江蘇省空氣質量時空特征分析

摘要 為分析江蘇省空氣質量時空特征，基于江蘇省各市2019—2021年空氣質量指數（AQI）數據，建立時間序列模型，采用空間自相關等方法進行研究。結果表明：江蘇省AQI在空間分布上大致呈現出由東向西遞增的趨勢，在時間變化上大致呈現出“W”形變化趨勢。每年冬季和夏季梅雨期間空氣質量較差，且夏冬兩季AQI空間自相關性相較于春秋兩季更強。

關鍵詞 空氣質量；時空特征；時間序列；空間自相關分析

中圖分類號：X823 文獻標識碼：B 文章編號：2095–3305（2023）04–0108-03

隨著社會經濟的不斷發展，人民對美好生活的需要日益增長，空氣污染問題作為目前較為突出的環境問題，與人們的健康生活息息相關，也是影響生態文明建設的重要因素之一，愈加受到黨、國家和人民的重視。

空氣質量問題成為學術界研究的熱點話題，目前國內學者對空氣質量時空特征的研究，主要集中在空氣質量指數（AQI）和主要污染物指標的時空變化規律上。在研究尺度方面，有學者以全國城市為研究對象，研究大氣污染的空間格局與分布動態演進[1]。還有學者以長江經濟帶、長江中游城市群、黃河生態經濟帶等典型區域為研究對象，研究空氣質量時空分布變化特征[2-5]。有學者以安徽省、福建省、深圳市等具體省市為研究對象，進行了空氣質量空間統計分析[6-8]。在研究方法方面，隨著研究的深入，甘茂林等[9]提出了改進傳統Moran's I指數，以適用于大樣本數據的空間自相關分析。賀冉冉等[10]提出了基于時間序列模型殘差進行空間自相關特征分析，以排除原始數據中存在的空間趨勢的干擾。此外，許海超等[11]基于山東省近50年四季統計平均狀況的研究，具體界定了山東省各氣象地理區的入季時間，以分析山東省空氣質量指數（AQI）的季節變化特征。而對江蘇省各地區的空氣質量狀況目前尚未有較為系統的研究，因此，基于江蘇省13個城市2019—2021年的空氣質量指數（AQI），利用時間序列建模、空間自相關分析等方法，對江蘇省空氣質量時空特征進行分析。

1 數據與方法

1.1 數據來源

依據研究對象，選擇江蘇省13個城市2019年1月1日—2021年12月31日的空氣質量指數（AQI）數據進行研究，數據來源于真氣網（https：//www.zq12369.com）。據《環境空氣質量指數（AQI）技術規定（試行）》，空氣質量指數（AQI）定義為定量描述空氣質量狀況的無量綱指數，共分為6個等級：0～50為優；51～100為良；101～150為輕度污染；151～200為中度污染；201～300為重度污染；＞300為嚴重污染。

1.2 研究方法

1.2.1 空間自相關分析 空間自相關性是指變量在同一個分布區內觀測數據之間潛在的相互依賴性，一般由莫蘭指數（MoranI）度量。莫蘭指數又可分為全局莫蘭指數和局部莫蘭指數。全局莫蘭指數的取值范圍為[-1，1]，當I＞0時，表示研究區的屬性值在空間上存在正相關性；當I=0時，表示研究地區的屬性值不存在空間相關性；當I＜0時，表示研究區的屬性值在空間上存在負相關性。當全局莫蘭指數顯著時，可以認為研究區上存在空間相關性，而局部莫蘭指數可以具體分析地區之間的相互影響。

1.2.2 時間序列建模 時間序列建模的一般步驟為模型識別、參數估計、模型檢驗、模型優化，在建模前，通常需要對數據進行預處理。

（1）數據預處理。時間序列的預處理包括平穩性檢驗和白噪聲檢驗2個重要步驟。

（2）模型識別。ARMA模型是最常用的平穩時間序列模型，全稱為自回歸移動平均模型。

非平穩時間序列可以在差分后使用ARIMA模型擬合，ARIMA模型的全稱是自回歸移動平均求和模型。當一個非平穩時間序列經過d次差分后，服從ARMA（p，q）模型，則可以對其建立ARIMA（p，d，q）模型。

（3）參數估計。確定擬合模型之后，通常采用最小二乘估計、極大似然估計等方法對模型的未知參數進行估計。

（4）模型檢驗。模型檢驗包括對模型的顯著性檢驗和對參數的顯著性檢驗2個方面。對模型的顯著性檢驗，主要是對模型殘差項再進行白噪聲檢驗；對參數的顯著性檢驗，主要檢驗某個參數是否顯著非零。

（5）模型優化。通過檢驗的有效模型并不是唯一的，通常需要充分考慮各種因素，利用AIC信息準則或BIC信息準則，從通過檢驗的擬合模型中選擇最優模型。

2 結果與分析

2.1 描述性統計分析

根據AQI類別劃分，對江蘇省各市2019—2021年AQI類別進行劃分，再對比分析各市的年空氣污染天數比例（表1、2）。

從表1、表2可以看出，2019—2021年，在江蘇省各市中，南通市空氣質量優良的總天數比例為全省最多，空氣質量保持長期穩定良好，居全省最優水平。而徐州市空氣質量為優良的總天數比例為全省最低，空氣質量較差。另外，還有鹽城、蘇州、泰州的空氣質量相比其他城市表現更優，宿遷、常州的空氣質量則較差。

江蘇省13個市的空氣質量大多集中在優、良、輕度污染3個類別。2019—2021年，江蘇省各市空氣質量整體呈現好轉的趨勢。2019年，全省3座城市污染天數比例超過30%，而2021年，全省已有9個城市全年空氣污染天數比例不超過20%，全省13座城市的空氣污染天數比例均降至30%以下。其中，徐州市的空氣污染率同比下降20%，宿遷市的空氣污染率同比下降18.35%，污染治理工作取得顯著的成效。

2.2 空間分布特征

利用Geoda軟件，基于Queen鄰接構造空間權重矩陣，繪制2019—2021年的AQI中位數分布地圖（圖1）。

相較于平均值，中位數不受分布數列的極值影響，在一定程度上提高了對分布數列的代表性。從圖1可以看出，江蘇省AQI中位數整體大致呈現出由東向西遞增的趨勢，東部沿海城市的空氣質量普遍優于西部內陸城市。

2.3 時間變化特征

AQI月度數據由每月的日AQI數據求平均值所得，利用Stata軟件繪制江蘇省各市AQI月度數據時序圖（圖2）。圖2中，橫軸月份所示數字1～12代表2019年1—12月，13～24代表2020年1—12月，25～36代表2021年1—12月。

依據“候平均氣溫”劃分四季法，參考江蘇省近年來入季時間，將4—5月劃分為春季，6—9月為夏季，10—11月為秋季，12—翌年3月為冬季。從時序圖可以看出，江蘇省各市AQI每年時間變化趨勢大致相似，整體呈現“W”形的變化趨勢：冬季向春季過渡時，AQI值下降；春季向夏季過渡時，AQI值上升；夏季向秋季過渡時，AQI值下降；秋季向冬季過渡時，AQI值上升。可以看出每年冬季12月、1月左右，夏季6月、7月梅雨期左右AQI較大，空氣質量較差。

2.4 空間自相關分析

基于2019—2021年江蘇省各市日AQI數據，利用R軟件進行預處理、模型識別，建立ARMA模型，并根據模型檢驗的結果不斷進行優化，最終得到擬合效果較好的模型，并提取通過白噪聲檢驗的殘差項序列。時間序列模型所獲取的殘差是與自身序列不存在相關性的數據，無法解釋，而研究空間相關性需要排除數據在時間上的相關關系，因此，利用殘差項分析AQI之間的空間相關性更加客觀。對殘差項進行標準化處理之后，再利用Stata軟件計算逐日全局莫蘭指數，各個季節莫蘭指數通過檢驗（P=0.1）的折線圖（圖3）。每年度各季度通過檢驗的趨勢接近，且夏冬兩季比春秋兩季通過檢驗天數更多，說明夏冬兩季的AQI空間自相關性更強。

3 結論

基于江蘇省2019—2021年各市空氣質量指數（AQI）數據，通過AQI描述性統計表格、空間分布地圖、時序圖等分析江蘇省空氣質量時空分布特征，并基于AQI日數據構建ARMA模型，再利用模型殘差項計算逐日莫蘭指數進行空間自相關分析。

在空間分布格局上，江蘇省AQI整體呈現由東向西遞增的趨勢，東部沿海城市空氣質量優于西部內陸城市。

在時間變化格局上，江蘇省AQI呈現出“W”形變化趨勢，冬季12月、1月，以及夏季6月、7月梅雨時期，空氣質量較差。

江蘇省AQI存在空間自相關性，且夏冬兩季比春秋兩季空間自相關性更強。究其原因在于地理位置、氣候等因素方面，例如：鹽城市有著中國沿海地區最大的灘涂面積，灘涂可以吸收部分污染源，降低污染程度，這可能是鹽城市空氣質量較好的原因之一。而在社會經濟發展等因素方面，徐州市是江蘇省唯一一座冬季供暖的城市，冬季燃煤會造成一定的空氣污染，這可能是徐州市空氣質量較差的原因之一。政府在制定空氣污染防治政策時，需要考慮空氣質量的時空分布特征和各城市之間存在的空間相關性，針對夏冬兩季空氣質量較差、空間自相關性更強，充分考慮季節和城市聯動因素，精準治污，提高治理措施的針對性和有效性。

參考文獻

[1] 劉華軍，杜廣杰.中國城市大氣污染的空間格局與分布動態演進：基于161個城市AQI及6種分項污染物的實證[J].?經濟地理，2016，36（10）：33-38.

[2] 陳優良，陶天慧，丁鵬. 長江三角洲城市群空氣質量時空分布特征[J]. 長江流域資源與環境，2017，26（5）：687-697.

[3] 黃小剛，邵天杰，趙景波，等. 長江經濟帶空氣質量的時空分布特征及影響因素[J].中國環境科學，2020，40（2）：874-884.

[4] 郭雯雯，陳永金，劉閣，等.2016—2019年長江中游城市群空氣質量時空變化特征及影響因素分析[J].生態環境學報，2020，29（10）：2034-2044.

[5] 趙柄鑒，文傳浩，唐中林.黃河生態經濟帶空氣質量時空分異研究（2015—2018）[J].長江流域資源與環境， 2021，30（4）：900-914.

[6] 呂鑫，郝連秀，郭慶彪.安徽省空氣質量時空分布特征分析[J].長江科學院院報，2016，33（12）：144-147，152.

[7] 牟敬鋒，趙星，樊靜潔，等. 2014—2016年深圳市空氣污染時空分布特征[J].衛生研究，2018，47（2）：270-276.

[8] 陳淑真，朱建平，尤添革.基于空氣質量指數AQI的空間自相關特征分析：以福建省為例[J].武夷科學，2020，36（1）：48-58.

[9] 甘茂林，呂王勇，符璐. 基于改進Morans I指數的成都市PM2.5的空間統計分析[J].環境科學與技術，2016，39 （9）：187-193.

[10] 賀冉冉，朱蘭保，周開勝. 基于時間序列模型殘差的中國東部地區空氣質量指數（AQI）空間自相關特征分析[J]. 環境科學學報，2017，37（7）：2459-2467.

[11] 許海超，李子君，姜愛霞，等. 山東省空氣質量指數的時空分布特征[J]. 濟南大學學報（自然科學版），2017，31（2）： 168-175.

責任編輯：黃艷飛

作者簡介 火悅（1997—），女，江蘇鹽城人，主要從事經濟統計研究。

AbstractIn order to analyze the spatial and temporal characteristics of air quality in Jiangsu Province， based on the air quality index （AQI） data of cities in Jiangsu Province from 2019 to 2021， a time series model was established， and spatial autocorrelation and other methods were used for research. It was found that the AQI in Jiangsu Province shows a trend of increasing from east to west in spatial distribution and a “W” type trend in temporal change. The air quality was poor in winter and during the plum rain in summer， and the spatial autocorrelation of AQI in summer and winter was stronger than that in spring and autumn.

Key words Air quality; Spatial and temporal characteristics; Time series; Spatial autocorrelation analysis