基于PSR模型的上海市霧霾影響因素空間差異分析

盛小星, 葉春明

?

基于PSR模型的上海市霧霾影響因素空間差異分析

盛小星, 葉春明*

上海理工大學管理學院, 上海 200093

首先闡述城市霧霾影響因素的PSR(Pressure-State-Response)概念系統, 然后將PSR框架引入到城市霧霾影響因素評價指標體系中, 采用主成分分析法對評價指標進行賦權, 對上海市7個區的霧霾影響因素空間差異水平進行評價。結果顯示: ①上海市霧霾影響因素得分有兩個明顯的區域差異, 區位人口、經濟壓力、綠地覆蓋率造成的浦東新區與其余6個區之間的差異大以及黃浦區的SO2、NO2、PM2.5的日均濃度比除浦東新區之外的其余5個區少; 同時得出狀態層以及響應層中的PM2.5、SO2和綠地覆蓋率指標對城市霧霾影響顯著; ②利用SPSS17.0進行相關性分析, 得出上海市霧各區霾影響因素與其PSR系統協調度呈正相關。說明各地區的影響因素對各地區的影響越大, 其協調度基本也越高。

PSR; 霧霾影響因素; 主成分分析法; 空間差異

1 前言

近年來, 霧霾對人們生活的影響日趨擴大, 容易引發交通事故, 空氣質量下降等諸多問題。2013年1月, 全國出現大面積霧霾現象, 成為城市生活的極大隱患。劉鴻志[1]認為霧霾的影響不容忽視, 因此對于霧霾影響因素的研究, 對于進一步了解霧霾成因及日后的治理防范工作有著重要的意義。目前國內外對霧霾研究比較重視, 相關學者從不同方面對霧霾進行了深入研究。國外學者GIULIANELLI L[2]、HERCKES P[3]等對霧霾的化學組成進行了詳細研究, ROSMERI P, ROCHA DA[4]對霧霾氣候特征的模擬, WANG Youliang[5]對不同地點霧霾的比較、JEREMY P[6]等對霧霾事件的評估。國內學者主要對霧霾的氣候特征[7–8]、成因[9–11]、治理對策研究[12–14], 也說明了霧霾對于城市發展影響的重要性。通過對霧霾的影響因素進行研究分析, 國外學者WILLIAM R C[15]通過對層積云與霧霾動力學機制影響霧霾形成, 國內學者主要是通過分析顆粒物影響源和細微粒子[16–17]、霧霾主要污染物[18]、同時運用統計分析方法[19–20]、不同氣候因素[21]等分析了霧霾影響因素, 尚無對城市霧霾影響因素的系統分析, 因此, 本文以上海市7個區為研究對象, 通過PSR框架建立城市霧霾影響因素評價指標體系, 利用PSR模型中人與自然平衡系統, 綜合全面的分析了關于城市霧霾的影響因素以及各區空間差異分析。

2 研究區簡介及數據來源

上海是中國第一大城市, 在經濟、交通、科技、工業、金融、航運等方面在全國處于領先水平, 但同樣受到霧霾的影響, 因此, 對于上海市霧霾影響因素的研究具有重要的現實意義。本文以上海市楊浦區、浦東新區、虹口區、靜安區、黃浦區、普陀區、徐匯區7個區為研究對象, 采用2013年上海市7個區的空氣監測數據以及上海市2014年統計年鑒和統計公報上的指標數據, 分析上海市各區霧霾影響因素, 同時對各區影響因素空間差異進行分析, 為上海市霧霾治理提供參考建議。

3 評價模型構建

3.1 PSR框架與霧霾影響因素

經濟合作組織(OECD)最早提出“壓力-狀態-響應”框架, 并且應用于世界環境狀況研究的評價模型中[22]。其基本概念是人類行為活動對于自然環境的壓力, 改變了自然環境的狀態, 從而影響管理者對社會經濟和環境的響應。PSR模型能有效反映霧霾的影響因素, 首先, 人口、經濟的增長對于霧霾形成產生壓力; 在這種壓力的驅動下, 城市霧霾影響因素會表現為PM10、PM2.5、SO2、NO2等氣體狀態; 最后, 管理者會針對霧霾壓力而采取相應的措施。近年來, PSR模型被廣泛應用于土地集約利用研究[23–24]、生態安全評價[25–28]、資源可持續利用[29]等領域。PSR框架(圖1)闡明了城市霧霾影響因素中人與自然之間的相互作用關系, 有效地揭示了各因素對霧霾的影響。

3.2 評價指標體系的構建

本文借鑒根據相關學者研究[20,30], 選取霧霾影響因素的“壓力”層和“響應”層指標; 借鑒文獻[31]選取霧霾影響因素的狀態層指標。通過專家咨詢的方法篩選指標體系, 見表1, 有3個子系統和8個指標因子。

表1 霧霾影響因素評價指標

3.3 數據標準化

由于不同指標間存在量綱差異, 為了使數據具有可比性, 采用標準差標準化法對評價指標進行標準化處理, 標準化公式為:

3.4 主成分分析法的評價因子得分

本文以上海市7個區為研究對象, 以表1中7個指標標準化后的數值構建矩陣, 采用SPSS17.0軟件對數據進行處理, 計算出矩陣的特征根和相應的方差貢獻率, 再通過特征根的方差貢獻率和累計方差貢獻率來選取主成分, 并得到因子提取結果和因子回歸系數, 通過因子回歸系數, 計算出各因子得分, 公式[32]為:

(3)

綜合各個因子得分, 得出每個樣本地區的綜合得分, 公式為[35]:

(6)

3.5 PSR系統的協調度分析

霧霾對城市的影響是一個持續、動態的過程, 而霧霾影響因素要通過反復的觀察研究才能得以確立。PSR模型能有效說明一定時期內城市霧霾影響因素中人與自然的相互作用關系。通過對霧霾影響因素的壓力、狀態、響應各個子系統的分析, 有效調整城市霧霾治理的措施方案。為了減少壓力、狀態、響應各個子系統的偏頗對城市霧霾影響因素產生影響, 保持各個子系統變化速率相互均衡, 引入協調度函數, 判斷壓力、狀態、響應各個子系統的協調狀況。公式[36]為:

4 實證研究——以上海市為例

4.1 上海市霧霾影響因素評價

近些年來, 中國經濟飛速發展, 上海作為中國金融中心, 城市發展尤為迅速, 工業發展更為迅猛。但城市的發展同樣會帶來諸多環境問題, 而上海市近幾年霧霾比較嚴重, 因此對于霧霾影響因素的研究就顯得非常重要。上海市區劃眾多, 但由于數據來源有限, 因此本文以上海市7個典型區為樣本, 以8個二級指標標準化后的數據為變量構造矩陣, 采用SPSS17.0統計分析軟件進行數據處理, 計算出矩陣相應的特征值和方差貢獻率(表2)

提取方法: 主成分分析法

根據表2, 由特征根大于1的原則選取主成分, 可以選前2個特征根為主成分, 累計方差貢獻率為93.286%, 包含原始變量中93.286%的信息。鑒于因子提取結果不能明顯的反映主成分所包含的信息, 要對其正交方差最大旋轉, 得出旋轉后的因子提取結果和因子回歸系數。并且根據公式(3)確定主成分權數,,。再通過旋轉后的因子回歸系數, 計算每個因子的權重(表3)

表3可以看出, 第一主成分對NO2日均值(x)、PM10日均值(x)、PM2.5日均值(x)、人均綠地面積(x)4個指標有絕對值較大的負荷系數, 反映上海市霧霾影響因素中NO2、PM10、PM2.5、人均綠地面積狀態指標; 第二主成分對SO2日均值(x)、綠地覆蓋率(x)3個指標有絕對值較大的負荷系數, 反映上海市霧霾影響因素中SO2狀態指標和綠化狀況的響應指標。根據公式(1)和公式(5), 以,為權數, 得到各個區域的綜合因子得分, 根據公式(6)將其進行百分制處理, 得到上海市7個區的霧霾影響因素的最后得分; 同時根據權重、標準化值和公式(7)得到各地區協調度(表4)。

表3 旋轉后的因子提取結果和因子回歸系數

表4 上海市霧霾影響因素綜合得分

4.2 上海市霧霾影響因素空間差異分析

4.2.1 上海市霧霾影響因素得分差異顯著

(1) 上海市霧霾影響因素得分黃浦江兩岸差異顯著: 楊浦區、虹口區、靜安區、黃浦區、普陀區、徐匯區與浦東新區霧霾影響因素綜合得分差異顯著, 徐匯區與浦東新區差異最大, 徐匯區霧霾影響因素得分100分, 浦東新區霧霾影響因素得分60分, 徐匯區得分是浦東新區的1.67倍。究其原因, 主要是徐匯區等6個區的人口、經濟對霧霾所帶來的壓力遠大于浦東新區, 浦東新區面積大, 人口密度小, 且相比其他六個區毗鄰閔行、長寧等區域, 各區經濟發展也相對較好, 相互影響作用大; 浦東新區綠化覆蓋狀況相比其他六個區有較大的優勢, 說明浦東新區綠化狀況弱化了浦東新區霧霾的影響; 同時浦東新區東臨東海, 有較大的地理優勢, NO2、PM10、PM2.5日均濃度明顯低于其他六個區是浦東新區霧霾影響因素得分低的原因, 反之, 說明了其他六個區霧霾受這些因素影響較大。

(2) 密集區內部得分凸顯差異: 除下浦東新區, 其余六區中, 黃浦區綜合得分明顯低于其他五個區, 只有73.70分, 說明黃浦區的霧霾因素影響程度低于其他五個區, 主要原因是黃浦區SO2、NO2、PM2.5的日均濃度比其他五個區相對較少, 同時說明了這些因素對區域霧霾的影響相對較大, 從而導致區域間的顯著化差異。

4.2.2 狀態層及壓力層是影響城市霧霾的主要因素

在上海市霧霾影響因素研究體系中, 首先以PM10、PM2.5、SO2、NO2為組成部分的狀態層指標權重在所有指標中占86.8%, 指標的數量也比較多, 從因子權重可以看出狀態層對城市霧霾影響因素最大, 尤其是PM2.5、SO2權重影響最大, 說明PM2.5、SO2是所有指標中對城市霧霾影響最大的因素, 同時反映了在上海市經濟發展中, 工業經濟帶來的PM2.5、SO2等污染物對上海市霧霾有著極其重要的影響, 因此應該減少工業氣體的排放; 其次響應層中綠地覆蓋率的權重僅次于SO2的權重, 說明管理者在考慮治理上海市霧霾過程中, 認識到城市綠地覆蓋對城市霧霾的影響以及霧霾治理有著重要的作用。

4.2.3 上海市霧各區霾影響因素與其PSR系統協調度呈正相關

如表5所示, 上海市各區霧霾影響因素與其PSR系統協調度呈正相關, 相關系數為0.909, 各地區的影響因素對各地區的影響越大, 其協調度基本也越高。從表4得知, 普陀區的協調度最高, 浦東新區協調度最低, 說明了普陀區受霧霾影響最大, 浦東新區受霧霾影響最低。

PSR協調指標有效反映了城市霧霾中壓力、狀態、響應指標間的關系, 從上海市7個區的協調度可以看出, 普陀區和楊浦區霧霾影響因素中協調度水平較高, 但其他五個區與這兩個區之間協調度水平相差不是很大, 說明上海市各區之間霧霾影響因素的協調度水平相近, 總體來說霧霾影響較大。

表5 綜合得分與協調度的相關性

5 結論

PSR系統反映的是人類社會與自然的關系, 城市霧霾的形成是人與自然作用的結果, 通過構建基于人與自然關系的PSR評價模型, 分析得到上海市各區之間霧霾影響因素的得分差異, 浦東新區和黃浦區相較其他區得分偏低, 所受霧霾影響較低; 反映各區霧霾影響程度的協調度水平說明上海市各區受霧霾影響都較大; 狀態層中的PM2.5、SO2指標和壓力層中的綠地覆蓋率指標對上海市霧霾影響顯著, 應減少PM2.5、SO2排放, 加大對城市綠地的管理, 有效促進上海市霧霾的治理。

[1] 劉鴻志. 霧霾影響及其近期治理措施分析[J]. 專家觀點, 2013, 41(15): 30–32.

[2] GIULIANELLI L, GILARDONI S, TAROZZI L, et al. Fog occurrence and chemical composition in the Povalley over the last twenty years[J]. Atmospheric Environment, 2014, 98: 394–401.

[3] HERCKES P, MARCOTTE A R, WANGA Y, et al. Fog composition in the Central Valley of California over three decades[J]. Atmospheric Research, 2015, 151: 20–30.

[4] ROSMERI P, ROCHA DA, GONCALVESF L T, et al. Fog events and local atmospheric features simulated by regional climate model for the metropolitan area of S?o Paulo, Brazil[J]. Atmospheric Research, 2015, 151: 176–188.

[5] WANG Youliang, ZHANG Jinwei, MARCOTTEA A R, et al. Fog chemistry at three sites in Norway[J]. Atmospheric Research, 2015, 151: 72–81.

[6] JEREMY P, AURORE P, ADRIAN L. An observational case study of persistent fog and comparison with an ensemble forecast model[J]. Boundary-Layer Meteorol, 2015, 155: 301–327.

[7] 王靜, 施潤和, 李龍, 等. 上海市一次重霧霾過程的天氣特征及成因分析[J]. 環境科學學報, 2015, 35(5): 1537–1546.

[8] 呂效譜, 成海容, 王祖武, 等. 中國大范圍霧霾期間大氣污染特征分析[J]. 湖南科技大學學報(自然科學版), 2013, 28(3): 104–110.

[9] 孟兆佳, 岳曉寧, 王東政, 等. 基于多層回歸分析城市霧霾成因模型[J]. 沈陽大學學報(自然科學版), 2015, 27(2): 139–142.

[10] 魏嘉, 呂陽, 付柏淋. 我國霧霾成因及防控策略研究[J]. 環境保護科學, 2014, 40(5): 51–55.

[11] 劉翠, 薛科社. 西安市霧霾天氣成因及治理措施分析[J]. 地下水, 2013, 35(3): 220–221.

[12] 王雨田, 李衛東. 城市中霧霾的形成機理及其對策研究[J]. 合作經濟與科技, 2015, 22(2): 30–32.

[13] 李霽嬈, 李衛東. 基于交通運輸的霧霾形成機理及對策研究–以北京為例[J]. 經濟研究導刊, 2015, 11(4): 147–150．

[14] 張軍英, 王興峰. 霧霾的產生機理及防治對策措施研究[J]. 環境科學與管理, 2013, 38(10): 157–165.

[15] WILLIAM R C, BRYANB G, HEEVER S D. Fogs and stratocumulus clouds[J]. International Geophysics, 2011, 99: 179–242.

[16] 王玨, 孟維宸, 張奇漪, 等. 南京市灰霾期間顆粒物污染的主要影響源識別[J]. 環境保護科學, 2012, 38(4): 6–11.

[17] 吳兌, 鄧雪嬌, 畢雪巖, 等. 細粒子污染形成灰霾天氣導致廣州地區能見度下降[J]. 熱帶氣象學報, 2007, 23(1): 1–6.

[18] 胡旭瑩. 天津市灰霾污染影響因素及機理研究[D]. 天津: 河北工業大學, 2013: 1–72.

[19] 倪洋, 涂星瑩, 朱一丹, 等. 北京市某地區冬季大氣細顆粒物和超細顆粒物污染水平及影響因素分析[J]. 北京大學學報(醫學版), 2014, 46(6): 389–398.

[20] 馮少榮, 馮康巍. 基于統計分析方法的霧霾影響因素及治理措施[J]. 廈門大學學報(自然科學版), 2015, 54(1): 114–121.

[21] 程婷, 魏曉弈, 翟伶俐, 等. 近50年南京霧霾的氣候特征及影響因素分析[J]. 環境科學與技術, 2014, 37(6): 54–61.

[22] DRIAANSE A. Environmental policy performance indicators. A Study on the Development of Indicators for Environmental Policy in the Netherlands[J]. Uitgeverij, The Hague, 1993.

[23] 馮科, 吳次芳, 劉勇. 浙江省城市土地集約利用的空間差異研究–以PSR與主成分分析的視角[J]. 中國軟科學, 2007, 30(2): 102–108.

[24] 朱一中, 曹裕. 基于PSR模型的廣東省城市土地集約利用空間差異分析[J]. 經濟地理, 2011, 31(8): 1375–1380.

[25] PEI Liang, DU Liming, YUE Guijie. Ecological security assessment of Beijing based on PSR model[J]. Procedia Environmental Sciences, 2010(2): 832–841.

[26] 楊志, 趙冬至, 林元燒. 基于PSR模型的河口生態安全評價指標體系研究[J]. 海洋環境科學, 2011, 30(1): 139–142．

[27] 彭建, 吳健生, 潘雅婧, 等. 基于PSR模型的區域生態持續性評價概念框架[J]. 地理科學進展, 2012, 31(7): 933–939.

[28] BAI Xiaorui, TANG Jingchun. Ecological security assess-ment of Tianjin by PSR model[J]. Procedia Environmental Sciences, 2010(2): 881–887.

[29] 謝花林, 劉曲, 姚冠榮, 等. 基于PSR模型的區域土地利用可持性水平測度–以鄱陽湖生態經濟區為例[J]. 資源科學, 2015, 37(3): 439–456.

[30] 施益強, 王堅, 張枝萍. 廈門市空氣污染的空間分布及其與影響因素空間相關性分析[J]. 環境工程學報, 2014, 8(12): 5406–5412.

[31] 彭應登. 北京近期霧霾污染的成因及控制對策分析[J]. 工程研究–跨學科視野中的工程, 2013, 5(3): 233–239.

[32] 余建英, 何旭宏. 數據統計分析與SPSS應用[M]. 北京:人民郵電出版社, 2005: 292–299.

[33] 陸屹, 朱永杰. 工業經濟效益評價研究––基于主成分分析和聚類分析[J]. 技術經濟, 2011, 30(3): 65–66.

[34] 黎磊. 基于PSR模型的城市土地集約利用評價-以成都市為例[J]. 綿陽師范學院學報, 2014, 33(2): 116–122.

[35] 繆仁炳, 徐朝暉. 信息能力國際比較的主成分分析法[J]. 數理統計與管理, 2002, 21(2): 1–5.

[36] 史麗君, 張紹良, 王浩宇, 等. 基于PSR框架的徐州市城市土地集約利用評價研究[J]. 國土與自然資源研究, 2006(1): 4–5.

Analysis on spatial difference of influencing factors of haze in Shanghai based on PSR model

SHENG Xiaoxing, YE Chunming*

Business School, University of Shanghai for Science and Technology, Shanghai 200093, China

On the basis of in-depth analysis of the concept PSR (Pressure-State-Response) system which deals with the influencing factors of haze in urban area, the authors have introduced PSR framework to the evaluation index system of urban haze influencing factors and the empowered evaluation index by the method of principal component analysis to evaluate spatial difference levels of haze influencing factors among seven districts in Shanghai. The result shows that: ① there are two obvious regional differences found from the score of influencing factors of haze in Shanghai; one is the difference between Pudong New District and the other six districts caused by regional population, economic pressure, green coverage rate; the other one is the daily average concentrations of SO2, NO2, PM2.5in Huangpu District relatively less than the other five districts except Pudong New District. PM2.5, SO2and green coverage indicators infect the urban haze significantly in state and response layer. ②The correlation analysis using SPSS17.0 shows that the influencing factors of haze in shanghai and its coordination degree of the PSR system are positively correlated, which means that basically the greater impact of influencing factors happened in each district, the higher of its coordination degree.

PSR; haze; principal component analysis; spatial differences

10.14108/j.cnki.1008-8873.2017.02.013

X821

A

1008-8873(2017)02-087-06

2015-09-30;

2015-10-27

上海市哲學社會科學規劃項目(2014BGL024); 上海市一流學科項目資助(S1201YLXK)

盛小星(1991—), 男, 江西宜春人, 碩士研究生, 主要從事城市生態管理研究, E-mail: shengxxying@163.com

葉春明(1964—), 男, 安徽宣城人, 教授, 博士生導師, 主要從事城市生態管理及工業管理研究, E-mail: yechm6464@163.com

盛小星, 葉春明. 基于PSR模型的上海市霧霾影響因素空間差異分析[J]. 生態科學, 2017, 36(2): 87-92.

SHENG Xiaoxing, YE Chunming. Analysis on spatial difference of influencing factors of haze in Shanghai based on PSR model[J]. Ecological Science, 2017, 36(2): 87-92.