, 周海峰1, 赖志柱2, 柏玲3, 陈忠升41. 浙江财经大学经济学院, 杭州 310018;
2. 华东师范大学地理信息科学教育部重点实验室, 上海 200241;
3. 南昌大学经济管理学院, 南昌 330031;
4. 西华师范大学国土资源学院, 南充 637002
收稿日期: 2018-04-02; 修回日期: 2018-05-10; 录用日期: 2018-05-10
基金项目: 国家自然科学基金项目（No.41761021）；教育部人文社会科学研究青年基金项目（No.17YJC790061）；中国博士后学基金面上资助项目（No.2017M621740）
作者简介: 姜磊(1983-), 男, 助理教授(博士)
通讯作者（责任作者）: 姜磊, E-mail:lei_jiang@zufe.edu.cn
摘要: 近年来我国雾霾事件频发.采用2015-2017年全国329个地级及以上城市PM2.5浓度每小时监测数据，利用全域空间自相关法、自然正交函数和空间描述统计分析的方法，从时空视角来揭示PM2.5浓度的时间动态变化规律以及空间分布特征.研究发现：①从全国范围内来看，PM2.5浓度均值逐年降低，降幅最高为夏季，最低为冬季，PM2.5浓度位于40~60 μg·m-3之间的城市降幅较大.PM2.5浓度年内表现为"冬高夏低，春秋居中"的时间动态变化规律，且各年PM2.5浓度达优良率不断提高.②细颗粒物污染改善程度最大的为德州，京津冀城市群和长三角城市群改善程度居中.全国PM2.5污染范围逐年缩小，但新疆西部和冀鲁豫仍为高污染区，西南和东南沿海地区为低污染区.各区域污染的空间集聚逐年缩小.优良达标率在空间分布特征上无显著变化.③"大气十条"部分指标已完成，未来细颗粒物污染治理重点区域仍以京津冀地区为核心.在防治空气污染方面，必须加强区域联防联控机制.
关键词:PM2.5浓度大气污染全域空间自相关自然正交函数时空变化特征
Analysis of spatio-temporal characteristic of PM2.5 concentrations of Chinese cities: 2015-2017
JIANG Lei1
, ZHOU Haifeng1, LAI Zhizhu2, BAI Ling3, CHEN Zhongsheng4 1. School of Economics, Zhejiang University of Finance & Economics, Hangzhou 310018;
2. Key Laboratory of Geographic Information Science, Ministry of Education, East China Normal University, Shanghai 200241;
3. School of Economics & Management, Nanchang University, Nanchang 330031;
4. Land and Resources College, China West Normal University, Nanchong 637002
Received 2 April 2018; received in revised from 10 May 2018; accepted 10 May 2018
Supported by the National Natural Science Foundation of China (No.41761021), the Humanities and Social Science Research Program of the Ministry of Education of China (No.17YJC790061) and the China Postdoctoral Science Foundation (No.2017M621740)
Biography: JIANG Lei (1983—), male, assistant professor (Ph. D.)
*Corresponding author: JIANG Lei, E-mail:lei_jiang@zufe.edu.cn
Abstract: Haze-fog events have frequently occurred in China in recent years. Based on a day-level data-set of PM2.5 concentrations of 329 cities in China from 2015 to 2017, this paper employs the global spatial autocorrelation analysis, empirical orthogonal function, and spatial statistics methods to investigate the temporal dynamics of PM2.5 concentrations and their spatial patterns from the spatio-temporal perspective. The findings are the following. ① PM2.5 concentrations are getting decrease year by year nationwide. Specifically, in terms of PM2.5 concentrations summer season sees the biggest decrease during the sample period and winter season a slight decrease. Moreover, these cities with PM2.5 concentrations ranging from 40~60 μg·m-3 see the largest decrease. In other words, air quality of these cities is getting improve. Besides, it shows a significant temporal pattern of high concentrations in winter, low concentrations in summer and intermediate concentrations in spring and autumn. ② Regarding PM2.5 concentrations of 329 cities, Dezhou city sees the biggest decrease. However, Jing-Jin-Ji urban cluster and Yangtze River Delta urban cluster show slight improvements of air quality during the sample period. On the other hand, the area of air pollution displays an ever-narrowing trend. However, the western Xinjiang and Hebei-Shandong-Henan provinces are still highly-polluted areas while the cities of the southwest and southeast China usually have low PM2.5 concentrations, indicating better air quality. Besides, spatial clustering of PM2.5 concentrations is narrowing year by year. Spatial distribution of the excellence rate of air quality of cities shows no remarkable variation. ③ Parts of targets that are set in the air pollution prevention and control action plans have already accomplished. The focus area of air pollution prevention and control should be still on the Jing-Jin-Ji urban cluster. Moreover, the joint efforts should be urgently needed to prevent and control air pollution.
Keywords: PM2.5 concentrationair pollutionglobal spatial autocorrelationempirical orthogonal functionspatio-temporal characteristics
1 引言(Introduction)进入21世纪以来, 中国工业的迅猛发展及飞速的城市化进程消耗了大量的化石能源, 使得中国成为世界第一大能源消费国(IEA, 2010).化石能源的燃烧产生了多种大气污染物, 导致近年来中国雾霾事件频发, 引发了社会的广泛关注.在2013年全国大范围连续高强度的大气污染事件中, 细颗粒物(PM2.5)污染问题尤为突出(王振波等, 2015).PM2.5指的是空气动力学当量直径小于等于2.5 μm的细颗粒物, 会对人类的生活和身体健康造成严重的危害(赵晨曦等, 2014).例如, PM2.5会加重慢性呼吸系统疾病和心血管疾病, 损害人体的肺部组织(Xie et al., 2015；Chen et al., 2011).研究表明, 大气中PM2.5的浓度每提高10 μg·m-3, 心脑血管疾病急诊住院的风险就提高1.29%.此外, PM2.5还能降低能见度, 造成交通事故, 从而影响人们的生产生活(吴兑等, 2012；周奕珂等, 2016).不仅如此, 2013年国际癌症研究机构已经将PM2.5列为人类致癌物(Xu et al., 2013).
由于PM2.5存在严重的危害性, 因此引发了学术界的广泛关注.现有的大量研究从以下两个方面出发来分析中国日益严重的细颗粒物污染问题.一方面, 从PM2.5浓度的影响因素视角出发, 以期处理好大气环境与各影响因素之间的协调关系.PM2.5浓度的影响因素主要为人口集聚(Lin et al., 2014；周亮等, 2017)、化石能源消费(马丽梅等, 2014；张静等, 2015)、经济增长速度(邵帅等, 2016；杨昆等, 2016)等与人类社会经济活动相关的影响因素, 及气温(朱倩茹等, 2013；Li et al., 2015)、降水(李芳等, 2013；Wang et al., 2016)和地形条件(赵晨曦等, 2014；董群等, 2017)等自然环境因素, 这些社会经济及自然因素对PM2.5的形成与扩散起到了重要作用.另一方面, 从PM2.5浓度的时空分布特征出发, 以期寻找到科学有效的污染治理办法.一部分****研究全国尺度PM2.5浓度的时空分布规律, 如王振波等(2015)、熊欢欢等(2017)和Peng等(2016).另一部分****则从区域角度探究PM2.5浓度的时空分布特征, 如长三角地区(戴昭鑫等, 2016)和京津冀地区(周磊等, 2016).这些研究的结论为实施区域针对性的空气污染防治措施提供了科学的参考依据.
本文采用全域空间自相关法、自然正交函数法和空间描述性统计方法, 从新的时空视角来揭示近3年中国城市PM2.5浓度监测数据的不同时间尺度变化趋势和空间分布特征.另外, 相比上述研究, 本研究空间范围更广, 运用的监测数据时间更长, 以期得出更丰富和更稳健的研究结论, 可以为相关研究提供科学的研究结果.不仅如此, 在空气污染状况日益加重的背景下, 国务院颁布了《大气污染防治行动计划》, 对PM2.5污染的治理提出了具体指标, 计划实施年限为2013—2017年.本研究结果对上一阶段大气防治计划完成情况进行阐述的同时, 为下一阶段全国大气污染防治措施的制定提供科学依据.
2 数据来源与研究方法(Data sources and methods)2.1 数据来源受PM2.5浓度监测站点的构建时间、覆盖范围和数据可得性的限制, 本研究选取329个城市PM2.5浓度的实时监测数据作为研究对象, 研究时段为2015—2017年.采用的329个城市PM2.5浓度监测数据均来源于中国环境监测总站每小时发布的实时监测数据(http://www.cnemc.cn), 且1497个监测站点的空间分布均符合《环境空气质量监测点位布设技术规范》的要求, 具体分布状况如图 1所示, 监测站点受地理等因素限制多分布于中部及东部地区, 面对西部地广人稀的实际特征, 其监测站点数量较少, 数据代表性较东中部地区较弱.此外, 根据《环境空气质量标准》(GB3095—2012)规定, “日均值”指一个自然日24 h监测值取算术平均；“月均值”指一个日历月内各日均值取算术平均；“季均值”指一个日历季内各日均值取算术平均；“年均值”指一个日历年内各日均值取算术平均.此外, 定义3—5月为春季, 6—8月为夏季, 9—11月为秋季, 12、1、2月为冬季.
图 1(Fig. 1)
 |
| 图 1 中国空气质量监测站点空间分布图 Fig. 1Spatial distribution of air quality monitoring sites in China |
2.2 研究方法本文使用全域空间自相关法来探索PM2.5浓度空间上的集聚特征, 同时通过自然正交函数将PM2.5浓度数据进行时空分解, 并结合探索性数据分析方法以及描述性统计分析方法进行深入分析, 以期得到客观可信的PM2.5浓度值的时空变化特点和分布特征.
2.2.1 全域空间自相关全域空间自相关法用来定量地描述PM2.5浓度在空间上的集聚程度.通过计算得出的全局Moran′s Ⅰ指数来描述相邻城市PM2.5浓度在空间上的相似性.计算公式如下(Moran, 1950).
 | (1) |
2.2.2 自然正交函数自然正交函数也称为经验正交函数(Empirical orthogonal function, EOF).EOF常用于空间数据的时空分解, 然后得到相互正交的特征向量, 这些特征向量代表的是空间样本, 称为空间模态；主成分则表示时间变化, 称为时间系数.EOF结合了PM2.5浓度值的时间动态性和空间异质性, 揭示PM2.5浓度的时空动态特征(柏玲等, 2017).
3 PM2.5的时空变化特征(Spatio-temporal variation of PM2.5)3.1 PM2.5时间变化趋势本研究分别从年度、季度、月度和日度4个时间尺度来对PM2.5浓度进行详细地分析, 结合3年PM2.5数据的时期特征, 归纳总结其短期变化特征.
图 2(Fig. 2)
 |
| 图 2 2015—2017年PM2.5浓度值年均值核密度估计图 Fig. 2Kernel density estimates of yearly average values of PM2.5 concentrations in 2015— 2017 |
3.1.1 PM2.5年度变化趋势2015—2017年PM2.5浓度监测数据统计显示, 近3年全国PM2.5浓度年际均值整体呈下降趋势.具体来说, 2015年全国PM2.5浓度均值为49.67 μg·m-3, 2016年为45.86 μg·m-3, 2017年为43.48 μg·m-3.2015—2017年PM2.5浓度均值降低了6.19 μg·m-3, 降幅达12.46%.为了形象地描述PM2.5浓度值的动态变化特征, 本文绘制2015—2017年PM2.5浓度年均值的核密度估计图(图 2).根据中国环境保护部发布的《环境空气质量指数(AQI)技术规定》中定义的PM2.5浓度级别, PM2.5浓度在0~35 μg·m-3为优, 35~75 μg·m-3为良, 75~115 μg·m-3为轻度污染, 115~150 μg·m-3为中度污染, 150~250 μg·m-3为重度污染, 250~500 μg·m-3为严重污染.从图 2可以看出, 核密度曲线整体逐年左移, 波峰呈现出明显的左移且增高的趋势.进一步说明多数城市PM2.5浓度值逐年下降, 即细颗粒物污染状况逐年改善.从改善程度来看, PM2.5浓度值位于40~60 μg·m-3之间的城市改善幅度较大, 从正态分布的双尾动态变化来看, PM2.5浓度级别为轻度污染和中度污染的城市改善程度则较小.不仅如此, 从图 2中核密度曲线的右尾部分可以看出, 2016年部分城市的PM2.5浓度级别达到了重度污染, 但到2017年后, 全国城市的整体污染水平得到了明显的改善.
图 3(Fig. 3)
 |
| 图 3 2015—2017年PM2.5浓度值季度均值图 Fig. 3Seasonally average values of PM2.5 concentrations from 2015 to 2017 |
3.1.2 PM2.5季度变化趋势分季度来看(图 3), 除冬季外, 春夏秋三季PM2.5浓度均值皆呈逐年下降趋势.从3年各季节PM2.5浓度值下降幅度来看, 夏季PM2.5浓度值下降幅度最大, 从2015年的34.64 μg·m-3下降到26.81 μg·m-3, 下降了7.83 μg·m-3, 降幅达22.6%；冬季PM2.5浓度值下降幅度最小, 3年仅下降5.53 μg·m-3, 降幅为7.6%.从3年各季节PM2.5浓度均值来看, 呈现出显著的“冬高夏低, 春秋居中”的季节变化特征, 这与熊欢欢等(2017)得出的结论一致.春季PM2.5浓度均值为44.63 μg·m-3, 夏季为30.14 μg·m-3, 秋季为42.56 μg·m-3, 冬季为68.86 μg·m-3, 冬夏两季节PM2.5浓度均值相差38.72 μg·m-3.这与我国冬季取暖方式以及冬季植被稀疏等自然因素不无关系.不仅如此, 夏季的降水量、植被覆盖率以及气象条件更利于大气污染物的扩散和稀释(李小飞等, 2012；肖悦等, 2017).这一方面说明我国冬季空气污染最为严重, 且3年内改善幅度很小, 另一方面也说明, 减少全年PM2.5浓度指标的攻坚战应该集中在冬季.
3.1.3 PM2.5月度变化趋势采用EOF方法对全国329个城市2015—2017年PM2.5浓度值月度均值进行时空分解, 以揭示PM2.5浓度值的时空变化特征.因为第一个特征向量方差贡献率高达94.54%, 所以采用第一个特征向量来衡量PM2.5浓度的时空结构特征.
图 4反映了PM2.5浓度值第一模态时间系数的月度变化特征.通过对比3年时间系数可以发现, 3年PM2.5浓度月均值大致呈现U型分布, 各年均呈现出先下降后上升的动态趋势.从图 4中还可以看出, 每年U型曲线的拐点均出现在8月份, 即8月份PM2.5的浓度值为全年最低.不仅如此, 各年曲线从EOF分解后的时间系数也验证了“冬高夏低, 春秋居中”的时间动态变化规律.对比3年PM2.5浓度值的时间系数, 2015年的时间系数较高, 2016年的时间系数大小居中, 2017年的时间系数值较小, 这说明各年PM2.5浓度值有下降趋势, 细颗粒物污染逐渐减缓.
图 4(Fig. 4)
 |
| 图 4 2015—2017年329个城市月PM2.5时间系数 Fig. 4Monthly time coefficients of PM2.5 concentrations of 329 cities by EOF from 2015 to 2017 |
3.1.4 PM2.5日度变化趋势逐日来看, PM2.5浓度值日度均值在年6月份到8月份之间值较低, 12月份、1月份和2月份的值较高.此外, 从图 5中可以看出每年冬季的颜色差异最大, 夏季的颜色差异最小, 即冬季PM2.5浓度值波动幅度最大, 夏季PM2.5浓度值较为稳定.从图 6可以看出, PM2.5浓度值3年的达优良率在不断提高, 从2015年的88%上升到2017年的93%.然而, 从全国层面来看, 这3年的中度污染情况仍然没有得以改善, 均为1%.
图 5(Fig. 5)
 |
| 图 5 2015—2017年PM2.5浓度值日历热图 Fig. 5Calendar heat chart of daily PM2.5 concentrations from 2015 to 2017 |
图 6(Fig. 6)
 |
| 图 6 2015—2017年日度PM2.5叠状图 Fig. 6Stack chart of daily average values of PM2.5 concentrations in 2015—2017 |
3.2 PM2.5空间变化特征PM2.5浓度值在不同城市的具体变化情况有所迥异.因此, 接下来本研究将从空间视角出发分析PM2.5浓度的空间变化特征.
3.2.1 PM2.5年度空间变化趋势全国329个城市PM2.5浓度年均值如图 7a、7b和7c所示.从图中可以看出, 大部分城市PM2.5浓度值处于优良水平, 近3年全国的细颗粒物污染重灾区仍是京津冀地区和新疆西部的和田、喀什、阿克苏和克孜勒苏柯尔克孜自治州.按PM2.5浓度值大小来看, 新疆的喀什和和田地区、河北的保定、邢台和衡水3年均位居全国前十.2015年PM2.5污染严重的地区主要集聚于新疆西部、京津冀地区、河南的中部及东部和山东的中部和西部；2016年PM2.5污染严重的地区主要位于新疆西部、京津冀城市群西南部、河南西北部以及山东西部；2017年PM2.5污染严重的地区有新疆西部、京津冀城市群西南部、河北安阳、山西临汾和陕西咸阳.结合3年的PM2.5污染范围可以发现, 新疆西部污染范围几乎没有变化, 而京津冀地区污染范围向西南呈收缩趋势, 中原城市群和山东半岛城市群的污染范围分别向北部和西部收缩.其主要原因在于空气污染重灾区的地方政府对空气污染加大了监管力度, 加强了空气污染的防控措施, 进一步地使得本地PM2.5浓度有所下降, 同时, 空气污染范围逐渐向监管力度较差的周边城市扩散.
图 7(Fig. 7)
 |
| 图 7 2015—2017年PM2.5浓度年均值及变化率分布图 Fig. 7Yearly average values and rates of change of PM2.5 concentrations from 2015 to 2017 |
图 7d展示了PM2.5年均浓度3年的变化幅度, 其中下降幅度最大的为山东德州, PM2.5浓度下降了31.79 μg·m-3, 降幅达31.56%；上升幅度最大的为安徽池州, PM2.5浓度上升了25.55 μg·m-3, 升幅达74.66%.不仅如此, 从图中还可以看出PM2.5污染改善幅度相对较大的地区主要位于我国东北部、山东西部以及青海和西藏的北部.京津冀城市群中改善幅度较大的为北京和廊坊分别达28.37%和29.36%；长三角城市群中改善幅度较大的为苏南地区以及上海.PM2.5浓度值上升幅度较高的地区为山西西南部、陕西中部和江西中部及南部以及部分云贵川地区.
3.2.2 PM2.5季度空间变化趋势图 8展示了2015—2017年PM2.5季均浓度值的空间分布特征.分季节来看, 冬季细颗粒物污染范围最大, 其次是春季和秋季, 夏季污染范围最小.结合3年PM2.5污染范围的动态分布特征来看, 2015年春季污染核心地区为新疆西部地区和冀南-鲁西-豫北围成的污染带.2016年新疆西部地区污染范围无变化, 而冀南-鲁西-豫北围成的污染带往东南方向大幅收缩, 污染范围缩小为鲁西和豫东部分城市.2017年春季细颗粒物污染严重地带仅为新疆西部地区.另外, PM2.5春季浓度均值达优地区呈现出由西南向东北的扩张趋势.在3年的样本期内, 夏季PM2.5污染范围无显著变化, 污染带仍为新疆西部地区.然而, 夏季PM2.5浓度均值达优地区有明显的扩张趋势.秋季华北平原PM2.5污染带由南往西缩减, 新疆西部污染带无显著变化, PM2.5浓度均值达优地区变化较大的地区主要在西部.冬季PM2.5污染较为严重的地区主要出现在东部的京津冀城市群、长三角城市群和山东半岛城市群, 中部的中原城市群和长江中游城市群及西部的成渝城市群和新疆西部地区.3年污染范围无较大变化, 但PM2.5浓度均有所下降, 其中下降较为明显的是京津冀城市群、长三角城市群、鲁西和豫北地区.
图 8(Fig. 8)
 |
| 图 8 2015—2017年329个城市PM2.5浓度季度均值空间分布图 Fig. 8Spatial distribution of seasonally average values of PM2.5 concentrations of 329 cities |
3.2.3 PM2.5月度空间变化趋势图 9展示了EOF第一模态特征向量值的分布情况, 即反映了PM2.5月均浓度值的空间分布特征.特征向量的极大值出现在新疆、京津冀地区、中原城市群、鲁西地区以及渭河平原.PM2.5污染以冀鲁豫为高值中心向周边呈衰减变化.低值区位于云贵川地区、青藏高原以及东南沿海地区.
图 9(Fig. 9)
 |
| 图 9 2015—2017年329个城市PM2.5月均浓度值EOF第一模态空间分布 Fig. 9Spatial distribution of the first mode of EOF decomposition of monthly average values PM2.5 concentrations of 329 cities from 2015—2017 |
除此之外, 通过月度PM2.5浓度均值的Moran′s Ⅰ指数, 来探究PM2.5浓度月均值在空间集聚度上的变化特征.近3年的全局Moran′s Ⅰ指数均为正值, 说明全国PM2.5浓度月均值存在显著的集聚特征.从图 10可以看出, 2015年Moran′s Ⅰ指数较高, 即2015年PM2.5浓度值的集聚性较强, 2016年和2017年Moran′s Ⅰ指数有所下降, 这说明区域污染依赖性正不断减小.逐月来看, 1月、6月和12月的Moran′s Ⅰ指数较高, 这说明冬季和夏季细颗粒物污染的集聚特征较为明显.
图 10(Fig. 10)
 |
| 图 10 2015—2017年329个城市PM2.5月均浓度的Moran′s Ⅰ值 Fig. 10Moran′s Ⅰ values of monthly average values of PM2.5 concentrations of 329 cities from 2015—2017 |
3.2.4 PM2.5日度空间变化趋势图 11展示的是PM2.5浓度日度均值优良达标率的空间分布情况.从每一年的优良达标率可以看出, 新疆西部、京津冀地区、山东半岛城市群和中原城市群的达标率为全国相对较低的地区.各年达标率较高的地区主要位于东南沿海地区、云贵川地区、青藏高原和呼包鄂城市群.结合3年分布图来看, 各年达标率分布较为相似, 无显著变化.这说明我国PM2.5的污染特征在近3年内未发生明显的改变, 即东部污染较重, 西部(除新疆西部外)污染较轻, 中部污染居中的空间分布格局.从达标率的大小来看, 每年整体达标率都有所增长, 其中增长最多的是德州, 增长了29.48%；增长最少的是龙岩, 增长了0.001%.此外, 三亚等9个地市自治州无变化, 达标率均为100%.据统计, 有75个城市达标率下降, 池州的达标率下降最多, 下降19.16%；长治的达标率下降最少, 下降0.2%.
图 11(Fig. 11)
 |
| 图 11 2015—2017年PM2.5日均浓度值优良达标率 Fig. 11Spatial distribution of the rates of excellence of air quality in 2015—2017 |
4 结论(Conclusions)1) 从时间维度来看, 各年PM2.5浓度值均有所下降, PM2.5浓度年度均值下降6.19 μg·m-3, 降幅达12.46%, 降幅较大的城市PM2.5浓度位于40~60 μg·m-3之间, 降幅较小的则为轻微或严重污染的城市.逐季来看, PM2.5浓度存在“冬高夏低, 春秋居中”的变化特征.从各季节PM2.5浓度均值下降幅度来看, 夏季降幅最大, 冬季降幅最小.逐月来看, 月度PM2.5浓度均值呈现“U”型分布, 即冬季高, 夏季低的时间变化规律.逐日来看, 冬季PM2.5浓度值波动幅度较大, 夏季较小, 且每年PM2.5浓度达优良率都有所提升.
2) 从空间维度来看, 新疆西部细颗粒物污染常年严重, 京津冀地区的污染范围逐年收缩, 西部地区(除新疆西部外)PM2.5浓度值逐年下降.从PM2.5年均浓度值的变化幅度来看, 上升幅度最大的为池州, 下降幅度最大的为德州, 京津冀地区和长三角地区改善幅度居中.逐季来看, 冬季污染范围最大, 夏季污染范围最小.其中, 春季冀南-鲁西-豫北围成的污染带不断收缩, 夏季各年污染带无明显变化, 秋季华北平原污染带呈由南往西收缩趋势, 冬季各年污染带主要为东部的京津冀城市群、长三角城市群、山东半岛城市群和中原城市群等.逐月来看, PM2.5浓度月均值的极大值位于新疆和华北平原, 低值区位于西南地区和东南沿海地区.从集聚程度来看, 1月、6月和12月的PM2.5月均浓度值集聚度较高, 区域污染的空间依赖性在不断缩减.逐日来看, 各年达标率分布状况相似, PM2.5日均浓度值的优良达标率存在“东低西高”的分布特征.从达标率的数值大小来看, 全国整体达标率逐年上升.
3) 以《大气污染防治行动计划》中提出的PM2.5污染治理具体指标为标准, 从近3年PM2.5浓度监测数据来看, 部分指标已经完成.具体来说, 全国地级及以上城市PM2.5浓度达优良天数已实现逐年提高, 且2017年北京细颗粒物年均浓度为56.66 μg·m-3, 低于指标中规定的60 μg·m-3.以本文研究结果为基础, 未来细颗粒物污染整治模式仍以京津冀地区为治污核心区域, 须加强区域联动治理模式, 针对重点时节要做到时时监管, 提前防控.
参考文献
| 柏玲, 姜磊, 刘耀彬. 2017. 长江中游城市群环境压力的时空特征——以工业SO2排放为例[J]. 经济地理, 2017, 37(3): 174–181. |
| Chen C, Zhao B. 2011. Review of relationship between indoor and outdoor particles:I/O ratio, infiltration factor and penetration factor[J]. Atmospheric Environment, 45(2): 275–288. |
| 戴昭鑫, 张云芝, 胡云锋, 等. 2016. 基于地面监测数据的2013-2015年长三角地区PM2.5时空特征[J]. 长江流域资源与环境, 2016, 25(5): 813–821.DOI:10.11870/cjlyzyyhj201605015 |
| 董群, 赵普生, 王迎春, 等. 2017. 北京山谷风环流特征分析及其对PM2.5浓度的影响[J]. 环境科学, 2017, 38(6): 2218–2230. |
| IEA. 2010. World Energy Outlook 2010[Z]. |
| Li Y, Chen Q, Zhao H, et al. 2015. Variations in PM10, PM2.5 and PM1.0 in an urban area of the Sichuan basin and their relation to meteorological factors[J]. Atmosphere, 6(1): 150–163.DOI:10.3390/atmos6010150 |
| 李芳, 张承中. 2013. 西安市大气颗粒物PM2.5与降水关系的探讨[J]. 中国环境监测, 2013, 29(6): 22–28.DOI:10.3969/j.issn.1002-6002.2013.06.005 |
| Lin G, Fu J, Jiang D, et al. 2014. Spatio-temporal variation of PM2.5 concentrations and their relationship with geographic and socioeconomic factors in China[J]. International Journal of Environmental Research & Public Health, 11(1): 173–86. |
| 马丽梅, 张晓. 2014. 中国雾霾污染的空间效应及经济、能源结构影响[J]. 中国工业经济, 2014, 4: 19–31. |
| 李小飞, 张明军, 王圣杰, 等. 2012. 中国空气污染指数变化特征及影响因素分析[J]. 环境科学, 2012, 33(6): 1936–1943. |
| Peng J, Chen S, Lv H, et al. 2016. Spatiotemporal patterns of remotely sensed PM2.5 concentration in China from 1999 to 2011[J]. Remote Sensing of Environment, 174: 109–121. |
| 邵帅, 李欣, 曹建华, 等. 2016. 中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J]. 经济研究, 2016, 9: 73–88. |
| Wang H L, Qiao L P, Lou S R, et al. 2016. Chemical composition of PM2.5, and meteorological impact among three years in urban Shanghai, China[J]. Journal of Cleaner Production, 112: 1302–1311.DOI:10.1016/j.jclepro.2015.04.099 |
| 王振波, 方创琳, 许光, 等. 2015. 2014年中国城市PM2.5浓度的时空变化规律[J]. 地理学报, 2015, 70(11): 1720–1734. |
| 吴兑, 刘放汉, 梁延刚, 等. 2012. 粤港细粒子(PM2.5)污染导致能见度下降与灰霾天气形成的研究[J]. 环境科学学报, 2012, 32(11): 2660–2669. |
| Xie Y, Zhao B, Zhang L, et al. 2015. Spatiotemporal variations of PM2.5 and PM10 concentrations between 31 Chinese cities and their relationships with SO2, NO2, CO and O3[J]. Particuology, 20(3): 141–149. |
| 熊欢欢, 梁龙武, 曾赠, 等. 2017. 中国城市PM2.5时空分布的动态比较分析[J]. 资源科学, 2017, 39(1): 136–146. |
| Xu P, Chen Y, Ye X. 2013. Haze, air pollution, and health in China[J]. Lancet, 382(9910): 2067–2067.DOI:10.1016/S0140-6736(13)62693-8 |
| 肖悦, 田永中, 许文轩, 等. 2017. 近10年中国空气质量时空分布特征[J]. 生态环境学报, 2017, 26(2): 243–252. |
| 杨昆, 杨玉莲, 朱彦辉, 等. 2016. 中国PM2.5污染与社会经济的空间关系及成因[J]. 地理研究, 2016, 35(6): 1051–1060. |
| 赵晨曦, 王云琦, 王玉杰, 等. 2014. 北京地区冬春PM2.5和PM10污染水平时空分布及其与气象条件的关系[J]. 环境科学, 2014, 35(2): 418–427. |
| 张静, 鲁春霞, 谢高地, 等. 2015. 北京城市能源消费的生态与环境压力研究[J]. 资源科学, 2015, 37(6): 1133–1140. |
| 周磊, 武建军, 贾瑞静, 等. 2016. 京津冀PM2.5时空分布特征及其污染风险因素[J]. 环境科学研究, 2016, 29(4): 483–493. |
| 周亮, 周成虎, 杨帆, 等. 2017. 2000-2011年中国PM2.5时空演化特征及驱动因素解析[J]. 地理学报, 2017, 72(11): 2079–2092. |
| 周奕珂, 朱彬, 韩志伟, 等. 2016. 长江三角洲地区冬季能见度特征及影响因子分析[J]. 中国环境科学, 2016, 36(3): 660–669.DOI:10.3969/j.issn.1000-6923.2016.03.005 |
| 朱倩茹, 刘永红, 徐伟嘉, 等. 2013. 广州PM2.5污染特征及影响因素分析[J]. 中国环境监测, 2013(2): 15–21.DOI:10.3969/j.issn.1002-6002.2013.02.004 |
| 中华人民共和国环境保护部. 2012. HJ633-2012环境空气质量指数(AQI)技术规定[S].北京: 中国环境科学出版社 |
| 中华人民共和国环境保护部. 2012. GB3095-2012环境空气质量标准[S].北京: 中国环境科学出版社 |
| 中华人民共和国环境保护部. 2013. HJ664-2013环境空气质量监测点位布设技术规范[S].北京: 中国环境科学出版社 |
