科学统计助力大气治理

陈松蹊

只有我们使用公平、客观和科学的空气质量评估方法，才能真正调动地方政府治理大气污染的积极性和科学性，而不公平的评估方法将扭曲大气防治政策的效果

近年来，重度空气污染频繁滋扰中国北方地区。大气污染，作为一个困扰人们生活和健康的问题，再次凸显出来。

空气质量盘点还需用数据说话

中国大力度的空气污染治理开始于2013年9月发布的《大气污染防治行动计划》。其给出了主要区域2017年空气质量要达到的具体指标：“到2017年，全国地级及以上城市可吸入颗粒物（PM2.5）浓度比2012年下降10%以上，优良天数逐年提高；京津冀、长三角、珠三角等区域细颗粒物浓度分别下降25%、20%、15%左右，其中北京市细颗粒物年均浓度控制在60?g/m3（微克/立方米）左右”。四年过去了，人们普遍关心的问题是空气质量好转了多少？2017年的空气质量目标能达到吗？

要想科学地回答这两个问题，我们就需要分析空气污染物数据，并从中找到答案。从更高层面来说，要寻找目前华北地区大气污染防治僵局的原因，我们应该充分利用大气环境监测数据。从环境大数据找到污染的变化趋势和后果是中国大气环境研究中比较欠缺的环节。应该说，同大气污染的化学机制和物理机制方面的研究相比，中国目前对环境大数据的分析明显不足。

北京大學环境统计团队近期对北京市中心城区25个监测站点的PM2.5和其他大气污染物的数据集进行了分析。该分析去除掉气象因素的变异影响，得到了每个季节PM2.5和其他污染物的平均浓度。图1给出了自2013年春季到2016年秋季，经过气象因素调整后的PM2.5、二氧化氮（NO2）和二氧化硫（SO2）的平均浓度水平。

最令人可喜的是，北京SO2平均浓度水平自2014年起的大幅下降。从2015年开始，北京春、夏季的SO2含量已经进入个位数时代。这是北京市自2013年开始大力推行煤改气的结果。

图1也显示，北京的PM2.5在2015年有较大改善（13%）。然而2016年前三个季度的数据表明，在排除气象因素之后，2016年北京中心城区空气质量同2015年相比，并没有改善，其中秋季的空气质量比2015年同期变差了。我们对河北和天津66个国控站并结合17个气象站的分析也发现，2015年是PM2.5浓度水平最低的一年，2016年秋季的PM2.5浓度也有相当大的反弹。图1还说明北京的NO2浓度自2013年起没有显著改善。这一情形在图2中也可得到验证。

图2是利用污染原始数据计算的六种污染状态的所占时间比率。图2显示：同2015年相比，2016年夏季的污染情况同2015年夏季持平；但2016年秋季的优良空气占比下降，污染空气的占比增加。

人们可能要问，在经历了三年整治之后，在河北省大力实行去钢铁及其他高排放行业的产能之后，在SO2下降的前提下，是什么原因导致了2016年华北地区PM2.5污染“顽固不化”的困局？在目前经济普遍回暖的大背景下，如何保持2015年空气质量改善的成果，无疑将是2017年中国大气污染治理面临的一大挑战。

迈入环境保护的数据时代

中国自2013年1月起正式开始在74个城市对细颗粒物和其他五种大气污染物浓度进行逐小时实时播报，并于2015年1月将实时播报的城市扩大到338个，目前全国已有近1500个国控监测站点（不包含省级）。这一大气污染物数据监测网络将随着国务院新颁布的《生态环境监测网络建设方案》（简称方案）进一步扩大。《方案》中提出环境监测要“天地一体”，强化高新技术的使用。这意味着我们将拥有一个体量巨大的三维空间和时间的多污染物数据集，这一数据集同中央气象局在全国几千个观测站点的逐时气象数据，以及地理信息系统、中国统计局等多个数据源一起构成了大气污染与气象、地理、经济各个因素的海量数据。这标志着中国的大气环境保护与管理已经迈入了数据时代。

生态环境监测网络发展的一个技术关键是建立以海量数据、大气环境理论和技术为基础，结合统计分析方法的空气污染评估诊断模型体系。这一体系将通过数据分析给出区域空气污染的科学诊断，提炼出空气质量管理的策略，为重获蓝天和经济可持续发展的决策提供关键性的技术支持。

中国的空气监测还有待改进

我们观测的大气污染物浓度主要受污染排放、气象因素及其交互作用的影响。

气象因素对污染物的传输和扩散有着重要影响，但是在大气污染治理中我们只能控制污染排放，因此空气质量评估的一个核心问题是去除污染物数据中气象因素的“贡献”，客观量化污染物排放对空气质量的影响。之前的研究发现，北京城区PM2.5近75%的变化可以由气象因素解释。这说明目前各级大气管理部门使用的空气质量指标受气象因素的影响很大，客观程度有待提高。我们要根据所处的天气条件对PM2.5浓度进行调整。换句话说，我们在作环境污染评估比较的时候，要去掉天气的影响，从而能估算到排放量的实际变化，这样才科学合理。

在过去几年中，北大环境统计团队分析了北京城区PM2.5的逐时浓度数据，通过对PM2.5与气象变量建立统计学模型，以多年气象数据为基准调整的PM2.5月均值和分位数浓度为依据，获得可公平比较的污染浓度估计。该方法又被拓展到分析比较其他重要城市多站点的空气质量。同时，该研究也发现，在一些主要城市，有些站点的污染物数据缺失比例高达50%以上。目前，对全国国控站数据系统的质量监测还有待改进。

统计学助力空气质量研究

大气污染防治与管理的一个重要方面是利用多源空气污染物数据，科学地评估空气污染的状况，从而准确度量大气污染防治策略的效果，及时提出调整和改进方案。但通过提炼数据来评估空气污染现状和防治政策效果，需要运用先进的统计学分析技术与诊断模型。

1.空气质量评估方法。大气污染浓度受天气因素的影响很大，而每年的气象条件（风力、气温等）可能变化很大。这使得直接从浓度数据计算平均数得到的空气质量标准不能完全反映排放水平。在可比气象条件下，公平的评估方法是开展空气质量管理的一个重要手段。我们应当研发在可比气象条件下度量污染物浓度的统计学诊断方法，用于公平地评价不同时间和地点的污染物水平及变化趋势。同时利用污染物时间-空间分布的统计模型，结合统计观察研究方法，获得在不同时间和空间位置下客观评价空气质量的统计诊断方法。需要强调的一点是，只有使用公平、客观和科学的空气质量评估方法，才能真正调动地方政府治理大气污染的积极性和科学性。不公平的评估方法将扭曲大气防治政策的效果。

2.大气污染物数据质量监控。随着众多污染物数据在全国范围内的收集，这一海量数据的质量将成为大气质量管理的重要保障。在PM2.5成为空气质量标准之前，中国各城市蓝天天数是通过PM10的浓度来计算的，该指标也被纳入了政府官员的業绩考核内。有研究发现一些地区的PM10数据质量不高，甚至出现人为干扰。具体表现在PM10的统计分布在某些地方存在很强的不连续性。这种不连续性是大气化学和物理规律所不能解释的。

大气环境监测数据的质量主要受以下四个方面影响：（1）数据的变异程度。去除气象因素后监测数据的变异程度大则表示数据质量不高。（2）数据缺失分布状况。2013年很多国控站点的污染物数据有超过50%的缺失，非国控站点就更严重。虽然数据缺失比率在过去两年有所下降，但有些站点还是很高，严重影响数据质量。这就需要利用统计学缺失数据技术，寻找数据缺失同气象条件和污染状况的统计规律。（3）污染物数据（主要是PM2.5）受到人为干扰。我们可以通过多污染物间的统计学规律，诊断一个地区PM2.5数据同其他污染物的匹配性。利用卫星遥感数据，挖掘遥感数据与PM2.5及其他污染物数据的内在关系，交叉验证地面观测的污染浓度。（4）地面监测站点分布稀疏，造成区域数据观测不完整。这就需要利用统计方法，对监测站点布局再优化，提高站点网络数据的代表性和收集效率。

3.对污染与宏观经济、人口健康的计量分析。世界各国的经验表明，社会经济的发展往往伴随着污染问题，而污染问题也反过来制约社会经济的发展。对经济发展与环境污染之间的关系，人们常用库兹涅茨倒U型曲线进行量化：初始阶段的经济发展将导致污染增加，但经济发展到一定阶段，污染会逐渐降低。不同国家处于该曲线的不同阶段，在不同的国家社会背景下该曲线也会呈现各种差异。该曲线常用于指导不同国家的经济发展策略。不同的经济活动会对污染状况造成不同的影响，例如，有研究发现社会公共物品的开支比例增加和支出结构优化会减少污染。

除了经济活动对污染的影响，污染排放反过来也会给国家的经济产业带来巨大冲击。就第一产业农业而言，愈发严重的大气污染状况，包括臭氧、SO2以及雾霾等，均严重地威胁各个国家的农业经济产出。印度的统计分析结果显示，1996-1984年的雾霾使得印度的水稻产量降低了3.9%，而在1985-1998年该影响达到了10.6%。

此外，大气污染对民众的健康威胁也是研究的热点之一。研究表明颗粒污染物的短期暴露对居民死亡率有显著影响，并且对老人、儿童及患有慢性心肺疾病的人有更加严重的影响。哈佛大学和美国癌症协会的研究证实，长期暴露在颗粒污染物中会对人体健康有重大影响，颗粒污染物每增加10?g/m3，死亡率就会增加约4%。近期的研究表明污染物组成成分的差异对健康也有显著不同的影响。

中国的大气污染问题归根结底是经济问题。研究环境污染如何因经济活动而产生，同时量化环境污染对经济发展的影响以及开展相关政策分析，具有重要意义。我们将研究宏观经济如何影响大气污染，在实证分析和经济理论建模相结合的基础上对污染物数据进行研究，为大气污染治理提供政策建议。同时，也将对政府在末端治理和结构性调整方面的政策进行研究，对区域间经济和污染的空间相关性进行分析，为宏观经济政策的制定和地方政府跨区域政策的配合提供科学基础。

（作者为国家特聘专家、北京大学统计科学中心主任）