黄河流域PM2.5浓度时空演变及其与城镇化的关系

涂田云， 杨东阳， 苗长虹，2， 张 晗

（1.河南大学黄河文明与可持续发展研究中心暨黄河文明省部共建协同创新中心，河南开封 475001；2.河南大学地理与环境学院，河南开封 475004）

工业、机动车尾气等被认为是城市PM2.5的主要来源［1-2］，工业区、道路也被识别为城市PM2.5的主要来源区域［3-4］. Han 等［5］指出，土地利用类型中的人工地表或建设用地面积增加对环境有一定影响；也有学者认为，城市郊区的悬浮颗粒物会受城市热岛效应的影响，而向中心城区聚集［6］；作为一种大气污染物，PM2.5的传播和扩散受气象条件的直接影响［7］；而社会经济因素则影响着PM2.5来源的长期变化，进一步影响PM2.5浓度的长期趋势［8］.

城镇化转变了城乡地域系统的自然和社会经济因素. 城镇化过程中，人口聚集、工业和交通的发展、城市的空间扩张，都影响PM2.5污染源的产生，因而城镇化与PM2.5浓度的长期演变有着潜在的重要关系. 在此方面有学者对城镇化与PM2.5浓度的长期关系进行了研究，Han等［9］对2001—2006年中国城镇化与PM2.5浓度的关系进行了分析，表明城镇人口与PM2.5浓度有显著正相关关系；Yang等［10-12］探讨了PM2.5与城镇化的演变关系，指出中国城镇化与PM2.5浓度存在正相关性. 依据诺瑟姆曲线理论，城镇化在不同的发展阶段对社会经济因素的影响也有差异［13］，有研究从全球尺度和国家尺度对二者潜在的环境库兹涅茨曲线关系（EKC）进行了探讨［14-15］. 但是，区域差异的城镇化，也对PM2.5浓度格局及其演变趋势有一定程度的影响. 黄河流域横跨我国东、中、西三大经济带，区域城镇化差异显著，PM2.5浓度也具有明显的空间差异性. 高质量发展背景下，黄河流域PM2.5浓度的时空演变及其与城镇化的关系，值得进一步深入研究.

1 数据与研究方法

1.1 研究区域

选择黄河流域8 省共91 个地级市作为研究区域，探讨该区域空气中PM2.5浓度与城镇化的演变关系.黄河全长约5464 km，自西向东分别流经青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南、山东9 省区，最后流入渤海. 黄河以内蒙古托克托县的河口镇、河南省荥阳市的桃花峪为上、中、下游分界点. 由于四川省属于长江经济带，内蒙古东四盟（赤峰市、通辽市、呼伦贝尔市和兴安盟）广义上归属为东北地区［16］，故本研究将研究区域界定为黄河流经省份中的91 个地级以上城市，具体包括有青海8 市（州）、甘肃14 市（州）、宁夏5市、内蒙古8市（盟）、陕西10 市、河南18 市、山西11市、山东17市（图1）.

图1 研究区域Fig.1 Study area

1.2 数据来源

PM2.5浓度数据来源于达尔豪斯大学大气成分分析组测算的全球PM2.5浓度产品数据集（http：//fizz.phys.dal.ca/～atmos/martin/?page_id=140）. 该数据由遥感反演气溶胶结合大气化学传输模型进行估算，并基于观测站点数据，应用地理加权回归模型进行校正，具有观测时间长、观测精度高、覆盖范围广等优点［17］. 本研究选取原始空间分辨率为0.1°×0.1°，时间序列为2000—2017年的达尔豪斯大学大气成分分析组测算的PM2.5年平均浓度数据，应用ArcGIS软件分区统计工具提取出黄河流域各市年平均PM2.5浓度数据.

城镇人口（非农人口）占常住人口比重作为城镇化水平代理变量. 地级市城镇人口（非农人口）和常住人口数据（2000—2017）来自《中国城市统计年鉴》，人均GDP、建成区面积占比、民用汽车拥有量、工业烟尘排放量和绿化覆盖率数据（2000—2017）来源于中国经济社会大数据研究平台、《中国城市统计年鉴》《中国城市建设统计年鉴》和《中国区域经济统计年鉴》，部分缺失数据通过省级统计年鉴、地市统计年鉴、社会经济发展统计公告以及插值等方法进行补充.

1.3 研究方法

1.3.1 趋势分析

在时间序列的数据分析中，一元线性回归通常用于拟合观测变量与时间的线性关系，并用拟合系数即斜率（Slope）反映观测变量在一定时间内的变化趋势. 公式如下：

式中：Slope表示PM2.5浓度随时间的变化趋势；n为研究时间长度；Pi表示第i年的平均PM2.5浓度. Slope为正，表示随时间推移，PM2.5浓度呈逐渐增长趋势；Slope 为负，表示随时间推移，PM2.5浓度呈逐渐下降趋势；Slope绝对值越大，表示增长或下降趋势越大.

1.3.2 地理加权回归模型

地理加权回归是空间变系数回归方法，用以检验自变量对因变量影响的空间差异，计算公式如下：

式中：yi表示空间单元i的因变量；β0表示空间单元i的初始回归系数；(ui,vi)为空间坐标；k表示回归系数的个数；xik表示第k个自变量在空间单元i的值；βk表示第k个回归系数，它随空间单元i变化，反应自变量对因变量的空间影响；εi是空间单元i的误差项.

本研究分别以PM2.5浓度及其变化趋势为因变量，以城镇化水平为自变量，构建地理加权回归模型，探讨黄河流域城市尺度城镇化水平对PM2.5浓度及其变化趋势的影响.

1.3.3 EKC模型

二次曲线是研究环境污染与城市化（或收入水平）之间潜在EKC关系的常用经验模型，公式为：

式中：Yit代表研究单元i在t时刻所受环境污染程度；Xit代表单元i在t时刻的收入水平或经济产出；β1和β2为估计系数；εit是研究单元i在t时刻的误差项. 若β1>0，β2＜0，则环境污染随收入增加或经济发展呈现倒“U”型变化趋势；若β1＜0，β2>0，则环境污染随收入增加或经济发展呈现“U”型变化趋势.

考虑经济发展水平、城市建设、交通与工业排放等对PM2.5浓度及其与城镇化演变关系的影响，将人均GDP（PGDP）、建成区面积占比（PBuilt）、民用汽车拥有量（Vehicle）、工业烟尘排放量（Dust）和绿化覆盖率（Green）作为控制变量，构建以下模型，验证潜在的PM2.5与城镇化的EKC关系.

式中：PMit表示地级市i在第t年的PM2.5浓度；Urbit代表地级市i在第t年的城镇化率水平；Urbit2 为地级市i在第t年的城镇化率的平方；PGDP、PBuilt、Vehicle、Dust 和Green 分别表示控制变量即人均GDP、建成区面积占比、民用汽车拥有量、工业烟尘排放量和绿化覆盖率.

2 结果分析

2.1 黄河流域PM2.5浓度时间变化

2.1.1 PM2.5浓度时序演变

本研究统计了2000—2017 年黄河流域8 个省份及整个研究区域PM2.5平均浓度变化情况（图2）. 从空间分布上看，河南和山东PM2.5浓度均值始终较高且变化幅度基本相同，均高于黄河流域PM2.5平均浓度，甘肃PM2.5平均浓度始终略高于黄河流域整体水平，而内蒙古的PM2.5平均浓度始终低于黄河流域整体年均浓度，山西波动幅度小，青海、宁夏、陕西、山西与黄河流域整体浓度均值差别较小且波动方向基本相同.

图2 PM2.5浓度时间变化Fig.2 Time change of PM2.5 concentration

从时间变化上看，研究区域2000年PM2.5年均浓度值最小（35.51 μg/m3），以后持续增加，2014年达到最大（45.14 μg/m3）. 河南、山东和陕西PM2.5平均浓度均在2007 年达到年际最大值，内蒙古、甘肃、青海、宁夏和山西PM2.5均在2006 年达平均浓度最大值. 此后，黄河流域各地市PM2.5平均浓度都有所下降且呈小幅波动，2014 年青海PM2.5平均浓度再次升高（51.82 μg/m3），黄河流域及其他地市的PM2.5污染均在2013年回升，2013 年世界上空气污染最严重的城市中有2 个分布在黄河流域，即兰州和济南. 同年9 月，国务院发布了《大气污染防治行动计划》等政策后，各地市空气污染程度有所下降，但2017年又逐渐升高.

2.1.2 PM2.5浓度等级分类及评价

为了进一步了解黄河流域2000—2017年PM2.5浓度等级分类的时间变化，参照相关标准［18］并结合研究区域PM2.5年均浓度的范围，对黄河流域空气质量指数进行级别划分. 具体分为6个等级：优（>0～20 μg/m3）、良（>20～35 μg/m3）、轻度污染（>35～50 μg/m3）、中度污染（>50～75 μg/m3）、重度污染（>75～90 μg/m3）及严重污染（90 μg/m3以上）.

2000—2017 年6 个等级的PM2.5浓度所占的比例如图3 所示：①2000 年PM2.5浓度范围为0～20 μg/m3（优）占比最大，2008 年、2010 年、2013 年和2014 年空气质量为优这一范围的占比最小；②严重污染出现在2006 年、2007 年和2013 年；③轻度污染和中度污染的变化幅度最小；④2000—2017 年，空气质量为良的PM2.5浓度范围上下波动较大，其中，2000 年、2012 年、2015—2017 年空气质量为良这一范围的PM2.5浓度占比较大，2006—2007 年较少；⑤2000 年、2003 年、2005—2017 年均出现了重度污染. 通过分析2000—2017 年黄河流域91 个地级市PM2.5平均浓度占比发现，研究区域整体PM2.5污染浓度等级由低浓度向高浓度波动.

图3 PM2.5浓度等级分类评价Fig.3 Classification and evaluation of PM2.5 concentration levels

2.2 PM2.5浓度与变化趋势的空间差异

通过ArcGIS分区统计工具提取2000—2017年黄河流域各市平均PM2.5浓度值，将2000年、2017年和研究期间平均PM2.5浓度值及其变化趋势进行可视化表达（图4），分析PM2.5的空间分布格局与变化趋势. 从研究区域上看，河南、山东两地PM2.5浓度普遍较高，陕西、山西、甘肃、宁夏和青海的部分地市PM2.5浓度偏高，内蒙古PM2.5浓度较低. 从变化趋势上看，PM2.5浓度增加或减少幅度有较大差异，同一省份内，不同地市间变化趋势明显不同. 宁夏所有地市PM2.5浓度均逐渐减小，河南、山东的所有地市PM2.5浓度在研究期间内不断增加，山西、甘肃和青海中的地市PM2.5浓度减少和增长均存在；PM2.5增长较大的地市均分布在山东；河南、甘肃、山西、陕西、宁夏、内蒙古和山东的部分地市PM2.5呈增长趋势.

图4 PM2.5浓度与变化趋势的空间分异Fig.4 Spatial differentiation of PM2.5 concentration and variation trend

2.3 黄河流域PM2.5浓度与城镇化的演变关系分析

2.3.1 城镇化对PM2.5浓度及其变化趋势影响的区域差异

城镇化水平对PM2.5浓度及长期变化趋势具有潜在的重要影响，黄河流域城镇化区域差异明显，对PM2.5浓度及2000—2017年PM2.5浓度变化趋势的影响也有一定的区域差异. 因此，以研究时段初始年份即2000年黄河流域各地市城镇化水平的标准化值为自变量，并分别以初始年份PM2.5浓度和2000—2017 年PM2.5浓度变化趋势的标准化值为因变量，构建地理加权回归模型，分别探讨黄河流域城镇化对其空气中PM2.5浓度及其变化趋势影响的区域差异.

采用R语言spgwr包的地理加权回归模型和计算函数“gwr”对模型进行计算，得到城镇化对PM2.5浓度及其变化趋势影响的地理加权回归结果（图5）. 从图5（a）可以看出，城镇化对PM2.5浓度的影响有明显的区域差异. 具体看，山东西部大部分城市，河南的信阳、三门峡、濮阳，陕西、山西、甘肃大部分城市及内蒙古的巴彦淖尔、青海的西宁等城市城镇化的系数为负，表明这些城市城镇化的发展对PM2.5浓度有负向影响；而在山东的东部、河南的中部、陕西的南部、山西的东部、内蒙古的中部和甘肃的祁连山一线的大部分城市，城镇化的系数为正，表明这些城市城镇化的发展对PM2.5浓度有正向影响. 从图5（b）可以看出，在河南省的中部和山东省的东部大部分城市，城镇化对PM2.5浓度的变化趋势具有正向影响，即这些城市城镇化水平较高，但PM2.5浓度的增长缓慢；而在山东的西部、河南的西部及以西的大部分城市，城镇化系数为正，表明这些城市的城镇化对PM2.5浓度变化具有负向影响，即这些城市城镇化水平较低，但PM2.5浓度增长较快.

图5 城镇化对PM2.5浓度及其变化趋势影响的区域差异Fig.5 Regional differences in the impact of urbanization on PM2.5 concentration and its changing trend

2.3.2 PM2.5与城镇化的EKC关系验证

由于部分城市经济数据缺失较严重，故仅选取黄河流域2000—2017 年80 个地级市的相关面板数据进行回归分析，将PM2.5平均浓度作为因变量，城镇化率和城镇化率平方作为自变量，人均GDP、建成区面积占比、民用汽车拥有量、工业烟尘排放量和绿化覆盖率等指标作为控制变量构建EKC模型. 为消除量纲的差异，对各变量进行了标准化处理.

计算得到面板数据模型的结果如表1. 由表1可以看出，城镇化率的系数在0.01的水平下显著为正，城镇化率平方的系数在0.01的水平下显著为负，表明研究区域PM2.5与城镇化有显著的EKC关系，呈倒“U”型曲线，即PM2.5浓度随城镇发展呈明显的先增加后减少的变化. 人均GDP、建成区面积占比、民用汽车拥有量等变量系数也显著为正，表明以3个变量为代表的经济发展水平、城市扩张和交通等对PM2.5浓度增长有促进作用. 工业烟尘排放量系数为负，但并不显著. 从实际上看，研究期间较多城市工业烟尘排放量呈现不稳定波动或减少趋势，这或与各城市加大工业污染排放治理有关. 绿化覆盖率系数为正，但也不显著. 从实际上看，较多城市绿化覆盖率有增加趋势，但绿色植被对颗粒物的吸附与净化尚不能抵消人类活动的排放，因而未能表现出负向影响.

表1 黄河流域EKC模型的参数估计结果Tab.1 Parameter estimation results of EKC model in the Yellow River Basin

3 总结

本文运用趋势分析、地理加权回归和空间面板模型，分析了黄河流域2000—2017年PM2.5浓度的时间变化、空间差异以及PM2.5浓度与城镇化的演变关系. 结果表明：①研究期间内，黄河流域PM2.5平均浓度整体波动幅度小，2000年出现最小值，最大值出现在2014年，研究区域整体污染浓度等级由低浓度向高浓度呈增加趋势. ②从空间差异上看，河南、山东两地PM2.5浓度普遍较高，陕西、山西、甘肃、宁夏和青海中有部分地级市PM2.5浓度偏高，内蒙古浓度较低. 从变化趋势上看，PM2.5浓度增加或减少幅度有较大差异，同一省份内，不同地市间变化趋势明显不同. 山东各地市PM2.5浓度随时间上下波动幅度较大，河南、甘肃、山西、陕西、宁夏、内蒙古的部分地级市PM2.5浓度随时间有小幅波动，其余地市PM2.5浓度随时间变化较小. ③在不同城市，城镇化对PM2.5浓度及其变化趋势的影响具有明显差异：山东省的西部城市，河南省的信阳、三门峡、濮阳，黄土高原大部分城市及内蒙古的巴彦淖尔和青海的西宁等地的城镇化对PM2.5浓度有负向影响，而山东省的东部、河南省的中部、陕西省的南部、内蒙古的中部和甘肃省的祁连山一线城市城镇化对PM2.5浓度有正向影响；河南省的中部和山东省的东部大部分城市城镇化对PM2.5浓度的变化趋势具有正向影响，山东省的西部、河南省的西部及其以西的大部分城市城镇对PM2.5浓度变化趋势具有负向影响. ④从二者演变关系来看，研究区域PM2.5浓度随城镇化发展呈倒“U”型变化趋势. 此外，经济发展、城市扩张、交通等因素对PM2.5浓度增长有显著促进作用.