基于合肥环境空气质量数据的PM2.5影响因素分析及模型仿真

吴 航，程建华

安徽大学经济学院，安徽合肥，230601

基于合肥环境空气质量数据的PM2.5影响因素分析及模型仿真

吴 航，程建华*

安徽大学经济学院，安徽合肥，230601

利用合肥市2013年11月至2014年3月5个月的污染物观测数据以及气象数据，分析了产生颗粒物污染PM2.5的内外主要因素，并在此基础上，采用多元时滞分布回归模型对PM2.5质量浓度进行预测，得到以下主要结论：(1)污染物排放是颗粒物污染PM2.5的最主要因素，其来源是工业废气排放、城市建筑扬尘和机动车尾气排放；(2)城市PM2.5存在集聚现象，即雾霾天气一旦形成，其自身难以扩散，并呈日益加剧趋势；(3)气象因素是影响PM2.5的外部因素，冬春季节大气压和温度上升易于催生污染颗粒物的形成，相对湿度对PM2.5无显著影响，上升的风速可吹散污染颗粒物，在一定程度上缓和大气污染。

PM2.5；多元时滞分布模型；合肥

随着社会经济快速发展，能源消耗增加，工业污染和环境污染日趋严重，社会机动车辆增多，颗粒物已成环境主要污染源，对人体健康、气候变化以及自然环境都产生众多不良影响。国内外流行病学[1-2]研究证实颗粒物污染会造成人体呼吸系统、心脏以及血液循环系统等的巨大损伤，增加死亡率。气候学家[3]发现大气颗粒物与气候变化有重大关联：大气颗粒能减弱太阳光照射地球的强度，使地表接受的太阳辐射量降低，温度下降，从而引起全球变冷效应。此外，颗粒物的存在对环境的影响也显而易见，王玮[4]等研究发现细颗粒物酸度强，酸化缓冲能力弱，易造成局部酸性降水。刘随心[5]等研究得到PM2.5质量浓度与空气能见度的相关系数高达-0.52，即PM2.5质量浓度越高，空气能见度就越低。最近三五年越来越严重的雾霾天气、颗粒物(PM2.5)来源和形成原因受到公众广泛关注，并成为学术界研究的热点。

目前关于PM2.5的研究主要集中于PM2.5的观测特征、成分分析、影响因素以及浓度预测模型的研制。其中在PM2.5预测研究中，多数学者直接采用多元回归分析[6-10]或者时间序列分析对PM2.5质量浓度进行预测，然而这些研究均存在较大缺陷：一是在利用多元回归分析方法建立的预测模型中忽视了气象因子以及PM2.5本身传播对其浓度的影响；二是利用时间序列分析方法对浓度进行模拟时，实际上只是一种趋势拟合外推，没有涉及其内在影响因素的分析。基于上述原因，本文以PM2.5为研究目标，利用合肥市2013年11月至2014年3月连续观测的151个PM2.5、SO2、NO2、CO、温度、湿度、风速、大气压力的日报数据，在分析PM2.5质量浓度与各气体污染物以及气象因素之间的相关关系的基础上，研究PM2.5形成机理，利用时间序列自回归分布滞后模型测算相关主要因素对其影响的程度，并通过现有数据对PM2.5质量浓度进行仿真预测，从而为城市PM2.5监测预警、防范治理提供理论上的参考依据。

本文之所以选择合肥市作为研究对象，是因为合肥近十年经济呈快速发展势头，工业企业大量增加，城区面积扩大，机动车辆明显增多，而在经济发展的同时空气环境质量却逐步恶化。合肥市2013年11月至2014年3月5个月内的大气气溶胶PM2.5质量浓度平均值为117.85 μg/m3，超过了国家75 μg/m3的排放标准，且其中有106天日平均质量浓度超过标准值，超标率高达70%，高于同时期北京的92.34 μg/m3(48.34%)、天津106.19 μg/m3(63.25%)、上海78.62 μg/m3(42.38%)、重庆83.37 μg/m3(61.59%)、杭州88.70 μg/m3(48.34%)以及南京105.47 μg/m3(60.93%)。研究经济快速发展时期的城市空气质量对于我国未来城市发展道路选择具有较大的参考价值和借鉴意义。

1 相关研究

由于我国大中城市雾霾天气越来越严重，而雾霾又主要是由PM2.5颗粒形成的，因此近年来PM2.5也成为了国内学术界热点研究领域。相关研究指出污染源与气象条件是形成雾霾、导致PM2.5质量浓度过高的两大主要因素。茆长荣等[11]在研究合肥市PM10污染成因中就指出气象条件是产生PM10的外部条件，而污染物排放则是根本原因。曾静等[12]通过比较奥运期间与奥运之后北京市空气中PM2.5质量浓度的变化情况评价交通管制、工厂停工、燃煤污染控制以及工业污染控制等临时减排措施对环境空气质量控制的效果，结果表明北京市奥运期间PM2.5质量浓度明显低于奥运后PM2.5质量浓度，进一步证实汽车排放尾气、城市扬尘以及燃料燃烧等污染源是北京空气质量恶化的罪魁祸首。

在已有的研究中，相关学者还对造成PM2.5浓度过高的外部气象条件进行了深入探讨，如刘大猛、罗娜娜、张桂芹等认为一定范围内PM2.5的质量浓度与温度和风速呈负相关[13-16]，与相对湿度呈正相关。当风速小于10 km/h这一阈值时，PM2.5质量浓度与风速负相关，反之，当风速大于10 km/h时，则PM2.5质量浓度与风速正相关[17]；当相对湿度大于65%时，PM2.5质量浓度与相对湿度反相关，当相对湿度小于65%时，PM2.5质量浓度与相对湿度正相关[18]。而车瑞俊等[19]在对北京市的PM2.5进行采样监测研究后发现颗粒物的浓度随着逆温层的出现而增大，并且降水对颗粒物浓度的影响十分明显，当降雨产生时，颗粒物浓度会相应降低。刘随心等的研究进一步证实降雨能降低PM2.5质量浓度，并在分析西安1339个连续观测的PM2.5日质量浓度以及气象因子数据变化特征时，得到降雨和非降雨期间PM2.5的日平均质量浓度分别为157.13 μg/m3和217.7 μg/m3，呈现明显差异，此与国外学者类似的研究结果较为一致。RM.Harrison[20]与Z Wu[21]相继提到PM2.5和PM10的质量浓度与风速呈“U型”关系，当风速小于某个阈值时，与颗粒物浓度呈负相关性；当风速大于该阈值时，则与颗粒物浓度呈正相关性。Chaloulak[22]则通过分析认为风速和温度是形成颗粒物浓度过高的主要外部条件，风速越大或者温度越低，大气中的颗粒物浓度就越低。除研究风速外，Annand[23]在研究中还考虑到温度和气压对PM2.5浓度的影响。温度、气压与逆温现象密切相关，逆温现象出现则大气层结构趋于稳定，空气的垂直混合作用减弱，近地面颗粒物聚集，浓度升高。由以上研究结论可以看出，Harrison与其他学者关于影响颗粒物浓度的主要气象因素存在部分差异，他认为风速和大气压力是影响PM2.5浓度最重要的外部因素，而其他气象条件如相对湿度等对PM2.5浓度的影响虽存在，但不如风速和气压影响程度大[24]。

在这些相关研究中，不仅讨论了PM2.5浓度过高的内在因素和外部条件，而且还借助现有数据对PM2.5浓度测算进行了定量仿真预测研究，所采用的分析模型包括时间序列、多元回归、神经网络等，但以多元回归模型[6-10]为主。如周丽[6]使用多元回归模型研究北京PM2.5质量浓度与气体污染物以及气象参数之间的关系，得到NO2、SO2、风速和大气压力对PM2.5浓度影响最为显著。唐猛[7]在研究长沙地区PM10与NO2、SO2、温度、风速、相对湿度以及大气压力关系的基础上，建立了预测PM10质量浓度的多元回归模型，并利用时间序列分析方法对模型进行修正，最终得到多元回归与时间序列的混合模型。张艺耀等[8]使用时间序列分析方法预测影响PM2.5浓度的主要因素，并以此主要因素的预测值作为自变量建立预测PM2.5浓度的多元回归模型。在上述研究中，众多学者虽然较为全面地考虑了产生PM2.5的内在因素和外部条件，但较少考虑到各类因素对PM2.5浓度作用的时机有可能并不同步，即不同因素对PM2.5产生作用的时间点不一样而存在一定时差，因此其所建立的多元回归模型应是不同时滞分布的时间序列方程。遗憾的是这方面考虑的较少，降低了这些研究结论的可靠性。同时，有些预测分析则是一种简单的趋势拟合外推，缺少机理分析。本文在上述研究的基础上，首先全面分析了产生PM2.5浓度过高的内外影响因素，通过数据仿真明确PM2.5浓度过高形成的机理，然后建立具有不同时滞关系的定量分析模型，模拟预测不同内外环境下PM2.5的浓度大小，以期获得制定减少或防范PM2.5浓度过高和雾霾天气的对策，比如当形成雾霾天气的外部条件充分时，可考虑实时减少交通车辆出行、工厂生产排放量，避开易于雾霾天气形成的外部条件，有意识地避开内外影响条件。

2 影响PM2.5浓度的主要因素与变量选择

影响并形成PM2.5质量浓度的因素一是内在污染源，二是外部气候条件。

2.1 影响颗粒物浓度的污染源

污染源是产生颗粒物污染的内在原因，煤炭燃烧、工业生产以及汽车尾气等排放出的大量细小粒子进入空气，直接造成大气中PM2.5质量浓度的迅速升高；与此同时，污染源排放的氮氧化物、硫氧化物进入空气中经过相互作用生成二次细小粒子，进一步增加空气中PM2.5的质量浓度。

2.1.1 工业废气排放

工业生产排放出大量废气是造成城市颗粒物污染的最重要因素，工业废气中含有大量烟(粉)尘等粒径较小的一次颗粒物，同时含有二氧化硫、氮氧化物等气体污染物，这些气体污染物经过化学反应生成二次颗粒物，与一次颗粒物共同引起空气中颗粒物浓度升高。根据安徽省公布的统计数据可知，合肥市2012年工业企业总数为873个，能源消耗量为8 363.59万吨，排放出的工业废气总量达2 769亿标立方米，包括二氧化硫排放量45 572吨、工业烟(粉)尘排放量41 120吨。而追溯到2005年，工业企业总数为182个，能源消耗量7 099.55万吨，排放出的工业废气总量达5 664 190万标立方米，包括工业二氧化硫排放量21 000吨、工业烟(粉)尘排放量14 484吨，在短短的7年时间里主要污染物指标分别增长了379.67%、17.80%、388.86%、117.00%、183.90%。由此可见，城市工业快速发展所带来的负面影响使城市颗粒物污染日益加重，本文在进行实证分析时，以空气中CO、SO2和NO2的日均浓度作为城市主要工业污染源变量(图1-3)，其计量单位分别是mg·m-3、μg·m-3和μg·m-3。

图1 PM2.5与CO的日变化状况

图2 PM2.5与SO2的日变化状况

2.1.2 机动车尾气排放

随着经济发展，城乡居民生活水平日益提高，城市机动车数量的快速增长，汽车尾气排放加剧，空气质量逐渐恶化，为此北京2008年奥运会和2014年OPEC年会期间不得不采取汽车限行的方法，减少汽车尾气排放，以控制市内空气质量。近十年合肥市机动车增长速度同样十分惊人，2013年民用汽车和民用轿车拥有量分别为82.07、49.74万辆，其中私人汽车和私人轿车分别为61.98、43.80万辆；与2010年相比，仅仅三年分别增长了108.70%、147.43%、142.87%、165.29%。

图3 PM2.5与NO2的日变化状况

2.1.3 城市扬尘

来源于城市扬尘中的细粒子在颗粒物总量中所占的比重越来越高，已经成为影响PM2.5质量浓度的另一重要因素，如城市里的建筑扬尘、交通扬尘和风土扬尘。在建筑施工过程中，由于不注意物料的堆放、遮挡和覆盖，产生了大量容易起尘的渣土、砂石等细粒子。当遇到大风天气或机动车辆和人流量增多时，这些细粒子便会从地表扬起进入空气中，造成局部地区颗粒物浓度升高。近年来，合肥市大力发展房地产和城市交通基础设施建设，市区高楼林立，道路纵横交错。2003年合肥市城区土地面积为148平方公里，2012年已经上升为378平方公里，十年间增加了将近3倍。虽然城区面积、城市建设和交通道路有了较大发展和明显改观，但城市绿地减少，大大增加了空气扬尘中的细粒子数量。

尽管机动车尾气和灰土扬尘是城市另外两大重要污染源，但由于其数据难以获得，本文无法将其列为模型计算变量指标。

2.2 影响颗粒物浓度的气象条件

已有气象研究文献显示，大气压、风速、湿度和天气温度是影响大气中颗粒物浓度的四大主要外部条件[12-24]。本文对此进行了实证检验，以便仿真建模参考。

2.2.1 大气压力对PM2.5浓度的影响

大气气压能够直接影响大气层结构的稳定性，从而间接影响颗粒物的水平扩散和垂直扩散。当出现逆温现象时，大气层处于十分稳定的状态，空气对流速度减慢，颗粒物扩散能力减弱，导致近地表颗粒物聚集浓度升高；反之，当逆温现象消失后，大气层恢复活跃状态，空气中的垂直混合作用加强，颗粒物向四周迅速扩散导致其浓度下降。合肥市研究期内PM2.5质量浓度与大气压力的变化序列图(图4)显示：当大气压力下降时，PM2.5的质量浓度随之上升；当大气压力上升时，PM2.5的质量浓度又随之下降。可见，PM2.5质量浓度与大气压力之间存在着一定的负相关关系(以P表示大气压力，单位为百帕)。

图4 PM2.5与P的日变化状况

2.2.2 风速对PM2.5浓度的影响

在一定范围内，风对大气中的颗粒物具有一定的水平输送和稀释扩散作用，风速越大对颗粒物的水平输送和稀释能力越强，空气中的PM2.5质量浓度也就越小；相反，风速越小对颗粒物的水平输送和稀释能力越弱，颗粒物在局部空间堆积无法扩散，PM2.5质量浓度也就快速升高。但是，当风速超过一定范围时，这种负相关关系便不再存在。因为风速过大，地表的灰尘会被带入空气中，直接造成局部PM2.5特别是PM10质量浓度的迅速升高。风速在一定范围内与PM2.5质量浓度之间存在负相关性。图5表示本文样本内的风速与PM2.5浓度之间关系，由此可见，随着风速的升高，PM2.5质量浓度相应降低；当风速下降时，PM2.5的质量浓度便又逐渐升高。本文以WS表示风速，单位为km/h。

图5 PM2.5与WS的日变化状况

2.2.3 相对湿度对PM2.5浓度的影响

相对湿度较高有利于大气中气体污染物转化为液态、半液态以及固态细粒子；与此同时，大气中的另一些极小粒子也能够吸湿涨大转化为集聚核模态，使得空气中PM2.5质量浓度升高。但是，如果相对湿度过高，空气中的水汽便开始凝结形成降雨。由于降雨带来的湿沉降作用能够冲刷大气中的颗粒物，减少扬尘污染，所以PM2.5质量浓度反而会下降。图6反映了在一定范围内，PM2.5质量浓度与相对湿度之间存在正相关关系。当相对湿度升高时，PM2.5质量浓度随之升高；当相对湿度下降时，PM2.5质量浓度随之下降。相对湿度以RH表示，单位为%。

图6 PM2.5与RH的日变化状况

2.2.4 温度对PM2.5浓度的影响

由于在一定范围内，气温上升使气体污染物的活性增强，促进了二次颗粒物的形成；气温上升使空气对流速度加快，大气中细颗粒物的水平传输能力变强；气温上升使大气中细粒子的布朗运动加剧，有利于粒子转化为集聚核模态[12]。图7显示合肥市2013年11月至2014年3月5个月中的PM2.5质量浓度与气温的关系，当温度升高时PM2.5质量浓度随之升高，温度下降时PM2.5质量浓度也随之下降，即PM2.5质量浓度与温度之间存在正相关性。本文以T表示日均温度，单位为摄氏温度。

图7 PM2.5与T的日变化状况

3 基于多元时滞分布回归模型的PM2.5浓度预测

本文在上述定性分析的基础上，拟建立用于预测PM2.5浓度的计量分析模型。从对合肥市2013年11月至2014年3月五个月的日观察记录的数据分析以及PM2.5形成的机理可知，本文前面分析的颗粒物三大污染源CO、SO2、NO2以及气压、风速、相对湿度和温度四大气象条件是影响PM2.5的主要影响因素，但各因素对形成PM2.5浓度过高的作用时间点可能并不一致，因此定量分析模型应根据统计检验作相应的识别和选择。为此，本文在建立计量模型前，先计算变量之间的相关系数，作此计算的意义在于利用变量数据统计上的关联性构造更简洁的计量模型，计算结果见表1。

由表1可知，PM2.5与主要污染物气体CO、SO2、NO2相关性较高，这是因为PM2.5本身的主要成分即由这些气体污染物构成。PM2.5与同时期温度、风速、湿度和大气压力等气象因素相关性较弱，存在这种现象的原因可能是气象因素对PM2.5浓度的影响存在滞后性，需进一步作时差相关分析。本文取最大时滞天数为7，即一周内各影响因素与PM2.5之间的关系，计算结果见表2。

表1 变量之间的相关系数表

表2 PM2.5与相关变量之间的时差相关系数

表2进一步证实三大主要污染气体CO、SO2、NO2与同时期PM2.5的相关程度最高，虽然在一周时间内，气象因素与PM2.5浓度的相关性均不是十分紧密，但相对而言前后不同时期对PM2.5影响程度还是存在差异的。比如气压、相对湿度和温度在前4天左右影响较大，风速则在前1天影响较大。

在上述统计分析的基础上建立预测PM2.5的仿真模型，本文以PM2.5质量浓度作为因变量，将前述分析的各类因素作为解释变量，考虑PM2.5自身集聚和扩散因素，现建立包含所有解释变量在内的多元时滞分布计量模型：

PM2.5t=β0+β1PM2.5t-1+β2COt+β3SO2t

+β4NO2t+β5PJ-4+β6Tt-4+β7RHt-4

+β8WSt-1+μt

(1)

由于SO2与NO2之间存在较强的相关性，可能使得在模型(1)存在多重共线性问题，实际计算结果表明SO2对PM2.5的回归系数的显著性检验不能通过，除此之外，相对湿度RH的回归系数也不能通过统计显著性检验，最后获得如下方程：

+96.98·COt+0.47·SO2t+1.66·PJ-4

+1.28·Tt-4…1.16·WSt-1

(2)

模型统计检验见表3所示。

表3 模型(2)的参数估计与检验统计量结果

模型(2)具有0.87的拟合优度，此表明模型统计上拟合效果较为理想，其实际意义是所给解释变量较好的反映了PM2.5形成过程与机理。具体而言，CO、SO2是产生PM2.5的主要因素，PM2.5(-1)的回归系数为正表示前1日的雾霾天气有加剧空气质量恶化之势，即雾霾天气存在集聚现象；前4日的气压P与温度T对PM2.5有显著的正向影响，则表示气压与温度上升易于催生污染颗粒物的形成；WS对PM2.5具有显著的负向影响。此结果正如公众对雾霾天气无奈的调侃式解释，即“目前我们对驱散雾霾无能为力，只能借助自然大风的力量还清新的空气”。

由于方程中含有被解释变量的滞后项，因此不能通过DW统计量来判断回归方程的残差是否存在序列相关，而是计算残差序列的自相关系数、偏自相关系数进行判断[26]。图8和图9为残差序列相关图和自相关散点图。由图可知，残差的自相关、偏自相关系数较小，所对应的P值均大于0.10，表明模型的残差不存在序列相关性。图10为模型的预测效果，模型的预测值与实际值的拟合效果较好。

图8 残差序列相关图

图9 残差自相关散点图

图10 模型的预测效果图

4 结论与启示

本文运用合肥市2013年11月至2014年3月5个月的污染物观测数据以及气象数据，分析了产生颗粒物污染PM2.5的内外主要因素，并在此基础上，利用多元时滞分布回归分析方法建立了用于预测PM2.5质量浓度仿真模型，得到以下主要结论：

(1)污染物排放是颗粒物污染PM2.5的最主要因素，其来源是工业化过程中普遍存在的工业废气排放、城市建筑扬尘和机动车尾气排放。

(2)城市PM2.5存在集聚现象，即雾霾天气一旦形成，其自身难以扩散，并呈日益加剧趋势。

(3)气象因素是影响PM2.5的外部因素，冬春季节大气压和温度上升易于催生污染颗粒物的形成，相对湿度对PM2.5无显著影响，上升的风速在可吹散污染颗粒物时，在一定程度上缓和大气污染。

由本文获取的结论可为我国现今经济建设和城市发展提供一些启示。置环境约束于不顾的 “唯GDP至上”经济增长模式和城市规模无节制发展显然不具有持久性，城市“摊大饼”式发展，不仅占用有限绿地，而且客观上增加机动车辆，加剧城市空气质量恶化。这些启示早已形成共识，本文从实证分析角度进一步证实了这一结论。在短期治理措施方面，可借助气象预报手段，对未来三四天存在有利雾霾天气形成的外部条件时，适度减少污染企业和建筑工地开工，劝诫居民放弃机动车行驶，降低雾霾天气形成的内部因素，缓解短期空气质量恶化。从长期来看，治理空气污染的根本出路在于改变现有的经济增长方式和城市发展模式。

[1]DWDockery,CAPope,XXu.AnassociationbetweenairpollutionandmortalityinsixUScities[J].NewEnglandJournalofMedicine,1993:329，1753-1759

[2]CAPope,RTBurnett,MJThun.Lungcancer,cardiopulmonarymortalityandlong-termexposuretofineparticulateairpollution[J].JournaloftheAmericanMedicalAssociation,2002(9):1132-1141

[3]付培健，王世红，陈长和．探讨气候变化的新热点：大气气溶胶的气候效应[J]．地球科学进展，1998，13(4)：387-392

[4]王玮，汤大钢，刘红杰，等．中国PM2.5污染状况和污染特征的研究[J]．环境科学研究，2000，13(1)：1-5

[5]刘随心，曹军骥，安芷生．西安大气细粒子PM2.5质量浓度变化特征及其影响因素[J]．过程工程学报，2009(9)：231-235

[6]周丽，徐祥德，丁国安，等．北京地区气溶胶PM2.5粒子浓度的相关因子及其估算模型[J]．气象学报，2003，61(6)：761-767

[7]唐猛．长沙市颗粒物PM10浓度统计学分布特征与预测[D]．长沙：中南大学物理学院，2010：1-67

[8]张艺耀，苗冠鸿，闫剑诗,等．影响PM2.5因素的多元统计分析与预测[J]．资源节约与环保，2013(11)：35-136

[9]CHMonn,OBraendli,GSchaeppi.Particulatematter<10μg(PM10)andtotalsuspendedParticulates(TSP)inurban,ruralandalpineairinSwitzerland[J].AtmosphericEnvironmental,1995，19:2565-2573

[10]GoyalP,AChan.StatisticalmodelsforthepredictionofreparablesuspendedparticulateMatterinurbancities[J].AtmosphericEnvironment,2006(11):2068-2077

[11]茆长荣，尚广萍．合肥市城市PM10污染成因及控制对策[J]．安徽大学学报：自然科学版，2005，29(4)：88-92

[12]曾静，廖晓兰，任玉芬，等．奥运期间北京的动态特征及影响因素[J]．生态学报，2010，30(22)：6227-6233

[13]刘大锰，黄杰,高少鹏，等．北京市区春季交通源大气颗粒物污染水平及其影响因素[J]．地学前缘，2006，13(2)：228-233

[14]刘大锰，马永胜，高少鹏，等．北京市区春季燃烧源大气颗粒物的污染水平和影响因素[J] ．现代地质，2005，19(4)：627-633

[15]罗娜娜，赵文吉，晏星，等．交通与气象因子对不同粒径大气颗粒物的影响机制研究[J]．环境科学，2013，34(10)：3741-3748

[16]张桂芹，刘泽常，杜世勇．济南市环境空气细粒子PM2.5污染特征及影响因素[J]．环境科学与技术，2010，32(12)：520-522

[17]陈媛，岑况，S.Norra，等．北京市区大气气溶胶PM2.5污染特征及颗粒物溯源与追踪分析[J]．现代地质，2010，24(2)：345-354

[18]黄虹，曾宝强，曹军骥，等．广州大学城大气质量浓度与影响因素[J]．环境科学与技术，2009，32(5)：103-106

[19]车瑞俊，刘大锰，袁杨森．北京冬季大气颗粒物污染水平和影响因素研究[J]．中国科学院研究生院学报，2007，24(5)：557-563

[20]RMHarrison,JYin,DMark.Studiesofthecoarseparticle(2.5-10)componentinUKurbanatmospheres[J].AtmosphericEnvironment, 2001,21:3667-3679

[21]ZWu,MHu,PLin.ParticlenumbersizedistributionintheurbanatmosphereofBeijing,China[J].AtmosphericEnvironment, 2008,35:7967-7980

[22]AChaloulakou,PKassonmenos,NSpyrellis.MeasurementsofPM10andPM2.5ParticleinAthens,Greece[J].AtmosphericEnvironment, 2003(5):649-660

[23]AnnandW,AHudson.MeteorologicaleffectsonsmokeandsulphurdioxideconcentrationsintheManchesterarea[J].AtmosphericEnvironment, 1981(5):799-806

[24]JPShi,RMHarrison.RegressionmodelingofHourlyNOxandNO2concentrationsinurbanairinLondon[J].AtmosphericEnvironment,1997,24:4081-4094

[25]高铁梅，王金明，梁云芳，等．计量分析方法与建模[M]．北京：清华大学出版社，2009：152-153

(责任编辑：汪材印)

Study of the Influential Factors of PM2.5and Modeling Stimulation Based on Ambient Air Quality Data of Heifei

WU Hang,CHENG Jianhua

The Economic School of Anhui University, Hefei, Anhui,China,230601

Direct plus indirect influencical factors of PM2.5,according to observations and meteorological data in the span from November 2013 to March 2014 in Hefei, are studied, and meanwhile mass concentration of PM2.5on the base of multivariate distributed models with time-lags is forecasted.Main conclusions are following:(1) substantial influence on PM2.5is emission of pollution from industrial waste gas, swirling dust of building, automotive exhaust;(2)PM2.5in cities shows aggregating attribution, that’s moderate-scale smog once formed can gradually deteriorate instead of quickening diffusing;(3) external factor influencing PM2.5lies in meteorological fields,namely,barometric pressure in winter and spring plus raise of temperature can catalyze aggregation of particle pollution while relative humidity exerts few impacts, ascending velocity of wind can yet scatter the particle resulting in the alleviation of pollution.

PM2.5;influencial factors; multivariate distributed models with time-lagsHefei

10.3969/j.issn.1673-2006.2015.08.033

2015-03-25

安徽大学生态经济创新研究团队项目“安徽省生态经济发展创新研究”(J05024542)。

吴航(1992-)，女，安徽宣城人，在读硕士研究生，主要研究方向：环境经济统计分析。

*通讯作者：程建华(1964-)，安徽泾县人，教授，主要研究方向：经济统计分析。

X51

A

1673-2006(2015)08-0112-07