山東省細顆粒物濃度時空分異特征及因素分析

王映然 季民 李臻

摘? 要：基于山東省城市空氣質量濃度等有關數據，研究大氣細顆粒物濃度的時空格局，并利用相關性分析自然和社會經濟因素對其影響的時空非平穩性。結果表明：山東省PM2.5濃度分布總體表現東低西高的空間格局。2019—2020年污染日出現的頻率分別為18.80%和14.89%。山東省PM2.5濃度呈明顯的夏低冬高、春秋居中的季節變化，U形月度變化特征。Spearman秩相關方法表明，公路密度對PM2.5濃度有正向影響，而溫度、降水、日照時數、人均GDP、科學技術支出對PM2.5濃度有負向影響。

關鍵詞：細顆粒物PM2.5;時空分異;山東省;影響因素

中圖分類號：X823;TP39? ? ? ? ? ? ? ?文獻標識碼：A文章編號：2096-4706（2021）22-0104-06

Abstract： Based on the relevant data of urban air quality concentration in Shandong Province， the temporal and spatial pattern of atmospheric fine particulate matter concentration is studied， the temporal and spatial non-stationary of the influence of natural and socio-economic factors is analyzed by correlation. The results show that： the overall distribution of PM2.5 concentration in Shandong Province shows the spatial pattern of low in east and high in west. The frequency of pollution days from 2019 to 2020 is 18.80% and 14.89%， respectively. PM2.5 concentration in Shandong Province shows significant seasonal changes， low in summer， high in winter， middle in spring and autumn， and the monthly change of U-shape. The Spearman rank correlation method shows that the highway density has a positive effect on PM2.5 concentration， while the temperature， precipitation， sunshine hours， per capita GDP， and scientific and technical expenditure have a negative effect on PM2.5 concentration.

Keywords： fine particulate matter PM2.5; temporal and spatial differentiation; Shandong Province; influencing factor

0? 引? 言

隨著中國經濟的快速發展和城鎮化的推進，以PM2.5（粒徑小于等于2.5 μm的細顆粒物）為首要污染物的環境問題日益嚴重[1]。已有研究表明，PM2.5能夠富集空氣中的有機物、細菌、病毒等，進而改變大氣的能見度[2]，同時，PM2.5能夠長時間停留在空氣中，主要經呼吸進入人體，還能隨食物一同進入消化道，引起呼吸系統疾病，胃腸道疾病，心血管疾病等疾病[3-5]。2017年，顆粒物污染成為人體第八大致命風險，全球死亡人數為294萬人[6]。PM2.5的分布呈現典型的區域性、復合型[7]，研究城市空氣污染的時空分異特征有助于了解城市污染變遷，為制定大氣環境保護措施提供參考，因此，科學揭示PM2.5濃度的時空分異特征對預測和治理PM2.5具有重要意義。

目前，與大氣細顆粒物濃度時空異質性與驅動因素等環境相關研究取得了較快的進展，數據來源多基于離散的監測站點數據進行統計以及衛星數據反演氣溶膠厚度（AOD）。遙感反演雖然能夠揭示較大范圍內的PM2.5濃度分布，但是對于沙漠、干旱等區域，反演結果不理想，此外，也不利于探究多年時空變化規律。針對PM2.5空間格局的研究主要通過其分布狀態及空間效應提出環境應對政策，并常用空間自相關[8]、泰爾指數[9]、重心模型[10]、層次聚類分析[11]等模型方法來揭示區域差異性、空間分布與集聚規律。針對驅動因素的研究，通過組合指標法[12]、多元線性回歸[13]、主成分分析[14]、地理探測器[15]、相關系數法[16]、空間計量模型[17]方法，探究自然因素（多為氣象數據）和社會經濟因素（統計年鑒、社會調查數據）對PM2.5分布的影響。PM2.5即包含固定污染源排放、機動車尾氣以及建筑工地揚塵直接產生的一次性污染物，也有二氧化硫、氮氧化物等經過復雜的物理化學反應產生的二次污染物。許多學者對PM2.5形成原因進行分析，表明氣象條件的變化直接影響PM2.5濃度的變化。綜合來看，PM2.5的形成是自然和社會經濟因素耦合的結果。

已有研究大多從全國范圍[18]、京津冀地區[19]、長三角地區[20]、珠三角地區[21]和其他經濟發達或人口稠密地區等空間尺度的研究，而對山東省的PM2.5污染情況研究較少。山東省是我國沿海經濟大省，正處于工業化和城市化加速發展的重要階段，城市汽車保有量提升，大量的工程建設產生大量揚塵，空氣中的顆粒物含量增加，環境問題仍較為嚴峻。《2020年中國生態環境狀況公報》顯示，全國PM2.5濃度超二級排放限制的城市占比61.9%。山東省超四分之一的城市空氣質量在全國地級市排名倒數二十位，環境空氣質量相對較差。此外，山東省位于京津冀城市群和長三角城市群的中間地帶，分析此區域的PM2.5時空分異特征，剖析PM2.5污染的驅動因素，對跨區域聯合防治空氣污染，降低外源性污染具有重要意義。鑒于此，基于2019—2020年PM2.5實時監測數據，采用空間分析方法對山東省PM2.5時空分異規律進行分析，采用相關性分析探討PM2.5污染的驅動因素，以期為山東省城市大氣改善提供科學依據。

1? 數據與方法

1.1? 數據來源

本文研究使用的山東省16個地級及以上城市的 PM2.5初始數據日均濃度來源于中國環境監測總站的歷史數據，各地級市的PM2.5月均濃度、季均濃度和年均濃度根據相應的日均濃度計算得出，其中12、1—2月歸為冬季，3—5月為春季，6—8月歸為夏季，9—11月歸為秋季。根據山東省實際發展情況，選取自然因素（溫度、降水量、日照時長）和社會經濟因素（第二產業占比、人口密度、公路密度、人均GDP、科學技術支出）8類因子分析，影響因子主要來源于2020年的《山東省統計年鑒》。

1.2? 空間自相關分析

1.2.1? 全局自相關分析

全局自相關分析工具用于分析各城市之間關于觀測數據在空間上的相互依賴性，可分為集聚分布、離散分布和隨機分布。全局莫蘭指數（Global Moran’s I）的計算公式為：

式中：n表示城市總數，Xi和Xj是城市單元i和j的PM2.5濃度數據，Wij表示i和j之間的空間權重，Wij=1，表示兩者臨近，Wij=0，表示兩者不相鄰，為所有城市的PM2.5濃度均值。I的取值在[-1，1]之間，當I>0，說明城市PM2.5濃度為空間正相關，即PM2.5濃度在空間呈聚集分布，當I<0，說明城市PM2.5濃度為空間負相關，即PM2.5濃度在空間呈離散分布，I=0表示城市PM2.5濃度不存在空間關聯性，即PM2.5濃度在空間呈隨機分布。

Moran指數的結果需要經過P值和Z得分的檢驗。Z得分小于-1.96或大于1.96，且P值小于0.05，則數據置信度為95%;Z得分小于-2.58或大于2.58，且P值小于0.01，則數據置信度為99%。常以95%及以上的置信度來拒絕零假設。

1.2.2? 局部自相關分析

局部自相關通常用于衡量某一空間單元對于單一輸入要素在局部空間與鄰近空間的相關程度，主要用局部莫蘭指數（Local Moran’s I）來表示，計算公式為：

式中符號意義與（1）相同，根據結果可將局部自相關模型分為4種類型：H-H（高-高聚集）、H-L（高-低聚集）、L-H（低-高聚集）、L-L（低-低聚集）。

1.3? 核密度

核密度估計是在概率論中估計未知的密度函數，并且是非參數檢驗方法之一。核密度估計方法不利用有關數據分布的先驗知識，對數據分布不附加任何假定，是一種從數據樣本本身出發研究數據分布特征的方法[22]。本文使用預處理獲得的PM2.5季均值，利用核密度估計方法探究山東省 PM2.5數據的分布特點。借助Stata16軟件對2019-2020年山東省PM2.5季均值進行核密度估計，分別繪制出不同年份季節核密度估計曲線，以此研究16個城市 PM2.5濃度的季節變化特征。

1.4? 相關性分析

Spearman相關系數是衡量兩個變量依賴性的非參數指標。Spearman秩相關適用于定序變量或者不符合正態分布假設的數據，可以不考慮兩個變量的變化情況，適用范圍更廣[23]。

使用spss21對山東省PM2.5濃度等進行相關分析，討論PM2.5與影響因子的相關性。相關性檢驗，首先看p值，如果p<0.05，說明存在相關。相關方向由相關系數的正負決定，如果相關系數為正，說明是正相關，如果為負，說明是負相關。相關程度的強弱由相關系數的絕對值大小決定，相關系數的絕對值0.7 ～ 1.0為強相關;0.4 ～ 0.7為中等程度相關;0.2 ～ 0.4為弱相關;0.0 ～ 0.2為極弱相關。

2? 結果與分析

2.1? PM2.5空間維度演變特征

為分析PM2.5平均濃度的空間分布狀況 ，統計了2019—2020年山東省各城市PM2.5年均濃度，如圖1所示。2019年和2020年山東省PM2.5的整體年均濃度分別為51.99 μg/m3和46.13 μg/m3，年均值都超過了城市大氣顆粒物二級濃度限值[24]，污染程度較重。將收集的各城市顆粒物日均濃度與《環境空氣質量技術規定》（HJ633-2012）劃定的污染等級中對應的顆粒物濃度范圍進行比對，結果發現：在所監測的16個城市中，2019年PM2.5的污染日出現的平均頻率為18.80%，最高頻率出現在棗莊，達到24.65%，其次為菏澤（24.11%）和泰安（24.11%）。2020年PM2.5的污染日出現的平均頻率為14.89%，最高頻率在濟寧，達到21.86%，其次為棗莊（20.49%）和菏澤（19.67%）。從污染日超標天數看，主要集中在山東省南部。

由圖1可發現，山東省PM2.5年均濃度表現出顯著的差異性，山東省西部內陸地區PM2.5濃度明顯高于東部沿海城市，研究期間，山東省各市的PM2.5濃度顯著縮小，達標區域從威海擴展至青島，煙臺。2019年，除威海外，其他城市都存在不同程度的超標現象。2020年，各城市PM2.5年均值都出現了不同程度的下降，都達到55 μg/m3以下，平均降幅為5.86 μg/m3。

2.2? 空間自相關分析

研究利用Moran’s I指數對山東省各城市2019—2020年PM2.5濃度進行全局自相關分析，結果如表1所示。結果都通過了1%的顯著性檢驗，這說明該空間模型發生隨機事件的可能性非常小。且Z得分都大于2.58，表明兩年均呈現顯著的空間正相關關系，結合Moran’s I指數可知，山東省16個城市PM2.5濃度在空間上呈顯著的集聚分布，存在明顯的高值聚集區和低值聚集區。

為進一步研究山東省區域內PM2.5濃度的空間集聚值和異常值分布情況，利用空間統計分析工具將PM2.5濃度數據結合山東省各城市的空間地理信息（距離和毗鄰信息）得出細顆粒物濃度集聚分布特征。結果如圖2所示，2019年，濟寧市和泰安市屬于高值區，煙臺市屬于低值區，2020年，高值區面積不變，低值區向西擴至青島。其他城市空間聚類關系上為不顯著，無高低和低高異常區。

2.3? PM2.5時間維度演變特征

2019—2020年山東省PM2.5質量濃度年平均值為49.06 μg /m3，棗莊濃度最高到達（57.50μg/m3），最小值是威海（28.54 μg/m3）。在16個城市當中，僅有2個城市的年均值小于《環境空氣質量標準》（GB3095—2012）二級限值（年均值為35 μg/m3），位于山東省的東部煙臺和威海兩地。由圖3可知，山東省月均PM2.5濃度一年中大體呈現“U”型分布，質量濃度為24～97 μg/m3，其中1月達到PM2.5濃度最大值，之后逐漸下降，在8月到達低谷期，之后又逐漸上升，到12月又出現PM2.5濃度高值。研究由西到東選擇菏澤市、濰坊市、威海市用于表征山東省PM2.5濃度變化特征。威海市各月均值低于其他城市，菏澤市與濰坊市在4—8月總體濃度接近，但是在1—3月和9—12月濃度較高且波動范圍較大。造成PM2.5濃度較高主要是因為在此階段溫度較低，相對濕度升高，大氣層結構較穩定，在加上此階段處于采暖期，燃煤排放的污染物增加。

由圖4可知，山東省2019—2020年的季節核密度曲線呈現出一致的規律，各年份曲線峰值所處季節從左往右依次都是夏季、秋季、春季、冬季，說明PM2.5濃度的變化具有非常鮮明的季節性特征，呈現出夏天<秋天<春天<冬天的特點。研究期間，四季最右側的值均向左移動，春季、秋季曲線峰值變高且左移，變化區間減少，說明春季、秋季空氣質量改善，夏季是四季中變化區間最少的，峰值對應的核密度值最高，冬季的變化區間最大，峰值對應的核密度值最低。

2.4? PM2.5空間分異的驅動因素分析

PM2.5時空差異顯著，且Moran’s I表明不同地理單元間存在明顯的空間關聯特征。綜合考量研究區狀況，從人地關系地域系統耦合視角分析，社會與自然因素非均衡交互作用下導致了山東省PM2.5濃度的時空分異。因此，本文利用Spearman秩相關方法，從自然和社會經濟兩個方面探究山東省PM2.5污染空間分異的驅動因素，深入分析各影響因子與PM2.5濃度之間的相關性及影響程度的大小，表2為各個影響因子對PM2.5變化的影響程度。

從自然因素角度分析：PM2.5和溫度、降水之間的相關系數值分別為-0.965、-0.811，并且呈現出0.01水平的顯著性，PM2.5和日照時數之間的相關系數值分別為-0.587，并且呈現出0.05水平的顯著性，因而說明PM2.5和溫度、降水、日照時數之間都有著顯著的負相關關系。從結果看，溫度對PM2.5的變化影響最大，日照時數對PM2.5的變化影響最小。溫度的高低會影響空氣中懸浮粒子的布朗運動，溫度不同，布朗運動能力不同，則空氣中懸浮的粒子濃度不同[25]。氣溫降低時，近地面的懸浮粒子濃度高，高空中的濃度低;相反，高溫時，近地面的濃度低，高空中濃度會升高，即氣溫上升使得PM2.5濃度減低。而降雨能夠使顆粒物沉降，從而達到降低大氣顆粒物濃度效果。表3所示，各個自然因子都具有明顯的季節性特征，夏季高溫多雨，因此有利于污染物的分散，PM2.5濃度在夏季就最低，冬季低溫少雨，污染物擴散慢，PM2.5濃度就最高。

從社會因子分析：表中得知，PM2.5和公路密度之間的相關系數值為0.730，并且呈現出0.01水平的顯著性，因而說明PM2.5和公路密度之間有著顯著的正相關關系。公路密度大的地方，車流量相對而言也比較大，主要是因為車輛產生機動車尾氣，機動車尾氣含有的大量的細顆粒物。并且車輛在運行過程當中，車輪對塵土的反復碾壓磨碎，使顆粒物越來越小并被卷入大氣中，也加劇了PM2.5的污染。此外，第二產業占比和城市人口密度對PM2.5的濃度并不顯著，表明山東省城市產業結構和人口密度對PM2.5的變化影響不大。PM2.5和人均GDP之間的相關系數值為-0.796，并且呈現出0.01水平的顯著性，因而說明PM2.5和人均GDP之間有著顯著的負相關關系。人均GDP通常是了解和把握一個地區的宏觀經濟運行狀況的有效工具，反映了一個地區全部生產活動最終成果的指標。在經濟發展的初期，經濟的提升可能會導致導致環境的污染，但是隨著產業結構的轉型，創新水平的提高，對污染物排放的依賴降低。PM2.5和科學技術支出之間的相關系數值為-0.621，并且呈現出0.05水平的顯著性，因而說明PM2.5和科學技術支出之間有著顯著的負相關關系。科學技術支出能帶來地區科技進步，進而提高地區污染治理水平，科技不成熟會導致工業企業粗放式發展，引發資源消耗帶來的回彈效應[26]，進而導致顆粒物濃度增加。例如，棗莊市和菏澤市科學技術分別為37 196萬元和17 844萬元，空氣質量就相對較差，青島市和濟南市科學技術支出分別為668 363萬元和438 785萬元，空氣質量就明顯優于棗莊市和菏澤市。城市的經濟發展狀況和周圍環境基本協調。

3? 結? 論

根據以上對2019—2020年山東省細顆粒濃度分布特征及成因分析，得出以下結論：

山東省細顆粒濃度大小存在差異。根據顆粒物年均濃度大小，可以發現山東省總體表現東低西高的空間格局，山東省西部內陸地區PM2.5濃度明顯高于東部沿海城市。從時間分布上看，山東省月均PM2.5濃度一年中大體呈現“U”型分布，1月達到PM2.5濃度最大值，之后逐漸下降，在8月到達低谷期，之后又逐漸上升，到12月又出現PM2.5濃度高值。此外，季節性統計表明，PM2.5大小基本呈現夏天<秋天<春天<冬天的特點。

從空間分布上看，山東省大氣細顆粒物高高聚集狀況主要出現濟寧市和泰安市兩地，而低低聚集現象主要集中煙臺市，研究期間，低低聚集面積擴大。

相關性分析表明，山東省細顆粒物濃度受到自然因素和社會經濟因素的綜合影響，其中公路密度對PM2.5濃度有正向影響，而溫度、降水、日照時數、人均GDP、科學技術支出對PM2.5濃度有顯著負向影響，其中溫度的變化影響最大，其次是降水。因此，要加快技術創新，推動工業化向高端升級，以解決山東省城市細顆粒污染。

參考文獻：

[1] 許艷玲，薛文博，王燕麗，等.基于減排敏感性的武漢市PM（2.5）污染控制研究 [J].環境污染與防治，2018，40（8）：959-964.

[2] WANG J L，ZHANG Y H，SHAO M，et al. Quantitative relationship between visibility and mass concentration of PM2.5 in Beijing [J].環境科學學報（英文版），2006，18（3）：475-481.

[3] 呂廣娜，李榮山.大氣細顆粒物PM2.5對人體損害及致病機制的研究進展 [J].中國醫藥指南，2013，11（29）：43.

[4] ZHANG Q，ZHANG P W，GAI Y D. The Use of Protein-Protein Interactions for the Analysis of the Associations between PM2.5 and Some Diseases [J].Biomed Research International，2016：[2021-08-25].https：//d.wanfangdata.com.cn/periodical/jes-e200603011.

[5] LU Y，FATMI Z，MALASHOCK D，et al. Assessing the association between fine particulate matter （PM2.5） constituents and cardiovascular diseases in a mega-city of Pakistan [J].Environmental Pollution，2019，252：1412-1422.

[6] RUDD K E，JOHNSON S C，AGESA K M，et al. Global，regional，and national sepsis incidence and mortality，1990–2017：analysis for the Global Burden of Disease Study [J].The Lancet，2020，395（10219）：200-211.

[7] JI D，LI L，WANG Y，et al. The heaviest particulate air-pollution episodes occurred in northern China in January，2013：Insights gained from observation [J].Atmospheric Environment，2014，92：546-556.

[8] 郭向陽，穆學青，丁正山，等.長三角多維城市化對PM（2.5）濃度的非線性影響及驅動機制 [J].地理學報，2021，76（5）：1274-1293.

[9] 汪克亮，劉蕾，孟祥瑞，等.區域大氣污染排放效率：變化趨勢、地區差距與影響因素——基于長江經濟帶11省市的面板數據 [J].北京理工大學學報（社會科學版），2017，19（6）：38-48.

[10] 劉曰慶，孫希華，孫宇祥，等.1998～2016年中國大氣PM（2.5）污染濃度空間格局演化——基于339個城市的實證研究 [J].長江流域資源與環境，2020，29（5）：1163-1173.

[11] 劉鵬華，姚堯，梁昊，等.耦合卡爾曼濾波和多層次聚類的中國PM（2.5）時空分布分析 [J].地球信息科學學報，2017，19（4）：475-485.

[12] 董佳丹，陳曉玲，蔡曉斌，等.基于中國大氣環境監測站點的2015—2019年大氣質量狀況時空變化分析 [J].地球信息科學學報，2020，22（10）：1983-1995.

[13] 潘婷婷，朱家明，滕磊，等.蚌埠市PM2.5影響因素及分布演變規律計量分析 [J].上饒師范學院學報，2016，36（3）：17-24.

[14] 孫建如，鐘韻.我國大城市PM（2.5）影響因素的經濟分析——基于市級面板數據的實證研究 [J].生態經濟，2015，31（3）：62-65+77.

[15] 姚榮鵬，張勃，王立兵，等.2015—2019年中東部地區PM（2.5）時空演變及其驅動力 [J].生態學雜志，2021，40（3）：813-824.

[16] 柏玲，姜磊，陳忠升.長江中游城市群PM（2.5）時空特征及影響因素研究 [J].長江流域資源與環境，2018，27（5）：960-968.

[17] 詹建益，黃觀超，周華，等.華北地區顆粒物濃度時空分布特征及其因素 [J].自然資源學報，2021，36（4）：1036-1046.

[18] 時燕，劉瑞梅，羅毅，等.近20年來中國PM（2.5）污染演變的時空過程 [J].環境科學，2020，41（1）：1-13.

[19] 周磊，武建軍，賈瑞靜，等.京津冀PM（2.5）時空分布特征及其污染風險因素 [J].環境科學研究，2016，29（4）：483-493.

[20] 毛婉柳，徐建華，盧德彬，等.2015年長三角地區城市PM（2.5）時空格局及影響因素分析 [J].長江流域資源與環境，2017，26（2）：264-272.

[21] 蔣超，龔建周，孫家仁，等.2013—2016年珠三角地區PM（2.5）分布時空演變 [J].生態環境學報，2018，27（9）：1698-1705.

[22] 陳優良，鄒文敏.2015—2019年長三角PM（2.5）時空變化特征及其影響因子分析 [J].安全與環境學報.

[23] HAUKE J，KOSSOWSKI T. Comparison of Values of Pearson’s and Spearman’s Correlation Coefficients on the Same Sets of Data [J].Quaestiones Geographicae，2011，30（2）：87-93.

[24] 中華人民共和國環境保護部科技標準司.環境空氣質量指數（AQI）技術規定（試行） [S].北京：中國環境科學出版社，2016.

[25] 黃善斌.關于PM2.5與氣象條件關系及其預報研究 [D].濟南：齊魯工業大學，2017.

[26] 王振波，方創琳，許光，等.2014年中國城市PM（2.5）濃度的時空變化規律 [J].地理學報，2015，70（11）：1720-1734.

作者簡介：王映然（1998—），女，漢族，山東煙臺人，碩士在讀，主要研究方向：大氣污染監測與評價;通訊作者：季民（1970—），男，漢族，山東齊河人，教授，博士，主要研究方向：地理信息系統設計與開發。