重庆市主城区臭氧污染空间效应研究

陈昌维 杨炜明

（重庆工商大学 数学与统计学院，重庆 400067）

一、引言

臭氧（O3）作为一种强氧化剂，对人类、动植物和生态环境具有极大的危害。世界卫生组织研究表明，臭氧浓度的高低，人在高浓度臭氧环境中的时长，均与对人体健康的危害显著相关。与细颗粒物（PM2.5）造成的环境污染相比，臭氧污染更具隐蔽性。臭氧污染通常发生在晴朗天气，人们因感觉空气质量较好，从而少有防范意识。因此研究臭氧污染，对保护人身体健康和生态环境具有重要意义。臭氧污染是典型的二次污染，由空气中的挥发性有机物、氮氧化物等前体污染物在高温天气下光化学反应生成，因此控制其前体污染物的排放是治理臭氧的重要手段。

近年来，全国臭氧污染呈逐年加重趋势，呈现连片式、区域性污染特征。主要分布在辽宁中南部、京津冀及周边、长江三角洲、武汉城市群、陕西关中地区及成渝城市群、珠江三角洲区域。

目前，重庆正在由以颗粒物污染为主向以臭氧污染为主转变。重庆市臭氧污染主要集中在主城区及渝西片区。臭氧是重庆市除PM2.5以外的第二大大气污染物，具有较强的季节特征。数据显示近几年以臭氧为首要污染物的超标天数在逐年增加，2018年首次超过PM2.5，成为第一大污染物，且臭氧年平均浓度呈现逐年增加的趋势。随着重庆城市化快速发展，人类活动排放的氮氧化物、挥发性有机物等污染物经光化学反应过程可引起臭氧的产生，并进一步引发城市严重光化学烟雾事件。

本文根据2017—2019年重庆市主城区16个监测点的臭氧8小时移动平均（O3-8h）浓度和二氧化氮（NO2）浓度数据分析臭氧污染分布规律及影响因素。结果表明近三年的O3-8h浓度具有显著的空间相关性，且监测点之间呈现出低高和高低两种集聚结构。因此，我们建立了臭氧8小时移动平均和二氧化氮（NO2）的空间杜宾模型。并根据分析结果总结了重庆主城区臭氧污染的特征，提出了相关政策建议。

二、模型假设

（一）空间相依性

1.全局空间自相关

统计学上通常用“莫兰指数I”研究空间相关性，它的值介于-1到1之间。建立空间序列，计算公式如下：

当I>0时，表示空间具有正自相关性，即高值与高值相邻，低值与低值相邻；当I<0时，表示空间具有负自相关性，即高值与低值相邻；而若I=0，则表示空间呈随机性，不存在空间自相关。

2.局部空间自相关

要研究某区域附近的空间集聚情况，则使用“局部莫兰指数I”。计算公式如下：

局部莫兰指数I的含义与全局莫兰指数I相似。正的Ii表示区域i的高（低）值被周围的高（低）值所包围，负的Ii表示区域i的高（低）值被周围的低（高）值所包围，即表示该地区与其邻近地区出现了高值与低值集聚的现象，如果该地区实际观测值较高，则为高-低集聚，反之为低-高集聚。

（二）空间计量模型

1.空间截面数据模型

空间横截面模型是Anselin（1988b）在整合前期研究基础上，建立从“一般”到“特殊”的模型顶层设计。首先设定包含因变量的空间滞后、自变量的空间滞后、误差的空间滞后的广义嵌套式空间模型（GNS模型），通过不断增加限制条件，演变为考虑自变量空间滞后与误差滞后的广义空间自回归（SAC）。如考虑因变量空间滞后项的空间滞后模型（SLM），考虑空间误差滞后的空间误差模型（SEM），考虑空间因变量滞后与自变量滞后的空间杜宾模型（SDM），考虑自变量滞后项与误差滞后项的空间杜宾误差模型（SDEM）等模型。

2.空间面板数据模型

空间面板滞后模型和空间面板误差模型为：

其中，ρ是空间自回归系数，W为空间权重矩阵，WYit是自变量之间的空间交互作用，ut为空间个体效应（不随时间改变的固定性因素），如果不考虑空间滞后项ρWYit，则式（3）为标准的静态面板模型，进一步，如果ut与Xit相关，则为固定效应模型，反之，则为随机效应模型，εit为误差项。

其中，εit通过冲击影响周围地区，λ是空间误差相关系数，协方差阵的对角线元素表示空间结构。

Greene（2005）认为外生变量的空间滞后容易导致有偏非一致，Pace和LeSage（2009）提出空间面板杜宾模型（SDPM）：

式（5）中，β和γ分别为外生变量的回归系数与外生变量的交互效应的回归系数。

面板数据模型分为固定效应模型和随机效应模型，固定效应模型又分为个体固定效应模型和时间固定效应模型与双固定效应模型。对于固定效应的空间自回归模型，可以先做组内离差变换，去掉个体效应，然后使用类似于横截面空间自回归模型的极大似然估计。对于随机效应的空间自回归模型，则可先做广义离差变换，然后再进行极大似然估计。

三、重庆主城区臭氧时空分布的统计分析

（一）数据来源

选取中国环境监测总站全国城市空气质量实时发布平台提供的2017年1月1日—2019年12月31日重庆市主城区16个监测站点的经纬度、O3-8h浓度和NO2浓度数据，其中北碚区包括缙云山、天生，渝北区包括两路、空港和礼嘉，沙坪坝区包括虎溪和龙井湾等16个采集点，然后根据O3-8h浓度分析重庆主城区臭氧（O3）污染情况，以及O3和NO2的空间效应。再根据16个站点的经纬度利用欧式距离的倒数生成空间权重矩阵，在原空间权重矩阵的基础上标准化得到最终的空间权重矩阵。

（二）重庆市主城区臭氧时空变化特征

1.重庆市主城区臭氧时间变化特征

为了解近三年重庆主城区臭氧浓度随时间的变化特征，画出三年的浓度时序变化图（见图1）。

图1 2017—2019年重庆主城区O3-8h浓度时序变化图

从图1可看出，臭氧浓度具有较强的周期性，其周期为1年，周期内臭氧浓度均呈现出中间高、两边低的倒U型，较高的月份主要集中在6月、7月和8月，其次是4月和5月，而最低的几个月主要集中在1月和2月，其次是11月和12月。可见，对于重庆主城区来说夏季臭氧浓度是最高的，其次是春季，说明重庆主城区春季和夏季的臭氧污染要比秋季和冬季严重，其中最严重的在夏季，其次是春季和秋季，冬季臭氧污染最轻。

由图2可知，2017年和2018年，主城区春季和夏季的臭氧浓度明显高于秋季和冬季，此外，在图中可以明显看出夏季的平均臭氧浓度比其余三个季节高，冬季最低，可见对于重庆主城区来说，夏季的臭氧污染最严重。根据2017年和2018年的季度平均臭氧浓度对比分析，2018年春季和夏季的臭氧浓度比2017年高，而秋季和冬季臭氧浓度比2017年低。另外，2017年和2018年缙云山监测站点、龙井湾监测站点的夏季臭氧平均浓度最大。除2017年夏季外，新山村监测点获得的臭氧平均浓度是最低的。

图2 2017年和2018年重庆主城区季度平均臭氧浓度对比图

从图3可看出，重庆主城区臭氧平均浓度在2017—2019年都是较高的，说明臭氧污染比较严重；缙云山监测点的臭氧浓度最高，南坪、龙井湾、龙洲湾监测点臭氧浓度也比较高，反映出这几个监测点的臭氧污染是最为严重的。

图3 2017—2019年重庆主城区平均臭氧浓度对比图

2.重庆市主城区臭氧空间变化特征

为研究重庆主城区臭氧污染在空间上的变化特征，本文利用ArcGIS软件得到主城区的臭氧年平均浓度空间分布图和2018年季节空间变化图（见图4和图5）。图中，不同的颜色分别表示不同的臭氧污染情况，颜色越深表示臭氧污染越严重。

图4 2017—2019年重庆主城区臭氧年平均浓度空间分布图

图5 2018年重庆主城区臭氧季度平均浓度空间分布图

从图4可看出，2017年重庆主城区的臭氧污染比2018年和2019年严重，且在逐年减弱。缙云山监测点所采集的地区臭氧污染最严重，其次是龙井湾监测点；另外，除2017年外，新山村、礼嘉和唐家沱监测点所采集的地区臭氧污染最小。

对于整个主城区来说，缙云山监测点臭氧污染最严重，反映出重庆主城区臭氧污染主要以北碚区西北方向为“污染源”向四周逐渐扩散，越靠近新山村监测点臭氧污染越小。2017—2019年重庆主城区臭氧污染整体有减缓的趋势。

由图5可知，2018年北碚区西边的臭氧污染最为严重；主城区西南方向的臭氧浓度由春季到冬季颜色逐渐变浅，秋季和冬季颜色最浅，即九龙坡区和大渡口区秋季和冬季污染比较小。整体来看，重庆主城区西南方向的臭氧污染情况要比其他城区严重，春季和夏季的臭氧污染比秋季和冬季严重。

综合2017—2019年臭氧平均浓度空间分布图可知，重庆主城区大体呈现出西边臭氧污染大于东边，北碚区西北方向监测点的臭氧污染最为严重，其次是渝中区西南方向监测点的臭氧污染比较严重，如龙井湾、龙洲湾和南坪监测点。沙坪坝区东南方向和巴南区西北方向的臭氧污染比其他地区严重，新山村监测点污染最小，越靠近大渡口区北边污染越小。图1和图5都反映出春季和夏季的臭氧污染比秋季和冬季严重。

（三）重庆主城区臭氧空间自相关分析

通过对主城区监测点2017—2019年臭氧浓度的时空分析，可看出重庆主城区在臭氧污染方面表现出了很强的空间相关性。利用全局莫兰指数I和局部莫兰指数I对臭氧污染的空间相关性进行检验。

1.全局空间自相关分析

为了解重庆主城区的整体自相关性，本文利用GeoDa软件，计算出三年来重庆主城区臭氧污染的莫兰指数I（见表1）。由表1可知，全局莫兰指数I均为负值，且由莫兰指数检验结果可知2017年和2018年各指数均在5%的水平下通过显著性检验，2017年的莫兰指数绝对值最大，说明2017年具有很强的自相性。此外，2017—2019年的莫兰指数均为负值，表示重庆主城区监测点臭氧浓度高的地方，其周围的监测点臭氧浓度低。

表1 2017—2019年重庆主城区臭氧浓度全局莫兰指数

通过对重庆主成区臭氧污染空间分布特征分析可知，臭氧污染具有明显的空间分布区域性。为明确空气污染状况的局部空间相关特征，利用LISA集聚图检验各监测点的空间相关程度，根据臭氧浓度在不同地区的数值大小来区分空间集聚模式，样本区域分为四种集聚模式：H-H区域代表高污染区域与高污染区域相邻，L-L区域代表低污染区域与低污染区域相邻，H-L区域代表高污染区域与低污染区域相邻，L-H区域代表低污染区域与高污染区域相邻，代表集聚效应不显著。

2.局部空间自相关分析

本文利用局部空间自相关分析研究空间个体间的空间分布特征，通过LISA集聚图来展示空间个体间的集聚关系。依据重庆主城区监测点的经纬度形成泰森多边形（见图6），然后利用GeoDa软件绘制了2018年各季度的LISA集聚图（见图7），图中从上到下，从左到右依次为春、夏、秋、冬。

图6 重庆主城区监测点在主城区的空间分布及形成的泰森多边形位置图

从图7可看出，2018年臭氧浓度在天生监测点呈现出低高集聚效应，在春季和夏季茶园、新山村监测点以及春季的歇台子监测点也呈现出低高集聚效应，在秋季和冬季龙井湾监测点则呈现了高低集聚效应。说明2018年，重庆北碚区天生监测点臭氧浓度低，而与其相邻监测点的臭氧浓度高，如缙云山监测点；龙井湾监测点臭氧浓度比较高，其相邻的新山村监测点臭氧浓度比较低。这与2018年重庆主城区臭氧浓度年平均空间分布图所呈现出的特征是一致的。

图7 2018年重庆主城区各季度臭氧浓度LISA集聚图

四、重庆主城区臭氧污染空间效应研究

本文对重庆主城区16个监测点每天的臭氧浓度计算全局莫兰指数，结果显示均在5%的水平下通过显著性检验，说明重庆主城区各监测点之间存在显著的空间效应，故本文采取空间面板模型分析近三年重庆主城区的臭氧浓度和二氧化氮浓度的关系，选取O3-8h浓度为被解释变量，NO2浓度为解释变量。

首先对数据进行Hausman检验，结果表明在5%的显著性水平下固定效应优于随机效应，故本文选取固定效应。进一步研究发现时点固定效应的R2略优于个体固定效应，因此，本文最终选用空间杜宾模型时点固定效应，模型结构见式（5），模型估计结果见表2。

表2 重庆主城区近三年臭氧空间杜宾模型估计结果

由表2可知，二氧化氮的回归系数通过了5%的显著性检验，且回归系数（-0.5366）为负，说明臭氧和二氧化氮具有负相关性；空间自回归系数ρ（0.0928）在5%水平上显著为正，说明本监测点的臭氧浓度会受到相邻监测点臭氧浓度的影响；二氧化氮的交互效应回归系数（0.2170）也通过了5%的显著性检验，说明本监测点的臭氧浓度会受到邻近地区的二氧化氮浓度的影响。从直接效应看，模型通过了显著性检验，说明二氧化氮浓度的变化会影响当地的臭氧含量；从间接效应看，模型也通过了显著性检验，说明某一地区二氧化氮浓度也会对邻近地区的臭氧产生影响；此外，空间被解释变量空间滞后项通过了显著性检验，说明重庆主城区臭氧污染存在显著的空间溢出效应，即邻近地区的臭氧含量会影响本地区的臭氧含量。

五、结论和建议

综上所述，重庆主城区臭氧污染严重且整体呈倒U型趋势，主城区大体呈现西边臭氧污染程度大于东边，臭氧污染在北碚区西北方向，接着是在渝中区西南方向的监测点臭氧污染比较严重，如龙井湾、龙洲湾和南坪监测点，越靠近大渡口区北边污染越小；主城区臭氧浓度受季节变化影响较为显著，夏季臭氧污染较为严重，冬季臭氧污染最轻；重庆主城区臭氧浓度和二氧化氮呈较强的负相关性，臭氧浓度变化的主要因素是温度以及臭氧前体物氮氧化物的排放，随着太阳辐射的增强，光化学反应加剧，二氧化氮光解速率增强，加速二氧化氮向臭氧的转化。

由于重庆主城区臭氧污染主要集中在缙云山、龙井湾、龙洲湾和南坪监测点，可根据其所处的地理位置有针对性地采取措施降低臭氧浓度。臭氧浓度在温度较高时比较高，且多发生在夏季午后，建议公众在午后一两个小时内尽量减少外出，特别是身体条件较弱的老人和小孩。氮氧化物的排放对于臭氧污染有较大的影响，可通过工业企业升级改造，锅炉提标改造，减少机动车尾气排放，开展水泥、砖瓦行业错峰生产和煤电企业超低排放改造，加大餐饮油烟治理力度等降低二氧化氮排放。由于重庆主城区臭氧浓度具有显著的空间关联性，并且呈现较大的区域性差异，所以应加大对臭氧含量比较高的地区治理力度。二氧化氮浓度不仅直接影响臭氧浓度，还能由外部性增加臭氧浓度。因此，政府部门在制定二氧化氮减排量时，应考虑各地区之间的关联及空间溢出效应。