王慧麗， 毛 靜， 李 瑩

(西安財經(jīng)大學(xué)統(tǒng)計學(xué)院，西安 710100)

2020年是全面建成小康社會的收官之年，也是打贏污染防治攻堅戰(zhàn)的決勝年。隨著中國城市化進程的加快，能源消耗與日俱增，大氣污染愈演愈烈。近年來，污染的環(huán)境、受損的生態(tài)日益成為全面建成小康社會的短板問題。然而大氣污染物在空間上的區(qū)域性擴散并不遵循地理行政邊界,各相鄰城市之間的空氣污染相互影響越來越顯著，分析大氣污染的區(qū)間動態(tài)演變規(guī)律，有助于了解大氣污染物的區(qū)域擴散特征，為區(qū)域聯(lián)防聯(lián)控機制的制定提供重要參考。因此，研究大氣污染的動態(tài)演變規(guī)律對于環(huán)境的協(xié)調(diào)治理有著重要的理論意義和現(xiàn)實意義。

不少學(xué)者對大氣環(huán)境進行相關(guān)研究，主要集中于大氣污染物的時空變化規(guī)律、空間相關(guān)性分析等方面。Fu等[1]基于中國2018年期間空氣污染物濃度的時間變化發(fā)現(xiàn)PM2.5、PM10、SO2和CO濃度相比較2015年顯著減少；Núez-Alonso等[2]通過統(tǒng)計工具發(fā)現(xiàn)馬德里省中部、南部和東部的NO2含量超過年限濃度；徐冰燁等[3]對浙江省十年來城市環(huán)境空氣質(zhì)量研究發(fā)現(xiàn)縣級以上城市總體環(huán)境空氣質(zhì)量正在改善?；谖靼脖O(jiān)測站點日均PM2.5濃度，劉隨心等[4]發(fā)現(xiàn)PM2.5濃度呈現(xiàn)出“冬高夏低，春秋過渡”的特點；同樣學(xué)者徐夢辰[5]對濟南市的空氣污染特征分析發(fā)現(xiàn)冬季大氣污染最為嚴重,夏秋兩季空氣環(huán)境質(zhì)量較好;此外，王云霞[6]具體分析了石家莊市采暖期的空氣污染特征，發(fā)現(xiàn)采暖期內(nèi)所有天數(shù)均為非一級天，且首要污染物為PM2.5的天數(shù)最多;可見，在時間維度變化規(guī)律方面，主要通過污染物的年、月、日濃度變化分析其變化趨勢，探討污染物濃度的時間變化規(guī)律。

在空間相關(guān)性分析方面，大部分學(xué)者借助全局莫蘭指數(shù)和局部莫蘭指數(shù)分析某一地區(qū)污染物的空間相關(guān)性，以了解該地區(qū)的污染物濃度聚集情況。Wang等[7]通過全球空間相關(guān)指數(shù)和局部莫蘭指數(shù)散點圖發(fā)現(xiàn)北京-天津-河北及周邊城市的能源消耗和空氣污染呈現(xiàn)空間自相關(guān)。Huang等[8]認為大氣環(huán)境污染隨著距離的增大而逐漸削弱；白永亮等[9]則利用空間統(tǒng)計學(xué)方法，研究工業(yè)污染空間聚集的不均衡性。張向敏等[10]則認為我國污染程度南北差異顯著。

現(xiàn)有研究表明，大氣污染的相關(guān)研究很大程度上是基于地理空間不相關(guān)的假設(shè)下進行的，也有對大氣環(huán)境污染物存在空間自相關(guān)性的研究，但這些研究是將不同的區(qū)域看作一個整體單元，考慮不同單元之間以及單元內(nèi)部的相關(guān)性，不管是局部相關(guān)還是全局相關(guān)的研究，都屬于靜態(tài)研究的范疇。然而，污染物的轉(zhuǎn)移擴散并不受行政區(qū)域的限制，是一個動態(tài)變化的過程。為此在現(xiàn)有文獻的基礎(chǔ)上，研究大氣污染的動態(tài)演變規(guī)律，并以陜西省為例，分析不同城市PM2.5濃度的地理空間聚集特征和空間自相關(guān)性，構(gòu)建出空間馬爾科夫鏈，根據(jù)PM2.5濃度的轉(zhuǎn)移狀態(tài)，揭示陜西省PM2.5的時空演變特征，為各市區(qū)大氣污染的聯(lián)防聯(lián)控治理提供理論依據(jù)。

1 數(shù)據(jù)來源和分析方法

1.1 數(shù)據(jù)來源及分析

本文旨在對陜西省的大氣污染展開研究，數(shù)據(jù)主要來源于空氣質(zhì)量網(wǎng)以及陜西省統(tǒng)計年鑒等，空氣質(zhì)量指標主要有AQI(air quality index)及PM2.5、PM10、CO、SO2、O3、NO2等。主要對陜西省不同城市2015年1月—2020年8月期間的空氣質(zhì)量數(shù)據(jù)進行統(tǒng)計描述，同時結(jié)合陜西省各市區(qū)地理位置以及陜西省社會經(jīng)濟活動等相關(guān)數(shù)據(jù)展開分析。

1.2 分析方法

空間統(tǒng)計分析考慮了不同空間位置樣本值的差異，描述了數(shù)據(jù)的空間信息和變化過程，用來探索研究對象的空間關(guān)聯(lián)性和區(qū)域差異性。大氣污染作為空間統(tǒng)計學(xué)的研究熱點，一直被各研究領(lǐng)域高度關(guān)注。利用空間統(tǒng)計學(xué)以及空間馬爾科夫鏈的方法，對陜西省大氣環(huán)境的空間分布，并探討其動態(tài)演變規(guī)律。

1.2.1 Moran指數(shù)

采用Moran’sI來測度陜西省10個市區(qū)PM2.5污染區(qū)域的空間聚集程度，判斷陜西省各市區(qū)的PM2.5濃度在同一個地理分布區(qū)間內(nèi)是否存在隱藏的相互依賴關(guān)系。計算公式為

(1)

式(1)中：w=(wij)n×n為空間權(quán)重矩陣；n為陜西省市區(qū)數(shù)量；xi、xj分別為城市i和城市j的PM2.5的濃度；I為Moran指數(shù)，I的絕對值越大說明PM2.5濃度的空間相關(guān)程度就越大，并且I>0時呈現(xiàn)正相關(guān)，I<0時呈負相關(guān)，等于零時呈隨機分布態(tài)勢。

1.2.2 空間馬爾科夫鏈

空間馬爾科夫鏈是基于傳統(tǒng)馬爾科夫鏈引入空間滯后變量構(gòu)建而來，將PM2.5濃度劃分為N個類型，以起始年份的PM2.5類型為空間滯后條件，將原有的馬爾科夫狀態(tài)概率轉(zhuǎn)移矩陣分解為N個概率轉(zhuǎn)移矩陣，分析不同區(qū)域空間背景對類型轉(zhuǎn)移的影響，揭示PM2.5濃度時空演變與區(qū)域背景之間的聯(lián)系。

假設(shè)在隨機過程{Xn，n=1,2,3，…}中，每個狀態(tài)有有限個或可列個值{0,1,2,…}，并且對任意狀態(tài)都有

P{Xn+1=j|Xn=i,Xn-1=in-1,…，X1=i1,X0=i0}=P{Xn+1=j|Xn=i}

(2)

式(2)中：Xn=i表示隨機過程在時刻n處于狀態(tài)i，P表示概率，因此，將來的狀態(tài)只取決于當前狀態(tài)，與過去無關(guān)。

傳統(tǒng)的馬爾科夫鏈模型是基于研究區(qū)域地理位置相互獨立的假設(shè)下對PM2.5的轉(zhuǎn)移路徑展開分析，并沒有考慮相鄰區(qū)域的PM2.5濃度變化給研究對象帶來的影響，因此為了衡量相鄰區(qū)域相互影響的程度，在空間馬爾科夫鏈模型中引入空間滯后算子公式為

(3)

式(3)中：Lag表示的是空間滯后算子；xi為區(qū)域i的狀態(tài)情況；wij則代表的是空間滯后算子的權(quán)重。

2 污染物分布特征

2.1 陜西省空氣質(zhì)量變化趨勢分析

對收集到的2015—2020年陜西省不同城市的AQI值和PM2.5濃度數(shù)據(jù)進行整理分析，得到空氣質(zhì)量的月均值時序圖如圖1所示。

由圖1看出，AQI、PM2.5濃度值的波動具有明顯的季節(jié)規(guī)律，夏季和秋季AQI較低，取值在50～100之間，PM2.5濃度均值在30～50 μg/m3之間波動；冬季到次年初春(即12—次年3月)，AQI和PM2.5濃度均值分別在80～180、50～190 μg/m3大幅度波動，尤其在冬季將達到一年之中的頂峰狀態(tài)。同時，在陜西省10個市區(qū)中咸陽市的PM2.5濃度和AQI的值一直處于首位，尤其是2017年1月PM2.5月平均含量高達185.23 μg/m3，其次是西安市、渭南市，這三個城市的AQI、PM2.5濃度值一直領(lǐng)先于其他城市，而榆林市、商洛市、延安市這三個城市處于一個穩(wěn)定的波動狀態(tài)。

圖1 2015.01—2020.08陜西省各個市AQI、PM2.5 濃度月均值時序圖Fig.1 2015.01—2020.08 AQI, PM2.5 monthly average time series chart of each city in Shaanxi Province

與現(xiàn)有研究中其他城市的大氣污染結(jié)果類似，陜西省不同城市的空氣質(zhì)量也呈現(xiàn)出冬季最高，初春次之，夏秋最好的季節(jié)變化規(guī)律。

2.2 陜西省大氣污染的空間分布

在了解時間趨勢的基礎(chǔ)上，進一步分析各個污染因子的地理空間分布特征。由于不同年份大氣污染時間變化規(guī)律類似，下面以2019年為例，借助ArcMap分析各污染因子(AQI、CO、SO2、PM2.5、PM10、NO2、O3)的空間分布狀態(tài)，得到陜西省各市區(qū)污染物年平均指標分布如圖2所示。

圖2(a)表明，綜合AQI指數(shù)在關(guān)中地區(qū)濃度最大，說明陜西省污染最為嚴重的是關(guān)中地區(qū)，陜南地區(qū)空氣質(zhì)量相比最好。

各污染因子除O3外在地理分布上濃度呈現(xiàn)出中-高-低的情況。圖2(b)表明O3指數(shù)最高的地區(qū)是榆林市和銅川市，臭氧污染主要取決于VOCs和NOx的排放。榆林市重中型柴油貨運車以及火電、化工企業(yè)較其他城市多，因此臭氧的排放量明顯高于其他城市；此外，O3的主要來源是焦化過程中產(chǎn)生的有機化合物，而鋼鐵和焦化企業(yè)主要分布集中在陜西省的榆林和銅川地區(qū)，因此造成這些區(qū)域的O3濃度較高的局面。

圖2(c)顯示CO污染較為嚴重的地區(qū)主要分布在延安市和漢中市。這是由于延安和漢中作為大型煉鋼、煉鐵基地，在煉制過程中會向大氣排放大量的CO，導(dǎo)致CO的排放量較高；同時冬季鍋爐燒煤、燒炭進行采暖，也會排放CO，因此延安和漢中相比于其他城市CO排放量明顯較高。

圖2(d)顯示SO2污染指數(shù)較高的地區(qū)集中在榆林，排放量高達15 μg/m3，污染最小地區(qū)為寶雞和西安。電力生產(chǎn)和供應(yīng)業(yè)是SO2排放較多的行業(yè)，榆林市的電力供應(yīng)行業(yè)占全省較大比例且能源化工基地建設(shè)速度快，同時，榆林地區(qū)開設(shè)有硫酸制造廠，也會排放大量的SO2，致使該市SO2的排放量較比與其他城市嚴重。

圖2(e)、圖2(f)顯示PM10和PM2.5的分布情況基本保持一致，高濃度地區(qū)主要集中在人口分布比較密集、城市發(fā)展較快的關(guān)中地區(qū)，尤其是西安、咸陽與渭南，而陜北陜南地區(qū)濃度均較低。首先，從自然條件來看，關(guān)中地區(qū)位于渭河沿線至秦嶺北麓之間，在西北方向跨度較窄，向東南方向跨度逐漸增大，呈喇叭口形狀，該地形使得關(guān)中地區(qū)的污染物只有在西北風時才能被吹散，而在東南風時不僅不利于該地區(qū)污染物的擴散，反而會將其他地區(qū)的污染物向該地區(qū)輸入，加重污染狀態(tài)。尤其近幾年來，關(guān)中地區(qū)表現(xiàn)出風速明顯減弱的趨勢，風速過小不利于污染物擴散，導(dǎo)致污染物大量滯留在空中，加重了城市空氣污染。其次，西安市目前常住人口高達1 000 余萬，占陜西省總?cè)丝诘乃姆种欢啵瑱C動車已經(jīng)達到300 多萬輛[11]。臨近西安的咸陽、渭南也同樣吸引大量外地人員，常住人口高達500 余萬，機動車數(shù)量超過百萬輛，汽車尾氣排放和城市建設(shè)廢氣排放等使得大氣顆粒物濃度達到一個高峰。汽車尾氣同時也是NO2[圖2(f)]超標的禍首，西安市機動車的數(shù)量急劇增加，NO2濃度也隨之增高。

圖2 2019年陜西省各污染因子空間分布Fig.2 Spatial distribution of pollution factors in Shaanxi Province in 2019

此外為了進一步探究陜西省各市區(qū)污染物指標的季節(jié)變化趨勢，將陜西省全年劃分為采暖期和非采暖期，借助ArcMap作圖進行對比分析，如圖3所示。

由圖3可知，非采暖期的空氣質(zhì)量整體上比采暖期好。目前，陜西省采暖的方式還是主要依靠煤炭、天然氣、重油等的燃燒提供暖氣，即使集中供熱可以通過安裝高煙囪和煙氣凈化裝置來減輕大氣污染，但與非采暖期以及在冬季沒有提供集中供熱的地區(qū)相比，各污染物的指數(shù)呈現(xiàn)出明顯差別。因此，將陜西省各市區(qū)2019年采暖期、非采暖期及其年平均CO排放量數(shù)據(jù)整合如圖4所示。

圖4 陜省2019年CO排放量Fig.4 CO emissions in Shaanxi Province in 2019

從圖4可以看出，在采暖期，延安、渭南、漢中CO的排放量高達1.1 mg/m3，高出CO的年平均排放量，相比于非采暖期，CO排放量最高的漢中市也只有0.75 mg/m3，低于年平均排放量；采暖期SO2的排放量最高是榆林市達16.4 μg/m3，漢中其次為14.3 μg/m3，而非采暖期，SO2的排放量明顯降低。說明在采暖期期間污染物的排放明顯高于非采暖期。

2.3 基于陜西省PM2.5濃度的空間轉(zhuǎn)移路徑分析

在大氣環(huán)境的各個污染物中，PM2.5可以直接進入肺泡，損害人體健康，日益成為霧霾天氣的“罪魁禍首”?？紤]到地理事物或?qū)傩栽诳臻g上呈集聚、隨機、規(guī)則的分布特征，下面從2015年1月—2020年8月陜西省各市區(qū)的月平均PM2.5濃度值的空間關(guān)聯(lián)性為出發(fā)點，對陜西省各市PM2.5濃度的空間動態(tài)轉(zhuǎn)移路徑與其相關(guān)聯(lián)區(qū)域PM2.5濃度的相關(guān)性展開探析。

2.3.1 陜西省PM2.5的空間自相關(guān)性分析

在了解陜西省的時空分布的基礎(chǔ)上對污染因子PM2.5的空間動態(tài)轉(zhuǎn)移路徑展開分析，借助全局Moran指數(shù)進一步探析PM2.5濃度是否存在空間關(guān)聯(lián)性。通過GeoDa軟件得到陜西省2015—2019年全局Moran指數(shù)及相關(guān)值如表1所示。

表1 PM2.5莫蘭指數(shù)

從數(shù)值上來看，2015—2019年Moran指數(shù)均大于0，即認為陜西省PM2.5濃度呈現(xiàn)正向空間相關(guān)性。從P值上看，2015—2019年陜西省PM2.5的Moran指數(shù)在顯著性水平0.1下拒絕原假設(shè)，認為陜西省各市區(qū)PM2.5濃度的空間相關(guān)性是顯著存在的，全局空間集聚效應(yīng)明顯。因此認為在大氣運動和物質(zhì)擴散的作用下，陜西省不同區(qū)域的PM2.5污染是相互影響的，具有明顯的空間依賴性。為此，從空間關(guān)聯(lián)角度構(gòu)建空間馬爾科夫概率轉(zhuǎn)移矩陣，分析其動態(tài)演化特征。

2.3.2 陜西省PM2.5的空間轉(zhuǎn)移狀態(tài)分析

通過查閱和分析《環(huán)境空氣質(zhì)量標準》和文獻[12]，將PM2.5濃度劃分為4 個等級，分別為：低濃度(0～25 μg/m3)、較低濃度(25～35 μg/m3)、較高濃度(35～50 μg/m3)、高濃度(>50 μg/m3)，依次記為I、II、III、IV。首先求解傳統(tǒng)馬爾科夫概率轉(zhuǎn)移矩陣，得到矩陣如表2所示。

表2 傳統(tǒng)馬爾科夫鏈轉(zhuǎn)移概率矩陣

表2中，主對角線表示陜西省各市區(qū)城市PM2.5濃度類型沒有發(fā)生轉(zhuǎn)移的概率，而其他元素則表示陜西省各市區(qū)PM2.5濃度類型向不同類型發(fā)生轉(zhuǎn)移的概率。從傳統(tǒng)馬爾科夫概率矩陣中可看出：濃度越高或濃度越低其保持原有狀態(tài)的概率較大，即某地區(qū)PM2.5濃度在t時刻若屬于低濃度類型，在t+1時刻保持低濃度狀態(tài)的概率為74%；若在t時刻屬于高濃度，則t+1時刻繼續(xù)保持高濃度狀態(tài)的概率為61%。表明陜西省PM2.5濃度存在低濃度和高濃度兩種類型收斂的趨勢，即低濃度地區(qū)和高濃度地區(qū)具有較強的穩(wěn)定性。

PM2.5濃度狀態(tài)轉(zhuǎn)移主要發(fā)生在相近濃度之間，濃度跳躍轉(zhuǎn)移的概率值明顯要小于相近濃度轉(zhuǎn)移的概率值，且PM2.5濃度類型向上一級濃度轉(zhuǎn)移的概率值大于其向下一級濃度轉(zhuǎn)移的概率值。即當某一地區(qū)為較低濃度類型時，該地區(qū)在下一時刻向較高濃度轉(zhuǎn)移的概率為21%，向高濃度轉(zhuǎn)移的概率為2%，而向低濃度轉(zhuǎn)移的概率可達32%。這表明在連續(xù)的時間內(nèi)，PM2.5濃度類型多發(fā)生在相鄰類型間的遞次轉(zhuǎn)移，且跨等級轉(zhuǎn)移的可能性不大。由此表明PM2.5污染治理將是一個持續(xù)的、緩緩前進的過程，短時期內(nèi)根治大氣污染的現(xiàn)狀是較為困難的。

上述的概率轉(zhuǎn)移矩陣僅關(guān)注到PM2.5濃度類型在時間上的轉(zhuǎn)移，未考慮到不同區(qū)域背景對PM2.5濃度動態(tài)轉(zhuǎn)移的影響。由于陜西省各市區(qū)PM2.5濃度存在顯著的空間正相關(guān)，即某一城市PM2.5濃度不僅會影響周邊地區(qū)，也受到周邊地區(qū)的影響，因此在傳統(tǒng)馬爾科夫概率轉(zhuǎn)移矩陣的基礎(chǔ)上，引入?yún)^(qū)域空間背景，構(gòu)建空間馬爾科夫概率轉(zhuǎn)移矩陣。通過對比這兩種矩陣中的對應(yīng)元素探究不同鄰域背景下PM2.5濃度的時空動態(tài)轉(zhuǎn)移特征。

表3 空間馬爾科夫鏈轉(zhuǎn)移概率矩陣

通過比較傳統(tǒng)和空間馬爾科夫概率轉(zhuǎn)移矩陣不難發(fā)現(xiàn)：

陜西省各市區(qū)自身PM2.5濃度類型與其相鄰區(qū)域PM2.5濃度類型大體相近，且鄰域濃度類型對陜西省各市區(qū)PM2.5濃度的動態(tài)轉(zhuǎn)移過程發(fā)揮著重要的作用。在不考慮鄰域濃度背景時，空氣質(zhì)量濃度有40%的概率由較高濃度向較低濃度轉(zhuǎn)移，考慮到周圍地區(qū)污染濃度的影響，當周圍地區(qū)的污染濃度依次提高時，濃度轉(zhuǎn)移概率依次為0、50%、40%、36%。說明在考慮鄰域PM2.5濃度類型的背景下PM2.5濃度類型轉(zhuǎn)移概率與不考慮鄰域背景時有所不同。

不同PM2.5濃度類型鄰域?qū)﹃兾魇「魇袇^(qū)PM2.5濃度轉(zhuǎn)移的影響不盡相同。在傳統(tǒng)的馬爾科夫鏈中，第II類型向第I類型轉(zhuǎn)移的概率為32%，向第III類型轉(zhuǎn)移的概率為21%；而當較低濃度與低濃度、較低濃度、較高濃度、高濃度地區(qū)相鄰時，其向下轉(zhuǎn)移為低濃度的概率依次為45%、32%、23%、0，與此分別以0、18%、38%、100%的概率向上轉(zhuǎn)移為較高濃度。說明較低濃度地區(qū)與PM2.5濃度越高的城市相鄰時，其PM2.5濃度類型向下轉(zhuǎn)移為低濃度的概率逐漸減少，向上轉(zhuǎn)移為較高濃度的概率逐漸增大。

2.3.3 陜西省PM2.5濃度轉(zhuǎn)移路徑分析

在前文研究中得出采暖期與非采暖期的大氣環(huán)境質(zhì)量差距較大，因此，在PM2.5狀態(tài)轉(zhuǎn)移分析的基礎(chǔ)上，將陜西省PM2.5的狀態(tài)轉(zhuǎn)移路徑劃分為采暖期和非采暖期兩條，具體路徑轉(zhuǎn)移如圖5所示。

圖5 采暖期與非采暖期狀態(tài)轉(zhuǎn)移路徑圖Fig.5 State transition path diagram of heating period and non-heating period

如圖5所示，采暖期間，高濃度保持自身的概率為38.74%，向第Ⅲ濃度類型轉(zhuǎn)移的概率為21.25%，較高濃度保持自身以及向第Ⅱ濃度類型轉(zhuǎn)移的概率均為11.25%，且PM2.5狀態(tài)轉(zhuǎn)移路徑不涉及低濃度類型的轉(zhuǎn)移，也就是說采暖期濃度轉(zhuǎn)移路徑普遍為高濃度或較高濃度和較低濃度之間的交叉轉(zhuǎn)移，并且主要以高濃度向高濃度轉(zhuǎn)移為主；非采暖期間，低濃度保持自身低濃度的概率為28.18%，較低濃度向第Ⅱ濃度類型轉(zhuǎn)移的概率為16.36%，較低濃度向低一級濃度類型轉(zhuǎn)移的概率為15.45%。說明非采暖期濃度轉(zhuǎn)移路徑普遍為低濃度與較低濃度之間的交叉轉(zhuǎn)移。另外，陜西省各市區(qū)中高濃度類型主要分布在陜西省的關(guān)中地區(qū)，且具有較強的穩(wěn)定性。從整體上來看，陜西省各市PM2.5濃度轉(zhuǎn)移特征可以概括為以咸陽市為高濃度聚集中心，周邊城市由高濃度向高濃度、較高濃度、較低濃度以及低濃度類型依次向下轉(zhuǎn)移，即越接近發(fā)散點的PM2.5濃度類型越高。

3 結(jié)論

利用空間統(tǒng)計學(xué)和馬爾科夫鏈分析方法，從時空變化規(guī)律與空間演變特征兩個方面探析陜西省各市區(qū)污染物的空間分布特征及PM2.5的動態(tài)演變規(guī)律，研究結(jié)論如下。

(1)陜西省不同城市的空氣質(zhì)量指數(shù)呈現(xiàn)出冬季最高、初春次之，夏秋最好的季節(jié)變化規(guī)律，且采暖期的大氣污染情況比非采暖期嚴峻。

(2)地理空間分布方面，陜西省大氣污染較重地區(qū)集中在關(guān)中地區(qū)，主要有西安、咸陽、渭南，相比較而言陜西省的商洛和安康大氣質(zhì)量較好。

(3)空間動態(tài)演變方面，以咸陽市為高濃度聚集中心，周邊城市由高濃度向高濃度、較高濃度、較低濃度以及低濃度類型依次向下轉(zhuǎn)移。

最后，就已有結(jié)論對改善陜西省大氣環(huán)境提供了三條建議。首先要加大宣傳大氣污染防控力度，培養(yǎng)居民自覺保護大氣環(huán)境意識，相比較政府嚴抓嚴控，社區(qū)管理和居民積極參與大氣污染防控治理更為有效。其次，采暖期間，政府要強化對陜西省工業(yè)廢氣和交通工具尾氣排放的控制，除了供暖之外，陜西省的氣候也不利于污染物的擴散，因此大氣污染的防控要落實在可控源頭。最后，大氣污染物的擴散不受行政邊界的約束，相鄰區(qū)域之間要共同協(xié)商治理，形成一個“十市一省”的大氣污染聯(lián)合治理體系，以提高整塊區(qū)域的環(huán)境質(zhì)量。