PM2.5质量浓度的时间滞后效应与气象因素的关系1)——以山东省6个沿海城市为例

佟敏 赵艺

(东北林业大学，哈尔滨，150040) (哈尔滨市建筑设计院)

近几年来，关于PM2.5质量浓度与气象因素的关系成为了研究的热点，取得的共识是气压、相对湿度、气温、风速、降水等因素均会对PM2.5的质量浓度产生一定程度的影响[1-5]。已有研究成果阐述了PM2.5质量浓度与降水量之间的内在联系，认为：连续性降水对大气颗粒物的去除有明显效果[6-7]；降水对PM2.5具有清除作用，降水强度越大，对PM2.5清除效率越高[8-10]；降雨对PM2.5的湿清除作用明显，降雨日的PM2.5质量浓度较非降雨日平均降低约30%，在污染季节降低更加显著(约50%)[11]；短时强降水更有利于清除直径小于2.2 μm的颗粒物，而长时间的弱降水更有利于清除直径大于2.2 μm的颗粒物[12]。但也有研究者对降水总量、小时最大降水量、降水持续时间与颗粒物质量浓度之间关系进行研究，认为：在降水量为1.5 mm以下的降水过程中，无论颗粒物质量浓度高低，清除效果均不明显，甚至会导致PM2.5质量浓度的升高，加重污染；而总降水量为0.3～0.7 mm的降水中，PM10清除效果明显，但PM2.5质量浓度仍有显著增长，降水过程对于扬尘等大粒径颗粒物具有一定的湿沉降效果，仍是清除扬尘、沙尘等大粒径颗粒物的一种有效方式；但由降水造成的湿度上升，宥于降水程度的强弱，依然会引起二次气溶胶等细颗粒物迅速增长，不足以达到湿沉降的作用[13]。

关于时间的滞后效应，研究者们在多个领域进行了探讨，并取得共识：无论是在自然活动中，还是经济运行过程中，时间滞后效应的存在都是普遍的[14-15]，对PM2.5质量浓度滞后效应的分析多见于对人们健康的影响[16]。也有研究从当期PM2.5质量浓度对滞后期PM2.5质量浓度影响的角度分析PM2.5质量浓度的持续性[17]；或从经济角度解读经济活动对PM2.5质量浓度的影响[18]。在研究方法上，使用了因子分析、广义相加模型、系统矩估计方法(SYS-GMM)、三阶段最小二乘法(3SLS)等众多方法。李三等[19]综合运用静态时空二维模型和动态时空二维回归模型，分析了森林覆盖率等影响因素与PM2.5质量浓度时间滞后效应的关系。综合以往的研究成果，多是利用数据分析而得到定性结论，但定量分析较少、关于PM2.5质量浓度的滞后效应与气象因素之间关系的研究较少。为此，本研究于2019年5月1日到2020年4月30日，以山东省6个沿海城市(青岛、烟台、日照、潍坊、东营、滨州)为研究对象，借鉴张一等[20]的聚类结果及评价指标体系，依据降水量、空气污染程度将6个城市划分为两类，第Ⅰ类为降水较多空气污染相对较轻的青岛、烟台、日照，第Ⅱ类为降水较少空气污染相对严重的潍坊、东营、滨州；根据动态时空二维模型的原理，利用24 090个数据，建立了两类区域的静态时空二维模型、动态时空二维模型；依据模型及通径分析原理，量化分析了PM2.5质量浓度滞后效应与5个气象因素(气压、相对湿度、气温、风速、降水量)的关系。旨在为沿海城市更好地掌握PM2.5质量浓度的变化规律、保护大气环境和居民健康提供参考。

1 研究区域概况

山东省位于北纬34°22.9′～38°24.01′、东经114°47.5′～122°42.3′，是中国东部的沿海省份。东面毗邻渤海与黄海，北接京津冀三地；其境内有淮河、黄河、海河、小清河、胶东五大水系，属典型的暖温带季风性气候。降水丰富且分布不均匀，主要集中在夏季，并由东南沿海向西北内陆呈逐渐减少趋势；雨热同期，光照充足，农作物一年两作。在行政区划上共辖16个地级市，沿海城市主要包括滨州、东营、潍坊、威海、烟台、青岛、日照7个城市。7个沿海城市虽然较内陆有更好的气象扩散条件，但近年来雾霾天气频发，大气污染问题也成为人们关注的热点。

由于威海市相关数据缺失，本研究区域限定为6个城市。依据降水量、空气污染程度将6个城市划分为两类，第Ⅰ类为降水较多空气污染相对较轻的青岛、烟台、日照，第Ⅱ类为降水较少空气污染相对严重的潍坊、东营、滨州。

2 研究方法

本研究依托黑龙江省自然科学基金项目(G201601)，取得了中国气象数据网2019年5月1日到2020年4月30日的使用权，获得了同期气压(PRS)、相对湿度(RHU)、气温(TEM)、风速(WIN)、降水量(PRE)日平均监测数据；所需PM2.5、PM10、SO2、CO、NO2、臭氧8 h(O3_8 h)6个空气污染物浓度的日平均数据，来自于中国空气质量平台；对于个别缺失的数据，使用相邻日期数据的平均值进行了添补；本研究可用数据共24 090个。

在分析中采用动、静态时空二维模型。与纯时间序列和横截面分析相比，其具有以下优点：①表现更大的变异信息；②变量间具有更弱的共线性；③具有更大的自由度和更高的估计有效性；④容易避免多重共线性。其中混合回归模型的一般形式为yit=a+βxit+εit，i=1、2、…、N，t=1、2、…、T；动态时空二维模型的一般形式为yit=γyi,t-1+∑kβkxkit+ξi+uit，k=1、2、…、K；式中的yit为评价指标、yi,t-1为滞后1 d的评价指标、xkit为影响因素、ξi为个体效应、uit为随机误差项。

3 结果与分析

3.1 空气污染物与气象因素数据的平稳性检验

为了避免虚假回归，时空二维数据模型在回归之前需要验证其平稳性，主要采用单位根检验方法。具体分为两大类：针对同质时空二维假设的LLC(Levin-Lin-Chu)、B-t(Breintung)检验方法；针对异质时空二维假设的IPS(Im-Pesaran-Shin)、ADF-Fisher(Augmented-Dickey-Fuller-Fisher)、PP-Fisher(Phillips-Perron-Fisher)检验方法。检验结果显示，两类城市的空气污染物和气象因素的相关数据均通过了10%的显著性检验，故均为平稳序列。

3.2 部分空气污染物、气象因素与PM2.5质量浓度的相关性

利用2019年5月1日到2020年4月30日期间，6个沿海城市PM2.5日均质量浓度、部分空气污染物质量浓度及气象因素的数据进行相关性分析(见表1)。由表1可见：两类城市的降水与PM2.5日均质量浓度呈负相关，说明降水对PM2.5的质量浓度的影响，总体趋势是抑制PM2.5质量浓度的升高，这一结果与相关文献[3，8]的研究结果相近；气温、风速与PM2.5的质量浓度呈负相关，说明气温、风速对PM2.5质量浓度的影响，总体趋势是抑制PM2.5质量浓度的升高；气压、相对湿度与PM2.5的质量浓度呈正相关，说明气压、相对湿度对PM2.5质量浓度的影响，总体趋势是在一定范围内促进PM2.5质量浓度的升高。

表1 两类城市5种空气污染物质量浓度及5个气象因素与PM2.5日均质量浓度的相关系数

3.3 PM2.5日平均质量浓度静态和动态时空二维回归模型的构建

利用2019年5月1日到2020年4月30日间PM2.5的日均质量浓度及10个影响因素的数据，分别对两类城市建立静态和动态时空二维回归模型(见表2)。

表2 PM2.5日平均质量浓度静态和动态时空二维回归模型

由表2可见：①两类城市8个模型的决定系数(R2)在0.897～0.908范围内、赤池弘次信息量(IAC)在7.145～7.71范围内，均较小，所有影响因素的P值均通过10%的显著性检验。②加入评价指标中滞后1 d的PM2.5日平均质量浓度(ρ(PM2.5-1))、滞后2 d的PM2.5日平均质量浓度(ρ(PM2.5-2))、滞后3 d的PM2.5日平均质量浓度(ρ(PM2.5-3))的动态模型的R2，均大于未加入评价指标滞后项的静态模型的R2，说明考虑评价指标的动态连续性提高了回归模型的拟合度，也进一步说明之前PM2.5质量浓度的累积对后续时间监测的PM2.5质量浓度有一定的影响。模型拟合良好，可以利用模型进行分析。

3.4 PM2.5质量浓度时间滞后效应变化规律及其与各气象因素的关系

依据城市污染程度从短期或实时状态而言，主要与当地当时的气象条件有关[21]，利用静态和动态时空二维回归模型，分析PM2.5日平均质量浓度滞后与气象因素的关系。将表2的回归模型的系数汇总，获得各个影响因素的直接影响回归系数、间接影响回归系数(见表3)。依据表3中的回归系数得到PM2.5质量浓度时间滞后效应的变化规律：①两类城市的PM2.5日均质量浓度滞后1 d、滞后2 d、滞后3 d的回归系数均为正数，说明当期PM2.5的质量浓度会受前几天PM2.5质量浓度的影响，若前几天PM2.5污染严重，当期PM2.5的质量浓度也会有所升高。②滞后1 d、滞后2 d、滞后3 d的系数是逐渐减小的，说明随着滞后时间的延长，PM2.5质量浓度的时间滞后效应对当期PM2.5质量浓度升高的影响逐渐降低，PM2.5的排放是连续累积的过程，PM2.5的质量浓度变化具有惯性。

表3 各气象因素对PM2.5质量浓度时间滞后效应影响的回归系数

根据通径分析的原理，模型的回归系数为影响因素对评价指标的直接影响，相关系数与回归系数的差为影响因素对评价指标的间接影响。依据表3分析各气象因素对PM2.5质量浓度时间滞后效应的影响。

——气压对PM2.5质量浓度时间滞后效应的影响。①在第Ⅰ类城市中，静态时空二维和动态时空二维回归模型中的气压回归系数均为负数，说明无论是否考虑PM2.5质量浓度时间滞后效应，气压对PM2.5质量浓度的直接影响，均为直接抑制PM2.5质量浓度的升高；从静态到滞后1 d，气压直接抑制PM2.5质量浓度升高的强度增大，随着滞后时间的延长气压直接抑制PM2.5质量浓度升高的强度逐步减小。无论是否考虑PM2.5质量浓度时间滞后效应，气压通过其他因素对PM2.5质量浓度的间接影响，在一定范围内促进PM2.5质量浓度的升高。②在第Ⅱ类城市中，气压对PM2.5质量浓度的影响，与第Ⅰ类城市一致。

——湿度对PM2.5质量浓度时间滞后效应的影响。①在第Ⅰ类城市中，静态时空二维和动态时空二维回归模型中的湿度回归系数均为正数，说明无论是否考虑PM2.5质量浓度时间滞后效应，湿度对PM2.5质量浓度的直接影响，均为在一定范围内促进PM2.5质量浓度的升高；从静态到滞后1 d，湿度促进PM2.5质量浓度升高的强度减小，随着滞后时间的延长，湿度促进PM2.5质量浓度升高的强度逐步增大，这与马双良等[13]的研究结果相近。无论是否考虑PM2.5质量浓度时间滞后效应，湿度通过其他因素对PM2.5质量浓度的间接影响，在一定范围内抑制PM2.5质量浓度的升高。②在第Ⅱ类城市中，湿度对PM2.5质量浓度的影响，与第Ⅰ类城市一致。

——气温对PM2.5质量浓度时间滞后效应的影响。①在第Ⅰ类城市中，静态时空二维和动态时空二维回归模型中的气温回归系数均为负数，说明无论是否考虑PM2.5质量浓度时间滞后效应，气温对PM2.5质量浓度的直接影响，均为直接抑制PM2.5质量浓度的升高；从静态到滞后1 d，气温直接抑制PM2.5质量浓度升高的强度减小，随着滞后时间的延长，气温直接抑制PM2.5质量浓度升高的强度逐步增大。无论是否考虑PM2.5质量浓度时间滞后效应，气温通过其他因素对PM2.5质量浓度的间接影响，始终抑制PM2.5质量浓度的升高。②在第Ⅱ类城市中，气温对PM2.5质量浓度的影响，与第Ⅰ类城市一致。

——风速对PM2.5质量浓度时间滞后效应的影响。①在第Ⅰ类城市中，静态时空二维和动态时空二维回归模型中的风速回归系数均为负数，说明无论是否考虑PM2.5质量浓度时间滞后效应，风速对PM2.5质量浓度的直接影响，均为直接抑制PM2.5质量浓度的升高；从静态到滞后1 d，风速直接抑制PM2.5质量浓度升高的强度增大，随着滞后时间的延长，风速直接抑制PM2.5质量浓度升高的强度逐步减小。无论是否考虑PM2.5质量浓度的时间滞后效应，风速通过其他因素对PM2.5质量浓度的间接影响，始终抑制PM2.5质量浓度的升高。②在第Ⅱ类城市中，风速对PM2.5质量浓度的直接影响与第Ⅰ类城市一致；但间接影响则相反，即风速通过其他因素对PM2.5质量浓度的间接影响，在一定范围内促进PM2.5质量浓度的升高，这是由于第Ⅱ类城市与内陆城市相邻，当风向倾向于第Ⅱ类城市时，风可以将内陆城市的污染传播到第Ⅱ类城市，使其PM2.5质量浓度增加。

——降水对PM2.5质量浓度时间滞后效应的影响。①在第Ⅰ类城市中，静态时空二维和动态时空二维回归模型中的降水回归系数均为负数，说明无论是否考虑PM2.5质量浓度时间滞后效应，降水对PM2.5质量浓度的直接影响，均为直接抑制PM2.5质量浓度的升高；从静态到滞后1 d，降水直接抑制PM2.5质量浓度升高的强度减小，随着滞后时间的延长，降水直接抑制PM2.5质量浓度升高的强度逐步增大。无论是否考虑PM2.5质量浓度时间滞后效应，降水通过其他因素对PM2.5质量浓度的间接影响，始终抑制PM2.5质量浓度的升高。②在第Ⅱ类城市中，降水对PM2.5质量浓度的直接影响，与第Ⅰ类城市相反，降水直接促进PM2.5质量浓度的升高；从静态到滞后1 d，降水直接促进PM2.5质量浓度升高的强度增大，随着滞后时间的延长，降水直接促进PM2.5质量浓度升高的强度逐步减小，这与马双良等[13]观点一致。无论是否考虑PM2.5质量浓度时间滞后效应，降水通过其他因素对PM2.5质量浓度的间接影响，始终抑制PM2.5质量浓度的升高。

由量化模型可知：①Ⅰ类城市相对于Ⅱ类城市降水量大，因此降水对Ⅰ类城市PM2.5质量浓度的直接影响，是降水抑制了PM2.5质量浓度的升高；Ⅱ类城市降水对PM2.5质量浓度的直接影响，是降水促进PM2.5质量浓度的升高；说明降水对PM2.5质量浓度的影响是双重的。②随着滞后时间的延长，降水所起的间接影响基本不变，说明降水量对PM2.5质量浓度增加的抑制强度趋于稳定。

4 结论

当期PM2.5的质量浓度存在着明确的滞后效应，随着滞后时间的延长，PM2.5质量浓度时间滞后性对当期PM2.5质量浓度升高的影响逐渐减小，证明了PM2.5的质量浓度是连续累积的，且其变化具有惯性。

第Ⅰ类城市，①5个气象因素对PM2.5质量浓度的直接影响：随着PM2.5质量浓度滞后时间的延长，气压、风速抑制PM2.5质量浓度的升高，但抑制PM2.5质量浓度升高的强度逐渐降低；气温、降水同样会抑制PM2.5质量浓度的升高，且抑制PM2.5质量浓度升高的强度逐渐增加；湿度促进PM2.5质量浓度的升高，且促进PM2.5质量浓度升高的强度呈逐渐增加的趋势。②5个气象因素对PM2.5质量浓度的间接影响：随着PM2.5质量浓度滞后时间的延长，气压能够促进PM2.5质量浓度的升高；湿度、气温、风速、降水均抑制PM2.5质量浓度的升高；湿度、风速抑制PM2.5质量浓度升高的强度逐渐增大，气温抑制PM2.5质量浓度升高的强度逐渐变小，降水抑制PM2.5质量浓度升高的强度持续稳定。

第Ⅱ类城市，①5个气象因素对PM2.5质量浓度的直接影响：随着PM2.5质量浓度滞后时间的延长，气压、风速均抑制PM2.5质量浓度的升高，但抑制PM2.5质量浓度升高的强度逐渐降低；气温抑制PM2.5质量浓度的升高，且抑制PM2.5质量浓度升高的强度呈现逐渐增加趋势；湿度促进PM2.5质量浓度的升高，且促进PM2.5质量浓度升高的强度逐渐增加；降水促进PM2.5质量浓度的升高，但促进PM2.5质量浓度升高的强度逐渐减小。②5个气象因素对PM2.5质量浓度的间接影响：随着PM2.5质量浓度滞后时间的延长，气压促进PM2.5质量浓度的升高，并且促进PM2.5质量浓度升高的强度持续稳定；降水抑制PM2.5质量浓度的升高，并且抑制PM2.5质量浓度升高的强度持续稳定；湿度、风速抑制PM2.5质量浓度的升高，且抑制PM2.5质量浓度升高的强度逐渐增加；气温抑制PM2.5质量浓度的升高，但抑制PM2.5质量浓度升高的强度逐渐变小。

综上，量化模型充分证明：随着时间、地点的不同，降水、气压、风速、气温、湿度等气象因子对PM2.5质量浓度的影响也不同。