基于LMDI的城市化不同階段PM2.5濃度影響因素——以我國(guó)5個(gè)特大城市群為例

王秋紅,李維杰,王 勇,傅 俐,高 敏

基于LMDI的城市化不同階段PM2.5濃度影響因素——以我國(guó)5個(gè)特大城市群為例

王秋紅,李維杰,王 勇*,傅 俐,高 敏

(西南大學(xué)地理科學(xué)學(xué)院,重慶 400715)

以我國(guó)5個(gè)特大城市群為研究區(qū),采用人均GDP和產(chǎn)業(yè)結(jié)構(gòu)標(biāo)準(zhǔn),將2000～2015年劃分為不同的城市化發(fā)展階段,利用LMDI指數(shù)分解法探討不同發(fā)展階段排放強(qiáng)度、能源強(qiáng)度、經(jīng)濟(jì)產(chǎn)出和人口規(guī)模等4種社會(huì)經(jīng)濟(jì)因素對(duì)PM2.5濃度變化的可能驅(qū)動(dòng)機(jī)制及貢獻(xiàn)率.結(jié)果表明,5個(gè)特大城市群被劃分為四個(gè)不同的城市化發(fā)展階段,隨著城市化進(jìn)程的推進(jìn),PM2.5濃度呈現(xiàn)先上升后下降的趨勢(shì).總體上,經(jīng)濟(jì)產(chǎn)出和人口規(guī)模產(chǎn)生正效應(yīng),且經(jīng)濟(jì)產(chǎn)出效應(yīng)是促進(jìn)PM2.5濃度增加的主要因素;排放強(qiáng)度和能源強(qiáng)度產(chǎn)生負(fù)效應(yīng),且排放強(qiáng)度效應(yīng)是抑制PM2.5濃度增加的主要因素.能源強(qiáng)度效應(yīng)的累積貢獻(xiàn)率在工業(yè)化初期和中期有正有負(fù),但在工業(yè)化后期和發(fā)達(dá)經(jīng)濟(jì)時(shí)期均為負(fù).從工業(yè)化初期至發(fā)達(dá)經(jīng)濟(jì)時(shí)期,經(jīng)濟(jì)產(chǎn)出效應(yīng)和人口規(guī)模效應(yīng)的累積貢獻(xiàn)率均在增加且經(jīng)濟(jì)產(chǎn)出效應(yīng)的累積貢獻(xiàn)率增加更為顯著;排放強(qiáng)度效應(yīng)的累積貢獻(xiàn)率為負(fù)且累積貢獻(xiàn)率的絕對(duì)值不斷增加.探討不同城市化發(fā)展階段PM2.5濃度的影響因素可為政府部門(mén)制定針對(duì)性的環(huán)境保護(hù)政策提供依據(jù).

城市化不同階段；LMDI分解法；PM2.5濃度；特大城市群

城市的快速發(fā)展可能造成嚴(yán)重大氣污染,在不同城市化階段其影響因素的特征不同.因此,探討不同城市化階段PM2.5濃度的驅(qū)動(dòng)機(jī)制對(duì)環(huán)境污染政策的制定和實(shí)施具有重要意義.霾是我國(guó)各地當(dāng)前普遍存在的問(wèn)題[1].細(xì)顆粒物PM2.5(空氣動(dòng)力學(xué)直徑小于等于2.5μm的顆粒)是導(dǎo)致霾的主要污染物. PM2.5可通過(guò)呼吸道進(jìn)入人體循環(huán)系統(tǒng)引發(fā)哮喘、支氣管炎等疾病,并增加致癌風(fēng)險(xiǎn)[2-3]等.此外,PM2.5還可通過(guò)吸收和散射光來(lái)降低大氣能見(jiàn)度、影響輻射收支平衡[4-5]等.因此,有效降低PM2.5濃度對(duì)居民健康以及區(qū)域空氣質(zhì)量改善具有重要意義.

PM2.5影響因素分析可以探究其形成機(jī)理,是國(guó)內(nèi)外當(dāng)前研究的熱點(diǎn),學(xué)者們主要從自然因素[6-7]和社會(huì)經(jīng)濟(jì)因素[8-9]等方面展開(kāi)研究,其中社會(huì)經(jīng)濟(jì)因素是造成霾的根本原因.城市化進(jìn)程具有階段性,不同城市化階段經(jīng)濟(jì)發(fā)展水平、產(chǎn)業(yè)結(jié)構(gòu)、人口規(guī)模等社會(huì)經(jīng)濟(jì)因素具有顯著差異,導(dǎo)致PM2.5濃度變化在不同階段的差異性.在城市化進(jìn)程初期,一個(gè)地區(qū)的人口密度和經(jīng)濟(jì)發(fā)展水平較低,城市化速度緩慢,人們主要從事農(nóng)業(yè)生產(chǎn)活動(dòng),這一時(shí)期大氣污染主要由固體生物質(zhì)燃燒造成[10],對(duì)環(huán)境的破壞程度較小.隨著城市化進(jìn)入高速發(fā)展時(shí)期,大量的農(nóng)村人口向城市轉(zhuǎn)移,人口密度與污染物濃度呈正相關(guān)[11];此外,制造業(yè)和采礦業(yè)等高污染高排放產(chǎn)業(yè)發(fā)展迅速,化石燃料的使用向空氣中排放了大量的污染物[12],致使空氣污染問(wèn)題加重.在城市化發(fā)展的末期,人們?cè)絹?lái)越關(guān)注生態(tài)環(huán)境問(wèn)題,制定一系列嚴(yán)格的法律法規(guī)控制污染物的排放[13],可再生技術(shù)的發(fā)展、清潔能源的推廣等使污染物排放減少[14-15].

國(guó)內(nèi)外學(xué)者運(yùn)用不同方法對(duì)PM2.5影響因素展開(kāi)廣泛研究.樊建勇等[6]運(yùn)用相關(guān)分析法探討江西省PM2.5濃度與氣象要素之間的關(guān)系,認(rèn)為相對(duì)濕度、風(fēng)速和降雨量與 PM2.5濃度顯著相關(guān),但該方法忽視了樣本數(shù)據(jù)間的空間關(guān)聯(lián)性.Cheng等[16]利用動(dòng)態(tài)空間面板模型分析中國(guó)285個(gè)城市PM2.5濃度的社會(huì)經(jīng)濟(jì)影響因素,結(jié)果顯示外商直接投資對(duì)PM2.5濃度影響不顯著,人口密度、產(chǎn)業(yè)結(jié)構(gòu)、交通密度等因素均有顯著的正向影響,但該方法是基于顯著性水平下判斷各影響因素的驅(qū)動(dòng)方向,無(wú)法確定各影響因素對(duì)PM2.5的貢獻(xiàn)率.近年來(lái),LMDI指數(shù)分解法已被廣泛應(yīng)用于碳排放影響因素的研究領(lǐng)域[17-18],其優(yōu)勢(shì)是可以把目標(biāo)變量分解成若干個(gè)影響因素的組合,從而確定各影響因素的貢獻(xiàn)率.

已有研究中,很少考慮不同城市化階段PM2.5濃度影響因素驅(qū)動(dòng)方向及貢獻(xiàn)率,并且多以某一個(gè)區(qū)域作為研究區(qū).根據(jù)《中國(guó)城市群發(fā)展報(bào)告》(2010;2016),中國(guó)城市群空間結(jié)構(gòu)呈現(xiàn)“5+9+6”新格局,即五個(gè)國(guó)家級(jí)特大城市群、九個(gè)區(qū)域性城市群、六個(gè)地區(qū)性城市群.而特大城市群既是國(guó)家經(jīng)濟(jì)發(fā)展的“核心區(qū)”,也是環(huán)境污染問(wèn)題高發(fā)的“重災(zāi)區(qū)”[19].因此,本研究選取5個(gè)特大城市群作為研究區(qū),從城市化不同發(fā)展階段的角度出發(fā),探討主要社會(huì)經(jīng)濟(jì)因素對(duì)PM2.5濃度的驅(qū)動(dòng)機(jī)制以及各影響因素對(duì)PM2.5的貢獻(xiàn)率,以期為城市群大氣污染治理提供科學(xué)依據(jù).

1 材料與方法

1.1 研究區(qū)域

5個(gè)特大城市群包括京津冀城市群(Beijing- Tianjin-Hebei, BTH)、長(zhǎng)江三角洲城市群(Yangtze River Delta, YRD)、長(zhǎng)江中游城市群(Middle Reaches of Yangtze River, MRYR)、珠江三角洲城市群(Pearl River Delta, PRD)和成渝城市群(Chongqing- Chengdu, CHC)(圖1).考慮到數(shù)據(jù)的可獲得性,涉及縣(區(qū))部分均以該縣(區(qū))所在的地級(jí)市作為本研究區(qū)邊界.本研究中京津冀城市群包括北京市、天津市兩大直轄市和河北省的9個(gè)地級(jí)市;長(zhǎng)江三角洲城市群包括上海市直轄市和江蘇省、浙江省、安徽省的25個(gè)地級(jí)市;長(zhǎng)江中游城市群包括湖北省3個(gè)直管市(仙桃市、潛江市、天門(mén)市)以及湖北省、湖南省、江西省的28個(gè)地級(jí)市;珠江三角洲城市群包括廣東省9個(gè)地級(jí)市,本研究中不包括香港特別行政區(qū)和澳門(mén)特別行政區(qū);成渝城市群包括重慶市直轄市和四川省的15個(gè)地級(jí)市.

圖1 5個(gè)特大城市群地域

該圖基于國(guó)家測(cè)繪地理信息局服務(wù)網(wǎng)站下載的審圖號(hào)為GS(2016)2888號(hào)的標(biāo)準(zhǔn)地圖制作,底圖無(wú)修改

1.2 數(shù)據(jù)來(lái)源與處理

本研究中5個(gè)特大城市群邊界來(lái)源于《中國(guó)城市群地圖集》[20].2000～2015年P(guān)M2.5濃度變化來(lái)源于美國(guó)國(guó)家航空航天局(NASA)[21],該數(shù)據(jù)集是精度為0.01°的遙感反演網(wǎng)格數(shù)據(jù)集,網(wǎng)址為https://sedac. ciesin.columbia.edu/.遙感數(shù)據(jù)具有時(shí)間跨度長(zhǎng)、空間覆蓋范圍廣等優(yōu)勢(shì),已被廣泛應(yīng)用于PM2.5的研究中.利用ArcGIS提取工具得到5個(gè)城市群16年的PM2.5濃度值,為保證數(shù)據(jù)的準(zhǔn)確性,采用連續(xù)三年滑動(dòng)平均值方法對(duì)PM2.5濃度值進(jìn)行修正(圖2). 2000～2015年社會(huì)經(jīng)濟(jì)數(shù)據(jù)包括人均GDP、三次產(chǎn)業(yè)分別占GDP比重、GDP、全社會(huì)用電量、年末總?cè)丝诘?均來(lái)源于《中國(guó)城市統(tǒng)計(jì)年鑒(2001～ 2016)》,再通過(guò)各城市統(tǒng)計(jì)年鑒數(shù)據(jù)對(duì)誤差年份進(jìn)行修正.人均GDP和三次產(chǎn)業(yè)分別占GDP比重用來(lái)劃分城市群城市化發(fā)展階段,GDP、全社會(huì)用電量、年末總?cè)丝谟糜贚MDI因素分解.

圖2 中國(guó)PM2.5濃度動(dòng)態(tài)變化

1.3 研究方法

1.3.1 城市群階段劃分方法 錢(qián)納里階段劃分方法已廣泛應(yīng)用于經(jīng)濟(jì)學(xué)、城市規(guī)劃等領(lǐng)域,該方法將社會(huì)經(jīng)濟(jì)發(fā)展分為初級(jí)產(chǎn)品階段、工業(yè)化階段、發(fā)達(dá)經(jīng)濟(jì)階段,其中工業(yè)化階段又分為工業(yè)化初期、中期和后期[22].本研究參考錢(qián)納里階段劃分標(biāo)準(zhǔn),用人均GDP和產(chǎn)業(yè)結(jié)構(gòu)指標(biāo)確定城市群城市化發(fā)展階段.首先利用美元平減指數(shù)將1970年美元的經(jīng)濟(jì)發(fā)展階段推演至2000～2015年美元,再根據(jù)美元與人民幣匯率換算至2000～2015年人民幣,產(chǎn)業(yè)結(jié)構(gòu)劃分標(biāo)準(zhǔn)參考Ding等[23]的研究,即三次產(chǎn)業(yè)分別占GDP的比重(表1).

采用人口和GDP加權(quán)平均的方法將各地級(jí)市人均GDP和三次產(chǎn)業(yè)分別占GDP比重加和,求得其所在城市群的人均GDP和三次產(chǎn)業(yè)分別占GDP比重.隨后,以5個(gè)城市群人均GDP為橫坐標(biāo),第二產(chǎn)業(yè)占GDP比重為縱坐標(biāo),得到5個(gè)城市群2000～2015年共80個(gè)樣本點(diǎn)(圖3).參考Liu等[24]提出的城市群城市化發(fā)展階段劃分方法,將人均GDP標(biāo)準(zhǔn)和產(chǎn)業(yè)結(jié)構(gòu)標(biāo)準(zhǔn)按不同方式組合,共得到四種城市群城市化發(fā)展階段的劃分情景:

情景1:僅考慮產(chǎn)業(yè)結(jié)構(gòu)標(biāo)準(zhǔn)時(shí)劃分的城市群城市化發(fā)展階段(圖3a).可以看出人均GDP為4～6萬(wàn)元之間時(shí),城市群樣本中同時(shí)存在有工業(yè)化中期、工業(yè)化后期、發(fā)達(dá)經(jīng)濟(jì)時(shí)期三個(gè)經(jīng)濟(jì)發(fā)展階段,導(dǎo)致城市化發(fā)展階段劃分不明確.

情景2:僅考慮人均GDP標(biāo)準(zhǔn)時(shí)劃分的城市群城市化發(fā)展階段(圖3b).可以看出在初級(jí)產(chǎn)品階段時(shí),樣本點(diǎn)中第二產(chǎn)業(yè)占GDP比重超過(guò)40%,但是初級(jí)產(chǎn)品階段以農(nóng)業(yè)生產(chǎn)為主,顯然與實(shí)際情況不符.

表1 不同城市化階段劃分標(biāo)準(zhǔn)

注: 1每年人均GDP標(biāo)準(zhǔn)不同,由于篇幅限制,僅列出2015年美元與2015年人民幣的劃分標(biāo)準(zhǔn).2美元平減指與世界銀行2016年公布的標(biāo)準(zhǔn)一致.3劃分標(biāo)準(zhǔn)精確到十位數(shù).4產(chǎn)業(yè)結(jié)構(gòu)標(biāo)準(zhǔn)每年一致,其中表示第一產(chǎn)業(yè)占GDP比重,表示第二產(chǎn)業(yè)占GDP比重,表示第三產(chǎn)業(yè)占GDP比重.

情景3:必須同時(shí)滿足人均GDP標(biāo)準(zhǔn)和產(chǎn)業(yè)結(jié)構(gòu)標(biāo)準(zhǔn)時(shí)劃分的城市群城市化發(fā)展階段(圖3c).可以看出有52個(gè)城市群樣本點(diǎn)未能劃分出城市化發(fā)展階段,因此不能作為城市群城市化發(fā)展階段的劃分結(jié)果.

情景4:根據(jù)前三種城市群城市化發(fā)展階段劃分情景的不足,第四種情景將初級(jí)產(chǎn)品階段的劃分使用情景1,工業(yè)化和發(fā)達(dá)經(jīng)濟(jì)階段的劃分使用情景2,綜合考慮經(jīng)濟(jì)發(fā)展階段的特征來(lái)劃分城市群城市化發(fā)展階段(圖3d).可以看出所有城市群樣本均可劃分出不同城市化發(fā)展階段,并且劃分結(jié)果明確,符合各發(fā)展階段的實(shí)際情況.最終將所有城市群樣本劃分為工業(yè)化初期、工業(yè)化中期、工業(yè)化后期和發(fā)達(dá)經(jīng)濟(jì)時(shí)期四個(gè)城市化發(fā)展階段.

圖3 城市群階段劃分的四種情景

1.3.2 LMDI指數(shù)分解方法 對(duì)數(shù)迪氏指數(shù)分解法(Logarithmic Mean Divisia Index Method, LMDI)是由Ang等[25]于20世紀(jì)90年代提出,在眾多因素分解方法中,基于LMDI的分解方法克服了分解過(guò)程中數(shù)據(jù)為零值和負(fù)值以及分解結(jié)果中存在殘差的問(wèn)題,是最優(yōu)的因素分解方法[26].

參考Zhang等[27]研究,選取排放強(qiáng)度、能源強(qiáng)度、經(jīng)濟(jì)產(chǎn)出和人口規(guī)模等與PM2.5濃度相關(guān)的社會(huì)經(jīng)濟(jì)指標(biāo),將PM2.5濃度分解如下:

LMDI分解法主要包括加和分解和乘積分解兩種,本研究選用加和分解,將基年(2000年)到年P(guān)M2.5濃度變化的總效應(yīng)()分解為四種效應(yīng),如下式:

式中:PM0和PM分別表示基年和年的PM2.5濃度.為排放強(qiáng)度效應(yīng),能源強(qiáng)度效應(yīng),為經(jīng)濟(jì)產(chǎn)出效應(yīng),為人口規(guī)模效應(yīng).

四種效應(yīng)的計(jì)算公式如下:

累積貢獻(xiàn)率可以更有效地反映各因素在不同城市化發(fā)展階段的貢獻(xiàn)率,計(jì)算公式如下:

采用相對(duì)貢獻(xiàn)率比較各因素在不同城市群之間的貢獻(xiàn)率,計(jì)算公式如下:

式中: RCR為因素的相對(duì)貢獻(xiàn)率,其范圍為[-1,1].

2 結(jié)果與討論

2.1 城市群城市化階段劃分結(jié)果

2000～2015年5個(gè)特大城市群城市化發(fā)展階段劃分結(jié)果如圖4所示.總體上看,2000年以來(lái)5個(gè)特大城市群均已全部進(jìn)入工業(yè)化發(fā)展階段,齊元靜等[28]認(rèn)為中國(guó)從2004年開(kāi)始進(jìn)入工業(yè)化時(shí)期,由于城市群是經(jīng)濟(jì)發(fā)展的核心區(qū),城市化進(jìn)程要快于全國(guó)水平.各城市群經(jīng)濟(jì)發(fā)展不平衡,城市化發(fā)展階段具有明顯的差異性.其中,成渝城市群、長(zhǎng)江中游城市群和京津冀城市群經(jīng)濟(jì)發(fā)展較緩慢,而珠江三角洲城市群和長(zhǎng)江三角洲城市群內(nèi)部聯(lián)動(dòng)性強(qiáng),經(jīng)濟(jì)發(fā)展快,已率先進(jìn)入發(fā)達(dá)經(jīng)濟(jì)時(shí)期.

圖4 城市群城市化階段劃分結(jié)果

2.2 PM2.5濃度時(shí)間變化趨勢(shì)分析

2000～2015年間5個(gè)城市群PM2.5濃度時(shí)間變化趨勢(shì)如圖5a所示,2000～2006年各城市群PM2.5濃度基本呈持續(xù)上升趨勢(shì),2007～2015年呈波動(dòng)下降趨勢(shì),但是仍高于基年P(guān)M2.5濃度值.與整個(gè)研究時(shí)間段內(nèi)全國(guó)PM2.5濃度的平均值17μg/m3相比,城市群地區(qū)各年平均PM2.5濃度顯著較高,城市群地區(qū)空氣質(zhì)量惡化情況更嚴(yán)重.例如,Fu等[29]也同樣指出城市群污染物排放集中且排放水平高,是嚴(yán)重霾事件頻繁發(fā)生的區(qū)域.相比于其他特大城市群,京津冀城市群和長(zhǎng)江三角洲城市群的PM2.5濃度值相對(duì)較高,其中長(zhǎng)三角城市群2008年P(guān)M2.5濃度值最高,為51μg/m3,根據(jù)《國(guó)家環(huán)境質(zhì)量標(biāo)準(zhǔn)》(GB3095-2012), PM2.5年均濃度不超過(guò)35μg/m3為達(dá)標(biāo),其高出達(dá)標(biāo)值16μg/m3.

由圖5b可知,城市群PM2.5濃度值呈現(xiàn)出先上升后下降的變化趨勢(shì).Liu等[24]研究結(jié)果同樣認(rèn)為城市群在城市化的各個(gè)階段呈現(xiàn)“倒U”型格局.在工業(yè)化初期至工業(yè)化中期,城市群PM2.5濃度值均為上升趨勢(shì).在工業(yè)化后期及發(fā)達(dá)經(jīng)濟(jì)時(shí)期時(shí),PM2.5濃度呈現(xiàn)出不同程度的降低,但PM2.5濃度依舊保持在較高水平,僅有發(fā)達(dá)經(jīng)濟(jì)時(shí)期的珠江三角洲城市群和工業(yè)化后期的成渝城市群PM2.5年均濃度低于35μg/m3.

2.3 社會(huì)經(jīng)濟(jì)因素對(duì)PM2.5的影響

基于LMDI指數(shù)分解方法,4種主要社會(huì)經(jīng)濟(jì)因素在整個(gè)研究時(shí)段內(nèi)的分解結(jié)果如圖6所示.總體來(lái)看,排放強(qiáng)度效應(yīng)和能源強(qiáng)度效應(yīng)可以降低PM2.5濃度,其中排放強(qiáng)度效應(yīng)是降低PM2.5濃度的主要因素.例如,2015年長(zhǎng)江三角洲城市群,排放強(qiáng)度效應(yīng)降低了48μg/m3的PM2.5濃度,而能源強(qiáng)度效應(yīng)僅降低了18μg/m3的PM2.5濃度.經(jīng)濟(jì)產(chǎn)出效應(yīng)和人口規(guī)模效應(yīng)可以促進(jìn)PM2.5濃度的增加,其中經(jīng)濟(jì)產(chǎn)出效應(yīng)是導(dǎo)致PM2.5濃度增加的主要因素.例如,2015年京津冀城市群,其經(jīng)濟(jì)產(chǎn)出效應(yīng)所增加的PM2.5濃度是人口規(guī)模效應(yīng)的13倍.李光勤等[30]利用空間計(jì)量模型方法分析PM2.5影響因素,結(jié)果同樣顯示經(jīng)濟(jì)發(fā)展水平、人口密度等因素導(dǎo)致一個(gè)地區(qū)PM2.5濃度上升.

2001～2015年間各城市群總效應(yīng)表現(xiàn)出先波動(dòng)上升后波動(dòng)下降的趨勢(shì).2001～2006年總效應(yīng)呈現(xiàn)出顯著上升的趨勢(shì),由于這一時(shí)期城市群經(jīng)濟(jì)高速發(fā)展,導(dǎo)致經(jīng)濟(jì)產(chǎn)出效應(yīng)對(duì)PM2.5濃度的促進(jìn)作用顯著提高.京津冀城市群在2007年、長(zhǎng)江三角洲城市群和珠江三角洲城市群在2008年、長(zhǎng)江中游城市群和成渝城市群在2006年,總效應(yīng)達(dá)到最高.在2008年之后,總效應(yīng)波動(dòng)下降,由于城市群經(jīng)濟(jì)增長(zhǎng)的速度放緩,能源結(jié)構(gòu)的改善和能源利用效率的提高致使排放強(qiáng)度效應(yīng)和能源強(qiáng)度效應(yīng)的抑制作用不斷增強(qiáng).以京津冀城市群為例,假設(shè)2015年的排放強(qiáng)度效應(yīng)和能源強(qiáng)度效應(yīng)與2001年一致,PM2.5濃度將增加76μg/m3,而不僅僅是15μg/m3.

2.4 不同城市化階段社會(huì)經(jīng)濟(jì)因素對(duì)PM2.5濃度的貢獻(xiàn)率

基于城市化階段劃分結(jié)果,通過(guò)式(7)計(jì)算了各城市群不同階段4個(gè)效應(yīng)的累積貢獻(xiàn)率(圖7),四種社會(huì)經(jīng)濟(jì)影響因素的累積貢獻(xiàn)率在不同城市化發(fā)展階段表現(xiàn)出差異性.人口規(guī)模效應(yīng)的累積貢獻(xiàn)率在工業(yè)化初期為6%～20%,到工業(yè)化后期為16%～ 52%,可見(jiàn)人口規(guī)模效應(yīng)對(duì)PM2.5濃度增加的貢獻(xiàn)程度不斷增大,主要是由于城市群人口數(shù)量增多.例如,京津冀城市群從工業(yè)化初期至工業(yè)化后期約增加74萬(wàn)人,珠江三角洲城市群從工業(yè)化中期至發(fā)達(dá)經(jīng)濟(jì)時(shí)期人口增長(zhǎng)率為19%,人口增長(zhǎng)導(dǎo)致對(duì)交通、住房、能源等需求增加,造成大氣污染物濃度增加.

經(jīng)濟(jì)產(chǎn)出效應(yīng)的累積貢獻(xiàn)率在工業(yè)化初期為140%～245%,到工業(yè)化后期時(shí)增加至440%～1350%,經(jīng)濟(jì)產(chǎn)出效應(yīng)對(duì)PM2.5濃度上升的貢獻(xiàn)程度顯著增加.Yang等[31]研究經(jīng)濟(jì)增長(zhǎng)與CO2排放關(guān)系,同樣認(rèn)為隨著時(shí)間推進(jìn)經(jīng)濟(jì)增長(zhǎng)的累積貢獻(xiàn)率值逐年增大,如在2000～2006年間經(jīng)濟(jì)增長(zhǎng)累積貢獻(xiàn)率值每年在100%以上,2007～2009年間每年都超過(guò)200%, 2010年甚至超過(guò)300%.在城市群城市化發(fā)展的過(guò)程中,人均GDP呈持續(xù)上升趨勢(shì),如在工業(yè)化初期至發(fā)達(dá)經(jīng)濟(jì)時(shí)期,長(zhǎng)江三角洲城市群人均GDP增加61634元,人均收入的增加推動(dòng)了人類(lèi)對(duì)能源消費(fèi)需求的增加,直接導(dǎo)致PM2.5濃度的增加.未來(lái)政府部門(mén)不僅要合理控制城市群人口規(guī)模的增長(zhǎng),更重要的是控制經(jīng)濟(jì)增長(zhǎng)速度和規(guī)模,不能盲目追求GDP的提高,把經(jīng)濟(jì)發(fā)展由數(shù)量轉(zhuǎn)到質(zhì)量上來(lái).

能源強(qiáng)度效應(yīng)的累積貢獻(xiàn)率在工業(yè)化初期和中期表現(xiàn)出差異性.例如,在工業(yè)化初期和中期時(shí),成渝城市群能源強(qiáng)度的累積貢獻(xiàn)率均為負(fù),但長(zhǎng)江三角洲城市群能源強(qiáng)度的累積貢獻(xiàn)率則均為正,尤其是工業(yè)化初期的長(zhǎng)江三角洲城市群,能源強(qiáng)度的累積正貢獻(xiàn)率達(dá)109%.說(shuō)明能源強(qiáng)度的增加會(huì)導(dǎo)致PM2.5濃度的增加,由于技術(shù)、節(jié)能設(shè)備等資源缺乏,能源利用效率低,能源密集型產(chǎn)業(yè)是拉動(dòng)經(jīng)濟(jì)增長(zhǎng)的主要?jiǎng)恿?但是到工業(yè)化后期及發(fā)達(dá)經(jīng)濟(jì)時(shí)期,能源強(qiáng)度的累積貢獻(xiàn)率均為負(fù).例如,工業(yè)化后期的長(zhǎng)江三角洲城市群及珠江三角洲城市群,能源強(qiáng)度效應(yīng)的累積貢獻(xiàn)率由正轉(zhuǎn)負(fù),累積貢獻(xiàn)率值分別為-70%和-28%.說(shuō)明在工業(yè)化后期及發(fā)達(dá)經(jīng)濟(jì)時(shí)期,電動(dòng)汽車(chē)、清潔材料等新技術(shù)新材料的推廣使得能源利用效率不斷提高,技術(shù)水平提高在降低PM2.5濃度方面發(fā)揮著越來(lái)越重要的作用,使能源強(qiáng)度效應(yīng)的負(fù)向作用趨于穩(wěn)定.因此,加大先進(jìn)技術(shù)的投資力度,推廣新技術(shù)、新材料、新設(shè)備,提高生產(chǎn)過(guò)程中能源利用率是有效較低PM2.5濃度的重要舉措.鄧吉祥等[32]對(duì)中國(guó)碳排放影響因素的研究中認(rèn)為2003～2006年能源強(qiáng)度具有較弱的正向驅(qū)動(dòng),2007～ 2010年為負(fù)向驅(qū)動(dòng).本研究多數(shù)城市群在2003～2006年為工業(yè)化初期和中期階段,2006年之后陸續(xù)進(jìn)入工業(yè)化后期,基本與本研究的城市群各發(fā)展階段相吻合.

排放強(qiáng)度效應(yīng)的累積貢獻(xiàn)率在任何階段均為負(fù),且在工業(yè)化中期至工業(yè)化后期,排放強(qiáng)度效應(yīng)降低PM2.5濃度的作用更顯著.例如,京津冀城市群在工業(yè)化中期至工業(yè)化后期排放強(qiáng)度累積貢獻(xiàn)率的絕對(duì)值增加了113%,而在工業(yè)化初期至工業(yè)化中期僅增加了43%.佟新華等[33]研究中同樣認(rèn)為排放強(qiáng)度對(duì)碳排放的影響程度在工業(yè)化后期階段高于工業(yè)化初期和工業(yè)化中期階段.在工業(yè)化初期,主要依靠能源密集型產(chǎn)業(yè)拉動(dòng)經(jīng)濟(jì)增長(zhǎng),許多高污染、高能耗企業(yè)在這一時(shí)期發(fā)展迅速,導(dǎo)致排放強(qiáng)度效應(yīng)削弱作用低.在工業(yè)化中至工業(yè)化后期,煤炭、石油、采礦等第二產(chǎn)業(yè)所占比重下降,餐飲、金融、交通運(yùn)輸?shù)鹊谌a(chǎn)業(yè)比重持續(xù)上升,傳統(tǒng)的高污染高排放產(chǎn)業(yè)逐步被低污染低排放的新型產(chǎn)業(yè)所替代,大氣中污染物排放量顯著降低.未來(lái)應(yīng)加大產(chǎn)業(yè)結(jié)構(gòu)調(diào)整,制定相關(guān)政策減少煤炭、石油等傳統(tǒng)高污染高排放等產(chǎn)業(yè)能源的消耗,鼓勵(lì)開(kāi)發(fā)和使用風(fēng)能、太陽(yáng)能等清潔能源,實(shí)現(xiàn)排放強(qiáng)度的優(yōu)化.

PM2.5濃度變化的影響因素因地區(qū)而異.由于不同城市群PM2.5基期濃度與變化大小不同,本研究采用相對(duì)貢獻(xiàn)率比較不同城市群之間各影響因素的差異(圖8).隨著城市化進(jìn)程的推進(jìn),排放強(qiáng)度效應(yīng)相對(duì)貢獻(xiàn)率的差距逐步縮小,到工業(yè)化后期,京津冀城市群、長(zhǎng)江三角洲城市群、長(zhǎng)江中游城市群、珠江三角洲城市群、成渝城市群排放強(qiáng)度效應(yīng)的相對(duì)貢獻(xiàn)率分別為-23%、-32%、-26%、-34%、-29%.成渝城市群在工業(yè)化初期排放強(qiáng)度效應(yīng)相對(duì)貢獻(xiàn)率的絕對(duì)值最小,由于2000～2010年間,成渝城市群一直處于工業(yè)化初期,在該時(shí)期成渝城市群第一產(chǎn)業(yè)所占比重為23%,而其余城市群均在20%以下,因此污染物排放量相對(duì)較低,導(dǎo)致排放強(qiáng)度對(duì)PM2.5的削弱作用低于其他城市群.京津冀城市群排放強(qiáng)度效應(yīng)在工業(yè)化中期、后期相對(duì)貢獻(xiàn)率的絕對(duì)值最小,由于京津冀城市群產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整和優(yōu)化使得污染物排放改善,如工業(yè)化中后期京津冀城市群第二產(chǎn)業(yè)所占比重最低,尤其是工業(yè)化后期第二產(chǎn)業(yè)所占比重為48%,其余城市群均在52%以上.

能源強(qiáng)度效應(yīng)的相對(duì)貢獻(xiàn)率在工業(yè)化初期各城市群之間差異很大,隨著城市化進(jìn)程的推進(jìn)其差距在逐步縮小,尤其是在發(fā)達(dá)經(jīng)濟(jì)時(shí)期的長(zhǎng)江三角洲城市群和珠江三角洲城市群,相對(duì)貢獻(xiàn)率相差小于1%.長(zhǎng)江三角洲城市群、珠江三角洲城市群能源強(qiáng)度效應(yīng)的相對(duì)貢獻(xiàn)率一直處于曲線簇上方,說(shuō)明其能源強(qiáng)度效應(yīng)對(duì)PM2.5的削弱作用低于其他城市群.由于長(zhǎng)江三角洲城市群和珠江三角洲城市群地處沿海地區(qū),先進(jìn)技術(shù)的推廣、清潔能源的使用等方面高于其他城市群,技術(shù)水平的提高更利于其他城市群PM2.5濃度降低.

經(jīng)濟(jì)產(chǎn)出效應(yīng)的相對(duì)貢獻(xiàn)率隨著城市化進(jìn)程的推進(jìn)差距同樣在縮小,到工業(yè)化中期,各城市群相對(duì)貢獻(xiàn)率最大僅相差5%.在工業(yè)化初期,京津冀城市群經(jīng)濟(jì)產(chǎn)出效應(yīng)的相對(duì)貢獻(xiàn)率最大,由于這一時(shí)期京津冀城市群經(jīng)濟(jì)的高速發(fā)展以及人均收入水平的提高,使得對(duì)資源和能源的需求增加,促進(jìn)污染0物排放量增大.人口規(guī)模效應(yīng)的相對(duì)貢獻(xiàn)率隨著城市化進(jìn)程的推進(jìn),差距在逐步擴(kuò)大.珠江三角洲城市群人口規(guī)模效應(yīng)的相對(duì)貢獻(xiàn)率一直處于曲線簇上方,主要是由于改革開(kāi)放以來(lái)人口大量涌入,人口聚集區(qū)交通、住房等人類(lèi)的活動(dòng)強(qiáng)度增大,對(duì)PM2.5濃度的升高有顯著促進(jìn)作用.另一方面,人口的增加會(huì)導(dǎo)致私家車(chē)使用量的增加,車(chē)輛排放是空氣污染的一個(gè)重要來(lái)源[34].

3 結(jié)論

3.1 5個(gè)特大型城市群被劃分為工業(yè)化初期、中期、后期和發(fā)達(dá)經(jīng)濟(jì)時(shí)期四個(gè)城市化發(fā)展階段,但是各城市群城市化階段發(fā)展不平衡.

3.2 2000～2006年各城市群PM2.5濃度基本呈持續(xù)上升趨勢(shì),2007～2015年呈波動(dòng)下降趨勢(shì).在工業(yè)化初期至發(fā)達(dá)經(jīng)濟(jì)時(shí)期PM2.5濃度變化呈現(xiàn)“倒U”型.

3.3 排放強(qiáng)度效應(yīng)和能源強(qiáng)度效應(yīng)多為負(fù),且排放強(qiáng)度效應(yīng)的絕對(duì)值高于能源強(qiáng)度效應(yīng)的絕對(duì)值;經(jīng)濟(jì)產(chǎn)出效應(yīng)和人口規(guī)模效應(yīng)多為正,且經(jīng)濟(jì)產(chǎn)出效應(yīng)高于人口規(guī)模效應(yīng);總效應(yīng)表現(xiàn)出先波動(dòng)上升后波動(dòng)下降的變化趨勢(shì).

3.4 在工業(yè)化初期至工業(yè)化后期,經(jīng)濟(jì)產(chǎn)出效應(yīng)和人口規(guī)模效應(yīng)的累積貢獻(xiàn)率均在增加,且經(jīng)濟(jì)產(chǎn)出效應(yīng)的累積貢獻(xiàn)率增加更為顯著.能源強(qiáng)度效應(yīng)的累積貢獻(xiàn)率工業(yè)化初期與工業(yè)化中期表現(xiàn)差異性,但是工業(yè)化后期與發(fā)達(dá)經(jīng)濟(jì)時(shí)期均為負(fù).排放強(qiáng)度效應(yīng)累積貢獻(xiàn)率的絕對(duì)值在工業(yè)化后期和發(fā)達(dá)經(jīng)濟(jì)時(shí)期高于工業(yè)化初期和工業(yè)化中期.

3.5 以相對(duì)貢獻(xiàn)率對(duì)比各影響因素的空間差異,隨著城市化發(fā)展階段的推進(jìn),各城市群之間排放強(qiáng)度效應(yīng)、能源強(qiáng)度效應(yīng)、經(jīng)濟(jì)產(chǎn)出效應(yīng)的相對(duì)貢獻(xiàn)率差距不斷縮小,人口規(guī)模效應(yīng)相對(duì)貢獻(xiàn)率的差距不斷擴(kuò)大.

[1] Du Y Y, Sun T S, Peng J, et al. Direct and spillover effects of urbanization on PM2.5concentrations in China's top three urban agglomerations [J]. Journal of Cleaner Production, 2018,190:72-83.

[2] 張 瑩,辛金元,張小玲,等.北京市氣溫與黑碳和PM2.5對(duì)疾病死亡影響的交互效應(yīng) [J]. 中國(guó)環(huán)境科學(xué), 2020,40(7):3179-3187.

Zhang Y, Xin J Y, Zhang X L, et al. Interaction effects between ambient temperature and black carbon and PM2.5on mortality in Beijing [J]. China Environmental Science, 2020,40(7):3179-3187.

[3] Wang G Y, Wang Y, Yin E J, et al. Seasonal exposure to PM2.5-bound polycyclic aromatic hydrocarbons and estimated lifetime risk of cancer: a pilot study [J]. Science of the Total Environment, 2020,702:135056.

[4] 樊高峰,馬 浩,張小偉,等.相對(duì)濕度和PM2.5濃度對(duì)大氣能見(jiàn)度的影響研究:基于小時(shí)資料的多站對(duì)比分析 [J]. 氣象學(xué)報(bào), 2016, 74(6):959-973.

Fan G F, Ma H, Zhang X W, et al. Impacts of relative humidity and PM2.5concentration on atmospheric visibility: A comparative study of hourly observations of multiple stations [J]. Acta Meteorologica Sinica, 2016,74(6):959-973.

[5] Li Z, Guo J, Ding A, et al. Aerosol and boundary-layer interactions and impact on air quality [J]. National Science Review, 2017,6:810- 833.

[6] 樊建勇,黃 玲,李翔翔.2015～2018年江西省PM2.5污染時(shí)空變化特征及氣象成因分析 [J]. 生態(tài)環(huán)境學(xué)報(bào), 2020,29(6):1165-1172.

Fan J Y, Huang L, Li X X. Analysis of the characteristics of the spatial-temporal variations of PM2.5pollution and the meteorological causes in Jiangxi province from 2015to 2018 [J]. Journal of Ecological Environment, 2020,29(6):1165-1172.

[7] 史旭榮,逯世澤,易愛(ài)華,等.全國(guó)2018～2019年秋冬季氣象條件變化對(duì)PM2.5影響研究 [J]. 中國(guó)環(huán)境科學(xué), 2020,40(7):2785-2793.

Shi X R, Fu S Z, Yi A H, et al. Impact of meteorological conditions on PM2.5in autumn and winter of 2018～2019 in key areas [J]. China Environmental Science, 2020,40(7):2785-2793.

[8] Cheng Z H, Li L S, Liu J. Identifying the spatial effects and driving factors of urban PM2.5pollution in China [J]. Ecological Indicators, 2017,82:61-75.

[9] 黃小剛,邵天杰,趙景波,等.汾渭平原PM2.5濃度的影響因素及空間溢出效應(yīng) [J]. 中國(guó)環(huán)境科學(xué), 2019,39(8):3539-3548.

Huang X G, Shao T J, Zhao J B, et al. Influence factors and spillover effect of PM2.5concentration on Fen-wei Plain [J]. China Environmental Science, 2019,39(8):3539-3548.

[10] Lin Y L, Zou J L, Yang W, et al. A review of recent advances in research on PM2.5in China [J]. International Journal of Environmental Research and Public Health, 2018,15(3).

[11] Wang S J, Liu X P, Zhou C S, et al. Examining the impacts of socioeconomic factors, urban form, and transportation networks on CO2emissions in China’s megacities [J]. Applied Energy, 2017,185.

[12] 許艷玲,薛文博,雷 宇.氣象和排放變化對(duì)PM2.5污染的定量影響 [J]. 中國(guó)環(huán)境科學(xué), 2019,39(11):4546-4551.

Xu Y L, Xue W B, Lei Y. Impact of meteorological conditions and emission change on PM2.5pollution in China [J]. China Environmental Science, 2019,39(11):4546-4551.

[13] Feng L, Liao W J. Legislation, plans, and policies for prevention and control of air pollution in China: Achievements, challenges, and improvements [J]. Journal of Cleaner Production, 2016,112.

[14] 魏小鋒,譚路遙,孫友敏,等.清潔能源政策下濟(jì)南市采暖季PM2.5中水溶性離子變化分析 [J]. 生態(tài)環(huán)境學(xué)報(bào), 2019,28(7):1416-1422.

Wei X F, Tan L Y, Sun Y M, et al. Impact on water soluble ions in PM2.5during heating period in Jinan city by a policy of clean energy [J]. Journal of ecological environment, 2019,28(7):1416-1422.

[15] Chen J, Zhou C S, Wang S J, et al. Impacts of energy consumption structure, energy intensity, economic growth, urbanization on PM2.5concentrations in countries globally [J]. Applied Energy, 2018,230.

[16] Cheng Z H, Li L S, Liu J. Identifying the spatial effects and driving factors of urban PM2.5pollution in China [J]. Ecological Indicators, 2017,82:61-75.

[17] 楊 敏,張鵬鵬,張力小,等.北京城市去煤炭化過(guò)程及其驅(qū)動(dòng)因素解析 [J]. 自然資源學(xué)報(bào), 2020,35(11):2783-2792.

Yang M, Zhang P P, Zhang L X, et al. The de-coal process and its driving forces in Beijing [J]. Journal of Natural Resources, 2020, 35(11):2783-2792.

[18] Quan C G, Cheng X J, Yu S S, et al. Analysis on the influencing factors of carbon emission in China's logistics industry based on LMDI method [J]. Science of the Total Environment, 2020,734: 138473.

[19] 方創(chuàng)琳,周成虎,顧朝林,等.特大城市群地區(qū)城鎮(zhèn)化與生態(tài)環(huán)境交互耦合效應(yīng)解析的理論框架及技術(shù)路徑 [J]. 地理學(xué)報(bào), 2016,71(4): 531-550.

Fang C L, Zhou C H, Gu C L, et al. Theoretical analysis of interactive coupled effects between urbanization and eco-environment in mega-urban agglomerations [J]. Acta Geographica Sinica, 2016,71(4): 531-550.

[20] 方創(chuàng)琳.中國(guó)城市群地圖集 [M]. 北京:科學(xué)出版社, 2020.

Fang C L. Atlas of urban agglomerations in China [M]. Beijing: Science Press, 2020.

[21] van Donkelaar A, Martin R V, Brauer M, et al. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites [J]. Environmental Science & Technology, 2016,50(7):3762-3772.

[22] Chenery H B, Syrquin M, Elkington H. Patterns of development, 1950-1970 [M]. Oxford University Press London, 1975.

[23] Ding Y T, Zhang M, Chen S, et al. The environmental Kuznets curve for PM2.5pollution in Beijing-Tianjin-Hebei region of China: A spatial panel data approach [J]. Journal of Cleaner Production, 2019, 220:984-994.

[24] Liu X P, Zou B, Feng H H, et al. Anthropogenic factors of PM2.5distributions in China’s major urban agglomerations: A spatial- temporal analysis [J]. Journal of Cleaner Production, 2020,264: 121709.

[25] Ang B W, Zhang F Q, Choi K H. Factorizing changes in energy and environmental indicators through decomposition [J]. Energy, 1998, 23(6):489-495.

[26] Ang B W. Decomposition analysis for policymaking in energy: Which is the preferred method? [J]. Energy Policy, 2004,32:1131-1139.

[27] Zhang Y, Shuai C Y, Bian J, et al. Socioeconomic factors of PM2.5concentrations in 152 Chinese cities: Decomposition analysis using LMDI [J]. Journal of Cleaner Production, 2019,218:96-107.

[28] 齊元靜,楊 宇,金鳳君.中國(guó)經(jīng)濟(jì)發(fā)展階段及其時(shí)空格局演變特征 [J]. 地理學(xué)報(bào), 2013,68(4):517-531.

Qi Y J, Yang Y, Jin F J. China’s economic development stage and its patio-temporal evolution: A prefectural-level analysis [J]. Acta Geographica Sinica, 2013,68(4):517-531.

[29] Fu H B, Chen J M. Formation, features and controlling strategies of severe haze-fog pollutions in China [J]. Science of the Total Environment, 2017,578:121-138.

[30] 李光勤,秦佳虹,何仁偉.中國(guó)大氣PM2.5污染演變及其影響因素 [J]. 經(jīng)濟(jì)地理, 2018,38(8):11-18.

Li G Q, Qin J H, He R W. Spatial-temporal evolution and influencing factors of China’s PM2.5pollution [J]. Economic Geography, 2018, 38(8):11-18.

[31] Yang J, Song K H, Hou J, et al. Temporal and spacial dynamics of bioenergy-related CO2emissions and underlying forces analysis in China [J]. Renewable and Sustainable Energy Reviews, 2017,70: 1323-1330.

[32] 鄧吉祥,劉 曉,王 錚.中國(guó)碳排放的區(qū)域差異及演變特征分析與因素分解 [J]. 自然資源學(xué)報(bào), 2014,29(2):189-200.

Deng J X, Liu X, Wang Z. Characteristics analysis and factor decomposition based on the regional difference changes in China’s CO2emission [J]. Journal of Natural Resources, 2014,29(2):189-200.

[33] 佟新華,周紅巖,陳 武,等.工業(yè)化不同發(fā)展階段碳排放影響因素驅(qū)動(dòng)效應(yīng)測(cè)度 [J]. 中國(guó)人口·資源與環(huán)境, 2020,30(5):26-35.

Tong X H, Zhou H Y, Chen W, et al. Study on the measurement of carbon-driven effects from different development stages of industrialization [J]. China Population, Resources and Environment, 2020,30(5):26-35.

[34] Lin Y C, Li Y C, Shangdiara S, et al. Assessment of PM2.5and PAH content in PM2.5emitted from mobile source gasoline-fueled vehicles in concomitant with the vehicle model and mileages [J]. Chemosphere, 2019,226:502-508.

Socio-economic factors of PM2.5concentrations in different urbanization stages based on LMDI: A case study of China’s five mega-large urban agglomerations.

WANG Qiu-hong, LI Wei-jie, WANG Yong*, FU Li, GAO Min

(School of Geography Science, Southwest University, Chongqing 400715, China)., 2021,41(11)：5069～5078

Taking five megalopolises in China as cases, this paper divided the period from 2000 to 2015 into four different urbanization stages with the indexes of GDP per capita and industrial structure. Then, the driving mechanism and contributions of emission intensity, energy intensity, economic output and population scale on PM2.5concentrations were explored for different urbanization stages, using the Logarithmic Mean Divisia Index model (LMDI). The results showed that PM2.5concentrations of these megalopolises increased in early stages and then decreased in the later. Generally, economic output and population scale had positive effects on PM2.5concentrations. Especially, the former played a dominant role in promoting PM2.5concentrations. Meanwhile, emission intensity and energy intensity had negative effects on PM2.5concentrations, and the former was the main factor restraining the increase of PM2.5concentrations. The cumulative contributions of energy intensity appeared vague during the primary and middle industrialized stage, while showed negative in the late industrialized and developed stage. The cumulative contributions of economic output and population scale were both positive during the whole stages, while the contributions of economic output had significantly increased. The cumulative contribution of emission intensity was negative, and its absolute value increased continuously. These results could provide a basis for understanding the driving mechanism and contribution of different factors on PM2.5concentration of megalopolis, and thus could support government in making related environmental protection policies.

urbanization stage；LMDI decomposition method；PM2.5concentration；megalopolis

X513

A

1000-6923(2021)11-5069-10

王秋紅(1996-),女,河北邢臺(tái)人,西南大學(xué)碩士研究生,主要研究方向?yàn)槌鞘猩鷳B(tài).

2021-03-23

重慶市第四次全國(guó)經(jīng)濟(jì)普查研究課題(sjpktzd11)

* 責(zé)任作者, 副教授, wyong@swu.edu.cn