2024, Vol. 16
2. 国家能源集团技术经济研究院, 北京 102200
2. China Energy Technology and Economics Research Institute, Beijing 102200, China
当前“双碳”目标成为各界关注的热点，随着我国工业建设和经济快速发展，城市人口不断增加，全国大气质量不容乐观。碳中和目标与空气质量目标具有高度一致性，在“双碳”目标的情景下，国家和政府也愈加重视大气污染治理问题。据《 2022中国生态环境状况公报》，以PM2.5为首要污染物的天数占重度及以上天数的36.9%[1]，可见PM2.5为大气主要污染物，也是雾霾的主要成分，对人体健康和居民寿命也存在较大威胁 [2, 3]。京津冀地区是雾霾重灾区，北京作为我国政治经济及文化中心，也是该区域中心城市，雾霾时常发生，是我国雾霾污染最严重城市之一 [4]，其空气质量备受关注。因此，研究北京市PM2.5浓度的主要影响因素，对于北京市环境治理和空气质量改善具有重要意义，有利于为相关部门及政策制定者提供PM2.5污染治理思路。
近些年来，国内外学者在PM2.5浓度影响因素问题上已做出一些研究，当前研究视角主要有三个方面：第一个方面基于时间视角，从单一时间尺度进行研究，多用向量自回归模型分析影响因素对PM2.5浓度的影响 [5, 6]，也有学者基于时间序列数据分析影响因素交互作用对PM2.5浓度的影响 [7, 8]；第二个方面是从空间异质性角度分析影响PM2.5浓度的因素，探究区域PM2.5空间异质性及其驱动因素 [9-11]；由于PM2.5具有空间扩散特性，第三个方面为基于PM2.5溢出视角研究区域PM2.5的溢出效应 [12]。然而，当前基于时间视角的PM2.5浓度影响因素研究，大多直接使用PM2.5浓度原始序列，多从季节效应分析PM2.5浓度影响因素，认为不同季节PM2.5浓度的影响因素 [13]或主要化学成分不同 [14]，PM2.5浓度变化具有周期性特征，这些研究仅在原始时域分析原始时间范围内的波动情况，无法获得关于时间序列变化的更深层信息。实际上，PM2.5浓度时间序列属于非平稳序列，不但具有趋势性、周期性特征，还具有多时间尺度结构，所谓PM2.5浓度时间序列的多时间尺度是指：PM2.5浓度在波动过程中受多种因素综合影响，会呈现出季节性等周期性特征，但并不存在真正意义上的变化周期，而是随研究尺度的变化而变化，即在原始时域中包含多时间尺度结构和局部变化特征。
目前，多尺度分析方法多用于股票市场预测问题中 [15, 16]，在碳价格驱动因素 [17]和油价冲击的驱动因素 [18]方面也使用多尺度分析思路。在多尺度分解中，小波变换不能无限细分时间和频率，存在时移缺陷和频率混叠等一些局限，经验模态分解（EMD）系列方法解决了上述问题，完全自适应噪声集合经验模态分解（CEEMDAN）可以有效地将原始时间序列分解为不同频率的序列，能有效解决分解信号中存在的模态混叠问题，是处理非稳态时间序列数据的有效工具。PM2.5浓度序列一般为非平稳序列，使用CEEMDAN方法对PM2.5浓度原始时间序列进行分解，并结合VAR模型探索不同时间尺度下PM2.5浓度的主导因素，有利于发现不同时间尺度下的主导因素，进而为相关部门防控治理PM2.5提供新的角度和思路。
基于以上分析，原始时域包含不同频域的信息，PM2.5浓度原始时域特征由不同频域下的特征综合作用形成，直接使用PM2.5浓度原始序列探索其影响因素，仅具有时间定位能力，只能从原始时域内找到主导因素，不能准确定位频率，容易忽视不同时间尺度上所反映的隐含信息，因此将原始时间序列分解为不同频率的序列，探究PM2.5浓度不同时间尺度下的周期、频率以及波动情况等隐含特征，找到各时间尺度下的主导因素具有重要意义。本研究在现有研究的基础上，从时间角度出发，考虑PM2.5浓度多时间尺度特性，基于多时间尺度研究影响北京市PM2.5浓度在原始尺度和分解尺度内的主导因素。
本文的第1部分分析地区PM2.5的形成机理以确定PM2.5浓度影响因素相关指标，第2部分介绍研究方法和数据来源，第3部分分析了原始时间尺度和分解时间尺度下的北京市PM2.5浓度主导因素，第4部分总结结论并提出对策建议。
1 指标体系的建立厘清PM2.5的影响因素是大气污染防治的基础，通过对PM2.5形成机理进行研究有助于从根本上找到PM2.5浓度的决定因素。PM2.5来源广泛，其形成机理已有学者做出相关研究 [19, 20]，主要包含直接排放、二次生成和区域转移三方面。2021年9月6日北京市生态环境局发布的第三轮PM2.5来源解析最新研究成果表明，北京市现阶段PM2.5主要来源为本地排放，占60%，主要来自移动源、生活源、扬尘源和工业源；区域传输占40%。由于风速是导致PM2.5扩散和区域传输的关键，且过往研究结果中表明风速往往为PM2.5浓度的主要影响因素 [13, 21-23]，因此在北京市PM2.5来源占比极高的区域传输方面，本文将北京市年平均风速作为PM2.5浓度的影响因素纳入研究体系。在本地排放源中，移动源、生活源、扬尘源、工业源和燃煤源分担率①分别为46%、16%、11%、10% 和3%，其中移动源中柴油车和汽油车占比较大，机动车能源消耗对PM2.5排放起到了极大拉动作用，因此将能源强度作为移动源的衡量指标；PM2.5浓度与人类衣食住行活动息息相关 [21, 24, 25]，人类很多活动都会产生污染物排放，由于生活源在北京市PM2.5来源中占比相对较高，本文将人口密度作为北京市PM2.5浓度的影响因素以代表生活源；城市绿化对城市扬尘具有极大的吸附作用 [21, 22, 26]，基于这个角度考虑，本文将城市绿化作为扬尘源的代理因素；考虑到第二产业尤其是石油化工、水泥建材等生产过程PM2.5高排放特点和北京市PM2.5工业源高占比特征，本文将北京市产业结构作为工业源的代理因素。PM2.5的二次生成虽然也是北京市PM2.5的主要来源，但考虑到北京市PM2.5二次源占比不高，二次生成的物理化学反应的物质、过程和条件的不确定性，以及本文在后续模型运行中的稳定性，本文未将二次源角度的PM2.5浓度影响因素纳入研究体系。结合PM2.5主要来源及前人研究 [27]，本文选取上述五个可能的影响因素，并在原始和分解的时间范围内考察它们对PM2.5浓度的影响，具体指标解释如下：
① 分担率：不同污染源对空气中PM2.5浓度的贡献比例。
（1）年平均风速（WS）。风是边界层内影响PM2.5扩散和稀释程度的主要因子，风速是使PM2.5快速水平扩散的主要原因，风向在PM2.5浓度分布上起决定作用。Pu等 [28]对北京市PM2.5的气象影响因子进行分析得出，当偏北风时，PM2.5浓度会随风速的增加而降低。马晓倩等 [13]研究得出，PM2.5浓度的日变化与北京、天津和石家庄的风速变化存在显著负相关，并探究了不同风速等级PM2.5不同浓度段的天数，证明雾霾扩散与风速等级存在很大关联性。本研究将年平均风速纳入指标体系。
（2）城市绿化（GR）。城市森林对颗粒物的清除发挥着至关重要的作用，很多学者对城市森林如何影响大气颗粒物进行了综述 [29, 30]，可见城市森林与大气颗粒物之间的关系受到更多关注。Han等 [31]通过综述得出，城市森林对颗粒物的作用不能简单地以积极或消极影响衡量，需要结合不同尺度上的各种因素考虑。在区域尺度上，通常认为城市森林覆盖面积越大，PM2.5去除效果越好，因此本研究使用北京市造林总面积反映城市绿化这一因素。
（3）人口密度（PD）。有研究表明北京和上海等特大城市由于吸引了大量劳动力，当地PM2.5排放量大幅增加 [32]。可见地区人口规模与当地空气质量密切相关，本研究选取北京市常住人口密度作为人口密度的代理变量。
（4）产业结构（IS）。随着工业的不断发展，工业集聚导致雾霾污染问题突出，环境污染问题不断涌现。产业结构与大气污染之间存在关系。产业结构即国民经济内部各类产业构成及其比例关系，本研究使用北京市第二产业产值占地区生产总值的比例作为产业结构的代理变量。
（5）能源强度（EI）。能源强度为能源消耗与产出的比重，一般作为评价能源综合利用效率的指标，本研究使用总能耗与地区生产总值的比值作为能源强度的代理变量，其中总能耗包含煤炭、石油、天然气、一次电力、电力净调入、调出量和其他能源的消费总量，以标准煤来衡量。
2 方法和数据 2.1 数据来源本研究中1998—2019年PM2.5数据来自圣路易斯华盛顿大学的大气成分分析组的大气PM2.5遥感反演数据集（V4.CH.03）[33, 34]，基于每个栅格获得北京市PM2.5的年度均值，即北京市PM2.5年均浓度，与现有研究中使用地面监测点提供的点源数据相比，卫星监测数据具有时间跨度长、分辨率高、受人为干扰程度较低的优点，因此使用该数据集可以更好地反映地区PM2.5浓度的真实情况 [11, 26]。由于该数据集仅统计到2019年，故2020年北京市PM2.5浓度值数据来源于《中国统计年鉴》，1995—1997年缺失数据采用均值补差法，用已知数据的均值作为缺失数据替代值。1995—2020年北京市年平均风速、造林总面积、人口密度数据来源于《北京统计年鉴》，产业结构和能源强度指标中的北京市第二产业产值、总能耗和地区生产总值数据来源于《北京统计年鉴》。变量的描述性统计见表 1。
|
表 1 变量描述性统计 |
不同于以往研究从单一时间范围考察影响因素对PM2.5浓度的影响，本研究将完全自适应噪声集合经验模态分解方法（CEEMDAN）和向量自回归（VAR）模型结合使用，探索北京市PM2.5浓度跨越多时间尺度的隐藏动态信息以及其影响因素在不同时间尺度对PM2.5浓度的影响。由于CEEMDAN方法能有效处理非稳态时间序列且PM2.5浓度的时间序列具有非平稳特征，所以CEEMDAN方法适用于PM2.5浓度的时间序列分解以获取不同频域的模态分量（IMFs）[35-37]，分解出的模态分量即为不同时间尺度PM2.5浓度的信息。VAR模型能够有效揭示不同因素与PM2.5浓度的格兰杰因果关系，以及其对PM2.5浓度在不同滞后期的冲击影响。因此本研究借鉴Huang等 [18]的研究思路，将各模态分量时间序列与PM2.5浓度的影响因素建立VAR模型进行相关因素对PM2.5浓度冲击影响的分析。具体分析思路见图 1。下面将分别阐述两种方法的适用性及主要步骤。
|
图 1 PM2.5浓度影响因素分析思路 |
CEEMDAN是由Torres等 [38]提出的一种新型信号分解算法，能在没有先验知识的情况下更好地将输入的非稳态时间序列分解为一组模态函数。每个分解分量包含特定的时间尺度信息，其中残差IMF表示信号数据的趋势。该方法有效解决了EMD算法分解信号存在的模态混叠问题，并改善了EEMD和CEEMD分解算法中白噪声信号残留问题。具体分解过程如下。
步骤1：将待分解信号x（t）添加k次均值为0的高斯白噪声，构造新的待分解序列xi（t），式（1）中，ε为高斯白噪声系数；δi（t）为第i次产生的高斯白噪声，i=1, 2, 3…k。
|
(1) |
步骤2：对上述序列xi（t）进行EMD分解，分解得到第一个模态分量（IMF）并取其均值作为CEEMDAN分解得到的第一个IMF，即式（2）和式（3）。IMF1（t）表示CEEMDAN分解得到的第一个模态分量；r1（t）为第1次分解后的余量信号。
|
(2) |
|
(3) |
步骤3：将分解后得到的第j阶段余量信号添加特定噪声后，继续进行EMD分解。式中，IMFj（t）表示CEEMDAN分解得到的第j个模态分量；Ej−1（●）表示对序列进行EMD分解后的第j - 1个IMF分量；εj−1表示CEEMDAN对第j - 1阶段余量信号加入噪声的系数；rj（t）为第j次第j阶段余量信号。
|
(4) |
|
(5) |
步骤4：迭代停止。如果满足EMD停止条件，第n次分解的余量信号rn（t）为单调信号，则迭代停止，分解结束。
2.2.2 VARVAR常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响，最早由Sim提出，该模型将所有变量视为内生变量，用于经济系统动态分析 [39]。VAR模型可以分别探究各影响因素与PM2.5浓度的格兰杰因果关系以及各影响因素的冲击对PM2.5浓度在不同滞后期的影响。因此本研究拟对影响因素序列和PM2.5浓度原始及分解序列分别建立向量自回归模型。将CEEMDAN时间序列分解方法与VAR模型结合，有利于研究各影响因素的冲击在原始时间尺度和分解的时间尺度下对PM2.5浓度的影响情况。
|
(6) |
式（6）为VAR模型，其中yt是t时期内k维内生变量列向量；p是k维内生变量的滞后阶数；Φp为相对应的系数矩阵；εt为白噪声向量，无结构意义，可简化为影响向量。
本研究构建传统VAR模型，并关注同时期变量与其滞后变量之间的动态相互作用，其中PM2.5, t =（PM2.5, t, WSt, UGt, PDt, ISt, EIt）。
3 实证结果与分析本研究将原始时间序列分解为不同频率的分量，每个频率分量对应不同的时间尺度，低频段对应长时间尺度，高频段对应短时间尺度。在原始尺度和分解尺度内，建立PM2.5（原始及其分解序列）和影响因素的向量自回归模型。然后通过格兰杰因果关系检验这些因素是否会导致PM2.5浓度波动。基于脉冲响应函数和方差分解，从方向、幅度和持续时间等方面探讨多时间尺度的PM2.5浓度对各因素的响应情况。
3.1 原始时间尺度下北京市PM2.5浓度影响因素分析 3.1.1 格兰杰因果关系对所有变量进行ADF单位根检验。除PM2.5为非平稳序列外，其余变量均平稳，见表 2。DPM2.5为PM2.5原始序列一阶差分序列，DPM2.5为平稳序列，在原始时域中建立VAR模型，变量为DPM2.5、WS、GR、PD、IS和EI。
|
|
表 2 变量原始时间序列及非平稳序列差分后的单位根检验结果 |
原始时间尺度内，格兰杰因果检验结果显示城市绿化（GR）和产业结构（IS）显著影响北京市PM2.5浓度，其余因素与PM2.5浓度之间没有显著的格兰杰因果关系，如表 3所示。
|
|
表 3 原始时间范围内PM2.5浓度与其影响因素的格兰杰因果关系检验 |
本文进行模型稳定性检验，研究发现特征根均落在单位圆内，见图 2。根据格兰杰因果检验，GR和IS的变化显著影响北京市PM2.5浓度波动。图 3a和图 3b分别为北京市PM2.5浓度对GR和IS冲击的响应，可见北京市PM2.5浓度对GR和IS响应程度存在差异，PM2.5对GR和IS的响应在20年左右时间内不断振荡并逐渐收敛于0，均滞后1期开始响应并分别在第二年和第三年达到响应最大值，表明PM2.5对GR和IS新息冲击的响应将持续近20年，响应在造林总面积发生变化和产业结构调整之后一年开始，增加造林面积提高城市绿化水平的措施在第2年内达到最佳效果，产业结构调整措施在第3年达到最佳效果。
|
图 2 VAR(2) 模型稳定性检验 |
|
图 3 PM2.5在原始时间范围内对GR和IS的响应（观察期为22年） |
累积响应图可以更直观地展现GR和IS对PM2.5的冲击影响，图 4是PM2.5在原始时间范围内对GR和IS的累积响应图。根据图 4可知，尽管北京市PM2.5浓度对城市绿化和产业结构的新息冲击呈波动响应，但北京市PM2.5浓度的累积响应呈现出不同形式。随着城市绿化水平不断完善，PM2.5第1年响应值为0，2年后累积响应迅速增长至1.814后缓慢下降，直至7年后开始继续上升，17年后稳定在约3.4的水平，总体看来PM2.5的响应呈现出先显著增长后逐渐平稳的趋势，因此尽早植树造林、提高城市绿化水平有利于减缓PM2.5浓度的增长。此外，PM2.5对产业结构的累积响应呈现出先增长后下降的趋势，6年后的累积响应值最高，最终累积响应值趋于-0.6左右，因此尽快调整产业结构，实现第二产业结构优化升级有利于短期内抑制PM2.5浓度的增长。
|
图 4 PM2.5在原始时间范围内对GR和IS的累积响应（观察期为22年） |
从GR和IS的累积影响看，GR影响高于IS，在某种程度上意味着样本期间原始时间尺度内主导因素是GR。在原始时间尺度下，GR和IS为主导因素，但GR较IS更显著。其他因素虽没有表现出显著影响，但也存在短期内的微观影响。
3.1.3 方差分解方差分解结果表示PM2.5浓度受不同变量影响的重要程度。格兰杰因果检验表明GR和IS为PM2.5原始尺度下的两个显著影响因素，故本文重点分析GR和IS对PM2.5影响的贡献程度，选择22期进行方差分解。由表 4可见，DPM2.5自身的贡献度最高，GR的贡献度在第1期为0，第2期迅速增长至最高值9.394%，之后呈现随期数增加而逐渐减小并稳定至6.725% 左右水平。IS的贡献度值在第1期为0，然后增加至最大值4.134% 后逐渐回落至3.264%，而后缓慢增加，逐渐保持在4.074% 左右水平。其中，在每一期时间点上，GR的贡献度均不小于IS的贡献度，即在原始时间尺度下，城市绿化水平对北京市PM2.5浓度的变化作用更显著，这一结论同格兰杰因果检验的显著性和脉冲响应分析结果一致。
|
|
表 4 北京市PM2.5浓度的方差分解结果 |
原始时间尺度下城市绿化和产业结构对北京市PM2.5浓度的影响显著，其他因素的影响虽未表现出显著性，但事实上年平均风速、人口密度和能源强度对PM2.5浓度波动有很大影响 [22, 24]，可能原因是在其他时间尺度下对北京市PM2.5浓度存在显著影响，但在原始时间尺度内被整合掩盖，因此有必要在多个时间尺度的信息频域中探索这些因素对PM2.5的影响。
3.2.1 PM2.5浓度序列分解结果首先使用CEEMDAN方法将北京市PM2.5浓度原始序列分解为3个模态分量，即IMF1、IMF2和IMF3，分别对应三个时间尺度，时间尺度与时间范围的关系见表 5，时间范围与频率成反比，即高频对应时间范围的低尺度，低频对应时间范围的高尺度。本文中时间尺度1、尺度2和尺度3分别对应短期、中期和长期不同时间范围，短期时间跨度为3年，中期的时间跨度为7年，长期的时间跨度为13年。此外，IMF1的方差贡献率最高，为0.411，其次为IMF3，IMF2的方差贡献率最低，表明PM2.5浓度短期变化波动情况相比于中期和长期而言占原始序列波动情况的比重更大。表 6为北京市PM2.5浓度分解序列的基本统计描述，其中三个序列中IMF2的标准差最小，表明PM2.5平均波动水平中期相对于长期和短期的平均离散程度较小，IMF1的标准差最大，表明PM2.5短期的波动强度和振幅较大，IMF2的波动强度和振幅在分解序列中最小。
|
|
表 5 时间尺度与时间范围的对应关系 |
|
|
表 6 分解后的PM2.5浓度波动序列基本统计描述 |
北京市PM2.5浓度分解序列见图 5，其中Res为分解后的余量信号。由图 5可知IMF1、IMF2及IMF3这3个序列的振荡频率依次递减。短期以3年左右为周期波动，波动幅值最高18.402左右；中期以7年左右为周期波动，波动幅值最高为9.848左右，长期波动幅值为13.857。PM2.5的每个模态分量都可以看作与主导当前时间范围的因素相关的单一变量，通过考察北京市PM2.5浓度分量与影响因素之间的格兰杰因果关系，能够识别出每个时间尺度的主导因素，更好地认识北京市PM2.5浓度变化及其对影响因素的响应。
|
图 5 北京市PM2.5浓度分解序列 注：Raw Data表示原始序列；Res表示残差序列；IMF1~IMF3表示不同的本征模态函数序列。 |
多尺度建模之前，对PM2.5分解序列平稳性进行检验，IMF1和IMF3平稳，但IMF2序列非平稳。基于Sims等 [40, 41]的论点及相关研究 [18]，VAR模型中的非平稳模态分量序列可以直接使用，因此建立多时间尺度下的VAR模型。
根据格兰杰因果关系，发现不同时间尺度北京市PM2.5浓度波动的影响因素不同，见 表 7（分解后的PM2.5序列为因变量）。短期内，IS影响最为显著，PD、GR和EI的显著性相对较低，WS对北京市PM2.5浓度波动的影响没有表现出显著性，表明在以3年为周期波动的时间范围内北京市产业结构变化情况对PM2.5浓度波动的影响最大，这与北京市过去几十年产业结构极大调整实现动能转换有很大关系。国家统计数据显示，1953—2018年北京市第三产业增加值年均增长10.7%，生产方式发生极大转变，三产成为北京经济主引擎，因此产业结构调整成为北京市短期内PM2.5浓度变化的主要影响因素。中期内，除WS和GR外，PD、IS和EI均为影响北京市PM2.5浓度波动的主要原因，表明在以7年为周期波动的时间范围内人口密度、产业结构和能源强度极大影响北京市PM2.5浓度波动，这与2015年后人口调控被纳入京津冀一体化战略当中有关，自此人口增速明显减缓，常住人口数量逐年负增长；此外北京市过去几年的产业结构极大调整可能一定程度带动能源消费结构转变，这些因素综合作用在中期范围内为北京市环境状况改善起到重要作用。长期内，IS和EI为影响北京市PM2.5浓度波动的主要原因，此外GR的影响也相对显著，表明长期范围内产业结构、能源强度和城市绿化水平在影响北京市PM2.5浓度变化中扮演重要角色，城市绿化在短期和长期内对PM2.5浓度波动影响程度相差不大，显著性水平相当，这与北京市长期以来将城市绿化作为解决生态问题的重要措施有关。短期内的主导因素通常会立即发挥作用，影响具有短暂性特征，长期因素的影响具有持久性。综上可知，人口密度的影响相对短暂，主要在中短期内增强PM2.5波动，而产业结构、能源强度的影响较持久，在中短期内增强PM2.5波动，长期内影响趋势，城市绿化既在短期内影响波动，也在长期时间范围内影响趋势。
|
|
表 7 分解后的PM2.5序列与各时间段内影响因素之间的格兰杰因果关系检验 |
由于PM2.5浓度波动具有季节性分布特征 [42]，之前研究的结果虽然考虑到不同时期PM2.5浓度影响因素可能不同，但侧重于阐述PM2.5浓度影响的季节性差异，并没有从整个时间尺度上区分短、中、长期的PM2.5浓度影响因素，认为京津冀地区PM2.5浓度冬春季处于全年波峰状态、夏秋季处于波谷状态与取暖季的能源消耗有直接关系，且北半球温带大陆性气候的冬春季风、夏季降水也对颗粒污染物起到了相应的加剧或降低的作用 [43]。此外，现有研究结果多从单一时间尺度分析PM2.5浓度的影响因素，认为长期内PM2.5浓度时间序列呈显著下降趋势，污染源减排起主导作用，气象因素对PM2.5长期波动的影响贡献较大 [36, 42]。不同于以往研究结果，本研究从不同时间尺度上分析PM2.5浓度的驱动因素，同原始时间尺度格兰杰因果关系检验结果比较发现，短期和长期的显著影响因素中均含有IS和GR，而IS和GR两个因素是在原始时间范围内作用显著的因素。原始时间尺度内PM2.5浓度是各时间尺度影响因素合力作用的结果，表现出一定的趋势性，在原始时间尺度内GR比IS的影响作用更显著，在分解的短期和长期范围中，IS的影响作用相对更显著，说明在分解的时间范围内IS和GR起到短暂性增强PM2.5波动作用，且IS增强波动的效果更强。其他因素仅在短期内导致PM2.5浓度波动，具有短暂性。在多时间尺度影响因素分析中，EI亦为长期内的显著影响因素，但不是原始时间范围的主导因素，说明在多因素合力作用下，EI的持续影响力度不如GR和IS，EI的短期增强波动效果更强。
在原始时间尺度和分解尺度中，WS对北京市PM2.5浓度波动的影响均未表现出显著性，但并不表明风速对PM2.5没有影响，风速往往具有局部、微观的影响，本研究主要使用年平均风速从宏观角度探索PM2.5的影响因素，使用日均风速或时速可能会得出不同的结果。
3.2.3 脉冲响应分析格兰杰因果关系表明不同时间尺度影响北京市PM2.5浓度的主导因素不同。同一影响因素对PM2.5的影响在不同时间尺度表现方式可能不同，为此引入不同时间尺度PM2.5对主要影响因素的脉冲响应函数，观察期选择100年。由图 6可知，尺度1~ 尺度3的响应序列均在最高正值和负值之间波动，随着时间的推迟，波动逐渐变弱并收敛于0。
|
图 6 PM2.5浓度在不同时间尺度对显著影响因素的响应 |
在短期内，PM2.5对IS、PD、GR和EI的响应持续波动并在第70年左右逐渐收敛并趋于零，PM2.5对IS、PD、GR和EI冲击的响应在做出调整措施的前20年左右比较强烈，在之后年份中响应减弱，在第2~ 3年响应效果最佳，说明在短期内IS、PD、GR和EI可以很快传递新息冲击并且对PM2.5的影响持续时间较长，PM2.5对这些因素冲击的响应强度随时间推移而减弱。在中期，在IS、PD和EI的冲击下，北京市PM2.5浓度不断振荡并于第25年左右趋于零，在做出调整后的第3~ 4年响应效果最佳。在长期，PM2.5对IS、GR和EI冲击的响应持续到100年左右才逐渐收敛，在做出调整措施后的第8~ 9年响应效果最强烈，说明长期内PM2.5对IS、GR和EI的冲击响应更长久。此外，从同一因素不同时间尺度对PM2.5影响角度来看，三个时间尺度中均含有IS和EI，每个时间尺度中PM2.5对IS和EI冲击的响应情况大致相似，但每个因素在不同时间尺度中的表现却不同。对于EI和IS，PM2.5在尺度3中对其响应持续时间最长，而在尺度1和尺度2中的响应时间较短。过往研究中，Chen等 [36]和Feng等 [37]虽对细颗粒物进行时间尺度划分并分析不同时间尺度PM2.5浓度波动差异，但Chen等 [36]使用相关性分析仅探索PM2.5浓度原始时间尺度下的影响因素为风速、相对湿度和降水，并未对不同时间尺度的影响因素进行分析；Feng等 [37]对不同时间尺度PM2.5浓度波动情况进行分析并从主观上定性分析短、中、长期PM2.5浓度波动差异的原因，未能定量准确分析不同影响因素在多时间尺度下的不同滞后期对PM2.5浓度的冲击影响。而本研究上述结果可揭示通过脉冲响应发现PM2.5对不同时间尺度的主导因素响应情况的差异。
综上所述，短期内北京市PM2.5浓度对GR、PD、IS和EI均有较为短暂且明显的响应，中期北京市PM2.5浓度对IS、PD和EI有短暂显著响应，长期IS、GR和EI对北京市PM2.5浓度存在较为持久的影响。总体来说，长期影响决定基本趋势，短期成分会增强波动，不同时间尺度内因素的影响可以累积，可见北京市PM2.5浓度波动的复杂性。因此，对于决策者而言，短期内减少大气污染、降低PM2.5浓度的有效方法可以从提高城市绿化、控制城市人口、调整产业结构和提高能源利用效率方面同时发力，这会在短期内起到一定效果，但是要实现长期大气质量控制、减少PM2.5，还需要重点以城市绿化、调整产业结构和优化能源利用效率为抓手，从根本上控制PM2.5浓度。
4 结论与对策建议 4.1 研究结论本文旨在研究多时间尺度下北京市PM2.5浓度的影响因素，考察了原始时间尺度和三个分解时间尺度内影响因素与北京市PM2.5浓度的相互作用。根据研究结果，得到以下结论：
（1）北京市PM2.5浓度的影响因素在不同时间尺度下表现不同，短期内，城市绿化、人口密度、产业结构和能源强度是主导因素，对北京市PM2.5浓度呈现短暂性影响。中期内，人口密度、产业结构和能源强度主要起到增强北京市PM2.5浓度波动作用，长期来看，城市绿化、产业结构和能源强度对PM2.5浓度的影响较大，持续时间较长。
（2）原始时间尺度下，城市绿化和产业结构对北京市PM2.5浓度波动存在显著影响，其他因素的影响不显著。城市绿化、人口密度、产业结构和能源强度导致PM2.5浓度在不同时间尺度内波动，起到短期增强波动的作用，但决定北京市PM2.5浓度基本走势的主要因素为城市绿化和产业结构。北京市PM2.5浓度波动是不同时间尺度合力作用的结果。
4.2 对策建议基于以上结论，为降低北京市PM2.5浓度，改善北京市空气质量，本文提出以下建议。
第一，提高城市绿化水平，优化产业结构，着力推动绿色产业高质量发展。由于城市绿化和产业结构是决定北京市PM2.5浓度基本走势的因素，因此提高城市绿化水平、优化产业结构是长期有效措施。由于北京市城市化发展水平高，用于地面绿化的空间相对紧张。北京市城市化水平越高树冠覆盖率越低，并且随着环路的扩张梯度化增大，呈现出“两头高、中间低”的分布特征 [44]，因此北京市应制定针对性绿化政策，在城市化水平高的区域，重视平面绿化和空间立体绿化的结合，将绿化植物从地面带到楼面、屋面和墙面等立体空间，以充分利用城市空间，将城市绿化的“绿肺”功能发挥到极致。
北京市产业结构目前呈现出第三产业主导的格局，近几年以更高、更优标准推动一般制造业向周边地区疏解，北京市第二产业增加值近5年持续下降，第三产业的贡献不断提高。北京市应继续深入推进产业结构调整，严格环境准入要求，疏解污染产业。此外北京市政府应出台系列政策鼓励企业加大绿色产业投资和研发力度，发挥北京市在科技、人才等方面的领先优势，培育一批新兴绿色产业领域的龙头企业，促进绿色产业加速发展，推动新兴绿色产业特色集聚，着力提高北京市绿色产业的发展水平和国际影响力。
第二，控制人口密度，优化城市空间结构，鼓励居民绿色生活。人口密度是在短期和中期范围内增强波动的因素，因此加强人口调控，降低人口密度可在中短期内起到降低PM2.5浓度的效果。北京市人口调控已持续30余年，主要靠直接行政管控和经济、市场引导，提高各地教育、医疗水平及生活质量，引导人口空间分布格局的转变，从而间接调控北京市常住人口。目前看来实施效果显著，近年来北京市常住人口呈逐年下降趋势。在北京市未来人口调控方面，仍需继续实行行政管控和市场引导措施。此外，鼓励北京市居民绿色出行，乘坐公共交通工具，生活中使用低能耗产品，养成绿色生活习惯；提高城市机动车辆污染排放标准，严禁农村露天焚烧秸秆等。
第三，实施科学合理的能源强度调整政策，对PM2.5来源中本地排放的移动源尤其是汽油车和柴油车实施精细化管理，鼓励新能源汽车的使用，完善新能源汽车配套设施建设。能源强度在短期和中期范围内增强波动，长期范围影响趋势，因此控制能源强度既能在短期内达到控制PM2.5浓度的效果，也是长期有效措施。北京市PM2.5来源于煤炭消费的占比仅为3%，而来源于传统燃油车（汽油车和柴油车）燃油消费的比重远高于煤炭消费，且“十三五”时期北京市煤炭占比能源消费由13.7% 降为1.9%，北京市能源强度近十几年来有下降趋势，主要与煤炭消费量显著下降有关。在这种情况下，北京市应继续保持煤炭消费量的低增长，继续提高能源使用效率，加快推进能源结构优化，提高电能占终端能源消费比重，在促进能源清洁低碳转型基础上，降低能源强度；此外，大力推行新能源汽车使用和新能源汽车充电设施的建设，以进一步促进北京市环境的可持续发展。
| [1] |
中华人民共和国生态环境部. 2022中国生态环境状况公报[R]. 北京: 中华人民共和国生态环境部, 2023.
|
| [2] |
LI Z, YAN H, ZHANG X, et al. Air pollution interacts with genetic risk to influence cortical networks implicated in depression[J]. Proceedings of the national academy of sciences of the United States of America, 2021, 118(46): e2109310118. |
| [3] |
GENG G N, ZHENG Y X, ZHANG Q, et al. Drivers of PM2.5 air pollution deaths in China 2002-2017[J]. Nature geoscience, 2021, 14(9): 645-650. DOI:10.1038/s41561-021-00792-3 |
| [4] |
DING Y T, ZHANG M, CHEN S, et al. The environmental Kuznets curve for PM2.5 pollution in Beijing-Tianjin-Hebei region of China: a spatial panel data approach[J]. Journal of cleaner production, 2019, 220: 984-994. DOI:10.1016/j.jclepro.2019.02.229 |
| [5] |
刘金培, 汪官镇, 陈华友, 等. 基于VAR模型的PM2.5与其影响因素动态关系研究——以西安市为例[J]. 干旱区资源与环境, 2016, 30(5): 78-84. |
| [6] |
甄贞, 刘佳宇, 牛亚洲, 等. 基于多元时间序列的哈尔滨市PM2.5影响因素分析[J]. 河南师范大学学报(自然科学版), 2022, 50(1): 98-107. |
| [7] |
谷阳阳, 苏贵金, 柴涛, 等. 北京地区PM2.5浓度影响因素及估算模型[J]. 环境化学, 2018, 37(3): 397-409. |
| [8] |
贺祥, 林振山. 基于GAM模型分析影响因素交互作用对PM2.5浓度变化的影响[J]. 环境科学, 2017, 38(1): 22-32. |
| [9] |
王丽丽, 刘笑杰, 李丁, 等. 长江经济带PM2.5空间异质性和驱动因素的地理探测[J]. 环境科学, 2022, 43(3): 1190-1200. |
| [10] |
WU W Q, ZHANG M, DING Y T. Exploring the effect of economic and environment factors on PM2.5 concentration: a case study of the Beijing-Tianjin-Hebei region[J]. Journal of environmental management, 2020, 268: 110703. DOI:10.1016/j.jenvman.2020.110703 |
| [11] |
李衡, 韩燕. 黄河流域PM2.5时空演变特征及其影响因素分析[J]. 世界地理研究, 2022, 31(1): 130-141. |
| [12] |
LI H J, QI Y J, LI C, et al. Routes and clustering features of PM2.5 spillover within the Jing-Jin-Ji region at multiple timescales identified using complex network-based methods[J]. Journal of cleaner production, 2019, 209: 1195-1205. DOI:10.1016/j.jclepro.2018.10.284 |
| [13] |
马晓倩, 刘征, 赵旭阳, 等. 京津冀雾霾时空分布特征及其相关性研究[J]. 地域研究与开发, 2016, 35(2): 134-138. |
| [14] |
CHEN Y, SCHLEICHER N, CEN K, et al. Evaluation of impact factors on PM2.5 based on long-term chemical components analyses in the megacity Beijing, China[J]. Chemosphere, 2016, 155: 234-242. DOI:10.1016/j.chemosphere.2016.04.052 |
| [15] |
LIN Y, YAN Y, XU J L, et al. Forecasting stock index price using the CEEMDAN-LSTM model[J]. The North American journal of economics and finance, 2021, 57: 101421. DOI:10.1016/j.najef.2021.101421 |
| [16] |
CAO J, LI Z, LI J. Financial time series forecasting model based on CEEMDAN and LSTM[J]. Physica A: statistical mechanics and its applications, 2019, 519: 127-139. DOI:10.1016/j.physa.2018.11.061 |
| [17] |
ZHU B Z, YE S X, HAN D, et al. A multiscale analysis for carbon price drivers[J]. Energy economics, 2019, 78: 202-216. DOI:10.1016/j.eneco.2018.11.007 |
| [18] |
HUANG S P, AN H Z, WEN S B, et al. Revisiting driving factors of oil price shocks across time scales[J]. Energy, 2017, 139: 617-629. DOI:10.1016/j.energy.2017.07.158 |
| [19] |
ZHANG C, ZHANG Y Y, LIU X G, et al. Characteristics and source apportionment of PM2.5 under the dual influence of the Spring Festival and the COVID-19 pandemic in Yuncheng city[J]. Journal of environmental sciences, 2023, 125: 553-567. DOI:10.1016/j.jes.2022.02.020 |
| [20] |
LI J J, LI J, WANG G H, et al. In-vitro oxidative potential and inflammatory response of ambient PM2.5 in a rural region of Northwest China: association with chemical compositions and source contribution[J]. Environmental research, 2022, 205: 112466. DOI:10.1016/j.envres.2021.112466 |
| [21] |
XU G Y, REN X D, XIONG K N, et al. Analysis of the driving factors of PM2.5 concentration in the air: a case study of the Yangtze River Delta, China[J]. Ecological indicators, 2020, 110: 105889. DOI:10.1016/j.ecolind.2019.105889 |
| [22] |
LU D B, XU J H, YANG D Y, et al. Spatio-temporal variation and influence factors of PM2.5 concentrations in China from 1998 to 2014[J]. Atmospheric pollution research, 2017, 8(6): 1151-1159. DOI:10.1016/j.apr.2017.05.005 |
| [23] |
张可可, 胡冬梅, 闫雨龙, 等. 基于小波变换的山西省PM2.5污染特征及影响因素[J]. 环境科学, 2022, 43(3): 1226-1234. |
| [24] |
HE Y, LIN K R, LIAO N, et al. Exploring the spatial effects and influencing factors of PM2.5 concentration in the Yangtze River Delta Urban Agglomerations of China[J]. Atmospheric environment, 2022, 268: 118805. DOI:10.1016/j.atmosenv.2021.118805 |
| [25] |
宋方旭, 孙希华, 王欣瑶, 等. 华北平原地区PM2.5浓度时空变化特征及其影响因素研究[J]. 西安理工大学学报, 2021, 37(4): 507-516. |
| [26] |
LIM C H, RYU J, CHOI Y, et al. Understanding global PM2.5 concentrations and their drivers in recent decades (1998-2016)[J]. Environment international, 2020, 144: 106011. DOI:10.1016/j.envint.2020.106011 |
| [27] |
LIU H M, FANG C L, ZHANG X L, et al. The effect of natural and anthropogenic factors on haze pollution in Chinese cities: a spatial econometrics approach[J]. Journal of cleaner production, 2017, 165: 323-333. DOI:10.1016/j.jclepro.2017.07.127 |
| [28] |
PU W W, ZHAO X J, ZHANG X L, et al. Effect of meteorological factors on PM2.5 during July to September of Beijing[J]. Procedia earth and planetary science, 2011, 2: 272-277. DOI:10.1016/j.proeps.2011.09.043 |
| [29] |
XU X D, XIA J J, GAO Y, et al. Additional focus on particulate matter wash-off events from leaves is required: a review of studies of urban plants used to reduce airborne particulate matter pollution[J]. Urban forestry & urban greening, 2020, 48: 126559. |
| [30] |
BECKETT K P, FREER-SMITH P H, TAYLOR G. Urban woodlands: their role in reducing the effects of particulate pollution[J]. Environmental pollution, 1998, 99(3): 347-360. DOI:10.1016/S0269-7491(98)00016-5 |
| [31] |
HAN D H, SHEN H L, DUAN W B, et al. A review on particulate matter removal capacity by urban forests at different scales[J]. Urban forestry & urban greening, 2020, 48: 126565. |
| [32] |
SHEN H Z, TAO S, CHEN Y L, et al. Urbanization-induced population migration has reduced ambient PM2.5 concentrations in China[J]. Science advances, 2017, 3(7): e1700300. DOI:10.1126/sciadv.1700300 |
| [33] |
HAMMER M S, VAN DONKELAAR A, LI C, et al. Global estimates and long-term trends of fine particulate matter concentrations (1998-2018)[J]. Environmental science & technology, 2020, 54(13): 7879-7890. |
| [34] |
VAN DONKELAAR A, MARTIN R V, LI C, et al. Regional estimates of chemical composition of fine particulate matter using a combined geoscience-statistical method with information from satellites, models, and monitors[J]. Environmental science & technology, 2019, 53(5): 2595-2611. |
| [35] |
WANG Z C, CHEN L R, DING Z N, et al. An enhanced interval PM2.5 concentration forecasting model based on BEMD and MLPI with influencing factors[J]. Atmospheric environment, 2020, 223: 117200. DOI:10.1016/j.atmosenv.2019.117200 |
| [36] |
CHEN T, HE J, LU X W, et al. Spatial and temporal variations of PM2.5 and its relation to meteorological factors in the urban area of Nanjing, China[J]. International journal of environmental research and public health, 2016, 13(9): 921. DOI:10.3390/ijerph13090921 |
| [37] |
FENG X J, SHEN J X, YANG H M, et al. Time–frequency analysis of particulate matter (PM10) concentration in dry bulk ports using the Hilbert–Huang transform[J]. International journal of environmental research and public health, 2020, 17(16): 5754. DOI:10.3390/ijerph17165754 |
| [38] |
TORRES M E, COLOMINAS M A, SCHLOTTHAUER G, et al. A complete ensemble empirical mode decomposition with adaptive noise[C]//Proceedings of 2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2011: 4144-4147.
|
| [39] |
ENDERS W. Applied Econometric Time Series[M]. 4th ed. New York: John Wiley & Sons, Inc, 2014.
|
| [40] |
SIMS C A. Macroeconomics and reality[J]. Econometrica: journal of the econometric society, 1980, 48(1): 1-48. DOI:10.2307/1912017 |
| [41] |
SIMS C A, STOCK J H, WATSON M W. Inference in linear time series models with some unit roots[J]. Econometrica: journal of the econometric society, 1990, 58(1): 113-144. DOI:10.2307/2938337 |
| [42] |
肖致美, 李亚菲, 高璟赟, 等. 2013—2020年天津市PM2.5—O3污染变化趋势和影响因素分析[J]. 环境科学, 2023, 44(8): 4211-4219. |
| [43] |
李超. 基于多层网络的京津冀区域大气污染时空关联效应研究[D]. 北京: 中国地质大学(北京), 2020.
|
| [44] |
刘秀萍, 贾宝全. 北京城区居住区树冠覆盖变化特征[J]. 林业科学, 2019, 55(12): 12-20. |