基于空间计量模型的城市用地结构与空气质量关联性研究——以粤闽浙三省市县为例.pdf

9doi:10.3969/j.6000.2024.02.002SS中图分类号：TU984.1文献标识码：B文章编号：10 0 96000(2024)02-0009-08以粤闽浙三省市县为例张虹李超曾献君基于空间计量模型的城市用地结构与空气质量关联性研究基金项目：2 0 2 1年福建省自然科学基金一般项目“信息化生活场景对城市公共服务设施空间布局的影响与规划调控”（2 0 2 1J011072）；2 0 19 年度福建省社会科学规划青年项目“基于层次分析法的明清时期福建省海港城市人居环境空间比较研究”(FJ2019C009)。作者简介：张虹，福建理工大学建筑与城乡规划学院讲师，澳门城市大学创新设计学院城市规划与设计方向在读博士，主要研究方向为区域城镇体系、历史城乡空间格局等；李超，香港科技大学（广州）城市治理与设计学域助理教授，香港科技大学公共政策学部联署助理教授，博士生导师，主要研究方向为城市形态、城市规划应对气候变化；曾献君，福建理工大学建筑与城乡规划学院副教授，硕士生导师。基于空间计量模型的城市用地结构与空气质量关联性研究以粤闽浙三省市县为例Study on the Correlation Relationship Between Land UseStructure and Air Quality Based on Spatial EconometricModels:A Case Study of Cities and Counties inGuangdong,Fujian and Zhejiang Provinces张虹李超曾献君ZHANG Hong LI Chaosu ZENG Xianjun摘要：文章以粤闽浙三省2 0 4个市县为例，利用探索性空间数据分析方法揭示空气质量指数（A Q I）时空分布特征，应用空间计量模型探讨自然环境、社会经济和城市形态等因素对空气质量的影响。结果表明：（1）粤闽浙三省年空气质量指数在空间上呈现“北高南低”的特点，空气污染热点主要集中在浙江省北部、中部及东部沿海地区，空气质量较好的冷点主要在福建省东北部。（2）季节尺度上，AQI呈现“春冬高、夏秋低”的季节变化特征。（3）回归模型显示：城市用地结构越均衡越能显著改善空气质量；城市绿化覆盖率对空气质量改善作用不明显；城市化水平越高的市、县，空气质量越容易得到改善，且城市空气质量改善效应优于县城地区；第二产业生产总值占比、交通因子、建成区用地规模对空气质量产生消极影响；夏季高温将加剧空气污染；年最高温平均值、年降水总量、植被覆盖指数对空气质量有改善作用。关键词：空气质量指数；时空特征；土地利用混合度；空间滞后模型（SLM）；市县空间Abstract:The study,focusing on 204 cities and counties in Guangdong,Fujian,and Zhejiang provinces,utilizes exploratory spatial data analysis methods to reveal the temporal and spatial distribution of air qualityindex(AQI).A spatial econometrics model is applied to explore the impact of natural environments,socio-economic factors,and urban form on air quality.Key findings include:(l)A north-high and south-low spatialpattern in annual AQI,with pollution hotspots mainly in northern,central,and eastern coastal areas ofZhejiang,and cleaner air mainly in northeastern Fujian.(2)Seasonally,AQI is higher in spring and winter,lower in summer and autumn.(3)The regression model shows balanced urban land use improves air quality;urban green coverage has a negligible effect;higher urbanization levels correlate with better air quality,particularly in cities compared to towns;the proportion of secondary industry,traffic factors,and built-upland use negatively impact air quality;high summer temperatures exacerbate pollution;annual maximumtemperature average,annual precipitation,and vegetation coverage index improve air quality.Key words:air quality index(AQI);spatial and temporal characteristics;land use mix;spatial lag model(SLM);city-countyspace10FOCUS:ANALYSISONURBANANDRURALSPATIALDEVELOPMENT现代城市研究本期聚焦：城乡空间发展探析2024.02FOCUS:ANALYSISONURBANANDRU0引言2021年中国生态环境状况公报显示，全国3 3 9 个地级及以上城市空气质量达标天数较2 0 16 年有大幅增加，全国环境治理取得一定成效。但仍有3 5.7%的城市空气质量不达标，其中重度污染和严重污染天数占比为1.4%，京津冀、长三角和汾渭平原地区仍是中国空气污染的重要区域，空气污染仍在威胁人体健康11-2。近5 年全国16 8 个地级及以上城市的空气质量排名前2 0 名中，广东、福建和浙江三省的城市占比始终维持在5 0%左右，三省空气质量良好。同时，研究显示，长三角、京津冀、珠三角、海峡西岸等地仍将是人口净迁人重点区域3。而人口流动与迁移已不完全由地区经济水平决定，环境质量对人口流动与迁移的影响日趋显著。因此，东南沿海地区在未来城镇化过程中，将面临人口持续增长、城乡建设用地紧张环境治理复杂等多重挑战空气质量作为生态环境的重要组成部分，与城镇化的关联较为多样。为此，学者们围绕空气质量和城乡建设发展进行了大量实证研究，主要包括以下几个方面：一是研究不同区域空气质量的时空分布特征，主要依托表征空气质量的单项污染物（如SO2、NO2、C O、O,、PM1o、PM2.,等5 1）、空气质量指数（如AQI、IA Q I等16）等数据集，从国家7、省域18、城市群城市街区9 等不同空间层级，以及年、季节、月、日等不同时间跨度110-I1开展研究。二是从空气质量影响因素人手，探讨自然、社会经济发展、城市形态等因素对空气质量的影响。研究表明，风、降水、气温2、地形13、植被指数14I等自然因素对空气污染物的滞留时间、传输扩散和自净有明显影响。经济发展水平与空气质量存在倒U形曲线关系5，产业结构、城市化水平、交通发展、外商投资16-17 等因素对空气质量的影响，在不同城市间存在空间异质性；城市技术创新水平、政府管治水平18 等有利于改善空气质量。城市形态对空气质量的影响，国内多采用人均绿地率、人均道路面积、道路网密度19 等数据进行分析，而国外关于城市形态因子的研究则更为丰富，如斑块形状指数、密度、破碎度、混合度、均衡度2 0-2 等，更为细致地解读了不同类型污染物与相对应的城市形态因子的关联效应。三是从研究方法上看，普遍采用空间自相关分析法解读空气质量时空分布特征，然后通过空间回归模型12 3-2 5 1、引力模型12 6 等多样空间计量模型，解读各类因素与空气质量的因果关系。总体而言，现阶段我国空气质量的研究，多集中于长三角、京津冀、汾渭平原等空气污染重点区，或长江经济带、成渝经济圈、粤港澳大湾区等经济发达且存在空气污染的地区，对空气质量较好的地区，如福建省、浙江省、广东省、云南省等研究较少。单个城市的研究多以典型城市为研究对象，如北京、深圳、杭州、厦门等，对于区域空气质量影响发挥广泛作用的县级城市关注较少。另外，从社会经济气象因素等视角对空气质量进行了广泛且深人的研究，而对于城市形态与空气质量的关系则仍需进一步探索。粤闽浙三省地处我国东南沿海，毗邻而处，自然环境相似，且经济发展水平始终处于我国前列，其空气质量也已长期维持在良好水平。同时中华人民共和国国民经济和社会发展第十四个五年规划和2 0 3 5 年远景目标纲要在完善全国城镇化空间布局规划中正式提出了粤闽浙沿海城市群，使其成为对接长三角和珠三角、构建全国城镇化战略格局的重要区域。故探究三省的市县空气质量时空特征及地区城乡建设调控，可为我国经济发达但仍面临严重空气污染问题的城市提供参考，亦可为三省未来城乡协同发展提供建议。因此，本文以广东、福建浙江三省2 0 4个市县为样本（其中城市9 2 个、县城112 个），从自然因素社会经济因素、城市形态因素3 个方面确定了13 个变量，主要围绕两个问题进行探讨：一是城市用地结构是否影响空气质量？二是县城与城市在建设发展中对空气质量的影响效应是否存在差异？综合利用值法、探索性空间数据分析方法、空间计量模型等探讨城市形态和空气质量的空间关联效应。1数据选取与研究方法1.1数据选取1.1.1被解释变量本研究以空气质量指数（airqualityindex，A Q I）作为被解释变量。生态环境部（原环境保护部）发布的环境空气质量指数（AQI）技术规定（H J6 3 3-2 0 12）将空气质量分为6 个等级:0,5 0)为优,5 0,10 0)为良,10 0,150）为轻度污染，15 0，2 0 0）为中度污染，2 0 0,3 0 0）为重度污染，3 0 0,+）为严重污染。2 0 2 0 年粤闽浙三省2 0 4个市、县空气质量指数数据来源于历史天气网公布的逐日AQI值（h t t p s:/t i a n q i.2 3 45.c o m，2 0 2 2 年6 月1日）。结合粤闽浙三省气候特征，将春季定为3 5 月，夏季为6 9 月，秋季为10 11月，冬季为12 月、1月和2月。1.1.2核心解释变量（1）建成区总面积。已有研究表明，建成区面积扩大会对空气质量产生消极影响，但也有研究认为其与空气质量之间不存在显著的关联2 2。因此，本研究把建成区总面积作为表征城市形态的核心解释变量之一。（2）建成区土地利用混合度。对204个市县建成区内的居住用地、公共管理与公共服务用地、商业服务业设施用地、工业用地、物流仓储用地、道路交通设施用地、公用设施用地、绿地广场用地8 类城市建设用地面积进行熵值计算，以反映各城市土地利用的混合程度2 7。8 类城市建设用地面积数据来源于中国城市建设统计年鉴2 0 2 0 和中国县城建设统计年鉴2 0 2 0 1.1.3控制变量参照现有研究，本文从自然、社会经济和城市形态3 个方面选取了9个控制变量。首先，自然因素方面选取了夏季逐日最高温平均值、逐日最高温年平均值、年降水总量和植被覆盖指数4个变量，这些因素能影响城11以粤闽浙三省市县为例张虹李超骗曾献君基于空间计量模型的城市用地结构与空气质量关联性研究市之间空气污染物的扩散、沉降和消解2。2 0 2 0 年逐日最高气温数据来源于历史天气网（https:/，2 0 2 2 年6 月1日），2 0 2 0 年降水量数据来源于中国天气网（http:/,2022年6 月1日),植被覆盖指数数据来源于国家科技资源共享服务平台共享的2 0 0 0 一2 0 2 0年中国3 0 m年最大归一化植被指数(normalized differential vegetation index,NDVI）数据集（http:/，2 0 2 2 年6 月1日）。其次，社会经济因素考虑地区经济发展水平（地区人均生产总值）产业结构（第二产业生产总值占比）、人口活动水平（人口密度）交通条件、环境治理投人5个指标。受数据可获取性限制，本文采用建成区道路网密度表征交通条件，采用污水处理率表征政府在环境治理上的投入，数据来源于2 0 2 1年的广东统计年鉴福建统计年鉴浙江统计年鉴。最后，既有研究中，一是认为城市绿化有利于空气质量改善另一种则认为城市绿化不足以改善空气质量2 8，因此，本研究将建成区绿化覆盖率作为城市形态因素的控制变量，数据来源于中国城市建设统计年鉴2 0 2 0 和中国县城建设统计年鉴2 0 2 0 另外，设置了一个虚拟变量，用于区别城市和县城，1代表城市，0代表县城。各变量的解释见表1。1.2研究方法1.2.1值法建成区土地利用混合度指数计表1变量的解释变量类型变量名称变量说明被解释变量InAQI空气质量指数的自然对数InUA建成区总面积的自然对数/km核心解释变量Landusemix建成区土地利用混合度InSTemp夏季逐日最高温平均值的自然对数/InTemp逐日最高温年平均值的自然对数/NDVI植被覆盖指数InPre年降水总量的自然对数/mmInSecond第二产业生产总值占比的自然对数/%控制变量InpCDP地区人均生产总值的自然对数/元InSewage污水处理率的自然对数/%InPD人口密度的自然对数/per/km）InRD建成区道路网密度的自然对数/km/km）InGreen建成区绿化覆盖率的自然对数/%DV虚拟变量，1代表城市，0 代表县城算公式如下：H=-m(P.)In(P)=式中：H代表各城市混合度指数，m为城市用地类别数，P，为不同类型用地的面积所占的比例。混合度指数取值在0 1之间，越接近1说明混合程度越趋于多样化，城市用地均衡度越好2 7 1.2.2探索性空间数据分析方法本研究采用探索性空间数据分析方法中的全局空间自相关分析和局部空间自相关分析，对粤闽浙三省的市县AQI指数进行空间自相关分析。其中，全局空间自相关分析可以描述各市县与其相邻市县之间的空气质量关系，通过莫兰（MoransI）指数进行测度，MoransI值介于-1,1，值大于0，表示空间存在正向自相关，小于0，表示空间存在负向自相关，且绝对值越大，空间自相关性越大2 9 局部空间自相关分析可以描述某一市县AQI与周边市县AQI的差异程度，可以解读AQI的空间集聚态势，用Local Morans I指数进行测度3 0。二者的计算公式如下：nEniZy-,Wu,(xi-x(xj-x)Moransl(i?i)(27-12-1 Wu)Er-;(xi-x)2n(xi-x)Er=,Wu,(x-x)LocalMoransI=(i)Z,(xi-x2式中：n为样本个数，W为空间权重矩阵，为各市县AQI值，x为各市县AQI均值。1.2.3OLS模型在构建空间计量模型前应从普通最小二乘法（ordinaryleastsquare,OLS）模型开始。首先建构了OLS模型，基于各变量统计单位的差异性，在模型中除了植被覆盖指数、土地利用混合度两个指标未进行取对数处理，其余各变量都采用对数形式，以减少模型的异方差性2 4。模型如下：InAQI=+iInSTemp+zInTemp+3NDVI+4InPre+sInSecond+InpGDP+lnSewage+gInPD+,lnRD+iolnGreen+ilnUA+izLandusemix+B13DV+式中：InAQI为被解释变量，为常数项，为待估计的自变量参数，8为随机扰动项。1.2.4空间计量模型空间计量模型中被广泛应用的有空间滞后模型（spatiallagmodel,SLM）和空间误差模型（spatialerrormodel,SEM）。在进行空间计量模型选择前，需要采用OLS模型对回归后的残差进行拉格朗日乘子检验（Lagrangemultipliertest,LM)，包括LM-Error和LM-Lag两个统计量。如果两个统计量都不显著则选择OLS作为最终模型；若只有LM-Error显著，选择SEM模型；若只有LM-Lag显著，选择SLM模型；若两者都显著，则进行稳健性的拉格朗日乘子检验（Robust LMtest）。通过Robust LM-Error和Robust LM-Lag两个统计量检验，若RobustLM-Error显著，选择空间误差模型；若RobustLM-Lag显著，选择空间滞后模型3 1。空间滞后模型（SLM）的表达式为：InAQI=pWInAQI+ilnSTemp+zlnTemp+3NDVI+4InPre+sInSecond+InpGDP+,InSewage+gInPD+InRD+iolnGreen+i,InUA+i2Landusemix+i3DV+式中：p为空间回归系数，W为空间权重矩阵，WInAQI为因变量的空间滞后项，为待估计的自变量参数，8为误差随机项。空间误差模型（SEM）表达式为：InAQI=pWlnAQI+iInSTemp+2lnTemp+gNDVI+4InPre+sInSecond+InpGDP+,lnSewage+gInPD+,InRD+ioln Green+uInUA+i2Landusemix+Bi3DV+e&=AWe+u12FOCUS:ANALYSISONURBANANDRURALSPATIALDEVELOPMENT现代城市研究本期聚焦：城乡空间发展探析2024.02FOCUS:ANALYSIS ONURBANANDRU式中：为待估计的自变量参数，8为误差随机项，入为空间误差系数，W。为空间权重矩阵，u为随机干扰项。2AQI时空分布特征图1展示了2 0 2 0 年粤闽浙三省图1展示了2 0 2 0 年粤闽浙三省204个市县年平均AQI指数的分布情况，可看出大部分市县AQI指数低于50，空气质量等级为优，仅浙江省中北部的杭州市、义乌市、德清县等13个市县AQI指数高于5 0，空气质量等级为良。粤闽浙三省年AQI指数在空间分布上呈现“北高南低”的特点。AQI季节分布情况见图2。可看出粤闽浙三省夏季空气质量最好，尤其福建省北部和西部地区、广东省东部和西部及浙江省的淳安县、桐庐县开化县等地，空气质量指数介于2 3,30）。秋季各省局地空气质量转为良，包括浙江省北部、中部和东部沿海的16个市县，福建省的漳州市、龙海市，以及广东省东部、中部、西部的13 个市县。冬季福建省和广东省空气质量整体保持在优，仅浙江省北部地区空气质量成片转为良，其中北部的杭州市、海宁市、桐乡市、德清县、嘉兴市、嘉善县AQI指数超过6 0，中部的义乌市、金华市、浦江县等11个市县的AQI指数介于5 0,6 0)。春季三省N080160320km浙江省福建省广东省AQI指数25,3030,4040,5050,58图1粤闽浙三省各市县2 0 2 0 年AQI指数分布情况注：地图为自然资源部监制，审图号为GS(2020)4619号，后同。AQI指数超过5 0 的市县数量增多，浙江省北部的嘉善县、平湖市、德清县桐乡市四地空气质量指数超过6 0，北部、中部及东部大部分市县空气质量下降；福建省西南沿海的漳州市及其所辖的市县空气质量指数均超过5 0；广东省中部的广州市、佛山市、清远市、东莞市、江门市空气质量指数超过5 0。总体来看，粤闽浙三省2 0 2 0年空气质量夏季最优，秋、冬局部地区空气质量下降，春季空气质量呈现片状下降，其中浙江省中北部地区空气污染状况显著。3实证结果3.1空间自相关检验结果以全局莫兰指数为指标，分别对粤闽浙三省2 0 4个市县AQI指数年均值、四季值进行空间自相关检验。由于粤闽浙三省存在部分市县为岛屿（泗县、岱山县、舟山市、平潭县、东山县），其与周边城市不存在邻接空间，故采用了距离空间权重矩阵。检验结果显示：年均AQI指数MoransI值为0.6 14，且通过1%的显著性水平检验，说明粤闽浙三省AQI指数在空间分布上存在显著的空间自相关，城市之间的空气污染存在扩散效应。春、夏、秋、冬四季AQI指数MoransI值分别为0.6 3 4、0.6 11、0.5 8 5、0.7 3 1,均通过1%的显著性水平检验，见图3。年度和季节检验均说明粤闽浙三省AQI指数存在显著的正向空间自相关。接着，通过Local MoransI指数NN080160320km080160320km浙江省浙江省福建省福建省广东省春季AQI指数广东省27,3030,40夏季AQI指数40,5023,3050,6030,4060,6540,48NN0800160320km080160320km浙江省浙江省福建省福建省广东省广东省冬季AQI指数秋季AQI指数29,3026,3030,4030,4040,5040,5050,6050,57 60,67图2粤闽浙三省市县2 0 2 0 年四季AQI指数分布情况13以粤闽浙三省市县为例|张虹李超曾献君基于空间计量模型的城市用地结构与空气质量关联性研究研究局部地区的AQI指数集聚特征。结果显示：粤闽浙三省2 0 4个市县空气污染呈现“高一高”“低一低”的空间集聚特征。“高一高”集聚最为显著的地区为浙江省北部的海宁市、桐乡市、嘉兴市、湖州市、海盐县、嘉善县、安吉县、长兴县，浙江省中部地区的诸暨市、义乌市、绍兴市、嵊州市、东阳市、永康市、金华市、兰溪市、武义县、龙游县，浙江省东部沿海的乐清市、温州市、瑞安市。“低低”集聚特征最为显著的地区为福建省政和县、松溪县、寿宁县、柘荣县及与其接壤的浙江省庆元县。3.2变量多重共线性检验在构建空间计量模型前，本研究将所涉及的解释变量和控制变量进行多重共线性检验，各变量的方差膨胀因子（VIF）见表2。各变量方差膨胀因子均小于10，故变量不存在严重的多重共线性3 2。O3.3OLS回归检验首先，从粤闽浙三省空气质量影响因素OLS回归检验结果可看出模型整体拟合度尚好，见表3。接着，对OLS回归后的残差进行拉格朗日乘子检验，检验结果如表4所示：OLS残差的Morans1值为6.2 5 0 4，其概率值为0.0 0 0 0 0，表明在1%的显著性水平下拒绝了无空间自相关的原假设，即残差存在显著的空间自相关现象。LM-Error和LM-Lag两个统计量均在1%水平下显著，则需要通过RobustLM(error)和Robust LM(lag)两个统计量判断模型选择，RobustLM(lag)和Robust LM(error)均在1%水平下显著，但 Robust LM(lag)较 Robust LM(error)更为显著，倾向选择空间滞后模型为了验证空间滞后模型是否能解释更丰富的数据信息，本研究分别使用空间滞后模型和空间误差模型对空气质量及其影响因素进行分析。3.4空间滞后模型和空间误差模型的估计结果本研究给出了距离空间权重矩阵下2 0 4个市县空气质量影响因素空间自相关分析在空间滞后模型（SLM）和空间误差模型（SEM）的回归估计MoransI:0.614MoransI:0.634MoransI:0.611091088002-8880S01.60-0.600.401:40 2.40-2.00-0.500.401602.80809春季AQI夏季AQI808MoransI:0.585MoransI:0.7318090020090-080-081-2.10-0.800.501.803.10.00-1.80-0.600.60.902.00-2.30-0.800.702.203.70全年AQI秋季AQI冬季AQI图3粤闽浙三省2 0 4个市县2 0 2 0 年AQI及四季AQI的Morans|散点图表2各变量多重共线性检验变量容差VIFInSTemp0.20804.8081InTemp0.16705.9867NDVI0.38152.6215nPre0.71371.4011InSecond0.52541.9033InpCDP0.35342.8297InSewage0.90891.1003InPD0.72301.3832InRD0.70171.4250InUA0.34862.8686InGreen0.63441.5763Landusemix0.93391.0708DV0.53061.8847均值0.54852.3738表3OLS回归结果变量系数标准误差统计量P值Constant1.66811.15021.45030.1486InsTemp1.92000.48463.96180.0001InTemp-1.15900.2564-4.51990.0000NDVI-0.33910.1401-2.41980.0165InPre-0.00270.0504-0.05260.9581InSecond0.04250.03531.20490.2297lnpGDP-0.00990.0117-0.84480.3993InSewage-0.00700.05170.13570.8922InPD-0.02950.0141-2.09990.0371InRD0.04510.02871.56960.1182InUA0.05280.01473.58230.0004lnGreen-0.07540.0836-0.90200.3682Landusemix-0.51670.1752-2.94930.0036DV-0.02930.0272-1.07400.2842R-squared:0.34523Adjusted R-squared:0.3004Log likelihood:118.021Akaike infocriterion:-208.042Schwarzcriterion:-161.589表4OLS回归残差的拉格朗日乘子和稳健性检验TESTMI/DFVALUEPROBMorans I(error)0.30556.25040.00000Lagrange Multiplier(lag)154.92340.00000Robust LM(lag)132.03670.00000LagrangeMultiplier(error)131.35550.00000Robust LM(error)18.46890.00361Lagrange Multiplier(SARMA)263.39230.0000014FOCUS:ANALYSISONURBANANDRURALSPATIALDEVELOPMENT现代城市研究本期聚焦：城乡空间发展探析2024.02FOCUS:ANALYSISONURBANANDRU结果，如表5 所示。首先，空间滞后模型和空间误差模型的拟合度R2值较OLS回归模型拟合度有较大的提高，说明空间计量模型可以诠释解释变量与被解释变量之间的更多信息。其次，两个模型的选择可通过Loglikelihood、Akaike info criterion（A IC)、Sc h w a r zcriterion（SC）3 个统计量进行比较，其中Loglikelihood统计量越大模型越好，而AIC和SC两个统计量则是越小越好。从表5 可以看出，Loglikelihood(SLM)Log likelihood(SEM)AIC(SLM)AIC(SEM)、SC(SL M)SC(SEM)。因此，空间滞后模型优于空间误差模型。本文选择空间滞后模型对粤闽浙三省2 0 4个市县空气质量的空间回归结果进行解读。由表5 可以看出：空间滞后模型（SLM）的空间自回归系数p为0.5 45 6，且通过了1%的显著性水平检验，说明各市县空气质量受周边市县空气污染的影响。（1）建成区总面积与空气质量指数之间呈显著正向影响，表明城市建设用地扩张，会显著降低城市空气质量。一方面，城市建设用地扩张必然使周边绿地、林地或其他自然土地减少，降低了自然环境的调节能力；另一方面，城市建设用地扩张将带来更多的房屋建设、道路建设及其他能源消耗，由此带来的粉尘、汽车尾气等都将增加空气中的细颗粒物含量，进而降低城市空气质量。（2）建成区土地利用混合度与空气质量指数呈显著负向影响，表明城市土地利用混合度越高越有利于空气质量改善。可以理解为城市土地利用混合度高，有利于减少出行距离，促进职住平衡，进而改善城市空气质量。粤闽浙地区长期处于全国空气质量排名前列，可见城市土地利用结构发挥了重要作用。（3）控制变量解读。首先，自然环境因素中，夏季逐日最高温平均值系数显著为正，说明夏季高温可强化城市热岛效应，空气污染物将更集聚；而逐日最高温年平均值系数显著为负，可以理解为年温差大的地区，空气质量越差，浙江省年平均气温低于福建、广东两省，在冬季居民使用空调制暖的频率会高于福建和广东地区，将消耗更多能源，空气更易受到污染；植被覆盖指数和年降水总量系数都不显著，但其仍能改善空气质量。其次，社会经济因素中，仅人口密度系数呈弱的负向显著，结合地区人均生产总值来看，可以理解为人口越密集的城市，其城市化水平越高，地区生产总值也越高，越富有的城市更倾向于使用新的清洁技术产品，更严格控制碳排放，愿意投人更多经费改善城市环境，也符合“环境库兹涅茨曲线”假说，这与现有的诸多研究结论一致3 3-3 4。另外，建成区路网密度回归系数为正，但并不显著。政府在环境质量治理中，投人越多，环境质量越好。最后，城市形态因素中，建成区绿化覆盖率与空气质量指数呈负向相关，但不显著，一方面可以理解为城市绿化对改善空气质量的效果不明显，另一方面也可能是绿地管理不到位或绿地空间布局规划有待改进3 5，这与现有部分研究认为绿化覆盖率有助于改善城市空气质量的观点不同 2 2.3 6 O另外，研究中设置了哑变量以判定城市和县城在空气质量治理上的差异性。从模型中可看出，哑变量的空间回归系数不显著，但与空气质量指数之间为负向的关系，表明城市比县城更关注空气质量的改善，这与前面所分析的城市化水平、经济发展水平的结论一致。为了进一步验证建成区总面积和城市土地利用混合度对空气质量的作用，研究中分别将春、夏、秋、冬四季的AQI指数作为被解释变量，将四季逐日最高温平均值分别代替原模型中的夏季逐日最高温平均值进行空间滞后模型估计，结果见表6。可看出建成区总面积在春季、夏季和秋季对空气质量都产生消极影响，进一步论证了城市用地扩张将降低城市空气质量这一结论；建成区土地利用混合度则在四季都呈现显著负相关，证明粤闽浙地区城市的土地利用结构确实有利于空气质量的改善。4结论与建议4.1结论本文首先采用探索性空间数据分析方法解读2 0 2 0 年粤闽浙三省2 0 4个市县AQI指数的时空特征，接着通过空间回归模型考察了粤闽浙地区AQI表5空间滞后模型（SLM）和空间误差模型（SEM）的回归估计结果SLMSEM变量系数标准误差系数标准误差Constant0.19370.92852.3047*1.0595InSTemp1.2360*0.39091.7574*0.5327InTemp-0.6599*0.2120-1.2042*0.3627NDVI-0.16540.1118-0.13750.1308InPre-0.01140.0310-0.06670.0521InSecond0.01890.02810.01720.0308InpGDP-0.00950.0093-0.00960.0093InSewage-0.02640.0410-0.04000.0402InPD-0.0193*0.0112-0.01330.0125InRD0.03270.02280.01550.0225InUA0.0330*0.01180.0273*0.0129InGreen-0.00440.06630.06260.0649Landusemix-0.4215*0.1391-0.3642*0.1454DV-0.02610.0213-0.0375*0.0213入0.5958*0.0588P0.5456*0.0592R-squared0.5583690.540823Log likelihood148.076141.782Akaikeinfocriterion-266.151255.563Schwarzcriterion-216.379-209.109注：*、*、*分别表示在1%、5%、10%的水平上显著。15以粤闽浙三省市县为例|张虹李超曾献君基于空间计量模型的城市用地结构与空气质量关联性研究指数与核心解释变量、控制变量之间的关系。研究结果表明：（1）粤闽浙三省2 0 4个市县空气质量良好，但春、冬两季仍存在空气污染风险，三省年AQI指数整体呈现“北高南低”的特点。三省AQI指数存在明显的局部集聚特征，空气污染热点主要集中于浙江省北部、中部和沿海的2 1个市县。空气质量较好的冷点主要集中在福建省东北部5 个市县空气质量四季为优（2）空间滞后模型（SLM）回归结果显示：植被覆盖指数、年降水总量对粤闽浙地区空气质量有改善作用；夏季高温将显著加剧空气污染年均温差小有利于改善空气质量。第二产业生产总值占比、建成区道路网密度对空气质量有消极影响，人均收人的提高和政府环境整治投资的提升都有利于改善空气质量。而绿化水平对空气质量的影响并不显著。（3）在控制了自然环境、经济发展、城市形态等11个因素后，最终的回归结果回应了研究开始所提出的两个核心问题：一是城市用地结构能显著改善粤闽浙地区市县空气质量，城市土地利用混合度越高空气质量改善越显著，建成区规模扩大将加剧空气污染；二是城市较县城能更好地进行表6四季AQI指数空间滞后模型（SLM）回归结果春季夏季秋季冬季变量系数标准误差系数标准误差系数标准误差系数标准误差Constant3.1478*0.76090.85561.15490.70560.60270.18670.7137InSeTemp0.01910.42992.2758*0.5085-0.48640.3630-0.3949*0.1222InTemp-0.16230.4496-1.3132*0.28420.8054*0.43750.7733*0.2827NDVI-0.13580.1361-0.11170.1404-0.16430.1173-0.1656*0.0924lnPre-0.07920.0526-0.0842*0.05090.04890.04210.03720.0330lnSecond0.0816*0.03460.04450.0355-0.01860.0288-0.01040.0228InpGDP-0.00680.0113-0.01100.0117-0.01020.0096-0.01100.0076InSewage-0.02450.0491-0.05490.05170.00180.04210.00680.0333InPD-0.0293*0.0142-0.01160.0141-0.01780.0117-0.0156*0.0094InRD0.04540.02770.03990.02870.0394*0.02360.01470.0187InUA0.0464*0.01460.0336*0.01480.01820.01230.0163*0.0097lnGreen0.01060.08090.00280.0837-0.00500.0690-0.01740.0546Landusemix-0.5701*0.1684-0.4515*0.1752-0.3242*0.1445-0.2165*0.1139DV-0.0602*0.0263-0.03960.02730.00560.02240.00750.0178P0.5454*0.05820.5138*0.06190.5896*0.05650.6121*0.0528R-squared0.5849440.5647680.5319490.681236