北京市空氣質量及其與能源消費結構的動態關聯

朱振亞，饒良懿，余新曉，朱夢洵

北京林業大學水土保持學院，北京 100083

近年來，隨著中國經濟社會的快速發展，以煤炭為主的能源消耗大幅攀升，機動車保有量急劇增加，京津冀、長江三角洲、珠江三角洲等區域空氣污染嚴重，霧霾現象頻繁發生，空氣質量評價以及污染治理等問題再一次引起公眾的關注。

空氣質量評價是按照一定的標準和方法對某區域空氣質量的優劣或污染程度定量計算或定性描述的過程，可以反映大氣的污染狀況，摸清空氣質量變化的趨勢，為環境規劃和管理提供依據。空氣質量評價的相關方法較多，主要有指數評價法[1-4]、分級評分法[5]、模糊數學評價法[6-10]等。近年來有研究學者用因子分析[11]、主成分分析[12]、熱力學(信息熵[13]和物元可拓法[14]等)、神經網絡[15]、遺傳算法[16]、分形學[17]等方法或幾種方法結合起來[18-21]進行評價。這些方法各有特點，有些已趨于成熟，有些仍處于理論研究階段，還在不斷完善。

有研究表明，城市環境空氣質量好壞與氣象因子、城市能源消費結構等因素有關。氣象條件對污染物擴散、稀釋和積累有一定作用。在污染源一定的條件下，污染物濃度大小主要取決于氣象條件[22-23]。目前關于大氣污染物與氣象因子的關系研究較多，但對造成大氣污染的能源消費結構的研究不足。不少文章提出的改進能源結構的建議，沒有定量分析，缺乏針對性和說服力。因此定量研究能源消費因子和大氣污染物的關系，對調整能源消費結構、促進產業轉型升級以及從根本上改善空氣質量具有重要意義。

1 研究方法

1.1 數據來源

利用北京市空氣質量國控站點監測數據，分析空氣質量及其與能源消費結構的動態關聯。主要數據分別來自《中國環境年鑒》(2003—2004年)、《中國環境統計年鑒》(2005—2012年)、《北京市環境狀況公報》、《北京60年》和《北京統計年鑒》(2012年)。選取了3個大氣污染物指標，分別是Y1(年均SO2濃度)、Y2(年均NO2濃度)、Y3(年均PM10濃度)，單位均為mg/m3；9個主要能源日均消費量指標，分別是X1(煤炭)、X2(焦炭)、X3(原油)、X4(汽油)、X5(煤油)、X6(柴油)、X7(燃料油)、X8(電力)、X9(天然氣)，X1～X7單位均為t，X8單位為萬千瓦時，X9單位為萬立方米。

1.2 分析方法

1.2.1 改進的模糊評價法

由于大氣環境質量評價存在著不確定性即模糊性，因此用模糊綜合評價方法比較合理。近年的研究大多運用模糊綜合評判模型(B=A×R)，其中以M(∧,∨)模型最為普遍。此方法具有直觀、簡便的優點，但評判中只利用數據的極值信息，忽視重要的中間值，難免會忽略其他信息。用Euclidean權距離體現空氣質量分級標準與監測樣本的差別，提出一種改進的空氣環境質量模糊評價方法，能充分利用監測數據所隱含的各種信息。

根據空氣質量標準分級的隸屬度公式，可確定監測樣本對各級標準的隸屬度；再根據最大隸屬度原則，可確定空氣環境質量的等級。

1.2.2 關聯動態矩陣法

灰色關聯分析屬于幾何處理的范疇，其實質是對反映因素變化特性的數據序列進行幾何比較。用于度量因素之間的關聯程度的灰色關聯度，是通過比較因素之間的關聯曲線而獲得。

設x1，x2，…，xn為n個因素，反映各因素變化特性的數據列分別為{x1(t)}，{x2(t)}，…，{xn(t)}；t=1，2，…，m。因素xi對xj的關聯系數定義為

式中，ξij(t)為因素xi對xj在t時刻的關聯系數，Δij(t)=|xi(t)-xj(t)|，Δmax=max{Δij(t)}，Δmin=min{Δij(t)}，ρ為介于[0,1]之間的灰數。

ξij=ξij(t)隨時間變化的曲線稱為關聯曲線。將關聯曲線ξij(t)與ξii(t)和坐標軸圍成的面積分別記為Sij與Sii，則定義xj對xi的關聯度為

在實際應用中，灰色關聯分析根據需要可以提供多種信息(如列出關聯動態矩陣、關聯樹、動態流向圖等)。該方法計算得到的關聯度，僅反映某一時段內因素之間的定量關系，適宜靜態分析。但在不同時段因素間關聯程度不盡相同，把不同時段計算的關聯度按一定順序排列起來，便構成了關聯動態矩陣。用它可以分析系統內因素之間隨時間變化的動態關系，為宏觀控制決策提供更加客觀的依據。

2 北京市空氣質量評價

參照修正版環境空氣質量標準(GB 3095—1996)，構建大氣環境質量評價標準值矩陣(M)；選取2002—2011年北京市大氣污染物年均值構成空氣環境質量監測值矩陣(N)；再用線性內插公式將M變換為空氣環境質量標準值模糊矩陣(S)；同時把N變換為空氣環境質量監測值模糊矩陣(R)。

根據Euclidean權距離的定義和概念，對于10 個監測樣本和3級評價標準，可以建立差異矩陣(D，取距離參數p=2)，將D中各元素求倒得第j個樣本隸屬于第h級標準的隸屬度矩陣(V)，最后歸一化得到隸屬度矩陣(U)，即北京市2002—2011年空氣環境質量的分級隸屬度和相對應的評價結果，見表1。

表1 監測樣本歸一化后的隸屬度矩陣

注：當p=1時，分級隸屬度值雖不同，但評價結果相同。

根據隸屬度最大原則可知，2002、2004—2007年北京市空氣質量處于Ⅲ級水平，2003、2008—2011年處于Ⅱ級水平，總體來說，空氣質量有改善的趨勢。把隸屬度作為概率來考慮，用全概率公式可以計算出逐年的空氣質量等級值。

C2002=0.194 1×1+0.267 3×2+0.538 6×3=2.344 5

同理，C2003=2.018 2，C2004=2.032 3，C2005=2.034 2，C2006=2.045 0,C2007=2.045 0,C2008=2.038 2 ,C2009=2.044 7 ,C2010=2.053 2,C2011=2.055 8，有C2002>C2011>C2010>C2006>C2007>C2009>C2008>C2005>C2004>C2003。由于等級值越大，空氣質量越差，所以空氣質量由劣到優的年份排序為2002、2011、2010、2006、2007、2009、2008、2005、2004、2003年。可以看出， 2003、2008年北京市空氣質量得到改善, 2009年以來有惡化的趨勢。

3 污染物與能源因子的動態關聯

選取2002—2011年北京市SO2年均值作為參考序列，主要能源日均消費量作為比較序列，對原始數據進行初始化處理。再以處理后的SO2年均值作為母序列，處理后的主要能源日均消費量因子作為子序列，計算Δ1j(t)=|x1(t)-yj(t)|，j=1，2，…，9。從Δ1j(t)中找到Δmax=3.118 6，Δmin=0。求出母、子序列的關聯系數(取ρ=0.5)：

利用相同的方法可以求出其他值。

SO2年均值與煤炭的關聯度為

同理可得，Y12=0.896 1，Y13=0.764 7，Y14=0.638 5，Y15=0.645 1，Y16=0.680 7，Y17=0.902 3，Y18=0.700 2，Y19=0.585 6，即Y1>Y12>Y11>Y13>Y18>Y16>Y15>Y14>Y19，SO2年均值與燃料油的關聯度最大，焦炭次之，煤炭居三，天然氣與SO2的關聯度最小。

用同樣的方法計算出2002—2011年北京市NO2年均值與主要能源消費因子的關聯系數和關聯度，Y21=0.857 0,Y22=0.898 6，Y23=0.799 0，Y24=0.649 9，Y25=0.657 4，Y26=0.698 9，Y27=0.913 2，Y28=0.721 2，Y29=0.591 0，有Y27>Y22>Y21>Y24>Y28>Y26>Y25>Y24>Y29。可見燃料油是影響NO2年均值的最主要因素，其次是焦炭，再次是煤炭，天然氣與NO2年均值的關聯度最小。

2002—2011年北京市PM10年均值與主要能源消費因子的關聯度Y31=0.858 8,Y32=0.888 3，Y33=0.800 0，Y34=0.648 6，Y35=0.655 4，Y36=0.697 4，Y37=0.891 1，Y38=0.721 4，Y39=0.588 3，Y37>Y32>Y31>Y33>Y38>Y36>Y35>Y34>Y39。因此，影響PM10年均值的前3位能源分別是燃料油、焦炭和煤炭，天然氣與PM10年均值關聯度最小。

從以上分析可以看出，與大氣污染關聯度最大的3種能源分別是燃料油、焦炭和煤炭；而天然氣與污染物濃度關聯度最小，即天然氣是9種能源中最清潔的。

2002—2011年SO2、NO2和PM10年均值與主要能源消費因子的關聯曲線如圖1所示。

圖1 大氣污染物與能源消費結構的關聯曲線

從圖1可以看出，9種主要能源因子與3種大氣污染物的關聯曲線很相似，即同種能源對不同大氣污染物的關聯程度很接近。燃料油、焦炭、煤炭與大氣污染物的關聯系數較大，10年來一直在較高水平波動；而原油、電力、柴油、煤油、汽油和天然氣與污染物的關聯系數相對較小，且原油>電力>柴油>煤油>汽油>天然氣，關聯系數有明顯的逐年降低趨勢。

將2002—2011年看成2002—2006、2002—2007、2002—2008、2002—2009、2002—2010、2002—2011年幾個時間段的動態過程，分別計算SO2年均值與主要能源消費因子的關聯度，得到關聯動態矩陣，見表2。

表2 SO2與能源結構的關聯動態矩陣

從表2可以看出，同種能源與SO2在不同時間段的關聯序基本不變。與SO2關聯度最大的能源是燃料油，其次是煤炭、焦炭、原油(三者關聯序輪換)，再次是電力、煤油、柴油(三者關聯序輪換)，最后是汽油和天然氣。其中2002—2009、2002—2010、2002—2011年3個時間段關聯序滿足Y17>Y12>Y11>Y13>Y18>Y16>Y15>Y14>Y19。縱向看各關聯度數值，煤炭、焦炭與污染物關聯度呈“緩慢上升”的態勢；原油、汽油、煤油、柴油、電力、天然氣表現出先降低、后升高、再降低的“水平S型”；燃料油呈先升高、后降低的“倒U型”。

分時間段計算NO2、PM10年均值與能源消費結構的關聯度，得到關聯動態矩陣，見表3、表4。

表3 NO2與能源結構的關聯動態矩陣

由表3可以看出，在不同時間段同種能源與NO2的關聯序基本不變。與NO2關聯度最大的是燃料油，其次是煤炭，焦炭，原油(三者關聯序輪換)，再次是電力，煤油，柴油(三者關聯序輪換)，最后是汽油和天然氣，其中2002—2009、2002—2010、2002—2011年3個時間段關聯序保持Y27>Y22>Y21>Y23>Y28>Y26>Y25>Y24>Y29不變。分時間段看各關聯度數值，煤炭、焦炭呈“逐漸升高”的態勢；其余能源消費因子均表現出先降低、后升高、再降低的“水平S型”。

表4 PM10與能源結構的關聯動態矩陣

由表4可見，各時間段PM10年均值與能源結構的關聯序基本保持不變。與PM10關聯度最大的是燃料油(2002—2006、2002—2007、2002—2011年)以及焦炭(2002—2008、2002—2009、2002—2010年)，其次是煤炭、焦炭、原油和燃料油(四者關聯序輪換)，接下來依次是電力、柴油、煤油、汽油和天然氣。比較同種能源在不同時間段與PM10的關聯度值，煤炭、焦炭、燃料油“逐漸升高”；其余能源消費因子均表現出先升高、后降低的“倒U型”趨勢。

繪制大氣污染物與關聯度最大(燃料油)和最小(天然氣)的能源消費因子散點圖，可以看出污染物與能源消費因子的關聯方式，見圖2、圖3。

圖2 燃料油與大氣污染物的關系

圖3 天然氣與大氣污染物的關系

由圖2、圖3可見，隨著燃料油消費量的減少，大氣污染物濃度有所降低；當燃料油消費量回升時，大氣污染物濃度隨之上升，即燃料油與大氣污染物“同增同減”，因此污染物不僅與燃料油關聯度最大，而且呈正相關。天然氣與大氣污染物的關聯方式與此不同，隨著天然氣日均消費量逐年增長，大氣污染物濃度總體卻呈下降的趨勢，兩者表現出“此漲彼消”的現象，即天然氣與大氣污染物負相關。

4 結論

1)2002、2004—2007年北京市空氣質量處于Ⅲ級，2003、2008—2011年處于Ⅱ級，空氣質量由劣到優的年份排序為2002、2011、2010、2006、2007、2009、2008、2005、2004、2003年， 2003、2008年空氣質量得到改善，2009年以來有所惡化。

2)燃料油、焦炭和煤炭是造成北京市大氣污染的前3位能源，天然氣是最清潔的能源；同種能源與不同污染物的關聯程度相似。

3)把2002—2011年看成不同時間段的動態過程，同種能源與污染物在不同時間段的關聯序基本不變，不同能源因子分別表現出“緩慢上升”、“逐漸升高”、“水平S”型和“倒U”型4種態勢。

4)燃料油日均消費量與大氣污染物年均值“同增同減”，大氣污染物與燃料油正相關；天然氣日均消費量與大氣污染物年均值“此漲彼消”，天然氣與大氣污染物負相關。

北京作為中國的首都，應進一步推廣清潔能源的使用，逐漸淘汰高投入、高污染、低效率的傳統能源，從而不斷改善空氣質量狀況。通過調查能源消費因子在行業中的使用狀況，為調整產業結構，促進能源結構優化升級以及實現生態文明要求下的可持續發展做出貢獻。

[1] Walski T M， parker F L. Consumers water quality index [J]. Journal of Environmental Engineering Division,1974,100(3):593-601.

[2] 徐鴻楷. 半集均方差水質評價模式[J]. 環境科學,1985(4):55-59,39.

[3] Dunnette D A. A geographically variable water quality index used in Oregon [J]. Journal of Water Pollution Control Federation,1979,51(1):53-60.

[4] Prati L. Assessment of surface water quality by a single index of Pollution [J].Water Research,1971(5):741-751.

[5] Shamion E E， Broezonik P L. Eutrophication analysis:a multivariate approach[J]. Journal of the Sanitary Engineering Division,1972,98(SAI):37-57.

[6] 何再超,鄭欽玉，盧坤，等.重慶市大氣環境質量的模糊數學綜合評價[J].西南大學學報(自然科學版),2005,27(3):397-400.

[7] Zadeh L A. Similarity relations and fuzzy ordering[J].Information Science,1971(3):177-200.

[8] Bezdek J C. A physical interpretation of fuzzy ISODATA [J]. IEEE Transactionson Systems, Man and Cybernetics,1976(6):387-389.

[9] 李祚泳,趙邦杰. 區域環境質量綜合評價的一種方法——Fuzzy概率法[J]. 環境科學學報,1984,4(3):204-213.

[10] 鄧超冰.灰色聚類在大氣環境質量評價中的應用[J].環境污染與防治,1990,12(2):24-29.

[11] Lohani B N，Todino G. Water quality index for Chao Phraya river [J]. Journal of Invironmental Engineering,1984,110(6):1 163-1 177.

[12] 張高生,李玉春. 運用主成分分析評價山東25個水體的環境質量[J].環境科學研究,1989(2):16-20.

[13] 肖德鋒. 環境質量評價中的模糊信息熵原理[J].環境科學學報,1986,6(2):157-165.

[14] 張勇,黎雪梅.物元分析在環境質量評價及優化布點的應用[J].環境科學與技術,2005,28(Z1):114-115.

[15] 張孟.神經網絡方法在城市空氣質量檢測中的應用研究[D].長春:吉林大學,2008.

[16] 李峰,張會,楊海波. 基于非線性映照遺傳算法的空氣質量評價模型[J]. 中國科技信息,2010(2):35-36.

[17] 陳輝,厲青,楊一鵬,等.基于分形模型的城市空氣質量評價方法研究[J].中國環境科學,2012,32(5):954-960.

[18] 謝炳庚,劉智平.模糊—物元綜合評價法在環境空氣質量評價中的應用研究[J].經濟地理,2010,30(1):27-30.

[19] 楊志民,田英杰,劉廣利.城市空氣質量評價中的模糊支持向量機方法[J].中國農業大學學報,2006,11(5):92-97.

[20] 徐彩霞,李義杰. 基于粗糙集和模糊神經網絡的空氣質量評價[J].微型機與應用,2010,29(15):96-99.

[21] 汪小寒,張燕平,趙姝,等.基于分層遞階粒度聚類法的空氣質量評價[J].計算機應用研究,2013,30(1):192-194.

[22] 蔣維楣,曹文俊,蔣瑞賓.空氣污染氣象學教程[M].北京:氣象出版社,1993.

[23] 吳兌,鄧雪嬌.環境氣象學與特種氣象預報[M].北京:氣象出版社,2001.