李 飛,郭錦媛,屈志光,閆晶晶,孔少杰,周媛媛,歐昌宏

(1.中南財經(jīng)政法大學(xué)環(huán)境與健康研究中心,湖北武漢 430073 2.中南財經(jīng)政法大學(xué)信息安全工程學(xué)院,湖北武漢 430073)

0 前言

近年來,由于工業(yè)化和城市化的迅速發(fā)展,空氣污染問題越來越嚴(yán)重。細(xì)顆粒物(PM2.5)是當(dāng)前中國大部分地區(qū)的首要污染物[1],長期暴露于高濃度PM2.5可能導(dǎo)致至少64種嚴(yán)重疾病[2-4],PM2.5暴露在影響居民健康的環(huán)境風(fēng)險因素中排名最高[5]。PM2.5健康效應(yīng)是指PM2.5暴露對居民健康造成的危害。對PM2.5的健康效應(yīng)進(jìn)行評估有助于為科學(xué)高效的防治PM2.5污染提供支撐。除了對PM2.5的時空分布情況進(jìn)行研究以外,更多學(xué)者開始定量化研究PM2.5的健康效應(yīng)。國外關(guān)于大氣污染下人群死亡率與長期暴露關(guān)系的研究中,獲得公認(rèn)的有哈佛大學(xué)6城市研究[6]及美國癌癥協(xié)會研究[7]。1967年,RIDKER[8]最早評估了美國1958年空氣污染的治理減少的死亡經(jīng)濟(jì)損失。1990年,過孝民,等[9]首先對中國環(huán)境污染造成的經(jīng)濟(jì)損失進(jìn)行估算。國內(nèi)目前多采用流行病學(xué)的健康影響函數(shù)來評價PM2.5的健康效益。由美國環(huán)境保護(hù)署開發(fā)的環(huán)境效益圖像與分析系統(tǒng)(Environmental Benefits Mapping and Analysis Program,BenMAP)主要被用來評估周圍空氣污染變化引起的人類健康效應(yīng)及其經(jīng)濟(jì)價值,比較適合對空氣質(zhì)量管制政策實施個性化健康效應(yīng)評估(HIA)和效益-成本分析[10]。Chen,等[11-13]分別利用BenMAP評估了天津市、京津冀和珠三角控制PM2.5的健康效益。由于選取的基準(zhǔn)情景、控制情景不同,同一地區(qū)計算出來的健康效益也存在一定偏差[14]。從研究尺度上看,研究更多集中在整個國家,京津冀、珠三角等區(qū)域,或者某個城市;研究時間主要為單一年份,或者政策實施前后;政策以選擇《大氣污染防治行動計劃》(簡稱《行動計劃》)居多[15-17]。

隨著健康影響函數(shù)被廣泛用于評估PM2.5污染相關(guān)的健康影響結(jié)果,逐漸有學(xué)者對PM2.5健康影響的驅(qū)動因素進(jìn)行研究。Luo,等[18]對2018年中國PM2.5日均濃度達(dá)到GB 3095-2012《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》中的二級標(biāo)準(zhǔn)值(35 μg/m3)時,可避免的過早死亡人數(shù)和對應(yīng)的經(jīng)濟(jì)效益空間分布進(jìn)行分析得知,PM2.5濃度達(dá)標(biāo)后獲得的健康經(jīng)濟(jì)效益具有空間溢出效應(yīng),但未對這種現(xiàn)象的驅(qū)動因素進(jìn)行分析。地理加權(quán)回歸模型(GWR)用于解析健康影響的驅(qū)動因素,可以彌補(bǔ)此類研究的不足。傅崇輝,等[19]使用GWR模型對深圳市PM2.5健康風(fēng)險的驅(qū)動因素進(jìn)行了解析,但缺少對健康經(jīng)濟(jì)損失的驅(qū)動因素分析。綜合來看,現(xiàn)有研究為科學(xué)分析PM2.5健康效益提供了研究框架,同時越來越注重大樣本尺度的研究,但目前的研究缺乏時間層面的演化分析,也較少關(guān)注健康經(jīng)濟(jì)收益的社會經(jīng)濟(jì)影響因素。

長江經(jīng)濟(jì)帶的土地面積達(dá)到全國土地面積的21.4%,人口和經(jīng)濟(jì)總量均在全國的40%以上,在中國的經(jīng)濟(jì)發(fā)展中占有重要地位。雖然近年來長江經(jīng)濟(jì)帶空氣質(zhì)量有所改善,與2013年相比,2017年長江三角洲城市群25個城市的PM2.5年均濃度由67 μg/m3下降至53 μg/m3,但與GB 3095-2012中的二級標(biāo)準(zhǔn)值相比仍有很大差距。所以長江經(jīng)濟(jì)帶治理空氣污染的壓力依然存在?；诖?本研究以《行動計劃》實施后,長江經(jīng)濟(jì)帶空氣改善結(jié)果考核為優(yōu)秀、良好、合格的36個城市為基礎(chǔ),基于2017-2019年P(guān)M2.5數(shù)據(jù)和社會經(jīng)濟(jì)數(shù)據(jù),對長江經(jīng)濟(jì)帶“藍(lán)天保衛(wèi)戰(zhàn)”實施期間的PM2.5演化情況、控制PM2.5的健康經(jīng)濟(jì)效益及社會經(jīng)濟(jì)驅(qū)動因素進(jìn)行分析,并據(jù)此結(jié)果優(yōu)化區(qū)域聯(lián)合管理對策。

1 數(shù)據(jù)來源與研究方法

1.1 研究區(qū)域介紹

長江經(jīng)濟(jì)帶空間范圍介于97°20′E～123°30′E,21°30′N～35°20′N之間,覆蓋上海市、江蘇省、浙江省、安徽省、江西省、湖北省、湖南省、重慶市、四川省、貴州省、云南省11個省(市)。作為中國資源開發(fā)和經(jīng)濟(jì)發(fā)展的重要東西軸線,只有上海是對長江經(jīng)濟(jì)帶有巨大影響帶動力的一級中心城市;有11個對長江經(jīng)濟(jì)帶有顯著帶動力的二級中心城市;有15個具有輻射影響力的區(qū)域性中心城市;有14個一般城市[20]。根據(jù)長江經(jīng)濟(jì)帶城市分類以及數(shù)據(jù)的可獲取性,確定的研究區(qū)域有上海、重慶、南京、武漢、蘇州、杭州、南昌、成都、無錫、寧波、長沙、合肥、南通、揚(yáng)州、常州、鎮(zhèn)江、舟山、蕪湖、安慶、銅陵、池州、九江、岳陽、黃石、宜昌、瀘州、宜賓、荊州、攀枝花、嘉興、黃岡、湖州、馬鞍山、紹興、鄂州、咸寧36個城市。

1.2 數(shù)據(jù)來源

研究使用的PM2.5濃度數(shù)據(jù)來源于中國環(huán)境監(jiān)測總站(http:∥www.cnemc.cn/)。根據(jù)GB 3095-2012要求,對不合格數(shù)據(jù)進(jìn)行篩選與剔除。通過https:∥www.aqistudy.cn/historydata/網(wǎng)站查詢結(jié)果對缺失數(shù)據(jù)進(jìn)行處理,并根據(jù)逐時數(shù)據(jù)計算逐日數(shù)據(jù)再以此計算PM2.5年均濃度。長江經(jīng)濟(jì)帶的站點分布如圖1,選擇的監(jiān)測點為自2016年11月7日起的215個,后續(xù)新增站點不包含在內(nèi)。

研究選取的人口數(shù)據(jù)、死亡率數(shù)據(jù)、社會經(jīng)濟(jì)因素(人口密度、地區(qū)生產(chǎn)總值、城鎮(zhèn)化率、第二產(chǎn)業(yè)占比、建成區(qū)綠化覆蓋率)均來自于統(tǒng)計年鑒或統(tǒng)計公報。人口數(shù)據(jù)選擇年末常住人口,死亡率選取全因死亡率。缺失數(shù)據(jù)根據(jù)統(tǒng)計年鑒公式進(jìn)行計算。城市統(tǒng)計年鑒缺失數(shù)據(jù)來自中國經(jīng)濟(jì)社會大數(shù)據(jù)研究平臺(https:∥data.cnki.net/)。氣象數(shù)據(jù)來源于中國氣象網(wǎng)(http:∥www.cma.gov.cn/)。

1.3 健康經(jīng)濟(jì)效益研究方法

1.3.1 健康影響評估

研究使用BenMAP-CE v1.4[21]解析長江經(jīng)濟(jì)帶空氣質(zhì)量改善的健康效益。BenMAP可根據(jù)基準(zhǔn)年和控制年的污染物濃度分別生成基準(zhǔn)情景和控制情景下的污染物濃度網(wǎng)格化數(shù)據(jù),然后使用健康影響函數(shù)將上述情景下的污染物濃度之差與暴露人口網(wǎng)格化數(shù)據(jù)相匹配,以計算污染物濃度變化產(chǎn)生健康影響人數(shù)[22]。由PM2.5污染暴露水平變化而健康受影響的人群數(shù)量如式(1):

ΔY=Y0(1-e-βΔPM2.5)×Pop

(1)

式中:ΔY--因PM2.5濃度變化而健康受影響的人數(shù);

Y0--健康效應(yīng)終端的基線死亡率;

β--濃度-響應(yīng)系數(shù);

Pop--受空氣質(zhì)量變化影響的人數(shù);

ΔPM2.5--不同年份之間PM2.5年均濃度的變化量。

以2017年為基準(zhǔn)年,2019年為控制年,當(dāng)ΔPM2.5大于0時,可以將ΔY理解成PM2.5濃度未改善導(dǎo)致的健康損失,反之則為PM2.5濃度改善獲得的健康收益。研究采用2017-2019年長江經(jīng)濟(jì)帶36個城市常住人口作為暴露人口,對于未公布常住人口數(shù)據(jù)的城市,將其戶籍人口作為暴露人口。為了更好地比較“藍(lán)天保衛(wèi)戰(zhàn)”和《行動計劃》兩個政策的實施結(jié)果,暴露人口選擇2017年的數(shù)據(jù)。

與PM2.5相關(guān)的健康效應(yīng)有哮喘、心血管疾病、呼吸系統(tǒng)疾病、癌癥、死亡等,其中死亡風(fēng)險是最顯著的,所以將其作為PM2.5的健康終端,年末常住人口死亡率作為這一終端的基線發(fā)生率。表1梳理了與PM2.5相關(guān)的較具代表性的全因死亡相對風(fēng)險系數(shù)研究結(jié)果。目前,我國對PM2.5暴露與全因死亡之間濃度-反應(yīng)關(guān)系的研究較少,部分是針對特定區(qū)域進(jìn)行的[24-25,27,29-31]。由于我國在1991-2000年未監(jiān)測PM2.5,Cao,等[25]將PM10濃度轉(zhuǎn)換為PM2.5濃度,分析PM2.5暴露和健康影響終點之間的濃度響應(yīng)。Hoek,等[28]進(jìn)行了多區(qū)域有明確健康影響終點的Meta分析,結(jié)果表明PM2.5暴露濃度每增加10 μg/m3,全因死亡率超額風(fēng)險(ER)為6%(95%CI為4%～8%)。因此本研究選取Heok的研究結(jié)果,濃度響應(yīng)系數(shù)β值為0.005 827,相對風(fēng)險值(RR)為1.06(95%CI為1.04～1.08)。

表1 PM2.5暴露有關(guān)的全因死亡相對風(fēng)險系數(shù)

1.3.2 經(jīng)濟(jì)效益評估

評估控制大氣污染而獲得的經(jīng)濟(jì)影響常用的方法有:疾病成本法、人力資本法以及支付意愿法。疾病成本法主要評估由疾病引起的醫(yī)療費(fèi)用等成本,適用于評估較小區(qū)域和高污染地區(qū)因空氣質(zhì)量變化導(dǎo)致的經(jīng)濟(jì)影響,而在面積較大和污染情況復(fù)雜的地區(qū)則缺乏準(zhǔn)確性[31]。傳統(tǒng)的人力資本法強(qiáng)調(diào)空氣污染物對勞動者資本所造成的損害,過早死亡的年輕人、失業(yè)者、工人和退休老人的價值非常低,在很大程度上存在倫理道德缺陷[32]。支付意愿法是指利用死亡風(fēng)險意愿調(diào)查價值評估法核算樣本的統(tǒng)計生命價值(VSL),此方法最大的優(yōu)點是能評估大氣污染健康損失的使用價值和非使用價值,操作靈活、適用面廣[33]。將PM2.5濃度變化產(chǎn)生的健康影響貨幣化的模型如式(2)所示:

HBE=ΔY×VSL

(2)

式中:HBE--PM2.5健康影響的貨幣化表達(dá);

VSL--健康效應(yīng)終端對應(yīng)的單位價值。

在研究時段內(nèi),上海市常住人口的人均可支配收入處于領(lǐng)先地位,所以將上海市的統(tǒng)計生命價值作為基準(zhǔn)值。根據(jù)戴海夏,等[34]的計算結(jié)果,根據(jù)式(3)轉(zhuǎn)換得到2017年上海市居民的統(tǒng)計生命價值為351萬元,進(jìn)而得到2017年36個城市居民的統(tǒng)計生命價值。

(3)

式中:VSLAY--評估年份居民PM2.5污染風(fēng)險相關(guān)的VSL值;

VSLBase--基準(zhǔn)年居民PM2.5污染風(fēng)險相關(guān)的VSL值;

IAY--評估年居民人均可支配收入;

IBase--基準(zhǔn)年居民人均可支配收入;

e--彈性系數(shù)。當(dāng)參照城市的人均可支配收入大于目標(biāo)城市時,e取小于1的值,本研究將e值取為0.8[35]。

1.3.3 全局和局部空間自相關(guān)

全局自相關(guān)是對區(qū)域總體某屬性的空間相關(guān)或差異程度的評價[36]。用Moran’s I統(tǒng)計量來衡量全局空間自相關(guān),如式(4):

(4)

式中:W--空間權(quán)重矩陣;

使用局部Moran’s I指數(shù)來檢驗局部地區(qū)是否存在相似或相異屬性值聚集的現(xiàn)象[37]。計算如式(5)所示:

(5)

式中:Li--地區(qū)i的LISA指數(shù);

S2--研究區(qū)域PM2.5的方差。

Li>0表示屬性值相似的地區(qū)聚集,即高高聚集或低低聚集;Li<0表示屬性值相異的地區(qū)聚集,即高低聚集或者低高聚集。

1.3.4 相關(guān)性分析

采用皮爾遜(Pearson)相關(guān)來判斷PM2.5濃度與氣象因素之間的相關(guān)性。相關(guān)系數(shù)r計算如式(6):

(6)

式中:Xi、Yi--兩個具有線性關(guān)系的隨機(jī)變量X、Y的值;

i--樣本數(shù),i=1,2,…,n;

SX、SY--變量X、Y的標(biāo)準(zhǔn)差。

1.3.5 多重共線性

由于社會經(jīng)濟(jì)因素變量具有相關(guān)的共同趨勢,會產(chǎn)生多重共線性,導(dǎo)致模型估計不準(zhǔn)確或失真。本文采用容差(T)和方差膨脹因子(VIF)判斷多重共線性。判斷方法:當(dāng)0.1

1.3.6 地理加權(quán)回歸

地理加權(quán)回歸(GWR)由Brunsden,等[38]在1996年提出,模型結(jié)構(gòu)為式(7):

yi=β0(ui,vi)+∑kβk(ui,vi)Xik+εi
i=1,2,…,n

(7)

式中:(ui,vi)--第i個樣本點的空間坐標(biāo);

βk(ui,vi)--連續(xù)函數(shù)βk(u,v)在i點的值;

β0--每一個地點的常數(shù)項;

Xik--第k個因變量的第i個觀測值;

εi--隨機(jī)殘差項。

2 結(jié)果與討論

2.1 PM2.5的時空分布

基于生態(tài)環(huán)境部頒布的“關(guān)于《大氣污染防治行動計劃》實施情況終期考核結(jié)果的通報”[39],2017-2019年,考核結(jié)果為優(yōu)秀的城市中,分別有45%、50%和45%的城市未達(dá)到長江經(jīng)濟(jì)帶PM2.5年均值;考核結(jié)果為良好的城市中,分別有75%、37.5%和75%的城市未達(dá)到年均值;考核結(jié)果為合格的城市中,分別有25%、25%和12.5%的城市未達(dá)到年均值。大部分城市的PM2.5污染有所減輕,但不同年份的表現(xiàn)不盡相同,因此要根據(jù)不同地區(qū)的具體情況來制定政策標(biāo)準(zhǔn)。

長江經(jīng)濟(jì)帶2017-2019年P(guān)M2.5年均濃度分布如圖2所示,可以看出:①2017年P(guān)M2.5年均濃度超過55 μg/m3的城市是安慶、銅陵、池州、宜昌、宜賓、荊州、湖州、鄂州,至2019年已沒有城市超過55 μg/m3;②2019年P(guān)M2.5年均濃度較高的區(qū)域相較2017年明顯減少,高濃度主要分布在宜昌、銅陵、長沙等地,其余大部分地區(qū)PM2.5濃度低于47 μg/m3,空氣質(zhì)量持續(xù)好轉(zhuǎn);③PM2.5濃度總體呈現(xiàn)出中下游地區(qū)高于上游地區(qū),長江北岸大于南岸的對角空間分布格局,這可能與人口密度、經(jīng)濟(jì)情況存在較為密切的聯(lián)系。這一結(jié)論與楊冕,等[40]人的研究結(jié)果類似。

圖2 2017-2019年長江經(jīng)濟(jì)帶PM2.5年均濃度時空分布

2017年的濃度高值(55～68 μg/m3)分布在長三角城市群、成渝城市群和長江中游城市群;2018年的濃度高值(55～65 μg/m3)分布在長三角城市群;2019年的濃度高值(35～53 μg/m3)分布在3個城市群。研究發(fā)現(xiàn):①城市群的污染情況比城市更嚴(yán)重;②不同城市群PM2.5的分布特征存在顯著差異。

2.2 全局自相關(guān)與局部自相關(guān)

采用ArcGIS 10.2分別對2017-2019年長江經(jīng)濟(jì)帶城市PM2.5年均濃度進(jìn)行空間自相關(guān)檢驗。2017-2019長江經(jīng)濟(jì)帶PM2.5年均值的全局Moran’s I指數(shù)變化區(qū)間為[0.08,0.12],全部顯著為正值。表明長江經(jīng)濟(jì)帶PM2.5污染在研究期間存在穩(wěn)定的空間正相關(guān),同時空間集聚存在一定的波動性。長江經(jīng)濟(jì)帶PM2.5污染具有明顯的空間溢出效應(yīng),意味著局部PM2.5的濃度變化會影響到周邊的地理區(qū)域。因此在減少霧霾污染方面應(yīng)具有全局視野。

全局自相關(guān)不能揭示區(qū)域內(nèi)部的集聚程度與分布,因此采用局部自相關(guān)對區(qū)域內(nèi)部的集聚程度進(jìn)行分析。2017-2019年P(guān)M2.5年均濃度在空間上均呈現(xiàn)集聚態(tài)勢,但每一年的冷熱點分布情況有所區(qū)別。2017年冷點地區(qū)主要分布在南通市、蘇州市、上海市、嘉興市、寧波市、舟山市,熱點地區(qū)主要分布在合肥市、武漢市、黃岡市、鄂州市、黃石市、安慶市、池州市、咸寧市、九江市。2018年熱點地區(qū)主要分布在合肥市、南京市、揚(yáng)州市、安慶市和池州市,沒有冷點地區(qū)。2019年冷點地區(qū)主要分布在寧波市和舟山市,熱點地區(qū)主要分布在宜昌市、荊州市、武漢市、黃岡市、九江市和合肥市。這一研究結(jié)果與Yan,等[41]關(guān)于長江經(jīng)濟(jì)帶的局部自相關(guān)結(jié)果有一定的區(qū)別。

根據(jù)2017-2019年整體趨勢(圖3)可以看出,冷熱點地區(qū)會發(fā)生明顯的變化和轉(zhuǎn)移。2017年熱點地區(qū)集中在長江中游城市群,冷點地區(qū)集中在長三角城市群;2018年熱點地區(qū)集中在長三角城市群;2019年熱點地區(qū)集中在長江中游城市群,冷點地區(qū)集中在長三角城市群的寧波和舟山市。長三角外圍和長江中游地區(qū)正處于工業(yè)化加速階段,加劇了PM2.5污染的轉(zhuǎn)移與集聚。長江中下游北部受華北地區(qū)污染的影響,與本地污染源疊加,加劇了長江中下游的污染。局部自相關(guān)的研究表明:PM2.5具有流動性,高值區(qū)域相互作用,逐漸向外擴(kuò)散,影響周圍的低值區(qū)域。

圖3 2017-2019年長江經(jīng)濟(jì)帶城市PM2.5濃度年度冷、熱點空間分布

2.3 氣象因素影響

氣象條件作為一種自然因素,對顆粒物的傳播和大氣污染物的濃度起著重要作用。用SPSS軟件對2017-2019年P(guān)M2.5日濃度和每日氣象因素進(jìn)行相關(guān)性分析(表2)可知,PM2.5濃度與極大風(fēng)速的風(fēng)向、平均氣壓等呈正相關(guān)關(guān)系;PM2.5濃度與平均風(fēng)速、平均氣溫、平均相對濕度等呈負(fù)相關(guān)關(guān)系。相關(guān)性最強(qiáng)的是平均氣溫,相關(guān)性最弱的是平均氣壓。長江經(jīng)濟(jì)帶夏季風(fēng)來自南部低污染區(qū),攜帶的污染物少,對PM2.5的清除作用較為明顯;而冬季風(fēng)來自北方高污染區(qū),容易將高濃度污染物輸往長江經(jīng)濟(jì)帶,特別是長江中下游地區(qū)[41]。因此,在制定相關(guān)政策控制PM2.5濃度時要考慮氣象因素的影響。

表2 2017-2019年P(guān)M2.5濃度與氣象因素的相關(guān)性分析

2.4 控制PM2.5污染的健康及健康經(jīng)濟(jì)效應(yīng)

2017-2019年,PM2.5相關(guān)的健康收益情況如表3所示。避免過早死總?cè)藬?shù)有67 943人,占暴露人口的0.29%。避免死亡人數(shù)最多的是重慶市,最少的是舟山市。從城市群的角度看,長三角城市群避免的死亡人數(shù)有27 555人,占避免過早死總?cè)藬?shù)的40.56%。長江中游城市群避免的死亡人數(shù)有22 458人,占33.05%。成渝城市群避免的死亡人數(shù)有17 666人,占26%。這一現(xiàn)象可能與習(xí)近平總書記在重慶和武漢的講話中兩次強(qiáng)調(diào)“要把恢復(fù)長江生態(tài)環(huán)境放在重中之重”有關(guān)。同時,“藍(lán)天保衛(wèi)戰(zhàn)”、《長江經(jīng)濟(jì)帶發(fā)展規(guī)劃綱要》《長江經(jīng)濟(jì)帶高質(zhì)量發(fā)展規(guī)劃》《四川省和重慶市關(guān)于加強(qiáng)成渝城市群建設(shè)合作的工作備忘錄》等政策的發(fā)布,表明國家和地方政府部門制定的環(huán)境政策對改善空氣質(zhì)量具有指導(dǎo)性作用,空氣質(zhì)量改善有助于避免過早死人數(shù)。不同城市避免的過早死人數(shù)可能與暴露人口、PM2.5降低濃度有關(guān)。

杭州、舟山、嘉興、紹興、攀枝花、瀘州、宜昌、岳陽、宜賓、咸寧、鄂州、湖州等城市的表現(xiàn)情況并沒有在《行動計劃》背景下有所改善,即《行動計劃》考核結(jié)果為優(yōu)秀的城市在“藍(lán)天保衛(wèi)戰(zhàn)”下并沒有達(dá)到長江經(jīng)濟(jì)帶健康收益平均值,而南通、重慶、揚(yáng)州、南昌、九江、合肥等城市有所改善,即《行動計劃》考核結(jié)果為良好和合格的城市在藍(lán)天保衛(wèi)戰(zhàn)背景下,達(dá)到了長江經(jīng)濟(jì)帶健康收益平均值。

為了更好地分析36個城市在《行動計劃》背景下的改善情況,選擇2017年的VSL值進(jìn)行計算。根據(jù)式(2)計算的控制PM2.5相關(guān)經(jīng)濟(jì)收益可知,長江經(jīng)濟(jì)帶城市因空氣質(zhì)量改善獲取的經(jīng)濟(jì)收益為1 548.18億元。從城市群的角度分析,長三角城市群空氣質(zhì)量改善獲得的經(jīng)濟(jì)收益為558.62億元,占長江經(jīng)濟(jì)帶經(jīng)濟(jì)收益的36.08%。長江中游城市群空氣質(zhì)量改善獲得的經(jīng)濟(jì)收益為554.71億元,占長江經(jīng)濟(jì)帶經(jīng)濟(jì)收益的35.83%。成渝城市群空氣質(zhì)量改善獲得的經(jīng)濟(jì)收益為430.71億元,占長江經(jīng)濟(jì)帶經(jīng)濟(jì)收益的27.82%。不同城市群空氣質(zhì)量改善的經(jīng)濟(jì)收益不同,可能與暴露人口、PM2.5降低濃度、經(jīng)濟(jì)水平的不同有關(guān)。

從城市的角度來看,寧波、舟山、嘉興、紹興、攀枝花、瀘州、湖州、宜昌、岳陽、宜賓、咸寧、鄂州等城市并沒有在《行動計劃》背景下有所改善,而重慶、揚(yáng)州、南昌、九江、合肥等城市有所改善。PM2.5濃度、控制PM2.5的健康收益和經(jīng)濟(jì)收益的變化并不一致。如寧波、南通控制PM2.5的健康收益表現(xiàn)好,經(jīng)濟(jì)收益表現(xiàn)不好;杭州控制PM2.5的健康收益表現(xiàn)不好,經(jīng)濟(jì)收益則表現(xiàn)好。

2.5 社會經(jīng)濟(jì)影響

本研究結(jié)合相關(guān)文獻(xiàn),選擇對5種影響因素(人口密度、地區(qū)生產(chǎn)總值、城鎮(zhèn)化率、第二產(chǎn)業(yè)占比和建成區(qū)綠化覆蓋率)進(jìn)行多重共線性檢驗,分析結(jié)果如表4。根據(jù)T和VIF篩選,5種因素容差(T)在0～1之間,VIF均小于10,不存在共線性問題,所以將這5種因素都納入地理加權(quán)回歸進(jìn)行后續(xù)分析。

表4 2017-2019年多重共線性檢驗

研究首先采用SPSS對人口密度等經(jīng)濟(jì)指標(biāo)進(jìn)行單位歸一化處理。然后采用ArcGIS對人口密度、地區(qū)生產(chǎn)總值、城鎮(zhèn)化率、第二產(chǎn)業(yè)占比和建成區(qū)綠化覆蓋率對藍(lán)天保衛(wèi)戰(zhàn)實施下達(dá)到GB 3095-2012二級標(biāo)準(zhǔn)值得到的經(jīng)濟(jì)收益分布影響程度進(jìn)行分析。用影響系數(shù)衡量影響程度,影響系數(shù)越大,說明影響程度越大。系數(shù)的正負(fù)代表該影響因素是正向還是負(fù)向影響。2017-2019年的擬合優(yōu)度分別為0.50、0.45和0.67,即基于GWR模型能夠解釋2017-2019年達(dá)標(biāo)城市經(jīng)濟(jì)收益的總變異的50%、45%和67%。就調(diào)整后的影響系數(shù)(R2)而言,2019年模型的擬合度較好,GWR模型結(jié)果回歸殘差分布如圖4所示,殘差在空間上隨機(jī)分布,表明回歸殘差服從正態(tài)分布。

圖4 回歸殘差空間分布

2.5.1 人口密度

2017-2019年城市人口密度對控制PM2.5帶來經(jīng)濟(jì)收益的影響結(jié)果(圖5)表明:2017年城市人口密度對控制PM2.5帶來經(jīng)濟(jì)收益呈正相關(guān)影響,即人口密度提高,經(jīng)濟(jì)收益也提高。2018-2019年呈負(fù)相關(guān)影響,即人口密度提高,經(jīng)濟(jì)收益減少。高的人口密度通常伴隨著家庭活動的排放以及交通排放[42],故政策的制定應(yīng)針對人口密度差異制定目標(biāo)性的管控對策。對于長江經(jīng)濟(jì)帶城市群而言,控制長三角城市群的人口密度可以帶來更多的經(jīng)濟(jì)收益,控制成渝城市群的人口密度反而不能帶來經(jīng)濟(jì)收益,所以應(yīng)該重點關(guān)注長三角城市群的人口密度。

圖5 城市人口密度對控制PM2.5帶來的經(jīng)濟(jì)收益影響

2.5.2 城鎮(zhèn)化率

2017-2019年城鎮(zhèn)化率對控制PM2.5帶來的經(jīng)濟(jì)收益影響結(jié)果表明:2017年城鎮(zhèn)化率對控制PM2.5帶來的經(jīng)濟(jì)收益呈負(fù)相關(guān)影響,2018-2019年不存在負(fù)相關(guān)影響。城鎮(zhèn)化率對經(jīng)濟(jì)收益的影響系數(shù)(R2)從2017年的0.009變到2019年的0.50,成為人口密度之后第二個重要的影響因素。由于城鎮(zhèn)化率比工業(yè)化和經(jīng)濟(jì)增長對PM2.5濃度的影響更占主導(dǎo)地位,因此應(yīng)對城鎮(zhèn)化率高的城市采取適當(dāng)有效的監(jiān)管措施。如成渝城市群的城鎮(zhèn)化率對經(jīng)濟(jì)收益的影響大,所以應(yīng)該嚴(yán)格控制。

2.5.3 第二產(chǎn)業(yè)占比

2017-2019年第二產(chǎn)業(yè)占比對控制PM2.5帶來的經(jīng)濟(jì)收益影響結(jié)果表明:2017-2019年第二產(chǎn)業(yè)占比對控制PM2.5帶來的經(jīng)濟(jì)收益均存在負(fù)相關(guān)影響。第二產(chǎn)業(yè)占比在2017年的影響并不大,但在2018年和2019年逐步上升。這一結(jié)果表明仍要繼續(xù)增強(qiáng)對重污染行業(yè)的監(jiān)管,加快產(chǎn)業(yè)轉(zhuǎn)換升級,改善空氣質(zhì)量并帶來經(jīng)濟(jì)收益。同時,長三角城市群的第二產(chǎn)業(yè)占比仍需要進(jìn)一步加強(qiáng)控制。

2.5.4 地區(qū)生產(chǎn)總值

2017-2019年地區(qū)生產(chǎn)總值(GDP)對控制PM2.5帶來的經(jīng)濟(jì)收益的影響結(jié)果表明:2017年各城市GDP對控制PM2.5帶來的經(jīng)濟(jì)收益呈現(xiàn)負(fù)相關(guān),GDP越高,控制PM2.5帶來的經(jīng)濟(jì)收益越低。而2018年和2019年的情況則相反,各城市GDP對控制PM2.5帶來的經(jīng)濟(jì)收益呈現(xiàn)正相關(guān),GDP越高,控制PM2.5帶來的經(jīng)濟(jì)收益越高。GDP在2017年對經(jīng)濟(jì)收益的影響并沒有人口密度大,但在2018年成為最重要的因素。這表明,當(dāng)GDP處于一定水平之后,經(jīng)濟(jì)發(fā)展可能不會影響控制PM2.5污染帶來的經(jīng)濟(jì)收益。

2.5.5 建成區(qū)綠化覆蓋率

2017-2019年建成區(qū)綠化覆蓋率對控制PM2.5帶來的經(jīng)濟(jì)收益影響結(jié)果表明:2017年和2018年建成區(qū)綠化覆蓋率對控制PM2.5帶來的經(jīng)濟(jì)收益均存在負(fù)相關(guān)影響,2019年正相關(guān)影響最大的城市分布在成渝城市群。2017-2019年建成區(qū)綠化覆蓋率對經(jīng)濟(jì)收益的影響與其他因素相比并不大。

各因素之間對經(jīng)濟(jì)收益影響的影響系數(shù)(R2)對比分析如表5所示,人口密度、城鎮(zhèn)化率、第二產(chǎn)業(yè)占比、建成區(qū)綠化覆蓋率的影響一直在增加。2019年人口密度是影響最大的因素,其次是城鎮(zhèn)化率。說明控制人口密度高、城鎮(zhèn)化率高地區(qū)的空氣質(zhì)量可以帶來更多的經(jīng)濟(jì)收益。

表5 2017-2019年各因素影響系數(shù)(R2)對比

3 政策建議

根據(jù)不同地區(qū)大氣資源環(huán)境特征,分區(qū)域治理大氣污染至關(guān)重要?；诮】到?jīng)濟(jì)驅(qū)動特點,將長江經(jīng)濟(jì)帶分3個城市群進(jìn)行針對性治理。

a) 嚴(yán)格控制長三角城市群人口密度以及第二產(chǎn)業(yè)占比,增強(qiáng)對重污染行業(yè)的監(jiān)管。

b) 推進(jìn)成渝城市群的大氣環(huán)境統(tǒng)籌治理,優(yōu)化城鎮(zhèn)化發(fā)展模式與空間布局規(guī)劃。

c) 推動長江中游城市群重點行業(yè)大氣污染治理,基于重點城市(宜昌市、荊州市、武漢市、黃岡市、九江、咸寧、黃岡、黃石、鄂州等)差異化的人口密度和城鎮(zhèn)化率,制定針對性政策。同時也要考慮氣象因素對3個城市群的影響,根據(jù)氣象資源狀況制定差異化的層次PM2.5減排目標(biāo),不建議“一刀切”。

4 結(jié)論

長江經(jīng)濟(jì)帶在藍(lán)天保衛(wèi)戰(zhàn)實施期間PM2.5污染有所緩解,但不同地區(qū)的污染情況不盡相同,宜昌、銅陵、長沙等城市PM2.5污染較為嚴(yán)重?！八{(lán)天保衛(wèi)戰(zhàn)”的實施有效避免了67 943人的過早死亡,帶來經(jīng)濟(jì)收益1 548.18億元。由于PM2.5污染情況、人口暴露情況、社會經(jīng)濟(jì)條件存在差別,各個城市群控制PM2.5污染帶來的健康經(jīng)濟(jì)收益存在很大差別。長三角城市群避免的過早死人數(shù)、控制PM2.5污染帶來的經(jīng)濟(jì)收益最多。因此決策者在制定大氣污染控制政策時也要考慮人口密度、城鎮(zhèn)化率等因素對健康經(jīng)濟(jì)收益的影響。

未來的研究可以將呼吸系統(tǒng)、循環(huán)系統(tǒng)疾病等納入疾病終端,相對增加研究區(qū)域,減少樣本量數(shù)據(jù)略少帶來的問題。暴露人口進(jìn)一步細(xì)分為城鎮(zhèn)人口、農(nóng)村人口或者按年齡分類。不同城市PM2.5污染、居民健康和經(jīng)濟(jì)發(fā)展水平之間復(fù)雜的影響機(jī)制也是未來的研究重點。