江苏省空气质量时空特征分析

摘要 为分析江苏省空气质量时空特征，基于江苏省各市2019—2021年空气质量指数（AQI）数据，建立时间序列模型，采用空间自相关等方法进行研究。结果表明：江苏省AQI在空间分布上大致呈现出由东向西递增的趋势，在时间变化上大致呈现出“W”形变化趋势。每年冬季和夏季梅雨期间空气质量较差，且夏冬两季AQI空间自相关性相较于春秋两季更强。

关键词 空气质量；时空特征；时间序列；空間自相关分析

中图分类号：X823 文献标识码：B 文章编号：2095–3305（2023）04–0108-03

随着社会经济的不断发展，人民对美好生活的需要日益增长，空气污染问题作为目前较为突出的环境问题，与人们的健康生活息息相关，也是影响生态文明建设的重要因素之一，愈加受到党、国家和人民的重视。

空气质量问题成为学术界研究的热点话题，目前国内学者对空气质量时空特征的研究，主要集中在空气质量指数（AQI）和主要污染物指标的时空变化规律上。在研究尺度方面，有学者以全国城市为研究对象，研究大气污染的空间格局与分布动态演进[1]。还有学者以长江经济带、长江中游城市群、黄河生态经济带等典型区域为研究对象，研究空气质量时空分布变化特征[2-5]。有学者以安徽省、福建省、深圳市等具体省市为研究对象，进行了空气质量空间统计分析[6-8]。在研究方法方面，随着研究的深入，甘茂林等[9]提出了改进传统Moran's I指数，以适用于大样本数据的空间自相关分析。贺冉冉等[10]提出了基于时间序列模型残差进行空间自相关特征分析，以排除原始数据中存在的空间趋势的干扰。此外，许海超等[11]基于山东省近50年四季统计平均状况的研究，具体界定了山东省各气象地理区的入季时间，以分析山东省空气质量指数（AQI）的季节变化特征。而对江苏省各地区的空气质量状况目前尚未有较为系统的研究，因此，基于江苏省13个城市2019—2021年的空气质量指数（AQI），利用时间序列建模、空间自相关分析等方法，对江苏省空气质量时空特征进行分析。

1 数据与方法

1.1 数据来源

依据研究对象，选择江苏省13个城市2019年1月1日—2021年12月31日的空气质量指数（AQI）数据进行研究，数据来源于真气网（https：//www.zq12369.com）。据《环境空气质量指数（AQI）技术规定（试行）》，空气质量指数（AQI）定义为定量描述空气质量状况的无量纲指数，共分为6个等级：0～50为优；51～100为良；101～150为轻度污染；151～200为中度污染；201～300为重度污染；＞300为严重污染。

1.2 研究方法

1.2.1 空间自相关分析 空间自相关性是指变量在同一个分布区内观测数据之间潜在的相互依赖性，一般由莫兰指数（MoranI）度量。莫兰指数又可分为全局莫兰指数和局部莫兰指数。全局莫兰指数的取值范围为[-1，1]，当I＞0时，表示研究区的属性值在空间上存在正相关性；当I=0时，表示研究地区的属性值不存在空间相关性；当I＜0时，表示研究区的属性值在空间上存在负相关性。当全局莫兰指数显著时，可以认为研究区上存在空间相关性，而局部莫兰指数可以具体分析地区之间的相互影响。

1.2.2 时间序列建模 时间序列建模的一般步骤为模型识别、参数估计、模型检验、模型优化，在建模前，通常需要对数据进行预处理。

（1）数据预处理。时间序列的预处理包括平稳性检验和白噪声检验2个重要步骤。

（2）模型识别。ARMA模型是最常用的平稳时间序列模型，全称为自回归移动平均模型。

非平稳时间序列可以在差分后使用ARIMA模型拟合，ARIMA模型的全称是自回归移动平均求和模型。当一个非平稳时间序列经过d次差分后，服从ARMA（p，q）模型，则可以对其建立ARIMA（p，d，q）模型。

（3）参数估计。确定拟合模型之后，通常采用最小二乘估计、极大似然估计等方法对模型的未知参数进行估计。

（4）模型检验。模型检验包括对模型的显著性检验和对参数的显著性检验2个方面。对模型的显著性检验，主要是对模型残差项再进行白噪声检验；对参数的显著性检验，主要检验某个参数是否显著非零。

（5）模型优化。通过检验的有效模型并不是唯一的，通常需要充分考虑各种因素，利用AIC信息准则或BIC信息准则，从通过检验的拟合模型中选择最优模型。

2 结果与分析

2.1 描述性统计分析

根据AQI类别划分，对江苏省各市2019—2021年AQI类别进行划分，再对比分析各市的年空气污染天数比例（表1、2）。

从表1、表2可以看出，2019—2021年，在江苏省各市中，南通市空气质量优良的总天数比例为全省最多，空气质量保持长期稳定良好，居全省最优水平。而徐州市空气质量为优良的总天数比例为全省最低，空气质量较差。另外，还有盐城、苏州、泰州的空气质量相比其他城市表现更优，宿迁、常州的空气质量则较差。

江苏省13个市的空气质量大多集中在优、良、轻度污染3个类别。2019—2021年，江苏省各市空气质量整体呈现好转的趋势。2019年，全省3座城市污染天数比例超过30%，而2021年，全省已有9个城市全年空气污染天数比例不超过20%，全省13座城市的空气污染天数比例均降至30%以下。其中，徐州市的空气污染率同比下降20%，宿迁市的空气污染率同比下降18.35%，污染治理工作取得显著的成效。

2.2 空间分布特征

利用Geoda软件，基于Queen邻接构造空间权重矩阵，绘制2019—2021年的AQI中位数分布地图（图1）。

相较于平均值，中位数不受分布数列的极值影响，在一定程度上提高了对分布数列的代表性。从图1可以看出，江苏省AQI中位数整体大致呈现出由东向西递增的趋势，东部沿海城市的空气质量普遍优于西部内陆城市。

2.3 时间变化特征

AQI月度数据由每月的日AQI数据求平均值所得，利用Stata软件绘制江苏省各市AQI月度数据时序图（图2）。图2中，横轴月份所示数字1～12代表2019年1—12月，13～24代表2020年1—12月，25～36代表2021年1—12月。

依据“候平均气温”划分四季法，参考江苏省近年来入季时间，将4—5月划分为春季，6—9月为夏季，10—11月为秋季，12—翌年3月为冬季。从时序图可以看出，江苏省各市AQI每年时间变化趋势大致相似，整体呈现“W”形的变化趋势：冬季向春季过渡时，AQI值下降；春季向夏季过渡时，AQI值上升；夏季向秋季过渡时，AQI值下降；秋季向冬季过渡时，AQI值上升。可以看出每年冬季12月、1月左右，夏季6月、7月梅雨期左右AQI较大，空气质量较差。

2.4 空间自相关分析

基于2019—2021年江苏省各市日AQI数据，利用R软件进行预处理、模型识别，建立ARMA模型，并根据模型检验的结果不断进行优化，最终得到拟合效果较好的模型，并提取通过白噪声检验的残差项序列。时间序列模型所获取的残差是与自身序列不存在相关性的数据，无法解释，而研究空间相关性需要排除数据在时间上的相关关系，因此，利用残差项分析AQI之间的空间相关性更加客观。对残差项进行标准化处理之后，再利用Stata软件计算逐日全局莫兰指数，各个季节莫兰指数通过检验（P=0.1）的折线图（图3）。每年度各季度通过检验的趋势接近，且夏冬两季比春秋两季通过检验天数更多，说明夏冬两季的AQI空间自相关性更强。

3 结论

基于江苏省2019—2021年各市空气质量指数（AQI）数据，通过AQI描述性统计表格、空间分布地图、时序图等分析江苏省空气质量时空分布特征，并基于AQI日数据构建ARMA模型，再利用模型残差项计算逐日莫兰指数进行空间自相关分析。

在空间分布格局上，江苏省AQI整体呈现由东向西递增的趋势，东部沿海城市空气质量优于西部内陆城市。

在时间变化格局上，江苏省AQI呈现出“W”形变化趋势，冬季12月、1月，以及夏季6月、7月梅雨时期，空气质量较差。

江苏省AQI存在空间自相关性，且夏冬两季比春秋两季空间自相关性更强。究其原因在于地理位置、气候等因素方面，例如：盐城市有着中国沿海地区最大的滩涂面积，滩涂可以吸收部分污染源，降低污染程度，这可能是盐城市空气质量较好的原因之一。而在社会经濟发展等因素方面，徐州市是江苏省唯一一座冬季供暖的城市，冬季燃煤会造成一定的空气污染，这可能是徐州市空气质量较差的原因之一。政府在制定空气污染防治政策时，需要考虑空气质量的时空分布特征和各城市之间存在的空间相关性，针对夏冬两季空气质量较差、空间自相关性更强，充分考虑季节和城市联动因素，精准治污，提高治理措施的针对性和有效性。

参考文献

[1] 刘华军，杜广杰.中国城市大气污染的空间格局与分布动态演进：基于161个城市AQI及6种分项污染物的实证[J]. 经济地理，2016，36（10）：33-38.

[2] 陈优良，陶天慧，丁鹏. 长江三角洲城市群空气质量时空分布特征[J]. 长江流域资源与环境，2017，26（5）：687-697.

[3] 黄小刚，邵天杰，赵景波，等. 长江经济带空气质量的时空分布特征及影响因素[J].中国环境科学，2020，40（2）：874-884.

[4] 郭雯雯，陈永金，刘阁，等.2016—2019年长江中游城市群空气质量时空变化特征及影响因素分析[J].生态环境学报，2020，29（10）：2034-2044.

[5] 赵柄鉴，文传浩，唐中林.黄河生态经济带空气质量时空分异研究（2015—2018）[J].长江流域资源与环境， 2021，30（4）：900-914.

[6] 吕鑫，郝连秀，郭庆彪.安徽省空气质量时空分布特征分析[J].长江科学院院报，2016，33（12）：144-147，152.

[7] 牟敬锋，赵星，樊静洁，等. 2014—2016年深圳市空气污染时空分布特征[J].卫生研究，2018，47（2）：270-276.

[8] 陈淑真，朱建平，尤添革.基于空气质量指数AQI的空间自相关特征分析：以福建省为例[J].武夷科学，2020，36（1）：48-58.

[9] 甘茂林，吕王勇，符璐. 基于改进Morans I指数的成都市PM2.5的空间统计分析[J].环境科学与技术，2016，39 （9）：187-193.

[10] 贺冉冉，朱兰保，周开胜. 基于时间序列模型残差的中国东部地区空气质量指数（AQI）空间自相关特征分析[J]. 环境科学学报，2017，37（7）：2459-2467.

[11] 许海超，李子君，姜爱霞，等. 山东省空气质量指数的时空分布特征[J]. 济南大学学报（自然科学版），2017，31（2）： 168-175.

责任编辑：黄艳飞

作者简介 火悦（1997—），女，江苏盐城人，主要从事经济统计研究。

AbstractIn order to analyze the spatial and temporal characteristics of air quality in Jiangsu Province， based on the air quality index （AQI） data of cities in Jiangsu Province from 2019 to 2021， a time series model was established， and spatial autocorrelation and other methods were used for research. It was found that the AQI in Jiangsu Province shows a trend of increasing from east to west in spatial distribution and a “W” type trend in temporal change. The air quality was poor in winter and during the plum rain in summer， and the spatial autocorrelation of AQI in summer and winter was stronger than that in spring and autumn.

Key words Air quality; Spatial and temporal characteristics; Time series; Spatial autocorrelation analysis