发电对空气污染的影响:来自空气质量指数和六项标准污染物数据的证据外文翻译资料

 2022-08-08 03:08

英语原文共 10 页,剩余内容已隐藏,支付完成后下载完整资料


发电对空气污染的影响:来自空气质量指数和六项标准污染物数据的证据

摘要:

我们估计了发电量(总发电量和热发电量)对空气污染(空气质量指数(AQI)和六项标准空气污染物)的影响,特别强调了工业和城市的异质性。为了确定这种关系,我们结合了中国四大城市六年来电力生产、空气污染、经济和天气的详细月度数据。我们的基本识别策略采用了普通最小二乘回归面板数据与城市-月固定的影响,并解决了发电量和经济或天气条件之间的混淆变化。我们发现功率输出增加1个单位(1亿kwh)与AQI增加0.3个单位(代表值)相关,几乎所有这些都是由热功率输出增加驱动的。我们注意到发电量的增加(特别是热功率输出)对PM2.5和PM10产生了强有力的积极影响,其他功率输出(总功率输出减去热功率输出)的增加与SO2、NO2之间也存在着积极的关系,而功率输出的变化对CO和O3没有统计上的显著影响。不同气候条件下的特定城市存在着不同的发电污染效应。研究结果表明,不同城市间的电力工业减排政策可能会考虑到每个城市的特殊背景,从而提高效率,这是以前与污染减排政策相关的被忽视的方面。

1.引言:

随着经济的快速发展,中国的大气污染物排放量在过去几十年中急剧增加,特别是在城市地区[1,2]。城市排放主要来自发电、工业设施、交通和居民来源[3]。自2013年初以来,中央和地方政府实施了严格的清洁空气行动计划,以改善中国各地严重的空气污染。从那时起,中国生态环境部已经收紧了电厂的排放限制,特别是燃煤电厂的排放限制。

另一方面,环境、化学和经济研究证明了能源生产与空气污染之间的关联具有强大的证据基础,其中发电会对空气质量产生不利影响,尤其是燃煤[4]。通常已建立了单个发电机组(发电厂)层面的排放数据集(以计算可能普遍适用的排放指数),以寻找减少各国和全球不良空气污染物排放的具体机会[5–8]。然而,尽管人们越来越担心发电可能与区域层面的空气污染有关,但我们只知道一项已发表的研究试图确定这种关系[9]

本文采用不同的识别策略,探讨发电对城市大气污染的影响。为此,我们结合了中国四个省会城市的四个非常详细的数据集。我们将2013年12月至2019年12月北京、天津、重庆和上海的电力生产数据、气象数据和经济数据与月度城市空气污染(空气质量指数(AQI)和PM2.5、PM10、SO2、CO、NO2、O3)测量值合并。在考虑产业和城市异质性的情况下,我们对上述面板数据进行了一次普通最小二乘回归,并考虑了城市-月份的固定效应

我们有几个重要的消息。首先,我们发现单位(1亿kwh)发电量的增加与空气污染(AQI)增加0.3个单位(表2中的数值)有关,几乎所有空气污染都是由火力发电量的增加驱动的。结果对一系列试验和替代规范是可靠的,不能用相应的天气或经济条件来解释。其次,我们发现发电对PM2.5、PM10、SO2和NO2有定量影响,其中PM2.5和PM10的影响在火电行业更为明显,而SO2和NO2的影响在其他电力行业相对显著。相比之下,功率输出的变化对CO和O3没有统计上的显著影响。最后,我们发现,发电的污染效应不仅在不同的行业,而且在不同的城市都是异质的。

我们的研究结果对未来的研究和政策有一定的指导意义。电力工业是工业世界的支柱,因此,同时提供必要能源和减少排放已成为一个重大的全球性问题。结果表明,在电力工业中,除单一污染物外,多污染物的综合考虑是重要的,但尚待研究。而我们对电力工业污染排放的认识除了气象和经济因素外,还应考虑区域层面的因素,这可能会受到目前研究范围的限制。

本文的结构如下:在下一节中,我们调查了大量的相关文献,并讨论了驱动我们结果的合理机制。然后我们介绍我们的目标区域,并在第3节概述本文中使用的数据。第4节介绍了我们的计量经济模型,并描述了识别假设。在第5节中,我们提供了汇总统计、单位根检验和回归结果。在第6节中,我们分别讨论了比较影响和政策含义,以及局限性和今后的工作。最后,我们在第7节给出了结论。

2.综述:

能源消耗和发电是造成空气污染的直接和间接原因的主要原因,它们之间的联系已经在广泛的学科领域建立起来[10–12]。研究人员基于不同的分析框架就能源消耗和空气污染之间的联系达成一致[13–15]。Wang等人通过全球空间相关指数和局部MoransI散点图显示了京津冀及周边地区能源消耗与空气污染之间的空间自相关关系[16]

更具体地说,利用多种方法,如影响途径方法[17]、化学气象学方法[18]和排放因子方法[19],探索了发电与不利空气质量结果之间的联系机制。他们通过不同的机制途径集中于与我们研究相似的课题。我们注意到,Zaman和Abd el Moemen(2017)发表的研究将可再生能源发电、永久农田、高技术出口和卫生支出的数据与区域(国家)层面的二氧化碳(CO2)排放相结合。作者在不同的时间对不同的因变量和不同的靶区进行了类似的实验。

我们的研究从三个重要方面对Thanh和Lefevre(2000)、Slanina(2004)、Sonibare(2010)以及Zaman和Abd el Moemen(2017)进行了改进,并对其进行了补充。首先,我们在2013年12月至2019年12月期间,以中国四大城市为样本,构建了发电、经济、气象和空气污染的城市级月度数据集。第二,我们利用了我们数据的一些独特性质,包括AQI和标准污染物,涉及PM2.5、PM10、SO2、CO、NO2和O3在每个回归过程中,比较它们的结果以供进一步讨论。第三,我们发现了与Lefevre(2000)、Slanina(2004)和Sonibare(2010)非常相似的影响;同时,我们的研究为发电的污染影响提供了令人信服的证据。

3.数据:

我们合并了2013年12月至2019年12月中国四个省会城市的电力生产、空气污染、经济和天气数据,包括北京、天津、重庆和上海。我们选择研究区域是因为以下原因。这四个城市规模较大,行政级别较高,在应对大气污染方面具有政治和经济优势[20]。“空气污染”问题最早引起人们的关注,这四个城市的能源发电技术创新速度居全国之首[21]。更重要的是,北京、天津、重庆和上海分别代表了不同的地理和气候条件,包括中国典型的北方内陆、北方沿海、南方内陆和南方沿海类型[11]。考虑到所有这些,他们有完全不同的空气污染水平,天气条件,能源结构和社会经济地位。这些显著不同的特征可能导致发电与空气污染物之间的同期关联存在差异。

综合数据集涉及中国四个省级城市的样本。可供参考的是,我国样本城市人口占总人口的5.25%,参考城市GDP占全国的11.36%。表1显示了城市信息的一般描述

空气污染数据中国国家环境监测中心(CNEMC)拥有一个关于中国城市空气质量历史数据的空气污染数据库,我们可以从中获取所需的空气污染数据。本文分析的大气污染数据包括城市月PM2.5(micro;g/m3)、PM10(micro;g/m3)、SO2(micro;g/m3)、CO(mg/m3)、NO2(micro;g/m3)、O3(micro;g/m3)浓度和AQI,即相关因子越高,大气污染越严重。CNEMC根据各监测点的每日报告,按类别提供污染物信息。计算研究期间平均空气污染物日平均浓度,得到各大气污染物的月平均浓度。

发电量数据我们的第二个数据源提供发电量信息,单位为1亿千瓦时。中国国家统计局(NBSC)每月在全国范围内提供统计数据,包括总发电量、火力发电量和可再生能源发电量,即水力发电、核电、风力发电和太阳能发电,每年1月和2月的发电量数据都会丢失,这可能是由于中国的春节。我们进行数据清理过程以确保面板数据集的平衡。

经济数据我们还使用月度市级经济数据,包括实际完成的外汇资产投资(累计增长率)、书面IACFA增长、工业增加值(累计增长率)、书面Va.I增长,工业生产者购进价格指数(原材料总价格累计增长率),PPIIP

最后,我们从中国气象局权威开发的中国气象数据服务中心(CMDC)收集气象数据。具体来说,我们提取了月最低气温(°C)的地面气候数据,四个城市的月降水天数(降水量大于零的天数)和风速(计算每2分钟测得的平均风速m/s)。

4.模型

我们估算了以下模型,以确定发电对空气污染的影响:

式中,为m月c市污染类型(AQI和PM2.5、PM10、SO2、CO、NO2、O3范围内)j的空气污染水平(观测为城市-月),TPOcm为m月c市总发电量,THPOcm为m月c市热发电量,Xcm为温度、降水量等控制变量的向量,风速、固定资产实际完成投资、工业增加值、工业生产者购买价格指数,Phi;c gamma;m为逐月固定效应,εjcm为随机误差。

解释变量为PM2.5、PM10、SO2、CO、NO2、O3和AQI。解释变量为总功率输出和热功率输出。污染变量以不同的方式彼此高度相关;因此,每个变量都单独出现,以避免多重共线性和内生性问题,就像总功率输出和热功率输出一样。

发电量和空气污染可能与位置和时变不可观测物有共同的相关性。例如,污染水平和电力输出可能与城市层面的协变量(如交通密度、人口密度和人口统计)相关。如果不能控制这些协变量,将导致对lambda;jTPO和lambda;jTHPO的有偏估计。有鉴于此,我们首先将组合回归结果与其他二个固定效应回归结果进行比较,以说明电力生产和空气污染的内生性。我们认为,城市和月份之间的变化,以天气和经济控制为条件,是随机的,因此是空气污染的外因。

空气污染已被证明是由工业增长[22]和固定资产建设[23]的变化造成的,这通常与发电有关。因此,未能充分控制上述变量通常会导致偏差估计。为了解决这一问题,我们将外汇资产实际完成的投资、工业增加值、工业生产者的购买价格指数作为每一项规定的控制变量。

选取模型中控制的气象变量,研究和比较了不同发电量与大气污染水平之间的关系,并通过加、减部分变量进行稳健性检验。因为风、雨和温度通过复杂的机制帮助改变空气质量,这在一些研究中已经讨论过[24–26]。值得注意的是,我们选择最低温度是为了避免重复计算温度效应,因为最高温度(进一步说,平均温度)应该对空气冷却系统所需和产生的电力有很大影响。并进行城市特征回归,探讨不同天气条件下空气污染与电力生产的关系。

5.结果:

我们首先展示了模型中每个变量的汇总统计数据,然后是单位根检验的结果。接下来,我们提出了一系列规范,以证明我们的主要模型的强度和一致性,使用不同的污染物和AQI作为因变量,总功率输出和热功率输出作为核心自变量(一次一个)。然后我们报告了集合回归结果和两个外汇效应回归结果(包括城市和城市-月份外汇效应)之间的潜在差异。我们比较了人口模型和城市模型中的系数估计。

6.汇总统计:

表2显示了估算中使用的每个变量的汇总统计数据。所有变量均以每月计数的形式显示。如PM2.5月平均浓度为55.68mu;g/m3,最大值为152mu;g/m3,2015年12月出现在北京。

AQI是一个综合反映城市空气污染程度的指数,是一个无单位数。CO浓度的测量单位为mg/m3,这与其他污染物不同;这将导致以下回归结果中CO影响的估计系数较小。

6.1单位根检验:

我们使用四种方法进行自回归单位根检验,即Levin–Lin–Chiu检验(LLC检验)、Breitung检验、Hadri-Lagrange乘数检验(LM检验)和Im–Pesaran-Shin检验(IPS检验),以避免单一单位根检验的局限性(表3)。四个单位根检验的无效假设为H0:面板包含单位根。根据测试结果,只有一个或两个测试中很少有个别变量出现单位根,这可能不会产生不稳定的序列。因此,我们避免虚假回归。下面的回归结果将支持我们的测试结果。

6.2总体回归结果:

我们使用混合回归模型(表4)、固定效应估计模型(固定效应,在下表中写成FE)和城市固定效应(表5)以及城市-月份固定效应(表6)进行人口回归。应注意的是,总功率输出和热功率输出单独出现进行比较,而表1中列出的所有受控变量都包含在每个回归过程中。(为节省空间,省略了受控变量的回归结果。)

表4显示了以AQI和空气污染物为结果变量估算公式(1)的汇总回归结果。第1列中的数字包括估计参数lambda;jTPO和lambda;jTHPO的值,其中j被指定为AQI,而第2列中j被指定为PM2.5,依此类推。结果是稳健的标准误差聚集到个人水平的观察,以保持异方差和自相关一致。表5给出了城市固定效应的估计结果,同一地点的数字表示与表4相同的估计数。表6显示了具有一个城市月固定影响的固定影响估计结果,同一地点的数字也代表与表4相同的估计数。表5和表6中的结果也具有聚类鲁棒标准误差。上述结果表明,在不同的平均边际效应水平下,发电量与大气污染之间存在正相关关系

如果空气污染、空气质量指数水平或其他污染物以及发电量与遗漏的不可观测值正相关,则相同位置的系数估计值应从表4、表5和表6中下降。事实上,在回归模型中引入一个城市或一个城市的月固定效应时,表4和表6中相同位置的系数估计值并没有显著下降,这表明大多数内生性在很大程度上受我们基本回归模型中受控变量的控制

6.3城市特定回归结果

我们的初步估计表明,发电量每月增加对空气污染总体上有积极影响。在下一节中,我们将调查发电量的变化对每一类空气污染的影响,并探讨在不同城市推动我们结果的机制。此外,表1中列出的所有受控变量都包含在每个回归过程中。(为节省空间,省略了受控变量的回归结果。)

表7显示了在不同城市对我们的主要模型(方程式1)的估计结果。第1栏显示,A

剩余内容已隐藏,支付完成后下载完整资料


资料编号:[257173],资料为PDF文档或Word文档,PDF文档可免费转换为Word

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。