長江經(jīng)濟(jì)帶PM2.5時空特征及影響因素研究

楊 冕 王 銀

(1.武漢大學(xué)經(jīng)濟(jì)與管理學(xué)院，湖北 武漢 430072；2.武漢大學(xué)人口·資源與環(huán)境經(jīng)濟(jì)研究中心，湖北 武漢 430072)

長江經(jīng)濟(jì)帶PM2.5時空特征及影響因素研究

楊 冕1,2王 銀1

(1.武漢大學(xué)經(jīng)濟(jì)與管理學(xué)院，湖北 武漢 430072；2.武漢大學(xué)人口·資源與環(huán)境經(jīng)濟(jì)研究中心，湖北 武漢 430072)

大氣細(xì)顆粒物(PM2.5)因其對空氣環(huán)境質(zhì)量乃至人類健康的巨大危害而逐漸引起學(xué)者們的關(guān)注。本文以我國綜合實(shí)力最強(qiáng)、戰(zhàn)略支撐作用最為突出的區(qū)域之一——長江經(jīng)濟(jì)帶為研究對象，基于城市級空氣質(zhì)量監(jiān)測數(shù)據(jù)，運(yùn)用地理學(xué)時空分析與GIS可視化方法探索并呈現(xiàn)了2015年長江經(jīng)濟(jì)帶PM2.5的時空分布特征及其演變規(guī)律；在此基礎(chǔ)上，結(jié)合空間回歸模型考察了PM2.5濃度與區(qū)域城市發(fā)展之間的內(nèi)在關(guān)系。結(jié)果表明，就空間特征而言，長江中下游地區(qū)PM2.5污染較長江上游地區(qū)更為嚴(yán)重，長江北岸地區(qū)比長江南岸地區(qū)更為嚴(yán)重；PM2.5高濃度集聚地帶主要位于鄂皖蘇大部分地區(qū)，與空氣質(zhì)量較佳的云南及其周邊地區(qū)呈“對角”分布狀態(tài)。長江經(jīng)濟(jì)帶內(nèi)城市間PM2.5濃度存在著顯著的正向空間自相關(guān)，且自相關(guān)性隨距離增大而不斷減弱，其門檻尺度約為900 km；在這一范圍內(nèi)，PM2.5空間集聚效應(yīng)較為明顯。就時間特征而言，冬季PM2.5濃度相對較高，春秋兩季次之，夏季空氣質(zhì)量最好；各地區(qū)濃度分布在年初相對離散，后有所趨同。此外，PM2.5與其他類型的大氣污染物(如SO2、NO2、O3)濃度兩兩之間均存在著顯著的正相關(guān)性，暗示大氣污染物從原發(fā)污染演變?yōu)槎挝廴荆纬蓯盒匝h(huán)?？臻g回歸分析結(jié)果表明，PM2.5污染隨經(jīng)濟(jì)發(fā)展水平的提高呈現(xiàn)先上升后下降的趨勢，在一定程度上支持了“環(huán)境庫茲涅茲曲線”假說；且人口密度、公共交通運(yùn)輸強(qiáng)度均在不同程度上導(dǎo)致長江經(jīng)濟(jì)帶PM2.5濃度的升高。最后，從區(qū)域性聯(lián)防聯(lián)控、不同類型大氣污染物協(xié)同治理、促進(jìn)經(jīng)濟(jì)發(fā)展方式轉(zhuǎn)型等方面為長江經(jīng)濟(jì)帶的大氣環(huán)境治理提出切實(shí)可行的政策建議。

長江經(jīng)濟(jì)帶；PM2.5；時空特征；影響因素

2014年9月，國務(wù)院印發(fā)了《關(guān)于依托黃金水道推動長江經(jīng)濟(jì)帶發(fā)展的指導(dǎo)意見》，為“新常態(tài)”下長江流域經(jīng)濟(jì)發(fā)展做出了重要規(guī)劃，也正式將長江經(jīng)濟(jì)帶的建設(shè)與發(fā)展提升至國家戰(zhàn)略層面的高度。長江是全球內(nèi)河貨運(yùn)量第一的黃金水道，長江經(jīng)濟(jì)帶地跨上海、江蘇、浙江、安徽、江西、湖北、湖南、重慶、四川、貴州、云南11個省市；在這片面積占全國不到四分之一的土地上，居住了近6億的人口，每年創(chuàng)造了超過40%的國內(nèi)生產(chǎn)總值。作為橫貫東西、地跨南北的重要腹心地區(qū)，長江經(jīng)濟(jì)帶蘊(yùn)藏著豐富的自然資源和巨大的區(qū)位發(fā)展優(yōu)勢。通過對長江經(jīng)濟(jì)帶廣闊的經(jīng)濟(jì)腹地進(jìn)行有序開發(fā)，有望使其成為中國未來30年經(jīng)濟(jì)增長潛力最大的地區(qū)[1]。

然而，隨著工業(yè)化與城鎮(zhèn)化的深入推進(jìn)，長江沿岸火電、鋼鐵、石化等資源密集型行業(yè)迅速發(fā)展，大氣環(huán)境質(zhì)量也隨之惡化。特別是近年來，長江中下游部分地區(qū)霧霾天數(shù)已達(dá)100天/a以上，個別城市甚至超過200天/a，給人民群眾的健康狀況以及生產(chǎn)生活造成嚴(yán)重影響[2]。作為霧霾的重要元兇，PM2.5易富集空氣中的有毒重金屬、酸性氧化物、細(xì)菌和病毒等物質(zhì)。因其物理直徑較小，PM2.5易通過人體呼吸被帶入肺泡，從而直接進(jìn)入循環(huán)系統(tǒng)。因此，對于長期暴露于含有高濃度PM2.5的空氣中的人群來說，患心臟病與呼吸系統(tǒng)疾病的風(fēng)險將顯著增加；孕婦吸入這樣的空氣，還可能影響胚胎發(fā)育，誘發(fā)胎兒先天畸形[3]。此外，PM2.5對光的吸收與散射作用致使大氣能見度減小，嚴(yán)重時容易引起交通事故，給人們的出行帶來極大不便[4]。鑒于長江經(jīng)濟(jì)帶在國家層面的重要戰(zhàn)略定位及PM2.5對社會經(jīng)濟(jì)發(fā)展的巨大危害，研究該地區(qū)PM2.5的時空分布規(guī)律及影響因素，對促進(jìn)長江流域人與自然協(xié)調(diào)發(fā)展、打造中國經(jīng)濟(jì)新支柱具有重要的理論與現(xiàn)實(shí)意義。

1 文獻(xiàn)梳理

目前，關(guān)于長江經(jīng)濟(jì)帶環(huán)境問題的研究多側(cè)重于宏觀層面，主要包括可持續(xù)發(fā)展戰(zhàn)略研究[5-6]、環(huán)境質(zhì)量及風(fēng)險評價[7]、環(huán)境約束下的生產(chǎn)率測算[2，8]、低碳經(jīng)濟(jì)發(fā)展研究[9]等，一些涉及微觀環(huán)境問題的文獻(xiàn)也多集中在水體污染方面[10]，而關(guān)于空氣污染問題的研究尚較缺乏。

具體到霧霾元兇PM2.5，國內(nèi)外學(xué)者從不同視角對此進(jìn)行了廣泛而深入的研究。Paatero等將PM2.5的空間分布與社會經(jīng)濟(jì)發(fā)展水平相聯(lián)系，研究了影響美國東部地區(qū)PM2.5集聚的主要原因[11]。Cheng 等研究了世界主要大城市PM2.5的污染現(xiàn)狀，發(fā)現(xiàn)全球污染最為嚴(yán)重的五大城市中包括三個中國城市(西安、天津和成都)，且中國中東部和印度恒河平原是全球PM2.5污染最為嚴(yán)重的地區(qū)[12]。此外，不少學(xué)者還從PM2.5對人體健康的影響[13-14]、PM2.5的來源與化學(xué)構(gòu)成[15-16]以及PM2.5與氣象變化的關(guān)系[17]等展開了深入分析。

近年來隨著我國大氣污染問題日趨嚴(yán)重，有關(guān)中國PM2.5的研究也開始不斷涌現(xiàn)。王振波等利用環(huán)境監(jiān)測站數(shù)據(jù)與空間插值方法，分析了中國城市PM2.5的時空變化規(guī)律，發(fā)現(xiàn)京津冀地區(qū)是污染核心區(qū)，珠江三角洲空氣質(zhì)量穩(wěn)定較好[18]。馬麗梅、張曉利用空間面板回歸分析探討了中國31個省份霧霾污染的交互影響及其與經(jīng)濟(jì)變動、能源結(jié)構(gòu)的關(guān)系，發(fā)現(xiàn)在中國尚不存在霧霾污染與經(jīng)濟(jì)增長之間的倒“U”型關(guān)系，且污染水平與能源結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)等因素息息相關(guān)[19]。Fang 等以空氣質(zhì)量指數(shù)為主要參考，從空間集聚與空間自相關(guān)視角分析了中國城鎮(zhèn)化進(jìn)程對大氣環(huán)境帶來的區(qū)域異質(zhì)性影響[20]。曾賢剛等運(yùn)用權(quán)變評價法研究了北京市居民對PM2.5健康風(fēng)險的認(rèn)知狀況、行為選擇及降低健康風(fēng)險的支付意愿[21]。綜合而言，關(guān)于中國PM2.5的研究有基于單一城市(主要是一二線大城市如北京[17，21]、深圳[22]等)、城市群(長三角[23]、珠三角[24]、環(huán)渤海灣地區(qū)[25]等)和中國整體[18-19]三種尺度，在研究內(nèi)容上往往各有側(cè)重，有的著重分析了PM2.5的時空特征，有的則重點(diǎn)闡述了PM2.5與經(jīng)濟(jì)發(fā)展的相互關(guān)系，這些文獻(xiàn)為后續(xù)學(xué)者的研究提供了重要參考。

本文在借鑒以往文獻(xiàn)的基礎(chǔ)上，根據(jù)2015年長江經(jīng)濟(jì)帶城市級PM2.5數(shù)據(jù)，運(yùn)用地理學(xué)時空分析與GIS可視化方法及空間回歸模型，深入考察長江經(jīng)濟(jì)帶PM2.5的時空分布特征及其與區(qū)域社會經(jīng)濟(jì)發(fā)展之間的內(nèi)在關(guān)聯(lián)，以期為長江經(jīng)濟(jì)帶大氣環(huán)境質(zhì)量的逐步改善提供科學(xué)的決策參考。

2 研究方法與數(shù)據(jù)來源

2.1 研究方法

2.1.1 空間自相關(guān)分析

地理學(xué)第一定律表明，地理事物或?qū)傩栽诳臻g分布上互為相關(guān)，存在集聚(clustering)、隨機(jī)(random)、規(guī)則(Regularity)分布，且距離越近關(guān)聯(lián)越大[18,26]。空間自相關(guān)便刻畫了一些變量在臨近空間單元內(nèi)的潛在相互依賴性，它又可分為正自相關(guān)與負(fù)自相關(guān)。就PM2.5而言，隨著大氣運(yùn)動與物質(zhì)擴(kuò)散，霧霾的發(fā)生往往波及多個臨近地區(qū)，京津冀霧霾污染便是一個典型代表。

空間自相關(guān)分為全局空間自相關(guān)與局部空間自相關(guān)。全局空間自相關(guān)描繪了相關(guān)變量在區(qū)域整體范圍內(nèi)的空間依賴程度，常用全局Moran’sI指數(shù)進(jìn)行研究，其公式為[27]：

(1)

其中，xi、xj為城市i、j關(guān)于變量x的觀測值；wij為空間權(quán)重矩陣W的相應(yīng)元素，n為研究區(qū)域中的總體城市個數(shù)。Moran’sI的取值范圍為[-1, 1]，小于0表示負(fù)相關(guān)，等于0表示相互獨(dú)立，大于0表示正相關(guān)，絕對值體現(xiàn)了自相關(guān)強(qiáng)度。

局部空間自相關(guān)描述了變量在一具體空間單元及其臨近單元之間的相關(guān)關(guān)系，若局部空間自相關(guān)顯著，則可根據(jù)該單元自身及其臨近單元的具體情況，將這一相關(guān)關(guān)系分為四種類型：“高-高相關(guān)”(High-High)，即高值地區(qū)同樣被高值地區(qū)圍繞；“低-低相關(guān)”(Low-Low)，即低值地區(qū)周圍仍是低值地區(qū)；“高-低相關(guān)”(High-Low)，即高值地區(qū)被低值地區(qū)圍繞；“低-高相關(guān)”(Low-High)，即低值地區(qū)被高值地區(qū)圍繞。以空間單元i為例，局部空間自相關(guān)可用Local Moran’sI指數(shù)表示如下[28]：

(2)

局部空間自相關(guān)的另一種研究方法便是熱點(diǎn)分析。熱點(diǎn)分析需要計算出每個空間單元Getis-OrdGi*統(tǒng)計值，得到相應(yīng)的z得分和p值。作為熱點(diǎn)，不僅自身體現(xiàn)出高值，還將被同樣的高值包圍，Getis-OrdGi*局部統(tǒng)計可表示為[29-31]：

(3)

其中，S為標(biāo)準(zhǔn)差，統(tǒng)計結(jié)果為z得分，z正值越高，則表示熱點(diǎn)集聚就越緊密，z負(fù)值越低，則表示冷點(diǎn)集聚越緊密[29-31]。若|z|≥2.58，則該空間單元在0.01水平上顯著；1.96≤|z|<2.58，則該單元在0.05水平上顯著；1.65≤|z|<1.96，則表示在0.1水平上顯著；當(dāng)|z|<1.65時，則為非顯著單元。

2.1.2 空間計量經(jīng)濟(jì)模型

在研究多個變量的空間影響關(guān)系時，通常需要建立空間回歸模型。由于空間單元的觀測數(shù)據(jù)常具有空間異質(zhì)性和空間依賴性，從而違背了支持經(jīng)典最小二乘回歸的高斯-馬爾科夫條件，因此需要采取空間計量經(jīng)濟(jì)的方法加以處理[32]。對于截面數(shù)據(jù)而言，空間計量經(jīng)濟(jì)模型主要分為兩種：

(1)空間滯后模型(Spatial Lag Model，SLM)。該模型包含了因變量的空間滯后項(xiàng)，將因變量的空間擴(kuò)散與溢出效應(yīng)納入考慮范圍。SLM可表示如下：

y=ρWy+Xβ+ε

(4)

其中，W為n×n的空間權(quán)重矩陣，Wy為空間滯后因變量，ρ反映了因變量在臨近區(qū)域的觀測值對本地區(qū)觀測值的影響程度與方向，當(dāng)ρ顯著時，說明存在明顯的空間依賴。X為n×k的解釋變量矩陣，β為k×1的回歸系數(shù)向量，ε為隨機(jī)誤差項(xiàng)向量。

(2)空間誤差模型(Spatial Error Model，SEM)。該模型包含了誤差項(xiàng)的滯后項(xiàng)。與空間滯后模型不同的是，空間誤差模型側(cè)重于關(guān)注因遺漏變量所導(dǎo)致的空間依賴性，即致使自變量出現(xiàn)空間相關(guān)的因素未被包含在現(xiàn)有解釋變量中，而被誤差項(xiàng)吸收[32]。SEM可表示為：

y=Xβ+εε=λWε+μ

(5)

其中，Wε為空間誤差滯后項(xiàng)，λ為誤差項(xiàng)的空間自回歸系數(shù)，λ顯著則說明誤差項(xiàng)之間存在空間自相關(guān)。μ為服從正態(tài)分布的隨機(jī)誤差項(xiàng)。

空間計量模型可通過極大似然法、工具變量法、廣義矩估計等方法進(jìn)行估計。本文采用極大似然法。通常依照Anselin提出的判別方法，根據(jù)Moran’sI檢驗(yàn)、LM-Error檢驗(yàn)、LM-Lag檢驗(yàn)等選擇采取SLM還是SEM進(jìn)行估計[33]。另一些檢驗(yàn)指標(biāo)如對數(shù)似然值(Log Likelihood，LogL)、赤池信息準(zhǔn)則((Akaike information criterion，AIC)、施瓦茨準(zhǔn)則(Schwartz criterion，SC)等也可用來判斷模型的擬合效果[34]。一般而言，對數(shù)似然值越大、AIC和SC值越小，模型擬合效果越好。

2.2 數(shù)據(jù)來源

本文所涉及的長江經(jīng)濟(jì)帶各城市PM2.5及SO2、NO2、O3濃度數(shù)據(jù)均來源于“中國空氣質(zhì)量在線監(jiān)測分析平臺”(http://www.aqistudy.cn/)。該平臺自2014年12月以來收錄了全國360多個城市的空氣質(zhì)量數(shù)據(jù)，并根據(jù)日觀測數(shù)據(jù)進(jìn)行了逐月整合，全面詳實(shí)。就長江經(jīng)濟(jì)帶而言，除少數(shù)城市(湖北天門、潛江、仙桃、神農(nóng)架林區(qū))外，其他城市均有相應(yīng)記錄，共127個。本文使用2014年12月—2015年12月的相應(yīng)數(shù)據(jù)進(jìn)行季節(jié)變化及全年時空特征研究。

此外，本文還將引入空間回歸模型進(jìn)一步研究城市社會經(jīng)濟(jì)發(fā)展?fàn)顩r對PM2.5濃度的影響。根據(jù)PM2.5的直接與間接成因，本文選取人均GDP、第二產(chǎn)業(yè)比重、人口密度、公共交通運(yùn)輸強(qiáng)度和綠化水平作為解釋變量。選用各指標(biāo)的具體原因詳述如下：首先，經(jīng)濟(jì)增長對環(huán)境污染的綜合影響大體可歸納為規(guī)模效應(yīng)、結(jié)構(gòu)效應(yīng)和技術(shù)效應(yīng)三個方面。其中，人均GDP和二產(chǎn)占比分別是規(guī)模效應(yīng)和結(jié)構(gòu)效應(yīng)的最直接體現(xiàn)。其次，PM2.5排放還在很大程度上取決于當(dāng)?shù)厝祟惢顒訌?qiáng)度，而人口密度又是人類活動強(qiáng)度的重要外在表現(xiàn)形式之一；人口密度由各城市人口數(shù)除以行政區(qū)國土面積計算而得。此外，部分學(xué)者認(rèn)為，汽車尾氣是PM2.5的重要來源之一；鑒于數(shù)據(jù)可獲得性，選用公共交通運(yùn)輸強(qiáng)度作為解釋變量。公共交通運(yùn)輸強(qiáng)度由“全年公共汽(電)車客運(yùn)總量”表示。最后，由于城市綠化在除塵、凈化空氣方面具有較強(qiáng)的功能，因此，城市綠化水平也是PM2.5排放濃度的重要影響因素之一。綠化水平用“建成區(qū)綠化覆蓋率”表示。

由于上述變量2015年的數(shù)據(jù)尚無法獲得，筆者利用2011—2013年的相應(yīng)數(shù)據(jù)的平均值加以替代。利用三年的平均值是為了盡可能地消除統(tǒng)計誤差，使得總體數(shù)據(jù)分布能夠更好地體現(xiàn)各城市相關(guān)變量的實(shí)際水平。同時，社會經(jīng)濟(jì)發(fā)展對環(huán)境的影響具有一定的滯后性和累積性，所以用之前年份的數(shù)據(jù)進(jìn)行回歸能夠較真實(shí)地反映各社會經(jīng)濟(jì)變量對PM2.5濃度的影響。上述變量主要來自《中國城市統(tǒng)計年鑒》；上海和重慶有少量數(shù)據(jù)分別來自《上海統(tǒng)計年鑒》和《重慶統(tǒng)計年鑒》。此外，由于《中國城市統(tǒng)計年鑒》缺乏對長江經(jīng)濟(jì)帶少部分城市的數(shù)據(jù)統(tǒng)計，所以空間回歸部分的樣本量共計110個。

3 PM2.5時空特性分析

3.1 季節(jié)變化特征

本文采用2014年12月至2015年11月長江經(jīng)濟(jì)帶PM2.5城市級數(shù)據(jù)進(jìn)行季節(jié)變化分析。按照冬季(12—2月)、春季(3—5月)、夏季(6—8月)、秋季(9—11月)將各月數(shù)據(jù)進(jìn)行平均作為該季節(jié)的平均濃度，結(jié)果如圖1所示。長江經(jīng)濟(jì)帶PM2.5濃度變化呈現(xiàn)出了顯著的季節(jié)規(guī)律與空間特征——冬季PM2.5污染最為嚴(yán)重，春秋季節(jié)次之，夏季空氣質(zhì)量最佳。冬季污染最為嚴(yán)重的是湖北、重慶及四川東部地區(qū)；春季PM2.5污染的程度與范圍均顯著減小，污染相對較重的地區(qū)集中在湖北、四川東部、湖南西南部、安徽北部及江浙西部。秋季PM2.5濃度較高的地區(qū)主要集中在湖北中部與安徽北部，夏季空氣質(zhì)量最佳。

冬季PM2.5濃度較高與多種因素有關(guān)。首先，在氣候方面，相對于其他季節(jié)而言冬季降雨量稀少，雨水對空氣的沖刷較少，可吸入顆粒物易懸浮在空氣中；且冬季氣溫較低，冷空氣下沉不利于PM2.5擴(kuò)散。其次，人類活動方面，為滿足冬季長江以北地區(qū)較大的供暖需求，煤炭燃燒量增加將不可避免地導(dǎo)致大量PM2.5排放。

3.2 空間集聚效應(yīng)

本文利用GeoDa1.6.2軟件進(jìn)行空間自相關(guān)分析。由于研究區(qū)域邊界上城市較多，若采用rook或queen空間權(quán)重矩陣，將可能導(dǎo)致邊界城市與內(nèi)部城市鄰居數(shù)目出現(xiàn)不平衡現(xiàn)象。為此本文利用多數(shù)分析所采用的k-nearest neighbors法構(gòu)建空間權(quán)重矩陣[35-36]。當(dāng)4≤k≤10時均呈現(xiàn)了穩(wěn)健且高度顯著的空間自相關(guān)情況，考慮到霧霾污染的空間范圍，本文選取k=6進(jìn)行闡述分析。從圖1可知，各季節(jié)的全局Moran’sI指數(shù)都顯示了較高的空間自相關(guān)特征，且均在0.001的水平上顯著?？梢娔车貐^(qū)PM2.5濃度受自身及鄰近地區(qū)的共同作用，具有較強(qiáng)的空間聯(lián)動性；因此，霧霾的治理更需要城市間的通力合作。

長江經(jīng)濟(jì)帶PM2.5濃度不僅在全局范圍內(nèi)存在顯著的正自相關(guān)，在局部空間也存在著明顯的集聚特征。根據(jù)2015年各城市PM2.5的平均濃度，本文采用基于Local Moran’sI的空間集聚分析(圖2)和基于Getis-OrdGi*的熱點(diǎn)分析(圖3)兩種方法進(jìn)行具體研究。結(jié)果顯示，圖2與圖3呈現(xiàn)出了高度一致的空間集聚特征，PM2.5污染“重災(zāi)區(qū)”和空氣質(zhì)量良好地區(qū)大致呈“對角”分布——污染“重災(zāi)區(qū)”主要位于長江中下游的江北地區(qū)，而空氣質(zhì)量較好地區(qū)主要集中于上游的長江南岸。具體而言，圖2中鄂皖蘇大部分地區(qū)、湖南常德、岳陽以及四川樂山、宜賓屬于HH型城市帶，暗示這些地區(qū)自身及周邊PM2.5污染都較為嚴(yán)重。四川雅安、資陽臨近地區(qū)PM2.5污染嚴(yán)重，但自身空氣質(zhì)量較好，這可能與地形及當(dāng)?shù)亟?jīng)濟(jì)發(fā)展模式有關(guān)。LL型城市帶集中在云南大部分地區(qū)，四川攀枝花、涼山彝族自治州，貴州西南部，江西景德鎮(zhèn)、上饒等。這些地區(qū)自身及周邊地區(qū)空氣質(zhì)量都處于較高水平。圖3中嚴(yán)重污染的熱點(diǎn)地區(qū)較圖2向下滲透，已波及浙江北部、安徽南部及湖南北部多個城市；空氣質(zhì)量較好的冷點(diǎn)地區(qū)也向四川北部、貴州中東部擴(kuò)展。這些擴(kuò)大的區(qū)域顯著性在0.05-0.1之間，雖然未至0.01，但對圖2顯示的空間集聚特征進(jìn)行了補(bǔ)充，暗示空氣質(zhì)量的聯(lián)動范圍較為廣泛。

3.3 空間自相關(guān)的時間特征

為進(jìn)一步分析空間自相關(guān)的時空演變特征，本文對長江經(jīng)濟(jì)帶各城市2015年P(guān)M2.5濃度進(jìn)行逐月Local Moran’sI檢驗(yàn)，并由此計算出各城市每月的標(biāo)準(zhǔn)化PM2.5濃度值(PM2.5_STD)及標(biāo)準(zhǔn)化空間滯后估計量(PM2.5_Lag_STD)。在此基礎(chǔ)上，利用stata12.0軟件繪制PM2.5濃度散點(diǎn)圖及總體擬合曲線，結(jié)果如圖4所示。圖4中共有1 524個樣本點(diǎn)(127個城市*12個月份=1 524)，且各點(diǎn)顏色按1月至12月由淺至深描繪，相同月份的樣本點(diǎn)顏色一致。圖4中樣本點(diǎn)分布及顏色變化規(guī)律直觀地呈現(xiàn)出了長江經(jīng)濟(jì)帶各城市PM2.5濃度的空間相關(guān)性的演變特征。首先，樣本點(diǎn)呈左下至右上排列，擬合曲線斜率為正，這說明城市間PM2.5的相關(guān)關(guān)系總體為正，即一個地區(qū)PM2.5濃度較高，將會給周邊地區(qū)帶來嚴(yán)重影響。其次，圖4右上方集聚了更多的淺色散點(diǎn)，而左下方散點(diǎn)多為中深色調(diào)，類似圖1所反映的信息；年初寒冷月份PM2.5污染較重，待年中春夏時節(jié)，空氣質(zhì)量明顯改善。此外，圖中深色點(diǎn)的分布較為集聚，而淺色散點(diǎn)的分布較為發(fā)散，說明年初時節(jié)各城市PM2.5的濃度分布較為離散，存在較大的空間異質(zhì)性，而后隨時間推進(jìn)有所趨同。這反映了年初的寒冷氣候使PM2.5污染較重的城市暴露出來，顯著地分化了各地區(qū)空氣質(zhì)量層次。各城市及其臨近地區(qū)相互影響，使得好的更好，差的更差，隨著時間推進(jìn)，整個長江經(jīng)濟(jì)帶PM2.5污染緩解，各地區(qū)差異縮小。這對上文的分析提供了更為細(xì)致的論據(jù)。

圖3 基于熱點(diǎn)分析的PM2.5空間集聚特征Fig.3 Spatial cluster feature of PM2.5by hotspot analysis

圖4 空間自相關(guān)隨時間演變特征Fig.4 Temporal variation of spatial autocorrelation

3.4 空間自相關(guān)的距離特征

空間集聚與空間孤立均以一定距離尺度為前提[37]。為了進(jìn)一步分析長江經(jīng)濟(jì)帶PM2.5空間相關(guān)性的距離特征，本文利用GS+軟件計算不同城市間距下的Moran’sI指數(shù)，結(jié)果如圖5所示。圖5首先計算了城市間距在51 km以內(nèi)時的Moran’sI指數(shù)，后以60 km為滯后間距依次計算更遠(yuǎn)范圍的城市群的Moran’sI指數(shù)，從而得出如下散點(diǎn)圖?？梢钥闯?，長江經(jīng)濟(jì)帶PM2.5濃度的空間自相關(guān)尺度約為900 km，即在這個范圍內(nèi)，PM2.5濃度存在著正相關(guān)，空間集聚較為明顯；越過這個范圍，Moran’sI指數(shù)開始變?yōu)樨?fù)值，城市對間的PM2.5濃度開始出現(xiàn)高值-低值或低值-高值分布狀態(tài)。此外，從圖5可以看出，Moran’sI指數(shù)隨城市間隔距離的增大而不斷減小，空間自相關(guān)逐漸減弱。這一演變大致可分為三個階段，當(dāng)間隔距離小于400 km時，Moran’sI指數(shù)較大，空間相關(guān)性較強(qiáng)；當(dāng)間隔距離在400 km至900 km時，Moran’sI指數(shù)在0.15上下徘徊，空間相關(guān)性較弱；當(dāng)間隔距離大于900 km，Moran’sI指數(shù)維持在0點(diǎn)附近并向負(fù)值過渡。

圖5 空間自相關(guān)隨距離演變特征Fig.5 Distance variation of spatial autocorrelation

3.5 PM2.5與其他空氣污染物相關(guān)性分析

不同類型的空氣污染物往往存在著一定相互作用關(guān)系，通過分析PM2.5與其他空氣污染物的相關(guān)關(guān)系，可以更好地揭示長江經(jīng)濟(jì)帶大氣污染規(guī)律。圖6展示了PM2.5與其他主要大氣污染物(如SO2、NO2、O3)的Pearson相關(guān)系數(shù)及散點(diǎn)矩陣圖。可以看出，PM2.5、SO2、NO2、O3兩兩之間均存在較為顯著的正相關(guān)性。PM2.5多來源于工業(yè)生產(chǎn)、燃煤發(fā)電、汽車尾氣排放等，而其他空氣污染物在大氣中經(jīng)化學(xué)反應(yīng)，也會對PM2.5污染推波助瀾。SO2、NO2在空氣中可被O3等強(qiáng)氧化物氧化，生成相應(yīng)的酸霧或氣溶膠，從而吸附更多的粉塵、重金屬離子，增加PM2.5濃度[38]。此外，化石燃料的燃燒不僅會帶來煙塵，也會產(chǎn)生SO2、NO2，汽車尾氣排放又會產(chǎn)生氮氧化物與硫氧化物等，它們在紫外線照射下，可氧化生成O3[39]。大氣污染物在這種惡性循環(huán)中從開始的原發(fā)性污染演變成二次污染，大大降低了空氣質(zhì)量，給人們的健康帶來了極大威脅?？梢姡諝馕廴镜闹卫肀仨毥y(tǒng)籌兼顧，根據(jù)污染物之間的作用規(guī)律全面防控。

圖6 PM2.5及其他主要空氣污染物相關(guān)系數(shù)與散點(diǎn)矩陣圖Fig.6 Correlation coefficient and scatter plot of PM2.5 and other air pollutants

3.6 空間回歸分析

為了更為明確地分析長江經(jīng)濟(jì)帶PM2.5濃度與社會經(jīng)濟(jì)發(fā)展的關(guān)系，下文引入計量回歸的方法進(jìn)行深入探討。首先，根據(jù)經(jīng)典OLS模型建立回歸方程，如式(6)所示：

lnPM2.5=α+β1lngdppc+β2lngdppc2+β3lnpopden+β4lngreen+β5lntranint+β6lnindustry+ε

(6)

式中，各變量均取對數(shù)形式以減小異方差，被解釋變量為2015年長江經(jīng)濟(jì)帶各城市PM2.5年均濃度，解釋變量分別為lngdppc(人均GDP)、lngdppc2(人均GDP平方)、lnpopden(人口密度)、lngreen(建成區(qū)綠化覆蓋率)、lntranint(公共交通運(yùn)輸強(qiáng)度)、lnindustry(第二產(chǎn)業(yè)比重)，α為截距項(xiàng)，β為待估計系數(shù)，ε為隨機(jī)誤差項(xiàng)。這里引入人均GDP二次方以檢驗(yàn)是否存在“環(huán)境庫茲涅茲曲線”假說。

由于數(shù)據(jù)存在著顯著的空間相關(guān)性與異質(zhì)性，所以經(jīng)典OLS失效，但根據(jù)Anselin的判別方法[33]，需要在經(jīng)典OLS回歸及相關(guān)檢驗(yàn)的基礎(chǔ)上，選擇研究數(shù)據(jù)適用空間滯后模型(SLM)還是空間誤差模型(SEM)。表1左下方列出了Moran指數(shù)檢驗(yàn)、兩個拉格朗日乘數(shù)的空間相關(guān)性檢驗(yàn)結(jié)果。Moran指數(shù)(誤差)檢驗(yàn)表明經(jīng)典OLS回歸誤差具有非常顯著的空間相關(guān)性(0.01的顯著性水平下)。拉格朗日乘數(shù)及其穩(wěn)健性檢驗(yàn)表明，LM-LAG與LM-ERROR均在0.01的水平上高度顯著。雖然Robust LM-LAG和Robust LM-ERROR均在0.05水平上顯著，但Robust LM-LAG的p值為0.024 79，小于Robust LM-ERROR的p值0.034 6，這說明SLM是更加適合的模型形式。因此對(6)式進(jìn)行空間回歸構(gòu)造，詳如(7)式所示：

lnPM2.5=α+ρWlnPM2.5+β1lngdppc+β2lngdppc2+β3lnpopden+β4lngreen+β5lntranint+β6lnindustry+ε

(7)

其中，ρ為SLM的空間滯后估計參數(shù)，W為空間權(quán)重矩陣。根據(jù)2.2的說明，由于統(tǒng)計年鑒缺乏對部分城市解釋變量觀測數(shù)據(jù)的記錄(主要集中在云貴川、湖北、湖南少數(shù)地區(qū)，共計17個城市)，所以空間回歸的總樣本量為110。這些因數(shù)據(jù)缺失而排除的城市使得研究區(qū)域內(nèi)出現(xiàn)個別斷帶地區(qū)和孤島城市，所以根據(jù)rook和queen臨近原則構(gòu)造空間權(quán)重矩陣較不適宜，若用k-nearest neighbors方法也會使孤島和斷帶地區(qū)為達(dá)到一致的鄰居數(shù)目而擴(kuò)大臨近范圍，使得空間臨近較不平衡，所以在此利用GeoDa1.6.2軟件根據(jù)各城市質(zhì)心坐標(biāo)自動生成的最小門檻距離來確定臨近關(guān)系，構(gòu)造空間權(quán)重矩陣。

經(jīng)典OLS模型與SLM模型的估計系數(shù)及相關(guān)檢驗(yàn)結(jié)果如表1所示。通過對比可以看出，SLM的空間滯后項(xiàng)的系數(shù)在0.01水平上顯著為正，說明長江經(jīng)濟(jì)帶各城市間PM2.5污染相互影響較強(qiáng)。此外，SLM的LogL檢驗(yàn)結(jié)果為35.778 9，大于OLS的12.951 4，且SLM的AIC與SC值(分別為-55.557 8和-33.954 0)小于OLS的相應(yīng)值，說明SLM是較OLS更為合適的回歸模型。綜合上述分析，下文根據(jù)SLM的參數(shù)估計結(jié)果分析長江經(jīng)濟(jì)帶PM2.5濃度與社會經(jīng)濟(jì)發(fā)展的關(guān)系。

SLM估計結(jié)果顯示，多個研究變量均對PM2.5有顯著影響。首先，人均GDP一次方系數(shù)為正，二次方系數(shù)為負(fù)在一定程度上支持了“環(huán)境庫茲涅茲曲線”假說，說明當(dāng)經(jīng)濟(jì)增長未越過一定門檻時，過多的資源被分配在維持經(jīng)濟(jì)增長層面，環(huán)境保護(hù)陷入“被忽視”或“力不從心”的困境——以破壞環(huán)境為代價的生產(chǎn)仍需繼續(xù)，對于環(huán)保的投入又較為欠缺。所以，在“十三五”規(guī)劃與工業(yè)4.0的浪潮中，長江經(jīng)濟(jì)帶應(yīng)利用自身優(yōu)勢，加快進(jìn)行產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級，促進(jìn)經(jīng)濟(jì)早日越過以犧牲環(huán)境為代價的發(fā)展門檻。

其次，人口密度較高會顯著加重PM2.5污染。最重要的原因便是人類活動對環(huán)境的影響。人類的存在增加了對各種事物的需求，從而容易向大自然排放更多的污染物質(zhì)。雖然存在著許多環(huán)境修護(hù)措施，但面對大量人口帶來的環(huán)境壓力也只是杯水車薪。建成區(qū)綠化覆蓋率對PM2.5濃度的影響并不顯著，可見城鎮(zhèn)化過程中的綠地建設(shè)仍較為薄弱，“寸土寸金”的現(xiàn)狀及綠地管理與維護(hù)存在的問題[40]，導(dǎo)致人均綠地面積得不到保障，綠地所帶來的空氣凈化作用較為微弱。此外，公共交通運(yùn)輸強(qiáng)度也與PM2.5濃度正相關(guān)。交通運(yùn)輸帶來的汽車尾氣排放會直接增加PM2.5濃度，所以應(yīng)大力采用清潔能源汽車，或在非清潔能源汽車的尾氣排放口安裝凈化裝置，并鼓勵人們在路途合適時騎單車出行，不僅環(huán)保也有利于健康。最后，第二產(chǎn)業(yè)比重的系數(shù)為正但并不顯著。

4 結(jié) 論

近年來，國內(nèi)多個地區(qū)經(jīng)歷了較長時期的霧霾天氣，給當(dāng)?shù)厝藗兊纳a(chǎn)與生活帶來了極大不便，作為霧霾元兇的PM2.5也因此備受關(guān)注。本文通過深入分析長江經(jīng)濟(jì)帶各城市PM2.5濃度變化的時空特征與影響因素，以期為提升該地區(qū)大氣環(huán)境質(zhì)量提供科學(xué)的決策依據(jù)。

研究結(jié)果顯示：首先，就季節(jié)變化而言，長江經(jīng)濟(jì)帶冬季PM2.5污染最為嚴(yán)重，春季與秋季有所緩解，夏季空氣質(zhì)量最佳，各地區(qū)PM2.5濃度在年初相對離散，后有所趨同。其次，空間分布特征顯示，長江中下游地區(qū)PM2.5污染高于長江上游地區(qū)，長江北岸地區(qū)又高于長江南岸地區(qū)。其中，PM2.5高濃度集聚地帶主要位于鄂皖蘇大部分地區(qū)，與空氣質(zhì)量較佳的云南及其周邊地區(qū)呈“對角”分布。長江經(jīng)濟(jì)帶城市PM2.5濃度存在著顯著的正向空間自相關(guān)，且自相關(guān)性隨距離增大而不斷減弱，其門檻尺度約為900 km，在這一范圍內(nèi)，PM2.5空間集聚較為明顯。此外，PM2.5、SO2、NO2及O3濃度兩兩之間均存在著顯著的正相關(guān)性，暗示大氣污染物從原發(fā)污染演變?yōu)槎挝廴?，形成惡性循環(huán)。最后，空間回歸分析顯示，人均GDP一次方系數(shù)為正，二次方系數(shù)為負(fù)，這在一定程度上支持了“環(huán)境庫茲涅茲曲線”假說；綠化覆蓋率對PM2.5濃度的影響并不顯著，可見環(huán)保投入有待進(jìn)一步加強(qiáng)；另外，人口密度、公共交通運(yùn)輸強(qiáng)度的增加均會加重PM2.5污染。

表1 經(jīng)典OLS模型與SEM模型估計結(jié)果及相關(guān)檢驗(yàn)

注：*、**、***分別表示10% 、5% 和1% 水平上顯著。Robust LM-LAG的p值為0.024 79，Robust LM-ERROR的p值為0.034 6。

根據(jù)以上結(jié)論，本文就長江經(jīng)濟(jì)帶治理空氣污染工作提出如下方面的對策建議：①由于PM2.5污染存在著較大的空間關(guān)聯(lián)特征，因此，不同省份、區(qū)域乃至城市在治理過程中需通力協(xié)作，積極探索區(qū)域性聯(lián)防聯(lián)控的協(xié)同機(jī)制，形成空間上的合力。否則，各自為戰(zhàn)的治理方式將導(dǎo)致污染長期反復(fù)甚至是顧此失彼的窘境。②鑒于PM2.5與其他類型的大氣污染物(如SO2、NO2、O3)之間存在較為顯著的正相關(guān)性，因此，為避免大氣污染由開始的原發(fā)性污染演變成二次污染，從而導(dǎo)致大氣環(huán)境質(zhì)量惡性循環(huán)，在大氣污染治理過程中必須統(tǒng)籌兼顧，根據(jù)污染物之間的內(nèi)在作用關(guān)系進(jìn)行全面防控。③PM2.5污染是環(huán)境問題，但歸根到底是發(fā)展問題，必須堅持用發(fā)展的方式去解決。因此，在保持經(jīng)濟(jì)穩(wěn)定增長的前提下，必須注重經(jīng)濟(jì)發(fā)展方式的調(diào)整，通過促進(jìn)產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級、努力提高科技進(jìn)步對經(jīng)濟(jì)增長的貢獻(xiàn)等途徑，逐步建立資源節(jié)約型、環(huán)境友好型社會，促使經(jīng)濟(jì)發(fā)展與大氣環(huán)境污染實(shí)現(xiàn)早日“脫鉤”。

(編輯：徐天祥)

References)

[1]盧麗文, 宋德勇, 李小帆. 長江經(jīng)濟(jì)帶城市發(fā)展綠色效率研究[J]. 中國人口·資源與環(huán)境, 2016, 26(6): 35-42. [LU Liwen, SONG Deyong, LI Xiaofan.Green efficiency of urban development in the Yangtze River Economic Belt[J]. China population, resources and environment, 2016, 26(6): 35-42.]

[2]汪克亮, 孟祥瑞, 楊寶臣, 等. 基于環(huán)境壓力的長江經(jīng)濟(jì)帶工業(yè)生態(tài)效率研究[J]. 資源科學(xué), 2015 (7): 1491-1501. [WANG Keliang, MENG Xiangrui, YANG Baochen, et al.The industrial eco-efficiency of the Yangtze River Economic Zone based on environmental pressure[J]. Resources science, 2015 (7): 1491-1501.]

[3]張少紅, 于少華. PM2.5的來源、危害及防治措施研究[J]. 環(huán)境科學(xué)與管理, 2014 (7): 92-94. [ZHANG Shaohong, YU Shaohua. Sources, harm and prevention control measures of PM2.5pollution[J].Environmental science and management, 2014 (7): 92-94.]

[4]KIM Y J, KIM K W, KIM S D, et al. Fine particulate matter characteristics and its impact on visibility impairment at two urban sites in Korea: Seoul and Incheon[J]. Atmospheric environment, 2006, 40:593-605.

[5]岑曉喻, 周寅康, 單薇, 等. 長江經(jīng)濟(jì)帶資源環(huán)境格局與可持續(xù)發(fā)展[J]. 中國發(fā)展, 2015 (3): 1-9. [CEN Xiaoyu, ZHOU Yinkang, SHAN Wei, et al. Resources environment pattera and sustainable development of Yangtze River Economic Zone[J].China development, 2015 (3): 1-9.]

[6]楊桂山, 徐昔保, 李平星. 長江經(jīng)濟(jì)帶綠色生態(tài)廊道建設(shè)研究[J]. 地理科學(xué)進(jìn)展, 2015 (11): 1356-1367. [YANG Guishan, XU Xibao, LI Pingxing. Research on the construction of green ecological corridors in the Yangtze River Economic Belt[J]. Progress in geography, 2015 (11): 1356-1367.]

[7]陳瑋. 基于灰色聚類與模糊綜合評判的空氣質(zhì)量評價[D].上海:華東師范大學(xué), 2012:21-41. [CHEN Wei. Air quality assessment of main cities along Yangtze River based on grey cluster and fuzzy comprehensive evaluation[D]. Shanghai: East China Normal University, 2012:21-41.]

[8]吳傳清, 董旭. 環(huán)境約束下長江經(jīng)濟(jì)帶全要素能源效率的時空分異研究[J]. 長江流域資源與環(huán)境, 2015 (10): 1646-1653. [WU Chuanqing, DONG Xu. Research on time and space disparities of total factor energy efficiency in the Yangtze River Economic Belt under the constrained environment[J].Resources and environment in the Yangtze Basin, 2015 (10): 1646-1653.]

[9]胡堯. 基于碳足跡測定的長江經(jīng)濟(jì)帶低碳發(fā)展水平省際差異研究[D]. 重慶:重慶工商大學(xué), 2015:31-53. [HU Yao. An empirical study on regional disparity of low carbon development level in the Yangtze Economic Zone:based on calculation of carbon footprint[D]. Chongqing: Chongqing Technology and Business University, 2015:31-53.]

[10]王嵐, 王亞平, 許春雪, 等. 長江水系表層沉積物重金屬污染特征及生態(tài)風(fēng)險性評價[J]. 環(huán)境科學(xué), 2012, 33(8): 2599-2606. [WANG Lan, WANG Yaping, XU Chunxue, et al.Pollution characteristics and ecological risk assessment of heavy metals in thesurface sediments of the Yangtze River[J]. Environmental science, 2012, 33(8): 2599-2606. ]

[11]PAATERO P, HOPKE P K, HOPPENSTOCK J, et al. Advanced factor analysis of spatial distributions of PM2.5 in the eastern United States[J]. Environmental science & technology, 2003, 37(11): 2460-2476.

[12]CHENG Z, LUO L, WANG S, et al. Status and characteristics of ambient PM2.5pollution in global megacities[J]. Environment international, 2016, 89:212-221.

[13]HE M, ICHINOSE T, KOBAYASHI M, et al. Differences in allergic inflammatory responses between urban PM2.5and fine particle derived from desert-dust in murine lungs[J]. Toxicology and applied pharmacology, 2016, 297:41-55.

[14]FENG S, GAO D, LIAO F, et al. The health effects of ambient PM2.5and potential mechanisms[J]. Ecotoxicology and environm-ental safety, 2016, 128:67-74.

[15]CESARI D, DONATEO A, CONTE M, et al. An inter-comparison of PM2.5at urban and urban background sites: chemical characterization and source apportionment[J]. Atmospheric research, 2016, 174:106-119.

[16]GUO Z, SHI L, CHEN S, et al. Sulfur isotopic fractionation and source appointment of PM2.5in Nanjing region around the second session of the Youth Olympic Games[J]. Atmospheric research, 2016, 174:9-17.

[17]CHEN Y, SCHLEICHER N, FRICKER M, et al. Long-term variation of black carbon and PM2.5in Beijing, China with respect to meteorological conditions and governmental measures[J]. Environmental pollution, 2016, 212:269-278.

[18]王振波, 方創(chuàng)琳, 許光,等. 2014年中國城市PM2.5濃度的時空變化規(guī)律[J]. 地理學(xué)報, 2015 (11): 1720-1734. [WANG Zhenbo,FANG Chuanglin, XU Guang, et al.Spatial-temporal characteristics of the PM2.5in China in 2014[J]. Acat geographica sinica, 2015 (11): 1720-1734.]

[19]馬麗梅, 張曉. 中國霧霾污染的空間效應(yīng)及經(jīng)濟(jì)、能源結(jié)構(gòu)影響[J]. 中國工業(yè)經(jīng)濟(jì), 2014 (4): 19-31. [MA Limei, ZHANG Xiao. The spatial effect of China’s haze pollution and the impact from economic change and energy structure[J]. China industrial economics, 2014 (4): 19-31.]

[20]FANG C, LIU H, LI G, et al. Estimating the impact of urbanization on air quality in China using spatial regression models[J]. Sustainability, 2015, 7(11): 15570-15592.

[21]曾賢剛, 謝芳, 宗佺. 降低PM2.5健康風(fēng)險的行為選擇及支付意愿——以北京市居民為例[J]. 中國人口·資源與環(huán)境, 2015, 25(1): 127-133. [ZENG Xiangang, XIE Fang, ZONG Quan. Behavior selection and willingness to pay of reducing PM2.5health risk: taking residents in Beijing as an example [J]. China population, resources and environment, 2015, 25(1): 127-133.]

[22]戴偉, 高佳琪, 曹罡, 等. 深圳市郊區(qū)大氣中PM2.5的特征分析[J]. 環(huán)境科學(xué), 2012, 33(6): 1952-1957.[DAI Wei, GAO Jiaqi, CAO Gang, et al. Characterization of atmospheric in the suburb of Shenzhen[J]. Environmental science, 2012, 33(6): 1952-1957.]

[23]LI L, CHEN C, HUANG C, et al. Air quality and emissions in the Yangtze River Delta, China [J]. Atmospheric chemistry and physics discussions, 2010, 10(10): 23657-23703.

[24]徐偉嘉, 何芳芳, 李紅霞, 等. 珠三角區(qū)域PM2.5時空變異特征[J]. 環(huán)境科學(xué)研究, 2014, 27(9):951-957. [XU Weijia, HE Fangfang, LI Hongxia, et al. Spatial and temporal variations of PM2.5in the Pearl River Delta[J]. Research of environmental sciences, 2014, 27(9):951-957.]

[25]WANG Z, FANG C. Spatial-temporal characteristics and determin-ants of PM2.5in the Bohai Rim Urban Agglomeration[J]. Chemosphere, 2016, 148:148-162.]

[26]TOBLER W R. A computer movie simulating urban growth in the Detroit region[J]. Economic geography, 1970, 46:234-240.

[27]劉海猛, 石培基, 潘竟虎,等. 中國城鎮(zhèn)房價收入比時空演變的多尺度分析[J]. 地理科學(xué), 2015 (10): 1280-1287. [LIU Haimeng, SHI Peiji, PAN Jinghu, et al. Spatial-temporal evolution on housing price to income ratio of China by multiscale analysis[J]. Scientia geographica sinica, 2015 (10): 1280-1287.]

[28]劉濤, 曹廣忠. 城市規(guī)模的空間聚散與中心城市影響力——基于中國637個城市空間自相關(guān)的實(shí)證[J]. 地理研究, 2012 (7): 1317-1327. [LIU Tao, CAO Guangzhong. Agglomeration and dispersion of city sizes and the influence of central cities: based on the multi-scale spatial autocorrelation and the case of China[J]. Geographical research, 2012 (7): 1317-1327.]

[29]楊曉明, 戴小杰, 田思泉,等. 中西太平洋鰹魚圍網(wǎng)漁業(yè)資源的熱點(diǎn)分析和空間異質(zhì)性[J]. 生態(tài)學(xué)報, 2014 (13): 3771-3778. [YANG Xiaoming, DAI Xiaojie, TIAN Siquan, et al. Hot spot analysis and spatial heterogeneity of skipjack tuna(Katsuwonuspelamis) purse seine resources in the Western and central Pacific Ocean[J]. Acta ecologica sinica, 2014 (13): 3771-3778.]

[30]GETIS A, ORD J K. The analysis of spatial association by use of distance statistics[J]. Geographical analysis, 1992, 24(3): 189-206.

[31]ANSELIN L. Local indicators of spatial association-LISA[J]. Geographical analysis, 1995, 27(2): 93-115.

[32]王慶喜, 蔣燁, 陳卓詠. 區(qū)域經(jīng)濟(jì)研究實(shí)用方法：[M]. 北京：經(jīng)濟(jì)科學(xué)出版社, 2014:14-18. [WANG Xiqing, JIANG Hua, CHEN Zhuoyong. Practical methods for regional economic research [M]. Beijing: Economic Science Press, 2014:14-18.]

[33]ANSELIN L. Spatial econometrics: methods and models[M]. New York: Springer Science & Business Media, 1988：55-76.

[34]吳玉鳴, 李建霞. 中國省域能源消費(fèi)的空間計量經(jīng)濟(jì)分析[J]. 中國人口·資源與環(huán)境, 2008 (3): 93-98. [WU Yuming, LI Jianxia. Spatial econometric analysis of energy consumption of Chinese provinces[J]. China population, resources and environment, 2008(3): 93-98.]

[35]陳剛強(qiáng), 李郇, 許學(xué)強(qiáng). 中國城市人口的空間集聚特征與規(guī)律分析[J]. 地理學(xué)報, 2008 (10): 1045-1054. [CHEN Gangqiang, LI Xun, XU Xueqiang. Spatial agglomeration and evolution of urban population in China[J]. Acat geographica sinica, 2008 (10): 1045-1054.]

[36]LE Gallo J, ERTUR C. Exploratory spatial data analysis of the distribution of regional per capita GDP in Europe, 1980-1995[J]. Papers in regional science, 2003, 82(2): 175-201.

[37]牟曉杰，孫志高，劉興土. 黃河口濱岸潮灘濕地土壤碳、氮的空間分異特征 [J]. 地理學(xué)報，2012，32(12)：1521-1529. [MOU Xiaojie, SUN Zhigao, LIU Xingtu. Spatial distribution patterns of carbon and nitrogen in the tidal marsh soil of the Yellow River Estuary [J]. Acta geographica sinica 2012, 32(12): 1521 -1529.]

[38]鄭冬，李丹，紀(jì)德鈺，等. 大連市區(qū)近地面臭氧污染規(guī)律研究及與PM2.5等污染物的相關(guān)性分析 [J]. 環(huán)境與可持續(xù)發(fā)展，2014，39(6)：177-180. [ZHENG Dong, LI Dan, JI Deyu, et al. Study on ozone in Dalian urban and correlation between ozone and PM2.5other pollutants [J].Environment and sustainable development, 2014, 39(6): 177-180.]

[39]耿永生. 汽車尾氣污染及其控制技術(shù) [J]. 環(huán)境科學(xué)導(dǎo)刊，2010，29(6)：62 -69. [GENG Yongsheng. Tail gas population from the vehicles and its control technology [J]. Environmental science survey, 2010, 29(6): 62-69.]

[40]張利華，鄒波，黃寶榮. 城市綠地生態(tài)功能綜合評價體系研究的新視角 [J]. 中國人口·資源與環(huán)境，2012，22(4)：67-71. [ZHANG Lihua, ZOU Bo, HUANG Baorong. New perspective of comprehensive evaluation research on urban green space ecosystem [J]. China population, resources and environment, 2012, 22(4): 67-71.]

汪克亮，孟祥瑞，楊寶臣,等.技術(shù)異質(zhì)下中國大氣污染排放效率的區(qū)域差異與影響因素[J].中國人口·資源與環(huán)境，2017,27(1)：101-110.[WANG Keliang，MENG Xiangrui，YANG Baochen,et al.Regional differences and influencing factors of China’s air pollution emission efficiency considering technological heterogeneity[J].China population, resources and environment, 2017,27(1):101-110.]

Spatial-temporal characteristics of PM2.5and its influencing factors in the Yangtze River Economic Belt

YANGMian1,2WANGYin1

(1.School of Economics and Management, Wuhan University, Wuhan Hubei 430072, China; 2.Center of Population, Resources & Environmental Economics, Wuhan University, Wuhan Hubei 430072, China)

Airborne fine particulate matter (PM2.5) has brought serious harm to atmospheric environment and human health thus incurring great concern of scholars. This article targets one of the most competitive and strategic areas of China, the Yangtze River Economic Belt, to conduct the research. Based on the air quality monitoring data on the city level, the paper discussed the spatial-temporal characteristics of the PM2.5in the Yangtze River Economic Belt in 2015 by the geographical spatial analysis and GISvisualization method. Furthermore, a spatial regression was conducted to show the internal correlation between PM2.5and regional social and economic development. The results showed that, in the aspect of spatial feature, the midstream and downstream area suffered more serious PM2.5pollution than upstream area,while the north shore suffers more than the south shore. Precisely, most of areas of Hubei, Anhui and Jiangsu provinces were the hot spots of PM2.5pollution, presenting a diagonal symmetry to Yunnan and its surrounding areas which have pretty clean air.PM2.5concentration displayed a significantly positive spatial autocorrelation which decreased as the distance increased with a threshold scale of about 900km. Within this distance the spatial cluster was relatively significant.In the aspect of temporal feature, winter had the relatively highest PM2.5concentration, followed by spring and autumn, while air quality in summer was the best. PM2.5concentration distribution tends to be diverse in the beginning of the year but converge to some extent later. Besides, there’s a pairwise correlation between PM2.5,SO2, NO2and O3, which implied a transfer from primary pollution to secondary pollution leading to a vicious circle.Spatial regression indicated that PM2.5pollution rised firstly but fell later as GDP per capita increased, which to some degree supports the hypothesis of ‘Environmental Kuznets Curve’. Besides, the increase of population density and public transportation intensity could also worsen the PM2.5pollution. Finally, the article proposes a series of practical policies from the aspects of regional cooperating depollution, synergetic reduction of various air pollutants and the improvement of economic growth pattern.

Yangtze Economic Belt;PM2.5; spatial-temporal characteristics; influential factors

2016-06-11

楊冕，博士，副教授，主要研究方向?yàn)槟茉唇?jīng)濟(jì)學(xué)、環(huán)境經(jīng)濟(jì)學(xué)。E-mail: yangmian909@163.com。

國家自然科學(xué)基金青年項(xiàng)目“要素市場扭曲對中國高耗能行業(yè)能源生產(chǎn)率的影響研究”(批準(zhǔn)號：71303177)；教育部人文社會科學(xué)青年基金項(xiàng)目“基于行業(yè)異質(zhì)性的要素市場扭曲對中國能源生產(chǎn)率的影響”(批準(zhǔn)號：13YJC790179)；中國博士后科學(xué)基金一般項(xiàng)目“基于要素配置效率視角的我國經(jīng)濟(jì)發(fā)展方式轉(zhuǎn)型研究”(批準(zhǔn)號：2014M550848)；教育部人文社科重點(diǎn)研究基地重大項(xiàng)目“中國人口增長與經(jīng)濟(jì)可持續(xù)發(fā)展問題研究”(批準(zhǔn)號：14JJD790042)。

X196；F061.5

A

1002-2104(2017)01-0091-10

10.3969/j.issn.1002-2104.2017.01.011