数字化技术、城市形态与气候因子对PM2.5污染的交互影响机制研究——基于中国272个城市的时空地理探测分析

本研究针对PM2.5污染治理中多因素交互机制不明确的问题，通过地理探测器模型分析中国272个城市数据，揭示数字化技术（DIG）与气候因子、城市形态的交互作用对PM2.5的非线性影响，为跨维度协同治理提供科学依据。

　　

随着城市化进程加速和气候变化加剧，PM_2.5污染已成为中国乃至全球面临的重大环境与健康挑战。尽管已有大量研究从社会经济、自然环境和城市形态等单一维度探讨PM_2.5的驱动因素，但多数忽视了数字化技术（DIG）这一新兴变量与其他因素的复杂交互作用。这种局限性导致政策制定往往缺乏系统性，难以实现多维度协同治理。为此，研究人员以中国272个城市为研究对象，结合2005、2010、2015和2020年的多源数据，运用最优参数地理探测器模型（OPGD），深入剖析了DIG、气候因子与城市形态对PM_2.5污染的独立及交互影响，相关成果发表在《Environmental and Sustainability Indicators》上，为精准治污提供了新视角。

研究主要采用了地理空间分析、主成分分析（PCA）和熵权法构建数字化技术评价指标体系。首先，基于卫星反演的PM_2.5浓度数据（源自大气成分分析组）和城市建成区土地利用数据（源自中国科学院资源环境科学数据中心），通过FragStats 4.2软件计算了14项城市形态景观指标，并利用PCA降维得到4个主成分（PC₁-PC₄），分别表征城市紧凑连通性、复杂破碎性、中心性与规模连通性。气候数据（温度、降水、风速等）取自中国地表气候数据集，社会经济数据（人口密度、GDP、能源结构等）来自统计年鉴，数字化技术水平通过互联网用户数、信息产业从业人员等5项指标综合测算。最终采用OPGD模型量化各因子及其交互作用对PM_2.5空间分异的解释力（q值）。

4.1. PM_2.5的时空格局

2005–2020年间，中国城市PM_2.5浓度呈先升后降的倒U型趋势，202年均值降至27.87 μg/m3，较2005年下降23.29%。空间上呈现显著集聚特征，高值区集中于京津冀、华东及成渝地区，但2013年后因污染防治行动推进，高浓度范围明显缩小。

4.2. 影响因素的独立效应

人口密度（POP）和产业结构（IND）是PM_2.5最主要的驱动因子（q值0.37–0.47），数字化技术（DIG）的独立影响较弱（q值0.09–0.147），且与PM_2.5呈倒U型关系——初期因基础设施耗能推升污染，成熟后通过智能管理抑制排放。气候因子中温度（TEMP）影响最强（q值0.32–0.47），城市形态主成分PC₂（复杂破碎性）和PC₁（紧凑连通性）的贡献逐年上升，说明城市空间结构对污染扩散的制约日益凸显。

4.3. 交互作用分析

因子交互均表现为双因子增强或非线性增强效应。DIG与气温（TEMP）的交互解释力超0.67，是DIG独立作用的4倍以上；DIG与GDP、城市紧凑性（PC₁）、规模连通性（PC₄）的交互均呈现显著复合效应。值得注意的是，DIG与气候因子、城市形态的交互强度随时间呈先增后减趋势，反映其影响随技术成熟和规划优化而减弱。

4.3.1. 数字化-气候与社会经济交互

气温与人口密度的交互作用最强（q值达75.79%），凸显人为活动与气候变暖的协同增污效应。DIG与降水（PREP）、极端降雨（RAIN_peak）的交互亦加剧污染，说明数字技术早期应用可能放大气候风险的负面影响。

4.3.2. 数字化-城市形态交互

DIG与城市紧凑性（PC₁）、规模连通性（PC₄）的交互在2015年达到峰值（q值增幅超24%），表明单中心密集城市中数字技术可能诱发交通集聚而增排；但随着多中心结构发展和智能技术升级，二者协同逐步转向减排，例如通过交通流优化算法降低拥堵排放。

4.3.3. 区域异质性分析

东北地区DIG与城市中心性（PC₃）的交互在2010–2015年呈非线性减弱，源于传统工业城市通过数字化监控优化排放；东部地区人口与城市中心性的交互在2010年后因公共服务集约化减弱污染；西部地区DIG与城市复杂性（PC₂）的交互因地形限制监测盲区，随技术升级而改善。

研究结论与意义

本研究揭示了中国城市PM_2.5污染受多因素非线性交互驱动的本质，尤其明确了数字化技术在“促污”到“抑污”转型中的关键作用。其意义在于突破传统单因子治理范式，提出需统筹数字技术应用、城市空间优化与气候适应策略：例如在华北平原推动数字技术与紧凑城市协同，在中西部强化产业数字化升级，并通过跨部门数据平台实现气候-污染联动调控。未来需深化长期时序分析并引入机器学习方法，以更精准识别交互方向与动态机制。