-
近年来,随着我国经济迅速增长,空气质量问题日渐凸显。在2016年中国环境公报披露的10个空气综合质量最差城市中,有6个城市位于京津冀地区,该地区已成为我国大气污染最为严重的区域[1-3]。目前,颗粒物污染是京津冀地区存在的主要空气质量问题之一,该区域多地PM.*?>=>2.5浓度已连续超标。实现京津冀地区空气质量提升必然要解决该地区颗粒物污染问题,因而探索PM.*?>=>2.5浓度影响因素对改善京津冀地区空气质量现状具有重要意义[4-6]。
工业革命以后,空气污染成为人类面临的重大难题之一,为此,学术界对NO.*?>=>x、SO.*?>=>2、NMVOC、CO、NH.*?>=>3和PM.*?>=>10等传统大气污染物展开了一系列研究[7-9]。随着颗粒物污染情况不断恶化,学术界愈发关注PM.*?>=>2.5的相关问题,其研究探讨多集中在2个方面。其一是PM.*?>=>2.5分布特征及其变化规律。甘茂林等[10]利用改进后的Moran's I指数得出了PM.*?>=>2.5污染呈现的空间分布趋势;李爽等[11]采用改进后的LUR模型对PM.*?>=>2.5浓度空间分布进行了模拟;南国卫等[12]则采用空间数据统计方法、克里金插值法以及Morlet小波分析法对陕西省PM.*?>=>2.5浓度的时空分布规律进行了研究。学者们聚焦不同地区并通过不同研究方法探究了PM.*?>=>2.5浓度的空间分布特征,大多数学者得出了较为统一的结论:时间上PM.*?>=>2.5浓度存在冬秋高、春夏低的特征,空间上则呈现显著的空间分异与聚集规律。其二是对PM.*?>=>2.5浓度驱动因素的研究。起初,学术界在这一方面的研究主要局限于探讨自然因素对区域PM.*?>=>2.5浓度的影响:周一敏等[13]对北京地区PM.*?>=>2.5浓度与气象要素进行了相关性分析,研究认为风向、边界层、相对湿度及降水强度对PM.*?>=>2.5浓度具有显著影响;徐文帅等[14]研究了PM.*?>=>2.5在2次沙尘污染过程中的浓度变化特征,得出PM.*?>=>2.5主要受水平扩散条件影响的结论。随着学术界对人类活动自然响应的认识逐渐深入,更多学者开始研究社会经济因素对PM.*?>=>2.5浓度的驱动作用。段杰雄等[15]利用GWR模型及OLS模型对比揭示出PM.*?>=>2.5浓度分布和各项因素之间的关系,形成了人均电力消费量与PM.*?>=>2.5浓度显著负相关、人均私家车保有量和PM.*?>=>2.5浓度显著正相关这一结论。李光勤等则采用ArcGIS技术和空间计量模型证明了PM.*?>=>2.5污染符合EKC假说[16]。
总的来看,短时间尺度如昼夜、月度和季节PM.*?>=>2.5浓度变化受到自然条件的影响更为显著,而社会经济因素则对较长时间尺度PM.*?>=>2.5浓度变化起到关键驱动[17-19]。从已有文献来看,在探究社会经济要素时,利用指数分解方法对PM.*?>=>2.5浓度影响因素实现完全分解的研究甚少;同时,京津冀地区作为我国空气污染最为严重的地区之一,针对这一地区PM.*?>=>2.5浓度年度变化特征及其驱动因素的研究探讨尚不充分,针对该地区各设区市PM.*?>=>2.5浓度的深入探讨也不完善。鉴于此,本文将聚焦京津冀地区,基于2000~2016年设区市面板数据,利用扩展的IPAT方程以及对数平均迪氏指数分解方法对该地区PM.*?>=>2.5浓度实现完全分解;在此基础上从时间、空间等不同视角对京津冀地区PM.*?>=>2.5浓度的驱动因素进行分析并界定影响京津冀地区PM.*?>=>2.5浓度变化的主导因素,进而尝试对京津冀地区颗粒物污染治理路径展开探讨。
京津冀地区PM.*?>=>2.5浓度变化的驱动因素及其时空效应
Driving Factors and Spatial-Temporal Effects of PM.*?>=>2.5 Concentration Variations in Beijing-Tianjin-Hebei Region
-
摘要: 基于京津冀地区2000~2016年13座设区市的面板数据,使用IPAT方程和LMDI方法对区域PM.*?>=>2.5年平均浓度变化的驱动因素进行完全分解,从时间、空间等不同视角展开研究。结果表明:首先,技术效应和产出效应分别是抑制和促进PM.*?>=>2.5浓度提升的主要驱动因素,规模效应起促进作用但累计贡献较弱,经济发展与环境污染之间的矛盾在京津冀地区依旧尖锐;其次,京津冀地区PM.*?>=>2.5浓度在研究期内波动变化且存在较强的阶段性特征,政策变动和社会经济背景直接对3大效应产生影响,进而改变区域PM.*?>=>2.5浓度,京津冀地区环境政策的前瞻性和连续性有待提升;再次,京津冀地区各效应对PM.*?>=>2.5浓度变化的驱动特征呈现一定的空间分布规律且空间差异显著,自然禀赋差异、城市群空间布局及不同的发展思路和政策环境共同塑造了区域PM.*?>=>2.5浓度的空间特征。最后在此基础上针对京津冀地区防霾治霾问题展开相应探讨。
-
关键词:
- 京津冀地区 /
- PM.*?>=.*?>=>>2.5浓度 /
- LMDI分解法 /
- 时空效应
Abstract: Based on the panel data of 13 districts and cities in the Beijing-Tianjin-Hebei region from 2000 to 2016, the IPAT equation and the LMDI method were used to completely decompose the driving factors of the regional average concentration change of PM.*?>=>2.5 from the spatial-temporal aspect. The results showed that the technical effect and output effect were respectively the main driving factors for inhibiting and promoting the increase of PM.*?>=>2.5 concentration. The scale effect played a weak role as a promoting factor. The contradiction between the economic development and the environmental pollution was still sharp in the Beijing-Tianjin-Hebei region. The PM.*?>=>2.5 concentration in the Beijing-Tianjin-Hebei region fluctuated during the study period with a strong stage characteristic. The policy changing and the social and economic background directly affected the three driving factors, thus further changing the regional PM.*?>=>2.5 concentration. Therefore, the prospective and continuous environmental policy of the Beijing-Tianjin-Hebei region would be further improved. In addition, the driving effects of the PM.*?>=>2.5 concentration in the Beijing-Tianjin-Hebei region occurred with a certain spatial distribution law and the spatial difference was significant. The differences with natural environmental conditions, spatial layout of urban agglomerations, different development ideas and policy environments contributed the spatial characteristic of PM.*?>=>2.5 concentration. On this basis, the prevention and treatment of Anti-fog in the Beijing-Tianjin-Hebei region was discussed. -
表 1 研究期内京津冀地区PM.*?>=>2.5浓度影响因素分解
μg/m3 t/a 技术效应 产出效应 规模效应 总效应 2000~2001 5.925 3.893 0.222 10.040 2001~2002 −9.438 4.106 0.280 −5.053 2002~2003 4.017 6.475 0.706 11.198 2003~2004 −16.450 8.310 0.318 −7.821 2004~2005 −7.082 11.209 0.429 4.557 2005~2006 5.730 6.702 0.606 13.039 2006~2007 −12.118 8.913 0.812 −2.393 2007~2008 −14.741 8.703 1.241 −4.797 2008~2009 −2.847 5.128 0.195 2.476 2009~2010 −13.511 8.357 0.560 −4.594 2010~2011 −7.209 8.538 −0.018 1.311 2011~2012 −9.187 4.559 0.463 −4.165 2012~2013 6.599 4.035 0.392 11.026 2013~2014 −11.838 2.596 1.643 −7.598 2014~2015 −0.197 2.258 0.460 2.521 2015~2016 −5.346 4.435 0.477 −0.434 -
[1] 胡志强, 苗健铭, 苗长虹. 中国地市工业集聚与污染排放的空间特征及计量检验[J]. 地理科学, 2018, 38(2): 168 − 176. [2] 屈超, 陈婷婷, 刘佳, 等. 中国典型城市PM.*?>=>2.5浓度时空演绎规律及影响因素分析[J]. 环境科学研究, 2019, 32(7): 1 − 14. [3] 张建忠, 李坤玉, 王冠岚, 等. 京津冀4次重度污染过程的气象要素分析[J]. 气象与环境科学, 2016, 39(1): 19 − 25. [4] PAN S, DU S S, WANG X R, et al. Analysis and interpretation of the particulate matter(PM.*?>=>10 and PM.*?>=>2.5)concentrationsat the subway stations in Beijing, China[J]. Sustainable Cities and Society, 2019, 45: 366 − 377. doi: 10.1016/j.scs.2018.11.020 [5] TSAI T Y, LO L W, LIU S H, et al. Diurnal cardiac sympathetic hyperactivity after exposure to acute particulate matter 2.5 air pollution[J]. Journal of Electrocardiology, 2019, 52: 112 − 116. doi: 10.1016/j.jelectrocard.2018.11.012 [6] 吴健, 齐晓宝, 苏敬华, 等. 2015年上海崇明岛PM.*?>=>2.5和PM.*?>=>10浓度变化特征及气象因素影响分析[J]. 气象与环境科学, 2019, 42(3): 1 − 8. [7] 么相姝, 金如委. 全运会期间天津市大气污染物时空变化特征[J]. 环境科学与技术, 2018, 41(9): 110 − 116. [8] ANVARI S, KHALILARYA S, ZARE V. Exergoeconomic and environmental analysis of a novel configuration of solar-biomass hybrid power generation system[J]. Energy, 2018, 165: 776 − 789. doi: 10.1016/j.energy.2018.10.018 [9] JAN M, ONDŘEJ V, LADISLAV S. Impact assessment of Proposal for a Directive on the limitation of emissions from medium combustion plants-National impact assessment compared to the European impact estimate[J]. Renewable and Sustainable Energy Reviews, 2018, 82: 1854 − 1862. doi: 10.1016/j.rser.2017.06.119 [10] 甘茂林, 吕王勇, 符璐. 基于改进Moran's I指数的成都市PM.*?>=>2.5的空间统计分析[J]. 环境科学与技术, 2016, 39(9): 187 − 193. [11] 李爽, 翟亮, 桑会勇, 等. 基于改进LUR模型的大区域PM.*?>=>2.5浓度空间分布模拟[J]. 武汉大学学报(信息科学版), 2018, 43(10): 1574 − 1579. [12] 南国卫, 孙虎, 朱一梅. 陕西省PM.*?>=>2.5时空分布规律及其影响因素[J]. 环境科学研究, 2018, 31(5): 834 − 843. [13] 周一敏, 赵昕奕. 北京地区PM.*?>=>2.5浓度与气象要素的相关分析[J]. 北京大学学报(自然科学版), 2017, 53(1): 111 − 124. [14] 徐文帅, 张大伟, 李云婷, 等. 北京两次沙尘污染过程中PM.*?>=>2.5浓度变化特征[J]. 气候与环境研究, 2016, 21(1): 78 − 86. [15] 段杰雄, 翟卫欣, 程承旗, 等. 中国PM.*?>=>2.5污染空间分布的社会经济影响因素分析[J]. 环境科学, 2018, 39(5): 2498 − 2504. [16] 李光勤, 秦佳虹, 何仁伟. 中国大气PM.*?>=>2.5污染演变及其影响因素[J]. 经济地理, 2018, 38(8): 11 − 18. [17] DING Y T, ZHANG M, QIAN X Y, et al. Using the geographical detector technique to explore the impact of socioeconomic factors on PM.*?>=>2.5 concentrationsin China[J]. Journal of Cleaner Production, 2019, 211: 1480 − 1490. doi: 10.1016/j.jclepro.2018.11.159 [18] COX L A. Socioeconomic and Particulate Air Pollution Correlates of Heart Disease Risk[J]. Environmental Research, 2018, 167: 386 − 392. doi: 10.1016/j.envres.2018.07.023 [19] 耿海清, 任景明. 我国PM.*?>=>2.5污染控制策略及环境影响评价的应对建议[J]. 环境保护科学, 2012, 38(6): 56 − 59. [20] EHRLICH P R, HOLDREN J P. One-dimensional economy[J]. Bulletin of the Atomic Scientists, 1972, 28(5): 16 − 27. doi: 10.1080/00963402.1972.11457930 [21] COMMONER B.Making Peace with the Planet[M].New York: New Press, 1992. [22] CHONTANAWAT J. Decomposition analysis of CO.*?>=>2 emission in ASEAN: An extended IPAT model[J]. Energy Procedia, 2018(153): 186 − 190. [23] MAGEEA C L, DEVEZAS T C. Specifying technology and rebound in the IPAT identity[J]. Procedia Manufacturing, 2018, 21: 476 − 485. doi: 10.1016/j.promfg.2018.02.147 [24] ANG B W. Decomposition analysis for policymaking in energy:Which is the preferred method?[J]. Energy Policy, 2004, 32(9): 1131 − 1139. doi: 10.1016/S0301-4215(03)00076-4 [25] 马海良, 姜明栋, 侯雅如. 长江经济带城镇化对工业用水的脱钩研究——基于“十一五”和“十二五”时期的对比分析[J]. 长江流域资源与环境, 2018, 27(8): 1683 − 1692. [26] 赵卉卉, 王明旭, 张永波. 基于LMDI方法的广东省生活能源消费影响因素分析[J]. 环境保护科学, 2017, 43(3): 8 − 13. [27] 韩钰铃, 刘益平. 基于LMDI的江苏省工业碳排放影响因素研究[J]. 环境科学与技术, 2018, 41(12): 278 − 284.