京津冀及周邊城市群空氣質量時空網絡分析

摘 要：本文對2014—2022年京津冀及周邊城市群的空氣質量指數（AQI）進行研究，利用復雜網絡分析方法探討城市間空氣質量的時空關聯性。通過分析不同年份的網絡密度、連接點和中心性指標，揭示了區域內空氣質量治理的動態變化趨勢。研究發現，京津冀及周邊城市群的空氣質量網絡在時間維度上基本穩定，顯示出區域協同治理措施的有效性。核心城市如北京、天津和石家莊在網絡中的關鍵作用顯著增強。研究結果為政策制定提供了科學依據，以期能夠促進區域內空氣質量的持續改善。

關鍵詞：空氣質量指數；復雜網絡分析；中心性指標；區域協同治理

中圖分類號：X51" 文獻標識碼：A" 文章編號：1673-260X（2025）04-0001-07

隨著全球城市化和工業化的快速發展，空氣污染問題已成為全球性挑戰，尤其是在人口密集和工業活動頻繁的京津冀地區。該區域作為中國的政治、經濟和文化中心，其空氣質量問題不僅關系到區域發展，也直接影響到國家的環境安全和公共健康。近年來，中國政府高度重視大氣污染防治，相繼出臺了《京津冀及周邊地區、汾渭平原2023—2024年秋冬季大氣污染綜合治理攻堅方案》和《空氣質量持續改善行動計劃》，旨在通過優化能源結構、嚴格環境執法和推廣綠色出行等措施，改善空氣質量。

盡管政府采取了一系列措施，京津冀及其周邊城市群的空氣污染狀況依然嚴峻。該區域的空氣污染問題具有明顯的區域性、跨界性特征，污染物的空間傳輸和時間演變使得傳統的靜態分析方法難以全面揭示區域空氣質量變化的規律。因此，研究京津冀及周邊城市群的空氣質量時空網絡特征，對于深入理解該區域的空氣污染問題及其治理策略具有重要意義。

1 文獻綜述

空氣質量問題一直是眾多學者關注的焦點。近年來，國家政府越來越重視空氣質量狀況。國內學者在空氣質量研究方面已經取得了較為全面的成果，研究內容也日趨豐富。

首先，學者對空氣質量及污染物的變化情況進行了研究和分析。馮建社等人通過對秦皇島市2012—2013年空氣質量的對比分析，研究發現2013年空氣質量優良率明顯下降，尤其是1月和8月的空氣污染最為嚴重，主要污染物為PM10、PM2.5和O3，建議控制顆粒物和臭氧排放，并在重污染企業限排、機動車限行和增加道路灑水次數方面采取措施[1]。韓樸通過分析環保部2014年對中國161個地級城市重點監測的NO2、SO2、CO、PM2.5、PM10等大氣污染數據，探討了空氣質量現狀及其季節和月度變化特征，發現PM2.5和PM10是主要污染物，冬季污染最嚴重，京津冀地區污染最為突出，并指出北方冬季采暖和機動車尾氣是主要污染源[2]。此外，通過對中山市2007—2016年環境空氣污染物的監測數據分析，鄧春拓等人發現SO2、NO2和PM10年均濃度總體呈下降趨勢，而PM2.5和NO2是近4年的主要污染物[3]。高燕通過對2014年至2019年濟南市AQI及六大污染物濃度數據進行分析，發現空氣質量呈現改善趨勢，并基于多元回歸和ARIMA加法季節模型，定量分析了PM2.5對AQI的顯著影響，預測結果精確度高，為未來空氣污染治理提供了科學依據[4]。王璐瑤基于2018年至2020年合肥市11個空氣質量監測站點的數據，分析了主要污染物的時空變化特征和空氣質量影響因素，發現PM2.5是主要污染物，且與PM10、NO2、SO2和CO具有顯著相關性，并通過模糊綜合法和灰色關聯度法評價空氣質量及其自然和經濟影響因素[5]。

在研究方法方面，國內學者也進行了一定的創新。馬宇博等人通過相關系數和距離比值構建邊的權重，剔除孤立節點，評價節點重要性并提取關鍵子網絡。根據節點重要性，排名前六位的城市分別為保定、唐山、廊坊、石家莊、天津和北京[6]。喬建剛等人針對標準對照法不足以全面評價空氣質量的問題，采用權重綜合指數法分析京津冀2016—2018年空氣質量。發現北京和天津的空氣質量明顯改善，而以邯鄲市為代表的河北地區空氣質量較差，且無改善趨勢[7]。李慧杰等人基于統計學和GIS方法，分析京津冀2013—2017年AQI及影響因素。結果表明，空氣質量由北向南惡化，PM10天數最多，O3比例增加，氣溫和風速與AQI負相關，環境庫茲涅茨曲線呈倒N形[8]。

2 數據與模型

2.1 AQI

空氣質量指數（Air Quality Index， AQI）是一種用于定量描述空氣質量狀況的指數。AQI通過監測大氣中主要污染物的濃度，包括細顆粒物（PM2.5和PM10）、臭氧（O3）、二氧化硫（SO2）、一氧化碳（CO）、和二氧化氮（NO2），將其轉化為一個簡明的指數值。這個指數值通常分為幾個等級，從良好到嚴重污染，每個等級對應不同的健康影響和建議措施。AQI不僅為公眾提供了直觀的空氣質量信息，還為政府和環保部門制定污染防治政策提供了科學依據。本文對2014—2022年京津冀及周邊城市的空氣質量指數AQI進行研究。如圖1所示，研究區共31個城市，包括北京、石家莊、天津、唐山、滄州、廊坊、邯鄲、邢臺、秦皇島、保定、衡水、鄭州、濮陽、鶴壁、安陽、焦作、開封、新鄉、晉城、朔州、大同、晉中、忻州、濟南、德州、長治、承德、太原、陽泉、張家口、聊城。數據來源于中國空氣質量在線檢測平臺（https：//www.aqistudy.cn/historydata/）。

選擇北京、天津及河北、河南、山東、山西四省的省會城市石家莊、鄭州、濟南、太原作為代表，對其2014年至2022年的空氣質量指數（AQI）進行描述性分析，以揭示這些城市在時間維度上的空氣質量變化趨勢。

首先，從整體趨勢來看，這六個城市的AQI值在2014年至2022年間呈現出明顯的下降趨勢。這表明隨著時間的推移，各地采取的空氣污染治理措施取得了一定成效，空氣質量逐漸改善。

具體來看，北京的AQI值在2014年時處于較高水平，但在隨后的幾年里逐步下降，尤其是在2017年之后，AQI值顯著降低。這可能與北京市近年來實施的一系列嚴格的空氣污染治理措施，如減少燃煤、控制機動車排放和關閉高污染企業等有關。天津的AQI趨勢與北京相似，但其下降幅度略小于北京。

石家莊2014年的AQI值非常高，自2016年起明顯下降，表明該市的空氣污染控制措施逐漸見效。太原的AQI值在2014年至2016年間變化不大，從2017年起開始明顯下降，這可能與該市加強工業排放控制和減少煤炭消費有關。濟南的AQI值總體上呈下降趨勢，下降幅度較其他城市略小，顯示出該市空氣質量改善的空間仍然存在。鄭州的AQI值從2014年至2022年間也呈下降趨勢，尤其是在2018年之后，下降幅度較為顯著，反映了當地大氣污染防治工作的積極成果。

綜合來看，2014年至2022年間，北京、天津及河北、山西、山東和河南四省的省會城市AQI值普遍呈現下降趨勢，表明這些城市在空氣污染治理方面取得了顯著進展。然而，盡管整體趨勢向好，不同城市之間的空氣質量改善幅度存在差異，需進一步分析原因。

2.2 構建引力模型

確定空間相關性的建模方法，如矢量自回歸模型和重力模型，已被廣泛應用[9-11]。但由于向量自回歸模型對滯后階數過于敏感，可能會降低網絡相關性的準確性，而重力模型不僅適用于總體數據，還能夠綜合考慮發展情況、地理距離等因素。引力模型借鑒了經典的物理學引力公式，用于描述城市之間的相互作用強度。模型的基本思想是，兩個城市之間的空氣質量關聯強度與它們的經濟規模成正比，與它們之間的距離成反比。因此，本研究選擇使用重力模型來構建時空網絡。傳統的引力模型如下：

其中，Fij表示城市i和城市j之間的空氣質量的空間相關性，Mi和Mj分別表示城市i和城市j的質量指標，本文使用城市AQI表示，Gij和Dij（單位：km）分別表示空氣質量系數和城市間球面距離。

在空氣質量研究中，引力模型的應用主要關注城市間污染物傳輸的強度和頻率。具體而言，質量指標程度高的城市（即Mi和Mj較大的城市）往往是污染源的集中地，同時它們也會受到其他城市的污染物輸入。距離（Dij）越近的城市之間，空氣質量的關聯性越強，因為污染物在近距離范圍內更容易傳輸和擴散。

通常情況Gij取1，但為了更好地適應空氣質量數據的空間特性，本文對傳統引力模型進行了改進，系數采用以下計算方式：

2.3 關聯網絡節點的度與中心性

在復雜網絡分析中，節點的度和中心性是兩個重要的指標，它們用于衡量節點在網絡中的重要性和影響力。

首先，節點的度是指與該節點直接相連的邊的數量。對于一個節點vi，其度記為ki。

其中，aij是鄰接矩陣中的元素，當節點i和節點j之間存在邊時，aij=1；否則aij=0。

其次，中心性指標用于衡量節點在網絡中的重要性，以下是幾種常見的中心性指標：

度中心性是節點度的歸一化形式，用于衡量節點的連接強度。

其中，N是網絡中節點的總數。

接近中心性衡量一個節點與網絡中所有其他節點的距離之和的倒數。節點越接近網絡中的其他節點，其接近中心性越高。

其中，d（vi，vj）是節點i和節點j之間的最短路徑距離。

中介中心性衡量一個節點在所有最短路徑上所處的位置頻率。節點的中介中心性越高，它在網絡中的控制力越大。

其中，σst是節點s和節點t之間的最短路徑總數，σst（vi）是經過節點vi的最短路徑數量。

3 實證結論

3.1 空氣質量時空關聯網絡分析

從2014年到2022年，京津冀及周邊城市群的空氣質量復雜網絡圖展示了城市間空氣質量關聯性的發展趨勢，見圖2。通過對這九張網絡圖的分析，可以看出，網絡的密度和結構在不同年份間存在顯著差異。

總體而言，網絡圖中的節點數量相對穩定，但連接的復雜性和密度有少許增加。在整個網絡圖中，北京和天津與周邊多個城市有密切的聯系，這些聯系在不同年份的網絡圖中都較為明顯。例如，在2016年和2017年，北京、天津、保定、廊坊、滄州等城市的聯系較為密集，這些城市之間的空氣質量關聯性較強，表明其在區域空氣質量治理中的關鍵作用。此外，石家莊、保定和邢臺等也表現出較高的節點連接度，尤其是在2018年之后的圖中，這些城市的聯系更加顯著，顯示出其在區域空氣質量治理中的重要性。這些城市不僅與北京和天津有密切聯系，同時也與周邊其他城市形成了緊密的網絡，反映了這些城市作為區域空氣質量治理中樞的地位。

通過分析2014—2022年的空氣質量復雜網絡圖，可以看出，京津冀及周邊城市群的空氣質量治理已取得顯著成效。從初期的網絡結構松散到后期的網絡結構緊密，顯示出區域協同治理措施的有效性。特別是在2019—2022年，網絡圖中的城市間聯系達到高峰，表明區域內的空氣質量治理措施已經產生了顯著的協同效應。

3.2 空氣質量時空網絡特征分析

3.2.1 密度和連接點分析

對31個城市的空氣質量時空網絡做密度和連接點分析，如表1所示。

2014—2022年，京津冀及周邊城市群空氣質量網絡的密度和連接點數量基本穩定。通過分析密度和連接點的數據，可以更清晰地了解這一時期內空氣質量聯動效應的動態變化。

網絡密度在2014—2022年間有所波動，整體上表現為先增加后略微下降再回升的趨勢。2014年的網絡密度為0.233 3，之后密度逐漸增加，在2016年達到0.247 3的最高點。這一階段密度的增加表明，城市間空氣質量的聯系逐漸增強，網絡結構變得更加緊密。自2016年達到峰值后，密度略有下降，2019年為0.236 6，但總體仍保持在較高水平。這一波動可能反映了治理措施的調整和效果的階段性變化。

連接點數量從2014年的217個增加到2016年的230個，顯示出城市間空氣質量聯系的增多和網絡結構的復雜化。2017年和2018年的連接點數量略有下降，分別為227和228個，表明這一時期內城市間的聯系保持相對穩定。2019年連接點數量降至220，可能是由于部分城市空氣質量改善，聯動需求有所減弱。2020年和2021年的連接點數量為224，顯示出網絡聯系的恢復和穩定。到2022年，連接點數量回升至227個，表明城市間的空氣質量聯動再次加強。

3.2.2 中心性分析

2014—2022年，京津冀及周邊城市群的中心性數據展示了網絡結構的演變以及城市在空氣質量治理中的重要性變化。本部分通過分析點度中心度、中間中心度和接近中心度三個主要指標來了解這一變化趨勢，詳見表2。

點度中心度是衡量一個節點與其他節點直接連接數的指標，代表了節點的直接影響力。2014年的平均點度中心度為9.226，中心勢為17.01%。到2015年，中心勢顯著上升至23.91%，說明城市間的直接聯系有所增加，城市在空氣質量治理中的直接影響力增強。在隨后的幾年里，點度中心度的平均值和中心勢雖然有所波動，但總體趨勢是穩定上升的，2017年達到最高點，平均值為9.484，中心勢為19.66%。這表明隨著時間的推移，京津冀及周邊城市間的直接聯系逐漸增強，各城市在網絡中的地位逐漸提升。然而，從2018年開始，點度中心度的中心勢逐漸下降，2022年降至14.14%，反映出城市間的空氣質量治理從依賴直接聯系轉向更復雜的協同機制。

中間中心度衡量一個節點在網絡中作為其他節點間最短路徑的頻率，代表了節點在網絡中的中介作用。2014年的平均中間中心度為50，中心勢為16.72%。2015年，中間中心度的中心勢顯著上升至24.90%，表明城市在網絡中的中介作用增強，各城市之間的間接聯系也更為緊密。在2016年到2018年期間，中間中心度的中心勢有所波動，最低點出現在2017年，為15.11%，這可能與該年城市間的直接聯系增強有關。2019年后，中間中心度的中心勢有所回升，但總體上維持在較為穩定的水平，2022年為16.52%。這反映了城市間空氣質量治理的復雜性，雖然直接聯系減少，但間接聯系和協同作用依然重要。

接近中心度包括入度中心度和出度中心度，分別衡量一個節點被其他節點到達的難易程度和其到達其他節點的難易程度。2014年的平均接近中心度為80，其中入度中心勢為15.61%，出度中心勢為46.82%。2015年，入度中心勢顯著上升至23.39%，出度中心勢也略有上升至49.27%，表明城市間的空氣質量聯系增強，各城市在被到達和到達其他城市方面的便利性提升。在隨后的幾年里，入度和出度中心勢總體上呈現出先升后降的趨勢。2018年，入度中心勢達到最高點25.63%，出度中心勢為47.02%，顯示城市間的聯動效應最強。然而，從2019年開始，出度中心勢顯著下降，2022年降至36.91%，而入度中心勢則逐漸上升至27.33%。這表明雖然城市間的直接聯系減少，但各城市在網絡中的整體接近性增強，各城市的空氣質量治理逐漸依賴于更廣泛的協同和間接聯系。

3.3 空氣質量時空網絡派系分析

為進一步分析城市在空間上的聚類特征，這一部分進行了時空網絡派系分析，旨在通過對空間數據的網絡結構進行研究，揭示數據中隱藏的社區結構或派系。

圖3展示了京津冀及周邊城市群的空氣質量時空網絡的派系分析結果。圖中每個節點代表一個城市，節點之間的連線表示城市之間在空氣質量方面的相似性。通過這種聚類分析，可以發現城市在空氣質量方面具有較強的關聯性，從而揭示出區域內空氣污染的空間分布和傳播規律。

第一派系包括北京、秦皇島、天津、唐山、承德、廊坊和張家口。這些城市大多位于河北省東部和北京市周邊，地理位置接近，容易受到相似的污染源影響，如工業排放和交通排放。北京作為首都，經濟和工業活動繁忙，交通壓力大，導致空氣污染較為嚴重。天津作為重要的工業城市，其工業排放對周邊城市的空氣質量有顯著影響。秦皇島和唐山是河北省重要的沿海城市，海洋性氣候使得這些城市的空氣污染擴散條件較好，但仍受到內陸城市的污染物輸送影響。承德和張家口地處山區，雖然工業不發達，但空氣質量仍受到周邊城市的影響。廊坊靠近北京和天津，交通發達，其空氣質量也深受大城市的影響。

第二派系包括衡水、石家莊、德州、太原、陽泉、朔州、忻州和大同。這些城市主要位于河北省南部和山西省，屬于內陸工業城市群。石家莊是河北省的省會城市，工業活動頻繁，空氣污染問題突出。太原和陽泉作為山西省的主要工業城市，煤炭開采和鋼鐵冶煉是主要產業，工業排放嚴重。德州和衡水地處河北和山東的交界處，農業和工業發展均較快。朔州和忻州是山西的工業城市，受煤炭和重工業的影響，空氣質量較差。大同位于山西北部，煤炭資源豐富，工業排放對空氣質量影響大。這些城市由于共同的工業結構和相似的氣象條件，使得它們在空氣質量上具有較高的相似性。

第三派系包括邢臺、邯鄲、濮陽、濟南和聊城。邢臺和邯鄲是河北省南部的重要工業城市，鋼鐵、化工等重工業發達，工業排放對空氣質量影響顯著。濮陽和聊城地處河南和山東的交界處，農業和工業并重，污染物容易在此區域聚集。濟南作為山東省的省會城市，工業和交通活動頻繁，空氣質量問題突出。這些城市的共同特點是，處于相對平坦的地理區域，工業活動較多，氣象條件相似，導致空氣污染的擴散和積累模式相近。

第四派系包括開封、晉城、鄭州、新鄉、焦作、長治、鶴壁和安陽。這些城市主要分布在河南省和山西省南部，經濟發展較快，工業和交通活動頻繁。鄭州作為河南省的省會城市，經濟活動繁忙，交通壓力大，導致空氣污染較為嚴重。開封、新鄉、焦作和鶴壁等地，工業和農業活動并重，污染物來源多樣。晉城和長治是山西的主要工業城市，煤炭和重工業對空氣質量影響顯著。安陽位于河南北部，工業發展迅速，空氣污染問題突出。這些城市由于相似的地理位置和氣象條件，空氣質量具有較高的關聯性。

3.4 入接近度和出接近度可視化分析

接近中心度是網絡分析中的一個重要指標，用于衡量一個節點在網絡中與其他節點的接近程度。通過分析入接近度和出接近度，可以更全面地了解節點在網絡中的位置和作用，對于理解空氣質量網絡中的關鍵城市和重要節點具有重要意義。圖4為2022年31個城市出接近度和入接近度的可視化圖。

入接近度反映的是一個城市被其他城市到達的便捷程度，入接近度越高，表示該城市在網絡中的重要性越高，其他城市能夠較容易地到達該城市。反之，出接近度反映的是一個城市到達其他城市的便捷程度，出接近度越高，表示該城市能夠較容易地到達其他城市。圖4（a）和（b）分別展示了2022年京津冀及周邊城市群中各城市的入（出）接近度分布情況。

從圖中可以看到，南部和中部的一些城市如鄭州市、洛陽市、焦作市、許昌市和開封市的入接近度較高，顏色較深。這表明這些城市在區域網絡中具有較高的中心性，其他城市到達這些城市的路徑較短，意味著它們在空氣質量治理中具有較高的重要性。另外，南部城市如商丘市和漯河市的入接近度也較高。一方面，河南省位于中國中東部，地理位置特殊。該地區位于黃河中下游，地形以平原為主，四周有太行山、伏牛山等山脈。這種地形和氣候條件容易導致空氣污染物的堆積和擴散。尤其在冬季，河南省易受北方冷空氣南下影響，污染物隨著大氣環流從北方傳輸到河南，使得這些城市容易受到周邊城市空氣質量的影響。另一方面，鄭州、洛陽等城市，既是人口密集區，又是重要的工業基地。大量的工業排放和生活排放使得這些城市本身的污染負荷較高，同時也更容易受到來自周邊城市的污染物傳輸。高密度的人口和工業活動增加了城市對外界空氣污染的敏感性。

此外，北部和東部的一些城市如承德、張家口、唐山和秦皇島的出接近度較高，顏色較深。這表明這些城市在網絡中具有較高的中心性，它們能夠較容易地到達其他城市，意味著它們在區域空氣質量治理中的聯動作用較強。需要綜合考慮其地理位置以及大氣環流和氣象條件有利于污染物傳輸、工業和能源結構導致的高污染排放、交通樞紐和物流中心的作用，以及區域經濟和產業協同效應。這種高出接近度現象表明，東北部城市在空氣污染物的傳輸和擴散中起著重要的源頭作用。未來的治理工作需要特別關注這些城市的排放控制，加強區域協同治理機制，減少污染物的跨區域傳輸，從而整體提升京津冀及周邊區域的空氣質量。此外，北京市和天津市雖然不在顏色最深的范圍內，但其出接近度也較高，這反映了這兩個城市分別作為首都和重要直轄市的地位，使得它們能夠相對便捷地到達其他城市。在空氣質量治理中，這些城市可以通過高效的聯動機制，快速傳遞和實施相關治理措施，從而提高整個區域的治理效率。

4 結論和建議

通過對2014—2022年京津冀及周邊城市群的空氣質量指數（AQI）進行研究，結合對空氣質量復雜網絡圖、密度和連接點數量、中心性指標（點度中心度、中間中心度、接近中心度）的分析，可以得出以下三點結論。

第一，2014—2022年，京津冀及周邊城市群的空氣質量治理取得了顯著成效。這一時期內，網絡密度和連接點數量呈現波動上升的趨勢，表明城市間的空氣質量聯系逐漸增強，網絡結構變得更加復雜和緊密。這一趨勢反映了區域協同治理措施的有效性。特別是從2019—2022年，城市間的聯系達到高峰，表明區域內的空氣質量治理措施已經產生了顯著的協同效應。

第二，關鍵城市在區域空氣質量治理中起到關鍵作用。通過對中心性指標的分析，北京、天津、石家莊等核心城市在空氣質量治理網絡中具有重要地位。這些城市不僅與周邊多個城市有密切聯系，而且在網絡中的中心性較高。石家莊、保定和邢臺等城市在2018年之后的網絡圖中表現出較高的節點連接度，進一步顯示出它們在區域治理中的重要性。這些城市作為區域空氣質量治理的中樞，發揮著重要的聯動和中介作用。

第三，地理位置和氣候條件對空氣質量的影響顯著。河南省的一些城市如鄭州、洛陽、焦作、許昌和開封的入接近度較高，表明這些城市容易受到周邊城市空氣質量的影響。這主要由于河南省的地理位置和氣候條件容易導致空氣污染物的堆積和擴散，特別是在冬季，北方冷空氣南下，污染物隨著大氣環流傳輸到河南。同時，北部和東部城市如承德、張家口、唐山和秦皇島的出接近度較高，這些城市作為上風向，工業排放和大氣環流的共同作用使得它們能夠較容易地將污染物傳輸到其他城市。地理位置和氣候條件在區域空氣質量治理中起到了重要作用。

針對上述結論，提出以下建議。

第一，為了進一步提升空氣質量治理的效果，京津冀及周邊城市群應繼續加強區域協同治理。首先，在國家和省級政府的支持下，應建立跨區域的空氣質量治理協調機構，負責統籌協調區域內各城市的空氣質量治理工作，制定和實施統一的治理政策和標準。其次，需加強數據共享和監測，建立區域性的空氣質量監測和數據共享平臺，實現各城市之間的實時數據共享，從而提高空氣質量監測的精度和廣度，及時發現和應對空氣污染問題。此外，推動聯合執法和政策協同，在區域內推行聯合執法機制，加強對污染源的監管和執法力度，確保各城市能夠同步實施治理措施，共同應對空氣污染問題。

第二，作為空氣質量治理網絡中的關鍵節點，北京、天津、石家莊等核心城市的治理效果對整個區域的空氣質量有著重要影響。因此，針對這些核心城市，應采取更加嚴格和有效的治理措施。首先，要優化產業結構，逐步淘汰高污染、高能耗的產業，推動產業升級和結構優化，發展綠色低碳產業，從源頭上減少污染物排放。其次，要加強交通管理，在核心城市實施更加嚴格的機動車尾氣排放標準，推廣公共交通和新能源交通工具，減少交通污染。同時，加大環保技術的研發和應用力度，推廣使用先進的污染治理技術，提高工業和生活排放的治理水平，確保核心城市在空氣質量治理中起到帶頭和示范作用。

第三，鑒于地理位置和氣候條件對空氣質量的顯著影響，制定空氣質量治理策略時應充分考慮這些因素。首先，可以根據地理和氣候條件，將京津冀及周邊城市群劃分為不同的治理區，每個治理區根據其特定的地理和氣候條件制定針對性的治理措施。例如，針對河南省易受北方污染物傳輸的情況，應加強北部和中部城市的污染源控制。其次，針對不同季節的氣候特點，應制定相應的空氣質量治理措施，如在冬季，加強對北方冷空氣南下過程中的污染物控制，減少其對南部城市的影響。此外，應建立完善的空氣污染應急預案，根據氣象條件和污染物擴散趨勢，及時采取應急措施，減少重污染天氣的發生和影響。通過這些有針對性的措施，可以有效減輕地理和氣候因素對空氣質量的負面影響，進一步提升區域空氣質量治理的效果。

參考文獻：

〔1〕馮建社，張婷，張明月，等.秦皇島市空氣質量指數AQI現狀分析[J].中國環境管理干部學院學報，2014，24（05）：65-69.

〔2〕韓樸.2014年中國主要大氣污染物時空特征分析[D].西寧：青海師范大學，2016.

〔3〕鄧春拓，何倫發，郭艷，等.中山市2007—2016年環境空氣質量變化趨勢及現狀分析[J].環境與健康雜志，2017，34（09）：793-796.

〔4〕高燕.基于AQI的濟南市空氣質量的分析及推斷[D].濟南：山東師范大學，2020.

〔5〕王璐瑤.合肥市環境空氣質量評價及其影響因素分析[D].合肥：安徽建筑大學，2023.

〔6〕馬宇博，高廣闊.基于節點重要性評價的京津冀霧霾污染網絡研究[J].環境科學學報，2018，38（06）：2287-2296.

〔7〕喬建剛，李士宣，王英.京津冀空氣質量狀況研究[J].應用化工，2019，48（11）：2791-2793.

〔8〕李慧杰，王秀蘭，王計平，等.2013—2017年間京津冀地區空氣質量及影響因素分析[J].環境監測管理與技術，2019，31（02）：21-25.

〔9〕Saraswat A， Kandlikar M， Brauer M， Srivastava A. PM2.5 Population exposure in New Delhi using a probabilistic simulation framework. Environ Sci Tech. 2016; 50（06）：3174-3183. https：//doi.org/10.1021/acs.est.5b04975.

〔10〕Zhang YL. Dynamic effect analysis of meteorological conditions on air pollution： A case study from Beijing. Sci Total Environ. 2019; 684：178-185. https：//doi.org/10.1016/j.scitotenv.2019.05.360 PMID：31153065.

〔11〕Guney S， Goodwin BK， Riquelme A. Semi-parametric generalized additive vector autoregressive models of spatial basis dynamics. Am J Agr Econ. 2019; 101（02）：541-562. https：//doi.org/10.1093/ajae/aay033.

收稿日期：2024-11-23