青岛市机动车排放清单与空间分布特征

孙世达,姜 巍,高卫东 (济南大学资源与环境学院,山东 济南 250022)

青岛市机动车排放清单与空间分布特征

孙世达,姜 巍*,高卫东 (济南大学资源与环境学院,山东 济南 250022)

以青岛市 2000～2014年机动车保有量与活动水平数据为基础,综合考虑排放标准与燃油品质的动态变化,以及机动车在城市路、郊区路和高速路的行驶比例与行驶工况,基于COPERT模型和GIS技术建立了0.02°×0.02°高分辨率机动车排放清单.结果表明,青岛市机动车CO、VOCs与 SO2的排放量由 2000年的 168.68,33.57,5.27kt下降至 2014年的 155.14,17.51,2.44kt,NOx、PM10与 CO2的排放量则由23.88,1.22,2647.32kt上升至57.82,2.76,17736.06kt.其中,CO与VOCs排放主要贡献车型为轻型载客车和摩托车,NOx与PM10排放主要来自于重型载客车与重型载货车,而CO2和SO2排放主要来源于轻型载客车与重型载货车.机动车排放空间分布呈现出由城市中心向城市边缘的递减趋势,并沿高速路呈明显的带状分布.李沧区、市北区、市南区和城阳区机动车排放强度较高,平度市、莱西市与崂山区机动车排放强度较低.

排放清单；机动车排放；时空分布；青岛

在工业化与城市化的联合作用下,我国机动车保有量进入了高速增长期,机动车排放带来的大气环境问题引发了越来越多的关注,准确、详细的机动车排放清单是确定机动车排放趋势、分析减排潜力的基础.李新兴等[1]建立了2010年杭州市区机动车CO、HC、NOx和PM10排放清单.何立强等[2]计算了 2010年中国机动车 CH4和N2O排放量.这些研究可以识别研究区域在特定年份的机动车排放特征,但难以把握机动车排放的总体变化趋势.当前我国机动车正处于高速增长期,对这种趋势的把握尤为重要[3],国内一些学者开始建立长时间序列的机动车排放清单.Lang等[4]建立了中国 1999～2011年机动车排放清单,分析了机动车排放变化趋势以及省级层次的分布特征.Wang等[5]、王慧慧等[6]、Zhang等[7]分别在在北京、上海、广州建立了长时间序列机动车排放清单.这些研究普遍集中在国家层面或经济相对发达的地区,对普通城市机动车排放的趋势变化研究较少[8].此外,仅提供排放量数据的机动车排放清单空间识别性较低,难以提供全局、客观、立体的机动车排放信息,而高分辨率排放清单是正确评估机动车排放对空气质量影响的关键[9].已有研究中机动车排放空间分配多采用参数(如人口密度、经济发展水平)替代法.如宋翔宇等[10]采用第二产业增加值为替代变量得到了中国 40km×40km高分辨率机动车排放清单.这种方法得到的空间分配结果与实际路网有一定偏差,有学者提出以实际道路网络作为机动车排放的分配基底可以有效降低空间分配偏差,保证分配结果落于机动车空间排放源范围之内[11].总体而言, 目前我国对于城市级别的长时间序列、高分辨率机动车排放清单的研究仍处于起步阶段.

青岛位于山东东部沿海,随着经济的高速发展,近年来青岛市机动车保有量增长迅速,机动车排放已成为当地大气污染的重要来源[12].建立青岛市机动车排放清单,分析机动车排放的时间变化趋势与空间分布特征,是做好大气污染防治工作的基础,目前针对这一地区机动车排放的研究较少.本文基于 COPERT模型建立了青岛市2000～2014年机动车主要污染物排放清单,并基于道路信息对机动车排放进行空间分配,分析各类污染物的总量趋势、来源变化以及空间分布特征,以期为决策者制定机动车污染防治措施提供参考.

1 材料与方法

1.1 研究区域与对象

本研究建立了青岛市2000年至2014年长时间序列、高分辨率的机动车排放清单,涵盖CO、VOCs、NOx、PM10、CO2与SO2共6种污染物,包括汽车与摩托车两大类排放源.由于非道路移动源(如农用运输车、工业机械等)的排放计算方式与机动车存在较大差异[13],故本研究所建立排放清单不包含非道路移动源排放.根据 COPERT模型车型划分要求以及我国机动车数据统计现状,本文将机动车划分为轻型载客车、轻型载货车、重型载货车、重型载客车与摩托车5类.

1.2 清单估算

机动车污染物排放量的计算基于排放因子法,主要涉及三个参数:机动车保有量、年均行驶里程和机动车排放因子.计算公式为[14]:

式中:E表示机动车污染物排放量,t;i表示机动车类型,j表示污染物种类,h表示排放标准(国Ⅰ前到国Ⅳ),k表示研究年份(2000年至2014年);P表示机动车保有量,VKT表示年均行驶里程,ef表示机动车排放因子,g/(km⋅辆).

1.2.1 机动车保有量 根据《山东统计年鉴》数据[15],青岛市机动车保有量从2000年的65.15万辆增长到了2014年的207.73万辆,年均增长率为8.69%(图1).从分车型增长率来看,轻型载客车增速最快,年均增长率达到了 25.14%.轻型载货车、重型载货车与重型载客车年均增长率差异较小,但均低于平均增长水平,分别为7.99%、6.02%和 6.32%.近些年来,摩托车的主体地位逐渐让渡给轻型载客车,摩托车数量占机动车保有总量的比例从 2000年的 77.34%下降到 2014年的17.69%,而轻型载客车的比例则从10.19%上升至72.45%.机动车保有量的高速增长消耗了大量化石能源的同时,也给青岛市大气污染防治工作带来了巨大压力.

图1 青岛市机动车保有量(2000～2014)Fig .1 Vehicle populations in Qingdao (2000～2014)

1.2.2 年均行驶里程 研究表明,受城市化水平以及交通运输业发展的影响,机动车年均行驶里程处于动态变化中[16].本研究搜集整理了过往年份研究中年均行驶里程的调研成果[3,17-19],选择与青岛市经济发展水平、机动车保有状况相近地区的年均行驶里程数据,经平均、插值、外推处理后,得到青岛市2000～2014年各类机动车年均行驶里程(图2).轻型载客车的普及使其年均行驶里程逐年下降[16].随着城市公共交通与物流业的发展,重型载客车、轻型载货车、重型载货车的年均行驶里程呈上升态势.摩托车在农村地区应用较为广泛,城市化率的提升使得摩托车的年均行驶里程逐渐下降.

图2 各类机动车年均行驶里程(2000～2014)Fig.2 Mileage for each vehicle type (2000～2014)

1.2.3 排放因子 排放因子用以衡量机动车单位行驶里程污染物排放量,其获取方式分为排放测试与模型模拟两类[20].由于排放测试获取到的排放因子样本量较少,不适用于建立区域尺度的宏观机动车排放清单.因此多数研究者建立排放清单时采用机动车排放模型模拟排放因子,常见的机动车排放模型有MOBIE[21]、COPERT[22]、IVE[23]等.其中,欧洲环境署(EEA)开发的COPERT模型适用于建立区域尺度机动车排放清单,且所需数据量较少,具备较强的可操作性,可兼容我国目前和未来一段时间的机动车排放标准,在我国国家级别[24]和地区级别[25]的机动车排放清单编制工作中得到了较好的推广.

COPERT模型将机动车污染物排放与平均行驶速度进行关联,采用大量实验数据,基于不同的车型以及排放标准拟合出一系列经验公式模拟排放因子[26].COPERT模型认为机动车污染物排放来自发动机热稳定排放、冷启动排放以及燃料蒸发3种排放源,各排放源排放因子计算方式有所不同.热稳定排放中,不同类型发动机排放因子是机动车平均行驶速度的函数.冷启动排放则是在热稳定排放基础上经修正后得到.燃料蒸发排放是燃料蒸气压和环境温度的函数.各类污染物的排放因子计算公式详见文献[27].

平均速度的选取在COPERT模型参数设定中尤为重要,直接影响着排放因子模拟的准确性,而以往研究[28-29]通常对所有类型机动车取同一平均速度.事实上,不同种类的机动车由于行驶特征和所运行路段交通流量的差异,平均速度存在着较大差别.近些年来,虽然也有部分研究[7,17]开始对不同种类机动车设定不同的平均行驶速度,但对机动车在不同道路类型上的行驶频率考虑较少.例如,轻型载客车通常行驶在城市路,而重型载货车则经常行驶在郊区路或高速路[30].摩托车则在郊区路行驶较多,城市路行驶较少[31].不同道路上机动车行驶速度也有差异,一般市区路平均速度要低于郊区路,郊区路则低于高速路.本研究将道路划分为城市路、郊区路与高速路三种类型,基于已有研究成果[19,32]结合青岛市机动车实际运行工况,确定了各类机动车在不同道路类型上的行驶比例(表1)与平均速度(表2).

表1 各类机动车不同道路类型行驶比例(%)Table 1 Trip rates for each vehicle type on different roads (%)

除平均速度外,COPERT模型还需要设定燃料参数、气候参数、单次出行平均里程、负载和坡度.燃料参数包括燃料蒸气压以及各种成分的含量,参考青岛市在不同年份执行的燃油标准进行设定.气候参数包括每月最高与最低气温和相对湿度,数据来源为气象统计资料[33].单次出行平均里程,即机动车一个运行过程行驶的平均距离,取国内平均水平 12km[24].道路坡度和负载均采用模型默认值,道路坡度设定为 0,负载设定为50%[28].

表2 各类机动车不同道路类型平均速度(km/h)Table 2 Average speeds for each vehicle type on different roads (km/h)

表3 机动车污染物排放因子(g/km)Table 3 Vehicle emission factors (g/km)

研究期内青岛市机动车共经历了国Ⅰ前至国Ⅳ五套排放标准,不同排放标准下的排放因子存在着较大差异[34].基于以上参数设定,使用COPERT模型模拟得到青岛市机动车不同污染物分车型分排放标准的排放因子(表3)

本研究采用存活曲线法[35]计算得到研究期内各类机动车不同排放标准构成比例,根据各年份机动车保有状况,结合表3排放因子数据计算2000-2014年机动车污染物的综合排放因子.计算公式为:

式中:EF表示在不同研究年份机动车污染物分车型的综合排放因子;i,j,h和 k分别表示机动车类型、污染物种类、排放标准和研究年份;ef表示各类机动车在不同排放标准下污染物的排放因子;P表示机动车保有量.

1.3 空间分配

本研究以青岛市路网信息为基础(图3),基于WGS1984 投影,以 119.508°～120.976°E 和35.582°～37.146°N为模型域,应用 GIS建立了0.02°×0.02°分辨率的空间网格,模型域内共包含3042个网格.计算每个网格内各类道路长度占地区道路总长度的比例,将不同种类污染物在各类道路上的总排放量按这一比例分摊到每一个网格上,并对每个网格内各类道路的各种污染物的排放量分别求和,最终得到污染物在各网格中的排放量.分配公式为:

式中:Q表示网格机动车排放量;n表示网格编号;c表示道路类型(包括城市路、郊区路和高速路);j表示污染物种类;L为道路长度;E为地区机动车排放总量.

本研究以各网格中包含的道路长度为权重对污染物排放总量进行空间分配.该分配方法假定网格内包含道路长度越多,则排放量越大,保证了分配结果落于机动车空间排放源范围之内.这一假定的现实基础是交通繁忙的地带往往拥有较高的道路密度,机动车污染物排放量较大,而郊区往往道路密度较低,污染物排放量也相应降低.当然,这种假定也存在着一定缺陷,例如即便是包含同样道路长度的网格,由于其所处区域的不同(如城市和郊区),其实际排放量也应是不同的.受数据可得性限制,本研究在空间分配过程中并未采取真实流量信息.事实上,尽管基于真实流量信息的空间分配更为准确,但由于在我国多数地区路网流量信息的获取较为困难,相较而言本研究所采用的空间分配方法更具操作性与普适性.

图3 青岛市路网分布Fig.3 Road network in Qingdao

2 结果与讨论

2.1 排放因子变化

2000～2014年间,青岛市机动车各类污染物的综合排放因子均呈现出不同程度的下降(图4),原因在于车队中排放标准构成的变化以及燃油品质的提升.从机动车排放标准的构成来看,2000年时几乎所有机动车均为国Ⅰ前排放标准,之后随着排放标准的不断提升,低排放标准机动车逐步淘汰,高排放标准机动车保有量稳步增长.至2014年,青岛市车队总体中国Ⅰ前、国Ⅰ、国Ⅱ、国Ⅲ和国Ⅳ排放标准的机动车比重分别为0.34%、7.81%、14.1%、31.66%和46.09%[12].从燃油品质的提升来看,2014年青岛市已全面供应了国Ⅳ标准汽油与国Ⅲ标准柴油,进一步减少了机动车污染物的排放.

对比不同车型各类污染物排放因子可知,轻型载客车、轻型载货车与摩托车 CO与 VOCs的排放因子较高,重型载客车与重型载货车NOx、PM10、CO2与SO2的排放因子较高.

从排放因子下降幅度来看,不同污染物排放因子降幅在不同车型间差异较大.尽管轻型载客车、轻型载货车与摩托车拥有较高的 CO与VOCs排放因子,但下降速度较快,在 2000～2014年间,CO排放因子分别下降了91.39%、83.90%、79.36%,VOCs排放因子分别下降了 94.46%、95.62%、77.12%.重型载货车与重型载客车的NOx与PM10排放因子较高,在研究期内,NOx排放因子降幅分别为30.20%、32.63%,PM10排放因子降幅分别为52.43%、62.26%.总体而言,作为不同种类污染物的高排放因子车型,重型载货车、重型载客车的NOx与PM10排放因子降幅低于轻型载客车、轻型载货车与摩托车的 CO与 VOCs排放因子降幅,这与Shen等[36]的研究结论一致.

图4 青岛市各车型机动车排放因子(2000～2014)Fig.4 Emission factors of the vehicle types in Qingdao (2000～2014)

CO2排放因子最为稳定,各车型CO2排放因子变化不大,原因在于CO2的排放与燃料消耗量密切相关,而排放标准的提升对于燃油经济性(即单位行驶里程的燃料消耗量)提升作用较小.SO2排放因子呈现出显著的阶段性下降特征,这是由于 SO2的排放取决于燃料中的含硫量,而燃油品质的提升具有阶段性.如2014年柴油含硫量由 0.2%下降至 0.035%,重型载货车与重型载客车的SO2排放因子分别从0.84,1.38g/km下降至 0.15,0.24g/km.SO2排放因子下降最快的车型为重型载货车和重型载客车,2000～2014年间降幅分别为92.9%与94.0%.

2.2 总量特征

综合考虑各年度车队组成、排放因子与年均行驶里程的动态变化,计算得到青岛市 2000～2014年6类机动车污染物分车型排放量(图5).

2000～2014年间,CO、VOCs、SO2的排放量均有不同程度的下降.CO和VOCs排放量呈现先升后降的趋势.以2007年为界,CO排放量从2000年的168.68kt增长至2007年的238.37kt,年均增长率为5.2%.之后CO排放量开始下降,2014年排放量仅为 155.14kt,与 2007年相比降幅达到了34.92%.VOCs排放量在 2003年即达到峰值,从2000年的33.57kt增长至2003年的41.29kt,年均增长率为7.35%,随后便开始下降.2014年,VOCs排放量降至 17.51kt,与峰值相比,降幅达到了57.59%.CO与VOCs的下降得益于两方面原因:一方面由于严格排放标准的实施以及低排放标准机动车的淘汰,CO与VOCs的车队综合排放因子下降较快;另一方面,高CO与VOCs排放因子车型轻型载客车与摩托车的年均行驶里程近些年来也一直在下降.SO2排放则呈现波状起伏变化,排放总量从2000年的5.27kt降至2014年的2.44kt,研究期内SO2排放量在2002年和2014年经历了两次大幅下跌,降幅分别为 43.16%与68.56%.原因在于SO2排放与燃油品质密切相关,燃料中含硫量的下降会减少 SO2的排放,从 2.1节排放因子分析也可以看出,SO2排放因子具有明显的阶段性下降特征.然而,燃油品质升级带来的减排效果会被高速增长的机动车数量所削弱,2000～2014年间,SO2排放除在少数燃油品质升级的年份有所下降外,在大部分年份一直处于上升状态.

与2000年相比,NOx、PM10与CO2的排放量均有较大幅度的增长,排放量分别由 2000年的23.88、1.22和2647.32kt上升至57.82、2.76与17736.06kt,增幅分别达到了 142.11%、125.93%和 569.96%.由于排放标准的不断升级以及低排放标准机动车的淘汰,自2012年起NOx与PM10的增长势头已基本得到控制,2012～2014年间NOx与 PM10的总排放量增幅仅为 0.70%与2.04%.与CO和VOCs相比,NOx与PM10减排效果较弱,原因有二:从排放因子来看,结合2.1节分析可知 NOx与 PM10排放因子的降幅整体低于CO与 VOCs;从活动水平来看,物流业与公共交通的发展使得高NOx与PM10排放因子车型重型载货车与重型载客车的年均行驶里程不断上升,导致了排放量的增长.CO2排放一直处于高速增长状态,2000～2014年间年均增长率达到了14.70%.由于燃料中的碳元素绝大部分转化为CO2,因此 CO2与机动车所消耗的化石燃料的数量直接相关.尽管我国机动车排放标准的提升相对较快,但燃油经济性提升进展较慢,CO2排放因子一直较为稳定,从而使得CO2增速一直处于较高水平.

2.3 车型贡献

轻型载客车与摩托车是CO与VOCs的排放主体.2000年时轻型载客车与摩托车对CO的分担率分别为38.94%与37.26%,对VOCs的分担率分别为 27.59%与 52.54%.近些年来,随着轻型载客车保有量的增长以及摩托车保有量的下跌,轻型载客车对CO与VOCs的分担率逐年攀升,成为最主要的贡献车型,在 2014年分别达到了65.02%和52.29%.而摩托车对CO与VOCs的分担率则在2014年分别下降至4.99%和13.75%.

重型载货车与重型载客车是NOx与PM10的主要贡献车型.重型载货车与重型载客车在2000年对NOx与VOCs的分担率差异很小,对NOx的分担率分别为35.98%和35.81%,对PM10的分担率分别为 34.40%和 35.51%.受交通运输业发展的影响,重型载货车对NOx和PM10的分担率逐渐上升,至2014年达到了58.17%和40.63%.而重型载客车对NOx和PM10的分担率在2014年则分别下降至 28.93%和 17.22%.这种趋势产生的原因在于轻型载客车的普及导致了重型载客车保有量的下降,进而造成其排放分担率的减少.

图5 青岛市分车型机动车排放(2000～2014)Fig.5 Emissions of the vehicle types in Qingdao (2000～2014)

CO2的排放取决于机动车消耗的燃料数量,受机动车活动水平和保有量的影响较大.2000年时 CO2主要贡献车型为轻型载客车、重型载货车与重型载客车,分担率分别为22.49%、25.54%、26.33%.近年来尽管轻型载客车的年均行驶里程有所下降,但保有量逐渐超过了其他各类机动车的总和,成为了CO2排放的主要分担车型,CO2分担率在2014年达到了53.30%.重型载货车由于其较高的燃油消耗水平,在2014年CO2分担率仍然保持在21.78%,为CO2第二大排放源.SO2的排放与燃油品质密切相关,近些年来,我国柴油含硫量一直高于汽油含硫量,因此重型载货车与重型载客车为SO2的主要分担车型,2000年时分担率分别为39.74%与42.00%.SO2主要分担车型的变动与CO2类似,近些年来由于轻型载客车保有量在车队总体中的绝对优势以及柴油含硫量的降低,轻型载客车对SO2的分担率在2014年上升至39.49%,成为最重要的SO2分担车型.较高的燃油消耗水平、较快的保有量增速使得重型载货车SO2分担率在2014年仍保持在34.09%,而重型载客车则由于其保有量的下降 SO2分担率降至15.83%.

2.4 空间分配

基于青岛市路网信息对2014年机动车各类污染物排放进行空间分配(图6).

青岛市机动车各类污染物排放空间分布整体上较为一致,呈现出由城市中心向城市边缘的递减趋势.此外,由于高速路车流量远高于郊区路与大部分城市路,因此机动车排放沿高速路呈明显的带状分布.而郊区路分布较为稀疏,车流量不大,因此整体排放强度(单位面积污染物排放量)较低.

图6 2014年青岛市机动车排放空间分布Fig.6 Spatial distribution of vehicle emissions in Qingdao in 2014

表4 2014年青岛市各区县机动车排放强度(t/km2)Table 4 Distribution of vehicle emission intensity in Qingdao region by cities in 2014 (t/km2)

通过比较青岛市各地区排放强度(表4)可知,李沧区、市北区和市南区作为青岛市内三区,商业区和居民区分布相对集中,整体排放强度较高.而城阳区作为连通青岛市区至内陆地区的枢纽,交通发达、路网密集,同样拥有较高的排放强度.平度市与莱西市由于辖区面积较大,使得区域内整体排放强度较低.崂山区作为青岛市的旅游中心,山地较多而路网较为稀疏,各类污染物排放强度最低.

2.5 不确定性分析与排放清单对比

建立排放清单过程中,不确定性来源主要为活动水平数据缺失以及排放因子的本地化差异

[37].本研究机动车保有量数据来自相关统计年鉴,不确定性较小.但考虑到我国统计口径与COPERT模型的车型设定存在差异,车型转换的过程中可能会存在一定的误差.受数据可得性限制,本研究未能考虑非青岛市本地注册车辆的跨地区流动所带来的排放,增大了排放清单的不确定性.本研究采用的年均行驶里程数据可以较好的反映近些年来各类机动车活动水平在不同影响因素下的动态变化,但由于时间跨度较长,且部分数据参考了其他地区的调查成果,可能无法完全反映青岛市的机动车年均行驶里程变化状况.本研究基于COPERT模型模拟的排放因子综合考虑了排放标准、燃油品质、行驶工况、气候条件等本地化因素,排放因子较为可靠.

目前,关于青岛市机动车排放的研究较少.本文将清单结果与青岛市环保局发布的《青岛市机动车污染防治年报》[12]进行对比(表5).该年报发布的最新机动车排放清单年份为 2013年,包括CO、VOCs、NOx以及PM10.从对比结果来看,CO、VOCs与PM10与公报数据一致性较好,NOx高于公报数据.这种差别来自于活动水平设定的不同与排放因子选取的差异.从活动水平设定上看,本文考虑到了 NOx主要贡献车型重型载货车与重型载客车年均行驶里程的上升对排放造成的影响.从排放因子选取上看,本文基于COPERT模型模拟的排放因子与青岛市环保局基于CVEM模型模拟的排放因子存在着固有差异.

表5 2013年青岛市机动车排放清单对比(×104t/a)Table 5 The comparison of vehicle emission inventory in Qingdao (2013) (×104t/a)

3 结论

3.1 2000～2014年间,青岛市机动车CO、VOCs与 SO2排放量由 168.68,33.57,5.27kt下降至155.14,17.51,2.44kt, NOx、PM10与CO2排放量则由 23.88,1.22,2647.32kt上 升 至 57.82,2.76, 17736.06kt.

3.2 研究期内各类污染物的主要贡献车型存在差异.总体而言,CO与VOCs排放主要贡献车型为轻型载客车和摩托车,NOx与PM10排放主要来自于重型载客车与重型载货车,而CO2和SO2排放主要来源于轻型载客车与重型载货车.

3.3 青岛市机动车各类污染物排放空间分布整体上较为一致,呈现出由城市中心向城市边缘的递减趋势,并沿高速路呈明显的带状分布.李沧区、市北区、市南区和城阳区机动车排放强度较高,平度市、莱西市与崂山区机动车排放强度较低.

[1] 李新兴,孙国金,王孝文,等.杭州市区机动车污染物排放特征及分担率 [J]. 中国环境科学, 2013,33(9):1684-1689.

[2] 何立强,胡京南,解淑霞,等.2010年中国机动车CH4和N2O排放清单 [J]. 环境科学研究, 2014,27(1):28-35.

[3] Lang J, Cheng S, Wei W, et al. A Study on the Trends of Vehicular Emissions in the Beijing—Tianjin—Hebei (BTH) Region, China [J]. Atmospheric Environment, 2012,62:605-614.

[4] Lang J, Cheng S, 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] Wang H, Fu L, Lin X, et al. A Bottom-up Methodology to Estimate Vehicle Emissions for the Beijing Urban Area [J]. Science of the Total Environment, 2009,407:1947-1953.

[6] 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 [J]. 中国环境科学, 2016,36(5):1345-1352.

[7] Zhang S, Wu Y, Liu H, et al. Historical Evaluation of Vehicle Emission Control in Guangzhou Based on a Multi-year Emission Inventory [J]. Atmospheric Environment, 2013,76:32-42.

[8] 姚志良,张明辉,张明辉,等.中国典型城市机动车排放演变趋势[J]. 中国环境科学, 2012,32(9):1565-1573.

[9] Che W, Zheng J, Wang S, et al. Assessment of Motor Vehicle Emission Control Policies Using Model-3/CMAQ Model for the Pearl River Delta Region, China [J]. Atmospheric Environment, 2011,45:1740-1751.

[10] 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.

[11] 郑君瑜,车汶蔚,王兆礼.基于交通流量和路网的区域机动车污染物排放量空间分配方法 [J]. 环境科学学报, 2009,29(4):815-821.

[12] 青岛市环境保护局.青岛市机动车污染防治年报 [R]. 青岛:青岛市环境保护局, 2014:3-6.

[13] 张礼俊,郑君瑜,尹沙沙,等.珠江三角洲非道路移动源排放清单开发 [J]. 环境科学, 2010,31(4):56-61.

[14] 郭秀锐,吉木色,郎建垒,等.基于情景分析的北京市机动车污染排放控制研究 [J]. 中国环境科学, 2013,33(9):1690-1696.

[15] 刘兴慧.山东统计年鉴 [Z]. 北京:中国统计出版社, 2015:3-427.

[16] Huo H, Zhang Q, He K, et al. Vehicle-use Intensity in China: Current Status and Future Trend [J]. Energy Policy, 2012,43: 6-16.

[17] Zhang S, Wu Y, Wu X, et al. Historic and Future Trends of Vehicle Emissions in Beijing, 1998～2020: a Policy Assessment for the Most Stringent Vehicle Emission Control Program in China [J]. Atmospheric Environment, 2014,89:216-229.

[18] Wang H, Fu L, Zhou Y, et al. Trends in Vehicular Emissions in China's Mega Cities From 1995 to 2005 [J]. Environmental Pollution, 2010,158:394-400.

[19] Tang D, Ding Y, Yin H, et al. Developing a First-ever National Mobile Source Emissions Inventory for China [C]. 18th Annual International Emission Inventory Conference, [S.l.]: US EPA, 2009.

[20] 程 轲,薛志钢,张增强,等.机动车大气污染物排放清单构建的研究 [J]. 环境污染与防治, 2009,31(9):89-94.

[21] 傅立新,贺克斌,何东全,等. MOBILE汽车源排放因子计算模式研究 [J]. 环境科学学报, 1997,17(4):474-479.

[22] 谢绍东,宋翔宇,申新华.应用 COPERTⅢ模型计算中国机动车排放因子 [J]. 环境科学, 2006,27(3):415-419.

[23] 姚志良,贺克斌,王岐东,等. IVE机动车排放模型应用研究 [J].环境科学, 2006,27(10):1928-1933.

[24] 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.

[25] 刘永红,姚达文,黄建彰.珠三角地区机动车排放清单建立与来源分析 [J]. 环境科学与技术, 2015,38(6):458-463.

[26] Ntziachristos Leon, Gkatzoflias Dimitrios, Kouridis Charis, et al. COPERT4Introduction: History, Methods, Data [R]. Greece: EMISIA, 2009.

[27] P. ahlvik S. eggleston-N. goriben et al. COPERTⅢ Computer programme to calculate emissions from road transport Methodology and emission factors (Version2.1) [M]. Copenhagen: EEA, 2000:14-20.

[28] 廖瀚博,余 志,周 兵,等.广州市机动车尾气排放特征研究[J]. 环境科学与技术, 2012,35(1):134-138,163.

[29] 曾雪兰,李红霞,程晓梅,等.佛山市机动车尾气排放清单及特征分析 [J]. 环境污染与防治, 2013,35(11):51-55.

[30] 赵新燕.郑州市机动车污染排放特征与控制措施研究 [D]. 长春:吉林大学, 2014.

[31] 程晓梅,刘永红,徐伟嘉,等.佛山限摩对摩托车出行特征及减排的影响分析 [J]. 环境科学与技术, 2013,36(6L):400-404.

[32] 王岐东,贺克斌,姚志良,等.中国城市机动车行驶工况研究 [J].环境污染与防治, 2007,29(10):745-748:784.

[33] 许小峰.中国气象年鉴 [Z]. 北京:气象出版社, 2015:664-689.

[34] 王 刚,郎建垒,程水源,等.重型柴油车PM2.5和碳氢化合物的排放特征 [J]. 中国环境科学, 2015,35(12):3581-3587.

[35] Goel R, Guttikunda S K. Evolution of On-road Vehicle Exhaust Emissions in Delhi [J]. Atmospheric Environment, 2015,105:78-90.

[36] Shen X, Yao Z, Zhang Q, et al. Development of Database of Real-world Diesel Vehicle Emission Factors for China [J]. Journal of Environmental Sciences (China), 2015,31(4):209-220.

[37] 毛红梅,张凯山,第宝锋.四川省天然源VOCs排放量的估算和时空分布 [J]. 中国环境科学, 2016,36(5):1289-1296.

Vehicle emission inventory and spatial distribution in Qingdao.

SUN Shi-da, JIANG Wei*, GAO Wei-dong
(School of Resources and Environment, University of Jinan, Jinan 250022, China). China Environmental Science, 2017,37(1)：49～59

According to the variation of vehicle populations, vehicle-use intensity, emission standards and fuel quality, high-resolution vehicle emission inventory of 0.02°×0.02 grid in Qingdao from 2000 to 2014 were developed by COPERT model and GIS, considering the differences of driving conditions and trip rates for each vehicle type in urban road, suburban road and highway. Results show that total emissions of CO, VOCs and SO2decreased from 168.68kt, 33.57kt and 5.27kt to 155.14kt, 17.51kt and 2.44kt during the period of 2000 to 2014, while NOx, PM10and CO2increased from 23.88kt, 1.22kt and 2647.32kt to 57.82kt, 2.76kt and 17736.06kt at the same period. Passenger cars and motorcycles were the major contributors to CO and VOCs emissions, NOxand PM10mainly came from buses and heavy duty trucks, while passenger cars and heavy duty trucks were main sources of CO2and SO2. For spatial distributions, vehicle emissions presented decreasing trend from downtown areas to urban fringes and concentrated in highway with distinctive banding distribution. High vehicle emission intensity regions were Licang district, Shibei district, Shinan district and Chengyang district, and low emission intensity regions were Pingdu city, Laixi city and Laoshan district.

emission inventory；vehicle emissions；spatial distribution；Qingdao

X511

A

1000-6923(2017)01-0049-11

孙世达(1991-),男,山东菏泽人,济南大学硕士研究生,主要从事机动车污染防治研究.发表论文2篇.

2016-06-09

山东省高校人文社科研究计划项目(J16YH28);山东省自然科学基金(ZR2015DM014);山东省教育厅人文社科项目(J12WG59);教育部人文社科基金(13YJC790059, 14YJCZH087)

* 责任作者, 教授, stu_jiangw@ujn.edu.cn