北京市气温变化与城市化进程关系研究

范紫婷，王默玉，申晓留，许沥文

(华北电力大学，北京 102206)

1 引言

人类活动是导致全球气候变暖的主要原因，而城市化是人类活动的集中体现。城市化(urbanization)最早是由西班牙人塞罗达在《城镇化基本理论》一书中提出。随着城市建设的高速发展，城市热岛效应也变得越来越明显。《中国气候变化蓝皮书 2019》指出，1901～2018年，中国地表年平均气温呈显著上升趋势，气候系统变暖趋势进一步持续[1]。

我国学者对于城市化对气温的影响研究已经比较全面，曹霄霄等[2]采用主成分分析法和UMR城郊对比法等定量计算城市化对城市气温的影响，得出城市化的发展使得城市气温上升，尤其极端低温上升最为明显的结论。郑倩云等[3]采用相关性回归分析的研究方法得出2010～2015年京津冀城市群以低温区和中温区面积呈下降趋势，次低温区、次高温区和高温区面积均呈上升趋势的结论。时子童等[4]分析了1980～2009年长江三角洲地区站点气温变化和站点周边城市扩展速率，发现城市化对年最低气温增温贡献率最高(28.44%)。但是城市化水平的评价与对城市气温的影响相结合的研究较少，由此本文基于主成分分析法评价北京市城市化水平，进而结合北京市气温变化特征探讨城市化进程对气温的影响。

2 资料与方法

2.1 数据来源

本文选取了常住人口、城镇居民人均住房建筑面积、地区生产总值、第三产业生产总值、规模以上工业总产值、货物进出口总值、城镇居民人均可支配收入、城市用电量、城市有效供水量、城市绿化覆盖率、每千户籍人口医院床位数、城镇居民家庭恩格尔系数，这十二个指标评价该城市的城市化水平。表征城市化水平的部分数据来源于北京市统计年鉴。

本文的气温数据来自于国家气象中心提供的逐日气温数据以及美国NOAA(National Oceanic and Atmospheric Administration)全球气象站点公布的气温实测数据，通过计算获取到北京市1951～2017年逐月气温数据。

2.2 研究方法

主成分分析法利用降维的思想把多指标转化为少数几个主成分，其中每个主成分均反映原始变量的大部分信息，且所含信息互不重复。本文研究的问题比较复杂，选取的城市化水平的评价指标包含多项影响因子，且因子之间存在联系，选用主成分分析法能够简化问题。

主成分分析法的主要计算过程包括数据的标准化处理、检验变量之间是否有相关性和计算数据的协方差矩阵以及计算变量的因子载荷矩阵。本文利用SPSS(Statistical Product and Service Solutions)统计软件进行数据处理和主成分分析。

3 模型与结果

3.1 北京市温度变化特征

为了更直观地反映北京市气温变化，将前文整理得到的北京市1951～2017年逐月气温数据继续整理，分为年平均气温、春季平均气温、夏季平均气温、秋季平均气温以及冬季平均气温进行分析。

图1是北京市年平均气温变化情况，对年平均气温进行线性回归y=0.0412x+10.897。由图可知，1951～2017年67年间，年均气温为12.5 ℃，从1988年之后年平均气温均高于年均气温。年平均气温的线性上升率为0.48 ℃/(10 a)。20世纪50、60年代和80年代气温变化波动较大，其余时间波动较为平缓，尤其20世纪80年代中后期以来气温平稳上升。

对北京市的春夏秋冬四季的平均气温进行线性拟合并画出趋势线，图中折线表示各季年平均气温，水平虚线表示1951年以来各季的平均气温，斜线表示各季气温变化趋势。图2为北京市四季的平均气温变化情况，可以看出，北京市的四季平均气温均呈现明显上升趋势，春季平均气温上升趋势最为明显。趋势线斜率为春季(0.0509)大于冬季(0.0458)大于秋季(0.0339)大于夏季(0.0315)。近几年不论是年平均气温还是四季的平均气温均高于其平均值。夏季秋季气温变化较为平缓，春季冬季波动较大。

3.2 运用主成分分析法对城市化水平进行综合评价

城市化是现代化的重要标志，它是一个多维概念，本文采用定量分析的方式来研究北京城市化水平，选取了三类指标，即从三个角度对城市化水平进行分析：常住人口(x1)、城镇居民人均住房建筑面积(x2)，这两个指标反映该城市的规模情况；地区生产总值(x3)、第三产业生产总值(x4)、规模以上工业总产值(x5)、货物进出口总值(x6)，这四个指标反映该城市的经济发展情况；城镇居民人均可支配收入(x7)、城市用电量(x8)、城市有效供水量(x9)、城市绿化覆盖率(x10)、每千户籍人口医院床位数(x11)、城镇居民家庭恩格尔系数(x12)，这六个指标反映该城市的居民生活情况。

图2 北京市四季的平均气温变化情况

将数据标准化处理后保存为变量直接用于主成分分析，在进行主成分分析前还需要进行变量相关性检验，本文选用KMO(Kaiser-Meyer-Olkin)和巴特利特检验，确保变量之间相关系数高，适合使用主成分分析法。使用SPSS软件进行相关性检验，KMO值取样适切性量为0.871，位于0.8～0.9之间且巴特利特球形检验的结果小于0.05，说明原始变量之间存在相关性，可以运用主成分分析法进行降维处理。

本文使用spss软件进行主成分分析，主成分分析的结果如图3所示，第一列为12个成分；第二列为对应的特征值，表示所解释的方差的大小；第三列为对应的成分所包含的方差占总方差的百分比；第四列为累计的百分比。只有第一主成分的特征根超过1，其贡献率达93.328%，第一主因子Z1只与家庭恩格尔系数呈负相关，与其他都正相关。

输出提取的成分矩阵如图4所示，图中的数值为公因子与原始变量之间的相关系数，绝对值越大说明关系越密切。x2、x11一定程度上代表下垫面性质，x3、x4、x5、x7一定程度上代表经济发展水平，因此，影响北京市气温变化的主要因素是城市人口集聚、下垫面性质、经济发展水平以及居民用水用电。

图3 主成分分析结果

3.3 城市化进程与气温变化的关系

出于城市的发展需要，土地利用类型发生改变、人为热以及工业生产排出的污水和废气等使得城市“高温化”。19世纪初，英国气候学家路克·霍德华(Luke Howard)在《伦敦的气候》一书中首先提出了“热岛效应”的气候特征理念。

图4 主成分载荷情况

前文经过主成分分析获得多个成分，为简化计算选择影响大于0.95的9个成分因子，参照刘霞等[5]的方法利用对数函数关系构建城市化因子Fu(Urbanization factor)，数据选取相同的时间段(1985年至2017年)。图 5中平滑曲线表示城市化因子Fu，折线表示年平均情况，虚线为年平均气温趋势线。从图5可以看出，城市化进程在不断推进，近几年城市化因子Fu上升较为平缓，气温随着城市化进程的加速而逐年升高。利用SPSS软件对Fu与年平均气温、各季平均气温进行相关性分析，发现Fu分别与年平均气温、春季平均气温、夏季平均气温、秋季平均气温呈显著正相关，而对冬季平均气温的影响则不明显(表1)。但现实生活中冬季取暖等人为热因素会影响年平均最低气温，因此冬季相关性较低可能是样本数量太少或者所选人为热相关指标太少导致。

4 结语

我国正处于城市化发展的高峰期，1985～2018年北京市城市化综合发展水平逐年提高，近几年年均增长

图5 城市化水平与年平均气温的关系

表1 城市化进程与气温变化的相关关系

率较为平缓。北京市的年平均气温和各季平均气温均呈上升趋势，春季平均气温上升趋势最为明显，年平均气温增温率大于同期全国的年平均增长水平。城市化进程与城市气温变化存在显著正相关关系，说明经济发展的同时不能忽视环境保护。分析结果表明，城市化发展到一定阶段，人们环保意识不断增强，对于城市环境问题也会采取有效措施，城市环境会得到一定改善，使得城市气温上升变缓。