污水处理厂减排效率的统计评价及影响因素分析

佟庆远 孙傅 董欣 高建

摘要 污染物减排和能源消耗成为衡量污水处理厂环境绩效的重要维度，提升污水处理厂的可持续性需要提高单位能耗的污染物减排效果，即污染物减排效率。采用数据包络分析方法，利用我国5 157座污水处理厂2007年至2017年的长历时运行数据，以电耗作为投入，以化学需氧量（COD）、悬浮颗粒物（SS）、氨氮（NH3-N）和总磷（TP）等污染物指标的去除率作为产出，分析我国污水处理厂污染物减排效率的动态变化特征及其影响因素。结果表明，2007年至2017年我国污水处理厂的吨水处理电耗均值处于0.33 kW·h和0.46

kW·h之间，COD、SS、NH3-N和TP的去除率持续上升。污水处理厂减排效率的均值在34.0%到40.0%之间，2007年至2013年减排效率呈现上升趋势，2013年至2017年有所下降。从处理规模看，污水处理厂的减排效率总体上与处理规模呈正相关，2007年至2017年之间不同规模污水处理厂减排效率的差距在不断缩小;从处理工艺看，SBR及其改良工艺、氧化沟和A2/O工艺的减排效率相对较高，MBR工艺的减排效率相对较低;从经济地理区域看，珠三角、中部和西南区域污水处理厂的减排效率相对较高，西北区域相对较低;从进水污染物浓度看，进水COD浓度与减排效率呈倒U型曲线关系;从影响因素的交互作用看，处理规模、处理工艺、经济地理区域、进水COD浓度等4个因素之间的交互作用对减排效率具有显著影响。可以通过提升污水处理厂运营管理水平、推动大型污水处理厂技术革新、新建污水处理厂的工艺选择综合考虑减排效率影响因素、加强排水管网系统的规划设计和运行维护等方法，提升我国整个污水处理行业的减排效率。

关键词 污水处理厂;减排效率;电耗;数据包络分析

中图分类号 X32   文献标识码 A   文章编号 1002-2104（2019）04-0049-09   DOI：10.12062/cpre.20181007

伴随着快速的城镇化进程，我国城镇污水处理厂的数量和规模也在快速增长。“十五”至“十二五”期间，我国城市污水处理率从2000年的34.3%上升至2017年的93.0%，污水处理能力从日处理0.47亿t提升至1.6亿t。在这一快速发展时期，我国城镇污水处理设施建设也逐步从“规模增长”向“提质增效”转变。根据原国家环境保护总局2005年《关于严格执行〈城镇污水处理厂污染物排放标准〉的通知》及2006年修订的《城镇污水处理厂污染物排放标准》（GB18918—2002）要求，城镇污水处理厂出水排入国家和省确定的重点流域及湖泊、水库等封闭、半封闭水域时执行一级标准的A标准，拉开了我国城镇污水处理厂“提标改造”的序幕。污水处理是高能耗行业，在分解和转化污水中的污染物质、减少水污染物排放的同时，需要消耗大量的能源。据统计，瑞典的污水处理厂电耗占全社会电耗1%，德国的污水处理电耗占市政用电量的20%[1]。2017年我国污水处理厂电耗达到190亿kW·h，占全社会电耗的0.5%。随着我国温室气体排放控制的持续推进，污染物减排和能源消耗成为衡量污水处理厂环境绩效的两个重要维度，提升单位能耗的污染物减排效果即污染物减排效率必然成为污水处理“提质增效”的重要发展方向。因此，选用合理的方法和指標，科学评价污水处理厂的减排效率，是当前和今后一段时期该行业亟需关注和解决的重要问题之一。

1 问题的提出

现有对污水处理厂效率的研究大多采用关键指标评价法、层次分析法和生命周期分析等方法[2-5]，但这些评价方法都需要大量的支撑数据，而我国污水处理行业的数据相对匮乏，因此这些方法更适用于典型案例的评估，很难应用于全国污水处理行业的效率评估。近年来，随机前沿分析（Stochastic Frontier Analysis，SFA）与数据包络分析（Data Envelopment

Analysis，DEA）方法被应用于污水处理厂的效率评估。HernandezSancho等[6-7]采用DEA方法评价了西班牙338个污水处理厂的效率，其后又采用非径向DEA方法评价了西班牙177个污水处理厂的效率;Gomez等[8]和Guerrini等[9]分别采用基于双重自助法的DEA模型评价了西班牙30个污水处理厂和意大利127个污水处理厂的效率。在我国，Dong等[10]将DEA与不确定性分析方法相结合，评价了我国736座污水处理厂的效率;李鑫等[11]采用DEATobit模型评估了2014年我国413个县域污水处理设施的效率;买亚宗等[12]采用DEA模型分析了2013年我国74座达到一级A排放标准且处理工艺相同的污水处理厂的效率与处理规模之间的关系。

污水处理厂效率的影响因素一直是污水处理行业的热点研究问题之一。朱五星等[13]在2005年提出气候条件、温度条件等影响污水处理的效率，因此经济地理区域特征的差异对污水处理厂的效率有显著影响。梅小乐等[14]根据国内外文献，筛选出影响污水处理厂能耗的重要因素包括处理工艺、处理规模、水泵运行方式、曝气类型和自然条件。杨凌波等[15]对2006年我国城市污水处理厂能耗规律进行了统计分析，提出污水处理厂所处地区的自然环境条件和社会经济总体能耗水平、处理工艺、处理规模、污染物去除量和所接纳工业废水的比例是影响污水处理厂运营效率的关键因素。石教娟[1]在2013年采用平衡统计方法建立污水处理厂效率评估体系时，提出污水处理厂运行规模对能耗影响较大，不同处理工艺和运行年限对能耗有影响但较小，污染物排放浓度、运营管理对污水处理厂效率影响较大。何强等[16]2012年从建设和运营的角度研究了经济地理区域、规模与污水处理工艺选择的关系，认为不同经济地理区域和不同处理规模的污水处理厂应该采用不同的处理工艺。

虽然国内外已有针对污水处理厂效率的研究，但以节能减排为目标和依据对污水处理厂效率进行评价的研究却并不多见。同时，以往研究均采用历史截面或短历时数据进行评估分析，无法考察污水处理厂效率随时间的动态变化特征，因此不能检验国家水污染防治重大政策措施如“提标改造”和“总量减排”等对污水处理厂能耗与减排的影响，也无法识别这些影响因素对污水处理厂效率影响的动态变化特征。此外，现有研究多依据分散调查的部分污水处理厂的运营数据，容易产生外部效度不足的问题，难以全面反映全国污水处理行业效率的总体状况。本文基于2007年至2017年我国5

157座污水处理厂的长历时数据，运用DEA方法对这些污水处理厂的污染物减排效率开展动态评估，在全国宏观层面分析污染物减排效率的动态变化特征，并研究不同因素对污染物减排效率的影响。

2 研究框架与方法

2.1 减排效率评估框架

本文评估污水处理厂污染物减排效率的方法框架如图1所示。采用污水处理厂电耗作为DEA模型的输入，选用多种污染物的去除率作为输出，将模型计算得到的减排效率作为衡量污水处理厂能耗与污染物减排关系的标准，同时采用方差分析等方法对减排效率进行统计分析。

2.2 DEA模型

Charnes等[17]提出计算生产过程中投入和产出效率问题的DEA方法，其核心是用线性规划的方法评价多投入和多产出决策单元的效率。其原理是通过保持决策单元的投入或者产出不变，借助线性规划来构建相对有效的生产前沿面，然后将各个决策单元投影到生产前沿面上，通过比较各个决策单元偏离生产前沿面的距离来评判各个决策单元的相对有效性。

对于投入X和产出Y，（Xt，Yt ）表示在t期的生产决策单元，在t期的生产集合为：

T=（Xt，Yt ）

（Xjt，Yjt

），j=1，2，3…，n

则总的生产决策单元集合为：

T△={（Xt1，Yt1 ），（Xt2，Yt2 ），…，（Xtj，Ytj

） }

定义F为距离函数，θ为技术效率测度。

Ftj0 （Xtj0，Ytj0 ）=minθ

使得：

∑nj=1γjXtj≤θ Xtj0

∑nj=1μj Ytj≥ Ytj0

其中，γj≥0，μj≥0。γ和μ为投入和产出的系数矩阵。θ的值就是第j个决策单元的效率分数，应满足θ≤1，1代表有效生产前沿面上的点，即技术有效的决策单元。

2.3 指标选择

以往采用DEA方法分析污水处理厂经济效率，多将处理规模、运营成本和雇员人数等作为投入变量[11-12]。本文重点考察污水处理厂能耗与污染物减排的关系，因此DEA模型的投入变量选取电耗指标。首先，电耗作为投入变量具有明确的物理意义，体现了污水处理过程中污染物去除与能耗之间的耦合关系，综合了污水处理厂环境绩效的两个维度。其次，电耗是我国污水处理厂运营成本中最重要的组成部分，通常占总成本的70%[16]，采用电耗作为投入变量在一定程度上表征了污水处理厂的整体运营效率。由于本研究已将模型投入变量折算为污水处理单位电耗，即处理每吨污水的电耗，因此不再把污水处理厂规模作为投入变量，仅作为关键因素分析其对减排效率的影响。另外，由于我国污水处理厂普遍由政府事业单位改制而来，其实际人员数量与运营所需人员数量差距较大，导致单位产出投入的人员数量与减排效率之间相关性较差[18]，因此雇员人数也不作为DEA模型的投入变量。

对于污水处理厂的污染物减排指标，本文选择多种污染物的去除率作为DEA模型的产出变量。考虑到本文的效率评价单元较多，DEA模型的自由度足够计算更多的产出变量，因此允许较为全面地选取污染物减排指标。综合“十一五”和“十二五”期间“总量减排”的考核指标和“提标改造”重点关注的污染物指标，选取化学需氧量（COD）、悬浮颗粒物（SS）、氨氮（NH3-N）和总磷（TP）的去除率作为模型的产出变量。

利用DEA模型计算得到污水处理厂的污染物减排效率，在此基础上分析处理规模、处理工艺、经济地理区域、进水污染物浓度等单一因素及其交互作用对减排效率的影响。

2.4 研究样本

采用中国城镇供水排水协会汇编的全国污水处理厂2007年至2017年的年度运营统计数据，包括各个污水处理厂的规模、工艺、电耗、污染物去除率等指标。经人工校对数据并剔除缺失電耗等重要指标数据的污水处理厂后，共获得5 157座污水处理厂的运营数据。由于这11年间污水处理厂有新建或者关闭的情况以及部分污水处理厂统计上报信息缺失等，最终获得历年污水处理厂有效样本的数量不完全一致。如表1所示，2007年有效样本数为653座，而2017年为4437座。

3 污染物减排效率及其变化

2007年至2017年全国污水处理厂电耗和污染物去除率的均值和标准差如表1所示。从表中可以看出，2007年至2017年我国污水处理厂的吨水处理电耗均值处于0.33 kW·h和0.46 kW·h之间，高于美国污水处理厂均值0.29kW·h[1]。我国污水处理厂大范围执行一级A排放标准，其出水水质标准明显高于美国《清洁水法》规定的基本污水排放标准[19]，因此我国污水处理厂电耗水平高于美国是符合预期的。

表1表明，我国污水处理厂的污染物去除率持续上升。特别值得注意的是，NH3-N去除率从2007年的75.1%攀升到了2017年的90.9%，提升了15.8%;TP去除率从72.3%上升到了83.0%，提升了10.7%。NH3-N和TP去除率的快速提升与其在“十二五”期间被纳入“总量减排”和污水处理厂“提标改造”的考核指标有关。在污染物去除率稳步上升的过程中，污水处理厂的吨水处理电耗在2007年至2013年总体呈下降趋势，2013年后缓慢上升。这一变化过程在一定程度上体现了“十一五”以来，由于污水处理厂技术工艺的总体改进，同步实现了节能和减排，而随着技术工艺潜力挖掘完成，只能依靠增大能耗进一步提高污染物的去除率。

从表1还可以看出，污水处理厂的电耗和污染物去除率的标准差较大，表明不同污水处理厂之间存在较大的个体差异。但是，从2007年至2017年，各个指标的标准差总体呈现逐年减小的趋势，说明我国污水处理厂运营的差异在逐步缩小，趋近行业平均水平。

以电耗作为投入，以多种污染物去除率作为产出，运用DEA模型计算得到2007年至2017年全国5157座污水处理厂的减排效率变化结果如表2所示。从表中可以看出，我国污水处理厂的减排效率均值在34.0%到40.0%之间，说明大部分污水处理厂的减排效率与构建的生产前沿面的距离较大。从减排效率的历年变化可以看出，减排效率在2007年至2013年呈现上升趋势，从2013年至2017年有所下降，但总体变化不大。2013年以前污水处理厂减排效率的提升，可能与我国“十一五”以来大力推进污水处理厂“提标改造”有关。而2013年以来减排效率的下降则意味着，如果未来污水处理技术没有大幅度创新，污水处理厂继续“提标”，则其单位电耗会进一步增大。

4 影响因素的数理分析

4.1 处理规模与减排效率的关系

2017年全国4437座污水处理厂的日处理规模从0.2万t至220万t不等，平均日处理规模为3.35万t。本文将日处理规模划分为0.5万t以下、>0.5～1万t、>1～2万t、>2～5万t、>5～10万t和10万t以上6个区间，考察日处理规模对污水处理厂减排效率的影响。按此分类统计2007年至2017年不同规模污水处理厂的数量分布如图2所示，可以看到每一个规模区间仍有足够的样本进行模型计算。从图2可知目前我国日处理5万t以下的污水处理厂在数量上占到80%以上，同时2013年以后处理能力0.5万t以下的污水处理厂快速增长，因此关注小型污水处理厂的运营效率问题对于整个污水处理行业的可持续发展更为重要。

效率计算结果箱线图。从图中可以看出，减排效率均值按平均日处理规模从小到大依次为0.250、0.311、0.333、0.365、0.430和0.440，总体上呈正相关，这与李鑫、买亚宗、王佳伟等[11-12，20]的研究结论类似。但是通过置信区间95%的方差分析可知，日处理10万t以上污水处理厂的减排效率随处理规模的增长不显著，其原因可能是日处理规模大于10万t的污水处理厂通常是由多个5～10万t的处理单元并联而成。从图4所示的2007年至2017年不同规模污水处理厂减排效率的变化来看，不同规模污水处理厂减排效率的差距在缩小，2007年最大差异为0.30，2017年仅为0.19;小型污水处理厂的减排效率缓慢上升，大型污水处理厂的减排效率略有下降。通过对2007年以前建成的污水处理厂减排效率的跟踪发现，早期建成的污水处理厂的减排效率在2007年至2017年之间呈现缓慢下降的状态，而近年来新建的大量中小型污水处理厂由于采用了较新的工艺和管理技术，带动了中小型污水处理厂减排效率的总体提升。

处理规模与减排效率关系的分析结果说明，大型污水处理厂通常拥有较高的减排效率，而小型污水处理厂的减排效率则有很大的提高空间。针对目前我国中小型污水处理厂占绝大多数的现状，挖掘和提高中小型污水处理厂的减排效率是提升整個污水处理行业可持续发展效率的可行路径。

4.2 处理工艺与减排效率的关系

2007—2017年不同工艺污水处理厂的数量变化如图5所示。从图中可以看出，各种处理工艺的污水处理厂在“十二五”期间快速增长，在“十三五”期间增长速度趋缓;氧化沟、A2/O和SBR及其改良工艺在10年间发展迅速，且比例不断上升。在2017年统计的4437座污水处理厂中，28.1%为氧化沟工艺，23.7%为A2/O工艺，17.0%为SBR及其改良工艺，10.0%传统活性污泥工艺，4.8%为AO工艺，3.4%为生物滤池工艺，2.9%为MBR工艺。这一分布与国内其它学者发表文献中的污水处理厂工艺分布基本吻合[9，18]，这也表明了本文污水处理厂样本的充分代表性。

图6为2017年我国不同处理工艺污水处理厂的减排效率计算结果箱线图。从图中可以看出，不同工艺污水处理厂的减排效率存在差异，但差异较小。根据95%置信区间的两两对比方差分析可知，SBR及其改良工艺、氧化沟和A2/O工艺的减排效率相对较高，其2017年的减排效率均值分别为0.391、0.386和0.385;MBR工艺的减排效率相对较低，均值为0.355，这与MBR工艺中膜污染控制所需要的电耗有关。图7所示为2007年至2017年全国不同处理工艺污水处理厂的减排效率，可以看出所有处理工艺的减排效率均值从2007年以来呈现波动下降的趋势，说明在现有工艺和技术水平下，大幅提升污水处理厂  的污染物排放标准需要以更高的电耗投入作为代价。

以往部分研究认为SBR工艺的电耗水平较高，如梅小乐采用103座SBR污水处理厂2006年的数据计算得到SBR平均电耗高于氧化沟工艺和A2/O工艺[14]。但从本文的计算结果来看，2007—2017年SBR及其改良工艺的减排效率与氧化沟和A2/O处于同一较优水平。2017年，SBR及其改良工艺的电耗均值（0.340 kW·h/t）低于全部样本均值（0.368 kW·h/t），接近氧化沟工艺（0.338 kW·h/t）和A2/O工艺（0.339kW·h/t）的水平。这可能是因为污水处理厂样本之间的个体差异以及污水处理工艺其他环节的电耗差异掩盖了处理工艺之间的差异，比如有研究指出提升泵房的电耗和曝气的方式对污水处理厂能耗有显著影响[19]。同时，从4种污染物中NH3-N的去除率可以看出，2017年SBR及其改良工艺的去除率均值达到92.3%，高于氧化沟（91.1%）和A2/O（91.5%）的平均水平。从减排效率的角度看，中小型污水处理厂采用SBR及其改良工艺是比较适宜的，大型污水处理厂采用A2/O工艺是符合减排效率要求的。

4.3 经济地理区域与减排效率的关系

1996年第八届全国人民代表大会第四次会议上通过的《国民经济和社会发展“九五”计划和2010年远景目标纲要》把中国大陆分为七大经济地理区域，这种划分方式综合反映了气候及自然地理条件和经济发展水平的区域相似性。图8为不同经济地理区域污水处理厂的减排效率计算结果箱线图，从图中可以看出不同经济地理区域的减排效率差异显著。根据95%置信区间的两两对比方差分析可知，不同经济地理区域按减排效率均值高低分为三组：第一组为珠三角、中部和西南（均值依次为0.633、0.554和0.545），第二组为东北、长三角和华北（均值依次为0.513、0.479和0.471），第三组为西北（均值为0.378）。以往研究表明，经济发达地区污水处理厂的运营效率高于经济相对落后地区，平均气温高的区域高于平均气温低的区域，人口密度高的区域高于人口密度低的区域，湿润的地区高于干旱的地区[10-12]，本文减排效率的比较结果总体上与这些结论相符。考虑到区域差异，不同经济地理区域可以基于區域特征构建污水处理厂减排效率的标杆，评估和持续提升本区域污水处理厂的环境绩效。

4.4 进水污染物浓度和减排效率的关系

以COD为代表的进水污染物浓度与污水处理厂减排效率的关系如图9所示。从图中可以看出，2017年我国污水处理厂的进水COD浓度主要分布在150～250 mg/L，占全部污水处理厂的60%以上;约6%的污水处理厂进水COD浓度小于100mg/L，这明显低于生活污水通常浓度，说明有外水汇入稀释;超过15%的污水处理厂进水COD浓度大于400 mg/L，说明有其它来源污水特别是高浓度工业废水的汇入。

从图9可以看到，污水处理厂进水COD浓度与减排效率呈现倒U型曲线的关系，COD浓度在150～250mg/L时减排效率最高。这一倒U型关系可由图10所示的进水COD浓度与COD去除率和吨水电耗之间的关系得到解释。从图10可以看出，随着进水COD浓度的升高，COD去除率逐步升高但增速趋缓，而吨水电耗先下降后上升且上升较快，因此减排效率与进水COD浓度呈现倒U型曲线关系。

同时，现有研究发现，污水处理厂进水污染物浓度、污染物削减浓度、能耗等存在地区差异[21]。图11所示为2017年各经济地理区域污水处理厂的进水COD浓度，可以看出各区域COD浓度均值从高到低依次是西北、华北、长三角、东北、中部、西南、珠三角，两两对比方差分析结果也表明均值在95%置信区间上差异显著。珠三角、西南和中部3个区域的污水处理厂的进水COD浓度在7个区域中处于较低水平，东北、长三角和华北处于中等水平，西北最高。综合不同经济地理区域污水处理厂进水COD浓度与减排效率的结果，可以看出污水处理厂进水污染物浓度差异是导致不同经济地理区域减排效率差异的重要原因。

通过污水处理厂进水污染物浓度与减排效率关系的分析可知，污水处理厂普遍存在外水汇入的现象，导致进水浓度远低于或者远高于生活污水的浓度，同时改变污染物组分的比例，降低污水处理厂的减排效率。结合经济地理区域来看，珠三角区域污水处理厂进水COD浓度均值只有157.7 mg/L，其中51%污水处理厂的进水COD浓度小于150 mg/L;西南区域均值只有175.4 mg/L，其中40.0%污水处理厂的进水COD浓度小于150 mg/L。这意味着这些区域的污水收集系统可能存在地下水入渗、雨污混流或雨水管错接等问题。西北区域污水处理厂进水COD浓度较高，均值为346.6 mg/L，17.5%污水处理厂的进水COD浓度高于500 mg/L，最高甚至达到1 500 mg/L，进水COD浓度说明该区域的污水收集系统可能接纳了大量工业废水。因此，从提升污水处理厂减排效率的角度看，应加强排水管网系统的规划设计和运行维护，如工业废水整治和接入管理、排水管网日常维护等。

4.5 多因素的交互作用

以往开展处理规模、处理工艺、经济地理区域和进水污染物浓度等因素交互作用对污水处理厂减排效率影响的研究较少。采用多因素方差分析上述4个因素交互作用对减排效率影响，结果如表3所示。从表中可以看出，经济地理区域、处理规模、处理工艺、进水COD浓度等4个因素之间的交互作用对污水处理厂减排效率具有显著影响，这恰恰表明了减排效率是多种影响因素共同作用的结果。

进一步考察多因素方差分析结果，可以从减排效率的角度获得典型的优势组合。例如，在西南区域，日处理规模5～10万t、进水COD浓度150～200mg/L的污水处理厂，采用氧化沟工艺和A2/O工艺时减排效率较高，均值分别达到了0.70和0.69。再如，在西北和西南区域，日处理规模1～2万t、进水COD浓度100～150

mg/L的污水处理厂，采用SBR及其改良工艺时减排效率最高，均值分别为0.67和0.68，这与何强等[16]根据层次分析法分析提出西部区域0.2～2万t/d的小型污水处理厂应采用改良SBR工艺的结论相吻合。由此可见，新建污水处理厂在选择处理工艺时应综合考虑经济地理区域、处理规模、进水污染物浓度等特征，这既与污水处理厂设计的长期实践经验相符，也有利于在节能减排双重环境绩效要求下提升污水处理厂的减排效率。

4.6 污水处理行业减排效率提升路径

通过研究处理规模、处理工艺、经济地理区域和进水污染物浓度等因素及其交互作用对污水处理厂减排效率的影响，可以为我国污水处理行业减排效率的整体提升提出建议。

（1）整个污水处理行业特别是低于行业平均水平的污水处理厂，需要进一步提升运营管理水平，深挖管理减排潜力。

（2）现有小型污水处理厂提升减排效率应侧重优化运营管理，大型污水处理厂应侧重技术革新，例如引入物质和能源回收技术等。

（3）新建污水處理厂应以提高减排效率为目标，综合考虑所在区域、处理规模、进水污染物浓度等因素选择处理工艺。

（4）加强排水管网系统的规划设计和运行维护，减少地下水入渗、雨水和工业废水混接错接等问题，维持污水处理厂适宜的进水污染物浓度。

5 结 论

本文采用DEA模型方法，以电耗作为投入，以COD、SS、NH3-N和TP的去除率为产出，评估污水处理厂的污染物减排效率。采用2007年至2017年我国5

157座污水处理厂长历时、大样本的运营数据，分析了污水处理厂减排效率的动态变化特征及其影响因素。研究结果表明。

（1）我国大部分污水处理厂的减排效率与构建的生产前沿面的距离较大。减排效率在2007年至2013年呈现上升趋势，2013年至2017年有所下降。

（2）从处理规模看，污水处理厂减排效率均值总体上与平均日处理规模呈正相关。2007年至2017年，小型污水处理厂的减排效率缓慢上升，大型污水处理厂的减排效率略有下降，不同规模污水处理厂减排效率的差距在不断缩小。

（3）从处理工艺看，SBR及其改良工艺、氧化沟和A2/O工艺的减排效率相对较高，MBR工艺的减排效率相对较低。2007年至2017年，不同处理工艺污水处理厂的减排效率呈波动下降趋势。

（4）从经济地理区域看，珠三角、中部和西南区域污水处理厂的减排效率最高，东北、长三角和华北区域次之，西北区域最低。

（5）从进水污染物浓度看，进水COD浓度与污水处理厂减排效率呈倒U型曲线关系，COD浓度在150～250mg/L时，污水处理厂的平均减排效率最高。

（6）从影响因素的交互作用看，经济地理区域、处理规模、处理工艺、进水COD浓度等4个因素之间的交互作用对污水处理厂减排效率具有显著影响。

（编辑：李 琪）

参考文献

[1]石教娟. 基于节能减排的污水处理厂绩效评估体系的研究[D]. 广州： 暨南大学，2013.

[2]宋国君， 韩冬梅. 中国城市生活污水管理绩效评估研究[J]. 中国软科学， 2012（8）： 75-83.

[3]HE F， CHEN W， ZHU L， et al. Energy consumption evaluation in urban wastewater treatment plant based on AHP[J]. Oxidation communications， 2016， 39（1A）：1100-1107.

[4]LIMPHITAKPHONG N， PHARINO C， KANCHANAPIYA P. Environmental impact assessment of centralized municipal wastewater management in Thailand[J]. The international journal of life cycle assessment， 2016， 21（12）：1789-1798.

[5]LORENZOTOJA Y， VAZQUEZROWE I， AMORES M J， et al. Benchmarking wastewater treatment plants under an ecoefficiency perspective[J]. Science ofthe total environment， 2016， 566-567： 468-479.

[6]HERNANDEZSANCHO F， SALAGARRIDO R. Technical efficiency and cost analysis in wastewater treatment processes： a DEA approach[J]. Desalination， 2009， 249（1）：230-234.

[7]HERNANDEZSANCHO F， MOLINOSSENANTE M， SALAGARRIDO R. Energy efficiency in Spanish wastewater treatment plants： a nonradial DEA approach[J].Science of the total environment， 2011， 409（14）： 2693-2699.

[8]GOMEZ T， GEMAR G， MOLINOSSENANTE M， et al. Assessing the efficiency of wastewater treatment plants： a doublebootstrap approach[J]. Journal of cleaner production， 2017，164： 315-324.

[9]GUERRINI A， ROMANO G， INDIPENDENZA A. Energy efficiency drivers in wastewater treatment plants： a double bootstrap DEA analysis[J].Sustainability， 2017， 9（7）： 1126.

[10]DONG X， ZHANG X， ZENG S. Measuring and explaining ecoefficiencies of wastewater treatment plants in China： an uncertainty analysis perspective[J]. Water research， 2017， 112：195-207.

[11]李鑫， 孫小霞， 苏时鹏. 基于DEATobit模型的中国县域污水处理服务减排效率测评[J]. 资源科学， 2017，39（3）： 451-460.

[12]买亚宗， 肖婉婷， 石磊， 等. 我国城镇污水处理厂运行效率评价[J]. 环境科学研究， 2015，28（11）： 1789-1796.

[13]朱五星， 舒锦琼. 城市污水处理厂能量优化策略研究[J]. 给水排水， 2005， 31（12）：31-33.

[14]梅小乐， 周燕. 城市污水处理厂节能水平评估标准探讨[J]. 给水排水， 2011， 37（3）： 45-49.

[15]杨凌波， 曾思育， 鞠宇平， 等. 我国城市污水处理厂能耗规律的统计分析与定量识别[J]. 给水排水， 2008， 34（10）： 42-45.

[16]何强， 李彦春， 龙腾锐， 等. 中国西部小城镇环境基础设施经济适用技术识别、集成与示范[J]. 中国科技成果， 2012（11）：61-62.

[17]CHARNES A， COOPER W W， RHODES E. Measuring the efficiency of decision making units[J]. European journal of operations research， 1978， 2（6）：429-444.

[18]佟庆远， 高建. PPP模式影响公共事业财务绩效的实证研究[J]. 技术经济， 2018， 37（5）：136-143.

[19]任慕华， 张光明， 彭猛. 中美两国城镇污水排放标准对比分析[J]. 环境保护， 2016， 44（2）： 68-70.

[20]王佳伟， 张天柱， 陈吉宁. 污水处理厂COD和氨氮总量削减的成本模型[J]. 中国环境科学， 2009， 29（4）： 443-448.

[21]任福民， 毛联华， 阜葳， 等. 中国城镇污水处理厂运行能耗影响因素研究[J]. 给水排水， 2015， 41（1）：42-47.Statistical assessment and determinant analysis of the pollutantremovalefficiencies of wastewater treatment plantsTONGQingyuan1 SUN Fu2 DONG Xin2 GAO Jian1（1.School of Economics and Management，Tsinghua University， Beijing 100084， China;2.School of Environment， TsinghuaUniversity， Beijing 100084， China）

Abstract Pollutant discharge reduction and energy consumption are two key dimensions in measuring the environmental performance of wastewater treatment plants （WWTPs）. It is critical to enhance WWTPs sustainability by improving the pollutant discharge reduction per unit of energy consumption， i.e. the pollutant removal efficiency. Based on the longterm operation data of 5 157 WWTPs in China between 2007 and 2017， data envelopment analysis （DEA） was applied， with power consumption as input and the removal rates of chemical oxygen demand （COD）， suspended solids （SS）， ammonia nitrogen （NH3-N）， and total phosphorus （TP） as output， respectively， to study the dynamic characteristics and determinants of the pollutant removal efficiencies of WWTPs. Results showed that the power consumption of WWTPs in China ranged from 0.33 kW·h to 0.46 kW·h per ton of treated wastewater， while the removal rates of COD， SS， NH3-N and TP rose steadily between 2007 and 2017. The average pollutant removal efficiency of WWTPs varied between 34.0% and 40.0%， and it increased from 2007 to 2013 but decreased from 2013 to 2017. Regarding treatment capacity， the pollutant removal efficiencies of WWTPs were positively correlated with their treatment capacity， and the gap in pollutant removal efficiencies between WWTPs of different treatment capacity narrowed from 2007 to 2017. In terms of treatment process， SBR and its variants， oxidation ditch and A2/O had relatively high pollutant removal efficiencies， while those of MBR were relatively low. With respect to economic geography， the pollutant removal efficiencies of WWTPs in the Pearl River Delta， Central China and Southwest China were relatively high， while those in Northwest China were relatively low. From the perspective of influent pollutant concentrations， the pollutant removal efficiencies and the influent COD concentrations of WWTPs exhibited an inverted ‘U relationship. The combined effects of these determinants on the pollutant removal efficiencies were also examined， and the interactions among the region， treatment capacity， treatment process， and influent COD concentration had significant impacts on the pollutant removal efficiencies. The pollutant removal efficiency of the entire wastewater treatment industry could be elevated by enhancing operation and management of WWTPs， promoting technology innovations in largecapacity WWTPs， determining the treatment processes of new WWTPs with the consideration of potential factors that influence the pollutant removal efficiency， and improving the planning，

design， operation and maintenance of sewage systems.

Key words wastewater treatment plant; pollutant removal efficiency; power consumption; DEA