山东省细颗粒物浓度时空分异特征及因素分析

王映然 季民 李臻

摘  要：基于山东省城市空气质量浓度等有关数据，研究大气细颗粒物浓度的时空格局，并利用相关性分析自然和社会经济因素对其影响的时空非平稳性。结果表明：山东省PM2.5浓度分布总体表现东低西高的空间格局。2019—2020年污染日出现的频率分别为18.80%和14.89%。山东省PM2.5浓度呈明显的夏低冬高、春秋居中的季节变化，U形月度变化特征。Spearman秩相关方法表明，公路密度对PM2.5浓度有正向影响，而温度、降水、日照时数、人均GDP、科学技术支出对PM2.5浓度有负向影响。

关键词：细颗粒物PM2.5;时空分异;山东省;影响因素

中图分类号：X823;TP39               文献标识码：A文章编号：2096-4706（2021）22-0104-06

Abstract： Based on the relevant data of urban air quality concentration in Shandong Province， the temporal and spatial pattern of atmospheric fine particulate matter concentration is studied， the temporal and spatial non-stationary of the influence of natural and socio-economic factors is analyzed by correlation. The results show that： the overall distribution of PM2.5 concentration in Shandong Province shows the spatial pattern of low in east and high in west. The frequency of pollution days from 2019 to 2020 is 18.80% and 14.89%， respectively. PM2.5 concentration in Shandong Province shows significant seasonal changes， low in summer， high in winter， middle in spring and autumn， and the monthly change of U-shape. The Spearman rank correlation method shows that the highway density has a positive effect on PM2.5 concentration， while the temperature， precipitation， sunshine hours， per capita GDP， and scientific and technical expenditure have a negative effect on PM2.5 concentration.

Keywords： fine particulate matter PM2.5; temporal and spatial differentiation; Shandong Province; influencing factor

0  引  言

隨着中国经济的快速发展和城镇化的推进，以PM2.5（粒径小于等于2.5 μm的细颗粒物）为首要污染物的环境问题日益严重[1]。已有研究表明，PM2.5能够富集空气中的有机物、细菌、病毒等，进而改变大气的能见度[2]，同时，PM2.5能够长时间停留在空气中，主要经呼吸进入人体，还能随食物一同进入消化道，引起呼吸系统疾病，胃肠道疾病，心血管疾病等疾病[3-5]。2017年，颗粒物污染成为人体第八大致命风险，全球死亡人数为294万人[6]。PM2.5的分布呈现典型的区域性、复合型[7]，研究城市空气污染的时空分异特征有助于了解城市污染变迁，为制定大气环境保护措施提供参考，因此，科学揭示PM2.5浓度的时空分异特征对预测和治理PM2.5具有重要意义。

目前，与大气细颗粒物浓度时空异质性与驱动因素等环境相关研究取得了较快的进展，数据来源多基于离散的监测站点数据进行统计以及卫星数据反演气溶胶厚度（AOD）。遥感反演虽然能够揭示较大范围内的PM2.5浓度分布，但是对于沙漠、干旱等区域，反演结果不理想，此外，也不利于探究多年时空变化规律。针对PM2.5空间格局的研究主要通过其分布状态及空间效应提出环境应对政策，并常用空间自相关[8]、泰尔指数[9]、重心模型[10]、层次聚类分析[11]等模型方法来揭示区域差异性、空间分布与集聚规律。针对驱动因素的研究，通过组合指标法[12]、多元线性回归[13]、主成分分析[14]、地理探测器[15]、相关系数法[16]、空间计量模型[17]方法，探究自然因素（多为气象数据）和社会经济因素（统计年鉴、社会调查数据）对PM2.5分布的影响。PM2.5即包含固定污染源排放、机动车尾气以及建筑工地扬尘直接产生的一次性污染物，也有二氧化硫、氮氧化物等经过复杂的物理化学反应产生的二次污染物。许多学者对PM2.5形成原因进行分析，表明气象条件的变化直接影响PM2.5浓度的变化。综合来看，PM2.5的形成是自然和社会经济因素耦合的结果。

已有研究大多从全国范围[18]、京津冀地区[19]、长三角地区[20]、珠三角地区[21]和其他经济发达或人口稠密地区等空间尺度的研究，而对山东省的PM2.5污染情况研究较少。山东省是我国沿海经济大省，正处于工业化和城市化加速发展的重要阶段，城市汽车保有量提升，大量的工程建设产生大量扬尘，空气中的颗粒物含量增加，环境问题仍较为严峻。《2020年中国生态环境状况公报》显示，全国PM2.5浓度超二级排放限制的城市占比61.9%。山东省超四分之一的城市空气质量在全国地级市排名倒数二十位，环境空气质量相对较差。此外，山东省位于京津冀城市群和长三角城市群的中间地带，分析此区域的PM2.5时空分异特征，剖析PM2.5污染的驱动因素，对跨区域联合防治空气污染，降低外源性污染具有重要意义。鉴于此，基于2019—2020年PM2.5实时监测数据，采用空间分析方法对山东省PM2.5时空分异规律进行分析，采用相关性分析探讨PM2.5污染的驱动因素，以期为山东省城市大气改善提供科学依据。

1  数据与方法

1.1  数据来源

本文研究使用的山东省16个地级及以上城市的 PM2.5初始数据日均浓度来源于中国环境监测总站的历史数据，各地级市的PM2.5月均浓度、季均浓度和年均浓度根据相应的日均浓度计算得出，其中12、1—2月归为冬季，3—5月为春季，6—8月归为夏季，9—11月归为秋季。根据山东省实际发展情况，选取自然因素（温度、降水量、日照时长）和社会经济因素（第二产业占比、人口密度、公路密度、人均GDP、科学技术支出）8类因子分析，影响因子主要来源于2020年的《山东省统计年鉴》。

1.2  空间自相关分析

1.2.1  全局自相关分析

全局自相关分析工具用于分析各城市之间关于观测数据在空間上的相互依赖性，可分为集聚分布、离散分布和随机分布。全局莫兰指数（Global Moran’s I）的计算公式为：

式中：n表示城市总数，Xi和Xj是城市单元i和j的PM2.5浓度数据，Wij表示i和j之间的空间权重，Wij=1，表示两者临近，Wij=0，表示两者不相邻，为所有城市的PM2.5浓度均值。I的取值在[-1，1]之间，当I>0，说明城市PM2.5浓度为空间正相关，即PM2.5浓度在空间呈聚集分布，当I<0，说明城市PM2.5浓度为空间负相关，即PM2.5浓度在空间呈离散分布，I=0表示城市PM2.5浓度不存在空间关联性，即PM2.5浓度在空间呈随机分布。

Moran指数的结果需要经过P值和Z得分的检验。Z得分小于-1.96或大于1.96，且P值小于0.05，则数据置信度为95%;Z得分小于-2.58或大于2.58，且P值小于0.01，则数据置信度为99%。常以95%及以上的置信度来拒绝零假设。

1.2.2  局部自相关分析

局部自相关通常用于衡量某一空间单元对于单一输入要素在局部空间与邻近空间的相关程度，主要用局部莫兰指数（Local Moran’s I）来表示，计算公式为：

式中符号意义与（1）相同，根据结果可将局部自相关模型分为4种类型：H-H（高-高聚集）、H-L（高-低聚集）、L-H（低-高聚集）、L-L（低-低聚集）。

1.3  核密度

核密度估计是在概率论中估计未知的密度函数，并且是非参数检验方法之一。核密度估计方法不利用有关数据分布的先验知识，对数据分布不附加任何假定，是一种从数据样本本身出发研究数据分布特征的方法[22]。本文使用预处理获得的PM2.5季均值，利用核密度估计方法探究山东省 PM2.5数据的分布特点。借助Stata16软件对2019-2020年山东省PM2.5季均值进行核密度估计，分别绘制出不同年份季节核密度估计曲线，以此研究16个城市 PM2.5浓度的季节变化特征。

1.4  相关性分析

Spearman相关系数是衡量两个变量依赖性的非参数指标。Spearman秩相关适用于定序变量或者不符合正态分布假设的数据，可以不考虑两个变量的变化情况，适用范围更广[23]。

使用spss21对山东省PM2.5浓度等进行相关分析，讨论PM2.5与影响因子的相关性。相关性检验，首先看p值，如果p<0.05，说明存在相关。相关方向由相关系数的正负决定，如果相关系数为正，说明是正相关，如果为负，说明是负相关。相关程度的强弱由相关系数的绝对值大小决定，相关系数的绝对值0.7 ～ 1.0为强相关;0.4 ～ 0.7为中等程度相关;0.2 ～ 0.4为弱相关;0.0 ～ 0.2为极弱相关。

2  结果与分析

2.1  PM2.5空间维度演变特征

为分析PM2.5平均浓度的空间分布状况 ，统计了2019—2020年山东省各城市PM2.5年均浓度，如图1所示。2019年和2020年山东省PM2.5的整体年均浓度分别为51.99 μg/m3和46.13 μg/m3，年均值都超过了城市大气颗粒物二级浓度限值[24]，污染程度较重。将收集的各城市颗粒物日均浓度与《环境空气质量技术规定》（HJ633-2012）划定的污染等级中对应的颗粒物浓度范围进行比对，结果发现：在所监测的16个城市中，2019年PM2.5的污染日出现的平均频率为18.80%，最高频率出现在枣庄，达到24.65%，其次为菏泽（24.11%）和泰安（24.11%）。2020年PM2.5的污染日出现的平均频率为14.89%，最高频率在济宁，达到21.86%，其次为枣庄（20.49%）和菏泽（19.67%）。从污染日超标天数看，主要集中在山东省南部。

由图1可发现，山东省PM2.5年均浓度表现出显著的差异性，山东省西部内陆地区PM2.5浓度明显高于东部沿海城市，研究期间，山东省各市的PM2.5浓度显著缩小，达标区域从威海扩展至青岛，烟台。2019年，除威海外，其他城市都存在不同程度的超标现象。2020年，各城市PM2.5年均值都出现了不同程度的下降，都达到55 μg/m3以下，平均降幅为5.86 μg/m3。

2.2  空间自相关分析

研究利用Moran’s I指数对山东省各城市2019—2020年PM2.5浓度进行全局自相关分析，结果如表1所示。结果都通过了1%的显著性检验，这说明该空间模型发生随机事件的可能性非常小。且Z得分都大于2.58，表明两年均呈现显著的空间正相关关系，结合Moran’s I指数可知，山东省16个城市PM2.5浓度在空间上呈显著的集聚分布，存在明显的高值聚集区和低值聚集区。

为进一步研究山东省区域内PM2.5浓度的空间集聚值和异常值分布情况，利用空间统计分析工具将PM2.5浓度数据结合山东省各城市的空间地理信息（距离和毗邻信息）得出细颗粒物浓度集聚分布特征。结果如图2所示，2019年，济宁市和泰安市属于高值区，烟台市属于低值区，2020年，高值区面积不变，低值区向西扩至青岛。其他城市空间聚类关系上为不显著，无高低和低高异常区。

2.3  PM2.5时间维度演变特征

2019—2020年山东省PM2.5质量浓度年平均值为49.06 μg /m3，枣庄浓度最高到达（57.50μg/m3），最小值是威海（28.54 μg/m3）。在16个城市当中，仅有2个城市的年均值小于《环境空气质量标准》（GB3095—2012）二级限值（年均值为35 μg/m3），位于山东省的东部烟台和威海两地。由图3可知，山东省月均PM2.5浓度一年中大体呈现“U”型分布，质量浓度为24～97 μg/m3，其中1月达到PM2.5浓度最大值，之后逐渐下降，在8月到达低谷期，之后又逐渐上升，到12月又出现PM2.5浓度高值。研究由西到东选择菏泽市、潍坊市、威海市用于表征山东省PM2.5浓度变化特征。威海市各月均值低于其他城市，菏泽市与潍坊市在4—8月总体浓度接近，但是在1—3月和9—12月浓度较高且波动范围较大。造成PM2.5浓度较高主要是因为在此阶段温度较低，相对湿度升高，大气层结构较稳定，在加上此阶段处于采暖期，燃煤排放的污染物增加。

由图4可知，山东省2019—2020年的季节核密度曲线呈现出一致的规律，各年份曲线峰值所处季节从左往右依次都是夏季、秋季、春季、冬季，说明PM2.5浓度的变化具有非常鲜明的季节性特征，呈现出夏天<秋天<春天<冬天的特点。研究期间，四季最右侧的值均向左移动，春季、秋季曲线峰值变高且左移，变化区间减少，说明春季、秋季空气质量改善，夏季是四季中变化区间最少的，峰值对应的核密度值最高，冬季的变化区间最大，峰值对应的核密度值最低。

2.4  PM2.5空间分异的驱动因素分析

PM2.5时空差异显著，且Moran’s I表明不同地理单元间存在明显的空间关联特征。综合考量研究区状况，从人地关系地域系统耦合视角分析，社会与自然因素非均衡交互作用下导致了山东省PM2.5浓度的时空分异。因此，本文利用Spearman秩相关方法，从自然和社会经济两个方面探究山东省PM2.5污染空间分异的驱动因素，深入分析各影响因子与PM2.5浓度之间的相关性及影响程度的大小，表2为各个影响因子对PM2.5变化的影响程度。

从自然因素角度分析：PM2.5和温度、降水之间的相关系数值分别为-0.965、-0.811，并且呈现出0.01水平的显著性，PM2.5和日照时数之间的相关系数值分别为-0.587，并且呈现出0.05水平的显著性，因而说明PM2.5和温度、降水、日照时数之间都有着显著的负相关关系。从结果看，温度对PM2.5的变化影响最大，日照时数对PM2.5的变化影响最小。温度的高低会影响空气中悬浮粒子的布朗运动，温度不同，布朗运动能力不同，则空气中悬浮的粒子浓度不同[25]。气温降低时，近地面的悬浮粒子浓度高，高空中的浓度低;相反，高温时，近地面的浓度低，高空中浓度会升高，即气温上升使得PM2.5浓度减低。而降雨能够使颗粒物沉降，从而达到降低大气颗粒物浓度效果。表3所示，各个自然因子都具有明显的季节性特征，夏季高温多雨，因此有利于污染物的分散，PM2.5浓度在夏季就最低，冬季低温少雨，污染物扩散慢，PM2.5浓度就最高。

从社会因子分析：表中得知，PM2.5和公路密度之间的相关系数值为0.730，并且呈现出0.01水平的显著性，因而说明PM2.5和公路密度之间有着显著的正相关关系。公路密度大的地方，车流量相对而言也比较大，主要是因为车辆产生机动车尾气，机动车尾气含有的大量的细颗粒物。并且车辆在运行过程当中，车轮对尘土的反复碾压磨碎，使颗粒物越来越小并被卷入大气中，也加剧了PM2.5的污染。此外，第二产业占比和城市人口密度对PM2.5的浓度并不显著，表明山东省城市产业结构和人口密度对PM2.5的变化影响不大。PM2.5和人均GDP之间的相关系数值为-0.796，并且呈现出0.01水平的显著性，因而说明PM2.5和人均GDP之间有着显著的负相关关系。人均GDP通常是了解和把握一个地区的宏观经济运行状况的有效工具，反映了一个地区全部生产活动最终成果的指标。在经济发展的初期，经济的提升可能会导致导致环境的污染，但是随着产业结构的转型，创新水平的提高，对污染物排放的依赖降低。PM2.5和科学技术支出之间的相关系数值为-0.621，并且呈现出0.05水平的显著性，因而说明PM2.5和科学技术支出之间有着显著的负相关关系。科学技术支出能带来地区科技进步，进而提高地区污染治理水平，科技不成熟会导致工业企业粗放式发展，引发资源消耗带来的回弹效应[26]，进而导致颗粒物浓度增加。例如，枣庄市和菏泽市科学技术分别为37 196万元和17 844万元，空气质量就相对较差，青岛市和济南市科学技术支出分别为668 363万元和438 785万元，空氣质量就明显优于枣庄市和菏泽市。城市的经济发展状况和周围环境基本协调。

3  结  论

根据以上对2019—2020年山东省细颗粒浓度分布特征及成因分析，得出以下结论：

山东省细颗粒浓度大小存在差异。根据颗粒物年均浓度大小，可以发现山东省总体表现东低西高的空间格局，山东省西部内陆地区PM2.5浓度明显高于东部沿海城市。从时间分布上看，山东省月均PM2.5浓度一年中大体呈现“U”型分布，1月达到PM2.5浓度最大值，之后逐渐下降，在8月到达低谷期，之后又逐渐上升，到12月又出现PM2.5浓度高值。此外，季节性统计表明，PM2.5大小基本呈现夏天<秋天<春天<冬天的特点。

从空间分布上看，山东省大气细颗粒物高高聚集状况主要出现济宁市和泰安市两地，而低低聚集现象主要集中烟台市，研究期间，低低聚集面积扩大。

相关性分析表明，山东省细颗粒物浓度受到自然因素和社会经济因素的综合影响，其中公路密度对PM2.5浓度有正向影响，而温度、降水、日照时数、人均GDP、科学技术支出对PM2.5浓度有显著负向影响，其中温度的变化影响最大，其次是降水。因此，要加快技术创新，推动工业化向高端升级，以解决山东省城市细颗粒污染。

参考文献：

[1] 许艳玲，薛文博，王燕丽，等.基于减排敏感性的武汉市PM（2.5）污染控制研究 [J].环境污染与防治，2018，40（8）：959-964.

[2] WANG J L，ZHANG Y H，SHAO M，et al. Quantitative relationship between visibility and mass concentration of PM2.5 in Beijing [J].环境科学学报（英文版），2006，18（3）：475-481.

[3] 吕广娜，李荣山.大气细颗粒物PM2.5对人体损害及致病机制的研究进展 [J].中国医药指南，2013，11（29）：43.

[4] ZHANG Q，ZHANG P W，GAI Y D. The Use of Protein-Protein Interactions for the Analysis of the Associations between PM2.5 and Some Diseases [J].Biomed Research International，2016：[2021-08-25].https：//d.wanfangdata.com.cn/periodical/jes-e200603011.

[5] LU Y，FATMI Z，MALASHOCK D，et al. Assessing the association between fine particulate matter （PM2.5） constituents and cardiovascular diseases in a mega-city of Pakistan [J].Environmental Pollution，2019，252：1412-1422.

[6] RUDD K E，JOHNSON S C，AGESA K M，et al. Global，regional，and national sepsis incidence and mortality，1990–2017：analysis for the Global Burden of Disease Study [J].The Lancet，2020，395（10219）：200-211.

[7] JI D，LI L，WANG Y，et al. The heaviest particulate air-pollution episodes occurred in northern China in January，2013：Insights gained from observation [J].Atmospheric Environment，2014，92：546-556.

[8] 郭向陽，穆学青，丁正山，等.长三角多维城市化对PM（2.5）浓度的非线性影响及驱动机制 [J].地理学报，2021，76（5）：1274-1293.

[9] 汪克亮，刘蕾，孟祥瑞，等.区域大气污染排放效率：变化趋势、地区差距与影响因素——基于长江经济带11省市的面板数据 [J].北京理工大学学报（社会科学版），2017，19（6）：38-48.

[10] 刘曰庆，孙希华，孙宇祥，等.1998～2016年中国大气PM（2.5）污染浓度空间格局演化——基于339个城市的实证研究 [J].长江流域资源与环境，2020，29（5）：1163-1173.

[11] 刘鹏华，姚尧，梁昊，等.耦合卡尔曼滤波和多层次聚类的中国PM（2.5）时空分布分析 [J].地球信息科学学报，2017，19（4）：475-485.

[12] 董佳丹，陈晓玲，蔡晓斌，等.基于中国大气环境监测站点的2015—2019年大气质量状况时空变化分析 [J].地球信息科学学报，2020，22（10）：1983-1995.

[13] 潘婷婷，朱家明，滕磊，等.蚌埠市PM2.5影响因素及分布演变规律计量分析 [J].上饶师范学院学报，2016，36（3）：17-24.

[14] 孙建如，钟韵.我国大城市PM（2.5）影响因素的经济分析——基于市级面板数据的实证研究 [J].生态经济，2015，31（3）：62-65+77.

[15] 姚荣鹏，张勃，王立兵，等.2015—2019年中东部地区PM（2.5）时空演变及其驱动力 [J].生态学杂志，2021，40（3）：813-824.

[16] 柏玲，姜磊，陈忠升.长江中游城市群PM（2.5）时空特征及影响因素研究 [J].长江流域资源与环境，2018，27（5）：960-968.

[17] 詹建益，黄观超，周华，等.华北地区颗粒物浓度时空分布特征及其因素 [J].自然资源学报，2021，36（4）：1036-1046.

[18] 时燕，刘瑞梅，罗毅，等.近20年来中国PM（2.5）污染演变的时空过程 [J].环境科学，2020，41（1）：1-13.

[19] 周磊，武建军，贾瑞静，等.京津冀PM（2.5）时空分布特征及其污染风险因素 [J].环境科学研究，2016，29（4）：483-493.

[20] 毛婉柳，徐建华，卢德彬，等.2015年长三角地区城市PM（2.5）时空格局及影响因素分析 [J].长江流域资源与环境，2017，26（2）：264-272.

[21] 蒋超，龚建周，孙家仁，等.2013—2016年珠三角地区PM（2.5）分布时空演变 [J].生态环境学报，2018，27（9）：1698-1705.

[22] 陈优良，邹文敏.2015—2019年长三角PM（2.5）时空变化特征及其影响因子分析 [J].安全与环境学报.

[23] HAUKE J，KOSSOWSKI T. Comparison of Values of Pearson’s and Spearman’s Correlation Coefficients on the Same Sets of Data [J].Quaestiones Geographicae，2011，30（2）：87-93.

[24] 中华人民共和国环境保护部科技标准司.环境空气质量指数（AQI）技术规定（试行） [S].北京：中国环境科学出版社，2016.

[25] 黄善斌.关于PM2.5与气象条件关系及其预报研究 [D].济南：齐鲁工业大学，2017.

[26] 王振波，方创琳，许光，等.2014年中国城市PM（2.5）浓度的时空变化规律 [J].地理学报，2015，70（11）：1720-1734.

作者简介：王映然（1998—），女，汉族，山东烟台人，硕士在读，主要研究方向：大气污染监测与评价;通讯作者：季民（1970—），男，汉族，山东齐河人，教授，博士，主要研究方向：地理信息系统设计与开发。