基于GWR模型的中国城市雾霾污染影响因素的空间异质性研究

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

王少剑¹, 高爽¹, 陈静²1. 中山大学地理科学与规划学院,广东省城市化与地理环境空间模拟重点实验室,广州510275
2. 福建师范大学地理科学学院, 福州350007

Spatial heterogeneity of driving factors of urban haze pollution in China based on GWR model

WANG Shaojian¹, GAO Shuang¹, CHEN Jing²1. Guangdong Provincial Key Laboratory of Urbanization and Geo-simulation, School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275, China
2. School of Geographical Sciences, Fujian Normal University, Fuzhou 350007, China

收稿日期:2018-12-18修回日期:2019-09-3网络出版日期:2020-03-20

基金资助:

中央高校基本科研业务青年教师重点培育项目.19lgzd09
广东省特支计划.
广州市珠江科技新星.201806010187

Received:2018-12-18Revised:2019-09-3Online:2020-03-20
作者简介 About authors
王少剑（1986-）,男,河南驻马店人,博士,副教授,主要研究方向为城市地理、城市与区域规划E-mail:1987wangshaojian@163.com。

摘要
基于全国城市的PM_2.5监测数据,识别PM_2.5的时空分布特征,并着重利用地理加权回归模型分析自然和社会经济因素对PM_2.5影响的空间异质性。结果显示：2015年全国PM_2.5的年均浓度为50.3 μg/m3,浓度变化呈现冬高夏低,春秋居中的“U型”特征;PM_2.5的空间集聚状态明显,其中京津冀城市群是全国PM_2.5的污染重心。地理加权回归结果显示：影响因素除高程外,其余指标均呈现正负两种效应,且影响程度具有显著的空间差异性特征。从回归系数的贡献均值来看,自然因素对城市PM_2.5浓度影响强度由高到低依次是高程、相对湿度、温度、降雨量、风速、植被覆盖指数;各类社会经济指标对城市PM_2.5浓度影响强度排名依次是人口密度、研发经费、建设用地比例、产业结构、外商直接投资、人均GDP。由于各指标对城市PM_2.5浓度变化的影响程度存在着空间异质性,因此在制定大气治理对策时可以考虑不同指标影响程度的空间差异,从而使得治霾对策更具针对性。
关键词： 大气污染;PM_2.5浓度;地理加权回归模型;空间异质性;中国

Abstract

Based on the PM_2.5 monitoring data of China's cities, we identified the spatial and temporal distribution characteristics of PM_2.5 concentrations, and used the geographically weighted regression (GWR) model to analyze emphatically the spatial heterogeneity of the influence of natural factors and socio-economic factors on PM_2.5 concentrations. The results showed that: in 2015, the average annual concentrations of PM_2.5 in China was 50.3 μg/m ³, and the monthly concentration change presented a "U-shaped" pattern with a higher level in autumn and winter while a lower one in spring and summer. In addition, PM_2.5 concentrations were high in cities of eastern and northern China, but low in cities of southern and western China. Beijing-Tianjin-Hebei urban agglomeration was the center of PM_2.5 pollutions in China. The results of geographically weighted regression showed that: (1) in terms of natural factors, elevation had a negative correlation with the urban PM_2.5 concentrations, while positive and negative correlations exist for other indexes, and negative correlation effect dominated, which is conducive to reducing PM_2.5 concentrations in most cities. Thus it can be seen that the influence indexes of PM_2.5 concentrations have significant spatial difference characteristics. From the mean contribution of the regression coefficient, the ranking of the influence intensity of natural indexes on PM_2.5 concentrations were: digital elevation model, relative humidity, temperature, rainfall, wind speed, normalized difference vegetation index. (2) In terms of socio-economic factors, all the indicators showed positive and negative effects, with significant spatial heterogeneity. Among them, the build-up and GDP per capita were conducive to reducing PM_2.5 concentrations in most cities, while population density, foreign direct investment, industrial structure and research and development expenditure can aggravate the air pollution in regions. The ranking of the influence intensity of socio-economic factors on PM_2.5 concentrations were: population density, research and development expenditure, built-up, industrial structure, foreign direct investment, GDP per capita. (3) Due to the spatial heterogeneity of the influence of various factors on urban PM_2.5concentrations, the spatial difference of the influence of various indexes can be taken into account in the formulation of atmospheric governance countermeasures. Moreover, although natural factors have a more significant influence on PM_2.5 concentrations, since it is difficult to change the natural conditions of cities artificially, specific strategies should be proposed from the perspective of social and economic factors in tackling haze.

Keywords：air pollution;PM_2.5 concentrations;geographically weighted regression model;spatial heterogeneity;China

PDF (29651KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
王少剑, 高爽, 陈静. 基于GWR模型的中国城市雾霾污染影响因素的空间异质性研究. 地理研究[J], 2020, 39(3): 651-668 doi:10.11821/dlyj020181389
WANG Shaojian. Spatial heterogeneity of driving factors of urban haze pollution in China based on GWR model. Geographical Research[J], 2020, 39(3): 651-668 doi:10.11821/dlyj020181389

1 引言

改革开放以来,随着中国城镇化、工业化的快速推进和化石能源消耗的激增,各城市的空气质量正在日愈恶化,由细颗粒污染物造成的大气雾霾已成为全国广泛关注的环境问题。研究发现PM_2.5是全国大气雾霾频发的首要污染物,并呈现典型的区域性特征^[1],由于其在大气中的滞留时间较长,不但能够降低大气的能见度^[2,3],导致气候变化^[4,5],同时也会影响人类的身体健康^[6]。医学研究已经证明PM_2.5能够引起各种呼吸系统疾病,通过破坏人体免疫系统从而增加暴露人群的死亡率^[7]。在此背景下,环保部在发布的《环境空气质量标准》（GB3095-2012）中正式将PM_2.5列为大气的重要监测指标^[8],并根据国内经济发展和大气污染现状设置了PM_2.5的浓度标准,其中一级标准为24小时平均浓度不超过35 µg/m³,二级标准为不超过75 µg/m³。此外2015年环保部公布的城市空气质量数据显示,京津冀地区、长三角地区、珠三角地区的PM_2.5年平均浓度分别为77 µg/m³、53 µg/m³、34 µg/m³,表明全国雾霾污染具有较强的空间差异性。如何识别影响因素对PM_2.5影响程度的区域差异,进而提出区域差异化减霾措施和区域联防联控策略,是当前空气治理急需解决的问题。

PM_2.5治理是改善空气质量的重点,也是大气环境研究的热点话题,已有研究主要是从时空分布规律和驱动因素两方面探究PM_2.5的环境问题。关于PM_2.5时空分布的研究,主要通过识别PM_2.5的分布规律和空间效应以期找寻环境应对政策。一部分****从全国尺度对PM_2.5的时空特征进行探究：如周亮等采用空间探测器和空间自相关分析方法得出中国2000—2011年PM_2.5浓度的空间演化格局,研究表明中国PM_2.5浓度的高值区和污染重心整体向东移动,东部地区的雾霾污染程度加剧^[1];姜磊等利用2015—2017年中国监测网站发布的实时监测数据,揭示了中国PM_2.5浓度的时空演化特征,得出全国PM_2.5的浓度的污染范围和空间集聚呈现缩小趋势^[9];薛文博等基于空气质量模型对城市大气污染物进行综合模拟PM_2.5的跨区传送规律,以此建立全国主要城市的PM_2.5传输矩阵^[10]。也有****从区域的角度出发探究PM_2.5的时空分布特征,如刘海猛等、周磊等对京津冀城市群^[11,12]、宓科娜等对长三角城市群^[13]、徐伟佳等对珠三角城市群的研究^[14]。

另一方面的研究则致力于探究PM_2.5浓度变化的影响因素。研究发现,自然条件和社会经济发展都对地区PM_2.5浓度有着一定的影响。自然方面,****主要从温度、湿度、降雨和风速等方面探究自然因素与地区大气污染物的相关性：例如Pateraki等****评估气象条件对地中海城市群空气细颗粒物的影响,结果发现温度和湿度与PM_2.5浓度变化存在着强烈的相关性^[15];Querol等通过分析西班牙1999—2005年PM_2.5数据,认为湿度、温度等气象条件是西班牙地区PM_2.5浓度变化的主要影响因素^[16];Yoo等利用韩国2000—2012年的气象数据探究降雨变化对大气污染物的影响,发现降雨与大气污染物存在显著的负相关性^[17];董群等以北京2013—1015秋冬季PM_2.5观测数据研究地形和风速对区域PM_2.5的影响,研究认为PM_2.5浓度与山谷风之间存在着一定的反馈作用^[18];贺祥等利用灰色关联模型对江苏省的PM_2.5进行探究,结果发现区域PM_2.5浓度与温度、压力和相对湿度等因素密切相关^[19]。除自然因素外,****也从经济增长、城市化率、人口集聚、城市交通等社会经济因素方面对PM_2.5浓度的影响因素进行探究。例如随着库兹涅茨环境曲线的提出^[20],Grossman等、何枫等、王星等****探究经济发展对大气雾霾污染的影响,结果显示经济增长与地区的雾霾污染呈现着“倒U型”、“N型”、“正U型”等形态特征^[21,22,23];城市化率与雾霾污染也关系密切,梁伟等利用空气质量指数建立空间联立方程,研究发现城市化率对雾霾的影响存在显著的空间溢出效应,随着城镇化率的提升雾霾污染逐步减轻^[24];在人口集聚方面,Leeuw等发现城镇人口聚集是导致大气污染物增多的主要影响因素^[25],周亮等****利用地理探测器分析2000—2011年中国PM_2.5的驱动因素,指出人口密度是中国PM_2.5浓度空间变化的主要影响因素,人口集聚加重了区域的大气雾霾污染^[1],王立平等则利用EBA模型探究雾霾的影响特征,得出人口集聚是中国雾霾产生的条件之一^[26];汽车尾气也是区域PM_2.5的污染源,杨昆等****利用OLS模型分析得出人均汽车保有量是中国PM_2.5浓度变化的主要驱动因素^[27],郭文伯等利用GPS数据与活动日志调查数据,认为机动车出行对空气污染程度的直接影响最大^[28]。

综上所述,PM_2.5的时空分布规律和影响因素是大气环境研究的重要问题,其中识别区域PM_2.5的主要影响因素则是解决问题的关键所在。已有研究中,针对影响因素的探究多从全局性出发^{[15,16,17,18,19,20,21,22,23,24,25,26,27,28]},忽略了地区PM_2.5影响因素的空间异质性,然而PM_2.5具有明显的区域性特征,不同地区的自然条件和社会经济发展对其作用存在着明显的空间差异,这使得全局分析具有一定的局限,不能较好的揭示因素作用的空间异质特征。因此,本文运用地理加权回归模型探究各因素对城市PM_2.5浓度的影响强度和作用方向,同时揭示影响因素的空间异质性,可以在识别区域雾霾污染的主导因素基础上制定针对性、差别化的空气质量提升对策,为区域雾霾的治理提供依据。

2 数据来源与研究方法

2.1 研究数据

研究的数据来源主要分为两个部分：① PM_2.5浓度数据,本研究采用中国空气质量在线监测分析平台（www.aqistudy.cn）2015年收录的全国383个城市PM_2.5浓度数据,剔除部分缺失数据,最终样本为中国324个城市24小时平均PM_2.5浓度监测值;根据GB3095-2012的定义,本文中春季为3月到5月,夏季为6月到8月,秋季为9月到11月,冬季为12月到2月;借鉴已有研究和GB3095-2012对于PM_2.5平均值的标准定义,本文“日平均值”指一个自然日24小时平均浓度的算术平均值,“月平均值”指一个日历月内各日平均浓度的算术平均值,“季平均值”指一个日历季内各日平均浓度的算数平均值,“年平均值”指一个日历年内各日平均浓度的算数平均值^[32];② 自然环境数据和社会经济数据,根据已有文献梳理,本文选择的自然因素指标包括降雨、风速、相对湿度、温度、高程和植被覆盖指数,其中降雨、风速、温度、相对湿度等要素数据均来自于中国气象数据网（http://data.cma.cn/）,高程数据根据数字高程模型（DEM）计算得到,其基础数据来源于“寒区旱区科学数据中心”（http://westdc.westgis.ac.cn）。植被覆盖指数（NDVI）反映了地区的植被覆盖程度,其基础数据来自于美国宇航局（http://modis.gsfc.nasa.gov/data/dataprod/mod13.php）。社会指标包括建设用地比例、人口密度、人均GDP、外商直接投资、产业结构、研发经费。其中建设用地比例是指城市建成区与市域面积之比（%）;人口密度是指单位面积的城市人口数量（人/km²）;人均GDP（元）;外商直接投资（万美元）;产业结构是指第二产业生产总值与GDP之比（%）;研发经费（亿元）;以上社会数据均来自于《中国城市统计年鉴》,部分缺失数据用相应城市统计年鉴进行补充。最终得到272个城市自然因素和社会经济因素基础数据,将城市的自然、社会指标的栅格数据与GIS的城市行政单元进行矢量转换（图1,图2见第655页）。

图1

新窗口打开|下载原图ZIP|生成PPT
图1中国主要城市自然因素现状数值空间分布

注：此图根据国家测绘地理信息局标准地图（审图号：GS（2019）1697号）绘制,底图无修改。
Fig. 1Spatial distribution map of natural factors in major Chinese cities

图2

新窗口打开|下载原图ZIP|生成PPT
图2中国主要城市社会经济因素现状值空间分布

注：此图根据国家测绘地理信息局标准地图（审图号：GS（2019）1697号）绘制,底图无修改。
Fig. 2Spatial distribution map of the social and economic factors in major Chinese cities

2.2 研究方法

2.2.1 空间自相关分析根据地理学第一定律,变量在区域内的观测数据存在着一定的相互依赖性,且距离越近空间依赖性越强^[29,30]。PM_2.5基于大气流动具有一定的空间自相关特征,已有研究对京津冀城市群、珠三角城市群和全国部分重点城市的PM_2.5浓度进行自相关检验,得出PM_2.5在上述区域中具有显著的自相关特征^[12,14,30]。本文选择经典的全局Moran's指数检验全国尺度下PM_2.5浓度的空间自相关性,当全局Moran's I指数大于0时,表示PM_2.5呈现显著的正空间自相关,其值越大表明PM_2.5的集聚性特征越强;当全局Moran's I指数小于0时,表明PM_2.5呈现显著的空间负相关,其值越小表明空间离散性特征越强,全局Moran's I指数的计算公式如下^[1]：

（1）

I = [\overset{n}{\sum_{i = 1, j = 1}} W_{ij} (x_{i} - x) (x_{j} - x)] / [S 2 \overset{n}{\sum_{i = 1, j = 1}} W_{ij}

]

式中：I表示全局Moran's I指数值;

S^{2} = \frac{1}{n} \overset{n}{\sum_{i = 1}} (x_{i} {- \overset{?}{x})}^{2}

;

n

表示研究单元（本文为地级市）的数量;

x_{i}

、

x_{j}

表示

i

城市、

j

城市的PM_2.5监测值的年平均值;

\overset{?}{x}

表示所有城市PM_2.5监测值的年平均值;

W_{ij}

表示空间权重矩阵;Moran's I值在-1~1之间,大于0表示正自相关,小于0则呈现负自相关。同时对上述结果Moran's I值进行Z值的显著性检验,判断其是否存在空间自相关关系,公式如下^[1]：

（2）

Z (I) = [I - E (I)] / \sqrt{Var (I)}

式中：

Z (I)

表示衡量全局Moran's I的显著性水平;

E (I)

表示Moran's I的数学期望;

Var (I)

表示Moran's I的方差。

为了确定PM_2.5在全国范围空间集聚的具体位置,利用局部Moran's I指数识别PM_2.5污染的局部空间自相关特征,对于第i个研究单元,局部Moran's I指数的计算公式如下^[1]：

（3）

I_{i} = [\overset{n}{\sum_{i = 1, j = 1}} W_{ij} (x_{i} - x) (x_{j} - x)

S^{2}

式中：

I_{i}

表示城市i的局部Moran's I指数值;

S^{2} = \frac{1}{n} \overset{n}{\sum_{i = 1}} (x_{i} {- \overset{?}{x})}^{2}

;同样用公式（2）衡量局部Moran's I的显著性水平。在一定的显著性水平下（本研究设定p=0.05）,根据Moran's I指数的显著性水平和Z(I)的符号将研究单元划分为四种空间自相关关系：当Moran's I指数显著为正且Z(I)大于0,即为“高-高集聚”关系,表明研究单元和邻近单元的PM_2.5浓度值均较高;当Moran's I指数显著为正且Z(I)小于0,即为“低-低集聚”关系,表明研究单元和邻近单元的PM_2.5浓度值均较低;当Moran's I指数显著为负且Z(I)大于0,即为“高-低集聚”关系,表明高值研究单元被低值邻近单元环绕;当Moran's I指数显著为负且Z(I)小于0,即为“低-高集聚”关系,表明低值研究单元被高值邻近单元环绕;当Z(I)等于0时呈现随机分布状态。

2.2.2 地理加权回归模型地理加权回归模型（GWR）将空间相关性和线性回归相结合,对传统模型进行了改进^[31,32],相较于传统的模型如最小二乘法（OLS）具有一定的优势,因为它支持自变量与因变量之间关联局部变化的参数估计,使变量间的关系可以随地理位置的改变而变化,能够反映被忽略的局部特性^[33,34],其模型的结构如下^[35]：

（4）

y_{i} = β_{0} (u_{i}, v_{i}) + β_{1} (u_{i}, v_{i}) x_{i 1} + β_{2} (u_{i}, v_{i}) x_{i 2} + \dots + β_{k} (u_{i}, v_{i}) x_{ik} + ε_{i}

式中：

y_{i}

表示

i

城市的因变量解释值;

(u_{i}, v_{i})

表示

i

城市的地理坐标;

x_{ik}

（k=1,…,12）表示

i

城市的自变量解释值,本文为6个自然因素和6个社会经济因素;

β_{k} (u_{i}, v_{i})

表示研究单元

i

区域质心

(u_{i}, v_{i})

处的回归参数;

ε_{i}

表示随机误差项。

GWR模型中的研究单元

i

的回归参数

β (u_{i}, v_{i})

估计值随着空间权重矩阵W

(u_{i}, v_{i})

的改变而改变,可以根据其他单元距离单元i距离的远近确定W

(u_{i}, v_{i})

,并运用加权最小二乘法估计参数

β (u_{i}, v_{i})

,其表达形式为^[35]：

（5）

β (u_{i}, v_{i}) = (X^{T} {W (u_{i}, v_{i}) X)}^{- 1} X^{T} W (u_{i}, v_{i}) y

式中：

β (u_{i}, v_{i})

表示模型的估计参数;

X

表示自变量解释值的矩阵;

y

表示因变量;

X^{T}

表示对矩阵

X

的转置运算;

W (u_{i}, v_{i})

表示模型的空间权重矩阵。为了估计上述方程中的参数

β (u_{i}, v_{i})

,选择一个权重函数确定

W (u_{i}, v_{i})

是必要的。本文选择Gauss函数法作为权重函数,其表达如下^[35]：

（6）

W_{ij} = \exp (- {(\frac{d_{ij}}{b})}^{2})

式中：

W_{ij}

表示城市

i

和城市

j

之间的权重影响;b为带宽,带宽b越大,则权重影响随着距离

d_{ij}

的增加衰减的越慢,带宽b越小,权重影响随着距离

d_{ij}

的增加衰减的越快,带宽b是权重计算方案的决定因子,需要确定最优带宽提高模型的精确性。本研究选择AIC准则对带宽进行优化,表达如下^[35]：

（7）

AIC = 2 n \ln (σ) + n \ln (2 π) + n \frac{n + tr (S)}{n - 2 - tr (S)}

式中：AIC值表示模型的赤池信息值,根据AIC准则,AIC最小的值对应的带宽即模型中的最优带宽;

n

表示样本城市的数量;

tr (S)

表示GWR的

S

矩阵的迹,是带宽的函数;

σ

表示误差项估计的标准离差。

3 城市PM_2.5浓度的时空特征分析

3.1 PM_2.5浓度的时空分布特征

图3为全国324个城市PM_2.5监测值的日、月份、季度的统计处理,从日变化来看,全国城市PM2.5日平均值波动幅度较大,浓度“两端高-中间低”总体呈现先降低后升高的趋势;月变化统计中,全国各城市PM_2.5浓度变化具有“U型”规律,其中1—7 月的PM_2.5浓度呈下降趋势,8—12 月呈上升趋势,1 月份的平均浓度最大,达到79.7μg/m³,8 月份的平均浓度最小,为34.4μg/m³,各月份PM_2.5平均浓度均远高于世界卫生组织设置的PM_2.5健康标准值10μg/m³,表明目前全国大气污染仍较严重。根据以往研究,空气污染物的排放受季节变化影响较强^[6,7],从图3中也可看出PM_2.5浓度季均值,基本呈现冬高夏低春秋居中的特征,部分地区的秋季PM_2.5浓度有一定的提升,其中冬季PM_2.5平均浓度为73.5μg/m³,夏季PM_2.5平均浓度为35.1μg/m³,冬季浓度为夏季2倍,季节差异明显。

图3

新窗口打开|下载原图ZIP|生成PPT
图3PM_2.5浓度日、月份、季度统计变化

Fig. 3Daily, monthly and quarterly statistical changes of PM_2.5 concentrations

为了更好的识别PM_2.5的空间分布规律,将各城市的PM_2.5浓度监测值与GIS的城市行政单元矢量转化,得到所示的全国主要城市PM_2.5时空分布图4（见第658页）。

图4

新窗口打开|下载原图ZIP|生成PPT
图4全国主要城市PM_2.5浓度时空分布

注：此图根据国家测绘地理信息局标准地图（审图号：GS（2019）1697号）绘制,底图无修改。
Fig. 4The patial and temporal distribution of PM_2.5 concentrations in major cities across China

全国324个城市的PM_2.5浓度年平均值为50.3 μg/m³,超出国家一级标准,PM_2.5污染最为严重的10座城市分别为：喀什、保定、德州、邢台、聊城、衡水、郑州、菏泽、新乡和安阳,PM_2.5浓度年平均值均大于90 μg/m³。全国有65个城市PM_2.5浓度年平均值低于35 μg/m³,达到国家一级标准,占城市比例的20.1%;其余各城市均呈现不同程度超标,超标率达79.9%,其中34城市的PM_2.5浓度高于75 μg/m³,属于高度污染城市,占城市比例的10.5%。从空间分布来看,全国主要城市PM_2.5浓度呈现东部地区和北部地区相对较高、西部地区和南部地区相对较低的分布特征。值得注意的是,人口稠密的东南沿海城市PM_2.5浓度较为稳定,且空气质量相对优良,初步判断人口密度并非PM_2.5浓度的决定性因素。各季节PM_2.5浓度的空间分布仍旧呈现冬高夏低,春秋居中分布规律,其中从夏季到冬季PM_2.5污染以京津冀城市群为核心依次向外辐射扩张,在空间上呈现明显的连续性,京津冀地区为全国PM_2.5的污染重心。

3.2 PM_2.5浓度的空间自相关分析

利用公式（1）~公式（3）对全国主要城市PM_2.5浓度进行空间自相关分析,其中Moran′s I指数为0.70,标准化检验Z(I)值为20.47,在0.05的显著性水平下通过检验,结果表明PM_2.5浓度的空间分布呈现出显著的正自相关性,集聚状态明显。同时对全国PM_2.5浓度进行局部空间自相关分析,绘制Lisa集聚分布图5（见第659页）。

图5

新窗口打开|下载原图ZIP|生成PPT
图5全国主要城市PM_2.5浓度Lisa集聚分布

注：此图根据国家测绘地理信息局标准地图（审图号：GS（2019）1697号）绘制,底图无修改。
Fig. 5Concentration map of Lisa concentration of PM_2.5 in major cities in China

图5显示,从局部空间自相关分析结果来看,PM_2.5高-高集聚类型城市主要分布在京津冀地区、华北平原、山东半岛和辽中南地区,原因在于该地区重工企业数量较多且冬季取暖消耗大量煤炭,造成该区域排放大量的大气污染物,而平原地势又有利于大气污染物在区域间的传输,最终导致PM_2.5在空间上的高值集聚。PM_2.5低-低集聚区分布在海南省、云南省、西藏和新疆部分地区,受到自然环境、地形和社会经济的影响,该地区的污染型企业数量较少,工业活动不发达且气候环境有利于降低空气中的PM_2.5浓度,形成PM_2.5低值集聚区。高-低集聚区和低-高集聚区范围较小,分布在高-高和低-低集聚区附近。值得注意的是,浙江、江西、湖南、广东、福建等中国南方省份PM_2.5并未通过局部空间自相关显著性检验,其原因可能如下：一是上述区域的污染型企业并未在空间上形成集聚,各城市的人为PM_2.5排放具有较大差异;另外中国南方地形以丘陵为主,起伏的地势在一定程度上阻碍了PM_2.5颗粒物在区域间的自由流动,最终导致该区域PM_2.5的空间依赖性不强。

4 城市PM_2.5浓度影响因素的空间异质性分析

4.1 GWR回归结果分析

为实证不同自然条件和社会条件影响下PM_2.5浓度的空间差异,本文运用地理加权回归模型（GWR）对各城市PM_2.5浓度影响因素的空间异质性进行探究。影响因素涉及自然因素和社会经济因素两个方面,自然因素包括降雨量、风速、相对湿度、温度、高程、植被覆盖指数;社会经济因素具体为建设用地比例、人口密度、人均GDP、外商直接投资、工业结构、研发经费。为避免指标之间的相互影响带来的估计结果偏差,对上述指标进行了共线性检验,结果如表1所示。共线性结果中各指标的方差膨胀因子值均小于10,条件指数也均小于30,表明本文所选取指标不存在共线性关系。

Tab. 1
表1
表1影响因素共线性检验
Tab. 1Collinearity inspection of the influential factors.

解释变量	方差膨胀因子（VIF）	容差（T）	条件指数（CI）
降雨量（mm）	6.493	0.154	1.000
风速（m/s）	2.285	0.438	2.665
相对湿度（%）	5.695	0.176	3.786
温度（℃）	4.458	0.224	4.673
高程（m）	1.982	0.505	6.099
植被覆盖指数	1.810	0.532	6.817
建设用地比例（%）	2.009	0.498	9.781
人口密度（人/km²）	3.933	0.254	13.690
人均GDP（元）	2.277	0.439	17.887
外商直接投资（万美元）	1.743	0.574	21.095
产业结构（%）	1.498	0.668	23.739
研发经费（亿元）	2.900	0.345	24.421

新窗口打开|下载CSV

图6是基于地理加权回归模型处理结果的拟合优度R²空间分布,主要表示GWR模型所选指标与实际PM_2.5浓度拟合度的强弱。结果显示,各城市的R²分布在0.69~0.83之间,均大于0.50,由此可见本文选择的12个指标对城市PM_2.5浓度的综合解释力较强。如图6所示,中国南方地区的R²较大,北方地区的R²相对较小,指标对PM_2.5浓度的解释力弱于南方地区。一方面,北方地区的城市化率较低,区域的PM_2.5浓度受农村地区直接燃烧生物质的影响较强;另一方面北方地区冬季采暖燃用的大量煤炭也会显著影响区域的PM_2.5浓度。由于生物质燃料和煤炭等指标不在本文选择的模型中,故造成该地区模型结果的拟合度较低。

图6

新窗口打开|下载原图ZIP|生成PPT
图6GWR模型的R²空间分布

注：此图根据国家测绘地理信息局标准地图（审图号：GS（2019）1697号）绘制,底图无修改。
Fig. 6R² spatial distribution of GWR model

GWR模型处理结果如表2所示,其中最优带宽为139。本文对运算结果中的回归系数进行整理,分别选取回归系数的最小值、中位数、最大值、绝对值的平均值、正值比例和负值比例6个统计项目。由表2可知,GWR模型的运算结果中各个指标对每个城市的PM_2.5浓度影响都有特定的回归系数,且回归系数存在着较大的变异,直观的揭示了各个指标影响力程度和作用趋势在不同城市存在较大的差异。从回归系数的正值和负值的结果来看,除高程外其余指标对区域PM_2.5浓度均表现出正负两种不同效应,且正负效应所占比例有所不同,这也说明影响因素在空间上的不稳定性,空间异质性明显。从GWR各指标回归系数绝对值的平均值来看,高程对区域PM_2.5浓度的影响最大,其次是相对湿度、温度、人口密度、研发经费、降雨量、风速、建设用地比例等指标;相比而言,产业结构、外商直接投资、植被覆盖指数、人均GDP的影响强度相对较小。

Tab. 2
表2
表2GWR模型的运算结果（最优带宽=139.00）
Tab. 2Calculation results of GWR model (optimal bandwidth =139.00)

解释变量	最小值	中位数	最大值	平均值	正值（%）	负值（%）
降雨量（mm）	-13.16	-4.10	14.69	4.40	9.97	90.03
风速（m/s）	-9.39	-4.01	2.92	3.97	10.70	89.30
相对湿度（%）	-20.87	-9.35	3.67	9.29	14.39	85.61
温度（℃）	-15.06	-8.52	9.84	9.01	24.35	75.65
高程（m）	-14.38	-10.97	-6.51	10.75	0	100
植被覆盖指数	-3.56	-0.52	3.59	1.34	37.27	62.73
建设用地比例（%）	-11.00	-2.69	3.57	3.49	0.74	99.26
人口密度（人/km²）	-3.87	1.81	19.07	4.80	63.10	36.90
人均GDP（元）	-2.69	-0.21	7.18	1.31	47.60	52.40
外商直接投资（万美元）	-2.46	0.91	3.04	1.39	67.90	32.10
产业结构（%）	-1.06	1.11	4.65	1.41	76.39	23.61
研发经费（亿元）	-6.71	4.71	8.97	4.76	70.85	29.15

注：表中的平均值为各回归系数取绝对值后的平均值。

新窗口打开|下载CSV

4.2 影响因素的空间异质性分析

用ARCGIS软件对GWR模型结果中各指标回归系数进行可视化分析,得到各指标系数的空间分布图,进而探究各指标影响效应的空间差异。

4.2.1 自然因素自然因素各指标与各城市PM_2.5浓度主要呈现负相关效应,有利于降低大多数城市的PM_2.5浓度,从系数绝对值的平均值大小来看,自然因素对区域PM_2.5浓度影响强度的排名从高到低依次是：高程、相对湿度、温度、降雨量、风速、植被覆盖指数,具体结果如下：

降雨量对于区域PM_2.5浓度的影响在90.03%的市域呈现出负相关效应,在9.97%的市域中呈现出正相关效应,正向影响主要分布在山东半岛和甘肃省部分地区（图7a）。这与已有研究认为充沛的降雨对国内大部分区域的PM_2.5浓度具有改善作用是一致^[11,34,36]。从空间异质性来看,通过与图1a对比可知,回归系数高值区主要集中于降雨量相对较低的宁夏、陕西、甘肃等中西部地区和黑龙江省的部分城市,而降雨量丰富的东部和东南沿海地区回归系数较小,表明降雨对绝大多数城市的PM_2.5浓度具有改善作用,且在降雨量相对匮乏的地区改善作用更为显著。

图7

新窗口打开|下载原图ZIP|生成PPT
图7GWR模型自然因素回归系数空间分布

注：此图根据国家测绘地理信息局标准地图（审图号：GS（2019）1697号）绘制,底图无修改。
Fig. 7The spatial distribution of the regression coefficient of the GWR model

风速对区域PM_2.5浓度的影响强度表现出明显的南北差异,北方的回归系数普遍高于南方地区,且主要呈现出负相关效应（89.30%）（图7b）,结合图1b各城市的平均风速空间分布图可知北方风速强于南方地区,由于北方地势更为平坦,为大气污染物提供了更好的扩散条件,风速的增大更有利于PM_2.5的扩散,从而改善区域的空气污染^[37]。值得注意的是,风速对陕西、甘肃和四川东北部等地区的PM_2.5浓度具有正相关效应,原因可能是该地区地处黄土高原,土质较为疏松,当风速达到一定程度时虽然有利于空气中细颗粒的扩散,但同时也会卷起地面的粉尘^[38],加重了大气的雾霾污染。

相对湿度对区域PM_2.5浓度的影响呈现出以山东半岛为核心向外逐渐递减的圈层结构,其中山东半岛各城市受相对湿度的影响最强（图7c）,系数的正负值比例显示相对湿度对大多数地区的PM_2.5浓度具有负向影响（85.61%）,有利于降低区域的PM_2.5浓度。

温度与区域PM_2.5浓度在75.65%的市域呈现出负相关效应,主要位于东南沿海、长江中下游平原、东北地区和中西部地区（图7d）。回归系数的空间分布中,南方地区的回归系数普遍高于北方地区,结合地区的气温特点和PM_2.5浓度的季节特征可以预测高温有利于降低地区的PM_2.5污染,且温度越高效果越明显。但在中原城市群、山东半岛和京津冀等地区温度与PM_2.5浓度则呈现正相关趋势,结合赵晨曦等****对北京PM_2.5与气象关系的研究结果^[39],可能由于该地区地面相对湿度较大且在冬天易遭受寒流侵袭形成逆温现象,不利于大气中细颗粒物的扩散从而造成了地区PM_2.5的集聚。

高程与区域PM_2.5浓度在全国均呈现负相关效应,有利于改善空气污染（图7e）。从系数的空间分布来看,高值区主要位于广东省、广西省、川渝地区和环渤海地区;低值则集中在东北地区和长江中下游平原地带。

植被覆盖指数对62.73%的市域PM_2.5浓度的影响呈现负相关效应,主要分布在京津冀城市群、长江中下游平原和东南沿海地带,在中西部地区和东北地区植被覆盖指数则对PM_2.5浓度具有正相关趋势（图7f）。从系数的空间分布来看,高值区主要集中在广东、湖南、河北等省份,低值区则集中分布于长江中下游平原地带。

4.2.2 社会经济因素社会经济因素各指标对区域PM_2.5浓度均呈现正负两种效应,其中建设用地比例和人均GDP以负相关效应为主,人口密度、外商直接投资、产业结构和研发经费则以正相关效应为主,从系数绝对值的平均值大小来看,各类指标对区域PM_2.5浓度的排名从高到低依次是人口密度、研发经费、建设用地比例、产业结构、外商直接投资、人均GDP。

建设用地比例对99.26%的城市PM_2.5浓度具有负相关效应,这表明建设用地比例的增加有利于改善区域空气污染,这与梁伟等认为城市化率的提升可以减轻区域雾霾污染的观点一致^[24]。原因在于建设用地比例高的地区城市化进程趋于成熟,建筑行业发展停滞从而减少细颗粒物的排放;而建设用地比例低的地区正在经历快速城市化阶段,城市建筑行业发展迅速,大量的建筑扬尘进入城市大气环境中,加重了城市大气污染。空间分布中,回归系数的数值由北向南逐渐递减,其中东北地区受建设用地比例的影响较强,东部和东南沿海地区受到的影响较弱（图8a）。

图8

新窗口打开|下载原图ZIP|生成PPT
图8GWR模型社会经济因素回归系数空间分布

注：此图根据国家测绘地理信息局标准地图（审图号：GS（2019）1697号）绘制,底图无修改。
Fig. 8The spatial distribution of regression coefficients of social and economic factors in GWR model

人口密度对东北地区、华北平原、山东半岛和中西部地区的城市PM_2.5浓度具有正相关效应,占城市比例的66.10%,而对长江中下游平原和东南沿海城市的PM_2.5浓度具有负相关效应,有利于改善区域PM_2.5污染（图8b）,这与周磊等对京津冀地区、王建对安徽省的PM_2.5影响因素研究结果相一致^[12,40]。从系数的空间分布来看,负向影响高值区主要分布在东北和中西部地区,低值区则分布在山东半岛和中原城市群。主要由于人口密度越大的城市生产规模和交通流量就会越大,往往会造成区域雾霾污染,而东北地区和中西部地区的空气治理力度相较于中原城市群仍显薄弱,使得人口密度的影响强度更为显著。位于长江中下游平原和东南沿海城市的人口密度与PM_2.5呈现负相关趋势,同时该地区为中国经济最为发达的地区,人口密度的增加可能会导致集聚效应促进地区的技术进步,有利于降低区域PM_2.5的浓度;其次人口倾向于迁移到空气质量较好的地区,例如近年来人口大量流入到珠三角和长三角地区,相较于北方,东南沿海地区的空气质量更好。

已有的研究认为经济发展与区域PM_2.5浓度呈现出强烈的相关性^[21,22,23],其中人均GDP与雾霾污染关系的区域差异性明显^[23]。从系数的空间异质性来看,人均GDP对东北地区和中西部地区的PM_2.5浓度具有正向影响（52.70%）,其中陕西和河南部分城市的系数较大,表明上述区域的经济发展仍然以牺牲环境为代价;而在东部和东南沿海地区人均GDP与PM_2.5浓度则呈现负相关效应（图8c）,由此表明上述地区的基础较好,随着科技的进步和产业结构的优化,地区的经济发展情况与周围环境基本呈协调态势。

外商直接投资对32.10%市域的PM_2.5浓度具有负相关效应,主要分布在山东半岛、京津冀城市群和辽中南地区（图8d）,有利于降低城市的PM_2.5浓度,即存在“污染光环效应”,其中京津冀城市群受外商直接投资的影响最为显著。从2015年数据来看,京津冀地区利用外资在一、二、三次产业中的比例为1.28 : 47.79 : 50.93,以计算机、房地产、制造业等领域为主,外商直接投资在一定程度上促进了产业的升级和优化^[41];其次京津冀政府受限于本身空气污染治理的压力,对外资的引入有着较高的环境准入门槛,环境规制的使得外商直接投资有利于降低地区的环境污染^[42]。而在东部和东南沿海地区、川渝地区和黑龙江部分城市（67.90%）外商直接投资对PM_2.5浓度则呈现正相关效应,表明该地区的外商直接投资加重了环境的污染,即存在“污染避难所”现象。上述地区的利用外资主要集中在制造业、房地产业和金融业^[43],一方面由于上述地区本身的产业结构较为良好,外资对产业结构的优化程度较低;另一方面外资的引入扩大了地区的生产规模,在建项目也较多,一定程度上增加了大气颗粒物的排放,增加了城市的PM_2.5浓度。

产业结构对东北地区、山东半岛、长江中下游平原和川渝地区的PM_2.5浓度具有正向影响（76.39%）（图8e）,加重了上述地区的空气污染,这与已有研究证实工业活动是大部分地区PM_2.5污染的主要驱动因素是一致的^[1,45]。从系数的空间分布来看,东北地区和川渝地区受到的影响强度最强,原因在于东北地区和川渝地区产业结构以机械、化工和能源等重工业为主,其直接产生的能耗和污染物的排放较多,产业结构的优化调整将显著影响空气中的PM_2.5浓度;长三角地区的影响强度较弱,这与当地产业结构以服务业为主有关,工业活动中的污染排放较低,且该地区产业结构较为稳定,进一步优化的空间有限^[44],故产业结构对PM_2.5浓度的影响较弱。而广东地区产业结构对PM_2.5浓度则呈现负相关效应,可能与广东技术密集型企业数量众多相关,工业比例的提高可能会产生技术集聚效应,促进技术进步和效率提高从而降低了污染物的排放。

从系数的空间分布来看,研发经费的投入对地区的PM_2.5浓度同时存在正负两种效应,其中正值区位于东北地区、京津冀城市群、长江中下游平原和福建等地区（70.85%）,而在广东、云南、甘肃和川渝等地区研发经费则呈现负相关效应（图8f）。研发经费的正负相关性不同原因在于：研发经费的投入有利于促进技术进步和新能源的开发,从而减少生产过程中的大气污染物排放;研发经费的投入促进了企业的再生产,扩大了企业的生产规模,加重了地区的大气污染。

5 结论与讨论

PM_2.5是全国大气雾霾频发的首要污染物,识别PM_2.5浓度的时空分布规律和影响因素有利于环保政策的制定。本文利用地理加权回归模型,对每个城市PM_2.5影响因素的回归系数进行局域分解,探究影响因素的空间异质性,主要结论如下：

（1）中国城市PM_2.5的时空分布特征,月变化呈现“U”型规律,季节变化则呈现春季高夏低、春秋居中的特点。且PM_2.5浓度在空间上具有显著的集聚特征,表现为北部浓度高南部浓度低,东部浓度高西部浓度低,京津冀地区、华北平原、山东半岛和辽中南地区是PM_2.5的高-高集聚区,海南省、云南省和西藏地区为PM_2.5浓度的低-低集聚区,北方地区城市的PM_2.5污染较为严重,而东南沿海区域则是空气质量优良地区^[46],京津冀城市群是全国PM_2.5的污染重心。

（2）根据地理加权回归模型结果,自然和社会经济因素对区域PM_2.5浓度的影响呈现出明显的空间异质性。其中高程对区域PM_2.5浓度的影响具有正相关效应,其余指标的影响既存在正相关效应也存在负相关效应,空间差异明显。从影响强度来看,高程对区域PM_2.5浓度变化的影响程度最大,其次是相对湿度、温度、人口密度、研发经费、降雨量、风速、建设用地比例等指标,产业结构、外商直接投资、植被覆盖指数、人均GDP的影响强度相对较小。

（3）由于各指标对区域PM_2.5的影响程度存在着空间异质性,因此在制定大气治理对策可以考虑不同指标影响程度的空间差异,从而使决策更加具有针对性。例如部分地区的经济发展与PM_2.5浓度呈现负相关效应,表明经济的增长与雾霾的治理可以兼得,所以在制定雾霾治理对策时需要摒弃治理影响经济发展的观念^[34];自然因素对大多数地区的PM_2.5浓度呈现出负相关效应,且从相关系数来看影响程度较社会经济因素更为显著,但地区的自然因素是“缺乏弹性”的^[11],比如年降水量、风速等不易人为改变,所以对雾霾治理时不仅仅是“等风来”,更多的是从社会经济因素层面提出地区的针对性策略。

本文通过地理加权回归模型对PM_2.5浓度的影响因素进行空间异质性分析,为各地区制定雾霾治理对策提供了科学依据,同时也对以往的全局性结果进行了补充。由于数据的局限性,影响因素在时间尺度上的空间差异并未涉及,未来可从时间和空间两个层面进行探究,全面分析PM_2.5影响因素的时空异质性,为各区域制定不同时间尺度的雾霾治理对策提供依据;同时已有的研究从省域层面探究了大气污染的跨区域传输特征^[10],各影响因素也存在空间溢出效应^[11],未来对影响因素时空异质性探究的基础上分析各影响因素的空间溢出效应,以便更好的制定PM_2.5区域联防治理措施。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

周亮, 周成虎, 杨帆 , 等. 2000-2011年中国PM_2.5时空演化特征及驱动因素解析
地理学报, 2017,72(11):2079-2092.

[本文引用: 7]

[ Zhou

Liang

, Zhou

Chenghu

, Yang

Fan

, et al. Spatio-temporal evolution and the influencing factors of PM_2.5 in China between 2000 and 2011
Acta Geographica Sinica, 2017,72(11):2079-2092.]

[本文引用: 7]

[2]

Chan Y

, Simpson R

, Tainsh G

, et al. Characterisation of chemical species in PM_2.5 and PM₁₀ aerosols in Brisbane, Australia
Atmospheric Environment, 1997,31(22):3773-3785.

[本文引用: 1]

[3]

Watson J

. Visibility: science and regulation
Journal of the Air & Waste Management Association, 2002,52(6):628-713.

[本文引用: 1]

[4]

Malm W

, Day D

. Estimates of aerosol species scattering characteristics as a function of relative humidity
Atmospheric Environment, 2001,35(16):2845-2860.

[本文引用: 1]

[5]

Grell

, Freitas S

, Stuefer

, et al. Inclusion of biomass burning in WRF-Chem: impact of wildfires on weather forecasts
Atmospheric Chemistry and Physics, 2011,11(11):1-16.

[本文引用: 1]

[6]

Chen

, Zhao C

, Ma

, et al. A parameterization of low visibilities for hazy days in the North China Plain
Atmospheric Chemistry & Physics Discussions, 2011,11(11):4935-4950.

[本文引用: 2]

[7]

Pope C

, Brook R

, Burnett R

, et al. How is cardiovascular disease mortality risk affected by duration and intensity of fine particulate matter exposure? An integration of the epidemiologic evidence
Air Quality Atmosphere & Health, 2011,4(1):5-14.

[本文引用: 2]

[8]

国家环境保护部. 环境空气质量标准(试行)
中华人民共和国国家环境保护标准 (GB3095-2012), 2012-02-29.

[本文引用: 1]

[ Ministry of Environmental Protection of the People's Republic of China. Ambient Air Quality Standards (on trial)
National Environmental Protection Standards of the People's Republic of China (GB3095-2012), 2012-02-29.]

[本文引用: 1]

[9]

姜磊, 周海峰, 赖志柱 , 等. 中国城市PM_2.5时空动态变化特征分析: 2015-2017年
环境科学学报, 2018,38(10):3816-3825.

[本文引用: 1]

[ Jiang

Lei

, Zhou

Haifeng

, Lai

Zhizhu

, et al. Analysis of spatio-temporal characteristic of PM_2.5 concentrations of Chinese cities: 2015-2017
Acta Scientiae Circumstantiae, 2018,38(10):3816-3825.]

[本文引用: 1]

[10]

薛文博, 付飞, 王金南 , 等. 中国PM_2.5跨区域传输特征数值模拟研究
中国环境科学, 2014,34(6):1361-1368.

[本文引用: 2]

[ Xue

Wenbo

, Fu

Fei

, Wang

Jinnan

, et al. Numerical study on the characteristics of regional transport of PM_2.5 in China
China Environmental Science, 2014,34(6):1361-1368.]

[本文引用: 2]

[11]

刘海猛, 方创琳, 黄解军 , 等. 京津冀城市群大气污染的时空特征与影响因素解析
地理学报, 2018,73(1):177-191.

[本文引用: 4]

[ Liu

Haimeng

, Fang

Chuanglin

, Huang

Jiejun

, et al. The spatial-temporal characteristics and influencing factors of air pollution in Beijing-Tianjin-Hebei urban agglomeration
Acta Geographica Sinica, 2018,73(1):177-191.]

[本文引用: 4]

[12]

周磊, 武建军, 贾瑞静 , 等. 京津冀PM_2.5时空分布特征及其污染风险因素
环境科学研究, 2016,29(4):483-493.

[本文引用: 3]

[ Zhou

Lei

, Wu

Jianjun

, Jia

Ruijing

, et al. Investigation of temporal-spatial characteristics and underlying risk factors of PM_2.5 pollution in Beijing-Tianjin-Hebei area
Research of Environmental Sciences, 2016,29(4):483-493.]

[本文引用: 3]

[13]

宓科娜, 庄汝龙, 梁龙武 , 等. 长三角PM_2.5时空格局演变与特征——基于2013-2016年实时监测数据
地理研究, 2018,37(8):1641-1654.

[本文引用: 1]

[ Mi

Kena

, Zhuang

Rulong

, Liang

Longwu

, et al. Spatio-temporal evolution and characteristics of PM_2.5 in the Yangtze River Delta based on real-time monitoring data during 2013-2016
Geographical Research, 2018,37(8):1641-1654.]

[本文引用: 1]

[14]

徐伟嘉, 何芳芳, 李红霞 , 等. 珠三角区域PM_2.5时空变异特征
环境科学研究, 2014,27(9):951-957.

[本文引用: 2]

[ Xu

Weijia

, He

Fangfang

, Li

Hongxia

, et al. Spatial and temporal variations of PM_2.5 in the Pearl River Delta
Research of Environmental Sciences, 2014,27(9):951-957.]

[本文引用: 2]

[15]

Pateraki

, Asimakopolos D

, Flocas H

, et al. The role of meteorology on different sized aerosol fractions (PM₁₀, PM_2.5, PM_2.5-₁₀)
Science of the Total Environment, 2012,419(3):124-135.

[本文引用: 2]

[16]

Querol

, Alastuey

, Rodriguez

, et al. Monitoring of PM₁₀ and PM_2.5 around primary particulate anthropogenicemission sources
Atmospheric Environment, 2001,35(5):845-858.

[本文引用: 2]

[17]

Yoo J

, Lee Y

, Kim

, et al. New indices for wet scavenging of air pollutants (O₃, CO, NO₂, SO₂, and PM₁₀) by summertime rain
Atmospheric Environment, 2014,82(1):226-237.

[本文引用: 2]

[18]

董群, 赵普生, 王迎春 , 等. 北京山谷风环流特征分析及其对PM_2.5浓度的影响
环境科学, 2017,38(6):2218-2230.

[本文引用: 2]

[ Dong

Qun

, Zhao

Pusheng

, Wang

Yingchun

, et al. Impact of mountain-valley wind circulation on typical cases of air pollution in Beijing
Environmental Science, 2017,38(6):2218-2230.]

[本文引用: 2]

[19]

贺祥, 林振山, 刘会玉 , 等. 基于灰色关联模型对江苏省PM_2.5浓度影响因素的分析
地理学报, 2016,71(7):1119-1129.

[本文引用: 2]

[ He

Xiang

, Lin

Zhenshan

, Liu

Huiyu

, et al. Analysis of the driving factors of PM_2.5 in Jiangsu province based on grey correlation model
Acta Geographica Sinica, 2016,71(7):1119-1129.]

[本文引用: 2]

[20]

Mythili

. Examining environmental Kuznets Curve for river effluents in India
Environment Development & Sustainability, 2011,13(3):627-640.

[本文引用: 2]

[21]

Grossman G

, Krueger A

. Economic growth and the environment
Nber Working Papers, 2001,110(2):277-284.

[本文引用: 3]

[22]

何枫, 马栋栋, 祝丽云 . 中国雾霾污染的环境库兹涅茨曲线研究——基于2001-2012年中国30个省市面板数据的分析
软科学, 2016,30(4):37-40.

[本文引用: 3]

[ He

Feng

, Ma

Dongdong

, Zhu

Liyun

. Study on environmental Kuznets Curve of haze pollution in China——An empirical analysis based on panel data of the sample of Chinese 30 provinces during 2001-2012
Soft Science, 2016,30(4):37-40.]

[本文引用: 3]

[23]

王星 . 城市规模、经济增长与雾霾污染——基于省会城市面板数据的实证研究
华东经济管理, 2016,30(7):86-92.

[本文引用: 4]

[ Wang

Xing

. City scale, economic growth and smog pollution——An empirical study based on the panel data of provincial capitals
East China Econimic Manafement, 2016,30(7):86-92.]

[本文引用: 4]

[24]

梁伟, 杨明, 张延伟 . 城镇化率的提升必然加剧雾霾污染吗——兼论城镇化与雾霾污染的空间溢出效应
地理研究, 2017,36(10):1947-1958.

[本文引用: 3]

[ Liang

Wei

, Yang

Ming

, Zhang

Yanwei

. Will the increase of the urbanization rate inevitably exacerbate haze pollution? A discussion of the spatial spillover effects of urbanization and haze pollution
Geographical Research, 2017,36(10):1947-1958.]

[本文引用: 3]

[25]

Leeuw F

, Moussiopoulos

, Sahm

, et al. Urban air quality in larger conurbations in the European Union
Environmental Modelling & Software, 2001,16(4):399-414.

[本文引用: 2]

[26]

王立平, 陈俊 . 中国雾霾污染的社会经济影响因素——基于空间面板数据EBA模型实证研究
环境科学学报, 2016,36(10):3833-3839.

[本文引用: 2]

[ Wang

Liping

, Chen

Jun

. Socio-economic influential factors of haze pollution in China: Empirical study by eba model using spatial panel data
Acta Scientiae Circumstantiae, 2016,36(10):3833-3839.]

[本文引用: 2]

[27]

杨昆, 杨玉莲, 朱彦辉 , 等. 中国PM_2.5污染与社会经济的空间关系及成因
地理研究, 2016,35(6):1051-1060.

[本文引用: 2]

[ Yang

Kun

, Yang

Yulian

, Zhu

Yanhui

, et al. Social and economic drivers of PM_2.5 and their spatial relationship in China
Geographical Research, 2016,35(6):1051-1060.]

[本文引用: 2]

[28]

郭文伯, 张艳, 柴彦威 . 城市居民出行的空气污染暴露测度及其影响机制——北京市郊区社区的案例分析
地理研究, 2015,34(7):1310-1318.

[本文引用: 2]

[ Guo

Wenbo

, Zhang

Yan

, Chai

Yanwei

. Measurement of residents' daily travel air pollution exposure andits mechanism: A case study of suburban communities in Beijing
Geographical Research, 2015,34(7):1310-1318.]

[本文引用: 2]

[29]

Geary R

. The contiguity ratio and statistical mapping
The Incorporated Statistician, 1954,5(3):115-127.

[本文引用: 1]

[30]

潘竟虎, 张文, 李俊峰 , 等. 中国大范围雾霾期间主要城市空气污染物分布特征
生态学杂志, 2014,33(12):3423-3431.

[本文引用: 2]

[ Pan

Jinghu

, Zahng

Wen

, LI

Junfeng

, et al. Spatial distribution characteristics of air pollutants in major cities in China during the period of wide range haze pollution
Chinese Journal of Ecology, 2014,33(12):3423-3431.]

[本文引用: 2]

[31]

Brunsdon

, Fotheringham A

, Charlton M

. Geographically weighted regression: A method for exploring spatial nonstationarity
Geographical Analysis, 1996,28(4):281-298.

[本文引用: 1]

[32]

Brunsdon

. Geographically weighted regression: A natural evolution of the expansion method for spatial data analysis
Environment and Planning A, 1998,30(11):1905-1927.

[本文引用: 2]

[33]

张耀军, 任正委 . 基于地理加权回归的山区人口分布影响因素实证研究——以贵州省毕节地区为例
人口研究, 2012,36(4):53-63.

[本文引用: 1]

[ Zhang

Yaojun

, Ren

Zhengwei

. Factors affecting population distribution in mountainous areas: Geographically weighted regression using data from Bijie
Population Research, 2012,36(4):53-63.]

[本文引用: 1]

[34]

姬露露, 陈长坤, 王楠楠 . 我国六大中心城市PM_2.5污染特征及诱因对比分析
灾害学, 2014,29(4):230-234.

[本文引用: 3]

[ Ji

Lulu

, Chen

Changkun

, Wang

Nannan

. Comparison and analysis on characteristics and causes of PM_2.5 pollution in six typical central cities of China
Journal of Catastrophology, 2014,29(4):230-234.]

[本文引用: 3]

[35]

Mcmillen D

. Geographically weighted regression: The analysis of spatially varying relationships
American Journal of Agricultural Economics, 2004,86(2):554-556.

[本文引用: 4]

[36]

李芳, 张承中 . 西安市大气颗粒物PM_2.5与降水关系的探讨
中国环境监测, 2013,29(6):22-28.

[本文引用: 1]

[ Li

Fang

, Zhang

Chengzhong

. Analysis on the relationship between PM_2.5 and the precipitation in Xi'an
Environmental Monitoring in China, 2013,29(6):22-28.]

[本文引用: 1]

[37]

郭蒙蒙, 姜楠, 王申博 , 等. 郑州市2014-2017年大气污染特征及气象条件影响分析
https://doi.org/10.13227/j.hjkx.201901118, 2019-08-25.

URL [本文引用: 1]

[ Guo

Mengmeng

, Jiang

Nan

, Wang

Shenbo

, et al. Analysis of air pollution characteristics and meteorological conditions in Zhengzhou from 2014 to 2017
https://doi.org/10.13227/j.hjkx.201901118, 2019-08-25.]

URL [本文引用: 1]

[38]

徐曼, 王建国 . 风速对大气颗粒物垂直分布观测研究
价值工程, 2015,34(28):201-202.

[本文引用: 1]

[ Xu

Man

, Wang

Jianguo

. Study on influence of wind speed on the vertical distribution of atmospheric particulatematter
Value Engineering, 2015,34(28):201-202.]

[本文引用: 1]

[39]

赵晨曦, 王云琦, 王玉杰 , 等. 北京地区冬春PM_2.5和PM₁₀污染水平时空分布及其与气象条件的关系
环境科学, 2014,35(2):418-427.

[本文引用: 1]

[ Zhao

Chenxi

, Wang

Yunqi

, Wang

yujie

, et al. Temporal and spatial distribution of PM_2.5 and PM₁₀ pollution status and the correlation of particulate matters and meteorological factors during winter and spring in Beijing
Environmental Science, 2014,35(2):418-427.]

[本文引用: 1]

[40]

王建 . 安徽省雾霾污染的分布特征及影响因素研究
蚌埠: 安徽财经大学硕士学位论文, 2017.

[本文引用: 1]

[ Wang

Jian

. The distribution characteristics of haze pollution in Anhui province and research of its influence factors
Bengbu: Master Dissertation of Anhui Univeisity of Finance & Economics, 2017.]

[本文引用: 1]

[41]

陈文涛 . 外商直接投资对京津冀产业结构的影响研究
保定: 河北大学硕士学位论文, 2015.

[本文引用: 1]

[ Chen

Wentao

. Research on the influence of industrial structure by foreign direct investment in Beijing-Tianjin-Hebei
Baoding: Master Dissertation of Hebei Univeisity, 2015.]

[本文引用: 1]

[42]

张倩倩, 张瑞, 张亦冰 . 环境规制下外商直接投资对环境质量的影响——基于不同行业组的比较研究
商业研究, 2019,505(5):61-68.

[本文引用: 1]

[ Zhang

Qianqian

, Zhang

Rui

, Zhang

Yibing

. The influence mechanism of foreign direct investment on environmental quality under environmental regulation: A comparative study based on different industry groups
Commercial Research, 2019,505(5):61-68.]

[本文引用: 1]

[43]

康乾 . 外商直接投资对中国环境污染的影响——基于碳排放视角的研究
北京: 商务部国际贸易经济合作研究院硕士学位论文, 2018.

[本文引用: 1]

[ Kang

Qian

. The impact of foreign direct investment on China's environmental pollution: Based on the perspective of carbon emissions. Beijing: Master Dissertation of Chinese Academy of International Trade and Economic Cooperation,
MOFCOM, 2018]

[本文引用: 1]

[44]

马忠玉, 肖宏伟 . 中国区域PM_2.5影响因素空间分异研究——基于地理加权回归模型的实证分析
山西财经大学学报, 2017,39(5):14-26.

[本文引用: 1]

[ Ma

Zhongyu

, Xiao

Hongwei

. The research on a spatial differentiation of influence factors of regional PM_2.5 in China: The empirical analysis based on geographically weighted regression model
Journal of Shanxi University of Finance and Economics, 2017,39(5):14-26.]

[本文引用: 1]

[45]

孙建如, 钟韵 . 我国大城市PM_2.5影响因素的经济分析——基于市级面板数据的实证研究
生态经济, 2015, 31(3):62-65+77.

[本文引用: 1]

[ Sun

Jianru

Zhong

Yun

. Economic analysis on the factors influencing PM_2.5 in China's metropolises: An empirical study based on city-level panel data
Ecological Economy, 2015, 31(3):62-65+77.]

[本文引用: 1]

[46]

王振波, 方创琳, 许光 , 等. 2014年中国城市PM_2.5浓度的时空变化规律
地理学报, 2015,70(11):1720-1734.

[本文引用: 1]

[ Wang

Zhenbo

, Fang

Chuanglin

, Xu

Guang

, et al. Spatial-temporal characteristics of the PM_2.5 in China in 2014
Acta Geographica Sinica, 2015,70(11):1720-1734.]

[本文引用: 1]