趙銳，詹梨蘋，周亮，張軍科*

1.西南交通大學地球科學與環(huán)境工程學院，四川 成都 611756；2. 蘭州交通大學環(huán)境與市政工程學院，甘肅 蘭州 730070

隨著城市化的快速發(fā)展，以PM2.5為主導的大氣污染已成為中國最突出的大氣環(huán)境問題之一。長期暴露于高濃度的 PM2.5環(huán)境中會顯著增加呼吸和心血管系統(tǒng)的發(fā)病率，對人體健康構(gòu)成威脅（Song et al.，2017；Chen et al.，2020）。開展 PM2.5的驅(qū)動成因分析，可識別主要驅(qū)動因素，揭示各因素在不同區(qū)域的影響強度，為制定切實可行的防治措施提供決策依據(jù)。

PM2.5驅(qū)動因素眾多，存在顯著的空間異質(zhì)性（Lou et al.，2016；Cheng et al.，2019；Chen et al.，2020）?，F(xiàn)有的驅(qū)動因素識別方法眾多，包括地理探測器（Zhou et al.，2018；Ding et al.，2019；姚榮鵬等，2021）、全局回歸分析（Wang et al.，2018；Xu et al.，2020；柏玲等，2018）、地理加權(quán)回歸分析（Ma et al.，2017；Wang et al.，2019；賀祥等，2016）等。地理探測器由王勁峰等首次提出（Wang et al.，2010），基于因變量和自變量空間分布的相似性，識別出產(chǎn)生空間分異的關鍵因子。在此基礎上，吳浪等（2018）和陳優(yōu)良等（2021）先后應用該方法以識別成渝地區(qū)和長三角地區(qū)PM2.5的空間分布關鍵驅(qū)動因子。但地理探測器卻難以反映自變量與因變量空間位置的變化關系（Wu et al.，2020；周敏丹等，2020）。全局回歸分析是基于因變量與自變量之間的線性關系，根據(jù)回歸系數(shù)判別因變量的主要影響因素（王佳佳等，2020）。吳健生等（2015）和漢瑞英等（2016）將此方法成功應用于PM2.5的影響因子的篩選與甄別。但全局回歸將因變量和自變量之間的關系視為相對不變，忽略了回歸系數(shù)在空間上存在的異質(zhì)性（黃小剛等，2019）。地理加權(quán)回歸是由Brunsdon et al.（1996）在1996年首次提出，在全局回歸基礎上，將數(shù)據(jù)的地理位置引入回歸分析，對每個空間位置對應的回歸系數(shù)進行估計，為揭示變量間關系的空間差異特征奠定了基礎（Zhao et al.，2020；段杰雄等，2018）。隨后，Hajiloo et al.（2019）和鄧悅等（2018）將此方法應用于刻畫與PM2.5關聯(lián)影響因素間（如氣象、土地利用等）的空間非平穩(wěn)性。但地理加權(quán)回歸又容易受到變量間多重共線性的制約，且當變量間存在的較強相關關系時，可能導致擬合失真（Wheeler，2006）。

鑒于上述驅(qū)動因素識別方法各有特點，本文考慮利用地理探測和地理加權(quán)回歸融合的方法開展PM2.5的驅(qū)動成因分析。其中，地理探測主要用于識別 PM2.5空間分異的驅(qū)動因素，在地理加權(quán)回歸的基礎上進一步引入嶺回歸方法，用于揭示關鍵驅(qū)動因素與PM2.5的影響程度和影響強度。兩種方法的耦合可降低驅(qū)動因素間可能存在的多重共線性，同時可更好解釋因素間的空間非平穩(wěn)性，為區(qū)域PM2.5污染防治提供科學合理的政策建議。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

既有研究表明氣象要素、社會經(jīng)濟活動、土地利用狀況等是引起 PM2.5空間分異的主要影響因素（Chang et al.，2019；Lu et al.，2020；Xu et al.，2020；楊興川等，2017；周亮等，2017；龔光彩等，2018）。在此基礎上，本文基于數(shù)據(jù)可獲性，選擇了如下因素作為地理探測器輸入變量，詳見表1。其中，PM2.5數(shù)據(jù)主要從中國環(huán)境監(jiān)測總站獲?。╤ttp://www.cnemc.cn），涵蓋中國366個城市在2015年1月1日—2018年12月31日間PM2.5每小時的監(jiān)測數(shù)據(jù)，經(jīng)處理后得到各城市PM2.5的年平均濃度；氣象數(shù)據(jù)從國家青藏高原科學數(shù)據(jù)中心獲?。╤ttp://data.tpdc.ac.cn），包括風速、降水率、氣溫、氣壓和比濕度等要素的月均值，經(jīng)處理后得到各氣象要素的年均值；社會經(jīng)濟活動數(shù)據(jù)和土地利用數(shù)據(jù)來源于對應時間段內(nèi)的《中國城市統(tǒng)計年鑒》（2016—2019）。部分缺失數(shù)據(jù)結(jié)合相應省市（自治區(qū)）、地市統(tǒng)計數(shù)據(jù)進行補充。為保障所選變量數(shù)據(jù)在研究時間內(nèi)的完整性和一致性，本文最終選擇282個城市作為研究對象。

表1 影響因素選擇Table 1 Selection of influencing factors

1.2 研究方法

1.2.1 地理探測器

地理探測器是探測地理要素空間分異性，以揭示其背后驅(qū)動力的一種統(tǒng)計學方法（王勁峰等，2017）。其核心思想假設：若某個自變量對某個因變量具有重要影響，則自變量和因變量的空間分布應具有相似性（Wang et al.，2012）。利用地理探測，可揭示某影響因素對 PM2.5空間分異的解釋程度，用q值度量，表征如下（Luo et al.，2016）：

式中：

q——PM2.5空間分異驅(qū)動因素解釋程度；

N——影響因素的分類數(shù)量；

1.2.2 地理加權(quán)嶺回歸

為降低地理加權(quán)回歸中變量的共線性風險，Wheeler（2006）提出地理加權(quán)嶺回歸模型，其基本思想是利用嶺回歸方法對回歸系數(shù)進行約束，以獲取更優(yōu)的回歸過程。空間點位i上的系數(shù)估計如下（Wheeler，2006）：

式中：

X——標準化的解釋變量矩陣；

y——標準化的響應變量；

λ——控制回歸系數(shù)收縮量的嶺回歸參數(shù)，當λ取值為0時，地理加權(quán)嶺回歸和地理加權(quán)回歸的系數(shù)估計值一樣，本研究λ通過設置方差膨脹系數(shù)閾值小于5（VIF<5）進行確定；I是單位矩陣；W(i)是回歸點與其他觀測點之間地理距離的函數(shù)。

2 結(jié)果與討論

2.1 PM2.5驅(qū)動因素地理探測結(jié)果

因地理探測的輸入變量要求為類型變量，需對連續(xù)型變量進行離散化處理（Cao et al.，2013）。為此，本文結(jié)合先驗知識和各因素數(shù)值的分布特征，采用相等間隔法（Equal Interval，EI）、分位數(shù)法（Quantile，Q）、自然間斷點法（Natural Breaks，NB）和幾何間隔法（Geometrical Interval，GI）4種非監(jiān)督分類方法將各因素分為5—15類，并利用地理探測器計算不同分類結(jié)果的貢獻度大小，選擇貢獻度最大的分類組合對因素進行離散化處理。各因素最優(yōu)分類組合如表2所示。

表2 各因素最優(yōu)分類組合Table 2 The optimal classification combination of factors

在最優(yōu)分類組合下，利用地理探測器分別測算了2015—2018年各影響因素對PM2.5的解釋程度，結(jié)果如表3所示。氣象因子中，比濕度和氣溫是PM2.5的主導影響因子，在2015—2018年，比濕度對PM2.5解釋度，以及氣溫對PM2.5解釋度的探測結(jié)果均在（P<0.001）水平下顯著，說明對PM2.5具有顯著影響；其次是氣壓、降水率和風速。

表3 PM2.5影響因素地理探測結(jié)果Table 3 Geographical detection results of PM2.5

社會經(jīng)濟因素中，對 PM2.5貢獻較為顯著（P<0.001）的是地區(qū)生產(chǎn)總值、年平均人口和工業(yè)企業(yè)數(shù)。其中，工業(yè)企業(yè)數(shù)貢獻程度最大，其探測結(jié)果q值整體呈現(xiàn)逐年降低趨勢；年平均人口和地區(qū)生產(chǎn)總值的探測q值呈現(xiàn)倒“U”型變化特征。此外，工業(yè)煙（粉）塵排放量解釋力逐年降低，公路貨運量的探測q值呈上升趨勢，且在2017和2018年影響顯著，而公路客運量的探測q值變化不明顯，對PM2.5的影響甚微。

2.2 地理加權(quán)嶺回歸結(jié)果

以地理探測結(jié)果為依據(jù)，選擇各時間截面上q值在P<0.001水平下顯著的變量作為關鍵驅(qū)動因素，分別構(gòu)建回歸模型，如表4所示。同時，本文利用相同數(shù)據(jù)集對比分析了全局回歸（OLS），地理加權(quán)回歸（GWR）和地理加權(quán)嶺回歸（GWRR）3種模型的性能。從R2來看，地理加權(quán)嶺回歸具有更高的擬合優(yōu)度，參與回歸的變量具有更強的可解釋性。此外，在所有的時間截面上，地理加權(quán)嶺回歸的AICc值均顯著小于其余兩個模型，進一步說明所建模型具有一定的穩(wěn)健性（Zhao et al.，2015）。

表4 模型變量及性能評價指標Table 4 Model variables and performance evaluation indicators

2.3 地理加權(quán)嶺回歸系數(shù)空間分布分析

本文利用ArcGIS 10.2軟件對地理加權(quán)嶺回歸結(jié)果進行可視化，分別得出各變量回歸系數(shù)2015—2018年的空間分布圖。由圖1可以看出，氣溫對PM2.5的影響強度在空間上分異明顯，全國大部分區(qū)域以負向影響為主，負值較大區(qū)域集中在湖北、湖南和江西部分地區(qū)（見圖1a）。氣壓對PM2.5的影響則以正向效應為主，正值較大區(qū)域集中分布在福建、江西、湖南和湖北等地（見圖1b）。比濕度對PM2.5的影響具有明顯的空間聚集性，在山東、河南、安徽、江蘇和上海等省市為負效應，而全國其余城市為正效應（見圖1c）。地區(qū)生產(chǎn)總值對PM2.5的影響在北方和華南地區(qū)主要表現(xiàn)為負向效應，而在西部和華中地區(qū)表現(xiàn)為正向效應（見圖1d）。年平均人口的空間分布呈現(xiàn)出明顯的圈層結(jié)構(gòu)，在中西部地區(qū)為負效應，而東北、華北、華東和華南部分地區(qū)為正效應（見圖1e）。工業(yè)企業(yè)數(shù)對PM2.5的影響程度在全國大多數(shù)地區(qū)呈現(xiàn)正向效應，而在長三角城市群、環(huán)渤海地區(qū)和東北地區(qū)為負向效應（見圖1f）。綠地面積在南方地區(qū)主要表現(xiàn)為負向影響，北方地區(qū)則主要為正向影響（見圖1g）。

圖1 2015年關鍵驅(qū)動因素回歸系數(shù)空間分布Figure 1 The spatial distribution of regression coefficients of the key drivers in 2015

圖2是2016年各關鍵驅(qū)動因素回歸系數(shù)的空間分布。其中，氣溫在四川、云南、貴州、廣東以及華東和東北部分區(qū)域?qū)?PM2.5的影響呈現(xiàn)負相關，在華北和中西部地區(qū)大部分城市呈現(xiàn)正效應（見圖2a）。比濕度的回歸系數(shù)正負比例相當，空間上整體呈現(xiàn)出西南-東北走向的帶狀分布，正向高值區(qū)集中分布在東北地區(qū)，而負向高值區(qū)分散在河南、湖北、廣西和安徽等地（見圖2b）。地區(qū)生產(chǎn)總值對PM2.5的影響以負向為主，影響較強區(qū)域主要集中在寧夏、甘肅、云南和貴州等地，而正向影響較強區(qū)域分布在陜西南部地區(qū)（見圖2c）。年平均人口的回歸系數(shù)空間差異性不大，在長江沿岸省市和內(nèi)蒙古中部地區(qū)為負效應，其余區(qū)域為正效應（見圖2d）。工業(yè)企業(yè)數(shù)對PM2.5的影響僅在京津冀、山東、遼寧以及四川、甘肅和陜西三省交界區(qū)域等地呈現(xiàn)負向效應，而其余大部分城市為正向效應（見圖2e）。工業(yè)煙（粉）塵排放量的正向回歸系數(shù)所占比例更大，僅在在華北、四川、云南和貴州等地為負值（見圖2f）。

圖2 2016年關鍵驅(qū)動因素回歸系數(shù)空間分布Figure 2 The spatial distribution of regression coefficients of the key drivers in 2016

圖3中，風速對PM2.5的影響以正相關為主，主要分布在南方和華北等地區(qū)（見圖3a）。降水率對 PM2.5的影響則以負向為主，僅在安徽、上海、江蘇西南部、浙江北部和山東半島等地為正向效應（見圖3b）。氣溫對PM2.5的影響呈現(xiàn)出明顯的空間異質(zhì)性，影響強度較大區(qū)域主要集中在中部和東部地區(qū)，其中，淮河以北為正相關，淮河以南為負相關（見圖3c）。氣壓對PM2.5的影響強度僅在內(nèi)蒙古和黑龍江東部、華北以及山東等地為負效應，而在其余大部分城市內(nèi)呈現(xiàn)正向效應（見圖3d）。比濕度對 PM2.5的正負影響比例相當，負相關效應主要分布在華北、華中和華南部分地區(qū)，而正相關效應主要分布在西部、東北和長三角城市群（見圖3e）。地區(qū)生產(chǎn)總值對PM2.5的影響以負向為主，正向影響主要集中分布在甘肅、陜西和四川東部（見圖3f）。年平均人口的回歸系數(shù)在長江流域顯現(xiàn)負效應，其余地區(qū)為正效應（見圖3g）。工業(yè)企業(yè)數(shù)對PM2.5的負相關效應主要分布在北方地區(qū)，高值區(qū)集中在西北地區(qū)，而正相關效應主要分布在南方，高值區(qū)集中在西南地區(qū)（見圖3h）。公路貨運量對PM2.5的正向影響主要分布在華東和華中地區(qū)，負向影響則主要分布在東北、華南和西部地區(qū)（見圖3i）。

圖3 2017年關鍵驅(qū)動因素回歸系數(shù)空間分布Figure 3 The spatial distribution of regression coefficients of the key drivers in 2017

2018年氣溫的回歸系數(shù)在空間上具有非常明顯的變化，作用較強的區(qū)域主要分布在華北、華東和華南部分地區(qū)。在南方主要表現(xiàn)為負向作用，而在中原城市群、京津冀地區(qū)和山東半島等地，正向影響非常強烈（見圖4a）。氣壓對PM2.5的影響以正向影響為主，主要集中在秦嶺以南的地區(qū)，而在東北、華北和山東等地則表現(xiàn)為明顯的負效應（見圖4b）。比濕度系數(shù)在河北、山東、山西、陜西與河南等地呈現(xiàn)為負向作用，東北、長三角、珠三角以及西部地區(qū)（陜西省除外）為正向作用（見圖4c）。地區(qū)生產(chǎn)總值對PM2.5的影響在四川、甘肅、陜西、山西、河南等部分地區(qū)為正向效應，而在其余區(qū)域為負向效應（見圖4d）。年平均人口對PM2.5的正向作用主要分布在秦嶺以北和華南地區(qū)，而在西南地區(qū)和長江中下游平原，人口與PM2.5之間呈負相關關系（見圖4e）。工業(yè)企業(yè)數(shù)的回歸系數(shù)在空間上存在明顯的南北差異，負向作用主要分布在東北地區(qū)、華北、華東和西北部分地區(qū)，而在西南、華南和華中南部等地為正向作用（見圖4f）。公路貨運量對PM2.5的影響在遼東半島、山東半島、京津冀、甘肅和陜西南部等區(qū)域為正向效應，而在內(nèi)蒙古東部、黑龍江和西南地區(qū)等地為負向效應（見圖4g）。

圖4 2018年關鍵驅(qū)動因素回歸系數(shù)空間分布Figure 4 The spatial distribution of regression coefficients of the key drivers in 2018

2.4 討論

本研究在構(gòu)建4個時間截面上的地理加權(quán)嶺回歸模型時，為保證納入模型的變量都是對PM2.5具有顯著貢獻的因素，同時為降低模型冗余，并沒有使用完全一致的變量，而是根據(jù)各年份地理探測結(jié)果，分別選擇顯著性水平P<0.001的關鍵驅(qū)動因素參與模型構(gòu)建。由于各年份探測出的關鍵驅(qū)動因素具有差異性，導致部分模型回歸變量在時間尺度上不具有連續(xù)性，只能觀察其在單一時間節(jié)點上對PM2.5的影響。從不同時間截面上各關鍵因素回歸系數(shù)的空間分布特征可以發(fā)現(xiàn)，各因素與 PM2.5存在空間非平穩(wěn)性，且同一關鍵驅(qū)動因素對 PM2.5的影響強度和作用方向在時間和空間兩個維度上均存在較大差異，主要表現(xiàn)在氣溫、比濕度、地區(qū)生產(chǎn)總值、年平均人口和工業(yè)企業(yè)數(shù)這幾個因素上，為此在制定污染防治措施時應該充分考慮因素影響的時空異質(zhì)性。

2015—2018 年間，氣溫的回歸系數(shù)在空間分布格局中發(fā)生了較大變化，除遼寧、京津冀、浙江、江西、云南、四川和貴州等部分區(qū)域外，其對PM2.5的作用方向均發(fā)生了轉(zhuǎn)變，同時正負影響效應的空間聚集性更加明顯。到2018年，在中國東部地區(qū)呈現(xiàn)出明顯的南北分異特征，在南方地區(qū)主要表現(xiàn)為負向作用，這是因為當氣溫較高時，大氣的垂直湍流作用會加強，可以促進PM2.5的擴散（謝劭峰等，2020）。而在北方地區(qū)主要為正向作用，尤其在京津冀地區(qū)和山東等地，氣溫對 PM2.5的正向影響非常強烈，可能是由于這些地區(qū)近地面相對濕度較大，并且容易遭受寒流侵襲形成逆溫現(xiàn)象，進而更容易導致PM2.5污染加劇（趙晨曦等，2014；劉海猛等，2018）。

從比濕度系數(shù)的空間分布來看，其對 PM2.5的負相關效應在 2015年僅集中在河南省和華東北部地區(qū)，但在 2016—2018年逐漸向西北和華南等地延伸，穩(wěn)定的正值聚集區(qū)分布在西南和東北地區(qū)。出現(xiàn)正負兩種不同影響的原因與各地大氣濕度水平有關，當濕度低于臨界條件時，其增加可能會導致顆粒物表面凝結(jié)大量水汽，形成霧滴懸浮于大氣，不利于污染物的稀釋與擴散；當濕度高于特定閾值時，較高的空氣濕度會使細顆粒物表面吸附能力增強，形成更大的顆粒物沉降，同時濕度持續(xù)升高可能會引發(fā)降水，在一定程度可減少懸浮大氣中的PM2.5（郭春月等，2016；王祎頔等，2018；姚青等，2020）。

從2015—2018年，在東北、華東、華中和西南地區(qū)，城市地區(qū)生產(chǎn)總值對PM2.5的作用方向逐漸由正轉(zhuǎn)負，到2018年負相關效應已占近80%，表明中國大部分區(qū)域經(jīng)濟的發(fā)展與污染物排放呈現(xiàn)出脫鉤效應。但是在西部地區(qū)部分城市形成了一個正值聚集區(qū)，可能是因為西部地區(qū)發(fā)展模式較粗放，經(jīng)濟發(fā)展的同時易造成更大的環(huán)境代價（黃小剛等，2020）。

在研究時段內(nèi)，年平均人口對PM2.5的影響強度波動范圍較小，其回歸系數(shù)空間變化主要體現(xiàn)在作用方向上，從整體上看正向作用逐漸增加，且逐漸向西北和華中地區(qū)轉(zhuǎn)移，在2018年有超過75%的城市人口與PM2.5呈現(xiàn)正相關性，而在西南地區(qū)和長江中下游平原地區(qū)，人口與 PM2.5一直呈負相關關系，說明城市人口規(guī)模增加并不一定會造成大氣環(huán)境質(zhì)量下降，但與居民生產(chǎn)生活方式相關（張淑平等，2016）。

工業(yè)企業(yè)數(shù)對PM2.5的負向作用由2015年的東北聚集區(qū)逐漸向華北、西北和華東地區(qū)拓展，表明PM2.5并不會因工業(yè)企業(yè)數(shù)量和規(guī)模增加而發(fā)生顯著變化。該現(xiàn)象與不同城市經(jīng)濟發(fā)展水平和產(chǎn)業(yè)結(jié)構(gòu)相關，例如江蘇、浙江等省的產(chǎn)業(yè)結(jié)構(gòu)比較穩(wěn)定，服務業(yè)和產(chǎn)業(yè)密集型企業(yè)數(shù)量眾多，由技術(shù)聚集效應產(chǎn)生的企業(yè)數(shù)量增加會在一定程度上促進生產(chǎn)技術(shù)和效率的提高，有助于降低污染物的排放（馬忠玉等，2017）。而在西南地區(qū)逐漸形成一個正向高值區(qū)，可能原因在于該區(qū)域的產(chǎn)業(yè)聚集水平不夠，資源依賴型企業(yè)數(shù)量多，且資源利用效率不高所引起（王少劍等，2020）。

3 結(jié)論

本文利用地理探測器和地理加權(quán)嶺回歸模型對 PM2.5空間分異影響因素展開分析，得出以下主要結(jié)論：

（1）由地理探測結(jié)果可知，氣象參數(shù)和社會經(jīng)濟因素對 PM2.5空間分異解釋性更強。不同年份主導因素不同，2015年關鍵驅(qū)動因素貢獻度排序為比濕度>氣溫>工業(yè)企業(yè)數(shù)>年平均人口>地區(qū)生產(chǎn)總值>氣壓>綠地面積；2016年為比濕度>氣溫>工業(yè)企業(yè)數(shù)>年平均人口>地區(qū)生產(chǎn)總值>工業(yè)煙（粉）塵排放量；2017年為比濕度>氣溫>工業(yè)企業(yè)數(shù)>年平均人口>公路貨運量>地區(qū)生產(chǎn)總值>氣壓>風速>降水率；2018年為比濕度>氣溫>工業(yè)企業(yè)數(shù)>年平均人口>公路貨運量>氣壓>地區(qū)生產(chǎn)總值。

（2）通過對比分析OLS、GWR和GWRR模型的性能，發(fā)現(xiàn)GWRR模型的擬合結(jié)果良好，其R2和AICc較OLS和GWR的模型效果更優(yōu)。

（3）根據(jù)地理加權(quán)嶺回歸模型結(jié)果，各關鍵驅(qū)動因素與 PM2.5存在空間非平穩(wěn)性。各因素的影響既存在正向效應也存在負向效應，且空間差異性明顯。氣溫、比濕度、地區(qū)生產(chǎn)總值、年平均人口和工業(yè)企業(yè)數(shù)對PM2.5影響的空間分布特征在時間尺度上存在明顯差異。

此外，本研究還存在一定的局限性。一方面，本文使用的是城市截面數(shù)據(jù)，很多更細微的變化特征無法觀察；另一方面，所選影響因素不夠全面，僅考慮了能獲取統(tǒng)計數(shù)據(jù)的部分因素，同時僅分析了單一因素對PM2.5的影響情況，尚未考慮不同因素對PM2.5的協(xié)同影響。