2025, Vol. 46
2. 长安大学旱区地下水文与生态效应教育部重点实验室，西安 710064
2. Key Laboratory of Subsurface Hydrology and Ecological Effect in Arid Region, Ministry of Education, Chang'an University, Xi'an 710064, China
当今大气PM2.5污染引发了一系列人体健康的问题[1].有研究表明，PM2.5浓度增加会导致大气能见度下降[2，3]，长期暴露在PM2.5高浓度环境之下，可能会引发呼吸道和心血管等一系列疾病[4~9]，给人体健康带来严重的威胁.中国每年有超过125万人因长期暴露于严重污染的空气中而过早死亡，约占全世界的40%[10].“十一五”与“十二五”期间，我国出台了一系列的大气污染防治法律法规与污染防控措施，PM2.5浓度呈显著下降，但环境污染与人体健康的矛盾依然严峻[11].目前，城市群已经成为促进我国新型城镇化发展和增加全球竞争力的一个关键组成部分[12]，对中国经济社会发展有着巨大影响.然而，城市群中快速增长的人口加剧了对资源的需求，也加重了对生态环境的影响，它们也面临日益严重的环境和气候问题.中国城市群是PM2.5人口暴露高风险高聚集地，人群暴露风险问题具有复杂性和特殊性.为此，迫切需要以中国城市群为研究对象，开展PM2.5人口暴露风险的时空演变规律和驱动机制研究，对我国开展“一城一策”的大气污染治理战略和改善人居环境具有重要意义.
针对PM2.5人口暴露风险，国内外学者在其空间分布[13]、风险评价[14]和影响因素[15]等方面展开了大量研究工作.大尺度和长时间序列的PM2.5人口暴露风险研究逐渐涌现.如张亮林等[16]对中国尺度PM2.5人口暴露风险的时空分布探究，肖嘉玉等[17，18]对中国城市空气污染的人口暴露风险等级的研究，黄晓军等[19]对关中地区PM2.5人口暴露风险的时空分布探讨等.前人研究大多仅从国家或城市区域尺度分析PM2.5暴露对人体健康的影响[19]，以城市群为评价单元的空间化研究案例尚不多见.且在风险评价的研究中，大多都是单一的探讨PM2.5人口暴露的等级，未对人口暴露风险的模式、等级和机制等进行综合的探讨.因此，本文以中国城市群为研究对象，通过PM2.5和人口遥感大数据，大尺度范围，长时间序列，开展中国城市群PM2.5人口暴露风险的时空演变及其驱机制研究，对人口暴露风险的等级、模式和机制等进行综合风险评价.
此外，PM2.5人口暴露风险给人体健康带来严重威胁，通过识别各城市群人口暴露风险的影响因子，揭示城市群人口暴露风险驱动机制尤为重要.目前对影响因素的研究中，王相男等[20]选取了自然因子，对天山北坡城市群PM2.5影响因素进行了识别. 张军等[21]利用地理探测器和传统地理加权回归结合，探究关中平原城市群PM2.5影响因素的空间异质性.从影响因子研究方法来看，研究多采用相关性分析、地理探测器、传统线性回归模型和空间计量经济学模型等方法[22].以往研究在因子选取时大多只选取自然因子或社会经济因子，在研究方法上，一般只单一选取地理探测器或者地理加权回归方法.然而，只选取自然因子或者社会经济因子时具有局限性，不便于从来源-途径-受体全面开展研究.且一些常规方法也具有局限性，如单一使用地理探测器只能定性识别主要影响因子，而忽视空间异质性的问题，当结合传统地理加权回归后，虽可以解决影响因子空间异质性问题，但该模型仅关注空间维度，而忽视了时间维度.然而，时空地理加权回归模型加入了时间维度，同时兼顾了时空非平稳特性[23].因此，本文从来源、扩散和清除这3个方面，选取了自然和社会的8个影响因子，利用地理探测器，识别出中国19个城市群PM2.5人口暴露风险的主控影响因子后，再利用时空地理加权回归将全部影响因子回归系数局部空间可视化，从而深入探究和揭示各个城市群的PM2.5人口暴露风险驱动机制.
基于上述文献梳理，本文从环境地理学视角出发，采用人口暴露风险模型和空间自相关方法，分析2000~2021年中国城市群PM2.5人口暴露风险的时空演变格局，并用地理探测器结合时空地理加权回归，识别人口暴露风险的主控影响因子，并分析其时空差异性，深入探究中国各个城市群PM2.5人口暴露驱动机制，旨在为中国城市群大气污染防治和PM2.5人口暴露风险提供理论和实证依据.
1 材料与方法 1.1 研究区概况本文以《国家新型城镇化规划（2014~2020）》提出的未来稳步建设的19个城市群为研究区（图1）. 19个城市群包括5个国家级的大城市群（京津冀城市群、长江三角洲城市群、珠江三角洲城市群、长江中游城市群和成渝城市群），8个区域性中等城市群（辽中南城市群、山东半岛城市群、海峡西岸城市群、哈长城市群、中原城市群、江淮城市群、关中平原城市群、北部湾城市群和天山北坡城市群）和6个地区性小城市群（晋中城市群、呼包鄂榆城市群、滇中城市群、黔中城市群、兰西城市群和宁夏沿黄城市群）[24].
|
图 1 研究区概况 Fig. 1 Overview of the study area |
数据源由以下9个部分组成:①PM2.5浓度数据. 2000~2021年中国城市群PM2.5浓度数据，来源于国家地球系统科学数据中心（http://www.geodata.cn），空间分辨率为1 km. ②工业产业结构采用了第二产业值占GDP的比例来表示，数据来源于《中国城市统计年鉴》. ③夜间灯光数据表征能源消费情况，数据来自于国家地球系统科学数据中心（http://www.geodata.cn），空间分辨率为1 km. ④人口密度数据由人口数量栅格数据计算得到，人口数量栅格数据来自于ScientificData的WorldPop数据集，空间分辨率为1 km.⑤环境规制是指为了保护环境、预防和控制污染及其他形式的环境退化而由政府或国际组织制定的标准和政策.环境规制数据由政府工作报告中与“绿色”、“低碳”、“生态”、“环境保护”等词的相关词汇出现的词频作为环境治理的代理变量，数据来源于《中国环境统计年鉴》. ⑥年均气温和年均风速数据均来自于中国气象数据网（http://data.cma.cn/），空间分辨率为1 km. ⑦NDVI数据来源于EarthData（https://search.earthdata.nasa.gov/search），空间分辨率为1 km.⑧降水数据来源于国家地球系统科学数据中心（http://www.geodata.cn/myspace/），空间分辨率为1 km.⑨基础地理信息数据:中国城市群界线数据获取自国家基础地理信息中心，基于国家测绘地理信息局标准地图服务网站（http://211.159.153.75）下载的审图号为GS（2022）4309号标准地图制作，底图无修改.
1.3 研究方法 1.3.1 人口暴露风险模型传统暴露评估方法为:暴露量=人口密度×污染物浓度，虽可量化区域内的人口污染暴露强度，但无法直接区分某空间子单元内PM2.5人口暴露相对于空间单元整体的严重程度[25].因此本文采用如下计算公式，弥补传统暴露评估方法的不足[26]，量化中国城市群PM2.5人口暴露风险程度，其计算公式如下:
| (1) |
式中，i为研究区内所创建的格网；n为研究区域的格网数；Ri为研究区的PM2.5人口暴露风险值；ci为研究区的PM2.5浓度值；POPi为研究区的人口数；其中本研究的格网大小为100 m×100 m.
1.3.2 空间自相关分析全局莫兰指数（Moran's I）可以描述中国城市群PM2.5人口暴露风险在整体空间分布上的集聚情况[27]，计算公式为:
| (2) |
式中，xi和xj为城市群内i和j城市的PM2.5浓度；x为城市群整体PM2.5人口暴露风险均值；wij为空间权重矩阵中的第i行第j列的一个元素，以度量区域i与区域j之间的距离；n为城市群内城市的数量.莫兰指数的取值在[-1，1]之间，I<0，为空间负相关，表明PM2.5人口暴露风险污染倾向于空间分散；I>0，为空间正相关，表明PM2.5人口暴露风险倾向于空间聚集；I=0，则表明PM2.5人口暴露风险在空间上为随机分布.
局部空间自相关可检验变量在局部地区的相似性[28]，本文采用局部I指数来判断PM2.5浓度和人口暴露风险在局域上的关联程度．计算公式为:
| (3) |
式中，Ii为局部空间自相关指数；xi和xj分别为空间单元i和j的PM2.5浓度值或人口暴露风险值；N为空间单元数量；wij为空间权重矩阵．当Ii>0时，表示一个高值被高值所包围（H-H），或是一个低值被低值所包围（L-L）；当Ii<0时，表示一个高值被低值所包围（H-L），或是一个低值被高值所包围（L-H）．
1.3.3 地理探测器地理探测器是探测地理要素空间分异性，以及揭示其背后驱动因子的一种新的统计学方法[29]，该模型的基本原理是:当自变量和因变量在空间上的分布规律相近时，自变量会对因变量产生影响[30].地理探测器具有操作简便、无线性假设等优点.目前已在地理、生态、环境和社会学等领域广泛应用[31].计算公式如下:
| (4) |
式中，L为影响因子的分类数量，N为城市数量；Nh为类别h的城市数；σ2和σh2分别为PM2.5人口暴露风险在每个城市群的方差和PM2.5人口暴露风险在类别h区域的方差；q用来度量PM2.5人口暴露风险的空间分异性以及某因子对PM2.5人口暴露风险空间分异的解释力.
1.3.4 时空地理加权回归时空地理加权回归模型是一个局部线性回归模型，可以同时解释空间和时间的非平稳性[32，33].该模型可以有效地减少模型及参数估计误差，它可以全面地反映出数据的时空差异性[34，35]，可以满足复杂时空数据的分析需要[36，37].计算公式如下:
| (5) |
式中，Yi为中国市域i的响应变量；（ui，vi，ti）为市域i的坐标，ui为经度，vi为维度，ti为时间；β0（ui，vi，ti）为市域i的回归截距；βk（ui，vi，ti）为第k个解释变量在市域i上的回归系数；Xik为第k个解释变量在市域i上的数据；εi为市域i的误差项.
2 结果与分析 2.1 中国城市群PM2.5浓度时空变化规律2000~2021年PM2.5浓度时空变化见图2，2000~2021年中国城市群PM2.5浓度年均值呈现“先上升后下降”的变化态势，结合PM2.5年均浓度值变化以及国家环保政策的实施部署[38]，可将2000~2021年PM2.5浓度年均值时序变化分为二个阶段.第一阶段为:上升期（2000~2013年），ρ（PM2.5）年均值从40.631 μg·m-3增至45.913 μg·m-3.在此阶段，由于经济与城市化快速发展，各城市群碳排放量逐渐增加，导致这一期间中国城市群PM2.5污染较为严重.其中成渝城市群、京津冀城市群、山东半岛城市群、长江中游城市群和中原城市群等PM2.5浓度显著增高，而滇中城市群的PM2.5浓度保持不变，其余城市群PM2.5浓度年均值均有不同程度的增加.第二阶段为:下降期（2013~2021年），ρ（PM2.5）年均值从45.913 μg·m-3下降至32.925 μg·m-3.国家为改善空气质量，2013年印发《大气污染防治行动计划》，随着计划不断实施，PM2.5浓度年均值有明显降低态势.其中北部湾城市群、滇中城市群、黔中城市群和珠三角城市群ρ（PM2.5）年均值在2020年后都降低至25 μg·m-3以下，京津冀城市群、山东半岛城市群、山西中部城市群和中原城市群PM2.5浓度年均值虽有显著下降，但浓度仍在35 μg·m-3以上，其余城市群PM2.5年均浓度均有不同程度地降低.
|
图 2 2000~2021年PM2.5 浓度时空变化 Fig. 2 Spatiotemporal variation of PM2.5 concentration from 2000 to 2021 |
2000~2021年人口密度时空变化见图3，2000~2021年中国城市群人口密度逐年增加，但增幅较小.城市群之间由于经济发展水平不同，城市群之间的人口密度也不相同.其中珠三角城市群、中原城市群、长三角城市群和山东半岛城市群人口密度较高，均在400人·km-2以上.天山北坡城市群、宁夏沿黄城市群、呼包鄂榆城市群和哈长城市群等地处偏僻，经济发展水平较低，大部分人口迁移外地，因此人口密度也较低.2000~2021年中，珠三角城市群和长三角城市群人口密度显著增加，其中珠三角城市群人口密度由350人·km-2增加至865人·km-2，长三角城市群人口密度由352人·km-2增加至546人·km-2，而天山北坡城市群和呼包鄂榆城市群等人口密度增加不显著，依旧保持在50人·km-2以下，其余城市群人口密度均有不同程度的增加.
|
图 3 2000~2021年人口密度时空变化 Fig. 3 Spatiotemporal variation of population density from 2000 to 2021 |
2000~2021年中国城市群PM2.5人口暴露时序风险变化见图4.为便于分析，本文在参考前人研究的基础上，将PM2.5人口暴露风险分为5个级别:低风险（0<Ri≤1）、较低风险（1<Ri≤2）、较高风险（2<Ri≤3）、高风险（3<Ri≤5）和极高风险（Ri>5）[39].由图可知，2000~2021年中国各个城市群PM2.5人口暴露风险变化差异显著.其中珠三角城市群变化明显，在2002年后暴露风险等级由较低风险变为了高风险，中原城市群、长三角城市群、山西中部城市群、山东半岛城市群、辽中南城市群和京津冀城市群人口暴露风险均较高，且变化不太明显.天山北坡城市群、呼包鄂榆城市群、关中平原城市群和北部湾城市群等21 a来皆为低暴露风险，波动变化的幅度较小.黔中城市群仅在2015年和2019年为较低暴露风险，其余年份皆为较高暴露风险.
|
图 4 2000~2021年中国城市群PM2.5 人口暴露风险时序变化 Fig. 4 Temporal changes of PM2.5 exposure risk in urban agglomerations from 2000 to 2021 |
2000~2021年中国城市群PM2.5人口暴露空间分布见图5，2000~2021年中国各个城市群PM2.5人口暴露风险变化差异显著.京津冀城市群、长三角城市群和山西中部城市群属于PM2.5人口暴露极高风险区，其中京津冀城市群和长三角城市群由于经济发展水平高，大量人口迁移至此，导致人口密度高，且工业化水平较高，造成PM2.5排量较多，因此引发其较高的人口暴露风险. 山西中部城市群煤炭业发达，工矿产业的兴盛导致PM2.5排放量大，因此其人口暴露风险高.中原城市群、山东半岛城市群和珠三角城市群等属于PM2.5人口暴露高风险区，山东半岛城市群和中原城市群经济发展水平较高，人口密度较大，PM2.5排放量大，因此人口暴露风险处于高风险.珠三角城市群地域面积小，但经济发展水平高，其人口密度极高，在2014年以后，政府对环境加大治理力度，PM2.5排放量大幅减少，不过其人口暴露风险依旧处于较高风险区.成渝城市群、长江中游城市群和海峡西岸城市群等属于PM2.5人口暴露较低风险区，以上城市群普遍经济发展水平适中，人口密度较高.天山北坡城市群、兰西城市群、宁夏沿黄城市群、呼包鄂榆城市群、北部湾城市群和关中平原城市群等属于PM2.5人口暴露低风险区，以上城市群人口密度普遍偏低，经济发展水平与其他城市群相比较为落后.
|
图 5 2000~2021年中国城市群PM2.5 人口暴露风险空间分布 Fig. 5 Spatial distribution of PM2.5 exposure risk in urban agglomerations from 2000 to 2021 |
本文以2000年、2010年和2021年为时间截面，分析中国城市群PM2.5人口暴露风险空间集聚变化特征.由空间自相关分析结果可知，3个年份的全局I均大于0（见表1），历年PM2.5人口暴露风险在空间上呈现出显著的正相关，空间集聚特征明显.
|
表 1 中国城市群PM2.5 人口暴露风险全局I Table 1 PM2.5 exposure risk in urban agglomerations in China: global I |
2000~2021年中国城市群PM2.5人口暴露风险局部空间集聚类型见图6，进一步对2000年、2010年和2021年PM2.5人口暴露风险进行局部自相关聚类分析，结果发现:①中国城市群PM2.5人口暴露风险在空间分布存在显著的自相关关系，即空间上呈集聚分布，PM2.5人口暴露风险指数高值与高值集聚，低值与低值相邻. ②测算了2000年、2010年和2021年中国城市群PM2.5人口暴露风险指数局部空间集聚特征，局部空间自相关存在H-H（高-高）、H-L（高-低）、L-L（低-低）空间集聚类型和L-H（低-高）空间离群类型这4种空间关联模式，且局部空间自相关格局基本相似.③H-H型空间分布呈团聚状，且范围变化不大，主要集中在山西中部城市群、辽中南城市群和成渝城市群等.以上区域是中国城市群工业发达的城市建成区，地形较复杂，污染排放量多. H-L型主要分布在哈长城市群和呼包鄂榆城市群等，以上区域经济发展水平较低，能源消耗量大. L-H型主要分布在京津冀城市群和中原城市群等. L-L型主要分布在长三角城市群和山东半岛城市群，以上城市群人口密度高，能源消耗量大.
|
图 6 2000~2021年中国城市群PM2.5 人口暴露风险局部空间集聚类型 Fig. 6 Types of local spatial agglomeration of PM2.5 population exposure risk in urban agglomerations from 2000 to 2021 |
基于文献梳理，从PM2.5人口暴露风险影响因子的来源、扩散和清除这3个方面，选取了8个影响因子.其中为方便识别，将影响因子进行有序化命名:年均风速（X1）、年降水量（X2）、植被覆盖度（X3）、年均气温（X4）、工业结构（X5）、能源消耗（X6）、人口密度（X7）和环境规制（X8）.利用地理探测器对中国城市群PM2.5人口暴露风险影响因子进行识别，将影响权重较大的前3位影响因子进行排序（表2）.从表2可以得出，2000年时，呼包鄂榆城市群、长三角城市群、海峡西岸城市群、中原城市群、山东半岛城市群、珠三角城市群、成渝城市群、滇中城市群和关中平原城市群人口暴露风险受自然因子影响较大.其余城市群受人为因子影响较大. 2010年时，京津冀城市群、山西中部城市群、辽中南城市群、哈长城市群、北部湾城市群、兰西城市群和宁夏沿黄城市群人口暴露风险由人为因子主控变为自然因子主控，而海峡西岸城市群、中原城市群、珠三角城市群和关中平原城市群暴露风险主控因子则转变为人为因子. 2021年时，哈长城市群、成渝城市群和宁夏沿黄城市群由于经济的发展，其人口暴露风险主控因子又转变为人为因子，而长三角城市群、长江中游城市群和珠三角城市群由于政府的环境治理，其风险主要受自然因素影响.综上，根据2000~2021年均值可知，呼包鄂榆城市群、辽中南城市群、山东半岛城市群、珠三角城市群和滇中城市群暴露风险主要受自然因子影响较大，在自然因子中，年降水量和年均气温因子权重较大，其余城市群受人为因子影响较大，在人为因子中，人口密度和环境规制因子权重较大.
|
|
表 2 中国城市群PM2.5 人口暴露风险前3位影响因子1） Table 2 Top three influencing factors of PM2.5 exposure risk in urban agglomerations |
2.6.2 中国城市群PM2.5人口暴露风险影响因素时空分异特征
本研究选取拟合优度R2和AICc作为评价分异模型置信度的指标，对参数估计结果进行分析（表3）.本文分别使用普通最小二乘法（OLS）、时间加权回归模型（TWR）、地理加权回归模型（GWR）和时空地理加权回归模型（GTWR）对PM2.5人口暴露风险和其影响因素进行回归分析，对4个模型的回归结果进行比较，以验证GTWR模型的适用性与准确性，结果如表3所示.从中可知，GTWR模型的拟合度R2最高，为0.869 4，与其它3种模型相比，有很大的改进.因此，GTWR模型能够较好地从时间和空间两个角度来说明8个影响因子对中国城市群PM2.5人口暴露风险影响的时空差异.
|
|
表 3 模型评价指标对比 Table 3 Comparison of model evaluation indicators |
由于19个城市群各年份主控影响因子差异较大，需对全部因子进行空间可视化分析，因此本研究将8个影响因子基于GTWR平均回归系数定量空间可视化（图7）.由PM2.5人口暴露风险因素回归系数时空分布可知，年均风速和年降水量因子对一些城市群人口暴露风险起促进作用，而对大部分城市群暴露风险起抑制作用.对于年均风速因子，于2010年前对天山北坡城市群、兰西城市群和宁夏沿黄城市群起促进作用，在2021年时，范围扩展到关中平原城市群、呼包鄂榆城市群和山西中部城市群等.对于年降水量因子，于2010年后，对滇中城市群、天山北坡城市群和北部湾城市群暴露风险起促进作用，对其余城市群起抑制作用.年均气温和植被覆盖度因子回归系数正值和负值区域相当，说明以上两个因子对各城市群PM2.5人口暴露风险影响的空间差异性明显.年均气温及植被覆盖度因子与中国东南部城市群人口暴露风险主要呈负相关关系，如长江中游城市群和海峡西岸城市群等，而其与京津冀等北部城市群呈正相关关系.我国东南部城市群温度和植被覆盖度普遍高，有利于人口暴露风险的扩散.其中植被覆盖度因子，对人口暴露风险的促进作用于2010年时达到峰值.工业产业结构和人口密度因子回归系数在22 a中均为正值，对中国城市群PM2.5人口暴露风险起正向增强作用.对于人口密度因子，人口密度越高，碳排放量越大，人口暴露风险越高.对于工业产业结构因子，工业化水平越高，越吸引人口聚集，从而导致人口暴露风险增大.能源消耗和环境规制因子回归系数在22 a中均为负值，说明其对中国各个城市群PM2.5人口暴露风险起抑制作用.一般来说，能源消耗越高，暴露风险越大，但在本研究中有新的发现，在早期山西中部城市群需大量燃烧煤炭，导致PM2.5排放量超标.2014年后，在政府政策的干预下，各个城市群积极响应政策，使用清洁型燃料，向清洁型能源转型，大大降低碳排放，对人口暴露风险的影响逐渐减小，因此在这种情况下，能源消耗因子对PM2.5人口暴露风险起抑制作用.对于环境规制因子，政府对于环境的治理，会有效降低人口暴露风险.
|
图 7 PM2.5人口暴露风险影响因素回归系数时空演化格局 Fig. 7 Spatiotemporal evolution pattern of regression coefficients of factors influencing PM2.5 exposure risk |
2000~2021年中国19个城市群PM2.5人口暴露风险变化差异显著.珠三角城市群变化明显，京津冀城市群、长三角城市群和山西中部城市群属于PM2.5人口暴露极高风险区，但其变化的幅度较小，以上城市群PM2.5人口暴露风险主要受年均气温和人口密度影响，这与管庆丹[40]对中国城市群PM2.5人口暴露风险研究一致.其中京津冀城市群和山西中部城市群PM2.5人口暴露风险受能源消耗影响较大，但能源消耗对其暴露风险起抑制作用.一般来说，能源消耗越高，暴露风险越大，但在本研究中有新的发现，各个城市群在政府政策的干预下，使用清洁型燃料，大大降低碳排放，向清洁型能源转型，能源消耗因子对人口暴露风险的影响逐渐减小，因此在这种情况下，能源消耗因子对PM2.5人口暴露风险起抑制作用.
为了对中国城市群PM2.5人口暴露风险进行更综合的评价，在研究暴露等级的基础上，基于四象限模型理论构建中国城市群PM2.5人口暴露风险四象限（图8），对各个城市群的暴露模式进行更深入地探究.四象限模型是基于定性与定量研究相结合来分析景观生态质量和生态系统服务质量的一种工具[41]，可衡量PM2.5浓度与人口密度之间耦合关系[42].该模型以PM2.5浓度为横轴，人口密度为纵轴，根据2005年WHO提出的PM2.5的参考限值，将目前中国采用第一过渡期的及格标准[43]，即35 μg·m-3，作为判断PM2.5浓度排放量的大小，当ρ（PM2.5）超过35 μg·m-3时为排放量高，反之为低，当人口超过400人·km-2为高密度区，反之为低密度区[44]，根据以上标准，将其划分为高、较高、较低和低这4个分区.依据各城市群PM2.5浓度和人口密度，将各城市群归类到不同人口暴露风险模式中，本研究表明属于人口暴露高风险模式的城市群有长三角城市群、中原城市群、京津冀城市群和山东半岛城市群，以上城市群普遍经济发展程度较高，人口密度高，PM2.5排放量大.属于人口暴露较高风险模式的城市群有珠三角城市群和成渝城市群，珠三角城市群经济发展水平高，吸引大量人口，导致人口密度极高，成渝城市群是西部地区人口最密集和产业基础最雄厚的地区，因此人口密度高，暴露风险高.属于人口暴露较低风险模式的城市群有山西中部城市群、长江中游城市群和海峡西岸城市群，以上城市群大力发展工矿企业，能源消耗高，碳排放量大.属于人口暴露低风险模式的城市群有宁夏沿黄城市群、天山北坡城市群、黔中城市群、北部湾城市群、关中平原城市群、呼包鄂榆城市群、辽中南城市群、兰西城市群、哈长城市群和滇中城市群，以上城市群地广人稀，经济发展水平较低，人口密度低，PM2.5排放量低.综上所述，长三角城市群、京津冀城市群、中原城市群和山东半岛城市群PM2.5人口暴露风险高，应对以上城市群重点关注，采取相应的防控措施.对于以上城市群，要大力发展清洁能源，同时可以实行产业转移，制定合理的人口政策，控制人口增长，减少碳排放.
|
图 8 PM2.5 人口暴露风险四象限 Fig. 8 Four-quadrant diagram of PM2.5 population exposure risk |
本研究通过地理探测器识别出各个城市群主控影响因子后，又结合时空地理加权回归，对8个影响因子进行空间可视化分析，探究不同影响因子对各城市群PM2.5人口暴露风险的驱动机制.呼包鄂榆城市群、辽中南城市群、山东半岛城市群、珠三角城市群和滇中城市群暴露风险主要受自然因子影响较大，在自然因子中，年降水量和年均气温因子权重较大.其中年均气温因子主要对东南部城市群暴露风险起抑制作用，对西北部城市群起促进作用，我国东南部地区气温普遍较高，气温升高，可以有效促进PM2.5的挥发，从而抑制人口暴露风险的扩散，吴舒祺等[45]的研究也表明人口暴露风险与气温有关.同时年降水量因子对中国大部分城市群暴露风险起抑制作用，降水可以捕获大气中的颗粒物和气溶胶粒子，使之从大气中清除，同时对地表扬尘有一定的抑制作用[46].其余城市群如京津冀城市群和长三角城市群等受人为因子影响较大，在人为因子中，人口密度和环境规制因子权重较大.其中人口密度因子对中国城市群暴露风险起促进作用，由于人口密度较大区域的生产规模和交通流量较大，工业发展较快，往往造成区域 PM2.5浓度升高[47].对于环境规制因子，政府以保护环境为目的，对污染环境的各种行为进行的规制，可以有效降低PM2.5的排放，抑制人口暴露风险的扩散.综上所述，工业产业结构和人口密度因子对中国城市群PM2.5人口暴露风险起正向增强作用，且以上因子对山东半岛城市、京津冀城市群、长三角城市群和中原城市群作用强度较大，因此应对以上城市群的工业产业结构进行调整，对人口密度进行适当调控.各个城市群根据不同影响因子的驱动机制，制定相应的政策与措施，来降低人口暴露风险.因此，受工业产业结构因子影响大的城市群，应调整产业结构，发展新兴产业和未来产业，积极促进产业升级.受人口密度因子影响大的城市群，同时政府应该制定合理的人口政策与经济政策，控制人口增长，降低人口密度.
本文在前人的研究基础上，对PM2.5人口暴露风险在城市群尺度上进行了进一步的研究和探索.本文以中国城市群为研究对象，不仅系统分析了中国城市群PM2.5人口暴露时空分布格局，而且深入剖析了每个城市群PM2.5人口暴露驱动机制，并对各个城市群的PM2.5人口暴露风险模式进行进一步的探究，为开展国家大气污染治理战略提供理论依据.然而，受数据获取的限制，本文未分析PM2.5人口暴露的季节差异，也没有对不同年龄和不同性别人群进行研究.同时对于PM2.5人口暴露风险驱动机制的研究中，本文未对影响因子的扩散路径和溢出效应等进行深入探讨.在将来的研究中，期望能获取更高精度和更长时间序列的PM2.5和人口格网数据，实现更高精度和多时间尺度的人口暴露研究，同时对不同年龄、不同性别和不同职业的群体受到的人口暴露风险差异开展探索，进一步揭示PM2.5人口暴露风险驱动机制及其不同暴露模式，以期为我国实施一城一策和因城施策的大气污染防控战略提供理论依据.
4 结论（1）2000~2021年，中国城市群PM2.5人口暴露风险时序变化的幅度较小.其中珠三角城市群变化较为明显，在2002年后暴露风险等级由较低风险变为了高风险，中原城市群、长三角城市群、山西中部城市群、山东半岛城市群、辽中南城市群和京津冀城市群人口暴露风险均较高，波动变化的幅度较小.其余城市群暴露风险较低，且变化不显著.
（2）2000~2021年，中国城市群PM2.5人口暴露风险空间变化显著，PM2.5人口暴露高风险区集中在京津冀城市群、长三角城市群和山西中部城市群等，低风险区集中在天山北坡城市群、兰西城市群和宁夏沿黄城市群等.且中国城市群PM2.5人口暴露风险在空间上呈现出显著的正相关，空间集聚特征明显.
（3）呼包鄂榆城市群和辽中南城市群等人口密度较低的城市群暴露风险主要受自然因子影响较大，在自然因子中，年降水量和年均气温因子影响较大，京津冀城市群和长三角城市群等人口密度较高的城市群受人为因子影响较大，在人为因子中，人口密度和环境规制因子影响较大.工业产业结构和人口密度因子回归系数总体上为正，对PM2.5人口暴露风险起正向增强作用.能源消耗和环境规制因子回归系数总体上为负，对PM2.5人口暴露风险起抑制作用.年均风速及年降水量因子主要对天山北坡城市群人口暴露风险起正向增强作用，对其余城市群起负向抑制作用.年均气温及植被覆盖度因子回归系数正值和负值区域相当，其与中国东南部城市群人口暴露风险主要呈负相关关系，与京津冀等北部城市群呈正相关关系.
| [1] |
张永年, 潘竟虎. 基于DMSP/OLS数据的中国碳排放时空模拟与分异格局[J]. 中国环境科学, 2019, 2019 39(4): 1436-1446. Zhang Y N, Pan J H. Spatio-temporal simulation and differentiation pattern of carbon emissions in China based on DMSP/OLS nighttime light data[J]. China Environmental Science, 2019, 2019 39(4): 1436-1446. |
| [2] |
陈红, 张运江, 占青, 等. 基于KZ滤波法分析2015-2021年长三角大气颗粒物趋势变化特征[J]. 环境科学学报, 2023, 43(4): 102-110. Chen H, Zhang Y J, Zhan Q, et al. Characterization of atmospheric particulate matter trends in the Yangtze River Delta from 2015 to 2021 based on KZ filtering approach analysis[J]. Acta Scientiae Circumstantiae, 2023, 43(4): 102-110. |
| [3] |
潘梦瑶, 任瑛, 王思源, 等. 基于梯度提升算法和SHAP的石家庄PM2.5和臭氧浓度预测及影响因素分析[J]. 环境科学学报, 2024, 44(7): 402-409. Pan M Y, Ren Y, Wang S Y, et al. Prediction of PM2.5 and ozone concentration in Shijiazhuang and analysis of influencing factors based on gradient boosting algorithm and SHAP[J]. Acta Scientiae Circumstantiae, 2024, 44(7): 402-409. |
| [4] |
梁晓宇, 单春艳, 孟瑶, 等. 唐山一次冬季重污染过程污染特征及成因分析[J]. 中国环境科学, 2019, 39(5): 1804-1812. Liang X Y, Shan C Y, Meng Y, et al. Characteristics and formation mechanism of a heavy winter air pollution event in Tangshan[J]. China Environmental Science, 2019, 39(5): 1804-1812. |
| [5] |
郑新梅, 胡崑, 王鸣, 等. 南京市南部地区O3污染特征、生成敏感性及传输影响分析[J]. 环境科学, 2023, 44(8): 4231-4240. Zheng X M, Hu K, Wang M, et al. Analysis of O3 pollution characteristics, formation sensitivity, and transport impact in southern Nanjing[J]. Environmental Science, 2023, 44(8): 4231-4240. DOI:10.13227/j.hjkx.202207171 |
| [6] |
李灿然, 布多, 谢民生, 等. 青藏高原城市PM2.5和O3污染特征及影响因素[J]. 中国环境科学, 2024, 44(6): 3060-3069. Li C R, Bu D, Xie M S, et al. Pollution characteristics and influencing factors of PM2.5 and O3 pollution in the cities of Qinghai-Tibet Plateau[J]. China Environmental Science, 2024, 44(6): 3060-3069. |
| [7] |
陆晔宇, 张思, 张轲, 等. 杭州冬季大气细颗粒物污染特征及形成机制[J]. 中国环境科学, 2024, 44(4): 1936-1944. Lu Y Y, Zhang S, Zhang K, et al. Pollution characteristics and formation mechanism of atmospheric fine particulate matter in Hangzhou during winter[J]. China Environmental Science, 2024, 44(4): 1936-1944. |
| [8] | Sharma S K, Mandal T K, Banoo R, et al. Long-term variation in carbonaceous components of PM2.5 from 2012 to 2021 in Delhi[J]. Bulletin of Environmental Contamination and Toxicology, 2022, 109(3): 502-510. |
| [9] |
马本, 秦露, 夏天辰. 中国城市PM2.5污染暴露不平等及其驱动因素——基于Theil指数和LMDI分解[J]. 中国环境科学, 2024, 44(1): 555-566. Ma B, Qin L, Xia T C. Inequality of PM2.5 exposure and its driving factors in China: based on Theil index and LMDI decomposition[J]. China Environmental Science, 2024, 44(1): 555-566. |
| [10] | Liu Y J, Yang Z, Liu Q Y, et al. Study on chemical components and sources of PM2.5 during heavy air pollution periods at a suburban site in Beijing of China[J]. Atmospheric Pollution Research, 2021, 12(4): 188-199. |
| [11] |
杨晓辉, 宋春杰, 范丽行, 等. 京津冀地区高分辨率PM2.5浓度时空变化模拟与分析[J]. 环境科学, 2021, 42(9): 4083-4094. Yang X H, Song C J, Fan L X, et al. High-resolution estimation of spatio-temporal variation in PM2.5 concentrations in the Beijing-Tianjin-Hebei region[J]. Environmental Science, 2021, 42(9): 4083-4094. DOI:10.13227/j.hjkx.202012197 |
| [12] |
王婧, 方创琳. 中国城市群发育的新型驱动力研究[J]. 地理研究, 2011, 30(2): 335-347. Wang J, Fang C L. New-type driving forces of urban agglomerations development in China[J]. Geographical Research, 2011, 30(2): 335-347. |
| [13] |
杨童, 杨显玉, 阮温馨, 等. 2021年冬季四川盆地区域PM2.5重污染事件成因及来源解析[J]. 中国环境科学, 2023, 43(11): 5633-5644. Yang T, Yang X Y, Ruan W X, et al. Attribution and source apportionment of a severe PM2.5 episode in winter 2021 over the Sichuan Basin[J]. China Environmental Science, 2023, 43(11): 5633-5644. |
| [14] |
魏彤, 李政蕾, 陈昱, 等. 长三角居民PM2.5暴露水平下降的健康效益评估[J]. 中国环境科学, 2023, 43(6): 3211-3219. Wei T, Li Z L, Chen Y, et al. Assessment of the health benefits of declining PM2.5 levels in the Yangtze River Delta[J]. China Environmental Science, 2023, 43(6): 3211-3219. |
| [15] | Tian Y, DeSouza P, Mora S, et al. Evaluating the meteorological effects on the urban form-air quality relationship using mobile monitoring[J]. Environmental Science & Technology, 2022, 56(11): 7328-7336. |
| [16] |
张亮林, 潘竟虎. 中国PM2.5人口暴露风险时空格局[J]. 中国环境科学, 2020, 40(1): 1-12. Zhang L L, Pan J H. Spatial-temporal pattern of population exposure risk to PM2.5 in China[J]. China Environmental Science, 2020, 40(1): 1-12. |
| [17] |
肖嘉玉, 何超, 慕航, 等. 中国城市空气污染时空分布格局和人口暴露风险[J]. 地理科学进展, 2021, 40(10): 1650-1663. Xiao J Y, He C, Mu H, et al. Spatiotemporal pattern and population exposure risks of air pollution in Chinese urban areas[J]. Progress in Geography, 2021, 40(10): 1650-1663. |
| [18] |
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 Z H, Zhou T G, Qin N. Linkage effect and nonlinear impact of PM2.5 concentration driving factors in central plains urban agglomeration[J]. Environmental Science, 2022, 43(12): 5344-5353. DOI:10.13227/j.hjkx.202201046 |
| [19] |
黄晓军, 祁明月, 李艳雨, 等. 关中地区PM2.5时空演化及人口暴露风险[J]. 环境科学, 2020, 41(12): 5245-5255. Huang X J, Qi M Y, Li Y Y, et al. Spatio-temporal evolution and population exposure risk to PM2.5 in the Guanzhong area[J]. Environmental Science, 2020, 41(12): 5245-5255. DOI:10.13227/j.hjkx.202004189 |
| [20] |
王相男, 张喆, 刘方青. 天山北坡城市群PM2.5浓度时空分布特征及影响因素分析[J]. 环境科学, 2024, 45(3): 1315-1327. Wang X N, Zhang Z, Liu F Q. Analysis of spatio-temporal distribution characteristics and influencing factors of PM2.5 concentration in urban agglomerations on the northern slope of Tianshan Mountains[J]. Environmental Science, 2024, 45(3): 1315-1327. |
| [21] |
张军, 金梓函, 王玥, 等. 关中平原城市群PM2.5时空演变格局及其影响因素[J]. 环境科学, 2022, 43(12): 5333-5343. Zhang J, Jin Z H, Wang Y, et al. Temporal and spatial evolution pattern of PM2.5 and its influencing factors in Guanzhong plain urban agglomeration[J]. Environmental Science, 2022, 43(12): 5333-5343. DOI:10.13227/j.hjkx.202205336 |
| [22] |
刘媛, 张蕾, 陈娱, 等. 2003-2016年中国PM2.5质量浓度时空格局演变及影响因素解析[J]. 地理科学, 2023, 43(1): 152-162. Liu Y, Zhang L, Chen Y, et al. Spatio-temporal evolution patterns and the influencing factors of PM2.5 mass concentration in China from 2003 to 2016[J]. Scientia Geographica Sinica, 2023, 43(1): 152-162. |
| [23] |
赵文婷, 罗淑贞, 原晓红, 等. 山西省县域碳排放时空格局及影响因素分析[J]. 环境科学与技术, 2022, 45(8): 226-236. Zhao W T, Luo S Z, Yuan X H, et al. Spatiotemporal pattern and influencing factors of carbon emissions at county level in Shanxi Province[J]. Environmental Science & Technology, 2022, 45(8): 226-236. |
| [24] |
方创琳, 毛其智, 倪鹏飞. 中国城市群科学选择与分级发展的争鸣及探索[J]. 地理学报, 2015, 70(4): 515-527. Fang C L, Mao Q Z, Ni P F. Discussion on the scientific selection and development of China's urban agglomeration[J]. Acta Geographica Sinica, 2015, 70(4): 515-527. |
| [25] |
董洁芳, 邓椿, 张仲伍. 渭河流域PM2.5时空演化及人口暴露风险[J]. 生态环境学报, 2023, 32(6): 1078-1088. Dong J F, Deng C, Zhang Z W. Spatio-temporal evolution and population exposure risk to PM2.5 in the Weihe River Basin[J]. Ecology and Environmental Sciences, 2023, 32(6): 1078-1088. |
| [26] |
张志豪, 陈楠, 祝波, 等. 基于随机森林模型的武汉市城区大气PM2.5来源解析[J]. 环境科学, 2022, 43(3): 1151-1158. Zhang Z H, Chen N, Zhu B, et al. Source analysis of ambient PM2.5 in Wuhan City based on random forest model[J]. Environmental Science, 2022, 43(3): 1151-1158. DOI:10.13227/j.hjkx.202108051 |
| [27] |
柯碧钦, 何超, 杨璐, 等. 华北地区地表臭氧时空分布特征及驱动因子[J]. 中国环境科学, 2022, 42(4): 1562-1574. Ke B Q, He C, Yang L, et al. The spatiotemporal variation of surface ozone and the main driving factors in North China[J]. China Environmental Science, 2022, 42(4): 1562-1574. |
| [28] |
刘磊玉, 张军. 关中平原城市群PM2.5人口暴露风险时空演变特征研究[J]. 环境科学与管理, 2023, 48(6): 49-54. Liu L Y, Zhang J. Spatial-temporal evolution of PM2.5 population exposure risk in urban agglomerations in Guanzhong Plain[J]. Environmental Science and Management, 2023, 48(6): 49-54. |
| [29] |
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. |
| [30] | Wang J F, Hu Y. Environmental health risk detection with GeogDetector[J]. Environmental Modelling & Software, 2012, 33: 114-115. |
| [31] |
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 PM2.5 on the Fen-Wei Plain[J]. Environmental Science, 2021, 42(10): 4582-4592. DOI:10.13227/j.hjkx.202102024 |
| [32] | Kousa A, Oglesby L, Koistinen K, et al. Exposure chain of urban air PM2.5-associations between ambient fixed site, residential outdoor, indoor, workplace and personal exposures in four European cities in the EXPOLIS-study[J]. Atmospheric Environment, 2002, 36(18): 3031-3039. |
| [33] |
吴迪, 杜宁, 王莉, 等. 基于GTWR-XGBoost模型的四川省PM2.5小时浓度估算[J]. 环境科学, 2023, 44(7): 3738-3748. Wu D, Du N, Wang L, et al. Estimation of PM2.5 hourly concentration in Sichuan Province based on GTWR-XGBoost model[J]. Environmental Science, 2023, 44(7): 3738-3748. DOI:10.13227/j.hjkx.202207179 |
| [34] |
刘佳明, 王洁. GTWR模型联合地理探测的长三角地区PM2.5驱动因素研究[J]. 长江流域资源与环境, 2024, 33(1): 139-149. Liu J M, Wang J. Research on the driving factors of PM2.5 in the Yangtze River Delta based on GTWR model combined with geographical detector[J]. Resources and Environment in the Yangtze Basin, 2024, 33(1): 139-149. |
| [35] |
许嘉俊, 杨晓军, 李睿. 城市居民生活碳排放及影响因素的时空异质性[J]. 中国环境科学, 2024, 44(3): 1732-1742. Xu J J, Yang X J, Li R. The spatial and temporal heterogeneity of carbon emission and its driving forces in urban households[J]. China Environmental Science, 2024, 44(3): 1732-1742. |
| [36] |
刘贤赵, 李阳. 县域尺度下长株潭地区城市化与碳排放的关系[J]. 环境科学, 2023, 44(12): 6664-6679. Liu X Z, Li Y. Relationship between urbanization and carbon emissions in the Chang-Zhu-Tan region at the county level[J]. Environmental Science, 2023, 44(12): 6664-6679. DOI:10.13227/j.hjkx.202301068 |
| [37] |
万虹麟, 霍飞, 牛玉芬, 等. 顾及PM2.5浓度遥感生态指数模型的沧州市区生态环境质量动态监测分析[J]. 地球物理学进展, 2021, 36(3): 953-960. Wan H L, Huo F, Niu Y F, et al. Dynamic monitoring and analysis of ecological environment change in Cangzhou City based on RSEI model considering PM2.5 concentration[J]. Progress in Geophysics, 2021, 36(3): 953-960. |
| [38] |
徐勇, 韦梦新, 邹滨, 等. 基于空间尺度效应的山东省PM2.5浓度时空变化及空间分异地理探测[J]. 环境科学, 2024, 45(5): 2596-2612. Xu Y, Wei M X, Zou B, et al. Spatial-temporal variation and spatial differentiation geographic detection of PM2.5 concentration in the Shandong Province based on spatial scale effect[J]. Environmental Science, 2024, 45(5): 2596-2612. DOI:10.13227/j.hjkx.202306066 |
| [39] |
张西雅, 扈海波. 基于多源数据的北京地区PM2.5暴露风险评估[J]. 北京大学学报(自然科学版), 2018, 54(5): 1103-1113. Zhang X Y, Hu H B. Risk assessment of exposure to PM2.5 in Beijing using multi-source data[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2018, 54(5): 1103-1113. |
| [40] | 管庆丹. 基于多源遥感数据的中国城市群PM2.5浓度时空演变与人口暴露风险分析[D]. 昆明: 昆明理工大学, 2022. |
| [41] |
马守臣, 谢放放, 丁翠, 等. 基于四象限模型煤粮复合区景观生态质量时空变化及影响因素[J]. 农业工程学报, 2020, 36(4): 259-268. Ma S C, Xie F F, Ding C, et al. Spatio-temporal change of landscape ecological quality and influencing factors based on four-quadrant model in overlapped area of cropland and coal production[J]. Transactions of the CSAE, 2020, 36(4): 259-268. |
| [42] |
马波, 张越. 文旅融合四象限模型及其应用[J]. 旅游学刊, 2020, 35(5): 15-21. Ma B, Zhang Y. Four quadrant model and its application of the integration of culture and tourism[J]. Tourism Tribune, 2020, 35(5): 15-21. |
| [43] |
苏孟倩, 石玉胜. 京津冀地区大气PM2.5污染时空分布特征及成因分析[J]. 中国科学院大学学报, 2024, 41(3): 334-344. Su M Q, Shi Y S. Spatial and temporal distribution characteristics and influential factors of PM2.5 pollution in Beijing-Tianjin-Hebei[J]. Journal of University of Chinese Academy of Sciences, 2024, 41(3): 334-344. |
| [44] |
杨强, 李丽, 王运动, 等. 1935-2010年中国人口分布空间格局及其演变特征[J]. 地理研究, 2016, 35(8): 1547-1560. Yang Q, Li L, Wang Y D, et al. Spatial distribution pattern of population and characteristics of its evolution in China during 1935-2010[J]. Geographical Research, 2016, 35(8): 1547-1560. |
| [45] |
吴舒祺, 么嘉棋, 杨冉, 等. 长三角城市群PM2.5时空变化和影响因素分析[J]. 环境科学, 2023, 44(10): 5325-5334. Wu S Q, Yao J Q, Yang R, et al. Spatio-temporal variations in PM2.5 and its influencing factors in the Yangtze River Delta urban agglomeration[J]. Environmental Science, 2023, 44(10): 5325-5334. DOI:10.13227/j.hjkx.202210306 |
| [46] |
李江苏, 段良荣, 张天娇. 中国城市PM2.5和PM10时空分布特征和影响因素分析[J]. 环境科学, 2024, 45(4): 1938-1949. Li J S, Duan L R, Zhang T J. Analysis of spatio-temporal distribution characteristics and influencing factors of PM2.5 and PM10 in Chinese cities[J]. Environmental Science, 2024, 45(4): 1938-1949. DOI:10.13227/j.hjkx.202305037 |
| [47] |
刘贤赵, 张国桥, 杨文涛, 等. 长株潭城市群PM2.5和O3浓度时空分布特征及影响因素分析[J]. 环境科学, 2022, 43(12): 5354-5366. Liu X Z, Zhang G Q, Yang W T, et al. Analysis of spatiotemporal distribution characteristics and influencing factors of PM2.5 and O3 in Changsha-Zhuzhou-Xiangtan urban agglomeration, China[J]. Environmental Science, 2022, 43(12): 5354-5366. DOI:10.13227/j.hjkx.202201247 |