火电行业建设项目环评指标数据质量分析

潘鹏，杨晔，朱美，程琳俨

(1.环境保护部环境工程评估中心，北京 100012；2.国家环境保护环境影响评价数值模拟重点实验室，北京 100012；3.中国寰球工程公司，北京 100012)

火电行业建设项目环评指标数据质量分析

潘鹏1,2，杨晔1,2，朱美1,2，程琳俨3

(1.环境保护部环境工程评估中心，北京 100012；2.国家环境保护环境影响评价数值模拟重点实验室，北京 100012；3.中国寰球工程公司，北京 100012)

建设项目环评指标数据对于建设项目环境影响评价、技术评估、环境管理宏观决策等具有重要支撑作用，因而其数据质量至关重要。通过开展火电行业建设项目环评指标数据质量研究，分析火电环评指标数据的主要内容，提出一套火电环评指标数据的质量评价指标体系和评价方法，开展指标数据的质量评价实践，并提出改进后续火电环评指标数据质量的建议。

火电；环评指标；数据质量

环评基础数据库经过近年来的建设，已建立17套环评基础数据库标准规范，盘活了10年国家级环评核心数据，结构化了16个行业的环评指标数据，建成环评会商平台，形成环评基础数据共享平台，并开展环评基础数据库的地方试点，已初步达到应用水平[1-2]。

火电环评指标数据是环评基础数据库建设的16个行业环评指标数据之一，是反映火电行业建设项目环评中所要考虑的关键因素的数据。火电环评指标数据对于建设项目环境影响评价、技术评估、环境管理宏观决策等具有重要支撑作用，因而其数据质量至关重要。开展火电环评指标数据的质量评价是保证环评指标信息真实性、准确性、可靠性的基础，也是保证环评指标信息权威性的关键，对于保障环境影响评价和技术评估的客观性、环境管理决策的科学性等具有积极意义。

本文主要对火电环评指标数据的质量开展研究，以期为提高环评基础数据的质量，尤其是火电环评指标数据的质量提供参考，巩固环评基础数据库建设成果，促进环评基础数据库更好地为环境管理服务。

1 火电环评指标数据主要内容

火电环评指标数据是根据火电行业建设项目环评指标体系采集的、存储于火电环评指标数据库中的数据。从逻辑上来讲，主要包括主题层、专题层和指标层3个层次的内容，如图1所示。

图1 火电行业建设项目环评指标体系Fig.1 The environmental impact assessment indicators in thermal power industry

(1)主题层是对火电建设项目环评主要方面的概括，包括项目概况、工程特征、专题评价等级、环境现状、排放总量指标、污染防治措施、结论7个方面的内容。

(2)专题层是主题层分解后的关键要素，也是指标层具体指标公共属性的概括，包括建设项目基本信息、建设规模、工程参数、资源消耗等19个方面的内容。

(3)指标层是火电建设项目环评关键要素的具体表达，共包括121项具体指标数据。根据重要性、稳定性和系统性原则，将指标数据划分为必选、条件必选、可选3类。重要性原则，即按照在环评中的重要程度对环评指标数据进行划分，例如项目地理位置经纬度重要程度高，划为必选指标，项目施工起止年份重要程度低，划为可选指标。稳定性原则，即在各类火电项目环评中都会体现并相对稳定不变的环评指标数据可设为必选，例如项目名称、总投资、评级等级等；只在某些特定情况下才会出现的指标设为条件必选，例如灰场面积。系统性原则，即必须要明确条件必选指标在什么条件下才是必选，如果某条件成立或不成立，涉及哪些指标为必选或可选，也就是要明确条件与指标之间的系统性关系。理想状况下，火电环评指标数据包括必选指标80项、条件必选20项和可选指标21项。

2 火电环评指标数据质量评价体系

数据质量是一个多维度的概念，可能涉及数据及其生产服务过程的多个方面，本身不可测度，通常将数据质量的认识分解为多个质量维度，并逐个识别来实现度量[3]。根据火电行业建设项目环评指标数据质量的需求，从基本层、准则层和指标层3个层次确定数据质量评价的指标，设计出火电环评指标数据质量指标体系架构，如图2所示。

图2 火电环评指标数据质量评价指标体系架构Fig.2 The data quality evaluation indicator system architecture of EIA indicators in thermal power industry

(1)基本层包括形式质量、内容质量和效用质量3个方面的指标[4]。其中，形式质量基于数据的基本结构要素来反映数据在形式方面的质量特征；内容质量考察数据对事物状态的表述程度，进而反映数据在内容方面的质量特征；效用质量考察数据对用户的效用和价值，即数据对用户需求的满足程度，从而反映数据在效用方面的质量特征。

(2)准则层包括一致性、准确性和完整性3个方面的必备指标[5]。其中，一致性是指数据结构要素属性和它们之间的相互关系符合逻辑规则；准确性包括数据所指内容对数据所指对象的反应或表现是否准确、数据形式对数据内容的表述或表达是否准确两层含义；完整性是指各个火电项目环评指标数据的完整性。

(3)指标层包含火电环评指标数据的具体质量指标。其中，一致性指标包括数据类型、数据精度、值域、计量单位、字典编码、表达符号等；准确性指标包括源信息、符合性、误差范围、数据表述等；完整性指标包含必选指标完整性、条件必选指标完整性、可选指标完整性等。

进一步地，采用定量指标来表征环评指标数据的质量，定量指标是指描述数据集满足预先设定的质量标准要求及指标的程度，并提供定量的质量信息[6]，环评指标数据质量的定量指标包括一致率、准确率、完整率和优质率，具体计算方法如下：

一致率的计算方法为：数据集中所有满足条件(针对某个具体规则)的数据量/数据集中记录总数×100%。

准确率的计算方法为：数据集中所有正确的数据量/数据集中记录总数×100%。

完整率的计算方法为：数据集中所有满足条件的数据量/数据集中记录总数×100%。

此外，将同时符合一致性、准确性和完整性要求的火电行业建设项目环评指标数据定义为优质数据，采用优质率来反映环评指标数据的整体质量情况，其计算方法为：数据集中所有优质的数据量/数据集中记录总数×100%。

3 火电环评指标数据质量评价方法

火电环评指标数据的质量评价技术路线如图3所示，综合采用经验判定法、逻辑推理法、抽样检验法和统计分析法来评价火电环评指标数据的质量。

图3 火电环评指标数据质量评价技术路线Fig.3 The technology roadmap of data quality evaluation of EIA indicators in thermal power industry

其中，经验判定法借助分析人员的专业知识判定数据的类型、精度和值域等是否合理，用于评价数据的一致性、准确性和完整性；逻辑推理法依据环评指标数据之间的逻辑关联关系推理发现存在问题的数据，用于评价数据的准确性和完整性；抽样检验法将抽样出的待评价数据与环境影响报告书、环评审批登记表等假定为真实的数据进行比对，确定环评指标数据的准确性和完整性；统计分析法对经验判定法、逻辑推理法和抽样检验法的结果数据进行汇总统计，并分析得出数据质量评价结论。

4 火电环评指标数据质量评价实践

4.1 指标数据质量评价

从环评基础数据库中抽取2000—2014年1123个项目的共计77 624个环评指标数据，采用上述方法对数据质量进行评价，并分别按指标数据性质、内容和类型3种方式对数据的一致率、准确率、完整率和优质率4个维度的评价结果进行统计分析。

(1)按指标性质。火电建设项目指标数据具有必选、条件必选、可选3种不同性质。依据指标数据性质的不同，对数据质量评价结果进行统计，结果如表1所示。

表1 火电环评指标数据质量评价结果统计表(按性质)

(2)按指标内容。火电建设项目环评指标数据包括项目概况、工程特征等7个不同方面的内容。依据指标数据内容的不同，对数据质量评价结果进行统计，结果如表2所示。

(3)按指标类型。火电建设项目环评指标数据主要有数值型、文本型两种类型。依据指标数据类型的不同，对火电环评指标数据质量评价结果进行统计，结果如表3所示。

表2 火电环评指标数据质量评价结果统计表(按内容)

表3 火电环评指标数据质量评价结果统计表(按类型)

4.2 评价结果分析

为进一步分析火电建设项目环评指标数据的质量，依据表1至表3中的数据，按照指标的性质、内容以及类型对指标数据分类处理，从数据的一致率、准确率、完整率和优质率4个维度着手，得到图4，并以此分析数据质量。

(1)从指标性质的角度分析，数据的一致率和准确率均较高(必选指标的准确率数值最小，为89.05%)，但数据的完整率较一致率和准确率数值偏低，其中完整性按从高到低排序为：条件必选指标(88.11%)>必选指标(64.08%)>所有指标(61.54%)>可选指标(37.51%)。从数据完整率考虑，人们对条件必选指标的填报较为重视，对可选指标填报的重视度较低。数据的整体质量受一致率、准确率和完整率的综合影响，在数据一致率和准确率较高的条件下，与完整率服从一致的变化趋势。

(2)从指标内容的角度分析，各类指标的一致率和准确率均较高(数值最小的项目概况指标的准确率为85.78%)。指标数据的完整率和优质率较其他两个维度的数值偏低，其中评价结论指标的完整率最低，仅为9.65%，而环境现状指标的完整率高达91.15%，其他指标的完整率介于61.23%～82.02%。由此可知，评价结论指标的完整率有待进一步提高。

图4 火电行业环评指标数据质量雷达图Fig.4 The radar map of data quality evaluation of EIA indicators in thermal power industry

(3)从指标类型的角度分析，数值型和文本型两类指标的一致率和准确率均较高，完整率和优质率依然表现较低。同时发现，数值型数据的准确率(85.26%)低于文本型数据(94.79%)，但完整率高于文本型数据(数值型68.62%，文本型58.25%)。

综合以上分析可发现，火电环评指标数据的准确率和一致率较高，指标数据的完整性成为制约数据整体质量的主要因素，尤其是可选指标和评价结论性指标的完整性亟待提高。

5 火电环评指标数据质量提升建议

火电环评指标数据建设，其实质是从大量非结构化文本资料中抽取火电建设项目环评关键信息并映射到结构化数据库中的过程，因此可从环评指标体系、数据库设计、数据源质量控制、指标数据采集、数据质量管控体系5个方面采取措施，保障指标数据建设的质量。具体建议如下：

(1)优化环评指标体系设计。火电环评指标体系是火电环评指标数据库设计、建设的依据，也是火电环评指标数据采集、管理的依据，直接影响到火电环评指标数据的质量，应在遵循科学性、实用性、规范性的原则下持续优化。

(2)完善指标数据库结构。火电环评指标数据库是火电环评指标数据存储、管理的重要依托，应参照环境信息化标准规范的有关内容持续完善数据库结构，为提升指标数据质量提供重要保障。

(3)控制来源数据的质量。环评指标数据的主要来源是环评报告书、审批登记表等，这些数据资料有不同来源、不同版本，应严格控制来源数据的质量，从源头保障火电环评指标数据的质量。

(4)提高指标数据采集质量。建议从完善环评指标数据录入模板、选用高素质的指标数据采集人员、加强数据校核检验3个方面，不断提高环评指标数据采集质量，从而保障环评指标数据的质量。

(5)完善数据质量管控体系。高质量的数据来源于严格的数据质量控制与管理，建议建立严格的数据质量管理与控制体系，制定相应技术标准与规范，实施指标数据建设全过程质量控制，不断改善环评指标数据质量。

[1] 赵晓宏, 丁峰, 李时蓓, 等. 环评基础数据库建设与展望[J]. 环境影响评价, 2014(4): 33- 35.

[2] 孙钰. 互联网+：创新环评决策监管之道[J]. 环境影响评价, 2015, 37(5): 24- 26.

[3] 张胜. 数据质量评价指标和评价方法浅析[J]. 科技信息, 2014(2): 259- 259.

[4] 国家科技基础条件平台建设基础科学数据共享网项目组. 数据质量评测方法与指标体系[R]. 2011.

[5] 陈凤兰, 王秀勤. 统计数据质量的现状及对策[J]. 统计教育, 2005(6): 56- 57.

[6] 丁海龙, 徐宏炳. 数据质量分析及应用[J]. 计算机技术与发展, 2007, 17(3): 236- 238.

Research on Data Quality of EIA Indicators in Thermal Power Construction Projects

PAN Peng1,2, YANG Ye1,2, ZHU Mei1,2, CHENG Lin-yan3

(1.Appraisal Center for Environment and Engineering, Ministry of Environmental Protection, Beijing 100012, China; 2.State Environmental Protection Key Laboratory of Numerical Modeling for Environment Impact Assessment, Beijing 100012, China; 3.China Huanqiu Contracting & Engineering Corporation, Beijing 100012, China)

The environmental impact assessment indicators in thermal power construction projects play an important role in environmental impact assessment and technical review, as well as macroscopic environmental management decision-making. Therefore, the data quality of indicators is of vital importance. In this paper, the indicator system of thermal power construction projects and evaluation methods were built up by analyzing the main contents in EIA for thermal power and studying the data quality. Some suggestions were further put forward to improve the data quality of environmental impact assessment indicators in thermal power construction projects.

thermal power; environmental impact assessment indicators; data quality

2016-07-22

环境保护部财政预算项目(14402400000015001-2)

潘鹏(1985—)，男，助理研究员，博士，主要从事数据集成共享理论与技术方法研究，E-mail：panpeng@acee.org.cn

杨晔(1975—)，女，正高级工程师，博士，主要从事环境影响评估及技术政策研究，E-mail：yeyang@acee.org.cn

10.14068/j.ceia.2017.01.006

X820.3

A

2095-6444(2017)01-0023-05