5月15日，环保部、中国科学院和中国工程院召开全国重点地区城市大气污染物来源研究工作领导小组第一次会议，对全国重点地区城市大气污染物来源研究工作进行部署安排。中国环境报以及21世纪经济报道都对这次会议进行了及时报道。其中21世纪经济报道记者王尔德在其撰写的报道中这样开场：“困扰人们已久的关于重点地区和城市的雾霾源解析，即将有权威的说法”，并着重指出“此次会议审议通过了《全国重点地区城市大气污染物来源研究联合工作方案》和《领导小组及工作小组成员名单》，并要求年底前，完成京津冀、长三角、珠三角等地区和重点城市大气颗粒物来源解析成果的联合论证”。两篇报道都提到，这次会议要求“三部门要加强对快速成霾机制等大气污染物来源领域前沿科学问题的研究，为源解析模式应用、二次污染物来源解析、区域污染物传输影响分析、重污染过程污染物精细源解析等工作提供技术支持”。
普通公众读到这样的报道，欢欣鼓舞在所难免。然而，身为专业科技工作者，晴川矮马深味其中隐忧。
为什么？请允许我细细道来。
首先，名词解释，什么叫“源解析”。在大气环境科学领域，源解析的英文是source apportionment，直译过来是源分担的意思。从源解析英文的意思，不难理解，所谓源解析就是通过科学手段解析出某种污染物，比如PM2.5的实测浓度，是具体由那些种类的源排放分担贡献的，并且每种源贡献的比例是多少。从字面上来看，源解析正好是我国当前治理灰霾急需的科学手段。
然而，实际情况并非完全如此。也就是说如果用英语的习惯回答源解析是否是我国当前治理灰霾急需的科学手段这个问题，完整的回答是Yes并且No。
什么原因？原因在于源解析结果的不确定性，即不同的研究往往给出显著不同的结论。而这个“不确定性”引发的实际问题正是这次会议的出发点。正如21世纪经济报道引用的中国环境科学研究院柴发合研究员的分析所指出的：“之所以要建立三部门之间的联合论证机制，是为了确保城市雾霾（PM2.5）源解析的成果更加准确，更加科学，避免出现不同科研机构之间研究结果差异较大，引起社会的误解”。这里所指的社会误解大家都很清楚，专指由去年年底中科院的一项有关PM2.5源解析的文章引发的争议。去年年底，中科院大气物理所研究员张仁健课题组在国际知名期刊发表的科学论文，通过对北京地区PM2.5化学组成在不同季节的的长期测量，并利用这些组分测量数据通过受体模型进行了PM2.5浓度的源解析，从而辨识出北京实测PM2.5浓度的6个重要来源，而其中汽车尾气的贡献所占比例不到4%。然而，早在2012年1月，北京市政府就曾公开表示，北京市PM2.5的浓度，大概22%以上是机动车源排放造成的，是分担率最高的本地污染源。如此显著的机动车源分担率差异不在社会上引起争议是不可能的。但是晴川矮马要告诉大家的是，这个分担率差异在学术上是没有争议的，不然国际知名期刊不会发表张博士的论文，北京市政府也没有可能公开宣布那个数据。
那么为什么会出现不同的研究对同一种污染源得出如此不同的源分担贡献率呢？
要回答这个问题，还是让我们首先来看一看，到底国际上通行的源解析手段都有哪些？不同的手段都有什么样的缺陷？
大气环境科学领域的科学家用来进行PM2.5源解析的科学手段，不外乎两种：受体模型法（receptor models)和源驱动模型法(source-oriented models)。
简单来说，受体模型法，就是在受体点位，即监测点位测量PM2.5浓度，以及PM2.5的详尽的组分浓度，即PM2.5中各无机离子（包括硫酸离子、硝酸离子、铵离子等）、有机成分（黑炭和有机碳），以及金属和非金属元素的浓度。然后根据事先测量或获取的当地各主要源排放种类分别排放出的PM2.5的组分构成比例（称之为PM2.5源排放廓线），建立一组以当地各主要PM2.5源排放对测量到的PM2.5浓度贡献比例为未知数的质量守恒方程组。如果我们以黑炭为例，它的质量守恒方程式为：PM2.5中黑炭的测量浓度=对每种源的PM2.5浓度贡献比例乘上该种源排放出的PM2.5中黑炭的比例求和。对应每一个测量到的PM2.5浓度组分，都有这样一个方程式，有多少测量组分浓度，就有多少方程式。同时，有多少种已知PM2.5源排放廓线的源，就有多少个未知源贡献比例需要求解。如果求解的源种类多于测量组分，也就是说未知变量数多于方程式的数量，我们无法得到令人信服的解，因为可以有很多组解同时满足这一方程组。科学家通常通过尽量测量更多的PM2.5浓度组分，以便使未知变量数少于方程式的数量。这样我们可以利用数学里的优化算法，加上各种测量误差作为限制参数，得到一组未知的源贡献比例最优解，使得每一个方程式的右边和左边的差值都尽量的小。说白了，就是通过这个解法得到的PM2.5浓度贡献比例的解，其实只是一个纯粹的数学解（或猜测），没有任何的物理或者化学理论作为支撑，只有各种测量浓度数值和源排放廓线比例数值，以及各种测量误差数值，作为方程式的变量参数或者限制参数。这里我们已经提到了受体模型的第一个缺陷，那就是不考虑污染物排放进入大气后的物理的或者化学的变化。但是我们知道，实际上PM2.5有高达至少一半以上的成分是污染物排放经过二次转化生成的，为了弥补这个缺陷，受体模型把二次来源单独列为“源”，也就是把不同源的二次贡献都集中到一起，不做区分（也没法区分）。这就是为什么张仁健研究员的研究结果说汽车尾气的贡献所占比例不到4%，那个结果指的是汽车尾气直接排放出的PM2.5即一次PM2.5的贡献比例，并不包括汽车尾气排放的气体部分比如氮氧化物和碳氢化合物以及二氧化硫和氨气等发生化学反应生成的二次PM2.5的贡献。北京市政府的数据高，是因为包括了机动车的二次贡献。
受体模型法还有很多别的缺陷，其中一个是如果有两种源排放，它们的源排放廓线相似，那么受体模型法是无法区分这两种源的贡献比例的。另外，受体模型法能够解析出的源种类也是受限的，一般最多能覆盖PM2.5排放总量的80%左右。受体模型法最大的一个问题是，没有独立的数据可以验证其结果的可靠性。这首先是是源于源解析问题本身并没有答案，因为目前人类还没有办法（在可预见的将来也不会有可行的办法）实际测量某个地点实测PM2.5的浓度的各种源贡献比例，也就是说没有人能够知道PM2.5源解析的真实答案。而其次就是受体模型法（必须）把所有实测的数据都放到方程组里用于求解，不能留下独立的实测数据用作哪怕是间接的结果验证。
而源驱动模型法，顾名思义就是以详尽的源排放清单为基础的模式方法。源驱动模型法实施起来要比受体模型法复杂得多。源驱动模型法里面用得最多的一种方法其实就是利用空气质量模式，通过标记法或者敏感性系数法等方法，来估算不同的源排放对空间格点的PM2.5浓度的贡献比例。源驱动模型法使用详尽的空气污染物排放清单，通过解一系列的数值方程组，得到源解析结果，它既考虑了源排放速率，也考虑了空气污染物被排放到空气里以后在大气中迁移、转化、清除、沉降的所有物理和化学过程。也就是说，源驱动模型法解析得到的源贡献比例是既包括一次也包括二次贡献的，北京市政府的机动车贡献数据就是来源于源驱动模型法。另外，源驱动模型法还穷尽考虑了所有源排放种类，包括了所有气象条件对空气污染物时空分布的影响。源驱动模型法的缺点是其准确性严重依赖空气污染物清单的准确程度，而源清单的不确定性很高。另外，模拟的气象参数，以及其他物理的和化学的机理和参数，目前很多也都存在较高的不确定性。这些不确定性，再加上方法实施起来耗费大量人力和计算机资源，造成了源驱动模型法的应用相较受体模型法来说受限很多。但是源驱动模型法有一个很大的优势，那就是，验证其模拟的污染物浓度使用的测量数据是独立于方法本身的，即使这种独立检验并不直接验证源贡献比例的准确性。
由以上对国际通行的源解析方法的简单介绍，我们不难得知，不同的研究如果使用不同的方法，很可能会得到显著不同的源解析结果。另外由于所有这些方法都不是完美的，加上源解析又并没有一个真实的答案，因此要确知一个源解析结果的准确程度是很难的。这也就是为什么西方发达国家在过去几十年的空气污染控制规划实践中并不依赖任何源解析手段作为规划工具（即量化工具），而是顶多将可靠的源解析结果作为政策制定时的定性依据或补充依据。源解析手段不能成为规划工具的另外一个更为本质的原因与大气化学反应系统的高度非线性有关。所谓大气化学反应的非线性是指，某种源的空气污染物的排放量并不和它对PM2.5的浓度贡献成线性比例关系，而是非线性的关系，即其最后排放的那30%的源可能贡献了它对PM2.5浓度总贡献的50%以上。也就是说知道了某个源的整体总贡献比例，我们并不能由此知道，削减这个源排放总量的头30%会导致PM2.5浓度下降多大比例。我们清楚地知道在现实生活中是没有可能削减某种源排放直接到零的。
那么西方发达国家在实践中使用什么手段来指导政策决策、进行空气污染物控制规划呢？答案是空气质量模式，而这也是为什么空气质量模式也被叫做法规模式的原因。例如美国联邦环保局关于空气污染治理这一块的操作整个都是围绕法规模式来进行的。值得注意的是这一工作的领导者往往是律师出身。从它的具体操作步骤来说，首先是建立全国性的空气质量监测网络，这是为了评估空气质量好坏，同时也是为法规模式提供验证数据。其次是建立全国性的污染物排放源清单，这是为了弄清污染源以及控制排放有依据，也是为了法规模式提供源排放输入。最后在充分验证的基础上，法规模式被广泛用于都市地区、各州或者多州联合的区域进行空气污染控制规划设计。而使用法规模式的具体方法叫做相对响应因子法（RRF, relative response factor)。由于空气质量模式并不能总是精准地再现历史污染事件，对于污染物浓度的模拟总存在一定程度的误差，因此RRF被灵活地应用起来以避免模拟误差对规划设计的不利影响。具体举个例子，大家会更容易明白些。比如某地的实测PM2.5浓度是200微克每立方米，模式模拟这个历史事件得到的模拟浓度为150微克每立方米，这里模式模拟的相对误差为-25%。这并不是一个很差的模拟结果，但是绝对误差仍然高达50微克每立方米。那么规划部门怎样利用模式进行源排放控制效果的研究呢？比如规划部门想知道削减机动车源排放的30%会造成PM2.5浓度下降多少，该怎么办？规划部门会使用机动车源排放削减了30%的源排放清单作为输入，再次利用法规模式模拟同样的天气条件下某地的PM2.5浓度下降到多少。比如，结果是降到120微克每立方米。我们知道，模式模拟具有很大误差，这个120微克每立方米显然不能直接做为机动车源排放削减后PM2.5下降后的浓度估计。一个聪明的做法是利用RRF，这里它等于两次模拟浓度的比值，即0.8。将这个0.8乘上实测浓度即200微克每立方米，我们得到160微克每立方米。也就是说，根据法规模式计算得到的RRF，我们估算机动车源排放削减30%后，PM2.5浓度会从200微克每立方米下降到160微克每立方米。这个RRF的计算方法已经得到很好的科学证明，并被广泛地和法规模式一起应用在空气污染控制规划实践中。
然而，空气质量模式作为法规模式在国内的正确应用闻所未闻。具体原因有两个，第一我们缺乏一个权威可靠的全国性的污染物排放源清单，同时也缺乏一个可靠的且数据共享的全国性的空气质量监测网络。这两个具体原因导致空气质量模式在国内的现有应用水平不高，也间接导致决策层在病急乱投医的情况下，搞起了如火如荼的源解析运动，因为源解析看似管用，而且似乎简单易行。然而如前所述，源解析可以很好地用来定性本地的主要污染来源，做得好对于空气污染控制方向有很好的指导意义，但是源解析更容易剑走偏锋，而防止剑走偏锋需要多种方法和手段多方验证，这需要长期经验积累，并不是能够一蹴而就的。法规模式在污染控制决策中的应用也必须脚踏实地一步一个脚印的来，但法规模式的应用才应该是空气污染控制决策的重点方向。
how to cite a dissertation chicago https://helpon-doctoral-dissertations.net/