王新富，高良敏，周曉芳，顧 昕，劉凌寒

(安徽理工大學(xué)地球與環(huán)境學(xué)院，安徽 淮南 232001)

近些年，隨著社會(huì)經(jīng)濟(jì)的高速發(fā)展，城市環(huán)境空氣質(zhì)量問(wèn)題日益突出[1]。根據(jù)國(guó)內(nèi)外研究，伴隨著全球環(huán)境變化和經(jīng)濟(jì)的快速發(fā)展，空氣污染已逐漸成為影響人類健康的重要因素[2]。文獻(xiàn)[3]等利用Air Q模型量化了伊朗地區(qū)因PM10和SO2濃度增加從而導(dǎo)致的死亡率和發(fā)病率。文獻(xiàn)[4]等首次為20個(gè)印度城市建立排放清單，通過(guò)分散模型評(píng)估大氣中顆粒污染趨勢(shì)并確定各個(gè)排放來(lái)源貢獻(xiàn)。文獻(xiàn)[5]等通過(guò)建立模型定量評(píng)估了廣州各種排放源的減排對(duì)減少空氣污染的貢獻(xiàn)。因此，通過(guò)建立科學(xué)合理的評(píng)價(jià)指標(biāo)體系進(jìn)行大氣污染的系統(tǒng)評(píng)價(jià)，進(jìn)而探索改善空氣質(zhì)量的有效控制策略，是人們當(dāng)前最重要的任務(wù)之一。

安徽省地處長(zhǎng)江、淮河中下游，長(zhǎng)江三角洲腹地，是中國(guó)重要的農(nóng)產(chǎn)品生產(chǎn)、能源、原材料和加工制造基地。本文通過(guò)建立綜合評(píng)價(jià)體系來(lái)量化空氣污染程度，利用相關(guān)分析法(Correlation analysis)、因子分析法(Factor analysis)來(lái)對(duì)安徽省各市的空氣污染進(jìn)行分析，對(duì)不同污染類型的城市污染特征加以分析并進(jìn)行綜合評(píng)價(jià)[6]。大氣環(huán)境質(zhì)量評(píng)價(jià)是大氣環(huán)境狀態(tài)的直觀表述形式，因此本文利用建立的評(píng)價(jià)體系對(duì)安徽省各城市的空氣質(zhì)量進(jìn)行對(duì)比評(píng)價(jià)。該方法將常規(guī)方法監(jiān)測(cè)的幾種空氣污染物濃度簡(jiǎn)化為單一概念指數(shù)形式[7]，適用于表達(dá)短期內(nèi)城市的空氣質(zhì)量狀況和變化趨勢(shì)[8]，從而為防治大氣污染提供科學(xué)的理論依據(jù)。

1 資料與方法

1.1 數(shù)據(jù)來(lái)源及時(shí)間段

選取的樣本數(shù)據(jù)來(lái)源于2016～2018年安徽省生態(tài)環(huán)境廳環(huán)境質(zhì)量年報(bào)，安徽省16個(gè)地級(jí)市空氣質(zhì)量數(shù)據(jù)中的空氣污染指標(biāo)包括SO2、NO2、PM10、PM2.5、CO-95per(CO-第95百分位數(shù)濃度)、O3-8h-90per(O3-8h平均濃度-第90百分位數(shù)濃度，計(jì)算方法見(jiàn)《環(huán)境空氣質(zhì)量評(píng)價(jià)技術(shù)規(guī)范(試行)HJ 663-2013》)。

1.2 研究方法

空氣質(zhì)量評(píng)價(jià)涉及的變量較多，本文利用降維思想，通過(guò)因子分析，提取因子主成分，從而把多個(gè)觀測(cè)變量提取為少量的綜合指標(biāo)[9]，使其能夠包含原變量提供的大部分信息，這些綜合指標(biāo)往往是不能夠直接觀測(cè)到的，卻更能反映事物的特點(diǎn)和本質(zhì)。研究采用因子分析法對(duì)2016～2018年安徽省16個(gè)地級(jí)市空氣質(zhì)量數(shù)據(jù)進(jìn)行排序處理，轉(zhuǎn)化為原始變量的相關(guān)系數(shù)矩陣A(k為統(tǒng)計(jì)變量，共16個(gè)地級(jí)市；j指標(biāo)為分析變量，共6個(gè)污染物數(shù)據(jù))。

通過(guò)Kaiser-Meyer-Olkin(KMO)和巴特利球形(Bartlett' s test of sphericity)統(tǒng)計(jì)學(xué)檢驗(yàn)，結(jié)果顯示2016～2018年KMO取值分別為0.660、0.607、0.651，均大于0.5，且Bartlett球形檢驗(yàn)統(tǒng)計(jì)量的Sig<0.001。表明各變量之間存在著顯著相關(guān)性，可以用因子分析法對(duì)所選數(shù)據(jù)進(jìn)行研究[10]。

選擇主成分分析(PCA)的方法提取因子，利用矩陣A右乘一個(gè)正交陣T(即方差最大化正交旋轉(zhuǎn)法)簡(jiǎn)化因子解釋，得到旋轉(zhuǎn)后的方差貢獻(xiàn)率及因子旋轉(zhuǎn)矩陣。采用回歸因子得分的方法計(jì)算因子得分系數(shù)矩陣X。采用因子得分公式(1)計(jì)算各因子得分，并利用綜合得分公式(2)進(jìn)行加權(quán)求和，采用旋轉(zhuǎn)后方差貢獻(xiàn)率作為權(quán)重，計(jì)算各地區(qū)空氣污染狀況的綜合得分情況。

i=1,2,3…n(1)

式中：Fi為構(gòu)建空氣污染綜合評(píng)價(jià)的綜合因子；Xi為因子得分系數(shù)；A為16個(gè)地級(jí)市，6個(gè)污染指標(biāo)的空氣質(zhì)量數(shù)據(jù)矩陣。

(2)

式中：Zi為各地區(qū)空氣污染因子的綜合得分；Fi為構(gòu)建空氣污染綜合評(píng)價(jià)的綜合因子；wi為采用旋轉(zhuǎn)后方差貢獻(xiàn)率作為Fi的權(quán)重。

2 結(jié)果與分析

2.1 相關(guān)性分析

本文利用SPSS 24.0統(tǒng)計(jì)軟件對(duì)各研究變量間進(jìn)行相關(guān)分析，結(jié)果如表1所示。2016年數(shù)據(jù)中 PM2.5、PM10的相關(guān)系數(shù)在0.920以上；PM2.5、PM10和NO2、CO、O3的相關(guān)系數(shù)分別在0.62、0.60、0.52以上；CO和O3、NO2的相關(guān)數(shù)據(jù)分別為0.669、0.548，且均為顯著正相關(guān)[11]，說(shuō)明顆粒物和這三種污染物的分布機(jī)制和環(huán)境輸入來(lái)源很可能相同或者接近。而CO和SO2之間也呈顯著正相關(guān)，相關(guān)系數(shù)為0.651，說(shuō)明這兩個(gè)污染物之間聯(lián)系緊密，來(lái)源和分布特征可能相同。

PM2.5主要來(lái)源之一是VOCs、NOx和SO2等大氣污染物經(jīng)大氣化學(xué)反應(yīng)生成的二次粒子[12]。分析相關(guān)資料可得，PM2.5和 O3具有相似的前體物，即VOCs和NOx[13-14]，細(xì)顆粒物PM2.5和O3在大氣化學(xué)反應(yīng)中相互影響，進(jìn)而會(huì)產(chǎn)生協(xié)同作用[15-16]，因此兩者的正相關(guān)性較為顯著。CO作為主要大氣污染物，在生成O3的光化學(xué)反應(yīng)中起到重要作用。另外，從大氣化學(xué)反應(yīng)方面進(jìn)行分析，CO與大氣中最主要的氧化基團(tuán)(羥基自由基)反應(yīng)，因此羥基自由基因而能夠間接的影響大氣中CO濃度[17]，從而影響多種關(guān)鍵大氣污染物的化學(xué)平衡和濃度；從大氣污染物的來(lái)源分析，CO 和SO2均是化石燃料燃燒產(chǎn)物，兩者具有相同的來(lái)源?？傮w上看，2016～2018年間，安徽省各城市CO和其余污染物都存在顯著正相關(guān)性，這說(shuō)明了CO的排放來(lái)源廣泛，且在大氣污染的一系列化學(xué)反應(yīng)中起到關(guān)鍵作用。通過(guò)表1可以看出，PM2.5與NO2的相關(guān)性也較強(qiáng)，這也從側(cè)面反映出汽車尾氣對(duì)空氣污染的形成存在一定的貢獻(xiàn)作用[18]。

表1 2016～2018年空氣污染因子間相關(guān)性分析

注：** 在 0.01 級(jí)別(雙尾)，相關(guān)性顯著；* 在 0.05 級(jí)別(雙尾)，相關(guān)性顯著。

2.2 因子分析及解釋

通過(guò)計(jì)算各因子初始特征值及其方差貢獻(xiàn)率(見(jiàn)表2)可知，2016～2018年的空氣質(zhì)量數(shù)據(jù)的主成分的累積貢獻(xiàn)率均大于80%，說(shuō)明提取出的公共因子已基本反映了各原始變量80%以上的信息，僅有較少的信息丟失，因子分析效果較好。

表2 主因子特征值與貢獻(xiàn)率

表3 旋轉(zhuǎn)后的因子荷載和因子變量共同度

從表3旋轉(zhuǎn)后的因子荷載可以看出，2016年安徽省空氣質(zhì)量綜合因子F1中，PM10和PM2.5的荷載系數(shù)分別為94%和91.9%，說(shuō)明可吸入顆粒物，特別是可吸入肺顆粒物是此因子的主要污染物，所以可以將綜合因子F1歸結(jié)為顆粒物污染因子，其外在表現(xiàn)形式為霧霾[19-21]。SO2綜合因子F2上的載荷較高，為96.8%，表明污染物與第二主因子顯著相關(guān)，SO2主要來(lái)源于含硫燃料等化石燃料的燃燒，因此可以認(rèn)為綜合因子F2屬于硫氧化物污染。

從2017年開始，以NO2空氣污染物為主導(dǎo)的因子逐漸成為了第三種公共因子。燃煤活動(dòng)及內(nèi)燃機(jī)燃燒排放是大氣NOx污染的主要來(lái)源，通過(guò)2017年的因子分析數(shù)據(jù)可以說(shuō)明，近年來(lái)隨著機(jī)動(dòng)車保有量的飛速增長(zhǎng)，燃煤活動(dòng)的持續(xù)進(jìn)行，氮氧化物的排放對(duì)大氣污染的影響日益顯著。2017年安徽省空氣質(zhì)量綜合因子F1中PM10、PM2.5荷載較高，分別為92.8%、82.7%，可以歸結(jié)為顆粒物污染。綜合因子F2中載荷較高的為NO2，系數(shù)達(dá)93.5%，是氮氧化物氣體污染物排放的具體體現(xiàn)；綜合因子F3中SO2載荷較高，系數(shù)達(dá)94.3%，可以解釋為硫氧化物污染。2018年的綜合因子F1中PM10、PM2.5荷載系數(shù)分別為96.2%、94.3%， F2中NO2為90.7%，F(xiàn)3中SO2為94.8%，具體因子解釋與2017年相比無(wú)太大改變，但總體可以看出空氣污染的類型更趨于多元化，復(fù)雜化。

通過(guò)比較2016～2018年的主因子得分?jǐn)?shù)據(jù)(見(jiàn)表4)，本文利用ArcGIS軟件，進(jìn)行各城市污染類型分布研究，具體如圖1所示。

圖1 2016～2018年安徽省各城市空氣污染類型

表4 2016～2018年安徽省各城市空氣污染因子得分

分析表明，安徽省部分城市的空氣污染的主要因子已經(jīng)由顆粒物污染或者硫氧化物污染轉(zhuǎn)移到氮氧化物污染，如合肥、滁州等城市在2016年為顆粒物污染型城市，2017年以后都轉(zhuǎn)變?yōu)榈趸镂廴拘统鞘?。皖北區(qū)等城市近三年的主要空氣污染因素都是顆粒物污染，一方面是這些城市處于皖北區(qū)，環(huán)境狀況受經(jīng)濟(jì)狀況、氣候、降雨等條件的制約；另一方面，皖北區(qū)域如淮北，淮南，宿州等城市以煤礦為主導(dǎo)產(chǎn)業(yè)，采煤活動(dòng)必然會(huì)導(dǎo)致大量顆粒物進(jìn)入大氣環(huán)境造成污染。通過(guò)安徽省各市的煤炭消耗量(見(jiàn)圖2，數(shù)據(jù)來(lái)源于安徽省各市統(tǒng)計(jì)年鑒)可以看出，淮南、淮北的煤炭消耗量在4 000萬(wàn)噸以上，其余如馬鞍山、宿州、合肥、蕪湖、銅陵等市的煤炭消耗量在1 000萬(wàn)噸以上，而黃山市煤炭消耗量在10萬(wàn)噸以下，這也驗(yàn)證了產(chǎn)煤、燃煤活動(dòng)會(huì)對(duì)空氣污染產(chǎn)生影響。

銅陵市2016～2018年污染因子得分較高，這也與當(dāng)?shù)氐墓I(yè)行業(yè)密切相關(guān)，銅陵市長(zhǎng)期以金屬冶煉行業(yè)為主導(dǎo)產(chǎn)業(yè)，通過(guò)因子分析也驗(yàn)證了銅陵市的主要空氣污染影響因子為硫氧化物。池州市、蕪湖市與銅陵市、合肥市相鄰，從近三年的空氣質(zhì)量數(shù)據(jù)上分析，兩市的污染類型受周圍城市的環(huán)境影響較大，這可能與大氣污染的擴(kuò)散特性有關(guān)。其余城市如六安，安慶，黃山等，整體因子得分都比較低，這是因?yàn)辄S山市主導(dǎo)產(chǎn)業(yè)為旅游業(yè)，城市工業(yè)行業(yè)較少，而六安市、安慶市倚臨皖西大別山山區(qū)，綠植覆蓋率較高，有利于空氣的凈化，為空氣質(zhì)量提供保障。

圖2 2016～2017年安徽省各市煤炭消耗量

2.3 空氣污染綜合評(píng)價(jià)

為了進(jìn)一步對(duì)各城市空氣質(zhì)量進(jìn)行綜合評(píng)價(jià)，本文利用因子得分的加權(quán)求和、采用旋轉(zhuǎn)后方差貢獻(xiàn)率作為權(quán)重(見(jiàn)表2)，對(duì)各城市的空氣污染狀況進(jìn)行綜合評(píng)價(jià)。通過(guò)計(jì)算可以得出安徽省16個(gè)城市2016～2018年的空氣污染綜合評(píng)價(jià)得分，具體計(jì)算結(jié)果如表5所示。

表5 各城市的空氣污染綜合評(píng)價(jià)得分情況

本文采用安徽省發(fā)布的環(huán)境質(zhì)量公報(bào)中提供的數(shù)據(jù)對(duì)空氣污染綜合評(píng)價(jià)得分值進(jìn)行檢驗(yàn)。結(jié)果表明：

1)2016年的日超標(biāo)污染物主要為細(xì)顆粒物PM2.5、O3和PM10。2017年的PM2.5和PM10高值區(qū)位于皖北和沿江地區(qū)，低值區(qū)主要位于皖西和皖南地區(qū)。對(duì)比表5數(shù)據(jù)，可見(jiàn)評(píng)價(jià)結(jié)果能夠較好的擬合現(xiàn)實(shí)狀況，2016年、2017年評(píng)價(jià)得分最高的為淮北、亳州、宿州、銅陵四市，得分最低的是黃山市。

2)根據(jù)安徽省發(fā)布的2017年環(huán)境質(zhì)量公報(bào)中提供的16個(gè)地級(jí)市空氣質(zhì)量綜合指數(shù)排名(見(jiàn)表5)，與本文通過(guò)因子分析得到的綜合評(píng)價(jià)得分進(jìn)行對(duì)比發(fā)現(xiàn)：2017年空氣質(zhì)量綜合指數(shù)排名較高的四個(gè)城市為黃山市、宣城市、六安市、安慶市，排名與利用因子分析方法所建立的評(píng)價(jià)體系得到的排名一致；排名靠后的為淮北、宿州兩市，也與研究結(jié)果相符。對(duì)兩種結(jié)果進(jìn)行相關(guān)性分析，兩者的相關(guān)系數(shù)為0.980，從而認(rèn)為這兩組數(shù)據(jù)存在顯著正相關(guān)關(guān)系。從該方面來(lái)看，綜合評(píng)價(jià)的準(zhǔn)確率為100%，可以較好地判斷大氣環(huán)境污染的程度。

3)基于ArcGIS 繪制空間分布圖，從空間上分析大氣污染物分布特征，具體結(jié)果見(jiàn)圖3和圖4。對(duì)比全省主要污染物濃度空間分布特征，結(jié)果表明：總體上安徽全省空氣污染狀況皖北高于皖南，重點(diǎn)區(qū)域以皖北大部分區(qū)域和以合肥市為中心的江淮區(qū)域向外輻射。部分區(qū)域如銅陵市工業(yè)發(fā)達(dá)，以冶金行業(yè)為主導(dǎo)行業(yè)，通過(guò)因子分析也驗(yàn)證了其主要空氣污染源為硫氧化物污染，屬于SO2高值區(qū)。經(jīng)對(duì)比分析后發(fā)現(xiàn)通過(guò)空氣污染綜合評(píng)價(jià)分析出的結(jié)果與環(huán)境質(zhì)量報(bào)告中的提供的數(shù)據(jù)結(jié)果完全吻合，而且更能夠體現(xiàn)出各城市具體的污染特征。

總體上看，通過(guò)相關(guān)分析、因子分析對(duì)于判斷空氣污染的程度有較高的準(zhǔn)確性，能夠反映出城市空氣質(zhì)量狀況，更能夠明析城市空氣污染特征，為空氣污染的防治提供科學(xué)的建議。

圖3 2016～2018年各城市的空氣污染綜合評(píng)價(jià)得分

圖4 2016～2018年空氣污染綜合評(píng)價(jià)得分空間分布圖

3 結(jié)論與建議

本文基于安徽省近3年的空氣質(zhì)量數(shù)據(jù)，采用相關(guān)分析、因子分析的方法對(duì)各城市大氣環(huán)境進(jìn)行污染特征研究及綜合評(píng)價(jià)，結(jié)果顯示：

(1)利用相關(guān)分析、因子分析能夠判別各城市大氣的主要污染類型，綜合評(píng)價(jià)得分能夠準(zhǔn)確地判斷各城市空氣污染的程度。結(jié)合分析的數(shù)據(jù)結(jié)果來(lái)看，全省大氣污染可大致分為三類：顆粒物污染型，硫氧化物污染型，氮氧化物污染型，這三類污染類型在16個(gè)城市都有體現(xiàn)，但各個(gè)城市的主體空氣污染類型取決于該城市的主體行業(yè)。

(2)近三年全省空氣污染綜合評(píng)價(jià)中污染程度最高為宿州、淮北兩市，得分分別是0.51～0.60、 0.56～0.62；污染程度最低的為黃山市，得分是-1.72～-1.56。利用ArcGIS軟件繪制空間分布圖可見(jiàn)，安徽省空氣污染總體形式表現(xiàn)為皖北區(qū)、沿長(zhǎng)江淮河流域城市空氣污染程度高于皖南、皖西區(qū)域。

(3)建議各市針對(duì)各自大氣污染特征，加強(qiáng)相關(guān)類型排污行業(yè)的環(huán)保監(jiān)督力度，保證工業(yè)源污染氣體排放消減量。同時(shí)建議政府開展分類治理措施，針對(duì)不同的城市污染類型進(jìn)行專項(xiàng)治理。