基于交通流-HBEFA因子的典型路段排放特性研究
——以深圳市為例

朱永璇，何 流，郭唐儀

（南京理工大學 自動化學院，江蘇 南京 210094）

0 引言

我國交通運輸業的快速發展帶來了日益嚴重的能源消耗和空氣污染問題。生態環境部發布的《中國移動源環境管理年報（2020）》[1]顯示，移動源污染已成為我國大中城市空氣污染的重要來源。采取科學有效的控制措施來改變現階段機動車排放帶來的嚴重后果已刻不容緩。為此，對路段機動車尾氣排放特征進行量化分析，計算不同車型機動車對尾氣排放的貢獻度，對道路空氣污染治理具有重要的現實意義。

國外對尾氣排放的研究開展得較早，目前國際上主要使用的移動源尾氣排放模型（Motor Vehicle Emission Simulator,MOVES）、國際機動車排放模型（International Vehicle Emission Model,IVE）、計算道路運輸排放量的計算機程序（Computer Programme to Calculate Emission from Road Transport,COPERT）等尾氣排放模型均由歐美國家研發[2-3]。國外研究人員對空氣質量以及交通流的監測結果表明，車輛排放已經成為道路環境中NO2的主要貢獻者，交通量對早晨NOx濃度變化有顯著影響[4-5]。在高交通量條件下，CO,NOx和PM2.5等污染物的道路濃度會顯著高于一般水平[6]。對于高排放標準的車輛，如歐6 排放標準車輛的NOx排放會大幅減少[7]。在一些發達國家，客車和貨車分別是CO,NOx的主要貢獻者，而在一些發展中國家和地區，如印度德里，兩輪車是CO,HC,PAHs 和乙醛等污染物的主要貢獻者[8]。不同國家之間由于機動車排放標準及各車型占比不同，道路排放水平及不同車型對各類污染物的貢獻度也存在明顯差異。

近年來，國內學者對機動車尾氣排放特征也進行了大量研究，主要集中于對MOVES,IVE 等尾氣排放模型的本地化應用，而對歐盟開發的道路運輸排放因子手冊（Handbook on Emission Factors for Road Transport，HBEFA）的應用較少，僅有段仲淵和何巍楠等人分別進行了HBEFA 模型的深圳本地化和北京本地化，宏觀層面評估了城市交通尾氣排放，以推動和加強城市的低碳發展[9-10]。HBEFA 模型能為道路交通中所有車輛類別生成一個可靠和統一的“實際”排放因子數據庫，獲得對交通敏感且較準確的排放結果，并且中國和歐洲同類型車輛的燃油經濟性、排放標準較為一致，因此HBEFA 模型本地化有較強的可行性與實用性[10-11]。

部分國內學者將尾氣排放模型與統計數據、交通仿真軟件相結合對不同城市的機動車排放進行分析，結果表明，不同類型車輛對各類污染物的貢獻不同，小型客車往往是CO,HC的主要貢獻源，貨車是NOx和顆粒物的主要貢獻源[12-15]，具體貢獻程度在不同的城市之間存在差異。例如，張磊對西安市的機動車尾氣污染物排放研究表明，客車對CO的排放貢獻最大，為41.13%；貨車對NOx和HC的排放貢獻最大，分別為8.39%和3.49%[16]。呂改艷對重慶市的研究表明，在內環外，小型客車對CO 的排放貢獻最大，為54.37%；大型貨車對NOx的排放貢獻最大，為36.69%[17]。采用單雙號限行等控制方案可有效減少污染物排放[18]。

綜上，關于機動車路段排放特征已有諸多研究成果，但大多采用MOVES和IVE等尾氣排放模型和Vissim 等仿真軟件進行分析，缺乏HBEFA模型在國內的應用以及結合實測交通流等數據對路段排放特征的定量分析。鑒于上述問題，本研究將以深圳為例，從微觀層面利用HBEFA 模型得到深圳本地化的排放因子，結合深圳月亮灣大道的實測數據分析路段排放因子、排放強度及各車型的排放貢獻率，然后利用加利福尼亞線源擴散模型（California Line Sources Dispersion Model,CALINE4）模擬機動車在該路段行駛產生的CO,NOx濃度，最后與實際監測濃度進行對比分析，驗證HBEFA 模型在實際情況中的適用性和精準性，為道路交通污染防治提供理論依據。

1 研究方法與模型

1.1 數據來源

1.1.1 深圳市機動車數據

根據2010—2018年《深圳統計年鑒》計算得到深圳市分車型機動車保有量，結合年機動車增長量，可計算不同車型的車齡分布。本文假設深圳市與研究道路上機動車車齡分布相同，計算該道路上不同排放標準車輛的占比。

1.1.2 典型路段交通流數據

在深圳市南山區月亮灣大道，通過視頻設備對2018 年8 月24 日全天24h 交通流進行采集。城市主干道作為城市大動脈，主要用來聯系交通樞紐、生產區、公共場所及其他重要地點。月亮灣大道為深圳市17條主干道之一，連接廣深高速公路、深圳赤灣集裝箱碼頭等，承擔著重要的客貨交通運輸任務，貨車數量較多。該典型路段為雙向8 車道，且西側有人行橫道，總寬度約為34m。視頻數據采用人工計數的方式，分車型記錄。

1.1.3 典型路段CO,NOx濃度數據

CO,NOx濃度數據監測點位于距道路中心線25m 處。監測設備包括車載式污染自動監測系統及化學發光法NO-NO2-NOx分析儀（量程為0～4ppm，RS232 接口輸出）、紅外相關法CO 分析儀（量程為0～200ppm，RS232 接口輸出）各1 臺。同時，獲取南海子空氣質量國控點的污染物數據作為南山區背景濃度，用于CALINE4模型模擬結果的驗證。監測點位分布如圖1所示。

圖1 監測點位分布圖

1.1.4 氣象數據

同步記錄深圳市氣象局南山區的氣象數據，包括溫度、濕度、風速、風向、大氣壓和降雨量等指標，用作CALINE4 模型模擬道路交通CO,NOx濃度的輸入條件。

1.2 HBEFA排放模型構建

1.2.1 機動車排放因子模型

利用HBEFA 模型計算深圳本地化的機動車排放因子，結合車流量、車隊構成、車齡分布等指標，計算月亮灣大道機動車平均排放因子和排放強度，計算過程如下。

（1）劃分車輛類型、道路類型、交通狀態。將車輛類型劃分為4種，分別為小汽車、公交車、貨車和新能源車輛，其中小汽車再以排量和排放標準進行細分，貨車以車輛大小進行細分；道路類型分為4 種，分別為快速路、主干路、次干路和支路；交通狀態根據不同類型道路的平均行駛速度進行劃分，分別為暢通、基本暢通、輕度擁堵、中度擁堵和嚴重擁堵。

（2）建立深圳市典型工況。采集車輛逐秒級GPS 數據，以平均速度、停車時間占比、相對正加速度為主要指標，篩選出每種道路類型和交通狀態下的20 個候選工況，并與HBEFA 模型的典型工況對比，得到深圳市典型工況。相關的計算公式[15]如下：

式（1）～式（3）中：V為工況平均行駛速度（m/s）；S為行駛距離（m）；T為總行駛時間（s）；SP 為停車時間占比，即停車時間占總運行時間的比例；vt=0 表示t時刻車輛速度為0；RPA 為相對正加速度（m/s2)；為t時刻車輛正加速度（m/s2）。

（3）計算不同車型車輛對各類污染物的貢獻率，具體分為以下幾個步驟：

首先，計算單車排放因子。基于本地測試排放數據和典型工況，構建乘用車及重型車輛排放模型（Passenger Car and Heavy Duty Vehicle Emission Model,PHEM）模型數據庫，得到不同道路類型、不同交通狀態下分車型的機動車排放因子。

然后，計算路段平均排放因子。假設該路段的車齡分布和深圳市機動車車齡分布相同，則結合單車排放因子和路段車流量計算路段平均排放因子：

式（4）中：EFh為第h小時機動車路段平均排放因子（g/km）；為車輛類型i的污染物j在道路等級rg、交通狀態ts下的排放因子（g/km）；TFi,h,v為車輛類型i的機動車在第h小時內速度v下占總車流的比例。

接著，計算路段排放強度：

式（5）中：EIh為第h小時路段排放強度（g/(km·h)）；TVh為第h小時路段總車流量（veh/h）；EFh意義同前。

最后，計算分車型排放貢獻率：

式（6）中：Ph,i,j為第h小時車型i的機動車對污染物j的貢獻率；EIh,i,j為第h小時車型i的機動車污染物j的道路排放強度（g·km-1·h-1）；EIh意義同前。

1.2.2 污染物擴散模型

該模型基于CALINE4 模型的高斯煙流公式和混合區域概念，結合污染物沉積沉降速率，利用線源擴散模型模擬路側污染物濃度。模型計算原理為：

（1）將道路劃分為一系列線源單元；

3.培育一支高素質的企業工會干部隊伍。加強工會干部隊伍建設，提高勞動保護人員的綜合業務素質，是做好工會勞動保護工作的基礎。企業工會干部隊伍建設只能加強，而不能弱化，在工會人員編制方面，應給予必要的傾斜，不能使工會人員受人員限制而忙于應付一般工作；要采用多種措施和途徑，全面提高企業工會干部的業務素質，特別是懂法律法規、懂具體的勞動保護政策、掌握勞動保護的方法與手段，以及具有分析和解決勞動保護中出現各種問題的能力。

（2）計算每個線源單元產生的污染物對接受點濃度的貢獻；

（3）對所有線源單元的貢獻進行求和，得到整條道路對接受點貢獻的污染物濃度。

污染物濃度計算公式如下[19]：

式（7）～式（10）中：C為預測點的污染物濃度（mg/m3）；n為劃分的n個線源單元；u為近地面風速；EIm為線源強（mg·m-1· s-1）；y1,y2分別為線源的起點和終點；σy為水平方向擴散參數；σz為垂直方向擴散參數；L為整條道路長度（m）；l為線源長度（m）；W為道路寬度（m）；Ln,f為線源n的長度增長因子；θ為風向與道路的夾角（rad）；其他變量意義同前。

2 結果分析

2.1 車齡分析

深圳市機動車保有量及車齡分布如圖2所示。2018年深圳市主要民用乘用車達3 297 590輛，同比增長6.13%，客運車為2 880 095 輛，貨運車為417 475輛。2018對應點線圖車齡為1年，2017對應點線圖車齡為2 年，以此類推。小型客車中，車齡為5 年的占比最大，為19.2%；大型客車中，車齡為3 年的占比最大，為13.5%；小型貨車中，車齡為1 年、2 年的占比較大，分別為15.1%和13.8%；大型貨車中，車齡為10 年的占比最大，為28.2%，這與當年新實施的排放標準有關。

圖2 機動車保有量及車齡分布

2.2 交通流分析

小時交通量及平均速度數據采集結果及其分布如圖3 所示。根據采集數據計算可知，月亮灣大道日交通量為64 875veh/d，平均小時交通量為2 703veh/h，日間（7：00—23：00）平均為3 211veh/h，夜間（0：00—6：00）平均為1 179.5veh/h，日間比夜間高出172.2%，差異較大。5：00—6：00，車流量環比增加105%，呈明顯增長趨勢，其中小型客車增加517%。8：00—10：00，由于居民的上班通勤需求，交通量達到4 090veh/h，高出均值51.3%。該路段以小型客車和大型貨車為主，分別占比56.1%和41.1%，夜間貨車占比82.8%，日間客車占比60.8%，日夜車型差異明顯。該路段平均行程車速為34.5km/h，日間平均與夜間平均分別為40.1km/h和32.6km/h，日夜車速差異明顯，且車速和車流量呈負相關。

圖3 小時交通量及平均速度數據分布

2.3 監測濃度分析

圖4 CO,NOx濃度監測結果

由圖4可知，路邊監測的NOx,CO濃度均呈現早晚高峰特征。NOx平均濃度為366.43μg/m3，在2：00—7：00 時段處于最高峰水平。貨車是NOx的主要貢獻源之一，夜間雖然總交通量較小，但貨車量保持在較高水平，且監測時段風速較低、相對濕度較大，導致擴散條件較差，在交通排放和氣象因素共同作用下，NOx濃度于7:00 達到峰值893.89μg/m3。8：00—10：00，NOx濃度迅速下降，在9:00濃度僅為139.89μg/m3，較峰值下降84.4%，這與貨車數量降至全日最低水平、日照輻射增強、擴散條件轉好等因素有關。12：00—16：00，月亮灣大道交通量及貨車數量均維持在較高水平，而NOx濃度遠低于夜間值，這是因為下午日照輻射增強，促進了二次污染物臭氧的形成，加速了NOx的消耗，且下午風速較大，有利于污染物擴散。

CO 整體變化趨勢與NOx類似，平均濃度為1.86mg/m3。2：00—7：00處于較高水平，在交通排放和氣象環境的共同影響下，CO 不斷積累，至7：00 濃度達到峰值2.51mg/m3。8：00—10：00，CO濃度下降，可能與貨車數量達到全日最低水平、光照增強有關。12：00—16：00，月亮灣大道交通量及貨車數量維持在較高水平，CO 濃度卻遠低于最高峰水平，可能是光照輻射增強，臭氧的產生加速了CO 的消耗，以及較高的風速和邊界層高度增加了污染物在水平和垂直方向上的擴散。20：00 時，CO 再次出現較高濃度，主要與交通量較大、夜間逆溫層增加導致的污染物積累相關。

2.4 氣象數據分析

該路段日均溫度為28.4℃，且變化不大。平均風速為0.98m/s，大多數時間風速小于1.5m/s，屬于小風狀態，13：00—17：00 風速大于1.5m/s。平均相對濕度為88.5%，中午降低。15：00出現短暫降雨，風速加強。

2.5 排放因子、排放強度及相關性分析

不同車型占比與路段排放因子及排放強度的相關性如表1 所示。由該表可知，小型客車對CO,NOx路段排放因子的相關系數分別為-0.644和-0.948，且顯著性水平均小于0.005，呈顯著負相關。大型貨車對CO,NOx路段排放因子的相關系數分別為0.633 和0.943，且顯著性水平均小于0.005，呈顯著正相關。究其原因可能在于該路段車流主要由大型貨車、小型客車構成，而大型客車、小型貨車雖然單車排放因子較大，但在車隊的占比分別僅為0.59%,2.20%，導致其相關性較弱。大型貨車單車排放因子是小型客車的數十倍，該路段日間、夜間車流量較為穩定，大型貨車占比的增加會導致路段CO,NOx排放因子增加。因此，大型貨車占比與排放因子顯著正相關，同理小型客車占比同排放因子呈顯著負相關。至于路段排放強度，幾種車型占比均未表現出明顯相關性。

表1 不同車型占比與路段排放因子及排放強度的相關性

每小時路段排放因子及排放強度如圖5所示。

圖5 小時路段排放因子及排放強度

根據圖5，路段CO,NOx每小時排放因子分別為（1.04±0.71）g/km 和（2.95±2.41）g/km，排放強度分別為（2664.27±1626.20）g/（km·h）和（7017.85±3382.99）g/（km·h）。橫向對比來看，CO,NOx路段排放因子的變化趨勢相仿，說明車隊構成對路段排放因子的影響趨勢是一致的。值得注意的是，在8：00—9：00 時段，兩者均達到全日最低水平，此時車流量高于均值，但大型貨車為全日最低水平，僅占約17.3%。0：00—5：00，CO,NOx路段排放因子均維持在較高水平，此時車流量為全日最低水平，但大型貨車占比為全日最高。5：00 大型貨車占比達到峰值86.12%，CO,NOx路段排放因子也達到峰值。10：00—16：00，CO,NOx路段排放因子均維持在次高水平且變化較小，此時車流量及各車型占比穩定。17：00—22：00，CO,NOx路段排放因子的變化趨勢為先減后增，NOx變化較為明顯，此時車流量逐漸減少但貨車占比不斷增加。以上CO和NOx路段排放因子的變化趨勢說明其受到車流量大小和各車型占比的共同影響，其中大型貨車占比對路段排放因子的影響遠大于其他車型且對NOx的影響大于CO。

與排放因子不同，CO,NOx路段排放強度整體呈現日間值高于夜間值的趨勢，而夜間小時車流量約為日間的31.5%。8：00—9：00，兩者均出現大幅下跌，NOx,CO 分別環比下跌48%,30%，此時車流總量變化較小，但隨著居民通勤出行的增加，大型貨車占比不斷減少至17.3%。之后（10：00—16：00）NOx和CO 的排放強度均維持在較高穩定水平，車流量及各車型占比較為穩定。17：00—19：00，路段排放強度出現下跌，貨車占比不斷減小。20：00—22：00，隨著貨車占比的不斷增大，CO,NOx路段排放強度達到另一個小極值。以上變化趨勢表明，大型貨車占比對路段排放強度的影響大于其他車型，對NOx的影響大于CO，后者受車型的影響較小。

2.6 不同車型貢獻率分析

不同車型污染物貢獻率見圖6。如圖6（a）所示，在道路環境下機動車CO 排放中，大型貨車的CO單車排放因子是小型客車的3～9倍，大型貨車貢獻的CO 排放量占比約為77.3%，小型客車、大型客車、小型貨車分別貢獻19.5%,1.4%,1.8%。在夜間，大型貨車數量占比超過80%，CO排放占比超過99.5%。在日間，車流中以小型客車為主，在早高峰時段（7：00—9：00），小型客車數量占比為78%，但其排放貢獻率僅為45%。如圖6（b）所示，NOx的道路環境排放中，大型貨車的NOx排放因子是小型客車的17～24 倍，大型貨車、小型客車、大型客車、小型貨車分別貢獻92.9%,2.4%,2.3%,2.4%；在早高峰期間，即使大型貨車占比僅為17%，依然貢獻了83%以上的排放。

圖6 不同車型污染物貢獻率

綜上可知，大型貨車是該路段CO,NOx的主要貢獻者，大型貨車CO 排放標準每提高10%或大型貨車占比每減少10%，該道路的CO 排放減少約7.7%；大型貨車NOx排放標準每提高10%或大型貨車占比每減少10%，該道路的NOx排放減少約9.3%。因此，對于承擔城際運輸任務的路段（如月亮灣大道），通過提升大型貨車排放標準（特別是NOx排放標準）、適當降低其路段占比或可有效減小交通污染。

2.7 交通環境污染物濃度模擬驗證

CO 實際監測濃度為（1.86±0.42）mg/m3，利用CALINE4模擬CO濃度為（1.23±0.17）mg/m3，相對誤差為33.9%；NOx監測濃度為與模擬濃度皮爾遜相關系數為0.487。模擬結果表明，模型模擬NOx效果較好。

3 結語

本研究利用HBEFA 模型求取深圳本地化排放因子，結合深圳市典型道路交通流數據，計算路段每小時CO,NOx平均排放因子和排放強度，以及不同車型機動車對路段CO,NOx的貢獻率，并通過CALINE4模型模擬道路交通排放以進行實驗結果驗證。最后，得出如下主要結論：月亮灣大道因其承擔城際間交通運輸任務的特殊性質，大型貨車流量約占全天道路總流量的40%，其單車排放因子數值較大，導致大型貨車對CO,NOx貢獻率極高，分別為77.3%,92.9%；大型貨車CO,NOx排放標準每提高10%或占比每減小10%，該道路的CO,NOx排放分別減少約7.7%,9.3%。由此可見，提高大型貨車排放標準、適當降低其路段占比，是減少道路交通空氣污染直接、有效的手段。本文的研究方法同樣適用于其他類型道路（如次干道、支路）的研究，研究結果可為其他承擔城際間交通運輸、客貨運輸任務較重的道路污染治理提供借鑒。

本研究因計算排放時將車型僅劃分為大型客車、小型客車、大型貨車、小型貨車，可能會對計算精度產生一定影響，未來研究中可對車型進行更細致的劃分；由于尾氣擴散受到風速、濕度等多因素影響，CALINE4 尾氣擴散模型未能較好地對CO 進行模擬驗證，未來可考慮采取其他尾氣擴散模型提高模擬效果。