中國城市PM2.5影響因素的空間異質(zhì)性分析

李夢航 闕翔 劉金福 蘇少強 丁曉婷

摘 要：利用2015年全國城市PM2.5監(jiān)測資料，通過全局最小二乘（OLS）和地理加權(quán)回歸（GWR）分析影響PM2.5濃度的社會經(jīng)濟和自然因素的空間異質(zhì)性。結(jié)果表明：市區(qū)人口對PM2.5濃度有正向影響，而年降水量與PM2.5濃度呈負(fù)相關(guān)。由于地區(qū)經(jīng)濟發(fā)展水平不同及地理環(huán)境的差異，工業(yè)用電量和年均氣溫對PM2.5影響具有明顯的空間差異性特征。相比OLS模型，GWR模型可以更好地揭示社會經(jīng)濟和自然因素對PM2.5濃度影響強弱及作用方向。工業(yè)用電量在工業(yè)化水平相對較低的云貴高原市域呈現(xiàn)正向影響，年均氣溫在南方城市具有負(fù)向影響。因此，可根據(jù)不同因素對PM2.5影響的空間差異性特征，制定具有針對性污染治理政策。

關(guān)鍵詞：PM2.5;空氣污染;空間異質(zhì)性;地理加權(quán)回歸

中圖分類號：X513? 文獻標(biāo)識碼：A? 文章編號：1673-260X（2021）01-0037-05

自改革開放以來中國城鎮(zhèn)化水平快速發(fā)展，2017年中國城鎮(zhèn)化水平已超過世界平均水平3.7個百分點[1]，與此同時，工業(yè)化也在高速推進。然而，長期的高強度城市化建設(shè)和高排放的生產(chǎn)模式引發(fā)了嚴(yán)重的大氣污染問題，城市霧霾天氣頻發(fā)[2]。研究發(fā)現(xiàn)，PM2.5是大氣霧霾頻發(fā)最重要的污染物[3]，其不僅可以降低大氣能見度[4]影響人們安全出行，而且能夠進入人體呼吸系統(tǒng)，引發(fā)呼吸系統(tǒng)、心血管系統(tǒng)等相關(guān)疾病[5，6]，增加暴露人群的死亡風(fēng)險[7]，嚴(yán)重危害人類健康。PM2.5污染已成為阻礙人類生存質(zhì)量提高和城市可持續(xù)發(fā)展的重要因素。

目前，PM2.5科學(xué)防控已成為生態(tài)環(huán)保領(lǐng)域中關(guān)注的焦點，眾多學(xué)者針對PM2.5濃度影響因素展開深入研究。周曙東等研究表明工業(yè)生產(chǎn)、人口聚集等社會經(jīng)濟因素以及溫度和降雨等自然因素對地區(qū)PM2.5濃度水平都存在重要影響[8]。Lin等[9]評估社會經(jīng)濟因素對中國城市空氣污染的影響，表明工業(yè)化程度對空氣質(zhì)量惡化存在重要影響。Leeuw等[10]對歐盟地區(qū)PM2.5污染物影響因素進行了研究，分析了人口聚集與PM2.5濃度水平存在正相關(guān)。楊昆等[11]采用傳統(tǒng)線性回歸模型（OLS）研究了社會經(jīng)濟因素對中國PM2.5的影響，結(jié)果表明PM2.5與總?cè)丝?、第二產(chǎn)值比例平方呈正相關(guān)。在自然因素方面，黃俊等[12]對廣州市PM2.5濃度變化與氣象因子的關(guān)系研究表明PM2.5濃度與降水、氣溫等因素呈負(fù)向相關(guān)。Yoo等[13]研究降雨量對韓國空氣污染物的影響，發(fā)現(xiàn)降雨量對空氣質(zhì)量有明顯改善作用。

國內(nèi)外學(xué)者在PM2.5影響因素研究方面已取得豐富的成果，但大多研究采用全局統(tǒng)計方法[8-12]，其假定研究區(qū)域內(nèi)PM2.5在不同空間位置受到影響因素一致的影響，忽略了局部影響的空間異質(zhì)性。然而不同地區(qū)PM2.5具有明顯差異[14]，不同的自然條件和社會經(jīng)濟因素對其影響存在空間差異[2]，而全局統(tǒng)計方法不能夠揭示影響因素在不同地理空間的作用關(guān)系。因此，本文運用地理加權(quán)回歸[15]（GWR）分析自然和社會經(jīng)濟因素對城市PM2.5濃度影響的強弱和作用方向，揭示影響因素的空間非平穩(wěn)性，為PM2.5污染治理及制定針對性治理政策提供科學(xué)依據(jù)。

1 數(shù)據(jù)來源與研究方法

1.1 數(shù)據(jù)來源

PM2.5數(shù)據(jù)來自全國城市空氣質(zhì)量實時發(fā)布平臺（http：//106.37.208.233：20035/），根據(jù)城市每日PM2.5數(shù)據(jù)計算年均值。氣溫和降水量數(shù)據(jù)來自中國科學(xué)院資源環(huán)境與數(shù)據(jù)中心（http：//www.resdc.cn/），該數(shù)據(jù)集為空間分辨率1km×1km的柵格數(shù)據(jù)，利用arcgis10.2軟件以表格顯示分區(qū)統(tǒng)計工具計算每個城市的年平均氣溫和降水量。人口、城市建成區(qū)面積、工業(yè)用電量、消費品零售總額數(shù)據(jù)來自《中國城市建設(shè)統(tǒng)計年鑒》和《中國城市統(tǒng)計年鑒》。由于部分城市數(shù)據(jù)不完整，經(jīng)篩選、刪除缺失城市后，最終得到200個城市的完整數(shù)據(jù)用于分析。

1.2 研究方法

傳統(tǒng)線性回歸模型一般建立在最小二乘法（OLS）基礎(chǔ)上進行參數(shù)估計，計算公式如下：

式中：yi、xik、？著i分別是第i個觀察點的因變量，第i個觀察點的第k個自變量和誤差項。傳統(tǒng)線性回歸模型假定回歸系數(shù)在整個空間研究區(qū)域內(nèi)保持穩(wěn)定一致，忽略了變量的空間非平穩(wěn)性，不能反映影響特征的空間局部變化。

GWR通過建立局部逐點的回歸模型揭示空間條件下自變量與因變量的關(guān)系，允許回歸系數(shù)在空間上變化，可以有效地探索變量的空間非平穩(wěn)性[16]。GWR的基本形式如下：

式中：（ui，vi）表示第i個觀察點的空間坐標(biāo)，為第i個觀察點第k個自變量的回歸系數(shù)，？茁0（ui，vi）為模型在第i個觀察點的截距。

2 結(jié)果分析

2.1 OLS模型參數(shù)估計結(jié)果分析

利用全局最小二乘（OLS）檢驗PM2.5濃度與各解釋變量之間的關(guān)系，在0.05顯著性水平下，各解釋變量的回歸系數(shù)均通過顯著性檢驗（表1），各解釋變量均對PM2.5濃度有顯著的影響。從回歸系數(shù)來看，各解釋變量對PM2.5濃度影響力從高到低依次是：年均氣溫、建成區(qū)面積、工業(yè)用電量、年降水量、市區(qū)人口、消費品零售額。其中，建成區(qū)面積和年降水量與PM2.5濃度呈負(fù)相關(guān)。原因可能在于降水有利于大氣污染物的沉降[17]，且建成區(qū)面積較大一定程度能反映出城市化建設(shè)趨于成熟，與城市化密切相關(guān)的建筑行業(yè)發(fā)展停滯，從而減少了大氣污染物的排放，另外，城市化進程帶動經(jīng)濟、科技的發(fā)展，也有利于環(huán)境監(jiān)測與治理。建成區(qū)面積、消費品零售額的VIF值大于7.5，表明其與其他解釋變量間存在多重共線性問題[18]。因此，只保留市區(qū)人口、工業(yè)用電量、年降水量和年均氣溫用于之后的GWR回歸分析。

2.2 GWR模型與OLS模型結(jié)果對比

對比GWR模型與OLS模型運算結(jié)果可知（表2），GWR模型的決定系數(shù)R2和調(diào)整后的決定系數(shù)分別為0.525和0.524，高于OLS的決定系數(shù)與調(diào)整決定系數(shù)，GWR模型擬合效果優(yōu)于OLS。GWR的AICc值為1569.904，比OLS模型小了55.372，兩個模型AICc值相差遠大于3，表明GWR可以更好地擬合觀測數(shù)據(jù)[15]。另外，GWR估計的標(biāo)準(zhǔn)誤差（Sigma）為11.833也小于OLS的13.738，運用GWR模型測算結(jié)果明顯比OLS更準(zhǔn)確，局部估計的GWR模型比基于全局的OLS模型有更好的適用性。

2.3 影響因素的空間異質(zhì)性分析

利用Arcgis10.2軟件對GWR模型中各解釋變量地回歸系數(shù)進行空間可視化，得到各解釋變量系數(shù)的空間分布，進而分析影響因素空間作用差異及強弱。

2.3.1 市區(qū)人口

市區(qū)人口的回歸系數(shù)均為正值（圖1），說明市區(qū)人口與城市PM2.5濃度呈正相關(guān)，即市區(qū)人口越大的區(qū)域，其PM2.5濃度越高。市區(qū)人口回歸系數(shù)呈現(xiàn)出以中原城市群為核心由東向西逐漸遞增的圈層結(jié)構(gòu)，高值區(qū)主要集中在西南部云貴川地區(qū)（麗江市、畢節(jié)市以及宜賓市等）。這表明相較于中原城市群，市區(qū)人口在云貴川地區(qū)具有更強的正向影響。原因可能是云貴川境內(nèi)山地眾多，城市建設(shè)面積相對平原地帶有限，使得市區(qū)人口分布更加集中。其次云貴川地區(qū)空氣質(zhì)量整體上優(yōu)于中原地區(qū)，其對人類活動造成的空氣污染治理力度相對較弱，使得市區(qū)人口的正向影響更加顯著。

2.3.2 工業(yè)用電量

工業(yè)用電量對94%的城市PM2.5濃度具有正相關(guān)效應(yīng)，在6%的城市中呈現(xiàn)負(fù)相關(guān)效應(yīng)，正向影響較強的市域主要分布在四川省東部（廣元市、南充市、巴中市等）、陜西省西南部（漢中市、安康市、寶雞市等）以及湖北省東部（十堰市、襄陽市、宜昌市等），負(fù)向影響主要集中在西南部云南?。ɡッ魇?、麗江市等）和貴州省（貴陽市、畢節(jié)市等）（圖2）。原因在于云貴高原地區(qū)工業(yè)發(fā)展水平相對緩慢，適度的工業(yè)活動未破壞周圍環(huán)境，同時促進了地區(qū)經(jīng)濟增長，有利于PM2.5濃度降低，而四川省、陜西省和湖北省等市域工業(yè)主要以裝備制造、能源化工等重工業(yè)為主，工業(yè)能耗和污染強度較大，且與廣東、福建等沿海工業(yè)發(fā)達地區(qū)相比，其工業(yè)發(fā)展模式較為粗放。

2.3.3 年降水量

年降水量回歸系數(shù)均為負(fù)值（圖3），說明年降水量對城市PM2.5濃度具有負(fù)向影響，這與已有研究成果認(rèn)為降水對中國大部分區(qū)域PM2.5具有清除作用一致[2，17，19]。從空間異質(zhì)性來看，年降水量回歸系數(shù)以中原城市群為低值中心向周圍市域圈層遞增，高值區(qū)主要分布在云貴川地區(qū)、珠江三角洲城市群和海峽西岸城市群等降雨量比較豐富的市域。降雨對城市PM2.5改善作用呈現(xiàn)空間異質(zhì)性的原因可能在于相比南方城市，中原城市群年降水量較小且空氣質(zhì)量較差，年降水量的增加對其市域PM2.5清除作用更加顯著。

2.3.4 年平均氣溫

年平均氣溫回歸系數(shù)波動較大，北方地區(qū)回歸系數(shù)普遍高于南方地區(qū)（圖4），表明平均氣溫對PM2.5濃度影響的空間異質(zhì)性較為明顯。年平均氣溫回歸系數(shù)在30.5%的市域為負(fù)值，呈現(xiàn)負(fù)向影響，主要分布在云貴川地區(qū)、江西省、江蘇省以及東南沿海地區(qū)的市域。而對中原城市群、京津冀地區(qū)及東北地區(qū)市域PM2.5濃度有明顯的正向影響。年平均氣溫對城市PM2.5呈現(xiàn)南北巨大差異可能與地區(qū)氣溫特點有密切聯(lián)系，已有的研究表明高溫有利于降低地區(qū)PM2.5濃度[20，21]，而廣闊地域和不同的地理環(huán)境差異（緯度位置、冬季風(fēng)等）使北方地區(qū)年均氣溫普遍低于南方地區(qū)[22]。

3 結(jié)論

PM2.5作為大氣霧霾污染的首要污染物，是城市生態(tài)文明建設(shè)主要障礙，識別PM2.5影響因素的空間異質(zhì)性有利于制定針對性環(huán)保政策。本研究利用GWR模型探究了全國市域尺度PM2.5影響因素的空間異質(zhì)性。主要結(jié)論如下：

（1）從全局角度分析，年均氣溫對PM2.5正向影響最為顯著，其次分別為工業(yè)用電量、市區(qū)人口、消費品零售額等因素。建成區(qū)面積和年降水量等因素對PM2.5濃度具有負(fù)向影響。

（2）從局部角度分析，各影響因子城市PM2.5濃度的驅(qū)動力模式不同，呈現(xiàn)較大的空間異質(zhì)性。其中，市區(qū)人口對城市PM2.5濃度存在正向影響，在西南云貴川地區(qū)影響強度最為明顯。而年降水量對城市PM2.5濃度具有負(fù)向影響，且在中原城市群影響作用最為顯著。工業(yè)用電量與年均氣溫的影響效應(yīng)在不同地區(qū)具有分異性，空間非平穩(wěn)性明顯。

（3）不同影響因子對PM2.5影響的強度和方向具有明顯差異，因此，可基于不同因素影響的空間異質(zhì)性，因地制宜地制定環(huán)保政策。如云貴高原地區(qū)工業(yè)發(fā)展與PM2.5呈負(fù)相關(guān)關(guān)系，表明該地區(qū)工業(yè)化與防霾治霾可以同時發(fā)展，制定合理的工業(yè)化發(fā)展戰(zhàn)略在促進經(jīng)濟增長的同時，也可保證地區(qū)空氣污染治理;降水量對年降水量較小且空氣質(zhì)量較差的中原城市群具有顯著的負(fù)向影響，可以依靠人工降雨、增加城市路面灑水頻率、安裝道路噴水裝置等手段來治理當(dāng)?shù)豍M2.5污染。

本文通過OLS模型及GWR模型對造成市域PM2.5差異的社會經(jīng)濟和自然因素進行全局和空間分析，為各地區(qū)制定針對性霧霾治理政策提供了科學(xué)依據(jù)。但PM2.5濃度變化受社會經(jīng)濟、時間和自然條件等多種要素共同影響。由于數(shù)據(jù)獲取有限性等原因，本文僅選取了部分重要因素進行建模分析，未來可加入更多變量來全面分析PM2.5濃度影響因素的空間異質(zhì)性。另外，PM2.5濃度變化具有明顯的季節(jié)性特征，在后續(xù)的研究中加入季節(jié)性解釋變量，可從時間和空間兩個層面研究PM2.5濃度影響因素的時空異質(zhì)性，為不同區(qū)域制定不同季節(jié)的霧霾治理對策提供依據(jù)

——————————

參考文獻：

〔1〕方創(chuàng)琳.改革開放40年來中國城鎮(zhèn)化與城市群取得的重要進展與展望[J].經(jīng)濟地理，2018，38（09）：1-9.

〔2〕黃小剛，趙景波，曹軍驥，等.長江經(jīng)濟帶PM2.5分布格局演變及其影響因素[J].環(huán)境科學(xué)，2020，41（03）：1013-1024.

〔3〕周亮，周成虎，楊帆，等.2000-2011年中國PM2.5時空演化特征及驅(qū)動因素解析[J].地理學(xué)報，2017，72（11）：2079-2092.

〔4〕Watson J G. Visibility： Science and regulation[J].Journal of the Air & Waste Management Association， 2002， 52（06）： 628-713.

〔5〕王莉，胡金妹，黃久紅，等.泰州市某區(qū)PM2.5污染狀況及其對人群健康影響的初步調(diào)查[J].現(xiàn)代預(yù)防醫(yī)學(xué)，2017，44（23）：4244-4247.

〔6〕陳冬梅，苑紅宇.PM2.5對人體呼吸系統(tǒng)及心血管系統(tǒng)影響的研究[J].沈陽醫(yī)學(xué)院學(xué)報，2014，16（01）：39-41.

〔7〕林在生，林少凱，王愷，等.低濃度PM2.5對老年人群死亡的影響：基于2015—2018年福州市數(shù)據(jù)的時間序列研究[J].環(huán)境與職業(yè)醫(yī)學(xué)，2020，37（02）：157-161.

〔8〕周曙東，歐陽緯清，葛繼紅.京津冀PM2.5的主要影響因素及內(nèi)在關(guān)系研究[J].中國人口·資源與環(huán)境，2017，27（04）：102-109.

〔9〕Lin G， Fu J， Jiang D， et al. Spatio-temporal variation of PM2.5 concentrations and their relationship with geographic and socioeconomic factors in China[J]. International journal of environmental research and public health， 2014， 11（01）： 173-186.

〔10〕Leeuw F A， Moussiopoulos N， Sahm P， et al. Urban air quality in larger conurbations in the European Union[J]. Environmental Modelling & Software， 2001， 16（04）： 399-414.

〔11〕楊昆，楊玉蓮，朱彥輝，等.中國PM2.5污染與社會經(jīng)濟的空間關(guān)系及成因[J].地理研究，2016，35（06）：1051-1060.

〔12〕黃俊，王超群，周寶琴，等.廣州PM2.5污染特征及與氣象因子的關(guān)系分析[J].環(huán)境污染與防治，2020，42（02）：176-181.

〔13〕Yoo J M， Lee Y R， Kim D， et al. New indices for wet scavenging of air pollutants （O3， CO， NO2， SO2， and PM10） by summertime rain[J]. Atmospheric Environment， 2014， 82： 226-237.

〔14〕王振波，梁龍武，王旭靜.中國城市群地區(qū)PM2.5時空演變格局及其影響因素[J].地理學(xué)報，2019，74（12）：2614-2630.

〔15〕Fotheringham A S， Brunsdon C， Charlton M. Geographically weighted regression： the analysis of spatially varying relationships[M]. John Wiley and Sons， 2003.

〔16〕Brunsdon C， Fotheringham S， Charlton M. Geographically weighted regression[J]. Journal of the Royal Statistical Society， 1998， 47（03）： 431-443.

〔17〕欒天，郭學(xué)良，張?zhí)旌?，?不同降水強度對PM2.5的清除作用及影響因素[J].應(yīng)用氣象學(xué)報，2019，30（03）：279-291.

〔18〕曹小曙，徐建斌.中國省際邊界區(qū)縣域經(jīng)濟格局及影響因素的空間異質(zhì)性[J].地理學(xué)報，2018，73（06）：1065-1075.

〔19〕王昭，嚴(yán)小兵.長江三角洲城市群PM2.5時空演變及影響因素[J].長江流域資源與環(huán)境，2020，29（07）：1497-1506.

〔20〕黃俊，王超群，周寶琴，等.廣州PM2.5污染特征及與氣象因子的關(guān)系分析[J].環(huán)境污染與防治，2020，42（02）：176-181.

〔21〕韓婧，代志光，李文韜.西安市灰霾天氣下PM2.5濃度與氣象條件分析[J].環(huán)境污染與防治，2014，36（02）：52-56.

〔22〕宋艷華，馬金輝，劉峰.基于GIS的中國氣溫空間分布與分區(qū)初探[J].干旱區(qū)資源與環(huán)境，2006， 30（04）：16-21.