重慶市主城區臭氧污染空間效應研究

陳昌維 楊煒明

（重慶工商大學 數學與統計學院，重慶 400067）

一、引言

臭氧（O3）作為一種強氧化劑，對人類、動植物和生態環境具有極大的危害。世界衛生組織研究表明，臭氧濃度的高低，人在高濃度臭氧環境中的時長，均與對人體健康的危害顯著相關。與細顆粒物（PM2.5）造成的環境污染相比，臭氧污染更具隱蔽性。臭氧污染通常發生在晴朗天氣，人們因感覺空氣質量較好，從而少有防范意識。因此研究臭氧污染，對保護人身體健康和生態環境具有重要意義。臭氧污染是典型的二次污染，由空氣中的揮發性有機物、氮氧化物等前體污染物在高溫天氣下光化學反應生成，因此控制其前體污染物的排放是治理臭氧的重要手段。

近年來，全國臭氧污染呈逐年加重趨勢，呈現連片式、區域性污染特征。主要分布在遼寧中南部、京津冀及周邊、長江三角洲、武漢城市群、陜西關中地區及成渝城市群、珠江三角洲區域。

目前，重慶正在由以顆粒物污染為主向以臭氧污染為主轉變。重慶市臭氧污染主要集中在主城區及渝西片區。臭氧是重慶市除PM2.5以外的第二大大氣污染物，具有較強的季節特征。數據顯示近幾年以臭氧為首要污染物的超標天數在逐年增加，2018年首次超過PM2.5，成為第一大污染物，且臭氧年平均濃度呈現逐年增加的趨勢。隨著重慶城市化快速發展，人類活動排放的氮氧化物、揮發性有機物等污染物經光化學反應過程可引起臭氧的產生，并進一步引發城市嚴重光化學煙霧事件。

本文根據2017—2019年重慶市主城區16個監測點的臭氧8小時移動平均（O3-8h）濃度和二氧化氮（NO2）濃度數據分析臭氧污染分布規律及影響因素。結果表明近三年的O3-8h濃度具有顯著的空間相關性，且監測點之間呈現出低高和高低兩種集聚結構。因此，我們建立了臭氧8小時移動平均和二氧化氮（NO2）的空間杜賓模型。并根據分析結果總結了重慶主城區臭氧污染的特征，提出了相關政策建議。

二、模型假設

（一）空間相依性

1.全局空間自相關

統計學上通常用“莫蘭指數I”研究空間相關性，它的值介于-1到1之間。建立空間序列，計算公式如下：

當I>0時，表示空間具有正自相關性，即高值與高值相鄰，低值與低值相鄰；當I<0時，表示空間具有負自相關性，即高值與低值相鄰；而若I=0，則表示空間呈隨機性，不存在空間自相關。

2.局部空間自相關

要研究某區域附近的空間集聚情況，則使用“局部莫蘭指數I”。計算公式如下：

局部莫蘭指數I的含義與全局莫蘭指數I相似。正的Ii表示區域i的高（低）值被周圍的高（低）值所包圍，負的Ii表示區域i的高（低）值被周圍的低（高）值所包圍，即表示該地區與其鄰近地區出現了高值與低值集聚的現象，如果該地區實際觀測值較高，則為高-低集聚，反之為低-高集聚。

（二）空間計量模型

1.空間截面數據模型

空間橫截面模型是Anselin（1988b）在整合前期研究基礎上，建立從“一般”到“特殊”的模型頂層設計。首先設定包含因變量的空間滯后、自變量的空間滯后、誤差的空間滯后的廣義嵌套式空間模型（GNS模型），通過不斷增加限制條件，演變為考慮自變量空間滯后與誤差滯后的廣義空間自回歸（SAC）。如考慮因變量空間滯后項的空間滯后模型（SLM），考慮空間誤差滯后的空間誤差模型（SEM），考慮空間因變量滯后與自變量滯后的空間杜賓模型（SDM），考慮自變量滯后項與誤差滯后項的空間杜賓誤差模型（SDEM）等模型。

2.空間面板數據模型

空間面板滯后模型和空間面板誤差模型為：

其中，ρ是空間自回歸系數，W為空間權重矩陣，WYit是自變量之間的空間交互作用，ut為空間個體效應（不隨時間改變的固定性因素），如果不考慮空間滯后項ρWYit，則式（3）為標準的靜態面板模型，進一步，如果ut與Xit相關，則為固定效應模型，反之，則為隨機效應模型，εit為誤差項。

其中，εit通過沖擊影響周圍地區，λ是空間誤差相關系數，協方差陣的對角線元素表示空間結構。

Greene（2005）認為外生變量的空間滯后容易導致有偏非一致，Pace和LeSage（2009）提出空間面板杜賓模型（SDPM）：

式（5）中，β和γ分別為外生變量的回歸系數與外生變量的交互效應的回歸系數。

面板數據模型分為固定效應模型和隨機效應模型，固定效應模型又分為個體固定效應模型和時間固定效應模型與雙固定效應模型。對于固定效應的空間自回歸模型，可以先做組內離差變換，去掉個體效應，然后使用類似于橫截面空間自回歸模型的極大似然估計。對于隨機效應的空間自回歸模型，則可先做廣義離差變換，然后再進行極大似然估計。

三、重慶主城區臭氧時空分布的統計分析

（一）數據來源

選取中國環境監測總站全國城市空氣質量實時發布平臺提供的2017年1月1日—2019年12月31日重慶市主城區16個監測站點的經緯度、O3-8h濃度和NO2濃度數據，其中北碚區包括縉云山、天生，渝北區包括兩路、空港和禮嘉，沙坪壩區包括虎溪和龍井灣等16個采集點，然后根據O3-8h濃度分析重慶主城區臭氧（O3）污染情況，以及O3和NO2的空間效應。再根據16個站點的經緯度利用歐式距離的倒數生成空間權重矩陣，在原空間權重矩陣的基礎上標準化得到最終的空間權重矩陣。

（二）重慶市主城區臭氧時空變化特征

1.重慶市主城區臭氧時間變化特征

為了解近三年重慶主城區臭氧濃度隨時間的變化特征，畫出三年的濃度時序變化圖（見圖1）。

圖1 2017—2019年重慶主城區O3-8h濃度時序變化圖

從圖1可看出，臭氧濃度具有較強的周期性，其周期為1年，周期內臭氧濃度均呈現出中間高、兩邊低的倒U型，較高的月份主要集中在6月、7月和8月，其次是4月和5月，而最低的幾個月主要集中在1月和2月，其次是11月和12月。可見，對于重慶主城區來說夏季臭氧濃度是最高的，其次是春季，說明重慶主城區春季和夏季的臭氧污染要比秋季和冬季嚴重，其中最嚴重的在夏季，其次是春季和秋季，冬季臭氧污染最輕。

由圖2可知，2017年和2018年，主城區春季和夏季的臭氧濃度明顯高于秋季和冬季，此外，在圖中可以明顯看出夏季的平均臭氧濃度比其余三個季節高，冬季最低，可見對于重慶主城區來說，夏季的臭氧污染最嚴重。根據2017年和2018年的季度平均臭氧濃度對比分析，2018年春季和夏季的臭氧濃度比2017年高，而秋季和冬季臭氧濃度比2017年低。另外，2017年和2018年縉云山監測站點、龍井灣監測站點的夏季臭氧平均濃度最大。除2017年夏季外，新山村監測點獲得的臭氧平均濃度是最低的。

圖2 2017年和2018年重慶主城區季度平均臭氧濃度對比圖

從圖3可看出，重慶主城區臭氧平均濃度在2017—2019年都是較高的，說明臭氧污染比較嚴重；縉云山監測點的臭氧濃度最高，南坪、龍井灣、龍洲灣監測點臭氧濃度也比較高，反映出這幾個監測點的臭氧污染是最為嚴重的。

圖3 2017—2019年重慶主城區平均臭氧濃度對比圖

2.重慶市主城區臭氧空間變化特征

為研究重慶主城區臭氧污染在空間上的變化特征，本文利用ArcGIS軟件得到主城區的臭氧年平均濃度空間分布圖和2018年季節空間變化圖（見圖4和圖5）。圖中，不同的顏色分別表示不同的臭氧污染情況，顏色越深表示臭氧污染越嚴重。

圖4 2017—2019年重慶主城區臭氧年平均濃度空間分布圖

圖5 2018年重慶主城區臭氧季度平均濃度空間分布圖

從圖4可看出，2017年重慶主城區的臭氧污染比2018年和2019年嚴重，且在逐年減弱。縉云山監測點所采集的地區臭氧污染最嚴重，其次是龍井灣監測點；另外，除2017年外，新山村、禮嘉和唐家沱監測點所采集的地區臭氧污染最小。

對于整個主城區來說，縉云山監測點臭氧污染最嚴重，反映出重慶主城區臭氧污染主要以北碚區西北方向為“污染源”向四周逐漸擴散，越靠近新山村監測點臭氧污染越小。2017—2019年重慶主城區臭氧污染整體有減緩的趨勢。

由圖5可知，2018年北碚區西邊的臭氧污染最為嚴重；主城區西南方向的臭氧濃度由春季到冬季顏色逐漸變淺，秋季和冬季顏色最淺，即九龍坡區和大渡口區秋季和冬季污染比較小。整體來看，重慶主城區西南方向的臭氧污染情況要比其他城區嚴重，春季和夏季的臭氧污染比秋季和冬季嚴重。

綜合2017—2019年臭氧平均濃度空間分布圖可知，重慶主城區大體呈現出西邊臭氧污染大于東邊，北碚區西北方向監測點的臭氧污染最為嚴重，其次是渝中區西南方向監測點的臭氧污染比較嚴重，如龍井灣、龍洲灣和南坪監測點。沙坪壩區東南方向和巴南區西北方向的臭氧污染比其他地區嚴重，新山村監測點污染最小，越靠近大渡口區北邊污染越小。圖1和圖5都反映出春季和夏季的臭氧污染比秋季和冬季嚴重。

（三）重慶主城區臭氧空間自相關分析

通過對主城區監測點2017—2019年臭氧濃度的時空分析，可看出重慶主城區在臭氧污染方面表現出了很強的空間相關性。利用全局莫蘭指數I和局部莫蘭指數I對臭氧污染的空間相關性進行檢驗。

1.全局空間自相關分析

為了解重慶主城區的整體自相關性，本文利用GeoDa軟件，計算出三年來重慶主城區臭氧污染的莫蘭指數I（見表1）。由表1可知，全局莫蘭指數I均為負值，且由莫蘭指數檢驗結果可知2017年和2018年各指數均在5%的水平下通過顯著性檢驗，2017年的莫蘭指數絕對值最大，說明2017年具有很強的自相性。此外，2017—2019年的莫蘭指數均為負值，表示重慶主城區監測點臭氧濃度高的地方，其周圍的監測點臭氧濃度低。

表1 2017—2019年重慶主城區臭氧濃度全局莫蘭指數

通過對重慶主成區臭氧污染空間分布特征分析可知，臭氧污染具有明顯的空間分布區域性。為明確空氣污染狀況的局部空間相關特征，利用LISA集聚圖檢驗各監測點的空間相關程度，根據臭氧濃度在不同地區的數值大小來區分空間集聚模式，樣本區域分為四種集聚模式：H-H區域代表高污染區域與高污染區域相鄰，L-L區域代表低污染區域與低污染區域相鄰，H-L區域代表高污染區域與低污染區域相鄰，L-H區域代表低污染區域與高污染區域相鄰，代表集聚效應不顯著。

2.局部空間自相關分析

本文利用局部空間自相關分析研究空間個體間的空間分布特征，通過LISA集聚圖來展示空間個體間的集聚關系。依據重慶主城區監測點的經緯度形成泰森多邊形（見圖6），然后利用GeoDa軟件繪制了2018年各季度的LISA集聚圖（見圖7），圖中從上到下，從左到右依次為春、夏、秋、冬。

圖6 重慶主城區監測點在主城區的空間分布及形成的泰森多邊形位置圖

從圖7可看出，2018年臭氧濃度在天生監測點呈現出低高集聚效應，在春季和夏季茶園、新山村監測點以及春季的歇臺子監測點也呈現出低高集聚效應，在秋季和冬季龍井灣監測點則呈現了高低集聚效應。說明2018年，重慶北碚區天生監測點臭氧濃度低，而與其相鄰監測點的臭氧濃度高，如縉云山監測點；龍井灣監測點臭氧濃度比較高，其相鄰的新山村監測點臭氧濃度比較低。這與2018年重慶主城區臭氧濃度年平均空間分布圖所呈現出的特征是一致的。

圖7 2018年重慶主城區各季度臭氧濃度LISA集聚圖

四、重慶主城區臭氧污染空間效應研究

本文對重慶主城區16個監測點每天的臭氧濃度計算全局莫蘭指數，結果顯示均在5%的水平下通過顯著性檢驗，說明重慶主城區各監測點之間存在顯著的空間效應，故本文采取空間面板模型分析近三年重慶主城區的臭氧濃度和二氧化氮濃度的關系，選取O3-8h濃度為被解釋變量，NO2濃度為解釋變量。

首先對數據進行Hausman檢驗，結果表明在5%的顯著性水平下固定效應優于隨機效應，故本文選取固定效應。進一步研究發現時點固定效應的R2略優于個體固定效應，因此，本文最終選用空間杜賓模型時點固定效應，模型結構見式（5），模型估計結果見表2。

表2 重慶主城區近三年臭氧空間杜賓模型估計結果

由表2可知，二氧化氮的回歸系數通過了5%的顯著性檢驗，且回歸系數（-0.5366）為負，說明臭氧和二氧化氮具有負相關性；空間自回歸系數ρ（0.0928）在5%水平上顯著為正，說明本監測點的臭氧濃度會受到相鄰監測點臭氧濃度的影響；二氧化氮的交互效應回歸系數（0.2170）也通過了5%的顯著性檢驗，說明本監測點的臭氧濃度會受到鄰近地區的二氧化氮濃度的影響。從直接效應看，模型通過了顯著性檢驗，說明二氧化氮濃度的變化會影響當地的臭氧含量；從間接效應看，模型也通過了顯著性檢驗，說明某一地區二氧化氮濃度也會對鄰近地區的臭氧產生影響；此外，空間被解釋變量空間滯后項通過了顯著性檢驗，說明重慶主城區臭氧污染存在顯著的空間溢出效應，即鄰近地區的臭氧含量會影響本地區的臭氧含量。

五、結論和建議

綜上所述，重慶主城區臭氧污染嚴重且整體呈倒U型趨勢，主城區大體呈現西邊臭氧污染程度大于東邊，臭氧污染在北碚區西北方向，接著是在渝中區西南方向的監測點臭氧污染比較嚴重，如龍井灣、龍洲灣和南坪監測點，越靠近大渡口區北邊污染越小；主城區臭氧濃度受季節變化影響較為顯著，夏季臭氧污染較為嚴重，冬季臭氧污染最輕；重慶主城區臭氧濃度和二氧化氮呈較強的負相關性，臭氧濃度變化的主要因素是溫度以及臭氧前體物氮氧化物的排放，隨著太陽輻射的增強，光化學反應加劇，二氧化氮光解速率增強，加速二氧化氮向臭氧的轉化。

由于重慶主城區臭氧污染主要集中在縉云山、龍井灣、龍洲灣和南坪監測點，可根據其所處的地理位置有針對性地采取措施降低臭氧濃度。臭氧濃度在溫度較高時比較高，且多發生在夏季午后，建議公眾在午后一兩個小時內盡量減少外出，特別是身體條件較弱的老人和小孩。氮氧化物的排放對于臭氧污染有較大的影響，可通過工業企業升級改造，鍋爐提標改造，減少機動車尾氣排放，開展水泥、磚瓦行業錯峰生產和煤電企業超低排放改造，加大餐飲油煙治理力度等降低二氧化氮排放。由于重慶主城區臭氧濃度具有顯著的空間關聯性，并且呈現較大的區域性差異，所以應加大對臭氧含量比較高的地區治理力度。二氧化氮濃度不僅直接影響臭氧濃度，還能由外部性增加臭氧濃度。因此，政府部門在制定二氧化氮減排量時，應考慮各地區之間的關聯及空間溢出效應。