中美大气污染的空间交互影响

刘华军 王耀辉 雷名雨

摘要 准确识别中美大气污染的空间交互影响可以为两国在大气污染治理领域开展双边合作提供科学依据。以PM2.5浓度表征大气污染程度，采用收敛交叉映射（Convergent Cross Mapping， CCM）方法，在采集伯克利地球发布的小时数据的基础上通过算数平均得到2018年1月1日至2018年12月31日的PM2.5浓度日均数据，从国家和城市两个层面识别了中美大气污染的空间交互影响。研究发现，中美两国的大气污染是空间交互影响的。其中，国家层面，在CCM因果检验基础上的广义同步检验表明，在1%显著性水平上，大气污染仅存在由美国指向中国的单向因果关系。城市层面，中美两国10个样本城市之间理论上共存在50個可能的因果关系（5×5×2）。研究发现，在1%显著性水平上，美国城市指向中国城市的因果关系有12个，而中国城市指向美国城市的因果关系仅有5个。在影响强度上，美国城市的大气污染对中国城市的影响强度高于中国城市的大气污染对美国城市的影响强度，如重庆的大气污染对华盛顿的影响强度为0.21，而华盛顿的大气污染对重庆的影响强度为0.35。面对大气污染的空间交互影响，中美两国可通过积极开展联合科研攻关，厘清大气污染的传输路径及其驱动因素，进行污染物的联合监测与数据管理;通过共享大气污染治理技术和建立大气污染防治基金等方式，加强在大气污染治理领域的合作。一旦中美两国成功建立起大气污染双边合作治理体系，依靠两国的国际地位和国际影响力，必将吸引越来越多的国家参与进来共同行动，大气污染全球治理体系的构建将非常值得期待。

关键词 大气污染;空间交互影响;收敛交叉映射;中美

面对全球性大气污染，世界上没有任何一个国家和地区可以独善其身。作为世界上最大的发展中国家和发达国家，中国和美国都是构成全球大气污染系统的重要组成部分，而中美大气污染的空间交互影响也一直是科学研究的热点问题。一个基本的事实是，中国是世界上空气质量最差的国家之一，而美国的空气质量要远优于中国。因此，一种流行的观点是，在空气动力学影响下，中国的大气污染会影响美国[1-2]。当然，作为世界上两个最大的经济体，中美大气污染的空间交互影响不仅是一个学术热点，近年来也逐渐成为一个新的政治问题。在2018年11月召开的G20峰会上，美国总统特朗普在接受美国之音的采访时强调，美国的空气是“绝对干净”的，中国的“脏空气”会飘到美国。客观地讲，特朗普总统能够站在国际视角和全球高度看待大气污染问题是值得赞扬的，然而，无论是从历史责任还是从现实情况看，将美国的空气污染完全归咎于中国却是极其不负责任的。诚然，在空气动力学的作用下，当中国处于上风向，美国处于下风向时，中国的空气污染物必然会在大气环流的驱动下传输到美国。然而，一个基本的常识是，风并不总是朝一个方向吹，风向是有自身变化规律的，而且风向的变化不以人的意志为转移。尽管特朗普总统说美国的空气绝对干净，但这也并不意味着美国的空气中没有污染物。一旦美国处于上风向，中国处于下风向时，美国的空气污染物自然而然地也会飘到中国。退一步讲，即使没有风，国际贸易等经济活动也会对大气污染的跨界传输产生重要影响[3]。

作为大气污染的首要污染物和全球主要健康隐患[4]，以PM2.5浓度为代理变量识别中美大气污染的空间交互影响，不仅可以加深对大气污染空间交互影响的认识，而且能够为中美两国在大气污染联合治理领域开展双边合作提供科学依据。如果世界上最大的两个经济体在大气污染治理上能够携手合作，那么全球大气污染治理体系的建立将非常值得期待。

1 文献综述

理论研究表明，大气污染在自然因素和社会经济因素的共同驱动下，会产生空间交互影响[1，3，5]。有关大气污染空间交互影响的经验研究主要从物质流和信息流两类视角展开。从物质流视角，研究者通常采用空气质量模型对空气污染物的物质传输过程进行仿真模拟[5-6]，这为大气污染的跨界传输提供了强有力的物理学证据。受模型和方法的限制，空气质量模型仅能模拟自然因素对大气污染跨界传输的影响，而且空气质量模型必须要借助复杂的模型和大量参数，很难以低成本的方式考察大范围大气污染的空间交互影响。与物质流视角不同，信息流认为大气污染数据包含了大气污染程度及其影响因素的全部信息[7]，且随着空气质量监测技术的快速发展，地面监测站点和监测范围也不断增加和扩大，大气污染监测数据的可得性大大提高，为单纯利用监测数据考察中美大气污染的空间交互影响提供了便利。大量经验研究从信息流视角实证考察大气污染的空间交互影响，早期的研究主要采用相关系数或空间相关系数考察大气污染的空间相关性和空间依赖程度[8]。然而，相关并不等于因果，相关分析无法判断不同地区大气污染之间是否存在因果关系，更无法识别因果传导的方向。为了克服相关分析的局限，研究者转而采用因果推断来识别交互影响。作为因果检验的主流分析方法，近年来，格兰杰因果检验在大气污染的空间交互影响研究中开始得到应用[9-10]。格兰杰因果检验适用于强耦合变量，然而随着研究范围和样本之间地理距离的不断扩大，大气污染之间的耦合程度会随之降低，此时格兰杰因果检验不再适用。最后，需要指出的是，空气质量模型和格兰杰因果检验方法都是基于模型驱动的，而自然系统中的变量并非简单地关联在一起，试图通过方程为自然系统建模是荒唐的[11]。为此，Sugihara等[11]从非线性动力学视角出发，基于嵌入理论和状态空间重建技术（State Space Reconstruction， SSR）[12]，提出了数据驱动的收敛交叉映射方法（Convergent Cross Mapping， CCM），成功实现了因果推断技术从模型驱动向数据驱动的转变，为从信息流视角识别中美大气污染的空间交互影响提供了更加科学的研究方法。

综合已有研究可以看出：第一，PM2.5作为大气污染的主要污染物，极易发生扩散和远距离传输。然而，已有文献考察的重点多放在臭氧、氨气和其他空气污染物上，鲜有文献考察PM2.5的空间交互影响。第二，已有研究采用的方法大都是模型驱动的，而数据驱动的收敛交叉映射方法作为一种高级非参数方法可以避免模型驱动方法中固有的模型设定等问题。第三，在CCM推断因果的基础上，从广义同步现象中识别出真正的因果关系，充分考虑大气污染的非线性与弱耦合特征，有助于澄清对中美大气污染空间交互影响的认识。

2  方法与数据

2.1 方法与模型

2.1.1 CCM因果推断技术

现实世界几乎都是非线性的，非线性系统中的变量具有不可分离性，而且呈现出不稳定相关和弱耦合特征，如何通过可靠的因果推断技术准确探究弱耦合时间序列之间的因果关系成为诸多科学领域面临的共同挑战。对此，Sugihara等[11]基于嵌入理论和SSR，提出了收敛交叉映射方法。根据嵌入理论，在非线性动力学系统中，时间序列变量包含了该系统的全部信息。如果两个变量X和Y是动态耦合的，那么在拓扑学性质上，它们将在e维空间上共享吸引子流形M（Attractor Manifold）。在SSR技术的支持下，利用X和Y的滞后坐标可以重建流形MX与MY，它们也被称为影子流形（Shadow Manifold）。如果变量X与Y同属一个动力学系统，则影子流形MX、MY与吸引子流形M就是微分同胚的。因此，如果MY上附近的点能够精准识别MX上附近的点，那么变量X就是变量Y的原因（X→Y）。有关CCM的详细算法请参考文献[11]～[13]。

2.1.2 拓展的CCM方法

CCM因果推断技术受到广义同步现象影响时，可能会将很强烈的单向因果识别为双向因果。例如，当“变量X是变量Y的原因（X→Y），但变量Y不是变量X的原因（Y/→X）”时，广义同步现象表现为Y的变化完全由X主导，以至于这种强烈的单向因果会被CCM错误地识别为双向因果。因此，需要通过拓展的CCM方法对双向因果进行广义同步检验。Ye等[14]提出拓展的CCM方法认为，因果关系的产生不是瞬时的，存在一定滞后，因此可以通过比较映射滞后阶数的正负来识别真正的因果关系。如果“变量X是变量Y的因（X→Y）”，即Y能够更好地预测X的历史值，那么最优的预测能力将对应一个非正的映射滞后阶数;当“变量Y不是变量X的因（Y/→X）”时，广义同步现象的存在使Y将更准确地预测X的将来值，此时最优滞后阶数为正值。

2.2  样本选择与数据来源

全球化与世界级城市研究小组与网络（GaWC）以高级生产性服务业在各城市中的分布情况为标准，制定并发布系统、权威的世界城市排名。根据GaWC发布的2018全球城市排名，在中国和美国分别选择5个人口和经济比较集中的城市作为研究样本，分别是北京、上海、广州、重庆、天津、华盛顿、纽约、洛杉矶、芝加哥和休斯顿。作为大气污染的首要污染物，PM2.5已经成为主要的全球健康隐患[4]，因此，以PM2.5浓度表征大气污染程度。数据来源于伯克利地球网站，伯克利地球自2014年4月起，开始从全球数千个地面监测站点收集PM2.5浓度数据，并可以获取全球国家及城市的PM2.5地面监测时间序列数据。通过采集2018年1月1日至2018年12月31日内伯克利地球发布的PM2.5浓度的小时数据，利用算术平均得到PM2.5浓度的日均数据。

3 中美大气污染的空间交互影响

3.1 数据特征与参数选择

CCM是一种适用于非线性动力系统的因果推断方法，因此在使用该方法之前需要对数据的弱耦合与非线性特征进行检验。经过计算，中美之间PM2.5時间序列的相关系数均未超过0.3，这说明中美之间的大气污染是弱耦合的。同时为了对中美大气污染的非线性特征进行检验，将滚动窗口技术与相关系数相结合计算了中美PM2.5的滚动窗口相关系数。结果表明，滚动窗口相关系数呈时高时低，时正时负的不稳定相关现象，而不稳定相关正是非线性系统的重要特征[11]。在验证了中美大气污染的弱耦合和非线性特征之后，仍需要对CCM的关键参数进行遴选。尽管CCM的结果对参数的选择并不敏感[15]，但是出于严谨性考虑，分别采用平均互信息法[16]和平均伪邻近点法[17]确定时间滞后（τ）和嵌入维度（e）。限于篇幅，相关结果并未在文中报告。

3.2 国家层面的考察

根据CCM方法的基本原理，如果中美大气污染存在因果关系，那么随着数据库长度L的增加，预测能力ρ将会逐渐收敛于一个峰值，而在数据库长度L最大时，对应的预测能力可以用来衡量中美之间大气污染空间交互的强度[15]。如图1所示，不管是美国的大气污染对中国的预测能力，还是中国的大气污染对美国的预测能力，都随着数据库长度的增加呈现出明显的收敛态势，且均在1%显著性水平下通过了统计检验，这说明中美两国大气污染是空间交互的，而且在影响强度上，美国的大气污染对中国的影响强度（0.76）略高于中国的大气污染对美国的影响（0.73）。

值得注意的是，受到广义同步现象的影响，非常强烈的单向因果关系会被CCM错误地识别成双向因果关系，因此对于CCM识别出来的双向因果，需要根据拓展CCM方法将广义同步与真实的双向因果进行区分，图2报告了相关结果。在中国影响美国这一因果方向上，最高的预测能力对应的映射滞后阶数为3，映射滞后阶数为正说明对于中美大气污染的空间交互影响而言，在中国影响美国这一方向上不存在因果关系;而在美国影响中国这一方向上，最优的映射滞后阶数为-8，映射滞后阶数为负，说明美国大气污染影响中国大气污染这一因果关系是真实的。综上所述，广义同步现象使中美大气污染的空间交互影响被错误地识别成双向的，而事实上只存在美国的大气污染影响中国的单向因果关系。

3.3 城市层面的考察

与国家层面相同，识别城市层面的大气污染空间交互影响同样需要使用拓展的CCM方法从广义同步中识别出的真正的因果关系，限于文章篇幅，文中并未报告相应的结果细节，只报告了识别广义同步之后中美大气污染空间交互影响的最终结果，如图3所示。

理论上，从中国城市到美国城市的因果关系有25（5×5）个可能的因果关系，反之亦然。从因果关系的数量来看，不同显著性水平下，美国城市的大气污染影响中国城市的因果关系数量总是多于中国城市的大气污染影响美国城市的因果关系数量。例如，在1%统计显著性水平上，中国城市的大气污染影响美国城市的因果关系有5个（北京→洛杉矶，上海→洛杉矶，广州→华盛顿，广州→洛杉矶，重庆→华盛顿），而美国城市的大气污染影响中国城市的因果关系有12个（华盛顿→上海，华盛顿→重庆，纽约→北京，纽约→上海，纽约→广州，纽约→重庆，芝加哥→上海，芝加哥→重庆，休斯顿→北京，休斯顿→上海，休斯顿→广州，休斯顿→重庆）。从影响强度看，美国城市的大气污染影响中国城市的强度一般要略高于中国城市的大气污染对美国城市的影响强度。例如，重庆的大气污染对华盛顿的影响强度为0.21，而华盛顿的大气污染对重庆的影响强度为0.35。综上所述，美国城市的大气污染影响中国城市的因果关系不仅在数量上大于中国城市的大气污染影响美国城市的因果关系，而且在影响强度上也基本都高于中国城市的大气污染影响美国城市的强度。

4 结论与政策建议

在CCM推断因果的基础上，识别广义同步中真正的双向因果关系，从国家和城市两个层面识别中美大气污染的空间交互影响。研究发现，中美两国的大气污染是空间交互影响的，美国大气污染影响中国大气污染的因果关系不仅数量多，而且影响强度也略高于中国大气污染影响美国的强度。

中美两国在国家制度、历史文化以及经济发展阶段等诸多方面存在差异，但这并不应该成为中美合作道路上的绊脚石，中美两个国家都在大气污染治理上花费了大量的时间和精力。作为世界上第一个大规模开展PM2.5治理的发展中大国，中国在借鉴其他世界各国成功经验的基础上，立足中国特色社会主义实践，形成了“政府主导、部门联动、企业尽责、公众参与”的中国模式，在大气污染治理上取得了前所未有的成效。大气污染问题并非中国独有，美国为了应对大气污染的困扰，实施了环保立法、成立环保机构、开展州际合作以及制定排放总量与交易制度等措施，经过多年的努力，美国的空气污染治理已经取得了巨大成效。

面对大气污染的空间交互影响，中美两国应当求同存异，以构建人类命运共同体理念为指导，充分发挥自身的优势和长处，通过多种方式在大气污染治理领域建立双边合作关系，共同应对全球大气污染。首先，中美两国应积极开展联合科研攻关，厘清大气污染的传输路径及其驱动因素，进行污染物的联合监测与数据管理，加强科研机构之间的交流，为两国制定大气污染治理政策提供有力支撑。其次，通过技术转移来分享两国先进的大气污染治理技术，例如清洁能源生产技术、氮氧化物减排技术等。最后，设立大气污染联合治理基金。大气污染治理需要大量的资金支持，政府作为管理者应当在联合治理基金中发挥主导作用，企业、社会组织和个人积极参与，以确保联合科研和技术转移的所需要资金来源的稳定性。人类只有一个地球，人类文明与地球生态共生共赢。大气污染是全球性问题，中国和美国之间的合作是解决全球大气污染问题的重要保证。一旦中美两个大国在大气污染领域成功建立了双边合作体系，那么依靠双方强大的国际地位和国际影响力，全球大气污染合作体系的建立将非常值得期待。

开展中美大气污染空间交互影响的相关研究，可为中美在大气污染治理领域建立双边合作体系提供理论依据。然而，受一些客观条件的限制，该研究仍存在一定局限，主要体现在以下几个方面：在数据质量上，使用的PM2.5数据是由伯克利地球处理并发布的，一方面，伯克利地球的PM2.5数据是通过各个国家和地区的环境监测站点获取，难免存在地方官员为了政绩而谎报数据的情况[10];另一方面，为了获得连续的空气质量估算数据，伯克利地球采用克里金插值对监测数据进行了处理，但是插值之后的数据依然会存在连续噪声和估计误差。在样本城市的选择上，受限于现有的硬件设备以及CCM运行时间会随着样本量的增加而延长，为此只在中国和美国分别选择了5个经济人口都比较集中的大都市，因为这些城市受到大气污染威胁的可能性更大，更具有代表性。未来随着硬件设备的更新和算法的改进，更多的样本城市被纳入考察范圍，研究结果将会更具有说服力。在大气污染传导的具体路径上，中美之间大气污染的空间交互影响必定涉及比较复杂的传输机制。该研究只是将中美作为大气污染空间交互影响的起始点，而中间的传导机制是否包括了日本、韩国、加拿大等其他中间国家，以及是怎么通过中间国家产生大气污染的空间交互影响还有待进一步探讨。

（编辑：李 琪）

参考文献

[1]JAFFE D， ANDERSON T， COVERT D， et al. Transport of Asian air pollution to North America[J]. Geophysical research letters， 1999， 26（6）： 711-714.

[2]NGO N S， BAO X J， ZHONG N. Local pollutants go global： the impacts of intercontinental air pollution from China on air quality and morbidity in California[J]. Environmental research， 2018， 165： 473-483.

[3]ZHANG Q， JIANG X， TONG D， et al. Transboundary health impacts of transported global air pollution and international trade[J]. Nature， 2017， 543（7647）： 705-709.

[4]HEFTNEAL S， BURNEY J， BENDAVID E， et al. Robust relationship between air quality and infant mortality in Africa[J]. Nature， 2018， 559（7713）： 254-258.

[5]COOPER O R， PARRISH D D， STOHL A， et al. Increasing springtime ozone mixing ratios in the free troposphere over western North America[J]. Nature， 2010， 463（7279）： 344-348.

[6]LELIEVELD J， BOURTSOUKIDIS E， BRUHL C， et al. The South Asian monsoonpollution pump and purifier[J]. Science， 2018， 361（6399）： 270.

[7]LIU H， DU G， LIU Y. A new approach to spatial source apportionment of haze pollution in large scale and its application in China[J]. Chinese journal of population， resources and environment， 2018， 16（2）： 131-148.

[8]劉华军， 杜广杰. 中国城市大气污染的空间格局与分布动态演进——基于161个城市AQI及6种分项污染物的实证[J]. 经济地理， 2016（10）： 33-38.

[9]刘华军， 孙亚男， 陈明华. 雾霾污染的城市间动态关联及其成因研究[J]. 中国人口·资源与环境， 2017，27（3）： 74-81.

[10]刘华军， 杜广杰. 中国雾霾污染的空间关联研究[J]. 统计研究， 2018（4）： 3-15.

[11]SUGIHARA G， MAY R， YE H， et al. Detecting causality in complex ecosystems[J]. Science， 2012， 338（6106）： 496-500.

[12]TAKENS F. Detecting strange attractors in turbulence[M]. Berlin： Springer Press， 1981.

[13]刘华军， 雷名雨. 交通拥堵与雾霾污染的因果关系——基于收敛交叉映射技术的经验研究[J]. 统计研究， 2019， 36（10）： 43-57.

[14]YE H， DEYLE E R， GILARRANZ L J， et al. Distinguishing timedelayed causal interactions using convergent cross mapping[J]. Scientific reports， 2015， 5（1）： 14750.

[15]VANNES E H， SCHEFFER M， BROVKIN V， et al. Causal feedbacks in climate change[J]. Nature climate change，2015， 5（5）： 445-448.

[16]KANTZ H， SCHREIBER T. Nonlinear time series analysis[M]. 2nd ed. Cambridge： Cambridge University Press， 2004.

[17]CAO L. Practical method for determining the minimum embedding dimension of a scalar time series[J]. Physica D： nonlinear phenomena， 1997， 110（1）： 43-50.

[18]GHANEM D L， ZHANG J J. ‘Effortless Perfection： do Chinese cities manipulate air pollution data？[J]. Journal of environmental economics and management， 2014， 68（2）： 203-225.