長(zhǎng)沙市PM2.5濃度時(shí)空分布特征及影響因子分析

王長(zhǎng)梅， 萬大娟， 王開心， 田倩倩， 魏力輝

(湖南師范大學(xué)資源與環(huán)境科學(xué)學(xué)院， 長(zhǎng)沙 410081)

大氣污染成為當(dāng)前亟待解決的環(huán)境問題，其中PM2.5污染是目前中國(guó)城市的主要大氣污染物，有研究表明它進(jìn)入人體呼吸道中會(huì)引發(fā)心肺疾病，嚴(yán)重?fù)p害人類身心健康[1]。目前，中外對(duì)PM2.5研究文獻(xiàn)較多，國(guó)外率先發(fā)現(xiàn)PM2.5對(duì)環(huán)境污染的影響，美國(guó)最先設(shè)定PM2.5環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)[2]，也誕生了比較先進(jìn)的研究方法和手段，如插值模型[3]、大氣污染物擴(kuò)散模型[4]、土地利用回歸模型[5]等。國(guó)內(nèi)對(duì)于PM2.5研究始于國(guó)內(nèi)經(jīng)濟(jì)的粗放型發(fā)展帶來的嚴(yán)重污染，因此眾多學(xué)者率先對(duì)污染的分布開始研究。王亞龍等[6]采集PM2.5日濃度數(shù)據(jù)得出一些普遍規(guī)律，如時(shí)間分布規(guī)律日濃度一般在7:00—9:00濃度最高；王祎頔等[7]發(fā)現(xiàn)季節(jié)分布冬高夏低；劉孟琴[8]發(fā)現(xiàn)在空間分布規(guī)律中，城區(qū)濃度高于郊區(qū)。在此之后。專家學(xué)者們也開始分析其PM2.5污染高居不下的背后原因。王振等[9]研究氣象因素對(duì)常州市區(qū)的PM2.5影響；王昭等[10]對(duì)長(zhǎng)江三角洲城市群PM2.5影響因素分析發(fā)現(xiàn)社會(huì)因素主要有工業(yè)排放、交通排放和能源消耗。

長(zhǎng)沙在中西部發(fā)展中具有重要戰(zhàn)略地位，近年來隨著其經(jīng)濟(jì)發(fā)展和城市擴(kuò)張，也帶來了較為嚴(yán)重的顆粒物污染。近年來，學(xué)者們對(duì)長(zhǎng)沙市PM2.5污染研究集中在分布特征、變化規(guī)律和通過來源預(yù)測(cè)模擬。李巧云等[11]揭示了長(zhǎng)沙市2015—2016年P(guān)M2.5污染特征及其變化趨勢(shì)。王賽蘭[12]通過建立主成分回歸模型、逐步回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型等，利用2015—2016年P(guān)M2.5濃度數(shù)據(jù)對(duì)長(zhǎng)沙市2017年中4 d的PM2.5濃度進(jìn)行預(yù)測(cè)。春蘭花等[13]分析了長(zhǎng)沙2014年P(guān)M2.5污染濃度的季節(jié)變化，污染特征及來源，并建立回歸模型模擬長(zhǎng)沙PM2.5質(zhì)量濃度。

綜合中外研究和長(zhǎng)沙地區(qū)的研究現(xiàn)狀，近年來學(xué)者對(duì)長(zhǎng)沙PM2.5污染研究，在研究方法上，對(duì)于影響因子的研究大多采取模型構(gòu)建的方法，這些數(shù)學(xué)建模方法所需時(shí)間精力較大，其次模型在分析影響因子相關(guān)程度上，只考慮到單一因素對(duì)PM2.5的影響程度，沒有考慮到影響因子之間的相互作用；在研究尺度上，僅限于較短周期的數(shù)據(jù)分析，無法深層次把握長(zhǎng)沙市PM2.5污染現(xiàn)狀。因此，在研究尺度上選取2013—2019年7年P(guān)M2.5監(jiān)測(cè)數(shù)據(jù)對(duì)長(zhǎng)沙市時(shí)空分布進(jìn)行分析，有助于全面了解長(zhǎng)沙近年來PM2.5污染變化現(xiàn)狀，在影響因子分析上運(yùn)用王勁峰等[14]提出的地理探測(cè)器方法，綜合選取長(zhǎng)沙社會(huì)經(jīng)濟(jì)和自然兩大方面10個(gè)因子探究長(zhǎng)沙PM2.5濃度背后的主要驅(qū)動(dòng)因子和因子間的相互作用[15]，為長(zhǎng)沙的大氣污染防治工作提供理論基礎(chǔ)。

1 數(shù)據(jù)與方法

1.1 區(qū)域概況

長(zhǎng)沙市位于湖南省東偏北，湘江下游和長(zhǎng)瀏盆地西緣，境內(nèi)地勢(shì)起伏較大，地貌類型多樣，地表水系發(fā)達(dá)，氣候溫和，四季分明，湘江穿城而過，總面積1.181 9萬km2，是長(zhǎng)株潭城市群的中心。截至2018年末，長(zhǎng)沙市常住總?cè)丝?15.47萬人，城鎮(zhèn)化率79.12%。長(zhǎng)沙轄6個(gè)區(qū)1個(gè)縣，代管2個(gè)縣級(jí)市：長(zhǎng)沙市區(qū)(芙蓉區(qū)、天心區(qū)、岳麓區(qū)、開福區(qū)、雨花區(qū)、望城區(qū))及瀏陽市、寧鄉(xiāng)市、長(zhǎng)沙縣。選取長(zhǎng)沙市城市總體規(guī)劃劃定的中心城區(qū)作為研究范圍，總面積1 142 km2，占長(zhǎng)沙市市區(qū)總面積的58.93%。中心城區(qū)交通網(wǎng)絡(luò)密集，人口分布集中，占市區(qū)總?cè)丝诘?5.41%，城區(qū)大氣污染較城郊更為嚴(yán)重[16]。目前長(zhǎng)沙市有10個(gè)國(guó)控空氣質(zhì)量監(jiān)測(cè)點(diǎn)(圖1[17])，對(duì)空氣中的細(xì)顆粒物(PM2.5)、可吸入顆粒物(PM10)、二氧化硫(SO2)、二氧化氮(NO2)、臭氧(O3)和一氧化碳(CO)的1 h平均濃度值等大氣污染物進(jìn)行實(shí)時(shí)監(jiān)測(cè)。利用長(zhǎng)沙市中心城區(qū)10個(gè)空氣質(zhì)量監(jiān)測(cè)點(diǎn)2013—2019年7年的PM2.5濃度監(jiān)測(cè)數(shù)據(jù)，研究長(zhǎng)沙市PM2.5濃度分布規(guī)律及影響因子，是對(duì)長(zhǎng)沙空氣污染進(jìn)行防控的首要前提，為降低PM2.5濃度分布提供理論基礎(chǔ)。

1.2 數(shù)據(jù)來源

長(zhǎng)沙市10個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)的PM2.5濃度實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)來自中國(guó)環(huán)境監(jiān)測(cè)總站的全國(guó)城市空氣質(zhì)量實(shí)時(shí)發(fā)布平臺(tái)。選取長(zhǎng)沙市中心城區(qū)2013—2019年7年10個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)的PM2.5濃度實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)。高程數(shù)據(jù)在地理空間數(shù)據(jù)云網(wǎng)站獲取的GDMV2 30M分辨率數(shù)字高程。氣象數(shù)據(jù)(降水量、氣溫、氣壓、風(fēng)速和相對(duì)濕度)來源于中國(guó)氣象數(shù)據(jù)網(wǎng)。道路數(shù)據(jù)由OMS網(wǎng)站下載中國(guó)路網(wǎng)數(shù)據(jù)。人口數(shù)據(jù)參考《長(zhǎng)沙市統(tǒng)計(jì)年鑒》和《長(zhǎng)沙市國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》。長(zhǎng)沙餐飲數(shù)據(jù)通過小O地圖，選擇研究區(qū)范圍餐飲服務(wù)爬蟲得到。植被指數(shù)是地理空間數(shù)據(jù)云下載長(zhǎng)沙2017年Landsat8遙感影像經(jīng)ENVI(The Environment for Visualing Images)計(jì)算得到。

1.3 研究方法

1.3.1 克里金空間插值

基于ArcGIS中的克里金空間插值對(duì)長(zhǎng)沙市中心城區(qū)各監(jiān)測(cè)點(diǎn)的離散數(shù)據(jù)進(jìn)行空間插值可以得到連續(xù)的污染物屬性值?？死锝鹂臻g插值法目前廣泛應(yīng)用于地理統(tǒng)計(jì)學(xué)中，其本質(zhì)是對(duì)同一研究區(qū)域內(nèi)利用已知鄰近點(diǎn)數(shù)據(jù)來模擬或預(yù)測(cè)未知點(diǎn)的數(shù)據(jù)的一種方法，相較于其他空間插值其優(yōu)點(diǎn)在于考慮了變量之間的相關(guān)性和變量自身的空間性[17]，即利用克里金空間插值可以做到對(duì)未知點(diǎn)的數(shù)據(jù)進(jìn)行無偏、最優(yōu)估計(jì)[18]。

1.3.2 地理探測(cè)器

地理探測(cè)器是一種用于探究空間分異性和其背后驅(qū)動(dòng)影響因素的一種新的統(tǒng)計(jì)學(xué)方法，其兩大優(yōu)勢(shì)為[14]：①不僅可以分析數(shù)值類型數(shù)據(jù)，而且對(duì)連續(xù)數(shù)據(jù)、比值類型或間隔量進(jìn)行適當(dāng)離散化處理便可以分析，即數(shù)值不受限定；②是探測(cè)各影響因子間的相互作用，它基于若干影響因子作用顯著時(shí)其分布和因變量分布應(yīng)具有相似性這一假設(shè)，地理探測(cè)器可以探測(cè)單一q值或疊加后q值來判斷因子間的相互作用大小。主要包括分異及因子探測(cè)、交互作用探測(cè)、風(fēng)險(xiǎn)區(qū)探測(cè)和生態(tài)探測(cè)。主要運(yùn)用到前兩種探測(cè)方法來分析各個(gè)因子對(duì)PM2.5濃度影響。

1)因子探測(cè)

因子探測(cè)[19]是探測(cè)因變量Y的空間分異性和影響因素對(duì)因變量的解釋力度，用q值表示，計(jì)算公式為

(1)

式(1)中：h代表分區(qū)，h=1，2，…，L，L為分區(qū)的個(gè)數(shù)，N為單元數(shù)；Nh為分區(qū)中的單元數(shù)；σ為方差。q的值域?yàn)閇0,1]，q越大表示X對(duì)Y的影響更加顯著，q=0表示X和Y之間沒有關(guān)聯(lián)，q=1表示X和Y完全相關(guān)。

2)交互作用探測(cè)

交互作用探測(cè)[20]主要目的是探測(cè)不同影響因素X之間的相互作用大小，其基本原理是先分別計(jì)算X1和X2的q值，然后再計(jì)算X1和X2之間交互部分的q值[q(X1∩X2)]并對(duì)3者之間進(jìn)行比較。

從自然條件和社會(huì)經(jīng)濟(jì)2方面選取10個(gè)影響因子[21]對(duì)長(zhǎng)沙中心城區(qū)PM2.5濃度影響程度進(jìn)行探究，包括路網(wǎng)密度、餐飲、人口密度、高程、植被指數(shù)、平均氣溫、平均降雨量、平均氣壓、平均風(fēng)速和平均相對(duì)濕度?？紤]到各個(gè)影響因素?cái)?shù)據(jù)的可獲取性，以2017年為研究對(duì)象，數(shù)據(jù)均為2017年均值，具體分布如圖2所示。

2 結(jié)果分析

2.1 PM2.5濃度時(shí)間分布特征

2.1.1 年變化特征

利用長(zhǎng)沙市10個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)PM2.5濃度實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，研究2013—2019年P(guān)M2.5濃度年均值變化特征。長(zhǎng)沙市中心城區(qū)2013—2019年各年年均值如表1所示，2013—2014年P(guān)M2.5濃度年均值較高，2016—2019年年均值較低且相近，7年來總體呈現(xiàn)下降趨勢(shì)，空氣污染有所改善。但7年來一直高于《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》(GB 3095—2012)二級(jí)標(biāo)準(zhǔn)限值[22](35 μg/m3)，污染仍較為嚴(yán)重。

2.1.2 月變化特征

長(zhǎng)沙市2013—2019年7年P(guān)M2.5濃度月均值變化曲線大致呈“U”形分布(圖3)，由月均值不難看出，冬季(12月至次年2月)PM2.5濃度高，夏季(6—8月)低，呈現(xiàn)明顯的季節(jié)分布特征，遵循“冬高夏低，春降秋升”的變化規(guī)律。長(zhǎng)沙夏季氣溫高且日照時(shí)間長(zhǎng)，受季風(fēng)影響，夏季雨水多，有利于空氣中污染物的擴(kuò)散；秋冬季雨量少，氣溫低，大氣層結(jié)穩(wěn)定，受季風(fēng)氣候影響偏北風(fēng)帶來北方地區(qū)的大氣污染物，同時(shí)由于湘江谷地自北向南逐漸變窄，空氣中的污染物在湘江谷地中集聚難以擴(kuò)散[23]。春季溫度上升快，多陰雨天氣，空氣濕度大促使污染物凝聚下沉[24]。因此，長(zhǎng)沙中心城區(qū)PM2.5濃度月均值變化原因包括2個(gè)方面，地形與氣象條件，其中氣象條件起主導(dǎo)作用。

2.1.3 日變化特征

利用長(zhǎng)沙市中心城區(qū)10個(gè)大氣自動(dòng)監(jiān)測(cè)站點(diǎn)的2016年3月1日至2017年2月28日24 h PM2.5濃度數(shù)據(jù)，研究長(zhǎng)沙四季PM2.5濃度晝夜變化特征(圖4)。長(zhǎng)沙PM2.5濃度的晝夜變化曲線大致呈雙峰型分布，2個(gè)明顯的峰值出現(xiàn)在上午7:00—9:00和晚上20:00—22:00，其中夏季與其他季節(jié)相比早高峰出現(xiàn)較早，早高峰出現(xiàn)在7:00—8:00。主要與人為活動(dòng)、太陽輻射強(qiáng)弱以及城市熱島效應(yīng)有關(guān)[25]。PM2.5濃度在0:00—6:00呈逐漸下降趨勢(shì)，此后太陽輻射增強(qiáng)，氣溫升高，人們開始外出活動(dòng)，機(jī)動(dòng)車尾氣迅速增加，迎來了一天中的早高峰[26]；上午9:00以后人們外出活動(dòng)減少，同時(shí)由于城市熱島效應(yīng)的作用，城區(qū)升溫快，氣流形成由郊區(qū)流向城區(qū)的局部環(huán)流，促使污染顆粒擴(kuò)散；到了傍晚，下班晚高峰到來，城區(qū)餐飲娛樂活動(dòng)的影響，同時(shí)晚間城區(qū)下墊面溫度下降快，較上層大氣反而較低，形成逆溫，污染物擴(kuò)散受阻，在晚上20:00—22:00迎來晚高峰[27]。

表1 2013—2019年長(zhǎng)沙中心城區(qū)PM2.5濃度年均值

圖3 長(zhǎng)沙PM2.5月均濃度變化Fig.3 Monthly variation of PM2.5 concentration in Changsha

圖4 長(zhǎng)沙PM2.5濃度四季日變化曲線Fig.4 Daily variation curve of PM2.5 concentration in four seasons in Changsha

2.2 PM2.5濃度空間分布特征

2.2.1 年度濃度空間分布

研究長(zhǎng)沙市2013—2019年7年的PM2.5年均質(zhì)量濃度分布特征(圖5)，整體來看，7年間年均PM2.5濃度范圍在44～90 μg/m3，各年P(guān)M2.5濃度分布均由中間向四周遞減。其中2013年P(guān)M2.5濃度最高值分布在芙蓉區(qū)西部，2014年濃度高值分布在開福區(qū)南部和芙蓉區(qū)西部，2015年高值集中在岳麓區(qū)中南部和芙蓉區(qū)西部，2016年岳麓區(qū)中部和芙蓉區(qū)西部濃度最高，2017年芙蓉區(qū)西部和中部濃度分布均很高，2018年濃度高值集中在岳麓區(qū)中北部、開福區(qū)中南部、芙蓉區(qū)和經(jīng)開區(qū)；2019年岳麓區(qū)及芙蓉區(qū)是濃度明顯最高值分布區(qū)。從7年P(guān)M2.5濃度平均分布來看，濃度高值也是分布在中部的芙蓉區(qū)，整體上呈現(xiàn)由中部逐漸向城郊遞減的規(guī)律。

2.2.2 季節(jié)濃度空間分布

選取長(zhǎng)沙市2014年3月至2019年2月5年10個(gè)空氣質(zhì)量監(jiān)測(cè)點(diǎn)PM2.5濃度數(shù)據(jù)，計(jì)算其四季均值，分析四季PM2.5濃度空間變化特征(圖6)。長(zhǎng)沙春季PM2.5濃度在41.90～44.51 μg/m3，高于《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》(GB 3095—2012)二級(jí)標(biāo)準(zhǔn)限值，湖南中醫(yī)藥大學(xué)監(jiān)測(cè)點(diǎn)所在的岳麓區(qū)中部和火車新站監(jiān)測(cè)點(diǎn)附近所在的芙蓉區(qū)西部濃度最高；夏季濃度集中在34.46～34.58 μg/m3，低于二級(jí)標(biāo)準(zhǔn)限值，開福區(qū)北部與其他區(qū)域相比較低；秋季PM2.5濃度相比春夏季明顯升高，高值區(qū)集中在芙蓉區(qū)西部和岳麓區(qū)中部；冬季PM2.5污染嚴(yán)重，PM2.5濃度在74.92～80.15 μg/m3，芙蓉區(qū)及開福區(qū)南部所在的市中心濃度明顯高于其他區(qū)域。四季空氣質(zhì)量監(jiān)測(cè)點(diǎn)PM2.5濃度均呈中心高于四周的變化規(guī)律，與大多數(shù)城市PM2.5濃度分布規(guī)律相似[28-29]。長(zhǎng)沙四季PM2.5濃度分布中，中心位置的芙蓉區(qū)均是濃度分布的高值區(qū)，PM2.5濃度空間分布總體上呈現(xiàn)由中部向四周逐漸遞減的特征。

2.3 PM2.5濃度影響因子分析

2.3.1 分異及因子探測(cè)分析

根據(jù)前文的原因分析和相關(guān)參考文獻(xiàn)，長(zhǎng)沙PM2.5受多種因素共同作用。彭金龍等[30]利用多元回歸分析氣象因素對(duì)長(zhǎng)沙PM2.5濃度的影響，得出降雨量、風(fēng)速、平均氣溫等對(duì)PM2.5均有較大影響；王開心[17]根據(jù)監(jiān)測(cè)點(diǎn)的環(huán)境分析得出各監(jiān)測(cè)點(diǎn)的PM2.5來源主要受人口密度、交通揚(yáng)塵、汽車尾氣排放和餐飲等影響。探究各影響因子對(duì)PM2.5濃度影響大小，利用地理探測(cè)器得出長(zhǎng)沙PM2.510個(gè)影響因子q值并利用EXCEL進(jìn)行處理得出圖7。

由圖7可知，各影響因素對(duì)長(zhǎng)沙PM2.5的影響力值大小均在0.001 4～0.33，具體為平均氣溫(0.33)>平均降雨量(0.26)>平均風(fēng)速(0.24)>道路(0.19)>平均相對(duì)濕度(0.16)>平均氣壓(0.13)>人口密度(0.18)>高程(0.08)>植被(0.07)>餐飲(0.001 4)。排在前列的是氣溫、降雨量和風(fēng)速，這說明長(zhǎng)沙主城區(qū)PM2.5受氣候條件影響較大，其次是道路，這說明道路揚(yáng)塵和汽車尾氣排放對(duì)PM2.5影響較大，其中植被指數(shù)影響較小主要原因是長(zhǎng)沙主城區(qū)植被較少，因此較難降低PM2.5的濃度大小。

2.3.2 交互作用探測(cè)分析

基于以上研究進(jìn)一步探究各影響因子對(duì)PM2.5濃度影響相互作用及作用大小。交互作用探測(cè)可以分析各影響因子之間的影響是否顯著，結(jié)果如表2所示。

由表2分析可知，任何因子的相互疊加均會(huì)加強(qiáng)對(duì)PM2.5濃度的影響程度，單因子最高值在0.33，而疊加作用最高值在0.66，主要為平均氣溫和平均降雨量、平均氣壓的相互疊加，其次影響比較大的有平均氣溫和人口密度、平均風(fēng)速和平均氣溫、平均氣壓和平均降雨量、平均風(fēng)速和人口密度等。

3 結(jié)論

(1)從時(shí)間維度上來看：分年份看，7年間長(zhǎng)沙PM2.5濃度年均值逐年降低，呈明顯的下降趨勢(shì)，污染程度有所改善；分四季看，長(zhǎng)沙PM2.5濃度分布冬季最高，春秋季次之，夏季最低，具有明顯的季節(jié)性特征，基本遵循“冬高夏低，春降秋升”的變化軌跡；分月份看，每年12月至次年2月PM2.5濃度月均值較高，6—8月較低，月均值最大值出現(xiàn)在每年的1月份，最低值出現(xiàn)在7月份。從晝夜變化來看，四季PM2.5濃度各時(shí)段變化曲線呈現(xiàn)雙峰形態(tài)。

圖5 各空氣質(zhì)量監(jiān)測(cè)點(diǎn)PM2.5濃度年變化特征Fig.5 The annual characteristics of PM2.5 concentration at each air quality monitoring sites

圖6 長(zhǎng)沙空氣質(zhì)量監(jiān)測(cè)點(diǎn)PM2.5濃度四季變化Fig.6 Change of PM2.5 concentration in Changsha air quality monitoring point in four seasons

表2 長(zhǎng)沙中心城區(qū)PM2.5濃度各影響因素交互作用探測(cè)結(jié)果

圖7 長(zhǎng)沙PM2.5濃度各影響因素q值Fig.7 Q value of each influencing factor of PM2.5 concentration in Changsha

(2)從空間維度上來看：從年均值分布來看，2013—2019年P(guān)M2.5濃度年均值及7年平均年均值最高值主要分布在中部芙蓉區(qū)，并且明顯呈由中部向四周逐漸遞減趨勢(shì)。從四季分布來看，春季火車新站監(jiān)測(cè)點(diǎn)附近的芙蓉區(qū)西部PM2.5濃度最高；夏季各區(qū)濃度分布差異不大，在34.46～34.58 μg/m3，火車新站監(jiān)測(cè)點(diǎn)周圍的芙蓉區(qū)西部和湖南中醫(yī)藥大學(xué)附近的岳麓區(qū)中南部濃度稍偏高；秋季PM2.5濃度較春夏有明顯的升高，濃度最高值分布在火車新站監(jiān)測(cè)點(diǎn)周圍的芙蓉區(qū)西部和湖南中醫(yī)藥大學(xué)附近的岳麓區(qū)中南部；冬季濃度高值區(qū)分布在火車新站和馬坡嶺附近，即整個(gè)芙蓉區(qū)；整體污染濃度由城區(qū)向郊區(qū)逐漸遞減。

(3)根據(jù)地理探測(cè)器分析：因子探測(cè)表明各影響力值大小平均氣溫(0.33)>平均降雨量(0.26)>平均風(fēng)速(0.24)>道路(0.19)>平均相對(duì)濕度(0.16)>平均氣壓(0.13)>人口密度(0.18)>高程(0.08)>植被(0.07)>餐飲(0.0014)，氣象因子對(duì)長(zhǎng)沙中心城區(qū)的PM2.5影響力起主要作用。交互作用探測(cè)結(jié)果表明，所有因子相互疊加均會(huì)加強(qiáng)對(duì)PM2.5的影響，氣象條件間相互作用更強(qiáng)，其次是氣象和道路、人口的疊加，這與長(zhǎng)沙主城區(qū)人口密度大，道路眾多以及城市中心熱島效應(yīng)強(qiáng)有關(guān)。