黃小剛,邵天杰,趙景波,曹軍驥,宋永永

汾渭平原PM2.5濃度的影響因素及空間溢出效應(yīng)

黃小剛1,2,3,邵天杰1*,趙景波1,2,曹軍驥2,宋永永1

(1.陜西師范大學(xué)地理科學(xué)與旅游學(xué)院,陜西 西安 710119；2.中國(guó)科學(xué)院地球環(huán)境研究所氣溶膠化學(xué)與物理重點(diǎn)實(shí)驗(yàn)室,陜西 西安 710061；3.山西師范大學(xué)地理科學(xué)學(xué)院,山西 臨汾 041004)

基于實(shí)時(shí)監(jiān)測(cè)和遙感反演數(shù)據(jù),利用空間自相關(guān)分析和空間回歸分析等方法,探討了汾渭平原2015~2017年P(guān)M2.5濃度時(shí)空變化規(guī)律和影響因素,揭示了各因素的空間溢出效應(yīng).結(jié)果表明:(1)2015~2017年汾渭平原PM2.5濃度逐年上升,主要由采暖期(11月~次年3月)的快速上升引起,非采暖期(4~10月)年際變化不大.(2)PM2.5月均濃度變化曲線呈底部寬緩的U型,采暖期PM2.5污染明顯高于非采暖期,超標(biāo)天數(shù)占全年總超標(biāo)天數(shù)比例由2015年的75.0%上升到2017年的83.4%.(3)2015~2017年,除銅川和三門(mén)峽外,各城市PM2.5濃度都有不同程度的上升.咸陽(yáng)至運(yùn)城間的平原地區(qū)和洛陽(yáng)盆地污染最嚴(yán)重,已形成連片的高污染區(qū)域,且區(qū)域內(nèi)城鄉(xiāng)差異小.臨汾及其上游平原地區(qū)其次,但主要分布在城鎮(zhèn),城鄉(xiāng)差異較大.(4)空間回歸分析表明,汾渭平原PM2.5濃度有顯著的空間溢出效應(yīng).年均氣溫、城鎮(zhèn)化率、能源消費(fèi)指數(shù)和年均人口不僅與本地PM2.5濃度有顯著的正相關(guān),而且會(huì)加重鄰近地區(qū)PM2.5污染.年降水量和地形起伏度則不僅與本地PM2.5濃度有顯著的負(fù)相關(guān),而且能降低鄰近地區(qū)PM2.5濃度.風(fēng)的傳輸作用能加重本地PM2.5污染,植被覆蓋度能消減本地PM2.5濃度,但其間接效應(yīng)都不顯著.

PM2.5；影響因素；時(shí)空變化；空間回歸；空間自相關(guān)；汾渭平原

近年來(lái)隨著我國(guó)城市化、工業(yè)化的快速發(fā)展和能源消費(fèi)量的激增,PM2.5已成為我國(guó)最主要的大氣污染物[1].科學(xué)實(shí)施大氣污染治理,不斷提高空氣質(zhì)量,是我國(guó)實(shí)現(xiàn)綠色發(fā)展的重要目標(biāo)之一.由于不同地區(qū)經(jīng)濟(jì)發(fā)展水平不一,自然條件組合多樣,PM2.5濃度具有空間異質(zhì)性.受氣流的影響,PM2.5能向周邊地區(qū)輸送和擴(kuò)散,PM2.5濃度又具有空間自相關(guān)性,區(qū)域PM2.5濃度上升常呈現(xiàn)空間溢出效應(yīng).科學(xué)認(rèn)識(shí)PM2.5的時(shí)空變化規(guī)律、影響因素及空間溢出效應(yīng),對(duì)因地制宜的實(shí)施PM2.5污染綜合治理策略具有重要意義.

國(guó)內(nèi)外學(xué)者以PM2.5濃度時(shí)空變化及影響因素為主題開(kāi)展過(guò)大量的研究.時(shí)間變化方面,著重研究PM2.5濃度的年際變化特征、季節(jié)或月度周期變化特點(diǎn)和晝夜循環(huán)規(guī)律[2-3],或針對(duì)某次重污染過(guò)程的分析[4],也有學(xué)者基于遙感反演數(shù)據(jù)研究PM2.5長(zhǎng)時(shí)間的變化特征[5-6].空間范圍包括全國(guó)[7]、城市群[8-9]和單個(gè)典型污染城市[10]等不同尺度,主要研究PM2.5濃度的空間分布格局、集聚特征和演變規(guī)律.PM2.5濃度變化影響因素方面,主要通過(guò)相關(guān)分析[11]、地理探測(cè)器[12]、空間計(jì)量模型[13]、灰色關(guān)聯(lián)模型[14]和地理加權(quán)回歸模型[15]等統(tǒng)計(jì)學(xué)方法研究自然因素和社會(huì)經(jīng)濟(jì)因素對(duì)PM2.5的影響.研究發(fā)現(xiàn),PM2.5主要來(lái)源于人為排放,包括能源消費(fèi)、生物質(zhì)燃燒、交通運(yùn)輸、工業(yè)生產(chǎn)、建筑和道路揚(yáng)塵等直接排放源,及SO2、NO、VOCs、NH3等氣態(tài)污染物發(fā)生復(fù)雜的化學(xué)反應(yīng)形成的二次源[16].因此,經(jīng)濟(jì)規(guī)模、人口規(guī)模、城市化、工業(yè)化發(fā)展水平、產(chǎn)業(yè)結(jié)構(gòu)、能源利用結(jié)構(gòu)和效率、土地利用類(lèi)型等對(duì)PM2.5濃度有直接影響[12-15,17-18].氣溫、相對(duì)濕度和太陽(yáng)輻射影響PM2.5的生成和轉(zhuǎn)換[19-20],風(fēng)速、風(fēng)向、氣壓、海拔高度、地形地貌則對(duì)PM2.5的傳輸、擴(kuò)散或集聚有深刻影響[21-23],降水和植被覆蓋度可通過(guò)沉降和吸收等方式清除PM2.5[24-25],這些因素對(duì)局地PM2.5濃度也有直接或間接的作用.此外,PM2.5及影響因素的溢出效應(yīng)也受到重視[13].

現(xiàn)有研究成果為深入認(rèn)識(shí)PM2.5濃度的時(shí)空變化特征和影響因素提供了理論基礎(chǔ)和方法借鑒.但已有研究主要集中在中國(guó)東部地區(qū),尤其是京津冀、長(zhǎng)三角和珠三角等傳統(tǒng)的空氣污染重點(diǎn)治理區(qū)域,對(duì)西部地區(qū)的關(guān)注相對(duì)較少.汾渭平原大部分位居黃土高原,人類(lèi)活動(dòng)強(qiáng)度大,生態(tài)環(huán)境脆弱,且產(chǎn)業(yè)結(jié)構(gòu)偏重,能源消費(fèi)結(jié)構(gòu)中煤炭占比過(guò)大,加上相對(duì)封閉的盆地地形不利于污染物的擴(kuò)散,PM2.5污染嚴(yán)重.2013年以來(lái),在全國(guó)PM2.5濃度有顯著下降的背景下,汾渭平原不降反升.根據(jù)2018年7月國(guó)務(wù)院發(fā)布的《打贏藍(lán)天保衛(wèi)戰(zhàn)三年行動(dòng)計(jì)劃》,2017年汾渭平原PM2.5濃度已成為我國(guó)僅次于京津冀地區(qū)的第二高區(qū)域,被列為國(guó)家重點(diǎn)防控區(qū).針對(duì)汾渭平原PM2.5治理的緊迫性,本文從地理學(xué)綜合性視角出發(fā),在分析汾渭平原PM2.5濃度時(shí)空變化特征的基礎(chǔ)上,從自然和社會(huì)經(jīng)濟(jì)要素兩方面解析PM2.5濃度分布的影響因素,揭示各因素的直接效應(yīng)和空間溢出效應(yīng),以期為汾渭平原PM2.5防治措施的制定提供科學(xué)參考和決策支持.

1 數(shù)據(jù)與方法

1.1 研究范圍

汾渭平原是汾河平原、渭河平原及其臺(tái)塬階地的總稱(chēng),由汾渭地塹經(jīng)汾河、渭河沖積而成,是我國(guó)第4大平原.本文研究的范圍按《打贏藍(lán)天保衛(wèi)戰(zhàn)三年行動(dòng)計(jì)劃》界定,包括陜西省的西安市、咸陽(yáng)市、渭南市、寶雞市、銅川市,山西省的呂梁市、晉中市、運(yùn)城市、臨汾市,河南省的洛陽(yáng)市、三門(mén)峽市,共11個(gè)地級(jí)市(圖1).

圖1 汾渭平原地形圖

1.2 評(píng)價(jià)指標(biāo)

根據(jù)前述文獻(xiàn)的梳理,自然因素解釋變量初步選定為年均氣溫、年降水量、年均相對(duì)濕度、年均風(fēng)速、海拔高度、地形起伏度和植被覆蓋度.社會(huì)經(jīng)濟(jì)解釋變量選取年均人口、人均GPD、城鎮(zhèn)化率、能源消費(fèi)指數(shù)、第二產(chǎn)業(yè)總產(chǎn)值和第二產(chǎn)業(yè)占GDP比重,分別反映人口規(guī)模、經(jīng)濟(jì)發(fā)展水平、城鎮(zhèn)化水平、能源消費(fèi)水平、工業(yè)發(fā)展?fàn)顩r和產(chǎn)業(yè)結(jié)構(gòu)對(duì)PM2.5濃度的影響.研究表明能源消費(fèi)與夜間燈光數(shù)據(jù)顯著線性相關(guān)[26],本文采用夜間燈光數(shù)據(jù)表征能源消費(fèi)指數(shù).

由于解釋變量之間可能存在多重共線性,本文使用方差膨脹因子(VIF)對(duì)所有初選解釋變量進(jìn)行多重共線性診斷.結(jié)果發(fā)現(xiàn),海拔高度和第二產(chǎn)業(yè)總產(chǎn)值的VIF均大于10,與其他變量存在多重共線性,予以剔除.因此,本文最終選取的評(píng)價(jià)指標(biāo)為年均氣溫(temp)、年降水量(prec)、年均相對(duì)濕度(RH)、地形起伏度(wavi)、年均風(fēng)速(wind)、植被覆蓋度(NDVI)、年均人口(peop)、城鎮(zhèn)化率(urban)、人均GPD(GDPPC)、能源消費(fèi)指數(shù)(energy)和第二產(chǎn)業(yè)占GDP比重(second)等11個(gè)變量.

1.3 數(shù)據(jù)來(lái)源和評(píng)價(jià)標(biāo)準(zhǔn)

PM2.5濃度實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)來(lái)源于全國(guó)城市空氣質(zhì)量實(shí)時(shí)發(fā)布平臺(tái)(http://106.37.208.233:20035/),起止時(shí)間為2015年1月1日~2017年12月31日.數(shù)據(jù)統(tǒng)計(jì)有效性按《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》(GB 3095- 2012)[27]執(zhí)行.PM2.5濃度評(píng)價(jià)標(biāo)準(zhǔn)按《環(huán)境空氣質(zhì)量評(píng)價(jià)技術(shù)規(guī)范(試行)》(HJ 663-2013)[28]執(zhí)行,即0~35μg/m3為優(yōu)、36~75μg/m3為良、76~115μg/m3為輕度污染、116~150μg/m3為中度污染、151~ 250μg/m3為重度污染、>250μg/m3為嚴(yán)重污染,輕度及以上污染為超標(biāo).

汾渭平原在全國(guó)城市空氣質(zhì)量實(shí)時(shí)發(fā)布平臺(tái)上發(fā)布的監(jiān)測(cè)城市共11個(gè),樣本量較少,使用實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)做空間回歸分析會(huì)影響結(jié)果的可信度.為擴(kuò)大樣本數(shù)量,本文以區(qū)縣為單元做空間回歸分析, PM2.5濃度使用遙感反演數(shù)據(jù).PM2.5遙感反演數(shù)據(jù)來(lái)自大氣成分分析組織(ACAG)(http://fizz.phys.dal. ca/~atmos/martin/?page_id=140),該數(shù)據(jù)融合了氣溶膠光學(xué)厚度(AOD)反演、GEOS-Chem模型模擬和監(jiān)測(cè)站點(diǎn)實(shí)測(cè)數(shù)據(jù)[29],精度較高而被廣泛使用[12].為驗(yàn)證該數(shù)據(jù)在渭汾平原的精度,提取各監(jiān)測(cè)站點(diǎn)的PM2.5遙感反演濃度與實(shí)測(cè)濃度做相關(guān)分析,相關(guān)系數(shù)達(dá)0.878,且通過(guò)了0.01水平的顯著性檢驗(yàn),說(shuō)明該數(shù)據(jù)可以代表渭汾平原PM2.5濃度的空間分布.

氣象數(shù)據(jù)來(lái)源于中國(guó)氣象數(shù)據(jù)網(wǎng)(http://data. cma.cn/site)發(fā)布的中國(guó)地面氣候資料日值數(shù)據(jù)集(V3.0),原始數(shù)據(jù)為2016年汾渭平原31個(gè)國(guó)家基準(zhǔn)、基本氣象站日值數(shù)據(jù).利用Anusplin軟件對(duì)各氣象變量插值后,再利用ArcGIS軟件的分區(qū)統(tǒng)計(jì)功能獲得各區(qū)縣的氣象數(shù)據(jù).海拔高度、地形起伏度通過(guò)數(shù)字高程模型(DEM)計(jì)算和統(tǒng)計(jì)獲取,DEM原始數(shù)據(jù)來(lái)源于地理空間數(shù)據(jù)云(http://www.gscloud.cn/).植被覆蓋度使用歸一化植被指數(shù)(NDVI)表征,原始數(shù)據(jù)來(lái)自美國(guó)國(guó)家航空和宇航局(NASA)(http://modis. gsfc.nasa.gov/).夜間燈光數(shù)據(jù)原始數(shù)據(jù)來(lái)源于美國(guó)國(guó)家海洋和大氣管理局(NOAA)(https://www. ngdc.noaa.gov).其余社會(huì)經(jīng)濟(jì)數(shù)據(jù)來(lái)源于文獻(xiàn)[30-31],部分缺失的采用相應(yīng)省市統(tǒng)計(jì)年鑒或國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)補(bǔ)充.

1.4 研究方法

1.4.1 全局空間自相關(guān)分析 根據(jù)Tobler地理學(xué)第一定律,相鄰的空間事物或現(xiàn)象具有相關(guān)性,且距離越近相關(guān)性越強(qiáng)[32].本文采用全局Moran's來(lái)測(cè)度PM2.5濃度的空間自相關(guān)性,計(jì)算公式為[12]:

式中:()和VAR()分別為的數(shù)學(xué)期望和方差.

1.4.2 局部空間自相關(guān)分析 全局Moran's雖然能度量區(qū)域空間變量的結(jié)構(gòu)形態(tài)和集聚模式,但不能識(shí)別空間集聚的具體位置.局部空間自相關(guān)用于描述空間單元與其鄰近單元的相似程度,并能表示每個(gè)局部空間單元服從全局總趨勢(shì)的程度,說(shuō)明空間依賴(lài)是如何隨位置變化而變化的.局部空間自相關(guān)的常用指標(biāo)為局部Moran's,計(jì)算公式為[12]:

式中:(I)和VAR(I)分別為I的數(shù)學(xué)期望和方差.

1.4.3 空間回歸模型 由于大氣的輸送作用,PM2.5觀測(cè)值并不互相獨(dú)立,往往存在較強(qiáng)的空間自相關(guān)性.傳統(tǒng)的線性回歸分析方法基于觀測(cè)值互相獨(dú)立的前提假設(shè),不適合PM2.5濃度影響因素的回歸分析,本文擬采用空間回歸模型來(lái)擬合.常見(jiàn)的空間回歸模型有空間滯后模型(SLM)、空間誤差模型(SEM).

SLM適用于當(dāng)被解釋變量間的空間依賴(lài)性對(duì)模型顯得非常關(guān)鍵而導(dǎo)致了空間相關(guān)時(shí),可測(cè)度鄰域之間的空間溢出效應(yīng).模型表達(dá)式為[13]:

式中:為被解釋變量;為內(nèi)生交互效應(yīng)()的空間回歸系數(shù),其值大小可反映被解釋變量空間擴(kuò)散或空間溢出的程度;是權(quán)重矩陣;為解釋變量;為解釋變量的回歸系數(shù);是隨機(jī)誤差項(xiàng).

SEM適用于當(dāng)模型的誤差項(xiàng)在空間上相關(guān)時(shí),可測(cè)度鄰域地區(qū)解釋變量變動(dòng)對(duì)被解釋變量的誤差沖擊對(duì)本地區(qū)被解釋變量的影響程度.模型表達(dá)式為[13]:

式中:為隨機(jī)誤差項(xiàng);為空間誤差系數(shù);其余符號(hào)含義同SLM模型.

由于SLM和SEM各具適應(yīng)性,在開(kāi)展空間回歸分析前需對(duì)模型進(jìn)行優(yōu)選.Anselin[32]給出了最優(yōu)模型選擇的判別標(biāo)準(zhǔn):在統(tǒng)計(jì)中若LM(lag)和LM(error)均不顯著,則無(wú)需使用空間回歸模型,直接使用傳統(tǒng)的線性回歸模型;若LM(lag)比LM(error)顯著,且Robust LM(lag)顯著而Robust LM(error)不顯著,則可以判定SLM模型更合適;反之,則SEM 模型更為合適.此外,還可以借助擬合優(yōu)度(R2)、對(duì)數(shù)似然數(shù)(LogL)、赤池信息準(zhǔn)則(AIC)和施瓦茨準(zhǔn)則(SC)等統(tǒng)計(jì)量判別最優(yōu)模型,一般說(shuō)來(lái),R2和LogL越大、AIC和SC越小,模型擬合效果越好.空間回歸模型估計(jì)使用Elhorst提供的Matlab空間計(jì)量程序包完成.在進(jìn)行模型估計(jì)時(shí),為減小異方差對(duì)模型估計(jì)的影響,對(duì)被解釋變量和解釋變量同時(shí)進(jìn)行對(duì)數(shù)變換(ln).

2 結(jié)果與討論

2.1 汾渭平原PM2.5濃度的時(shí)間變化特征

2015~2017年汾渭平原PM2.5污染嚴(yán)重,且濃度逐年上升(表1).PM2.5年均濃度由2015年的61μg/m3,上升到2016和2017年的67和68μg/m3,分別比上一年增加了9.8%和1.5%.超標(biāo)天數(shù)比例由2015年的22.8%上升到2016年的28.7%和2017年的27.5%.2017年P(guān)M2.5年均濃度比2016年高,超標(biāo)天數(shù)比例卻略低于2016年,可能與高污染城市治理的加強(qiáng)有關(guān).汾渭平原PM2.5年均濃度大于75μg/m3的城市由2016年的3個(gè),降至2017年2個(gè),高污染城市濃度的降低使PM2.5超標(biāo)天數(shù)比例整體降低,但其余城市PM2.5濃度的上升仍使汾渭平原PM2.5濃度整體抬升.由表1也可以看出,2015~2017年P(guān)M2.5輕度污染天數(shù)比例雖逐年上升,但中度及以上污染天數(shù)比例在2016年快速上升后,2017年已有所回落.同期全國(guó)PM2.5年均濃度由2015年的50μg/m3下降到2017年的43μg/m3,超標(biāo)天數(shù)比例由17.5%下降到12.4%.2017年汾渭平原PM2.5年均濃度和超標(biāo)天數(shù)比例分別為全國(guó)平均值的1.6和2.2倍.可見(jiàn),汾渭平原不僅PM2.5濃度和超標(biāo)天數(shù)比例遠(yuǎn)高于全國(guó)平均水平,而且濃度呈現(xiàn)逆勢(shì)上升態(tài)勢(shì),區(qū)域污染治理面臨嚴(yán)峻挑戰(zhàn).

表1 2015~2017年汾渭平原PM2.5日評(píng)價(jià)結(jié)果

PM2.5月均濃度變化可以分為3個(gè)階段:1~3月的下降階段、4~10月穩(wěn)定的相對(duì)低值階段和11~12月的上升階段,其曲線變化形態(tài)呈底部寬緩的U型(圖2).1~3月為采暖期,PM2.5濃度整體較高,但隨著氣溫的升高,供暖壓力逐漸減小,大氣污染物排放量逐漸減少,且氣溫的升高使空氣對(duì)流趨于活躍,大氣對(duì)污染物的傳輸和擴(kuò)散作用增強(qiáng),PM2.5濃度逐漸下降.4~10月為非采暖期和雨季,污染物的排放量相對(duì)較少,大氣對(duì)PM2.5的稀釋和濕沉降能力較強(qiáng),PM2.5濃度相對(duì)較低.11~12月,隨著采暖期的到來(lái),大氣污染物排放量增多,加上氣溫的持續(xù)下降使靜穩(wěn)天氣增多,PM2.5濃度維持在較高水平且逐漸上升,12月或1月達(dá)到1a的最大值.采暖期PM2.5污染明顯高于非采暖期,近3a PM2.5濃度上升也主要由采暖期濃度上升引起.采暖期PM2.5平均濃度由2015年的82μg/m3上升到2017年的100μg/m3,上升了22.0%,平均超標(biāo)天數(shù)比例由41.2%上升到55.5%,超標(biāo)天數(shù)占全年總超標(biāo)天數(shù)的比例則由75.0%上升到83.4%.非采暖期PM2.5濃度和超標(biāo)率相對(duì)較小,且年內(nèi)和年際變化均不大,2015~2017年平均濃度在43~ 45μg/m3之間,僅為同年采暖期濃度的42.9%~55.5%,平均超標(biāo)天數(shù)比例則在7.8%~9.7%之間變化.

圖2 2015~2017年P(guān)M2.5濃度和超標(biāo)天數(shù)的月變化

2.2 汾渭平原PM2.5濃度的空間分布特征

2016年汾渭平原PM2.5遙感反演數(shù)據(jù)顯示(圖3),PM2.5濃度總體由河谷平原向兩側(cè)的山地遞減.其中咸陽(yáng)市到運(yùn)城市之間的平原地區(qū)和洛陽(yáng)盆地PM2.5濃度最高,已形成連片的高污染區(qū)域,區(qū)域內(nèi)城鄉(xiāng)差別較小.臨汾及其上游的平原地區(qū)PM2.5污染也較嚴(yán)重,但主要集中在城鎮(zhèn)建成區(qū),由城鎮(zhèn)向農(nóng)村的梯度遞減特征仍較明顯.

圖3 2016年汾渭平原PM2.5濃度空間分布

汾渭平原11個(gè)監(jiān)測(cè)城市的觀測(cè)數(shù)據(jù)顯示(表2),2015~2017年,除銅川和三門(mén)峽PM2.5濃度略有回落外,其余城市均有不同程度的上升.其中臨汾和咸陽(yáng)上升最快,PM2.5濃度分別從2015年的58和61μg/m3上升到2017年的82和80μg/m3,分別上升了41.4%和32.1%,超標(biāo)天數(shù)比例從24.1%和19.2%上升到35.9%和34.8%,成為2017年汾渭平原PM2.5污染最嚴(yán)重的2座城市.此外,西安和渭南上升幅度也超過(guò)20%,PM2.5濃度分別從58和59μg/m3上升到73和71μg/m3,超標(biāo)天數(shù)比例分別從18.1%和20.0%上升到29.6%和30.1%,PM2.5空氣質(zhì)量惡化也較為明顯.三門(mén)峽和銅川是近3a汾渭平原PM2.5濃度出現(xiàn)下降的惟一2座城市,其中三門(mén)峽從2015年的74μg/m3(為當(dāng)年汾渭平原PM2.5濃度最高的城市)下降到2017年的62μg/m3,超標(biāo)天數(shù)比例從35.6%下降到23.6%,降幅最高.其余城市PM2.5濃度的變化幅度為2~9μg/m3.

表2 2015~2017年汾渭平原PM2.5濃度和超標(biāo)天數(shù)比例變化情況

2.3 汾渭平原PM2.5濃度的空間集聚特征

利用GEODA軟件計(jì)算汾渭平原PM2.5濃度的全局Moran's,值為0.651,值為10.640,通過(guò)了0.01的顯著性檢驗(yàn).說(shuō)明汾渭平原PM2.5濃度存在顯著的正空間自相關(guān),相似值趨于空間集聚.使用局部Moran's探測(cè)PM2.5濃度集聚的模式和位置(圖4).Moran散點(diǎn)圖顯示(圖4a),觀測(cè)值主要分布在第一和第三象限,即主要表現(xiàn)為高高集聚和低低集聚,第二象限和第四象限的低高集聚和高低集聚現(xiàn)象較少.LISA集聚圖顯示(圖4b),在0.10的顯著性水平下,高高集聚有20個(gè)縣或市轄區(qū),集中分布在咸陽(yáng)到運(yùn)城的平原地區(qū)和洛陽(yáng)盆地,再次證實(shí)在汾渭平原的核心區(qū)域和洛陽(yáng)盆地已形成了較為穩(wěn)定和持續(xù)的PM2.5連片污染區(qū).低低集聚有16個(gè)縣或市轄區(qū),主要分布在呂梁市和臨汾市的西北部,這些地區(qū)雖然濃度比平原地區(qū)低,但污染也較嚴(yán)重.低高集聚或高低集聚均未通過(guò)顯著性檢驗(yàn).

2.4 汾渭平原PM2.5濃度空間分布影響因素解析

2.4.1 空間回歸模型的確定 為對(duì)解釋變量的影響進(jìn)行初步預(yù)判并與空間回歸模型進(jìn)行比較,首先使用傳統(tǒng)線性回歸模型(OLS)進(jìn)行擬合(表3).結(jié)果表明,殘差項(xiàng)Moran's的統(tǒng)計(jì)量為3.982,通過(guò)0.01顯著性檢驗(yàn),說(shuō)明回歸殘差存在明顯的空間依賴(lài).Breusch-Pagan檢驗(yàn)和Koenker-Bassett檢驗(yàn)的值均小于0.05,說(shuō)明OLS回歸模型的隨機(jī)誤差項(xiàng)存在異方差,不滿(mǎn)足OLS回歸模型中隨機(jī)誤差項(xiàng)應(yīng)滿(mǎn)足同方差性的前提假定.因此,OLS模型缺乏解釋力,應(yīng)使用考慮了空間依賴(lài)因素的空間回歸模型.對(duì)比LM和Robust LM發(fā)現(xiàn),LM(lag)和LM(error)都通過(guò)了0.01的顯著性檢驗(yàn),但LM(lag)統(tǒng)計(jì)量大于 LM(error)統(tǒng)計(jì)量,且robust LM(lag)通過(guò)了0.01顯著性檢驗(yàn),而robust LM(error)不顯著.根據(jù)Anselin模型選擇判別標(biāo)準(zhǔn),空間回歸模型宜采用SLM.

表3 OLS模型估計(jì)結(jié)果檢驗(yàn)

2.4.2 空間回歸模型估計(jì)結(jié)果 SLM和SEM均代入數(shù)據(jù)進(jìn)行模型估計(jì)(表4),以借助2、LogL、AIC和SC等進(jìn)一步判斷模型選擇的合理性.由表4可知,SLM和SEM的2和LogL均大于OLS,而AIC和SC均小于OLS,進(jìn)一步證實(shí)了引入空間回歸模型的必要性.SLM的2和LogL均大于SEM,AIC和SC小于SEM,則證實(shí)SLM的擬合度優(yōu)于SEM,說(shuō)明汾渭平原PM2.5濃度存在實(shí)質(zhì)性的空間依賴(lài),而非干擾性的空間依賴(lài).此外,使用基于歐氏距離倒數(shù)和基于K近鄰算法的空間權(quán)重矩陣對(duì)模型結(jié)果的穩(wěn)健性進(jìn)行驗(yàn)證,結(jié)果表明各變量系數(shù)及顯著性無(wú)明顯變化,說(shuō)明本研究構(gòu)建的模型具有較好的穩(wěn)健性.

2.4.3 影響PM2.5濃度空間分布的自然因素解析 (1)年均氣溫在3個(gè)模型中的系數(shù)均為正,且都通過(guò)了0.01水平的顯著性檢驗(yàn),說(shuō)明年均氣溫高的地區(qū)PM2.5濃度相對(duì)較高.氣溫上升對(duì)PM2.5的作用有2個(gè)完全相反的方面.一方面,氣溫升高能使氣溶膠質(zhì)粒布朗擴(kuò)散運(yùn)動(dòng)的能力增強(qiáng),對(duì)大氣污染物起擴(kuò)散和稀釋的作用,促使PM2.5濃度下降[33].這一點(diǎn)在1~3月PM2.5濃度隨氣溫的上升而下降和11~12月隨氣溫的下降而上升可以得到證實(shí).說(shuō)明在時(shí)序變化上,氣溫升高對(duì)PM2.5的主導(dǎo)作用表現(xiàn)為擴(kuò)散和稀釋.另一方面,氣溫的上升能促進(jìn)不同污染物之間的轉(zhuǎn)化和二次污染物的形成[20],使PM2.5濃度上升,冬季氣溫較低時(shí),氣溫的差異對(duì)光化學(xué)反應(yīng)的影響尤為明顯[34].年均氣溫系數(shù)為正,說(shuō)明在空間變化上,氣溫對(duì)PM2.5的主導(dǎo)作用表現(xiàn)為促進(jìn)不同污染物之間的轉(zhuǎn)化和二次污染物的形成.這與京津冀地區(qū)的研究結(jié)論相一致[13].

表4 OLS、SLM和SEM模型估計(jì)結(jié)果

(2)年降水量在3個(gè)模型中的系數(shù)均為負(fù),且均通過(guò)了0.01水平的顯著性檢驗(yàn),表明年降水量對(duì)PM2.5濃度有顯著的負(fù)向消減作用.降水對(duì)懸浮于空氣中的細(xì)顆粒物有明顯的沖刷作用,能顯著降低空氣中的PM2.5濃度[23],因此降水量大的地區(qū)PM2.5濃度相對(duì)較低.此外,從時(shí)間變化角度來(lái)看,4~10月PM2.5濃度相對(duì)較低,也與雨季有關(guān).

(3)年均相對(duì)濕度在3個(gè)模型中的系數(shù)均為正,說(shuō)明相對(duì)濕度對(duì)PM2.5有一定的正向作用.主要是因?yàn)?相對(duì)濕度高,有助于部分大氣氣溶膠粒子(粒徑在0.005~0.050μm之間)吸濕增長(zhǎng),并逐步向積聚模態(tài)轉(zhuǎn)化,造成PM2.5濃度升高[35].但相對(duì)濕度在3個(gè)模型中均未通過(guò)顯著性檢驗(yàn),說(shuō)明這種正向作用并不顯著,這可能與汾渭平原相對(duì)干旱的氣候有關(guān).

(4)地形起伏度系數(shù)為負(fù),且通過(guò)了0.01水平的顯著性檢驗(yàn),表明地形起伏度小的地區(qū)PM2.5濃度相對(duì)較高.這與汾渭平原相對(duì)封閉的地形有關(guān),汾渭平原四周被山脈環(huán)繞,屬盆地地形,易形成靜風(fēng)和逆溫現(xiàn)象[34],不利于污染物擴(kuò)散.且由于人口主要集中在地勢(shì)低平的平原地區(qū),因此起伏度小的平原地區(qū)PM2.5濃度往往高于起伏度大的周邊山區(qū).

(5)年均風(fēng)速的系數(shù)為正,且在SLM模型中通過(guò)了0.10水平的顯著性檢驗(yàn),說(shuō)明風(fēng)速對(duì)PM2.5濃度分布有顯著的正向作用,即風(fēng)速較高的地區(qū)PM2.5濃度也相對(duì)較高.這與傳統(tǒng)的認(rèn)識(shí)不同,一般認(rèn)為風(fēng)對(duì)大氣污染物有擴(kuò)散和稀釋作用,能顯著降低污染物的濃度[23].對(duì)于污染嚴(yán)重的城市來(lái)說(shuō)確實(shí)如此,但風(fēng)的傳輸作用同時(shí)也使下風(fēng)向地區(qū)PM2.5濃度升高,造成輸入型污染[35].風(fēng)呈正向作用可能也與汾渭平原相對(duì)封閉的地形有關(guān),由于污染物不易往盆地外擴(kuò)散,在風(fēng)的作用下區(qū)域內(nèi)污染物的相互影響顯著,這一點(diǎn)與京津冀等地形相對(duì)開(kāi)闊的地區(qū)不同[13].

(6)植被覆蓋度系數(shù)為負(fù),且通過(guò)了0.10的顯著性檢驗(yàn),說(shuō)明植被覆蓋度對(duì)PM2.5濃度有顯著的負(fù)向消減作用.土地覆被是影響PM2.5濃度的重要因素,一方面,裸地、建筑用地的揚(yáng)塵、工廠區(qū)污染物的排放和城市汽車(chē)尾氣是PM2.5的主要來(lái)源[16];另一方面,高覆蓋度植被對(duì)PM2.5有明顯的吸收和沉降作用[25].因此,提高植被覆蓋率、降低裸地和建筑用地的面積是降低PM2.5濃度的有效措施.

2.4.4 影響PM2.5濃度空間分布的社會(huì)經(jīng)濟(jì)因素解析 (1)年均人口、城鎮(zhèn)化率的系數(shù)均為正,且年均人口通過(guò)了0.01水平的顯著性檢驗(yàn).說(shuō)明汾渭平原人口增長(zhǎng)和城鎮(zhèn)化擴(kuò)張仍較粗放,人口增長(zhǎng)和城鎮(zhèn)擴(kuò)張給資源和環(huán)境帶來(lái)巨大的壓力.未來(lái)城鎮(zhèn)的發(fā)展應(yīng)充分利用人口集聚的規(guī)模效應(yīng),加強(qiáng)城市環(huán)境保護(hù)措施的建立,對(duì)城市污染物集中處理,以利于城市PM2.5污染的改善.

(2)人均GPD的系數(shù)為正,但未通過(guò)顯著性檢驗(yàn).說(shuō)明經(jīng)濟(jì)發(fā)展水平對(duì)PM2.5濃度分布有正向作用,但這種作用不顯著.環(huán)境庫(kù)茨涅茨曲線(EKC)假說(shuō)[36]認(rèn)為,環(huán)境污染與經(jīng)濟(jì)發(fā)展的長(zhǎng)期關(guān)系呈倒“U”型,經(jīng)濟(jì)發(fā)展水平較低時(shí),環(huán)境污染隨著經(jīng)濟(jì)發(fā)展而加劇;經(jīng)濟(jì)發(fā)展到一定階段后,環(huán)境質(zhì)量隨著經(jīng)濟(jì)的發(fā)展而逐漸改善.從時(shí)間變化來(lái)看,近3a汾渭平原PM2.5污染隨經(jīng)濟(jì)的發(fā)展而加重.從空間分布來(lái)看,人口分布對(duì)PM2.5濃度呈現(xiàn)正向影響.可見(jiàn),汾渭平原經(jīng)濟(jì)發(fā)展和PM2.5污染改善之間正處于環(huán)境庫(kù)茲涅茨曲線的爬坡階段,未來(lái)應(yīng)推動(dòng)產(chǎn)業(yè)升級(jí),加快經(jīng)濟(jì)發(fā)展的綠色轉(zhuǎn)型,促使經(jīng)濟(jì)發(fā)展的正向效應(yīng)盡早顯現(xiàn).

(3)能源消費(fèi)指數(shù)的系數(shù)為正,且通過(guò)了0.01的顯著性檢驗(yàn),說(shuō)明能源消費(fèi)直接加重當(dāng)?shù)豍M2.5污染.汾渭平原城市多以能源重化工為主導(dǎo)產(chǎn)業(yè),能源消費(fèi)主要依賴(lài)于煤炭,占比近90%.不合理的能源消費(fèi)結(jié)構(gòu)是造成汾渭平原大氣污染嚴(yán)重的重要原因,因而能源消費(fèi)指數(shù)高的地區(qū),PM2.5濃度也相應(yīng)較高.

(4)第二產(chǎn)業(yè)占GDP比重未通過(guò)顯著性檢驗(yàn),說(shuō)明經(jīng)濟(jì)結(jié)構(gòu)對(duì)PM2.5濃度的影響不大.這可能與近年來(lái)政府加大對(duì)重點(diǎn)城市的污染治理有關(guān),近年來(lái)政府加大了重點(diǎn)城市重污染企業(yè)的關(guān)停并轉(zhuǎn),第二產(chǎn)業(yè)占GDP比重雖已率先下降,但經(jīng)濟(jì)發(fā)展對(duì)工業(yè)的依賴(lài)度仍然很高,加上不合理的能源消費(fèi)結(jié)構(gòu)并未改變,污染仍較為嚴(yán)重,致使第二產(chǎn)業(yè)占GDP比重對(duì)PM2.5濃度的區(qū)分度不高.典型城市如臨汾市,市轄區(qū)第二產(chǎn)業(yè)占GDP比重已降至21.82%,遠(yuǎn)低于汾渭平原的平均水平,但污染仍較嚴(yán)重.未來(lái)應(yīng)加大經(jīng)濟(jì)結(jié)構(gòu)優(yōu)化調(diào)整和經(jīng)濟(jì)轉(zhuǎn)型發(fā)展的力度,提高資源的利用效率,促使經(jīng)濟(jì)結(jié)構(gòu)優(yōu)化調(diào)整的環(huán)境成效盡早顯現(xiàn).

表5 直接效應(yīng)與間接效應(yīng)估計(jì)

注:***、**、*分別表示通過(guò)了0.01、0.05、0.10水平的顯著性檢驗(yàn).

2.4.5 直接效應(yīng)和空間溢出效應(yīng)分析 直接效應(yīng)指本地的影響因素對(duì)本地PM2.5的影響,間接效應(yīng)指本地影響因素對(duì)鄰近地區(qū)PM2.5的影響,或者解釋為鄰近地區(qū)影響因素對(duì)本地PM2.5的影響,可反映各影響因素的空間溢出效應(yīng).表4顯示,PM2.5內(nèi)生交互效應(yīng)的空間回歸系數(shù)為0.356,且通過(guò)了0.01顯著性檢驗(yàn).說(shuō)明汾渭平原PM2.5濃度有實(shí)質(zhì)性的空間溢出效應(yīng),在控制其它解釋變量的前提下,相鄰地區(qū)PM2.5濃度每上升1%,將導(dǎo)致本地區(qū)PM2.5濃度上升0.356%.表5為SLM模型對(duì)各解釋變量估計(jì)的直接效應(yīng)和間接效應(yīng).根據(jù)各解釋變量的系數(shù)及顯著性,對(duì)本地PM2.5濃度的直接效應(yīng)貢獻(xiàn)強(qiáng)度由大到小依次為:年均氣溫>平均風(fēng)速>年降水量#>植被覆蓋度#>城鎮(zhèn)化率>地形起伏度#>能源消費(fèi)指數(shù)>年均人口(#表示負(fù)向影響),年均相對(duì)濕度、第二產(chǎn)業(yè)占GDP比重和人均GDP對(duì)PM2.5濃度沒(méi)有顯著的直接效應(yīng).各解釋變量的間接效應(yīng)影響強(qiáng)度排序?yàn)?年均氣溫>年降水量#>城鎮(zhèn)化率>地形起伏度#>能源消費(fèi)指數(shù)>年均人口(#表示負(fù)向影響),平均風(fēng)速、年均相對(duì)濕度、植被覆蓋率、第二產(chǎn)業(yè)占GDP比重和人均GPD對(duì)PM2.5濃度無(wú)顯著的間接效應(yīng).可見(jiàn),氣溫、城鎮(zhèn)化率、能源消費(fèi)指數(shù)和年均人口不僅與本地PM2.5濃度有顯著的正相關(guān),而且會(huì)加重鄰近地區(qū)PM2.5污染.年降水量和地形起伏度則不僅與本地PM2.5有顯著的負(fù)相關(guān),而且能降低鄰近地區(qū)PM2.5濃度.風(fēng)的傳輸作用能加重本地PM2.5污染,植被覆蓋度能消減本地PM2.5濃度,但其間接效應(yīng)都不顯著.

3 結(jié)論

3.1 2015~2017年,汾渭平原PM2.5濃度呈逐年上升趨勢(shì),各年份月均濃度變化均呈底部寬緩的U型曲線.采暖期(11月~次年3月)PM2.5濃度和超標(biāo)率明顯高于非采暖期(4~10月),平均濃度由2015年的82μg/m3上升到2017年的100μg/m3,平均超標(biāo)天數(shù)比例由41.2%上升到55.5%,研究期PM2.5濃度整體上升主要由采暖期上升引起.非采暖期PM2.5濃度變化不大,平均濃度維持在43~45μg/m3,平均超標(biāo)天數(shù)比例為7.8%~9.7%.

3.2 PM2.5濃度分布總體由河谷平原向兩側(cè)的山地遞減,高污染區(qū)域主要分布在河谷平原地區(qū).其中咸陽(yáng)市到運(yùn)城市之間的平原地區(qū)和洛陽(yáng)盆地污染最嚴(yán)重,已形成連片的高污染區(qū)域,區(qū)域內(nèi)城鄉(xiāng)差別較小.臨汾市及其上游的平原地區(qū)城鎮(zhèn)PM2.5污染其次,但主要分布在城鎮(zhèn),城鎮(zhèn)向農(nóng)村的梯度遞減特征較明顯.

3.3 空間回歸分析表明,汾渭平原PM2.5濃度有實(shí)質(zhì)性的空間溢出效應(yīng),相鄰地區(qū)PM2.5濃度每上升1%,將導(dǎo)致本地區(qū)PM2.5濃度上升0.356%.PM2.5濃度與年均氣溫、年均風(fēng)速、年均人口、城鎮(zhèn)化率、能源消費(fèi)指數(shù)有顯著的正相關(guān)關(guān)系,與年降水量、地形起伏度和植被覆蓋度有顯著的負(fù)相關(guān)關(guān)系,年均相對(duì)濕度、人均GPD、第二產(chǎn)業(yè)占GDP比重則影響不大.

3.4 各解釋變量對(duì)本地PM2.5濃度的直接效應(yīng)貢獻(xiàn)強(qiáng)度由大到小依次為:年均氣溫>平均風(fēng)速>年降水量#>植被覆蓋度#>城鎮(zhèn)化率>地形起伏度#>能源消費(fèi)指數(shù)>年均人口(#表示負(fù)向影響),間接效應(yīng)影響強(qiáng)度排序?yàn)?年均氣溫>年降水量#>城鎮(zhèn)化率>地形起伏度#>能源消費(fèi)指數(shù)>年均人口(#表示負(fù)向影響),其余因子的直接效應(yīng)或間接效應(yīng)不顯著.

[1] Wu S W, Deng F R, Wei H Y, et al. Association of cardiopulmonary health effects with source-appointed ambient fine particulate in Beijing, China: A combined analysis from the Healthy Volunteer Natural Relocation (HVNR) study [J]. Environmental Science & Technology, 2014,48(6):3438-3448.

[2] Zhao X J, Zhang X L, Xu X F, et al. Seasonal and diurnal variations of ambient PM2.5concentration in urban and rural environments in Beijing [J]. Atmospheric Environment, 2009,43(18):2893-2900.

[3] Wang Z B, Fang C L. Spatial-temporal characteristics and determinants of PM2.5in the Bohai Rim Urban Agglomeration [J]. Chemosphere, 2016,148:148-162.

[4] Ye X X, Song Y, Cai X H, et al. Study on the synoptic flow patterns and boundary layer process of the severe haze events over the North China Plain in January 2013 [J]. Atmospheric Environment, 2016,124: 129-145.

[5] Peng J, Chen S, Lyu H L, et al. Spatiotemporal patterns of remotely sensed PM2.5concentration in China from 1999 to 2011 [J]. Remote Sensing of Environment, 2016,174:109-121.

[6] 鄭保利,梁流濤,李明明.1998~2016年中國(guó)地級(jí)以上城市PM2.5污染時(shí)空格局 [J]. 中國(guó)環(huán)境科學(xué), 2019,39(5):1909-1919. Zheng B L, Liang L T, Li M M. Analysis of temporal and spatial patterns of PM2.5in Prefecture-Level Cities of China from 1998 to 2016 [J]. China Environmental Science, 2019,39(5):1909-1919.

[7] 王振波,方創(chuàng)琳,許 光,等.2014年中國(guó)城市PM2.5濃度的時(shí)空變化規(guī)律 [J]. 地理學(xué)報(bào), 2015,70(11):1720-1734. Wang Z B, Fang C L, Xu G, et al. Spatial-temporal characteristics of the PM2.5in China in 2014 [J]. Acta Geographica Sinica, 2015,70(11): 1720-1734.

[8] 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.

[9] 馬 瑩,吳 兌,劉 建.珠三角春節(jié)期間PM2.5及水溶性離子成分的變化——以2012年為例 [J]. 中國(guó)環(huán)境科學(xué), 2016,36(10):2890- 2895. Ma Y, Wu D, Liu J. The characteristics of PM2.5and its water soluble ions during Spring Festival in PRD in 2012 [J]. China Environmental Science, 2016,36(10):2890-2895.

[10] Sun J J, Liang M J, Shi Z H, et al. Investigating the PM2.5mass concentration growth processes during 2013~2016 in Beijing and Shanghai [J]. Chemosphere, 2019,221:452-463.

[11] 竇以文,丹 利,胡保昆,等.霾天氣影響下的京津冀氣候變化特征與成因 [J]. 中國(guó)環(huán)境科學(xué), 2019,39(2):506-513. Dou Y W, Dan L, Hu B K, et al. Characteristics and causes of climate change under haze weather in Beijing, Tianjin and Hebei [J]. China Environmental Science, 2019,39(2):506-513.

[12] 周 亮,周成虎,楊 帆,等.2000~2011年中國(guó)PM2.5時(shí)空演化特征及驅(qū)動(dòng)因素解析 [J]. 地理學(xué)報(bào), 2017,72(11):2079-2092. Zhou L, Zhou C H, Yang F, et al. Spatio-temporal evolution and the influencing factors of PM2.5in China between 2000 and 2011 [J]. Acta Geographica Sinica, 2017,72(11):2079-2092.

[13] 劉海猛,方創(chuàng)琳,黃解軍,等.京津冀城市群大氣污染的時(shí)空特征與影響因素解析 [J]. 地理學(xué)報(bào), 2018,73(1):177-191. 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.

[14] 賀 祥,林振山,劉會(huì)玉,等.基于灰色關(guān)聯(lián)模型對(duì)江蘇省PM2.5濃度影響因素的分析 [J]. 地理學(xué)報(bào), 2016,71(7):1119-1129. He X, Lin Z S, Liu H Y, et al. Analysis of the driving factors of PM2.5in Jiangsu province based on grey correlation model [J]. Acta Geographica Sinica, 2016,71(7):1119-1129.

[15] 段杰雄,翟衛(wèi)欣,程承旗,等.中國(guó)PM2.5污染空間分布的社會(huì)經(jīng)濟(jì)影響因素分析 [J]. 環(huán)境科學(xué), 2018,39(5):2498-2504. Duan J X, Zhai W X, Cheng C Q, et al. Socio-economic factors influencing the spatial distribution of PM2.5concentrations in China: An exploratory analysis [J]. Environmental Science, 2018,39(5):2498- 2504.

[16] 曹 寧,黃學(xué)敏,祝 穎,等.西安冬季重污染過(guò)程PM2.5理化特征及來(lái)源解析 [J]. 中國(guó)環(huán)境科學(xué), 2019,39(1):32-39. Cao N, Huang X M, Zhu Y, et al. Pollution characteristics and source apportionment of fine particles during a heavy pollution in winter in Xi'an City [J]. China Environmental Science, 2019,39(1):32-39.

[17] Lin X, Wang D. Spatiotemporal evolution of urban air quality and socioeconomic driving forces in China [J]. Journal of Geographical Sciences, 2016,26(11):1533-1549.

[18] Han L J, Zhou W Q, Li W F, et al. Impact of urbanization level on urban air quality: a case of fine particles (PM2.5) in Chinese cities [J]. Environmental Pollution, 2014,194(1):163-170.

[19] Li L, Qian J, Ou C Q, et al. Spatial and temporal analysis of Air Pollution Index and its timescale-dependent relationship with meteorological factors in Guangzhou, China, 2001~2011 [J]. Environmental Pollution, 2014,190(7):75-81.

[20] Sabetghadam S, Ahmadi-Givi F. Relationship of extinction coefficient, air pollution, and meteorological parameters in an urban area during 2007 to 2009 [J]. Environmental Science and Pollution Research, 2014,21(1):538-547.

[21] 李穎敏,鄧雪嬌,鄧 濤,等.中山市2000~2014年霾天氣特征及氣象影響因子 [J]. 中國(guó)環(huán)境科學(xué), 2016,36(6):1638-1644. Li Y M, Deng X J, Deng T, et al. Haze characteristics associated with meteorological factors in Zhongshan during 2000~2014 [J]. China Environmental Science, 2016,36(6):1638-1644.

[22] Zhang Z, Zhang X, Gong D, et al. Evolution of surface O3, and PM2.5, concentrations and their relationships with meteorological conditions over the last decade in Beijing [J]. Atmospheric Environment, 2015, 108:67-75.

[23] 吳 蒙,范紹佳,吳 兌,等.廣州地區(qū)灰霾與清潔天氣變化特征及影響因素分析 [J]. 中國(guó)環(huán)境科學(xué), 2012,32(8):1409-1415. Wu M, Fan S J, Wu D, et al. Characteristics and influence factors study of haze and cleaning weather over Guangzhou Area [J]. China Environmental Science, 2012,32(8):1409-1415.

[24] Ma?eikis A. Urbanization influence on meteorological parameters of air pollution: Vilnius case study [J]. Baltica, 2013,26(1):51-56.

[25] 王嫣然,張學(xué)霞,趙靜瑤,等.2013~2014年北京地區(qū)PM2.5時(shí)空分布規(guī)律及其與植被覆蓋度關(guān)系的研究 [J]. 生態(tài)環(huán)境學(xué)報(bào), 2016,25(1): 103-111. Wang Y R, Zhang X X, Zhao J Y, et al. Temporal and spatial distribution of PM2.5and its relationship with vegetation coverage in Beijing during the period of 2013~2014 [J]. Ecology and Environmental Sciences, 2016,25(1):103-111.

[26] Xie Y H, Weng Q H. World energy consumption pattern as revealed by DMSP-OLS nighttime light imagery [J]. Mapping Sciences and Remote Sensing, 2016,53(2):265-282.

[27] GB 3095-2012 環(huán)境空氣質(zhì)量標(biāo)準(zhǔn) [S]. GB 3095-2012 Ambient air quality standards [S].

[28] HJ 663-2013 環(huán)境空氣質(zhì)量評(píng)價(jià)技術(shù)規(guī)范(試行) [S]. HJ 663-2013 Technical regulation for ambient air quality assessment (on trial) [S].

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

[30] 國(guó)家統(tǒng)計(jì)局.中國(guó)縣域統(tǒng)計(jì)年鑒-2017 [M]. 北京:中國(guó)統(tǒng)計(jì)出版社, 2018:32-374. National Bureau of Statistics. China county statistical yearbook 2017 [M]. Beijing: China Statistics Press, 2018:32-374.

[31] 國(guó)家統(tǒng)計(jì)局.中國(guó)城市統(tǒng)計(jì)年鑒-2017 [M]. 北京:中國(guó)統(tǒng)計(jì)出版社, 2018:13-338. National Bureau of Statistics. China City Statistical Yearbook 2017 [M]. Beijing: China Statistics Press, 2018:13-338.

[32] Anselin L, Bera A K, Florax R, et al. Simple diagnostic tests for spatial dependence [J]. Regional Science & Urban Economics, 1993,26(1): 77-104.

[33] 張振華.PM2.5濃度時(shí)空變化特性、影響因素及來(lái)源解析研究[D]. 杭州:浙江大學(xué), 2014. Zhang Z H. Research on spatial and temporal variation characteristics, factors, and source apportionment of PM2.5[D]. Hangzhou: Zhejiang University, 2014.

[34] 黃小剛,趙景波,曹軍驥,等.中國(guó)城市O3濃度時(shí)空變化特征及驅(qū)動(dòng)因素[J]. 環(huán)境科學(xué), 2019,40(3):120-1131. Huang X G, Zhao J B, Cao J J, et al. Spatial-temporal variation of ozone concentration and its driving factors in China [J]. Environmental Science, 2019,40(3):120-1131.

[35] 宋 明,韓素芹,張 敏,等.天津大氣能見(jiàn)度與相對(duì)濕度和PM10及PM2.5的關(guān)系 [J]. 氣象與環(huán)境學(xué)報(bào), 2013,29(2):34-41. Song M, Han S Q, Zhang M, et al. Relationship between visibility and relative humidity, PM10, PM2.5in Tianjin [J]. Journal of Meteorology and Environment, 2013,29(2):34-41.

[36] Grossman G M, Krueger A B. Economic growth and the environment [J]. The Quarterly Journal of Economics, 1995,110(2):353-377.

Influence factors and spillover effect of PM2.5concentration on Fen-wei Plain.

HUANG Xiao-gang1,2,3, SHAO Tian-jie1*, ZHAO Jing-bo1,2, CAO Jun-ji2, SONG Yong-yong1

(1.School of Geography and Tourism, Shaanxi Normal University, Xi’an 710119, China；2.Key Laboratory of Aerosol Chemistry and Physics, Institute of Earth Environment, Chinese Academy of Sciences, Xi’ an 710061, China；3.College of Geographical Sciences, Shanxi Normal University, Linfen 041004, China)., 2019,39(8)：3539~3548

Based on data collected by real-time monitoring and remote sensing retrieval from 2015 to 2017, the paper probed into the spatial and temporal change of PM2.5concentration and its influence factors on Fen-wei Plain via spatial autocorrelation analysis and spatial regression analysis. The results showed that: 1) The growing trend of the concentration during these three years was a result of a rapid increase during the heating period (from November to next March), while there was no significant inter-annual variation during the non-heating period (from April to October). 2) The average monthly change of PM2.5concentration was in a U shape, with a much higher concentration during the heating period. And days with PM2.5non-attainment during the heating period to the total yearly PM2.5polluted days increased from the 75.0% in 2015 to the 83.4% in 2017. 3)Cities on the Plain were all in an increasing trend except Tongchuan and Sanmenxia, among which plains from Xianyang to Yuncheng and Luoyang Basin were experiencing the worst PM2.5pollution with a subtle rural-urban difference, and, thus, formed a highly polluted area. Then it followed by Linfen and plains along side the upper reach of Fen River, which were also in a bad condition but with an evident urban-rural difference. 4) Based on spatial regression analysis, there was a significant spatial spillover effect for the PM2.5concentration on the Plain. Driving factors including annual average temperature, urbanization rate, and energy consumption positively effected the PM2.5concentration, and additionally, they drove the PM2.5pollution of neighboring areas into a worse situation. On the contrary, annual precipitation and relief amplitude were not only negatively correlated with the concentration of PM2.5, they also helped for a lower PM2.5concentration in neighboring areas. Moreover, the transmission effect by wind facilitated the PM2.5pollution, while vegetation coverage discourage PM2.5concentration, but neither of their indirect effect was significant.

PM2.5；influence factors；temporal and spatial change；spatial regression；spatial autocorrelation；Fen-wei Plain

X196,F061.5

A

1000-6923(2019)08-3539-10

黃小剛(1978-),男,廣西臨桂人,講師,博士研究生,主要研究方向?yàn)樯鷳B(tài)環(huán)境評(píng)價(jià)與治理.發(fā)表論文8篇.

2019-01-03

國(guó)家自然科學(xué)基金資助項(xiàng)目(41671213);中央高?；究蒲袠I(yè)務(wù)費(fèi)資助專(zhuān)項(xiàng)項(xiàng)目(GK201803055);中國(guó)科學(xué)院氣溶膠化學(xué)與物理重點(diǎn)實(shí)驗(yàn)室資助項(xiàng)目(KLACP-2018-01)

* 責(zé)任作者, 副教授, tjshao2010@126.com