基于Moran’s I指数的京津冀地区PM2.5空间自相关分析

张良玉,李兴阳,王志超,魏丽欣,徐志清

(1.保定市气象局，河北 保定 071000；2.天津市静海区气象局,天津 301600)

引 言

京津冀地区作为中国的“首都圈”，是中国雾霾最严重的区域[1-2]。空气污染成因复杂，同一时间和地点空气污染物浓度受到许多因素影响[3]。PM2.5指环境空气中空气动力学当量直径小于等于2.5μm的颗粒物[4]，作为京津冀地区首要污染物[5-6]，与较粗的大气颗粒物相比，PM2.5粒径小，面积广，活性强，易附带有毒、有害物质，且在大气中的停留时间长、输送距离远[7-8]，因而对身体健康[9-10]和空气质量影响很大[11-12]。地理学第一定律指出，地物之间的相关性与距离有关，一般来说，距离越近，地物间相关性越大；距离越远，地物间相异性越大[13]。Moran’s I指数通常是用来度量空间自相关的一个重要指标，分为全局和局部空间自相关，王振波等[14]和潘竟虎等[15]利用该方法分析了中国城市PM2.5浓度呈现显著的空间分异与集聚特征，京津冀地区是污染的核心区；游康云等[16]和昌晶亮等[17]，分别研究了浙江省和珠江三角地区PM2.5浓度空间自相关，均表明PM2.5浓度空间集聚效应显著，存在H-H、L-L集聚区。前人研究以地市区域为主[18～21]，本文选取以县(区)域站点环境监测数据，基于Moran’s I指数，研究该地区大气污染物浓度的时空分布和空间相关性，对区域经济和环境发展、人体健康及区域和谐发展有一定的指导意义。

1 数据来源

选取京津冀地区2014—2018年北京、天津和河北11个地级市及京津冀区域内163个县(市、区)共176个PM2.5环境监测站点数据(图1)。为了保证监测数据的准确性、连续性和完整性，确保全面、客观地反映监测结果，根据GB 3095-2012中数据统计的有效性规定，对不符合数据有效性最低要求的值进行了剔除与整理。

图1 京津冀地区地形及环境监测站点分布图Fig.1 Distribution of terrain and environmental monitoring sites in the Beijing-Tianjin-Hebei region

2 数据处理

2.1 全局Moran’s I指数

对于Moran’s I指数而言，若n代表某一变量的样本总数，xi为空间位置或空间单位i处的变量观测值，则该变量的全局Moran’s I指数如下：

(1)

式中，xi为区域i的观测值；Wij为空间权重矩阵。Moran’s I指数的值域位于[-1，1]之间，小于0表示负相关，大于0表示正相关，等于0则表示研究区内的各空间对象单元彼此之间相互独立。I值越接近1，表明研究对象的某属性在空间分布上呈现出的集聚效应越显著；I值越接近-1，则表明研究对象的某属性在空间分布上呈现出的趋异性越显著。

2.2 局部Moran’s I指数

局部Moran’s I指数用来衡量区域内是否存在高值或低值的局域空间集聚以及对全局空间自相关的贡献大小，Ii为某区域i的局部Moran’s I指数，具体公式如下：

(2)

3 结果分析

3.1 2014～2018年京津冀地区PM2.5浓度区域变化特征

根据环境空气质量指数(AQI)技术规定，将PM2.5浓度值(单位为μg/m3)划分为5个等级，优0～35，良36～75，轻度污染76～115，中度污染116～150，重度污染151～250，以此为标准研究PM2.5浓度2014～2018年时空变化特征。

利用单一指标PM2.5浓度值变化来评定京津冀空气质量，2014～2018年京津冀地区PM2.5浓度污染呈下降趋势(如图2)，空间分布变化明显。2014年PM2.5污染空间分布为“良、轻度和中度”，约各占京津冀地区面积的1/3，其中张家口、承德、秦皇岛北部地区空气质量以良为主，张家口部分地区达到优；北京、天津、秦皇岛、唐山、廊坊、沧州、衡水的大部分地区以轻度污染为主；石家庄、保定、邢台、邯郸大部分地区以中度污染为主，5个县(区)达到重度污染。2015年空气质量以良、轻度污染为主，无重度污染地区，石家庄、保定、邢台、邯郸、衡水的部分地区出现了中度污染；2016年空气质量达到良的地区进一步增加，石家庄、衡水的部分地区出现了中度污染；2017～2018年空气质量以良为主，无中度污染程度以上地区，主要在石家庄、邯郸、邢台和唐山的部分地区出现了轻度污染水平。京津冀地区通过对污染排放加大管控，空气质量得到进一步改善，但与PM2.5年平均浓度限值二级标准35 μg/m3还有很大差距。

图2 2014～2018年京津冀地区PM2.5浓度分布图Fig.2 PM2.5 concentration distribution in Beijing-Tianjin-Hebei region from 2014 to 2018

3.2 2014～2018年京津冀地区PM2.5浓度值分散特征

箱形图是一种用作显示一组数据分散情况资料的统计图。利用GEODA软件，制作2014～2018年京津冀地区各站点年平均PM2.5浓度变化箱形图，得到该地区历年最小值、最大值、下四分位数(第25百分位数Q1)、中位数(第50百分位数)、上四分位数(第75百分位数Q3)、四分位数间距(IQR=Q3-Q1)、平均值及标准差，分析各站点2014～2018年PM2.5浓度值分散变化情况。

各站点PM2.5浓度值除最小值外，其他分析值均呈明显下降趋势(图3)。IQR值呈逐年变小趋势，说明越来越多的站点PM2.5浓度值趋于接近年度平均值；2014年Q3值达到了中度污染水平，Q1值达到轻度污染水平，2015～2017年Q3值降到轻度污染水平，2016、2017年Q1值降至良，2018年Q3值(70.85 μg/m3)达到了良水平；中位数2014～2016年为轻度污染水平，2017、2018年降至了良的水平；标准差逐年变小；综上分析，进一步说明空气污染水平显著降低，京津冀地区空气质量达到优、良天气的日数进一步增多。

图3 2014～2018年京津冀地区PM2.5浓度变化箱线图Fig.3 Boxplot of PM2.5 concentration changes in the beijing-tianjin-hebei region from 2014 to 2018

3.3 2014～2018年京津冀地区PM2.5的空间自相关特征

3.3.1 全局空间自相关分析

利用ArcGIS空间统计工具，基于Moran’s I指数，空间关系概念化采用CONTIGUITY_EDGES_CORNERS，即共边、共点都被视为邻接要素，分析2014～2018年京津冀地区历年及各月PM2.5浓度全局空间自相关特征，检验京津冀地区PM2.5浓度是否存在聚集。

通过对历年及各月PM2.5浓度空间自相关分析发现，生成的P值均小于显著水平0.01，置信度达到了99%；Z得分均超过了临界值2.58，历年I值及各月I值(除7月外)均大于0.5(表1和表2)。表明京津冀地区PM2.5空间浓度分布呈现显著的集聚效应，即京津冀PM2.5空间污染存在高高值、低低值的聚合特征，Z得分和I值的变化表明空间集聚存在一定的波动性。2014～2018年I值、Z得分均呈减小趋势，2017年出现小幅反弹，说明该地区空气质量逐年变好，空间集聚效应减弱。各月I值、Z得分变化7月最小，1月最大。将I值、Z得分与对应时段PM2.5浓度值进行相关性分析，呈显著正相关(皮尔逊相关性分别为0.767**、0.762**)，表明空间集聚效应与污染程度有关，污染程度高则空间聚焦效应强，反之则变弱。

表1 2014～2018年PM2.5浓度的Moran’s I值和Z得分Tab.1 Moran’s I value and Z score of PM2.5 concentration from 2014 to 2018

表2 各月平均PM2.5浓度的Moran’s I值和Z得分Tab.2 Moran’s I value and Z score of monthly average PM2.5 concentration

3.3.2 历年局部空间自相关分析

H-H集聚和L-L集聚反映了PM2.5浓度的均质性，即存在空间正相关；而H-L集聚和H-L集聚反映PM2.5浓度的异质性，即存在空间负相关。

京津冀地区2014～2018年PM2.5年平均浓度的L-L集聚主要出现在北部地区， H-H集聚主要出现在南部地区(图4)，呈现空间正相关特征，存在显著的空间依赖性，不存在H-L和L-H集聚特征。张家口、承德位于京津冀的西北部，地处华北平原与内蒙古高原的过渡地带，海拔多在500～2 000m，风力较其他地区大；燕山山脉这道天然屏障直接将这两个地区与京津冀的其他地区隔开，且该区域重污染企业少，虽然冬季供暖会增加污染物的排放，但由于大风天气较多，空气利于扩散。而京津冀南部地区处在太行山东麓平原地区，这里由于受太行山脉影响，风速减小，容易出现静稳和逆温天气，使大气垂直层结稳定，不利于污染物水平和垂直扩散；冀南地区是河北省重工业聚集地，污染源多，造成这些地区空气污染严重。

2014～2018年京津冀地区L-L、H-H集聚区PM2.5浓度平均值均呈下降趋势(表3)。L-L集聚区PM2.5浓度平均值均在一、二级限值之间；

图4 2014～2018年京津冀地区PM2.5浓度局部空间自相关Fig.4 Local spatial autocorrelation of PM2.5 concentration in Beijing-Tianjin-Hebei region from 2014 to 2014

表3 2014～2018年京津冀地区L-L、H-H集聚区PM2.5浓度平均值Tab.3 Average PM2.5 concentrations in L-L and H-H clusters in the Beijing-Tianjin-Hebei region from 2014 to 2018 (μg/m3)

2014、2015年H-H集聚区PM2.5浓度平均值在中度污染程度范围内，2016～2018年降至轻度污染程度范围内。

3.3.3 京津冀地区2014～2018年PM2.5浓度各月局部空间自相关分析

京津冀地区2014～2018年PM2.5各月浓度的L-L集聚主要出现在北部地区， H-H集聚主要出现在南部地区，不存在H-L和L-H集聚特征。其中2月天津东部、7月天津中部出现了L-L集聚区，6、7月在秦皇岛南部、唐山中东部地区出现H-H集聚区(图5)。各月PM2.5浓度L-L、H-H集聚区出现规律，较历年L-L、H-H集聚区变化明显，这是因为PM2.5浓度的受季节气候变化以及不同季节的污染源等影响，造成各月PM2.5浓度L-L、H-H集聚区变化显著。

2014～2018年京津冀地区各月PM2.5浓度L-L 集聚区平均值变化幅度不大，H-H集聚区PM2.5浓度平均值呈U型变化(图6)。各月PM2.5浓度L-L集聚区平均值除8月(34.9 μg /m3)略低一级限值外，其他各月均在一、二级限值之间；各月PM2.5浓度H-H集聚区平均值除5、6和8月低于二级限值外，其他各月均在二级限值以上，其中1月、12月达到了重度污染程度，2、3、10和11月在中度污染程度范围内。

图5 2014～2018年京津冀地区各月PM2.5年浓度空间自相关Fig.5 Spatial autocorrelation of annual PM2.5 concentration of each month in the Beijing-Tianjin-Hebei region from 2014 to 2018

图6 京津冀地区各月L-L、H-H集聚区PM2.5浓度平均值Fig.6 Average monthly PM2.5 concentrations in L-L and H-H clusters in the Beijing-Tianjin-Hebei region

3.4 京津冀PM2.5浓度空间异质性影响因素

地理学第二定律，空间的隔离造成了地物之间的差异，即异质性。综上分析，京津冀西北部和南部部分地区PM2.5浓度分布呈空间正相关性，其他地区PM2.5浓度分布呈随机性，表明该地区PM2.5浓度分布存在空间异质性，影响因素分析如下。

3.4.1 地理环境的影响

受燕山、太行山、内蒙古高原的影响，京津冀地区整体地势呈西北高、东南低的特征。不同地形具有不同的粗糙度，影响风向风速同时发生变化，从而影响大气污染物的扩散；城市中的高层建筑物、体形大的建筑物和构筑物都能造成气流在小范围内产生涡流，阻碍污染物质迅速扩散。分析得出，京津冀地区PM2.5浓度与经度、纬度、拔海高度呈显著负相关，即经度、纬度、拔海高度越高的地区，PM2.5浓度越低，空间质量好；反之则PM2.5浓度污染严重。

3.4.2 气象要素的影响

京津冀地处中纬度，属暖温带、半湿润大陆性季风型气候，气候温暖，四季分明。受地理环境的影响，该地区气候呈多样性。通过对京津冀地区PM2.5浓度与气象要素进行相关分析，得出与气温、降水、风速、日照呈显著负相关，与气压、相对湿度呈显著正相关。因此京津冀地区，不同的气候类型造成了该地区PM2.5浓度分布存在着空间异质性。

3.4.3 产业结构的影响

环境库兹涅茨曲线(EKC)表明经济增长与环境污染之间存在倒U型的曲线关系[22]。近年来，随着京津冀地区粗放式经济发展模式，造成了能源的较大消耗和污染物排放，京津冀地区环境污染日趋严峻[23]；由于各地经济重心不同，或以农业为主，或以旅游业为主，或以重工业为主等等，形成的污染源不同，造成京津冀地区PM2.5浓度分布存在空间异质性。

4 结 论

本文基于ArcGIS、Geoda及Moran’s I指数，分析了2014～2018年京津冀地区PM2.5浓度的时空变化规律以及空间相关性，结果如下。

4.1 2014～2018年京津冀地区PM2.5浓度空间分布变化显著，从2014年良、轻度、中度污染区域各占1/3，2018年污染程度降至以“良”为主；空气质量北部、西部优于南部、东部地区，山区优于平原地区。通过加大污染排放管控和治理，效果明显。

4.2 通过箱线图分析，2014～2018年京津冀地区各站点PM2.5浓度平均值、IQR、Q1、Q3值及标准差均呈下降趋势，各站点PM2.5浓度值达到且接近于良以上程度的值越来越多，从2014年2成增长至2018年8成。

4.3 通过对2014～2018年京津冀地区PM2.5浓度分布进行全局空间相关性分析，年、月值分布均呈现显著的集聚效应，年值集聚效应呈减弱趋势，月值集聚效应秋、冬大于春、夏季，空间集聚效应与污染程度呈正相关。

4.4 通过对2014～2018年京津冀地区PM2.5浓度分布进行局部空间相关性分析，历年、各月H-H集聚主要出现在京津冀南部地区，但出现区域有一定变化；L-L集聚主要出现在北部地区，变化区域主要在北京、秦皇岛北京和承德南部地区。

4.5 京津冀PM2.5浓度值分布存在空间异质性，主要影响因素为地理环境、气象要素和经济环境。

综上所述，近年来京津冀地区空气质量改善趋势比较明显，通过研究PM2.5浓度集聚和分布特征，对有效控制京津冀地区大气环境、改善空气质量有一定的指导意义。