近些年来,“雾霾”一直是社会各界人士关心的话题之一,PM2.5爆表也成为我国许多城市面临的首要环境问题。PM2.5是影响人民生活质量、人体健康重要因素之一,因此环境保护是一项重要任务。如今我国已经逐步建立了环境监测系统,但是环境监测站产生的大量数据并没有得到充分的利用,利用历史监测数据对PM2.5浓度影响因素进行综合分析,帮助公众合理地规避空气污染意义重大。本文主要探究对中国不同地域PM2.5浓度产生影响的主要因素,通过建模,探讨宏观、微观、地域差异等因素对PM2.5浓度产生的影响,对进一步制定符合实际空气污染治理方案提出合理建议。首先,本文选取2017年至2019年全国7个省份103个城市的PM2.5监测数据进行研究。分别从时间和空间两方面对数据进行描述性统计分析,探讨了PM2.5数据的时空分布特征。结果表明:从时间分布来看,7个省份空气质量逐年提升,年平均空气质量“良”以上天数逐年增加;PM2.5浓度还受到季节和昼夜变化的影响,总体呈现冬季浓度高夏季浓度低,清晨浓度高于夜晚的特征。从空间分布来看,7个省份中河北省整体空气质量最差,云南省空气质量最好。空间自相关分析结果显示,103个城市中有40个城市PM2.5浓度与相邻城市PM2.5浓度显著相关。而基于Pearson相关系数的影响因素分析表明,SO₂、NO₂、CO、PM10对PM2.5浓度增加有促进作用,O₃、湿度、温度对对PM2.5浓度增加有抑制作用。其次,为了更加全面地分析PM2.5浓度的影响因素,建立以微观影响因素（气体污染物、气象要素）和宏观影响因素（经济工业因素）为解释变量的分层线性零模型和完整模型。将分层线性模型与普通线性回归模型拟合程度进行对比分析,以凸显分层线性模型的优势。最后,建立以宏观影响因素为自变量的空间面板模型,并将其在地域分布方面对PM2.5浓度的影响进行实证分析。并将空间面板模型和OLS回归模型两种方法的预测结果进行对比分析。结果表明,空间面板模型拟合效果优于OLS回归模型。