环境科学  2025, Vol. 46 Issue (2): 705-714   PDF    
引用本文
薛琛昊, 邹滨, 徐勇, 李沈鑫, 李莎. 全国不同城市化水平与大气污染的时空关系[J]. 环境科学, 2025, 46(2): 705-714.
XUE Chen-hao, ZOU Bin, XU Yong, LI Shen-xin, LI Sha. Spatial-temporal Relationships Between Urbanization Levels and Air Pollution Across Various Stages of Urbanization Nationwide[J]. Environmental Science, 2025, 46(2): 705-714.
全国不同城市化水平与大气污染的时空关系
薛琛昊1, 邹滨1, 徐勇1,2, 李沈鑫1, 李莎1     
1. 中南大学地球科学与信息物理学院, 长沙 410083;
2. 有色金属成矿预测与地质环境监测教育部重点实验室（中南大学）, 长沙 410083
收稿日期: 2024-02-06; 修订日期: 2024-04-28
基金项目: 国家自然科学基金项目（42271440）；国家重点研发计划项目（2021YFE0117100）；有色金属成矿预测教育部重点实验室开放基金项目（2023YSJS08）
作者简介: 薛琛昊（1997~）, 男, 硕士研究生, 主要研究方向为城市化进程对大气环境质量影响机制, E-mail：574083795@qq.com
通信作者: 邹滨, E-mail：210010@csu.edu.cn
摘要: 研究全国不同城市化阶段城市化水平与大气污染的时空关系, 对指导未来城市向减污和降碳的绿色方向发展具有重要的现实意义. 基于2005~2020年人均GDP栅格数据、土地利用类型数据、PM2.5和O3浓度遥感反演数据、气象栅格数据, 采用钱纳里标准对2005、2010、2015和2020年全国城市划分城市化阶段；利用单因素方差分析（ANOVA）判断不同城市化阶段PM2.5和O3浓度的显著性关系, 通过多尺度地理加权回归（MGWR）定量分析不同城市化阶段城市化水平与PM2.5和O3浓度协同变化的时空关联关系. 结果表明, 2005~2020年全国城市化主要经历了6个阶段, 其中, 2005年处在初级产品阶段（PPS）和初级工业化阶段（PIS）的城市分别为110个和118个, 2010年中国城市化阶段主要以工业化阶段为主, 中期工业化阶段（MIS）和后期工业化阶段（LIS）的城市数量分别为139个和88个, 而2015年和2020年中国城市化阶段主要以中后期工业化阶段和发达阶段为主, 其中, 初级发达阶段（PDS）和发达阶段（DS）的总体城市数量分别为80个和91个. 中国PM2.5和O3浓度变化趋势的空间分布以及在不同城市化阶段的平均值均具有显著差异. 从不同城市化阶段上看, PM2.5浓度平均值从PPS到DS全国整体呈现先上升后下降的变化趋势, 工业化阶段平均PM2.5浓度高于初级和发达阶段. O3浓度平均值从PPS到DS全国整体呈上升趋势, 发达阶段O3浓度平均值最高. MGWR分析结果表明, 2005年和2010年城市建成区面积占比与PM2.5浓度回归系数高值区主要分布在云贵川城市群, 而2015年和2020年回归系数高值区从云贵川向东北延伸, 覆盖中国大部分地区. 2005~2020年城市建成区占比与O3浓度回归系数高值区主要分布在中国西部和中部, 而东部回归系数明显低于其他地区, 尤其是华南地区, 回归系数整体为负. 协同分析结果表明, 2005年和2010年PM2.5和O3浓度协同上升的城市主要集中分布在长江三角洲地区、云贵川地区、以及陕甘宁地区；2015年和2020年PM2.5和O3浓度协同上升的城市广泛分布于中国中部和东部.
关键词: 城市化阶段      城市化水平      PM2.5      O3      协同变化      多尺度地理加权回归（MGWR）     
Spatial-temporal Relationships Between Urbanization Levels and Air Pollution Across Various Stages of Urbanization Nationwide
XUE Chen-hao1 , ZOU Bin1 , XU Yong1,2 , LI Shen-xin1 , LI Sha1     
1. School of Geosciences and Info-physics, Central South University, Changsha 410083, China;
2. Key Laboratory of Metallogenic Prediction of Nonferrous Metals and Geological Environment Monitoring(Central South University), Ministry of Education, Changsha 410083, China
Abstract: This research investigates the spatial and temporal relationship between urbanization levels and air pollution in cities at different stages of urbanization in China, highlighting its significance for guiding cities towards green development with reduced pollution and carbon emissions. The study uses a range of datasets from 2005 to 2020, including per capita GDP raster data, land use type data, remotely sensed PM2.5 and O3 concentration data, and meteorological raster data. The urbanization stages for the years 2005, 2010, 2015, and 2020 were classified using the Chenery standard, facilitating a nuanced analysis of urban growth patterns. A one-way analysis of variance(ANOVA)was employed to examine the significance of differences in PM2.5 and O3 concentrations across urbanization stages, revealing distinct pollution profiles. Furthermore, multi-scale geographically weighted regression(MGWR)was applied to quantitatively analyze the spatial and temporal correlations between urbanization levels and the concentrations of PM2.5 and O3, offering insights into the complex dynamics at play. The findings indicate a progression through six urbanization stages from 2005 to 2020. In 2005, 110 cities were in the primary product stage (PPS), and 118 were in the primary industrialization stage (PIS). By 2010, the urbanization phase had shifted predominantly towards industrialization, with 139 cities in the medium-term industrialization stage (MIS) and 88 in the late industrialization stage (LIS). The trend continued towards advanced stages, with the majority of cities in 2015 and 2020 being in the middle to late industrialization and developed stages. The number of cities in the primary developed stage (PDS)and the developed stage (DS)reached 80 and 91, respectively. The spatial distribution of PM2.5 and O3 concentration trends and their average values at different urbanization stages showed significant variance. From PPS to DS, the average PM2.5 concentration initially rose and then declined, with concentrations during the industrialization stage higher than in the primary and developed stages. In contrast, the average O3 concentration trended upward across all stages, reaching its peak in the developed stage. The MGWR results identified significant regional variations in the impact of urban built-up area proportions on PM2.5 and O3 concentrations. High-value areas for PM2.5 regression coefficients in 2005 and 2010 were predominantly found in the Yunnan-Guizhou-Sichuan urban cluster, extending northeast by 2015 and 2020 to cover most of China. Conversely, high-value areas for O3 regression coefficients from 2005 to 2020 were mainly in western and central China, with eastern regions, particularly in the south, showing significantly lower coefficients, indicating a negative correlation overall. Synergistic analysis of the data revealed that cities with concurrent increases in PM2.5 and O3 concentrations in 2005 and 2010 were concentrated in the Yangtze River Delta, Yunnan-Guizhou-Sichuan, and Shaanxi-Gansu-Ningxia regions. By 2015 and 2020, such cities were more broadly distributed across central and eastern China, highlighting the evolving nature of urban air pollution in relation to urbanization.
Key words: division of urbanization stages      urbanization level      PM2.5      O3      synergistic change      multi-scale geographically weighted regression(MGWR)     

改革开放以来, 中国城市化率由1978年的17.92%提高到2020年的63.89%[1], 土地城市化作为城市化过程的一种重要表征, 是城市化最重要的载体和最直观的表现, 在推动农业用地向城市建设用地转化的过程中会扩大工业规模和资源消耗, 加大污染排放基数[2], 城市空间的急剧扩张也会导致通勤距离增加, 产生更多能源消耗, 造成城市大气污染[3]. 大气细颗粒物（PM2.5）是城市空气的首要污染物[4], 不仅促使灰霾天气形成, 还通过呼吸道进入肺部组织, 严重威胁人类健康[5, 6]. 为了解决PM2.5污染问题, 2013~2017年中国出台《大气污染防治行动计划》（简称“大气十条”）, 实施了系列污染减排措施, 重点地区PM2.5浓度下降明显[7], 2018年, 出台《蓝天保卫三年行动计划》, 对能源、运输结构调整优化, 以期进一步降低PM2.5浓度. 但与此同时臭氧（O3）污染呈现快速上升和蔓延态势[8], O3作为强氧化性温室气体具有增温效应, 对人体和植物造成较大损伤[9], 已成为仅次于PM2.5的重要大气污染物[10].

国内外针对城市化发展与大气污染时空变化间关系已经开展了大量研究, 主要集中在揭示单一[11~13]和复合[14~17]大气污染物的时空变化特征与关键影响因子的驱动机制[18~20], 在关键影响因子的选择上已从关注气象因子的自然要素[21, 22]和人类活动的社会要素[23, 24], 逐步过渡到反映不同城市化水平的指标要素[25~27]. 王曦等[28]基于遥感反演数据研究发现2000~2018年建成区面积占比是影响全国PM2.5浓度变化的主要因素之一. 郭向阳等[29]采用2000~2017年城市面板数据分析得出土地城市化对PM2.5浓度的影响系数为正值且影响系数不断变大. 张政等[30]利用2002~2020年长江中游城市群遥感数据和统计数据研究发现, PM2.5浓度与土地城市化间存在倒“U”型曲线关系. 李源等[31]基于天津市O3地面监测数据发现, 土地城市化造成机动车保有量增加是驱动O3浓度变化的重要因子. 黄小刚等[32]采用2015~2017年长三角城市群O3地面监测数据分析得出建成区面积占比对O3浓度变化呈现正向影响. 王秋红等[33]评估了5个特大城市群不同城市化阶段PM2.5浓度变化影响因素的空间差异, 结果表明, 随着城市化阶段的不断发展, 各城市群之间排放强度效应、能源强度效应、经济产出效应的相对贡献率差距不断缩小. Liu等[34]研究发现中国主要城市群不同城市化阶段的城市化水平测度指标对大气污染时空变化的贡献不同. 以上研究表明城市化水平与PM2.5和O3浓度间存在时空关联关系, 且不同城市化阶段对城市化水平与大气污染时空关系的研究具有一定影响.

当前我国PM2.5污染尚未根本好转, O3污染形式日益严重[35], 在此背景下仅考虑城市化水平与单一大气污染物的时空关系已无法满足我国下一阶段PM2.5和O3协同控制目标, 且受限于中国城市化阶段区域不平衡性与数据获取的时空不连续性[36], 对于全国不同城市化阶段城市化水平与PM2.5和O3浓度协同变化关系的研究还较为鲜见.

对此, 本文以中国大陆地区为研究对象, 以2005~2020年人均GDP栅格数据、土地利用类型数据、PM2.5和O3浓度遥感反演数据、气象栅格数据为基础, 综合运用钱纳里标准、单因素方差分析、多尺度地理加权回归模型（multiscale geographically weighted regression, MGWR）等手段划分全国城市化阶段, 判断不同城市化阶段PM2.5和O3浓度的显著性关系, 分析不同城市化阶段城市化水平与PM2.5和O3浓度协同变化的时空关联关系, 通过全面厘清不同城市化阶段城市化水平与大气污染时空关系, 以期为下一步推动城市绿色发展提供支撑.

1 材料与方法

本研究区包含293个地级市、7个地区、3个盟、4个直辖市和30个自治州（图 1）, 研究时段为2005~2020年.

地图基于自然资源部标准地图服务网站GS（2023）2767标准地图制作, 底图无修改, 下同 图 1 研究区范围示意 Fig. 1 Location of study area

1.1 数据收集与预处理 1.1.1 城市化水平测度

城市化水平测度是用于评估一个地区城市化程度的表征指标, 可以通过衡量城市化过程中人口、经济、土地等方面发展变化反映城市化水平差异[37]. 本文从土地变化视角出发对城市化水平进行测度, 采用建成区面积占市区总面积百分比作为表征土地城市化水平指标[38], 数据选用中国科学院地理科学与资源研究所资源环境科学与数据中心所发布的公里级土地利用遥感监测数据（https://www.resdc.cn/data.aspx?DATAID=335）.

1.1.2 PM2.5和O3浓度数据提取

结合空气质量地面站点浓度数据和多源卫星遥感数据, 在考虑气象数据、边界层高度、植被覆盖指数和地形高程的变化下采用随机森林（random forest, RF）回归建模, 对2005~2020年全国PM2.5和O3年均浓度进行遥感估算, 模型验证精度, PM2.5, R2：0.74~0.89, RMSE：4.81~7.37 μg·m-3；O3, R2：0.72~0.88, RMSE：8.48~13.56 μg·m-3[39], 适用于本研究.

1.1.3 气象数据提取

在分析城市化水平与PM2.5和O3年均浓度的时空关联关系时, 为消除潜在的气象因素干扰同时顾及城市化水平与大气污染变化关系研究的时间尺度选取合理性, 基于降水、气温、风速3个基本气象数据逐年提取气候态数据, 剥离气象因素对城市化水平与大气污染变化关系分析结果造成的影响, 数据选用ERA5再分析资料产品数据集（https://cds.climate.copernicus.eu/）. 时间分辨率为逐年, 空间分辨率为10 km × 10 km, 使用普通克里金插值到1 km × 1 km.

1.2 城市化阶段划分

人均国内生产总值（GDP）可以有效、准确地反映不同经济发展阶段的主要特征, 已经成为划分不同城市化阶段最通用的指标[40]. 本文采用基于人均GDP的钱纳里标准[41], 通过乘以1970年的美元购买力将20世纪70年代的城市化阶段分类外推至2005~2020年, 根据2005~2020年美元对人民币的汇率转化为以人民币为单位的城市化阶段分类结果并在表 1中列出, 根据不同的人均GDP标准将城市化阶段划分为：初级产品阶段（PPS）、初级工业化阶段（PIS）、中期工业化阶段（MIS）、后期工业化阶段（LIS）、初级发达阶段（PDS）和发达阶段（DS）. 数据选用南安普敦大学地理与环境科学院“World Pop”研究计划发布的全球1 km人口计算数据集（https://hub.worldpop.org/geodata/listing?id=74）与中国科学院地理科学与资源研究所资源环境科学与数据中心所发布的中国GDP空间分布公里网格数据集（https://www.resdc.cn/data.aspx?DATAID=252）.

表 1 不同城市化阶段标准 Table 1 Standards for different urbanization stages

1.3 显著性检验

采用单因素方差分析检验不同城市化阶段对PM2.5和O3浓度是否具有显著性, 其数学表达式为[42]：

(1)
(2)
(3)
(4)

依据F分布表[43]给出的对应概率值与显著性水平间大小关系, 判断不同城市化阶段的PM2.5和O3浓度是否具有显著差异.

1.4 回归分析

为进一步定量揭示城市化水平对PM2.5和O3浓度变化的贡献规律, 在通过方差膨胀因子（variance inflation factor, VIF）检验后采用MGWR建模, 其模型结构为[44, 45]：

(5)

式中, （ui, vi）为位置i处中心坐标；yi为i处大气污染物浓度；xij为i处第j个变量（建成区面积比、降水、气温和风速）；bwj为第j个变量回归系数使用带宽；βbwj（ui, vi）为i处第j个变量回归系数；β0（ui, vi）和εi分别为模型在i处截距和误差项.

采用调整后决定系数（R2 Adjusted）、赤池信息量准则（AICc）来评价回归模型预测精度, 计算公式为：

(6)
(7)
(8)

式（6）~（8）中, yi为观测值, yi为观测值平均值, 为模型预测值, n为总数据量, k为自变量个数.

2 结果与讨论 2.1 全国城市化阶段时空差异

由图 2可知, 2005~2020年中国的城市化主要经历了PPS、PIS、MIS、LIS、PDS和DS共6个阶段. 由图 2（a）可知, 2005年中国城市化阶段主要为初级阶段, 处在PPS和PIS的城市分别为110个和118个, 分别占城市总数量的32.64%和35.01%. 由图 2（b）可知, 2010年中国城市化阶段主要为工业化阶段, 处在MIS和LIS的城市数量呈现明显上升趋势, 分别为139个和88个, 占城市总数量的63.76%. 由图 2（c）和2（d）可知, 2015年处在LIS、PDS和DS的城市数量呈现明显上升趋势, 分别占全国城市总数量的43.62%, 16.02%和7.72%. 相较于2015年, 2020年PDS的城市数量增加了10个, MIS的城市数量减少了8个, 其余城市化阶段的城市数量整体与2015年持平. 由此可知, 2015年和2020年中国城市化阶段主要以中后期工业化阶段和发达阶段为主, 其中, 2020年处于发达阶段的城市总数量占27.00%, 主要分布在中国北部和东部沿海地区；而初级阶段城市仅占城市总数量的4.45%, 主要分布在西藏自治区（那曲和阿里地区）.

1.未研究区域, 2.PPS, 3.PIS, 4.MIS, 5.LIS, 6.PDS, 7.DS 图 2 研究区城市化阶段空间分布及数量变化 Fig. 2 Spatial distribution and quantity change of urbanization stage in the study area

2.2 城市化水平与PM2.5浓度时空关联特征

由图 3可知, 从不同城市化阶段上看, PPS、PIS、MIS、LIS、PDS和DS的ρ（PM2.5）分别在15.38~67.19、17.36~84.33、14.81~88.64、18.87~86.02、20.68~73.04和23.36~70.56 μg·m-3. 从城市化水平上看, ρ（PM2.5）平均值由PPS到DS整体呈现先上升后下降的变化趋势, 平均值范围为36.40~43.28 μg·m-3, PIS、MIS和LIS的ρ（PM2.5）平均值较高, 分别为43.05、42.46和43.28 μg·m-3, PPS的ρ（PM2.5）平均值最低, 为36.40 μg·m-3, PDS和DS的ρ（PM2.5）平均值介于工业化阶段和初级阶段之间, 分别为39.57 μg·m-3和39.28 μg·m-3. 由上可知, PM2.5从PPS到DS整体呈现污染加剧-改善的变化特征, 工业化阶段PM2.5污染程度最为严重.

图 3 不同城市化阶段ρ（PM2.5） Fig. 3 The ρ(PM2.5)in different stages of urbanization

由F检验结果可知（表 2）, 各阶段城市化水平PM2.5浓度具有显著差异, 均通过P < 0.01显著性水平. 因此, 本文通过MGWR模型, 在控制降水、气温、风速的基础上, 探究城市建成区面积比率与PM2.5浓度之间的定量关系. 基于城市尺度采用MGWR建模后得到2005~2020年各变量与PM2.5浓度回归系数[β（PM2.5）], 由表 3可知模型验证精度, 调整后R2：0.924~0.942, AICc：98.609~174.194, 精度优于绝大部分回归模型[46], 说明模型拟合效果更好, 实验可信度更高.

表 2 不同城市化阶段下ρ（PM2.5）显著性检验 Table 2 Significance test of ρ(PM2.5)in different stages of urbanization

表 3 MGWR模型验证精度 Table 3 Validations of MGWR model

由图 4可知, 2005年165个城市建成区面积占比上升会提升城市PM2.5浓度, 其中, PPS和PIS分别占67个和55个. 由此可知, PPS和PIS城市建成区面积上升会提升PM2.5浓度. 2010年, 92个城市建成区面积占比上升会提升城市PM2.5浓度, 其中, 工业化阶段占81个. 由此可知, 2010年PM2.5浓度上升主要由工业化阶段建成区面积上升引起. 2015年和2020年, 建成区面积占比上升会提升城市PM2.5浓度的城市个数分别是255个和277个, 其中, 中后期工业化阶段分别占190个和192个, 由此可知, 2015年和2020年PM2.5浓度上升主要由中后期工业化阶段建成区面积上升引起. 此外, 2015年和2020年发达城市化阶段城市建成区面积占比上升导致PM2.5浓度上升的城市个数分别为57个和75个, 远高于2005年和2010年发达城市化阶段城市个数.

图 4 不同城市化阶段建成区面积占比与PM2.5浓度呈正相关城市数量变化 Fig. 4 Number of cities showing a positive correlation between the proportion of built-up area and PM2.5 concentration across different stages of urbanization

由图 5可知, 2005~2020年城市建成区面积占比对PM2.5的影响具有明显的空间分异特征. 2005年和2010年回归系数高值区主要分布在云贵川城市群, 而2015年和2020年回归系数高值区从云贵川向东北延申, 覆盖中国大部分地区. 由此可知, 以上地区城市建成区面积提高的同时提高了区域PM2.5浓度. 值得注意的是, 西北大部分地区和华南地区城市建成区面积占比与PM2.5浓度回归系数为负, 由此可知, 以上地区城市建成区面积提高的同时, 降低了区域PM2.5浓度.

1.未研究区域, 2.-0.63~-0.05, 3.-0.05~0.08, 4. 0.08~0.16, 5. 0.16~0.25, 6. 0.25~0.40, 7. 0.40~0.57 图 5 城市化水平与PM2.5浓度回归系数空间分布 Fig. 5 Spatial distribution of the regression coefficients between urbanization level and PM2.5 concentration

2.3 城市化水平与O3浓度时空关联特征

由图 6可知, PPS、PIS、MIS、LIS、PDS和DS的ρ（O3）分别在117.48~152.61、117.05~169.39、117.43~169.70、117.36~169.59、119.34~169.01和123.99~168.21 μg·m-3. 从城市化水平上看, ρ（O3）平均值由PPS到DS呈现持续上升的变化趋势, 平均值范围为129.14~149.44 μg·m-3, DS的ρ（O3）平均值最高, PPS的ρ（O3）平均值最低. 由上可知, O3从PPS到DS整体呈现污染持续加剧的变化特征, 发达阶段O3污染程度最为严重.

图 6 不同城市化阶段ρ（O3） Fig. 6 The ρ(O3)in different urbanization stages

由F检验结果可知（表 4）, 各阶段城市化水平O3浓度具有显著差异, 均通过P < 0.01显著性水平. 因此, 本文通过MGWR模型, 在控制降水、气温、风速的基础上, 探究城市建成区面积比率与O3浓度之间的定量关系. 基于城市尺度采用MGWR建模后得到2005~2020年各变量与O3浓度回归系数[β（O3）], 由表 5可知模型验证精度, 调整后R2：0.951~0.958, AICc：-19.050~44.646, 精度优于绝大部分回归模型[46], 说明模型拟合效果更好, 实验可信度更高.

表 4 不同城市化阶段下ρ（O3）显著性检验 Table 4 Significance test of ρ(O3)in different stages of urbanization

表 5 MGWR模型验证精度 Table 5 Validations of MGWR model

由图 7可知, 2005年, 377个城市建成区面积占比上升均会提升城市O3浓度, 其中, PPS和PIS分别占110个和118个. 由此可知, PPS和PIS城市建成区面积上升会提升O3浓度. 2010年, 272个城市建成区面积占比上升会升高城市O3浓度, 其中, 工业化阶段占247个. 由此可知, 2010年O3浓度上升主要由工业化阶段建成区面积上升引起. 2015年和2020年, 城市建成区面积占比上升会提升城市O3浓度的城市个数分别是318个和299个, 其中, 中后期工业化阶段分别占232个和202个, 由此可知, 2015年和2020年O3浓度上升主要由中后期工业化阶段建成区面积上升引起. 此外, 发达城市化阶段城市建成区面积占比上升导致O3浓度上升的城市个数分别为72个和83个, 远高于2005年和2010年发达城市化阶段城市个数.

图 7 不同城市化阶段建成区面积占比与O3浓度呈正相关城市数量变化 Fig. 7 Number of cities showing a positive correlation between the proportion of built-up area and O3 concentration across different stages of urbanization

由图 8可知, 2005~2020年城市建成区面积占比对O3的影响具有明显的空间分异特征. 2005~2020年回归系数高值区主要分布在中国西部和中部, 而东部回归系数明显低于其他地区, 尤其是华南地区, 回归系数整体为负. 由此可知, 2005~2020年中部和西部城市建成区面积增加的同时提高了区域O3浓度, 而东部地区, 尤其是华南地区, 随着城市建成区面积的上升, O3浓度呈下降趋势.

1.未研究区域, 2.-0.32~0.03, 3. 0.03~0.20, 4. 0.20~0.28, 5. 0.28~0.38, 6. 0.38~0.50, 7. 0.50~0.65 图 8 城市化水平与O3浓度回归系数空间分布 Fig. 8 Spatial distribution of the regression coefficients between urbanization level and O3 concentration

2.4 城市化水平与PM2.5和O3浓度协同变化关联分析

根据城市建成区面积与PM2.5和O3浓度回归系数, 可将城市化水平与PM2.5和O3浓度的协同关系分成4个类别. 由图 9（a）可知, 2005年城市化水平与PM2.5和O3浓度的协同关系主要表现为“PM2.5浓度下降与O3浓度上升”和“PM2.5浓度上升与O3浓度上升”两大类, 分别占172个和165个. 前者主要分布在华南地区和西部地区. 后者主要分布在东北地区、长江中下游地区和西南地区. 从不同的城市阶段上看, “PM2.5浓度下降与O3浓度上升”和“PM2.5浓度上升与O3浓度上升”的城市主要集中分布在PPS, PIS和MIS. 由此可知, 2005年城市化阶段主要为PPS, PIS和MIS, 且各城市化水平下O3浓度主要呈上升趋势, 而PM2.5浓度存在上升和下降两种情况. 2010年“PM2.5浓度下降与O3浓度下降”、“PM2.5浓度下降与O3浓度上升”、“PM2.5浓度上升与O3浓度下降”和“PM2.5浓度上升与O3浓度上升”的城市分别为62、182、3和89个. 其中, “PM2.5浓度上升与O3浓度上升”的城市主要分布在长江三角洲地区、云贵川地区以及陕甘宁地区. 从不同的城市阶段上看, “PM2.5浓度下降与O3浓度上升”和“PM2.5浓度上升与O3浓度上升”的城市主要集中分布在PIS, MIS和LIS. 由此可知, 工业化阶段城市建成区面积上升会造成O3浓度的上升. 2015和2020年, “PM2.5浓度上升与O3浓度上升”的城市分别占249和274个, 广泛分布于除东南沿海地区的中国东部和中部. 从不同的城市阶段上看, 以上地区城市化阶段主要为MIS, LIS和PDS. 由此可知, 2015和2020年工业化阶段中后期和初级发达阶段, 建成区面积占比会提升以上地区城市PM2.5浓度和O3浓度.

1.未研究区域, 2. PM2.5浓度下降与O3浓度下降, 3. PM2.5浓度下降与O3浓度上升, 4. PM2.5浓度上升与O3浓度下降, 5. PM2.5浓度上升与O3浓度上升 图 9 城市化水平与PM2.5和O3浓度协同关系空间分布及不同城市化阶段城市数量 Fig. 9 Spatial distribution of the synergistic relationship between urbanization level and concentrations of PM2.5 and O3 along with the number of cities at different stages of urbanization

3 结论

（1）2005年中国城市化阶段主要以初级阶段为主, 2010年中国城市化阶段主要以工业化阶段为主, 而2015年和2020年中国城市化阶段主要以中后期工业化阶段和发达阶段为主.

（2）PM2.5从PPS到DS全国整体呈现污染加剧-改善的变化特征, 工业化阶段PM2.5污染程度最为严重. MGWR分析结果表明, 2005年和2010年城市建成区面积占比与PM2.5浓度回归系数高值区主要分布在云贵川城市群, 而2015年和2020年城市建成区面积占比与PM2.5浓度回归系数高值区从云贵川向东北延申, 覆盖中国大部分地区.

（3）O3从PPS到DS全国整体呈现污染持续加剧的变化特征, 发达阶段O3污染程度最为严重. 2005~2020年建成区面积占比上升提高O3浓度的区域主要分布在中国中部和西部.

（4）2005年和2010年城市建成区面积占比上升导致PM2.5和O3浓度同时上升的区域主要分布在长江三角洲地区、云贵川地区以及陕甘宁地区；而2015年和2020年城市建成区面积占比上升导致PM2.5和O3浓度同时上升的区域广泛分布于中国中部和东部.

参考文献
[1] Zhang H, Chen M X, Liang C. Urbanization of county in China: spatial patterns and influencing factors[J]. Journal of Geographical Sciences, 2022, 32(7): 1241-1260. DOI:10.1007/s11442-022-1995-4
[2] 毕佳港, 诸培新, 张明斗, 等. 土地城市化对生态环境质量的影响研究——基于"本地—邻地"视角的分析[J]. 地理科学进展, 2023, 42(10): 2033-2046.
Bi J G, Zhu P X, Zhang M D, et al. Impact of land urbanization on the quality of the ecological environment: analysis based on the local-neighboring area perspective[J]. Progress in Geography, 2023, 42(10): 2033-2046. DOI:10.18306/dlkxjz.2023.10.014
[3] 严翔, 成长春, 贾亦真. 中国城镇化进程中产业、空间、人口对能源消费的影响分解[J]. 资源科学, 2018, 40(1): 216-225.
Yan X, Cheng C C, Jia Y Z. Effect decomposition of industry, space and population on energy consumption during Chinese urbanization[J]. Resources Science, 2018, 40(1): 216-225.
[4] 戴菲, 陈明, 王敏, 等. 城市街区形态对PM10、PM2.5的影响研究——以武汉为例[J]. 中国园林, 2020, 36(3): 109-114.
Dai F, Chen M, Wang M, et al. Effect of urban block form on reducing particulate matter: a case study of Wuhan[J]. Chinese Landscape Architecture, 2020, 36(3): 109-114.
[5] 杨新兴, 冯丽华, 尉鹏. 大气颗粒物PM2.5及其危害[J]. 前沿科学, 2012, 6(1): 22-31.
Yang X X, Feng L H, Wei P. Air particulate matter PM2.5 in Beijing and its harm[J]. Frontier Science, 2012, 6(1): 22-31.
[6] 邹滨, 蒲强, 罗岳平, 等. 城市PM2.5污染防控多指标空间区划研究[J]. 安全与环境学报, 2016, 16(1): 337-342.
Zou B, Pu Q, Luo Y P, et al. On the complex indicative system based on the spatially divided urban areas for PM2.5 pollution & control[J]. Journal of Safety and Environment, 2016, 16(1): 337-342.
[7] 张小曳, 徐祥德, 丁一汇, 等. 2013~2017年气象条件变化对中国重点地区PM2.5质量浓度下降的影响[J]. 中国科学: 地球科学, 2019, 62(4): 483-500.
Zhang X Y, Xu X D, Ding Y H, et al. The impact of meteorological changes from 2013 to 2017 on PM2.5 mass reduction in key regions in China[J]. Science China Earth Sciences, 2019, 62(12): 1885-1902.
[8] 张新民, 范西彩, 赵文娟, 等. 关于O3和PM2.5协同控制的一些思考[J]. 环境影响评价, 2021, 43(2): 25-29.
Zhang X M, Fan X C, Zhao W J, et al. Some thoughts on coordinated control of O3 and PM2.5[J]. Environmental Impact Assessment, 2021, 43(2): 25-29.
[9] Wang T, Xue L K, Brimblecombe P, et al. Ozone pollution in China: a review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 2017, 575: 1582-1596. DOI:10.1016/j.scitotenv.2016.10.081
[10] 何超, 慕航, 杨璐, 等. 中国暖季近地面臭氧浓度空间格局演变及主要气象驱动因素[J]. 环境科学, 2021, 42(9): 4168-4179.
He C, Mu H, Yang L, et al. Spatial variation of surface ozone concentration during the warm season and its meteorological driving factors in China[J]. Environmental Science, 2021, 42(9): 4168-4179.
[11] Fang C L, Wang Z B, Xu G. Spatial-temporal characteristics of PM2.5 in China: a city-level perspective analysis[J]. Journal of Geographical Sciences, 2016, 26(11): 1519-1532. DOI:10.1007/s11442-016-1341-9
[12] 张殷俊, 陈曦, 谢高地, 等. 中国细颗粒物(PM2.5)污染状况和空间分布[J]. 资源科学, 2015, 37(7): 1339-1346.
Zhang Y J, Chen X, Xie G D, et al. Pollution status and spatial distribution of PM2.5 in China[J]. Resources Science, 2015, 37(7): 1339-1346.
[13] 栗泽苑, 杨雷峰, 华道柱, 等. 2013~2018年中国近地面臭氧浓度空间分布特征及其与气象因子的关系[J]. 环境科学研究, 2021, 34(9): 2094-2104.
Li Z Y, Yang L F, Hua D H, et al. Spatial pattern of surface ozone and its relationship with meteorological variables in China during 2013-2018[J]. Research of Environmental Sciences, 2021, 34(9): 2094-2104.
[14] 牛笑笑, 钟艳梅, 杨璐, 等. 2015~2020年中国城市PM2.5-O3复合污染时空演变特征[J]. 环境科学, 2023, 44(4): 1830-1840.
Niu X X, Zhong Y M, Yang L, et al. Spatiotemporal evolution characteristics of PM2.5-O3 compound pollution in Chinese cities from 2015 to 2020[J]. Environmental Science, 2023, 44(4): 1830-1840.
[15] 李斌, 王志刚, 王敏玲, 等. 2016~2020年烟台市大气PM2.5和O3时空分布特征及协同控制探讨[A]. 见: 中国环境科学学会2021年科学技术年会论文集[C]. 天津: 中国环境科学学会, 2021.
[16] 隋玟萱, 王颢樾, 唐晓, 等. 山东省2015年PM2.5和O3污染时空分布特征[J]. 中国环境监测, 2019, 35(2): 59-69.
Sui W X, Wang H Y, Tang X, et al. Spatial-temporal distribution characteristics of PM2.5and O3 over Shandong province in 2015[J]. Environmental Monitoring in China, 2019, 35(2): 59-69.
[17] 汪庆, 骆慧晓, 孟文芳, 等. 邯郸市PM2.5和O3污染特征及潜在源分析[J]. 环境科学学报, 2023, 43(4): 53-69.
Wang Q, Luo H X, Meng W F, et al. Analysis of characteristics and potential sources of PM2.5 and O3 pollution in Handan[J]. Acta Scientiae Circumstantiae, 2023, 43(4): 53-69.
[18] 王浩琪, 张裕芬, 罗忠伟, 等. 基于EOF分解和KZ滤波的2019~2021年中国臭氧时空变化及驱动因素分析[J]. 环境科学, 2023, 44(4): 1811-1820.
Wang H Q, Zhang Y F, Luo Z W, et al. Spatial-temporal variation and driving factors of ozone in China from 2019 to 2021 based on EOF technique and KZ filter[J]. Environmental Science, 2023, 44(4): 1811-1820.
[19] 葛岂序, 刘岩, 杨洪, 等. 2015~2019年河南省PM2.5时空特征与驱动因素分析[J]. 环境科学, 2022, 43(4): 1697-1705.
Ge Q X, Liu Y, Yang H, et al. Analysis on spatial-temporal characteristics and driving factors of PM2.5 in Henan province from 2015 to 2019[J]. Environmental Science, 2022, 43(4): 1697-1705.
[20] 蔡子颖, 郝囝, 韩素芹, 等. 2000~2020年天津PM2.5质量浓度演变及驱动因子分析[J]. 环境科学, 2022, 43(3): 1129-1139.
Cai Z Y, Hao J, Han S Q, et al. Analysis of change and driving factors of PM2.5 mass concentration in Tianjin from 2000 to 2020[J]. Environmental Science, 2022, 43(3): 1129-1139.
[21] Guo J P, Xia F, Zhang Y, et al. Impact of diurnal variability and meteorological factors on the PM2.5-AOD relationship: implications for PM2.5 remote sensing[J]. Environmental Pollution, 2017, 221: 94-104. DOI:10.1016/j.envpol.2016.11.043
[22] Feng H H, Zou B, Tang Y M. Scale- and region-dependence in landscape-PM2.5 correlation: implications for urban planning[J]. Remote Sensing, 2017, 9(9). DOI:10.3390/rs9090918
[23] 刘冰, 赵修军, 李光辉, 等. 周口市近地面臭氧浓度变化特征及其影响因素分析[J]. 地理空间信息, 2022, 20(1): 46-48, 78.
Liu B, Zhao X J, Li G H, et al. Surface ozone concentration variation characteristics and influencing factors in Zhoukou city[J]. Geospatial Information, 2022, 20(1): 46-48, 78. DOI:10.3969/j.issn.1672-4623.2022.01.011
[24] 李梓铭, 孙兆彬, 邵勰, 等. 北京城区PM2.5不同时间尺度周期性研究[J]. 中国环境科学, 2017, 37(2): 407-415.
Li Z M, Sun Z B, Shao X, et al. Using Morlet wavelet analysis to analyze multiple time scale periodically in PM2.5 in Beijing[J]. China Environmental Science, 2017, 37(2): 407-415.
[25] Milojevic A, Niedzwiedz C L, Pearce J, et al. Socioeconomic and urban-rural differentials in exposure to air pollution and mortality burden in England[J]. Environmental Health, 2017, 16. DOI:10.1186/s12940-017-0314-5
[26] 杨晓燕, 贾秋淼, 孙大利, 等. 京津冀主要大城市经济发展中城市化与大气环境质量的关系[J]. 岩矿测试, 2021, 40(2): 273-284.
Yang X Y, Jia Q M, Sun D M, et al. Research on the relationship between urbanization and atmospheric environmental quality in the economic development of major cities in Beijing—Tianjin—Hebei region[J]. Rock and Mineral Analysis, 2021, 40(2): 273-284.
[27] 蔺雪芹, 王岱. 中国城市空气质量时空演化特征及社会经济驱动力[J]. 地理学报, 2016, 71(8): 1357-1371.
Lin X Q, Wang D. Spatio-temporal variations and socio-economic driving forces of air quality in Chinese cities[J]. Acta Geographica Sinica, 2016, 71(8): 1357-1371.
[28] 王曦, 郑敏. 2000—2018年中国PM2.5时空分布特征及驱动因素分析[A]. 见: 中国环境科学学会2022年科学技术年会——环境工程技术创新与应用分会场论文集(一)[C]. 南昌: 中国环境科学学会环境工程分会, 2022.
[29] 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 PM2.5 concentrations in the Yangtze River Delta[J]. Acta Geographica Sinica, 2021, 76(5): 1274-1293.
[30] 张政, 周廷刚, 周志衡, 等. 长江中游城市群城市化对PM2.5浓度的多尺度驱动机制[J]. 环境科学, 2024, 45(3): 1304-1314.
Zhang Z, Zhou T G, Zhou Z H, et al. Multi-scale driving mechanism of urbanization on PM2.5 concentration in urban agglomeration in the middle reaches of the Yangtze River[J]. Environmental Science, 2024, 45(3): 1304-1314.
[31] 李源, 肖致美, 毕晓辉, 等. 天津市"十三五"期间O3污染特征和驱动因子[J]. 环境科学, 2023, 44(8): 4241-4249.
Li Y, Xiao Z M, Bi X H, et al. Characteristics and driving factors of O3 pollution during 13th five-year period in Tianjin[J]. Environmental Science, 2023, 44(8): 4241-4249.
[32] 黄小刚, 邵天杰, 赵景波, 等. 长三角城市群臭氧浓度的时空分异及驱动因素[J]. 长江流域资源与环境, 2019, 28(6): 1434-1445.
Huang X G, Shao T J, Zhao J B, et al. Spatio-temporal differentiation of ozone concentration and its driving factors in Yangtze river delta urban agglomeration[J]. Resources and Environment in the Yangtze Basin, 2019, 28(6): 1434-1445.
[33] 王秋红, 李维杰, 王勇, 等. 基于LMDI的城市化不同阶段PM2.5浓度影响因素——以我国5个特大城市群为例[J]. 中国环境科学, 2021, 41(11): 5069-5078.
Wang Q H, Li W J, Wang Y, et al. Socio-economic factors of PM2.5 concentrations in different urbanization stages based on LMDI: A case study of China's five mega-large urban agglomerations[J]. China Environmental Science, 2021, 41(11): 5069-5078. DOI:10.3969/j.issn.1000-6923.2021.11.013
[34] 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
[35] 燕丽, 雷宇, 张伟. 我国区域大气污染防治协作历程与展望[J]. 中国环境管理, 2021, 13(5): 61-68.
Yan L, Lei Y, Zhang W. Progress and prospect of regional air pollution prevention and control cooperation in China[J]. Environmental Conformity Assessment, 2021, 13(5): 61-68.
[36] 袁晓玲, 李朝鹏, 方恺. 中国城镇化进程中的空气污染研究回顾与展望[J]. 经济学动态, 2019(5): 88-103.
Yuan X L, Li C P, Fang K. Retrospect and prospect of research on air pollution in the context of China's urbanization[J]. Economic Perspectives, 2019(5): 88-103.
[37] 陈明星, 陆大道, 张华. 中国城市化水平的综合测度及其动力因子分析[J]. 地理学报, 2009, 64(4): 387-398.
Chen M X, Lu D D, Zhang H. Comprehensive evaluation and the driving factors of China's urbanization[J]. Acta Geographica Sinica, 2009, 64(4): 387-398. DOI:10.3321/j.issn:0375-5444.2009.04.001
[38] 刘艳军, 李诚固. 城市化综合水平测度初探——以我国15个副省级城市为例[J]. 世界地理研究, 2005, 14(2): 38-43.
Liu Y J, Li C G. Research on the comprehensive measurement of urbanization level tentatively a case study on 15 vice provincial cities of our country[J]. World Regional Studies, 2005, 14(2): 38-43.
[39] 李沈鑫, 邹滨, 张凤英, 等. PM2.5和O3污染协同防控区的遥感精细划定与分析[J]. 环境科学, 2022, 43(10): 4293-4304.
Li S X, Zou B, Zhang F Y, et al. Regionalization and analysis of PM2.5 and O3 synergetic prevention and control areas based on remote sensing data[J]. Environmental Science, 2022, 43(10): 4293-4304.
[40] Qi Y J, Yang Y, Jin F J. China's economic development stage and its spatio-temporal evolution: a prefectural-level analysis[J]. Journal of Geographical Sciences, 2013, 23(2): 297-314. DOI:10.1007/s11442-013-1011-0
[41] 张颖, 赵民. 论城市化与经济发展的相关性——对钱纳里研究成果的辨析与延伸[J]. 城市规划汇刊, 2003(4): 10-18.
Zhang Y, Zhao M. Urbanization and economic development: review and extension of Hollis Chenery's study[J]. Urban Planning Forum, 2003(4): 10-18.
[42] 阿荣高娃, 孙根年, 乔少辉, 等. 内蒙古A级景区客流量估算模型——5个单因素方差分析与多元回归建模[J]. 干旱区资源与环境, 2019, 33(12): 193-200.
Ah R G, Sun G N, Qiao S H, et al. Models for estimation of tourist flow in A-class scenic spots in Inner Mongolia[J]. Journal of Arid Land Resources and Environment, 2019, 33(12): 193-200.
[43] 乔莉, 董大钧. 利用Excel的FINV()函数建立F分布表[J]. 企业导报, 2012(21): 217.
[44] Fotheringham A S, Yue H, Li Z Q. 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.
[45] Fotheringham A S, Yang W B, Kang W. Multiscale geographically weighted regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6): 1247-1265.
[46] 周志凌, 程先富. 基于MGWR模型的中国城市PM2.5影响因素空间异质性[J]. 中国环境科学, 2021, 41(6): 2552-2561.
Zhou Z L, Cheng X F. Spatial heterogeneity of influencing factors of PM2.5 in Chinese cities based on MGWR model[J]. China Environmental Science, 2021, 41(6): 2552-2561.