空气污染问题作为全球热点问题,受到越来越多人的关注。相对其他国家的空气质量来说,中国的空气污染程度较为严重,对人们健康造成一定威胁,且在十九大报告会议上,习近平总书记明确提出要解决损害群众健康的突出环境问题,因此研究我国城市空气污染数据具有一定必要性。现阶段分位数回归法在环境领域内的应用相对较少。而在环境污染领域内,真实的时空数据生成过程并不满足经典统计中的独立重复试验假设,且传统分位数回归方法中估计量的渐近有效性是基于个体数和时期数趋于无限的假设,而在实际应用中,空气污染数据的观测值有限,很难保证传统分位数回归估计量的有效性。针对传统分位数回归方法中的这些不足,本文决定选用贝叶斯参数分位数回归方法,该方法不仅充分考虑了参数的不确定性风险,而且还能准确预测参数的不确定性程度,且在小样本和目标函数非凸或不可导的情况下同样适用。在贝叶斯理论框架下,结合非对称拉普拉斯分布和分位数回归理论,可实现对分位数回归模型的贝叶斯估计,考虑到PM2.5在空间上不仅受邻接城市的影响,同时也受自身内部结构的影响,因此本文在一般分位数回归模型的基础上引入条件自回归模型,通过设置虚拟变量,以此全面反映PM2.5的时空格局。本文运用Python网络爬虫工具在中国环境监测总站的全国空气质量实时发布平台爬取了2015年1月1日至2017年12月31日全国1497个站点的PM2.5小时浓度数据。针对这些数据,本文首先基于Moran指数和Gini系数对我国城市大气污染的空间自相关性和地理集聚程度进行了简要说明,发现我国各城市的PM2.5在空间分布上并非呈完全随机状态,并且在冬季呈现出集聚的特征,空间分布较为集中,而在夏季则相对分散,空间分布较为均衡;其次结合贝叶斯时空分位数回归模型,分别将年和季度作为研究对象进行模型估计,结果发现:无论是将年作为研究对象,还是将季度作为研究对象,PM2.5在0.3、0.5、0.7分位数水平上的时空分布规律大致相似;整体而言,重度污染状态下,3-12月份的空气质量较为接近,且甘肃、贵州等地在夏季和秋季、东部部分城市在冬季的空间效应相对较大,而在轻、中度污染状态下,随着时间的推移,1-6月份空气质量逐渐改善,9月份之后空气质量逐渐恶化,此外,冬季部分沿海城市在轻度污染状态下的空间效应相对较大;大体上各季的波动周期性约为4周。就我国城市PM2.5污染出现的这种时空格局,本文提出为更好的进行联合治理,政府可从控制化石燃料的燃烧、提高西部地区的经济发展程度、转变东部地区的经济增长方式三方面着手进行改善。