EN中文

地理科学进展 >

2021 , Vol. 40 >Issue 10: 1650 - 1663

DOI: https://doi.org/10.18306/dlkxjz.2021.10.004

研究论文

中国城市空气污染时空分布格局和人口暴露风险

  • 肖嘉玉 , 1 ,
  • 何超 1 ,
  • 慕航 1 ,
  • 杨璐 1 ,
  • 黄佳伊 2 ,
  • 辛艾萱 1 ,
  • 涂佩玥 3 ,
  • 洪松 , 1, *
展开
  • 1.武汉大学资源与环境科学学院 地理信息系统教育部重点实验室,武汉 430079
  • 2.悉尼大学商学院,澳大利亚 悉尼 NSW 2006
  • 3.湖北大学资源环境学院,武汉 430062
*洪松(1973— ),男,湖北麻城人,博士,教授,博士生导师,研究方向为环境地学。E-mail:

肖嘉玉(1996— ),女,湖南娄底人,硕士生,研究方向为环境信息系统。E-mail:

收稿日期: 2020-10-05

  要求修回日期: 2021-05-14

  网络出版日期: 2021-12-28

基金资助

深圳市科技计划项目(JCYJ20150630153917252)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Spatiotemporal pattern and population exposure risks of air pollution in Chinese urban areas

  • XIAO Jiayu , 1 ,
  • HE Chao 1 ,
  • MU Hang 1 ,
  • YANG Lu 1 ,
  • HUANG Jiayi 2 ,
  • XIN Aixuan 1 ,
  • TU Peiyue 3 ,
  • HONG Song , 1, *
Expand
  • 1. Key Laboratory of Geographic Information System, Ministry of Education, School of Resources and Environmental Sciences, Wuhan University, Wuhan 430079, China
  • 2. School of Busniss, University of Sydney, Sydney NSW 2006, Australia
  • 3. Faculty of Resources and Environmental Science, Hubei University, Wuhan 430062, China

Received date: 2020-10-05

  Request revised date: 2021-05-14

  Online published: 2021-12-28

Supported by

Shenzhen Science and Technology Project(JCYJ20150630153917252)

Copyright

Copyright reserved © 2021
Fold

摘要

近年来,中国空气污染及其对人口健康危害的时空分布呈现出新的特征。论文使用5 a(2015—2019年)间逐小时的空气质量监测数据,利用变化率计算、热点分析、趋势分析和超标频数统计等方法,分析了中国332个城市的空气质量及人口空气污染暴露风险的时空分布特征,结论如下：① 中国城市近年来空气质量有好转趋势,环境空气质量指数(AQI)下降的城市占所研究城市总数的91.3%;PM2.5、PM10、SO2和CO等4种污染物浓度均有所下降,而NO2和O3浓度有所上升;② PM2.5、PM10、SO2和CO浓度变化率的热点分布于新疆地区和云南—华南地区,NO2浓度变化率的热点为新疆地区和河套平原,O3浓度变化率的热点为华北平原至长江中下游流域;西北地区和华南地区空气质量变化幅度较小;③ 9个城市在PM2.5、PM10、SO2、NO2、O3和CO等6种污染物中均有暴露,分布于山西、河北与山东。暴露风险均为0级的低风险城市共有12个,分别位于新疆、云南、贵州、四川、广东、福建和黑龙江。研究结论对于跨区域空气污染的协同治理以及制定差异化的空间人口流动管理政策具有重要参考价值。

关键词： 城市; 空气污染; 热点分析; 暴露风险; 中国

本文引用格式

肖嘉玉 , 何超 , 慕航 , 杨璐 , 黄佳伊 , 辛艾萱 , 涂佩玥 , 洪松 . 中国城市空气污染时空分布格局和人口暴露风险[J]. 地理科学进展, 2021 , 40(10) : 1650 -1663 . DOI: 10.18306/dlkxjz.2021.10.004

Abstract

In recent years, the spatiotemporal distribution and its hazards to republic health of air pollution in China have shown new characteristics. Using hourly air quality monitoring data for five years (2015-2019) in 332 Chinese cities, this study analyzed the spatiotemporal distribution characteristics of air quality and urban population exposure risks by different methods. The results suggest that: 1) Air quality in Chinese urban areas has improved in recent years. Ambient Air Quality Index (AQI) decreased in 303 cities (91.3%). The concentrations of PM2.5, PM10, SO2, and CO declined while the concentrations of NO2 and O3 increased. 2) The hotspots of PM2.5, PM10, SO2, and CO concentration change rates were distributed in Xinjiang and Yunnan-South China. The hotspots of NO2 concentration change rate were in the Xinjiang area and the Hetao Plain. The hotspots of O3 concentration change rate were from the North China Plain to the middle and lower reaches of the Yangtze River. The trends of air quality change in the Northwest and South China were relatively slow. 3) Nine cities were exposed to PM2.5, PM10, SO2, NO2, O3, and CO pollution, which were located in Shanxi, Hebei, and Shandong provinces; 12 cities had no exposure risks to these six pollutants, which were distributed in Xinjiang, Yunnan, Guizhou, Sichuan, Guangdong, Fujian, and Heilongjiang provinces. These conclusions are of important reference value for collaborative treatment of cross-regional air pollution and formulating spatially diffenrentiated population flow management policies in China.

Key words： cities; air pollution; hotspot analysis; exposure risks; China

中国城市的空气污染问题广受各国学者关注[1,2,3,4,5,6]。近年来,中国空气质量有所好转,大多数城市PM2.5和PM10浓度大幅度下降[7],但O3浓度升高引起广泛关注。与大多数已经工业化的国家一样,中国的空气污染也正在转向以NOx和O3为主[7]。关于中国城市空气污染的时空分布规律,已有大量研究[8,9,10,11,12]。热点分析、重力模型等地学方法常用于研究中国空气污染的空间格局变化。在全国尺度上,研究发现1990—2006年中国SO2浓度重心和烟尘污染物重心沿西南45°方向迁移[13];2000—2011年中国PM2.5浓度重心的变化趋势为高值区向东移动、低值区向西移动,东部地区空气污染进一步加剧[14];2016年中国城市PM2.5污染热点区域为华北平原及其周边地区和新疆西部地区[8]。在区域尺度上,发现渤海湾城市群PM2.5污染的热点区域主要位于北京、天津、河北南部和山东西北部[15];2000—2013年中国东部地区粉尘排放热点分析发现,科尔沁沙地和浑善达克沙地为主要的粉尘排放源[16]。
长期暴露于高浓度的空气污染物中会影响人类的身体健康,进而影响城市的可持续发展[8,17]。有学者研究发现,如果长期暴露于悬浮颗粒物中,PM2.5浓度每上升100 μg·m-3,人均预期寿命减少 3 a[18]。也有学者发现PM2.5污染所导致的人口死亡数量、呼吸道和心脑血管疾病患病人数以及慢性支气管炎发病率近年有所下降;O3污染引起的人口死亡却有所上升[19]。在中国东部正快速城市化的地区,本地人口扩张会引起空气污染暴露人口逐渐增多[20,21]。Song等[7]利用2014—2016年全国超过1300个监测站数据,计算了PM2.5、PM10、O3_8h、NO2、SO2、和CO的人口加权平均浓度,发现中国北方比南方分别高40.4%、58.9%、5.9%、24.6%、96.7%和38.1%。
综上所述,在中国城市空气污染时空格局演变的研究上,数据来源为地面监测站或卫星遥感影像,2种数据源在时间分辨率或空间分辨率上各有优势。空气污染人口暴露风险的时空异质性也是一个重要问题,但在全国城市尺度上对不同空气污染物的探讨却未见报道。本文利用地面监测数据,以中国大陆332个城市(不含港澳台)为研究对象,研究空气污染的时空格局及其变化趋势,并结合相应年份的遥感反演数据与人口网格数据评估各空气污染物暴露风险及其空间异质性。研究结论对于识别中国城市空气污染以及人口暴露风险的时空分布特征、协同治理跨区域的空气污染以及制定差异化的区域人口流动管理政策具有参考意义。

1 研究区域、数据与方法

1.1 研究区域

选取中国大陆332个历年空气质量监测数据无缺失的主要城市(州、盟、地区)为研究对象,并统计其行政区域内所有监测点数据(共计1570个)。全国在地理上划分为东北地区、西北地区、西南地区、华北地区、华中地区、华南地区和华东地区等7个大区。研究城市(州、盟、地区)的行政中心详见图1。
图1 中国332个主要城市地理位置

注：本图基于自然资源部标准地图服务网站下载的审图号为GS(2016)2923号的标准地图制作,底图无修改。下同。

Fig.1 Location of 332 major Chinese cities

1.2 数据来源与处理

(1) 地面监测数据
2015年1月1日—2019年12月31日逐小时监测的空气污染数据,来源于中国环境监测总站全国城市空气质量实时发布平台(http://106.37.208.233:20035/)。
首先对分季节的空气质量监测数据进行正态分布检验,再利用拉依达准则法(pauta criterion)辨别和剔除了小时监测数据中的异常值,即当数据样品观测值的离差绝对值大于3倍样品标准差时判定该样品观测值为异常值。为确保数据准确,严格按照《环境空气质量标准》(GB 3095—2012)中的要求进行数据质量控制,剔除不符合实际物理意义的样本数据。① 污染物浓度小时数值缺失或者≤0则视为无效数据;② 当天有效数据量≥20,该日均浓度数据有效;③ 当月无效日均浓度数据量≤4时,该月均浓度数值有效;④ 当年有效日均浓度数据量≥324时,该年均浓度数值有效。
某个城市空气污染指标值等于其行政区域内的所有监测点指标值的算术平均值,并依次计算得到各个指标的日均值、月均值、季均值和年均值。其中O3日均浓度是通过计算其每日最大8小时平均浓度所得,即根据一天中8:00~24:00间O3浓度最高的连续8 h计算得到的平均浓度值,表示为O3MDA 8。春、夏、秋、冬4个季节分别为每年3—5月、6—8月、9—11月、12月至翌年2月。
(2) PM2.5遥感数据
使用的2015—2018年间的0.01°×0.01°高空间分辨率年平均地面PM2.5浓度数据集(http://fizz.phys.dal.ca/~atmos/martin/)为van Donkelaar等[22]结合地球化学模型对MODIS、MISR和SeaWiFS AOD产品进行计算,并利用GWR方法进行校正后得到的。同时van Donkelaar等将该数据集与全球地面监测值进行样本外交叉验证,发现反演的PM2.5浓度与地面监测PM2.5浓度高度一致,具有显著相关性(R2=0.81)。
(3) 人口网格数据
2015—2018年间分辨率为1 km的全球连续地表人口分布网格数据,来源于美国橡树岭国家实验室(https://landscan.ornl.gov/landscan-datasets),该数据集是通过地理信息系统和遥感方法建模而得的。首先,利用ArcGIS 10.3软件中的重采样工具,将1 km×1 km的人口数据重新采样到了0.01°×0.01°网格上;然后,剪裁出研究区域内逐年的人口网格数据,与PM2.5网格数据相匹配。

1.3 指标与标准

选取7项指标,包括空气质量指数(AQI)和6项污染物指标(PM2.5、PM10、SO2、NO2、O3和CO)。
在计算空气污染暴露风险等级时,中国《环境空气质量标准》(GB 3095—2012)二级标准与WHO《air quality guidelines》中规定的过渡时期目标-1(IT-1)相同(包括PM2.5、PM10、O3)或相近(SO2),且前人研究[6,23]中对PM2.5或PM10进行暴露风险评估时均采用IT-1作为标准,所以本文按照《环境空气质量标准》(GB 3095—2012)中的年平均浓度二级标准确定PM2.5、PM10、SO2、NO2的年平均浓度标准。其中需要说明的是,由于O3、CO暂无年均浓度限值标准,根据2015年美国环境保护署规定,若CO的24 h平均浓度全年未超标,则代表该年CO浓度达标;若当年第四高的O3日最大8 h平均浓度未超标,则代表该年O3浓度达标。
为统计污染物超标天数,根据《环境空气质量标准》(GB 3095—2012)中的二级标准确定PM2.5、PM10、SO2、NO2、CO等5项污染物的24 h平均浓度限值和O3的日最大平均8 h浓度限值(表1)[24,25]。
表1 空气污染指标与风险评估标准

Tab.1 Air pollution indicators and risk evaluation standard

指标 单位 平均时间 浓度限值 备注
PM2.5 μg·m-3 年平均 35 —
24 h平均 75 —
PM10 μg·m-3 年平均 70 —
24 h平均 150 —
SO2 μg·m-3 年平均 60 —
24 h平均 150 —
NO2 μg·m-3 年平均 40 —
24 h平均 80 —
O3 μg·m-3 日最大8 h平均 160 每年第四高的O3日最大8 h平均浓度达标,则该年O3浓度达标
CO mg·m-3 24 h平均 4 每年超标天数≤1,则该年CO浓度达标

1.4 变化率

为表征研究污染指标在各城市的时间差异状态,本文引入污染指标变化率,其表达式为：
ROC = B - A A × 100 %
式中：ROC表示污染指标变化率,A表示2015年某一城市某一污染指标的年均值(单位：μg·m-3或mg·m-3),B表示2019年该城市的该污染指标的年均值(单位：μg·m-3或mg·m-3)。若ROC>0,则说明污染指标数值增加;若ROC<0,则说明污染指标数值减小;若ROC=0,则说明污染指标数值未变。

1.5 趋势分析

为探究中国城市的空气污染变化趋势Trend,本文利用以下公式进行计算：
Trend = n × ∑ i = 1 n i × P i - ∑ i = 1 n i ∑ i = 1 n P i n × ∑ i = 1 n i 2 - ∑ i = 1 n i 2
式中：n代表时间跨度,i代表年份,Pi代表某污染物第i年的年均浓度。以时间为横轴,对污染物年均浓度时间序列数据进行一元线性回归,得到反映污染物浓度变化趋势的斜率,并通过R2值判断该计算结果是否具有统计学意义。斜率的显著正值表明污染物浓度有增长趋势,而斜率的显著负值则反映了相反的趋势[5]。

1.6 热点分析

为探究中国城市空气污染在空间上的聚类及其变化情况,利用ArcGIS 10.3软件中的热点分析方法进行Getis-Ord Gi*统计,其计算公式如下：
G i * = ∑ j = 1 n w i , j x j - X ̅ ∑ j = 1 n w i , j S n ∑ j = 1 n w i , j 2 - ( ∑ j = 1 n w i , j ) 2 n - 1
X ̅ = 1 n ∑ j = 1 n x j
S = 1 n ∑ j = 1 n x j 2 - X ̅ 2
式中：对于一种污染物而言, x j是j城市的该污染物浓度; w i , j是城市i和j之间的空间权重;n为研究城市总数。
G i *统计结果包括Z得分和P值,对于具有显著统计学意义的正值Z得分,其值越高,高值(热点)的聚集就越紧密;而对于具有显著统计学意义的负值Z得分,Z得分越低,低值(冷点)的聚集就越紧密。

1.7 暴露风险评估

(1) 超标频数统计
为量化2015—2019年中国城市的空气污染状况,根据表1中的浓度限值标准,将空气污染的潜在风险定义为5 a间污染物年均浓度高于限值的频率,其计算公式如下[7]：
R ij = 无风险 f ij = 0 1 级 f ij = 1 2 级 f ij = 2 3 级 f ij = 3 4 级 f ij = 4 5 级 f ij = 5
f ij = count ( C ijt > ST D i )
式中： f ij为j城市i污染物年均浓度超标的频率,其取值范围为[0, 5]; C ijt为t年j城市i污染物年均浓度值, ST D i是i污染物的年均浓度限值;count为计数函数,意为当t年j城市i污染物年均浓度值超出限值则计数一次; R ij为j城市i污染的暴露风险等级。
将暴露风险等级在ArcGIS 10.3中进行可视化,得到中国城市空气污染物暴露风险分布图,并分别统计各污染物不同暴露风险等级下的城市数量及占比。在利用遥感数据进行暴露风险评估时, f ij为j相元i污染物年均浓度超标的频率,因遥感数据只更新至2018年,因此, f ij的取值范围为[0, 4]。
同时,也可利用式(7)统计各污染物2015—2019年浓度超标天数,此时, f ij为2015—2019年间i城市j污染物日均浓度超标的频率,其取值范围为[0, 366], C ijt为t天j城市i污染物日均浓度值, ST D i是i污染物的日均浓度限值。
(2) 暴露相对风险模型
结合空气污染物浓度与人口数据,利用暴露相对风险评价模型定量反映人口空气污染暴露风险,可区分局部地区相对于空间整体的严重程度,其计算公式如下[26]：
R i = P i × C i 1 n ∑ i = 1 n ( P i × C i )
式中： R i为像元i的人口空气污染暴露相对风险; P i为像元i内的人口数; C i为像元i的空气污染物浓度,n是整个空间单元包含的总像元数。最后,参考前人研究[27],将空气污染人口暴露风险分为5个级别：安全(0≤ R i<1),较安全(1≤ R i<2),较危险(2≤ R i<3),危险(3≤ R i<4)和极危险( R i≥4)。

2 结果与分析

2.1 空气质量年、月变化特征

从表2可见,中国332个城市的年平均AQI从2015年的79.2下降到了2019年的64.7,降幅为18.4%。与2015年相比,2019年中国城市PM2.5、PM10、SO2和CO的年均浓度水平有所下降,降幅分别为19.1%、16.3%、55.2%、24.8%。而NO2、O3浓度年均值分别从2015年的28.8 μg·m-3和83.7 μg·m-3上升至2019年的32.6 μg·m-3和92.3 μg·m-3,增幅分别为13.2%和10.3%。该分析结果与既有的相关研究有较好的一致性：Guo等[28]研究了2015—2017年间6种污染物的变化情况,发现3 a间PM2.5、PM10、SO2和CO分别下降了14.5%、13.6%、30.5%和14.5%,而O3浓度则上升了10.7%。有学者指出,国务院于2013年9月10日印发实施《大气污染防治行动计划》,以控制中国城市可吸入颗粒物浓度,且颇见成效[9]。但对NOx与VOCs的治理力度较弱,空气中颗粒物、气溶胶的减少使得更多的紫外线到达了大气层底部,促进了NOx与VOCs的光化学反应,导致O3浓度增加[10,11]。
表2 中国城市2015—2019年7项指标年均值与变化率

Tab.2 Annual average value and change rate of seven air pollution indicators in Chinese cities, 2015-2019

指标 2015年 2016年 2017年 2018年 2019年 ROC/%
AQI 79.2 75.1 74.8 70.8 64.7 -18.4
PM2.5/(μg·m-3) 49.7 45.9 43.5 39.1 40.2 -19.1
PM10/(μg·m-3) 87.0 82.2 79.2 75.9 72.9 -16.3
SO2/(μg·m-3) 25.0 21.6 18.0 13.6 11.2 -55.2
NO2/(μg·m-3) 28.8 29.1 30.1 27.3 32.6 13.2
O3/(μg·m-3) 83.7 87.5 93.4 95.3 92.3 10.3
CO/(mg·m-3) 1.08 1.04 0.97 0.85 0.81 -24.8
为了深入研究AQI的时间变化特征,统计分析了332个城市2015年1月—2019年12月AQI月均值,结果见图2。总体来看,AQI月均值年变化曲线呈U型分布,即高AQI出现在秋冬季,低AQI出现在春夏季。从图2还可以看出,每个月的AQI在2015—2019年间均有所下降。5 a间仅有2015年1月、2015年12月、2016年12月、2017年1月的AQI超出中国环境空气质量二级标准(AQI=100),93.3%的月份满足环境空气质量二级标准。
图2 中国城市2015—2019年AQI月均值变化

注：虚线为AQI环境空气质量二级标准值。

Fig.2 Changes in the monthly average value of AQI in Chinese cities, 2015-2019

2.2 污染物浓度季节变化特征

图3为中国332个城市2015—2019年空气污染物浓度季均值空间分布。可以看出,PM2.5、PM10、SO2、NO2、O3和CO六种污染物浓度在不同季节呈现明显的时空变化。总体来看,PM2.5、PM10、SO2、NO2和CO五种污染物污染浓度均在冬季出现最大值,春秋季次之,夏季数值最低;而O3浓度则在夏季出现最大值,春季次之,秋冬两季数值较低。Song等[7]基于2014—2016年全国1300多个监测站点数据,同样分析得出PM2.5、PM10、SO2、NO2和CO的月均浓度呈现U型,即在冬季有最高值;而O3月均浓度则呈峰型,即最高值出现于夏季。从空间分布来看,冬季PM2.5和PM10的高值区域主要分布在华北地区和新疆,平均浓度分别是74.2、123 μg·m-3和81.8、159 μg·m-3;SO2高值区主要集中于山西,平均浓度为104 μg·m-3;NO2和CO高值区也主要分布于华北平原和新疆地区。夏季O3的高值区主要为华北地区,平均浓度为138 μg·m-3,同时在华东地区、西北地区、华中地区也有大范围分布。
图3 中国城市2015—2019年污染物浓度季节均值空间分布

Fig.3 Spatial distribution of the seasonal average concentration of pollutants in Chinese cities, 2015-2019

中国城市季节性的空气污染浓度差异一方面源于气象条件对污染物浓度的影响。夏季时气温较高,空气对流作用明显,中国城市主要受东南季风影响,有利于PM2.5、PM10、SO2、NO2和CO等污染物的扩散。但这时太阳辐射强、日照时间长且温度高,有利于NOx与VOCs的光化学反应,从而产生了更多的O3[29]。另一方面,冬季气温低、对流作用弱,不利于清除空气中的污染,同时以煤炭为主的能源消耗量大幅度增加,人为活动排放造成空气污染物浓度升高,导致空气质量下降。

2.3 空气质量空间变化特征

中国332个城市2015—2019年AQI变化率空间分布见图4。332个城市中有303个城市AQI有所下降,占所有城市的91.3%,其中有55个城市的AQI降幅超过30%。29个AQI上升的城市主要位于新疆、云南、陕西、山西等地,其中AQI上升幅度最大的是云南怒江州,5 a间AQI增加了47.8%。
图4 中国城市2015—2019年AQI变化率空间分布

Fig.4 Spatial distribution of change rate of AQI in Chinese cities, 2015-2019

图5展现了2015—2019年332个城市不同污染物浓度变化率空间分布。在332个主要城市中,有291个城市的PM2.5浓度在降低,占所有城市的87.7%,而浓度升高的城市主要集中于西北地区和西南地区。PM10浓度降低的城市有280个,占所有城市的84.3%,浓度上升的城市大部分集中于新疆、山西和西南地区。316个城市的SO2浓度降低,占所有城市的95.2%,其中有122个城市的降幅超过了60%;而浓度上升的城市主要分布于东南沿海地区,贵州黔东南州和云南怒江州的SO2浓度变化率分别为48.0%和57.1%。共有102个城市NO2浓度有所降低,占30.7%;有230个城市NO2浓度上升,其中新疆哈密地区和云南怒江州的NO2浓度变化率超过200%。O3浓度呈现下降趋势的城市仅有93个城市,占所有城市的28.0%;其余239个城市O3浓度呈现升高趋势,有4个城市O3浓度变化率超过100%。安徽各城市O3浓度有较为明显的升高,全省平均上升幅度为57.2%。就CO而言,共有305个城市在CO浓度上呈现下降趋势,占332个城市的91.9%;CO浓度增加的27个城市主要分布于西北地区和西南地区。
图5 中国城市2015—2019年污染物浓度变化率空间分布

Fig.5 Spatial distribution of change rates of pollutant concentration in Chinese cities, 2015-2019

图6展现了中国城市2015—2019年污染物浓度变化率的热点分析结果。可以看出,对于PM2.5浓度变化率而言,有2处明显的热点分布,即云南与新疆;冷点则主要分布于安徽、江苏等地(P<0.05)。PM10浓度变化率的热点主要分布于云南的西南部分和新疆(P<0.01),此外,在两广湖南地区也有热点分布(P<0.05);冷点主要分布于西藏、青海、四川和甘肃等地(P<0.01),此外,在环渤海城市群也有聚集(P<0.05)。对于SO2浓度变化率而言,其热点在福建、广东、广西、云南等地有大范围分布,其中福建、两广地区显著性较强(P<0.01);冷点则在华北平原至长江中下游流域有大范围分布。NO2浓度变化率的热点聚集于河套平原以及新疆等地,东北地区至山东一带则为显著冷点。对于O3浓度变化率而言,热点在华北平原至长江下游流域有大面积覆盖;冷点则有2处显著聚集：一是黑龙江、吉林地区,二是成渝城市群及其周边地区。CO的热点在南方地区有大范围分布,包括贵州、湖南、江西、福建、云南、广西、广东等地,此外,在新疆地区也有一定分布;冷点主要为华北平原及其周边地区。
图6 中国城市2015—2019年污染物浓度变化率热点空间分布

注：|Z|>1.65对应P<0.10,|Z|>1.96对应P<0.05,|Z|>2.58对应P<0.01。

Fig.6 Hotspot distribution of pollutant concentration change rates in Chinese cities, 2015-2019

2.4 空气质量地域差异

对332个城市按其所属地理大区进行分析统计,得到7个地理大区7个不同指标在2015—2019年间的变化趋势,如图7。从不同地理分区来看,华中地区PM2.5和PM10浓度的变化趋势分别为-3.50 和-4.88 μg·m-3·a-1,下降趋势最为明显;而华南地区变化趋势分别为-1.42和-1.09 μg·m-3·a-1,在7大区中最为稳定。SO2浓度变化趋势最明显的是华北地区,斜率为-6.38 μg·m-3·a-1。仅有东北地区NO2浓度呈现下降趋势,其他6个大区NO2浓度均有所增加。其中变化趋势最明显的是西北地区,斜率为1.65 μg·m-3·a-1,最为平稳的是华东地区,斜率为0.17 μg·m-3·a-1。5 a间7个大区的O3浓度变化趋势均为正值,华北地区、华东、华中地区增加趋势较为明显,增长率分别为4.28、3.63和3.26 μg·m-3·a-1,而东北地区仅有0.37 μg·m-3·a-1。华北地区CO浓度下降明显,趋势为-0.12 mg·m-3·a-1。总体来说,7个大区的AQI变化趋势介于-4.06 ~ -1.94 a-1之间,在2015—2019年间呈下降趋势,空气质量均有所好转。相比其他大区,西北地区和华南地区的空气质量变化幅度较小,AQI变化趋势分别为-2.44 a-1和 -1.94 a-1。
图7 中国7个地理大区城市2015—2019年空气质量变化趋势

Fig.7 Interannual trends in air quality of seven geographical regions in China, 2015-2019

中国空气质量变化表现出明显的空间异质性。华北地区如京津冀城市群主要以能源、冶金、装备制造工业为主,工业排放较为严重。近年来政府相继发布《京津冀及周边地区重点行业大气污染限期治理方案》《京津冀及周边地区2017—2018年秋冬季大气污染综合治理攻坚行动方案》等多项治理政策,同时优化能源消费结构、减少燃煤等能源的使用量,都对华北地区的空气质量改善起到了极大的促进作用[30]。对于经济发达的华东地区来说,城市化进程往往伴随着大量人口迁入和机动车数量的增加,当城市经济发展到一定水平后,第三产业对GDP产生更大的贡献,第二产业份额占比减小,经济发展与技术进步对城市空气质量的改善起正向推动作用[31],所以华东地区空气质量改善也较为明显。华南地区虽然同样为经济发达地区,但由于受洋流、东南季风等暖湿气候影响,降水充沛且大气流动性强,空气质量长期处于良好水平。而西北地区城市经济发展水平相对较低,在优先发展经济的同时大气污染防治力度不足,空气质量改善程度较小。

2.5 人口污染物暴露的潜在风险评估

由中国城市空气污染物暴露风险空间分布(图8)和各暴露风险等级下的城市数量统计(表3)可知,5 a间,暴露在PM2.5、PM10、SO2、NO2、O3和CO中的城市数量分别为270、233、15、108、304和79个,分别占332个城市的81.3%、70.2%、4.52%、32.5%、91.6%和23.8%,9个城市在这6种污染物中均有暴露,其中7个城市位于山西省,另外2个城市为河北邢台与山东淄博。
图8 中国城市2015—2019年空气污染物暴露风险空间分布

Fig.8 Spatial distribution of exposure risks to air pollution in Chinese cities, 2015-2019

表3 中国空气污染物不同暴露风险等级的城市数量 (个)

Tab.3 The number of cities under different exposure risk levels of air pollution in China

暴露风险等级 PM2.5 PM10 SO2 NO2 O3 CO
0 62 99 317 224 28 253
1 27 27 9 40 27 36
2 17 21 3 13 29 7
3 30 24 3 14 29 22
4 32 29 0 11 46 10
5 164 132 0 30 173 4
对于PM2.5、PM10和O3而言,有较多城市处于其暴露之中,低暴露风险城市主要位于东南沿海、云贵高原、黑龙江及部分西北地区。中国城市SO2、NO2和CO暴露风险相对较低,有SO2暴露风险的城市主要位于山西,NO2高暴露风险城市主要位于华北平原和长江三角洲,有CO暴露风险的城市则主要分布于华北平原。而暴露风险均为0级的低风险城市共有12个,分别位于新疆、云南、贵州、四川、广东、福建和黑龙江。
具体看各污染指标2015—2019年超标天数比例的城市数量的变化(表4),PM2.5、PM10、SO2、NO2和CO浓度超标天数全年占比低甚至无超标天数的城市逐渐增多。而O3浓度超标天数各等级的城市占比在5 a间表现出上下浮动的变化情况,说明其污染状况尚未得到有效控制,为减少城市人口暴露于其中的风险,政府和有关部门需要进行更进一步的O3污染防治工作。
表4 中国2015—2019年空气污染超标天数全年占比的城市数量变化 (个)

Tab.4 Changes in the number of Chinese cities with different annual percentage of days exceeding the air quality standards, 2015-2019

污染物 超标天数全年占比/% 2015年 2016年 2017年 2018年 2019年
PM2.5 0 11 12 20 24 38
0~5 65 89 101 111 109
5~10 48 49 77 82 66
10~20 100 86 81 65 71
20~30 56 58 48 44 46
30~50 38 35 5 6 1
>50 14 3 0 0 1
PM10 0 30 40 44 48 68
0~5 93 113 147 134 151
5~10 66 67 63 55 49
10~20 85 53 55 69 45
20~30 27 29 16 17 13
30~50 26 27 5 5 4
>50 5 3 2 4 2
SO2 0 257 294 307 320 328
0~5 62 28 21 11 4
5~10 8 3 2 1 0
10~20 5 7 2 0 0
>20 0 0 0 0 0
NO2 0 170 189 195 210 225
0~5 133 113 123 110 99
5~10 19 21 11 11 8
10~20 10 9 3 1 0
>20 0 0 0 0 0
O3 0 54 54 30 28 45
0~5 163 143 134 130 122
5~10 49 68 60 65 66
10~20 60 62 81 77 66
20~30 6 5 25 29 33
30~50 0 0 2 3 0
>50 0 0 0 0 0
CO 0 246 268 279 317 312
0~5 75 57 51 14 20
5~10 9 6 1 1 0
10~20 2 1 1 0 0
>20 0 0 0 0 0
将不同数据源与不同方法计算所得的PM2.5暴露风险空间分布图(图9)进行比较可以发现,从全国尺度来看,暴露风险在不同区域之间的分布具有一致性：华北地区—长江中下游、成渝城市群为主要高暴露风险分布区域。但同时也可以看出,由于行政区域内部存在暴露不均匀现象,以整个行政区域作为研究对象的暴露风险评估存在偏差,如图9a中新疆高暴露风险区域相较于图9b中对应区域面积较大。
图9 中国城市2015—2018年PM2.5暴露风险空间分布

Fig.9 Spatial distribution of exposure risks to PM2.5 in Chinese cities, 2015-2018

基于超标频数统计方法所得的分析结果(图9a与图9b)仅能说明地级行政区的暴露风险水平,可以作为判断城市间暴露风险水平高低的依据,但无法体现对人口的影响程度。而基于遥感数据所得的分析结果(图9b与图9c)空间分辨率更高,在体现区域间差异的同时,也能够说明区域内部的空气污染暴露不均匀问题。因此,在暴露风险评估时,应优先选择小尺度的污染物浓度遥感数据以及匹配对应尺度的人口网格数据。若无法掌握小尺度的污染物浓度遥感数据时,地面监测数据的分析结果也能够在大尺度上作为评估依据,基本具有可信度。同时,超标频数统计法能够直接反映研究对象各个要素的暴露风险绝对大小,数据呈现相较于暴露相对风险模型更为直观。

3 结论与讨论

本文基于2015—2019年的多源数据,分析了中国332个城市的空气污染时空格局变化趋势和人口暴露风险的空间异质性。
主要结论如下：
(1) 2015—2019年间,AQI从2015年的79.2下降至2019年的64.7,AQI下降的城市占332个城市的91.3%,且93.3%的AQI月均值满足环境空气质量二级标准。具体来看,PM2.5、PM10、SO2、CO的浓度水平逐年下降,NO2和O3浓度有所增加。季节分布上,除O3浓度在夏季出现最大值,其他5种污染物浓度均在冬季出现最大值。
(2) PM2.5、PM10、SO2和CO浓度变化率的热点主要分布于新疆地区和云南—华南地区,NO2浓度变化率的热点主要为新疆地区和河套平原,O3浓度变化率的热点主要为华北平原至长江中下游流域,污染物浓度增加趋势在这些区域存在空间聚集性。5 a间7个地理大区AQI、PM2.5、PM10、SO2和CO等指标呈下降趋势,O3浓度呈增加趋势,除东北地区外其他6个地理大区NO2均有增加趋势。其中,西北地区和华南地区的空气质量改善幅度较小,AQI变化趋势分别为-2.44 a-1和-1.94 a-1。
(3) 5 a间,暴露在PM2.5、PM10、SO2、NO2、O3和CO中的城市数量分别为270、233、15、108、304和79个,9个城市在这6种污染物中均有暴露,分布于山西、河北与山东。暴露风险均为0级的低风险城市共有12个,分别位于新疆、云南、贵州、四川、广东、福建和黑龙江。
当前,中国城市空气污染问题受到政府以及社会各界的广泛关注,如何改善空气质量以减少其对居民健康的危害成为重要议题。由于城市间的空气污染物浓度分布与人口密度、人口组成结构都存在差异性,需要考虑各城市的独特性。除对空气污染物进行控制外,还应制定差异化的空间人口流动管理政策,在推动城市经济增长的同时引导城市人口的合理布局。由于人口密度的增加会加剧城市空气污染,进而增加暴露风险[8],因此对于人口集中的高风险城市,应将人口向周边低风险区域迁移,降低区域人口暴露风险。事实上,近年来中国已经出现了环境移民现象[32]。有学者指出,北京等地区的雾霾等空气污染问题诱发了高收入水平居民的迁出意向[33]。基于城市居民对环境风险变化的持续性关注,改善生态环境现状,提升城市环境吸引力,是今后中国城市尤其是高污染地区政府化解内循环中生态风险问题的关键。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Chan C K, Yao X H. Air pollution in mega cities in China[J]. Atmospheric Environment, 2008, 42(1):1-42.

DOI

[2]
Guo S, Hu M, Zamora M L, et al. Elucidating severe urban haze formation in China[J]. PNAS, 2014, 111(49):17373-17378.

DOI

[3]
Shi X Q, Zhao C F, Jiang J H, et al. Spatial representativeness of PM2.5 concentrations obtained using observations from network stations[J]. Journal of Geophysical Research: Atmospheres, 2018, 123(6):3145-3158.

DOI

[4]
Guo H, Cheng T H, Gu X F, et al. Assessment of PM2.5 concentrations and exposure throughout China using ground observations[J]. Science of the Total Environment, 2017, 601/602:1024-1030.

DOI

[5]
Cao S S, Zhao W J, Guan H L, et al. Comparison of remotely sensed PM2.5 concentrations between developed and developing countries: Results from the US, Europe, China, and India[J]. Journal of Cleaner Production, 2018, 182:672-681.

DOI

[6]
Han L J, Zhou W Q, Pickett S T A, et al. Risks and causes of population exposure to cumulative fine particulate (PM2.5) pollution in China[J]. Earth's Future, 2019, 7(6):615-622.

DOI

[7]
Song C B, Wu L, Xie Y C, et al. Air pollution in China: Status and spatiotemporal variations[J]. Environmental Pollution, 2017, 227:334-347.

DOI

[8]
Zhao X L, Zhou W Q, Han L J, et al. Spatiotemporal variation in PM2.5 concentrations and their relationship with socioeconomic factors in China's major cities[J]. Environment International, 2019, 133:105145. doi: 10.1016/j.envint.2019.105145.

DOI

[9]
Cai S Y, Wang Y J, Zhao B, et al. The impact of the 'Air Pollution Prevention and Control Action Plan' on PM2.5 concentrations in Jing-Jin-Ji region during 2012-2020[J]. Science of the Total Environment, 2017, 580:197-209.

DOI

[10]
Fang X K, Park S, Saito T, et al. Rapid increase in ozone-depleting chloroform emissions from China[J]. Nature Geoscience, 2019, 12(2):89-93.

DOI

[11]
Li K, Jacob D J, Liao H, et al. Anthropogenic drivers of 2013-2017 trends in summer surface ozone in China[J]. PNAS, 2019, 116(2):422-427.

DOI

[12]
Zhang Y Z, Wang Y H. Climate-driven ground-level ozone extreme in the fall over the Southeast United States[J]. PNAS, 2016, 113(36):10025-10030.

DOI

[13]
彭远新, 林振山. 能源消费产生的SO2和工业烟尘排放量时空演变分析[J]. 自然资源学报, 2010, 25(1):52-59.

[ Peng Yuanxin, Lin Zhenshan. Analysis of temporal and spatial evolution of SO2 and industrial dust emissions of energy consumption. Journal of Natural Resources, 2010, 25(1):52-59. ]

[14]
周亮, 周成虎, 杨帆, 等. 2000—2011年中国PM2.5时空演化特征及驱动因素解析[J]. 地理学报, 2017, 72(11):2079-2092.

DOI

[ Zhou Liang, Zhou Chenghu, Yang Fan, et al. Spatio-temporal evolution and the influencing factors of PM2.5 in China between 2000 and 2011. Acta Geographica Sinica, 2017, 72(11):2079-2092. ]

[15]
Wang Z B, Fang C L. Spatial-temporal characteristics and determinants of PM2.5 in the Bohai rim urban agglomeration[J]. Chemosphere, 2016, 148:148-162.

DOI

[16]
Zhang B L, Tsunekawa A, Tsubo M. Identification of dust hot spots from multi-resolution remotely sensed data in Eastern China and Mongolia[J]. Water, Air, & Soil Pollution, 2015, 226:117. doi: 10.1007/s11270-015-2300-2.

DOI

[17]
Chen D S, Liu X X, Lang J L, et al. Estimating the contribution of regional transport to PM2.5 air pollution in a rural area on the North China Plain[J]. Science of the Total Environment, 2017, 583:280-291.

DOI

[18]
Chen Y, Ebenstein A, Greenstone M, et al. Evidence on the impact of sustained exposure to air pollution on life expectancy from China's Huai River policy[J]. PNAS, 2013, 110(32):12936-12941.

DOI

[19]
Kuerban M, Waili Y, Fan F, et al. Spatio-temporal patterns of air pollution in China from 2015 to 2018 and implications for health risks[J]. Environmental Pollution, 2020, 258:113659. doi: 10.1016/j.envpol.2019.113659.

DOI

[20]
Shi Y S, Matsunaga T, Yamaguchi Y, et al. Long-term trends and spatial patterns of satellite-retrieved PM2.5 concentrations in South and Southeast Asia from 1999 to 2014[J]. Science of the Total Environment, 2018, 615:177-186.

DOI

[21]
韩立建. 城市化与PM2.5时空格局演变及其影响因素的研究进展[J]. 地理科学进展, 2018, 37(8):1011-1021.

DOI

[ Han Lijian. Relationship between urbanization and urban air quality: An insight on fine particulate dynamics in China. Progress in Geography, 2018, 37(8):1011-1021. ]

[22]
van Donkelaar A, Martin R V, Brauer M, et al. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites, models, and monitors[J]. Environmental Science & Technology, 2016, 50(7):3762-3772.

DOI

[23]
He C Y, Han L J, Zhang R Q. More than 500 million Chinese urban residents (14% of the global urban population) are imperiled by fine particulate hazard[J]. Environmental Pollution, 2016, 218:558-562.

DOI

[24]
环境保护部, 国家质量监督检验检疫总局. 环境空气质量标准(GB 3095—2012)[S]. 北京: 中国环境科学出版社, 2016.

[Ministry of Environment Protection of the People's Republic of China, General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China. Ambient air quality standards, GB 3095-2012. Beijing, China: China Environment Science Press, 2016. ]

[25]
Environmental Protection Agency, USA. NAAQS table[EB/OL]. 2015 [2020-12-06]. https://www.epa.gov/criteria-air-pollutants/naaqs-table.

[26]
邹滨, 彭芬, 焦利民, 等. 高分辨率人口空气污染暴露GIS空间区划研究[J]. 武汉大学学报(信息科学版), 2013, 38(3):334-338.

[ Zou Bin, Peng Fen, Jiao Limin, et al. GIS aided spatial zoning of high-resolution population exposure to air pollution. Geomatics and Information Science of Wuhan University, 2013, 38(3):334-338. ]

[27]
张亮林, 潘竟虎. 中国PM2.5人口暴露风险时空格局[J]. 中国环境科学, 2020, 40(1):1-12.

[ Zhang Lianglin, Pan Jinghu. Spatial-temporal pattern of population exposure risks to PM2.5 in China. China Environmental Science, 2020, 40(1):1-12. ]

[28]
Guo H, Gu X F, Ma G X, et al. Spatial and temporal variations of air quality and six air pollutants in China during 2015-2017[J]. Scientific Reports, 2019, 9:15201. doi: 10.1038/s41598-019-50655-6.

DOI

[29]
Wise E K, Comrie A C. Meteorologically adjusted urban air quality trends in the southwestern United States[J]. Atmospheric Environment, 2005, 39(16):2969-2980.

DOI

[30]
程雪雁, 朱磊, 周艺萱. 2015—2018年京津冀城市群空气污染时空变化特征[J]. 北京师范大学学报(自然科学版), 2019, 55(4):523-531.

[ Cheng Xueyan, Zhu Lei, Zhou Yixuan. Temporal and spatial characteristics of pollution in Beijing-Tianjin-Hebei urban agglomeration 2015-2018. Journal of Beijing Normal University (Natural Science), 2019, 55(4):523-531. ]

[31]
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[J]. 地理学报, 2016, 71(8):1357-1371.

DOI

[ 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. ]

[32]
刘欢, 席鹏辉. 中国存在环境移民吗? 来自空气质量指数测算改革的自然实验[J]. 经济学动态, 2019(12):38-54.

[ Liu Huan, Xi Penghui. Are there environmental migrants in China? Natural experiments from the reform of air quality index. Economic Perspectives, 2019 (12):38-54. ]

[33]
洪大用, 范叶超, 李佩繁. 地位差异、适应性与绩效期待: 空气污染诱致的居民迁出意向分异研究[J]. 社会学研究, 2016, 31(3):1-24, 242.

[ Hong Dayong, Fan Yechao, Li Peifan. Socio-economic status, behavioral adaptation, and expectation for government performance: An analysis of the differentiation of residents' smog-related out-migration intetion. Sociological Studies, 2016, 31(3):1-24, 242. ]

Options
文章导航

/

〈 〉