不同減排情景下鄭州市機動車污染物排放研究

張文凱 徐媛倩 李 曉 姜 楠 張瑞芹

(鄭州大學化學與分子工程學院，河南 鄭州 450001)

當前，機動車污染已成為中國城市大氣污染的一個重要來源。根據《中國機動車污染防治年報(2013)》[1]，2012年中國機動車保有量達到2.24億，全國機動車CO、碳氫化合物(HC)、NOx和顆粒物(PM)4種污染物排放總量為4 612.1萬t，比2011年增加0.1%。其中，CO、HC、NOx和PM分別為3 471.7萬、438.2萬、640.0萬、62.2萬t。

機動車排放研究可從排放特征、排放清單和控制策略分析等方面開展工作。排放特征方面，常規污染物排放因子往往是研究重點[2-4]，也有學者更關注特定污染物排放[5-6]。源清單方面，可以從國家尺度[7-8]和城市尺度[9-11]計算排放總量，北京市[12]、杭州市[13]等城市則進一步完成了空間分布的機動車排放清單。控制策略方面，WU等[14]評估了北京市已采取的措施所取得的減排效果，也有研究利用情景分析的方法比較不同控制策略的優劣[15-16]。

據統計，2013年鄭州市城區PM10、PM2.5年均濃度均超過《環境空氣質量標準》(GB 3095—2012)二級標準，全年優良天數為127 d，僅占全年的34.8%。作為我國中部重要城市和交通樞紐，鄭州市同年機動車保有量已超過200萬，機動車污染已成為鄭州市空氣改善工作面臨的重要難題。但是，鄭州市機動車排放研究的工作還沒有全面開展，研究成果缺乏，不能夠為政策制定提供科學依據。本研究旨在進行兩個方面的研究：(1)計算鄭州市機動車污染物2012年排放總量，并使用預測的機動車保有量數據，計算2013—2017年排放量變化；(2)采用情景分析的方法，估算鄭州市機動車污染物2013—2017年不同情景下的減排量，從而比較不同措施的減排效果。本研究為探索適合鄭州市的機動車污染物排放控制策略提供參考。

1 研究方法

1.1 機動車保有量預測

本研究的機動車主要數據來源于鄭州市統計年鑒(2006—2014)[17-25]，年鑒中把鄭州市機動車分為載客汽車、載貨汽車、摩托車、其他汽車、拖拉機、掛車和其他類型車。從數量及活動強度方面考慮，其他汽車、拖拉機、掛車與其他車輛相差較大且相關數據無法獲得，本研究暫時不予考慮。本研究把鄭州市機動車分為載客汽車(大型客車、中型客車、小型客車、微型客車、公交車和出租車)、載貨汽車(重型貨車、中型貨車、輕型貨車和微型貨車)和摩托車。

機動車保有量的增長受到國內生產總值(GDP)、人口及城市政策等因素的影響。自回歸求積移動平均(ARIMA)模型可考慮多個因素的綜合作用，用于短期預測的準確度較高[26]。ARIMA模型在能源預測方面有廣泛應用[27]，由于機動車數量與能源消費量有相同的增長趨勢，所以本研究也采用該模型進行機動車保有量預測。

ARIMA模型包括自回歸過程(見式1)、移動平均過程(見式2)、自回歸移動平均過程(見式3)和單整過程[28]。

xt=φ1xt-1+φ2xt-2+…+φpxt-p+ut

(1)

xt=θ1xt-1+θ2xt-2+…+θpxt-p+ut

(2)

xt=φ1xt-1+φ2xt-2+…+φpxt-p+ut+θ1xt-1+θ2xt-2+…+θpxt-p

(3)

式中：xt、xt-1、xt-2、…、xt-p為自回歸過程；φ1、φ2、…、φp及θ1、θ2、…、θq為回歸參數；ut為白噪聲過程；p為自回歸模型的階數。

ARIMA模型的單整自回歸移動平均過程(記為ARIMA(p,d,q))假設一個隨機過程有d個單位根，經過d次差分之后變換成平穩的自回歸平均過程，移動平均階數為q。

本研究中，ARIMA模型建模有4個階段：(1)采用時間序列的自相關(ACF)函數和偏自相關(PACF)函數判斷序列的平穩性，再通過ACF和PACF分析圖，分析時間序列的隨機性、平穩性及季節性。(2)依照赤池信息量準則(AIC)與貝葉斯信息準則(BIC)探索模型的階數，確定AIC與BIC取值最小的模型為最優結果，得到模型階數。(3)利用最小二乘法對模型進行參數估計，根據殘差不相關等原則，對參數值進行顯著性檢驗。(4)判斷構建模型的優劣性，進一步修正模型，得到最佳模型。

1.2 機動車排放總量計算

機動車排放是機動車在使用過程中的污染物排放，其計算公式如下：

E=∑Pi×EFi×VKTi×10-6

(4)

式中：E為機動車對應的CO、HC、NOx或PM的年排放量，t；Pi為所在地區i類型機動車的保有量；EFi為i類型機動車行駛單位距離排放的污染物量，g/km；VKTi為i類型車輛的年均行駛里程，km；i為機動車類型序號。

2014年，環境保護部針對國務院出臺的《大氣污染防治行動計劃》，制訂了《道路機動車排放清單編制技術指南(2014)》[29]，包括詳細的道路機動車基準排放因子，謝邵東等[30]運用COPERTⅢ模型計算中國機動車排放因子；李孟良等[31]也運用車載測試系統對混合動力汽車排放特征進行研究。本研究參考以上結果和其他資料，并進行修正，得到鄭州市分車型、分燃料、分排放標準的CO、NOx、HC和PM排放因子。

鄭州市缺乏燃料保有量分類統計，因此本研究對機動車保有量在年鑒數據基礎上參考其他資料做進一步處理。賀克斌等[32]通過調查研究了天津市車隊技術分布，本研究參照其研究結果把鄭州市機動車按燃料類型進一步細分。假設新注冊車輛的車型和燃料分布在未來保持不變。

機動車在使用過程中會因為各種原因自然淘汰，機動車存活下的比例被稱為存活系數，本研究的存活系數參考北京市的研究結果。

針對機動車活動水平，已有學者對中國許多城市開展研究[33]。但是鄭州市在這方面的研究還比較匱乏，調研鄭州市的機動車行駛資料，獲得不同車型機動車行駛里程數據(由于難以獲得微型客車和微型貨車的行駛里程，分別用小型客車和輕型貨車的數據替代)，結果見表1。

1.3 情景設定

為了分析研究不同措施對鄭州市2013—2017年的機動車污染物減排效果，本研究就未來鄭州市可能采用的管理措施設計相應情景。照常運營(BAU)情景為基準情景，假設鄭州市不采用其他控制措施，2013—2017年嚴格按照《大氣污染防治行動計劃》，推行新車標準(見表2)和燃油標準，未采用其他措施改善機動車排放；提高燃油標準(RFS)情景是在BAU情景的基礎上，把每年使用油品標準全面提高1個等級；淘汰黃標車(ESV)情景假設鄭州市加快黃標車淘汰進程，以減少機動車污染物排放總量；推廣新能源汽車(AER)情景下，鄭州市著手改善新客車組成結構，提高壓縮天然氣(CNG)汽車、混合動力汽車和電力汽車比例。各情景具體設置見表3，其中RFS、ESV和AER情景為控制策略情景。

表1 鄭州市機動車行駛里程

2 結果分析

2.1 鄭州市機動車構成

通過查閱已出版年鑒和鄭州市公交系統資料，得到鄭州市2005—2012年基于車型分類的機動車數量資料，建立ARIMA模型，對鄭州市2013—2017年各類機動車保有量進行預測。結果表明：2017年鄭州市機動車保有量將超過400萬；2013年新增機動車34.2萬輛，與鄭州市公安局交通巡邏警察支隊提供的數據(31.7萬輛)接近，可見本研究的預測結果能夠有效反映鄭州市現階段機動車增長狀況。在此基礎上，分析鄭州市機動車保有量構成的變化趨勢，結果見圖1。

從圖1可以看出，鄭州市各類型機動車保有量占比逐年變化較明顯，小型客車增長尤為突出。預測結果表明：2017年,鄭州市小型客車占比超過75%，其次為摩托車、輕型貨車、重型貨車、微型客車和大型客車，占比分別為12.6%、4.3%、1.7%、1.6%、0.9%。

2.2 BAU情景

按照鄭州市機動車保有量增長趨勢和排放強度變化，計算2012—2017年BAU情景下機動車污染物排放總量，結果如圖2所示。從圖2可以看出，BAU情景下，鄭州市機動車排放的CO、HC和PM基本逐年降低，CO、HC和PM在2017年比2012年分別減少36.1%、42.5%、54.6%。但是，NOx排放反而有一定程度的增加，2017年NOx排放量比2012年增加6.4%。從總量上看，鄭州市機動車排放量仍然很大，2017年排放CO、HC、NOx和PM分別為35.0萬、3.4萬、14.9萬、0.6萬t。圖3為2012年各車型分擔率，可以看出，小型客車與摩托車對CO與HC有較大貢獻，重型貨車、中型貨車、大型客車是NOx與PM的主要貢獻源。

表2 2013—2017年新車標準實施進度1)

注：1)輕型汽車包括小型客車、微型客車、出租車、輕型貨車、微型貨車，重型汽車包括大型客車、中型客車、公交車、重型貨車、中型貨車。

表3 情景設置說明

圖1 鄭州市不同機動車保有量占比Fig.1 Ownership proportions of different motor vehicles in Zhengzhou City

圖2 BAU情景下污染物排放趨勢Fig.2 Emission trends of motor vehicles under scenario of BAU

圖3 2012年各機動車車型排放分擔率Fig.3 Contributions of different types of motor vehicles in 2012

2.3 控制策略情景

在BAU情景的基礎上，進一步計算各控制策略情景下機動車污染物的排放清單，通過比較其與當年BAU情景的減排差異，總結不同控制措施的減排效果，結果見圖4至圖7。

圖4 3種控制策略情景下的CO削減率Fig.4 Emission reduction rate of CO under three control strategy scenarios

圖5 3種控制策略情景下的HC削減率Fig.5 Emission reduction rate of HC under three control strategy scenarios

2.3.1 CO削減率比較

圖4為不同控制策略情景的CO削減率。從圖4可以看出，RFS情景對CO的減排貢獻最大，在2013—2017年都是最大減排情景。ESV情景下，2013—2014年淘汰大量黃標車，對CO減排發揮較好的作用，2013、2014年的CO削減率分別為3.6%、2.2%，不過隨著黃標車數量的減少，該控制措施所能取得的效果越來越不明顯，不再具備優勢。AER情景是在新車中推廣新能源汽車，所以在最初幾年效果不明顯，但隨著實施時間的延長，CO削減率呈現顯著增加的趨勢。RFS、ESV和AER情景下,2017年CO削減率分別為8.8%、0.6%、3.2%。

圖6 3種控制策略情景下的NOx削減率Fig.6 Emission reduction rate of NOx under three control strategy scenarios

圖7 3種控制策略情景下的PM削減率Fig.7 Emission reduction rate of PM under three control strategy scenarios

2.3.2 HC削減率比較

圖5是RFS、ESV和AER情景與BAU情景在2013—2017年的HC削減率比較。RFE情景在2013年效果最好，削減率超過4%，但是在2014—2017年降至3.5%左右。ESV情景下，2013—2017年黃標車數量逐年遞減，但2014年的HC削減率卻最突出。重型汽車在2013年7月后實施國Ⅳ新車標準。依照情景設定，2013年淘汰的黃標車一半更換為國Ⅲ汽車，一半為國Ⅳ汽車，而2014年淘汰的黃標車全部更新為國Ⅳ汽車。進一步比較排放因子和燃油修正系數發現，國Ⅳ重型汽車的HC排放因子約為國Ⅲ重型汽車的1/2，2014年推廣國Ⅳ燃油也會增加國Ⅳ重型汽車的減排效果。因此，ESV情景在2014年淘汰黃標車數量較少，但HC減排效果最優。ESV情景下，2017年的HC削減率為0.8%。AER情景下，HC減排能力逐年上升，在2017年，新能源汽車在新車中已推廣5年，總保有量比例上升，HC削減率為3.3%。

2.3.3 NOx削減率比較

2013—2017年3種控制策略情景下的NOx削減率見圖6。RFS情景在2013年能取得顯著的NOx減排效果，但是在2014—2017年的NOx削減率僅為0.4%左右，可見使用國Ⅳ燃油有利于控制NOx排放，但是在進一步升級為國Ⅴ燃油并不能明顯改善NOx排放情況。ESV情景在2013年有較好的NOx減排效果，削減率為2.5%，但是隨著黃標車數量的減少，隨后幾年NOx減排效果逐年降低，2017年的NOx削減率為0.5%。AER情景在2015—2017年開始表現出較明顯的NOx減排效果，NOx削減率在2017年達到2.2%。

2.3.4 PM削減率比較

圖7是3種控制策略情景在2013—2017年的PM削減率。RFS情景下PM的減排趨勢與該情景下NOx的減排趨勢類似，均在2013年達到最大削減率，隨后幾年減排效果明顯降低，在2017年的PM削減率為1.9%。ESV情景取得較好的PM減排效果，但隨著黃標車數量的逐年減少，PM削減率逐年下降，2013—2017年分別為5.9%、5.6%、4.7%、3.8%、2.3%。AER情景隨著實施時間的延長，PM削減率從2013年的0.3%增為2017年的2.8%，在2017年減排效果超過RFS和ESV情景。

3 結論與展望

3.1 結 論

(1) 使用ARIMA模型預測鄭州市機動車2013—2017年的增長情況。預測結果表明，2017年鄭州市機動車保有量將超過400萬，亟需出臺相關政策抑制鄭州市機動車過快的增長。在BAU情景下，盡管未來鄭州市機動車數量增長迅速，但是污染物排放基本上得到有效控制。尤其是CO、HC和PM的排放總量下降明顯，2017年比2012年分別減少36.1%、42.5%、54.6%，NOx排放量略有增加，2017年較2012年上升6.4%。但是從總量上看，鄭州市機動車排放量仍然很大，2017年排放CO、HC、NOx和PM分別為35.0萬、3.4萬、14.9萬、0.6萬t。

(2) 3種控制策略情景與當年BAU情景比較，RFS情景下能達到穩定的減排效果，2017年CO、HC、NOx和PM削減率分別為8.8%、3.5%、0.4%、1.9%。ESV情景的減排效果取決于鄭州市黃標車數量，所以實施后的初期減排效果較好，但隨著實施時間的延長削減率逐年下降，2017年CO、HC、NOx和PM削減率分別為0.6%、0.8%、0.5%、2.3%。AER情景減排潛力巨大，在2013—2017年削減率增加明顯，2017年CO、HC、NOx和PM削減率分別為3.2%、3.3%、2.2%、2.8%。

3.2 展 望

綜合考慮設定的3種控制策略情景，RFS情景在2014—2017年CO、HC、NOx和PM削減率基本保持不變，而ESV情景削減率大體上逐年降低，可能只有進一步推行更苛刻的燃油標準并加大需淘汰的機動車范圍才能提高減排能力。AER情景下，隨著新能源汽車比例逐年上升，減排效果增加趨勢明顯，在未來發揮的作用可能會更顯著。

由于鄭州市的城市統計數據起步較晚且更新較慢，對本研究預測模型造成了一定程度上的限制，后續將在時間序列上進一步完善此模型，以探索更加適應鄭州市實際情況的機動車污染物排放控制策略。

[1] 環境保護部.中國機動車污染防治年報(2013)[EB/OL].(2014-01-26)[2015-06-02].http://www.zhb.gov.cn/gkml/hbb/qt/201401/W020140126591490573172.pdf.

[2] HUO Hong,YAO Zhiliang,ZHANG Yingzhi,et al.On-board measurements of emissions from light-duty gasoline vehicles in three mega-cities of China[J].Atmospheric Environment,2012,49(6):371-377.

[3] 郭平,馬寧,陳剛才,等.重慶市機動車排放因子研究[J].西南大學學報(自然科學版),2009,31(11):108-113.

[4] LIN Y C,HSIEH L T,WU C C,et al.Characteristics of polychlortnated dibenzo-p-dioxin/dibenzofuran emissions from a biodiesel-fuelled diesel engine[J].Sustainable Environment Research,2010,20(6):409-416.

[5] 魯君，王紅麗，陳長虹，等.上海市機動車尾氣VOCs組成及其化學反應活性[J].環境污染與防治,2010,32(6):19-26.

[6] CHUANG S C,HUANG K L,CHEN S J,et al.PCDD/F emissions from gasoline and diesel fueled vehicles[J].Sustainable Environment Research,2011,21(1):29-36.

[7] 姚志良，張明輝，王新彤，等.中國典型城市機動車排放演變趨勢[J].中國環境科學,2012,32(9):1565-1573.

[8] CAI Hao,XIE Shaodong.Estimation of vehicular emission inventories in China from 1980 to 2005[J].Atmospheric Environment,2007,41(39):8963-8979.

[9] 趙斌，馬建中.天津市大氣污染源排放清單的建立[J].環境科學學報,2008,28(2):368-375.

[10] 王婷麗.基于IVE模型的重慶市主城區機動車排放清單研究[D].重慶:重慶交通大學,2013.

[11] 曾雪蘭，李紅霞，程曉梅，等.佛山市機動車尾氣排放清單及特征分析[J].環境污染與防治,2013,35(11):51-55.

[12] WANG Haikun,FU Lixin,LIN Xin,et al.A bottom-up methodology to estimate vehicle emissions for the Beijing urban area[J].Science of the Total Environment,2009,407(6):1947-1953.

[13] 王孝文，田偉利，張清宇.杭州市機動車污染物排放清單的建立[J].中國環境科學,2012,32(8):1368-1374.

[14] WU Ye,WANG Renjie,ZHOU Yu,et al.On-road vehicle emission control in Beijing: past,present,and future[J].Environmental Science & Technology,2011,45(1):147-153.

[15] ZHANG Qingyu,SUN Guojin,FANG Simai,et al.Air pollutant emissions from vehicles in China under various energy scenarios[J].Science of the Total Environment,2013,450/451:250-258.

[16] 郭秀銳，吉木色，郎建壘，等.基于情景分析的北京市機動車污染排放控制研究[J].中國環境科學,2013,33(9):1690-1696.

[17] 鄭州市統計局.鄭州市統計年鑒2006[M].北京:中國統計出版社,2006.

[18] 鄭州市統計局.鄭州市統計年鑒2007[M].北京:中國統計出版社,2007.

[19] 鄭州市統計局.鄭州市統計年鑒2008[M].北京:中國統計出版社,2008.

[20] 鄭州市統計局.鄭州市統計年鑒2009[M].北京:中國統計出版社,2009.

[21] 鄭州市統計局.鄭州市統計年鑒2010[M].北京:中國統計出版社,2010.

[22] 鄭州市統計局.鄭州市統計年鑒2011[M].北京:中國統計出版社,2011.

[23] 鄭州市統計局.鄭州市統計年鑒2012[M].北京:中國統計出版社,2012.

[24] 鄭州市統計局.鄭州市統計年鑒2013[M].北京:中國統計出版社,2013.

[25] 鄭州市統計局.鄭州市統計年鑒2014[M].北京:中國統計出版社,2014.

[26] 張栓柱.武漢市汽車保有量預測研究[D].武漢:武漢理工大學,2009.

[27] 劉勇，汪旭暉.ARIMA模型在我國能源消費預測中的應用[J].經濟經緯,2007(5):11-13.

[28] 薛黎明，侯運炳，閆旭，等.基于ARIMA模型的我國能源消費結構趨勢分析與預測[J].中國礦業,2011,20(4):24-27.

[29] 環境保護部.道路機動車排放清單編制技術指南(2014)[EB/OL].(2014-07-28)[2015-06-02].http://www.gzhjbh.gov.cn/images/kjbz/hjbz/bzzqyjg/2014/7/28/33bcd040-fe7b-4032-8 b9a-663fff317fe5.pdf.

[30] 謝紹東，宋翔宇，申新華.應用COPERTⅢ模型計算中國機動車排放因子[J].環境科學,2006,27(3):3415-3419.

[31] 李孟良，聶彥鑫，高繼東，等.混合動力客車與常規客車排放對比研究[J].汽車工程,2010,32(3):193-197.

[32] 賀克斌，霍紅，王岐東，等.道路機動車排放模型技術方法與應用[M].北京:科學出版社,2014.

[33] HUO Hong,ZHANG Qiang,HE Kebin,et al.Vehicle-use intensity in China:current status and future trend[J].Energy Policy,2012,43(3):6-16.