对因变量的解释力,q值越大则解释力越强。
在流域尺度,地理探测器能够从全局上对PM2.5浓度的分异性进行归因。同时,它的前提假设少,尤其是没有线性假设,不必从诸多因素中剔除具有共线性的变量。因此,本文将利用分异及因子探测器,探究各社会经济因子对PM2.5分异性的解释力及其显著性。

2.2.5 地理加权回归

地理加权回归（GWR）是一种局部加权回归模型[33],是对普通线性回归模型（OLR）的扩展。它通过空间借用技术,借助邻近空间的信息,对每一个待估算位置构建单独的局部加权回归模型[34]。相比于其他的全局回归模型,GWR能够对不同空间位置给出单独的回归系数,从而体现出地理现象内在机制的空间异质性。
在地级市尺度,GWR能够从局部上对不同因素影响的空间分异性进行归因。为了减少其前提假设较为严格的影响,本文在地理探测器已经锁定的主要因素中,选择了不具有共线性的变量,构建基于连续变量的高斯GWR模型。

3 结果及分析

3.1 流域尺度PM2.5变化趋势与影响机制探测

3.1.1 流域尺度PM2.5浓度的变化趋势

通过对黄河流域PM2.5月均浓度值进行Sen's斜率估计,得到流域尺度上PM2.5的变化趋势,如图3所示。从图中可知,2015—2020年黄河流域PM2.5的浓度存在“冬春高,夏秋低”的季节变化特征,这与不同季节下大气环流条件、降水以及居民采暖等因素密切相关。
图3 黄河流域PM2.5浓度整体时间变化趋势

Fig. 3 Concentrations and trends of PM2.5 in the Yellow River Basin

从整体上看,2015—2020年黄河流域的PM2.5浓度呈波动下降趋势,大气污染治理工作总体上取得了较好的成效。Sen's斜率估计所得K值等于 -0.35,90%置信区间为-0.48~-0.21,说明PM2.5浓度总体呈下降趋势,平均每月下降0.35 μg/m³,每年下降4.2 μg/m³。

3.1.2 影响流域尺度PM2.5浓度的主要社会经济因素

为揭示黄河全流域尺度上PM2.5浓度的社会经济驱动机制,使用地理探测器中的分异及因子探测器,从流域整体上探究各社会经济因素的解释力（q值）及其显著性（p值）,结果如表4和图4所示。在图4中,仅画出了具有显著性的因子,其纵轴表示解释力的大小,圆圈表示显著性的强弱。例如,2015年,人口密度对PM2.5浓度的解释力为0.74,显著性水平为p<0.001。受到数据可用性的限制,研究时段为2015—2019年。
表4 社会经济因子对PM2.5的解释力及显著性

Tab. 4 The GeoDetector q-statisticand and significance of socioeconomic factors on PM2.5

社会经
济因子		 2015年 2016年 2017年 2018年 2019年
q p q p q p q p q p
GDP 0.43 0.0229* 0.41 0.0373* 0.19 0.9520 0.45 0.0088** 0.46 0.0149*
GDP_P1 0.27 0.0071** 0.26 0.0092** 0.07 0.6521 0.19 0.1292 0.15 0.3571
GDP_P2 0.16 0.2463 0.17 0.0858 0.12 0.4193 0.21 0.0424* 0.29 0.0045**
GDP_P3 0.09 0.6530 0.07 0.6956 0.08 0.6823 0.09 0.3958 0.30 0.0028**
IndEA 0.62 0.0001*** 0.62 0.0001*** 0.56 0.0442* 0.48 0.0861 0.55 0.0154*
UrbRA 0.20 0.9243 0.21 0.8495 0.16 0.9362 0.14 0.9106 0.13 0.9720
Bus 0.17 0.9940 0.22 0.9822 0.25 0.9642 0.16 0.9745 0.19 0.9926
LI 0.50 0.0001*** - - - - - - 0.58 0.0001***
Elc 0.11 0.9855 0.11 0.9905 0.19 0.8483 0.10 0.9617 0.25 0.7489
Pop 0.74 0.0001*** 0.77 0.0001*** 0.77 0.0001*** 0.74 0.0001*** 0.73 0.0001***

注：*p<0.05;**p<0.01;***p<0.001。

图4 社会经济因素对PM2.5浓度的解释力

Fig. 4 The GeoDetector q-statisticand of socio-economic factors on PM2.5

由表4和图4可以看出,在流域尺度上,人口密度、工业企业数和土地利用程度指数是对PM2.5解释力最大的3个因子。
（1）人口密度的解释力最大,达到0.73以上,并保持稳定,且在每一年都具有很强的显著性。这表明,人口密度是影响黄河流域PM2.5的最主要因素。人口的聚集会加剧资源消耗、增大排放,从各个社会经济活动环节上加剧空气的污染[2,35-36]。
（2）工业企业数在2015年和2016年具有很强的显著性,解释力约为0.62,排名第二,但此后显著性和解释力都有所下降。这表明,工业企业数对黄河流域PM2.5浓度的影响正在下降,一些企业正在通过减排和提高集约化程度的措施,减少对大气的污染。
（3）土地利用指数在2015年和2019年都具有很强的显著性,其解释力从2015年的第三名上升到2019年的第二名,达到了将近0.6,说明区域内人类活动对土地的开发正在成为影响PM2.5浓度的重要因素。

3.2 地级市尺度PM2.5时空变化规律与影响机制

上文已从黄河全流域尺度上探究了社会经济因素对PM2.5浓度的影响。然而,黄河流域面积广大、流程漫长,横跨我国地形三级阶梯、胡焕庸线和东中西三大区域,区域内自然禀赋与经济发展差异较大[37]。因此,在地级市尺度上探究PM2.5时空变化规律,以及各社会经济因素在区域内影响的差异性,对黄河流域PM2.5的针对性治理工作具有指导意义。

3.2.1 基于PM2.5浓度及其变化速率的双变量空间聚集特征

本研究基于2015—2020年研究区61个地市的PM2.5浓度年均值（图5(a)）,采用Sen's法估计各地级市PM2.5浓度的变化速率（图5(b)）。由图5(b)可知,各地级市的PM2.5在研究期间内整体呈下降趋势,但不同地区的下降速率存在空间差异,呈现东西高,中部低的格局。
图5 黄河流域地级市年均PM2.5浓度和Sen's斜率估计值

Fig. 5 Annual average PM2.5 concentrations and Sen's slopes of cities in the Yellow River Basin

为了探测PM2.5浓度值与变化速率的空间聚集特征,以五年浓度均值为主变量,变化速率为次变量,绘制了双变量Moran散点图（图6(a)）,并计算LISA值,得到聚集性地图（图6(b)）。由图6可知,2015—2020年PM2.5浓度及其变化速率存在3类空间聚集区。
图6 黄河流域地级市年均PM2.5浓度与斜率估计值的双变量Moran散点图和聚集性

Fig. 6 Bivariate Moran's scatter plot and aggregation map of annual average concentrations of PM2.5 versus Sen's slopes
in the Yellow River Basin

（1）华北地区的东营、滨州、德州、济南、淄博、聊城、泰安、濮阳、郑州、新乡、开封,呈现出高-高聚集的特征。这些区域PM2.5浓度较高,但近年来污染情况明显好转,这些区域在PM2.5治理工作上取得了较好的成果。
（2）山西的忻州、吕梁、晋中、临汾,以及陕西的渭南,呈现出高-低聚集的特征。这些区域PM2.5浓度较高,但近年来污染情况未见明显好转。
（3）陕西、内蒙、宁夏一带的巴彦卓尔、包头、鄂尔多斯、乌海、榆林、吴忠、延安,呈现出低-低聚集的特征。其PM2.5浓度较低,且近几年仍在缓慢改善。
根据“十四五”规划,全国地级以上城市PM2.5浓度应下降10%。由Sen's斜率估计的结果推算,到2025年,济南、郑州等54个市将能够完成“十四五”目标,而咸阳、西安、榆林、太原、临汾、运城、晋城7市的年均PM2.5浓度将分别下降4.27%、8.88%、9.38%、7.29%、1.37%、9.82%、4.36%,无法完成“十四五”规划目标。

3.2.2 黄河流域地级市尺度PM2.5的影响机制解译

在地级市尺度上,为进一步揭示社会经济因素对PM2.5浓度驱动机制的时空分异规律,使用GWR定量探究各因子的影响系数。由于GWR基于线性假设,本文在地理探测器结果的基础上,选择不具有共线性的社会经济因子,即第二产业GDP占比、工业企业数、土地利用程度指数和人口密度。考虑到土地利用指数仅有2期,因此通过2015年和2019年首尾两年的回归结果,分析社会经济因素影响的变化特征。地理加权回归系数的空间分布如图7和图8所示。
图7 2015年社会经济因素对PM2.5浓度影响的地理加权回归系数

Fig. 7 The GWR coefficients between PM2.5 concentrations and socio-economic factors in 2015

图8 2019年社会经济因素对PM2.5浓度影响的地理加权回归系数

Fig. 8 The GWR coefficients between PM2.5 concentrations and socio-economic factors in 2019

从图中可知,所有因子都对PM2.5浓度产生正向的影响。在2015年,土地利用程度指数、人口密度、工业企业数是显著性较强的3个因子。其中,土地利用程度指数的影响程度从东向西逐渐减小,它对华北一带地市的影响最强,而对陕西、宁夏一带影响较弱;人口密度的影响程度从东向西逐渐增强,西部地区本身人口较为稀疏,但人口密度的增加会更大程度上增加PM2.5的浓度;工业企业数在中部地区,特别是河南、山西、陕西的影响更大。在2019年,土地利用指数和人口密度是显著性较强2个因子。其中,土地利用指数的影响在内蒙古和山西一带较强,而在陕西、宁夏、山东一带较弱;人口密度的影响在山西、陕西一带较强,而在其他地区较弱。
从各个因子的变化上来看,各因子影响力最强的区域正在向流域中部的山西、陕西、宁夏地区转移,这些区域应当作为下一阶段治理工作的重点。其中,第二产业GDP显著影响的区域正在缩小,但其系数值有所增大;土地利用程度指数显著影响的区域基本不变,但是中原的河南和山西一带,与华北的山东地区之间,其影响力的相对大小发生了反转;人口密度显著影响的区域正在缩小,到2019年,它显著影响的区域只剩下流域中部的陕西和宁夏地区,但系数值有明显增大;工业企业数显著影响的区域缩小最多,到2019年仅在6个市还具有显著性。
上述转变的内在机制可能与近几年黄河中游的快速城镇化有关。2016年和2017年,国务院相继批复了中原城市群和关中城市群两大国家级城市群,土地利用程度和人口密度均有所提高[38]。环境库兹涅茨曲线认为,环境质量与城市化水平、人口聚集、经济发展水平等因素存在倒“U”或倒“N”形关系[10,20,27,39-40]。因此,如果不同区域的发展水平位于倒“U”或倒“N”曲线的不同阶段上,或在曲线上的移动速率有所差异,就会导致这些因子对PM2.5影响力的大小发生时空迁移。从结果上看,黄河流域的中部区域,包括山西、陕西、宁夏、内蒙古等地区,土地利用、人口密度对于PM2.5的影响已经超越其他区域,应当作为下一阶段治理工作关注的重点。

4 讨论

4.1 PM2.5浓度的影响因素及成因分析

本文的结果表明,人口密度、工业企业数、土地利用强度是影响黄河流域PM2.5浓度的3个主要因素。同时,这些因素的影响在地级市尺度上存在空间分异。这一发现与其他研究存在异同。
在流域尺度上,人口密度对PM2.5浓度的解释力最高,这与许多研究所得的结论相符。此外,本研究还发现,在地级市尺度上,人口密度的影响程度从东向西逐渐增强。就污染成因而言,Liu等[40]通过对全国城市的研究,发现人类日常的生产生活排放是细颗粒物的主要来源,人口密度的提高将导致区域中空气质量的显著下降;Li等[19]认为人口聚集导致的物质资料需求增加是加剧黄河流域PM2.5污染的主要因素;Huang等人发现该区域中的人口规模不仅与本地 PM2.5浓度有显著的正相关,而且会加重邻近地区PM2.5污染[41]。此外,关于人口密度影响力的分异性,Stone等[42]发现,人口密集地区往往经济发达,特别是具有良好的绿化和市政设施,有利于提高区域的人居环境,减轻PM2.5污染。黄河流域中,在中西部地区人口扩张的同时,基础设施的完善并没有及时跟上[20],因而使得人口密度对西部地区PM2.5污染的影响更大。
在流域尺度上,本文发现工业企业数对PM2.5浓度具有显著的正向影响,而相关研究所指出的第二产业GDP[26]、能源消耗[15]等工业指标,解释力不强或不显著。就成因而言,Huang等[41]研究汾渭平原时认为,此区域的经济发展和PM2.5污染改善之间正处于环境库兹涅茨曲线的爬坡阶段,而此处正是黄河流域PM2.5污染的重灾区[43]。同时,随着技术进步,各产业的GDP与其清洁程度并没有必然的关联,也是造成其解释力不强的潜在原因。在流域空气质量整体向好的大背景下[44],经济发展与PM2.5的关系具有非线性、复杂性的特征,其解译仍受到数据本身和建模方法的局限[45],因此显著性较低。在地级市尺度上,本文发现工业企业数在流域中部的影响更大,但影响范围有所减小。相关研究指出,2013—2017年,提高排放标准、腾退小型企业、去除过时产能、设备升级换代等措施有效改善了全国的PM2.5污染[46]。上述举措反映在黄河流域上,山西、陕西一带原先存在较多的煤炭、炼焦、冶金和电力企业,一些中小企业出于成本考虑,往往在环保措施上较为欠缺,而随着国家对于过剩产能的整改和腾退,一批排放不达标的企业逐渐退出,使得流域中部的工业企业数对PM2.5污染的影响开始减小。这种过程与本研究所得结果吻合。
在流域尺度上,土地利用程度是另一个显著提高PM2.5浓度的因素。有相关研究指出,土地利用程度或城市化进程对PM2.5浓度具有提高作用[16-17],本文发现黄河流域也表现出相同的规律,且土地利用显著影响的区域集中在中下游。就成因而言,土地利用程度较高的地区往往存在较为发达的居民点。人类活动对土地的开发往往伴随着土地生态功能的减弱,使其无法有效吸收和阻遏大气中飘散的颗粒物。同时,人类在开发和利用土地的过程中将产生更多的排放源[14],也会导致空气质量的恶化。此外,人口密度对于中下游的影响更显著,可能是由于中原城市群和关中城市群两大国家级城市群的快速发展,使下垫面的理化性质发生改变,产生了更多的城市热岛和污染岛,邻近地区的污染物将随局地环流传输到城市地区,并伴有较差的扩散条件,使污染物不断聚集且难以消散[47]。

4.2 政策建议

在黄河流域各地级市中,咸阳、西安、榆林、太原、临汾、运城、晋城7市应作为PM2.5污染治理工作的重点地区;在诸多社会经济因素中,人口密度、工业企业数、土地利用强度对黄河流域尺度PM2.5浓度升高的作用最为显著。从为了有针对性地改善黄河流域PM2.5的污染情况,应在国家和地方2个层面上统筹考虑,从以下方面采取措施：
（1）人口规模的科学调控。为了解决人口密度增加对PM2.5的富集作用,一方面,国家应充分评估流域的环境和资源承载力,保证区域内城市人口适度和适速扩张,在鼓励生育、调整人口结构的大背景下,合理进行布局,避免人口分布过于集中;另一方面,地方政府,尤其是中西部的甘肃、宁夏、陕西地区,应加强人口规模扩张的应对措施,提高人口密集区的绿色基础设施及市政建设水平,加强居民的环保意识,提倡绿色、低碳的生活方式。
（2）工业企业的转型升级。在国家层面上,政府应该继续开展长远规划,布局新能源产业、绿色装备制造业等,同时利用中欧班列在进出口贸易中的枢纽作用,调整产业结构和营收模式;地方政府,尤其是山西、陕西,应持续落实工业企业的转型升级,因地制宜推动清洁取暖、工业窑炉治理、非电行业排放改造等,以产业高质量发展驱动环境高质量发展。
（3）土地资源的合理开发。在黄河流域的发展中,国家应权衡新兴城市群的经济效应和生态效应。地方政府应做到“三生空间”的合理布局,同时借鉴山东、河南在污染治理上的成功经验。目前,中原城市群和关中城市群两大新兴城市群应得到重点关注,通过加强绿色基础设施建设、设计通风廊道等措施,减小城市化对空气净化和流通的不利影响。

5 结论

本文通过使用时间序列趋势分析和空间自相关分析,揭示了“十三五”时期黄河流域整体和各地级市PM2.5浓度的时间演化趋势;使用地理探测器和地理加权回归,从整体和局部上定量探究了社会经济因子对PM2.5浓度的影响机制及其时空变化规律,主要结论如下：
（1）在“十三五”时期,黄河流域的PM2.5污染情况整体好转,其浓度呈波动下降的趋势,平均每年下降约4.2 μg/m³,彰显了我国大气污染防治攻坚战取得的重要成效;
（2）山东、河南、山西和陕西的PM2.5浓度值较高,但山东、河南改善速度较快,山西和陕西改善速度较慢;
（3）以目前的改善速率推算,在黄河流域61个地级市中,54个市将能够完成“十四五”规划中PM2.5浓度下降10%的目标,而咸阳、西安、榆林、太原、临汾、运城、晋城7市将难以完成;
（4）人口密度、工业企业数、土地利用强度是导致黄河流域PM2.5浓度升高的主要社会经济因素,其解释力均达到50%以上;
（5）从2015—2019年,土地利用程度指数和人口密度的主要影响区域均转移至黄河流域中部地区,在继续推进工业转型的同时,山西、陕西、内蒙古地区应将应对人口增长和城市扩张带来的环境负担作为下一阶段治理工作的重点;
（6）促进与环境承载力相协调的城乡发展、控制工业规模并提高其环保水平,是进一步治理黄河流域大气污染的重要策略。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
杨永春, 穆焱杰, 张薇. 黄河流域高质量发展的基本条件与核心策略[J]. 资源科学, 2020, 42(3):409-423.

[ Yang Y C, Mu Y J, Zhang W. Basic conditions and core strategies of high-quality development in the Yellow River Basin[J]. Resources Science, 2020, 42(3):409-423. ] DOI: 10.18402/resci.2020.03.01

DOI

[2]
Mi Y, Sun K, Li L, et al. Spatiotemporal pattern analysis of PM2.5 and the driving factors in the middle Yellow River urban agglomerations[J]. Journal of Cleaner Production, 2021, 299. DOI: 10.1016/j.jclepro.2021.126904

DOI

[3]
中华人民共和国生态环境部. 2019年全国生态环境质量简况[J]. 环境保护, 2020, 48(10):8-10.

Ministry of Ecology and Environment of the People’s Republic of China. Brief introduction of national ecological environment quaility in 2019. Environmental Protection, 2020, 48(10):8-10. ] DOI: 10.14026/j.cnki.0253-9705.2020.10.002

DOI

[4]
Tian S, Pan Y, Liu Z, et al. Size-resolved aerosol chemical analysis of extreme haze pollution events during early 2013 in urban Beijing, China[J]. Journal of Hazardous Materials, 2014, 279:452-460. DOI: 10.1016/j.jhazmat.2014.07.023

DOI

[5]
Pui D Y H, Chen S C, Zuo Z. PM2.5 in China: Measurements, sources, visibility and health effects, and mitigation[J]. Particuology, 2014, 13(1):1-26. DOI: 10.1016/j.partic.2013.11.001

DOI

[6]
Xie Y, Dai H, Dong H, et al. Economic impacts from PM2.5 pollution-related health effects in China: A provincial-level analysis[J]. Environmental Science and Technology, 2016, 50(9):4836-4843. DOI: 10.1021/acs.est.5b05576

DOI

[7]
Maji K J, Ye W, Arora M, et al. PM2.5-related health and economic loss assessment for 338 Chinese cities[J]. Environment International, 2018, 121(September):392-403. DOI: 10.1016/j.envint.2018.09.024

DOI

[8]
Yang G, Wang Y, Zeng Y, et al. Rapid health transition in China, 1990-2010: Findings from the Global Burden of disease study 2010[J]. The Lancet, 2013, 381(9882):1987-2015. DOI: 10.1016/S0140-6736(13)61097-1

DOI

[9]
Matus K, Nam K M, Selin N E, et al. Health damages from air pollution in China[J]. Global Environmental Change, 2012, 22(1):55-66. DOI: 10.1016/j.gloenvcha.2011.08.006

DOI

[10]
刘海猛, 方创琳, 黄解军, 等. 京津冀城市群大气污染的时空特征与影响因素解析[J]. 地理学报, 2018, 73(1):177-191.

DOI

[ Liu H M, Fang C L, Huang J J, et al. The spatial-temporal characteristics and influencing factors of air pollution in Beijing-Tianjin-Hebei urban agglomeration[J]. Acta Geographica Sinica, 2018, 73(1):177-191. ] DOI: 10.11821/dlxb201801015

DOI

[11]
王敏, 冯相昭, 杜晓林, 等. 黄河流域空气质量时空分布及影响因素分析[J]. 环境保护, 2019, 47(24):56-61.

[ Wang M, Feng X Z, Du X L, et al. Spatial-temporal distribution of air quality and its influencing factors in the Yellow River Basin[J]. Environmental Protection, 2019, 47(24):56-61. ] DOI: 10.14026/j.cnki.0253-9705.2019.24.012

DOI

[12]
Xu P, Chen Y, Ye X. Haze, air pollution, and health in China[J]. The Lancet, 2013, 382(9910):2067. DOI: 10.1016/S0140-6736(13)62693-8

DOI

[13]
Guan D, Su X, Zhang Q, et al. The socioeconomic drivers of China's primary PM2.5 emissions[J]. Environmental Research Letters, 2014, 9(2). DOI: 10.1088/1748-9326/9/2/024010

DOI

[14]
Yang D, Ye C, Wang X, et al. Global distribution and evolvement of urbanization and PM2.5 (1998-2015)[J]. Atmospheric Environment, 2018, 182:171-178. DOI: 10.1016/j.atmosenv.2018.03.053

DOI

[15]
Chen J, Zhou C, Wang S, et al. Impacts of energy consumption structure, energy intensity, economic growth, urbanization on PM2.5 concentrations in countries globally[J]. Applied Energy, 2018, 230(8):94-105. DOI: 10.1016/j.apenergy.2018.08.089

DOI

[16]
Lu D, Mao W, Yang D, et al. Effects of land-use and landscape pattern on PM2.5 in Yangtze River Delta in China[J]. Atmospheric Pollution Research, 2018, 9(4):705-713. DOI: 10.1016/j.apr.2018.01.012

DOI

[17]
Zhang X, Gu X, Cheng C, et al. Spatiotemporal heterogeneity of PM2.5 and its relationship with urbanization in North China from 2000 to 2017[J]. Science of the Total Environment, 2020, 744:1-10. DOI: 10.1016/j.scitotenv.2020.140925

DOI

[18]
Ding Y, Zhang M, Qian X, et al. Using the geographical detector technique to explore the impact of socioeconomic factors on PM2.5 concentrations in China[J]. Journal of Cleaner Production, 2019, 211:1480-1490. DOI: 10.1016/j.jclepro.2018.11.159

DOI

[19]
李衡, 韩燕. 黄河流域PM2.5时空演变特征及其影响因素分析[J/OL]. 世界地理研究:1-14[2021-09-30]

[ Li H Han Y. Analysis on the spatial-temporal evolution characteristics of PM2.5 and its influencing factors in the Yellow River Basin[J]. World Regional Studies, 1-14[2021-09-30]. ] DOI: 10.3969/j.issn.1004-9479.2022.01.2020212

DOI

[20]
陈世强, 张航, 齐莹, 等. 黄河流域雾霾污染空间溢出效应与影响因素[J]. 经济地理, 2015, 40(5):40-48.

[ Chen S Q, Zhang H, Qi Y, et al. Spatial spillover effect and influencing factors of haze pollution in the Yellow River Basin[J]. Economic Geography, 2015, 40(5):40-48. ] DOI: 10.1 5957/j.cnki.jjdl.2020.05.005

DOI

[21]
Ottinger M, Kuenzer C, Liu G, et al. Monitoring land cover dynamics in the Yellow River Delta from 1995 to 2010 based on Landsat 5 TM[J]. Applied Geography, 2013, 44:53-68. DOI: 10.1016/j.apgeog.2013.07.003

DOI

[22]
Wu X, Zhang X, Xiang X, et al. Changing runoff generation in the source area of the Yellow River: Mechanisms, seasonal patterns and trends[J]. Cold Regions Science and Technology, 2018, 155:58-68. DOI: 10.1016/j.coldregions.2018.06.014

DOI

[23]
Yang D, Wang X, Xu J, et al. Quantifying the influence of natural and socioeconomic factors and their interactive impact on PM2.5 pollution in China[J]. Environmental Pollution, 2018, 241:475-483. DOI: 10.1016/j.envpol.2018.05.043

DOI

[24]
Lin G, Fu J, Jiang D, et al. Spatio-temporal variation of PM2.5 concentrations and their relationship with geographic and socioeconomic factors in China[J]. International Journal of Environmental Research and Public Health, 2013, 11(1):173-186. DOI: 10.3390/ijerph110100173

DOI

[25]
Yang D, Chen Y, Miao C, et al. Spatiotemporal variation of PM2.5 concentrations and its relationship to urbanization in the Yangtze River Delta region, China[J]. Atmospheric Pollution Research, 2019, 11(3):491-498. DOI: 10.1016/j.apr.2019.11.021

DOI

[26]
Hao Y, Liu Y. The influential factors of urban PM2.5 concentrations in China: A Spatial Econometric Analysis[J]. Journal of Cleaner Production, 2015(6):1-33. DOI: 10.1016/j.jclepro.2015.05.005

DOI

[27]
Xu W, Sun J, Liu Y, et al. Spatiotemporal variation and socioeconomic drivers of air pollution in China during 2005-2016[J]. Journal of Environmental Management, 2019, 245(163):66-75. DOI: 10.1016/j.jenvman.2019.05.041

DOI

[28]
庄大方, 刘纪远. 中国土地利用程度的区域分异模型研究[J]. 自然资源学报, 1997, 12(2):105-111.

[ Zhuang D F, Liu J Y. Study on the model of regional differentiation of land use degree in China[J]. Journal of Natural Resources, 1997, 12(2):105-111. ] DOI: 10.1007/s11769-997-0002-4

DOI

[29]
Gocic M, Trajkovic S. Analysis of changes in meteorological variables using Mann-Kendall and Sen’s slope estimator statistical tests in Serbia[J]. Global and Planetary Change, 2013, 100:172-182. DOI: 10.1016/j.gloplacha.2012.10.014

DOI

[30]
Sen P K. Estimates of the regression coefficient based on Kendall's Tau[J]. Journal of the American Statistical Association, 1968, 63(324):1379-1389. DOI: 10.1080/01621459.1968.10480934

DOI

[31]
Anselin L. Local indicators of spatial association-LISA[J]. Geographical Analysis, 1995, 27(2):93-115. DOI: 10.1111/j.1538-4632.1995.tb00338.

DOI

[32]
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1):116-134.

DOI

[ Wang J M Xu C D. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1):116-134. ] DOI: 10.11821/dlxb201701010

DOI

[33]
Brunsdon C, Fotheringham A S, Charlton M E. Geographically weighted regression: A method for exploring spatial nonstationarity[J]. Geographical Analysis, 2014, 28(4). DOI: 10.1111/j.1538-4632.1996.tb00936.

DOI

[34]
覃文忠. 地理加权回归基本理论与应用研究[D]. 上海: 同济大学, 2007.

[The basic theoretics and application research on geographically weighted regression[D]. Shanghai: Tongji University, 2007. ]

[35]
臧振峰, 张凤英, 李永华, 等. 我国主要粮产区PM2.5、PM10时空分布特征及影响因素--以河南省为例[J]. 自然资源学报, 2021, 36(5):1163-1175.

[ Spatio-temporal distribution and affecting factors of PM2.5 and PM10 in major grain producing areas in China: A case study of Henan province[J]. Journal of Natural Resources, 2021, 36(5):1163-1175. ] DOI: 10.31497/zrzyxb.20210506

DOI

[36]
郑菊花, 申伟宁. 黄河中下游地区空气质量溢出效应与驱动因素[J]. 统计与决策, 2021, 37(14):66-69.

[ Zheng J H, Shen W N. Spillover effects and driving factors of air quality in the middle and lower Reaches of the Yellow River[J]. Statistics and Decision, 2021, 37(14):66-69. ] DOI: 10.13546/j.cnki.tjyjc.2021.14.015

DOI

[37]
程昌秀, 沈石, 李强坤. 黄河流域人地系统研究的大数据支撑与方法探索[J]. 中国科学基金, 2021, 35(4):529-536.

[ Chang C X, Shen S, Li Q K. Big data support and method exploration about natural and human systems research in the Yellow River Basin[J]. Bulletin of National Natural Science Foundation of China, 2021, 35(4):529-536. ] DOI: 10.16262/j.cnki.1000-8217.2021.04.005

DOI

[38]
马歆, 和舒敏, 黄婷婷, 等. 城市用地扩张的时空格局特征及驱动因素分析--以中原城市群为例[J]. 生态经济, 2020, 36(3):105-112.

[ Ma X, He S M, Huang T T, et al. Analysis of spatial-temporal pattern characteristics and driving factors of urban land expansion: Taking central plains city cluster as an example[J]. Ecological Economy, 2020, 36(3):105-112. ]

[39]
Georgiev E, Mihaylov E. Economic growth and the environment: reassessing the environmental Kuznets Curve for air pollution emissions in OECD countries[J]. Letters in Spatial and Resource Sciences, 2015, 8(1):29-47. DOI: 10.1007/s12076-014-0114-2

DOI

[40]
Liu H, Fang C, Zhang X, et al. The effect of natural and anthropogenic factors on haze pollution in Chinese cities: A spatial econometrics approach[J]. Journal of Cleaner Production, 2017, 165:323-333. DOI: 10.1016/j.jclepro.2017.07.127

DOI

[41]
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. ] DOI: 10.3969/j.issn.1000-6923.2019.08.049

DOI

[42]
Stone B. Urban sprawl and air quality in large US cities[J]. Journal of Environmental Management, 2008, 86(4):688-698. DOI: 10.1016/j.jenvman.2006.12.034

DOI

[43]
王胜杰, 解淑艳, 王军霞, 等. 2016-2019年汾渭平原城市空气质量状况分析[J]. 中国环境监测, 2020, 36(6):57-65.

[ Wang S J, Xie S Y, Wang J X. Analysis of air quality in Fenwei Plain from 2016 to 2019[J]. Environmental Monitoring in China, 2020, 36(6):57-65. ]

[44]
赵柄鉴, 文传浩, 唐中林. 黄河生态经济带空气质量时空分异研究(2015-2018)[J]. 长江流域资源与环境,2021, 30(4):900-914.

[ Zhao B J, Wen C H, Tang Z L. Spatiotemporal variation of air quality in the Yellow River Eco-Economic Belt (2015-2018)[J]. Environment in the Yangtze Basin, 2021, 30(4):900-914. ]

[45]
程昌秀, 史培军, 宋长青, 等. 地理大数据为地理复杂性研究提供新机遇[J]. 地理学报, 2018, 73(8):1397-1406.

DOI

[ Geographic big-data: A new opportunity for geography complexity study[J]. Acta Geographica Sinica, 2018, 73(8):1397-1406. ] DOI: 10.11821/dlxb201808001

DOI

[46]
Zhang Q, Zheng Y, Tong D, et al. Drivers of improved PM2.5 air quality in China from 2013 to 2017[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(49):24463-24469. DOI: 10.1073/pnas.1907956116

DOI

[47]
Zhang D L, Shou Y X, Dickerson R R. Upstream urbanization exacerbates urban heat island effects[J]. Geophysical Research Letters, 2009, 36(24):1-5. DOI: 10.1029/2009GL041082

DOI

Options
文章导航

/

〈 〉