1 引言(Introduction)

近年来, 随着工业化进程的加快, 工业生产活动和能源消费的持续增加使得我国环境污染问题日趋严重, 其中以空气污染问题尤为突出(Huang et al., 2014).伴随社会经济的快速发展, 我国城市化水平也不断提高, 人口城镇化率也由1978年改革开放之初的17.9%增长到2016年的57.35%, 年均增长约1.04%.工业化和城市化进程的加快, 极大地促进了城市物质财富的积累和居民生活水平的提高, 与此同时, 也引发了一系列的“城市病”问题, 如雾霾、光化学烟雾等大气污染事件(姚尧等, 2017).日趋严重的大气污染不仅直接损害了人民的身体健康, 还对经济发展造成了严重影响(Guan et al., 2014；Tian et al., 2016).因此, 控制大气污染物排放及改善城市空气质量, 是我国当前社会经济转型及实现绿色发展的重要目标之一.

NO_x(NO_x=NO+NO₂)是一种影响空气质量的主要大气污染物, 它不仅是有毒的大气污染物, 还对对流层的化学反应具有一系列复杂的影响.过高浓度的NO_x对人类健康具有较大的危害, 暴露于其中短期内易引起呼吸道疾病, 长期有可能引发死亡(Mauzerall et al., 2005；Weschler, 2006).另外, NO_x与其他大气污染物的复杂反应会引发夏季光化雾、对流层臭氧增加及硝酸盐的形成等, 容易导致酸雨和灰霾天气的形成, 对生态环境具有较大的危害(Boningari et al., 2016；Wang et al., 2016).因此, NO_x的危害引起了我国政府部门的高度关注, 不仅在“十二五”规划中制定了NO_x的减排目标, 即在2011—2015年内降低10%, 在“十三五”规划中继续强调将NO_x减排控制纳入总量控制的约束指标体系中.因此, 在全社会关注污染治理的背景下, 重新审视NO_x排放的时空分布规律及其社会经济驱动因素, 对区域污染治理有着积极的作用.

目前, 关于城市NO_x的相关研究主要集中于3个方面：①利用地面监测的质量浓度数据研究NO₂的时空分布特征.如王英等(2012)研究了京津冀与长三角区域2005—2011年大气NO₂污染特征, 并对比分析了近地面质量浓度和垂直柱浓度.郑晓霞等(2014)基于地面监测数据分析了2005—2013年京津冀地区的NO₂区域污染特征, 结果发现, NO₂浓度在时间上呈总体升高趋势, 在空间上呈东南高、西北低的趋势.王占山等(2015)对2013年北京市的NO₂时空分布进行了分析.丁镭等(2016)以湖北省17个城市2004—2013年的空气监测数据为基础, 分析了包括NO₂和SO₂在内的空气质量变化特征, 结果发现, 10年间湖北省城市空气质量总体呈下降趋势, 但在空间上存在区域差异.然而, 由于现有监测站相关工作起步晚、监测点稀疏(尤其是西部地区), 使得研究缺乏长时间序列、空间全覆盖的数据(姚尧等, 2017).此外, 监测站监测的是NO_x(包括NO₂和NO)浓度数据, 反映了NO_x的污染状况, 不能反映区域NO_x污染物排放量的变化.此外, 现有关于NO_x排放量数据的统计只有省级尺度的数据, 缺乏城市尺度上的统计(Diao et al., 2018).②利用卫星遥感数据揭示对流层NO_x的时空分布及区域差异.由于臭氧检测仪(OMI)获取的NO₂数据具有相对较高的质量和分辨率, 因而有大量的文献基于NO₂柱浓度数据来分析不同区域NO₂时空分布及变化趋势(Velders et al., 2001；Richter et al., 2005；Lin et al., 2010；李龙等, 2013).然而, 这些研究也是针对NO₂浓度开展分析, 不能反映出区域NO_x排放量的变化及空间差异.③关注NO_x的社会经济影响因素.如Shi等(2014)研究发现, 人口、富裕度和技术对中国省域NO_x排放具有不同的影响.郑晓霞等(2014)指出, 人口密度、能源消耗、机动车排放等人为因素与NO₂密切相关, 不同城市的首要影响因素不同.周春艳等(2016)指出, NO₂浓度与第二产业总产值、能源结构和机动车保有量有关.周侃和樊杰(2016)研究发现, 人口规模、城镇化水平和经济增长速度是污染物排放的主要驱动因素.

纵观已有的研究, 虽然许多学者对NO_x或NO₂浓度时空分布及其影响因素进行了探索研究, 但对于地理空间维度重视不够.尽管有部分学者考虑了NO_x的空间依赖性(姚尧等, 2017；Diao et al., 2018), 但忽视了城市尺度NO_x污染的空间分异性, 以及影响因素之间的交互作用, 因此, 模型分析的结果可能存在遗漏或偏误.由于中国各个城市的NO_x污染存在较大的空间差异, 因而探测其潜在因子多大程度上解释了这种空间分异, 以及因子之间交互的影响程度就显得尤为必要.传统的计量方法假设空间是均质的、无差异化的, 显然不能从区域差异的视角进行影响因素的解析.然而, 地理探测器作为空间分层异质性分析的新方法, 无疑为区域NO_x排放量差异分析提供给了一个有力的分析工具.本研究拟引入地理探测器这种新的空间分异性分析方法, 不仅能度量自变量(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, 而且还能判断两因子是否存在交互作用, 以及交互作用的强弱、方向、线性还是非线性(Wang et al., 2010；Yang et al., 2018).

因此, 针对NO_x排放数据时间和空间尺度的限制, 以及现有研究方法的局限性, 本文选取中国268个城市2007—2016年的NO_x排放数据作为样本, 首先采用EOF方法分析中国城市NO_x排放的时空异质性, 然后采用地理探测器方法从空间分异性视角探析影响中国城市NO_x排放的主要社会经济驱动因素, 进而对具体的社会影响因素进行系统性地甄别和量化.本研究对于制定区域和城市大气环境防治政策具有重要意义.

2 研究方法与数据来源(Research methods and data sources) 2.1 方法介绍 2.1.1 自然正交函数

自然正交函数(Empirical Orthogonal Function, EOF)最早由Pearson提出, 后来于1956年被Lorenz运用于气象学研究.EOF的原理与主成分分析的本质是一致的, 但EOF方法的主要作用是以时空数据为对象, 将时间序列所构成的要素场分解为不依赖于时间变化的空间函数和只依赖于时间变化的时间函数的线性组合, 以此来分析要素场的时间和空间结构(王劲峰等, 2019).利用EOF方法正交展开后, 其特征向量表示的是空间样本, 即空间模态；主成分代表的是时间变化, 也称之为时间系数.EOF将时空数据分解后可以得到k个特征向量, 第k个特征向量就称为第k个空间模态, 每一个特征向量对应一个时间系数, 与特征向量对应的时间系数表示特征向量的权重, 可以衡量不同年份对这种空间分布贡献的大小.特征向量相当于主成分, 是从原始时空数据矩阵中提取的信息, 在特征向量空间分布图中, 值高的地方代表观测样本值高.主要特征向量的空间分布代表观测样本时空矩阵的主要空间格局.特征向量对原始时空矩阵空间格局的反映情况或解释能力由方差贡献决定, 一般前几个或一个特征向量方差贡献高, 可代表主要格局(王劲峰等, 2019；杨东阳等, 2015).EOF的优越性体现在能很好地揭示研究区某一变量的时空异质特性, 目前已被广泛应用于社会经济时空差异(白景锋等, 2014)、碳排放时空异质性(胡艳兴等, 2016)、PM_2.5时空动态变化(姜磊等, 2018)等方面的研究.因此, 本文采用EOF方法对全国268个城市2007—2016年的NO_x排放量进行时空分解, 能够把NO_x排放量的时间动态性和空间异质性结合起来, 从而更好地揭示NO_x排放量的时空异质性.

2.1.2 地理探测器

地理探测器(Geographical Detector)由Wang等(2010)首先提出, 最初是应用于地理空间因素对地方性疾病风险影响的一种技术方法, 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来探测地理事件的影响因子, 之后该方法被逐步应用于土地利用、区域经济、公共卫生等领域(王劲峰等, 2017).因此, 风险就引申为一个广泛的意义, 特指研究中的因变量.在本研究中, 风险即指由于NO_x排放量导致的空气污染及对人体健康的影响.风险因子指的是影响NO_x排放量的潜在影响因子.

地理探测器相对于其他统计方法而言具有3个优点：①既可以探测数值型数据, 也可以探测定性数据, 现有模型一般擅长数值型数据；②简单且物理意义明确, 没有线性假设, 客观探测出自变量解释了100q%的因变量；③可探测交互作用, 能够探测两因子对因变量的交互作用, 从而判断两因子是否存在交互作用, 以及交互作用的强弱、方向、线性还是非线性.不限于计量经济学中指定的乘性交互方法, 且对于共线性免疫(王劲峰等, 2019).

地理探测器包括因子探测、交互作用探测、风险探测和生态探测共4个探测器, 常用的主要是前3个探测器.因子探测用q值来度量某影响因子(X_s)对因变量属性Y的影响, 其表达式见式(1)~(2).

(1)

(2)

式中, h=1；L为变量Y或因子X的分层, 即分类或分区；N_h和N分别为层h和全区的单元数；σ_h²和σ²分别是层h和全区的Y值的方差；SSW和SST分别为层内方差之和及全区总方差.q取值范围为[0, 1], q值越大表示自变量X对Y的解释力越强, 反之则越弱.

交互作用探测：评估两个不同风险因子之间共同作用时对Y的影响, 如因子X₁和X₂.该方法首先分别计算两个因子X₁和X₂对Y的q值, 即q(X₁)和q(X₂), 并且计算它们交互时的q值, 即q(X₁∩X₂), 并对q(X₁)、q(X₂)与q(X₁∩X₂)进行比较.两个因子之间的关系可分为以下5类(表 1).

风险区探测：用于判断两个子区域间的属性均值是否有显著的差别, 用t统计量来检验(式(3)).

(3)

式中, Y_h表示子区域h内的属性均值；n_h为子区域h内样本数量, Var表示方差.若拒绝原假设, 则认为两个子区域间的属性均值存在着明显的差异.

2.2 数据来源

本文使用的2007—2016年中国城市NO_x排放数据由荷兰皇家气象局(Royal Netherlands Meteorological Institute, KNMI)研究团队使用最新的Daily Emission estimates Constrained from Satellite Observations(DESCO)v5算法估算得到(Mijling et al., 2012；Ding et al., 2017).这种算法基于扩展的卡尔曼滤波器, 结合卫星实际观测的对流层NO₂垂直柱浓度, 通过优化大气化学传输模型(Chemical Transport Model, CTM)模拟结果, 从而估算出NO_x排放量.该算法充分考虑了大气传输因素, 计算了周围地区的NO₂柱浓度对当地NO_x排放的敏感性.在轨迹分析方面, 使用了插值成0.5 h采样间隔的来自欧洲中期天气预报中心(European Centre for Medium Range Weather Forecasts, ECMWF)的业务气象预报数据.根据每日计算得到的NO_x排放量通过加总最终形成年度NO_x排放数据库.此外, DESCO算法使用的是Eulerian offline CTM CHIMERE v2013大气化学传输模型, 其格点空间分辨率为0.25°×0.25°.模型需要输入气象场、重要污染物排放、土地利用数据及大气边界条件等信息, 模型所需输入和配置的有关具体参数参照Ding等(2015)的研究.其中, 卫星观测的对流层NO₂垂直柱浓度数据由Ozone Monitoring Instrument (OMI)卫星传感器获取, 其空间分辨率为13 km×24 km(天底点), 过境时间为当地下午1：40左右(Boersma et al., 2011).在估计精度方面, Ding等(2017)将2012—2013年卫星观测的柱浓度月均变化与DESCO v5版本的NO_x排放数据进行了比较, 发现其NO_x排放数据的格点精度为20%左右, 而中国地级市排放数据精度控制在2%以内(Ding et al., 2017).

参考已有的实证研究结果可知, NO_x排放主要来源于3个方面：工业排放、机动车排放和生活排放(周侃等, 2016；姚尧等, 2017；Diao et al., 2018).并且主要受社会经济因素驱动, 如城市人口聚集、经济发展、工业发展、城市扩张、工业发展、能源消费和城市交通等因素的影响.因此, 本文选取城市人口(POP)、地区人均生产总值(PGDP)、城市建设用地面积(AREA)、工业总产值(INDUSTRY)分别表示人口聚集、经济发展、城市扩张.同时, 由于在城市研究尺度上缺乏城市火力发电指标和机动车保有量的数据, 故选择了替代性指标, 采用全社会用电量指标(ES)及包括了公共汽车与出租车拥有量之和的民用汽车拥有量指标(CAR)作为影响因子, 分别表征能源消费和城市交通对NO_x排放的影响.本文采用的社会经济变量数据来源于《中国城市统计年鉴》, 由于部分城市统计数据缺失, 因而空间样本总量为268.

3 NO_x排放的空间异质性分析(Spatial heterogeneity analysis of NO_x emissions)

首先, 给出样本期内首末两年(即2007年和2016年)NO_x排放的空间分布, 然后进行比较, 归纳其时空演变特征, 结果如图 1所示.

从图 1可以看出, NO_x排放量数据没有涵盖中国西部的绝大部分城市.这是因为西部地区的大气化学传输模型的输入参数变化较大, 致使估计出来的NO_x排放量具有较大的不确定性.此外, 本研究探索的是人为源的NO_x排放问题, 但西部地区的自然排放源较为复杂, 在模型中产生了较大的误差, 因此, 本研究集中探讨中东部的人为源NO_x排放问题.由图 1可知, 2007—2016年中国城市NO_x排放量并没有发生显著改变, 但NO_x排放的分布格局总体上发生了一定变化, 并且局部地区有明显改变.具体来说, 2007年NO_x排放量高值集中在北京、天津、石家庄、唐山、邯郸、鄂尔多斯、潍坊、重庆、苏州、上海和广州，而2016年NO_x排放量高值则集中在北京、天津、唐山、石家庄、邯郸、鄂尔多斯、榆林、重庆、苏州.对比可以发现, 京津冀地区、长三角地区的发达城市是我国NO_x排放量最高的区域, 并且在样本期内没有明显改变.但中部地区城市的NO_x排放量普遍有所增加, 污染呈加重趋势.2007年NO_x排放量较高的区域, 如珠三角、东北地区和辽宁半岛在2016年时有一定程度的降低.从这些地区的NO_x排放变化可以分析出3点结论：①京津冀和长三角地区是我国经济增长的主要驱动力, 经济活力不断增强, 工业活动和居民收入水平不断提高, 使得这些地区的NO_x排放没有降低；②中部城市的NO_x排放增长主要是归因于中部地区的崛起, 当地工业经济水平和居民收入消费水平均有明显的提高, 促使NO_x排放量上升；③东三省NO_x排放降低主要是由于地方经济疲软, 工业发展阻滞, 由此导致NO_x排放量降低.

本文采用EOF方法对中国城市2007—2016年的NO_x排放量数据进行时空分解, 可以更为明晰地分析出NO_x排放量的时空变化规律.结果发现, 前3个特征向量方差贡献率分别为97.89%、0.96%和0.47%, 每一特征向量场的极大值中心是NO_x排放量增加或减少异常变化的最敏感区域.EOF展开的第一模态特征向量一般反映了NO_x排放量距平的平均状态, 其余模态则反映的是在不同尺度上NO_x排放量距平的变化状态.与特征向量对应的时间系数表示特征向量的权重, 可以衡量不同年份对这种空间分布贡献的大小.由于第一个特征向量方差贡献率已高达97.89%, 因而可以采用第一特征向量来衡量NO_x排放量的时空结构特征.

EOF第一模态反映了NO_x排放量的总体空间分布特征(图 2).特征向量的高值出现在京津冀地区、山东半岛的淄博、潍坊、济宁和临沂, 以及长三角的上海、无锡、南京、苏州和杭州.低值则集中在西南的云贵地区、东南的广东和福建及西北的宁夏.

对NO_x排放进行EOF分解后的第一模态时间系数呈现出年际变化特征(图 3).年尺度的NO_x时间系数变化大致呈先降后升再降的非线性波动, 即2007—2009年表现为下降趋势, 2009—2011表现为上升趋势, 2011—2016呈现波动下降趋势.NO_x排放量在2011年开始下降, 究其原因是由于中国在“十二五”时期开始将NO_x分重点区域、重点行业进行减排目标的制定, 并且对全国总排量进行了控制约束.进一步地, 在“十三五”规划中, 又加大了NO_x减排约束, 使得从2011年起NO_x排放直线下降.

4 地理探测器分析结果(Geographical detector analysis results)

采用地理探测器方法来揭示中国城市NO_x排放量的风险因子(潜在影响因子)作用强度, 分析因子之间的交互关系和高风险区(NO_x排放量高的区域).

4.1 因子探测分析结果

衡量社会经济因子对NO_x排放量空间分布的影响强度通过因子探测来实现, q值越大, 说明该风险因子对NO_x的影响强度越大, 分析结果如表 2所示.

在6个风险因子中, q值的统计量通过显著性检验的大小顺序依次是：CAR (0.3529)＞POP(0.3303)＞INDUSTRY (0.3254)＞AREA (0.3136)＞ES (0.2879)＞PGDP (0.1418).由此可以看出, 风险因子中民用汽车拥有量(CAR)对NO_x排放量分布的影响最大, 其次是城市人口(POP)和工业总产值(INDUSTRY).这说明城市交通、人口集聚、工业发展对NO_x排放的影响最大.据《全国环境统计公报》显示, 2007年和2015年全国机动车尾气排放的NO_x分别为276.7万t和585.9万t, 分别占到NO_x排放量的16.84%和31.64%, 并且呈逐年增加趋势.从污染源角度来看, 工业源依然是NO_x排放的主要来源, 但其所占NO_x排放量的比重则由2007年的76.75%下降到2015年的63.77%, 这主要是由于工业结构调整的减排效应开始显现(刁贝娣等, 2016).从城市化角度来看, 较高的人口聚集往往伴随着居民生活用能如天然气、汽油等增加, 从而使得大气中NO_x排放增加, 因而较高的人口聚集规模也是影响NO_x排放的一个重要因素.此外, 城市建设用地扩张、电力消费和经济发展也都直接或间接地影响NO_x的排放量.

4.2 交互作用探测结果分析

利用地理探测器中交互探测的方法来检测不同风险因子在影响NO_x排放的空间分布方面的交互作用.6个风险因子的交互作用结果共有15对(表 3), 每一对风险因子交互作用的q值皆大于这对风险因子的任一因子的q值, 而小于这对风险因子的两个q值之和, 因而这6对风险因子每一对的交互作用对NO_x排放量的影响表现为双变量加强型.具体来看, 仅有少部分风险因子在影响NO_x污染分布方面有着非线性增强的作用(以#标记), 而80%的因子有着双因子增强的作用.除人口与人均GDP、人均GDP与全社会用电量、人均GDP与民用汽车总量因子的交互作用表现为双因子交互作用非线性增强型之外, 其它因子的交互作用均表现为双因子显著增强型.此外, 交互作用探测结果说明, 任意两个风险因子的交互作用都大于单个因子的影响, 城市人口与人均GDP的交互作用强度最大(0.5423), 工业总产值与民用汽车总量的交互作用强度次之(0.5259).人均GDP与城市建设用地面积的交互作用强度排第3位(0.5190).也就是说, 对于影响NO_x排放量的因素, 城市人口与经济发展因子之间的交互作用影响最大, 工业发展与城市交通之间的交互作用次之, 经济发展和城市建设因子交互作用第3.

综上可以看出, 城市NO_x排放量的分布并不只是由单一因子影响, 而是在不同风险因子的相互作用下共同产生影响.即由人口集聚、经济发展、城市建设用地面积、工业总产值、全社会用电量和民用汽车总量共同产生交互作用, 从而影响城市的NO_x排放.

4.3 风险探测结果分析

采用风险探测分析判断NO_x排放量在6个风险因子各子区域间属性均值是否具有显著的差别.6个社会经济影响因素均按数值从小到大分别分为6个子区间.风险探测结果显示, 城市人口、人均GDP、工业总产值、城市建设用地面积、全社会用电量和民用汽车总量的高值区, 其NO_x排放量也较高, 即这些因素与因变量呈正相关(图 4).风险因子值增加, 年均NO_x排放量表现为波动上升趋势.这也说明了城市人口聚集、经济增长是影响城市NO_x排放变化的重要因素.从污染角度来看, 工业发展即工业源是NO_x排放的主要来源, 城市交通如民用汽车排放的尾气也是导致NO_x排放增加的一个主要因素.此外, 城市扩张和能源消费增加也是促使NO_x排放量增加的因素.

接下来将各风险因子的子区域及其NO_x排放量均值以地图的形式展示, 用来检验每个风险因子影响力的区域差异和主要的风险区.主要风险因子按属性值从小到大分为6个子区域, 每个子区域各对应一个NO_x排放量平均值, NO_x排放量最高值对应的子区域被定义为这个因子的主要影响区(Yang et al., 2018), 也叫高风险区.比如, 城市人口(POP)的高风险区是6区, 也就是说城市人口越多, 风险越高, 即NO_x排放量越大.表明城市人口这个风险因子与NO_x排放量表现为正相关关系, 即人口多的城市工业生产和生活消耗的能源更多, 同时污染源也更多, 因而是高风险区.

结合主要风险因子分区等级地图(图 5)可以看出, 城市人口多的6区主要是上海和重庆, 这说明人口对NO_x排放量的主要影响区域是两个中国人口最多的城市.PGDP的高风险区是5区, 高风险区主要集中于北京、鄂尔多斯、潍坊、苏州、上海、广州和湛江.城市建设用地面积(AREA)的高风险区是6区, 主要集中于北京、廊坊、上海、重庆、广州和东莞, 说明这些城市是城市建设用地面积的主要影响区.工业总产值(INDUSTRY)的高风险区是6区, 该因子高风险区集中于天津、苏州、上海、重庆和广州, 主要是因为这些区域工业结构偏重于工业, 尤其是高耗能企业较多, NO_x污染比较严重.全社会用电量(ES)的高风险是6区, 主要集中于北京、天津、上海、重庆和广州等人口多的城市, 反映出人口多、经济发达的城市能源消费量也大, 伴随而来的NO_x污染排放风险也最大.民用汽车总量(CAR)的高风险区是6区, 从地图上可以看出主要影响区为北京和上海, 这是由于这两个城市路网发达, 汽车保有量及交通运输量大, 产生的汽车尾气量多, 从而导致NO_x排放量高.

5 结论(Conclusions)

1) EOF第一模态特征向量高值出现在京津冀地区、山东半岛的淄博、潍坊、济宁和临沂, 以及长三角的上海、无锡、南京、苏州和杭州.低值则集中在西南的云贵地区、东南的广东、福建及西北的宁夏.年尺度的NO_x时间系数变化大致为先降后升再降的非线性波动.

2) 风险因子探测结果显示, 民用汽车拥有量对NO_x排放量影响最大, 其次是城市人口和工业总产值.交互作用探测结果说明, 任意两个风险因子的交互作用都大于单个因子的影响, 城市人口与经济发展因子之间的交互作用影响最大, 工业发展与城市交通之间的交互作用对其影响次之, 经济发展和城市建设因子的交互作用第3.

3) 风险区探测结果显示, 6个分区的主要风险因子中, 城市人口、人均GDP、工业总产值、城市建设用地面积、全社会用电量和民用汽车总量的高值区, NO_x排放量也高.总体而言, 京津冀、山东半岛和长三角等发达城市为NO_x排放的高风险区, 是社会经济驱动因素多个风险因子共同交互作用的结果.

6 政策启示(Policy implications)

由于NO_x排放存在时空差异性和空间集聚性, 因此, 地方政府实施污染治理政策时要因时因地制宜.一方面, 应根据各市发展情况制定差异化的减排政策, 分阶段落实各地方政府责任差异的减排目标.另一方面, 应加强NO_x控制区域间的协作, 积极促使跨城市间大气污染联防联控机制的形成.

从NO_x排放的驱动力影响大小来看, 首先, 机动车尾气是NO_x排放量增加的一个重要来源, 并且汽车尾气排放NO_x占NO_x排放总量的比例呈逐年增加趋势.因此, 需大力发展公共交通, 鼓励和支持绿色出行, 限制私家车的过快增长, 以减少汽车尾气的排放.其次, 城市人口对NO_x排放也有较大影响, 这说明较高的城市人口聚集往往伴随着居民生活用能如天然气、汽油等增加, 从而促使NO_x排放增加, 因而在城市人口的主要影响区(高风险区)上海和重庆, 需要制定合理的人口导向政策, 积极推进人口流动, 避免大城市人口过度聚集.同时, 在国家层面上, 应该加大出台城市发展统筹政策, 积极培育和发展中小城市, 合理控制大城市人口规模, 防止人口过快集聚而带来环境恶化问题.再者, 工业是NO_x排放的主要来源.因此, 在工业化的后期, 调整工业结构、升级产业技术及转变粗放式的经济发展模式, 才能促使NO_x减排效应显现.