1. 课程导入与数据计算总览

环境监测每天都会产生大量原始数据，但管理者、评价者和公众真正关心的，往往不是某一个瞬时读数，而是"这一天空气好不好""这个月水质稳不稳""这份数据能不能用"。要回答这些问题，就必须把逐时、逐次的原始监测数据，经过一套规范的统计规则，转化为日均值、月均值和有效率三类核心结果。本课程围绕这三者的定义、关系与计算方法展开，本节先建立从原始数据到统计结果的完整计算框架。

三个核心概念的定义

日均值是指某一污染物在一个自然日（通常为 0:00—24:00）内所有有效监测数据的算术平均值。以环境空气质量为例，常规六参数（SO₂、NO₂、PM₁₀、PM₂.₅、CO、O₃）的日均值一般由当日逐时浓度值平均得到，其中 O₃ 还涉及日最大 8 小时滑动平均这一特殊统计口径。日均值是评价"日"尺度环境质量的基本单元，也是进一步计算月均值、年均值的原始输入。

月均值是指某一污染物在一个自然月内所有有效日均值的算术平均值。这里的关键限定词是"有效"——只有通过有效性审核的日均值才能进入月均值的计算，缺测日、无效日不能简单当作零或直接忽略而不加说明。月均值反映的是月度尺度的污染水平，是月度报告、达标分析和趋势研判的主要指标。

有效率是指某一时段内实际获得的有效监测数据量占应获得监测数据量的比例，通常以百分数表示。它衡量的是数据的完整性与可用性，是判断一份统计结果是否具备代表性、能否对外发布的前置门槛。有效率不达标，日均值和月均值即使算出来，其代表性也要打折扣，甚至不能用于达标评价。

三者的内在关系

这三个概念不是并列的，而是层层递进、相互约束的关系。原始数据先经过有效性判别，剔除异常值和无效值；有效数据按日聚合得到日均值，同时可算出日有效率；日均值再经过有效性筛选，按月聚合得到月均值，同时算出月有效率。也就是说，有效率贯穿每一级聚合，是每一级统计结果的"质量标签"；而日均值是月均值的计算基础，月均值是日均值在时间维度上的再平均。

为什么这三项指标是环境监测的核心

第一，它们是环境质量评价的法定语言。空气质量日报、月报、年报，地表水断面月度评价，都要以日均值、月均值为基础数据，以有效率作为数据可用性的判定依据。第二，它们是数据质量控制的抓手。有效率把"数据够不够、能不能用"量化成一个可考核的数字，倒逼运维单位保证仪器正常运行、减少故障和缺测。第三，它们是趋势分析的基础。只有口径统一、有效性受控的日均值和月均值，才具备跨时间、跨站点可比性，才能支撑同比、环比和长期趋势判断。

一个教学示例：把框架跑一遍

假设某站点某月共 30 天，PM₂.₅ 逐时数据应得 720 个。经有效性判别后，实际有效逐时数据为 660 个，其中第 12 天因仪器校准全天缺测、第 25 天因停电缺测 8 小时。按日聚合：第 12 天有效数据为 0，该日日均值缺失、日有效率为 0；其余 29 天中，第 25 天有效 16 小时，若标准要求日均值需至少 20 个有效小时数据，则该日日均值也判为无效。于是当月有效日均值为 28 个，月有效率为 28 ÷ 30 × 100% ≈ 93.3%。月均值则由这 28 个有效日均值求平均得到。这个例子说明：有效率不是事后补算的附属品，而是在日、月每一级聚合时同步产生、并直接决定结果能否成立的判据。

本课程的计算主线

综合来看，本课程要建立的完整计算框架可以概括为一条主链：原始数据 → 有效性判别 → 有效数据集合 → 日均值与日有效率 → 有效日均值筛选 → 月均值与月有效率 → 代表性判定与结果发布。这条链上每一环都有明确的输入、规则和输出，任何一环口径不清，都会导致最终统计结果失真。掌握这条主线，就掌握了环境监测数据统计的骨架；后续各节则是对每一环的细化与实操。