2022, Vol. 43
重污染天气是民心之痛、民生之患, 在我国北方地区, 特别是京津冀及周边地区秋冬季受污染物的高强度排放、太行山东侧-燕山南侧的地理地形和不利的气象条件等影响, 区域性大气重污染过程频发[1~4].重污染期间, 大气能见度降低, 对社会经济和公众身体健康造成不利影响[5~8].重污染天气应对是保护人民身体健康的有效方式, 是大气污染防治的重要手段.经过多年的努力, 我国重污染天气应对体系不断健全, 机制不断完善.在预测预报体系方面, 目前已在全国范围内建成了国家、区域、省、市四级空气质量预测预报组织体系, 形成中长期、短期和邻近预报相结合的业务化预报模式.在管理体系方面, 2013~2016年生态环境部从应急预案体系、预警分级标准和应急减排措施等方面提出了要求[9~11], 各地重污染天气应对体系实现从无到有并逐渐完善. 2017年和2018年对重污染天气应对体系进一步规范. 2017年统一京津冀及周边地区重污染天气预警分级标准, 明确预警启动和解除条件, 提出重点污染源应急管控措施, 要求应急减排清单化管理[12]; 2018年统一全国预警分级标准, 明确各级预警措施减排比例, 规范区域应急联动[13]. 2019年和2020年对重污染天气应对体系进行改革创新. 2019年首次提出了“绩效分级、差异化管控”措施, 对15个重点行业进行了绩效分级, 实施差异化管控[14]. 2020年继续深化该措施, 将15个重点行业扩展到了39个[15].重污染天气应对体系的有效运转, 起到了污染物排放“削峰降速”的作用, 2013年以来我国北方地区重度及以上污染天数逐年下降, 得到社会各界的一致认可.
在重污染应急措施方面, 按照大气法规定重污染预警期间可以采取责令有关企业停产或者限产、限制部分机动车行驶、禁止燃放烟花爆竹、停止工地土石方作业和建筑物拆除施工、停止露天烧烤、停止幼儿园和学校组织的户外活动、组织开展人工影响天气作业等应急措施.以往在措施具体执行中, 往往对同一行业的企业提出相同的应急减排要求, 没有区分企业环保治理水平的差异性, 行业协会和部分企业认为这样的做法合法但不合理, 容易挫伤企业加强污染治理的积极性, 也容易导致“劣币驱逐良币”.为了解决这一问题, 生态环境部制定出台了“绩效分级、差异化管控”政策[16~21], 在重污染预警期间, 环保水平高的企业可不采取或少采取停限产等措施, 环保水平低的企业则需加大减排措施力度.这是一个创新性的政策, 旨在以差异化管控鼓励先进的企业, 鞭策落后的企业, 提升环保基础工作水平, 促行业转型升级, 实现污染减排与行业高质量发展双赢.该政策于2019年7月出台, 9月底得以首次实践.
9月底至10月一般处于夏季季风向冬季季风的过渡时期, 气象条件的突变经常导致发生PM2.5重污染过程[22]. 2019年9月25日~10月2日, 预测预报显示京津冀及周边地区连续8d气象条件不利, 湿度高、逆温强, 边界层高度偏低, 空气流动性弱, 大气扩散条件为近5年同期最差, 污染程度在9月30日~10月1日将达到峰值, 可能达到重度污染. 10月1日恰逢在北京市举行庆祝中华人民共和国成立70周年阅兵式(70周年阅兵式), 出现重污染过程不但影响人民群众身体健康, 还将严重影响阅兵式效果.于是, 京津冀及周边地区、汾渭平原和长三角地区北部10省(市)共有68个城市启动了重污染天气预警, 其中8个城市启动红色预警, 55个城市启动橙色预警, 5个城市启动黄色预警.大部分城市于9月26日前启动预警, 10月1日后解除预警, 在预警期间各城市首次采取了“绩效分级、差异化管控”的重污染应急措施.
这项创新性的措施是否起到了改善空气质量的效果是一个非常值得研究和评估的问题, 前人对此还未开展过相关研究, 本文首次对该问题进行评估探讨.在评估方法上, 有两大类的方法可供选择, 第一大类是传统的空气质量模型方法, 第二大类是统计类方法.传统空气质量模型包括CMAQ、CAMx、WRF-Chem和Polair3D等.统计类方法包括计量经济学方法、人工神经网络和后向轨迹分析等.传统空气质量模型方法算是“自下而上”的方法, 基于污染源清单和气象条件, 模拟一系列复杂的物理和化学反应过程, 得出空气质量状况结论.这类方法在空气质量预测预报、污染防治策略制定和达标规划制定等方面应用很广泛.统计类方法往往跳过复杂的物理和化学反应机制模拟, 而是通过数据本身规律开展研究[23].这两类方法各有优缺点, 空气质量模型在环境管理中应用非常广泛, 但也会受到部分机制未知、源清单的准确性以及是否及时更新的时效性的制约.从目前看, 重点区域、重点城市源清单较为完善, 其他城市则相对不足.并且近年来随着大气污染治理快速推进, 源清单变化较大, 能否及时更新是个问题.基于统计的方法, 快速、方便, 但也会遇到模型设定误差和内生性等问题, 从而导致评估偏差.计量经济学方法在政策评估领域近年来越来越受到重视, 应用得也越来越广泛, 主要包括双重差分、倾向得分匹配、断点回归、合成控制和工具变量法等[24].其中又以双重差分和断点回归两种方法应用得最为广泛.断点回归方法由于有不需要非实验方法那样严苛的假设条件、能得到比自然实验更可信的因果推断、与其他政策评估方法相比更接近于随机实验和能有效地解决内生性问题等优点, 被广大学者认为是政策评估最有效的准实验方法[3].在大气政策或措施评估方面, 断点回归方法得到了较为广泛的应用, 包括应用于地铁高铁开通对空气质量影响评估[25~27]、冬季采暖对空气质量影响评估[28~31]、机动车限行对空气质量影响评估[32~36]和油品升级对空气质量影响评估[37]等方面.在污染预警和重大活动保障研究评估方面, 断点回归方法也有较多应用, 利用该方法, Neidell[38]研究了加州南部空气污染预警对室外活动的影响, Noonan[39]研究了亚特兰大市臭氧污染预警对户外活动和家庭用车出行的影响, Sexton[40]研究了旧金山湾区“Spare the Air”项目中空气污染(主要是臭氧污染)预警期间公交免费措施对交通出行的影响, Chen等[41]研究了加拿大多伦多市空气质量预警对人体健康的影响.Wichmann等[42]研究了北京APEC会议和抗战胜利70周年大阅兵期间空气质量管控措施对空气质量的影响, Zeng等[43]研究了杭州G20空气质量保障政策对空气质量短期和长期的改善作用.
本研究采用时间序列断点回归作为评估方法, 对“绩效分级、差异化管控”这项创新性政策首次实践的效果开展后评估, 结果表明该政策作为一项创新性的举措, 首次实践取得了较好的空气质量改善效果.
1 材料与方法 1.1 时间序列断点回归模型本研究采用时间序列断点回归模型开展重污染天气应急措施对空气质量影响的因果关系评估.空气质量主要受几个关键因素影响：①污染源污染排放; ②大气扩散条件, 即气象条件状况; ③时间趋势, 比如近些年大气污染防治工作的不断推进所带来的空气质量改善趋势等; ④城市的固定效应, 比如地理位置, 靠山或靠海等; ⑤空气质量的滞后效应, 比如具体到某一天的时候, 由于污染物扩散需要时间, 某日空气质量的好坏会影响次日空气质量, 但本质上来讲空气质量的滞后效应是气象条件的滞后效应.在模型设定的时候, 充分考虑以上因素.参照文献[23, 44~46]所采用的方法, 将时间序列断点回归模型设定如下：
|
(1) |
式中, t为日为单元的时间序数; p为大气污染物日均浓度或者日空气质量指数, p∈{PM2.5, SO2, NO2, CO, O3, PM10, AQI}. YBt为重污染应急措施影响的虚拟变量, 在评估时段取1, 在评估时段之前和之后取0, β1为其系数. B·Γt用于表征气象要素对空气质量的影响, 其中Γt表示与气象有关的各种变量的行向量, 考虑了日平均相对湿度、日累积降水量、日最高气温、日最低气温、日平均风速和风向等气象参数变量及其滞后项, 还考虑了星期、月份和季节等虚拟变量, 以及这些变量的多次项和交互项, 具体包含的变量共计199项; B为与气象有关的各个变量系数的行向量.空气质量的滞后效应已经以气象条件滞后的形式包含于B·Γt之中.Datet为日期, f()为8阶切比雪夫多项式, 用来表征时间趋势, Li等[23]和Auffhammer等[44]曾经比较过7、8和9阶切比雪夫多项式的评估效果, 发现结果差别不大, 所以本研究直接采用8阶多项式, 共8个变量参与回归. εt为干扰项, 表征其他不可观测因素.本研究使用聚类稳健标准差, 在各年季节水平上聚类.
因果识别的假设是在重污染预警的短窗口事件期间, 不可观测因素条件均值独立于重污染应急措施的影响, 即：
|
(2) |
对于本研究利用模型式(1)模型对启动预警的68个城市分别进行分析, 这也是在模型中未设定城市固定效应的原因.由于对各项污染物浓度取了自然对数, 并且扣除了气象条件和时间趋势的影响, 对每个城市回归分析后得出的即可代表由重污染应急措施引起的污染物百分比变化[45, 47].在评估时段的回归策略上, 采取两种回归策略：
回归策略一：以10月2日重污染预警解除日为评估时段的终点, 以预警期间每一天为起点进行评估, 捕捉可能出现的空气质量改善效果的动态变化.比如北京市预警启动时间为9月26日00:00, 解除时间为10月2日24:00, 则评估时段分别为：9月26日~10月2日、9月27日~10月2日、9月28日~10月2日、9月29日~10月2日、9月30日~10月2日和10月1~2日.
回归策略二：由于恰逢10月1日70周年阅兵式, 将10月1日单独作为一个评估时段进行回归, 考察重污染天气应急措施对该日空气质量的影响.
1.3 数据本研究使用的各城市主要大气污染物日均值和AQI数据来自中国环境监测总站, 各城市样本数据为2014~2019年数据, 2013年数据由于不完整所以未采用.所有空气质量数据均已转化为实况数据.气象数据来自国家气象局与中国环境监测总站共享的数据集.每个城市挑选离该城市空间中心最近、与城市中心海拔差异小的气象站作为代表站, 其数据作为该城市的气象数据.表 1展示了68个城市2014年1月1日~2019年12月31日主要污染物和气象变量的描述统计结果.
|
表 1 启动预警的68个城市空气质量和气象指标的描述统计1) Table 1 Summary statistics of air quality and meteorological factors for 68 cities that issued heavy air pollution alert |
2 结果与讨论 2.1 重污染应急措施对北京市空气质量的影响
对北京市进行回归分析发现, 在9月26日~10月2日重污染橙色预警初期空气质量整体改善作用不明显, 但在后期空气质量的改善作用明显.与假如不采取重污染应急措施的情形相比, 重污染应急措施使NO2从预警开始到结束时间都呈显著下降, 并且下降幅度有逐渐递增的趋势, 10月1~2日在1%显著水平上平均下降幅度达60%; PM2.5 9月30日开始有下降趋势, 10月1~2日显著下降, 下降幅度达57%; SO2在预警期间上升和下降的幅度均较小, 都不显著; CO和PM10在10月1~2日均显著下降, 下降幅度分别为19%和48%; O3与假如不采取应对措施的情形相比一直呈上升趋势, 10月1~2日显著上升的幅度为15.3%.不同时间段的评估结果见表 2.
|
|
表 2 重污染应急措施对北京市不同污染物处理效应1) Table 2 Treatment effects of heavy air pollution response measures on different pollutants in Beijing |
2.2 重污染预警期间空气质量改善的滞后效应
通过对68个城市的评估发现, 总体看重污染应急措施对每个城市的空气质量基本都有明显的改善效果, 但普遍存在滞后效应, 即并不是所有城市在预警开始到结束全时间段都对空气质量有明显改善, 而是不同城市不同污染物有不同的下降幅度和滞后效应.把每个城市每项污染物开始显著改善(P＜0.1)滞后时间进行统计, 图 1展示了不同污染物的滞后效应. 45个城市SO2显著下降, 其中出现滞后效应的城市有20个, 占比为44.4%, 相比预警启动日平均滞后1.8 d; 58个城市NO2显著下降, 其中出现滞后效应的城市有28个, 占比为48.3%, 平均滞后2.1 d; 45个城市CO显著下降, 其中出现滞后效应的城市有27个, 占比为60.0%, 平均滞后2.4 d; 25个城市O3显著下降, 其中出现滞后效应的城市有19个, 占比为76.0%, 平均滞后3.3 d; 43个城市PM10显著下降, 其中出现滞后效应的城市有34个, 占比为79.1%, 平均滞后4.3 d; 40个城市PM2.5显著下降, 其中出现滞后效应的城市有35个, 占比为87.5%, 平均滞后5.2 d.
|
每个横条代表一个城市, 横条的起始和结束位置分别对应预警的启动和解除时间, 其中蓝色表示污染物显著下降的时间段, 橙色表示污染物未出现显著下降的时间段, 黄线用于标识10月1日 图 1 有关城市空气质量改善的滞后效应 Fig. 1 Air quality improvement lag phenomenon of cities |
可以看出, 重污染应急措施对SO2、NO2和CO这3个气态污染物改善见效速度最快, 采取措施后平均1.8~2.3 d就可以见到显著下降的效果; 对涉及二次生成的O3和PM2.5这2个污染物则见效速度相对较慢, 采取措施3.3~5.2 d才显著下降.特别是PM2.5, 滞后城市占比最高, 滞后天数最长, 滞后效应最为突出.这应该与在不利气象条件下, 前体物转化为PM2.5速度加快, 只有在前体物减排到一定程度, PM2.5才能出现下降有关, 其中的具体机制还需要进一步地研究和探讨.
另外, 还观察到一个有趣的现象.PM2.5显著下降的40个城市中有22个在10月1日当天才开始出现“断崖式”下降, 7个城市9月30日开始出现下降, 3个城市9月29日开始出现下降.也就是说10月1日当天PM2.5才开始显著下降的城市占到55%, 9月29日~10月1日PM2.5才开始显著下降的城市共占80%. PM10也有类似的现象.此次重污染应急有两个目的, 一个是减轻9月25日~10月2日这次污染过程的污染程度, 另外一个则是改善70周年阅兵式期间的空气质量.所以各城市普遍在10月1日举行阅兵活动的当天污染排放管控措施达到最严格, 减排力度最大, 这是出现这个有趣现象的重要原因.
以北京为例对该现象做一个简单的探讨.根据北京市生态环境局提供的数据, 重型载货车日均进京量预警前约3.3万辆, 预警期间约1.9万辆, 下降43%.这是使北京预警开始到结束整个时段实现NO2显著下降的重要因素.在1 712家企业绩效分级差异化管控停、限制重型载货车进京等措施的基础上, 9月29日北京市开始实施加强版措施, 主要包括：①全市党政机关、事业单位、国有企业停驶公车5万余辆, 停驶率达到80%以上; ②3 325所中小学提前放假; ③全市1 600余间汽修喷漆房停止使用; ④进一步对进京交通进行疏导分流, 日均进京车流量同比下降40%左右; ⑤全市所有施工工地停工, 非道路移动机械停用; ⑥增加外调电比例, 3台燃气机组停机, 将本地发电占比减少14%.在这些加强版措施作用下, 在NO2一直显著下降的基础上, 9月30日北京PM2.5和PM10开始呈下降趋势, 10月1日~10月2日NO2、PM2.5、PM10和CO都显著下降.
2.3 重污染应急措施对10月1日当天空气质量改善效果评估从以上分析可以看到, 10月1日70周年阅兵式当天应该是各城市减排力度最大, 空气质量改善最显著的一天.用同样的断点回归模型对10月1日当天空气质量保障效果进行评估.图 2显示了由重污染应急措施以及时间趋势解释的北京市空气质量变化.图中红色的线是对式(1)进行回归后得到的重污染应急措施虚拟变量加时间趋势项β1YBt+f(Datet)的估计值.蓝色的点是红色的线再加上式(1)的残差, 红线和蓝点都标准化到均值为0.从图 2可以直观看出, 重污染应急措施对70周年阅兵式当天空气质量的改善效果.
|
图中红线向上或向下的突变表示10月1日在重污染应急措施作用下空气质量发生了突变 图 2 北京市日度空气质量变化 Fig. 2 Daily variation in air quality in Beijing |
就重污染应急措施对70周年阅兵式当天北京主要污染物及AQI的处理效应进行估计, 结果如表 3所示.可以发现, 与假设不采取重污染应急措施的情形相比, 重污染应急措施使70周年阅兵式北京市当天PM2.5、NO2和CO日均浓度都显著下降, 下降幅度分别为54.1%、62.4%和25.8%; PM10下降29.2%但不显著; SO2和O3分别上升2%和7.8%但并不显著.PM2.5是影响大气能见度的主要因素, 其大幅下降说明对10月1日当天70周年阅兵式期间空气质量改善取得了显著效果.
|
|
表 3 重污染应急措施对北京市10月1日当天主要污染物浓度及AQI处理效应1) Table 3 Treatment effect of heavy air pollution response measures on different pollutants on October 1st in Beijing |
现有空气质量和气象数据暂无法实现对大气污染物的小时浓度处理效应进行评估.但由于阅兵时段是管控措施最严格的时段, 可以用日均浓度的处理效应保守估计小时浓度的改善效果.对10月1日上午阅兵时段PM2.5的改善效果进行估算, 结果见表 4.如果不采取重污染应急措施北京10月1日08:00~09:00和11:00~12:00的PM2.5将达到小时中度污染, 09:00~11:00其将达到小时重度污染.采取措施后的实际情况是08:00~12:00 PM2.5都是良的水平.因此, 重污染应急措施的有效实施使北京10月1日上午阅兵时段PM2.5小时浓度下降了2~3个污染等级, 取得了非常明显的效果, 实属不易.
|
|
表 4 重污染应急措施对北京10月1日上午PM2.5小时浓度改善效果 Table 4 Improvement in hourly PM2.5 concentration brought by heavy air pollution response measures on October 1st in Beijing |
2.4 重污染应急措施对其他城市10月1日当天空气质量改善效果评估
对北京及周边68个城市进行逐一回归, 估计出重污染应急措施对每个城市空气质量的改善效果.从采取措施的68个城市整体上看, 各项污染物按平均改善幅度从大到小分别为：NO2改善42.4%, PM2.5改善27.7%, PM10改善27.1%, CO改善26.3%, SO2改善24.1%, O3改善2.3%. NO2和PM2.5改善效果最明显, O3改善最有限.从最关键的污染物PM2.5来看, 各区域、各省(直辖市)的平均改善幅度有差异.从区域看, 京津冀及周边地区城市平均改善幅度最大, 为31.6%; 长三角城市次之, 为20.0%; 汾渭平原城市幅度最小, 为15%.从省(直辖市)看, 北京改善幅度最大, 为54.1%, 其余省市由大到小依次为：山东(41.0%)、河北(30.1%)、安徽(29.8%)、山西(25.2%)、河南(23.3%)、江苏(12.7%)和天津(14.1%).
将68个城市的回归结果可视化在地图上, 可以直观地看到不同城市不同污染物的改善效果, 如图 3所示, 其中黄色表示相应的城市及污染物与假如不采取重污染应急措施相比不降反升, 这是一个与预期相反的现象.因此专门针对这个现象作一个更为深入的分析.对几项污染物的处理效果作箱线图, 见图 4.通过统计发现NO2上升的有2个城市, 占2.94%; PM2.5上升的有6个城市, 占比8.82%; PM10上升的有8个城市, 占比11.76%; CO上升的有9个城市, 占比13.24%; SO2上升的有17个城市, 占比25%; O3上升的有31个城市, 占比45.59%.这个统计方式并没有考虑评估结果的显著性水平.统计P < 0.1的评估结果有利于作出更精准的判断.结果如下：没有NO2显著上升的城市; CO、PM10和PM2.5显著上升的城市分别有1个; SO2显著上升的城市有3个; O3显著上升的城市有11个.可以看出O3显著上升的问题比较突出, 其他污染物基本可以算是个别现象.O3显著下降(P < 0.1)的城市共16个, 显著上升城市数和显著下降城市数比例为1∶1.45, 可以将O3不降反升看成是一个相对普遍的现象.
|
红色圆点用于标识北京市, 白色部分为数据缺失, 其他不同颜色表示某城市某项污染物处理效应值所在的范围, 负值表示空气质量获得改善 图 3 重污染应急措施对68城市不同污染物的处理效应 Fig. 3 Treatment effects of heavy air pollution response measures on different pollutants on October 1st in 68 cities |
|
空心圆点表示异常值 图 4 10月1日68个城市各项污染物处理效应箱线图 Fig. 4 Boxplot of treatment effects of different pollutants on October 1st in 68 cities |
基于NAQPMS数值模型对这次污染过程进行预测预报, 从PM2.5浓度演变过程看, 9月26日污染团在区域南部形成, 在偏南风的作用下, 污染团向北推移堆积.污染凌晨至上午污染较重, 下午至傍晚有所缓解, 在方位上不断逼近北京. 9月29日污染团主体到达北京, 见图 5.由于北京三面环山的地形, 在太行山脉、燕山山脉阻挡下, 9月30日污染团在北京逐渐累积, 见图 6. 10月1日08:00, 北京PM2.5小时浓度预测达到中度污染, 见图 7.
|
来自中国环境监测总站空气质量预测预报系统 图 5 9月29日PM2.5日均浓度NAQPAMS数值模型预报结果 Fig. 5 Forecast of PM2.5 daily concentration for September 29th based on NAQPAMS model |
|
来自中国环境监测总站空气质量预测预报系统 图 6 9月30日PM2.5日均浓度NAQPAMS数值模型预报结果 Fig. 6 Forecast of PM2.5 daily concentration for September 30th based on NAQPAMS model |
|
来自中国环境监测总站空气质量预测预报系统 图 7 10月1日早08:00PM2.5小时浓度NAQPAMS数值模型预报结果 Fig. 7 Forecast of PM2.5 hourly concentration for 08:00 October 1st based on NAQPAMS model |
NAQPMS数值模型是基于区域污染源清单排放水平及未来气象条件进行预测预报.但在预测预报过程中, 数值模型并没有考虑到采取重污染预警所导致的区域排放水平变化.也就是说数值模型预测预报结果, 代表了假如不采取措施情形下, 空气质量可能达到的水平.数值模型预测预报显示, 如果不采取措施, 10月1日70周年阅兵式当天08:00, 北京市PM2.5小时浓度将达到中度污染, 这个结论与断点回归模型所得评估结果(见表 4)相一致.说明断点回归模型所得评估结果是稳健的.污染的传输转移过程说明联防联控是有效的, 北京和周边, 特别是上风向城市共同努力减排, 才使得北京空气质量明显改善.
3.2 类比法检验寻找历史上气象条件类似的污染过程案例, 比较其污染水平的差异, 可以粗略地估计重污染应急减排措施的效果.通过分析比较, 发现2019年9月29日~10月3日的污染过程与2016年同期污染过程在主要气象要素上极其相似.两个时段风速风向、相对湿度和地面气压的比较见图 8.在风速风向方面, 风速水平基本相当, 风向有一定的日变化, 但总体都以偏南风为主; 在相对湿度方面, 湿度水平相当, 在日变化上高度一致; 在地面气压方面, 都呈现出持续下降的特征.
|
来自北京市生态环境监测中心 图 8 2016年和2019年两次相似污染过程北京市主要气象要素对比 Fig. 8 Comparation of key meteorological factors between two typical air pollution episodes from 2016 and 2019, respectively |
尽管两次污染过程气象条件类似, 但污染水平却出现了巨大的差异. 2016年污染过程, 区域有11个城市出现重污染, 北京市出现2个重污染日; 区域PM2.5日均浓度峰值为304μg·m-3, 北京市PM2.5日均浓度峰值为183μg·m-3.但2019年污染过程中, 区域城市PM2.5日均浓度总体为优良, 仅唐山出现2d轻度污染, 区域PM2.5日均浓度峰值为88μg·m-3, 北京市日均浓度峰值为71μg·m-3, 均远低于2016年.从10月1日当天的空气质量看, 2019年PM2.5、PM10、NO2、SO2和CO相较2016年分别下降68.2%、56.1%、72.9%、70%和42.9%, O3比较特殊, 不降反升了23.7%. 5项主要污染物的下降主要有两方面原因, 一方面是得益于大气污染治理工作不断深入, 2016~2019年空气质量持续改善; 另一方面是2019年启动了重污染预警, 采取了应急减排措施, 使得污染程度大大减轻.从年均浓度看, 2019年PM2.5、PM10、NO2和SO2较2016年分别下降40%、21%、16%和60%, 下降幅度均远低于10月1日的下降幅度.这说明应急减排措施的确在起作用, 使得2019年10月1日空气质量相较不采取应急减排措施情形大大改善.这再次说明断点回归模型所得到的结论是稳健的.
4 政策启示“绩效分级、差异化管控”的重污染应对措施政策出台后, 第一次的实际应用就肩负了重大使命, 既是对9月25~10月2日污染过程的应对, 又是对70周年国庆阅兵重大活动的空气质量进行保障.本研究以实证依据表明, 该措施可以有效改善空气质量.本研究发现的一些规律和现象也给了人们一些政策上的启示.
本研究发现重污染应对措施对空气质量改善的滞后效应现象, SO2、NO2和CO这3个气态污染物改善见效速度较快, 对涉及二次生成的O3和PM2.5两个污染物见效速度相对较慢.其原因除了可能涉及O3、PM2.5生成机制, 还可能与企业调整生产状态和开展应急减排需要一定准备时间有关.从目前重污染预警政策和实际操作来看, 一般是提前24 h发布重污染预警, 污染过程开始的时间要求相关企业或单位也开始采取措施进行减排.但由于滞后效应的存在, 现行的操作方式难以在污染过程前期就对PM2.5有改善效果.为更好地发挥重污染应对措施的作用, 在污染过程前期就实现PM2.5改善, 可考虑将发布预警时间酌情提前2~3 d, 采取应急措施的时间也可酌情提前.但这样也会产生一个问题, 就是在空气质量尚未转差的情况下就要求企业采取应急减排措施, 是否能够得到理解与支持.这需要先作一些必要的宣传解读, 在获取广泛社会共识的基础上再推行预警发布和措施, 采取时间提前的政策.
本研究还发现了O3不降反升的现象.Wang等[48]和Liu等[49]在研究APEC会议保障措施对空气质量影响时发现过类似的现象, 即保障措施导致了O3浓度的上升.Wang等[48]的研究认为这是因为NOx的削减程度超过了VOCs的削减程度, 对O3生成产生了促进作用.本研究发现了NO2浓度的大幅下降, 在各项大气污染物中平均下降幅度最大, 由于缺少VOCs相关数据, 无法对NOx和VOCs的削减速率作出比较研究.但这个现象说明采取临时性减排措施应对O3污染须谨慎, 如果没有精准把控好NOx和VOCs削减速率, 将会产生O3不降反升的效果, 反而加重了O3污染.
“绩效分级、差异化管控”创新性措施首次实践取得了较好的效果.该政策在绩效分级的行业范围上, 具体分级指标设定上, 不同预警级别下减排措施的设计上, 都还存在优化完善的空间.可以考虑继续推行完善该措施, 以期后续能够取得更好效果.
5 结论(1) 使用时间序列断点回归准实验设计, 对重污染应对“绩效分级、差异化管控”措施的首次实践效果进行评估, 证实了该措施对空气质量的改善作用.
(2) 在控制了气象条件等因素的影响后, 重污染应急措施使北京市及周边的空气质量实现了大幅改善.空气质量的改善存在滞后效应, 从68个城市处理效应看, SO2、NO2和CO这3个气态污染物改善见效速度较快, 对涉及二次生成的O3和PM2.5两个污染物见效速度相对较慢.
(3) 评估发现, 与假如不采取重污染应急措施的情形相比, 10月1日北京市PM2.5、NO2和CO日均浓度都显著下降, 下降幅度分别为54.1%、62.4%和25.8%. 10月1日上午阅兵时段北京市PM2.5小时浓度下降3个污染等级, 一直保持在良的水平; 如果不采取措施, 09:00~11:00 PM2.5将达到小时重度污染.空气质量改善是北京和周边城市共同努力的结果.
(4) 通过数值模型预测和类比分析进行稳健性检验, 发现本研究的评估结论是稳健的.
(5) 滞后效应和O3不降反升两个现象为政策优化完善提供了启示.一方面为了在重污染过程初期取得PM2.5下降效果, 可考虑将重污染预警时间和重污染应对措施实施时间酌情提前; 另一方面须谨慎采取临时性减排措施应对O3污染过程, 如不能精确把控, 反而将加重O3污染.
(6)“绩效分级、差异化管控”是一项创新性措施, 还存在优化完善的空间, 可以考虑继续推行完善该措施, 以期后续能够取得更加精准的效果.
致谢: 感谢中国环境监测总站提供了空气质量、气象数据和部分图片资料, 感谢北京市生态环境监测中心提供了部分图片资料.
| [1] |
肖致美, 徐虹, 蔡子颖, 等. 2020年天津市两次重污染天气污染特征分析[J]. 环境科学, 2020, 41(9): 3879-3888. Xiao Z M, Xu H, Cai Z Y, et al. Characterization of two heavy pollution episodes in Tianjin in 2020[J]. Environmental Science, 2020, 41(9): 3879-3888. DOI:10.3969/j.issn.1000-6923.2020.09.020 |
| [2] |
徐冉, 张恒德, 杨孝文, 等. 北京地区秋冬季大气污染特征及成因分析[J]. 环境科学, 2019, 40(8): 3405-3414. Xu R, Zhang H D, Yang X W, et al. Concentration characteristics of PM25 and the causes of heavy air pollution events in Beijing during autumn and winter[J]. Environmental Science, 2019, 40(8): 3405-3414. |
| [3] |
唐倩, 郑博, 薛文博, 等. 京津冀及周边地区秋冬季大气污染物排放变化因素解析[J]. 环境科学, 2021, 42(4): 1591-1599. Tang Q, Zheng B, Xue W B, et al. Contributors to air pollutant emission changes in autumn and winter in Beijing-Tianjin-Hebei and surrounding areas[J]. Environmental Science, 2021, 42(4): 1591-1599. |
| [4] |
尹晓梅, 蒲维维, 王继康, 等. 北京地区2019年2~3月供暖结束前后两次污染过程特征分析[J]. 环境科学, 2021, 42(5): 2110-2120. Yin X M, Pu W W, Wang J K, et al. Characteristics of two pollution episodes before and after city heating in Beijing from february to march of 2019[J]. Environmental Science, 2021, 42(5): 2110-2120. |
| [5] |
胡京南, 柴发合, 段菁春, 等. 京津冀及周边地区秋冬季PM25爆发式增长成因与应急管控对策[J]. 环境科学研究, 2019, 32(10): 1704-1712. Hu J N, Chai F H, Duan J C, et al. Explosive growth of PM25 during the autumn and winter seasons in the Jing-Jin-Ji and surrounding area and its control measures with emergency response[J]. Research of Environmental Sciences, 2019, 32(10): 1704-1712. |
| [6] |
张瑾, 薛彩凤, 温彪, 等. 浅谈PM25的危害及我国的控制历程与经验[J]. 环境与可持续发展, 2021, 46(1): 109-114. Zhang J, Xue C F, Wen B, et al. Discussion about the harm of PM25and its control process and experience in China[J]. Environment and Sustainable Development, 2021, 46(1): 109-114. |
| [7] |
李星谕, 毛瑶, 陈展乐, 等. 华中地区冬季灰霾天气下PM25中重金属污染特征及健康风险评价: 以湖北黄冈为例[J]. 环境科学, 2021, 42(10): 4593-4601. Li X Y, Mao Y, Chen Z L, et al. Characteristics and health risk assessment of heavy metals in PM25 under winter haze conditions in central China: a case study of huanggang, hubei province[J]. Environmental Science, 2021, 42(10): 4593-4601. |
| [8] |
李立伟, 肖致美, 杨宁, 等. 天津市2020年冬季重污染过程气溶胶消光特性及其来源[J]. 环境科学, 2021, 42(9): 4158-4167. Li L W, Xiao Z M, Yang N, et al. Extinction characteristics of aerosols and the contribution of pollution sources to light extinction during three heavy pollution episodes in the winter of 2020 in Tianjin[J]. Environmental Science, 2021, 42(9): 4158-4167. |
| [9] | 环境保护部. 城市大气重污染应急预案编制指南[EB/OL]. 北京. https://www.mee.gov.cn/gkml/hbb/bgth/201305/t20130510_251978.htm, 2013-05-06. |
| [10] | 环境保护部, 中国气象局. 关于统一京津冀城市重污染天气预警分级标准强化重污染天气应对工作的函[EB/OL]. 北京. https://www.mee.gov.cn/gkml/hbb/bgth/201602/t20160204_329883.htm, 2016-02-02. |
| [11] | 环境保护部. 关于做好重污染天气应急预案修订工作的函[EB/OL]. 北京. https://www.mee.gov.cn/gkml/hbb/bgth/201607/t20160714_360695.htm, 2016-07-06. |
| [12] | 环境保护部. 关于印发《重污染天气预警分级标准和应急减排措施修订工作方案》的通知[Z]. 北京, 2017. |
| [13] | 生态环境部. 关于印送《关于推进重污染天气应急预案修订工作的指导意见》的函[Z]. 北京, 2018. |
| [14] | 生态环境部. 关于印送《关于加强重污染天气应对夯实应急减排措施的指导意见》的函[EB/OL]. 北京. http://sthjj.czs.gov.cn/wrjp/content_3002929.html, 2019-08-01. |
| [15] | 生态环境部. 关于印发《重污染天气重点行业应急减排措施制定技术指南(2020年修订版)》的函[EB/OL]. 北京. http://www.cnagi.org.cn/newsinfo/562634.html, 2020-07-06. |
| [16] | 重污染期间环保绩效水平高的企业可不减排[J]. 中国氯碱, 2019, (12): 44-45. |
| [17] | 生态环境部企业绩效分级和认定工作已完成[J]. 建材发展导向, 2019, 17(24): 112. ( |
| [18] | 生态环境部印发《重污染天气重点行业应急减排措施制定技术指南》[J]. 区域治理, 2019, (36): 1-3. |
| [19] | 生态环境部. 关于加强重污染天气应对夯实应急减排措施的指导意见[J]. 有色冶金节能, 2019, 35(4): 1-3, 7. |
| [20] | 生态环境部: 39个行业已实施绩效分级[J]. 砖瓦, 2020, (10): 176. |
| [21] | 再生铜铝铅锌行业首次列入重污染天气应急减排绩效分级管控[J]. 有色冶金节能, 2020, 36(4): 70. |
| [22] | Yin X M, Sun Z B, Miao S G, et al. Analysis of abrupt changes in the PM25 concentration in Beijing during the conversion period from the summer to winter half-year in 2006-2015[J]. Atmospheric Environment, 2019, 200: 319-328. DOI:10.1016/j.atmosenv.2018.11.057 |
| [23] | Li X, Qiao Y B, Zhu J M, et al. The "APEC blue" endeavor: causal effects of air pollution regulation on air quality in China[J]. Journal of Cleaner Production, 2017, 168: 1381-1388. DOI:10.1016/j.jclepro.2017.08.164 |
| [24] |
吴滨. 政策评价方法综述[J]. 统计与管理, 2021, 36(6): 15-22. Wu B. Review of policy assessment methods[J]. Statistics and Management, 2021, 36(6): 15-22. |
| [25] |
秦志龙, 陈晓光. 高铁开通改善了沿线城市的空气质量吗?——基于断点回归设计的分析[J]. 环境经济研究, 2020, 5(2): 76-94. Qin Z L, Chen X G. Has the opening of the high-speed railway improved air quality? An empirical analysis based on regression discontinuity design[J]. Journal of Environmental Economics, 2020, 5(2): 76-94. |
| [26] | Guo S H, Chen L Q. Can urban rail transit systems alleviate air pollution? Empirical evidence from Beijing[J]. Growth and Change, 2019, 50(1): 130-144. DOI:10.1111/grow.12266 |
| [27] | Lu H Y, Zhu Y C, Qi Y, et al. Do urban subway openings reduce PM25 concentrations? Evidence from China[J]. Sustainability, 2018, 10(11). DOI:10.3390/su10114147 |
| [28] | Cai H Y, Nan Y Q, Zhao Y L, et al. Impacts of winter heating on the atmospheric pollution of northern China's prefectural cities: evidence from a regression discontinuity design[J]. Ecological Indicators, 2020, 118. DOI:10.1016/j.ecolind.2020.106709 |
| [29] | Fan M Y, He G J, Zhou M G. The winter choke: coal-Fired heating, air pollution, and mortality in China[J]. Journal of Health Economics, 2020, 71. DOI:10.1016/j.jhealeco.2020.102316 |
| [30] | Huang X, Lanz B. The value of air quality in chinese cities: evidence from labor and property market outcomes[J]. Environmental and Resource Economics, 2018, 71(4): 849-874. DOI:10.1007/s10640-017-0186-8 |
| [31] | Wang S L, Li Y T, Haque M. Evidence on the impact of winter heating policy on air pollution and its dynamic changes in North China[J]. Sustainability, 2019, 11(10). DOI:10.3390/su11102728 |
| [32] | Huang H J, Fu D Y, Qi W. Effect of driving restrictions on air quality in Lanzhou, China: analysis integrated with internet data source[J]. Journal of Cleaner Production, 2017, 142: 1013-1020. DOI:10.1016/j.jclepro.2016.09.082 |
| [33] | Li J J, Li X B, Li B, et al. The effect of nonlocal vehicle restriction policy on air quality in Shanghai[J]. Atmosphere, 2018, 9(8). DOI:10.3390/atmos9080299 |
| [34] | Lu X Y. Effectiveness of government enforcement in driving restrictions: a case in Beijing, China[J]. Environmental Economics and Policy Studies, 2016, 18(1): 63-92. DOI:10.1007/s10018-015-0112-7 |
| [35] | Ye J J. Better safe than sorry? Evidence from Lanzhou's driving restriction policy[J]. China Economic Review, 2017, 45: 1-21. DOI:10.1016/j.chieco.2017.05.009 |
| [36] | Zhang M, Shan C, Wang W W, et al. Do driving restrictions improve air quality: take Beijing-Tianjin for example?[J]. Science of the Total Environment, 2020, 712. DOI:10.1016/j.scitotenv.2019.136408 |
| [37] | Li P, Lu Y, Wang J. The effects of fuel standards on air pollution: evidence from China[J]. Journal of Development Economics, 2020, 146. DOI:10.1016/j.jdeveco.2020.102488 |
| [38] | Neidell M. Air quality warnings and outdoor activities: evidence from southern California using a regression discontinuity design[J]. Journal of Epidemiology and Community Health, 2009, 64(10): 921-926. |
| [39] | Noonan D S. Smoggy with a chance of altruism: the effects of ozone alerts on outdoor recreation and driving in Atlanta[J]. Policy Studies Journal, 2014, 42(1): 122-145. DOI:10.1111/psj.12045 |
| [40] | Sexton S E. Paying for pollution? How general equilibrium effects undermine the "spare the air" program[J]. Environmental and Resource Economics, 2012, 53(4): 553-575. DOI:10.1007/s10640-012-9577-z |
| [41] | Chen H, Li Q S, Kaufman J S, et al. Effect of air quality alerts on human health: a regression discontinuity analysis in Toronto, Canada[J]. The Lancet Planetary Health, 2018, 2(1): E19-E26. DOI:10.1016/S2542-5196(17)30185-7 |
| [42] | Wichmann B, Yang M. Blue Beijing: estimating the effects of temporary emissions restrictions on air quality[J]. Applied Economics Letters, 2017, 24(21): 1504-1510. DOI:10.1080/13504851.2017.1299093 |
| [43] | Zeng J Y, Guijarro M, Carrilero-Castillo A. A regression discontinuity evaluation of the policy effects of environmental regulations[J]. Economic Research-Ekonomska Istraživanja, 2020, 33(1): 2993-3016. DOI:10.1080/1331677X.2019.1699437 |
| [44] | Auffhammer M, Kellogg R. Clearing the air? The effects of gasoline content regulation on air quality[J]. American Economic Review, 2011, 101(6): 2687-2722. DOI:10.1257/aer.101.6.2687 |
| [45] | Davis L W. The effect of driving restrictions on air quality in Mexico City[J]. Journal of Political Economy, 2008, 116(1): 38-81. DOI:10.1086/529398 |
| [46] | Viard V B, Fu S H. The effect of Beijing's driving restrictions on pollution and economic activity[J]. Journal of Public Economics, 2015, 125: 98-115. DOI:10.1016/j.jpubeco.2015.02.003 |
| [47] | 达摩达尔·N·古扎拉蒂, 唐·C·波特. 计量经济学基础[M]. 费剑平, 译. (第五版). 北京: 中国人民大学出版社, 2010. |
| [48] | Wang Z S, Li Y T, Chen T, et al. Changes in atmospheric composition during the 2014 APEC conference in Beijing[J]. Journal of Geophysical Research: Atmospheres, 2015, 120(24): 12695-12707. DOI:10.1002/2015JD023652 |
| [49] | Liu H R, Liu C, Xie Z Q, et al. A paradox for air pollution controlling in China revealed by "APEC Blue" and "Parade Blue"[J]. Scientific Reports, 2016, 6. DOI:10.1038/srep34408 |