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

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5個特大城市群為例

王秋紅,李維杰,王 勇*,傅 俐,高 敏

(西南大學地理科學學院,重慶 400715)

以我國5個特大城市群為研究區(qū),采用人均GDP和產(chǎn)業(yè)結構標準,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)展階段排放強度、能源強度、經(jīng)濟產(chǎn)出和人口規(guī)模等4種社會經(jīng)濟因素對PM2.5濃度變化的可能驅(qū)動機制及貢獻率.結果表明,5個特大城市群被劃分為四個不同的城市化發(fā)展階段,隨著城市化進程的推進,PM2.5濃度呈現(xiàn)先上升后下降的趨勢.總體上,經(jīng)濟產(chǎn)出和人口規(guī)模產(chǎn)生正效應,且經(jīng)濟產(chǎn)出效應是促進PM2.5濃度增加的主要因素;排放強度和能源強度產(chǎn)生負效應,且排放強度效應是抑制PM2.5濃度增加的主要因素.能源強度效應的累積貢獻率在工業(yè)化初期和中期有正有負,但在工業(yè)化后期和發(fā)達經(jīng)濟時期均為負.從工業(yè)化初期至發(fā)達經(jīng)濟時期,經(jīng)濟產(chǎn)出效應和人口規(guī)模效應的累積貢獻率均在增加且經(jīng)濟產(chǎn)出效應的累積貢獻率增加更為顯著;排放強度效應的累積貢獻率為負且累積貢獻率的絕對值不斷增加.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制定針對性的環(huán)境保護政策提供依據(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)動機制對環(huán)境污染政策的制定和實施具有重要意義.霾是我國各地當前普遍存在的問題[1].細顆粒物PM2.5(空氣動力學直徑小于等于2.5μm的顆粒)是導致霾的主要污染物. PM2.5可通過呼吸道進入人體循環(huán)系統(tǒng)引發(fā)哮喘、支氣管炎等疾病,并增加致癌風險[2-3]等.此外,PM2.5還可通過吸收和散射光來降低大氣能見度、影響輻射收支平衡[4-5]等.因此,有效降低PM2.5濃度對居民健康以及區(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理,是國內(nèi)外當前研究的熱點,學者們主要從自然因素[6-7]和社會經(jīng)濟因素[8-9]等方面展開研究,其中社會經(jīng)濟因素是造成霾的根本原因.城市化進程具有階段性,不同城市化階段經(jīng)濟發(fā)展水平、產(chǎn)業(yè)結構、人口規(guī)模等社會經(jīng)濟因素具有顯著差異,導致PM2.5濃度變化在不同階段的差異性.在城市化進程初期,一個地區(qū)的人口密度和經(jīng)濟發(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,這一時期大氣污染主要由固體生物質(zhì)燃燒造成[10],對環(huán)境的破壞程度較小.隨著城市化進入高速發(fā)展時期,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[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],致使空氣污染問題加重.在城市化發(fā)展的末期,人們越來越關注生態(tài)環(huán)境問題,制定一系列嚴格的法律法規(guī)控制污染物的排放[13],可再生技術的發(fā)展、清潔能源的推廣等使污染物排放減少[14-15].

國內(nèi)外學者運用不同方法對PM2.5影響因素展開廣泛研究.樊建勇等[6]運用相關分析法探討江西省PM2.5濃度與氣象要素之間的關系,認為相對濕度、風速和降雨量與 PM2.5濃度顯著相關,但該方法忽視了樣本數(shù)據(jù)間的空間關聯(lián)性.Cheng等[16]利用動態(tài)空間面板模型分析中國285個城市PM2.5濃度的社會經(jīng)濟影響因素,結果顯示外商直接投資對PM2.5濃度影響不顯著,人口密度、產(chǎn)業(yè)結構、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)動方向,無法確定各影響因素對PM2.5的貢獻率.近年來,LMDI指數(shù)分解法已被廣泛應用于碳排放影響因素的研究領域[17-18],其優(yōu)勢是可以把目標變量分解成若干個影響因素的組合,從而確定各影響因素的貢獻率.

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)動方向及貢獻率,并且多以某一個區(qū)域作為研究區(qū).根據(jù)《中國城市群發(fā)展報告》(2010;2016),中國城市群空間結構呈現(xiàn)“5+9+6”新格局,即五個國家級特大城市群、九個區(qū)域性城市群、六個地區(qū)性城市群.而特大城市群既是國家經(jīng)濟發(fā)展的“核心區(qū)”,也是環(huán)境污染問題高發(fā)的“重災區(qū)”[19].因此,本研究選取5個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),探討主要社會經(jīng)濟因素對PM2.5濃度的驅(qū)動機制以及各影響因素對PM2.5的貢獻率,以期為城市群大氣污染治理提供科學依據(jù).

1 材料與方法

1.1 研究區(qū)域

5個特大城市群包括京津冀城市群(Beijing- Tianjin-Hebei, BTH)、長江三角洲城市群(Yangtze River Delta, YRD)、長江中游城市群(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個地級市;長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個地級市;長江中游城市群包括湖北省3個直管市(仙桃市、潛江市、天門市)以及湖北省、湖南省、江西省的28個地級市;珠江三角洲城市群包括廣東省9個地級市,本研究中不包括香港特別行政區(qū)和澳門特別行政區(qū);成渝城市群包括重慶市直轄市和四川省的15個地級市.

圖1 5個特大城市群地域

該圖基于國家測繪地理信息局服務網(wǎng)站下載的審圖號為GS(2016)2888號的標準地圖制作,底圖無修改

1.2 數(shù)據(jù)來源與處理

本研究中5個特大城市群邊界來源于《中國城市群地圖集》[20].2000～2015年PM2.5濃度變化來源于美國國家航空航天局(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)具有時間跨度長、空間覆蓋范圍廣等優(yōu)勢,已被廣泛應用于PM2.5的研究中.利用ArcGIS提取工具得到5個城市群16年的PM2.5濃度值,為保證數(shù)據(jù)的準確性,采用連續(xù)三年滑動平均值方法對PM2.5濃度值進行修正(圖2). 2000～2015年社會經(jīng)濟數(shù)據(jù)包括人均GDP、三次產(chǎn)業(yè)分別占GDP比重、GDP、全社會用電量、年末總?cè)丝诘?均來源于《中國城市統(tǒng)計年鑒(2001～ 2016)》,再通過各城市統(tǒng)計年鑒數(shù)據(jù)對誤差年份進行修正.人均GDP和三次產(chǎn)業(yè)分別占GDP比重用來劃分城市群城市化發(fā)展階段,GDP、全社會用電量、年末總?cè)丝谟糜贚MDI因素分解.

圖2 中國PM2.5濃度動態(tài)變化

1.3 研究方法

1.3.1 城市群階段劃分方法 錢納里階段劃分方法已廣泛應用于經(jīng)濟學、城市規(guī)劃等領域,該方法將社會經(jīng)濟發(fā)展分為初級產(chǎn)品階段、工業(yè)化階段、發(fā)達經(jīng)濟階段,其中工業(yè)化階段又分為工業(yè)化初期、中期和后期[22].本研究參考錢納里階段劃分標準,用人均GDP和產(chǎn)業(yè)結構指標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)結構劃分標準參考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加權平均的方法將各地級市人均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個城市群人均GDP為橫坐標,第二產(chǎn)業(yè)占GDP比重為縱坐標,得到5個城市群2000～2015年共80個樣本點(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標準和產(chǎn)業(yè)結構標準按不同方式組合,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)結構標準時劃分的城市群城市化發(fā)展階段(圖3a).可以看出人均GDP為4～6萬元之間時,城市群樣本中同時存在有工業(yè)化中期、工業(yè)化后期、發(fā)達經(jīng)濟時期三個經(jīng)濟發(fā)展階段,導致城市化發(fā)展階段劃分不明確.

情景2:僅考慮人均GDP標準時劃分的城市群城市化發(fā)展階段(圖3b).可以看出在初級產(chǎn)品階段時,樣本點中第二產(chǎn)業(yè)占GDP比重超過40%,但是初級產(chǎn)品階段以農(nóng)業(yè)生產(chǎn)為主,顯然與實際情況不符.

表1 不同城市化階段劃分標準

注: 1每年人均GDP標準不同,由于篇幅限制,僅列出2015年美元與2015年人民幣的劃分標準.2美元平減指與世界銀行2016年公布的標準一致.3劃分標準精確到十位數(shù).4產(chǎn)業(yè)結構標準每年一致,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:必須同時滿足人均GDP標準和產(chǎn)業(yè)結構標準時劃分的城市群城市化發(fā)展階段(圖3c).可以看出有52個城市群樣本點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,第四種情景將初級產(chǎn)品階段的劃分使用情景1,工業(yè)化和發(fā)達經(jīng)濟階段的劃分使用情景2,綜合考慮經(jīng)濟發(fā)展階段的特征來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,并且劃分結果明確,符合各發(fā)展階段的實際情況.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)達經(jīng)濟時期四個城市化發(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程中數(shù)據(jù)為零值和負值以及分解結果中存在殘差的問題,是最優(yōu)的因素分解方法[26].

參考Zhang等[27]研究,選取排放強度、能源強度、經(jīng)濟產(chǎn)出和人口規(guī)模等與PM2.5濃度相關的社會經(jīng)濟指標,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PM2.5濃度變化的總效應()分解為四種效應,如下式:

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

四種效應的計算公式如下:

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

采用相對貢獻率比較各因素在不同城市群之間的貢獻率,計算公式如下:

式中: RCR為因素的相對貢獻率,其范圍為[-1,1].

2 結果與討論

2.1 城市群城市化階段劃分結果

2000～2015年5個特大城市群城市化發(fā)展階段劃分結果如圖4所示.總體上看,2000年以來5個特大城市群均已全部進入工業(yè)化發(fā)展階段,齊元靜等[28]認為中國從2004年開始進入工業(yè)化時期,由于城市群是經(jīng)濟發(fā)展的核心區(qū),城市化進程要快于全國水平.各城市群經(jīng)濟發(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、長江中游城市群和京津冀城市群經(jīng)濟發(fā)展較緩慢,而珠江三角洲城市群和長江三角洲城市群內(nèi)部聯(lián)動性強,經(jīng)濟發(fā)展快,已率先進入發(fā)達經(jīng)濟時期.

圖4 城市群城市化階段劃分結果

2.2 PM2.5濃度時間變化趨勢分析

2000～2015年間5個城市群PM2.5濃度時間變化趨勢如圖5a所示,2000～2006年各城市群PM2.5濃度基本呈持續(xù)上升趨勢,2007～2015年呈波動下降趨勢,但是仍高于基年PM2.5濃度值.與整個研究時間段內(nèi)全國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,京津冀城市群和長江三角洲城市群的PM2.5濃度值相對較高,其中長三角城市群2008年PM2.5濃度值最高,為51μg/m3,根據(jù)《國家環(huán)境質(zhì)量標準》(GB3095-2012), PM2.5年均濃度不超過35μg/m3為達標,其高出達標值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.Liu等[24]研究結果同樣認為城市群在城市化的各個階段呈現(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.在工業(yè)化后期及發(fā)達經(jīng)濟時期時,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)達經(jīng)濟時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 社會經(jīng)濟因素對PM2.5的影響

基于LMDI指數(shù)分解方法,4種主要社會經(jīng)濟因素在整個研究時段內(nèi)的分解結果如圖6所示.總體來看,排放強度效應和能源強度效應可以降低PM2.5濃度,其中排放強度效應是降低PM2.5濃度的主要因素.例如,2015年長江三角洲城市群,排放強度效應降低了48μg/m3的PM2.5濃度,而能源強度效應僅降低了18μg/m3的PM2.5濃度.經(jīng)濟產(chǎn)出效應和人口規(guī)模效應可以促進PM2.5濃度的增加,其中經(jīng)濟產(chǎn)出效應是導致PM2.5濃度增加的主要因素.例如,2015年京津冀城市群,其經(jīng)濟產(chǎn)出效應所增加的PM2.5濃度是人口規(guī)模效應的13倍.李光勤等[30]利用空間計量模型方法分析PM2.5影響因素,結果同樣顯示經(jīng)濟發(fā)展水平、人口密度等因素導致一個地區(qū)PM2.5濃度上升.

2001～2015年間各城市群總效應表現(xiàn)出先波動上升后波動下降的趨勢.2001～2006年總效應呈現(xiàn)出顯著上升的趨勢,由于這一時期城市群經(jīng)濟高速發(fā)展,導致經(jīng)濟產(chǎn)出效應對PM2.5濃度的促進作用顯著提高.京津冀城市群在2007年、長江三角洲城市群和珠江三角洲城市群在2008年、長江中游城市群和成渝城市群在2006年,總效應達到最高.在2008年之后,總效應波動下降,由于城市群經(jīng)濟增長的速度放緩,能源結構的改善和能源利用效率的提高致使排放強度效應和能源強度效應的抑制作用不斷增強.以京津冀城市群為例,假設2015年的排放強度效應和能源強度效應與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經(jīng)濟因素對PM2.5濃度的貢獻率

基于城市化階段劃分結果,通過式(7)計算了各城市群不同階段4個效應的累積貢獻率(圖7),四種社會經(jīng)濟影響因素的累積貢獻率在不同城市化發(fā)展階段表現(xiàn)出差異性.人口規(guī)模效應的累積貢獻率在工業(yè)化初期為6%～20%,到工業(yè)化后期為16%～ 52%,可見人口規(guī)模效應對PM2.5濃度增加的貢獻程度不斷增大,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74萬人,珠江三角洲城市群從工業(yè)化中期至發(fā)達經(jīng)濟時期人口增長率為19%,人口增長導致對交通、住房、能源等需求增加,造成大氣污染物濃度增加.

經(jīng)濟產(chǎn)出效應的累積貢獻率在工業(yè)化初期為140%～245%,到工業(yè)化后期時增加至440%～1350%,經(jīng)濟產(chǎn)出效應對PM2.5濃度上升的貢獻程度顯著增加.Yang等[31]研究經(jīng)濟增長與CO2排放關系,同樣認為隨著時間推進經(jīng)濟增長的累積貢獻率值逐年增大,如在2000～2006年間經(jīng)濟增長累積貢獻率值每年在100%以上,2007～2009年間每年都超過200%, 2010年甚至超過300%.在城市群城市化發(fā)展的過程中,人均GDP呈持續(xù)上升趨勢,如在工業(yè)化初期至發(fā)達經(jīng)濟時期,長江三角洲城市群人均GDP增加61634元,人均收入的增加推動了人類對能源消費需求的增加,直接導致PM2.5濃度的增加.未來政府部門不僅要合理控制城市群人口規(guī)模的增長,更重要的是控制經(jīng)濟增長速度和規(guī)模,不能盲目追求GDP的提高,把經(jīng)濟發(fā)展由數(shù)量轉(zhuǎn)到質(zhì)量上來.

能源強度效應的累積貢獻率在工業(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,成渝城市群能源強度的累積貢獻率均為負,但長江三角洲城市群能源強度的累積貢獻率則均為正,尤其是工業(yè)化初期的長江三角洲城市群,能源強度的累積正貢獻率達109%.說明能源強度的增加會導致PM2.5濃度的增加,由于技術、節(jié)能設備等資源缺乏,能源利用效率低,能源密集型產(chǎn)業(yè)是拉動經(jīng)濟增長的主要動力.但是到工業(yè)化后期及發(fā)達經(jīng)濟時期,能源強度的累積貢獻率均為負.例如,工業(yè)化后期的長江三角洲城市群及珠江三角洲城市群,能源強度效應的累積貢獻率由正轉(zhuǎn)負,累積貢獻率值分別為-70%和-28%.說明在工業(yè)化后期及發(fā)達經(jīng)濟時期,電動汽車、清潔材料等新技術新材料的推廣使得能源利用效率不斷提高,技術水平提高在降低PM2.5濃度方面發(fā)揮著越來越重要的作用,使能源強度效應的負向作用趨于穩(wěn)定.因此,加大先進技術的投資力度,推廣新技術、新材料、新設備,提高生產(chǎn)過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]對中國碳排放影響因素的研究中認為2003～2006年能源強度具有較弱的正向驅(qū)動,2007～ 2010年為負向驅(qū)動.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.

排放強度效應的累積貢獻率在任何階段均為負,且在工業(yè)化中期至工業(yè)化后期,排放強度效應降低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)化后期排放強度累積貢獻率的絕對值增加了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]研究中同樣認為排放強度對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)拉動經(jīng)濟增長,許多高污染、高能耗企業(yè)在這一時期發(fā)展迅速,導致排放強度效應削弱作用低.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.未來應加大產(chǎn)業(yè)結構調(diào)整,制定相關政策減少煤炭、石油等傳統(tǒng)高污染高排放等產(chǎn)業(yè)能源的消耗,鼓勵開發(fā)和使用風能、太陽能等清潔能源,實現(xiàn)排放強度的優(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,本研究采用相對貢獻率比較不同城市群之間各影響因素的差異(圖8).隨著城市化進程的推進,排放強度效應相對貢獻率的差距逐步縮小,到工業(yè)化后期,京津冀城市群、長江三角洲城市群、長江中游城市群、珠江三角洲城市群、成渝城市群排放強度效應的相對貢獻率分別為-23%、-32%、-26%、-34%、-29%.成渝城市群在工業(yè)化初期排放強度效應相對貢獻率的絕對值最小,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較低,導致排放強度對PM2.5的削弱作用低于其他城市群.京津冀城市群排放強度效應在工業(yè)化中期、后期相對貢獻率的絕對值最小,由于京津冀城市群產(chǎn)業(yè)結構的調(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.

能源強度效應的相對貢獻率在工業(yè)化初期各城市群之間差異很大,隨著城市化進程的推進其差距在逐步縮小,尤其是在發(fā)達經(jīng)濟時期的長江三角洲城市群和珠江三角洲城市群,相對貢獻率相差小于1%.長江三角洲城市群、珠江三角洲城市群能源強度效應的相對貢獻率一直處于曲線簇上方,說明其能源強度效應對PM2.5的削弱作用低于其他城市群.由于長江三角洲城市群和珠江三角洲城市群地處沿海地區(qū),先進技術的推廣、清潔能源的使用等方面高于其他城市群,技術水平的提高更利于其他城市群PM2.5濃度降低.

經(jīng)濟產(chǎn)出效應的相對貢獻率隨著城市化進程的推進差距同樣在縮小,到工業(yè)化中期,各城市群相對貢獻率最大僅相差5%.在工業(yè)化初期,京津冀城市群經(jīng)濟產(chǎn)出效應的相對貢獻率最大,由于這一時期京津冀城市群經(jīng)濟的高速發(fā)展以及人均收入水平的提高,使得對資源和能源的需求增加,促進污染0物排放量增大.人口規(guī)模效應的相對貢獻率隨著城市化進程的推進,差距在逐步擴大.珠江三角洲城市群人口規(guī)模效應的相對貢獻率一直處于曲線簇上方,主要是由于改革開放以來人口大量涌入,人口聚集區(qū)交通、住房等人類的活動強度增大,對PM2.5濃度的升高有顯著促進作用.另一方面,人口的增加會導致私家車使用量的增加,車輛排放是空氣污染的一個重要來源[34].

3 結論

3.1 5個特大型城市群被劃分為工業(yè)化初期、中期、后期和發(fā)達經(jīng)濟時期四個城市化發(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,2007～2015年呈波動下降趨勢.在工業(yè)化初期至發(fā)達經(jīng)濟時期PM2.5濃度變化呈現(xiàn)“倒U”型.

3.3 排放強度效應和能源強度效應多為負,且排放強度效應的絕對值高于能源強度效應的絕對值;經(jīng)濟產(chǎn)出效應和人口規(guī)模效應多為正,且經(jīng)濟產(chǎn)出效應高于人口規(guī)模效應;總效應表現(xiàn)出先波動上升后波動下降的變化趨勢.

3.4 在工業(yè)化初期至工業(yè)化后期,經(jīng)濟產(chǎn)出效應和人口規(guī)模效應的累積貢獻率均在增加,且經(jīng)濟產(chǎn)出效應的累積貢獻率增加更為顯著.能源強度效應的累積貢獻率工業(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)達經(jīng)濟時期均為負.排放強度效應累積貢獻率的絕對值在工業(yè)化后期和發(fā)達經(jīng)濟時期高于工業(yè)化初期和工業(yè)化中期.

3.5 以相對貢獻率對比各影響因素的空間差異,隨著城市化發(fā)展階段的推進,各城市群之間排放強度效應、能源強度效應、經(jīng)濟產(chǎn)出效應的相對貢獻率差距不斷縮小,人口規(guī)模效應相對貢獻率的差距不斷擴大.

[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對疾病死亡影響的交互效應 [J]. 中國環(huán)境科學, 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.相對濕度和PM2.5濃度對大氣能見度的影響研究:基于小時資料的多站對比分析 [J]. 氣象學報, 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污染時空變化特征及氣象成因分析 [J]. 生態(tài)環(huán)境學報, 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,易愛華,等.全國2018～2019年秋冬季氣象條件變化對PM2.5影響研究 [J]. 中國環(huán)境科學, 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 [J]. 中國環(huán)境科學, 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PM2.5污染的定量影響 [J]. 中國環(huán)境科學, 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)境學報, 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程及其驅(qū)動因素解析 [J]. 自然資源學報, 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)境交互耦合效應解析的理論框架及技術路徑 [J]. 地理學報, 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.中國城市群地圖集 [M]. 北京:科學出版社, 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.中國經(jīng)濟發(fā)展階段及其時空格局演變特征 [J]. 地理學報, 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.中國大氣PM2.5污染演變及其影響因素 [J]. 經(jīng)濟地理, 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]. 自然資源學報, 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)動效應測度 [J]. 中國人口·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,河北邢臺人,西南大學碩士研究生,主要研究方向為城市生態(tài).

2021-03-23

重慶市第四次全國經(jīng)濟普查研究課題(sjpktzd11)

* 責任作者, 副教授, wyong@swu.edu.cn