北京市机动车排放趋势与协同控制情景分析

叶贺勇，樊守彬，李婷婷，王亚洲，龙腾

1.北京工业大学环境与生命学部

2.北京市生态环境保护科学研究院

3.国家城市环境污染控制工程技术研究中心

“十一五”以来，中国经济持续高速发展、社会化进程加快，机动车保有量逐年增多[1]。机动车尾气排放已成为空气污染和温室气体排放的重要驱动力[2]。北京市作为减污降碳示范先行区，从20 世纪90年代就开始采取一系列的措施和政策来控制道路机动车排放。近年来随着能源结构调整、交通货运、产业升级等领域加大投入治理，北京市在“十四五”时期，将把重点放在减少PM2.5、NOx、VOCs 等污染物和减少CO2等温室气体排放中，推动区域降碳减污协同治理，加快推进绿色低碳经济社会全面绿色转型[3]。北京市机动车保有量在未来仍将继续增长，污染物和温室气体排放量也将持续增加，在长时间尺度上建立机动车尾气污染物与温室气体排放清单并分析机动车排放趋势，开展北京市机动车排放污染物协同控制研究，进行协同控制效果评估，对制定有效的大气污染物控制和温室气体的减排措施具有重要意义。

大气污染物和温室气体之间由于具有同根同源的特点[4-5]，使得在进行有效控制的同时需要考虑其相互作用、相互影响的关系。近年来，国内外学者对于机动车排放协同控制污染物和温室气体的研究逐渐增多。Alam 等[6]基于情景分析法，通过建立模型，评估和预测爱尔兰机动车排放PM2.5和温室气体的协同减排效果。Huboyo 等[7]计算了印度尼西亚2 个新兴城市的道路交通排放清单，并分析其与道路运输相关的协同效益。Thambiran 等[8]运用COPERT 模型计算南非机动车污染物排放清单，并基于共同效益方式协同分析机动车排放温室气体和污染物的相互关系。Jiao 等[9]基于LEAP 模型，定量分析了我国广州市道路交通可持续情景下减少CO2和空气污染物排放的协同效益。俞珊等[10]采用协同控制效应坐标系法、协同控制交叉弹性分析法和协同评估指数法分析了主要大气污染物和CO2的减排潜力及协同控制效果。李云燕等[11]运用LEAP 模型并基于协同控制坐标系和减排弹性系数法分析不同控制措施下机动车排放CO2和污染物之间的协同减排效应。

上述研究大部分都是基于论证结果采取机动车尾气控制措施，以达到协同控制温室气体和大气污染物的目的，且只对未来情景进行预测和分析，而关于机动车大气污染物和温室气体的历史排放趋势结合研究较少，且缺乏长时间尺度控制研究。因此，笔者通过建立历年北京市宏观机动车污染物排放清单，探究机动车污染物排放趋势，在此基础上，设定5 种不同控制情景，预测2025年机动车排放污染物的减排潜力，综合分析机动车污染物在不同减排控制情景下的减排效果，并采用减排弹性系数法和协同控制坐标系法从不同角度对机动车排放温室气体和污染物进行协同减排效应分析。研究旨在为北京市机动车排放污染物和温室气体治理提供基本对策，并在“十四五”规划过程中为决策者快速筛选大气污染物与温室气体协同控制的最优方案及相关政策的制定提供理论依据。

1 材料与方法

1.1 机动车排放清单核算方法

机动车运行中产生的大气污染物排放清单基于COPERT 5 模型通过热稳定运行排放、冷启动排放以及燃料蒸发排放3 个阶段核算求得[12]，计算公式如下：

式中：E总为污染物在不同阶段排放量总和，g；Er为污染物热稳定运行阶段排放量，g；El为污染物冷启动阶段排放量，g；Ez为污染物燃油蒸发过程排放量，g；Er,i,j,k为j类型机动车i污染物在k道路类型的热运行排放量，g；Pj,t为j类型机动车t排放标准的保有量，辆；VKTj,k为j类型机动车在k道路类型的年均行驶里程，km；er,i,j,k为污染物的排放因子，g/km； βj为冷启动过程中行驶里程所占的比例；Itrip为平均每段旅程的距离，km；ta为环境月平均气温，℃；ed为机动车每日蒸发排放因子，g/辆；Sc和Sfi分别为装配有化油器和喷射燃油器的机动车的热浸排放因子，g/辆；R为机动车运行过程中的损失。机动车类型通过COPERT 5模型划分为微轻型货车、中型货车、重型货车、微小型客车、中型客车、大型客车、摩托车共7 种。

COPERT 5 模型通过能源消耗量测算CO2排放量，计算公式如下：

1.1.1 机动车保有量及预测

研究使用的分车型和分登记注册年份机动车保有量数据主要来自于北京市交通管理部门，通过机动车登记注册年份和北京市各排放标准出台日期来确定不同排放标准等级车辆的比例。北京市采用小客车指标调控政策摇号机制来调控每年小客车保有量的增长，因此通过传统预测方式[14-15]可能会使预测结果偏高，根据北京市发布的《北京市“十四五”时期交通发展建设规划》（简称《规划》），到2025年，全市小客车保有量控制在580 万辆以内。假定到2025年北京市微小型客车保有量为580 万辆，其他类型车辆采用分类预测法[16]，并基于2020年车型构成比例来确定。最终确定历年不同类型机动车保有量及预测结果，如图1 所示。

图1 北京市机动车保有量Fig.1 Number of motor vehicles in Beijing

1.1.2 机动车排放因子

历年机动车大气污染物CO、NOx、VOCs、PM2.5和CO2、CH4、N2O 排放因子主要采用COPERT 5 模型进行估算。研究表明，应用COPERT 模型计算中国机动车排放因子较适用于实际排放情况[17-18]。计算结果的准确性主要受到气象数据、燃料特性、行驶速度、燃料蒸发数据等因素的影响。其中，气象数据(包括每月最低、最高温度和相对湿度)主要来源于《北京市统计年鉴》和中国气象科学数据共享服务网。燃料特性通过参考相关文献[19]，结合历年北京市执行的汽油、柴油标准规定的燃料含硫量确定。行驶速度根据相关文献[20-21]和各年度的《北京市交通发展年度报告》[22]统计值来确定。

运用COPERT 5 模型在各个参数预测基础上对不同类型机动车各污染物排放因子进行测算，由于对未来按月份输入的温度和相对湿度存在很大的不确定性，故根据往年的平均温度和相对湿度进行输入计算，在此基础上参考其他相关研究[23]的预测分析，通过修正最终确定2025年不同类型车辆各污染物的排放因子。

1.1.3 机动车年均行驶里程

年均行驶里程(VKT)是机动车排放模型中主要的参变量，对于建立机动车污染物排放清单的准确性具有重要影响[24]，而且年均行驶里程会随车龄升高而逐渐减少，车龄越大，机动车使用率越低[25]。根据相关文献[26-28]研究成果，参考相关年份的《北京市交通发展年度报告》，并结合生态环境部发布的《道路机动车大气污染物排放清单编制技术指南（试行）》（简称《指南》）[29]中各种汽车行驶里程的参考值，最终确定2005年、2010年、2015年、2020年各类型车辆的年均行驶里程。以此为基础，基于不同类型机动车行驶里程变化率和历年不同车龄机动车保有量，通过车龄与年均行驶里程的比率[30]，推测各类型机动车在预测年份的年均行驶里程。最终得到2005—2025年各类型车辆的年均行驶里程(图2)。由于北京市摩托车保有量增长较明显，且同时限制其骑行区域，对于摩托车的年均行驶里程均按《指南》推荐值6 000 km 来计算。

图2 北京市各年份不同车型年均行驶里程Fig.2 Average annual mileage of motor vehicles in Beijing

1.2 协同控制情景分析

1.2.1 情景设置

根据已有的北京市移动源管理制度，结合往年对于机动车管理的实施政策，并参考《北京市国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》《北京城市总体规划（2016—2035年）》《北京市“十四五”时期交通发展建设规划》等未来政策规划，基于不同的排放控制措施设置基准情景(BAU)、淘汰高排放汽车(ESV)、推广新能源汽车(NEV)、发展公共交通(DPT) 和综合控制情景(RIS)共5 种未来控制情景，对比不同情景下各污染物的减排效果和温室气体与大气污染物之间的协同效应等，具体措施如表1 所示。

表1 机动车排放情景设置Table 1 Descriptions of motor vehicle emission control scenarios

1.2.2 协同效应分析方法

采用协同减排弹性系数法[31]和协同减排坐标系法[32]来分析大气污染物(CO、NOx、VOCs、PM2.5)和温室气体(CO2、CH4、N2O)的协同控制效果，具体方法如下。

1.2.2.1 协同减排弹性系数法

协同减排弹性系数法是用于评估大气污染物和温室气体排放的技术减排措施之间的协同程度，即与减少温室气体排放相关的大气污染物减排量的大小，计算公式如下：

式中：ELS(α/β)为大气污染物(CO、NOx、VOCs 和PM2.5)对温室气体(CO2、CH4和N2O)的弹性系数；α和 β分别为机动车排放污染物和温室气体的总量；Δα和 Δβ分别为大气污染物和温室气体在不同控制情景下的减排量；Δα/α为大气污染物减排量相对于总排放量的比值变化率；Δβ/β为温室气体减排量相对于总排放量的比值变化率。如果ELS(α/β)≤0，表示这些控制情景下只对 α和 β其中1 种有减排作用，不具有协同控制效应；如果ELS(α/β)＞0，且Δα/α＞0、Δβ/β＞0 时，表示此种控制情景下对α和β均有减排作用，具有协同控制效应。此外，如果ELS(α/β)=1，表示此种控制情景对 α和β的减排程度相同；如果0＜ELS(α/β)＜1，表示此种控制情景对 α的减排程度高于β；如果ELS(α/β)＞1，则表示此种控制情景对β的减排程度高于α。

1.2.2.2 协同减排坐标系法

协同减排坐标系法是通过污染物当量和增温潜势计算大气污染物和温室气体在不同控制情景下相对于基准情景的减排量，在二维空间坐标系中，不同控制措施以不同的坐标点来表示各类型污染物的减排效果。大气污染物和温室气体的减排程度以及协同效应可以在坐标系中清楚地表示出来，其中，横、纵坐标分别表示不同控制措施对大气污染物和温室气体的减排效果。如图3 所示，措施A 和B 均位于第一象限，表明该控制措施能同时减排温室气体和大气污染物，具有协同控制效果，但措施B 到原点的连线与横坐标的夹角b大于措施A 的夹角a，表明措施B 在减排大气污染物的同时相比于措施A 对温室气体的减排效果更好；措施C 位于第二象限，表明措施C 只对温室气体减排有效果而对于大气污染物减排效果相反；措施D 位于第三象限，表明措施D 对2 类污染物都不具有减排效果；措施E 位于第四象限，其减排效果与措施C 相反，只对大气污染物减排有效果而对于温室气体减排效果相反。

图3 机动车减排协同控制情景坐标系示意Fig.3 Schematic diagram of coordinate system for co-control of motor vehicle emission reduction

2 结果与讨论

2.1 排放清单变化趋势

2.1.1 历年机动车排放清单

北京市历年不同类型机动车尾气污染物排放量及排放趋势如图4 所示。2005年北京市机动车尾气共排放污染物CO、NOx、VOCs、PM2.5和温室气体CO2、CH4、N2O 分别为64.27 万、7.90 万、7.38 万、0.25 万和 1 430.77 万、0.33 万和0.05 万t ；到2020年排放量分别为6.20 万、5.19 万、1.37 万、0.23 万和2 144.93 万、0.14 万和0.02 万t。相比2005年，2020年CO、NOx、VOCs、PM2.5、CH4和N2O 排放量分别下降了90.35%、34.30%、81.43%、9.3%、44.73%和43.41%，而机动车CO2排放量相比2005年增长了85.25%，增幅明显，这主要是因为机动车消耗的燃料中所含有的碳绝大部分转化为CO2。

图4 北京市历年不同类型机动车排放污染物和温室气体占比及排放量变化趋势Fig.4 Proportion of pollutants and GHGs emitted by different types of motor vehicles and emission trends in Beijing over the years

在各类型机动车排放量占比中，大气污染物CO、VOC、PM2.5和温室气体CO2、CH4、N2O 排放量占比最多的车型均为微小型客车，其在所有车型污染物排放占比中大多数都超过50%，原因主要是微小型客车保有量在所有车型中占比最大，增长速度最快。NOx和PM2.5排放占比较大的车型主要为重型货车，这是由于重型货车单车排放量相比其他类型车辆更大，加上近年来随着交通运输业的飞速发展使其保有量逐渐增多。从污染物排放趋势可以看出，CO 和NOx排放量具有相同的变化趋势，都是先逐渐升高，从2010年之后开始持续下降；VOCs 排放量在2010年之前小幅度下降，之后下降幅度明显。分析其原因，由于机动车排放标准日益提高以及低排放标准车辆逐步被淘汰，使得高排放CO、NOx车型综合排放因子大幅度下降。另外，由于北京市限号政策，微小型客车的年均行驶里程在研究期间不断下降。温室气体中，CO2排放量在2010年达到高峰之后缓慢下降，但相比2005年也呈增长趋势，主要原因是北京市从2005年开始实施“十一五”规划，经济迅猛发展，机动车保有量增幅明显，CO2排放量大幅升高；而2010年之后，北京市通过各种措施调控机动车数量，使机动车增长率逐渐放缓，且高排放标准机动车逐渐被淘汰，从而导致CO2排放量相比2010年降幅明显。CH4和N2O 排放量变化总体呈先升后降的趋势，分别从2005年的0.33 万和0.05 万t 增长到2010年的0.41 万和0.06 万t，到2020年又减少到0.14 万和0.03 万t，主要因为北京市率先颁布实施新的燃油标准，机动车燃油质量逐步提升，机动车燃油中的硫含量对机动车排放的CH4和N2O 影响很大，因此采用含硫量低的燃料是减少机动车尾气排放CH4和N2O 的主要途径。相较于其他污染物，PM2.5的排放量下降幅度较弱。原因在于研究期间内PM2.5的排放因子相对其他污染物的减少不明显。此外，在活动水平方面，近年来，道路交通的便利促使物流业和公共交通迅速发展，重型货车和大型客车的行驶里程持续攀升。然而，在2020年初新型冠状病毒感染暴发，由于疫情防控措施的实施，道路上的行驶车辆数量有所减少，这也对PM2.5的排放产生了一定影响。

2.1.2 目标年排放清单预测

以2020年为基准年，运用COPERT 5 模型测算2025年北京市机动车大气污染物和温室气体的排放量，具体见表2。由表2 可知，在不考虑各种控制措施的情况下，北京市机动车排放大气污染物与温室气体相对于基准情景(BAU)到2025年均有所增加，其中，CO、VOCs、NOx和PM2.5分别增长27.32%、33.06%、11.43% 和24.79%，温室气体CO2、CH4和N2O 分别增长23.57%、28.37%和30.81%。因此，为了进一步降低机动车污染排放，促进北京市空气质量改善，有必要采取进一步的措施以达到北京市“十四五”规划纲要提出的降碳减污目标。

表2 2025年北京市机动车大气污染物和温室气体排放量预测Table 2 Prediction of emissions of air pollutants and GHGs from motor vehicles for the target year of 2025 in Beijingt

2.2 不同控制情景减排量分析

基于不同控制情景下分析2025年机动车排放大气污染物CO、NOx、VOCs、PM2.5与温室气体CO2、CH4、N2O 相较于基准情景(BAU) 下的排放量，结果见图5。由图5 可知，北京市2025年不同控制情景下机动车排放污染物相对于基准情景均有所降低，其中在单一措施下，NEV 相比其他控制情景的减排效果较好，大气污染物CO、NOx、VOCs 和PM2.5排放量分别为5.32 万、3.85 万、1.23 万和0.19 万t，相对于BAU 分别削减了32.63%、33.42%、32.05%和33.14%。温室气体CO2、CH4和N2O 排放量相对于BAU 分别削减了33.34%、30.22%和32.81%。这主要是由于新能源汽车在各类型机动车中的比例增加，汽油和柴油机动车的比例有所下降。相关文献[33]表明，从能源消耗、燃油经济性、相关污染物排放以及整个生命周期的排放来看，新能源汽车对污染物的贡献率均低于常规燃油汽车。这说明，推动新能源汽车的发展和使用在未来能有效减少机动车污染物的排放。ESV 控制情景下，大气污染物NOx和PM2.5减排效果相比其他污染物较好，减排率分别为29.25%和21.01%，这主要是因为高排放标准车辆的车龄较高，累计行驶里程长，尾气处理装置的安装比例也很低，各污染物排放因子较高，且这些高排放标准车辆对于NOx和PM2.5的排放贡献也远高于其他排放标准车辆。DPT 控制情景相对于其他控制情景减排程度较弱，这是由于公共车辆在所有类型车辆中占比较小，且相对其他类型车辆发展缓慢。RIS 情景下，大气污染物和温室气体的减排效果均较好，其中，CO、NOx和PM2.5的减排比例均超过50%。因此，在兼顾各项措施的同时，未来北京市应该实施更为严格的汽车尾气排放标准，同时积极推广新能源汽车，大力发展公共交通，鼓励与提倡绿色出行，这是加快推进北京市降碳减污协同治理和绿色低碳经济社会转型的重要举措。

图5 不同控制情景下各种污染物和温室气体的排放量Fig.5 Emission reductions of various pollutants and GHGs under different control scenarios

2.3 协同效应分析

2.3.1 协同减排弹性系数法

不同的控制情景下，运用协同减排弹性系数法具体分析大气污染物和温室气体的协同减排程度。通过式(7)分别计算各大气污染物与温室气体的弹性系数，以及各项污染物经大气污染当量(NOx和VOCs 均为0.95，CO 和PM2.5分别为16.7 和2.18)折算后的叠加值(记为AE)。其中温室气体根据IPCC第四次评估报告中全球升温潜力（GWP）推荐值（CH4和N2O 的GWP 分别为25 和298），将CH4和N2O 换算成CO2当量(记为CO2e)计算，具体见表3。由表3 可知，所有控制情景下所对应的ELS 均大于0，表明这些控制措施对北京市机动车排放的大气污染物和温室气体均有减排的效果，具有协同效应。但对于不同污染物在不同控制情景下的ELS 不同，这说明它们所对应的减排效果也不同：在单一对策模式下， ESV 情景的弹性系数均小于1，这表明在ESV 情景设置下，大气污染物相对于温室气体的减排效果要更好；而在NEV 情景中，除了1 外，其他ELS 均大于1，大气污染物NOx和温室气体的减排程度相等，而其他污染物的减排程度均弱于温室气体的减排效果。在DPT 情景中，最大，远远超过1，这表明DPT 情景下NOx的减排效果相比温室气体减排效果最好。RIS 情景中，除了之外，其他大气污染物弹性系数均小于1，由此可见，相较于温室气体，大气污染物在RIS 情景下的减排效果较好。对AE 进行弹性系数分析，其与温室气体的协同减排程度以进行综合分析。在所有控制情境中，ESV和RIS的ELS 均小于1，但DPT 和RIS控制情景下对于温室气体的减排效果要优于ESV 控制情景，仅有NEV 控制情景下温室气体的减排效果略优于大气污染物。

表3 不同控制情景下温室气体对大气污染物的减排弹性系数Table 3 Elasticity coefficient of GHG emission reduction on air pollutants under different control scenarios

2.3.2 协同减排坐标系法

不同控制情景下协同减排二维坐标系结果见图6。从图6 可以看出，不同控制情景所表示的坐标点均位于第一象限内，也即说明不同控制情景下大气污染物与温室气体都具有协同效应且均为正值，都起到了协同减排的效果。其中，RIS 情景代表的坐标点离原点距离最远，表明在这种控制情景下的减排效果最好。在单一对策中，NEV 控制情景下所代表的坐标点离原点最远，表明在单一对策措施下其减排效果最好，这主要是因为大部分燃油车都可以使用新能源车来替代，且新能源车所产生的能耗相比燃油车来说更少；ESV 控制情景的减排效果次之，最后是DPT 情景，因其仅仅针对公共车辆的运行及置换，且其相对于小客车保有量来说占比较小，而ESV 情景是将国3 及以下车辆全部淘汰，相对于DPT 情景来说，其实施标准要求较高。根据不同控制情景所代表点到横、纵坐标的距离也可以了解其对大气污染物或者是温室气体的减排效果，根据其分布特征可以看出各种控制情景对大气污染物或温室气体的减排效果分布一致。

图6 大气污染物和温室气体当量的协同减排效应坐标系Fig.6 Coordinates of synergistic emission reduction effect of air pollutants and GHG equivalents

3 结论

（1）2005—2020年北京市机动车排放污染物和温室气体整体呈现先升高后降低的趋势，其中污染物CO、NOx、VOCs、CH4和N2O 排放量相比2005年下降趋势显著，而机动车CO2排放量相比2005年增长了85.25%，增幅明显。与其他污染物相比，PM2.5下降幅度较弱。微小型客车是多数污染物排放最多的车型，NOx和PM2.5排放的主要车型为重型货车。

（2）运用COPERT 5 模型构建北京市机动车污染物基准年(2020年)和预测年(2025年)的排放清单，结合不同控制情景，对机动车污染物减排量进行分析，北京市机动车大气污染物和温室气体的排放量相对于基准情景(BAU)均有所减少，但减排程度不同。综合控制情景(RIS)下，对所有污染物的减排效果均最好，减排率均在40%以上，在单一对策情景中，新能源汽车推广(ESV)在大气污染物和温室气体的减排方面效果最好。其次是淘汰高标准车辆(NEV)情景，最后是发展公共交通(DPT)情景。

（3）协同减排弹性系数法和坐标系法分析表明，不同控制情景下北京市机动车排放的大气污染物和温室气体均具有协同效应，起到了协同减排的效果。单一对策情景下， NEV 情景中的ELS 均大于1 且在减排坐标系中离原点最远，减排效果最好。在RIS 情景下，，说明大气污染物VOCs 和温室气体减排程度相同，其他大气污染物ELS 均小于1，减排效果均优于温室气体，其主要目的是减排大气污染物。在所有控制情景下， RIS 情景代表的坐标点距原点距离最远，其减排效果最好。

（4）未来北京市应实施更为严格的汽车尾气排放标准，同时积极推广新能源汽车，大力发展公共交通，鼓励与提倡绿色出行，兼顾统筹各种减排措施，为尽快实现降碳减污协同治理和绿色低碳经济社会转型奠定基础。