PM2.5污染特征分析及影响因素分析
2015-05-30杨茜
作者简介：杨茜（1990-），女，汉，山西介休人，硕士，浙江财经大学，研究方向：金融统计。
摘 要：本文通过混合线性模型，借助R软件对我们24个代表性城市的PM2.5的影响因素进行分析。
关键词：PM2.5;污染特征分析;影响因素分析
一、引言
PM2.5是指环境空气中空气动力学当量直径小于等于2.5μm的颗粒物，也称细颗粒物和可入肺颗粒物。研究表明，PM2.5的来源广泛，成因复杂，既有因燃煤、机动车、扬尘、生物质燃烧等直接排放的细颗粒物，又有从空气中二氧化硫、氮氧化物、氨、挥发性有机物等污染物经过复杂的化学反应形成的二次颗粒物.由于PM2.5粒径小，吸附性强，组成复杂、性质多样可携带重金属、硫酸盐、有机物、病毒等进入人体呼吸系统和血液系统，对人体心、肺等健康构成直接威胁。此外，由于PM2.5细颗粒物粒径与可见光波长（0.4μm 至0.7μm）较为接近，对其有较强的消光作用，因此PM2.5也被普遍认为是造成空气灰霾现象的主要因素之一。
随着我国经济的快速发展和城市化水平的不断提高，大气环境问题日益突出。全国各地频繁出现的灰霾天气严重影响了城市环境和居民的身心健康，细颗粒物污染问题受到空前关注，推动了中国空气质量新标准的发布和PM2.5环境研究的发展。
在此前提下利用采集到的PM2.5质量浓度数据和同期的气象条件数据对PM2.5质量浓度变化特征及其与气象条件的关系进行定性分析、定量计算，以期提高人们对PM2.5污染特点、影响因素的认识，同时可为城市空气质量预报、城市大气污染治理防治等工作提供一定的基础数据和理论支持。
二、数据来源及简单描述
1.数据来源：我国PM2.5数据统计始于2013年10月，因此本文以从我国24个省中各取一个重点城市从2013年10月到2014年5月三个季度中分别选取一周的数据作为考察样本。选取的指标包括PM2.5（y），以及可能影响PM2.5的气候指标：平均气温（x1），平均湿度（x2），风速（x3），季节（x4），降水（x5）。其中PM2.5的数据来源于国家空气质量自动监测网，其它指标来源于Weather Underground http：//classic.wunderground.com.
2.根据收集到的各个城市的pm2.5在整个统计时间段内的数值，计算各城市pm2.5在整个抽样期间的平均值，并按PM2.5平均值从大到小的顺序对这选取的24个城市进行排序如下表所示：
表1
Hebei tianjin wuhan xian beijing hefei jinnan chongqing
1 2 3 4 5 6 7 8
shanghai jiangsu chengdu changsha henan taiyuan hangzhou Harbin
9 10 11 12 13 14 15 16
sheyang jiangxi jilin guiyang kunming haikou shenzhen fujian
17 18 19 20 21 22 23 24
从上表可以看出，统计样本的年均PM2.5浓度最高的城市位于河北省。根据数据分析我们知道排在前两位的河北邢台、石家庄两市的年均PM2.5浓度高达155.2微克每立方米和148.5微克每立方米，是国家标准的4倍以上，该省的平均pm2.5浓度达到114.48。空气污染问题在长三角地区也日趋严重。上海、江苏、杭州等地的PM2.5浓度也接近国家标准的两倍。中西部省份亦凸显出空气污染问题。西安、武汉、合肥、太原等城市的PM2.5浓度也都达到了国家标准的两倍以上。而海口、深圳、福建等地的pm2.5浓度大小则比较可观，空气质量较好，如福建的平均pm2.5浓度只有24.57.
2.1平均温度与PM2.5的关系
图1
选取哈尔滨，石家庄，长春，济南和沈阳五个城市的数据分析PM2.5质量浓度与温度之间的关系，从图1种可以看出PM2.5浓度与温度变化的曲线几乎不能用同一方向的直线来拟合。我们知道在逆温层的存在使得当PM2.5的排放量基本相同的情况下，高温下的PM2.5的值低于低温下PM2.5 的值。但是，由于相关管理部门意识到PM2.5的危害，相继出台了一系列控制污染物排放的政策，因此人为的干扰可能使得PM2.5的值不再与气温呈现相关性。
2.2平均湿度与PM2.5的关系
同样选取哈尔滨，石家庄，长春，济南，沈阳五个城市的数据分析PM2.5质量浓度与湿度之间的关系，资料显示：PM2.5随着温度的变化的曲线近似于直线，且呈现正相关，即随着湿度的降低PM2.5也会降低，但斜率和截距均有不同，因此在用nlm模型拟合时需要在截距项加入随机效应。这与陈慧娟的观测相一致。并且从图中可以看出中间时间观测的湿度相比前期和后期引起PM2.5的变化更大，因此湿度对PM2.5的影响可能与季节相关，夏季湿度对PM2.5的影响比春季和冬季的影响更大。
2.3风速与PM2.5的关系
图1
选取五个城市的数据分析pm2.5质量浓度与风速之间的关系，由图3看出风速多数维持在0.45 m/s的较低水平，此时PM2.5质量浓度维持在较高水平并累计增加，达到最大值0.188 mg/m3，PM2.5的最低值0.039 mg/m3出现在强风速1.42 m/s之后。风速与PM2.5质量浓度负相关。通常风速越大越有利于空气中污染物质的稀释扩散，长时间的微风或静风则会抑制污染物质的扩散，使近地面层的污染物质聚集而不断增加。
2.4季节因素与PM2.5的关系
图4
以哈尔滨，石家庄，长春，济南，沈阳和郑州为观察样本分析季节因素对PM2.5的影响。图4为六个城市分季节箱形图，其中0代表夏季，1代表春季和冬季。从图可以看出春季和冬季的污染较重，夏季的污染较轻，这与二氧化硫、二氧化氮等污染物季节变化规律相一致，说明季节变化对污染物浓度的影响作用十分明显。
2.5降水与PM2.5的关系
比较24个城市有降水和无降水两种情况下PM2.5的变化情况，可以得到是否有降水与pm2.5相关性不明显。从箱形图数据资料可以以看出，此时的降水量与PM2.5呈现出明显的负相关，当没有降水时pm2.5的值较大。这是因为降水对各类污染物具有较好的洗刷作用，当降水量较大时污染物质量浓度降低较多，而少量降水对污染物质量浓度稀释作用较小，这与张文静的结论相一致。
总结：通过对选取的几个城市的PM2.5质量浓度与气候指标：温度、湿度、风速、季节、降水的分析和以上几个相关图可以得出，：温度对PM2.5值的影响比较复杂，受到各种人为干扰因素，但总体还是表现为温度相对较低的情况下，PM2.5值相对较大。与风速、降水指标对PM2.5影响方向一致，都和PM2.5质量浓度呈负相关关系。而湿度对PM2.5值的影响则表现为正相关，即环境中的湿度表现越低，PM2.5值也相对越小，并且从我们的分析中还可以得到夏季湿度对PM2.5值的影响要比春季和秋季大。
三、模型建立
基于以上分析，我们建立一个以平均湿度（x2），风速（x3），季节因素（x4）、降水量（x5）和湿度与季节的交互项（x2*x5）为响应变量，只有在截距项含随机效应的模型，模型形式如下：
Y=β0+bj+β2x2+β3x3+β4x4+β5x5+β6x2*x4+ξ
（1）
用R软件对模型进行参数估计，结果如下表
图4
考虑到不同地区湿度对pm2.5的影响可能不同，因此我们在x2中加入随机效应，模型形式如下
Y=β0+bj+（β2+bj）x2+β3x3+β4x4+β5x5+β6x2*x4+ξ
（2）
对上述模型进行参数估计，结果如下表
图4
我们运用方差分析检验来确定上述两个模型，比较结果如下：
图4
通过上表可以看出，模型2的AIC、BIC值都比模型1的小，且似然比logLik相对模型1大，因此模型2优于模型1，我们应当在斜率项中加入随机效应。
模型2的结果与我们在第二部分的分析基本相同，指标x2、x3、x4、x5和交互效应x2*x4参数估计均通过5%的显著性检验，因此湿度、风速、季节性因素、降水量、和交互效应都与pm2.5相关。且风速和降水量与pm2.5浓度正相关，春季的pm2.5浓度相比夏季要低。
四、模型诊断
（1） 根据各城市的残差拟合数据，各城市的残差都接近1，因此模型拟合的较好。
（2）由于模型假设残差和随机效应项服从正态分布，因此需要对此进行检验。
由资料可看出，残差和随机效应项的qq图基本呈一条直线，只有少数奇异点落在直线以外。因此残差项和随机效应项的正态分布假设成立。
五、结论
本文运用混合线性模型对24个城市的pm2.5影响因素进行分析，得出以下结论：
（1）工业城市的pm2.5排放量排名靠前，这是因为，相对于其他城市，这些城市这些城市在工业生产过程中有更多的大气污染物进入空气中。这种以牺牲环境为代价的发展是不可取的，相关部门应该采取措施引导那些重污染企业寻求更加可持续的发展道路。
（2）由温度与pm2.5的关系变化曲线可以看出，温度与pm2.5的关系不显著。温度的变化很难反映空气质量的好坏。
（3）湿度和pm2.5浓度正相关，当湿度较小时，pm2.5浓度较小。且湿度对pm2.5浓度的影响与季节有关，夏天湿度对pm2.5的影响比秋天和冬天大。
（4）风速与pm2.5浓度呈负相关。当风速较大时pm2.5浓度较小，风速较小时容易产生较大浓度的pm2.5.
（5）根据季节因素对pm2.5浓度的影响的不同可以将季节因素分为夏天和非夏天。夏天pm2.5浓度较小，而非夏天时，pm2.5的浓度较大。
（6）降水对各种空气污染物有很好的洗涤作用，降水较多时pm2.5浓度较低，而少量的降水对pm2.5浓度影响很小。因此可以在许多城市选择人工降雨的方式来降低pm2.5的浓度。（作者单位：浙江财经大学）
