陕西省大气污染动态演变规律及空间分布

王慧丽， 毛 静， 李 莹

(西安财经大学统计学院，西安 710100)

2020年是全面建成小康社会的收官之年，也是打赢污染防治攻坚战的决胜年。随着中国城市化进程的加快，能源消耗与日俱增，大气污染愈演愈烈。近年来，污染的环境、受损的生态日益成为全面建成小康社会的短板问题。然而大气污染物在空间上的区域性扩散并不遵循地理行政边界,各相邻城市之间的空气污染相互影响越来越显著，分析大气污染的区间动态演变规律，有助于了解大气污染物的区域扩散特征，为区域联防联控机制的制定提供重要参考。因此，研究大气污染的动态演变规律对于环境的协调治理有着重要的理论意义和现实意义。

不少学者对大气环境进行相关研究，主要集中于大气污染物的时空变化规律、空间相关性分析等方面。Fu等[1]基于中国2018年期间空气污染物浓度的时间变化发现PM2.5、PM10、SO2和CO浓度相比较2015年显著减少；Núez-Alonso等[2]通过统计工具发现马德里省中部、南部和东部的NO2含量超过年限浓度；徐冰烨等[3]对浙江省十年来城市环境空气质量研究发现县级以上城市总体环境空气质量正在改善。基于西安监测站点日均PM2.5浓度，刘随心等[4]发现PM2.5浓度呈现出“冬高夏低，春秋过渡”的特点；同样学者徐梦辰[5]对济南市的空气污染特征分析发现冬季大气污染最为严重,夏秋两季空气环境质量较好;此外，王云霞[6]具体分析了石家庄市采暖期的空气污染特征，发现采暖期内所有天数均为非一级天，且首要污染物为PM2.5的天数最多;可见，在时间维度变化规律方面，主要通过污染物的年、月、日浓度变化分析其变化趋势，探讨污染物浓度的时间变化规律。

在空间相关性分析方面，大部分学者借助全局莫兰指数和局部莫兰指数分析某一地区污染物的空间相关性，以了解该地区的污染物浓度聚集情况。Wang等[7]通过全球空间相关指数和局部莫兰指数散点图发现北京-天津-河北及周边城市的能源消耗和空气污染呈现空间自相关。Huang等[8]认为大气环境污染随着距离的增大而逐渐削弱；白永亮等[9]则利用空间统计学方法，研究工业污染空间聚集的不均衡性。张向敏等[10]则认为我国污染程度南北差异显著。

现有研究表明，大气污染的相关研究很大程度上是基于地理空间不相关的假设下进行的，也有对大气环境污染物存在空间自相关性的研究，但这些研究是将不同的区域看作一个整体单元，考虑不同单元之间以及单元内部的相关性，不管是局部相关还是全局相关的研究，都属于静态研究的范畴。然而，污染物的转移扩散并不受行政区域的限制，是一个动态变化的过程。为此在现有文献的基础上，研究大气污染的动态演变规律，并以陕西省为例，分析不同城市PM2.5浓度的地理空间聚集特征和空间自相关性，构建出空间马尔科夫链，根据PM2.5浓度的转移状态，揭示陕西省PM2.5的时空演变特征，为各市区大气污染的联防联控治理提供理论依据。

1 数据来源和分析方法

1.1 数据来源及分析

本文旨在对陕西省的大气污染展开研究，数据主要来源于空气质量网以及陕西省统计年鉴等，空气质量指标主要有AQI(air quality index)及PM2.5、PM10、CO、SO2、O3、NO2等。主要对陕西省不同城市2015年1月—2020年8月期间的空气质量数据进行统计描述，同时结合陕西省各市区地理位置以及陕西省社会经济活动等相关数据展开分析。

1.2 分析方法

空间统计分析考虑了不同空间位置样本值的差异，描述了数据的空间信息和变化过程，用来探索研究对象的空间关联性和区域差异性。大气污染作为空间统计学的研究热点，一直被各研究领域高度关注。利用空间统计学以及空间马尔科夫链的方法，对陕西省大气环境的空间分布，并探讨其动态演变规律。

1.2.1 Moran指数

采用Moran’sI来测度陕西省10个市区PM2.5污染区域的空间聚集程度，判断陕西省各市区的PM2.5浓度在同一个地理分布区间内是否存在隐藏的相互依赖关系。计算公式为

(1)

式(1)中：w=(wij)n×n为空间权重矩阵；n为陕西省市区数量；xi、xj分别为城市i和城市j的PM2.5的浓度；I为Moran指数，I的绝对值越大说明PM2.5浓度的空间相关程度就越大，并且I>0时呈现正相关，I<0时呈负相关，等于零时呈随机分布态势。

1.2.2 空间马尔科夫链

空间马尔科夫链是基于传统马尔科夫链引入空间滞后变量构建而来，将PM2.5浓度划分为N个类型，以起始年份的PM2.5类型为空间滞后条件，将原有的马尔科夫状态概率转移矩阵分解为N个概率转移矩阵，分析不同区域空间背景对类型转移的影响，揭示PM2.5浓度时空演变与区域背景之间的联系。

假设在随机过程{Xn，n=1,2,3，…}中，每个状态有有限个或可列个值{0,1,2,…}，并且对任意状态都有

P{Xn+1=j|Xn=i,Xn-1=in-1,…，X1=i1,X0=i0}=P{Xn+1=j|Xn=i}

(2)

式(2)中：Xn=i表示随机过程在时刻n处于状态i，P表示概率，因此，将来的状态只取决于当前状态，与过去无关。

传统的马尔科夫链模型是基于研究区域地理位置相互独立的假设下对PM2.5的转移路径展开分析，并没有考虑相邻区域的PM2.5浓度变化给研究对象带来的影响，因此为了衡量相邻区域相互影响的程度，在空间马尔科夫链模型中引入空间滞后算子公式为

(3)

式(3)中：Lag表示的是空间滞后算子；xi为区域i的状态情况；wij则代表的是空间滞后算子的权重。

2 污染物分布特征

2.1 陕西省空气质量变化趋势分析

对收集到的2015—2020年陕西省不同城市的AQI值和PM2.5浓度数据进行整理分析，得到空气质量的月均值时序图如图1所示。

由图1看出，AQI、PM2.5浓度值的波动具有明显的季节规律，夏季和秋季AQI较低，取值在50～100之间，PM2.5浓度均值在30～50 μg/m3之间波动；冬季到次年初春(即12—次年3月)，AQI和PM2.5浓度均值分别在80～180、50～190 μg/m3大幅度波动，尤其在冬季将达到一年之中的顶峰状态。同时，在陕西省10个市区中咸阳市的PM2.5浓度和AQI的值一直处于首位，尤其是2017年1月PM2.5月平均含量高达185.23 μg/m3，其次是西安市、渭南市，这三个城市的AQI、PM2.5浓度值一直领先于其他城市，而榆林市、商洛市、延安市这三个城市处于一个稳定的波动状态。

图1 2015.01—2020.08陕西省各个市AQI、PM2.5 浓度月均值时序图Fig.1 2015.01—2020.08 AQI, PM2.5 monthly average time series chart of each city in Shaanxi Province

与现有研究中其他城市的大气污染结果类似，陕西省不同城市的空气质量也呈现出冬季最高，初春次之，夏秋最好的季节变化规律。

2.2 陕西省大气污染的空间分布

在了解时间趋势的基础上，进一步分析各个污染因子的地理空间分布特征。由于不同年份大气污染时间变化规律类似，下面以2019年为例，借助ArcMap分析各污染因子(AQI、CO、SO2、PM2.5、PM10、NO2、O3)的空间分布状态，得到陕西省各市区污染物年平均指标分布如图2所示。

图2(a)表明，综合AQI指数在关中地区浓度最大，说明陕西省污染最为严重的是关中地区，陕南地区空气质量相比最好。

各污染因子除O3外在地理分布上浓度呈现出中-高-低的情况。图2(b)表明O3指数最高的地区是榆林市和铜川市，臭氧污染主要取决于VOCs和NOx的排放。榆林市重中型柴油货运车以及火电、化工企业较其他城市多，因此臭氧的排放量明显高于其他城市；此外，O3的主要来源是焦化过程中产生的有机化合物，而钢铁和焦化企业主要分布集中在陕西省的榆林和铜川地区，因此造成这些区域的O3浓度较高的局面。

图2(c)显示CO污染较为严重的地区主要分布在延安市和汉中市。这是由于延安和汉中作为大型炼钢、炼铁基地，在炼制过程中会向大气排放大量的CO，导致CO的排放量较高；同时冬季锅炉烧煤、烧炭进行采暖，也会排放CO，因此延安和汉中相比于其他城市CO排放量明显较高。

图2(d)显示SO2污染指数较高的地区集中在榆林，排放量高达15 μg/m3，污染最小地区为宝鸡和西安。电力生产和供应业是SO2排放较多的行业，榆林市的电力供应行业占全省较大比例且能源化工基地建设速度快，同时，榆林地区开设有硫酸制造厂，也会排放大量的SO2，致使该市SO2的排放量较比与其他城市严重。

图2(e)、图2(f)显示PM10和PM2.5的分布情况基本保持一致，高浓度地区主要集中在人口分布比较密集、城市发展较快的关中地区，尤其是西安、咸阳与渭南，而陕北陕南地区浓度均较低。首先，从自然条件来看，关中地区位于渭河沿线至秦岭北麓之间，在西北方向跨度较窄，向东南方向跨度逐渐增大，呈喇叭口形状，该地形使得关中地区的污染物只有在西北风时才能被吹散，而在东南风时不仅不利于该地区污染物的扩散，反而会将其他地区的污染物向该地区输入，加重污染状态。尤其近几年来，关中地区表现出风速明显减弱的趋势，风速过小不利于污染物扩散，导致污染物大量滞留在空中，加重了城市空气污染。其次，西安市目前常住人口高达1 000 余万，占陕西省总人口的四分之一多，机动车已经达到300 多万辆[11]。临近西安的咸阳、渭南也同样吸引大量外地人员，常住人口高达500 余万，机动车数量超过百万辆，汽车尾气排放和城市建设废气排放等使得大气颗粒物浓度达到一个高峰。汽车尾气同时也是NO2[图2(f)]超标的祸首，西安市机动车的数量急剧增加，NO2浓度也随之增高。

图2 2019年陕西省各污染因子空间分布Fig.2 Spatial distribution of pollution factors in Shaanxi Province in 2019

此外为了进一步探究陕西省各市区污染物指标的季节变化趋势，将陕西省全年划分为采暖期和非采暖期，借助ArcMap作图进行对比分析，如图3所示。

由图3可知，非采暖期的空气质量整体上比采暖期好。目前，陕西省采暖的方式还是主要依靠煤炭、天然气、重油等的燃烧提供暖气，即使集中供热可以通过安装高烟囱和烟气净化装置来减轻大气污染，但与非采暖期以及在冬季没有提供集中供热的地区相比，各污染物的指数呈现出明显差别。因此，将陕西省各市区2019年采暖期、非采暖期及其年平均CO排放量数据整合如图4所示。

图4 陕省2019年CO排放量Fig.4 CO emissions in Shaanxi Province in 2019

从图4可以看出，在采暖期，延安、渭南、汉中CO的排放量高达1.1 mg/m3，高出CO的年平均排放量，相比于非采暖期，CO排放量最高的汉中市也只有0.75 mg/m3，低于年平均排放量；采暖期SO2的排放量最高是榆林市达16.4 μg/m3，汉中其次为14.3 μg/m3，而非采暖期，SO2的排放量明显降低。说明在采暖期期间污染物的排放明显高于非采暖期。

2.3 基于陕西省PM2.5浓度的空间转移路径分析

在大气环境的各个污染物中，PM2.5可以直接进入肺泡，损害人体健康，日益成为雾霾天气的“罪魁祸首”。考虑到地理事物或属性在空间上呈集聚、随机、规则的分布特征，下面从2015年1月—2020年8月陕西省各市区的月平均PM2.5浓度值的空间关联性为出发点，对陕西省各市PM2.5浓度的空间动态转移路径与其相关联区域PM2.5浓度的相关性展开探析。

2.3.1 陕西省PM2.5的空间自相关性分析

在了解陕西省的时空分布的基础上对污染因子PM2.5的空间动态转移路径展开分析，借助全局Moran指数进一步探析PM2.5浓度是否存在空间关联性。通过GeoDa软件得到陕西省2015—2019年全局Moran指数及相关值如表1所示。

表1 PM2.5莫兰指数

从数值上来看，2015—2019年Moran指数均大于0，即认为陕西省PM2.5浓度呈现正向空间相关性。从P值上看，2015—2019年陕西省PM2.5的Moran指数在显著性水平0.1下拒绝原假设，认为陕西省各市区PM2.5浓度的空间相关性是显著存在的，全局空间集聚效应明显。因此认为在大气运动和物质扩散的作用下，陕西省不同区域的PM2.5污染是相互影响的，具有明显的空间依赖性。为此，从空间关联角度构建空间马尔科夫概率转移矩阵，分析其动态演化特征。

2.3.2 陕西省PM2.5的空间转移状态分析

通过查阅和分析《环境空气质量标准》和文献[12]，将PM2.5浓度划分为4 个等级，分别为：低浓度(0～25 μg/m3)、较低浓度(25～35 μg/m3)、较高浓度(35～50 μg/m3)、高浓度(>50 μg/m3)，依次记为I、II、III、IV。首先求解传统马尔科夫概率转移矩阵，得到矩阵如表2所示。

表2 传统马尔科夫链转移概率矩阵

表2中，主对角线表示陕西省各市区城市PM2.5浓度类型没有发生转移的概率，而其他元素则表示陕西省各市区PM2.5浓度类型向不同类型发生转移的概率。从传统马尔科夫概率矩阵中可看出：浓度越高或浓度越低其保持原有状态的概率较大，即某地区PM2.5浓度在t时刻若属于低浓度类型，在t+1时刻保持低浓度状态的概率为74%；若在t时刻属于高浓度，则t+1时刻继续保持高浓度状态的概率为61%。表明陕西省PM2.5浓度存在低浓度和高浓度两种类型收敛的趋势，即低浓度地区和高浓度地区具有较强的稳定性。

PM2.5浓度状态转移主要发生在相近浓度之间，浓度跳跃转移的概率值明显要小于相近浓度转移的概率值，且PM2.5浓度类型向上一级浓度转移的概率值大于其向下一级浓度转移的概率值。即当某一地区为较低浓度类型时，该地区在下一时刻向较高浓度转移的概率为21%，向高浓度转移的概率为2%，而向低浓度转移的概率可达32%。这表明在连续的时间内，PM2.5浓度类型多发生在相邻类型间的递次转移，且跨等级转移的可能性不大。由此表明PM2.5污染治理将是一个持续的、缓缓前进的过程，短时期内根治大气污染的现状是较为困难的。

上述的概率转移矩阵仅关注到PM2.5浓度类型在时间上的转移，未考虑到不同区域背景对PM2.5浓度动态转移的影响。由于陕西省各市区PM2.5浓度存在显著的空间正相关，即某一城市PM2.5浓度不仅会影响周边地区，也受到周边地区的影响，因此在传统马尔科夫概率转移矩阵的基础上，引入区域空间背景，构建空间马尔科夫概率转移矩阵。通过对比这两种矩阵中的对应元素探究不同邻域背景下PM2.5浓度的时空动态转移特征。

表3 空间马尔科夫链转移概率矩阵

通过比较传统和空间马尔科夫概率转移矩阵不难发现：

陕西省各市区自身PM2.5浓度类型与其相邻区域PM2.5浓度类型大体相近，且邻域浓度类型对陕西省各市区PM2.5浓度的动态转移过程发挥着重要的作用。在不考虑邻域浓度背景时，空气质量浓度有40%的概率由较高浓度向较低浓度转移，考虑到周围地区污染浓度的影响，当周围地区的污染浓度依次提高时，浓度转移概率依次为0、50%、40%、36%。说明在考虑邻域PM2.5浓度类型的背景下PM2.5浓度类型转移概率与不考虑邻域背景时有所不同。

不同PM2.5浓度类型邻域对陕西省各市区PM2.5浓度转移的影响不尽相同。在传统的马尔科夫链中，第II类型向第I类型转移的概率为32%，向第III类型转移的概率为21%；而当较低浓度与低浓度、较低浓度、较高浓度、高浓度地区相邻时，其向下转移为低浓度的概率依次为45%、32%、23%、0，与此分别以0、18%、38%、100%的概率向上转移为较高浓度。说明较低浓度地区与PM2.5浓度越高的城市相邻时，其PM2.5浓度类型向下转移为低浓度的概率逐渐减少，向上转移为较高浓度的概率逐渐增大。

2.3.3 陕西省PM2.5浓度转移路径分析

在前文研究中得出采暖期与非采暖期的大气环境质量差距较大，因此，在PM2.5状态转移分析的基础上，将陕西省PM2.5的状态转移路径划分为采暖期和非采暖期两条，具体路径转移如图5所示。

图5 采暖期与非采暖期状态转移路径图Fig.5 State transition path diagram of heating period and non-heating period

如图5所示，采暖期间，高浓度保持自身的概率为38.74%，向第Ⅲ浓度类型转移的概率为21.25%，较高浓度保持自身以及向第Ⅱ浓度类型转移的概率均为11.25%，且PM2.5状态转移路径不涉及低浓度类型的转移，也就是说采暖期浓度转移路径普遍为高浓度或较高浓度和较低浓度之间的交叉转移，并且主要以高浓度向高浓度转移为主；非采暖期间，低浓度保持自身低浓度的概率为28.18%，较低浓度向第Ⅱ浓度类型转移的概率为16.36%，较低浓度向低一级浓度类型转移的概率为15.45%。说明非采暖期浓度转移路径普遍为低浓度与较低浓度之间的交叉转移。另外，陕西省各市区中高浓度类型主要分布在陕西省的关中地区，且具有较强的稳定性。从整体上来看，陕西省各市PM2.5浓度转移特征可以概括为以咸阳市为高浓度聚集中心，周边城市由高浓度向高浓度、较高浓度、较低浓度以及低浓度类型依次向下转移，即越接近发散点的PM2.5浓度类型越高。

3 结论

利用空间统计学和马尔科夫链分析方法，从时空变化规律与空间演变特征两个方面探析陕西省各市区污染物的空间分布特征及PM2.5的动态演变规律，研究结论如下。

(1)陕西省不同城市的空气质量指数呈现出冬季最高、初春次之，夏秋最好的季节变化规律，且采暖期的大气污染情况比非采暖期严峻。

(2)地理空间分布方面，陕西省大气污染较重地区集中在关中地区，主要有西安、咸阳、渭南，相比较而言陕西省的商洛和安康大气质量较好。

(3)空间动态演变方面，以咸阳市为高浓度聚集中心，周边城市由高浓度向高浓度、较高浓度、较低浓度以及低浓度类型依次向下转移。

最后，就已有结论对改善陕西省大气环境提供了三条建议。首先要加大宣传大气污染防控力度，培养居民自觉保护大气环境意识，相比较政府严抓严控，社区管理和居民积极参与大气污染防控治理更为有效。其次，采暖期间，政府要强化对陕西省工业废气和交通工具尾气排放的控制，除了供暖之外，陕西省的气候也不利于污染物的扩散，因此大气污染的防控要落实在可控源头。最后，大气污染物的扩散不受行政边界的约束，相邻区域之间要共同协商治理，形成一个“十市一省”的大气污染联合治理体系，以提高整块区域的环境质量。