成渝城市群機動車污染特征及減排分析

郝永佩 ，宋曉偉 ，張克新，師賀雄

1.山西財經大學資源環境學院，山西 太原 030006；2.南京大學地理與海洋科學學院，江蘇 南京 210046；3.南京大學環境學院，江蘇 南京 210046；4.貴州財經大學管理科學與工程學院，貴州 貴陽 550000；5.重慶市林業科學研究院，重慶 400030

隨著經濟的高速發展和工業化進程的不斷推進，中國機動車保有量逐年上升趨勢顯著，其排放污染物對于大氣污染，尤其是城市地區的空氣污染影響顯著，機動車已成為大氣污染重要的排放源之一（Lang et al.，2014），不僅使大氣能見度下降，影響人民正常的社會生活秩序，也危害公眾的健康與安全，給社會經濟發展造成一定的損失（Guo et al.，2010；Wu et al.，2011）。另外隨著城市規模不斷擴張，城市之間大氣污染相互影響顯著，區域性大氣重污染天氣頻發，對區域機動車污染物排放清單及減排分析的研究必要性日益凸顯。

排放清單是進行空氣質量模擬和污染物控制對策研究的基礎，其要求在研究區域機動車污染排放總量估算的基礎上，對污染物排放的時間變化、地理分布等特征加以研究。對于機動車排放清單的編制方法，國家層面有編制《道路機動車大氣污染物排放清單編制技術指南》，除此之外，排放因子法也是計算排放清單常用的方法之一，其原理是通過模型模擬實際道路狀況進行估算，排放因子法模型主要有MOBILE模型（Pokharel et al.，2002；胡京南等，2005）、IVE模型（Geng et al.，2013）、COPERT模型（謝紹東等，2006；Winther et al.，2011）和MOVES模型（Kota et al.，2014）。由于中國在對機動車污染物排放控制進程中，排放標準、測試工況和車型分類等的建立都是以歐洲國家相關標準為基礎，兩者之間具有很大程度的相似性，因此由歐盟環境署所開發的COPERT Ⅳ模型在中國得到了廣泛的應用。Song et al.（2016）運用COPERT Ⅳ模型估算了1999—2013年泛長三角地區機動車污染物排放清單，并從污染物排放時間變化趨勢、空間分布趨勢和分車型污染物排放特征對污染物排放清單進行了特征分析；隨后基于所建立的污染物排放清單及排放特征分析，采用情景分析法對設置的各減排措施下的污染物減排效果進行比較研究（Song et al.，2016）。Guo et al.（2016）以京津冀地區為例，利用情景分析法評估2011—2020年各項措施對機動車污染物CO、NOx、HC和PM10減排效果，其中淘汰高排放車輛情景短期取得的效果要明顯優于長期，特別是北京市最為明顯。Sun et al.（2019）以天津市為研究區域，采用COPERT模型估算了2000—2030年污染物CO、VOCs、NOx、PM10、CO2和SO2排放因子，建立排放清單，在此基礎上設置5種減排情景，并分析其減排效果，得出提高排放標準情景對污染物CO、NOx和PM10減排效果明顯，而發展公共交通情景下污染物VOCs、CO2和SO2的減排效果較好。已有研究大都針對全國（Lang et al.，2014；宋翔宇等，2006）、區域（Song et al.，2016；Guo et al.，2016；李荔等，2018）和城市（Wu et al.，2011；Sun et al.，2019；樊守彬等，2018）等不同尺度機動車污染物排放清單及其特征開展研究，然而，這些研究多集中在東部沿海發達地區，對于欠發達地區特別是西部地區機動車污染物排放的研究相對缺乏。

成渝城市群是中國西部大開發的重要平臺，是西部地區人口最密集、產業基礎最雄厚和開放程度最高的地區，該城市群包括重慶市以及四川省的成都、自貢、瀘州、德陽、綿陽、遂寧、內江、樂山、南充、眉山、宜賓、廣安、達州、雅安和資陽市。近年來在國家政策的大力支持下，該地區經濟快速發展，其機動車保有量也隨之大量增加，其中2017年成都市機動車保有量452萬輛，僅次于北京市位列全國各城市第二，重慶市機動車保有量371萬輛位列第三；加之成渝城市群地形復雜，多以山地、丘陵和盆地為主，不利于大氣污染物的擴散，而山地地形多爬坡也會造成污染物排放因子較大，由機動車所產生污染物帶來的大氣污染問題越來越受到關注，因此有必要對該地區機動車污染物排放特征及其減排策略進行研究。本研究構建1999—2015年成渝城市群機動車污染物CO、NMVOC、NOx、PM2.5、PM10、CO2、CH4、N2O、NH3和SO2排放清單，對其排放特征展開分析，以此為基礎，設定9種污染物減排情景，評估2025年各情景下的減排效果，并對排放清單進行不確定性分析，從而為區域機動車污染控制政策和策略制定提供輔助決策依據，具有一定的科學參考價值和現實性。

1 研究方法

1.1 排放清單建立

機動車污染物排放量基于機動車保有量、排放因子和年均行駛里程數據通過式（1）計算求得：

其中，m為研究區域；n為污染物種類；i為機動車類型；j為機動車實施的排放標準；Qm,n為m區域n類污染物排放量，t·a-1；Pm,i,j為m區域內i類車型在j種排放標準下的保有量，輛；VKTm,i為m區域i類車型的年平均行駛里程，km·a-1；EFi,j,n為i類車型在j種排放標準下n類污染物的排放因子，g·(km·veek)-1。

1.1.1 機動車保有量

本研究所需的成渝城市群1999—2015年機動車保有量數據來自相應的統計年鑒（四川省統計年鑒，2000—2016；重慶市統計年鑒，2000—2016；中國交通年鑒，2000—2016；中國汽車工業年鑒，2000—2016；中國環境統計年鑒，2000—2016）及各地方統計年鑒和統計公報（圖1）。對于未來年份機動車數量的預測參考吉木色等（2013）和Guo et al.（2016）中的方法，其中輕型客車保有量的預測采用Gompertz模型對2016—2025年輕型客車保有量進行預測，而對重型客車、輕型貨車、重型貨車和摩托車分別應用回歸曲線擬合方法進行預測。各年份不同機動車類型不同排放標準下的機動車數量分類方法參考文獻Hao et al.（2018）。

圖1 成渝城市群1999—2025年機動車數量變化趨勢及各類車型占比Fig.1 The trend of vehicle population and proportion of different types in Chengdu-Chongqing urban agglomeration from 1999 to 2025

1.1.2 年均行駛里程

本研究根據已有的研究結果（羅彬，2004；馬寧，2008；周子航等，2008；林秀麗等，2009；郭平等，2009；王婷麗，2013；賴承鉞等，2018），并參考對中國不同發展規模城市研究中的年均行駛里程數據（Huo et al.，2011；姚志良等，2012）和《道路機動車大氣污染物排放清單編制技術指南》中機動車年均行駛里程數據，獲得該城市群各類車型1999—2015年的年均行駛里程數據。對2016—2025年成渝城市群各城市不同類型機動車年均行駛里程數據的預測，據前文分析可知各城市輕型客車保有率在未來依舊會呈現增長的趨勢，輕型客車單車年均行駛里程數據與其保有率呈顯著相關（Huo et al.，2012），從而獲得未來年份輕型客車年均行駛里程數據；而重型客車、輕型客車和重型貨車年均行駛里程數據與商業活動有較大關系，并且隨經濟的增長呈上升趨勢，構建年均行駛里程與GDP的彈性系數，基于GDP的潛在增長率預測3種車型未來年份的年均行駛里程；摩托車由于各城市“限摩”措施的相繼頒布實施，預測未來幾年摩托車年均行駛里程呈下降趨勢；單車年均行駛里程數據及預測結果如圖2所示。

圖2 成渝城市群各類車型年均行駛里程Fig.2 The annual vehicle kilometers travelled for different types in Chengdu-Chongqing urban agglomeration

1.1.3 排放因子

本研究采用COPERT（COmputer Programme to calculate Emissions from Road Transport）Ⅳ（v 11.2）模型估算成渝城市群各城市各類型機動車污染物排放因子，COPERT Ⅳ模型需要輸入的參數主要包括各類車型保有量、不同工況下的平均行駛速度、燃料參數和氣象數據等幾個方面。其中不同工況下的平均行駛速度參考已有文獻（羅彬，2004；馬寧，2008；周子航等，2008；林秀麗等，2009；郭平等，2009；Lang et al.，2012；王婷麗，2013；賴承鉞等，2018），燃料參數來自國家和地方車用燃油標準，氣象參數來自于國家氣象科學數據中心（http://data.cma.cn/），從而估算得到相應年份的污染物排放因子。將不同年份各類型機動車數量、年均行駛里程、燃料參數、氣象數據以及不同工況下的平均行駛速度數據輸入COPERT Ⅳ模型中，即可得到各年份不同類型機動車各類污染物的排放因子和排放量。

1.2 空間分配

本研究以成渝城市群路網信息為基礎，利用ArcGIS軟件對該區域2015年污染物排放量進行空間分配，從而研究機動車污染物空間排放分布特征。以成渝城市群基礎地理數據為模型域，將16個城市道路網圖分別切割成4×4 km網格，應用統計工具獲得每個網格內道路的長度以及各個城市道路的總長度，基于前文得到的各城市機動車污染物排放清單，根據各個網格中的機動車排放量分配公式（式2），得到污染物在各網格中的排放量。

式中，Q為每一個網格的機動車污染物排放量；r為網格的編號；s為污染物種類；L為道路長度；T為各個城市機動車污染物排放總量。該空間分配的基本原則是以道路長度為權重，并假設道路長度越多，則污染物排放量越大，保證了分配結果落于機動車空間排放源范圍之內。

1.3 情景分析

近年來成渝城市群陸續頒布了一系列法律法規和控制措施嚴格控制污染物排放，2017年5月四川省頒布了《四川省大氣污染防治行動計劃實施細則》、2018年9月重慶市出臺《重慶市貫徹國務院打贏藍天保衛戰三年行為計劃實施方案》均明確提出防治機動車污染的具體措施，包括加強機動車管理、大力發展公共交通、優化交通結構、實施更嚴格的新車排放標準和燃油品質、大力推廣新能源汽車、實施道路暢通工程以及加快淘汰黃標車和老舊車輛等，另外成渝城市群天然氣資源豐富，比較適合因地制宜的推廣天然氣汽車。基于這些措施本研究將針對成渝城市群2016—2025年機動車污染物減排設定1個基準情景（BAU）和9個減排情景（提高排放標準情景 (HSR)，提升燃油品質情景(RFS)，淘汰高排放車情景 (ESV)，發展公共交通情景 (PTP)，保守新能源車推廣情景 (CAER)，激進新能源車推廣情景 (RAER)，摩托車限行情景(EMC)，保守綜合情景 (CIS)，激進綜合情景 (RIS)，見表1），綜合評估各類減排措施的效果。

2 結果和討論

2.1 機動車污染物時間變化趨勢

在構建機動車污染物排放清單的基礎上，對1999—2015年成渝城市群機動車污染物時間變化趨勢和主要貢獻車型進行分析（圖3）。

1999—2005年成渝城市群污染物CO和NMVOC排放量呈上升的趨勢，分別由60.97、7.84萬噸增長到94.58、14.10萬噸，由于新排放標準等措施的實施，排放量隨后逐年下降，2015年分別為58.99、11.31萬噸，年均下降率為4.56%和2.13%。1999—2015年污染物CO和NMVOC的主要貢獻車型為輕型客車和摩托車，其貢獻率加和一直保持在79.02%和80.6%以上，由于摩托車保有量較大，摩托車對CO和NMVOC貢獻率較高，雖然部分城市實施“限摩令”導致摩托車數量與年均行駛里程下降，但其依然是這兩種污染物的最大貢獻車型，此外，近年來輕型客車保有量的逐年上升，其貢獻率也在逐年上升，2015年輕型客車對污染物CO和NMVOC貢獻率分別為42.9%和39.73%。

表1 機動車排放控制情景設置Table 1 The description of reduction scenarios for vehicles

1999—2015年機動車污染物NOx、PM2.5和PM10排放量總體呈現上升趨勢，2015年排放量分別為40.57、1.98、2.27萬噸，相對于1999年分別增加3.6、1.7、1.6倍，近幾年排放量增長趨勢有所放緩，與實施新的機動車排放標準、提高燃油標準和提前鼓勵淘汰黃標車等政策有關。1999—2015年污染物NOx、PM2.5和PM10的主要貢獻車型為重型貨車與重型客車，其貢獻率加和一直保持在63.12%、54.49%和53.77%以上，但是近幾年隨著重型貨車年均行駛里程的減少，重型客車成為最大的貢獻車型。另外，輕型貨車對污染物PM2.5和PM10的貢獻率不容忽視，2015年輕型貨車的貢獻率達到13.06%和12.72%。由于輕型客車保有量的大量增加，輕型客車對污染物PM2.5和PM10的貢獻率從2002年開始逐年遞增，年均增長率分別為9.52%和10.04%。

機動車污染物CO2排放量增長趨勢明顯，1999年CO2排放量為930萬噸，2015年排放量達到8 210萬噸，相對于1999年增長784%。1999—2015年污染物CO2的主要貢獻車型為重型貨車與輕型客車，由于輕型客車數量的逐年上升，消耗了大量的燃料，其所占的貢獻率也越來越大，2010—2015年輕型客車成為污染物CO2最大貢獻車型，年均增長率為7.32%，到2015年其貢獻率達到46.27%。而重型貨車的貢獻率近幾年卻呈現出下降的趨勢，2015年CO2的重型貨車貢獻率僅為21.9%。另外，重型客車的貢獻率也不容忽視，2015年貢獻率達到18.48%。

污染物CH4排放量在研究期間總體呈現先增長后下降的趨勢，排放量從0.36萬噸持續增加到1.12萬噸（2014年），與成渝城市群天然氣資源比較豐富、天然氣汽車占比較高有一定關系。污染物CH4主要貢獻車型為輕型客車與摩托車，其貢獻率加和一直保持在68.67%以上，由于摩托車保有量比重大，摩托車為污染物CH4的最大貢獻車型，近幾年輕型客車數量的逐年上升，其貢獻率也在不斷上升。污染物N2O排放量總體呈現增長的趨勢，由1999年的227噸增長到2015年1 555噸，增加582%，其中2009—2010年下降趨勢明顯，由2 295噸下降到1 269噸，主要由于新的燃油標準的頒布實施（汽油燃油標準從500 mg·kg-1降為150 mg·kg-1），使機動車燃油質量提升，減少了污染物的排放。污染物N2O的最大貢獻車型為輕型客車，其貢獻率一直保持在56.93%以上，其貢獻率的變化趨勢與污染物時間變化趨勢是一致的，由2009年的76.07%降為2010年的58.51%，原因與新的汽油燃油標準的實施有關。

圖3 成渝城市群1999—2015年機動車污染物時間變化趨勢Fig.3 Vehicular emission trends in the Chengdu-Chongqing urban agglomeration between 1999 and 2015

研究期間污染物NH3排放量總體呈現明顯增長的趨勢，由1999年的60噸增長到2015年的4 380噸，增加了76.38倍；該污染物的最大貢獻車型為輕型客車，其貢獻率一直保持在84.86%以上（除1999年），而摩托車由于保有量的減少與年均行駛里程的降低，其貢獻率一直呈下降趨勢，年均下降率為11.6%。污染物SO2排放量在研究期間基本呈增長趨勢，除了2001—2002年和2010—2011年這兩個期間下降趨勢明顯，由2001年的2.79萬噸下降為2002年的1.53萬噸和2010年的4.29下降為2011年的0.93萬噸，下降率分別為44.9%和78.35%，原因與新的燃油標準的頒布實施（柴油燃油標準分別從5 000 mg·kg-1降為2 000 mg·kg-1和從2 000 mg·kg-1降為350 mg·kg-1）有關。污染物SO2的最大貢獻車型為重型貨車與重型客車，其貢獻率加和一直保持在65.01%以上，且SO2主要貢獻車型的貢獻率的變化趨勢與污染物排放量時間變化趨勢相對應，其貢獻率加和在2001—2002和2010—2011年這兩個期間下降趨勢明顯，分別由80.01%下降到78.76%和84.09%下降到69.14%。

2.2 機動車污染物空間分布特征

成渝城市群機動車污染物空間分布特征可知（圖4），（1）機動車污染物排放的空間分布與路網分布基本一致，污染物排放沿著高速公路等呈現出帶狀分布特征。（2）城市間排放差異較大，高污染物排放主要集中在機動車保有量大、路網密集且交通流量大的成都與重慶市城市中心區域，其余地級市排放量較小，隨著路網逐漸向外延伸，排放量也逐漸變小。（3）由于污染物CO、NMVOC、CO2、CH4、N2O和NH3的主要貢獻車型為輕型客車，而輕型客車在城區車流量較大，故排放量相對集中于城區，非城區排放量較少；而對于污染物NOx、PM2.5、PM10和SO2除集中分布于城區之外，城區周圍國道和高速公路的排放強度也較高，與城區周圍的國道和高速公路上的重型貨車也是其主要來源有一定關系。

圖4 成渝城市群機動車污染排放空間分布圖Fig.4 Spatial distribution of vehicle emissions in the Chengdu-Chongqing urban agglomeration

2.3 機動車污染物排放量與GDP相關性分析

機動車保有量的變化與經濟發展程度密不可分，1999—2015年成渝城市群GDP從5 026.2億元增長到43 937.25億元，增長了8.74倍，年均增長率為14.62%。本研究選取污染物（CO、NOx、CO2和NH3）為研究對象，對其1999—2015年的排放量與GDP進行相關性分析（圖5），得出機動車污染物（CO、NOx、CO2和NH3）排放量與GDP表現出較好的相關性，大部分相關系數都大于0.8，最大可以達到0.99。擬合直線斜率的變化趨勢反映了機動車污染物排放量變化程度與GDP的關系（Lang et al.，2012），若擬合直線斜率為正值表明機動車污染物排放量隨著GDP的增加而增加，反映出所實施的機動車污染物減排措施效果并不顯著；反之，若擬合直線斜率為負值說明機動車污染物排放量的變化率小于GDP的變化率，從而反映出所實施得機動車污染物減排措施效果明顯。從圖5可以看出，機動車污染物CO與GDP擬合直線的斜率均從正值變為負值；1999—2015年機動車污染物NOx、CO2和NH3的擬合直線斜率均為正值。因此得出機動車污染物NOx、CO2和NH3的減排效果不如CO，也意味著減少機動車污染物NOx、CO2和NH3排放量困難更大，未來應該多關注污染物NOx、CO2和NH3的減排。

2.4 不同控制情景減排效果比較

根據前文設置的不同減排情景計算得到2025年成渝城市群機動車污染物（CO、NMVOC、NOx、PM2.5、PM10、CO2、CH4、N2O、NH3和SO2）排放量，并與基準情景排放量（44.91、10.99、46.35、2.34、2.85、18 632.32、0.87、0.28、0.40、1.78萬噸）進行對比（圖6）。

各減排措施情景下10種機動車污染物的減排效果有所不同，從單個情景來看，實施保守新能源車推廣情景與激進新能源車推廣情景相對于基準情景均可使污染物NMVOC、NOx、PM2.5、PM10、CO2、N2O和NH3達到一定程度的減排，其中對污染物NMVOC、CO2、N2O和NH3達到最大的減排效果，分別消減了14.56%與14.73%、9.52%與11.75%、9.12%與10.85%和23.01%與23.01%；由于新能源車（電動車、混合動力車和天然氣汽車）對于污染物NOx均有較好的減排效果，實施這兩種減排情景相對于基準情景其排放量下降5.84%與6.68%，發展天然氣汽車能夠有效降低PM2.5和PM10的排放量，且成渝城市群天然氣資源豐富，天然氣汽車保有量居多，因此這兩種減排情景下污染物PM2.5和PM10排放量分別削減了7.8%和12.09%與3.24%和8.66%。但實施保守新能源車推廣情景與激進新能源車推廣情景對污染物CO和CH4排放量相對于基準情景卻增加了4.44%與4.46%和41.32%與38.35%，這與天然氣汽車比例較大有關，說明現階段同時推廣電動車與天然氣汽車的情況下，電動車對污染物CO和CH4的減排優勢被大量發展天然氣汽車所排放的CO和CH4所抵消，因此并沒有帶來明顯的CO和CH4減排；保守新能源車推廣情景對SO2的排放量相對于基準情景增加了18.41%，這是由電動車上游階段排放的SO2導致的，而考慮清潔能源為電動車提供電力的激進新能源車推廣情景減排效果相對于保守新能源車推廣情景理想很多，排放量降低了8.52%。

圖5 1999—2015年成渝城市群機動車污染物排放量與GDP相關性Fig.5 The relationship of vehicle emissions and GDP in the Chengdu-Chongqing urban agglomeration from 1999 to 2015

圖6 各減排措施情景下機動車污染物的排放量Fig.6 Vehicular emissions under the different reduction scenarios

淘汰高排放車輛情景對于污染物NOx、PM2.5、PM10和CH4的減排效果與其他單獨情景相比最為理想，相對于基準情景排放量分別下降15.84%、20.74%、15.64%和15.24%；該情景對于其它污染物均具有一定程度的減排效果，但其效果并不顯著。

提高燃油品質情景對污染物CO、NMVOC、NOx、PM2.5、PM10、CO2和CH4的減排效果并不理想，但其對污染物N2O的減排效果較好相對于基準情景削減8.74%，值得注意的是，提升燃油品質情景下SO2排放量相對別的單獨措施情景與基準情景的相比，下降幅度最大（下降94.76%），這主要是由于提升燃油標準主要是控制燃油中的硫含量，該種情景對于控制機動車SO2的排放效果尤其顯著；提升燃油品質對污染物NH3的排放與基準情景相比卻增加了9.84%，機動車為了減少NOx排放，大量使用三元催化器，可以將NOx還原成為氮氣，但是事實上這個過程非常容易還原成NH3；在油品質量標準比較低的階段，三元催化器作用不到位，因此不會產生大量的NH3排放，而隨著油品質量的提高，NH3排放量反而出現增加（王躍思等，2014）。

提高排放標準情景對于除N2O外的9種污染物都達到一定程度的減排，但均不是最為顯著的減排手段，表明成渝城市群需要實施更加嚴格的排放標準，而該減排情景對于污染物N2O的排放量卻略顯增加，這是由于新的排放標準中重型貨車與重型客車污染物N2O的排放因子增長（國IV—國VI）（蔡皓等，2010）。發展公共交通情景和摩托車限行情景對所有污染物相對于基準情景都有一定程度的減排，但其減排效果并不顯著。

實施激進綜合情景考慮了以上所有的減排措施對于大部分污染物達到最大的減排效果，相對于基準情景，污染物（CO、NMVOC、NOx、PM2.5、PM10、CO2、N2O和NH3）分別下降17.96%、34.42%、16.96%、34.53%、26.11%、16.75%、15.94%和34.87%，對于污染物SO2的減排效果也較為顯著，減排83.37%；同樣的由于該城市群天然氣資源豐富，推廣天然氣汽車一定程度上會增加污染物CH4的排放，導致實施綜合情景下CH4排放量的增加。

2.5 不確定性分析

機動車污染物排放清單計算的過程中，不可避免的存在統計誤差、模型設計誤差和試驗系統誤差等，這些誤差最終傳遞給計算結果，使排放清單產生不確定性。本研究的不確定性主要來源是機動車數量、年均行駛里程和排放因子數據獲取和模擬的不確定。機動車數量主要來源于統計年鑒，不確定性較小，但少部分缺失數據和不同排放標準的機動車數量是參考相關計算方法獲得，存在一定的不確定性；年均行駛里程數據的獲取參考已有文獻中的方法，雖然能較準確反映發展規模相似城市的各類機動車的平均行駛水平，但由于未進行實地調查，可能與成渝城市群各地實際情況存在誤差；排放因子是將本地化的參數輸入相關模型中模擬得到，但實際的駕駛狀況要更復雜，模型無法完全模擬實際的狀況，導致排放因子存在一定的不確定性。對于整個排放清單的不確定性分析，參考文獻（Lang et al.，2014）運用蒙特卡洛方法進行估算，3個變量的概率分布和變異系數的設置與該文獻相一致。因此，在95%的置信水平下，成渝城市群機動車各污染物（CO、NMVOC、NOx、PM2.5、PM10、CO2、CH4、N2O、NH3和SO2）排放清單的不確定性估算范圍分別為-15%—20%、-24%—32%、-20%—26%、-30%—44%、-30%—44%、-30%—50%、-30%—48%、-32%—59%、-45%—78%和-29%—32%。雖然排放清單的計算結果存在一些不確定性，但整體來說其能夠反映成渝城市群機動車各污染物的排放狀況，并基于排放清單進行的不同減排情境下的減排潛力研究，對于該地區未來減排措施的制定具有一定參考價值。

3 結論

（1）1999—2015年污染物CO、NMVOC、CH4和SO2排放量呈現先增后降的趨勢，污染物NOx、PM2.5、PM10和N2O排放量變化波動但總體呈上升趨勢，而污染物CO2和NH3增長趨勢明顯，2015年排放量相對于1999年增加784%和7638%。輕型客車與摩托車為污染物CO和NMVOC主要貢獻車型，重型貨車與重型客車為污染物NOx、PM2.5、PM10和SO2的主要排放源，而污染物CO2、CH4、N2O和NH3主要由輕型客車排放。

（2）城市中心由于機動車車流量大等原因，其污染物排放量明顯高于周邊地區，且沿著高速公路等呈現出帶狀分布特征，而其中又以成都和重慶市最為明顯。

（3）1999—2015年污染物（CO、NOx、CO2和NH3）排放量與GDP表現出較好的相關性，相關系數大于0.8，且污染物NOx、CO2和NH3的減排難度大于CO。

（4）與基準情景相比，淘汰高排放車情景對成渝城市群機動車污染物NOx、PM2.5、PM10和CH4削減效果較為顯著，污染物NMVOC、CO2、N2O和NH3在激進新能源車推廣情景下的排放量下降趨勢明顯，摩托車限行情景對污染物CO有較好的減排效果，提升燃油品質情景對污染物SO2削減效果最為顯著，相對于基準情景排放量下降94.81%；而激進綜合情景考慮了以上所有的削減控制措施并達到最大的削減效果，相對于基準情景，污染物（CO、NMVOC、NOx、PM2.5、PM10、CO2、N2O和NH3）排放量分別下降17.96%、34.42%、16.96%、34.53%、26.11%、16.75%、15.94%和34.87%。單一污染控制政策的減排效果比較有限，而所有政策疊加的減排效果則非常可觀，因而未來成渝城市群針對機動車污染控制仍需采用綜合的機動車污染控制政策，多方面多角度地控制區域機動車污染。