PM2.5污染对中国人口死亡率的影响——基于346个城市面板数据的实证分析

中国生态文明建设和“健康中国”战略强调切实治理影响人口健康的环境问题,建设健康人居环境。论文基于2000年和2010年中国人口普查资料以及2005年和2015年各省级行政单元1%人口抽样调查等数据资料,论文使用探索性空间分析方法刻画中国城市人口死亡率的时空变化特征,并采用空间回归方法,揭示城市PM_2.5的平均浓度对人口死亡率的影响及其空间溢出效应,以及社会经济因素对PM_2.5—人口死亡率关联的调节效应。结果表明：① 中国城市人口死亡率的空间分布特征呈现明显的异质性,高死亡率地区早期集聚分布于西南地区,2005年后在西南地区、华北地区、华东地区和华中地区呈现逐渐集聚分布态势。低死亡率地区长期集中分布于西北地区、东北地区、长三角地区、珠三角地区和京津两市。② 人口死亡率的分布存在空间关联性,高—高类型地区早期集中分布于西南地区,后期向东扩展;低—低类型地区主要分布于北疆、内蒙古西部和广东省及其周边地区。③ 城市PM_2.5浓度对人口死亡率具有显著的正向影响,并且对邻近地区的人口死亡率具有显著的空间溢出效应。④ 中国城市PM_2.5浓度对人口死亡率的影响存在学历差异和城乡差异,地区高学历人群集聚可降低PM_2.5的健康风险,城镇化发展进程缓慢则会加重PM_2.5的健康风险。研究旨在为防范空气污染暴露导致的健康风险、建设健康人居环境提供科学依据。     

城市规模分布与空气质量的关系——基于LandScan数据的跨国研究

对于何种城市规模分布有利于促进绿色发展,学界在理论与实证方面都存在争议,且鲜见跨国的实证研究。基于2000—2015年LandScan人口数据和欧空局土地覆盖类型数据,识别了具有统一定义的全球近100个国家的所有城市,通过描述性统计和面板双向固定效应模型探究城市规模分布对PM_2.5浓度的影响。研究发现,均衡的城市规模分布总体上能够降低国家的PM_2.5浓度,这是因为均衡的城市规模分布能够通过促进分工合作和减少交通出行来降低PM_2.5浓度。实证结果具有一定异质性,在人口密度较高或政府干预程度较高的国家,均衡的城市规模分布更有利于降低国家PM_2.5浓度,而在人口密度较低或政府干预程度较低的国家,相对极化的城市规模分布更有利于国家PM_2.5浓度的下降。本研究丰富了城市规模分布对PM_2.5浓度影响在跨国层面的证据,对制定可持续发展的国土空间规划具有重要的启示。     

基于产业结构关联视角的区域经济韧性作用机理研究——以江苏省为例

探讨经济韧性的作用机理有助于增强经济体对冲击的抵抗能力,并提高冲击后的复苏成效。因此,论文从自身对比的纵向角度剖析了江苏省经济韧性水平,并通过网络分析方法研究其多年投入产出表以明晰产业结构变化状况与经济韧性作用机理,得出以下结论：① 从自身对比的纵向角度而言,江苏省经济韧性在经济危机冲击中呈现出“高—低—中”的状态;② 核心行业及其关联占据了产业网络结构中的主要位置,通过刺激现有核心行业能够实现经济体的高韧性;③ 发掘并扩展新的经济增长点能有效提升经济系统的综合韧性,其内涵在于以更强的增长中和、弥补衰落;④ 经济韧性的作用机理可以理解为经济体在面对冲击时,通过放弃网络边缘行业以集中发展要素维系其核心行业架构的正常运转,传统核心行业的受损状态与新型行业成长速度共同决定了区域经济韧性发挥效果。     

基于灰色关联模型对江苏省PM2.5浓度影响因素的分析

采用克里金插值法分析2014年江苏省PM_2.5浓度空间分布特征,运用灰色关联模型计算PM_2.5浓度与影响因素间关联度,分析主要影响指标因子与PM_2.5浓度空间分布的相互关系。结果显示：① 江苏省PM_2.5浓度具有沿海低、内陆高,南部高、北部低的空间分布特征;② PM_2.5污染来源指标层的权重值最大（w_i = 0.4691）,空气质量与气象要素指标层的权重稍大（w_i = 0.2866）,城市化与产业结构层的权重值最小（w_i = 0.2453）;③ 在27个指标因子中,与PM_2.5浓度关联度为中度的仅有公路客运量、房屋建筑施工面积、园林绿地面积、人口密度等4个指标因子,PM_2.5与其余指标因子均呈强度相关联,其中与PM₁₀、O₃、降雨量、公路货运总量、地区工业总产值和第二产业占地区生产总值比重等指标的关联度较高;④ PM_2.5污染源指标层与PM_2.5浓度关联度值较大的城市分别是南京、无锡、常州、南通、泰州市;城市化与产业结构指标层与PM_2.5浓度关联度值较大的城市分别是徐州、苏州、盐城、常州市;空气质量与气象要素指标层与PM_2.5浓度关联度值较大的城市分别是盐城、扬州、常州、南通市。综合分析可知,影响指标因子关联度值与PM_2.5浓度空间分布有较好相关性。研究表明,灰色关联模型可有效分析影响PM_2.5浓度的主要因素,能对PM_2.5浓度影响指标进行定量分析与评价。     

中国城市网络关联与经济增长溢出效应——基于大数据与网络分析方法的研究

深化城市网络空间特征的认识,科学测度经济增长的溢出效应,对推进新时期区域协调发展具有重要意义。本文结合城市网络和网络外部性两种研究视角,基于网络分析和空间计量方法,使用互联网大数据构建信息网络、企业网络、人口网络三种流要素城市网络,对中国336个地级以上行政单元的网络空间异质性、经济增长溢出效应进行实证分析。研究发现：中国城市网络联系具有显著的空间异质性,呈现出“中心-外围”特点,形成全国范围和省域、城市群范围两种尺度下的空间结构,表现出兼具择优选择与地理邻近的复杂特征;网络关联下城市经济增长具有显著的正向和负向溢出效应,反映出网络外部性对区域经济增长的重要影响,对比实体空间溢出效应表现出地理邻近关系下的相似性,以及跨越省级边界的差异性;对于全国范围下的网络关联矩阵,使用对称化和标准化处理更为合适,表明省域和城市群是推进区域经济协调发展的重要载体。     

基于制度背景与经济活动交互效应的广东省PM2.5污染驱动因素分析

为探讨社会经济活动与制度背景的交互效应对PM_2.5污染的影响,文章选取经济转型的前沿阵地——广东进行了实证分析。基于遥感影像获取的PM_2.5质量浓度数据,运用空间马尔科夫链和空间计量模型,定量刻画了广东省1998—2015年PM_2.5质量浓度的时空演变特征,并对不同制度背景下社会经济活动对PM_2.5的影响进行了量化分析。结果表明：广东省地级市PM_2.5质量浓度呈现先上升后缓慢下降的过程,PM_2.5质量浓度形成“以珠江口为核心”的圈层空间结构,呈现“以佛山、广州和东莞为核心,先扩散、后集中”的空间演变特征。空间马尔科夫链结果表明：PM_2.5质量浓度演变存在显著的空间交互性。若与PM_2.5质量浓度高的区域为邻,则该区域PM_2.5质量浓度增大的概率将会变大;而与PM_2.5质量浓度低的区域为邻,该区域的PM_2.5质量浓度的变化则不会受到明显的影响。社会经济因素和制度背景的交互项表明：高市场化水平能够削弱工业生产对PM_2.5的正效应。分权化过程促进了工业生产对PM_2.5污染的正效应;同时,显著降低了污染密集型工业生产的排放。全球化进程通过引进清洁技术促进技术进步从而降低PM_2.5的污染。此外,环境规制通过降低工业生产排放和倒逼技术进步达到降霾效果。     

关联视角下的区域产业动态研究进展与反思

区域产业动态是经济地理学的经典研究主题。不同尺度的传统经济地理研究常以企业、产业和区域为研究对象,忽略了不同个体之间的关联。近年来,经济地理学增加了关于企业关联的研究,但对于产业关联和区域关联的关注仍显不足。基于关联视角,本文首先围绕产业关联和区域关联等概念探讨了关联的形成机制,进一步梳理关于产业关联、区域关联与区域产业动态的研究进展,并为未来区域产业动态研究提出相关建议。与企业关联相同,产业和区域关联也与个体间的要素流动有关。现有研究表明产业关联有助于揭示区域产业演化规律,而区域关联会通过区域间要素流动影响区域产业动态。关联视角是区域产业动态研究的新视角,具有较大的研究潜力,值得引起经济地理学者们的关注。     

技术关联、交通可达性与企业生产率——基于公路和铁路的研究

企业是区域经济发展的微观基础。企业生产率增长会影响区域长期经济发展,因此有必要深入分析企业生产率变动的影响因素和内在机制。基于中国工业企业年度调查数据（ASIF）,通过两阶段回归模型（2SLS）探讨企业与区域产业环境间的技术关联对企业生产率的影响,并分析不同交通类型的区域可达性的调节作用差异。结果显示：① 企业与区域间的技术关联越高,企业的全要素生产率会越高。② 区域可达性能够调节技术关联与企业生产率间的关系,且异质性交通网络的调节效应不同。在公路可达性高的区域内,企业生产率受到企业与区域间技术关联的影响较强;相反,提升区域铁路可达性则主要表现为削弱技术关联对企业生产率的作用。③ 区域可达性的调节效应还存在产业和空间异质性。比起劳动密集型企业,资本、技术密集型企业的生产率与技术关联间的关系受区域可达性的影响更明显。对于不同区域,公路可达性会使东部企业的生产率更依赖技术关联,而中西部企业刚好相反;铁路可达性则能促使东部企业发生“突破性”的生产率变化,对中西部企业没有明显影响。     

“全球—地方”视角下中国汽车生产网络的跨域关联与影响因素—— 一汽—大众案例

全球生产网络背景下,生产组织的“全球—地方”跨域关联研究具有重要的理论意义。为探究中国合资汽车生产网络在“全球—地方”互动情景下跨域网络特征及地理空间表征,论文基于“全球—地方”生产关联与多尺度融合视角,利用整车制造一级供应链数据,分析以一汽—大众为代表的中国合资汽车生产网络的跨域关联及其影响因素。研究发现：① “全球—地方”多尺度融合为理解跨国公司构建全球生产网络的产业转移足迹提供了良好视角。德国大众公司通过构建全球生产网络嵌入中国汽车制造业体系,生产网络结构表现出典型的“全球—地方”关联特征。② 一汽—大众整车生产本土一级供应商数量的空间分布与中国国土开发的“T”字形战略高度吻合。供应商资本类型/技术掌控呈现出同类型空间集聚的地域组织模式,集聚程度呈现独资≈合资>内资的差异性特征。③ 一汽—大众通过整车厂生产转移和跨区域供应链采购,生产组织形成了以整车厂所在城市为核心、受地理边界制约的跨区域集群网络结构。④ 地理时空约束、区位优势与集聚效应、模块化生产为代表的技术革新、跨国集团的企业战略与外资俱乐部策略,共同影响了一汽—大众汽车生产网络的空间组织结构。论文通过典型案例研究,为理解“全球—地方”多尺度下中国关键性产业生产网络的组织结构提供了理论与现实依据。     

中国特色保护类村庄时空动态特征与振兴对策研究——基于种群生态学视角

特色保护类村庄是乡村振兴的基本类型和文化传承的重要载体之一。基于种群生态学视角,将全部国家级特色保护类村庄视为共有中华优秀传统文化基因库的特殊种群,描摹种群时空动态特征,分析种内个体关系特征;引入三维魔方图方法,借鉴动植物生活史对策和协同进化论,确定村庄所属对策者类型,分类设计振兴策略。结果表明：① 就过程特征而言,2003—2020年国家级特色保护类村庄种群数量和结构变化的三阶段特征显著,已发展为总数达8173个、表型有11种的稳定型种群;② 就空间特征而言,该种群始终成簇分布在地理边缘,主要聚集在“胡焕庸线”东南半壁的地势阶梯过渡带和省际交界地区,形成了1个三角形结构;③ 就关系特征而言,该种群内个体按功能性状分为文化多样性保护型与文化旅游业发展型,按集群效应分为弱、强两种类型,按共生关系分为不显著型与显著型,则有8种组合类型;④ 就振兴对策而言,种内个体据其关系特征组合和能量分配方向,分属M-对策者（6386个）、L-对策者（511个）和S-对策者（1276个）,相应采用“保护文化基因载体”“提高竞争扩散能力”和“建立互利共生关系”策略。聚焦典型地理种群,从个体表现型深入到基因型是后续研究方向。     

上海市PM2.5浓度变化特征及其气象因子分析

对上海市2012-2016年PM_2.5质量浓度、气象因素数据资料进行整理统计,通过定性分析与定量计算相结合的方法,揭示近年来上海市PM_2.5浓度的变化特征及其污染状况;采用相关性分析,从温度、气压、相对湿度、风向、风速和降水量等方面探讨了PM_2.5浓度与气象因素之间的关联性。结果表明：上海市近5 a空气质量主要为优和良,污染天数所占全年比例在减少。PM_2.5浓度呈现出夏季低,冬季高的季节特征,而且8月PM_2.5浓度最低,处于16~36 μg·m^-3;PM_2.5的日变化呈现出双峰双谷结构,浓度峰值出现于8~9时和19~20时,且后者浓度更高。气温、气压、相对湿度的阈值分别出现在9.8℃、1 021.6 hPa、83%,最大PM_2.5在阈值处出现显著变化;最大PM_2.5浓度与累积风速和降水量呈现出对数关系,并且东北风和东南风的累积风速达到350 m·s^-1以上时,PM_2.5浓度基本减少至35 μg·m^-3;降水量越大,PM_2.5浓度越低。     

2003-2016年中国PM2.5质量浓度时空格局演变及影响因素解析

以中国286个主要地级市为研究区域,基于2003—2016年中国地级市大气PM_2.5质量浓度栅格数据及各地级市社会经济数据,运用空间自相关和空间面板杜宾模型,揭示了中国地级市PM_2.5质量浓度的时空格局与影响因素。研究显示：(1)中国PM_2.5污染在时序演化上呈“M”型波动态势,在空间分布上以胡焕庸线为界呈现出“东高西低”的集聚型格局;(2)中国地级市PM_2.5污染在空间效应上呈现出显著的正相关性,表明区域间大气污染存在交互影响;(3)人口密度与非农产业从业人员占比对PM_2.5质量浓度升高的贡献最大,而液化石油气供气总量与第三产业占GDP的比重对PM_2.5有较为显著的负向消减作用。     

乌鲁木市PM2.5浓度与MODIS气溶胶光学厚度相关性分析

选择西北干旱区城市乌鲁木齐市为研究区,利用MODIS气溶胶产品（AOD）数据和地面监测站PM_2.5浓度数据进行相关性分析,结果表明：二者相关性良好,对AOD数据进行垂直订正和湿度订正后,发现相关性进一步提升（0.49～0.80,p<0.01）。对订正后AOD数据与地面PM_2.5浓度进行建模并选取最优模型,结果均为一元三次模型且模型R²在0.27～0.69之间,其中春秋两季模型R²较高,夏季较低。对模型精度进行验证结果,显示春季与秋季模型精度良好,夏季较差,说明MODIS气溶胶光学厚度数据可以用于反演干旱区地面PM_2.5浓度值,对卫星遥感在干旱区地面空气监测应用提供了新的方法和思路。     

Spatiotemporal evolution of PM2.5 concentrations in urban agglomerations of China

As the main form of new urbanization in China,urban agglomerations are an im-portant platform to support national economic growth,promote coordinated regional devel-opment,and participate in international competition and cooperation.However,they have become core areas for air pollution.This study used PM2.5 data from NASA atmospheric re-mote sensing image inversion from 2000 to 2015 and spatial analysis including a spatial Durbin model to reveal the spatio-temporal evolution characteristics and main factors con-trolling PM2.5 in China's urban agglomerations.The main conclusions are as follows:(1)From 2000 to 2015,the PM2.5 concentrations of China's urban agglomerations showed a growing trend with some volatility.In 2007,there was an inflection point.The number of low-concentration cities decreased,while the number of high-concentration cities increased.(2)The concentrations of PM2.5 in urban agglomerations were high in the west and low in the east,with the"Hu Line"as the boundary.The spatial differences were significant and in-creasing.The concentration of PM2.5 grew faster in urban agglomerations in the eastern and northeastern regions.(3)The urban agglomeration of PM2.5 had significant spatial concentra-tions.The hot spots were concentrated to the east of the Hu Line,and the number of hot-spot cities continued to rise.The cold spots were concentrated to the west of the Hu Line,and the number of cold-spot cities continued to decline.(4)There was a significant spatial spillover effect of PM2.5 pollution among cities within urban agglomerations.The main factors control-ling PM2.5 pollution in different urban agglomerations had significant differences.Industriali-zation and energy consumption had a significant positive impact on PM2.5 pollution.Foreign direct investment had a significant negative impact on PM2.5 pollution in the southeast coastal and border urban agglomerations.Population density had a significant positive impact on PM2.5 pollution in a particular region,but this had the opposite effect in neighboring areas.Urbanization rate had a negative impact on PM2.5 pollution in national-level urban agglomer-ations,but this had the opposite effect in regional and local urban agglomerations.A high degree of industrial structure had a significant negative impact on PM2.5 pollution in a region,but this had an opposite effect in neighboring regions.Technical support level had a signifi-cant impact on PM2.5 pollution,but there were lag effects and rebound effects.     

2001-2010年非洲大气PM2.5污染浓度空间格局演化

基于NASA的全球大气PM2.5年均污染浓度栅格数据,通过对非洲行政边界矢量化、分区统计各国大气PM2.5浓度均值及建立空间数据库,利用重力模型、ESDA模型及GIS空间统计分析方法,对非洲52个主要国家（地区）2001 – 2010年间的大气PM2.5污染浓度时空格局特征演化进行探究,并依据时间序列特征将研究对象划分为8类。研究结果表明：（1）2001-2010年非洲大气PM2.5污染浓度大致呈现“中间高、南北低;西部高、东部低”的空间特征;其中高值区集中分布在非洲西部几内亚湾附近的尼日利亚、刚果与喀麦隆等国家,低值区则广泛地分布在北非、南非以及非洲东南部印度洋沿岸地区或岛屿。（2）基于ESDA模型的空间自相关分析发现PM2.5浓度“高-高”热点区主要集聚在几内亚湾附近主要国家,“低-低”冷点区集中在东南部印度洋沿岸的南非、莫桑比克与马达加斯加岛。（3）时序上2001-2010年非洲PM2.5年平均污染浓度呈现明显下降趋势,其中32个国家（占研究区总数的61.54%）2010年PM2.5污染年均浓度低于2001年。（4）从自然环境条件及社会经济因素两方面浅析其空间格局主要成因：几内亚湾沿岸是非洲PM2.5污染最严重的地区,因其人口稠密且高度依赖石油产业;非洲东南部地区PM2.5污染最轻,得益于其良好的自然环境条件及低污染的支柱产业。     

中国PM2.5污染与社会经济的空间关系及成因

中国高能耗的经济增长模式和不生态的城镇化模式是PM_2.5污染的主要诱因,为了弄清PM_2.5的本质,着重研究PM_2.5污染的产出机理与模型。首先用逐步回归分析法,确定对PM_2.5影响较大的变量,再对PM_2.5及其相关变量进行空间相关分析,在GIS技术与空间统计学的支持下,建立中国区域性细颗粒物空气污染评估模型。结果表明：中国PM_2.5污染具有东高西低的区域差异特点,这与中国人口分布密度特征曲线（胡焕庸线）所划分出的人口空间分布特点相一致。考虑了空间效应影响的模型拟合度（R²=0.71）优于传统统计模型（R²=0.62）。PM_2.5与总人口、人均汽车保有量的平方、第二产值比例的平方成正比,与森林覆盖率的平方成反比,其中对PM_2.5贡献率最大的是人均汽车保有量。     

基于移动式监测的道路PM2.5浓度精细化时空模拟

作为主要的大气污染指标,PM_2.5浓度常来源于固定环境监测站点的监测与遥感影像数据,但时空精度普遍不足,难以揭示微尺度下城市内部PM_2.5时空分布情况。本文利用移动式监测方法,选择典型工作日(2017年11月27日),对广州市主城区道路以1 s和1 m为时空粒度进行PM_2.5浓度数据采集,并以早、晚出行高峰时段为对象,通过机器学习方法模拟道路PM_2.5精细化时空分布格局。结果表明,主城区早高峰道路PM_2.5浓度值相近的平均范围为24 m,晚高峰为15 m,PM_2.5浓度存在微尺度的时空异质性。利用多层感知器(MLP)构建的早、晚高峰PM_2.5浓度模型,拟合度分别达到0.70和0.68,明显优于传统的普通最小二乘法(OLS)线性回归模型。模型揭示出早高峰主城区全路网PM_2.5平均浓度为30.19μg/m3,晚高峰达到44.55μg/m3,部分高达94.82μg/m3,且“西高东低”的分布特征显著。本文提出的PM     

Spatio-temporal evolution and the influencing factors of PM2.5 in China between 2000 and 2015

High concentrations of PM_2.5 are universally considered as a main cause for haze formation. Therefore, it is important to identify the spatial heterogeneity and influencing factors of PM_2.5 concentrations for regional air quality control and management. In this study, PM_2.5 data from 2000 to 2015 was determined from an inversion of NASA atmospheric remote sensing images. Using geo-statistics, geographic detectors, and geo-spatial analysis methods, the spatio-temporal evolution patterns and driving factors of PM_2.5 concentration in China were evaluated. The main results are as follows. (1) In general, the average concentration of PM_2.5 in China increased quickly and reached its peak value in 2006; subsequently, concentrations remained between 21.84 and 35.08 μg/m³. (2) PM_2.5 is strikingly heterogeneous in China, with higher concentrations in the north and east than in the south and west. In particular, areas with relatively high PM_2.5 concentrations are primarily in four regions, the Huang-Huai-Hai Plain, Lower Yangtze River Delta Plain, Sichuan Basin, and Taklimakan Desert. Among them, Beijing-Tianjin-Hebei Region has the highest concentration of PM_2.5. (3) The center of gravity of PM_2.5 has generally moved northeastward, which indicates an increasingly serious haze in eastern China. High-value PM_2.5 concentrations have moved eastward, while low-value PM_2.5 has moved westward. (4) Spatial autocorrelation analysis indicates a significantly positive spatial correlation. The “High-High” PM_2.5 agglomeration areas are distributed in the Huang-Huai-Hai Plain, Fenhe-Weihe River Basin, Sichuan Basin, and Jianghan Plain regions. The “Low-Low” PM_2.5 agglomeration areas include Inner Mongolia and Heilongjiang, north of the Great Wall, Qinghai-Tibet Plateau, and Taiwan, Hainan, and Fujian and other southeast coastal cities and islands. (5) Geographic detection analysis indicates that both natural and anthropogenic factors account for spatial variations in PM_2.5 concentration. Geographical location, population density, automobile quantity, industrial discharge, and straw burning are the main driving forces of PM_2.5 concentration in China.