基于Ward系统聚类的京津冀城市群空气质量时空变化特征与成因分析

么相姝 ，赵文吉，杨振宇，曹泽军，汪东川

1. 首都师范大学，北京 100048；2. 天津城建大学，天津 300384

伴随我国经济发展、快速城市化进程和能源消耗的激增，空气污染已经成为我国面临的主要环境问题之一。京津冀地区作为我国北方经济的重要核心区，也是全国大气污染突出、灰霾污染严重的区域（李小飞等，2012）。雾霾的成因、污染的特征及空气污染的区域合作治理是近年来研究的热点问题（缪育聪等，2015；魏娜等，2016）。

国内外学者在空气质量时空变化规律和影响因素领域进行了大量有益探索。研究尺度上，包括北京、石家庄等城市单元（熊秋林等，2016；王浩等，2016），也包括长江三角洲、京津冀地区等区域单元（佘倩楠，2019；杨兴川等，2017）。研究方法上，集中在数理统计，立体观测和遥感反演，空气预测模型等方法（丁镭等，2016；何全军，2019；Vlado Spiridonov et al.，2019）。现有的研究对京津冀城市群空气环境改善提供重要参考。但目前的研究，集中于区域整体空气质量的变化，从污染物内部分异的视角，分区探索空气污染特征、变化规律及影响因素的文献较少。本文利用 2014—2018年空气质量实时监测数据，根据空气污染物的浓度特征和变化规律，运用系统聚类方法将区域划分为四类典型污染区域，并利用空间分析方法研究空气质量时空变化特征和主要影响因素。其目的在于探索不同分区内空气污染特征和区间关联效应，为精准制定污染治理策略提供参考。

1 数据来源

空气质量监测数据来源于全国城市空气质量实时发布平台（http://106.37.208.233:20035），研究时段为2014年1月1日—2018年12月31日，因记录过程中有7 d数据缺失，实际使用1819 d监测数据，O3日浓度值从2014年5月—2018年12月31日。京津冀城市群在全国城市空气质量实时发布平台上发布的监测站点共 80个，由于部分监测点位启用时间较晚，前期数据缺失较多，不符合统计有效性要求而被剔除，实际使用监测站点76个。社会经济数据来自2018年《北京统计年鉴》、《天津统计年鉴》与《河北省经济年鉴》。行政区划数据来源于1∶400万中国基础地理信息数据库。气象数据来源于中国气象数据网（http://data.cma.cn/）发布的日值数据。京津冀地区地处温带，季节划分按照气候统计法，冬季为上年12月—2月，春季为3—5月，夏季为6—8月，秋季为9—11月。

AQI等级评价标准按《环境空气质量指数(AQI) 技术规定》（HJ 663—2012）执行。污染物浓度限值按《环境空气质量标准》（GB 3095—2012）执行。环境空气质量评价按照《环境空气质量评价技术规范 (试行)》（HJ 663—2013）执行。

2 研究方法

2.1 聚类分析

聚类分析方法常用于解决不同地区污染物的分类问题，被分成一类的地点常常具有相似的污染情况。Ward系统聚类法又称离差平方和法，是目前比较成熟的聚类方法，适用于多因素、多指标的分类和特征识别（张文彤，2011），其能依据研究对象多方面的特征进行综合分类，可突出类型区内的同质性和区外的差异性，以体现研究对象之间的综合差异。该方法基于方差分析思想，以欧式距离作为标准，先将集合中每个样本自成一类；在进行类别合并时，计算类重心间方差，将离差平方和增加的幅度最小的2类首先合并，再依次将所有类别逐级合并。

假定已经将n个样本分成了k类G1,G2,…,Gk，用Xit表示Gt中的第i个样本的变量指标值向量，nt表示类Gt中样本的个数，Xt表示类Gt的重心，则Gt中样本的离差平方和公式为St：

全部类内部离差平方和公式为S：

2.2 空间插值

采用GIS空间插值法对76个监测站点的AQI进行插值得到覆盖京津冀地区的连续栅格数据。研究采用交叉验证法对不同插值方法进行对比，随机选用60个监测站点进行插值，用剩余16个站点验证，采用平均误差（ME）、平均相对误差（MRE）和均方根误差（RMSE）来评估插值方法的优劣。验证结果表明，普通克里金法的ME、MRE和RMSE值最小，并以指数插值得出的结果综合最优（表1）。因此，本文选用普通克里金法中的指数函数作为插值方法。

表1 空间插值方法比较验证Table 1 Comparison of interpolation methods

2.3 空间自相关

空间自相关分析主要用来分析空间数据的统计分布规律，其分析结果依赖于数据的空间分布而有别于传统的计量统计学。该分析方法是通过空间自相关指数Moran’sI来实现。本文运用Moran’sI指数对AQI的聚合特征进行空间自相关分析，其表达式如下：

式中，Xi和Xj分别表示监测点i和监测点j的指数，wi,j空间权重函数，n为样本数。

2.4 空间回归分析

空间回归分析是在传统回归分析的基础上考虑了空间事物的自相关性，通过空间关系把属性数据与空间关系结合起来，以更好地解释地理事物的空间关系（张新峰，2009）。当空气质量影响因素的所有回归参数不受空间位置的影响，保持固定不变，使用最小二乘法（OLS）回归模型，计算公式为：

式中，Yi为因变量，xn为自变量，β0为回归常数，βn为回归系数，ε为残差。

地理加权回归（GWR）模型中的参数是表示区域地理位置的函数，是对线性回归模型的改进，其主要优势为能够将空间权重矩阵运用在线性回归模型之中，并很好地展现了结果的空间结构分异，其计算公式为：

式中，Yi为因变量，(ui,vi)为地理坐标，β0(ui,vi)为回归常数，βj(ui,vi)为第i个地点的第j个回归系数，εi为残差。

3 结果与讨论

3.1 空气质量时间变化特征

2014—2018年京津冀城市群空气质量整体呈改善趋势（表2），AQI由2014年的 (127±35) 下降至 2018 年的 (102±15)。SO2、PM2.5、PM10与 CO年均浓度均有明显下降（0.86＜R2＜0.95），下降比例分别为61.54%，35.48%，31.01%与37.14%。O3浓度明显升高（R2=0.91），由 (162±60) μg·m-3上升至(199±59) μg·m-3，上升幅度 22.84%，O3污染问题逐步凸显，显示其来源的特殊性。尽管改善趋势明显，但PM2.5、PM10与NO2的年均浓度一直处于超标状态。由此可知，目前PM2.5、PM10、NO2与O3是京津冀城市群最主要污染物。

表2 2014—2018年京津冀城市群AQI、SO2、NO2、PM2.5、PM10、O3和CO的质量浓度变化Table2 Concentrations variation of AQI, SO2, NO2, PM2.5, PM10, O3 and CO in Jing-Jin-Ji urban agglomeration from 2014 to 2018

在ArcGIS中分别以2018年PM2.5、PM10、NO2与O3的浓度指标作为分类字段X1，X2，X3，X4进行系统聚类。在确定各项污染物分类标准的基础上，以X1，X2，X3，X4作为分区因子，对各因子进行Z-Sore标准化后，利用SPSS 19.0软件中的Ward系统聚类方法，按照欧式距离度量标准进行聚类分区。将分类结果进行 ArcGIS可视化处理，并以2014—2017年的分区结果进行验证，得到综合分区图（图1）。

图1 京津冀城市群主要污染物综合分区图Fig. 1 Regionailzation of main pollutants in Jing-Jin-Ji urban agglomeration

第Ⅰ类：“低-低-低-低”。该类分区因子的平均指数为-1.52，-1.08，-1.20 与-0.90，PM2.5、PM10、NO2与O3的浓度均值最低，空气质量最优。包括张家口、承德与秦皇岛三个城市，分布在京津冀北部，占区域总面积的42.17%。第Ⅱ类：“中低-中低-高-中低”。该类分区因子的平均指数为-0.07，-0.37，0.58与-0.32，PM2.5、PM10与 O3的浓度值较低，NO2浓度同比最高。包括北京、天津、廊坊与唐山4个城市，分布在区域中东部，占总面积的15.71%。第Ⅲ类：“中高-中高-中低-高”。该类分区因子的平均指数为0.49，0.13，-0.11与1.04，O3浓度指数在所有分区中最高。包括保定、沧州与衡水3个城市，分布在区域中南部，占总面积的22.73%。第Ⅳ类：“高-高-中高-中高”。该类分区因子的平均指数为1.12，1.44，0.53与0.28，PM2.5与PM10的浓度值最高。包括石家庄、邢台与邯郸3个城市，分布在区域南部，占总面积的19.38%。区间城市的地理点具有空间上的连续性，区内城市则具有空间上的聚集性。

图2显示了 2014—2018年 5年间四类分区PM2.5、PM10、NO2、O3、SO2、CO 浓度与 AQI月均值的变化趋势。四类分区5年间PM2.5年均浓度均高于 GB 3095—2012二级年标准限值（35 μg·m-3）。第Ⅰ类分区 PM2.5月均值基本稳定在50μg·m-3以下。第Ⅱ、Ⅲ、Ⅳ类分区季节波动明显，11月开始快速增加，12月至次年2月出现峰值，6—7月维持在较低水平。季节波动呈冬季＞秋季＞春季＞夏季的规律。2018年冬季峰值降至 140 μg·m-3以下。PM10波动趋势与PM2.5基本一致，春季浓度高于夏秋季。四类分区PM2.5与PM10浓度的标准差5年分别下降为46.71%和39.46%，区间颗粒物浓度差异显著减小。

图2 2014—2018年四类分区污染物逐月时间变化Fig. 2 Pollutants monthly variation of four classes from2014 to 2018

第Ⅰ—Ⅳ类分区 5年间 NO2平均浓度分别为37、53、45、49 μg·m-3。第Ⅱ类分区 NO2的平均浓度与峰值同比最高，与该区 NOx的高强度排放有关。O3的波动方式与其他污染物不同，四季变化呈夏季＞春季＞秋季＞冬季的特点，峰值出现在6月或7月，短暂下降后，8月或9月出现小高峰，两个峰值之间的分叉低值可能与雨季影响有关。四类分区5年间 SO2年均浓度下降幅度分别为 64.98%，61.73%，58.67%与60.97%，类间SO2浓度差异显著减小，脱硫控煤效果显著。第Ⅰ、Ⅱ类分区，呈冬春两季双峰波动，2月左右出现的低值可能与春节期间经济活动强度降低有关；第Ⅲ、Ⅳ类分区2018年冬季峰值减至 35 μg·m-3与 48 μg·m-3。所有城市CO浓度波动规律基本一致。峰值均出现在12月，其中以2015—2017年3年峰值最高，组间差异最大，分别达到 2.08 mg·m-3（Sd：0.79），3.7 mg·m-3（Sd：1.36）与 3.98 mg·m-3（Sd：0.95），与采暖排放和不利扩散条件有关。

AQI月变化曲线总体呈“秋冬高，春夏低”的U型特点。2017年秋季和2018年秋冬季节均未现明显峰值，由PM2.5和PM10浓度的下降引起。受臭氧污染影响，夏季AQI明显上升。第Ⅰ类城市AQI变化稳定，AQI夏季平均（76.5）稍高于冬季（75.6），主要由臭氧浓度明显升高有关。四类分区的AQI标准差5年共下降37.15%，类间差异逐渐缩小。

图3显示了2016—2018年四类分区首要污染物平均天数的逐月构成比例。2016—2018年以PM2.5、PM10、O3与 NO2为首要污染物的天数占比分别为34.09%、25.41%、33.03%和8.76%。O3污染主要发生在5—9月，PM2.5、PM10与NO2污染主要发生在10月至次年4月，颗粒物污染与O3污染呈“此消彼长”特征。四类分区全年平均污染天数占比 78.21%，86.88%，93.51%与94.23%。第Ⅰ类城市5—9月O3污染占比79.2%，同比其他类型（68.46%，70.12%，60.19%）最高，10月至次年4月PM10污染（60.53%）天数最多。第Ⅱ、Ⅲ、Ⅳ类城市10月至次年4月PM2.5污染（52.48%，60.40%，57.54%）发生频率最高。四类城市PM2.5/PM10污染天数的比值，最低值均出现在春季（0.27，0.93，0.76，0.57），第Ⅰ、Ⅲ、Ⅳ类城市最大比值出现在冬季（0.51，3.99，3.33），第Ⅱ类城市秋季最大（3.58）。PM10作为在环境空气中长期漂浮的0.1—100.0 μm的悬浮颗粒，其质量浓度与风沙天气有密切关系（程雪雁等，2019），因此京津冀城市群PM10的峰值浓度出现在春季。

3.2 AQI空间聚集及变化特征

计算京津冀城市群 2014—2018年 AQI全局Moran’sI（表3）。结果显示，全局 Moran’sI均大于 0.5（P＜0.01，Z＞1.96），说明京津冀地区 AQI具有显著的正向空间自相关，空间分布高-高聚集或低-低聚集的空间相关性明显，这与本文聚类分析结果保持一致。从季节看，除2016年外，冬季Moran’sI为全年最高（0.709—0.877），冬季AQI空间聚集效应最强，春夏季的Moran’sI相对较低，各类别城市AQI差异减小，与本文AQI标准差分析结果一致。

图3 2016—2018年首要污染物逐月平均天数构成比例Fig. 3 Monthly proportion of primary pollutant of four classes from 2016 to 2018

表3 2014—2018年京津冀城市群AQI全局Moran’s ITable 3 Moran’s I of AQI in Jing-Jin-Ji urban agglomeration from 2014 to 2018

利用76个空气监测站点2014—2018年的AQI数据进行空间插值分析（图4）。结果显示，2014—2018年京津冀地区AQI冷点与热点分布基本一致，AQI值自东北向西南逐渐递增。AQI高值区分布在第Ⅲ类和第Ⅳ类城市区域，包括保定、衡水、石家庄、邢台与邯郸一线，至2018年冬季，热点范围缩小至保定西部、石家庄、邢台和邯郸中部，极大值降至130—145之间，区域空气质量显著改善。第Ⅰ类城市的张家口、承德与秦皇岛空气质量保持优良，年际变化稳定。从季节演变特征看，第Ⅱ、Ⅲ和Ⅳ类城市作为AQI高值分布区，季节差异显著。冬季AQI值在145以上，第Ⅳ类重点地区高于200，春夏秋季污染范围收缩至区域西南部边缘。第Ⅰ类城市，春夏季AQI高于秋冬季，与张家口和承德的臭氧污染有关。整个区域春夏季AQI的差异表现为东西向，秋冬季则表现为南北向。

图4 2014—2018年京津冀城市群AQI时空变化Fig. 4 Spatial-temporal variation of AQI in Jing-Jin-Ji urban agglomeration from 2014 to 2018

3.3 空气质量时空变化的成因分析

3.3.1 排放因素

污染源排放是影响空气质量的重要原因之一（陶士康等，2019）。为了改善京津冀城市群的空气质量，国家相关部门先后颁发了《京津冀及周边地区重点行业大气污染限期治理方案》（2014）、《京津冀及周边地区 2017—2018年秋冬季大气污染综合治理攻坚行动方案》（2017）与《京津冀及周边地区 2018—2019年秋冬季大气污染综合治理攻坚行动方案》（2018）等治理空气污染的重要举措，旨在从加快重点行业的升级改造，加强环保监管、管控污染源排放等方面消减污染物排放。

从京津冀地区 PM2.5来源解析研究成果看，二次颗粒物与移动源是地区细颗粒物的最主要来源（李珊珊等，2015；王彤等，2019）。通过京津冀PM2.5高分辨率排放清单发现，第Ⅱ、Ⅲ、Ⅳ类城市是细颗粒物PM2.5排放高强度区域。扬尘、煤炭消耗与钢铁工业对区域PM10贡献大，通过重点耗煤行业排放清单（崔立明等，2018）发现，石家庄、邯郸、唐山、秦皇岛、天津等地是PM10重点排放区域。除了污染物的本地排放，污染物的跨区域传输对地区的空气质量产生重要影响。邢台、邯郸、衡水、沧州、秦皇岛、廊坊、北京和天津的月均PM2.5大约有50%来自区域传输。山东、山西和河南对河北南部城市（邯郸、邢台、衡水和沧州）的贡献率最大；内蒙古在冬季和春季对京津冀北部城市贡献率较大（刘旭艳，2015）。因此京津冀城市群除通过升级产业结构，淘汰落后产能推动转型升级，倡导绿色生活方式等途径，努力减少污染物排放外，还要重视“京津冀大气污染传输通道”大气污染的防治工作。

从中国统计年鉴（国家统计局，2015—2018）中得到的京津冀及周边省份废气中主要污染物排放量来看（表4），污染物排放量逐年减少。除山东外，其它省市SO2排放量在2016年降幅最大。8个省市2016年NOx排放量均达最大降幅，但在2017年北京NOx排放量上升4.84万吨，对比2018年与2017年中国统计年鉴主要城市废气中主要污染物排放情况发现，增量主要来自生活NOx的排放。烟（粉）尘排放量从2015年开始出现明显下降，2014—2017年，河南、山西与北京烟（粉）尘排放量降幅最大（74.67%，71.21%，64.46%），山西与河北的减排总量最大（107.30万吨，99.40万吨）。由此可知，京津冀城市群空气质量的改善，山西、河南等周边省份的减排也起了关键作用。能源消费结构对空气质量产生明显影响，煤炭、石油等的消费对CO2与SO2的年排放量影响显著（刘静煜，2018）。京津冀城市群的煤炭消费量从 2013年的 3.9亿吨下降到2017年的2.9亿吨，降幅为25.6%。同时，京津冀城市群冬季集体供暖率进一步增高，在煤炭消费量减少的基础上，增大能源消费的使用效率，对秋冬季节空气质量改善均有所贡献。

表4 2014—2017年京津冀地区及周边省份废气中主要污染物排放量Table 4 Amount of main pollutants in exhaust gas in Beijing-Tianjin-Hebei region from 2014 to 2017

京津冀城市群臭氧浓度升高的90.4%由大气污染物排放变化造成，可拆分为 PM2.5浓度的下降（27.3%）和臭氧前体物排放变化（63.1%），PM2.5下降是北京、天津、衡水等地O3升高的最关键因素（余益军等，2019）。第Ⅱ、Ⅲ、Ⅳ类城市的颗粒物下降对 O3浓度升高贡献较大，颗粒物通过辐射强迫作用影响气温，并通过散射和吸收作用影响辐射传输从而影响气态成分的光解过程，从而影响O3生成和消耗（李浩等，2015）。同时，京津冀城市群位于东亚夏季O3高值带上，该带状区域O3污染表现为6月最高（朱彬，2012），这也与本文的研究结果相吻合。VOCs是空气中O3光化学反应的重要参与物质，也是造成夏季O3升高的前体排放物，主要来自工业排放、汽车尾气和生活排放等。VOCs中的烯烃是大气化学反应活性最强的优势物种（Carter，1994；王玫等，2019），也是夏季京津冀城市OFP（O3生成潜势）的主要贡献者（张新民等，2012）。意味着京津冀城市群除机动车限行限购等政策外，需要进一步减少前体物排放，以抵消颗粒物降低导致臭氧增加的反作用。针对 O3前体物VOCs排放的综合治理专项行动内容出现在2018年的《京津冀及周边地区 2018—2019年秋冬季大气污染综合治理攻坚行动方案》中，O3污染治理的效果有待进一步观察。

3.3.2 气象因素

从气象因素来看，降水在任何季节都对空气中的颗粒物质具有冲刷作用，能够改善空气质量（韩燕等，2013）。通过分析降雨对AQI的影响发现，华北地区日降水量在0—10 mm时，降水对颗粒物有一定的冲刷作用但不明显，当降水量达到10 mm以上，对空气的净化作用较明显（许文轩等，2017）。2018年，北京、天津与石家庄日降水量达到10 mm以上的天数分别为18、19、11 d，且集中在颗粒物浓度较小的 6—8月，可见降水改善京津冀城市群空气质量的效果不显著。

风是影响污染物稀释扩散的重要因子，风速是造成快速水平输送或平流的主要原因（李宗恺等，1985）。研究利用2017年全年气象数据，对13个城市的逐日风速与AQI进行相关性分析发现，相关系数介于-0.120与-0.274之间（P=0.0488），冬季最高（-0.176— -0.322），风速与区域AQI呈较显著负相关，但不同类别城市间差异不显著（P=0.2133）。京津冀北部为东西走向燕山山脉，西部为南北走向太行山脉，地区人口与工业集中于平原地区，受地形阻挡导致颗粒物在太行山东侧及燕山南侧聚集形成污染带。同时，冬季风与“背风坡”地形造成地区的弱风区特征，不易于污染物稀释与扩散，冬季受亚洲高压影响，逆温天气多发，高排放条件下，秋冬季是颗粒物污染的高发季节（刘海猛等，2018）。

空气质量最优的张家口、承德与秦皇岛，3个城市PM2.5浓度差异不大，但张家口与承德5—9月O3浓度显著升高，与秦皇岛O3水平差异较明显（表5），说明PM2.5浓度的变化不是第Ⅰ类城市夏季O3浓度高的主要原因。近地面 O3的质量浓度与太阳紫外线辐射量呈明显正相关（陈世俭等，2005）。张家口与承德主要为高原与山区地貌，平均海拔高，太阳辐射强辐射强，对O3的生成有促进作用。从气象数据看（表6），张家口、承德与秦皇岛夏季相对湿度有所差异。相对湿度与O3污染呈“倒U型”关系，当相对湿度大于70%时，O3浓度逐渐下降（许文轩等，2017），张家口与承德夏季相对湿度接近 70%，更有利于 O3的生成。受夏季东南季风影响，区域产生的 O3前体物向西北地区迁移的过程中，受地形阻挡影响范围局限在西北部的高原与山区。研究结果未经空气质量模型模拟验证，后期可做进一步研究。

表5 2014—2018年张家口、承德与秦皇岛O3与PM2.5平均浓度（5—9月）Table 5 Average concentration of O3 and PM2.5 in Zhangjiakou, Chengde and Qinhuangdao from 2014 to 2018 (May-Feb.)

表6 2017年张家口、承德和秦皇岛气象数据对比Table 6 Meteorological data comparison of Zhangjiakou, Chengde and Qinhuangdao in 2017

3.3.3 微观视角下的社会经济影响因素

污染物排放、区域传输、气象地形等因素共同影响京津冀城市群的空气质量变化。人口密度、地区GDP、第二产业产值比重、民用汽车拥有量，森林覆盖率等社会经济指标均对空气质量产生重要影响（蔺雪芹等，2016；程钰等，2019）。目前对京津冀城市群的空气质量影响因素的研究大多以城市为单位，这不足以精准考察社会经济因素的微观影响。因此，本文选择2017年京津冀162个市县的地区GDP，人口密度，第二产业比重与汽车拥有量4个指标，运用地理加权回归分析社会经济因素与最主要污染物浓度（PM2.5与O3）之间的关系。

首先，对所有变量进行空间自相关分析发现，地区 GDP与人口密度两个指标未通过显著性检验（P＜0.05，Z＞1.96），选择第二产业比重与汽车拥有量参与回归模型的计算。其次，通过比较 OLS与GWR两种模型的AICc、adjustedR2和Moran'sI值发现，GWR模型比OLS模型具有更高的解释率，残差空间自相关性更低（表7）。GWR模型能改善OLS模型残差空间依赖性问题，具有更好的拟合效果，因此选用GWR模型参与回归计算。

表7 OLS与GWS模型性能比较Table 7 Comparison of OLS and GWS

京津冀城市群第二产业比重与汽车拥有量对PM2.5与O3的影响系数呈现空间差异（图5）。第二产业比重对PM2.5的正影响集中在秦皇岛、唐山、北京、廊坊、天津与保定，该地区钢铁、石油、重化工等产业密集，工业烟粉尘排放量大，升级产业结构，淘汰落后产能可有效降低PM2.5浓度；第Ⅳ类分区西南部的PM2.5污染与第二产业比重相关性不大。第二产业比重对O3的正影响范围缩小至北京、廊坊、天津、秦皇岛东部及张家口东北部地区，PM2.5排放浓度的逐年下降引起该地区O3明显上升。承德、秦皇岛、张家口西部、北京密云区、天津蓟州区和宁河区等地的汽车拥有量对PM2.5的影响较大。北京、廊坊、天津西部、张家口等地的汽车拥有量对与O3污染的贡献很小，其原因有待进一步识别。

图5 GWR模型的回归系数Fig. 5 Regression coefficient of GWR Model

4 结论

（1）2014—2018年京津冀城市群空气质量明显改善。SO2、PM2.5、PM10与CO 4种污染物年均浓度均有明显下降，O3浓度显著升高，上升幅度23%。5年间PM2.5、PM10与NO2的年均浓度一直处于超标状态，PM2.5、PM10与NO2与O3是区域最主要污染物。

（2）以PM2.5、PM10、NO2与O3四项污染物浓度指标为分类字段，将京津冀城市群按空气质量分为4个区域。分别为“低-低-低-低”（Ⅰ类），“中低-中低-高-中低”（Ⅱ类），“中高-中高-中低-高”（Ⅲ类）与“高-高-中高-中高”（Ⅳ类）。区内城市的地理点具有空间上的连续性与集聚性，第Ⅰ—Ⅳ类分区空气质量从北至南依次递减。

（3）2014—2018年京津冀城市群 AQI月变化呈“秋冬高，春夏低”的U型特点，自2017年秋季后，未出现明显峰值，四类分区的AQI标准差逐年减小。第Ⅰ类分区，PM2.5月均浓度水平稳定在50 μg·m-3以下，但夏季 O3污染突出。第Ⅱ类分区城市，NO2浓度与峰值同比最高，与该区NOx的高排放有关。第Ⅲ、Ⅳ类分区城市，PM2.5与PM10污染突出，2017年秋季与2018年冬季未出现明显峰值。5—9月是O3为首要污染物的高发时间，10月至次年4月PM2.5、PM10与NO2污染比例升高，颗粒物污染与O3污染呈“此消彼长”的特点。

（4）从空间分布看，第Ⅰ—Ⅳ类分区的AQI年均值逐渐增高。“热点”始终保持在保定西部-石家庄-邢台-邯郸一带，2017年秋季与 2018年秋冬季热点地区的AQI下降显著。整个区域春夏季AQI的差异表现为东西向，秋冬季则表现为南北向。区域AQI的分布格局，春季由 PM10浓度决定，秋冬季节由PM2.5浓度决定，夏季则由O3浓度决定。

（5）从影响因素看，政策作用对污染物减排影响明显，京津冀及周边省份SO2，NOx与烟（粉）尘的排放量逐渐下降，2016年与2017年降幅达到最大，也是整个地区空气质量改善的根本原因。第Ⅰ类城市中的张家口与承德，太阳辐射、空气湿度、季风等气象因子是夏季臭氧污染的关键因子。第Ⅱ、Ⅲ、Ⅳ类城市污染物排放和区域传输是影响空气质量的主因，风速，降雨等气象因子具有局部调节作用。社会经济因素中，第二产业比重对PM2.5和O3的影响以北京-廊坊-天津为核心由内而外逐渐减小，汽车拥有量的影响则逆向增加。