北京市空气质量及其与能源消费结构的动态关联

朱振亚，饶良懿，余新晓，朱梦洵

北京林业大学水土保持学院，北京 100083

近年来，随着中国经济社会的快速发展，以煤炭为主的能源消耗大幅攀升，机动车保有量急剧增加，京津冀、长江三角洲、珠江三角洲等区域空气污染严重，雾霾现象频繁发生，空气质量评价以及污染治理等问题再一次引起公众的关注。

空气质量评价是按照一定的标准和方法对某区域空气质量的优劣或污染程度定量计算或定性描述的过程，可以反映大气的污染状况，摸清空气质量变化的趋势，为环境规划和管理提供依据。空气质量评价的相关方法较多，主要有指数评价法[1-4]、分级评分法[5]、模糊数学评价法[6-10]等。近年来有研究学者用因子分析[11]、主成分分析[12]、热力学(信息熵[13]和物元可拓法[14]等)、神经网络[15]、遗传算法[16]、分形学[17]等方法或几种方法结合起来[18-21]进行评价。这些方法各有特点，有些已趋于成熟，有些仍处于理论研究阶段，还在不断完善。

有研究表明，城市环境空气质量好坏与气象因子、城市能源消费结构等因素有关。气象条件对污染物扩散、稀释和积累有一定作用。在污染源一定的条件下，污染物浓度大小主要取决于气象条件[22-23]。目前关于大气污染物与气象因子的关系研究较多，但对造成大气污染的能源消费结构的研究不足。不少文章提出的改进能源结构的建议，没有定量分析，缺乏针对性和说服力。因此定量研究能源消费因子和大气污染物的关系，对调整能源消费结构、促进产业转型升级以及从根本上改善空气质量具有重要意义。

1 研究方法

1.1 数据来源

利用北京市空气质量国控站点监测数据，分析空气质量及其与能源消费结构的动态关联。主要数据分别来自《中国环境年鉴》(2003—2004年)、《中国环境统计年鉴》(2005—2012年)、《北京市环境状况公报》、《北京60年》和《北京统计年鉴》(2012年)。选取了3个大气污染物指标，分别是Y1(年均SO2浓度)、Y2(年均NO2浓度)、Y3(年均PM10浓度)，单位均为mg/m3；9个主要能源日均消费量指标，分别是X1(煤炭)、X2(焦炭)、X3(原油)、X4(汽油)、X5(煤油)、X6(柴油)、X7(燃料油)、X8(电力)、X9(天然气)，X1～X7单位均为t，X8单位为万千瓦时，X9单位为万立方米。

1.2 分析方法

1.2.1 改进的模糊评价法

由于大气环境质量评价存在着不确定性即模糊性，因此用模糊综合评价方法比较合理。近年的研究大多运用模糊综合评判模型(B=A×R)，其中以M(∧,∨)模型最为普遍。此方法具有直观、简便的优点，但评判中只利用数据的极值信息，忽视重要的中间值，难免会忽略其他信息。用Euclidean权距离体现空气质量分级标准与监测样本的差别，提出一种改进的空气环境质量模糊评价方法，能充分利用监测数据所隐含的各种信息。

根据空气质量标准分级的隶属度公式，可确定监测样本对各级标准的隶属度；再根据最大隶属度原则，可确定空气环境质量的等级。

1.2.2 关联动态矩阵法

灰色关联分析属于几何处理的范畴，其实质是对反映因素变化特性的数据序列进行几何比较。用于度量因素之间的关联程度的灰色关联度，是通过比较因素之间的关联曲线而获得。

设x1，x2，…，xn为n个因素，反映各因素变化特性的数据列分别为{x1(t)}，{x2(t)}，…，{xn(t)}；t=1，2，…，m。因素xi对xj的关联系数定义为

式中，ξij(t)为因素xi对xj在t时刻的关联系数，Δij(t)=|xi(t)-xj(t)|，Δmax=max{Δij(t)}，Δmin=min{Δij(t)}，ρ为介于[0,1]之间的灰数。

ξij=ξij(t)随时间变化的曲线称为关联曲线。将关联曲线ξij(t)与ξii(t)和坐标轴围成的面积分别记为Sij与Sii，则定义xj对xi的关联度为

在实际应用中，灰色关联分析根据需要可以提供多种信息(如列出关联动态矩阵、关联树、动态流向图等)。该方法计算得到的关联度，仅反映某一时段内因素之间的定量关系，适宜静态分析。但在不同时段因素间关联程度不尽相同，把不同时段计算的关联度按一定顺序排列起来，便构成了关联动态矩阵。用它可以分析系统内因素之间随时间变化的动态关系，为宏观控制决策提供更加客观的依据。

2 北京市空气质量评价

参照修正版环境空气质量标准(GB 3095—1996)，构建大气环境质量评价标准值矩阵(M)；选取2002—2011年北京市大气污染物年均值构成空气环境质量监测值矩阵(N)；再用线性内插公式将M变换为空气环境质量标准值模糊矩阵(S)；同时把N变换为空气环境质量监测值模糊矩阵(R)。

根据Euclidean权距离的定义和概念，对于10 个监测样本和3级评价标准，可以建立差异矩阵(D，取距离参数p=2)，将D中各元素求倒得第j个样本隶属于第h级标准的隶属度矩阵(V)，最后归一化得到隶属度矩阵(U)，即北京市2002—2011年空气环境质量的分级隶属度和相对应的评价结果，见表1。

表1 监测样本归一化后的隶属度矩阵

注：当p=1时，分级隶属度值虽不同，但评价结果相同。

根据隶属度最大原则可知，2002、2004—2007年北京市空气质量处于Ⅲ级水平，2003、2008—2011年处于Ⅱ级水平，总体来说，空气质量有改善的趋势。把隶属度作为概率来考虑，用全概率公式可以计算出逐年的空气质量等级值。

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。由于等级值越大，空气质量越差，所以空气质量由劣到优的年份排序为2002、2011、2010、2006、2007、2009、2008、2005、2004、2003年。可以看出， 2003、2008年北京市空气质量得到改善, 2009年以来有恶化的趋势。

3 污染物与能源因子的动态关联

选取2002—2011年北京市SO2年均值作为参考序列，主要能源日均消费量作为比较序列，对原始数据进行初始化处理。再以处理后的SO2年均值作为母序列，处理后的主要能源日均消费量因子作为子序列，计算Δ1j(t)=|x1(t)-yj(t)|，j=1，2，…，9。从Δ1j(t)中找到Δmax=3.118 6，Δmin=0。求出母、子序列的关联系数(取ρ=0.5)：

利用相同的方法可以求出其他值。

SO2年均值与煤炭的关联度为

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年均值与燃料油的关联度最大，焦炭次之，煤炭居三，天然气与SO2的关联度最小。

用同样的方法计算出2002—2011年北京市NO2年均值与主要能源消费因子的关联系数和关联度，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。可见燃料油是影响NO2年均值的最主要因素，其次是焦炭，再次是煤炭，天然气与NO2年均值的关联度最小。

2002—2011年北京市PM10年均值与主要能源消费因子的关联度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，影响PM10年均值的前3位能源分别是燃料油、焦炭和煤炭，天然气与PM10年均值关联度最小。

从以上分析可以看出，与大气污染关联度最大的3种能源分别是燃料油、焦炭和煤炭；而天然气与污染物浓度关联度最小，即天然气是9种能源中最清洁的。

2002—2011年SO2、NO2和PM10年均值与主要能源消费因子的关联曲线如图1所示。

图1 大气污染物与能源消费结构的关联曲线

从图1可以看出，9种主要能源因子与3种大气污染物的关联曲线很相似，即同种能源对不同大气污染物的关联程度很接近。燃料油、焦炭、煤炭与大气污染物的关联系数较大，10年来一直在较高水平波动；而原油、电力、柴油、煤油、汽油和天然气与污染物的关联系数相对较小，且原油>电力>柴油>煤油>汽油>天然气，关联系数有明显的逐年降低趋势。

将2002—2011年看成2002—2006、2002—2007、2002—2008、2002—2009、2002—2010、2002—2011年几个时间段的动态过程，分别计算SO2年均值与主要能源消费因子的关联度，得到关联动态矩阵，见表2。

表2 SO2与能源结构的关联动态矩阵

从表2可以看出，同种能源与SO2在不同时间段的关联序基本不变。与SO2关联度最大的能源是燃料油，其次是煤炭、焦炭、原油(三者关联序轮换)，再次是电力、煤油、柴油(三者关联序轮换)，最后是汽油和天然气。其中2002—2009、2002—2010、2002—2011年3个时间段关联序满足Y17>Y12>Y11>Y13>Y18>Y16>Y15>Y14>Y19。纵向看各关联度数值，煤炭、焦炭与污染物关联度呈“缓慢上升”的态势；原油、汽油、煤油、柴油、电力、天然气表现出先降低、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”。

分时间段计算NO2、PM10年均值与能源消费结构的关联度，得到关联动态矩阵，见表3、表4。

表3 NO2与能源结构的关联动态矩阵

由表3可以看出，在不同时间段同种能源与NO2的关联序基本不变。与NO2关联度最大的是燃料油，其次是煤炭，焦炭，原油(三者关联序轮换)，再次是电力，煤油，柴油(三者关联序轮换)，最后是汽油和天然气，其中2002—2009、2002—2010、2002—2011年3个时间段关联序保持Y27>Y22>Y21>Y23>Y28>Y26>Y25>Y24>Y29不变。分时间段看各关联度数值，煤炭、焦炭呈“逐渐升高”的态势；其余能源消费因子均表现出先降低、后升高、再降低的“水平S型”。

表4 PM10与能源结构的关联动态矩阵

由表4可见，各时间段PM10年均值与能源结构的关联序基本保持不变。与PM10关联度最大的是燃料油(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(四者关联序轮换)，接下来依次是电力、柴油、煤油、汽油和天然气。比较同种能源在不同时间段与PM10的关联度值，煤炭、焦炭、燃料油“逐渐升高”；其余能源消费因子均表现出先升高、后降低的“倒U型”趋势。

绘制大气污染物与关联度最大(燃料油)和最小(天然气)的能源消费因子散点图，可以看出污染物与能源消费因子的关联方式，见图2、图3。

图2 燃料油与大气污染物的关系

图3 天然气与大气污染物的关系

由图2、图3可见，随着燃料油消费量的减少，大气污染物浓度有所降低；当燃料油消费量回升时，大气污染物浓度随之上升，即燃料油与大气污染物“同增同减”，因此污染物不仅与燃料油关联度最大，而且呈正相关。天然气与大气污染物的关联方式与此不同，随着天然气日均消费量逐年增长，大气污染物浓度总体却呈下降的趋势，两者表现出“此涨彼消”的现象，即天然气与大气污染物负相关。

4 结论

1)2002、2004—2007年北京市空气质量处于Ⅲ级，2003、2008—2011年处于Ⅱ级，空气质量由劣到优的年份排序为2002、2011、2010、2006、2007、2009、2008、2005、2004、2003年， 2003、2008年空气质量得到改善，2009年以来有所恶化。

2)燃料油、焦炭和煤炭是造成北京市大气污染的前3位能源，天然气是最清洁的能源；同种能源与不同污染物的关联程度相似。

3)把2002—2011年看成不同时间段的动态过程，同种能源与污染物在不同时间段的关联序基本不变，不同能源因子分别表现出“缓慢上升”、“逐渐升高”、“水平S”型和“倒U”型4种态势。

4)燃料油日均消费量与大气污染物年均值“同增同减”，大气污染物与燃料油正相关；天然气日均消费量与大气污染物年均值“此涨彼消”，天然气与大气污染物负相关。

北京作为中国的首都，应进一步推广清洁能源的使用，逐渐淘汰高投入、高污染、低效率的传统能源，从而不断改善空气质量状况。通过调查能源消费因子在行业中的使用状况，为调整产业结构，促进能源结构优化升级以及实现生态文明要求下的可持续发展做出贡献。

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

[2] 徐鸿楷. 半集均方差水质评价模式[J]. 环境科学,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,郑钦玉，卢坤，等.重庆市大气环境质量的模糊数学综合评价[J].西南大学学报(自然科学版),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,赵邦杰. 区域环境质量综合评价的一种方法——Fuzzy概率法[J]. 环境科学学报,1984,4(3):204-213.

[10] 邓超冰.灰色聚类在大气环境质量评价中的应用[J].环境污染与防治,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] 张高生,李玉春. 运用主成分分析评价山东25个水体的环境质量[J].环境科学研究,1989(2):16-20.

[13] 肖德锋. 环境质量评价中的模糊信息熵原理[J].环境科学学报,1986,6(2):157-165.

[14] 张勇,黎雪梅.物元分析在环境质量评价及优化布点的应用[J].环境科学与技术,2005,28(Z1):114-115.

[15] 张孟.神经网络方法在城市空气质量检测中的应用研究[D].长春:吉林大学,2008.

[16] 李峰,张会,杨海波. 基于非线性映照遗传算法的空气质量评价模型[J]. 中国科技信息,2010(2):35-36.

[17] 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.

[18] 谢炳庚,刘智平.模糊—物元综合评价法在环境空气质量评价中的应用研究[J].经济地理,2010,30(1):27-30.

[19] 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.

[20] 徐彩霞,李义杰. 基于粗糙集和模糊神经网络的空气质量评价[J].微型机与应用,2010,29(15):96-99.

[21] 汪小寒,张燕平,赵姝,等.基于分层递阶粒度聚类法的空气质量评价[J].计算机应用研究,2013,30(1):192-194.

[22] 蒋维楣,曹文俊,蒋瑞宾.空气污染气象学教程[M].北京:气象出版社,1993.

[23] 吴兑,邓雪娇.环境气象学与特种气象预报[M].北京:气象出版社,2001.