近年来，随着我国的工业化进程加快、城市常住人口增加、燃料消耗持续增长，我国多个地区空气污染严重，带来了一系列负面影响，空气污染的治理迫在眉睫。2013年，国家开始大力实施空气污染治理行动，各省市均投入大量资源开展空气污染的预防和治理。1数据来源本研究的数据来源于某空气站的监测数据以及2015~2018年执行的《环境空气质量标注》（GB 3095—2012）中空气自动监测数据，数据涵盖SO2、NO2、PM10、PM2.5、CO和O3浓度的分时数据。部分数据缺失，本研究结合2005~2014年空气指标变化趋势，通过差值和误差比较分析，最后使用误差较小的插值法补齐数据。2方法选择2.1小时指数平均法小时指数可以描述一个时点的污染物水平和总平均水平之间的关系。（1）以24 h为一个分析周期，将分析周期划分为n个子周期，计算得到某时期内污染物平均值xk¯：xk¯=∑i=1nxikn , k=1 , 2 , ... , 24 （1）（2）计算分析周期内的总平均值：x¯=∑i=1n∑k=124xik24n （2）（3）将各小时的均值与总均值相除，得到小时指数Hk：Hk=xk¯x¯ , k=1 , 2 , ... , 24 （3）说明：Hk1，表明该时刻的污染物浓度高于该时段总均值；Hk1，说明该时刻的污染物浓度低于该时段总均值。观察小时污染物浓度变化，可以得到某个具体时期污染物浓度的波动规律。2.2双重差分分析模型双重差分法（difference in difference，DID）的基本原理为假设与检验：假设目标变量为y，试验组T（受政策影响的），对照组C（不受政策影响的），一般政策实施后可以直接对试验组和对照组行对比，即为单差分，存在明显缺陷主要是没有考虑政策实施前试验组和对照组之间的固有差异，说服力有限。如果将单差分的差异减去政策实施之前的两组固有差异，则可以得到双重差分，基于具体研究对象构建的模型即为双重差分模型。一般可以将DID模型假设为：y=β0+δ0d2+β1dT+δ1d2⋅dT+ε （4）式中：y——目标变量；dT——虚拟变量（用T或C分别表示试验组和对照组）；d2——时间虚拟变量（用0或1分别表示政策前、政策后）；ε——随机扰动项；β0——对照组目标变量在政策前的平均水平；δ0——试验组与对照组政策前后的总体变化；β1——与政策实施无关的组间差异权衡系数，即趋势成分；δ1——剔除趋势成分后政策实施对结果变量的真实影响。不考虑其他因素的情况下，δ1的估计值δ1∧即为倍差的估计量，可以表示为：δ1∧=(y2,T¯-y2,C¯)-(y1,T¯-y1,C¯) （5）某市临近沙漠戈壁，且常年干旱少雨，造成植被稀少，水资源较为匮乏，每年有大量沙尘天气，四面环山，横空气流动性也较差，形成了一个空气流通较为缓慢的中间地带，空气污染物无法顺利扩散。考虑到某市实际情况，面临如下形势：（1）气候条件原因。某市气候温差大、空气干燥，导致污染物在气温突然变化中的垂向扩散受到抑制。市区风速小，污染物在水平方向的交换受到了抑制，垂向和水平向的效应叠加，对城市空气的自净能力大幅度削弱，使得污染物浓度逐渐累积升高。此外，一次沙尘暴将持续影响3~5 d的PM10浓度，以2017年为例，前4个月某市受到沙尘暴的影响比去年同期多7次，总计受到影响超30 d，导致同期PM10浓度和PM2.5浓度分别达到99 μg/m3和50 μg/m3，分别上升35.6%及47.1%。（2）能源结构原因。某市的能源结构以煤炭为主，据不完全统计，目前约有燃煤锅炉544台，家用燃煤小火炉数量约712个，年耗煤量超15 万t，同时燃煤供应中心及型煤生产线及配送网络未完全建成运行，导致燃煤质量管控力度不够，加大了污染程度。2014~2016年的采暖期，SO2平均浓度比非采暖期的SO2平均浓度分别高出0.026 μg/m3、0.039 μg/m3和0.044 μg/m3。（3）面污染。每年都有超过50处的施工场地，其中大部分建筑场地未严格实行绿色施工及相关文明施工规定，如现场围挡、场地硬化、出入车辆冲洗、渣土密封运输、工地物料堆放等，导致扬尘污染较为严重。与此同时，露天烧烤和秸秆焚烧、爆竹燃放等不文明行为屡禁不止，餐饮业的油烟净化也有部分设施运转不正常，导致面污染的情况没有得到妥善治理。（4）机动车污染。市区的机动车保有量连年上升，以每年12%的速度递增，目前已超过25万辆，排期污染日趋严重。老旧车的淘汰进程缓慢，目前已经实行国六标准，老标准的车辆淘汰还有较长的进程。上述原因是剔除输入型沙尘影响后引起PM2.5、PM10超标的主要原因，也是后续提出治理措施或建议时重点应考虑的方面。3地区大气污染防治措施及效果评估3.1描述性统计方法的总体治理效果分析以分时AQI数据为分析对象，采用双重差分模型和描述性统计分析，对某市实施政策前后的空气质量指数是否有好转及好转的程度进行探究，进行空气治理政策成效的客观性评价。2019年空气质量分时指数变化如图1所示，2018年空气质量分时指数变化如图2所示。10.3969/j.issn.2096-1936.2021.06.006.F001图12019年空气质量分时指数变化10.3969/j.issn.2096-1936.2021.06.006.F002图22018年的空气质量分时指数变化由图1及图2可以发现，在政策持续实施期间，高污染天气集聚的情况从2018年的9个波峰降至2019年的两个波峰，说明高污染的次数明显减少。空气污染呈现明显的季节性差异，最差天气仍然出现在冬季，春季其次，夏天的空气质量最优，与最初的假设和分析相符合。3.2基于双重差分模型的PM10和PM2.5治理效果评价3.2.1研究的设计与假设为了更好地验证某市对于PM2.5的治理效果，可通过单差分方法进行比较，评价实行《大气污染防治工作计划》的具体效果。即通过比较某市2018年和2019年同期的污染水平差异进行定量比较和判断。但由于单差分方法误差较大，造成结果科学性不强。在政策的实施中不可能只存在单一的影响因素，还包含其他可能在后续环节影响结果的因素，如人口、社会活动、产业结构、交通等。因此可以假设在某市实行《大气污染防治工作计划》过程中存在不可避免的趋势成分，可以将difference分为两个部分，既包含趋势成分，又包含政策的实施效果，可使用双重差分模型。3.2.2数据的设置《大气污染防治工作计划》的实施对空气污染有明显的改善效果，还需分析治理政策的具体提升效果。以冬季污染最为严重的2个月为例（11、12月），PM10和PM2.5的变化趋势整体一致，本研究以PM2.5为例进行说明，取2015~2018年各年的11、12月PM2.5数据进行分析。设因变量y为PM2.5真实浓度值，建立PM2.5的治理效果评价模型：log(y)=β0+δ0d2+β1dT+δ1d2⋅dT+ε （6）分析可知，数据模型的估计结果与绝对数据模型没有质的变化，说明如果不实施空气污染治理措施，2015~2018年的空气污染会逐年加重，证明了假设的正确性，也说明了空气污染治理措施的有效性。4结语本文利用小时指数平均法和双重差分模型分析空气污染物高频分时数据，通过理论建模和数值统计分析得到了大气污染物的主要分布规律，通过分析得出辖区内的空气质量指数经相关政策的具体实施得到好转，区域内污染物浓度呈现冬季高夏季低的特征。分析分时数据可知，午后空气质量最佳，早晚高峰空气质量最差，夜间污染物浓度基本处于平稳状态，降幅较小。从能源结构调整、机动车污染治理、扬尘专项治理等角度入手落实大气污染治理工作，能够显著减少空气污染，提高空气质量。