城市应优先控制哪些道路？移动源空气污染的健康风险框架

《Environmental Science & Technology》：Which Roads Should Cities Control First? A Health-Risk Framework for Mobile-Source Air Pollution

　　

打开图表查看器
城市空气质量管理在判断污染物浓度是否符合监管标准以及量化交通排放方面日益有效。然而，它对于回答一个实际管理问题——哪条道路应优先管控以实现最大的健康效益——仍显得力不从心。这种脱节问题之所以重要，是因为许多移动源干预措施，包括货运限制、货车路线优化、交通信号改善、学校时段交通管控以及局部暴露缓解，都是在道路路段、交叉路口、货运通道和社区街道层面实施的，而非基于城市平均水平。由于移动源污染仍是城市环境管理中的核心挑战，缺失的运营单元因此不是另一项污染物指标，而是道路路段本身。道路不应仅被视为排放和扩散模型中的线源，更应作为管理决策中的健康风险单元加以考量。这一方法并不取代环境空气质量标准、排放清单或区域交通模型。相反，它增加了一层决策层，将污染产生地、人群暴露地和干预措施可实施地连接起来。这一框架的必要性日益增强，因为长期暴露于交通相关空气污染与不良健康后果和死亡率之间存在持续关联，而污染物浓度和人群暴露在不同相邻道路间可能存在显著差异。(1) 因此，我们提出了一种道路路段健康风险优先级框架，将单个道路路段作为将交通源强度、人体暴露、受体敏感性和靶向干预联系起来的运营管理单元（图1）。
图1 大查看 下载至幻灯片 图1 移动源空气污染控制的道路路段健康风险优先级框架。道路被作为运营健康风险单元加以对待，通过整合交通源强度（包括尾气排放和非尾气排放）、近路扩散、人群暴露和污染物毒性，推导出健康风险强度（R）。随后，R与受体敏感性（E）相结合，包括人口密度、社会经济脆弱性、敏感地点以及老年人和儿童等敏感人群，以确定道路级别的管理优先级，并指导源导向、扩散导向和受体导向的干预措施。
图1 大查看 下载至幻灯片 图1 移动源空气污染控制的道路路段健康风险优先级框架。道路被作为运营健康风险单元加以对待，通过整合交通源强度（包括尾气排放和非尾气排放）、近路扩散、人群暴露和污染物毒性，推导出健康风险强度（R）。随后，R与受体敏感性（E）相结合，包括人口密度、社会经济脆弱性、敏感地点以及老年人和儿童等敏感人群，以确定道路级别的管理优先级，并指导源导向、扩散导向和受体导向的干预措施。关闭
图1 从道路排放到健康风险强度
道路级别的评估应从特定的、与交通相关的道路源强度开始，涵盖尾气排放和非尾气排放。交通流量、车辆类别、车速、拥堵状况、燃料或动力类型、运行条件和排放因子共同表征尾气排放，而刹车磨损、轮胎磨损、路面磨损和道路扬尘再悬浮则应作为额外的交通相关来源纳入考量。它们的相对贡献因道路路段而异，取决于车队的组成、驾驶行为、路面状况和当地环境因素，并且随着车辆车队日益电动化，这一格局可能持续变化。(2) 这种针对特定道路的方法比简单地将城市级排放清单进行降尺度处理更具管理相关性，因为它保留了区分货运通道、主干道、拥堵交叉路口和学校通学道路的源头特征。由此得出的道路源强度随后应转化为呼吸高度的近路浓度。R-LINE型和其他近路模型为解析浓度梯度提供了高效的初级工具。(3)
然而，浓度并不等同于暴露。因此，道路级别浓度应与暴露频率、持续时间、平均时间以及（在可获得的情况下）居民、学生、通勤者、骑行者、交通作业人员和老年人和儿童等敏感人群的时间-活动模式相结合。这些暴露估计值随后可以转化为与健康相关的指标。对于有害空气污染物，危害商量和吸入单位风险可用于表征非致癌和致癌风险。对于PM2.5、NO2及其他污染物，道路级别浓度变化则可以关联至归因疾病负担或死亡率。这一"排放—扩散—暴露—毒性"链条定义了一个道路级别的健康风险强度（R）。R的主要优势在于其可解释性。交通活动、排放和扩散不应作为平行的加权变量被重新引入综合评分中，因为它们已经通过因果方式贡献了模型浓度和风险。相反，它们应作为诊断变量，用于解释R为何升高以及识别可用的干预途径。将风险量化与因果诊断分离开来可以避免重复计算，并提高管理决策的透明度。

从风险强度到管理优先级
仅凭健康风险强度并不能定义管理优先级。还需要第二个维度来描述谁受到影响以及暴露人群可能有多脆弱。我们将此维度定义为受体敏感性（E），其中包括人口密度、基线易感性、社会经济脆弱性，以及学校、医院、托儿中心、住宅、户外工作场所和老年人和儿童等敏感人群的存在情况。针对特定来源的暴露和脆弱性评估证明了基于健康的优先级排序为何不仅需要考虑污染强度，还需考虑受影响人群。一条R值适中但邻近大量敏感受体的道路，可能比一条R值较高但受体存在有限的道路更值得优先干预。因此，R-E矩阵可以将这两个维度转化为道路级别的管理优先级。高R、高E道路是最明确的立即行动候选对象。高R、低E道路可能更适合源导向或扩散导向的控制措施，而中等R、高E道路即使在排放并不极端的情况下也可能证明受体保护措施是合理的。R-E矩阵应作为透明的决策支持框架使用，而非通用的监管阈值。本地校准仍然至关重要，当道路排名之间的差异较小时，不确定性应保持可见。

日益可用的高分辨率数据使这种方法越来越具有可操作性。动态交通数据、移动监测、土地利用信息、迁移学习、计算机视觉和基于机器的空气质量制图可以在更接近干预实施空间尺度的尺度上解析污染模式。(4) 机理型线源建模应提供解释基础，而数据驱动的工具可以支持校准、校正、间隙填充和路网尺度的应用。

从优先级到靶向行动
道路级别健康风险评估的目标不是生成另一张热点图，而是将风险成因与适当的干预措施相匹配。当高R由高排放车辆类别、货运活动、拥堵、不利的车队组成或增加的非尾气排放驱动时，源导向措施是合适的。潜在策略包括清洁车辆和燃料、货运路线重新分配、检测与维修项目、交通优化，以及针对刹车和轮胎磨损、路面退化和道路扬尘再悬浮的措施。因此，车队电动化改变了道路源风险的构成，但并未消除对道路级别源管理的需要。

扩散导向措施在污染物积聚因街道几何形态、通风不良或局部空气动力学条件而加剧的地方更为相关。这些方法可能包括城市设计优化、路边屏障和改善气流条件。受体导向措施在脆弱人群决定优先级排名的地方尤为重要，可能包括学校时段交通限制、退距设置、室内空气过滤、行人路线改道和靶向暴露预警。健康效益和成本效益分析应在优先级排序之后进行。一旦确定了优先道路，干预情景就可以根据预期的排放、浓度、暴露、健康风险或经济效益的减少量进行比较。(5) 这些分析有助于确定最有效的干预措施，但不应用于确定道路风险的初始分类。R和E确定干预应从何处开始；健康效益和成本效益分析确定哪种干预提供最大的回报。浓度合规性告知城市空气是否符合标准，排放清单告知释放了多少污染物。道路级别健康风险评估增加了第三个问题：有限管理资源应优先部署在哪里？将道路路段作为运营健康风险单元，在排放来源、人体暴露和干预策略之间建立了直接联系。因此，移动源空气污染控制的下一阶段应不仅根据城市排放了多少污染物来评判，还应根据道路级别干预措施在多大程度上降低了实际暴露人群的风险来评判。

人物简介
陈海波是上海大学环境与化学工程学院副教授。他的研究聚焦于新兴污染物的环境行为、毒理学效应和治理，尤其关注微塑料。他已在《环境科学与技术》和《环境国际》等期刊上发表了50余篇SCI收录论文，其中28篇为第一作者或通讯作者。其论文引用量超过2000次，H指数为29。陈博士主持了国家自然科学基金、上海"超级博士后"激励计划、国家重点研发计划和中国博士后科学基金资助的项目。他获得了中国环境科学学会2025年度新兴污染物治理青年创新奖。他担任《Resources, Environment and Sustainability》《Toxics》和《Asian Journal of Ecotoxicology》早期职业编辑委员会成员。他还申请或获得了六项发明专利，并合著了一本书。

胡国成是教授级高级工程师和研究生导师。他担任生态环境部科技管理与政策法规司司长兼国家环境保护环境与健康重点实验室副主任。他的研究聚焦于环境毒理学、环境健康风险评估与管理以及新兴污染物的环境归趋和生物累积。他主持了20余项国家和省部级研究项目，包括国家重点研发计划、国家自然科学基金和生态环境部支持的项目。胡博士发表了160余篇同行评审论文，其中包括63篇SCI收录文章，发表于《环境科学与技术》《环境国际》和《有害材料杂志》等期刊。他参与了2项国家环境保护标准的制定，合著了3本书，并申请了4项专利。他还担任中国环境科学学会新兴污染物治理委员会成员，并获得了多项科技奖励。

致谢
本研究由中央公益性研究机构基本科研业务费专项资金（项目号PM-zx703-202606-123）、国家自然科学基金（42407529）、国家重点研发计划（2024YFC3713205）以及广东省"杰出期刊"计划（项目号2024B1212060004）共同资助。

参考文献
1. Boogaard, H.; Patton, A. P.; Atkinson, R. W.; Brook, J. R.; Chang, H.; Crouse, D. L.; Fussell, J. C.; Hoek, G.; Hoffmann, B.; Kappeler, R.; Kutlar Joss, M.; Ondras, M.; Sagiv, S. K.; Samoli, E.; Shaikh, R.; Smargiassi, A.; Szpiro, A. A.; Van Vliet, E. D. S.; Vienneau, D.; Weuve, J.; Lurmann, F. W.; Forastiere, F. Long-term exposure to traffic-related air pollution and selected health outcomes: A systematic review and meta-analysis. Environ. Int. 2022, 164, 107262.
2. Fussell, J. C.; Franklin, M.; Green, D. C.; Gustafsson, M.; Harrison, R. M.; Hicks, W.; Kelly, F. J.; Kishta, F.; Miller, M. R.; Mudway, I. S.; Oroumiyeh, F.; Selley, L.; Wang, M.; Zhu, Y. F. A Review of Road Traffic-Derived Non-Exhaust Particles: Emissions, Physicochemical Characteristics, Health Risks, and Mitigation Measures. Environ. Sci. Technol. 2022, 56, 6813–6835.
3. Snyder, M. G.; Venkatram, A.; Heist, D. K.; Perry, S. G.; Petersen, W. B.; Isakov, V. RLINE: A line source dispersion model for near-surface releases. Atmos. Environ. 2013, 77, 748–756.
4. Niu, C. M.; Chen, Q. Z.; Wang, A.; Xu, J. S. Disentangling Near-Road Emission Inequities in Hong Kong through Data-Driven Spatiotemporal Traffic Dynamics. Environ. Sci. Technol. 2026, 60, 8554–8570.
5. Choma, E. F.; Evans, J. S.; Gómez-Ibá?ez, J. A.; Di, Q.; Schwartz, J. D.; Hammitt, J. K.; Spengler, J. D. Health benefits of decreases in on-road transportation emissions in the United States from 2008 to 2017. Proc. Natl. Acad. Sci. U. S. A. 2021, 118, e2107402118.

? 2026 美国化学会