空气污染数据的真实性判别

《空气污染数据的真实性判别》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、空气污染数据的真实性判别，用哪种模型分析啊，求助自我国推行空气质量数据监测后，一些地方不断曝出监测数据在改善，而环境质量却持续恶化的新闻。此中蹊跷，引人深思。地方政府大气监测数据的准确性问题，成为去年“两会”代表和委员关注的热点之一，一些代表和委员甚至批评中国部分城市伪造空气监测数据，治霾受阻于利益相关者。众所周知，治理环境污染的成本高昂，在信息不对称的情况下，弄虚作假显然更容易一些，这也导致某些地方政府修饰空气污染数据，妨碍公民知情权，并干扰治霾决策。在今年即将召开的“两会”上，我们期待代表和委

2、员们继续关注这一问题。近日，陕西汉中被指为降污染指数给监测仪喷水还记得“我为祖国测空气”运动吗？2011年底，北京雾霾极为严重，但是北京市环保局的官方数据却很“和谐”，而美国驻华大使馆的监测数据则一度“爆表”。两个来源的数据“打架”，让人们开始怀疑地方数据的可信度。于是，一些民间环保组织和志愿者发起“我为祖国测空气”，期望自购监测设备，以发布独立的空气污染数据，与地方数据“抗衡”。但是，环境监测设备昂贵且专业性强，“小米加步枪”的便携式自测设备的专业性同样备受争议。那么问题来了：地方数据是否有问题

3、？如果存在包括造假在内的疑问的话，如何找到证据？加州大学两位研究者试图通过研究解决这个问题。他们使用2001-2010年的中国113座城市日均空气污染浓度数据，揭示了城市自报数据有问题的证据与修改时点。他们的研究显示：高达一半的城市都存在不同程度的“人造”嫌疑。有意思的是，这些城市往往倾向于在不易被觉察的时间（如能见度高而风速低的时候）修饰官方数据，以避免被发现。不过，“人造”数据并非“天衣无缝”，通过两位作者开发的方法，就可以揭示其“人造”行为。两位作者将其形容为“徒劳的修饰”，因为他们认为中国

4、城市修饰空气污染数据是徒劳无益的。空气污染数据的人造诱因为了激励城市政府重视空气污染治理，地方官员的政绩考核中往往包括诸如“蓝天数”这样的指标，即全年空气污染指数低于100点的天数。比如环保部开发的“城考”体系，规定环保重点城市全年85%的天数必须达到蓝天标准。环境保护的重要性越来越强，地方官员的晋升也受其影响，因此他们有动力去完成这些环保考核指标。但治理环境污染的成本高昂，在信息不对称的情况下弄虚作假显得更容易。由于缺少独立的监督机制，地方官员有强烈的激励去修饰数据，以低报空气污染数据并获得较佳

5、的考核结果。数据人造的危害是明显而严重的，它减弱了环境监测的预警效应，也妨碍了公民的知情权。如果空气污染非常严重，但官方发布的数据却不予提醒，那么暴露在污染中的市民无异于“躺着中枪”，在毫不知情的情况下承受污染危害。基于这些被修饰的数据而开展的实证研究，也可能得出错误的结论，而据此提出的政策建议则可能是误导性的，可谓“遗患无穷”。研究者将数据“人造”界定为不报告真实污染水平的行为，如修改数据或隐藏不好的污染数据。值得一提的是，这不包括政府临时关停工厂、单双号限行等策略性行为——无论是2008年的北

6、京奥林匹克运动会还是2010年的上海世博会，以及2014年的北京APEC领导峰会，政府都曾使用类似的手段，以在短期内改善空气质量。这些策略性行为虽然效率不高，但的确在短期内降低了污染程度，因此不能说是数据造假。揭露数据问题的“福尔摩斯”揭露数据造假的最佳方式当然是使用独立的数据来源，与官方数据进行比对。但是，这种数据往往很难获取，特别是大样本和跨时期的数据更难找到。不过，还有别的办法来识破人造数据的蛛丝马迹。在不存在数据造假的情况下，空气污染浓度的分布应该是连续的或平滑的曲线。当地方官员试图造假时

7、，最有可能在空气污染浓度处于蓝天标准的临界点上时下手。这样一来，把略高于临界点的数据稍微拉下来一点，就可以使当天的空气污染数据符合蓝天标准，且不容易被人察觉。如果这种情况三番五次地发生，就可以说明存在数据虚假的嫌疑。研究者的数据来自隶属于环境保护部的中国环境监测总站。它只是汇总各地政府上报的空气污染数据，因此数据如果发生真实性问题，应归因于地方政府。中国环境监测总站对外披露的数据只有API（AirpollutionIndex，空气污染指数）和主要污染物，而不包括各污染物的具体浓度值。研究者获取了所

8、有详细数据，发现城市的API均值是76.32，蓝天数占84.6%，刚好接近蓝天数的考核标准（85%）。研究者使用一种叫做“断点检验法”的方法，发现数据中的确存在值得关注的造假问题，其表现是：在临界点上出现不连续的断点。他们发现，大约半数的城市存在修改PM10污染浓度的嫌疑。但是，二氧化硫和二氧化氮的数据修改并不明显。由于PM10是中国多数城市无法达到蓝天标准的主要诱因（高达73.7%），因此在这个指标上有所动作就不足为奇了。找准问题数据的时机光发现数据问题只是第一步，下一步是锁定修