2001—2010年非洲大氣PM2.5污染濃度空間格局演化

楊帆 周亮 林蔚 徐建剛

摘 要：基于NASA的全球大氣PM2.5年均污染濃度柵格數據，通過區統計非洲各國大氣PM2.5濃度均值及建立空間數據庫，利用重力模型、ESDA模型及GIS空間統計分析方法，對非洲52個主要國家（地區）2001年～2010年間的大氣PM2.5污染濃度空間格局演化特征進行探究，并依據時間序列特征將研究對象劃分為8類。研究結果表明：①2001年～2010年非洲大氣PM2.5污染濃度大致呈現“中間高、南北低；西部高、東部低”的空間特征；其中高值區集中分布在非洲西部幾內亞灣附近的尼日利亞、剛果與喀麥隆等國家，低值區則廣泛地分布在北非、南非以及非洲東南部印度洋沿岸地區或島嶼。②基于ESDA模型的空間自相關分析發現PM2.5濃度“高—高”熱點區主要集聚在幾內亞灣附近，“低—低”冷點區集中在東南部印度洋沿岸的南非、莫桑比克與馬達加斯加島。③時序上2001年～2010年非洲PM2.5年平均污染濃度呈現明顯下降趨勢，其中32個國家2010年PM2.5污染年均濃度低于2001年。④從自然環境條件及社會經濟因素兩方面淺析其空間格局主要成因：幾內亞灣沿岸是非洲PM2.5污染最嚴重的地區，因其人口稠密且高度依賴石油產業；非洲東南部地區PM2.5污染最輕，得益于其良好的自然環境條件及低污染的支柱產業。

關鍵詞：大氣污染；PM2.5；空間格局；非洲

中圖分類號：K918 文獻標識碼：A

0 引言

隨著全球經濟迅速發展，快速的工業化帶來各類環境污染問題，如水污染、固體廢棄物污染、大氣污染等。大氣主要污染物包括二氧化硫（SO2）、氮氧化合物（NOX）、臭氧（O3）、顆粒物（PM）等[1]，其中顆粒物是較為普遍的大氣污染物且對人群身心健康危害較強。顆粒物中，空氣動力學直徑小于或等于10μm的顆粒物稱為可吸入顆粒物（PM10），空氣動力學直徑小于或等于2.5μm的顆粒物稱為細顆粒物（PM2.5）。其中PM2.5由于體積更小，相比PM10更容易吸附有害物質并進入呼吸系統，提高心肺系統甚至其他器官的疾病風險，對人體健康造成嚴重威脅[2]。因此，大氣PM2.5污染近年來逐漸成為公眾輿論和學術研究的關注熱點。

在關于大氣可吸入顆粒物（含PM10與PM2.5）污染的研究中，大氣污染濃度的時空格局是一個結合環境學與地理學的重要問題。在國外，KL Yang[3]、N Motallebi[4]、P Anttila[5]等學者曾分別研究了中國臺灣、美國洛杉磯都市區、芬蘭等國家或地區的PM10或PM2.5時空格局，闡述了相應研究地區的大氣可吸入顆粒物污染濃度的演變特征。在國內，李名升等人曾對2002年～2012年我國地級以上城市的大氣PM10濃度空間分布格局進行研究[6]，胡曉宇等人也曾對珠江三角洲城市群進行了相關的分析及模擬[7]。但總體上有關大氣可吸入顆粒物污染的空間格局研究相對較少，相關研究主要集中在環境學領域的形成機制、大氣特征、污染溯源等方面。

自20世紀60年代起，非洲國家相繼獲得政治獨立，并開啟了較大規模的工業化進程[8]。目前非洲的工業化水平相對全球仍較為落后，但是由于工業發展粗放、工藝水平低下、環保監督不力等問題，無可避免也面臨大氣環境污染問題。關于非洲PM2.5的研究較少，主要研究包括南部非洲稀樹大草原火災釋放的PM2.5導致的季節污染[9]，稀樹草原大火燃燒效率與PM2.5污染排放對當地生態系統的影響[10]，以及南非燃煤對大氣的污染[11]，非洲粉塵對加那利群島空氣質量影響[12]等。通過衛星遙感對PM2.5進行反演的研究多集中在全球主要大城市的PM2.5濃度、大氣溶膠光學深度、空氣質量[13，14]，如Liu等與Gupta等[15，16]應用遙感影像對美國東部地面與澳大利亞悉尼市區的PM2.5進行估算。然而相關研究中對大尺度的PM2.5的空間差異特征與規律研究較少[17]，尚未有專門針對非洲大陸大氣PM2.5污染濃度空間格局的相關研究。因此本文利用NASA衛星遙感數據，在對數據進行提取及分區計算的基礎上，針對非洲2001年～2010年大氣PM2.5污染濃度空間格局進行分析，并利用污染重心、空間自相關分析、GIS空間分析及時間序列分類等方法進行研究，挖掘非洲2001年～2010年之間大氣PM2.5污染濃度的空間分異規律及原因，以期為更好地認識非洲大氣PM2.5空間格局現狀提供參考。

1 研究區域與數據處理

本文以非洲為研究區域，研究范圍涵蓋非洲大陸52個國家（地區），需要說明的是由于非洲部分地區（主要為英法等國在非洲的海外領地，如新胡安島、圣赫勒拿島、特羅姆蘭島等）缺乏數據而且面積相對較小，因而剔除在研究范圍之外。研究時段為2001年～2010年，從中截取2001、2004、2007、2010年四個時間斷面進行詳細分析。本文使用的數據包括非洲各國或地區的行政區域界線矢量數據和全球大氣PM2.5年均污染濃度柵格數據。全球大氣PM2.5年均濃度數據來源于美國國家航空航天局的社會經濟數據和應用中心（NASA Socioeconomic Data and Applications Center），由搭載在Terra衛星上的中分辨率成像光譜儀（MODIS）和多角度成像光譜儀（MISR）傳感器獲取，具有1°的分辨率[18，19]。在ArcGIS平臺上對全球大氣PM2.5年均污染濃度柵格數據進行基本的空間校正處理，對非洲各國行政區劃界線進行矢量化后，利用行政區劃界線矢量數據作為掩膜對全球大氣PM2.5年均污染濃度數據進行提取，并分區統計（Zonal Statistics）非洲各國家或地區的平均大氣PM2.5年均濃度。需要說明的是數據源的PM2.5原始濃度單位為ng/m3，為與相關研究統一口徑，將單位轉換為μg/m3，從而建立非洲大氣PM2.5污染濃度空間數據庫。

2 研究方法

2.1重力模型

3.2 非洲大氣PM2.5年均污染濃度的空間格局

根據非洲各國各年大氣PM2.5年均濃度值，按相等區間劃分為7種類型：極低污染區（<4.0μg/m3）、低污染區（4.0～8.0μg/m3）、較低污染區（8.0～12.0μg/m3）、中等污染區（12.0～16.0μg/m3）、較高污染區（16.0～20.0μg/m3）、高污染區（20.0～24.0μg/m3）及極高污染區（>24.0 μg/m3），如圖1所示：

（1）極低污染區：自2001年～2010年，非洲只有4個國家或地區的大氣PM2.5年均濃度值保持在4.0μg/m3以內：毛里求斯、留尼汪島、馬達加斯加、科摩羅，均為處于非洲東南部坐落在印度洋上的島國。其中毛里求斯是2001年（1.28μg/m3）和2007年（1.32μg/m3）非洲大氣PM2.5年均濃度值最低的國家或地區，而法國的海外領地留尼汪島則是2004年（1.32μg/m3）和2010年（1.30μg/m3）非洲大氣PM2.5年均濃度值最低的國家或地區。

（2）低污染區：2001年有8個國家或地區，包含非洲東南部的南非、斯威士蘭、萊索托和莫桑比克，非洲東部的肯尼亞、索馬里以及非洲北部的突尼斯、摩洛哥；到2004年，非洲東部的津巴布韋、坦桑尼亞、馬拉維和博茲瓦納由較低污染區轉變為低污染區，此前非洲東南角、非洲東部的兩處相互獨立的低污染區在空間上已連成一片；自2007年起低污染區的分布格局基本沒有發生顯著變化。從空間分布上看，低污染區基本已完全覆蓋非洲的印度洋沿岸地區。

（3）較低污染區：2001年包括津巴布韋、阿爾及利亞、埃及、赤道幾內亞等共計12個國家或地區；津巴布韋等4個國家于2004年由較低污染區轉變為低污染區，較低污染區的國家或地區數量變為9個；到2010年，較低污染區的國家或地區數量重新增加至12個。不難發現，較低污染區基本分布在非洲北部或非洲東南部的內陸地區，只有赤道幾內亞是非洲中西部唯一屬于較低污染區的國家。

（4）中等污染區：2001年包括毛里塔尼亞、尼日爾、蘇丹、乍得、安哥拉、加蓬等15個國家或地區；到2004年，中等污染區包含的國家或地區數量大幅減少為10個，其中毛里塔尼亞、贊比亞變為較低污染區，塞內加爾、中非共和國等7個國家污染程度上升從而脫離本區域；到2007年中等污染區格局未發生顯著變化；到2010年，中等污染區的國家或地區數量大幅增加至19個，新增的國家或地區包括西撒哈拉、埃及、毛里塔尼亞等。中等污染區基本分布在非洲中部、西部和南部地區。

（5）較高污染區：2001年包括盧旺達等12個國家或地區；到2004年包含的國家或地區數量依然維持在12個，但具體的組成國家或地區有較大變化。到2010年，加納等8個國家由較高污染區轉變為中等污染區，剛果由較高污染區轉變為高污染區，同時加蓬等4個國家成為較高污染區，使其數量大幅減少至8個。較高污染區基本上集中在非洲中部和西部的環幾內亞灣地區。

（6）高污染區：2001年只包含尼日利亞1個國家；到2004年增加為喀麥隆、貝寧、民主剛果、尼日利亞4個國家；到2007年，喀麥隆、民主剛果轉變為較高污染區，同時吉布提由較高污染區轉變為高污染區；到2010年，高污染區只包含剛果1個國家。其中，尼日利亞分別是2001年（21.60μg/m3）和2007年（21.89μg/m3）非洲大氣PM2.5年均濃度值最高的國家或地區，剛果則是2010年（20.96μg/m3）最高的國家或地區。高污染區均集中在非洲中西部環幾內亞灣地區。

（7）極高污染區：2004年只有位于非洲中部的剛果（24.34μg/m3）。在其余的三個截取年份內，非洲均不存在大氣PM2.5年均濃度值高于24.0μg/m3的極高污染區。

綜上所述，非洲的大氣PM2.5年均污染濃度大致呈現“中間高、南北低；西部高、東部低”的空間格局特征，非洲2001年～2010年大氣PM2.5年均污染濃度介于11.67-12.27μg/m3之間。大氣PM2.5年均濃度較低的區域主要位于非洲東南部的印度洋沿岸地區或印度洋上的島嶼，大氣PM2.5年均濃度較高的區域主要集中在非洲中部和西部。幾內亞灣附近形成了由科特迪瓦為起點，經布基納法索、貝寧、尼日利亞、喀麥隆、加蓬、剛果等國，最后到達剛果民主共和國的一條大氣PM2.5污染高值帶。非洲其余地區的年均濃度基本介于5～15μg/m3之間，主要呈現為由非洲中西部、幾內亞灣附近的大氣污染高值帶向外擴散的空間格局特征。其中，非洲南部的大氣PM2.5年均濃度最低，其次是非洲東部和北部，非洲西部和中部的大氣PM2.5年均濃度明顯高于其他地區，是非洲PM2.5污染最為嚴重的地區（表3）。

3.3 非洲大氣PM2.5年均污染濃度的空間自相關分析

基于非洲2001年～2010年各國家或地區的大氣PM2.5年均污染濃度值，利用Morans I指標進行局部空間自相關分析。由結果（圖2）可見，在p=0.05的顯著性水平上呈現為“高—高”關系的熱點區主要集中在非洲中西部，2001年包括非洲西部的布基納法索、科特迪瓦、加納、多哥、貝寧、尼日利亞及非洲中部的喀麥隆、剛果，合計8個國家或地區；到2004年，污染熱點區增加利比里亞、民主剛果2個國家；到2007年，非洲中部的喀麥隆、剛果和民主剛果不再是污染熱點區，同時非洲西部幾內亞比紹成為污染熱點區，大氣污染熱點區國家或地區數量重新減少為8個；到2010年，利比里亞、科特迪瓦、加納、多哥、貝寧不再是污染熱點區，非洲中部的喀麥隆與剛果重新成為污染熱點區，同時非洲西部的塞內加爾、贊比亞成為污染熱點區。從空間分布上看，空間自相關分析所得的大氣污染熱點區域基本處于前文分析的大氣污染高值帶上，表明大氣PM2.5污染在這些國家或地區存在顯著的高值集聚；在p=0.05的顯著性水平上呈現為“低—低”關系的大氣PM2.5污染冷點區主要分布于非洲東南部，2001年包括非洲南部的南非、萊索托、斯威士蘭以及非洲東部的莫桑比克、馬達加斯加、毛里求斯、科摩羅、留尼汪島，合計8個國家或地區；萊索托到2004年不再屬于污染冷點區，但于2007年又重新成為污染冷點區，使大氣污染冷點區的分布和組成與2001年一致；到2010年，污染冷點區增加了位于非洲東部的津巴布韋、馬拉維2個國家，使其包含的國家或地區數量增加至10個。污染冷點區集聚于非洲的東南角，且相互連成一片，均屬于前文所述的大氣PM2.5年均濃度值在8.0μg/m3以內的極低污染區及低污染區，表明大氣PM2.5污染在這些國家或地區存在顯著的低值集聚；分析發現2001年～2010年非洲均不存在大氣PM2.5污染濃度呈現“高—低”或“低—高”關系的異常地區，表明局部空間自相關均呈現為正空間自相關。

3.4 非洲大氣PM2.5年均污染濃度變化的時間序列類型

在非洲的52個國家或地區中，有32個國家或地區2010年的大氣PM2.5年均污染濃度相比2001年下降，其中下降幅度最大的為坦桑尼亞（28.56%）；其余20個國家或地區2010年的大氣PM2.5年均污染濃度相比2001年上升，其中上升幅度最大的為尼日爾（12.09%）。按照各截取年份相對上一個截取年份的升降變化將非洲各國的大氣PM2.5年均污染濃度時間序列變化態勢劃分為8個類型（表4），可見在研究時段內只有岡比亞1個國家的PM2.5年均污染濃度持續上升，安哥拉等5個國家或地區的年均污染濃度持續下降，占比最大的類型是類型Ⅳ（第一個時間段大氣PM2.5年均濃度上升，其后持續下降），占據本次研究范圍內52個國家或地區的四分之一。大體上非洲大氣PM2.5年均污染濃度的總體趨勢仍處于下降中。

非洲各國在2001年～2010年間的大氣PM2.5年均污染濃度變化也反映其大氣污染程度的穩定性，利用研究時間段內的離差系數考察非洲各國的時間序列穩定性，離差系數越高說明其時間序列越不穩定。時間序列穩定性最高的國家為毛里求斯（0.0183），期間PM2.5年均污染濃度一直介于1.28～1.34μg/m3，其次為利比亞（0.0210）、乍得（0.0210）、馬里（0.0214）等國家；時間序列穩定性最低的國家為馬達加斯加（0.2376），期間大氣PM2.5年均污染濃度最高值約為最低值的兩倍，離差系數顯著高于其他國家或地區：莫桑比克（0.1391）、加納（0.1376）、坦桑尼亞（0.1366）等。毛里求斯和馬達加斯加是非洲大氣PM2.5污染濃度最低的國家，然而其時間序列的穩定性卻大相徑庭，因為馬達加斯加作為非洲最大的島嶼，海風的調節能力相對其他小型海島國家較弱，環境相對非洲大陸的國家更為獨立，大氣PM2.5年均污染濃度易受偶發因素影響。

3.5 非洲大氣PM2.5污染空間格局成因探析

通過上述分析可發現，幾內亞灣一帶是非洲大氣PM2.5污染最為嚴重的區域，而非洲東南部印度洋沿岸地區或印度洋島國大氣PM2.5污染則較為輕微，從自然環境條件及社會經濟因素對其主要原因進行淺析：

（1） 從自然環境條件來看，非洲東南部的印度洋沿岸地區及島國位于印度洋上且相對遠離非洲大陸，莫桑比克暖流帶來大量清潔、潮濕的海風，使污染物易被稀釋，因而大氣污染相對輕微；而剛果盆地地形閉塞，大氣污染物不易擴散稀釋，使剛果成為非洲PM2.5污染最嚴重的國家之一；同理乍得盆地的PM2.5污染也相對較為嚴重，可見海陸位置、地形地貌、洋流等是非洲PM2.5濃度的主要影響因素。

（2） 從社會經濟因素來看，幾內亞灣沿岸是非洲大陸人口最為稠密的地區，其中尼日利亞更是非洲第一人口大國，社會經濟活動及能源消耗高度集中，其次幾內亞灣沿海地區是近年來非洲乃至全世界石油勘探的新熱點，PM2.5污染最為嚴重的尼日利亞是重要的產油國及出口國，開采原油中相當部分在當地提煉從而造成大氣污染[23-25]；此外幾內亞灣國家乃至非洲中西部經濟相對落后，以石油及礦業為支柱產業，低端的產業結構及產能加劇大氣污染，明顯的反例是非洲人均國內生產總值最高的赤道幾內亞，雖同樣坐落于幾內亞灣沿岸，卻是非洲中西部唯一屬于較低污染區的國家；非洲東南部印度洋沿岸地區或印度洋島國工業基礎較薄弱，往往以旅游業、種植業、紡織業等行業作為支柱產業，對資源消耗及環境污染相對較低，因此PM2.5污染程度相對輕微。

在2001年～2010年間，非洲大氣PM2.5污染的空間格局并沒有發生顯著的變化，污染高值區及低值區呈現空間鎖定性，其主要原因為研究時段內，非洲的海陸位置、地形地貌、洋流等自然環境條件沒有出現明顯變化，同時經濟格局、人口分布及能源消費亦未出現較大的空間格局演變，因此PM2.5空間格局相對穩定。但根據時間序列分析，非洲在研究時段內PM2.5污染狀況整體趨好，且不同的國家或地區具有不一致的時間序列穩定性，呈現“整體格局穩定、微觀格局波動”的時空格局演變特征。

4 結論

基于NASA的全球大氣PM2.5年均污染濃度柵格數據，利用重力模型、ESDA模型以及GIS空間統計分析方法，對非洲52個主要國家2001年～2010年的大氣PM2.5污染濃度的空間格局特征演化進行探究，并對其時間序列特征進行了分類與穩定性分析，主要結論如下：

（1） 2001年～2010年非洲大氣PM2.5污染的幾何重心均位于剛果桑加區東南角，總體向北偏移，幾何中心的地理位置初步說明非洲南部、西部的大氣PM2.5污染程度分別相對地高于北部、東部。空間格局分析表明非洲的大氣PM2.5年均污染濃度大致呈現“中間高、南北低；西部高、東部低”的特征，大氣PM2.5年均濃度較低的區域主要位于非洲東南部的印度洋沿岸地區或印度洋上的島嶼，濃度較高的區域集中在非洲中部和西部，其中幾內亞灣附近形成一條大氣PM2.5污染高值帶。

（2） 經局部空間自相關分析發現，大氣PM2.5污染熱點區域主要集中在非洲中西部幾內亞灣附近，大氣PM2.5污染冷點區域集聚分布于非洲東南部的印度洋沿岸或島嶼地區，非洲不存在顯著的“高-低”或“低-高”關系的異常地區，說明非洲研究時段內的大氣PM2.5污染主要呈現為以高（低）值集聚的空間正向相關關系。

（3） 2001年～2010年非洲大陸PM2.5污染濃度整體呈現下降趨勢。52個國家（地區）中有32個國家或地區2010年大氣PM2.5年均污染濃度相比2001年有所下降，其余20個國家或地區的大氣PM2.5年均污染濃度則有所上升。根據時間序列變化劃分為8個類型，其中Ⅳ（升-降-降）類型占比最大。考察各國的時間序列穩定性發現，時間序列穩定性最高的國家為毛里求斯，其次為利比亞、乍得、馬里；時間序列穩定性最低的國家為馬達加斯加。

（4） 從自然環境條件及社會經濟因素兩方面淺析非洲大氣PM2.5污染空間格局的主要原因。幾內亞灣沿岸作為非洲大氣PM2.5污染最嚴重地區的主要原因包括：其人口稠密導致社會經濟活動及能源消耗高度集中，作為重要產油基地原油提煉活動造成大氣污染，經濟產業相對落后加劇大氣污染。而非洲東南部的印度洋沿岸地區、島國是非洲大氣PM2.5污染程度最輕微的區域，與其工業基礎薄弱依靠旅游業、種植業等低污染產業，及相對遠離大陸、受莫桑比克暖流影響等良好的自然環境存在關聯，因此PM2.5污染相對輕微。

參考文獻：

[1] Van D A. Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth： development and application[J]. Environmental Health Perspectives， 2010，118（6）：847-855.

[2] Boldo E， Medina S， Le Tertre A， et al. Apheis： health impact assessment of long-term exposure to PM2. 5 in 23 European cities[J]. European journal of epidemiology，2006，21（6）：449-458.

[3] Yang K L. Spatial and seasonal variation of PM10 mass concentrations in Taiwan[J]. Atmospheric Environment，2002，36（21）：3403-3411.

[4] Pakbin P，Hudda N，Cheung K L，et al. Spatial and temporal variability of coarse （PM10，2.5） particulate matter concentrations in the Los Angeles area[J]. Aerosol Science and Technology， 2010，44（7）：

514-525.

[5] Anttila P， Salmi T. Characterizing temporal and spatial patterns of urban PM10 using six years of Finnish monitoring data[J]. Boreal environment research，2006，11（6）：463-479.

[6] 李名升，張建輝，張殷俊，等. 近 10 年中國大氣 PM 10 污染時空格局演變[J]. 地理學報，2014，68（11）：1504-1512.

[7] 胡曉宇，李云鵬，李金鳳，等. 珠江三角洲城市群PM_（10）的相互影響研究[J]. 北京大學學報：自然科學版，2011，47（3）：519-524.

[8] 姜忠盡，尹春齡. 非洲工業化戰略的選擇與發展趨向[J]. 西亞非洲，1991（6）：49-56.

[9] Korontzi S， Ward D E， Susott R A， et al. Seasonal variation and ecosystem dependence of emission factors for selected trace gases and PM 2. 5 for southern African savanna fires[J]. Journal of Geophysical Research： Atmospheres （1984-2012），2003，108：D24.

[10] Ward D E，Hao W M，Susott R A，et al. Effect of fuel composition on combustion efficiency and emission factors for African savanna ecosystems[J]. Journal of Geophysical Research： Atmospheres （1984

-2012），1996，101（D19）：23569-23576.

[11] Engelbrecht J P，Swanepoel L，Chow J C， et al. PM2. 5 and PM10 concentrations from the Qalabotjha low-smoke fuels macro-scale experiment in South Africa[J]. Environmental Monitoring and Assessment，2001，69（1）：1-15.

[12] Viana M，Querol X，Alastuey A，et al. Influence of African dust on the levels of atmospheric particulates in the Canary Islands air quality network[J]. Atmospheric Environment，2002，36（38）：5861-5875.

[13] Gupta P，Christopher S A，Wang J，et al. Satellite remote sensing of particulate matter and air quality assessment over global cities[J]. Atmospheric Environment，2006，40（30）：5880-5892.

[14] Wang J，Christopher S A. Intercomparison between satellite‐derived aerosol optical thickness and PM2.5 mass： implications for air quality studies[J]. Geophysical research letters，2003，30（21）.

[15] Liu Y，Sarnat J A Kilaru V，et al. Estimating ground-level PM 2. 5 in the eastern United States using satellite remote sensing[J]. Environmental science & technology，2005，39（9）：3269-3278.

[16] Gupta P，Christopher S A，Box M A，et al. Multi year satellite remote sensing of particulate matter air quality over Sydney， Australia[J]. International Journal of Remote Sensing，2007，28（20）：4483-4498.

[17] Liu Y，Paciorek C J，Koutrakis P. Estimating regional spatial and temporal variability of PM2. 5 concentrations using satellite data， meteorology， and land use information[J]. Environmontal Health Perspectives， 2009（117）：886-892.

[18] Battelle Memorial Institute， Center for International Earth Science Information Network - CIESIN - Columbia University. Global Annual Average PM 2.5 Grids from MODIS and MISR Aerosol Optical Depth （AOD）. Palisades[M]. NY： NASA Socioeconomic Data and Applications Center （SEDAC），2013.

[19] De Sherbinin A，Levy M A，Zell E，et al. Using satellite data to develop environmental indicators[J]. Environmental Research Letters，2014，9（8）：084013.

[20] 樊杰，陶岸君，呂晨. 中國經濟與人口重心的耦合態勢及其對區域發展的影響[J]. 地理科學進展， 2010，29（1）：87-95.

[21] 周亮，徐建剛，蔡北溟，等. 淮河流域糧食生產與化肥消費時空變化及對水環境影響[J]. 自然資源學報，2014，29（6）：1053-1064.

[22] 李勇，周永章，張澄博，等. 基于局部Morans I和GIS的珠江三角洲肝癌高發區蔬菜土壤中Ni、Cr的空間熱點分析[J]. 環境科學，2010，31（6）：1617-1623.

[23] 姜忠盡. 現代非洲人文地理（下冊）[M]. 南京：南京大學出版社，2014.

[24] 郝麗莎，趙媛. 非洲在世界石油供給格局中的地位演變[J]. 地理研究，2012，31（3）：54.

[25] Whiteman， Arthur J. Nigeria： Its petroleum geology， resources and potential[M].