-
大气细颗粒物 (PM2.5)是影响我国大多数城市空气质量的主要污染物[1-2]。碳质气溶胶是PM2.5的重要组成部分，主要组分包括有机碳(OC)和元素碳(EC)，约占PM2.5质量的20%—70%[3-5]。OC来源复杂，除污染源(如机动车、化石燃料、生物质燃烧等)直接排放的一次有机碳(POC)外，还有来自光化学反应生成的二次有机碳(SOC)[6]；EC主要来自化石燃料和生物质的不完全燃烧[7]。研究表明，碳质气溶胶对能见度、空气质量和区域气候都有很大影响[8-9]。因此，研究碳质气溶胶的污染特征及来源对有效控制碳质颗粒物至关重要。
近年来，研究学者对PM2.5中OC、EC进行了大量研究，探讨了含碳质组分的浓度水平、季节分布以及污染来源等特征。如张婷婷等[10]对北京市城区碳质组分分析发现，OC在PM2.5中所占比例(13%)大于EC(5%)，二者季节变化特征均为冬季最高，夏季最低。程渊等[11]发现SOC为天津市夏季和冬季碳质组分中重要组成部分，在OC中占比分别为34%和27%。张懿华等[12]对上海城区碳质组分进行分析，发现燃煤源、机动车排放、扬尘源和生物质燃烧源是OC、EC的主要来源。董贵明等[13]使用潜在源贡献因子法分析发现，西南部的山西省和河南省部分地区是北京市大气PM2.5中OC的主要潜在源区，南部的山东省和河南省部分地区是EC的主要潜在源区。目前，对碳质气溶胶的研究主要集中在京津冀、长三角、珠三角及关中地区等城市[11，14-15]，为颗粒物中碳质气溶胶污染防治提供了重要的研究基础。
阳泉市位于山西省东部，是京津冀大气污染传输通道“2+26”城市之一。电力、煤炭、水泥、有色金属冶炼及加工等是阳泉市主导产业，经济结构整体偏重，再加上近些年机动车保有量逐年上升，导致阳泉市大气颗粒物污染问题日益突出，阳泉市2018年全年污染天数120 d，占比达33.0%，PM2.5浓度为59 μg·m−3是国家Ⅱ类标准限值[16](35 μg·m−3) 的1.7倍.已有的研究包括利用空气质量模式对阳泉市重污染过程中PM2.5的来源进行分析，利用受体模型对阳泉市秋冬季PM2.5化学组分及来源分析等[17-18]，但鲜有文献对阳泉市不同季节PM2.5中碳质气溶胶进行研究。
本研究以阳泉市城区为研究对象，对2018年7月—2019年4月PM2.5样品中OC和EC组分含量进行分析，使用最小相关系数法(MRS)估算了SOC的浓度，并利用比值分析、相关性分析及潜在源贡献因子分析(PSCF)研究了PM2.5中碳质气溶胶的来源，以期为阳泉市颗粒物污染防治提供方向。
-
阳泉市是典型的山地型城市(“两山夹一谷”)，属暖温带半干旱大陆性季风气候。本研究采样点(113.61°E，37.85°N)位于阳泉市文化宫3层楼顶平台，距地面约11 m，为教育、住宅、商业混合区，附近无明显排放源(图1).
PM2.5样品采集时间为2018年7月2日至2018年7月31日、2018年10月15日至11月30日和2019年3月1日至2019年3月31日，分别代表夏季、秋冬季和春季，样本数分别为26、46和26。采样期间每天10:00至次日09:00使用多通道采样器(TH-16A，武汉天虹仪表有限公司)采集PM2.5样品，采样器流量为16.7 L·min−1。选择直径为47 mm的石英滤膜进行PM2.5的采集，并用于分析碳质组分。
气象参数(风速、湿度和温度)和气态污染物(SO2、NO2、CO和O3-8H)来自中国环境监测总站的“全国城市空气质量实时发布平台”[19]。
-
使用美国Sunset实验室研发的Model 5L OC/EC热光碳分析仪对样品中的OC、EC进行分析测定，主要分析原理是IMPROVE热光反射法[20]，即使用程序升温，分2个阶段：第1阶段为纯氦环境下升温，分别在140、280、480、580 ℃条件下得到OC1、OC2、OC3、OC4这4种亚组分，第2阶段为在有氧环境(2%氧+98%氦)下升温，分别在580、740、840 ℃条件下得到EC1、EC2、EC3的3种亚组分。升温全程采用633 nm激光照射样品，测定有机碳碳化形成的裂解碳(OPC)，最终定义：
-
石英滤膜在使用前先在450 ℃下燃烧4 h，除去滤膜中残留碳及其他杂质。采样前后滤膜置于恒温恒湿箱(温度22 ℃、相对湿度40%)内平衡24 h后，在电子天平室进行称重(检测限是1 μg)，最后将滤膜用铝箔纸包好保存在−20 ℃的冰箱。采样期间，定期对相关配件和耗材进行更换，以及对采样器进行校准；每批次样品分析时，采用CH4/He 标准气体对仪器进行校正，相对标准偏差不超过5%，每次10%样品进行重复分析。
-
通过计算污染轨迹与所有轨迹在途径区域中的停留时间之比来解析每个网格对受点区域污染的贡献。将所选研究区域划分为i×j个网格，mij为经过这些网格的污染轨迹数，nij为所有轨迹数量，本研究设定的污染阈值为各季节各污染物70%分位数浓度水平，PSCF计算公式为：
由于PSCF是一种条件概率函数，当nij较小时，会增加结果的不确定性。为降低这种误差，引入权重函数Wij，即WPSCF=Wij×PSCF。当某个网格中的nij小于研究区域内每个网格平均轨迹数的3倍时，需要引入Wij来降低PSCF的不确定性。WPSCF值越大，表明此区域对受点的质量浓度贡献越大。
-
如表1所示，采样期间阳泉市ρ(PM2.5)为(69.4±26.6) μg·m−3 (19.5—252.5 μg·m−3)，是GB3095—2012 Ⅱ类标准年均限值[16](35 μg·m−3)的2.0倍，是世界卫生组织(WHO)环境空气指导值[21](10 μg·m−3)的6.9倍，表明阳泉市细颗粒物污染较为严重。采样期间ρ(PM2.5)的季节变化明显，主要表现为春季（(81.8±28.4）μg·m−3) >秋冬季（(74.0±28.6）μg·m−3) >夏季（(48.6±11.7）μg·m−3)。分析发现ρ(PM2.5)的季节变化主要是受到污染源和气象因素的双重影响。秋冬季与春季观测期间PM2.5浓度因受采暖期(2018年11月1至2019年3月31日)燃煤及生物质燃烧的影响而高于夏季PM2.5浓度。春季低湿度(47%，显著低于其他季节)和高风速(1.4 m·s−1，显著高于其他季节)使颗粒物再次悬浮，导致春季ρ(PM2.5)高于秋冬季(表1)。夏季ρ(PM2.5)最低是由于空气对流增强以及降雨较其他季节多。
总碳气溶胶(TCA)指气溶胶中的含碳组分，可反映区域碳质气溶胶的污染严重程度[22]，通常计算方法为有机物(OM=1.6×OC)和EC的质量浓度之和[23]，即TCA=OM+EC。采样期间TCA浓度为16.4 μg·m−3，在PM2.5中的占比为23.6%，高于太原[15](20%)和广州[14](22%)，低于北京[13](25%)、天津[11](27%)、武汉[24](27%)、菏泽[25](25%)等城市(表2)。说明阳泉市碳质气溶胶污染处于中等水平。
采样期间OC、EC的平均浓度分别为(8.0±2.8) μg·m−3和(3.6±1.5) μg·m−3，均呈秋冬季（(9.8±2.9）μg·m−3、（4.6±1.7） μg·m−3)>春季（(7.9±1.9）μg·m−3、（3.5±1.1） μg·m−3)>夏季（(5.1±1.0）μg·m−3、（2.0±0.4 μg·m−3)，季节性变化趋势与ρ(PM2.5)不同。春季和夏季OC、EC在PM2.5中的占比均明显低于秋冬季(表1)。分析发现，虽然秋冬季与春季均受到燃煤源的影响，但春季碳含量相对较低的扬尘、矿物质等组分对ρ(PM2.5)的贡献高于冬季[17]，最终导致出现春季ρ(PM2.5)高于秋冬季，而秋冬季OC、EC浓度及其在PM2.5中占比却高于春季的现象. EC在PM2.5中占比与其浓度的季节变化一致，即秋冬季(6.2%)>春季(4.3%)>夏季(4.1%)(表1)，这一结果与纪尚平等[26]2015和2017年在邯郸市的研究结果一致。
-
目前技术还难以直接区分气溶胶中一次有机物(POC)和SOC[27]。最常用的SOC计算方法是EC示踪法，计算公式[23]为：
式中，SOC为估算的二次有机碳质量浓度，µg·m−3；(OC/EC)pri为一次排放到大气中的OC/EC比值.
EC示踪法的关键是确定(OC/EC)pri的值，本研究使用最小相关系数法(MRS，Minimum R Squired)来确定(OC/EC)pri比率[28]。MRS通过计算一组假设的(OC/EC)pri和SOC值得到(OC/EC)pri，产生最小R2 (SOC，EC)的(OC/EC)pri即为实际的(OC/EC)pri比率[29]。结果显示春季、夏季和秋冬季(OC/EC)pri的值分别为1.37，1.53和1.39 (图2)。
如表3所示，采样期间SOC的平均浓度为(3.0±1.4) µg·m−3，在OC中占比达到38%，说明SOC是阳泉市PM2.5中OC的重要组成部分. SOC浓度季节变化趋势为秋冬季（(3.4±1.6） µg·m−3)>春季（(3.2±1.4）µg·m−3)>夏季（(2.0±0.7）µg·m−3)，SOC浓度的季节变化趋势与OC、EC浓度季节变化特征一致，但与SOC/OC的季节变化不同，春季和夏季的SOC/OC值均为40%，均高于秋冬季(35%)。春季SOC/OC值较高，是由于阳泉春季的风速较大且湿度较低，同时城市周边存在大量裸露的山地，极容易发生扬尘天气，扬尘的碱性特征有利于酸性气体的吸附和异相反应，发生了扬尘和有机物耦合反应，促进了二次有机物的转化[30-32]。相比于其他季节，夏季气温较高 (26 ℃)，湿度大 (88%)，有利于挥发性、半挥发性有机物等前体物的光化学反应生成 SOC[33]。秋冬季SOC/OC值较低，与秋冬季温度低导致SOC前体物的转化率下降有关[9]。
-
不同污染源排放的碳质气溶胶中OC/EC比值不同，因此可以采用OC/EC来定性确定碳质气溶胶的来源。典型污染源包括燃煤(OC/EC=2.5—10.5)[34]、机动车尾气(OC/EC=1.0—4.2)[35]和生物质燃烧(OC/EC=16.8—40.0)[36]。阳泉市采样期间OC/EC在1.4—4.8之间，春季、夏季和秋冬季OC/EC分别为2.5、2.6和2.3，说明采样期间各季节PM2.5中碳质气溶胶的主要来源可能是燃煤源和机动车尾气。
有研究表明，通过OC和EC之间的相关性，可以初步判断二者是否都具有同源性[29]。若OC和EC的相关性较好，说明二者具有相似的来源，反之，说明二者可能来源差异较大或具有二次污染[23，37]. OC与EC在夏季、春季和秋冬季均呈弱相关(图3)，R2分别为0.54，0.43和0.61，这表明阳泉市的碳质气溶胶来源较为复杂，受到多种排放源和大气化学转化过程的影响。
-
研究表明[38-39]，城市环境大气中SO2主要来源于燃煤排放，而CO和NO2主要来源于机动车尾气排放，O3和SOC主要是由光化学反应产生。因此，通过分析碳质组分与气态污染物之间的相关性，可定性地判断碳质组分的形成和来源。从全年来看，OC和EC与气态污染物SO2、NO2和CO均呈显著正相关，说明阳泉市碳质气溶胶可能受到机动车尾气和燃煤源的影响(表4)。从季节变化来看，夏季、秋冬季和春季PM2.5中OC和EC与SO2、NO2和CO均呈显著正相关，表明燃煤源和机动车尾气对各季节碳质组分的影响都比较大。夏季和春季OC和SOC与O3均呈正相关，尤其是夏季(0.731和0.657，P<0.01)，而秋冬季OC和SOC与O3呈负相关(表4)。夏季和春季的日均O3浓度(111 µg·m−3和62 µg·m−3)明显高于秋冬季(33 µg·m−3)，说明夏季和春季大气氧化作用强，加快污染物光化学反应的进行，促进SOC和O3的形成，而秋冬季由于光照时间短，大气氧化能力弱，污染天气频发，能见度下降，不利于光化学反应的进行，这与前文对SOC的研究结果一致，即秋冬季OC中SOC的占比低于春季和夏季。
-
源谱研究[10，40-41]发现，不同污染源源排放的碳质亚组分组成都有一定的差异，可以分析碳质气溶胶的来源[15]。其中，OC1主要是生物质燃烧排放的碳质组分，OC2是燃煤排放的标识组分，OC3和OC4是道路扬尘中丰富的碳质组分，EC1在汽油车尾气中的含量较高，EC2和EC3在柴油车尾气中的含量较高.如图4为不同季节8种碳亚组分的浓度，与OC、EC的季节变化规律一致，均呈秋冬季>春季>夏季。同时，各季节碳质组分浓度排序基本一致，均呈现EC2、OPC、EC1和OC2浓度最高，OC3和OC4居中，OC1和EC1最小的趋势。各季节EC2、EC1和OC2等亚组分的浓度之和在总碳(TC)中的占比在春季、夏季和秋冬季分别达到76%、79%和77%，表明阳泉市各季节碳质气溶胶主要来源于机动车尾气和燃煤源，这与OC/EC比值法以及碳质气溶胶与气态污染物相关性分析的污染来源一致。此外，各季节OC3、OC4浓度在TC中占比均超过15%，说明扬尘源对阳泉市碳质气溶胶的贡献也不容忽视。春季和秋冬季OC3、OC4浓度之和在TC中占比分别为20%和18%，明显高于夏季(15%)，说明春季和秋冬季扬尘源对碳质气溶胶的贡献高于夏季。
-
采样期间碳质组分PSCF分析结果如图5所示。整体来看，碳质组分除受到本地排放的影响之外，秋冬季和春季OC受到周边区域的影响较大，EC受到远距离传输的影响较大，而夏季OC、EC均受到近距离的影响。
夏季OC、EC的潜在源区分布在阳泉市南部和东部方向的区域范围内，WPSCF 值均处于较低水平，该区域传输影响较弱。春季OC、EC的潜在源区主要分布在阳泉市西部和南部方向的区域内，同时EC也受到阳泉市西北方向的内蒙古和蒙古国部分地区的远距离传输的影响。春季OC、EC的WPSCF高值(>0.6)[42-43]主要出现在阳泉市西部方向的山西省中部地区和南部方向的山西省东南部地区。山西省中部和东南部都是重要的煤炭生产和使用地区，其排放的污染物对于阳泉市碳质气溶胶的影响较大。秋冬季OC、EC的潜在源区在阳泉市各方向上均有分布，在西北和东南方向分别最远延伸至内蒙古西部和河南省的东部地区。相比于EC，秋冬季OC受到本地以及周边区域的影响明显增加，WPSCF高值(>0.6)分布较为集中，分布在山西省以及河南省和河北省的部分地区，形成了一个WPSCF高值带。
-
(1) 采样期间ρ(PM2.5)为(69.4±26.6) μg·m−3，其中春季ρ(PM2.5)为(81.8±28.4) μg·m−3，高于夏季和秋冬季(48.6±11.7)μg·m−3和(74.0±28.6) μg·m−3。OC、EC的浓度分别为(8.0±2.8)μg·m−3和(3.6±1.5) μg·m−3，季节性变化趋势均呈秋冬季>春季>夏季。
(2) PM2.5中SOC的平均浓度为(3.0±1.4) µg·m−3，在OC中为38%，在春季和夏季的占比(40%)高于秋冬季(35%)。OC、EC与气态污染物SO2、NO2和CO均显著相关，表明燃煤源和机动车尾气对碳质组分的影响较大。
(3) 各季节碳质亚组分分析显示PM2.5中碳质气溶胶主要来源于机动车尾气、燃煤源和扬尘源，其中扬尘对春季和秋冬季碳质气溶胶的贡献高于夏季。
(4) PSCF分析表明，碳质组分除受到本地排放的影响之外，秋冬季和春季的OC受到周边区域的影响较大，EC受到远距离传输的影响较大，而夏季OC、EC均受到近距离的影响。
阳泉市PM2.5中碳质气溶胶污染特征及来源分析
Pollution characteristics and sources analysis of carbonaceous aerosols in PM2.5 in Yangquan
-
摘要: 采集了阳泉市城区2018年7月—2019年3月PM2.5样品，分析了样品中有机碳(OC)和元素碳(EC)组分含量，使用最小相关系数法估算了二次有机碳(SOC)的浓度，并利用比值分析、相关性分析及潜在源贡献因子等方法研究了PM2.5中碳质气溶胶的来源。结果表明，采样期间ρ(PM2.5)为(69.4±26.6) μg·m−3，其中春季ρ(PM2.5)为(81.8±28.4) μg·m−3，高于夏季和秋冬季(48.6±11.7) μg·m−3和(74.0±28.6) μg·m−3。OC、EC的浓度分别为(8.0±2.8)、(3.6±1.5) μg·m−3，均呈秋冬季>春季>夏季的季节变化趋势. PM2.5中SOC的平均浓度为(3.0±1.4) µg·m−3，在OC中为38%，在春季和夏季的占比(40%)高于秋冬季(35%)。OC、EC与气态污染物SO2、NO2和CO均显著相关，表明燃煤源和机动车尾气对碳质组分的影响较大。各季节碳质亚组分分析显示PM2.5中碳质气溶胶主要来源于机动车尾气、燃煤源和扬尘源，其中扬尘对春季和秋冬季碳质气溶胶的贡献高于夏季。对潜在源区分析表明，碳质组分受到本地和近距离区域排放影响较大，秋冬季和春季的EC也受到远距离传输的较大影响。Abstract: PM2.5 samples were collected from July 2018 to March 2019 in the urban area of Yangquan, and the carbon component of organic carbon (OC) and elemental carbon (EC) in the PM2.5 samples were analyzed. The concentration of secondary organic carbon (SOC) was estimated by the minimum phase relation number method (MRS), and sources of carbonaceous aerosols in PM2.5 were conducted by ratio analysis, correlation analysis and potential source contribution factor analysis (PSCF). The results showed that the PM2.5 concentration during the sampling period was (69.4±26.6) μg·m−3, while the concentration of (81.8±28.4) μg·m−3 in the spring was higher than that in the summer ((48.6±11.7)μg·m−3) and autumn-winter ((74.0±28.6)μg·m−3). The concentrations of OC and EC were (8.0±2.8)μg·m−3 and (3.6±1.5) μg·m−3, respectively, with a seasonal trend of autumn-winter>spring>summer. The average SOC concentration was (3.0±1.4) μg·m−3, which accounted for 38% of OC. The proportions of SOC in OC were higher in the spring (40%) and summer (40%) than in the autumn-winter (35%). OC and EC were significantly correlated with gaseous pollutants of SO2, NO2, and CO, which indicated that coal combustion and vehicle emissions had a great influence on carbonaceous aerosols. The analysis of carbon subcomponents in each season showed that the main sources of carbonaceous aerosols in PM2.5 were vehicle emissions, coal combustion and dust, and the contribution of dust in the spring and autumn-winter was higher than that in the summer. Potential source contribution function (PSCF) analysis showed that the carbon components were strongly influenced by local and nearby area emissions, while the EC was also significantly affected by long-range transport in the spring and autumn-winter.
-
近年来，我国大气污染形势严峻，区域性雾霾等污染问题频发。据统计，2011—2015年，尽管我国工业废气治理设施逐年增加，治理设施处理能力有较大提升，运行费用不断加大，但工业废气排放总量仍在上升，工业烟尘排放总量也居高不下[1]。由此可见，工业大气污染物排放仍未得到良好的控制，形势不容乐观。
“十二五”以来，我国燃煤电厂大气污染物减排取得明显成效，全行业基本实现了“超低排放”。随着电力行业污染物排放量大幅削减，钢铁、水泥、石化等非电力行业逐渐成为大气污染治理的重点。钢铁行业已有多种节能减排技术对其大气污染物进行协同控制，并且相关研究对各项技术的环境属性、经济属性和技术属性[2]进行了比较和分析。水泥行业为达到更低的排放要求，也在不断改变单一的末端污染治理，将废气量的直接减排与间接减排结合，实行全过程污染控制[3]。2019年，我国已正式全面启动钢铁行业超低排放改造，水泥行业的超低排放也是大势所趋。而石油加工企业排放大量的氮氧化物、颗粒物等大气污染物，给我国大气污染治理带来了极大压力。
从国家对石油加工企业污染物排放控制的标准来看，《大气污染物综合排放标准》(GB 16297—1996)虽然对污染物排放作出了规定，但未针对石油加工企业的氮氧化物、颗粒物排放限值作出具体要求，且因制定时间较早，标准限定的污染物种类和相应限值已跟不上目前环保形势的需要[4]；《石油炼制工业污染物排放标准》(GB 31570-2015)对新建和现有企业氮氧化物、颗粒物排放限值作出了具体规定，即最低限值分别为100 mg·m−3和20 mg·m−3，但现有措施仍未能有效降低石油加工行业的大气污染物排放量。
本研究基于多家石油加工企业大气污染控制工程案例，对石油加工企业现有脱硝、除尘设施减排能力进行了分析，并建立数学模型对不同减排情景下可能采用的脱硝和除尘技术及经济性进行了深入研究，以期为制定石油加工企业不同阶段减排政策提供参考。
1. 研究方法与数据来源
1.1 氮氧化物、颗粒物控制技术经济性评估指标体系
层次分析法是一种定性与定量耦合的系统分析方法，可用于解决处理处置技术在多层次多目标决策系统中的选择问题[5]。它首先对评价对象依总评价目标(由评价目的而定)进行连续地分解，得到各层评价目标，并将最底层确定为衡量目标达到程度的评价指标；然后，通过对评价指标的重要程度进行比较，构造判断矩阵进行量化计算，并根据计算结果得到关键因素的重要性排序；最后，依据一定方法，基于该评价指标体系对评价对象的总评价目标核算，得到综合评分，从而给出评价对象的优劣等级[6]。
目前，针对技术经济性评估，国内外研究者对大气污染控制的成本及效益开展了卓有成效的研究。针对珠江三角洲地区制造业带来的大气污染，STREETS等[7]提出，可以通过比较控制策略的成本和出口产品的价值进行成本及效益分析；针对我国火电行业绩效提升的措施，WANG等[8]调查了30个省份2000—2010年的成本及效益，提出其影响因素为技术效率、电力价格等；也有研究[9-10]分别对我国SO2、NOx控制技术进行了技术经济分析；经济合作与发展组织(OECD)中的国家长期进行环境政策的费用效益分析[11]；环境保护部环境规划院在《中国环境经济核算技术指南》中提出了环境成本核算方法和思路[12]，并已完成了2004—2014年我国大气污染防治的费效分析[13]。因此，依据成本-效益对比的方法建立氮氧化物、颗粒物控制技术经济性评估指标体系，最终通过效费比进行经济性评估，这已成为一种行之有效的方法。经济性评估指标体系如图1所示。
图 1 氮氧化物、颗粒物控制技术经济性评估指标体系Figure 1. Economic evaluation index system for control technology of NOx and PM1) 系统总成本评估的下延指标。2017年，《中国能源统计年鉴》[14]采用工业废气治理设施运行费，这些费用包括能源消耗、设备折旧、设备维修、人员工资、管理、药剂及与设施运行有关的其他费用等；周磊[15]采用年均固定成本与变动成本之和计算脱硝成本，年均固定成本主要为设备折旧、检修费用及催化剂更新费用等，变动成本主要为工厂的用电消耗和还原剂液氨消耗费等；王艳等[16]将系统总成本费用分为系统年折旧费、系统年运行费和年均利息费。基于以上研究，将系统年折旧费和系统年维护费单独列出，与系统年运行费共同构成系统总成本评估的三级指标。各具体指标的计算方法如式(1)~式(4)所示。
2) 对于系统总效益评估的下延指标。王艳等[16]将系统总收益分为节省排污费收益、副产物销售收益和电价补贴收益；汤民淮等[17]将效益指标分为环境效益和社会经济效益、运转性能和推广适用性；仇恒东[18]将效益指标分为环境效益(排放削减情况)和经济效益(燃油消耗情况)；袁颖枝等[19]将效益分为经济因素、环境因素和社会因素。基于以上研究，将社会效益和经济效益分别计算，与环境效益共同构成系统总效益评估的三级指标。各具体指标的计算如式(5)~式(8)所示。
根据上述指标体系，系统总成本由系统年折旧费用、系统年运行费用和系统年维护费用组成。具体计算见式(1)。
Tc=Cd+Crun+Crep (1) 式中：Tc为系统总成本，万元；Cd为系统年折旧费，万元；Crun为系统年运行费，万元；Crep为系统年维护费，万元。
系统年折旧费用计算参考金侃等[20]对于燃煤机组烟气污染物超低排放改造的研究，折旧成本主要是指固定资产投资折旧成本。具体计算见式(2)。
Cd=I⋅RFAR/Yd (2) 式中：Cd为系统年折旧费，万元；I为系统投资费，万元；RFAR为固定资产形成率，以95%计[20]；Yd为系统折旧年限，通常定为20年。
参考王艳等[16]的研究，系统年运行费用包括设备运行的年耗人工费、年耗材费(还原剂、催化剂、压缩空气等费用)、年耗电费和年耗蒸汽费。具体计算见式(3)。系统年维护费用包括设备维护年耗人工费、年耗检修费和配套设施运维费。具体计算见式(4)。
Crun=Cwa1+Cm+Cp+Cs (3) 式中：Crun为系统年运行费，万元；Cwa1为设备运行的年耗人工费，万元；Cm为年耗材费，万元；Cp为年耗电费，万元；Cs为年耗蒸汽费，万元。
Crep=Cwa2+Cins+Csup (4) 式中：Crep为系统年维护费，万元；Cwa2为设备维护的年耗人工费，万元；Cins为年耗检修费，万元；Csup为配套设施运维费，万元。
综合上述指标体系，系统总效益由环境效益、经济效益和社会效益组成。具体计算见式(5)。
Tp=Pcon+Pcha+Pout (5) 式中：Tp为系统总收益，万元；Pcon为污染物排放量带来的排污税，万元；Pcha为减排节省的排污税，万元；Pout为企业产值，万元。
环境效益采用污染物排放量带来的环保税衡量。根据2018年1月1日实施的《环境保护税法》规定，国家停止征收排污费，改收环保税，大气污染物应纳税额=污染当量数×适用税额，税额按每当量1.2元计算。
根据统计[14]，工业氮氧化物排放量指报告期内企业在燃料燃烧和生产工艺过程中排入大气的氮氧化物总质量；工业烟尘排放量指报告期内企业在燃料燃烧和生产工艺过程中排入大气的烟尘的总质量。具体计算见式(6)。
Pcon=∑i,j,k,mAi,j,kXi,j,k,mFEFj,k,m(1−ηi,j,k,m,nαi,j,k,m,n) (6) 式中：Pcon为污染物排放量，t；A为燃料使用量，t；X为控制技术的活动水平占总活动水平的比例；FEF为单位原料消耗的污染物排放因子，g·t−1；η为控制技术的去除率；α为控制技术的应用比例；i为地区；j为经济部门；k为燃料类型；m为技术类型；n为污染物种类。
经济效益采用节省排污税衡量，计算时可参考王艳等[16]和金侃等[20]对于燃煤电厂超低排放烟气控制技术费效评估的研究。具体计算见式(7)。
Pcha=10−9PCP⋅TDT⋅MUM⋅FEF⋅η⋅NPN (7) 式中：Pcha为控制技术节省排污税，万元；PCP为治理设备规模，分为1~5级；TDT为设备运行时间，h；MUM为单位产量原料消耗，g·t−1；FEF为单位原料消耗的污染物排放因子，g·t−1；η为控制技术的去除率；NPN为排污税标准，万元·t−1。
社会效益采用企业产值衡量，根据统计[21]，工业销售产值(当年价格)指以货币形式表现的、工业企业在报告期内销售的本企业生产的工业产品或提供工业性劳务价值的总价值量，通过报告期产品的实际销售数量乘以不含增值税的产品实际销售平均单价计算。具体计算见式(8)。
Pout=Y⋅Poil (8) 式中：Pout为企业年产值，万元；Y为年产量，t；Poil为油价，万元·t−1。
1.2 氮氧化物、颗粒物控制技术经济性层次分析模型
本研究采用层次分析法(AHP)[5-6]进行技术经济性分析，将氮氧化物、颗粒物控制技术经济性P作为目标层；将系统总成本A1、系统总效益A2作为准则层；准则层下延为指标层，包含系统年折旧费用B1、系统年运行费用B2、系统年维护费用B3、环境效益B4、经济效益B5、社会效益B6。层次分析模型如图2所示。
图 2 氮氧化物、颗粒物控制技术经济性层次分析(AHP)模型Figure 2. Analytic hierarchy process (AHP) model of the economic efficiency of NOx and PM control technology首先，运用AHP模型分别计算准则层A与指标层B各指标的权重。相对重要度采用比较尺度的方法来确定，即两两因素之间进行比较，取1~9尺度，尺度1、3、5、7、9表示第i个因素相对于第j个因素的影响等级，尺度2、4、6、8表示第i个因素相对于第j个因素的影响介于上述2个相邻等级之间，用aij表示第i个因素相对于第j个因素的比较结果。
结合文献资料和调查问卷数据，确定B1、B2与B3，B4、B5与B6之间的相对重要度，分别构建判断矩阵。指标层P-A1-2的判断矩阵为自拟。根据冯淑娟[22]和王彩凤等[23]的研究，确定系统年折旧费B1相对于系统年维护费B3的影响为5，系统年运行费B2相对于系统年维护费B3的影响为2；根据汤民淮等[17]的研究，投资费用指数相对于运行费指数的影响为3，确定系统年折旧费B1相对于系统年运行费B2的影响也为3。根据已有研究[6, 19]，环境指标相对于经济指标的影响为2，经济效益指标相对于社会效益指标的影响为2，即环境指标相对于社会效益指标的影响为4，构建的判断矩阵如表1所示。由于RCR<0.10，即层次总排序结果具有满意一致性。技术经济性评价指标体系的权重值如图3所示。
表 1 AHP模型判断矩阵Table 1. Judgement matrix of AHP model指标层次 判断矩阵 P-A1-2 
A1-B1-2-3 
A2-B4-5-6 
| Show Table
DownLoad:
CSV
由图3可知，年折旧费、年运行费、年维护费在技术经济性评估中权重值分别为0.291、0.154、0.054；环境效益、经济效益、社会效益在技术经济性评估中权重值分别为0.278、0.160、0.061。其中，年折旧费用和环境效益的权重值最高，即该指标的重要程度最高。
其次，采用评分法[24]构建分值转换系统，即按百分制对具体指标能满足目标的程度进行打分。参考《石油炼制工业污染物排放标准》(GB 31570-2015)[25]、《关于调整排污费征收标准等有关问题的通知》[26]和资料[16, 27]制定具体衡量指标和分值转换标准，环境效益B4、经济效益B5、社会效益B6分别由年排放量、节省排污税、年产量衡量。其中，节省排污税标准根据调查问卷制定，参考2019年3月20日京津冀地区油价进行计算[28]。所有指标均为定量化的指标，评分标准如表2所示。
表 2 氮氧化物、颗粒物控制技术经济性评估指标评分标准Table 2. Rating standard of the economic efficiency of NOx and PM control technology等级 (B1)NOx/PM折旧费/(104元) (B2) 
/PM运行费/(104元)(B3) 
/PM维护费/(104元)(B4)年排放量/t (B5)节省排污税/(104元) (B6) 
/PM年产值/(104元)NOx PM NOx PM 20 ≥800 ≥2 000 ≥300 ≥800 ≥300 [0，20) [0，20) [0，100×104) 40 [400，800) [1 000，2 000) [200，300) [480，800) [180，300) [20，40) [20，40) [100×104，200×104) 60 [200，400) [400，1 000) [100，200) [160，480) [100，180) [40，60) [40，60) [200×104，300×104) 80 [60，200) [100，400) [50，100) [80，160) [30，100) [60，80) [60，80) [300×104，450×104) 100 [0，60) [0，100) [0，50) [0，80) [0，30) ≥80 ≥80 ≥450×104 | Show TableDownLoad:
CSV
1.3 不同情景下氮氧化物、颗粒物控制方案成本、效益比较
利用情景分析法[29]建立无控情景、基准情景和超低排放情景。通过调研已出台的石化行业污染物排放控制政策，参考电力行业《燃煤电厂超低排放烟气治理工程技术规范》(HJ 2053-2018)[30]中关于氮氧化物、颗粒物排放浓度限值的规定，即在基准氧含量6%条件下，烟尘、NOx排放浓度分别不高于10 mg·m−3和50 mg·m−3(标准状况下)，建立石化行业PM、NOx排放控制情景，分析各个情景下的污染物控制成本和效益(如表3所示)。
表 3 氮氧化物、颗粒物排放控制情景Table 3. Control scenarios for NOx and PM emissions情景 详细情况描述 无控情景 2007年以前，缺乏针对石化行业的全国性污染物控制相关政策，因此，根据2007年北京市《炼油与石油化学工业大气污染物排放标准》的规定，氮氧化物、颗粒物排放限值分别为300 mg·m−3和120 mg·m−3 基准情景(BAU) 2015年，首次发布行业性污染物控制政策《石油炼制工业污染物排放标准》(GB 31570-2015)，据此规定，新建企业和现有企业氮氧化物、颗粒物排放限值分别为100 mg·m−3和20 mg·m−3 超低排放情景 在上述政策的技术上制定更加严格的标准，氮氧化物、颗粒物排放限值分别为50 mg·m−3和10 mg·m−3，并采用相应达到要求的控制技术 | Show TableDownLoad:
CSV
1.4 数据来源
通过中国研究数据服务平台(CNRDS)和《中国能源统计年鉴》[14]进行数据调研，2011—2016年，河北省、山东省的柴油、汽油生产量较高且基本呈上升趋势；河北省、山东省的氮氧化物、颗粒物排放量较高(如图4和图5所示)。因此，本研究将河北省、山东省的石油加工企业作为调研对象，并于2018年2月—2019年3月先后对其进行实地调研，收集相应的工程案例，获取系统投资费用、运行费用、维护费用等各类成本参数以及污染物排放量、节省排污税和具有经济价值的产品产量，评估该工程产生的效益。
图 4 2011—2016年河北省、山东省柴油和汽油生产量Figure 4. Production of diesel and gasoline in Hebei province and Shandong province from 2011 to 2016
图 5 2011—2016年河北省、山东省氮氧化物和颗粒物排放量Figure 5. Emissions of NOx and PM from Hebei province and Shandong province from 2011 to 20162. 结果与分析
2.1 基准情景下氮氧化物、颗粒物控制技术经济性
基准情景即《石油炼制工业污染物排放标准》(GB 31570-2015)规定（氮氧化物、颗粒物排放限值分别为100 mg·m−3和20 mg·m−3）下氮氧化物、颗粒物的排放及控制情况。通过数据调研，获取石油加工企业4种脱硝技术类型(选择性催化还原技术、选择性非催化还原技术、低氮燃烧技术、臭氧氧化技术)和3种除尘技术类型(旋风除尘、湿式除尘、布袋除尘)的系统基本参数(见表4)，并结合式(1)~式(8)对相关指标进行计算。其中，臭氧氧化工艺不考虑臭氧泄漏等二次污染问题。根据数据调研结果，发现仅有石油加工企业1、2、3的氮氧化物控制技术情况和石油加工企业4、5的颗粒物控制技术情况数据完整。因此，本研究以这5个数据全面的石油加工企业为例，依据控制技术经济性评估指标评分标准(如表2所示)，对关键指标进行评分，并得出各指标得分值。典型石油加工企业氮氧化物、颗粒物经济性评估指标评分统计结果如表5所示。
表 4 河北省、山东省部分石油加工企业氮氧化物、颗粒物控制技术Table 4. Control technology of NOx, PM in some petroleum processing enterprises ofHebei province and Shandong province, China企业编号 污染物 控制技术 投资费/(104元) 折旧费/(104元) 运行费/(104元) 维护费/(104元) 年排放量/t 年减排量/t 排放浓度/(mg·m−3) 节省排污税/(104元) 年产量/(104t) 年产值/(104元) 1 
SCR 3 850 182.9 537 120 256 256 80 32.3 220 156 PM 旋风除尘 — — — — — — — — 2 
SCR 16 000 760 850 220 514 300 60 75.8 560 375 PM 湿式除尘 — — — — — — — — 3 
SCR+SNCR+LNB 4 000 190 270 110 77 670 120 40 320 212 PM 湿式除尘 — — — — — — — — 4 
SCR — — — — — — — — 390 254.8 PM 旋风除尘+布袋除尘+湿式除尘 3 900 185.3 1, 900 280 40 780 90 50 5 PM 湿式除尘 1 039 51.9 396 183 100 56 40 42 350 236 PM 布袋除尘 424 20.1 — 25 — 46 — — 6 
臭氧氧化 1 280 60.8 423 137 — — — — — — PM 湿式除尘 980 46.6 384 — — — — — 7 
LNB 490 23.2 234 82 — — — — — — PM 湿式除尘 — — — — — — — — 注：—表示企业未提供相关数据。 | Show TableDownLoad:
CSV
表 5 典型石油加工企业氮氧化物和颗粒物经济性评估指标评分Table 5. Score of the economic evaluation index of NOx and PM in typical petroleum processing enterprises污染物 案例 B1 B2 B3 B4 B5 B6 氮氧化物 石油加工企业1 80 60 60 60 40 40 石油加工企业2 40 60 40 40 80 80 石油加工企业3 80 80 60 100 60 60 颗粒物 石油加工企业4 80 40 40 80 60 60 石油加工企业5 100 80 60 60 60 60 | Show TableDownLoad:
CSV
根据氮氧化物、颗粒物控制技术经济性评估指标体系，采用综合加权模型[24]分别计算系统总成本、系统总效益的综合归一化值，根据上文中的各指标权重值对各准则层进行加权，得出氮氧化物、颗粒物控制技术经济性评估综合归一化值，结果如表6和表7所示。计算方法见式(9)。
表 6 典型石油加工企业氮氧化物经济性评估指标综合归一化值结果Table 6. Synthesis and normalization results of the economic evaluation index of NOx in typical petroleum processing enterprises层次 石油加工企业1 石油加工企业2 石油加工企业3 权重(Wi) B1 23.250 11.625 23.250 0.291 B2 9.274 9.274 12.366 0.154 B3 3.287 2.191 3.287 0.054 B4 16.714 11.142 27.857 0.278 B5 6.404 12.809 9.607 0.160 B6 2.452 4.904 3.678 0.061 | Show TableDownLoad:
CSV
表 7 典型石油加工企业颗粒物经济性评估指标合归一化值结果Table 7. Synthesis and normalization results of the economic evaluation index of PM in typical petroleum processing enterprises层次 石油加工企业4 石油加工企业5 权重(Wi) B1 23.250 29.063 0.291 B2 6.183 12.366 0.154 B3 2.192 3.287 0.054 B4 22.286 16.714 0.278 B5 9.607 9.607 0.160 B6 3.678 3.678 0.061 | Show TableDownLoad:
CSV
Ej=n∑j=1Wi⋅Xij (9) 式中：Ej为各调查案例经济性评估综合归一化值；Wi为各指标权重值；Xij为指标打分值；n为评估指标序号，n=[1,6]。
运用式(9)对研究对象内的氮氧化物、颗粒物控制技术经济性评估指标体系中准则层(系统总成本、系统总效益)分别计算归一化值，并通过加权，计算出经济性评价综合值(如表8所示)。最后，采用5个区间来界定经济性评价等级，区间量度值范围为[0，100]，如表9所示。典型石油加工企业经济性评价等级结果如表10所示。
表 8 典型石油加工企业经济性评价综合值Table 8. Comprehensive value of economic evaluation index oftypical petroleum processing enterprises污染物 案例 总成本值 总效益值 费效比 经济性评价综合值 氮氧化物 石油加工企业1 35.812 25.571 1.401 61.384 石油加工企业2 23.092 28.857 0.801 51.948 石油加工企业3 38.904 41.143 0.946 80.047 颗粒物 石油加工企业4 31.625 35.571 0.889 67.196 石油加工企业5 44.716 29.999 1.491 74.716 | Show TableDownLoad:
CSV
表 9 经济性评价等级Table 9. Rating of economic evaluation评价等级 标准化值 极差 [0，20) 差 [20，40) 中等 [40，60) 良好 [60，80) 优 [80，100] | Show TableDownLoad:
CSV
表 10 典型石油加工企业经济性评价等级结果Table 10. Rating of economic evaluation of typical petroleum processing enterprises污染物 案例 评价等级 氮氧化物 石油加工企业1 良好 石油加工企业2 中等 石油加工企业3 优 颗粒物 石油加工企业4 良好 石油加工企业5 良好 | Show TableDownLoad:
CSV
由表8可知，费效比较高的为石油加工企业1和企业5，系统总成本约为系统总效益的1.4~1.5倍；由表5和表6可知，石油加工企业1经济性评价综合值较低的原因主要是运行费用和维护费用较高；由表5和表7可知，石油加工企业5经济性评价综合值较低的原因主要是年排放量较多、节省排污税较少。费效比较低的为石油加工企业2、4，其中石油加工企业2的经济性评价综合值最低；由表5和表6可知，石油加工企业2的产业规模最大，投资费用过高，但年排放量却没有相应减少；由表5和表7可知，石油加工企业4采用旋风除尘、布袋除尘、湿式除尘多种技术控制颗粒物排放，带来的运行费用和维护费用较高，而节省排污税较少，企业产值较低，因而经济性评价综合值较低。石油加工企业3的费效比接近1，说明成本投入和效益产出较为平均；由表5可知，由于采用SCR、SNCR、LNB多种技术控制氮氧化物排放，石油加工企业投资费用的绝对数量并不低，但是相应地可带来良好的环境效益，年排放量很低，节省排污税较多，因而经济性评价综合值最高。由表10的经济性评价等级结果可知，石油加工企业3的经济性评价结果为“优”，等级最高；石油加工企业1、4、5的经济性评价结果为“良好”，等级仅次于石油加工企业3；石油加工企业2的经济性评价结果为“中等”，等级最低。
综合上述结果，石油加工企业的总成本和总效益难以达到均衡，总成本值较高的石油加工企业难以形成较高的总效益值，而总效益值较高的石油加工企业往往也是总成本值较低的企业，这是因为污染物的控制成本相对过高。此外，采用多种技术进行污染物控制的石油加工企业3、4，经济性评价综合值反而相对较高，等级结果并没有低于采用单一技术的石油加工企业1、2、5，这说明在下一步推行超低排放的过程中，采用多种技术叠加的方式，不论从技术性的角度还是经济性的角度，都是具备可行性的。
2.2 超低排放情景下氮氧化物、颗粒物控制技术经济性
以2019年为基准年，基准情景下氮氧化物、颗粒物的排放限值参照《石油炼制工业污染物排放标准》(GB 31570-2015)[25]的规定，即对新建和现有企业氮氧化物、颗粒物排放最低限值分别为80 mg·m−3和30 mg·m−3。氮氧化物排放控制技术主要有臭氧氧化、SCR(选择性催化还原技术)、SNCR(选择性非催化还原技术)和LNB(低氮燃烧技术)；颗粒物排放控制技术主要有旋风除尘技术、FF(布袋除尘技术)和湿式除尘技术。
超低排放情景以2019年为基准年进行趋势外延，氮氧化物、颗粒物排放限值分别为50 mg·m−3和10 mg·m−3。石油加工企业的超低排放改造路线参考国内燃煤电厂已有的方案。根据《燃煤电厂超低排放烟气治理工程技术规范》(HJ 2053-2018)[30]和相关资料[31-33]，超低排放技术改造路线通常采用多种技术叠加的方式进行多种污染物的协同控制。因此，假定未来年所使用的技术与基准年相同，超低排放情景下模拟石油加工企业的技术路线及改造方案如下：氮氧化物控制采用臭氧氧化+LNB(低氮燃烧技术)+SCR(选择性催化还原技术)；颗粒物控制采用旋风除尘技术+FF(布袋除尘技术)+湿式除尘技术。
根据系统成本评估指标(系统投资费用、运行费用、维护费用)和系统效益评估指标(年减排量、排放浓度、节省排污税)对改造前后石油加工企业的技术经济性进行评估，数据仍然采用表4中实际石油加工企业运行数据，成本参数和效益参数由相同规模的石油加工企业相关参数叠加所得。基准情景与超低排放情景的技术经济性对比结果如图6~图9所示。
如图6和图8所示，在超低排放情景下，石油加工企业氮氧化物、颗粒物控制系统总成本约为改造之前的1.5~2.0倍，其中，改造之后的系统投资成本、运行成本约为改造之前的1.5~2.0倍，维护成本则增幅较小。如图7和图9所示，超低排放情景下，石油加工企业氮氧化物、颗粒物控制系统总效益显著提升，年减排率由改造前的50%提升至改造后的87%，年排污税由改造前的14.6%提升至改造后的55.6%，污染物排放浓度约为改造之前的0.2~0.5倍。根据已有的燃煤电厂超低排放改造前、后成本变化[34]，改造前、后氮氧化物控制单位成本分别为9 872元·t−1和14 092元·t−1，改造前、后颗粒物控制单位成本分别为55元·t−1和117元·t−1，改造之后的成本约为改造前的1.4~2.0倍，与模拟石油加工企业超低排放技术改造的成本变化基本吻合。
本研究所采用的层次分析法存在一定的局限性。第一，在确定指标B1~B6之间的相对重要程度时，在现有文献当中难以找到完全一致的参考指标；第二，层次分析模型可容纳的指标有限，如果研究需要更多的衡量指标，判断矩阵不易达到一致性，难以进行调整；第三，不同学者对于指标之间的重要度判断不同，易存在主观性。
3. 结论与建议
1)利用层次分析法对大气污染控制技术的经济性进行评估，年折旧费和环境效益的重要程度最高，权重值分别为0.291、0.278。通过评分法构建的分值转换系统对实际石油加工企业进行评估，得到各石油加工企业经济性评估等级，可以直观地比较各个企业的情况。
2)基于多家石油加工企业工程案例，发现在基准情景下，采用不同控制技术的石油加工企业经济性评价综合值差别较大。采用单一控制技术的企业由于投资成本过高或环境效益较低而造成经济性下降；采用多种技术控制污染物排放的企业，投资费用的绝对数量较高，但是可带来良好的环境效益，年减排率由改造前的50%提升至改造后的87%，年排污税由改造前的14.6%提升至改造后的55.6%，污染物排放浓度约为改造之前的0.2~0.5倍。年排放量很低，节省排污税较多，因而经济性较高。
3)在不同排放情景下，石油加工企业的成本和效益相差较大。与基准情景相比，在超低排放情景下，系统总成本显著增加，系统总效益显著提升，但总效益的增幅与总成本的增幅相差不大，如若下一步推行石油加工企业超低排放政策，还应加大对企业的扶持力度，否则过高的成本将会抑制企业实施超低排放技术的动力。
4)及时调查和总结典型企业经验，促进超低排放控制技术和污染物检测技术的发展。结合我国不同区域环境特征、经济发展需求及企业生产状况，对采用不同控制技术的企业开展基于系统成本、系统效益的评估，相应提出技术可行、经济性高的超低排放最佳技术改造路线及设备安装要求；与此同时，推进行业污染物低浓度监测方法及标准技术的落实，构建稳定可靠的监测网络，确保监测数据的有效性。
5)政府综合运用经济、法律等手段，鼓励引导相关企业积极落实减排措施，加快超低排放政策推行。在经济方面，可以提供贷款或者财政补贴以缓解企业在改造初期成本过高的问题，同时通过调整排污税和实行油价补贴以加大对企业实行超低排放的支持力度，从而提升企业采纳改造技术的积极性；在法律方面，正式出台具有统一性、强制性的石油加工企业超低排放标准，对企业氮氧化物、颗粒物等污染物的排放限值作出具体要求。
6)加强监督管理，促使企业承担相应责任、落实相关政策。以相关法律法规为依据，加强对石油加工企业大气污染治理项目环境影响评价、验收环境执法等过程的管理；对于污染物排放不能满足排放要求的企业，可以利用税费政策对其进行惩罚，促进企业转变观念，主动承担落实减排责任。
-
图 4 采样期间PM2.5中碳质组分浓度
Figure 4. Carbon components concentrations during the sampling period
表 1 采样期间PM2.5、OC、EC浓度以及气象参数
Table 1. The concentration of PM2.5, OC, and EC, and meteorological parameters during the sampling period
季节Season 温度/℃ Temperature 相对湿度/%Relative humidity 风速/(m·s−1)Wind speed PM2.5/(µg·m−3) OC/(µg·m−3) EC/(µg·m−3) (OC/PM2.5)/% (EC/PM2.5)/% 春季 8±3 47±11 1.4±0.7 81.8±28.4 7.9±1.9 3.5±1.1 9.6 4.3 夏季 26±2 88±7 0.7±0.4 48.6±11.7 5.1±1.0 2.0±0.4 10.4 4.1 秋冬季 8±3 69±12 0.8±0.6 74.0±28.6 9.8±2.9 4.6±1.7 13.3 6.2 平均 13±7 69±17 0.9±0.6 69.4±26.6 8.0±2.8 3.6±1.5 11.5 5.2
下载: 导出CSV
表 2 阳泉市OC、EC、TCA浓度及TCA/PM2.5与国内其它城市比较
Table 2. Comparison of OC、EC and TCA concentrations, and TCA/PM2.5 values in Yangquan and other Chinese cities
城市City 采样时间Time OC/(μg·m−3) EC/(μg·m−3) TCA/(μg·m−3) (TCA/PM2.5)//% 分析方法Method 文献Reference 阳泉 2018.07—2019.3 8.0±2.8 3.6±1.5 16.4 23.6 IMPROVE TOR 本研究 太原 2014.03—2014.12 13.5±14.0 6.5±6.1 28.1 20 IMPROVE TOR [13] 广州 2015.06—2016.05 8.2±5.0 1.8±0.8 14.9 22 IMPROVE TOR [14] 北京 2017.12—2018.12 11.2±7.8 1.2±0.8 19.1 25 IMPROVE TOR [15] 天津 2016.02—2016.08 10.6 4.2 21.2 27 IMPROVE TOR [16] 武汉 2011.07—2012.02 19.4 2.9 34.4 27 IMPROVE TOR [17] 菏泽 2015.08—2016.04 13.2±9.6 5.2±3.6 26.3 25 IMPROVE TOR [18]
下载: 导出CSV
表 3 采样期间二次有机碳浓度特征
Table 3. Concentration characteristics of second organic carbon during the sampling period
季节Season OC/EC (OC/EC)pri SOC/(µg·m−3) POC/(µg·m−3) (SOC/OC)/% 春季 2.5±0.7 1.37 3.2±1.4 4.8±1.5 40 夏季 2.6±0.4 1.53 2.0±0.7 3.0±0.7 40 秋冬季 2.3±0.5 1.39 3.4±1.6 6.4±2.4 35 平均 2.4±0.6 1.43 3.0±1.4 5.1±2.1 38
下载: 导出CSV
表 4 采样期间PM2.5中碳质组分与气态污染物间相关性
Table 4. Correlation of carbon components in PM2.5 with gaseous pollutants during the sampling period
季节Season 碳质组分 SO2/(µg·m−3) NO2/(µg·m−3) CO/(mg·m−3) O3/(µg·m−3) 全年 OC 0.839** 0.744** 0.729** −0.470** EC 0.824** 0.772** 0.593** −0.514** SOC 0.421** 0.310** 0.494** −0.196 夏季 OC 0.417* 0.703** 0.405* 0.731** EC 0.445* 0.519** 0.642** 0.395* SOC 0.129 0.476* −0.112 0.657** 秋冬季 OC 0.820** 0.639** 0.916** −0.311* EC 0.866** 0.744** 0.775** −0.291 SOC 0.229 0.092 0.499** −0.136 春季 OC 0.695** 0.648** 0.834** 0.185 EC 0.488* 0.485* 0.492* −0.047 SOC 0.512** 0.448* 0.702** 0.303 注:**在0.01水平(双侧)上显著相关；*在0.05水平(双侧)上显著相关. Note: ** P≤0.01; represents significant correlation; * P≤0.05; represents significant correlation.
下载: 导出CSV
-
[1] QI M, ZHU X, DU W, et al. Exposure and health impact evaluation based on simultaneous measurement of indoor and ambient PM2.5 in Haidian, Beijing [J]. Environmental Pollution, 2017, 220: 704-712. doi: 10.1016/j.envpol.2016.10.035 [2] 赵晴, 李岩岩, 贺克斌, 等. 2019年元宵节重污染期间济宁市PM2.5化学组分特征及污染成因分析 [J]. 环境化学, 2020, 39(4): 900-910. doi: 10.7524/j.issn.0254-6108.2019090902 ZHAO Q, LI Y Y, HE K B, et al. Analysis of PM2.5 chemical characteristics and causes during heavy pollution in Jining City around the Lantern Festival of 2019 [J]. Environmental Chemistry, 2020, 39(4): 900-910(in Chinese). doi: 10.7524/j.issn.0254-6108.2019090902
[3] JIMENEZ J, DONAHUE N, PREVOT A, et al. Evolution of organic aerosols in the atmosphere [J]. Science, 2009, 326: 1525-1529. doi: 10.1126/science.1180353 [4] PACHAURI T, SINGLA V, SATSANGI A, et al. Characterization of carbonaceous aerosols with special reference to episodic events at Agra, India [J]. Atmospheric Research, 2013, 128: 98-110. doi: 10.1016/j.atmosres.2013.03.010 [5] BALACHANDRAN S, PACHON J E, LEE S, et al. Particulate and gas sampling of prescribed fires in South Georgia, USA [J]. Atmospheric Environment, 2013, 81: 125-135. doi: 10.1016/j.atmosenv.2013.08.014 [6] WANG Q, JIANG N, YIN S, et al. Carbonaceous species in PM2.5 and PM10 in urban area of Zhengzhou in China: Seasonal variations and source apportionment [J]. Atmospheric Research, 2017, 191: 1-11. doi: 10.1016/j.atmosres.2017.02.003 [7] 尹寒梅, 陈军辉, 冯小琼, 等. 宜宾市PM2.5中碳组分的污染特性及来源分析 [J]. 环境化学, 2019, 38(4): 738-745. doi: 10.7524/j.issn.0254-6108.2018061504 YIN H M, CHEN J H, FENG X Q, et al. Pollution characteristics and source analysis of carbonaceous aerosol in PM2.5 in Yibin, China [J]. Environmental Chemistry, 2019, 38(4): 738-745(in Chinese). doi: 10.7524/j.issn.0254-6108.2018061504
[8] YU S Y, LIU W J, et al. Characteristics and oxidative potential of atmospheric PM2.5 in Beijing: Source apportionment and seasonal variation [J]. Science of the Total Environment, 2019, 650: 277-287. doi: 10.1016/j.scitotenv.2018.09.021 [9] CAO J J, LEE S C, CHOW J C, et al. Spatial and seasonal distributions of carbonaceous aerosols over China [J]. Journal of Geophysical Research Atmospheres, 2007, D112(D22): D22S11. [10] 张婷婷, 马文林, 亓学奎, 等. 北京城区PM2.5有机碳和元素碳的污染特征及来源分析 [J]. 环境化学, 2018, 37(12): 2758-2766. ZHANG T T, MA W L, QI X K, et al. Characteristics and sources of organic carbon and element carbon in PM2.5 in the urban areas of Beijing [J]. Environmental Chenistry, 2018, 37(12): 2758-2766(in Chinese).
[11] 程渊, 刘保双, 毕晓辉, 等. 天津市区夏冬季环境空气PM2.5中碳组分污染特征及来源研究 [J]. 环境科学学报, 2018, 38(9): 3394-3405. CHENG Y, LIU B S, BI X H, et al. Character and source analysis of carbonaceous aerosol in PM2.5 during summer-winter period, Tianjin urban area [J]. Acta Scientiae Circumstantiae, 2018, 38(9): 3394-3405(in Chinese).
[12] 张懿华, 王东方, 赵倩彪, 等. 上海城区PM2.5中有机碳和元素碳变化特征及来源分析 [J]. 环境科学, 2014, 35(9): 3263-3270. ZHANG Y H, WANG D F, ZHAO Q B, et al. Characteristics and sources of organic carbon and elemental carbon in PM2.5 in Shanghai urban area [J]. Environmental Science, 2014, 35(9): 3263-3270(in Chinese).
[13] 董贵明, 唐贵谦, 张军科, 等. 北京南部城区PM2.5中碳质组分特征 [J]. 环境科学, 2020, 41(10): 4374-4381. DONG G M, TANG G Q, ZHANG J K, et al. Characteristics of carbonaceous species in PM2.5 in Southern Beijing [J]. Environmental Science, 2020, 41(10): 4374-4381(in Chinese).
[14] 刘晶晶, 胡献舟, 黄凤莲, 等. 广州PM2.5中有机碳和元素碳的污染特征 [J]. 湖南科技大学学报, 2019, 34(4): 111-117. LIU J J, HU X Z, HUANG F L, et al. Characteristics of organic carbon (OC) and elemental carbon (EC) in PM2.5 in Guangzhou, China [J]. Journal of Hunan University of Science & Technology, 2019, 34(4): 111-117(in Chinese).
[15] 张大宇, 刘效峰, 彭林, 等. 太原市PM2.5中含碳气溶胶特征分析 [J]. 环境化学, 2019, 38(12): 2719-2727. doi: 10.7524/j.issn.0254-6108.2019010203 ZHANG D Y, LIU X F, PENG L, et al. Analysis of characteristics of carbonaceous aerosols in PM2.5 of Taiyuan [J]. Environmental Chemistry, 2019, 38(12): 2719-2727(in Chinese). doi: 10.7524/j.issn.0254-6108.2019010203
[16] GB 3095—2012环境空气质量标准[S]. 北京: 中国环境科学出版社, 2012. Ambient air quality standards (GB3095—2012)[S]. Beijing:China Environmental Science Press, 2012(in Chinese).
[17] 王成, 闫雨龙, 谢凯, 等. 阳泉市秋冬季PM2.5化学组分及来源分析 [J]. 环境科学, 2020, 41(3): 1036-1044. WANG C, YAN Y L, XIE K, et al. Analysis of chemical components and sources of PM2.5 during Autumn and Winter in Yangquan City [J]. Environmental Science, 2020, 41(3): 1036-1044(in Chinese).
[18] 曹云擎, 王体健, 韩军彩, 等. “2+26”城市一次污染过程PM2.5化学组分和来源解析研究 [J]. 环境科学学报, 2020, 40(2): 361-372. CAO Y Q, WANG T J, HAN J C, et al. Study on chemical composition and source apportionment of PM2.5 during a pollution episode in “2+26” cities [J]. Acta Scientiae Circumstantiae, 2020, 40(2): 361-372(in Chinese).
[19] 中国环境监测总站. 全国城市空气质量实时发布平台[EB/OL]. [2019-11-20]. http://113.108.142.147:20035/emcpublish/. China National Environmental Monitoring Centre. National urban air quality real-time release platform [EB/OL]. [2019-11-20]. http://113.108.142.147:20035/emcpublish/.
[20] SUN F, LUN X X, LIU X, et al. Analysis of organic and elemental carbon in heating and non-heating periods in four locations of Beijing [J]. Environmental technology, 2015, 37 (1): 121-128. [21] World Health Organization. Air quality guidelines. Global update 2005[M]. Copenhagen, Denmark: World Health Organization, 2006. [22] 郑晓伍, 陈家灯, 刘子龙, 等. 石河子市PM2.5中有机碳和元素碳的变化特征与来源解析 [J]. 环境化学, 2018, 37(1): 115-122. doi: 10.7524/j.issn.0254-6108.2017042401 ZHENG X W, CHEN J D, LIU Z L, et al. Characteristics and source apportionment of organic carbon and elemental carbon in PM2.5 in Shihezi, Xinjiang, China [J]. Environmental Chemistry, 2018, 37(1): 115-122(in Chinese). doi: 10.7524/j.issn.0254-6108.2017042401
[23] 李杏茹, 白羽, 陈曦, 等. 北京冬季重污染过程大气细颗粒物化学组成特征及来源分析 [J]. 环境化学, 2018, 37(11): 2397-2409. doi: 10.7524/j.issn.0254-6108.2018011401 LI X R, BAI Y, CHEN X, et al. Chemical composition and source apportionment of PM2.5 during winter in Beijing [J]. Environmental Chemistry, 2018, 37(11): 2397-2409(in Chinese). doi: 10.7524/j.issn.0254-6108.2018011401
[24] 成海容, 王祖武, 冯家良, 等. 武汉市城区大气PM2.5的碳组分与源解析 [J]. 生态环境学报, 2012, 21(9): 1574-1579. doi: 10.3969/j.issn.1674-5906.2012.09.011 CHENG H R, WANG Z W, FENG J L, et al. Carbonaceous species composition and source apportionment of PM2.5 in urban atmosphere of Wuhan [J]. Ecology and Environment, 2012, 21(9): 1574-1579(in Chinese). doi: 10.3969/j.issn.1674-5906.2012.09.011
[25] 刘泽珺, 吴建会, 张裕芬, 等. 菏泽市PM2.5碳组分季节变化特征 [J]. 环境科学, 2017, 38(12): 4943-4950. LIU Z J, WU J H, ZHANG Y F, et al. Seasonal variation of carbon fractions in PM2.5 in Heze [J]. Environmental Science, 2017, 38(12): 4943-4950(in Chinese).
[26] 纪尚平, 王丽涛, 赵乐, 等. 邯郸市PM2.5中碳组分的浓度, 来源及其变化 [J]. 环境科学学报, 2019, 39(9): 2873-2880. JI S P, WANG L T, ZHAO L, et al. Concentrations, sources, and changes of carbon fractions in PM2.5 in Handan [J]. Acta Scientiae Circumstantiae, 2019, 39(9): 2873-2880(in Chinese).
[27] JI D S, ZHANG J K, HE J, et al. Characteristics of atmospheric organic and elemental carbon aerosols in urban Beijing, China [J]. Atmospheric Environment, 2016, 125: 293-306. doi: 10.1016/j.atmosenv.2015.11.020 [28] WU C, YU J. Determination of Primary combustion source organic carbon-to-elemental carbon (OC/EC) ratio using ambient OC and EC measurements: Secondary OC-EC correlation minimization method [J]. Atmospheric Chemistry and Physics, 2016, 16: 5453-5465. doi: 10.5194/acp-16-5453-2016 [29] JI D S, GAO M, MAENHAUT W, et al. The carbonaceous aerosol levels still remain a challenge in the Beijing-Tianjin-Hebei region of China: Insights from continuous high temporal resolution measurements in multiple cities [J]. Environment International, 2019, 126: 171-183. doi: 10.1016/j.envint.2019.02.034 [30] 刘庆阳, 刘艳菊, 赵强, 等. 2012年春季京津冀地区一次沙尘暴天气过程中颗粒物的污染特征分析 [J]. 环境科学, 2014, 35(8): 2843-2850. LIU Q Y, LIU Y J, ZHAO Q, et al. Chemical characteristics in airborne particulate matter (PM10) during a high pollution spring dust storm episode in Beijing, Tianjin and Zhangjiakou, China [J]. Environmental Science, 2014, 35(8): 2843-2850(in Chinese).
[31] DAN M, ZHUANG G, LI X, Tao H, Zhuang Y. The characteristics of carbonaceous species and their sources in PM2.5 in Beijing [J]. Atmospheric Environment, 2004, 38: 3443-3452. doi: 10.1016/j.atmosenv.2004.02.052 [32] AYMOZ G, JAFFREZO L J, JACOB V, et al. Evolution of organic and inorganic components of aerosol during a Saharan dust episode observed in the French Alps [J]. Atmospheric Chemistry and Physics Discussions, 2004, 4: 2499-2512. [33] 杨健, 丁祥, 刘寅, 等. 高原城市昆明PM2.5中碳组分污染特征及来源分析 [J]. 环境化学, 2017, 36(02): 257-264. YANG J, DING X, LIU Y, et al. Characteristics and source analysis of carbonaceous components in PM2.5 at a plateau city, Kunming [J]. Environmental Chemistry, 2017, 36(02): 257-264(in Chinese).
[34] CHEN Y J, ZHI G R, FENG Y L, et al. Measurements of emission factors for primary carbonaceous particles from residential raw-coal combustion in China [J]. Geophysical Research Letters, 2006, 33: L20815. [35] SCHAUER J, KLEEMAN M, CASS G, et al. Measurement of emissions from air pollution sources. 5. C1−C32 organic compounds from gasoline-powered motor vehicles [J]. Environmental Science & Technology, 2002, 36: 1169-1180. [36] ZHANG Y X, SHAO M, ZHANG Y H, et al. Source profiles of particulate organic matters emitted from cereal straw burnings [J]. Journal of Environmental Sciences, 2007, 19: 167-175. doi: 10.1016/S1001-0742(7)60027-8 [37] YANG F, HE K, YE B, et al. One-year record of organic and elemental carbon in fine particles in downtown Beijing and Shanghai [J]. Atmospheric Chemistry and Physics, 2005, 5 (6): 1449-1457. [38] 殷丽娜. 南京市大气细颗粒物中碳组分的时空分布特征及来源研究 [D]. 南京: 南京大学, 2016. YIN L N. Seasonal and spatial variations and potential sources of carbon fractions in fine particle matters in Nanjing [D]. Nanjing: Nanjing University, 2016 (in Chinese).
[39] LIU H, WU B, LIU S, et al. A regional high-resolution emission inventory of primary air pollutants in 2012 for Beijing and the surrounding five provinces of North China [J]. Atmospheric Environment, 2018, 181: 20-33. doi: 10.1016/j.atmosenv.2018.03.013 [40] CAO J J, WU F, CHOW J C, et al. Characterization and source apportionment of atmospheric organic and elemental carbon during fall and winter of 2003 in Xi'an, China [J]. Atmospheric Chemistry and Physics, 2005, 5(11): 3127-3137. doi: 10.5194/acp-5-3127-2005 [41] ZHAO P S, DONG F, HE D, et al. Characteristics of concentrations and chemical compositions for PM2.5 in the region of Beijing, Tianjin, and Hebei, China [J]. Atmospheric Chemistry and Physics, 2013, 13(9): 4631-4644. doi: 10.5194/acp-13-4631-2013 [42] 高韩钰, 魏静, 王跃思. 北京南郊区PM2.5中水溶性无机盐季节变化及来源分析 [J]. 环境科学, 2018, 39(5): 1987-1993. GAO H Y, WEI J, WANG Y S. Seasonal variation and source analysis of water-soluble inorganic salts in PM2.5 in the southern suburbs of Beijing [J]. Environmental Science, 2018, 39(5): 1987-1993(in Chinese).
[43] 郭蒙蒙, 姜楠, 王申博, 等. 郑州市2014~2017年大气污染特征及气象条件影响分析 [J]. 环境科学, 2019, 40(9): 3856-3867. GAO M M, JIANG N, WANG S B, et al. Analysis of air pollution characteristics and meteorological conditions in Zhengzhou from 2014 to 2017 [J]. Environmental Science, 2019, 40(9): 3856-3867(in Chinese).
-
点击查看大图
计量
- 文章访问数: 2845
- HTML全文浏览数: 2845
- PDF下载数: 115
- 施引文献: 0
