“一帶一路”沿線地區NO2濃度時空變化特征及其驅動因素

方 愷,王婷婷,何堅堅,*,沈 揚

1 浙江大學公共管理學院,杭州 310058 2 浙江大學民生保障與公共治理研究中心, 杭州 310058 3 南京大學國際地球系統科學研究所, 南京 210023

伴隨著工業化和城鎮化進程不斷加快,大氣污染問題日益嚴重。大氣污染是一個全球性問題,在影響生態系統功能和服務的同時,也給公眾帶來巨大的健康隱患[1-3]。氮氧化物(NOx)作為美國環境保護署認定的六大主要污染物之一,是PM2.5和臭氧污染的重要前體物,不僅導致酸雨、霧霾等大氣環境問題,還可通過氧化形成硝酸鹽氣溶膠,改變大氣的輻射平衡,進而對區域氣候造成影響[4-5]。此外,NOx易誘發呼吸系統疾病、癌癥和心血管疾病,嚴重威脅人體健康[6]。大氣中的NOx主要以二氧化氮(NO2)和一氧化氮(NO)兩種形態存在,而NO在空氣中易被氧化為NO2。因此,當前研究大多利用NO2濃度來表征NOx濃度[7-9]。

國內外學者利用地面站點監測數據對NO2在城市或者局地站點的時空分布特征進行了研究[10-12]。衛星遙感數據因其空間分辨率高、覆蓋范圍廣而被應用于長時間序列NO2濃度時空分布研究中[13-15]。在此基礎上,一些學者探討了影響NO2分布的社會經濟因素,如Lyu等[16]采用對數平均因子指數法,測度了中國的經濟增長、能源強度、生產結構和人口變動等因素對1997—2012年NO2等大氣污染物排放變化的貢獻；Zheng等[17]運用指數分解分析法識別了2010—2017年中國人為NO2排放的驅動因素,發現經濟增長、工業排放和發電等均會導致NO2排放增加；李茜等[18]通過對237個中國城市的面板數據進行統計,發現城市建成區面積與NO2濃度呈顯著的正相關關系；另一項全球性研究則顯示,城市人口增長速度與NO2濃度同樣呈正相關關系[19]；周春艷等[20]發現長三角地區的NO2濃度與第二產業總值和機動車保有量之間呈顯著正相關關系,而與淘汰落后產能和優化產業結構負相關[21]。NO2濃度變化除受到社會經濟因素的影響之外,還受到溫度、風速、風向、相對濕度等自然因素的干擾[22-23]。而當前大多數研究僅考慮社會經濟因素或自然因素的單方面影響,較少有學者將二者相結合,從城鎮化的視角對區域NO2濃度的時空變化特征及其驅動因素進行深入分析。

“一帶一路”是中國在新時期推動國際合作共贏的倡議,所涵蓋的大部分國家為新興經濟體,正處于城鎮化加速發展階段,同時也面臨著大氣污染等嚴峻的生態環境問題[24]。本文基于對流層NO2柱濃度數據,分析了“一帶一路”地區NO2濃度的時空分異特征,并利用空間計量模型揭示NO2污染的社會經濟和自然因素驅動機制,以期為構建區域一體化的大氣污染防治機制、打造綠色“一帶一路”提供科學依據和政策支撐。

1 研究區與研究方法

1.1 研究方法與模型

1.1.1全局空間自相關

由地理學第一定律可知,地理空間范圍內的任何兩事物間均存在聯系,且隨二者距離的拉近,二者的相關性越大[25]。已有研究表明,NO2濃度存在空間分布上的異質性與依賴性,且全局Moran′sI指數相比全局G系數測算結果更為穩定[26],因而選用Moran′sI指數對“一帶一路”沿線國家NO2的空間分布特征進行描述,計算公式為[27]：

式中,I為Moran′sI指數；n為不同區域；Wij為空間權重矩陣；xi、xj分別為空間i、j位置的觀測值。全局Moran′sI指數的取值范圍為[-1, 1],小于0 表示負相關,大于0表示正相關,其絕對值越接近1表明相關性越強。

1.1.2局部空間自相關

全局空間自相關是對研究對象的一種總體測度,能夠說明所有相鄰區域間的平均差異程度與依賴性,但它忽略了局部之間的差異,因而無法進一步反映區域的空間異質性和波動性。為此,采用局部空間自相關模型對研究區NO2濃度的空間集聚狀況進行測度[28],計算公式為：

式中,Ii為區域i的局部空間自相關指數。局部Moran′sI指數的取值范圍為[-1, 1],小于0表示該區域與鄰近區域的屬性值不近似,呈現“高—低”和“低—高”集聚,大于0表示該區域與鄰近區域的屬性值近似,呈現“高—高”和“低—低”集聚。

Z值(標準化統計量)常用于對空間自相關進行顯著性檢驗,計算公式為：

式中,Z為標準化統計量；E(I)為I的均值；VAR(I)為I的方差。Z值大于0且顯著表示正相關,即相似觀測值趨于空間集聚,反之亦然。

1.1.3空間計量模型

在空間自相關分析的基礎上,選用空間計量模型中適于截面數據分析的空間滯后模型(SLM)和空間誤差模型(SEM)對研究區NO2的驅動因素進行空間度量[29]。SLM是指被解釋變量間的空間依賴性對模型至關重要而導致空間相關,計算公式為[30]：

Y=ρWY+Xβ+ε,ε—N(0,δ2)

式中,X和Y分別為自變量(解釋變量)和因變量(被解釋變量)；β為回歸系數；WY為內生交互效應；ρ為WY的系數,是空間溢出程度的一種表達；ε為隨機誤差項。

SEM是指模型的誤差項在空間上存在相關關系,計算公式為[31]：

Y=λWu+Xβ+ε,ε—N(0,δ2)

式中,W為空間權重矩陣；u為隨機誤差向量；λ為回歸殘差之間的空間相關性系數。

此外,使用普通最小二乘法(OLS)與空間計量模型SLM和SEM的結果進行比較,以進一步篩選和識別最優的計量分析方法。

1.2 研究區概況

作為一個開放、包容的公共產品,“一帶一路”倡議涵蓋的國家數量處于動態增長之中。我們參照Liu等[32]的研究,將74個已正式加入“一帶一路”倡議的國家作為研究對象,這些國家橫跨東南亞、南亞、西亞、中亞、歐洲和北非的大部分地區(表1)。

表1 “一帶一路”沿線國家列表

1.3 數據來源

本研究的數據來源主要包括對流層NO2柱濃度數據,人口城鎮化、土地城鎮化、國內生產總值、第二產業比重、能源強度、人均耗電量和汽車保有量等社會經濟數據,以及森林覆蓋率、溫度、降水、云量和植被凈初級生產力等自然因素數據(表2)。具體說明如下：

表2 本文采用的主要指標

(1)NO2濃度數據：使用OMI衛星(http//www.temis.nl)對流層NO2柱濃度數據,空間分辨率為13 km×13 km,時間跨度為2005—2015年。涉及的地面觀測數據來自中國環境監測總站(http://106.37.208.233:20035)的全國城市空氣質量實時監測數據。

(2)城鎮化數據：選取人口城鎮化和土地城鎮化兩項指標,前者來自聯合國人口司(https://Population.un.org/wup/Download/),后者則基于夜間燈光數據Google Earth Engine(https://developers.google.com/earth engine/datasets/tags/nighttime),通過提取城市建成區面積來確定各國的土地城鎮化率,該方法已被廣泛運用并驗證[33]。隨著2012年新一代夜間燈光數據NPP/VIIRS的發布,本研究使用了2005—2011年的DMSP-OLS夜間燈光數據和2012—2015年的NPP/VIIRS數據,且穩健性分析表明,這兩個時段數據的一致性和可比性較好。

(3)社會經濟數據：國內生產總值、第二產業比重、能源強度和人均用電量等來自世界銀行數據庫(https://data.world bank.org.cn),汽車保有量數據來自世界汽車組織(http://www.oica.net)。

(4)自然要素數據：年均降水、溫度和云量等數據來自CEDA Achive數據中心(https://www.ceda.ac.uk/),空間分辨率為0.5°×0.5°,時間跨度為1個月。采用已修訂的cru_ts_4.02氣候研究單元數據合并和提取“一帶一路”74個國家的降水、溫度和云量等數據。雖然森林面積占比已存在于指標體系中,但考慮到植被對大氣污染物具有強大的凈化作用,因而將植被凈初級生產力也納入考量,其數據來自MOD17A3H v006數據集(https://modis.gsfc.nasa.gov/),空間分辨率為500 m×500 m,時間跨度為1a。

1.4 OMI對流層NO2柱濃度數據適用性分析

為驗證OMI對流層NO2柱濃度是否可以代替近地面大氣NO2濃度,本文選取2015年1月—2018年12月中國不同區位典型城市的NO2逐小時數據并轉換成月均值,依據對應城市矢量邊界來提取各城市相應時段的月均OMI對流層NO2柱濃度值。近地面監測值與OMI對流層NO2柱濃度數據的線性擬合結果顯示(圖1),盡管衛星過境時間與當地實際觀測時間會有一些出入,以及受云量、氣溶膠等氣象條件的影響,但北京、上海、廣州和成都的擬合優度R2分別為0.687、0.686、0.637和0.428,兩組數據總體表現出較強的一致性和可比性,這也印證了當前研究普遍采用OMI對流層NO2柱濃度代替近地面大氣NO2濃度做法的合理性和可靠性[34-35]。因此,本文同樣采用OMI對流層NO2柱濃度數據進行后續分析。

圖1 典型城市地面監測值和對流層柱濃度數據值對比Fig.1 Comparison of the surface NO2 concentrations and NO2 vertical column density in typical Chinese cities

2 結果與分析

2.1 “一帶一路”地區NO2濃度時空變化

2005—2015年,“一帶一路”地區NO2濃度整體呈現波動變化,且具有明顯的季節性特征(圖2)。NO2濃度的極大值出現在2010年12月,高達2.76×1015mol/cm2；極小值出現在2014年7月,為1.44×1015mol/cm2。高值一般出現在12月和1月,此時太陽輻射較弱,光化學反應較慢,導致NO2在對流層的存在時間變長[35]；低值一般出現在7月和8月,此時太陽輻射強,高溫多雨,從而導致大氣NO2濃度降低[36]。

圖2 2005—2015年“一帶一路”地區NO2濃度的月均和逐月變化Fig.2 Temporal change of monthly mean NO2 concentrations in the B&R region in 2000—2015

從空間變化來看,“一帶一路”地區的NO2年均濃度整體呈現高低緯度低、中緯度高的空間分布格局(圖3)。中國、新加坡、印度及西亞和歐洲部分國家的NO2濃度較高,俄羅斯、蒙古、馬來西亞、印度尼西亞及中亞和北非部分國家的NO2濃度相對較低。荷蘭、德國、意大利等發達國家的NO2濃度盡管較高,但在研究時段內一直處于下降趨勢,年均降幅保持在2%左右。俄羅斯則相反,其NO2濃度雖然相對較低,但持續上升。印度與之類似,NO2濃度年均增幅為1.94%。中國的NO2濃度在2011年達到3.45×1015mol/cm2的高點后,從2012年起略有回落,這很大程度上得益于近年來《大氣污染防治行動計劃》等政策措施密集出臺。過去11年間,黎巴嫩和卡塔爾的NO2濃度絕對增幅最大,分別為1.29×1015mol/cm2和1.06×1015mol/cm2；而吉爾吉斯斯坦和黎巴嫩的NO2濃度相對增幅最大,分別為38.65%和38.05%。

2.2 “一帶一路”地區城鎮化水平時空變化

“一帶一路”地區的土地城鎮化和人口城鎮化水平均呈現逐年上升的趨勢,但區域間差異較大(圖4)。2005—2015年,全域土地城鎮化年均水平為6.34%,最高為南亞的12.43%,最低為東南亞的2.04%；人口城鎮化年均水平為58.51%,最高為西亞的73.25%,最低為東南亞的42.18%[37]。2005—2015年,東亞地區的土地城鎮化率增幅最高,為3.51個百分點,而東南亞地區的土地城鎮化增幅最低,僅為0.64個百分點；東亞地區的人口城鎮化率增幅同樣最高,為9.36個百分點,而中亞地區的人口城鎮化增幅最低,僅為1.40個百分點[37]。總的來看,過去11年間,“一帶一路”地區人口城鎮化水平的地區差距有所縮小,而土地城鎮化水平的地區差距卻逐漸擴大。

圖4 2005—2015年“一帶一路”地區的土地和人口城鎮化水平變化幅度Fig.4 Changes of land and population urbanization in the B&R region in 2000—2015

2.3 “一帶一路”地區NO2濃度空間自相關分析

2005—2015年,“一帶一路”地區NO2濃度的全局Moran′sI指數平均值為0.528(P<0.01),全域NO2年均濃度之間存在顯著的空間正相關性(圖5)。局部空間自相關結果顯示,“一帶一路”地區大部分國家呈現“高—高”和“低—低”的集聚狀態,前者主要集中在歐洲,這與該地區城鎮化高度發達是密不可分的；后者主要包括東南亞的印度尼西亞、馬來西亞以及北非地區等城鎮化水平相對較低的國家或地區。

圖5 “一帶一路”地區NO2濃度的Moran′s I散點圖Fig.5 Moran′s I scatterplots for the NO2 concentrations in the B&R region in 2005—2015

2.4 “一帶一路”地區NO2濃度驅動因素分析

Moran′sI指數分析已表明解釋變量存在顯著的空間自相關性,可以運用空間計量分析進一步探究“一帶一路”地區NO2濃度的驅動因素。采用方差膨脹因子對各社會經濟和自然因素進行多重共線性檢驗,結果表明各解釋變量的方差膨脹系數均小于10,即不存在多重共線性。因此,本文基于2015年“一帶一路”沿線國家的NO2濃度和社會經濟及自然截面數據進行空間計量分析。OLS、SEM和SLM的R2分別為0.64、0.65和0.75,故選取擬合優度較高的SLM進行驅動因素分析(表3)。結果表明,GDP、汽車保有量和土地城鎮化率與NO2濃度呈現顯著的正相關關系,三者每提高1%,NO2濃度分別上升0.29%、0.28%和0.11%,是導致“一帶一路”地區NO2濃度上升的主要驅動因素。溫度和云量與NO2濃度亦呈現顯著的正相關關系,二者每提高1%,NO2濃度分別上升0.20%和0.17%,這是因為云量增加會導致空氣中的水汽含量升高,空氣濕度增大,此時常伴有逆溫現象,大氣層結較為穩定,污染物附著在水汽中不易擴散。與之相反,森林覆蓋率和植被凈初級生產力與NO2濃度呈現顯著的負相關關系,二者每提高1%,NO2濃度分別下降0.14%和0.15%,表明提高森林覆蓋率、加強植被保護有利于降低NO2濃度。此外,我們還發現第二產業比重也與NO2濃度呈現負相關關系,這或許是因為二產占比較低的“一帶一路”沿線國家其生產工藝往往較為落后、不少機動車為發達國家的淘汰產品,從而導致其NO2排放量偏高。

表3 OLS、SLM、SEM估計結果比較

3 結論與建議

3.1 結論

本文基于2005—2015年“一帶一路”沿線國家的NO2對流層柱濃度,建立了包含人口城鎮化、土地城鎮化、國內生產總值、第二產業比重、能源強度、人均耗電量、汽車保有量等在內的廣義城鎮化綜合指標體系,同時考慮了森林覆蓋率、溫度、降水、云量和植被凈初級生產力等自然因素的影響,運用空間自相關和空間計量模型,深入分析了“一帶一路”地區NO2污染的時空變化特征及其驅動因素。主要結論如下：

(1)“一帶一路”地區的NO2濃度在時間上呈現季節性波動特征,空間上呈現高低緯度低、中緯度高的分布格局,且具有顯著的空間正相關性。NO2高值區主要分布在中國、新加坡、印度以及部分歐洲和西亞國家,印度、俄羅斯等新興經濟體的NO2濃度逐年上升,歐洲發達國家的NO2濃度有所下降,中國則呈現先上升后下降的變化趨勢?！案摺摺奔壑饕植荚诔擎偦较鄬^高的歐洲地區,“低—低”集聚則主要分布在東南亞和北非等城鎮化水平相對較低的地區。

(2)“一帶一路”地區人口和土地城鎮化水平整體呈現上升趨勢,并且均呈現西南高、東北低的空間分布格局。人口和土地城鎮化率最高的地區分別為西亞和南亞,最低的地區均為東南亞；人口和土地城鎮化率增幅最高的地區均為東亞,增幅最低的地區則分別為中亞和東南亞。

(3)“一帶一路”地區NO2濃度變化受到的社會經濟和自然因素的共同作用。國內生產總值、汽車保有量和土地城鎮化率對NO2濃度增長的貢獻度分別達0.29%、0.28%和0.11%,是驅動“一帶一路”地區NO2污染加劇的主要因素；森林覆蓋率和植被凈初級生產力則是抑制NO2污染的主要因素。

3.2 建議

“一帶一路”沿線國家應采取措施切實轉變經濟發展方式,適度調控汽車保有量,控制城市建設用地的擴張,從源頭上減少NO2排放量。與此同時,要加強對植被特別是森林的可持續管理,提高城市綠化面積,協同控制大氣污染和減緩氣候變化[38-39]。最后需要指出的是,大氣污染具有明顯的跨區域傳輸特性,當前以各國為主體的污染防治模式越來越難以有效解決區域大氣污染問題[40]。“一帶一路”沿線國家應加強生態環境保護合作,建立和完善區域際大氣污染協同治理機制,采用更先進的清潔技術和更嚴格的環境標準,促進經濟綠色轉型為打造綠色“一帶一路”、踐行聯合國《2030年可持續發展議程》作出貢獻。