山西省空气质量时空格局及影响因素分析

摘要：山西是我国的能源大省，同时也是空气污染较为严重的省份。为深入地分析山西省空气质量，继而给空气污染治理提供可靠的决策依据，本文采用空间自相关分析法、热点分析法、灰色关联分析法等方法对2014-2017年全省11个地市的空气质量时空分布特征及影响因素进行研究。结果表明：1.2014-2017年期间，山西省空气质量达标天数呈先增后减的趋势，高纬度地区空气质量优于中低纬度，两侧经度区域优于中间。2.2014-2016年空气质量空间聚集性较弱且不显著，2017年显著空间正相关，空间格局呈现从北到南为热点聚集、随机分布、冷点聚集的三层分布。3.山西省空气质量主要影响因素为第二产业占比和发电量。

关键词：空气质量;时空格局;影响因素;山西省

中图分类号：X823 文献标识码：A 文章编号：2095-672X（2019）09-00-03

DOI：10.16647/j.cnki.cn15-1369/X.2019.09.009

Spatiotemporal pattern and influencing factors of air quality in Shanxi Province

Qin Cong

（Shanxi Institute of Water Resources and Hydropower Research， Taiyuan Shanxi 030002， China）

Abstract：Shanxi is a major energy province in China， but also a province with serious air pollution. In order to deeply analyze the air quality in Shanxi Province and then provide reliable decision-making basis for air pollution control， this paper uses spatial autocorrelation analysis， hot spot analysis and grey correlation analysis to study the Spatiotemporal distribution characteristics and influencing factors of air quality in 11 cities of Shanxi Province from 2014 to 2017. The results showed that： 1. From 2014 to 2017， the air quality of Shanxi Province increased first and then decreased. The air quality in high latitudes was better than that in middle and low latitudes， and the longitude areas on border sides are better than that in the middle. 2. From 2014 to 2016， the spatial aggregation of air quality was weak and not significant. In 2017， there was a significant positive spatial correlation. The spatial pattern showed three layers of hot spot aggregation， random distribution and cold point aggregation from north to south. 3. The main influencing factors of air quality in Shanxi Province were the proportion of secondary industry and power generation.

Keywords：Air quality;Spatial and temporal distribution;Influencing factors;Shanxi Province

人類的生存离不开空气，空气质量和人们的生命健康休戚相关。山西经济近年来的快速增长，给空气质量造成极大压力，多个地市空气质量不佳。十八大以来，习主席反复强调空气质量，并表示空气质量直接关系到广大群众的幸福感[1]。当前，研究山西省空气质量时空格局及影响因素，于有针对性地开展空气污染防治、加强生态文明建设意义非凡。

1 国内外研究现状

许多学者就空气质量时空格局及影响因素做了大量研究，也取得了一些成果。林长城[2]、盛永财[3]、苏维[4]等人对单个城市的空气质量进行分析，得出了空气质量变化的趋势，并用相关分析法、层次分析法等方法研究了多个因素对空气质量的影响;李婕[5]、丁镭[6]、柏玲[7]、杨冕[8]等人对区域内多个城市不同季节或不同年度空气质量进行研究，同时利用灰色关联法、空间回归分析、地理加权回归、等方法得出主要制约空气质量的指标。就山西省而言，目前空气质量的研究基本在现状及趋势分析上[9-11]，仅少数学者[12-13]分析了气象因素对空气质量的影响。故本文以山西省2014-2017年各地市空气质量达标天数为研究指标，通过空间自相关分析、热点分析得出时空分布特征，最后运用灰色关联分析解读各统计指标对空气质量的影响。本文选用数据覆盖面较广，分析方法相对简便，一定程度上补充了山西省在空气质量研究领域的内容，为空气污染防治“对症下药”做好理论支撑。

2 数据及研究方法

2.1 数据

以空气质量达标天数为研究对象，影响因素选取常住人口、人均GDP、第二产业占比、单位地区生产总值能源消耗、建筑业企业总产值、发电量、农林牧渔业总产值七项指标。以上数据来源于《山西省统计年鉴》。山西省地市边界图是从国家基础地理信息中心获取。

2.2 研究方法

本文基于ARCGIS 11软件进行空间自相关分析。通过Global Morans I指数来判断各地市空气质量达标天数空间分布特征，当指数大于0表示聚集，小于0表示离散，接近0表示随机分布[14-15];Getis-Ord Gi*指数可以对各地市空气质量达标天数在局部为热点或者冷点聚集进行分析[16]。

灰色关联分析结合了定性和定量两种思维，本质是通过不同序列曲线相似度来判定各要素间的关联性，曲线形状越趋同关联性越高[17]，分析具有整体性，同时具有参考系和测度[18]。

相关数学公式参照文献[18][19]。

3 山西省空气质量时空分布特征

3.1 时间分布特征

2014-2017年期间，山西省空气质量达标平均天数呈现先增后减的趋势（图1）。2014年山西省各地市空气质量达标天数较少，其中阳泉市当年达标天数只占其四年总天数的12.7%;2015年多地市空气质量达标天数有所增加，当年达标天数占比增幅比较大有阳泉市和晋城市，分别达到22.4%和6.3%;2016年各地市空气质量与2015年基本维持;2017年，各地市空气质量有明显下降，临汾市、运城市、晋城市空气质量达标天数减少较多。

各地市中，总达标天数超过各年平均达标天数之和的仅有大同、吕梁、忻州、朔州四个地市，四年间达标天数较为均衡，没有大的波动;而阳泉、太原、临汾、运城总达标天数为后四位，且呈现出明显的先增后降的趋势。四年间空气质量达标天数最少的是阳泉市，仅有756天;最多的为大同市，总天数为1213天，反映出山西省各地市空气质量差距比较明显。

3.2 空间分布特征

从空间的角度分析（图2），2014-2017年山西省空气质量达标平均天数在经度上为“U”形，在东经111°和113°附近出现高值，其余经度（111°至113°）无较大波动;在纬度上基本呈侧“f”形，除北纬40°附近出现高值外，较低纬度（35°至36°附近）和较高纬度（38°至39°）附近的值比较接近，而在37°附近，空气质量出现了较大的差异，忻州市比阳泉市的年平均达标天数高出52天。综上，山西省空气质量在地理空间上呈现出一定规律，即高纬度地区空气质量优于中低纬度地区，经度上大体为出东西高，中间低的趋势。

3.3 空间自相关分析

由Arcgis软件得到2014-2017年山西省空气质量的Global Morans I指数，从全省的维度分析空间格局。详见表1。

2014-2017年全省的Global Morans I指数历经从接近于0到负值再到正值的变化，因此山西省空气质量在空间上由随机分布转变为负相关又转变为正相关。通过P值可知，2014-2016年不显著，空间聚集性弱;2017年通过5%显著性检验，有较强的空间聚集性，空气质量达标天数较多的地市相互聚集分布。

通过计算Getis-Ord Gi*指数从区域维度来分析山西省空气质量（图3），2014年和2015年全省空气质量随机分布。2016年，热点区域开始显现，大同市、朔州市为热点低显著区，其余地市为随机分布区。2017年，冷热点区域更加明显，大同市、朔州市、忻州市及其邻近地市达标天数较高，形成热点中显著区，运城市、晋城市、长治市空气质量达标天数较少，形成了冷点聚集区。不难发现，山西省空气质量空间格局在2014-2017年间，由随机分布逐步呈现从北到南依次为热点聚集、随机分布、冷点聚集的三层分布结构。

4 山西省空氣质量影响因素分析

山西省空气质量达标天数在2014-2017年间时空分布差异明显，其成因涉及到多个方面，本文选取对空气质量达标天数影响较大的常住人口（X1）、人均GDP（X2）、第二产业占比（X3）、单位地区生产总值能源消耗（X4）、建筑业企业总产值（X5）、发电量（X6）、农林牧渔业总产值（X7）七个因素进行分析，求出各因素在2014-2017年各年的灰色关联度γ及排序（表2）。表2可以看出，2014-2017年间，选取的七个影响因素和山西省空气质量达标天数的关联度都比较高，关联最密切的第二产业占比（X3）和发电量（X6）均在0.9附近，而建筑业企业总产值（X5）、农林牧渔业总产值（X7）关联度相对较弱。将各因素按关联度大小依次排序为第二产业占比（X3）、发电量（X6）、常住人口（X1）、人均GDP（X2）、单位地区生产总值能源消耗（X4）、建筑业企业总产值（X5）、农林牧渔业总产值（X7）。

5 结论与讨论

5.1 结论

本文以空气质量达标天数为研究指标，采用空间自相关分析法、热点分析法、法等方法对2014-2017年全省11个地市的空气质量时空分布特征进行研究，然后用灰色关联分析法分析空气质量影响因素，得到如下结论。（1）2014-2017年间，山西省各地市空气达标天数呈现先增后减的趋势;高纬度地区空气质量优于中低纬度;经度层面，东西两侧空气质量好于中间区域。（2）2014-2016年空气质量空间聚集性弱且不显著，2017年则为显著空间正相关。空间格局由随机分布逐步呈现从北到南依次为热点聚集、随机分布、冷点聚集的三层分布结构。（3）影响山西省空气质量的主要因素为第二产业占比和发电量。本文选取影响因素的个数有限，今后应选取更多样、更细化、长时间的数据指标来探究山西省空气质量影响因素。

5.2 讨论

山西作为空气污染大省，解决好空气质量问题迫在眉睫。打好空气质量攻坚战，政府须着眼当地，以严谨的学术结论为支撑来制定相关政策方针，方能做到有的放矢。本文基于客观统计数據，较为全面分析了山西省空气质量的时空分布及影响因素，一定程度上为空空气治理提供参考。基于本文结论，改善山西省空气质量可从以下几点着手：（1）山西省空气质量形势严峻，要持续增加对空气质量改善投入，做好资金保障。（2）针对严重影响山西省空气质量的因素（第二产业占比、发电量）要进行大力整治，鼓励采用新技术，并做好指导、监督、奖惩等各个环节。（3）全力推进生活垃圾分类，减少人口增长对空气质量的影响，同时保持建筑业、农林牧渔业等行业对空气质量的低污染势头。

参考文献

[1]新华网.8日两会语录热搜榜：“空气质量直接关系群众幸福感”居首[EB/OL].http：//www.xinhuanet.com/politics/2014-03/08/c_126239375.htm，2014-03-08.

[2]林长城，王宏，陈彬彬，赵卫红，洪荣林，林文.厦门市空气质量时空分布特征及其与气象条件的关系[J].福建农林大学学报（自然科学版），2010，39（01）：79-83.

[3]盛永财，孜比布拉·司马义，王英鹏，王显，李颖.乌鲁木齐市空气污染时空分布特征及其与气象因素相关分析[J].地球环境学报，2018，9（04）：323-333.

[4]苏维，张帅珺，赖新云，古新仁，赖胜男，黄国贤，张志坚，刘苑秋.南昌市空气PM2.5和PM10的时空动态及其影响因素[J].应用生态学报，2017，28（01）：257-265.

[5]李婕，滕丽.珠三角城市空气质量的时空变化特征及影响因素[J].城市观察，2014（05）：85-95.

[6]丁镭，刘超，黄亚林，陈昆仑，曾克峰.湖北省城市环境空气质量时空演化格局及影响因素[J].经济地理，2016，36（03）：170-178.

[7]柏玲，姜磊，周海峰，陈忠升.长江经济带空气质量指数时空异质性及社会经济影响因素分析[J].水土保持研究，2019，26（02）：312-319.

[8]杨冕，王银.长江经济带PM2.5时空特征及影响因素研究[J].中国人口.资源与环境，2017，27（01）：91-100.

[9]贾晓红.山西省主要城市大气环境污染特征分析[J].山西能源与节能，2003（04）：20-22.

[10]闫世明，孙鸿娉，王雁，张逢生，李莹.山西省1981—2010年大气能见度变化趋势研究[J].中国农学通报，2015，31（28）：207-220.

[11]孙小燕，杨萍果，敖红，张鹏.山西省2015年细颗粒物的污染状况和空间分布[J].地球环境学报，2017，8（05）：459-468.

[12]马杰.山西省城市空气质量指数地理特征及其与气象要素的关系[J].太原师范学院学报（自然科学版），2015，14（02）：46-52.

[13]郭雪.太原市环境空气质量与气象条件关系的研究[D].兰州：兰州大学，2015.

[14]Epperson B K，Li T.Measurement of genetic structure within populations using Morans spatial autocorrelation statistics[J]. Proceedings of the National Academy of Sciences of the United States of America，1996，93（19）：10528-10532.

[15]Tiefelsdorf M. Modeling Spatial Process：The Identification and Analysis of Spatial Relationships in Regression Residuals by means of Morans I[J]. Lecture Notes in Earth Science Berlin Springer Verlag，2000，87（2）：73-81.

[16]Anselin L， Getis O. Spatial statistical analysis and geographic information systems [J]. Annual Regression Science，1992，26：19-33.

[17]Shi J，Ding Z，Lee W J，et al. Hybrid Forecasting Model for Very-Short Term Wind Power Forecasting Based on Grey Relational Analysis and Wind Speed Distribution Feature[J]. IEEE Transactions onSmart Grid，2014，5（1） ： 521-526

[18]孙玉刚. 灰色关联分析及其应用的研究[D].南京航空航天大学，2007.

[19]刘湘南，黄方，王平.GIS 空间分析原理与方法（第二版）[M].北京：科学出版社.2008.

收稿日期：2019-07-05

作者简介：秦聪（1992-），男，硕士，助理工程师，研究方向为信息化、水环境、节水灌溉。