沈岩， 武彤冉， 闫静， 李韧菲,2， 崔阳阳， 刘欣宇， 樊守彬， 翟冀飞， 曹西子， 万芸菲,2， 薛亦峰*

1.国家城市环境污染控制工程技术研究中心， 北京市生态环境保护科学研究院2.首都师范大学资源环境与旅游学院3.北京市通州区生态环境局

随着经济快速发展和人民生活水平的不断提高，持续增加的机动车保有量成为北京市大气污染物的重要来源[1-3]。机动车汽柴油燃烧带来的CO2排放是碳排放的重要来源之一[4]。因此，识别北京市机动车主要大气污染物和CO2排放状况，分析其污染构成和不同类型车辆排放贡献与特征，对于机动车污染控制和CO2协同减排十分必要[5]。

机动车污染排放定量表征和对空气质量影响是近年来国内外的研究热点[6-9]。如王孝文等[10]利用IVE模型计算杭州市不同级别道路不同工况下的机动车排放因子，结合ArcGIS技术建立了杭州市2010年机动车污染物排放清单。Yang等[11]计算了京津冀地区机动车污染物排放因子，并基于交通流数据生成了高时空分辨率机动车大气污染物排放清单，评估了机动车污染控制措施的环境效果。Dey等[12]使用COPERT模型对温度、速度、相对湿度、行驶里程和驾驶方式进行了敏感性分析，编制了大都柏林地区机动车大气污染物排放清单。而机动车排放大气污染物和CO2协同控制研究较为鲜见，需要进一步加强。

笔者基于北京市机动车保有量和道路行驶工况等数据，应用COPERT模型建立了2019年北京市机动车主要大气污染物排放清单，同时核算得到了机动车CO2排放量。在识别不同车速、车型、排放标准等级的机动车染物特征的情况下，利用ADMS-Urban[13]量化模拟了机动车排放对大气环境的影响，以期为北京市机动车污染防治和协同控制提供参考和支撑。

1 材料与方法

1.1 研究区域概况

北京市2019年常住人口达到 2 153.6 万人，较大规模的人口基数产生了巨大的交通需求量，机动车保有量从2006年的288万辆增加到2019年的636万辆，年均增长率为6%。北京市公路客运和货运量占比较大，2006—2019年，中大型客车数量缓慢增加，保有量变化相对稳定，其占比维持在2%左右；2010年北京市实施机动车数量调控政策后，小型客车数量增长速度有所放缓；货车保有量占比由2010年的4%逐年上升至2019年的8%(图1)。在一系列大气污染控制措施作用下，北京市机动车排放标准结构发生较大变化，低排放标准的车辆被逐步淘汰，2019年国三及以下标准的车辆占比降至13%，国四及国五的保有量占比分别达到28%和59%[14]。

图1 2006—2019年北京市机动车保有量变化及车辆结构Fig.1 Variation of motor vehicle population and structure in Beijing from 2006 to 2019

1.2 排放量核算方法

采用COPERT模型并耦合本地化参数进行机动车大气污染物和CO2排放量的核算。COPERT模型可根据不同类型车辆数量、年均行驶里程、行驶速度和环境温度等数据，计算特定国家或地区的机动车排放量和能源消耗。根据文献[15-17]调研，应用COPERT模型计算获得的排放因子较为适用于中国机动车实际排放情况。

COPERT模型将车辆分为私人载客车辆、轻型商用车辆、重型车辆(包括卡车和大型公交车)、摩托车四大类，同时根据车型、燃料类型、排放标准等因素进行细化分类。本研究基于中国的机动车分类标准，同时参考其他文献[18-20]，与模型中设置的车辆类型进行匹配，结果见表1。

表1 北京市机动车车辆类型所对应的COPERT模型的车辆类型Table 1 Vehicle types of COPERT model corresponding to motor vehicle types in Beijing

模型中排放量的计算依赖于机动车排放因子和活动水平数据(车辆行驶里程)[21]，机动车排放考虑三大过程：热排放，发动机处于平稳行驶工况；冷启动排放，车辆由冷启动至平稳行驶工况；蒸发排放[22-23]。计算公式如下：

E总=E热+E冷+E蒸发

(1)

E蒸发i,j,k=Nj×VKTj,k×e热i,j,k

(2)

E冷i,j=βj×Nj×VKTj×e热i,j×(e冷i,j/e热i,j-1)

(3)

E蒸发i,j=365×Nj×(ed+Sc+Sfi)+R

(4)

β=0.647 4-0.023 45Itrip-

(0.009 74-0.000 385+Itrip)ta

(5)

式中：E总为污染物排放总量，g；E热为热排放量，g；E冷为冷启动排放量，g；E蒸发为油气蒸发及零件磨损产生的排放量，g；i为污染物；k为道路类型；j为机动车类型；N为机动车数量，辆；VKT为机动车年均行驶里程，km；e热和e冷分别为热稳定阶段和冷启动阶段污染物的排放因子，g/km；β为行驶里程在冷启动阶段所占的比例；ed为每日油气蒸发排放因子，g/辆；Sc为装配有化油器机动车的热浸排放因子，g/辆；Sfi为装配有燃油喷射器机动车的热浸排放因子，g/辆；R为运行损失，g；Itrip为平均行驶里程，km；ta为月平均气温，℃。

1.3 数据来源

机动车保有量、行驶里程、行驶速度等相关活动水平数据来源如表2所示。不同车型的排放标准分类参考生态环境部发布的《道路机动车大气污染物排放清单编制技术指南(试行)》[24]，年均行驶里程受经济水平、道路条件和政策等因素的影响，采用《城市大气污染物排放清单编制技术手册》中推荐的参考值(表3)。平均行驶速度采用《2019北京市交通发展年度报告》推荐值，即29 km/h。气象参数来自中国气象数据网(http://data.cma.cn)，道路坡度和负载等数据使用模型默认值。

表2 机动车保有量及相关活动水平数据来源Table 2 Data sources for motor vehicle population and relative activity level

表3 道路机动车年均行驶里程Table 3 Average annual mileage of road vehicles

1.4 机动车污染排放对空气质量影响模拟

采用ADMS-Urban量化机动车大气污染物排放对周边大气环境的影响，该模型是剑桥环境研究公司研制开发的稳态大气扩散模式，其基于大气边界层参数，可以较好地处理超大型城市复杂的地形及风场条件[28]。同时考虑重力沉降、干湿沉降、建筑物地形下洗和化学反应等过程，能够模拟多个不同空间分布的交通污染源，最终得到一个较高分辨率的污染物浓度图，以此分析不同污染源对预测结果的影响。

2 结果与讨论

2.1 主要大气污染物和CO2排放量

根据COPERT模型测算得到2019年北京市机动车污染物排放量，结果见图2。从图2可以看出，CO、NOx、PM2.5和VOCs排放总量分别为12.15万、4.06万、0.18万和2.57万t。机动车CO2排放量为 1 940 万t，约占北京市排放总量的17%。小型客车是CO、VOCs和CO2的主要贡献源，其排放量分别为8.16万、2.09万和 1 344 万t。而NOx主要为轻型及中重型货车排放贡献，其排放量占比达到74%。

注：CO的数值×10，CO2的数值×103。图2 2019年北京市机动车污染物排放量Fig.2 Emissions of motor vehicle pollutants in Beijing in 2019

2.1.1不同车型机动车排放

2019年北京市不同车型机动车污染物排放贡献率见图3。从图3可以看出，小型客车是CO、VOCs以及PM2.5的主要贡献车型，对3项污染物的贡献率分别达到67%、72%和57%。这主要是由于小型客车保有量大，其在机动车保有总量中占比达85%，且汽油车的排放特性决定其在发动机高负荷时CO及VOCs排放量急剧升高。中重型货车和轻型货车具有较高的NOx排放强度，其中中重型货车贡献率达49%，轻型货车贡献率达25%。由于中重型货车主要以柴油车为主，其占比达到99%，且有部分国三、国四等排放标准的车辆仍在使用，其对NOx的排放控制技术欠佳，使得这部分车辆具有较高的单车排放水平，因此货车对NOx的贡献率远高于其他车型。此外，中大型客车对NOx、CO、PM2.5的贡献率分别为12%、16%和10%。同时摩托车对VOCs排放量的贡献也不容忽视，达13%。

图3 2019年北京市不同车型机动车污染物排放贡献率Fig.3 Pollutant emission contribution rate of different vehicle types in Beijing in 2019

2.1.2不同排放标准机动车排放

不同排放标准的机动车对主要污染物的贡献率如图4所示。从图4可以看出，国五车型对NOx、CO、VOCs和PM2.5的排放贡献最大，分别达到59%、51%、47%和58%。这是由于随着低排放标准车辆的淘汰，2019年北京市国五排放标准的机动车保有量最高，占比达到59.14%。国四排放标准的机动车占比为27.83%，该车型对NOx、CO、VOCs和PM2.5的排放贡献分别为18%、22%、23%和23%。国三及以下车型的机动车保有量仅占机动车保有总量的13.03%，但其对NOx、CO、VOCs和PM2.5的排放贡献分别达23%、27%、30%和19%，与国四车型排放贡献相当。由此可以看出，淘汰高排放量车辆，优化车辆结构对于污染物排放控制具有重要作用。

图4 2019年北京市不同排放标准机动车保有量占比及污染物排放贡献率Fig.4 Proportion of motor vehicles with different emission standards and contribution rate of pollutants emission in Beijing in 2019

2.2 机动车排放结构和影响因素

2.2.1车速对污染物排放量的影响

由于城市道路结构复杂，机动车在道路行驶过程中经常会处于怠速和低速状态，车速变化会导致污染物的排放量发生显著变化。提高车速可以有效减少污染物的排放水平，但车速变化对机动车污染物排放的具体影响仍需深入研究[29]。同时发动机工况对机动车污染物的排放水平也存在明显影响，机动车的燃料蒸发、零件磨损和冷启动过程中颗粒物的排放水平明显高于车辆正常行驶的热运行阶段。

以平均车速10 km/h为梯度，计算不同车速下污染物的排放量变化，结果见图5。由图5可知，当机动车平均车速为10 km/h时，NOx、PM2.5、VOCs、CO的排放量比平均车速(29 km/h)时高出9%～68%，其中CO和VOCs尤其突出，排放量差异达到了48%和68%。当车速提升至40 km/h时，各类污染物排放量相对平均车速时减少了4%～11%。当车速达到50 km/h时，各类污染物排放量减少了9%～28%。由此可得，平均车速对以上4类污染物的排放量有着重要的影响[30-31]。因此合理进行道路规划和交通信号灯的设定以提高城市机动车的平均行驶速度，可降低机动车主要污染物的排放水平。

图5 不同车速污染物排放量变化Fig.5 Comparison of pollutant emissions at different vehicle speeds

2.2.2发动机工况对污染物排放量的影响

利用COPERT模型设定，将机动车行驶过程划分为3种工况，分别为HOT(发动机热稳定状态)，COLD(发动机冷启动)，非末端排放(燃料蒸发、热浸排放、运行损失、扬尘等)，其中模型不考虑非末端排放工况中NOx和CO的排放情况，不同工况污染物排放情况见图6。由图6可以看出，对于CO和VOCs，其发动机冷启动阶段的排放贡献较大，分别达56%和53%。对于VOCs和PM2.5，非末端排放贡献显著，分别达20%和75%。这主要是由机动车油箱内燃料因温度升高引起汽油挥发、发动机活塞漏气和曲轴箱润滑油蒸发等供油系统产生。因此，除了控制机动车末端排放污染物，还需要关注其非末端污染排放问题，如机动车燃料挥发、轮胎及刹车机构间磨损以及汽车行驶带起道路扬尘等。

图6 不同工况污染物排放情况Fig.6 Emission levels of pollutants under different working conditions

2.3 机动车污染排放对空气质量的影响

使用ADMS-Urban将北京市道路进行分级，对不同级别的道路进行车流系数的分配，而后进行3 km×3 km网格化处理，利用排放清单数据对应计算每个网格内大气污染物的排放量，最后对北京市2019年的大气污染物进行全年扩散浓度模拟，得到NOx和CO2的扩散浓度图(图7)。由图7可见，北京市大气污染物呈点状梯度扩散，其中高浓度区域集中在东城区、西城区及附近，第二层扩散区域为五环内及附近区域。同时，出现多个较高浓度点位，分别位于首都国际机场附近道路、密云区和怀柔区，整体趋势为以中心城区为高浓度区域向西南和东北方向扩散，在远郊区中心附近出现相对较高浓度区域。由图8可见，NOx、CO、VOCs、PM2.54类污染物排放空间分布整体上集中在北京市中心城区，NOx、CO排放空间分布有明显的环线特征，五环及六环的环京道路是其排放的重点区域。北京市非中心城区部分污染物排放呈条带状分布，结合北京市道路分布，污染物排放浓度较高的区域为重要的进京道路。

图7 2019年北京市大气污染物扩散浓度Fig.7 Air pollutants diffusion concentrations of Beijing in 2019

图8 2019年北京市大气污染物排放量空间分布Fig.8 Spatial distribution of air pollutant emission in Beijing in 2019

选取北京市5个重要的交通污染控制点(东四环、南三环、前门、西直门和永定门)作为敏感点进行污染物排放模拟，结果显示，2019年北京市NOx和CO2年平均浓度分别为15.7 μg/m3和0.6 mg/m3，最高浓度分别为67.3 μg/m3和3.8 mg/m3。在中心城区货车及大部分摩托车禁行的区域，NOx主要是由小型客车及中大型客车贡献。同时，小型客车保有量较大，使其成为机动车CO2排放的主要来源，其贡献占比达68%，因此制定重点敏感区域超低排放方案将成为未来NOx和碳排放控制的重要对策。

2.4 排放清单不确定性分析

采用定量方法对大气污染物排放清单不确定性进行分析，主要包括基于统计分析对相关清单模型输入进行定量不确定性分析和基于蒙特卡罗模拟实现清单模型输入不确定性传递到模型输出的量化研究。本文基于COPERT模型建立了北京市机动车大气污染物排放清单，涉及的输入参数有机动车保有量、排放因子和年均行驶里程。

将机动车保有量、排放因子和年均行驶里程设定为正态分布。机动车保有量数据来源于北京市交通管理局，年均行驶里程来自年检场实际调研数据，上述参数不确定性较小，因此假设其不确定性为10%；基于文献[32-34]调研，假设CO、VOCs和NOx服从不确定性为17%的对数正态分布，PM2.5服从34%的对数正态分布，在置信区间为95%的条件下，各项污染物的不确定性接近，为-27%～23%，本地化的排放因子确定可进一步降低机动车排放清单的不确定性。

根据《北京统计年鉴(2020)》，北京市机动车汽油年消耗量约为500万t，机动车柴油年消耗量约为162万t，通过将北京市机动车汽柴油年消耗量转换成标准煤质量，将所得到的数值乘以燃油燃烧的CO2排放因子，得到2019年北京市机动车CO2排放量约为 1 683万t。将北京市机动车年燃料消耗量计算结果与本研究模拟结果进行对比，二者相差约14.6%，其原因可能是模型对机动车行驶工况中拥堵、怠速和冷启动等阶段的CO2排放特征模拟不同于排放因子中燃料正常燃烧过程，导致模型模拟的结果偏大。

3 结论

(1) 核算得到了2019年北京市机动车主要大气污染物CO、NOx、PM2.5、VOCs和CO2排放量，分别为12.15万、4.06万、0.18万、2.57万和 1 970 万t。

(2) 计算得到了不同车型和排放标准等级车辆的污染物排放贡献和特征。由于小型客车中汽油车占比及市场保有量均较大，其对CO、VOCs、PM2.5的排放贡献最大，中重型货车对NOx及PM2.5的贡献显著。国五车型对污染物排放的总体贡献率达到47%～59%，国三及国四车型贡献率为18%～23%和18%～23%。

(3) 识别了机动车污染排放的影响因素。相较于平均车速(29 km/h),当车速降至10 km/h时，CO、VOCs的排放量增长了48%、68%，当车速提升至50 km/h时，各类污染物排放量减少了9%～28%。在发动机冷启动过程中对CO、VOCs排放贡献率达56%和53%；对PM2.5排放贡献主要在蒸发、零件磨损和道路扬尘等过程，达75%。

(4) 量化模拟了机动车污染对敏感点空气质量的影响。从全市整体分布情况来看，污染物的高浓度排放区域主要在市区交通网络密集部分，以及中心城区附近向外辐射主干道上。污染物整体上呈以各区中心为核心的片状分布。这主要是因为市及区中心是人口密集区域，是小型客车的主要行驶区域。