陳曈

(都柏林大學 斯莫菲特商學院，愛爾蘭 都柏林 D014 V1W8)

“綠水青山就是金山銀山.”[1]生態(tài)環(huán)境對于一個城市的發(fā)展至關重要，人民群眾對于藍天白云的呼聲也越來越高.2018年，國務院發(fā)布《打贏藍天保衛(wèi)戰(zhàn)三年行動計劃》，旨在通過三年努力，大幅減少主要大氣污染物排放總量，協(xié)同減少溫室氣體排放，進一步顯著降低細顆粒物(PM2.5)濃度，減少重污染天數，明顯改善環(huán)境空氣質量，增強人民的藍天幸福感[2].作為風景旅游城市的廈門市也認真貫徹落實《打贏藍天保衛(wèi)戰(zhàn)三年行動計劃》并取得優(yōu)異的成績.2020年廈門市空氣質量取得“十三五”以來最佳成績，全年優(yōu)良率達到99.7%，在全國168個重點城市中排名并列第3名.空氣質量綜合指數為2.53，同比下降15.1%，居全國第4名；與2019年相比，除O3外其他污染物的年平均濃度均有所下降，特別是PM2.5濃度僅為18 μg/m3，同比降低25%. 然而，2020年廈門市集美區(qū)爭創(chuàng)國家生態(tài)文明建設示范區(qū)的目標尚未達標，需從多個方面進一步提高生態(tài)文明水平.

以往大多數對空氣質量研究采用的評價指標都是空氣質量指數(air quality index，AQI)，而對本文所采用的空氣質量綜合指數(air quality composite index，AQCI)的研究則相對缺乏.AQCI是評價時段內6項污染物濃度與它們對應的二級標準值之商的總和；而AQI則是先計算6項污染物空氣質量分指數，再取分指數中的最大值進行發(fā)布，是用來判斷每日優(yōu)良率及污染等級的指數.二者在計算方法上有一定的差異，但都是用污染物濃度和分級濃度限值進行計算而得，且AQI、AQCI、空氣質量等級和污染程度都存在一一對應的轉化關系，因此對AQI的研究方法也普遍適用于AQCI.然而，AQI的評價僅依據污染物的上限值對污染程度和空氣優(yōu)良率進行簡單地判斷，其優(yōu)點是對標容易，評價方便，能反映該地區(qū)的污染程度，但受首要污染物影響較大，不能真實準確地反映具體污染物的濃度值.AQCI與AQI相比計算方法相對簡單，雖然無法明確顯示出首要污染物，但能夠綜合地反映各項污染物對空氣質量的影響，從而更客觀地體現出環(huán)境空氣質量的優(yōu)劣.目前AQCI已經成為評價城市空氣環(huán)境質量的主要指標，因此本文選用AQCI作為衡量各項污染物對空氣質量影響的指數.

關于空氣質量影響因素的研究一直是治理大氣污染問題的關鍵，多年來我國已有眾多學者對此進行了全面而廣泛的研究.夏大峰等[3]利用南京9個監(jiān)測站測得的PM2.5濃度作為依據，結合地理環(huán)境、天氣及其他影響因素，研究了以日、周、月為時間間隔的PM2.5濃度變化趨勢.劉金培等[4]利用西安市2013-2014年空氣質量和氣象因素的相關數據，運用VAR模型分析PM2.5與其影響因素的動態(tài)關系.鄧煜凡[5]通過統(tǒng)計分析法和 Spearman 相關系數法分析2017年江西省PM2.5的時間序列分布特征和影響因素，發(fā)現PM2.5與SO2、NO2、CO和O3都呈顯著正相關.丁梓越等[6]采用時空地理加權回歸(GTWR)模型，分析眾多因素對2014-2018年期間河南省AQI的作用模式及其時空變化.郭歡[7]收集2015-2019年廊坊市的AQI以及2019年的逐日AQI構建多元回歸模型，發(fā)現AQI與PM2.5存在極強的線性相關.閆緒嫻等[8]搜集31個旅游城市的AQCI月均值，運用均值統(tǒng)計和趨勢回歸方法分析我國AQCI時空分布特征及其對旅游效益的影響.太春寧等[9]對吉林省9個市的AQCI及分指數、月份綜合指數的相關性進行分析，發(fā)現AQCI與6項污染物中的5項有強相關性且與12個月份的AQCI都有強相關性.本研究將通過VAR模型實證分析2020年集美區(qū)空氣質量狀況，以期能夠更具體地分析影響集美區(qū)空氣質量的主要因素并提出相應的空氣污染綜合治理建議.

1 研究方法與描述性統(tǒng)計

1.1 數據來源

根據生態(tài)環(huán)境部2012年發(fā)布的《環(huán)境空氣質量指數(AQI)技術規(guī)定(試行)》(HJ 633-2012)[10]中規(guī)定的6個基本項目：SO2、NO2、CO、O3、PM10、PM2.5，評價它們的污染程度.AQCI是評價時段內，各項污染物單項質量指數之和，AQCI越大表明城市空氣污染程度越重.為了更好地反映出《打贏藍天保衛(wèi)戰(zhàn)三年行動計劃》的實施下集美區(qū)空氣質量改善的完成情況，從集美區(qū)生態(tài)環(huán)境局監(jiān)測站收集2018-2020年的相關年度數據進行縱向比較，并進一步選取集美區(qū)2020年52周的空氣質量綜合指數和6項污染物濃度指標構建VAR模型進行實證分析.

1.2 研究方法

本研究主要運用向量自回歸(VAR)模型來估計內生變量的動態(tài)關系.該類模型采用多方程聯立的形式，它不以經濟理論為基礎，在模型的每一個方程中，內生變量對模型的全部內生變量的滯后值進行回歸，從而估計全部內生變量的動態(tài)關系.構建的VAR(p)模型的表達式如式(1)所示：

(1)

1.3 AQCI指標介紹

空氣質量綜合指數(AQCI)計算方法如下：

Ii=Ci/Si.

(2)

其中：Ci為污染物i的濃度值(當i為SO2、NO2、PM10及PM2.5時，Ci為月均值;當i為CO和O3時，Ci為相應的百分位數濃度值)，Si為污染物i的年均值二級標準.環(huán)境空氣質量綜合指數(AQCI)為：

(3)

其中：Ii為污染物i的單項指數，i包括全部6項常規(guī)大氣污染物指標.將以上6種大氣污染物指標作為研究AQCI影響因素的指標.

1.4 描述性統(tǒng)計

1.4.1 空氣質量綜合指數(AQCI)與其影響因素的變化情況 集美區(qū)空氣質量優(yōu)良，以AQCI中的一項重要影響因素PM2.5為例，2020年集美區(qū)PM2.5年平均濃度為17 μg/m3，遠遠低于《環(huán)境空氣質量標準》 (GB 3095-2012)規(guī)定的PM2.5年平均濃度二級標準限值35 μg/m3.表1為2018-2020年集美區(qū)空氣質量綜合指數與6項污染物濃度的統(tǒng)計分析結果.2020年集美區(qū)空氣質量優(yōu)良率為99.5%，其中SO2、NO2、CO、O3、PM10和PM2.5的評價濃度(實況濃度)均低于國家空氣污染物濃度二級標準年均限值.6項常規(guī)污染物相對于2019年呈現“兩平一升三降”的特征，SO2和CO同比持平，NO2、PM10和PM2.5同比分別下降28.6%、18.4%和10.5%，O3同比上升2.4%.空氣質量綜合指數由2019年的2.63下降為2.36，在廈門市6個區(qū)的排名從第1降為第4名，環(huán)境空氣質量總體保持優(yōu)良水平.

從2020年6項空氣污染物單指數對AQCI的貢獻率來看，2020年集美區(qū)SO2、NO2、CO、O3、PM10和PM2.5對AQCI的貢獻分別為3.4%、16.1%、7.6%、33.5%、18.6%和20.8%.綜合來看，2018-2020年集美區(qū)的AQCI逐年降低，但是2020年O3的濃度和貢獻率較2019年相比有所提高，總體上2020年集美區(qū)AQCI的降幅相對較小，排名較廈門市其他行政區(qū)相對靠后.

表1 2018-2020年集美區(qū)AQCI和6項污染物濃度統(tǒng)計結果Tab.1 Statistical results of AQCI and concentration of 6 pollutants in Jimei District in 2018-2020

1.4.2 空氣質量綜合指數(AQCI)影響因素的相關性 描述兩變量之間的相關關系時，通常采用Pearson相關系數，但該系數的局限性是只能描述變量間的線性相關關系，數據需滿足正態(tài)分布且受異常值影響較大.而Spearman相關系數是對兩變量的秩次大小進行相關性分析，不需要數據滿足正態(tài)關系，不僅可以描述線性相關現象關系，還可以描述非線性關系.當前者大于后者時，表明兩變量間主要為線性相關，否則兩變量間主要為非線性關系.兩種相關系數的取值范圍均為[-1,1]，系數的絕對值越大，說明兩變量的相關等級越高，反之相關等級越低.本文同時測算 2020年52周的集美區(qū)AQCI和6項污染物濃度的Pearson相關系數和Spearman相關系數.計算結果如表2所示.由表中可知，集美區(qū)的AQCI與PM10、PM2.5和NO2有著較強的線性相關，而與CO、O3和SO2是非線性相關.因此，集美區(qū)的AQCI與PM10和PM2.5的相關性較大，且與NO2、CO和O3也具有相關性，而與SO2的相關性較小.

表2 集美區(qū)AQCI和相關影響因素之間的相關系數Tab.2 Correlation coefficient of AQCI and its influencing factors of Jimei District

2 計量結果和分析

2.1 單位根檢驗

采用ADF(Augmented Dickey Fuller)進行檢驗，由于對數據取自然對數可以降低異方差性，并能使時間序列趨勢線性化， 所以對所有的時間序列進行自然對數處理，檢驗結果如表3所示.

表3 單位根檢驗的結果Tab.3 ADF test results

(續(xù)表3)

由表3可知，在顯著性為5%的情況下，6個變量序列l(wèi)nAQCI、lnNO2、lnCO、lnO3、lnPM10和lnPM2.5總體趨于平穩(wěn)，而變量序列l(wèi)nSO2則不是平穩(wěn)的.進一步對所有序列一階差分后得到的序列再進行ADF檢驗，發(fā)現它們的一階差分序列都是平穩(wěn)的.因此，本文采用這7個變量序列的差分序列進行分析，分別記為dlnAQCI、dlnSO2、dlnNO2、dlnCO、dlnO3、dlnPM10和dlnPM2.5.

2.2 AQCI與其影響因素的多元回歸分析

確定了變量是同階平穩(wěn)后，為了研究AQCI受哪項污染物影響最大，可以建立AQCI與6項污染物濃度的多元回歸方程，通過系數的大小判斷對AQCI影響程度，見表4.

表4 回歸方程系數相關性分析Tab.4 Correlation analysis of regression equation coefficients

根據回歸結果，得到多元回歸方程如下：

dlnAQCI=-0.001+0.059dlnCO+0.176dlnNO2+0.23dlnO3+0.263dlnPM10+ 0.163dlnPM2.5+0.129dlnSO2+ei.

(4)

從表4可以看出，AQCI與CO、NO2、O3、PM10、PM2.5、SO2都呈正相關.由方程系數大小可知，PM10變動對AQCI變動的影響最大，PM10每變動1%，AQCI變動0.263%.其次為O3、NO2、PM2.5和SO2，而CO對AQCI的影響最小.

2.3 格蘭杰因果關系檢驗

格蘭杰因果關系檢驗是對某變量的滯后項進行的檢驗，看其是否包含在其他某變量的方程中，為了確定各污染物與空氣質量綜合指數間建立的長期關系，進而找到針對空氣治理的方案，需要得到它們長時間內存在的因果關系.格蘭杰因果關系檢驗結果如表5所示.

表5 Granger因果檢驗結果Tab.5 Granger causality test results

從檢驗結果可以看出，在10%的顯著水平上，若拒絕原假設，即“各變量不是dlnAQCI的原因”的假設，從而接受了“各變量是lnAQCI的原因”的結論.由表5可知，CO和AQCI互為因果關系，且O3、PM10是AQCI的因，即CO、O3、PM10濃度的變動將會不可避免地對AQCI的變動產生影響.而AQCI和PM2.5存在單向因果關系，AQCI是PM2.5的因，因此PM2.5濃度的提高不會對AQCI產生太大影響.此外，SO2和NO2與AQCI間不存在顯著因果關系.綜上所述，CO、O3和PM10濃度的增長是導致2020年集美區(qū)空氣質量綜合指數增長的原因.

2.4 VAR模型的構建和穩(wěn)定性檢驗

采用脈沖響應函數和方差分解對AQCI的影響因素進行滯后性分析，因此需要先構建向量自回歸(VAR) 模型.采用dlnAQCI、dlnSO2、dlnNO2、dlnCO、dlnO3、dlnPM10和dlnPM2.5這7個變量序列構建7維VAR模型.根據LR、FPE、AIC、SC和HQ共5個最優(yōu)滯后階數取值準則，歸納結果列于表6.

表6 VAR模型的滯后期判斷結果Tab.6 Judgments of lag time for VAR model

從表6可以看出，SC和HQ指標最優(yōu)滯后期為0，LR、FPE和AIC指標最優(yōu)滯后期為4.為體現信息的完整性和VAR模型的有效性，最終確定模型的最優(yōu)滯后期為4，從而得到AQCI變動dlnAQCI的水平向量自回歸方程：

dlnAQCI=-2.022 dlnAQCI(-1)-0.093 dlnAQCI(-2)-3.874 dlnAQCI(-3)-

0.038 dlnAQCI(-4)-0.046 dlnCO(-1)-0.294 dlnCO(-2)- 0.0979 dlnCO(-3)-

0.455 dlnCO(-4)+0.397 dlnNO2(-1)+0.003 dlnNO2(-2)+0.923 dlnNO2(-3)+

0.049 dlnNO2(-4)+0.560 dlnO3(-1)+0.275 dlnO3(-2)+0.869 dlnO3(-3)+

0.213 dlnO3(-4)+0.368 dlnPM10(-1)-0.589 dlnPM10(-2)+1.314 dlnPM10(-3)+

0.082 5 dlnPM10(-4)+0.186 dlnPM2.5(-1)+0.443 dlnPM2.5(-2)+

0.475 dlnPM2.5(-3) - 0.009 dlnPM2.5(-4) + 0.235 dlnSO2(-1) -

0.398 dlnSO2(-2) + 0.211 dlnSO2(-3) - 0.386 dlnSO2(-4) + 0.012 +ei.

由回歸方程可知，從長期來看，dlnAQI與dlnSO2、dlnNO2、dlnO3、dlnPM10和dlnPM25呈正向關系，而與dlnCO呈負向關系.這說明從長期來看，SO2、NO2、O3、PM10和PM2.5的增加會引起AQCI的增加，CO的增加會引起AQCI的降低.

圖1 VAR(4)模型穩(wěn)定性檢驗AR根圖Fig.1 Inverse roots of AR characteristic polynomial

圖1是對AR特征多項式穩(wěn)定性檢驗的AR根圖，由圖中看出所有的逆根都在單位圓內，表明AQCI和相關的各項大氣污染物構成的系統(tǒng)是穩(wěn)定的，VAR模型的構建過程有效.

2.5 脈沖響應函數分析

脈沖響應函數是用于衡量隨機擾動項的一個標準差沖擊對內生變量當前和未來取值的影響，能夠比較直觀地反映出變量之間的動態(tài)交互作用及其效應.因此，采用脈沖響應函數對2020年集美區(qū)的空氣質量綜合指數與其影響因素的脈沖響應進行分析，選擇分析期的長度為10期，結果如脈沖響應函數圖2～7所示.

由圖2～7可知，AQCI對CO、NO2一個標準差信息的正向沖擊會引起AQCI的正向變動，從而使AQCI增加，在第1期響應值達到最大.在第2期之間會引起AQCI的負向變動，使AQCI產生滯后的抑制作用，同時達到負向波動最低值.在第4期響應值變?yōu)檎担?期后脈沖響應漸趨于0.AQCI對O3、PM10、PM2.5、SO2一個標準差信息的正向沖擊會帶來AQCI的正向變動，引起AQCI增加，在第1期響應值達到最大.在第2期之間會帶來AQCI的負向變動，使AQCI產生滯后的抑制作用，同時達到負向波動最低值.在第3期響應值變?yōu)檎担?期后脈沖響應漸趨于0.綜上所述，AQCI受各項污染物的沖擊一開始影響較大，污染物濃度的增加會引起AQCI的增加，隨后迅速減弱，直至逐漸消失.

圖2 dlnAQCI對dlnCO的脈沖響應 圖3 dlnAQCI對dlnNO2的脈沖響應Fig.2 Impulse response of dlnAQCI to dlnCO Fig.3 Impulse response of dlnAQCI to DNO2

圖4 dlnAQCI對dlnO3的脈沖響應 圖5 dlnAQCI對dlnPM10的脈沖響應Fig.4 Impulse response of dlnAQCI to dlnO3 Fig.5 Impulse response of dlnAQCI to DPM10

圖6 dlnAQCI對dlnPM2.5的脈沖響應 圖7 dlnAQCI對dlnSO2的脈沖響應Fig.6 Impulse response of dlnAQCI to dlnPM2.5 Fig.7 Impulse response of dlnAQCI to DSO2

2.6 方差分解

為了進一步分析各項污染物對空氣質量綜合指數的相對作用大小，基于VAR(4)模型對dlnAQCI進行方差分解，得到結果見表7.從表中方差分解結果看來，集美區(qū)的AQCI短期內主要受自身的影響，隨著時間推移，各項污染物的貢獻度從第二期開始明顯上升，從長期看來，SO2對AQCI影響相對較大，CO、NO2對AQCI影響也有一定的影響，O3、PM10和PM2.5影響相對較小但總是存在的 .

表7 dlnAQCI的方差分解Tab.7 Variance decomposition of dlnAQCI

3 結論與建議

3.1 結論

(1)在短時間內污染物濃度的增加對AQCI的影響較大，具有正向促進作用，但影響會迅速消減，這與相關性分析的結論保持一致，表明對污染物的治理在短期內會有效降低AQCI的大小.

(2)從各項影響因素分析，SO2和NO2不是AQCI的因，因此它們的變動不會造成AQCI的變動.CO與AQCI呈正相關性，但單位變動引起的AQCI的變動在所有影響因素中最小.

(3)根據方差分解結果來看，PM10與AQCI之間有強正相關關系，單位變動引起AQCI的變動在所有影響因素中最大，說明PM10含量的增加將會引起AQCI的顯著增加.與PM10類似，O3也與AQCI呈正相關，單位變動引起AQCI的變動較大，且與2019年相比，2020年集美區(qū)O3濃度有明顯上升.綜上所述，O3和PM10是影響2020年集美區(qū)空氣質量的首要污染物.

2020年集美區(qū)6項常規(guī)污染物相對于2019年呈現“兩平一升三降”的特征，SO2和CO同比持平，NO2、PM10和PM2.5同比下降，O3同比上升，AQCI同比下降了10.3%，空氣質量總體上得到改善.這樣的成績離不開環(huán)境部門對環(huán)境治理的持續(xù)加強.2019年集美生態(tài)環(huán)境局完成了對NO2、PM10、PM2.5、O3四項主要污染物年度減排任務，落實陸源排海污染物、重金屬總量控制，對重點企業(yè)展開嚴格監(jiān)管和整改.然而，盡管2020年集美區(qū)的空氣質量持續(xù)改善，O3濃度卻有明顯上升.相比各區(qū)同比變化情況，廈門其他區(qū)的O3濃度同比均下降，集美區(qū)則有所升高.AQCI排名在廈門市全區(qū)中也有明顯下降，排名從第1降為第4，且未能成功入選國家生態(tài)文明建設示范區(qū).主要原因有：(1)集美中學監(jiān)測點空氣質量下滑明顯，主要污染源為O3和PM2.5.(2)各街道周邊工地揚塵管控落實不夠到位，導致O3濃度年均同比上升，相關單位的應急響應積極性不足.(3)2020年新增集美中學國控點的周邊空氣質量仍有待提高.

3.2 建議

(1)加強揮發(fā)性有機物(VOCs)的整治.O3和PM2.5污染受到揮發(fā)性有機物(VOCs)的影響，VOCs不僅對環(huán)境和人體健康有直接影響，還參與大氣光化學反應生成二次污染物，是O3和PM2.5的前體污染物.主要來源是工業(yè)廢氣、汽車尾氣等.因此，環(huán)境部門可通過鼓勵重點行業(yè)企業(yè)進行生產工藝和設備的水性化改造，增加綠色、低揮發(fā)性涂料產品的使用，從生產源頭上減少VOCs排放.同時,優(yōu)化產業(yè)布局，對石化、化工、制鞋等高VOCs排放的項目建設實行嚴格的準入政策.

(2)推進天然氣和電能利用.通過優(yōu)化能源結構，發(fā)展新能源和可再生能源，控制煤電規(guī)模和投產時序，促進煤炭清潔高效利用，從源頭上降低O3和PM10的排放濃度.以集美的旅游、交通等領域為側重點，加快推進電能替代工作，如通過在停車場設立充電樁、對充換電設施用電實行價格優(yōu)惠等措施推動電動汽車代替?zhèn)鹘y(tǒng)燃油車.在工業(yè)燃料和民用領域推進天然氣基礎設施建設，擴展天然氣產業(yè)鏈.

(3)加強對交通尾氣排放的整治.集美監(jiān)測站點受島內及海滄的機動車、工業(yè)源排放的O3前體物傳輸的影響較大，需加強站點附近交通源NO2的排放防控.通過監(jiān)管部門嚴格執(zhí)行過往車輛的質檢和國家對機動車尾氣排放標準的規(guī)定，進而保證主要交通干道車輛通行能力，減少車輛因滯停、擁堵等原因造成的尾氣排放.另一方面，促進高排放老舊車淘汰，推廣使用新能源機動車，加快交通運輸結構升級.

(4)加強揚塵治理.集美區(qū)的PM10濃度受監(jiān)測站點周邊交通干道和施工工地的揚塵影響較大.針對揚塵防控，應強化對污染源頭企業(yè)的監(jiān)管、治理、整改；從用地結構上改善工地揚塵監(jiān)管頂層設計；加強輕微污染天氣響應，使用灑水車、霧炮車等遏制道路煙塵的產生；強化揚塵管控，可通過委托第三方服務機構對轄區(qū)工地、道路開展揚塵防控巡查工作.

2021年是“十四五”規(guī)劃開局之年，做好“碳達峰、碳中和”工作是2021年重點任務之一.生態(tài)環(huán)境部將編制實施“十四五”空氣質量全面改善行動計劃，聚焦于推進O3和PM10的協(xié)同控制和大氣多污染物的協(xié)同減排，目的在從源頭防控、結構優(yōu)化、末端治理等方面，加快補齊VOCs和氮化物污染防治短板，促進大氣污染減排工程項目的實施，最終推動O3和PM10濃度同步降低，實現減污降碳協(xié)同效應.為了進一步改善空氣質量環(huán)境，集美區(qū)應確定目標導向，努力實現O3和顆粒物濃度進一步降低，強化源頭治理、系統(tǒng)治理、整體治理，以生態(tài)環(huán)境高水平保護促進產業(yè)結構、能源結構、交通運輸結構和用地結構加快調整，形成源頭防控體系和區(qū)域大氣污染聯防聯控.