姚美

摘 要：基于2018—2020年湖北省11個城市空氣質(zhì)量監(jiān)測數(shù)據(jù)以及氣象數(shù)據(jù)，采用固定效應(yīng)和面板分位數(shù)回歸方法，探討了AQI的變化特征及其與污染物濃度和氣象因素之間的關(guān)系。結(jié)果表明：污染物中[ PM2.5]、[PM10]、[NO2]和[O3]與AQI均呈正相關(guān)，且分位數(shù)較高時，影響作用較大;[SO2]與AQI呈負(fù)相關(guān)，且在任何分位點下影響均顯著;[CO]對AQI具有雙重影響，低分位點呈負(fù)相關(guān)，而高分位點呈正相關(guān)。氣象因素中，平均氣壓、相對濕度、最大風(fēng)速和風(fēng)向與AQI呈負(fù)相關(guān)，其中風(fēng)向在0.1～0.5分位點下影響較為顯著，大型蒸發(fā)量在各分位點下與AQI均呈顯著正相關(guān)，日照時長僅在0.1和0.25分位點下對AQI顯著的正向影響。

關(guān)鍵詞：AQI;氣象因素;分位數(shù)回歸;面板數(shù)據(jù)

中圖分類號 X51 文獻(xiàn)標(biāo)識碼 A 文章編號 1007-7731（2022）02-0147-06

Abstract： Based on the air quality monitoring data and meteorological data of eleven cities in Hubei Province from 2018 to 2020， fixed effects and panel quantile regression methods were used to explore the changing characteristics of AQI and its relationship with pollutant concentrations and meteorological factors. The results show that： [PM2.5]， [PM10]， [NO2] and [O3] of pollutants were positively correlated with AQI， and the effect is greater when the quantile is higher， [SO2] is negatively correlated with AQI and has a significant impact at any quantile， CO has a dual effect on AQI， with low quantile points being negatively correlated and high quantile points being positively correlated; Among meteorological factors， average air pressure， relative humidity， maximum wind speed， and wind direction are negatively correlated with AQI. Wind direction has a significant influence at the 0.1 to 0.5 quantile， and large-scale evaporation is significantly positively correlated with AQI at each quantile. The duration of sunshine only had a significant positive effect on the AQI at the 0.1 and 0.25 quantile.

Key words： AQI; Meteorological factor; Quantile regression; Panel data

近年來，空氣污染已成為城市可持續(xù)發(fā)展中日益重要的問題。據(jù)世界衛(wèi)生組織報道，全球每年約有700萬人死于空氣污染，90%的人類呼吸的空氣超過了世衛(wèi)組織規(guī)定的含高濃度污染物的空氣限值[1]。目前，我國的主要矛盾已經(jīng)轉(zhuǎn)化為人民日益增長的美好生活需要和不平衡不充分發(fā)展之間的矛盾，空氣污染嚴(yán)重影響了人們的生活質(zhì)量。

一直以來，空氣質(zhì)量都是學(xué)術(shù)界的研究熱點，學(xué)者們從多方面對空氣質(zhì)量展開研究，包括對影響空氣質(zhì)量因素的探討和各污染物濃度的預(yù)測等，為保護(hù)環(huán)境、科學(xué)防治大氣污染提供了有力支撐?？諝赓|(zhì)量不僅與大氣污染物有關(guān)，而且與氣象因素有著密切聯(lián)系。從現(xiàn)有文獻(xiàn)來看，眾多學(xué)者采用相關(guān)性分析[2]、灰色關(guān)聯(lián)分析[3]、多元線性回歸[4]以及分位數(shù)回歸方法[5]，對不同城市的空氣質(zhì)量指數(shù)（AQI）和污染物濃度（主要是[PM2.5]）與其他空氣污染物濃度之間進(jìn)行了大量的研究。

湖北省位于我國中部地區(qū)，因“九省通衢”而著稱，處于國家戰(zhàn)略中部崛起的重要支撐點，是聯(lián)結(jié)長江經(jīng)濟(jì)帶以及長江中游城市群建設(shè)的重要區(qū)域，在生態(tài)文明和健康中國建設(shè)中占有舉足輕重的地位。目前，針對湖北省整體大氣污染的時空分布規(guī)律、影響因素分析較少，然而城市空氣質(zhì)量是影響其發(fā)展的重要因素之一。為此，本研究基于湖北省11個城市的空氣質(zhì)量數(shù)據(jù)，以AQI為被解釋變量，各污染物和氣象因素為解釋變量，探索湖北省空氣質(zhì)量時空分布特征，以期為今后湖北省空氣質(zhì)量的研究提供參考。

1 數(shù)據(jù)來源與統(tǒng)計分析

1.1 樣本選取與數(shù)據(jù)來源 目前，我國各個城市基本都已具備空氣監(jiān)測站，可以獲取空氣污染物濃度的實時數(shù)據(jù)及其歷史數(shù)據(jù)，進(jìn)而計算出空氣質(zhì)量指數(shù)（AQI）。AQI是無量綱的指標(biāo)，定量地描述了空氣質(zhì)量狀況，其值越大，意味著空氣污染狀況越嚴(yán)重。自2013年以來，中國開始采用[AQI]評估空氣質(zhì)量，并且對城市空氣質(zhì)量進(jìn)行分類，AQI數(shù)值大小分為6個等級：0～50為優(yōu);51～100為良;101～150為輕度污染;151～200為中度污染;201～300為重度污染;大于300為嚴(yán)重污染[6]。

基于數(shù)據(jù)的合理性和可得性，本文選取湖北省10個地級市（黃岡、荊門、荊州、十堰、隨州、武漢、咸寧、襄陽、孝感、宜昌）和1個自治州（恩施）的面板數(shù)據(jù)進(jìn)行實證檢驗，其中包括空氣質(zhì)量指數(shù)、空氣污染物濃度以及氣象因素，空氣質(zhì)量數(shù)據(jù)來源于中國環(huán)境監(jiān)測總站，具體指標(biāo)有AQI、[PM2.5]濃度、[PM10]濃度、[NO2]濃度、[SO2]濃度、[CO]濃度及8h滑動平均[O3]濃度，氣象數(shù)據(jù)來源于中國氣象數(shù)據(jù)網(wǎng)，其中風(fēng)向代表的是最大風(fēng)速時風(fēng)的朝向，按照16方位圖進(jìn)行編碼，各變量的具體描述見表1。本文選取的研究時段為：2018年1月1日至2020年12月31日，由于數(shù)據(jù)在采集過程中，會因為網(wǎng)絡(luò)信號、設(shè)備故障等原因，存在部分監(jiān)測站點數(shù)據(jù)缺失的情況，經(jīng)統(tǒng)計發(fā)現(xiàn)缺失數(shù)據(jù)較少，未出現(xiàn)大面積連續(xù)缺失的情況，因此針對缺失值采取缺失值前后2個時段數(shù)據(jù)的均值進(jìn)行填補(bǔ)。

1.2 統(tǒng)計分析 在本研究時段內(nèi)，各市AQI的基本情況描述如表2所示。由表2可知，恩施市AQI的平均值、中位數(shù)、最小值均最小，空氣質(zhì)量狀況較全省其他城市最優(yōu)，其中位數(shù)為50，說明3年內(nèi)一半天氣均為優(yōu)狀態(tài)，同時該市空氣質(zhì)量的波動也是最小的，較為穩(wěn)定。由標(biāo)準(zhǔn)差可知，波動較小的是咸寧和十堰，波動較大的是襄陽，并且其均值、中位數(shù)和最大值都是最高的，空氣污染程度較其他城市最為嚴(yán)重。除襄陽之外，荊門、宜昌的均值和中位數(shù)也是較高的，其AQI的最大值均超過300，這3個城市的空氣污染程度較為嚴(yán)重。

根據(jù)AQI劃分等級標(biāo)準(zhǔn)，將研究時段2018年1月1日至2020年12月31日內(nèi)湖北省11個城市的空氣質(zhì)量指數(shù)進(jìn)行劃分，詳見表3。再從時間趨勢對11個城市的空氣質(zhì)量變化情況進(jìn)行探索，具體分析空氣質(zhì)量的情況，如表4所示。由表3可知，湖北省11個城市的空氣質(zhì)量主要集中在優(yōu)、良、中度污染等級，空氣質(zhì)量相對全國平均水平而言，總體在中等水平，然而個別城市出現(xiàn)了嚴(yán)重污染?？諝赓|(zhì)量等級處于優(yōu)天數(shù)最多是恩施，共553d，遠(yuǎn)遠(yuǎn)超過其余10個城市，接著依次分別是咸寧、十堰、宜昌、孝感、隨州、荊州、黃岡、武漢、荊門、襄陽，優(yōu)良天數(shù)的排序從另一方面說明了城市的空氣質(zhì)量狀況，這與表2中所傳遞的信息是一致的。從逆序來看，襄陽市的優(yōu)良總天數(shù)也是最少的，其中嚴(yán)重污染天數(shù)竟有7d，其次是荊門、宜昌和武漢，這幾座城市是湖北省人口密集地區(qū)，經(jīng)濟(jì)規(guī)模也是位居前列，污染排放集中，可見對城市空氣質(zhì)量具有重要影響。

表4是對11個城市根據(jù)時間趨勢進(jìn)行空氣質(zhì)量優(yōu)良率結(jié)果分析。從表4可以看出，2018—2019年，除恩施之外，各城市空氣質(zhì)量整體狀況均呈下降趨勢，空氣污染天數(shù)有所增加;2019—2020年呈現(xiàn)逐漸上升趨勢，2020年空氣質(zhì)量優(yōu)良率較2018和2019明顯上升，除了襄陽市，2020年其他城市優(yōu)良天數(shù)均在80%以上。2020年1月，新型冠狀病毒（COVID-19）肺炎疫情在武漢暴發(fā)，黨中央和我國各級政府高度重視，迅速啟動了防控措施，為遏制疫情蔓延，1月23日武漢市實施了封城措施，隨之湖北省各地陸續(xù)開始封城，交通暫停了運營，大中小工廠開始關(guān)閉，很好地阻止了疫情傳播，同時疫情措施也限制了人類的活動。從IQAir發(fā)布《2020年全球空氣質(zhì)量報告》可知，由于疫情封鎖措施和人類行為的改變，全球空氣總體上更加健康，中國86%的城市空氣質(zhì)量較上一年有所改善[7]。

2 模型設(shè)定

傳統(tǒng)的回歸模型是研究被解釋變量的條件期望，即自變量x對因變量y的條件期望E（y|x）的影響。為了能更全面地描述解釋變量對被解釋變量在不同分位數(shù)上的影響，Koenker和Bassett[8]于1978年提出了分位數(shù)回歸模型。其估計量的計算是基于一種非對稱形式的絕對值殘差最小化，它能夠更加全面的描述被解釋變量條件分布的全貌，而不是僅僅分析被解釋變量的條件期望。與最小二乘法相比，分位數(shù)回歸對誤差項并不要求很強(qiáng)的假設(shè)條件，同時它的估計結(jié)果對離群值表現(xiàn)得更加穩(wěn)健。

分位數(shù)回歸的基本思想為：假定連續(xù)隨機(jī)變量Y，其分布函數(shù)為[Fy=p（Y≤y）]，對于任意0

[Q（q）=F-1（q）=inf{y：F（y）?q}]

則其函數(shù)形式可表示為：

[yqxi=x'iβ（q）]

2004年，Koenker[9]提出了面板分位數(shù)模型，面板數(shù)據(jù)能夠控制個體的異質(zhì)性，保證結(jié)果的無偏性，同時面板數(shù)據(jù)可以從時間序列和截面兩個維度提供更多的信息、變化以及更高的估計精度。將面板數(shù)據(jù)和分位數(shù)回歸相結(jié)合，可以充分發(fā)揮面板數(shù)據(jù)的優(yōu)點，在控制個體異質(zhì)性的同時更好地分析自變量在不同分位點上對因變量條件分布的影響。其函數(shù)形式為：

[Qyitq∣xit=αi+xTitβ（q）]

其中[i=1，…，N;t=1，…，T];[yit]表示第[t]時期第[i]個個體被解釋變量的觀測值;[xit]則是解釋變量的觀測值，[αi]表示不隨分位數(shù)[q]變化且不被其他變量控制的個體之間的差異。

將各市的數(shù)據(jù)整理成面板數(shù)據(jù)，為了衡量6種空氣污染物和氣象因素對AQI的影響，且保證量綱的一致性，對所有指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，構(gòu)建本文使用的面板數(shù)據(jù)模型如下：

[ZAQIit=αi+β1ZPM2.5it+β2ZPM10it+β3ZN02it+β4ZSO2it+β5ZCOit+]

[β6ZO3it+β7ZTEMit+β8ZPRSit+β9ZRHUit+β10ZMWit+β11ZMWSit+]

[β12ZSSDit+β13ZEVPit+β14ZWMDit+μit]

其中：[ZAQI it]表示第i個城市在第t時刻的標(biāo)準(zhǔn)化后的空氣質(zhì)量指數(shù)，[ZPM2.5it]，……，[ZWMD]分別表示第i個城市在第t時刻標(biāo)準(zhǔn)化后的[PM2.5]濃度…，以及標(biāo)準(zhǔn)化后的最大風(fēng)向值。

3 面板分位數(shù)回歸分析

3.1 多重共線性檢驗 多重共線性在建模過程中是普遍存在的，輕微的多重共線性問題對模型影響不大，一般不采取處理措施，當(dāng)多重共線性問題較為嚴(yán)重時，要根據(jù)不同情況采取必要措施。多重共線性檢驗常用的方法有2種，一是相關(guān)性分析，若相關(guān)系數(shù)高于0.8，表明存在多重共線性;但相關(guān)系數(shù)值較低，并不能表示不存在多重共線性;二是vif檢驗，當(dāng)vif的值高于10時，表明存在多重共線性;本文在已建立模型的基礎(chǔ)上選擇vif檢驗方法，結(jié)果如表5所示。從vif檢驗結(jié)果可知，所有變量值均在10以下，說明各變量間不存在嚴(yán)重的多重共線性問題。

3.2 面板單位根檢驗 為避免非平穩(wěn)序列回歸分析帶來的偽回歸問題，需要在采用面板分位數(shù)模型估計之前，對各變量進(jìn)行面板單位根檢驗，即平穩(wěn)性檢驗[10]。面板單位根檢驗主要有兩大類檢驗方法：一類是基于同質(zhì)面板數(shù)據(jù)的檢驗，假設(shè)各面板單位自回歸系數(shù)均相同，如LLC檢驗、HT檢驗、Breitung檢驗;另一類是基于異質(zhì)面板數(shù)據(jù)的檢驗，允許各面板單位自回歸系數(shù)均不同，如IPS檢驗、Fisher-ADF檢驗和Fisher-PP檢驗[11]。由于本文所采用的數(shù)據(jù)時間維度大于橫截面維度，也就是長面板數(shù)據(jù)，同時為防止單一檢驗可能造成的誤差，故選擇了LLC檢驗、Breitung檢驗檢驗2種檢驗方法進(jìn)行單位根檢驗，由表6中檢驗結(jié)果可知，各變量均通過平穩(wěn)性檢驗。

3.3 模型選擇 為與傳統(tǒng)面板回歸模型的結(jié)果進(jìn)行對比，首先構(gòu)建傳統(tǒng)面板回歸模型。傳統(tǒng)面板回歸模型主要有3種形式：混合回歸、固定效應(yīng)和隨機(jī)效應(yīng)，一般采用F檢驗、LM檢驗和Hausman檢驗來確定應(yīng)該選擇何種模型[12]。各檢驗結(jié)果列于表7中，其中F檢驗的p值為0.000，表明在1%的顯著性水平下，強(qiáng)烈拒絕原假設(shè)，認(rèn)為固定效應(yīng)模型要優(yōu)于混合回歸模型;LM檢驗的p值為0.000，同樣在1%的顯著水平下，拒絕原假設(shè)，認(rèn)為隨機(jī)效應(yīng)優(yōu)于混合回歸;Hausman檢驗的p值也是0.000，故在1%的顯著性水平下，拒絕原假設(shè)，則模型最終設(shè)定為固定效應(yīng)。

進(jìn)行面板分位數(shù)回歸時，選取0.1、0.25、0.5、0.75、0.9等5個具有代表性的分位點，分別代表優(yōu)、良、輕度污染、中度污染以及重度污染下的空氣質(zhì)量，因此可以了解到在不同等級的空氣質(zhì)量下，各因素對空氣質(zhì)量有怎樣的影響。

3.4 回歸結(jié)果分析 將湖北省11個城市的面板數(shù)據(jù)分別代入2種模型中，利用stata15.0分別進(jìn)行面板數(shù)據(jù)固定效應(yīng)和分位數(shù)回歸估計，結(jié)果見表8。由于氣象因素中平均氣溫和最大風(fēng)速在固定效應(yīng)模型以及分位數(shù)回歸中均不顯著，因此未列于表中。

從固定效應(yīng)模型回歸結(jié)果可知，在1%的顯著性水平下，污染物指標(biāo)中[ZCO]、[ZN02]未通過檢驗，說明在空氣質(zhì)量的平均水平下，[CO]濃度和[N02]濃度對空氣質(zhì)量的影響是不顯著的;氣象因素中，除了表中未列出的平均氣溫和平均風(fēng)速外，變量[ZRHU]、[ZWMD]以及[ZSSD]的系數(shù)也未通過檢驗，由此說明相對濕度、風(fēng)向及日照時長對空氣質(zhì)量的平均水平影響并不顯著。在回歸系數(shù)通過顯著性檢驗的變量中，其中系數(shù)符號為正的有[ZPM2.5]、[ZPM10]、[ZO3]和[ZEVP]，對空氣質(zhì)量指數(shù)存在正向影響，說明[PM2.5]濃度、[PM10]濃度、[O3]濃度和空氣相對濕度的增加會導(dǎo)致AQI的增加，因此會導(dǎo)致空氣質(zhì)量會變差;其中系數(shù)符號為負(fù)的變量有[ZSO2]、[ZPRS]和[ZMW]，說明[SO2]濃度、平均氣壓和平均風(fēng)速對AQI存在負(fù)向影響，這3項指標(biāo)值的增加對空氣質(zhì)量有一定的調(diào)節(jié)作用。污染物濃度是影響空氣質(zhì)量的主要因素，其中[ZPM2.5]的彈性系數(shù)最大，系數(shù)值高達(dá)0.938，其次是[ZO3]變量，系數(shù)值為0.367，可見[PM2.5]和[O3]濃度的增加會導(dǎo)致空氣質(zhì)量指數(shù)的大幅度提升。

從面板分位數(shù)回歸結(jié)果可以看出：（1）變量[ZPM2.5]、[ZPM10]、[ZNO2]和[ZO3]的系數(shù)均為正，可知污染物中[PM2.5]、[PM10]、[NO2]和[O3]與AQI均呈正相關(guān)，并且這幾項指標(biāo)系數(shù)隨著分位點的增加而增大，其中[NO2]在0.1分位點上并不顯著，隨著分位點的增加變得越來越顯著，說明[PM2.5]、[PM10]、[NO2]和[O3]濃度的增加會導(dǎo)致空氣質(zhì)量變得更糟糕。（2）在1%的顯著性水平下，[ZSO2]的系數(shù)在各分位點上均通過了顯著性檢驗且值為負(fù)，并隨著分位點的不斷增加其系數(shù)卻逐漸變小，說明在空氣質(zhì)量優(yōu)良時，一定濃度的[SO2]可以起到調(diào)節(jié)空氣質(zhì)量的作用。（3）[ZCO]的系數(shù)存在一個由正變負(fù)的過程，在0.1、0.25和0.5位點上，[ ZCO]的系數(shù)值為負(fù)，在 0.75和0.9分位點上系數(shù)為正，說明[CO]對AQI具有雙重影響，當(dāng)空氣質(zhì)量優(yōu)良時，一定濃度的[CO]是正常的，但是其濃度若超過一定的范圍會加重空氣污染程度。（4）在氣象因素中，變量[ZPRS]、[ZRUH]、[ZMW]和[ZWMD]在各分位點上的系數(shù)值為負(fù)，說明平均氣壓、相對濕度、最大風(fēng)速和風(fēng)向與AQI呈負(fù)相關(guān)，其值的增加會使AQI減小，對空氣質(zhì)量的影響是積極的，其中風(fēng)向在0.1～0.75分位點上對AQI影響顯著。（5）在1%的顯著性水平下，[ZEVP]的系數(shù)在各分位點上均通過了顯著性檢驗且系數(shù)值為正，從0.1～0.9分位點上，其值是漸漸變小的，說明大型蒸發(fā)量與AQI呈正相關(guān)并且對空氣質(zhì)量的影響越來越弱。（6）觀察變量[ZSSD]可知，在0.1～0.9分位點上，其系數(shù)是存在一個由正變負(fù)的過程，在0.1和0.25分位數(shù)上日照時長對AQI有著正向作用，說明一定的日照時長對空氣質(zhì)量是有利的，在0.5～0.9分位點上，日照時長對空氣質(zhì)量的影響是不明顯的。

4 結(jié)論

本研究選取2018—2020年湖北省11個城市的面板數(shù)據(jù)，利用面板分位數(shù)回歸的方法實證分析了6種污染物濃度和8種氣象因素對AQI的影響，采用固定效應(yīng)回歸模型進(jìn)行對比分析，主要結(jié)論如下：

（1）根據(jù)湖北省11個城市空氣質(zhì)量的描述性分析，空氣質(zhì)量最好的是恩施，其優(yōu)良天數(shù)最多，空氣質(zhì)量相對其他幾個城市最差的是襄陽市，其次是荊門、宜昌和武漢。根據(jù)時間趨勢進(jìn)行空氣質(zhì)量分析，可知2019相對于2018年來看，湖北省空氣質(zhì)量整體狀況均呈下降趨勢，空氣污染天數(shù)有所增加，2018—2020年湖北省整體空氣質(zhì)量上升。

（2）在固定效應(yīng)回歸模型中，[ CO]、[N02]、平均氣溫、平均風(fēng)速、相對濕度、風(fēng)向以及日照時長對空氣質(zhì)量的影響不顯著，其余變量均顯著，其中[PM2.5]、[PM10]、[O3]和相對濕度與AQI呈正相關(guān)，這些變量值的增加將會導(dǎo)致空氣質(zhì)量進(jìn)一步變差，[SO2]、平均氣壓和最大風(fēng)速與AQI呈負(fù)相關(guān)，[SO2]濃度、平均氣壓和最大風(fēng)速的增加對空氣質(zhì)量起著一定的調(diào)節(jié)作用。

（3）在面板分位數(shù)回歸中，[ PM2.5]、[PM10]、[NO2]、[O3]和大型蒸發(fā)量與AQI均呈正相關(guān)，其中[PM2.5]、[PM10]、[NO2]和[O3]的系數(shù)隨著分位數(shù)從0.1～0.9的變化而增大，大型蒸發(fā)量的系數(shù)值隨著分位數(shù)的增加緩慢減小;[SO2]、平均氣壓、相對濕度、最大風(fēng)速和風(fēng)向與AQI呈負(fù)相關(guān)，除了最大風(fēng)速的系數(shù)值隨著分位數(shù)的增加而增加，其他變量均呈減小趨勢，同時風(fēng)向只在0.1～0.5分位點上對AQI有顯著影響，其他變量在所有分位點上均顯著;[CO]對AQI具有雙重影響，隨著分位數(shù)的增加，其系數(shù)符號由負(fù)變正，且只在低分位點處對AQI有顯著影響;變量[ZSSD]的系數(shù)是由正變負(fù)的一個過程，同樣只在低分位點上對AQI有顯著影響，在高分位點處對空氣質(zhì)量的影響并不顯著。

參考文獻(xiàn)

[1]2019年全球衛(wèi)生面臨的10項威脅[EB/OL].（2019-1-10）.[2021-03-23].https：//www.who.int/zh/news-room/spotlight/ten-threats-to-global-health-in-2019.

[2]徐萌，張春鑫，徐林，等.畢節(jié)市區(qū)大氣污染特征及影響因素分析[J].安全與環(huán)境工程，2018，25（05）：64-71.

[3]湛社霞，匡耀求，阮柱.基于灰色關(guān)聯(lián)度的粵港澳大灣區(qū)空氣質(zhì)量影響因素分析[J].清華大學(xué)學(xué)報（自然科學(xué)版），2018，58（08）：761-767.

[4]付倩嬈.基于多元線性回歸的霧霾預(yù)測方法研究[J].計算機(jī)科學(xué)，2016，43（S1）：526-528.

[5]晏振，田茂再.基于分位回歸的北京市PM2.5的影響分析[J].統(tǒng)計與決策，2015（17）：103-105.

[6]許燕婷，劉興詔，王振波.基于AQI指數(shù)的中國城市空氣質(zhì)量時空分布特征[J].廣西師范大學(xué)學(xué)報（自然科學(xué)版），2019，37（01）：187-196.

[7]戈達(dá)赫.《2020年全球空氣質(zhì)量報告》[EB/OL].（2021-3-16）.[2021-3-23]. https：//www.iqair.cn/cn/blog/press-releases/covid-19-reduces-air-pollution-in-most-countries.

[8]Koenker R，Bassett G. Regression Quantiles[J].Econometrica，1978，46（1）：33-50.

[9]Koenker R. Quantile regression for longitudinal data [J].Journal of Multivariate Analysis，2004（1）：74-89.

[10]陳強(qiáng).高級計量經(jīng)濟(jì)學(xué)及Stata應(yīng)用[M].北京：高等教育出版社，2013.

[11]趙強(qiáng)，曹煒婷.基于面板數(shù)據(jù)分位數(shù)回歸的商品住宅價格影響因素分析[J].山東財經(jīng)大學(xué)學(xué)報，2017，29（05）：61-69.

[12]鄭林昌，張亞楠，李澤陽.河北省城市空氣污染物對PM（2.5）濃度值是否有影響——基于城市空氣質(zhì)量數(shù)據(jù)的面板分位數(shù)回歸分析[J].統(tǒng)計與管理，2020，35（01）：70-73. （責(zé)編：張宏民）