机动车尾气NO_x和VOCs排放对城市和区域的细颗粒物和臭氧等二次污染具有贡献，为了摸清现状并采取控制措施，国内外开展了机动车尾气排放清单^{[1, 2, 3]}、减排措施效果^[4,5]和对光化学烟雾污染等方面的研究^{[6, 7, 8, 9]}. 为了分析我国机动车排放现状，在北京^[10,11]、上海^[12]、广州^[13]、天津^[14]、杭州^[15]等城市或全国^[16]进行了机动车排放清单及环境影响研究，姚志良等^[10]以北京市为研究对象给出了IVE模型的主要输入参数的确定方法和思路，运用IVE模型对北京市不同车型机动车的排放量进行计算. Westerdahl等^[11]根据遥感和车载测试系统的数据得出了不同车型CO的排放因子，并报道了机动车黑炭和颗粒物数浓度排放数据，道路边的测试结果显示交通对污染物浓度有显著影响，特别是柴油货车对黑炭浓度的影响. Wang等^[12]应用IVE模型采取自下而上的方式建立了上海机动车尾气排放清单并进行不确定性分析. 朱倩茹等^[13]基于GPS浮动车法对广州市典型道路的机动车尾气排放量分布特征进行研究. 刘欢等^[14]运用IVE排放模型建立了天津市机动车污染物排放源清单. Guo等^[15]根据遥感测试和燃油消耗法计算得到杭州机动车尾气排放清单，并与IVE模型结果进行对比分析. Lang等^[16]应用COPERT模型和车辆保有量数据，估算了中国机动车尾气排放量并应用蒙特卡罗模拟法对误差进行分析.

车载测试系统能够测试车辆在实际行驶过程中的排放因子，是车辆实际工况排放测试、排放模型验证和控制措施评估的有效手段^[17]. Liu等^[18]应用车载测试系统对中国柴油车的实际工况排放进行了测试，Yao等^[19]对农用车辆的VOCs排放进行了车载法测试，并对其臭氧生成潜势进行了分析，Shen等^[20]对北京轻型汽油车的PM_2.5实际道路排放进行了测试，计算了轻型汽油客车PM_2.5排放在不同道路类型和不同时间段的贡献率，王海鲲等^[21]对轻型机动车的实际道路排放特征进行测试，樊守彬等^[22,23]对北京市国Ⅲ 和国Ⅳ排放标准的柴油公交车在实际道路上的排放特征进行测试. 李润奎等^[24]建立了一种基于车流和大气污染物浓度同步增量的机动车平均排放因子估算方法，结果发现冬季的CO排放因子远高于夏季，不同的交通状况下机动车尾气的排放存在较大的差异^[25]，因此车载测试结合实际道路交通信息建立的机动车尾气排放清单具有更高的准确性和时空分辨率，黄成等^[26]构建了动态化的道路机动车污染物排放清单模拟方法，并开展了城区典型道路的机动车小时排放模拟案例研究，该方法可实时反映实际道路的机动车排放变化，获取高排放路段和时段.

本研究调查统计了北京实际道路车流量、车型分布和车速等交通流信息，结合模型计算和车载测试系统实测的排放因子数据，以ArcGIS为平台构建了高时空分辨率的北京市机动车尾气排放清单，分析基于实际道路交通流信息的尾气排放特征，以期为交通环境管理提供技术手段和决策依据. 1 材料与方法 1.1 排放因子确定方法

通过调研2013年北京市的机动车车型构成、车辆行驶工况、环境温度、油品品质等基础数据，利用COPERT Ⅳ模型计算得到包括汽油载客汽车、柴油载客汽车、LPG载客汽车、汽油载货汽车、柴油载货汽车和摩托车等不同车型在实施国0、国Ⅰ、国Ⅱ、国Ⅲ、国Ⅳ、国Ⅴ和国Ⅵ等不同阶段机动车排放标准情况下在实际路况下的CO、NO_x、HC和PM的排放因子. 应用车载测试系统对典型车辆的尾气排放进行测试，对模型模拟的排放因子进行修正. 1.2 实际道路交通流信息获取

本研究根据北京市车辆信息数据库，获取2013年北京市不同燃料类型、车型大小、排放标准等的机动车保有量. 为掌握实际道路上各车型的流量分布规律，本研究通过模型模拟和调查统计方法获取了城区和郊区典型道路的车流量、车型构成和车速基础数据.

本研究应用北京交通发展研究中心构建的交通模型系统对北京城区(六环内)道路车流量及车速基础信息进行了模拟. 该模型系统主要功能是对全市的交通需求和供给进行模拟，分析交通系统内部的供需关系，反映真实的供需状况. 通过典型道路的实际调查对模型模拟结果与真实值进行校核，全部核查线路的误差在3%~5%之间. 模拟道路包括全路网，道路类型分为快速路、主干道、次干道和支路，通过对典型道路的调查统计，分析了城区不同类型道路不同时间段的车型构成，车辆类型分为小客车、大客车、小货车、中货车、大货车、小拖车、大拖车、拖挂和摩托车这9类.

通过对公路部门道路车流量和车型的统计分析和典型道路的调查，获取了郊区全路网车流量和车型构成数据，道路类型包括高速路、国道、省道、县道、乡道和专用车道等，车辆类型分类与城区相同. 以北京市路网信息为基础，应用ArcGIS软件编辑生成实际道路上车流量、车型构成和车速基础信息的小时时间序列数据库. 1.3 排放特征分析方法

本研究以实际道路交通流信息数据库为基础，以ArcGIS软件为平台，整合了道路信息(道路类型、名称、长度)、交通流信息(具有时间分布特征的车流量、车型构成、车速)和机动车排放因子数据等基础信息，计算得到北京市全路网道路上机动车尾气排放量，应用ArcGIS软件的时间、空间分析和数据统计功能，建立高时空分辨率的机动车尾气排放清单并进行排放特征分析. 2 结果与讨论 2.1 道路车流信息特征分析 2.1.1 城区道路车流信息分析

本研究模拟和调查了北京市城区典型道路的逐时车流量、车型构成和路网实时车速信息. 图 1为城区典型道路的车流量随时间的变化规律，从中可以看出明显的早高峰、晚高峰、平峰和夜间车流量的变化规律，早高峰最高，晚高峰次之，再次为平峰，夜间车流量最低，并且不同类型道路呈现相同的变化规律.

图 1

Fig. 1

图 1 城区道路车流量时间分布Fig. 1 Temporal distribution of traffic volume on urban roads

图 2为城区路网车速变化规律，分别统计了二环内、二环至三环、三环至四环、四环至五环路网车速日变化趋势. 可以明显看出早、晚高峰期间由于车流量增大，道路上的车速达到全天最低，约为21~22 km ·h^-1.

图 2

Fig. 2

图 2 城区路网车速时间分布Fig. 2 Temporal distribution of vehicle speed on urban roads

城区典型道路车型构成比例见图 3，从中可以看出各类型道路上均为小客车比例最高，均在89%以上，其次是大客车占3%~7%，中货车占0.4%~2%，大货车占0.2%~1.4%，摩托车占0.06%~2%.

图 3

Fig. 3

图 3 城区道路上的车型构成Fig. 3 Proportions of different types of vehicle on urban roads

选取郊区典型路段进行统计，得到了车流量和车辆类型构成的逐时变化规律，车流量的变化特征见图 4，从中可以看出，车流量变化特征与城区类似，有明显的双峰特征. 车型构成的日小时变化特征见图 5，从中可以看出，小客车的比例最大，占32%~64%，其他车型按所占比例排序由高到低依次是大货车，小货车，中货车，大客车，拖拉机，在06:00~07:00时，拖拉机的比例最高达到11%，在09:00~10:00时，大客车的比例最高达到12%，在20:00~21:00时内，小客车的比例最高达到64%，在22:00~23:00时大货车的比例达到30%，在23:00~24:00时，小货车比重达到17%，在00:00~01:00时，中型货车和拖挂车分别达到14%和9%，摩托车的比例在全天均较低.

图 4

Fig. 4

图 4 郊区公路车流量时间分布Fig. 4 Temporal distribution of traffic volume on suburb roads

图 5

Fig. 5

图 5 郊区道路逐时车型构成Fig. 5 Hourly traffic flow distribution of each vehicle type on suburban roads

图 6为郊区不同类型公路上车辆类型构成，从中可以看出各类型道路车流均以小客车为主，高速路、国道、省道、县道和乡道的小客车比例分别为68.8%、32.2%、39.5%、42.6%和63.2%，其次是小货车，分别占6.1%、14.1%、13.9%、21.3%和16.5%. 总体看来，各车型的比例在不同道路上有一定的规律. 高速路以小客车、大客车、小货车、中货车、大货车和拖挂车为主，国道以小客车、小货车和大货车为主，省道以小客车、小货车、中货车和大货车为主，县道以小客车小货车和中货车为主，乡道以小客车和小货车为主.

图 6

Fig. 6

图 6 郊区不同类型道路上的车型构Fig. 6 Proportions of different types of vehicle on suburban roads

根据逐时的车流量、车辆类型比例、车速和不同污染物的排放因子，计算实际道路上污染物的排放强度，城区不同类型道路逐时CO、NO_x、HC和PM排放强度见图 7，从中可以看出，4种污染物排放强度均为快速路最高，其次为主干道，4种类型道路的污染物排放强度呈现相同的时间变化趋势. 污染物排放的时间变化规律及不同类型道路的排放强度与道路车流量总体上呈现相同的变化规律. 00:00~04:00时，主干道、次干道、快速路和支路上，4种污染物均有小幅度下降的趋势，05:00~06:00时，主干道和快速路4种污染物排放大幅度上升，而次干道和支路有小幅度增长，在07:00污染物排放达到一天内的峰值，08:00~21:00时排放仍然较高，且变化幅度较小，快速路在07:00~21:00时污染物的排放波动较大，但排放一直保持在较高的水平，22:00~23:00时，污染物排放降幅明显.

图 7

Fig. 7

图 7 城区不同类型道路污染物排放时间分布Fig. 7 Temporal distribution of pollutant emissions on different urban roads

结合郊区道路类型、车型构成、车流量时间分布及机动车排放因子等数据得到郊区不同类型道路污染物的逐时排放强度，结果如图 8所示，由于郊区乡道、村道和专用公路车流量的小时变化没有明显的规律，本研究中只对高速路、国道、省道和县道的排放强度时间分布进行分析. 从图 8中可以看出，污染物排放强度总体上呈现白天高夜间低的趋势，但是PM的排放昼夜变化趋势不明显，高速路的夜间排放强度大于白天； 不同道路类型的排放强度从大到小依次为高速路、国道、省道和县道.

图 8

Fig. 8

图 8 郊区不同类型道路污染物排放时间分布 Fig. 8 Temporal distribution of pollutant emissions on different suburban roads

根据路网数据、交通流信息和机动车排放因子数据等基础信息，以ArcGIS软件为平台，计算得到北京市全路网道路上机动车尾气排放量，分别统计城区主干路、快速路、次干路和支路的CO、NO_x和HC排放量，见图 9(a)，分别统计郊区国道(含高速路)、省道、县道、乡道和村道的CO、NO_x和HC排放量，见图 9(b). 从图 9(a)可以看出，从排放量上来说，按照支路、快速路、主干路和次干路的顺序依次递减. 从图 9(b)可以看出，4种污染物排放量按国道(含高速路)、省道、县道、乡道和村道的顺序依次递减.

图 9

Fig. 9

图 9 不同类型道路的污染物排放量 Fig. 9 Pollutant emissions on different types of roads

本研究调查了北京市整个道路网全天的车流量和车速基础数据，在ArcGIS中建立了1 km×1 km网格，统计每个网格的车公里数和平均车速. 将基于ArcGIS的机动车活动强度、车型构成、行驶速度和排放因子结合在一起，建立北京市机动车尾气排放网格分布，见图 10，从中可以看出，城区、南部、东南以及东北部接近城区的区域排放强度较高，西部山区及北部山区由于路网密度较小排放强度较低. 城区环路附近由于车流量大，网格内排放源强较高，郊区大广高速、京藏高速、八达岭高速等北京市主要的进出口通道附近由于车流量大，网格内排放强度大.

图 10

Fig. 10

图 10 污染物排放空间分布 Fig. 10 Spatial distribution of pollutant emissions

(1)北京市城区道路车流量日小时变化呈“双峰”趋势，车速呈“双谷”趋势，各类型道路上均为小客车比例最高，均在89%以上，其次是大客车占3%~7%，货车和摩托车的比例较低； 郊区道路同样为小客车比例最高，高速路、国道、省道、县道和乡道的小客车比例分别为68.8%、32.2%、39.5%、42.6%和63.2%，其次是小货车，分别占6.1%、14.1%、13.9%、21.3%和16.5%.

(2)污染物排放强度与车流量呈正相关性，城区快速路的排放强度最大，其次为主干道，郊区道路的排放强度从大到小依次为高速路、国道、省道和县道； 污染物排放强度总体上呈现白天高夜间低的趋势，城区道路在07:00排放强度达到峰值，郊区道路在08:00~09:00排放达到峰值，但是郊区道路PM排放昼夜变化趋势不明显，高速路的PM排放强度夜间大于白天.

(3) 城区道路污染物排放量为支路最大，其次为快速路、主干路和次干路，郊区道路为国道(高速路)排放量最大，其次为省道、县道、乡道和村道. 污染物排放的空间分布为城区、南部、东南以及东北部接近城区的区域排放强度较高，西部山区及北部山区由于路网密度较小排放强度较低. 城区环路附近由于车流量大，网格内排放源强较高，郊区大广高速、京藏高速、八达岭高速等北京市主要的进出口通道附近由于车流量大，网格内排放强度大.