随着全球城市化的加速，空气污染已成为一个对城市健康具有深远影响的关键环境问题。根据世界卫生组织2022年更新的全球空气质量数据库，99%的全球人口生活在空气污染水平超过安全阈值的地区（WHO, 2022a, WHO, 2022b），而2018年这一比例为90%（Yang et al., 2020a; Southerland et al., 2022）。细颗粒物（PM2.5）因其微小的颗粒尺寸能够深入肺泡，对呼吸系统和心血管系统造成不利影响而特别令人担忧（Dockery et al., 1993; Seaton et al., 1995; Pope et al., 2002）。城市地区的健康负担相当沉重。大量证据表明，长期和短期暴露于高浓度PM2.5会增加心血管和呼吸系统疾病、癌症以及早死的风险，从而加剧公共卫生系统的负担。尽管中国近年来空气质量有所改善，但大多数城市的年平均PM2.5浓度仍超过WHO推荐的5 μg/m3标准（WHO, 2021），相关健康风险依然显著。因此，在空间规划和环境管理议程中，降低PM2.5暴露风险（PER）被列为优先事项。减少PER被认为对于缓解城市环境健康风险、改善人口健康和促进可持续发展至关重要。在此背景下，关于空气污染及其健康影响的研究受到了广泛的跨学科关注，特别是暴露差异和环境正义问题（Hajat et al., 2015）。环境暴露评估框架已被广泛用于分析不同社会群体间空气污染暴露的时空分布和不平等性。这些评估为健康城市规划和环境治理中的基于证据的决策提供了宝贵支持。
近年来，关于空气污染暴露及其不平等性的研究在环境正义和健康地理学领域引起了广泛关注（Cutter, 1995; Ma, 2010）。大多数现有研究集中在发达国家，这些国家通常采用人口加权浓度方法来估计暴露量（Mitchell and Dorling, 2003; Zhai et al., 2026）。这些方法往往只能提供关于不平等现象、时间趋势和广泛时空尺度下潜在机制的定性或相对粗糙的解释（Behrer and Heft-Neal, 2024）。研究表明，空气污染暴露在社会经济维度（包括种族、年龄、收入、性别、户籍和教育程度）上存在显著不平等，且这些差异正在加剧（Wakefield, 2003; Mohai et al., 2009; Branis and Linhartova, 2012）。例如，Bolin等人发现西班牙裔、黑人和美洲原住民群体比白人群体更频繁地暴露在高浓度的有毒空气污染物中（Bolin et al., 2000）。Ma等人报告称，儿童、老年人和移民群体持续暴露在较高水平的空气污染中，且这些差异随时间而加剧（Ma et al., 2019）。Jbaily等人进一步指出，低收入社区的PM2.5平均浓度往往高于富裕地区（Jbaily et al., 2022）。同样，Schwartz和Zanobetti发现PM10污染对女性死亡率的影响比男性更明显（Schwartz and Zanobetti, 2000）。显然，大多数关于空气污染暴露不平等性的研究采用人口-暴露分析框架，将人口按社会经济属性分类，并评估不同群体间的暴露差异。这类研究强调了城市或地区间暴露不平等的长期演变，而对城市内部更精细时间尺度上的差异的系统性研究仍然有限，尤其是关于人口时空分布的日变化对PER的影响。
准确评估空气污染暴露为研究环境和健康不平等性提供了基础（Dhondt et al., 2012）。尽管以往的研究记录了不同社会经济维度上的空气污染暴露不平等性，但大多数估计依赖于静态人口分布和长期平均污染物浓度（Wang, 2024）。这些方法未能捕捉到居民日常移动行为和居住方式的动态特性，以及污染物浓度的时空变化（Kousa et al., 2002; Beckx et al., 2009; Xu et al., 2025）。因此，传统的暴露评估方法在捕捉实际暴露水平方面存在明显局限，尤其是在需要更高时空精度的城市尺度上（Özkaynak et al., 2013; Ciarelli et al., 2019）。随着地理信息分析、环境建模、地理统计学和大数据分析的快速发展，暴露评估已逐渐从静态评估转向动态评估，后者结合了个体时空活动模式（Kwan, 2009; Steinle et al., 2013）。近年来，多项国际研究利用多源大数据绘制人口流动图，并将其与高分辨率空气质量数据结合，进行大规模动态暴露评估。例如，Nyhan等人（2019）使用空间插值法估算了纽约市的PM2.5浓度，然后结合手机数据分析暴露模式。Dewulf等人（2016）利用手机数据和空气质量模型估算了比利时的每周NO2暴露水平。Zhong等人（2023a）将兴趣点（POI）数据和地理空间数据集与AERMOD模型结合，评估了城市不同功能区的PM2.5暴露情况。尽管这些研究通过结合多源大数据和动态方法提高了空气污染暴露评估的准确性，但很少关注污染物浓度与居民居住行为之间的时空相互作用。因此，捕捉特定时空背景下城市人口对暴露风险的真实贡献仍然是一个关键挑战。
从时空行为的角度来看，具有不同社会经济属性的人口往往表现出不同的活动空间和行为轨迹，这受到经济条件、社会角色和认知偏好的影响（Chai, 2024; Liao et al., 2025）。这些差异最终导致不同社会群体间的空气污染暴露风险水平存在差异（Fan et al., 2022）。社会经济属性与城市建成环境密切相关，因为居住、就业和活动地点的选择在不同社会群体间存在差异，从而反映了空间分化。此外，这些地点的地理特征和可及性显著影响个体的时空行为（Browning et al., 2017）。因此，社会经济属性和建成环境特征共同塑造了居民的时空行为，进而影响他们在特定情境下的空气污染暴露情况，从而导致不平等。然而，很少有系统性地研究城市内部暴露不平等的空间分布、时间演变及其潜在机制。特别是，很少关注城市环境特征和居民动态居住行为在塑造暴露差异中的作用。
为解决上述研究空白，本研究引入了一个综合的“环境-时空-行为-暴露”分析视角，将城市环境特征、居民的时空行为和空气污染暴露联系起来。它强调空气污染暴露风险不仅仅由污染水平或静态人口分布决定，而是由多种因素及其相互作用共同塑造的。本研究解决了两个关键问题：（1）从动态居住的角度来看，PER及其空间不平等性如何在空间和时间上演变？（2）环境因素如何对PER及其不平等性产生时空异质性影响？以上海作为代表性大都市案例，本研究应用大数据和可解释的机器学习方法分析了城市PER的小时级动态。进一步研究了空间PER不平等性，并探讨了多维环境因素的影响机制，从而更深入地了解了PER及其不平等性的来源。据此，提出了强调时空协作治理的针对性策略，包括按时间、地点和人口群体进行干预。
