中国雾霾空间分布特征及影响因素分析

张生玲+王雨涵+李跃+张鹏飞

摘要 近年来我国雾霾天气频发，以PM10和PM2.5为核心的大气污染物对人体健康和大气环境质量造成了严重威胁，已经成为当前不容忽视且亟需解决的重大民生问题和环境问题，深入分析雾霾污染的形成原因和影响因素对于科学制定切实有效的治霾政策具有重要的现实意义。本文基于我国288个地级以上城市2015年1月—2017年2月的月均空气质量AQI数据，首先采用空间统计方法对雾霾污染空间分布的季节特征进行可视化描述，其次通过空间自相关指数对雾霾污染的空间集聚特征进行了实证检验，最后在此基础上建立空间计量模型对影响雾霾污染的社会经济因素进行了经验识别。结果表明：①我国雾霾污染的季节性特征明显，夏季空气质量状况最好，春季和秋季次之，冬季污染最严重且波及范围广，其中河北南部、河南北部、山西南部和陕西关中地区是污染重灾区，季均空气质量均为中度污染以上。②雾霾污染存在显著的空间正相关特征，我国东部沿海地区表现为显著的低低集聚，华北平原及周边地区呈现显著的高高集聚特征。③空间回归结果显示，我国雾霾污染与经济增长的关系在一定程度上与EKC曲线假说相符，其中二产畸高的产业结构、民用汽车保有量的增多和省会城市均对雾霾污染有显著的正向促进作用，但人口密度和绿化水平对雾霾污染的影响并不显著。因此，治霾政策应坚持城市内部以促进产业结构转型升级、鼓励使用新能源汽车和共享单车、疏散省会城市的职能为主，城市外部应以区域联防联控为主，从而达到缓解和改善大气环境的目的。

关键词 雾霾污染；空间分布特征；社会经济因素；空间计量模型

中图分类号 X513

文献标识码 A文章编号 1002-2104（2017）09-0015-08DOI：10.12062/cpre.20170707

2013年至今，以雾霾为首的恶劣天气肆虐我国大面积国土，以PM10（可吸入颗粒物）和PM2.5（可入肺颗粒物）为核心污染物的复合型雾霾长时间、大范围的在我国多个区域集中连片爆发，已经成为当前不容忽视且亟需解决的重大民生问题和环境问题。与PM10相比，PM2.5粒径小，面积大，活性强，易附带有毒、有害物质（如重金属、微生物、病毒等）进入呼吸道深部，显著提高心肺系统及其他器官的发病风险，而且PM2.5在大气中停留时间长、输送距离远，对人体健康和大气环境质量造成了严重威胁，引起了政府的高度重视和公众的广泛关注。事实上，我国现阶段雾霾污染的区域性特征显著，以京津冀、长三角地区为主要代表，以北京、天津、石家庄、郑州、南京等一线城市为核心逐渐向周边城市扩散蔓延，集中连片爆发。出现区域性污染的原因在于雾霾受大气环流等自然因素及大气化学双重因素影响，导致一个地区的雾霾在周边区域进行流动和传输，尤其是相邻城市间雾霾的相互扩散和转移尤为明显，所以城市间大气环境质量的空间外溢性是当前雾霾污染治理过程中必须面对的问题，治理雾霾必须从控制局地污染向区域联防联控转变。只有通过区域之间的分工合作，统筹协调，才能实现大气环境的空间均衡[1]。因此，深入探讨近年来我国雾霾污染的时空分布特征，识别影响雾霾污染的关键社会经济根源，对于政府科学制定和实施治霾政策，提高区域联防联控有效性，促进和落实我国生态文明建设具有重要的现实意义。

1 文献综述

研究雾霾的形成机制、原理和影响因素一直是国内外学者关注的重点问题。近年来，结合环境学和地理学，运用空间统计方法研究雾霾污染的时空分布是一个热点问题。K L Yang[2]、P Pakbin[3]、P Anttila[4]等学者曾分别研究了中国台湾、美国洛杉矶、芬兰等国家或地区的PM10或PM2.5的时空分布格局以及大气可吸入颗粒物污染浓度的演变特征。国内对于大气污染时空分布的研究主要从单一城市、城市群和国家三个层面进行研究。单一城市层面，基于不同城市的空气质量监测数据，侧重研究城市内部的雾霾污染空间分布格局，以及对比不同污染物月度、年度、季节和采暖期与非采暖期污染物浓度的变化特征及与气象条件的关系[5-7]。城市群层面，以长三角、珠三角、长江经济带为研究对象，结果表明，城市群雾霾污染格局演化在空间上并不独立，受邻域条件的影响较为明显，且雾霾污染的空间自相关性随距离的增大而不断减弱[8-10]。国家层面，基于全国地级市或各省的年均空气质量监测数据研究发现，我国城市雾霾污染存在显著的空间自相关特征，污染的空间分布格局以长江为界，北方重于南方，北方地区表现为高—高类型的集聚，主要集中在华北、华东和华中等多个省份；南方地区表现为低—低类型的集聚，主要集中于广东、海南、广西、贵州和云南等5个省份[11-13]。无论基于何种角度的研究，其雾霾污染的季节性变化特征都非常明显，即雾霾污染最严重的季节是冬季，污染物浓度在12月和1月达到最高值，7月和8月污染最小[5-6，14-15]。对于雾霾污染影响因素的研究，国内学者侧重于从经济增长、能源结构、人口密度、产业结构和城镇化等五个方面进行考量，其中多数研究结论表明以煤为主的能源结构、以工业为主的产业结构、高城镇化水平以及交通运输强度的提高均对雾霾污染程度具有显著促进作用[16-17]。但是基于所选数据和模型的差异，现有研究关于经济增长对雾霾污染的影响存在两种有争议的结论，一种是符合EKC曲线假说，另一种是不符合EKC曲线的假说，认为雾霾污染与经济增长存在显著的U形关系。

尽管上述研究为制定治霾政策和建立区域联防联控机制提供了科学的实证依据，但仍存在不足：一是研究的样本数较少，多以单一城市、省份、城市群为研究对象，而现阶段我国雾霾污染波及范围之广已不再局限于某一区域，最严重时全国一半省份均遭“霾伏”。只有从全局视角出发，统筹协作，才能真正发挥区域联防联控的作用和有效性；二是多数研究使用PM2.5或PM10作为雾霾污染指标，忽视了造成不同城市雾霾污染的主要污染物不同，因此单一指标并不能真实反映我国整体的污染状况，降低了部分城市的真实污染水平。考慮到以上不足，在借鉴相关研究的基础上，本文选择空气质量指数（Air Quality Index， AQI）来综合反映雾霾污染水平，AQI是定量描述空气质量状况的无量纲指数，其中包括细颗粒物PM10，可吸入颗粒物PM2.5，二氧化硫，二氧化氮，臭氧，一氧化碳6项指标。AQI数值越大，表明空气质量越差，对人的健康危害越大。在样本的选择上从国家整体视角出发，首次使用我国288个地级以上城市作为研究对象，收集各个城市2015年1月—2017年2月的空气质量AQI月均数据，运用GIS可视化方法和空间自相关指数方法探究雾霾污染空间分布的季节性特征和空间集聚特点，在此基础上构建空间计量模型进一步深入研究影响我国雾霾污染的社会经济根源，从而为提高区域联防联控有效性和治霾政策的合理制定提供科学的决策依据。endprint

2 研究方法与数据来源

2.1 研究方法

为对雾霾污染的空间集聚特征进行全面分析，本文采用ESDA中的全局和局部空间自相关指数进行实证检验。在此基础上，通过构建空间计量回归模型进一步研究影响雾霾污染的社会经济因素。

2.1.1 全局自相关

全局空间自相关用于验证整个研究区域的空间模式，描绘了相关变量在区域整体范围内的空间依赖程度。常用全局 Morans I 指数进行研究。其表达式为：

其中，Wij为空间权重矩阵元素。Yi，Yj分别表示i、j区域的观测值，n为研究区域中的城市个数。 Morans I 的取值范围为[-1，1]，当I接近1时，表示地区间要素呈现空间正相关，接近-1时表示呈现空间负相关，接近0时表示地区间不存在空间相关性，相互独立[16]。Morans I绝对值越大表明空间相关程度越高。 Moran散点图能够直观描述局域的空间集聚特征。

2.1.2 局部自相关

局部空间自相关则反映一个区域单元上与邻近单元上同一研究现象的相关程度，即表示了雾霾污染相互集聚的倾向，本文采用Local Morans I指数和LISA图来分析。其中Local Morans I 指数表示如下：

若局部空间自相关显著，则可根据该单元自身及其临近单元的具体情况，将这一相关关系分为四种类型：“高—高相关”（ HighHigh） ，即高值地区同样被高值地区围绕；“低—低相关”（ LowLow） ，即低值地區周围仍是低值地区；“高—低相关”（ HighLow） ，即高值地区被低值地区围绕；“低—高相关”（ LowHigh） ，即低值地区被高值地区围绕[8]。

2.1.3 空间计量模型

在研究变量间的影响关系时，鉴于变量观测值具有空间依赖性，因此违背了经典最小二乘法的前提条件，所以通常需要建立空间计量回归模型对数据进行处理。对于截面数据的处理，目前最常用的空间计量模型有两种，分别为空间误差模型（Spatial Error Model，SEM）和空间滞后模型（Spatial Lag Model，SLM）。

（1）空间误差模型（Spatial Error Model，SEM），侧重于考察因遗漏变量所造成的空间依赖性，即误差项中包含有致使自变量出现空间相关的因素，因此空间误差模型包含了误差项的滞后项。表达如下：

y=Xβ+ε（3）

ε=λWε+μ（4）

其中X为解释变量矩阵，Wε表示空间滞后项，λ为误差项的空间自回归系数，系数显著则表明误差项之间存在空间自相关。μ为服从正太分布的随机误差项[8]。

（2）空间滞后模型（Spatial Lag Model，SLM），侧重于考察因变量的空间溢出效应，因此模型中包含因变量的空间滞后项。表达如下：

y=ρWy+Xβ+ε（5）

其中W为空间权重矩阵，Wy表示因变量的空间滞后项，ρ表示相邻地区因变量的观测值对本地区因变量观测值的影响程度，若显著，则说明空间相关性显著。X为解释变量矩阵，β表示解释变量的回归系数，ε为随机误差项[8]。

2.2 数据来源

根据《中国城市统计年鉴2016》对城市行政级别的划分，选取我国共288个地级以上城市2015年1月至2017年2月的月均空气质量指数（AQI）数据进行研究。本文所收集的空气质量数据（AQI）均来源于国家环境保护部数据中心和天气后报网站。该网站自2013年10月以来，收录了全国城市的空气质量数据，并根据不同监测站点的日观测数据进行逐日逐月整合，全面详实。鉴于雾霾污染的季节性变化特征明显，按照冬季（12月—次年2月）、春季（3月—5月）、夏季（6月—8月）、秋季（9月—11月）将各月数据平均作为该季节的平均空气质量指数。

此外，本文还将通过空间计量回归模型进一步探究影响我国城市雾霾污染的社会经济因素。在借鉴前人研究的基础上，本文将从经济增长、人口密度、产业结构、汽车保有量和绿化水平五个方面选取影响因素作为解释变量。基于数据的可得性原则，具体选取指标如下：①考虑到不同城市的人口规模、城市区划面积以及产业结构的不同，选择一个地区GDP的绝对指标不具有科学上的可比性，因此本文选用人均GDP来代表一个地区的经济发展水平；②理论上人口密度较高的地区通常会带来较大的环境压力，加剧雾霾污染的程度，因此预期为正向影响；③近年来我国工业化快速发展，工业部门的能耗强度和规模远超于其他部门，不可否认来自第二产业的化石燃料燃烧、工业烟尘的排放和建筑扬尘是造成雾霾污染的重要因素[17]，因此选择第二产业比重代表产业结构的影响，预期为正向影响；④已有学者研究认为汽车尾气中的CO、SO2和NOx等污染物是雾霾污染的重要来源之一[18]，因此考虑到数据的可得性，选取民用汽车保有量指标，预期为正向影响；⑤考虑到森林资源对于除尘和空气净化具有正外部性，选择建成区绿化覆盖率来代表城市的绿化水平，预期为负向影响。

以上变量数据主要来自《中国城市统计年鉴2016》以及各个地级市的国民经济和社会发展公报，部分数据缺失的城市用2014年的相应数据代替。鉴于社会经济发展对环境的影响有一定的滞后性，因此选用之前年份的数据进行代替并不影响计量结果的客观性和真实性。

3 我国雾霾污染的时空分布特征

3.1 雾霾污染空间分布的季节变化特征

鉴于已有研究显示我国雾霾污染的季节性分布特征明显，本文采用全国288个地级以上城市2016年3月—2017年2月的月均空气质量指数（AQI）数据，按照季节划分，用Arcgis软件绘制2016年不同季节雾霾的空间分布图。结果如图1所示。

由图1可知，我国雾霾污染的季节性变化特征明显，春季和夏季整体空气质量较好，其中夏季基本不存在雾霾污染，空气质量指数AQI范围为22—100；秋季京津冀地区及太原、济南、郑州和西安等省会城市开始出现轻度污染，其余地区空气质量较好；冬季空气质量状况最差，雾霾涉及范围不断扩大，涵盖北京、天津、河北、河南、山东、山西、陕西、湖北、安徽、四川、新疆等15个省、市、自治区，近三分之一的国土面积遭受雾霾天气侵害。从污染程度来看，重污染区域主要集中在河北南部、河南北部、山西南部以及陕西关中地区。其中污染最严重的是石家庄市、邯郸市、邢台市、保定市、安阳市、临汾市、安阳市、西安市、咸阳市和乌鲁木齐市，季均空气质量AQI指数均达到200以上为重度污染，若长期处于重度污染的大气环境中，将对人体造成极大的危害。endprint

3.2 雾霾污染的空间相关性检验

通过对雾霾污染空间分布现状的可视化描述可知，现阶段我国雾霾污染季节变化显著，空间分布的区域性特征明显。本文利用GeoDa1.6.2软件对我国2016年冬季雾霾污染空间分布的集聚特征进行空间自相关检验。通过构建空间距离权重矩阵，得到2016年冬季AQI的Morans I估计值为0.493 3，经检验，P值为0.001，通过显著性检验，表明2016年冬季雾霾污染呈现显著的正向空间相关性，而且对比Moran散点图也可看出（如图2），样本城市集中分布在第一、三象限，即雾霾污染的空间分布呈现高—高（HH）集聚和低—低（LL）集聚并存的模式。

2016年冬季AQI的LISA图显示出不同地区雾霾污染空间集聚的倾向性（如图2）。从图中可看出，我国东南沿海地区（含珠三角城市群）呈现显著的低—低集聚特征，而西部的川渝地区出现了高—低集聚趋势，主要是由于川渝城市群的高污染导致。目前，雾霾污染高—高集聚的地区主要分布在河北、山东、山西、河南、陕西、湖北、安徽和江苏等地（包含京津冀和长三角城市群）。这8个省份均是我国人口大省，人口密度大，工业化水平和城镇化水平较高，是我国主要的高新技术产业和重工业基地，其中还包含京津冀和长三角两大重点扶持发展的城市群。此外，冬季这些地区降雨量少，不利于污染物扩散，加之北方供暖导致污染物加剧，雾霾污染极易在这些地区爆发。

4 影響我国雾霾污染的社会经济因素分析

基于上述分析可知，我国雾霾污染季节变化特征明显，波及范围广且重污染区域集中。事实上，造成雾霾天气频发的原因除了地理位置、气候条件以及气象因素等自然环境影响外，更重要的是源于城市自身高投入、高污染、高能耗的粗放型发展方式带来的能源利用效率低下和环境治理低效等诸多发展问题。只有进一步深入分析影响雾霾污染的社会经济因素才能抓住治理雾霾的关键问题。由于我国目前公开的社会经济指标统计数据均为年度数据，考虑到数据可行性原则，本文选择空气质量AQI的年均数据作为雾霾污染的代理变量进行研究。由于影响雾霾污染的社会经济因素众多而复杂，且污染存在着显著的空间相关性，经典最小二乘法失效。因此，为准确识别影响雾霾污染的社会经济因素，本文将引入空间计量模型进行深入分析。

在进行模型参数估计前，首先结合STIRPAT 模型和 EKC 假说选取影响雾霾污染的社会经济因素构建回归方程。基于IPAT模型衍生的STIRPAT 模型目前被广泛应用于能源与环境经济领域分析人文因素对环境的非等比例影响。相比于IPAT模型，STIRPAT 模型的优势在于不仅能够对系数进行参数估计，同时研究者可根据具体研究内容对各影响因素进行适当分解和改进[19]。STIRPAT 模型的表达式为I=aPbAcTde其中I、P、A、T分别表示环境影响、人口规模、人均财富和技术水平，e为误差项。对两边取自然对数后变形为：

具体到本文的情况，结合EKC假说选取影响雾霾污染的社会经济因素，本文引入产业结构、民用汽车保有量和绿化水平等变量对STIRPAT模型进行扩展，构建如下模型：

其中，被解释变量为2015年全国各地级以上城市的年均AQI指数。解释变量分别为density（人口密度）表示人口集聚程度、gdp（人均GDP）表示经济发展水平、gdp2（人均GDP平方）、sec-gdp（二产占GDP的比重）表示产业结构、car（民用汽车保有量）、green（建成区绿化覆盖率）表示绿化水平。这里引入人均GDP的平方，是为了实证检验“环境库兹涅茨曲线”假说，此外在模型中加入city虚拟变量（表示是否为省会城市（包括直辖市），是则为1，否则为0），是为了检验人口、资源高度集中的省会城市是否雾霾污染程度更高。

根据Anselin对空间计量模型选择的判别方法，即在经典OLS回归及相关检验的基础上，通过LM统计量的显著性来判断采用空间误差模型还是空间滞后模型。即当两种模型的LM 统计量具有相同的显著水平时，则由稳健（robust） 的 LM 统计量的显著性来确定模型的设定形式[20]。进行参数估计时，需要构造空间权重矩阵，由于本文的研究对象是地级以上城市，部分城市之间不相邻，存在孤岛城市。因此，按照rook （即空间矩阵赋值方式为具有公共边界的两区域的虚拟变量为1，否则为0）和 queen （即空间矩阵赋值方式为具有公共边界或节点的两区域的虚拟变量为1，否则为0）临近原则构建空间权重矩阵不适宜，同样也不适用knearest neighbors（每个要素的相邻要素数正好等于K这个指定数目）方法，所以本文利用GeoDa1.6.2软件根据各城市质心坐标自动生成的最小门槛距离来确定临近关系，构造空间距离权重矩阵对模型（7）进行空间计量估计，结果如表1所示。模型（7）的Morans I 指数值为0.624，P值为0.000，通过了显著性检验，即经典 OLS 回归误差具有显著的空间相关性，应选用空间计量模型进行参数估计。从两种竞争性空间计量模型的LM值来看，空间误差模型的LM（error）检验值和空间滞后模型的LM（lag）检验值均十分显著。因此，分别使用SEM和SLM对模型（7）进行参数估计。比较SLM和SEM的回归结果可知，尽管SEM的AIC值和SC值均小于SLM，但从空间相关性检验BP test和Likelihood Ratio Test结果来看，SLM的各项检验结果均显著优于SEM，所以综合判断SLM模型更适宜。本文接下来仅分析和讨论基于（7）式的空间滞后模型（SLM）的估计结果。

通过空间滞后模型的回归结果可看出，多个变量均对AQI有显著影响：

从空间维度上看，空间滞后系数ρ在1%的水平上显著为正，说明邻近地区的AQI值对本地区的AQI值有显著正向影响，再一次验证了中国城市间雾霾污染存在明显的空间集聚特征。本地区的雾霾污染程度与邻近地区的雾霾污染水平密切相关，表现出“一荣俱荣，一损俱损”的特征[17]。由表1可知，当邻近地区的AQI值每增加1%，本地区的AQI值增加0.376%，表明采用“独善其身”的方式治霾，并不能有效解决区域间的雾霾污染问题，必须由局部治理转变为区域联防联控。endprint

从经济增长来看，人均GDP的一次项系数为正，二次项系数为负，且均在5%的水平下显著，在一定程度上支持了“环境库兹涅茨曲线”的假说，与预期相符。即在拐点出现之前，城市经济发展前期更多以消耗资源、扩大生产和满足人们的物质需求为目的，环境保护被忽视，当经济发展到一定程度后，人们生活水平得到普遍提高，环保的重要性开始凸显，则开始倒逼经济发展方式转变和经济结构优化调整。

從人口集聚程度来看，与马丽梅[16]的研究结果一致，人口密度对AQI值的影响并不显著，与预期不符，即说明人口密度不是决定AQI大小的关键因素。低的人口密度不一定意味着低的AQI值，如乌鲁木齐、咸阳、兰州、三门峡等城市，人口密度相对较低，AQI值却较高；同样，人口密度高不一定AQI高，如汕头、上海、深圳、厦门、广州等人口密度高的城市，AQI值却较低。

从产业结构来看，二产占GDP的比重在1%的水平下显著为正，与预期相符。尽管不同质的城市间区位条件和经济发展水平各不相同，但该指标显著地表现出对雾霾污染的正向促进作用。第二产业产值主要包含工业和建筑业，而工业消耗的煤炭、石油、有色金属等原料，建筑业产生的大量扬尘均是造成雾霾污染的主要原因。说明以粗放式的工业化发展模式和以工业（尤其是重工业）为主的产业结构是加剧雾霾污染的关键经济因素，加快产业结构的转型和升级刻不容缓。

从民用汽车保有量来看，民用汽车数量对AQI值有显著的正向促进影响，与预期相符。即机动车尾气污染产生的一氧化碳CO、氮氧化物NOX和可挥发性有机物是构成AQI污染的重要组成部分。

从绿化水平来看，建成区绿化覆盖率对AQI值的影响并不显著，与预期不符。可见绿地在城市内发挥的空气净化作用较为微弱，这与当前人均绿地面积不达标，城市绿地管理和维护不到位等问题息息相关[21]。

从城市的行政等级来看，省会城市对雾霾污染有显著的正向促进作用。根据弗里德曼的核心-边缘理论可知，核心城市必然具有工业发达，技术水平较高，资本集中，人口密集，经济增长速度快等特征，才能够产生和吸引大量革新，从而带动和影响边缘城市或地区的发展。因此省会城市作为一个省份经济发展的核心，势必会集中人力、物力和财力进行大量投资和建设，随之相伴则是严重的交通压力、能耗压力、住房压力和对公共基础设施的需求，污染的负外部性累计爆发使得省会城市成为污染重灾区。

5 结论与启示

如何有效缓解和改善雾霾污染问题是目前困扰我国经济发展的重大民生问题和环境问题，引起了政府的高度重视和社会公众的广泛关注。本文基于全国288个地级以上城市的空气质量数据对我国雾霾污染的时空分布特征进行了分析，并进一步对影响雾霾污染空间分布的社会经济因素进行了经验识别，结论如下：①雾霾污染的季节性特征明显，夏季空气质量状况最好，基本不存在污染，冬季雾霾污染严重，污染范围广，波及15个省、市、自治区，其中河北南部、河南北部、山西南部和陕西关中地区是污染重灾区；②雾霾污染存在显著的空间正相关性，其中东部沿海地区为低低集聚，华北平原及周边地区呈现显著的高高集聚特征；③空间回归结果显示，城市间雾霾污染存在显著的空间外溢性，以工业为主的产业结构、民用汽车保有量的增多、省会城市均对雾霾污染有显著的正向促进作用，且污染与经济增长的关系在一定程度上与EKC曲线假说相符，但人口密度和绿化水平对雾霾污染的影响并不显著。

根据上述结论，改善我国城市空气质量状况要走城市内部治理和外部联合两步路。

从城市内部治理的角度出发：①加快城市自身产业结构升级，深入落实供给侧改革，淘汰落后产能，并制定实施有效的绿色产业扶持政策，促进产业结构的“绿色”转型升级。②控制城市内部汽车数量增长速度，除了限购和限行等强制管制措施外，大力推广新能源汽车，普及汽车生产厂商在非清洁能源汽车的尾气排放口安装尾气净化装置，减少汽车尾气排放。同时，积极探索和引导共享单车等更环保便捷的出行方式。③缓解省会城市的雾霾污染程度，通过疏散城市职能来分流由于资源高度集中的优势带来的人口压力、交通压力、住房压力和环境压力，从而降低与相邻城市间的交互污染。

从城市外部联合的角度出发：雾霾污染作为环境污染的负外部性问题，由于相邻地区间存在不同程度的污染转移，极易形成区域型污染，因此在污染治理过程出现类似“公地悲剧”的困境，独善其身并不能达到有效治污的目的，反而会导致污染长期反复，甚至陷入顾此失彼的窘境。因此，要高度重视地区间污染治理协同防治的作用，特别是在极端重污染天气下，应根据不同城市的资源禀赋和发展水平不同对排污总量进行分配和协调，达到有效控制和缓解污染持续蔓延的目的。

参考文献（References）

[1]管杰， 张纪东. 中国环境污染与经济增长：基于空间动态面板数据模型的实证分析[J]. 地理科学，2010（6）： 818-825. [GUAN Jie， ZHANG Jidong. Environmental pollution and economic growth in China： a dynamic spatial panel data model[J]. Scientia geographica sinica， 2010（6）： 818-825.]

[2]YANG K L. Spatial and seasonal variation of PM10 mass concentrations in Taiwan[J]. Atmospheric environment， 2002， 36（21）： 3403-3411.

[3]BIN P， HUDDA N， CHEUNG K L， et al. Spatial and temporal variability of coarse （PM10，PM 2.5） particulate matter concentrations in the Los Angeles Area[J]. Aerosol science and technology， 2010， 44（7）： 514-525.endprint

[4]ANTTIL A P， SALMI T. Characterizing temporal and spatial patterns of urban PM10 using six years of Finnish monitoring data[J]. Boreal environment research， 2006， 11（6）： 463-479.

[5]朱振亚， 饶良懿， 余新晓， 等. 西安市区空气污染指数时空分布特征[J]. 中国水土保持科学， 2014（3）： 9-16. [ZHU Zhenya， RAO Liangyi， YU Xinxiao， et al. Temporal and spatial distribution characteristics of air pollution index in Xian， China[J]. Science of soil and water conservation， 2014（3）： 9-16.]

[6]贾梦唯， 赵天良， 张祥志， 等. 南京主要雾霾污染物季节变化及相关气象分析[J]. 中国环境科学， 2016（9）： 2567-2577. [JIA Mengwei， ZHAO Tianliang， ZHANG Xiangzhi， et al. Seasonal variations in major air pollutants in Nanjing and their meteorological correlation analyses[J]. China environmental science， 2016（9）： 2567-2577.]

[7]张桂芹， 刘泽常， 杜世勇. 济南市环境空气细粒子PM2.5污染特征及影响因素[J]. 环境科学与技术， 2010（S2）： 520-522，550. [ZHANG Guiqin， LIU Zechang， DU Shiyong. Pollution characteristics of fine particles PM2.5 and influence factors in Jinan City[J]. Environmental science & technology， 2010（S2）： 520-522，550.]

[8]杨冕， 王银. 长江经济带PM2.5时空特征及影响因素研究[J]. 中国人口·资源与環境， 2017（1）： 91-100. [YANG Mian， WANG Yin. Spatialtemporal characteristics of PM2.5 and its influencing factors in the Yangtze River Economic Belt[J]. China population， resources and environment， 2017（1）： 91-100.]

[9]昌晶亮， 余洪， 罗伟伟. 珠三角地区PM2.5浓度空间自相关分析[J]. 生态与农村环境学报， 2015（6）： 853-858. [CHANG Jingliang， YU Hong， LUO Weiwei. Spatial autocorrelation analysis of PM2.5 concentration in the Pearl River Delta[J]. Journal of ecology and rural environment， 2015（6）： 853-858.]

[10]程进. 长三角城市群雾霾污染格局的时空演变特征[J]. 城市问题， 2016（1）： 23-27. [CHENG Jin. Spatial and temporal characteristics of air pollution pattern of urban agglomeration in the Yangtze River Delta[J]. Urban problems， 2016（1）： 23-27.]

[11]白永亮， 郭珊， 孙涵. 雾霾污染的空间关联与区域间防控协作——基于全国288个地市工业SO2污染数据的空间统计分析[J]. 中国地质大学学报（社会科学版）， 2016（3）： 63-72，171. [BAI Yongliang， GUO Shan， SUN Han. Spatial correlation of air pollution and control cooperation among different regions：a spatial correlation analysis of industrial SO2 pollution based on 288 nationwide municipal data[J]. Journal of China University of Geosciences（social sciences edition）， 2016（3）： 63-72，171.]

[12]刘华军， 杜广杰. 中国城市雾霾污染的空间格局与分布动态演进——基于161个城市AQI及6种分项污染物的实证[J]. 经济地理， 2016（10）： 33-38. [LIU Huajun， DU Guangjie. Spatial pattern and distributional dynamics of urban air pollution in China：an empirical study based on AQI and six subpollutants of 161 cities[J].Economic geography， 2016（10）： 33-38.]endprint

[13]孙晓雨， 刘金平， 杨贺. 中国城市雾霾污染区域影响空间溢出效应研究[J]. 统计与信息论坛， 2015（5）： 87-92. [SUN Xiaoyu， LIU Jinping， YANG He. Study on spatial spillover effect of regional impact of atmosphere pollution in Chinese Urban[J]. Statistics & information forum， 2015（5）： 87-92.]

[14]李名升， 张建辉， 张殷俊， 等. 近10年中国大气PM10污染时空格局演变[J]. 地理学报， 2014， 68（11）： 1504-1512. [LI Mingsheng， ZHANG Jianhui， ZHANG Yinjun， et al. Spatiotemporal pattern changes of ambient air PM10 pollution in China from 2002 to 2012[J]. Acta geographica sinica， 2014， 68（11）：1504-1512.]

[15]张凌， 付朝阳， 郑习健， 等. 广州市区雾霾污染特征与影响因子分析[J]. 生态环境， 2007（2）： 305-308. [ZHANG Ling， FU Chaoyang， ZHENG Xijian， et al. Study on air pollution feature and its effect in Guangzhou City[J]. Ecology and environmental sciences， 2007（2）： 305-308.]

[16]马丽梅， 张晓. 区域雾霾污染空间效应及产业结构影响[J]. 中国人口·资源与环境， 2014（7）： 157-164. [MA Limei， ZHANG Xiao. Spatial effects of regional air pollution and the impact of industrial structure[J]. China population， resources and environment， 2014（7）： 157-164.]

[17]邵帥， 李欣， 曹建华， 等. 中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J]. 经济研究， 2016（9）：73-88. [SHAO Shuai， LI Xin， CAO Jianhua， et al. Chinas economic policy choices for governing smog pollution based on spatial spillover effects[J]. Economic research journal， 2016（9）： 73-88.]

[18]李勇， 李振宇， 江玉林， 等. 借鉴国际经验探讨城市交通治污减霾策略[J]. 环境保护， 2014（Z1）： 75-77. [LI Yong， LI Zhenyu， JIANG Yulin， et al. Using international experience to explore the strategy of smog pollution reduction by controlling the urban traffic[J]. Environmental protection， 2014（Z1）： 75-77.]

[19]SHAO Shuai， YANG Lili， YU Mingbo， et al. Estimation，characteristics and determinants of energyrelated industrial CO2 emissions in Shanghai （China）， 1994-2009[J]. Energy policy， 2011， 39（10）： 6476-6494.

[20]LESAGE J P， PACE R K. Introduction to spatial econometrics[R].Boca Raton： CRC Press，2009.

[21]张利华， 邹波， 黄宝荣. 城市绿地生态功能综合评价体系研究的新视角[J]. 中国人口·资源与环境， 2012， 22（4）： 67-71. [ZHANG Lihua， ZOU Bo， HUANG Baorong. New perspective of comprehensive evaluation research on urban green space ecosystem[J]. China population， resources and environment， 2012， 22（4）： 67-71.]endprint