区域复合型大气污染时空扩散及其联防联控策略研究

杨贺 刘金平

摘 要：近年来，以臭氧、大气颗粒物（PM2.5和PM10）等为特征的区域复合型污染日益突出，体现出大气污染的空间维度特征。在总结国内外关于区域复合型大气污染研究基础上，提出系统研究区域复合型大气污染的时空扩散特征、来源解析的研究框架：利用空间非嵌套方法优化大气污染的空间自相关模型，提出我国多个大气重度污染集聚区域在不同季节不同时间的首要扩散污染源，并应制定合理的区域大气污染联防联控政策。

关键词：大气颗粒物；污染源；空间自相关；区域分异；联防联控

中图分类号：TB 文献标识码：Adoi：10.19311/j.cnki.1672-3198.2018.06.086

1 引言

当前我国大气环境形势十分严峻，区域内空气重污染现象、大范围同时出现的频次日益增多，严重制约社会经济的可持续发展，威胁人民群众身体健康，给现行环境管理模式带来了巨大的挑战。由于大气污染物传输并不遵守行政边界，而是在空间上扩散迁移并呈现出区域性，城市间大气污染相互影响越来越显著，尤其是在工业化和城市化水平较高的城市群较明显。大气污染的控制不能仅局限于单独的地区，而应该打破行政区划的界限。在我国大气污染日益加剧的今天，如何界定大气环境功能区域的动态时空范围和确定区域大气污染物的首要来源就显得尤为重要。

传统的分析方法建立在城市之间的大气污染物相互独立不相关的前提假设，并缺乏考虑空间维度特征，空气污染传播受到风速、温度、湿度等多重因素影响，致使大气污染的空间维度特征常常被环境学家和生态学家所忽略，所以得出的各种结果和推论也缺乏应有的解释力。因此，综合环境统计学、地理科学和大气科学等多学科理论，利用空间非嵌套方法优化大气污染的空间自相关模型，添加时间滞后系数，更准确地测算大气污染的溢出边界和迁移路径，揭示空间扩散规律和动态演变过程，为防治区域复合型大气污染问题和促进区域经济可持续发展提供理论支撑。

2 国内外研究现状及趋势

近些年来，在国际上对大气污染物来源及排放的时空变异研究比较活跃。主要有：采用多种空气污染物的综合评判的方法，给出了一种新的空气污染指数（API）体系，并将此空气污染指数（API）与美国环保局的污染标准指数（PSI）进行了对比（Neha Khanna，2000）；通过聚类分析的方法对雅典周围8个地区的可吸入颗粒物浓度进行分析，发现离城区较远的4个地区的空气污染物主要来自其周围的重污染地区，并且以二次气溶胶为主，然而离城区较近的4个地区的空气污染物主要来自城市燃料燃烧、汽车尾气以及一次气溶胶（G.Grivasa，2007）；运用多元线性回归模型计算一氧化碳、氮氧化物、二氧化硫和细颗粒物等浓度的时空变化规律，并发现土耳其安卡拉地区空气质量取决于当地气象状况，而非大气污染所致（Genc，2010）；对于发展中国家城市（加纳首都阿克拉）进行的大气污染颗粒物来源分析得出，PM2.5数值与烧柴灶、熏鱼、垃圾焚烧等具有显著相关性（Rooney，2012）；以意大利北部地区为例，证实大气污染模拟更适合使用空间非线性模型，而并非具有全局平均意义的线性模型（Carnevale，2012）。

我国学者针对我国大气污染的空间特征和防治方面的研究，主要有以下几方面：利用空间自相关分析方法对江苏省13个省辖市化学耗氧量（COD）、二氧化硫（SO2）和总悬浮颗粒物（TSP）排放量（赵小风，2009），重庆市TSP、SO2和二氧化氮（NO2）质量浓度（韩贵锋，2006），北京市空气污染指数（胡芳芳，2010）进行研究；利用时间序列分析的方法，对成都市城区2001-2005年的大气污染指数（API）建立基于时间序列的自回归滑动平均模型（ARMA），来模拟实测的空气污染指数，从而得出成都市空气污染状况具有季节变化规律（柴微涛，2007）；利用空间计量经济模型分析我国经济增长与污染物排放的空间关系，并且发现经济发展水平、人口密度和产业结构与SO2、COD排放之间具有高度相关关系（Li， Q 2014）。

总体上看，新兴的空间统计学方法为大气污染的空间相关分析提供了新的思路，具有较大的应用潜力。前人研究确定了大气污染排放的全局空间相关性，得出了不同空气污染源对地区空气质量具有空间差异性等结论。但是，（1）由于缺乏对大气污染扩散边界和迁移路径的规律性和动态演变过程分析，导致大气污染的空间关联效应失真；（2）对于大气污染物来源分析模型使用普通的空间权重方法，并没有体现大气污染的时空扩散异质性特征，这些都会降低大气污染空间溢出特征分析和区域联防联控政策制定的准确性。因此，在我国大气污染现状和生态文明建设背景下，面对区域协同防治实践中遇到的问题，以大气环境功能区域为单元，深入研究大气污染的时空范围、扩散特征和首要污染源，使区域内的省市共同规划与实施大气污染防治方案，通过协调努力最终达到改善区域空气质量、有效遏制复合型大气污染的目的。

3 研究方向解析

针对我国当前现状，以解决大气污染区域協同防治为目标，从大气污染的时空溢出关联性、溢出边界和迁移路径以及污染源解析这三个研究内容循序渐进地深入分析。

3.1 区域复合型大气污染联防联控的理论与方法研究

界定区域复合型大气污染联防联控的内涵等理论基础，剖析造成区域复合型大气污染的因素，以及实施大气污染区域联防联控的技术与方法。（1）区域复合型大气污染联防联控及相关概念的界定，重点阐释大气污染治理突破行政区域界限的必要性和区域大气污染联合防治的正外部性。（2）从气象、地理、工业布局、移动污染排放等方面，解释造成区域复合型大气污染的原因，以及这些影响因素之间的关联性分析。（3）区域复合型大气污染联防联控的理论基础，包括空气流动理论、区域公共品理论、大气污染控制理论、空间统计学理论和空间自相关理论等。（4）实施大气污染区域联防联控的技术与方法，有针对区域边界划分的扩展断裂点模型和空间滞后模型，还有揭示区域大气污染源的空间非嵌套地理加权回归方法，和区域大气污染物总量控制方法等。

3.2 区域复合型大气污染的时空扩散特征

研究区域大气污染的时空扩散特征，首先要有完备的基础数据作保证，建立一个基于Time-GIS的时空关系矢量数据库，包括我国113个（重点环境保护和国家环保模范）城市的空气质量指数（AQI）和主要大气污染物（PM10，PM2.5，SO2，NO2等）数据，以日、周、季度为时间序列；其次，需要验证我国城市大气污染是否存在时空扩散关联性，得出我国大气污染集聚区的分布范围以及随时间季节的变化特征；再者，一个城市的大气污染程度取决于本地固定污染源、区域移动污染源以及区域固定污染源的时空扩散等多方面的影响。在大气污染的时空溢出关联性研究基础之上，利用空间非嵌套方法优化大气污染的空间相关权重矩阵，并在空间回归模型中添加时间滞后系数，从而更准确地测算大气污染的溢出边界和迁移路径，揭示空间扩散特征和动态演变过程，由此确立大气污染联防联控集聚区的范围边界。

3.3 区域复合型大气污染物来源解析

通过上述研究可以确定城市大气污染扩散范围，以及受周边城市的空气污染程度，由此验证了我国城市大气污染的时空扩散特征。如何建立有效的回归计量模型，模拟各种大气污染源的区域空气污染过程，并从回归结果中得出我国多个地区的大气污染源解析结果。内容包括两方面：

（1）大气污染源解析的空间统计方法研究。传统大气污染物来源解析的回归计量模型，是建立在城市之间的空气污染物相互独立不相关的前提假设，忽略了大气污染的空间扩撒特性，得出的各种结果和推论缺乏应有的解释力。因此，通过建立大气污染的时间序列地理加权回归模型，以表达空间上的关联性、复杂性和变异性。

（2）分析各污染源类型对大气污染程度在时间和空间上的差异性，揭示和验证我国不同地区大气污染物来源存在空间异质性。找出我国多个大气重度污染集聚区域在不同季节不同时间的首要扩散污染源，为制定科学合理的区域大气污染联防联控策略提供支撐。

3.4 区域复合型大气污染的联防联控策略

总结区域复合型大气污染的时空扩散特征和来源解析，结合国内外大气污染防治的典型案例，设计我国大气污染区域联防联控对策。

（1）国外大气污染防治典型案例分析。国外大气污染区域协同防治措施的成熟和广泛应用为我国的大气污染治理提供了坚实的理论平台和可供参考的实践基础。首先对国外大气污染源类型和防治措施进行梳理和辨析，其次对以英国、美国、日本、法国和德国为代表的发达国家大气污染区域协同防治的情况进行归纳，从中提炼出国外发展战略、解决问题的思路及实施步骤。

（2）国内大气污染防治典型案例分析。总结和归纳近年来针对奥运会、世博会和亚运会等重大国际型活动，各城市及地区采取的大气污染防治措施。

总结上述研究，结合我国生态文明建设和经济转型期实情，针对区域性复合型大气污染问题的环境管理模式，给出我国大气污染联防联控管理措施。包括我国重点城市大气污染物来源解析；大气污染扩散程度高的城市名单及空气环境治理方案；易于受周边城市大气污染的城市名单及其空气环境治理方案。

参考文献

[1]丁焕峰，李佩仪. 中国区域污染形态及特征分析[J]. 经济地理，2010，（03）：501-507.

[2]罗畏，邹峥嵘. 空间统计分析的环境质量评价应用[J]. 测绘科学. 2012，（4）：32-34.

[3]王金南，宁淼，孙亚梅. 区域大气污染联防联控的理论与方法分析[J]. 环境与可持续发展，2012，（05）： 5-10.

[4]柴发合，云雅如，王淑兰. 关于我国落实区域大气联防联控机制的深度思考[J]. 环境与可持续发展，2013，（04）： 5-9.

[5]Dominick， D.， et al.， Spatial assessment of air quality patterns in Malaysia using multivariate analysis[J]. Atmospheric Environment， 2012，（60）：172-181.