2014-2023 年中国城市空气质量的时空变化及其决定因素：一项可解释的机器学习分析

《Journal of Environmental Management》：Spatio-temporal variation and determinants of urban air quality in Chinese cities during 2014-2023: an interpretable machine learning analysis

　　

• 2014年至2023年间，273座中国城市中85.30%的空气质量指数（AQI）得到改善，且呈现出显著的空间异质性。
• 绿色金融、人口密度和政府干预成为AQI的主要驱动因素。
• 绿色金融与数字金融只有在超过临界阈值后，才会从"增加人口"效应转变为"减少污染"效应（GFI约0.30–0.35；DFI约6.5）。
• 绿色金融/数字金融只有在强治理和低能耗强度的条件下才能实现空气质量改善。
• 67.50%的城市在2014年至2023年间其主导的AQI驱动因素发生了变化。

**引言**

空气质量治理被广泛认为是对公众健康保护、环境可持续性和长期社会经济发展的基本前提（Alvarado et al., 2021; Rafaj et al., 2018）。环境空气中含有多种污染物混合物，包括细颗粒物和粗颗粒物（PM2.5与PM10）（Akbarzadeh et al., 2018; Sager, 2025）、臭氧（O3）、二氧化氮（NO2）、二氧化硫（SO2）和一氧化碳（CO），其主要来源是工业生产、机动车排放以及以化石燃料为基础的能源生产（Marinello et al., 2020; Rahman et al., 2019; Tian et al., 2012）。长期暴露于高浓度的这些污染物与呼吸系统疾病（Vempilly et al., 2013）、心血管疾病（Khan et al., 2019）、神经损伤（Shah et al., 2015）、免疫系统功能障碍（Sharma et al., 2021）以及过早死亡（Münzel et al., 2020）相关。空气质量恶化通过推高医疗支出并阻碍外资与内资投资（Usman et al., 2022），制约了宏观经济的可持续发展（Guan et al., 2016; Xie et al., 2019）。因此，以精准、科学和依法治污为核心的区域协调治理至关重要。

由于快速工业化和城镇化，中国面临严峻的大气污染挑战，而中国政府展现出了对环境治理的坚定承诺（Zhang and Liu, 2022）。自2013年以来，一系列与国家可持续发展目标（SDGs）相衔接的全国性协同行动被实施以应对空气质量问题。其中，2013年启动的"蓝天保卫战"具有里程碑意义，它设定了具有约束力的PM2.5减排目标，将其纳入官员绩效考核，并推进煤改气、煤改电替代，实施更严格的车辆排放标准，并推广新能源汽车（Feng et al., 2022; Sánchez et al., 2009）。这些协同措施大幅降低了全国平均PM2.5水平。这些行动与中国政府为实现2060年碳中和目标而构建的更广泛政策框架相契合，该框架已在《"十四五"规划》中明确阐述，并在2030年生态文明建设议程中再次重申。生态文明建设是中国环境战略中的核心概念，强调实现经济增长与环境保护相协调的可持续发展。这一理念是中国政府致力于向绿色发展模式转型、将环境考量融入政策、产业发展和城镇化各领域的重要基础。绿色发展的目标是使经济增长脱离环境退化，与中国政府的碳减排目标及其发展低碳、高效产业的总体承诺相一致。

此外，资源禀赋和发展阶段在区域间的异质性，使中央、西部和东部等不同地区呈现出不同的污染驱动因素，这凸显了区域化、精准化治理的必要性（Hodel et al., 2024; Liu et al., 2024; Zhao et al., 2021）。针对中国城市群（如京津冀、长三角）的传统研究主要聚焦于交通、能源使用和工业的直接排放（Li et al., 2021; Wu et al., 2023）。然而，日益增长的文献表明，更广泛的社会经济条件——包括城镇化、工业增长和人口密度（PD）——在城市空气质量治理中发挥着关键作用，在某些情况下，其影响甚至可能超过单一排放前体物（Guo et al., 2022; Wang and Yang, 2024）。与此同时，数字与绿色金融的迅速扩张以及政府干预的加强，已成为环境改善的潜在渠道，部分原因在于其对技术和绿色创新的支持作用（Zhao and Yan, 2022）。然而，关于这些驱动因素与空气质量之间非线性关系的证据仍然相互矛盾（Wang et al., 2022a; Wang et al., 2024a），凸显了对传统污染决定因素和新兴因素进行综合分析的必要性。

在这一框架下，文献通常将影响空气质量的变量区分为通过相对直接的排放路径起作用的变量，以及通过技术、金融或结构变化等中介渠道间接起作用的变量。能源消耗（EC）是最直接的决定因素，其规模和燃料结构（尤其是对煤炭的依赖）在很大程度上决定了SO2、NO2和PM2.5等一次污染物的排放，并且通常与AQI水平正相关（Wu et al., 2023）。产业结构（IS），特别是重工业占比较高的情况，同样往往导致空气质量恶化（Zhao et al., 2020）。人口密度和城镇化率会集中交通、能源需求和施工活动，从而形成局部污染热点（Cheng et al., 2020; Zhang et al., 2022b）。相比之下，强政府干预（GI），如严格的排放标准和较高的环境绩效要求，通常对大气污染具有直接缓解作用（Wang et al., 2022b; Zhang et al., 2022a）。其他决定因素主要通过中介渠道（如技术采用、资本配置和结构转型）影响空气质量。绿色金融将资本从污染密集型行业重新配置到低碳项目上，而创新则降低了单位产出的排放强度，从而缓解了工业活动和能源使用对大气污染的影响（Wang, 2023; Zhang et al., 2023）。经济发展（人均GDP）通常遵循环境库兹涅茨曲线（EKC）模式：在早期阶段，经济增长会恶化空气质量，而在较高收入水平下，则通过扩大环境研发和监管执行方面的财政资源而促进改善（Dinda, 2004）。外商直接投资（FDI）和贸易开放度同样间接发挥作用，或者通过扩散清洁技术和管理实践（"污染光环假说"），或者通过促进污染密集型活动的转移（"污染天堂假说"），其净效应取决于东道国环境监管的严格程度（Copeland and Taylor, 2004）。

关于中国空气质量的现有实证研究往往聚焦于个别省份或城市群，并依赖传统统计方法，如斯皮尔曼相关分析（SCA）、灰色关联分析（GRA）、指标分解和参数化生产理论模型（Chen et al., 2020; Chengjing et al., 2023; Hou et al., 2021; Wang et al., 2024b; Wang et al., 2021）。这些方法对污染源贡献和部门驱动因素提供了有价值的洞见；然而，其对函数形式的强假设通常将决定因素视为可加的。因此，此类方法难以刻画空气质量动态所特有的复杂非线性响应和交互效应，例如数字金融指数（DFI）、能源消耗（EC）、产业结构（IS）与政府干预（GI）之间的交互作用（Wang et al., 2022a; Wang et al., 2024a）。这一局限主要将推断限制在平均、近线性的效应上，并无法提供关于各决定因素的影响如何随经济与金融发展阶段不同而变化的指导。这些缺口清楚地说明了对灵活、数据驱动工具的迫切需求——这些工具无需预先指定函数形式，且能稳健地还原非线性及交互效应。同样，关于关键决定因素的重要性及其符号如何在区域、省份和城市间以及随时间推移而变化的全国尺度证据仍很有限。一个既能联合提供准确时空建模，又能可解释地评估中国各地异质性变量贡献的框架，在文献中仍几乎缺失。近期的机器学习（ML）研究已开始着手解决这些问题，通过应用树模型或深度学习方法在城市或区域尺度预测PM2.5、AQI或相关污染物（Bakirci, 2024; Hou et al., 2025; Pan, 2025）。然而，仍存在三项局限：第一，现有大多数机器学习应用聚焦于单一污染物（通常是PM2.5）和有限的预测变量集，对金融、治理和结构因素共同作用的联合角色研究不足。第二，许多研究仅报告全局特征重要性排名，而未进一步还原非线性响应曲线、交互曲面或城市级分解，而这些恰恰是使机器学习模型对政策具有意义的关键诊断手段。第三，基于机器学习的中国区域分析往往局限于特定城市群（如京津冀或长三角）和较短的时间窗口，未探索关于驱动因素配置如何演化和在改善型与滞后型城市间差异的全国尺度、跨越十年的证据。因此，本研究的创新性并不在于提出新的机器学习算法，而在于构建一个基于AQI的全国城市级分析框架，联合整合排放相关、社会经济、金融、技术和监管决定因素，并在中国各城市间阐释其非线性、交互及空间异质性效应。

为解决上述缺口，本研究围绕一个总体目标和三个具体目标作出三项主要贡献。总体目标是识别并量化金融、治理、技术和结构决定因素对中国城市空气质量的非线性及交互效应，并将这些数据驱动的模式转化为基于证据的政策指导。三个具体目标如下：(i) 描绘2014年至2023年间273个地级市AQI的时空演变；(ii) 识别AQI最具影响力的决定因素并还原其非线性边际效应及交互效应；(iii) 基于特征归因和阈值模式推导出区域与城市特定的政策启示。相应地，本研究的第一项贡献是开发一种全国尺度、可解释的机器学习框架，结合TPE调优的树模型——梯度提升决策树（GBDT）、轻量梯度提升机（LightGBM）、极端梯度提升（XGBoost）和随机森林（RF）——并与SHAP和累积局部效应（ALE）相结合，在不施加函数形式假设的前提下还原非线性边际效应和交互模式。第二，我们通过对传统污染相关因素与新兴制度及金融驱动因素——绿色金融指数（GFI）、政府干预（GI）、数字金融指数（DFI）、绿色技术创新（GTI）、FDI、人口密度（PD）、城镇化率（UR）、产业结构（IS）、能源消耗（EC）和贸易开放度（OL）——进行联合分析，并对它们相对重要性如何随时间、区域、省份和城市变化进行图谱化描述，提供了对AQI决定因素的综合实证评估。第三，我们揭示了传统模型无法捕捉的若干显著非线性与交互机制。特别地，我们证明了GFI在本研究框架中是最具影响力的决定因素，并表现出明显的非线性效应：较高水平的DFI与空气质量改善相关，但超过某一阈值后，进一步增加反而与更弱甚至不利的影响相关，其中EC是关键中介渠道。我们还记录了DFI的显著非线性及交互效应，特别是在与IS和GI组合时。我们进一步提供了由各决定因素变化所归因的空气质量改善量化估计，为全国性及区域特定污染控制政策的成本—效益评估提供了实用输入。本文组织结构如下：第2节描述数据与机器学习方法；第3节呈现实证结果，包括时空分析以及基于SHAP和ALE的解释；第4节讨论政策启示并得出结论。

**研究区域与分析框架**

本研究聚焦于中国大陆的城市地区，利用城市级面板数据分析空气质量的决定因素。研究采用三阶段分析框架，包括数据预处理、模型构建和结果解释。因变量为空气质量指数（AQI），它提供了环境空气污染的综合测度。自变量被分为四个维度：(1) 社会经济因素，(2) 金融与治理因素……

**全国尺度汇总与时间趋势**

对过去十年（2014年至2023年）城市空气质量的分析揭示了273座城市在全国范围内取得的大幅而广泛的改善（图1）。总体而言，85.30%的城市AQI有所下降，表明国家层面的空气质量治理取得了广泛成功。所有城市AQI变化量（ΔAQI）的中位数为?18.00，四分位距（IQR）介于?31.50至?7.20之间，表明中间半数城市的AQI降幅介于7.00至……

**讨论**

本研究采用全国城市级面板数据与可解释的XGBoost框架（SHAP和ALE），考察了2014年至2023年间中国各城市空气质量的决定因素。分析表明，中国在整体AQI方面取得了显著改善，但区域异质性依然明显。空气质量的主要驱动因素包括绿色金融、政府干预、数字金融、人口密度和开放度，而能源消耗和工业……

**结论**

本研究针对2014年至2023年间中国城市空气质量的决定因素提供了全面且可解释的机器学习分析。

通过采用TPE调优的XGBoost模型并结合SHAP/ALE诊断方法，我们证明绿色金融、数字金融、政府干预、人口密度、能源使用及对外开放度共同对空气质量指数（AQI）产生强非线性且空间异质性的影响。研究结果表明，GFI（绿色金融指数）和DFI（数字金融指数）可以成为降低AQI的强大力量。

**CRediT作者贡献声明**

Muhammad Imran：撰写——初稿、可视化、验证、软件、方法学、调查研究、数据管理、概念构思。

Nengrui Xu：撰写——审阅与编辑、撰写——初稿、可视化、指导、资源提供、项目管理、调查研究、资金获取、数据管理、概念构思。

**知情同意声明**

不适用。

**资助声明**

本研究由海南大学（2026年）国际研究生创新研究项目资助（项目编号：hdckyb2025-16）。

**利益冲突声明**

作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

Muhammad Imran | Nengrui Xu