涂田云， 楊東陽， 苗長虹，2， 張 晗

（1.河南大學黃河文明與可持續(xù)發(fā)展研究中心暨黃河文明省部共建協(xié)同創(chuàng)新中心，河南開封 475001；2.河南大學地理與環(huán)境學院，河南開封 475004）

工業(yè)、機動車尾氣等被認為是城市PM2.5的主要來源［1-2］，工業(yè)區(qū)、道路也被識別為城市PM2.5的主要來源區(qū)域［3-4］. Han 等［5］指出，土地利用類型中的人工地表或建設用地面積增加對環(huán)境有一定影響；也有學者認為，城市郊區(qū)的懸浮顆粒物會受城市熱島效應的影響，而向中心城區(qū)聚集［6］；作為一種大氣污染物，PM2.5的傳播和擴散受氣象條件的直接影響［7］；而社會經(jīng)濟因素則影響著PM2.5來源的長期變化，進一步影響PM2.5濃度的長期趨勢［8］.

城鎮(zhèn)化轉(zhuǎn)變了城鄉(xiāng)地域系統(tǒng)的自然和社會經(jīng)濟因素. 城鎮(zhèn)化過程中，人口聚集、工業(yè)和交通的發(fā)展、城市的空間擴張，都影響PM2.5污染源的產(chǎn)生，因而城鎮(zhèn)化與PM2.5濃度的長期演變有著潛在的重要關(guān)系. 在此方面有學者對城鎮(zhèn)化與PM2.5濃度的長期關(guān)系進行了研究，Han等［9］對2001—2006年中國城鎮(zhèn)化與PM2.5濃度的關(guān)系進行了分析，表明城鎮(zhèn)人口與PM2.5濃度有顯著正相關(guān)關(guān)系；Yang等［10-12］探討了PM2.5與城鎮(zhèn)化的演變關(guān)系，指出中國城鎮(zhèn)化與PM2.5濃度存在正相關(guān)性. 依據(jù)諾瑟姆曲線理論，城鎮(zhèn)化在不同的發(fā)展階段對社會經(jīng)濟因素的影響也有差異［13］，有研究從全球尺度和國家尺度對二者潛在的環(huán)境庫茲涅茨曲線關(guān)系（EKC）進行了探討［14-15］. 但是，區(qū)域差異的城鎮(zhèn)化，也對PM2.5濃度格局及其演變趨勢有一定程度的影響. 黃河流域橫跨我國東、中、西三大經(jīng)濟帶，區(qū)域城鎮(zhèn)化差異顯著，PM2.5濃度也具有明顯的空間差異性. 高質(zhì)量發(fā)展背景下，黃河流域PM2.5濃度的時空演變及其與城鎮(zhèn)化的關(guān)系，值得進一步深入研究.

1 數(shù)據(jù)與研究方法

1.1 研究區(qū)域

選擇黃河流域8 省共91 個地級市作為研究區(qū)域，探討該區(qū)域空氣中PM2.5濃度與城鎮(zhèn)化的演變關(guān)系.黃河全長約5464 km，自西向東分別流經(jīng)青海、四川、甘肅、寧夏、內(nèi)蒙古、陜西、山西、河南、山東9 省區(qū)，最后流入渤海. 黃河以內(nèi)蒙古托克托縣的河口鎮(zhèn)、河南省滎陽市的桃花峪為上、中、下游分界點. 由于四川省屬于長江經(jīng)濟帶，內(nèi)蒙古東四盟（赤峰市、通遼市、呼倫貝爾市和興安盟）廣義上歸屬為東北地區(qū)［16］，故本研究將研究區(qū)域界定為黃河流經(jīng)省份中的91 個地級以上城市，具體包括有青海8 市（州）、甘肅14 市（州）、寧夏5市、內(nèi)蒙古8市（盟）、陜西10 市、河南18 市、山西11市、山東17市（圖1）.

圖1 研究區(qū)域Fig.1 Study area

1.2 數(shù)據(jù)來源

PM2.5濃度數(shù)據(jù)來源于達爾豪斯大學大氣成分分析組測算的全球PM2.5濃度產(chǎn)品數(shù)據(jù)集（http：//fizz.phys.dal.ca/～atmos/martin/?page_id=140）. 該數(shù)據(jù)由遙感反演氣溶膠結(jié)合大氣化學傳輸模型進行估算，并基于觀測站點數(shù)據(jù)，應用地理加權(quán)回歸模型進行校正，具有觀測時間長、觀測精度高、覆蓋范圍廣等優(yōu)點［17］. 本研究選取原始空間分辨率為0.1°×0.1°，時間序列為2000—2017年的達爾豪斯大學大氣成分分析組測算的PM2.5年平均濃度數(shù)據(jù)，應用ArcGIS軟件分區(qū)統(tǒng)計工具提取出黃河流域各市年平均PM2.5濃度數(shù)據(jù).

城鎮(zhèn)人口（非農(nóng)人口）占常住人口比重作為城鎮(zhèn)化水平代理變量. 地級市城鎮(zhèn)人口（非農(nóng)人口）和常住人口數(shù)據(jù)（2000—2017）來自《中國城市統(tǒng)計年鑒》，人均GDP、建成區(qū)面積占比、民用汽車擁有量、工業(yè)煙塵排放量和綠化覆蓋率數(shù)據(jù)（2000—2017）來源于中國經(jīng)濟社會大數(shù)據(jù)研究平臺、《中國城市統(tǒng)計年鑒》《中國城市建設統(tǒng)計年鑒》和《中國區(qū)域經(jīng)濟統(tǒng)計年鑒》，部分缺失數(shù)據(jù)通過省級統(tǒng)計年鑒、地市統(tǒng)計年鑒、社會經(jīng)濟發(fā)展統(tǒng)計公告以及插值等方法進行補充.

1.3 研究方法

1.3.1 趨勢分析

在時間序列的數(shù)據(jù)分析中，一元線性回歸通常用于擬合觀測變量與時間的線性關(guān)系，并用擬合系數(shù)即斜率（Slope）反映觀測變量在一定時間內(nèi)的變化趨勢. 公式如下：

式中：Slope表示PM2.5濃度隨時間的變化趨勢；n為研究時間長度；Pi表示第i年的平均PM2.5濃度. Slope為正，表示隨時間推移，PM2.5濃度呈逐漸增長趨勢；Slope 為負，表示隨時間推移，PM2.5濃度呈逐漸下降趨勢；Slope絕對值越大，表示增長或下降趨勢越大.

1.3.2 地理加權(quán)回歸模型

地理加權(quán)回歸是空間變系數(shù)回歸方法，用以檢驗自變量對因變量影響的空間差異，計算公式如下：

式中：yi表示空間單元i的因變量；β0表示空間單元i的初始回歸系數(shù)；(ui,vi)為空間坐標；k表示回歸系數(shù)的個數(shù)；xik表示第k個自變量在空間單元i的值；βk表示第k個回歸系數(shù)，它隨空間單元i變化，反應自變量對因變量的空間影響；εi是空間單元i的誤差項.

本研究分別以PM2.5濃度及其變化趨勢為因變量，以城鎮(zhèn)化水平為自變量，構(gòu)建地理加權(quán)回歸模型，探討黃河流域城市尺度城鎮(zhèn)化水平對PM2.5濃度及其變化趨勢的影響.

1.3.3 EKC模型

二次曲線是研究環(huán)境污染與城市化（或收入水平）之間潛在EKC關(guān)系的常用經(jīng)驗模型，公式為：

式中：Yit代表研究單元i在t時刻所受環(huán)境污染程度；Xit代表單元i在t時刻的收入水平或經(jīng)濟產(chǎn)出；β1和β2為估計系數(shù)；εit是研究單元i在t時刻的誤差項. 若β1>0，β2＜0，則環(huán)境污染隨收入增加或經(jīng)濟發(fā)展呈現(xiàn)倒“U”型變化趨勢；若β1＜0，β2>0，則環(huán)境污染隨收入增加或經(jīng)濟發(fā)展呈現(xiàn)“U”型變化趨勢.

考慮經(jīng)濟發(fā)展水平、城市建設、交通與工業(yè)排放等對PM2.5濃度及其與城鎮(zhèn)化演變關(guān)系的影響，將人均GDP（PGDP）、建成區(qū)面積占比（PBuilt）、民用汽車擁有量（Vehicle）、工業(yè)煙塵排放量（Dust）和綠化覆蓋率（Green）作為控制變量，構(gòu)建以下模型，驗證潛在的PM2.5與城鎮(zhèn)化的EKC關(guān)系.

式中：PMit表示地級市i在第t年的PM2.5濃度；Urbit代表地級市i在第t年的城鎮(zhèn)化率水平；Urbit2 為地級市i在第t年的城鎮(zhèn)化率的平方；PGDP、PBuilt、Vehicle、Dust 和Green 分別表示控制變量即人均GDP、建成區(qū)面積占比、民用汽車擁有量、工業(yè)煙塵排放量和綠化覆蓋率.

2 結(jié)果分析

2.1 黃河流域PM2.5濃度時間變化

2.1.1 PM2.5濃度時序演變

本研究統(tǒng)計了2000—2017 年黃河流域8 個省份及整個研究區(qū)域PM2.5平均濃度變化情況（圖2）. 從空間分布上看，河南和山東PM2.5濃度均值始終較高且變化幅度基本相同，均高于黃河流域PM2.5平均濃度，甘肅PM2.5平均濃度始終略高于黃河流域整體水平，而內(nèi)蒙古的PM2.5平均濃度始終低于黃河流域整體年均濃度，山西波動幅度小，青海、寧夏、陜西、山西與黃河流域整體濃度均值差別較小且波動方向基本相同.

圖2 PM2.5濃度時間變化Fig.2 Time change of PM2.5 concentration

從時間變化上看，研究區(qū)域2000年P(guān)M2.5年均濃度值最?。?5.51 μg/m3），以后持續(xù)增加，2014年達到最大（45.14 μg/m3）. 河南、山東和陜西PM2.5平均濃度均在2007 年達到年際最大值，內(nèi)蒙古、甘肅、青海、寧夏和山西PM2.5均在2006 年達平均濃度最大值. 此后，黃河流域各地市PM2.5平均濃度都有所下降且呈小幅波動，2014 年青海PM2.5平均濃度再次升高（51.82 μg/m3），黃河流域及其他地市的PM2.5污染均在2013年回升，2013 年世界上空氣污染最嚴重的城市中有2 個分布在黃河流域，即蘭州和濟南. 同年9 月，國務院發(fā)布了《大氣污染防治行動計劃》等政策后，各地市空氣污染程度有所下降，但2017年又逐漸升高.

2.1.2 PM2.5濃度等級分類及評價

為了進一步了解黃河流域2000—2017年P(guān)M2.5濃度等級分類的時間變化，參照相關(guān)標準［18］并結(jié)合研究區(qū)域PM2.5年均濃度的范圍，對黃河流域空氣質(zhì)量指數(shù)進行級別劃分. 具體分為6個等級：優(yōu)（>0～20 μg/m3）、良（>20～35 μg/m3）、輕度污染（>35～50 μg/m3）、中度污染（>50～75 μg/m3）、重度污染（>75～90 μg/m3）及嚴重污染（90 μg/m3以上）.

2000—2017 年6 個等級的PM2.5濃度所占的比例如圖3 所示：①2000 年P(guān)M2.5濃度范圍為0～20 μg/m3（優(yōu)）占比最大，2008 年、2010 年、2013 年和2014 年空氣質(zhì)量為優(yōu)這一范圍的占比最??；②嚴重污染出現(xiàn)在2006 年、2007 年和2013 年；③輕度污染和中度污染的變化幅度最?。虎?000—2017 年，空氣質(zhì)量為良的PM2.5濃度范圍上下波動較大，其中，2000 年、2012 年、2015—2017 年空氣質(zhì)量為良這一范圍的PM2.5濃度占比較大，2006—2007 年較少；⑤2000 年、2003 年、2005—2017 年均出現(xiàn)了重度污染. 通過分析2000—2017 年黃河流域91 個地級市PM2.5平均濃度占比發(fā)現(xiàn)，研究區(qū)域整體PM2.5污染濃度等級由低濃度向高濃度波動.

圖3 PM2.5濃度等級分類評價Fig.3 Classification and evaluation of PM2.5 concentration levels

2.2 PM2.5濃度與變化趨勢的空間差異

通過ArcGIS分區(qū)統(tǒng)計工具提取2000—2017年黃河流域各市平均PM2.5濃度值，將2000年、2017年和研究期間平均PM2.5濃度值及其變化趨勢進行可視化表達（圖4），分析PM2.5的空間分布格局與變化趨勢. 從研究區(qū)域上看，河南、山東兩地PM2.5濃度普遍較高，陜西、山西、甘肅、寧夏和青海的部分地市PM2.5濃度偏高，內(nèi)蒙古PM2.5濃度較低. 從變化趨勢上看，PM2.5濃度增加或減少幅度有較大差異，同一省份內(nèi)，不同地市間變化趨勢明顯不同. 寧夏所有地市PM2.5濃度均逐漸減小，河南、山東的所有地市PM2.5濃度在研究期間內(nèi)不斷增加，山西、甘肅和青海中的地市PM2.5濃度減少和增長均存在；PM2.5增長較大的地市均分布在山東；河南、甘肅、山西、陜西、寧夏、內(nèi)蒙古和山東的部分地市PM2.5呈增長趨勢.

圖4 PM2.5濃度與變化趨勢的空間分異Fig.4 Spatial differentiation of PM2.5 concentration and variation trend

2.3 黃河流域PM2.5濃度與城鎮(zhèn)化的演變關(guān)系分析

2.3.1 城鎮(zhèn)化對PM2.5濃度及其變化趨勢影響的區(qū)域差異

城鎮(zhèn)化水平對PM2.5濃度及長期變化趨勢具有潛在的重要影響，黃河流域城鎮(zhèn)化區(qū)域差異明顯，對PM2.5濃度及2000—2017年P(guān)M2.5濃度變化趨勢的影響也有一定的區(qū)域差異. 因此，以研究時段初始年份即2000年黃河流域各地市城鎮(zhèn)化水平的標準化值為自變量，并分別以初始年份PM2.5濃度和2000—2017 年P(guān)M2.5濃度變化趨勢的標準化值為因變量，構(gòu)建地理加權(quán)回歸模型，分別探討黃河流域城鎮(zhèn)化對其空氣中PM2.5濃度及其變化趨勢影響的區(qū)域差異.

采用R語言spgwr包的地理加權(quán)回歸模型和計算函數(shù)“gwr”對模型進行計算，得到城鎮(zhèn)化對PM2.5濃度及其變化趨勢影響的地理加權(quán)回歸結(jié)果（圖5）. 從圖5（a）可以看出，城鎮(zhèn)化對PM2.5濃度的影響有明顯的區(qū)域差異. 具體看，山東西部大部分城市，河南的信陽、三門峽、濮陽，陜西、山西、甘肅大部分城市及內(nèi)蒙古的巴彥淖爾、青海的西寧等城市城鎮(zhèn)化的系數(shù)為負，表明這些城市城鎮(zhèn)化的發(fā)展對PM2.5濃度有負向影響；而在山東的東部、河南的中部、陜西的南部、山西的東部、內(nèi)蒙古的中部和甘肅的祁連山一線的大部分城市，城鎮(zhèn)化的系數(shù)為正，表明這些城市城鎮(zhèn)化的發(fā)展對PM2.5濃度有正向影響. 從圖5（b）可以看出，在河南省的中部和山東省的東部大部分城市，城鎮(zhèn)化對PM2.5濃度的變化趨勢具有正向影響，即這些城市城鎮(zhèn)化水平較高，但PM2.5濃度的增長緩慢；而在山東的西部、河南的西部及以西的大部分城市，城鎮(zhèn)化系數(shù)為正，表明這些城市的城鎮(zhèn)化對PM2.5濃度變化具有負向影響，即這些城市城鎮(zhèn)化水平較低，但PM2.5濃度增長較快.

圖5 城鎮(zhèn)化對PM2.5濃度及其變化趨勢影響的區(qū)域差異Fig.5 Regional differences in the impact of urbanization on PM2.5 concentration and its changing trend

2.3.2 PM2.5與城鎮(zhèn)化的EKC關(guān)系驗證

由于部分城市經(jīng)濟數(shù)據(jù)缺失較嚴重，故僅選取黃河流域2000—2017 年80 個地級市的相關(guān)面板數(shù)據(jù)進行回歸分析，將PM2.5平均濃度作為因變量，城鎮(zhèn)化率和城鎮(zhèn)化率平方作為自變量，人均GDP、建成區(qū)面積占比、民用汽車擁有量、工業(yè)煙塵排放量和綠化覆蓋率等指標作為控制變量構(gòu)建EKC模型. 為消除量綱的差異，對各變量進行了標準化處理.

計算得到面板數(shù)據(jù)模型的結(jié)果如表1. 由表1可以看出，城鎮(zhèn)化率的系數(shù)在0.01的水平下顯著為正，城鎮(zhèn)化率平方的系數(shù)在0.01的水平下顯著為負，表明研究區(qū)域PM2.5與城鎮(zhèn)化有顯著的EKC關(guān)系，呈倒“U”型曲線，即PM2.5濃度隨城鎮(zhèn)發(fā)展呈明顯的先增加后減少的變化. 人均GDP、建成區(qū)面積占比、民用汽車擁有量等變量系數(shù)也顯著為正，表明以3個變量為代表的經(jīng)濟發(fā)展水平、城市擴張和交通等對PM2.5濃度增長有促進作用. 工業(yè)煙塵排放量系數(shù)為負，但并不顯著. 從實際上看，研究期間較多城市工業(yè)煙塵排放量呈現(xiàn)不穩(wěn)定波動或減少趨勢，這或與各城市加大工業(yè)污染排放治理有關(guān). 綠化覆蓋率系數(shù)為正，但也不顯著. 從實際上看，較多城市綠化覆蓋率有增加趨勢，但綠色植被對顆粒物的吸附與凈化尚不能抵消人類活動的排放，因而未能表現(xiàn)出負向影響.

表1 黃河流域EKC模型的參數(shù)估計結(jié)果Tab.1 Parameter estimation results of EKC model in the Yellow River Basin

3 總結(jié)

本文運用趨勢分析、地理加權(quán)回歸和空間面板模型，分析了黃河流域2000—2017年P(guān)M2.5濃度的時間變化、空間差異以及PM2.5濃度與城鎮(zhèn)化的演變關(guān)系. 結(jié)果表明：①研究期間內(nèi)，黃河流域PM2.5平均濃度整體波動幅度小，2000年出現(xiàn)最小值，最大值出現(xiàn)在2014年，研究區(qū)域整體污染濃度等級由低濃度向高濃度呈增加趨勢. ②從空間差異上看，河南、山東兩地PM2.5濃度普遍較高，陜西、山西、甘肅、寧夏和青海中有部分地級市PM2.5濃度偏高，內(nèi)蒙古濃度較低. 從變化趨勢上看，PM2.5濃度增加或減少幅度有較大差異，同一省份內(nèi)，不同地市間變化趨勢明顯不同. 山東各地市PM2.5濃度隨時間上下波動幅度較大，河南、甘肅、山西、陜西、寧夏、內(nèi)蒙古的部分地級市PM2.5濃度隨時間有小幅波動，其余地市PM2.5濃度隨時間變化較小. ③在不同城市，城鎮(zhèn)化對PM2.5濃度及其變化趨勢的影響具有明顯差異：山東省的西部城市，河南省的信陽、三門峽、濮陽，黃土高原大部分城市及內(nèi)蒙古的巴彥淖爾和青海的西寧等地的城鎮(zhèn)化對PM2.5濃度有負向影響，而山東省的東部、河南省的中部、陜西省的南部、內(nèi)蒙古的中部和甘肅省的祁連山一線城市城鎮(zhèn)化對PM2.5濃度有正向影響；河南省的中部和山東省的東部大部分城市城鎮(zhèn)化對PM2.5濃度的變化趨勢具有正向影響，山東省的西部、河南省的西部及其以西的大部分城市城鎮(zhèn)對PM2.5濃度變化趨勢具有負向影響. ④從二者演變關(guān)系來看，研究區(qū)域PM2.5濃度隨城鎮(zhèn)化發(fā)展呈倒“U”型變化趨勢. 此外，經(jīng)濟發(fā)展、城市擴張、交通等因素對PM2.5濃度增長有顯著促進作用.