馬北玲 呂欣 陳星 陳曉紅

摘要 火電行業(yè)作為我國能源消耗和大氣環(huán)境污染物排放的重點行業(yè)，既是承擔(dān)國家減排目標(biāo)責(zé)任的主力軍，也是體現(xiàn)減排成效的突破口。為進一步研究和分析國家大氣污染防治的政策效果，特別是分析促進火電企業(yè)減排的主要因素，本文以2006—2015年湖南省300 MW及以上大型火電企業(yè)燃煤機組發(fā)電過程中煙氣排放的SO2、NOx等連續(xù)監(jiān)測大數(shù)據(jù)為基礎(chǔ)，對主要污染物年、月、日、區(qū)域的變化及差異進行挖掘，并對各排放特征的形成原因和影響因素進行分析。研究結(jié)果總體上反映了大氣污染治理政策體系的整體演進特征和規(guī)制效果，以及火電廠對中央政策的響應(yīng)速度和程度。具體而言，除了政策的影響之外，月度變化特征跟區(qū)域的能源結(jié)構(gòu)、氣候環(huán)境緊密相關(guān);日變化特征跟企業(yè)的社會責(zé)任意識差異及選擇的環(huán)保設(shè)施運行工況有關(guān)。根據(jù)在線排放特征影響因素分析，提出了火電廠大氣排放監(jiān)測大數(shù)據(jù)綠色調(diào)度智能化和環(huán)境信用評價應(yīng)用的建議。研究結(jié)果說明，基于監(jiān)測數(shù)據(jù)的政策影響研究對以計量經(jīng)濟學(xué)模型為主的政策效果評估方法是一個補充。此外，對于政府提高污染治理的精細化管理水平，進一步完善大氣污染治理政策也有重要意義。

關(guān)鍵詞 火電廠;環(huán)境大數(shù)據(jù);數(shù)據(jù)特征;大氣污染治理政策

中圖分類號 X51文獻標(biāo)識碼 A文章編號 1002-2104（2019）07-0073-07DOI：10.12062/cpre.20181105

電力行業(yè)既是能源生產(chǎn)和消費的重點行業(yè)，也是大氣污染防治的重點領(lǐng)域。“十一五”“十二五”期間，隨著經(jīng)濟的快速發(fā)展，電力工業(yè)發(fā)展迅速，發(fā)電量由2006年的28 499億kW·h增加到2015年的57 400億kW·h。其中，火力發(fā)電量由2006年的23 741億kW·h增加到2015年的42 307億kW·h[1-2]。火力發(fā)電過程中排放的SO2、NOx等前體物二次生成的細顆粒物是PM2.5的重要來源[3-5]，給中國環(huán)境帶來了巨大挑戰(zhàn)。不過，隨著新能源發(fā)電穩(wěn)步增長，火電發(fā)電量占比由2006年的83.31%下降為2015年的73.71%，SO2、NOx排放量占全國排放量比重則由2006年的52.15%和55.59%分別下降為2015年的10.8%和9.72%[1-2]，火電企業(yè)污染排放顯著降低。深入分析和研究國家大氣污染防治政策效果及促進火電企業(yè)減排的因素，對國家進一步完善大氣污染治理政策、推動中國經(jīng)濟可持續(xù)高質(zhì)量發(fā)展具有重要意義[6]，也可為其他行業(yè)減排提供經(jīng)驗借鑒。

近年來，以大數(shù)據(jù)為代表的新一代信息技術(shù)在我國電力行業(yè)中廣泛應(yīng)用，電力數(shù)據(jù)自動采集并形成了一定規(guī)模，為采用大數(shù)據(jù)分析方法研究我國火電廠大氣排放特征及其影響因素奠定了基礎(chǔ)、提供了可能。但是，目前國內(nèi)的研究還大多停留在有關(guān)大數(shù)據(jù)的概念探討和應(yīng)用分析[7-10]。雖然國外有不少電力大數(shù)據(jù)的研究，但主要集中于理論模型分析，并著眼于電力預(yù)測和智能電網(wǎng)效率提升等問題[11-16]。因此，就目前而言，將大數(shù)據(jù)分析應(yīng)用于大氣污染治理政策影響方面的實證研究很缺乏。對于大氣污染治理政策的研究，目前學(xué)者已從分析大氣污染治理政策的不足和實施困境[17]、評估大氣污染治理政策的效果[18]、分析大氣污染治理政策執(zhí)行的影響因素[19]、尋找最優(yōu)的大氣污染治理經(jīng)濟政策[20]以及討論大氣污染治理政策的國際經(jīng)驗借鑒[21]等方面展開了討論，但僅有少量學(xué)者對大氣污染治理政策與電力企業(yè)減排關(guān)系進行了研究[22-23]。這些文獻對于我們理解大氣環(huán)境規(guī)制的實施效果提供了重要基礎(chǔ)。但是總體而言，上述研究大多是基于抽樣調(diào)查數(shù)據(jù)或年度統(tǒng)計數(shù)據(jù)，數(shù)據(jù)樣本有限，數(shù)據(jù)量相對較少，并且收集時間間隔長，受到同期干擾因素多，在政策分析的針對性和及時性方面受到頗多限制。本文嘗試使用火電廠大氣排放監(jiān)測分鐘級數(shù)據(jù)，識別火電廠主要大氣污染物排放時空變化特征，探究具有潛在聯(lián)系因素之間的相關(guān)性，擴充政策評價的內(nèi)涵，以更加準確真實地反映國家大氣污染治理政策與火電廠污染減排之間的關(guān)系，為政府提高精細化管理水平，進一步完善大氣污染治理政策提供更具體和針對性的參考。

1 數(shù)據(jù)來源與處理

本研究的數(shù)據(jù)取自2006—2015年湖南省300 MW及以上各燃煤機組發(fā)電過程中煙氣排放連續(xù)監(jiān)測的分鐘級歷史數(shù)據(jù)。根據(jù)原國家環(huán)境保護總局先后發(fā)布的《火電廠煙氣排放連續(xù)監(jiān)測技術(shù)規(guī)范》（HJ/T75-2001）及《國定污染源煙氣排放連續(xù)監(jiān)測技術(shù)規(guī)范》（HJ/T75-2007），湖南省300 MW及以上燃煤機組于2004年底、2007年底分別完成了煙氣在線連續(xù)自動監(jiān)測系統(tǒng)（CEMS）的配套建設(shè)使用和監(jiān)測數(shù)據(jù)的傳輸聯(lián)網(wǎng)?；痣姀S煙氣在線連續(xù)自動監(jiān)測系統(tǒng)（CEMS）由污染物監(jiān)測子系統(tǒng)、煙氣參數(shù)子系統(tǒng)、數(shù)據(jù)采集、傳輸與處理子系統(tǒng)等組成，主要測定煙氣中顆粒物濃度、氣態(tài)污染物濃度及煙氣中溫度、壓力、流速或流量、含濕量、含氧量等煙氣參數(shù)。該監(jiān)測數(shù)據(jù)從“十一五”期間作為環(huán)?？偭繙p排核查、核算依據(jù)逐步應(yīng)用發(fā)展至當(dāng)前環(huán)保排污收費的核定依據(jù)，實現(xiàn)了從定性應(yīng)用到定量應(yīng)用的飛躍，數(shù)據(jù)可靠性高。

煙氣排放連續(xù)監(jiān)測數(shù)據(jù)是客觀評價火電企業(yè)減排成效、實施火電企業(yè)減排管理與決策的基本依據(jù)。為分析國家環(huán)保政策對火電行業(yè)減排的關(guān)聯(lián)效果，本文以2006—2015年湖南省300 MW及以上大型火電企業(yè)燃煤機組發(fā)電過程中煙氣排放連續(xù)監(jiān)測的SO2、NOx的流量分鐘級排放大數(shù)據(jù)約5.6億條為基礎(chǔ)，進行了數(shù)據(jù)處理工作：①以小時、日、月、年為時間單位，統(tǒng)計單臺機組和所有機組氣態(tài)污染物的平均排放濃度、月度排放總量、年度排放總量;②利用所有機組氣態(tài)污染物的年度排放總量統(tǒng)計數(shù)據(jù)及年度發(fā)電總量電網(wǎng)調(diào)度數(shù)據(jù)，統(tǒng)計氣態(tài)污染物的年均排放強度;③分區(qū)域?qū)闻_機組氣態(tài)污染物的排放量、流量進行匯總，計算區(qū)域平均排放濃度。基于上述整理的氣態(tài)污染物排放數(shù)據(jù)，開展統(tǒng)計分析：以時間、空間為分析角度，繪制污染物排放濃度、排放總量、排放強度的時間變化特征圖及不同火電廠的差異特征圖。

2 火電廠大氣污染物排放監(jiān)測大數(shù)據(jù)分析

2.1 火電廠大氣污染物年度排放變化趨勢分析

首先分析火電廠大氣污染物年度排放變化趨勢，排放總量和排放強度年度變化趨勢如圖1。2006—2015年，在裝機容量和年發(fā)電總量不斷增加的前提下，湖南省火電機組SO2和NOx年排放總量和排放強度均大幅下降，但兩者的下降幅度和下降趨勢存在較大的差異：SO2下降幅度較大，呈整體下降及先快后慢的時段性變化趨勢;NOx下降幅度相對較小，呈先上升、后下降的時段性變化趨勢。

SO2年排放總量和排放強度從2005年的19.99萬t和7.23 g/kW·h分別下降至2015年的2.39萬t和0.42 g/kW·h，降幅88.04%和94.19%。其中，2006—2009年，排放總量從2005年的19.99萬t大幅銳減至2009年的5.35萬t，平均每年下降3.66萬t，排放強度也從2005年的7.23 g/kW·h大幅銳減至2009年的0.97 g/kW·h，平均每年下降1.57 g/kW·h;2010—2015年，排放總量從2009年的5.35萬t平緩下降至2015年的2.39萬t，平均每年下降0.49萬t，排放強度也從2009年的0.97 g/kW·h平緩下降至2015年的0.42 g/kW·h，平均每年下降0.09 g/kW·h。

NOx年排放總量和排放強度從2005年的8.66萬t和2.9 g/kW·h分別下降至2015年的2.9萬t和0.51 g/kW·h，降幅66.51%和82.41%。其中，2006—2011年，排放總量從2005年的8.66萬t先上升到2011年20.41萬t，平均每年上升1.96萬t，排放強度從2005年到2011年基本維持不變，基本維持在2.77 g/kW·h左右;2012—2015年，排放總量從2011年的20.41萬t大幅銳減到2015年2.9萬t，平均每年下降4.38萬t，排放強度從2011—2013年緩慢下降，平均每年下降0.29 g/kW·h，從2014年初到2015年末快速下降，平均每年下降0.73 g/kW·h。

2.2 火電廠污染物月度排放總量變化趨勢分析

本文分析了火電廠大氣污染物每年的月度排放變化趨勢，按年度繪制月度排放量變化趨勢圖，發(fā)現(xiàn)每年SO2、NOx的月度排放量變化趨勢均大致呈“W”型，選取2015 年圖形（如圖2）舉例說明：1月、8月、12月的月度排放量為“W”的三個高點，6月和9月的月度排放量為“W”的二個低點。其中SO2的三個高點數(shù)值分別為：3 002.57 t、2 457.05 t、2 082.64 t;二個低點數(shù)值分別為：1 680.74 t、1 613.36 t。NOx的三個高點數(shù)值分別為：3 086.4 t、2 704.13 t、2 243.27 t;二個低點數(shù)值分別為：1 902.04 t、1 758.38 t。

2.3 不同火電廠日排放濃度特征分析

本文分析了火電廠大氣污染物的日排放濃度變化趨勢，繪制了不同電廠機組日排放濃度變化趨勢圖，并選用GB13223-2011執(zhí)行年份的2014年度日均濃度變化趨勢圖分析，發(fā)現(xiàn)以下特征：①所有電廠機組日平均排放濃度存在明顯的時間節(jié)點差異;②不同排放濃度區(qū)間的機組臺數(shù)存在明顯數(shù)量差異;③不同電廠日平均排放濃度呈現(xiàn)三種排放模式：經(jīng)濟模式、環(huán)保模式、中間模式?；赟O2和NOx日排放濃度變化具有一致性的特點，以SO2典型排放代表機組日均濃度變化情況（如圖3）予以分析說明，A、B、C為典型代表機組SO2排放濃度日平均線。

2014年，所有電廠機組SO2日平均排放濃度于7月1日存在明顯的時間節(jié)點差異變化，圖3中A、B、C典型代表機組的SO2日平均排放濃度上半年分別為300.4 mg/m3、238.3 mg/m3、129.1 mg/m3，下半年分別為150.3 mg/m3、127.5 mg/m3、99.4 mg/m3。

2014年，不同電廠機組SO2日平均排放濃度存在明顯差異，為有效分析排放差異的原因，將實際排放濃度與環(huán)保排放限值比值的區(qū)間對應(yīng)的排放模式予以分類：經(jīng)濟排放模式（75%～100%）、中間排放模式（50%～75%）、環(huán)保排放模式（<50%）。統(tǒng)計不同電廠機組日排放濃度變化趨勢圖發(fā)現(xiàn)：39臺發(fā)電機組中15臺為經(jīng)濟排放模式、21臺為中間排放模式、3臺為環(huán)保排放模式。大部分電廠機組選擇了經(jīng)濟排放模式與中間排放模式，極少數(shù)電廠機組選擇了環(huán)保排放模式。

2.4 不同區(qū)域火電廠大氣污染物排放濃度特征分析

本文分析了單個區(qū)域內(nèi)所有火電企業(yè)燃煤機組大氣污染物的年平均排放濃度。這些火電機組主要分布在湖南省14個地市州的10個行政區(qū)域內(nèi)，覆蓋率為71.43%，在地域分布上具有較好的代表性。統(tǒng)計分析顯示，長沙與湖南其他區(qū)域的機組年排放濃度存在顯著差異。2015年長沙SO2年平均排放濃度為16.28 mg/m3，而其他區(qū)域為80.27～143.62 mg/m3，年平均排放濃度為111.73 mg/m3。其他區(qū)域SO2年平均排放濃度約為長沙區(qū)域的7倍，存在顯著差異。

3 火電廠大氣排放監(jiān)測數(shù)據(jù)分析結(jié)果探析

3.1 環(huán)保政策對年度排放變化趨勢的影響

自2006年《十一五減排規(guī)劃綱要》首次將節(jié)能減排目標(biāo)列為約束性指標(biāo)開始，至2015年國家先后從減排目標(biāo)、環(huán)保標(biāo)準、實施措施、激勵機制和監(jiān)管要求等方面對火電企業(yè)減排出臺了9項環(huán)保政策（見圖4）。湖南火電企業(yè)充分響應(yīng)和積極應(yīng)對，加大脫硫、脫硝減排設(shè)施改造投入，加強環(huán)保設(shè)施運行管理，同時完善減排監(jiān)測和基礎(chǔ)管理。2015年底，SO2在2005年排放總量基數(shù)上減少了88%，NOx在2010排放總量的基數(shù)上減少了83.5%，下降幅度遠高于國家17.2%及10%的要求（見圖1），為全國及湖南省全面完成“十一五”“十二五”主要大氣污染物減排目標(biāo)作出了重大貢獻。同時，依據(jù)SO2、NOx年排放強度和排放量的時段性變化趨勢與國家減排政策出臺時間的對應(yīng)關(guān)系，可從微觀角度體現(xiàn)國家大氣污染治理政策對“十一五”“十二五”期間減排成效引導(dǎo)和促進作用。

具體來看，根據(jù)《十一五減排規(guī)劃綱要》，從2006年起，湖南省火電機組開始全面實施增裝石灰石——石膏濕法煙氣脫硫裝置改造，至2009年底，煙氣脫硫機組容量占比從2005年底的5.9%上升到100%，見圖1。脫硫裝機容量占比變化趨勢與圖中SO2排放總量和強度快速下降變化趨勢及2009年為下降拐點相吻合。2009—2015年期間，在無新增脫硫改造項目的基礎(chǔ)上，SO2排放總量、排放強度依然呈緩慢下降趨勢，排放總量平均每年下降幅度為9.2%，排放強度平均每年下降幅度為9.5%，主要得益于2011年7月發(fā)布的《火電廠大氣污染物排放標(biāo)準》和“十二五”期間一系列的環(huán)保電價政策和監(jiān)管辦法等對火電企業(yè)減排效果的促進作用。

從圖1中可以看出，2005—2011年，與SO2大幅銳減的趨勢相反，NOx年排放總量呈逐年上升趨勢，但是排放強度基本沒變，主要原因是2011年3月，國家才出臺NOx減排政策，要求氮氧化物排放總量在2010年基礎(chǔ)上減少10%。從2011年起，湖南省火電機組開始全面實施增裝SCR脫硝裝置改造，至2014年底，煙氣脫硝機組容量占比從2010年底的17.8%上升到100%，見圖1。脫硝裝機容量占比變化趨勢與NOx排放總量和強度快速下降變化趨勢相吻合。

3.2 清潔能源發(fā)電優(yōu)先上網(wǎng)政策和氣溫對月度排放變化趨勢的影響

由于火電月度排放量變化趨勢是由火電月度發(fā)電量變化造成的，而火電月度發(fā)電量的變化是基于湖南電力能源結(jié)構(gòu)并受氣溫和清潔能源供電量的變化共同影響導(dǎo)致的，因而需要從這兩方面去分析其對月度排放變化趨勢的影響。湖南電力能源結(jié)構(gòu)主要包括火電、水電、風(fēng)電、太陽能發(fā)電、生物質(zhì)等新能源，截至2015年，火電占比56.23%，水電占比39.44%，新能源占比4.33%。湖南清潔能源主要包括水電、風(fēng)電、太陽能發(fā)電、生物質(zhì)發(fā)電等，2015年清潔能源供電量占全省總用電量的43.36%，其中水電占比為95.76%。在各類發(fā)電上網(wǎng)方面，湖南省長期以來均執(zhí)行清潔能源優(yōu)先上網(wǎng)原則，而2009年12月頒布的《可再生能源法》更是從政策上強化了該原則要求。因此在分析清潔能源發(fā)電優(yōu)先上網(wǎng)政策對火電月度排放變化的影響時，主要以水電作為代表進行分析。

為分析SO2、NOx的月度排放數(shù)據(jù)分別與月均氣溫和降雨量的相關(guān)關(guān)系，我們用一元多項式對相關(guān)數(shù)據(jù)進行回歸分析，但由于樣本量較小，還需要結(jié)合相關(guān)系數(shù)的大小判斷。通過分析發(fā)現(xiàn)，SO2、NOx與氣溫的相關(guān)系數(shù)分別為0.670 8和0.629 3，顯著性分別為0.092和0.133，兩者呈現(xiàn)明顯的U型相關(guān);SO2、NOx與降雨量的相關(guān)系數(shù)分別為-0.57和-0.559，顯著性分別為0.067和0.074，兩者呈現(xiàn)明顯的負相關(guān)。這兩種相關(guān)性可以解釋為，氣溫影響社會用電需求量，氣溫越高或越低，用電量越大，污染排放越高，因而氣溫與火電廠月度污染排放U型相關(guān);而在給定用電需求量的情況下，降雨量越大則水電發(fā)電量越大。由于清潔能源發(fā)電有優(yōu)先上網(wǎng)的優(yōu)惠政策，增加的水電替代部分火電，使火電發(fā)電量相應(yīng)降低，因而降雨量與火電廠月度污染排放負相關(guān)。

回歸分析結(jié)果和湖南省氣溫、降雨量與火電月度排放量的變化情況基本相符。湖南的用電需求受氣溫影響較大。在極冷和極熱的天氣，發(fā)電量大幅上升，圖2展示了

2015年湖南省月均氣溫的變化情況。月均氣溫大體呈倒“U”型分布，冬寒冷而夏酷熱，其中12月平均氣溫達到最低為7.7℃，其次是1月8.2℃，8月平均氣溫達到最高為27.3℃。這和SO2、NOx月排放總量變化趨勢中的極值點1月、8月、12月相吻合。湖南降水資源豐富，年降雨量大，但受季節(jié)因素影響，月度降雨量極不均勻。2015年湖南省月均最小降雨量為1月的27.4 mm，月均最大降雨量為6月的257.7 mm，月度降雨量的分布變化如圖2所示。這和SO2、NOx月排放總量W型變化趨勢是基本相反的。

3.3 激勵政策對不同火電廠日均排放差異的影響

為促進火電行業(yè)主要大氣污染物的減排，國家推行實施的激勵政策主要為環(huán)保電價補貼和排污費差別收費。其中環(huán)保電價補貼政策具有一定的激勵性和約束性：①開始于2007年5月的燃煤機組脫硫電價，完善于2013年9月全面執(zhí)行的脫硫、脫硝、除塵環(huán)保電價;②單位電量的脫硫、脫硝、除塵環(huán)保電價補貼標(biāo)準為2.7分/kW·h;③火電企業(yè)環(huán)境義務(wù)中的主要大氣污染物排放濃度值執(zhí)行標(biāo)準由《火電廠大氣污染物排放標(biāo)準》（GB13223-2003）升級至《火電廠大氣污染物排放標(biāo)準》（GB13223-2011）。對比2.3節(jié)中所發(fā)現(xiàn)的“所有電廠日平均排放濃度存在明顯的時間節(jié)點差異”，火電廠日排放濃度在新排放標(biāo)準政策實施后呈現(xiàn)明顯大幅度下降（如圖3），表明環(huán)保電價補貼政策對火電企業(yè)污染物日均排放濃度達標(biāo)排放的激勵效果。

排污費差別收費政策具有鼓勵性而非強制性：①2014年9月，國家發(fā)展改革委、財政部、環(huán)保部印發(fā)了《關(guān)于調(diào)整排污費征收標(biāo)準等有關(guān)問題的通知》（發(fā)改價格[2014]2008號）;②企業(yè)污染物排放濃度值低于國家或地方規(guī)定的污染物排放限值50%以上的，減半征收排污費，折算到單位電量的排污費減收額度為0.06分/kW·h;③火電企業(yè)環(huán)境義務(wù)中的主要大氣污染物排放濃度執(zhí)行標(biāo)準仍為《火電廠大氣污染物排放標(biāo)準》（GB13223-2011），不強制要求企業(yè)污染物排放濃度值低于《火電廠大氣污染物排放標(biāo)準》（GB13223-2011）規(guī)定的污染物排放限值50%以上。根據(jù)2.3節(jié)對火電廠日排放濃度變化的大數(shù)據(jù)分析，我們發(fā)現(xiàn)不同電廠日平均排放濃度同時呈現(xiàn)三種排放模式：經(jīng)濟模式、環(huán)保模式、中間模式，說明現(xiàn)有排污費差別收費政策取得了一定的減排效果。但大部分電廠排放模式屬于中間模式，環(huán)保模式比例較低，意味著在國家污染物排放限值內(nèi)存在彈性時，企業(yè)傾向于選擇剛好符合國家標(biāo)準;若要促進企業(yè)自愿采取環(huán)保模式，應(yīng)從企業(yè)社會責(zé)任意識、行為及結(jié)果等方面進一步完善相關(guān)激勵政策。

3.4 大氣污染物特別排放限值政策對區(qū)域排放差異的影響

2011年7月，《火電廠大氣污染物排放標(biāo)準》（GB13223-2011）規(guī)定了重點區(qū)域的大氣污染物特別排放限值，2013年2月，環(huán)保部印發(fā)了《關(guān)于執(zhí)行大氣污染物特別排放限值的公告》（公告2013年第14號），公告明確湖南長沙市為“三區(qū)十群”47個重點控制區(qū)域之一，2014年7月開始執(zhí)行特別排放限值標(biāo)準。而其他區(qū)域電廠火電機組SO2執(zhí)行《火電廠大氣污染物排放標(biāo)準》（GB13223-2011）排放限值標(biāo)準要求的200 mg/m3。根據(jù)大氣污染物特別排放限值要求和國家發(fā)改委、環(huán)保部和國家能源局于2014年9月聯(lián)合印發(fā)的《煤電節(jié)能減排升級與改造行動計劃（2014—2020年）》（發(fā)改能源[2014]2093號），長沙區(qū)域火電機組提前實施完成了超低排放改造工程，因此長沙區(qū)域與其他區(qū)域火電企業(yè)燃煤機組SO2年排放濃度存在顯著差異。

4 結(jié)論及政策建議

本文通過分析火電廠大氣污染物排放在線監(jiān)測數(shù)據(jù)，對主要污染物年、月、日、區(qū)域的變化及差異進行挖掘，以了解火電廠大氣污染物排放特征及政策的影響。研究發(fā)現(xiàn)：①火電廠SO2、NOx年排放強度和排放量隨國家減排政策相繼出臺呈階段狀下降;②SO2、NOx月度排放量變化趨勢大體呈“W”型;③所有電廠日平均排放濃度存在明顯的時間節(jié)點差異，不同電廠日平均排放濃度呈現(xiàn)三種排放模式：經(jīng)濟模式、環(huán)保模式、中間模式;④重點區(qū)域火電廠SO2、NOx平均排放濃度顯著低于周邊區(qū)域?？傮w上，反映了大氣污染治理政策體系的整體演進特征和規(guī)制效果，以及火電廠對中央政策的響應(yīng)速度和程度。具體而言，除了政策的影響之外，月度變化特征還跟區(qū)域的能源結(jié)構(gòu)、氣候環(huán)境緊密相關(guān);日變化特征跟企業(yè)的社會責(zé)任意識差異和選擇的環(huán)保設(shè)施運行工況也有關(guān)。

根據(jù)火電廠大氣污染物排放監(jiān)測數(shù)據(jù)變化特征及影響因素，對相關(guān)部門提出以下建議：第一，綠色智能調(diào)度應(yīng)用。根據(jù)湖南火電廠大氣污染物月排放總量W型變化的影響因素，建議開發(fā)電力大數(shù)據(jù)綠色調(diào)度智能化功能，充分考慮區(qū)域內(nèi)能源結(jié)構(gòu)、氣溫、降雨量等地域特征因素對用電需求和發(fā)電結(jié)構(gòu)的影響，采集相關(guān)影響因素的數(shù)據(jù)信息，利用大數(shù)據(jù)技術(shù)獲取其精準預(yù)測的綠色調(diào)度方式，實現(xiàn)綠色人工調(diào)度向綠色智能型調(diào)度轉(zhuǎn)變。第二，環(huán)境信用評價應(yīng)用。根據(jù)不同電廠日均排放濃度的三種模式及原因分析，建議根據(jù)企業(yè)機組運行的日排放濃度與環(huán)保排放限值的比值對應(yīng)的三種模式，開發(fā)數(shù)據(jù)統(tǒng)計及企業(yè)環(huán)保排放模式識別判斷功能，并應(yīng)用于火電廠環(huán)保信用等級評價體系及激勵機制完善。一方面，完善火電廠環(huán)保信用等級評級體系，將數(shù)據(jù)統(tǒng)計和識別結(jié)果納入火電廠環(huán)保信用等級評級依據(jù)，達到環(huán)保排放模式的才能評為綠色企業(yè);另一方面，健全環(huán)保信用激勵機制，基于大氣污染排放監(jiān)測數(shù)據(jù)分析結(jié)果，對不同排放模式企業(yè)的計劃電量實施差異化分配，鼓勵企業(yè)向環(huán)保排放模式轉(zhuǎn)變。

本研究基于監(jiān)測數(shù)據(jù)的政策影響研究，能最直接地從火電廠大氣排放數(shù)據(jù)中發(fā)現(xiàn)問題，可以更真實、客觀地反映火電廠的排放特征及政策的影響，對以計量經(jīng)濟學(xué)模型為主的政策效果評估方法是一個補充。本研究對火電廠大氣排放特征進行了多視角、直觀的呈現(xiàn)，為未來的政策評估提供了新的思路。但是受到數(shù)據(jù)采集的約束，此次研究只探討了湖南火電廠大氣排放特征，對其他省份的排放特點未做分析，今后的研究會增強研究的完整性。一方面，未來將采用實證策略（如PSM-DID）和大數(shù)據(jù)相結(jié)合的方法定量識別國家大氣污染治理政策對火電企業(yè)減排的影響，從而識別政策的因果效應(yīng);另一方面，將排放大數(shù)據(jù)和經(jīng)濟數(shù)據(jù)合并進一步分析政策的經(jīng)濟績效和環(huán)境績效，進而檢驗我國環(huán)境規(guī)制是否存在雙重紅利，也是未來研究的重要方向。

（編輯：劉照勝）

參考文獻

[1]中國電力企業(yè)聯(lián)合會. 中國電力行業(yè)年度發(fā)展報告2007[R]. 2007.

[2]中國電力企業(yè)聯(lián)合會. 中國電力行業(yè)年度發(fā)展報告2016[R]. 2016.

[3]莫華， 朱法華， 王圣. 火電行業(yè)大氣污染物排放對PM2.5的貢獻及減排對策[J]. 中國電力， 2013（8）： 1-6.

[4]CHEN X H， TANG X B. Spatial and temporal distribution of PM2.5 pollution and control strategy in Chang-Zhu-Tan city cluster[J]. Frontiers of engineering management， 2016（2）： 171-181.

[5]TANG X B， CHEN X H， TIAN Y. Chemical composition and source apportionment of PM2.5 ：a case study from one year continuous sampling in the Chang-Zhu-Tan urban agglomeration[J]. Atmospheric pollution research， 2017， 8（5）： 885-899.

[6]陳詩一， 陳登科. 霧霾污染、政府治理與經(jīng)濟高質(zhì)量發(fā)展[J]. 經(jīng)濟研究， 2018， 53（2）： 20-34.

[7]鄧傳華. 電力大數(shù)據(jù)的應(yīng)用前景與面臨的挑戰(zhàn)研究[J]. 河北省科學(xué)院學(xué)報， 2015（3）： 66-69.

[8]吳凱峰， 劉萬濤， 李彥虎， 等. 基于云計算的電力大數(shù)據(jù)分析技術(shù)與應(yīng)用[J].中國電力， 2015， 48（2）： 111-117.

[9]揭駿仁. 智慧電廠的物聯(lián)網(wǎng)環(huán)境監(jiān)測平臺[D]. 北京： 北京交通大學(xué)， 2013.

[10]崔立真， 史玉良， 劉磊， 等. 面向智能電網(wǎng)的電力大數(shù)據(jù)存儲與分析應(yīng)用[J].大數(shù)據(jù)， 2017， 3（6）： 42-54.

[11]ANEIROS G， VILAR J， RAA P. Short-term forecast of daily curves of electricity demand and price[J]. International journal of electrical power and energy systems， 2016， 80： 96-108.

[12]ORTIZ M， UKAR O， AZEVEDO F， et al. Price forecasting and validation in the Spanish electricity market using forecasts as input data[J]. International journal of electrical power and energy system， 2016， 77： 123-127.

[13]ZHOU K L， YANG S L. Understanding household energy consumption behavior： the contribution of energy big data analytics[J]. Renewable and sustainable energy reviews， 2016， 56： 810-819.

[14]DIAMANTOULAKIS P D， KAPINAS V M， KARAGIANNIDIS G K. Big data analytics for dynamic energy management in smart grids[J]. Big data research， 2015， 2（3）： 94-101.

[15]ZHOU K L， FU C， YANG S L. Big data driven smart energy management： from big data to big insights[J]. Renewable and sustainable energy reviews， 2016， 56： 215-225.

[16]HE X， AI Q， QIU R C， et al. A big data architecture design for smart grids based on random matrix theory[J]. IEEE transactions on smart grid， 2017， 8（2）： 674-686.

[17]姜玲，葉選挺，張偉. 差異與協(xié)同：京津冀及周邊地區(qū)大氣污染治理政策量化研究[J]. 中國行政管理， 2017（8）： 126-132.

[18]ZHANG Z G， JIN X C， YANG Q X， et al. An empirical study on the institutional factors of energy conservation and emissions reduction： evidence from listed companies in China[J]. Energy policy， 2013，57： 36-42.

[19]孟凡蓉，王煥，陳子韜. 基于扎根理論的大氣治理政策執(zhí)行影響因素及機制研究[J]. 軟科學(xué)， 2017， 31（6）： 34-37.

[20]邵帥，李欣，曹建華， 等. 中國霧霾污染治理的經(jīng)濟政策選擇——基于空間溢出效應(yīng)的視角[J]. 經(jīng)濟研究， 2016， 51（9）： 73-88.

[21]魏巍賢，王月紅. 跨界大氣污染治理體系和政策措施——歐洲經(jīng)驗及對中國的啟示[J]. 中國人口·資源與環(huán)境， 2017， 27（9）： 6-14.

[22]卓子涵， 李萬新， 白重恩. 火電企業(yè)SO2排放的地區(qū)差異性分析[J]. 中國人口·資源與環(huán)境， 2013， 23（11）： 96-100.

[23]ZHOU K， YANG S L， SHEN C， et al. Energy conservation and emission reduction of Chinas electric power industry[J]. Renewable and sustainable energy reviews， 2015， 45： 10-19.

Abstract The thermal power industry is a major contributor to Chinas energy consumption and emission of atmospheric environmental pollutants. It is not only the main force shouldering the national objective of emission reduction， but also the breakthrough point of the emission reduction effect. As a further study and analysis on the effects of national atmospheric pollution prevention and control policies， especially the factors that promote the emission reduction of thermal power enterprises， based on the continuous monitoring of SO2 and NOx emissions from coal-fired units in the power generation process of large thermal power enterprises of 300 MW and above in Hunan Province from 2006 to 2015， this paper conducts an in-depth analysis of the annual， monthly， daily and regional changes and differences of major pollutants as well as the formation causes and influencing factors of each emission characteristic， which generally reflects the overall evolution characteristics and regulatory effects of the air pollution control policy system as well as the speed and extent of thermal power plants response to central policies. Specifically， in addition to the impact of policies， the characteristics of monthly changes are closely related to the regional energy structure and climate environment; the characteristics of daily changes are related to the differences in corporate social responsibility awareness and the operating conditions of environmental protection facilities selected by the enterprises. Based on the above analysis on the factors that affect the online emission characteristics， suggestions for the application of intelligent green dispatching of atmospheric emission monitoring big data and environmental credit evaluation of thermal power plants are proposed. The research results indicate that the policy impact research based on monitoring data is a great supplement to the policy effect evaluation method with a focus on the econometric model. In addition， it is of great significance for the government to improve the level of detailed management of pollution control and further improve the air pollution control policies.

Key words thermal power plant; environmental big data; data characteristics; air pollution control policy