基于PSR模型的上海市雾霾影响因素空间差异分析

盛小星, 叶春明



基于PSR模型的上海市雾霾影响因素空间差异分析

盛小星, 叶春明*

上海理工大学管理学院, 上海 200093

首先阐述城市雾霾影响因素的PSR(Pressure-State-Response)概念系统, 然后将PSR框架引入到城市雾霾影响因素评价指标体系中, 采用主成分分析法对评价指标进行赋权, 对上海市7个区的雾霾影响因素空间差异水平进行评价。结果显示: ①上海市雾霾影响因素得分有两个明显的区域差异, 区位人口、经济压力、绿地覆盖率造成的浦东新区与其余6个区之间的差异大以及黄浦区的SO2、NO2、PM2.5的日均浓度比除浦东新区之外的其余5个区少; 同时得出状态层以及响应层中的PM2.5、SO2和绿地覆盖率指标对城市雾霾影响显著; ②利用SPSS17.0进行相关性分析, 得出上海市雾各区霾影响因素与其PSR系统协调度呈正相关。说明各地区的影响因素对各地区的影响越大, 其协调度基本也越高。

PSR; 雾霾影响因素; 主成分分析法; 空间差异

1 前言

近年来, 雾霾对人们生活的影响日趋扩大, 容易引发交通事故, 空气质量下降等诸多问题。2013年1月, 全国出现大面积雾霾现象, 成为城市生活的极大隐患。刘鸿志[1]认为雾霾的影响不容忽视, 因此对于雾霾影响因素的研究, 对于进一步了解雾霾成因及日后的治理防范工作有着重要的意义。目前国内外对雾霾研究比较重视, 相关学者从不同方面对雾霾进行了深入研究。国外学者GIULIANELLI L[2]、HERCKES P[3]等对雾霾的化学组成进行了详细研究, ROSMERI P, ROCHA DA[4]对雾霾气候特征的模拟, WANG Youliang[5]对不同地点雾霾的比较、JEREMY P[6]等对雾霾事件的评估。国内学者主要对雾霾的气候特征[7–8]、成因[9–11]、治理对策研究[12–14], 也说明了雾霾对于城市发展影响的重要性。通过对雾霾的影响因素进行研究分析, 国外学者WILLIAM R C[15]通过对层积云与雾霾动力学机制影响雾霾形成, 国内学者主要是通过分析颗粒物影响源和细微粒子[16–17]、雾霾主要污染物[18]、同时运用统计分析方法[19–20]、不同气候因素[21]等分析了雾霾影响因素, 尚无对城市雾霾影响因素的系统分析, 因此, 本文以上海市7个区为研究对象, 通过PSR框架建立城市雾霾影响因素评价指标体系, 利用PSR模型中人与自然平衡系统, 综合全面的分析了关于城市雾霾的影响因素以及各区空间差异分析。

2 研究区简介及数据来源

上海是中国第一大城市, 在经济、交通、科技、工业、金融、航运等方面在全国处于领先水平, 但同样受到雾霾的影响, 因此, 对于上海市雾霾影响因素的研究具有重要的现实意义。本文以上海市杨浦区、浦东新区、虹口区、静安区、黄浦区、普陀区、徐汇区7个区为研究对象, 采用2013年上海市7个区的空气监测数据以及上海市2014年统计年鉴和统计公报上的指标数据, 分析上海市各区雾霾影响因素, 同时对各区影响因素空间差异进行分析, 为上海市雾霾治理提供参考建议。

3 评价模型构建

3.1 PSR框架与雾霾影响因素

经济合作组织(OECD)最早提出“压力-状态-响应”框架, 并且应用于世界环境状况研究的评价模型中[22]。其基本概念是人类行为活动对于自然环境的压力, 改变了自然环境的状态, 从而影响管理者对社会经济和环境的响应。PSR模型能有效反映雾霾的影响因素, 首先, 人口、经济的增长对于雾霾形成产生压力; 在这种压力的驱动下, 城市雾霾影响因素会表现为PM10、PM2.5、SO2、NO2等气体状态; 最后, 管理者会针对雾霾压力而采取相应的措施。近年来, PSR模型被广泛应用于土地集约利用研究[23–24]、生态安全评价[25–28]、资源可持续利用[29]等领域。PSR框架(图1)阐明了城市雾霾影响因素中人与自然之间的相互作用关系, 有效地揭示了各因素对雾霾的影响。

3.2 评价指标体系的构建

本文借鉴根据相关学者研究[20,30], 选取雾霾影响因素的“压力”层和“响应”层指标; 借鉴文献[31]选取雾霾影响因素的状态层指标。通过专家咨询的方法筛选指标体系, 见表1, 有3个子系统和8个指标因子。

表1 雾霾影响因素评价指标

3.3 数据标准化

由于不同指标间存在量纲差异, 为了使数据具有可比性, 采用标准差标准化法对评价指标进行标准化处理, 标准化公式为:

3.4 主成分分析法的评价因子得分

本文以上海市7个区为研究对象, 以表1中7个指标标准化后的数值构建矩阵, 采用SPSS17.0软件对数据进行处理, 计算出矩阵的特征根和相应的方差贡献率, 再通过特征根的方差贡献率和累计方差贡献率来选取主成分, 并得到因子提取结果和因子回归系数, 通过因子回归系数, 计算出各因子得分, 公式[32]为:

(3)

综合各个因子得分, 得出每个样本地区的综合得分, 公式为[35]:

(6)

3.5 PSR系统的协调度分析

雾霾对城市的影响是一个持续、动态的过程, 而雾霾影响因素要通过反复的观察研究才能得以确立。PSR模型能有效说明一定时期内城市雾霾影响因素中人与自然的相互作用关系。通过对雾霾影响因素的压力、状态、响应各个子系统的分析, 有效调整城市雾霾治理的措施方案。为了减少压力、状态、响应各个子系统的偏颇对城市雾霾影响因素产生影响, 保持各个子系统变化速率相互均衡, 引入协调度函数, 判断压力、状态、响应各个子系统的协调状况。公式[36]为:

4 实证研究——以上海市为例

4.1 上海市雾霾影响因素评价

近些年来, 中国经济飞速发展, 上海作为中国金融中心, 城市发展尤为迅速, 工业发展更为迅猛。但城市的发展同样会带来诸多环境问题, 而上海市近几年雾霾比较严重, 因此对于雾霾影响因素的研究就显得非常重要。上海市区划众多, 但由于数据来源有限, 因此本文以上海市7个典型区为样本, 以8个二级指标标准化后的数据为变量构造矩阵, 采用SPSS17.0统计分析软件进行数据处理, 计算出矩阵相应的特征值和方差贡献率(表2)

提取方法: 主成分分析法

根据表2, 由特征根大于1的原则选取主成分, 可以选前2个特征根为主成分, 累计方差贡献率为93.286%, 包含原始变量中93.286%的信息。鉴于因子提取结果不能明显的反映主成分所包含的信息, 要对其正交方差最大旋转, 得出旋转后的因子提取结果和因子回归系数。并且根据公式(3)确定主成分权数,,。再通过旋转后的因子回归系数, 计算每个因子的权重(表3)

表3可以看出, 第一主成分对NO2日均值(x)、PM10日均值(x)、PM2.5日均值(x)、人均绿地面积(x)4个指标有绝对值较大的负荷系数, 反映上海市雾霾影响因素中NO2、PM10、PM2.5、人均绿地面积状态指标; 第二主成分对SO2日均值(x)、绿地覆盖率(x)3个指标有绝对值较大的负荷系数, 反映上海市雾霾影响因素中SO2状态指标和绿化状况的响应指标。根据公式(1)和公式(5), 以,为权数, 得到各个区域的综合因子得分, 根据公式(6)将其进行百分制处理, 得到上海市7个区的雾霾影响因素的最后得分; 同时根据权重、标准化值和公式(7)得到各地区协调度(表4)。

表3 旋转后的因子提取结果和因子回归系数

表4 上海市雾霾影响因素综合得分

4.2 上海市雾霾影响因素空间差异分析

4.2.1 上海市雾霾影响因素得分差异显著

(1) 上海市雾霾影响因素得分黄浦江两岸差异显著: 杨浦区、虹口区、静安区、黄浦区、普陀区、徐汇区与浦东新区雾霾影响因素综合得分差异显著, 徐汇区与浦东新区差异最大, 徐汇区雾霾影响因素得分100分, 浦东新区雾霾影响因素得分60分, 徐汇区得分是浦东新区的1.67倍。究其原因, 主要是徐汇区等6个区的人口、经济对雾霾所带来的压力远大于浦东新区, 浦东新区面积大, 人口密度小, 且相比其他六个区毗邻闵行、长宁等区域, 各区经济发展也相对较好, 相互影响作用大; 浦东新区绿化覆盖状况相比其他六个区有较大的优势, 说明浦东新区绿化状况弱化了浦东新区雾霾的影响; 同时浦东新区东临东海, 有较大的地理优势, NO2、PM10、PM2.5日均浓度明显低于其他六个区是浦东新区雾霾影响因素得分低的原因, 反之, 说明了其他六个区雾霾受这些因素影响较大。

(2) 密集区内部得分凸显差异: 除下浦东新区, 其余六区中, 黄浦区综合得分明显低于其他五个区, 只有73.70分, 说明黄浦区的雾霾因素影响程度低于其他五个区, 主要原因是黄浦区SO2、NO2、PM2.5的日均浓度比其他五个区相对较少, 同时说明了这些因素对区域雾霾的影响相对较大, 从而导致区域间的显著化差异。

4.2.2 状态层及压力层是影响城市雾霾的主要因素

在上海市雾霾影响因素研究体系中, 首先以PM10、PM2.5、SO2、NO2为组成部分的状态层指标权重在所有指标中占86.8%, 指标的数量也比较多, 从因子权重可以看出状态层对城市雾霾影响因素最大, 尤其是PM2.5、SO2权重影响最大, 说明PM2.5、SO2是所有指标中对城市雾霾影响最大的因素, 同时反映了在上海市经济发展中, 工业经济带来的PM2.5、SO2等污染物对上海市雾霾有着极其重要的影响, 因此应该减少工业气体的排放; 其次响应层中绿地覆盖率的权重仅次于SO2的权重, 说明管理者在考虑治理上海市雾霾过程中, 认识到城市绿地覆盖对城市雾霾的影响以及雾霾治理有着重要的作用。

4.2.3 上海市雾各区霾影响因素与其PSR系统协调度呈正相关

如表5所示, 上海市各区雾霾影响因素与其PSR系统协调度呈正相关, 相关系数为0.909, 各地区的影响因素对各地区的影响越大, 其协调度基本也越高。从表4得知, 普陀区的协调度最高, 浦东新区协调度最低, 说明了普陀区受雾霾影响最大, 浦东新区受雾霾影响最低。

PSR协调指标有效反映了城市雾霾中压力、状态、响应指标间的关系, 从上海市7个区的协调度可以看出, 普陀区和杨浦区雾霾影响因素中协调度水平较高, 但其他五个区与这两个区之间协调度水平相差不是很大, 说明上海市各区之间雾霾影响因素的协调度水平相近, 总体来说雾霾影响较大。

表5 综合得分与协调度的相关性

5 结论

PSR系统反映的是人类社会与自然的关系, 城市雾霾的形成是人与自然作用的结果, 通过构建基于人与自然关系的PSR评价模型, 分析得到上海市各区之间雾霾影响因素的得分差异, 浦东新区和黄浦区相较其他区得分偏低, 所受雾霾影响较低; 反映各区雾霾影响程度的协调度水平说明上海市各区受雾霾影响都较大; 状态层中的PM2.5、SO2指标和压力层中的绿地覆盖率指标对上海市雾霾影响显著, 应减少PM2.5、SO2排放, 加大对城市绿地的管理, 有效促进上海市雾霾的治理。

[1] 刘鸿志. 雾霾影响及其近期治理措施分析[J]. 专家观点, 2013, 41(15): 30–32.

[2] GIULIANELLI L, GILARDONI S, TAROZZI L, et al. Fog occurrence and chemical composition in the Povalley over the last twenty years[J]. Atmospheric Environment, 2014, 98: 394–401.

[3] HERCKES P, MARCOTTE A R, WANGA Y, et al. Fog composition in the Central Valley of California over three decades[J]. Atmospheric Research, 2015, 151: 20–30.

[4] ROSMERI P, ROCHA DA, GONCALVESF L T, et al. Fog events and local atmospheric features simulated by regional climate model for the metropolitan area of São Paulo, Brazil[J]. Atmospheric Research, 2015, 151: 176–188.

[5] WANG Youliang, ZHANG Jinwei, MARCOTTEA A R, et al. Fog chemistry at three sites in Norway[J]. Atmospheric Research, 2015, 151: 72–81.

[6] JEREMY P, AURORE P, ADRIAN L. An observational case study of persistent fog and comparison with an ensemble forecast model[J]. Boundary-Layer Meteorol, 2015, 155: 301–327.

[7] 王静, 施润和, 李龙, 等. 上海市一次重雾霾过程的天气特征及成因分析[J]. 环境科学学报, 2015, 35(5): 1537–1546.

[8] 吕效谱, 成海容, 王祖武, 等. 中国大范围雾霾期间大气污染特征分析[J]. 湖南科技大学学报(自然科学版), 2013, 28(3): 104–110.

[9] 孟兆佳, 岳晓宁, 王东政, 等. 基于多层回归分析城市雾霾成因模型[J]. 沈阳大学学报(自然科学版), 2015, 27(2): 139–142.

[10] 魏嘉, 吕阳, 付柏淋. 我国雾霾成因及防控策略研究[J]. 环境保护科学, 2014, 40(5): 51–55.

[11] 刘翠, 薛科社. 西安市雾霾天气成因及治理措施分析[J]. 地下水, 2013, 35(3): 220–221.

[12] 王雨田, 李卫东. 城市中雾霾的形成机理及其对策研究[J]. 合作经济与科技, 2015, 22(2): 30–32.

[13] 李霁娆, 李卫东. 基于交通运输的雾霾形成机理及对策研究–以北京为例[J]. 经济研究导刊, 2015, 11(4): 147–150．

[14] 张军英, 王兴峰. 雾霾的产生机理及防治对策措施研究[J]. 环境科学与管理, 2013, 38(10): 157–165.

[15] WILLIAM R C, BRYANB G, HEEVER S D. Fogs and stratocumulus clouds[J]. International Geophysics, 2011, 99: 179–242.

[16] 王珏, 孟维宸, 张奇漪, 等. 南京市灰霾期间颗粒物污染的主要影响源识别[J]. 环境保护科学, 2012, 38(4): 6–11.

[17] 吴兑, 邓雪娇, 毕雪岩, 等. 细粒子污染形成灰霾天气导致广州地区能见度下降[J]. 热带气象学报, 2007, 23(1): 1–6.

[18] 胡旭莹. 天津市灰霾污染影响因素及机理研究[D]. 天津: 河北工业大学, 2013: 1–72.

[19] 倪洋, 涂星莹, 朱一丹, 等. 北京市某地区冬季大气细颗粒物和超细颗粒物污染水平及影响因素分析[J]. 北京大学学报(医学版), 2014, 46(6): 389–398.

[20] 冯少荣, 冯康巍. 基于统计分析方法的雾霾影响因素及治理措施[J]. 厦门大学学报(自然科学版), 2015, 54(1): 114–121.

[21] 程婷, 魏晓弈, 翟伶俐, 等. 近50年南京雾霾的气候特征及影响因素分析[J]. 环境科学与技术, 2014, 37(6): 54–61.

[22] DRIAANSE A. Environmental policy performance indicators. A Study on the Development of Indicators for Environmental Policy in the Netherlands[J]. Uitgeverij, The Hague, 1993.

[23] 冯科, 吴次芳, 刘勇. 浙江省城市土地集约利用的空间差异研究–以PSR与主成分分析的视角[J]. 中国软科学, 2007, 30(2): 102–108.

[24] 朱一中, 曹裕. 基于PSR模型的广东省城市土地集约利用空间差异分析[J]. 经济地理, 2011, 31(8): 1375–1380.

[25] PEI Liang, DU Liming, YUE Guijie. Ecological security assessment of Beijing based on PSR model[J]. Procedia Environmental Sciences, 2010(2): 832–841.

[26] 杨志, 赵冬至, 林元烧. 基于PSR模型的河口生态安全评价指标体系研究[J]. 海洋环境科学, 2011, 30(1): 139–142．

[27] 彭建, 吴健生, 潘雅婧, 等. 基于PSR模型的区域生态持续性评价概念框架[J]. 地理科学进展, 2012, 31(7): 933–939.

[28] BAI Xiaorui, TANG Jingchun. Ecological security assess­ment of Tianjin by PSR model[J]. Procedia Environmental Sciences, 2010(2): 881–887.

[29] 谢花林, 刘曲, 姚冠荣, 等. 基于PSR模型的区域土地利用可持性水平测度–以鄱阳湖生态经济区为例[J]. 资源科学, 2015, 37(3): 439–456.

[30] 施益强, 王坚, 张枝萍. 厦门市空气污染的空间分布及其与影响因素空间相关性分析[J]. 环境工程学报, 2014, 8(12): 5406–5412.

[31] 彭应登. 北京近期雾霾污染的成因及控制对策分析[J]. 工程研究–跨学科视野中的工程, 2013, 5(3): 233–239.

[32] 余建英, 何旭宏. 数据统计分析与SPSS应用[M]. 北京:人民邮电出版社, 2005: 292–299.

[33] 陆屹, 朱永杰. 工业经济效益评价研究––基于主成分分析和聚类分析[J]. 技术经济, 2011, 30(3): 65–66.

[34] 黎磊. 基于PSR模型的城市土地集约利用评价-以成都市为例[J]. 绵阳师范学院学报, 2014, 33(2): 116–122.

[35] 缪仁炳, 徐朝晖. 信息能力国际比较的主成分分析法[J]. 数理统计与管理, 2002, 21(2): 1–5.

[36] 史丽君, 张绍良, 王浩宇, 等. 基于PSR框架的徐州市城市土地集约利用评价研究[J]. 国土与自然资源研究, 2006(1): 4–5.

Analysis on spatial difference of influencing factors of haze in Shanghai based on PSR model

SHENG Xiaoxing, YE Chunming*

Business School, University of Shanghai for Science and Technology, Shanghai 200093, China

On the basis of in-depth analysis of the concept PSR (Pressure-State-Response) system which deals with the influencing factors of haze in urban area, the authors have introduced PSR framework to the evaluation index system of urban haze influencing factors and the empowered evaluation index by the method of principal component analysis to evaluate spatial difference levels of haze influencing factors among seven districts in Shanghai. The result shows that: ① there are two obvious regional differences found from the score of influencing factors of haze in Shanghai; one is the difference between Pudong New District and the other six districts caused by regional population, economic pressure, green coverage rate; the other one is the daily average concentrations of SO2, NO2, PM2.5in Huangpu District relatively less than the other five districts except Pudong New District. PM2.5, SO2and green coverage indicators infect the urban haze significantly in state and response layer. ②The correlation analysis using SPSS17.0 shows that the influencing factors of haze in shanghai and its coordination degree of the PSR system are positively correlated, which means that basically the greater impact of influencing factors happened in each district, the higher of its coordination degree.

PSR; haze; principal component analysis; spatial differences

10.14108/j.cnki.1008-8873.2017.02.013

X821

A

1008-8873(2017)02-087-06

2015-09-30;

2015-10-27

上海市哲学社会科学规划项目(2014BGL024); 上海市一流学科项目资助(S1201YLXK)

盛小星(1991—), 男, 江西宜春人, 硕士研究生, 主要从事城市生态管理研究, E-mail: shengxxying@163.com

叶春明(1964—), 男, 安徽宣城人, 教授, 博士生导师, 主要从事城市生态管理及工业管理研究, E-mail: yechm6464@163.com

盛小星, 叶春明. 基于PSR模型的上海市雾霾影响因素空间差异分析[J]. 生态科学, 2017, 36(2): 87-92.

SHENG Xiaoxing, YE Chunming. Analysis on spatial difference of influencing factors of haze in Shanghai based on PSR model[J]. Ecological Science, 2017, 36(2): 87-92.