提高排放标准的成本：来自中国废水行业的逐厂评估外文翻译资料

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

提高排放标准的成本：来自中国废水行业的逐厂评估

摘 要

中国对污水处理厂 (WWTP) 实施了越来越严格的排放标准，以保护水环境，但代价是更多的资源消耗和温室气体排放。为了在提高的标准和额外的负担之间进行权衡，我们编制了中国 6032 个污水处理厂的 10 年清单，以估计出水污染物浓度变化对运营成本和电力消耗的影响。 再加上对污水处理的需求不断增加，到 2030 年将标准提升到特别排放限值（SDL），污水处理行业的用电量和运营成本将比 2015 年增加 86.59% 和 70.44%。 温室气体排放量也将增加 72.21%，占生活污水处理行业总排放量的 29.16%。 在升级引起的资源负担方面存在很大的区域差异。 欠发达地区在遇到类似的标准升高时通常会承受更大的压力。 通过大规模的微观数据，我们的研究结果加深了对提高标准的潜在成本的理解，并为区域定制的污染物排放标准实施提供了见解。

关键词：排放标准；污水处理厂；用电量；运营成本

1 引言(Introduction)

基于标准的环境监管是一种典型的指挥与控制（CAC）政策工具，通过设定明确的目标来打击不合规活动。政策制定者总是倾向于不断加强监管以实现更值得称道的环境绩效，同时低估额外的经济和资源负担。环境基础设施负担过重可能反过来阻碍环境保护的进一步实现。此外，大量的资源消耗和随之而来的温室气体 (GHG) 排放违反了可持续性，并可能导致净环境效益下降。需要深入了解严格的监管标准和高昂的实施成本之间的关系，以降低成本效益比来提高政策效率。污水处理厂 (WWTP) 是追求可持续水循环和改善水质的关键基础设施。为此，中华人民共和国生态环境部（MEE）于2002年提出了《城市污水处理厂污染物排放标准》，将水质分为四类（IA类、IB类、II类、 和 III 类，详见注释 S1)。然而，许多湖泊和水库的大范围富营养化仍然发生。为加强污染物减排，MEE 引入了比 IA 类更严格的排放限值（SDL），与2002年最严格的标准（IA类）相比，该限值显示出进一步降低40%（化学需氧量，COD），70%（氨氮含量指数，NH₃–N）和40%（总磷，TP）的污水浓度。这表明出污水管理趋于严格，逐步接近水质标准。SDL 也是世界上最严格的污水标准之一。然而，满足更严格的标准可能会导致更多的能源、化学材料消耗，以及随之而来的更高的运营成本（在美国约为 75 亿美元）。除了直接的资源和经济成本外，间接的环境影响，如温室气体排放（在美国约为 1.2 times; 10⁸ t CO₂e yr^-1）会加剧全球变暖并进一步引发一系列气候影响。

评估改善水质的成本是提出具有成本效益的污染控制政策之前的先决条件。此外，提高污水处理行业的出水标准的成本应该因地区而异，因为中国各地的污水处理厂目前的出水水质不同，因此污染物减排幅度也不同。在统一标准升级下，水污染严重但污水处理技术落后的地区可能会承受过重的经济和环境负担。因此，需要逐厂评估升级成本，以定制具有适当严格性和覆盖范围的升级方案。

以前的研究主要集中在使用基于过程的方法（例如生命周期评估）的有限数量的污水处理厂或使用模拟模型构建虚拟污水处理厂。但是，不同设备的特性、处理规模等影响因素不同，样本少的过程建模可能会带来较大的不确定性和较差的外推能力。这一不足可以通过统计方法得到部分弥补，但全国污水处理厂实际运行数据的应用仍然不足。此外，现有的大规模统计数据研究更强调单一污染物的影响，缺乏对三种污染物——COD、NH₃-N、TP的同时调查，因为排放标准是针对多种污染物设定的，而这三种污染物是主要的。此外，很少有文献关注废水处理中这三种污染物是否协同减少。当废水处理部门努力节约资源并提高效率时，这是有意义的。

为填补空白，估算了出水污染物浓度变化对中国污水处理行业运营成本和电力消耗的影响。编制了中国 6032个污水处理厂的 10 年（2006-2015 年）清单，并构建了一个固定效应模型，以导出电力和运营成本对出水中 COD、NH₃-N 和 TP 浓度的响应函数。 固定效应模型执行无偏和一致的估计，控制许多不可测量的因素以排除它们的干预，它已被用于多种类型的研究并被证明是一个很好的拟合。然后设计各种升级方案，以量化将排放标准从现状（基线）提高到 IA 类（方案 IA）或 SDL（方案 SDL）的经济和环境影响，同时考虑 2015 年至 2030 年的废水量变化。还确定了区域异质性以提供针对当地的政策影响。 借助详细数据的优势，本研究将加深对标准提升带来的成本和负担变化的理解，加深对市政污水处理厂污染物排放标准实施强度和规模的认识。

2 数据描述和方法(Data description and methodology)

2.1 数据

污水处理厂的特征数据来自中国环境统计数据库（CESD）。 CESD 是中国最广泛的全国性环境数据集，涵盖所有主要工业污染源。 CESD 包含每个污水处理厂的信息，包括 1) 基本信息，包括名称和地理位置； 2）生产，如处理规模和负荷； 3) 进出水水质，包括COD、NH₃-N、TP等浓度； 4) 减排技术； 5) 其他与运营相关的信息，例如用电量和运营成本。

对中国大陆过去10年（2006-2015年）的6032个污水处理厂进行了实证分析。然后，通过统计测试、去除异常值以及与国家统计数据的比较，对数据进行验证。2015年数据集中废水处理量为436.2亿立方米，占全国废水处理总量的82%左右。我们使用的信息包括年度总用电量（以千瓦时，kWh 为单位）和运营成本（以美元为单位，按 2015 年 6.23 的汇率换算），进水和出水的 COD、NH₃–N 和 TP 浓度（以克每立方米，g/m³ 为单位）、年度总处理规模（以立方米，m³ 为单位）、设备年龄和地理位置。

2.1.1 污水处理厂空间分布

截至2015年底，中国大陆有4890座污水处理厂在运行。 污水处理厂分布不均，约94%位于胡线以东（图1）。 江苏的污水处理厂数量最多，青海的最少，分别为 547 个和 21 个（各省特征和地理位置见图 S1 和表 S1）。 污水处理厂年总处理能力3720888万立方米。广东（472038万立方米）和青海（9883万立方米）分别是一年中处理废水最多和最少的两个城市。

2.1.2 污水污染物排放等级

总的来说，排放标准多年来一直在提高。 图 2 显示了每年达到各类出水标准的污水处理厂的比例。 从 2006 年到 2005 年，符合 SDL 类的污水处理厂的比例略有不同（从 0.59% 到 2.35%）。 达到 IA 类和 IB 类的污水处理厂数量普遍增加（分别从 15.16% 到 17.44%–45.40% 和 33.29%）。 相比之下，II类、III类污水处理厂的比例从2006年的66.80%下降到2015年的18.96%。近年来，中国的污染控制从II类和III类向I类转变，呈现出越来越严格的趋势。

2015年，海南（14.63%）和上海（9.80%）的SDL比例最高。IA 类中，天津（74.14%）、山东（70.59%）和河北（62.56%）三省占比最大，说明这些地区普遍对出水要求更严格，出水水质更高。从II类和III类来看，新疆（86.52%）、宁夏（60.87%）和内蒙古（60.75%）三省占比最大。出水污染物的空间分布（图 3）显示北部所有 COD、NH₃-N 和 TP 的浓度较高。此外，东海岸的COD和中南部的NH₃-N也较高。

图1. 2015年中国污水处理厂空间分布。颜色代表各污水处理厂年总处理废水量。

图 2. 2006-2015 年每年达到 SDL、IA、IB、II、III 类的污水处理厂比例。

图 3. 中国污水处理厂出水COD（a）、NH₃–N（b）和TP（c）浓度空间分布图。

图4.2006年至2015年，各污水处理厂每年的总用电量（a）和运营成本（b）。框中粗线表示中值，上下水平细线表示四分位数范围（IQR），垂直线的底端和顶端表示统计最小值和最大值（通过“中位数plusmn;1.58times;IQR”计算），框中点表示平均值。

2.1.3 运营成本和用电量状况

各污水处理厂的年总耗电量和运营成本逐年下降（耗电量从2006年的314万千瓦时降至2015年的203万千瓦时，运营成本从2006年的137万美元降至2015年的102万美元）（图4），归因于新低能技术的开发和应用。就全省而言，2015年，江苏（14.5175亿千瓦时、7.5554亿美元）、山东（13.9371亿千瓦时、6.5662亿美元）和广东（12.7111亿千瓦时、7.4643亿美元）三个省份的年用电量和运营成本均居前三位。

2.1 方法

2.2.1 固定效应经验模型

在本节中，我们构建了一个固定效应模型来估计由于标准提高而导致的出水污染物浓度变化对污水处理厂用电量和运营成本的影响。

我们使用的固定效应模型是一个普通最小二乘（OLS）回归模型，控制没有或不能观察到的变量（例如所有时不变的植物特征和时变的省级特征）以排除它们的干预，无偏且可以实现一致的估计。它已被广泛用于回归和预测（Li et al., 2019; Zhang et al., 2017）。注S2中推导了该模型。经验模型如下：

其中 ln(y_it)分别是第 t 年工厂 i 的总用电量 (kWh) 和运营成本 (万美元) 的自然对数。 ln(COD_it)、ln(NH₃N_it) 和 ln(NH₃N_it) 分别是第 t 年工厂 i 的平均 COD、NH3–N 和 TP 流出物浓度 (g/m³ ) 的自然对数。 ln(TS_it) 是第 t 年工厂 i 总处理污水量（万吨）的自然对数。 Z_it 表示植物 i 在 t 年的控制变量向量，包括 COD、NH₃–N 和 TP 的年平均进水浓度的自然对数（g/m³），以及工厂的年龄（以从建厂月到统计年12月的月数为特征，月）。mu;_pt代表年份-省级固定效应，用于排除时变省级变量的干预，例如政策的制定和实施。 alpha;_i 表示工厂固定效应，控制工厂特定的时间不变特征，例如地理位置。 ε_it 是均值为零的不可观测误差项。标准误差在城市一级进行聚类。

2.2.2 污水处理厂方案升级至更严格的出水标准

本研究开发了两种基于污水的方案来描述全国污水处理厂的升级情况。 在方案 IA 和方案 SDL 中，污水处理厂分别将出水污染物从基线浓度降低到 1) IA 类限值浓度和 2) 特别排放限值浓度。 基线浓度是指 2015 年每个污水处理厂的实际出水浓度，因此是特定于工厂的。 各种情况下的目标废水浓度如表S2所示。方案 IA 的浓度来源于《城市污水处理厂污染物排放标准》（GB18918-2002）（MEE，2002）。方案 SDL 的浓度源自 2002 年版本的修订草案，该草案于 2015 年发布（MEE，2015）。在这两种方案下，对于每个污水处理厂，进水浓度等其他特征与 2015 年的相应情况一致。

2.2.3 标准升级导致的用电量和运营成本预测

为了描述不同情景下对废水处理行业的影响程度，通过响应函数估算了升级引起的运营成本、电力消耗和相应的社会碳成本（SCC）变化。根据每个污水处理厂的特定污水浓度和污水处理能力，我们可以将工厂级别的变化放大到城市、省和国家级别的变化，并描述影响的空间分布。

首先，收集两种情况下每个污水处理厂升级前后的出水污染物浓度。然后，通过公式 （1）计算的系数来预测发电厂的电力和运营成本水平变化。根据公式（2）和（3）计算百分比变化（源自方程式（1），详情见注S3）：

⑴

⑶

其中 COD_ei、NH₃N_ei 和 TP_ei 的右上角撇号和零分别指升级前后相应的出水浓度（g/m3）。 TS⁰_i 是 2015 年工厂 i 的污水处理量，TS_it 是 t 年的污水处理量（t = 2015、2020 和 2030 年，未来污水处理量预测见附注 S4）。 Delta;telecteleci0it 和 Delta;texptexpi0it 是由于废水处理能力和升级的变化而导致的工厂i在t年的耗电量和运营成本的百分比变化，，直接受上述三种污染物的出水浓度变化驱动。在不同的情况下，固定效应和其他电厂特征变量隐含地假设与2015年的情况相同。

此外，使用中国地区电网基准排放系数（BEFRPGC）计算了电力消耗变化引起的温室气体排放。BEFRPGC是国家发改委于2008年确定的减排核算参考标准。BEFRPGC提供了一组发电排放系数，这些系数因电网区域而异（见表S3）。然后，

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[587873]，资料为PDF文档或Word文档，PDF文档可免费转换为Word