本文摘要：摘要：基于20082017年黃河流域工業SO2和PM2.5兩類典型空氣污染物數據，首先刻畫了兩者的空間演化格局，并運用空間面板杜賓模型(SPDM)從直接效應和間接效應兩方面對兩者的影響因素進行對比分析。結果表明：①工業SO2和PM2.5污染均存在顯著的空間集聚特征，從東南至西北
摘要：基于2008—2017年黃河流域工業SO2和PM2.5兩類典型空氣污染物數據，首先刻畫了兩者的空間演化格局，并運用空間面板杜賓模型(SPDM)從直接效應和間接效應兩方面對兩者的影響因素進行對比分析。結果表明：①工業SO2和PM2.5污染均存在顯著的空間集聚特征，從東南至西北方向呈現梯度遞減趨勢;二者在城市尺度均存在顯著的正向空間關聯性，但PM2.5污染的空間關聯性比工業SO2更強;②2008—2017年，工業SO2和PM2.5污染有所緩解，其中工業SO2排放強度迅速下降;而PM2.5質量濃度下降相對緩慢，仍是黃河流域主要的空氣污染源。③產業結構、技術創新、能源效率、人口規模、經濟發展、工業規模等是影響黃河流域空氣污染的主要因素，但PM2.5的影響因素更加復雜多樣化。其中，技術創新能力和經濟發展水平的提升雖然在研究期內加劇了本地工業SO2污染的排放強度，但卻能緩解周邊城市的工業SO2和PM2.5污染;工業規模的擴大會加劇本地和鄰近城市的PM2.5污染。
關鍵詞：工業SO2;PM2.5;空間杜賓模型;黃河流域
黃河流域橫跨中國東中西三大戰略區域，是中國重要的生態保護地帶，同時又是中國經濟社會發展的重要空間載體[1]。2019年9月，習近平同志在河南考察時指出治理黃河，重在保護，要在治理，并要求堅持生態優先、綠色發展的高質量發展之路[2]。然而，中國長期粗放式的發展模式產生了一系列的環境問題，其中空氣污染問題尤為嚴峻[3]。黃河流域也面臨著較為嚴峻的空氣污染問題，山西、陜西、甘肅、寧夏是中國工業SO2排放的高強度區域[4]，山東半島、中原城市群區域是中國PM2.5污染的熱點區[5]。在此背景下，開展黃河流域空氣污染的時空演變規律與影響因素探究，對推動黃河流域大氣污染協同治理，改善環境空氣質量具有重要的現實意義。
空氣污染是環境經濟地理學者的重要研究對象。在空氣污染源方面，普遍認為SO2和PM2.5是中國空氣污染的主要類型[6]。近年來，中國的霧霾問題也引起了極大關注，成為當下學術界、政府和公眾面臨的主要環境問題[7]。在大氣污染格局及影響因素研究方面，一般認為技術創新、經濟發展水平，產業結構、人口規模等是影響空氣污染的重要因素[8~10]。一些研究以中國長江經濟帶為對象，探究了空氣質量的空間格局與其驅動因素[11,12]。
對于黃河流域來說，在經濟社會發展、水資源等生態環境方面已有較多的研究[13~15]，但空氣污染的研究主要集中在霧霾等單一污染源類型[16,17]。綜上，國內外研究對中國空氣污染問題給予了極大的關注，但研究大多集中于單一類污染物或AQI等綜合污染指數的研究，尤其是近年來對PM2.5問題的極大關注，缺少對多類型空氣污染物的空間格局及影響因素的對比分析。
此外，以往黃河流域的研究更多聚焦于水土生態環境污染，對空氣污染長時間序列、全流域尺度的針對性研究仍需進一步深化。因此，本文結合中國空氣污染的主要類型，選擇地級市尺度的工業SO2和PM2.5數據構建面板數據，然后通過探索性空間數據分析(ESDA)和空間計量模型等方法分析黃河流域城市空氣污染的空間集聚格局演化，并進一步探究其影響因素及其異同點。研究能夠認識黃河流域不同大氣污染物的格局演變規律，從而為科學治理流域空氣污染問題提供一定的參考。
1研究設計
1.1 研究區域與數據來源
根據國家水利部黃河水利委員會的定義，自然黃河流域包含青海、四川、甘肅、寧夏、內蒙古、陜西、山西、河南、山東9個省(自治區)。由于空氣污染相較其他類型污染具有更大的蔓延性，加之考慮到各地級單元間經濟、社會、創新要素等的關聯性，本文在保持省級行政區劃完整、數據可獲得性的前提下將研究對象范圍設定為青海、四川、甘肅、寧夏、內蒙古、陜西、山西、河南和山東9個省(自治區)。進一步考慮到數據的可獲得性，本文最終選擇100個地級單元作為研究對象，并將研究區域劃分東中西三大區域，東部地區包括山東的17個城市，中部地區包括山西、河南的28個城市，西部地區包括青海、四川、甘肅、寧夏、內蒙古和陜西的55個城市。
本文表征空氣污染的SO2數據來源于2009—2018年《中國城市統計年鑒》[18]，PM2.5數據來源于NASA托管在哥倫比亞大學的地球數據信息系統數據中心(https://sedac.ciesin.columbia.edu/data/)與大氣成分分析組(http://fizz.phys.dal.ca/~atmos/martin/?page_id=140)。技術創新數據主要來自于中國國家知識產權局專利檢索和分析數據庫(http://pss-system.cnipa.gov.cn/)，其他變量的原始數據均來源于2009—2018年的《中國城市統計年鑒》[18]。其中，個別城市的部分缺失數值采用插值法補齊。
1.2 研究方法
1.2.1探索性空間數據分析
(ESDA)為了檢驗空氣污染集聚是否存在空間自相關，本文采用Moran’sI指數分析黃河流域工業空氣污染的空間集聚關聯效應。
1.2.2空間面板杜賓模型(SPDM)
黃河流域地級市之間空氣污染集聚格局的形成具有較強的空間交互效應，如果忽略其影響因素之間的這種空間相關性會導致模型估計結果與實際情況誤差較大。
1.3 變量選擇
綜合理論和以往研究基礎，選定2個被解釋變量和7個自變量因素，各變量如下：本文選擇城市工業SO2和PM2.5質量濃度作為被解釋變量。其主要原因是工業SO2在中國城市SO2污染中占有很高的比重，該指標有較強的代表性[6]，同時PM2.5也是近年來中國主要的空氣污染類型。①產業結構。產業結構的升級能夠抑制城市空氣污染[19]，本文用產業結構高級度來表征。
②能源效率。李斌等通過對中國空氣污染庫茲涅茨曲線的實證研究發現能源效率對中國空氣污染的影響顯著[20]，且能源效率直接影響黃河流域生態保護和高質量發展[21]。③技術創新。人們普遍認為技術進步在減少空氣污染中起著重要作用[22]，專利數據可反映技術創新的應用價值和技術創新的實際水平[23]。④經濟發展水平。環境庫茲涅茨曲線理論認為經濟發展水平和污染之間存在緊密關聯，且一般呈倒“U”型關系[24]。
⑤人口規模。人口集聚的擴大能夠引起消費需求的增加，從而增加能源等資源的消耗[25]。⑥工業規模。工業SO2在工業生產過程中產生，工業集聚是引起工業SO2污染的重要原因[4]。⑦外商直接投資。FDI可以發揮技術溢出效應，從而改善所在區域的環境污染;同時，FDI的進入也可能加重欠發達地區的空氣污染[25]。
2黃河流域空氣污染的時空演變格局
利用ArcGIS10.6軟件分別對2008年和2017年工業SO2和PM2.5污染濃度值進行空間可視化。利用自然斷裂法，本文將城市工業SO2和PM2.5質量濃度值分為4個空氣污染等級，從低到高依次定義為低污染、中低污染、中高污染和高污染城市。黃河流域城市工業SO2污染呈現空間集聚性。
與2008年相比，2017年城市工業SO2污染強度快速下降。2008年工業SO2污染質量濃度為8.83t/km2，處于中高和高污染等級的城市數量最多，占到黃河流域所有城市的50%，其中東部、中部和西部地區的城市依次有14個、17個和19個;到2017年，工業SO2的污染現象有了極大的改善，工業SO2質量濃度下降為2.52t/km2，處于高污染等級的城市數量僅為2個。
而低污染等級的城市數量超過半數，占到黃河流域城市總數的71%，其中西部地區城市有46個，可見西部地區在工業SO2污染排放治理方面取得了顯著的成效。總體來看，黃河流域城市工業SO2主要集聚在中東部地區，而西部呈散點狀分布，主要集聚在嘉峪關、西寧、石嘴山、攀枝花等城市。與城市工業SO2污染相比，黃河流域城市PM2.5污染集聚區范圍更大，仍是黃河流域重要的空氣污染物。
2008年，黃河流域PM2.5質量濃度為40.79μg/m3，70%的城市PM2.5污染處于中高和高空氣污染等級，中東部地區是PM2.5污染集聚的高地;2017年，PM2.5污染總體程度有所緩解，PM2.5質量濃度下降為33μg/m3，處于中高與高污染城市的數量仍有44個，其中34個城市都集中在中東部地區，尤其是東部地區PM2.5質量濃度仍高達64.09μg/m3。進一步通過全局莫蘭指數分析可知，黃河流域城市工業SO2和PM2.5存在顯著的正向空間依賴性，且PM2.5的空間依賴性更強。
2008—2017年城市空氣污染的Moran’sI指數均為正值，說明黃河流域空氣污染的格局在整體上呈現出高−高集聚、低−低集聚的態勢。城市工業SO2污染Moran’sI值總體呈增強的態勢，從2008年的0.21增長到2017年的0.26，空間關聯性強度有所上升;而城市PM2.5的Moran’sI值一直保持在0.78以上，其空間關聯性更強。
總體而言，黃河流域空氣污染程度呈“東南−西北”向梯度遞減，這與黃河流域各類開發區的空間集聚格局具有高度一致性[28]。黃河流域中西部較多城市由于地形等原因不利于大規模工業活動的開展，而黃河流域中東部平原地區工業化起步早、基礎好，大規模工業活動較多[4];另一方面，關中地區在秦嶺山脈和黃土高原的包圍下形成的喇叭口形的河谷盆地，地形地貌不利于污染物的擴散[29]，因此也形成了連綿集聚的空氣污染格局。
3黃河流域空氣污染的影響因素實證分析
3.1 描述性統計與模型選擇
為了保證數據的平穩性、減小異方差、序列的共線性所帶來的數據分析問題，本文對部分較大數值的變量進行了對數化處理。顯示了各個城市變量的描述性統計結果，可知所有指標沒有出現異常值的情況，平穩性較好且所有變量的方差膨脹因子(VIF)均沒超過7，故不存在明顯共線性的問題。由于城市工業SO2和PM2.5的空間相關性檢驗均表明其在空間上具有明顯的關聯性，因此在探究黃河流域空氣污染的影響因素時不可忽視地理空間要素。故在進行空間計量估計之前，先后經過拉格朗日乘子(LM)、穩健性拉格朗日乘子(RobustLM)、似然比(LR)和Hausman檢驗，本文最終選擇城市和時間雙固定效應SPDM進行回歸估計。
3.2 回歸結果分析
LeSage等認為直接用空間滯后項WY和WX來描述空間交互作用，可能會得出錯誤的結果，故有必要采用偏導的形式分解出直接效應和間接效應[30]。因此，為了進一步解析空氣污染的影響因素在空間上的交互作用，本文計算SPDM模型的直接效應、間接效應與總效應。
產業結構、技術創新、能源效率、人口規模、經濟發展水平5個因素是影響城市工業SO2污染的重要原因。從直接效應來看，城市工業SO2污染與產業結構高級度、技術創新、經濟發展呈現正相關關系，即產業結構高級度、技術創新、經濟發展的提升顯著加劇了本地工業SO2污染，而能源效率的提升能夠抑制本地工業SO2污染，起到了抑制作用。
其主要原因在于現階段黃河流域大部分城市主要以工業發展為主導，中國在過去10a間的技術創新并非強調以綠色發展為導向，且技術創新也可能存在“回彈效應”[31]。從間接效應來看，一個城市技術創新能力提升會抑制周邊城市的工業SO2污染，而城市人口規模作用方向正好相反。城市技術創新能力的提升能夠通過正向溢出效應影響周邊城市;而城市人口規模的擴大會促使生產規模的擴大，導致污染排放增多，并擴散至周邊城市。
另外，工業規模與外商投資對工業SO2的影響都不顯著。技術創新、能源效率、人口規模、經濟發展、工業規模等5個因素對城市PM2.5污染產生重要影響。從直接效應方面分析，技術創新和經濟發展對本地PM2.5污染的作用系數值分別為−1.079、−0.648，說明技術創新和經濟發展對于本地PM2.5污染有著顯著的抑制作用，可以作為治理黃河流域PM2.5污染的關鍵因素。
其次，工業規模的擴大加劇了區域內PM2.5污染，究其原因在于黃河流域目前工業規模與人口耗能較大。從間接效應來看，城市技術創新和經濟發展變量對周邊地區PM2.5污染的作用系數值分別為−3.512、−3.097，說明本地技術創新和經濟發展提升對于周邊鄰近城市PM2.5污染起著十分明顯的抑制作用;同樣地，由于城市人口規模增大會導致污染排放增多，從而加劇周邊鄰近城市的PM2.5污染程度。與SO2不同的是，工業規模對于鄰近城市的PM2.5污染產生顯著的促進作用，其可能原因在于國家對于工業企業的SO2排放有著嚴格的限制，而PM2.5污染的影響因素更加復雜多樣化，工業企業生產過程中產生的煙塵顆粒等均會通過擴散加劇鄰近地區的PM2.5污染。
3.3 穩健性檢驗
3.3.1基于自變量滯后一期的檢驗為了保證研究的結論具有可靠性，本文還對模型所有解釋變量進行了滯后一期數據的穩健性檢驗。結果表明，技術創新與本地工業SO2顯著正相關，但會使PM2.5質量濃度相應下降0.869個單位，說明技術創新顯著抑制了PM2.5的排放;除此之外，人口規模與空氣污染在5%水平下顯著正相關，說明考慮空間因素的情況下，黃河流域城市人口規模總體上會顯著促進空氣污染，與前文結論一致，其他影響因素的回歸結果與上述主回歸結果仍保持基本一致，之前的結論依舊成立。
3.3.2黃河流域東中西分地區的異質性分析本文對黃河流域東中西三大地區進行OLS分組回歸，結果表明產業結構高級度、技術創新、能源效率、人口規模、經濟發展水平等因素依然與空氣污染顯著相關。在不考慮空間效應的情形下，雖然產業結構、技術創新、人口規模、經濟發展等變量仍是工業SO2污染的重要因素，但作用方向發生了一定的變化。
對于PM2.5而言，無論是東中西地區，人口規模都會加劇本地污染程度，而工業規模因素僅在東部地區與PM2.5排放正相關，進一步驗證了工業集聚規模越大，PM2.5污染排放越嚴重的現實。另外，經濟發展對東中部地區PM2.5污染產生顯著的促進作用，說明黃河流域東中部地區仍需要加大對PM2.5污染的治理力度。總體而言，東中西分樣本的OLS回歸結果與上述主回歸結果存在一定的差異，這也說明了在研究黃河流域空氣污染成因時不能忽略空間效應。
4結論與啟示
4.1 結論
1)黃河流域空氣污染存在顯著的集聚關聯特征，相比于SO2污染，PM2.5污染的分布范圍更廣、空間關聯性更強。黃河流域工業SO2和PM2.5污染從東南至西北方向呈現梯度遞減的集聚格局，全局Moran’sI值穩定在0.21以上，中東部地區工業SO2污染呈現連綿集聚態勢;而PM2.5污染主要集聚于黃河流域東部地區，但中西部地區也呈現局部集聚現象，全局Moran’sI值穩定在0.78以上，故其空間關聯性更強。
2)2008—2017年，黃河流域工業SO2和PM2.5污染程度均有所緩解，其中PM2.5仍是黃河流域重要的空氣污染源。10a間，工業SO2地均排放強度快速下降，且位于中高和高污染等級的城市數量也從50個縮減到2個;而2017年PM2.5污染程度處于中高和高等級的城市仍有44個，占比達44%，相比于2008年僅減少了26個城市，PM2.5仍是黃河流域主要的空氣污染源。
3)產業結構、技術創新、能源效率、經濟發展、工業規模等是引起黃河流域本地空氣污染的主要因素，且其對本地工業SO2和PM2.5污染的影響存在差異。從直接效應來看，產業結構高級度、技術創新、經濟發展加劇了本地SO2污染的排放強度，而技術創新、經濟發展能夠抑制本地PM2.5濃度上升。另外，能源效率的提升能夠抑制本地工業SO2污染，而工業規模的擴大則會引起本地PM2.5污染。
4)技術創新、人口規模、經濟發展、工業規模等能通過間接效應影響鄰近地區的空氣質量，且其對鄰近城市工業SO2和PM2.5污染的影響存在差異。技術創新能力提升均能抑制周邊城市的工業SO2和PM2.5污染，而城市人口規模作用方向正好相反。另外，PM2.5的影響因素更加復雜多樣化，經濟發展水平的提高能夠抑制周邊城市PM2.5污染，而工業規模的擴大則是引起PM2.5污染的主要原因之一。
4.2 政策啟示
1)提升技術創新，優化產業結構是緩解黃河流域空氣污染的關鍵抓手。由于存在技術創新的“回彈效應”，技術創新和大氣污染一般呈“U”型關系[31]。對于黃河流域來說，應進一步強化技術創新能力，當其跨過“U”型拐點進入右側發展階段，將有助于大氣環境的改善。另外，針對黃河流域中西部地區能源型產業比重高[32]、東部區域資本密集型產業規模大等造成的空氣污染難題，應加快推動產業結構的轉型升級，充分運用技術創新改造傳統污染密集型產業。
2)相比于工業SO2污染，應重點加強對黃河流域PM2.5污染的聯防聯控治理。根據中國2016年1月1日正式實施的《環境空氣質量標準》(GB3095-2012)規定，居住區、工業區和農村地區等二類環境空氣功能區的PM2.5年質量濃度限值為35μg/m3[33],而2017年黃河流域仍有32個城市的PM2.5年濃度大于這一限值。
參考文獻(References)：
陸大道,孫東琪.黃河流域的綜合治理與可持續發展[J].地理學報,2019,74(12):2431-2436.[LuDadao,SunDongqi.DevelopmentandmanagementtasksoftheYellowRiverBasin:Apreliminaryunderstandingandsuggestion.ActaGeographicaSinica,2019,74(12):2431-2436.][1]
習近平.在黃河流域生態保護和高質量發展座談會上的講話[J].求是,2019(20):1-5.[XiJinping.Speechatthesymposiumonecologicalprotectionandhigh-qualitydevelopmentintheYellowRiverBasin.Qiushi,2019(20):1-5.][2]
WangZB,LiangLW,SunZetal.SpatiotemporaldifferentiationandthefactorsinfluencingurbanizationandecologicalenvironmentsynergisticeffectswithintheBeijing-Tianjin-Hebeiurbanagglomeration[J].JournalofEnvironmentalManagement,2019,243:227-239.[3]
胡志強,苗長虹,袁豐.集聚空間組織型式對中國地市尺度工業SO2排放的影響[J].地理學報,2019,74(10):2045-2061.
[HuZhiqiang,MiaoChanghong,YuanFeng.ImpactofindustrialspatialandorganizationalagglomerationpatternsonindustrialSO2emissionsofprefecture-levelcitiesinChina.ActaGeographicaSinica,2019,74(10):2045-2061.][4]
王振波,梁龍武,王旭靜.中國城市群地區PM2.5時空演變格局及其影響因素[J].地理學報,2019,74(12):2614-2630.
[WangZhenbo,LiangLongwu,WangXujing.Spatio-temporalevolutionpatternsandinfluencingfactorsofPM2.5inChineseurbanagglomerations.ActaGeographicaSinica,2019,74(12):2614-2630.]
作者：滕堂偉，諶丹華，胡森林
轉載請注明來自發表學術論文網：http://www.zpfmc.com/jjlw/28556.html
