长江中游城市群PM_2.5污染驱动因素的地理探测

Geographic Detection of PM_2.5 Pollution Drivers in Urban Agglomerations in the Middle Reaches of the Yangtze River

摘要: 随着经济的快速发展，大气污染问题不断加重，而PM_2.5作为大气污染中重要污染物之一，探究PM_2.5污染的时空演变特征与驱动因素对区域大气联动治理意义重大。本文通过地理探测器模型，并结合了空间相关性分析，探究了2006~2022年长江中游城市群PM_2.5污染的时空演变特征与其驱动因素。研究结果表明：长江中游城市群PM_2.5浓度呈现一个先上升后下降的变化趋势，在空间上呈现显著的空间聚集和空间依赖性；其次，自然条件中的降水量、平均温度、风速均为影响PM_2.5浓度的主导因子，在2022年社会经济因素中的建成区绿化覆盖率和第二产业占比的驱动力值上升。且因子交互作用q值远大于单一因子，2006年、2013年、2022年的主导交互因子分别为TEM∩URB、2 PRE∩URB、IND∩GFC。

Abstract: With the rapid development of the economy, the problem of air pollution is increasing, and PM_2.5 is one of the important pollutants in air pollution, so it is of great significance to explore the temporal and spatial evolution characteristics and driving factors of PM_2.5 pollution for regional atmospheric linkage control. In this paper, we explored the temporal and spatial evolution characteristics and driving factors of PM_2.5 pollution in the urban agglomeration of the middle reaches of the Yangtze River from 2006 to 2022 through a geographic detector model combined with spatial correlation analysis. The results show that the PM_2.5 concentration in the urban agglomeration in the middle reaches of the Yangtze River shows a trend of first increasing and then decreasing, showing significant spatial aggregation and spatial dependence in space, and secondly, precipitation, average temperature and wind speed are the dominant factors affecting PM_2.5 concentration under natural conditions, and the driving force values of green coverage rate and the proportion of secondary industry in built-up areas increase in 2022. The q-value of factor interaction was much larger than that of a single factor, and the dominant interaction factors in 2006, 2013, and 2022 were TEM∩URB, 2 PRE∩URB, IND∩GFC, respectively.

1. 引言

自改革开放以来，因我国经济的飞速发展以及城市化的建设，致使大气污染问题不断加重[1] [2]，这不利于我国的可持续发展，以及大气污染对人类身体造成的伤害众多，也对社会的稳定和谐造成不利的影响[3]。随着大污染问题的不断加重，已然成为当今社会广泛关注的焦点，科学识别我国PM_2.5污染的空间异质性与影响因素也成为治理大气污染的重要任务。

在现有研究中，对于PM_2.5污染的研究区域主要集中于对中国PM_2.5污染的核心集聚区的研究，比如长三角、京津冀和四川盆地地区。而对于PM_2.5污染的研究方向主要集中在PM_2.5源解析、PM_2.5浓度的动态演变以及PM_2.5浓度的影响因素等方面[4] [5]，其中对于影响因素研究方面主要从人类社会活动、气象因子和地貌特征等方面进行探究。在人类社会活动方面，Zhao等[5]采用自回归滞后模型研究发现PM_2.5浓度与人均GDP存在倒U型关系，且人均GDP、人均GDP平方项、能源消费和城镇化率等因素与PM_2.5浓度存在双向因果关系。王丽丽等[6]采用地理探测研究发现人口密度是长江经济带PM_2.5污染的高作用力影响因子。刘媛等[4]利用空间杜宾模型研究发现2003~2016年我国主要地级市PM_2.5浓度与人口密度和非农业从业人员占比对PM_2.5浓度的正向影响强度最大，第三产业占比和液化石油气供气总量的弹性系数显著为负。在气候因子方面，Wu等[7]人利用地理探测法研究表明温度和气压均是影响我国城市群PM_2.5浓度关键因素。孙梦雨[8]研究表明海拔和温度是影响黄土高原地区雾霾污染空间分异的主要自然因素，且影响作用有加大的趋势。成勤等[9]研究表明地表风速和降水量均对PM_2.5浓度负相关。在地貌特征方面，王丽丽等[6]利用地理探测器研究表明长江经济带PM_2.5污染的高作用力影响因子是海拔高度、地形起伏度，且产业结构∩海拔高度为主导交互因子。孙梦雨[8]研究表明2017年自然地形单元对黄土高原地区雾霾污染的影响显著，平原地区和土石山区的城市雾霾污染最严重，丘陵沟壑区和沟壑区的城市污染较严重，沙漠沙地和农林灌溉区的城市雾霾程度较轻。成勤[9]等研究表明宜昌市三面环山的地形对大气污染特征及扩散条件影响显著。肖玉等[10]研究发现北京绿地在2000年、2005年和2010年分别使北京PM_2.5浓度下降了0.07%、0.12%和0.19%，且不同绿地类型的单位面积减少量不同，针阔混交林绿地类型的单位面积减少量最大。

综上所述，对于大气污染的研究大多研究都集中于PM_2.5污染严重的城市或者城市群，而对于长江中游城市群的研究较少，而长江中游城市群作为长江流域生态环境污染防治攻坚的重点区域，研究空气污染对流域生态文明建设和保障国家生态安全意义重大。因此，本文基于2022年长江经济带41个城市的PM_2.5浓度数据，运用空间自相关分析和地理探测器等模型方法探究PM_2.5浓度的时空演变特征及驱动因素，以为长江中游城市群合理制定城市空气污染减排策略提供科学依据。

2. 数据来源及研究方法

2.1. 研究方法

2.1.1. 空间自相关

本文使用Geoda软件构建了研究区域的基于queen邻近性准则的空间权重矩阵[11]。利用所计算的全局Moran’s I指数对长江中游地区2022年PM_2.5浓度进行空间相关性分析，Moran’s I计算公式由下式给出：

$I=\frac{n{\displaystyle \sum {}_i}{\displaystyle \sum {}_j{w}_{ij}\left(Y_i-\overline{Y}\right)\left(Y_j-\overline{Y}\right)}}{\left({\displaystyle \sum {}_{i\ne j}{w}_{ij}}\right)\left[{\displaystyle \sum {}_i}{\left(Y_i-\overline{Y}\right)}^2\right]}$

其中Y_i表示区域i感兴趣的变量($\overline{Y}\text{=}{\displaystyle \sum Y_i}/n$)，w_ij表示空间邻接权重矩阵元素，既区域相邻取1，其它关系取0，当Moran’s I值大于0时，表明存在空间正自相关，小于0则表明存在空间负自相关。并绘制Moran散点图来探究长江中游地区PM_2.5浓度的空间关联类型，其中一、三象限分别表示领域间的空间正相关，二、四象限表明领域间的空间负相关。

2.1.2. 地理探测器

地理探测器作为一种用于探测空间分异并解析在不同空间单元下不同影响作用的统计方法，还可不受变量间多重共线性影响[12]。地理探测器模型公式如下：

$q=1-\frac{1}{n{\sigma }^2}{\displaystyle \sum _{h=1}^L{n}_h}{\sigma }_h^2$

其中$h=1,\cdot \cdot \cdot ,L$ 为因变量Y或自变量X的分类，n_h和n分别为h层和全区的单元数；${\sigma }_h^2$ 和σ²分别为h层和全区的Y值的方差。q的取值范围为[0, 1]，q值越大表示Y的空间分异性越明显；如果分层是由自变量X生成的，则q值越大表示自变量X对属性Y的解释力越强，反之则越弱。

2.2. 数据来源

本文数据选取了长江中游城市群为研究区域，其中湖北省的神农架林区因社会经济方面数据缺失严重而未纳入样本，所以本文选取长江中游城市群的36个地级市和3个省直辖县作为基本研究单位。PM_2.5浓度数据来源于韦晶博士、李占清教授团队发布在国家青藏高原科学数据中心网站上的中国高分辨率高质量近地表空气污染物数据集(China High Air Pollutants, CHAP)，是一套基于多源卫星遥感技术，空间分辨率为1 km，时间分辨率为日、月、年，单位为μg/m³ [13]。社会经济方面选取了总人口(POP)、第二产业占比(IND)、人均GDP、城镇化率(URB)和建成区绿化覆盖率(GFC)等数据，其均来源于《中国城市统计年鉴》、《中国城市建设统计年鉴》和各省、市相应年份统计年鉴。由于部分地级市的能源消耗数据缺失严重，而根据现有研究表明夜间灯光数据与能源消耗存在显著正向相关性[14] [15]，所以本文采用Wu等[16]所发表论文中通过整合“DMSP-OLS”和“SNPP-VIIRS”数据得到的矫正后的1992~2023年的夜间灯光数据来间接衡量能源消费指数。自然条件方面选取了温度、湿度、风速、降水量和归一化植被指数等数据，其中温度、湿度、风速、降水量等数据均来源于美国国家海洋和大气管理局(NOAA)下属的国家环境中心(NCEI)，归一化植被指数数据来源于美国国家航空航天局(NASA)的MODIS数据集(原数据下载地址：https://search.earthdata.nasa.gov/search)，表1提供了本文所有选取变量的描述性统计及其简要定义。

Table 1. Descriptive statistical tables

表1. 描述性统计表

变量	定义	单位	均值	最小值	最大值	方差
PM2.5	PM2.5浓度	μg/m^3	49.343	19.363	82.910	15.060
PGDP	人均GDP	100元	429.631	53.760	1455.450	285.088
POP	总人口	10^4人	40.818	8.357	137.390	23.129
URB	城镇化率	%	51.522	22.140	84.660	11.795
IND	第二产业占比	%	46.633	12.805	66.990	8.796
GFC	建成区绿化覆盖率	%	40.394	14.250	57.100	5.862
EC	能源消耗	-	37469.560	2323.000	260043.000	37724.170
TEM	温度	℃	17.660	15.005	20.967	0.977
WS	风速	m/s	7.918	4.896	13.653	1.494
PRE	降水量	mm	1543.627	660.826	2794.002	399.476
NDVI	归一化植被指数	-	0.762	0 .618	0.851	0.041

3. 结果分析

3.1. 中国PM_2.5浓度时空特征

3.1.1. 时序变化特征

本文将研究区域按照省份划分为湖北省、湖南省和江西省三个区域，并将划分后的区域年均PM_2.5浓度绘制成了如图1的折线图(左图)，3个省的年均PM_2.5浓度变化趋势与研究总体的变化趋势基本一致，在2006~2013年整体呈现先波动上升后下降的变化态势，以及“湖北省 > 湖南省 > 江西省”的空间异质性格局。其中在2006~2013年长江中游城市群年均PM_2.5浓度呈现波动上升变化趋势，湖北省、湖南省和江西省分别由63.609 μg/m³、56.377 μg/m³、50.335 μg/m³上升到70.493 μg/m³、60.252 μg/m³、53.363 μg/m³，涨幅分别为10.81%、6.88%和6.01%，长江中游年均PM_2.5浓度由57.722 μg/m³上升到62.571 μg/m³，涨幅为8.39%；2014~2022年长江经济带PM_2.5浓度呈快速下降趋势，湖北省、湖南省和江西省分别由65.513 μg/m³、57.596 μg/m³、51.049 μg/m³上升到32.605 μg/m³、28.003 μg/m³、23.592 μg/m³，降幅分别为50.24%、51.38%、和53.78%，长江中游年均PM_2.5浓度由59.086 μg/m³上升到28.711 μg/m³，降幅为51.41%。

本文根据我国《环境空气质量标准》(GB3095-2012)所规定的浓度限值，将我国PM_2.5浓度划分成6个区间(0~15 μg/m³、15~25 μg/m³、25~35 μg/m³、35~50 μg/m³、> 50 μg/m³)并绘制成如图1的堆积柱状图(右图)。由图可看出，从研究期间低于国家一级浓度限值(15 μg/m³)的区域在一直为0。而在2006~2013年间，高于50 μg/m³的区域占比呈波动上升变化趋势，由76.19%上升至85.71%，2014年开始呈现下降变化趋势，至2022年下降到0%。2006~2018年间低于PM_2.5浓度国家二级浓度限值(35 μg/m³)区域占比一直维持在0%，2019开始出现PM_2.5浓度低于35 μg/m³的地区，至2022年区域占比上涨到30.95%。研究期间，PM_2.5浓度最高值出现在2013年湖北省潜江市(82.910 μg/m³)。

Figure 1. Trend of annual average PM_2.5 concentration in the urban agglomeration in the middle reaches of the Yangtze River

图1. 长江中游城市群年均PM_2.5浓度变化趋势

3.1.2. 空间分布特征

本文通过ArcGIS软件绘制了2000年、2010年和2020年研究区域PM_2.5浓度的空间分布图(如图2)，使得可以更加直观地体现研究期间长江中游年均PM_2.5浓度时空差异变化趋势。由空间分布图可知，整体来看在研究期间，长江中游地区PM_2.5浓度存在明显的空间聚集现象，且湖北省武汉城市圈为高污染核心聚集区。具体的有，2006年期间整个长江中游地区PM_2.5浓度均高于国家二级浓度限值，且具有明显的空间聚集现象，呈现了一个“中间高、四周低”的空间分布格局，其中高于70 μg/m³地区仅出现在湖北省的武汉城市圈。与2006年相比，2010年PM_2.5浓度高于50 μg/m³的地区不断向江西省地区扩张，且高于70 μg/m³地区由武汉城市圈向四周扩张，其中高于50 μg/m³的地区增加了吉安市、上饶市、景德镇市和鹰潭市，高于70 μg/m³地区增加了武汉市、孝感市、鄂州市、随州市、襄阳市、常德市、湘潭市；2022年期间长江中游地区PM_2.5浓度下降明显，高于50 μg/m³的地区下降为0，但PM_2.5浓度仍均高于国家一级浓度限值，其中高于国家二级浓度限值地区出现在湖北省北部地区(荆门市、潜江市、襄阳市、荆州市、天门市、孝感市、随州市)，其余地区PM_2.5浓度均处于35~50 μg/m³区间。

Figure 2. Spatial distribution of PM_2.5 concentrations in 20006 (a), 2013 (b) and 2022 (c)

图2. 2006年 (a)、2013年 (b)和2022年 (c) PM_2.5浓度空间分布图

3.1.3. 间聚集特征

本文使用Geoda软件构建了研究区域的基于queen邻近性准则的空间权重矩阵，并计算了全局Moran’s I指数对长江中游城市群2006~2022年PM_2.5浓度进行空间自相关性分析，检验结果如表2显示，在研究期间Moran’s I指数均显著为正，且均高于0.600，表示我国30个省份PM_2.5浓度存在显著的正向空间相关性，且在研究期间全局Moran’s I指数呈现一个波动上升趋势，最高值为2013年的0.732，这表明PM_2.5污染的空间相关性在逐渐增强，且存在空间非平稳特征。

为更好地描述长江中游地区PM_2.5浓度聚集特征的局域差异性，探究其空间非平稳特征，本文进一步绘制了2000年、2010年和2020年长江中游地区PM_2.5浓度的LISA聚类图(图3)。由图可知，从整体来看在研究期间长江中游地区均呈现以HH、LL聚类类型为主，其中HH聚类地区分布在湖北省武汉城市圈区域，LL聚类地区分布在江西省南部地区，表明长江中游地区PM_2.5浓度存在明显的空间异质性，且具有明显的空间聚集分布特征。具体的有：在2006年期间，HH聚类地区分布在湖北省的武汉城市圈地区，而LL聚类分布在江西省的南部地区(赣州市、吉安市)。与2006年相比，2013年HH聚类地区没有发生变化，LL聚类地区增加了江西省抚州市、湖南省郴州市。2022年HH聚类地区湖北省随州市，而LL聚类地区向江西省东北地区扩张，增加了上饶市和鹰潭市。

Table 2. Global Moran’s I index of PM_2.5 concentration in 2006~2022

表2. 2006~2022年PM_2.5浓度全局Moran’s I指数

年份	Moran’s I	年份	Moran’s I	年份	Moran’s I
2006	0.661^***	2012	0.697^***	2018	0.732^***
2007	0.619^***	2013	0.679^***	2019	0.680^***
2008	0.663^***	2014	0.673^***	2020	0.652^***
2009	0.667^***	2015	0.727^***	2021	0.651^***
2010	0.672^***	2016	0.686^***	2022	0.716^***
2011	0.660^***	2017	0.647^***

注：^*、^**和^***分别表示在10%、5%、1%的水平上显著。

Figure 3. LISA clusters of PM_2.5 concentrations in 2006 (a), 2013 (b) and 2022 (c)

图3. 2006年 (a)、2013年 (b)和2022年 (c) PM_2.5浓度LISA聚类图

3.2. PM_2.5浓度驱动因素的地理探测

通过对长江中游城市群2006~2022年PM_2.5浓度的时空演变特征分析，研究结果表明研究区域的PM_2.5浓度存在明显的时空差异，并且由空间相关性分析表明研究区域PM_2.5浓度存在显著的空间非平稳特征以及空间关联性，所以本文利用RStudio中的“GD”包，采用地理探测器的因子探测和交互探测模块去量化2006年、2013年和2022年长江中游城市群社会经济和自然条件等两方面对PM_2.5浓度的空间分异的影响力。因湖北省神农架林区、湖南省自治州地区的社会经济因素缺失，所以本文仅选取湖北省、湖南省和江西省38个地级市地区进行空间分异因子探测。

Table 3. Single-factor geographic detection results

表3. 单因子地理探测结果

影响因素	2006年		2013年		2022年
	q值	排名	q值	排名	q值	排名
PGDP	0.175	8	0.244	7	0.254	6
POP	0.148	9	0.146	9	0.114	10
URB	0.377	4	0.302	5	0.232	7
IND	0.267	6	0.122	10	0.347	5
GFC	0.133	10	0.266	6	0.555	2
EC	0.219	7	0.168	8	0.219	8
TEM	0.472	3	0.500	2	0.418	3
WS	0.592	2	0.434	3	0.403	4
PRE	0.709	1	0.544	1	0.602	1
NDVI	0.295	5	0.348	4	0.143	9

模型结果如表3所示，从整体来看，各研究期间各影响因素对长江中游PM_2.5浓度的影响力存在一定差异，且自然条件因素对长江中游PM_2.5浓度的影响力要高于社会经济因素的影响力，其中自然条件因素中的降水量对2006年、2013年、2022年长江中游PM_2.5浓度的影响力最大，其次为风速、平均温度等均为影响PM_2.5浓度的主导因子，此外2022年的地理探测结果表明，社会经济因素中的第二产业占比和建成区绿化覆盖度的驱动力值上升，成为影响PM_2.5浓度的主导因子。具体的我们可以看到，2006年各影响因素的影响力排序为：降水量(PRE) > 风速(WS) > 平均温度(TEM) > 城镇化率(URB) > 归一化植被指数(NDVI) > 第二产业占比(IND) > 能源消费量(EC) > 人均GDP(PGDP) > 人口密度(POP) > 建成区绿化覆盖度(GFC)；2013年各影响因素的影响力排序为：降水量(PRE) > 平均温度(TEM) > 风速(WS) > 归一化植被指数(NDVI) > 城镇化率(URB) > 建成区绿化覆盖度(GFC) > 人均GDP(PGDP) > 能源消费量(EC) > 人口密度(POP) > 第二产业占比(IND)；2022年各影响因素的影响力排序为：降水量(PRE) > 建成区绿化覆盖度(GFC) > 平均温度(TEM) > 风速(WS) > 第二产业占比(IND) > 人均GDP(PGDP) > 城镇化率(URB) > 能源消费量(EC) > 归一化植被指数(NDVI) > 人口密度(POP)。

本文进一步地利用地理探测器地交互探测模块量化了影响因子相互作用对长江经济带PM_2.5浓度的影响力，其中极大值则为主导交互因子，2006年、2013年和2022年主导交互因子结果如表4所示，根据交互因子结果可知，2006年、2013年和2022年的主导交互因子存在一定差异，2006年的主导交互因子TEM∩URB；2013年的主导交互因子为PRE∩URB；2022年的主导交互因子是IND∩GFC。且主导交互因子q值远高于单一因子q值，这表明了长江经济带的PM_2.5浓度是由多因素共同作用影响的。

Table 4. Dominant interaction factor results in 2006, 2013, and 2022

表4. 2006年、2013年和2022年主导交互因子结果

	2006年	2013年	2022年
主导交互因子	TEM∩URB	PRE∩URB	IND∩GFC
q值	0.953	0.915	0.960

4. 结论

本研究分析了2006~2022年长江中游城市群PM_2.5浓度的时空演化特征，并利用地理探测器的因子探测和交互探测模块探究了PM_2.5浓度与社会经济和自然条件等驱动因素的影响力，主要结论如下：

(1) 首先，长江中游城市群2006~2013年PM_2.5浓度呈现一个波动上升变化趋势，其中三个划分区域的PM_2.5浓度呈现一个湖北省 > 湖南省 > 江西省的分布格局，南北部地区具有显著差异；2014年PM_2.5浓度开始呈下降趋势，南北部地区差距开始缩小。

(2) 其次，长江中游城市群PM_2.5浓度存在高度的空间相关性和空间异质性。全局Moran’s I值显著大于0，取值均大于0.6。LISA聚类图和PM_2.5浓度的空间分布图均反映出长江中游城市群PM_2.5浓度在空间上呈现明显的空间聚集性，其中武汉城市圈是长江中游城市群的高污染核心聚集区。

(3) 最后，地理探测结果表明降水量、风速、平均温度、第二产业占比和建成区绿化覆盖率均为影响长江经济带PM_2.5浓度的主导因素，其中降水量的驱动力值最大。2006年、2013年、2022年的主导交互因子分别为TEM∩URB、2 PRE∩URB、IND∩GFC，且交互主导因子q值远大于单一因子q值。