环境科学  2023, Vol. 44 Issue (12): 6610-6620   PDF    
引用本文
郝永佩, 宋晓伟, 朱晓东, 王京伟, 程鹏. 京津冀地区机动车细颗粒物污染的健康影响分析[J]. 环境科学, 2023, 44(12): 6610-6620.
HAO Yong-pei, SONG Xiao-wei, ZHU Xiao-dong, WANG Jing-wei, CHENG Peng. Health Impact Analysis of Fine Particulate Pollution from Vehicles in the Beijing-Tianjin-Hebei Region[J]. Environmental Science, 2023, 44(12): 6610-6620.
京津冀地区机动车细颗粒物污染的健康影响分析
郝永佩1, 宋晓伟1, 朱晓东2, 王京伟1, 程鹏1     
1. 山西财经大学资源环境学院, 太原 030006;
2. 南京大学环境学院, 污染控制与资源化研究国家重点实验室, 南京 210046
收稿日期: 2023-02-14; 修订日期: 2023-05-03
基金项目: 国家自然科学基金青年科学基金项目（72104132）；教育部人文社会科学研究青年项目（21YJCZH136）；山西省基础研究计划项目（20210302124201）
作者简介: 郝永佩(1986~), 女, 博士, 副教授, 主要研究方向为大气环境污染防治, E-mail: haoyongpei@sxufe.edu.cn
通信作者: 宋晓伟, E-mail: songxiaowei@sxufe.edu.cn
摘要: 机动车尾气排放对城市空气污染的影响日益严峻，而对特定污染源大气污染排放特征及健康影响进行评估可以为环境空气质量管理提供科学依据.以PM2.5为研究对象，分析京津冀地区2010~2020年机动车污染排放特征、导致的健康效应与经济损失.结果表明，2010~2020年间京津冀地区机动车PM2.5排放量呈现先逐年递增后缓慢下降的趋势；不同车型污染物排放贡献率显示，重型货车和重型客车为PM2.5主要贡献车型；不同城市机动车污染物排放特征存在差异，北京市污染物贡献率下降幅度明显，其余城市污染减排也不容忽视.机动车PM2.5污染对人群健康影响的评估结果表明，京津冀地区各健康终端发生人数总体呈上升趋势，其中，2020年PM2.5污染造成约34337人（95% CI：9025~57209人）早逝、4.55万人（95% CI：1.08~8.02万人）住院、28.23万人（95% CI：14.05~41.63万人）门诊及43.90万人（95% CI：16.03~67.92万人）患病；研究期间（2010、2015和2020年）机动车PM2.5污染导致的健康经济总损失分别为277.42亿元（95% CI：86.16~446.43亿元）、906.08亿元（95% CI：284.76~1440.50亿元）和1299.65亿元（95% CI：408.29~2052.45亿元）；由于机动车保有量、PM2.5浓度、人口数量及健康终端单位经济损失的差异导致区域内不同城市健康效应与经济损失存在差异，其中北京、天津、保定和唐山市要高于其他城市，健康风险与经济损失问题相对突出.
关键词: PM2.5      机动车污染      健康风险      经济损失      京津冀     
Health Impact Analysis of Fine Particulate Pollution from Vehicles in the Beijing-Tianjin-Hebei Region
HAO Yong-pei1 , SONG Xiao-wei1 , ZHU Xiao-dong2 , WANG Jing-wei1 , CHENG Peng1     
1. College of Resources and Environment, Shanxi University of Finance & Economics, Taiyuan 030006, China;
2. State Key Laboratory of Pollution Control and Resource Reuse, School of the Environment, Nanjing University, Nanjing 210046, China
Abstract: Vehicle exhaust emissions are posing an increasingly adverse impact on urban air quality. The emission characteristics analysis and health effect assessment of specific air pollution sources can provide scientific evidence for environmental air quality management. The characteristics and health effects of PM2.5 emissions from vehicles and economic losses caused by them in the Beijing-Tianjin-Hebei Region were analyzed from 2010 to 2020. From 2010 to 2020, PM2.5 emissions from vehicles in the Beijing-Tianjin-Hebei Region showed an annual increase at first, followed by a slow decrease. According to the emission sharing ratios of different vehicle types, heavy-duty trucks and buses were the main contributors to PM2.5, with a total contribution rate of over 65.27%. The emission characteristics of vehicle pollutants varied in different cities. The contribution rate of pollutants in Beijing decreased significantly, and the emission reduction in other cities was also dramatic. The evaluation results of the impact of PM2.5 emissions from vehicles on human health showed that the number of health endpoints in the Beijing-Tianjin-Hebei Region was on the rise. In 2020, PM2.5 pollution caused approximately 34337 premature deaths (95% CI: 9025-57209), 45500 hospitalizations (95% CI: 10800-80200), 282300 outpatients (95% CI: 140500-416300), and 439000 people to fall ill (95% CI: 160300-679200). Beijing had the largest number of patients that presented different health endpoints. The total health and economic losses caused by PM2.5 emissions from vehicles in 2010, 2015, and 2020 were 27.742 billion yuan (95% CI: 8.616-44.643 billion yuan), 90.608 billion yuan (95% CI: 28.476-144.050 billion yuan), and 129.965 billion yuan (95% CI: 40.829-205.245 billion yuan), respectively. In addition, due to the differences in vehicle ownership, PM2.5 concentrations, population, and economic losses per case of health outcome, the health effects and economic losses varied in different cities within the region. Among these cities, Beijing, Tianjin, Baoding, and Tangshan were at higher health risks and suffered more economic losses. The results of this study will help reduce the adverse effects on health and economic losses caused by pollution discharge and provide scientific evidence for environmental protection authorities to implement targeted pollution prevention and control.
Key words: PM2.5      vehicle pollution      health risk      economic losses      the Beijing-Tianjin-Hebei Region     

随着我国经济的持续发展和居民可支配收入增加, 机动车保有量呈现逐年稳增态势, 机动车尾气排放引起的环境污染问题日益增多[1~3].特别是PM2.5作为当前大气环境中的主要污染因子, 给人民的生活和身心健康带来了严重的负面影响, 使居民患呼吸系统疾病和心血管疾病的风险增加[4, 5], 制约着环境经济社会的可持续发展.人群每天暴露于交通环境中的时间虽短, 但其所占总暴露量的比例不容忽视[6], 特别是当交通拥堵、怠速运行和低速行驶时机动车排放量较大[7], 对人体产生的危害更大.尽管许多国家采取了淘汰高排放车辆、提高排放标准等措施, 但机动车污染排放依旧是全球疾病负担的主要贡献来源[8], 评估大气污染对居民健康的影响, 特别是对特定污染源导致的健康效应及经济损失开展研究显得尤为重要[9].

PM2.5污染与人体健康关系较为密切, 西方国家较早开展了大气污染的健康效应的研究, 其在研究体系和研究方法上都取得了一定的进展[10~12].此外在欧洲也有部分研究基于相关模型来进行大气污染防治的成本效益评估分析, 如Buekers等[13]利用ExtermE模型对欧洲各国家引入电动汽车带来的健康效益进行评估.近年来, 随着流行病学研究的不断深入, 许多中国学者进行了相关研究[14~18], 并逐渐开始采用暴露-反应(integrated exposure-response, IER) 模型开展大气污染健康效应评估, 发现2017年中国PM2.5污染导致: 280 549例全因早逝、216 415例慢性阻塞性肺疾病(COPD)、233 287例脑卒中、122 287例缺血性心脏病(IHD)住院、104 862例心血管疾病以及914 728例呼吸系统疾病门诊; 引起的中国年均劳动损失日为2 590.34万d, 居民额外医疗支出为86.39亿元, 造成的经济损失约占当年GDP的1.48%[19].随着机动车排放控制技术的不断发展, 将有助于减少机动车污染对人体健康的危害, 但目前对特定污染源污染排放产生的健康效应研究相对不足, 而对此导致的健康损失评估是政府部门进行各项政策措施成本效益分析进而优化污染防控策略的关键.

随着京津冀地区经济高速发展, 其在中国乃至世界经济、政治和文化中的地位显得异常重要, 伴随着经济的发展, 机动车数量增加明显, 区域性颗粒物和臭氧等污染问题不断凸显[20, 21], 而作为重要的排放来源, 对该地区区域污染控制及环境质量管理带来严重挑战.因此, 为合理评估区域机动车污染物排放特征, 厘清机动车污染对居民健康影响的程度以及造成的经济损失, 本研究估算2010~2020年京津冀地区机动车污染物PM2.5排放量, 研究PM2.5污染排放时间变化、分车型和分城市贡献率等特征, 评估机动车PM2.5污染导致的健康影响及经济损失, 并对不同城市的评估结果进行比较.本研究结果将有助于减轻污染排放导致的健康影响及经济损失, 以期为环保部门针对性实施污染防控措施提供科学依据.

1 材料与方法 1.1 排放清单建立

机动车污染物排放量通过以下公式计算求得:

(1)

式中, Tn为n区域机动车污染物的排放量, t ·a-1; Vn, q, p为n区域内q种车型在p种排放标准下保有量, 辆; VKTn, q为n区域q种车型年平均行驶里程, km ·a-1; EFq, p为q种车型在p种排放标准下污染物的排放因子, g ·(km ·辆)-1; 其中, n为研究区域各个城市; q为机动车类型: 轻型客车(PC)、轻型货车(LDV)、重型客车(BUS)、重型货车(HDT)和摩托车(MC); p为2010~2020年不同机动车实施的排放标准(表 1).

表 1 机动车污染物排放标准实施年份 1) Table 1 Vehicular emission standards implementation timetable

1.1.1 机动车保有量

京津冀地区各城市机动车保有量数据主要来自于2011~2021年的相关统计年鉴: 《北京统计年鉴》、《天津统计年鉴》、《河北经济年鉴》以及《中国汽车工业年鉴》等.当年生产的机动车必须严格实施同一年的污染物排放标准[22~24]. 本研究参照已有的方法[24], 根据各个城市每年的新车注册量、机动车存活率以及各类机动车实施不同排放标准的时间(表 1)计算各年份各类车型在不同排放标准下的保有量, 具体计算方法如下：

(2)

式中, Ta, m, n为区域a车型m在排放标准n下的机动车新注册量(S0~S6为排放标准国0~国Ⅵ), Qa, m, total为在区域a内车型m的全部的机动车保有量, k为新车注册年份, y为所研究年份, b为排放标准n执行时长, u为机动车存活率[24].

1.1.2 年均行驶里程

本研究估算机动车污染物排放量所需要的年均行驶里程数据采用文献[25]的参考值, 并根据已有的研究结果[21, 26~30], 参考与中国相似发展规模城市机动车污染排放的相关研究[2, 31~33]来确定.

1.1.3 排放因子

本研究基于COPERTⅣ(v11.2)模型估算京津冀地区各城市各类型机动车污染物排放因子, COPERTⅣ模型来源于欧盟环境署所开展的机动车污染物排放因子研究, 该模型以台架测试等实验获得的数据为基础; 并参考欧洲国家相关标准建立了我国机动车车型分类、测试工况以及排放标准体系等, 二者具有一定程度的相似性[34].该模型所需要的数据主要包括平均行驶速度、车辆类型、燃料参数以及气象参数等; 其中, 通过相关文献资料获取平均行驶速度数据[2, 26, 27, 35]; 不同城市月最高温、最低温以及相对湿度等气象数据来源于各省市统计年鉴; 而燃料参数数据则来自于国家和地方车用燃油标准.

1.2 空气质量模拟

本研究基于我国分行业、多尺度污染物排放清单数据(http://www.meicmodel.org)[36, 37], 采用美国国家环境保护局USEPA开发的CMAQ(community multiscale air quality modeling system)模型, 评估区域机动车污染源对大气PM2.5浓度的贡献程度.首先, 利用前文计算求得的污染物排放量取代全行业清单中的交通源的排放量, 再对2010、2015和2020年全行业污染物排放清单开展空气质量标准模拟, 获得污染物PM2.5浓度数据; 其次, 应用CMAQ模型开展敏感性模拟得到交通源污染排放量从全行业排放清单中移除后的PM2.5年均浓度; 最后, 评估标准模拟与敏感性模拟之间的差异, 得到交通源对污染物PM2.5浓度的贡献率, 并应用此贡献率乘以卫星反演的高分辨率大气PM2.5浓度, 得到交通源所致大气PM2.5的浓度, 本研究选取卫星反演的大气PM2.5浓度数据来源于已有文献的研究成果[38~42].

1.3 健康效应评价方法

本研究采用基于流行病学的泊松回归相对危险模型, 来量化污染物PM2.5浓度增加所引起的人群健康影响变化:

(3)

式中, ΔX为染物浓度变化导致的健康效应; X0为不同健康效应终端的基线发生率(表 2); Pop为暴露人群数量, 本研究以各城市的常住人口作为暴露人口; ΔC为PM2.5浓度变化, μg ·m-3, β为暴露-反应关系系数; 参考文献[43], 本研究评估PM2.5污染对人体健康的影响无阈值浓度.

表 2 各健康终端基准发生率 1) Table 2 Baseline incidence rate of different health outcomes

本研究选取早逝、患病(慢性支气管炎与急性支气管炎)、门诊(内科与儿科)以及住院(心血管疾病和呼吸系统疾病)为健康效应终点; 对于暴露-反应关系系数的选取非常关键, β取值参考Meta分析针对中国不同区域和城市的研究结果[16, 47~51], 使结果更符合中国的实际, 选取的暴露-反应关系系数如表 3所示.

表 3 主要健康影响暴露-反应系数 Table 3 Exposure-response relationship coefficient of major health effects

1.4 健康效应的货币化评价方法

本研究针对死亡终端和疾病终端分别采用支付意愿法和疾病成本法评估其单位健康经济损失, 然后将各个健康终端的经济损失进行加和.早逝的单位经济损失获取以2010年北京市民统计寿命价值(value of statistical life, VSL)168万元为基础[51], 参考不同城市CPI指数和人均可支配收入换算求得各城市2010、2015和2020年单位经济损失.

采用疾病成本法计算求得住院单位经济损失, 计算公式如下:

(4)

式中, Qi为污染导致的不同健康终端i的单位经济损失, Qip为直接费用, 即为健康终端i个体病体的诊疗费用, GDPp为个人单日误工成本[元·(人·d)-1], HiL则为相应的误工时间(住院时间).其中, 人均直接费用和住院时间数据来自于相应年鉴[44~46], 采用支气管肺炎、细菌性肺炎和浸润性肺结核等疾病的平均值替代呼吸系统疾病住院的人均直接费用和住院天数, 而充血性心力衰竭和急性心肌梗塞等疾病的平均值则用来替代心血管疾病住院的相应值; 人均误工成本则采用各城市年人均GDP的日均值[53~55].

对于门诊(内科和儿科)的单位经济损失计算, 假设研究区域不同城市全部门诊医药费中内科与儿科所占的比例与全国对应的比例相同, 再根据省、市人均可支配收入以及省级门诊医药费推算得出各市对应的门诊费用, 最终得出门诊费用中内科与儿科的相应费用.

对于患病导致的单位经济损失, 假设急性支气管炎与各城市门诊损失的比例相同, 根据文献[16]中关于急性支气管炎和门诊单位损失比例的研究结果, 并参考相关文献关于门诊单位经济损失的研究[49, 56, 57], 估算不同城市急性支气管炎的损失.而由于慢性支气管炎通常情况不易痊愈, 病程相对缓慢, 确定患病时间比较困难, 易造成病人生活质量的降低, 固不适合采用疾病成本法获取单位经济损失, 本研究参考Viscusi等[58]的研究成果, 采用统计寿命价值的32%作为慢性支气管炎的单位经济损失.

根据以上方法, 估算得到京津冀地区各个城市机动车PM2.5污染导致的各类不同健康终端的单位经济损失(见表 4).

表 4 京津冀地区2010、2015和2020年各城市不同健康终端的单位经济损失 Table 4 Unit economic losses of different health outcomes of each city in the Beijing-Tianjin-Hebei Region in 2010, 2015, and 2020

2 结果与讨论 2.1 机动车污染排放特征 2.1.1 机动车污染物时间变化趋势分析

2010~2020年京津冀地区机动车污染物PM2.5排放量时间变化趋势如图 1所示.PM2.5排放量从2010~2014年一直保持一个相对平稳的增长趋势, 由4.21万t增加到4.71万t; 自2015年以来PM2.5排放量开始缓慢下降, 到2020年污染物排放量降为4.46万t, 与北京市和天津市提早实施污染物排放标准有一定的关系(表 1); 由此得出, 在个别年份机动车污染物PM2.5排放总量略有所下降, 但整体上机动车污染物的减排形势仍然十分严峻, 减排力度不容松懈.

图 1 2010~2020年京津冀地区机动车污染物PM2.5排放量及不同车型排放分担率 Fig. 1 PM2.5 emissions from vehicles and contribution rates of emissions by different types of vehicles in the Beijing- Tianjin-Hebei Region from 2010 to 2020

2.1.2 不同车型污染物排放贡献率分析

2010~2014年京津冀地区污染物PM2.5的主要贡献车型为重型客车和重型货车, 二者总贡献率一直保持在65.27%以上(图 1).造成以上特征的主要原因是: ①我国重型客车与重型货车燃料的使用主要以柴油为主, 在行驶的过程中容易发生不完全燃烧, 从而导致颗粒物的产生[59]; ②重型货车与重型客车年均行驶里程较高[24]; 随着近几年对重型货车在城市内部行驶的管控越来越严格, 其年均行驶里程有所下降, 重型货车的贡献率有所下降, 到2020年贡献率仅为34.63%.另外, 轻型货车也为污染物PM2.5的主要贡献车型, 其贡献率在2020年达到了17.53%.随着经济的发展, 人民出行需求的提升, 轻型客车保有量近年来大量增加, 其贡献率呈逐年递增的趋势, 年均增长率达到14.83%.故未来加大力度推广新能源汽车及淘汰高污染排放车辆等措施对有效控制污染物排放至关重要.

2.1.3 不同城市机动车污染物排放特征

由图 2可知, 整体上, 北京、天津、石家庄和唐山市排放量所占京津冀地区整体的排放量比重较大, 其余城市所占的排放比例较小.由于北京市各类型机动车保有量均较大, 使其占京津冀地区整体排放比例较高, 但是北京市由于机动车排放标准与燃油标准普遍实施较早, 推行机动车尾号限行等措施, 减少了机动车污染物的排放, 机动车污染物PM2.5所占比例总体呈下降的趋势, 从2010年的15.43%下降到2020年的11.87%.天津市机动车污染物PM2.5主要由重型货车和重型客车产生, 污染物占比上下波动, 近年来下降趋势明显, 但其占比一直保持在8.51%以上; 由于机动车保有量的大量增加, 河北省的石家庄和唐山市污染物所占比例总体呈上升的趋势, 从2010年的11.89%和10.13%上升到2020年的12.99%和17.05%.其余城市所占比例较小, 各污染物占排放总量的比例均小于10%, 但是其占比总体呈增加的趋势.因此, 对这些城市的机动车污染减排工作不容松懈.由此建议, 京津冀地区机动车排放管理应重点针对河北省各城市进行; 例如, 提高机动车排放标准、加强机动车排放管理、对机动车污染物排放总量进行控制以及必要时实行车辆限行等措施.

图 2 2010~2020年京津冀地区机动车污染物PM2.5排放量城市分担率 Fig. 2 Contributions of PM2.5 emissions by vehicles in different cities to total emissions in the Beijing-Tianjin-Hebei Region from 2010 to 2020

2.2 机动车污染健康效应及健康经济损失 2.2.1 居民健康风险评价结果

由于机动车保有量、PM2.5浓度、人口数量及死亡和患病发生率的差异使得区域不同城市污染导致的健康效应存在差异, 且同一城市污染产生的健康影响在不同年份也有所不同; 2010、2015和2020年京津冀地区各城市可归因于机动车PM2.5污染的各健康终端效应总体呈现出波动上升, 近年来部分城市出现缓慢下降趋势(表 5).2020年不同健康终端相关总人数最多的是北京, 其次是天津、保定和石家庄等城市, 这些城市机动车保有量较大, 排放量高, 暴露人口分布密集、数量大, 其中北京市暴露人口数量明显高于其余城市; 虽然近年来通过政府大力污染防治, 机动车污染物PM2.5排放量呈现缓慢下降, 部分城市污染相关的死亡、住院、门诊及患病人数也出现下降趋势, 但未来仍需加大机动车污染减排力度.

表 5 京津冀地区2010、2015和2020年各城市机动车PM2.5污染的健康风险 1) Table 5 Health risk of PM2.5 pollution from vehicles of each city in the Beijing-Tianjin-Hebei Region in 2010, 2015, and 2020

对污染导致不同健康终点的健康影响分析得出, 早逝人数高于呼吸系统和心血管住院人数, 却明显低于门诊人数, 急性支气管炎和慢性支气管炎患病人数较多, 患病人数超过死亡、住院和门诊人数, 其中, 污染导致的慢性支气管炎相关人数要明显低于急性支气管炎, 急性支气管炎相关人数占总患病人数的比例能够达到80%以上, 占所有健康终端效应的43%以上(表 5).

京津冀地区2010、2015和2020年机动车PM2.5污染导致的各健康终点发生人数与总发生率情况如表 6所示, 京津冀地区归因于机动车PM2.5污染的患病[190 912人(95% CI: 67 340~304 746人)、439 021人(95% CI: 158 416~686 120人)、439 032人(95% CI: 160 336~679 194人)]人数明显高于早逝[13 349人(95% CI: 3 457~22 545人)、32 463人(95% CI: 8 487~54 347人)、34 337人(95% CI: 9 025~57 209人)]、门诊[112 070人(95% CI: 55 146~166 069人)、282 731人(95% CI: 140 514~415 195人)、282 252人(95% CI: 140 521~416 291人)]和住院[14 090人(95% CI: 4 478~23 829人)、33 431人(95% CI: 10 645~56 343人)、45 527人(95% CI: 10 838~80 281人)]人数.机动车PM2.5污染导致的各健康终点发生人数及健康终点总发生率变化总体呈上升趋势, 虽然根据前文分析部分城市污染相关的死亡、住院、门诊及患病人数出现下降趋势, 但整体京津冀地区机动车污染导致的健康损失不容乐观, 未来需要对机动车保有量大及高人口密度城市加强污染治理, 减少实际暴露于污染物的人群数量.

表 6 京津冀地区2010、2015和2020年机动车PM2.5污染的健康风险 Table 6 Health risks of PM2.5 pollution from vehicles in the Beijing-Tianjin-Hebei Region in 2010, 2015, and 2020

2.2.2 居民健康经济损失评价结果

2010、2015和2020年京津冀地区各城市污染导致的健康经济损失、占GDP比重和人均健康经济损失总体呈现出波动上升趋势, 近年来部分城市出现缓慢下降(表 7).其中, 若按污染导致的健康经济损失值排序, 2020年北京、天津、唐山、石家庄、保定、邯郸、沧州、廊坊、邢台和张家口市为前10名城市, 与健康风险的排名差别不大.然而以污染导致的健康经济损失占GDP比重排序, 则发生明显变动, 北京、保定、唐山、邢台、邯郸、石家庄、沧州、天津、张家口和衡水市分别为前十大占比城市.对人均健康经济损失排序可知, 排名靠前的城市分别为北京、唐山、天津、石家庄和保定市.从总体看, 北京、天津、保定和唐山等市机动车污染物导致的总体健康经济损失情况较严重.

表 7 京津冀地区2010、2015和2020年各城市机动车PM2.5污染的健康经济损失 Table 7 Health economic losses of PM2.5 pollution from vehicles of each city in the Beijing-Tianjin-Hebei Region in 2010, 2015, and 2020

对京津冀地区PM2.5污染健康经济损失特征分析得出(表 8), 随着我国经济水平的不断提高, 不同健康终点的单位货币损失也相应增加; 区域的健康经济损失、经济损失占GDP比重和人均经济损失也在总体上呈现上升趋势, 2020年健康经济损失相对于2010年增加了1 022.24亿元(95% CI: 322.13~1 606.02亿元), 污染导致的人均健康经济损失增长了911.84元(95% CI: 287.41~1 432.04元), 2020年健康经济损失占GDP的比重增长趋势有所放缓, 但是相对于2010年依旧增加了0.87%(95% CI: 0.27~1.35%).其中, 健康经济损失最重要的部分为早逝和慢性支气管炎, 其所占比例加和达到97.53%以上; 对不同健康终点的经济损失分析得出, 早逝对应的经济损失占比最大, 达到45.85%以上, 其次是慢性支气管炎, 占总损失的35.55%以上, 然后依次为急性支气管炎、心血管疾病住院、呼吸系统疾病住院、内科和儿科.

表 8 京津冀地区2010、2015和2020年机动车PM2.5污染的健康经济损失 Table 8 Health economic losses of PM2.5 pollution from vehicles in the Beijing-Tianjin-Hebei Region in 2010, 2015, and 2020

3 不确定性分析

对于污染导致的健康效应及经济损失, 本研究只评估机动车PM2.5污染导致的健康效应, 而进入人体的不同污染物可能对人体健康产生协同作用, 但本研究并未对其他污染物开展研究, 可能导致评估结果偏低.人口数据来自于不同城市群各城市的常住人口数据, 而人口存在空间流动性, 且总量处于动态变化, 但本研究并未考虑人口的时间变化和动态变化, 选用区域总人口开展健康影响评估, 存在一定的误差.

选用的健康终点仅考虑早逝、住院(心血管和呼吸系统)、门诊(内科和儿科)和患病(急性支气管炎与慢性支气管炎), 由于卫生资料的缺乏, 未考虑不良生殖、肺功能降低等, 对健康终点的评估不够全面.在评估相关疾病健康终点的单位经济损失时采用疾病成本法, 仅考虑误工费和医疗费, 未考虑交通费、自我治疗费等费用; 虽支付意愿法具有一定优势, 但由于忽略了相关部门在医疗研发和救治等方面的经济投入, 导致存在一定的误差, 在评估过程中采用的VSL和COI等指标数据与不同城市经济发展关系密切, 本研究采用北京市本地化的VSL研究结果, 并根据北京市暴露人群的损失及各市的人均可支配收入进行推算, 以尽可能提高评估准确性.

目前对PM2.5污染导致的健康效应研究机制还不够健全, 建立暴露-响应关系过程仍存在人群暴露模式和气象因素等各种不确定因素[60], 导致不同城市系数存在差异[61].本研究由于资料的限制, 评估污染健康效应过程中只采用了统一的暴露-响应关系系数及其95%置信区间, 将研究产生的不确定性控制在相对可靠的范围.对于各健康终点的基准发生率本研究根据相关文献进行推算, 其中对于住院和患病基准发生率, 由于数据的缺乏, 故采用其平均发生率.

4 结论

(1) 对2010~2020年京津冀地区机动车污染物PM2.5排放量变化特征分析, 京津冀地区污染物排放量总体呈现增长趋势, 近年来出现缓慢下降, 2020年下降到4.46万t; 分车型京津冀地区污染物PM2.5的主要贡献车型为重型客车和重型货车, 二者总贡献率一直保持在65.27%以上, 因此对污染主要贡献车型针对性地制定防治措施是非常重要的; 另外, 区域各城市机动车污染排放特征存在明显差异, 北京市污染物贡献率下降幅度明显, 未来需加大力度促进河北省各城市机动车污染减排.

(2) 研究期间(2010、2015和2020年)京津冀地区机动车PM2.5污染导致的各健康终点发生人数变化总体呈上升趋势, 虽然部分城市污染导致相关健康终点的人数出现下降趋势, 但整体京津冀地区机动车污染导致的健康损失不容乐观; 其中, 归因于机动车PM2.5污染的患病人数明显高于早逝、门诊和住院人数; 而不同健康终端相关人数最多的城市是北京, 其次是天津、保定等城市, 说明当个别城市存在暴露人口基数大和老龄化严重等问题, 并伴随着高浓度PM2.5污染, 将承担极大的健康风险.

(3) 研究期间(2010、2015和2020年)京津冀地区机动车PM2.5污染导致区域的健康经济损失、人均经济损失和经济损失占GDP比重总体上呈现上升趋势, 2020年健康经济损失相对于2010年增加了1 022.24亿元(95% CI: 322.13~1 606.02亿元), 污染导致的人均健康经济损失增长了911.84元(95% CI: 287.41~1 432.04元), 但是健康经济损失占GDP的比重虽在2020年出现下降趋势, 但仍高于2010年; 不同城市机动车PM2.5污染导致的健康经济损失也有极大不同, 但北京、天津、保定和唐山等城市所导致的健康经济损失问题比较突出.

参考文献
[1] Zhao X, Doering O C, Tyner W E. The economic competitiveness and emissions of battery electric vehicles in China[J]. Applied Energy, 2015, 156: 666-675. DOI:10.1016/j.apenergy.2015.07.063
[2] Sun S D, Jin J X, Xia M, et al. Vehicle emissions in a middle-sized city of China: current status and future trends[J]. Environment International, 2020, 137. DOI:10.1016/j.envint.2020.105514
[3] Hao Y P, Song X W. Research on trends and spatial distribution of vehicular emissions and its control measure assessment in the Yangtze River Delta, China, for 1999-2015[J]. Environmental Science and Pollution Research, 2018, 25(36): 36503-36517. DOI:10.1007/s11356-018-3476-y
[4] Brugge D, Durant J L, Rioux C. Near-highway pollutants in motor vehicle exhaust: a review of epidemiologic evidence of cardiac and pulmonary health risks[J]. Environmental Health, 2007, 6. DOI:10.1186/1476-069X-6-23
[5] HEI Panel on the Health Effects of Traffic-Related Air Pollution. Traffic-related air pollution: a critical review of the literature on emissions, exposure, and health effects. HEI Special Report 17[R]. Boston, Massachusetts: Health Effects Institute, 2010.
[6] 刘林瑶, 牟子平, 秦惠平, 等. 苏州市空气质量现状及其影响因素评析[J]. 苏州科技大学学报(自然科学版), 2018, 35(3): 64-69, 84.
Liu L Y, Mou Z P, Qin H P, et al. Current situation of air quality in Suzhou and the influencing factors[J]. Journal of Suzhou University of Science and Technology (Natural Science), 2018, 35(3): 64-69, 84.
[7] Fondelli M C, Chellini E, Yli-Tuomi T, et al. Fine particle concentrations in buses and taxis in Florence, Italy[J]. Atmospheric Environment, 2008, 42(35): 8185-8193. DOI:10.1016/j.atmosenv.2008.07.054
[8] Anenberg S C, Miller J, Henze D K, et al. The global burden of transportation tailpipe emissions on air pollution-related mortality in 2010 and 2015[J]. Environmental Research Letters, 2019, 14(9). DOI:10.1088/1748-9326/ab35fc
[9] 阮芳芳, 曾贤刚. 2010~2018年中国交通行业污染排放健康影响分析[J]. 中国环境科学, 2021, 41(3): 1480-1488.
Ruan F F, Zeng X G. Health impact analysis of air pollution from China's transportation industry in 2010-2018[J]. China Environmental Science, 2021, 41(3): 1480-1488. DOI:10.3969/j.issn.1000-6923.2021.03.053
[10] Voorhees A S, Fann N, Fulcher C, et al. Climate change-related temperature impacts on warm season heat mortality: a proof-of-concept methodology using BenMAP[J]. Environmental Science & Technology, 2011, 45(4): 1450-1457.
[11] Fann N, Lamson A D, Anenberg S C, et al. Estimating the national public health burden associated with exposure to ambient PM2.5 and Ozone[J]. Risk Analysis, 2012, 32(1): 81-95. DOI:10.1111/j.1539-6924.2011.01630.x
[12] 李苏桓. 基于BenMAP的京津冀PM2.5和O3达标情景下健康经济效益评估[D]. 天津: 天津师范大学, 2018.
Li S H. Health and economic benefit assessment of controlling PM2.5 and O3 pollution based BenMAP in Beijing-Tianjin-Hebei region[D]. Tianjin: Tianjin Normal University, 2018.
[13] Buekers J, van Holderbeke M, Bierkens J, et al. Health and environmental benefits related to electric vehicle introduction in EU countries[J]. Transportation Research Part D: Transport and Environment, 2014, 33: 26-38. DOI:10.1016/j.trd.2014.09.002
[14] 王情, 朱欢欢, 杜鹏, 等. 京津冀及周边地区"十四五"及中长期PM2.5污染控制目标的健康效益预估研究[J]. 环境科学研究, 2021, 34(1): 220-228.
Wang Q, Zhu H H, Du P, et al. Health benefit of '14th Five-Year' and medium & long-term PM2.5 Control targets in Beijing-Tianjin-Hebei and its surrounding areas[J]. Research of Environmental Sciences, 2021, 34(1): 220-228.
[15] Xu W J, Zeng Z T, Xu Z Y, et al. Public health benefits of optimizing urban industrial land layout- The case of Changsha, China[J]. Environmental Pollution, 2020, 263. DOI:10.1016/j.envpol.2020.114388
[16] 黄德生, 张世秋. 京津冀地区控制PM2.5污染的健康效益评估[J]. 中国环境科学, 2013, 33(1): 166-174.
Huang D S, Zhang S Q. Health benefit evaluation for PM2.5 pollution control in Beijing-Tianjin-Hebei region of China[J]. China Environmental Science, 2013, 33(1): 166-174.
[17] 武卫玲, 薛文博, 王燕丽, 等. 《大气污染防治行动计划》实施的环境健康效果评估[J]. 环境科学, 2019, 40(7): 2961-2966.
Wu W L, Xue W B, Wang Y L, et al. Health benefit evaluation for air pollution prevention and control action plan in China[J]. Environmental Science, 2019, 40(7): 2961-2966.
[18] 薛涛, 刘俊, 张强, 等. 2013~2017年中国PM2.5污染的快速改善及其健康效益[J]. 中国科学: 地球科学, 2019, 62(4): 441-452.
Xue T, Liu J, Zhang Q, et al. Rapid improvement of PM2.5 pollution and associated health benefits in China during 2013-2017[J]. Science China Earth Sciences, 2019, 62(12): 1847-1856.
[19] 曾贤刚, 阮芳芳. 中国PM2.5污染健康效应的国民经济影响分析[J]. 中国环境科学, 2020, 40(7): 3228-3238.
Zeng X G, Ruan F F. Analysis on the national economic impact of PM2.5-induced health effects in China[J]. China Environmental Science, 2020, 40(7): 3228-3238. DOI:10.3969/j.issn.1000-6923.2020.07.051
[20] Chan C K, Yao X H. Air pollution in mega cities in China[J]. Atmospheric Environment, 2008, 42(1): 1-42. DOI:10.1016/j.atmosenv.2007.09.003
[21] 郎建垒, 程水源, 韩力慧, 等. 京津冀地区机动车大气污染物排放特征[J]. 北京工业大学学报, 2012, 38(11): 1716-1723.
Lang J L, Cheng S Y, Han L H, et al. Vehicular emission characteristics in the Beijing-Tianjin-Hebei (BTH) region[J]. Journal of Beijing University of Technology, 2012, 38(11): 1716-1723.
[22] Wang H K, Chen C H, Huang C, et al. On-road vehicle emission inventory and its uncertainty analysis for Shanghai, China[J]. Science of the Total Environment, 2008, 398(1-3): 60-67. DOI:10.1016/j.scitotenv.2008.01.038
[23] Huo H, Zhang Q, He K B, et al. Modeling vehicle emissions in different types of Chinese cities: importance of vehicle fleet and local features[J]. Environmental Pollution, 2011, 159(10): 2954-2960. DOI:10.1016/j.envpol.2011.04.025
[24] Sun S D, Jiang W, Gao W D. Vehicle emission trends and spatial distribution in Shandong province, China, from 2000 to 2014[J]. Atmospheric Environment, 2016, 147: 190-199. DOI:10.1016/j.atmosenv.2016.09.065
[25] 生态环境部. 关于发布《大气细颗粒物一次源排放清单编制技术指南(试行)》等4项技术指南的公告[EB/OL]. https://www.mee.gov.cn/gkml/hbb/bgg/201408/t20140828_288364.htm, 2014-08-20.
[26] Lang J L, Cheng S Y, Wei W, et al. A study on the trends of vehicular emissions in the Beijing-Tianjin-Hebei (BTH) region, China[J]. Atmospheric Environment, 2012, 62: 605-614. DOI:10.1016/j.atmosenv.2012.09.006
[27] Lang J L, Zhou Y, Cheng S Y, et al. Unregulated pollutant emissions from on-road vehicles in China, 1999-2014[J]. Science of the Total Environment, 2016, 573: 974-984. DOI:10.1016/j.scitotenv.2016.08.171
[28] Sun S D, Zhao G, Wang T, et al. Past and future trends of vehicle emissions in Tianjin, China, from 2000 to 2030[J]. Atmospheric Environment, 2019, 209: 182-191. DOI:10.1016/j.atmosenv.2019.04.016
[29] 王计广, 桂华侨, 陈金潮, 等. 唐山市机动车排放清单与减排经济效益研究[J]. 中国环境科学, 2021, 41(11): 5114-5124.
Wang J G, Gui H Q, Chen J C, et al. Vehicle emission inventory and economic benefits of emission reduction in Tangshan[J]. China Environmental Science, 2021, 41(11): 5114-5124. DOI:10.3969/j.issn.1000-6923.2021.11.018
[30] 沈岩, 武彤冉, 闫静, 等. 基于COPERT模型北京市机动车大气污染物和二氧化碳排放研究[J]. 环境工程技术学报, 2021, 11(6): 1075-1082.
Shen Y, Wu T R, Yan J, et al. Investigation on air pollutants and carbon dioxide emissions from motor vehicles in Beijing based on COPERT model[J]. Journal of Environmental Engineering Technology, 2021, 11(6): 1075-1082.
[31] Huo H, Zhang Q, He K B, et al. Vehicle-use intensity in China: current status and future trend[J]. Energy Policy, 2012, 43: 6-16. DOI:10.1016/j.enpol.2011.09.019
[32] 姚志良, 张明辉, 王新彤, 等. 中国典型城市机动车排放演变趋势[J]. 中国环境科学, 2012, 32(9): 1565-1573.
Yao Z L, Zhang M H, Wang X T, et al. Trends in vehicular emissions in typical cities in China[J]. China Environmental Science, 2012, 32(9): 1565-1573.
[33] Lang J L, Cheng S Y, Zhou Y, et al. Air pollutant emissions from on-road vehicles in China, 1999-2011[J]. Science of the Total Environment, 2014, 496: 1-10. DOI:10.1016/j.scitotenv.2014.07.021
[34] 谢绍东, 宋翔宇, 申新华. 应用COPERTⅢ模型计算中国机动车排放因子[J]. 环境科学, 2006, 27(3): 415-419.
Xie S D, Song X Y, Shen X H. Calculating vehicular emission factors with COPERT Ⅲ mode in China[J]. Environmental Science, 2006, 27(3): 415-419.
[35] Wang H K, Fu L X, Zhou Y, et al. Trends in vehicular emissions in China's mega cities from 1995 to 2005[J]. Environmental Pollution, 2010, 158(2): 394-400. DOI:10.1016/j.envpol.2009.09.002
[36] 清华大学. 中国多尺度排放清单模型(MECI)[EB/OL]. http://meicmodel.org.cn/?page_id=560, 2022-12-05.
[37] Li M, Zhang Q, Kurokawa J I, et al. MIX: a mosaic Asian anthropogenic emission inventory under the international collaboration framework of the MICS-Asia and HTAP[J]. Atmospheric Chemistry and Physics, 2017, 17(2): 935-963. DOI:10.5194/acp-17-935-2017
[38] Van Donkelaar A, Martin R V, Brauer M, et al. Global estimates of fine particulate matter using a combined geophysical-statistical method with information from satellites, models, and monitors[J]. Environmental Science & Technology, 2016, 50(7): 3762-3772.
[39] Van Donkelaar A, Martin R V, Brauer M, et al. Use of satellite observations for long-term exposure assessment of global concentrations of fine particulate matter[J]. Environmental Health Perspectives, 2015, 123(2): 135-143. DOI:10.1289/ehp.1408646
[40] Ma Z W, Hu X F, Sayer A M, et al. Satellite-based spatiotemporal trends in PM2.5 concentrations: China, 2004-2013[J]. Environmental Health Perspectives, 2016, 124(2): 184-192.
[41] 屈加豹, 王鹏, 伯鑫, 等. 超低改造下中国火电排放清单及分布特征[J]. 环境科学, 2020, 41(9): 3969-3975.
Qu J B, Wang P, Bo X, et al. Inventory and distribution characteristics of China's thermal power emissions under ultra-low reconstruction[J]. Environmental Science, 2020, 41(9): 3969-3975.
[42] Li M, Liu H, Geng G N, et al. Anthropogenic emission inventories in China: a review[J]. National Science Review, 2017, 4(6): 834-866.
[43] Li T T, Guo Y M, Liu Y, et al. Estimating mortality burden attributable to short-term PM2.5 exposure: a national observational study in China[J]. Environment International, 2019, 125: 245-251.
[44] 中华人民共和国卫生部. 中国卫生统计年鉴-2011[M]. 北京: 中国协和医科大学出版社, 2011.
[45] 国家卫生和计划生育委员会. 中国卫生和计划生育统计年鉴-2016[M]. 北京: 中国协和医科大学出版社, 2016.
[46] 国家卫生和计划生育委员会. 中国卫生和计划生育统计年鉴[M]. 北京: 中国协和医科大学出版社, 2021.
[47] Shang Y, Sun Z W, Cao J J, et al. Systematic review of Chinese studies of short-term exposure to air pollution and daily mortality[J]. Environment International, 2013, 54: 100-111.
[48] 王珮玮. 北京机动车细颗粒物排放的浓度模拟和人体健康影响研究[D]. 北京: 清华大学, 2018.
Wang P W. Research on concentration simulation and health impact of vehicular fine particles in Beijing[D]. Beijing: Tsinghua University, 2018.
[49] 陈莎, 刘影影, 李素梅, 等. 京津冀典型城市PM2.5污染的健康风险及经济损失研究[J]. 安全与环境学报, 2020, 20(3): 1146-1153.
Chen S, Liu Y Y, Li S M, et al. Health risks and economic losses caused by PM2.5 pollution in the typical urban regions of Beijing-Tianjin-Hebei[J]. Journal of Safety and Environment, 2020, 20(3): 1146-1153.
[50] 杜沛, 王建州. 北京市控制PM2.5污染的健康效益评估[J]. 环境科学, 2021, 42(3): 1255-1267.
Du P, Wang J Z. Health benefit assessment of PM2.5 pollution control in Beijing[J]. Environmental Science, 2021, 42(3): 1255-1267.
[51] 王桂芝, 武灵艳, 陈纪波, 等. 北京市PM2.5污染健康经济效应的CGE分析[J]. 中国环境科学, 2017, 37(7): 2779-2785.
Wang G Z, Wu L Y, Chen J B, et al. A CGE-based analysis on PM2.5-induced health-related economic effect in Beijing[J]. China Environmental Science, 2017, 37(7): 2779-2785.
[52] 谢旭轩. 健康的价值: 环境效益评估方法与城市空气污染控制策略[D]. 北京: 北京大学, 2011.
[53] 国家统计局城市社会经济调查司. 中国城市统计年鉴-2011[M]. 北京: 中国统计出版社, 2011.
[54] 国家统计局城市社会经济调查司. 中国城市统计年鉴-2016[M]. 北京: 中国统计出版社, 2016.
[55] 国家统计局城市社会经济调查司. 中国城市统计年鉴-2021[M]. 北京: 中国统计出版社, 2021.
[56] 李惠娟, 周德群, 魏永杰. 2015~2018年我国PM2.5健康损害价值的动态评估[J]. 环境科学, 2020, 41(12): 5225-5235.
Li H J, Zhou D Q, Wei Y J. Dynamic assessment of PM2.5 health damage value in China from 2015 to 2018[J]. Environmental Science, 2020, 41(12): 5225-5235.
[57] 张梦娇, 苏方成, 徐起翔, 等. 2013~2017年中国PM2.5污染防治的健康效益评估[J]. 环境科学, 2021, 42(2): 513-522.
Zhang M J, Su F C, Xu Q X, et al. Health impact attributable to the control of PM2.5 pollution in China during 2013-2017[J]. Environmental Science, 2021, 42(2): 513-522.
[58] Viscusi W K, Magat W A, Huber J. Pricing environmental health risks: survey assessments of risk-risk and risk-dollar trade-offs for chronic bronchitis[J]. Journal of Environmental Economics and Management, 1991, 21(1): 32-51.
[59] 刘永红, 姚达文, 黄建彰. 珠三角地区机动车排放清单建立与来源分析[J]. 环境科学与技术, 2015, 38(6P): 458-463.
Liu Y H, Yao D W, Huang J Z. Vehicle exhaust emissions inventory and characteristics in the Pearl River Delta region[J]. Environmental Science & Technology, 2015, 38(6P): 458-463.
[60] 陈仁杰, 陈秉衡, 阚海东. 上海市近地面臭氧污染的健康影响评价[J]. 中国环境科学, 2010, 30(5): 603-608.
Chen R J, Chen B H, Kan H D. Health impact assessment of surface ozone pollution in Shanghai[J]. China Environmental Science, 2010, 30(5): 603-608.
[61] Hubert H B, Bloch D A, Oehlert J W, et al. Lifestyle habits and compression of morbidity[J]. The Journals of Gerontology: Series A, 2002, 57(6): M347-M351.