周志凌,程先富

基于MGWR模型的中國(guó)城市PM2.5影響因素空間異質(zhì)性

周志凌,程先富*

(安徽師范大學(xué)地理與旅游學(xué)院,安徽 蕪湖 241002)

基于全國(guó)297個(gè)地級(jí)市2018年P(guān)M2.5濃度數(shù)據(jù)、自然與社會(huì)經(jīng)濟(jì)數(shù)據(jù),采用多尺度地理加權(quán)回歸(MGWR)模型分析了各影響因素對(duì)PM2.5濃度的作用尺度與影響效果的空間異質(zhì)性.結(jié)果表明,MGWR模型適用于中國(guó)地級(jí)市PM2.5濃度影響因素研究.在作用尺度上,人均GDP、技術(shù)支持水平作用尺度最大,其次是相對(duì)濕度、居民地比重、人口密度與風(fēng)速,降水量、第二產(chǎn)業(yè)比重、植被覆蓋狀況、溫度與能源消費(fèi)強(qiáng)度作用尺度最為局限.在影響效果上,相對(duì)濕度、人口密度與居民地比重全部為正向作用;第二產(chǎn)業(yè)比重和能源消費(fèi)強(qiáng)度主要為正向作用,分別占總樣本的70.71%與64.98%;風(fēng)速、溫度既存在正向作用也存在負(fù)向作用,空間上呈兩極分化,其中正向作用分別占總樣本的49.83%與57.91%;降水量、植被覆蓋狀況主要為負(fù)向作用,分別占總樣本的91.58%與69.70%;人均GDP、技術(shù)支持水平全部為負(fù)向作用.研究結(jié)果表明各因素對(duì)于中國(guó)城市PM2.5濃度的影響均存在著不同程度的空間異質(zhì)性.

PM2.5；多尺度地理加權(quán)回歸(MGWR)模型；空間異質(zhì)性；中國(guó)

PM2.5污染危害嚴(yán)重[1],已經(jīng)成為人們廣泛關(guān)注的環(huán)境問(wèn)題.目前,PM2.5的時(shí)空分布、來(lái)源解析、影響因素研究較多.在時(shí)空分布方面,學(xué)者們運(yùn)用空間自相關(guān)[2]、小波分析[3]、核密度估計(jì)[4]、重心遷移[5]等方法識(shí)別PM2.5的分布規(guī)律和空間效應(yīng).PM2.5來(lái)源解析有3種方式,包括受體模型[6-7]、排放清單、源模型[8-9],可以定量解析PM2.5污染來(lái)源,為制定PM2.5污染的控制戰(zhàn)略提供依據(jù).影響因素分析是PM2.5研究的重要內(nèi)容.研究發(fā)現(xiàn)自然條件對(duì)地區(qū)PM2.5濃度有顯著影響,其中溫度、相對(duì)濕度等氣象因素與PM2.5濃度間關(guān)系密切[10-11],且兩者的相關(guān)性隨空間和季節(jié)而變化[12].地形條件與植被覆蓋度也是影響PM2.5濃度的重要自然因素[13-14].PM2.5濃度與人類(lèi)活動(dòng)密切關(guān)聯(lián),污染物排放源性質(zhì)、城鎮(zhèn)化水平與產(chǎn)業(yè)結(jié)構(gòu)等對(duì)于PM2.5濃度有直接影響[15-16].土地利用方式也會(huì)影響PM2.5濃度的空間格局[17].作為一種空間要素, PM2.5濃度與各影響因素的關(guān)系在空間上存在著依賴(lài)性與變異性,表現(xiàn)為PM2.5及各影響因素的空間溢出效應(yīng)[18]和各因素對(duì)PM2.5濃度影響的空間差異特征[19-20].此外,PM2.5濃度影響因素間還存在著顯著的交互作用[21].

事實(shí)上,各因素對(duì)PM2.5濃度分布的影響具有明顯的區(qū)域性特征,該規(guī)律可以用經(jīng)典地理加權(quán)回歸(GWR)模型來(lái)解釋.影響因素在某個(gè)范圍內(nèi)作用效果相似,而超過(guò)這個(gè)范圍后作用效果則差異明顯,該范圍即是影響因素的作用尺度,在GWR模型中表現(xiàn)為帶寬值.作為局部回歸模型,GWR模型可以通過(guò)變系數(shù)較好的描述自變量與因變量間關(guān)系隨著空間而變化的情形,但其中所有自變量的最優(yōu)帶寬都是相同的,然而在現(xiàn)實(shí)生活中各影響因素具有不同的作用尺度,單一帶寬不能展現(xiàn)出真實(shí)的空間過(guò)程.“地理學(xué)研究對(duì)象格局與過(guò)程及其時(shí)空特征均是尺度依存的”[22],在目前對(duì)于大氣污染的研究中,卻往往忽視不同影響因素的尺度差異.本文運(yùn)用多尺度地理加權(quán)回歸(MGWR)模型探究各因素對(duì)中國(guó)城市PM2.5濃度的影響性質(zhì)與強(qiáng)度,揭示影響因素在空間上作用尺度及影響效果的異質(zhì)性,以期為PM2.5污染防治與預(yù)測(cè)提供依據(jù).

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來(lái)源

圖1 中國(guó)城市PM2.5污染、自然與社會(huì)經(jīng)濟(jì)因素水平空間分布

采用的2018年P(guān)M2.5濃度數(shù)據(jù)來(lái)源于大氣成分分析組織(ACAG)(http://fizz.phys.dal.ca/～atmos/ martin/?page_id=140).根據(jù)相關(guān)研究梳理[10-21]及數(shù)據(jù)易獲取的原則,選定的解釋變量包括年降水量、年均風(fēng)速、年均氣溫、年均相對(duì)濕度、植被覆蓋度等自然因素以及人口密度、人均國(guó)內(nèi)生產(chǎn)總值(GDP)、產(chǎn)業(yè)結(jié)構(gòu)、土地利用結(jié)構(gòu)、能源消費(fèi)強(qiáng)度、技術(shù)支持水平(科學(xué)技術(shù)支出占GDP之比)等社會(huì)經(jīng)濟(jì)因素.其中氣象因素?cái)?shù)據(jù)來(lái)自于中國(guó)氣象數(shù)據(jù)網(wǎng)(http: //data.cma.cn/).采用歸一化植被指數(shù)(NDVI)作為衡量植被覆蓋狀況的指示因子,采用市域內(nèi)城鄉(xiāng)、工礦、居民用地與所有土地利用類(lèi)型的比值(下文簡(jiǎn)稱(chēng)居民地比重)表征土地利用結(jié)構(gòu),以上數(shù)據(jù)來(lái)自于中國(guó)科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心(http://www. resdc.cn/).研究表明夜間燈光與能源消費(fèi)顯著線(xiàn)性相關(guān)[23-24],本文使用夜間燈光數(shù)據(jù)反映能源消費(fèi)情況,數(shù)據(jù)來(lái)源于代號(hào)“火石”的中科院版地球夜光數(shù)據(jù)集(http://satsee.radi.ac.cn/cfimage/nightlight/),計(jì)算市域內(nèi)柵格值總和與面積之比表征能源消費(fèi)強(qiáng)度.其余社會(huì)經(jīng)濟(jì)數(shù)據(jù)來(lái)源于《中國(guó)城市統(tǒng)計(jì)年鑒》,部分缺失數(shù)據(jù)用相應(yīng)城市統(tǒng)計(jì)年鑒進(jìn)行補(bǔ)充.最終獲得297個(gè)城市自然因素和社會(huì)經(jīng)濟(jì)因素基礎(chǔ)數(shù)據(jù)(圖1).

考慮到本研究所選取的變量中很可能存在多重共線(xiàn)性問(wèn)題,為避免指標(biāo)間相互影響而帶來(lái)估計(jì)結(jié)果的偏差,對(duì)上述所有解釋變量采用方差膨脹因子(VIF)進(jìn)行檢驗(yàn).VIF值越大,多重共線(xiàn)性越大,一般認(rèn)為VIF值大于10則該變量是高度共線(xiàn)的.VIF的倒數(shù)即容差,越接近0表示多重共線(xiàn)性越強(qiáng).方差膨脹因子的計(jì)算公式為[25]:

式中:R為第個(gè)自變量X對(duì)其余自變量作回歸分析的復(fù)相關(guān)系數(shù).檢驗(yàn)結(jié)果如表1所示.各指標(biāo)的方差膨脹因子值均小于10,表明所選取的指標(biāo)不存在多重共線(xiàn)性問(wèn)題.

表1 影響因素多重共線(xiàn)性診斷結(jié)果

1.2 研究方法

與經(jīng)典GWR模型相比,MGWR模型允許每個(gè)變量各自不同的空間平滑水平,這降低了估計(jì)的偏誤,同時(shí)也產(chǎn)生了更真實(shí)有用的空間過(guò)程模型[26],其結(jié)構(gòu)如下[27-28]:

2 結(jié)果與分析

2.1 模型指標(biāo)分析

普通最小二乘法(OLS)下的全局模型、GWR模型與MGWR模型計(jì)算結(jié)果的相關(guān)指標(biāo)如表2所示.與經(jīng)典GWR模型相比,MGWR模型的AICc值更小,調(diào)整2略大,變量帶寬取值豐富.這表明MGWR模型在擬合效果上比前兩個(gè)模型更優(yōu).

變量帶寬衡量了各個(gè)過(guò)程的空間作用尺度,可以反映出不同自然和社會(huì)經(jīng)濟(jì)影響因素對(duì)PM2.5濃度作用尺度的差異[29].作用尺度越大表明該影響因素作用效果的空間異質(zhì)性越小,反之空間異質(zhì)性則越大.結(jié)果可知,自然因素中降水量、溫度與植被覆蓋狀況作用尺度分別為47、43與44,均較小(<50),它們對(duì)于PM2.5濃度作用效果的空間異質(zhì)性較大.風(fēng)速作用尺度為90,作用效果的空間異質(zhì)性較小.相對(duì)濕度作用尺度為151,約為全部樣本量的一半,其對(duì)PM2.5濃度的作用效果在半數(shù)地級(jí)市的范圍內(nèi)均相似.人口密度的作用尺度為116,居民地比重作用尺度為113,兩者作用效果的空間異質(zhì)性較小,回歸系數(shù)在空間上較平穩(wěn).人均GDP與技術(shù)支持水平作用尺度均為296,基本上等于樣本總量,是全局變量,幾乎不存在空間異質(zhì)性,對(duì)PM2.5濃度的作用效果在全國(guó)地級(jí)市的范圍內(nèi)基本一致.第二產(chǎn)業(yè)比重作用尺度為47,能源消費(fèi)強(qiáng)度作用尺度為43,兩者作用效果的空間異質(zhì)性較大.

圖2中2表示所選自然與社會(huì)經(jīng)濟(jì)指標(biāo)對(duì)PM2.5濃度水平的實(shí)際解釋力度.各地級(jí)市的局部2分布在0.61～0.97之間,其中有87.21%的地級(jí)市擬合優(yōu)度超過(guò)了0.80,51.52%的地級(jí)市擬合優(yōu)度超過(guò)了0.90,由此可見(jiàn)本研究選擇的11個(gè)影響因素對(duì)城市PM2.5濃度空間分布狀況有足夠的綜合解釋力.在京津冀地區(qū)和長(zhǎng)三角地區(qū)2值較大,表明在這兩片區(qū)域各指標(biāo)對(duì)PM2.5濃度的解釋力最好.在西北地區(qū)及西南地區(qū)2值普遍較低,說(shuō)明可能有遺漏因素的存在.對(duì)于西北地區(qū)而言原因可能是該地區(qū)氣候干旱植被稀疏土地荒漠化嚴(yán)重,地面沙塵相對(duì)易被揚(yáng)起,地表?yè)P(yáng)塵源加重了PM2.5污染,故造成該地區(qū)模型擬合度較低.西南地區(qū)2值較低的原因可能是該地區(qū)多山地、丘陵地形,下墊面狀況復(fù)雜多變,因此污染物的積聚與消散過(guò)程較平原地區(qū)也更加復(fù)雜.此外還可能受到越南等域外東南亞國(guó)家大氣污染物跨境輸送的影響[31],造成該地區(qū)模型擬合度較低.

表2 OLS、GWR與MGWR擬合結(jié)果比較

圖2 MGWR模型擬合結(jié)果的局部R2空間分布

2.2 影響因素空間異質(zhì)性分析

從各類(lèi)指標(biāo)回歸系數(shù)的小提琴圖(圖3)可以看出,降水量的增加對(duì)于PM2.5濃度的作用基本上是負(fù)向的,且負(fù)向作用相當(dāng)強(qiáng)烈.風(fēng)速與溫度對(duì)于PM2.5濃度的作用是雙向的,且呈現(xiàn)比較明顯的兩極分化狀態(tài),其中溫度的兩極分化情況最為凸出.相對(duì)濕度的增加對(duì)于PM2.5濃度完全呈現(xiàn)促進(jìn)作用.植被覆蓋度的提升對(duì)于PM2.5濃度來(lái)說(shuō)主要是抑制作用.人口密度的增加總會(huì)導(dǎo)致PM2.5濃度的上升.人均GDP的提升對(duì)于PM2.5濃度有抑制作用,但是作用效果有限.第二產(chǎn)業(yè)比重增加總體來(lái)說(shuō)會(huì)導(dǎo)致PM2.5濃度的升高.居民地比重的增加總是會(huì)加重地區(qū)PM2.5污染.能源消費(fèi)強(qiáng)度的增加總體上也會(huì)加重PM2.5污染.對(duì)某地區(qū)技術(shù)支持水平的力度越大,則該地區(qū)PM2.5濃度越低,但是作用效果相對(duì)有限.

圖3 MGWR模型回歸系數(shù)分布小提琴圖

如圖4所示:常數(shù)項(xiàng)與PM2.5濃度的高值區(qū)在空間上基本保持一致,均在中國(guó)華北地區(qū),這說(shuō)明華北地區(qū)PM2.5基礎(chǔ)排放量最大,PM2.5污染狀況最為嚴(yán)重.

降水過(guò)程可以捕獲大氣中的顆粒物和氣溶膠粒子,使之從大氣中清除,同時(shí)對(duì)于地表?yè)P(yáng)塵也有一定的抑制作用.圖中除西南地區(qū)外,降水對(duì)PM2.5濃度呈現(xiàn)顯著的負(fù)相關(guān)效應(yīng),占到樣本量的91.58%.且從降水量與PM2.5濃度的回歸系數(shù)上來(lái)看,降水對(duì)于PM2.5的清除效果在溫帶季風(fēng)氣候區(qū)的東北與華北地區(qū)最好.

風(fēng)速對(duì)于PM2.5濃度的影響呈明顯的兩極分化空間格局,東部地區(qū)負(fù)相關(guān)效應(yīng)顯著,占樣本量的50.17%,西部地區(qū)正相關(guān)效應(yīng)顯著,占樣本量的49.83%.這與王少劍等[19]的風(fēng)速對(duì)PM2.5濃度主要呈負(fù)相關(guān)效應(yīng)的研究結(jié)果有所區(qū)別.原因在于東部地區(qū)距離海洋近且地形平坦,季風(fēng)效應(yīng)顯著,年均風(fēng)速總體較高,因此大氣污染物擴(kuò)散條件好,氣流運(yùn)動(dòng)可以有效降低當(dāng)?shù)豍M2.5濃度.而負(fù)相關(guān)效應(yīng)最強(qiáng)的西南地區(qū)如四川盆地等由于地形封閉,年均風(fēng)速低且氣流難以擴(kuò)散,風(fēng)的傳輸使污染物之間相互反應(yīng),加重PM2.5污染.此外較東部地區(qū),西北地區(qū)土地荒漠化程度高,多風(fēng)沙地貌,下墊面質(zhì)地疏松,在氣流運(yùn)動(dòng)清除PM2.5的同時(shí)易引發(fā)揚(yáng)塵,反而增加PM2.5濃度.

溫度對(duì)于PM2.5濃度的影響也呈明顯的兩極分化的空間格局,南方地區(qū)負(fù)相關(guān)效應(yīng)顯著,占樣本量的42.09%,北方地區(qū)正相關(guān)效應(yīng)顯著,占樣本量的57.91%.南方地區(qū)氣溫越高對(duì)流活動(dòng)發(fā)生越頻繁,有利于污染物的擴(kuò)散,其引發(fā)的對(duì)流雨對(duì)PM2.5有很好的清除作用.北方地區(qū)正相關(guān)效應(yīng)主要受冬季特殊氣象條件的影響.北方冬季漫長(zhǎng),冷空氣活動(dòng)是影響大氣污染物累積和消散的主要?dú)庀髼l件之一.在溫度較高的晴朗天,冷空氣活動(dòng)較弱甚至無(wú)冷空氣影響,容易產(chǎn)生靜穩(wěn)或逆溫現(xiàn)象[32],此時(shí)大氣污染物易積聚在本地進(jìn)而加重污染.相反在受到來(lái)自蒙古北部的寒冷、相對(duì)干凈空氣影響的低溫天氣里,PM2.5濃度則會(huì)降低[33].此外,較高的氣溫也有利于光化學(xué)反應(yīng),促進(jìn)氣態(tài)污染物向PM2.5轉(zhuǎn)換,引起PM2.5濃度上升.

在全國(guó)地級(jí)市范圍內(nèi)相對(duì)濕度對(duì)PM2.5濃度都呈顯著的正相關(guān)效應(yīng),且回歸系數(shù)由南向北遞增.究其原因,相對(duì)濕度較高的大霧天氣,近地面多出現(xiàn)逆溫,不利于顆粒物的擴(kuò)散,但有利于顆粒物的吸濕和二次顆粒物的水相形成,使得PM2.5濃度增高.但是相對(duì)濕度超過(guò)一定閾值則易引發(fā)降水,有利于PM2.5的沉降,反而降低PM2.5濃度[34].相比于南方地區(qū)中國(guó)北方地區(qū)濕度更低,更多維持在閾值范圍內(nèi),因此與PM2.5濃度的正相關(guān)效應(yīng)更強(qiáng).這與屈超等[35]研究結(jié)論相一致.

在中國(guó)大部分地區(qū)植被覆蓋狀況與PM2.5濃度都呈負(fù)相關(guān),占到樣本量的69.70%,這是因?yàn)橹脖粚?duì)于大氣中的細(xì)顆粒物具有阻滯吸收作用[36],同時(shí)可以保持水土,有效防風(fēng)固沙.從回歸系數(shù)空間分布看,負(fù)向作用高值區(qū)主要位于中國(guó)西南地區(qū).在東北及華北地區(qū)則呈現(xiàn)出了正相關(guān)效應(yīng),這可能與當(dāng)?shù)刂脖活?lèi)型有關(guān).

圖4 PM2.5影響因素回歸系數(shù)與顯著性空間分布(常數(shù)項(xiàng)與自然因素部分)

如圖5所示:在全國(guó)范圍內(nèi),人口密度的增加對(duì)于PM2.5濃度的升高都有較為明顯的促進(jìn)作用,且回歸系數(shù)從人口密集的東南地區(qū)向人口稀疏的西部與東北地區(qū)逐漸增大.這與黃小剛等[24]的觀(guān)點(diǎn)相一致.原因在于在人口密集的地區(qū)生產(chǎn)規(guī)模和交通流量更大,更易產(chǎn)生PM2.5污染.在中西部及東北地區(qū),大氣治理力度相較于東南沿海的發(fā)達(dá)省市仍顯薄弱,這使得人口密度的影響力度更加強(qiáng)烈.

經(jīng)濟(jì)發(fā)展與PM2.5污染間有強(qiáng)烈的相互作用[37].本文中,全國(guó)地級(jí)市范圍內(nèi)人均GDP對(duì)PM2.5濃度都呈顯著性較高的負(fù)相關(guān)效應(yīng),同時(shí)各地級(jí)市回歸系數(shù)的取值差異不大且總體偏小.這是因?yàn)榻?jīng)濟(jì)發(fā)展水平高的地區(qū),人們對(duì)環(huán)境質(zhì)量的要求更高,且隨著地區(qū)收入增加,政府也有更充足的資金投入到大氣污染的治理工作中.結(jié)果表明隨著科學(xué)技術(shù)的進(jìn)步和產(chǎn)業(yè)結(jié)構(gòu)的優(yōu)化,中國(guó)經(jīng)濟(jì)與環(huán)境保護(hù)工作已基本實(shí)現(xiàn)良性協(xié)調(diào)發(fā)展,以犧牲環(huán)境為代價(jià)的粗放式發(fā)展模式正逐漸被綠色發(fā)展、循環(huán)發(fā)展、低碳發(fā)展等新發(fā)展模式所取代.考慮到人均GDP的作用尺度大且在全國(guó)范圍內(nèi)對(duì)PM2.5濃度都有著極為顯著的抑制作用,在保護(hù)環(huán)境的同時(shí)應(yīng)繼續(xù)推動(dòng)經(jīng)濟(jì)的可持續(xù)發(fā)展.

圖5 PM2.5影響因素回歸系數(shù)與顯著性空間分布(社會(huì)經(jīng)濟(jì)因素部分)

工業(yè)生產(chǎn)中化石燃料的消耗產(chǎn)生的排放物是城市大氣污染的重要來(lái)源之一.本文中第二產(chǎn)業(yè)比重增加會(huì)對(duì)70.71%的城市PM2.5濃度產(chǎn)生促進(jìn)作用.中國(guó)地級(jí)市第二產(chǎn)業(yè)比重與PM2.5濃度間回歸系數(shù)的顯著性總體較低,反映出各城市間工業(yè)化水平以及工業(yè)類(lèi)型的較大差異.回歸系數(shù)取值表明長(zhǎng)三角地區(qū)受到的正向影響作用最強(qiáng)烈,原因在于該地區(qū)有大量企業(yè)投資設(shè)廠(chǎng),但多是位于產(chǎn)業(yè)鏈底端的制造加工業(yè),附加值低且污染嚴(yán)重.此外受負(fù)向影響地區(qū)還有可能產(chǎn)生了集聚效應(yīng),使效率提高而污染降低.

回歸結(jié)果表明居民地比重的增加會(huì)對(duì)PM2.5濃度有較明顯的促進(jìn)作用,這與劉炳杰等[38]基于LUR模型的研究結(jié)論相一致.原因在于城市建筑行業(yè)的發(fā)展會(huì)導(dǎo)致大量的建筑揚(yáng)塵進(jìn)入城市大氣中,加重了城市PM2.5污染,并且隨著建設(shè)用地的擴(kuò)張,不可避免地會(huì)對(duì)地表植被造成破壞,而植被對(duì)于大氣污染具有一定抑制作用.其中在黃土高原地區(qū)回歸系數(shù)最大、影響的地級(jí)市最多,這是因?yàn)樵摰貐^(qū)土質(zhì)疏松,土地開(kāi)發(fā)更容易引發(fā)土壤侵蝕,造成揚(yáng)塵使PM2.5濃度升高.因此在類(lèi)似的土壤易受侵蝕地區(qū)更應(yīng)限制由城市盲目擴(kuò)張所引發(fā)的土地過(guò)度開(kāi)發(fā).

能源消費(fèi)會(huì)排放大氣污染物.與王振波等[39]研究結(jié)果相符,本文計(jì)算結(jié)果也表明在中國(guó)大部分地區(qū)能源消費(fèi)強(qiáng)度的增加都會(huì)引起PM2.5濃度的升高,占到樣本量的64.98%,且在東北與西南地區(qū)回歸系數(shù)達(dá)到最大值.而在西北地區(qū)則呈現(xiàn)出比較強(qiáng)的負(fù)相關(guān)效應(yīng),原因可能在于該地區(qū)自然條件惡劣,人類(lèi)活動(dòng)在消費(fèi)能源的同時(shí),對(duì)當(dāng)?shù)厣鷳B(tài)環(huán)境進(jìn)行改造,產(chǎn)生積極作用.圖中回歸系數(shù)顯著性水平總體較低,反映出各城市間能源結(jié)構(gòu)可能存在著較大差異.

在全國(guó)范圍內(nèi)技術(shù)支持水平對(duì)PM2.5濃度都呈現(xiàn)出較為顯著的抑制作用.因?yàn)榧夹g(shù)不成熟會(huì)導(dǎo)致工業(yè)企業(yè)粗放式發(fā)展,從而引發(fā)環(huán)境污染問(wèn)題,而技術(shù)投入有利于推動(dòng)節(jié)能環(huán)?？萍汲晒难邪l(fā)與應(yīng)用,從而減少生產(chǎn)生活過(guò)程中大氣污染物的排放.與此同時(shí),科技創(chuàng)新投入高風(fēng)險(xiǎn)大,且成果效用在短期內(nèi)難以顯現(xiàn),因此全國(guó)范圍內(nèi)回歸系數(shù)取值均在一個(gè)較低水平.鑒于科技進(jìn)步影響深遠(yuǎn),各方要持續(xù)推動(dòng)構(gòu)建綠色技術(shù)創(chuàng)新體系,以科技手段助力大氣污染防治.

3 結(jié)論

3.1 MGWR模型在擬合效果上比OLS及經(jīng)典GWR模型更優(yōu),該模型適用于中國(guó)地級(jí)市PM2.5濃度影響因素的研究.

3.2 MGWR模型得出的影響因素作用尺度表明人均GDP、技術(shù)支持水平對(duì)PM2.5濃度作用尺度最大,其次是相對(duì)濕度、居民地比重、人口密度與風(fēng)速,降水量、第二產(chǎn)業(yè)比重、植被覆蓋狀況、溫度與能源消費(fèi)強(qiáng)度作用尺度最為局限.在本研究的297個(gè)樣本中,以上各影響因素作用尺度分別為296、296、151、127、116、90、47、47、44、43與43.

3.3 MGWR模型得出的影響因素回歸系數(shù)表明各指標(biāo)對(duì)區(qū)域PM2.5濃度的影響效果存在著空間異質(zhì)性.其中相對(duì)濕度、人口密度與居民地比重全部為正向作用;第二產(chǎn)業(yè)比重和能源消費(fèi)強(qiáng)度主要為正向作用,分別占總樣本的70.71%與64.98%;風(fēng)速、溫度既存在正向作用也存在負(fù)向作用,空間上呈現(xiàn)兩極分化,其中正向作用分別占總樣本的49.83%與57.91%,負(fù)向作用分別占總樣本的50.17%與42.09%;降水量、植被覆蓋狀況主要為負(fù)向作用,分別占總樣本的91.58%與69.70%;人均GDP、技術(shù)支持水平全部為負(fù)向作用.

[1] 楊新興,馮麗華,尉 鵬.大氣顆粒物PM2.5及其危害 [J]. 前沿科學(xué), 2012,6(1):22-31.

Yang X X, Feng L H, Wei P. Air particulate matter PM2.5in Beijing and its harm [J]. Frontier Science, 2012,6(1):22-31.

[2] Zhao X, Zhou W, Han L, et al. Spatiotemporal variation in PM2.5concentrations and their relationship with socioeconomic factors in China's major cities [J]. Environment International, 2019,133:105145.

[3] Wang J, Lu X, Yan Y, et al. Spatiotemporal characteristics of PM2.5concentration in the Yangtze River Delta urban agglomeration, China on the application of big data and wavelet analysis [J]. Science of the Total Environment, 2020,724:138134.

[4] 鄭保利,梁流濤,李明明.1998～2016年中國(guó)地級(jí)以上城市PM2.5污染時(shí)空格局 [J]. 中國(guó)環(huán)境科學(xué), 2019,39(5):1909-1919.

Zheng B L, Liang L T, Li M M. Analysis of temporal and spatial patterns of PM2.5in prefecture-level cities of China from 1998 to 2016 [J]. China Environmental Science, 2019,39(5):1909-1919.

[5] 劉曰慶,孫希華,孫宇祥,等.1998～2016年中國(guó)大氣PM2.5污染濃度空間格局演化——基于339個(gè)城市的實(shí)證研究 [J]. 長(zhǎng)江流域資源與環(huán)境, 2020,29(5):1163-1173.

Liu Y Q, Sun X H, Sun Y X, et al. Evolution of spatial pattern of atmospheric PM2.5pollution concentration in China from 1998 to 2016: Based on an empirical study of 339 cities [J]. Resources and Environment in the Yangtze Basin, 2020,29(5):1163-1173.

[6] Tian S, Liu Y, Wang J, et al. Chemical compositions and source analysis of PM2.5during autumn and winter in a heavily polluted city in China [J]. Atmosphere, 2020,11(4):336.

[7] Yu Y, He S, Wu X, et al. PM2.5elements at an urban site in Yangtze River Delta, China: High time-resolved measurement and the application in source apportionment [J]. Environmental Pollution, 2019,253:1089-1099.

[8] 曾 鵬,辛存林,于 奭,等.典型西南工業(yè)城市春冬季PM2.5來(lái)源與潛在源區(qū)分析——以柳州市為例[J]. 中國(guó)環(huán)境科學(xué), 2020,40(9): 3781-3790.

Zeng P, Xin C L, Yu S, et al. Analysis of PM2.5sources and potential source areas of typical industrial city in spring and winter: A case study in Liuzhou [J]. China Environmental Science, 2020,40(9):3781- 3790.

[9] Huang Y, Deng T, Li Z, et al. Numerical simulations for the sources apportionment and control strategies of PM2.5over Pearl River Delta, China, part I: Inventory and PM2.5sources apportionment [J]. Science of the Total Environment, 2018,634:1631-1644.

[10] 張?jiān)苽?王晴茹,陳 嘉,等.城市街谷內(nèi)PM2.5濃度時(shí)空變化及影響因素分析[J]. 中國(guó)環(huán)境科學(xué), 2016,36(10):2944-2949.

Zhang Y W, Wang Q R, Chen J, et al. Temporal and spatial characteristics of PM2.5concentration in urban street canyons and analysis on the affecting factors [J]. China Environmental Science, 2016,36(10):2944-2949.

[11] Wang P, Cao J, Tie X, et al. Impact of meteorological parameters and gaseous pollutants on PM2.5and PM10mass concentrations during 2010 in Xian, China [J]. Aerosol and Air Quality Research, 2015,15(5): 1844-1854.

[12] Yang Q, Yuan Q, Li T, et al. The Relationships between PM2.5and meteorological factors in China: Seasonal and regional variations [J]. Multidisciplinary Digital Publishing Institute, 2017,14(12):1510-1529.

[13] 何映月,張松林.2000～2016年中國(guó)PM2.5時(shí)空格局 [J]. 中國(guó)環(huán)境科學(xué), 2020,40(8):3284-3293.

He Y Y, Zhang S L. Spatiotemporal pattern of PM2.5from 2000 to 2016 in China [J]. China Environmental Science, 2020,40(8):3284- 3293.

[14] 王嫣然,張學(xué)霞,趙靜瑤,等.2013～2014年北京地區(qū)PM2.5時(shí)空分布規(guī)律及其與植被覆蓋度關(guān)系的研究 [J]. 生態(tài)環(huán)境學(xué)報(bào), 2016,25(1): 103-111.

Wang Y R, Zhang X X, Zhao J Y, et al. Temporal and spatial distribution of PM2.5and its relationship with vegetation coverage in Beijing during the period of 2013～2014 [J]. Ecology and Environmental Sciences, 2016,25(1):103-111.

[15] 賀 祥,林振山,劉會(huì)玉,等.基于灰色關(guān)聯(lián)模型對(duì)江蘇省PM2.5濃度影響因素的分析 [J]. 地理學(xué)報(bào), 2016,71(7):1119-1129.

He X, Lin Z S, Liu H Y, et al. Analysis of the driving factors of PM2.5in Jiangsu province based on grey correlation model [J]. Acta Geographica Sinica, 2016,71(7):1119-1129.

[16] 許 珊,鄒 濱,宮俊霞.2001～2015年中國(guó)城鎮(zhèn)化與PM2.5濃度時(shí)空關(guān)聯(lián)特征[J]. 中國(guó)環(huán)境科學(xué), 2019,39(2):469-477.

Xu S, Zou B, Gong J X. Analysis of the spatial-temporal association between urbanization and PM2.5concentration during 2001～2015 period in Mainland China [J]. China Environmental Science, 2019, 39(2):469-477.

[17] Liu C, Henderson B H, Wang D, et al. A land use regression application into assessing spatial variation of intra-urban fine particulate matter (PM2.5) and nitrogen dioxide (NO2) concentrations in city of Shanghai, China [J]. Science of the Total Environment, 2016, 565:607-615.

[18] 劉海猛,方創(chuàng)琳,黃解軍,等.京津冀城市群大氣污染的時(shí)空特征與影響因素解析 [J]. 地理學(xué)報(bào), 2018,73(1):177-191.

Liu H M, Fang C L, Huang J J, et al. The spatial-temporal characteristics and influencing factors of air pollution in Beijing- Tianjin-Hebei urban agglomeration [J]. Acta Geographica Sinica, 2018,73(1):177-191.

[19] 王少劍,高 爽,陳 靜.基于GWR模型的中國(guó)城市霧霾污染影響因素的空間異質(zhì)性研究 [J]. 地理研究, 2020,39(3):651-668.

Wang S J, Gao S, Chen J. Spatial heterogeneity of driving factors of urban haze pollution in China based on GWR model [J]. Geographical Research, 2020,39(3):651-668.

[20] 南 洋,張倩倩,張碧輝.基于GAM模型分析中國(guó)典型區(qū)域網(wǎng)格化PM2.5長(zhǎng)期變化影響因素 [J]. 環(huán)境科學(xué), 2020,41(2):499-509.

Nan Y, Zhang Q Q, Zhang B H. Influencing factors of long-term variations on gridded PM2.5of typical regions in China based on GAM model [J]. Environmental Science, 2020,41(2):499-509.

[21] 周敏丹,匡耀求,云國(guó)梁.基于地理探測(cè)器的廣州市大氣PM2.5濃度驅(qū)動(dòng)因素分析 [J]. 環(huán)境科學(xué)研究, 2020,33(2):271-279.

Zhou M D, Kuang Y Q, Yun G L. Analysis of driving factors of atmospheric PM2.5concentration in Guangzhou city based on geo-detector [J]. Research of Environmental Sciences, 2020,33(2): 271-279.

[22] 李雙成,蔡運(yùn)龍.地理尺度轉(zhuǎn)換若干問(wèn)題的初步探討 [J]. 地理研究, 2005,24(1):11-18.

Li S C, Cai Y L. Some scaling issues of geography [J]. Geographical Research, 2005,24(1):11-18.

[23] Xie Y, Weng Q. World energy consumption pattern as revealed by DMSP-OLS nighttime light imagery [J]. GIScience and Remote Sensing, 2015,53(2):265-282.

[24] 黃小剛,趙景波,曹軍驥,等.長(zhǎng)江經(jīng)濟(jì)帶PM2.5分布格局演變及其影響因素[J]. 環(huán)境科學(xué), 2020,41(3):1013-1024.

Huang X G, Zhao J B, Cao J J, et al. Evolution of the distribution of PM2.5concentration in the Yangtze River economic belt and its influencing factors [J]. Environmental Science, 2020,41(3):1013- 1024.

[25] Marquardt D W. Generalized inverses, ridge regression, biased linear estimation, and nonlinear estimation [J]. Technometrics, 1970,12(3): 591-612.

[26] 沈體雁,于瀚辰,周 麟,等.北京市二手住宅價(jià)格影響機(jī)制——基于多尺度地理加權(quán)回歸模型(MGWR)的研究 [J]. 經(jīng)濟(jì)地理, 2020, 40(3):75-83.

Shen T Y, Yu H C, Zhou L, et al. On hedonic price of second-hand houses in Beijing based on multi-scale geographically weighted regression: Scale law of spatial heterogeneity [J]. Economic Geography, 2020,40(3):75-83.

[27] Fotheringham A S, Yang W, Kang W. Multiscale geographically weighted regression (MGWR) [J]. Annals of the American Association of Geographers, 2017,107(6):1247-1265.

[28] Fotheringham A S, Yue H, Li Z. Examining the influences of air quality in China's cities using multi‐scale geographically weighted regression [J]. Transactions in GIS, 2019,23(6):1444-1464.

[29] Oshan T M, Smith J P, Fotheringham A S. Targeting the spatial context of obesity determinants via multiscale geographically weighted regression [J]. International Journal of Health Geographics, 2020, 19(1):11.

[30] Yu H, Fotheringham A S, Li Z, et al. Inference in multiscale geographically weighted regression [J]. Geographical Analysis, 2019, 52(1):87-106.

[31] 張玉洽,楊迎春,李 杰,等.東南亞生物質(zhì)燃燒對(duì)我國(guó)春季PM2.5質(zhì)量濃度影響的數(shù)值模擬 [J]. 環(huán)境科學(xué)研究, 2016,29(7):952-962.

Zhang Y Q, Yang Y C, Li J, et al. Modeling the impacts of biomass burning in Southeast Asia on PM2.5over China in spring [J]. Research of Environmental Sciences, 2016,29(7):952-962.

[32] 張忠地,邵天杰,黃小剛,等.2017年京津冀地區(qū)PM2.5污染特征及潛在來(lái)源分析[J]. 環(huán)境工程, 2020,38(2):99-106,134.

Zhang Z D, Shao T J, Huang X G, et al. Characteristics and potential sources of PM2.5pollution in Beijing-Tianjin-Hebei region in 2017 [J]. Environmental Engineering, 2020,38(2):99-106,134.

[33] Miao Y, Liu S, Guo J, et al. Impacts of meteorological conditions on wintertime PM2.5pollution in Taiyuan, North China [J]. Environmental Science and Pollution Research, 2018,25(22):21855-21866.

[34] Cheng Y, He K, Du Z, et al. Humidity plays an important role in the PM2.5pollution in Beijing [J]. Environmental Pollution, 2015,197: 68-75.

[35] 屈 超,陳婷婷,劉 佳,等.中國(guó)典型城市PM2.5濃度時(shí)空演繹規(guī)律及影響因素分析 [J]. 環(huán)境科學(xué)研究, 2019,32(7):1117-1125.

Qu C, Chen T T, Liu J, et al. Spatio-temporal characteristics of PM2.5and influence factors in typical cities of China [J]. Research of Environmental Sciences, 2019,32(7):1117-1125.

[36] 趙晨曦,王玉杰,王云琦,等.細(xì)顆粒物(PM2.5)與植被關(guān)系的研究綜述[J]. 生態(tài)學(xué)雜志, 2013,32(8):2203-2210.

Zhao C X, Wang Y J, Wang Y Q, et al. Interactions between fine particulate matter (PM2.5) and vegetation: A review [J]. Chinese Journal of Ecology, 2013,32(8):2203-2210.

[37] 丁俊菘,鄧宇洋,汪 青.中國(guó)環(huán)境庫(kù)茲涅茨曲線(xiàn)再檢驗(yàn)——基于1998～2016年255個(gè)地級(jí)市PM2.5數(shù)據(jù)的實(shí)證分析 [J]. 干旱區(qū)資源與環(huán)境, 2020,34(8):1-8.

Ding J S, Deng Y Y, Wang Q. Re-examination of Chinese environmental Kuznets curve ——Based on PM2.5data of 255cities [J]. Journal of Arid Land Resources and Environment, 2020,34(8):1-8.

[38] 劉炳杰,彭曉敏,李繼紅.基于LUR模型的中國(guó)PM2.5時(shí)空變化分析 [J]. 環(huán)境科學(xué), 2018,39(12):5296-5307.

Liu B J, Peng X M, Li J H. Analysis of the temporal and spatial variation of PM2.5in China based on the LUR model [J]. Environmental Science, 2018,39(12):5296-5307.

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

Wang Z B, Liang L W, Wang X J. Spatio-temporal evolution patterns and influencing factors of PM2.5in Chinese urban agglomerations [J]. Acta Geographica Sinica, 2019,74(12):2614-2630.

Spatial heterogeneity of influencing factors of PM2.5in Chinese cities based on MGWR model.

ZHOU Zhi-ling, CHENG Xian-fu*

(School of Geography and Tourism, Anhui Normal University, Wuhu 241002, China)., 2021,41(6)：2552～2561

Based on the 2018 annual average PM2.5concentration data, natural and socio-economic data of 297 prefecture-level cities in China, the multi-scale geographically weighted regression (MGWR) model was used to analyze the spatial scale and the spatial heterogeneity of the influencing factors on PM2.5concentration. MGWR model was tested and analyzed suitable for studying influencing factors of PM2.5concentration in prefecture-level cities in China. In terms of the spatial scale, per capita GDP and technical support level had the largest effect scale, followed by relative humidity, residential land proportion, population density and wind speed. After that, precipitation, secondary industry proportion, vegetation cover, temperature and energy intensity had the most limited effect scale. In terms of the impact, relative humidity, population density and residential land proportion were all positive. Secondary industry proportion and energy intensity were mainly positive, accounting for 70.71% and 64.98% of the total sample respectively. Wind speed and temperature had both positive and negative effects, showing polarization in space. The positive effect account for 49.83% and 57.91% of the total samples, respectively. Precipitation and vegetation cover were mainly negative effects, accounting for 91.58% and 69.70% of the total samples respectively. Per capita GDP and technical support level were all negative effects. The results showed that the influence of various factors on PM2.5concentration in Chinese cities has varied spatial heterogeneity.

PM2.5；multi-scale geographically weighted regression (MGWR) model；spatial heterogeneity；China

X513

A

1000-6923(2021)06-2552-10

2020-11-18

國(guó)家自然科學(xué)基金資助項(xiàng)目(41271516)

* 責(zé)任作者, 教授, xianfucheng@sina.com

周志凌(1996-),男,江蘇南京人,安徽師范大學(xué)碩士研究生,主要從事大氣污染研究.發(fā)表論文1篇.