巴塞罗那低排放区对改善空气质量的有效性研究

《Atmospheric Environment: X》：Effectiveness of a Low Emission Zone in improving air quality in Barcelona

为量化低排放区（LEZ）对大气污染物浓度的实际影响，本研究采用合成控制法（SC-PI）与气象校正模型（GAM），系统评估了2020-2022年间巴塞罗那低排放区对NO2、PM10和PM2.5的减排效果，为城市交通污染治理提供了关键证据。

　　

当城市上空被灰蒙蒙的雾霾笼罩，我们呼吸的每一口空气都关乎健康。在欧洲，每年有超过30万人的过早死亡被归咎于空气污染。作为城市空气污染的重要来源，道路交通成为众矢之的，许多大城市纷纷祭出“治污法宝”，其中一项就是划定“低排放区”（Low Emission Zone, LEZ）。简单说，就是禁止或限制高排放车辆驶入特定区域，以此净化城市空气。听起来很美好，但这种政策真的有效吗？尤其当它在2020年——那个被新冠疫情彻底打乱的年份——在巴塞罗那大都市区开始实施时，其真实效果就更加扑朔迷离。是严格的车辆限行令真正净化了空气，还是疫情带来的“大封锁”意外成了功臣？这成了一个亟需科学回答的问题。

为了拨开迷雾，精准评估巴塞罗那低排放区的政策效果，一个来自巴塞罗那全球健康研究所（ISGlobal）的研究团队开展了一项严谨的实证研究。他们不仅要剥离出新冠疫情封锁、气象条件变化、甚至撒哈拉沙尘暴等复杂因素的干扰，还要精确量化LEZ本身对几种关键污染物——二氧化氮（NO₂）、细颗粒物（PM_2.5）和可吸入颗粒物（PM₁₀）——的独立影响。这项研究的结果对于全球众多正在推行或考虑推行类似政策的城市至关重要，它直接关系到我们能否用对工具，打赢这场“蓝天保卫战”。相关研究成果发表在《Atmospheric Environment: X》期刊上。

为了回答上述问题，研究人员主要运用了两种核心方法。首先，他们从加泰罗尼亚官方空气质量监测网络（XVPCA）和巴塞罗那公共卫生局获取了2015年至2022年间29个监测站的每日污染物浓度数据，并将站点分为位于LEZ内的“处理组”和位于LEZ外（近区和远区）的“控制组”。其次，研究采用了创新的“合成控制-近端因果推断”（Synthetic Control Proximal Inference, SC-PI）方法来构建反事实情景。该方法的核心是利用控制组站点在政策实施前的数据，通过加权组合“合成”出一个假设LEZ不存在时处理组应呈现的浓度趋势。这种方法能有效控制新冠疫情等同时影响处理组和控制组的区域事件。此外，研究人员还使用了广义加性模型（Generalized Additive Model, GAM）对所有污染物浓度数据进行“气象校正”，以消除不同年份间气象条件差异带来的浓度波动，确保观察到的变化主要归因于政策而非天气。

3.1. 浓度趋势（2015–2022）

研究首先描绘了研究期间（2015-2022年）的污染物浓度变化全景图。结果显示，在政策实施前（2015-2019年），所有站点的NO₂浓度呈下降趋势，但交通站点的浓度最高。PM₁₀和PM_2.5的浓度则相对稳定或略有波动。2020年（政策实施年），所有区域的所有污染物年均浓度均出现显著下降，其中LEZ交通站的NO₂降幅高达27%。到2022年，尽管新冠疫情的影响已减弱，LEZ区域的污染物浓度虽有所回升，但仍普遍低于政策实施前的水平，这初步暗示了LEZ可能发挥了持续的减排作用。

3.2. 合成控制序列分析的适用性

评估SC-PI方法适用性的关键指标是模型在政策实施前的拟合优度（R2）。对于NO₂，仅使用远区控制站的模型R2在0.31到0.64之间，加入近区控制站后R2提升至0.56到0.81。然而，对于PM₁₀和PM_2.5，仅使用远区控制站的模型拟合度非常低（R2普遍小于0.1），因此后续对这两种颗粒物的分析不得不加入可能受政策间接影响的近区控制站，这可能导致对LEZ效果的估计偏保守。

3.3. 主要分析

这是研究的核心发现部分。基于气象校正后的浓度数据，并主要使用远区控制站的SC-PI模型估计，LEZ的实施使交通站的年均NO₂浓度显著降低了7.6 μg/m³（95%置信区间：6.7, 8.5 μg/m³），使城市背景站降低了4.5 μg/m³（95%置信区间：3.7, 5.3 μg/m³）。最大降幅出现在2022年。相比之下，LEZ对PM的减排效果则微弱且不确定。对于PM₁₀，模型预测交通站和背景站的浓度分别降低了约1.4 μg/m³和1.2 μg/m³；对于PM_2.5，仅在背景站观测到约0.9 μg/m³的轻微降低，且在交通站的降低无统计学显著性。分析同时显示，SC-PI模型成功捕捉到了新冠疫情导致的浓度骤降（作为反事实基准），而仅使用LEZ区域自身历史数据的“一切照常”模型则无法做到这一点，凸显了使用控制组的重要性。

3.4. 基于观测浓度（未经气象校正）的分析

当使用未经气象校正的原始观测数据重复分析时，估算出的NO₂减排量有所减小（交通站为5.1 μg/m³），而PM的减排效应基本消失或不再显著。这强调了在进行空气质量政策评估时，校正气象条件影响的必要性，否则可能因不同年份天气差异而引入偏差。

3.5. 敏感性分析

研究还使用传统的基于普通最小二乘线性回归的合成控制法（SC-OLS）进行了敏感性分析。结果显示，SC-PI与SC-OLS两种方法得出的结果非常相似，证明了主要研究结果的稳健性。

研究的讨论部分深入剖析了上述结果背后的原因、研究的优势与局限，并探讨了其政策意义。

结论明确指出，这是首项结合合成控制与近端因果推断方法评估巴塞罗那LEZ效果的研究。其主要结论是：LEZ能有效降低NO₂浓度，但对PM₁₀和PM_2.5的影响有限且不确定。这一差异主要归因于不同污染物的来源构成。在巴塞罗那这样的城市，NO₂主要来自交通排放，因此针对车辆的LEZ政策能直接起效。而PM（尤其是PM_2.5）有相当一部分来源于二次生成过程、区域农业排放、工业、船舶以及自然源（如沙尘），交通排放的贡献相对较小，因此LEZ对其影响微弱。

研究的重要价值在于其方法学的严谨性。通过使用远离LEZ的控制站和气象校正，研究成功剥离了新冠疫情、气象波动等混杂因素的影响，为LEZ的净效果提供了更可信的估计。然而，研究也存在局限，例如无法完全排除新冠疫情对城市和乡村地区产生的差异化持久影响（如远程办公模式），且因模型拟合需要，对PM的分析使用了可能受政策外溢效应影响的近区控制站，这可能低估了LEZ对PM的真实效果。

最终，这项研究为城市空气污染治理提供了关键见解。它证实了LEZ作为一项针对交通排放的工具，在降低NO₂方面是有效的。然而，仅靠LEZ不足以将污染物浓度降至欧盟最新指令或世界卫生组织指南建议的水平。要实现全面的空气质量改善，特别是针对PM污染，需要采取更综合的策略，包括减少区域内车辆总数、推广公共交通和清洁出行方式，以及管控农业、工业和船舶等区域性排放源。随着LEZ政策在西班牙更多城市的强制推行，这项研究也为未来评估政策扩张的效果奠定了方法论基础。