上海市PM2.5 濃度特征及影響因素分析

盧江濤， 彭章娥， 劉 琳

（上海應用技術大學 城市建設與安全工程學院, 上海 201418）

近20 年來，隨著經濟的發展，連續性、區域性、高強度的大氣污染對我國的部分城市造成了一定影響，此類現象在華北、華東等密集城市群尤為突出[1]。氣態污染物質持續排入大氣環境中，對人體健康產生了潛在的危害。近年來，隨著國家系列政策和整改措施的出臺，以及產業、能源結構的調整與升級，中國的大氣污染得到明顯改善，但可吸入細顆粒物PM2.5仍是環境污染處理的一大難題，成為多年來各大城市空氣污染控制的重要對象[2-3]。

1 細顆粒物PM2.5

PM2.5具有直徑小、質量輕、擴散范圍大、易攜帶有害物質并在空氣中不易沉降的特點。大量的PM2.5長期懸浮在城市上空，會降低地面能見度和大氣透明度，尤其在遇上大氣流動差的氣象條件時，極易形成持續性的大氣污染。PM2.5因其粒徑小，可直接進入肺泡，對人體健康具有較大的危害性[4-5]。相關研究已表明：PM2.5對呼吸系統、心血管系統、免疫系統產生危害[6-8]。因此，加強城市大氣顆粒物濃度變化和分布特征的研究，對保護城市空氣質量和人體健康具有重要意義。

上海市是全球人口密集的大城市之一。上海市的大氣污染問題一直是備受關注的環境問題，眾多學者對上海市PM2.5空氣污染展開研究工作[9-11]，并取得了一定的科研成果。王明瑩等[9]發現PM2.5濃度月變化曲線呈現U 型分布，PM2.5與PM10之間的相關性大。成亞利等[11]研究了PM2.5與 PM10和CO 的相關性。高雅琴等[10]發現PM2.5中脂肪酸類物質的占比高，這是因為上海地區的顆粒有機物主要來源于汽油車的尾氣排放，此外中心城區和西部郊區受到了一定程度的生物質燃燒污染。

研究表明，上海大氣中人為源的成分來源較多較復雜。近多年來的研究也顯示，大氣中PM2.5濃度含量的影響因素復雜，耦合特征也復雜，在以往關于PM2.5相關影響因素的研究中，通常只考慮了單一因素的影響和相關性，由于人為社會因素(人口、經濟、運輸等)耦合對其影響復雜，這方面的相關性研究仍需考慮。為了較為全面地掌握上海市PM2.5污染特征，并為上海市的大氣污染治理工作提供有效依據，綜合考慮自然因素以及社會因素的影響，在研究上海市PM2.5質量濃度特征的基礎上，分析了兩方面的影響因素和相關關系，研究結果可為進一步治理PM2.5提供方向參考。

2 研究數據和方法

PM2.5數據來源于國家氣象局以及上海地區的空氣質量檢測站等官方機構發布的近6 年的監測數據。運用Matlab、SPSS 軟件進行數據分析和處理，從而了解其分布規律和影響因素。主要對上海市近6 年的PM2.5數據進行了統計學處理分析，得出其月均、日均濃度的變化規律。為確定氣象參數、社會經濟因素對PM2.5的濃度的影響，采用了相關性分析方法[12]，用以分析各個影響因素之間的相關關系，其公式如下：

為考查對PM2.5濃度的影響是否為多重因素耦合共同作用的結果，本研究建立了多元線性回歸模型。利用了數理統計中的回歸分析，來確定2 種或2 種以上變量間相互依賴的定量關系。本研究以氣象參數、社會經濟因素為自變量，PM2.5濃度為因變量，構建多元回歸模型[12]，該模型的表達為：

式中：β為回歸系數；xi1為個體i的第1 個解釋變量；xi2為個體i的第2 個解釋變量；k為解釋變量個數；εi為擾動項。以全部的氣象條件、社會經濟因素為自變量，PM2.5濃度為因變量，構建多元回歸模型。

3 結果與分析

3.1 上海市PM2.5 濃度特征分析

3.1.1 上海市PM2.5質量濃度的年變化特征

對上海市2014 年至2019 年的PM2.5年均濃度進行了總體趨勢分析，結合社會因素分析其原因。其近6 年PM2.5的總體濃度變化趨勢如圖1 所示。

從圖1 所示，自2014 年以來，上海地區的PM2.5濃度逐年下降，從2014 年到2019 年，PM2.5的年均濃度下降了 32.7%，年均變化幅度為–2.83 μg/m3。其中，2015 年—2018 年為主要下降時期，說明此期間上海區域大氣防治力度較大，典型變化年份為2017 年—2018 年。2013 年國家發布《大氣污染防止行動計劃》，全國各地陸續進行了減排行動，尤其是針對PM2.5的防治措施力度很大。相關研究也表明，從2013 年到2017 年，大氣細顆粒物的濃度得到了有效控制[13-17]。

圖1 2014 年—2019 年的PM2.5 年均濃度Fig. 1 Annual mean concentrations of PM2.5 from 2014 to 2019

3.1.2 上海市PM2.5質量濃度的季度變化特征

為全面了解近年來上海區域的大氣變化特征，結合上海區域地理位置和季節性，也分析了典型年份上海的PM2.5質量濃度季節變化特征。從分析統計數據可以看出，上海市PM2.5質量濃度在季節上有著顯著的變化特征，結果見圖2 和圖3。

圖2 上海市2017 年—2018 年各個監測站PM2.5 濃度隨季節變化趨勢Fig. 2 Seasonal variation trend of PM2.5 concentration at each monitoring point in Shanghai in 2017 and 2018

如圖2 所示，在典型的變化顯著的年份(如2018 年)，相較于2017 年，上海市四季平均PM2.5質量濃度都有顯著的降低。其中春季、夏季、秋季和冬季的平均濃度分別下降了10.4、11.9、11.3、10.6 μg/m3，下降幅度分別為22.31%、33.06%、27.43%、20.08%。2018 年夏季PM2.5平均質量濃度下降的幅度比例最大，而冬季下降的幅度比例最小。冬季仍是PM2.5濃度最高的季節。

如圖3 所示，從2014 到2019 年，總體來說，上海地區在冬季PM2.5濃度最高，夏季最低。上海冬季PM2.5濃度較高，主要有3 種原因：①北方的采暖季燃燒大量的煤，產生的PM2.5在西北冷空氣的作用下可能擴散至華東地區，從而導致PM2.5的外源累積；②上海市冬季氣溫較低，相對濕度較小，不利于PM2.5顆粒污染物的沉降；③上海冬季的天氣晴朗無風時節，易受到輻射逆溫的影響。上海市冬季逆溫現象出現的頻率高，時間長，大氣污染物需要很長的時間去進行沉降和擴散。另外，圖3 也顯示，比較以往年份，從2017 年到2019 年，PM2.5季節濃度變化趨勢逐漸變緩，此現象表明近幾年來上海大氣環境質量的持續改善。

圖3 上海市2014 年—2019 年PM2.5 濃度季節變化趨勢Fig. 3 Seasonal variation trend of PM2.5 concentration in Shanghai from 2014 to 2019

除上述的年度變化特征分析外，結合近幾年來的PM2.5初始數據，也對上海地區每年PM2.5濃度的月變化趨勢進行了對比分析，結果見圖4。如圖4所示，每年的1、2 和12 月是PM2.5濃度最高的時間段，6、7 和8 月是濃度最低的時間段，此結果與各個年度季節濃度分析的特征一致。

3.2 上海市PM2.5 影響因素分析

3.2.1 PM2.5濃度與氣象因素的相互關系

基于回歸分析的原理，利用SPSS 統計軟件進行影響因素分析，所選數據為上海市2018 年逐日的主要氣象數據(上海市區的溫度、相對濕度、平均氣壓、平均風速和降水量)、空氣質量指數(air quality index，AQI)以及大氣污染物指標(PM2.5、PM10、SO2、CO、NO2、O3)，得到PM2.5濃度與氣象因素之間的相關性。通過對氣象因素和AQI 及其他6 個指標做相關分析得出的，氣象因素與空氣污染物因子之間的數據矩陣見表1。

如表1 所示，PM2.5與溫度、相對濕度、以及每日累計降水量都呈現負相關關系， 并且都是在0.01 水平上呈現顯著負相關；PM2.5與平均氣壓呈現正相關關系，并且是在0.01 水平上呈現顯著正相關。根據表1 中的相關程度可以看出，氣象因素對細小顆粒物的影響與作用比較明顯。

表1 氣象因素與空氣污染物因子之間的相關性矩陣Tab. 1 Correlation matrix between meteorological factors and air pollutant factors

溫度對于PM2.5濃度的變化起著十分重要的作用。溫度對于顆粒物的影響主要表現在，溫度變化可以增強氣流流動，促進顆粒物的擴散與稀釋。在冬季時，當室外溫度達到某一臨界值之前，隨著溫度的上升，溫度加強顆粒物的擴散的影響能力起主導作用，區域PM2.5濃度隨著溫度的升高而有所上升；但當溫度升高到一定的數值之后，溫度促使大氣污染物的稀釋的影響力大于溫度加強顆粒物擴散的影響力，所以此時PM2.5的濃度會隨溫度的升高而減少。

由于氣壓值與天氣情況、季節等其他因素有著密不可分的關系，從而導致氣壓大小對于PM2.5的影響作用不是絕對的。在晴朗的夏季時，氣壓較高，溫度也比較高，會加速高空污染物粒子的運動，從而造成大氣污染物濃度上升[18]。當氣壓較低時，往往天氣為陰天，這時濕度較大，這會促進顆粒物的沉降。

相對濕度與PM2.5的濃度之間的關系比較復雜，這是由于相對濕度與PM2.5濃度的影響關系取決于相對濕度的大小。當相對濕度較小時，相對濕度的增加會導致PM2.5濃度增大[19-20]，具體原因在于，當相對濕度增大時，空氣中水汽增加，這會使顆粒物表面附著大量水分，顆粒物之間會聚合在一起，形成直徑更大的顆粒物[21]，導致顆粒物濃度由于集聚而增加；但是當相對濕度達到一定數值，顆粒物在持續集聚后直徑增加容易大量沉降，從而促使大氣內污染物減少，此時相對濕度對顆粒物起到的是清除的效果。

降水量和PM2.5濃度兩者呈現明顯的負相關，降水量越多，PM2.5濃度越低，降雨量多表示空氣中的水汽條件較好，雨滴的直徑遠大于顆粒物，可以包裹著顆粒物落到地面，這就使顆粒物發生了濕沉降，使其被消除掉，所以，例如夏季暴雨之后，空氣質量有了明顯的改善。

風速對PM2.5的影響較大，平均風速較小時，促進顆粒物的擴散與稀釋能力較弱，反而可能會利于揚塵的產生，表現為空氣中顆粒物濃度升高。只有風速達到一定數值時，才會起到快速將污染物擴散到高空中的作用。

由于PM2.5的濃度值的變化往往是多個變量共同影響的結果，回歸分析可以借助數學公式定量地去判斷多個變量之間的相關程度與變化關系。本研究以全部氣象參數為自變量，以PM2.5濃度為因變量，成功構建了多元線性回歸模型來分析氣象多重因素耦合的影響，結果如表2 所示。在表2中，t值是T 檢驗得到的結果；Sig 是顯著性水平；VIF 為方差膨脹因子，是檢驗各個因素之間的多重共線性問題嚴重程度的參數。一般認為，當VIF≥10 時，說明存在較強的多重共線性；當0≤VIF＜10 時，說明不存在多重共線性問題，表中5項參數的VIF 均小于10，說明其間不存在多重共線性。由表2 可知，這幾項參數變量的顯著性水平都小于0.01，說明這幾個因素對于PM2.5有極為顯著的影響。從系數一欄可以看出，隨著相對濕度、溫度、平均風速、平均氣壓、降水量的增加，PM2.5濃度均會減少，只是減少的幅度各不相同。在其他要素保持不變的情況下，降水量每增加1.00 mm，那么PM2.5的濃度就會減少0.412 μg/m3；在其他要素保持不變的情況下，溫度每增加1.00 ℃，那么PM2.5的濃度就會減少1.865 μg/m3。從中可以看出，平均風速的系數絕對值最大，為9.523，說明平均風速每增加1.00 m/s，那么PM2.5的濃度就會減少9.523 μg/m3，說明平均風速是氣象因素之中影響PM2.5濃度的主要因素。

表2 PM2.5 濃度和氣象因素的相關耦合分析Tab. 2 Coupling analysis of PM2.5 concentration and meteorological factors

3.2.2 PM2.5濃度與社會經濟因素的相關分析

摘選《上海統計年鑒2018》[22]上的2003 年—2017 年部分社會經濟類數據，一共12 類，包括原煤工業消耗、工業能源消費量(萬t 標準煤)、居民消費水平、基礎設施投資額(交通運輸)、環境保護投資、綠地面積、自然保護區覆蓋率、第一產業、第二產業、第三產業占比、工業廢氣排放總量、工業煙塵排放總量。以這些社會經濟因素為自變量，以PM2.5濃度為因變量，構建多元回歸模型來分析社會經濟多重因素耦合的影響，結果見表3。

表3 PM2.5 濃度與社會經濟因素的相關分析Tab. 3 Coupling analysis of PM2.5 concentration and social and economic factors

結果表明，首先，第一產業占比、第二產業占比、第三產業占比和居民消費水平這4 項因素的VIF值＞10，表明其每個因素與其他因素之間存在嚴重的多重共線性，所以無法用于回歸分析。其次，除了環境保護投資這一項，其他的Sig 值都大于0.05，這說明除了環境保護投資以外，其他因素與PM2.5濃度的相關水平不顯著。只有環境保護投資這一項與之顯著相關，并且是負相關關系。這與實際情況相符，環境保護投資越大，那么對于大氣污染治理的投資也會相應地增加， PM2.5的污染情況就會得到改善。其中，環境保護投資的系數為–5.463×10–5，表明，環境保護投資每增加1 億元，PM2.5濃度就會減少–5.463×10–5μg/m3。上述結果說明，在各種社會因素中，環保投資是大氣污染改善的重要因素。

4 結 語

對近幾年來上海地區PM2.5的濃度數據進行了變化特征分析和各類影響因素耦合分析，側重從氣象因素和社會經濟因素兩方面的影響進行分析。上海市PM2.5濃度變化在時間維度上具有明顯的規律和趨勢。 2014 年—2019 年，PM2.5的濃度呈現逐年持續降低的趨勢，PM2.5的濃度年均下降了32.7%，年均變化幅度在–2.83 μg/m3。典型變化年份為2017 年—2018 年。典型年份的PM2.5濃度的月變化分析表明，與2017 年相比除了3 月、7 月、8 月以及10 月，2018 年上海市其他月份的平均PM2.5質量濃度都具有較明顯的減少，2018 年PM2.5月平均濃度比較少的月份為7 月、8 月和9 月，濃度分別為25.4、24.0 和21.3 μg/m3。基于上海市2018 年逐日主要氣象數據以及社會經濟數據構建的多元回歸模型，分別研究了氣象因素與社會經濟因素對PM2.5的相關性與多重影響。結果表明，PM2.5與溫度、相對濕度、以及降水量都在0.01 水平上呈現負相關關系。PM2.5與平均氣壓在0.01水平上呈現正相關關系。在這幾個氣象因素之中，平均風速對于PM2.5濃度的影響程度是最大的，平均風速每增加1.00 m/s，那么PM2.5的濃度就會減少9.523 μg/m3。在社會經濟因素影響方面，環境保護投資項與PM2.5濃度呈現顯著的負相關關系。