黄河流域五大城市群PM2.5时空演变与影响因素探讨

慕石雷， 杨玉欢， 乌日陶克套胡

（1.内蒙古师范大学民族学人类学学院，内蒙古 呼和浩特 010022；2.西北大学城市与环境学院，陕西 西安 710127)

黄河流域是我国重要的生态安全屏障，在构筑“两屏三带”生态安全战略格局中居于重要地位［1］。黄河流域也被誉为“能源流域”，是我国重要的能源、化工和原材料基地，巨大的以煤为主的能源消耗在推动流域工业化和城镇化进程中，也给生态环境带来巨大的压力，其中由工业污染蔓延的大气污染形势依然严峻［2］。生态环境部通报的2021年1—12 月168 个重点城市空气质量排名后20 位城市名单中，有多达17 个位于黄河流域5 大城市群［3］。城市群不仅是新型城镇化的主体形态和现代化建设的重要载体，在支撑区域经济增长、促进区域协调发展和参与国际竞争合作等方面发挥带动引领作用，也是空气污染的重灾区，城市群日益演变成“污染群”［4］。PM2.5（空气动力学等效直径等于和小于2.5 μm 的细颗粒物）是造成大气污染的主要因素，以PM2.5为首要污染物的重污染天气不仅危害公众身体与心理健康，影响人民群众对蓝天的获得感和幸福感，也成为制约黄河流域生态保护和高质量发展的瓶颈［5］。

国内外学者在环境细颗粒物PM2.5相关的研究上做了大量工作。在PM2.5标准方面，美国在1997年制定PM2.5的国家大气质量标准，西班牙、加拿大等国也做了相关工作［6］。中国大气污染控制技术与研究发轫于20 世纪80 年代［7］。2012 年2 月，出台的《环境空气质量标准》（GB3095-2012）首次将PM2.5纳入环境空气质量新标准，并于2016 年1 月1 日起实施，推动我国空气质量标准与国际逐步接轨［8-9］。在PM2.5特性方面，主要分析了化学特征［10］、空间集聚性［11］和变异性［12］等。在影响因素方面，主要涉及煤炭消费［13-14］、经济增长［15-16］、城市化［17-18］、工业化［19-20］、技术水平［21-22］、进出口贸易［23-24］、外商直接投资（FDI）［25］、机动车尾气排放［26-27］等社会经济因素和气温［4］、降水量［28］、植被覆盖指数［29］等自然地理因素。在分析方法方面，有空间杜宾模型［4］、STIRPAT模型［30］、地理探测器［28］、地理加权回归［31］等。在研究区域方面，主要以全国［14,16,30］、省域［24-25］、市域［32-34］尺度和城市群［4,28,35-36］为主，对长江经济带［18,29,36］的研究较为丰富，但对黄河流域［28,37］的研究相对薄弱。

在黄河流域城市群PM2.5时空演变及影响因素的研究进展方面，主要运用标准差椭圆［38］、空间自相关［39］揭示黄河流域PM2.5的异质性特征；在影响因素方面，主要强调技术创新对PM2.5的影响及其空间溢出效应［40］；在研究尺度方面，仅在黄河流域部分城市群，如兰州-西宁城市群［37］、关中平原城市群［28］和沿黄少数城市如济南［32］、太原［33］、兰州［34］等展开研究，对黄河流域5 大城市群整体PM2.5时空演变格局的研究较少，尤其对影响因素多角度展开的讨论较为匮乏。综上所述，本文以黄河流域5 大城市群的82个城市为研究区域，选取2016—2020年中国环境监测总站发布的PM2.5数据，综合运用空间自相关、地理探测器和地理加权回归等方法，探测PM2.5的时空分布特征和空间异质性的主要驱动影响因素及因子间的互耦互馈关系，为黄河流域5 大城市群大气污染防治和环境规制完善提供决策依据，助推黄河流域生态保护和高质量发展。

1 材料与方法

1.1 研究区概况

本文选取黄河流域从上游至下游的兰州-西宁城市群、黄河“几”字弯都市圈、关中平原城市群、中原城市群和山东半岛城市群5大城市群作为研究对象（图1）。兰州-西宁城市群是黄河上游首个跨省域的城市群，既是维护国家生态安全的战略屏障，也是支撑西北地区发展的重要增长极［37］。黄河“几”字弯都市圈拥有雄厚的能源工业，横跨黄河部分上游和全部中游区域，主要包括宁夏、内蒙古、陕西、山西的19个城市［41］。关中平原城市群以西安市为中心，是亚欧大陆桥的重要支点，是西部地区面向东中部地区的重要门户，横跨甘肃、陕西、山西3省11 个城市［28］。中原城市群地处全国“两横三纵”城市化战略格局陆桥通道与京广通道交汇区域，是现代陆路交通的重要枢纽之一［42］，是我国经济由东向西梯次推进发展的中间地带，包括河南、山西、河北、山东、安徽5 省29 座城市。山东半岛城市群覆盖山东全域16市，对内承接南北，对外毗邻日韩、联通“一带一路”，是黄河流域的主要出海门户［43］。

图1 黄河流域5大城市群示意图Fig.1 Schematic diagram of five urban agglomerations in the Yellow River Basin

1.2 数据来源

本文PM2.5数据来源于生态环境部中国环境监测总站（http://www.cnemc.cn）。影响PM2.5时空分布的自然地理因素中的地形起伏度、植被覆盖指数和净第一性生产力数据来源于中国科学院资源环境科学与数据中心（https://www.resdc.cn），气温和降水量数据来源于国家气象科学数据中心（https://data.cma.cn）。社会经济因素中的经济增长、城市化、人口规模、工业规模、科技创新、能源效率、烟尘和粉尘排放量与城市绿化率数据来源于2017—2021 年的《中国城市统计年鉴》，公众环境关注度：百度雾霾搜索指数（2016—2020 年）数据来源于百度指数（https://index.baidu.com）。

1.3 研究方法

1.3.1 空间自相关

（1）全局莫兰指数：检验不同空间邻近区域单元PM2.5的平均相似程度，具体见参考文献［44］。

（2）局部莫兰指数：衡量一个区域空间单元的PM2.5污染与邻近单元的PM2.5污染特征的相关程度［4,36］，计算公式为：

式中：Ii为黄河流域5 大城市群内i城市的局部莫兰指数；xˉ为所有研究单元对应属性值的均值；n为城市数量；m为与i城市空间上相邻近的城市数量；xi和xj分别为城市群内i和j城市的PM2.5年均值；Wij为邻近城市i和j的空间权重矩阵。在95%置信区间内，Ii>0时表示i城市与邻近单元的PM2.5污染呈空间正相关（“高-高”或“低-低”关联），Ii<0时表示i城市与邻近单元的PM2.5污染呈空间负相关（“高-低”或“低-高”关联）。

1.3.2 地理探测器地理探测器是探测空间分异格局及影响机制的一种分析工具。本文采用分异探测黄河流域5大城市群PM2.5空间分异影响因子的解释力大小，交互探测识别不同因子间交互作用的影响力强弱，具体见参考文献［45］。

1.3.3 地理加权回归地理加权回归是Brunsdon 等1996 年提出的将空间关系异质性和多相性纳入回归分析方法。它引入对不同区域的影响因素进行估计，能够有效捕获各要素对PM2.5污染的非平稳影响，描述变量关系随空间变化的特征。本文采用地理加权回归模型探测PM2.5空间分异影响因子在局部空间上的作用特征［46］。计算公式为：

式中：i为观测单位数；（ui,vi）为第i个样本观测的地理中心坐标；参数β为ui和vi的函数，即任何一个具体空间位置的估计参数β是通过局域估计获得的，它随着空间地理位置的不同而变化；Xik（k=1,2,…,5）为i城市的自变量解释值；βk()ui,vi为位置i第k个变量的回归参数；β0()ui,vi、εi分别为位置i的截距项和随机误差项。

2 结果与分析

2.1 时空格局分析

2.1.1 时间分布特征通过对比黄河流域5 大城市群“十三五”时期（2016—2020 年）PM2.5年均值的变化（图2a），发现城市群的PM2.5变化大体呈倒“N”型，从2016—2018 年连续3 a 一直处于下降趋势，2019年出现反弹升高，2020 年又出现下降趋势，总体呈现逐步下降态势。其中，相较于2016 年，2020 年兰州-西宁城市群PM2.5下降了31%，黄河“几”字弯都市圈PM2.5下降了21%，关中平原城市群PM2.5下降了33%，中原城市群PM2.5下降了28%，山东半岛城市群PM2.5下降了30%，“十三五”时期PM2.5整体下降了29%。2019 年出现反弹升高的原因为冷空气活动偏弱、平均风速偏小、小风日数增多和有效降水日数偏少［47］。按照《环境空气质量标准》（GB3095-2012）二级标准（35 μg·m-3）的限定，“十三五”期间黄河流域5大城市群中仅有2018—2020年的兰州-西宁城市群和2019年的黄河“几”字弯都市圈达标，其余年份的城市群均未达标。

图2 2016—2020年黄河流域5大城市群PM2.5年均值和季均值变化Fig.2 Changes of annual and seasonal mean PM2.5 in the five urban agglomerations in the Yellow River Basin from 2016 to 2020

5 大城市群PM2.5季均值变化总体呈先降后升的周期规律性的“U”型，存在第一、四季度高，第二、三季度低的变化特征（图2b）。其中，峰值为中原城市群2019 年第1 季度的96.24 μg·m-3，低谷为兰州-西宁城市群2020年第3季度的17.15 μg·m-3。总之，黄河流域城市群总体呈冬高夏低、春秋居中的季节变化态势。主要因为黄河流域地处北方，冬季受冷空气西北风影响，气候干燥寒冷，需要燃煤取暖，再加上温度低，风力小等气象条件，导致排放在空气中的细颗粒物积蓄不散，PM2.5浓度随之升高［48］。

2.1.2 空间分布特征黄河流域PM2.5的分布呈现出显著的空间异质性（图3）：（1）PM2.5的空间分布格局明显，5 大城市群PM2.55 a 均值由大到小的排序为：中原城市群（235.14 μg·m-3）>山东半岛城市群（211.93 μg·m-3）>关中平原城市群（194.22 μg·m-3）>黄河“几”字弯都市圈（150.92 μg·m-3）>兰州-西宁城市群（125.93 μg·m-3）。可见，PM2.5污染程度大致形成了黄河流域下游>中游>上游的梯度递减空间差异格局。其中，下游的中原城市群和山东半岛城市群已形成大面积连片重度污染区。（2）2016—2020年PM2.5变化明显升高的城市有：关中平原城市群的临汾市、庆阳市、西安市和宝鸡市；黄河“几”字弯都市圈的吕梁市、忻州市；中原城市群的宿州市、阜阳市、淮北市和亳州市；兰州-西宁城市群的临夏回族自治州、定西市。这些城市PM2.5污染情况未见明显好转，除了燃煤和工业排放外，区域的地形和气候特征也是导致PM2.5污染严重的主要因素［49］。PM2.5变化明显降低的城市有：中原城市群的济源市、商丘市；黄河“几”字弯都市圈的晋中市、乌兰察布市、大同市、阿拉善盟和中卫市。除关中平原城市群外，其他4 大城市群PM2.5变化有逐渐下降的趋势，表明“十三五”时期黄河流域大气污染防治取得较好效果。

图3 2016—2020年黄河流域5大城市群PM2.5浓度变化率Fig.3 Change rate of PM2.5 concentration in the five urban agglomerations in the Yellow River Basin from 2016 to 2020

2.2 空间自相关分析

以莫兰指数为指标，分别对“十三五”规划的开局和收官之年即2016 年和2020 年黄河流域5 大城市群的PM2.5均值进行空间自相关检验，PM2.5分布影响因素也主要对这2个年份进行演变分析。空间自相关对比分析（表1）可知，5 大城市群PM2.5经过5 a的演变表现出空间自相关性各不同，但整体上Moran’sI均大于0，且均通过了0.01 显著性检验。其中，兰州-西宁城市群PM2.5在空间上呈负自相关离散分布，2020年趋近于0，趋于空间随机分布。黄河“几”字弯都市圈PM2.5在空间上虽然呈正自相关集聚分布，但2020年也趋近于0，呈随机分布态势。关中平原城市群、中原城市群和山东半岛城市群的Moran’sI均大于0，表明PM2.5在空间上呈正自相关集聚分布。

表1 黄河流域5大城市群PM2.5全局莫兰指数Tab.1 Global Moran index of PM2.5 in the five urban agglomerations in the Yellow River Basin

使用局部空间自相关进一步探测5 大城市群PM2.5空间分布的区域差异。由图4 可知，PM2.5浓度集聚类型主要为高-高集聚、低-低集聚和低-高集聚类型，未出现高-低集聚。2个年份的高-高和低-低集聚的区域变化不大，仅晋中市、驻马店市和南阳市3 个城市由高污染区演变为空气优良区，淮北市却演变为高污染区。从演变趋势来看，高污染区范围在不断缩小。低-低集聚区主要位于黄河流域中上游的兰州-西宁城市群和黄河“几”字弯都市圈，表明这些区域PM2.5值较低，是黄河流域长期稳固的PM2.5空气质量优良区。高-高集聚区主要分布在下游地区，其中主要分布在中原城市群和山东半岛城市群中西部地区，表明这些区域是黄河流域长期稳固的PM2.5高污染区。

图4 2016、2020年黄河流域5大城市群PM2.5局部空间自相关对比分析Fig.4 Comparative analysis of local spatial autocorrelation of PM2.5 in the five urban agglomerations in the Yellow River Basin in 2016 and 2020

3 黄河流域5 大城市群PM2.5时空分异的影响因素

PM2.5污染的形成与演变、空间分布等受自然地理与社会经济2大方面影响因素的相互交织作用（表2），自然地理因素主要有地形起伏度［28］、气温［4,28-29,36］、降水量［4,28-29,36］、植被覆盖指数［28-29］和净第一性生产力5个因子，社会经济因素主要有经济增长［4,28-29,35］、城市化［4,29,36］、工业化［4,29,35-36］、人口规模［28-29,35］、工业规模［36］、科技创新［30］、能源效率［4,29,31］、烟尘和粉尘排放量［35］、公众环境关注度和城市绿化率［35］10 个因子。利用地理探测器的分异和交互作用探测，测算不同驱动因子对黄河流域5大城市群PM2.5空间分布格局的影响程度，并选择2016 年和2020 年影响因子分异探测差异变化较大的前5 个因素，探究PM2.5影响因素的空间作用特征。

表2 黄河流域5大城市群PM2.5空间分布影响因素、因子解释力与分异探测结果Tab.2 Influencing factors,explanatory power and differentiation detection results of PM2.5 spatial distribution in the five urban agglomerations in the Yellow River Basin

3.1 分异探测分析

不同因素对黄河流域5大城市群PM2.5的空间分异格局影响程度不同。2016 年，PM2.5排名前8 强的因子为：净第一性生产力（X5）>地形起伏度（X1）>气温（X2）>植被覆盖指数（X4）>人口规模（X9）>工业规模（X10）>经济增长（X6）=公众环境关注度（X14）。2020 年，排名前8 强的因子为：净第一性生产力（X5）>气温（X2）>地形起伏度（X1）>植被覆盖指数（X4）>能源效率（X12）>人口规模（X9）>公众环境关注度（X14）>城市绿化率（X15）。“十三五”开局和收官之年共同反映出自然地理因素比社会经济因素的驱动力更强，自然地理因素对PM2.5污染变化有着显著性影响力。

3.1.1 自然地理因素黄河流域所处的区域自然地理环境为PM2.5污染的扩散、传输和稀释提供基础性支撑作用。从表2可知，2016年和2020年PM2.5污染的驱动力前4强的因子相同，均是自然地理因素，其中影响力最强的均是净第一性生产力，植物在单位面积和单位时间上通过光合作用吸附PM2.5，具有显著消减空气中PM2.5的含量，有效改善城市群环境质量的功能，是地表碳循环的关键组分［50］。地形起伏度、气温和植被覆盖指数也是驱动力较强的自然地理因子。其中，地形起伏度与PM2.5总体上呈负相关，黄河流域中西部城市群由于地形等原因不利于人口和工业聚集，对外来PM2.5污染阻碍作用突出，而下游城市群地势平坦，利于开展大规模工业活动，也易造成PM2.5污染的扩散［51］。地形起伏度还影响着地表风速和环流场，使所受的气流容易形成逆温层。当环流场静稳天气条件时，大气边界层无风或小风速对北方城市冬季逆温层和雾霾重污染天气的形成都有直接关系［52］。气温对PM2.5的影响主要表现在时空两方面：时间上表现为对PM2.5扩散和稀释，空间上表现为促进不同污染物间的转化和二次污染物的产生［53］。较高的植被覆盖有利于PM2.5的沉降、阻滞、吸附和吸入［54］。

3.1.2 社会经济因素城市是PM2.5污染的主要来源地，因此PM2.5具有人口分布与经济发展的指向性，在2016年和2020年影响因子分异探测结果差异变化较大的前5 个因素中，其中前4 强均为社会经济因子，表明社会经济因素提供PM2.5空间分布的导向性驱动特征。2016 年社会经济主控驱动因子是人口规模，而2020 年为能源效率，但人口规模驱动影响力依然很大，紧随其后。随着城市群规模的扩张，首先表现在城市人口规模的急剧膨胀，导致更多能源消耗的增加，且黄河流域各城市群能源消费中的煤炭占比较大，导致烟尘和粉尘排放量增多，更加剧了PM2.5污染［55］。公众环境关注度有效发挥了非正式环境规制的约束作用，形成政府、企业、公众良性互动的环境治理结构［56］。

3.2 交互探测分析

利用地理探测器的交互作用探测，得到因子间互耦互馈关系对黄河流域5大城市群PM2.5空间分布的影响解释力，结果为双因子增强或非线性增强2种类型（图5）。如图5 所示，交互作用探测结果2016 年排在前3 的组合为：X3∩X5（0.833）、X5∩X13（0.801）、X2∩X13（0.792）。2020 年排在前3 的组合为：X5∩X7（0.794）、X2∩X6（0.776）、X2∩X5（0.747）。其中，X5分别与其他因子交互作用探测的解释力均大于其单因子分异探测的影响力，这也与其在分异探测中影响力最强相一致。2016 年和2020 年的双因子交互增强类型均为：X5∩X3、X5∩X4。在分异探测中，对PM2.5空间分布影响最大的因子为X5，但在双因子增强类型中，解释力最强的组合为X5∩X3，解释力明显提高。总之，当X5分别与其他因子交互作用探测后对PM2.5空间分布的解释力均明显提高，当两因子具有明显的空间分异时就会显著增强PM2.5分布的空间异质性。这也表明X5对PM2.5空间分布变化具有极为重要的影响解释力，因为城市园林绿植可以吸附、吸收PM2.5等颗粒物，是降低空气中氮氧化合物含量的有效措施，是净化空气的有效途径，对消减近地表的PM2.5发挥着重要作用［57］。

图5 黄河流域5大城市群PM2.5空间分布影响因子间交互作用探测结果Fig.5 Interaction detection results of influencing factors of PM2.5 spatial distribution in the five urban agglomerations in the Yellow River Basin

3.3 地理加权回归分析

2016 年和2020 年分异探测结果差距较大的前5个因子为：X12>X15>X10>X13>X5。本文对地理探测器中分异探测解释力5 a 间变化最大的前5 个因子进行地理加权回归模型拟合，通过地理加权回归中的回归系数来分析影响因子作用方向和强度的时空差异（图6）。

图6 2016、2020年黄河流域5大城市群PM2.5影响因子回归系数分布Fig.6 Distribution of regression coefficients of PM2.5 impact factors in the five urban agglomerations in the Yellow River Basin in 2016 and 2020

（1）2016 年，X10和X13系数整体上为正，对5 大城市群PM2.5污染起到增强的正效应。X5、X12和X15的回归系数整体上为负，对PM2.5污染起到了抑制的负效应；2020年，X5和X12对PM2.5污染起到了抑制的负效应，X10和X13对PM2.5污染具有增强的正效应，X15对黄河流域城市群东部PM2.5污染起到了抑制的负效应，对西部地区有微弱增强的正效应。总体上看，5 a间各因子对5大城市群PM2.5污染的负效应不断提高、正效应呈下降趋势。

（2）社会经济因子方面，2016—2020 年5 a 间X12对PM2.5污染发挥的抑制作用呈现以黄河流域中部向外围扩散的势态，说明5 大城市群在“双碳”目标下，进行能源绿色低碳转型发展取得了阶段性成效。X15对PM2.5污染的影响效应呈两极反转趋势，2016 年对黄河流域城市群的西部城市固碳减排具有突出贡献，而对东部城市并不显著，但这一特征在2020 年发生了反转，在自然地理环境加持下，东部的城市比西部更利于通过城市景观改善提升固碳减排效应。X10的回归系数由负转正的区域逐渐扩大，说明目前工业增长依赖高能耗高污染行业未从根本扭转。X13回归系数5 a 内总体为正，说明燃煤、土壤尘、机动车排放、生物质燃烧、二次硫酸盐、硝酸盐等产生的烟尘和粉尘一直是城市PM2.5的主要贡献源未得到明显改善［58］，这一因子对关中平原城市群PM2.5污染的增强正效应表现明显。

（3）自然地理因子方面，X5回归系数2个年份对PM2.5污染的影响在空间上整体均为负向，特别是在兰州-西宁城市群和黄河“几”字弯城市群，对PM2.5的抑制作用更加显著。

PM2.5导致的空气污染由自然地理因素（外因）与社会经济因素（内因）共同作用，黄河流域5 大城市群内部污染物排放是PM2.5污染的内因，净第一性生产力、地形起伏度、气温、植被覆盖指数、降水量等自然地理因素是黄河流域5大城市群PM2.5污染集聚与扩散的外因。由于不同区域下PM2.5污染的主导因素差异较大，导致没有一个标准统一的答案。虽然通过本文的定量分析，自然地理因素的影响驱动力略大，但很难进行大范围的变动。社会经济因素则可以根据黄河流域5大城市群每个地区实际制定有针对性的宏观调控政策，例如兰州-西宁城市群制定推动工业结构调整和产业链延伸政策；黄河“几”字弯都市圈优化调整产业结构，降低煤炭消费比重；关中平原城市群提高使用清洁能源比例，优化临汾和运城等城市的能源产业结构；中原城市群优化人口分布、调整产业结构、出台严格的生态环境保护条例等；山东半岛城市群调整优化产业、能源和运输结构，加强PM2.5和臭氧协同控制。

4 结论与建议

4.1 结论

（1）2016—2020年5大城市群的PM2.5年均值的变化大体呈倒“N”型，总体呈现逐步下降态势。PM2.5季均值变化总体呈先降后升的周期规律性的“U”型，总体呈冬高夏低、春秋居中的季节变化态势。

（2）在空间分布上，大致形成了黄河流域下游>中游>上游的梯度递减空间分布格局。除关中平原城市群外，其他4 大城市群PM2.5变化均有逐渐下降的趋势，表明“十三五”时期黄河流域大气污染防治取得较好效果。

（3）5 大城市群PM2.5经过5 a 的演变表现出的空间自相关性各不同，但整体上呈正自相关集聚分布。使用局部空间自相关进一步探测5 大城市群PM2.5空间集聚类型主要为高-高集聚、低-低集聚和低-高集聚类型。从演变趋势来看，高污染区范围在不断缩小。

（4）利用地理探测器的分异探测，得出2016 年和2020 年影响因子驱动力共同反映出自然地理因素比社会经济因素的驱动力更强。利用交互作用探测，得到的结果为双因子增强或非线性增强2 种类型。

（5）通过地理加权回归中的回归系数对地理探测器中分异探测解释力最强的前5个因子进行地理加权回归模型拟合，分析影响因子作用方向和强度的时空差异。社会经济因子方面，工业规模、烟尘和粉尘排放量是PM2.5污染的主要来源，能源效率发挥的负效应呈现以黄河流域中部向外围扩散的势态，城市绿化率的影响效应呈两极反转趋势。自然地理因子方面，净第一性生产力回归系数2 个年份对PM2.5污染的影响在空间上整体均为负向，说明该因子对5 大城市群PM2.5污染起到了显著的抑制效应。

4.2 建议

党的二十大报告提出，深入推进环境污染防治，持续深入打好蓝天、碧水、净土保卫战，基本消除重污染天气。虽然“十三五”黄河流域PM2.5污染呈持续改善态势，但部分城市群以重化工为主的产业结构、以煤为主的能源结构、以公路为主的交通结构还未根本扭转，实现“双碳”目标任务艰巨。“十四五”已进入大气污染治理的深水区，PM2.5污染防治工作任重道远。对此，提出如下建议：

（1）建立黄河流域上中下游5 大城市群应对PM2.5污染联建联防联控联治的合作机制。根据上中下游5 大城市群不同大气污染物排放源，因地制宜制定不同的防治政策，同时增强城市群之间分工协作、协调发展，形成高效合力的城市群治理新格局。

（2）构建政府主导、企业履责和公民参与的PM2.5污染治理体系。发挥政府生态职能，通过环境规制推动经济社会全面绿色转型；利用市场机制和舆论监督，强化新时代高耗能高排放企业履约社会责任；增强公民参与环保的主体意识，形成节能减排的良好社会氛围。

（3）落实“双碳”目标，分类施策，精准推进，深化PM2.5污染治理工作。上游兰州-西宁城市群推动工业绿色转型发展，提高资源利用水平，禁止高能耗高污染高排放产业和低端制造业发展；中上游黄河“几”字弯都市圈推动能源结构实现低碳转型，严控煤炭消费增长；中游关中平原城市群和下游中原城市群优化产业结构布局，持续推动钢铁、化工等行业强制性清洁生产；下游山东半岛城市群积极推进大气污染排污权市场化交易，探索拓展建立跨流域或全国性的大气污染物排污权交易制度。5大城市群协力持续推动冬季清洁取暖改造，普及集中供暖，建设生物质能等分布式新型供暖方式，改变PM2.5污染较强的季节性变化特征。

（4）坚持生态优先、绿色发展，构建黄河流域“五极”发展动力格局。5大城市群是区域经济发展增长极和黄河流域人口、生产力布局的主要载体，扎实推动黄河流域成为我国生态优先绿色发展的主战场，促进“五极”间要素合理流动和高效集聚，持续深入打好打赢蓝天保卫战，以高品质生态环境支撑黄河流域高质量发展。