中國PM2.5空間分布特征及影響因素

牛曦辰

（長安大學理學院，陜西 西安 710064）

隨著城市的發展，大氣污染問題日趨嚴重，尤其是以顆粒物（PM2.5）為特征污染物的區域性大氣問題更加突出，目前嚴重影響到人們的生活環境、身體健康，對城市的可持續發展造成了影響[1]。目前，如何緩解城市空氣污染問題，實現城市的可持續發展，是政府和公民共同關注的重點之一。

隨著遙感技術的發展，許多研究者從城市、區域、國家或全球的尺度來研究城市PM2.5的時空分布特征、影響因素或影響特征。從全球來看，中國、印度和東南亞是目前PM2.5污染最為嚴重的國家和地區[2-4]；從國家來看，PM2.5污染嚴重的地方多集中于東部平原地區，尤其是京津冀城市群，四川省東部以及塔克拉瑪干沙漠地區[5-7]；從城市來看，郊區或農村的PM2.5質量濃度大多低于城區。大多學者從社會、經濟、空間結構、環境等方面來了解城市PM2.5污染的成因。從社會經濟角度看，PM2.5質量濃度的增加與城市人口及GDP 的增長呈線性關系[8]，城市的第二產業占比也會顯著增加PM2.5質量濃度[9-10]；從空間結構看，城市規模、聚集程度、城市空間均會對PM2.5質量濃度產生影響[11]；從環境角度看，綠地面積[12]、降水量、風速[13]等均會影響PM2.5質量濃度。然而，PM2.5質量濃度的變化往往不是由單一的社會因素或生態因素引起的，綜合考慮不同地理條件下社會和生態的共同特征，方能發現影響城市空氣污染物的因素。并且，PM2.5是城市的主要污染物，如何理解PM2.5在城市化的背景下的形成特征，針對污染物進行調控，是目前有待解決的問題。本文利用2020 年中國1 762 個縣（區）級監測站點的PM2.5日均質量濃度數據，分析了PM2.5空間分布特征，進一步從社會生態角度探究了其時空分布的影響因素和特征，可為了解中國的大氣污染狀況、大氣污染防治以及城市規劃與布局提供數據支撐和理論依據。

1 研究區域及方法

在全國尺度和區域尺度上，PM2.5監測數據來源于中國環境檢測總站：在本文的研究時段（2020 年），全國各城市范圍內共選出1 762 個縣（區）級監測站點，監測站分布如圖1 所示。

圖1 監測站點圖

社會經濟數據來自統計年鑒，氣溫、降水量數據來源于中國氣象數據網。PM2.5質量濃度數據均按照《環境空氣質量標準》中的規定進行質量控制，剔除無數據或異常值。分別采用ArcGIS、SPSS、R 等對原始數據進行整理分析、圖形繪制、相關性分析。由于本文中的PM2.5是站點數據，在本研究中，在ArcGIS中將PM2.5年均值空間分布柵格數據進行市級劃分，使用克里金插值法計算每個城市的PM2.5質量濃度，如圖2 所示。

圖2 PM2.5質量濃度圖

2 中國PM2.5空間分布特征

地理學第一定律指出，任何事物之間都是相關的，離得較近的事物比離得遠的事物相關性要更高。通過Moran'sI指數計算了相鄰城市各典型污染物質量濃度在空間上的自相關特征，基于此指標探究各典型污染物污染是否存在顯著的空間聚集性特征，即相鄰城市的污染之間是否存在顯著影響。

Moran'sI指數為：

檢驗統計量Z值為：

本文進一步用冷熱點分析（Getis-OrdGi*）識別污染及其變化的高風險區域和低風險區域。該工具使用Z得分度量統計上的顯著性。表達式如下：

根據冷熱點分析，將變量空間分布聚集的程度通過冷點和熱點體現。污染物PM2.5熱點（高/高聚集）區域主要在河南、河北、山東、山西、吉林、黑龍江6個省份的交界處。污染物PM2.5冷點（低/低聚集）區域主要分布在廣東省及沿海城市、新疆的邊界地段。深層探究影響原因，首先是由于空氣的流通性導致相鄰省份受到了影響，其次由于氣候、地理條件、經濟條件等原因，導致污染程度不相同。綜上可知，空氣污染物的分布與地理位置有關。

冷熱點如圖3 所示。

圖3 冷熱點圖

3 中國PM2.5影響因素研究

根據文獻[8]—文獻[13]，可知影響PM2.5質量濃度的因素為社會、經濟、空間結構、環境等。因此，本文從社會經濟、空間結構、環境來考慮影響PM2.5的因素，共20 個可能因素，如圖4 所示。

圖4 影響因素分析圖

4 主成分分析及空間自回歸模型

4.1 主成分分析

4.1.1 主成分分析的適用性檢驗

首先對數據進行KMO 檢驗和Bartlett's 球體檢驗，結果如表1 所示。由表1 知KMO 檢驗值為0.754，滿足主成分分析的條件。Bartlett's 球形檢驗結果顯示各變量間具有相關性，可進行主成分分析。

表1 KMO 和Bartlett's 球形檢驗結果

4.1.2 主成分的提取

運用SPSS 對所選取的226 個城市的影響PM2.5質量濃度的指標進行主成分分析，得到各個成分的特征值及累加貢獻率。解釋的總方差如表2 所示，前7 個主成分的特征值大于1，累積貢獻率為65.254。說明前7 個主成分能充分代表原數據，對總體起到概括作用，因子分析效果比較理想，因此本文提取前7 個主成分進行研究。

表2 解釋的總方差

成分得分系數矩陣如表3 所示。

表3 成分得分系數矩陣

根據系數得分矩陣表，分別用F1、F2、F3、F4、F5、F6、F7表示7 個主成分，根據表中的數據可以得到各個主成分的表達式，如第一個主成分的表達式為：F1=-0.147x1-0.113x2+0.047x3+0.115x4+0.293x5-0.071x6+0.021x7-0.013x8+0.089x9-0.153x10+0.161x11+0.076x12-0.021x13+0.115x14-0.111x15+0.285x16+0.148x18-0.081x19+0.119x20，同理可以得到F2、F3、F4、F5、F6、F7主成分的表達式。

4.2 空間自回歸模型

4.2.1 模型的構建

空間數據往往存在空間依賴性，若此時仍然采用傳統的回歸模型，通常會忽略這種依賴性而使回歸結果產生偏差。PM2.5質量濃度具有顯著的空間自相關性，本文考慮空間依賴性對PM2.5質量濃度的影響。

空間滯后模型通過引入空間滯后變量表示空間單元的因變量的觀測值受到其相鄰空間單元的觀測值的影響，空間滯后模型表明個體的值會受到其周圍地區的直接影響，基本形式如下：

式（4）中：ρ為空間回歸相關系數；w為標準化的空間權重矩陣；y為因變量；x為自變量；β為待估系數；b為截距。

空間誤差模型通過引入空間誤差變量表示存在于誤差中的空間依賴作用，空間依賴作用體現于誤差項之中，基本形式如下：

式（5）（6）中：y為因變量；x為自變量；β為待估系數；ε為隨機誤差項；b為截距；λ為空間誤差系數；w為標準化的空間權重矩陣。

空間杜賓模型是SLM 模型和SEM 模型的組合擴展形式，基本形式如下：

式（7）中：y為因變量；ρ為空間回歸相關系數；w為標準化的空間權重矩陣；b為截距；x為自變量；β為待估系數，表示自變量對因變量的影響程度；θ為待估系數。

空間杜賓誤差模型的基本形式如下：

式（8）（9）中：y為因變量；b為截距；x為自變量；β為待估系數，表示自變量對因變量的影響程度；w為標準化的空間權重矩陣；θ為待估系數。

嵌套的空間模型是具有所有類型的交互效應的完整模型，形式如下：

式（10）（11）中：y為因變量；ρ為空間回歸相關系數；w為標準化的空間權重矩陣；b為截距；x為自變量；β為待估系數，表示自變量對因變量的影響程度；θ為待估系數。

模型關系如圖5 所示。

圖5 模型關系圖

4.2.2 模型判別

回歸模型結果如表4 所示。

表4 回歸模型結果

為比較各個模型在PM2.5質量濃度影響因子分析中的結果，本文建立了OLS 模型，結果如表4 所示；此外本文考慮了由于不同地區的PM2.5質量濃度之間存在空間相關性，需要考慮建立空間回歸模型，如SLM模型、SEM 模型、SDM 模型、SDEM 模型、GNS 模型。由表4 可知，成分3 和成分7 對PM2.5質量濃度產生了負影響；而成分3 和成分7 表明環境的治理能力越強、城市污染度越低，PM2.5質量濃度會降低；而成分2、成分4 和成分6 給PM2.5質量濃度帶來了很大的正影響，這些成分主要為工業污染因素、城市空間結構因素、環境污染因素，因此政府應該減少工業污染，提高城市空間結構的合理性，提高環境治理能力。

赤池信息準則（Akaike Information Criterion，AIC）和貝葉斯信息準則（Bayesian Information Criterion，BIC）通常用于判別模型的優劣，其值越小表示模型的擬合效果越好，得到每個模型的AIC、BIC 值如表5所示。最后為了判別模型的空間依賴性，得到模型殘差的空間依賴性檢驗結果如表6 所示。

表5 模型擬合效果對比

表6 模型殘差的空間依賴性檢驗

式（12）（13）中：k為模型參數個數；L為似然函數；n為樣本數量。

在最小二乘法中，似然函數為：

在SLM 模型中，似然函數為式（14）。

在SEM 模型中，似然函數為式（15）。

在SDM 模型中，似然函數為式（16）。

在SDEM 模型中，似然函數為式（17）。

在GNS 模型中，似然函數為式（18）。

由表5 可知，SDEM 模型的AIC 和BIC 值最小，GNS 模型的AIC 值和BIC 值次之，可見SDEM 模型的擬合效果是6 個模型中擬合效果最好的。此外，根據表6 的結果，OLS 模型殘差都具有顯著的空間正相關性，而考慮了PM2.5質量濃度具有空間依賴性的SLM、SEM、SDM、SDEM、GNS 回歸模型則在一定程度上削弱了這種空間相關性的影響。因此在上述6個模型中，考慮了PM2.5質量濃度的空間效應的空間杜賓誤差模型效果是最優的。

4.2.3 PM2.5質量濃度影響因子分析

根據表4 中SDEM 模型結果，主成分2、主成分4、主成分6 對PM2.5的質量濃度都產生了顯著的正相關性，而主成分2、主成分4、主成分6 里所包含的主要因素有工業二氧化硫排放量、工業二氧化氮排放量、工業煙塵排放量、城市建設用地面積、可吸入顆粒物濃度、第二產業數目、工業數目，這些因素都會影響城市PM2.5質量濃度，因此政府應該控制城市中工業廢氣、煙塵的排放量，對排放的廢氣中的污染物含量進行實時監控，對于超出國家標準排放廢氣的工廠進行罰款等處理；其次，城市應該對建設用地進行合理規劃，盡量合理利用城市的空間結構；城市為了發展經濟，可能會不斷引入企業，政府應該合理管控城市企業的數目、企業的類型，多引入科技開發型企業，減少污染類企業的入駐。

主成分3 和主成分7 對PM2.5質量濃度產生了顯著的負相關作用，包含的主要因素有污水處理率、生活垃圾處理率、綠化覆蓋率、第三產業數目等，政府應該提高城市污水、垃圾處理率，呼吁市民保護環境，增加城市的綠化帶，適當提高第三產業數目及服務業數目。

綜合上述分析，只有管控影響PM2.5質量濃度的相關因子，才有利于控制城市空氣污染物質量濃度。

5 結論

本文通過構建空間回歸模型對2020 年空氣污染物PM2.5進行了時空分布特征及集聚特征分析，采用主成分分析法提取出反映原始數據大部分信息的因子，再利用OLS 模型、OLS 模型、SLM 模型、SEM 模型、SDM 模型、SDEM 模型、GNS 模型構建出了PM2.5質量濃度模型。

主要研究結果如下：①在中國，城市空間結構、社會經濟及環境及其交互作用會對PM2.5質量濃度產生明顯影響。通過主成分分析法，將20 個因素降維成7 個主要因素，在這7 個因素中，對PM2.5質量濃度產生負相關的因素有主成分3 和主成分7，而主成分1、主成分2、主成分4、主成分5 和主成分6 對PM2.5質量濃度產生了極大的正影響，因此政府在空氣污染治理過程中，首先應該呼吁人們保護環境、減少工業污染量，對工業廢氣、廢水、生活垃圾等進行處理，呼吁市民保護環境，愛護環境；其次應該合理利用和設計城市空間結構。②本文比較了OLS 模型、SLM 模型、SEM 模型、SDM 模型、SDEM 模型、GNS 模型，發現SDEM 模型是6 個模型中擬合效果最好的，且OLS模型殘差具有顯著的空間正相關性，而其他回歸模型則在一定程度上削弱了空間相關性的影響。