中国近地面NO2污染分布特征及其社会经济影响因素分析

姜建芳，侯丽丽，王鑫龙，王丽丽，武高峰，赵文吉

首都师范大学资源环境与旅游学院，北京 100048

近年来，随着经济的飞速发展，工业化以及城市化进程的不断加快，大气污染问题日益严峻，引起了人们的广泛关注（齐梦溪等，2019）。氮氧化物（NOx）是现代城市主要的气态污染物之一，其自然来源主要是微生物固氮、NH3氧化及闪电，人为来源主要来自各种化石燃料的燃烧，以及工农业生产中的废气排放（刘显通等，2015；韦英英等，2018）。其中，作为对流层大气中的重要痕量气体，NO2是臭氧以及其他光化学二次污染物的重要前体物之一，是形成酸雨、酸雾以及光化学烟雾的主要污染物，会对大气环境和人体健康造成很大的危害（任剑锋等，2003；刘武，2016）。

目前，国内外学者有关NO2的研究主要集中在，（1）利用卫星遥感反演NO2柱浓度，揭露对流层NO2的时空分布特征和区域性差异。其中，通过臭氧检测仪（OMI）传感器获取的NO2数据具有相对较高的时空分辨率，大量研究基于NO2柱浓度数据探讨NO2的污染情况以及变化趋势（Ai et al.，2018；Cui et al.，2016；Xie et al.，2018；肖钟湧等，2011；郑晓霞等，2014）。（2）基于地面监测站点数据对NO2的时空分布特征进行研究。程念亮等（2016）分析了北京市2013-2014年全年及重污染日的NO2时空分布特征；李令军等（2011）同时利用卫星遥感与地面监测数据对北京市NO2的时空分布特征进行研究，并对两者进行对比分析。（3）利用传统的LUR模型和深度学习方法对NO2数值以及分布进行模拟估算（Saori et al.，2018；Song et al.，2019；游介文等，2019）。（4）关注人类活动对NO2的影响（陈姗姗等，2010；李龙等，2013）。已有研究表明人口密度、产业占比以及能源消耗都会对NO2浓度以及二氧化氮排放强度产生显著影响（Oiamo et al.，2015；Zhang et al.，2018；周春艳等，2016）。前人的研究主要以时间序列数据为基础，逐个分析单一社会经济因素对NO2变化特征的影响，从空间分析的角度出发，选用模型方法综合分析多种因素对NO2空间分布影响的研究较少。

此外，在研究方法上，李霄阳等（2018）利用全局莫兰指数（Global Moran'sI）检验了臭氧O3在全国尺度的空间自相关性，并用热点分析（Getis-OrdGi*）确定了O3冷点与热点集聚区域；Ye et al.（2018）通过Global Moran'sI探究了中国PM2.5质量浓度的空间相关性，并用热点分析方法反映了各省的冷、热点分布情况。NO2与PM2.5、O3等污染物在方法应用上有共通的特点，本文以中国省级行政区划为基本单元，以1497个NO2国家监测站点数据为基础数据，综合运用Global Moran'sI和Getis-OrdGi*探讨2017年NO2在全国尺度上的空间分布特征，并应用GWR模型对NO2污染分布的社会经济影响因素进行分析，以期为因地制宜地制定NO2污染防控措施提供科学依据。

1 数据与方法

1.1 数据来源

NO2质量浓度数据来源于中国环境监测总站的全国城市空气质量实时发布平台。本研究选取2017年全国1497个站点的NO2浓度实时监测数据，覆盖全国31个省级行政区（无香港、澳门，台湾）。每个站点的采样间隔时间为1 h。根据《环境空气质量标准》（GB3095—2012）（中国环境科学研究院，2012）针对大气污染质量浓度数据统计性要求，对NO2数据进行质量控制，剔除异常值。NO2数据以逐小时数据为基础，根据小时值求得日均值、月均值、季均值以及年均值。各省市境内全部站点的日均值为该省市日均值。

社会经济数据来自《中国统计年鉴—2018》，本文选取了人口、地区生产总值、人均GDP、第二产业占比、房屋建筑施工面积、烟粉尘排放量、森林覆盖率、人均私家车保有量、人均电力消费量、城镇化率等十类社会经济影响因素进行分析研究。

1.2 研究方法

1.2.1 空间自相关检验

地理学第一定律认为任何事物在空间上都是相互关联的，距离越近相关性越强，即空间自相关（Moran，1948）。空间自相关检验是计量经济分析的前提和基础。首先采用全局莫兰指数（Global Moran'sI）来表征NO2质量浓度在全国尺度上的空间自相关性，其计算公式如下：

式中，N表示省级行政区划总数；Xi和Xj为省级行政区划i与j的NO2质量浓度；是NO2质量浓度均值；Wij为空间权重矩阵，采用邻接标准来定义（相邻为1，不相邻则为0）。Global Moran'sI的取值范围在[-1, 1]之间，当I＜1时，空间单元之间呈空间负相关，且I值越接近-1，空间单元之间的属性差异越大；当I=0，空间单元呈随机分布状态；当I＞0时，空间单元呈正相关，I值越接近于1，空间相关性越强（蔺雪芹等，2016）。

为进一步分析一个省级行政区划单元的NO2质量浓度与邻近省级行政区划单元的空间相关性，本文利用Getis-OrdGi*指数进行检验。通过分析局部区域信息可识别出具有统计显著性的高值（热点）或低值（冷点）的空间聚类，反映某空间单元与临近单元的关联程度，其计算公式如下：

式中，n表示省级行政区划个数；Xj是行政区划单元j的属性值；Wij为空间权重矩阵，且：

Gi*统计表示Z得分，若Z(Gi*)显著且大于0，则表明空间单元i周围的值高于均值，Z得分越高，高值聚集越显著；若Z(Gi*)显著且小于0，表明空间单元i周围的值低于均值，且Z得分越低，低值聚类越显著。

1.2.2 GWR地理加权回归模型

传统的统计模型假定回归参数与样本数据的地理位置无关，但在实际问题中，回归参数随地理位置的变化而变化，传统的全局空间回归模型，其参数估计不能反映回归参数真实的空间特征，而地理加权回归模型（GWR）恰好解决了上述问题（段杰雄等，2018）。故本文利用GWR模型来探究省级尺度上，NO2的空间分布与各社会经济因素之间的相关性。该模型是对最小二模型的空间扩展，允许回归模型随地理位置的变化而变化。GWR使用核函数来确定空间依赖性的空间范围，通过距离衰减函数对空间范围内的样本点进行加权计算，并假设样本点距离越近，其影响越显著（覃文忠，2007）。其公式如下：

式中，x为各社会经济因素指标；y是NO2浓度；k为社会经济因素个数；j为行政区划单元个数；uj和vj为行政区划单元j的空间位置；β0(uj,vj)为截距，βi(uj,vj)为回归系数，会随着样本点位置的变化而变化。每一个局部的βi(uj,vj)都被用来估计它相邻的空间观测值（Fotheringham et al.，1998）。

2 NO2浓度的空间分布格局

2.1 中国NO2浓度总体评价

2017年中国NO2年均质量浓度空间分布如图1所示，年均值为31.28 μg·m-3，与2016年相比上升了3.2%。全国各监测站点NO2年均质量浓度在7.37-69.20 μg·m-3之间，经计算共有385个站点NO2年均质量浓度超标，占29.23%。超标站点主要分布在华东地区北部、华北地区、华中地区北部、西北地区东部、西南地区中部以及华南地区的珠江三角洲地区，且大多集聚在省会城市以及经济发达地区，呈现出以京津冀为中心向四周扩散的格局。

2.2 年分布特征

为进一步分析中国NO2浓度的空间分布情况，利用克里金插值法对站点进行插值，如图2a所示。NO2浓度分布在东西方向上大致以胡焕庸线为界，东部地区高于西部地区；南北方向上大致以长江为界，北部地区高于南部地区。西部地区新疆的乌鲁木齐市和昌吉，南部地区广东的珠三角等地较高；一年之中，浓度较低的区域均集中在西藏、青海、云南、广西、江西、福建以及四川西部等地。

图1 2017年中国NO2浓度监测点位空间分布 Fig. 1 Spatial characteristics of annual NO2 concentrations monitoring points of China in 2017

2017年NO2质量浓度在京津冀地区、汾渭平原、珠三角以及新疆地区呈现出高值集聚现象，太行山脉沿线的河南北部，河北中南部和山西中部各地区NO2污染最为突出。另外，NO2年均质量浓度以省会城市为中心向四周逐渐递减，这可能是由于省会城市经济发达，机动车密集，移动排放源集中所致（Nguyen et al.，2015）。

图2 2017年中国NO2污染分布 Fig. 2 Spatial characteristics of annual NO2 pollution of China in 2017

图3 2017年中国各季节NO2浓度分布特征 Fig. 3 Spatial characteristics of seasonal NO2 concentrations of China in 2017

以省级行政区划为基本单元，统计各个省市站点超标情况，其NO2年均浓度及超标率分布情况如图2b所示。人口密度小、经济发展较为缓慢的青海省、贵州省、西藏自治区、云南省等西部地区以及东南沿海地区的广西省、福建省、海南省等地，各个站点均达到国家标准。年均超标率超过50%的省市有河北省、北京市、天津市、山西省、江苏省、陕西省、上海市和重庆市。其中，年均超标率超过75%的省市为河北省、天津市、上海市，两个直辖市所有站点均超过国家标准。由此可见，NO2污染水平与产业结构以及经济发展水平关系密切（刁贝娣等，2016）。

2.3 季节性分布特征

总体而言，4个季节NO2质量浓度较高的地区均主要集中在京津冀及周边地区、珠三角、以及长江沿线地区，如图3所示。其中，天津市、北京市、河北省南部、河南北部以及陕西南部尤为突出。京津冀及周边地区人口密集，工业区较多，有利于污染源的形成；陕西地区气候干旱，降水少不利于污染物沉降且产业发展不协调，高污染产业较多，因此这些地区NO2质量浓度长期较高（徐彤，2011；肖悦等，2017）。

分季节来看，2017年NO2春季、夏季、秋季、冬季的平均质量浓度分别为23.70、32.83、33.95、41.80 μg·m-3，总体呈现出冬季＞秋季＞春季＞夏季的季节变化特征。与春夏季节相比，秋冬季节NO2高污染区由京津冀及周边河南、陕西等地扩大至山西中部、新疆东南部以及内蒙古的包头、呼和浩特、乌兰察布等地区。为进一步分析NO2的季节变化特征，将各个季节的NO2质量浓度分为5级：低值区（＜20 μg·m-3）、中低值区（20-30 μg·m-3）、中值区（30-40 μg·m-3）、中高值区（40-50 μg·m-3）、高值区（＞50 μg·m-3），以栅格插值图为基础，统计不同季节各等级面积占比情况，如表1所示。与其他季节相比，冬季中高值与高值区面积占比最大，为24.00%，秋季仅次于冬季，面积占比为13.47%，夏季最小，仅为0.33%。另外，低值区域面积占比冬季最小，夏季最大；秋季中低值及中值区域面积占比均为4个季节中最高。

表1 各季节NO2质量浓度不同等级面积占比 Table 1 Area ratio of NO2 mass concentration of different grades in each season

NO2质量浓度呈现出明显的季节性差异，主要与降水、气压、温度等气象因素以及人为源排放有关。降水对NO2起到清除作用，雨水的冲刷使大气中的NO2落入土壤中，NO2浓度降低。春夏季降水多、温度高、太阳辐射较强，有助于污染物的沉降、稀释和扩散，各省份NO2质量浓度相对较低。（臧星华等，2015；肖悦等，2017）。秋冬季节，降水少，温度低，且中国大部分区域受大陆高压控制，高压系统强度大，持续时间长，致使污染物持续积累和汇聚，NO2质量浓度升高（尉鹏等，2011）。另外，秋收季节之后的秸秆焚烧以及冬季采暖也会加重NO2的污染程度（孙爽等，2019）。

2.4 空间集聚特征

对2017年中国省级行政区划的NO2浓度年均值数据进行空间自相关检验。一般情况下，要素在[-2.58, 2.58]的置信区间内，反映置信度为99%的统计显著性；要素在[-1.96, 1.96]的置信区间内，反映置信度为95%的统计显著性；要素在[-1.65, 1.65]的置信区间内，反映置信度为90%的统计显著性；Z(I)＜-2.58表明NO2浓度空间单元间存在负空间自相关性；-2.58＜Z(I)＜2.58表明NO2浓度的空间自相关性不显著；Z(I)＞2.58表明NO2浓度空间单元间具有正空间自相关性（李霄阳等，2018）。

2017年NO2浓度年均值的Moran'sI指数为0.510，Z得分为5.918，表明中国NO2质量浓度从省级行政区划尺度来看，存在着明显的正空间自相关性。

全年的Z得分为5.918，表明NO2浓度在空间上呈现集聚性特征。采用热点分析工具对中国NO2浓度的局部空间自相关性进行检验，如图4所示。热点地区主要集中在京津冀、河南、山西、山东、江苏一带，冷点区主要集中在云南、西藏、广西、海南一带，其他省级行政区局部聚集情况不显著。

图4 2017年中国NO2浓度空间集聚 Fig. 4 Cluster characteristics of NO2 concentrations of China in 2017

3 NO2空间分布与社会经济因素的关系分析

3.1 多重共线性检验

考虑到各社会经济因素之间可能存在共线性问题，本文引入方差膨胀因子（VIF），可以用方差膨胀因子VIF的大小来判断自变量之间是否存在多重共线性问题，以及多重共线性的严重程度（黄文珂，2012）。一般认为，当VIF≥10时，表示自变量与其余自变量之间存在较显著的多重共线性，可能会对参数估计值造成严重影响（张润楚，2007）。本文基于SPSS软件求取VIF值，各个因素之间的VIF结果如表2所示。

表2 各社会经济因素之间VIF值 Table 2 VIF value among socio-economic factors

根据表2中的检验结果，人口、地区生产总值、人均GDP和房屋建筑施工面积四项社会经济因素的VIF值大于10，表明这些因素与其他因素之前存在着较强的多重共线性，在之后的分析中舍弃。故而选取森林覆盖度、第二产业占比、烟粉尘排放量、人均私家车保有量，人均电力消费量与城镇化率进行地理加权回归分析。

3.2 地理加权回归结果分析

应用地理加权回归模型拟合NO2质量浓度与社会经济要素之间的关系，其标准化残差分布如图5所示。标准化误差都控制在[-2, 2]之间，拟合的关系稳定（张西雅等，2017）。经GWR模型计算，调整后的R2为0.74，该模型能解释NO2空间分布的74%，拟合效果较好。

图5 GWR模型标准化残差分布 Fig. 5 Spatial characteristics of standardized residual of GWR model

为进一步分析该模型中各社会经济因素对NO2质量浓度的影响程度，引入标准回归系数指标，该指标可以直接反映模型中各自变量对因变量的重要性。将各因素的回归系数转化为标准回归系数，其绝对值大小可以反映各社会经济要素对NO2浓度的影响程度，如表3所示。

GWR模型标准回归系数分布的箱型图如图6所示。由图可知，第二产业占比、城镇化率、烟粉尘排放量以及人均私家车保有量与NO2质量浓度呈正相关关系，人均电力消费量和森林覆盖率与其呈负相关关系。另外，在该模型中，城镇化率、人均电力消费量、森林覆盖率，第二产业占比4个社会经济指标对NO2质量浓度的影响保持在较高水平。此外，城镇化率和第二产业占比对NO2分布的影响随着空间变化而变化的程度较显著，反之，森林覆盖率与人均电力消费量影响上的空间分布差异较小。

图6 GWR模型标准化回归系数箱型图 Fig. 6 Box-plot of standardized regression coefficient of GWR model

为进一步分析社会经济因素与NO2空间分布的关系，以省级行政区划为单元，作城镇化率、人均电力消费量、森林覆盖率、第二产业占比及其回归系数的分布图，如图7所示。

综合图6与表3可知，该模型中城镇化率是各项经济指标中对NO2影响最大的因素。由GWR回归系数的平均值可以看出，城镇化率每提高1%，NO2质量浓度提高0.557 μg·m-3。由图7a可知，GWR模型的城镇化率回归系数呈现出由西向东逐渐递减的空间分布格局，换言之，城镇化率的提高对NO2浓度增加的影响程度是由西到东逐渐递减。回归系数高值出现在新疆和西藏地区，低值出现在东三省地区。城镇化率是一个国家或地区经济社会发展进步的主要反映和重要标志，然而，人口更大规模的集聚意味着更严重的NO2污染（Lamsal et al.，2013），国家和政府也一直在积极采取措施进行控制。

表3 GWR模型标准化参数 Table 3 Standardized coefficient of GWR model

图7 2017年中国社会经济指标分布情况 Fig. 7 Distribution of socio-economic factors of China in 2017

第二产业占比与NO2质量浓度呈正相关关系。由GWR模型回归系数均值可知，第二产业占比每提高1%，NO2浓度升高0.585 μg·m-3。从图7b可知，第二产业占比高值区主要集聚在中部及东南沿海部分地区，这恰好与中部地区NO2质量浓度较高的情况相一致。对比图7b与图2b易发现，黑龙江省第二产业占比及其回归系数都较低，所以该区NO2质量浓度处于较低水平，低于吉林、辽宁两省。另外，江西、福建地区第二产业占比及回归系数均较高，NO2质量浓度水平却很低，主要是该区森林覆盖率对其浓度水平的抑制作用较高所致。工业污染源排放导致NO2浓度处于较高水平，国家及政府可根据中国各地区的社会经济发展情况，通过合理优化能源及产业结构的方式来对NO2污染做出控制措施。

森林覆盖率对NO2浓度也有较大影响。由GWR模型回归系数均值可知，森林覆盖率每提高1%，NO2质量浓度降低0.303 μg·m-3。从箱型图6和图7c可知，森林覆盖率对NO2质量浓度的影响一直保持在较高水平，影响程度的空间分布差异较小。森林覆盖率及其回归系数绝对值的高值区主要集中在南部地区及东三省地区，该地区NO2质量浓度也恰好处于较低水平。森林覆盖率的提高有助于降低NO2浓度，改善环境质量。

人均电力消费量对NO2质量浓度也有显著影响。由GWR模型回归系数均值可知，人均电力消耗量每提高100 kW·h，NO2质量浓度降低0.181 μg·m-3。由图7d可知，人均电力消费量高值区主要集中在西北部以及东部沿海部分地区，中部地区人均电力消费量较低，与中部NO2浓度处于相对较高水平的情况相符合。人均电力消费量对NO2浓度的负影响作用可能与能源的使用方式及政策调整有关。近年来，随着“煤改电”政策的实施以及新能源汽车的推广，电力消费量逐年增加，煤炭消耗量和燃油量有所减少，有助于减轻NO2污染。

近年来，随着中国经济的飞速发展，机动车保有量大幅增加，汽车尾气排放引起的NO2污染越来越严重，国家和相关政府部门采取了机动车限号、鼓励购买新能源汽车等一系列措施控制机动车尾气排放引发的大气污染，并取得了一定的成效。有关研究表明，机动车尾气排放与城市NO2污染有很大的关系（Spiru et al.，2017；陈姗姗等，2010）。对2017年各省份的NO2与人均私家车保有量进行Pearson相关性分析，研究在省级尺度上两者之间的关系，结果显示在0.05水平上两者显著相关，相关系数r=0.403。为进一步分析在省级尺度上人均私家车保有量与NO2之间的关系，作NO2质量浓度与人均私家车保有量（辆/千人）的空间分布图，如图8所示。人均私家车保有量最高的省份为浙江，其次是北京和江苏，分别为217、215、175辆/千人。由图可知，华北、东南沿海及西部新疆、西藏地区，人均私家车保有量与NO2空间分布情况基本一致，例如北京、河北、山东等人均私家车保有量较多的地区，NO2质量浓度也相对较高。河南、陕西、湖北等地则出现了人均私家车保有量相对较少，NO2质量浓度却很高的不匹配情况，可见相比于人均私家车保有量，工业源排放以及区域传输等其他因素对该区域NO2污染贡献较大。川渝地区同样出现了这种不匹配情况，究其原因可能是相较于人均私家车保有量，四川盆地特殊的地形以及能源结构等因素对NO2的影响较大所致。中国幅员辽阔，各个地区差异显著。国家与政府可根据不同地区的污染状况，因地制宜地采取方针来有效治理大气污染。

图8 2017年中国人均私家车保有量及NO2浓度分布图 Fig. 8 Distribution of private car per capita ownership and NO2 concentrations of China in 2017

4 结论

（1）2017年，中国NO2浓度分布在东西方向上以胡焕庸线为界，以东地区污染严重，以西地区污染较轻；南北方向上，大致以长江为界，长江以北地区的NO2质量浓度显著高于以南地区。

（2）NO2的季节变化规律为冬季＞秋季＞春季＞夏季。冬季中高值区面积占比最大，为24.00%，夏季最小仅为0.33%。秋冬季节NO2高污染区扩散至山西中部、新疆东南部以及内蒙古的包头、呼和浩特、乌兰察布等地区。

（3）在省级尺度上，NO2质量浓度的空间分布呈现出明显的正相关性，存在以京津冀、河南、山东、山西、江苏为主的高值集聚，低值主要集聚在云南、西藏、广西、海南一带，其他省级行政区局部聚集情况不显著。

（4）利用GWR模型分析NO2的空间分布与社会经济因素之间的关系，经计算调整后的R2为0.74，该模型能解释NO2质量浓度空间分布的74%，拟合效果较好。结果表明，城镇化率、森林覆盖率、第二产业占比以及人均电力消费量对NO2质量浓度影响较大，其中，城镇化率的影响最明显。另外，森林覆盖率与人均电力消费量与NO2质量浓度呈负相关关系；城镇化率和第二产业占比与NO2质量浓度呈正相关关系。

（5）从省级尺度上来看，人均私家车保有量与NO2质量浓度的相关系数r为0.403，在0.05水平上显著相关。另外，华北、东南沿海、东三省及西部新疆、西藏地区，人均私家车保有量与NO2空间分布情况基本一致，河南、陕西、湖北以及川渝地区则出现了人均私家车保有量与NO2质量浓度不匹配的情况。