EN中文

地理研究 >

2016 , Vol. 35 >Issue 6: 1051 - 1060

DOI: https://doi.org/10.11821/dlyj201606005

中国PM2.5污染与社会经济的空间关系及成因

  • 杨昆 , 1, 2 ,
  • 杨玉莲 1, 2 ,
  • 朱彦辉 1, 2 ,
  • 李岑 1, 2 ,
  • 孟超 1, 2
展开
  • 1. 云南师范大学信息学院，昆明650500
  • 2. 西部资源环境地理信息技术教育部工程研究中心，昆明650500

作者简介：杨昆（1963- ）,男,云南曲靖人,教授,博士生导师,研究方向为地理信息系统。E-mail:

收稿日期: 2016-01-09

  要求修回日期: 2016-04-20

  网络出版日期: 2016-06-20

基金资助

国家科技支撑计划项目（2013BAJ07B00）

云南科技计划项目（2012CA024）

高等学校博士学科点专项科研基金项目（20115314110005）

收起

Social and economic drivers of PM2.5 and their spatial relationship in China

  • YANG Kun , 1, 2 ,
  • YANG Yulian 1, 2 ,
  • ZHU Yanhui 1, 2 ,
  • LI Cen 1, 2 ,
  • MENG Chao 1, 2
Expand
  • 1. School of Information Science and Technology, Yunnan Normal University, Kunming 650500, China
  • 2. GIS Technology Engineering Research Centre forWest-China Resources and Environment of Educational Ministry, Yunnan Normal University, Kunming 650500, China

Received date: 2016-01-09

  Request revised date: 2016-04-20

  Online published: 2016-06-20

Copyright

《地理研究》编辑部
Fold

摘要

中国高能耗的经济增长模式和不生态的城镇化模式是PM2.5污染的主要诱因,为了弄清PM2.5的本质,着重研究PM2.5污染的产出机理与模型。首先用逐步回归分析法,确定对PM2.5影响较大的变量,再对PM2.5及其相关变量进行空间相关分析,在GIS技术与空间统计学的支持下,建立中国区域性细颗粒物空气污染评估模型。结果表明：中国PM2.5污染具有东高西低的区域差异特点,这与中国人口分布密度特征曲线（胡焕庸线）所划分出的人口空间分布特点相一致。考虑了空间效应影响的模型拟合度（R2=0.71）优于传统统计模型（R2=0.62）。PM2.5与总人口、人均汽车保有量的平方、第二产值比例的平方成正比,与森林覆盖率的平方成反比,其中对PM2.5贡献率最大的是人均汽车保有量。

关键词： PM2.5; 社会经济; 空间分布; 空间统计; GIS

本文引用格式

杨昆 , 杨玉莲 , 朱彦辉 , 李岑 , 孟超 . 中国PM2.5污染与社会经济的空间关系及成因[J]. 地理研究, 2016 , 35(6) : 1051 -1060 . DOI: 10.11821/dlyj201606005

Abstract

The anthropogenic reasons of particulate matter 2.5 (PM2.5) formations are considered to be highly related to local economic development model and fast urbanization. The aim of this study is to explore the social and economic factors of PM2.5 and their spatial and quantitative relationship in China during the period of February to December in 2013. In this paper, Geographic Information System (GIS) technology combined with spatial statistics to form a novel evaluation model for studying the PM2.5 formation of China. The surface of PM2.5 is obtained by using inverse distance weighted (IDW). We first design a forward-selection stepwise regression model for tracing major factors of PM2.5 formation, and then study spatial distribution of PM2.5 and the major factors of PM2.5. Their G statistic indexes are calculated to detect the spatial dependence. Based on the estimated G statistic index, and Lagrange Multiplier and goodness-of-fit tests, the Spatial Lag Model (SLM) is selected to estimate PM2.5. The results show that: (1) PM2.5 presents an obviously uneven spatial distribution. East and most parts of northeast China have severe pollution. Especially, the provinces of Beijing, Hebei, Henan, Anhui, Jiangsu, Sichuan and Shanghai are seriously severe areas. (2) The square of per capita motor vehicle, population, the square of forest coverage, and the square of the proportion of secondary industry are the major factors of PM2.5. (3) Because G statistic indexes of PM2.5 and major factors confirm the presence of their spatial autocorrelation, the data of spatial autocorrelation need to be considered in the modeling process. The Spatial Lag Model has better goodness-of- fit test (R2=0.71) than classical linear regression model (R2=0.62). (4) The ranking of contribution to PM2.5 is the square of per capita motor vehicle, spatial factors, population, the square of forest coverage, the square of the proportion of secondary industry. Positive correlation coefficients were observed between the annual mean concentrations of PM2.5 and the square of per capita motor vehicle, population, and the square of the proportion of secondary industry. However, the correlation coefficient of the square of forest coverage was found to be negative. (5) PM2.5 governance is an extremely urgent task. In order to reduce PM2.5, we need to take measures in regional collaborative governance, and should terminate industrial production with high energy consumption. Optimization of the industrial structure and energy structure, as well as reforestation and afforestation can also reduce PM2.5.

Key words： PM2.5; socioeconomic factors; spatial distribution; spatial statistics; GIS

1 引言

虽然中国政府一再强调转变经济发展方式,提高经济增长质量,但在客观上,由于资源、能源、科学技术水平的约束,中国经济增长依然以粗放式增长为主。这种方式限制了中国经济持续健康发展,导致了各种环境问题,环境污染及破坏所引发的国内国际冲突也逐渐增多[1]。2010年11月,美国驻北京大使馆在推特上发表PM2.5监测数据,超过了500 μg/m3,网友戏称为“机器爆表”,虽然数据只在小范围内传播,但各种社交网络平台还是让PM2.5爆红[2,3],民众对身处的环境感到恐慌。这些事情的发生也引发了中国环境政策的深刻改革。2011年9月,环境保护部在发布的《环境空气PM10和PM2.5的测定重量法》[4]中首次对PM2.5的测定进行了规范,但在修订的《环境空气质量标准》中,并没有将PM2.被纳入强制性监测指标。2012年2月,环境保护部在发布的《环境空气质量标准》（GB3095-2012）[5]中依照世界卫生组织建议的最宽松的过渡期标准,增设了PM2.5的浓度限值,即年平均浓度限值大于等于35 µg/m3,24 h平均浓度限值大于等于75 µg/m3。这项规定于2016年1月1日开始实行。
PM2.5表面能够吸附许多有毒有害物质[6],由于它的颗粒直径小于或等于2.5 µm,容易被人吸入,如果人长期暴露在含有PM2.5的空气中会增加健康风险[7,8],如肺癌、心血管疾病、其他呼吸道疾病等。PM2.5还能远距离传输,长时间停留在大气中,从而使大气能见度降低[9],因而对人们的生产和生活容易造成不利影响。所以对PM2.5的研究和治理刻不容缓。自20世纪80年代起,美国和一些欧洲国家开展了大规模的PM2.5研究[10]。而中国对PM2.5的研究起步较晚,研究主要包括PM2.5的监测方法[11]、观测站网建设发展[12]及利用监测得到的PM2.5数据与气象因素进行定性、定量分析[13]以及对人体健康影响的分析[14,15]。
目前对PM2.5值的估算方法可分为四种：① 利用遥感技术从大气环境遥感影像数据反演大气气溶胶厚度（AOD）[16,17],进而估算PM2.5浓度;② 根据监测点的数据进行空间插值[18];③ 回归模型[19];④ 混合模型[20]。对PM2.5的研究尺度也逐渐从小尺度转向大中尺度,但都缺乏从本质上来研究PM2.5污染的产出机理与评估模型。本文认为,PM2.5污染本质上与能源结构、产业结构、生态结构及城镇化进程有关。研究表明,由煤炭、石油及其他矿物燃烧产生的废气,及机动车尾气是PM2.5一次细颗粒和二次细颗粒的主要来源,且后者是PM2.5升高的最主要原因[21,22]。中国处于工业化、城镇化的快速发展时期,机动车保有量、能源消耗量也随之增加,如果不对PM2.5污染进行治理与预防,必然导致PM2.5污染的进一步加剧。中国特殊的地理条件决定了人口分布的总体特征是东多西少,人口的聚集为PM2.5污染的加剧提供了可能性。2010年9月,美国国家航空航天局（NASA）公布了由两位加拿大科学家利用卫星测量和计算机模拟信息制作的2001-2006年全球PM2.5污染分布图[23],反映出中国PM2.5污染严重的地区正好是经济发达和人口稠密的东部地区。
位置会产生两类空间效应：空间异质性和空间依赖。空间异质性,即空间差异,不同空间位置上的事物和现象具有不同的特点。空间依赖是事物和现象在空间上相互依赖、相互制约和相互作用,不仅意味着空间上的观测值缺乏独立性,空间相关的强度及模式由绝对位置（格局）和相对位置（距离）共同决定[24]。PM2.5是一个区域性很强的问题,即空间依赖性。某地区的PM2.5既有本地排放的,也有异地飘来的。空间效应的存在违背了传统的统计理论基于在独立观测值的假定,因此对于表现出空间效应（特征）问题的识别估计应采用空间统计学来研究。空间统计研究起步于20世纪70年代,其核心就是认识与地理位置相关的数据间的空间依赖、空间关联等关系,通过空间位置建立数据间的统计关系[25]。目前基于空间位置的统计已经广泛运用于社会经济领域以探索它们的分布规律[26-29],本文也可运用空间统计来研究全中国和多个城市PM2.5的空间分布规律及成因。
基于以上分析,结合GIS技术、空间统计学,从PM2.5污染形成的根本驱动因子出发,建立中国区域细颗粒物空气污染评估模型,进而为PM2.5控制策略提供依据。

2 数据来源与研究方法

2.1 数据来源

PM2.5实时监测数据的获取是本研究的核心,从全国城市空气质量实时发布平台[30]获得2013年的PM2.5实时监测数据,454个监测点,共71个城市。
根据PM2.5形成的本质,选取总人口、国内生产总值、第二产值比例、人均汽车保有量、煤炭消耗量、人均GDP、城镇人口比例、城市建成区面积、森林覆盖率、建成区绿化覆盖率10个指标,这些数据均来自2014年中国统计年鉴[31]。

2.2 空间相关分析

1969年Tober提出地理学第一定律,即任何事物都是空间相关的,距离近的事物空间相关性大。空间相关性分析包括全局空间自相关分析和局部空间自相关分析。全局空间自相关分析主要分析空间数据的整体分布特征,一般用Moran's I指数、Geary's指数、General G测量;局部空间相关分析主要用来探测局域子系统的空间集聚区、异常值等,常用Moran散点图、LISA、G统计量来测度。选用General G和局域G统计量来进行PM2.5及影响因素的空间相关分析,其值可通过ArcGIS 10软件计算获得。

2.3 空间回归模型

传统的统计模型是基于数据独立、均匀分布假设的前提下建立的,空间相关性的存在违背了这一原则。因此,在进行空间相关性分析后,如果表明空间效应发挥了作用,那么必须将其考虑到模型的建立中。空间回归模型是在传统的计量模型基础上考虑空间效应建立的模型,有空间滞后模型（Spatial Lag Model,SLM）,可用来探讨变量在一地区是否有扩散现象;空间误差模型（Spatial Error Model,SEM）可用来度量邻近地区因变量的误差冲击对本地区观察值的影响程度。Anselin给出了其通用形式[32]：
y = ρ W 1 y + Xβ + ξ
ξ = λ W 2 ξ + ε （1）
ε~N 0 , σ 2 Ι n
式中： y 为PM2.5; W 1 y 、 W 2 为空间权重矩阵; ρ 为 W 1 y 的参数;X为影响PM2.5的变量; ε 为随机项误差; λ 为自回归参数。选择相邻性方法确定空间权重矩阵,即：
W ij = 0 , 区域 i 和区域 j 不相邻 1 , 区域 i 和区域 j 相邻 （2）
当 ρ = 0 和 λ = 0 时,式（1）变为一般的线性回归模型（OLS）：
y = Xβ + ε （3）
当 λ = 0 时,式（1）变为空间滞后模型（SLM）：
y = ρ W 1 y + Xβ + ε （4）
当 ρ = 0 ,式（1）变为空间误差模型（SEM）：
y = Xβ + λ W 2 u + ε （5）
为确定SLM和SEM哪个模型更适合模拟PM2.5,需要根据最小二乘法（Ordinary Least Squares,OLS）估计结果的拉格朗日乘数（Lagrange Mulitplier）形式LMERR、LMLAG及其稳健（robust）的R-LMERR、R-LMLAG。Anselin等提出判别准则：如果LMLAG比LMERR在统计上显著,R-LMAG显著而R-LMERR不显著,则选用SLM模型;如LMERR比LMLAG在统计上显著,且R-LMERR显著而R-LMAG不显著,则选用SEM模型。

3 结果分析

3.1 PM2.5年均浓度空间分布及各变量相关性分析

计算每个监测点的年平均值后,利用AcrGIS 10软件对监测点做反距离权重内插,得到全国PM2.5的年均浓度表面图（图1）。因搜集到的社会经济数据指标是按省级行政区统计的,而全国PM2.5的年均浓度表面图不具有行政区划意义。为了便于PM2.5与社会经济数据因素的分析,利用ArcGIS 10软件将全国PM2.5的年均浓度空间分布图转为矢量图,再将此图与中国行政区划矢量图进行叠加操作中的标识（Identity）分析,得到各省的PM2.5年均浓度值。根据中国环保网的空气质量检测标准,24 h的PM2.5平均值标准值分级如下：0~35 µg/m3为优,35~75 µ/m3为良,75~115 µg/m3为轻度污染,115~150 µg/m3为中度污染,150~250 µg/m3为重度污染,250 µg/m3以上为严重污染（图2）。
Fig. 1 The surface of PM2.5 concentration

图1 PM2.5年均浓度表面图

Fig. 2 Annual concentration of PM2.5

图2 PM2.5年均浓度分布图

世界卫生组织表示,PM2.5年平均浓度超过10 µg/m3就会对人体造成伤害,而中国所有省份的PM2.5年平均浓度都大于该值。根据中国《环境空气质量标准》中PM2.5的年均浓度限值为35 µg/m3,相对于此标准,除海南、西藏、福建外,其余各省份都出现超标情况,东部地区严重超标,特别是河南省的浓度值高达105 µg/m3,超过国家标准3倍。
为定量表示PM2.5与影响因素的关系,10个指标与PM2.5进行相关性分析（表1）,发现：数据指标之间存在多重共线问题。如总人口与城市建成区面积、国内生产总值、民用汽车相关性很大,相关系数 γ 均在0.84以上。煤炭消费量与总人口（ γ =0.56）、国内生产总值（ γ =0.54）、第二产业比例（ γ =0.42）、建成区面积（ γ =0.54）的相关性也较大。逐步回归分析可从对因变量有影响的诸多变量中选择影响显著的变量,且可消除多变量间的多重共线问题。考虑各指标可能与PM2.5存在非线性关系,将每个指标的平方,参与到模型的建立过程中。利用Eviews 6.0软件进行逐步回归分析,4个变量通过了显著性检验：总人口（P=0.0000）、森林覆盖率的平方（P=0.0000）、人均汽车保有量的平方（P=0.0000）、第二产值比例的平方（P=0.0097）。
Tab. 1 The correlation coefficients

表1 变量相关系数

总人口 城镇人口比例 建成区面积 国内生产总值 人均GDP 第二产业比例 人均汽车
保有量		 煤炭
消费量		 建成区绿化覆盖率 森林覆盖率
总人口 1
城镇人口比例 -0.16 1
建成区面积 0.85 0.18 1
国内生产总值 0.84 0.28 0.96 1
人均GDP -0.09 0.94 0.24 0.37 1
第二产业比例 0.28 -0.34 0.15 0.14 -0.23 1
人均汽车保有量 0.85 0.17 0.91 0.94 0.28 0.13 1
煤炭消费量 0.56 -0.13 0.54 0.55 0.02 0.42 0.61 1
建成区绿化覆盖率 0.31 0.34 0.37 0.43 0.28 -0.26 0.43 0.14 1
森林覆盖率 0.18 -0.08 0.10 0.08 -0.14 -0.15 0.07 -0.25 0.38 1
利用ArcGIS 10软件把PM2.5及选出的4个变量进行可视化显示（图3）,以定性揭示它们的地域差异规律及空间集聚性。从图3可看出,中国PM2.5污染具有东高西低的区域差异特点,这与中国人口分布密度特征曲线（胡焕庸线）所划分出的人口空间分布特点相一致。不仅如此,胡焕庸线以东人口数量、总产值、第二产值比例、人均汽车保有量、森林覆盖率的值都高于胡焕庸线以西。因此可以得出以下结论：人口的聚集有利于促进东部经济和产业的发展,从而又使劳动力从西向东流动,使西部地区的城镇化水平与东部的城镇化水平差距日益拉大,同时受资源环境承载能力所限,东部环境污染问题也日益严重。
Fig. 3 The spatial distribution of PM2.5 and variables

图3 PM2.5及各因素空间分布图

3.2 空间自相关分析结果

边界划分会导致空间相关性存在。各变量是按省域进行统计,因此它们的空间相关可能性很大。同时,PM2.5污染是一种典型的区域性污染,能远距离传输导致各省之间的PM2.5浓度值存在空间相关的可能性也极大。为了探测研究区的PM2.5和各变量在空间分布上是否存在高聚集或低聚集（空间相关性）,利用ArcGIS 10计算出PM2.5和各变量的全局G指数（表2）。如果全局G指数的值大于0,且通过显著性检验（P<0.05）,表明在研究区存在高聚集现象;如果全局G指数的值小于0,且在统计上显著,表明在研究区在低聚集;如果值为0,则表明随机分布。由表2可知,除第二产值比例的平方没有通过显著性检验（P=0.4045）外,PM2.5及其余各变量在空间分布上存在高值聚集。
Tab. 2 The index of Global G

表2 全局G指数

名称 PM2.5 总人口 森林覆盖率的平方 人均汽车保有量的平方 第二产值比例的平方
全局G指数 0.03609 0.03679 0.04425 0.04661 0.03384
P值 0 0.0458 0.0009 0.0002 0.4045
为了进一步确定高值聚集具体发生在哪些省份,利用ArcGIS 10软件计算它们的局域G指数（图4）,得到一个具有显著统计学意义的Z得分（标准差的倍数）和P值（概率）。ArcGIS 10软件计算局域G指数的零假设是完全空间随机性,根据Z得分和P值可判断是否可以拒绝零假设。当置信度为95%时（P=0.05）,Z得分的临界值为-1.96和+1.96倍标准差。若Z(Gi)>1.96,则表明该区域存在高值聚集（热点区）;若Z(Gi)<-1.96,则表明该区域存在低值聚集（冷点区）;如果Z(Gi)介于[-1.96~1.96],则表明该区域所表现出的模式很可能是随机空间过程产生的结果。从图4可以看出,第二产值比例的平方在空间分布模型表现出随机结果,PM2.5及其他三个变量都存在冷热点区。
Fig. 4 The index of Local G

图4 局域G指数

3.3 模型结果

通过空间自相关的分析结果证实了PM2.5及变量存在空间相关性,因此在模型的建立过程中必须在一般模型的基础上考虑空间的影响。利用GeoDa软件计算出OLS的估计结果（表3）。通过分析OLS的拉格朗日统计量LM可知：LMLAG比LMERR在统计上显著,R-LMAG显著而R-LMERR不显著,因此采用SLM模型（表3）。通过对比OLS与SLM模型的结果可知：拟合度（R2）约从0.62提高到了0.71,由于考虑了空间效应的影响（ λ ）,变量的系数值发生了变化,但是符号没有发生变化;PM2.5与森林覆盖率的平方成反比,与其他变量成正比。为进一步进行比较变量对PM2.5影响程度的大小,把各变量进行了标准化处理,以消除量纲的影响（表3）,影响最大的是人均汽车保有量的平方（系数为0.38）,依次为空间项（ λ ）系数为0.33、总人口（0.31）、森林覆盖率的平方（-0.28）、第二产值比重的平方（0.23）。表明汽车保有量的快速增长,会导致PM2.5污染的大幅增加,应加大对汽车尾气的治理。各相邻地区的PM2.5污染会相互影响,如果仅在当地范围内采取减排措施,很难产生显著效果,需要区域合作。提高森林覆盖率、加速产业升级有助于PM2.5污染的降低。
Tab. 3 The results of models

表3 模型回归结果

名称 OLS SLM SSLM
系数 系数 系数
λ 0.36954 0.33074
常量 30.59046 15.08779* 0.11576*
人口 0.00225 0.00220 0.30885
森林覆盖率的平方 -0.00683 -0.00492 -0.27918
人均汽车保有量的平方 0.00001 0.00002 0.38443
第二产值比重的平方 89.24022 58.86188 0.23447
R2 0.61819 0.71409 0.71409
LMLAG 5.32620
LMERR 1.37208*
R-LMAG 5.52518
R-LMERR 1.57106*

注：*表示P>0.05,不显著。

4 结论与讨论

通过分析PM2.5与各主要影响因素的空间分布规律发现,它们的分界线与胡焕庸线大致相吻合。在传统统计模型的基础上考虑空间效应的影响,建立了中国区域性PM2.5污染评估模型,主要结论如下：
（1）胡焕庸线以东地区经济发达和人口稠密、产业空间布局及城市空间布局集中,这造成东部PM2.5污染严重超标。从某种意义上来说,中国东部PM2.5污染严重超标源自传统文化与观念意识、从众现象,不愿意开拓不熟悉的土地,西部大开发政策得不到实质响应,造成东部地区环境容量突破。
（2）模型结果表明：PM2.5污染具有空间相关性,考虑了空间效应影响的模型优于传统统计模型。PM2.5污染与总人口、人均汽车保有量的平方、第二产值比例的平方成正比,与森林覆盖率的平方成反比。其中人均汽车保有量是PM2.5污染的最主要来源之一,一个地区的PM2.5污染不仅受当地排放的影响,也受相邻地区PM2.5污染的影响。
基于研究结果,提出如下建议：
第一,转变经济增长方式,发展循环经济,协调经济增长与资源环境问题,加快经济转型和发展模式创新,从源头上减少PM2.5污染的产生。基于对生态环境的认识和理解,经济发展模式分为三种：第一种是“资源—产品—污染排放”的传统模式,不考虑环境因素,只强调对环境的征服。第二种是“过程末端治理”,即先污染后治理,治理技术难度大、成本高。第三种是循环经济模式,遵循“减量化、再利用、再循环”原则,其本质是一种生态经济[33]。中国人口众多,不可能只考虑环境而忽视经济的发展,然而中国的资源也是有限的,中国大部分城市的发展是资源型经济,如果在经济发展过程导致资源的短缺与枯竭,即使技术再先进也将导致灾难性的后果。因此,中国应发展循环经济,建立资源节约型社会,积极发挥政府作用,深入贯彻落实绿色GDP理念,加快传统产业改造与升级。
第二,打开西部地区的经济发展空间。为打开西部地区的经济发展空间,西部应该抓住推行“一带一路”建设的战略机遇,在观念意识上中国人应具开拓创新精神,加快西部地区改革步伐,为培养创新性人才提供创新性环境。应用大数据、云计算与物联网等信息技术形成新型产业,改变中国的产业空间布局,为西部发展和人口聚集提供新的可能,也为中国经济增长提供新的可能。
第三,控制私家车数量,提高森林覆盖率。对PM2.5污染的治理还要重点治理汽车尾气,严格施行国家新的机动车排放标准,控制私家车数量。大力推进海绵城市的建立,提高绿化率、森林覆盖率,提高城镇化质量。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
洪大用. 经济增长、环境保护与生态现代化: 以环境社会学为视角. 中国社会科学, 2012, (9): 82-99.

[Hong Dayong.Economic growth, environmental protection and ecological modernization in the perspective of environmental sociology. Social Sciences in China, 2012, (9): 82-99.]

[2]
互动百科. .

[Hudong Wiki..]

[3]
网易. .

[Netease.]

[4]
环境保护部.

[Ministry of Environmental Protection of the People's Republic of China.]

[5]
环境保护部.

[Ministry of Environmental Protection of the People's Republic of China.]

[6]
Lippmann M.Toxicological and epidemiological studies of cardiovascular effects of ambient air fine particulate matter (PM2.5) and its chemical components: Coherence and public health implications. Critical Reviews in Toxicology, 2014, 44(4): 299-347.

[7]
Pope III C A, Brook R D, Burnett R T, et al. How is cardiovascular disease mortality risk affected by duration and inten-sity of fine particulate matter exposure? An integration of the epidemiologic evidence. Air Quality, Atmosphere & Health, 2011, 4(1): 5-14.

[8]
Koop G, McKitrick R, Tole L. Air pollution, economic activity and respiratory illness: Evidence from Canadian cities, 1974-1994. Environmental Modelling & Software, 2010, 25(7): 873-885.

[9]
Huang K, Zhuang G, Lin Y, et al.Typical types and formation mechanisms of haze in an Eastern Asia megacity, Shanghai. Atmospheric Chemistry & Physics & Discussions, 2012, 12(1): 105-124.An intensive aerosol and gases campaign was performed at Shanghai in the Yangtze River Delta region over Eastern China from late March to early June 2009. This study provided a complementary picture of typical haze types and the formation mechanisms in megacities over China by using a synergy of ground-based monitoring, satellite and lidar observations. During the whole study period, several extreme low visibility periods were observed with distinct characteristics, and three typical haze types were identified, i.e. secondary inorganic pollution, dust, and biomass burning. Sulfate, nitrate and ammonium accounted for a major part of PM2.5 mass during the secondary inorganic pollution, and the good correlation between SO2/NOx/CO and PM2.5 indicated that coal burning and vehicle emission were the major sources. Large-scale regions with high AOD (aerosol optical depths) and low ngstr m exponent were detected by remote-sensing observation during the dust pollution episode, and this episode corresponded to coarse particles rich in mineral components such as Al and Ca contributing 76.8% to TSP. The relatively low Ca/Al ratio of 0.75 along with the air mass backward trajectory analysis suggested the dust source was from Gobi Desert. Typical tracers for biomass burning from satellite observation (column CO and HCHO) and from ground measurement (CO, particulate K+, OC, and EC) were greatly enhanced during the biomass burning pollution episode. The exclusive linear correlation between CO and PM2.5 corroborated that organic aerosol dominated aerosol chemistry during biomass burning, and the high concentration and enrichment degree of arsenic (As) could be also partly derived from biomass burning. Aerosol optical profile observed by lidar demonstrated that aerosol was mainly constrained below the boundary layer and comprised of spheric aerosol (depolarization ratio <5%) during the secondary inorganic and biomass burning episodes, while thick dust layer distributed at altitudes from near surface to 1.4 km (average depolarization ratio = 0.122 卤 0.023) with dust accounting for 44鈥55% of the total aerosol extinction coefficient during the dust episode. This study portrayed a good picture of the typical haze types and proposed that identification of the complicated emission sources is important for the air quality improvement in megacities in China.

DOI

[10]
尚伟, 黄超, 王菲. 超细颗粒物PM2.5控制技术综述. 环境科技, 2008, 21(S2): 75-78.PM25由于其较小的粒径、巨大的比表面积、较大的危害等特点受 到世界各国的广泛研究.对此从亚微米粒子的来源、性质、危害等方面进行阐述,对比和总结国内外目前常用的控制技术,详细叙述了静电和其他除尘器相结合以及 交流凝并技术脱出超细颗粒物的原理.交流凝并是一种适合收集亚微米粒子的有效方法,这种方法收集效果好,经济实用,适用于去除炼钢、焊接、煤炭燃烧后产生 的悬浮性粉尘粒子等方面.研究粒子的荷电、凝并对继续完善荷电凝并理论.提高亚微米粒子的收集效果是十分必要的.

DOI

[Shang Wei, Huang Chao, Wang Fei.Overviews on controlling technology of submicron particles. Environmental Science and Technology, 2008, 21(S2): 75-78.]

[11]
王帅, 丁俊男, 王瑞斌, 等. 关于我国环境空气质量监测点位设置的思考. 环境与可持续发展, 2012, (4): 21-25.设置各种空气质量监测点位时, 应以监测网络的监测目的为根本出发点,并同时考虑点位功能和空间代表尺度、点位环境条件以及实际经济技术条件等因素。一个完整的环境空气质量监测网络应涵 盖各类功能的监测点位,从而达到监测网络建设的多目标要求,然而空气质量监测点位的建设是一个不断发展和完善的过程。目前我国城市空气质量监测点以空气质 量评价点为主,其目的是掌握城市整体空气质量状况和长期变化趋势,为环境管理和污染防治提供决策依据,但这类监测点位的功能相对单一,难以满足公众了解详 尽的空气质量状况信息的需求。未来,随着监测投入的增加,我国应进一步完善地方监测网络建设,使之涵盖不同功能的监测点位,从而更好地为公众提供空气质量 预警信息和健康指引。

DOI

[Wang Shu-ai, Ding Junnan, Wang Ruibin, et al.Study on the settings of ambient air quality monitoring sites in China. Environment & Sustainable Development, 2012, (4): 21-25.]

[12]
潘本锋, 汪巍, 王瑞斌, 等. 我国PM2.5监测网络布局与监测方法体系构建策略分析. 环境与可持续发展, 2013, (3): 9-13.

[Pan Benfeng, Wang Wei, Wang Ruibin, et al.Analysis on the construct of fine particle monitoring network and monitoring technique system in China. Environment and Sustainable Development, 2013, (3): 9-13.]

[13]
朱倩茹, 刘永红, 徐伟嘉, 等. 广州PM2.5 污染特征及影响因素分析. 中国环境监测, 2013, 29(2): 15-21.对广州市2008—2010年PM质量浓度、影响因素数据资料进行整理统计,通过定性分析、定量计算以及对各物理量之间的相互作用过程研究,得出PM质量浓度变化特征和各影响因素之间的关系。结果表明,PM质量浓度变化呈现夏季和非夏季2种典型的季节性特征,夏季月平均值0.049 mg/m,主要分布在0.03～0.05 mg/m,非夏季月均值为0.063 mg/m,分布于0.05～0.08 mg/m之间;夏季、非夏季PM质量浓度超标率(采用美国EPA标准)分别为70.7%、77.8%,质量标准2倍、3倍以上出现的概率都表现出明显的季节性差异;PM与温度正相关,和其他因素负相关,其中与能见度相关性最大,其次是温度、风速,与降雨量相关性最差,与气压、相对湿度相关系数季节性特征显著。

[Zhu Qianru, Li- U Yonghong, Xu Weijia, et al.Analysis on the pollution characteristics and influence factors of PM2.5 in Guangzhou. Environmental Monitoring in China, 2013, 29(2): 15-21.]

[14]
董凤鸣, 莫运政, 李国星, 等. 大气颗粒物(PM10/PM2.5)与人群循环系统疾病死亡系的病例交叉研究. 北京大学学报: 医学版, 2013, 45(3): 398-404.

[Dong Fengming, Mo Yunzheng, Li Guoxing, et al.Association between ambient PM10/PM2.5 levels and population mortality of circulatory diseases: A case-crossover study in Beijing. Journal of Peking University: Health Sciences, 2013, 45(3): 398-404.]

[15]
张衍燊, 马国霞, 於万, 等. 2013年1月灰霾污染事件期间京津冀地区PM2.5污染的人体健康损害评估. 中华医学杂志, 2013, 93(34): 2707-2710.目的 评估2013年1月灰霾污染事件期间京津冀地区12个城市人群因环境空气中粒径≤2.5 μm的颗粒物(PM2.5)暴露所致的健康损害.方法 收集京津冀地区12个城市(北京、天津、石家庄、保定、承德、邯郸、廊坊、衡水、秦皇岛、唐山、邢台和张家口)人口数、空气质量监测数据和人群基线死亡率 数据.利用国内已发表文献,建立PM2.5短期暴露与人群超额死亡间的暴露-反应关系.根据各城市暴露人口数、PM2.5浓度和暴露-反应关系系数,推算 京津冀地区2013年1月10至31日灰霾污染事件期间因PM2.5暴露导致的超额死亡人数.结果 京津冀地区分别于1月12日、1月19日和1月27日发生了3次严重的灰霾污染事件.2013年1月10至31日,北京、天津、石家庄、唐山、秦皇岛、邯 郸、邢台、保定、张家口、承德、廊坊、衡水PM2.524h平均浓度最大值分别为705、411、675、506、255、598、698、667、 231、178、718和405 μg/m3.其中,邢台、石家庄、邯郸、保定、廊坊和北京的PM2.5污染较为严重,空气质量指数达到严重污染的天数分别为17、13、12、11、10 和8d,分别占观测天数的77.3％ 、59.1％、54.5％、50.0％、45.5％和36.4％.2013年1月10至31日京津冀地区人群因PM2.5短期暴露导致超额死亡2725 人,其中呼吸系统疾病超额死亡人数846人,循环系统疾病超额死亡人数1878人.结论 灰霾污染事件导致严重的公共健康代价,亟需开展PM2.5污染防治行动.

DOI

[Zhang YanShen, Ma Guoxia, Yu Wan, et al. Health damage assessment due to PM2.5 exposure during haze pollution events in Beijing-Tianjin-Hebei region in January 2013. National Medical Journal of China, 2013, 93(34): 2707-2710.]

[16]
Liu Yang, Franklin M, Kahn R, et al.Using aerosol optical thickness to predict ground-level PM2.5 concentrations in the St. Louis area: A comparison between MISR and MODIS. Remote Sensing of Environment, 2007, 107(1): 33-44.

[17]
郭建平, 吴业荣, 张小曳, 等. BP网络框架下MODIS气溶胶光学厚度产品估算中国东部PM2.5. 环境科学, 2013, (3): 817-825.近年来随着中国经济的快速发展,中国区域的大气污染情况日趋严 重,大气污染监测与治理已刻不容缓.由于卫星遥感具有较广的空间覆盖、成本低等优点,卫星遥感反演气溶胶光学厚度(AOD)产品被普遍认为是地面 PM2.5浓度的重要指标,且已被广泛地应用于地面PM2.5遥感监测.利用2007～ 2008年的MODIS/Terra气溶胶光学厚度产品,考虑中国东部地区5个大气成分站点风速、风向、温度、湿度和边界层高度等气象数据,构建后向 (BP)神经网络,提出了基于MODIS AOD产品估算PM2.5的模型.利用5个大气成分站点PM2.5观测数据对模型进行散点拟合和时间序列拟合验证,结果表明:①从PM2.5观测值与估算 值的散点回归分析来看,PM2.5估算值与观测值相关系数最好的为庐山站(R=0.6),其它4个站次之,但其相关系数均在0.4(中强相关)以上；②从 PM2.5观测值与估算值的时间序列比对分析来看,PM2.5估算值和观测值差值随时间变化而变化,且存在明显的日际振荡现象,但经相邻5d滑动平均处 理,5个站点的PM2.5估算值与观测值相关系数得到普遍提升,滑动后的相关系数RMA均在0.7以上(除郑州外),庐山RMA达到0.83.结果表明在 BP网络框架下,基于MODIS AOD产品估算PM2.5的模型能较好地应用于PM2.5监测.

[GUO Jianping, WU Yerong, ZHANG Xiaoye, et al.Estimation of PM2.5 over eastern China from MODIS aerosol optical depth using the back propagation neural network. Environmental Science, 2013, (3): 817-825.]

[18]
Gorai A K, Tuluri F, Tchounwou P B.A gis based approach for assessing the association between air pollution and asth-ma in New York State, USA. International Journal of Environmental Research and Public Health, 2014, 11(5): 4845-4869.

[19]
Amini H, Taghavi-Shahri S M, Henderson S B, et al. Land use regression models to estimate the annual and seasonal spatial variability of sulfur dioxide and particulate matter in Tehran, Iran. Science of the Total Environment, 2014, 488/489: 343-353.

[20]
Beckerman B S, Jerrett M, Serre M, et al.A hybrid approach to estimating national scale spatiotemporal variability of PM2.5 in the contiguous United States. Environmental science & technology, 2013, 47(13): 7233-7241.Airborne fine particulate matter exhibits spatiotemporal variability at multiple scales, which presents challenges to estimating exposures for health effects assessment. Here we created a model to predict ambient particulate matter less than 2.5 mu m in aerodynamic diameter (PM2.5) across the contiguous United States to be applied to health effects modeling. We developed a hybrid approach combining a land use regression model (LUR) selected with a machine learning method, and Bayesian Maximum Entropy (BME) interpolation of the LUR space-time residuals. The PM2.5 data set included 104,172 monthly observations at 1464 monitoring locations with approximately 10% of locations reserved for cross validation LUR models were based on remote sensing estimates of PM2.5, land use and traffic indicators. Normalized cross validated R-2 values for LUR were 0.63 and 0.11 with and without remote sensing, respectively, suggesting remote sensing is a strong predictor of ground level concentrations In the models including the BME interpolation of the residuals, cross validated R-2 were 0.79 for both configurations; the model without remotely sensed data described more line scale variation than the model including remote sensing. Our results suggest that our modeling framework can predict ground level concentrations of PM2.5 at multiple scales over the contiguous U.S.

DOI PMID

[21]
Zhang Yunwei, Gu Zhaolin.Air quality by urban design. Nature Geoscience, 2013, 6(7): 506-506.Not Available

DOI

[22]
Zhang R, Jing J, Tao J, et al.Chemical characterization and source apportionment of PM2.5 in Beijing: seasonal perspect- ive. Atmospheric Chemistry & Physics, 2013, 13(14): 7053-7074.

[23]
Van Donkelaar A, Martin R V, Brauer M, et al.Global estimates of ambient fine particulate matter concentrations from s- atellite-based aerosol optical depth: development and application. Environmental Health Perspectives, 2010, 118(6): 847-855.

[24]
沈体雁. 空间计量经济学. 北京: 北京大学出版社, 2010.

[Shen Tiyan. Spatial Econometrics.Beijing: Peking University Press, 2010.]

[25]
周旻, 孙海涛. 基于GIS的城市区域噪声空间分析. 生态科学, 2010, 29(4): 380-384.<p>GIS技术在城市噪声管理中已经得到了广泛的应用,城市噪声监测部门在日常工作中会积累大量的数据资料,噪声地图的发展更是提供了大量的模拟噪声数据。从地学的视角来分析城市环境噪声问题,采用GIS空间分析软件Geoda支持的&quot;箱线图&quot;和&quot;分层设色图&quot;方法,通过分析现有的数据来发现噪声&quot;热点&quot;实施噪声评估,分析区域的环境噪声,还可轻易发现该区的噪声分布特点。这种分析方法将数据与相关的地理环境相对应,噪声数据反应的规律和噪声的空间格局得以直观地展现,分析结果可作为环境噪声研究、环境管理和政策制定的参考,是研究城市环境噪声状况的新途径。</p>

[Zhou Min, Sun Haitao.GIS-based regional noise spatial analysis of urban area. Ecological Science, 2010, 29(4): 380-384.]

[26]
孟延春, 汤苍松. .

[27]
黄金川, 孙贵艳, 闫梅, 等. 中国城市场强格局演化及空间自相关特征. 地理研究, 2012, 31(8): 1355-1364.将城市场强与空间自相关结合起来,研究中国661个城市辐射场强和城市间的互动关联强度。从场强看,北京、上海、广州等超大城市辐射作用增长迅速,已形成全国性的辐射圈层结构;围绕沿海特大城市及武汉、郑州、重庆、成都等中西部的区域中心城市,已具备孵化若干区域级城市群的城市化土壤;在地区尺度范围,全国大量地区性中心城市所形成的辐射场强,则培育了都市区发育的城市化土壤。从互动关联强度看,沿海地区城市间相互作用和互动关联性明显高于内陆地区,不仅促进了珠三角、长三角、环渤海等超级城市群的日趋成熟,而且推动辽中南、山东半岛等次级城市群发展壮大。然而,内陆地区大部分城市目前还处于相对孤立发展状态,城市间互动关联性较弱,城市群发育潜力尚未得到真正激发。

[Huang Jinchuan, Sun Guiyan, Yan Mei, et al.The spatio-temporal evolution of urban field strength and pattern of autocorrelation among cities in China. Geographical Research, 2012, 31(8): 1355-1364.]

[28]
林锦耀, 黎夏. 基于空间自相关的东莞市主体功能区划分. 地理研究, 2014, 33(2): 349-357.中国&ldquo;十一五&rdquo;规划纲要明确提出，根据资源环境承载能力、现有开发密度和发展潜力，统筹考虑未来中国人口分布、经济布局、国土利用和城镇化格局，将国土空间划分为优化开发、重点开发、限制开发和禁止开发四类主体功能区。至今已有不少学者开展主体功能区划分研究，但所用方法工作量大，或带有一定的主观性，且未考虑同类功能区集聚或分散程度。因此提出利用遗传算法改进传统聚类方法，自动划分主体功能区，在划分过程中考虑区域的全局空间自相关特性，使同类功能区在空间上呈集聚分布的格局。以近年来城市快速扩张的东莞市为例，验证了此方法的可行性，能简单有效地进行主体功能区划分。与常用的K-means聚类方法相比，新方法划分结果更符合实际情况，能进一步推广应用到其它地区的主体功能区划分。

DOI

[Lin Jinyao, Li Xia.MFOZ planning of Dongguan based on spatial autocorrelation by using genetic algorithms. Geographical Research, 2014, 33(2): 349-357.]

[29]
吕韬, 曹有挥. “时空接近”空间自相关模型构建及其应用: 以长三角区域经济差异分析为例. 地理研究, 2010, 29(2): 351-360.lt;p>地理学第一定律是空间自相关统计学的核心和基石,传统的空间自相关以邻接性或空间距离函数确定空间权重矩阵。但随着快速交通网络变得具有渗透性,空间距离内涵已发生质的变化,&quot;接近&quot;概念有必要从&quot;空间接近&quot;拓展为&quot;时空接近&quot;。基于这一新的内涵,提出&quot;时空接近&quot;空间自相关概念并构建相应计算模型,结合表征时间距离的可达性指标将该模型应用于长三角区域经济差异分析。通过计算全局Moran's I和局域Moran's I,结果表明:在全局空间自相关指标上,&quot;时空接近&quot;空间自相关能更好地揭示地理事物间的关联动态变化。在局域空间自相关指标上,当时间距离截取在合理范围时,邻接性表现出较强的稳健性,但&quot;时空接近&quot;与传统&quot;空间接近&quot;的空间相关性存在较大差异,两者结合能更客观揭示地理事物空间关联的现象和本质。</p>

DOI

[Lv Tao, Cao Youhui.Construction of spatial autocorrelation method of spatial-temporal proximity and its application: Taking regional economic disparity in the Yangtze River Delta as a case study. Geographical Research, 2010, 29(2): 351-360.]

[30]
全国城市空气质量实时发布平台, 2013.

[China National Environmental Monitoring Centre of the real-time publishing platform of China urban air quality, 2013.]

[31]
中华人民共和国国家统计局. 中国统计年鉴2014, 2015-09-20.

[National Bu- reau of Statistics of the People's Republic of China. 2014 China Statistical Yearbook, , 2015-09-20.]

[32]
陈曦炜, 戴尔阜. 土地利用的多尺度空间自相关模型比较. 农业工程学报, 2011, 27(6): 324-331.该文以广州市花都区为例，选用拉格朗日乘子检验和拟合度检验分析比较了经典线性回归模型、空间滞后模型、空间误差模型对于土地利用与驱动因子在不同尺度上的解释力和适用度。研究表明：1)经典线性回归模型的残差表现出正相关性，但比原始土地利用数据弱，表明经典线性回归模型能部分地解释土地利用空间布局但忽略了土地利用的空间依赖性；2)与经典线性回归模型相比，空间滞后模型、空间误差模型很好地消除了空间自相关性，并且有更好的拟合度；3)研究区不同地类、不同尺度的最优空间自回归模型的具体形式是不同的，表明最优空间自回归模型的具体形式也存在尺度依赖性。

[Chen Xiwei, Dai Erfu, Comparison of spatial autoregressive models on multi-scale land use. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(6): 324-331.]

[33]
冯之浚. 循环经济与文化研究. 见: 同济大学. 2005中国可持续发展论坛: 中国可持续发展研究学术年会论文集. 上海: 同济大学, 2005: 3-5.

[Feng Zhijun.Study on circular economy and culture. In: Tongji University. The Proceedings of 2005 Chinese Society for Sustainable Development. Shanghai: Tongji University, 2005: 3-5.]

Options
文章导航

/

〈 〉