基于百分位数法的中国空气质量改善效果评估分析
  环境科学学报  2018, Vol. 38 Issue (5): 2082-2089
基于百分位数法的中国空气质量改善效果评估分析    [PDF全文]
张南南1,2 , 吴舜泽1,2 , 李一凡1     
1. 哈尔滨工业大学环境学院, 城市水资源和水环境国家重点实验室, 国际持久性有毒物质联合研究中心, 哈尔滨 150090;
2. 环境保护部环境规划院, 北京 100012
摘要: 为更好地说清楚《大气污染防治行动计划》实施以来,我国环境空气质量状况、变化趋势及存在可能的风险,基于百分位数法和算术平均值法,分别对全国及重点区域空气质量改善效果开展评估分析.结果表明,我国目前业务上广泛应用的算术平均值法对空气质量评价与管理起到了积极推动作用,促进了空气质量持续改善.随着治污减排措施的持续推进,区域空气质量改善进程呈现显著的时空差异特征,现行评价技术方法局限性逐渐凸显出来.百分位数法可以在算术平均值法的基础上,补充评价时段内高、低浓度的分布规律和变化特征,有助于全面、客观、准确描述空气质量状况.本文提出的研究方法,对于完善我国空气质量评价方法具有重要意义.
关键词: 空气质量     评价方法     百分位数    
Evaluation of the ambient air quality improvement in China based on percentile method
ZHANG Nannan1,2, WU Shunze1,2 , LI Yifan1    
1. International Joint Research Center(IJRC-PTS), State Kay Laboratory of Urban Water Resource and Environment, School of Environment, Harbin Institute of Technology, Harbin 150090;
2. China Academy of Environment Planning, Beijing 100012
Received 16 October 2017; received in revised from 17 November 2017; accepted 17 November 2017
Supported by the 13th "Five-Year" Plan Research Fund of the Ministry of Environmental Protection(No.2110105) and the National Natural Science Foundation of China (No.71441029)
Biography: ZHANG Nannan(1986-), male, Ph.D., E-mail:zhangnn@caep.org.cn
*Corresponding author: WU Shunze, E-mail:wusz@caep.org.cn
Abstract: To better understand the present status, future trends and possible risks of environment air quality since the implementation of the "Air Pollution Prevention Action Plan", the percentile method and arithmetic mean method were used to evaluate the effect of air quality improvement throughout China, respectively. The results show that the arithmetic mean method currently widely applied has played a positive role in making decisions of environment management and promoting environmental air quality improvement. Along with the continuous improvement of pollution control and emission reduction measures, the regional air quality improvement process has presented significantly different characteristics in both spatial and temporal scales, and thus the limitations of the current evaluation method have emerged gradually. The percentile method can provide distribution and variation characteristics of high and low concentrations within an evaluation period comparing to the arithmetic mean method, which is helpful in describing the air quality situation in a more comprehensive, objective and accurate manner. The thinking and methods we proposed will have broad significance for improving air quality evaluation methods in China.
Key words: air quality     assessment method     percentile    
1 引言(Introduction)

大量研究表明, 细颗粒物(PM2.5)是造成我国城市灰霾及空气质量超标的主要因素(Shi et al., 2017Ma et al., 2017薛安等, 2015).2012年, 新颁布的《环境空气质量标准》(GB 3095-2012)(环境保护部等, 2012)中把PM2.5纳入常规监测指标, PM2.5也成为当今大气污染和空气质量评价的重点研究对象(张殷俊等, 2015熊欢欢等, 2017陈迪等, 2017).我国幅员辽阔, 区域空气资源禀赋和扩散条件差异较大(张南南等, 2016), 叠加污染源排放复杂多样, PM2.5浓度分布呈现显著的时空差异性(Guo et al., 2017Zhao et al., 2016).《大气污染防治行动计划》(简称“大气十条”)实施以来, 全国及重点区域PM2.5年均浓度均呈现显著下降的态势, 但部分城市部分时段出现不同程度的反弹, 空气质量改善进程亦呈现时间和空间尺度上的差异性(环境保护部, 2013-2016).因此, 科学、客观、准确、全面地说清楚空气污染程度、时空变化特征及主要环境问题是当前空气质量监测与评价的首要任务(孟晓艳等, 2013).目前业务上广泛采用的算术平均值法在评价PM2.5年均浓度时, 一定程度上掩盖了评价区域内重污染城市的污染程度, 且难以反映短期重污染天气等特别环境条件对空气质量的影响.

算术平均值又称均值, 是统计学中最基本、最常用的一种平均指标, 也是我国《环境空气质量标准》(GB 3095-2012)中确定年均、季均、月均、日均浓度的主要评价方法.一般将城市空气质量监测小时、日均、年均等数据按照简单加和的方式求平均数, 并评价空气质量改善效果.若仅用一个指标进行评价, 目前还难以找到替代算术平均值的表征手段.对一个城市空气质量评价一般都采用算术平均值法, 这是基本合适的, 但客观来看不一定全面.同时, 对京津冀等大区域评价若采用对区域内不同城市求取算术平均值的方式, 其科学性、合理性则有所降低.

2016年, 全国有254个城市环境空气质量超标, 占总数的75.1%.其中, 以PM2.5为首要污染组成物的污染天数最多, 超标天数占重度及以上污染天数的80.3%(环境保护部, 2013-2016).本文采用SPSS软件分别对全国338个城市PM2.5年均和日均浓度监测数据进行了统计分析, 结果如图 1所示.我国城市空气质量年均和日均PM2.5浓度虽然不是标准的正态分布, 但大致基本符合近似正态分布特征.PM2.5年均浓度超标2倍以上的重污染城市占比、重度及以上污染天气发生的频次占比均不足10%, 但钟型曲线两侧频数不对称, 且分布范围较广, 这使得以平均值代替区域内不同城市空气质量状况将会不可避免地出现“被平均”现象, 进而掩盖了重点问题、矛盾方面, 造成了社会公众对环境质量获得感有偏差.

图 1 2016年全国338个城市年均(a)和日均(b) PM2.5浓度概率分布 Fig. 1 Probability distribution of urban annual(a) and daily(b) mean PM2.5 concentrations of 338 cities in 2016

以算术平均值法进行城市空气质量评价, 往往会隐藏空气污染较重城市及重污染天气等敏感信息.调研分析发现, 公众对空气质量的敏感性呈非均衡分布, 对重污染城市空气质量的感受, 尤其对重度及以上污染天气尤为敏感, 这在一定程度上造成了社会公众环境质量改善获得感与城市、区域空气质量监测评价结果有偏差乃至错位, 影响了政府部门的公信力.为评价不同污染程度城市和不同污染等级天气的变化, 一些国家引入百分位法评价城市空气质量状况(宁淼等, 2017), 如美国环境保护署规定1年中PM2.5第98百分位数的24 h浓度均值不得超过35 μg·m-3(王占山等, 2013US EPA, 2015), WHO制定的PM2.5日均浓度达标要求为每年的超标天数不高于3 d(WHO, 2015).

百分位数法是用于表示环境空气污染物浓度和有关统计指标分布状态的一种较为常见的简单方法, 其计算过程主要是将样本数为N的数据从小到大排序, 并计算相应的累计百分位, 则某一百分位所对应数据的值就称为这一百分位的百分位数.这种分析方法可以在算术平均值法的基础上, 进一步分析有关项目在评价时段内高、低浓度的分布规律和浓度水平, 有助于全面、准确评价特别环境条件下空气质量特征, 有助于找准进一步精准治理的发力点, 也与社会公众认知过程和心理状态是基本契合的.

本研究选取“大气十条”实施以来, 全国及重点区域典型城市日均PM2.5监测数据, 在算术平均值法的基础上, 基于百分位数法对比分析评估全国及重点区域空气质量改善效果.在此基础上, 提出完善我国空气质量评价方法的建议.

2 研究方法与数据(Methods and data) 2.1 研究范围

因受国家PM2.5监测网络布设的时间与范围限制, 本文研究过程中城市分类包括两种方式:一种以规划区域为主, 划分为京津冀、长三角、珠三角三大重点区域和全国其他区域;另一种以中华人民共和国环境保护部按照国务院批准的空气质量新标准“三步走”实施方案所确定的3个阶段开展监测的城市划分(图 2)(环境保护部, 2012).其中, 2013年开展第1阶段监测的城市包括三大重点区域及直辖市、省会城市和计划单列市共计74个城市;2014年开展第2阶段监测, 城市数量增长至161个;2015年开展第3阶段监测, 扩展至全国338个城市, 实现地级及以上城市全覆盖(注:香港、澳门特别行政区和台湾不在监测范围).

图 2 全国及重点区域PM2.5监测布局 Fig. 2 Cities distribution of conducting PM2.5 monitoring for national and key regions
2.2 数据来源

本文使用数据为338个城市的PM2.5日均值数据, 数据来源于国家空气质量自动监测点位的空气质量自动监测结果(http://www.cnemc.cn/), 参与统计的数据均为审核后数据, 满足质量管理和数据有效性相关要求.具体数据统计要求和数据统计方法参考环境空气质量评价技术规范(试行)(HJ 663-2013)(环境保护部, 2013).

2.3 评价方法

本文PM2.5达标情况根据环境空气质量标准(GB 3095-2012)(环境保护部等, 2012)中PM2.5的年平均和24 h平均浓度限值进行评价, 污染程度根据环境空气质量指数(AQI)技术规定(试行)(HJ633-2012)(环境保护部, 2013)进行评价.同时本文在算术平均值法的基础上, 对2013-2016年全国城市PM2.5日均和年均浓度变化趋势进行了百分位数统计分析, 借助SPSS 13.0完成.

3 结果与讨论(Results and discussion) 3.1 全国及重点区域空气质量评价

2016年, 全国338个城市PM2.5年均浓度范围为12~158 μg·m-3, 平均为47 μg·m-3, 是年均值二级标准(35 μg·m-3)的1.34倍.其中, 91个城市达到年均值二级标准, 比例为26.9%.从年均浓度的空间分布来看, PM2.5污染最重的区域主要分布在京津冀及周边地区.全国来看, 污染程度呈以河北南部地区为中心向外逐渐减轻的分布格局.338个城市中沿海城市的年均浓度相对较低, 虽然绝大多数城市未能达到二级标准, 但基本都低于50 μg·m-3, 总体优于中国中部内陆地区(图 3).

图 3 2016年全国338个城市PM2.5年均浓度空间分布 Fig. 3 Spatial distribution of annual mean PM2.5 concentrations throughout China in 2016

图 4为2016年全国及重点区域的PM2.5月均浓度对比图.由图 4可知, 全国及三大重点区域PM2.5月均浓度存在显著的季节性波动特征.其中, 全国城市PM2.5平均浓度月季变化趋势和长三角地区较为一致.PM2.5最高月均浓度分别出现在12月和1月, 分别为78和72 μg·m-3;最低月均浓度均出现在8月, 这一相似性可能与夏季中国北方较好的扩散条件和降低的包括生活供暖在内的人为排放有关(Liang et al., 2015).京津冀地区PM2.5浓度最大值(150 μg·m-3)出现在12月, 与该地区冬季生活供暖带来本地污染物排放量增加, 叠加风速较小、垂直扩散能力较弱等不利气象条件有关(Liang et al., 2015).相对地, 珠三角地区PM2.5浓度最低值出现在6月.研究表明, 降雨季的区域差异性在一定程度上影响着区域PM2.5月季变化规律(Wei et al., 2015; Guo et al., 2016).例如, 一次降雨曾使北京市的平均PM2.5浓度下降了56.3%(郑晓霞等, 2014).

图 4 2016年全国及重点区域PM2.5月均浓度 Fig. 4 Monthly mean PM2.5 concentrations in 2016 for the whole country and key regions

以城市PM2.5年均浓度为基础, 分别按照算术平均, 以及第50、70、90百分位数、最大值开展评价, 结果如表 1所示.结果表明, 2013-2016年全国及三大重点区域PM2.5年均浓度累积下降幅度均超过30%, 表明在开展长周期空气质量评价过程中, 百分位数和算数平均值法评价结果较为一致;受气象条件年际波动及区域污染结构差异性影响, 采用不同评价方法开展年季间空气质量变化评估, 结果往往存在较大差异.按算术平均计算, 2016年全国338个城市同比改善6%;按第90百分位计算, 同比改善3%;按最大值计算年均浓度不降反升, 同比恶化27%.全国及重点区域整体趋势表明, 百分位数评价方法取值越大, 空气质量同比改善幅度越小, 甚至出现反弹现象.说明“大气十条”实施以来, 我国城市空气质量整体呈现大幅改善的趋势, 但污染较重城市改善受气象条件等因素影响波动较大, 这直接影响了城市空气质量改善进程.

表 1 2013-2016年全国及重点区域PM2.5浓度值 Table 1 Annual mean PM2.5 concentrations in 2013-2016 for the whole country and key regions
3.2 典型城市评价结果对比

选取北京、天津、石家庄、上海、广州、郑州等作为不同区域不同污染程度典型城市的代表, 以PM2.5日均浓度为基础, 分别计算算术平均, 以及第25、50、70、90、98百分位数等, 作为上述城市代表年浓度, 并进行对比分析.

从北京评价结果对比分析(表 2)来看, 算术平均值与第50、70、90百分位数评价的空气质量改善结论基本一致, 算术平均值评价代表性较好, 但第25百分位数反映的好天气改善幅度大于平均值, 特别是2013-2016年第98百分位数反映的日PM2.5极高值控制效果不好, 重污染浓度最大值甚至有所反弹, 直接影响公众满意度.

表 2 2013-2016年北京、石家庄、天津、郑州、上海、广州PM2.5日均浓度值 Table 2 Daily mean PM2.5 concentrations of Beijing, Shijiazhuang, Tianjin, Zhengzhou, Shanghai, Guangzhou in 2013-2016

从石家庄评价结果对比分析(表 2)来看, 石家庄算术平均值反映的改善效果基本与第70、90百分位数相同, 这是与北京完全不同的分布特征, 说明PM2.5日均值超过100 μg·m-3以上是石家庄空气质量的“主流”且直接决定全年均值.与北京相同的是, 2016年第25百分位数反映的好天气改善幅度大于平均值, 第70、90、98百分位数和最大值都急剧反弹, 这导致社会公众心里上难以认可算术平均值反映出来的空气质量改善效果.

从天津评价结果对比分析(表 2)来看, 2016年同比2015年, 其不同累积频次百分位数与算术平均值对应关系混乱, 既有第25、90百分位数与全年平均值改善出现不同的反弹, 更有第98百分位数的急剧反弹, 其算术平均值对空气质量改善效果评价的代表性较差.

从郑州评价结果对比分析(表 2)来看, 与上述京津冀及周边城市类似, 第98百分位数和最大值浓度偏高(2016年同比2015均有所反弹, 并不是算术平均值表征的改善18.3%), 这既造成不同评价方法结果有差异, 也使社会公众对环境质量改善的获得感与算术平均值有差异.

从京津冀及周边城市案例分析结果来看, 除北京外的天津、石家庄、郑州等污染程度较重城市, 同样的算术平均值对应的百分位数浓度值实际往往各不相同, 相应的控制策略实际上也有所不同, 不同评价方法得出的结论差异较大, 甚至产生相反的结论, 极易造成评价结果失真, 这在一定程度上可以解释社会公众对环境质量获得感不高的原因.按照算术平均计算, 2016年天津和郑州PM2.5浓度同比分别下降1.9%和19.3%;按照第98百分位数评价, 同比分别上升11.9%和7.5%.说明京津冀及周边区域城市空气质量改善进程仍处于持续攻坚期, 空气质量总体在改善, 但以第90及以上百分位数为代表的重污染天气改善进度显著低于全年平均水平, 好坏天气波动频次呈现逐渐加大的趋势, 空气质量变化对气象条件、减排力度、管理水平等因素依然较为敏感.

对上海、广州等污染程度相对较轻城市进行的对比评价结果表明(表 2), 不同频次分布较为稳态均衡, 不同评价方法得出的结论较为一致, 均大幅下降, 第98百分位数和最大值的改善幅度往往好于全年算术平均值, 且与社会公众预期基本一致.这说明不同污染等级(包括优良天气和重污染天气)空气质量均在持续改善, 污染防控系统性较强, 区域空气质量改善进程已经突破与气象条件、力度被动等相持胶着期, PM2.5年均浓度进入持续稳定下降通道.

4 结论(Conclusions)

1)“大气十条”实施以来, 全国及重点区域城市空气质量均呈现大幅改善的趋势, PM2.5年均浓度累积下降均超过30%.PM2.5污染最重的区域主要分布在京津冀及周边地区, 污染程度呈以河北南部地区为中心向外逐渐减轻的分布格局, 沿海城市的年均浓度总体优于中部内陆地区.全国及三大重点区域PM2.5月均浓度存在显著的季节性波动特征.其中, 全国城市PM2.5平均浓度月季变化趋势和长三角地区较为一致.

2) 在开展长周期空气质量评价过程中, 百分位数和算数平均值法评价结果较为一致;短期受气象条件年际波动及区域污染结构差异性影响, 采用不同评价方法开展年季间空气质量变化评估, 结果往往存在较大差异.

3) 对于京津冀等重污染天气高发城市, 同样的算术平均值对应的百分位数浓度值实际往往各不相同, 甚至产生相反的结论, 极易造成评价结果失真.百分位数法可以在算术平均值法的基础上, 进一步分析有关项目在评价时段内高、低浓度的分布规律和浓度水平, 有助于全面、准确评价特别环境条件下空气质量特征, 有助于找准进一步精准治理的发力点, 与社会公众认知过程和心理状态基本契合.对上海、广州等污染程度相对较轻的城市, 不同频次PM2.5浓度分布较为稳态均衡, 不同评价方法得出的结论较为一致.

5 建议(Recommendations)

在继续加大监测数据质量控制、优化质量监测点位布局、对群众反映强烈的问题集中攻坚的同时, 为进一步提高环境质量改善的获得感, 建议:一是增加不同百分位数评价结果, 在继续发布空气质量监测数据算术平均值的同时, 辅助评价不同累积频次百分位数情况, 全面、客观、精细、准确地描述空气质量状况.二是优化重点区域考核指标.在污染程度较重地区, 探索将PM2.5日均浓度第90或98分位数纳入空气质量目标考核范围, 以重污染天气改善情况作为大气环境治理的核心, 也可以考虑考核采暖季PM2.5浓度改善情况.三是提高大气治理的精准度.根据不同城市不同指标不同分位数评价结果, 准确掌握城市空气质量改善短板, 以考核目标为导向, 督促地方因地制宜地采取治理措施.

参考文献
陈迪, 张永文, 铁学熙. 2017. 我国PM2.5空间关联性的探讨[J]. 中国科学:物理学 力学 天文学, 2017, 47(2): 020501. DOI:10.1360/SSPMA2016-00367
Guo H, Cheng T H, Gu X F, et al. 2017. Assessment of PM2.5 concentrations and exposure throughout China using ground observations[J]. Science of the Total Environment, 601-602: 1024–1030. DOI:10.1016/j.scitotenv.2017.05.263
Guo L C, Zhang Y, Lin H, et al. 2016. The washout effects of rainfall on atmospheric particulate pollution in two Chinese cities[J]. Environmental Pollution, 215: 195–202. DOI:10.1016/j.envpol.2016.05.003
环境保护部, 国家质量监督检验检疫总局. 2012. 环境空气质量标准(GB3095-2012)[S]. 北京: 中国环境科学出版社
环境保护部. 2013-2016. 中国环境状况公报[R]. 北京: 环境保护部
环境保护部. 2012. 关于印发《空气质量新标准第一阶段监测实施方案》的通知[EB/OL]. 2017-10-16. http://www.mep.gov.cn/gkml/hbb/bgt/201205/t20120524_230080.htm
环境保护部. 2013. 环境空气质量评价技术规范(试行)(HJ663-2013)[S]. 北京: 中国环境科学出版社
Liang X, Zou T, Guo B, et al. 2015. Assessing Beijing's PM2.5 pollution:severity, weather impact, APEC and winter heating[J]. Proceedings of the Royal Society A:Mathematical, Physical and Engineering Science. DOI:10.1098/rspa.2015.0257
Ma Q X, Wu Y F, Zhang D Z, et al. 2017. Roles of regional transport and heterogeneous reactions in the PM2.5 increase during winter haze episodes in Beijing[J]. Science of the Total Environment, 599: 246–253.
孟晓艳, 王帅, 王瑞斌, 等. 2013. 环境空气质量评价的思考及建议[J]. 环境科技, 2013, 26(2): 63–66.
宁淼, 孙亚梅, 刘伟. 2017. 城市大气环境质量达标判定技术方法研究[J]. 环境与可持续发展, 2017, 42(1): 154–157.
Shi Z H, Li J Y, Huang L, et al. 2017. Source apportionment of fine particulate matter in China in 2013 using a source-oriented chemical transport model[J]. Science of the Total Environment, 601: 1476–1487.
US Environmental Protection Agency(USEPA). 2015. Particulate matter (PM) standards-table of historical PM NAAQS[EB/OL]. 2015-03-22. https:///www3.epa.gov/ttn/naaqs/standards/pm/s_pm_history.html.
王占山, 车飞, 任春, 等. 2013. 美国环境空气质量标准制修订历程[J]. 环境工程技术学报, 2013, 3(3): 240–246.
Wei O, Guo B, Cai G, et al. 2015. The washing effect of precipitation on particulate matter and the pollution dynamics bof rainwater in downtown Beijing[J]. Science of the Total Environment, 505: 306–314. DOI:10.1016/j.scitotenv.2014.09.062
World Health Organization (WHO). 2015. Air Quality Guidelines: Global Update 2005[EB/OL]. 2017-10-16. http://www.who.int/phe/health_topics/outdoorair/outdoorair_aqg/en
熊欢欢, 梁龙武, 曾赠, 等. 2017. 中国城市PM2.5时空分布的动态比较分析[J]. 资源科学, 2017, 39(1): 136–146.
薛安, 耿恩泽. 2015. 基于复杂网络的中国城市PM2.5区域划分[J]. 应用基础与工程科学学报, 2015, 23(1): 68–78.
张殷俊, 陈曦, 谢高地, 等. 2015. 中国细颗粒物(PM2.5)污染状况和空间分布[J]. 资源科学, 2015, 37(7): 1339–1346.
张南南, 吴舜泽, 万军, 等. 2016. 全国空气资源评估及其与空气质量相关性分析[J]. 环境科学学报, 2016, 36(6): 2223–2230.
Zhao S P, Yu Y, Yin D Y, et al. 2016. Annual and diurnal variations of gaseous and particulate pollutants in 31 provincial capital cities based on in situ air quality monitoring data from China National Environmental Monitoring Center[J]. Environment International, 86: 92–106. DOI:10.1016/j.envint.2015.11.003
郑晓霞, 赵文吉, 晏星, 等. 2014. 降雨过程后北京城区PM2.5日时空变化研究[J]. 生态环境学报, 2014, 23(5): 797–805.