中国城市绿地的区域差异及其对PM2.5的消减作用*

王泽发 陈 静 刘庭风

1 天津大学建筑学院 天津 300072

2 泉州师范学院资源与环境科学学院 福建泉州 362000

3 福建师范大学地理科学学院 福州 350007

空气污染作为当前全球面临的重要环境问题之一,已经引起世界各国的重视。中国快速工业化和城镇化过程中,以细颗粒物(PM2.5)为主的城市空气污染同样严峻。2013年全球PM2.5浓度年均超出35 μg·m-3的45个大城市中,中国占了17个[1]。对我国1999—2011年年均PM2.5浓度分析发现,最高的区域主要位于我国中部和东部地区,其中污染最为严重的地区分布在河北南部、河南北部和山东西部[2-3]。2015年,全球因PM2.5暴露造成的死亡人数达420万人,占全球死亡人数的7.6%[4]。生态环境部发布的2019年全国生态环境质量简况中指出,2019年中国年均PM2.5浓度为36 μg·m-3,是世界卫生组织标准的3.6倍,PM2.5浓度过高已经严重影响公共健康。基于此,研究如何消减和治理PM2.5浓度,对于建设健康中国至关重要。

当前,关于PM2.5浓度的研究主要集中在PM2.5浓度的测度、源解析、时空特征、影响因素等多个方面,其中,影响因素的研究主要涉及自然因素和社会经济因素。自然因素主要聚焦于相对湿度、温度、风速、降水量等要素与PM2.5浓度的作用关系[5-6],如发现相对湿度越大越不利于PM2.5浓度的消减[7],而风速和降水量却对PM2.5浓度具有很好的抑制作用[8-9]。相比自然因素,城市化过程中人口变化、经济增长、城市率、产业结构、技术进步、道路密度、能源消费、土地利用变化等社会经济因素对PM2.5浓度的影响研究成果更为丰富:人口规模和人口密度对PM2.5浓度具有显著的正向影响[10]；城市经济增长与PM2.5浓度之间则存在明显的环境EKC曲线[11]；城市化率对PM2.5浓度的影响相对复杂,两者之间并非简单的线性关系[12]；产业结构对PM2.5浓度的影响比较明确,第二产业比重的增加可明显加速PM2.5浓度的升高[13]；技术进步则可通过提高能源的使用效率和治理技术降低PM2.5浓度[14-15]；道路密度和能源消费通过化学燃料的消耗可以加速PM2.5浓度的升高[16]；土地利用结构变化,甚至民主化程度等因素也会对PM2.5浓度产生影响[17]。此外,聚焦城市绿地对PM2.5浓度影响的研究较少,但城市绿地作为“汇”的功能,对PM2.5浓度消减作用已经有所体现[18],如有学者发现森林覆盖率和道路绿地对PM2.5浓度具有积极的消减作用[19-20],绿地在一定程度上有利于PM2.5浓度的消减[21]。

已有关注城市绿地对PM2.5浓度影响的研究,案例地多为单个城市,数据主要来源于监测站获取的PM2.5浓度数据,且研究时段多为1年或1个月,使用长时段遥感数据探究全国不同区域城市绿地对PM2.5浓度影响的研究则较为缺乏。基于此,本文借助遥感数据,深入探究2005—2015年中国不同区域的城市的绿地系统对PM2.5浓度作用强度的差异,以期从城市绿地的视角对PM2.5浓度消减政策的制定提供参考。

1 研究区概况和数据来源

选取中国大陆东北经济区(34个)、东部经济区(87个)、中部经济区(79个)和西部经济区(76个)四大经济区内的共计276个地级及以上城市作为基本研究单元。

数据主要包括细颗粒物和城市绿地两类。细颗粒物主要使用276个城市的年均PM2.5浓度表示,该数据主要来源于大气成分分析组织(ACAG)[22],数据为分辨率0.01°×0.01°的高精度栅格数据。城市绿地主要使用城市绿地面积(GS)、公园绿地面积(GGS)、人均绿地面积(PGS)、建成区绿地覆盖面积(BGS)和建成区绿地覆盖率(BGR)5个指标进行诠释,数据主要来源于《中国区域经济统计年鉴》(2006—2016年)和《中国城市统计年鉴》(2006—2016年)。

2 研究方法

2.1 变异系数和标准差

借助标准差和变异系数分析因变量和自变量区域差异的时序特征,其中,绝对指标反映区域各变量具体数值的不平衡程度,即区域间的绝对差异,主要使用标准差进行衡量；而对区域差异相对不平衡程度的探讨,则使用变异系数指标进行衡量。

式(1)和式(2)中:n为市级单元总数；Vi为第i市级单元某年份的PM2.5年均浓度；ˉV为某年份所有市级单元PM2.5年均浓度的均值。

2.2 面板回归模型

面板数据模型可以更好地控制个体的异质性,减少变量之间的共线性问题,增加自由度,提高估计系数的稳定性和可靠性[23]。因此用面板数据模型来衡量城市绿地对PM2.5浓度的影响。

式(3)中:PMit为城市i在t时间PM2.5的年均浓度；α0为截距；α1-α5为各自变量系数；φk(k＝1,…,5)为控制变量的截距；GS为城市绿地面积(km2)；GGS代表公园绿地面积(km2)；PGS表示人均绿地面积(m2)；BGS为建成区绿地覆盖面积(km2)；BGR建成区绿地覆盖率(%)；εit为随机误差。

2.3 数据处理

探究影响因素的面板数据模型结果主要使用R语言软件获得。为了避免自变量之间存在相互影响,首先,对各城市绿地指标进行多重共线性检验,排除在回归中由于自变量的相互影响而导致的回归结果失真现象；其次,分别在R语言软件中进行固定效应模型和随机效应模型的回归结果运算；最后,借助Hausman检验结果,选择合适的模型进行估计结果的解释。

3 结果与分析

3.1 中国城市绿地区域差异的时空特征

3.1.1 时间差异

如图1所示,不同区域内部PM2.5浓度在2005—2015年绝对差异明显,其中东部经济区内部的绝对差异一直高于其他经济区,而在西部经济区内部则不断下降(图1A)。东部经济区的城市绿地面积、公园绿地面积、建成区绿地覆盖面积相对其他经济区绝对差异较高,且这种差异在持续加剧(图1B、图1C、图1E)；人均绿地面积、建成区绿地覆盖率两个指随着城市对生态环境质量的重视,区域间的绝对差异不断缩小(图1D、图1F),但个别区域自身内部的差异则不断加剧,如东北经济区标准差从2005年的18.7增至2015年的44.5(图1D)。

图1 全国及四大经济区各指标的标准差(2005—2015年)

从表1可知,PM2.5浓度在不同区域之间的相对差异在拉大,尤其是东部与西部经济区在2005—2015年差距更为明显。与此对应,在城市绿地指标中,尤其是公园绿地面积在2005—2015年东部和西部经济区间的相对差异,随着东部经济区的下降和西部经济区的增加变得更大；而其他城市绿地指标在各经济区之间相对差异则在不断缩小。

表1 2005—2015年各指标变异系数

3.1.2 空间差异

如表2所示,本文选取的276个城市中,2005年,有176个城市的年均PM2.5浓度超出国家二级标准(年均PM2.5浓度35 μg·m-3)；2010年为190个城市；至2015年,仍有150个城市超出该标准,超出国家二级标准的城市数量呈现倒“U”型。比较四大经济区发现,除东北部经济区外,其他三大经济区城市占比10年间均有所下降,尤其是西部经济区下降最为明显,其次是东部经济区和中部经济区。中部经济区虽有所下降,但超出国家二级标准的城市仍过半。

表2 2005—2015年四大经济区年均PM2.5浓度高于35 μg·m-3的城市数量 个

根据四大经济区的城市绿地各指标统计结果(表3):2005—2015年,东北部经济区各指标值超出平均值的城市除了建成区绿地覆盖率外均在不断减少；东部经济区各城市绿地指标10年间则有增加,尤其是建成区绿地覆盖率增加最为明显,超出平均值的城市数量占比从2005年的33.3%增加至2015年的61.0%；中部经济区除绿地面积(2005年超过平均值的城市数量占比30.4%,2015年为32.9%)和建成区绿地覆盖率(2005年为53.2%,2015年为54.4%)两个指标呈现波动上升外,其余指标超过平均值的城市数量均呈现波动下降；西部经济区与东北经济区类似,2005—2015年仅城市建成区绿地覆盖率超出平均值的城市数量有所增加(2005年为47.4%,2015年为69.7%),其他各指标均呈现波动下降。

表3 2005—2015年四大经济区各指标值超过均值的城市数量占比 %

3.2 中国城市绿地对细颗粒物的消减作用

以PM2.5浓度为因变量、以5个表征城市绿地的指标为自变量分别对全国,东北、东部、中部、西部四大经济区进行面板回归分析,基于Housman检验结果,除东北经济区使用固定效应回归模型之外,其余4个面板数据均使用随机效应模型。如表4所示,所有绿地指标在各面板模型中对PM2.5浓度的影响均呈负相关,表明绿地对PM2.5浓度存在“汇”的功能,其中建成区绿地覆盖面积和建成区绿地覆盖率对PM2.5浓度的影响显著(P＜0.05),即增加建成区绿地面积和覆盖率可以有效抑制PM2.5浓度；东北和中部经济区人均绿地面积对PM2.5浓度的影响也显著(P＜0.01),即提高人均绿地面积可以显著降低PM2.5浓度；城市绿地面积和公园绿地面积对PM2.5浓度的影响不显著,即对PM2.5浓度可能存在潜在的抑制作用。

表4 面板数据模型估计

4 讨论

2005—2015年中国东部经济区PM2.5浓度最高,可能是由于其建设用地面积高于其他三大经济区,且仅2010—2015年建用地供给规模达11 047 km2,新增建设用地中又以“工矿仓储用地”占比最高[24],而第二产业比重对PM2.5浓度的加速作用已得到大量文献证实[25-28]。西部经济区PM2.5浓度的下降与国家“西部大开发战略”“援疆”等政策有关,资金和技术的涌入,提高了西部城市能源利用效率和环境治理能力,PM2.5浓度10年间有所改善。中部经济区PM2.5浓度高于东北经济区,其中建设用地总体供给可以作为佐证之一,如2010—2015年中部经济区建设用地供给规模是东北经济区的2.7倍[24]。

2005—2015年中国四大经济区绿地指标变化显示,建成区绿地覆盖率演变与各经济区PM2.5浓度的演变恰好对应,尤其是中部、东北和东部经济区。这是因为建成区作为城市人口密集的区域,PM2.5浓度的人为贡献又高达83%[29],所以建成区绿地覆盖率的增加,可以有效吸附因高密度的人类活动所产生的细颗粒物,如有研究证明,林地面积占比越大,越有利于抑制PM2.5浓度[30]。

城市绿地可以通过影响地表土质、地下水容量、风速等影响城市大气环境和小气候,进而影响空气中PM2.5浓度。已有研究证明,不同类型城市绿地可有效缓解PM2.5浓度[31-32],不同绿地形态对PM2.5浓度也产生影响[21],但现有研究多聚焦于一个城市或更小区域,从全国尺度出发探究区域之间差异的研究较少。由于不同城市和区域之间PM2.5污染来源存在差异,因此本文从区域差异角度切入,全面甄别城市绿地指标在四大经济区的作用方向和强度。回归结果表明,城市绿地各指标对PM2.5浓度具有消减作用,但影响能力有限,因此,政府在增加建成区绿地面积的同时,还需要注重产业结构、道路路网、新能源汽车等的调整、优化和推广,以此达到优化城市空气质量的目的。

5 结论

1)2005—2015年中国PM2.5浓度整体呈波动上升趋势,区域差异明显。四大经济区之间绝对差异和相对差异比较稳定,其中,绝对差异方面东部经济区10年间一直稳居四大经济区之首,具体为东部＞中部＞东北＞西部经济区；相对差异方面四大经济区之间相对稳定,但西部经济区内部城市由于超出国家二级标准城市数量的下降,城市之间PM2.5浓度在10年间差异有所扩大。

2)城市绿地5个指标的时空差异显著。首先,2005—2015年中国城市绿地面积、公园绿地面积、建成区绿地覆盖面积3个指标无论在区域内部还是四个经济区之间的绝对差异均在不断加剧,尤其是东部经济区和中部经济区之间；其次,2005—2015年东北部经济区各指标超出平均值城市占比除建成区绿地覆盖率外均有所下降,建成区绿地覆盖率在四大经济区则均不断提高,尤其是在东部和西部经济区。

3)城市绿地与PM2.5浓度之间存在明显的区域差异。对于PM2.5浓度,人均绿地面积仅在东北和中部经济区呈现显著负相关,且对PM2.5浓度的消减力度在东北部经济区明显高于中部经济区；建成区绿地覆盖面积和建成区绿地覆盖率两个指标在不同面板中的作用强度存在差异,其中建成区绿地覆盖面积的消减强度从高到低为:中部＞东北＞西部＞东部经济区,建成区绿地覆盖率对PM2.5浓度的抑制作用从高到底为:中部＞西部＞东北＞东部经济区。