江蘇省高時空分辨率機動車排放清單構建及特征

孫世達,王 博,孫露娜,黃 旭,王星星,張世達,薄 宇,6*

江蘇省高時空分辨率機動車排放清單構建及特征

孫世達1,王 博2,孫露娜3,黃 旭4,王星星5,張世達5,薄 宇1,6*

(1.清華大學地球系統科學系,地球系統數值模擬教育部重點實驗室,北京 100084；2.包頭市生態環境局,內蒙古 包頭 014060；3.南開大學環境科學與工程學院,天津市城市交通污染防治研究重點實驗室,天津 300071；4.南京師范大學地理科學學院,江蘇 南京 210023；5.南京天地環境污染防治研究院,江蘇 南京 210003；6.中國科學院大氣物理研究所,東亞區域氣候-環境重點實驗室, 北京 100029)

針對自上而下法建立的機動車排放清單時空分辨率偏低的問題,從月度排放計算、行駛里程權重、交通數據融合等方面系統優化了傳統的方法學框架,據此建立了2018年江蘇省機動車排放清單,分析了排放的結構層次特征、社會經濟關聯和時空分布規律.結果表明,2018年江蘇省機動車CO、VOCs、NO和PM2.5的排放量分別為84.00,16.68,61.72和2.11萬t.CO和VOCs主要由汽油小型客車貢獻,NO和PM2.5主要由柴油重型貨車貢獻,國3及以下標準車輛排放貢獻高于其保有量占比,冬季機動車排放高于其它季節.在城市尺度上,機動車排放集中在蘇州、無錫、南京、徐州、南通、連云港和常州,機動車人均CO和VOCs排放量與道路排放強度的相關性高于NO和PM2.5,機動車排放與城市GDP以及建成區面積的相關性較為顯著.機動車CO和VOCs排放聚集于中心城區,NO和PM2.5排放呈條帶狀分布,排放日變化存在著“兩峰一谷”的特征.

機動車排放；大氣污染物；排放清單；高時空分辨率；江蘇省

機動車排放清單是大氣污染防治的基礎依據,其建立方法主要有自上而下法與自下而上法[1].自下而上法具有較高的時空分辨率,但是對數據的詳實性與可靠性要求較高[2],通常只應用于城市乃至城區尺度[3].自上而下法基于宏觀統計數據計算,具有適用性強、靈活性好、遷移性佳等諸多優點,可應用于國家[4]、區域[5]、省份[6]、城市[7]多級空間尺度.然而,自上而下法排放清單的時空分辨率往往偏低.如何將自上而下法的普適性與自下而上法的精細性相結合,在較大空間尺度上建立高時空分辨率機動車排放清單,是當前亟待解決的科學問題.

近年來,自上而下法的相關研究在模型算法、時空解析、結果應用等多個方面不斷深入.從模型選取來看,早年的研究多采用COPERT[8]、MOVES[9]等國外模型分析國內機動車排放狀況,模型的本土適用性存在問題.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)》(以下簡稱《指南》)給出了本土化的排放清單構建方法與基礎數據[10],目前在多區域、多尺度上得到了廣泛應用.在時間分辨率方面,傳統自上而下法排放清單報告的是年度排放量[11],但近來有研究開始建立機動車月度排放清單[12],引入月、周、日尺度的精細交通數據提升排放的時間分辨率[13].在空間分辨率方面,排放清單網格化方法不斷優化改進,早期的空間分配代用參數采用經濟數據[14]、人口數據[15],后來逐漸開發出標準道路長度[16]、行駛里程權重[2]等方法,有效提升了排放清單的空間分辨率.除用于排放特征分析和空氣質量模型輸入外,還有研究關注機動車排放與社會經濟發展的關聯性[17],這進一步拓寬了排放清單的應用范疇.

盡管自上而下法的相關研究在模型方法、時空分配和結果應用等方面提出了諸多改進,但這些成果相對分散,亟待被梳理整合成一套相對完整的技術體系.本研究系統闡述了采用自上而下法建立高時空分辨率機動車排放清單的方法學框架,耦合了月度排放計算、里程時空劃分、排放因子模擬、網格排放分配等多個層級的模型,并將此方法應用在江蘇省這一社會經濟發達、機動車污染嚴重[13]的典型省份,建立了江蘇省2018年0.05°×0.05°、小時分辨率的機動車網格化排放清單,分析了排放的多層次精細結構,討論了城市尺度的排放特征及其與社會經濟的關聯性,探究了排放的時空分布規律.本研究闡述的機動車高時空分辨率排放清單構建方案,可以為相關領域的研究者提供方法學借鑒,所建立的江蘇省機動車排放清單,可為當地及類似區域的機動車污染防治工作提供決策參考.

1 材料與方法

1.1 排放計算

本研究采用的機動車排放計算公式如下:

式中:表示污染物排放量,t;表示污染物類型,包括CO、VOCs、NO和PM2.5;表示研究年,本研究中為2018年;表示月份,為全年1～12月;表示城市,包括江蘇省13個地級市,即南京、無錫、徐州、常州、蘇州、南通、連云港、淮安、鹽城、揚州、鎮江、泰州和宿遷;表示車輛類型,為便于分析和展示,本研究參考李荔等[13]提出的轉化方法將統計資料中常見的10類車型合并為小型客車、大型客車、輕型貨車、重型貨車和摩托車5類(表1);表示燃料種類,分為汽油、柴油、其它(壓縮天然氣、液化天然氣和液化石油氣等)共3類;表示排放標準,涵蓋了國1前、國1、國2、國3、國4、國5共6個階段;表示道路類型,分為快速路、主干路和支路共3類;VP、VKT和EF分別表示機動車保有量、年均行駛里程和排放因子,單位分別為輛、km/a和g/km.

本研究從時間和空間兩個層面提升了自上而下法的精細度.在時間上,根據客貨運量將機動車的年活動水平劃分至月度,同時結合不同月份的氣象條件模擬排放因子,得到機動車月度排放量.在空間上,根據不同車型的行駛規律,將機動車活動水平分配至不同道路類型,同時考慮了行駛工況對排放因子的影響.

1.1.1 機動車保有量 統計年鑒作為最常用的數據源[7],可以給出準確的分車輛類型保有量,但通常不包含燃料種類和排放標準的信息,這會增加排放清單的不確定性.本研究基于生態環境部門提供的江蘇省城市級機動車注冊數據庫,提取到了“車輛類型-燃料種類-排放標準”3級分類的機動車詳細保有量,提升了數據的精細度和準確性.

2018年,江蘇省機動車保有量為1982.58萬輛(圖1).蘇州、南京、無錫的機動車保有量位居全省前三,分別為412.55,266.22,229.03萬輛,合計占全省總量的45.8%.全省小型客車的保有量占比達到了83.1%,遠高于其它車型.機動車保有結構與社會經濟狀況有一定關聯.南京、蘇州、常州的小型客車保有量占比均值為90.4%,這與三地較高的富裕程度有關.小型客車擁有量受人均收入水平的影響[18],如不考慮限購政策,富裕地區的小型客車擁有量往往較高.徐州作為典型工業城市,重型貨車保有量占比為5.4%,顯著高于全省平均水平2.7%.

圖1 2018年江蘇省各城市機動車保有量

1.1.2 年均行駛里程 年均行駛里程受社會經濟、交通結構、地理環境等多重因素的影響[19].根據實際調研結果設定本地化年均行駛里程,可以提升計算結果的準確性.與保有量不同,我國多數地區并沒有官方公布的年均行駛里程值,因此該數據的獲取有一定難度.部分研究設定年均行駛里程時,采用《指南》推薦值[6]或其它研究的調研結果[20],這會給排放計算帶來不確定性.本研究分別在商超停車場、公交公司、公路收費站向小型客車、大型客車、貨車發放調查問卷,搜集行駛里程信息,同時從江蘇省生態環境部門獲取本地化的行駛里程資料.基于問卷調查與部門走訪,江蘇省小型客車、大型客車、輕型貨車、重型貨車和摩托車的年均行駛里程分別設定為12162,91590,37149,79837和7303km.

不同車輛類型的行駛行為存在差異.例如,小型客車多行駛在城區道路上,重型貨車多行駛在城郊快速路上.為表征這種差異,本研究引入里程權重參數將年均行駛里程分配至不同道路類型,公式如下:

式中:MW表示里程權重,%.本研究通過文獻調研[2,21-22],設定各車型的里程權重(表2).

小型客車和大型客車主要行駛于市區,因此在支路上里程權重較高.輕型貨車與重型貨車受到限行政策的影響[23],主要行駛在城際公路上,因此在快速路上里程權重較高.

表2 機動車在不同類型道路上的里程權重(%)

機動車行駛里程與車齡負相關,新車里程較高,舊車較低[24].這一方面是因為隨著車齡增長,機動車的使用強度逐漸下降;另一方面是因為受環保政策影響,舊車的行駛范圍受限.本研究引入“里程-車齡”曲線[1,24-25],將里程隨車齡衰減的規律納入排放計算,最終獲取到“車輛類型-燃料種類-排放標準-道路類型”4級分類的年均行駛里程.

1.1.3 排放因子模擬 本研究采用《指南》排放因子模型,模擬城市級月度排放因子,公式如下:

式中:BEF為基準排放因子,g/km;、、和分別表示環境修正因子、速度修正因子、劣化修正因子和其它修正因子.基準排放因子可通過《指南》[10]和《城市大氣污染物排放清單編制技術手冊》[26]獲取.

環境修正因子表示地理氣象因素對排放的影響,包括溫度、濕度和海拔,城市級月度氣象數據從《江蘇統計年鑒》獲取[27].

速度修正因子以平均速度作為代用參數刻畫行駛工況對排放的影響.本研究結合實地調查和文獻調研[1,22],設定了不同道路和車輛類型的平均速度(表3).總體而言,快速路的平均速度最高,其次為主干路,支路最低.

直接采用《指南》給出的環境修正因子與速度修正因子會導致模擬結果不連續,本研究引入氣象[28]和速度修正曲線[29]來優化排放因子的模擬效果.

表3 機動車在不同道路類型上的平均行駛速度(km/h)

劣化修正因子反映車輛劣化對排放的影響,關鍵參數為研究年,本研究為2018年.其它修正因子主要描述燃油品質和車輛載重等因素對排放的影響,前者取自《中國移動源環境管理年報》[30],后者采用《指南》推薦值.

1.2 時空分配

高時空分辨率的網格化排放清單,是大氣污染防治和空氣質量模擬的基礎數據.本研究建立的排放清單,時間分辨率為小時,空間分辨率為0.05°× 0.05°.

1.2.1 排放時間分配 基于“月-日-時”三級時間變化系數[24],獲取逐小時的排放狀況.月尺度的時間變化系數根據交通運輸部發布的公路旅客、貨物運輸量[31]計算(圖2),日、小時尺度的時間變化系數基于高德地圖發布的城市交通延時指數[32],結合車流量在不同道路類型上的變化規律[24]計算(表4).

本研究用客、貨運量分別表征載客車(小型客車和大型客車)和載貨車(輕型貨車和重型貨車)活動水平的月變化,將年均行駛里程分配至不同月份,公式如下:

式中:TV表示月度時間變化系數,%;VKT表示月度行駛里程,km/月,用于公式(1)機動車月度排放量的計算.

在月尺度上,貨運量的波動比客運量更明顯,在2月份有一個明顯的低谷,這主要是因為春節期間社會生產活動不活躍.

圖2 江蘇省機動車活動水平月變化

在日尺度上,工作日的機動車活動水平明顯高于非工作日.在小時尺度上,機動車活動水平呈“兩峰一谷”分布,存在早晚交通高峰和午間時段的低谷.基于表4所示的時間變化系數,可進一步提升機動車排放的時間分辨率,獲取逐小時排放量.

1.2.2 排放空間分配 本研究基于分道路類型的排放量,以道路長度和排放強度為代用參數,進行排放的網格化.年排放的空間分配方法主要分為3步.

(1)從OpenStreetMap(https://www.openstreetmap. org/)獲取江蘇省路網信息(圖3),得到快速路、主干路、支路3類道路的分布狀況,借助ArcGIS平臺計算道路長度.

(2)結合分道路類型的排放量與道路長度計算排放強度,公式如下:

式中:EI為排放強度,t/km;為道路長度,km.EI計算需要的分城市、分道路類型排放量E,根據公式(1)計算得到.

表4 江蘇省各城市機動車活動水平日、小時變化系數(%)

圖3 江蘇省道路類型分布

(3)采用ArcGIS平臺將研究區域劃分為0.05°×0.05°空間分辨率的網格,計算每個網格內分道路類型的長度,與排放強度結合求得單個網格的污染物排放量,公式如下:

式中:為網格編號;E表示年度城市網格內污染物的排放量.

至此可獲得機動車年度網格化排放清單.將公式(5)的年排放量E替換為月、日、時排放量,即可以獲取相應時間尺度的網格化排放清單.

2 結果與討論

2.1 省域排放

2018年江蘇省機動車CO、VOCs、NO和PM2.5的排放量分別為84.00,16.68,61.72和2.11萬t(圖4).

從車輛類型來看,CO和VOCs的首要貢獻源為小型客車,分擔率分別為47.5%和56.1%,NO和PM2.5的首要貢獻源為重型貨車,分擔率分別為66.2%和56.4%.小型客車是車隊構成的主體,對污染物排放的平均貢獻為29.8%.大型客車與重型貨車的保有量遠低于小型客車,但對污染物排放的平均貢獻率分別達到了17.4%和40.5%,這體現了構建綠色公交與物流體系的必要性.盡管近年來不少地區摩托車的排放貢獻有所下降[33-34],但江蘇省摩托車對CO和VOCs排放的分擔率仍然達到了8.5%和12.0%,這與較高的摩托車保有量有關.

從燃料種類來看,CO和VOCs主要由汽油車排放,分擔率分別為63.8%和71.4%,這一方面是因為其保有量占主體地位,達到了92.6%,另一方面是因為汽油發動機燃燒效率較低[35].汽油車VOCs排放包括尾氣排放和蒸發排放,二者在江蘇省的分擔率分別為65.0%和35.0%,這與已有研究有較好的一致性[28].柴油車保有量占比僅為6.0%,但對CO、VOCs、NO和PM2.5排放的分擔率分別達到了30.1%, 20.2%,86.2%和85.1%.因此,柴油車減排是機動車污染防治的重點,應統籌實施清潔柴油車(機)、清潔運輸和清潔油品行動.

圖4 江蘇省2018年機動車污染物排放量及其貢獻占比

從排放標準來看,盡管江蘇省實施了嚴格的黃標車淘汰政策[36],但仍然存在1.7%的國1前和2.2%的國1標準車輛,它們對CO和VOCs排放的貢獻分別達到了16.0%和11.4%,說明老舊車淘汰措施仍具有一定的減排空間.國3標準車輛的排放貢獻最為顯著,對CO、VOCs、NO和PM2.5排放的分擔率分別為28.3%,30.0%,39.3%和49.5%,均高于其保有量占比22.0%.國4和國5標準車輛的排放分擔率均值分別為29.1%和17.6%,遠低于保有量占比38.9%和27.5%.機動車排放標準越高,單車排放水平越低,排放貢獻低于保有量占比的現象就越明顯.

從“車輛類型-燃料種類-排放標準”3級分類的機動車排放貢獻來看,國4汽油小型客車對CO和VOCs排放的分擔率最高,依次為12.8%和17.4%,這主要是因為其保有量占比最高,達到了35.8%.國3重型柴油貨車對NO和PM2.5排放的分擔率最高,分別為28.0%和29.1%,對CO和VOCs排放的分擔率也達到了8.8%和8.1%,但其保有量占比僅為1.2%.考慮到這些車輛較高的排放貢獻,江蘇省委、省政府印發的《關于深入打好污染防治攻堅戰的實施意見》提出要基本淘汰國3及以下排放標準柴油貨車[37],此舉將有效削減當地的機動車排放.

從月度變化來看,CO排放的最高與最低點分別出現在8月和1月,對年排放的分擔率依次為8.7%和7.2%(圖5).VOCs排放的最高與最低點分別出現在12月與7月,分擔率依次為9.4%和7.6%.CO和VOCs的排放變化主要由載客車主導,與客運量變化存在較高的相關性.

圖5 江蘇省2018年機動車月度排放量

NO和PM2.5排放的月變化趨勢比較相似,最高點均出現在12月,年排放分擔率分別為11.1%和11.9%,最低點均出現在7月,分擔率分別為6.3%和6.2%.NO和PM2.5排放的月變化主要由載貨車主導.載貨車排放在2月份降幅明顯,這是因為春節期間企業生產不活躍、物流需求較低.

總體來看,冬季機動車排放高于其它季節,主要是由于低溫條件下冷啟動排放的顯著上升[2].已有研究采用自上而下法時,多在年尺度上計算機動車排放,然后根據車流量等代用參數獲取月度排放量.由于2月份天數最少,且存在春節假期,若僅考慮車輛活動水平變化,很可能得到2月份排放量最低的結論[38].而本研究基于月度氣象條件模擬排放因子,可以更細致的反映出溫度、濕度變化對排放的影響.考慮到冬季機動車排放因子的上升,2月份的排放量并非全年最低.由此可見,機動車排放是多因素共同影響的復雜過程,僅考慮單一因素變化,很難準確表征排放變動狀況.

2.2 城市排放

CO和VOCs排放量最高的前6位城市為蘇州、無錫、南京、徐州、南通、常州,合計貢獻率分別為68.9%和69.4%(圖6).NO和PM2.5排放量最高的前6位城市為蘇州、徐州、南京、無錫、連云港、常州,合計貢獻率分別為65.8%和66.6%.蘇州的常住人口數、GDP和機動車保有量全省最高,相應的,機動車排放量也最大,對CO、VOCs、NO和PM2.5的排放貢獻分別為18.6%,19.7%,15.9%和18.0%.

各城市機動車排放結構的共同性與差異性并存.CO的首要貢獻源在省域層面和多數城市為小型客車,但在徐州、連云港、泰州、宿遷為重型貨車,分擔率均值達到了43.2%.各城市VOCs的首要貢獻源均是小型客車,但徐州、連云港的重型貨車,以及無錫的摩托車對VOCs的分擔率均在30%左右.重型貨車在各城市均為NO的首要排放源,分擔率在50.0%～81.6%之間.PM2.5在多數城市的首要貢獻源為重型貨車,但在南京為大型客車,這與當地發達的公交系統有關.不同城市開展機動車污染防治工作時,應因地制宜的選擇政策著力點.

圖6 江蘇省2018年各城市機動車排放量

將機動車排放量與年末常住人口、公路里程、GDP數據相結合,分城市求取人均排放量、道路排放強度與單位GDP排放量,在城市尺度探究3個變量之間的關聯性(圖7).

對CO和VOCs而言,人均排放量和道路排放強度的相關性較為顯著,相關系數高達0.96和0.97,但對NO和PM2.5而言,相關性有所減弱,相關系數分別為0.74和0.84.南京、蘇州、無錫的人均排放量和道路排放強度均相對較高,反映了機動車保有規模龐大帶來的道路擁堵、能耗加劇和污染密集問題.宿遷、連云港的單位GDP排放較高,體現了交通部門對地區經濟的拉動作用.徐州作為全國性綜合交通樞紐[39],載貨車保有量占比達到了9.5%,因此NO的人均排放、道路排放強度和單位GDP排放均相對突出.

機動車排放與主要社會經濟指標存在相關性[40],已有研究曾將人口[15]、第二產業增加值[14]和公路里程[34]等作為排放空間分配的代用參數.但極少有研究系統分析過機動車排放與不同社會經濟指標相關性的差異.為厘清這一問題,本研究將城市尺度的機動車排放量與10種常見的社會經濟指標進行了相關性分析(表5).

若忽視污染物與車輛類型的差異,按照指標相關系數的均值排序,從高到低依次為:GDP、第三產業增加值、第二產業增加值、建成區面積、人口、公路客運量、公路貨運量、公路里程、土地面積、第一產業增加值,相關系數的均值分別為0.77,0.76, 0.75,0.75,0.70,0.63,0.59,-0.02,-0.02,-0.11.總體而言,機動車排放與GDP以及第二、三產業增加值的相關性較為顯著,同時這些指標的可獲得性較好,比較適合作為排放空間分配的代用參數.機動車排放與行政區總面積幾乎沒有相關性,但與建成區面積的相關性較高.人口和路網是兩類常見的空間數據,人口與排放的相關性顯然更高,而公路里程與排放幾乎沒有相關性,這說明僅根據道路長度進行排放空間分配可能會帶來較高的不確定性.

圖7 江蘇省2018年各城市機動車人均排放量、道路排放強度與單位GDP排放量

不同車型、不同污染物的排放量與社會經濟指標的相關性也存在差異.建成區面積與大型客車排放的相關系數最高,達0.95,這是因為公交系統主要在建成區發揮作用.GDP與小型客車排放的相關系數最高,達0.99,說明小型客車擁有量是城市經濟綜合實力的體現.第一產業增加值僅與重型貨車排放的相關性為正,說明農業發達的地區運輸結構往往偏重.公路客運量與載客車排放相關性較高,貨運量與載貨車排放相關性較高,印證了本研究為客貨車輛分別選取月度分配系數的合理性.

CO和VOCs排放與GDP的相關系數較NO和PM2.5排放更高,這與Lang等[4]的研究結論一致.CO和VOCs主要由小型客車排放,若不考慮限購因素的影響,經濟發達的城市小型客車數量往往較多,排放也就更高.NO和PM2.5排放與貨運量的相關系數較CO和VOCs更高,這是因為NO和PM2.5主要由貨車排放.由此可見,不同污染物排放與社會經濟指標相關性的差異,本質上是由排放主導車型的差異所致.因此,機動車排放分配時,應根據車輛類型,而非污染物種類,來選取代用參數.

2.3 時空分布

江蘇省機動車CO、VOCs、NO和PM2.5排放分布存在著明顯的空間異質性(圖8).江蘇省南部的污染物排放分布集中連片,重點城市為南京、無錫和蘇州,中部和北部的分布相對稀疏,但在徐州出現了明顯的排放高值區.

圖8 江蘇省2018年機動車污染物排放空間分布(t/a)

CO和VOCs排放的空間分布特征類似,污染物集中在中心城區,向城市邊緣放射狀延展,排放強度逐漸下降.小型客車作為CO和VOCs排放的主要貢獻源,多行駛在市區或郊區道路上,較少有長途城際行駛,因此排放呈現出了城區集聚、郊區發散的空間特征.NO和PM2.5排放有著較為一致的空間分布規律,二者主要由重型貨車貢獻.與CO和VOCs不同的是,NO和PM2.5排放沿城際快速路呈現出了明顯的條帶狀分布特征,這是因為重型貨車主要用于長途跨城物流.

以典型污染物NO排放最高的月(12月)和日(周一)為例,展示江蘇省機動車排放在兩峰(8:00、17:00)、一谷(12:00)和閑時(0:00)的時空分布狀況(圖9).機動車在0:00、8:00、12:00和17:00的NO排放量為52.39,158.01,100.89和146.33t,分別占全天排放的2.3%、6.8%、4.4%和6.3%.

早晚高峰期間,由于居民通勤,城市地區不僅車流量較大,機動車也會由于擁堵而處于頻繁加減速和怠速工況,兩種因素迭加會顯著推高污染物排放[41].受居民午餐、午休等生活習慣的影響,午間機動車排放會出現局部低值,這種現象在天津[42]、鄭州[15]等地的研究中也有報道.

圖9 江蘇省2018年機動車污染物排放日變化空間分布(kg/h)

已有研究通過自上而下法建立的機動車排放清單,時間分辨率多停留在年尺度上[43],難以滿足空氣質量模型小時尺度的數據輸入需求[44].本研究引入客貨運量與精細氣象數據,將傳統自上而下法中的年尺度計算細化至月尺度,同時結合交通延時指數,得到了小時尺度的網格化排放清單.這套技術方法涉及的數據大多可通過公開渠道獲取,具備較好的可遷移性,輸出結果可以更好的銜接空氣質量模型的數據需求,具有較強的實用價值.

2.4 不確定性

機動車排放清單構建是多級模型耦合、多源數據融合的復雜過程,不可避免的存在不確定性.以下從方法和數據兩個層面分析本研究不確定性的來源和后續改進方向.

從方法來看,排放清單模型是對排放過程的簡化描述,忽略了大量現實細節.本研究采用自上而下法,底層參數是宏觀統計數據,難以精細刻畫某條街道、某個時段的機動車排放狀況,也無法量化車輛跨境帶來的污染轉移.自下而上法的精細度較好,但易受數據可得性制約.未來有必要開發排放清單方法融合技術體系,將自上而下法數據易得、操作易行的優勢,與自下而上法的結果精細、對策精準的優勢結合起來.

從數據來看,排放清單構建過程包含著大量的數據假定.為提升排放計算的時空分辨率,本研究在傳統的自上而下法基礎上引入了一些新數據,可能會帶來不確定性.例如,采用客貨運量和里程權重將年均行駛里程分配至不同月份和不同道路類型,這種方式能否客觀反映車輛活動的時空變化規律,需要更多實際數據驗證.已有研究多關注排放因子,較少討論活動水平,事實上后者也是排放的重要影響因素.未來若能加強對活動水平的研究[45],則可為排放清單發展提供更多有益參考.

為驗證不確定性是否被控制在合理范圍內,將本研究與江蘇省其它研究進行對比(表6).可以發現,無論是在省域還是城市層面,本研究的結果與多數研究有著較好的一致性,但也與個別研究存在著較大差異,原因可歸結為模型方法不同、基礎數據不同或是研究年份不同.后續研究中,應關注方法數據差異對排放清單結果的影響,結合空氣質量模型和實際觀測數據評估排放清單的可靠性.

表6 江蘇省機動車排放量研究對比(萬t)

3 結論

3.1 本研究系統闡述了采用自上而下法建立高時空分辨率機動車排放清單的方法學框架,引入了月度氣象、里程權重、客貨運量、延時指數等參數,提升了自上而下法的時空分辨率,在省級尺度上獲得了0.05°×0.05°、小時分辨率的機動車網格化排放清單.

3.2 2018年,江蘇省機動車CO、VOCs、NO和PM2.5的排放量分別為84.00,16.68,61.72和2.11萬t;CO和VOCs主要由汽油小型客車貢獻,NO和PM2.5主要由柴油重型貨車貢獻,國3及以下標準車輛排放貢獻高于保有量占比;冬季機動車排放高于其它季節.

3.3 機動車排放集中在蘇州、無錫、南京、徐州、南通、連云港和常州,各城市排放結構整體趨同;人均CO和VOCs排放量與道路排放強度的相關性高于NO和PM2.5;排放與GDP以及建成區面積的相關性較為顯著;不同車型排放與社會經濟指標的相關性存在差異.

3.4 機動車排放存在著明顯的空間異質性,在江蘇省南部的分布集中連片,在中部和北部的分布相對稀疏;CO和VOCs排放聚集于中心城區,NO和PM2.5排放呈條帶狀分布;排放日變化存在“兩峰一谷”,主要受居民通勤和生活習慣的影響.

[1] Sun S D, Sun L N, Liu G, et al. Developing a vehicle emission inventory with high temporal-spatial resolution in Tianjin, China [J]. Science of the Total Environment, 2021,776:145873.

[2] Zheng B, Huo H, Zhang Q, et al. High-resolution mapping of vehicle emissions in China in 2008 [J]. Atmospheric Chemistry and Physics, 2014,14(18):9787-9805.

[3] Zou C, Wu L, Wang Y N, et al. Evaluating traffic emission control policies based on large-scale and real-time data: a case study in central China [J]. Science of the Total Environment, 2023,860:160435.

[4] Lang J L, Cheng S Y, Zhou Y, et al. Air pollutant emissions from on-road vehicles in China, 1999-2011 [J]. Science of the Total Environment, 2014,496:1-10.

[5] Jiang P Y, Zhong X, Li L Y. On-road vehicle emission inventory and its spatio-temporal variations in North China Plain [J]. Environmental Pollution, 2020,267:115639.

[6] 李 媛,石嘉誠,陳軍輝,等.2010～2017年四川省機動車污染物排放趨勢分析 [J]. 環境科學, 2021,42(2):643-652. Li Y, Shi J C, Chen J H, et al. Trends in vehicle emissions in Sichuan province, 2010～2017 [J]. Environmental Science, 2021,42(2):643- 652.

[7] Sun S D, Zhao G, Wang T, et al. Past and future trends of vehicle emissions in Tianjin, China, from 2000 to 2030 [J]. Atmospheric Environment, 2019,209:182-191.

[8] Jia T, Li Q, Shi W Z. Estimation and analysis of emissions from on-road vehicles in Mainland China for the period 2011～2015 [J]. Atmospheric Environment, 2018,191:500-512.

[9] 陶雙成,鄧順熙,郝艷召,等.關中城市群道路移動源氣態污染物排放特征 [J]. 中國環境科學, 2019,39(2):542-553. Tao S C, Deng S X, Hao Y Z, et al. Vehicle emission characteristics of gaseous pollutants in Guanzhong urban agglomeration [J]. China Environmental Science, 2019,39(2):542-553.

[10] 生態環境部.關于發布《大氣可吸入顆粒物一次源排放清單編制技術指南(試行)》等5項技術指南的公告 [EB/OL]. http://www. mee.gov.cn/gkml/hbb/bgg/201501/t20150107_293955.htm. Ministry of Ecology and Environment. Announcement on releasing five national technical guidelines of air pollutant emissions inventory [EB/OL]. http://www.mee.gov.cn/gkml/hbb/bgg/201501/t20150107_ 293955.htm.

[11] Liu G, Sun S D, Zou C, et al. Air pollutant emissions from on-road vehicles and their control in Inner Mongolia, China [J]. Energy, 2022,238:121724.

[12] Yan L, Zheng B, Geng G N, et al. Evaporation process dominates vehicular NMVOC emissions in China with enlarged contribution from 1990 to 2016 [J]. Environmental Research Letters, 2021,16(12): 124036.

[13] 李 荔,張 潔,趙秋月,等.基于COPERT模型的江蘇省機動車時空排放特征與分擔率 [J]. 環境科學, 2018,39(9):3976-3986. Li L, Zhang J, Zhao Q Y, et al. Vehicle exhaust emission characteristics and their contributions in Jiangsu province [J]. Environmental Science, 2018,39(9):3976-3986.

[14] 宋翔宇,謝紹東.中國機動車排放清單的建立 [J]. 環境科學, 2006, 27(6):1041-1045. Song X Y, Xie S D. Development of vehicular emission inventory in China [J]. Environmental Science, 2006,27(6):1041-1045.

[15] Gong M M, Yin S S, Gu X K, et al. Refined 2013-based vehicle emission inventory and its spatial and temporal characteristics in Zhengzhou, China [J]. Science of the Total Environment, 2017,599- 600:1149-1159.

[16] Zheng J Y, Che W W, Wang X M, et al. Road-network-based spatial allocation of on-road mobile source emissions in the Pearl River Delta Region, China, and comparisons with population-based approach [J]. Journal of the Air & Waste Management Association, 2012,59(12): 1405-1416.

[17] Li S Y, Lang J L, Zhou Y, et al. Trends in ammonia emissions from light-duty gasoline vehicles in China, 1999～2017 [J]. Science of the Total Environment, 2020,700:134359.

[18] Song H, Deng S X, Lu Z Z, et al. Scenario analysis of vehicular emission abatement procedures in Xi’an, China [J]. Environmental Pollution, 2021,269:116187.

[19] Huo H, Zhang Q, He K B, et al. Vehicle-use intensity in China: Current status and future trend [J]. Energy Policy, 2012,43:6-16.

[20] 侯新紅,于興娜,沈 麗,等.2013～2017年江蘇省人為源氨排放清單的建立及特征 [J]. 環境科學, 2019,40(11):4862-4869. Hou X H, Yu X N, Shen L, et al. Establishment and characteristics of an artificial ammonia emissions inventory in Jiangsu province from 2013 to 2017 [J]. Environmental Science, 2019,40(11):4862-4869.

[21] Yang X F, Liu H, Man H Y, et al. Characterization of road freight transportation and its impact on the national emission inventory in China [J]. Atmospheric Chemistry and Physics, 2015,15(4):2105- 2118.

[22] 孫世達,姜 巍,高衛東.青島市機動車排放清單與空間分布特征 [J]. 中國環境科學, 2017,37(1):49-59. Sun S D, Jiang W, Gao W D, et al. Vehicle emission inventory and spatial distribution in Qingdao [J]. China Environmental Science, 2017, 37(1):49-59.

[23] 南京市公安局.關于優化南京市主城區貨車通行管理政策的通告 [EB/OL]. http://gaj.nanjing.gov.cn/njsgaj/202112/t20211202_3217723.html. Nanjing Municipal Public Security Bureau. Announcement on optimizing the management policy of truck traffic in the main urban areas in Nanjing [EB/OL]. http://gaj.nanjing.gov.cn/njsgaj/202112/ t20211202_3217723.html.

[24] 孫世達,金嘉欣,呂建華,等.基于精細化年均行駛里程建立機動車排放清單 [J]. 中國環境科學, 2020,40(5):2018-2029. Sun S D, Jin J X, Lv J H, et al. Developing vehicle emission inventory based on refined annual average vehicle kilometers travelled [J]. China Environmental Science, 2020,40(5):2018-2029.

[25] 王計廣,桂華僑,陳金潮,等.唐山市機動車排放清單與減排經濟效益研究 [J]. 中國環境科學, 2021,41(11):5114-5124. Wang J G, Gui H Q, Chen J C, et al. Vehicle emission inventory and economic benefits of emission reduction in Tangshan [J]. China Environmental Science, 2021,41(11):5114-5124.

[26] 賀克斌,王書肖,張 強,等. 城市大氣污染物排放清單編制技術手冊 [R]. 2017. He K B, Wang S X, Zhang Q, et al. Technical manual for developing urban air pollutant emission inventory [R]. 2017.

[27] 江蘇省統計局.江蘇統計年鑒 [M]. 北京:中國統計出版社, 2019. Jiangsu Provincial Bureau of Statistics. Jiangsu statistical yearbook [M]. Beijing: China Statistics Press, 2019.

[28] 孫露娜,仲崇智,孫世達,等.2000～2020年天津市機動車全過程VOCs排放特征及演變 [J]. 環境科學, 2023,44(3):1346-1356. Sun L N, Zhong C Z, Sun S D, et al. Evolution and characteristics of full-process vehicular VOC emissions in Tianjin from 2000 to 2020 [J]. Environmental Science, 2023,44(3):1346-1356.

[29] Sun S D, Jin J X, Xia M, et al. Vehicle emissions in a middle-sized city of China: Current status and future trends [J]. Environment International, 2020,137:105514.

[30] 生態環境部.中國移動源環境管理年報 [EB/OL]. https://www.mee. gov.cn/hjzl/sthjzk/ydyhjgl/202109/t20210910_920787.shtml. Ministry of Ecology and Environment. China mobile source environmental management annual report [EB/OL]. https://www. mee.gov.cn/hjzl/sthjzk/ydyhjgl/202109/t20210910_920787.shtml.

[31] 交通運輸部.交通運輸部統計數據 [EB/OL]. https://www.mot. gov.cn/tongjishuju/gonglu/. Ministry of Transport. Statistics from the Ministry of Transport [EB/OL]. https://www.mot.gov.cn/tongjishuju/gonglu/.

[32] 高德地圖.中國主要城市交通分析報告 [EB/OL]. https://report. amap.com/. Auto Navi Map. Traffic analysis report of major cities in China [EB/OL]. https://report.amap.com/.

[33] 范武波,陳軍輝,馬 冬,等.2010～2019年成都市機動車排污特征分析及防控措施減排效果評估 [J]. 環境工程學報, 2021,15(2):657- 668. Fan W B, Chen J H, Ma D, et al. Characteristics of emissions from vehicles in Chengdu from 2010 to 2019 and evaluation of effectiveness of prevention and control measures [J]. Chinese Journal of Environmental Engineering, 2021,15(2):657-668.

[34] Sun S D, Jiang W, Gao W D. Vehicle emission trends and spatial distribution in Shandong province, China, from 2000 to 2014 [J]. Atmospheric Environment, 2016,147:190-199.

[35] 沈 巖,武彤冉,閆 靜,等.基于COPERT模型北京市機動車大氣污染物和二氧化碳排放研究 [J]. 環境工程技術學報, 2021,11(6): 1075-1082. Shen Y, Wu T R, Yan J, et al. Investigation on air pollutants and carbon dioxide emissions from motor vehicles in Beijing based on COPERT model [J]. Journal of Environmental Engineering Technology, 2021, 11(6):1075-1082.

[36] 新華日報.江蘇省下達淘汰黃標車分解任務 [EB/OL]. http://www. gov.cn/xinwen/2016-10/26/content_5124525.htm. Xinhua Daily. Jiangsu province issued a breakdown of tasks to phase out yellow labelled vehicles [EB/OL]. http://www.gov.cn/xinwen/ 2016-10/26/content_5124525.htm.

[37] 新華日報.省委省政府印發《關于深入打好污染防治攻堅戰的實施意見》江蘇亮出綠色發展“路線圖” [EB/OL]. http://www. jiangsu.gov.cn/art/2022/4/17/art_64752_10417458.html?gqnahi=affiy2. Xinhua Daily. Jiangsu province released the "implementation opinions on deepening the battle against pollution prevention and control" showing the "roadmap" for green development [EB/OL]. http://www.jiangsu.gov.cn/art/2022/4/17/art_64752_10417458.html?gqnahi=affiy2.

[38] 劉 庚,孫世達,孫露娜,等.天津市2017年移動源高時空分辨率排放清單 [J]. 環境科學, 2020,41(10):4470-4481. Liu G, Sun S D, Sun L N, et al. Mobile source emission inventory with high spatiotemporal resolution in Tianjin in 2017 [J]. Environmental Science, 2020,41(10):4470-4481.

[39] 國家發展和改革委員會.國家發展改革委關于印發促進綜合交通樞紐發展的指導意見的通知 [EB/OL]. https://www.ndrc.gov.cn/fggz/ zcssfz/zcgh/201304/t20130402_1145676.html?state=123&code=&state=123. National Development and Reform Commission. Circular of the National Development and Reform Commission on the issuance of guiding opinions on developing comprehensive transportation hubs [EB/OL]. https://www.ndrc.gov.cn/fggz/zcssfz/zcgh/201304/t20130402_1145676.html?state=123&code=&state=123.

[40] 郝永佩,宋曉偉,張克新,等.成渝城市群機動車污染特征及減排分析 [J]. 生態環境學報, 2020,29(8):1581-1591. Hao Y P, Song X W, Zhang K X, et al. Analysis on the vehicular pollution characteristics and emission reduction in the Chengdu- Chongqing urban agglomeration [J]. Environmental Science, 2020, 29(8):1581-1591.

[41] Zhang S J, Niu T L, Wu Y, et al. Fine-grained vehicle emission management using intelligent transportation system data [J]. Environmental Pollution, 2018,241:1027-1037.

[42] 張 意,吳 琳,毛洪鈞,等.天津市機動車污染物排放清單及控制對策研究 [J]. 南開大學學報(自然科學版), 2017,50(1):90-96. Zhang Y, Wu L, Mao H J, et al. Research on vehicle emission inventory and its management strategies in Tianjin [J]. Acta Scientiarum Naturalium Universitatis Nankaiensis, 2017,50(1):90-96.

[43] 金嘉欣,孫世達,王 芃,等.遼寧省2000～2030年機動車排放清單及情景分析 [J]. 環境科學, 2020,41(2):665-673. Jin J X, Sun S D, Wang P, et al. Vehicle emission inventory and scenario analysis in Liaoning from 2000 to 2030 [J]. Environmental Science, 2020,41(2):665-673.

[44] Li M, Liu H, Geng G N, et al. Anthropogenic emission inventories in China: a review [J]. National Science Review, 2017,4(6):834-866.

[45] 馬 冬,高 雋,劉 敏,等.基于大數據的典型城市輕型客車行駛里程特征研究 [J]. 交通節能與環保, 2021,17(6):20-26. Ma D, Gao J, Liu M, et al. Study on the characteristics of light duty vehicle kilometers traveled in typical cities based on big data analysis [J]. Transport Energy Conservation & Environmental Protection, 2021,17(6):20-26.

[46] Luo Z Y, Wang Y, Lv Z F, et al. Impacts of vehicle emission on air quality and human health in China [J]. Science of the Total Environment, 2022,813:152655.

[47] 徐 倩.基于城市交通特征的中國機動車排放清單建立 [D]. 廣州:暨南大學, 2020. Xu Q. The establishment of China's vehicle emission inventory based on urban traffic characteristics [D]. Guangzhou: Jinan University, 2020.

[48] 王荊玲.長三角機動車污染排放特征及控制政策評價研究 [D]. 杭州:浙江大學, 2018. Wang J L. Study and evaluation on pollution characteristics and control policies of motor vehicles in the Yangtze River Delta region [D]. Hangzhou: Zhejiang University, 2018.

[49] 謝軼嵩,楊 峰.南京市移動源排放清單建立研究 [J]. 安徽農學通報, 2017,23(10):98-101,141. Xie Y S, Yang F. Establishment study on emission inventory of mobile source in Nanjing city [J]. Anhui Agricultural Science Bulletin, 2017,23(10):98-101,141.

[50] Hao Y P, Song X W. Research on trends and spatial distribution of vehicular emissions and its control measure assessment in the Yangtze River Delta, China, for 1999～2015 [J]. Environmental Science and Pollution Research, 2018,25(36):36503-36517.

[51] 程 鐘,章建寧,周 俊,等.常州市大氣污染物排放清單及分布特征 [J]. 環境監測管理與技術, 2016,28(3):24-28. Cheng Z, Zhang J N, Zhou J, et al. Air pollutant emission inventory and distribution characteristics in Changzhou [J]. The Administration and Technique of Environmental Monitoring, 2016,28(3):24-28.

Development and characteristics of vehicle emission inventory with high spatiotemporal resolution in Jiangsu Province.

SUN Shi-da1, WANG Bo2, SUN Lu-na3, HUANG Xu4, WANG Xing-xing5, ZHANG Shi-da5, BO Yu1,6*

(1.Ministry of Education Key Laboratory for Earth System Modeling, Department of Earth System Science, Tsinghua University, Beijing 100084, China；2.Baotou Ecological Environment Bureau, Baotou 014060, China; 3.Tianjin Key Laboratory of Urban Transport Emission Research, College of Environmental Science and Engineering, Nankai University, Tianjin 300071, China；4.School of Geography, Nanjing Normal University, Nanjing 210023, China；5.Nanjing Tiandi Environment Research Institute, Nanjing 210003, China；6.Environment Research for Temperate East Asia, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China)., 2023,43(9)：4490～4502

In this study, the traditional methodological framework was systematically optimized by considering month-by-month emission calculation, mileage weighting, and traffic data integration to address the low spatiotemporal resolution associated with the top-down method of establishing vehicle emission inventory. Based on this, the vehicle emission inventory in Jiangsu Province in 2018 was developed, and the structural level characteristics, socio-economic correlation, and spatiotemporal distribution of emissions were analyzed. Vehicle emissions of CO, VOCs, NO, and PM2.5in Jiangsu Province were 839.97, 166.80, 617.16, and 21.15kt, respectively, in 2018. CO and VOCs were mainly contributed by gasoline cars, while NOand PM2.5were mainly contributed by heavy-duty diesel trucks. Higher emission contribution was exhibited by vehicles that met China 3 (or below) standard than their vehicle population shares, and vehicle emissions in winter were higher than in other seasons. At the city level, vehicle emissions were concentrated in Suzhou, Wuxi, Nanjing, Xuzhou, Nantong, Lianyungang, and Changzhou, and the correlation between CO and VOC emissions per capita and road emissions intensity was higher than that of NOand PM2.5. Vehicle emissions were highly correlated with GDP and the size of the built-up area. Vehicle CO and VOC emissions were concentrated in the urban area, while NOand PM2.5emissions were distributed in strips. Additionally, the "two peaks and one valley" characteristic was demonstrated by the temporal profile of daily emissions.

vehicle emissions；air pollutants；emission inventory；high spatiotemporal resolution；Jiangsu Province

X511

A

1000-6923(2023)09-4490-13

孫世達(1991-),男,山東菏澤人,助理研究員,主要從事機動車污染防治研究.發表論文20余篇.Sunshida@126.com.

孫世達,王 博,孫露娜,等.江蘇省高時空分辨率機動車排放清單構建及特征 [J]. 中國環境科學, 2023,43(9):4490-4502.

Sun S D, Wang B, Sun L N, et al. Development and characteristics of vehicle emission inventory with high spatiotemporal resolution in Jiangsu Province [J]. China Environmental Science, 2023,43(9):4490-4502.

2023-01-29

高分辨率對地觀測系統重大專項(30-Y60B01-9003-22/23);國家重點研發計劃項目(2022YFC3700600);黃河流域生態保護和高質量發展聯合研究一期項目(2022-YRUC-01-0406);江蘇省雙創博士基金資助項目(2020-30489)

* 責任作者, 高級工程師, boyu@mail.iap.ac.cn