大氣污染防治綜合決策支持技術平臺典型城市應用研究

孫新麗, 杜世勇, 王書肖, 朱 云*, 韓道汶, 許宏宇, 邢 佳, 龍世程, 袁穎枝, 馬 喬

1.華南理工大學環境與能源學院, 廣東 廣州 510006 2.濟南市生態環境局, 山東 濟南 250101 3.清華大學環境學院, 國家環境保護大氣復合污染來源與控制重點實驗室, 北京 100084 4.山東省濟南生態環境監測中心, 山東 濟南 250100 5.廣州城環云信技術研發有限公司, 廣東 廣州 510006 6.山東大學能源與動力工程學院, 燃煤污染物減排國家工程實驗室, 環境熱工技術教育部工程研究中心, 山東省能源碳減排技術與資源化利用重點實驗室, 山東 濟南 250061

隨著我國城市化、工業化和區域經濟一體化進程的加快，以PM2.5為代表的霧霾污染嚴重影響人民生活質量[1-4]. 《大氣污染防治行動計劃》(簡稱“《大氣十條》”)實施后，京津冀、長三角及珠三角等重點區域的空氣質量得到持續改善，但是2017年我國338個地級及以上城市以PM2.5為首要污染物的天數仍然占全年重度及以上污染天數的74.2%[5-7]. 同時，我國偏重工業的產業結構、偏化石燃料的能源結構、偏公路運輸的交通結構決定了大氣污染治理的復雜性、艱巨性和長期性[8-10]. 因此，我國迫切需要開展大氣污染防治綜合決策評估，實現空氣質量的長期改善.

國內外已有大量大氣污染防治綜合決策評估的相關研究案例[11-19]. Amann等[13]利用GAINS (Greenhouse gas-Air Pollution Interaction and Synergies，溫室氣體-大氣污染物協同效益模型)評估了歐洲未來排放與空氣質量的可能變化趨勢和未來環境政策方案的成本效益. Selvakkumaran等[14]利用AIMEnduse (Asia-Pacific Integrated-ModelingEnduse，亞太地區綜合模型)估算了泰國采取低碳社會措施后CO2的減排量，并評估了該措施在邊際成本減少、能源安全、空氣污染物緩解方面的共同利益；李荔等[15]利用WRF-CMAQ (Weather Research and Forecasting Model-Community Multiscale Air Quality Modeling System，中尺度氣象模式-多尺度空氣質量模型耦合體系)對南京青奧會期間的大氣污染防治強化措施進行評估，結果表明PM2.5污染改善效果顯著；陶士康等[16]利用WRF-CAMx (WRF-Comprehensive Air Quality Model Extensions，中尺度氣象模式-綜合空氣質量擴展模型耦合體系)評估了德州市2017—2019年秋冬季大氣污染防治效果；LIU等[17]綜合利用空氣質量模擬方法和觀測數據分析了廣州亞運會期間減排措施的空氣質量改善效果；武衛玲等[18]評估了《大氣十條》的實施對全國338個地級及以上城市的環境健康影響；馬國霞等[19]利用疾病負擔模型和投入產出模型估算了《大氣十條》實施后成渝地區的大氣污染治理成本. 已有研究比較注重大氣污染防治決策的空氣質量改善效果、成本效益、健康影響的單向評估，但鮮見防治決策的綜合評估和基于特定空氣質量目標的減排策略尋優研究報道. 筆者所在課題組在大氣重污染成因與治理攻關項目的支持下，研發了以大氣污染防治綜合決策費效分析及策略優化技術為核心的大氣污染防治綜合決策支持技術平臺(簡稱“技術平臺”)，并報道了其在京津冀區域的初步應用情況[20]，然而，該技術平臺應用于城市層面的具體研究報道仍較少，因此該研究進一步聚焦于技術平臺在濟南市的應用，開展PM2.5污染防治措施評估、PM2.5及O3協同減排策略的優化反算，以期為我國城市空氣質量目標管理和科學決策提供科學工具和應用示范.

1 研究方法

1.1 典型城市及應用場景選擇

以煤、油品為主能源清潔消耗的能源消費結構、以重工業為主的產業結構、持續提升的居民消費水平和不利于污染物擴散的地理位置導致濟南市PM2.5污染形勢一直較為嚴峻[21]. 濟南市作為京津冀“2+26”城市群重要城市之一，2017年ρ(PM2.5)超過GB 3095—2012《環境空氣質量標準》二級標準限值0.8倍，綜合排名位于全國后十位，嚴重影響其省會城市形象[5]. 為此，濟南市編制了《2018年大氣污染治理“十大措施”實施方案》(簡稱“‘十大措施’”)，要求完成全市2018年同比2017年ρ(PM2.5)下降18%以上的目標. 具體措施主要包括：①強化揚塵污染綜合整治. 綠化裸露土地55×104m2；城市(縣城)快速路和主次干路的行車道機掃率、灑水沖刷率分別達到98%、99%；建筑垃圾消納場非作業面裸土覆蓋(綠化)率、路面硬化率不低于95%等. ②加強機動車污染治理. 強化在用車監管、機動車道路和停放地抽檢、出租車污染治理、高污染車輛交通管理、加油站油氣污染治理以及完善機動車檢測維護等方面的制度. ③深化工業污染治理. 督促企業完成無組織排放整治；整治“散亂污”企業，依法關停逾期不達標企業；推進依法持證排污；制定VOCs深化治理與減排方案，完成汽修及印刷行業VOCs專項整治工作等. ④推動能源結構優化調整. 東部老工業區搬遷改造、煤炭消費總量控制、推廣清潔取暖和優質燃煤等. ⑤加強車用尿素及燃油品質監督. ⑥加強露天燒烤治理. ⑦強化采暖季污染源減排. ⑧妥善應對重污染天氣. ⑨推進微觀監測站點建設. ⑩加強巡查監督.

圖1 總體研究路線Fig.1 Overall research route

“十大措施”的大氣污染源管控對象包括揚塵源、移動源、工藝過程源、固定燃燒源、溶劑使用源、儲存運輸源和民用燃燒源等多個層面. 回顧評估“十大措施”的實施效果和所獲效益，進一步探討基于特定空氣質量目標的減排策略優化，既可為濟南市下一階段的大氣污染防治綜合決策制定提供基于實證的科學依據，也可為技術平臺在我國各大城市推廣使用提供應用參考案例.

1.2 總體研究路線

該研究的總體研究路線如圖1所示，主要分為空氣質量模型設置、大氣污染防治決策一體化評估和大氣污染防治策略尋優及費效評估3個步驟，最終實現“防控措施-污染排放-空氣質量-減排成本-人體健康”多目標多污染物管理綜合決策的量化優化評估. 首先，設計以主要污染物為控制因子的控制矩陣，利用WRF-CMAQ對包含大量控制情景的矩陣進行空氣質量模擬; 其次，基于控制矩陣及其對應的模擬濃度輸出結果構建響應曲面模型(減排-濃度響應函數關系)，并將其作為技術平臺的核心環節用于決策評估及策略尋優， 決策一體化評估根據“十大措施”減排方案初步估算得到對應的控制情景; 然后,基于該情景逐次開展空氣質量濃度實時響應、排放控制成本估算、站點濃度達標推演及人體健康效益評估,若一體化評估結果未能達到預期目標，則可修正空氣質量目標〔ρ(PM2.5)和ρ(O3)〕并將其作為策略尋優的初始輸入數據，初步判斷關閉區域所有可控排放可以實現上述目標后，由最低成本達標減排策略優化反算得到優化策略;最后，結合人體健康效益估算得到空氣質量目標可達、污染防治成本低且人體健康效益顯著的大氣污染防治優化減排策略.

1.3 空氣質量模型模擬設置

1.3.1WRF-CMAQ模型設置

WRF-CMAQ被廣泛應用于研究大氣污染物的來源、產生機理及傳輸擴散過程，預測未來空氣狀況或評估污染物減排措施實施后的空氣質量改善效果[22-28]. 該研究選擇中尺度氣象模式WRFv3.9.1，耦合多尺度空氣質量模型CMAQv5.2開展大氣污染數值模擬. 模擬區域使用3層嵌套的Lambert投影，網格分辨率從外層至內層分別為27、9、3 km，模擬層頂為100 mb，垂直方向從地表至對流層頂分為20層；中心經緯度為113.1°E、34.9°N，兩條真緯線分別為30°N和39.8°N. 氣象模式的驅動數據采用美國國家環境預報中心(NECP)提供的2017年逐6 h、分辨率為1°×1°的全氣象再分析資料(FNL)，并結合NCEP ADP (Automated Data Processing)全球地表觀測數據和探空觀測數據進行網格三維數據同化. 模擬氣相化學反應機理與氣溶膠反應機理分別選取CB6和AERO6機理，最外層初始、邊界輸入采用CMAQ默認配置文件，第2層及最內層初始、邊界輸入文件均來自于上一層模擬結果文件. 第3層模擬域劃分為7個區域(見圖2)，分別為濟南市(A)、德州市(B)、濱州市(C)、聊城市(D)、泰安市(E)、淄博與萊蕪市(F)和其他區域(G). 選取第3層嵌套模擬區域的ρ(PM2.5)小時模擬值后處理為ρ(PM2.5)月均值用于響應曲面建模，受模擬計算資源限制，選取1月、4月、7月、10月分別代表濟南市2017年春、夏、秋、冬季，以這4個月的ρ(PM2.5)平均值代表ρ(PM2.5)年均值. 為減小初始條件對模擬結果的影響，均提前7 d進行空氣質量模擬. 3層嵌套模型輸入清單來源：第1、2層模擬采用清華大學開發的大氣污染物排放清單；第3層模擬使用濟南市生態環境局提供的濟南市大氣污染物排放清單.

注： A、B、C、D、E、F、G分別表示濟南市、德州市、濱州市、聊城市、泰安市、淄博與萊蕪市、其他區域.圖2 第3層嵌套模擬區域Fig.2 The third nested modeling domains

1.3.2響應曲面二次建模設置

響應曲面二次建模涉及控制因子選取、控制矩陣設計、控制情景空氣質量模擬、響應關系擬合和可靠性驗證[29-30]. 選取4個非線性氣態前體物(SO2、NOx、VOCs、NH3)和4個線性一次PM2.5排放(來自揚塵源、工業過程源、固定燃燒源、其他源的一次PM2.5排放)作為控制因子；使用哈默斯利序列采樣(HSS)均勻采樣方法對非線性氣態前體物控制因子進行采樣，采樣范圍為0～2，即控制因子控制范圍為基準年排放水平的0～200%；使用定值采樣的方式對線性一次PM2.5控制因子進行采樣，即通過將每個控制因子依次置0，而其他控制因子保持不變. 每個月份的響應曲面模型基于387個模擬情景構建：①1 個基準情景；②280個A～G各區域非線性氣態前體物獨立隨機變化情景；③40個A～G區域非線性氣態前體物聯合隨機變化情景；④8個A～G各區域非線性氣態前體物分別均為0和同時為0的情景；⑤28個A～G區域4個分部門一次PM2.5排放依次為0的情景；⑥30個外部驗證情景. 為建立ρ(PM2.5) 對非線性氣態前體物總排放的多項式非線性響應關系和對一次PM2.5排放的線性響應關系，4個月需要 1 548 個模擬情景.

1.4 大氣污染防治綜合科學決策支持技術平臺

1.4.1大氣污染防治決策一體化評估

大氣污染防治決策一體化評估系統由成本評估系統、減排與空氣質量快速響應系統、達標評估系統、效益評估系統組成，各子系統既各自獨立又能相互聯系. 初步估算“十大措施”減排方案對應的各行業污染物減排量后，系統可以快速量化空氣質量改善效果和效益-成本比(人體健康效益污染減排成本)，為決策者提供控制成本、污染物濃度和健康影響的多目標量化評估結果.

該系統的整體框架如圖3所示：①成本評估系統基于收集整理的本地化經濟-能源情景數據、末端治理數據、能源與末端技術的邊際成本優化模型[31]初步建立本地化邊際成本曲線，根據“十大措施”初步估算的控制情景估算減排量分配、總減排量和控制成本. ②減排與空氣質量快速響應系統基于排放控制矩陣及其對應的大量WRF-CMAQ情景模擬數據，利用高維變量統計建模方法構建可控人為排放源控制因子與PM2.5之間的響應曲面模型(減排-濃度響應關系)[32-37]. 構建的響應曲面模型滿足可靠性校驗[38]的誤差要求后方可用于不同控制情景下的空氣質量濃度實時響應及動態溯源. ③達標評估系統基于監測站點的基準年自動監測數據，利用空間插值法融合修正空氣質量模型或減排與空氣質量快速響應系統模擬的ρ(PM2.5)以減少模擬偏差[39-40]，用于評估各監測站點的ρ(PM2.5)是否達標. ④效益評估系統利用人體健康評估算法(健康影響函數)、經濟效益評估算法(價值評估函數)分別對環境濃度下的人群暴露水平、健康損害進行量化和貨幣化，建立排放控制-環境效益的非線性動態響應關系[40-42]后評估環境空氣質量改善獲得的人體健康影響和經濟效益，最終結合減排成本估算效益-成本比.

圖3 大氣污染防治決策一體化評估系統框架Fig.3 The framework of the decision for air pollution prevention and control integrated assessment system

1.4.2大氣污染防治策略尋優及費效評估

技術平臺主要通過費效與達標評估優化反算系統(簡稱“優化反算系統”)開展大氣污染防治策略尋優及費效評估，優化反算系統由最低成本達標減排策略優化反算模塊和效益評估系統組成，評估流程如圖4所示：①首先，完全控制研究區域所有人為排放源的情況下判斷監測站點濃度平均值是否滿足設定的環境空氣質量目標〔ρ(PM2.5)和ρ(O3)〕，若無法達標則需要放寬控制目標. ②其次，優化反算模塊通過輸入的初始參數隨機生成指定數量的減排策略后，由減排與空氣質量快速響應系統、成本評估系統、達標評估系統進行評估，基于遺傳算法尋找過程中評估結果較優的減排策略并進行組合生成新一代的減排策略[43]，減排策略的成本會逐代降低；反復迭代此方案至達到最大迭代次數后終止，并輸出以減排成本排序的多個達標減排策略. ③最后，利用效益評估系統估算人體健康效益并與減排成本相比，得到以效益-成本比排序的多個達標減排策略，以結果最優的減排策略作為策略尋優的最終方案.

圖4 費效與達標評估優化反算系統框架Fig.4 The framework of air benefit and cost and attainment assessment system-optimized edition

1.4.3數據來源

基于每個子系統的實際功能需求，數據收集總結如表1所示.

表1 大氣污染防治綜合決策支持技術平臺數據

通過數據調研和資料收集，統計整合多部門多污染物的污染控制技術，主要包括電力、工業、民用部門、機動車等大氣污染物重點排放源主要防治技術的治理效率、治理成本(包括技術安裝及更新、燃料、運行維修等成本等)等數據，結合GAINS-Asia等控制策略模型的輸出結果形成濟南市本地化的邊際單位成本曲線數據，作為成本評估系統的輸入數據；同時需要輸入根據“十大措施”估算的控制情景或優化減排策略(主要污染物相對于基準年的減排率).

減排與空氣質量快速響應系統輸入數據為成本評估系統中設定的控制情景和試驗矩陣(1 548 個控制情景)的WRF-CMAQ空氣質量模擬濃度結果文件.

達標評估系統需要各監測站點的ρ(PM2.5)及其組分監測數據，組分監測數據包括8種物質：SO42-、NO3-、NH4+、OC、EC、地殼細顆粒物、其他顆粒物、水分. 由于該研究中大部分國控點僅有ρ(PM2.5)，故未納入組分數據參與分析；通過大氣污染攻關專項中建立的大氣環境科學綜合數據采集與共享平臺(http:106.38.83.12:9002ahpcploginindex.html)獲得濟南市2017年各監測站點的ρ(PM2.5).

圖5 不同監測站點的CMAQ模擬結果校驗Fig.5 Verification of CMAQ model results at monitoring sites

查閱《2017年濟南市國民經濟和社會發展統計公報》[44]獲取2017年年末人口總數，并將其網格化得到暴露人口數據；查閱《2018中國衛生健康統計年鑒》[45]和《中國統計年鑒—2018》[46]獲取2017年基準年發病率數據. 考慮到人群基線發生率資料與單位健康終端經濟學價值的獲取難易程度，該研究基于GBD (Global Burden of Disease Study，全球疾病負擔研究)常用的IER (Integrated Exposure-Response Model，綜合暴露響應模型)，選擇全因死亡作為大氣污染急性健康終端開展健康效益評估. 基于誤差最小化原則，選擇考慮了無形損失(如疼痛和其他疾病引起的不良影響)的WTP (Willingness to Pay, 支付意愿法[41])作為價值評估函數，評估相應健康終端死亡的減少所帶來的經濟效益.

2 結果與討論

2.1 模擬結果校驗

2.1.1WRF-CMAQ模擬結果驗證

選取濟南化工廠、農科所、省種子倉庫和市監測站4個國控點2017年1月、4月、7月、10月的觀測數據分別對WRF氣象模擬結果與CMAQ模擬結果進行可靠性驗證，并使用標準平均偏差(NMB)和相關系數(R)定量表征誤差大小. 如表2所示，溫度、風速和相對濕度逐小時模擬值與其觀測值相比較，NMB值范圍分別為-5.61%～-0.30%、40.81%～127.53%和-5.12%～3.42%，R值范圍分別為0.881～0.941、0.508～0.690和0.894～0.904. 盡管WRF模擬的氣象參數個別誤差較大，但是均在氣象模型模擬誤差的可接受范圍之內[36]. PM2.5逐小時觀測數據與其CMAQ模擬結果的時序變化趨勢基本吻合(見圖5)，NMB值范圍為-18.29%～11.79%，R值范圍為0.627～0.652，滿足ρ(PM2.5)模擬的精度要求[47]. 排放清單、氣象輸入場及模型本身的不確定性均會導致CMAQ模擬存在一定的誤差，但WRF-CMAQ模擬體系對氣象參數和ρ(PM2.5)的模擬總體滿足可靠性要求，可用于后續的響應曲面二次建模.

表2 WRF氣象模擬結果校驗

2.1.2響應曲面二次建模結果驗證

基于每個月的30組外部驗證情景數據，利用減排與空氣質量快速響應系統的外部驗證方法對響應曲面二次建模的可靠性進行檢驗. 使用平均偏差(MB)、平均誤差(ME)、平均標準偏差(MNB)、平均標準誤差(MNE)、平均相對偏差(MFB)、平均相對誤差(MFE)、標準平均偏差(NMB)和標準平均誤差(NME)和共8項統計學指標表征誤差大小，其中每個月30組情景模擬數據的NMB平均值范圍為-0.09%～0.70%(見表3)，滿足響應曲面二次建模的誤差要求[47]. 選取每個月NMB相對較高的情景進一步校驗，CMAQ模擬值和響應曲面二次建模預測值的相關系數(R)均在0.99以上(見圖6)，表明響應曲面二次建模預測結果與CMAQ模擬結果高度相關. 總體來看，該研究建立的響應曲面模型預測濃度與CMAQ模擬濃度有較好的一致性，可以較準確地捕捉和反映PM2.5與其前體物的濃度響應關系[47]，可用于控制情景的空氣質量濃度實時響應.

表3 RSMCMAQ建模結果評價指標

Table 3 The evaluation index of RSMCMAQ modeling results

表3 RSMCMAQ建模結果評價指標

月份評估指標MBMEMNB∕%MNE∕%MFB∕%MFE∕%NMB∕%NME∕%1月-0.100.92-0.070.96-0.080.96-0.090.944月0.220.890.491.680.461.670.421.617月0.280.710.701.630.671.610.661.6110月0.391.090.781.940.741.910.701.87

圖6 RSMCMAQ 建模結果驗證Fig.6 Verification of RSM/CMAQ modeling results

2.2 “十大措施”實施效果一體化評估

2.2.1減排量和減排成本估算

根據“十大措施”減排方案，初步估算得到濟南市SO2、NOx、VOCs、一次PM2.5的總減排量分別為 6 507.02、16 790.12、32 340.98、27 083.85 t. 結合濟南市2017年大氣污染源排放清單，得到SO2、NOx、VOCs、一次PM2.5的減排率分別為39%、24%、42%、41%〔來自揚塵源、工業過程源、固定燃燒源、其他源的一次PM2.5減排率分別為31%、75%、15%、8%(相對于各污染源排放量)〕；由于PM2.5的前體物中NH3的減排成本較大，該研究設計中所有控制情景的NH3減排率均為0. 該研究更新了本地化邊際單位成本曲線(見圖7)，并利用成本評估系統初步估算了該控制情景下濟南市SO2、NOx、VOCs、一次PM2.5的減排成本分別約為0.17×108、0.67×108、3.61×108、0.25×108元，共計4.70×108元. NOx和VOCs的減排成本遠高于SO2和一次PM2.5，其中一次PM2.5與VOCs的減排率相當，但由于較低的單位減排成本使其總減排成本最小.

圖7 污染物減排單位成本曲線Fig.7 Abatement unit-cost curves of five pollutants

2.2.2PM2.5改善效果評估

將設置的控制情景輸入減排與空氣質量快速響應系統后，由圖8的空氣質量濃度實時響應結果可知：濟南市ρ(PM2.5)在整體下降的基礎上超標情況仍然嚴重，主要集中在與德州毗鄰的西北接壤地區，其中天橋區超標幅度重達25%，主要與該區域工業企業較多、人口較密集、交通相對繁忙有關. 濟南市本地一次PM2.5減排對ρ(PM2.5)下降的貢獻最大，其中揚塵源(包括堆場揚塵、道路揚塵、施工揚塵、土壤揚塵)的貢獻約占本地貢獻總量的49.65%(見圖9)，由于一次PM2.5的單位減排成本最低，因此優先削減本地揚塵源排放是降低ρ(PM2.5)最經濟有效的手段.

圖8 不同控制情景下的ρ(PM2.5)空間分布Fig.8 Spatial distribution of ρ(PM2.5) under different scenarios

圖9 濟南市排放源對ρ(PM2.5)下降的貢獻Fig.9 Contribution of emission sources on the decrease of ρ(PM2.5) in Jinan City

由達標評估系統的結果可知，2017基準年氣象條件下“十大措施”控制情景可使濟南市2018年ρ(PM2.5)同比下降19%；濟南市所有監測站點的PM2.5均得到明顯改善(見圖10)，以60 μgm3為設定標準，站點超標個數占比從2017年的64%降至17%，超標站點主要為附近工業企業相對較多的機床二廠、濟南寶勝、藍翔技校、平陰城區、平陰開發區和省種子倉庫. 濟南市在“十大措施”控制情景下的ρ(PM2.5)空間分布、各污染物減排貢獻及減排成本情況，可為下一階段污染防治的方向和側重點提供科學的數據支撐.

圖10 濟南市監測站點ρ(PM2.5)對比Fig.10 Comparison of ρ(PM2.5) at monitoring stations in Jinan City

2.2.3健康效益評估

效益評估系統的結果表明ρ(PM2.5)年均值的下降使研究區域避免早逝人數為141～719例，其中濟南市的全因死亡人數約減少310例，人體健康-經濟效益(全因死亡)為6.60×108元(95%置信區間為[4.25×108， 25.54×108]元)，與減排成本(4.70×108元)相比可知效益-成本比約為1.40，說明“十大措施”的實施可以使濟南市實現正向的收益.

2.3 大氣污染防治策略尋優及費效評估

2.3.1空氣質量目標修正

受年際相對不利氣象的影響[48]，2018年濟南市ρ(PM2.5)實際僅同比下降了17.5%，未完成同比下降18%以上的目標. 由于該研究是基于2017年基準年排放清單及氣象建立的響應曲面模型，因此需要提升以2017年氣象為基準的空氣質量改善率目標，用于減排策略優化反算及費效評估. 文獻[48]報道由2018年氣象驅動的ρ(PM2.5)模擬值在低排放和高排放水平下分別比2017年高12%和15%(同一控制情景)，假設同一控制情景下氣象條件對ρ(PM2.5)下降的相對影響保持不變，據此取其平均值(13.5%)進一步修正得到2017年氣象條件下濟南市需要實現ρ(PM2.5)同比下降20%〔18%(1+13.5%)〕的空氣質量目標. “十大措施”未詳細要求O3減排目標，但實際監測數據顯示濟南市2018年ρ(O3)同比上升6.3%，為實現ρ(O3)同比不升，考慮氣象不利而初步設置ρ(O3)同比下降8%作為控制目標. 將PM2.5和O3協同防控目標(分別為20%和8%)輸入費效與達標評估優化反算系統，可得到優化減排策略.

2.3.2策略尋優及費效評估

邊際單位成本曲線代表了每種污染物控制技術的最優化組合，效益最高的控制技術會作為策略尋優的首選. 如圖7所示，VOCs和SO2的單位控制成本在削減率低于60%時比較平穩，之后隨著控制力度的加大而急劇上升；當NH3和NOx的削減率均低于40%時，前者的單位控制成本低于后者，因此盡管NH3的單位控制成本在PM2.5前體物中最高，但當VOCs和NOx的成本遠高于NH3時，在要求更高的減排需求情況下也需要考慮對NH3進行控制；SO2和一次PM2.5的單位控制成本明顯低于其他污染物，因此會成為優先控制的污染物. 經過策略尋優反算后，選取前10個達標控制情景結果進行對比分析，其中SO2、NOx、VOCs、一次PM2.5的減排率分別為45%～50%、20%～22%、42%～45%、58%～61%，各污染物的控制范圍差距較小，均未超過邊際單位成本曲線拐點(見表4)；每個情景中NOx和VOCs減排比例明顯低于其他污染物，鑒于污染物排放量和濃度之間的非線性響應關系，PM2.5濃度下降率可能不會隨污染物控制比例的增加而單調升高. 在目標污染物達標情況下綜合考慮成本和效益，將控制情景1作為大氣污染防治優化減排策略(簡稱“優化策略”)：SO2、NOx、VOCs、一次PM2.5排放量相對于2017基準年分別減排46%、20%、42%、60%，周邊城市的污染物減排策略與“十大措施”減排策略保持一致.

表4 濟南市優化控制情景

優化策略的總減排成本約4.69×108元，其中SO2、NOx、VOCs、一次PM2.5的減排成本分別為0.20×108、0.45×108、3.61×108、0.43×108元；ρ(PM2.5)年均值的下降可使濟南市的全因死亡人數減少415例，可獲得的人體健康-經濟效益為8.84×108元(95%置信區間為[5.50×108， 35.73×108]元)，效益-成本比約為1.88. 對比“十大措施”，優化策略進一步降低了濟南市西北地區及監測站點的ρ(PM2.5)(見圖11、12).

圖11 不同控制情景下的ρ(PM2.5)空間分布Fig.11 Spatial distribution of ρ(PM2.5) under different scenarios

圖12 濟南市監測站點ρ(PM2.5)對比Fig.12 Comparison of ρ(PM2.5) at monitoring stations in Jinan City

2.3.3優化策略可靠性驗證

為評估優化策略能否實現2018年氣象條件下ρ(PM2.5)下降18%以上的目標，該研究基于依據優化策略更新得到的2018年控制情景清單，通過WRF-CMAQ模擬2018年氣象條件下的空氣質量濃度分布，綜合利用達標評估系統和2018年的站點實際監測數據融合修正CMAQ模擬結果，分析得到優化策略可使濟南市2018年ρ(PM2.5)和ρ(O3)平均值同比2017年分別下降18.3%、0.02%，可實現預期目標.

3 結論

a) 濟南市在“十大措施”控制情景下的SO2、NOx、VOCs、一次PM2.5減排率分別為39%、24%、42%、41%. 技術平臺的一體化評估結果表明，該情景在2017基準年氣象條件下可使濟南市2018年ρ(PM2.5)同比下降約19%，新增治污成本4.70×108元，效益-成本比約1.40；單位減排成本最低的本地揚塵源減排對ρ(PM2.5)下降的貢獻率最大，建議濟南市下一階段應進一步強化揚塵源減排.

b) 以濟南市2018年同比2017年ρ(PM2.5)、ρ(O3)分別下降20%、8%作為空氣質量目標，利用技術平臺開展大氣污染防治策略尋優及費效評估，反算出SO2、NOx、VOCs、一次PM2.5減排率分別為46%、20%、42%、60%的優化策略，該策略下的新增治污成本約4.69×108元，效益-成本比約1.88. 對比“十大措施”控制情景，優化策略側重提高了SO2和一次PM2.5的減排率，降低了對O3具有負貢獻的NOx減排率，滿足空氣質量目標的同時又盡可能地降低了治污成本.

c) 該研究利用大氣污染防治綜合決策支持技術平臺在濟南市開展了“防控措施-污染排放-空氣質量-減排成本-人體健康”多目標多污染物一體化快速評估和特定空氣質量目標的減排策略尋優，為其下一階段的大氣污染防治綜合決策制定提供科學依據和數據支撐. 技術平臺在城市層面的成功應用對其在我國城市逐步推廣具有重要示范意義，可有效支持我國城市空氣質量的達標規劃需求.