基于交通流-HBEFA因子的典型路段排放特性研究——以深圳市为例

朱永璇，何 流，郭唐仪

（南京理工大学 自动化学院，江苏 南京 210094）

0 引言

我国交通运输业的快速发展带来了日益严重的能源消耗和空气污染问题。生态环境部发布的《中国移动源环境管理年报（2020）》[1]显示，移动源污染已成为我国大中城市空气污染的重要来源。采取科学有效的控制措施来改变现阶段机动车排放带来的严重后果已刻不容缓。为此，对路段机动车尾气排放特征进行量化分析，计算不同车型机动车对尾气排放的贡献度，对道路空气污染治理具有重要的现实意义。

国外对尾气排放的研究开展得较早，目前国际上主要使用的移动源尾气排放模型（Motor Vehicle Emission Simulator,MOVES）、国际机动车排放模型（International Vehicle Emission Model,IVE）、计算道路运输排放量的计算机程序（Computer Programme to Calculate Emission from Road Transport,COPERT）等尾气排放模型均由欧美国家研发[2-3]。国外研究人员对空气质量以及交通流的监测结果表明，车辆排放已经成为道路环境中NO2的主要贡献者，交通量对早晨NOx浓度变化有显著影响[4-5]。在高交通量条件下，CO,NOx和PM2.5等污染物的道路浓度会显著高于一般水平[6]。对于高排放标准的车辆，如欧6 排放标准车辆的NOx排放会大幅减少[7]。在一些发达国家，客车和货车分别是CO,NOx的主要贡献者，而在一些发展中国家和地区，如印度德里，两轮车是CO,HC,PAHs 和乙醛等污染物的主要贡献者[8]。不同国家之间由于机动车排放标准及各车型占比不同，道路排放水平及不同车型对各类污染物的贡献度也存在明显差异。

近年来，国内学者对机动车尾气排放特征也进行了大量研究，主要集中于对MOVES,IVE 等尾气排放模型的本地化应用，而对欧盟开发的道路运输排放因子手册（Handbook on Emission Factors for Road Transport，HBEFA）的应用较少，仅有段仲渊和何巍楠等人分别进行了HBEFA 模型的深圳本地化和北京本地化，宏观层面评估了城市交通尾气排放，以推动和加强城市的低碳发展[9-10]。HBEFA 模型能为道路交通中所有车辆类别生成一个可靠和统一的“实际”排放因子数据库，获得对交通敏感且较准确的排放结果，并且中国和欧洲同类型车辆的燃油经济性、排放标准较为一致，因此HBEFA 模型本地化有较强的可行性与实用性[10-11]。

部分国内学者将尾气排放模型与统计数据、交通仿真软件相结合对不同城市的机动车排放进行分析，结果表明，不同类型车辆对各类污染物的贡献不同，小型客车往往是CO,HC的主要贡献源，货车是NOx和颗粒物的主要贡献源[12-15]，具体贡献程度在不同的城市之间存在差异。例如，张磊对西安市的机动车尾气污染物排放研究表明，客车对CO的排放贡献最大，为41.13%；货车对NOx和HC的排放贡献最大，分别为8.39%和3.49%[16]。吕改艳对重庆市的研究表明，在内环外，小型客车对CO 的排放贡献最大，为54.37%；大型货车对NOx的排放贡献最大，为36.69%[17]。采用单双号限行等控制方案可有效减少污染物排放[18]。

综上，关于机动车路段排放特征已有诸多研究成果，但大多采用MOVES和IVE等尾气排放模型和Vissim 等仿真软件进行分析，缺乏HBEFA模型在国内的应用以及结合实测交通流等数据对路段排放特征的定量分析。鉴于上述问题，本研究将以深圳为例，从微观层面利用HBEFA 模型得到深圳本地化的排放因子，结合深圳月亮湾大道的实测数据分析路段排放因子、排放强度及各车型的排放贡献率，然后利用加利福尼亚线源扩散模型（California Line Sources Dispersion Model,CALINE4）模拟机动车在该路段行驶产生的CO,NOx浓度，最后与实际监测浓度进行对比分析，验证HBEFA 模型在实际情况中的适用性和精准性，为道路交通污染防治提供理论依据。

1 研究方法与模型

1.1 数据来源

1.1.1 深圳市机动车数据

根据2010—2018年《深圳统计年鉴》计算得到深圳市分车型机动车保有量，结合年机动车增长量，可计算不同车型的车龄分布。本文假设深圳市与研究道路上机动车车龄分布相同，计算该道路上不同排放标准车辆的占比。

1.1.2 典型路段交通流数据

在深圳市南山区月亮湾大道，通过视频设备对2018 年8 月24 日全天24h 交通流进行采集。城市主干道作为城市大动脉，主要用来联系交通枢纽、生产区、公共场所及其他重要地点。月亮湾大道为深圳市17条主干道之一，连接广深高速公路、深圳赤湾集装箱码头等，承担着重要的客货交通运输任务，货车数量较多。该典型路段为双向8 车道，且西侧有人行横道，总宽度约为34m。视频数据采用人工计数的方式，分车型记录。

1.1.3 典型路段CO,NOx浓度数据

CO,NOx浓度数据监测点位于距道路中心线25m 处。监测设备包括车载式污染自动监测系统及化学发光法NO-NO2-NOx分析仪（量程为0～4ppm，RS232 接口输出）、红外相关法CO 分析仪（量程为0～200ppm，RS232 接口输出）各1 台。同时，获取南海子空气质量国控点的污染物数据作为南山区背景浓度，用于CALINE4模型模拟结果的验证。监测点位分布如图1所示。

图1 监测点位分布图

1.1.4 气象数据

同步记录深圳市气象局南山区的气象数据，包括温度、湿度、风速、风向、大气压和降雨量等指标，用作CALINE4 模型模拟道路交通CO,NOx浓度的输入条件。

1.2 HBEFA排放模型构建

1.2.1 机动车排放因子模型

利用HBEFA 模型计算深圳本地化的机动车排放因子，结合车流量、车队构成、车龄分布等指标，计算月亮湾大道机动车平均排放因子和排放强度，计算过程如下。

（1）划分车辆类型、道路类型、交通状态。将车辆类型划分为4种，分别为小汽车、公交车、货车和新能源车辆，其中小汽车再以排量和排放标准进行细分，货车以车辆大小进行细分；道路类型分为4 种，分别为快速路、主干路、次干路和支路；交通状态根据不同类型道路的平均行驶速度进行划分，分别为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵。

（2）建立深圳市典型工况。采集车辆逐秒级GPS 数据，以平均速度、停车时间占比、相对正加速度为主要指标，筛选出每种道路类型和交通状态下的20 个候选工况，并与HBEFA 模型的典型工况对比，得到深圳市典型工况。相关的计算公式[15]如下：

式（1）～式（3）中：V为工况平均行驶速度（m/s）；S为行驶距离（m）；T为总行驶时间（s）；SP 为停车时间占比，即停车时间占总运行时间的比例；vt=0 表示t时刻车辆速度为0；RPA 为相对正加速度（m/s2)；为t时刻车辆正加速度（m/s2）。

（3）计算不同车型车辆对各类污染物的贡献率，具体分为以下几个步骤：

首先，计算单车排放因子。基于本地测试排放数据和典型工况，构建乘用车及重型车辆排放模型（Passenger Car and Heavy Duty Vehicle Emission Model,PHEM）模型数据库，得到不同道路类型、不同交通状态下分车型的机动车排放因子。

然后，计算路段平均排放因子。假设该路段的车龄分布和深圳市机动车车龄分布相同，则结合单车排放因子和路段车流量计算路段平均排放因子：

式（4）中：EFh为第h小时机动车路段平均排放因子（g/km）；为车辆类型i的污染物j在道路等级rg、交通状态ts下的排放因子（g/km）；TFi,h,v为车辆类型i的机动车在第h小时内速度v下占总车流的比例。

接着，计算路段排放强度：

式（5）中：EIh为第h小时路段排放强度（g/(km·h)）；TVh为第h小时路段总车流量（veh/h）；EFh意义同前。

最后，计算分车型排放贡献率：

式（6）中：Ph,i,j为第h小时车型i的机动车对污染物j的贡献率；EIh,i,j为第h小时车型i的机动车污染物j的道路排放强度（g·km-1·h-1）；EIh意义同前。

1.2.2 污染物扩散模型

该模型基于CALINE4 模型的高斯烟流公式和混合区域概念，结合污染物沉积沉降速率，利用线源扩散模型模拟路侧污染物浓度。模型计算原理为：

（1）将道路划分为一系列线源单元；

3.培育一支高素质的企业工会干部队伍。加强工会干部队伍建设，提高劳动保护人员的综合业务素质，是做好工会劳动保护工作的基础。企业工会干部队伍建设只能加强，而不能弱化，在工会人员编制方面，应给予必要的倾斜，不能使工会人员受人员限制而忙于应付一般工作；要采用多种措施和途径，全面提高企业工会干部的业务素质，特别是懂法律法规、懂具体的劳动保护政策、掌握劳动保护的方法与手段，以及具有分析和解决劳动保护中出现各种问题的能力。

（2）计算每个线源单元产生的污染物对接受点浓度的贡献；

（3）对所有线源单元的贡献进行求和，得到整条道路对接受点贡献的污染物浓度。

污染物浓度计算公式如下[19]：

式（7）～式（10）中：C为预测点的污染物浓度（mg/m3）；n为划分的n个线源单元；u为近地面风速；EIm为线源强（mg·m-1· s-1）；y1,y2分别为线源的起点和终点；σy为水平方向扩散参数；σz为垂直方向扩散参数；L为整条道路长度（m）；l为线源长度（m）；W为道路宽度（m）；Ln,f为线源n的长度增长因子；θ为风向与道路的夹角（rad）；其他变量意义同前。

2 结果分析

2.1 车龄分析

深圳市机动车保有量及车龄分布如图2所示。2018年深圳市主要民用乘用车达3 297 590辆，同比增长6.13%，客运车为2 880 095 辆，货运车为417 475辆。2018对应点线图车龄为1年，2017对应点线图车龄为2 年，以此类推。小型客车中，车龄为5 年的占比最大，为19.2%；大型客车中，车龄为3 年的占比最大，为13.5%；小型货车中，车龄为1 年、2 年的占比较大，分别为15.1%和13.8%；大型货车中，车龄为10 年的占比最大，为28.2%，这与当年新实施的排放标准有关。

图2 机动车保有量及车龄分布

2.2 交通流分析

小时交通量及平均速度数据采集结果及其分布如图3 所示。根据采集数据计算可知，月亮湾大道日交通量为64 875veh/d，平均小时交通量为2 703veh/h，日间（7：00—23：00）平均为3 211veh/h，夜间（0：00—6：00）平均为1 179.5veh/h，日间比夜间高出172.2%，差异较大。5：00—6：00，车流量环比增加105%，呈明显增长趋势，其中小型客车增加517%。8：00—10：00，由于居民的上班通勤需求，交通量达到4 090veh/h，高出均值51.3%。该路段以小型客车和大型货车为主，分别占比56.1%和41.1%，夜间货车占比82.8%，日间客车占比60.8%，日夜车型差异明显。该路段平均行程车速为34.5km/h，日间平均与夜间平均分别为40.1km/h和32.6km/h，日夜车速差异明显，且车速和车流量呈负相关。

图3 小时交通量及平均速度数据分布

2.3 监测浓度分析

图4 CO,NOx浓度监测结果

由图4可知，路边监测的NOx,CO浓度均呈现早晚高峰特征。NOx平均浓度为366.43μg/m3，在2：00—7：00 时段处于最高峰水平。货车是NOx的主要贡献源之一，夜间虽然总交通量较小，但货车量保持在较高水平，且监测时段风速较低、相对湿度较大，导致扩散条件较差，在交通排放和气象因素共同作用下，NOx浓度于7:00 达到峰值893.89μg/m3。8：00—10：00，NOx浓度迅速下降，在9:00浓度仅为139.89μg/m3，较峰值下降84.4%，这与货车数量降至全日最低水平、日照辐射增强、扩散条件转好等因素有关。12：00—16：00，月亮湾大道交通量及货车数量均维持在较高水平，而NOx浓度远低于夜间值，这是因为下午日照辐射增强，促进了二次污染物臭氧的形成，加速了NOx的消耗，且下午风速较大，有利于污染物扩散。

CO 整体变化趋势与NOx类似，平均浓度为1.86mg/m3。2：00—7：00处于较高水平，在交通排放和气象环境的共同影响下，CO 不断积累，至7：00 浓度达到峰值2.51mg/m3。8：00—10：00，CO浓度下降，可能与货车数量达到全日最低水平、光照增强有关。12：00—16：00，月亮湾大道交通量及货车数量维持在较高水平，CO 浓度却远低于最高峰水平，可能是光照辐射增强，臭氧的产生加速了CO 的消耗，以及较高的风速和边界层高度增加了污染物在水平和垂直方向上的扩散。20：00 时，CO 再次出现较高浓度，主要与交通量较大、夜间逆温层增加导致的污染物积累相关。

2.4 气象数据分析

该路段日均温度为28.4℃，且变化不大。平均风速为0.98m/s，大多数时间风速小于1.5m/s，属于小风状态，13：00—17：00 风速大于1.5m/s。平均相对湿度为88.5%，中午降低。15：00出现短暂降雨，风速加强。

2.5 排放因子、排放强度及相关性分析

不同车型占比与路段排放因子及排放强度的相关性如表1 所示。由该表可知，小型客车对CO,NOx路段排放因子的相关系数分别为-0.644和-0.948，且显著性水平均小于0.005，呈显著负相关。大型货车对CO,NOx路段排放因子的相关系数分别为0.633 和0.943，且显著性水平均小于0.005，呈显著正相关。究其原因可能在于该路段车流主要由大型货车、小型客车构成，而大型客车、小型货车虽然单车排放因子较大，但在车队的占比分别仅为0.59%,2.20%，导致其相关性较弱。大型货车单车排放因子是小型客车的数十倍，该路段日间、夜间车流量较为稳定，大型货车占比的增加会导致路段CO,NOx排放因子增加。因此，大型货车占比与排放因子显著正相关，同理小型客车占比同排放因子呈显著负相关。至于路段排放强度，几种车型占比均未表现出明显相关性。

表1 不同车型占比与路段排放因子及排放强度的相关性

每小时路段排放因子及排放强度如图5所示。

图5 小时路段排放因子及排放强度

根据图5，路段CO,NOx每小时排放因子分别为（1.04±0.71）g/km 和（2.95±2.41）g/km，排放强度分别为（2664.27±1626.20）g/（km·h）和（7017.85±3382.99）g/（km·h）。横向对比来看，CO,NOx路段排放因子的变化趋势相仿，说明车队构成对路段排放因子的影响趋势是一致的。值得注意的是，在8：00—9：00 时段，两者均达到全日最低水平，此时车流量高于均值，但大型货车为全日最低水平，仅占约17.3%。0：00—5：00，CO,NOx路段排放因子均维持在较高水平，此时车流量为全日最低水平，但大型货车占比为全日最高。5：00 大型货车占比达到峰值86.12%，CO,NOx路段排放因子也达到峰值。10：00—16：00，CO,NOx路段排放因子均维持在次高水平且变化较小，此时车流量及各车型占比稳定。17：00—22：00，CO,NOx路段排放因子的变化趋势为先减后增，NOx变化较为明显，此时车流量逐渐减少但货车占比不断增加。以上CO和NOx路段排放因子的变化趋势说明其受到车流量大小和各车型占比的共同影响，其中大型货车占比对路段排放因子的影响远大于其他车型且对NOx的影响大于CO。

与排放因子不同，CO,NOx路段排放强度整体呈现日间值高于夜间值的趋势，而夜间小时车流量约为日间的31.5%。8：00—9：00，两者均出现大幅下跌，NOx,CO 分别环比下跌48%,30%，此时车流总量变化较小，但随着居民通勤出行的增加，大型货车占比不断减少至17.3%。之后（10：00—16：00）NOx和CO 的排放强度均维持在较高稳定水平，车流量及各车型占比较为稳定。17：00—19：00，路段排放强度出现下跌，货车占比不断减小。20：00—22：00，随着货车占比的不断增大，CO,NOx路段排放强度达到另一个小极值。以上变化趋势表明，大型货车占比对路段排放强度的影响大于其他车型，对NOx的影响大于CO，后者受车型的影响较小。

2.6 不同车型贡献率分析

不同车型污染物贡献率见图6。如图6（a）所示，在道路环境下机动车CO 排放中，大型货车的CO单车排放因子是小型客车的3～9倍，大型货车贡献的CO 排放量占比约为77.3%，小型客车、大型客车、小型货车分别贡献19.5%,1.4%,1.8%。在夜间，大型货车数量占比超过80%，CO排放占比超过99.5%。在日间，车流中以小型客车为主，在早高峰时段（7：00—9：00），小型客车数量占比为78%，但其排放贡献率仅为45%。如图6（b）所示，NOx的道路环境排放中，大型货车的NOx排放因子是小型客车的17～24 倍，大型货车、小型客车、大型客车、小型货车分别贡献92.9%,2.4%,2.3%,2.4%；在早高峰期间，即使大型货车占比仅为17%，依然贡献了83%以上的排放。

图6 不同车型污染物贡献率

综上可知，大型货车是该路段CO,NOx的主要贡献者，大型货车CO 排放标准每提高10%或大型货车占比每减少10%，该道路的CO 排放减少约7.7%；大型货车NOx排放标准每提高10%或大型货车占比每减少10%，该道路的NOx排放减少约9.3%。因此，对于承担城际运输任务的路段（如月亮湾大道），通过提升大型货车排放标准（特别是NOx排放标准）、适当降低其路段占比或可有效减小交通污染。

2.7 交通环境污染物浓度模拟验证

CO 实际监测浓度为（1.86±0.42）mg/m3，利用CALINE4模拟CO浓度为（1.23±0.17）mg/m3，相对误差为33.9%；NOx监测浓度为与模拟浓度皮尔逊相关系数为0.487。模拟结果表明，模型模拟NOx效果较好。

3 结语

本研究利用HBEFA 模型求取深圳本地化排放因子，结合深圳市典型道路交通流数据，计算路段每小时CO,NOx平均排放因子和排放强度，以及不同车型机动车对路段CO,NOx的贡献率，并通过CALINE4模型模拟道路交通排放以进行实验结果验证。最后，得出如下主要结论：月亮湾大道因其承担城际间交通运输任务的特殊性质，大型货车流量约占全天道路总流量的40%，其单车排放因子数值较大，导致大型货车对CO,NOx贡献率极高，分别为77.3%,92.9%；大型货车CO,NOx排放标准每提高10%或占比每减小10%，该道路的CO,NOx排放分别减少约7.7%,9.3%。由此可见，提高大型货车排放标准、适当降低其路段占比，是减少道路交通空气污染直接、有效的手段。本文的研究方法同样适用于其他类型道路（如次干道、支路）的研究，研究结果可为其他承担城际间交通运输、客货运输任务较重的道路污染治理提供借鉴。

本研究因计算排放时将车型仅划分为大型客车、小型客车、大型货车、小型货车，可能会对计算精度产生一定影响，未来研究中可对车型进行更细致的划分；由于尾气扩散受到风速、湿度等多因素影响，CALINE4 尾气扩散模型未能较好地对CO 进行模拟验证，未来可考虑采取其他尾气扩散模型提高模拟效果。