廊坊市大氣污染物濃度變化特征及影響因素分析

朱淑貞，王旭光，孫 浩

(廊坊市生態環境局，河北 廊坊 065000)

近年來，我國大部分地區出現了嚴重的空氣污染問題，全國大部分地區出現了大規模、大范圍的霧霾天氣。隨著時間的推移，嚴重霧霾污染的范圍持續擴大，影響了全國大部分省市的空氣質量，霧霾問題逐漸成為全社會重點關注的環境問題之一[1]，而PM2.5則是造成霧霾天氣的重要原因之一。隨著污染的嚴重以及人們環保意識的增強，空氣污染防治已經成為了全社會重點關注的問題[2]。2013年《大氣污染防治行動計劃》正式實施，2015年《大氣污染防治法》出臺，為空氣污染防治提供了堅實的法律基礎，2018年《打贏藍天保衛戰三年行動計劃》頒布，該計劃系統地構建了2021年前大氣防治工作的總體框架。現階段，大部分關于環境空氣污染的研究主要集中在大規模的城市帶，研究的尺度范圍較大[3]。但是，較小型城市的相關研究少，不同城市的實際情況存在一定的差異，因此，在進行對應城市的空氣污染防治研究中，需要關注小型城市的實際污染情況。

廊坊市位于我國河北省，與北京市和天津市相鄰，是我國京津冀經濟圈的重要組成，同時也是我國環境空氣污染最為嚴重的城市之一[4]。尤其是在秋冬季空氣污染嚴重的季節，廊坊市空氣污染程度進一步加深。同時，廊坊市也是環保部確立的大氣污染防治重點城市之一[5]。廊坊市PM2.5以及臭氧污染情況較為嚴重，空氣質量污染情況長期處于全國主要城市環境污染質量的后位，污染治理情況依然十分嚴峻[6]。因此，對廊坊市的環境空氣污染情況進行研究有著重要的現實意義。

研究基于空間自相關以及空間計量模型的相關理論基礎，對2020年6—12月期間廊坊市的PM2.5以及臭氧的污染現狀進行探究，同時，對PM2.5以及臭氧的相關影響因素進行分析。研究旨在能直觀地闡明廊坊市的空氣污染變化情況，為廊坊市環境空氣污染治理的相關研究提供科學有效的參考資料。

1 PM2.5以及臭氧的危害性分析

PM2.5是造成霧霾天氣的重要原因之一。PM2.5的中文名稱為細顆粒物，是指懸浮在空氣中直徑在2.5 μm以下的顆粒物的總稱，其直徑較小、毒性較強、所包含的毒性物質較多，對人體的危害作用也加大[7]。大量研究表明，PM2.5可直接深入人體的肺泡系統以及支氣管內，造成呼吸困難、咳嗽等不良癥狀，進而引發一系列嚴重的呼吸系統以及心腦血管系統疾病，嚴重影響人類的身體健康[8]。同時，PM2.5造成路面能見度低，影響了正常的道路交通運輸。在嚴峻的空氣污染形式下，PM2.5已經被作為監測指標納入環境空氣質量標準匯總，設定了全新的評價指標。

臭氧帶來的環境危害以及健康風險同樣不容小覷，近地面層的臭氧是城市煙霧的主要組成成分[9]。人體吸入過量臭氧之后可能會引起頭痛、咳嗽、氣管炎等癥狀，引發一系列呼吸道以及心腦血管疾病。

以臭氧和PM2.5為主的空氣污染物質危害程度大、涉及范圍廣，對居民的健康風險和社會的正常發展造成了極為嚴重的影響[10]。鑒于此，出臺頒布一系列空氣污染防治政策、開展一系列控制污染防治措施、加強空氣污染防治相關研究就顯得尤為重要。

2 研究模型和影響因素的選擇

2.1 研究區域與研究數據來源

研究區域廊坊市位于河北省中部，該市下轄安次區以及廣陽區2個轄區，三河市以及霸州市2個縣級市。廊坊市總面積為6 429 km2，距離北京市以及天津市約60 km。廊坊市由于其特殊的地形因素，不利于污染物的擴散，極易形成沙塵、霧、霾等天氣[11]。研究數據來源于廊坊市大氣監測站的相關數據，為保證實驗數據的準確性，研究將按時對監測儀器進行定時檢測。研究氣象數據來自于中國科學院紫環宇環境科學數據中心以及國家地球系統數據共享服務平臺。

2.2 空間自相關理論

空間自相關是地理學上的重要概念，主要理論基礎為地理學第一定律[12]。通過地理學第一定律可知，所有空間上的事物均會相互關聯，并且事物之間的距離越近，相關性就越大。而在污染物監測研究中，空間自相關是指一些變量在同一個分布區內的觀測數據之間潛在的相互依賴性[13]。空間自相關可分為全局空間自相關以及局部空間自相關，在本研究中主要分析局部空間自相關。而局部空間自相關則使用局部Moran′sI指數來表征，當局部Moran′sI指數的值大于0時，則說明廊坊市的污染物濃度與周邊城市的污染物濃度存在空間正相關，當局部Moran′sI指數的值小于0時，則說明廊坊市的污染物濃度與周邊城市的污染物濃度存在空間負相關[14]。局部Moran′sI指數公式為：

(1)

式中，I為局部空間Moran′sI指數；wij為空間權重矩陣；xi、xj為城市污染物濃度。

2.3 空間權重矩陣與空間計量模型

空間權重矩陣是空間相關研究中較為重要的概念，是進行空間計量模型的基礎。空間權重矩陣可以用于度量不同區域間的空間相關程度，是地理空間結構的數學表達[15-16]。由于使用不同的空間權重矩陣會存在不同的結果，為使研究更加精確，避免單一模型引起的計算誤差，研究使用了鄰接權重矩陣、地理距離權重矩陣以及k近鄰權重矩陣3種矩陣進行對比分析。鄰接權重矩陣主要是根據區域空間內位置的相鄰關系來判斷二者之間是否存在空間相關細致，當兩者之間具有相關性時權重為1；當兩者之間不具有相關性時，權重為0。地理距離權重矩陣的權重為區域間質心距離的倒數，權重取值越大則代表兩地之間的距離越近，相關性越強；反之，權重的取值越小則代表著兩者之間距離越遠，關聯性越弱。k近鄰權重矩陣是將地理距離最近的k個區域設定為近鄰區，近鄰區域賦值為1，其他區域賦值為0。

建立空間權重矩陣的方法將空間異質性以及空間相關性的特征納入到空間計量模型[17]。使用空間計量模型可以較好地減小傳統計量模型的誤差，使估計結果更加符合實際情況。常見的空間計量模型主要包括空間杜賓模型、空間滯后模型以及空間誤差模型[18-19]。

空間杜賓模型適用于解釋變量與被解釋變量存在一定的空間依賴性的情況，其表達式為：

Y=ρWY+Xβ+WXθ+ε

(2)

式中，θ為解釋變量的空間滯后項系數；W為m×m的空間權重矩陣；Y為m×l的被解釋變量矩陣；X為m×k的解釋變量矩陣；β為k×l的回歸系數矩陣；ε為滿足獨立分布的隨機誤差。

空間滯后模型適用于解釋變量與相鄰單元的被解釋變量存在空間依賴性的情況，其具體表達式為：

Y=ρWY+Xβ+ε

(3)

空間誤差模型主要適用于空間單元的誤差項與鄰近單元的誤差項存在空間相關性的情況，其具體表達式為：

Y=Xβ+μ

(4)

μ=λW+ε

(5)

式中，μ為隨機誤差向量；ε為空間相關系數。

綜合考慮廊坊市污染物實際情況，本文空間計量模型選擇空間杜賓模型，以廊坊市年均PM2.5濃度值(PM)為被解釋變量，年均氣溫(tem)、降水量(rain)、相對濕度(wet)、平均風速(wind)為解釋變量，構建了空間杜賓模型公式：

ln(PM)i=β0+β1ln(tem)i+β2ln(rain)i+

β3ln(wet)i+β4ln(wind)i+εi

(6)

εi=λWεi+μi

(7)

本文構建的模型，能夠測量年均氣溫(tem)、降水量(rain)、相對濕度(wet)、平均風速(wind)這4個因素對PM2.5濃度的影響。由于空間依賴性的存在，空間計量模型使用最小二乘法估計有一定的偏差，此時應采用極大似然估計法、工具變量法、廣義最小二乘法等進行估計，結果更為可靠。經綜合考慮，本文選擇使用極大似然估計法作為測量結果分析的估計方法。

2.4 研究影響因素的選擇

大量研究表明，氣象條件對空氣中PM2.5以及臭氧濃度產生存在一定的影響[20]。研究主要選取了風速、降水量、相對濕度以及氣溫這4個指標為主要研究指標，在進行實際計算時，研究的各項指標選取2020年的平均值。研究指標具體解釋見表1。

3 結果分析

3.1 研究區PM2.5以及臭氧濃度變化分析

根據檢測數據，計算了在研究時間內廊坊市PM2.5濃度以及臭氧濃度的變化結果。2020年6—12月廊坊市PM2.5濃度時間序列變化具體結果如圖1所示。

圖1 PM2.5濃度時空序列變化

由圖1可知，2020年6—12月的平均濃度逐漸上升，其中，PM2.5平均濃度最低的月份為8月，濃度為69.6 μg/m3；平均濃度最高的月份為12月，濃度為154.3 μg/m3。總體平均濃度111.8 μg/m3。在研究時間內的平均PM2.5濃度呈現出夏季低、冬季高的現象。

臭氧濃度隨時間的變化情況如圖2所示。

圖2 臭氧濃度時空序列變化結果

由圖2可知，2020年6—12月的臭氧濃度呈現出下降的狀態，濃度最低的月份為12月，濃度為63.2 μg/m3；濃度最高的月份為6月，濃度為104.31 μg/m3，研究時間內總平均臭氧濃度為82.98 μg/m3。在研究所調查的時間區間內，廊坊市臭氧濃度的規律為夏季濃度>秋季濃度>冬季濃度。

3.2 室外PM2.5與臭氧變化情況分析

為進一步驗證PM2.5以及臭氧的具體變化情況，分別研究了2020年6月1日和12月1日24小時內的PM2.5以及臭氧的變化情況。其中，PM2.5的變化情況如圖3所示，臭氧變化情況如圖4所示。

圖3 PM2.5變化情況

圖4 臭氧變化情況

由圖3可知，2020年6月1日的平均PM2.5濃度為53.815 μg/m3，12月1日的平均PM2.5濃度為93.929 μg/m3，12月1日的濃度明顯高于6月1日的PM2.5濃度，符合前文論述的結果。就6月1日的監測數據而言，總體PM2.5濃度變化不大，整體處于一個較低的水平。而12月1日的PM2.5濃度在12：00左右達到峰值，最高PM2.5濃度為125.8 μg/m3。

由圖4可知，2020年6月1日、12月1日的平均臭氧濃度分別為82.942、30.175 μg/m3，6月1日的臭氧濃度明顯高于12月1日的臭氧濃度。在6月1日內，臭氧濃度最高的時刻為14：00左右，最高濃度為167.5 μg/m3；臭氧濃度最低的時刻為8：00左右，最低濃度為47.2 μg/m3。在12月1日內，臭氧濃度最高的時刻為14：00左右，最高濃度為46.2 μg/m3；臭氧濃度最低的時刻為20：00左右，最低濃度為23.7 μg/m3。

3.3 廊坊市PM2.5以及臭氧空間自相關分析

研究通過自相關分析，得到了2020年6—12月的PM2.5污染情況以及臭氧污染情況的Moran′sI指數值。具體結果如圖5、圖6所示。

由圖5和圖6可知，在2020年6—12月，研究區PM2.5的Moran′sI指數的值均為正數，并且全部均通過了顯著性檢驗，PM2.5的Moran′sI指數的均值為0.862。研究區臭氧的Moran′sI指數也均為正數，同樣超過了0.8，空間集聚效應明顯，證明PM2.5以及臭氧存在城市空間區域集聚現象。同時，研究發現，PM2.5以及臭氧的空間傳輸特征十分明顯，表明PM2.5的污染和臭氧污染具有十分明顯的空間自相關性。PM2.5以及臭氧的空間傳輸特征主要受自然因素以及社會活動因素的影響，自然因素主要是由于大氣環流的作用，社會活動因素主要有生產要素轉移、產業轉移、環境污染以及交通流通等因素。因此，進行空氣污染治理時，傳統的以行政區劃進行治理的模式已不再適用，應采取區域聯合治理的方式，實現跨區域綜合治理。

圖5 廊坊市PM2.5的Moran′s I指數

圖6 廊坊市臭氧Moran′s I指數

4 PM2.5和臭氧空間杜賓模型估計結果

本文主要探討了在鄰接權重矩陣、地理權重矩陣以及k近鄰權重矩陣下的模型PM2.5以及臭氧的估計結果，PM2.5空間杜賓模型估計結果如圖7所示，臭氧空間杜賓模型估計結果如圖8所示。

對圖7的結果進行分析，年均風速、年均相對濕度以及年均氣溫這3個因素通過了顯著性檢驗。其中，年均風速與年均氣溫的值為負值，證明年均風速以及年均氣溫對PM2.5污染有著負向影響；而年相對濕度為正值，證明年相對濕度對PM2.5有著正向影響，同時年降水量沒有通過顯著性檢驗，年降水量與PM2.5的空間差異無明顯的影響。通過對圖8進行分析可知，年均風速以及年均降水量均沒有通過顯著性檢驗，表明年均風速與年均降水量無顯著性關系；而年相對濕度的值為負值，表明相對濕度與臭氧污染存在一定的負相關關系；年均氣溫的值為正值，表明年均氣溫與臭氧濃度之間存在正相關關系。

圖7 PM2.5空間杜賓模型估計結果

圖8 臭氧空間杜賓模型估計結果

5 結論

通過數據分析以及模型計算方法對廊坊市的PM2.5以及空氣污染情況進行了分析，研究了氣象因素與PM2.5以及臭氧的變化關系。

(1)2020年6—12月，廊坊市PM2.5總體平均濃度為111.8 μg/m3。夏季PM2.5濃度最低，冬季 PM2.5濃度最高。其中，PM2.5平均濃度最低的月份為8月，濃度為69.6 μg/m3；平均濃度最高的月份為12月，濃度為154.3 μg/m3。臭氧濃度變化規律與PM2.5相反，臭氧的濃度最低月份為12月，濃度為63.2 μg/m3；臭氧濃度最高的月份為6月，濃度為104.31 μg/m3。

(2)就日平均濃度而言，冬季PM2.5的濃度在12：00的值最大。夏季與冬季臭氧濃度均在14：00左右的值最大。通過空間自相關分析可知，廊坊市PM2.5和臭氧空間傳輸特征顯著，PM2.5以及臭氧污染空間自相關性明顯。對于PM2.5污染而言，風速以及氣溫與PM2.5的污染存在負相關關系；相對濕度與PM2.5污染存在正相關關系。同樣對于臭氧污染而言，相對濕度與臭氧污染存在負相關關系；年均氣溫與臭氧濃度之間存在正相關關系。

(3)在廊坊市空氣污染防治中，應采用跨區域協同治理的方案，進而提高空氣污染治理水平與效率。本文可為廊坊市空氣污染治理研究提供數據支持，但是由于相關因素的限制，研究只針對2020年6—12月的數據進行了分析，研究時間較短。在后續研究中，將擴大研究范圍，追蹤性地探究長時間內廊坊市空氣污染質量的變化情況，使研究更加具有實際意義。