江苏省高时空分辨率机动车排放清单构建及特征

孙世达,王 博,孙露娜,黄 旭,王星星,张世达,薄 宇,6*

江苏省高时空分辨率机动车排放清单构建及特征

孙世达1,王 博2,孙露娜3,黄 旭4,王星星5,张世达5,薄 宇1,6*

(1.清华大学地球系统科学系,地球系统数值模拟教育部重点实验室,北京 100084；2.包头市生态环境局,内蒙古 包头 014060；3.南开大学环境科学与工程学院,天津市城市交通污染防治研究重点实验室,天津 300071；4.南京师范大学地理科学学院,江苏 南京 210023；5.南京天地环境污染防治研究院,江苏 南京 210003；6.中国科学院大气物理研究所,东亚区域气候-环境重点实验室, 北京 100029)

针对自上而下法建立的机动车排放清单时空分辨率偏低的问题,从月度排放计算、行驶里程权重、交通数据融合等方面系统优化了传统的方法学框架,据此建立了2018年江苏省机动车排放清单,分析了排放的结构层次特征、社会经济关联和时空分布规律.结果表明,2018年江苏省机动车CO、VOCs、NO和PM2.5的排放量分别为84.00,16.68,61.72和2.11万t.CO和VOCs主要由汽油小型客车贡献,NO和PM2.5主要由柴油重型货车贡献,国3及以下标准车辆排放贡献高于其保有量占比,冬季机动车排放高于其它季节.在城市尺度上,机动车排放集中在苏州、无锡、南京、徐州、南通、连云港和常州,机动车人均CO和VOCs排放量与道路排放强度的相关性高于NO和PM2.5,机动车排放与城市GDP以及建成区面积的相关性较为显著.机动车CO和VOCs排放聚集于中心城区,NO和PM2.5排放呈条带状分布,排放日变化存在着“两峰一谷”的特征.

机动车排放；大气污染物；排放清单；高时空分辨率；江苏省

机动车排放清单是大气污染防治的基础依据,其建立方法主要有自上而下法与自下而上法[1].自下而上法具有较高的时空分辨率,但是对数据的详实性与可靠性要求较高[2],通常只应用于城市乃至城区尺度[3].自上而下法基于宏观统计数据计算,具有适用性强、灵活性好、迁移性佳等诸多优点,可应用于国家[4]、区域[5]、省份[6]、城市[7]多级空间尺度.然而,自上而下法排放清单的时空分辨率往往偏低.如何将自上而下法的普适性与自下而上法的精细性相结合,在较大空间尺度上建立高时空分辨率机动车排放清单,是当前亟待解决的科学问题.

近年来,自上而下法的相关研究在模型算法、时空解析、结果应用等多个方面不断深入.从模型选取来看,早年的研究多采用COPERT[8]、MOVES[9]等国外模型分析国内机动车排放状况,模型的本土适用性存在问题.生态环境部发布的《道路机动车大气污染物排放清单编制技术指南(试行)》(以下简称《指南》)给出了本土化的排放清单构建方法与基础数据[10],目前在多区域、多尺度上得到了广泛应用.在时间分辨率方面,传统自上而下法排放清单报告的是年度排放量[11],但近来有研究开始建立机动车月度排放清单[12],引入月、周、日尺度的精细交通数据提升排放的时间分辨率[13].在空间分辨率方面,排放清单网格化方法不断优化改进,早期的空间分配代用参数采用经济数据[14]、人口数据[15],后来逐渐开发出标准道路长度[16]、行驶里程权重[2]等方法,有效提升了排放清单的空间分辨率.除用于排放特征分析和空气质量模型输入外,还有研究关注机动车排放与社会经济发展的关联性[17],这进一步拓宽了排放清单的应用范畴.

尽管自上而下法的相关研究在模型方法、时空分配和结果应用等方面提出了诸多改进,但这些成果相对分散,亟待被梳理整合成一套相对完整的技术体系.本研究系统阐述了采用自上而下法建立高时空分辨率机动车排放清单的方法学框架,耦合了月度排放计算、里程时空划分、排放因子模拟、网格排放分配等多个层级的模型,并将此方法应用在江苏省这一社会经济发达、机动车污染严重[13]的典型省份,建立了江苏省2018年0.05°×0.05°、小时分辨率的机动车网格化排放清单,分析了排放的多层次精细结构,讨论了城市尺度的排放特征及其与社会经济的关联性,探究了排放的时空分布规律.本研究阐述的机动车高时空分辨率排放清单构建方案,可以为相关领域的研究者提供方法学借鉴,所建立的江苏省机动车排放清单,可为当地及类似区域的机动车污染防治工作提供决策参考.

1 材料与方法

1.1 排放计算

本研究采用的机动车排放计算公式如下:

式中:表示污染物排放量,t;表示污染物类型,包括CO、VOCs、NO和PM2.5;表示研究年,本研究中为2018年;表示月份,为全年1～12月;表示城市,包括江苏省13个地级市,即南京、无锡、徐州、常州、苏州、南通、连云港、淮安、盐城、扬州、镇江、泰州和宿迁;表示车辆类型,为便于分析和展示,本研究参考李荔等[13]提出的转化方法将统计资料中常见的10类车型合并为小型客车、大型客车、轻型货车、重型货车和摩托车5类(表1);表示燃料种类,分为汽油、柴油、其它(压缩天然气、液化天然气和液化石油气等)共3类;表示排放标准,涵盖了国1前、国1、国2、国3、国4、国5共6个阶段;表示道路类型,分为快速路、主干路和支路共3类;VP、VKT和EF分别表示机动车保有量、年均行驶里程和排放因子,单位分别为辆、km/a和g/km.

本研究从时间和空间两个层面提升了自上而下法的精细度.在时间上,根据客货运量将机动车的年活动水平划分至月度,同时结合不同月份的气象条件模拟排放因子,得到机动车月度排放量.在空间上,根据不同车型的行驶规律,将机动车活动水平分配至不同道路类型,同时考虑了行驶工况对排放因子的影响.

1.1.1 机动车保有量 统计年鉴作为最常用的数据源[7],可以给出准确的分车辆类型保有量,但通常不包含燃料种类和排放标准的信息,这会增加排放清单的不确定性.本研究基于生态环境部门提供的江苏省城市级机动车注册数据库,提取到了“车辆类型-燃料种类-排放标准”3级分类的机动车详细保有量,提升了数据的精细度和准确性.

2018年,江苏省机动车保有量为1982.58万辆(图1).苏州、南京、无锡的机动车保有量位居全省前三,分别为412.55,266.22,229.03万辆,合计占全省总量的45.8%.全省小型客车的保有量占比达到了83.1%,远高于其它车型.机动车保有结构与社会经济状况有一定关联.南京、苏州、常州的小型客车保有量占比均值为90.4%,这与三地较高的富裕程度有关.小型客车拥有量受人均收入水平的影响[18],如不考虑限购政策,富裕地区的小型客车拥有量往往较高.徐州作为典型工业城市,重型货车保有量占比为5.4%,显著高于全省平均水平2.7%.

图1 2018年江苏省各城市机动车保有量

1.1.2 年均行驶里程 年均行驶里程受社会经济、交通结构、地理环境等多重因素的影响[19].根据实际调研结果设定本地化年均行驶里程,可以提升计算结果的准确性.与保有量不同,我国多数地区并没有官方公布的年均行驶里程值,因此该数据的获取有一定难度.部分研究设定年均行驶里程时,采用《指南》推荐值[6]或其它研究的调研结果[20],这会给排放计算带来不确定性.本研究分别在商超停车场、公交公司、公路收费站向小型客车、大型客车、货车发放调查问卷,搜集行驶里程信息,同时从江苏省生态环境部门获取本地化的行驶里程资料.基于问卷调查与部门走访,江苏省小型客车、大型客车、轻型货车、重型货车和摩托车的年均行驶里程分别设定为12162,91590,37149,79837和7303km.

不同车辆类型的行驶行为存在差异.例如,小型客车多行驶在城区道路上,重型货车多行驶在城郊快速路上.为表征这种差异,本研究引入里程权重参数将年均行驶里程分配至不同道路类型,公式如下:

式中:MW表示里程权重,%.本研究通过文献调研[2,21-22],设定各车型的里程权重(表2).

小型客车和大型客车主要行驶于市区,因此在支路上里程权重较高.轻型货车与重型货车受到限行政策的影响[23],主要行驶在城际公路上,因此在快速路上里程权重较高.

表2 机动车在不同类型道路上的里程权重(%)

机动车行驶里程与车龄负相关,新车里程较高,旧车较低[24].这一方面是因为随着车龄增长,机动车的使用强度逐渐下降;另一方面是因为受环保政策影响,旧车的行驶范围受限.本研究引入“里程-车龄”曲线[1,24-25],将里程随车龄衰减的规律纳入排放计算,最终获取到“车辆类型-燃料种类-排放标准-道路类型”4级分类的年均行驶里程.

1.1.3 排放因子模拟 本研究采用《指南》排放因子模型,模拟城市级月度排放因子,公式如下:

式中:BEF为基准排放因子,g/km;、、和分别表示环境修正因子、速度修正因子、劣化修正因子和其它修正因子.基准排放因子可通过《指南》[10]和《城市大气污染物排放清单编制技术手册》[26]获取.

环境修正因子表示地理气象因素对排放的影响,包括温度、湿度和海拔,城市级月度气象数据从《江苏统计年鉴》获取[27].

速度修正因子以平均速度作为代用参数刻画行驶工况对排放的影响.本研究结合实地调查和文献调研[1,22],设定了不同道路和车辆类型的平均速度(表3).总体而言,快速路的平均速度最高,其次为主干路,支路最低.

直接采用《指南》给出的环境修正因子与速度修正因子会导致模拟结果不连续,本研究引入气象[28]和速度修正曲线[29]来优化排放因子的模拟效果.

表3 机动车在不同道路类型上的平均行驶速度(km/h)

劣化修正因子反映车辆劣化对排放的影响,关键参数为研究年,本研究为2018年.其它修正因子主要描述燃油品质和车辆载重等因素对排放的影响,前者取自《中国移动源环境管理年报》[30],后者采用《指南》推荐值.

1.2 时空分配

高时空分辨率的网格化排放清单,是大气污染防治和空气质量模拟的基础数据.本研究建立的排放清单,时间分辨率为小时,空间分辨率为0.05°× 0.05°.

1.2.1 排放时间分配 基于“月-日-时”三级时间变化系数[24],获取逐小时的排放状况.月尺度的时间变化系数根据交通运输部发布的公路旅客、货物运输量[31]计算(图2),日、小时尺度的时间变化系数基于高德地图发布的城市交通延时指数[32],结合车流量在不同道路类型上的变化规律[24]计算(表4).

本研究用客、货运量分别表征载客车(小型客车和大型客车)和载货车(轻型货车和重型货车)活动水平的月变化,将年均行驶里程分配至不同月份,公式如下:

式中:TV表示月度时间变化系数,%;VKT表示月度行驶里程,km/月,用于公式(1)机动车月度排放量的计算.

在月尺度上,货运量的波动比客运量更明显,在2月份有一个明显的低谷,这主要是因为春节期间社会生产活动不活跃.

图2 江苏省机动车活动水平月变化

在日尺度上,工作日的机动车活动水平明显高于非工作日.在小时尺度上,机动车活动水平呈“两峰一谷”分布,存在早晚交通高峰和午间时段的低谷.基于表4所示的时间变化系数,可进一步提升机动车排放的时间分辨率,获取逐小时排放量.

1.2.2 排放空间分配 本研究基于分道路类型的排放量,以道路长度和排放强度为代用参数,进行排放的网格化.年排放的空间分配方法主要分为3步.

(1)从OpenStreetMap(https://www.openstreetmap. org/)获取江苏省路网信息(图3),得到快速路、主干路、支路3类道路的分布状况,借助ArcGIS平台计算道路长度.

(2)结合分道路类型的排放量与道路长度计算排放强度,公式如下:

式中:EI为排放强度,t/km;为道路长度,km.EI计算需要的分城市、分道路类型排放量E,根据公式(1)计算得到.

表4 江苏省各城市机动车活动水平日、小时变化系数(%)

图3 江苏省道路类型分布

(3)采用ArcGIS平台将研究区域划分为0.05°×0.05°空间分辨率的网格,计算每个网格内分道路类型的长度,与排放强度结合求得单个网格的污染物排放量,公式如下:

式中:为网格编号;E表示年度城市网格内污染物的排放量.

至此可获得机动车年度网格化排放清单.将公式(5)的年排放量E替换为月、日、时排放量,即可以获取相应时间尺度的网格化排放清单.

2 结果与讨论

2.1 省域排放

2018年江苏省机动车CO、VOCs、NO和PM2.5的排放量分别为84.00,16.68,61.72和2.11万t(图4).

从车辆类型来看,CO和VOCs的首要贡献源为小型客车,分担率分别为47.5%和56.1%,NO和PM2.5的首要贡献源为重型货车,分担率分别为66.2%和56.4%.小型客车是车队构成的主体,对污染物排放的平均贡献为29.8%.大型客车与重型货车的保有量远低于小型客车,但对污染物排放的平均贡献率分别达到了17.4%和40.5%,这体现了构建绿色公交与物流体系的必要性.尽管近年来不少地区摩托车的排放贡献有所下降[33-34],但江苏省摩托车对CO和VOCs排放的分担率仍然达到了8.5%和12.0%,这与较高的摩托车保有量有关.

从燃料种类来看,CO和VOCs主要由汽油车排放,分担率分别为63.8%和71.4%,这一方面是因为其保有量占主体地位,达到了92.6%,另一方面是因为汽油发动机燃烧效率较低[35].汽油车VOCs排放包括尾气排放和蒸发排放,二者在江苏省的分担率分别为65.0%和35.0%,这与已有研究有较好的一致性[28].柴油车保有量占比仅为6.0%,但对CO、VOCs、NO和PM2.5排放的分担率分别达到了30.1%, 20.2%,86.2%和85.1%.因此,柴油车减排是机动车污染防治的重点,应统筹实施清洁柴油车(机)、清洁运输和清洁油品行动.

图4 江苏省2018年机动车污染物排放量及其贡献占比

从排放标准来看,尽管江苏省实施了严格的黄标车淘汰政策[36],但仍然存在1.7%的国1前和2.2%的国1标准车辆,它们对CO和VOCs排放的贡献分别达到了16.0%和11.4%,说明老旧车淘汰措施仍具有一定的减排空间.国3标准车辆的排放贡献最为显著,对CO、VOCs、NO和PM2.5排放的分担率分别为28.3%,30.0%,39.3%和49.5%,均高于其保有量占比22.0%.国4和国5标准车辆的排放分担率均值分别为29.1%和17.6%,远低于保有量占比38.9%和27.5%.机动车排放标准越高,单车排放水平越低,排放贡献低于保有量占比的现象就越明显.

从“车辆类型-燃料种类-排放标准”3级分类的机动车排放贡献来看,国4汽油小型客车对CO和VOCs排放的分担率最高,依次为12.8%和17.4%,这主要是因为其保有量占比最高,达到了35.8%.国3重型柴油货车对NO和PM2.5排放的分担率最高,分别为28.0%和29.1%,对CO和VOCs排放的分担率也达到了8.8%和8.1%,但其保有量占比仅为1.2%.考虑到这些车辆较高的排放贡献,江苏省委、省政府印发的《关于深入打好污染防治攻坚战的实施意见》提出要基本淘汰国3及以下排放标准柴油货车[37],此举将有效削减当地的机动车排放.

从月度变化来看,CO排放的最高与最低点分别出现在8月和1月,对年排放的分担率依次为8.7%和7.2%(图5).VOCs排放的最高与最低点分别出现在12月与7月,分担率依次为9.4%和7.6%.CO和VOCs的排放变化主要由载客车主导,与客运量变化存在较高的相关性.

图5 江苏省2018年机动车月度排放量

NO和PM2.5排放的月变化趋势比较相似,最高点均出现在12月,年排放分担率分别为11.1%和11.9%,最低点均出现在7月,分担率分别为6.3%和6.2%.NO和PM2.5排放的月变化主要由载货车主导.载货车排放在2月份降幅明显,这是因为春节期间企业生产不活跃、物流需求较低.

总体来看,冬季机动车排放高于其它季节,主要是由于低温条件下冷启动排放的显著上升[2].已有研究采用自上而下法时,多在年尺度上计算机动车排放,然后根据车流量等代用参数获取月度排放量.由于2月份天数最少,且存在春节假期,若仅考虑车辆活动水平变化,很可能得到2月份排放量最低的结论[38].而本研究基于月度气象条件模拟排放因子,可以更细致的反映出温度、湿度变化对排放的影响.考虑到冬季机动车排放因子的上升,2月份的排放量并非全年最低.由此可见,机动车排放是多因素共同影响的复杂过程,仅考虑单一因素变化,很难准确表征排放变动状况.

2.2 城市排放

CO和VOCs排放量最高的前6位城市为苏州、无锡、南京、徐州、南通、常州,合计贡献率分别为68.9%和69.4%(图6).NO和PM2.5排放量最高的前6位城市为苏州、徐州、南京、无锡、连云港、常州,合计贡献率分别为65.8%和66.6%.苏州的常住人口数、GDP和机动车保有量全省最高,相应的,机动车排放量也最大,对CO、VOCs、NO和PM2.5的排放贡献分别为18.6%,19.7%,15.9%和18.0%.

各城市机动车排放结构的共同性与差异性并存.CO的首要贡献源在省域层面和多数城市为小型客车,但在徐州、连云港、泰州、宿迁为重型货车,分担率均值达到了43.2%.各城市VOCs的首要贡献源均是小型客车,但徐州、连云港的重型货车,以及无锡的摩托车对VOCs的分担率均在30%左右.重型货车在各城市均为NO的首要排放源,分担率在50.0%～81.6%之间.PM2.5在多数城市的首要贡献源为重型货车,但在南京为大型客车,这与当地发达的公交系统有关.不同城市开展机动车污染防治工作时,应因地制宜的选择政策着力点.

图6 江苏省2018年各城市机动车排放量

将机动车排放量与年末常住人口、公路里程、GDP数据相结合,分城市求取人均排放量、道路排放强度与单位GDP排放量,在城市尺度探究3个变量之间的关联性(图7).

对CO和VOCs而言,人均排放量和道路排放强度的相关性较为显著,相关系数高达0.96和0.97,但对NO和PM2.5而言,相关性有所减弱,相关系数分别为0.74和0.84.南京、苏州、无锡的人均排放量和道路排放强度均相对较高,反映了机动车保有规模庞大带来的道路拥堵、能耗加剧和污染密集问题.宿迁、连云港的单位GDP排放较高,体现了交通部门对地区经济的拉动作用.徐州作为全国性综合交通枢纽[39],载货车保有量占比达到了9.5%,因此NO的人均排放、道路排放强度和单位GDP排放均相对突出.

机动车排放与主要社会经济指标存在相关性[40],已有研究曾将人口[15]、第二产业增加值[14]和公路里程[34]等作为排放空间分配的代用参数.但极少有研究系统分析过机动车排放与不同社会经济指标相关性的差异.为厘清这一问题,本研究将城市尺度的机动车排放量与10种常见的社会经济指标进行了相关性分析(表5).

若忽视污染物与车辆类型的差异,按照指标相关系数的均值排序,从高到低依次为:GDP、第三产业增加值、第二产业增加值、建成区面积、人口、公路客运量、公路货运量、公路里程、土地面积、第一产业增加值,相关系数的均值分别为0.77,0.76, 0.75,0.75,0.70,0.63,0.59,-0.02,-0.02,-0.11.总体而言,机动车排放与GDP以及第二、三产业增加值的相关性较为显著,同时这些指标的可获得性较好,比较适合作为排放空间分配的代用参数.机动车排放与行政区总面积几乎没有相关性,但与建成区面积的相关性较高.人口和路网是两类常见的空间数据,人口与排放的相关性显然更高,而公路里程与排放几乎没有相关性,这说明仅根据道路长度进行排放空间分配可能会带来较高的不确定性.

图7 江苏省2018年各城市机动车人均排放量、道路排放强度与单位GDP排放量

不同车型、不同污染物的排放量与社会经济指标的相关性也存在差异.建成区面积与大型客车排放的相关系数最高,达0.95,这是因为公交系统主要在建成区发挥作用.GDP与小型客车排放的相关系数最高,达0.99,说明小型客车拥有量是城市经济综合实力的体现.第一产业增加值仅与重型货车排放的相关性为正,说明农业发达的地区运输结构往往偏重.公路客运量与载客车排放相关性较高,货运量与载货车排放相关性较高,印证了本研究为客货车辆分别选取月度分配系数的合理性.

CO和VOCs排放与GDP的相关系数较NO和PM2.5排放更高,这与Lang等[4]的研究结论一致.CO和VOCs主要由小型客车排放,若不考虑限购因素的影响,经济发达的城市小型客车数量往往较多,排放也就更高.NO和PM2.5排放与货运量的相关系数较CO和VOCs更高,这是因为NO和PM2.5主要由货车排放.由此可见,不同污染物排放与社会经济指标相关性的差异,本质上是由排放主导车型的差异所致.因此,机动车排放分配时,应根据车辆类型,而非污染物种类,来选取代用参数.

2.3 时空分布

江苏省机动车CO、VOCs、NO和PM2.5排放分布存在着明显的空间异质性(图8).江苏省南部的污染物排放分布集中连片,重点城市为南京、无锡和苏州,中部和北部的分布相对稀疏,但在徐州出现了明显的排放高值区.

图8 江苏省2018年机动车污染物排放空间分布(t/a)

CO和VOCs排放的空间分布特征类似,污染物集中在中心城区,向城市边缘放射状延展,排放强度逐渐下降.小型客车作为CO和VOCs排放的主要贡献源,多行驶在市区或郊区道路上,较少有长途城际行驶,因此排放呈现出了城区集聚、郊区发散的空间特征.NO和PM2.5排放有着较为一致的空间分布规律,二者主要由重型货车贡献.与CO和VOCs不同的是,NO和PM2.5排放沿城际快速路呈现出了明显的条带状分布特征,这是因为重型货车主要用于长途跨城物流.

以典型污染物NO排放最高的月(12月)和日(周一)为例,展示江苏省机动车排放在两峰(8:00、17:00)、一谷(12:00)和闲时(0:00)的时空分布状况(图9).机动车在0:00、8:00、12:00和17:00的NO排放量为52.39,158.01,100.89和146.33t,分别占全天排放的2.3%、6.8%、4.4%和6.3%.

早晚高峰期间,由于居民通勤,城市地区不仅车流量较大,机动车也会由于拥堵而处于频繁加减速和怠速工况,两种因素迭加会显著推高污染物排放[41].受居民午餐、午休等生活习惯的影响,午间机动车排放会出现局部低值,这种现象在天津[42]、郑州[15]等地的研究中也有报道.

图9 江苏省2018年机动车污染物排放日变化空间分布(kg/h)

已有研究通过自上而下法建立的机动车排放清单,时间分辨率多停留在年尺度上[43],难以满足空气质量模型小时尺度的数据输入需求[44].本研究引入客货运量与精细气象数据,将传统自上而下法中的年尺度计算细化至月尺度,同时结合交通延时指数,得到了小时尺度的网格化排放清单.这套技术方法涉及的数据大多可通过公开渠道获取,具备较好的可迁移性,输出结果可以更好的衔接空气质量模型的数据需求,具有较强的实用价值.

2.4 不确定性

机动车排放清单构建是多级模型耦合、多源数据融合的复杂过程,不可避免的存在不确定性.以下从方法和数据两个层面分析本研究不确定性的来源和后续改进方向.

从方法来看,排放清单模型是对排放过程的简化描述,忽略了大量现实细节.本研究采用自上而下法,底层参数是宏观统计数据,难以精细刻画某条街道、某个时段的机动车排放状况,也无法量化车辆跨境带来的污染转移.自下而上法的精细度较好,但易受数据可得性制约.未来有必要开发排放清单方法融合技术体系,将自上而下法数据易得、操作易行的优势,与自下而上法的结果精细、对策精准的优势结合起来.

从数据来看,排放清单构建过程包含着大量的数据假定.为提升排放计算的时空分辨率,本研究在传统的自上而下法基础上引入了一些新数据,可能会带来不确定性.例如,采用客货运量和里程权重将年均行驶里程分配至不同月份和不同道路类型,这种方式能否客观反映车辆活动的时空变化规律,需要更多实际数据验证.已有研究多关注排放因子,较少讨论活动水平,事实上后者也是排放的重要影响因素.未来若能加强对活动水平的研究[45],则可为排放清单发展提供更多有益参考.

为验证不确定性是否被控制在合理范围内,将本研究与江苏省其它研究进行对比(表6).可以发现,无论是在省域还是城市层面,本研究的结果与多数研究有着较好的一致性,但也与个别研究存在着较大差异,原因可归结为模型方法不同、基础数据不同或是研究年份不同.后续研究中,应关注方法数据差异对排放清单结果的影响,结合空气质量模型和实际观测数据评估排放清单的可靠性.

表6 江苏省机动车排放量研究对比(万t)

3 结论

3.1 本研究系统阐述了采用自上而下法建立高时空分辨率机动车排放清单的方法学框架,引入了月度气象、里程权重、客货运量、延时指数等参数,提升了自上而下法的时空分辨率,在省级尺度上获得了0.05°×0.05°、小时分辨率的机动车网格化排放清单.

3.2 2018年,江苏省机动车CO、VOCs、NO和PM2.5的排放量分别为84.00,16.68,61.72和2.11万t;CO和VOCs主要由汽油小型客车贡献,NO和PM2.5主要由柴油重型货车贡献,国3及以下标准车辆排放贡献高于保有量占比;冬季机动车排放高于其它季节.

3.3 机动车排放集中在苏州、无锡、南京、徐州、南通、连云港和常州,各城市排放结构整体趋同;人均CO和VOCs排放量与道路排放强度的相关性高于NO和PM2.5;排放与GDP以及建成区面积的相关性较为显著;不同车型排放与社会经济指标的相关性存在差异.

3.4 机动车排放存在着明显的空间异质性,在江苏省南部的分布集中连片,在中部和北部的分布相对稀疏;CO和VOCs排放聚集于中心城区,NO和PM2.5排放呈条带状分布;排放日变化存在“两峰一谷”,主要受居民通勤和生活习惯的影响.

[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,石嘉诚,陈军辉,等.2010～2017年四川省机动车污染物排放趋势分析 [J]. 环境科学, 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] 陶双成,邓顺熙,郝艳召,等.关中城市群道路移动源气态污染物排放特征 [J]. 中国环境科学, 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] 生态环境部.关于发布《大气可吸入颗粒物一次源排放清单编制技术指南(试行)》等5项技术指南的公告 [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,张 洁,赵秋月,等.基于COPERT模型的江苏省机动车时空排放特征与分担率 [J]. 环境科学, 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,谢绍东.中国机动车排放清单的建立 [J]. 环境科学, 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] 侯新红,于兴娜,沈 丽,等.2013～2017年江苏省人为源氨排放清单的建立及特征 [J]. 环境科学, 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] 孙世达,姜 巍,高卫东.青岛市机动车排放清单与空间分布特征 [J]. 中国环境科学, 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.关于优化南京市主城区货车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] 孙世达,金嘉欣,吕建华,等.基于精细化年均行驶里程建立机动车排放清单 [J]. 中国环境科学, 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] 王计广,桂华侨,陈金潮,等.唐山市机动车排放清单与减排经济效益研究 [J]. 中国环境科学, 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] 贺克斌,王书肖,张 强,等. 城市大气污染物排放清单编制技术手册 [R]. 2017. He K B, Wang S X, Zhang Q, et al. Technical manual for developing urban air pollutant emission inventory [R]. 2017.

[27] 江苏省统计局.江苏统计年鉴 [M]. 北京:中国统计出版社, 2019. Jiangsu Provincial Bureau of Statistics. Jiangsu statistical yearbook [M]. Beijing: China Statistics Press, 2019.

[28] 孙露娜,仲崇智,孙世达,等.2000～2020年天津市机动车全过程VOCs排放特征及演变 [J]. 环境科学, 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] 生态环境部.中国移动源环境管理年报 [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] 交通运输部.交通运输部统计数据 [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] 高德地图.中国主要城市交通分析报告 [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,陈军辉,马 冬,等.2010～2019年成都市机动车排污特征分析及防控措施减排效果评估 [J]. 环境工程学报, 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 岩,武彤冉,闫 静,等.基于COPERT模型北京市机动车大气污染物和二氧化碳排放研究 [J]. 环境工程技术学报, 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] 新华日报.江苏省下达淘汰黄标车分解任务 [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] 新华日报.省委省政府印发《关于深入打好污染防治攻坚战的实施意见》江苏亮出绿色发展“路线图” [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] 刘 庚,孙世达,孙露娜,等.天津市2017年移动源高时空分辨率排放清单 [J]. 环境科学, 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] 国家发展和改革委员会.国家发展改革委关于印发促进综合交通枢纽发展的指导意见的通知 [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,宋晓伟,张克新,等.成渝城市群机动车污染特征及减排分析 [J]. 生态环境学报, 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] 张 意,吴 琳,毛洪钧,等.天津市机动车污染物排放清单及控制对策研究 [J]. 南开大学学报(自然科学版), 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,孙世达,王 芃,等.辽宁省2000～2030年机动车排放清单及情景分析 [J]. 环境科学, 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] 马 冬,高 隽,刘 敏,等.基于大数据的典型城市轻型客车行驶里程特征研究 [J]. 交通节能与环保, 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国机动车排放清单建立 [D]. 广州:暨南大学, 2020. Xu Q. The establishment of China's vehicle emission inventory based on urban traffic characteristics [D]. Guangzhou: Jinan University, 2020.

[48] 王荆玲.长三角机动车污染排放特征及控制政策评价研究 [D]. 杭州:浙江大学, 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] 谢轶嵩,杨 峰.南京市移动源排放清单建立研究 [J]. 安徽农学通报, 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 钟,章建宁,周 俊,等.常州市大气污染物排放清单及分布特征 [J]. 环境监测管理与技术, 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

孙世达(1991-),男,山东菏泽人,助理研究员,主要从事机动车污染防治研究.发表论文20余篇.Sunshida@126.com.

孙世达,王 博,孙露娜,等.江苏省高时空分辨率机动车排放清单构建及特征 [J]. 中国环境科学, 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

高分辨率对地观测系统重大专项(30-Y60B01-9003-22/23);国家重点研发计划项目(2022YFC3700600);黄河流域生态保护和高质量发展联合研究一期项目(2022-YRUC-01-0406);江苏省双创博士基金资助项目(2020-30489)

* 责任作者, 高级工程师, boyu@mail.iap.ac.cn