中國城市PM2.5影響因素的空間異質性分析

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監測資料，通過全局最小二乘（OLS）和地理加權回歸（GWR）分析影響PM2.5濃度的社會經濟和自然因素的空間異質性。結果表明：市區人口對PM2.5濃度有正向影響，而年降水量與PM2.5濃度呈負相關。由于地區經濟發展水平不同及地理環境的差異，工業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濟和自然因素對PM2.5濃度影響強弱及作用方向。工業用電量在工業化水平相對較低的云貴高原市域呈現正向影響，年均氣溫在南方城市具有負向影響。因此，可根據不同因素對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。

關鍵詞：PM2.5;空氣污染;空間異質性;地理加權回歸

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

自改革開放以來中國城鎮化水平快速發展，2017年中國城鎮化水平已超過世界平均水平3.7個百分點[1]，與此同時，工業化也在高速推進。然而，長期的高強度城市化建設和高排放的生產模式引發了嚴重的大氣污染問題，城市霧霾天氣頻發[2]。研究發現，PM2.5是大氣霧霾頻發最重要的污染物[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，引發呼吸系統、心血管系統等相關疾病[5，6]，增加暴露人群的死亡風險[7]，嚴重危害人類健康。PM2.5污染已成為阻礙人類生存質量提高和城市可持續發展的重要因素。

目前，PM2.5科學防控已成為生態環保領域中關注的焦點，眾多學者針對PM2.5濃度影響因素展開深入研究。周曙東等研究表明工業生產、人口聚集等社會經濟因素以及溫度和降雨等自然因素對地區PM2.5濃度水平都存在重要影響[8]。Lin等[9]評估社會經濟因素對中國城市空氣污染的影響，表明工業化程度對空氣質量惡化存在重要影響。Leeuw等[10]對歐盟地區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。楊昆等[11]采用傳統線性回歸模型（OLS）研究了社會經濟因素對中國PM2.5的影響，結果表明PM2.5與總人口、第二產值比例平方呈正相關。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系研究表明PM2.5濃度與降水、氣溫等因素呈負向相關。Yoo等[13]研究降雨量對韓國空氣污染物的影響，發現降雨量對空氣質量有明顯改善作用。

國內外學者在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計方法[8-12]，其假定研究區域內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性。然而不同地區PM2.5具有明顯差異[14]，不同的自然條件和社會經濟因素對其影響存在空間差異[2]，而全局統計方法不能夠揭示影響因素在不同地理空間的作用關系。因此，本文運用地理加權回歸[15]（GWR）分析自然和社會經濟因素對城市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性，為PM2.5污染治理及制定針對性治理政策提供科學依據。

1 數據來源與研究方法

1.1 數據來源

PM2.5數據來自全國城市空氣質量實時發布平臺（http：//106.37.208.233：20035/），根據城市每日PM2.5數據計算年均值。氣溫和降水量數據來自中國科學院資源環境與數據中心（http：//www.resdc.cn/），該數據集為空間分辨率1km×1km的柵格數據，利用arcgis10.2軟件以表格顯示分區統計工具計算每個城市的年平均氣溫和降水量。人口、城市建成區面積、工業用電量、消費品零售總額數據來自《中國城市建設統計年鑒》和《中國城市統計年鑒》。由于部分城市數據不完整，經篩選、刪除缺失城市后，最終得到200個城市的完整數據用于分析。

1.2 研究方法

傳統線性回歸模型一般建立在最小二乘法（OLS）基礎上進行參數估計，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。傳統線性回歸模型假定回歸系數在整個空間研究區域內保持穩定一致，忽略了變量的空間非平穩性，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系，允許回歸系數在空間上變化，可以有效地探索變量的空間非平穩性[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，為第i個觀察點第k個自變量的回歸系數，？茁0（ui，vi）為模型在第i個觀察點的截距。

2 結果分析

2.1 OLS模型參數估計結果分析

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系，在0.05顯著性水平下，各解釋變量的回歸系數均通過顯著性檢驗（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、建成區面積、工業用電量、年降水量、市區人口、消費品零售額。其中，建成區面積和年降水量與PM2.5濃度呈負相關。原因可能在于降水有利于大氣污染物的沉降[17]，且建成區面積較大一定程度能反映出城市化建設趨于成熟，與城市化密切相關的建筑行業發展停滯，從而減少了大氣污染物的排放，另外，城市化進程帶動經濟、科技的發展，也有利于環境監測與治理。建成區面積、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，只保留市區人口、工業用電量、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模型結果對比

對比GWR模型與OLS模型運算結果可知（表2），GWR模型的決定系數R2和調整后的決定系數分別為0.525和0.524，高于OLS的決定系數與調整決定系數，GWR模型擬合效果優于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據[15]。另外，GWR估計的標準誤差（Sigma）為11.833也小于OLS的13.738，運用GWR模型測算結果明顯比OLS更準確，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性分析

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

2.3.1 市區人口

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

2.3.2 工業用電量

工業用電量對94%的城市PM2.5濃度具有正相關效應，在6%的城市中呈現負相關效應，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），負向影響主要集中在西南部云南省（昆明市、麗江市等）和貴州省（貴陽市、畢節市等）（圖2）。原因在于云貴高原地區工業發展水平相對緩慢，適度的工業活動未破壞周圍環境，同時促進了地區經濟增長，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主要以裝備制造、能源化工等重工業為主，工業能耗和污染強度較大，且與廣東、福建等沿海工業發達地區相比，其工業發展模式較為粗放。

2.3.3 年降水量

年降水量回歸系數均為負值（圖3），說明年降水量對城市PM2.5濃度具有負向影響，這與已有研究成果認為降水對中國大部分區域PM2.5具有清除作用一致[2，17，19]。從空間異質性來看，年降水量回歸系數以中原城市群為低值中心向周圍市域圈層遞增，高值區主要分布在云貴川地區、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改善作用呈現空間異質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波動較大，北方地區回歸系數普遍高于南方地區（圖4），表明平均氣溫對PM2.5濃度影響的空間異質性較為明顯。年平均氣溫回歸系數在30.5%的市域為負值，呈現負向影響，主要分布在云貴川地區、江西省、江蘇省以及東南沿海地區的市域。而對中原城市群、京津冀地區及東北地區市域PM2.5濃度有明顯的正向影響。年平均氣溫對城市PM2.5呈現南北巨大差異可能與地區氣溫特點有密切聯系，已有的研究表明高溫有利于降低地區PM2.5濃度[20，21]，而廣闊地域和不同的地理環境差異（緯度位置、冬季風等）使北方地區年均氣溫普遍低于南方地區[22]。

3 結論

PM2.5作為大氣霧霾污染的首要污染物，是城市生態文明建設主要障礙，識別PM2.5影響因素的空間異質性有利于制定針對性環保政策。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性。主要結論如下：

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

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

（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性，因地制宜地制定環保政策。如云貴高原地區工業發展與PM2.5呈負相關關系，表明該地區工業化與防霾治霾可以同時發展，制定合理的工業化發展戰略在促進經濟增長的同時，也可保證地區空氣污染治理;降水量對年降水量較小且空氣質量較差的中原城市群具有顯著的負向影響，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地PM2.5污染。

本文通過OLS模型及GWR模型對造成市域PM2.5差異的社會經濟和自然因素進行全局和空間分析，為各地區制定針對性霧霾治理政策提供了科學依據。但PM2.5濃度變化受社會經濟、時間和自然條件等多種要素共同影響。由于數據獲取有限性等原因，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性。另外，PM2.5濃度變化具有明顯的季節性特征，在后續的研究中加入季節性解釋變量，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性，為不同區域制定不同季節的霧霾治理對策提供依據

——————————

參考文獻：

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

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

〔3〕周亮，周成虎，楊帆，等.2000-2011年中國PM2.5時空演化特征及驅動因素解析[J].地理學報，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PM2.5污染狀況及其對人群健康影響的初步調查[J].現代預防醫學，2017，44（23）：4244-4247.

〔6〕陳冬梅，苑紅宇.PM2.5對人體呼吸系統及心血管系統影響的研究[J].沈陽醫學院學報，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年福州市數據的時間序列研究[J].環境與職業醫學，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在關系研究[J].中國人口·資源與環境，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污染與社會經濟的空間關系及成因[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系分析[J].環境污染與防治，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PM2.5時空演變格局及其影響因素[J].地理學報，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，郭學良，張天航，等.不同降水強度對PM2.5的清除作用及影響因素[J].應用氣象學報，2019，30（03）：279-291.

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

〔19〕王昭，嚴小兵.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系分析[J].環境污染與防治，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初探[J].干旱區資源與環境，2006， 30（04）：16-21.