论文部分内容阅读
摘要：基于空气在线监测网站提供的空气质量（AQI、PM10、PM2.5、S02、N02、CO、03）历史数据，结合2014-2016年的统计年鉴提供的社会经济数据，运用MATLAB软件，选取山东半岛城市群包括的9个城市作为研究样本，分析了该城市群空气质量的时空分布特征，并运用MATLAB双变量的相关分析方法分析了影响该城市群空气质量的因素。结果表明，排名前三的主要大气污染物是PM10、PM2.5、03，AQI与PM10、PM2.5、CO的空间相关性在逐年递增。但是只有03与人均城市道路面积有显著相关性，其他空气质量指标与该城市群的社会经济数据之间没有显著相关性。
关键词：空气质量；时空分布特征；相关性
中图分类号：X24 文献标识码：A 文章编号：1009-3044（2017）17-0207-04
1概述
城市群作为推进新型城镇化的主体形态，已经成为加速我国经济增长的坚实力量。然而，随着城市群经济的快速发展，带来了严重的区域空气污染问题，已成为威胁我国可持续发展和人类健康的重要挑战。2016年11月-2017年1月，京津冀地区发生7次中、重度霾天气，比2015年同期增长两次。2016年12月29日-2017年1月4日，山東省17地市共有16市发布重污染天气预警。2016年12月19日，我国重度污染的省区市数量有17个，重度霾污染区域的面积达到58万平方公里。根据美国耶鲁大学发布的《2016年环境绩效指数报告》显示，我国空气质量排名在全球属于倒数第二，是空气污染重灾区，其中城市群作为经济更发达、人口更集中区域，其空气污染过程同步性更明显，区域污染特征更显著。因此，城市群空气质量问题成为目前的研究热点问题之一。另外，在我国工业化、城镇化的进程中，我国政府始终重视空气质量问题。虽然在政府和社会各方面的不懈努力下，我国空气污染防治工作取得许多进展，但是随着我国经济的迅猛增长，城市群在经济、社会、文化等方面发展的同时，其空气质量出现复杂的时空特征，使得空气污染形势仍非常严峻。因此，根据不同城市群面临的特定问题，充分分析空气主要污染物的时空分布变化特征，并找到影响该时空变化特征的因素，是进一步促进空气质量的提升、推进新型城镇化进程的关键问题之一。
目前国内的研究内容大多数集中到自然因素、社会经济因素对城市群空气质量的影响研究。例如，李明华等（2008）研究了秋季海风的出现对珠江三角洲城市群空气污染浓度增加的影响。袁博等（2009）、罗岳平等（2014）等主要分析了主要污染物的季节变化特征。周德平等（2010）分析了2007年春季沙尘暴对辽宁中部城市群的可吸入颗粒物的影响，研究得出沙尘暴天气会使得PMIO与PM2.5质量浓度明显增加。廖志恒等（2014）分析了长株潭城市群2013年近10天的空气污染过程，分析得出秸秆焚烧火点分布、大气环流、高压等对该区域的空气质量有重要的影响。陈永林等（2015）利用2013年全国省会城市、直辖市及主要地级市共156个城市的数据，运用双变量分析法，主要揭示了季节、降水、气压、温度等对全国城市群空气质量的影响，以及AQI、PM10、PM2.5与地区生产总值、工业用电量等之间的相关关系。胡秋灵等（2016）利用AQI数据，统计分析了滇中、黔中、北部湾三个城市群的空气污染差异性，并得出城市群空气污染存在季节效应与节日效应，首要污染物种类明显不同等结论。
国外学者主要研究城市层次的相关空气质量研究。比如，Laureti等（2014）利用STIRPAT模型，分析了马德里城市的社会一经济因子与空气质量环境因子之间的复杂关系，发现私人交通工具相关变量与NOx排放存在正的统计相关性。Tsegas等（2015）利用不同尺度上的耦合系统，模拟了巴黎地区大气污染的扩散与城市冠层结构之间的时空关系。Rodriguez等（2016）利用贝叶斯平均选择模型，实证分析了欧洲249个大城市的结构与造成空气污染的主要因素：NO2，PM10，SO2之间的关系，结果显示，城市结构与空气污染存在显著相关性。基于空气质量变化的复杂性与潜在的非线性，Thunis等（2015）提出了一种新的函数时间平均方法，来量化空气质量模型中的非线性效应，并利用欧洲城市空气质量中PM10、PM2.5、03在年、月、日平均中体现出的非线性，实证分析了该方法的有效性。为了评估大范围尺度上的可持续化发展，X.Feng等（2015）提出了一种基于空气质量轨迹分析与小波变化的人工神经网络模型，用来预测可吸入颗粒物的日均浓度。
综上所述，国内外关于城市群空气质量时空分布特征及其影响因素的研究不多，而且已有的城市群空气质量时空分布研究往往局限于空气质量指数AQI、可吸入颗粒物PM10与PM2.5的年平均值为基础数据，这种数据分析基础很难准确的体现城市群空气质量的时空变化。另外，相关的数据分析与仿真模型很少是运用MATALB软件进行研究的。因此，本文以山东半岛城市群2013年12月-2016年11月的空气质量指数AQI、可吸入颗粒物PM10与PM2.5、SO2、CO、NO2、O3的月数据为基础，采用MATLAB软件进行编程计算其Moran’Ⅰ指数，计算了该城市群空气质量的时空分布特征，并运用MATALB编程双变量相关分析法分析了影响该城市群空气质量的因素，为促进城市群空气质量的提升、推进新型城镇化进程提供新的实证基础，同时也为我国如何进一步解决区域空气污染问题提供可借鉴的参考理论。
2数据来源与研究方法
2.1研究范围与数据来源
本研究以山东半岛城市群所属的东营（DY）、烟台（YT）、滨州（BZ）、威海（WH）、潍坊（WF）、淄博（ZB）、济南UN）、青岛（QD）、日照（RZ）为研究范围，空气质量数据（AQI、PM10、PM2.5、SO2、CO、NO2、O3）来源于中国空气质量在线监测分析平台（https：∥www.aqistudy.cn/），社会经济数据来源于《山东省统计年鉴》（2014-2016年）。 2.2研究方法
文中采用MATLAB软件编程计算Moran’s Ⅰ指数，分析山东半岛城市群空气质量的时空变化情况，并运用MATLAB软件编程双变量相关法，分析研究该城市群空气质量与社会经济因素之间的关系。
3結果与分析
3.1山东半岛城市群空气质量的时空分布特征
3.1.1山东半岛城市群空气质量的时间分布特征
选取AQI、PM10、PM2.5、SO2、CO、NO2、O3等7个指标的月平均值为基础数据，分别以时间序列、近三年从2013年12月-2016年11月的同比变化两种不同的角度分析这7个指标的时间分布特征。
由图1（a）可知，2013年11月-2016年12月，从AQI来看，山东半岛城市群的空气质量明显的分为三个不同的水平，其中WH和YT空气质量最好，RZ和QD处于变动较大的中间层次，其他五个城市BZ、DY、JN，、WF、ZB处于空气质量最差的层次。另外，山东半岛城市群9城市的空气质量变动情况存在一定的联动性。
我们选取三个层次中最具代表的三个城市：空气质量普遍最好的WH、中间层次的QD、最差层次的ZB为例，进一步分析这些城市在2013年12月-2014年11月、2014年12月-2015年11月、2015年12月-2016年11月三个时期内的同比变化情况。图1（b-d）显示，绝大多数时期，山东半岛城市群的空气质量同比变化呈上升趋势。
图2显示三个层次的城市代表体现了不同的主要污染物变化。尤其要注意的是，除了更受关注的PM10、PM2.5仍然是排名靠前的主要污染物，并具有一定的相关性之外，这三个城市的03含量变化有一定的周期性，并经常超过PM10成为首要污染物。第一层次、第二层次城市的SO2、NO2含量及变化不大，但第三层次城市的SO2增量相比其他两个层次的城市要快，而且变化幅度明显加大。CO含量及变化在所有城市中都不明显。
3.1.2山东半岛城市群空气质量的空间分布特征
利用MATLAB编程分析了山东半岛城市群9城市的7个空气质量指标的空间分布特征，见表1。
由表1可以看出，山东半岛城市群的AQI、PM10、PM2.5、CO的空间相关性在逐年递增，SO2的空间相关性体现在2014与2015两年，N02的空间相关性仅在2015年有所体现，O3的空间相关性体现不明显。
3.2山东半岛城市群空气质量的影响因素
利用MATLAB软件，编程分析该城市群的AQI、PM10、PM2.5、SO2、CO、NO2、O3空气质量指标之间的相关性（表2），这些空气质量指标与人均GDP、城市群面积、运营路线总长度、人均公园绿地面积、人均城市道路面积、城市群绿化覆盖率等数据之间的双变量相关性（表3）。
由表2可以看出，AQI与PM10、PM2.5、S02、NO2、CO之间的相关性显著，最低相关性达到70.4%。PM10与PM2.5相关性达到97.7%，PM10与SO2、NO2之间的相关性超过86%，与CO相关性超过71%。NO2和SO2、CO之间的相关性超过83%。但是其他六种空气质量指标与O3的相关性都不显著。
表3显示，O3与人均城市道路面积有73%的显著相关性，其他空气质量指标与社会经济因素之间的相关性并不显著。
4讨论与结论
利用MATLAB软件，编程计算空间Moran’s Ⅰ指数与双变量相关系数，分析2013年11月-2016年12月山东半岛城市群的7个空气质量指标的时空变化情况，结果显示：威海、烟台空气质量最好，日照和青岛处于空气质量变动范围比较大的中间层次，其他五个城市滨州、东营、济南、潍坊、淄博处于空气质量最差的最低层次。9城市排名前三的主要污染物是PM10、PM2.5、O3，SO2在三个不同层次的城市中增量不同。7种空气质量指标的空间相关性并不同步。而7种空气质量指标与人均GDP、城市群面积、运营路线总长度、人均公园绿地面积、人均城市道路面积、城市群绿化覆盖率等绝大多数数据之间并没有显著的相关性，只有O3与人均城市道路面积有73%的显著相关性。这说明今后需要继续运用MATLAB软件，编程相关的数据挖掘模型，深入、系统的分析不同尺度上空气质量指标的时空变化特征，为进一步提升空气质量、推进新型城镇化建设提供思路。
另外，该城市群的AQI、PM10、PM2.5、SO2、CO、NO2、O3空气质量指标之间的相关性显示，AQI、PM10、PM2.5、SO2、NO2、CO之间的相关性显著，但是与O3的相关性都不显著。根据O3在最近三年的变化，提示当地相关部门应该注意，除了注意AQI、PM10、PM2.5三个空气质量指标之外，还应警惕O3的排放变化情况。
5结论
2013年11月-2016年12月，山东半岛城市群空气质量指标的分布特征如下：
1）滨州、东营、济南、潍坊、淄博空气污染较为严重，日照和青岛总体空气质量较好，威海、烟台空气质量最好。绝大多数时期，山东半岛城市群的空气质量同比变化呈上升趋势。
2）9城市排名前三的主要大气污染物是PM10、PM2.5、O3，SO2在三个不同层次的城市中增量不同。
3）AQI、PM10、PM2.5、CO的空间相关性在逐年递增，SO2、NO2、O3的空间相关性不具备逐年增加的特征。
4）只有O3与人均城市道路面积有显著相关性，其他空气质量指标AQI、PM10、PM2.5、SO2、CO、NO2与该城市群的人均GDP、城市群面积、运营路线总长度、人均公园绿地面积、人均城市道路面积、城市群绿化覆盖率等数据之间没有显著相关性。
5）AQI与PM10、PM2.5、SO2、NO2、CO之间的相关性显著，但是与O3的相关性都不显著。
关键词：空气质量；时空分布特征；相关性
中图分类号：X24 文献标识码：A 文章编号：1009-3044（2017）17-0207-04
1概述
城市群作为推进新型城镇化的主体形态，已经成为加速我国经济增长的坚实力量。然而，随着城市群经济的快速发展，带来了严重的区域空气污染问题，已成为威胁我国可持续发展和人类健康的重要挑战。2016年11月-2017年1月，京津冀地区发生7次中、重度霾天气，比2015年同期增长两次。2016年12月29日-2017年1月4日，山東省17地市共有16市发布重污染天气预警。2016年12月19日，我国重度污染的省区市数量有17个，重度霾污染区域的面积达到58万平方公里。根据美国耶鲁大学发布的《2016年环境绩效指数报告》显示，我国空气质量排名在全球属于倒数第二，是空气污染重灾区，其中城市群作为经济更发达、人口更集中区域，其空气污染过程同步性更明显，区域污染特征更显著。因此，城市群空气质量问题成为目前的研究热点问题之一。另外，在我国工业化、城镇化的进程中，我国政府始终重视空气质量问题。虽然在政府和社会各方面的不懈努力下，我国空气污染防治工作取得许多进展，但是随着我国经济的迅猛增长，城市群在经济、社会、文化等方面发展的同时，其空气质量出现复杂的时空特征，使得空气污染形势仍非常严峻。因此，根据不同城市群面临的特定问题，充分分析空气主要污染物的时空分布变化特征，并找到影响该时空变化特征的因素，是进一步促进空气质量的提升、推进新型城镇化进程的关键问题之一。
目前国内的研究内容大多数集中到自然因素、社会经济因素对城市群空气质量的影响研究。例如，李明华等（2008）研究了秋季海风的出现对珠江三角洲城市群空气污染浓度增加的影响。袁博等（2009）、罗岳平等（2014）等主要分析了主要污染物的季节变化特征。周德平等（2010）分析了2007年春季沙尘暴对辽宁中部城市群的可吸入颗粒物的影响，研究得出沙尘暴天气会使得PMIO与PM2.5质量浓度明显增加。廖志恒等（2014）分析了长株潭城市群2013年近10天的空气污染过程，分析得出秸秆焚烧火点分布、大气环流、高压等对该区域的空气质量有重要的影响。陈永林等（2015）利用2013年全国省会城市、直辖市及主要地级市共156个城市的数据，运用双变量分析法，主要揭示了季节、降水、气压、温度等对全国城市群空气质量的影响，以及AQI、PM10、PM2.5与地区生产总值、工业用电量等之间的相关关系。胡秋灵等（2016）利用AQI数据，统计分析了滇中、黔中、北部湾三个城市群的空气污染差异性，并得出城市群空气污染存在季节效应与节日效应，首要污染物种类明显不同等结论。
国外学者主要研究城市层次的相关空气质量研究。比如，Laureti等（2014）利用STIRPAT模型，分析了马德里城市的社会一经济因子与空气质量环境因子之间的复杂关系，发现私人交通工具相关变量与NOx排放存在正的统计相关性。Tsegas等（2015）利用不同尺度上的耦合系统，模拟了巴黎地区大气污染的扩散与城市冠层结构之间的时空关系。Rodriguez等（2016）利用贝叶斯平均选择模型，实证分析了欧洲249个大城市的结构与造成空气污染的主要因素：NO2，PM10，SO2之间的关系，结果显示，城市结构与空气污染存在显著相关性。基于空气质量变化的复杂性与潜在的非线性，Thunis等（2015）提出了一种新的函数时间平均方法，来量化空气质量模型中的非线性效应，并利用欧洲城市空气质量中PM10、PM2.5、03在年、月、日平均中体现出的非线性，实证分析了该方法的有效性。为了评估大范围尺度上的可持续化发展，X.Feng等（2015）提出了一种基于空气质量轨迹分析与小波变化的人工神经网络模型，用来预测可吸入颗粒物的日均浓度。
综上所述，国内外关于城市群空气质量时空分布特征及其影响因素的研究不多，而且已有的城市群空气质量时空分布研究往往局限于空气质量指数AQI、可吸入颗粒物PM10与PM2.5的年平均值为基础数据，这种数据分析基础很难准确的体现城市群空气质量的时空变化。另外，相关的数据分析与仿真模型很少是运用MATALB软件进行研究的。因此，本文以山东半岛城市群2013年12月-2016年11月的空气质量指数AQI、可吸入颗粒物PM10与PM2.5、SO2、CO、NO2、O3的月数据为基础，采用MATLAB软件进行编程计算其Moran’Ⅰ指数，计算了该城市群空气质量的时空分布特征，并运用MATALB编程双变量相关分析法分析了影响该城市群空气质量的因素，为促进城市群空气质量的提升、推进新型城镇化进程提供新的实证基础，同时也为我国如何进一步解决区域空气污染问题提供可借鉴的参考理论。
2数据来源与研究方法
2.1研究范围与数据来源
本研究以山东半岛城市群所属的东营（DY）、烟台（YT）、滨州（BZ）、威海（WH）、潍坊（WF）、淄博（ZB）、济南UN）、青岛（QD）、日照（RZ）为研究范围，空气质量数据（AQI、PM10、PM2.5、SO2、CO、NO2、O3）来源于中国空气质量在线监测分析平台（https：∥www.aqistudy.cn/），社会经济数据来源于《山东省统计年鉴》（2014-2016年）。 2.2研究方法
文中采用MATLAB软件编程计算Moran’s Ⅰ指数，分析山东半岛城市群空气质量的时空变化情况，并运用MATLAB软件编程双变量相关法，分析研究该城市群空气质量与社会经济因素之间的关系。
3結果与分析
3.1山东半岛城市群空气质量的时空分布特征
3.1.1山东半岛城市群空气质量的时间分布特征
选取AQI、PM10、PM2.5、SO2、CO、NO2、O3等7个指标的月平均值为基础数据，分别以时间序列、近三年从2013年12月-2016年11月的同比变化两种不同的角度分析这7个指标的时间分布特征。
由图1（a）可知，2013年11月-2016年12月，从AQI来看，山东半岛城市群的空气质量明显的分为三个不同的水平，其中WH和YT空气质量最好，RZ和QD处于变动较大的中间层次，其他五个城市BZ、DY、JN，、WF、ZB处于空气质量最差的层次。另外，山东半岛城市群9城市的空气质量变动情况存在一定的联动性。
我们选取三个层次中最具代表的三个城市：空气质量普遍最好的WH、中间层次的QD、最差层次的ZB为例，进一步分析这些城市在2013年12月-2014年11月、2014年12月-2015年11月、2015年12月-2016年11月三个时期内的同比变化情况。图1（b-d）显示，绝大多数时期，山东半岛城市群的空气质量同比变化呈上升趋势。
图2显示三个层次的城市代表体现了不同的主要污染物变化。尤其要注意的是，除了更受关注的PM10、PM2.5仍然是排名靠前的主要污染物，并具有一定的相关性之外，这三个城市的03含量变化有一定的周期性，并经常超过PM10成为首要污染物。第一层次、第二层次城市的SO2、NO2含量及变化不大，但第三层次城市的SO2增量相比其他两个层次的城市要快，而且变化幅度明显加大。CO含量及变化在所有城市中都不明显。
3.1.2山东半岛城市群空气质量的空间分布特征
利用MATLAB编程分析了山东半岛城市群9城市的7个空气质量指标的空间分布特征，见表1。
由表1可以看出，山东半岛城市群的AQI、PM10、PM2.5、CO的空间相关性在逐年递增，SO2的空间相关性体现在2014与2015两年，N02的空间相关性仅在2015年有所体现，O3的空间相关性体现不明显。
3.2山东半岛城市群空气质量的影响因素
利用MATLAB软件，编程分析该城市群的AQI、PM10、PM2.5、SO2、CO、NO2、O3空气质量指标之间的相关性（表2），这些空气质量指标与人均GDP、城市群面积、运营路线总长度、人均公园绿地面积、人均城市道路面积、城市群绿化覆盖率等数据之间的双变量相关性（表3）。
由表2可以看出，AQI与PM10、PM2.5、S02、NO2、CO之间的相关性显著，最低相关性达到70.4%。PM10与PM2.5相关性达到97.7%，PM10与SO2、NO2之间的相关性超过86%，与CO相关性超过71%。NO2和SO2、CO之间的相关性超过83%。但是其他六种空气质量指标与O3的相关性都不显著。
表3显示，O3与人均城市道路面积有73%的显著相关性，其他空气质量指标与社会经济因素之间的相关性并不显著。
4讨论与结论
利用MATLAB软件，编程计算空间Moran’s Ⅰ指数与双变量相关系数，分析2013年11月-2016年12月山东半岛城市群的7个空气质量指标的时空变化情况，结果显示：威海、烟台空气质量最好，日照和青岛处于空气质量变动范围比较大的中间层次，其他五个城市滨州、东营、济南、潍坊、淄博处于空气质量最差的最低层次。9城市排名前三的主要污染物是PM10、PM2.5、O3，SO2在三个不同层次的城市中增量不同。7种空气质量指标的空间相关性并不同步。而7种空气质量指标与人均GDP、城市群面积、运营路线总长度、人均公园绿地面积、人均城市道路面积、城市群绿化覆盖率等绝大多数数据之间并没有显著的相关性，只有O3与人均城市道路面积有73%的显著相关性。这说明今后需要继续运用MATLAB软件，编程相关的数据挖掘模型，深入、系统的分析不同尺度上空气质量指标的时空变化特征，为进一步提升空气质量、推进新型城镇化建设提供思路。
另外，该城市群的AQI、PM10、PM2.5、SO2、CO、NO2、O3空气质量指标之间的相关性显示，AQI、PM10、PM2.5、SO2、NO2、CO之间的相关性显著，但是与O3的相关性都不显著。根据O3在最近三年的变化，提示当地相关部门应该注意，除了注意AQI、PM10、PM2.5三个空气质量指标之外，还应警惕O3的排放变化情况。
5结论
2013年11月-2016年12月，山东半岛城市群空气质量指标的分布特征如下：
1）滨州、东营、济南、潍坊、淄博空气污染较为严重，日照和青岛总体空气质量较好，威海、烟台空气质量最好。绝大多数时期，山东半岛城市群的空气质量同比变化呈上升趋势。
2）9城市排名前三的主要大气污染物是PM10、PM2.5、O3，SO2在三个不同层次的城市中增量不同。
3）AQI、PM10、PM2.5、CO的空间相关性在逐年递增，SO2、NO2、O3的空间相关性不具备逐年增加的特征。
4）只有O3与人均城市道路面积有显著相关性，其他空气质量指标AQI、PM10、PM2.5、SO2、CO、NO2与该城市群的人均GDP、城市群面积、运营路线总长度、人均公园绿地面积、人均城市道路面积、城市群绿化覆盖率等数据之间没有显著相关性。
5）AQI与PM10、PM2.5、SO2、NO2、CO之间的相关性显著，但是与O3的相关性都不显著。