EKC視角下京津冀PM2.5時空差異及驅動研究

王一旭，孫 碩，姚 磊

(山東師范大學地理與環境學院，中國 濟南 250358)

近年來，中國快速的城市化及工業化進程導致城市人口以及建設用地面積不斷增加、化石能源消耗和工業污染排放持續上漲，進而導致了嚴重的區域環境污染問題。其中，空氣污染問題尤為突出，特別是細顆粒物(PM2.5)污染[1,2]。目前中國的許多城市都面臨著PM2.5污染，高頻重度PM2.5污染天氣主要發生在我國東部、北部城市群，如京津冀、長江三角洲以及長江中游等地。PM2.5不僅導致大氣能見度下降，影響氣候變化，也會對人們身心健康造成極大的危害，致使暴露人群的死亡風險增加[3,4]。除此之外，過高的PM2.5濃度水平更會嚴重阻礙城市的進一步發展。由于PM2.5污染對人類健康所造成負面影響和經濟損失不可估計[5]，故公眾對空氣質量的關注度持續上漲。在這樣的背景下，2012年2月國務院同意修訂的《環境空氣質量標準》(GB3095—2012)[6]首次將PM2.5作為一般評價項目納入空氣質量標準中，該標準綜合考慮世界衛生組織(WHO)對保護人群健康的研究結果以及我國社會經濟發展階段，將WHO制定的PM2.5濃度限值過渡期目標-1和過渡期目標-2分別作為Ⅱ級和Ⅰ級標準，并于2012年底在京津冀、長三角、珠三角等重點區域以及直轄市和省會城市建設完成空氣質量監測站點并對外公布監測數據。且近幾年為改善空氣環境質量并控制污染源，政府實施了諸如《重點區域大氣污染防治規劃》、《大氣污染防治行動計劃》等一系列空氣污染防治措施，取得了一定成果。

然而，處于中國大氣污染最嚴重地區之一的京津冀城市群PM2.5污染形勢依然嚴峻，PM2.5已成為京津冀地區首要的大氣污染物[7]，這也使得該區域成為當前空氣污染研究的熱點。當下，已有部分學者對京津冀地區的PM2.5污染時空分布特征進行梳理，如劉海猛等利用遙感監測數據發現2000—2014年京津冀城市群PM2.5濃度整體呈上升趨勢，城市群內空氣質量超標率極高，污染嚴重[8]；周磊等在2013年典型污染事件中，借助空間熱點探測表明京津冀PM2.5污染有重點分布區和輕污染區之分[9]。與此同時，研究還進一步發現PM2.5污染與一些表征城市發展和人類生產生活活動的社會經濟因素之間聯系密切，如人口密度、汽車尾氣、工業生產排放以及能源消費等是大氣污染的主要來源[10]；經濟增長、產業結構及城市擴張等也會對空氣質量造成不同程度的影響[11-13]。然而，京津冀城市群社會經濟發展水平不均衡的現象客觀存在，北京與天津兩大核心城市城市化率較高，同時經濟發展和產業結構的優化使得每個城市各有特色，這可能會導致城市群內部PM2.5污染具有異質性。且由于地面PM2.5監測站點數據的限制，近幾年對于京津冀地區PM2.5污染研究的時間段更新不足、尺度相對較短，局限于某一年或兩年研究時段的文獻并不能有效體現PM2.5污染異質性的動態變化。更為重要的是，目前對于驅動力的多數相關研究仍傾向于整體層面[10,12,14]，而區域(或城市群)內部社會經濟背景差異對PM2.5污染異質性之間的驅動關系尚未進行充分討論[15]。那么，近幾年京津冀城市群內部PM2.5污染是否不同，其時空動態變化又如何？城市間不同社會經濟要素對PM2.5污染可能存在的區域性差異是否有所影響？

本文以京津冀城市群作為典型研究區，采用2014—2018年區內實測PM2.5站點數據，分析研究區域內PM2.5污染的時空動態特征，并探討城市群內部PM2.5污染動態下的社會經濟驅動異質性，以期更新京津冀地區PM2.5時空動態變化的時間跨度，彌補對城市群內部驅動差異研究的不足，為更科學地認識及建立PM2.5污染與社會經濟發展之間的內在聯系提供參考。

1 研究區、數據與方法

1.1 研究區概況

京津冀城市群(圖1)位于我國華北地區，北部地處燕山山脈，西靠太行山脈，東臨渤海，南部多為平原，地勢西北高東南低。氣候屬暖溫帶半濕潤大陸性季風氣候，四季分明，夏季高溫多雨，冬季寒冷干燥。京津冀是中國政治文化中心，亦是中國最大的城市群之一，包括北京和天津兩個直轄市以及河北省11個地市：石家莊、唐山、秦皇島、邯鄲、保定、張家口、承德、廊坊、滄州、衡水和邢臺。其中，北京和天津兩大核心城市并存，河北省各個次中心城市經濟實力則相對較弱，城市間經濟差異較為明顯，產業結構各不相同。

城市群內工業化、城市化發展迅速，人口密集、人類活動能源消耗量大，生態環境保護與經濟可持續發展之間的矛盾異常突出。在環境保護部發布的2014年城市空氣質量狀況報告[16]中指出，在京津冀城市群的13個城市中，有11個城市位于污染最重的前20位，其中有8個城市位于前10位，大氣污染形勢非常嚴峻，其首要污染物即為細顆粒物。作為國家重點優化功能區，嚴重的區域大氣污染及其內部各城市社會經濟背景的差異是京津冀城市群綠色健康可持續發展的一重阻礙。

1.2 數據來源

1.2.2 驅動因子數據 在先前研究的基礎上，經匯總梳理選取5項(表1)與地區城市化水平、經濟發展及人類活動存在密切聯系的指標：(1)以總人口數衡量城市人口規模；(2)以地區生產總值(地區GDP)代表城市經濟發展水平；(3)以人口密度代表城市內人類活動強度；(4)以城市建設用地面積占行政區的比例，即建設用地占比衡量城市建設水平；(5)以第二產業占GDP的比重衡量城市產業結構及工業活動。各指標數據均匯總自《中國城市統計年鑒》。

1.3 數據分析與方法

1.3.1 PM2.5時空特征分析

(1)時間上：利用統計學方法對各城市PM2.5濃度平均值數據進行趨勢變化分析，并以圖表形式歸納展現京津冀城市群PM2.5污染的時序特征以及區內城市間差異。

(2)空間上：采用空間自相關分析方法進一步探討研究區內PM2.5污染的空間特征。空間中地理現象并非獨立存在，空間自相關的目的即是確定某一事物在空間上是否相關，相關程度如何。本文則是基于全局空間自相關指數Moran’sI定量描述京津冀城市群PM2.5濃度的空間依賴關系，定義如下[10,19]：

(1)

(2)

此外，通過Z值對全局Moran’sI進行顯著性檢驗，公式如下：

(3)

式中：E(I)代表Moran’sI指數的數學期望；VAR(I)代表Moran’sI指數的方差。

通常，I的范圍介于1與-1之間，I值小于0代表空間分布呈負相關，數值越低負相關性越強；相反，I值大于0表示正空間相關性，數值越大空間正相關性越強；I值等于0則表示呈現隨機的空間分布。而Z<-2.58或>+2.58且p<0.01表示置信度為99%；Z<-1.96或>+1.96且p<0.05表示置信度為95%；Z< -1.65或>+1.65且p<0.1則表示置信度為90%。

原始的大棚環境變量數據的預處理包括對數據中的異常值和缺失值處理以及數據標準化處理。由于原始數據中前后兩個時刻的值差值較小,所以對于缺失值和異常值均選取該值前后兩個時刻的平均值代替該時刻的值。

同時，基于局部Moran’sI指數探討京津冀PM2.5污染的局部空間自相關性，識別城市污染的空間聚集特征和空間異質性，定義如下[10]：

(4)

局部空間自相關分析可將研究區內的城市劃分為4種類型的空間自相關關系：若I為正且Z> 0，為“高-高”空間聚集類型；若I為正且Z< 0，則為“低-低”空間聚集類型；若I為負且Z> 0，為“高-低”空間離散類型；若I為負且Z< 0，則為“低-高”空間離散類型。

1.3.2 PM2.5污染驅動因素分析 本文在SPSS中分步探討了2014—2018年京津冀城市群各要素對PM2.5污染的具體影響。首先，使用散點圖討論全區PM2.5濃度與各社會經濟要素之間的關系。其次，當觀察到非線性關系時，對數據進行變量變換，以各項社會經濟指標為解釋變量，PM2.5濃度為響應變量，進行曲線回歸分析，計算相關系數，做顯著性檢驗，并以該曲線表征PM2.5污染隨驅動因子的變化趨勢。最后，若發現回歸結果的擬合度較低，且在散點圖中存在明顯的離群城市，則將該城市做異常值剔除處理后再加以分析，以此探究城市群內部非均衡發展的社會經濟要素對污染的驅動差異。

2 結果與分析

2.1 PM2.5時間動態特征

2014—2018年，京津冀城市群PM2.5濃度年均值監測統計數據顯示(圖2)，全區PM2.5呈現逐年下降趨勢。具體來講，5年間京津冀PM2.5濃度年均值分別為93.18，77.32，69.53，64.11和54.64 μg/m3，與2014年相比，2018年PM2.5年均濃度值降低38.55 μg/m3，下降幅度達41.4%，PM2.5污染程度明顯改善。2014—2018年京津冀各監測城市PM2.5年平均濃度最大值分別為131.95，106.32，94.72，85.84和69.69 μg/m3，分別出現在邢臺、保定、石家莊、邯鄲、邯鄲；最小值則均出現在張家口市，分別為34.81，34.07，31.99，32.66和30.63 μg/m3。同時，5年內各地市PM2.5濃度年均值均呈下降趨勢，下降幅度存在較大差異，具體表現為：保定市降幅最大達48%，依次為邢臺(47.1%)、廊坊(44.5%)、石家莊(44.3%)、衡水(43.4%)、承德(41.8%)、北京(41.5%)、唐山(40.5%)、滄州(39.3%)、邯鄲(39.2%)、天津(36.6%)、秦皇島(30.8%)，最低為張家口市(12.0%)。但是，在2018年，除張家口市及承德市外，各城市年均PM2.5濃度值均超標，京津冀城市群整體PM2.5污染形勢依然嚴峻。

分季節來看(圖3)，較之2014年，2018年京津冀地區各季節PM2.5污染均有所改善。其中，夏季下降幅度最為明顯，降幅達45.3%，秋冬次之，降幅分別為43.2%和42.3%，而春季PM2.5下降幅度遠低于其它季節，僅為28.9%。同時，進一步研究表明2014—2018年PM2.5濃度值存在較明顯的季節性差異(表2)，且5年內夏季PM2.5污染均相對較輕。具體而言：2014與2016年各季節間非參數檢驗p值均小于0.05，表明各季節PM2.5濃度值均存在明顯差異；2015與2017年，春季與秋季PM2.5濃度差異不明顯，呈現出冬高夏低、春秋居中的特點；而在2018年，春、冬兩季PM2.5污染水平高于夏秋季節，且春、冬兩季污染差異不顯著，PM2.5濃度季節變化特征明顯區別于2014—2017年，這與中國其他地區變化不一致[20,21]。除此之外，冬季PM2.5濃度上下四分位數間距大，離散程度最高，由此可見冬季各站點污染差異最大。

圖3 京津冀城市群各季節PM2.5濃度箱型圖

表2 京津冀PM2.5季均質量濃度非參數檢驗結果

2.2 PM2.5空間動態特征

圖4表明，研究區內年均PM2.5濃度在空間上呈現南高北低的差異格局且分布相對穩定。其中，北部秦皇島市、承德市和張家口市一線污染較輕。西南部城市，邢臺市、石家莊市、保定市、邯鄲市和衡水市為研究區內PM2.5污染的高風險聚集區域。此外，結合京津冀地區五年間PM2.5高濃度污染范圍可以發現，全區污染范圍逐漸向西南方向收縮。

圖4 京津冀城市群PM2.5空間分布特征

全局空間自相關分析表明，京津冀城市群PM2.5濃度存在顯著正空間相關性(表3)，區域之間相互影響較為明顯。在空間維度上，各城市PM2.5濃度并非離散分布，污染水平相接近的城市趨于聚集，呈現出顯著的空間集聚特征。城市PM2.5濃度可能易受鄰近地區空氣污染水平的影響[22]，位于高值聚集區的城市受影響尤為顯著，亦有研究表明，區域性大霧霾事件中跨邊界運輸對近地表PM2.5貢獻較大[23]，這意味著對單獨城市采取空氣污染控制措施不足以減少區域性污染事件，各城市集群間的聯防聯控具有十分重要的意義。同時，局部空間自相關分析結果如圖5所示。“高-高”類型在2014與2015年主要分布于石家莊及衡水市，而在2016至2018年，邢臺市亦成為“高-高”空間聚集類型，表明該類城市及周圍地區的PM2.5年均濃度值較高，為PM2.5高值聚集區。“低-低”類型在研究時段內均分布于承德市，表明該類城市及周圍地區的PM2.5年均濃度值較低，為PM2.5低值聚集區。在2014，2015及2018年，唐山市成為研究區內的“高-低”類型，即該類城市PM2.5年均濃度為高值，且被低值城市所包圍。

表3 京津冀城市群PM2.5空間自相關分析結果

圖5 京津冀城市群PM2.5局部空間自相關分析

2.3 京津冀城市群PM2.5污染驅動分析

根據2014—2018年京津冀地區PM2.5驅動分析(圖6)，本文發現各社會經濟要素與PM2.5之間的擬合關系均通過顯著性檢驗，但一些擬合方程的r2較小。而當PM2.5與某一要素之間的相關關系通過顯著性檢驗時，二者之間即存在真實的相關關系，這與先前的一些研究相類似[17,24]。由此可知，PM2.5濃度與所選社會經濟要素之間均存在顯著的密切關系，具體表現為：總人口數、GDP及建成區占比與PM2.5濃度之間呈倒U型曲線關系；人口密度則與PM2.5濃度滿足冪函數相關關系，PM2.5濃度值隨人口密度的增加而增加；第二產業占比是唯一與PM2.5濃度之間存在線性相關關系的要素。

(1)城市人類活動驅動。PM2.5濃度與代表城市人類活動強度的人口密度之間關系最為密切，擬合度達到0.533(顯著性水平為0.01)，較高的人口密度在一定程度上可以說明人類生活、交通聚集帶來更多的能源消耗和污染排放，人為PM2.5及其前體污染物的大量排放PM2.5污染水平過高的主要原因[25]，也會進一步導致城市綠化率的下降，使城市阻礙塵埃污染能力降低，加劇PM2.5污染。因此，人口密度可能成為控制整個京津冀城市群PM2.5污染的關鍵因素之一。

(2)工業活動驅動。與其他許多研究相類似地，我們發現PM2.5濃度與京津冀城市第二產業占比之間呈顯著線性正相關(顯著性水平為0.05)，城市第二產業占比在一定程度上代表顆粒污染物的排放水平，是地區空氣污染的主要因子。然而，PM2.5濃度與第二產業占比雖存在線性相關關系，但擬合度僅為0.145，故進一步分析二者之間的關系。由圖6e中PM2.5濃度與第二產業占比的擬合圖可以看出，北京市作為一明顯離群城市存在，且由經濟背景可知北京市經濟發展主要依靠第三產業，第二產業占比相對較低。在剔除北京市后，發現PM2.5濃度與第二產業占比的擬合值達到0.332(顯著性水平為0.01)，相較上述分析而言擬合度得到一定提高，說明第二產業占比對北京市與京津冀城市群其他城市之間的驅動存在差異，工業活動對天津及河北省PM2.5污染的驅動作用更顯著。

(3)經濟發展及城市建設驅動。PM2.5濃度與GDP之間滿足環境庫茲涅茨曲線(EKC)假設，即呈現倒“U”型變化特征，且PM2.5污染對于城市經濟發展及城市建設水平的高低有不同響應。由PM2.5與GDP及城市建成區占比之間的散點圖(圖6b)可以看出，河北省各地市處于倒U型曲線左側上升部分，北京及天津則位于右側下降部分。由于京津冀地區各市經濟背景差異極大，故進一步單獨分析河北省PM2.5與GDP以及建成區占比之間存在的相關關系。結果表明：河北省PM2.5濃度值隨經濟發展及城市建設水平的增長而升高，但上升幅度逐漸放緩，進一步說明二者滿足倒U型曲線前半段。此外亦有相關研究表明全國尺度上經濟發展及城鎮化建設與空氣污染之間符合EKC假設，PM2.5濃度值倒U型演變形態客觀存在。綜上可以說明北京、天津與河北省各地市的GDP及建成區占比對PM2.5的驅動存在差異，經濟發展較好的大城市(北京、天津)可能在發展過程中經歷過嚴重的空氣污染，導致它們對于空氣污染更加重視并投入更多資源，故在擁有高GDP及城市建設用地的同時PM2.5污染水平卻相對較低。而經濟及城市發展相對落后的河北省11個城市則與大城市相反，經濟發展及城市建設對PM2.5污染存在正向驅動作用，處于PM2.5上升階段。

圖6 京津冀城市群PM2.5驅動分析

3 結論

本文使用京津冀城市群70個監測站的數據，研究分析2014—2018年該城市群大氣污染物PM2.5的時空動態特征，并進一步探討城市群內部PM2.5污染水平的社會經濟驅動因子異質性，結果表明：

(1)時間上：2014—2018年京津冀城市群年均PM2.5濃度呈下降趨勢，降幅達41.4%，且區內各城市均有不同程度下降，但2018年全區PM2.5污染仍舊超標。同時各季節PM2.5污染均有所改善，其中夏季改善程度最大，秋冬次之，春季最小。且各季節PM2.5濃度差異較大，2014—2017年，各季節大致呈現出冬季高，春秋次之，夏季最低的特征。但是2018年春冬兩季細顆粒物污染差異不明顯，呈現春冬高，秋次之，夏季最低的季節變化，這一變化可能受空氣污染治理政策影響較大，PM2.5污染治理有必要針對季節而行。

(2)空間上：京津冀城市群年均PM2.5濃度存在明顯的空間聚集特征，呈南高北低分異格局且變化相對穩定。京津冀西北部生態涵養區PM2.5污染較輕，空氣質量相對較好，“低-低”類型主要分布在北部的承德市。高濃度污染集中在南部地區，“高-高”聚集類型主要分布在南部的石家莊、衡水及邢臺市。

(3)驅動力因素分析表明，社會經濟因素對京津冀城市群PM2.5污染存在驅動作用，且驅動力存在一定差異。具體而言：PM2.5濃度與人口密度之間的關系最為顯著，PM2.5濃度隨人口密度的增加而升高。第二產業占比是唯一與PM2.5濃度值呈正線性相關關系的因素，且對除北京市之外的京津冀其他城市PM2.5驅動作用更為顯著。此外，PM2.5污染對于城市經濟及建設水平的高低有不同響應，即GDP及城市建成區占比與PM2.5濃度值呈倒U型曲線關系，符合經典EKC假設，欠發達的河北省處于倒U型曲線上升階段，PM2.5隨GDP及城市建成區占比的增加而增加，相反發展較好的北京、天津二市則處于曲線下降階段。