上海市机动车尾气排放协同控制效应研究

王慧慧,曾维华,吴开亚



上海市机动车尾气排放协同控制效应研究

王慧慧1,曾维华1,吴开亚2*

(1.北京师范大学环境学院,北京 100875；2.复旦大学公共管理与公共政策创新基地,上海 200433)

2007~2012年为一个时间序列,通过详细调查上海市机动车道路交通等基础资料对机动车各污染物排放量进行测算,并利用协同控制坐标系评价方法,设计单一措施、结构性措施和综合性措施等3种机动车污染减排控制情景.结果表明:2007~2012年,上海市机动车污染物年排放量呈递减趋势,其中摩托车(MC)、小型汽油客车(LDGV)、重型柴油货车(HDDT)和大型柴油客车(HDDV)是机动车污染物主要的排放源,其排放量总和占到机动车污染物总量的90%以上.按当前上海市机动车保有量增长速度,2018年机动车尾气排放的可吸入颗粒物(PM10)增长7%,温室气体增长比例为15%~108%,其中二氧化碳(CO2)增长比例达到45%以上.在各控制情景下污染物和温室气体均有不同程度下降,但减排效果有明显差异.在单一措施控制情景下,淘汰黄标车和提高排放标准对两类污染物的削减效果明显,削减比例均在20%以上;而结构性控制措施对这两类污染物的削减尤为明显,削减比例达到40%以上且正向协同效应突出.

机动车；排放因子；温室气体；协同效应；上海市

随着我国经济的高速发展和城市化进程的加快,国内机动车保有量呈现大幅度增加的趋势.截止到2012年底,全国机动车保有量达到2.24亿辆,其中汽车1.08亿辆,摩托车1.04亿辆同比增长16.43%、2.6%,机动车保有量与1980年相比,增加了近30倍[1].2012年,全国机动车污染物排放达4612.1万t,其中一氧化碳 (CO)3471.7万t,碳氢化合物(HC)438.2万t,氮氧化物(NO)640.0万t,颗粒物(PM)62.2万t.其中汽车是污染物总量

的主要贡献者,其排放的NO和PM超过90%,HC和CO超过70%,机动车尾气排放已经成为我国城市空气污染的主要来源之一[2].部分国外学者[3-8]通过使用欧盟环保署开发的COPERT模型定量计算城市机动车污染物的排放;我国研究人员[9-15]分别利用IVE模型或MOBILE模型研究上海、北京、广州、南京等城市的机动车尾气中污染物排放特征,研究结果表明机动车污染物是造成城市空气污染的主要原因.

本文针上海市机动车污染物排放情况和机动车污染控制的迫切需求,对近年来的研究成果[16-18]及现有数据进行分析,对上海市2007~2012年机动车污染物排放量进行测算,并运用协同控制坐标系评价方法,设计三类机动车污染减排的控制情景:“单一措施控制情景、结构性措施控制情景、综合性措施控制情景”,分析在不同的机动车控制措施情景下各污染物(CO、SO2、NO、PM10、PM2.5)与温室气体(CO2、CH4、N2O)的之间协同效应,为上海市今后开展机动车污染减排提供依据.

1 研究方法

1.1 排放量计算

机动车污染物排放量按照式(1)计算:

式中:为某个城市;为车型;Q为第个城市的机动车排放量,t;P,j为在城市第车型的机动车保有量,辆;M为第车型的年平均行驶里程,km; EF,j为在城市第车型的排放因子,g/(km·辆).

表1本研究车型分类说明Table 1 Vehicle classification of the research

机动车类型采用《中国统计年鉴》[1]的划分方法,主要考虑大型和小型载客汽车、重型和轻型载货汽车以及摩托车,车型分类见表1.由上海市实施新车标准计划获得上海市分车型按不同排放标准的保有量分配系数[19-20].

1.2 机动车年均行驶里程

年均行驶里程是在计算机动车污染物排放过程中的一个主要参数.通过收集相关资料,在机动车环保定期检验中,对车辆行驶里程进行调查和记录,收集部分汽车的行驶里程数据,得到其平均年行驶里程,分车型年均行驶里程见表2,从表2可知,各车型年均行驶里程大多随车龄的增长呈下降趋势,可知机动车使用频率是随车龄的增加而逐年减少的.

表2 分车型机动车年均行驶里程(´104km)Table 2 Annual mileage traveled by different types of motor vehicle (´104km)

1.3 排放因子

不同类型机动车尾气排放标准下分车型颗粒物排放因子(表3).分车型排放因子与燃料类型、发动机、行驶速度和保养维护状况等因素有关.近几年,我国学者相继利用COPERT、MOBILE、IVE、PART5 等模型,获得了不同车型颗粒物排放因子.在考虑到COPERT模型是主要用来研究不同排放标准体系对模型影响的结果,而我国当前还是采用与欧洲相同的机动车排放标准和测试工况,因此在研究不同排放标准对排放因子的影响主要还是参考了COPERT模型的计算结果[21].

表3 机动车污染物排放因子[g/(km·辆)]Table 3 Emission factors of mobile sources [g/(km·vehicle)]

1.4 协同效应分析方法

1.4.1 协同控制效应坐标系 利用协同控制坐标系评价方法,分析在不同机动车控制措施情景下对大气污染物与温室气体减排之间的协同程度[22].协同控制效应坐标系是指在二维或多维空间坐标系中,不同坐标表达某种机动车污染控制措施对于不同污染物减排和温室气体的减排效果,某种机动车污染控制措施所处的坐标系位置,能反映出污染物减排效果及其两者之间的“协同”状况[23].

在图1中的二维坐标系,横坐标表示在某种控制措施情景下对机动车污染物的减排效果,纵坐标表示在该控制措施情景下对温室气体减排效果,点的横、纵坐标可以直观地反映出该措施对大气污染物和温室气体的减排效果.在第一象限中,表明该控制措施能对污染物和温室气体同时进行减排;在第二象限中,表明该控制措施能减排温室气体但会增排污染物;在第三象限中,表明该控制措施能同时增排污染物和温室气体;在第四象限中,表明该控制措施能减排污染物但同时会增排温室气体.由图1的第一象限可看出,某一点与原点的连线所形成的夹角(tg)越大,表示这一点所代表的控制措施在对等量的污染物进行减排时,对温室气体的减排则越好(图1中,点E协同效果优于点A,并且点A、点E所代表的措施协同效果均是具有正相关性的),当该连线与横坐标形成夹角相同时,离原点距离越远表示该控制措施对污染物和温室气体的减排效果越好(图1中,点N优于点M);而在第二象限中,B点所代表的控制措施能减少温室气体的排放但同时会增排污染物;第三象限C点所代表的控制措施能同时增加污染物排放和温室气体的排放;第四象限D点所代表的控制措施对污染物有一定的减排效果但会增排温室气体[23-24].

1.4.2 大气环境效益经济指标 考虑到各类污染物之间减排量量纲范围的差异性,使得该减排效果有一定的可比性,对机动车排放的5种大气污染物和3种温室气体采用经济指标衡量它们之间的减排协同效应.我国2003年颁布的《排污费征收标准管理办法》[25],将机动车排放的五种污染物排放量全部转换为经济指标,计算公式为:

式中:为污染物类型;Q为第类污染物的总排放量,万t/a;K为第类污染物当量值;E为污染物当量排放应征收的单价,计为600元/t[24,26].

根据IPCC有关规定可知温室气体CH4和N2O的增温潜力分别为CO2的21和310倍,通过CH4、N2O和CO2排放量变换成CO2的当量排放量,再由CO2所要征收单价将CO2的当量排放量转换为经济指标[27].

2 结果分析与讨论

2.1 测算结果

利用公式(1)测算出2007~2012年上海市机动车各污染物排放量,结果见图2.

由图2可见,2007~2012年期间,上海市机动车污染物年排放总量呈递减趋势,从2007年的56.47万t下降到2012年的50.79万t,其中CO、NO、PM10和PM2.5年排放量均呈递减趋势;而HC和SO2年排放量呈增长趋势.说明近几年上海市机动车污染物排放情况得到一定的缓解,但污染仍然很严峻.

2.2 上海市分车型污染物排放量变化情况

不同车型的机动车由于各自的保有量、排放因子、年均行驶里程和运营比例等特征参数的不同,其在污染物排放总量中占的比例也会有显著的差异.城市分车型排放分担率(G,%)是指在所研究区域内不同车型的污染物排放量(Q,)与该污染物的排放总量(Q,)的比值[28].通过计算得出2007~2012年上海市分车型污染物排放量结果和分车型分担率结果,见图3、图4.

由图3和图4可看出,在2007~2012年期间, MC、LDGV、HDDT和HDDV是机动车污染物主要的排放源,其排放量总和占到机动车污染物总量的90%以上.其中MC、HDDV和HDDT对污染物总量分担率逐年下降,而LDGV则呈现出逐年递增态势,2012年分担率达到46.84%.同时由于LDDV、LDDT和LDGT保有量相对较少,因此污染物分担率较小,三者之和在4%左右.

2.3 上海市基准线年污染物排放清单

有关机动车排放控制措施效果评估通常是对目标年与基准年之间污染物排放量的变化情况进行研究[29-31].本文则是通过引入基准线年,对基准线年的无机动车控制措施与实施了机动车控制措施的减排效果进行对比,比较在这两种情形下的各污染物和温室气体的减排效果[32].以2012年为基准年,2018年为基准线年,即先以2012年为基准年,预测2018年无控制情景下的排放量,预测结果见表4.

表4 2018年上海市机动车污染物排放量预测Table 4 Emission inventory for the target year of 2018 in Shanghai

由表4可知,根据近几年上海市机动车保有量增长速度,如不采取任何控制方案,2018 年上海市机动车污染物排放状况将更加严峻,其中一次排放的可吸入颗粒物PM10增长7%,同时温室气体也将大幅增加,其增长比例为15%~108%,其中CO2增长比例达到45%以上.因此,由以上分析结果知,一方面,当前上海市正从传统煤烟型污染,向灰霾和臭氧复合型大气污染转变,若按以上增长趋势,由机动车引发的上海市复合型大气环境污染将会越来越严重;另一方面,若按以上增长趋势,机动车污染物排放将阻碍上海市2017 年底PM2.5年均浓度比2012年下降20%的目标;同时也会阻碍上海市实现“十二五”单位生产总值CO2的排放量比2010年下降19%的目标.

2.4 机动车污染物控制措施情景

根据国内外机动车污染控制的主要手段同时结合上海市实际情况,本文设计了三类机动车污染减排的控制情景:包括“单一措施控制情景、结构性措施控制情景、综合性措施控制情景”,其中在单一措施控制情景中包含了五类具体的控制措施(表5).

表5 机动车排放控制情景描述Table 5 Descriptions of vehicle emissions control measurement scenarios in 2018 in Shanghai

2.5 各控制措施下对污染物减排的贡献分析

根据表5,计算出在各控制情景下的污染物排放量削减比例(表6).由表6可知,上海市机动车污染物排放量在各控制情景下均有不同程度下降,但在不同控制情景下,不同污染物削减比例差别较大,即控制措施对污染物减排的贡献差异较大.

表6 各控制措施下污染物的削减比例(%)Table 6 Emissions reduction under different control scenarios compared to the baseline scenario (%)

由表6也可看出,在单一措施控制情景下,淘汰黄标车对机动车污染物削减效果最好,其中对NO、PM10和PM2.5的削减比例均在50%以上,SO2也近14%;而提高排放标准对SO2和CO削减效果比淘汰黄标车要好,但对PM2.5就明显低于淘汰黄标车.以上这2类控制措施的削减效果高于其他3类措施主要是由于黄标车,这类汽车车龄接近报废年限,累计行驶里程长,尾气排放控制技术落后,排放因子较高,污染物排放量是新车的5至10倍;同时黄标车对NO、PM10及PM2.5排放的贡献也远比国Ⅲ标准以上的汽车高.

淘汰摩托车对CO的削减比例为13.95%,但对其他污染物削减效果不明显.这不仅与摩托车自身排放特征有关,如一辆摩托车CO的排放量等同于5辆轻型汽油车排放量;同时也与上海市机动车保有量结构有一定的关系.表6也表明,公交优先策略、提升燃油品质对污染物减排也有一定的效果;公交优先策略可使大气污染物排放量下降4%~9%左右,而提升燃油品质可使大气污染物排放量下降在1%~16%左右.

相对于单一控制措施,结构性控制及综合控制措施的减排效果则更好.其中在结构性控制和综合性控制情景下,机动车污染物排放量下降幅度均在56%以上.

2.6 各控制措施下对温室气体减排的贡献分析

根据IPCC 的规定:温室气体CH4和N2O的增温潜力分别是CO2的21倍和310倍,通过折算可知CO2当量值只占到机动车直接排放CO2的0.003~0.004和0.007~0.02,为简化分析过程,只对机动车CO2的排放量进行分析.根据表5,计算在各控制情景下CO2的排放量,并与基准线年比较分析,结果见表7.在单一控制措施下,淘汰黄标车及提高排放标准能对CO2的排放量削减22%~ 32%,公交优先对CO2减排效果略高于提升燃油品质和淘汰摩托车的减排效果.结构性控制措施和综合性控制措施CO2的削减比例为42%和45%,说明实施这2项控制措施比实施单一控制措施的减排效果要好.

表7 各控制措施下CO2削减比例(%)Table 7 CO2emissions reduction under different control scenarios compared to the baseline scenario (%)

2.7 协同效应分析

通过协同效应坐标系法分析在各项机动车控制措施下对这两类污染物减排的协同效应.首先根据公式2 分析在各项机动车排放控制措施下对污染物和温室气体减排的协同控制效应,如图5所示.

★淘汰黄标车 ■公交优先 ▲提升燃油品质 ▼提高排放标准
☆淘汰摩托车 △结构减排 ▽综合措施

由图5知,机动车控制措施对两类污染物的协同效应均是正向的.在单一控制措施下,提高排放标准(tg=4.89)、公交优先(tg=3)和淘汰摩托车(tg=2.61)这3项控制措施对温室气体比对污染物的减排效果要好;而淘汰黄标车(tg=0.91)和提升燃油品质(tg=0.5)这两项控制措施对污染物的减排效果比温室气体要好.同时从图5 也可看出,对两类污染物的减排效果,综合控制措施(tg=1.16)的协同性要优于结构控制(tg=1.30),且综合控制措施(tg=1.16)对污染物和温室气体减排的协同性.

NO、PM2.5与温室气体三者之间的协同效应,因为当前NO和PM2.5是我国重点关注的两类机动车污染物.由图6可知,提高排放标准(tg=7.99)在减排NO和PM2.5与温室气体的协同效应最优,其次减排效果依次减弱是淘汰摩托车(tg=7.84)、公交优先(tg=4.20)、淘汰黄标车 (tg=1.45),而提升燃油品质(tg=1.13)的协同效果是最差的.综合以上分析知,实行结构性控制措施将是上海市实现机动车污染物与温室气体减排达到最优的最佳选择.

综上所述,根据国内外机动车污染控制的主要手段同时结合上海市实际情况,机动车排放控制可在有目标性地提高排放标准的基础上,优化交通出行方式,大力发展城市低碳公共交通,同时逐步淘汰黄标车和摩托车,但从长远形势来看,提升燃油品质也是一种不错的选择.

3 结论

3.1 在2007~2012年期间,上海市机动车污染物年排放总量呈现递减趋势;其中MC、LDGV、HDDT和HDDV是机动车污染物主要的排放源,四者排放量之和占机动车污染物排放总量的90%以上.

3.2 根据近年来上海市机动车保有量增长速度,若不采取任何控制措施,2018 年上海市机动车PM10排放量将增长7%,同时温室气体也将大幅增加,其中CO2增长比例将达到在45% 以上,机动车引发的上海市复合型大气环境污染将越来越严重,机动车污染物排放将阻碍上海市2017 年底PM2.5年均浓度比2012年下降20%的目标.

3.3 在各控制情景下上海市机动车污染物排放量均有不同程度下降,但在不同控制措施情景下,不同污染物削减比例差别较大.在实施单一控制措施下,对机动车污染物削减效果最好的是淘汰黄标车,而相对于全部单一控制措施,结构性控制和综合性控制措施对这两类污染物的削减效果最明显.

[1] 中华人民共和国国家统计局.中国统计年鉴2013 [M]. 北京:中国统计出版社.

[2] 中华人民共和国环境保护部.中国机动车污染防治年报(2013) [Z]. 2013-12.

[3] Ntziachristos L, Samaras Z. COPERTIII Computer programme to calculate emissions from road transport, Methodology and emission factor (Version 2.1) [R]. Technical Report No 49. Copenhagen: European Environmental Agency, 2000.

[4] Ekstrom M, Sjodin A, Andreasson K. Evaluation of the COPERT III emission model with on road optical remote sensing measurementsAtmospheric Environment, 2004,38:6631- 6641.

[5] Borge R, De Miguel I, De la Paz D, et al. Comparison of road traffic emission models in Madrid (Spain) [J]. Atmosp-heric Environment. 2012,62:461-471.

[6] Kassomenos P, Karakitsios S, Pilidis G. Daily variation of traffic emissions in Athens, GreeceEnvironment and Pollution, 2009,36:324-335.

[7] Baltrenas P, Vaitiekūnas P, Vasarevičius S, et al. Modelling of motor transport exhaust gas influence on the atmosphere [J]. Journal of Environmental Engineering and Landscape Management, 2008,16(2):65-75.

[8] Soylu S. Estimation of Turkish road transport emissions [J]. Energy Policy, 2007,35:4088-4094.

[9] Wang H K, Chen C H, Huang C, et al. On-road vehicle emission inventory and its uncertainty analysis for Shanghai, China [J]. Science of the Total Environment, 2008,398(1/2/3):60-67.

[10] Wang H K, Fu L X, Lin X,. A bottom-up methodology to estimate vehicle emissions for the Beijing urban areaScience of the Total Environment, 2009, 407(6):1947-1953.

[11] 王海鲲,陈长虹,黄 成,等.应用IVE模型计算上海市机动车污染物排放 [J]. 环境科学学报, 2006,26(1):1-9.

[12] 傅立新,郝吉明,何东全,等.北京市机动车污染物排放特征 [J]. 环境科学, 2000,21(3):68-70.

[13] 何东全,郝吉明,贺克斌,等.应用模型计算机动车排放因子 [J]. 环境科学, 1998,19(3):7-10.

[14] 姚欣灿,黄如娜,农加进,等.广州市2010年道路机动车排放清单研究 [J]. 广州环境科学, 2012,27(2):20-24.

[15] 李修刚,杨晓光,王 炜,等.用于城市交通规划的机动车污染物排放因子 [J]. 交通运输工程学报, 2001,1(4):87-91.

[16] 涂先库,李传志,李发宗.宁波市区道路机动车综合排放因子 [J]. 环境科学研究, 2008,21(2):94-98.

[17] 王伯光,邵 敏,张远航,等.机动车排放中挥发性有机污染物的组成及其特征研究 [J]. 环境科学研究, 2006,19(6):75-80.

[18] 王志霞,陆雍森.区域持久性有机物的健康风险评价方法研究 [J]. 环境科学研究, 2007,20(3):152-157.

[19] 中国汽车技术研究中心,中国汽车工业协会.中国汽车工业年鉴.2008-2013 [M]. 北京:《中国汽车工业年鉴》期刊社, 2008-2013.

[20] 中国汽车市场年鉴编辑部.中国汽车市场年鉴.2008-2013 [M]. 北京:中国商业出版社, 2008-2013.

[21] 蔡 皓,谢绍东.中国不同排放标准机动车排放因子的确定 [J]. 北京大学学报(自然科学版), 2010,46(3):319-326.

[22] 李丽平,周国梅,季浩宇,等.污染减排的协同效应评价研究:以攀枝花为例 [J]. 中国人口×资源与环境, 2010,20(5):91-95.

[23] 毛显强,曾 桉,胡 涛,等.技术减排措施协同控制效应评价研究 [J]. 中国人口·资源与环境, 2011,21(12):1-7.

[24] 程晓梅,刘永红,陈泳钊,等.珠三角洲机动车排放控制措施协同效应分析 [J]. 中国环境科学, 2014,34(6):1599-1606.

[25] 国家纪委,财政部.排污费征收标准管理办法 [Z]. 2003.

[26] 霍 红,贺克斌,王歧东,等.机动车污染排放模型研究综述 [J]. 环境污染与防治, 2006,7(28):526-530.

[27] 苏 明,傅志华,许 文,等.碳税开征建议:2012年10元/吨CO2[J]. 中国经济报告, 2010(1):36-41.

[28] 车汶蔚,郑君瑜,钟流举.珠江三角洲机动车污染物排放特征及分担率 [J]. 环境科学研究, 2009,22(4):456-461.

[29] 李新兴,孙国金,田伟利,等.杭州市"十二五”机动车NO减排对策研究 [J]. 中国环境科学, 2012,32(8):1416-1421.

[30] 王 琛,王伯光,钟流举,等.珠江三角洲机动车污染控制对策研究 [J]. 环境科学与技术, 2009,32(6):195-199.

[31] 高玉冰,毛显强,Gabriel Corsetti,等.城市交通大气污染物与温室气体协同控制效应评价——以乌鲁木齐市为例 [J]. 中国环境科学, 2014,34(11):2985-2992.

[32] Che W W, Zheng J Y, Wang S S, et al. Assement of motor vehicle emission control policies using Model-3/CMAQ model for the Pearl River Delta region, China [J]. Atmospheric Environment, 2011,45:1470-1475.

[33] Lumbreras J, Valdés M, Borge R, et al. Assement of vehicle emissions projections in Madrid (Spain) from 2004 to 2012 considering several control strategies [J]. Transportation Research Part A, 2008,42:646-658.

* 责任作者, 教授, wuky@fudan.edu.cn

Co-control effects of motor vehicle pollutant emission in Shanghai

WANG Hui-hui1, ZENG Wei-hua1, WU Kai-ya2*

(1.School of Environment, Beijing Normal University, Beijing 100875, China；2.National Innovative Institute for Public Management and Public Policy, Fudan University, Shanghai 200433, China)., 2016,36(5)：1345~1352

Based on the information for the vehicle traffic during 2007-2012 in Shanghai, the pollutant emissions of motor vehicles were calculated. Three scenarios for vehicle pollutant reduction control were designed by applying the co-control evaluation method, which are single measurement, structural measurement and integrated measurement, respectively. The results indicated that the vehicle pollutant emissions from 2007 to 2012 in Shanghai presented a decrease trend. Motorcycle (MC), light-duty gasoline vehicle (LDGV), heavy-duty diesel trucks (HDDT) and heavy-duty diesel vehicle (HDDV) were the major pollution sources, which accounted for more than 90% of the total vehicle emission. According to the growth rate of ownership of motor vehicles in Shanghai currently, the inhalable particulate matter (PM10) emission from vehicle will increase by 7%, and the growth rate of greenhouse gas emission is between 15% and 108%, of which the carbon dioxide (CO2) will increase by 45% in 2018. The pollutants and greenhouse gases would be reduced under three control scenarios, but the effectiveness of emission reductions had obvious differences. Under the single control measurement scenario, eliminating yellow label cars and releasing stringent emission standards would be more effective to reduce vehicle pollutants and greenhouse gases. The reduction rate could be more than 20%. Moreover, under the structural control measurement scenario, vehicle pollutants and greenhouse gases would be more effectively reduced the reduction rate being more than 40%, and the co-control effect would be obviously positive.

motor vehicle；emission factors；greenhouse gas；co-benefit；Shanghai

X823

A

1000-6923(2016)05-1345-08

王慧慧(1989-),男,安徽枞阳人,北京师范大学博士研究生,主要从事环境影响评价及环境规划与管理研究.

2015-09-30

国家自然科学基金(71173047,71573045)