采用小時指數平均法和雙重差分模型探究環境污染治理效果

（甘肅省定西生態環境監測中心，甘肅定西 743000）

近年來，隨著我國的工業化進程加快、城市常住人口增加、燃料消耗持續增長，我國多個地區空氣污染嚴重，帶來了一系列負面影響，空氣污染的治理迫在眉睫。2013年，國家開始大力實施空氣污染治理行動，各省市均投入大量資源開展空氣污染的預防和治理。

1 數據來源

本研究的數據來源于某空氣站的監測數據以及2015～2018年執行的《環境空氣質量標注》（GB 3095—2012）中空氣自動監測數據，數據涵蓋SO2、NO2、PM10、PM2.5、CO和O3濃度的分時數據。部分數據缺失，本研究結合2005～2014年空氣指標變化趨勢，通過差值和誤差比較分析，最后使用誤差較小的插值法補齊數據。

2 方法選擇

2.1 小時指數平均法

小時指數可以描述一個時點的污染物水平和總平均水平之間的關系。

（1）以24 h為一個分析周期，將分析周期劃分為n個子周期，計算得到某時期內污染物平均值

（2）計算分析周期內的總平均值：

（3）將各小時的均值與總均值相除，得到小時指數Hk：

說明：Hk＞1，表明該時刻的污染物濃度高于該時段總均值；Hk＜1，說明該時刻的污染物濃度低于該時段總均值。觀察小時污染物濃度變化，可以得到某個具體時期污染物濃度的波動規律。

2.2 雙重差分分析模型

雙重差分法（difference in difference，DID）的基本原理為假設與檢驗：假設目標變量為y，試驗組T（受政策影響的），對照組C（不受政策影響的），一般政策實施后可以直接對試驗組和對照組行對比，即為單差分，存在明顯缺陷主要是沒有考慮政策實施前試驗組和對照組之間的固有差異，說服力有限。如果將單差分的差異減去政策實施之前的兩組固有差異，則可以得到雙重差分，基于具體研究對象構建的模型即為雙重差分模型。

一般可以將DID模型假設為：

式中：y——目標變量；dT——虛擬變量（用T或C分別表示試驗組和對照組）；d2——時間虛擬變量（用0或1分別表示政策前、政策后）；ε——隨機擾動項；β0——對照組目標變量在政策前的平均水平；δ0——試驗組與對照組政策前后的總體變化；β1——與政策實施無關的組間差異權衡系數，即趨勢成分；δ1——剔除趨勢成分后政策實施對結果變量的真實影響。

不考慮其他因素的情況下，δ1的估計值即為倍差的估計量，可以表示為：

某市臨近沙漠戈壁，且常年干旱少雨，造成植被稀少，水資源較為匱乏，每年有大量沙塵天氣，四面環山，橫空氣流動性也較差，形成了一個空氣流通較為緩慢的中間地帶，空氣污染物無法順利擴散。

考慮到某市實際情況，面臨如下形勢：

（1）氣候條件原因。某市氣候溫差大、空氣干燥，導致污染物在氣溫突然變化中的垂向擴散受到抑制。市區風速小，污染物在水平方向的交換受到了抑制，垂向和水平向的效應疊加，對城市空氣的自凈能力大幅度削弱，使得污染物濃度逐漸累積升高。此外，一次沙塵暴將持續影響3～5 d的PM10濃度，以2017年為例，前4個月某市受到沙塵暴的影響比去年同期多7次，總計受到影響超30 d，導致同期PM10濃度和PM2.5濃度分別達到99 μg/m3和50 μg/m3，分別上升35.6%及47.1%。

（2）能源結構原因。某市的能源結構以煤炭為主，據不完全統計，目前約有燃煤鍋爐544臺，家用燃煤小火爐數量約712個，年耗煤量超15 萬t，同時燃煤供應中心及型煤生產線及配送網絡未完全建成運行，導致燃煤質量管控力度不夠，加大了污染程度。

2014～2016年的采暖期，SO2平均濃度比非采暖期的SO2平均濃度分別高出0.026 μg/m3、0.039 μg/m3和0.044 μg/m3。

（3）面污染。每年都有超過50處的施工場地，其中大部分建筑場地未嚴格實行綠色施工及相關文明施工規定，如現場圍擋、場地硬化、出入車輛沖洗、渣土密封運輸、工地物料堆放等，導致揚塵污染較為嚴重。與此同時，露天燒烤和秸稈焚燒、爆竹燃放等不文明行為屢禁不止，餐飲業的油煙凈化也有部分設施運轉不正常，導致面污染的情況沒有得到妥善治理。

（4）機動車污染。市區的機動車保有量連年上升，以每年12%的速度遞增，目前已超過25萬輛，排期污染日趨嚴重。老舊車的淘汰進程緩慢，目前已經實行國六標準，老標準的車輛淘汰還有較長的進程。

上述原因是剔除輸入型沙塵影響后引起PM2.5、PM10超標的主要原因，也是后續提出治理措施或建議時重點應考慮的方面。

3 地區大氣污染防治措施及效果評估

3.1 描述性統計方法的總體治理效果分析

以分時AQI數據為分析對象，采用雙重差分模型和描述性統計分析，對某市實施政策前后的空氣質量指數是否有好轉及好轉的程度進行探究，進行空氣治理政策成效的客觀性評價。2019年空氣質量分時指數變化如圖1所示，2018年空氣質量分時指數變化如圖2所示。

圖1 2019年空氣質量分時指數變化

圖2 2018年的空氣質量分時指數變化

由圖1及圖2可以發現，在政策持續實施期間，高污染天氣集聚的情況從2018年的9個波峰降至2019年的兩個波峰，說明高污染的次數明顯減少。空氣污染呈現明顯的季節性差異，最差天氣仍然出現在冬季，春季其次，夏天的空氣質量最優，與最初的假設和分析相符合。

3.2 基于雙重差分模型的PM10和PM2.5治理效果評價

3.2.1 研究的設計與假設

為了更好地驗證某市對于PM2.5的治理效果，可通過單差分方法進行比較，評價實行《大氣污染防治工作計劃》的具體效果。即通過比較某市2018年和2019年同期的污染水平差異進行定量比較和判斷。但由于單差分方法誤差較大，造成結果科學性不強。在政策的實施中不可能只存在單一的影響因素，還包含其他可能在后續環節影響結果的因素，如人口、社會活動、產業結構、交通等。因此可以假設在某市實行《大氣污染防治工作計劃》過程中存在不可避免的趨勢成分，可以將difference分為兩個部分，既包含趨勢成分，又包含政策的實施效果，可使用雙重差分模型。

3.2.2 數據的設置

《大氣污染防治工作計劃》的實施對空氣污染有明顯的改善效果，還需分析治理政策的具體提升效果。以冬季污染最為嚴重的2個月為例（11、12月），PM10和PM2.5的變化趨勢整體一致，本研究以PM2.5為例進行說明，取2015～2018年各年的11、12月PM2.5數據進行分析。

設因變量y為PM2.5真實濃度值，建立PM2.5的治理效果評價模型：

分析可知，數據模型的估計結果與絕對數據模型沒有質的變化，說明如果不實施空氣污染治理措施，2015～2018年的空氣污染會逐年加重，證明了假設的正確性，也說明了空氣污染治理措施的有效性。

4 結語

本文利用小時指數平均法和雙重差分模型分析空氣污染物高頻分時數據，通過理論建模和數值統計分析得到了大氣污染物的主要分布規律，通過分析得出轄區內的空氣質量指數經相關政策的具體實施得到好轉，區域內污染物濃度呈現冬季高夏季低的特征。分析分時數據可知，午后空氣質量最佳，早晚高峰空氣質量最差，夜間污染物濃度基本處于平穩狀態，降幅較小。從能源結構調整、機動車污染治理、揚塵專項治理等角度入手落實大氣污染治理工作，能夠顯著減少空氣污染，提高空氣質量。