采用因子分析法的城市空气污染风险评价研究

2018-04-08罗运成

重庆理工大学学报(自然科学) 2018年3期

罗运成

(广东财经大学经济学院，广州　510320)

近年来，雾霾天气的频发使得人们对空气污染问题的关注大幅提高。随着中国现代工业的迅速发展，空气中的污染物量远超过空气的自净能力，导致中国各城市受到不同程度的空气污染，大气环境的污染问题日趋严峻。同时，空气污染所引发的雾霾天气对公众的健康和生活有较大的影响，这也是阻碍经济社会健康发展的重要因素之一。因此，如何衡量空气污染的风险程度，建立科学有效的评价指标体系，并探索行之有效的治理策略以提高空气的质量，已成为中国政府面临的重要课题。在此背景下，本文通过实证研究，利用已有数据建立评价指标体系，测算空气污染风险指数(air pollution risk index，APRI)，以此来衡量空气污染的风险程度，并提出相关建议与对策，以期为政府及相关部门制定防控政策提供借鉴和参考。

关于空气污染问题及其所引发的雾霾天气，国内外学者主要从两方面进行了大量的研究与探讨：一是以空气污染的来源及成因为研究对象，如G.M.Marcazzan等[1]对米兰市区样本进行研究，发现当出现严重空气污染时，PM2.5/PM10的比值有明显的上升；I.Colbeck等[2]研究了巴基斯坦的环境现状，认为空气中的颗粒物是最严重的空气污染物；Yan等[3]对空气质量指数与空气污染物的变化进行了研究，认为PM2.5是最严重的空气污染物；李小飞等[4]通过实证研究，发现燃煤对空气质量的影响比较大，可吸入颗粒物为影响空气质量的主要污染因子；吕效谱等[5]研究发现，由特殊气象条件所导致的机动车尾气及煤烟型复合污染是引起大范围污染的主要原因；程念亮等[6]对北京市空气重污染的形成过程进行了实证分析，认为稳定的气象条件对重污染的形成起到了关键作用，区域输送对空气重污染的贡献率最大；沈劲等[7]研究发现，不利的气象因素是引起污染多发的主要因素，被氧化成的气溶胶是影响粤东等地区的PM2.5污染事件发生的重要原因；盛真真等[8]用MISO多元广义神经网络的方法对影响雾霾天气的因子进行对比分析，认为PM2.5是影响雾霾天气的主要因素；王伟武等对空气污染物及影响因子进行了空间分析，指出4个影响空气污染物空间分布的因素分别是道路比例、地表温度、城镇建设用地和人口密度[9]；冯少荣等[10]利用2种统计方法，即多元回归方法和多元统计学中的因子分析和对应分析对雾霾的影响因素进行了实证研究，指出了4个影响雾霾现象的主要因素分别为城市面积、第二产业占比、单位面积机动车量和机动车量；杨阳等[11]利用相关统计方法，分析了影响空气综合质量的4个主要因素，分别是年平均饱和水气压、第二产业GDP的百分比、城市建成区面积和城区海拔落差。二是对大气环境的污染程度进行测度，如杨志民等[12]利用模糊支持向量机的方法确定模糊决策函数和隶属度，并选取SO2、NO2、总悬浮颗粒物和空气综合污染指数4个指标来衡量空气污染的程度，对空气质量进行综合评价；陈辉等[13]运用分形求和模型，对空气中污染物的分布特征进行了分析，并选取3项污染物PM10、SO2和NO2作为影响因子，通过构建橡树岭大气环境质量指数的方法来表示空气的污染程度；杨晓艳等[14]采用模糊综合评价的方法，选择PM2.5、PM10、SO2、NO2、O3和CO共6个因素作为评价因子，并根据最大隶属度原则对城市环境空气质量进行排序；马楠等[15]以所观测的气溶胶谱分布数据计算得到判别参考值，并与实测PM2.5、能见度和相对湿度进行比较，以此来估计出现雾霾天气的概率；李云祯等[16]构建了空气质量指数与雾霾天气之间的非线性模型，认为该模型在判别雾霾日方面较为准确。

综上所述，经过多年对大气环境问题的不断研究和分析，目前比较一致的看法是认为空气中的颗粒物及二氧化硫、二氧化氮及相关氧化物为主要的污染物。

1　研究方法

1.1　空气污染风险指数的构建

根据国内外研究文献发现，要衡量某事物的某种水平或程度，学术界通常用构建指数的方法对其进行研究分析和综合评价。随着对大气污染影响因素的不断研究与分析，学者们比较一致地认为，气态污染物和悬浮颗粒物的共同作用对空气质量产生了极大的影响，而气态污染物的排放和空气中所产生的悬浮颗粒物是自然与人为共同作用的结果。因此，本文通过空气污染风险指数的构建，对2015年31个重点城市的空气污染风险程度进行度量。

基于上述的分析，将空气污染风险指数(APRI)定义为：

(1)

式中:APRI表示空气污染风险指数;Fi表示构建空气污染风险指数的综合因子;wi表示构成综合因子Fi所对应的权重。空气污染风险指数的大小表示该地区空气污染风险程度的大小，指数越大表明该地区在某时间段内的大气受到污染的风险程度就越大；反之，则表明大气受到污染的风险程度就越小。

1.2　评价指标体系的构建

评价指标体系的构建应考虑到空气中悬浮颗粒物的情况和相关污染物的排放情况。因为空气污染风险指数是通过反映空气质量和污染物排放的基础指标进行拟合计算得出的，因此根据数据的可得性和有效性以及指标的代表性和简洁性，本文选择空气质量、工业污染物和生活污染物3个维度的10个指标来构建评价体系(见表1)，其中xi表示第i个评价指标(i=1,2,…,10)。

表1　评价指标体系

1.3　指数构建的方法选择

根据本文的研究思路并考虑到不同指数构建方法的优缺点，选用因子分析法对空气污染风险指数进行测算。因子分析法的主要思想是能把本文所选取的10个基础指标转化为少数几个线性无关的综合因子来表示原始变量之间的关系，且尽可能多地反映原变量的信息(85%以上)。同时，在此过程中还可以得到各综合因子所对应的权重，最终完成空气污染风险指数(APRI)的构建与测算。

1.4　数据来源

本文采用10个空气质量及污染物排放情况指标的相关数据，对中国2015年31个重点城市的空气污染风险水平进行研究。选取的样本数据均来自于国家统计局公布的《中国统计年鉴(2016)》。

表2　KMO和Bartlett 的检验

2　实证测算与结果分析

2.1　KMO和Bartlett 的检验

为了检验所选指标的样本数据是否可以进行因子分析，本文运用KMO统计量和Bartlett的球形度检验法对样本数据进行检验。具体检验结果见表2。

从检验结果可以看出：KMO=0.692>0.5，且统计量的显著性概率为0.000，因此可以用因子分析法对所选样本进行研究。

2.2　综合因子的个数及权重的确定

通过因子分析法对31个城市的10个基础指标进行分析，研究结果显示：前4个公因子的方差累积贡献率达到了87.737%，说明前4个因子解释了原变量中的绝大部分信息，同时将10个指标转化为4个综合因子，起到了降维的作用。因此，提取前4个综合因子来测算空气污染风险指数。

表3　旋转后的因子载荷矩阵

根据旋转后的因子载荷矩阵，可以得到综合因子的原变量线性组合，并对其进行命名和解释，结果如表3所示。

从表3可以看出：综合因子F1主要受工业二氧化硫排放量(指标系数为94.6%)、工业氮氧化物排放量(指标系数为84.2%)和工业烟尘排放量(指标系数为91%)的影响，故称F1为工业污染物因子，它在一定程度上反映工业污染物对空气质量的影响。综合因子F2主要受二氧化氮年平均浓度(指标系数为89.8%)、可吸入颗粒物年平均浓度(指标系数为85.4%)和细颗粒物年平均浓度(指标系数为88.2%)的影响，故称F2为空气质量因子，它在一定程度上反映空气质量指标对空气质量的影响。综合因子F3主要受生活二氧化硫排放量(指标系数为84.4%)、生活氮氧化物排放量(指标系数为91.3%)和生活烟尘排放量(指标系数为82.9%)的影响，故称F3为生活污染物因子，它在一定程度上反映生活污染物对空气质量的影响。综合因子F4主要受二氧化硫年平均浓度(指标系数为92.7%)的影响，故称F4为空气质量的补充因子，它在一定程度上与综合因子F2相结合来反映空气质量指标对空气质量的影响。

表4　综合因子的权重

通过最大方差法对因子进行旋转，得出提取的4个综合因子的贡献率分别为26.559%、26.083%、23.959%和11.136%。因此，4个综合因子所对应的权重分别为w1=26.559%、w2=26.083%、w3=23.959%和w4=11.136%。具体结果见表4。

2.3　空气污染风险指数的测算

将样本数据进行标准化处理后，根据旋转后因子载荷矩阵中原始变量的线性组合，可以算出各综合因子的得分，再结合上述所确定的综合因子的个数及所对应的权重，对综合因子的权重进行归一化处理后，可以得到空气污染风险指数(APRI)的表达式为

0.302 71F1+0.297 29F2+0.273 08F3+0.126 92F4

(2)

从上述表达式可以看出：对空气污染风险指数的影响从大到小分别是工业污染物指标(指标贡献为30.271%)、空气质量指标(指标贡献为29.729%)、生活污染物指标(指标贡献为27.308%)和空气质量补充指标(指标贡献为12.692%)。根据研究得到的空气污染风险指数的表达式及因子分析的结果，可以计算出31个重点城市的空气污染风险指数，具体计算结果见表5。

表5　各城市测算的空气污染风险指数

城市F1F2F3F4APRI武汉0.520.93-0.77-0.710.13长沙-0.98-0.01-0.55-0.40-0.50广州-0.52-0.23-0.45-0.96-0.47南宁-0.59-0.73-0.30-0.45-0.53海口-0.98-2.14-0.29-0.35-1.06重庆4.26-0.900.54-0.871.06成都-0.791.08-0.55-1.00-0.19贵阳-0.24-1.420.55-0.31-0.39昆明-0.17-1.36-0.39-0.13-0.58拉萨-1.02-1.58-0.41-0.21-0.92西安-0.910.341.53-0.540.18兰州-0.270.78-0.53-0.34-0.04西宁-0.24-0.29-0.100.57-0.11银川-0.34-0.39-0.612.49-0.07乌鲁木齐-0.241.26-0.63-0.710.04

2.4　有效性检验

本文利用空气污染风险指数值与空气污染相关的指标监测数据进行比较的方法对空气污染风险指数进行有效性的检验。由于可查询的监测数据比较有限，本文除了利用《中国统计年鉴(2016)》所提供的数据外，还通过浓度限值表计算得到的数据与空气污染风险指数进行对比检验。因此，本文将从2个方面对风险指数值进行检验：一是将空气污染风险指数(APRI)与2015年的年平均空气质量指数(AQI)进行比较；二是将空气污染风险指数(APRI)与2015年的污染天数占比进行比较。此外，为了更好地进行有效性检验，选取31个重点城市空气污染风险指数值的中位数作为风险水平的临界值，通过表6可知：该临界值为-0.03，当APRI值高于-0.03时，表示该城市的空气受到污染的风险程度比较高；APRI值低于-0.03时，表示该城市的空气受到污染的风险程度比较低。空气污染风险指数的有效性检验结果如表6所示。

表6　空气污染风险指数的有效性检验

城市空气污染风险指数/APRI2015年的年平均空气质量指数/AQI2015年的污染天数占比/%兰州-0.0412130.96银川-0.0712029.04西宁-0.1111819.18成都-0.1913642.19合肥-0.2113934.79杭州-0.2112833.70贵阳-0.391056.85福州-0.45855.75广州-0.4710514.52长沙-0.5013329.59南宁-0.5310811.23昆明-0.58884.11南昌-0.6111014.79拉萨-0.927814.25海口-1.06684.38

1) 将空气污染风险指数与2015年的年平均空气质量指数进行对比检验。结果表明：郑州在2015年的年平均空气质量指数值为173，是31个城市中的最大值，其所对应的空气污染风险指数值为0.51，在风险水平的临界值之上；海口在2015年的年平均空气质量指数值为68，是31个城市中的最小值，其所对应的空气污染风险指数值为-1.06，在风险水平的临界值之下，且空气污染风险指数值为最小值；年平均空气质量指数值小于100，即空气质量等级为优良的城市有4个，其所对应的空气污染风险指数值均在临界值之下；年平均空气质量指数值大于150的城市也有4个，即其空气质量等级为中度污染，所对应的空气污染风险指数值均在临界值之上。从该方面来看，风险指数的准确率为100%。因此，可通过该指数值较好地判断大气环境污染的风险程度。

2) 将空气污染风险指数与2015年的污染天数占比进行对比检验。结果表明：济南在2015年的污染天数占比为66.03%，是31个城市样品中的最大值，其所对应的空气污染风险指数值为0.55，在风险水平的临界值之上；海口在2015年的污染天数占比为4.38%，是31个城市样品中的最小值，其所对应的空气污染风险指数值为-1.06，在风险水平的临界值之下，且空气污染风险指数值也为最小值；污染天数占比大于60%的城市有2个，其所对应的空气污染风险指数值均在临界值之上；污染天数占比小于20%的城市有9个，所对应的空气污染风险指数有8个在临界值之下，1个在临界值之上，该指数值的准确率为90.91%。

从上述两个方面的比较分析显示，在用本文设计的空气污染风险指数去判断空气污染的风险程度时有较高的准确性，说明采用该指数去判断城市的空气污染情况是可行的。

3　结论与建议

本文基于2015年31个城市样品的10个基础指标数据，构建了评价指标体系，用因子分析的方法对基础指标进行了降维，提取了4个综合因子及所对应的权重，测算了各城市的空气污染风险指数。实证结果显示：空气污染风险指数有较好的区分作用，能比较准确地判断各城市空气污染的风险程度，因此可以用该指数来衡量大气环境的污染情况。

根据本文的实证研究过程及研究结论得到启发，提出以下几点建议：

1) 根据各城市测算出的空气污染风险指数，各城市空气污染的风险程度是不相同的。以重庆为例，通过实证分析得出该城市的风险指数值是样本中的最大值，为1.06，表明大气环境受到污染的风险程度是最高的。由于工业污染物因子与3项评价指标(工业二氧化硫排放量、工业氮氧化物排放量和工业烟尘排放量)的相关性比较高，且该城市这3项指标的原始数据大小在样本中的排序都是第1，说明这3项基础指标对重庆市的大气环境污染有重要影响。因此，对重庆来说，在治理空气污染的过程中，应着重考虑工业污染物方面的问题，采取科学有效的方法处理工业生产排放出的污染物。

2) 通过实证研究及分析结果可以得知：对空气质量影响最大的是二氧化硫年平均浓度、二氧化氮年平均浓度、可吸入颗粒物年平均浓度和细颗粒物年平均浓度这4项基础指标构成的空气质量指标；其次是工业二氧化硫排放量、工业氮氧化物排放量和工业烟尘排放量这3项基础指标所构成的工业污染物指标；最后是生活二氧化硫排放量、生活氮氧化物排放量和生活烟尘排放量这3项基础指标所构成的生活污染物指标。因此，在改善空气环境质量的过程中，应加强对空气中各种悬浮颗粒物的防控，尤其是对SO2、NO2、PM10和PM2.5的治理。同时，应严格控制工业污染物和生活污染物的排放量，对其进行科学有效的处理。

参考文献：

[1]MARCAZZAN G M,CERIANI M,VALLI G,et al.Source Apportionment of PM10and PM2.5in Milan (Italy) Using Receptor Modeling[J].The Science of the Total Environment，2003,317:137-147.

[2]COLBECK I,NASIR Z A,ALI Z.The State of Ambient Air Quality in Pakistan——A Review[J].Environmental Science and Pollution Research International，2010,17(1):49-63.

[3]YAN S J,CAO H,CHEN Y,et al.Spatial and Temporal Characteristics of Air Quality and Air Pollutants in 2013 in Beijing[J].Environment Science and Pollution Research International，2016,23(14):13996-14007.

[4]李小飞,张明军,王圣杰,等.中国空气污染指数变化特征及影响因素分析[J].环境科学,2012,33(6):1936-1943.

[5]吕效谱,成海容,王祖武,等.中国大范围雾霾期间大气污染特征分析[J].湖南科技大学学报(自然科学版),2013,28(3):104-110.

[6]程念亮,李云婷,张大伟,等.2014年10月北京市4次典型空气重污染过程成因分析[J].环境科学研究,2015,28(2):163-170.

[7]沈劲,钟流举,陈多宏,等.粤东部分地区空气污染成因分析[J].安全与环境工程,2015,22(1):56-59.

[8]盛真真,叶春明,姜绵峰.上海市雾霾天气影响因子研究[J].环境科学与技术,2016,39(10):198-204.

[9]王伟武,陈超.杭州城市空气污染物空间分布及其影响因子的定量分析[J].地理研究,2008,27(2):241-249.

[10] 冯少荣，冯康巍.基于统计分析方法的雾霾影响因素及治理措施[J].厦门大学学报(自然科学版),2015,54(1):114-121.

[11] 杨阳，沈泽昊，郑天立.中国当前城市空气综合质量的主要影响因素分析[J].北京大学学报(自然科学版),2016,52(6):1102-1108.

[12] 杨志民,田英杰,刘广利.城市空气质量评价中的模糊支持向量机方法[J].中国农业大学学报,2006,11(5):92-97.

[13] 陈辉,厉青,杨一鹏,等.基于分形模型的城市空气质量评价方法研究[J].中国环境科学,2012,32(5):954-960.

[14] 杨晓艳,鲁红英.基于模糊综合评判的城市环境空气质量评价[J].中国人口·资源与环境,2014,24(5):143-146.

[15] 马楠,赵春生,陈静,等.基于实测 PM2.5、能见度和相对湿度分辨雾霾的新方法[J].中国科学:地球科学,2015,45(2):227-235.