本文摘要：摘要：基于20082017年黄河流域工业SO2和PM2.5两类典型空气污染物数据，首先刻画了两者的空间演化格局，并运用空间面板杜宾模型(SPDM)从直接效应和间接效应两方面对两者的影响因素进行对比分析。结果表明：①工业SO2和PM2.5污染均存在显著的空间集聚特征，从东南至西北
摘要：基于2008—2017年黄河流域工业SO2和PM2.5两类典型空气污染物数据，首先刻画了两者的空间演化格局，并运用空间面板杜宾模型(SPDM)从直接效应和间接效应两方面对两者的影响因素进行对比分析。结果表明：①工业SO2和PM2.5污染均存在显著的空间集聚特征，从东南至西北方向呈现梯度递减趋势;二者在城市尺度均存在显著的正向空间关联性，但PM2.5污染的空间关联性比工业SO2更强;②2008—2017年，工业SO2和PM2.5污染有所缓解，其中工业SO2排放强度迅速下降;而PM2.5质量浓度下降相对缓慢，仍是黄河流域主要的空气污染源。③产业结构、技术创新、能源效率、人口规模、经济发展、工业规模等是影响黄河流域空气污染的主要因素，但PM2.5的影响因素更加复杂多样化。其中，技术创新能力和经济发展水平的提升虽然在研究期内加剧了本地工业SO2污染的排放强度，但却能缓解周边城市的工业SO2和PM2.5污染;工业规模的扩大会加剧本地和邻近城市的PM2.5污染。
关键词：工业SO2;PM2.5;空间杜宾模型;黄河流域
黄河流域横跨中国东中西三大战略区域，是中国重要的生态保护地带，同时又是中国经济社会发展的重要空间载体[1]。2019年9月，习近平同志在河南考察时指出治理黄河，重在保护，要在治理，并要求坚持生态优先、绿色发展的高质量发展之路[2]。然而，中国长期粗放式的发展模式产生了一系列的环境问题，其中空气污染问题尤为严峻[3]。黄河流域也面临着较为严峻的空气污染问题，山西、陕西、甘肃、宁夏是中国工业SO2排放的高强度区域[4]，山东半岛、中原城市群区域是中国PM2.5污染的热点区[5]。在此背景下，开展黄河流域空气污染的时空演变规律与影响因素探究，对推动黄河流域大气污染协同治理，改善环境空气质量具有重要的现实意义。
空气污染是环境经济地理学者的重要研究对象。在空气污染源方面，普遍认为SO2和PM2.5是中国空气污染的主要类型[6]。近年来，中国的雾霾问题也引起了极大关注，成为当下学术界、政府和公众面临的主要环境问题[7]。在大气污染格局及影响因素研究方面，一般认为技术创新、经济发展水平，产业结构、人口规模等是影响空气污染的重要因素[8~10]。一些研究以中国长江经济带为对象，探究了空气质量的空间格局与其驱动因素[11,12]。
对于黄河流域来说，在经济社会发展、水资源等生态环境方面已有较多的研究[13~15]，但空气污染的研究主要集中在雾霾等单一污染源类型[16,17]。综上，国内外研究对中国空气污染问题给予了极大的关注，但研究大多集中于单一类污染物或AQI等综合污染指数的研究，尤其是近年来对PM2.5问题的极大关注，缺少对多类型空气污染物的空间格局及影响因素的对比分析。
此外，以往黄河流域的研究更多聚焦于水土生态环境污染，对空气污染长时间序列、全流域尺度的针对性研究仍需进一步深化。因此，本文结合中国空气污染的主要类型，选择地级市尺度的工业SO2和PM2.5数据构建面板数据，然后通过探索性空间数据分析(ESDA)和空间计量模型等方法分析黄河流域城市空气污染的空间集聚格局演化，并进一步探究其影响因素及其异同点。研究能够认识黄河流域不同大气污染物的格局演变规律，从而为科学治理流域空气污染问题提供一定的参考。
1研究设计
1.1 研究区域与数据来源
根据国家水利部黄河水利委员会的定义，自然黄河流域包含青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南、山东9个省(自治区)。由于空气污染相较其他类型污染具有更大的蔓延性，加之考虑到各地级单元间经济、社会、创新要素等的关联性，本文在保持省级行政区划完整、数据可获得性的前提下将研究对象范围设定为青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南和山东9个省(自治区)。进一步考虑到数据的可获得性，本文最终选择100个地级单元作为研究对象，并将研究区域划分东中西三大区域，东部地区包括山东的17个城市，中部地区包括山西、河南的28个城市，西部地区包括青海、四川、甘肃、宁夏、内蒙古和陕西的55个城市。
本文表征空气污染的SO2数据来源于2009—2018年《中国城市统计年鉴》[18]，PM2.5数据来源于NASA托管在哥伦比亚大学的地球数据信息系统数据中心(https://sedac.ciesin.columbia.edu/data/)与大气成分分析组(http://fizz.phys.dal.ca/~atmos/martin/?page_id=140)。技术创新数据主要来自于中国国家知识产权局专利检索和分析数据库(http://pss-system.cnipa.gov.cn/)，其他变量的原始数据均来源于2009—2018年的《中国城市统计年鉴》[18]。其中，个别城市的部分缺失数值采用插值法补齐。
1.2 研究方法
1.2.1探索性空间数据分析
(ESDA)为了检验空气污染集聚是否存在空间自相关，本文采用Moran’sI指数分析黄河流域工业空气污染的空间集聚关联效应。
1.2.2空间面板杜宾模型(SPDM)
黄河流域地级市之间空气污染集聚格局的形成具有较强的空间交互效应，如果忽略其影响因素之间的这种空间相关性会导致模型估计结果与实际情况误差较大。
1.3 变量选择
综合理论和以往研究基础，选定2个被解释变量和7个自变量因素，各变量如下：本文选择城市工业SO2和PM2.5质量浓度作为被解释变量。其主要原因是工业SO2在中国城市SO2污染中占有很高的比重，该指标有较强的代表性[6]，同时PM2.5也是近年来中国主要的空气污染类型。①产业结构。产业结构的升级能够抑制城市空气污染[19]，本文用产业结构高级度来表征。
②能源效率。李斌等通过对中国空气污染库兹涅茨曲线的实证研究发现能源效率对中国空气污染的影响显著[20]，且能源效率直接影响黄河流域生态保护和高质量发展[21]。③技术创新。人们普遍认为技术进步在减少空气污染中起着重要作用[22]，专利数据可反映技术创新的应用价值和技术创新的实际水平[23]。④经济发展水平。环境库兹涅茨曲线理论认为经济发展水平和污染之间存在紧密关联，且一般呈倒“U”型关系[24]。
⑤人口规模。人口集聚的扩大能够引起消费需求的增加，从而增加能源等资源的消耗[25]。⑥工业规模。工业SO2在工业生产过程中产生，工业集聚是引起工业SO2污染的重要原因[4]。⑦外商直接投资。FDI可以发挥技术溢出效应，从而改善所在区域的环境污染;同时，FDI的进入也可能加重欠发达地区的空气污染[25]。
2黄河流域空气污染的时空演变格局
利用ArcGIS10.6软件分别对2008年和2017年工业SO2和PM2.5污染浓度值进行空间可视化。利用自然断裂法，本文将城市工业SO2和PM2.5质量浓度值分为4个空气污染等级，从低到高依次定义为低污染、中低污染、中高污染和高污染城市。黄河流域城市工业SO2污染呈现空间集聚性。
与2008年相比，2017年城市工业SO2污染强度快速下降。2008年工业SO2污染质量浓度为8.83t/km2，处于中高和高污染等级的城市数量最多，占到黄河流域所有城市的50%，其中东部、中部和西部地区的城市依次有14个、17个和19个;到2017年，工业SO2的污染现象有了极大的改善，工业SO2质量浓度下降为2.52t/km2，处于高污染等级的城市数量仅为2个。
而低污染等级的城市数量超过半数，占到黄河流域城市总数的71%，其中西部地区城市有46个，可见西部地区在工业SO2污染排放治理方面取得了显著的成效。总体来看，黄河流域城市工业SO2主要集聚在中东部地区，而西部呈散点状分布，主要集聚在嘉峪关、西宁、石嘴山、攀枝花等城市。与城市工业SO2污染相比，黄河流域城市PM2.5污染集聚区范围更大，仍是黄河流域重要的空气污染物。
2008年，黄河流域PM2.5质量浓度为40.79μg/m3，70%的城市PM2.5污染处于中高和高空气污染等级，中东部地区是PM2.5污染集聚的高地;2017年，PM2.5污染总体程度有所缓解，PM2.5质量浓度下降为33μg/m3，处于中高与高污染城市的数量仍有44个，其中34个城市都集中在中东部地区，尤其是东部地区PM2.5质量浓度仍高达64.09μg/m3。进一步通过全局莫兰指数分析可知，黄河流域城市工业SO2和PM2.5存在显著的正向空间依赖性，且PM2.5的空间依赖性更强。
2008—2017年城市空气污染的Moran’sI指数均为正值，说明黄河流域空气污染的格局在整体上呈现出高−高集聚、低−低集聚的态势。城市工业SO2污染Moran’sI值总体呈增强的态势，从2008年的0.21增长到2017年的0.26，空间关联性强度有所上升;而城市PM2.5的Moran’sI值一直保持在0.78以上，其空间关联性更强。
总体而言，黄河流域空气污染程度呈“东南−西北”向梯度递减，这与黄河流域各类开发区的空间集聚格局具有高度一致性[28]。黄河流域中西部较多城市由于地形等原因不利于大规模工业活动的开展，而黄河流域中东部平原地区工业化起步早、基础好，大规模工业活动较多[4];另一方面，关中地区在秦岭山脉和黄土高原的包围下形成的喇叭口形的河谷盆地，地形地貌不利于污染物的扩散[29]，因此也形成了连绵集聚的空气污染格局。
3黄河流域空气污染的影响因素实证分析
3.1 描述性统计与模型选择
为了保证数据的平稳性、减小异方差、序列的共线性所带来的数据分析问题，本文对部分较大数值的变量进行了对数化处理。显示了各个城市变量的描述性统计结果，可知所有指标没有出现异常值的情况，平稳性较好且所有变量的方差膨胀因子(VIF)均没超过7，故不存在明显共线性的问题。由于城市工业SO2和PM2.5的空间相关性检验均表明其在空间上具有明显的关联性，因此在探究黄河流域空气污染的影响因素时不可忽视地理空间要素。故在进行空间计量估计之前，先后经过拉格朗日乘子(LM)、稳健性拉格朗日乘子(RobustLM)、似然比(LR)和Hausman检验，本文最终选择城市和时间双固定效应SPDM进行回归估计。
3.2 回归结果分析
LeSage等认为直接用空间滞后项WY和WX来描述空间交互作用，可能会得出错误的结果，故有必要采用偏导的形式分解出直接效应和间接效应[30]。因此，为了进一步解析空气污染的影响因素在空间上的交互作用，本文计算SPDM模型的直接效应、间接效应与总效应。
产业结构、技术创新、能源效率、人口规模、经济发展水平5个因素是影响城市工业SO2污染的重要原因。从直接效应来看，城市工业SO2污染与产业结构高级度、技术创新、经济发展呈现正相关关系，即产业结构高级度、技术创新、经济发展的提升显著加剧了本地工业SO2污染，而能源效率的提升能够抑制本地工业SO2污染，起到了抑制作用。
其主要原因在于现阶段黄河流域大部分城市主要以工业发展为主导，中国在过去10a间的技术创新并非强调以绿色发展为导向，且技术创新也可能存在“回弹效应”[31]。从间接效应来看，一个城市技术创新能力提升会抑制周边城市的工业SO2污染，而城市人口规模作用方向正好相反。城市技术创新能力的提升能够通过正向溢出效应影响周边城市;而城市人口规模的扩大会促使生产规模的扩大，导致污染排放增多，并扩散至周边城市。
另外，工业规模与外商投资对工业SO2的影响都不显著。技术创新、能源效率、人口规模、经济发展、工业规模等5个因素对城市PM2.5污染产生重要影响。从直接效应方面分析，技术创新和经济发展对本地PM2.5污染的作用系数值分别为−1.079、−0.648，说明技术创新和经济发展对于本地PM2.5污染有着显著的抑制作用，可以作为治理黄河流域PM2.5污染的关键因素。
其次，工业规模的扩大加剧了区域内PM2.5污染，究其原因在于黄河流域目前工业规模与人口耗能较大。从间接效应来看，城市技术创新和经济发展变量对周边地区PM2.5污染的作用系数值分别为−3.512、−3.097，说明本地技术创新和经济发展提升对于周边邻近城市PM2.5污染起着十分明显的抑制作用;同样地，由于城市人口规模增大会导致污染排放增多，从而加剧周边邻近城市的PM2.5污染程度。与SO2不同的是，工业规模对于邻近城市的PM2.5污染产生显著的促进作用，其可能原因在于国家对于工业企业的SO2排放有着严格的限制，而PM2.5污染的影响因素更加复杂多样化，工业企业生产过程中产生的烟尘颗粒等均会通过扩散加剧邻近地区的PM2.5污染。
3.3 稳健性检验
3.3.1基于自变量滞后一期的检验为了保证研究的结论具有可靠性，本文还对模型所有解释变量进行了滞后一期数据的稳健性检验。结果表明，技术创新与本地工业SO2显著正相关，但会使PM2.5质量浓度相应下降0.869个单位，说明技术创新显著抑制了PM2.5的排放;除此之外，人口规模与空气污染在5%水平下显著正相关，说明考虑空间因素的情况下，黄河流域城市人口规模总体上会显著促进空气污染，与前文结论一致，其他影响因素的回归结果与上述主回归结果仍保持基本一致，之前的结论依旧成立。
3.3.2黄河流域东中西分地区的异质性分析本文对黄河流域东中西三大地区进行OLS分组回归，结果表明产业结构高级度、技术创新、能源效率、人口规模、经济发展水平等因素依然与空气污染显著相关。在不考虑空间效应的情形下，虽然产业结构、技术创新、人口规模、经济发展等变量仍是工业SO2污染的重要因素，但作用方向发生了一定的变化。
对于PM2.5而言，无论是东中西地区，人口规模都会加剧本地污染程度，而工业规模因素仅在东部地区与PM2.5排放正相关，进一步验证了工业集聚规模越大，PM2.5污染排放越严重的现实。另外，经济发展对东中部地区PM2.5污染产生显著的促进作用，说明黄河流域东中部地区仍需要加大对PM2.5污染的治理力度。总体而言，东中西分样本的OLS回归结果与上述主回归结果存在一定的差异，这也说明了在研究黄河流域空气污染成因时不能忽略空间效应。
4结论与启示
4.1 结论
1)黄河流域空气污染存在显著的集聚关联特征，相比于SO2污染，PM2.5污染的分布范围更广、空间关联性更强。黄河流域工业SO2和PM2.5污染从东南至西北方向呈现梯度递减的集聚格局，全局Moran’sI值稳定在0.21以上，中东部地区工业SO2污染呈现连绵集聚态势;而PM2.5污染主要集聚于黄河流域东部地区，但中西部地区也呈现局部集聚现象，全局Moran’sI值稳定在0.78以上，故其空间关联性更强。
2)2008—2017年，黄河流域工业SO2和PM2.5污染程度均有所缓解，其中PM2.5仍是黄河流域重要的空气污染源。10a间，工业SO2地均排放强度快速下降，且位于中高和高污染等级的城市数量也从50个缩减到2个;而2017年PM2.5污染程度处于中高和高等级的城市仍有44个，占比达44%，相比于2008年仅减少了26个城市，PM2.5仍是黄河流域主要的空气污染源。
3)产业结构、技术创新、能源效率、经济发展、工业规模等是引起黄河流域本地空气污染的主要因素，且其对本地工业SO2和PM2.5污染的影响存在差异。从直接效应来看，产业结构高级度、技术创新、经济发展加剧了本地SO2污染的排放强度，而技术创新、经济发展能够抑制本地PM2.5浓度上升。另外，能源效率的提升能够抑制本地工业SO2污染，而工业规模的扩大则会引起本地PM2.5污染。
4)技术创新、人口规模、经济发展、工业规模等能通过间接效应影响邻近地区的空气质量，且其对邻近城市工业SO2和PM2.5污染的影响存在差异。技术创新能力提升均能抑制周边城市的工业SO2和PM2.5污染，而城市人口规模作用方向正好相反。另外，PM2.5的影响因素更加复杂多样化，经济发展水平的提高能够抑制周边城市PM2.5污染，而工业规模的扩大则是引起PM2.5污染的主要原因之一。
4.2 政策启示
1)提升技术创新，优化产业结构是缓解黄河流域空气污染的关键抓手。由于存在技术创新的“回弹效应”，技术创新和大气污染一般呈“U”型关系[31]。对于黄河流域来说，应进一步强化技术创新能力，当其跨过“U”型拐点进入右侧发展阶段，将有助于大气环境的改善。另外，针对黄河流域中西部地区能源型产业比重高[32]、东部区域资本密集型产业规模大等造成的空气污染难题，应加快推动产业结构的转型升级，充分运用技术创新改造传统污染密集型产业。
2)相比于工业SO2污染，应重点加强对黄河流域PM2.5污染的联防联控治理。根据中国2016年1月1日正式实施的《环境空气质量标准》(GB3095-2012)规定，居住区、工业区和农村地区等二类环境空气功能区的PM2.5年质量浓度限值为35μg/m3[33],而2017年黄河流域仍有32个城市的PM2.5年浓度大于这一限值。
参考文献(References)：
陆大道,孙东琪.黄河流域的综合治理与可持续发展[J].地理学报,2019,74(12):2431-2436.[LuDadao,SunDongqi.DevelopmentandmanagementtasksoftheYellowRiverBasin:Apreliminaryunderstandingandsuggestion.ActaGeographicaSinica,2019,74(12):2431-2436.][1]
习近平.在黄河流域生态保护和高质量发展座谈会上的讲话[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]
胡志强,苗长虹,袁丰.集聚空间组织型式对中国地市尺度工业SO2排放的影响[J].地理学报,2019,74(10):2045-2061.
[HuZhiqiang,MiaoChanghong,YuanFeng.ImpactofindustrialspatialandorganizationalagglomerationpatternsonindustrialSO2emissionsofprefecture-levelcitiesinChina.ActaGeographicaSinica,2019,74(10):2045-2061.][4]
王振波,梁龙武,王旭静.中国城市群地区PM2.5时空演变格局及其影响因素[J].地理学报,2019,74(12):2614-2630.
[WangZhenbo,LiangLongwu,WangXujing.Spatio-temporalevolutionpatternsandinfluencingfactorsofPM2.5inChineseurbanagglomerations.ActaGeographicaSinica,2019,74(12):2614-2630.]
作者：滕堂伟，谌丹华，胡森林
转载请注明来自发表学术论文网：http://www.fbxslw.com/jjlw/28556.html
