基于LEAP的京津冀地区能源结构调整战略居民健康收益评价
蔺文亭+李巍
摘要：在控制大气污染和保障居民健康的要求下，京津冀地区能源消费面临着总量控制和结构优化的巨大压力。本研究基于京津冀地区的社会经济发展目标并结合相关节能减排和环保要求，针对2014-2030 年间的能源消费分别设计了基准情景（BAU）和能源结构调整情景（ESA），基于LEAP模型模拟预测了地区未来的能源消费及主要风险因子PM2.5的排放强度。分别采用综合暴露-反应关系IER模型和修正人力资本法评估了区域内居民在PM2.5暴露下的健康风险和经济损失，最后得出能源结构调整战略的居民健康收益。结果显示，至2030年，相比于基准情景，进行能源结构调整约可减少能源消费2.32亿吨，避免死亡14592例，获得经济收益约3297721万元。京津冀地区应加快实施能源消费总量控制、清洁能源替代等的强化节能措施，并针对北京、天津、保定等高风险的重点地区率先实行更严格的管控政策，以期更有效地降低区域整体风险，获得最大化的能源结构调整带来的健康收益。
关键词：能源消费，LEAP模型，大气污染，居民健康收益，京津冀地区
中图分类号：X823 文献标识码：A 文章编号：2095-672X（2017）02-0014-10
DOI：10.16647/j.cnki.cn15-1369/X.2017.02.002
引言
近年来因化石燃料燃烧所造成的大气污染已引起了广泛关注[1]。京津冀地区作为我国大气污染最严重的地区，其首要污染物PM2.5主要来源于燃煤、机动车、工业生产及扬尘[2-3]。以煤炭为主的能源消费总量持续增加，是造成该地区大气污染的主要原因。大气污染物暴露易引发或加重呼吸道疾病及心血管疾病，甚至导致急性死亡[4-5]，而PM2.5是最主要的风险因子[6]。京津冀地区的大气污染健康风险已引起广泛关注[7-8]，并且已有学者针对京津冀地区控制大气污染的健康收益进行了研究[9-1011]。目前，國内外学者围绕能源消费、大气污染及人群健康风险开展了一系列的研究，主要有某一行业能源结构调整下的PM2.5浓度变化及人群健康收益[1]，城市不同能源消费结构下的PM10暴露水平及人群健康收益[12]，城市能源消费的PM10和SO2排放对人群健康影响与经济损失的评估[13]，节能减排情景下PM10对人群健康的影响及政策建议[14]等。上述研究主要以常规大气污染物为风险因子，采用能源-环境模型、排放清单法等预测大气污染物排放量，并通过大气扩散模型、空气质量模型等模拟大气污染物的浓度，最终进行健康风险（收益）和经济损失（收益）的评估。
京津冀地区是我国区域发展战略的重要指向区，在京津冀协同发展的战略背景下，采取了一系列的政策措施来优化能源结构、促进产业转型升级、改善生态环境。本研究基于区域发展战略和节能减排政策，全面地评估京津冀地区未来的能源消费及其大气污染居民健康风险，以期评估能源调整战略带来的居民健康收益，并从保护居民健康角度提出调控能源消费结构，降低大气污染物排放的对策和建议。在吸收已有研究成果的基础上，本研究以2014年为基准年，以2020-2030年为目标年，基于京津冀地区的社会经济发展目标、能源政策、环保要求等，设立基准情景及节能减排情景，通过能源-环境模型预测污染物排放强度，将其转化为污染物在空气中的暴露水平并评估大气污染物暴露下的居民健康风险，进一步评估居民健康收益，并提出对策和建议。
1 研究方法及情景设定
1.1 区域能源结构调整战略情景设定
《京津冀协同发展纲要》确定了“一核、双城、三轴、四区”发展格局，以北京、天津为协同发展的主要引擎，并划分为中部核心区、东部滨海发展区、南部功能拓展区和西北部生态涵养区，确定各功能区的发展重点。同时，2017年国家设立了雄安国家级新区，雄安新区将成为京津冀地区协同发展的第三个重要引擎。根据京津冀地区协同发展纲要、一省两市现有的十三五规划（纲要、建议）、相关的产业规划以及近期国家出台的相关政策，结合对全国经济发展趋势的整体判断，对京津冀地区未来的社会经济发展趋势进行判断，确定能源消费的主要驱动因素，包括人口、GDP、城市化水平、产业发展等（表1）。
在此基础上，结合京津冀地区的能源规划、节能减排要求等，设计两种情景：
（1）情景一：基准情景BAU。假设京津冀地区未采取进一步加强的节能减排政策和措施，地区能源消费参考各省市能源十二五规划的基本要求，综合十二五时期发展做趋势外推；但是，末端治理要求符合大气污染防治行动计划等最新环保要求。
（2）情景二：能源结构调整情景ESA。以《京津冀协同发展生态环境保护规划》、各地市十三五规划（纲要、建议）、各省市可再生能源十三五规划、京津冀地区大气污染防治行动计划、《能源发展战略行动计划（2014-2020年）》等为主要依据，设定地区主要节能减排政策。具体包括：a.控制煤炭消费总量，到2020年煤炭占比：北京8%、天津50%、河北45%，2030年进一步降低。b.清洁能源替代，全面推广煤改电、煤改气。c.大力发展可再生能源，到2020年可再生能源占比：北京7%、天津4%、河北7%。d.控制散煤燃烧。e.加快淘汰落后产能。同时，末端治理要求与基准情景保持一致。
1.2 基于能源消费的PM2.5排放强度预测
LEAP（Long-range Energy Alternatives Planning System）模型是由瑞典斯德哥尔摩环境研究院开发的基于能源方案情景分析的经济-能源-环境综合模型。该模型为自底向上模型，可根据不同行业能源消费的设定情景和驱动因子预测不同时间段的能源消费量，并链接各种环境污染物排放因子计算相应的排放强度[15]。目前该模型在经济-能源-环境问题方面已得到了广泛的应用[16-17，18]。
利用LEAP模型分地市、分行业对能源需求及污染物排放进行预测。结合京津冀地区的实际用能情况，分为6个部门：第一产业部门、工业部门、建筑业部门、交通部门、商业及服务业部门、家庭部门。本研究中基线年不同部门能源消费量参考京津冀地区各地市2014年统计年鉴中分行业主要能源消费品种（ 煤炭、焦炭、汽油、煤油、柴油、燃料油、液化石油气、天然气、热力、电力） 及其统计消费量（不同地市消费品种统计上存在一定差异）。污染物排放因子参考Wang[19]等与Zhao等[20]的研究成果，结合《环境保护实用数据手册》得出。
1.3 大气污染物暴露水平模拟
大气污染对人体健康的影响主要取决于大气污染程度、暴露时间等。基于能源调整战略及区域发展战略中，能源消费部门及污染源布局的不确定性，采用大气污染扩散模型模拟区域不同能源消费情景下大气污染物浓度[21]，计算公式为：
式中，C为环境空气中某种污染物的模拟浓度，μg/m3；Q为大气污染物排放总量，104 t；S为各地市总面积，km2；Si为主城区面积km2；A为排放总量控制系数，取值范围为4.2—5.6，104 t/（a·km2），α为低架源排放转换系数。
式中，C为大气污染物的预测浓度，C0为地区背景浓度，Q为大气污染物排放总量，v为风速，w为箱体宽度，h为箱体高度。
假设t为年份，Ct、Ct-1分别为排放量为Qt、Qt-1时的年均浓度，则由式1可得：
通过各地市PM2.5历史排放量与年均浓度估算出（Ct-1 – C0 ）/Qt-1平均值，则式2可进一步改写成：
1.4 健康效应评价
大气细颗粒物暴露的健康效应可分为慢性效应和急性效应。急性健康效应包括日死亡率增加、呼吸道疾病住院增加等；长期暴露于颗粒物的慢性效应包括死亡率和其他慢性影响[22]。本研究重点考虑长期的能源结构调整带来的健康效益，由于大气污染长期累积暴露下的慢性健康效应要远远大于急性健康效应[23]，因此选择慢性健康效应中的死亡率为健康终点。
目前大气细颗粒物污染慢性死亡健康效应的评价主要基于对暴露-反应关系的研究成果，利用泊松回归模型进行评价。而针对发展中国家PM2.5暴露浓度较高的问题，Burnett等[24]在综合考虑室外大气污染及吸烟等室内污染的基础上，模拟评估了居民慢性死亡健康效应的变化，回归分析出适合于PM2.5高暴露浓度下的发展中国家的综合暴露-反应关系模型（IER），计算公式为：
式中，ΔEdeath为因PM2.5暴露浓度变化引发的居民死亡效应变化量，人；P为各情景人口数量，人；E为基准年人群死亡率，‰；RR为各情景PM2.5暴露浓度对应的相对危险度。
本研究中，采用IER模型评估京津冀地区PM2.5暴露下的大气污染健康效应，选取缺血性心脏病（IHD）、慢性阻塞性肺疾病（COPD）、中风（STROKE）、肺癌（LC）四种死亡健康终点。基准死亡率参考《国家人口与健康科学数据共享平台》及各地统计年鉴数得出。RR取值参考《全球疾病负担2010年研究报告》成果[25]。
1.5 健康效应经济价值评估
在非完全市场经济的发展中国家，多采用疾病成本法和人力资本法等来进行污染的健康效应。其中，人力资本法又可分为传统的人力资本法和修正的人力资本法。修正的人力资本法忽略了个体价值的差异，以损失的生命年中的人均GDP 之和来代替个体收入水平的差异[26]，其计算公式如下：
式中，ECal为过早死亡的人力资本损失，万元；Ped为大气污染造成的过早死亡人数，例；HCm为人均人力资本，万元/例；GDPpc0为基准年的人均GDP，万元；t为平均寿命损失年；α为人均GDP年增长率；γ为社会贴现率。
其中，损失寿命年是指一个人的死亡年龄与社会期望寿命的差[27]。根据大气污染健康效益评价中选取的健康终点，本文重点考虑呼吸系统、心脑血管疾病对居民寿命的影响。参考现有研究结果[27-28]，损失寿命年取17。
2 结果与讨论
2.1 京津冀地区能源消费及污染物排放预测
基于上述两个情景，利用LEAP模型对京津冀地区2014-2030年能源消费进行预测，结果如下：BAU情景下，2020年地区能源消费总量约为5.50亿吨标准煤，较2014年增加30%，能源消费结构煤炭：油品：天然气：电：可再生能源为57.7：17：11.7：8.7：4.9。到2030年，能源消费增长到7.97亿吨标准煤，能源消费结构调整为煤炭：油品：天然气：电：清洁能源为51.5：16.6：14.5：11.8：5.5。ESA情景下，2020年地区能源消费总量约为4.64亿吨标准煤，较2014年增加10%，能源消费结构煤炭：油品：天然气：电：清洁能源为39.6：10.5：20.7：22.4：6.8。到2030年，能源消费增长到5.65亿吨标准煤，能源消费结构进一步得到优化，煤炭：石油：天然气：电：清洁能源为17.1：10.3：30：27.6：15。从地区分布上来看，两个情景下，地区能源消费均主要分布在工业集中的东部沿海区和人口集中的中部核心区，占到地区京津冀地区能源消费总量的70%以上。
基准情景及节能减排情景下，京津冀地区PM2.5排放量如图1所示。BAU情境下，由于末端治理措施的实施及小幅度的能源结构调整，PM2.5排放量与基准年基本持平，2020年和2030年排放量分别为179万吨和191万吨。ESA情景下，能源结构得到有效调整，PM2.5排放量大幅降低，2020年和2030年排放量分别为124万吨和92万吨，较BAU情景分别减少了54万吨和99万吨。
2.2 大气污染居民健康效应预测
通过大气污染扩散模型，根据各地市污染物排放量模拟各情境下的大气污染物暴露水平，如表2所示。2014年模拟结果与环保部监测数据较一致，说明该结果总体可信。模拟预测结果显示，两种情景下PM2.5浓度差异显著。BAU情景下，京津冀地区PM2.5浓度整体上升，尤其以沧州、石家庄、邢台、衡水、廊坊等地浓度居高不下。通过能源结构调整，相对于BAU情景，至2020年，ESA情景浓度约下降20%～35%，至2030年约下降40%～55%。
通过IER模型计算京津冀地区在上述两个情景下，由PM2.5暴露导致的死亡水平，结果见表3。
评价2020 年及2030年各情景下空气污染导致的居民急性死亡情况。BAU情景下，2020年归因于PM2.5的死亡总计为113291例（ 95%CI： 50264 ～ 147454） ，2030年为121831例（ 95%CI： 52149 ～ 160718）。ESA情景下，2020年歸因于PM2.5的死亡总计为103723例（ 95%CI： 44516 ～ 138430） ，2030年为107239例（ 95%CI： 43303 ～ 146035）。相较于BAU情景，可分别避免死亡9568例、14592例。从空间布局来看，各情景下的居民健康风险和能源结构调整的健康收益如图2所示。
2.3 健康效益經济价值评估
根据修正的人力资本法估算不同能源消费情景下居民对PM2. 5暴露的健康损失经济价值，结果如表4所示。相对于BAU 情景，ESA情景可分别减少健康损失经济价值1562274万元（2020年）和3297721万元（2030年）。 北京、天津、石家庄、保定可获得的健康收益约占40%左右。
3 结论及建议
（1）通过进行能源结构调整，相比于基准情景，约可减少能源消费0.86亿吨（2020年）和2.32亿吨（2030年）。由于能源消费的减少和能源结构的优化，PM2.5等大气污染物的排放量将有效降低，并且进一步减少大气污染所带来的健康风险。
（2）通过对两种情景下空气污染导致的死亡人数进行对比分析，发现2020年，相对于BAU情景，ESA情景可避免死亡9568例（ 95%CI： 5747 ～ 9023），获得经济收益约1562274万元；2030年，可避免死亡14592例（ 95%CI： 8845～ 14683），获得经济收益约3297721万元。
（3）京津冀地区应加快实施能源消费总量控制、清洁能源替代等的强化节能措施，以更高的空气质量标准和污染减排要求促进能源消费结构进一步优化。针对北京、天津、雄安新区等重点地区，应重点进行管控，严格控制煤炭消费总量并持续降低煤炭在能源消费中的比重，提前实施天然气、一次电力等清洁能源替代，全面改善环境空气质量，最大程度地降低能源消费导致的大气污染所带来的居民健康风险。
参考文献
[1]Zhang S，Worrell E， Crijns-Graus W， et al. Modeling energy efficiency to improve air quality and health effects of Chinas cement industry[J]. Applied Energy， 2016， 184：574-593.
[2]缪育聪，郑亦佳，王姝，刘树华. 京津冀地区霾成因机制研究进展与展望[J]. 气候与环境研究，2015，（03）：356-368.
[3]黄蕊珠，陈焕盛，葛宝珠，姚石泉，王哲，杨文夷，陈学舜，朱莉莉，黄思，王自发. 京津冀重霾期间PM_（2.5）来源数值模拟研究[J]. 环境科学学报，2015，（09）：2670-2680.
[4]於方， 过孝民， 张衍燊， 等.2004 年中国大气污染造成的健康经济损失评估[J]. 环境与健康杂志， 2007， 24（12）：999-1003.
[5]Chen B H， Kan H D. Air pollution and population health： a global challenge[J]. Environmental Health and Preventive， 2008， 13（2）：94-101.
[6]Lim， S.S.， Vos T.， Flaxman A.D.， et al. A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor clusters in 21 regions， 1990–2010： a systematic analysis for the Global Burden of Disease Study 2010 [J]. The lancet， 2012， 380 （9859）： 2224-2260
[7]谢杨，戴瀚程，花岡達也，増井利彦. PM_（2.5）污染对京津冀地区人群健康影响和经济影响[J]. 中国人口·资源与环境，2016，（11）：19-27.
[8]吕铃钥，李洪远. 京津冀地区PM_（10）和PM_（2.5）污染的健康经济学评价[J]. 南开大学学报（自然科学版），2016，（01）：69-77.
[9]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]. 中国环境科学学， 2013， （01）：166-174.
[10]Chen L， Shi M， Li S， et al. Quantifying public health benefits of environmental strategy of PM 2.5， air quality management in Beijing–Tianjin–Hebei region， China[J]. Journal of Environmental Sciences， 2016.
[11]董战峰，高晶蕾，郝春旭，葛察忠. 《大气污染防治行动计划》实施的人体健康效应评估[J]. 环境污染与防治，2017，（02）：225.
[12]阚海东，陈秉衡，陈长虹. 上海市能源提高效率和优化结构对居民健康影响的评价[J]. 上海环境科学，2002，（09）：520-524+579.
[13]Fang B， Liu C F. The assessment of health impact caused by energy use in urban areas of China： an intake fraction-based analysis[J]. Natural Hazards， 2012， 62（ 1） ： 101-114.
[14]Wang X， Mauzerall D L. Evaluating impacts of air pollution in China on public health： Implications for future air pollution and energy policies[J]. Atmospheric Environment， 2006， 40（9）：1706-1721.
[15]周健，崔胜辉，林剑艺，等. 厦门市能源消费对环境及公共健康影响研究[J]. 环境科学学报， 2011，31（9）：2058-2065.
[16]Kale R V， Pohekar S D. Electricity demand and supply scenarios for Maharashtra （India） for 2030： An application of long range energy alternatives planning[J]. Energy Policy， 2014， 72（3）：1-13.
[17]Emodi N V， Emodi C C， Murthy G P， et al. Energy policy for low carbon development in Nigeria： A LEAP model application[J]. Renewable & Sustainable Energy Reviews， 2017， 68：247-261.
[18]Huang Y，Bor Y J. The long-term forecast of Taiwan' s energy supply and demand： LEAP model application[J]. Energy Policy， 2011，39（11）：6790-6803.
[19]Wang S X， Zhao M， Xing J， et al. Quantifying the air pollutants emission reduction during the 2008 Olympic games in Beijing[J]. Environmental Science &Technology， 2010， 44（7）：2490-2496.
[20]Zhao B， Wang P， Ma J Z， et al. A high-resolution emission inventory of primary pollutants for the Huabei region， China[J]. Atmospheric Chemistry and Physics， 2012， 12 （ 1） ： 481-501
[21]谢元博， 李巍. 基于能源-环境情景模拟的北京市大气污染对居民健康风险评价研究[J]. 环境科学学报， 2013， 33（6）：1763-1770.
[22]陈秉衡， 阚海东. 城市大气污染健康危险度评价的方法 第二讲 主要大气污染物的危害认定（续一）[J]. 环境与健康杂志， 2004， 21（3）：181-182.
[23]陈仁杰， 陳秉衡， 阚海东. 我国113个城市大气颗粒物污染的健康经济学评价[J]. 中国环境科学， 2010， 30（3）：410-415.
[24]Burnett R T， Pope III C A， Ezzati M， et al.An integrated risk function for estimating the global burden of disease attributable to ambient fine particulate matter exposure[J]. Environmental Health Perspectives，2014，122（4）：397-403.
[25]Institute for Health Metrics and Evaluation.Global Burden of Disease Study2010（GBD 2010）-Ambient Air Pollution Risk Model 1990-2010[EB/OL].USA：Institute for Health Metrics and Evaluation， 2014 [2014-05-17].http：//ghdx.healthdata.org/record/global-burden-disease-study-2010-gbd-2010-ambient-air-pollution-risk-model-1990-2010.
[26]赵晓丽， 范春阳， 王予希. 基于修正人力资本法的北京市空气污染物健康损失评价[J]. 中国人口资源与环境， 2014， 24（3）：169-176.
[27]赵越. 大气污染对城市居民的健康效应及经济损失研究[D]. 中国地质大学（北京）， 2007.
[28]刘帅， 宋国君. 城市PM2.5健康损害评估研究[J]. 环境科学学报， 2016， 36（4）：1468-1476.
摘要：在控制大气污染和保障居民健康的要求下，京津冀地区能源消费面临着总量控制和结构优化的巨大压力。本研究基于京津冀地区的社会经济发展目标并结合相关节能减排和环保要求，针对2014-2030 年间的能源消费分别设计了基准情景（BAU）和能源结构调整情景（ESA），基于LEAP模型模拟预测了地区未来的能源消费及主要风险因子PM2.5的排放强度。分别采用综合暴露-反应关系IER模型和修正人力资本法评估了区域内居民在PM2.5暴露下的健康风险和经济损失，最后得出能源结构调整战略的居民健康收益。结果显示，至2030年，相比于基准情景，进行能源结构调整约可减少能源消费2.32亿吨，避免死亡14592例，获得经济收益约3297721万元。京津冀地区应加快实施能源消费总量控制、清洁能源替代等的强化节能措施，并针对北京、天津、保定等高风险的重点地区率先实行更严格的管控政策，以期更有效地降低区域整体风险，获得最大化的能源结构调整带来的健康收益。
关键词：能源消费，LEAP模型，大气污染，居民健康收益，京津冀地区
中图分类号：X823 文献标识码：A 文章编号：2095-672X（2017）02-0014-10
DOI：10.16647/j.cnki.cn15-1369/X.2017.02.002
引言
近年来因化石燃料燃烧所造成的大气污染已引起了广泛关注[1]。京津冀地区作为我国大气污染最严重的地区，其首要污染物PM2.5主要来源于燃煤、机动车、工业生产及扬尘[2-3]。以煤炭为主的能源消费总量持续增加，是造成该地区大气污染的主要原因。大气污染物暴露易引发或加重呼吸道疾病及心血管疾病，甚至导致急性死亡[4-5]，而PM2.5是最主要的风险因子[6]。京津冀地区的大气污染健康风险已引起广泛关注[7-8]，并且已有学者针对京津冀地区控制大气污染的健康收益进行了研究[9-1011]。目前，國内外学者围绕能源消费、大气污染及人群健康风险开展了一系列的研究，主要有某一行业能源结构调整下的PM2.5浓度变化及人群健康收益[1]，城市不同能源消费结构下的PM10暴露水平及人群健康收益[12]，城市能源消费的PM10和SO2排放对人群健康影响与经济损失的评估[13]，节能减排情景下PM10对人群健康的影响及政策建议[14]等。上述研究主要以常规大气污染物为风险因子，采用能源-环境模型、排放清单法等预测大气污染物排放量，并通过大气扩散模型、空气质量模型等模拟大气污染物的浓度，最终进行健康风险（收益）和经济损失（收益）的评估。
京津冀地区是我国区域发展战略的重要指向区，在京津冀协同发展的战略背景下，采取了一系列的政策措施来优化能源结构、促进产业转型升级、改善生态环境。本研究基于区域发展战略和节能减排政策，全面地评估京津冀地区未来的能源消费及其大气污染居民健康风险，以期评估能源调整战略带来的居民健康收益，并从保护居民健康角度提出调控能源消费结构，降低大气污染物排放的对策和建议。在吸收已有研究成果的基础上，本研究以2014年为基准年，以2020-2030年为目标年，基于京津冀地区的社会经济发展目标、能源政策、环保要求等，设立基准情景及节能减排情景，通过能源-环境模型预测污染物排放强度，将其转化为污染物在空气中的暴露水平并评估大气污染物暴露下的居民健康风险，进一步评估居民健康收益，并提出对策和建议。
1 研究方法及情景设定
1.1 区域能源结构调整战略情景设定
《京津冀协同发展纲要》确定了“一核、双城、三轴、四区”发展格局，以北京、天津为协同发展的主要引擎，并划分为中部核心区、东部滨海发展区、南部功能拓展区和西北部生态涵养区，确定各功能区的发展重点。同时，2017年国家设立了雄安国家级新区，雄安新区将成为京津冀地区协同发展的第三个重要引擎。根据京津冀地区协同发展纲要、一省两市现有的十三五规划（纲要、建议）、相关的产业规划以及近期国家出台的相关政策，结合对全国经济发展趋势的整体判断，对京津冀地区未来的社会经济发展趋势进行判断，确定能源消费的主要驱动因素，包括人口、GDP、城市化水平、产业发展等（表1）。
在此基础上，结合京津冀地区的能源规划、节能减排要求等，设计两种情景：
（1）情景一：基准情景BAU。假设京津冀地区未采取进一步加强的节能减排政策和措施，地区能源消费参考各省市能源十二五规划的基本要求，综合十二五时期发展做趋势外推；但是，末端治理要求符合大气污染防治行动计划等最新环保要求。
（2）情景二：能源结构调整情景ESA。以《京津冀协同发展生态环境保护规划》、各地市十三五规划（纲要、建议）、各省市可再生能源十三五规划、京津冀地区大气污染防治行动计划、《能源发展战略行动计划（2014-2020年）》等为主要依据，设定地区主要节能减排政策。具体包括：a.控制煤炭消费总量，到2020年煤炭占比：北京8%、天津50%、河北45%，2030年进一步降低。b.清洁能源替代，全面推广煤改电、煤改气。c.大力发展可再生能源，到2020年可再生能源占比：北京7%、天津4%、河北7%。d.控制散煤燃烧。e.加快淘汰落后产能。同时，末端治理要求与基准情景保持一致。
1.2 基于能源消费的PM2.5排放强度预测
LEAP（Long-range Energy Alternatives Planning System）模型是由瑞典斯德哥尔摩环境研究院开发的基于能源方案情景分析的经济-能源-环境综合模型。该模型为自底向上模型，可根据不同行业能源消费的设定情景和驱动因子预测不同时间段的能源消费量，并链接各种环境污染物排放因子计算相应的排放强度[15]。目前该模型在经济-能源-环境问题方面已得到了广泛的应用[16-17，18]。
利用LEAP模型分地市、分行业对能源需求及污染物排放进行预测。结合京津冀地区的实际用能情况，分为6个部门：第一产业部门、工业部门、建筑业部门、交通部门、商业及服务业部门、家庭部门。本研究中基线年不同部门能源消费量参考京津冀地区各地市2014年统计年鉴中分行业主要能源消费品种（ 煤炭、焦炭、汽油、煤油、柴油、燃料油、液化石油气、天然气、热力、电力） 及其统计消费量（不同地市消费品种统计上存在一定差异）。污染物排放因子参考Wang[19]等与Zhao等[20]的研究成果，结合《环境保护实用数据手册》得出。
1.3 大气污染物暴露水平模拟
大气污染对人体健康的影响主要取决于大气污染程度、暴露时间等。基于能源调整战略及区域发展战略中，能源消费部门及污染源布局的不确定性，采用大气污染扩散模型模拟区域不同能源消费情景下大气污染物浓度[21]，计算公式为：
式中，C为环境空气中某种污染物的模拟浓度，μg/m3；Q为大气污染物排放总量，104 t；S为各地市总面积，km2；Si为主城区面积km2；A为排放总量控制系数，取值范围为4.2—5.6，104 t/（a·km2），α为低架源排放转换系数。
式中，C为大气污染物的预测浓度，C0为地区背景浓度，Q为大气污染物排放总量，v为风速，w为箱体宽度，h为箱体高度。
假设t为年份，Ct、Ct-1分别为排放量为Qt、Qt-1时的年均浓度，则由式1可得：
通过各地市PM2.5历史排放量与年均浓度估算出（Ct-1 – C0 ）/Qt-1平均值，则式2可进一步改写成：
1.4 健康效应评价
大气细颗粒物暴露的健康效应可分为慢性效应和急性效应。急性健康效应包括日死亡率增加、呼吸道疾病住院增加等；长期暴露于颗粒物的慢性效应包括死亡率和其他慢性影响[22]。本研究重点考虑长期的能源结构调整带来的健康效益，由于大气污染长期累积暴露下的慢性健康效应要远远大于急性健康效应[23]，因此选择慢性健康效应中的死亡率为健康终点。
目前大气细颗粒物污染慢性死亡健康效应的评价主要基于对暴露-反应关系的研究成果，利用泊松回归模型进行评价。而针对发展中国家PM2.5暴露浓度较高的问题，Burnett等[24]在综合考虑室外大气污染及吸烟等室内污染的基础上，模拟评估了居民慢性死亡健康效应的变化，回归分析出适合于PM2.5高暴露浓度下的发展中国家的综合暴露-反应关系模型（IER），计算公式为：
式中，ΔEdeath为因PM2.5暴露浓度变化引发的居民死亡效应变化量，人；P为各情景人口数量，人；E为基准年人群死亡率，‰；RR为各情景PM2.5暴露浓度对应的相对危险度。
本研究中，采用IER模型评估京津冀地区PM2.5暴露下的大气污染健康效应，选取缺血性心脏病（IHD）、慢性阻塞性肺疾病（COPD）、中风（STROKE）、肺癌（LC）四种死亡健康终点。基准死亡率参考《国家人口与健康科学数据共享平台》及各地统计年鉴数得出。RR取值参考《全球疾病负担2010年研究报告》成果[25]。
1.5 健康效应经济价值评估
在非完全市场经济的发展中国家，多采用疾病成本法和人力资本法等来进行污染的健康效应。其中，人力资本法又可分为传统的人力资本法和修正的人力资本法。修正的人力资本法忽略了个体价值的差异，以损失的生命年中的人均GDP 之和来代替个体收入水平的差异[26]，其计算公式如下：
式中，ECal为过早死亡的人力资本损失，万元；Ped为大气污染造成的过早死亡人数，例；HCm为人均人力资本，万元/例；GDPpc0为基准年的人均GDP，万元；t为平均寿命损失年；α为人均GDP年增长率；γ为社会贴现率。
其中，损失寿命年是指一个人的死亡年龄与社会期望寿命的差[27]。根据大气污染健康效益评价中选取的健康终点，本文重点考虑呼吸系统、心脑血管疾病对居民寿命的影响。参考现有研究结果[27-28]，损失寿命年取17。
2 结果与讨论
2.1 京津冀地区能源消费及污染物排放预测
基于上述两个情景，利用LEAP模型对京津冀地区2014-2030年能源消费进行预测，结果如下：BAU情景下，2020年地区能源消费总量约为5.50亿吨标准煤，较2014年增加30%，能源消费结构煤炭：油品：天然气：电：可再生能源为57.7：17：11.7：8.7：4.9。到2030年，能源消费增长到7.97亿吨标准煤，能源消费结构调整为煤炭：油品：天然气：电：清洁能源为51.5：16.6：14.5：11.8：5.5。ESA情景下，2020年地区能源消费总量约为4.64亿吨标准煤，较2014年增加10%，能源消费结构煤炭：油品：天然气：电：清洁能源为39.6：10.5：20.7：22.4：6.8。到2030年，能源消费增长到5.65亿吨标准煤，能源消费结构进一步得到优化，煤炭：石油：天然气：电：清洁能源为17.1：10.3：30：27.6：15。从地区分布上来看，两个情景下，地区能源消费均主要分布在工业集中的东部沿海区和人口集中的中部核心区，占到地区京津冀地区能源消费总量的70%以上。
基准情景及节能减排情景下，京津冀地区PM2.5排放量如图1所示。BAU情境下，由于末端治理措施的实施及小幅度的能源结构调整，PM2.5排放量与基准年基本持平，2020年和2030年排放量分别为179万吨和191万吨。ESA情景下，能源结构得到有效调整，PM2.5排放量大幅降低，2020年和2030年排放量分别为124万吨和92万吨，较BAU情景分别减少了54万吨和99万吨。
2.2 大气污染居民健康效应预测
通过大气污染扩散模型，根据各地市污染物排放量模拟各情境下的大气污染物暴露水平，如表2所示。2014年模拟结果与环保部监测数据较一致，说明该结果总体可信。模拟预测结果显示，两种情景下PM2.5浓度差异显著。BAU情景下，京津冀地区PM2.5浓度整体上升，尤其以沧州、石家庄、邢台、衡水、廊坊等地浓度居高不下。通过能源结构调整，相对于BAU情景，至2020年，ESA情景浓度约下降20%～35%，至2030年约下降40%～55%。
通过IER模型计算京津冀地区在上述两个情景下，由PM2.5暴露导致的死亡水平，结果见表3。
评价2020 年及2030年各情景下空气污染导致的居民急性死亡情况。BAU情景下，2020年归因于PM2.5的死亡总计为113291例（ 95%CI： 50264 ～ 147454） ，2030年为121831例（ 95%CI： 52149 ～ 160718）。ESA情景下，2020年歸因于PM2.5的死亡总计为103723例（ 95%CI： 44516 ～ 138430） ，2030年为107239例（ 95%CI： 43303 ～ 146035）。相较于BAU情景，可分别避免死亡9568例、14592例。从空间布局来看，各情景下的居民健康风险和能源结构调整的健康收益如图2所示。
2.3 健康效益經济价值评估
根据修正的人力资本法估算不同能源消费情景下居民对PM2. 5暴露的健康损失经济价值，结果如表4所示。相对于BAU 情景，ESA情景可分别减少健康损失经济价值1562274万元（2020年）和3297721万元（2030年）。 北京、天津、石家庄、保定可获得的健康收益约占40%左右。
3 结论及建议
（1）通过进行能源结构调整，相比于基准情景，约可减少能源消费0.86亿吨（2020年）和2.32亿吨（2030年）。由于能源消费的减少和能源结构的优化，PM2.5等大气污染物的排放量将有效降低，并且进一步减少大气污染所带来的健康风险。
（2）通过对两种情景下空气污染导致的死亡人数进行对比分析，发现2020年，相对于BAU情景，ESA情景可避免死亡9568例（ 95%CI： 5747 ～ 9023），获得经济收益约1562274万元；2030年，可避免死亡14592例（ 95%CI： 8845～ 14683），获得经济收益约3297721万元。
（3）京津冀地区应加快实施能源消费总量控制、清洁能源替代等的强化节能措施，以更高的空气质量标准和污染减排要求促进能源消费结构进一步优化。针对北京、天津、雄安新区等重点地区，应重点进行管控，严格控制煤炭消费总量并持续降低煤炭在能源消费中的比重，提前实施天然气、一次电力等清洁能源替代，全面改善环境空气质量，最大程度地降低能源消费导致的大气污染所带来的居民健康风险。
参考文献
[1]Zhang S，Worrell E， Crijns-Graus W， et al. Modeling energy efficiency to improve air quality and health effects of Chinas cement industry[J]. Applied Energy， 2016， 184：574-593.
[2]缪育聪，郑亦佳，王姝，刘树华. 京津冀地区霾成因机制研究进展与展望[J]. 气候与环境研究，2015，（03）：356-368.
[3]黄蕊珠，陈焕盛，葛宝珠，姚石泉，王哲，杨文夷，陈学舜，朱莉莉，黄思，王自发. 京津冀重霾期间PM_（2.5）来源数值模拟研究[J]. 环境科学学报，2015，（09）：2670-2680.
[4]於方， 过孝民， 张衍燊， 等.2004 年中国大气污染造成的健康经济损失评估[J]. 环境与健康杂志， 2007， 24（12）：999-1003.
[5]Chen B H， Kan H D. Air pollution and population health： a global challenge[J]. Environmental Health and Preventive， 2008， 13（2）：94-101.
[6]Lim， S.S.， Vos T.， Flaxman A.D.， et al. A comparative risk assessment of burden of disease and injury attributable to 67 risk factors and risk factor clusters in 21 regions， 1990–2010： a systematic analysis for the Global Burden of Disease Study 2010 [J]. The lancet， 2012， 380 （9859）： 2224-2260
[7]谢杨，戴瀚程，花岡達也，増井利彦. PM_（2.5）污染对京津冀地区人群健康影响和经济影响[J]. 中国人口·资源与环境，2016，（11）：19-27.
[8]吕铃钥，李洪远. 京津冀地区PM_（10）和PM_（2.5）污染的健康经济学评价[J]. 南开大学学报（自然科学版），2016，（01）：69-77.
[9]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]. 中国环境科学学， 2013， （01）：166-174.
[10]Chen L， Shi M， Li S， et al. Quantifying public health benefits of environmental strategy of PM 2.5， air quality management in Beijing–Tianjin–Hebei region， China[J]. Journal of Environmental Sciences， 2016.
[11]董战峰，高晶蕾，郝春旭，葛察忠. 《大气污染防治行动计划》实施的人体健康效应评估[J]. 环境污染与防治，2017，（02）：225.
[12]阚海东，陈秉衡，陈长虹. 上海市能源提高效率和优化结构对居民健康影响的评价[J]. 上海环境科学，2002，（09）：520-524+579.
[13]Fang B， Liu C F. The assessment of health impact caused by energy use in urban areas of China： an intake fraction-based analysis[J]. Natural Hazards， 2012， 62（ 1） ： 101-114.
[14]Wang X， Mauzerall D L. Evaluating impacts of air pollution in China on public health： Implications for future air pollution and energy policies[J]. Atmospheric Environment， 2006， 40（9）：1706-1721.
[15]周健，崔胜辉，林剑艺，等. 厦门市能源消费对环境及公共健康影响研究[J]. 环境科学学报， 2011，31（9）：2058-2065.
[16]Kale R V， Pohekar S D. Electricity demand and supply scenarios for Maharashtra （India） for 2030： An application of long range energy alternatives planning[J]. Energy Policy， 2014， 72（3）：1-13.
[17]Emodi N V， Emodi C C， Murthy G P， et al. Energy policy for low carbon development in Nigeria： A LEAP model application[J]. Renewable & Sustainable Energy Reviews， 2017， 68：247-261.
[18]Huang Y，Bor Y J. The long-term forecast of Taiwan' s energy supply and demand： LEAP model application[J]. Energy Policy， 2011，39（11）：6790-6803.
[19]Wang S X， Zhao M， Xing J， et al. Quantifying the air pollutants emission reduction during the 2008 Olympic games in Beijing[J]. Environmental Science &Technology， 2010， 44（7）：2490-2496.
[20]Zhao B， Wang P， Ma J Z， et al. A high-resolution emission inventory of primary pollutants for the Huabei region， China[J]. Atmospheric Chemistry and Physics， 2012， 12 （ 1） ： 481-501
[21]谢元博， 李巍. 基于能源-环境情景模拟的北京市大气污染对居民健康风险评价研究[J]. 环境科学学报， 2013， 33（6）：1763-1770.
[22]陈秉衡， 阚海东. 城市大气污染健康危险度评价的方法 第二讲 主要大气污染物的危害认定（续一）[J]. 环境与健康杂志， 2004， 21（3）：181-182.
[23]陈仁杰， 陳秉衡， 阚海东. 我国113个城市大气颗粒物污染的健康经济学评价[J]. 中国环境科学， 2010， 30（3）：410-415.
[24]Burnett R T， Pope III C A， Ezzati M， et al.An integrated risk function for estimating the global burden of disease attributable to ambient fine particulate matter exposure[J]. Environmental Health Perspectives，2014，122（4）：397-403.
[25]Institute for Health Metrics and Evaluation.Global Burden of Disease Study2010（GBD 2010）-Ambient Air Pollution Risk Model 1990-2010[EB/OL].USA：Institute for Health Metrics and Evaluation， 2014 [2014-05-17].http：//ghdx.healthdata.org/record/global-burden-disease-study-2010-gbd-2010-ambient-air-pollution-risk-model-1990-2010.
[26]赵晓丽， 范春阳， 王予希. 基于修正人力资本法的北京市空气污染物健康损失评价[J]. 中国人口资源与环境， 2014， 24（3）：169-176.
[27]赵越. 大气污染对城市居民的健康效应及经济损失研究[D]. 中国地质大学（北京）， 2007.
[28]刘帅， 宋国君. 城市PM2.5健康损害评估研究[J]. 环境科学学报， 2016， 36（4）：1468-1476.
