霾天气下我国6城市PM2.5污染水平相关性及影响因素分析

杨　磊， 楚明浩， 杜晓轩

(中原工学院，郑州 450007)



霾天气下我国6城市PM2.5污染水平相关性及影响因素分析

杨磊， 楚明浩， 杜晓轩

(中原工学院，郑州 450007)

我国城市PM2.5污染存在空间分布差异，在霾天气下，需对其空间分布关系作进一步研究。本文对2015年冬季我国6个城市PM2.5污染数据进行Pearson相关性分析，并探讨主要影响因素。结果表明：入冬后由于大面积采暖，北方城市的PM2.5污染明显高于南方；季风气候对各地PM2.5污染有影响；建筑施工面积与PM2.5污染有明显的相关性；经济结构与各城市PM2.5污染的相关性不明显。

PM2.5；霾；相关性；影响因素

随着城市化进程加快，我国大气环境污染状况日趋严重，交通源、工业源、生活源等造成的空气污染成为影响空气质量的重要因素[1]。京津冀地区由于冬天燃煤取暖，空气污染情况更为严重；沿海城市由于地理条件的关系，PM2.5污染水平相对较低[2]。目前，城市污染物来源复杂且种类繁多[3-5]。有研究表明，珠江三角洲城市间污染相互作用显著[6]。在霾天气条件下，对我国各地区城市间颗粒物污染空间分布及影响因素的研究十分必要和迫切。本文基于冬季我国代表性城市PM2.5污染数据、经济发展数据、建筑施工面积数据和气象参数数据，尝试对样本城市间PM2.5污染的空间分布相关性和主要影响因素展开分析。

1　材料和方法

1.1城市样本

本文选取北部、南部、西部、东部、中部的代表性城市(分别为北京、广州、兰州、上海、沈阳和郑州)为研究对象。图1是各样本城市地理位置。北京是中国的首都，经济政治和文化中心，人口数量、汽车保有量以及公路里程都较高；华南城市广州位于珠江三角洲，是中国发展较早的城市；华西城市兰州地广人稀，作为一个重要参照；华东城市上海位于长江三角洲，经济繁华，人口众多，属港口城市，具有较高的代表性；华北城市沈阳是东北重要城市，是重工业基地，冬季采暖需求较高；华中城市郑州位于中原腹地，地处南北交通要道的交汇处，汽车保有量、流通量、公路里程数以及人口数量均较高。

图1　城市样本地理位置

1.2PM2.5污染测点

采用中国环境监测总站对样本城市测点的布局[7]，北京采集12个测点：奥体中心、昌平镇、定陵、东四、古城、官园、海淀区万柳、怀柔镇、农展馆、顺义新城、天坛、万寿西宫；广州采集11个测点：番禺中学、广东商学院、广雅中学、花都师范、九龙镇镇龙、麓湖、帽峰山森林公园、市八十六中、市监测站、市五中、体育西；兰州采集5个测点：兰炼宾馆、生物制品所、铁路设计院、榆中兰大校区、职工医院；上海采集10个测点：虹口、静安监测站、浦东川沙、浦东新区监测站、浦东张江、普陀、青浦淀山湖、十五厂、徐汇上师大、杨浦四漂；沈阳采集11个测点：东陵路、浑南东路、京沈街、陵东街、森林路、沈辽西路、太原街、文化路、小河沿、新秀街、裕农路；郑州采集9个测点：岗李水库、供水公司、郑大一附院、经开区管委、市监测站、四十七中、烟厂、银行学校、郑纺机。

1.3数据收集

1.3.1样本城市PM2.5污染水平

为了研究霾天气条件下城市间PM2.5污染水平空间差异，表1列出了2014年和2015年6个样本城市PM2.5质量浓度的年均值[7]。

表1　样本城市近两年PM2.5质量浓度年均值 　μg/m3

为研究6个样本城市PM2.5污染空间分布的相关性，采集了2015年11月18日-2015年12月31日各城市PM2.5日平均质量浓度数据[8]，统计学结果如表2所示。

表2　6城市PM2.5污染数据统计学结果

1.3.2GDP和新增建筑面积

为研究样本城市的经济发展结构、建筑施工等因素对各城市PM2.5污染水平的影响，采集了各产业生产总值和建筑施工面积等统计数据[9-14]，结果如表3所示。

1.3.3气候参数(风向和风速)

风力强度和风向是影响地区间PM2.5污染迁移的重要气象参数，样本城市风玫瑰图如图2所示。中国的季风气候十分显著，大半个中国都受季风气候影响，以秦岭—淮河为界，以北为温带季风气候，以南为亚热带季风气候。冬季风的季风源地为蒙古-西伯利亚，主导风向为偏北风。

本文对研究期间各样本城市的风力强度和风向进行统计，以上海和郑州两城市为例，统计结果如表4所示。

为便于进行相关性分析，对上海和郑州的风力和风向进行量化，根据郑州和上海的位置关系，上海的风向为西北风时，认为郑州风力风向对上海的影响值为1，并构建直角坐标系进行量化。为分析城市间PM2.5污染水平差异受风向风力的影响，取研究城市的PM2.5日平均质量浓度之比作为相关性分析的PM2.5污染数据，量化和比值结果如表5所示。

表3　样本城市产值与施工面积统计数据

图2　样本城市风玫瑰图

上海郑州11月23日北3东北511月24日北3北412月1日东南3西北412月2日西北4西北412月3日西北4西北312月10日北3东北412月11日北3东北312月14日西北3西北312月15日西北3西北512月16日西北3西北312月24日北3西412月26日西南3东北412月27日北4东北5

表5　上海市PM2.5污染程度受郑州风力及风向影响分析量化结果

注：c1表示上海PM2.5日平均质量浓度(μg/m3)；c2表示郑州PM2.5日平均质量浓度(μg/m3)；E表示上海市PM2.5质量浓度受郑州风力风向迁移和影响的参数量化值。

1.4PM2.5污染数据及影响因素的分析方法

通过2015年11月到12月样本城市的58个测点，观测各城市小时数据，求出平均值和标准差，采用SPSS 2.0统计分析软件对数据进行线性相关分析，得到Pearson相关系数，用于进一步分析各城市数据间的相关性，得到样本城市间PM2.5污染的空间关系。此外，根据采集的数据进一步分析经济发展因素、建筑施工面积因素和气候因素对各样本城市间PM2.5污染水平的影响。

2　结　果

2.1样本城市PM2.5污染水平

取样本城市各测点数据的平均值和标准差，再计算样本城市PM2.5的日平均质量浓度值，与国家标准中PM2.5的二级浓度限值[15]进行对比，结果如图3所示。

2.2样本城市间PM2.5污染的相关性分析

通过SPSS软件中Pearson相关性分析模块，对6个样本城市间PM2.5污染相关性进行分析，结果如表6所示。

图3　样本城市PM2.5质量浓度日均值与国家标准限值的对比

北京广州兰州上海沈阳郑州北京Pearson相关性1.0000.321*0.468**0.367*0.428**0.541**显著性(双侧)-0.0340.0010.0140.0040.000数据量N444444444444广州Pearson相关性0.321*1.0000.1350.2100.405**0.236显著性(双侧)0.034-0.3830.1710.0060.122数据量N444444444444兰州Pearson相关性0.468**0.1351.0000.1800.1590.555**显著性(双侧)0.0010.383-0.2430.3010.000数据量N444444444444上海Pearson相关性0.367*0.2100.1801.0000.2960.126显著性(双侧)0.0140.1710.243-0.0510.414数据量N444444444444沈阳Pearson相关性0.428**0.405**0.1590.2961.0000.302*显著性(双侧)0.0040.0060.3010.051-0.046数据量N444444444444郑州Pearson相关性0.541**0.2360.555**0.1260.302*1.000显著性(双侧)0.0000.1220.0000.4140.046-数据量N444444444444

注：*表示具有一定的相关性；**表示均有显著的相关性。

2.3样本城市PM2.5污染与城市GDP、建筑施工面积相关性分析

通过SPSS软件对样本城市PM2.5与城市各产业GDP、建筑施工面积之间的相关性进行分析，结果如表7所示。

表7　样本城市PM2.5污染与GDP、建筑施工面积相关性分析结果

2.4上海市PM2.5污染受外界风力及风向影响分析

通过SPSS软件中Pearson相关性分析模块，对上海市PM2.5与郑州风力及风向相关性进行分析，结果如表8所示。

表8　上海市PM2.5污染受郑州风力及风向影响相关性分析结果

3　讨　论

数据采集期间样本城市的PM2.5质量浓度平均值分别为：北京140 μg/m3、广州40 μg/m3、兰州74 μg/m3、上海72 μg/m3、沈阳96 μg/m3、郑州132 μg/m3。根据国家标准中PM2.5二级浓度限值(75 μg/m3)可知，北京、沈阳、郑州的PM2.5质量浓度已超过污染阈值，甚至达到重度污染。北京、广州、兰州、上海、沈阳和郑州超过二级浓度限值的天数分别为26 d、4 d、23 d、15 d、28 d、28 d，分别占总天数的65.0%、10.0%、57.5%、37.5%、70.0%和70.0%，沈阳和郑州污染天数较多。

从表6可知，北京与郑州、兰州、沈阳的PM2.5污染数据均有相对较高的相关性。其中，北京与郑州的PM2.5污染数据相关性最高，常住人口数量大是一个重要原因。两个城市均位于气候相对干燥的北方内陆、受到更北区域的沙尘迁移的影响可能是另一重要原因。广州与沈阳的PM2.5污染数据有较高的相关性，两城市相近的建筑施工面积增长可能是主要原因。兰州与北京、郑州的PM2.5污染数据有相对较高的相关性，其中与郑州的PM2.5污染数据相关性最高，这与兰州和郑州均以第二产业作为重点产业有关。上海与各城市的PM2.5污染数据均没有明显的相关性，这与上海终年受海洋气候的影响有关。沈阳和北京、广州的PM2.5污染数据均有相对较高的相关性，其中与北京PM2.5污染数据相关性最高，这与沈阳和北京冬季采暖有关。郑州与北京、兰州的PM2.5污染数据均有相对较高的相关性，这可能与郑州的地理位置有关。进入冬季后，来自兰州与北京的PM2.5迁移对郑州的PM2.5污染具有较为明显的影响。此外，郑州和兰州第二产业发展较为迅速也是影响因素。

从表7分析结果可知，样本城市集合的PM2.5污染值与城市的建筑施工面积有明显的相关性，与各GDP的总体相关性并不明显，这可能与样本城市太少有关。

从表8分析结果可知，上海市区的污染受郑州风力和风向的影响并不明显，这可能与郑州和上海的地理位置过远有关。

4　结　语

第一，我国空气污染状况总体为北方污染严重，南方污染较轻，这与入冬后北方大面积供暖有很大关系，供暖烧煤对北方颗粒物污染有很大影响。

第二，上海和广州地区均是近海城市，受海洋季风气候影响较大，PM2.5污染相对较低。

第三，北京、沈阳、兰州和郑州4地之间PM2.5污染相互影响较大，冬天的西北风向可能会增加城市间颗粒物的迁移。

第四，第二产业所占比重较大的城市容易产生较为严重的PM2.5污染，应当对这些城市不断优化经济发展结构。

[1]苏捷，王丽，魏巍，等．2001-2011年我国城市空气污染变化特征及分析[J]．河北工程大学学报，2012，29(4)：45-52．

[2]张吉洋，耿世彬．我国大气环境PM2.5来源、分布、危害现状分析[J]．洁净与空调技术，2014，3(1)：45-50．

[3]郑祚芳．城市化对北京霾日数影响统计分析[J]．生态环境学报，2013，22(8)：1381-1385．

[4]潘竟虎，张文，李俊峰，等．中国大范围雾霾期间主要城市空气污染物分布特征[J]．生态学杂志，2014，33(12)：3423-3431．

[5]熊健，曾礼祥．粤港珠三角区域空气污染与经济发展的动态关系[J]．广州大学学报，2015，14(2)：6-12．

[6]王淑兰，张远航，钟流举，等．珠江三角洲城市间空气污染的相互影响[J]．中国环境科学，2005，25(2)：133-137．

[7]中国空气质量在线监测分析平台．2014年1月-2015年12月PM2.5历史数据[EB/OL]．(2015-12-31)．http://www.aqistudy.cn/historydata/．

[8]中国环境监测总站．2015年11月18日-12月31日全国城市空气质量实施发布平台[EB/OL]．(2016-04-30)．http://106.37.208.233:20035/．

[9]北京统计信息网.2015年第四季度GDP数据及施工面积[EB/OL]．(2016-04-30)．http://www.bjstats.gov.cn/tjsj/yjdsj/GDP/2015/．

[10]广州统计信息网.2015年第四季度GDP数据及施工面积[EB/OL]．(2016-04-30)．http://data.gzstats.gov.cn/gzStat1/chaxun/jdsj.jsp．

[11]兰州市统计局．2015年第四季度GDP数据及施工面积[EB/OL]．(2016-04-30)．http://tjj.lanzhou.gov.cn/tjsj_1223/．

[12]上海统计网．2015年第四季度GDP数据及施工面积[EB/OL]．(2016-04-30)．http://www.stats-sh.gov.cn/data/release.xhtml．

[13]沈阳统计信息网．2015年第四季度GDP数据及施工面积[EB/OL]．(2016-04-30)．http://www.sysinet.gov.cn/Tjsj.aspx?LM_ID=6．

[14]郑州统计信息网． 2015年第四季度GDP数据及施工面积[EB/OL]．(2016-04-30)．http://218.28.166.155/tjww/tjsj/tjyb/A080801index_1.htm．

[15]中华人民共和国环境保护部．环境空气质量标准 GB3095-2012[M]. 北京：中国环境科学出版社，2012．

(责任编辑：席艳君)

Correlation Analysis and Evaluation of Influencing Factors for PM2.5Pollution During Haze Days of Six Cities in China

YANG Lei, CHU Ming-hao, DU Xiao-xuan

(Zhongyuan University of Technology, Zhengzhou 450007， China )

Spatial differences of PM2.5pollution of the cities in China are apparent and remain unknown in haze days. This paper is concerned with Pearson correlation analysis of PM2.5pollution in winter of 2015 between six cities in China. Influencing factors for those correlation results are also discussed. The results show that PM2.5pollution of northern cities are apparently worse than southern cities because of high heating load in winter. Monsoon weather and construction area might be influence factors for PM2.5pollution of the cities in China. However, economic structure has no obvious effect on PM2.5pollution of those cities.

PM2.5; haze; correlation; influencing factor

2016-06-20

国家自然科学基金项目(81450022)；河南省高等学校供热空调重点学科开放实验室开放课题(2016HAC202)

杨磊(1974-)，男，河北衡水人，副教授，博士，主要研究方向为环境空气质量及空气污染控制。

杨磊：博士，副教授，中原工学院青年拔尖人才，兼任中国机械工程学会铸造分会环境保护及安全技术委员会委员、河南省科技评价专家库成员、河南省土木建筑学会青年学术工作委员会委员、河南省洁净技术协会专家委员会委员等，国际期刊《Annals of Occupational Hygiene》《International Journal of Occupational and Environmental Health》《Ergonomics》特邀审稿人。主要研究方向为环境空气质量及空气污染控制。主持完成国家自然科学基金项目1项、河南省科技攻关计划项目2项、河南省基础与前沿技术研究项目1项，发表学术论文40余篇，其中SCI收录的学术论文2篇、EI收录的学术论文7篇，获得省部级优秀论文奖4项，出版著作或教材3部，授权专利6项。

1671-6906(2016)04-0001-06

X513

A

10.3969/j.issn.1671-6906.2016.04.001