21世纪的中国，随着全球气候变化、经济快速发展以及城市化全面提速，大量经济、社会和生态环境等问题接踵而至，环境问题尤为突出. 近年来，灰霾频繁袭击我国的中东部地区，西部城市也深受其难，灰霾的出现并非偶然，而是当前经济、社会、生态环境条件下理势之所必至. 由于灰霾严重阻碍着经济社会的可持续发展，特别是对人类的健康和生命安全会产生难以恢复的“创伤”，故作为其主要成份的PM2.5得到了国家及社会的广泛关注，成为国内外科研的“显学”. 前人对PM2.5的研究主要集中于以下5个方面： ①PM2.5的组分和来源[1-3]； ②PM2.5的时空分布特征及其影响因素[4-6]； ③PM2.5的空间扩散与传播机制[7-8]； ④PM2.5污染物与环境及气象等因子之间的关系[9-11]； ⑤PM2.5污染物与人类健康[12-13]. 而针对PM2.5的时空分布特征及其影响因素的研究中，周磊等[4]研究表明，京津冀地区的城市间的PM2.5污染存在空间运移关系，污染企业总数、降水量、地形坡度是影响PM2.5污染的主要因素；毛婉柳等[14]研究显示，长三角地区的PM2.5浓度(质量浓度)呈春冬高夏秋低的季节变化规律，空间集聚性显著，烟尘和前体物的二次转化对其影响较大；徐伟嘉等[15]研究指出，珠三角地区的PM2.5分布差异主要由区域结构所致；WANG等[16]研究认为，西安市PM2.5浓度呈冬季>秋季>春季>夏季的季节性变化特征，化石燃料燃烧的排放是PM2.5的主要影响因素；CHENG等[17]研究指出，中国城市雾霾的全球空间自相关性和局部空间聚集性显著，人口结构的快速增长、高比例的二次产业、煤炭主导的能源结构和日益增长的交通强度，正进一步恶化着中国的灰霾问题；贺祥等[18]研究显示，江苏省PM2.5与PM10、O3、降水量、公路货运总量等指标因子呈强度关联；莫莉等[19]研究认为，PM2.5等颗粒物的浓度与城市化程度、地区生产总值及林木覆盖率等因子具有显著相关性；XIE等[20]的研究认为，PM2.5浓度的空间分布与SO2、NO2、CO和O3等均具有显著相关性；林巧莺等[21]运用LUR模型、Miskell等[22]运用LUR模型和密度测量、刘金培等[23]运用VAR模型分别在不同条件下，对PM2.5浓度的不同影响因素进行了研究.

虽众多学者针对PM2.5浓度的时空分布特征及影响因素的研究成果丰硕，但研究区域主要集中在京津冀、长三角以及珠三角等重点区域，对近年来多地PM2.5污染越来越重的陕西省的研究较为薄弱. 同时鲜见学者综合考虑到气象条件、污染来源和社会经济等因素来探讨影响PM2.5浓度的主要因子. 故笔者基于2015年陕西省PM2.5监测数据，从不同时间序列对其PM2.5的时空分布规律进行系统揭示，并通过构建PM2.5浓度影响因素指标体系，引入灰色关联模型对PM2.5浓度与影响指标因子间关联度进行分析，以期明确陕西省PM2.5的主要影响因子，为政府的大气污染治理提供依据.

  

图1 2015年陕西省空气质量监测站的空间分布Fig.1 Spatial distribution of air quality monitoring sites in Shaanxi Province in 2015

1 材料与方法

1.1 数据的来源与处理

PM2.5数据来源于中国环境监测总站(http:www.cnemc.cn)实时发布的监测数据. 基础数据是通过对陕西省内50个空气质量监测站点(见图1)的日均值计算得来. 每个站点日缺测数据超过4 h，月缺测天数少于25 d，均视为无效并剔除. 地形数据从陕西省各市分辨率为30 m的DEM影像数据中提取. 气象、交通、工业、建筑、餐饮、城市绿化、人口及产业结构数据均来源于《2015年陕西统计年鉴》. 此外，为了消除各指标数据之间的量纲差异，该研究对原始指标数据采用极差标准化方法[24]进行处理，各指标权重采用熵值法[25]确定.

1.2 指标体系构建

人为排放是PM2.5产生的主要来源. 部分PM2.5为直接排放物，部分由前体物(主要有SO2、NH3、NOx、挥发性OC)在空气中二次转化而成. 其他来源还包括风尘、工业粉尘、机动车尾气、道路和建筑施工扬尘等. 同时气候、地形、交通、城市化以及产业结构等因素均与PM2.5的形成和变化密不可分. 因此，该研究结合前人成果[3,5,16,18,26]，以影响PM2.5浓度的主要因子(气象条件和污染来源)为主导，并加入了社会经济要素，构建了影响PM2.5浓度的指标体系(见表1)，包括3个一级指标层、9个二级指标层和21个三级指标因子.

1.3 研究方法

1.3.1 空间插值法

克里金空间插值法是在空间数据分布不均的前提下，能够对变量的空间行为进行全面分析的一种无偏最优估计方法，且输出结果的连续性较好[27]. 该研究基于ArcGIS 10.2软件，采用克里金空间插值法(OKM)对陕西省的PM2.5浓度进行空间插值，并在保持空间均衡的前提下，分别抽取6个监测点进行交叉验证，其精度均大于89%，表明陕西省PM2.5浓度的空间插值效果较好.

1.3.2 Morlet小波分析

[18] 贺祥,林振山,刘会玉,等.基于灰色关联模型对江苏省PM2.5浓度影响因素的分析[J].地理学报,2016,71(7):1119-1129.

1.3.3 灰色关联分析法

灰色关联分析法是运用灰色关联度来描述灰色系统中因素间的相关程度，以期确定影响事物的本质因素. 若两因素变化的态势越相似，则二者的关联度越大. 反之，关联度越小. 该方法具有数据要求低、工作量少且可在很大程度上减少由于信息不对称带来的损失的优点. 因此，在经济学、气象学、地学等领域应用广泛. PM2.5的形成及集聚过程是个极其复杂和开放的动态灰色系统，不同因子对其形成和集聚的影响迥异，并且人们对PM2.5的形成机理及影响因子的掌握并不明确. 因此，为了准确客观地反映研究区PM2.5形成的影响因素，故选之. 具体计算方法[29]：

 

表1 影响PM2.5浓度的指标体系Table 1 PM2.5 influencing index system

  

一级指标层二级指标层三级指标单位功效气象与地形因子(B1)PM2 5污染来源(B2)城市化与土地利用(B3)气象条件(C1)地形(C2)交通源(C3)工业源(C4)建筑源(C5)餐饮源(C6)土地利用(C7)人口数量(C8)产业结构与经济水平(C9)降水量(D1)mm负平均风速(D2)m∕s负平均气温(D3)℃正平均相对湿度(D4)%正日照时数(D5)h正海拔(D6)m负等级公路里程(D7)km正机动车保有量(D8)104辆正二氧化硫排放量(D9)T正氮氧化物排放量(D10)T正烟粉(尘)排放量(D11)T正房屋建筑施工面积(D12)10km2正餐饮总额(D13)104元正建成区绿地覆盖率(D14)%负人均公园绿地面积(D15)m2∕人负建成区面积(D16)km2正人口密度(D17)人∕km2正第二产业比重(D18)%正人均GDP(D19)元正工业总产值(D20)108元正单位GDP能耗(D21)t∕(104元)(以标准煤计)正

特征序列和比较序列的确定. 据灰色系统理论，将x0(k)设为特征参考数列，x0(k)={x0(1)，x0(2)，…，x0(k)}；将xi(k)设为比较数列，xi(k)={xi(1)，xi(2)，…，xi(k)}，k为序列涉及的时间，i为第i个比较序列.

采用均值法对原始指标数据的量纲差异进行标准化处理.

 

(1)

很多企业管理者认为，成本管理是成本会计的事情，其实这是一种错误的认识。成本管控要包括预测、决策、计划、控制、核算和分析等多个环节，是一项系统、完整的管理及反馈过程。想要做好真正的成本管理工作，就不能只做好一个和几个环节，这就需要从业的相关人员有专业的成本管控理论基础、较强的实践能力及突发事情的应变能力。而传统意义上的成本会计仅仅是核算的主要人员，而要做好成本预测、决策、控制等多环节，就不仅仅会涉及到财务部门，其他例如采购部门、生产部门等都要参与进来。这样一个复杂的管理工作，如果主要负责人成本管控专业能力差，那么成本管控工作从何谈起？而现今人才市场上，正是缺少这样有专业素养的从业人员。

 

(2)

 

(3)

式中，ri为关联度，Rij为综合加权关联度，Wj为第j个指标的熵权.

2 结果与讨论

2.1 PM2.5浓度的时间变化规律

根据GB 3095—2012《环境空气质量标准》[30]对环境空气功能区的分类，将陕西省的10个辖区均按二类环境功能区统计，规定其年、日均限值分别为35和75 μgm3. 2015年陕西省10个城市的PM2.5年均浓度为53 μgm3，年均浓度最高的5个城市依次为咸阳、渭南、西安、铜川、宝鸡.

陕西省PM2.5浓度变化整体呈“W型”起伏的时变化规律(见图4). 由于不同时段气温、空气扩散条件及污染物排放量的不同，24 h之内分别出现两个波峰和两个波谷. 波峰出现在09：00—11：00和21：00—23：00时段，峰值分别为10：00的54 μgm3和22：00的56 μgm3，第1个峰值可能是早高峰的交通污染为二次污染提供原料及细小颗粒物积累的结果，第2个峰值可能与夜间城区PM2.5污染源的排放强度及逆温现象有关；波谷出现在04：00—06：00和16：00—18：00时段，对应谷值依次为05：00的47 μgm3 和17：00的42 μgm3，第1个谷值可能与夜间城区PM2.5污染源排放强度下降和逆温层逐渐散去有关，第2个谷值则可能是此时间段随着温度的升高，早高峰的影响已散，晚高峰还未到来，并且近地面大气湍流作用较强所致.

由于气象条件和污染来源等的季节性差异，陕西省PM2.5浓度整体呈“冬高夏低、春秋居中”的季节性变化规律(见图2)，这与WANG等[16]对西安市的研究结果基本一致. 陕西省冬季靠燃煤来取暖，加之冬季易出现“逆温”现象，使得冬季的PM2.5浓度全年最高，平均值为86 μgm3；由于受到主风向、温度、湿度及燃煤污染物排放量减少等因素的影响，夏季PM2.5浓度最低，平均值为34 μgm3；春季和秋季PM2.5浓度处在冬、夏两季之间，平均值分别为44和46 μgm3.

  

图2 2015年陕西省PM2.5浓度月变化及日变化规律Fig.2 The distribution of the daily and monthly PM2.5 concentration change in Shaanxi Province in 2015

2.1.2 月变化规律

等等。你确信是我发的？没搞错吧？没陷害好人？丁小强话一出口就意识到说错了，忙扭头看了一朵，一朵的脸色果然一改刚才的飞扬暗淡下来，于是忙不迭地说，我说得不对，我的意思是我记得给你的短信内容不是这样写的。

陕西省PM2.5浓度整体呈宽缓“U型”起伏的月变化规律(见图2)，这与李会霞等[26]研究结果基本吻合. 1—4月为下降期，5—8月为低值稳定期，平均浓度为33 μgm3，均低于年均浓度限值. 9—12月为上升期，由于冬季供暖的开始，11月中旬之后迅速上升，12月下旬达到全年最大值(104 μgm3). 其中，4—9月全部未超过二类环境功能区日均限值. 故4—9月是陕西省全年空气质量最好的时段.

2.1.3 日变化规律

陕西省PM2.5浓度整体呈“冬高夏低、春秋居中”的周期性脉冲波动型日变化规律(见图2). 冬季波动周期最短，而且幅度大，平均波动周期为9 d〔见图3(d)〕；夏季波动周期最长，幅度小，平均波动周期为25 d〔见图3(b)〕；春、秋两季的波动周期处在冬夏之间，平均波动周期分别为10和10～15 d.

  

图3 2015年陕西省PM2.5浓度各季节Morlet小波变换的时频分布图和方差图Fig.3 Time-frequency distribution and variance of Morlet wavelet transform in PM2.5 concentration in Shaanxi Province in 2015

2.1.4 时变化规律

2.1.1 季节性变化规律

  

图4 2015年陕西省PM2.5浓度时变化规律Fig.4 The distribution of the hourly PM2.5 concentration change in Shaanxi Province in 2015

2.1.5 超标情况时间统计

以GB 3095—2012所规定的二类环境功能区PM2.5浓度日均限值(75 μgm3)为标准，据2015年陕西省的日均PM2.5浓度的统计结果可知，陕西省总的空气质量达标天数为311 d，达标率为85.21%. 季节达标率呈夏季(100%)>春季(95.65%)>秋季(91.21%)>冬季(53.33%)的规律；4—9月达标率(100%)最高；3月、10月、11月的达标率均在80%以上；1月、2月依次为51.61%、71.43%，12月最低，为38.71%〔见图5(a)〕. 以HJ 633—2012《环境空气质量指数(AQ)技术规定(试行)》[31]所划分的PM2.5浓度污染等级为标准，陕西省污染情况总体呈“冬高夏低，春秋居中”的季节污染规律，重度以上污染天气主要出现在冬季；3月、10月为轻度污染，2月、11月为“轻度污染+中度污染”，1月、12月为“轻度污染+中度污染+重度污染”，其余月份均处在日均限值75 μgm3以下.

2.2 PM2.5浓度的空间分布规律

2.2.1 空间分布规律

陕西省PM2.5浓度整体呈“北部低、中南部高”的空间分布特征〔见图6(a)〕. 从区域上来看，陕西省的PM2.5具有显著的空间集聚性，PM2.5浓度高值区集中分布在关中地区. 由于以能源重化工为主导产业，关中地区不足30%的盆地，承载了60%以上的人口和工业产值，污染物排放量已超过区域环境承载力的50%[32]. 加之“口袋型”的地理地形以及静稳天气频率的不断增加，空气流动不畅，尤其在冬季，盆地上部空气易形成逆温层，使得污染物质在其内部长时间停滞，加剧了关中盆地各市的整体污染. PM2.5浓度的高低顺序为关中>陕南>陕北，这与区域上迥异的地貌类型密切相关. 就各市而言，咸阳PM2.5浓度年均值(60.43 μgm3)最高；渭南和西安次之；榆林最低，为38.17 μgm3.

2.2.2 季节空间分布规律

不同季节的PM2.5浓度的空间分布特征不同. 由图6可见，冬季是陕西省各区域PM2.5浓度最高、污染范围最广、造成危害最大的季节. 夏季反之；从区域来看，一年四季PM2.5浓度最高的区域均为关中地区，而冬、春季的PM2.5浓度的高值区范围更大，有向陕南地区扩张的趋势.

对于钢结构的加工，可直接委托具备相关资质的单位负责。加工单位要先对图纸予以工艺性审查，若需要进行修改，要征得设计部门的认可，同时签署相关变更文件。在方案确定以后，由加工厂以图纸为依据进行施工图的绘制，同时确定相应的加工工艺，每个加工完成的产品，都要在出厂以前出具相关合格证，同时由多方开展质量验收工作。

  

图5 2015年陕西省及各市PM2.5污染等级天数占比Fig.5 The proportion of days covered by PM2.5 pollution in Shaanxi Province and its jurisdiction city in 2015

  

图6 陕西省各城市PM2.5浓度年均值与季均值的空间分布Fig.6 Spatial distribution of annual average and seasonal changes of PM2.5 concentrations in Shaanxi Province

2.2.3 月空间分布规律

由图7可见，陕西省月度空间分布特征可分为3类： ① 4—9月，陕西省各市的PM2.5浓度整体较低，关中地区的PM2.5浓度高于陕北和陕南地区；②12月和1月，陕西省各市PM2.5浓度整体达到月均最高值，12月份关中地区PM2.5浓度为区域高值区，然而1月份陕南部分城市PM2.5浓度则高于关中地区；③2月、3月、10月、11月为灰霾来袭的初始期和衰退期，故其PM2.5浓度处于上述两类之间，3月、10月、11月关中地区仍然为区域高值区，2月高值区则由陕南向关中地区转移.

2.2.4 超标情况空间统计

  

图7 陕西省PM2.5浓度月空间分布Fig.7 Spatial distribution of monthly PM2.5 concentrations in Shaanxi Province

以GB 3095—2012规定的二类环境功能区PM2.5浓度日均限值(75 μgm3)和HJ 633—2012所划分的6个PM2.5浓度污染等级为标准，陕西省空气质量达标率为陕北(91.51%)>陕南(86.03%)>关中(80.55%)，达标天数分别为334、314和294 d. 其中榆林达标率(92.88%)最高，渭南最低. 由图5可见，除榆林之外，其余各市均有重度以上污染天气出现，尤其是关中地区，重度以上污染天气出现天数最多、范围最广、比例最大. 其中，渭南和咸阳污染最严重，西安次之.

2.3 PM2.5浓度的影响因素

2.3.1 各级指标层及其指标因子的权重分析

式中：ξi(k)为关联系数；min min|x0(k)-xi(k)|与max max|x0(k)-xi(k)|分别代表极差最小值和极差最大值；ρ为分辨系数，一般取值为0.5.

由表2可见，影响陕西省PM2.5浓度权重最大的一级指标层是PM2.5污染来源(B2,权重值为0.49)，其次是城市化与土地利用(B3,0.37)，气象与地形因子(B1)影响最小(0.15). 其中，PM2.5污染来源层中，权重值排在前三位的三级指标分别是机动车保有量(D8,0.19)、房屋建筑施工面积(D12,0.18)和烟粉(尘)排放量(D11,0.16)；城市化与土地利用层中，建成区面积(D16,0.26)、人口密度(D17,0.17)和人均GDP(D19,0.14)的权重值较大；降水量(D1,0.20)、平均气温(D3,0.19)和市区海拔(D6,0.19)是气象与地形因子层中权重值较大的指标因子.

 

表2 陕西省PM2.5浓度影响评价指标体系的权重Table 2 Weight of the evaluation indexes system for the PM2.5 in Shaanxi Province

  

一级指标层二级指标层三级指标因子权重因子权重因子权重B10 15B20 49B30 37D10 20D20 14C10 81D30 19D40 10D50 18C20 19D60 19C30 22D70 03D80 19D90 16C40 45D100 13D110 16C50 18D120 18C60 15D130 15D140 06C70 37D150 05D160 26C80 17D170 17D180 06C90 47D190 14D200 13D210 14

2.3.2 各级指标层及其指标因子的关联度分析

该研究首先使用均值法对原始数据进行无纲量化，然后通过式(1)(2)计算得出PM2.5浓度与各指标因子间的关联系数和关联度(见表3)，同时利用式(3)计算得出各市PM2.5浓度与一级指标层之间的综合关联度(见表4). 灰色关联分析中，对PM2.5浓度的贡献愈大，关联度值(ri)愈大，其影响作用也愈显著，反之亦然. 一般按对目标值的影响力度将关联度划分为轻度关联(0<ri≤0.30)、中度关联(0.30<ri≤0.60)和强度关联(0.60<ri≤1.0). 由表3可见，影响PM2.5浓度的各个指标因子与PM2.5浓度的关联度值均处在0.6～1.0之间，意味着各指标因子与PM2.5浓度均为强度关联，表明该研究所选指标因子较为合理.

 

表3 陕西省PM2.5浓度与三级指标因子间的关联度Table 3 Grey correlation degree between PM2.5 and the index of influencing factors in Shaanxi Province

  

指标因子D1D2D3D4D5D6D7关联度(ri)0 900 860 950 950 880 820 88指标因子D8D9D10D11D12D13D14关联度(ri)0 750 720 750 750 770 790 91指标因子D15D16D17D18D19D20D21关联度(ri)0 930 790 780 920 840 810 84

 

表4 陕西省各市PM2.5浓度与指标层的综合关联度Table 4 Synthetic grey correlation degrees between PM2.5 and the index layers of 10 provincial cities in Shaanxi Province

  

指标西安铜川宝鸡咸阳渭南延安汉中榆林安康商洛PM2 5浓度57 8857 2156 1360 4358 8046 6354 7438 1751 6943 93R(B1)0 920 920 920 910 880 880 890 830 880 87R(B2)0 590 760 860 860 770 780 800 660 740 76R(B3)0 640 820 930 880 830 840 830 820 820 83

通过对表4分析可知，由于各城市自然、经济、社会、人文、城市规模、产业结构等方面的不同，其指标层的综合关联度表现出较大的空间差异性. 其中，相比其他二级指标层，气象与地形因子指标层对陕西省各城市PM2.5浓度的影响均最大，综合关联度值均在0.80以上，尤其对关中地区5市(西安、咸阳、渭南、铜川和宝鸡)的PM2.5浓度影响较大，综合关联度值均在0.85以上. PM2.5污染来源指标层对宝鸡、汉中、咸阳等市PM2.5浓度的影响较大，城市化与土地利用指标层则对宝鸡、咸阳、榆林、延安、铜川、渭南、汉中、安康以及商洛PM2.5浓度的影响较大.

当两个相跳闸过早时，会对所测量的电压波形产生更高的频率失真。因此，为了避免这些瞬变对重合闸继电器造成的不利影响，文献[11]建议对于所考虑的750 kV输电系统，在初次灭弧后启动两个相断路器跳闸时间在10～15个周期，则次级电弧的大小（在故障相的初始跳闸之后产生）将显著地减小且在360 ms内发生完成灭弧。

测试仪软件界面是用户直接操作测试仪的接口，设计以简洁为原则，具有直观性。整个界面划分为测试项目区、测试结果区、过程显示区、状态监控区和功能选择区五个区域，软件界面如图2所示。

与各市PM2.5浓度呈强度关联的指标因子同样表现出一定的空间差异性. 其中影响西安市PM2.5浓度的主要指标为降水量、平均气温、日照时数、机动车保有量、SO2排放量、烟粉(尘)排放量、建成区绿地覆盖率和人均GDP；咸阳市为平均风速、SO2排放量、第二产业比重和单位GDP能耗；延安市则为降水量、机动车保有量、人均公园绿地面积、工业总产值和单位GDP能耗等因子. 这均与上述城市实际情况相吻合. 综上，该研究所运用的灰色关联度模型分析方法能够科学有效地反映陕西省各市PM2.5浓度的主要影响因子，同时也为其治理PM2.5污染在空间上进行联合防控与有的放矢提供了可能.

以上研究结果表明，综合性的人类活动对陕西省PM2.5的浓度影响显著，尤其是近年来城市化的快速推进，相关指标(如人口、机动车、能耗、工业总产值等)的迅速增长，使得影响PM2.5浓度的相关污染物排放量增大，污染来源增多，加之在全球变暖背景下，不同尺度范围的区域性静稳天气频率的增加，PM2.5污染正愈演愈烈. 这在前人[5,19,33-34]的相关研究中亦可证明. 据上述所得结论，笔者认为陕西省治污降霾措施主要应从3个方面着手：①针对PM2.5浓度的时间变化规律，需要加强分层次(年、季、月、日)对重点污染时段的集中管理、监控和治理. 具体表现为分时段对高污染机动车进行限行、禁行等弹性管制，对重污染(煤炭、石油化工、建材等行业)企业全面实行错峰生产、限产、停产等灵活性措施，同时要制定科学合理的烟花爆竹禁放与限放方案，划定禁限放区域和时限要求. 在重污染天气应急响应期间上述一系列措施以禁为主，禁限结合；②针对其高值空间集聚性(关中城市群)，需要对重点区域集中治理，同时兼顾陕北和陕南地区，加强区域性的联防联控工作. 具体体现在创立权利高于环境管理行政单元的区域大气污染防治协作委员会，确保重污染应急、监测预警、信息共享等工作的顺利展开；③针对其主要影响因子，需加强对影响PM2.5浓度较大的重点领域中的重点行业进行重点盯防，源头减排、提标改造、错峰生产作为主要措施，从根本上切断污染排放源头，防治污染物进入自然环境. 加强环保意识宣传的同时，完善法律制度，建立赏罚机制，加大赏罚力度，加强执法力度和效率，坚决杜绝企业“投机倒把”，使得企业和个人明确违法成本高于守法成本，坚决执行赏罚并重，促使全民监督违法排污现象，众志成城，保卫蓝天，共享蓝天.

“近似”与“精确”是相对而言的，由于受学习者认知特点的限制，中小学数学教材中“综合与实践”类课程中的许多课题学习问题仅限于“近似”的解答，目的是让学生感知实际问题解决中估算与精确的数学差别，有助于学生估算意识与问题解决能力的培养.但课题学习问题的“近似”解答并不是说这些问题没有“精确”答案，也不是说教师仅仅将教材中“近似”解答的知识传授给学生就足够了，作为新课改理念下教材的使用者，教师还必须具备透过“近似”获得“精确”答案的知识与能力，只有这样，教师才能在教学过程中对教材中的“近似”解答过程做到合理解释与适度把控.

3 结论

a) 陕西省PM2.5浓度呈“冬高夏低、春秋居中”的季节变化规律，“U型”起伏的月变化规律，周期性脉冲波动型的日变化规律以及“W型”起伏的时变化规律，其总达标率为85.21%，达标率夏季>春季>秋季>冬季，重度以上污染天气主要出现在冬季，4—9月为陕西省空气质量最好的时段.

[17]杨奉山：《企业并购及网约车企业垄断行为分析——以滴滴并购Uber为例》，《发展改革理论与实践》2018年第4期。

b) 陕西省PM2.5浓度呈“北部低、中南部高”的空间分布特征，同时具有显著的空间集聚性，高值区全年集中分布于关中地区. 冬季是陕西省各区域PM2.5浓度最高、污染范围最广、造成危害最大的季节，高值区域扩大至陕南地区.

c) PM2.5污染来源是权重最大的指标层，城市化与土地利用次之，气象与地形因子权重值最小. 不同城市各系统的综合关联度差异性显著. 其中，PM2.5污染来源对宝鸡、汉中、咸阳等市PM2.5浓度的影响较大，城市化与土地利用则对宝鸡、咸阳、榆林、延安、铜川、渭南、汉中、安康以及商洛的影响较大.

总之，从三种医疗模式的嬗变到新型医疗模式的构建，我们应该从历时性的角度看到科学医学的成果，同时从共时性的角度更加深刻的总结三种医疗模式的价值，把科学医学的发展紧紧同解决生命健康的实际效能相结合，在现实应用中，根据中国的国情及文化特征，有机的而非机械的理解并掌握生物—心理—社会医学模式，从而使其成为具有灵活性和适应性的医学思想，使之成为更加全面的有中国特色的并能反映生命本质的医疗模式。

d) 各指标因子与PM2.5浓度均为强度关联，降水量、机动车保有量、二氧化硫排放量、烟粉(尘)排放量、建成区面积、人口密度和人均GDP是影响陕西省PM2.5浓度的主要指标因子，影响各城市内部PM2.5浓度的主要指标因子具有一定的空间差异性.

参考文献(References)：

[1] HU Min,GUO Song,PENG Jianfei,et al.Insight into characteristics and sources of PM2.5 in the Beijing-Tianjin-Hebei Region,China[J].National Science Review,2015,2(3):257-258.

通常原子以光子的形式吸收辐射，这使其电子跃迁到高能态，然后这些电子自发降到低能态，释放出光子，这就是“自发发射”。但是，如果把足够的电子放到一种介质中，使其处于受激态，新光子会使电子降到低能态，释放出光子而不吸收光子。在这种情况下，适当调谐的光子具有特定的波长、相位和方向，会诱导受激电子释放出具有同样性质的光子。现代的激光器中包含激发电子的输入能源装置，这种装置处于一种类似晶体的介质中，这种介质位于两块镜子之间，其中的一块镜子只是局部反射光线。在两块镜子之间持续反射的光不断受激发射，形成通过局部反射的镜子射出的单色光（激光）。

[2] 肖致美,毕晓辉,冯银厂,等.宁波市环境空气中PM10和PM2.5来源解析[J].环境科学研究,2012,25(5):549-555.

XIAO Zhimei,BI Xiaohui,FENG Yinchang,et al.Source apportionment of ambient PM10 and PM2.5 in urban area of Ningbo City[J].Research of Environmental Sciences,2012,25(5):549-555.

[3] WANG Dexiang,HU Jianlin,XU Yong,et al.Source contributions to primary and secondary inorganic particulate matter during a severe wintertime PM2.5 pollution episode in Xi′an,China[J].Atmospheric Environment,2014,97:182-194.

[4] 周磊,武建军,贾瑞静,等.京津冀PM2.5时空分布特征及其污染风险因素[J].环境科学研究,2016,29(4):483-493.

ZHOU Lei,WU Jianjun,JIA Ruijing,et al.Investigation of temporal-spatial characteristics and underlying risk factors of PM2.5 pollution in Beijing-Tianjin-Hebei Area[J].Research of Environmental Sciences,2016,29(4):483-493.

[5] LIN Guang,FU Jingying,JIANG Dong,et al.Spatio-temporal variation of PM2.5 concentrations and their relationship with geographic and socioeconomic factors in China[J].International Journal of Environmental Research & Public Health,2014,11(1): 173-186.

[6] 杨复沫,贺克斌.北京 PM2.5浓度的变化特征及其与PM10、TSP的关系[J].中国环境科学,2002,22(6):506-510.

YANG Fumo,HE Kebin.Variation characteristics of PM2.5 concentration and its relationship with PM10 and TSP in Beijing[J].China Environmental Science,2002,22(6):506-510.

[7] GEHRIG R,BUCHMANN B.Characterising seasonal variations and spatial distribution of ambient PM10 and PM2.5 concentrations based on long-term Swiss monitoring data[J].Atmospheric Environment,2003,37(19):2571-2580.

控制有机相和水相的体积，得到不同的萃取相比，考察萃取相比的变化对铷钾萃取效果的影响。t-BAMBP体积分数为30%，料液碱度为0.4 mol/L，常温下萃取3 min。萃取相比试验结果如图4所示。

[8] 郑丹楠,王雪松,周军,等.2013年1月宁波市PM2.5污染的形成过程与传输规律[J].环境科学学报,2015,35(8):2378-2386.

ZHENG Dannan,WANG Xuesong,ZHOU Jun,et al.Formation and transport of PM2.5 pollution over Ningbo in January[J].Acta Scientiae Circumstantiae,2015,35(8):2378-2386.

[9] TSAI Y I,KUOC S C,LEE W J,et al.Long-term visibility trends in one highly urbanized,one highly industrialized,and two rural areas of Taiwan[J].Science of the Total Environment,2007,382(23):324-341.

[10] CHEN Tao,HE Jun,LU Xiaowei,et al.Spatial and temporal variations of PM2.5 and its relation to meteorological factors in the urban area of Nanjing,China[J].International Journal of Environmental Research and Public Health,2016,13(9):921-937.

[11] 廖晓农,张小玲,王迎春,等.北京地区冬夏季持续性雾-霾发生的环境气象条件对比分析[J].环境科学,2014,35(6): 2031-2044.

LIAO Xiaonong,ZHANG Xiaoling,WANG Yinchun,et al.Comparative analysis on meteorological condition for persistent haze cases in summer and winter in Beijing[J].Environmental Science,2014,35(6):2031-2044.

[12] JUNG J,LEE H,KIM Y J,et al.Aerosol chemistry and the effect of aerosol water content on visibility impairment and radiative forcing in Guangzhou during the 2006 Pearl River Delta campaign[J].Journal of Environmental Management,2009,90(11): 3231-3244.

[13] WANG Guizhi,GU Saiju,CHEN Jibo,et al.Assessment of health and economic effects by PM2.5 pollution in Beijing:a combined exposure-response and computable general equilibrium analysis[J].Environmental Technology,2016,37(24):3131-3138.

[14] 毛婉柳,徐建华,卢德彬,等.2015年长三角地区城市PM2.5时空格局及影响因素分析[J].长江流域资源与环境,2017,26(2): 264-272.

[20] XIE Yangyang,ZHAO Bin,ZHANG Lin,et al.Spatiotemporal variations of PM2.5 and PM10 concentrations between 31 Chinese cities and their relationships with SO2,NO2,CO and O3[J].Particuology,2015,20:141-149.

吴兴区是湖州市的建筑石料开发利用基地。历史上不合理的矿山开采造成了吴兴区生态环境的破坏，资源的浪费，与生态文明建设要求不相符合。为解决这一问题，吴兴区以实施“百矿示范、千矿整治”活动、“四边三化”行动、“矿山复绿”行动为契机，2003年起采取规划引导、分步实施，因矿制宜、分类治理，工程示范、典型引路等措施，持续深入开展矿山生态治理，消除安全隐患，改善矿区周边生态环境，有效利用矿地。截至2017年底，累计治理废弃矿山（关闭矿山）30余个，产出土地约3000余亩（其中复垦成耕地约2000余亩，已作建设用地利用约1000亩），为吴兴区经济发展、生态文明建设作出了贡献。

HE Xiang,LIN Zhenshan,LIU Huiyu,et al.Analysis of the driving factors of PM2.5 in Jiangsu Province based on grey correlation model[J].Geographica Sinica,2016,71(7):1119-1129.

XU Weijia,HE Fangfang,LI Hongxia,et al.Spatial and temporal variations of PM2.5 in the Pearl River Delt[J].Research of Environmental Sciences,2014,27(9):951-957.

3.可能存在无关信息，分散学生注意力。在制作多媒体课件时，很多教师为了美观，加入了很多图片和视频，本打算引起学生学习的注意力，提高教学效果，但有时候会适得其反，过多的图片和视频可能会冲淡学生对课件中文字部分的注意力，降低教学效果。

[16] WANG Ping,CAO Junji,SHEN Zhenxing,et al.Spatial and seasonal variations of PM2.5 mass and species during 2010 in Xi′an,China.[J].Science of the Total Environment,2015,508(508C):477-487.

[17] CHENG Zhonghua,LI Lianshui,LIU Jun.Identifying the spatial effects and driving factors of urban PM2.5,pollution in China[J].Ecological Indicators,2017,82:61-75.

Morlet小波是小波分析(wavelet analysis)内部常用的一种非正交小波函数，因在时间和频率两域相对较好的局部性和表达效果，被广泛应用于大气科学、医学、地学等的非线性科学领域[28]. 故选之用于PM2.5浓度的季节变化周期研究.

[15] 徐伟嘉,何芳芳,李红霞,等.珠三角区域PM2.5时空变异特征[J].环境科学研究,2014,27(9):951-957.

[19] 莫莉,余新晓,赵阳,等.北京市区域城市化程度与颗粒物污染的相关性分析[J].生态环境学报,2014,23(5):806-811.

MO Li,YU Xinxiao,ZHAO Yang,et al.Correlation analysis between urbanization and particle pollution in Beijing[J].Ecology and Environmental Sciences,2014,23(5):806-811.

MAO Wanliu,XU Jianhua,LU Debin,et al.An analysis of the spatial-temporal pattern and influencing factors of PM2.5 in the Yangtze River Delta in 2015[J].Resources & Environment in the Yangtze Basin,2017,26(2):264-272.

[21] 林巧莺,陈永山.我国城市冬季PM2.5空间特征及其人为影响因子[J].生态与农村环境学报,2015,31(4):460-465.

LIN Qiaoying,CHEN Yongshan.Spatial variation of PM2.5 in cities in winter and anthropogenic influencing factors in China[J].Journal of Ecology and Rural Environment,2015,31(4):460-465.

EVA是基于剩余收益理论发展而来，其关键驱动因素为税后净营业利润、平均资本占用额、加权平均资本成本率。

[22] MISKELL G,SALMOND J,LONGLEY I,et al.Anovel approach in quantifying the effect of urban design features on local-scale air pollution in central urban areas[J].Environmental Science & Technology,2015,49(15):9004-9011.

[23] 刘金培,汪官镇,陈华友,等.基于VAR模型的PM2.5与其影响因素动态关系研究:以西安市为例[J].干旱区资源与环境, 2016,30(5):78-84.

LIU Jinpei,WANG Guanzhen,CHEN Huayou,et al.Dynamic relationship between PM2.5 and its influence factors in Xi′an City based on the VAR model[J].Journal of Arid Land Resources and Environment,2016,30(5):78-84.

[24] 宋永永,米文宝,仲俊涛,等.宁夏限制开发生态区人地耦合系统脆弱性空间分异及影响因素[J].干旱区资源与环境,2016,30 (11):85-91.

SONG Yongyong,MI Wenbao,ZHONG Juntao,et al.Spatial differentiation and its factors for coupled human-environment interaction systems vulnerability in limited developing ecological zone in Ningxia[J].Journal of Arid Land Resources and Environment,2016,30(11):85-91.

[25] SHANNON C E.A mathematical theory of communication.ACMSIGMOBILE[J].Mobile Computing and Communications Review,2001,5(1):3-55.

[26] 李会霞,史兴民.西安市PM2.5时空分布特征及气象成因[J].生态环境学报,2016,25(2):266-271.

LI Huixia,SHI Xingmin.Temporal and spatial distribution,meteorological factors of PM2.5 in Xi′an City[J].Ecology and Environmental Sciences,2016,25(2):266-271.

[27] ZHANG An,QI Qingwen,JIANG Lili,et al.Population exposure to PM2.5 in the urban area of Beijing[J].Plos One,2013,8(5):1-9.

[28] 罗光坤.Morlet小波变换理论与应用研究及软件实现[D].南京:南京航空航天大学,2007:13-48.

[29] DENG Julong.Introduction to grey system theory[J].The Journal of Grey System,1989,1(1):1-24.

[30] 环境保护部.GB 3095—2012环境空气质量标准[S].北京:中国环境科学出版社,2012.

[31] 环境保护部.HJ 633—2012环境空气质量指数(AQ)技术规定(试行)[S].北京:中国环境科学出版社,2012.

[32] 陕西省人民政府.陕西雾霾成因与防治[EBOL].西安:陕西省人民政府,2017[2017-01-20].http:news.cnwest.com content2017-0120content_144 22412.htm.

[33] HAN Lijian,ZHOU Weiqi,LI Weifeng.Fine particulate(PM2.5)dynamics during rapid urbanization in Beijing,1973-2013[J].Scientific Reports,2016,6:23604.

[34] 王桂林,杨昆,杨扬.京津冀地区不透水表面扩张对PM2.5污染的影响研究[J].中国环境科学,2017,37(7):2470-2481.

WANG Guilin,YANG Kun,YANG Yang.Thespatio-temporal variation of PM2.5 pollution and the its correlation with the impervious surface expansion[J].China Environmental Science,2017,37(7):2470-2481.