1、文章编号：（）基于皮尔森相关性分析和 神经网络的北京城市雾霾治理对策张晓彬，于渤（哈尔滨工业大学 经济与管理学院，黑龙江 哈尔滨 ）摘要：为了明确下一阶段（年）北京城市雾霾治理的政策路径，本文使用皮尔森相关性分析和状态转移算法的改进 神经网络，分析了北京城市雾霾的主要影响因素并预测了不同治理政策的效果。汽油消耗量、单位 能耗、北京二氧化硫排放量、机动车保有量与北京具有极强的相关性。基于 神经网络的模拟结果显示，下一阶段北京城市雾霾治理应以控制机动车尾气排放为重点，采用京津冀跨区域治理模式。为建立京津冀跨区域雾霾污染治理协作机制，具体措施包括建立区域大气污染治理联合机构、制定统一的空气质量管理目
2、标、建立健全区域大气污染联防联控管理机制、加强大气环境承载力约束、突出分区污染治理重点和构建区域污染治理的科技联动机制。关键词：雾霾；影响因素；皮尔森相关系数；改进 神经网络；跨区域治理中图分类号：文献标识码：引言党的二十大报告指出，中国式现代化是人与自然和谐共生的现代化。落实二十大报告要求，必须大力推进美丽中国建设，推动形成绿色低碳的生产方式和生活方式，持续深入打好蓝天、碧水、净土保卫战。过去相当一个时期，我国对于环境污染问题没有进行系统的理论研究并采取科学的控制方式，在高度重视发展速度的同时，一定程度忽略了发展给空气、水源、土壤、生态等方面带来的负面影响，导致随着经济社会的发展进步，与其相
3、伴生的环境污染问题变得严峻起来，其中空气污染特别是城市雾霾问题尤为突出。虽然近年来我国雾霾治理取得明显成效，重度污染天数显著减少，但季节性雾霾污染仍然存在，影响着经济社会发展的方方面面：雾霾影响生产生活特别是交通运输等行业，带来直接经济损失和人员伤害；雾霾影响植物的光合作用，导致农作物产量下降，不利于农业生产；雾霾影响居民健康，引发种种民生问题等等，。政府、企业和公民越来越意识到，过度注重发展速度而忽视环境保护是错误的，以环境的破坏为代价换取经济增长的发展方式得不偿失。治理空气污染特别是城市雾霾，是提高人民生活品质的现实需要，是促进经济发展的必然选择，也是保护绿水青山的重要举措。治理城市雾霾，
4、需要理论与实践并行，两者结合才能发挥最大效用。近年来，关于城市雾霾治理已有大量定量研究，相关理论逐步发展和完善，定量研究着眼于理论效果的指标化，更具有统计性和规律性，更能增强相关分析和政策建议的科学性和说服力。等开发快速视觉筛查方法（）来实现对雾霾污染的脆弱性评估。等提出模糊度评估器模型，以气象数据来预估一地的雾霾污染程度（）。等采用贝叶斯网络（）方法来分析雾霾污染作用下各种防护措施的效果。等使用 方法来分析雾霾污染过程中城市环境的脆弱性。等 提出了基于弹性定量分析的混合知识方法来评判各类大气污染物对城市雾霾的影响。周业晶等 通过系统动力学分析区域减排措施对 和的影响，指出应当综合评估各地区的
5、排放情况，进行科学配比，以实现治理效果的最大化。覃太 贵等 利用系统动力学对不同的雾霾治理模式进行对比分析认为，应当综合应用专项治理和综合治理的手段防治雾霾，针对急需解决、影响较大的问题采取专项治理的方式，第 卷第期（总第 期）系统工程 ，年月 ，收稿日期：；修订日期：作者简介：张晓彬（），男，安徽天长人，哈尔滨工业大学经济与管理学院博士研究生，研究方向：环境管理，政策评估。通信作者：于渤（），男，哈尔滨工业大学经济与管理学院教授，研究方向：管理工程，环境管理。并以综合治理为基础，充分发挥两种治理方式的优点和作用，从而保证整体效果。尽管相关研究试图建立雾霾风险预测模型，但总体而言，通过构建直观
6、的预测模型来可靠地评估和控制城市雾霾，仍然是当前关于雾霾问题研究的一个短板。特别是，雾霾污染具有典型的跨区域性，但目前的雾霾预测模型大多主要只一个行政区域，很少考虑多个区域雾霾的相互作用和博弈关系。神经网络广泛应用于雾霾污染评估、雾霾影响因素筛选和雾霾治理模式对比研究中，但传统的 神经网络每个神经元的初始权值、阈值都是随机选择的，导致收敛速度慢，网络在优化时不稳定，输出结果波动较大，同时在梯度下降训练修正权值阈值，使得算法易陷入局部最优。为了进一步提高该模型的训练准确度，目前很多学者采用传统的优化算法比如遗传算法（）、粒子群算法（）来优化神经网络，但传统的智能优化算法应用在高维变量时效果显著变
7、差，使得算法容易出现早熟等现象 。而状 态 转 移 算 法（，）由周晓君等，提出，是一种将全局搜索、局部搜索以及启发式搜索集合一体的智能型全局优化算法。与传统智能优化算法相比，状态转移算法不易陷入停滞、可扩展性高。为了提高 神经网络的计算效果，本文基于改进的 算法改进了 神经网络模型，即改进 神经网络。本文选择以北京市为研究对象，通过皮尔森相关性分析，从京津冀跨区域视角对北京城市雾霾的影响因素进行科学筛选，选 择 主 要 影 响 因 素，在 此 基 础 上，基 于 改 进 神经网络构建具有区域联系的雾霾灾害预测模型，模拟不同治理政策下雾霾灾害的发展趋势，从北京、天津、河北三地协同治理的角度研究
8、提出相关政策措施，期望实现对北京城市雾霾污染的长效治理。基于皮尔森相关性检验的城市雾霾影响因素分析雾霾本质上是气溶胶污染。人类活动产生的有害颗粒物在高湿度条件下发生一系列物理和化学反应，加之特殊的气候条件就形成了雾霾。研究表明，城市雾霾污染形成是气象因素、环境因素和经济社会因素共同作用的结果，气象因素复杂且随机，人为不可控，相对来讲某一地区短期内气候条件比较稳定，环境因素相当程度上受制于经济社会因素，基于此，本研究不将降水量、平均气温、风场、地形地貌等气象和环境因素作为研究对象，而主要从经济社会的角度分析北京雾霾的影响因素。雾霾的主要成分雾霾的形成是一个复杂的物理和化学过程。各种途径排放进入大
9、气的、等气体通过均相反应、非均相反应形成 中硝酸盐、硫酸盐等主要组成的过程，伴随空气中污染颗粒浓度增加，空气透光率变差，最终形成雾霾污染。因此，本文主要围绕各类大气污染源对北京 的影响规律，通过改进 神经网络模型比较不同措施的治理效果，从而研究北京城市雾霾的治理路径及政策举措。此外，考虑到对雾霾天气的形成有关的其他大气污染物影响相对较弱，且缺乏连续性统计数据，暂未纳入模型。北京雾霾污染的主要影响因素及其变化趋势与作用过程分析图是 年北京市二氧化硫排放量、粉尘排放量、变化趋势图，从图中可以看出，北京市总体上呈现出不断下降的趋势，从峰值 下降到了，但 年和 年曾出现过反弹。北京市雾霾污染已经得到明
10、显控制，但空气质量离优良等级还有一定差距。下一阶段，北京市雾霾污染的治理目标应在巩固已有效果的基础上，采取更有针对性的措施，进一步降低的浓度。图 年北京市变化趋势工业化进程是导致雾霾产生并且越来越严重的主要原因。由于热能、电力以及工业生产等领域的需求增长，年至 年北京煤炭消耗量迅速增长，对于空气环境造成严重危害。年以后政府开始逐步调整能源结构，减少对煤炭的依赖，改以天然气等清洁能源代替传统的煤炭能源，北京市煤炭消耗量达到历史峰值后开始下降，天然气等清洁能源的消耗量明显增加，年之后，煤炭年消耗量已低于石油年消耗量，燃煤对北京市雾霾天气的影响程度逐渐降低，这对减轻雾霾污染贡献明显。津、冀区域内雾霾
11、污染及其变化趋势空气污染与其他污染相比，一个明显的特点就是流动性强。北京与天津、河北地理位置接近，由于空气的流动作用，京津冀地区内污染物质互相传输、相互影响，在某些特殊季节与外区域空气流通受阻，促进污染物聚集，加剧雾霾污染。图所示为 年天津市二氧化第期 张晓彬，于渤：基于皮尔森相关性分析和 神经网络的北京城市雾霾治理对策硫、粉尘、氮氧化物排放量变化趋势图。从图可以看出，年天津市二氧化硫排放每年都在小幅降低，但程度不明显，年出现大幅度降低，减排效果明显。天津市粉尘排放量 年有一个明显的下降趋势，但 年下降不明显，仅为小幅度波动，甚至在 年还出现了反常的大幅度上升。自 年开始，随着防控力度的加大，
12、天津市的粉尘排放量呈逐年下降趋势，至 年，已经连续年稳步下降，减排效果明显。天津市氮氧化物排放量 年呈逐年升高趋势，年之后得到控制，开始逐年下降。图 年天津市二氧化硫、粉尘、氮氧化物排放量变化趋势图所示为河北省二氧化硫、粉尘、氮氧化物排放量的年际变化趋势图。在 年之前，河北省主要大气污染物如二氧化硫、氮氧化物、粉尘等的排放量呈现出波动变化的趋势，有时甚至出现大幅度的增长，比如粉尘排放量在 年和 年就出现过两次较大幅度的增长，这与北京市大气污染物呈现的逐年下降的趋势是不同的。但在 年之后，随着空气污染物治理力度增大，河北省二氧化硫、氮氧化物和粉尘排放量均呈现出明显的下降趋势。图 年河北省二氧化硫
13、、粉尘、氮氧化物排放量变化趋势北京城市雾霾影响因素的皮尔森相关性检验在以上定性分析的基础上，为更精准地筛选北京城市雾霾污染的主要影响因素，本研究通过皮尔森积矩相关系数来进行相关性分析。在统计学中，皮尔森积矩相关系数（）可用于度量两个变量和之间的相关性（线性相关），其值介于与之间，描述的是两个变量间线性相关强弱的程度，其绝对值越大，表明相关性越强。皮尔森相关系数的计算公式为：?（）?（）（）其中，为皮尔森相关系数，?和为样本平均值和样本标准差。围绕前面的定性分析的指标，本研究利用北京市、天津市、河北省三地 年的相关数据对北京城市雾霾影响因素进行实证分析，采用的数据来自历年北京统计年鉴、天津统计年
14、鉴、河北统计年鉴、中国能源统计年鉴、中国环境统计年鉴等数据 。由于 年之前没有对北京进行常规性监测，浓度数据来自相关学者的研究文献 ，并经过加工整理得到。计算结果如图所示。检验显示，煤炭消耗量、天然气消耗量、汽油消耗量、单位 能耗、北京二氧化硫排放量、工业总产值、城镇人口、施工面积、机动车保有量、绿化覆盖率与北京的皮尔森相关系数绝对值大于，这说明这些影响因素与北京具有极强的相关性。其中，汽油消耗量、单位 能耗、北京二氧化硫排放量、机动车保有量与北京的皮尔森相关系数绝对值最高，为，这说明下一阶段北京城市雾霾治理应着力控制本地二氧化硫的排放，具体路径可包括控制机动车数量、降低单位 能耗和减少汽油消
15、耗量。北京氮氧化物排放量、城镇道路里程、河北二 氧 化 硫 排 放 量 和 天 津 二 氧 化 硫 排 放 量 与 北 京的皮尔森相关系数绝对值为，具有强相关性。年北京源解析结果显示北京市来源中区域传输和本地排放分别占 和 ，皮尔森相关性检验结果与源解析结果相一致，验证了北京雾霾污染的跨区域来源。柴油消耗量和北京粉尘排放量的皮尔森相关系数绝对值为，属于弱相关。柴油主要用于大型车辆和发电机，这与北京目前控制大排量机动车数量、推广清洁能源等政策存在关联。北京 源解析结果显示，元素碳、地壳物质等一次颗粒物占，而铵盐、硝酸盐、硫酸盐等二次颗粒物占 ，同时，由于雾霾污染主要与颗粒直径小于微米的细颗粒物有
16、关，更大尺寸的颗粒物对雾霾影响较小，这都使得粉尘排放量与 的相关性小于二氧化硫和氮氧化物的排放量。系统工程 年图皮尔森相关系数检验结果河北氮氧化物排放量、河北粉尘排放量、天津氮氧化物排放量、天津粉尘排放量与北京 的皮尔森相关系数绝对值均小于，可以认定为无相关性。其中，天津粉尘排放量与北京的皮尔森相关系数绝对值最低，仅为 。这说明河北、天津两地的氮氧化物排放量和粉尘排放量对北京的贡献不大，接下来的神经网络拟合将不考虑这四个因素。基于改进 神经网络的北京城市雾霾治理仿真分析改进 神经网络模型 神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络模型，是目前应用最广泛的神经网络模型之一。神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的“异或”和一些其他问题。从结构上讲，网络具有输入层、隐藏层和输出层。从本质上讲，算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。基本 算法包括旋转、平移、伸缩、轴向变换四种算子，通过交替轮换的方式使得本算法能以一定概率快速地找到最优解。基本 算法的具体模型如下：（）旋转变换（）其中，为旋转因子大于