基于因子分析的安徽省大气污染特征及综合评价研究

2020-06-28王新富高良敏周晓芳刘凌寒

安徽理工大学学报（自然科学版） 2020年1期

王新富，高良敏，周晓芳，顾昕，刘凌寒

(安徽理工大学地球与环境学院，安徽淮南 232001)

近些年，随着社会经济的高速发展，城市环境空气质量问题日益突出[1]。根据国内外研究，伴随着全球环境变化和经济的快速发展，空气污染已逐渐成为影响人类健康的重要因素[2]。文献[3]等利用Air Q模型量化了伊朗地区因PM10和SO2浓度增加从而导致的死亡率和发病率。文献[4]等首次为20个印度城市建立排放清单，通过分散模型评估大气中颗粒污染趋势并确定各个排放来源贡献。文献[5]等通过建立模型定量评估了广州各种排放源的减排对减少空气污染的贡献。因此，通过建立科学合理的评价指标体系进行大气污染的系统评价，进而探索改善空气质量的有效控制策略，是人们当前最重要的任务之一。

安徽省地处长江、淮河中下游，长江三角洲腹地，是中国重要的农产品生产、能源、原材料和加工制造基地。本文通过建立综合评价体系来量化空气污染程度，利用相关分析法(Correlation analysis)、因子分析法(Factor analysis)来对安徽省各市的空气污染进行分析，对不同污染类型的城市污染特征加以分析并进行综合评价[6]。大气环境质量评价是大气环境状态的直观表述形式，因此本文利用建立的评价体系对安徽省各城市的空气质量进行对比评价。该方法将常规方法监测的几种空气污染物浓度简化为单一概念指数形式[7]，适用于表达短期内城市的空气质量状况和变化趋势[8]，从而为防治大气污染提供科学的理论依据。

1 资料与方法

1.1 数据来源及时间段

选取的样本数据来源于2016～2018年安徽省生态环境厅环境质量年报，安徽省16个地级市空气质量数据中的空气污染指标包括SO2、NO2、PM10、PM2.5、CO-95per(CO-第95百分位数浓度)、O3-8h-90per(O3-8h平均浓度-第90百分位数浓度，计算方法见《环境空气质量评价技术规范(试行)HJ 663-2013》)。

1.2 研究方法

空气质量评价涉及的变量较多，本文利用降维思想，通过因子分析，提取因子主成分，从而把多个观测变量提取为少量的综合指标[9]，使其能够包含原变量提供的大部分信息，这些综合指标往往是不能够直接观测到的，却更能反映事物的特点和本质。研究采用因子分析法对2016～2018年安徽省16个地级市空气质量数据进行排序处理，转化为原始变量的相关系数矩阵A(k为统计变量，共16个地级市；j指标为分析变量，共6个污染物数据)。

通过Kaiser-Meyer-Olkin(KMO)和巴特利球形(Bartlett' s test of sphericity)统计学检验，结果显示2016～2018年KMO取值分别为0.660、0.607、0.651，均大于0.5，且Bartlett球形检验统计量的Sig<0.001。表明各变量之间存在着显著相关性，可以用因子分析法对所选数据进行研究[10]。

选择主成分分析(PCA)的方法提取因子，利用矩阵A右乘一个正交阵T(即方差最大化正交旋转法)简化因子解释，得到旋转后的方差贡献率及因子旋转矩阵。采用回归因子得分的方法计算因子得分系数矩阵X。采用因子得分公式(1)计算各因子得分，并利用综合得分公式(2)进行加权求和，采用旋转后方差贡献率作为权重，计算各地区空气污染状况的综合得分情况。

i=1,2,3…n(1)

式中：Fi为构建空气污染综合评价的综合因子；Xi为因子得分系数；A为16个地级市，6个污染指标的空气质量数据矩阵。

(2)

式中：Zi为各地区空气污染因子的综合得分；Fi为构建空气污染综合评价的综合因子；wi为采用旋转后方差贡献率作为Fi的权重。

2 结果与分析

2.1 相关性分析

本文利用SPSS 24.0统计软件对各研究变量间进行相关分析，结果如表1所示。2016年数据中 PM2.5、PM10的相关系数在0.920以上；PM2.5、PM10和NO2、CO、O3的相关系数分别在0.62、0.60、0.52以上；CO和O3、NO2的相关数据分别为0.669、0.548，且均为显著正相关[11]，说明颗粒物和这三种污染物的分布机制和环境输入来源很可能相同或者接近。而CO和SO2之间也呈显著正相关，相关系数为0.651，说明这两个污染物之间联系紧密，来源和分布特征可能相同。

PM2.5主要来源之一是VOCs、NOx和SO2等大气污染物经大气化学反应生成的二次粒子[12]。分析相关资料可得，PM2.5和 O3具有相似的前体物，即VOCs和NOx[13-14]，细颗粒物PM2.5和O3在大气化学反应中相互影响，进而会产生协同作用[15-16]，因此两者的正相关性较为显著。CO作为主要大气污染物，在生成O3的光化学反应中起到重要作用。另外，从大气化学反应方面进行分析，CO与大气中最主要的氧化基团(羟基自由基)反应，因此羟基自由基因而能够间接的影响大气中CO浓度[17]，从而影响多种关键大气污染物的化学平衡和浓度；从大气污染物的来源分析，CO 和SO2均是化石燃料燃烧产物，两者具有相同的来源。总体上看，2016～2018年间，安徽省各城市CO和其余污染物都存在显著正相关性，这说明了CO的排放来源广泛，且在大气污染的一系列化学反应中起到关键作用。通过表1可以看出，PM2.5与NO2的相关性也较强，这也从侧面反映出汽车尾气对空气污染的形成存在一定的贡献作用[18]。

表1 2016～2018年空气污染因子间相关性分析

注：** 在 0.01 级别(双尾)，相关性显著；* 在 0.05 级别(双尾)，相关性显著。

2.2 因子分析及解释

通过计算各因子初始特征值及其方差贡献率(见表2)可知，2016～2018年的空气质量数据的主成分的累积贡献率均大于80%，说明提取出的公共因子已基本反映了各原始变量80%以上的信息，仅有较少的信息丢失，因子分析效果较好。

表2 主因子特征值与贡献率

表3 旋转后的因子荷载和因子变量共同度

从表3旋转后的因子荷载可以看出，2016年安徽省空气质量综合因子F1中，PM10和PM2.5的荷载系数分别为94%和91.9%，说明可吸入颗粒物，特别是可吸入肺颗粒物是此因子的主要污染物，所以可以将综合因子F1归结为颗粒物污染因子，其外在表现形式为雾霾[19-21]。SO2综合因子F2上的载荷较高，为96.8%，表明污染物与第二主因子显著相关，SO2主要来源于含硫燃料等化石燃料的燃烧，因此可以认为综合因子F2属于硫氧化物污染。

从2017年开始，以NO2空气污染物为主导的因子逐渐成为了第三种公共因子。燃煤活动及内燃机燃烧排放是大气NOx污染的主要来源，通过2017年的因子分析数据可以说明，近年来随着机动车保有量的飞速增长，燃煤活动的持续进行，氮氧化物的排放对大气污染的影响日益显著。2017年安徽省空气质量综合因子F1中PM10、PM2.5荷载较高，分别为92.8%、82.7%，可以归结为颗粒物污染。综合因子F2中载荷较高的为NO2，系数达93.5%，是氮氧化物气体污染物排放的具体体现；综合因子F3中SO2载荷较高，系数达94.3%，可以解释为硫氧化物污染。2018年的综合因子F1中PM10、PM2.5荷载系数分别为96.2%、94.3%， F2中NO2为90.7%，F3中SO2为94.8%，具体因子解释与2017年相比无太大改变，但总体可以看出空气污染的类型更趋于多元化，复杂化。

通过比较2016～2018年的主因子得分数据(见表4)，本文利用ArcGIS软件，进行各城市污染类型分布研究，具体如图1所示。

图1 2016～2018年安徽省各城市空气污染类型

表4 2016～2018年安徽省各城市空气污染因子得分

分析表明，安徽省部分城市的空气污染的主要因子已经由颗粒物污染或者硫氧化物污染转移到氮氧化物污染，如合肥、滁州等城市在2016年为颗粒物污染型城市，2017年以后都转变为氮氧化物污染型城市。皖北区等城市近三年的主要空气污染因素都是颗粒物污染，一方面是这些城市处于皖北区，环境状况受经济状况、气候、降雨等条件的制约；另一方面，皖北区域如淮北，淮南，宿州等城市以煤矿为主导产业，采煤活动必然会导致大量颗粒物进入大气环境造成污染。通过安徽省各市的煤炭消耗量(见图2，数据来源于安徽省各市统计年鉴)可以看出，淮南、淮北的煤炭消耗量在4 000万吨以上，其余如马鞍山、宿州、合肥、芜湖、铜陵等市的煤炭消耗量在1 000万吨以上，而黄山市煤炭消耗量在10万吨以下，这也验证了产煤、燃煤活动会对空气污染产生影响。

铜陵市2016～2018年污染因子得分较高，这也与当地的工业行业密切相关，铜陵市长期以金属冶炼行业为主导产业，通过因子分析也验证了铜陵市的主要空气污染影响因子为硫氧化物。池州市、芜湖市与铜陵市、合肥市相邻，从近三年的空气质量数据上分析，两市的污染类型受周围城市的环境影响较大，这可能与大气污染的扩散特性有关。其余城市如六安，安庆，黄山等，整体因子得分都比较低，这是因为黄山市主导产业为旅游业，城市工业行业较少，而六安市、安庆市倚临皖西大别山山区，绿植覆盖率较高，有利于空气的净化，为空气质量提供保障。

图2 2016～2017年安徽省各市煤炭消耗量

2.3 空气污染综合评价

为了进一步对各城市空气质量进行综合评价，本文利用因子得分的加权求和、采用旋转后方差贡献率作为权重(见表2)，对各城市的空气污染状况进行综合评价。通过计算可以得出安徽省16个城市2016～2018年的空气污染综合评价得分，具体计算结果如表5所示。

表5 各城市的空气污染综合评价得分情况

本文采用安徽省发布的环境质量公报中提供的数据对空气污染综合评价得分值进行检验。结果表明：

1)2016年的日超标污染物主要为细颗粒物PM2.5、O3和PM10。2017年的PM2.5和PM10高值区位于皖北和沿江地区，低值区主要位于皖西和皖南地区。对比表5数据，可见评价结果能够较好的拟合现实状况，2016年、2017年评价得分最高的为淮北、亳州、宿州、铜陵四市，得分最低的是黄山市。

2)根据安徽省发布的2017年环境质量公报中提供的16个地级市空气质量综合指数排名(见表5)，与本文通过因子分析得到的综合评价得分进行对比发现：2017年空气质量综合指数排名较高的四个城市为黄山市、宣城市、六安市、安庆市，排名与利用因子分析方法所建立的评价体系得到的排名一致；排名靠后的为淮北、宿州两市，也与研究结果相符。对两种结果进行相关性分析，两者的相关系数为0.980，从而认为这两组数据存在显著正相关关系。从该方面来看，综合评价的准确率为100%，可以较好地判断大气环境污染的程度。

3)基于ArcGIS 绘制空间分布图，从空间上分析大气污染物分布特征，具体结果见图3和图4。对比全省主要污染物浓度空间分布特征，结果表明：总体上安徽全省空气污染状况皖北高于皖南，重点区域以皖北大部分区域和以合肥市为中心的江淮区域向外辐射。部分区域如铜陵市工业发达，以冶金行业为主导行业，通过因子分析也验证了其主要空气污染源为硫氧化物污染，属于SO2高值区。经对比分析后发现通过空气污染综合评价分析出的结果与环境质量报告中的提供的数据结果完全吻合，而且更能够体现出各城市具体的污染特征。

总体上看，通过相关分析、因子分析对于判断空气污染的程度有较高的准确性，能够反映出城市空气质量状况，更能够明析城市空气污染特征，为空气污染的防治提供科学的建议。