北京市機動車排放趨勢與協同控制情景分析

葉賀勇，樊守彬，李婷婷，王亞洲，龍騰

1.北京工業大學環境與生命學部

2.北京市生態環境保護科學研究院

3.國家城市環境污染控制工程技術研究中心

“十一五”以來，中國經濟持續高速發展、社會化進程加快，機動車保有量逐年增多[1]。機動車尾氣排放已成為空氣污染和溫室氣體排放的重要驅動力[2]。北京市作為減污降碳示范先行區，從20 世紀90年代就開始采取一系列的措施和政策來控制道路機動車排放。近年來隨著能源結構調整、交通貨運、產業升級等領域加大投入治理，北京市在“十四五”時期，將把重點放在減少PM2.5、NOx、VOCs 等污染物和減少CO2等溫室氣體排放中，推動區域降碳減污協同治理，加快推進綠色低碳經濟社會全面綠色轉型[3]。北京市機動車保有量在未來仍將繼續增長，污染物和溫室氣體排放量也將持續增加，在長時間尺度上建立機動車尾氣污染物與溫室氣體排放清單并分析機動車排放趨勢，開展北京市機動車排放污染物協同控制研究，進行協同控制效果評估，對制定有效的大氣污染物控制和溫室氣體的減排措施具有重要意義。

大氣污染物和溫室氣體之間由于具有同根同源的特點[4-5]，使得在進行有效控制的同時需要考慮其相互作用、相互影響的關系。近年來，國內外學者對于機動車排放協同控制污染物和溫室氣體的研究逐漸增多。Alam 等[6]基于情景分析法，通過建立模型，評估和預測愛爾蘭機動車排放PM2.5和溫室氣體的協同減排效果。Huboyo 等[7]計算了印度尼西亞2 個新興城市的道路交通排放清單，并分析其與道路運輸相關的協同效益。Thambiran 等[8]運用COPERT 模型計算南非機動車污染物排放清單，并基于共同效益方式協同分析機動車排放溫室氣體和污染物的相互關系。Jiao 等[9]基于LEAP 模型，定量分析了我國廣州市道路交通可持續情景下減少CO2和空氣污染物排放的協同效益。俞珊等[10]采用協同控制效應坐標系法、協同控制交叉彈性分析法和協同評估指數法分析了主要大氣污染物和CO2的減排潛力及協同控制效果。李云燕等[11]運用LEAP 模型并基于協同控制坐標系和減排彈性系數法分析不同控制措施下機動車排放CO2和污染物之間的協同減排效應。

上述研究大部分都是基于論證結果采取機動車尾氣控制措施，以達到協同控制溫室氣體和大氣污染物的目的，且只對未來情景進行預測和分析，而關于機動車大氣污染物和溫室氣體的歷史排放趨勢結合研究較少，且缺乏長時間尺度控制研究。因此，筆者通過建立歷年北京市宏觀機動車污染物排放清單，探究機動車污染物排放趨勢，在此基礎上，設定5 種不同控制情景，預測2025年機動車排放污染物的減排潛力，綜合分析機動車污染物在不同減排控制情景下的減排效果，并采用減排彈性系數法和協同控制坐標系法從不同角度對機動車排放溫室氣體和污染物進行協同減排效應分析。研究旨在為北京市機動車排放污染物和溫室氣體治理提供基本對策，并在“十四五”規劃過程中為決策者快速篩選大氣污染物與溫室氣體協同控制的最優方案及相關政策的制定提供理論依據。

1 材料與方法

1.1 機動車排放清單核算方法

機動車運行中產生的大氣污染物排放清單基于COPERT 5 模型通過熱穩定運行排放、冷啟動排放以及燃料蒸發排放3 個階段核算求得[12]，計算公式如下：

式中：E總為污染物在不同階段排放量總和，g；Er為污染物熱穩定運行階段排放量，g；El為污染物冷啟動階段排放量，g；Ez為污染物燃油蒸發過程排放量，g；Er,i,j,k為j類型機動車i污染物在k道路類型的熱運行排放量，g；Pj,t為j類型機動車t排放標準的保有量，輛；VKTj,k為j類型機動車在k道路類型的年均行駛里程，km；er,i,j,k為污染物的排放因子，g/km； βj為冷啟動過程中行駛里程所占的比例；Itrip為平均每段旅程的距離，km；ta為環境月平均氣溫，℃；ed為機動車每日蒸發排放因子，g/輛；Sc和Sfi分別為裝配有化油器和噴射燃油器的機動車的熱浸排放因子，g/輛；R為機動車運行過程中的損失。機動車類型通過COPERT 5模型劃分為微輕型貨車、中型貨車、重型貨車、微小型客車、中型客車、大型客車、摩托車共7 種。

COPERT 5 模型通過能源消耗量測算CO2排放量，計算公式如下：

1.1.1 機動車保有量及預測

研究使用的分車型和分登記注冊年份機動車保有量數據主要來自于北京市交通管理部門，通過機動車登記注冊年份和北京市各排放標準出臺日期來確定不同排放標準等級車輛的比例。北京市采用小客車指標調控政策搖號機制來調控每年小客車保有量的增長，因此通過傳統預測方式[14-15]可能會使預測結果偏高，根據北京市發布的《北京市“十四五”時期交通發展建設規劃》（簡稱《規劃》），到2025年，全市小客車保有量控制在580 萬輛以內。假定到2025年北京市微小型客車保有量為580 萬輛，其他類型車輛采用分類預測法[16]，并基于2020年車型構成比例來確定。最終確定歷年不同類型機動車保有量及預測結果，如圖1 所示。

圖1 北京市機動車保有量Fig.1 Number of motor vehicles in Beijing

1.1.2 機動車排放因子

歷年機動車大氣污染物CO、NOx、VOCs、PM2.5和CO2、CH4、N2O 排放因子主要采用COPERT 5 模型進行估算。研究表明，應用COPERT 模型計算中國機動車排放因子較適用于實際排放情況[17-18]。計算結果的準確性主要受到氣象數據、燃料特性、行駛速度、燃料蒸發數據等因素的影響。其中，氣象數據(包括每月最低、最高溫度和相對濕度)主要來源于《北京市統計年鑒》和中國氣象科學數據共享服務網。燃料特性通過參考相關文獻[19]，結合歷年北京市執行的汽油、柴油標準規定的燃料含硫量確定。行駛速度根據相關文獻[20-21]和各年度的《北京市交通發展年度報告》[22]統計值來確定。

運用COPERT 5 模型在各個參數預測基礎上對不同類型機動車各污染物排放因子進行測算，由于對未來按月份輸入的溫度和相對濕度存在很大的不確定性，故根據往年的平均溫度和相對濕度進行輸入計算，在此基礎上參考其他相關研究[23]的預測分析，通過修正最終確定2025年不同類型車輛各污染物的排放因子。

1.1.3 機動車年均行駛里程

年均行駛里程(VKT)是機動車排放模型中主要的參變量，對于建立機動車污染物排放清單的準確性具有重要影響[24]，而且年均行駛里程會隨車齡升高而逐漸減少，車齡越大，機動車使用率越低[25]。根據相關文獻[26-28]研究成果，參考相關年份的《北京市交通發展年度報告》，并結合生態環境部發布的《道路機動車大氣污染物排放清單編制技術指南（試行）》（簡稱《指南》）[29]中各種汽車行駛里程的參考值，最終確定2005年、2010年、2015年、2020年各類型車輛的年均行駛里程。以此為基礎，基于不同類型機動車行駛里程變化率和歷年不同車齡機動車保有量，通過車齡與年均行駛里程的比率[30]，推測各類型機動車在預測年份的年均行駛里程。最終得到2005—2025年各類型車輛的年均行駛里程(圖2)。由于北京市摩托車保有量增長較明顯，且同時限制其騎行區域，對于摩托車的年均行駛里程均按《指南》推薦值6 000 km 來計算。

圖2 北京市各年份不同車型年均行駛里程Fig.2 Average annual mileage of motor vehicles in Beijing

1.2 協同控制情景分析

1.2.1 情景設置

根據已有的北京市移動源管理制度，結合往年對于機動車管理的實施政策，并參考《北京市國民經濟和社會發展第十四個五年規劃和二〇三五年遠景目標綱要》《北京城市總體規劃（2016—2035年）》《北京市“十四五”時期交通發展建設規劃》等未來政策規劃，基于不同的排放控制措施設置基準情景(BAU)、淘汰高排放汽車(ESV)、推廣新能源汽車(NEV)、發展公共交通(DPT) 和綜合控制情景(RIS)共5 種未來控制情景，對比不同情景下各污染物的減排效果和溫室氣體與大氣污染物之間的協同效應等，具體措施如表1 所示。

表1 機動車排放情景設置Table 1 Descriptions of motor vehicle emission control scenarios

1.2.2 協同效應分析方法

采用協同減排彈性系數法[31]和協同減排坐標系法[32]來分析大氣污染物(CO、NOx、VOCs、PM2.5)和溫室氣體(CO2、CH4、N2O)的協同控制效果，具體方法如下。

1.2.2.1 協同減排彈性系數法

協同減排彈性系數法是用于評估大氣污染物和溫室氣體排放的技術減排措施之間的協同程度，即與減少溫室氣體排放相關的大氣污染物減排量的大小，計算公式如下：

式中：ELS(α/β)為大氣污染物(CO、NOx、VOCs 和PM2.5)對溫室氣體(CO2、CH4和N2O)的彈性系數；α和 β分別為機動車排放污染物和溫室氣體的總量；Δα和 Δβ分別為大氣污染物和溫室氣體在不同控制情景下的減排量；Δα/α為大氣污染物減排量相對于總排放量的比值變化率；Δβ/β為溫室氣體減排量相對于總排放量的比值變化率。如果ELS(α/β)≤0，表示這些控制情景下只對 α和 β其中1 種有減排作用，不具有協同控制效應；如果ELS(α/β)＞0，且Δα/α＞0、Δβ/β＞0 時，表示此種控制情景下對α和β均有減排作用，具有協同控制效應。此外，如果ELS(α/β)=1，表示此種控制情景對 α和β的減排程度相同；如果0＜ELS(α/β)＜1，表示此種控制情景對 α的減排程度高于β；如果ELS(α/β)＞1，則表示此種控制情景對β的減排程度高于α。

1.2.2.2 協同減排坐標系法

協同減排坐標系法是通過污染物當量和增溫潛勢計算大氣污染物和溫室氣體在不同控制情景下相對于基準情景的減排量，在二維空間坐標系中，不同控制措施以不同的坐標點來表示各類型污染物的減排效果。大氣污染物和溫室氣體的減排程度以及協同效應可以在坐標系中清楚地表示出來，其中，橫、縱坐標分別表示不同控制措施對大氣污染物和溫室氣體的減排效果。如圖3 所示，措施A 和B 均位于第一象限，表明該控制措施能同時減排溫室氣體和大氣污染物，具有協同控制效果，但措施B 到原點的連線與橫坐標的夾角b大于措施A 的夾角a，表明措施B 在減排大氣污染物的同時相比于措施A 對溫室氣體的減排效果更好；措施C 位于第二象限，表明措施C 只對溫室氣體減排有效果而對于大氣污染物減排效果相反；措施D 位于第三象限，表明措施D 對2 類污染物都不具有減排效果；措施E 位于第四象限，其減排效果與措施C 相反，只對大氣污染物減排有效果而對于溫室氣體減排效果相反。

圖3 機動車減排協同控制情景坐標系示意Fig.3 Schematic diagram of coordinate system for co-control of motor vehicle emission reduction

2 結果與討論

2.1 排放清單變化趨勢

2.1.1 歷年機動車排放清單

北京市歷年不同類型機動車尾氣污染物排放量及排放趨勢如圖4 所示。2005年北京市機動車尾氣共排放污染物CO、NOx、VOCs、PM2.5和溫室氣體CO2、CH4、N2O 分別為64.27 萬、7.90 萬、7.38 萬、0.25 萬和 1 430.77 萬、0.33 萬和0.05 萬t ；到2020年排放量分別為6.20 萬、5.19 萬、1.37 萬、0.23 萬和2 144.93 萬、0.14 萬和0.02 萬t。相比2005年，2020年CO、NOx、VOCs、PM2.5、CH4和N2O 排放量分別下降了90.35%、34.30%、81.43%、9.3%、44.73%和43.41%，而機動車CO2排放量相比2005年增長了85.25%，增幅明顯，這主要是因為機動車消耗的燃料中所含有的碳絕大部分轉化為CO2。

圖4 北京市歷年不同類型機動車排放污染物和溫室氣體占比及排放量變化趨勢Fig.4 Proportion of pollutants and GHGs emitted by different types of motor vehicles and emission trends in Beijing over the years

在各類型機動車排放量占比中，大氣污染物CO、VOC、PM2.5和溫室氣體CO2、CH4、N2O 排放量占比最多的車型均為微小型客車，其在所有車型污染物排放占比中大多數都超過50%，原因主要是微小型客車保有量在所有車型中占比最大，增長速度最快。NOx和PM2.5排放占比較大的車型主要為重型貨車，這是由于重型貨車單車排放量相比其他類型車輛更大，加上近年來隨著交通運輸業的飛速發展使其保有量逐漸增多。從污染物排放趨勢可以看出，CO 和NOx排放量具有相同的變化趨勢，都是先逐漸升高，從2010年之后開始持續下降；VOCs 排放量在2010年之前小幅度下降，之后下降幅度明顯。分析其原因，由于機動車排放標準日益提高以及低排放標準車輛逐步被淘汰，使得高排放CO、NOx車型綜合排放因子大幅度下降。另外，由于北京市限號政策，微小型客車的年均行駛里程在研究期間不斷下降。溫室氣體中，CO2排放量在2010年達到高峰之后緩慢下降，但相比2005年也呈增長趨勢，主要原因是北京市從2005年開始實施“十一五”規劃，經濟迅猛發展，機動車保有量增幅明顯，CO2排放量大幅升高；而2010年之后，北京市通過各種措施調控機動車數量，使機動車增長率逐漸放緩，且高排放標準機動車逐漸被淘汰，從而導致CO2排放量相比2010年降幅明顯。CH4和N2O 排放量變化總體呈先升后降的趨勢，分別從2005年的0.33 萬和0.05 萬t 增長到2010年的0.41 萬和0.06 萬t，到2020年又減少到0.14 萬和0.03 萬t，主要因為北京市率先頒布實施新的燃油標準，機動車燃油質量逐步提升，機動車燃油中的硫含量對機動車排放的CH4和N2O 影響很大，因此采用含硫量低的燃料是減少機動車尾氣排放CH4和N2O 的主要途徑。相較于其他污染物，PM2.5的排放量下降幅度較弱。原因在于研究期間內PM2.5的排放因子相對其他污染物的減少不明顯。此外，在活動水平方面，近年來，道路交通的便利促使物流業和公共交通迅速發展，重型貨車和大型客車的行駛里程持續攀升。然而，在2020年初新型冠狀病毒感染暴發，由于疫情防控措施的實施，道路上的行駛車輛數量有所減少，這也對PM2.5的排放產生了一定影響。

2.1.2 目標年排放清單預測

以2020年為基準年，運用COPERT 5 模型測算2025年北京市機動車大氣污染物和溫室氣體的排放量，具體見表2。由表2 可知，在不考慮各種控制措施的情況下，北京市機動車排放大氣污染物與溫室氣體相對于基準情景(BAU)到2025年均有所增加，其中，CO、VOCs、NOx和PM2.5分別增長27.32%、33.06%、11.43% 和24.79%，溫室氣體CO2、CH4和N2O 分別增長23.57%、28.37%和30.81%。因此，為了進一步降低機動車污染排放，促進北京市空氣質量改善，有必要采取進一步的措施以達到北京市“十四五”規劃綱要提出的降碳減污目標。

表2 2025年北京市機動車大氣污染物和溫室氣體排放量預測Table 2 Prediction of emissions of air pollutants and GHGs from motor vehicles for the target year of 2025 in Beijingt

2.2 不同控制情景減排量分析

基于不同控制情景下分析2025年機動車排放大氣污染物CO、NOx、VOCs、PM2.5與溫室氣體CO2、CH4、N2O 相較于基準情景(BAU) 下的排放量，結果見圖5。由圖5 可知，北京市2025年不同控制情景下機動車排放污染物相對于基準情景均有所降低，其中在單一措施下，NEV 相比其他控制情景的減排效果較好，大氣污染物CO、NOx、VOCs 和PM2.5排放量分別為5.32 萬、3.85 萬、1.23 萬和0.19 萬t，相對于BAU 分別削減了32.63%、33.42%、32.05%和33.14%。溫室氣體CO2、CH4和N2O 排放量相對于BAU 分別削減了33.34%、30.22%和32.81%。這主要是由于新能源汽車在各類型機動車中的比例增加，汽油和柴油機動車的比例有所下降。相關文獻[33]表明，從能源消耗、燃油經濟性、相關污染物排放以及整個生命周期的排放來看，新能源汽車對污染物的貢獻率均低于常規燃油汽車。這說明，推動新能源汽車的發展和使用在未來能有效減少機動車污染物的排放。ESV 控制情景下，大氣污染物NOx和PM2.5減排效果相比其他污染物較好，減排率分別為29.25%和21.01%，這主要是因為高排放標準車輛的車齡較高，累計行駛里程長，尾氣處理裝置的安裝比例也很低，各污染物排放因子較高，且這些高排放標準車輛對于NOx和PM2.5的排放貢獻也遠高于其他排放標準車輛。DPT 控制情景相對于其他控制情景減排程度較弱，這是由于公共車輛在所有類型車輛中占比較小，且相對其他類型車輛發展緩慢。RIS 情景下，大氣污染物和溫室氣體的減排效果均較好，其中，CO、NOx和PM2.5的減排比例均超過50%。因此，在兼顧各項措施的同時，未來北京市應該實施更為嚴格的汽車尾氣排放標準，同時積極推廣新能源汽車，大力發展公共交通，鼓勵與提倡綠色出行，這是加快推進北京市降碳減污協同治理和綠色低碳經濟社會轉型的重要舉措。

圖5 不同控制情景下各種污染物和溫室氣體的排放量Fig.5 Emission reductions of various pollutants and GHGs under different control scenarios

2.3 協同效應分析

2.3.1 協同減排彈性系數法

不同的控制情景下，運用協同減排彈性系數法具體分析大氣污染物和溫室氣體的協同減排程度。通過式(7)分別計算各大氣污染物與溫室氣體的彈性系數，以及各項污染物經大氣污染當量(NOx和VOCs 均為0.95，CO 和PM2.5分別為16.7 和2.18)折算后的疊加值(記為AE)。其中溫室氣體根據IPCC第四次評估報告中全球升溫潛力（GWP）推薦值（CH4和N2O 的GWP 分別為25 和298），將CH4和N2O 換算成CO2當量(記為CO2e)計算，具體見表3。由表3 可知，所有控制情景下所對應的ELS 均大于0，表明這些控制措施對北京市機動車排放的大氣污染物和溫室氣體均有減排的效果，具有協同效應。但對于不同污染物在不同控制情景下的ELS 不同，這說明它們所對應的減排效果也不同：在單一對策模式下， ESV 情景的彈性系數均小于1，這表明在ESV 情景設置下，大氣污染物相對于溫室氣體的減排效果要更好；而在NEV 情景中，除了1 外，其他ELS 均大于1，大氣污染物NOx和溫室氣體的減排程度相等，而其他污染物的減排程度均弱于溫室氣體的減排效果。在DPT 情景中，最大，遠遠超過1，這表明DPT 情景下NOx的減排效果相比溫室氣體減排效果最好。RIS 情景中，除了之外，其他大氣污染物彈性系數均小于1，由此可見，相較于溫室氣體，大氣污染物在RIS 情景下的減排效果較好。對AE 進行彈性系數分析，其與溫室氣體的協同減排程度以進行綜合分析。在所有控制情境中，ESV和RIS的ELS 均小于1，但DPT 和RIS控制情景下對于溫室氣體的減排效果要優于ESV 控制情景，僅有NEV 控制情景下溫室氣體的減排效果略優于大氣污染物。

表3 不同控制情景下溫室氣體對大氣污染物的減排彈性系數Table 3 Elasticity coefficient of GHG emission reduction on air pollutants under different control scenarios

2.3.2 協同減排坐標系法

不同控制情景下協同減排二維坐標系結果見圖6。從圖6 可以看出，不同控制情景所表示的坐標點均位于第一象限內，也即說明不同控制情景下大氣污染物與溫室氣體都具有協同效應且均為正值，都起到了協同減排的效果。其中，RIS 情景代表的坐標點離原點距離最遠，表明在這種控制情景下的減排效果最好。在單一對策中，NEV 控制情景下所代表的坐標點離原點最遠，表明在單一對策措施下其減排效果最好，這主要是因為大部分燃油車都可以使用新能源車來替代，且新能源車所產生的能耗相比燃油車來說更少；ESV 控制情景的減排效果次之，最后是DPT 情景，因其僅僅針對公共車輛的運行及置換，且其相對于小客車保有量來說占比較小，而ESV 情景是將國3 及以下車輛全部淘汰，相對于DPT 情景來說，其實施標準要求較高。根據不同控制情景所代表點到橫、縱坐標的距離也可以了解其對大氣污染物或者是溫室氣體的減排效果，根據其分布特征可以看出各種控制情景對大氣污染物或溫室氣體的減排效果分布一致。

圖6 大氣污染物和溫室氣體當量的協同減排效應坐標系Fig.6 Coordinates of synergistic emission reduction effect of air pollutants and GHG equivalents

3 結論

（1）2005—2020年北京市機動車排放污染物和溫室氣體整體呈現先升高后降低的趨勢，其中污染物CO、NOx、VOCs、CH4和N2O 排放量相比2005年下降趨勢顯著，而機動車CO2排放量相比2005年增長了85.25%，增幅明顯。與其他污染物相比，PM2.5下降幅度較弱。微小型客車是多數污染物排放最多的車型，NOx和PM2.5排放的主要車型為重型貨車。

（2）運用COPERT 5 模型構建北京市機動車污染物基準年(2020年)和預測年(2025年)的排放清單，結合不同控制情景，對機動車污染物減排量進行分析，北京市機動車大氣污染物和溫室氣體的排放量相對于基準情景(BAU)均有所減少，但減排程度不同。綜合控制情景(RIS)下，對所有污染物的減排效果均最好，減排率均在40%以上，在單一對策情景中，新能源汽車推廣(ESV)在大氣污染物和溫室氣體的減排方面效果最好。其次是淘汰高標準車輛(NEV)情景，最后是發展公共交通(DPT)情景。

（3）協同減排彈性系數法和坐標系法分析表明，不同控制情景下北京市機動車排放的大氣污染物和溫室氣體均具有協同效應，起到了協同減排的效果。單一對策情景下， NEV 情景中的ELS 均大于1 且在減排坐標系中離原點最遠，減排效果最好。在RIS 情景下，，說明大氣污染物VOCs 和溫室氣體減排程度相同，其他大氣污染物ELS 均小于1，減排效果均優于溫室氣體，其主要目的是減排大氣污染物。在所有控制情景下， RIS 情景代表的坐標點距原點距離最遠，其減排效果最好。

（4）未來北京市應實施更為嚴格的汽車尾氣排放標準，同時積極推廣新能源汽車，大力發展公共交通，鼓勵與提倡綠色出行，兼顧統籌各種減排措施，為盡快實現降碳減污協同治理和綠色低碳經濟社會轉型奠定基礎。