厦门集美区空气质量综合指数及其影响因素分析

陈曈

(都柏林大学 斯莫菲特商学院，爱尔兰 都柏林 D014 V1W8)

“绿水青山就是金山银山.”[1]生态环境对于一个城市的发展至关重要，人民群众对于蓝天白云的呼声也越来越高.2018年，国务院发布《打赢蓝天保卫战三年行动计划》，旨在通过三年努力，大幅减少主要大气污染物排放总量，协同减少温室气体排放，进一步显著降低细颗粒物(PM2.5)浓度，减少重污染天数，明显改善环境空气质量，增强人民的蓝天幸福感[2].作为风景旅游城市的厦门市也认真贯彻落实《打赢蓝天保卫战三年行动计划》并取得优异的成绩.2020年厦门市空气质量取得“十三五”以来最佳成绩，全年优良率达到99.7%，在全国168个重点城市中排名并列第3名.空气质量综合指数为2.53，同比下降15.1%，居全国第4名；与2019年相比，除O3外其他污染物的年平均浓度均有所下降，特别是PM2.5浓度仅为18 μg/m3，同比降低25%. 然而，2020年厦门市集美区争创国家生态文明建设示范区的目标尚未达标，需从多个方面进一步提高生态文明水平.

以往大多数对空气质量研究采用的评价指标都是空气质量指数(air quality index，AQI)，而对本文所采用的空气质量综合指数(air quality composite index，AQCI)的研究则相对缺乏.AQCI是评价时段内6项污染物浓度与它们对应的二级标准值之商的总和；而AQI则是先计算6项污染物空气质量分指数，再取分指数中的最大值进行发布，是用来判断每日优良率及污染等级的指数.二者在计算方法上有一定的差异，但都是用污染物浓度和分级浓度限值进行计算而得，且AQI、AQCI、空气质量等级和污染程度都存在一一对应的转化关系，因此对AQI的研究方法也普遍适用于AQCI.然而，AQI的评价仅依据污染物的上限值对污染程度和空气优良率进行简单地判断，其优点是对标容易，评价方便，能反映该地区的污染程度，但受首要污染物影响较大，不能真实准确地反映具体污染物的浓度值.AQCI与AQI相比计算方法相对简单，虽然无法明确显示出首要污染物，但能够综合地反映各项污染物对空气质量的影响，从而更客观地体现出环境空气质量的优劣.目前AQCI已经成为评价城市空气环境质量的主要指标，因此本文选用AQCI作为衡量各项污染物对空气质量影响的指数.

关于空气质量影响因素的研究一直是治理大气污染问题的关键，多年来我国已有众多学者对此进行了全面而广泛的研究.夏大峰等[3]利用南京9个监测站测得的PM2.5浓度作为依据，结合地理环境、天气及其他影响因素，研究了以日、周、月为时间间隔的PM2.5浓度变化趋势.刘金培等[4]利用西安市2013-2014年空气质量和气象因素的相关数据，运用VAR模型分析PM2.5与其影响因素的动态关系.邓煜凡[5]通过统计分析法和 Spearman 相关系数法分析2017年江西省PM2.5的时间序列分布特征和影响因素，发现PM2.5与SO2、NO2、CO和O3都呈显著正相关.丁梓越等[6]采用时空地理加权回归(GTWR)模型，分析众多因素对2014-2018年期间河南省AQI的作用模式及其时空变化.郭欢[7]收集2015-2019年廊坊市的AQI以及2019年的逐日AQI构建多元回归模型，发现AQI与PM2.5存在极强的线性相关.闫绪娴等[8]搜集31个旅游城市的AQCI月均值，运用均值统计和趋势回归方法分析我国AQCI时空分布特征及其对旅游效益的影响.太春宁等[9]对吉林省9个市的AQCI及分指数、月份综合指数的相关性进行分析，发现AQCI与6项污染物中的5项有强相关性且与12个月份的AQCI都有强相关性.本研究将通过VAR模型实证分析2020年集美区空气质量状况，以期能够更具体地分析影响集美区空气质量的主要因素并提出相应的空气污染综合治理建议.

1 研究方法与描述性统计

1.1 数据来源

根据生态环境部2012年发布的《环境空气质量指数(AQI)技术规定(试行)》(HJ 633-2012)[10]中规定的6个基本项目：SO2、NO2、CO、O3、PM10、PM2.5，评价它们的污染程度.AQCI是评价时段内，各项污染物单项质量指数之和，AQCI越大表明城市空气污染程度越重.为了更好地反映出《打赢蓝天保卫战三年行动计划》的实施下集美区空气质量改善的完成情况，从集美区生态环境局监测站收集2018-2020年的相关年度数据进行纵向比较，并进一步选取集美区2020年52周的空气质量综合指数和6项污染物浓度指标构建VAR模型进行实证分析.

1.2 研究方法

本研究主要运用向量自回归(VAR)模型来估计内生变量的动态关系.该类模型采用多方程联立的形式，它不以经济理论为基础，在模型的每一个方程中，内生变量对模型的全部内生变量的滞后值进行回归，从而估计全部内生变量的动态关系.构建的VAR(p)模型的表达式如式(1)所示：

(1)

1.3 AQCI指标介绍

空气质量综合指数(AQCI)计算方法如下：

Ii=Ci/Si.

(2)

其中：Ci为污染物i的浓度值(当i为SO2、NO2、PM10及PM2.5时，Ci为月均值;当i为CO和O3时，Ci为相应的百分位数浓度值)，Si为污染物i的年均值二级标准.环境空气质量综合指数(AQCI)为：

(3)

其中：Ii为污染物i的单项指数，i包括全部6项常规大气污染物指标.将以上6种大气污染物指标作为研究AQCI影响因素的指标.

1.4 描述性统计

1.4.1 空气质量综合指数(AQCI)与其影响因素的变化情况 集美区空气质量优良，以AQCI中的一项重要影响因素PM2.5为例，2020年集美区PM2.5年平均浓度为17 μg/m3，远远低于《环境空气质量标准》 (GB 3095-2012)规定的PM2.5年平均浓度二级标准限值35 μg/m3.表1为2018-2020年集美区空气质量综合指数与6项污染物浓度的统计分析结果.2020年集美区空气质量优良率为99.5%，其中SO2、NO2、CO、O3、PM10和PM2.5的评价浓度(实况浓度)均低于国家空气污染物浓度二级标准年均限值.6项常规污染物相对于2019年呈现“两平一升三降”的特征，SO2和CO同比持平，NO2、PM10和PM2.5同比分别下降28.6%、18.4%和10.5%，O3同比上升2.4%.空气质量综合指数由2019年的2.63下降为2.36，在厦门市6个区的排名从第1降为第4名，环境空气质量总体保持优良水平.

从2020年6项空气污染物单指数对AQCI的贡献率来看，2020年集美区SO2、NO2、CO、O3、PM10和PM2.5对AQCI的贡献分别为3.4%、16.1%、7.6%、33.5%、18.6%和20.8%.综合来看，2018-2020年集美区的AQCI逐年降低，但是2020年O3的浓度和贡献率较2019年相比有所提高，总体上2020年集美区AQCI的降幅相对较小，排名较厦门市其他行政区相对靠后.

表1 2018-2020年集美区AQCI和6项污染物浓度统计结果Tab.1 Statistical results of AQCI and concentration of 6 pollutants in Jimei District in 2018-2020

1.4.2 空气质量综合指数(AQCI)影响因素的相关性 描述两变量之间的相关关系时，通常采用Pearson相关系数，但该系数的局限性是只能描述变量间的线性相关关系，数据需满足正态分布且受异常值影响较大.而Spearman相关系数是对两变量的秩次大小进行相关性分析，不需要数据满足正态关系，不仅可以描述线性相关现象关系，还可以描述非线性关系.当前者大于后者时，表明两变量间主要为线性相关，否则两变量间主要为非线性关系.两种相关系数的取值范围均为[-1,1]，系数的绝对值越大，说明两变量的相关等级越高，反之相关等级越低.本文同时测算 2020年52周的集美区AQCI和6项污染物浓度的Pearson相关系数和Spearman相关系数.计算结果如表2所示.由表中可知，集美区的AQCI与PM10、PM2.5和NO2有着较强的线性相关，而与CO、O3和SO2是非线性相关.因此，集美区的AQCI与PM10和PM2.5的相关性较大，且与NO2、CO和O3也具有相关性，而与SO2的相关性较小.

表2 集美区AQCI和相关影响因素之间的相关系数Tab.2 Correlation coefficient of AQCI and its influencing factors of Jimei District

2 计量结果和分析

2.1 单位根检验

采用ADF(Augmented Dickey Fuller)进行检验，由于对数据取自然对数可以降低异方差性，并能使时间序列趋势线性化， 所以对所有的时间序列进行自然对数处理，检验结果如表3所示.

表3 单位根检验的结果Tab.3 ADF test results

(续表3)

由表3可知，在显著性为5%的情况下，6个变量序列lnAQCI、lnNO2、lnCO、lnO3、lnPM10和lnPM2.5总体趋于平稳，而变量序列lnSO2则不是平稳的.进一步对所有序列一阶差分后得到的序列再进行ADF检验，发现它们的一阶差分序列都是平稳的.因此，本文采用这7个变量序列的差分序列进行分析，分别记为dlnAQCI、dlnSO2、dlnNO2、dlnCO、dlnO3、dlnPM10和dlnPM2.5.

2.2 AQCI与其影响因素的多元回归分析

确定了变量是同阶平稳后，为了研究AQCI受哪项污染物影响最大，可以建立AQCI与6项污染物浓度的多元回归方程，通过系数的大小判断对AQCI影响程度，见表4.

表4 回归方程系数相关性分析Tab.4 Correlation analysis of regression equation coefficients

根据回归结果，得到多元回归方程如下：

dlnAQCI=-0.001+0.059dlnCO+0.176dlnNO2+0.23dlnO3+0.263dlnPM10+ 0.163dlnPM2.5+0.129dlnSO2+ei.

(4)

从表4可以看出，AQCI与CO、NO2、O3、PM10、PM2.5、SO2都呈正相关.由方程系数大小可知，PM10变动对AQCI变动的影响最大，PM10每变动1%，AQCI变动0.263%.其次为O3、NO2、PM2.5和SO2，而CO对AQCI的影响最小.

2.3 格兰杰因果关系检验

格兰杰因果关系检验是对某变量的滞后项进行的检验，看其是否包含在其他某变量的方程中，为了确定各污染物与空气质量综合指数间建立的长期关系，进而找到针对空气治理的方案，需要得到它们长时间内存在的因果关系.格兰杰因果关系检验结果如表5所示.

表5 Granger因果检验结果Tab.5 Granger causality test results

从检验结果可以看出，在10%的显著水平上，若拒绝原假设，即“各变量不是dlnAQCI的原因”的假设，从而接受了“各变量是lnAQCI的原因”的结论.由表5可知，CO和AQCI互为因果关系，且O3、PM10是AQCI的因，即CO、O3、PM10浓度的变动将会不可避免地对AQCI的变动产生影响.而AQCI和PM2.5存在单向因果关系，AQCI是PM2.5的因，因此PM2.5浓度的提高不会对AQCI产生太大影响.此外，SO2和NO2与AQCI间不存在显著因果关系.综上所述，CO、O3和PM10浓度的增长是导致2020年集美区空气质量综合指数增长的原因.

2.4 VAR模型的构建和稳定性检验

采用脉冲响应函数和方差分解对AQCI的影响因素进行滞后性分析，因此需要先构建向量自回归(VAR) 模型.采用dlnAQCI、dlnSO2、dlnNO2、dlnCO、dlnO3、dlnPM10和dlnPM2.5这7个变量序列构建7维VAR模型.根据LR、FPE、AIC、SC和HQ共5个最优滞后阶数取值准则，归纳结果列于表6.

表6 VAR模型的滞后期判断结果Tab.6 Judgments of lag time for VAR model

从表6可以看出，SC和HQ指标最优滞后期为0，LR、FPE和AIC指标最优滞后期为4.为体现信息的完整性和VAR模型的有效性，最终确定模型的最优滞后期为4，从而得到AQCI变动dlnAQCI的水平向量自回归方程：

dlnAQCI=-2.022 dlnAQCI(-1)-0.093 dlnAQCI(-2)-3.874 dlnAQCI(-3)-

0.038 dlnAQCI(-4)-0.046 dlnCO(-1)-0.294 dlnCO(-2)- 0.0979 dlnCO(-3)-

0.455 dlnCO(-4)+0.397 dlnNO2(-1)+0.003 dlnNO2(-2)+0.923 dlnNO2(-3)+

0.049 dlnNO2(-4)+0.560 dlnO3(-1)+0.275 dlnO3(-2)+0.869 dlnO3(-3)+

0.213 dlnO3(-4)+0.368 dlnPM10(-1)-0.589 dlnPM10(-2)+1.314 dlnPM10(-3)+

0.082 5 dlnPM10(-4)+0.186 dlnPM2.5(-1)+0.443 dlnPM2.5(-2)+

0.475 dlnPM2.5(-3) - 0.009 dlnPM2.5(-4) + 0.235 dlnSO2(-1) -

0.398 dlnSO2(-2) + 0.211 dlnSO2(-3) - 0.386 dlnSO2(-4) + 0.012 +ei.

由回归方程可知，从长期来看，dlnAQI与dlnSO2、dlnNO2、dlnO3、dlnPM10和dlnPM25呈正向关系，而与dlnCO呈负向关系.这说明从长期来看，SO2、NO2、O3、PM10和PM2.5的增加会引起AQCI的增加，CO的增加会引起AQCI的降低.

图1 VAR(4)模型稳定性检验AR根图Fig.1 Inverse roots of AR characteristic polynomial

图1是对AR特征多项式稳定性检验的AR根图，由图中看出所有的逆根都在单位圆内，表明AQCI和相关的各项大气污染物构成的系统是稳定的，VAR模型的构建过程有效.

2.5 脉冲响应函数分析

脉冲响应函数是用于衡量随机扰动项的一个标准差冲击对内生变量当前和未来取值的影响，能够比较直观地反映出变量之间的动态交互作用及其效应.因此，采用脉冲响应函数对2020年集美区的空气质量综合指数与其影响因素的脉冲响应进行分析，选择分析期的长度为10期，结果如脉冲响应函数图2～7所示.

由图2～7可知，AQCI对CO、NO2一个标准差信息的正向冲击会引起AQCI的正向变动，从而使AQCI增加，在第1期响应值达到最大.在第2期之间会引起AQCI的负向变动，使AQCI产生滞后的抑制作用，同时达到负向波动最低值.在第4期响应值变为正值，4期后脉冲响应渐趋于0.AQCI对O3、PM10、PM2.5、SO2一个标准差信息的正向冲击会带来AQCI的正向变动，引起AQCI增加，在第1期响应值达到最大.在第2期之间会带来AQCI的负向变动，使AQCI产生滞后的抑制作用，同时达到负向波动最低值.在第3期响应值变为正值，4期后脉冲响应渐趋于0.综上所述，AQCI受各项污染物的冲击一开始影响较大，污染物浓度的增加会引起AQCI的增加，随后迅速减弱，直至逐渐消失.

图2 dlnAQCI对dlnCO的脉冲响应 图3 dlnAQCI对dlnNO2的脉冲响应Fig.2 Impulse response of dlnAQCI to dlnCO Fig.3 Impulse response of dlnAQCI to DNO2

图4 dlnAQCI对dlnO3的脉冲响应 图5 dlnAQCI对dlnPM10的脉冲响应Fig.4 Impulse response of dlnAQCI to dlnO3 Fig.5 Impulse response of dlnAQCI to DPM10

图6 dlnAQCI对dlnPM2.5的脉冲响应 图7 dlnAQCI对dlnSO2的脉冲响应Fig.6 Impulse response of dlnAQCI to dlnPM2.5 Fig.7 Impulse response of dlnAQCI to DSO2

2.6 方差分解

为了进一步分析各项污染物对空气质量综合指数的相对作用大小，基于VAR(4)模型对dlnAQCI进行方差分解，得到结果见表7.从表中方差分解结果看来，集美区的AQCI短期内主要受自身的影响，随着时间推移，各项污染物的贡献度从第二期开始明显上升，从长期看来，SO2对AQCI影响相对较大，CO、NO2对AQCI影响也有一定的影响，O3、PM10和PM2.5影响相对较小但总是存在的 .

表7 dlnAQCI的方差分解Tab.7 Variance decomposition of dlnAQCI

3 结论与建议

3.1 结论

(1)在短时间内污染物浓度的增加对AQCI的影响较大，具有正向促进作用，但影响会迅速消减，这与相关性分析的结论保持一致，表明对污染物的治理在短期内会有效降低AQCI的大小.

(2)从各项影响因素分析，SO2和NO2不是AQCI的因，因此它们的变动不会造成AQCI的变动.CO与AQCI呈正相关性，但单位变动引起的AQCI的变动在所有影响因素中最小.

(3)根据方差分解结果来看，PM10与AQCI之间有强正相关关系，单位变动引起AQCI的变动在所有影响因素中最大，说明PM10含量的增加将会引起AQCI的显著增加.与PM10类似，O3也与AQCI呈正相关，单位变动引起AQCI的变动较大，且与2019年相比，2020年集美区O3浓度有明显上升.综上所述，O3和PM10是影响2020年集美区空气质量的首要污染物.

2020年集美区6项常规污染物相对于2019年呈现“两平一升三降”的特征，SO2和CO同比持平，NO2、PM10和PM2.5同比下降，O3同比上升，AQCI同比下降了10.3%，空气质量总体上得到改善.这样的成绩离不开环境部门对环境治理的持续加强.2019年集美生态环境局完成了对NO2、PM10、PM2.5、O3四项主要污染物年度减排任务，落实陆源排海污染物、重金属总量控制，对重点企业展开严格监管和整改.然而，尽管2020年集美区的空气质量持续改善，O3浓度却有明显上升.相比各区同比变化情况，厦门其他区的O3浓度同比均下降，集美区则有所升高.AQCI排名在厦门市全区中也有明显下降，排名从第1降为第4，且未能成功入选国家生态文明建设示范区.主要原因有：(1)集美中学监测点空气质量下滑明显，主要污染源为O3和PM2.5.(2)各街道周边工地扬尘管控落实不够到位，导致O3浓度年均同比上升，相关单位的应急响应积极性不足.(3)2020年新增集美中学国控点的周边空气质量仍有待提高.

3.2 建议

(1)加强挥发性有机物(VOCs)的整治.O3和PM2.5污染受到挥发性有机物(VOCs)的影响，VOCs不仅对环境和人体健康有直接影响，还参与大气光化学反应生成二次污染物，是O3和PM2.5的前体污染物.主要来源是工业废气、汽车尾气等.因此，环境部门可通过鼓励重点行业企业进行生产工艺和设备的水性化改造，增加绿色、低挥发性涂料产品的使用，从生产源头上减少VOCs排放.同时,优化产业布局，对石化、化工、制鞋等高VOCs排放的项目建设实行严格的准入政策.

(2)推进天然气和电能利用.通过优化能源结构，发展新能源和可再生能源，控制煤电规模和投产时序，促进煤炭清洁高效利用，从源头上降低O3和PM10的排放浓度.以集美的旅游、交通等领域为侧重点，加快推进电能替代工作，如通过在停车场设立充电桩、对充换电设施用电实行价格优惠等措施推动电动汽车代替传统燃油车.在工业燃料和民用领域推进天然气基础设施建设，扩展天然气产业链.

(3)加强对交通尾气排放的整治.集美监测站点受岛内及海沧的机动车、工业源排放的O3前体物传输的影响较大，需加强站点附近交通源NO2的排放防控.通过监管部门严格执行过往车辆的质检和国家对机动车尾气排放标准的规定，进而保证主要交通干道车辆通行能力，减少车辆因滞停、拥堵等原因造成的尾气排放.另一方面，促进高排放老旧车淘汰，推广使用新能源机动车，加快交通运输结构升级.

(4)加强扬尘治理.集美区的PM10浓度受监测站点周边交通干道和施工工地的扬尘影响较大.针对扬尘防控，应强化对污染源头企业的监管、治理、整改；从用地结构上改善工地扬尘监管顶层设计；加强轻微污染天气响应，使用洒水车、雾炮车等遏制道路烟尘的产生；强化扬尘管控，可通过委托第三方服务机构对辖区工地、道路开展扬尘防控巡查工作.

2021年是“十四五”规划开局之年，做好“碳达峰、碳中和”工作是2021年重点任务之一.生态环境部将编制实施“十四五”空气质量全面改善行动计划，聚焦于推进O3和PM10的协同控制和大气多污染物的协同减排，目的在从源头防控、结构优化、末端治理等方面，加快补齐VOCs和氮化物污染防治短板，促进大气污染减排工程项目的实施，最终推动O3和PM10浓度同步降低，实现减污降碳协同效应.为了进一步改善空气质量环境，集美区应确定目标导向，努力实现O3和颗粒物浓度进一步降低，强化源头治理、系统治理、整体治理，以生态环境高水平保护促进产业结构、能源结构、交通运输结构和用地结构加快调整，形成源头防控体系和区域大气污染联防联控.