旅游活动强度变化下旅游地大气PM2.5浓度响应研究

彭立平,黄毅∗,郑凯莉

(1吉首大学数学与统计学院,湖南 吉首 416000;2吉首大学旅游与管理工程学院,湖南 张家界 427000)

0 引 言

随着居民生活水平的不断提升,居民生活、休闲消费等方式也在不断发生变化。目前,康养旅游成为居民休闲生活的一部分,而景区过度的旅游开发与活动可能会对环境产生不可逆的影响[1,2],良好的生态环境是旅游业的核心竞争力,是旅游业可持续发展的必要条件。但在当前大众旅游兴起时代,旅游环境污染问题愈加严重,其中自然风景区的大气污染问题尤为严重。

旅游景区的开发以及旅游活动的强弱都影响着景区的生态环境[3],在进行旅游目的地选择时,越来越多的人开始关注旅游地的空气质量[4]。优美的环境给游人带来极大的精神愉悦,如果旅游景区环境质量差,空气污染严重,会直接降低这种愉悦的体验,而这又势必会损害旅游景区在人们心中的优美形象,更进一步会导致旅游人次下降,对当地旅游业发展产生一定的阻碍[5]。同时,旅游业的发展会导致景区人为活动增加,污染物排放源增多,旅游活动已经成为影响景区空气质量的重要因素[6]。因此,如何协调旅游发展和大气污染控制,确保旅游景区所在地经济的可持续发展,已经成为政府及景区管理部门的核心问题。

目前,已有文献主要从两方面探讨大气污染与旅游活动的相关性。一方面是空气污染如何对旅游业造成影响。Huang等[7]通过对中国18个主要省份空气污染强度和入境旅游的相关性进行分析,发现二者存在负相关,空气污染上升,入境旅游需求下降。刘嘉毅等[8]通过SYS-GMM与GIS法,对2001–2015年中国大陆31个省区空气污染和入境旅游的面板数据进行分析,发现空气污染对入境旅游有明显的负影响,污染程度越高,二者负影响效应越强。Deng等[9]对大气污染气体排放与入境旅游的相关性进行研究,发现大气污染气体排放与入境游客人数存在负相关,同时也强调各地区之间存在空间相关性。彭建等[10]通过调查问卷分析发现,持续雾霾下,北京国内旅游需求减弱。Chen等[11]在研究中国台湾日月潭旅游人次与空气质量关系的过程中,明确指出旅游业是造成空气污染的关键因素之一,空气质量每恶化一天,台湾日月潭旅游人数减少25725人。另一方面是旅游业如何影响空气质量。Saenz-de-Miera等[12]对西班牙马略卡旅游活动强弱和PM10浓度的关系进行探索,发现旅游活动强弱关系到PM10浓度的高低。Katircioglu等[13]将CO2排放与旅游相结合来研究,发现旅游业与CO2存在长期关系,因此认为旅游业的过度发展会导致环境恶化。我国也有类似研究,乔雪[14]等通过对我国著名景区九寨沟大气中TSP和水溶性无机离子的监测,发现旅游活动明显增加了空气中相关离子的含量,表明旅游活动已经对九寨沟的大气环境产生了影响。

如上所述,现有的文献探讨了旅游与大气污染之间的关系,但大都是基于线性模式下的统计模型。而大气污染是一个开放的耗散系统,其所受因子众多,且各因子间存在非线性作用,大气污染物浓度的变化往往表现出复杂的非线性特征[15]。对于旅游景区大气PM2.5浓度与旅游活动之间相互关系的研究,传统的线性统计模型无法去除序列内的自相关性,也无法识别由于外在趋势所导致的伪相关现象,所以就无法有效地描述旅游与空气污染之间复杂的相关性。多重分形作为复杂性科学中非线性方法的一种,通过对大气PM2.5浓度和旅游人次,对不同时间尺度的演化特征进行分析,能够有效识别大气PM2.5污染物和旅游人次间的交叉相关性。多重分形去趋势波动交叉相关分析法以不同时间尺度,对两个非平稳时间序列之间的相关性进行度量。目前,已有相关研究[16,17]表明主要空气污染物在演化过程中表现出复杂的多重分形特征,同时李文勇等[18]研究了汶川大地震前后4年的九寨沟国内外游客时序波动趋势,发现九寨沟旅游人次表现出多重分形特征。

本文利用MF-DFA和MF-DCCA方法探讨生态旅游城市大气PM2.5浓度和旅游人次的分形特征,从分形角度分析生态旅游城市大气PM2.5浓度和旅游人次间复杂的时空演变规律。同时对旅游淡旺季的交叉相关性特征进行研究,揭示旅游活动强度变化对大气污染物浓度演化{xi}、{yi}的内在影响规律,以期加深人们对旅游活动与大气环境交叉相关性的理解,为生态旅游城市大气污染的控制提供新途径,同时为旅游业的可持续发展提供科学依据。

1 研究方法

1.1 交叉相关性检验函数

1.2 多重分形去除趋势波动分析法

4)计算整个序列的q阶降趋势方差函数

5)q为广义Hurst指数h(q)的阶数,对于每一个确定的q值,存在幂律关系Fq(s)∝sh(q),作出Fq(s)与s在双对数下的函数关系图。当h(q)是一个固定的常数,此时研究对象为单一分形;当h(q)随着q发生变化,表明研究对象在局部有非均匀结构存在,其对应的时间序列为多重分形。如果h(q)>0.5,说明该时间序列具有长期持续性的特征,即过去的波动行为会正向影响未来一段时间的波动行为;如果h(q)<0.5,则是一种负向影响,即过去的波动行为会反向影响未来一段时间的波动行为。

6)根据h(q)求出多重分形质量指数τ(q)=qh(q)−1。

7)结合Lengendre变换,得到奇异指数α和多重分形谱 f(α),其表达式分别为

一般而言,α−f(α)形状为开口向下的抛物线,该形状蕴含了研究数据的相关统计特征。奇异指数α表示数据的奇异程度,奇异指数的宽度Δα=αmax−αmin描述了多重分形的强度,Δα越大,多重分形特征越强。而Δf=f(αmin)−f(αmax)则反应了时间序列演化过程中位于波峰波谷的比重。当Δf>0时,表明时间序列在演化过程中大概率出现较大的数值,有上扬的趋势;当Δf<0时,表明时间序列在演化过程中大概率出现较小的数值,有下降的趋势。

1.3 多重分形消除趋势交叉波动分析方法

为研究不同时间尺度上两组时间序列的关联性,2008年Zhou[20]提出了多重分形消除趋势波动交叉分析法。具体步骤如下:

1)根据时间序列{x(t)}和{y(t)},生成累积离差序列X(t)、Y(t),其表达式分别为

2)将时间序列{x(t)}、{y(t)}分割成Tm=int(T/m)个子区间,m为每个子区间的长度。但由于T可能不是m的整数倍,所以在倒序再次进行划分,最终得到2Tm个子区间。

4)对每个子区间进行降趋势处理,得到降趋势协方差,即

5)整个样本的q阶降趋势协方差函数计算公式为

6)如果两序列之间存在交叉幂律关系,则标度关系满足Fq(m)∝mH(q)。当q=2时,H(q)为广义Hurst指数,常用来表征两组序列之间的长期相关性。即H(q)>0.5时,表明两组时间序列间具有正向的相关性,并在一定时间尺度上持续存在。H(q)与τ(q)的关系如同MF-DFA方法中的步骤5)、6)、7),进而可以得到两组时间序列交叉相关性的多重分形谱参数。

2 数据来源与分析

以2015年1月1日–2017年12月31日张家界市PM2.5浓度和到张家界的旅游人次为研究对象。PM2.5浓度数据源自全国空气质量实时发布平台,张家界市共设有4个站点:袁家界(武陵源风景区内)、未央路(景区附近)以及处在市区的永定新区和电业局(邻近天门山风景区),具体位置见图1。张家界旅游资源丰富,深受国内外游客喜爱,是以发展旅游业为特征的省辖地级市,武陵源风景区和天门山景区是核心景点(邻近空气监测站点)。用这两个核心景区的日进园人次(数据来源于张家界市文化与旅游局)求和,来反应张家界市旅游活动的强弱。由于两个景区相距不到35 km,所以PM2.5浓度采用整个研究区域的均值。研究时段内张家界大气PM2.5浓度与旅游人次详情见图2。

图1 大气监测站点及景区分布图Fig.1 Distribution map of air monitoring stations and main scenic spots

图2 张家界市PM2.5浓度(a)和旅游人次(b)示意图Fig.2 Diagram of PM2.5concentration(a)and tourist trips(b)in Zhangjiajie City

表1给出了PM2.5浓度序列与旅游人次序列的统计特征。由表可知,张家界市旅游平均人次旺季是淡季的3.12倍,相差较大。就PM2.5浓度和旅游人次的偏度和峰度而言,均偏离标准的正态分布(偏度0,峰度3),呈现出“尖峰胖尾”特征。旅游淡季PM2.5浓度的均值和变异系数大于旅游旺季,这说明旅游淡季PM2.5浓度更高,变化范围更大,不稳定性更强,可能是由于在旅游淡季(冬季时段),当地习惯烤火取暖导致。而旅游人次的变异系数在旅游淡季最高,达到0.74,这与当前兴起的春节旅游有关。张家界市在春节假期期间的旅游人次会有一个小高峰,从而致使旅游人次数据上升,数据波动范围更大。

表1 PM2.5浓度序列与旅游人次序列的统计特征Table 1 Statistical characteristics of PM2.5concentration and tourist trips

3 结果分析与讨论

3.1 张家界大气PM2.5浓度与旅游人次交叉相关性检验结果分析

运用交叉相关检验函数计算张家界市旅游人次和大气PM2.5浓度序列之间的相关统计量。图3给出张家界市PM2.5浓度与旅游人次间的交叉相关统计量Qcc(m)对m的双对数图以及显著水平为5%情况下的卡方分布的临界值。交叉相关检验统计量均大于5%水平下卡方分布临界值。因此,拒绝原假设,表明张家界市PM2.5浓度序列与旅游人次间的相关性长期持续存在。

图3 PM2.5浓度与旅游人次序列的交叉相关性检验Fig.3 Cross-correlation test between PM2.5concentration and tourist trips

3.2 张家界大气PM2.5浓度与旅游人次的多重分形分析

为探讨张家界市大气PM2.5浓度与旅游人次的多重分形特征,分别进行MF-DFA分析。图4为PM2.5浓度序列和旅游人次序列的Hurst指数(a)和多重分形谱(b)图。由图可知,张家界PM2.5浓度与旅游人次的h(q)均是关于q的函数,这表明大气PM2.5浓度与旅游人次序列均具有多重分形特征。当q从−20变化到20时,张家界大气PM2.5浓度序列的h(q)由2.4递减到0.72;而张家界旅游人次的h(q)由1.85递减到0.94。h(q)值均大于0.5,说明PM2.5浓度与旅游人次序列具有长期持续性。PM2.5浓度与旅游人次序列的多重分形谱呈现上凸抛物线形状,奇异指数宽度Δα分别为1.79、1.01。可以看出张家界PM2.5浓度的多重分形特征要强于旅游人次,这可能是由于影响PM2.5浓度变化的因素较多,PM2.5浓度演化过程中大幅波动的概率较大。而旅游人次主要是受季节及节假日影响,相对而言其大幅波动的可能性较小,所以其多重分形强度要弱于PM2.5浓度序列。此外,PM2.5浓度与旅游人次序列多重分形谱两端的高度差Δf均为正值,表明张家界PM2.5浓度与旅游人次序列在变化过程中更大可能处于较高数值,有上升趋势。

图4 PM2.5浓度和旅游人次序列的Hurst指数(a)和多重分形谱(b)Fig.4 Hurst index(a)and multifractal spectrum(b)of PM2.5concentration and tourist trips

3.3 张家界大气PM2.5浓度与旅游人次的交叉相关性分析

为探究张家界大气PM2.5浓度与旅游人次二者之间如何相互影响,利用MF-DCCA对张家界大气PM2.5浓度变化与旅游活动强弱变化的相关性进行研究。图5为张家界PM2.5浓度与旅游人次时间序列的Hurst指数(a)和多重分形谱(b)图。由图可知,张家界大气PM2.5浓度与旅游人次交叉相关性的h(q)随q的增大而逐渐减少,表明张家界市大气PM2.5浓度序列和旅游人次间的相关性不是随机的,而是以幂律形式随时间衰减,是一种具有非线性、复杂的多重分形特征。当q从−20变化到20时,h(q)由1.35降到0.77,均大于0.50,表明张家界市大气PM2.5和旅游人次间存在长期持续性特征,意味着在某一时间尺度上,旅游人次的增加(下降)会导致未来一段时间PM2.5浓度的增加(下降)。这种相互关系,从复杂理论视角可以解释为大气PM2.5浓度对旅游活动强度变化的依赖性。此外,大气PM2.5浓度与旅游人次序列相关性的α−f(α)曲线呈现上凸抛物线形状,多重分形谱两端高度差Δf为正值,说明张家界市大气PM2.5污染物在旅游活动影响下,更大概率向高浓度数值演化,具有上升趋势。

图5 张家界PM2.5浓度和旅游人次交叉相关性的Hurst指数(a)和多重分形谱(b)Fig.5 Hurst index(a)and multifractal spectrum(b)of cross-correlation between PM2.5concentration and tourist trips in Zhangjiajie City

3.4 旅游强度变化下张家界大气PM2.5浓度与旅游人次的交叉相关性分析

旅游活动变强,会使得航班班次增加,城市出租车、公交车、旅游大巴等交通工具使用频率增大,城市交通阻塞概率加大,汽车怠速的可能性增加,导致尾气排放增多。旅游活动强弱变化直接导致PM2.5污染源变化,进而致使大气PM2.5浓度发生变化。张家界市旅游淡旺季分明,旺季平均旅游人次是淡季的3.12倍,为此对不同旅游强度下张家界市大气PM2.5浓度与旅游人次的交叉相关性进行分析。

根据张家界市政府公布的淡旺季时段,选取2016年11月–2017年3月为旅游淡季,2017年5–9月为旅游旺季,并对各时段内大气PM2.5浓度与旅游人次的交叉相关性进行分析,结果如图6所示。由图6(a)可知,h(q)是关于q的减函数,表明不同旅游强度下,张家界大气PM2.5浓度与旅游人次的交叉相关性存在明显的多重分形特征;q=2时,所有的h(q)>0.5,说明旅游强度变化,并不影响大气PM2.5浓度与旅游人次相关性的长期持续特征,即在一定时间尺度上,过去一段时间旅游活动的加剧会导致未来一段时间内大气PM2.5浓度的增加。

图6 不同旅游强度下张家界PM2.5浓度和旅游人次交叉相关性的Hurst指数(a)和多重分形谱(b)Fig.6 Hurst index(a)and multifractal spectrum(b)of cross-correlation between PM2.5concentration and tourist trips in Zhangjiajie City under different tourism intensities

图6(b)为不同旅游强度下旅游人次的多重分形谱图,从图中可知旅游淡季奇异指数Δα为0.41,小于旅游旺季0.93,旅游旺季大气PM2.5浓度与旅游人次相关性的多重分形强度强于旅游淡季。表明在旅游旺季期间,旅游活动越强,大气PM2.5浓度的波动范围更大,由此可推断,旅游旺季旅游活动可能是影响张家界市大气PM2.5浓度变化的主要因素。旅游淡季多重分形谱两端高度差Δf为负值,表明在旅游活动影响下,旅游淡季大气PM2.5浓度出现低浓度值的概率要大于出现高浓度值的概率,有下降趋势。而旅游旺季多重分形谱两端高度Δf为正值,说明在旅游旺季,张家界市大气PM2.5浓度在旅游活动影响下,倾向于处于较高浓度值,有上升趋势。造成这种差异的原因可能是旅游旺季,旅游过程中吃、穿、住、行、游玩等活动增加,会使得大气中PM2.5浓度变化较大,因此大气PM2.5浓度更多受到旅游活动影响。而在旅游淡季,大气PM2.5浓度虽受到旅游活动影响,但是受气象条件以及居民取暖方式的影响更大,二者作用机制不一样。

3.5 后向轨迹分析

前文利用MF-DCCA方法探讨了张家界旅游活动与大气PM2.5污染物演化的相关性,并就不同旅游活动强度变化下大气PM2.5浓度的响应机制进行了分析。然而,自然景区的大气环境不仅受到旅游活动影响,也有可能受到污染物长距离输送影响,导致空气质量下降[14,21]。因此,有必要对张家界市大气PM2.5的空间来源进行探索。

运用后向轨迹模型对旅游淡季(2016年11月–2017年3月)和旅游旺季(2017年5–9月)抵达张家界市的气团进行模拟。将模型轨迹起始时间设置为每日00:00(UTC),初始高度定为500 m,模拟过去3天内到达张家界市(29.13°N,110.47°E)的气团输送轨迹。并将得到的模拟轨迹进行聚类分析,对同类的轨迹取平均,最终得到4簇气团输送轨迹。将气团输送距离定义为输送带起点与张家界市(29.13°N,110.47°E)两点之间的欧式距离,并根据输送距离大小,将气团输送轨迹分为本地气团输送(L型:d>100 km)、城市间相互输送(R型:100 km300 km)。后向轨迹模拟聚类见图7,张家界市旅游淡旺季下不同类型轨迹所占比例及输送类型见表2。

由图7及表2可知,旅游淡季期间,来自200 km左右宜昌市的城市间输送占比76.9%。而扩散性较好的远距离输送分两个方向,一个为占比13.4%的西北新疆-青海方向,一个为占比9.7%的西南印度方向。在旅游旺季期间,近距离本地气团输送和远距离输送分别占比为51.3%和48.7%。远距离输送在三个方向分别为:南方沿海(23.2%),河南山东方向(24.5%)和西北新疆-青海方向(1%)。

图7 不同旅游强度下张家界后向轨迹聚类图Fig.7 Backward trajectory clustering diagram of Zhangjiajie City under different tourism intensities

表2 各输送带出现的频率、距离及类型Table 2 Frequency,distance and transport type of each cluster

张家界后向轨迹模拟结果表明,张家界市大气PM2.5污染物主要受输送距离<300 km的气团(本地气团、邻近城市间气团)影响,而西北、华北等灰霾严重区域输送气团所占比例较小。考虑到张家界的特殊地理位置以及经济发展情况,森林覆盖率高,工业发展较落后,工业污染排放较少,整体大气PM2.5浓度不高;再加上气团输送过程中,受植被吸附、高山阻挡以及沉降等作用的影响,外来输送气团PM2.5污染物含量有所下降。因此,本地人类活动是张家界市大气PM2.5污染物的主要影响因素,而张家界辖区内无重工业,旅游经济收入占其GDP的80%左右,旅游业是支柱产业。正常情况下(特殊节假日),旅游活动强弱反映了经济发展中张家界市人民的社会生产活动,而这从侧面验证了旅游活动是张家界市大气PM2.5污染物的影响因素。

4 结 论

张家界市由于其独特的地貌,多年来获得了国内外游客的诸多好评。近些年来,由于人民生活质量的提升、消费观念的改变以及交通的便捷性,使得更多游人选择来张家界旅游观光,致使局地范围内污染排放增多。在外来输送污染物影响很小的情况下,较小且相对封闭的空间内,旅游活动强弱变化会对大气PM2.5浓度变化产生影响。基于多重分形理论与方法,分析不同旅游活动强度变化下张家界大气PM2.5浓度变化情况,得到以下结论：

1)由MF-DFA分析可得,张家界市大PM2.5浓度与旅游人次均表现出非线性、复杂的多重分形特征,且大气PM2.5浓度的多重分形特征强于旅游人次,同时它们在演化过程中具有长期持续性。

2)根据MF-DCCA分析结果,在整个时间尺度上,张家界市大气PM2.5浓度与旅游人次的广义Hurst指数h(q)由1.35降到0.77,均大于0.5,这说明张家界市大气PM2.5浓度与旅游人次的相互关系具有非线性及长期持续性的多重分形特征。

3)旅游活动强度变化下,旅游旺季张家界市大气PM2.5浓度与旅游人次相关性的多重分形特征强于旅游淡季,表明旅游旺季张家界市大气PM2.5浓度变化受到旅游活动影响较大。换而言之,张家界市旅游活动加强,大气PM2.5浓度演化有上升的趋势,旅游活动强度下降,大气PM2.5浓度演化则会有所下降。

4)后向轨迹结果表明张家界旅游淡旺季期间,主要受城市间气团输送和本地气团输送的影响,而灰霾重灾区的西北、华北输送气团所占比例较小。辖区范围内及周边城市无大型重工业,植被覆盖率高,所以外来输送气团是较为清洁的气团,因此张家界大气PM2.5浓度主要源于本地污染源排放,验证了旅游活动是影响张家界市大气PM2.5浓度变化的主要因素。