袁慎

摘 要：针对日益严重的PM2.5污染问题，首先对PM2.5浓度的时空分布特征进行统计描述及相关性分析;其次以采暖期和非采暖期为界，分别对五个监测区域建立PM2.5浓度与温度、气压、风速的VAR模型;最后进行模型的平稳性检验。结果表明，PM2.5日均浓度状况良好，呈现冬季>秋季>春季>夏季的趋势，采暖期较之非采暖期PM2.5浓度更高，主城区受城市效应的影响污染更为严重。同时，在不同监测区域、不同时段之间，湿度、气压和风速对PM2.5浓度的冲击响应和贡献度，也表现出明显的区域和时间差异。

关键词：PM2.5浓度;时间特征;空间特征;VAR模型

中图分类号：X513        文献标志码：A      文章编号：1673-291X（2020）04-0119-03

引言

日趋严重的PM2.5问题对资源环境、人类健康以及大气能见度都产生了日益巨大的威胁[1]，受到了社会各界的广泛关注，众多学者也对我国各城市PM2.5状况进行了大量不同角度的研究。从全国范围来看，罗琳[2]（2017）研究了空气污染在各省会城市的分布特征和变化趋势，反映了我国环境空气质量的时空分布现状，为防治空气污染提供合理的科学依据。对于我国中东部地区城市，杨兴川等（2017）从空间格局、季节变化、日变化规律方面探讨了PM2.5的时空分布特征及其气象因素关系，为京津冀地区PM2.5的污染防治工作提供依据[3]。陈强等（2015）对郑州市的PM2.5浓度时空分布特征进行分析，建立人工神经网络反向传播算法模型用于对郑州市PM2.5的短期预测[4]。对于南方城市PM2.5浓度的研究，郑龙超、何平等（2017）详细分析PM2.5与气压、相对湿度、温度、降水量、风速、日均日照的相关性，为广大民众规避细颗粒物污染提供了参考依据[5]。汤羹、马宪国（2016）统计PM2.5等大气污染物的月平均质量浓度和气象条件，分析与气象因素的相关性，为上海市治理空气污染提供了参考[6]。

近年学者的研究多注重于京津翼等发展程度高的区域，而有着“兰州蓝”之称的兰州，作为中国西北地区重要的工业地区和综合交通枢纽，雾霾污染问题尤为突出，但对兰州市PM2.5污染状况的研究文献却寥寥无几，有的也局限于兰州主城区大气PM2.5污染特征及来源解析[7]，并未针对兰州全市进行过建模分析方面的討论。通过2017年6月1日至2018年5月31日兰州市5个监测点PM2.5浓度和气象因素的逐日数据，从时间和空间上对兰州市的PM2.5浓度和气象因素进行时空特征分析与向量自回归建模，可以全面分析PM2.5浓度和气象因素的相互作用关系，对于兰州市气象质量的监测、预警以及污染防治具有指导性的意义。

一、PM2.5的时空分布特征

（一）PM2.5水平现状

PM2.5作为雾霾形成的重要因素，是我国多数城市的首要污染物。基于可分析的一年数据集来看，榆中兰大校区约有349天空气质量表现优良，其空气质量表现在5个监测站中是最优的。

表1显示，以PM2.5浓度小于75μg/m3（良好）为标准，其中兰炼宾馆超标天数最高达到98天，超标比例达26.85%。榆中兰大校区超标天数最少仅15天，占全年的4%。由于两地所处位置不同，榆中兰大校区位于城区之外，受城市环境污染等因素影响较小，所以污染较轻;而兰炼宾馆则位于西固区市中心，人类活动频繁，导致主城区污染较为严重。其他三个地区污染相对兰炼宾馆较小，但仍不能放松对环境污染的治理工作。

（二）PM2.5月际变化特征

从兰州市五个监测点逐月的PM2.5浓度数据来看，5个监测点PM2.5的浓度整体集中于40～100μg/m3之间，大多数月份PM2.5为良、轻度和中度污染，10月至次年2月的污染较高，即冬季采暖期的污染较为严重。5个地区中，榆中兰大校区数据分布最为集中且表现稳定，PM2.5浓度基本在25～75μg/m3之间，其原因可归结于监测区域较大的绿化和水体面积。其余4个监测地区数据波动较大，说明在春秋季节，降雨、沙尘等气候变化会影响PM2.5浓度的明显波动。值得注意的是，兰炼宾馆的PM2.5浓度在1月26日时PM2.5浓度高达319μg/m3，严重超标，归因于当天的沙尘天气的影响，可见兰炼宾馆区域的污染的相对严重性。

（三）PM2.5季节性变化特征

兰州市5个监测点PM2.5浓度的季均值、月均值均呈同步变化，且变化规律基本一致。其中，PM2.5均值的季节变化特征为：冬季>秋季>春季>夏季。究其原因：一是冬季时北方进入采暖季，各污染物排放量增多导致PM2.5浓度较高;二是春节期间燃放烟花爆竹会产生大量的颗粒物，从而影响空气质量;三是冬季天气的气流非常稳定，大气垂直扩散条件较差，容易形成逆温效应，不利于PM2.5扩散和降解。而夏季大气垂直扩散条件较好，并且多雨水且大雨前后伴随着大风，使空气中的PM2.5容易得到稀释和冲刷，因此夏季PM2.5浓度较低。

（四）PM2.5与气象因素的相关性

为准确地描述变量之间的线性相关程度，可计算温度、相对湿度、海平面气压和风速与PM2.5浓度之间的相关系数。其中，PM2.5浓度与温度之间的相关系数为-0.485，即温度与PM2.5之间有负相关关系，当温度高时，PM2.5浓度也较小。同样的，相对湿度与PM2.5的相关系数为-0.221，存在较弱的负相关关系。海平面气压与PM2.5浓度的相关系数为0.13，有较弱的正相关关系。无论何种气压下，PM2.5浓度变化并不明显，都集中分布在20～70μg/m3。结合兰州市实际情况可以看出，风速与PM2.5浓度相关性较低，相关系数仅为0.021，最不显著。

二、向量自回归（VAR）模型构建

（一）模型概念及建模目的

向量自回归（VAR）模型是由C.A.Sims提出的一种用非结构性模型，通过VAR模型可对兰州市PM2.5浓度及其气象因素各项指标进行实证分析，将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型，研究PM2.5浓度与相对湿度、海平面气压、风速之间的互动关系，其VAR模型如式（1）所示：

（二）单位根检验及滞后阶数的选择

为了更好地建立VAR模型，避免导致伪回归问题，因此要对各因素进行平稳性检验。结合ADF检验的三个检验式可明显得出结论：PM2.5浓度（Yi）与相对湿度（X1）、海平面气压（X2）和风速（X3）均是平稳序列，而温度（X4）变量不平稳，暂不考虑进模型。对于VAR模型的滞后阶数的选择，由EViews运行结果得知，5个监测区采暖期滞后阶数均为2，非采暖期除榆中兰大校区滞后阶数为2，其余地区均为1阶滞后。每个监测区域需建立的VAR模型都是基于4个变量：PM2.5浓度（Yi）与相对湿度（X1）、海平面气压（X2）、风速（X3）、温度（X4），最大滞后期p=2，则每个监测区域最多有2×16=32个参数需要估计。

（三）基于采暖期和非采暖期日数据的VAR模型

已知模型的滞后阶數p=2，且PM2.5浓度（Yi）与相对湿度（X1）、海平面气压（X2）、风速（X3）、温度（X4）四项变量均为平稳序列，满足建立无约束的VAR模型条件。由此根据式（1）对Yi与X1，X2，X3建立VAR模型，估计结果如表2所示，显示了职工医院（Y1）、兰炼宾馆（Y2）、榆中兰大校区（Y3）、铁路设计院（Y4）和生物制品所（Y5）采暖期和非采暖期的10个VAR模型，表2中的数据为各项变量系数，表2中首行变量分别为滞后1期和滞后2期的PM2.5浓度（Yt-1，Yt-2）、相对湿度（X1，t-1，X1，t-2）、海平面气压（X2，t-1，X2，t-2）和风速（X3，t-1，X3，t-2），c为常数项，“-”表示值为空值。

从采暖时期方面来看，无论采暖期还是非采暖期，PM2.5浓度均受前一期的影响较大。在采暖期即温度相对较低时，湿度在滞后1期时，系数为正，除榆中兰大校区外均略大于非采暖期，在滞后2期时表现为弱的反向变动关系;采暖期时气压和风速的系数均明显大于非采暖期，说明二者对PM2.5浓度的影响程度更高，除榆中兰大校区气压影响程度较低外，PM2.5受气压的影响比湿度和风速更为显著正相关;风速对PM2.5浓度的影响程度表现出明显的区域和滞后期的差异性，滞后1期时职工医院、兰炼宾馆区域和滞后2期全部区域系数为负，表现为反向变动关系。在非采暖期时，榆中兰大校区同样表现为与其他区域的不同，其PM2.5浓度受滞后2期影响显著，而其他4个区域仅受滞后1期的影响，除职工医院受风速影响为负外，均为正影响，且气压为主要的影响因素。

从监测区域方面来看，PM2.5浓度同样与前一期的PM2.5浓度均有较大的联系，且为正相关。职工医院区域，影响PM2.5浓度的主要气象条件是气压;兰炼宾馆区域，滞后1期的PM2.5浓度的影响力度明显大于滞后2期;榆中兰大校区，气压和风速作为影响PM2.5浓度的主要因素，相比其他监测地区影响力度较小;该地区的滞后1期的气压与PM2.5呈反向相关关系，且影响力弱于滞后2期的气压影响力。另一方面，风速对于PM2.5浓度整体表现为负向影响，特别是滞后2期的风速对于PM2.5的浓度影响较大;铁路设计院区域，气压仍为主要影响因素，特别在采暖期时系数较大，表现出对PM2.5浓度的强影响作用;生物制品所区域，与滞后1期的相对湿度（X1，t-1）呈正相关关系，风速在采暖期和非采暖期均表现出较强的影响力，说明对流强度有利于空气中的污染物成分的消散，可帮助提升空气质量。

（四）模型平稳性检验

在对PM2.5浓度（Yi）与相对湿度（X1）、海平面气压（X2）、风速（X3）进行VAR模型估计后，还需对模型进行平稳性检验和残差的独立性检验，以此判断模型是否有效。由EViews进行各监测区采暖期和非采暖期的AR根检验可以得出，AR特征方程的特征根的倒数绝对值小于1，该VAR模型系数收敛且存在长期稳定有效，不会影响响应冲击函数的标准差。

三、结论与建议

（一）结论

通过观测分析兰州市2017—2018年5个监测地区的PM2.5浓度日数据和气象数据，对PM2.5的时空分布特征及其气象影响因素进行分析，得出以下结论。

从PM2.5的时间分布来看，兰州市PM2.5污染有较明显的时间变化规律。兰州市日均PM2.5浓度在34.57～66.26μg/m3之间，PM2.5达标比例为16.20%;季节上，污染程度依次为冬季>秋季>春季>夏季;月份上，PM2.5在10月至次年2月的污染较为严重，在其他月份PM2.5为良、轻度污染且表现较平稳。尤其是采暖期，温度较高时，PM2.5浓度的明显升高导致空气质量的恶化。从PM2.5的空间分布来看，PM2.5的浓度分布差异较小，主要划分为两大类，以榆中兰大校区为首连同职工医院、生物制品所3个地区是PM2.5低污染区，优良天气居多;而兰炼宾馆和铁路设计院两个主城区受城市效应的影响较大，导致PM2.5污染情况较为严重。

（二）建议

PM2.5浓度与降雨量有关，在干燥少雨的季节应当重点增加空气湿度，可增派道路洒水车定时段工作，必要时还可通过人工降雨来增加空气湿度，以此减少PM2.5污染物的浓度。一方面，通过提前做好冬季期间的空气质量变化动向的分析预测工作，提前做出关于空气质量整改的可行方案;另一方面，要做好春节期间烟花爆竹的管控工作。由于兰炼宾馆、职工医院和铁路设计院在采暖期污染较为严重，该地区即人口密集居住地区应严禁燃放烟花爆竹，对各住宅小区加强日常监管。

蘭州比南方污染更为严重，一是由于气候因素，二是绿化面积低于南方。因此，可适当增加种植抗旱植被，在兰州市南北两山绿化区的基础上，进一步完善人工森林生态体系，丰富绿化树木的数量和种类，建立生态屏障来改善兰州市内的“小气候”。同时，加强监管签订绿化合同合约签订情况，鼓励农户或个人承包绿化，完善城市的绿化建设管理工作，可长期有效地减少PM2.5污染问题。

参考文献：

[1]  国家环保总局.GB3095-2012环境空气质量标准[S].北京：国家环保总局，2012.

[2]  罗琳.我国31个省会城市空气质量指数的分布特征及其与气象因素的关系[D].重庆医科大学，2017.

[3]  杨兴川，赵文吉，熊秋林，等.2016年京津冀地区PM_（2.5）时空分布特征及其与气象因素的关系[J].生态环境学报，2017，（10）.

[4]  陈强，梅琨，朱慧敏，蔡贤雷，张明华.郑州市PM_（2.5）浓度时空分布特征及预测模型研究[J].中国环境监测，2015，（3）.

[5]  郑龙超，何平，张爱华.贵阳市大气PM_（2.5）质量浓度分布及其与气象因素的相关性分析[J].职业与健康，2017，（2）.

[6]  汤羹，马宪国.上海气象因素对PM_（2.5）等大气污染物浓度的影响[J].能源研究与信息，2016，（2）.

[7]  王新，聂燕，陈红，等.兰州城区大气PM_（2.5）污染特征及来源解析[J].环境科学，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