Utveckling av metoder att förutsäga och följa upp trafiklösningars betydelse för luftföroreningsexponering och hälsorisker

Transkript

1 Utveckling av metoder att förutsäga och följa upp trafiklösningars betydelse för luftföroreningsexponering och hälsorisker Slutrapport Lars Modig, Lennart Jonsson, Annika Hagenbjörk-Gustafsson, Bertil Forsberg Yrkes och miljömedicin i Umeå rapporterar 2011:1 ISSN

2 Förord I dag är den vetenskapliga kopplingen mellan luftföroreningar och ohälsa välbelagt, både vad gäller exponering under kort och lång tid. Trafiken bidrar till problem med luftföroreningar, och är den dominerande källan i tätorterna. En viktig del i arbetet med att begränsa ohälsa av luftföroreningar ligger i en god samhällsplanering, baserad på för ändamålet relevanta beslutsunderlag. Vid ny- och ombyggnation av vägar utreds projektets betydelse för luftföroreningssituationen i miljökonsekvensbeskrivningar, men ofta stannar beskrivningen vid hur halten av luftföroreningar kommer att förändras. För att beskriva ett projekts betydelse för människors hälsa, krävs ytterligare ett steg där haltförändringen relateras till kända samband gällande luftföroreningarnas betydelse för hälsan. I detta projekt används ett aktuellt exempel för att beskriva hur man med nuvarande kunskap avseende exponeringsberäkningar och sambanden mellan exponering och hälsoutfall, kan kvantifiera de hälsomässiga konsekvenserna av en större vägombyggnad. Förhoppningen är att projektet skall öka kunskapen hos utförare och granskare av miljökonsekvensbeskrivningar och på så vis öka fokusen på de hälsomässiga konsekvenserna av ett vägprojekt. Studien är initierad av Trafikverket och genomförd av forskare vid Umeå universitet, Institutionen för folkhälsa och klinisk medicin, enheten för yrkes- och miljömedicin.

3 Innehåll Förord... 2 Inledning och syfte... 5 God metod för exponeringsbeskrivning... 6 Luftföroreningsexponering... 6 Fallstudien Umeå projektet... 6 Beräknade trafikflöden... 6 Exponeringsberäkningar... 7 Befolkningsdata... 8 Känsliga grupper... 9 Befolkningsexponering... 9 Presentation av resultat God metod för beräkning av hälsokonsekvenser Val av hälsokonsekvenser Besvärsupplevelse Morbiditet och mortalitet Beräkning av hälsokonsekvenser Presentation av resultat Förslag till uppföljning och utvärdering Mätstrategier Representativa mätmetoder Mätperioder och mätpunkter Hälso och enkätdata Diskussion Exponeringsbeskrivning Beräknade trafikflöden AIRVIRO och SIMAIR Geografiska exponeringsmått Beräkning och uppföljning av hälsokonsekvenser Hälso och enkätdata vid uppföljning Känsliga grupper... 29

4 Referenser Bilaga 1. Exposure in Umeå with Airviro and SIMAIR... 33

5 Inledning och syfte Luftföroreningar har varit ett känt hälsoproblem under lång tid, men kunskapsläget har ändå förbättrats avsevärt under de senaste årtiondena. En stor del av de studier som publicerats under de sista 10 åren har fokuserat på luftföroreningarnas betydelse för hjärt- och kärlsjukdom, och resultaten visar tydliga effekter av luftföroreningsexponering både på kort och lång sikt [1, 2]. Forskningen har tidigare visat på samband mellan luftföroreningar och ökat antal akutbesök och sjukhusinläggningar för andningsorganens sjukdomar. Under 2009 visade tre oberoende studier att fordonsavgaser inte bara förvärrar redan befintlig luftvägssjukdom utan att de även kan orsaka kroniska sjukdomar såsom astma [3-5]. Från mitten av 1970-talet fram till 2000 så har luftföroreningssituationen förbättrats i stora delar av världen, inklusive Sverige. En stor del kan tillskrivas teknikutvecklingen men även en skärpt emissions- och miljölagstiftning. Den nedåtgående trenden av trafikrelaterade luftföroreningar i Sverige har dock avtagit och till viss del upphört under 2000-talet. En fortsatt trafikökning kommer att göra det fortsatt svårt att klara lagstadgade gränsvärden och uppsatta miljömål i de mest trafikerade miljöerna, och luftkvaliteten i tätorter kommer att utgöra ett stort hälso- och miljöproblem även under de kommande årtiondena. En viktig del i arbetet med att motverka hälsoeffekter av luftföroreningar är att åskådliggöra problemen tidigt och integrera frågorna som en naturlig del i samhällsplaneringen. Syftet är att i så stor utsträckning som möjligt kunna bedöma och ta hänsyn till hälsa i samband med större infrastrukturella projekt. Idag är det vanligt att olika trafikpolitiska beslut och trafikförändringar föregås av bristfälliga beslutsunderlag vad gäller människors exponering och efterföljande hälsoeffekter [6, 7]. Regelverket kring miljökonsekvensbeskrivningar (MKB) har funnits sedan 1980-talet och är idag tydligt beskrivet med avseende på när och hur de skall utföras. En grundidé med en miljökonsekvensbeskrivning är att den skall ge en samlad bild över ett specifikt projekts konsekvenser för miljön och hälsan (3 6kap miljöbalken). Hälsobegreppet har dock visat sig vara svårtolkat vilket leder till en snäv syn på hälsa, och väldigt sällan ingår kvantitativa beräkningar av hälsokonsekvenser [7]. När det gäller effekterna av luftföroreningar så stannar jämförelserna oftast vid miljökvalitetsnormerna, där normvärdena utgör skiljelinje mellan ett bra eller dåligt projekt med avseende på hälsa. Det finns dock ett antal exempel på hälsokonsekvensbeskrivningar för trafikrelaterade projekt med detaljerade beräkningar av skillnader i luftföroreningsexponering och hälsokonsekvenser, t ex i vägutredningen för Nordsydliga förbindelser i Stockholm samt för försöket med trängselavgifter i Stockholm [8]. Vi har i ett tidigare projekt med dåvarande Vägverket beskrivit metoder för att bättre beskriva hälsa i MKB. I rapporterna diskuterades olika sätt att beskriva hälsokonsekvenser beroende av exponeringsförändringens storlek (både för luftföroreningar och buller) i kombination med storleken på den berörda befolkningen. I denna studie använder vi ett konkret vägprojekt och visar med fallstudie vilka möjligheter som med dagens modeller och kunskapsläge finns att kvantifiera effekter av luftföroreningar, samt diskuterar de olika stegen och dess begränsningar och osäkerhet. Syftet med detta projekt är: - att demonstrera hur mer omfattande vägprojekt eller trafikförändringar kan miljökonsekvensbeskrivas i form av förändring i exponering för trafikföroreningar (kväveoxider), samt betydelsen av förändringen för människors hälsa. 5

6 - att föreslå en lämplig uppföljning av miljökonsekvensbeskrivningen med avseende på luftföroreningsexponering och relaterade hälsorisker. God metod för exponeringsbeskrivning Luftföroreningsexponering Senare års epidemiologisk forskning om avgasers och luftföroreningars hälsoeffekter har tämligen entydigt funnit att förekomsten av en hälsoeffekt eller den relativa riskökningen kan beskrivas som linjärt beroende av halten inom relevanta haltområden. När så är fallet tillkommer, utöver kravet på att redovisa att man förväntas klara miljökvalitetsnormerna, även möjligheter att beskriva skillnader i hälsokonsekvenser av olika alternativ eller scenarios, oavsett om någon norm skulle överskridas eller ej. Sådana beräkningar kräver att man kan kvantifiera befolkningens exponering, dvs. man behöver befolkningsdata och haltdata som kan användas ihop med kända samband mellan befolkningens exponering och påverkan på risken. För att illustrera användningen av de metoder vi föreslår i denna rapport använder vi ett vägprojekt i Umeå. Fallstudien Umeå projektet Planeringen för en omdragning av de större vägarna genom Umeå har pågått sedan slutet av 1980-talet. I dag korsar två europavägar genom centrala Umeå vilket medför en hög trafikbelastning av både tunga och lätta fordon. Umeåprojektet innehåller flera etapper som utretts i omgångar och nedan följer endast en kort sammanfattning för att ge en översiktlig bild av projektet och dess omfattning. En fullständig redogörelse hittas på Trafikverkets hemsida ( Första delen i Umeåprojektet innefattar en ny cirkulationsplats vid södra infarten till Umeå. Andra etappen innefattar en flytt av E4:an från sin nuvarande sträckning genom centrala Umeå till en mer östlig sträckning via den befintliga Kolbäcksleden. Vidare planeras även de så kallade Norra och Västra länkarna. Västra länken innebär en ny vägdragning väster om Umeå via Röbäck och Umedalen, medan Norra länken planeras över Västerslätt och I20- skogen till Ersboda. Östra länken innefattar flytten av E4:ans nuvarande sträckning till den befintliga Kolbäcksleden. Tillsammans skapar de tre länkarna en ringled runt Umeå som skall avlasta trafikflödet genom centrum. Byggandet av Norra, Östra och Västra länken påbörjades 2009 och förväntas vara klart Den höga trafikbelastningen genom centrum har bidragit till att Umeå inte klarar gällande miljökvalitetsnormer för kvävedioxid (NO 2 ), varför Umeåprojektet ses som en viktig del i Umeå kommuns åtgärdsprogram för att förbättra luftkvaliteten. I detta projekt har två olika alternativ använts för att exemplifiera hur man kan beskriva effekterna av en sådan trafikomläggning. Det första är noll-alternativet vilket innebär att ingen av de planerade delarna i Umeåprojektet genomförs utan situationen kvarstår som den var Det andra är ombyggnadsalternativet där både Östra, Västra samt Norra länken antas vara genomförda. Beräknade trafikflöden Uppgifterna om förväntade trafikflöden för de två olika alternativen inhämtades från Trafikverket. Simuleringarna är gjorda för året 2020 och beskriver förväntade trafikflöden på större delen av vägarna i Umeå både för noll- och ombyggnadsalternativet. Trafikverkets 6

7 beräkningar är gjorda i modellsystemet SAMPERS, som är ett verktyg uppbyggt kring flera olika delmoduler för analyser och prognoser av persontransporter (SAMPER) och resultat från motsvarande modellsystem för godstransporter (SAMGODS) [9]. Indata i dessa modeller är uppgifter och prognoser om befolkningsutveckling, markanvändning, arbetsplatser, bilinnehav, socioekonomiska faktorer, trafiksystem, kollektivtrafiklinjer samt generella uppgifter om kostnader och priser med mera. Uppgifterna hämtas från, eller bearbetning av data från, bland annat Statistiska centralbyrån (SCB), Statens Institut för Kommunikationsanalys (SIKA), Trafikverkets statistik samt ekonomisk prognos från konjunkturinstitutet (KI). Exponeringsberäkningar Exponeringsberäkningar används både i epidemiologiska studier av hälsoeffekter och i hälsokonsekvensberäkningar, och helst med så lika metod som möjligt om de förra används som underlag för de senare. Exponering för miljöfaktorer brukar definieras som kontakten mellan ett ämne i miljön och kroppen [10]. De flesta epidemiologiska studier av trafikrelaterade luftföroreningar bygger på stora grupper av människor varför något förenklade metoder ofta används för att beskriva exponeringen. Utvecklingen inom området har gått kraftigt framåt under det senaste decenniet, från att tidigare jämföra personer från olika städer med utgångspunkt från en mätstation per stad så beskrivs exponering nu på individnivå oftast som halten utanför bostaden. Trots att detta fortfarande är en förenkling jämfört med en individs sanna exponering, så har utvecklingen minskat felklassificeringen av exponeringen vilket ger bättre beskrivningar av sambandet mellan exponering och hälsoutfall. De vanligaste sätten att beskriva exponeringen för luftföroreningar är via uppmätta halter, beräknade halter eller via geografiska mått (se diskussionsavsnitt). Haltmätningar finns oftast tillgängliga via kommunernas fasta mätpunkter eller via olika mätnätverk, men i vissa fall genomförs även mer projektspecifika mätningar i mindre områden. Utvecklingen av användarvänlig och relativt billig mätutrustning i form av diffusionsprovtagare har gjort det enkelt att mäta, vilket underlättar studier av hur haltbilden förändras på olika platser före respektive efter ett projekt. Användningen av diffusionsprovtagare diskuteras även under avsnittet uppföljning och utvärdering. Trots att diffusionsprovtagare är billiga och valida, så är det svårt att praktiskt och ekonomiskt motivera tillräckligt många mätningar för att skapa en representativ bild av exponeringen för en större befolkning. För detta är olika typer av prognostiska modeller bättre anpassade. Modellerna kan dock inte ersätta mätningar då det är nödvändiga att kunna validera och säkerställa att det som en modell beskriver är korrekt. I denna rapport har beräknade halter baserat på meteorologiska spridningsmodeller använts. Meteorologiska spridningsmodeller är kraftfulla verktyg för att beskriva halter av luftföroreningar med hög tidsmässig och geografisk upplösning. Grunden för en spridningsmodellering är själva spridningsmodellen, information om meteorologiska faktorer samt emissionsdata. Det finns olika metoder att beskriva spridningen av ett ämne från en given källa, och olika metoder lämpar sig för olika frågeställningar. I detta projekt har två olika modeller använts: Airviro-Gauss och SIMAIR-ved. Det finns både likheter och skillnader i modellerna. I bilaga 1 ges en mer utförlig beskrivning av dem. Airviro-Gauss presenterar beräkningarna i rutnät. I denna studie görs presentationen i rutor om 50*50 meter. För SIMAIR-ved används i denna studie en speciell version av modellen där beräkningar görs 7

8 i enskilda receptorpunkter. Det möjliggörr att beräkningar kan göras snabbt i många olika receptorpunkter. För beräkningarna i SIMAIR används flera olika modellerr som kopplats samman. Det gör SIMAIR mer komplicerat att hantera än Airviro, varför den senare modellen har använts vid scenarioberäkningarna (enn utförligare redogörelse för valet t av modell ges i diskussionen). En annan viktig skillnad mellan de olika modelltillämpningarna är att beräkningsresultaten från Airviro-Gauss har anpassats till uppmätta halter med hjälp av mätdataa från passiva provtagare av NO x, mätningar som genomförts under ca sex veckor vintern 2003/2004 i Umeå. Trafikverkets modellerade trafikflöden för noll- och ombyggnadsalternativet har använts som indata till Airviro-beräkningarna. Meteorologin för 2003 användes tillsammans med emissionsfaktorer för SIMAIR-beräkningarna gjordes endast för nollalternativett och med meteorologi för år 2007 och emissionsfaktorer för år Med modellerna beräknades timmedelhalter av NO x och NO 2 vilka senare aggregerades till årsmedelhalter. NO 2 -halterna beräknas utifrån ett fastställt empiriskt samband mellan NO x och NO 2 i Umeå. En mer detaljerad beskrivning återfinns i bilaga 1. Figur 1. Resultatet från NO x -modelleringen (µg/mm 3 ) för ombyggnadsalternativet med upplösningen 50* *50 m. Rött indikerar höga halter och grönt låga. Figur 1 visar resultatet från NO x -modelleringen för ombyggnad salternativet med upplösningen 50*50 m. Haltskalan går från grönt tilll rött, där rött indikerar r högre halter. Befolkningsdata Information om befolkningenss fördelningg är en viktig del i en hälsokonsekvensbeskrivning. Den geografiska upplösningenn på befolkningsdata bör i inledningsskedet vara så hög som s möjligt för att kunna överblicka befolkningens fördelning i relation till den n förändring som planeras. I dagsläget kan befolkningsdataa erhållas koordinatsatt på adressnivå, vilket innebär att antalet personerr samt åldersfördelningen kan kopplas till varje specifik adress. Tidigare var fastighet den finaste geografiska upplösningen vilket för småhus/villor i stort sett motsvarar adressnivå, medan det för hyreshus kan vara en betydande skillnad. I figur 2 representerar de 8

9 9 röda punkterna adresskoordinater medan de blå representerar koordinaten för fastighetens mittpunkt. Ur bilden framgår tydligt att inom större fastigheter så kan skillnaden mellan att Figur 2. Ett exempel på skillnaden mellan koordinaternas placering utifrån adress (röda punkter) eller fastighet (blå punkter). använda adress eller fastighet vara stor. Detta är av betydelse för exponeringsbedömningen i och med att halterna av trafikrelaterade luftföroreningar kan ha stor lokal haltvariation. På samma sätt avtar betydelsen i mindre trafikbelastade områden eftersom halterna då närmar sig bakgrundsnivåer. De dos-responssamband som skall tillämpas i konsekvensberäkningen är också avgörande för vilka data som skall samlas in, både vad avser den geografiska upplösningen på exponeringsdata men även för vilken ålderskategori som sambanden är tillämpbara på. För att tillämpningen av dos- responssambanden skall bli så bra som möjligt så bör den geografiska upplösningen på befolkningsdata inte vara lägre än den upplösning som använts för beräkningen av sambanden. Känsliga grupper Barn och äldre kan anses vara särskilt känsliga för luftföroreningar vilket härrör till barnens pågående utveckling samt äldre personers generellt ökade sjuklighet. Rimligtvis bör därför förändringarna i exponering inte enbart redovisas för hela befolkningen utan även separat för olika åldersgrupper. Befolkningsstrukturen förändras ofta betydligt snabbare än infrastruktur varför framtidsscenarios baserat på olika åldersstrukturer kan var intressanta komplement till den åldersstruktur som råder vid beräkningstillfället. Befolkningsexponering Inför detta projekt hämtades uppgifter om befolkningen på fastighetsnivå från befolkningsregistret via Umeå kommun, då uppgifter på adressnivå inte fanns tillgängligt via kommunen då projektet startade. Ur data framgick antalet personer, åldersfördelningen (som % % % % % % % % % % % %

10 antalet personer per fastighet i olika åldersgrupper) samt de geografiska koordinaternaa för varje fastighet inom Umeå kommun. Totalt insamlades uppgifter rörande ca personer fördelat på ca fastigheter. Befolkningsexponeringen bestämdes genom att kombinera de modellerade m luftföroreningshalterna för respektive alternativ med den koordinatsatta befolkningen. Arbetet genomfördes i GIS-miljö, och resultatet gav en specifik halt kopplad till varje fastighet och de personer som fanns skrivna på denna, se figur 3. Figur 3. Modellerade halten av NO x för ombyggnadsalternativet tillsammanss med befolkningen på fastighetsnivå. Högre halter symboliseras med rött och lägre med grönt. Av de totalt personerna i Umeå kommun bodde personer fördelat på 9235 fastigheter inom beräkningsområdet för modellen, och kunde tillskrivas en beräknad årsmedelhalt av NO 2 och NOx. x Presentation av resultat Resultaten av haltberäkningarna, insamlandet av befolkningsdata (upplösning och aktualitet) samt beräkningen av befolkningsexponeringen bör redovisas tydligt, då de utgör grunden för den följande hälsokonsekvensbedömningen av ett eller flera scenarier. Halternaa av NO 2 och NO x modellerades som indikatorföreningar för avgaser för noll- samt ombyggnadsalternativet. Medelhalterna för respektive alternativv kan presenteras i en tabell tillsammans med uppgifter om halternas spridning. 10

11 Tabell 1. Umeå. Medelhalten för noll- och ombyggnadsa alternativet. Resultaten avser halter för fastigheter inom centrala Antal fastigheter= 9235 Medelhalt (µg/m 3 ) (max-min) Nollalternativet Ombyggnadsalternativet 3 ) Skillnad (µg/m 3 NO 2 NO x 13,9 (2,9-36,7) 19,1 (3,1-77,1) 13,6 (3,2-25,6) 0,,3 18,1 (3,3-42,2) 1,,0 Av tabell 1 framgårr att ombyggnadsalternativet leder till en sänkning av medelexponeringen för hela befolkningen. NO 2 -halten förväntas sjunka ca 0,3 µg/mm 3 och NO x -halten 1,0 µg/m 3. Vad som också framgår är att skillnaden mellan de högsta och lägsta halterna kommerr att minska med ombyggnadsalternativet, ochh det är bland de höga halterna h somm förändringen sker. För de låga halterna är förändringenn betydligt mindre och modellerna m pekar mot att de lägsta halterna i motsats till de höga kommer att öka något med ombyggnadsalternativet. Figur 4. Den vänstra figuren visar fördelningen avv differensen i fastigheters årsmedelhalt mellan ombyggnads- och nollalternativet. Den högra visarr den modellerade halten av NO 2 på fastighetsnivå för nollalternativet i relation till halten för ombyggnadsalternativet. Blått markerar de fastigheter som får en beräknat ökad halt efter ombyggnadsalternativet och grönt de som får en beräknat sänkt halt. Den vänstra bilden i figur 4 ovan visar fördelningen av differensen mellan ombyggnads- och nollalternativet. Bilden till höger visar förhållandet mellan de beräknade halterna på varje fastighet för noll- och ombyggnadsalternativet. Punkterna med blå b färg representerar de fastigheter som får ökade halter av NO 2 efter ombyggnadsalternativets genomförande och de med grönt representerar de som beräknas få lägre halter. Bilden visar att förbättringen främst sker hos de som i dagsläget har de högstaa halterna, medan många av de somm idag utsätts för relativt låga halter kommer attt få en försämring. Ur diagrammet t går det även att utläsa att den relativa förändringen kommer att vara störst hos ett antal av de fastigheter f som idag har låga halter. Som exempel kan nämnas att en fastighet beräknas gå från en modellerad års- medan den största relativa förbättringen gäller en fastighet som går från nollalternativets 37 medelhalt av NO 2 för nollalternativet på ca 4 µg/m 3 till ca 16 µg/m 3 efter utbyggnaden, µg/m 3 till 24 µg/m 3 med ombyggnadsalternativet. 11

12 De flesta dos-responssamband som är aktuella att använda i denna typ av konsekvens-- beräkningar beskriver sambanden för denn absoluta förändringenn (per µg/m 3 ), men den relativa skillnaden också är av intressee framföralltt för hur människor kann tänkas uppleva förändringen av trafiksituationenn utanför bostaden. Modellerna som använts för beräkningarna är validerade mot faktiska mätningar, men eftersom halterna presenteras som urbanaa bakgrundshalter utan hänsyn taget till gaturum, kan jämförelser mot miljökvalitetsnormerna bli missvisande. I en hälsokonsekvensbedömning är dock fördelningen av halterna samt differensen mellan de båda alternativena n det primära eftersom dos-responssambanden antar ettt linjärt förhållande mellan exponering och hälsokonsekvenser. I figur 5 redovisas den geografiska fördelningen av differensern na mellan dee båda beräkningsalternativen för NO x. Ur figuren framgår tydligt vilkaa områden som kan förväntas få en bättre (grönt), sämre (rött) eller oförändrad luftmiljö efter ombyggnadsalternativets genomförande. Figur 5. Fördelningen av den absoluta differensenn mellan noll- NO x, grönt representerar områden somm kommer attt få en och ombyggnadsalternativet. Rött representerar områden som kommer att få en ökad exponering för förbättring och svagt gult representerar områden där förändringen blir liten. I figur 3 redovisas principen för hur befolkningsexponeringen tas fram genom att exponeringsberäkningar kombineras medd uppgifterna om befolkningens geografiska fördelning. Presentationen av data kan ske på olika sätt beroende av syftet, men i denna rapport är det den genomsnittliga haltförändringen som är intressant både totalt samt fördelat mellan olika åldersgrupper. De flesta dos-responssambaninte tillämpas allt för långt utanför dessa. baseras på specifika åldersintervall, och bör därför När det gäller exponeringsförändringen såå kan den beskrivas förr mindre områden/stadsdelar för att få en mer specifik bild av hur förändringen fördelar sig geografiskt. Ett sätt att illustrera i detta och som även använts i tidigare t rapporter är attt fördela befolkningen i ett rutnät och multiplicera varje ruta med den beräknadee exponeringsförändringen i varjee ruta [8]. Resultatet 12

13 kommer att ge en bild av var förändringenf n av befolkningsexponeringen är som störst och således var de största hälsomässiga vinsterna/förlusterna kan förväntas. Figur 6 visar fördelningen av en sådan beräkning för varje fastighet baserat på beräkningarna för NO x, dvs förändringen (differensen mellan nollalternativet och ombyggnadsalternativet) i exponering multiplicerat med antalet personer på fastigheten. Färgskalan går från gröntt till rött, och varje steg motsvarar en förändring med 500 µg/m 3 personer. Grönt representerar r de fastigheter som får en förbättring, och gult mot rött de som får en försämring. Klargröna K punkter representerar de fastigheter som har den högsta produkten av personer och halt (µg/m 3 ) och rött de fastigheter som har den lägsta. Figur 6. Exponeringsdifferensen mellan noll- och h ombyggnadsalternativet för NO x multiplicerat med antalet personer bosatta inom varje fastighet. Grönt representerar de fastigheter somm får en förbättring, och gultt mot rött de som får en försämring. Klargrönaa punkter representerar de fastigheter somm har den högsta produkten av personer och halt (µg/m 3 ) och rött dee fastigheter som har den lägsta. Figuren ger en mer detaljerad beskrivningg av i vilka områden befolkningsexponeringen kommer att öka respektive minska. I denna rapport har vi valt att titta t på förändringen av exponeringen för helaa den berörda befolkningen. I figur 7 redovisas den genomsnittliga förbättringen i exponering total samt uppdelat på olika åldersgrupper. Den största genomsnittliga förbättringen återfinns i åldersgruppen 65+, medan den lägsta finns i de två yngsta åldersgrupperna. 13

14 Figur 7. Förbättringen av luftkvaliteten för befolkningen i centrala Umeå efter ombyggnadsalternativetss genomförande, totalt samt fördelat på åldersgrupper. Eftersom befolkningen inte är jämt fördelad mellan åldersgrupp perna så bidrar varje åldersgrupp olika till exponeringsförändringen för hela befolkningen. Om man kan anta att vissa åldrar är mer känsliga jämfört med andra, så bör exponeringsförändringen redovisas specifikt för respektive åldersgrupp. För astma kan barn vara enn känslig grupp, medan för hjärtinfarkter, kronisk obstruktiv lungsjukdom och risk för förtida död är det äldre personer som är mer känsliga. Ur figuren kan bidraget från varje åldersgrupp till denn totala förändringen uppskattas genom att titta påå antalet individer i varje åldersgrupp i förhållande till det totala antalet individer i kombination med den förväntade haltförändringen. God metod för beräkning av hälsokonsekvenser Val av hälsokonsekvenser Valet av vilka effekter som kan inkluderas i konsekvensberäkningar beror naturligtvis av vad som studerats, där vissa effekter är mer enkla än andra. Hit hör sådana s utfall som är enkla att fastställa och finns registrerade, t ex dödsfall och vårdtillfällen. Dessa utfall är också allvarliga till sin karaktär. Utveckling av kroniska sjukdomar kräver mer för att studeras i relation till luftföroreningar, varför det finns sämre underlag förr dessa. När r man väljerr utfall till konsekvensberäkningar bör de utfall som är väl belysta och bedöms b ha rimligt underbyggda orsakssamband prioriteras. Allvarliga effekter (dödsfall) har hög prioritet, och vissa effekter kan representeras av ett mått istället för två snarlika. Ett sådant exempel kan vara att man inte behöver studera uppkomst av hjärtinfarkt och lungcancer l om man inkluderar dödsfalll i dessa sjukdomar eftersom dödligheten är hög bland dee drabbade. Luftföroreningshaltens betydelse för antalet nya fall uttrycks på olika sätt i olika studier, men ofta anges den relativa ökningen per haltökning som en linjär funktion. På det sättet anges hur många procent antalet fall förändras per enhets haltökning. Känner man antalet fall per år för en befolkning, kan exempelviss förväntad minskning av fallen genom en bestämd haltminskning beräknas. Ibland finns visss osäkerhet kring huruvida samband är linjära ner till väldigt låga halter eller om dett finns tröskelnivåer under vilka sambandet inte gäller. Formen på sambanden skulle också kunna vara annorlunda vid extremt höga h nivåer, men eftersom 14

15 dessa är ovanliga får detta mindre betydelse. Det diskuteras ibland om koncentrationresponsfunktioner som hämtats från epidemiologiska studier i helt andra befolkningar och miljöer (länder) är fullt representativa, eller om effekterna kan vara annorlunda i den population som konsekvensberäkningen gäller. Ibland kan valet stå mellan att anta ett samband från en helt annan miljö eller inte alls ha något samband att använda, eller mellan resultaten från en stor och välkänd utländsk studie och en liten lokal undersökning. Multicenterstudier där resultaten från alla områden publicerats ses ofta som mer trovärdiga, eftersom de enskilda resultaten i sig inte avgjort om de publicerats. En sammanvägning av resultat från flera studier (meta-analys) bedöms också som mer tillförlitlig än resultatet från en enskild studie. I och med att projektet är en metodstudie, så har vi valt att begränsa beräkningarna av hälsokonsekvenser till mortalitet och besvär med utgångspunkt från NO 2 och NO x. För mortalitet och morbiditet finns dock ytterligare dos-responssamband som är relevanta, och då framförallt avseende partiklar som därför presenteras nedan. Besvärsupplevelse Sambanden mellan besvärsupplevelse och exponering för trafikrelaterade luftföroreningar är relativt sparsamt studerat, vilket delvis kan förklaras av att besvär är ett subjektivt skattat hälsoutfall. Prevalensen, d.v.s. förekomsten i befolkningen vid en given tidpunkt, av upplevda besvär i en befolkning är dock ofta betydligt högre jämfört med många andra studerade hälsoeffekter, vilket gör att det trots sin subjektivitet är viktigt att studera, och troligen en tidig markör för risken för mer allvarliga effekter. Det finns få studier av sambandet mellan besvärsupplevelse och exponering för fordonsavgaser som baserats på exponeringsdata med motsvarande geografisk upplösning som den som används i denna rapport. En svensk studie [11] beskriver sambandet mellan självrapporterad besvärsupplevelse bland vuxna och modellerade halter av NO 2 med hög geografisk upplösning (50*50 m). Studien bygger på resultat från en enkät som skickades ut i tre svenska städer (Göteborg, Umeå och Uppsala), där man i delar av enkäten frågade efter upplevda besvär av olika miljöfaktorer. I studien presenteras sambandet mellan andelen som upplever besvär och irritation av luftföroreningar utanför bostaden bland annat som prevalenskurvor, där den förväntade förekomsten av besvär presenteras för olika årsmedelhalter av NO 2. För att kunna tillämpa resultaten i konsekvensberäkningar, har vi utgått från prevalenskurvan som beskriver sambandet mellan årsmedelhalten av NO 2 utanför bostaden och andelen som ofta upplever sig besvärade av fordonsavgaser utanför bostaden. Vi skapade 8 olika haltintervall och beräknade medianen för andelen besvärade inom varje haltintervall (tabell 2). 15

16 Tabell 2. Den förväntade andelen mycket besvärade av fordonsavgaser för olika haltintervall av den beräknade årsmedelhalten NO 2 utanför bostaden. Årsmedelhalten av NO 2 utanför bostaden Förväntade andelen mycket besvärade av fordonsavgaser (%) <12,5 2,4 12,5-17,5 4,9 17,6-22,5 9,9 22,6-28,5 20,2 28,6-33,5 36,7 33,6-38,5 55,2 38,6-43,5 72,4 >43,5 84,8 * Tabellen bygger på resultaten från Modig & Forsberg, I konsekvensberäkningen fördelades sedan Umeås vuxna befolkning (17 år eller äldre) som antal personer inom respektive haltintervall, vilket gjordes baserat på de modellberäknade halterna av NO 2 för noll- och ombyggnadsalternativet. Antalet personer i varje haltintervall multiplicerades sedan med den förväntade andelen besvärade inom respektive intervall, och sedan summerades det totala antalet besvärade för respektive alternativ. Skillnaden mellan alternativen kan sedan beskrivas som en differens i antalet som förväntas uppleva sig som mycket besvärade av fordonstrafik. Morbiditet och mortalitet Epidemiologiska studier från främst USA och Europa har påvisat starka halt-responssamband mellan luftföroreningar och ökad sjuklighet (morbiditet) och dödlighet (mortalitet). Sådana samband används för att beräkna vilka effekter olika exponeringsnivåer ger upphov till. Metoderna i dessa studier innebär att befolkningsexponeringen beräknas för studieområden, varefter halt-responssamband (vanligtvis relativ riskökning per haltökning) används tillsammans med information om grundförekomsten av hälsoeffekten. Avgasernas effekt på totalmortalitet och livslängdsförlust kan framförallt beräknas utifrån studier som använt sig av partiklar med en diameter >2,5 µm (PM 2,5 ), partiklar med en diameter >10 µm (PM 10 ), NO 2 eller av NO x. På senare tid har det kommit flera studier som använt skillnaderna i halten av NO 2 eller NO x inom en stad eller ett område som exponeringsdata. Sådana studier finns nu från Holland, Nya Zeeland, Frankrike och Norge. Dessa studier har kommit till mycket likartade koncentration-respons funktioner för avgasernas betydelse för dödligheten. De fann att ökningen är 12, 13 respektive 14 % per 10 µg/m 3 ökad halt av NO 2 (studierna från Holland, Nya Zeeland, Frankrike). Den norska undersökningen av vuxna män [12] har bedömts mest relevant för konsekvensanalyser i Sverige med fokus på trafikavgaser, och rapporterade en ökad dödlighet med 8 % per 10 µg/m 3 ökad halt av NO x. Tidigare hälsokonsekvensberäkningar av långtidseffekten av PM 2.5 på total dödlighet och livslängdsförlust från 30 års ålder har ofta beräknats utifrån den stora amerikanska kohortstudien ACS, the American Cancer Society Study, [13]. Dödligheten angavs öka med 6 16

17 % per 10 g/m 3, men exponeringsjämförelsen gjordes mellan olika städer. I en senare analys inom Los Angeles County användes högre geografisk upplösning på exponeringsdata vilket stärkte sambanden och gav ökningen 17 % per 10 g/m 3 [14]. Den högre geografiska upplösningen gör haltvariationerna mer påverkad av lokalt genererade förbränningsrelaterade partiklar (avgaspartiklar), varför koefficienten anses mer representativ för avgaser. För PM 10 används en omräkning från PM 2.5, så att man för PM 10 kan räkna med ca 4 % per 10 g/m 3 baserat på koefficienten från den ovan refererade ACS-studien. För vägdamm mätt som PM 10 beräknas en korttidseffekt på totalt antal tidigarelagda dödsfall lika med den kumulativa korttidseffekt som PM 10 i APHEA2 [15], dvs. 1 % per 10 g/m 3. Beträffande PM 10 och akuta sjukhusinläggningar finns europeiska resultat från multicenterstudien APHEA2 inkluderande Stockholm. Resultaten för inläggning för sjukdomar i andningsorganen bland äldre (65+ år) från 6 städer visade på 0.9 % per 10 µg/m 3 (95 % konfidensintervall = %) och var inte känsliga för samtidigt beaktande av ozon eller NO 2, vilket tyder på att avgashalten inte var avgörande för sambandet. APHEA2- resultaten har också genomgått en ny analys som initierades av Health Effects Institute (HEI) i USA p g a problem i statistikprogrammet. Den upprepade analysen bekräftade i stort de ursprungliga resultaten från APHEA2, inläggningar för andningsorganen i gruppen 65+ ökade med 1 % per 10 µg/m 3 PM 10 (95 % konfidensintervall = %). Senare har analyser av andningsorganens sjukdomar utförts för alla åldrar för 8 europeiska städer, inklusive Stockholm och Göteborg, inom ramen för EU-projektet APHEIS ( Resultaten har sedan använts för konsekvensberäkningarna i APHEIS, med en sammanvägd effekt för alla åldrar på 1.1 % per 10 µg/m 3 PM 10 (95 % konfidensintervall = %). Detta förefaller för närvarande vara det mest relevanta antagandet vid europeiska beräkningar för PM oavsett ursprung. Ur svensk synvinkel är det värt att notera att effekten i APHEIS vara cirka fyra gånger starkare i Stockholm och Göteborg än sammantaget för de 8 städerna, vilket kan motivera att en starkare effekt kan antas i känslighetsanalyser. Beträffande PM 10 och inläggningar för hjärt-kärlsjukdom finns resultat för 8 europeiska områden från multicenterstudien APHEA2 [15]. För hjärtsjukdom (ICD9; ), alla åldrar, konstaterades en ökning av antal inläggningar med 0.5 % per 10 µg/m 3 PM 10 (95 % konfidensintervall = 0,2-0,8 %), vilken inte ändrades vid den upprepade analys som senare utfördes på initiativ av HEI i USA. Ur svensk synvinkel är det värt att notera att även för hjärt- och kärlsjukdomar så var effekten cirka två gånger starkare i Stockholm än sammantaget för 8 städer. 17

18 Tabell 3. Sammanfattande förslag för hälsoeffekter och relativ risk i olika studier. Förorening Effekt Samband Referens NO 2 (avgaser) Dödlighet/Livslängd % per 10 µg/m 3 [16-18] Astmauppkomst vuxna 0.1 per 100 pers och år per 10μg/m 3 [4] Astmaförekomst hos barn 0.49 % per µg/m 3 Beräknad i Nerhagen m fl 2010 Akutbesök barnastma 1.8 % per 10 µg/m 3 [19] NO x (avgaser) Dödlighet/Livslängd 8 % per 10 µg/m 3 [12] PM10 (urban mix) Dödlighet/Livslängd 4 % per 10 µg/m 3 [20] Inläggningar Andning 1 (4) % per 10 µg/m 3 APHEIS Inläggningar Hjärtkärl 0.5 (2) % per 10 µg/m 3 [15] PM10 (vägdamm) Dagligt antal dödsfall 1 % per 10 µg/m 3 [21] PM2.5 (regional- urban bakgrund) Dödlighet/Livslängd 6 % per 10 µg/m 3 [13] PM (avgas/ved, primärt) Dödlighet/Livslängd 17 % per 10 µg/m 3 [14] PM (trafik) Astma vuxna HR 1.30 per 1 µg/m 3 [5] Ozon Dagligt antal dödsfall 0.3 % per 10 μg/m 3 [22] Ozon Inläggningar andning vuxna 0.5 % per 10 μg/m 3 WHO Exponering- responssamband som presenterats som oddskvoter har räknats om till relativa risker enligt Zhang et al [23]. Beräkning av hälsokonsekvenser Principerna för beräkning av luftföroreningars hälsokonsekvenser i termer av antal föroreningsorsakade hälsofall per år i en befolkning har redovisats i flera rapporter [24]. Beräkningarna bygger på att samband mellan halt och risk, uttryckt med hjälp av så kallade exponering-responsfunktioner, tillämpas på information om de halter befolkningen exponeras för och vanligen vilken som är grundförekomsten av fall i befolkningen. Hälsokonsekvensbedömningar med ekonomiska uppskattningar innebär omfattar olika steg inom helt olika vetenskapliga discipliner. För att underlätta detta behövs gemensamma ramar. WHO har därför utvecklat ett program som benämns AirQ, med snarlika versioner använda inom europiska projekt som APHEIS och APHEKOM. Det amerikanska Naturvårdsverket har utvecklat ett Windows-baserat program för analys av hälso- och kostnadsuppskattningar för förbättringar i luftkvalitet. Programmet heter BenMAP och beskrivs på Ett liknande verktyg, som heter Air Quality Benefits Assessment Tool (AQBAT), har tagits fram för Canada (Environment Canada, 2010). I 18

19 Sverige har ett motsvarande beräkningsverktyg inkluderats i SIMAIR Scenario, som tillhandahålls av SMHI. Det finns således inget behov av att ta fram ett specifikt beräkningsverktyg, utan särskilt SMHIs och WHOs verktyg kan användas för den som vill ha ett hjälpmedel för beräkningarna. Beräkningarna av hälsokonsekvenser i denna rapport följer de beräkningsprinciper som redovisas i rapporten för SMHI s scenarioverktyg [25]. För att räkna ut betydelsen av en relativ förändring av risken, här hur många människor som riskerar förtidig död på grund av exponering av luftföroreningar, behöver vi ha uppgift om grundfrekvensen i befolkningen. Grundfrekvenser för dödlighet och morbiditet i termer av sjukhusfall är tämligen enkla att hämta från socialstyrelsens register och olika statistikrapporter. Ofta anges antal fall per personer och år. Vid hälsokonsekvensberäkningar för vägprojekt och trafikpolitik är det främst NO x, NO 2, PM 2.5 och PM 10 som är aktuella, men även ozon, bensen och aldehyder kan bli aktuella att inkludera exempelvis för olika bränslen. En stor del av de exponering- responssamband som finns tillgängliga bygger på NO x eller NO 2, vilket beror av tillgången på mätdata och den goda korrelationen till trafikflödet generellt. Framtill motsvarande samband finns för mer specifika avgasmarkörer måste NO x och NO 2 anses som bra alternativ, man bör dock vara medveten om att förhållandet mellan NO x och NO 2 sinsemellan, och i förhållande till avgaspartiklar förändras genom föryngringen av fordonsparken. I dagsläget vet man att olika partikelfraktioner kan ha olika hälsoeffekter och borde således hanteras separat i en hälsokonsekvensberäkning. Dock har både WHO:s experter och amerikanska naturvårdsverket (EPA) bedömt att det ännu inte säkert går att koppla hälsoeffekterna tillräckligt tydligt till specifika typer av källor eller typ av partiklar, varför man inte har velat förespråka tillämpandet av olika koefficienter för olika slag av antropogena partiklar. I takt med att nya studier tillkommer och kunskapsunderlaget förändras kan man behöva revidera de antagna exponering-responssambanden. Presentation av resultat Resultaten av hälsokonsekvensberäkningarna totalt för studieområdet presenteras bäst i en tabell, från vilken det tydligt framgår förorening, åldersgrupp samt resultatet i form av förändringen i respektive hälsoutfall. I detta projekt används NO 2 och NO x som exponeringsindikatorer Resultaten av konsekvensberäkningarna redovisas för mortalitet och astma i tabell 4. Tabell 4. Förändringen i mortalitet samt uppkomst av astma. Hälsoutfall Luftförorening Åldersgrupp Relativ Risk (RR) Förändring av antal fall/år (osäkerhets intervall) Mortalitet NO x >=17 år 1,08 (per 10µg/m 3 ) -6,0 (-4,5- -8,3) Astma NO 2 >=17 år 1,54 (per 10µg/m 3 ) -1,9 (0- -3,8) 19

20 Tabellen ger den förväntade förändringen i respektive hälsoutfall presenterat som förändringen i antal fall per år. Förändringen i mortalitet beräknades till 6,0 färre dödsfall per år, vilket motsvarar ca 0,9 % av det förväntade antalet. För astma beräknas hälsovinsten till ca 2 färre fall per år. Tabell 5 beskriver förändringen av andelen som upplever fordonsavgaser utanför bostaden som mycket besvärande. Ur tabellens två första kolumner framgår den förväntade andelen besvärade i olika haltintervall baserat på resultaten från Modig och Forsberg Därefter följer fördelningen av Umeås befolkning (17 år eller äldre) i motsvarande haltintervall för respektive alternativ, och i sista kolumnen presenteras differensen för noll- och ombyggnadsalternativet avseende den förväntade andelen besvärade inom respektive haltintervall. I och med ombyggnadsalternativets genomförande beräknas andelen som rapporterar sig mycket besvärade av fordonsavgaser utanför bostaden att minska med 449 personer. Tabell 5. Den förväntade andelen mycket besvärade av fordonsavgaser utanför bostaden för noll- och ombyggnadsalternativet i olika haltintervall, och differensen mellan de båda alternativen. Haltintervall (µg/m 3 ) Förväntade andelen mycket besvärade av fordonsavgaser (%, median) Antal personer (N) Antal besvärade (N) Differens Nollalternativet Nollalternativet Ombyggnadsalternativet Ombyggnadsalternativet <12,5 2, ,5-17,5 4, ,6-22,5 9, ,6-28,5 20, ,6-33,5 36, ,6-38,5 55, ,6-43,5 72,4 0 0 >43,5 84,8 0 0 Summa I rapporten har vi jämfört två alternativ, ombyggnads- och nollalternativet, men i ett framtida projekt i samma storlek så bör motsvarande beräkningar genomföras för ett antal olika alternativ för att hälsoeffekterna skall kunna vara del i beslutsunderlaget. Denna typ av jämförelse har presenterats i tidigare projekt [26], och har då redovisat förändringen i mortalitet för exempelvis tre olika alternativa vägsträckningar eller förbättringsåtgärder, vilket gör det tydligt för vilket alternativ som hälsovinsterna kan antas blir större eller mindre. Förslag till uppföljning och utvärdering Trafikverket har betonat betydelsen av att mer noggrant följa upp miljöeffekterna av ett vägprojekt både under byggskedet men även efter att projektet har genomförts [27]. Detta är ett område som under många år varit eftersatt och där det finns stora möjligheter till förbättring och metodologisk utveckling. I Trafikverkets rapport Miljöuppföljning av väg- 20

21 och järnvägsprojekt lyfts begreppet effektuppföljning fram som ett verktyg för att bland annat kontrollera att uppsatta projektmål för miljökvalitet uppnås samt att genomförda miljöåtgärder fått avsedd effekt [28]. Effektuppföljning definieras i rapporten som en en uppföljning av förändringarna i miljökvalitet med en djupare utvärdering av resultaten, och skall endast genomföras i projekt när det finns behov. För vägomläggningar av Umeåprojektets storlek, finns all anledning att noggrant följa upp och utvärdera effekterna, speciellt eftersom miljökvalitet och hälsa anges som två viktiga motiv för projektets genomförande. För att kunna utvärdera effekterna krävs att data samlas in både före och efter genomförandet. Med avseende på hälsokonsekvenser relaterade till fordonsavgaser krävs information rörande både exponeringsförändring samt någon sorts utvärdering av hur befolkningen upplever förändringen. Mätstrategier Som tidigare nämnts (se avsnitt Exponeringsberäkningar) kan ett vägprojekts påverkan på luftmiljön utvärderas antingen genom beräkningar eller genom mätningar. Modellberäkningarnas styrka ligger framförallt i planeringsskedet och vid jämförelse mellan olika alternativ, men som grund för modelleringarna krävs mätningar för att fastställa modellernas tillförlitlighet. I ett projekt som Umeå-projektet krävs en kombination av både mätningar och modelleringar, och framförallt om förändringen ska kunna utvärderas mot gällande miljökvalitetsnormer. Vid planeringen av en mätkampanj med ovanstående syfte krävs mätningar både före och efter genomförandet. Mätningarna ska visa hur mycket projektet bidragit till att förändra luftsituationen, var förändringarna skett och i vilken riktning. För att mätningarna vid utvärderingen skall vara jämförbara och relevanta, finns ett antal punkter som bör beaktas: - Representativa mätmetoder - Representativa mätperioder - Representativa mätpunkter o Detta gäller både ur folkhälso- och lagstiftningsperspektiv Representativa mätmetoder För att kontrollera luftföroreningshalterna i relation till gällande miljökvalitetsnormer finns ett antal referensmetoder för provtagning av de luftföroreningar som regleras i miljölagstiftningen. Dessa finns beskrivna i Naturvårdsverkets föreskrifter om kontroll av luftkvalitet (NFS 2010:8). Metoder är främst avsedda för kontinuerlig mätning i ett fåtal stationära punkter och har ett begränsat användningsområde när det gäller att utvärdera den geografiska fördelningen av halter, vilket är en viktig del i uppföljningen av ett vägprojekt. Det ekonomiskt mest rimliga alternativet för att mäta ofta och i många punkter är att använda diffusionsprovtagare. Diffusionsprovtagning är en passiv provtagningsmetod som bygger på principen diffusion. Provtagarna kan se olika ut, men gemensamt för samtliga är att de innehåller ett filter eller en adsorbent till vilken den aktuella luftföroreningen binder. Diffusionshastigheten är känd och beror av provtagarens utformning samt temperaturen under provtagningstillfället. En svaghet med diffusionsprovtagare, i förhållande till kontinuerliga 21

22 mätinstrument, är de beskriverr medelhalten under mätperioden och o att provtagningstiden i utomhusmiljö oftast måste varr 2 till 3 dagar för att nå detekterbara halter. Figur 8. Diffusionsprovtagaren Ogawa. För diffusionsprovtagare gäller att de bör vara validerade, företrädelsevis mot ett referensinstrument, i den miljö där provtagningen kommer att äga rum. Tiden för provtagning är också viktig och kan varieraa mellan olika typer av provtagaree beroende av halterna i utomhusluften. Utomhustemperaturen under mätperioden har också visat sig vara av betydelse [29]. Mätperioder och mätpunkter Halten av luftföroreningar i utomhusluften beror inte bara av mängden och h storleken av emissionskällorna utan även av meteorologi. Det negativa sambandet mellan temperatur och NO x är ett välkänt och bra exempel, medan beroendet kan se annorlunda utt för olika partikelfraktioner. För att mätningarnaa före respektive efter ett projekts genomförande skall vara jämförbara bör de fördelas över samma perioder på året. Tidigare var det vanligg att mätningar genomfördes under den kallare årstiden (höst/vinter) dåå halterna var som högst, men eftersom det i många projekt även är intressant att jämföra mot t gällande miljökvalitet tsnormer bör medelvärdet av mätningarna i så stor utsträckning som möjligt motsvara ett årsmedelvärde.. Tre mätperioder per år; höst alternativt vår, vinter och sommar, som genomförs under minst två år före respektive efter projektets genomförande är en bra utgångspunkt. Ett stort antal mätperioder under flera år ger mer representativa mätresultat och således ett mer korrekt svar på projektets betydelse för luftkvaliteten. Valet av mätpunkter och antalet mätpunkter bör anpassas till det aktuella projektet samt projektets storlek. Umeå-projektet som utgör exempel i denna rapport, är ett förhållandevis stort projekt som förväntas ha betydelse dels för Umeå kommuns möjligheter att svaraa mot miljökvalitetsnormerna på ett antal specifika platser men även för den totala befolkningsexponeringen. Mätpunkter bör fördelas så attt de både speglar punkter där förändringarna i halter antas bli stora, men även i områden därr förändringen för befolkningen blir stora. I exemplet på ombyggnadsprojektet sker de största förändringarna i centrum längs med nuvarande E4:an fram tilll rondellen på Ersboda, Kolbäcksleden samt längs de nyaa vägarna genom Röbäck och Umedalen samt genom I20-skogen. Dettaa är områden där mätningar bör placeras i anslutning till vägarna och där haltförändringarna kan förväntas bli tydliga. Från figur r 6 framgår det även att det är inom dessa områden som de största förändringarna i befolkningsexponering kommer 22

23 att ske, varför mätningar även bör förläggas till angränsande bostadsområden. Bilderna i figur 9 visar placeringenn av de mätpunkter som används inför ombyggnadsalternativets genomförande, och hur de fördelar sig i förhållande till de områden som enligt modellberäkningarna förväntas få de största förändringarna. Figur 9. Placeringen av mätpunkter för mätningarr innan och efter ombyggnadsalternativets genomförande. Första bilden visar mätpunkterna i förhållande tilll ombyggnadsalternativets vägsträckningv gar, och andra bilden visar punkterna i förhållande till differensen mellan de beräknade NO x -halterna för noll- och ombyggnadsalternativet. Rött symboliserar områden som förväntas få ökade halter och grönt områden där halterna förväntas sjunka. Om man kan anta en mer generell förändring av luftföroreningssituationen,, bör mätpunkter även placeras i områden som inte i är i direkt anslutning till vägomläggningarna för att få en bättre bild av den mer storskaliga förändringen. För detta ändamål är ocksåå kommunernas kontinuerliga mätstationer i urban bakgrund viktiga komplemen nt. Hälso och enkätdata Hälsobegreppet och hur det hanteras i miljökonsekvensbeskrivningar för vägtrafik är omdiskuterat och har kritiserats för att vara alltför knapphändigtt [7]. Metodiken som beskrivs i denna rapport angående exponering ochh kvantifiering av hälsoeffekter är väletablerad i andra sammanhang och bör ses som en naturlig g del i alla större vägombyggnadsprojekt där människor berörs. Metodiken för uppföljning av hälsoeffekter bör på samma sätt som exponeringen bygga på en jämförelse mellan situationen före respektive efter ett projekts genomförandg nde. Möjligheten att på ett bra sätt jämföra objektiva hälsoutfall såsom antalet sjukhusinläggningar, förekomsten av astma, användning av läkemedel osv, är dock begränsad eftersom det kräver långa uppföljningsperioder och stora populationer. Befolkningssammansättningenn förändras kontinuerlig inom en stad, vilket försvårar alla typer av jämförelser inom ett och samma område över tid, men kanske framförallt f förekomsten av sjukdomar. Förekomsten av besvär och befolkningens upplevelserr av omgivningen med avseende på p luftkvaliteten är merr lämpligt för denna typ av jämförelser. Förekomsten av upplevda besvär och graden av upplevd störning relaterat till olika miljöfaktorer studeras bäst med enkäter. I syfte att jämföra hälsosituationenn i befolkningen före respektive efter ett större vägprojekt är frågor om upplevelsen av omgivningsmiljön i stort samt situationen i närmiljön intressant. Detta är frågor där man kan förvänta sig att svaren förändras relativt snabbt efter att projektet genomförts, till skillnad från förekomsten av mer komplexa hälsoutfall. 23

24 Exempel på frågeställningar som använts inom forskningen och som visat sig vara relaterade till fordonsavgaser är: - Hur ofta upplever du luften som dagligen eller nästan dagligen irriterande under vintern (dagligen eller nästan dagligen, ibland eller periodvis, sällan eller aldrig) - Hur störande tycker du att avgaser från vägtrafik varit under den senaste månaden utanför din bostad (skala 1-10) - Hur besvärande är avgaserna från trafiken i ditt bostadsområde? (inget/lite, något, mycket) 24

25 Diskussion Exponeringsbeskrivning Beräknade trafikflöden De trafikflöden som har använts för vårt exempel bygger på Trafikverkets egna beräkningar för noll- respektivee ombyggnadsalternativet avseende år Någon N djupare granskning av vilka indata och antaganden som ligger bakom siffrorna har intee gjorts, då huvudsyftett med projektet är metodiken kring hälsokonsek kvensberäkning och inte detaljer kring beräkningsexemplet. Under projektets gång bestämdes dock att de modellerade trafikflödena för noll-alternativetrafikräkningar, för att se var skillnadernas a är som störst. För att möjliggöra jämförelsen har de modellerade trafikflödenaa anpassats till de vägsträckor för vilka det fanns uppmätta flöden. Eftersom beräkningarna inkluderade ett större antal vägsträckor har vissa exkluderats från jämförelsen. skulle jämföras med de trafikflöden som hämtats från Umeå kommuns Figur 10. Differensen mellan Umeå kommuns uppmätta trafikflöden 2006 och de av Trafikverket simulerade trafikflöden för motsvarande vägsträckor för år Figuren ovan visar differensenn mellan kommunens trafikräkningar 2006 och de av Trafikverket modellerade halterna för motsvarande vägsträckor Jämförelsen visar att det på största delen av vägsträckorna inte skiljer mer än 2000 fordon per dygn (gult). De vägsträckningar som ritats med rött visar var de modellerade trafikflödena för 2020 överstiger de uppmätta flödena 2006 med mer än 2000 fordon per dygn, och de som ritats med grönt visar var 2006 års trafikräkningar överstiger prognosen för med mer än 2000 fordon per dygn. En generell iakttagelse är att överensstämmelsen mellan uppmätta u och modellerade värden är bättre på sträckor med mycket trafik jämfört med de som har lägre trafikflöden, 25

26 vilket sannolikt beror på att osäkerheten både för mätningar (färre mättillfällen) och modellering är högre på mindre vägar. AIRVIRO och SIMAIR De spridningsberäkningar som ligger till grund för konsekvensberäkningarna i rapporten baseras på AIRVIRO, då det under projekttiden endast var möjligt att använda SIMAIR för nollalternativet. Orsaken till detta var omfattningen på de föreslagna trafikomläggningarna i ombyggnadsalternativet vilket gör bakgrundskoncentrationer som ligger inbyggt i SIMAIR inaktuella, vilket i leder till fel i haltberäkningarna. De nya beräkningarna av bakgrundshalter som skulle behövas ryms inte inom tidsramarna för detta projekt. Dock går det att göra en jämförelse mellan de beräknade halterna för nollalternativet mellan AIRVIRO och SIMAIR. Den nedan följande diskussionen finns i en mer utförlig engelsk version i bilaga 1. Tidigare beräkningar med SIMAIR i Umeå har visat att modellen har svårt att generera rimliga halter av NO 2 /NO x, vilket mest troligt berott på Umeås komplicerade meteorologiska situation under vinterhalvåren. Detta har delvis åtgärdats i och med en vidareutveckling av modellen från 2007, som gör att modellen bättre kan ta hänsyn till halterna under den kallare delen av året [30]. En jämförelse mellan en uppmätt och en modellerad tidsserie vid den urbana bakgrundsstationen i Umeå, bibliotekstaket, visar en god överensstämmelse både för årsmedelhalten av NO (uppmätt respektive modellerad halt var 14 respektive 14,5 µg/m 3 ) och den tidsmässiga variationen under samma år (r=0,79). Inom projektet har SIMAIR modelleringar gjorts enligt ROADSIDE konceptet, vilket innebär att det lokala bidraget till halten i en specifik punkt inkluderar alla trafikkällor inom 250 meter. En av fördelarna med detta är att halterna beräknas för exakta koordinater och behöver inte interpoleras fram, vilket är fallet då beräkningarna beskrivs som grid-rutor. Beräkningarna gjordes för samtliga fastigheter i Umeå kommun, av vilka 9235 låg inom centrala Umeå. Trotts att både AIRVIRO och SIMAIR bygger på Gaussiska spridningsantaganden, så finns det flera olikheter i hur halterna räknas fram. Hanteringen av de meteorologiska parametrarna skiljer sig åt bland annat avseende beräkningen av vindprofiler, atmosfärens skiktning samt spridningsprocesser. En jämförelse mellan de båda modellerna avseende medelhalten för de aktuella fastigheterna i centrala Umeå visar att AIRVIRO beräkna betydligt högre halter jämfört med SIMAIR. Medelhalten med AIRVIRO beräknas till 13,9 µg/m 3 medan motsvarande halt med SIMAIR beräknas till 7,7 µg/m 3. Om man istället för att jämföra halter tittar på hur väl de båda modellerna överensstämmer med avseende på den geografiska variationen, så förklarar SIMAIR 85% av variationen modellerad med AIRVIRO. Skillnaden mellan modellerna avseende medelhalten av NO 2 kan delvis förklaras av de grundläggande skillnaderna mellan modellerna, men i detta specifika exempel kan delar även förklaras av skillnader i indata. SIMAIR-beräkningarna bygger på meteorologiska data från 2007 medan AIRVIRO- beräkningarna bygger på meteorologi från 2003, och trots att beräkningarna utöver meteorologin bygger på samma data avseende på trafikflöden och emissionsfaktorer (för 2005) är meteorologin av betydelse. AIRVIRO har tillskillnad från SIMAIR tidigare även utvärderats mot ett stort antal passiva mätningar spridda över centrala Umeå. Resultaten visade på god överensstämmelse vad avser den geografiska variationen medan skillnaderna i absoluta halter var stora, och där AIRVIRO 26

27 kraftigt underskattade de uppmätta halterna. Denna skillnad har sedan dess korrigerats via en uppräkningsfaktor. Motsvarande jämförelse har i skrivande stund inte gjorts för SIMAIR. En slutsats från de jämförelser som gjorts inom projektet är att det inte med ett enkelt svar går att säga vilken modell som ger mest tillförlitliga resultat då båda modellerna har styrkor och svagheter. För hälsokonsekvensbeskrivningar och alternativjämförelse fungerar båda tillfredsställande då det framförallt är den geografiska förändringen som är viktig, och utvärderingen visat att modellerna har hög geografisk korrelation. Dock krävs nya beräkningar av bakgrundshalter till SIMAIR för att modellen skall fungera tillfredställande för olika alternativ. Geografiska exponeringsmått Geografiska exponeringsmått är ett alternativt sätt att beskriva exponering på individnivå, vilket bygger på antagandet att individer som bor nära trafik eller har stora mängder trafik runt sin bostad är mer exponerade jämfört med individer som bor mindre trafikerat. Denna metodik har inte använts i rapporten, men är ett intressant alternativ till andra typer av exponeringsmått. Den tydliga kopplingen till emissionskällan i kombination med utvecklingen av geografiska informationssystem (GIS), har gjort geografiska exponeringsvariabler vanliga i epidemiologiska studier av fordonstrafikens hälsoeffekter. Det finns ett stort antal vetenskapliga studier som visat att risken för ohälsa ökar med ökad trafikbelastning runt bostaden [31-33]. De geografiska exponeringsmåtten kan även användas för att studera förändringen av exponering före respektive efter ett infrastrukturellt projekt. Till exempel kan andelen av befolkningen som bor inom ett visst avstånd från en väg eller som har ett visst antal fordon inom 100 meter runt bostaden före förändringen jämföras med samma andel efter förändringen. Motsvarande jämförelse kan även göras för olika alternativa vägsträckningar i inledningen av ett större vägprojekt. Svagheten med denna typ av exponeringsmått i förhållande till meteorologiska spridningsmodeller eller mätningar är att exponeringen inte beskrivs som halter utan som avstånd eller som antal fordon. Stora fördelen är att uppgifter om trafikflöden ofta finns tillgängliga vilket gör beräkningarna billiga. Beräkning och uppföljning av hälsokonsekvenser De generella principerna för beräkning av luftföroreningars hälsokonsekvenser är likartade i publicerade artiklar och de olika verktyg som finns föreslagna av WHO, US EPA, SMHI m fl [24]. Beräkningarna innebär att exponering-responssamband tillämpas på information om de halter befolkningen exponeras (eller haltdifferens mellan olika scenarios) och en baseline, grundförekomsten av fall i befolkningen. Det främst NO x, NO 2, PM 2.5 och PM 10 (eller grovfraktionen PM 10 - PM 2.5 ) som är aktuella indikatorer i konsekvensberäkningar för väg- och trafikprojekt. Det är ett pedagogiskt problem att en stor del av de tillgängliga exponering- responssambanden bygger på NO x eller NO 2, fast betydelsen i orsakshänseende är tveksam. I framtiden kommer det kanske att finnas specifika exponerings-responssamband för avgaspartiklar, vägdamm mm. När kunskapsunderlaget förändras kan man behöva inkludera nya exponering-responssamband i beräkningarna, och förhoppnings även redovisa skillnader i resultat med olika alternativa indikatorer för exponering. 27

28 Hälso och enkätdata vid uppföljning Kartläggning och uppföljning av hälsa i samband med större vägprojekt är ett eftersattt område. Som nämnts under rubriken hälso- och enkätdata så finns möjligheter att på olika sätt beskriva förändringarna i hälsa genom attt studera förändringen i andelen som upplever sig besvärade av fordonsavgaser. En viktig del i arbete med enkäter är att urvalet av deltagare måste vara representativt för området som man vill studera,, både vad gäller den geografiska fördelningef en och fördelningen i åldrar och kön. Svarsfrekvensen i dennaa typ av enkäter brukar ofta ligga runt 60% vilket innebär att en stor andel av de tillfrågade väljer att inte svara. Bortfallet kann orsaka problem om det inte är slumpmässigt utan det är vissa geografiska områden eller vissa åldersgrupper som är över- alternativt underrepresenterade. Bortfallet måste alltid studeras och det ärr särskilt viktigt om resultaten skall användas för att studera förändring i befolkningeb en över tid. Utifrån det aktuellaa Umeåexemplet så finns två huvudalternativ avseende det geografiska urvalsområdet; det ena är ett slumpmässigt urval av personer från hela centrala Umeå, och det andra är ett slumpmässigt urval av personer från de mest berörda områdena. Det första f alternativet ger en mer heltäckande bild av hela Umeås befolkning, och gerr också möjlighet att jämföra förekomsten av besvär mellann olika geografiska områden av Umeå. Ett större geografiskt urvalsområde kräver dock ett större befolkningsurval för att säkerställa tillräckligt många svar från de mest berörda områdena. Det andra alternativet är att begränsa det slumpmässiga urvalet till de områden som förväntas bli mest berörda. En sådan begränsning kan bygga på fastigheter i kombination med figur 6. Med ett geografiskt selekterat urval så kan antalet enkäter minskas och följaktligen även kostnaderna, men m det är på bekostnad av resultatens generaliserbarhet. Inom ramen för forskningsprojektet Global Allergy and Asthmaa European Network (GA 2 LEN) skickades en enkätt ut till slumpmässigt utvalda deltagare i blanda annat Umeå. Syftet med enkäten varr att kartlägga förekomsten av astma och allergi men även förekomsten av besvär relaterade till olikaa miljöfaktorer. Figur 11. Den geografiska fördelningen av andelen som upplever sig vara mycket besvärade av fordonsavgaser utanför bostaden baserat på GA 2 LEN-enkäten. 28

29 Resultatet visade att andelen som angav sig vara mycket besvärade av fordonsavgaser var högst i de centrala delarna av Umeå och lägre i ytterkanterna. I det d aktuellaa exemplet, kommer ombyggnadsalternativet att medföra en ökning av trafiken i de områden o därr förekomsten av besvär är låg och en minskning i områdenn där besvärsförekomsten är relativt hög. En uppföljning av enkäten några år efter ombyggnadsalternativets genomförang nde kommerr att visa var förändringarna är störst, och utifrån det kan projektet som helhet utvärderas. Känsliga grupper Kartläggning av olika typer av hälsobesvär inför ett stort projekt kan även ge värdefulll information om den geografiska fördelningen av känsliga grupper. Baserat på GA 2 LEN-enkäten har det varitt möjligt attt titta på denn geografiska fördelningen av personer som säger sig använda astmamediciner, ett mått på förekomsten av astmatiska besvär. Figur 12. Bilden visar användandet av a astmamedicin baserat på svaren från GAG 2 LEN-enkäten. De vägsträckor som är markerade med rött är de som förväntas fåå en betydandee trafikökningg i och med ombyggnadsalternativet. Kartbilden i figur 12 visar att det finns geografiska skillnader, där d användandet av astmamedicin i vissa bostadsområden är dubbelt så högt jämförtt med andra. Värt att notera från bilden är att i det mest luftföroreningsbelastade området i centrum används mindre astmamediciner jämfört med många andraa områden. I bilden framgår i rött de vägsträckningarna som tillkommer och där trafikökningen förväntas bli betydande i och med ombyggnadsalternativet. Om man ser till nuvarande befolkning skulle man n förvänta sig att ökningen av besvär i ytterområdena blir större än om andelen astmatiker varit lika i hela det berörda området. Större infrastrukturella projekt, såsom ett vägprojekt, har en förväntad livslängd som vida överstiger den som kan sägas gälla för befolkningssammansättningen i ett bostadsområde. Aktuella data om förekomst av olika typer av besvär kan således inte vara avgörande för f utformningen av alternativ, men de kan ändå ge en vägledning om o var mann kan förvänta sig en ökning respektive minskning av besvär åren efter projektets genomförang nde. 29

30 Befolkningens sammansättning och geografiska fördelning förändras inte spontant utan är i varierande utsträckning styrd av samhälleliga faktorer och kommunal planering. De flesta kommuner har aktuella översiktsplaner som beskriver planerad bebyggelse, och dessa kan användas för att beskriva hälsokonsekvenser även på längre sikt. Ett exempel på en sådan tillämpning i denna rapport vore att variera befolkningens geografiska fördelning i olika alternativ baserat på Umeå kommuns översiktsplanering. Det skulle ge ett antal olika alternativ med olika befolkningsstruktur för ombyggnadsalternativet, vilka sedan kunde jämföras sinsemellan och med nollalternativet. Hälsa är en grundpelare i miljölagstiftningen och bör där med finnas med som en viktig faktor tidigt i planeringsprocessen. 30

31 Referenser 1. Dockery DW, Pope CA III, Xu X, Spengler JD, Ware JH, Fay ME, Ferris BG Jr, FE. S: An association between air pollution and mortality in six U.S. cities. N Engl J Med 1993, 329: Samoli E, Aga E, Touloumi G, Nisiotis K, Forsberg B, Lefranc A, Pekkanen J, Wojtyniak B, Schindler C, Niciu E et al: Short term effects of nitrogen dioxide on mortality: an analysis within the APHEA project. Eur Respir J 2006, 27(6): Jacquemin B, Sunyer J, Forsberg B, Aguilera I, Briggs D, Garcia Esteban R, Gotschi T, Heinrich J, Jarvholm B, Jarvis D et al: Home outdoor NO2 and new onset of self reported asthma in adults. Epidemiology 2009, 20(1): Modig L, Toren K, Janson C, Jarvholm B, Forsberg B: Vehicle exhaust outside the home and onset of asthma among adults. Eur Respir J Kunzli N, Bridevaux PO, Liu LJ, Garcia Esteban R, Schindler C, Gerbase MW, Sunyer J, Keidel D, Rochat T: Traffic related air pollution correlates with adult onset asthma among neversmokers. Thorax 2009, 64(8): Alenius K: Hälsoaspekter i miljökonsekvensbeskrivningar för vägar. In. Umeå: Institutionen för folkhälsa och klinisk medicin, Umeå universitet. Statens folkhälsoinstitut, Rapport 2001: Kågström M: Hur ska man hantera det här med hälsa? en kunskapsöversikt om hälsans roll i konsekvensbeskrivning och transportplanering. In. Uppsala: Institutionen för stad och land, Sveriges lantbruksuniversitet (SLU). Rapport nr7/2009.; Johansson C, Burman L, Lövenheim B, Segerstedt B: Trängselavgifter i Stockholm Effekter på luftkvalitet och hälsa. In. Stockholm: Naturvårdsverket, Rapport 5336; Statens institut för kommunikationsanalys: SAMPERS OCH SAMGODS. Nationella modeller för prognoser och analyser inom transportsektorn. SIKA, In. 10. Nieuwenhuijsen M (ed.): Exposure assessment in occupational and environmental epidemiology. New york: Oxford University Press; Modig L, Forsberg B: Perceived annoyance and asthmatic symptoms in relation to vehicle exhaust levels outside home: a cross sectional study. Environ Health 2007, 6: Nafstad P, Haheim LL, Wisloff T, Gram F, Oftedal B, Holme I, Hjermann I, Leren P: Urban air pollution and mortality in a cohort of Norwegian men. Environ Health Perspect 2004, 112(5): Pope CA, 3rd, Burnett RT, Thun MJ, Calle EE, Krewski D, Ito K, Thurston GD: Lung cancer, cardiopulmonary mortality, and long term exposure to fine particulate air pollution. JAMA 2002, 287(9): Jerrett M, Burnett RT, Ma R, Pope CA, 3rd, Krewski D, Newbold KB, Thurston G, Shi Y, Finkelstein N, Calle EE et al: Spatial analysis of air pollution and mortality in Los Angeles. Epidemiology 2005, 16(6): Le Tertre A, Medina S, Samoli E, Forsberg B, Michelozzi P, Boumghar A, Vonk JM, Bellini A, Atkinson R, Ayres JG et al: Short term effects of particulate air pollution on cardiovascular diseases in eight European cities. J Epidemiol Community Health 2002, 56(10): Hoek G, Brunekreef B, Goldbohm S, Fischer P, van den Brandt PA: Association between mortality and indicators of traffic related air pollution in the Netherlands: a cohort study. Lancet 2002, 360(9341): Filleul L, Rondeau V, Vandentorren S, Le Moual N: Twenty five year mortality and air pollution: results from the french PAARC survey. Occup Environ Med 2005, 62: Scoggins A, Kjellstrom T, Fisher G: Spatial analysis of annual air pollution exposure and mortality. Sci Total Environ 2004, 321(71 85). 31

32 19. Fusco D, Forastiere F, Michelozzi P, Spadea T, Ostro B, Arca M, Perucci CA: Air pollution and hospital admissions for respiratory conditions in Rome, Italy. Eur Respir J 2001, 17(6): Kunzli N, Kaiser R, Medina S, Studnicka M, Chanel O, Filliger P, Herry M, Horak F, Jr., Puybonnieux Texier V, Quenel P et al: Public health impact of outdoor and traffic related air pollution: a European assessment. Lancet 2000, 356(9232): Zanobetti A, Schwartz J, Samoli E, Gryparis A, Touloumi G, Atkinson R, Le Tertre A, Bobros J, Celko M, Goren A et al: The temporal pattern of mortality responses to air pollution: a multicity assessment of mortality displacement. Epidemiology 2002, 13(1): Gryparis A, Forsberg B, Katsouyanni K, Analitis A, Touloumi G, Schwartz J, Samoli E, Medina S, Anderson HR, Niciu EM et al: Acute effects of ozone on mortality from the "air pollution and health: a European approach" project. Am J Respir Crit Care Med 2004, 170(10): Zhang J, Yu K: What's the relative risk? A method of correcting the odds ratio in cohort studies of common outcomes. JAMA 1998, 280 (19). 24. WHO: World Health Organisation (WHO) Air Quality Guidelines, Global Update In.: World Health Organisation (WHO) Regional Office for Europe, Copenhagen, Denmark; Omstedt G, Forsberg B, Nerhagen L, Gidhagen L, Andersson S: SIMAIRscenario ett modellverktyg för bedömning av luftföroreningars hälsoeffekter och kostnader. In. Norrköping: Sveriges Meteorologiska och Hydrologiska Institut (SMHI), Meteorologi Nr 146; Jöborn I, Belhaj M, Sjöberg K, Almgren M, Forsberg B, Lindgren J: Hälsokonsekvenser i strategisk miljöbedömning (SMB) med Göteborgs åtgärdsprogram för kvävedioxid som testfall. In. Göteborg: Svenska Miljöinstitutet (IVL), Rapport B1635.; Bergkvist J, Sundin J, Lingestål I, Eriksson I: Miljöuppföljning av väg och järnvägsprojekt. In. Stockholm: Vägverket, Rapport 2007:40.; Trafikverket.: Miljöuppföljning av väg och järnvägsprojekt. In.: Trafikverket, Rapport 2007:40.; Hagenbjork Gustafsson A, Tornevi A, Forsberg B, Eriksson K: Field validation of the Ogawa diffusive sampler for NO2 and NOx in a cold climate. J Environ Monit 2010, 12(6): Johansson C, Andersson S, Omstedt G, Gidhagen L, Robertsson L: Mätningar och modellberäkningar av NOx halternas tidsmässiga och rumsliga variationer i Umeå. In.: Institutionen för tillämpad miljövetenskap (ITM), Stockholm. Rapport 188.; McCreanor J, Cullinan P, Nieuwenhuijsen MJ, Stewart Evans J, Malliarou E, Jarup L, Harrington R, Svartengren M, Han IK, Ohman Strickland P et al: Respiratory effects of exposure to diesel traffic in persons with asthma. N Engl J Med 2007, 357(23): Modig L, Jarvholm B, Ronnmark E, Nystrom L, Lundback B, Andersson C, Forsberg B: Vehicle exhaust exposure in an incident case control study of adult asthma. Eur Respir J 2006, 28(1): Morgenstern V, Zutavern A, Cyrys J, Brockow I, Koletzko S, Kramer U, Behrendt H, Herbarth O, von Berg A, Bauer CP et al: Atopic diseases, allergic sensitization, and exposure to trafficrelated air pollution in children. Am J Respir Crit Care Med 2008, 177(12):

33 33 Bilaga 1. Exposure in Umeå with Airviro and SIMAIR 1. Airviro simulation: procedure and result files The Airviro Gauss model has been run for the two traffic scenarios l2010ofor and l2010ny, created in the SIMAIR system (user umuemg20 ). The two scenarios are based on a copy of the original 2005 database, i.e. the vehicle emission factors are for New result for l2010ofor (569 ton/year, user lgidhage, simulation nr for time series). New result for l2010ny (604 tons/year, user lgidhage, simulation nr for time series). In order to obtain time series of total NOx, the procedure outlined in the former study of March 15, 2009 (Appendix 1) has been followed. This means adding two additional simulation results to each of the traffic scenarios: Impact of Ålidhemsverket (159 tons/year, user lg, simulation nr for time series) Impact of Other (210 tons/year, user lg, simulation nr for time series). The emission databases used for these two simulations originate from SIMAIR Note that Other is based on an emission inventory with a total of 369 ton/year that includes all point sources in Umeå, i.e. also Ålidhemsverket. To avoid double counting the Other inventory should sum to =210 tons/year. Instead of reducing the emissions, we have reduced the resulting concentrations with the corresponding factor 210/369 = 0.57, in this manner excluding the Ålidhemsverket impact from the Other result. In this way we can handle the Ålidshemsverket impact separately, an advantage as its emissions takes place in a high stack. The impact of Other is thus more low-lying emissions, e.g. from residential wood combustion. Next step is to add a regional background of 2 µg/m 3 and finally increase the summed model output with the empirical factor The correction is based on a comparison between model result and passive measurements, see Appendix 1 for details. Creating Total Ofor : * ( * ) in simulation nr 0044 Creating Total NY : * ( * ) in simulation nr 0046 with users according to what is given above. The annual average results are nr 0045 (Ofor) and 0047 (NY), they have been exported to a file EXCEL: NOx_Airviro_fields.xls (both Ofor and NY) The NOx simulation has also been converted to a NO2 output, using the empirical relationship developed by Slb: [NO2] = [NOx] ^ ( /([NOx]+100)) The formula has been applied on hourly NOx fields (Ofor nr 0044 and NY nr 0046) with NO2 time series output as nr 0047 (Ofor) and as nr 0049 and the NO2 average field has been calculated afterwards as nr 0048 (Ofor) and nr 0050 (NY). The average results have been exported to a file EXCEL: NO2_Airviro_fields.xls (both Ofor and NY). SMHI February 03, 2011 (L Gidhagen och G Omstedt)

34 34 2. Exposure in property coordinate es In total property addresses (see map). Fig. 2.1 Property addresses used forr exposure assessment. All Airviro results - NOx_Ofor, NOx_NY, NO2_Ofor, NO2_NY have h been evaluated at property addresses using bi-linear interpolation, storedd in Airviro_ receptor_resultat.xls. SMHI February 03, 2011 (L Gidhagen och G Omstedt) O

35 35 3. Traffic emission mapping Fig. 3.1 l2010ofor 569 ton/year Fig. 3.2 l2010ny 604 ton/year SMHI February 03, 2011 (L Gidhagen och G Omstedt)

36 36 SMHI February 03, 2011 (L Gidhagen och G Omstedt)

37 37 4. NOx and NO2 mapping Fig. 4.1 Annual NOx levels. Traffic as in l2010ofor (569 ton/year) Regional background and impact of Ålidshemsverke t and Other sources are added Fig. 4.2 Annual NOx levels. Traffic as in l2010ny (604 ton/year) Regional background and impact of Ålidshemsverke t and Other sources are added SMHI February 03, 2011 (L Gidhagen och G Omstedt)

38 38 Fig. 4.3 Annual NO2 levels. Traffic as in l2010ofor (569 ton/year) Regional background and impact of Ålidshemsverke t and Other sources are added (based on Sthlm NO2 formula) SMHI February 03, 2011 (L Gidhagen och G Omstedt)

39 39 Fig. 4.4 Annual NO2 levels. Traffic as in l2010ny (604 ton/year) Regional background and impact of Ålidshemsverke t and Other sources are added (based on Sthlm NO2 formula) SMHI February 03, 2011 (L Gidhagen och G Omstedt)

40 40 The following figure shows the difference between the two scenarios NY Ofor. It showss that with the new E4 passage ( NY ) Umeå centre will have lower NOx levels, while the outer areas will have higher levels. If compared all over the simulation area, the NY Ofor statistics are: Mean = Max = 26.2 Min = Fig. 4.5 Differences in annual NOx levels (NY-Ofor) SMHI February 03, 2011 (L Gidhagen och G Omstedt) O

41 41 5. SIMAIR ROADSIDE: NOx/NO2 levels in property addresses SIMAIR has had large problems to reproduce the urban background NOx and NO2 levels in Umeå. These have been solved earlier by a statistical approach but from 2007 a new version of the urban model BUM has been used, with better performance during the cold winter periods when pollution levels raise drastically (Andersson, S. et al., 2010, Johansson et al., 2010). In order to compare SIMAIR levels with measured data, we have performed new SIMAIR ved simulations for receptor coordinates located at measurement stations Biblioteket ( , ), Gamlia ( , ) and Ön ( , ). The hourly time series have been loaded into Airviro together with measured NO2 data from Biblioteket. NOTE: The time series for those three locations have been extracted from simulation sessions nn11111 (Biblioteket), nn2222 (Ön) and nn4444 (Gamlia), directly from the SIMAIR ved user interface. This means that the urban background concentration has NOT been corrected for double counting of road link emissions (the correction procedure is however applied for the property addresses assessment, described further below). The better performance with the new version of BUM urban model can be seen in Figure 5.1 below, showing a comparison between measured and calculated daily mean NO2 concentrations at Biblioteket in Umeå. The results are good. The calculated yearly mean is 14.5 µg/m 3 close to the measured yearly mean of 14.0 µg/m 3, the correlation is reasonable high (r=0.79) and the fraction of calculated values that are within a factor-of-two (F2) is high, 93%. The seasonal variation is also reasonable well described, some winter concentrations are however underestimated. 60 NO 2 (µg/m 3 ) Number of datapoints=318 Average measured=14.0 Average modelled=14.5 r=0.79 F2= Jan 2-Mar 1-May 30-Jun 29-Aug 28-Oct 27-Dec Year 2007 Figure 5.1. Comparison of measured (+) and calculated (red line) daily mean concentrations of NO2 (µg/m3) at Biblioteket (roof level) in Umeå the year r is the correlation coefficient and F2 is the fraction of prediction within a factor-of-two of the observations. Simulations have been made for the property addresses. The ROADSIDE concept means that the local contribution includes the effect of all traffic within a distance of 250 m from the property address. Calculations are done at the exact coordinates (addresses) for the receptor points, which means that no smoothing is done due to interpolation in a concentration grid. This means also that the model can be rather fast, even if calculations are done at many geographical distributed receptor points. SMHI February 03, 2011 (L Gidhagen och G Omstedt)

42 42 It should be noted that it was only possible to simulate the present conditions, i.e. the Ofor road database. The proposed new transit network, as oultined in NY, implies such a large change in emission patterns that the pre-calculated urban background concentrations for 2007 will not be representative. Regionalt Urbant Lokalt Halt NO2 (µg/m3) Regionalt Urbant Lokalt Halt NOx (µg/m3) Fig. 5.2 Concentrations of NO2 (top) and NOx (bottom) according to SIMAIR ROADSIDE results for 2007 (sorted according to total concentration level). SMHI February 03, 2011 (L Gidhagen och G Omstedt)

43 43 6. Analysis of and comments to thee deliveredd simulations In Figure 6.1 we compare calculated NOx concentrations by the two methods m for the addresses used in this study. Corresponding resultss for NO2 is shown in Figure 6.2. Fig. 6.1 Comparison between calculated NOx concentrations sorted according to size by the two methods used in this study. Airviro 2003 uses meteorological data from 2003 and calculated concentrations are fitted to NOx measurements by a factor of Simair 2007 uses meteorological data fromm Emission database: Ofor. Fig. 6.2 Comparison between calculated NO2 concentrations sorted according to size by the two methods used in this study. Airviro 2003 using an empirical formula from Stockholm usingg only NOx concentrations as input SMHI February 03, 2011 (L Gidhagen och G Omstedt) O

44 44 for calculation of NO2 concentrations. Simair 2007 uses a chemical algorithmm taking into background ozone concentrations etc. for calculation off NO2 concentrations. Emission database: Ofor. The differences in NOx and NO2 levels between the two model results can be, at least partly, be explained by two facts: The input data are not the same. The Airviro calculations are done for 2003 and the Simair calculations for During that period the NO2 concentrations have h also decreased as shown in Figure 6.3 vinterhalvårsmedelvärden NO ug/m /89 89/90 90/91 91/92 92/ /94 94/95 95/96 96/97 97/98 98/99 99/00* 00/01 01/02 02/ /04 04/05 05/06 06/07 Fig. 6.3 Measured NO2 concentrations (µg/m 3 ) att Biblioteket in Umeå expressed as winter half-year mean values. The results from the Airviro calculations have been multiplied with an empirical factor (3.45) in orderr to fit with NOx data from the passive tube campaigns performed during six weeks off the winter 2003/2004 (see Appendix 1 for details). In Figures 6.4 and 6.5 we compare the results from Airviro with measured concentrations at Biblioteket in Umeå. The figures showw that the Airviro calculations slightly over predict the yearly mean concentration of NOx by a factor of 1.18 and for NO2 by a factor of The wintertime extreme peaks are not fully reproduced by the model. Fig. 6.4 Comparison of measured (blue line) and Airviro model calculated (red line) daily y mean concentrations of NOx ( µg/m 3 ) at Biblioteket (roof level) in Umeå the year Measuredd yearly mean is 22.9 µg/m 3 and calculated yearly mean is 27.0 µg/m 3. SMHI February 03, 2011 (L Gidhagen och G Omstedt) O

45 45 Fig. 6.6 Comparison of measured (blue line) and SIMAIR calculated (red line) daily meann concentrations of NO2 (µg/m 3 ) at Biblioteket (roof level) in Umeå the year Measured yearly mean is 14.0 µg/m 3 and calculated yearly mean is 13.6 µg/m 3. Both Airviro and SIMAIR models are Gaussian but uses different treatments of meteorological data and boundary values, different description off dispersion processes andd wind profiles, differentt mathematical solution etc. The coordinate systems are also different. Which model approach is best suited for usee as a basis for exposure? We have seen that Airviro 2003, with its empirical correction to fit measured levels, overestimates the measured NOx concentrations in the urban background (Biblioteket), however still with underestimations of the extreme wintertime peaks. SIMAIR 2007, on the other hands, gives a NO2 annual average level that is very similar to the one registered at Biblioteket, however also with the problem of an underestimation off the extremee winter peak values. We can thus not state which of the two model results thatt gives the most reliable concentrations level. For current conditions, Airviro may be overestimating (due to empirical correctionn based on 2003/2004 data) and SIMAIR may be slightlyy underestimating winterr levels (due to the non- reproduced wintertime peak values). Fig. 6.5 Comparison of measured (blue line) and Airviro calculated/formula converted (red line) daily mean concentrations of NO2 (µg/m 3 ) at Biblioteket (roof level) in Umeå the year Measured yearly mean is 14.9 µg/m 3 and calculated yearly mean is 18.8 µg/m 3. SIMAIR 2007, in a comparison against NO2 measured at Biblioteket,, shows a good similarity both in co-variation and average levels, although ass for Airviro - without reproducing the most extreme wintertime peaks (Fig. 6.6). SMHI February 03, 2011 (L Gidhagen och G Omstedt) O

46 46 For NOx the local gradients due to traffic emissions gives a dominating signal. Both models have been using the Ofor emission database (emissions directly from road links). We could thus expect that both models would similarily describe the spatial gradients, i.e. with some property addresses close to larger roads having higher NOx exposure levels and others more away from traffic having lower concentrations. The good correlation in Fig. 6.7 confirms that both models satisfactorily resolves the distance-to-road relation for NOx levels. The overall conclusion is thus that both model options should be possible to use, although each application must consider a particular year with its specific conditions in terms of emissions, background values and meteorological conditions. For scenario assessments, i.e. differences between the reference case and a future (or just hypotetical) scenario, the use of SIMAIR requires a re-run of the urban background simulations Airviro (meteorologi 2003) y = 1.90x R 2 = simair (meteorologi 2007) Fig. 6.7 Comparison of NOx levels for SIMAIR ved 2007 and Airviro 2003 at 9176 property addresses. Emission database: Ofor. 7. References Andersson, S., Omstedt, G. och Robertson, L., 2010: Känslighetsanalys, vidareutveckling och validering av SIMAIRs urbana spridningsmodell BUM. SMHI Meteorologi, Nr. 142, 37 pp. (In Swedish). Johansson, C., Andersson, S., Omstedt, G., Gidhagen, L. och Robertson, L., 2010: Mätningar och modellberäkningar av NOX-halternas tidsmässiga och rumsliga variationer i Umeå. ITM rapport, Nr. 188, 53 pp. (In Swedish). SMHI February 03, 2011 (L Gidhagen och G Omstedt)

47 47 NOx exposure in Umeå 1. Background SMHI has been asked to support the Department of Public Health andd Clinical Medicine, Occupational and Environmentall Medicine, of the Umeå University, with w spatiallyy high resolution exposuree NOx data. The simulations have been performed with the Airviro systemm under the following f conditions: 50x50 m grid covering covering: (222 cells inn east-westerly direction) ) (170 cells inn north-southerly direction) Land use from red map (LMV) andd topography specified onn a 200x2000 m grid Meteorological data taken from Umeå airport 2003 Traffic emissions taken from f SIMAIRR 2005, with traffic volume update made by Umeå University. Ålidhem thermal power plant emissions taken from the Umeåå Energy webb page (Environmental report). Other emissions taken from the SIMAIR 2005 (based on SMED emissions) Umeå University has also provided continuous NOx data from Biblioteket (urban background, city centre) for 2006, plus some passive tube dataa from the winter season of o All results will be presented as annual averages. The areaa covered is illustrated in Fig. 1.1 Fig. 1.1 Area covered by the dispersion simulations (approximatily 11 x 8.5 km) SMHI February 03, 2011 (L Gidhagen och G Omstedt) O

48 48 2. Meteorological data preparation The hourly meteorological data was preparedd from measurements at Umeå U airport, with properties as illustrated by Fig. 2.1 Wind rose Monthly values of temperature (blue), wind speed (red) and simulated temparature gradient 8-2 m (black, broken line) Fig. 2.1 Meteorological conditions during 2003, based on dataa from Umeå airport a The Airviro meteorological preprocessor requires temperature difference, i.e. the temperature gradient close to the ground ( typically between 8 and 2 m height). As such data were not available, they had to be calculated from other meteorological variables, e.g. cloud cover and wind speed. 3. Emissions The hourly data was exported from SIMAIR 2005, with traffic updated by Umeå University. Note that SIMAIR separtes only between traffic (399 ton/year) and other sources (369 ton/year). From Umeå Energi the emission data for 2007 can be converted to 2005 by comparing the heat generated (see( Table 3.2), yielding 159 ton/yearr of NOx. SMHI February 03, 2011 (L Gidhagen och G Omstedt) O

49 49 Table Emissions for Ålidhemsverket Table Emissions calculated forr Ålidhemsverket From Umeå Energi' s web page: (ton/year) Waste ton/year Biobränsle Olja ton/yearr = 5.0 g/s The spatial distribution of the emissions is shown in Fig. 1. The spatial distribution of other sources (SIMAIR) is based on SMED geographicallyy distributed emissions and include all sources except for traffic. As we have a value of the point source Ålidhemverket, a subtraction of thee SIMAIR other sources is required. The displayed distribution, however, does not show any sign that the specific location of the Ålidhemverket source was taken into account in the SMED spatial l distribution. Hence we subtracted all grid cell sources with a percentage so that in our dispersion calculation other sources and the Ålidhemverket point sourcee together sum up to the 3693 ton/year given by SIMAIR. SMHI February 03, 2011 (L Gidhagen och G Omstedt) O

50 50 Traffic: 399 ton/year Ålidhemsverket: 159 ton/year Other sources: 210 ton/year Fig. 3.1 NOx emissions 2005 according to SIMAIR (Ålidhemsverket from Umeå Energi web page) 4. Dispersion simulations The simulated annual averages of NOx concentrations are displayed in Fig. 4.1, separating traffic, Ålidhemsverket and other sources. A regional background of 2 µg/m 3 is assumed for NOx (from SIMAIR NO2 levels). Umeå University has sent NOx passive tube data from the winters of 2003 and 2003/2004, in total data from 31 stations sampled during 6 week long campaigns: Table 4.1 Passive tube campaigns performed Campaign From To SMHI February 03, 2011 (L Gidhagen och G Omstedt)

51 Traffic Ålidhemsverket Other sourcess (excl. Ålidhemsverket): : All sources plus background 2 µg/m 3 Fig. 4.1 NOx concentrations annuall average The passive tube campaigns weree all taken during wintertime, when higher h pollution levels are expected. Taking the average of all data from Biblioteket passive tubes indicate 500 µg/m 3. At the same location there is a continuous NOx monitor from which all year around data from 2003 and 2006 give an average of 22.4 µ g/m 3. A way of normalizing passive tube data to reflect r all season annual averages SMHI February 03, 2011 (L Gidhagen och G Omstedt) O

52 52 is thus to multiply all data with a factor 22.4/50, indicating that annual NOx averages are about 45% of wintertime NOx levels 1. This conversion has been made in Table 4.2, column titled 45% monitor. A comparison between the simulated local contribution of NOx levels and the converted annual NOx average determined from the monitors shows that the simulated values are considerably lower. Monitored hourly NOx values at Bibliotekstaket show that rised monitored average is due to rather few, but extremely high NOx values during wintertime episodes, situations which the current dispersion model can not handle. An adjustment of the simulated local contribution, using a constant factor choosen so that simulated and monitored levels at Bibliotekstaket become similar, is suggested. Multiplication of the simulated local NOx contribution with a factor 3.45 makes simulated values become quite similar to passive tube data (Table 4.2, left side). One or possibly two of the measured averages, those at V Esplanaden and Bågengaraget, may show impact of local traffic (L Modig, pers comm.) that has a spatial scale below that of the model (grid size 50x50 m). Eliminating those two outliers, there is a rather satifactorily spatial similarity between simulated and monitored NOx levels (Fig. 4.2, right side). Such a multiplication may seem hard to defend, but the problem our current models have to give a realistic response to the very strong wintertime inversions in Umeå has been well documented. What we do with the adjustment is saying that the dispersion model results are poor in absolute levels, but fairly well describing the spatial distribution. The good correlation of the right side of Fig. 4.2 supports this adjustment procedure. The adjusted concentrations are displayed in Fig Table 4.2 Results of adjusting simulated NOx concentrations (2 outliers marked in yellow) Location x y monitor 45% monitor 2.0 +Airv_loc * 3.45 Airviro_loc Berghem Bibliotekstaket Brogatan Bågengaraget Carlshem Carlshem Carlshem Carlshem Dragonfältet Haga Haga Haga Haga Hissjövägen Kinabron konsthögskolan Nolia Nybbyge vid östra Nydalahöjd Obbolavägen Parkgatan Rödäng/grubbe Rödäng/grubbe Rödäng/grubbe Rödäng/grubbe sandbacka sandbacka sandbacka Teg kv Bågen Teg ullas blommor V-espl Sentence corrected SMHI February 03, 2011 (L Gidhagen och G Omstedt)

53 % monitor Airviro_loc % monitor Airviro_loc y = x R 2 = y = x R 2 = Fig 4.2 Comparison monitored and adjusted model results (left all data, right excluding 2 locations) SMHI February 03, 2011 (L Gidhagen och G Omstedt)

54 54 Fig 4.3 Final results of dispersion modelling, after adjustment and comparison with monitored data. SMHI February 03, 2011 (L Gidhagen och G Omstedt) O