推文人 | 刘梦迪

原文信息：Fowlie, Meredith, Edward Rubin, and Reed Walker. 2019. “Bringing Satellite-Based Air Quality Estimates Down to Earth”. Forthcoming in American Economic Review Papers and Proceedings.

 

环境政策的制定长期以来依靠监测站的空气质量数据进行。虽然监测站对于某个特定地点的监测值具有高精准度，但美国所布设的监测站点在空间上十分稀疏，约80%的县未被覆盖，对空气质量进行粗略测算可能会高估或低估空气污染暴露，进而导致错误的政策设计。近年来，随着卫星技术的发展，运用气溶胶光学厚度（AOD）已经可以实现对近地面分辨率1km以下的PM2.5浓度进行测算。近期多篇工作论文正在运用卫星估算的PM2.5浓度分析污染的健康和社会经济影响（见后文参考文献）。基于此，Fowlie、Rubin和Walker近期发表在AER（P&P）上的文章运用最先进的卫星数据，对以往的环境政策的制定进行了评估。来自星星的真相显示，已有根据监测站数据进行的政策设计虽然存在严重的“政策错误”，但是并没有带来福利的损失。

 

一、政策背景

 

在美国国家环境空气质量标准（NAAQS）中规定了PM2.5等常见污染物的最高允许浓度。美国环保署（EPA）根据监测数据确定每个地区是否处于达标（合规）状态。具体而言，3年平均的年均浓度值或24小时浓度98%分位数的3年均值任一项超标则划定为未达标区，并相应执行更严格的环境规制（如强制要求污染源采用污染治理技术）。例如，根据EPA在2005年的规定，PM2.5的年均浓度限值为15µg/m3、24小时浓度限值为65 µg/m3，且大部分未达标区的划定是由于年均浓度超过了15µg/m3的标准，而非24小时浓度值超标。

 

二、研究方法与结果

 

该研究首先运用EPA的监测站点的数据构建每个县3年平均PM2.5浓度值。该研究所采用的1 km×1 km卫星污染数据分别来自Di et al. (2016)和van Donkelaar et al. (2019)。并将卫星网格数据与美国人口普查地理分区数据（CBG，每区约有600-3000人不等）进行空间连接，获得区域的污染物浓度。监测站和卫星两种方法计算得到的PM2.5浓度空间分布如下图所示。

将基于监测站点和基于卫星的PM2.5浓度值进行对比，得到如下图所示的结果。对于同一个监测值（横坐标），卫星数据值（纵坐标）呈现出较大的差异（variation）。这表明，现阶段依据监测值所作出的县超标与否的判断是非常粗糙的。

 

进一步地，考虑到上述根据卫星数据所得到的差异（variation）可能来自于卫星预测误差而非真正的variation，而本研究所关注的是真正的variation。为了区分二者，作者假设在一个CBG的小范围内污染物浓度的空间差异很小，并将样本范围缩小到被EPA监测站点覆盖的911个CBG（仍有超过215,000个CBG未被监测站点覆盖），对比相同区域的监测值与卫星值，可将此视为卫星数据的预测误差，结果如下图所示。可见，当污染物浓度较高时，卫星数据的预测误差较为显著。

如上所述，仍有超过215,000个CBG未被监测站点覆盖，对于这些“样本之外”值的预测误差，作者构建回归模型进行分析。具体而言，作者运用911个“样本之内”的预测误差对CBG监测站PM2.5浓度、人口数、白人比例、农村人口比例、最高与最低海拔以及土地面积作回归，并根据回归系数估计215,000个“样本之外”和911个“样本之内”CBG的预测误差，从而对卫星预测误差和真正的variation进行区分，用于后续的敏感性分析。

 

该研究重点想要借助卫星数据探讨已有基于监测站数据划定的达标县与未达标县在多大程度上存在错误。可将“政策错误”分为两类。第一类错误：某地区的三年平均卫星监测PM2.5浓度未超过NAAQS标准（15 μg/m3）但基于EPA监测信息超过了标准；第二类错误：某地区的三年平均卫星监测PM2.5浓度超过了NAAQS标准（15 μg/m3）但基于EPA监测信息未超过标准。首先假设卫星数据是准确的无偏估计，进一步将上述计算的卫星预测误差加以考虑进行敏感性分析，对比结果如下表所示。Panel A和C显示了各类人口分布情况。第（1）列和第（4）列即为正确归类的人口（大部分人口在正确归类中）。第（2）列表示第一类错误，约有11-14%的人口所在地实际未超标（卫星值）却被EPA划为未达标区；第（3）列表示第二类错误，仅有1-2%的人口所在地实际超标（卫星值）却被EPA划为达标区。进一步考虑卫星的预测误差（如下表括号内所示上、下限），对于下限值而言，我们更可能将错误归为第一类错误；对于上限值而言，我们则更可能将错误归为第二类错误。Panel B和D显示了各类健康影响情况。结果显示，就健康影响而言，第一类错误较第二类错误更为严重。由于错误将达标区划为未达标区所带来的死亡的降低为1,982；而由于错误将未达标区划为达标区所带来的死亡的增加为335。但值得注意的是，该结果对卫星数据的预测误差十分敏感。

 

三、结论与政策含义

 

该研究借助卫星数据发现，采用空间分辨率更高的卫星数据监测污染物浓度并不会在现有基于传统监测方法的监管方式基础上大幅改善福利。主要原因是“政策错误”使得大量人群获得了“过度”健康效益，即由于实际处于达标却由于误判为非达标区而实施了更严格的环境规制。此外，作者也指出，在运用卫星数据时也需对预测误差进行考虑，尤其是在污染浓度较高时，卫星预测误差更为显著。

 

参考文献

 

Di, Q., Kloog, I., Koutrakis, P., Lyapustin, A., Wang, Y., & Schwartz, J. (2016). Assessing PM2. 5 exposures with high spatiotemporal resolution across the continental United States. Environmental Science & Technology, 50(9), 4712-4721.

 

Sullivan, D. M., & Krupnick, A. (2018). Using Satellite Data to Fill the Gaps in the US Air Pollution Monitoring Network. Working Paper.

 

van Donkelaar, A., Martin, R. V., Li, C., & Burnett, R. T. (2019). Regional Estimates of Chemical Composition of Fine Particulate Matter using a Combined Geoscience-Statistical Method with Information from Satellites, Models, and Monitors. Environmental Science & Technology.

 

Voorheis, J. (2016). Environmental Justice Viewed From Outer Space: How Does Growing Income Inequality Affect the Distribution of Pollution Exposure? Working Paper.

 

Abstract

 

We use state-of-the-art, satellite-based PM2.5 estimates to assess the extent to which the EPA's existing, monitor-based measurements over- or under-estimate true exposure to PM2.5 pollution. Treating satellite-based estimates as truth implies a substantial number of "policy errors"—over-regulating areas that comply with air quality standards and under-regulating other areas that appear to violate standards. We investigate the health implications of these apparent errors and highlight the importance of accounting for prediction error in satellite-based estimates. Uncertainty in "policy errors" increases substantially when we account for these underlying prediction errors.