21世纪以来,随着经济全球化程度的加深和产业布局的调整,空气污染物在一些发展中国家的污染水平持续走高,空气污染已成为关系到人类和其他物种生命健康安全的一个突出问题。作为最大的发展中国家,中国在近20年中饱受空气污染的困扰,空气污染物暴露下造成的居民健康风险、疾病负担和经济影响不容忽视。因此,为了充分认识社会发展与空气污染之间的关系,理性地制定绿色高效的发展策略,需要探究空气污染物的时空分布特征与社会经济影响因素,科学评估空气污染物引起的健康风险和经济损失。本文选取中国西南地区的四川、贵州、云南、重庆三省一市作为研究区域,将颗粒污染物PM10作为目标污染物。首先利用时间序列和空间自相关方法探究西南地区的颗粒物PM10浓度的时空分布规律,其次采用空间计量经济模型解释西南地区PM10的社会经济影响,然后利用土地利用回归和机器学习方法建立回归预测模型,对PM10的空间分布进行预测;结合相对危险度模型对西南地区PM10暴露下各健康终端的健康效应变化量进行评估,并以此结合统计生命价值法和文献综合法对健康效应变化下的经济损失进行计算。研究的主要结论包括:1.西南地区2015年至2019年PM10浓度水平下降明显,具体表现在五年间以年度、季度和月份的均值、最大值、最小值、中值等统计量均呈下降趋势。年内PM10水平季节差异显著,浓度水平春季>冬季>秋季>夏季。单日内PM10浓度变化呈双峰双谷特征。在空间上,PM10表现出明显的空间聚集特征,但聚集程度逐年减弱,浓度水平四川盆地>云贵高原>横断山脉。2.西南地区PM10浓度与社会经济因素相关性研究表明:人口的聚集对PM10浓度提升的影响正在弱化;产业结构合理调整对空气污染的抑制有促进作用;健康的出行方式和清洁能源的使用对城市的空气质量提升有所帮助。根据空间计量经济模型的参数解释,西南地区2015年和2018年对PM10浓度有正向影响的经济社会指标为人口密度、规模以上工业企业数量、第二产业占比、人均地区生产总值,而城市步道面积、绿化覆盖率、社会用电量对PM10浓度的影响是负向的。3.预测模型表现较好,插值结果与分布趋势相符,但也有局部差异。利用LUR筛选变量所构建的LUR、GBM、RF、XGBoost预测模型的校正R2分别达到0.696、0.757、0.821、0.804。选择RF构建的模型显示,西南地区对PM10浓度空间分异影响中最重要的影响因子为高程,其次是人口、道路密度和风速,相对而言,土地利用类型的重要性较低,这与研究区域复杂的地理条件密切相关。对比2015年和2018年插值结果,PM10浓度下降幅度最明显的是四川盆地内部及东南部地区;PM10浓度上升明显的区域多集中在云贵高原中部和西南部的德宏、大理、楚雄等州。4.PM10给西南地区带来的健康效应变化是显著的,在区域分布上,健康效应变化量大城市>小城市>城市周边>乡村。受PM10浓度影响,2015年所有健康终端（包括过早死亡、急性支气管炎、慢性支气管炎、哮喘、心血管疾病住院、呼吸系统疾病住院）的累计健康效应变化量为117050（95%CI:57220,174270）人,2018年为97655（95%CI:46965,144620）人。2015因PM10导致的健康效应变化带来的经济损失（按当年价格水平）为109.29（95%CI:73.17,134.52）亿元,2018年达到106.51（95%CI:69.54,133.66）亿元。按经济损失量由大到小的健康终端排序为:慢性支气管炎、过早死亡、呼吸系统疾病住院、心血管疾病住院、急性支气管炎、哮喘。