长三角多维城市化对PM2.5浓度的非线性影响及驱动机制

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

郭向阳^,¹^,², 穆学青³, 丁正山^,¹^,², 秦东丽¹^,²

1.南京师范大学地理科学学院,南京 210023

2.江苏省地理信息资源开发与利用协同创新中心,南京 210023

3.云南师范大学地理学部,昆明 650500

Nonlinear effects and driving mechanism of multidimensional urbanization on PM_2.5 concentrations in the Yangtze River Delta

GUO Xiangyang^,¹^,², MU Xueqing³, DING Zhengshan^,¹^,², QIN Dongli¹^,²

1. School of Geographical Science, Nanjing Normal University, Nanjing 210023, China

2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China

3. Department of Geography, Yunnan Normal University, Kunming 650500, China

通讯作者: 丁正山(1967-), 男, 江苏南京人, 博士, 教授, 博导, 主要从事区域发展研究。E-mail: dingzhengshan@263.net

收稿日期:2020-01-8修回日期:2020-12-18网络出版日期:2021-05-25

基金资助:

国家自然科学基金项目.41961021
国家自然科学基金项目.41671147
国家自然科学基金项目.41901205
江苏省研究生科研创新计划项目.KYCX20_1174

Received:2020-01-8Revised:2020-12-18Online:2021-05-25

Fund supported:

National Natural Science Foundation of China.41961021
National Natural Science Foundation of China.41671147
National Natural Science Foundation of China.41901205
Graduate Student Scientific Research Innovation Projects in Jiangsu Province.KYCX20_1174

作者简介 About authors
郭向阳(1990-), 男, 河南开封人, 博士生, 主要从事城市可持续发展与旅游地理研究。E-mail: guoxiangyang01@163.com

摘要
探索多维城市化对PM_2.5浓度的非线性影响及驱动机制,是城市群高质量发展的重要课题。以2000—2017年长江三角洲地区城市面板遥感影像和统计数据为样本,采用反距离权重空间插值、空间自相关和标准差椭圆等方法探查其PM_2.5浓度的时空演变规律,并运用系统动态面板回归模型研判多维城市化对PM_2.5浓度的非线性影响及驱动机制。结果表明：① 2000—2017年,长三角PM_2.5浓度由低污染等级向高污染等级演替;PM_2.5浓度整体呈现由东南向西北方向递增的空间趋势。② PM_2.5浓度呈现显著空间集聚与关联特征;PM_2.5浓度重心总体由东南向西北方向偏移,在东西方向上趋向分散,在南北方向上逐渐极化。③ 长三角城市化子系统不同发展阶段对PM_2.5浓度的非线性影响存在显著差异。经济城市化与PM_2.5浓度呈倒“N”型曲线关系,二者存在环境库兹涅茨曲线（EKC）关系,当人均GDP大于63709元时,经济城市化对PM_2.5浓度将产生抑制效应,表明城市综合质量提升和发展方式转变是PM_2.5治理的关键;而人口城市化、土地城市化与PM_2.5浓度的关系仅是倒“U”型曲线的左侧部分,二者与空气质量改善的拐点尚有一定距离。人口规模、外商直接投资、工业产业结构均对PM_2.5浓度具有显著的正向效应,而环境规制对PM_2.5浓度具有显著的抑制效应。长三角PM_2.5浓度的时空异质性特征是在经济社会因素和政府调控等诸多因素交互叠加、循环累积作用下形成,其中,经济社会因素扮演着主角。本文为探索多维城市化对PM_2.5浓度的非线性影响提供了新视角,以期为实现长三角环境保护与城市可持续发展的协调提供重要参考。
关键词： 多维城市化;非线性影响;PM_2.5浓度;驱动机制;长江三角洲地区

Abstract

Exploring the nonlinear effects and driving mechanism of multidimensional urbanization on PM_2.5 concentrations is of great significance in the high-quality development of urban agglomerations. This paper uses inverse distance weighted spatial interpolation, spatial autocorrelation and standard deviational ellipse to analyze the spatiotemporal heterogeneity of PM_2.5 concentrations in the Yangtze River Delta. It also applies the systematic dynamic panel regression model to explore the nonlinear effects and driving mechanism of multidimensional urbanization on PM_2.5 concentrations based on the remote sensing images and statistical data of urban panels in the study area from 2000 to 2017. The main conclusions are as follows: (1) From 2000 to 2017, the pollution level caused by PM_2.5 concentrations evolved from low to high. Overall, the PM_2.5 concentrations showed a spatial trend of increasing from southeast to northwest. (2) The PM_2.5 concentrations exhibited significant spatial agglomeration and correlation characteristics. Meanwhile, the centroid of the PM_2.5 concentrations generally shifted from southeast to northwest, and the PM_2.5 concentrations tended to be dispersed in the east-west direction, while in contrast they were gradually polarized in the north-south direction. (3) There were significant differences in the impact of different development stages of the urbanization subsystem on the PM_2.5 concentrations. The economic urbanization exhibits an inverted N relationship with the PM_2.5 concentrations, which indicates that an Environmental Kuznets Curve (EKC) existed between the economic urbanization and PM_2.5 concentrations. When the per capita GDP exceeds RMB 63,709 yuan, economic urbanization will have a restraining effect on the PM_2.5 concentrations. This illustrates the fact that the improvement of urban development quality and transformation of urban development methods are the key to controlling PM_2.5 pollution. However, the relationship among population urbanization, land urbanization and PM_2.5 concentrations is only the left part of the inverted U curve, which indicates that population urbanization and land urbanization are still at a certain distance from the inflection point of air quality improvement. Last but not least, the population size, foreign investment and industrial structure all have a significant positive effect on PM_2.5 concentrations, while environmental regulations have a significant negative effect on PM_2.5 concentrations. It is worth noting that the spatiotemporal heterogeneity of PM_2.5 concentrations is formed under the interactive overlay and cycle accumulation of socioeconomic factors, government regulations, and other factors in this region. Among them, socioeconomic factors play a leading role. This paper provides a new research perspective to explore the effects of multidimensional urbanization on PM_2.5 concentrations, so that we can achieve coordination between environmental protection and urban sustainable development in the Yangtze River Delta.

Keywords：multidimensional urbanization;nonlinear effect;PM_2.5 concentrations;driving mechanism;Yangtze River Delta

PDF (4236KB)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
郭向阳, 穆学青, 丁正山, 秦东丽. 长三角多维城市化对PM_2.5浓度的非线性影响及驱动机制. 地理学报[J], 2021, 76(5): 1274-1293 doi:10.11821/dlxb202105017
GUO Xiangyang, MU Xueqing, DING Zhengshan, QIN Dongli. Nonlinear effects and driving mechanism of multidimensional urbanization on PM_2.5 concentrations in the Yangtze River Delta. Acta Geographica Sinice[J], 2021, 76(5): 1274-1293 doi:10.11821/dlxb202105017

1 引言

目前,全球约55%以上的人口居住在城市。根据联合国最新报告,预计到2050年,全球将有2/3的人口居住在城市。随着全球城市化进程的快速推进,人口过度集聚、交通拥挤、资源短缺和环境污染等“城市病”层出不穷。作为世界上最大的发展中国家和增长较快的经济体之一,中国城市化率从1978年17.90%增长至2017年58.52%,其快速发展的城市化问题已成为****关注的焦点^[1]。然而,长期粗放式的快速城市化过程使城市生态环境变的更加敏感与脆弱,也衍生出许多环境问题,其中空气污染问题尤为严峻^[2,3]。近年来中国中东部地区PM_2.5浓度“爆表”事件频发^[4],政界、学术界以及公众对PM_2.5的关注度日益提升。依据《2017中国生态环境状况公报》,2017年全国338个城市以PM_2.5为首要污染物的天数占重度及以上污染天数的74.20%。此外,绿色和平组织（Greenpeace）于2018年1月发布的数据显示,2017年全国356个城市中有256个城市的PM_2.5年均浓度超出国家二级标准（35 μg/m³）,占城市总数的70.10%。PM_2.5是降低城市空气质量的主要污染物,它不仅降低城市能见度,而且对人类健康构成严重威胁^[5,6]。学界关于快速城市化过程中的PM_2.5污染问题已进行诸多研究,主要涉及PM_2.5化学性质^[7]、PM_2.5时空集聚性特征^{[3, 8-10]},以及PM_2.5对人体健康的危害^[11];此外,****们还提出了多元主体跨区协同治理、经济补偿机制、环保法规制定、新能源开发、能源效率提升和产业结构调整等多项大气污染防控措施^{[3, 9, 12-13]}。环境保护与城市化关系的研究是国际组织的重点研究课题,也是国际地球系统科学和可持续发展科学的研究热点与前沿。因此,厘清城市化与PM_2.5浓度的关系是一项重要的科学命题,亟需寻求科学的决策方法并制定有效的防控治理措施,从而实现环境保护和城市可持续发展的双赢局面。

中国面临着严重的PM_2.5浓度挑战,特别是在城市群地区,了解区域PM_2.5的关键影响因素是采取针对性措施的基本步骤。引起PM_2.5浓度变化的因素比较复杂,为探究其形成原因及主控因素,现有文献采用经典普通最小二乘法（OLS）^[14]、分位数回归^[15]、贝叶斯模型平均法（BMA）^[16]、随机效应或固定效应回归模型^[17]、灰色关联模型^[18]、地理探测器模型^[19]和空间计量经济模型^{[3, 12, 20]}等方法探究PM_2.5的成因,发现地形、气压、温度、湿度、风速和降水量等自然要素对PM_2.5浓度具有显著影响^[21];一些研究关注了外商直接投资^[20]、技术进步及经济发展^[22]、人口密度^[23]、产业结构^[24]、能源强度^[25]、城市化^{[3, 16]}等经济社会因素与PM_2.5浓度的关系,并逐渐聚焦于人口、土地和GDP等城市化表征指标对PM_2.5浓度的影响规律探讨^[3]。综上,现有成果涉及的自然—人文因素比较全面,为深入揭示城市化如何影响PM_2.5浓度变化规律奠定了基础。在全球快速城市化背景下,城市化与PM_2.5关系引起了国际视野的广泛关注,以往诸多研究表明PM_2.5浓度与城市化存在显著空间关联性^{[26,27,28,29]},但关于二者的关系仍未得出一致结论。显然,目前的认知层面还存在以下局限性：① 以往大多研究论证城市化对PM_2.5的线性化影响,忽略了城市化不同发展阶段对PM_2.5浓度影响的“拐点效应”。② 城市化是涉及经济、社会、人口和空间等多维度交互叠加影响下的复杂动态演进过程^[30],以往研究大都以人口城市化表征城市化水平^[31],这不足以从多个维度研判城市化对PM_2.5浓度异质性的影响效应,也难以梳理和探究城市群尺度城市化与PM_2.5的作用关系和规律,城市化子系统（经济城市化、人口城市化和土地城市化）与PM_2.5的环境库兹涅茨曲线关系仍值得探索。③ 前期的影响变量可能对当期PM_2.5浓度产生影响,以往研究模型往往忽略了变量对PM_2.5浓度影响的滞后效应,这可能会因为影响变量滞后性导致PM_2.5浓度对当期变量不敏感,且以往文献采用普通面板回归会因内生性问题造成估计上的偏误,而系统动态面板回归模型（SGMM）考虑了被解释变量（PM_2.5浓度）的滞后期数（年）,且可以综合利用差分方程和水平方程的信息,能够比较好地解决模型的内生性问题,增强了模型估计的有效性与稳健性,更有助于科学探究城市化对PM_2.5的综合影响效应及驱动机制。

城市群是推动区域社会经济发展的重大引擎,在传统粗放式城市化过程中,人口过度集聚、交通阻塞及能源过度消耗等引起的大气污染问题逐渐暴露^[9,10]。尤其是中国经济发达的东部城市群城市化与资源环境的矛盾更为尖锐与突出,是雾霾污染的集聚区^{[9-10, 32]}。2017年长江三角洲地区（长三角）的上海、江苏、浙江和安徽人口城市化率分别高达87.7%、68.76%、68.00%和53.50%,其快速推进的城市化难免给当地生态环境,尤其是给空气质量带来了巨大压力和挑战^[33]。当前,长三角一体化发展已进入全方位推进的新阶段,亟需高度重视构建长三角生态环境保护共同体,推动长三角更高质量一体化发展。2019年中共中央、国务院颁发的《长江三角洲区域一体化发展规划纲要》明确提到“到2025年,细颗粒物（PM_2.5）平均浓度总体达标,地级及以上城市空气质量优良天数比率达到80%以上”。因此,若实现长三角城市化高质量发展与生态文明建设的双重目标,迫切需要揭示长三角PM_2.5浓度的时空演变规律,厘清城市化不同发展阶段与PM_2.5浓度的关系,以便提出针对性的防控措施。

本文选择长三角为研究对象,以2000—2017年城市面板遥感影像和统计数据为样本。首先,采用反距离权重空间插值、空间自相关、标准差椭圆等方法分别对长三角PM_2.5浓度的空间差异、空间关联和空间演变特征进行探究;其次,运用系统动态面板回归模型（SGMM）验证长三角城市化子系统不同发展阶段与PM_2.5浓度的关系及驱动机制。以期为实现长三角环境保护与城市健康持续发展提供科学依据。

2 研究方法与数据来源

2.1 研究区概况

本文以长三角为研究对象,依据2019年中共中央、国务院印发的《长江三角洲区域一体化发展规划纲要》划定区域范围,研究区域包括江苏省、浙江省、安徽省和上海市4个省市,共有41个城市。长三角位于长江经济带横向发展战略与沿海经济轴纵向发展战略的“T”型交汇节点,是中国经济社会发展的重要战略区域。长三角以占中国3.64%的土地承载了16.08%的人口,产出了中国23.61%的GDP（2017年底）。然而,长三角亦是中国单位国土面积资源能源消耗最大、污染物排放强度最高和环境污染最严峻的地区之一,长期承受着巨大的资源环境保护压力。依据中华人民共和国生态环境部的最新数据（http://www.mee.gov.cn/）,长三角单位面积大气污染物排放量为全国平均水平的3~5倍,尤其是其快速推进的人口城市化、土地城市化对区域资源环境保护的压力逐渐凸显。城市宜居环境安全与生态系统服务功能衰退逐渐成为长三角高质量发展的短板。

2.2 研究方法

（1）反距离权重空间插值。反距离权重插值（Inverse Distance Weighted,IDW）是以插值点与样本点间的距离为权重进行加权平均,离插值点越近的样本点赋予的权重愈大,离插值点越远的样本点赋予的权重愈小。该方法能够准确模拟出PM_2.5浓度的空间分布与差异特征。其表达式^[34]为：

（1）

Z (S) = \overset{n}{\sum_{i = 1}} λ_{i} Z (S_{i})

式中：Z(S)为插值点S长三角各城市PM_2.5浓度的估计值;n为要使用的预测点周围样点的数量;λ_i为计算过程中使用的各样点权重;Z(S_i)为在S_i处获得的真实值。

（2）空间自相关方法。地理学第一定律认为距离相近的事物关联性越强^[35]。本文利用ArcGIS 10.2软件中探索性空间数据分析（ESDA）从全域和局部视角研判长三角PM_2.5的空间关联特征^[36,37]。其中,① 全局空间自相关（Global Moran's I）是PM_2.5浓度整体空间关联模式,其值越接近于1,PM_2.5浓度总体空间集聚性越强,反之,则呈随机分布状态。② 为检测PM_2.5浓度在局部空间的集聚程度,借助Ord和Getis提出的使用G统计量G_i来检测观测变量小范围内局部空间依赖性^[37]。本文采用局域统计量G_i来识别长三角PM_2.5浓度热点和冷点的聚类情况。

（3）标准差椭圆。标准差椭圆（Standard Deviational Ellipse, SDE）是由美国社会学家Welty Lefever等提出的用于揭示社会经济、自然环境等要素空间分布特征的空间统计方法^[38]。该方法主要通过对地理要素空间分布椭圆的重心、方位角、长轴、短轴参数测算,定量描述观测变量在空间层面的分布特征。其计算公式为：

（2）

重心坐标 : {\overset{?}{X}}_{w} = \overset{n}{\sum_{i = 1}} \frac{w_{i} x_{i}}{\overset{n}{\sum_{i = 1}} w_{i}}; {\overset{?}{Y}}_{w} = \overset{n}{\sum_{i = 1}} \frac{w_{i} y_{i}}{\overset{n}{\sum_{i = 1}} w_{i}}

（3）

方位角 : \tan θ = \frac{(\overset{n}{\sum_{i = 1}} w_{i}^{2} {\overset{?}{x}}_{i}^{2} - \overset{n}{\sum_{i = 1}} w_{i}^{2} {\overset{?}{y}}_{i}^{2}) + \sqrt[]{{(\overset{n}{\sum_{i = 1}} w_{i}^{2} {\overset{?}{x}}_{i}^{2} - \overset{n}{\sum_{i = 1}} w_{i}^{2} {\overset{?}{y}}_{i}^{2})}^{2} + 4 \overset{n}{\sum_{i = 1}} w_{i}^{2} {\overset{?}{x}}_{i}^{2} {\overset{?}{y}}_{i}^{2}}}{2 \overset{n}{\sum_{i = 1}} w_{i}^{2} {\overset{?}{x}}_{i} {\overset{?}{y}}_{i}}

（4）

x 轴标准差 : σ_{x} = \sqrt[]{\overset{n}{\sum_{i = 1}} \frac{{(w_{i} {\overset{?}{x}}_{i} \cos θ - w_{i} {\overset{?}{y}}_{i} \sin θ)}^{2}}{\overset{n}{\sum_{i = 1}} w_{i}^{2}}}

（5）

y 轴标准差 : σ_{y} = \sqrt[]{\overset{n}{\sum_{i = 1}} \frac{{(w_{i} {\overset{?}{x}}_{i} s in θ - w_{i} {\overset{?}{y}}_{i} \cos θ)}^{2}}{\overset{n}{\sum_{i = 1}} w_{i}^{2}}}

式中：（x_i, y_i）表示观测变量的空间坐标;w_i表示其空间权重;（

{\overset{?}{X}}_{w}, {\overset{?}{Y}}_{w}

）表示各观测变量的加权平均中心;θ为标准差椭圆的方位角;

{\overset{?}{x}}_{i}

、

{\overset{?}{y}}_{i}

分别表示各观测变量到加权平均中心的坐标偏差;σ_x、σ_y分别表示椭圆x轴和y轴的标准差。

（4）系统动态面板回归模型。由于采用普通面板回归会因内生性问题造成估计上的偏误,这里借助动态面板模型估计方法消除内生性偏误问题。它主要包括两种方法,当前比较常用的是一阶差分广义矩估计法和系统广义矩估计法（SYS-GMM,简称SGMM）。鉴于Arellano等^[39]和Blundell等^[40]提出的系统广义矩估计法（SGMM）可以克服内生性问题并得到无偏且一致的估计量,在有效解决模型内生性问题的同时还可以提高模型估计的准确度与稳健性。因此,本文在基准回归模型（OLS）和固定效应回归模型（FE）基础上,采用SGMM法验证长三角多维城市化对PM_2.5浓度的非线性影响。其公式如下：

（6）

PM = μ_{i} + θ_{i} x_{it} + ε_{it}

（7）

PM = μ_{i} + β_{1} P M_{it - 1} + θ_{i} x_{it} + ε_{it}

（8）

PM = μ_{i} + β_{1} P M_{it - 1} + β_{2} z_{it} + β_{3} z_{it}^{2} + θ_{i} x_{it} + ε_{it}

式中：i为城市;t为年份;PM表示各城市PM_2.5年均浓度值;x_it为控制变量;θ_it为控制变量集的系数;PM_it_-1为被解释变量的滞后项;z_it为核心解释变量;μ_i为常数项;ε_it为随机误差项。公式（6）为基准计量回归模型,公式（7）为普通动态面板回归模型,公式（8）为系统动态面板回归模型。

2.3 数据来源

研究数据包括PM_2.5年均浓度栅格数据和影响变量数据。PM_2.5浓度（μg/m³）源自哥伦比亚大学社会经济数据和应用中心公布的全球年均PM_2.5栅格数据^[41]。城市建设用地数据来源于中国科学院资源环境科学数据中心（http://www.resdc.cn/）,基于Landsat TM/ETM遥感影像,通过监督分类将城市建设用地面积（km²）数据剥离。经济城市化、人口城市化及各控制变量数据主要源自2001—2018年《中国城市统计年鉴》《中国区域经济统计年鉴》《中国人口和就业统计年鉴》《江苏省统计年鉴》《浙江省统计年鉴》《安徽省统计年鉴》《上海市统计年鉴》以及2000—2017年长三角41个城市国民经济与社会发展统计公报（http://www.tjcn.org/）。价格类数据以2000年为基期进行不变价处理。

3 长三角PM_2.5浓度的时空异质性特征

3.1 PM_2.5浓度时序演化规律

在PM_2.5浓度污染等级变化方面（图1a）,参照世界卫生组织（WHO）和中国《环境空气质量标准》中PM_2.5浓度标准值,将长三角PM_2.5浓度划分为5个污染等级,即空气质量“优”（0~20 μg/m³）、“良”（20~35 μg/m³）、“中”（35~50 μg/m³）、“轻度污染”（50~70 μg/m³）和“严重污染”（> 70 μg/m³）。总体上,2000—2017年长三角PM_2.5污染等级呈上升态势,由低污染等级向高污染等级过渡,低于年均限值20 μg/m³的城市数量整体呈现下降趋势,高于35 μg/m³（中国年均限值）的城市数量比例不断攀升;研究期间“轻度污染”城市数量比例（均值为47.03%）占主体,表明长三角地区空气质量堪忧。具体来看,① 空气质量“优”等级城市数量比例总体在降低,由2000年的10%降至2017年的7%,且2001—2011年、2013—2015年无“优”等级城市出现。② 空气质量“良”等级城市数量比例降低明显,由期初的73%降至期末的22%,降低3倍以上。③ 空气质量“中”等级城市比例围绕30%呈现波动变化趋势,该污染等级城市数量比例总体较为稳定。④ “轻度污染”等级城市比例由期初无增长至期末的39%,该污染等级城市数量比例大体呈上升态势。⑤ “严重污染”等级城市数量比例虽然不大,但各城市PM_2.5浓度均值总体上升明显。

图1

新窗口打开|下载原图ZIP|生成PPT
图12000—2017年长三角PM_2.5时序演化特征

Fig. 1Temporal evolution characteristics of PM_2.5 in the Yangtze River Delta in 2000-2017

在PM_2.5浓度区域差异方面（图1b）,2000—2017年长三角各省市PM_2.5年均浓度差异明显,呈现江苏省（54.97 μg/m³）>安徽省（49.52 μg/m³）>上海市（46.64 μg/m³）>浙江省（32.57 μg/m³）的空间异质性态势。研究期间,PM_2.5年均浓度整体呈现波动增长趋势,年均浓度由期初的29.83 μg/m³增至期末的43.86 μg/m³,年均增长率为2.29%,整体空气质量下降明显。2000—2007年长三角PM_2.5年均浓度呈明显上升趋势,上升幅度较大;2008—2012年PM_2.5年均浓度整体呈轻微下降态势;2013—2017年长三角PM_2.5年均浓度整体在波动中下降,表明自2013年长三角各省市相继实施《大气污染防治行动计划》以来,大气污染联防联控、协同治理成效显著,区域整体空气质量初步得到改善。

3.2 PM_2.5浓度空间差异特征

为探究长三角PM_2.5浓度的空间差异特征,选取具有大致相同时间间隔年份的PM_2.5浓度值进行分析,采用反距离权重空间插值（IDW）法将长三角2000年、2004年、2007年、2010年、2014年和2017年PM_2.5均值浓度的时空分布规律进行空间可视化（图2）。

图2

新窗口打开|下载原图ZIP|生成PPT
图22000—2017年长三角PM_2.5空间格局演变特征

Fig. 2The evolution of spatial patterns of PM_2.5 in the Yangtze River Delta in 2000-2017

整体来看,2000—2017年长三角PM_2.5浓度的省市间差异较大,整体呈现由东南向西北方向逐级递增的空间趋势,皖北、苏北、苏中空气污染较重,PM_2.5浓度明显高于区域平均水平。具体来看,① PM_2.5浓度大致以“安庆市—池州市—宣城市—湖州市—嘉兴市”为界线,呈现出南—北两极分化格局,该界线以南地区多为PM_2.5浓度低、较低值区,界线以北多为PM_2.5高、较高浓度集聚区,PM_2.5浓度空间分布与区域内部工业产业结构及能耗强度格局大致契合,这表明影响长三角PM_2.5浓度空间分布格局的主因是本地源^{[19, 42]},但受周边地区工业生产活动、污染颗粒物扩散的影响也不可忽视^[21]。这给我们的启示是长三角亟需加快产业结构生态化转型升级,走绿色发展之路,同时注重与周边地区联防联控。② 2000年PM_2.5浓度高值区集中在苏南和苏中地区,空间集聚态势明显。2004年PM_2.5浓度高值区扩散至皖南的马鞍山、铜陵等地区,以上城市因具有丰富的矿产和能源资源易陷入“资源诅咒”怪圈,资源消耗约束小,环境污染严重。2007—2010年,PM_2.5浓度高值区向皖北和苏北地区扩散转移,表现为典型的“高浓度、高增长、高污染”特征,这与以上地区能源消费结构和传统粗放型经济增长模式有关。2014年,苏南、苏中地区PM_2.5“高污染、高浓度”现象出现反弹,但随着2014年以后长三角大气污染防治协作机制启动以及多项环保政策的落实,至2017年,PM_2.5浓度高值区面积明显减少,呈空间收敛趋势,PM_2.5浓度低值区面积明显扩大,全区雾霾污染明显得到改善。③ 苏北的徐州、皖北的宿州、淮北、亳州、蚌埠、阜阳PM_2.5浓度增速较快（增长近一倍）,成为雾霾“重灾区”,这主要归因于以上地区大都属资源依赖型城市,经济发展普遍面临着产业结构单一、节能减排技术相对落后、环境污染严重等困境^[43],加之其相对开阔、平坦的地形为冬季冷气流南下裹挟的污染物扩散提供了条件^[44]。值得注意的,以上城市是淮河生态经济带的重要组成部分,未来应积极推动此类城市因地制宜地发展生态经济。另外,随着工业化和城市化快速推进致使能源消耗强度增加,皖江城市带的合肥、芜湖、马鞍山、铜陵和滁州的PM_2.5浓度增幅较大,该区域在承接中国东部产业转移中具有重要的战略地位,是长三角产业发展共生圈的重要区域,随着该地区资源环境压力渐趋增大,其人地系统协调关系亟需引起重视。

3.3 PM_2.5浓度空间关联特征

（1）全局空间关联特征。采用ArcGIS 10.2软件对长三角41个城市2000—2017年PM_2.5年均浓度值进行空间自相关性检验（表1）。结果显示,2000—2017年长三角PM_2.5浓度全局Moran's I指数均显著为正,介于0.773~0.905之间,总体呈增大趋势,表明2000—2017年长三角PM_2.5浓度具有显著的空间集聚与依赖特征,污染等级相近的城市彼此邻近、相互影响,且PM_2.5浓度集聚程度逐渐增强,PM_2.5污染的“集群化”特征显著。

Tab. 1
表1
表12000—2017年长三角PM_2.5浓度的全局Moran's I指数变化
Tab. 1Changes of global Moran's I index of PM_2.5 in the Yangtze River Delta in 2000-2017

年份	Moran's I	Z统计量	P值	年份	Moran's I	Z统计量	P值
2000	0.773	6.524	< 0.001	2009	0.890	7.441	< 0.001
2001	0.826	6.900	< 0.001	2010	0.905	7.524	< 0.001
2002	0.857	7.154	< 0.001	2011	0.891	7.466	< 0.001
2003	0.874	7.294	< 0.001	2012	0.856	7.226	< 0.001
2004	0.848	7.109	< 0.001	2013	0.884	7.397	< 0.001
2005	0.832	6.988	< 0.001	2014	0.872	7.316	< 0.001
2006	0.891	7.404	< 0.001	2015	0.902	7.528	< 0.001
2007	0.882	7.390	< 0.001	2016	0.892	7.413	< 0.001
2008	0.864	7.272	< 0.001	2017	0.905	7.566	< 0.001

新窗口打开|下载CSV

（2）局部空间关联特征。为探究长三角PM_2.5浓度局部空间聚类特征,采用ArcGIS 10.2软件中自然断点法,将2000年、2004年、2007年、2010年、2014年和2017年长三角PM_2.5浓度均值局域统计量G_i依次划分为热点、次热点、次冷点和冷点（图3）。

图3

新窗口打开|下载原图ZIP|生成PPT
图32000—2017年长三角PM_2.5浓度冷热点空间分布特征

Fig. 3Spatial distribution of cold and hot spots of PM_2.5 in the Yangtze River Delta in 2000-2017

具体来看,① 2000—2004年,PM_2.5浓度热点区主要分布在苏南和苏中的大部分城市。2001年中国加入世贸组织（WTO）后,该地区逐渐转变为“世界工厂”的一部分,是中国吸引外资集聚的重要区域。据统计,自2008年以来,上海及其领衔的长三角城市群是外商资本在中国内地的主要集聚地,占到中国三分之一以上的份额。在全球贸易自由化和本地环保门槛较低的驱使下,外商转移的“高污染、高排放”污染密集型企业集聚,加之传统的“苏南模式”工业企业粗放式发展路径,以及私人汽车保有量持续增长引起的汽车尾气排放总量增加（比如江苏省民用汽车拥有量由2000年的74.51万辆增长至2004年的161.19万辆,年均增长21.28%）,加剧了PM_2.5污染。2007—2017年,PM_2.5浓度热点区逐渐向苏北和皖北转移,热点城市数量比例总体呈上升趋势。主要由于苏北、皖北地区以煤碳为主的能源消费结构和粗放式工业经济增长模式,加之2006年《中共中央国务院关于促进中部崛起的若干意见》实施加大了“中部崛起”的建设力度,该时期东部经济发达地区“高耗能、高污染、高排放”型产业向中部地区转移加快^[45],更易形成PM_2.5热点集聚区。② 2000—2017年,PM_2.5冷点和次冷点区主要分布在浙江省的大部分城市和皖南的黄山、池州等地,整体在空间分布上呈现“先扩张后收缩”的态势,以上地区空气质量相对优于长三角其他城市。主要由于其特殊的产业结构和地理区位条件,其以服务业、轻工业为主的产业类型有别于苏北和皖北的“三高”型经济增长模式,人地系统协调的资源环境压力相对较小,加之浙江省大部分地区以低山丘陵为主体的地形,且靠近海洋,具备PM_2.5扩散的天然条件。

3.4 PM_2.5浓度空间演变特征

采用ArcGIS 10.2软件中标准差椭圆统计模块,对2000—2017年长三角PM_2.5浓度的重心迁移轨迹进行可视化（图4）,并测算出PM_2.5浓度标准差椭圆的各项统计参数（表2）。

图4

新窗口打开|下载原图ZIP|生成PPT
图42000—2017年长三角PM_2.5浓度总体重心迁移轨迹

Fig. 4The movement of the center of gravity of PM_2.5 concentrations in the Yangtze River Delta in 2000-2017

Tab. 2
表2
表22000—2017年长三角PM_2.5浓度的标准差椭圆参数
Tab. 2Standard deviation elliptic parameter of PM_2.5 concentrations in the Yangtze River Delta in 2000-2017

年份	重心坐标	x轴(km)	y轴(km)	旋转角θ(°)	偏移方向	偏移距离(km)
2000	118°53'27''E,31°43'34''N	275.98	167.73	134.30
2001	118°52'50''E,31°46'79''N	276.95	165.59	133.25	西偏北	3.905
2002	118°51'24''E,31°48'14''N	271.75	168.90	132.81	西偏北	1.919
2003	118°49'38''E,31°50'70''N	275.84	169.10	132.59	西偏北	3.348
2004	118°49'34''E,31°44'53''N	270.55	170.00	133.53	东偏南	6.816
2005	118°47'32''E,31°47'18''N	271.79	170.33	133.55	西偏北	3.515
2006	118°49'12''E,31°53'59''N	271.25	169.77	133.75	西偏北	7.329
2007	118°44'12''E,31°52'14''N	274.33	168.69	132.33	西偏南	5.006
2008	118°48'26''E,31°47'34''N	271.70	169.67	132.61	东偏南	6.625
2009	118°49'90''E,31°50'47''N	268.39	170.51	132.10	西偏北	3.812
2010	118°44'56''E,31°55'45''N	274.41	170.92	132.86	西偏北	7.502
2011	118°47'44''E,31°52'50''N	266.38	170.47	132.95	东偏南	4.267
2012	118°47'55''E,31°49'10''N	271.19	169.71	133.12	东偏南	3.782
2013	118°47'17''E,31°52'44''N	270.78	169.78	132.58	西偏北	3.731
2014	118°45'10''E,31°49'50''N	269.08	169.95	133.55	西偏南	3.813
2015	118°46'10''E,31°54'47''N	263.21	171.55	131.61	西偏北	5.607
2016	118°48'22''E,31°57'29''N	266.51	170.29	132.84	东偏北	9.152
2017	118°36'47''E,31°58'40''N	266.33	171.91	132.80	西偏南	11.198

新窗口打开|下载CSV

结合图4和表2可知,① 长三角PM_2.5浓度重心总体呈现“南退北进”特征,即由东南向西北方向偏移,期初至期末共移动23.109 km,年均移动1.359 km,始终在南京市行政区划范围内移动。PM_2.5浓度重心迁移轨迹表明,期初空气污染受上海都市圈、苏锡常及苏中地区影响较大,期末受皖北、苏北地区PM_2.5浓度相对较高牵制明显。究其原因,受经济社会因素、政府调控和自然地理因素季节性变化的综合影响,长三角PM_2.5浓度重心变化逐渐向西北方向转移。一方面,由于皖北、苏北地区重工业和资源依赖型城市居多,决定了其以化石燃料为主的能源消费结构,能源强度相对较大,加之以上地区大部属平原地带,海拔较低、地势平坦,为颗粒污染物跨区域传输提供了通道条件,尤其在冬季西北季风影响下,皖北、苏北受到京津冀、山东半岛和中原城市群PM_2.5高污染集聚区的空间溢出效应首当其冲。相关研究^[44]表明,在长三角等地PM_2.5的跨区域传输对城市中PM_2.5浓度的贡献可达20%~35%。此外,冬季冷空气南下至长三角地区还可能形成冷锋插入暖空气下方,在锋面处形成逆温现象,进一步阻碍大气中细颗粒物扩散而催生“雾霾”;另一方面,2013年以来苏南、上海、浙北等地重点实施了经济结构调整、落后产能置换等一系列大气污染防治措施,进一步降低了PM_2.5污染浓度,比如随着2014年《长三角区域落实大气污染防治行动计划实施细则》逐步落实,2017年上海、浙江的PM_2.5均值浓度较2013年分别降低37.1%和28.17%,反观苏北、皖北地区PM_2.5浓度整体下降幅度较小,这也是导致PM_2.5浓度重心向西北方向偏移的重要原因。② 由表2可知,椭圆旋转角（θ）由2000年的134.30°减小至2017年的132.80°,整体呈降低趋势,表明长三角PM_2.5浓度空间发展的方向性趋向东南—西北方向倾斜,这大致与PM_2.5浓度重心演变轨迹的主趋势偏移方向一致。③ 从椭圆x轴和y轴变化情况来看,x轴标准差由2000年的275.98 km降至2017年的266.33 km,总体呈降低态势,表明2000—2017年长三角PM_2.5浓度在南—北方向上逐渐极化。y轴标准差由2000年的167.73 km增至2017年的171.91 km,总体呈现增长趋势,表明长三角PM_2.5浓度在东—西方向上渐趋分散。这与长三角各省市产业结构调整、能源消费结构差异及大气污染防治政策实施导致PM_2.5浓度在各地市增减变化率差异有关。

4 多维城市化对PM_2.5浓度的非线性影响及驱动机制

4.1 变量选取

城市化是经济、人口和土地等诸多因素动态变化的复杂过程^[30],并通过人口集聚、用地规模扩张、经济生产方式转换、产业结构优化、技术创新和能源强度变化等多种路径对PM_2.5浓度产生影响^{[3, 20, 23-24, 46-49]}。为更全面地考量多维城市化对PM_2.5浓度的非线性影响,借鉴以往****^{[3, 26]}的研究,将城市化系统分解为经济城市化、人口城市化和土地城市化3个维度。具体变量设定如下：

（1）根据本文研究目的,将PM_2.5年均浓度值（μg/m³）设定为被解释变量（PM）。设定经济城市化、人口城市化和土地城市化为核心解释变量。① 经济城市化（E-URB）：经济城市化本质上是生产要素的空间集聚、重构和经济发展方式的高层等级化过程^[50],人均GDP可反映这一过程的最终结果,用人均GDP（元/人）增长表征经济城市化。② 人口城市化（P-URB）：城市化的基本形式是农村人口不断向城市集聚并转化为城市人口的过程,人口城市化率是城市化的基本表现形式,采用非农人口数量占总人口的比重（%）表征^[31]。③ 土地城市化（L-URB）：土地城市化是由于城市化的推进,土地利用属性由农业用地转变为城市建设用地以及土地产权属性由农村集体土地转为国有土地的过程。土地城市化是城市化过程的一个重要表征,采用城市建设用地面积占总面积的比重（%）表征土地城市化^[26]。

（2）在控制变量选取方面,人口规模（POP）持续扩大将导致建设用地面积扩张、交通拥挤、住房紧张、人均公共资源减少和能耗强度提升等问题,理论上人口规模（万人）扩大将加剧PM_2.5浓度增加^[32],采用常住人口数量表征^[3]。外商直接投资（FDI）对环境保护具有“污染天堂”和“污染光环”两种环境效应理论^[51,52],采用外商直接投资额占GDP比重（%）表征。产业结构（IND）调整是协调经济发展与环境问题的关键环节,为反映工业产业结构对PM_2.5的影响,采用第二产业增加值占GDP比重（%）表征^[24]。环境规制（ER）可以淘汰落后产能,提高资源的优化配置,减少环境污染负外部性^[53],另一种观点认为环境规制增加了企业生产成本,抑制了企业创新和投资,阻碍了环境质量改善^[54]。采用环境污染治理投资额占GDP比重（%）表征环境规制。各变量选取结果见表3。

Tab. 3
表3
表3变量选取及其描述性统计结果
Tab. 3Variable selection and descriptive statistical results

变量名称	符号	具体指标	单位	均值	标准误差	最小值	最大值
PM_2.5浓度	PM	PM_2.5年均浓度值	μg/m³	46.310	13.170	14.900	74.040
经济城市化	E-URB	人均GDP	元/人	39654	35134	1360	171765
人口城市化	P-URB	非农业人口数量/总人口	%	36.476	18.394	7.760	84.570
土地城市化	L-URB	城市建设用地面积/总面积	%	9.663	10.012	0.330	60.770
人口规模	POP	常住人口数量	万人	502.980	343.180	44.270	2426
外商投资	FDI	外商直接投资额占GDP的比重	%	7.360	7.650	0.110	71.160
产业结构	IND	第二产业产值占GDP的比重	%	50.340	941.520	26.320	76.000
环境规制	ER	环境污染治理投资额占GDP的比重	%	0.810	0.860	0.050	3.910

新窗口打开|下载CSV

4.2 模型检验分析

系统动态面板回归模型是否科学取决于工具变量选择的合理性。首先,为避免宏观面板数据非平稳性造成的伪回归,在模型识别前基于Stata 14.0软件对PM_2.5浓度与城市化子系统等变量数据时间序列上的单位根、协整关系及Granger因果关系进行检验,结果表明,长三角城市化子系统与PM_2.5浓度等变量均拒绝了“存在单位根”的原假设,城市化子系统与PM_2.5浓度间均存在长期均衡关系,且城市化子系统对PM_2.5浓度的Granger原因均通过了1%水平上的显著检验（限于篇幅,结果留待备索）。其次,通过Stata 14.0软件确定被解释变量滞后期数,经过反复验证,本文以被解释变量滞后2期作为工具变量。第三,借助stata 14.0软件分别以经济城市化、人口城市化和土地城市化为核心解释变量进行基准回归（OLS）、固定效应回归（FE）和系统动态面板回归（SGMM）,同时采用逐步回归分析法以消除共线性问题。最后,经过整理后的面板回归结果见表4（限于篇幅,本文仅保留最优的SGMM分析结果）。回归结果显示被解释变量滞后2期（PM_2）系数均处于基准回归和固定效应回归系数值之间,且均通过了1%水平上的显著检验,说明回归模型设定较为合理。从模型检验统计值发现,AR检验的统计量AR（1）均在1%的水平上显著,AR（2）检验结果表明差分后的残差项存在一阶序列相关而不存在二阶序列相关;Sargan test的P值结果无法拒绝工具变量有效的原假设,说明工具变量选取是合理的。综上,本文采用SGMM模型解析多维城市化对PM_2.5浓度的影响具有有效性。综合考虑21组模型的显著水平检验和共线性情况,选择模型7、模型14和模型21探究长三角城市化子系统不同发展阶段与PM_2.5浓度的关系。

4.3 模型回归结果分析及驱动机制识别

（1）经济城市化对PM_2.5浓度的影响（图5a）。通过以经济城市化为核心解释变量的面板回归分析结果（表4）可知,长三角经济城市化与PM_2.5浓度存在着显著的倒“N”型曲线关系,表明经济城市化不同发展阶段对PM_2.5浓度的影响存在拐点效应。当人均GDP低于22471元时,PM_2.5浓度的弹性系数在1%显著水平上为-10.262,此阶段经济城市化对PM_2.5浓度影响出现拐点T1,前者对后者具有显著抑制效应。究其原因,经济发展水平在较低层次阶段,城市人口密度小,工业化水平较低,且投入要素规模小,经济生产方式以简单的资源型或加工产业类型为主,城市资源环境承载力能够容纳并消解产业生产活动的环境压力。当人均GDP介于22471~63709元时,经济城市化对PM_2.5浓度影响系数增大为0.978,且在1%显著水平上通过检验。此阶段工业化与城镇化快速推进,对能源化石燃料的消耗强度增大,如21世纪初期,中国正处于重工业化快速发展阶段,煤炭消耗占总能源消费结构比例达到了70%以上^[48],以牺牲生态环境为代价的粗放发展模式导致城市生态承载阈值难以承受巨大的资源环境压力,PM_2.5浓度上升明显。当人均GDP大于63709元时,经济城市化对PM_2.5浓度影响出现拐点T2,经济城市化对PM_2.5浓度产生抑制效应（-0.031）,表明长三角经济城市化与PM_2.5浓度存在环境库兹涅茨曲线关系。究其原因,此阶段经济高质量发展和产业结构高级化为工业绿色发展奠定了资金累积与技术创新优势,倒逼、助推经济结构调整和转型,并以生产方式、生活方式绿色化破解经济和社会发展困局,推动经济增长模式走上结构更优、质量更高、环境更好的绿色发展轨道,经济增长由“黑色发展”向“绿色发展”方式转变,开始进入中高速增长阶段。同时,此阶段绿色产业的集聚经济性和正外部性提升了PM_2.5污染源的集中处理效率。此外,此阶段城市产业生态化理念、居民环保意识和环境规制空前增强,清洁能源利用技术显著提升,产业结构逐渐变“清”和“轻”,环保资金和跨区域污染防治政策及机制逐渐落实生效,迫使PM_2.5浓度越过拐点进入下行趋势。

图5

新窗口打开|下载原图ZIP|生成PPT
图5长三角多维城市化对PM_2.5的非线性影响

Fig. 5The nonlinear effects of multidimensional urbanization on PM_2.5 in the Yangtze River Delta

Tab. 4
表4
表4多维城市化对PM_2.5的非线性影响面板回归分析结果
Tab. 4Results of panel regression analysis of nonlinear effects of multidimensional urbanization on PM_2.5

自变量	经济城市化(E-URB）			人口城市化(P-URB)			土地城市化(L-URB)
	OLS	FE	SGMM	OLS	FE	SGMM	OLS	FE	SGMM
	模型1	模型2	模型7	模型8	模型9	模型14	模型15	模型16	模型21
PM_2	0.805^*** (291.050)	0.585^*** (55.620)	0.690^*** (75.470)	0.857^*** (476.620)	0.646^*** (66.460)	0.753^*** (86.870)	0.818^*** (320.880)	0.717^*** (99.490)	0.742^*** (109.320)
lnURB	-0.102^*** (-9.450)	-0.179^*** (-17.790)	-10.262^*** (-8.840)	0.168^*** (12.730)	0.067^*** (14.710)	0.095^*** (4.670)	0.076^*** (4.520)	0.011^** (2.280)	0.008^*** (5.500)
lnURB²	0.452^*** (22.306)	0.301^*** (32.930)	0.978^*** (12.520)	0.355^*** (10.250)	0.309^*** (10.220)	0.315^*** (6.240)	0.032^*** (2.620)	0.033^*** (2.730)	0.041^*** (5.040)
lnURB³	-0.121^*** (-3.336)	-0.101^*** (-3.264)	-0.031^*** (-9.328)
lnPOP	0.135^*** (7.450)	0.122^*** (7.780)	0.140^*** (6.950)	0.098^*** (5.760)	0.095^*** (6.480)	0.025^*** (4.220)	0.126^*** (6.970)	0.119^*** (7.680)	0.037^*** (6.820)
lnFDI	0.068^*** (5.430)	0.090^*** (8.110)	0.061^*** (7.790)	0.095^*** (8.200)	0.105^*** (10.280)	0.034^*** (10.030)	0.078^*** (6.360)	0.094^*** (8.640)	0.032^*** (10.190)
lnIND	0.206^*** (2.950)	0.231^*** (3.730)	0.229^*** (7.100)	0.441^*** (6.670)	0.412^*** (7.040)	0.142^*** (9.160)	0.234^*** (3.320)	0.256^*** (4.100)	0.132^*** (7.150)
lnER	-0.040^*** (-5.320)	-0.040^*** (-6.170)	-0.044^*** (-7.360)	-0.031^*** (-4.390)	-0.033^*** (-5.330)	-0.008^*** (-3.680)	-0.040^*** (-5.310)	-0.039^*** (-6.080)	-0.013^*** (-4.150)
_cons	3.075^*** (602.120)	-0.427^*** (-4.370)	6.561^*** (3.400)	2.722^*** (6.300)	4.365^*** (10.700)	1.233^*** (12.870)	0.701^*** (57.960)	0.693^*** (49.430)	1.661^*** (13.120)
AR(1)	0.001	0.004	0.000	0.005	0.003	0.000	0.012	0.012	0.000
AR(2)	0.125	0.138	0.202	0.126	0.118	0.198	0.128	0.146	0.233
Sargan test	0.114	0.126	0.232	0.142	0.121	0.236	0.164	0.137	0.246

注：^*、^**、^***分别表示0.1、0.05和0.01的水平下显著,括号内为t统计量;AR(1)、AR(2)、Sargan test为统计量对应的P值。此外,为简化表达,在表4第一列自变量中将经济城市化（E-URB）、人口城市化（P-URB）、土地城市化（L-URB）统一表述为“lnURB”。

新窗口打开|下载CSV

（2）人口城市化对PM_2.5浓度的影响（图5b）。通过以人口城市化为核心解释变量的面板回归分析结果（表4）可知,当人口城市化水平小于85.97%时,人口城市化对PM_2.5浓度的弹性系数为0.095,当人口城市化水平大于85.97%时,人口城市化对PM_2.5浓度的影响将出现拐点T3,其弹性系数由0.095显著变大为0.315,这主要由于城市人口过度集聚,导致住房、公共基础设施和交通运输等刚性消费需求增加,促使城市资源、能源消耗强度增大,并产生大量建筑扬尘、工业粉尘、飞灰、煤烟等一次性颗粒污染物^[17]。据长三角各省市统计年鉴可知,长三角城市群2000—2015年年均新增人口149.7万人,2015—2017年年均新增人口159.5万人,年均新增人口的增幅约为7%,该区已逐渐成为中国最重要的人口吸引中心之一。人口过度集聚使单位面积私人机动车辆数量增加,加剧了城市道路拥堵程度,致使大量一氧化碳（CO）、氮氧化合物（NO和NO₂）、二氧化硫（SO₂）以及固体颗粒物（PM）排放量猛增,导致PM_2.5爆发频率增加。此外,依据《中国统计年鉴》(2001—2018),2000—2017年长三角41市私人汽车拥有量由60.85万辆增至3515.76万辆,同时PM_2.5浓度均值由29.83 μg/m³升至43.85 μg/m³。需要说明的是,适度规模的城市人口集聚能够产生规模集约效应,提升城市公共基础设施和资源利用效率,相对减轻PM_2.5的污染程度^[25]。

（3）土地城市化对PM_2.5浓度的影响（图5c）。通过以土地城市化为核心解释变量的面板回归分析结果（表4）可知,土地城市化对PM_2.5浓度的影响系数显著为正值,且影响系数不断变大。当土地城市化水平高于90.67%时,土地城市化对PM_2.5浓度的影响将出现拐点T4,其弹性系数由0.008增大为0.041,这与Zhu等^[3]认为城市建设用地面积无序扩张加剧PM_2.5污染的研究一致。究其原因,伴随着生产要素过度集聚会产生“拥挤效应”,导致城市中心土地价格升高,企业生产成本增加迫使商业用地、居住用地和工业用地向城市外围地区转移扩张,随着城市产业用地规模扩大以及城市功能分散转移需要,致使城市空间出现摊大饼式的无序扩张现象。一方面,城市建设用地增加意味着相对缩减了耕地、林地、湿地等生态绿地面积比重,现有土地用途的功能转换造成一定时期内城市生态系统服务功能减弱,其生态修复能力和对污染物的净化功能下降^[3];另一方面,持续的城市空间扩张进一步导致城市形态和布局的分散化,相对延长了居民通勤时间,大量私家车辆增多导致固体颗粒物排放总量增加,必将影响到资源环境的可持续发展。然而,不可否认的是,通过科学规划合理布局和国土空间开发保护等手段,能够形成适度规模的城市空间结构形态,从而发挥人口和产业的空间集聚规模效应,降低单位土地面积PM_2.5浓度。

（4）各控制变量对PM_2.5浓度的影响。人口规模对长三角PM_2.5浓度具有显著的促进作用,人口规模扩大导致城市机动车数量增加,引发交通车辆拥挤、能源强度提升和污染物排放总量增加,易导致雾霾过度污染。长三角是外商投资的重点区域之一,不可否认外商直接投资一定程度上具有“污染光环”效应^[52],但长三角经济发展早期对外商投资的环境准入门槛较低,且环保法律法规体系相对不完善,导致其PM_2.5浓度“集聚性”特征明显,印证了“污染天堂假说”效应,这与严雅雪和齐绍洲^[55]的研究一致。工业产业结构对PM_2.5浓度具有显著正向效应,这与已有诸多研究证实工业活动是大部分地区PM_2.5污染的重要驱动因素是一致的^[24],工业生产活动加剧了对能源、水资源和土地资源的消耗强度,致使长三角“三废”排放总量增加。由政府驱动的区域环境污染治理措施与联合防控机制逐渐生效,环境规制对长三角PM_2.5浓度呈现显著的抑制效应。

综上,① 从城市化子系统对PM_2.5浓度影响系数强度来看,经济城市化对PM_2.5浓度的弹性系数最大,表明经济因素对长三角PM_2.5浓度的时空变异发挥着主控作用。② 城市化子系统不同发展阶段对PM_2.5浓度的影响表现出显著“拐点”效应。当城市化子系统通过其内部要素有序或无序流动、整合、重组过程,以及城市扩张和结构性经济变化^[28],各子系统内部要素体系将通过新的组合结构和经济发展模式对PM_2.5浓度产生加速或抑制效应,并由量变发生质变越过拐点后,促使城市化子系统与PM_2.5浓度呈现不同的环境库兹涅茨曲线关系。具体来看,长三角经济城市化经历了“相对集约型→粗放型（恶化拐点T1）→集约型（改善拐点T2）”3个阶段,其与PM_2.5浓度呈现显著的倒N型曲线关系,且其对空气质量改善的拐点（T2）已经出现,表明长三角经济城市化与PM_2.5存在环境库兹涅茨曲线（EKC）关系（先促进后抑制）。可以判断,随着长三角经济增长模式由要素驱动型、投资驱动型→创新驱动型转化,经济城市化与PM_2.5污染的关系会经历由正向促进转为负向抑制的动态过程,这与环境库兹涅茨曲线的理论内涵相一致。而人口过度在城市地区集聚（恶化拐点T3）,导致人均公共资源严重不足、住房紧张、交通拥挤、能源消耗强度陡升,PM_2.5浓度继续攀升,致使人口城市化与PM_2.5的环境库兹涅茨曲线改善拐点仍未到来。城市建设用地面积无序扩张（恶化拐点T4）,意味着城市布局分散、低密度城市空间和土地利用率不高现象,且环保基础设施供给不足,私家车数量增多致使固体颗粒物（PM）排放总量增加,加之土地用途功能转换造成绿地生态系统服务功能衰退,导致土地城市化距离空气质量的改善拐点还有一定距离,亟需由外延扩张型向内涵开发型转变。不可否认,依据城市经济学基本理论,城市人口规模适度集聚、建设用地适度扩张能够产生集聚效应,相对减轻雾霾污染,但目前长三角人口城市化、土地城市化与PM_2.5浓度的曲线关系仅是环境库兹涅茨曲线（EKC）的左侧部分,二者真正促进空气质量改善的拐点尚未出现。各控制变量对长三角PM_2.5浓度时空演变特征具有显著的异质性影响,人口规模、外商直接投资、工业产业结构对PM_2.5浓度表现为正向加速效应,而环境规制对PM_2.5浓度呈现显著抑制效应。总之,环境问题是城市化子系统动态发展过程中多维要素综合影响的结果,长三角PM_2.5浓度的时空异质性特征是在经济社会因素（城市化、人口规模、产业结构、外商直接投资）和政府调控（环保立法与投资、财税手段）等诸多要素交互叠加、循环累积作用下形成（图6）。

图6

新窗口打开|下载原图ZIP|生成PPT
图6长三角多维城市化对PM_2.5影响的驱动机制

Fig. 6The driving mechanism of multidimensional urbanization on PM_2.5 in the Yangtze River Delta

5 讨论与结论

5.1 讨论

实证研究结论对长三角PM_2.5污染的防控与治理产生了重要的政策启示。由于长三角PM_2.5浓度区域差异显著,未来制定环境保护与生态环境修复政策要坚持“因地制宜”原则,避免采取“一刀切”的政策制定方式。长三角PM_2.5浓度存在显著的空间自相关,这为区域联合预防和控制大气污染提供了有利证据,因而未来要树立“一体化”意识和“一盘棋”思想,加强区域大气污染联防联控。长三角PM_2.5浓度重心迁移轨迹总体由东南向西北方向偏移,表明皖北的淮北、蚌埠、亳州、淮南以及苏北的徐州资源消耗约束小,陷入了“资源诅咒”怪圈,资源粗放式利用加剧了PM_2.5浓度,是区域PM_2.5高浓度集聚区,比如安徽省的煤炭消费比例占能源消费总量的80%以上,经济增长与能源强度的脱钩成为当务之急,未来应利用技术进步效应强化能源消费规模和强度“双减双控”,实施煤炭减量替代,提高区域清洁能源在终端能源消费中的比例。鉴于长三角人口城市化、土地城市化与空气质量改善的拐点尚未到来,未来应合理人口空间布局、强化环境空间管控及科学制定国土空间开发规划,同时强化土地用途管制和生态红线管控,将城市人口布局、城市建设用地及生态修复用地比例等纳入区域总体规划。工业产业结构对PM_2.5浓度具有催化作用,未来应通过创新驱动模式加速产业结构调整与转型,打造绿色化、循环化的可持续发展产业体系,加快推进长三角生态绿色一体化发展示范区建设,跳出生态负相关发展困境。研究表明,长三角地区存在“污染避难所假说”效应,未来应适度提升外商直接投资的环保、能耗等环境指标准入门槛,鼓励引进优质绿色、高科技集约型外资类型。此外,研究表明环境规制对长三角PM_2.5具有抑制效应,未来应继续加大环保投资力度,同时完善环境监测、环境影响评价、跨区污染防治、排污许可管理等环境制度,发挥环境规制降低环境负外部性的优势。此外,引导公众自觉参与大气污染防治工作,倡导以节约、绿色和低碳为主题的生产方式、消费模式和生活习惯。

环境污染的根源是城市发展阶段与发展方式的问题。本文研究表明长三角经济城市化与雾霾污染的环境库兹涅兹曲线改善拐点已经到来。现实中,2013年以来长三角空气质量整体向好,比如2017年,上海市、江苏省、浙江省的城市细颗粒物（PM_2.5）年均浓度为44 μg/m³,较2013年下降34%。值得注意的是,防控与治理雾霾污染,切实改善城市宜居、宜业、宜游环境是一场需要政府、企业、****和公众共同参与的持久战、攻坚战,若后期环境污染防控措施或监督考核制度不延续,雾霾污染等级仍存在反弹的风险。此外,研究表明,长三角雾霾污染与人口城市化、土地城市化暂时不存在EKC关系,可能是由于研究时间尺度相对较短或者二者内部的要素组合结构、发展模式还未达到良性状态。现实中,不可否认的是长三角正处在新旧动能转换的关键时期,随着城市人口高度集聚和城市空间“摊大饼”式扩张,高能耗、高排放带来的高污染,导致人口城市化、土地城市化环境库兹涅兹曲线的拐点尚未出现。本文仅研究了长三角多维城市化对PM_2.5浓度的非线性影响及驱动机制,下一步需开展中国多尺度城市群城市化与PM_2.5浓度非线性关系的对比性研究,研判并总结不同城市群社会经济和工业化发展阶段对PM_2.5浓度的一般性影响规律及胁迫机理。在控制变量的选取方面,由于自然因素变量数据的缺乏,本文仅考量了人文因素,在后续研究中将继续挖掘相关数据并给予完善。

5.2 结论

本文以2000—2017年长三角城市面板遥感影像和统计数据为研究样本,采用反距离权重空间插值、空间自相关和标准差椭圆方法探究其PM_2.5浓度的时空演变特征,并运用系统动态面板回归模型研判城市化子系统与PM_2.5浓度的非线性关系及运行机制。本文为长三角城市化与环境保护协调发展提供了重要的理论贡献和实践价值,为政策制定实施提供了科学参考。重要的是不仅在测度城市化与PM_2.5浓度关系的研究视角和评价方法上进行了创新,而且对深入阐明长三角多维城市化与PM_2.5浓度的环境库兹涅茨曲线关系,发展丰富PM_2.5污染的环境库兹涅茨曲线理论,识别核心影响因素及构建多维城市化对PM_2.5浓度影响的驱动机制理论框架均具有较强的示范意义。主要结论为：

（1）2000—2017年长三角PM_2.5浓度污染等级总体呈上升趋势,由低污染等级向高污染等级过渡,低于年均限值20 μg/m³的城市数量整体呈减少趋势,高于年均限值35 μg/m³的城市数量呈增长态势,表明研究期间长三角空气质量堪忧。长三角PM_2.5浓度整体呈现由东南向西北方向级差化递增的空间趋势;PM_2.5浓度区域差异呈江苏（54.97 μg/m³）>安徽（49.52 μg/m³）>上海（46.64 μg/m³）>浙江（32.57 μg/m³）的空间分异特征。

（2）2000—2017年长三角PM_2.5浓度呈现显著的空间集聚与关联特征,且集聚程度逐渐增强,污染等级相似的城市彼此邻近、相互影响,PM_2.5污染的“集群化”特征显著。2000—2004年PM_2.5热点主要分布在苏南和苏中等多数城市;受区域能源消费结构、经济增长方式和产业承接转移的综合影响,2007—2017年PM_2.5热点区向苏北和皖北地区转移。PM_2.5冷点和次冷点区集中在浙江省多数城市和皖南的黄山、池州,在空间分布上整体呈现“先扩张后收缩”的变化趋势。

（3）2000—2017年长三角PM_2.5浓度重心总体呈现“南退北进”特征,由东南向西北方向偏移,这主要受经济社会因素、政府调控和自然因素变化的综合影响;PM_2.5浓度标准差椭圆的旋转角（θ）整体呈减小趋势,其空间主方向趋向东南—西北方向,这与PM_2.5浓度重心迁移轨迹主趋势偏移方向一致。PM_2.5浓度在东—西方向趋向分散,在南—北方向逐渐极化,一方面,这与皖北、苏北等地区以化石燃料为主的能源消费结构,以及苏南、上海、浙北等地产业结构调整、大气污染防治政策实施生效有关;另一方面,季节性大气环流、地貌地形、跨区域传输等自然地理因素的综合影响也不可忽视。以上原因导致长三角PM_2.5浓度在各地市的相对增减变化率存在差异,在各方向上呈现“分散—极化”相背离的趋势。

（4）城市化子系统不同发展阶段对PM_2.5的影响存在“拐点效应”。经济城市化与PM_2.5呈倒“N”型关系,当人均GDP大于63709元时,经济城市对PM_2.5产生显著抑制效应。长三角经济城市化与PM_2.5存在环境库兹涅茨曲线（EKC）关系（先促进后抑制）,表明城市综合质量提升和经济发展方式转变是治理PM_2.5污染的关键。而人口城市化、土地城市化与PM_2.5的关系仅是倒“U”型曲线（环境库兹涅茨曲线）的左侧部分,二者与空气质量改善的拐点尚有一定距离。各控制变量对长三角PM_2.5浓度存在异质性影响,人口规模、工业产业结构对PM_2.5浓度具有显著促进作用;外商直接投资导致PM_2.5浓度显著增加,印证了“污染天堂假说”效应;环境规制通过环保立法和财税手段对PM_2.5浓度产生抑制效应。总体上,长三角PM_2.5浓度的时空异质性特征是在经济社会因素和政府调控等诸多因素交互叠加、循环累积作用下形成,其中,经济社会要素扮演着主角。

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]

Bai X

, Shi P

, Liu Y

. Society: Realizing China's urban dream
Nature, 2014,509(7499):158-160.

DOI:10.1038/509158a URL [本文引用: 1]

[2]

Wang Z

, Liang L

, Sun

, et al. Spatiotemporal differentiation and the factors influencing urbanization and ecological environment synergistic effects within the Beijing-Tianjin-Hebei urban agglomeration
Journal of Environmental Management, 2019,243:227-239.

DOI:10.1016/j.jenvman.2019.04.088 URL [本文引用: 1]

[3]

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, 2019,239:118065. DOI: http://www.geog.com.cn/article/2021/0375-5444/10.1016/j.jclepro.2019.118065.

DOI:http://www.geog.com.cn/article/2021/0375-5444/10.1016/j.jclepro.2019.118065 URL [本文引用: 11]

[4]

Tian S

, Pan Y

, Liu Z

, et al. Size-resolved aerosol chemical analysis of extreme haze pollution events during early 2013 in urban Beijing, China
Journal of Hazardous Materials, 2014,279:452-460.

DOI:10.1016/j.jhazmat.2014.07.023 URL [本文引用: 1]

[5]

Song C

, He J

, Wu

, et al. Health burden attributable to ambient PM_2.5 in China
Environmental Pollution, 2017,223:575-586.

DOI:10.1016/j.envpol.2017.01.060 URL [本文引用: 1]

[6]

Zhao

, Wang

, Su Z

, et al. Respiratory exposure to PM_2.5 soluble extract disrupts mucosal barrier function and promotes the development of experimental asthma
Science of The Total Environment, 2020,730(8):139-145.

[本文引用: 1]

[7]

Sun Y

, Zhuang G

, Tang A

, et al. Chemical characteristics of PM_2.5 and PM₁₀ in Haze-Fog episodes in Beijing
Environmental Science & Technology, 2006,40(10):3148-3155.

DOI:10.1021/es051533g URL [本文引用: 1]

[8]

Hao

, Liu Y

. The influential factors of urban PM_2.5 concentrations in China: A spatial econometric analysis
Journal of Cleaner Production, 2016,112:1443-1453.

DOI:10.1016/j.jclepro.2015.05.005 URL [本文引用: 1]

[9]

Wang

Zhenbo

, Liang

Longwu

, Wang

Xujing

. Spatio-temporal evolution patterns and influencing factors of PM_2.5 in Chinese urban agglomerations
Acta Geographica Sinica, 2019,74(12):2614-2630.

[本文引用: 3]

[ 王振波, 梁龙武, 王旭静. 中国城市群地区PM_2.5时空演变格局及其影响因素
地理学报, 2019,74(12):2614-2630.]

[本文引用: 3]

[10]

Fang C

, Wang Z

, Xu

. Spatial-temporal characteristics of PM_2.5 in China: A city-level perspective analysis
Journal of Geographical Sciences, 2016,26(11):1519-1532.

DOI:10.1007/s11442-016-1341-9 URL [本文引用: 3]

[11]

Cao

, Jiang

, Wang

, et al. Inhalable microorganisms in Beijing's PM_2.5 and PM₁₀ pollutants during a severe smog event
Environmental Science & Technology, 2014,48(3):1499-1507.

DOI:10.1021/es4048472 URL [本文引用: 1]

[12]

Zhang

, Shuai C

, Bian

, et al. Socioeconomic factors of PM_2.5 concentrations in 152 Chinese cities: Decomposition analysis using LMDI
Journal of Cleaner Production, 2019,218:96-107.

DOI:10.1016/j.jclepro.2019.01.322 [本文引用: 2]

As a typical component in particulate matter, respirable suspended particles (PM2.5) can cause increased morbidity and mortality from cystic fibrosis, cardiovascular and respiratory diseases. China, with the largest population in the world, is challenged with sever PM2.5 concentration, particularly in the urban area. Understanding the key factors influencing PM2.5 concentration is the basic step for taking targeted measures. Previous studies have identified the key impact factors on PM2.5 concentration in only a few selected cities, which barely contributes to China's PM2.5 concentration reduction. Therefore, this study aims to identify the key impact factors of PM2.5 concentration in 152 Chinese cities in eastern, central, and western China by using Logarithmic Mean Divisia Index (LMDI) method. The findings of the study are as follows: emission intensity (EI) inhibited the PM2.5 concentration of 137 cities (i.e. 90.13% of the152 cities); energy intensity (EnI) depressed that of 99 cities (i.e. 65.13%); economic output (EO) stimulated that of 120 cities (i.e. 78.95%); and population (P) spurred that of 124 cities (i.e. 81.58%). This is the first study that provides a full picture of the key impact factors on Chinese urban PM2.5 concentration. The identified key impact factors can serve as the evidence and guidance for the authorities of China's cities to tailor their strategies towards PM2.5 concentration reduction. (C) 2019 Elsevier Ltd.

[13]

Wang

Zhenbo

, Liang

Longwu

, Lin

Xiongbin

, et al. Control models and effect evaluation of air pollution in Jing-Jin-Ji urban agglomeration
Environmental Science, 2017,38(10):4005-4014.

[本文引用: 1]

[ 王振波, 梁龙武, 林雄斌, 等. 京津冀城市群空气污染的模式总结与治理效果评估
环境科学, 2017,38(10):4005-4014.]

[本文引用: 1]

[14]

Wu J

, Zhang

, Yi H

, et al. What causes haze pollution? An empirical study of PM_2.5 concentrations in Chinese cities
Sustainability, 2016,8(2):132. DOI: http://www.geog.com.cn/article/2021/0375-5444/10.3390/su8020132.

DOI:http://www.geog.com.cn/article/2021/0375-5444/10.3390/su8020132 URL [本文引用: 1]

[15]

, Lin B

. What cause large regional differences in PM_2.5 pollutions in China? Evidence from quantile regression model
Journal of Cleaner Production, 2018,174:447-461.

DOI:10.1016/j.jclepro.2017.11.008 URL [本文引用: 1]

[16]

Lin B

, Zhu J

. Changes in urban air quality during urbanization in China
Journal of Cleaner Production, 2018,188:312-321.

DOI:10.1016/j.jclepro.2018.03.293 URL [本文引用: 2]

[17]

, Lin B

. Regional differences of pollution emissions in China: Contributing factors and mitigation strategies
Journal of Cleaner Production, 2016,112:1454-1463.

DOI:10.1016/j.jclepro.2015.03.067 URL [本文引用: 2]

[18]

Xiang

, Lin

Zhenshan

, Liu

Huiyu

, et al. Analysis of the driving factors of PM_2.5 in Jiangsu province based on grey correlation model
Acta Geographica Sinica, 2016,71(7):1119-1129.

[本文引用: 1]

[ 贺祥, 林振山, 刘会玉, 等. 基于灰色关联模型对江苏省PM_2.5浓度影响因素的分析
地理学报, 2016,71(7):1119-1129.]

[本文引用: 1]

[19]

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.

[本文引用: 2]

[ 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.]

[本文引用: 2]

[20]

Tang D

, Li

, Yang Y

. Spatial econometric model analysis of foreign direct investment and haze pollution in China
Polish Journal of Environmental Studies, 2016,25(1):317-324.

DOI:10.15244/pjoes/60856 URL [本文引用: 3]

[21]

Liu

Haimeng

, Fang

Chuanglin

, Huang

Jiejun

, et al. The spatial-temporal characteristics and influencing factors of air pollution in Beijing-Tianjin-Hebei urban agglomeration
Acta Geographica Sinica, 2018,73(1):177-191.

[本文引用: 2]

[ 刘海猛, 方创琳, 黄解军, 等. 京津冀城市群大气污染的时空特征与影响因素解析
地理学报, 2018,73(1):177-191.]

[本文引用: 2]

[22]

Lin

Xueqin

, Wang

Dai

. Spatio-temporal variations and socio-economic driving forces of air quality in Chinese cities
Acta Geographica Sinica, 2016,71(8):1357-1371.

[本文引用: 1]

[ 蔺雪芹, 王岱. 中国城市空气质量时空演化特征及社会经济驱动力
地理学报, 2016,71(8):1357-1371.]

[本文引用: 1]

[23]

Luo

, Li G

, Fang C

, et al. PM_2.5 mitigation in China: Socioeconomic determinants of concentrations and differential control policies
Journal of Environmental Management, 2018,213:47-55.

DOI:10.1016/j.jenvman.2018.02.044 URL [本文引用: 2]

[24]

Guangqin

, Qin

Jiahong

, He

Renwei

. Spatial-temporal evolution and influencing factors of China's PM_2.5 pollution
Economic Geography, 2018,38(8):11-18.

[本文引用: 4]

[ 李光勤, 秦佳虹, 何仁伟. 中国大气PM_2.5污染演变及其影响因素
经济地理, 2018,38(8):11-18.]

[本文引用: 4]

[25]

Cheng Z

, Li L

, Liu

. Identifying the spatial effects and driving factors of urban PM_2.5 pollution in China
Ecological Indicators, 2017,82:61-75.

DOI:10.1016/j.ecolind.2017.06.043 URL [本文引用: 2]

[26]

Shan

, Zou

Bin

, Gong

Junxia

. Analysis of the spatial-temporal association between urbanization and PM_2.5 concentration during 2001-2015 period in Mainland China
China Environmental Science, 2019,39(2):469-477.

[本文引用: 3]

[ 许珊, 邹滨, 宫俊霞. 2001—2015年中国城镇化与PM_2.5浓度时空关联特征
中国环境科学, 2019,39(2):469-477.]

[本文引用: 3]

[27]

Fang C

, Liu H

, Li G

, et al. Estimating the impact of urbanization on air quality in China using spatial regression models
Sustainability, 2015,7(11):15570-15592.

DOI:10.3390/su71115570 URL [本文引用: 1]

[28]

Wang S

, Zhou C

, Wang Z

, et al. The characteristics and drivers of fine particulate matter (PM_2.5) distribution in China
Journal of Cleaner Production, 2017,142:1800-1809.

DOI:10.1016/j.jclepro.2016.11.104 URL [本文引用: 2]

[29]

Liang

Wei

, Yang

Ming

, Zhang

Yanwei

. Will the increase of the urbanization rate inevitably exacerbate haze pollution? A discussion of the spatial spillover effects of urbanization and haze pollution
Geographical Research, 2017,36(10):1947-1958.

[本文引用: 1]

[ 梁伟, 杨明, 张延伟. 城镇化率的提升必然加剧雾霾污染吗: 兼论城镇化与雾霾污染的空间溢出效应
地理研究, 2017,36(10):1947-1958.]

[本文引用: 1]

[30]

Friedmann

. Four theses in the study of China's urbanization
International Journal of Urban and Regional Research, 2006,30(2):440-451.

DOI:10.1111/ijur.2006.30.issue-2 URL [本文引用: 2]

[31]

Yang D

, Ye

, Wang X

, et al. Global distribution and evolvement of urbanization and PM_2.5 (1998-2015)
Atmospheric Environment, 2018,182:171-178.

DOI:10.1016/j.atmosenv.2018.03.053 URL [本文引用: 2]

[32]

Ding Y

, Zhang

, Qian X

, et al. Using the geographical detector technique to explore the impact of socioeconomic factors on PM_2.5 concentrations in China
Journal of Cleaner Production, 2019,211:1480-1490.

DOI:10.1016/j.jclepro.2018.11.159 URL [本文引用: 2]

[33]

Kena

, Zhuang

Rulong

, Liang

Longwu

, et al. Spatio-temporal evolution and characteristics of PM_2.5 in the Yangtze River Delta based on real-time monitoring data during 2013-2016
Geographical Research, 2018,37(8):1641-1654.

[本文引用: 1]

[ 宓科娜, 庄汝龙, 梁龙武, 等. 长三角PM_2.5时空格局演变与特征: 基于2013—2016年实时监测数据
地理研究, 2018,37(8):1641-1654.]

[本文引用: 1]

[34]

Guo

Qingbin

, Zhang

Zhonghua

. Spatial-temporal evolution of factors aggregating ability in urban agglomeration in the middle reaches of the Yangtze River
Acta Geographica Sinica, 2017,72(10):1746-1761.

[本文引用: 1]

[ 郭庆宾, 张中华. 长江中游城市群要素集聚能力的时空演变
地理学报, 2017,72(10):1746-1761.]

[本文引用: 1]

[35]

Tobler W

. A computer movie simulating urban growth in the Detroit region
Economic Geography, 1970,46(Suppl.1):234-240.

DOI:10.2307/143141 URL [本文引用: 1]

[36]

Anselin

. GeoDa TM 0.9 User's Guide
Urbana: University of Illinois, 2003: 13-43.

[本文引用: 1]

[37]

Ord J

, Getis

. Local spatial autocorrelation statistics: Distributional issues and an application
Geographical Analysis, 1995,27(4):286-306.

DOI:10.1111/gean.1995.27.issue-4 URL [本文引用: 2]

[38]

Wang

Geng

, Li

Sujuan

, Ma

Qifei

. Spatial equilibrium and pattern evolution of ecological civilization construction efficiency in China
Acta Geographica Sinica, 2018,73(11):2198-2209.

[本文引用: 1]

[ 王耕, 李素娟, 马奇飞. 中国生态文明建设效率空间均衡性及格局演变特征
地理学报, 2018,73(11):2198-2209.]

[本文引用: 1]

[39]

Arellano

, Bover

. Another look at the instrumental variable estimation of error-components models
Journal of Econometrics, 1995,68(1):29-51.

DOI:10.1016/0304-4076(94)01642-D URL [本文引用: 1]

[40]

Blundell

, Bond

. Initial conditions and moment restrictions in dynamic panel data models
Journal of Econometrics, 1998,87(1):115-143.

DOI:10.1016/S0304-4076(98)00009-8 URL [本文引用: 1]

[41]

Donkelaar A

, Martin R

, Brauer

, et al. Use of satellite observations for long-term exposure assessment of global concentrations of fine particulate matter
Environmental Health Perspectives, 2015,123(2):135-143.

DOI:10.1289/ehp.1408646PMID:25343779 [本文引用: 1]

More than a decade of satellite observations offers global information about the trend and magnitude of human exposure to fine particulate matter (PM2.5).In this study, we developed improved global exposure estimates of ambient PM2.5 mass and trend using PM2.5 concentrations inferred from multiple satellite instruments.We combined three satellite-derived PM2.5 sources to produce global PM2.5 estimates at about 10 km × 10 km from 1998 through 2012. For each source, we related total column retrievals of aerosol optical depth to near-ground PM2.5 using the GEOS-Chem chemical transport model to represent local aerosol optical properties and vertical profiles. We collected 210 global ground-based PM2.5 observations from the literature to evaluate our satellite-based estimates with values measured in areas other than North America and Europe.We estimated that global population-weighted ambient PM2.5 concentrations increased 0.55 μg/m3/year (95% CI: 0.43, 0.67) (2.1%/year; 95% CI: 1.6, 2.6) from 1998 through 2012. Increasing PM2.5 in some developing regions drove this global change, despite decreasing PM2.5 in some developed regions. The estimated proportion of the population of East Asia living above the World Health Organization (WHO) Interim Target-1 of 35 μg/m3 increased from 51% in 1998-2000 to 70% in 2010-2012. In contrast, the North American proportion above the WHO Air Quality Guideline of 10 μg/m3 fell from 62% in 1998-2000 to 19% in 2010-2012. We found significant agreement between satellite-derived estimates and ground-based measurements outside North America and Europe (r = 0.81; n = 210; slope = 0.68). The low bias in satellite-derived estimates suggests that true global concentrations could be even greater.Satellite observations provide insight into global long-term changes in ambient PM2.5 concentrations. Satellite-derived estimates and ground-based PM2.5 observations from this study are available for public use.

[42]

Kang

Hui

, Zhu

Bin

, Wang

Honglei

, et al. Characterization and variation of organic carbon (OC) and elemental carbon (EC) in PM_2.5 during the winter in the Yangtze River Delta Region, China
Environmental Science, 2018,39(3):961-971.

[本文引用: 1]

[ 康晖, 朱彬, 王红磊, 等. 长三角典型站点冬季大气PM_2.5中OC、EC污染特征
环境科学, 2018,39(3):961-971.]

[本文引用: 1]

[43]

Wang

Yanqiu

, Wu

Hao

. Transformation and development of resource-based cities in northern Anhui under new normal
Journal of Tonghua Normal University, 2020,41(3):62-67.

[本文引用: 1]

[ 王艳秋, 吴昊. 新常态下皖北地区资源型城市转型发展研究
通化师范学院学报, 2020,41(3):62-67.]

[本文引用: 1]

[44]

Hao

Jiming

, Yin

Weilun

, Cen

Kefa

. Strategies and Technical Approaches for the Prevention and Control of Atmospheric PM2.5 in China
Beijing:Science Press, 2016: 14-26.

[本文引用: 2]

[ 郝吉明, 尹伟伦, 岑可法. 中国大气PM25防治策略与技术途径
北京: 科学出版社, 2016: 14-26.]

[本文引用: 2]

[45]

Chen

Yao

, Chen

. Analysis of China's industrial layout adjustment and industry transfer
Contemporary Economy & Management, 2011,33(10):38-47.

[本文引用: 1]

[ 陈耀, 陈钰. 我国工业布局调整与产业转移分析
当代经济管理, 2011,33(10):38-47.]

[本文引用: 1]

[46]

Liu Q

, Wang S

, Zhang W

, et al. The effect of natural and anthropogenic factors on PM_2.5: Empirical evidence from Chinese cities with different income levels
Science of the Total Environment, 2019,653:157-167.

DOI:10.1016/j.scitotenv.2018.10.367 URL [本文引用: 1]

[47]

Shao

Shuai

, Li

Xin

, Cao

Jianhua

, et al. China's economic policy choices for governing smog pollution based on spatial spillover effects
Economic Research Journal, 2016,51(9):73-88.

[ 邵帅, 李欣, 曹建华, 等. 中国雾霾污染治理的经济政策选择: 基于空间溢出效应的视角
经济研究, 2016,51(9):73-88.]

[48]

Limei

, Zhang

Xiao

. The spatial effect of China's haze pollution and the impact from economic change and energy structure
China Industrial Economics, 2014,32(4):19-31.

[本文引用: 1]

[ 马丽梅, 张晓. 中国雾霾污染的空间效应及经济、能源结构影响
中国工业经济, 2014,32(4):19-31.]

[本文引用: 1]

[49]

Lin

, Fu J

, Jiang

, et al. Spatio-temporal variation of PM_2.5 concentrations and their relationship with geographic and socioeconomic factors in China
International Journal of Environmental Research and Public Health, 2013,11(1):173-186.

DOI:10.3390/ijerph110100173 URL [本文引用: 1]

[50]

Shao

Shuai

, Li

Xin

, Cao

Jianhua

. Urbanization promotion and haze pollution governance in China
Economic Research Journal, 2019,54(2):148-165.

[本文引用: 1]

[ 邵帅, 李欣, 曹建华. 中国的城市化推进与雾霾治理
经济研究, 2019,54(2):148-165.]

[本文引用: 1]

[51]

Shahbaz

, Nasreen

, Abbas

, et al. Does foreign direct investment impede environmental quality in high-, middle-, and low-income countries?
Energy Economics, 2015,51:275-287.

DOI:10.1016/j.eneco.2015.06.014 URL [本文引用: 1]

[52]

Lee J

. The contribution of foreign direct investment to clean energy use, carbon emissions and economic growth
Energy Policy, 2013,55:483-489.

DOI:10.1016/j.enpol.2012.12.039 URL [本文引用: 2]

[53]

Tang L

, Li

, Jia P

. Impact of environmental regulations on environmental quality and public health in China: Empirical analysis with panel data approach
Sustainability, 2020,12(2):623. DOI: http://www.geog.com.cn/article/2021/0375-5444/10.3390/su12020623.

DOI:http://www.geog.com.cn/article/2021/0375-5444/10.3390/su12020623 URL [本文引用: 1]

[54]

Yuan B

, Xiang Q

. Environmental regulation, industrial innovation and green development of Chinese manufacturing: Based on an extended CDM model
Journal of Cleaner Production, 2018,176:895-908.

DOI:10.1016/j.jclepro.2017.12.034 URL [本文引用: 1]

[55]

Yan

Yaxue

, Qi

Shaozhou

. Time-space effect test on foreign direct investment and PM_2.5 pollution at city level
China Population,Resources and Environment, 2017,27(4):68-77.

[本文引用: 1]

[ 严雅雪, 齐绍洲. 外商直接投资对中国城市雾霾(PM_2.5)污染的时空效应检验
中国人口·资源与环境, 2017,27(4):68-77.]

[本文引用: 1]