中国城市PM2.5影响因素的空间异质性分析

李梦航 阙翔 刘金福 苏少强 丁晓婷

摘 要：利用2015年全国城市PM2.5监测资料，通过全局最小二乘（OLS）和地理加权回归（GWR）分析影响PM2.5浓度的社会经济和自然因素的空间异质性。结果表明：市区人口对PM2.5浓度有正向影响，而年降水量与PM2.5浓度呈负相关。由于地区经济发展水平不同及地理环境的差异，工业用电量和年均气温对PM2.5影响具有明显的空间差异性特征。相比OLS模型，GWR模型可以更好地揭示社会经济和自然因素对PM2.5浓度影响强弱及作用方向。工业用电量在工业化水平相对较低的云贵高原市域呈现正向影响，年均气温在南方城市具有负向影响。因此，可根据不同因素对PM2.5影响的空间差异性特征，制定具有针对性污染治理政策。

关键词：PM2.5;空气污染;空间异质性;地理加权回归

中图分类号：X513  文献标识码：A  文章编号：1673-260X（2021）01-0037-05

自改革开放以来中国城镇化水平快速发展，2017年中国城镇化水平已超过世界平均水平3.7个百分点[1]，与此同时，工业化也在高速推进。然而，长期的高强度城市化建设和高排放的生产模式引发了严重的大气污染问题，城市雾霾天气频发[2]。研究发现，PM2.5是大气雾霾频发最重要的污染物[3]，其不仅可以降低大气能见度[4]影响人们安全出行，而且能够进入人体呼吸系统，引发呼吸系统、心血管系统等相关疾病[5，6]，增加暴露人群的死亡风险[7]，严重危害人类健康。PM2.5污染已成为阻碍人类生存质量提高和城市可持续发展的重要因素。

目前，PM2.5科学防控已成为生态环保领域中关注的焦点，众多学者针对PM2.5浓度影响因素展开深入研究。周曙东等研究表明工业生产、人口聚集等社会经济因素以及温度和降雨等自然因素对地区PM2.5浓度水平都存在重要影响[8]。Lin等[9]评估社会经济因素对中国城市空气污染的影响，表明工业化程度对空气质量恶化存在重要影响。Leeuw等[10]对欧盟地区PM2.5污染物影响因素进行了研究，分析了人口聚集与PM2.5浓度水平存在正相关。杨昆等[11]采用传统线性回归模型（OLS）研究了社会经济因素对中国PM2.5的影响，结果表明PM2.5与总人口、第二产值比例平方呈正相关。在自然因素方面，黄俊等[12]对广州市PM2.5浓度变化与气象因子的关系研究表明PM2.5浓度与降水、气温等因素呈负向相关。Yoo等[13]研究降雨量对韩国空气污染物的影响，发现降雨量对空气质量有明显改善作用。

国内外学者在PM2.5影响因素研究方面已取得丰富的成果，但大多研究采用全局统计方法[8-12]，其假定研究区域内PM2.5在不同空间位置受到影响因素一致的影响，忽略了局部影响的空间异质性。然而不同地区PM2.5具有明显差异[14]，不同的自然条件和社会经济因素对其影响存在空间差异[2]，而全局统计方法不能够揭示影响因素在不同地理空间的作用关系。因此，本文运用地理加权回归[15]（GWR）分析自然和社会经济因素对城市PM2.5浓度影响的强弱和作用方向，揭示影响因素的空间非平稳性，为PM2.5污染治理及制定针对性治理政策提供科学依据。

1 数据来源与研究方法

1.1 数据来源

PM2.5数据来自全国城市空气质量实时发布平台（http：//106.37.208.233：20035/），根据城市每日PM2.5数据计算年均值。气温和降水量数据来自中国科学院资源环境与数据中心（http：//www.resdc.cn/），该数据集为空间分辨率1km×1km的栅格数据，利用arcgis10.2软件以表格显示分区统计工具计算每个城市的年平均气温和降水量。人口、城市建成区面积、工业用电量、消费品零售总额数据来自《中国城市建设统计年鉴》和《中国城市统计年鉴》。由于部分城市数据不完整，经筛选、删除缺失城市后，最终得到200个城市的完整数据用于分析。

1.2 研究方法

传统线性回归模型一般建立在最小二乘法（OLS）基础上进行参数估计，计算公式如下：

式中：yi、xik、？着i分别是第i个观察点的因变量，第i个观察点的第k个自变量和误差项。传统线性回归模型假定回归系数在整个空间研究区域内保持稳定一致，忽略了变量的空间非平稳性，不能反映影响特征的空间局部变化。

GWR通过建立局部逐点的回归模型揭示空间条件下自变量与因变量的关系，允许回归系数在空间上变化，可以有效地探索变量的空间非平稳性[16]。GWR的基本形式如下：

式中：（ui，vi）表示第i个观察点的空间坐标，为第i个观察点第k个自变量的回归系数，？茁0（ui，vi）为模型在第i个观察点的截距。

2 结果分析

2.1 OLS模型参数估计结果分析

利用全局最小二乘（OLS）检验PM2.5浓度与各解释变量之间的关系，在0.05显著性水平下，各解释变量的回归系数均通过显著性检验（表1），各解釋变量均对PM2.5浓度有显著的影响。从回归系数来看，各解释变量对PM2.5浓度影响力从高到低依次是：年均气温、建成区面积、工业用电量、年降水量、市区人口、消费品零售额。其中，建成区面积和年降水量与PM2.5浓度呈负相关。原因可能在于降水有利于大气污染物的沉降[17]，且建成区面积较大一定程度能反映出城市化建设趋于成熟，与城市化密切相关的建筑行业发展停滞，从而减少了大气污染物的排放，另外，城市化进程带动经济、科技的发展，也有利于环境监测与治理。建成区面积、消费品零售额的VIF值大于7.5，表明其与其他解释变量间存在多重共线性问题[18]。因此，只保留市区人口、工业用电量、年降水量和年均气温用于之后的GWR回归分析。

2.2 GWR模型与OLS模型结果对比

对比GWR模型与OLS模型运算结果可知（表2），GWR模型的决定系数R2和调整后的决定系数分别为0.525和0.524，高于OLS的决定系数与调整决定系数，GWR模型拟合效果优于OLS。GWR的AICc值为1569.904，比OLS模型小了55.372，两个模型AICc值相差远大于3，表明GWR可以更好地拟合观测数据[15]。另外，GWR估计的标准误差（Sigma）为11.833也小于OLS的13.738，运用GWR模型测算结果明显比OLS更准确，局部估计的GWR模型比基于全局的OLS模型有更好的适用性。

2.3 影响因素的空间异质性分析

利用Arcgis10.2软件对GWR模型中各解释变量地回归系数进行空间可视化，得到各解释变量系数的空间分布，进而分析影响因素空间作用差异及强弱。

2.3.1 市区人口

市区人口的回归系数均为正值（图1），说明市区人口与城市PM2.5浓度呈正相关，即市区人口越大的区域，其PM2.5浓度越高。市区人口回归系数呈现出以中原城市群为核心由东向西逐渐递增的圈层结构，高值区主要集中在西南部云贵川地区（丽江市、毕节市以及宜宾市等）。这表明相较于中原城市群，市区人口在云贵川地区具有更强的正向影响。原因可能是云贵川境内山地众多，城市建设面积相对平原地带有限，使得市区人口分布更加集中。其次云贵川地区空气质量整体上优于中原地区，其对人类活动造成的空气污染治理力度相对较弱，使得市区人口的正向影响更加显著。

2.3.2 工业用电量

工业用电量对94%的城市PM2.5浓度具有正相关效应，在6%的城市中呈现负相关效应，正向影响较强的市域主要分布在四川省东部（广元市、南充市、巴中市等）、陕西省西南部（汉中市、安康市、宝鸡市等）以及湖北省东部（十堰市、襄阳市、宜昌市等），负向影响主要集中在西南部云南省（昆明市、丽江市等）和贵州省（贵阳市、毕节市等）（图2）。原因在于云贵高原地区工业发展水平相对缓慢，适度的工业活动未破坏周围环境，同时促进了地区经济增长，有利于PM2.5浓度降低，而四川省、陕西省和湖北省等市域工业主要以装备制造、能源化工等重工业为主，工业能耗和污染强度较大，且与广东、福建等沿海工业发达地区相比，其工业发展模式较为粗放。

2.3.3 年降水量

年降水量回归系数均为负值（图3），说明年降水量对城市PM2.5浓度具有负向影响，这与已有研究成果认为降水对中国大部分区域PM2.5具有清除作用一致[2，17，19]。从空间异质性来看，年降水量回归系数以中原城市群为低值中心向周围市域圈层递增，高值区主要分布在云贵川地区、珠江三角洲城市群和海峡西岸城市群等降雨量比较丰富的市域。降雨对城市PM2.5改善作用呈现空间异质性的原因可能在于相比南方城市，中原城市群年降水量较小且空气质量较差，年降水量的增加对其市域PM2.5清除作用更加显著。

2.3.4 年平均气温

年平均气温回归系数波动较大，北方地区回归系数普遍高于南方地区（图4），表明平均气温对PM2.5浓度影响的空间异质性较为明显。年平均气温回归系数在30.5%的市域为负值，呈现负向影响，主要分布在云贵川地区、江西省、江苏省以及东南沿海地区的市域。而对中原城市群、京津冀地区及东北地区市域PM2.5浓度有明显的正向影响。年平均气温对城市PM2.5呈现南北巨大差异可能与地区气温特点有密切联系，已有的研究表明高温有利于降低地区PM2.5浓度[20，21]，而广阔地域和不同的地理环境差异（纬度位置、冬季风等）使北方地区年均气温普遍低于南方地区[22]。

3 结论

PM2.5作为大气雾霾污染的首要污染物，是城市生态文明建设主要障碍，识别PM2.5影响因素的空间异质性有利于制定针对性环保政策。本研究利用GWR模型探究了全国市域尺度PM2.5影响因素的空间异质性。主要结论如下：

（1）从全局角度分析，年均气温对PM2.5正向影响最为显著，其次分别为工业用电量、市区人口、消费品零售额等因素。建成区面积和年降水量等因素对PM2.5浓度具有负向影响。

（2）从局部角度分析，各影响因子城市PM2.5浓度的驱动力模式不同，呈现较大的空间异质性。其中，市区人口对城市PM2.5浓度存在正向影响，在西南云贵川地区影响强度最为明显。而年降水量对城市PM2.5浓度具有负向影响，且在中原城市群影响作用最为显著。工业用电量与年均气温的影响效应在不同地区具有分异性，空间非平稳性明显。

（3）不同影响因子对PM2.5影响的强度和方向具有明显差异，因此，可基于不同因素影响的空间异质性，因地制宜地制定环保政策。如云贵高原地区工业发展与PM2.5呈负相关关系，表明该地区工业化与防霾治霾可以同时发展，制定合理的工业化发展战略在促进经济增长的同时，也可保证地区空气污染治理;降水量对年降水量较小且空气质量较差的中原城市群具有显著的负向影响，可以依靠人工降雨、增加城市路面洒水频率、安装道路喷水装置等手段来治理当地PM2.5污染。

本文通过OLS模型及GWR模型對造成市域PM2.5差异的社会经济和自然因素进行全局和空间分析，为各地区制定针对性雾霾治理政策提供了科学依据。但PM2.5浓度变化受社会经济、时间和自然条件等多种要素共同影响。由于数据获取有限性等原因，本文仅选取了部分重要因素进行建模分析，未来可加入更多变量来全面分析PM2.5浓度影响因素的空间异质性。另外，PM2.5浓度变化具有明显的季节性特征，在后续的研究中加入季节性解释变量，可从时间和空间两个层面研究PM2.5浓度影响因素的时空异质性，为不同区域制定不同季节的雾霾治理对策提供依据

——————————

参考文献：

〔1〕方创琳.改革开放40年来中国城镇化与城市群取得的重要进展与展望[J].经济地理，2018，38（09）：1-9.

〔2〕黄小刚，赵景波，曹军骥，等.长江经济带PM2.5分布格局演变及其影响因素[J].环境科学，2020，41（03）：1013-1024.

〔3〕周亮，周成虎，杨帆，等.2000-2011年中国PM2.5时空演化特征及驱动因素解析[J].地理学报，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，黄久红，等.泰州市某区PM2.5污染状况及其对人群健康影响的初步调查[J].现代预防医学，2017，44（23）：4244-4247.

〔6〕陈冬梅，苑红宇.PM2.5对人体呼吸系统及心血管系统影响的研究[J].沈阳医学院学报，2014，16（01）：39-41.

〔7〕林在生，林少凯，王恺，等.低浓度PM2.5对老年人群死亡的影响：基于2015—2018年福州市数据的时间序列研究[J].环境与职业医学，2020，37（02）：157-161.

〔8〕周曙东，欧阳纬清，葛继红.京津冀PM2.5的主要影响因素及内在关系研究[J].中国人口·资源与环境，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〕杨昆，杨玉莲，朱彦辉，等.中国PM2.5污染与社会经济的空间关系及成因[J].地理研究，2016，35（06）：1051-1060.

〔12〕黄俊，王超群，周宝琴，等.广州PM2.5污染特征及与气象因子的关系分析[J].环境污染与防治，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，梁龙武，王旭静.中国城市群地区PM2.5时空演变格局及其影响因素[J].地理学报，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，郭学良，张天航，等.不同降水强度对PM2.5的清除作用及影响因素[J].应用气象学报，2019，30（03）：279-291.

〔18〕曹小曙，徐建斌.中国省际边界区县域经济格局及影响因素的空间异质性[J].地理学报，2018，73（06）：1065-1075.

〔19〕王昭，严小兵.长江三角洲城市群PM2.5时空演变及影响因素[J].长江流域资源与环境，2020，29（07）：1497-1506.

〔20〕黄俊，王超群，周宝琴，等.广州PM2.5污染特征及与气象因子的关系分析[J].环境污染与防治，2020，42（02）：176-181.

〔21〕韩婧，代志光，李文韬.西安市灰霾天气下PM2.5浓度与气象条件分析[J].环境污染与防治，2014，36（02）：52-56.

〔22〕宋艳华，马金辉，刘峰.基于GIS的中国气温空间分布与分区初探[J].干旱区资源与环境，2006， 30（04）：16-21.