2. 浙江大学 地理信息科学研究所, 浙江 杭州 310027;
3. 浙江建设职业技术学院 城市建设工程学, 浙江杭州 311231
2. Department of Geographic Information Science, Zhejiang University, Hangzhou 310027, China;
3. Department of Urban Construction Engineering, Zhejiang College of Consturction, Hangzhou 311231, China
近年来,随着我国经济改革和城市化建设进程的加快,生产活动规模不断扩大、城市人口增长迅速,生态环境尤其是空气质量正面临着空前的压力.空气污染呈现出重点城市集聚和区域性差异分布的空间结构特征[1],部分地区和城市灰霾频现,以可吸入颗粒物(PM10)、细颗粒物(PM2.5)为特征的空气污染事件引发了公众和学界的高度关注.
城市化与空气质量存在交互胁迫的复杂关系,且这种相互作用长期处于动态变化之中.具体来说,人口规模扩大、工业化进程加速、燃油燃煤增加等都对空气质量产生胁迫,增加了空气污染压力;但城市化带来的环保投资增加、科技水平进步,使空气污染得到更有效的控制和治理.同时,空气污染将恶化人民生活环境、降低生活质量,环保政策可能改变城市规划、制约城市选址,从人口、社会、空间等方面约束城市化.
对于二者间关系的研究,最早可追溯到20世纪90年代初,美国经济学家GROSSMAN等[2]第一次发现人均收入与环境污染之间存在倒“U”形的关系,即后来被哈佛大学PANAYOTOU教授证实的环境库兹涅茨曲线EKC(environment Kuznets curve)[3].随着EKC在经济发展与环境污染关系研究中的广泛应用,学者们[4-6]发现经济指标与空气环境指标并不完全符合倒“U”形.范洪敏[7]借鉴Kaya恒等式对变量函数进行修正.此外,王庆松[8]将城市化与生态环境交互耦合的“双曲线指数模型”引入到城市化与环境空气耦合协调关系的研究中,虽然未能得到期望的双曲线结果,但引发学者[9]对二者间双向关系及其耦合协调机制的探索.
国内外学者还采用EKC模型[10]、多元回归模型[11]、灰色关联分析[12]、转移概率模型[13]、空间误差模型[14]等多种方法探究影响空气质量的主要污染源和人类活动因素.结果表明,虽然不同区域、不同污染物类型的主要来源和影响因素不完全相同,但与工业结构、机动车数量及污染物排放有较强相关性.
2015年是全面深化改革的关键之年、“十二五”规划的收官之年和谋划“十三五”蓝图的重要之年.浙江省是长三角城市群的重要组成部分,是我国东南沿海重要的经济发展大省,也是我国环境保护和污染防治的重点区域. 2013年秋冬雾霾凸显,浙江省政府迅速推出并落实一系列大气污染治理政策,2015年空气质量已明显好转.
本研究通过构建浙江省城市化与空气质量耦合协调模型,定量分析2015年浙江省城市化与空气质量间的耦合关系.在此基础上,对协调发展、转型过渡和不协调发展的区域,运用地理探测器揭示城市化过程中影响空气质量的风险因子,探究不同城市化与空气质量耦合协调发展阶段的风险因子及其决定力的差异.据此给出浙江省城市化建设进程中的对策建议,以期在发展城市经济的同时为合理预防、控制和治理该区域的空气污染提供科学依据,为推动我国生态文明建设、发展绿色经济提供决策支持.
1 方法与数据 1.1 研究方法 1.1.1 耦合协调模型耦合作为物理学概念,是指2个(或2个以上)系统或运动形式通过各种相互作用而彼此影响的现象[15].本文借鉴诸多学者对城市化与生态环境协调发展的研究[16-19],在物理学耦合度模型的基础上,构建城市化与空气质量的耦合协调关系模型,分析浙江省2015年城市化与空气质量的耦合协调情况.
其中,城市化水平评价体系通过解析城市化含义、阅读城市化指标体系构建[17, 19-21],并参考近年来研究者使用频度较高的指标,从人口、经济、土地和社会4个角度进行指标初选,经双变量相关性检验,剔除相关度过高(pearson相关系数大于0.85)的指标后,由23个指标构建形成(见表 1).空气质量水平则采用年均空气质量指数(AQI)表征.
变异系数Cv是数据标准差S与平均数x的比值,在消除测量尺度和量纲影响的同时,可反映数据的离散程度,公式为
$ {C_{\rm{v}}} = \frac{S}{{\bar x}}, $ | (1) |
其中,
$ S = \sqrt {\frac{1}{{n-1}}\sum\limits_{i = 1}^n {{{\left( {{x_i}-\mu } \right)}^2}} } \overline x = \frac{1}{n} {\sum\limits_{i = 1}^n {{x_i}}, } $ | (2) |
对于城市化子系统U(x)和空气质量子系统E(y),
$ {C_{\rm{v}}} = \sqrt {2 \times \left[{1-\frac{{4U\left( x \right) \cdot E\left( y \right)}}{{{{\left( {U\left( x \right) + E\left( y \right)} \right)}^2}}}} \right]}, $ | (3) |
其变异系数Cv越小,子系统间耦合程度越高.由此定义耦合度函数:
$ C = {\left[{\frac{{4U\left( x \right) \cdot E\left( y \right)}}{{{{\left( {U\left( x \right) + E\left( y \right)} \right)}^2}}}} \right]^k}, $ | (4) |
当2个子系统的综合效益或发展水平一定(即U(x)与E(y)之和一定)时,使两者复合效益或发展水平(即U(x)与E(y)之积)最大.调节系数k∈[1, 5],耦合度C∈[0, 1]反映2个子系统的组合协调程度[22].对耦合度的划分标准如表 2所示.
根据公式(4),2个低水平的子系统可能和2个高水平的子系统计算所得的耦合度值相差不多.仅凭耦合度值C并不足以全面反映2个子系统间的动态协调发展水平,在多区域对比研究时亦不够准确,为此引入耦合协调度函数:
$ D = \sqrt {C \times T}, $ | (5) |
其中C为耦合度;T=αU(x)+βE(y),为城市化与空气质量综合调和指数,反映双子系统的整体协同效应或贡献;α,β分别为各子系统的权重系数.本研究中,城市化子系统和空气质量子系统对城市化-空气质量双系统的重要性相同,因此取α=β=0.5.耦合协调度等级划分暂无统一规定,借鉴、综合已有研究成果[9, 23],本文拟定的耦合协调度类型分级见表 3.
地理探测器(geographical detectors)由WANG等[24]提出,通过度量自变量(或称风险因子)与因变量(或称风险事件)在空间分异性上的相似程度,探测地理事件的影响因子.该方法最初被用于探寻地方性疾病的影响因子[24],之后被应用于土地利用[25]、区域经济[26]、公共卫生[27]、环境污染[28]等领域具有空间分异特征问题的研究.
地理探测器包括以下4部分:①因子探测器:比较每个子区域的累计方差与整个研究区域的方差,寻找可能影响事件发生的风险因子;②风险探测器:比较不同分区间风险事件属性(因变量)的平均值.均值差异越显著,该子分区风险越大;③交互作用探测器:比较2个因子X1和X2独立对风险事件的决定力及2个因子共同作用对事件发生的决定力,评估多因子共同作用时是否会增加或减弱对事件Y的解释力;④生态探测器:计算不同因子子分区的累计方差,比较不同因子对事件Y空间分布的影响,观察其是否存在显著差异.
其中,交互作用探测器将2个因子X1、X2的交互作用划分为5种类型,见表 4.式中的∩表示交互作用,可通过ArcGIS对X1、X2 2个图层叠加来实现.
空气污染的影响因子与流行疾病、灾害发生原因有一定的相似性,即受到人为因素、气象条件和自然地理要素的综合影响.而且,2个变量在空间分布的一致性较一维曲线更难达到,即地理探测器所测度的相关性较经典回归更为可靠.因此,本文考虑将地理探测器应用于大气污染物影响因子的研究.
本文侧重讨论不同耦合协调阶段的城市化对空气质量的风险因子,同时对比分析人为因素与自然、气象因素决定力的差异.选择表 1中的23个城市化指标,以及平均高程、坡度、气温、降水等级等自然气象因子作为被探测的自变量.为进一步探寻污染工厂与空气质量的关系,探测废水、废气、危险固体废物排放企业数及污水处理厂数的决定力.
1.2 数据来源及研究区概况 1.2.1 数据来源与处理社会经济统计数据来源于《2015年浙江省统计年鉴》、《2016年浙江省统计年鉴》和各市相应年份统计年鉴及统计公报.污染企业数据来源于2015年《国家重点监控企业名单》和《浙江省重点监控企业名单》.
自然资源与环境数据来源于2015年《浙江省自然资源与环境统计年鉴》,气温数据来源于中国气象网,降水数据来源于《2015年浙江省农业气候年报》,高程、坡度数据由CGIAR-CSI(consortium for spatial information)提供的STRM 90m DEM数据处理获得.
空气质量数据来源于全国城市空气质量实时发布平台、浙江省环保局发布的国控污染源实时排放结果.
将人口、经济、社会、土地、气温等统计指标根据行政区划空间化.基于《2015年浙江省农业气候年报》矢量化获得2015年浙江省降水分布图层.镶嵌并校正90 m精度的浙江省STRM DEM数据,运用ArcGIS空间分析工具得到浙江省高度、坡度图层.对于监测站点的空气质量数据,剔除无效点和异常记录后,通过站点编码匹配获取其经纬度并定位,形成151个监测站点的点图层.借鉴已有研究[29],对监测站点的AQI字段做1 km分辨率的克里金插值;将浙江省划分为10 km × 10 km网格,提取每个网格内空气质量(AQI)的平均值作为因变量,提取各城市化指标、自然气象指标值,采取面积加权法进行处理,并将其作为自变量;按行政界线做掩膜提取,以网格几何中心提取样本点;采用Jenks自然断点法对样本点各属性值分层,最后,将分层结果输入地理探测器.
1.2.2 研究区概况浙江省地处中国东南沿海、长江三角洲南翼,陆域面积10.55×104 km2,拥有平原、丘陵、山区、海岛等多种地貌.海域面积26×104 km2,海岸线总长6 400余km,居全国首位[30].在城市化进程中,浙江省充分发挥国有经济的主导作用,发展民营经济,带动经济起飞.近年来,浙江省抓住机遇,大力发展以互联网为核心的信息经济,经济活力和增长速度均位列全国前茅.
在坚持经济发展的同时,浙江省生态环境的改善情况也连续多年位居全国前列.从“绿色浙江”到“生态省”,再到建设“全国生态文明示范区”,单位产值能耗降低、地表水质量显著提升、空气质量(AQI)优良天数平均比例上升,全省环境质量得到一定改善.
2 结果与分析 2.1 浙江省城市化与空气质量耦合协调度的空间分异耦合度C、耦合协调度D计算结果见表 5.从计算结果来看,大部分情况下耦合协调度D和耦合度C在空间差异上情况相似(见图 1),但类型划分有交错.就耦合度而言,2015年全省除丽水市处于低耦合状态、衢州市处于拮抗状态外,其余各市的城市化子系统与空气质量子系统均达高水平耦合.而从耦合协调度结果看,衢州、丽水处于城市化滞后的基本不协调阶段,杭州、嘉兴、宁波、舟山处于协调发展-高级协调阶段,温州、湖州、绍兴、金华、台州处于转型过渡阶段,其中温州、台州城市化滞后,湖州、绍兴、金华基本协调.
因为耦合度计算时仅关注子系统间得分的差异程度,当城市化水平和空气质量水平都较低时,获得较高耦合度;当空气污染治理成效超前于城市化发展,城市化滞后加剧时,耦合度降低.而在此基础上,耦合协调度还考虑了子系统本身水平的变化,使其更能反映城市化与空气质量的耦合协调关系.为此,选择耦合协调度作为浙江省各市城市化与空气质量耦合协调水平的划分依据.根据2015年的计算结果,将浙江省划分为①协调发展区:杭州、嘉兴、宁波、舟山;②转型过渡区:湖州、绍兴、金华、温州、台州;③不协调发展区:衢州、丽水,进行后续空气质量风险因子探究.
2.2 空气质量风险因子探究 2.2.1 浙江省空气质量风险因子分析运用地理探测器对全省1 161个样本点进行探测,结果如下:
2.2.1.1 因子探测结果因子探测器结果显示,年均AQI值决定力最高的5个因子为:全年人均用电(0.655)、三废排放企业数(0.608)、人均第二产业固定资产投资(0.596)、人均GDP(0.559)、建制镇面积占比(0.550).
如图 2所示,排名前5的风险因子与年均AQI在空间分布上有较强的一致性.自然因子高程等级(0.291)、坡度等级(0.178)及气象因子平均最高温(0.271)、平均最低温(0.230)、平均气温(0.190)、降水等级(0.327)的决定力普遍低于城市化类因子,其中降水量的决定力相对较高.可见,就浙江全省范围而言,城市化因素较自然、气象因素与年均AQI有更高的相关性,特别是人均用电和三废工厂数对空气质量的解释力超过60%.
观察图 2并使用风险探测器发现,决定力大的因子与因变量AQI值总体呈正相关,即因子值越高,年均AQI越大,且各因子在各分区间差异显著(见图 3).而以平均最高温、降水等级、高程、坡度为代表的气象、自然因素则不然.平均最高温在第3等级21.77~22.17℃的地区,年均AQI值最高;降水在第2等级0~1 800 mm的地区,AQI值较大,大部分情况下,降水等级越高、降水量越大的地区,AQI值越小,空气质量越好;高程值越大,即高度越高,空气质量越好;坡度在第1等级0~2.34°时,AQI值较大,随着坡度的增加,空气质量得以改善,当坡度超过第9等级45.15°时,AQI回升,空气质量回落(见图 4).
交互作用探测结果显示,与空气质量相关度高的城市化因子和自然气象因子两两共同作用,双线性或非线性地加强了对年均AQI空间分布的解释力(见表 6),大部分共同作用因子决定力大于0.6甚至0.7.其中人均第二产业固定资产投资与三废排放企业数交互后决定力达0.813,平均最高温和全年人均用电量交互后决定力达0.803,即这2组因子的共同作用能在超过80%的程度上解释AQI的空间分布.可见空气质量与社会、经济、自然、气象共同作用的关联性更高.
根据城市化与空气质量耦合协调度计算结果, 分别对协调发展地区、转型过渡地区、不协调发展地区进行空气质量风险因子探测,进一步探究不同耦合协调类型下风险因子的差异.
2.2.2.1 因子探测结果对三大耦合协调地区使用因子探测器,得到的年均AQI关联度排名前5的因子及其决定力值如表 7所示.各分区主要风险因子与该地区年均AQI值的空间分布如图 5所示,可见其有较强的相似性.
整理各区探测结果发现,三大分区的强相关因素与全省一致,基本为城市化因子,除了人均用电、三废排放企业数、人均民用汽车数等社会城市化指标外,还包括人均第二产业固定资产投资、人均GDP等经济城市化指标,及建制镇面积占比、二三产业从业人员占比等土地城市化、人口城市化指标.其中,全年人均用电、三废排放企业数、人均第二产业固定资产投资、人均GDP、人均固定资产投资上榜次数最多.但不同耦合协调地区的风险因子仍有差异,各因子在不同耦合协调状态下,对空气质量的决定力也不同.
例如,二三产业产值占比在协调地区和不协调地区的决定力q值分别为0.619,0.614,而在转型过渡地区仅为0.172;总人口数在不协调地区的决定力q值为0.598,而在协调地区和转型过渡地区仅为0.258,0.249;危险固体废物排放厂在协调地区q值达到0.507,而在其他2个分区仅为0.115,0.281.相比其他分区,协调发展城市与全年人均用电、万人拥有汽车数、平均最高温、危险固体废物排放厂数相关度更高;转型过渡城市人均第二产业固定资产投资、工业产值占比、降水等级决定力值高;总人口、建制镇面积占比、人口密度则在不协调城市有着更强的解释力.协调发展区的空气质量水平与社会城市化,尤其是与人们生产生活相关的用电、用车、污染工厂的相关性更强;转型过渡区与经济城市化,尤其是与第二产业相关的投资、生产的关联度更高;而人口城市化、土地城市化在不协调区解释力大.
综合被探测因子整体的决定力结果,发现协调地区的主要风险因子的相关水平与全省最为相近;转型过渡地区的风险因子解释力相对偏低(见图 6).以工业产值占比这一指标为例,在协调发展地区,其与年均AQI的相关性排名第10,决定力值为0.486;在不协调地区,排名为第9,决定力值为0.504;而在转型过渡地区,排名为第2,决定力值为0.444,仍低于其他两区的解释力.可见城市化的整体作用有空间差异,城市化与转型过渡地区空气质量的相关关系弱于其他分区.
个别自然气象因子在特定地区具有较高的决定力,其余排名普遍靠后.平均最高温在协调发展区有0.566的较强解释力,在不协调的衢、丽地区,也有较强的相关性(0.429),但在转型过渡地区,解释力很小(0.101).转型过渡地区的空气质量水平与降水等级一定程度相关(0.424),而不协调地区更多与气温相关.就2015年而言,浙江省自然气象与空气质量的相关性弱于城市化过程中的人为因素.
2.2.2.2 风险探测结果风险探测结果显示,三大分区的主要风险因子与因变量AQI值基本都呈正相关,即风险因子值增加,年均AQI波动上升(见图 7),但也有个别例外,AQI值随着因子值增大,先升高后降低.例如协调地区的人均固定资产投资、人均第二产业固定资产投资、平均最高温指标,其相应AQI的极大值分别出现在46 874~63 231元,19 545~27 687元,21.51℃~21.87 ℃;转型过渡地区的AQI值随着二、三产业产值增比的提高,先增后减,当二、三产业产值增比超过0.078时,AQI值陡然下降.
自然、气象因子中,除气温与空气质量的关系在不同分区的波动较大外,高程、坡度、降水与三分区的年均AQI值均呈负相关(见图 8),转型过渡地区的降水超过1 800 mm时,降水量对空气质量改善作用显著.即对不同城市化与空气质量耦合协调类型地区,高度越高、坡度越大、降水越多的分区,AQI相对较低,空气污染相对较轻.
对三大分区分别使用交互作用探测器,发现决定力强的风险因子及自然气象因子两两共同作用,均双线性或非线性地加强了对年均AQI空间分布的解释力(见表 8~表 10).协调地区上述因子交互后的决定力大多超过0.6,其中人均第二产业固定资产投资与全年人均用电共同作用的决定力为0.819,二、三产业产值占比与平均最高温共同作用的决定力达0.850;转型过渡地区,主导因子交互后的决定力大多超过0.5,人均第二产业固定资产投资与平均最低温共同作用的决定力达0.815;不协调地区主导因子交互后的决定力也大多超过0.6,二、三产业产值占比与平均最高温共同作用的决定力达0.843.发现局部最强的双因子交互增强效应通常出现在城市化因子和自然气象因子组合时,即合理选择人为因素和自然因素的组合,能够在80%以上程度上解释空气质量的空间分布.
除全年人均用电、人均第二产业固定资产投资、工业产值占比对三分区空气质量均有较强解释力外,杭、嘉、宁、舟协调地区的空气质量水平与万人拥有汽车数、平均最高温、三废排放企业数有强相关性;湖、绍、金、温、台转型过渡地区的空气质量水平与降水等级有较强相关性;衢、丽不协调地区的空气质量与总人口、建制镇面积占比、人口密度有强相关性.自然、气象因素在全省范围及各分区的决定力都明显弱于城市化因素.
3.1.2 不同风险因子与风险事件的相关性不同在各分区,以城市化为特征的人为因素,如全年人均用电量、三废排放企业数、工业产值占比,通常与年均AQI值呈正相关;降水量、高程、坡度与年均AQI值呈负相关,且降水量的负相关性最强.而人均固定资产投资、人均第二产业固定资产投资、平均最高温、平均最低温、平均气温与风险事件的相关程度在不同耦合协调分区有所差异:杭州、嘉兴、宁波、舟山组群,年均AQI值随人均第二产业固定资产投资、气温增高,先波动升高后降低;湖州、绍兴、金华、温州、台州组群,年均AQI值与人均第二产业固定资产投资呈正相关,与气温因素呈负相关;衢州、丽水区域年均AQI值随人均第二产业固定资产投资增加而增加,与气温无明显相关性.
3.1.3 风险因子的两两共同作用加强了对风险事件空间分布的解释力主要风险因子及自然气象因子交互后的决定力均得到了双线性或非线性增加,部分双因子交互后对风险事件的解释力超过80%.局部最强的双因子交互增强效应往往出现在城市化因子和自然气象因子组合时.
3.2 对策建议随着内外部环境和条件的深刻变化,浙江省城市化已进入以提升质量为主的转型发展阶段.基于浙江省空气质量指数(AQI)的风险因子分析结果,提出对策建议如下:
3.2.1在浙江省及三分区,全年人均用电、三废排放企业数与空气质量指数(AQI)呈强相关性,而耗电工厂和污染排放企业又是城市化,特别是第二产业发展不可避免的产物.因此,浙江省应坚持集约型社会发展思路,清理整治“低小散”企业,淘汰落后产能企业,规划建设工业集中区域,做好工业集中区域周边地区的治污排污工作;推进产业结构调整,因地制宜地调整、控制第二产业规模,加大城市第三产业发展力度;加大科研力度,助力发展绿色环保材料,利用清洁能源,降低煤炭使用量,提高生产、生活用电效率.
3.2.2协调发展地区的万人拥有民用汽车数.近年来,随着人均收入的增加,汽车普及度增大,机动车尾气是空气污染的一大来源.应有效控制人均汽车持有量,尤其对杭州、嘉兴、宁波、舟山等协调发展地区,一方面应继续施行错峰限行、车牌限号等举措,限制尾气排放不合格的车辆上牌上路,淘汰黄标车和老旧车;另一方面应提高公共交通设施的便利度、舒适度,鼓励并吸引群众低碳出行.
3.2.3主要风险因子与风险事件在空间分布上有一定的相似度,部分双因子交互后与风险事件的相关度甚至超过80%.因此,把握这些高决定力的因子或因子组合能在很大程度上了解风险事件的空间分异特征;探索主要风险因子的空间分布规律,监测其动态变化,有助于空气污染的预防和治理.例如人均第二产业固定资产投资、工业产值占比对全省空气质量指数有较强的正相关性,因此,对于一些以乡镇为单元,工业制造业、工厂企业较为密集的地区,应重点实施空气质量监测,向民众提供实时的空气质量指数查询,完善污染事件预警机制,加强联防联控,保障空气污染的及时治理.
3.2.4实验结果表明,降水量较大、高程与坡度较高的地区空气质量相对较好.但自然因子的决定力普遍弱于城市化因子.因此,尽管浙江省有着相对充沛的降水量、多变的地形,是全国海岸线最长的省份,但仅依靠自然因素对空气质量进行调节并不够,须坚持绿色发展,走可持续发展之路,加快形成人与自然和谐发展的现代化建设新格局.
[1] | HAO J M, HE K B, DUAN L, et al. Air pollution and its control in China[J]. Frontiers of Environmental Science & Engineering in China, 2007, 1(2): 129–142. |
[2] | GROSSMAN G M, KRUEGER A B. Environmental impacts of a North American free trade agreement[J]. Social Science Electronic Publishing, 1992, 8(2): 223–250. |
[3] | PANAYOTOU T. Empirical tests and policy analysis of environmental degradation at different stages of economic development[Z]. ILO Technology and Employ Programmed Working Papers, WP238. 1993, 4. https://www.researchgate.net/publication/5115633_Empirical_Tests_and_Policy_Analysis_of_Environmental_Degradation_at_Different_Stages_of_Economic_Development |
[4] | JERRETT M. Atmospheric science:The death toll from air-pollution sources[J]. Nature, 2015, 525(7569): 330–331. DOI:10.1038/525330a |
[5] | FAN J, ROSENFELD D, YANG Y, et al. Substantial contribution of anthropogenic air pollution to catastrophic floods in Southwest China[J]. Geophysical Research Letters, 2015, 42(14): 6066–6075. DOI:10.1002/2015GL064479 |
[6] | LELIEVELD J, EVANS J S, FNAIS M, et al. The contribution of outdoor air pollution sources to premature mortality on a global scale[J]. Nature, 2015, 525(7569): 367–371. DOI:10.1038/nature15371 |
[7] |
范洪敏. 人口年龄、城乡结构与空气污染关系研究[D]. 沈阳: 辽宁大学, 2015.
FAN H M. Research on the Relation between Population Age and Urban-Rural Structure and Air Pollution[D]. Shenyang: Liaoning University, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10140-1015421354.htm |
[8] |
王庆松. 山东城市化发展战略对大气环境影响研究[D]. 济南: 山东大学, 2010.
WANG Q S. Research on Air Environmental Impact of Urbanization Development Strategy in Shandong Province[D]. Jinan: Shandong University, 2010. http://cdmd.cnki.com.cn/article/cdmd-10422-1011062712.htm |
[9] |
丁镭. 中国城市化与空气环境的相互作用关系及EKC检验[D]. 北京: 中国地质大学, 2016.
DING L. Investigating the Environment Kuznets Curve and Interaction Relationship between China's Urbanization and Air Environment[D]. Beijing: China University of Geosciences, 2016. http://cdmd.cnki.com.cn/Article/CDMD-10491-1016312123.htm |
[10] | FARZANEGAN M R, BUEHN A. Hold your breath: A new index of air quality[R]. Working Papers, 2011, 11(24). https://www.researchgate.net/publication/254428577_Hold_Your_Breath_A_New_Index_of_Air_Quality |
[11] |
李玉敏, 李明丽, 焦智康. 北京市空气质量影响因素计量经济分析[J].
中国城市经济, 2011(9): 260–261.
LI Y M, LI M L, JIAO Z K. Econometric analysis of influencing factors of air quality in Beijing[J]. China Urban Economy, 2011(9): 260–261. |
[12] |
章异平, 徐军亮, 赵西平, 等. 基于灰色关联的洛阳市空气质量影响因素分析[J].
河南科技大学学报(自然科学版), 2012, 33(1): 100–104.
ZHANG Y P, XU J L, ZHAO X P, et al. Grey correlation analysis of air quality and its affection factors in Luoyang city[J]. Journal of Henan University of Science & Technology (Natural Science), 2012, 33(1): 100–104. |
[13] |
王洪礼, 李怀宇, 郭嘉良. 城市空气污染治理策略研究[J].
统计与决策, 2009(23): 31–33.
WANG H L, LI H Y, GUO J L. Study on urban air pollution control strategy[J]. Statistics & Decision, 2009(23): 31–33. |
[14] | LI Q, SONG J, WANG E, et al. Economic growth and pollutant emissions in China:a spatial econometric analysis[J]. Stochastic Environmental Research and Risk Assessment, 2014, 28(2): 429–442. DOI:10.1007/s00477-013-0762-6 |
[15] |
周宏.
现代汉语辞海·上[M]. 北京: 光明日报出版社, 2003.
ZHOU H. Modern Chinese Dictionary[M]. Beijing: Guangming Daily Press, 2003. |
[16] |
刘耀彬, 宋学锋. 城市化与生态环境的耦合度及其预测模型研究[J].
中国矿业大学学报, 2005, 34(1): 91–96.
LIU Y B, SONG X F. Coupling degree model and its forecasting model of urbanization and ecological environment[J]. Journal of China University of Mining & Technology, 2005, 34(1): 91–96. |
[17] |
凌立文, 余平祥. 广东省城镇化与生态环境耦合水平分析与预测[J].
西北农林科技大学学报(社会科学版), 2016, 16(4): 138–145.
LING L W, YU P X. Analysis and prediction of coupled coordination level of urbanization and eco-environment in Guangdong province[J]. Journal of Northwest A & F University (Social Science Edition), 2016, 16(4): 138–145. |
[18] |
王少剑, 方创琳, 王洋. 京津冀地区城市化与生态环境交互耦合关系定量测度[J].
生态学报, 2015, 35(7): 2244–2254.
WANG S J, FANG C L, WANG Y. Quantitative investigation of the interactive coupling relationship between urbanization and eco-environment[J]. Acta Ecologica Sinica, 2015, 35(7): 2244–2254. |
[19] |
程艳. 徐州市城市化与生态环境耦合协调发展研究[D]. 北京: 中国矿业大学, 2014.
CHENG Y. Study on Coupling Coordination Development between Urbanization and Eco-environment of Xuzhou City[D]. Beijing: China University of Mining and Technology, 2014. http://cdmd.cnki.com.cn/Article/CDMD-10290-1014074506.htm |
[20] |
刘耀彬, 李仁东, 宋学锋. 中国区域城市化与生态环境耦合的关联分析[J].
地理学报, 2005, 60(2): 237–247.
LIU Y B, LI R D, SONG X F. Grey associative analysis of regional urbanization and eco-environment coupling in China[J]. Acta Ecologica Sinica, 2005, 60(2): 237–247. DOI:10.11821/xb200502007 |
[21] |
陈晓红, 吴广斌, 万鲁河. 基于BP的城市化与生态环境耦合脆弱性与协调性动态模拟研究——以黑龙江省东部煤电化基地为例[J].
地理科学, 2014, 34(11): 1337–1343.
CHEN X H, WU G B, WAN L H. Dynamic simulation of vulnerability and coordination of the coupling of urban and ecological environment based on BP:A case of the coal-electricity base in the Eastern Heilongjiang province[J]. Scientia Geographica Sinica, 2014, 34(11): 1337–1343. |
[22] |
廖重斌. 环境与经济协调发展的定量评判及其分类体系[J].
热带地理, 1999, 19(2): 171–177.
LIAO Z B. Quantitative judgement and classification system for coordinated development of environment amd economy:A case study of the city group in the pearl river delta[J]. Tropical Geography, 1999, 19(2): 171–177. |
[23] |
方倩. 鄱阳湖地区城镇化和土地生态环境耦合关系研究[D]. 南昌: 江西农业大学, 2015.
FANG Q. Study on Relationship between the Urbanization and Ecological Environment of Poyang Lake Area[D]. Nanchang: Jiangxi Agricultural University, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10410-1015647965.htm |
[24] | WANG J F, LI X H, CHRISTAKOS G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China[J]. International Journal of Geographical Information Science, 2010, 24(1): 107–127. DOI:10.1080/13658810802443457 |
[25] |
陈昌玲, 张全景, 吕晓, 等. 江苏省耕地占补过程的时空特征及驱动机理[J].
经济地理, 2016, 36(4): 155–163.
CHEN C L, ZHANG Q J, LYU X, et al. Analysis on spatial-temporal characteristics and driving mechanisms of cropland occupation and supplement in Jiangsu province[J]. Economic Geography, 2016, 36(4): 155–163. |
[26] |
刘彦随, 杨忍. 中国县域城镇化的空间特征与形成机理[J].
地理学报, 2012, 67(8): 1011–1020.
LIU Y S, YANG R. The spatial characteristics and formation mechanism of the county urbanization in China[J]. Acta Geographica Sinica, 2012, 67(8): 1011–1020. DOI:10.11821/xb201208001 |
[27] |
张彦. 山西省神经管畸形发生的时空分布研究及其环境影响因子探测[D]. 北京: 中国矿业大学, 2015.
ZHANG Y. Temporal and Spatial Analysis of Neural Tube Defects and Detection of Environmental Factors in Shanxi Province[D]. Beijing: China University of Mining and Technology, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10290-1015971686.htm |
[28] | LI X W, XIE Y F, WANG J F, et al. Influence of planting patterns on fluoroquinolone residues in the soil of an intensive vegetable cultivation area in Northern China[J]. Science of the Total Environment, 2013, s 458-460(3): 63–69. |
[29] |
周磊, 武建军, 贾瑞静, 等. 京津冀PM2.5时空分布特征及其污染风险因素[J].
环境科学研究, 2016, 29(4): 483–493.
ZHOU L, WU J J, JIA R J, et al. Investigation of temporal-spatial characteristics and underlying risk factors of PM2.5 pollution in Beijing-Tianjin-Hebei area[J]. Research of Environmental Sciences, 2016, 29(4): 483–493. |
[30] | WIKIPEDIA. Zhejiang. https://en.wikipedia.org/wiki/Zhejiang,2017. |