中国高耗能产品生产与区域PM2.5浓度的动态关联效应——基于省级尺度的分析

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

金凤君^,¹^,²^,³, 林美含¹^,²^,³, 张晓平^,³, 李润奎³

1. 中国科学院地理科学与资源研究所,北京 100101

2. 中国科学院区域可持续发展分析与模拟重点实验室,北京 100101

3. 中国科学院大学资源与环境学院,北京 100049

Dynamic correlation of energy-intensive industrial output and regional PM_2.5 concentration in China from a provincial perspective

JIN Fengjun^,¹^,²^,³, LIN Meihan¹^,²^,³, ZHANG Xiaoping^,³, LI Runkui³

1. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

2. Key Laboratory of Regional Sustainable Development Modeling, CAS, Beijing 100101, China

3. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China

通讯作者: 张晓平（1972-）,女,河南南阳人,博士,副教授,硕士生导师,主要从事经济地理学相关领域的教学与科研工作。E-mail: zhangxp@ucas.ac.cn

收稿日期:2020-08-25接受日期:2021-03-18

基金资助:

国家自然科学基金项目(41771133)
中国科学院战略性先导科技专项A类项目(XDA19040403)

Received:2020-08-25Accepted:2021-03-18
作者简介 About authors
金凤君（1961-）,男,内蒙古赤峰人,博士,研究员,博士生导师,主要从事交通地理学与经济地理学相关领域的科研工作。E-mail: jinfj@igsnrr.ac.cn

摘要
面向经济高质量发展及实现“双碳”战略目标,中国传统能源密集型产业发展的资源环境效应备受学界关注。基于2000—2017年中国31个省（直辖市、自治区）的面板数据,通过构建面板向量自回归模型（PVAR）,结合脉冲响应分析和方差分解及动态系统GMM模型,探究中国火电、水泥、钢铁、焦炭等典型高耗能产品的生产规模与区域PM_2.5污染的动态关联效应。结果表明：① 短期内,省域PM_2.5浓度具有明显的时间惯性,火电、水泥、钢铁、焦炭产业规模的短期波动对其冲击影响有限;② 动态影响显示,区域钢铁生产规模对PM_2.5浓度的影响程度最大,火电、焦炭行业次之;③ 长期影响结果显示,钢铁、焦炭产业的扩张加剧了PM_2.5污染,而火电、水泥产品生产规模未与PM_2.5污染表现出同步特征;④ 区域PM_2.5污染成因具有复合性,研究期内控制变量如地区经济规模、工业化程度、城镇化率的提高加剧了PM_2.5污染,地方政府环境污染治理力度越弱则PM_2.5污染程度越重。中国在高耗能产品生产规模逐年增加的情况下,有效地控制了区域PM_2.5污染的加剧。未来应进一步提高行业标准,通过技术创新和产业结构升级控制污染物排放强度;增强地方政府对环境污染的治理力度;研究能源原材料产业的适度产能规模,在满足中国新型基础设施、新型城镇化等重大工程建设对基础原材料产业需求的同时,实现环境质量的优化。
关键词： 能源密集型产业;PM_2.5;PVAR模型;动态关联

Abstract

China is working towards a high-quality economic development pathway and has entered an important stage driven by industrial transformation and upgradation, so as to fulfil national commitments of “carbon peak” and “carbon neutral” in 2030 and 2060, respectively. How to achieve economic development and balance the relationship between regional economic development and its environmental impact has attracted much attention in academic circles, among which the impact of energy-intensive industries on air quality is of great importance. Based on the panel data of 31 provincial-level regions (including provinces, municipalities and autonomous regions) in China from 2000 to 2017, this study explored the dynamic correlation between regional PM_2.5 pollution and production amount of energy-intensive industries (thermal power, cement, steel and coke), by building PVAR model and Dynamic System GMM model. The results show that: (1) In the short term, regional PM_2.5 had obvious time inertia, and regional PM_2.5 concentration was affected by the output amount of thermal power, cement, steel and coke industries at a limited level. (2) The result of dynamic impact showed that the contribution of steel production amount to PM_2.5 was greater than that of thermal power and coke industries. (3) The result of long-term impact showed that the steel and coke industries have exacerbated the regional pollution of PM_2.5, while the production output of thermal power and cement industries was not synchronized with the aggravation of PM_2.5 pollution. (4) The concentration of PM_2.5 was also affected by the control variables such as economic scale, industrialization level, urbanization level, and loose environmental regulation. Even though the production amount of energy-intensive industries has been increasing year by year in China, regional PM_2.5 concentration has not worsened, indicating effective air quality control measures and industrial upgradation in China. This suggests that measures should further be taken to improve the industry standards, innovate technology, upgrade industrial structure and strengthen environmental regulation in order to control the pollutant emission intensity of raw material industries, the demand of which is still growing to meet the new infrastructure construction and new urbanization in China.

Keywords：energy-intensive industry;PM_2.5;PVAR model;dynamic correlation

PDF (5359KB)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
金凤君, 林美含, 张晓平, 李润奎. 中国高耗能产品生产与区域PM_2.5浓度的动态关联效应——基于省级尺度的分析[J]. 地理研究, 2021, 40(8): 2141-2155 doi:10.11821/dlyj020200812
JIN Fengjun, LIN Meihan, ZHANG Xiaoping, LI Runkui. Dynamic correlation of energy-intensive industrial output and regional PM_2.5 concentration in China from a provincial perspective[J]. Geographical Research, 2021, 40(8): 2141-2155 doi:10.11821/dlyj020200812

1 引言

改革开放以来,伴随着中国经济的快速发展,基础设施建设规模亦迅速扩张;与此同时,传统基础设施建设所依赖的能源原材料等高耗能产业也大幅发展。当前,中国经济已由高速增长阶段转向高质量发展阶段,“碳达峰”和“碳中和”（简称“双碳”）等战略目标的提出,助推中国经济进入转型发展的关键时期。在经济转型及高质量发展过程中,基建产业相关的原材料等能源密集型产业仍处于基础保障地位,传统基建与新基建的发展都需要基础原材料产业的支持和保障,因此,水泥、钢铁、火电、焦炭等产品的需求将继续推动相关产业的规模扩张。探讨如何协调高耗能产业的生产及其资源环境效应具有重要的现实意义和理论价值。

国内外****针对经济发展产生的资源环境压力以及产业结构的资源环境影响展开了广泛的研究。Panayotou运用多国数据对环境质量与经济之间的关系进行实证研究,提出了环境库兹涅茨假说（Environmental Kuznets Curve,EKC曲线）^[1]。Grossman和Krueger随后证实了该假说,认为污染程度随着人均收入的增长呈现出先增长后下降的趋势^[2,3]。国内外****在此基础上进一步研究,指出经济发展过程中的工业化、城市化、人口密度、产业结构、能源消费等因素均对环境质量有影响,且现阶段高能耗高污染的产业结构是影响EKC曲线的重要因素^[4,5,6]。产业结构作为区域经济发展的核心,关系到国民经济增长的速度和质量,同时也影响到生态环境建设;它受资源环境的影响并反作用于区域环境,产业结构变动会明显地影响环境质量^[7,8];不同产业在能源消耗、污染排放等方面具有显著差异,特别是高耗能产业发展相关的资源环境问题更为突出^[9,10]。

PM_2.5作为表征环境压力或环境效应的重要指标,国内外****对其理化性质、健康风险、分布特征等进行了广泛而深入的研究：包括通过化学分析、CMB模型、PPUF模型等方法对PM_2.5进行源解析^[11,12],从不同的时间、空间尺度总结PM_2.5的污染特征和空间分布特征^[13,14],并评估其健康影响及相应的经济损失^[15,16]。PM_2.5污染受气温、气压、风速、日照时长、湿度、大气边界层结构等自然因素影响^{[17,18,19,20]},同时受经济发展水平、城市化水平、产业结构、工业发展水平、人口规模等社会经济因素的影响^[21,22],是自然因素和经济社会因素双重作用的结果^{[23,24,25,26,27]}。尽管PM_2.5的形成机制复杂,但在同等自然条件下,人类社会经济活动的影响作用显著。分析区域PM_2.5污染的经济社会根源因素,制定有针对性的防治对策,是有效解决大气污染、改善空气质量的重要措施。部分****关注到高耗能高污染产业对PM_2.5的影响,通过化学分析、污染源排放清单、模型拟合以及计量分析等方法探究钢铁、火电、水泥、石化、能源等产业对PM_2.5排放的贡献,不同方法所得各行业贡献度数值有较大差别,共同的结论是钢铁、火电、水泥、焦炭等产业对PM_2.5排放均具有较大贡献率^[9,25]。

中国高耗能产品生产规模大,水泥产量、粗钢产量以及火力发电量分别在1986年、2007年及2011年后持续保持世界第一;2017年中国水泥产量、粗钢产量、火力发电量占世界总量的比例分别为56.44%、50.34%和25.3%,焦炭产能更是占全球的60%左右。原材料产业的蓬勃发展加剧了经济发展与环境质量提升之间的矛盾,能源密集型产业发展所产生的资源环境效应以及相应的环境压力等问题越来越受到****的关注^{[28,29,30,31]}。水泥的生产过程中有多个环节可产生颗粒物污染;钢铁的炼焦、烧结、炼铁、炼钢等过程以及焦炭焦化过程中的装煤、熄焦、出焦等环节均会排放大气颗粒物;火力发电中,燃煤排放的细颗粒物PM_2.5被认为是中国空气污染的主要来源之一。

在中国经济高质量发展的背景下,如何实现产业转型与资源环境效应的协调发展对于实现提质增效的目标尤为重要。目前学界对高质量发展的研究,多数是基于构建综合评价指标体系的静态研究,缺少动态的分析和评估。本文应用全国31个省份2000—2017年的面板数据,探讨高耗能产品生产规模对区域环境质量的短期冲击与长期影响。本文选取发展基建与新基建过程中必不可少的钢铁、火电、水泥、焦炭等高耗能产业为代表性产业,以PM_2.5浓度作为表征环境压力的指标,通过面板向量自回归模型（Panel Vector Autoregress,PVAR）探讨能源密集型产业发展与环境效应的动态双向影响,并进一步运用动态面板系统GMM（Generalized method of moments）模型评估各能源密集型产业对PM_2.5浓度的作用机制。与以往研究不同的是,本研究采用产品生产的实物量来表征高耗能产业的规模,从而有效地规避了地域间成本差异和价格年际变动对模型估计结果产生的影响。本研究以期厘清经济转型过程中能源密集型产业的资源环境效应,为优化经济增长方式和提升经济发展质量提供决策参考。

2 研究方法与数据来源

2.1 能源密集型产业与PM_2.5动态关联计算

面板向量自回归模型（PVAR）,是时间序列向量自回归模型（Vector Autoregression,VAR）的拓展,具有兼顾时间序列和空间数据的双重优点。PVAR模型将变量视为内生变量,考察基于面板数据的内生变量动态关系,反映被解释变量受到解释变量短期变动的冲击后所出现的变化轨迹,结合脉冲响应分析和方差分解分析,能够具体展示解释变量对被解释变量的短期影响^[26]。本文构建的PVAR模型表示为：

（1）

P M_{it} = β_{0} + β_{1} \{\begin{matrix} \begin{matrix} T h e r_{it} \\ Ce m_{it} \end{matrix} \\ \begin{matrix} St e_{it} \\ Cok e_{it} \end{matrix} \end{matrix} + θ_{it}

式中：i表示地区;t表示年份;PM为被解释变量PM_2.5浓度;Ther、Cem、Ste、Coke分别表示核心解释变量火力发电量、水泥产量、粗钢产量以及焦炭产量;

β_{0}

表示截距项向量;

θ_{it}

表示随机误差项。

2.2 能源密集型产业与PM_2.5动态影响测度

为了能够更准确地得出各能源密集型产业对空气污染物PM_2.5浓度的影响,避免遗漏其他变量导致模型设定偏差而影响估计结果的准确性,本研究在初步计量模型（公式1）的基础上加入相关控制变量以及被解释变量的滞后值,构建动态面板模型（公式2）：

（2）

P M_{it} = β_{0} + β_{1} \{\begin{matrix} \begin{matrix} T h e r_{it} \\ Ce m_{it} \end{matrix} \\ \begin{matrix} St e_{it} \\ Cok e_{it} \end{matrix} \end{matrix} + β_{2} GR P_{it} + β_{3} Indu s_{it} + β_{4} Urba n_{it} + β_{5} E R_{it} + β_{6} P M_{it - 1} + θ_{it}

式中：PM_it_-1表示PM_2.5浓度的滞后一期值;GRP表示经济发展规模;Indus表示工业发展水平;Urban表示城镇化水平;ER表示环境规制。相比传统面板估计方法,本研究采用动态系统广义矩估计（System-GMM）,能够有效解决解释变量存在的内生性,确保回归结果的可靠性^[5]。模型选择变量高耗能产品生产规模为内生变量,且基于工具变量需满足外生性及与内生变量相关的条件,选取环境规制综合指数的滞后值以及污染物PM_2.5的滞后值为工具变量。

2.3 变量选取与数据来源

本文选取中国31个省、直辖市、自治区为研究对象,样本区间为2000—2017年,共18年的年度数据。数据主要来源于相关年份《中国统计年鉴》《中国工业统计年鉴》《中国能源统计年鉴》以及《中国城市统计年鉴》。

研究中选取的被解释变量为按人口加权的省域PM_2.5浓度,即各省份根据其所辖各个地级市的城市区域的人口密度叠加PM_2.5浓度空间分布,经暴露人口对浓度加权重新计算所得的PM_2.5浓度年均值。人口密度和PM_2.5浓度数据来源于NASA的社会经济数据共享系统（SEDAC）。按人口加权的省域PM_2.5浓度值可以避免人口稀少地区数据对整体均值的干扰,更加合理地反映空气污染对于居民健康的影响,从以人为本的角度衡量区域PM_2.5的污染状况。

模型以能源密集型产业相关的产品生产规模为核心解释变量。能源密集型产业主要包括化工、黑色金属、有色金属、石油炼焦等基础材料行业,其能源依赖性强、能源消耗量高、对PM_2.5排放的贡献较大。首先选取火电、水泥、粗钢、焦炭、平板玻璃、化学纤维等行业产品产量与PM_2.5浓度进行相关性分析（表1）,因平板玻璃、化学纤维两类产品并未通过显著性检验,因此没有对其进行建模分析。模型最终选取火力发电量、水泥产量、粗钢产量以及焦炭产量为核心解释变量,用以表征火电产业、水泥产业、钢铁产业以及焦炭产业的发展状况。相较于行业产值或增加值指标,用产品实物量能够更加准确的表征行业的发展状况及规模扩张,并可规避地域间成本差异及产品价格年际波动而对计算结果产生的影响。

Tab. 1
表1
表1区域PM_2.5污染物浓度与影响因素的相关性检验结果
Tab. 1Explanatory variables of PM_2.5 and their Pearson correlation test

变量类别	影响因素	变量名称	相关性检验
被解释变量	PM_2.5(ug/m³)	PM
核心解释变量	火力发电量(百亿kW $\cdot$ h)	Ther	0.283^***
	水泥产量(百万t)	Cem	0.303^***
	粗钢产量(百万t)	Ste	0.400^***
	焦炭产量(百万t)	Coke	0.291^***
控制变量	经济规模(千亿元)	GRP	0.309^***
	工业占比(%)	Indus	0.405^***
	城镇人口比例(%)	Urban	0.290^***
	环境规制综合指数	ER	-0.218^***

注：^*、^**、^***分别表示在10%、5%、1%显著水平下显著。

新窗口打开|下载CSV

除核心变量火电、水泥、钢铁、焦炭产业外,模型还引入了控制变量经济规模、工业占比、城镇人口比例以及环境规制指数。经济增长与空气污染的相关研究较为成熟,对PM_2.5污染而言,经济增长是其重要影响因素之一,因此模型选取地区生产总值（2010年不变价）作为反映地区经济发展规模的重要指标（CPI指数来源于国际清算银行）。中国目前处于工业化中期阶段,工业能耗规模高于其他部门,因此选取工业产值占地区生产总值的比例来反映工业发展水平对PM_2.5的影响。由于社会经济活动多集中于城市地区,密集的生产和消费使其成为空气污染的核心区域,因此本研究以城镇人口比例作为衡量城镇化水平的指标引入模型。此外,不同区域以保护环境为目的所实施的政策法规具有较大差异,影响到相关污染密集型企业的进入退出以及产业结构的调整,因此本研究基于各地区的废水排放量、二氧化硫排放量以及烟粉尘排放量三种污染物排放量构建了地区政府环境规制的区位综合指数,将其引入模型以反映环境规制对PM_2.5的影响,该指数越高则表明地方政府环境污染治理越宽松,反之则表明地方的环境规制力度越强。

综合中国区域的自然地理特征、所属流域、社会经济差异等,在研究中将全国划分为8个区域^[27],进一步探讨高耗能产业布局与PM_2.5污染的耦合特征及其格局变化。

3 能源密集型产业与PM_2.5浓度关联效应的实证结果分析

3.1 面板数据及模型检验

首先,本研究采用LLC（共同单位根检验）及IPS（个体单位根检验）对变量的平稳性进行检验,结果表明被解释变量数据平稳,各解释变量的一阶差分值都体现出平稳性（表2）。

Tab. 2
表2
表2面板数据单位根检验
Tab. 2Panel data unit root test

		PM	Ther	Cem	Ste	Coke
水平值	LLC	-8.736^***	-1.755^**	-1.758^**	-3.861^***	-4.369^***
	IPS	-7.991^***	3.807	3.511	1.403	0.869
一阶差分	LLC	-19.045^***	-9.347^***	-9.231^***	-9.993^***	-9.483^***
	IPS	-18.051^***	-10.125^***	-8.086^***	-9.672^***	-8.033^***

注：^*、^**、^***分别表示在10%、5%、1%显著水平下显著。

新窗口打开|下载CSV

随后,对变量进行协整检验,分析结果显示面板统计量Pt、Pa和组统计量Gt都显著拒绝变量间不存在协整关系的原假设,可以认为火电、水泥、钢铁、焦炭产品规模与空气污染物PM_2.5浓度间存在协整关系,PVAR模型是稳定的（表3）。

Tab. 3
表3
表3面板数据协整检验
Tab. 3Panel data cointegration test

统计量	PM与Ther	PM与Cem	PM与Ste	PM与Coke
Gt	-2.214^***	-2.427^***	-2.114^**	-2.276^***
Ga	-7.159	-8.034	-6.865	-8.046
Pt	-11.381^***	-12.285^***	-10.728^***	-11.017^***
Pa	-6.289^***	-7.470^***	-6.222^***	-7.089^***

注：^*、^**、^***分别表示在10%、5%、1%显著水平下显著。

新窗口打开|下载CSV

建立PVAR模型需要选择合适的滞后期数,期数过短或过长都会使检验结果不可靠。本文运用AIC、BIC和HQIC值的最小化准则筛选模型中的滞后阶数,发现各模型的最优滞后阶为滞后3阶（表4）。

Tab. 4
表4
表4PVAR模型滞后期选择标准
Tab. 4Selection criteria of PVAR model delay item

滞后期数		1	2	3
PM与Ther	AIC	14.297	12.101	11.140^*
	BIC	14.856	12.724	11.835^*
	HQIC	14.516	12.346	11.414^*
PM与Cem	AIC	15.175	13.588	12.708^*
	BIC	15.734	14.211	13.402^*
	HQIC	15.394	13.833	12.982^*
PM与Ste	AIC	12.546	11.521	11.348^*
	BIC	13.106	12.144	12.042^*
	HQIC	12.766	11.766	11.622^*
PM与Coke	AIC	12.096	11.554	11.515^*
	BIC	12.646	12.170^*	12.204
	HQIC	12.313	11.798	11.788^*

注：^*、^**、^***分别表示在10%、5%、1%显著水平下显著。

新窗口打开|下载CSV

格兰杰因果关系的方向对滞后期的选择非常敏感,因此本研究选择滞后1~4期分别进行分析。据表5,火电产业、焦炭产业对空气污染物PM_2.5的模型显著拒绝零假设（滞后期2~4）,水泥产业对PM_2.5的模型均显著拒绝零假设（滞后期1~4）,钢铁产业在滞后4期对PM_2.5浓度影响显著,上述结果表明火电、水泥、钢铁、焦炭产业是PM_2.5污染的Granger原因。此外,滞后期为1~4时,空气污染物PM_2.5对火电、水泥、钢铁、焦炭行业的模型均显著拒绝零假设,即PM_2.5是火电、水泥、钢铁、焦炭行业的Granger原因。以上分析表明空气污染物PM_2.5与火电、水泥、钢铁、焦炭能源密集型产业存在双向因果关系。

Tab. 5
表5
表5PVAR模型各变量之间的因果检验结果
Tab. 5Causality test results between variables in PVAR model

原假设	滞后阶数
原假设	1	2	3	4
Ther不是PM的Granger原因	0.972	2.457^**	5.674^***	4.834^***
Cem不是PM的Granger原因	2.825^***	3.383^***	3.790^***	5.364^***
Ste不是PM的Granger原因	1.255	1.229	0.366	9.292^***
Coke不是PM的Granger原因	0.526	1.903^*	4.434^***	6.508^***
PM不是Ther的Granger原因	1.837^*	3.392^***	4.161^***	10.530^***
PM不是Cem的Granger原因	2.110^**	1.989^*	7.187^***	10.423^***
PM不是Ste的Granger原因	1.665^*	1.777^*	2.688^***	6.727^***
PM不是Coke的Granger原因	5.133^***	6.086^***	7.321^***	8.155^***

注：^*、^**、^***分别表示在10%、5%、1%显著水平下显著。

新窗口打开|下载CSV

3.2 能源密集型产业与PM_2.5的短期互动效应分析

3.2.1 脉冲响应分析本研究通过Stata14软件进行脉冲响应函数分析,具体考察省域火电、水泥、钢铁、焦炭产品生产规模对区域PM_2.5浓度当期值和未来值的影响（图1）。图中横轴s表示响应期数,纵轴代表冲击的响应程度。

图1

新窗口打开|下载原图ZIP|生成PPT
图1中国省域火电、水泥、粗钢、焦炭产量对PM_2.5浓度的脉冲响应图

注：中间线条为IRF点估计值,上下两条为95%置信区间的上下边界。Monte-Carlo法迭代200次,每侧误差5%。
Fig. 1IRF of provincial thermal power, cement, crude steel and coke output to PM_2.5 concentration in China

当PM_2.5受火电产业一个标准差的冲击之后,产生负向响应,冲击幅度最大发生在滞后1期,为-2.737,时间递增至3期后呈正向响应,随后其响应函数小幅度波动变化,逐渐收敛靠近0。这说明火电行业对PM_2.5污染的影响机制较为复杂,整体来看,火电产业的发展加重了PM_2.5污染程度。而污染物PM_2.5对火电产业的冲击响应结果由负向响应过渡到正向响应,最后趋于0,进一步证明了火电产业与PM_2.5之间的互动效应明显。

短期内水泥产量的增加与区域PM_2.5污染存在较弱的负向影响。污染物PM_2.5浓度受水泥产业的脉冲响应值在响应期内均为负值,并随着响应期增长该负向响应幅度缓慢缩减,这表明水泥产业的发展未导致PM_2.5污染的加剧。而水泥产业受PM_2.5的冲击后由负向响应迅速转至正向响应,然后趋于平稳,这表明PM_2.5污染加剧并未使得水泥产业发展受到限制。

钢铁产业对PM_2.5的冲击响应结果与水泥产业相似。当PM_2.5受到钢铁产业一个标准差的冲击后,负向响应出现并且幅度增加;在第2期达到最大值,随后该负向响应幅度较迅速的缩减,并随着响应期增长不断趋近于0;表明短期内钢铁产业规模扩张未导致PM_2.5污染加重。而钢铁产业受污染物PM_2.5的冲击响应结果在响应期内均为正值,且逐渐收敛至0,这说明PM_2.5污染加剧并未使得钢铁产业发展受到限制。

短期内焦炭产量的增加会对PM_2.5污染产生负向影响。污染物PM_2.5受焦炭产业一个标准差的冲击之后,产生负向响应,冲击幅度最大发生在滞后1期,为-0.866,随后其响应函数小幅度波动变化,逐渐收敛趋近0,这表明焦炭产业的发展未导致PM_2.5污染的加剧。而焦炭产业受污染物PM_2.5的冲击响应结果在响应期内均为正值,且逐渐收敛至0,这说明PM_2.5污染加剧并未使得焦炭产业发展规模受到限制。

综合来看,火电、水泥、钢铁、焦炭产业与PM_2.5的短期影响明显但作用有限,高耗能产品的生产规模扩张对环境的影响具有滞后效应,当期的产能扩张并未加剧当期的PM_2.5污染,而PM_2.5污染的加重在短期内也并未限制这些产业的发展。

3.2.2 方差分解脉冲响应函数能够展现被解释变量受各变量短期冲击的响应幅度和影响方向,而方差分解是在脉冲响应函数基础上通过将内生变量的波动分解为方程扰动项关联的部分,求解扰动项对模型预测均方误差的贡献度,进一步评价各个因素的相对重要性,表现变量间的长期动态变化关系。

据表6,各因素30期解释程度与10期的解释程度相近,因此认为长期内变量对所有的误差项解释程度稳定。在第1期时,PM_2.5浓度的波动主要由自身引起,占比为100%,火电、水泥、钢铁、焦炭产业的贡献度均为0。火电产业对PM_2.5浓度的贡献度长期稳定在16.5%;水泥产业对PM_2.5浓度的贡献度由0.1%逐步递增,上升至1.9%保持长期稳定;钢铁产业对PM_2.5浓度的贡献度在5.2%~34.2%之间波动上升,其贡献度长期维持在30%以上;焦炭产业对PM_2.5浓度的贡献度稳定在9.3%。以上数据表明,钢铁产业对PM_2.5浓度的贡献较为突出,火电、焦炭产业对PM_2.5浓度也具有明显贡献,水泥产业贡献度较小。

Tab. 6
表6
表6方差分解结果
Tab. 6Variance decomposition results

s		PM	Ther		PM	Cem		PM	Ste		PM	Coke
1	PM	1	0	PM	1	0	PM	1	0	PM	1	0
1	Ther	0.381	0.619	Cem	0.005	0.995	Ste	0.118	0.882	Coke	0.046	0.954
2	PM	0.848	0.152	PM	0.999	0.001	PM	0.948	0.052	PM	0.974	0.026
2	Ther	0.180	0.820	Cem	0.007	0.993	Ste	0.279	0.721	Coke	0.203	0.797
3	PM	0.842	0.158	PM	0.995	0.005	PM	0.810	0.190	PM	0.953	0.047
3	Ther	0.231	0.769	Cem	0.015	0.985	Ste	0.472	0.528	Coke	0.382	0.618
4	PM	0.844	0.156	PM	0.991	0.009	PM	0.715	0.285	PM	0.939	0.061
4	Ther	0.316	0.684	Cem	0.055	0.945	Ste	0.646	0.354	Coke	0.522	0.478
5	PM	0.835	0.165	PM	0.988	0.012	PM	0.677	0.323	PM	0.921	0.079
5	Ther	0.342	0.658	Cem	0.096	0.904	Ste	0.750	0.250	Coke	0.605	0.395
6	PM	0.835	0.165	PM	0.985	0.015	PM	0.691	0.309	PM	0.911	0.089
6	Ther	0.345	0.655	Cem	0.127	0.873	Ste	0.781	0.219	Coke	0.646	0.354
10	PM	0.835	0.165	PM	0.982	0.018	PM	0.679	0.321	PM	0.910	0.090
10	Ther	0.343	0.657	Cem	0.183	0.817	Ste	0.682	0.318	Coke	0.653	0.347
15	PM	0.835	0.165	PM	0.981	0.019	PM	0.678	0.322	PM	0.907	0.093
15	Ther	0.343	0.657	Cem	0.189	0.811	Ste	0.671	0.329	Coke	0.658	0.342
20	PM	0.835	0.165	PM	0.981	0.019	PM	0.668	0.332	PM	0.907	0.093
20	Ther	0.343	0.657	Cem	0.189	0.811	Ste	0.674	0.326	Coke	0.658	0.342
25	PM	0.835	0.165	PM	0.981	0.019	PM	0.661	0.339	PM	0.907	0.093
25	Ther	0.343	0.657	Cem	0.189	0.811	Ste	0.671	0.329	Coke	0.658	0.342
30	PM	0.835	0.165	PM	0.981	0.019	PM	0.658	0.342	PM	0.907	0.093
30	Ther	0.343	0.657	Cem	0.189	0.811	Ste	0.668	0.332	Coke	0.658	0.342

注：本文使用stata14软件进行200 次Monte-Carlo方法的模拟。

新窗口打开|下载CSV

3.3 能源密集型产业对区域PM_2.5浓度的长期影响

为了更全面地分析各能源密集型产业与PM_2.5浓度的关系,本文运用动态Two-step系统GMM模型和静态固定效应模型分别估计火电产业（模型A）、水泥产业（模型B）、钢铁产业（模型C）以及焦炭产业（模型D）对PM_2.5浓度的影响。

首先,对面板数据进行平稳性检验（检验方法见前文）、共线性检验。共线性检验结果表明各模型中所有变量VIF值均小于多重共线性标准值10,因此判定模型不存在严重多重共线性问题。其次,对系统GMM模型进行工具变量过度识别检验以及序列相关检验。据表7,模型A~模型D的Sargan统计量P值均大于0.1,表明工具变量选取有效,不存在工具变量过度识别问题。模型A、B、C的AR(1)、AR(2)统计量显示随机扰动项不存在二阶序列相关的问题,模型D的AR(1)、AR(2)统计量显示随机扰动项在1%水平下不存在二阶序列相关的问题。因此,本研究的系统GMM模型选择合理。

Tab. 7
表7
表7能源密集型产业对省域PM_2.5浓度长期影响的回归结果
Tab. 7Regression results of long-term impact on energy intensive industries on provincial PM_2.5 concentration

变量	模型A		模型B		模型C		模型D
变量	FE	SYS-GMM	FE	SYS-GMM	FE	SYS-GMM	FE	SYS-GMM
Ther	0.111	-0.214^***
Cem			-0.018	-0.058^***
Ste					0.089^***	0.205^***
Coke							0.177^***	0.119^***
GRP	0.171^**	0.136^***	0.256^***	0.217^***	0.137^**	-0.134^***	0.174^***	0.123^***
Indus	0.290^***	0.297^***	0.301^***	0.325^***	0.270^***	0.333^***	0.313^***	0.301^***
Urban	0.129^**	0.176^***	0.168^***	0.146^***	0.111^**	0.073^***	0.089^*	-0.012
ER	1.673^**	1.413^*	1.492^**	1.369^**	1.313^**	1.371^**	1.865^***	1.230^*
L1.PM		0.639^***		0.630^***		0.587^***		0.577^***
Con	22.130^***	-5.014^**	21.064^***	-4.235^***	24.227^***	-0.889	22.546^***	3.734^*
N	558	527	558	527	558	527	504	476
Sargan		28.438 （1.0000）		28.823 （1.0000）		29.150 （1.0000）		26.740 （1.0000）
AR(1)		-3.701 （0.0002）		-3.677 （0.0002）		-3.727 （0.0002）		-3.738 （0.0002）
AR(2)		-0.750 （0.4530）		-0.967 （0.3333）		-0.924 （0.3553）		-2.055 （0.0399）

注：^*、^**、^***分别表示在10%、5%、1%显著水平下显著。

新窗口打开|下载CSV

火电产业系统和水泥产业系统的GMM模型中,火力发电量、水泥产量的系数分别为-0.214与-0.058,且均在1%的水平下显著,这表明PM_2.5污染并未因火力发电量、水泥产量规模的增加而加重,火电、水泥产业的发展未与PM_2.5污染表现出同向特征。

钢铁、焦炭产业系统GMM模型中,变量粗钢产量、焦炭产量的系数均在1%的水平下显著为正,表明在其他因素恒定的条件下,粗钢产量及焦炭产量对PM_2.5浓度存在显著的正向影响。粗钢变量及焦炭变量每增加一个单位则PM_2.5浓度分别升高0.205和0.119个单位,这表明从长期影响来看,粗钢产量和焦炭产量的增加加剧了PM_2.5污染。

控制变量中,经济发展规模、工业化水平、城镇化水平的提高一定程度上加剧了PM_2.5污染。工业占比在各模型中的系数均在1%的水平下显著为正,表明工业化程度越高,PM_2.5污染程度越重。GRP在火电、水泥、焦炭产业模型中与被解释变量PM_2.5呈显著正相关,表明在当前发展阶段,经济规模提升与PM_2.5污染加剧呈同向发展状态。城镇人口比例在火电、水泥、钢铁产业模型中的系数在1%的水平下显著为正,表明随着城镇化水平的提升,PM_2.5污染程度加重。环境规制在各模型中均显著为正,表明地方政府环境污染治理力度越弱则PM_2.5污染程度越重,印证了严格的环境规制可以改善空气质量。

此外,系统GMM模型中被解释变量的一期滞后值（L1.PM）均在1%的水平下显著为正,说明模型考虑滞后期影响是合理和必要的,同时也表明污染物PM_2.5具有时间惯性,即上期的污染会对当期产生影响,这与产业结构和经济发展模式的时空依赖性有关。

3.4 能源密集型产业与PM_2.5浓度的时空变化趋势

2000年,中国PM_2.5的年均浓度值为33ug/m³,而2001—2017年PM_2.5的值均高于基准期2000年,并在2006—2007年、2013—2014年分别达到50 ug/m³、49 ug/m³的高峰值（图2）;这表明2007年全国PM_2.5的污染较严重,随后污染问题缓解,至2013年PM_2.5污染问题再次加剧,2014—2017年污染情况有所改善。而火电、水泥、钢铁、焦炭产业的产品产量在研究期间不断上升,其中,火力发电量、水泥产量、焦炭产量增长了4倍左右,粗钢产量规模扩张6倍。能源密集型产业的产品规模不断扩张,而PM_2.5污染并未相应地持续加剧,这表明行业的管控及技术升级卓有成效。

图2

新窗口打开|下载原图ZIP|生成PPT
图22000—2017年中国主要高耗能产品产量与PM_2.5浓度的时间变化趋势

Fig. 2Temporal trend of main energy-intensive industrial outputs and PM_2.5 concentration in China from 2000 to 2017

全国高耗能产品的生产表现出显著的区域差异（图3）。京津冀和东南沿海地区火力发电量、水泥产量份额均呈下降,而钢铁产量、焦炭产量份额有所增加;东北及长江三角洲地区火力发电量、水泥产量、钢铁产量、焦炭产量的全国所占份额均呈现不同程度的减少;长江中游地区与之相反,火力发电量、水泥产量份额有所增加,而钢铁产量、焦炭产量份额不同程度减少;西北地区火力发电量、水泥产量及焦炭产量在全国所占份额均增加,而西南地区火力发电量、钢铁产量及焦炭产量份额均波动下降;黄河中下游地区火力发电量、钢铁产量在全国所占份额增加,水泥产量、焦炭产量份额呈下降趋势。

图3

新窗口打开|下载原图ZIP|生成PPT
图32000—2017年中国各分区高耗能产品产量占全国份额变化

Fig. 3Change of energy-intensive industrial output as a share of national total in different subregions of China from 2000 to 2017

高耗能产品生产规模与区域PM_2.5污染状况在空间上存在一定程度的重合（图4）。2000—2017年,山东、河北、河南、江苏等地的火电、水泥、钢铁、焦炭产业生产量全国领先,山西省的火力发电量、粗钢产量、焦炭产量居全国前列,广东、浙江等地的火力发电量、水泥产量较高,辽宁省的粗钢产量、焦炭产量较高,以及内蒙古的火力发电量和焦炭产量较高。区域PM_2.5污染物浓度均值由北到南呈递减趋势,其中京津冀及黄河中下游地区PM_2.5污染最为严重。以上进一步印证了火电、水泥、钢铁、焦炭等产业规模扩张对区域空气质量的影响。火电、水泥、钢铁、焦炭等产业的发展与PM_2.5污染在时空变化趋势中表现出一定程度的重合而非同步,这与PM_2.5复杂的形成机制以及能源密集型产业的严格管控有关。除能源密集型产业自身排放烟尘中所含的PM_2.5,其他初级空气污染物通过气-粒转化可产生PM_2.5二次污染,使得产业综合产生的PM_2.5组分更为复杂。火电产业可排放大量的SO₂、NO_X等污染物,其经过物理化学转化生成的硫酸盐、硝酸盐是 PM_2.5的重要组分^[28];水泥生产的几乎整个工艺流程都可产生粉尘污染物,其中就包含一定量的PM_2.5^[29];钢铁的生产工序复杂,主要包括焦化、烧结、球团、炼铁、炼钢、轧钢等,较高的能耗导致SO₂、NO_X、烟粉尘等大量的污染物排放^[30];焦炭焦化过程中的装煤、熄焦、尤其是出焦过程排放的细颗粒物直接形成PM_2.5一次粒子,排放的SO₂、NH₃、NO_X以及碳氢化合物等污染物可间接形成PM_2.5二次粒子^[31]。随着各行业技术的不断升级创新以及国家对能源密集型产业污染排放的限制,火电、水泥、钢铁、焦炭等产业的规模扩张并未导致区域PM_2.5污染持续加剧。

图4

新窗口打开|下载原图ZIP|生成PPT
图42000—2017年中国各省区高耗能产品及PM_2.5浓度的时空变化趋势

Fig. 4Spatiotemporal trend of provincial energy-intensive products and PM_2.5 concentration in China from 2000 to 2017

4 结论与讨论

4.1 结论

本文聚焦于在中国经济高质量发展目标和可持续发展背景下,如何实现产业转型与资源环境效应的协调发展问题。基于2000—2017年中国31个省（直辖市、自治区）的面板数据,通过构建面板向量自回归模型（PVAR）,结合脉冲响应分析和方差分解及动态系统GMM模型,探究了中国火电、水泥、钢铁、焦炭等典型高耗能产品的生产规模扩张与区域PM_2.5污染的动态关联效应。结果表明：① 短期内,省域PM_2.5浓度具有明显的时间惯性,火电、水泥、钢铁、焦炭产业规模的短期波动对其冲击影响有限。② 短期动态影响显示,区域钢铁生产规模对PM_2.5浓度的影响程度最大,火电、焦炭行业次之。③ 长期影响结果显示,钢铁、焦炭产业扩张加剧了PM_2.5污染,而火电、水泥产品生产规模未与PM_2.5污染表现出同步特征。④ 区域PM_2.5污染成因具有复合性,在本研究期内,控制变量如地区经济规模、工业化程度、城镇化率的提高加剧了PM_2.5污染,地方政府环境污染治理力度越弱则PM_2.5污染程度越重。⑤ 中国在高耗能产业生产规模逐年增加的情况下,有效地控制了区域PM_2.5污染的加剧,表明产业转型和技术升级等新型经济增长方式可有效提升经济发展质量。但由于经济发展模式和产业结构的“路径依赖性”,其环境压力的缓解和消退具有时滞性。

4.2 讨论

（1）在全球温室气体减排背景下,中国提出的经济高质量发展和“碳达峰”“碳中和”战略目标,均对高耗能产业的发展路径提出了新的要求。针对这些能源密集型产业,国家发布了一系列行业排放标准,对重污染行业空气污染物排放设置了严格的控制标准。国家先后颁发了大气污染防治行动计划、“十三五”大气污染防治规划、“蓝天保卫战”三年行动计划等,强化环境硬约束、严格环保能耗要求。在本研究中,区域PM_2.5污染并未随相关高耗能产品生产规模扩张而持续加剧,这表明相关行业的管控卓有成效。未来应进一步对重点地区的PM_2.5、SO₂、NO_x提出目标要求,并优化调整钢铁、水泥等产业布局,严控高污染、高耗能行业产能,部分地区实施“以钢定焦”,对钢铁、火电等行业排查,深化工业污染治理。此外,继续通过严格和详尽的行业排放标准,加强对“两高”产业的监管和准入条件的设定,促使相关行业完善工艺流程,激励企业技术创新,提升污染处理、清洁生产等技术以控制污染物排放强度。

（2）在当前经济社会形势下,基建与新基建有较大的需求空间,这意味着水泥、钢铁、火电、焦炭等能源密集型产业将持续保持一定的增长规模。探索如何实现传统产业经济增长动力、质量与效率的多目标协同具有重要意义。随着人民生活质量的提升,民众对改善环境质量的诉求增加,相关能源密集型产业所带来的环境问题会被聚焦和放大,因此实现经济-社会-环境系统的协调发展是必然要求。建议研究基础原材料产业的适度产能规模,以满足中国新型基础设施建设、新型城镇化建设、交通、水利等重大工程建设对基础原材料产业的需求;同时,提高企业科技创新能力,加快落后产能淘汰,增强地区环境规制力度,探讨高污染排放行业适宜的生产规模,在兼顾规模经济效应的同时达到优化环境的效应。

（3）人地关系耦合特征及时空格局演化值得学界持续关注,并从多尺度开展研究。通过对经济-环境系统时空过程和相互作用关系的解析,深入认识人类社会经济活动与自然生态环境系统的互馈机理。本研究仅基于中国省域尺度探讨了高耗能产业空间布局的环境效应,后续将延长时间尺度、缩小空间单元并对计量模型进行空间化改进,以期深化研究并为更加精准的决策建议提供依据。

致谢：

真诚感谢匿名评审专家在论文评审中所付出的时间和精力,尤其是专家关于强化区域差异分析、补充建模指标、提炼研究意义和研究结论等方面的建议,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]

Panayotou

. Empirical tests and policy analysis of environmental degradation at different stages of economic development
International Labour Organization, 1993.

[本文引用: 1]

[2]

Grossman G

, Krueger A

. Environmental impacts of a North American Free Trade Agreement
Social Science Electronic Publishing, 1991, 8(2):223-250. DOI: 10.3386/w3914.

[本文引用: 1]

[3]

Grossman G

, Krueger A

. Economic growth and the environment
Nber Working Papers, 1995, 110(2):353-377. DOI: 10.2307/2118443.

[本文引用: 1]

[4]

Park

, Lee Y

. Regional model of EKC for air pollution: Evidence from the Republic of Korea
Energy Policy, 2011, 39:5840-5849. DOI: 10.1016/j.enpol.2011.06.028.

URL [本文引用: 1]

[5]

李斌, 李拓. 中国空气污染库兹涅茨曲线的实证研究: 基于动态面板系统GMM与门限模型检验
经济问题, 2014, (4):17-22.

[本文引用: 2]

[ Li

Bin

, Li

Tuo

. An empirical study of the Environmental Kuznets Curve for China's air pollution: By GMM model and threshold effect with dynamic panel data
On Economic Problems, 2014, (4):17-22.] DOI: 10.16011/j.cnki.jjwt.2014.04.001.

[本文引用: 2]

[6]

Zhang X

, Lin M

. Comparison between two air quality index systems in study of urban air pollution in China and its socio-economic determinants
Journal of University of Chinese Academy of Sciences, 2020, 37(1):39-50. DOI: 10.7523/j.issn.2095-6134.2020.01.006.

[本文引用: 1]

[7]

Tian

, Chang

, Shi

, et al. How does industrial structure change impact carbon dioxide emissions? A comparative analysis focusing on nine provincial regions in China
Environmental Science and Policy, 2014, 37:243-254. DOI: 10.1016/j.envsci.2013.10.001.

URL [本文引用: 1]

[8]

马丽, 康蕾, 金凤君. 京津冀工业发展与大气污染物排放时空耦合关系分析
环境影响评价, 2018, 40(5):43-48.

[本文引用: 1]

[ Ma

, Kang

Lei

, Jin

Fengjun

. Spatial and temporal coupling relationship between industrial development and air pollutant emissions in Beijing-Tianjin-Hebei Region
Environmental Impact Assessment, 2018, 40(5):43-48.] DOI: 10.14068/j.ceia.2018.05.009.

[本文引用: 1]

[9]

Tao

, Gao

, Zhang

, et al. PM_2.5 pollution in a megacity of southwest China: Source apportionment and implication
Atmospheric Chemistry and Physics, 2014, 14(4):8679-8699. DOI: 10.5194/acp-14-8679-2014.

URL [本文引用: 2]

[10]

Nasreen

, Anwar

, Ozturk

. Financial stability, energy consumption and environmental quality: Evidence from South Asian economies
Renewable and Sustainable Energy Reviews, 2017, 67:1105-1122. DOI: 10.1016/j.rser.2016.09.021.

URL [本文引用: 1]

[11]

郑玫, 张延君, 闫才青, 等. 中国PM_2.5来源解析方法综述
北京大学学报: 自然科学版, 2014, 50(6):1141-1154.

[本文引用: 1]

[ Zheng

Mei

, Zhang

Yanjun

, Yan

Caiqing

, et al. Review of PM_2.5 source apportionment methods in China
Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(6):1141-1154.] DOI: 10.13209/j.0479-8023.2014.068.

[本文引用: 1]

[12]

Huang X

, Zou B

, He L

, et al. Exploration of PM_2.5 sources on the regional scale in the Pearl River Delta based on ME-2 modeling
Atmospheric Chemistry and Physics, 2018, 18:11563-11580. DOI: 10.5194/acp-18-11563-2018.

URL [本文引用: 1]

[13]

王振波, 方创琳, 许光, 等. 2014年中国城市PM_2.5浓度的时空变化规律
地理学报, 2015, 70(11):1720-1734.

DOI:10.11821/dlxb201511003 [本文引用: 1]

大气霾污染因其对人体健康、生态环境和气候变化的影响而成为全球关注的严重环境问题,PM2.5是中国霾污染频繁的主要原因。过去对国家尺度上PM2.5时空分布的认识主要基于卫星观测,因其反演方法的局限性,卫星资料难以真实反映近地面PM2.5浓度的时空变化规律。本文基于中国2014年190个城市中的945个监测站的PM2.5浓度观测数据,采用空间数据统计模型,揭示了中国PM2.5的时空格局。结果显示,2014年中国城市PM2.5平均浓度61 μg/m3,具有显著的冬秋高、春夏低的“U”型逐月变化规律和周期性U-脉冲型逐日变化规律;中国城市PM2.5浓度呈现显著的空间分异与集聚规律,以及两次南北进退的空间循环周期;胡焕庸线和长江是中国PM2.5浓度高值区和低值区的东西和南北分界线,胡焕庸线以东和长江以北的环渤海城市群、中原城市群、长三角城市群、长江中游城市群和哈长城市群等地区是2014年PM2.5的高污染城市聚集地,京津冀城市群是全年污染核心区;以珠三角为核心的东南沿海地区是稳定的空气质量优良区。

[ Wang

Zhenbo

, Fang

Chuanglin

, Xu

Guang

, et al. Spatial-temporal characteristics of the PM_2.5 in China in 2014
Acta Geographica Sinica, 2015, 70(11):1720-1734.] DOI: 10.11821/dlxb201511003.

[本文引用: 1]

[14]

Cheng

, Luo L

, Wang S

, et al. Status and characteristics of ambient PM_2.5 pollution in global megacities
Environment International, 2016, 89:212-221. DOI: 10.1016/j.envint.2016.02.003.

[本文引用: 1]

[15]

穆泉, 张世秋. 中国2001—2013年PM_2.5重污染的历史变化与健康影响的经济损失评估
北京大学学报: 自然科学版, 2015, 51(4):694-706.

[本文引用: 1]

[ Mu

Quan

, Zhang

Shiqiu

. Assessment of the trend of heavy PM_2.5 pollution days and economic loss of health effects during 2001-2013
Acta Scientiarum Naturalium Universitatis Pekinensis, 2015, 51(4):694-706.] DOI: 10.13209/j.0479-8023.2015.074.

[本文引用: 1]

[16]

张凡, 苏德奇. PM_2.5对人体健康的影响研究进展
疾病预防控制通报, 2016, 31(4):88-91.

[本文引用: 1]

[ Zhang

Fan

, Su

Deqi

. Research advance of effect of PM_2.5 on human health
Bulletin of Disease Control and Prevention, 2016, 31(4):88-91.] DOI: 10.13215/j.cnki.jbyfkztb.1512001.

[本文引用: 1]

[17]

李松, 罗绪强, 李恋, 等. 基于GIS的中国PM_2.5浓度的空间分布及影响因素分析
水土保持通报, 2015, 35(4):202-205.

[本文引用: 1]

[ Li

Song

, Luo

Xuqiang

, Li

Lian

, et al. Spatial distribution model of countrywide PM_2.5 concentration and influence factors using geographical information system
Bulletin of Soil and Water Conservation, 2015, 35(4):202-205.] DOI: 10.13961/j.cnki.stbctb.2015.04.038.

[本文引用: 1]

[18]

张淑平, 韩立建, 周伟奇, 等. 冬季PM_2.5的气象影响因素解析
生态学报, 2016, 36(24):7897-7907.

[本文引用: 1]

[ Zhang

Shuping

, Han

Lijian

, Zhou

Weiqi

, et al. Relationships between fine particulate matter (PM_2.5) and meteorological factors in winter at typical Chinese cities
Acta Ecologica Sinica, 2016, 36(24):7897-7907.] DOI: 10.5846/stxb201505020901.

[本文引用: 1]

[19]

杨兴川, 赵文吉, 熊秋林, 等. 2016年京津冀地区PM_2.5时空分布特征及其与气象因素的关系
生态环境学报, 2017, 26(10):1747-1754.

[本文引用: 1]

[ Yang

Xingchuan

, Zhao

Wenji

, Xiong

Qiulin

, et al. Spatio-temporal distribution of PM_2.5 in Beijing-Tianjin-Hebei (BTH) area in 2016 and its relationship with meteorological factors
Ecology and Environmental Sciences, 2017, 26(10):1747-1754.] DOI: 10.16258/j.cnki.1674-5906.2017.10.014.

[本文引用: 1]

[20]

吴蒙, 吴兑, 范绍佳, 等. 东莞地区冬季大气边界层结构对PM_2.5影响的观测研究
中山大学学报: 自然科学版, 2015, 54(4):158-163, 170.

[本文引用: 1]

[ Wu

Meng

, Wu

Dui

, Fan

Shaojia

, et al. The influence of atmospheric boundary layer structure on PM_2.5 concentration over Dongguan region
Acta Scientiarum Naturalium Universitatis Sunyatseni, 2015, 54(4):158-163, 170.] DOI: 10.13471/j.cnki.acta.snus.2015.04.027.

[本文引用: 1]

[21]

Zhou C

, Chen

, Wang S

. Examining the effects of socioeconomic development on fine particulate matter (PM_2.5) in China's cities using spatial regression and the geographical detector technique
Science of the Total Environment, 2018, 619:436-445. DOI: 10.1016/j.scitotenv.2017.11.124.

[本文引用: 1]

[22]

Zhu W

, Wang M

, Zhang B

. The effects of urbanization on PM_2.5 concentrations in China's Yangtze River Economic Belt: New evidence from spatial econometric analysis
Journal of Cleaner Production, 2019, 239:1-11. DOI: 10.1016/j.jclepro.2019.118065.

[本文引用: 1]

[23]

周亮, 周成虎, 杨帆, 等. 2000—2011年中国PM_2.5时空演化特征及驱动因素解析
地理学报, 2017, 72(11):2079-2092.

DOI:10.11821/dlxb201711012 [本文引用: 1]

高浓度PM2.5是形成雾霾的主要原因之一,科学识别PM2.5浓度的空间异质性与驱动因素对区域大气联动治理意义重大。研究采用2000-2011年NASA大气遥感影像反演的PM2.5数据,结合地统计、地理探测器及GIS空间分析等方法,系统分析了中国2000-2011年PM2.5浓度时空演化格局特征与其驱动因素。结果表明：① 2000-2011年中国PM2.5污染平均浓度一直保持在22.47~28.26 μg/m3区间,总体呈现先快速增加后趋于稳定的演化态势,2006年是PM2.5浓度值变化的拐点（峰值）。② 空间上PM2.5浓度整体呈现北方高于南方,东部高于西部趋势,污染浓度高值区集中分布在黄淮海平原、长三角下游平原、四川盆地与塔克拉玛干沙漠四大区域,其中京津冀地区污染最为严重。③ 污染浓度重心研究表明PM2.5重心总体呈现快速东移趋势,污染高值区持续向东移动,低值区向西移动,两者重心背向而行,表明东部雾霾污染程度在进一步加剧。④ 空间自相关分析表明PM2.5年均浓度呈现强烈的局部空间正自相关特性,PM2.5“高—高”集聚区连片分布在黄淮海平原、汾渭盆地、四川盆地及江汉平原地区,PM2.5“低—低”集聚区分布在长城以北的内蒙古、黑龙江、青藏高原、以及台湾、海南与福建等东南沿海及岛屿地区。⑤ 地理探测分析表明气候等自然因素与人类活动共同对PM2.5浓度空间变化产生巨大影响,其中自然地理区位、人口密度、汽车数量、工业烟尘、秸秆燃烧等因子是中国PM2.5浓度空间变化的主要驱动因素。

[ Zhou

Liang

, Zhou

Chenghu

, Yang

Fan

, et al. Spatio-temporal evolution and the influencing factors of PM_2.5 in China between 2000 and 2011
Acta Geographica Sinica, 2017, 72(11):2079-2092.] DOI: 10.11821/dlxb201711012.

[本文引用: 1]

[24]

Wang S

, Liu X

, Xue

, et al. Spatial variations of PM_2.5 in Chinese cities for the joint impacts of human activities and natural conditions: A global and local regression perspective
Journal of Cleaner Production, 2018, 203:143-152. DOI: 10.1016/j.jclepro.2018.08.249.

URL [本文引用: 1]

[25]

刁贝娣, 丁镭, 苏攀达, 等. 中国省域PM_2.5浓度行业驱动因素的时空异质性研究
中国人口·资源与环境, 2018, 28(9):52-62.

[本文引用: 2]

[ Diao

Beidi

, Ding

Lei

, Su

Panda

, et al. Study on spatiotemporal heterogeneity of industry driving factors in PM_2.5 concentration in China
China Population, Resources and Environment, 2018, 28(9):52-62.] DOI: 10.12062/cpre.20180425.

[本文引用: 2]

[26]

何好俊, 彭冲. 城市产业结构与土地利用效率的时空演变及交互影响
地理研究, 2017, 36(7):1271-1282.

DOI:10.11821/dlyj201707007 [本文引用: 2]

利用非径向方向距离函数（NDDF）和面板向量自回归模型（PVAR）揭示城市产业结构变迁与土地利用效率的交互影响,为新常态下产业转型与土地利用管理改革提供政策依据。研究表明：① 城市土地利用效率改进呈现点状向面状、带状拓展的趋势,并与产业结构变迁保持一定的空间耦合性。② 产业结构合理化与高级化水平呈自东向西的阶梯式分布和动态转移特征。③ 从GMM估计结果来看,产业结构合理化的滞后3期对产业结构高级化有显著的正向影响,其滞后1期和2期对城市土地利用效率也存在显著的正向效应。从脉冲效应结果来看,产业结构合理化和高级化冲击对土地利用效率均产生影响,但作用机制和效果截然相反。研究得出产业结构合理化、产业结构高级化和土地利用效率改进存在动态依赖性;产业结构合理化是产业结构实现高级化的重要基础。产业结构合理化与土地利用效率表现为互惠互利的“双赢”效应。土地利用效率提升对产业结构实现合理化和高级化均存在“倒逼效应”,但当前阶段仅产业结构合理化的效应显著。

[ He

Haojun

, Peng

Chong

. The spatial-temporal evolution and the interactive effect between urban industrial structure transformation and land use efficiency
Geographical Research, 2017, 36(7):1271-1282.] DOI: 10.11821/dlyj201707007.

[本文引用: 2]

[27]

Zhang X

, Gong Z

. Spatiotemporal characteristics of urban air quality in China and geographic detection of their determinants
Journal of Geographical Sciences, 2018, 28(5), 563-578. DOI: 10.1007/s11442-018-1491-z.

URL [本文引用: 2]

[28]

薛文博, 许艳玲, 王金南, 等. 全国火电行业大气污染物排放对空气质量的影响
中国环境科学, 2016, 36(5):1281-1288.

[本文引用: 2]

[ Xue

Wenbo

, Xu

Yanling

, Wang

Jinnan

, et al. Ambient air quality impact of emissions from thermal power industry
China Environmental Science, 2016, 36(5):1281-1288.] DOI: 10.3969/j.issn.1000-6923.2016.05.001.

[本文引用: 2]

[29]

韦琳, 刘阳生. 水泥行业PM_2.5研究进展
环境工程, 2013, 31(3):98-102.

[本文引用: 2]

[ Wei

Lin

, Liu

Yangsheng

. Research progress of PM_2.5 emissions in cement industry
Environmental Engineering, 2013, 31(3):98-102.] DOI: 10.7617/j.issn.1000-8942.2013.03.025.

[本文引用: 2]

[30]

段文娇, 郎建垒, 程水源, 等. 京津冀地区钢铁行业污染物排放清单及对PM_2.5影响
环境科学, 2018, 39(4):1445-1454.

[本文引用: 2]

[ Duan

Wenjiao

, Lang

Jianlei

, Cheng

Shuiyuan

, et al. Air pollutant emission inventory from iron and steel industry in the Beijing-Tianjin-Hebei region and its impact on PM_2.5
Environmental Science, 2018, 39(4):1445-1454.] DOI: 10.13227/j.hjkx.201709053.

[本文引用: 2]

[31]

郑波, 于义林, 王晴东. 焦化过程PM_2.5的排放与控制
工业安全与环保, 2015, (1):29-32.

[本文引用: 2]

[ Zheng

, Yu

Yilin

, Wang

Qingdong

. Emission and control of PM_2.5 in coking process
Industrial Safety and Environmental Protection, 2015 (1):29-32.] DOI: 10.3969/j.issn.1001-425X.2015.01.011.

[本文引用: 2]