基于“一街一站”的深圳市PM2.5时空特征及排名通报作用研究

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

梁景天^,¹^,², 吴健生^,¹^,³, 赵宇豪¹^,³, 陈弼锴¹, 王怡¹

1.北京大学深圳研究生院城市规划与设计学院城市人居环境科学与技术重点实验室,深圳 518055

2.广州市规划和自然资源局白云区分局,广州 510405

3.北京大学城市与环境学院地表过程分析与模拟教育部重点实验室,北京 100871

Spatiotemporal characteristics and effects of ranking proclamation of PM_2.5 in Shenzhen based on sub-district monitoring network

LIANG Jingtian^,¹^,², WU Jiansheng^,¹^,³, ZHAO Yuhao¹^,³, CHEN Bikai¹, WANG Yi¹

1. Key Laboratory for Urban Habitat Environmental Science and Technology, School of Urban Planning and Design, Shenzhen Graduate School, Peking University, Shenzhen 518055, Guangdong, China

2. Baiyun District Sub-bureau, Guangzhou Municipal Planning and Natural Resources Bureau, Guangzhou 510405, China

3. Laboratory for Earth Surface Processes, Ministry of Education, College of Urban and Environmental Sciences, Peking University, Beijing 100871, China

通讯作者: 吴健生（1965-）,湖南新化人,博士,教授,博士生导师,主要从事景观生态学、遥感与GIS研究。E-mail: wujs@pkusz.edu.cn

收稿日期:2019-08-20修回日期:2020-07-15网络出版日期:2020-11-20

基金资助:

深圳市科技计划.JCYJ20170412150910443
国家重点研发计划.2019YFB2102000
国家自然科学基金面上项目.41671180

Received:2019-08-20Revised:2020-07-15Online:2020-11-20
作者简介 About authors
梁景天（1995-）,广东肇庆人,硕士,主要从事土地利用规划研究。E-mail: liangjingtian@pku.edu.cn

摘要
深圳市于2018年6月建成了全国首个街道空气监测网络“一街一站”,并对全市74个街道进行月均PM_2.5浓度排名,向公众通报空气质量排名倒数十位的街道,以落实基层治理大气污染的责任。本研究基于深圳市街道空气监测网络的数据,分析了深圳市PM_2.5浓度的时空特征,使用双重差分模型检验空气质量排名通报是否能发挥环保部门所期待的效果,进一步促使PM_2.5浓度排名靠后的街道改善其空气质量。结果表明：① 基于街道空气监测的深圳市年均PM_2.5浓度为22.4 μg/m³,月均浓度最低值出现在7月,最高值出现在1月,与国家站监测结果之间无显著性差异。② 深圳市街道的PM_2.5浓度具有较高的空间集聚性,高值主要聚集在西北部,低值主要聚集在中南部,而国家监测站难以准确表征深圳市PM_2.5浓度空间分布特征。③ 考虑了个体和时间固定效应的双重差分模型分析结果表明,对深圳市月均PM_2.5浓度较高、空气质量排名靠后的街道进行通报,其随后1~2个月的PM_2.5浓度仍受该月污染的持续性影响,而通报行为无显著性影响;到随后第3个月,该月污染的持续性影响下降到较小的程度,此时通报行为对PM_2.5浓度呈显著降低作用,且影响程度大于污染的持续性影响。
关键词： 污染排名;PM_2.5;双重差分模型;时空特征;深圳市

Abstract

In June 2018, China′s first sub-district air monitoring network was put into use in Shenzhen. The monthly average PM_2.5 concentrations of 74 sub-districts within the city are ranked, and the list of 10 sub-districts with the worst air quality is proclaimed to the public, in order to carry out the responsibility of air pollution control at the grassroots level. Based on the air quality monitoring data of sub-districts, we analyzed spatiotemporal characteristics of PM_2.5 concentrations in Shenzhen in this study. By comparing the spatiotemporal characteristics of PM_2.5 concentrations measured by national and sub-district air monitoring stations, we identified the advantages of sub-district air monitoring network. And then, a difference-in-difference (DID) model was used to explore whether ranking proclamation can effectively push the poorly-ranked sub-districts to improve their air quality, as the environmental protection department anticipated. The results show that: (1) according to the sub-district air monitoring, the annual average PM_2.5 concentration in Shenzhen was 22.4 μg/m³, and the monthly average concentrations was the lowest in July and the highest in January, showing no significant difference compared with the results from the national air monitoring stations; (2) sub-district PM_2.5 concentrations in Shenzhen presented a strong spatial clustering pattern, with a high value cluster in the northwest and a low value cluster in the central-south part, but the national air monitoring stations could hardly illustrate the spatial pattern of PM_2.5 in Shenzhen accurately; (3) the DID model with individual and temporal fixed effects suggests that, PM_2.5 concentrations of the poorly-ranked sub-districts in Shenzhen were still affected by continous monthly air pollution in the following 1-2 months after the proclamation, and the proclamation showed no significant effect. However, in the following third month, the continuity of monthly pollution decreased to a lower level, while the effect on decreasing PM_2.5 concentration of proclamation became significant and was larger than the influence of persistent pollution. The study shows that ranking proclamation may be conducive to the implementation of grassroots governments' responsibility to control air pollution, which is due to the pressure and the impression restoration strategy after negative reports, but further research and confirmation are still required.

Keywords：pollution ranking;PM_2.5;difference-in-difference model;spatiotemporal characteristics;Shenzhen

PDF (2737KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
梁景天, 吴健生, 赵宇豪, 陈弼锴, 王怡. 基于“一街一站”的深圳市PM_2.5时空特征及排名通报作用研究. 地理研究[J], 2020, 39(11): 2642-2652 doi:10.11821/dlyj020190716
LIANG Jingtian, WU Jiansheng, ZHAO Yuhao, CHEN Bikai, WANG Yi. Spatiotemporal characteristics and effects of ranking proclamation of PM_2.5 in Shenzhen based on sub-district monitoring network. Geographical Research[J], 2020, 39(11): 2642-2652 doi:10.11821/dlyj020190716

1 引言

自改革开放以来,深圳市经历了高速的城市发展,现已成为中国大陆人口密度最大的城市,也是经济最发达的城市之一。由于高密度的城市开发、高化石能源消耗和机动车保有量的不断增加,深圳市的PM_2.5污染引起广泛的社会关注。PM_2.5附着的有机污染物^[1,2]、重金属元素^[3]等有毒成分,会导致心脏病、癌症^[4,5]、早产^[6]等生理健康风险的上升。此外,PM_2.5污染还与抑郁症等心理疾病的发生高度相关^[7,8]。近年来,深圳市政府采取一系列治理措施,PM_2.5浓度呈现显著的下降趋势^[9],2018年均PM_2.5浓度已经达到26 μg/m³,但是相比东京、伦敦等国外城市仍有一定差距,且PM_2.5浓度进一步降低的难度逐渐增大^[10]。

对城市PM_2.5进行自动实时监测是明确大气污染状况、实施PM_2.5污染的监管以及促进大气质量改善的重要途径^[11]。深圳市设有11个国家空气监测站,但在各行政区、各用地类型中分布较不均匀,容易带来监测覆盖范围不广和管理冗余等问题^[12]。为了加强对PM_2.5污染的精细化监管水平,深圳市于2018年6月建成了全国首个街道空气监测网络,即“一街一站”系统,实现了全市74个街道都配有PM_2.5自动监测站。该监测网络扩展了对深圳市内PM_2.5污染的监测范围,但对其监测数据的深入分析研究目前还鲜有开展。

“一街一站”建成后,深圳市政府开展街道月度空气质量的排名通报,旨在调动街道治理大气污染的积极性,促使排名靠后的街道改善空气质量^[13]。因空气质量排名靠后而被通报对于街道而言无疑是一种负面报道,而有研究表明负面报道会刺激组织实施形象修复策略^[14],如环境绩效排名靠后的美国企业会倾向于提高绩效,但如果未进行排名则影响不显著^[15]。环境排名通报政策在中国也已得到运用,如生态环境部每月对全国城市进行空气质量排名通报,有研究表明该排名提高了政府对空气污染状况的披露质量,但并没有使排名靠后的城市面临更大的声誉压力^[16]。而在污染治理责任更容易落实到基层的街道尺度上,排名通报能否有效促使空气质量改善,是一个值得探讨的问题。由于各种原因,“一街一站”建成后,深圳市并未每月进行排名通报,而是仅有部分月份进行了通报,这为探究排名通报的影响效果提供了绝佳的“自然实验”条件。

本研究首先对深圳市“一街一站”的PM_2.5浓度分布及其时空变化进行分析,并与国家空气监测站的相关数据开展对比分析,其次分析了深圳市通报空气质量排名倒数的街道是否有助于改善其空气质量。本研究不仅能为深圳市进行大气污染监管的策略提供建议,也能为其他城市建设街道空气监测网络的可行性和必要性分析提供参考。

2 研究数据与方法

2.1 数据来源

研究区深圳市（113°46'E~114°37'E,22°27'N~22°52'N）位于广东省南部,土地面积1997km²,常住人口约1253万,气候夏季高温多雨,冬季低温少雨,为典型的亚热带季风气候。深圳市含有74个行政街道,11个国家空气监测站点（图1）。本研究的研究期为深圳市“一街一站”监测网络建成后的一年,即2018年6月至2019年5月。从深圳市生态环境局发布的应用程序“深圳空气质量”收集了深圳市各街道PM_2.5月均浓度数据和排名情况,从全国城市空气质量实时发布平台网站收集了深圳市11个国家空气监测站的PM_2.5浓度数据并计算了各站点的月均浓度。此外,从深圳市生态环境局网站上检索对街道PM_2.5月均浓度的排名通报情况,获得深圳市曾进行排名通报的月份（共5次,分别为2018年6月、11月、12月,2019年3月、4月）和被通报的空气质量排名倒数十位的街道名单。

图1

新窗口打开|下载原图ZIP|生成PPT
图1研究区行政区划及国家空气监测站点分布

Fig. 1The administrative division of the study area, and the distribution of national air monitoring stations

2.2 研究方法

2.2.1 深圳市PM_2.5浓度的时空差异特征探究为探究深圳市月均PM_2.5浓度的年际变化并对比街道、国家两类空气监测站的结果,本研究分别对各月的街道、国家监测站PM_2.5月均浓度数据计算组内平均值,并对两组数据进行逐月的成组t检验,以5%的显著性水平判断两组数据的均值是否存在显著性差异。

通过计算局部莫兰指数^[17],分别对深圳市74个街道和11个国家空气监测站的年均PM_2.5浓度进行空间聚类和异常值分析,识别PM_2.5的高值聚类、低值聚类区域和空间异常值,以探究深圳市PM_2.5的空间分异特征。对于监测站或街道对象i,其局部莫兰指数（I）的计算公式为^[18]：

（1）

I_{i} = \frac{x_{i} - \overset{?}{X}}{S_{i}^{2}} \overset{n}{\sum_{j = 1, j \neq i}} ω_{i, j} (x_{j} - \overset{?}{X})

其中：

（2）

S_{i}^{2} = \frac{1}{n - 1} \overset{n}{\sum_{j = 1, j \neq i}} {(x_{j} - \overset{?}{X})}^{2}

式中：

x_{i}

、

x_{j}

分别是i、j的PM_2.5浓度;

\overset{?}{X}

是所有PM_2.5浓度的平均值;

ω_{i, j}

是i与j之间的空间权重（本研究采用反距离平方法计算）;n为国家空气监测站或街道的总数目。

当某一国家空气监测站或街道的I值显著大于0时,表明其为PM_2.5高值或低值聚类区的一部分;当其显著小于0时,表明其PM_2.5浓度与周围区域有明显区别,为空间异常值^[19]。本研究的局部莫兰指数在ArcGIS 10.5平台中计算,并采用95%的置信度进行检验。

2.2.2 街道PM_2.5浓度排名通报的影响探究双重差分模型（Difference-in-Difference model, DID model）在各类研究中被广泛应用于评估公共政策或项目实施的效果^[20],包括应用于政策或项目对空气污染的影响研究中,如探究高速公路收费^[21]、地铁线路开通^[22]、区域协同治理政策^[23]、征收环保税^[24]等对空气质量的影响。双重差分模型的关键在于构建两个差分项,即样本分为“实验组”与“对照组”,样本状态分为“受干预”与“未干预”,将被政策干预的实验组样本与其他样本比较,从而分离出政策的真实效果。面板数据中的双重差分模型基本形式如下^[25]：

（3）

Y_{it} = α + β (G_{i} \times D_{i}) + μ_{i} + λ_{t} + γ X_{it} + ε_{it}

式中：

Y_{it}

为个体i在第t期的被解释变量值;i为个体;t为时间;

α

为模型截距项;

G_{i}

为分组虚拟变量（实验组=1,对照组=0）;

D_{i}

为政策干预虚拟变量（受干预=1,未干预=0）;

G_{i} \times D_{i}

表示实验组受到政策干预后的效应;回归系数

β

表示该效应的估计值,其大小与显著性即为双重差分模型考察的重点;

μ_{i}

为个体固定效应;

λ_{t}

为时间固定效应;

X_{it}

为其他控制变量;

ε_{it}

为模型误差项。在本研究中,由于实验组为街道月均PM_2.5浓度最高的10个街道,每个月该名单都有所变动,即个体固定效应

μ_{i}

中并不包含实验组与对照组间的差异,因此参考已有研究^[21]对公式（3）作改进,使用公式（4）构建符合本研究实际情况和研究目的的双重差分模型：

（4）

y_{it} = α + β_{G} G_{i, t - 1} + β_{D} D_{i, t - 1} + μ_{i} + λ_{t} + ε_{it}

式中：

y_{it}

是i街道在t月时的PM_2.5对数浓度;

G_{i, t - 1}

、

D_{i, t - 1}

分别为i街道在t-1月时的分组虚拟变量和政策干预虚拟变量：若i街道在t-1月PM_2.5浓度排名深圳市前十位,则

G_{i, t - 1} = 1

,否则

G_{i, t - 1} = 0

;若i街道在t-1月因PM_2.5浓度排名深圳市前十位而被通报,则

D_{i, t - 1} = 1

,否则

D_{i, t - 1} = 0

;

β_{G}

、

β_{D}

分别是分组虚拟变量和政策干预虚拟变量的回归系数。通过模型的改进,实验组与对照组的差异引起的影响被分离并在

β_{G}

中体现,代表“t月空气质量排名全市倒数十位”这一事实对随后月份的PM_2.5浓度的影响;而“通报”这一政策行为的净影响则在

β_{D}

中体现。若

β_{D}

显著小于0,则表明排名的通报会促使街道修复自身负面形象,有效改善空气质量;若

β_{D}

显著大于0,则表明排名的通报反而会使街道的空气质量进一步恶化;若

β_{D}

不显著,则表明排名的通报不会对街道的空气质量产生明显的影响^[26]。本研究未加入其他控制变量,主要原因在于街道月份尺度的控制变量难以获取,因此将其他控制变量的影响归入模型的误差项中。此外,为了充分利用PM_2.5浓度数据,本研究基于2018年5月深圳已建成的70个街道空气质量排名情况对6月的

G_{i}

进行赋值。此时尚未建成空气监测站的4个街道在接下来的一年中均从未进入月均深圳市PM_2.5浓度前十位,因此2018年5月深圳市已布置空气监测站的70个街道中,浓度最高的十个即可视作当月深圳市PM_2.5浓度最高的10个街道。

考虑到PM_2.5浓度对政策的响应往往具有一定的滞后性^[27],但公式（4）只探究了排名通报对下一个月的街道PM_2.5浓度的影响。因此,另外用公式（5）、公式（6）分别构建了评估排名通报对后续第2、第3个月的影响的双重差分模型：

（5）

y_{it} = α + β_{G} G_{i, t - 2} + β_{D} D_{i, t - 2} + μ_{i} + λ_{t} + ε_{it}

（6）

y_{it} = α + β_{G} G_{i, t - 3} + β_{D} D_{i, t - 3} + μ_{i} + λ_{t} + ε_{it}

式中：

G_{i, t - 2}

、

G_{i, t - 3}

分别是i街道在t-2、t-3月的分组虚拟变量;

D_{i, t - 2}

、

D_{i, t - 3}

分别是i街道在t-2、t-3月的政策干预虚拟变量。本研究的双重差分模型构建均在SPSS 25软件中进行。

3 结果分析

3.1 深圳市月均PM_2.5浓度的变化特征

图2a展示了基于街道和国家空气监测站点计算的深圳市月均PM_2.5浓度的变化特征。2018年6月至2019年5月,基于国家和街道空气监测站计算深圳市的年均PM_2.5浓度分别为22.6 μg/m³和22.4 μg/m³。可见,深圳市的年均PM_2.5浓度优于35 μg/m³的空气质量国家二级标准,且相比2017年的27 μg/m³进一步降低,基本达到《深圳市大气环境质量提升计划（2017—2020年）》中“到2020年,PM_2.5年均浓度控制在25 μg/m³以内”的目标。在PM_2.5浓度的时间变化上,基于国家和街道空气监测站的数据均表明,深圳市月均PM_2.5浓度最高值出现在1月,约为37 μg/m³;月均浓度最低值出现在7月,约为13 μg/m³。研究期内,深圳市具有“冬高夏低”的PM_2.5浓度时间变化特征,但季节过渡时PM_2.5浓度并非平稳变化,而是略有起伏。在2018年10月,深圳市月均PM_2.5浓度已升至约30 μg/m³,在研究期内仅次于2019年1月,以后在2018年11月、12月均有所下降,但在2019年1月达到最高值。而后在2019年2月,深圳市的月均PM_2.5浓度已降至约19 μg/m³的低值,又在3月有所回升,然后才稳步下降。

图2

新窗口打开|下载原图ZIP|生成PPT
图2基于国家和街道空气监测站的深圳市PM_2.5月均浓度对比和月均值差异t检验结果

Fig. 2Comparison between monthly PM_2.5 concentrations in Shenzhen based on national and sub-district air monitoring stations and the t-test results of the differences

图2a中可以直观看出,分别基于国家和街道空气监测站计算的深圳市月均PM_2.5浓度结果非常接近,图2b进一步展示了两者是否具有相同均值的成组t检验结果。可见在12个月内,基于国家空气监测站计算的深圳市PM_2.5浓度月均值有7个月高于街道空气监测站的月均值,另外5个月低于街道空气监测站的月均值,但两者的差异很小,均未通过5%显著性水平下的显著性检验。这进一步表明,深圳市建设的街道空气监测网络在用于计算深圳市PM_2.5浓度的平均水平时,虽然相比原有的国家空气监测站扩大了监测范围,但并没有因此获得显著不同的平均浓度结果。深圳市原有的11个国家空气监测站虽然分布稀疏,但在深圳市PM_2.5的不同浓度区内均有布置,使其在监测深圳市的平均PM_2.5污染水平及其月际变化时,已经达到了较为准确的水平。因此,新建的街道空气监测网络在全市PM_2.5均值评估方面并无突出优势。

3.2 深圳市PM_2.5浓度的空间分布特征

图3展示了基于国家和街道空气监测站的深圳市年均PM_2.5浓度空间分布特征（见图3a、图3c）和通过计算局部莫兰指数得到的PM_2.5浓度空间聚类和异常值（见图3b、图3d）。从图3中可见,深圳市原有的11个国家空气监测站中有3个布置在街道PM_2.5年均浓度的低值聚类区,2个布置在高-低空间异常区,其余6个皆布置在不显著区域。国家空气监测站覆盖范围相对有限,因此难以完整表征深圳市内的PM_2.5浓度空间分布情况,尤其是西北部的PM_2.5浓度的高值集聚区中缺乏国家监测站,在街道空气监测网络建成前该地区作为深圳市内PM_2.5浓度最高、空间集聚最显著的地区却长期缺乏污染物实测数据,可能会降低当地居民及大气污染治理者对该地区PM_2.5污染的关注和重视程度。新建的“一街一站”空气监测网络通过将空气监测站加密到街道尺度,更准确地呈现了深圳市内PM_2.5浓度空间分布,即其具有较明显的“西高东低、北高南低”的特征。

图3

新窗口打开|下载原图ZIP|生成PPT
图3基于国家和街道空气监测站的深圳市PM_2.5空间分布及空间聚类和异常值分析

Fig. 3The spatial distribution and spatial clusters and outliers of PM_2.5 in Shenzhen based on national and sub-district air monitoring stations

图3d进一步显示,深圳市街道尺度PM_2.5浓度分布的空间集聚性明显,具有显著“高值集聚”“低值集聚”特征的街道分别有15、14个,合计占街道总数的约40%。其中西北部地区是深圳市PM_2.5的高值聚集区,而低值主要集聚在南部罗湖区、大鹏湾沿岸地带及大鹏半岛内;石岩、观湖两个街道为低-高异常点,即低值被高值包围,表明这两个街道可能拥有比周边街道更利于PM_2.5消释的自然或人为因素;沙头、华强北、笋岗、布吉四个街道为高-低异常点,即高值被低值包围,表明这四个街道可能拥有重要的污染源,周边街道需要警惕来自这些空间高异常值街道的污染物扩散。然而,图3b基于国家空气监测站数据进行的空间聚类和异常值分析仅识别得到2个低值集聚区站点（梅沙、葵涌）,未识别得到PM_2.5浓度的高值集聚区和高-低异常点,而这两类区域在PM_2.5污染防治中应受到重点关注。可见,相比原有的国家PM_2.5监测站,街道空气监测网络的意义不仅在于扩大监测范围、增加监测数据,同时其更密集的站点还有助于对市内的PM_2.5污染进行更精确的空间分析,识别城市内部空气污染的重点治理区域,为城市的大气污染物防治提供更有价值的结果。

3.3 排名通报对街道PM_2.5浓度的影响

将根据公式（4）、公式（5）、公式（6）利用最小二乘法构建的双重差分模型分别记为模型一、模型二、模型三。表1总结了各模型的总体拟合表现、回归系数及其显著度。

由表1可以看出,考虑了个体和时间固定效应的双重差分模型能较好地拟合各街道各月份的PM_2.5浓度,所有模型的个体固定效应项和时间固定效应项都是显著的,且模型决定系数（

R^{2}

）都达到了0.9以上,调整后决定系数（

R_{adj .}^{2}

）都在0.88以上。三个模型的分组虚拟变量（

G_{i}

）的回归系数均为正值,随模型滞后月数递减,分别在0.05、0.05和0.1的显著性水平上显著。将对数浓度的影响转化为实际浓度的影响后,月度PM_2.5浓度最高的十个街道在随后的1~3个月内,PM_2.5比仅考虑固定效应的预期浓度分别平均高出8.4%、4.2%和2.7%。另一方面,政策干预变量（

D_{i}

）在模型一、二中回归系数检验结果为不显著,在模型三中回归系数为负值,且通过置信度为95%的显著性检验。该结果表明,对空气质量较差、排名靠后的街道进行通报,对通报后的1~2个月内的街道PM_2.5浓度无统计学上显著的影响,但对通报后第3个月PM_2.5对数浓度有影响,呈显著的降低作用,对应实际浓度约6.9%的降低。

Tab. 1
表1
表1双重差分模型拟合结果
Tab. 1Fitting results of DID models

变量	模型一	模型二	模型三
$R^{2}$	0.926	0.923	0.901
$R_{adj .}^{2}$	0.918	0.914	0.888
$μ_{i}$	**	**	**
$λ_{t}$	**	**	**
$G_{i, t - 1}$	0.081**	-	-
$G_{i, t - 2}$	-	0.041**	-
$G_{i, t - 3}$	-	-	0.027*
$D_{i, t - 1}$	0.000	-	-
$D_{i, t - 2}$	-	0.010	-
$D_{i, t - 3}$	-	-	-0.072**

注：**、*分别表示在0.05、0.1的显著性水平下显著;表中

μ i

和

λ t

仅标出显著性水平,未标明回归系数,表示至少有一组固定效应因子在该显著性水平下显著。

新窗口打开|下载CSV

分组虚拟变量（

G_{i}

）的回归结果表明,对于深圳市空气质量较差的街道而言,其PM_2.5污染是持续问题而非偶发问题：若某月的空气质量较差,则会持续影响到其随后数月的空气质量,使它们也趋向于较差。该影响的幅度大小和显著性程度随滞后月数的递增逐渐减弱,存在时间衰减效应,该现象符合街道空气污染具有持续性的影响的特点。政策干预变量（

D_{i}

）的回归结果则表明,对空气质量较差的街道进行通报,一定程度上表现出促使其改善其空气质量的作用,但其产生效果相对于通报行为具有约3个月的时间滞后性。在假定情况下,排名通报政策是通过对“上榜”的街道带来负面公众形象、造成声誉压力,从而刺激街道实施形象修复工程的一系列过程改善空气质量,但无法通过直接采取减排治污措施而降低PM_2.5浓度,因此效果生效存在时间滞后性是可预见的。此外,街道空气污染的高空间集聚性（图3）和持续性影响（表1,

G_{i}

）都可能会造成街道的空气质量改善效果延迟生效。总结而言,对深圳市月均PM_2.5浓度较高、排名靠后的街道进行通报,随后1~2个月的PM_2.5浓度仍然主要受该月污染的持续性影响,而通报行为对其无显著性影响;到随后第3个月,虽然该月污染的持续性影响仍然存在,但会下降到较小的程度,此时通报行为对PM_2.5浓度起显著降低作用,且影响程度大于该月污染的持续性影响。

4 结论与讨论

4.1 结论

本文基于深圳市建立的“一街一站”空气监测网络一年的监测结果,进行了深圳市PM_2.5浓度时空特征分析,并使用双重差分模型探究了街道空气质量排名通报能否有效促使空气质量改善,主要得到以下结论：

（1）研究期内深圳市平均PM_2.5浓度为22.4 μg/m³,最低和最高月均值分别出现在7月和1月,在评估深圳市平均PM_2.5浓度及其月际变化时,街道空气监测站与国家空气监测站所得结果无显著差异。这表明在年、月尺度上,原有的11个国家空气监测站的分布均已足以表征深圳全市的平均PM_2.5污染水平,新建的“一街一站”空气监测网络在该项工作中无突出优势。

（2）“一街一站”数据表明,深圳市PM_2.5污染呈现较明显的“西高东低,北高南低”的空间特征,在市西北部形成高值集聚区,在市中南部和大鹏半岛形成低值集聚区。根据局部莫兰指数识别出深圳市PM_2.5浓度的15个高值集聚街道和4个高-低异常街道,在深圳市大气污染防控中应重点关注。相比国家空气监测站,街道空气监测网络的主要优势在于提高监测覆盖范围,准确识别城市内部重点空气污染区域,从而可为城市空气污染治理策略提供参考。

（3）街道较高的月均PM_2.5浓度会对随后1~3个月的污染程度带来持续性影响,污染提高的影响幅度随月份数的递增而减弱,而若对这些PM_2.5污染较重的街道向公众进行通报,对随后1~2个月的PM_2.5浓度无统计学上的显著影响,但第3个月的PM_2.5浓度显著下降。这反映出对街道空气质量进行排名并对较差的街道进行通报,可能有助于对被通报街道带来压力并刺激它们实施形象修复策略,从而改善空气质量,但从通报至产生效果有约3个月的滞后期。

4.2 讨论

本文对比了国家和街道空气监测站的深圳市PM_2.5浓度监测结果,并分析了排名通报对街道PM_2.5浓度的影响,可为地方大气污染监测布局和治理策略提供部分参考依据。但本研究过程中仍存在一些局限和不足,主要表现在以下方面：

（1）受限于“一街一站”空气监测站的具体坐标并未公布,本研究采用了深圳市74个街道的行政区范围作为街道尺度PM_2.5浓度空间分布特征的研究单元,而对于国家空气监测站,则使用了其坐标点位置进行分析研究,这一差异一定程度上影响了两者分析结果的可比性。

（2）在进行双重差分模型建模时,本研究已考虑街道个体和时间的固定效应对PM_2.5浓度的影响,但上述模型结果仍存在一定的不确定性。除固定效应以外,可能另外存在影响街道PM_2.5浓度的因素,如各街道各月份的污染物扩散条件、污染物区域传输的强度等,这些因素未在模型变量中体现而是归入误差项,一定程度上降低了模型精度以及政策干预变量的参数估计准确性。因此,排名通报对街道PM_2.5浓度的影响程度仍需要更多研究和进一步证实。决策者更不应将空气质量改善的寄望于排名通报政策本身,而需要认识到排名通报只是辅助落实地方空气治理责任的途径之一。在未来的相关研究中,可进一步添加控制变量完善双重差分模型,并对更长时间序列的面板数据进行分析,从而更科学地评估排名通报对空气质量改善的效果。

致谢：

本文作者真诚感谢二位匿名评审专家,他们对本文的总体框架、结果分析给出了重要建议,同时还对文章的大量细节进行了把关,使本文获益匪浅。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

孙建林, 常文静, 陈正侠, 等. 深圳大气颗粒物中卤代多环芳烃污染研究
环境科学, 2015,36(5):1513-1522.