郭俊華李壽德黃桐城

(1.上海交通大學(xué)國(guó)際與公共事務(wù)學(xué)院,上海 200030;2.上海交通大學(xué)安泰經(jīng)濟(jì)與管理學(xué)院,上海 200052)

中國(guó)工業(yè)污染物檢測(cè)指標(biāo)典型相關(guān)的實(shí)證研究＊

郭俊華1李壽德2黃桐城2

(1.上海交通大學(xué)國(guó)際與公共事務(wù)學(xué)院,上海 200030;2.上海交通大學(xué)安泰經(jīng)濟(jì)與管理學(xué)院,上海 200052)

我國(guó)工業(yè)污染物的檢測(cè)指標(biāo)主要分為大氣污染、固體廢棄物污染和水污染三大類。要對(duì)工業(yè)污染物進(jìn)行綜合控制,必須了解工業(yè)大氣、固體廢棄物、水污染等不同污染物之間的相關(guān)程度及全面污染的程度,但是現(xiàn)有的研究較少關(guān)注污染物之間的相關(guān)性,而是針對(duì)不同的污染物分別采取措施,難以實(shí)現(xiàn)高效的綜合治理。本文對(duì)我國(guó)31個(gè)省、直轄市和自治區(qū)的工業(yè)污染物檢測(cè)指標(biāo)典型相關(guān)進(jìn)行了實(shí)證研究,研究結(jié)果表明,我國(guó)工業(yè)大氣污染與固體廢棄物污染,工業(yè)大氣污染與工業(yè)廢水污染之間存在顯著的典型相關(guān)關(guān)系,但在工業(yè)固體廢物污染與工業(yè)廢水污染之間,除了個(gè)別污染物之間具有較強(qiáng)相關(guān)性以外,整體的相關(guān)性并不顯著。此結(jié)論對(duì)建立以工業(yè)大氣污染為主的環(huán)境治理政策具有積極的指導(dǎo)作用。

環(huán)境污染檢測(cè)指標(biāo);典型相關(guān)系數(shù);典型變量;典型相關(guān)分析

我國(guó)工業(yè)污染物的檢測(cè)指標(biāo)主要分為大氣污染,固體廢棄物污染和水污染三大類。其中大氣污染物包括SO2、工業(yè)粉塵和煙塵;工業(yè)固體廢棄物包括冶煉廢渣、粉煤灰、爐渣、煤矸石、尾礦和其他固體廢棄物;而水污染物則包括一般無機(jī)、有機(jī)污染物和有害重金屬等,其中揮發(fā)酚、氰化物、化學(xué)需氧量、石油類廢物和氨氮屬于一般無機(jī)或有機(jī)污染物,而有害重金屬則包括汞、鎘、六價(jià)鉻,鉛等。要對(duì)工業(yè)污染物進(jìn)行綜合控制,應(yīng)當(dāng)了解工業(yè)大氣、固體廢棄物、水污染等不同污染物之間的相關(guān)程度及全面污染的程度,但是現(xiàn)有的實(shí)證研究主要是列出不同污染物的實(shí)際值[1-3],或者分析工業(yè)污染排放與經(jīng)濟(jì)增長(zhǎng)或空間分布之間的關(guān)系等[4-6],并針對(duì)不同的污染物分別采取措施,很少關(guān)注污染物之間的相關(guān)性,難以實(shí)現(xiàn)高效的綜合治理。本文選擇典型相關(guān)分析方法,對(duì)我國(guó)各類工業(yè)污染物之間的相關(guān)性進(jìn)行實(shí)證分析,這一研究對(duì)于我國(guó)建立以工業(yè)大氣污染為主的環(huán)境治理政策具有積極的指導(dǎo)作用。

1 典型相關(guān)分析的基本原理和步驟

典型相關(guān)分析的目的是尋找一組指標(biāo)的線性組合和另一組指標(biāo)的線性組合,使兩者之間的相關(guān)性達(dá)到最大(即兩個(gè)典型變量的相關(guān)系數(shù)達(dá)到最大)。這兩組指標(biāo)往往是同一研究對(duì)象的兩組不同指標(biāo),這兩個(gè)典型變量稱為第一對(duì)典型變量,它們之間的相關(guān)系數(shù)為第一個(gè)典型相關(guān)系數(shù)。同理,繼續(xù)尋找第二對(duì)典型變量,使其和第一對(duì)典型變量互不相關(guān),同時(shí)本身也具有最大的相關(guān)性。第二個(gè)典型相關(guān)系數(shù)不可能超過第一個(gè)典型相關(guān)系數(shù),但由于兩對(duì)典型變量不相關(guān),因此,它們所提取的相關(guān)信息是不重復(fù)的。如此重復(fù)迭代尋找典型變量,直到兩組指標(biāo)之間的相關(guān)性被提取完畢為止。通過這種典型相關(guān)分析方法可將研究?jī)山M指標(biāo)之間的相關(guān)關(guān)系轉(zhuǎn)化為研究這些原始指標(biāo)線性組合之間的相關(guān)關(guān)系,因此,減少了研究變量的個(gè)數(shù),起到了“降維”和分離的作用。

典型相關(guān)分析的基本步驟有四個(gè)[9]:

(4)對(duì)典型相關(guān)系數(shù)λ1,λ2,Lλm逐個(gè)作顯著性檢驗(yàn),直至某個(gè)典型相關(guān)系數(shù)λk不顯著為止,此時(shí)可以找出k-1對(duì)反映兩組指標(biāo)相關(guān)關(guān)系的典型變量。

2 我國(guó)工業(yè)大氣污染與固體廢棄物污染的典型相關(guān)關(guān)系

原始數(shù)據(jù)為我國(guó)31個(gè)省、直轄市和自治區(qū)2006年度發(fā)生的工業(yè)污染物排放量(數(shù)據(jù)來自《2007年中國(guó)統(tǒng)計(jì)年鑒》),共取SO2,工業(yè)粉塵和工業(yè)煙塵的排放量3個(gè)工業(yè)大氣污染檢測(cè)指標(biāo),分別用X1,X2,X3表示,單位為噸。工業(yè)固體廢棄物檢測(cè)指標(biāo)6個(gè),分別為冶煉廢渣、粉煤灰、爐渣、煤矸石、尾礦和其他固體廢棄物的產(chǎn)生量,用Y1,Y2,L Y6表示,單位為萬噸。

采用SPSS統(tǒng)計(jì)軟件進(jìn)行典型相關(guān)分析(在SPSS中專門提供了宏程序來擬合典型相關(guān)分析[10]),程序運(yùn)行后所得的各變量相關(guān)系數(shù)矩陣見表1。

由表1可知,工業(yè)大氣污染物X1,X2,X3之間的相關(guān)性比較強(qiáng),相關(guān)系數(shù)均超過0.742 2,而工業(yè)廢氣污染物Y1,Y2,L Y6之間的相關(guān)性相對(duì)比較弱,但是粉煤灰Y2和爐渣Y3之間的相關(guān)性卻很強(qiáng),達(dá)0.905 8,說明粉煤灰產(chǎn)出量和爐渣產(chǎn)出量之間有很強(qiáng)的聯(lián)系。同時(shí),工業(yè)大氣污染物X1,X2,X3和工業(yè)廢棄物Y2與Y3的相關(guān)性也比較強(qiáng),均達(dá)到0.725 2以上,這反映了大氣污染物與粉煤灰、爐渣等固體廢棄物之間也存在較強(qiáng)的相關(guān)關(guān)系。

由SPSS統(tǒng)計(jì)軟件計(jì)算得到的我國(guó)工業(yè)大氣污染典型相關(guān)系數(shù)與典型變量見表2。

由表2可知,2個(gè)典型相關(guān)系數(shù)分別為0.898,0.659,0.332,同時(shí)可得3對(duì)典型變量(Ui,Vi),i=1,2,3,這3對(duì)典型變量是否相關(guān),需要對(duì)典型相關(guān)系數(shù)進(jìn)行顯著性檢驗(yàn)。首先檢驗(yàn)原假設(shè)H01∶λ1=0,若推翻H01,說明第1對(duì)典型變量存在顯著相關(guān)關(guān)系,然后檢驗(yàn)原假設(shè)H02∶λ=0,看第2對(duì)典型變量是否相關(guān),依次類推。SPSS的檢驗(yàn)使用似然比方法,構(gòu)造維爾克斯統(tǒng)計(jì)量,因?yàn)樵诖髽颖厩闆r下,該維爾克斯統(tǒng)計(jì)量近似服從卡方分布,因此,可根據(jù)卡方統(tǒng)計(jì)量的P值作出接受或者推翻遠(yuǎn)假設(shè)的結(jié)論。

SPSS運(yùn)算結(jié)果表明,對(duì)于H01∶λ1=0,維爾克斯統(tǒng)計(jì)量值=0.097,卡方統(tǒng)計(jì)量值=58.206,自由度=18,P值=0.000,若取顯著性水平=0.05,則推翻H01;對(duì)于H02∶λ2=0,維爾克斯統(tǒng)計(jì)量值=0.504,卡方統(tǒng)計(jì)量值=17.146,自由度=10,P值=0.071＞0.05,所以接受H02。即λ2=0。因此假設(shè)檢驗(yàn)的結(jié)果表明只有第1對(duì)典型變量間的相關(guān)性是顯著的。典型相關(guān)系數(shù)λ1=0.898,典型變量為:

表1 我國(guó)工業(yè)大氣污染和工業(yè)固體廢棄物污染的相關(guān)系數(shù)矩陣Tab.1 Correlation coefficient matrix of industrial air pollution and industrial solid waste material pollution

表2 我國(guó)工業(yè)大氣污染和工業(yè)固體廢棄物污染的典型相關(guān)系數(shù)和典型變量Tab.2 Canonical correlation coefficient and canonical variables of industrial air pollution and industrial solid waste material pollution

由典型變量可知,大部分指標(biāo)的系數(shù)都是比較均勻的并且為負(fù)值,無論是工業(yè)大氣污染指標(biāo)還是固體廢氣物污染指標(biāo),污染測(cè)試指標(biāo)的排放量或產(chǎn)生量越大,相應(yīng)的典型變量的值越小,這可解釋為工業(yè)大氣和固體廢棄物的全面污染程度①只有指標(biāo)Y5＊(標(biāo)準(zhǔn)化后的尾礦指標(biāo))系數(shù)為0.022,不是負(fù)值,其原因是在6個(gè)固體廢氣物指標(biāo)之間存在一定的多重共線性。由于該系數(shù)的絕對(duì)值很小,因此不會(huì)影響對(duì)典型變量統(tǒng)計(jì)含義的解釋。。因此,我國(guó)工業(yè)大氣污染和工業(yè)固體廢棄物污染在整體上存在很強(qiáng)的相關(guān)關(guān)系。

3 我國(guó)工業(yè)大氣污染與工業(yè)水污染的典型相關(guān)關(guān)系

為了研究工業(yè)大氣污染和工業(yè)水污染之間的相關(guān)關(guān)系,除了保留我國(guó)31個(gè)省,直轄市和自治區(qū)2006年度發(fā)生的3個(gè)工業(yè)大氣污染檢測(cè)指標(biāo),再從《2007年中國(guó)統(tǒng)計(jì)年鑒》中取6個(gè)工業(yè)水污染檢測(cè)指標(biāo),它們是揮發(fā)酚、氰化物、化學(xué)需氧量、石油類廢物、氨氮和有害重金屬等,分別用Z1,Z2,L Z6表示,單位為噸。由SPSS統(tǒng)計(jì)軟件計(jì)算得到的相關(guān)系數(shù)矩陣結(jié)果見表3。

由表3可知,工業(yè)水污染物Z1,Z2,L Z6之間的相關(guān)性比較弱,除了氨氮Z5和化學(xué)需氧量Z3的相關(guān)性較強(qiáng),為0.793 8之外,其他的指標(biāo)相關(guān)性都不強(qiáng),說明指標(biāo)之間沒有多大重復(fù)。另外,工業(yè)大氣污染物X1,X2,X3和工業(yè)水污染物化學(xué)需氧量Z3的相關(guān)性也較強(qiáng),最低達(dá)0.727 9,和Z5(氨氮)之間也有一定的相關(guān)性,反映了大氣污染物和水污染物之間的某種聯(lián)系。

我國(guó)工業(yè)大氣污染和工業(yè)水污染的典型相關(guān)系數(shù)和典型變量見表4。

對(duì)典型相關(guān)系數(shù)進(jìn)行顯著性檢驗(yàn)。仍取顯著性水平=0.05,SPSS運(yùn)算結(jié)果表明,第1和第2對(duì)典型變量間的相關(guān)性是顯著的。其中第1個(gè)典型相關(guān)系數(shù)λ1=0.934,第1對(duì)典型變量為:

與第2部分的研究結(jié)果相似,上述絕大多數(shù)指標(biāo)的系數(shù)都為負(fù),無論是工業(yè)大氣污染指標(biāo)還是水污染指標(biāo),排放量越大,對(duì)應(yīng)的典型變量值越小,這可解釋為工業(yè)大氣和水體的全面污染程度。可見,工業(yè)大氣污染和工業(yè)水污染在整體上也存在很強(qiáng)的相關(guān)關(guān)系。其中的系數(shù)為0.159,其符號(hào)的變異同樣是水污染指標(biāo)間的多重共線性造成的。并且,我們發(fā)現(xiàn),工業(yè)粉塵和化學(xué)需氧量的系數(shù)都比較大,說明在工業(yè)大氣污染和水污染的相關(guān)性中這兩種污染物起到了重要的作用。

第2個(gè)典型相關(guān)系數(shù)λ1=0.695,第2對(duì)典型變量為:

表3 我國(guó)工業(yè)大氣污染和工業(yè)水污染之間的相關(guān)系數(shù)矩陣Tab.3 Correlation coefficient matrix of industrial air pollution and industrial waste water pollution

表4 我國(guó)工業(yè)大氣污染和工業(yè)水污染的典型相關(guān)系數(shù)和典型變量Tab.4 Canonical correlation coefficient and canonical variables of industrial air pollution and industrial waste water pollution

4 我國(guó)工業(yè)固體廢棄物污染與工業(yè)水污染的典型相關(guān)關(guān)系

此項(xiàng)分析所需數(shù)據(jù)在本文第2、3部分已經(jīng)取得。由于工業(yè)固體廢棄物指標(biāo)組Y1,Y2,L Y6和工業(yè)水污染指標(biāo)組Z1,Z2,L Z6的相關(guān)系數(shù)矩陣在表2,4中已經(jīng)列出,表5只列出SPSS統(tǒng)計(jì)軟件計(jì)算所得的兩個(gè)指標(biāo)組之間的相關(guān)系數(shù)矩陣。

表5 我國(guó)工業(yè)固體廢棄物污染和工業(yè)水污染之間的相關(guān)系數(shù)矩陣Tab.5 Correlation coefficient matrix of industrial solid waste material pollution and industrial waste water pollution

由表5可知,在部分工業(yè)固體廢棄物和水污染物之間存在較強(qiáng)的線性相關(guān)關(guān)系,煤矸石Y4和揮發(fā)酚Z1的相關(guān)系數(shù)達(dá)0.825 8,為強(qiáng)正相關(guān),而粉煤灰Y2,爐渣Y3和有害重金屬Z6都為強(qiáng)負(fù)相關(guān),相關(guān)系數(shù)分別為-0.726 2和-0.853 0。

計(jì)算后可得6對(duì)典型變量和6個(gè)典型相關(guān)系數(shù)。典型相關(guān)系數(shù)及其顯著性檢驗(yàn)見表6。

由表6的P值,推翻原假設(shè)H01和H02,接受其他原假設(shè)。所以第1和第2對(duì)典型變量間的相關(guān)性是顯著的。表7只列出相關(guān)性顯著的兩對(duì)典型變量。

由此可得第1個(gè)典型相關(guān)系數(shù)λ1=0.937,第1對(duì)典型變量為:

在上述典型變量中,指標(biāo)的系數(shù)符號(hào)正負(fù)不一,說明工業(yè)固體廢棄物污染和工業(yè)水污染不存在整體上的相關(guān)性,其中煤矸石和揮發(fā)酚的系數(shù)絕對(duì)值大大大于其他指標(biāo),這說明第1對(duì)典型變量主要反映了固體廢棄物煤矸石和水污染物揮發(fā)酚之間的強(qiáng)相關(guān)關(guān)系。

表6 我國(guó)工業(yè)固體廢棄物污染和工業(yè)水污染之間典型相關(guān)系數(shù)以及顯著性檢驗(yàn)Tab.6 Canonical correlation coefficient and significance test of industrial solid waste material pollution and industrial waste water pollution

表7 第1對(duì)和第2對(duì)典型變量Tab.7 The first pair and the second pair Canonical variables

第2個(gè)典型相關(guān)系數(shù)λ1=0.825,第2對(duì)典型變量為:

5 結(jié)論及建議

我國(guó)工業(yè)污染物的檢測(cè)指標(biāo)是一個(gè)多指標(biāo)的分類體系,因此無法用簡(jiǎn)單相關(guān)、偏相關(guān)或復(fù)相關(guān)分析等一般的相關(guān)分析方法來研究我國(guó)工業(yè)大氣污染、固體廢氣物污染和水污染之間的相關(guān)性問題。本文應(yīng)用典型相關(guān)分析方法,對(duì)我國(guó)31個(gè)省、直轄市和自治區(qū)的工業(yè)污染物檢測(cè)指標(biāo)進(jìn)行了實(shí)證研究。研究結(jié)果表明,我國(guó)工業(yè)大氣污染與固體廢棄物污染,工業(yè)大氣污染與工業(yè)廢水污染之間存在顯著的典型相關(guān)關(guān)系,但在工業(yè)固體廢物污染與工業(yè)廢水污染之間,除了個(gè)別污染物之間具有較強(qiáng)相關(guān)性以外,整體的相關(guān)性并不顯著。這個(gè)結(jié)論對(duì)我國(guó)建立以工業(yè)大氣污染為主的環(huán)境治理政策具有積極的指導(dǎo)作用。

(編輯:劉呈慶)

References)

[1]丁宏翔.1991-2007年昆明市工業(yè)污染物排放狀況分析與研究[J].環(huán)境科學(xué)導(dǎo)刊,2009,28(1):53-56.[Ding Hongxiang.Research and Analysis on Industrial Pollutants Discharge of Kunming from 1991 to 2007[J].Environmental Science Survey,2009,28(1):53-56.]

[2]高文會(huì).盤縣工業(yè)企業(yè)污染物現(xiàn)狀調(diào)查分析[J].現(xiàn)代農(nóng)業(yè)科學(xué),2009,16(3):157-159.[Gao Wenhui.Panxian Industrial Enterprises Pollutants Investigation and Analysis[J].Modern Agricultural Sciences,2009,16(3):157-159.]

[3]任玉瓏,王昌海,唐道鴻.基于Rains—Asia模型的西部燃煤電廠SO2污染物排放預(yù)測(cè)分析[J].科技管理研究,2009,(4):171-173.[Ren Yulong,Wang Changhai,Tang Daohong.SO2Emission Prediction and Analysis of Western China’s Coal-fired Power Plant Based on Rains-Asia Model[J].Science and Technology Management Research,2009,(4):171-173.]

[4]鄭君瑜,張禮俊,鐘流舉等.珠江三角洲大氣面源排放清單及空間分布特征[J].中國(guó)環(huán)境科學(xué)2009,29(5):455-460.[Zheng Junyu,ZhangLijun,ZhongLiuju,et al.Area Source Emission Inventory of Air Pollutant and Its Spatial Distribution Characteristics in Pearl River Delta[J].China Environmental Science,2009,29(5):455-460.]

[5]毛果平,吳超.湖南省工業(yè)能源消耗及污染物排放與產(chǎn)業(yè)結(jié)構(gòu)關(guān)系[J].價(jià)值工程,2009,(4):25-27.[Mao Guoping,Wu Chao.Industrial Energy Consumed and Polluters Discarding and Its Relationship with Industrial Structure in Hunan Province[J].Value Engineering,2009,(4):25-27.]

[6]凌虹,朱曉東等.蘇州市經(jīng)濟(jì)增長(zhǎng)與工業(yè)污染物排放的關(guān)系:EKC如何[J].應(yīng)用生態(tài)學(xué)報(bào),2009,20(4):955-962.[Ling Hong,Zhu Xiaodong et al.Relationships Between Economic Growth and Industrial Pollutant Discharge of Suzhou:How about the EKC?[J].Chinese Journal of Applied Ecology,2009,20(4):955-962.]

[7]方開泰.實(shí)用多元分析[M].上海:華東師范大學(xué)出版社,1989,291-338.[Fang Kaitai.Practical Multivriate Analysis[M].Shanghai:East China Normal University Press,1989:291-338.]

[8]Richard A Johnson,Dean W Wiehern.Applied Multivariate Analysis[M].Prentice Hall,1988:347-425.

[9]Rencher A C.Interpretation ofCanonical DiscriminateFunctions,Canonical Variants andPrincipalComponent[J].TheAmerican Statistician,1992,(5):217-225.

[10]張文彤,董偉.SPSS統(tǒng)計(jì)分析高級(jí)教程[M].北京:高等教育出版社,2004:213-260.[Zhang Weitong,Dong Wei.Advanced Course of SPSS Statistical Analysis[M].Beijing:Higher Education Press,2004:213-260.]

AbstractDetection indexes of China Industrial pollutants can be divided into industrial air pollution,industrial solid waste material pollution andindustrial waste water pollution.In order to realize the goal of integrated control of industrial pollutants,correlation degree of three industrial pollutants and the overall pollution degree should be investigated.However,the correlation of different industrial pollutants is mostly ignored in existing research,so it’s difficult to realize efficient comprehensive governance.In this article,empirical study is carried out which using a method of canonical correlation analysis of the monitored indexes of industrial pollution of 31 provinces,municipalities and autonomous regions in China.The result shows that there is a significant canonical correlation between industrial air pollution and solid waste material pollution,industrial air pollution and industrial waste water pollution.Except stronger correlation among several contaminants,the overall correlation between solid waste material and waste water pollution is not so notable.The solution will be helpful for designing suitable environmental governance policy,focusing on air pollution,effectively preventing and curing the industrial pollution in China.

Key wordsenvironmental pollution monitored index;canonical correlation coefficient;canonical correlation variable;canonical correlation analysis

The Canonical Correlation Analysis on the Monitored Index of China Industrial Pollution

GUO Jun-hua1LI Shou-de2HUANG Tong-cheng2
(1.School of International and Public Affairs,Shanghai Jiaotong University,Shanghai 200030,China;
2.Antai College of Economics&Management,Shanghai Jiaotong University,Shanghai 200052,China)

F276

A

1002-2104(2010)05-0164-05

10.3969/j.issn.1002-2104.2010.05.027

2009-04-01

郭俊華,博士,副教授,主要研究方向?yàn)檎?jī)效管理、公共政策。

＊國(guó)家自然科學(xué)基金項(xiàng)目(No.70573073;70873084)。