1、空气质量评估报告 北京城区2010-2014年 PM 污染状况研究 二零一五年三月 为了蓝天 让我们用数据解读污染 北京大学统计科学中心 北京大学光华管理学院 2.5引言 2008 年 4 月，位于建国门外的美国驻华大使馆开始在其楼顶上测量 PM 2.5 每小时浓度数据，并在之后不久开始对外公布。此举引发了诸多的争议和讨论。 这或许是许多中国人第一次听到“PM 2.5 ”这个专业名词（悬浮在空气中空气动 力学当量直径小于或等于2.5微米的颗粒物，又称细颗粒物） 。 2013年1月1日， 环保部开始正式将PM 2.5 列入空气监测指标中，而之前在 大气污染颗粒物方面的监测对象主要是PM 10 。
2、 2013年1月， 北京频繁出现了空气极端污染现象。其中1月12日的小时最 高PM 2.5 浓度超过了800微克/立方米。 该月有16天的PM 2.5 日平均浓度超过150 微克/立方米，达到了严重污染。北京人开始意识到PM 2.5 问题的严重性。 2013 年 9 月 10 日，国务院印发大气污染防治行动计划 （简称大气国 十条 ） 。其制定的改善空气质量的具体目标为：到 2017 年，全国地级及以上城 市可吸入颗粒物（PM 10 ）浓度比 2012 年下降 10%以上，优良天数逐年提高；京 津冀、长三角、珠三角等区域细颗粒物（PM 2.5 ）浓度分别下降 25%、20%、15% 左右，其中
3、北京市PM 2.5 年均浓度控制在60微克/立方米左右。 2014 年 3 月，李克强总理在政府工作报告中提出以雾霾频发的特大城市和 区域为重点，以细颗粒物治理为突破口，抓住产业结构、能源效率、尾气排放等 关键环节， 健全政府、 企业、 公众共同参与机制， 实行区域联防联控的政策方针。 2014 年 3 月，在北京又一个被重度污染空气所笼罩的日子，北京大学统计 科学中心和光华管理学院的八位老师同学开始收集和分析北京的PM 2.5 数据。时 隔一年之后，谨以这份报告来概括我们一年来的研究结果。目前关于如何治理中 国大气污染的讨论正在全国热烈进行着， 我们期待这份报告能够提供一个数据的 视角和统计
4、学上的分析判断。 目 录 一、背景 . 1 二、PM 2.5 的标准 . 1 三、研究目标 . 3 四、数据 . 4 五、数据公开 . 7 六、北京污染的基本统计 . 8 七、风的影响 11 八、能源消费 16 九、PM 2.5 的公平评价 17 十、调整的五年PM 2.5 平均浓度 19 十一、调整的五年 PM 2.5 分布的分位数 21 十二、最近三年的情况 23 十三、APEC效应 . 26 十四、冬季供暖效应 28 十五、结果汇总 31 参考文献 34 附录 35 1 一、背景 我国雾霾天气的主要成因是悬浮颗粒物 （Particulate Matters， 简称PM） ， 细颗粒物（P
5、M 2.5 ）是其重要组成部分（Zhang XY，et al. 2013） 。PM 2.5 悬浮颗 粒物有少量来自于自然界，绝大部分来自人类活动。工业生产、矿物质燃料（如 煤炭、汽油等）或生物质（如秸秆等）的燃烧、道路施工或者房屋建设产生扬尘 等行为可直接将其排放到大气中。同时，其他工业排放物质（如二氧化硫、氮氧 化物等）在大气中发生化学反应也可生成PM 2.5 ，形成二次污染。PM 2.5 的危害不 仅在于形成雾霾，影响大气能见度，更在于其颗粒小并能附着一些重金属颗粒， 通过呼吸进入人体， 对人类健康产生严重的危害。 许多国内外流行病学研究发现， 长期生活在高浓度的PM 2.5 空气中， 人
6、类会产生一系列的呼吸系统和心血管疾病， 甚至会提高疾病死亡率（Pope, et al. 2002; Huang W, et al. 2012） 。尽管目 前我国证明PM 2.5 污染可引起肺癌等肿瘤高发的流行病学研究还较少，但这并不 表明其与各种癌症的发病率无关。 PM 2.5 自身并不是一成不变的颗粒，它的化学构成和污染来源在我国不同地 区呈现出完全不同的特点（Zhang YH, et al. 2008; Chang, et al. 2013; Li J, et al. 2014） 。仅就北京地区来说，污染物本地排放与区域传输、二次气溶胶污 染和气象条件是影响PM2.5形成与变化的重要因素（
7、Guo S, et al. 2014；Zhang XY, et al. 2013; Huang RJ, et al. 2014）。由于这些因素本身具有极高的不 确定性，导致PM 2.5 的时间分布具有复杂的随机机制。量化这些随机机制并深入 研究各种因素与 PM 2.5 之间的关系可以帮助我们更好地理解 PM 2.5 的分布特点， 并揭示PM 2.5 在北京地区的聚集和消散过程背后的规律。 二、PM 2.5 的标准 关于PM 2.5 浓度的分类标准，中国和世界其他国家有所不同。 中国环保部制定的环境空气质量标准 （GB 30952012）所给出的PM 2.52 浓度的标准有两个等级。一级标准适用
8、于自然保护区、风景名胜区和其他需要特 殊保护的区域（一类区） 。二级标准适用于居民区、商业交通居民混合区、文化 区、工业区和农村地区（二类区） 。 一级标准： （1）一个监测点的PM 2.5 年平均浓度不超过15微克/立方米； （2）一个监测点的PM 2.5 日平均浓度不超过35微克/立方米。 二级标准： （1）一个监测点的PM 2.5 年平均浓度不超过35微克/立方米； （2）一个监测点的日PM 2.5 日平均浓度不超过75微克/立方米。 美国环保局（USEPA）于2012年12月14日发布的关于PM 2.5 浓度的新标准 也有两个等级。 一级标准： （1）一个监测点的三年平均PM 2.5
9、年浓度不超过12微克/立方米； （2）一个监测点的三年平均 PM 2.5 日浓度的 98%分位数不超过 35 微克/立 方米。 二级标准：将一级标准（1）中的12微克/立方米提高至15微克/立方米。 除了浓度以外，我们经常从手机或者网站上看到的是空气质量指数（Air Quality Index，简称 AQI） 。空气质量指数是描述空气质量状况的无量纲指数。 按照我国环境空气质量指数（AQI）技术规定（试行） （HJ 6332012）的规 定，它是六种大气污染物分指数（简称 IAQI）的最大值。这六种大气污染物分 别是：细颗粒物（PM 2.5 ） 、可吸入颗粒物（PM 10 ） 、二氧化硫（SO
10、 2 ） 、二氧化氮 （NO 2 ） 、臭氧（O 3 ）和一氧化碳（CO） 。不同的污染物浓度与其 IAQI 的换算公 式不同（见附录表S1、S2） 。 表1分别给出了中国和美国的PM 2.5 浓度与其对应的空气质量等级的换算关 系。从中国和美国关于 PM 2.5 浓度的空气质量标准中可以看出，中国使用以 75 微克/立方米 （24小时平均） 作为空气质量 “良” 的上限， 这是世界卫生组织 （WHO）3 的初期过度标准。WHO的空气质量为良的二期过度标准是50微克/立方米，三期 是 37.5 微克/立方米，终极标准是 25 微克/立方米。美国，新加坡是 35 微克/ 立方米（24小时平均）
11、。印度和孟加拉国所使用的标准分别是60微克/立方米和 65微克/立方米（24小时平均） 。 本报告将采用35微克/立方米设为空气质量“良”的上限。同时，鉴于AQI 的定义复杂且关系到其他大气污染物，本报告中所涉及的PM 2.5 均指浓度。 表 1：中国和美国的PM 2.5 浓度与空气质量分指数换算 空气质量指数类别 空气质量分指数 （IAQI） 24 小时平均PM 2.5 浓度范围 （中国） 24 小时平均PM 2.5 浓度范围 （美国） 优 050 035 0.012.0 良 51100 3575 12.135.4 轻度污染 101150 75115 35.555.4 中度污染 151200
12、 115150 55.5150.4 重度污染 201300 150250 150.5250.4 严重污染 301400 250350 250.5350.4 401500 350500 350.5500.0 三、研究目标 对于有 2200 万常住人口的北京市，我们如何去评估这一地区 PM 2.5 污染的 严重程度？如何解读数据， 从而公平地评判其空气质量是否改善？如何为政府制 定减排政策提供建议？这些是我们这篇报告要回答的主要问题。 本报告的具体目标是： （1） 给出 2010 年至 2014 年北京城区 PM 2.5 污染程度的几个主要的统计学指 标，从而可以比较全面地概括北京城区的空气污染状
13、况； （2） 量化风向和风速对PM 2.5 浓度的影响； （3） 衡量北京近年来空气污染的变化趋势。 如何公平评判2013年以来实施的 一系列大气污染防治措施是否有效果？近年来空气质量是否有改善？ （4） APEC 期间的减排措施对 PM 2.5 浓度的影响有多大？对减排政策有何借鉴4 意义？ （5） 北京冬季供暖对PM 2.5 浓度的影响有多大？对空气污染治理有何启示？ 研究方法：运用现代统计学方法，我们分析了北京过去五年的 PM 2.5 浓度和 气象数据，并给出了描述北京PM 2.5 污染状况的统计学特征。这些特征可以用来 检测、评估现在和预测将来的污染状况。 四、数据 由于PM 2.5
14、浓度和气象条件都具有很高的动态变化性，所以受随机因素的影 响很大。要想让数据“说话” ，用数据评估PM 2.5 污染的严重程度，量化PM 2.5 的 发展趋势与分布模式，发现数据背后的污染规律，我们需要有足够长时间并且较 高频率的观测数据。 环保部从2013年1月开始实时公布全国74个主要城市的PM 2.5 数值。并在 2015年1月开始扩展到338个地级及以上城市， 共有1436个监测点。 我们从2014 年 4 月份开始收集环保部在其官网上实时公布的北京地区的数据。鉴于环保部 2014年4月份之前的数据并未公开，我们采用了美国驻华大使馆的数据。 美国驻华大使馆自 2008年4月开 始在位于
15、建国门外原址进行 PM 2.5 的逐小 时监测。它于 2009 年 2 月迁至东直门外安家楼路，并继续在新址上监测和发布 数据。我们从美国驻华大使馆获得了自 2008 年 4 月的逐小时 PM 2.5 浓度数据。 由于2008年和2009年的PM 2.5 浓度数据缺失较多再加上其间迁馆，故而我们选 取自2010年1月1日到2014年12月31日共五年的逐小时浓度数据（共43824 个观测值） ，作为我们本报告中使用的PM 2.5 数据。 由于 PM 2.5 浓度受气象条件影响很大，我们需要同时研究 PM 2.5 所对应的气 象数据。我们从网站 weather.nocrew.org 获取到北京首
16、都国际机场（ZBAA）自 2010年1月1日至2014年12月31日的逐小时气象数据（与Zhang JP, et al. 5 2012使用的数据相同） 。我们考虑的气象变量有气压、温度、相对湿度、露点温 度、风向、风速和降水。尽管机场与大使馆相距约 17 公里，但气象数据相对一 致，尤其是气压、温度、相对湿度、露点温度和降水。虽然风向和风速会有些不 同，但当风速高时，风向和风速也是高度一致的。 为了验证美国大使馆和环保部下属的环境监测站的PM 2.5 数据的一致性，我 们在图1给出了从2014年5月1日到2014年12月31日美国驻华大使馆、 北京 农展馆、东四环北路、前门东大街、南三环西路、
17、奥体中心和海淀万柳的每小时 观测值的比较。由图1我们可以看出这几个监测站点的PM 2.5 数据非常一致，且 大使馆与其它几个观测点的 PM 2.5 浓度的相关系数分别为：0.96，0.95，0.80， 0.79，0.80，0.77，且全部显著。其中农展馆和东四环北路是与大使馆地理位置 最接近的两个环保部监测站点，前者在大使馆以南 1 公里内，后者在东南方向 1.5公里内。 所以它们同使馆数据的相关系数也是最高的 （分别为0.96和0.95） ， 万柳相距使馆最远，但相关系数也有0.77。 图 1 验证了环保部站点与美国大使馆的数据可靠性，这也消除了公众对于 “环保部数据比使馆PM 2.5 数据
18、系统性偏低”的质疑。这种高度的一致性让我们 可以将基于使馆的数据分析方法扩展到它所在的东部城区，乃至北京城区。 6 7 图 1：美国驻华大使馆监测点与环保部其他6个监测点逐小时PM 2.5 浓度的比较。观测时间从2014年 5月 1 日至2014年12月31日。如果在一时间点上某个颜色缺失，表示该颜色代表的数据缺失。大使馆和六个监 测点的数据有较强的一致性，相关系数分别为：0.96，0.95，0.80，0.79，0.80，0.77。 五、数据公开 我们非常想分析北京市的各个环保监测站点的数据， 因为这样可以综合更多 的信息得到更稳健、 精确的结果。 但是由于无法得到北京市监测站点的历史数据，
19、我们最终使用了美国驻华使馆的数据。 虽然美国驻华使馆这个单一观测点的数据 不能充分代表全北京市 PM 2.5 的污染状况，但由于北京城区 PM 2.5 的长期变化趋 势相对一致，我们还是可以从中看到北京城区空气污染的统计学规律。 如何让研究者获取历史数据，让数据对社会公开，是中国环境保护亟需解决 的一件大事。目前许多中国学者研究中国问题的数据是从国外获得的。见陈松蹊 （2014）关于这方面的讨论。最近环保部陈吉宁部长在 2015 年两会上说将要开 放环境数据，这将是一件大好事。 数据开放将为中国大范围的雾霾监测和空气质量评估提供必要的基础， 将把8 中国的大气环境保护推进到数据时代。为以数据、
20、统计分析和环境科学技术相结 合的中国空气污染监测和评估体系的建立提供必要的条件。 六、北京污染的基本统计 为了便于分析，根据PM 2.5 小时浓度我们对空气质量进行如下分级： 优良状态：PM 2.5 不超过35微克/立方米； 污染状态：PM 2.5 大于 35微克/立方米； 严重污染状态：PM 2.5 大于150微克/立方米。 这三个状态从整体上描述了一个城市空气质量的三种状态。假如一个城市空 气质量的优良状态发生的次数很多，而且每次优良状态持续的时间都很长，而污 染状态几乎没有出现过，那么它的空气质量一定非常好。反之，如果一个城市经 常处在严重污染的状态下，而且每次污染持续的时间都很长，那么
21、这个城市的空 气质量一定是非常差的。我们用图2的盒形图来描述这一直观的想法。 图2给出了北京从2010年到2014年五年间PM 2.5 的三种空气质量状态持续 时间的盒形图。从该图我们可以得到如下结论： 五年间北京经历了437次污染过程，平均每周1.7次。每次污染状态的 持续时间平均值约为 70 小时，将近三天。换言之，平均每周有 119 小 时，几乎五天的时间处于污染状态。 五年间北京优良空气状态平均每次的持续时间为21小时。 437 次污染过程中有 370 次（占 85%）达到了严重污染水平，每次严重 污染的持续时间平均为25小时， 比优良空气的平均持续时间长4小时。 9 图2：优良空气（
22、左） 、污染状态（中）和严重污染（右）状态持续时间，白色虚线为平均值，黑色实线为 中位数。北京平均每周经历1.7个污染过程，每次持续时间平均为70小时，严重污染平均每次持续时间为 25小时，优良空气平均每次持续时间为21 小时。 为了能更细致地描述北京地区空气污染的情况， 我们将污染状态又进一步分 为一般污染（PM 2.5 小时浓度介于35微克/立方米和150微克/立方米之间）和严 重污染状态（大于 150 微克/立方米） 。图 3 给出了这三种空气质量状态（优良、 一般污染和严重污染）的总持续时间在不同年份及不同季节所占比例。 图 3：优良空气、一般污染、严重污染过程在不同年份及不同季节所占
23、比例。过去五年北京优良空气，一 般污染和严重污染所占的时间分别为 23%，55%，22%。春季和夏季一般污染的比例较大，而秋季和冬季， 优良空气和严重污染的比例都比较高。 10 图3说明在这五年期间： 北京优良空气持续的时间约占 23%；超过一半的时间（约占 55%）是处 于一般污染状态中的；而有约 22%的时间处于严重污染的状况。一般污 染和严重污染共占77%。 不管是从频数看还是从百分比看,三种空气质量状态的比例从2010年到 2014年变化不大。 秋、冬二季相比于春、夏会有更多的优良天气与严重污染天气。前者是 由于北京秋、冬多北风，利于空气扩散，使得优良空气占比提高。后者 很可能是由于冬
24、季取暖和秋季秸秆燃烧使得重度污染频繁发生，所以严 重污染占的比例也比较高。 北京夏季严重污染的比例不足 17%，但是夏季优良空气的比例也是在四 个季节中最低的，只有不到 16%。虽然夏季（没有采暖烧煤）的排放比 冬季低，北京夏季的温度、湿度较高，同时夏季北风减少而且风速低， 这些因素有利于二次气溶胶的生成，从而使得PM 2.5 的浓度升高。 我们已经在表1说明在用PM 2.5 浓度划分空气质量时，中国的标准同其它国 家不同。我们分别以美国和中国空气质量为优和良的标准（美国：12 微克/立方 米和35微克/立方米；中国：35微克/立方米和75微克/立方米） ，对 PM 2.5 的日 平均浓度进行
25、统计，其结果显示在表2中。 表 2：北京PM 2.5 日均值浓度情况 年份 有效 天数 空气为优天数（日 均值小于等于12 微克/立方米） 空气为良天数 （日均 值在12和35微克/ 立方米之间） 日均值大于35 微 克/立方米的天数 日均值大于75 微 克/立方米的天数 2010 351 3 51 297 204 2011 354 3 83 268 186 2012 355 6 83 266 183 2013 365 6 55 304 187 2014 365 14 66 285 188 * 有效天数是指每天至少有一个小时的PM 2.5 观测值的天数总和。 表2说明，无论依照哪个标准，在20
26、10年到2014年这五年中，北京空气质 量为优良的天数没有大的变化。如果以中国的标准来划分，有一半以上的天数，11 北京的空气质量比良要差。而如果以美国的标准来看，北京空气质量不达标的天 数每年将增加80到100天。 七、风的影响 许多北京市民意识到北风会吹走雾霾。因此人们希冀北风的到来，尤其是在 深度雾霾的时候，尽管它有时伴有风沙，会导致尘土飞扬。到底风对北京城区雾 霾有多大影响呢？让我们从过去五年的数据中寻找答案。 由于风与PM 2.5 颗粒物的聚集和传输都有很高的相关性，不同风向和风速都 会使PM 2.5 的浓度发生变化（Wang L，et al，2014；Tai, et al. 201
27、2） 。我们 根据对 PM 2.5 浓度的影响，把气象学中定义的 16 个风向、静风和无持续风向做 合并，将风分成以下五大类： 西北（NW） ：包含正西，西北偏西，西北，西北偏北和正北； 东北（NE） ：包含东北偏北，东北和东北偏东； 东南（SE） ：包含正东，东南偏东，东南，东南偏南，正南； 西南（SW） ：包含西南偏南，西南和西南偏西； 静风（CV） ：包含静风（风速小于0.5米/秒）和无持续风向。 图4给出了北京不同季节下风向的基准状态和风速。 北京的主导风向是西北 风和东南风。其中秋、冬两季多西北风，所占比例分别达到了36%和47%，而东 南风的比例则分别为22%和17%。春、夏季的主
28、导风是东南风，所占比例达到了 35%和46%，而西北风的比例分别为30%和18%。就风速而言，在春季和冬季北京 都有强劲的西北风，夏季各个风向的风速都偏小。虽然秋季的西北风比例较高， 但是其风速相对并不高，而秋季的静风比例是四季中最高的（占26%） 。 12 图 4：北京四季风向的基准状态和风速。北京春季和夏季多东南风（比例分别为 35%和 46%） ，秋季和冬季 多西北风（比例分别为36%和47%） ；春季和冬季西北风风速大，夏季的风速普遍偏小。 为了探明风对PM 2.5 的影响，我们计算了在不同污染状况下风向、风速的分 布。图 5 的第一行从左到右依次为：污染开始、污染中（PM 2.5 大
29、于 35 微克/立 方米） 、 严重污染 （PM 2.5 大于150微克/立方米） ； 图5的第二行从左到右依次为： 污染结束、优良空气（PM 2.5 小于等于35微克/立方米） 、基准水平。其中基准水 平描述了这五年风的基本情况，是图4的汇总。污染开始和污染结束状态分别是 指PM 2.5 浓度第一次超过或低于35微克/立方米的时刻加上前后各2小时的观测 区间（总共5小时） 。 13 图 5：污染过程从污染开始、污染中、严重污染、污染结束到优良空气状态下的风向分布及各风向下的平 均风速。污染开始时，西南风比例显著上升，污染中和严重污染时，东南风和静风比例增加，而在污染结 束和优良空气时，北风（
30、西北风和东北风）成为主导风向。 从图5我们可以看到： 在污染开始状态，西南风有显著增加，从基准水平的5%上升到13%。 在污染中和严重污染状态，东南风所占比例比基准水平的 30%增加了 8% 和7%，静风所占比例比基准水平的21%增加了4%和9%。 在污染结束状态和优良空气时段，北风占比（79%-83%）远远高于基准水 平（44%） ，且这两个状态的西北风和东北风的平均风速范围为 3.6 米/ 秒-6.1 米/秒，远远大于基准水平的风速 2.6 米/秒-4.5 米/秒。而南风 （7%-10%）和静风（9%-11%）所占比例远低于基准水平的 35%和 21%,并 且风速要比基准风速低许多。 我们
31、的研究发现累积风速（Cumulative wind speed）比即时风速能更好地 解释PM 2.5 的变化。 某一时刻的累积风速是此时刻之前同一风向下持续风速之和， 若风向改变了则累积风速会归为零，并在新的风向下重新开始累积。累积风速比14 即时风速对PM 2.5 的影响更加明显。 图6展示了在四个不同季节下， PM 2.5 分别与北风和南风的累积风速的关系。 红色曲线是拟合二者的回归函数。 第一行的四个图是关于北风 （西北风和东北风） 的，第二行是关于南风（西南风和东南风）的。图中从左到右依次为春、夏、秋、 冬四季。 图6：四个季节在北风与南风条件下，PM 2.5 和累积风速的关系。蓝线表
32、示35微克/立方米的PM 2.5 浓度（空 气质量为良的上限） 。在不同的季节，持续的北风都会使PM 2.5 的浓度下降，但是南风却没有这样的效果。 从图中我们可以明显看到： 持续的北风都会使PM 2.5 浓度有下降趋势。对春、夏、秋、冬依次来说， 通过计算图 6 中拟合回归曲线（红色）和 PM 2.5 浓度等于 35 微克/立方 米的水平线（蓝线）的交点，我们得到当北风的累积风速分别达到 44、 21、49和52时，拟合回归曲线对应的PM 2.5 浓度可以降至35微克/立方 米以下的优良空气水平。 持续的南风并不会使 PM 2.5 减少至 35 微克/立方米以下。拟合曲线对应 的PM 2.5
33、 浓度基本维持在100微克/立方米附近，尽管在较大的累积风速 下，PM 2.5 在春、 秋、 冬三个季节都有稍许减少， 但并不明显。 而在夏天， 南风对 PM 2.5 的增加有显著影响。由此可见南风会把北京以南的污染物 传送到北京，加重了北京的污染。 15 以上的结论与北京的地理位置和华北的能源消耗结构是密不可分的。北京位 于华北平原的西北角，其西边是太行山脉，北边是燕山山脉。北京以北的污染工 业较少，所以北风带来的是相对洁净的空气。然而，北京从正东方向顺时针到西 南方向，广泛地分布着消耗大量煤炭和化石燃料的重工业企业。东南风与西南风 带来的污染物会在太行山和燕山的山脚下聚集。北京以东152公
34、里的唐山市，以 钢铁工业著称，2012 年大约消耗 1 亿吨煤炭。北京以南的石家庄市和保定市的 煤炭消耗量同样巨大。2012年华北平原的总煤炭消耗量为10亿吨，约占全国消 耗量的四分之一， 与之形成鲜明对比的是， 华北平原只占全国土地面积的5.6%。 下一节我们给出具体的能源统计。 以上分析的一个结论是：北风是北京城驱散雾霾的重要军。人们不禁会问， 万一没有了北风，北京的优良空气时间能维持多久？为了回答这一问题，我们在 优良空气情况下扣除一级以上北风（风速大于每秒 1.5 米/秒）的时段，重新计 算空气属于优良的时间。 图7给出了2010-2014年扣除和不扣除一级以上北风的 优良空气时间分布
35、图。 图 7 说明，去除掉大于 1.5 米/秒的北风后，优良空气的时间显著减少。具 体来说， 北京的PM 2.5 浓度在优良水平的平均时间从20小时大幅下降到只有4.7 小时。也就是说，在北风停止后，北京只能保持好空气不到5小时，之后污染将 卷土重来。这说明北京污染物的本地排放不可忽视。 在没有一级以上北风下北京能保持空气优良的时间可以作为评估北京空气 污染的一个指标。 16 图 7：去除大于 1.5 米/秒的北风和未去除大于 1.5 米/秒的北风情况下，优良空气持续时间，白色虚线为 平均值，黑色实线为中位数。北京如果没有了大于一级的北风，空气质量是优良水平的平均时间将只有不 到5小时。 总之
36、，不论从不同状态下风向分布、风速分布，还是单独分析优良空气状态 及污染状态，我们都可以得到一个结论：持续较大风速的北风可以显著地降低北 京城的雾霾，而南风和静风会使北京城内的污染物不断累加，加剧污染；其中， 我们认为南风的作用是将其他地区的污染物带到北京， 而静风的作用是使得北京 已有的污染物进行累积，从而加重污染。 八、能源消费 附录中的表S3-S5给出北京、天津、河北、山东和河南（三省二市）从2001 年到2012年的能源消费统计（数据来源为国家统计局） 。 煤炭：北京的煤炭消费量略有下降，由 2001 年的 2700 万吨降到 2012 年的 2300 万吨。但是其他三省一市的煤炭消费量
37、都呈现快速增加：其中天津和河北 2012年的消费量分别为2001年的2倍和2.5倍， 除北京之外的四省市是3.9倍。 汽油：北京的汽油消费量大幅增加，2012 年的消费量（420 万吨）是 2001 - - - - - - - - - - - - 未去除大于 北风 1.5m/s 去除大于 北风 1.5m/s 0 10 20 30 40 50 60 70 80 90 100 110 2010 2011 2012 2013 2014 全部 2010 2011 2012 2013 2014 全部 小时17 年（140万吨）的3倍。其他三省一市同样消费量大增，其中天津和河北的增幅 均为 1.2 倍，除
38、北京之外的四省市消费是 2.2 倍。北京现在有 520 多万辆汽车。 北京的年汽油消费量是河北的1.3倍，天津的1.6倍。 柴油：2012 年北京、天津的柴油消费量是 2001 年的 2 倍，河北是 4.9 倍， 除北京之外的四省市消费总量是4.5倍。 北京的汽油消耗量数据表明北京的污染有相当是自身排放的， 不能将空气污 染问题全归责于河北及其它省市。 三省二市2012年的煤炭和汽油消费是2001年的三倍，柴油消耗是4倍。煤 炭消耗占全球年消耗量的 14%,其中的四成是在一个两面被山挡住的平原地带消 耗、排放，形成一个巨大的烟雾化学反应箱。这一巨大的排放量远远超过了环境 的承载能力。 九、PM
39、 2.5 的公平评价 大家最关心的问题是今年的污染情况是不是比去年好了,排放是不是降低了。 这就需要我们有一套科学的统计方法来公平地比较不同年份的PM 2.5 浓度。 在第七节我们讨论了风会导致污染物的输入或输出（图6） 。但是 PM 2.5 的浓 度不只是受风的影响，它还受相对湿度、气温、气压等其它气象因素的影响。这 些因素和风一起共同影响PM 2.5 的浓度。换句话说，在一个城市的排放总量和组 成一定的情况下，天气因素对 PM 2.5 有很大的影响。比如，在北京夏天，高温、 高湿会促进大气化学反应，产生大量的二次气溶胶，从而增加PM 2.5 的浓度。 那在空气质量评估中,如何比较去年1月份
40、和今年1月份的PM 2.5 浓度？ 如果去年1月和今年1月刮完全一样的风，且风速也完全一样，都是59%的18 北风，30%的南风和 11%的静风，并且气温、湿度和气压在这两月中的任一时刻 也完全一样，那将提高PM 2.5 的可比性。只需分别计算去年1月份和今年1月份 的简单平均浓度，看今年的比去年大还是小。这是目前广泛使用的方法：即对每 小时的PM 2.5 浓度数据求简单平均值。但这种方法没有考虑气象的差异，是不科 学的、不公平的。 为什么说不考虑天气因素而只简单平均PM 2.5 的浓度的做法不公平？打个比 方，河北省有两个市，都在华北大平原上，但地理条件不同。一个城市靠海边， 而另一个城市在
41、内陆。靠近海边的城市排放量要比内陆的城市高，但是靠近海边 的城市每天刮不小的海风，将相当多的PM 2.5 吹走。而内陆的城市没有海风，就 在太行山脚下，易于污染物的累积，即使花了很多努力进行减排，但一年下来 PM 2.5 浓度仍比靠海城市的浓度高很多。只是因为它的地理、气候不适于污染扩 散，尽管它的污染物的排放要少一些。因此如果我们只是用简单平均数来比较， 没有考虑两个地方的地理、天气差别，就不公平了。 所以我们要对PM 2.5 浓度根据所处的天气条件进行调整。换句话说，我们在 做环境污染评估比较的时候，要扣除天气的影响，从而使得我们能估算到排放量 的实际变化，这样才公平。 那我们如何调整？
42、现代统计学的观察研究 （Observational Study） 为我们提供了调整的方法。 这一方法的宗旨是在计算 2010 年到 2014 年中任何一个 1 月份（比如 2013 年 1 月份）的平均浓度时，我们将2010年到2014年五年的1月份的天气情况都考虑 进来，也就是以五年的天气为计算比较的基础。这样做可以去除掉某一年的异常 天气对PM 2.5 浓度的影响， 具体算法见我们的技术报告 （Liang X， et al， 2015） 。 但不同于科学家们能控制实验室中的条件和参数， 人类还不知道如何控制天 气。所以去年 1 月的北京的天气和今年 1 月相比可能很不一样。相应的，PM 2
43、.519 所受的影响也会不同。例如，2010 年和 2011年1月份 北京分别有 75%和 81%的 北风，相比其他年所占比例偏高很多，也远远高于冬季北风占 60%的基准水平， 所以2010年和2011年1月份原始月均值会比其他年份的1月份偏低一些。 同样 是 1 月份，2012 年约有 57%的北风，接近正常水平，但 2013 年和 2014 年只有 51%的北风， 低于正常水平。 不仅有风的影响， 其它气象因素也会起到很大作用。 2013年的1月份平均相对湿度是63%， 而五年同期水平为46%， 而2012年和2014 年的平均湿度却为 47%和 38%。总体来看，2012 年的 1 月份
44、的气象状况接近于 1 月份的正常水平， 2014年1月份低湿度弥补了少北风的影响， 所以相比较于2013 年的1月份污染也不是很严重。但2013年1月观测到的PM 2.5 浓度就比2012年 和 2014 年高了许多，这或许是受到少北风和高湿度的气象条件的影响。而其实 这三年中的1月份的污染排放水平的差别可能并不大。运用统计学方法，我们得 到的调整前和调整后2013年1月份PM 2.5 浓度的平均值分别为193.3微克/立方 米和 121.2 微克/立方米，相差了 72 微克/立方米。也就是说，如果 2013 年 1 月份的天气是过去五年的正常天气，实际的PM 2.5 的平均浓度应该是121.
45、2微克 /立方米，而不是现在观测到的193.3微克/立方米。 所以在环保评估中我们要将天气影响去除。去除天气影响后的 PM 2.5 浓度才 反映了污染排放，我们才能得到由于排放所造成的污染的严重程度。 十、调整的五年PM 2.5 平均浓度 我们用上节提到的对天气因素调整的方法， 对北京过去五年 60 个月的PM 2.5 数据和天气数据进行了分析和计算。 图8是对五年中每个月做出调整后的平均浓度，并给出调整后均值的95%置 信区间。95%置信区间表示真实的PM 2.5 平均值将以95%的概率被该区间所包含。 调整前的平均值若没有落在该区间内， 则认为调整前后二者的数值在统计学 意义下有显著差异。
46、 20 图 8：经过气象调整后的 PM 2.5 月均值浓度（蓝色实线）及原始月均值浓度（红色虚线） 。过去 60 个月中， 39 个月原始均值都落在调整区间外，这说明气象因素的影响是不可忽略的，验证了对原始 PM 2.5 浓度均值 进行调整的必要性。 21 从图8中可以看出，过去五年60个月中，有39个月原始均值都落在调整区 间之外，这说明气象因素的影响是不可忽略的，验证了对原始PM 2.5 浓度均值进 行调整的必要性。 在图8中，60个月调整后的均值都大于60微克/立方米，其中有36个月调 整后平均浓度大于90微克/立方米。可见扣除掉气象因素，北京空气污染依旧严 重。将调整后的月平均浓度加总
47、平均，我们得到调整后五年年均值浓度分别为： 2010年：101.15（0.79）微克/立方米； 2011年：97.02（0.84）微克/立方米； 2012年：91.79（0.76）微克/立方米； 2013年：101.31（0.84）微克/立方米； 2014年：98.57（0.86）微克/立方米。 其中括号内数字为标准误差（Standard deviation） 。 由此可见 2013 年和 2014 年均比 2012 年的 PM 2.5 污染显著地加重了，相比 2012 年分别增加了 10.4%和 7.4%。参见第十二节“最近三年的情况”中具体的 统计检验结果。 十一、调整的五年PM 2.5
48、分布的分位数 分位数是除平均值之外另一组描述 PM 2.5 分布的度量指标。相比于平均值， 它们提供了更加细化的 PM 2.5 的分布特征。最常见的是 50%分位数，也称为中位 数。PM 2.5 的90%分位数浓度是指有90%的数值小于该浓度，它度量了污染最严重 的10%的情况。同理，10%分位数浓度是指有10%的数值小于该浓度，所以它给出 了PM 2.5 浓度最低的10%的水平。 22 图 9：经过气象调整后的各月 PM 2.5 浓度的 90%（紫色） 、75%（棕色） 、50%（中位数、红色） 、25%（黄 色）和 10%（绿色）分位数。90%的分位数意味着有 90%的 PM 2.5 的浓
49、度小于这个数；50%的的分位数意味着 当月有一半的PM 2.5 的浓度超过了这个数。 23 使用类似上节中对平均值的调整方法，我们对分位数做类似的调整，得到调 整后的 PM 2.5 的每个月的五个分位数。图 9 给出了从 2010年1月至2014 年 12 月每个月调整之后的10%（绿色） 、25%（黄色） 、50%（红色） 、75%（棕色） 、90% 分位数（紫色） ，以及各自的95%置信区间。从图9中我们发现： 北京过去五年的 60 个月中除了 2010 年 6 月外，其它所有月的 10%分位 数（最好的 10%情况）均小于 35 微克/立方米（美国 EPA 标准是 98%分 位数不超过35微克/立方米） 。 60 个月中有 22 个月（主要在夏天）的 25%分位数超过了 35 微克/立方 米，这说明在这 22 个月里，每个月至少有 75%的时间，PM 2.5 的浓度超 过35微克/立方米。由于
