, 汝旋1, 韦朝海1,2
1. 华南理工大学环境与能源学院, 广州 510006;
2. 工业聚集区污染控制与生态修复教育部重点实验室, 广州 510006
收稿日期: 2018-02-10; 修回日期: 2018-05-25; 录用日期: 2018-05-25
基金项目: 广东省科技项目（No.2015B020235005，2015A020215008）；国家自然科学基金（No.21037001）
作者简介: 梁丽琨(1992-), 女, E-mail:likun_liang@qq.com
通讯作者（责任作者）: 韦朝海(1962—), 男, 博士, 教授, 主要从事水污染控制理论与技术的研究与应用开发工作.曾主持国家与省部级科研项目30余项, 主持技术开发与服务项目60余项, 参加发表学术论文430余篇, E-mail:cechwei@scut.edu.cn
摘要: 由于未来相当长时期内煤炭在我国的主体能源地位不会改变，全国许多地区均可能面临持续的大气煤基PAHs污染.为此，本文选取PAHs污染相对严重但缺乏足够关注的广西、四川、贵州与云南4个西南省份作为研究对象，基于煤基PAHs排放、能源消耗与经济发展之间的相互作用关系，利用系统动力学方法构建了一套综合评估模型，并将其应用于分析不同情景下西南四省（区）煤基PAHs排放的动态变化.结果表明，在维持情景下，未来10年煤基PAHs排放相对增长率的省份次序为：广西（44.54%）>贵州（29.44%）>云南（26.37%）>四川（-2.19%）.经过产业与能耗结构的调整，四川和云南在规划情景下的相对增长率分别比维持情景减少了27.17%和20.88%，这两个省的减排效果最大.同样的情况，贵州与广西仅分别减少了7.32%和5.52%，仍保持较快的增长趋势.要实现煤基PAHs的有效减排，各省份需实施有针对性的调控政策.云南应同时考虑工业源与生活源控制政策，四川应减少工业源排放量，广西和贵州应在进一步优化产业与能耗结构的基础上分别采取工业源和生活源控制政策.总体而言，系统动力学方法适用于分析非常规大气污染物的复杂动态变化，可为当地政府提供科学调控区域经济-能源结构-环境质量之间发展关系的政策参考.
关键词:煤基PAHs系统动力学情景分析西南四省(区)
System dynamics analysis of atmospheric coal-related polycyclic aromatic hydrocarbons emission in Southwest China
LIANG Likun1
, RU Xuan1, WEI Chaohai1,2 1. School of Environment and Energy, South China University of Technology, Guangzhou 510006;
2. The Key Lab of Pollution Control and Ecosystem Restoration in Industry Clusters, Ministry of Education, Guangzhou 510006
Received 10 February 2018; received in revised from 25 May 2018; accepted 25 May 2018
Supported by the Program for Science and Technology of Guangdong Province (No.2015B020235005, 2015A020215008) and the National Natural Science Foundation of China (No.21037001)
Biography: LIANG Likun (1992—), female, E-mail: likun_liang@qq.com
*Corresponding author: WEI Chaohai, E-mail:cechwei@scut.edu.cn
Abstract: As the main energy status of coal in China will not change for a long period of time, many regions throughout the country may face persistent atmospheric coal-related polycyclic aromatic hydrocarbons (PAHs) pollution. In this study, four provinces, Guangxi, Sichuan, Guizhou and Yunnan, in Southwest China were chosen as the target areas due to the inadequate research concern for their relatively serious PAHs pollution. Based on the interrelationships among coal-related PAHs emission, energy consumption and economic development, a comprehensive assessment model was developed by using system dynamics (SD) method and applied to analyze the dynamic variations of coal-related PAHs emission for the four provinces under three designed scenarios. The results showed that, under maintaining scenario, the relative growth rates of coal-related PAHs emission for the four provinces were in the order of Guangxi (44.54%) > Guizhou (29.44%) > Yunnan (26.37%) > Sichuan (-2.19%). After the adjustment of industry structure and energy consumption structure, the relative growth rates for Sichuan and Yunnan under planning scenario were reduced 27.17% and 20.88%, respectively, compared with those under maintaining scenario, resulting in the maximum emission reduction effects among the four provinces. The relative growth rates for Guizhou and Guangxi under planning scenario were merely reduced 7.32% and 5.52%, respectively, so these two provinces still maintained a relatively fast increasing trend. To achieve the effective emission reduction of coal-related PAHs, the targeted regulation policies should be implemented for the four provinces. The control policies for both industrial and household sources should be considered for Yunnan. The emission from the industrial sources should be reduced in Sichuan. The control policies for industrial and household sources should be adopted for Guangxi and Guizhou, respectively, based on further optimization and upgradation of the industry and energy structure for these two provinces. In conclusion, the SD method is capable of comprehensively analyzing the dynamic variations of unconventional atmospheric pollutants, thus providing policy references for local governments to scientifically regulate the development relationships among regional economy, energy structure and environmental quality.
Keywords: coal-related PAHssystem dynamicsscenario analysisSouthwest China
1 引言(Introduction)多环芳烃(PAHs)是一类具有“三致”作用的半挥发性有机污染物, 其来源可分为自然源和人为源, 且人为的能源利用过程是其最主要来源(Fan et al., 2014; Hamid et al., 2017).PAHs的分布范围非常广泛, 会对生态环境和人体健康造成严重威胁(Johnson et al., 2015; Agudelo-Castaneda et al., 2017).由于大气是PAHs分布的重要介质, 国内外****已对大气PAHs进行了大量研究, 其研究重点主要集中于污染监测、迁移转化、风险评价、来源解析及排放清单等方面(Shen et al., 2013; Yang et al., 2015; Chen et al., 2017).其中, 鉴于排放清单对科学研究与政策制定均具有重要意义, 许多****已对世界各地的大气PAHs排放清单进行了估算.现阶段, 大气PAHs排放清单主要应用于PAHs的污染成因、分布过程、影响因素、趋势预测等方面的基础研究及其污染防治的政策建议(Shen et al., 2013; Jimenez et al., 2017; Liu et al., 2018).值得注意的是, 大部分****在研究PAHs的影响因素与排放趋势过程中, 仅采用了相关性分析或线性回归分析等较为简单的统计分析方法, 对制定污染防治政策的有关建议多以定性分析为主.然而, 各种人为污染的发生都可能会涉及到环境、能源、经济、人口、生态或气候等多方面因素的交互影响(Barker et al., 2010; Ju et al., 2017).因此, 不同能源利用过程所排放的大气PAHs也可能会受到多种因素的潜在影响.
此外, 我国作为世界第一能耗大国, 年均消耗的能源中有60%~70%左右来自煤炭(BP, 2017).Shen等(2013)对全球222个国家各种能耗过程中大气PAHs排放清单的估算结果表明, 我国是世界上大气PAHs排放量最多的国家, 且由煤的燃烧利用所排放的PAHs(简称煤基PAHs)已成为我国PAHs排放的第二大贡献源.考虑到在未来相当长的时期内煤炭的主体能源地位不会发生改变(国家发改委等, 2016), 我国煤基PAHs污染的严重趋势将可能会一直延续下去.同时, 有研究表明, 我国生活燃煤、工业燃煤及炼焦等煤耗过程所排放的大气PAHs存在巨大的地域差异, 并主要集中于东北、华北、中部、东部及西南地区的部分省份(Xu et al., 2006; Zhang et al., 2007).目前, 对于东北、华北、中部及东部地区的省份/城市, 关注大气PAHs排放与污染状况的研究较为普遍(Ma et al., 2013; 李伟芳等, 2013; 易志刚等, 2013; 熊冠男等, 2016; 张丹等, 2016).然而, 对于PAHs污染也相对严重的西南区域, 研究关注度还不够.为此, 本文选取人均经济水平相似(国家统计局, 2016a), 但经济结构、能源结构与污染状况不同的广西、四川、贵州与云南4个西南省份作为研究对象, 探究这些省份大气煤基PAHs的排放状况与影响因素.
部分****已经通过一些简单的统计分析方法推测出煤基PAHs排放可能与居民收入、人口规模或能源结构等因素存在正相关或负相关关系(Shen et al., 2010; 蒋秋静等, 2013).然而, 通过对煤基PAHs排放潜在影响因素的理论分析可以发现：煤基PAHs是由各种煤耗过程所产生的, 而煤炭的消耗可以促进相关行业的发展从而实现经济增长；维持经济的增长需要进一步消耗煤炭等能源资源, 随之又会带来更严重的PAHs污染, 也将对居民健康与生态环境造成更大的威胁.上述分析表明, 煤基PAHs排放与各种经济、能源、环境及社会等因素之间可能存在一些尚待探讨的相互促进/制约的关系, 是一个典型的复杂系统, 故有必要对其进行多方位、多角度、多层面的系统性综合研究.
系统动力学(System Dynamics, SD)是一种可定量分析不同政策影响作用的计算机建模手段(Ahmad et al., 2016), 尤其擅长处理多变量、多维度、高阶次、非线性的复杂时变系统问题, 且该方法在不同的环境领域均得到了广泛应用(刘慧等, 2012; Zhu et al., 2015; Sukholthaman et al., 2016).当前SD模型在大气环境领域中的应用主要集中在CO2、PM2.5等常规污染物指标的研究上.例如, 陈彬等(2012)构建了以经济和人口增长导致的能源消费为核心的重庆市温室气体排放系统动力学模型, 为当地政府实现低碳经济发展提供了政策依据；Feng等(2013)利用系统动力学模型研究了2005—2030年北京市的能源消耗和碳排放趋势, 分析了不同行业和情景对能源消耗和碳排放的影响；Zhou等(2017)基于系统动力学方法建立了武汉市“经济-能源-大气环境”的系统动力学多目标规划模型, 计算出以GDP-PM2.5达标为约束的大气环境容量和大气环境承载力的阈值, 实现了对环境容量与环境-经济发展趋势的同步测算.然而, 关于SD方法在非常规监测的大气污染物(如PAHs)上的研究还鲜有****涉及.
基于上述考虑, 本文引入SD方法来研究我国西南四省(区)大气煤基PAHs排放的动态变化过程.在综合考虑各种相关的经济、能源与环境因素之间互作用关系的基础上, 分别构建4个省份的煤基PAHs排放模型, 通过定量设置不同的发展情景来探讨未来10年各省份煤基PAHs排放总量的潜在变化趋势, 并提出相应的减排政策.
2 煤基PAHs排放模型构建(Establishment of coal-related PAHs emission models)2.1 数据来源西南四省(区)煤基PAHs排放模型构建过程中相关指标所需要的统计数据来源主要包括：中国统计年鉴(2001—2016)、中国能源统计年鉴(2001—2016)、中国煤炭工业统计资料汇编、全国生态环境保护“十三五”规划及西南四省(区)各自的环境保护“十三五”规划、能源发展“十三五”规划与国民经济和社会发展第十三个五年规划纲要等统计与规划资料.此外, 本文所讨论的PAHs为16种US EPA优控PAHs的总和.通过前期对我国煤基PAHs潜在排放源的调查并结合相关文献的源划分依据, 将其分解为工业源和生活源两大类.由于统计数据的局限性, 工业煤基PAHs的排放只估算了炼焦用煤、火电燃煤和其他工业燃煤(简称工业燃煤)等用煤过程；生活燃煤则区分为清洁煤(无烟煤)和非清洁煤(烟煤)燃烧两种.工业源与生活源的PAHs排放因子分别采用张彦旭(2010)和Shen等(2013)的研究成果数据.各省份对应的煤基PAHs排放量通过排放因子法计算获得, 计算公式如下：
 | (1) |
 | (2) |
 | (3) |
2.2 系统边界及模型结构将西南四省(区)煤基PAHs排放的SD模型边界分别确定为广西、四川、贵州和云南的行政区域范围内.影响这些省份煤基PAHs排放的主要因素包括经济水平、产业结构、能源消耗、煤炭消耗、用煤结构及PAHs排放因子等.在综合考虑这些影响因素之间相互促进/制约关系的基础上, 本文将煤基PAHs排放系统分为经济、煤炭和煤基PAHs 3个子系统.如图 1所示, 3个子系统间相互联系、相互影响, 并形成因果反馈关系.在该模型结构中, 经济子系统考虑了各省份的经济发展状态及其产业结构特点；煤炭子系统包括了能源生产/消耗与煤炭生产/消耗等过程, 并考虑了主要的工业与生活用煤过程对煤基PAHs排放的影响.此外, 从图中可以看出, 煤炭/经济子系统能直接/间接地影响煤基PAHs排放过程.
图 1(Fig. 1)
 |
| 图 1 煤基PAHs排放各子系统间的结构关系 Fig. 1Structural relationships among different subsystems of coal-related PAHs emission |
2.3 系统流图及模型方程在2.2节模型结构分析的基础上, 本文利用Vensim?PLE软件分别构建了我国西南四省(区)大气煤基PAHs排放模型的系统流图(图 2), 并根据历史数据对流图中各变量间的函数关系进行反复修正从而确定最优方程(表 1).同时, 设置模型时间步长为1年, 时间范围为2000—2025年.其中, 2000—2015为历史模拟年份, 2016—2025为未来预测年份.
图 2(Fig. 2)
 |
| 图 2 西南四省(区)煤基PAHs排放模型的系统流图 Fig. 2The flow diagram of coal-related PAHs emission models for the four provinces in Southwest China |
表 1(Table 1)
| 表 1 西南四省(区)煤基PAHs排放模型中的主要变量与模型方程 Table 1 The main valuables and model equations in the coal-related PAHs emission models for the four provinces in Southwest China | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
表 1 西南四省(区)煤基PAHs排放模型中的主要变量与模型方程 Table 1 The main valuables and model equations in the coal-related PAHs emission models for the four provinces in Southwest China
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
不同变量的模型方程主要根据以下几种计算方法确定：①经验公式法.通过变量间的逻辑关系或利用经验公式来确定变量方程.②回归分析法.对相关性较大的变量之间的函数关系, 借助SPSS22.0软件进行线性/非线性回归分析(考虑的曲线类型主要为线性方程、二次方程和S曲线方程等), 同时通过拟合优度(R2)和显著性检验来确定最优方程.③表函数法.对于无显著函数关系的变量, 采用表函数法来确定其与时间变量间的函数关系.④经验值法.采用官方统计数据或参考相关文献的研究成果来确定参数值.⑤算术平均值法.对于变化范围不大或无显著函数关系的变量, 采用历史数据计算算数平均值来确定其参数值, 以规避使用数学方程牵强拟合而出现不合理的数据偏差.
需要说明的是, 通过回归分析法确定的速率变量/辅助变量的模型方程, 其拟合优度的平均值在0.9以上且均在α=0.05的水平上显著；模型方程为表函数的速率变量/辅助变量, 其2000—2015的数据采用统计值/经验值, 其2016—2025年的数据通过历史数据的平均值来换算；模型中常量的参数值均来自统计资料或有效文献.4个省份模型中各变量的原始数据来源具体为：①经济子系统中E1与E3~E10的数据来源于中国统计年鉴(2001—2016), E2与E11的数据分别通过E1与E10的历年统计数据换算而得；②煤炭子系统中C1~C14的数据来源于中国能源统计年鉴(2001—2016), C16与C18的数据来源于中国煤炭工业统计资料汇编, C15与C17的数据分别通过经验公式(表 1)计算而得；③煤基PAHs子系统中P16来自西南四省(区)政府网站公布的省域面积数据, P6、P8、P10、P12与P14的数据来源于张彦旭(2010)和Shen等(2013)的研究成果, P1~P5、P7、P9、P11与P13的数据分别通过经验公式(表 1)计算而得.此外, 由于我国尚未公布完善的工业大气PAHs排放标准(国家环保部, 2010), 因而各省份模型中P15的历史取值均为0.
3 模型分析与讨论(Model analysis and discussion)3.1 模型检验本文主要通过历史检验和敏感性分析来评估煤基PAHs排放模型的有效性与合理性.在模型正常运行的基础上, 选取了处于不同子系统中的3个主要变量, 即GDP、煤炭消耗总量与大气煤基PAHs排放总量进行历史检验, 考察这些变量在2000—2015年间模拟值与真实值的误差大小.从图 3的历史检验结果可以看出, 各省份模型中3个主要变量的相对误差均在±15%以内, 表明模型模拟结果与实际情况基本一致, 可以作为有效的仿真分析工具.
图 3(Fig. 3)
 |
| 图 3 西南四省(区)煤基PAHs排放模型的历史检验(2000—2015年)(1.GDP；2.煤炭消耗总量；3.大气煤基PAHs排放总量) Fig. 3History validation of coal-related PAHs emission models for the four provinces in Southwest China during 2000—2015 |
在敏感性分析方面, 选择5个输出变量对9个输入参数的灵敏度进行计算, 以了解这些参数的变化对系统的影响.这5个输出变量分别为GDP、煤炭消耗总量、大气煤基PAHs排放总量、工业煤基PAHs排放量和生活煤基PAHs排放量；9个输入参数分别为：第三产业GDP占比、能源消耗煤炭占比、生活用无烟煤占比、工业PAHs削减率、炼焦用煤PAHs排放因子、火电燃煤PAHs排放因子、工业燃煤PAHs排放因子、生活用无烟煤PAHs排放因子和生活用烟煤PAHs排放因子.设置每个参数的年取值变化±5%, 考察其对5个输出变量的影响.灵敏度的计算公式如下(Wang et al., 2017)：
 | (4) |
表 2(Table 2)
| 表 2 敏感性分级标准(Wang et al., 2017) Table 2 Classification criteria of sensitivity level | ||||||||||
表 2 敏感性分级标准(Wang et al., 2017) Table 2 Classification criteria of sensitivity level
| ||||||||||
|
为了考察所建立的煤基PAHs排放模型对不同参数的整体灵敏程度, 本文进一步计算了4个省份模型对9个输入参数的灵敏度均值.如图 4所示, 能源消耗煤炭占比的平均灵敏度最高, 表明该参数是影响煤基PAHs排放的最关键因素；其他8个参数的平均灵敏度值均表现为不敏感.由于本文所建立的煤基PAHs排放模型对大多数参数的变化不敏感, 表明模型具有良好的稳定性和强壮性, 能够对实际系统进行合理模拟.需要说明的是, 虽然各省份模型对不同参数的灵敏度次序并不完全一致, 但总体而言, 系统对这9个参数平均灵敏度的大小顺序为：能源消耗煤炭占比>工业PAHs削减率>第三产业GDP占比>生活用无烟煤占比>生活用烟煤PAHs排放因子>炼焦用煤PAHs排放因子>工业燃煤PAHs排放因子>火电燃煤PAHs排放因子>生活用无烟煤PAHs排放因子.
图 4(Fig. 4)
 |
| 图 4 西南四省(区)煤基PAHs排放模型的整体敏感性分析结果(1.第三产业GDP占比；2.能源消耗煤炭占比；3.生活用无烟煤占比；4.工业PAHs削减率；5.炼焦用煤PAHs排放因子；6.火电燃煤PAHs排放因子；7.工业燃煤PAHs排放因子；8.生活用无烟煤PAHs排放因子；9.生活用烟煤PAHs排放因子) Fig. 4The overall results of sensitivity analysis of coal-related PAHs emission models for the four provinces in Southwest China |
3.2 情景设置为了比较和评估在不同政策环境下我国西南四省(区)大气煤基PAHs排放的变化趋势, 本文选择在敏感性分析中对系统影响程度最大的能源消耗煤炭占比、工业PAHs削减率、第三产业GDP占比与生活用无烟煤占比共4个参数作为调整参数来构建各省份未来10年不同的经济-能源-环境发展情景.其中, 以2015年作为各情景的预测基准年, 2025年则为模型预测终年.各情景的具体设置如下.
① 维持现状情景.该情景主要用于预测4个省份模型的原有发展状态, 并作为其他情景的参考.因此, 在维持现状情景下, 模型中的所有变量和参数均保持现有的发展模式不变.
② 规划发展情景.根据西南四省(区)各自的国民经济和社会发展“十三五”规划中对产业结构的优化目标, 与其能源发展“十三五”规划中对能耗结构的升级目标, 该情景通过调整各省份的第三产业GDP占比与能源消耗煤炭占比两个参数来影响其煤炭消耗总量从而实现对煤基PAHs排放总量的控制.需要说明的是, 根据图 2的变量关系与表 1的模型方程可知, 第一、三产业GDP占比的变化会带来第二产业GDP占比的改变, 进而会影响能源的生产与消耗过程.结合对各省份经济发展要求的现实考虑, 在规划发展情景的产业结构调整过程中, 将通过对第三产业GDP占比的调整来影响第二产业GDP占比的发展, 从而达到间接调控煤炭消耗总量的目的.
③ 政策调控情景.在规划发展情景的基础上, 分别引入不同的源排放控制政策, 即工业源控制和生活源控制.工业源控制情景通过补充对工业PAHs削减率的设置来实现政策调控, 从而直接地影响煤基PAHs排放总量.由于目前我国对工业大气PAHs还没形成完善的排放标准(国家环保部, 2010), 该情景将综合参考全国及西南四省(区)各自的环境保护“十三五”规划中对重点行业挥发性有机物的减排目标, 并以2%的年增长率作为参数设置的依据.生活源控制情景通过补充对生活用无烟煤占比(即清洁煤占比)的调整来控制生活用烟煤占比(即非清洁煤占比), 从而间接地影响煤基PAHs排放总量.现阶段, 我国加强了对各地区民用散煤的管理并积极推广清洁无烟煤(国家发改委等, 2016).在综合考虑西南四省(区)无烟煤储量及其产量情况的基础上, 生活源控制情景将以2%的年增长率为依据进行参数调整.
4 结果与讨论(Results and discussion)未来10年我国西南四省(区)大气煤基PAHs排放的动态变化过程如图 5所示, 不同情景下各省份煤基PAHs排放总量和趋势变化存在较大差异.在维持现状情景下, 2025年西南四省(区)大气煤基PAHs排放总量的大小顺序为：贵州(615.6 t)>云南(501.9 t)>四川(375.3 t)>广西(157.0 t).由于贵州和广西分别为4个省份中煤耗量最大和最小的省份(图 6), 相应地, 这2个省份也分别是煤基PAHs排放总量最大和最小的省份.虽然四川与云南的煤耗量相当, 但前者的煤基PAHs排放总量却明显小于后者, 其主要原因是二省用煤结构的差异.如图 6所示, 对于排放因子第二大的炼焦用煤源, 云南和四川的煤耗量相当；但对于排放因子最大的生活用烟煤源, 云南的煤耗量却是四川的6倍以上, 最终使得云南的煤基PAHs排放总量明显高于四川.另一方面, 4个省份煤基PAHs排放的相对增长率(表 3)大小顺序为：广西(44.54%)>贵州(29.44%)>云南(26.37%)>四川(-2.19%).其中除四川外, 其余3个省份的煤基PAHs排放均表现为增长趋势.
图 5(Fig. 5)
 |
| 图 5 不同情景下我国西南四省(区)煤基PAHs排放的动态变化 Fig. 5The dynamic variations of coal-related PAHs emission for the four provinces in Southwest China under different scenarios |
图 6(Fig. 6)
 |
| 图 6 2025年维持现状情景下我国西南四省(区)用煤结构(1)与煤基PAHs排放源贡献(2)的模型预测结果 Fig. 6The forecasting results of coal consumption structure (1) and source contribution to total atmospheric coal-related PAHs emission (2) for the four provinces in Southwest China under maintaining scenario in 2025 |
表 3(Table 3)
| 表 3 不同情景下我国西南四省(区)煤基PAHs排放相对增长率 Table 3 The relative growth rates of coal-related PAHs emission for the four provinces in Southwest China under different scenarios | ||||||||||||||||||||||||||||||||||||
表 3 不同情景下我国西南四省(区)煤基PAHs排放相对增长率 Table 3 The relative growth rates of coal-related PAHs emission for the four provinces in Southwest China under different scenarios
| ||||||||||||||||||||||||||||||||||||
| ||||||||||||||||||||||||||||||||||||
在规划发展情景下, 各省份煤基PAHs的排放变化有所不同.其中, 四川和云南的减排效果最大(表 3), 前一省份的相对增长率比维持现状情景减少了27.17%, 开始呈现出快速减少的排放趋势；后一省份的相对增长率则减少了20.88%, 虽然该省份的煤基PAHs排放仍为增长趋势, 但已由较快增长变为缓慢增长.其主要原因是, 在该情景作用下这2个省份已逐渐实现了产业结构的优化并表现为“三二一”的产业结构类型, 第三产业的大力发展在一定程度上制约了与煤炭消耗直接相关的第二产业GDP占比的增长；加之这2个省份的能源结构升级力度大, 在预测年限内四川与云南的能源消耗煤炭占比已分别降低至10%和32%以下.产业结构与能耗结构调整的共同作用最终有效减少了这2个省份的煤炭消耗总量从而实现了对其煤基PAHs排放的控制.另一方面, 虽然广西和贵州在该情景下的相对增长率分别减少了5.52%和7.32%, 但这2个省份的排放总量变化不大(图 5), 其排放增长趋势仍与维持现状情景一致.首先, 虽然广西和贵州一直在优化其产业结构, 但在预测年限内该情景下这2个省份的产业结构仍欠合理.其次, 虽然广西在模型预测基准年的能源消耗煤炭占比低于全国整体水平并小于50%(国家统计局, 2016b), 但该情景下其煤炭消费比重仍缓慢增长；贵州虽然已为其能源转型升级付出了努力, 但由于对煤炭资源的依赖性大, 在预测年限内煤炭仍是其主体能源且消费比重仍高达65%以上.因而该情景最终未能改善广西与贵州煤炭消耗总量的增长趋势从而无法实现其煤基PAHs的减排, 表明这2个省份的产业结构和能耗结构仍需进一步的优化升级.
在政策调控情景下, 2种源控制政策对各省份煤基PAHs的减排效果不一致, 主要原因是这些省份具有不同的源排放特征(图 6).由于以工业源污染为主, 工业源控制政策的作用使得广西和四川煤基PAHs排放的相对增长率分别比生活源控制政策减少了20.75%和10.71%, 其减排效果优于生活源控制政策, 表明这2个省份适合引入工业源控制政策来改善煤基PAHs的污染状态.此外, 对于以生活源污染为主的贵州, 在生活源控制政策的作用下, 其煤基PAHs排放趋势已由较快增长(29.44%)变为缓慢减少(-6.66%)；而在工业源控制政策作用下, 其排放总量虽然也得到了一定程度的控制但仍不断增长(14.93%), 表明该省份适合引入生活源控制政策来改变其煤基PAHs排放的增长趋势.最后, 对于工业源和生活源排放贡献相当的云南而言, 两种源控制政策均能改变其增长的排放趋势, 且两者的煤基PAHs排放相对增长率仅相差3.77%, 减排效果无明显差异.考虑到云南的煤基PAHs排放总量相对较大, 该省可同时引入两种源控制政策以增强其减排效果.上述讨论结果表明, 西南四省(区)应根据各自的源排放特征辅以相应的源控制政策才能有效实现其煤基PAHs的减排.
总体而言, 基于情景改变条件下, 西南四省(区)煤基PAHs减排效果存在明显区别的主要原因是区域产业结构、能耗结构与源排放特征的差异性发展.为实现对4个省份煤基PAHs排放的有效控制, 云南应同时考虑2种源控制政策, 四川应实施工业源控制政策, 而广西与贵州则应在进一步优化产业结构与能耗结构的基础上分别采取工业源控制政策和生活源控制政策.
5 结论(Conclusions)本文所构建的大气煤基PAHs排放系统动力学模型, 在定量设置不同情景条件下有效地预测了西南四省(区)煤基PAHs排放的动态变化过程, 反映了煤基PAHs排放与经济发展及能源消耗之间的相互作用关系.四省的煤基PAHs排放同时受产业结构、能耗结构、用煤结构与源排放特征等因素的影响, 其中, 能耗结构是最关键的因素.在维持现状情景下, 未来10年贵州与广西分别为西南四省(区)中煤基PAHs排放总量最大与最小的省份；煤基PAHs排放相对增长率的省份次序为：广西(44.54%)>贵州(29.44%)>云南(26.37%)>四川(-2.19%), 仅四川呈现缓慢减少的排放趋势.经过产业与能耗结构的调整, 四川和云南在规划发展情景下的相对增长率分别比维持现状情景减少了27.17%和20.88%, 这两个省份的减排效果最大.同样的情况, 贵州与广西仅分别减少7.32%和5.52%, 仍保持较快的增长趋势.在政策调控情景下, 源排放特征的不同使得2种源控制政策对4个省份煤基PAHs的减排效果具有明显差异性.为实现对煤基PAHs排放的有效控制, 云南需同时关注工业源与生活源的减排, 四川需重点关注工业源的减排, 而广西和贵州则需在进一步优化产业结构与能耗结构的基础上分别关注工业源与生活源的减排.上述结果补充了西南地区有关PAHs类的半挥发性有机污染物在我国分布的研究成果, 表明系统动力学方法适用于分析非常规大气污染物的复杂动态变化, 可作为工具应用于地方政府科学指导区域经济-能源结构-环境质量的协调发展.
参考文献
| Agudelo-Castaneda D M, Teixeira E C, Schneider I L, et al. 2017. Schneider I L, et al. 2017.Exposure to polycyclic aromatic hydrocarbons in atmospheric PM1.0 of urban environments:Carcinogenic and mutagenic respiratory health risk by age groups[J]. Environmental Pollution, 224: 158–170.DOI:10.1016/j.envpol.2017.01.075 |
| Ahmad S, Tahar R M, Muhammad-Sukki F, et al. 2016. Application of system dynamics approach in electricity sector modelling:A review[J]. Renewable & Sustainable Energy Reviews, 56: 29–37. |
| Barker T, Anger A, Dessens O, et al. 2010. Integrated modelling of climate control and air pollution:Methodology and results from one-way coupling of an energy-environment-economy (E3MG) and atmospheric chemistry model (p-TOMCAT) in decarbonising scenarios for Mexico to 2050[J]. Environmental Science & Policy, 13(8): 661–670. |
| British Petroleum Company(BP). 2017. BP世界能源统计年鉴2017[OL]. 2018-02-10. https://www.bp.com/zh_cn/china/reports-and-publications.html |
| Chen C, Xia Z, Wu M, et al. 2017. Concentrations, source identification, and lung cancer risk associated with springtime PM2.5-bound polycyclic aromatic hydrocarbons (PAHs) in Nanjing, China[J]. Archives of Environmental Contamination and Toxicology, 73(3): 391–400.DOI:10.1007/s00244-017-0435-4 |
| 陈彬, 鞠丽萍, 戴婧. 2012. 重庆市温室气体排放系统动力学研究[J]. 中国人口·资源与环境, 2012, 22(4): 72–79.DOI:10.3969/j.issn.1002-2104.2012.04.014 |
| Fan R, Li J, Chen L, et al. 2014. Biomass fuels and coke plants are important sources of human exposure to polycyclic aromatic hydrocarbons, benzene and toluene[J]. Environmental Research, 135: 1–8.DOI:10.1016/j.envres.2014.08.021 |
| Feng Y Y, Chen S Q, Zhang L X. 2013. System dynamics modeling for urban energy consumption and CO2 emissions:A case study of Beijing, China[J]. Ecological Modelling, 252(SI): 44–52. |
| 国家发改委, 国家能源局. 2016. 煤炭工业发展"十三五"规划[OL]. 2018-02-10. http://www.gov.cn/xinwen/2016-12/30/content_5154806.htm |
| 国家环保部. 2010. 大气固定源污染物排放标准[OL]. 2018-02-10. http://kjs.mep.gov.cn/hjbhbz/bzwb/dqhjbh/dqgdwrywrwpfbz/index_2.shtml |
| 国家统计局. 2016a. 中国统计年鉴2016[M]. 北京: 中国统计出版社. |
| 国家统计局. 2016b. 中国能源统计年鉴2016[M]. 北京: 中国统计出版社. |
| Hamid N, Syed J H, Junaid M, et al. 2017. Elucidating the urban levels, sources and health risks of polycyclic aromatic hydrocarbons (PAHs) in Pakistan:Implications for changing energy demand[J]. Science of the Total Environment, 619-620: 165–175. |
| Jimenez J, Farias O, Quiroz R, et al. 2017. Emission factors of particulate matter, polycyclic aromatic hydrocarbons, and levoglucosan from wood combustion in south-central Chile[J]. Journal of the Air & Waste Management Association, 67(7): 806–813. |
| Johnson L L, Ylitalo G M, Myers M S, et al. 2015. Aluminum smelter-derived polycyclic aromatic hydrocarbons and flatfish health in the Kitimat marine ecosystem, British Columbia, Canada[J]. Science of the Total Environment, 512: 227–239. |
| Ju K, Su B, Zhou D, et al. 2017. Does energy-price regulation benefit China's economy and environment? Evidence from energy-price distortions[J]. Energy Policy, 105: 108–119.DOI:10.1016/j.enpol.2017.02.031 |
| 蒋秋静, 李跃宇, 胡新新, 等. 2013. 太原市多环芳烃(PAHs)排放清单与分布特征分析[J]. 中国环境科学, 2013, 33(1): 14–20.DOI:10.3969/j.issn.1000-6923.2013.01.003 |
| Liu Y, Hu Y, Li Y. 2018. Spatiotemporal multimedia emission inventory for polycyclic aromatic hydrocarbons near petroleum production plants in China based on a 10'×10' grid[J]. Chemistry and Ecology, 34(2): 146–162.DOI:10.1080/02757540.2017.1405944 |
| 李伟芳, 彭跃, 赵丽娟, 等. 2013. 东北地区城市大气颗粒物中多环芳烃的污染特征[J]. 中国环境监测, 2013, 29(1): 13–17.DOI:10.3969/j.issn.1002-6002.2013.01.003 |
| 刘慧, 郭怀成, 盛虎, 等. 2012. 系统动力学在空港区域规划环境影响评价中的应用[J]. 中国环境科学, 2012, 32(5): 933–941.DOI:10.3969/j.issn.1000-6923.2012.05.025 |
| Ma J, Chen Z, Wu M, et al. 2013. Airborne PM2.5/PM10-associated chlorinated polycyclic aromatic hydrocarbons and their parent compounds in a suburban area in Shanghai, China[J]. Environmental Science & Technology, 47(14): 7615–7623. |
| Shen G, Wang W, Yang Y, et al. 2010. Emission factors and particulate matter size distribution of polycyclic aromatic hydrocarbons from residential coal combustions in rural Northern China[J]. Atmospheric Environment, 44(39): 5237–5243.DOI:10.1016/j.atmosenv.2010.08.042 |
| Shen G, Xue M, Wei S, et al. 2013. Emissions of parent, nitrated, and oxygenated polycyclic aromatic hydrocarbons from indoor corn straw burning in normal and controlled combustion conditions[J]. Journal of Environmental Sciences, 25(10): 2072–2080.DOI:10.1016/S1001-0742(12)60249-6 |
| Shen H, Huang Y, Wang R, et al. 2013. Global atmospheric emissions of polycyclic aromatic hydrocarbons from 1960 to 2008 and future predictions[J]. Environmental Science & Technology, 47(12): 6415–6424. |
| Sukholthaman P, Sharp A. 2016. A system dynamics model to evaluate effects of source separation of municipal solid waste management:A case of Bangkok, Thailand[J]. Waste Management, 52: 50–61.DOI:10.1016/j.wasman.2016.03.026 |
| Wang D, Ma G, Song X, et al. 2017. Energy price slump and policy response in the coal-chemical industry district:A case study of Ordos with a system dynamics model[J]. Energy Policy, 104: 325–339.DOI:10.1016/j.enpol.2017.02.014 |
| Xu S S, Liu W X, Tao S. 2006. Emission of polycyclic aromatic hydrocarbons in China[J]. Environmental Science & Technology, 40(3): 702–708. |
| 熊冠男, 张云惠, 段永红, 等. 2016. 山西晋中焦化基地多环芳烃排放对周边大田卷心菜的影响[J]. 生态毒理学报, 2016, 11(2): 473–483. |
| Yang M, Wang Y, Liu Q, et al. 2015. The influence of sandstorms and long-range transport on polycyclic aromatic hydrocarbons (PAHs) in PM2.5 in the high-altitude atmosphere of southern China[J]. Atmosphere, 6(11): 1633–1651.DOI:10.3390/atmos6111633 |
| 易志刚, 黄幸然, 毕峻奇, 等. 2013. 福州城市及郊区冬、夏两季大气中多环芳烃特征研究[J]. 环境科学, 2013, 34(4): 1252–1257. |
| Zhang Y, Tao S, Cao J, et al. 2007. Emission of polycyclic aromatic hydrocarbons in China by county[J]. Environmental Science & Technology, 41(3): 683–687. |
| Zhou Y, Zhou J. 2017. Urban atmospheric environmental capacity and atmospheric environmental carrying capacity constrained by GDP-PM2.5[J]. Ecological Indicators, 73: 637–652.DOI:10.1016/j.ecolind.2016.10.015 |
| Zhu J, Wang X, Zhang L, et al. 2015. System dynamics modeling of the influence of the TN/TP concentrations in socioeconomic water on NDVI in shallow lakes[J]. Ecological Engineering, 76: 27–35.DOI:10.1016/j.ecoleng.2014.06.030 |
| 张丹, 南淑清, 王维思, 等. 2016. 郑州大气及颗粒物中多环芳烃的分布特征与来源解析[J]. 环境监控与预警, 2016, 8(3): 48–52.DOI:10.3969/j.issn.1674-6732.2016.03.013 |
| 张彦旭. 2010. 中国多环芳烃的排放, 大气迁移及肺癌风险[D]. 北京: 北京大学 |
