蘭州市PM2.5的時空特征及氣象因素分析

袁慎

摘 要：針對日益嚴重的PM2.5污染問題，首先對PM2.5濃度的時空分布特征進行統計描述及相關性分析;其次以采暖期和非采暖期為界，分別對五個監測區域建立PM2.5濃度與溫度、氣壓、風速的VAR模型;最后進行模型的平穩性檢驗。結果表明，PM2.5日均濃度狀況良好，呈現冬季>秋季>春季>夏季的趨勢，采暖期較之非采暖期PM2.5濃度更高，主城區受城市效應的影響污染更為嚴重。同時，在不同監測區域、不同時段之間，濕度、氣壓和風速對PM2.5濃度的沖擊響應和貢獻度，也表現出明顯的區域和時間差異。

關鍵詞：PM2.5濃度;時間特征;空間特征;VAR模型

中圖分類號：X513? ? ? ? 文獻標志碼：A? ? ? 文章編號：1673-291X（2020）04-0119-03

引言

日趨嚴重的PM2.5問題對資源環境、人類健康以及大氣能見度都產生了日益巨大的威脅[1]，受到了社會各界的廣泛關注，眾多學者也對我國各城市PM2.5狀況進行了大量不同角度的研究。從全國范圍來看，羅琳[2]（2017）研究了空氣污染在各省會城市的分布特征和變化趨勢，反映了我國環境空氣質量的時空分布現狀，為防治空氣污染提供合理的科學依據。對于我國中東部地區城市，楊興川等（2017）從空間格局、季節變化、日變化規律方面探討了PM2.5的時空分布特征及其氣象因素關系，為京津冀地區PM2.5的污染防治工作提供依據[3]。陳強等（2015）對鄭州市的PM2.5濃度時空分布特征進行分析，建立人工神經網絡反向傳播算法模型用于對鄭州市PM2.5的短期預測[4]。對于南方城市PM2.5濃度的研究，鄭龍超、何平等（2017）詳細分析PM2.5與氣壓、相對濕度、溫度、降水量、風速、日均日照的相關性，為廣大民眾規避細顆粒物污染提供了參考依據[5]。湯羹、馬憲國（2016）統計PM2.5等大氣污染物的月平均質量濃度和氣象條件，分析與氣象因素的相關性，為上海市治理空氣污染提供了參考[6]。

近年學者的研究多注重于京津翼等發展程度高的區域，而有著“蘭州藍”之稱的蘭州，作為中國西北地區重要的工業地區和綜合交通樞紐，霧霾污染問題尤為突出，但對蘭州市PM2.5污染狀況的研究文獻卻寥寥無幾，有的也局限于蘭州主城區大氣PM2.5污染特征及來源解析[7]，并未針對蘭州全市進行過建模分析方面的討論。通過2017年6月1日至2018年5月31日蘭州市5個監測點PM2.5濃度和氣象因素的逐日數據，從時間和空間上對蘭州市的PM2.5濃度和氣象因素進行時空特征分析與向量自回歸建模，可以全面分析PM2.5濃度和氣象因素的相互作用關系，對于蘭州市氣象質量的監測、預警以及污染防治具有指導性的意義。

一、PM2.5的時空分布特征

（一）PM2.5水平現狀

PM2.5作為霧霾形成的重要因素，是我國多數城市的首要污染物。基于可分析的一年數據集來看，榆中蘭大校區約有349天空氣質量表現優良，其空氣質量表現在5個監測站中是最優的。

表1顯示，以PM2.5濃度小于75μg/m3（良好）為標準，其中蘭煉賓館超標天數最高達到98天，超標比例達26.85%。榆中蘭大校區超標天數最少僅15天，占全年的4%。由于兩地所處位置不同，榆中蘭大校區位于城區之外，受城市環境污染等因素影響較小，所以污染較輕;而蘭煉賓館則位于西固區市中心，人類活動頻繁，導致主城區污染較為嚴重。其他三個地區污染相對蘭煉賓館較小，但仍不能放松對環境污染的治理工作。

（二）PM2.5月際變化特征

從蘭州市五個監測點逐月的PM2.5濃度數據來看，5個監測點PM2.5的濃度整體集中于40～100μg/m3之間，大多數月份PM2.5為良、輕度和中度污染，10月至次年2月的污染較高，即冬季采暖期的污染較為嚴重。5個地區中，榆中蘭大校區數據分布最為集中且表現穩定，PM2.5濃度基本在25～75μg/m3之間，其原因可歸結于監測區域較大的綠化和水體面積。其余4個監測地區數據波動較大，說明在春秋季節，降雨、沙塵等氣候變化會影響PM2.5濃度的明顯波動。值得注意的是，蘭煉賓館的PM2.5濃度在1月26日時PM2.5濃度高達319μg/m3，嚴重超標，歸因于當天的沙塵天氣的影響，可見蘭煉賓館區域的污染的相對嚴重性。

（三）PM2.5季節性變化特征

蘭州市5個監測點PM2.5濃度的季均值、月均值均呈同步變化，且變化規律基本一致。其中，PM2.5均值的季節變化特征為：冬季>秋季>春季>夏季。究其原因：一是冬季時北方進入采暖季，各污染物排放量增多導致PM2.5濃度較高;二是春節期間燃放煙花爆竹會產生大量的顆粒物，從而影響空氣質量;三是冬季天氣的氣流非常穩定，大氣垂直擴散條件較差，容易形成逆溫效應，不利于PM2.5擴散和降解。而夏季大氣垂直擴散條件較好，并且多雨水且大雨前后伴隨著大風，使空氣中的PM2.5容易得到稀釋和沖刷，因此夏季PM2.5濃度較低。

（四）PM2.5與氣象因素的相關性

為準確地描述變量之間的線性相關程度，可計算溫度、相對濕度、海平面氣壓和風速與PM2.5濃度之間的相關系數。其中，PM2.5濃度與溫度之間的相關系數為-0.485，即溫度與PM2.5之間有負相關關系，當溫度高時，PM2.5濃度也較小。同樣的，相對濕度與PM2.5的相關系數為-0.221，存在較弱的負相關關系。海平面氣壓與PM2.5濃度的相關系數為0.13，有較弱的正相關關系。無論何種氣壓下，PM2.5濃度變化并不明顯，都集中分布在20～70μg/m3。結合蘭州市實際情況可以看出，風速與PM2.5濃度相關性較低，相關系數僅為0.021，最不顯著。

二、向量自回歸（VAR）模型構建

（一）模型概念及建模目的

向量自回歸（VAR）模型是由C.A.Sims提出的一種用非結構性模型，通過VAR模型可對蘭州市PM2.5濃度及其氣象因素各項指標進行實證分析，將單變量自回歸模型推廣到由多元時間序列變量組成的“向量”自回歸模型，研究PM2.5濃度與相對濕度、海平面氣壓、風速之間的互動關系，其VAR模型如式（1）所示：

（二）單位根檢驗及滯后階數的選擇

為了更好地建立VAR模型，避免導致偽回歸問題，因此要對各因素進行平穩性檢驗。結合ADF檢驗的三個檢驗式可明顯得出結論：PM2.5濃度（Yi）與相對濕度（X1）、海平面氣壓（X2）和風速（X3）均是平穩序列，而溫度（X4）變量不平穩，暫不考慮進模型。對于VAR模型的滯后階數的選擇，由EViews運行結果得知，5個監測區采暖期滯后階數均為2，非采暖期除榆中蘭大校區滯后階數為2，其余地區均為1階滯后。每個監測區域需建立的VAR模型都是基于4個變量：PM2.5濃度（Yi）與相對濕度（X1）、海平面氣壓（X2）、風速（X3）、溫度（X4），最大滯后期p=2，則每個監測區域最多有2×16=32個參數需要估計。

（三）基于采暖期和非采暖期日數據的VAR模型

已知模型的滯后階數p=2，且PM2.5濃度（Yi）與相對濕度（X1）、海平面氣壓（X2）、風速（X3）、溫度（X4）四項變量均為平穩序列，滿足建立無約束的VAR模型條件。由此根據式（1）對Yi與X1，X2，X3建立VAR模型，估計結果如表2所示，顯示了職工醫院（Y1）、蘭煉賓館（Y2）、榆中蘭大校區（Y3）、鐵路設計院（Y4）和生物制品所（Y5）采暖期和非采暖期的10個VAR模型，表2中的數據為各項變量系數，表2中首行變量分別為滯后1期和滯后2期的PM2.5濃度（Yt-1，Yt-2）、相對濕度（X1，t-1，X1，t-2）、海平面氣壓（X2，t-1，X2，t-2）和風速（X3，t-1，X3，t-2），c為常數項，“-”表示值為空值。

從采暖時期方面來看，無論采暖期還是非采暖期，PM2.5濃度均受前一期的影響較大。在采暖期即溫度相對較低時，濕度在滯后1期時，系數為正，除榆中蘭大校區外均略大于非采暖期，在滯后2期時表現為弱的反向變動關系;采暖期時氣壓和風速的系數均明顯大于非采暖期，說明二者對PM2.5濃度的影響程度更高，除榆中蘭大校區氣壓影響程度較低外，PM2.5受氣壓的影響比濕度和風速更為顯著正相關;風速對PM2.5濃度的影響程度表現出明顯的區域和滯后期的差異性，滯后1期時職工醫院、蘭煉賓館區域和滯后2期全部區域系數為負，表現為反向變動關系。在非采暖期時，榆中蘭大校區同樣表現為與其他區域的不同，其PM2.5濃度受滯后2期影響顯著，而其他4個區域僅受滯后1期的影響，除職工醫院受風速影響為負外，均為正影響，且氣壓為主要的影響因素。

從監測區域方面來看，PM2.5濃度同樣與前一期的PM2.5濃度均有較大的聯系，且為正相關。職工醫院區域，影響PM2.5濃度的主要氣象條件是氣壓;蘭煉賓館區域，滯后1期的PM2.5濃度的影響力度明顯大于滯后2期;榆中蘭大校區，氣壓和風速作為影響PM2.5濃度的主要因素，相比其他監測地區影響力度較小;該地區的滯后1期的氣壓與PM2.5呈反向相關關系，且影響力弱于滯后2期的氣壓影響力。另一方面，風速對于PM2.5濃度整體表現為負向影響，特別是滯后2期的風速對于PM2.5的濃度影響較大;鐵路設計院區域，氣壓仍為主要影響因素，特別在采暖期時系數較大，表現出對PM2.5濃度的強影響作用;生物制品所區域，與滯后1期的相對濕度（X1，t-1）呈正相關關系，風速在采暖期和非采暖期均表現出較強的影響力，說明對流強度有利于空氣中的污染物成分的消散，可幫助提升空氣質量。

（四）模型平穩性檢驗

在對PM2.5濃度（Yi）與相對濕度（X1）、海平面氣壓（X2）、風速（X3）進行VAR模型估計后，還需對模型進行平穩性檢驗和殘差的獨立性檢驗，以此判斷模型是否有效。由EViews進行各監測區采暖期和非采暖期的AR根檢驗可以得出，AR特征方程的特征根的倒數絕對值小于1，該VAR模型系數收斂且存在長期穩定有效，不會影響響應沖擊函數的標準差。

三、結論與建議

（一）結論

通過觀測分析蘭州市2017—2018年5個監測地區的PM2.5濃度日數據和氣象數據，對PM2.5的時空分布特征及其氣象影響因素進行分析，得出以下結論。

從PM2.5的時間分布來看，蘭州市PM2.5污染有較明顯的時間變化規律。蘭州市日均PM2.5濃度在34.57～66.26μg/m3之間，PM2.5達標比例為16.20%;季節上，污染程度依次為冬季>秋季>春季>夏季;月份上，PM2.5在10月至次年2月的污染較為嚴重，在其他月份PM2.5為良、輕度污染且表現較平穩。尤其是采暖期，溫度較高時，PM2.5濃度的明顯升高導致空氣質量的惡化。從PM2.5的空間分布來看，PM2.5的濃度分布差異較小，主要劃分為兩大類，以榆中蘭大校區為首連同職工醫院、生物制品所3個地區是PM2.5低污染區，優良天氣居多;而蘭煉賓館和鐵路設計院兩個主城區受城市效應的影響較大，導致PM2.5污染情況較為嚴重。

（二）建議

PM2.5濃度與降雨量有關，在干燥少雨的季節應當重點增加空氣濕度，可增派道路灑水車定時段工作，必要時還可通過人工降雨來增加空氣濕度，以此減少PM2.5污染物的濃度。一方面，通過提前做好冬季期間的空氣質量變化動向的分析預測工作，提前做出關于空氣質量整改的可行方案;另一方面，要做好春節期間煙花爆竹的管控工作。由于蘭煉賓館、職工醫院和鐵路設計院在采暖期污染較為嚴重，該地區即人口密集居住地區應嚴禁燃放煙花爆竹，對各住宅小區加強日常監管。

蘭州比南方污染更為嚴重，一是由于氣候因素，二是綠化面積低于南方。因此，可適當增加種植抗旱植被，在蘭州市南北兩山綠化區的基礎上，進一步完善人工森林生態體系，豐富綠化樹木的數量和種類，建立生態屏障來改善蘭州市內的“小氣候”。同時，加強監管簽訂綠化合同合約簽訂情況，鼓勵農戶或個人承包綠化，完善城市的綠化建設管理工作，可長期有效地減少PM2.5污染問題。

參考文獻：

[1]? 國家環保總局.GB3095-2012環境空氣質量標準[S].北京：國家環保總局，2012.

[2]? 羅琳.我國31個省會城市空氣質量指數的分布特征及其與氣象因素的關系[D].重慶醫科大學，2017.

[3]? 楊興川，趙文吉，熊秋林，等.2016年京津冀地區PM_（2.5）時空分布特征及其與氣象因素的關系[J].生態環境學報，2017，（10）.

[4]? 陳強，梅琨，朱慧敏，蔡賢雷，張明華.鄭州市PM_（2.5）濃度時空分布特征及預測模型研究[J].中國環境監測，2015，（3）.

[5]? 鄭龍超，何平，張愛華.貴陽市大氣PM_（2.5）質量濃度分布及其與氣象因素的相關性分析[J].職業與健康，2017，（2）.

[6]? 湯羹，馬憲國.上海氣象因素對PM_（2.5）等大氣污染物濃度的影響[J].能源研究與信息，2016，（2）.

[7]? 王新，聶燕，陳紅，等.蘭州城區大氣PM_（2.5）污染特征及來源解析[J].環境科學，2016，（5）.

Analysis of Space-time Characteristics and Meteorological Factors of PM2.5in Lanzhou City

YUAN Shen

（Department of Statistics; Lanzhou University of Finance and Economics，Lanzhou 730101，China）

Abstract：Aiming at the increasingly serious PM2.5 pollution problem，the statistical description and correlation analysis of the spatial-temporal distribution characteristics of PM2.5 concentration were first performed. Second，PM2.5 was established for each of the five monitoring areas with heating and non-heating periods as the boundaries. VAR model of concentration and temperature，air pressure，and wind speed; Finally，the stationarity test of the model is performed. It is concluded that the daily average concentration of PM2.5 is good，showing winter>autumn>spring>summer，the PM2.5 concentration is higher in the heating period than in the non-heating period，and the main urban area is more polluted by the urban effect; and The impact response and contribution of humidity，air pressure，and wind speed to the concentration of PM2.5 between different monitoring areas and different time periods also show obvious regional and time differences.

Key words：PM2.5 concentration;impulse response;variance decomposition;VAR model