环境科学  2022, Vol. 43 Issue (12): 5344-5353   PDF    
引用本文
周志衡, 周廷刚, 秦宁. 中原城市群PM2.5浓度驱动因子联动效应及非线性影响[J]. 环境科学, 2022, 43(12): 5344-5353.
ZHOU Zhi-heng, ZHOU Ting-gang, QIN Ning. Linkage Effect and Nonlinear Impact of PM2.5 Concentration Driving Factors in Central Plains Urban Agglomeration[J]. Environmental Science, 2022, 43(12): 5344-5353.
中原城市群PM2.5浓度驱动因子联动效应及非线性影响
周志衡1,2, 周廷刚1,2, 秦宁3     
1. 西南大学地理科学学院, 重庆 400715;
2. 三峡库区生态环境教育部重点实验室, 重庆 400715;
3. 安徽大学管理学院, 合肥 230601
收稿日期: 2022-01-05; 修订日期: 2022-04-07
基金项目: 国务院三峡办三峡后续工作专项（5000002013BB5200002）
作者简介: 周志衡(1998~), 男, 硕士研究生, 主要研究方向为环境遥感和大气污染控制, E-mail: zzh_gua@163.com
通信作者: 周廷刚, E-mail: zhoutg@163.com
摘要: 城市群是中国PM2.5污染与防治的核心区.为探究中原城市群PM2.5浓度驱动因子的作用机制，基于多源遥感数据和统计数据，采用空间自相关、参数最优地理探测器以及系统动态面板回归模型等方法，量化了PM2.5浓度的驱动因子及因子间的联动效应，进一步分析了社会经济因素对PM2.5浓度的非线性影响并给出相应的治霾建议.结果表明：①2012~2018年，中原城市群PM2.5浓度下降程度存在空间分异，北部较南部地区污染减弱更为显著.②PM2.5浓度高值聚集有从中原城市群北部向东部转移的趋势，而低值聚集情况相对稳定.③高程对PM2.5浓度的解释力最强，因子间联动效应对PM2.5污染的解释力均表现为增强，其中高程与降水交互后解释力最强.④人均GDP、人口密度、夜间灯光、外商直接投资和第二产业占比均与PM2.5浓度之间存在非线性关系.结合中原城市群现状，加大污染治理投入、调整城市结构形态、加强基础设施建设、调整人口分布与产业结构、保持较高的城市活跃水平、设定严格的环境法规和引入高质量外商投资等有助于治理PM2.5污染.
关键词: PM2.5      非线性影响      驱动因子      联动效应      中原城市群     
Linkage Effect and Nonlinear Impact of PM2.5 Concentration Driving Factors in Central Plains Urban Agglomeration
ZHOU Zhi-heng1,2 , ZHOU Ting-gang1,2 , QIN Ning3     
1. School of Geographical Sciences, Southwest University, Chongqing 400715, China;
2. Key Laboratory of Eco-environments in Three Gorges Reservoir Region (Ministry of Education), Chongqing 400715, China;
3. School of Management, Anhui University, Hefei 230601, China
Abstract: Urban agglomerations are the core areas of PM2.5 pollution and prevention in China. In order to explore the mechanism of PM2.5 concentration driving factors in the Central Plains Urban Agglomeration, we took multi-source remote sensing data and statistical data as the foundation and used spatial autocorrelation, an optimal parameters-based geographical detector, and a system dynamic panel regression model to quantify the driving factors of PM2.5 concentrations and the linkage between the factor effects. Furthermore, we analyzed the nonlinear influence of social and economic factors on PM2.5 concentration and gave corresponding suggestions for haze control. The results showed that: ① from 2012 to 2018, the degree of PM2.5 concentration decline in the Central Plains Urban Agglomeration showed spatial differentiation, and pollution reduction in the northern region was more significant than that in the southern region. ② The high concentration of PM2.5 had a tendency to shift from the north to the east of the Central Plains Urban Agglomeration, whereas the low concentration was relatively stable. ③ Elevation had the strongest explanatory power for PM2.5 concentration, and the explanatory power of the inter-factor linkage effect on PM2.5 pollution was enhanced, among which the interaction between elevation and precipitation had the strongest explanatory power. ④ PM2.5 concentration had a nonlinear relationship with per capita GDP, population density, night lighting, foreign direct investment, and the proportion of secondary industry. According to the status quo of the Central Plains Urban Agglomeration, increasing investment in pollution control, adjusting urban structure and form, strengthening infrastructure construction, adjusting population distribution and industrial structure, maintaining a high level of urban activity, setting strict environmental regulations, and introducing high-quality foreign investment can help control PM2.5 pollution.
Key words: PM2.5      nonlinear effect      driving factor      linkage effect      Central Plains Urban Agglomeration     

中国的工业化和城市化快速推进, 综合国力和影响力不断提升, 但也带来了一系列生态环境问题, 特别是近些年来频发的空气污染问题, 影响着我国可持续发展的道路[1].PM2.5污染是众多空气污染类型中危害较大的一种, 以PM2.5为主要成分的雾-霾污染不仅显著降低能见度而干扰交通, 而且人们长期吸入会导致过早死亡[2], 已经引起了政府、企业和广大学者的广泛关注[3~5].近年来, 城市群被认为是中国新型城镇化的主体形态, 参与国际分工合作的新区域单元[6], 也是PM2.5污染治理的核心区域.据文献[7], 2019年全国337个地级及以上城市中, 仍有43.3%的城市空气质量超标.PM2.5为首要污染物的超标天数占总超标天数的51.0%.城市环境空气质量排名倒数后10名中有5名位于中原城市群.中原城市群人口聚集且经济规模庞大, 是中国PM2.5污染最为严重的城市群之一[8].

导致PM2.5浓度变化的因素多而复杂, 关于单个自然或社会经济驱动因子已经得到广泛研究[9, 10].有研究指出地理空间属性和区域经济与PM2.5浓度之间存在显著的空间关联效应[11].因此, 在对PM2.5浓度与其驱动力的关系进行量化时, 考虑空间异质性是有必要的.地理探测器作为一种探测空间分异性, 揭示背后驱动因子的新的统计方法[12], 用于PM2.5影响因子的量化有其独特的优势.地理探测器不仅可以定量描述单个因子对PM2.5的作用强度, 还可以解释双因子的联动效应, 可以很好地弥补以往研究只集中于分析单因子作用的缺陷.与地理探测器相比, 基于最优参数的地理探测器(optimal parameters-based geographical detector, OPGD)模型通过寻找离散化和空间尺度参数的最优组合, 提高了分析空间分层异质性的能力[13].随着研究的深入, 人们开始对驱动因素和PM2.5浓度之间的关系进行量化, 如利用最小二乘法(OLS)[14]、灰色关联模型[15]和空间计量模型[16]等进行探究, 但以上模型大多分析两者之间的线性关系, 且忽略了前期的PM2.5浓度带来的时滞效应[17].已有研究证明中国PM2.5污染存在区域环境库兹尼茨曲线(EKC)关系[18], 系统动态面板回归模型不仅能探究非线性关系, 还能很好地解决滞后效应和内生性问题, 具有很好的效率和稳健性[19].

本研究的目的是利用空间自相关模型量化中原城市群PM2.5浓度的时空分布特征及其空间聚集属性, 利用OPGD模型量化PM2.5驱动因子解释力, 探究多因子之间的联动效应对PM2.5浓度的影响, 并运用系统动态面板回归模型探究社会经济因素与PM2.5浓度之间的非线性关系, 以期为实现中原城市群环境友好型发展和制定合理治霾方案提供科学依据.

1 材料与方法 1.1 研究区概况

中原城市群位于中国中东部地区(图 1), 区域范围涵盖河南全部城市, 安徽、河北、山西和山东等部分地级市, 共计30个地级市.截至2019年底, 区域面积约28.70万km2, 占全国面积的3%; 年末总人口16 433万, 占全国总人口的12%; GDP总量8.47万亿元, 仅次于三大国家级城市群.中原城市群被国家定位为中国经济发展的新增长极, 新欧亚大陆桥经济走廊极具活力的核心地带[20], 但其长期受到霾污染的影响, 改善空气质量已经成为亟待解决的问题.

图 1 中原城市群空间分布示意 Fig. 1 Spatial distribution of Central Plains Urban Agglomeration

1.2 数据来源与处理

本文所使用数据包括：①PM2.5年均浓度栅格数据来自达尔豪斯大学大气成分分析组, 空间分辨率为0.01°×0.01°.该数据集已经在不同的空间尺度上得到广泛应用, 并在中国区域的可靠性得到验证[21]; ②自然源因子.温度(TEM)、降水量(PRE)和风速(WIND)等气象数据来源于国家气象科学数据中心, 归一化植被指数(NDVI)和数字高程模型(DEM)数据由中国科学院资源环境科学与数据中心提供; ③社会经济因子.本文采用人口密度(POP)表征人口分布聚集情况、人均国内生产总值(GDPPC)表征经济发展水平、第二产业占比(IS)表征产业结构、外商直接投资(FDI)表征贸易开放水平、NPP-VIIRS夜间灯光(NSL)表征城市活跃程度以及道路密度(ROAD_D)和河网密度(RIVER_D)表征基础设施水平.POP栅格数据来源于World Pop数据集(https://www.worldpop.org/).NPP-VIIRS月度夜间灯光数据来自于美国国家地球物理数据中心(https://www.ngdc.noaa.gov/), 空间分辨率约为500 m, 本研究将月度数据进行年度合成, 并对其进行去噪处理[22]以消除渔光和火灾等短暂光的影响.GDPPC数据包括2015年GDP栅格数据和2012~2018年的GDPPC统计数据, 分别来源于中国科学院资源环境科学与数据中心和城市统计年鉴.路网和河网数据来自2015年OpenStreetMap历史数据集, 并利用ArcGIS计算得到ROAD_D和RIVER_D.IS和FDI统计数据收集于2013~2019年中国城市统计年鉴.④中国行政区划数据来自于国家地理信息中心.

为保证数据的可比性, 将所有具有空间信息属性的数据重新投影到WGS84地理坐标系和Albers投影坐标系中, 并重新采样至1km的空间分辨率, 使各驱动因子与PM2.5浓度数据空间单元相匹配, 各因子的缺失值采用栅格邻域计算进行补全.

1.3 研究方法 1.3.1 空间自相关分析

为描述PM2.5浓度在中原城市群整体的分布情况, 利用Moran's I指数检验其全局空间自相关性, 用P值和Z得分衡量Moran's I指数的显著性水平, 该系数和Z得分定义如下：

(1)
(2)

式中, wi, j为空间权重矩阵, n为中原城市群城市单元个数, zi和zj分别为城市单元i、j和所有城市单元平均值之差.I的取值在-1~1, 当I>0, 表明相邻城市单元正相关; 当I=0, 相邻城市单元为不相关; 当I < 0, 相邻城市单元呈负相关.E(I)为I的数学期望.

为探究城市尺度单元PM2.5浓度之间的差异, 用局部空间自相关来识别其空间聚集以及空间异质性[23].局部Moran's I定义如下：

(3)

式中, xi和xj分别为不同的城市单元PM2.5浓度值, m为城市单元i相邻的单元个数, wi, j、n、zi和zj含义同式(1).

Z得分同样可以描述局部Moran's I的显著水平, 采用P=0.05的显著性水平进行检验.满足显著性水平条件的空间单元可划分为4种聚集类型：I>0且Z(I)>0, 为“高-高”; I>0且Z(I) < 0, 为“低-低”; I < 0且Z(I)>0, 为“高-低”; I < 0且Z(I) < 0, 为“低-高”.

1.3.2 参数最优地理探测器分析

本文利用因子探测器[12]来量化单个驱动因子对于PM2.5浓度的影响程度.常用q值表示, 其定义如下：

(4)

式中, h=1, …, L表示PM2.5浓度和驱动因子的分类数, N和Nh分别为全区和h子区内的单元数, σ2和σh2分别为PM2.5在全区和h子区的方差.q的取值范围为[0, 1], q值越大, 表明解释程度越高.

用交互探测器来考察双驱动因子对PM2.5浓度空间分异的联动效应影响.假设两个驱动因子Xa和Xb对PM2.5浓度的解释力分别为q(Xa)和q(Xb), 两个解释层叠加后得到的新解释层为Xa∩Xb, 其解释力为q(Xa∩Xb), 根据三者q值大小得到5种交互类型(表 1).

表 1 两个影响因素间的交互类型 Table 1 Type of interaction between two influencing factors

1.3.3 系统动态面板回归分析

前期的PM2.5污染会影响当前的PM2.5污染状况, 即时滞效应[24].为解决这种效应影响, 考虑采用动态面板数据模型(DPDM), 通过在静态面板数据模型中加入被解释变量滞后项作为解释变量, 可有效解决内生性偏误问题, 并且可检测变量的动态性质及其影响.在动态面板模型中, 由于系统广义矩估计比差分广义矩估计具有更好的效率和稳健性[25], 因此本文采用系统广义矩估计进行分析.通过在模型中引入核心解释变量及其多次项来探究中原城市群社会经济因素对PM2.5浓度的非线性作用.计量模型如下：

(5)

式中, i为城市, t为年份, lnPMit代表i城市t年的PM2.5年均浓度值; Xit为核心解释变量; lnPMi, t-1为lnPMit的滞后一期; CVit为控制变量矩阵; a0为常数项; θ为控制变量集的系数; εit为随机误差项.对所有变量取对数以消除数据异方差的影响.

2 结果与讨论 2.1 PM2.5浓度的时空异质性 2.1.1 PM2.5浓度的时空格局及年际变化

为方便分析中原城市群PM2.5污染状况, 参考世界卫生组织(WHO)和中国《环境空气质量标准》(GB 3095-2012), 将PM2.5浓度划分为6个等级：优质区：2~15 μg·m-3; 良好区：15~25 μg·m-3; 中等区：25~35 μg·m-3; 轻污染区：35~50 μg·m-3; 中污染区：50~70 μg·m-3; 重污染区：>70 μg·m-3.

2012~2018年间中原城市群PM2.5浓度空间变化明显[图 2(a)~2(g)], 除2012~2013年期间重度污染区有向中原城市群东南部蔓延外, 2013~2018年期间重度污染区域均自东南向西北方向递减.截至2018年, 重度污染区基本已全部转化为中、轻污染区.PM2.5浓度较低的优质区和良好区都分布于中原城市群西部山地丘陵区, 而中原城市群东部平原PM2.5浓度偏高且分布均匀, 表明中原城市群PM2.5污染格局与地形有密切联系. 2012~2018年中原城市群PM2.5浓度变化结果表明[图 2(h)], 整个中原城市群地区PM2.5浓度均有下降, 但下降程度存在空间分异, 整体上看, 中原城市群北部较南部地区污染减弱更为显著.

(a)~(g)表示空间格局演变，(h)表示变化趋势 图 2 2012~2018年中原城市群PM2.5浓度变化 Fig. 2 Changes in PM2.5 concentration in the Central Plains Urban Agglomeration from 2012 to 2018

2.1.2 PM2.5浓度空间关联特征

利用GeoDa和ArcGIS软件进行空间自相关检验, 以全局Moran's I散点图(图 3)和空间聚集特征(图 4)定量分析中原城市群PM2.5浓度的空间关联特征.由图 3可知, 2012~2015年Moran's I指数呈增大趋势, 2016~2018年Moran's I指数下降趋于稳定.本研究期间内Moran's I指数均显著(P≤0.01)且为正值, 介于0.407 8~0.503 4之间, 表明中原城市群PM2.5浓度在空间上聚集现象明显, 浓度值相近的城市大多相邻.图 3中, 第一象限为高-高型聚集, 第二象限为低-高型聚集, 第三象限为低-低型聚集, 第四象限为高-低型聚集, 结果表明研究区PM2.5浓度低-低聚集和高-高聚集现象更为明显.

图 3 2012~2018年中原城市群PM2.5浓度Moran's I散点图 Fig. 3 Moran's I scatter plot of PM2.5 concentration in the Central Plains Urban Agglomeration from 2012 to 2018

图 4 2012~2018年中原城市群PM2.5浓度空间集聚特征 Fig. 4 Spatial agglomeration characteristics of PM2.5concentration in the Central Plains Urban Agglomeration from 2012 to 2018

由图 4可知, 研究期内PM2.5浓度聚集情况发生显著变化, 高值聚集有从中原城市群北部向东部转移的趋势, 濮阳是唯一始终保持着高值聚集现象的城市.而低值聚集情况相对稳定, 集中分布于中原城市群西南部, 包括运城、三门峡、洛阳和南阳等城市.在2017年, 焦作市PM2.5浓度呈现高-低型聚集, 表明该年份焦作市与周边地区PM2.5浓度存在显著的空间差异, 究其原因, 焦作市虽然由资源型(煤炭)城市向旅游城市转型, 但是煤炭产业仍是其支柱产业之一.

2.2 PM2.5浓度驱动因子分析 2.2.1 单因子探测分析

有研究指出[26~29], 温度通过影响大气条件、地形和风速通过改变传播的路径和方向、降水影响细颗粒物沉降过程、植被具有的吸附作用以及人类活动都会对PM2.5浓度变化产生重要影响.考虑到2015年相关驱动因子栅格数据最为完整, 因此选择TEM、DEM、PRE、WIND、NDVI、POP、GDPPC、ROAD_D、RIVER_D和NSL等连续空间格网数据在像元尺度上分析2015年PM2.5浓度的驱动力.结果表明, 驱动因子均通过了显著性检验(P≤0.01).由表 2可知, 各驱动因子解释力(q值)从大到小依次是：DEM>TEM>POP>GDPPC>NSL>WIND>NDVI>PRE>ROAD_D>RIVER_D.中原城市群地形以平原为主, 城市群西部山区呈“C”型分布, 导致大气污染物的传播受到严重阻碍.地形对于中原城市群的人口分布和社会活动影响很大, DEM(0.573)因此成为中原城市群PM2.5浓度的最强解释力因子.此外, TEM(0.535)、POP(0.531)、GDPPC(0.432)和NSL(0.369)都是中原城市群PM2.5浓度空间分异的重要主导因子.ROAD_D (0.039)和RIVER_D(0.006)对于中原城市群PM2.5浓度空间分异的解释力较低.

表 2 中原城市群PM2.5浓度驱动因子q值结果 Table 2 Results of q value of PM2.5concentration driving factor in the Central Plains Urban Agglomeration

2.2.2 PM2.5浓度驱动因子的联动效应分析

PM2.5浓度的空间分异通常不是单个影响因素所能决定的, 故利用交互探测器来量化多因子交互后对PM2.5浓度影响的联动效应.交互探测器结果表明(图 5)：各影响因素间只存在双因子增强和非线性增强两种交互类型, 即任意因子相互作用后都增强了对PM2.5浓度的解释力, 中原城市群PM2.5浓度的空间分异是多驱动因素相互作用后显现的结果.

图 5 中原城市群PM2.5浓度驱动因子间交互情况 Fig. 5 Interaction between PM2.5 concentration driving factors in the Central Plains Urban Agglomeration

DEM仅与PRE交互结果表现为双因子增强类型, 但该结果q值超过了所有的非线性增强类型, 为PRE∩DEM(0.891), 说明PRE∩DEM最能解释PM2.5浓度的空间分异性.双因子增强交互类型大多存在于PRE、RIIVER_D与其他因子交互时, 非线性增强类型占据交互类型的大多数.

2.3 社会经济因素对PM2.5浓度的非线性影响分析

以研究目的为基准, 参考前人研究[24, 30, 31], 从人口聚集、经济发展、产业结构、贸易开放和城市活跃等多角度选取指标, 以便能全面的考量社会经济因素对PM2.5浓度的非线性影响.将PM2.5浓度设为被解释变量, POP、GDPPC、IS、FDI和NSL等社会经济因子作为核心解释变量, DEM、PRE、TEM、NDVI和WIND等自然源因子设为控制变量.变量的描述性统计见表 3.

表 3 所选变量的描述性统计 Table 3 Descriptive statistics of selected variables

使用动态面板回归模型前, 利用Stata16.0软件进行数据的平稳性检验, 以避免面板数据非平稳性造成伪回归现象.每次选择一个核心解释变量通过Stata16.0软件分别进行系统动态面板回归.自相关检验结果表明, AR(1)均通过显著性检验, AR(2)未通过10%水平的显著性检验, 随机误差项存在一阶序列相关但无二阶序列相关.由Hansen检验的结果得出, 该模型所采用的工具变量是合理有效的.综上所述, SGMM模型的设置是合理的.以GDPPC、POP、NSL、IS和FDI等为核心解释变量再分别进行基准回归(OLS)和固定效应回归(FE), 发现系统动态面板模型计算的PM2.5浓度一阶滞后项系数均处于OLS和FE模型计算得到的系数之间, 表明SGMM结果是稳健的(表 4).

表 4 系统动态面板回归分析结果1) Table 4 System dynamic panel regression analysis results

有研究发现中国城市GDPPC与PM2.5浓度之间是倒“U”型关系[32], 也有研究认为两者之间是“U”型关系[33], 本研究结果(表 4中③列)支持后者的观点.当GDPPC小于66171元时对PM2.5浓度有抑制效应, 而当跃过该拐点后, GDPPC的提高会使PM2.5浓度也随之提高.目前中原城市群大部分城市仍位于“U”型曲线的下降阶段, 对于郑州、济源、洛阳和焦作等已位于“U”型曲线上升阶段的城市, 需加大污染治理的资金投入, 空气质量才能得到进一步改善.

以POP为核心解释变量的SGMM面板回归结果显示(表 4中⑥列), PM2.5浓度与人口密度之间也存在“U”型关系.人口密度小于572人·km-2时, 随着人口的集中化, 城市污染防控政策的严格实施以及人口规模集约效应得到显现, 可使城市基础服务设施以及各种资源得到高效利用, 从而达到缓解PM2.5污染的目的.然而, 当人口密度大于572人·km-2后, 住房、交通和土地等紧缺资源受到过大压力, 汽车尾气、建筑扬尘和工业废气等大量产生, 使PM2.5浓度不断提升.此时, 应规划调整城市结构形态, 加强城市基础服务设施建设, 合理控制人口规模, 调整人口分布, 以防止人口密度过大带来的PM2.5污染加剧.

以NSL为核心解释变量的SGMM面板回归结果显示(表 4中⑨列), NSL其一次项系数为正, 二次项系数为负, 两者均显著, 即PM2.5浓度与NSL之间存在倒“U”型关系.本研究发现中原城市群各市NSL总强度与PM2.5的关系曲线拐点为15 429, 当各市NSL总强度小于该拐点时, PM2.5浓度会随着NSL总强度的升高而升高, 但截至2018年, 中原城市群大部分地区已经处于倒“U”型曲线的下降部分.由结果可知, 较高的城市活跃水平会显著抑制中原城市群的PM2.5污染.

以IS为核心解释变量的SGMM面板回归结果显示(表 4中⑫列), IS其一次项系数为正, 二次项系数为负, 三次项系数为正, 三者均显著, IS与PM2.5浓度之间存在“N”形曲线关系.当第二产业占比低于38.78%时, 随着第二产业占比升高, PM2.5污染会加剧.此时工业发展水平较低, 随着工业化的发展, 对能源的消耗急剧增加, 且此阶段消耗多为高污染的化石燃料.当第二产业占比介于38.78%~61.74%时, 随着第二产业占比升高, PM2.5污染会得到缓解.此时简单粗放的工业发展模式向清洁可持续的模式发生转变, 且清洁能源得到更有效的利用, 从而使工业带来的PM2.5污染得到有效控制.当第二产业占比超过61.74%时, 过多的工业活动已经使污染物的排放超过环境承载力的容纳水平, PM2.5浓度水平将进一步提高.

以FDI为核心解释变量的SGMM面板回归结果显示(表 4中⑮列), 中原城市群PM2.5浓度与FDI之间存在倒“U”型关系.外商投资小于52 052万美元时, 随着外商直接投资的增大, PM2.5浓度有所上升.中原城市群部分城市并不是外商投资的重点区域, 存在为吸引外资而设置的环境准入门槛较低的可能, 以致引入了低质量的外商投资从而加剧了该地区的霾污染.外商投资高于52 052万美元时, 随着外商直接投资的增大, PM2.5浓度有所下降.有研究发现[24], FDI对于霾污染的影响取决于制定环境法规的严格水平.外商投资高的地区很可能环境政策收紧, 引入了更多高质量的外商投资以及污染治理的高新技术, 从而使霾污染得到缓解.

3 结论

(1) 中原城市群PM2.5污染格局跟地形有密切联系.2012~2018年, 整个中原城市群PM2.5浓度均有下降, 但下降程度存在空间分异, 整体上看, 中原城市群北部较南部地区污染减弱更为显著.

(2) 2012~2018年中原城市群PM2.5污染空间聚集性明显.研究期内PM2.5浓度高值聚集有从中原城市群北部向东部转移的趋势, 而低值聚集情况相对稳定, 集中分布于中原城市群西南部.

(3) DEM(0.573 1)是中原城市群PM2.5浓度的最强解释力因子, TEM、POP、GDPPC和NSL是中原城市群PM2.5浓度空间分异的重要主导因子.各影响因素间只存在双因子增强和非线性增强两种交互类型, 其中又以非线性增强类型为主.PRE∩DEM(0.891)对PM2.5浓度解释力最强, 为双因子增强类型.

(4) PM2.5浓度与GDPPC、POP之间均存在“U”型关系, 曲线拐点分别为GDPPC=66 171元和POP=572人·km-2.PM2.5浓度与NSL、FDI之间均存在倒“U”型关系.PM2.5浓度与IS之间存在“N”型非线性关系, 第二产业占比介于38.78%~61.74%时, 随着第二产业占比升高, PM2.5污染会得到缓解.为应对霾污染, 中原城市群地区应加大污染治理的资金投入、规划调整城市结构形态、增强城市基础服务设施建设、调整人口分布、调整产业结构、保持较高的城市活跃水平、设定严格的环境法规和引入高质量的外商投资.

参考文献
[1] Huang R J, Zhang Y L, Bozzetti C, et al. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature, 2014, 514(7521): 218-222. DOI:10.1038/nature13774
[2] 谢元博, 陈娟, 李巍. 雾霾重污染期间北京居民对高浓度PM2.5持续暴露的健康风险及其损害价值评估[J]. 环境科学, 2014, 35(1): 1-8.
Xie Y B, Chen J, Li W. An assessment of PM2.5 related health risks and impaired values of Beijing residents in a consecutive high-level exposure during heavy haze days[J]. Environmental Science, 2014, 35(1): 1-8.
[3] 李名升, 任晓霞, 于洋, 等. 中国大陆城市PM2.5污染时空分布规律[J]. 中国环境科学, 2016, 36(3): 641-650.
Li M S, Ren X X, Yu Y, et al. Spatiotemporal pattern of ground-level fine particulate matter (PM2.5) pollution in mainland China[J]. China Environmental Science, 2016, 36(3): 641-650. DOI:10.3969/j.issn.1000-6923.2016.03.001
[4] 赵秀娟, 蒲维维, 孟伟, 等. 北京地区秋季雾霾天PM2.5污染与气溶胶光学特征分析[J]. 环境科学, 2013, 34(2): 416-423.
Zhao X J, Pu W W, Meng W, et al. PM2.5 pollution and aerosol optical properties in fog and haze days during autumn and winter in Beijing area[J]. Environmental Science, 2013, 34(2): 416-423.
[5] 王新, 聂燕, 陈红, 等. 兰州城区大气PM2.5污染特征及来源解析[J]. 环境科学, 2016, 37(5): 1619-1628.
Wang X, Nie Y, Chen H, et al. Pollution characteristics and source apportionment of PM2.5in Lanzhou city[J]. Environmental Science, 2016, 37(5): 1619-1628.
[6] Liu X P, Zou B, Feng H H, et al. Anthropogenic factors of PM2.5 distributions in China's major urban agglomerations: a spatial-temporal analysis[J]. Journal of Cleaner Production, 2020, 264. DOI:10.1016/j.jclepro.2020.121709
[7] 中华人民共和国生态环境部. 2019年中国生态环境状况公报[R]. 北京: 中华人民共和国生态环境部, 2020.
[8] Mi Y F, Sun K, Li L, et al. Spatiotemporal pattern analysis of PM2.5 and the driving factors in the middle Yellow River urban agglomerations[J]. Journal of Cleaner Production, 2021, 299. DOI:10.1016/j.jclepro.2021.126904
[9] Cheriyan D, Hyun K Y, Jaegoo H, et al. Assessing the distributional characteristics of PM10, PM2.5, and PM1 exposure profile produced and propagated from a construction activity[J]. Journal of Cleaner Production, 2020, 276. DOI:10.1016/j.jclepro.2020.124335
[10] Vohra K, Vodonos A, Schwartz J, et al. Global mortality from outdoor fine particle pollution generated by fossil fuel combustion: results from GEOS-Chem[J]. Environmental Research, 2021, 195. DOI:10.1016/j.envres.2021.110754
[11] Ma Y R, Ji Q, Fan Y. Spatial linkage analysis of the impact of regional economic activities on PM2.5 pollution in China[J]. Journal of Cleaner Production, 2016, 139: 1157-1167. DOI:10.1016/j.jclepro.2016.08.152
[12] 王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134.
Wang J F, Xu C D. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.
[13] Song Y Z, Wang J F, Ge Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: cases with different types of spatial data[J]. Giscience & Remote Sensing, 2020, 57(5): 593-610.
[14] 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(6): 1051-1060.
Yang K, Yang Y L, Zhu Y H, et al. Social and economic drivers of PM2.5 and their spatial relationship in China[J]. Geographical Research, 2016, 35(6): 1051-1060.
[15] 贺祥, 林振山, 刘会玉, 等. 基于灰色关联模型对江苏省PM2.5浓度影响因素的分析[J]. 地理学报, 2016, 71(7): 1119-1129.
He X, Lin Z S, Liu H Y, et al. Analysis of the driving factors of PM2.5 in Jiangsu province based on grey correlation model[J]. Acta Geographica Sinica, 2016, 71(7): 1119-1129.
[16] Zeng J J, Liu T, Feiock R, et al. The impacts of China's provincial energy policies on major air pollutants: a spatial econometric analysis[J]. Energy Policy, 2019, 132: 392-403. DOI:10.1016/j.enpol.2019.05.052
[17] Wang Y X, Yao L, Xu Y, et al. Potential heterogeneity in the relationship between urbanization and air pollution, from the perspective of urban agglomeration[J]. Journal of Cleaner Production, 2021, 298. DOI:10.1016/j.jclepro.2021.126822
[18] Hao Y, Liu Y M. The influential factors of urban PM2.5 concentrations in China: a spatial econometric analysis[J]. Journal of Cleaner Production, 2016, 112: 1443-1453.
[19] 郭向阳, 穆学青, 丁正山, 等. 长三角多维城市化对PM2.5浓度的非线性影响及驱动机制[J]. 地理学报, 2021, 76(5): 1274-1293.
Guo X Y, Mu X Q, Ding Z S, et al. Nonlinear effects and driving mechanism of multidimensional urbanization on PM2.5concentrations in the Yangtze River Delta[J]. Acta Geographica Sinica, 2021, 76(5): 1274-1293.
[20] 中华人民共和国国家发展和改革委员会. 国家发展改革委关于印发中原城市群发展规划的通知[EB/OL]. https://www.ndrc.gov.cn/xxgk/zcfb/ghwb/201701/t20170105_962218.html, 2016-12-29.
[21] Wu T, Zhou L X, Jiang G J, et al. Modelling spatial heterogeneity in the effects of natural and socioeconomic factors, and their interactions, on atmospheric PM2.5 concentrations in China from 2000-2015[J]. Remote Sensing, 2021, 13(11). DOI:10.3390/rs13112152
[22] Shi K F, Yu B L, Hu Y J, et al. Modeling and mapping total freight traffic in China using NPP-VIIRS nighttime light composite data[J]. Giscience & Remote Sensing, 2015, 52(3): 274-289.
[23] Anselin L. Local indicators of spatial association—LISA[J]. Geographical Analysis, 1995, 27(2): 93-115.
[24] Zhang M, Liu X X, Sun X R, et al. The influence of multiple environmental regulations on haze pollution: evidence from China[J]. Atmospheric Pollution Research, 2020, 11(6): 170-179.
[25] Blundell R, Bond S. Initial conditions and moment restrictions in dynamic panel data models[J]. Journal of Econometrics, 1998, 87(1): 115-143.
[26] 朱倩茹, 刘永红, 徐伟嘉, 等. 广州PM2.5污染特征及影响因素分析[J]. 中国环境监测, 2013, 29(2): 15-21.
Zhu Q R, Liu Y H, Xu W J, et al. Analysis on the pollution characteristics and influence factors of PM2.5 in Guangzhou[J]. Environmental Monitoring in China, 2013, 29(2): 15-21.
[27] 黄小刚, 赵景波, 孙从建, 等. 汾渭平原PM2.5空间分布的地形效应[J]. 环境科学, 2021, 42(10): 4582-4592.
Huang X G, Zhao J B, Sun C J, et al. Orographic influences on the spatial distribution of PM2.5on the Fen-Wei plain[J]. Environmental Science, 2021, 42(10): 4582-4592.
[28] 王嫣然, 张学霞, 赵静瑶, 等. 2013—2014年北京地区PM2.5时空分布规律及其与植被覆盖度关系的研究[J]. 生态环境学报, 2016, 25(1): 103-111.
Wang Y R, Zhang X X, Zhao J Y, et al. Temporal and spatial distribution of PM2.5 and its relationship with vegetation coverage in Beijing during the period of 2013─2014[J]. Ecology and Environmental Sciences, 2016, 25(1): 103-111.
[29] 吴浪, 周廷刚, 温莉, 等. 基于遥感数据的PM2.5与城市化的时空关系研究——以成渝城市群为例[J]. 长江流域资源与环境, 2018, 27(9): 2142-2152.
Wu L, Zhou T G, Wen L, et al. Study on spatio-temporal relationship between PM2.5 and urbanization based on remote sensing data—a case study of Chengdu-Chongqing urban agglomeration[J]. Resources and Environment in the Yangtze Basin, 2018, 27(9): 2142-2152.
[30] Wang K, Yan M Y, Wang Y W, et al. The impact of environmental policy stringency on air quality[J]. Atmospheric Environment, 2020, 231. DOI:10.1016/j.atmosenv.2020.117522
[31] Zhu W W, Wang M C, Zhang B B. The effects of urbanization on PM2.5 concentrations in China's Yangtze River Economic Belt: new evidence from spatial econometric analysis[J]. Journal of Cleaner Production, 2019, 239. DOI:10.1016/j.jclepro.2019.118065
[32] Wang S J, Zhou C S, Wang Z B, et al. The characteristics and drivers of fine particulate matter (PM2.5) distribution in China[J]. Journal of Cleaner Production, 2017, 142: 1800-1809.
[33] Wu X H, Chen Y F, Guo J, et al. Spatial concentration, impact factors and prevention-control measures of PM2.5 pollution in China[J]. Natural Hazards, 2017, 86(1): 393-410.