2021, Vol. 41
[PDF全文]
2. 武汉大学地理信息系统教育部重点实验室, 武汉 430079;
3. 越南自然资源与环境部气象水文与气候变化研究所, 越南河内 100000;
4. 中国环境科学研究院环境基准与风险评估国家重点实验室, 北京 100012;
5. 湖北大学资源环境学院, 武汉 430062
2. Key Laboratory of Geographic Information System, Ministry of Education, Wuhan University, Wuhan 430079;
3. Vietnam Institute of Meteorology Hydrology and Climate Change, Ministry of Natural Resources and Environment, Hanoi City, Vietnam 100000;
4. State Key Laboratory of Environmental Criteria and Risk Assessment, Chinese Research Academy of Environmental Sciences, Beijing 100012;
5. Faculty of Resources and Environmental Science, Hubei University, Wuhan 430062
细颗粒物(PM2.5)是易于远距离乃至跨境传输、对公众健康具有重大影响的代表性空气污染物(Chen et al., 2013; Steinle et al., 2015; 王晓琦等, 2016).近年来, 国际及国内贸易中隐含的PM2.5转移问题越来越受到国内外学者的关注(Zhang et al., 2017; 吴乐英等, 2017), 富裕消费国通过贸易为贫穷的受影响国家增加了经济产值, 但同时也通过空气污染造成不可忽视的经济和健康损失(Nansai et al., 2020).中国在2013年提出“一带一路”倡议以来, 已有138个国家和30个国际组织加入其中.“一带一路”沿线国家的经济发展呈现出“高增长、高排放、高能耗”粗放式的特征(葛鹏飞等, 2018), 其中, 空气污染是这些国家普遍面临的问题.因此, 在开拓“一带一路”沿线国家贸易网络的同时, 严控包括空气质量在内的环境问题, 实现参与国的可持续发展, 是该倡议成败的关键性因素之一.
很多学者已对“一带一路”沿线国家与城市的PM2.5污染开展了大量研究, 发现全球PM2.5污染在2000—2008年的最大来源是中国东部和印度北部(Kurokawa et al., 2013; van Donkelaar et al., 2015), 但从1999—2014年, 孟加拉国和缅甸的PM2.5增长率都高于印度(Shi et al., 2018).2013—2017年, 中国PM2.5浓度的减少导致因长期接触其而过早死亡的人数减少14%(Xue et al., 2019).在中东欧和中亚, PM2.5浓度升高对居民死亡率上升、预期寿命降低有显著作用, 进一步验证了环境库兹涅茨曲线假设的有效性(Sarkodie et al., 2019).与上述分国别分区域的研究成果相比, PM2.5作为跨国乃至洲际的重要环境要素, 在“一带一路”整体研究中其成果相对较少.有学者将PM2.5浓度作为一项指标, 用于评估“一带一路”沿线50个国家的能源投资风险(Duan et al., 2018).有人发现能源强度和人均用电量是“一带一路”沿线国家PM2.5浓度变化的主要驱动因素, 森林面积的扩大可以显著降低PM2.5浓度(Fang et al., 2020).然而, 对于“一带一路”沿线国家PM2.5污染的人口暴露风险及其时空差异性这一重要问题, 却尚未见研究.
对大区域PM2.5时空格局的研究, 目前普遍使用25~50 km空间分辨率的年际数据和长时间序列数据集(Peng et al., 2016).高空间分辨率、长时间序列的PM2.5监测数据较难获取, 导致详细分析大尺度空间全覆盖的PM2.5浓度长期变化的成果较少(Bai et al., 2019).基于此, 本文以“一带一路”沿线65个国家为研究区域, 利用大尺度、高精度(空间分辨率为0.01°×0.01°)、长时间序列(1999—2016年)的PM2.5浓度遥感反演数据, 并以地面PM2.5监测站点数据进行验证, 研究“一带一路”沿线各国的PM2.5浓度时空动态变化趋势, 讨论不同国家和地区对“一带一路”全区域PM2.5污染的贡献, 在此基础上匹配高精度人口网格数据并利用人口暴露指数、趋势分析和Hurst指数, 评估与预测“一带一路”沿线国家PM2.5暴露对人群健康风险的影响, 分析其时空分布特征.以期为化解“一带一路”倡议中存在的生态环境风险、推进我国国际贸易的健康发展提供参考.
2 数据来源与研究方法(Data sources and research methods) 2.1 研究区域“一带一路”倡议旨在连点成线到面, 寻求区域一体化的经济合作, 带动沿线国家经济繁荣.随着该倡议实施与落实, 今后参与或开展合作的国家还会增加.本文根据《“一带一路”沿线国家经济社会发展报告》(胡必亮等, 2017), 选择2017年及之前加入该倡议的欧亚非大陆共65个国家为研究区域(表 1).
| 表 1 本文研究区域 Table 1 The list of 65 BRI nations in study area |
 |
本文使用1999—2016年的0.01°×0.01°高空间分辨率年平均地面PM2.5浓度数据集(网址：http://fizz.phys.dal.ca/~atmos/martin/).该数据是Donkelaar等使用MODIS、MISR和SeaWiFS AOD产品和地球化学模型相结合计算的并用GWR方法进行校正得到的全球地表PM2.5浓度.同时将其与全球地面监测值进行样本外交叉验证, 发现反演的PM2.5浓度和地表监测PM2.5浓度高度一致, 具有显著相关性, 相关系数r值达到了0.9, 适用于大区域的PM2.5研究(van Donkelaar et al., 2016).为验证利用该数据集评估“一带一路”沿线65个国家地表PM2.5浓度的有效性, 本文选取世界卫生组织城市空气质量数据库(网址：https://www.who.int/phe/health_topics/outdoorair/databases/en/)中涉及本研究区域和时段内50个城市站点的观测数据作为样本, 与相应的PM2.5反演值进行验证.卫星反演PM2.5浓度与地面观测PM2.5浓度的具有显著相关性(r=0.87), 线性回归方程及结果见图 1, 同时残差累积概率随机分布, 总体回归可靠(R2=0.75), 满足研究数据精度需要.
 |
| 图 1 年均PM2.5卫星反演值与地面观测值的线性回归 Fig. 1 Linear regression between annual mean PM2.5 satellite-derived values and Ground-measured values |
本文使用2000—2016年分辨率为1 km(30弧秒)的全球连续地表人口分布网格数据, 该数据集由美国橡树岭国家实验室通过地理信息系统和遥感方法采用Landscan智能插值技术建模而得(网址：https://landscan.ornl.gov/landscan-datasets).在使用前, 利用ArcGIS10.6软件中的重采样分析工具将1 km×1 km的人口数据重新采样到0.01°×0.01°网格上, 并裁剪出“一带一路”沿线65个国家逐年的人口网格数据, 与PM2.5网格数据相匹配.
2.2.3 其他数据世界各国人均GDP逐年统计数据来自世界银行国民经济核算数据库(网址：https://data.worldbank.org.cn/indicator/NY.GDP.PCAP.CD?view=map).
2.3 趋势分析趋势分析的计算方法见式(1).以时间为横轴, 对PM2.5时间序列数据进行一元线性回归, 得到反映PM2.5浓度变化趋势的斜率.理论上, 如果变量平稳变化, 则该斜率很可能与变化率相似, 可以反映该组数据的变化趋势.斜率的显著正值表明PM2.5浓度有增长趋势, 而斜率的显著负值则反映了相反的趋势(Cao et al., 2018).同时运用Mann-Kendall法对完整的PM2.5浓度时间序列进行趋势检验, 可以检测到该时间序列中是否存在单调的增加或减小的趋势, 以及检测到的趋势是否具有统计学意义(时燕等, 2020).当检验统计量的绝对值≥1.96时, 表示通过了置信度95%的检验, 具有高置信水平(袁丽华等, 2013).
|
(1) |
式中, n为时间跨度, i为年份编号(1999年i取值为1), Ci为第i年的PM2.5浓度.
2.4 Hurst指数Hurst指数可基于重标极差分析时间序列数据的长期依赖性和自相关性, 定量描述其变化趋势的可持续性(龙爽等, 2020), 本文采用常用的R/S分析法, 计算方法见式(2)~(6).对于计算得到的PM2.5人口暴露风险时间序列R(i)(i=1, 2, 3, …, n), 对于任意正整数m, 定义其差分序列ΔRi、均值序列
|
(2) |
|
(3) |
|
(4) |
|
(5) |
|
(6) |
对于比值R(m)/S(m)≌R/S, 若存在关系R/S∝mH, 则说明分析的时间序列存在Hurst现象, 其中的H就是Hurst指数.Hurst指数的值域为0~1, 当H=0.5时, 表明时间序列变化呈随机型, 未来变化趋势与过去趋势无关；当0 < H < 0.5, 表明该时间序列未来变化趋势与过去趋势相反, H值越接近于0, 反持续性越强；当0.5 < H < 1, 表明时间序列变化具有持续性, 即该时间序列未来变化趋势与过去变化趋势一致, H值越接近于1, 持续性越强.
基于R/S算法的Hurst指数可用来分析PM2.5人口暴露风险的持续性特征.将PM2.5人口暴露风险的Hurst值域划分为4个等级, 其中, (0, 0.25]为强反持续性, (0.25, 0.50]为弱反持续性, (0.50, 0.75]为弱持续性, (0.75, 1)为强持续性(张亮林等, 2018).
3 结果与讨论(Results and discussion) 3.1 “一带一路”沿线国家PM2.5浓度的空间变化特征“一带一路”沿线65个国家1999—2016年PM2.5浓度年均值的空间分布见图 2.可以看出, 中国东部、南亚与东南亚等地区出现高浓度的PM2.5分布, 而在中国西部、蒙古、俄罗斯和中亚等地区PM2.5都处于较低浓度水平.结合地形分析发现, PM2.5浓度高值区(>35 μg·m-3)主要为地形平坦、人口密集的恒河平原、华北平原和中南半岛等地区.一般认为, 这些地区的工业活动、车辆排放和生活物质燃烧可能导致了严重的PM2.5污染(Ghude et al., 2016).PM2.5浓度低值区(< 10 μg·m-3)主要为高海拔、高纬度与荒漠化地区, 如青藏高原、西伯利亚、西亚卢特沙漠等, 这些地区人口稀少, 工业欠发达.PM2.5浓度中值区(10~35 μg·m-3)主要为俄罗斯西部、中东欧、沙特东部和缅甸, 2016年还出现在中国新疆和中亚部分地区.其中有从PM2.5浓度低值区增加而来的地区, 也有和欧盟国家一样实现第二产业转型成功的地区, PM2.5污染得到了控制与改善, 维持在一个较低的水平(朱增银等, 2013).
 |
| 图 2 “一带一路”沿线65个国家PM2.5年均浓度的空间分布(1999—2016年, 0.01°×0.01°) Fig. 2 Spatial distributions of annual PM2.5 concentrations in 65 BRI nations(1999—2016, 0.01°×0.01°) |
按照世界卫生组织(WHO)提出的PM2.5建议标准, 可将PM2.5浓度值大小分为5个等级, 其中, 质量准则值(AQG)等级(< 10 μg·m-3)为1级, 过渡时期目标值-3(IT-3)等级(10~15 μg·m-3)为2级, 过渡时期目标值-2(IT-2)等级(15~25 μg·m-3)为3级, 过渡时期目标值-1(IT-1)等级(25~35 μg·m-3)为4级, 浓度大于35 μg·m-3为5级.1999—2016年, “一带一路”沿线65个国家平均有59%的区域PM2.5浓度处于1级, 约17%的区域处于2级, 13%的区域处于3级, 有6%的区域处于4级, 还有超过5%的地区PM2.5浓度为5级.从整体上看, 研究区域内有1/2以上的地区处于安全的PM2.5水平, 空间分布在纬度上呈现出由“低-高-低”向“南高北低”格局演变的趋势.但这些安全水平地区大都地广人稀, 对人口暴露风险的意义相对较小.对比不同国家之间的变化, 中东欧国家最高等级4级区域占比从6.5%减少至仅0.02%, 有着明显下降趋势；其他区域的PM2.5浓度都有不同程度的上升, 中亚5国的最低等级1级区域占比从59.5%减少至50.9%；印度是受PM2.5污染最严重的国家之一, 不仅PM2.5高浓度区域分布范围广, 而且PM2.5浓度值也出现了大幅上升, 5级浓度区域比例从15.4%加剧到54.0%, 呈现出“北高南低”的格局；中国除1级区域占比从58.0%减少到39.7%外, 其余等级区域均有小幅增加, 呈“整体分散、局部集聚”和“东高西低”的分布结构.
用“一带一路”沿线65个国家PM2.5年均浓度在18年间的最大值、最小值、平均值和变异系数分别表征历年受PM2.5污染最严重程度、最轻微程度、平均水平和变化的离散程度(图 3).1999—2016年, 全区域PM2.5年均浓度的平均值为11.3 μg·m-3, 18年间最大值的平均值为16.7 μg·m-3, 18年间最小值的平均值为7.5 μg·m-3.从18年间最大浓度的空间分布看, 1~5级各浓度区面积比例分别为33.9%、27.3%、23.8%、6.4%和8.5%.相比之下, 18年间最小浓度的空间分布上, 5个等级下的面积比例分别约为78.0%、10.9%、7.3%、2.6%和1.3%.从变异系数的空间分布看, 俄罗斯东南部、蒙古北部和中国的青藏高原这些地区变异程度较大, 超过了30%.主要是因为这些区域处于低温等较为不利的气象条件下, 抑制了PM2.5垂直和水平方向上的扩散, 同时可能受周边重污染区域传输的影响, 易导致某年浓度值相对低浓度均值偏离散(王维思等, 2020).马来西亚及印度尼西亚的高变异系数则是由于农业、种植业的发展等人为因素和气候、地形等自然因素的结合, 从而导致了诸如2015年出现特别严重的雾霾, 排放了大量的PM2.5到空气中, 变异系数也随之增大(Liu et al., 2020).而印度、孟加拉国和中国东部等国家和地区由于PM2.5浓度常年处于较高水平, 其各年份的PM2.5浓度值相对均值的变异程度更小(Shi et al., 2018; Li et al., 2020).
 |
| 图 3 “一带一路”沿线65个国家PM2.5年均浓度最大值、最小值、平均值和变异系数的空间分布(1999—2016年) Fig. 3 Spatial distributions of the maximum, minimum, average and coefficients of variation of PM2.5 concentrations in 65 BRI nations (1999—2016) |
“一带一路”沿线65个国家年均PM2.5浓度的年际变化见图 4.从整体上看, 65国的年均PM2.5浓度从1999年的12.0 μg·m-3上升到2016年的14.1 μg·m-3, 年均增长超过了0.1 μg·m-3, 最大值出现在2015年, 而最小值出现在2000年；年均值符合WHO的AQG标准的国家数也从31个减少到23个, 新增的孟加拉国、印度和尼泊尔3个国家年均值高于IT-3等级标准.整个研究区PM2.5年均浓度除中东欧各国有所下降外, 其他区域呈明显上升趋势(Fu et al., 2020).从绝对值来看, 新加坡、印度和孟加拉国的增幅最大, 分别为16.3、15.6和15.6 μg·m-3；中东欧的白俄罗斯和捷克降低最多, 分别降低了5.3和4.7 μg·m-3.在相对变化方面, 1999—2016年有13个国家的PM2.5年均浓度增幅大于50%, 有11个国家减少了10%以上；其中, 马来西亚和印度尼西亚的增幅最大, 分别为200%和318%, 斯里兰卡和白俄罗斯则分别减少52%和26%.
 |
| 图 4 “一带一路”沿线65个国家年均PM2.5浓度的年际变化(1999—2016年) Fig. 4 Inter-annual variations in annual averaged PM2.5 in each country of 65 BRI nations (1999—2016) |
南亚是整个研究区域中18年间平均PM2.5年均值最高的地区, 几乎各国都有大幅上升(Shi et al., 2018).其中, 尼泊尔、孟加拉国和印度与东南亚的老挝、泰国是整个“一带一路”沿线65国中PM2.5污染最严重的5个国家.中亚5国的PM2.5浓度维持在较低水平, 塔吉克斯坦PM2.5浓度年均值最高, 吉尔吉斯斯坦的增加幅度最大, PM2.5污染有进一步加重的趋势(Fang et al., 2020).西亚各国PM2.5浓度年均值皆小于20 μg·m-3, 但阿联酋、卡塔尔和巴林这些国家的PM2.5浓度增幅较大, 这是因为当地经济增长严重依赖于对环境PM2.5浓度贡献很大的石油开采和石化工业(Shahsavani et al., 2012).中东欧各国的PM2.5浓度年均值下降明显, 整体也处于较低水平, 捷克、波兰和斯洛伐克是该区域PM2.5浓度高值的主要贡献国.非洲的埃及在18年间PM2.5平均浓度仅为5.5 μg·m-3, 相对增长了27.8%, 拥有健康的空气环境.
“一带一路”沿线65国PM2.5浓度变化趋势的空间分布见图 5.整体上看, 72.3%的区域没有发生PM2.5浓度年际显著变化, 22.5%的区域呈明显增加趋势, 仅5.2%的区域呈现下降趋势.在这18年间, PM2.5浓度变化趋势均值为0.3 μg·m-3, 介于-1.1~2.1 μg·m-3之间, 整个区域PM2.5浓度年际变化趋势呈现出明显的空间分布差异.中东欧大部分地区PM2.5浓度稳定, 部分地区呈下降趋势.然而, 中国和印度的大部分地区都属于增长型, 且印度的恒河平原、中国的华北平原和东北平原是PM2.5浓度快速上升的中心, 局部地区每年增长超过1.5 μg·m-3(Cao et al., 2018).印度中部和东部地区PM2.5浓度的年增长率也高达0.5 μg·m-3以上, 其中, 孟加拉国在整个“一带一路”沿线国家中增长趋势最明显, 全国的PM2.5浓度年增长均超过1.0 μg·m-3.同时, 东南亚地区的PM2.5浓度也呈显著上升趋势, 其中, 缅甸虽然PM2.5浓度不高, 但几乎全国都呈增长趋势, 该国应警惕空气进一步污染的现象；印度尼西亚的西部每年PM2.5浓度增加值甚至超过了1.5 μg·m-3.中亚和西亚的PM2.5年际变化相对稳定, 其中, 里海的东部是研究区域内PM2.5浓度下降幅度最大的地区.
 |
| 图 5 “一带一路”沿线65个国家PM2.5浓度变化趋势的空间分布(p < 0.05, 1999—2016年) Fig. 5 Spatial distributions of annual trends in PM2.5 concentrations of 65 BRI nations (p < 0.05, 1999—2016) |
结合长时间序列的PM2.5浓度数据和网格化的人口数据, 分析了2000—2016年暴露在不同PM2.5浓度下的人口累积百分比(图 6).结果发现, 2000—2016年, 人口累积曲线明显向右移动, 这表明超过各级限值的暴露人口累计百分比在研究期间有明显增大的趋势, 越来越多的人口遭受了更严重的PM2.5污染.2000年“一带一路”沿线国家中有83.8%的人口生活在PM2.5浓度年平均值为10 μg·m-3以上的环境中, 有18.9%的人口所生活的环境PM2.5浓度年平均值在35 μg·m-3以上, 仅0.8%的人口暴露在75 μg·m-3以上的环境中.而到2016年, “一带一路”沿线国家中有90.2%的人口生活在PM2.5浓度年平均值为10 μg·m-3以上的环境中, 有41.9%的人口所生活的环境PM2.5浓度年平均值在35 μg·m-3以上, 竟有8.6%的人口暴露在75 μg·m-3以上的环境中.2000—2016年整个区域的低PM2.5浓度暴露人口占比下降较多, 高PM2.5浓度暴露人口增加迅速, 35 μg·m-3以上暴露人口数从7.3亿增至18.9亿, 仅暴露在45~65 μg·m-3区间内的人口数就从2.3亿增长到6.6亿.
 |
| 图 6 “一带一路”沿线65个国家不同PM2.5浓度的累积人口暴露(2000—2016年) Fig. 6 Changes in the proportion of the population exposed to different concentrations of PM2.5 in 65 BRI nations (2000—2016) |
结合研究区域人口密度的空间分布(图 7a), 得出各国不同PM2.5浓度等级下的面积、人口比例的演化过程(图 7b和7c).2000—2016年, 1级浓度下的土地面积占比从65%下降到50%, 但仍有1/2左右的区域达到了WHO空气质量指南中的高标准(AQG)；2级、3级和4级浓度下的土地面积变化很小, 呈不同程度的增加；5级浓度下的暴露面积不断上升, 占比从2.2%扩散到7.2%, 说明越来越多的地区PM2.5浓度超过了WHO的第一阶段临时目标, 并没有实现区域空气质量改善.在人口累积比方面也发生了显著变化, 暴露人口最大百分比所在的PM2.5浓度等级从2000年的第3级转变为2016年第5级, 42%的人口暴露在PM2.5浓度为35 μg·m-3以上的环境中.同时, “一带一路”沿线65个国家的总人口数从2000年的38.6亿激增至2016年的45.2亿, 增长了17%, 而人口激增的区域PM2.5污染通常不容乐观, 更多的人口也将导致更大的污染, 这种恶性循环令居民的健康受到了严重威胁.该结果进一步说明18年间, 研究区域的PM2.5高值区在扩散, 即越来越多的地区PM2.5浓度升高, 同时高污染区域的居住人口呈增长趋势.
 |
| 图 7 “一带一路”沿线65个国家平均人口密度的空间分布(a)与不同PM2.5浓度等级下的面积(b)、人口比例(c)(2000—2016年) Fig. 7 Spatial distribution of average population density in 65 BRI nations (a) and the proportion of the area (b) and population (c) under different PM2.5 concentration grades (2000—2016) |
为探究PM2.5污染分布在不同国家和地区对人体健康造成的威胁程度, 将PM2.5暴露造成的健康风险定义为PM2.5浓度和人口密度的乘积, 并分为4个等级(Peng et al., 2016).结果表明(图 8), 人口暴露高风险区与PM2.5浓度高值区的分布并非完全一致, 存在明显的空间错位.2000年在波兰南部、哈萨克斯坦西部及泰国北部等区域有高浓度PM2.5分布, 但其人口暴露风险却很低；2016年俄罗斯中部及西部、中国新疆和中亚等地区PM2.5浓度有明显上升, 但因人口密度较小, 仍为低人口暴露风险区.从2000—2016年, 研究区域暴露风险平均值从665.2增加至1140.4, 超高风险地区明显扩大, 健康风险增加.从区域分布来看, 与中东欧、西亚和中亚各国相比, 南亚、东南亚各国和中国面临着更高等级的暴露风险, 高和超高风险等级区域分布在PM2.5浓度和人口密度都很高的地方, 表现出很强的空间聚集性, 主要分布在巴基斯坦东部、中国的华北平原和四川盆地, 以及印度、孟加拉国.孟加拉国只有约20.3%的地区为低暴露风险区, 暴露风险值从2000年的26881.1增加到2016年的47093.0, 大部分的地区长期处于超高暴露风险, 是“一带一路”区域国民健康受到威胁最严重的国家.同期, 中国的高和超高暴露风险等级区域面积占比从9.2%上升到10.2%, 全国平均暴露风险值也从2496.3升至3932.6；而印度的暴露风险值从8411.8增长到17485.3, 暴露风险值增加了1倍以上.同时, 其他人口稠密的各大城市也存在高和超高风险等级区域的零星分布, 如雅加达、吉隆坡、河内、曼谷、开罗、德黑兰、莫斯科、弗罗茨瓦夫等城市.
 |
| 图 8 “一带一路”沿线65个国家PM2.5人口暴露风险空间分布(2000—2016年) Fig. 8 Spatial distribution of population exposure risk to PM2.5 in 65 BRI nations(2000—2016) |
“一带一路”沿线65个国家PM2.5人口暴露风险变化趋势及Hurst指数分布见图 9.2000—2016年“一带一路”沿线65国大部分区域PM2.5人口暴露风险基本不变, 这部分区域面积占比达到了65.2%, 风险增大区域面积小于风险减小区域面积.其中, 风险增大地区总面积占到了11.9%, 主要分布在南亚、东南亚；风险减小地区总面积占到了22.9%, 主要分布在欧洲和中国中部.结合前文发现, 研究区PM2.5人口暴露风险值整体增加近1倍的主要原因是PM2.5污染严重区域暴露风险绝对值的增加量远大于暴露风险下降区域的减少量, 而并非研究区的PM2.5人口暴露风险大范围增加.可预测区中Hurst总体均值为0.59, 其中大于0.5的持续性区域占82.3%, 持续性特征以弱持续性为主(图 9b), 表明研究区PM2.5人口暴露风险的未来变化趋势可能与2000—2016年间变化趋势大体一致.因此, 欧洲大部分国家的暴露风险变化将为持续降低的趋势, 南亚大部分国家仍将保持暴露风险上升趋势.
 |
| 图 9 “一带一路”沿线65个国家PM2.5人口暴露风险变化趋势(a)及Hurst指数分布(b)(2000—2016年) Fig. 9 Distribution of trend and Hurst index of population exposure risk to PM2.5 in 65 BRI nations (2000—2016) |
由于人均GDP可更准确地刻画各国的经济发展水平(李鹏涛, 2017), 引入人均GDP的三次方项, 设定基本模型为Y=α+β1X+β2X2+β3X3, 其中, Y为各国平均PM2.5浓度, X为人均GDP水平, α为常数项, β为估计系数(朱炜歆等, 2020), 各国的环境库兹涅茨(EKC)曲线拟合结果如表 2所示.
| 表 2 “一带一路”沿线各国PM2.5浓度与人均GDP拟合结果 Table 2 Fitting results of PM2.5 concentration and per capita GDP in different BRI countries |
|
本文结合研究区域内各国不同的经济和环境发展类型(表 2)和人口暴露风险Hurst指数分布结果, 提出以下可能的控制措施：
由于各国经济发展所处阶段的变换, 经济增长在某些时点上对空气质量产生负向影响, 进而又在另一些时点上产生正向影响(李春梅, 2017).从各国EKC曲线的拟合结果判断该国目前所处的阶段, 对有不同趋势的国家采取相应措施.现阶段处于增长型的国家亟须重视PM2.5污染问题, 不应在国家发展中过于关注经济增长而忽视了环境质量, 可延续之前减少阶段有效的政策, 对主要污染源进行针对性控制, 长远的调整产业结构和发展模式.可以向“一带一路”倡议沿线国家学习先进有效经验, 从2000年以来, 中国就开始借鉴欧洲汽车排放标准制定汽车尾气排放标准, 发展绿色交通, 与其他有效措施一起在2007年控制了PM2.5的快速增长(柳青等, 2016).南亚和东南亚各国的PM2.5浓度呈显著上升趋势, EKC曲线也大多为“N型”和线性增长, 结合国情可学习中国及欧洲等国在“先污染后治理”过程中采取的控制重点行业污染和扬尘, 发展绿色交通, 优化产业结构, 深化工业污染治理, 发展节能环保产业, 加强气象监测技术和预警管理, 根据气象变化及时调节排放等措施(Li et al., 2020).各国政府充分沟通协调, 通过共享环境信息、制定联合管理的规范机制来寻求有效治理模式.
由于区域间的PM2.5分布与人口密度、人口结构的耦合都存在差异性, 需要考虑地区的独特性.除对PM2.5进行控制外, 还应制定差异化的人口管理政策, 在推动区域经济增长的同时协同引导区域的人口合理布局.大部分地区人口密度的增加将加剧城市PM2.5污染, 暴露风险也随之增加(Shi et al., 2020).故应在人口集中的高风险区域, 将人口向周边风险增加反持续性或风险减小持续性地区迁移, 使区域人口暴露风险最小化.在中国的黑河-腾冲线以东地区, PM2.5人口暴露风险增加区域和减小区域交错, Hurst指数的持续性区域与反持续性区域镶嵌, 较小尺度范围(省内或邻省间)的人口迁移可作为有效降低风险的方法之一.治理的重点除人口控制转移外还应积极优化人口结构, 减少对PM2.5暴露敏感人群的健康危害(Gan et al., 2020).
4 结论(Conclusions)1) 1999—2016年, “一带一路”沿线国家区域内PM2.5浓度存在着明显的空间分布差异, 在纬度上呈现出由“低-高-低”向“南高北低”格局演变的趋势.平均有59%的区域满足世卫组织AQG标准, 这些PM2.5浓度低值区(< 10 μg·m-3)主要分布在高海拔、高纬度与荒漠化地区, 如青藏高原、西伯利亚、西亚卢特沙漠等区域；中值区(10~35 μg·m-3)主要为俄罗斯西部、中东欧、沙特东部和缅甸等区域；另外约有5%的地区为高值区(>35 μg·m-3), 主要分布在地形平坦、人口密集的恒河平原、华北平原和中南半岛等区域.
2)“一带一路”沿线65国年均PM2.5浓度从1999年的12.0 μg·m-3上升到2016年的14.1 μg·m-3, 年均增长超过0.1 μg·m-3, 累计有22.5%的区域显示出显著增加的趋势, 仅5.2%的区域呈现显著下降趋势.共有42个国家的PM2.5污染加重, 其中, 尼泊尔、孟加拉国、印度、老挝和泰国是PM2.5污染最严重的5个国家.
3)“一带一路”沿线65国的PM2.5浓度高值区在扩散, 同时高污染区域的居住人口呈增长趋势.AQG标准浓度下的区域面积占比从65%下降到50%, PM2.5浓度在35 μg·m-3以上的暴露区域面积占比从2.2%不断上升到7.2%, 越来越多的地区PM2.5浓度超过了WHO的第一阶段临时目标.受高浓度PM2.5污染的人口比例逐年上升, 35 μg·m-3以上环境中暴露的人口占比从2000年的18.9%增长至2016年的41.9%, 人口数从7.3亿增至19.0亿, 越来越多的人口遭受了更严重的PM2.5污染.
4) 2000—2016年, “一带一路”沿线国家人口暴露风险增大面积占比(11.9%)虽低于人口暴露风险减小面积占比(22.9%), 但研究区域暴露风险平均值从665.2增加至1140.4, 高和超高风险等级分布表现出很强的空间聚集性, 主要分布在巴基斯坦东部、中国的华北平原和四川盆地, 以及印度、孟加拉国.可预测区Hurst总体均值为0.59, 其中大于0.5的持续性区域占82.3%, 持续性特征以弱持续性为主.
Bai K, Ma M, Chang N, et al. 2019. Spatiotemporal trend analysis for fine particulate matter concentrations in China using high-resolution satellite-derived and ground-measured PM2.5 data[J]. Journal of Environmental Management, 233: 530-542. DOI:10.1016/j.jenvman.2018.12.071 |
Cao S, Zhao W, Guan H, et al. 2018. 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, 182: 672-681. DOI:10.1016/j.jclepro.2018.02.096 |
Chen Y, Ebenstein A, Greenstone M, et al. 2013. Evidence on the impact of sustained exposure to air pollution on life expectancy from China's Huai River policy[J]. Proceedings of the National Academy of Sciences, 110(32): 12936. DOI:10.1073/pnas.1300018110 |
Duan F, Ji Q, Liu B, et al. 2018. Energy investment risk assessment for nations along China's Belt & Road Initiative[J]. Journal of Cleaner Production, 170: 535-547. DOI:10.1016/j.jclepro.2017.09.152 |
Fang K, Wang T, He J, et al. 2020. The distribution and drivers of PM2.5 in a rapidly urbanizing region: The Belt and Road Initiative in focus[J]. Science of the Total Environment, 716: 137010. DOI:10.1016/j.scitotenv.2020.137010 |
Fu Z, Li R. 2020. The contributions of socioeconomic indicators to global PM2.5 based on the hybrid method of spatial econometric model and geographical and temporal weighted regression[J]. Science of the Total Environment, 703. |
Gan T, Yang H, Liang W, et al. 2020. Do economic development and population agglomeration inevitably aggravate haze pollution in China? New evidence from spatial econometric analysis[J]. Environmental Science and Pollution Research, 28(5): 5063-5079. |
葛鹏飞, 黄秀路, 韩先锋. 2018. 创新驱动与"一带一路"绿色全要素生产率提升-基于新经济增长模型的异质性创新分析[J]. 经济科学, (1): 37-51. |
Ghude S D, Chate D M, Jena C, et al. 2016. Premature mortality in India due to PM2.5 and ozone exposure[J]. Geophysical Research Letters, 43(9): 4650-4658. DOI:10.1002/2016GL068949 |
胡必亮, 潘庆中. 2017. "一带一路"沿线国家综合发展水平测算、排序与评估(总报告)[J]. 经济研究参考, (15): 4-15. |
Kurokawa J, Ohara T, Morikawa T, et al. 2013. Emissions of air pollutants and greenhouse gases over Asian regions during 2000-2008:Regional Emission inventory in ASia (REAS) version 2[J]. Atmospheric Chemistry & Physics Discussions, 13: 10049-10123. |
李春梅. 2017. 环境库兹涅茨曲线之于北京市的适用性分析[J]. 城市问题, (4): 34-40. |
Li H, Tong H, Wu X, et al. 2020. Spatial and temporal evolution characteristics of PM2.5 in China from 1998 to 2016[J]. Chinese Geographical Science, 30(6): 947-958. DOI:10.1007/s11769-020-1157-5 |
李鹏涛. 2017. 中国环境库兹涅茨曲线的实证分析[J]. 中国人口·资源与环境, 27(S1): 22-24. |
柳青, 刘宇, 徐晋涛. 2016. 汽车尾气排放标准提高的经济影响与减排效果-基于可计算一般均衡(CGE)模型的分析[J]. 北京大学学报(自然科学版), 52(3): 515-527. |
Liu T, Mickley L J, Marlier M E, et al. 2020. Diagnosing spatial biases and uncertainties in global fire emissions inventories: Indonesia as regional case study[J]. Remote Sensing of Environment, 237(111557). DOI:10.31223/osf.io/nh57j |
龙爽, 郭正飞, 徐粒, 等. 2020. 基于Google Earth Engine的中国植被覆盖度时空变化特征分析[J]. 遥感技术与应用, 35(2): 326-334. |
Nansai K, Tohno S, Chatani S, et al. 2020. Affluent countries inflict inequitable mortality and economic loss on Asia via PM2.5 emissions[J]. Environment International, 134: 105238. DOI:10.1016/j.envint.2019.105238 |
Peng J, Chen S, Lü H, et al. 2016. Spatiotemporal patterns of remotely sensed PM2.5 concentration in China from 1999 to 2011[J]. Remote Sensing of Environment, 174: 109-121. DOI:10.1016/j.rse.2015.12.008 |
Sarkodie S A, Strezov V, Jiang Y, et al. 2019. Proximate determinants of particulate matter (PM2.5) emission, mortality and life expectancy in Europe, Central Asia, Australia, Canada and the US[J]. Science of the Total Environment, 683: 489-497. DOI:10.1016/j.scitotenv.2019.05.278 |
Shahsavani A, Naddafi K, Jafarzade Haghighifard N, et al. 2012. The evaluation of PM10, PM2.5, and PM1 concentrations during the Middle Eastern Dust (MED) events in Ahvaz, Iran, from april through september 2010[J]. Journal of Arid Environments, 77: 72-83. DOI:10.1016/j.jaridenv.2011.09.007 |
Shi T, Zhang W, Zhou Q, et al. 2020. Industrial structure, urban governance and haze pollution: Spatiotemporal evidence from China[J]. Science of the Total Environment, 742: 139228. DOI:10.1016/j.scitotenv.2020.139228 |
时燕, 刘瑞梅, 罗毅, 等. 2020. 近20年来中国PM2.5污染演变的时空过程[J]. 环境科学, 41(1): 1-13. |
Shi Y, Matsunaga T, Yamaguchi Y, et al. 2018. 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, 615: 177-186. DOI:10.1016/j.scitotenv.2017.09.241 |
Steinle S, Reis S, Sabel C E, et al. 2015. Personal exposure monitoring of PM2.5 in indoor and outdoor microenvironments[J]. Science of the Total Environment, 508: 383-394. DOI:10.1016/j.scitotenv.2014.12.003 |
van Donkelaar A, Martin R V, Brauer M, et al. 2015. Use of satellite observations for long-term exposure assessment of global concentrations of fine particulate matter[J]. Environmental Health Perspectives, 123(2): 135-143. DOI:10.1289/ehp.1408646 |
van Donkelaar A, Martin R V, Brauer M, et al. 2016. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites, models, and monitors[J]. Environmental Science & Technology, 50(7): 3762-3772. |
王维思, 王楠, 高玉娟, 等. 2020. 2019年郑州冬、春季重污染期间PM2.5污染特征分析[J]. 环境科学学报, 40(5): 1594-1603. |
王晓琦, 郎建垒, 程水源, 等. 2016. 京津冀及周边地区PM2.5传输规律研究[J]. 中国环境科学, 36(11): 3211-3217. |
吴乐英, 钟章奇, 刘昌新, 等. 2017. 中国省区间贸易隐含PM2.5的测算及其空间转移特征[J]. 地理学报, 72(2): 292-302. |
Xue T, Liu J, Zhang Q, et al. 2019. Rapid improvement of PM2.5 pollution and associated health benefits in China during 2013-2017[J]. Science China Earth Sciences, 62(12): 1847-1856. DOI:10.1007/s11430-018-9348-2 |
袁丽华, 蒋卫国, 申文明, 等. 2013. 2000-2010年黄河流域植被覆盖的时空变化[J]. 生态学报, 33(24): 7798-7806. |
张亮林, 潘竟虎, 张大弘. 2018. 基于MODIS数据的中国气溶胶光学厚度时空分布特征[J]. 环境科学学报, 38(11): 4431-4439. |
Zhang Q, Jiang X, Tong D, et al. 2017. Transboundary health impacts of transported global air pollution and international trade[J]. Nature, 543(7647): 705-709. |
朱炜歆, 马小红, 王洁玉. 2020. 基于EKC假说的山西省经济增长与环境特征分析[J]. 环境生态学, 2(8): 55-60. |
朱增银, 李冰, 赵秋月, 等. 2013. 对国内外PM2.5研究及控制对策的回顾与展望[J]. 环境科技, 26(1): 70-74. |