山東省細(xì)顆粒物濃度時空分異特征及因素分析

王映然 季民 李臻

摘? 要：基于山東省城市空氣質(zhì)量濃度等有關(guān)數(shù)據(jù)，研究大氣細(xì)顆粒物濃度的時空格局，并利用相關(guān)性分析自然和社會經(jīng)濟(jì)因素對其影響的時空非平穩(wěn)性。結(jié)果表明：山東省PM2.5濃度分布總體表現(xiàn)東低西高的空間格局。2019—2020年污染日出現(xiàn)的頻率分別為18.80%和14.89%。山東省PM2.5濃度呈明顯的夏低冬高、春秋居中的季節(jié)變化，U形月度變化特征。Spearman秩相關(guān)方法表明，公路密度對PM2.5濃度有正向影響，而溫度、降水、日照時數(shù)、人均GDP、科學(xué)技術(shù)支出對PM2.5濃度有負(fù)向影響。

關(guān)鍵詞：細(xì)顆粒物PM2.5;時空分異;山東省;影響因素

中圖分類號：X823;TP39? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A文章編號：2096-4706（2021）22-0104-06

Abstract： Based on the relevant data of urban air quality concentration in Shandong Province， the temporal and spatial pattern of atmospheric fine particulate matter concentration is studied， the temporal and spatial non-stationary of the influence of natural and socio-economic factors is analyzed by correlation. The results show that： the overall distribution of PM2.5 concentration in Shandong Province shows the spatial pattern of low in east and high in west. The frequency of pollution days from 2019 to 2020 is 18.80% and 14.89%， respectively. PM2.5 concentration in Shandong Province shows significant seasonal changes， low in summer， high in winter， middle in spring and autumn， and the monthly change of U-shape. The Spearman rank correlation method shows that the highway density has a positive effect on PM2.5 concentration， while the temperature， precipitation， sunshine hours， per capita GDP， and scientific and technical expenditure have a negative effect on PM2.5 concentration.

Keywords： fine particulate matter PM2.5; temporal and spatial differentiation; Shandong Province; influencing factor

0? 引? 言

隨著中國經(jīng)濟(jì)的快速發(fā)展和城鎮(zhèn)化的推進(jìn)，以PM2.5（粒徑小于等于2.5 μm的細(xì)顆粒物）為首要污染物的環(huán)境問題日益嚴(yán)重[1]。已有研究表明，PM2.5能夠富集空氣中的有機(jī)物、細(xì)菌、病毒等，進(jìn)而改變大氣的能見度[2]，同時，PM2.5能夠長時間停留在空氣中，主要經(jīng)呼吸進(jìn)入人體，還能隨食物一同進(jìn)入消化道，引起呼吸系統(tǒng)疾病，胃腸道疾病，心血管疾病等疾病[3-5]。2017年，顆粒物污染成為人體第八大致命風(fēng)險，全球死亡人數(shù)為294萬人[6]。PM2.5的分布呈現(xiàn)典型的區(qū)域性、復(fù)合型[7]，研究城市空氣污染的時空分異特征有助于了解城市污染變遷，為制定大氣環(huán)境保護(hù)措施提供參考，因此，科學(xué)揭示PM2.5濃度的時空分異特征對預(yù)測和治理PM2.5具有重要意義。

目前，與大氣細(xì)顆粒物濃度時空異質(zhì)性與驅(qū)動因素等環(huán)境相關(guān)研究取得了較快的進(jìn)展，數(shù)據(jù)來源多基于離散的監(jiān)測站點(diǎn)數(shù)據(jù)進(jìn)行統(tǒng)計以及衛(wèi)星數(shù)據(jù)反演氣溶膠厚度（AOD）。遙感反演雖然能夠揭示較大范圍內(nèi)的PM2.5濃度分布，但是對于沙漠、干旱等區(qū)域，反演結(jié)果不理想，此外，也不利于探究多年時空變化規(guī)律。針對PM2.5空間格局的研究主要通過其分布狀態(tài)及空間效應(yīng)提出環(huán)境應(yīng)對政策，并常用空間自相關(guān)[8]、泰爾指數(shù)[9]、重心模型[10]、層次聚類分析[11]等模型方法來揭示區(qū)域差異性、空間分布與集聚規(guī)律。針對驅(qū)動因素的研究，通過組合指標(biāo)法[12]、多元線性回歸[13]、主成分分析[14]、地理探測器[15]、相關(guān)系數(shù)法[16]、空間計量模型[17]方法，探究自然因素（多為氣象數(shù)據(jù)）和社會經(jīng)濟(jì)因素（統(tǒng)計年鑒、社會調(diào)查數(shù)據(jù)）對PM2.5分布的影響。PM2.5即包含固定污染源排放、機(jī)動車尾氣以及建筑工地?fù)P塵直接產(chǎn)生的一次性污染物，也有二氧化硫、氮氧化物等經(jīng)過復(fù)雜的物理化學(xué)反應(yīng)產(chǎn)生的二次污染物。許多學(xué)者對PM2.5形成原因進(jìn)行分析，表明氣象條件的變化直接影響PM2.5濃度的變化。綜合來看，PM2.5的形成是自然和社會經(jīng)濟(jì)因素耦合的結(jié)果。

已有研究大多從全國范圍[18]、京津冀地區(qū)[19]、長三角地區(qū)[20]、珠三角地區(qū)[21]和其他經(jīng)濟(jì)發(fā)達(dá)或人口稠密地區(qū)等空間尺度的研究，而對山東省的PM2.5污染情況研究較少。山東省是我國沿海經(jīng)濟(jì)大省，正處于工業(yè)化和城市化加速發(fā)展的重要階段，城市汽車保有量提升，大量的工程建設(shè)產(chǎn)生大量揚(yáng)塵，空氣中的顆粒物含量增加，環(huán)境問題仍較為嚴(yán)峻。《2020年中國生態(tài)環(huán)境狀況公報》顯示，全國PM2.5濃度超二級排放限制的城市占比61.9%。山東省超四分之一的城市空氣質(zhì)量在全國地級市排名倒數(shù)二十位，環(huán)境空氣質(zhì)量相對較差。此外，山東省位于京津冀城市群和長三角城市群的中間地帶，分析此區(qū)域的PM2.5時空分異特征，剖析PM2.5污染的驅(qū)動因素，對跨區(qū)域聯(lián)合防治空氣污染，降低外源性污染具有重要意義。鑒于此，基于2019—2020年P(guān)M2.5實(shí)時監(jiān)測數(shù)據(jù)，采用空間分析方法對山東省PM2.5時空分異規(guī)律進(jìn)行分析，采用相關(guān)性分析探討PM2.5污染的驅(qū)動因素，以期為山東省城市大氣改善提供科學(xué)依據(jù)。

1? 數(shù)據(jù)與方法

1.1? 數(shù)據(jù)來源

本文研究使用的山東省16個地級及以上城市的 PM2.5初始數(shù)據(jù)日均濃度來源于中國環(huán)境監(jiān)測總站的歷史數(shù)據(jù)，各地級市的PM2.5月均濃度、季均濃度和年均濃度根據(jù)相應(yīng)的日均濃度計算得出，其中12、1—2月歸為冬季，3—5月為春季，6—8月歸為夏季，9—11月歸為秋季。根據(jù)山東省實(shí)際發(fā)展情況，選取自然因素（溫度、降水量、日照時長）和社會經(jīng)濟(jì)因素（第二產(chǎn)業(yè)占比、人口密度、公路密度、人均GDP、科學(xué)技術(shù)支出）8類因子分析，影響因子主要來源于2020年的《山東省統(tǒng)計年鑒》。

1.2? 空間自相關(guān)分析

1.2.1? 全局自相關(guān)分析

全局自相關(guān)分析工具用于分析各城市之間關(guān)于觀測數(shù)據(jù)在空間上的相互依賴性，可分為集聚分布、離散分布和隨機(jī)分布。全局莫蘭指數(shù)（Global Moran’s I）的計算公式為：

式中：n表示城市總數(shù)，Xi和Xj是城市單元i和j的PM2.5濃度數(shù)據(jù)，Wij表示i和j之間的空間權(quán)重，Wij=1，表示兩者臨近，Wij=0，表示兩者不相鄰，為所有城市的PM2.5濃度均值。I的取值在[-1，1]之間，當(dāng)I>0，說明城市PM2.5濃度為空間正相關(guān)，即PM2.5濃度在空間呈聚集分布，當(dāng)I<0，說明城市PM2.5濃度為空間負(fù)相關(guān)，即PM2.5濃度在空間呈離散分布，I=0表示城市PM2.5濃度不存在空間關(guān)聯(lián)性，即PM2.5濃度在空間呈隨機(jī)分布。

Moran指數(shù)的結(jié)果需要經(jīng)過P值和Z得分的檢驗(yàn)。Z得分小于-1.96或大于1.96，且P值小于0.05，則數(shù)據(jù)置信度為95%;Z得分小于-2.58或大于2.58，且P值小于0.01，則數(shù)據(jù)置信度為99%。常以95%及以上的置信度來拒絕零假設(shè)。

1.2.2? 局部自相關(guān)分析

局部自相關(guān)通常用于衡量某一空間單元對于單一輸入要素在局部空間與鄰近空間的相關(guān)程度，主要用局部莫蘭指數(shù)（Local Moran’s I）來表示，計算公式為：

式中符號意義與（1）相同，根據(jù)結(jié)果可將局部自相關(guān)模型分為4種類型：H-H（高-高聚集）、H-L（高-低聚集）、L-H（低-高聚集）、L-L（低-低聚集）。

1.3? 核密度

核密度估計是在概率論中估計未知的密度函數(shù)，并且是非參數(shù)檢驗(yàn)方法之一。核密度估計方法不利用有關(guān)數(shù)據(jù)分布的先驗(yàn)知識，對數(shù)據(jù)分布不附加任何假定，是一種從數(shù)據(jù)樣本本身出發(fā)研究數(shù)據(jù)分布特征的方法[22]。本文使用預(yù)處理獲得的PM2.5季均值，利用核密度估計方法探究山東省 PM2.5數(shù)據(jù)的分布特點(diǎn)。借助Stata16軟件對2019-2020年山東省PM2.5季均值進(jìn)行核密度估計，分別繪制出不同年份季節(jié)核密度估計曲線，以此研究16個城市 PM2.5濃度的季節(jié)變化特征。

1.4? 相關(guān)性分析

Spearman相關(guān)系數(shù)是衡量兩個變量依賴性的非參數(shù)指標(biāo)。Spearman秩相關(guān)適用于定序變量或者不符合正態(tài)分布假設(shè)的數(shù)據(jù)，可以不考慮兩個變量的變化情況，適用范圍更廣[23]。

使用spss21對山東省PM2.5濃度等進(jìn)行相關(guān)分析，討論P(yáng)M2.5與影響因子的相關(guān)性。相關(guān)性檢驗(yàn)，首先看p值，如果p<0.05，說明存在相關(guān)。相關(guān)方向由相關(guān)系數(shù)的正負(fù)決定，如果相關(guān)系數(shù)為正，說明是正相關(guān)，如果為負(fù)，說明是負(fù)相關(guān)。相關(guān)程度的強(qiáng)弱由相關(guān)系數(shù)的絕對值大小決定，相關(guān)系數(shù)的絕對值0.7 ～ 1.0為強(qiáng)相關(guān);0.4 ～ 0.7為中等程度相關(guān);0.2 ～ 0.4為弱相關(guān);0.0 ～ 0.2為極弱相關(guān)。

2? 結(jié)果與分析

2.1? PM2.5空間維度演變特征

為分析PM2.5平均濃度的空間分布狀況 ，統(tǒng)計了2019—2020年山東省各城市PM2.5年均濃度，如圖1所示。2019年和2020年山東省PM2.5的整體年均濃度分別為51.99 μg/m3和46.13 μg/m3，年均值都超過了城市大氣顆粒物二級濃度限值[24]，污染程度較重。將收集的各城市顆粒物日均濃度與《環(huán)境空氣質(zhì)量技術(shù)規(guī)定》（HJ633-2012）劃定的污染等級中對應(yīng)的顆粒物濃度范圍進(jìn)行比對，結(jié)果發(fā)現(xiàn)：在所監(jiān)測的16個城市中，2019年P(guān)M2.5的污染日出現(xiàn)的平均頻率為18.80%，最高頻率出現(xiàn)在棗莊，達(dá)到24.65%，其次為菏澤（24.11%）和泰安（24.11%）。2020年P(guān)M2.5的污染日出現(xiàn)的平均頻率為14.89%，最高頻率在濟(jì)寧，達(dá)到21.86%，其次為棗莊（20.49%）和菏澤（19.67%）。從污染日超標(biāo)天數(shù)看，主要集中在山東省南部。

由圖1可發(fā)現(xiàn)，山東省PM2.5年均濃度表現(xiàn)出顯著的差異性，山東省西部內(nèi)陸地區(qū)PM2.5濃度明顯高于東部沿海城市，研究期間，山東省各市的PM2.5濃度顯著縮小，達(dá)標(biāo)區(qū)域從威海擴(kuò)展至青島，煙臺。2019年，除威海外，其他城市都存在不同程度的超標(biāo)現(xiàn)象。2020年，各城市PM2.5年均值都出現(xiàn)了不同程度的下降，都達(dá)到55 μg/m3以下，平均降幅為5.86 μg/m3。

2.2? 空間自相關(guān)分析

研究利用Moran’s I指數(shù)對山東省各城市2019—2020年P(guān)M2.5濃度進(jìn)行全局自相關(guān)分析，結(jié)果如表1所示。結(jié)果都通過了1%的顯著性檢驗(yàn)，這說明該空間模型發(fā)生隨機(jī)事件的可能性非常小。且Z得分都大于2.58，表明兩年均呈現(xiàn)顯著的空間正相關(guān)關(guān)系，結(jié)合Moran’s I指數(shù)可知，山東省16個城市PM2.5濃度在空間上呈顯著的集聚分布，存在明顯的高值聚集區(qū)和低值聚集區(qū)。

為進(jìn)一步研究山東省區(qū)域內(nèi)PM2.5濃度的空間集聚值和異常值分布情況，利用空間統(tǒng)計分析工具將PM2.5濃度數(shù)據(jù)結(jié)合山東省各城市的空間地理信息（距離和毗鄰信息）得出細(xì)顆粒物濃度集聚分布特征。結(jié)果如圖2所示，2019年，濟(jì)寧市和泰安市屬于高值區(qū)，煙臺市屬于低值區(qū)，2020年，高值區(qū)面積不變，低值區(qū)向西擴(kuò)至青島。其他城市空間聚類關(guān)系上為不顯著，無高低和低高異常區(qū)。

2.3? PM2.5時間維度演變特征

2019—2020年山東省PM2.5質(zhì)量濃度年平均值為49.06 μg /m3，棗莊濃度最高到達(dá)（57.50μg/m3），最小值是威海（28.54 μg/m3）。在16個城市當(dāng)中，僅有2個城市的年均值小于《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》（GB3095—2012）二級限值（年均值為35 μg/m3），位于山東省的東部煙臺和威海兩地。由圖3可知，山東省月均PM2.5濃度一年中大體呈現(xiàn)“U”型分布，質(zhì)量濃度為24～97 μg/m3，其中1月達(dá)到PM2.5濃度最大值，之后逐漸下降，在8月到達(dá)低谷期，之后又逐漸上升，到12月又出現(xiàn)PM2.5濃度高值。研究由西到東選擇菏澤市、濰坊市、威海市用于表征山東省PM2.5濃度變化特征。威海市各月均值低于其他城市，菏澤市與濰坊市在4—8月總體濃度接近，但是在1—3月和9—12月濃度較高且波動范圍較大。造成PM2.5濃度較高主要是因?yàn)樵诖穗A段溫度較低，相對濕度升高，大氣層結(jié)構(gòu)較穩(wěn)定，在加上此階段處于采暖期，燃煤排放的污染物增加。

由圖4可知，山東省2019—2020年的季節(jié)核密度曲線呈現(xiàn)出一致的規(guī)律，各年份曲線峰值所處季節(jié)從左往右依次都是夏季、秋季、春季、冬季，說明PM2.5濃度的變化具有非常鮮明的季節(jié)性特征，呈現(xiàn)出夏天<秋天<春天<冬天的特點(diǎn)。研究期間，四季最右側(cè)的值均向左移動，春季、秋季曲線峰值變高且左移，變化區(qū)間減少，說明春季、秋季空氣質(zhì)量改善，夏季是四季中變化區(qū)間最少的，峰值對應(yīng)的核密度值最高，冬季的變化區(qū)間最大，峰值對應(yīng)的核密度值最低。

2.4? PM2.5空間分異的驅(qū)動因素分析

PM2.5時空差異顯著，且Moran’s I表明不同地理單元間存在明顯的空間關(guān)聯(lián)特征。綜合考量研究區(qū)狀況，從人地關(guān)系地域系統(tǒng)耦合視角分析，社會與自然因素非均衡交互作用下導(dǎo)致了山東省PM2.5濃度的時空分異。因此，本文利用Spearman秩相關(guān)方法，從自然和社會經(jīng)濟(jì)兩個方面探究山東省PM2.5污染空間分異的驅(qū)動因素，深入分析各影響因子與PM2.5濃度之間的相關(guān)性及影響程度的大小，表2為各個影響因子對PM2.5變化的影響程度。

從自然因素角度分析：PM2.5和溫度、降水之間的相關(guān)系數(shù)值分別為-0.965、-0.811，并且呈現(xiàn)出0.01水平的顯著性，PM2.5和日照時數(shù)之間的相關(guān)系數(shù)值分別為-0.587，并且呈現(xiàn)出0.05水平的顯著性，因而說明PM2.5和溫度、降水、日照時數(shù)之間都有著顯著的負(fù)相關(guān)關(guān)系。從結(jié)果看，溫度對PM2.5的變化影響最大，日照時數(shù)對PM2.5的變化影響最小。溫度的高低會影響空氣中懸浮粒子的布朗運(yùn)動，溫度不同，布朗運(yùn)動能力不同，則空氣中懸浮的粒子濃度不同[25]。氣溫降低時，近地面的懸浮粒子濃度高，高空中的濃度低;相反，高溫時，近地面的濃度低，高空中濃度會升高，即氣溫上升使得PM2.5濃度減低。而降雨能夠使顆粒物沉降，從而達(dá)到降低大氣顆粒物濃度效果。表3所示，各個自然因子都具有明顯的季節(jié)性特征，夏季高溫多雨，因此有利于污染物的分散，PM2.5濃度在夏季就最低，冬季低溫少雨，污染物擴(kuò)散慢，PM2.5濃度就最高。

從社會因子分析：表中得知，PM2.5和公路密度之間的相關(guān)系數(shù)值為0.730，并且呈現(xiàn)出0.01水平的顯著性，因而說明PM2.5和公路密度之間有著顯著的正相關(guān)關(guān)系。公路密度大的地方，車流量相對而言也比較大，主要是因?yàn)檐囕v產(chǎn)生機(jī)動車尾氣，機(jī)動車尾氣含有的大量的細(xì)顆粒物。并且車輛在運(yùn)行過程當(dāng)中，車輪對塵土的反復(fù)碾壓磨碎，使顆粒物越來越小并被卷入大氣中，也加劇了PM2.5的污染。此外，第二產(chǎn)業(yè)占比和城市人口密度對PM2.5的濃度并不顯著，表明山東省城市產(chǎn)業(yè)結(jié)構(gòu)和人口密度對PM2.5的變化影響不大。PM2.5和人均GDP之間的相關(guān)系數(shù)值為-0.796，并且呈現(xiàn)出0.01水平的顯著性，因而說明PM2.5和人均GDP之間有著顯著的負(fù)相關(guān)關(guān)系。人均GDP通常是了解和把握一個地區(qū)的宏觀經(jīng)濟(jì)運(yùn)行狀況的有效工具，反映了一個地區(qū)全部生產(chǎn)活動最終成果的指標(biāo)。在經(jīng)濟(jì)發(fā)展的初期，經(jīng)濟(jì)的提升可能會導(dǎo)致導(dǎo)致環(huán)境的污染，但是隨著產(chǎn)業(yè)結(jié)構(gòu)的轉(zhuǎn)型，創(chuàng)新水平的提高，對污染物排放的依賴降低。PM2.5和科學(xué)技術(shù)支出之間的相關(guān)系數(shù)值為-0.621，并且呈現(xiàn)出0.05水平的顯著性，因而說明PM2.5和科學(xué)技術(shù)支出之間有著顯著的負(fù)相關(guān)關(guān)系?？茖W(xué)技術(shù)支出能帶來地區(qū)科技進(jìn)步，進(jìn)而提高地區(qū)污染治理水平，科技不成熟會導(dǎo)致工業(yè)企業(yè)粗放式發(fā)展，引發(fā)資源消耗帶來的回彈效應(yīng)[26]，進(jìn)而導(dǎo)致顆粒物濃度增加。例如，棗莊市和菏澤市科學(xué)技術(shù)分別為37 196萬元和17 844萬元，空氣質(zhì)量就相對較差，青島市和濟(jì)南市科學(xué)技術(shù)支出分別為668 363萬元和438 785萬元，空氣質(zhì)量就明顯優(yōu)于棗莊市和菏澤市。城市的經(jīng)濟(jì)發(fā)展?fàn)顩r和周圍環(huán)境基本協(xié)調(diào)。

3? 結(jié)? 論

根據(jù)以上對2019—2020年山東省細(xì)顆粒濃度分布特征及成因分析，得出以下結(jié)論：

山東省細(xì)顆粒濃度大小存在差異。根據(jù)顆粒物年均濃度大小，可以發(fā)現(xiàn)山東省總體表現(xiàn)東低西高的空間格局，山東省西部內(nèi)陸地區(qū)PM2.5濃度明顯高于東部沿海城市。從時間分布上看，山東省月均PM2.5濃度一年中大體呈現(xiàn)“U”型分布，1月達(dá)到PM2.5濃度最大值，之后逐漸下降，在8月到達(dá)低谷期，之后又逐漸上升，到12月又出現(xiàn)PM2.5濃度高值。此外，季節(jié)性統(tǒng)計表明，PM2.5大小基本呈現(xiàn)夏天<秋天<春天<冬天的特點(diǎn)。

從空間分布上看，山東省大氣細(xì)顆粒物高高聚集狀況主要出現(xiàn)濟(jì)寧市和泰安市兩地，而低低聚集現(xiàn)象主要集中煙臺市，研究期間，低低聚集面積擴(kuò)大。

相關(guān)性分析表明，山東省細(xì)顆粒物濃度受到自然因素和社會經(jīng)濟(jì)因素的綜合影響，其中公路密度對PM2.5濃度有正向影響，而溫度、降水、日照時數(shù)、人均GDP、科學(xué)技術(shù)支出對PM2.5濃度有顯著負(fù)向影響，其中溫度的變化影響最大，其次是降水。因此，要加快技術(shù)創(chuàng)新，推動工業(yè)化向高端升級，以解決山東省城市細(xì)顆粒污染。

參考文獻(xiàn)：

[1] 許艷玲，薛文博，王燕麗，等.基于減排敏感性的武漢市PM（2.5）污染控制研究 [J].環(huán)境污染與防治，2018，40（8）：959-964.

[2] WANG J L，ZHANG Y H，SHAO M，et al. Quantitative relationship between visibility and mass concentration of PM2.5 in Beijing [J].環(huán)境科學(xué)學(xué)報（英文版），2006，18（3）：475-481.

[3] 呂廣娜，李榮山.大氣細(xì)顆粒物PM2.5對人體損害及致病機(jī)制的研究進(jìn)展 [J].中國醫(yī)藥指南，2013，11（29）：43.

[4] ZHANG Q，ZHANG P W，GAI Y D. The Use of Protein-Protein Interactions for the Analysis of the Associations between PM2.5 and Some Diseases [J].Biomed Research International，2016：[2021-08-25].https：//d.wanfangdata.com.cn/periodical/jes-e200603011.

[5] LU Y，F(xiàn)ATMI Z，MALASHOCK D，et al. Assessing the association between fine particulate matter （PM2.5） constituents and cardiovascular diseases in a mega-city of Pakistan [J].Environmental Pollution，2019，252：1412-1422.

[6] RUDD K E，JOHNSON S C，AGESA K M，et al. Global，regional，and national sepsis incidence and mortality，1990–2017：analysis for the Global Burden of Disease Study [J].The Lancet，2020，395（10219）：200-211.

[7] JI D，LI L，WANG Y，et al. The heaviest particulate air-pollution episodes occurred in northern China in January，2013：Insights gained from observation [J].Atmospheric Environment，2014，92：546-556.

[8] 郭向陽，穆學(xué)青，丁正山，等.長三角多維城市化對PM（2.5）濃度的非線性影響及驅(qū)動機(jī)制 [J].地理學(xué)報，2021，76（5）：1274-1293.

[9] 汪克亮，劉蕾，孟祥瑞，等.區(qū)域大氣污染排放效率：變化趨勢、地區(qū)差距與影響因素——基于長江經(jīng)濟(jì)帶11省市的面板數(shù)據(jù) [J].北京理工大學(xué)學(xué)報（社會科學(xué)版），2017，19（6）：38-48.

[10] 劉曰慶，孫希華，孫宇祥，等.1998～2016年中國大氣PM（2.5）污染濃度空間格局演化——基于339個城市的實(shí)證研究 [J].長江流域資源與環(huán)境，2020，29（5）：1163-1173.

[11] 劉鵬華，姚堯，梁昊，等.耦合卡爾曼濾波和多層次聚類的中國PM（2.5）時空分布分析 [J].地球信息科學(xué)學(xué)報，2017，19（4）：475-485.

[12] 董佳丹，陳曉玲，蔡曉斌，等.基于中國大氣環(huán)境監(jiān)測站點(diǎn)的2015—2019年大氣質(zhì)量狀況時空變化分析 [J].地球信息科學(xué)學(xué)報，2020，22（10）：1983-1995.

[13] 潘婷婷，朱家明，滕磊，等.蚌埠市PM2.5影響因素及分布演變規(guī)律計量分析 [J].上饒師范學(xué)院學(xué)報，2016，36（3）：17-24.

[14] 孫建如，鐘韻.我國大城市PM（2.5）影響因素的經(jīng)濟(jì)分析——基于市級面板數(shù)據(jù)的實(shí)證研究 [J].生態(tài)經(jīng)濟(jì)，2015，31（3）：62-65+77.

[15] 姚榮鵬，張勃，王立兵，等.2015—2019年中東部地區(qū)PM（2.5）時空演變及其驅(qū)動力 [J].生態(tài)學(xué)雜志，2021，40（3）：813-824.

[16] 柏玲，姜磊，陳忠升.長江中游城市群PM（2.5）時空特征及影響因素研究 [J].長江流域資源與環(huán)境，2018，27（5）：960-968.

[17] 詹建益，黃觀超，周華，等.華北地區(qū)顆粒物濃度時空分布特征及其因素 [J].自然資源學(xué)報，2021，36（4）：1036-1046.

[18] 時燕，劉瑞梅，羅毅，等.近20年來中國PM（2.5）污染演變的時空過程 [J].環(huán)境科學(xué)，2020，41（1）：1-13.

[19] 周磊，武建軍，賈瑞靜，等.京津冀PM（2.5）時空分布特征及其污染風(fēng)險因素 [J].環(huán)境科學(xué)研究，2016，29（4）：483-493.

[20] 毛婉柳，徐建華，盧德彬，等.2015年長三角地區(qū)城市PM（2.5）時空格局及影響因素分析 [J].長江流域資源與環(huán)境，2017，26（2）：264-272.

[21] 蔣超，龔建周，孫家仁，等.2013—2016年珠三角地區(qū)PM（2.5）分布時空演變 [J].生態(tài)環(huán)境學(xué)報，2018，27（9）：1698-1705.

[22] 陳優(yōu)良，鄒文敏.2015—2019年長三角PM（2.5）時空變化特征及其影響因子分析 [J].安全與環(huán)境學(xué)報.

[23] HAUKE J，KOSSOWSKI T. Comparison of Values of Pearson’s and Spearman’s Correlation Coefficients on the Same Sets of Data [J].Quaestiones Geographicae，2011，30（2）：87-93.

[24] 中華人民共和國環(huán)境保護(hù)部科技標(biāo)準(zhǔn)司.環(huán)境空氣質(zhì)量指數(shù)（AQI）技術(shù)規(guī)定（試行） [S].北京：中國環(huán)境科學(xué)出版社，2016.

[25] 黃善斌.關(guān)于PM2.5與氣象條件關(guān)系及其預(yù)報研究 [D].濟(jì)南：齊魯工業(yè)大學(xué)，2017.

[26] 王振波，方創(chuàng)琳，許光，等.2014年中國城市PM（2.5）濃度的時空變化規(guī)律 [J].地理學(xué)報，2015，70（11）：1720-1734.

作者簡介：王映然（1998—），女，漢族，山東煙臺人，碩士在讀，主要研究方向：大氣污染監(jiān)測與評價;通訊作者：季民（1970—），男，漢族，山東齊河人，教授，博士，主要研究方向：地理信息系統(tǒng)設(shè)計與開發(fā)。