2. 郑州大学生态与环境学院, 郑州 450001;
3. 河南省生态环境监测中心, 郑州 450004
2. School of Ecology and Environment, Zhengzhou University, Zhengzhou 450001, China;
3. Ecological Environment Monitoring Center of Henan Province, Zhengzhou 450004, China
随着社会经济的快速发展和城市化进程加快, 中国民用汽车数量从1990年的551万辆增加到了2016年的1.86亿辆[1], 机动车污染问题日益突出, 已成为我国许多大型城市灰霾和光化学烟雾等大气污染的主要来源之一[2].特别是北京和上海等特大型城市以及东部人口密集区, 机动车对环境PM2.5浓度的贡献高达20%~40%, 在极端不利条件下, 贡献率高达50%以上[2].机动车也是城市O3污染前体物(NOx和VOCs)的重要来源, 对上海、南京和杭州等城市2015年夏季O3浓度的贡献高达30%~50%[3].同时, 机动车多行驶在人口密集区域, 尾气扩散区域和人们的呼吸高度较为接近, 对人体造成的伤害更严重[4].
机动车大气污染物排放清单一直是研究热点, 活动水平一般有机动车保有量和道路交通流量.以保有量等历史统计资料为活动水平, 可建立不受时间和地区范围限制的排放清单.如, 宋翔宇等[5]和Jia等[6]分别建立了国家尺度2002年和2011~2015年的机动车排放清单; 在区域尺度, Sun等[7]和Lv等[8]分别估算了山东和云南的省级尺度机动车污染物排放; 以及刘永红等[9]和Song等[10]分别对珠三角和长三角进行了研究; Zhang等[11]和张海炜等[12]分别对北京和西安城市污染物排放特征开展研究.基于实时监测交通流量的研究受区域影响较大, 已有研究集中于城市、道路等中观及微观层次.如城市层面, 潘玉瑾等[13]基于道路交通流信息对成都市2019年5月工作日的机动车污染物排放进行研究; 道路层面, 王人洁等[14]基于年均监测数据计算了2015年我国国道和省道机动车的排放清单.
生态环境部发布的中国机动车环境管理年报显示, 2011~2015年河南省机动车保有量均位于全国第六名[15], 2016年已跃居全国第三.而关于机动车清单的研究多关注国家尺度和发达地区, 对于河南省城市尺度研究还相对较少, 基于交通流量对道路尺度清单的研究及对机动车排放的VOCs的臭氧生成潜势(ozone formation potential, OFP)以及排放趋势等的研究也较为缺乏.
本文以河南省道路移动源为研究对象, 建立2016~2019年河南省城市和2016年高速公路机动车污染物排放清单, 并进行精细化时空分配和VOCs排放的臭氧生成潜势研究, 以期为区域空气质量管理提供基础数据.
1 材料与方法图 1为研究区域, 涵盖河南省18地市及路网分布.基准年为2016~2019年, 包含的污染物有SO2、NOx、CO、PM10、PM2.5、VOCs[VOCs-运行(运行排放)、VOCs-Evap(蒸发排放)]和NH3.
根据文献[16], 污染物排放量基于机动车保有量、排放因子和年均行驶里程由公式(1)计算:
(1) |
式中, E为排放量, t; P为机动车保有量, 辆; EF为本地化排放因子, g·km-1; VKT为年平均行驶里程, km; i代表城市; j是车辆类型, 包括9种柴油车、11种汽油车和4种其他燃料类型车; k为机动车排放标准; h为目标污染物.
1.1.2 基于车流量污染物排放量基于不同路段的日均车流量、排放因子和道路长度估算如公式(2):
(2) |
式中, VP为机动车日均车流量, 辆·d-1; EF为本地化排放因子, g·km-1; L为道路长度, km; m和r分别为道路类型和机动车类型.
1.2 数据来源 1.2.1 活动水平来源和处理(1) 保有量 本研究从文献[17, 18]中获取各城市历年分车型机动车保有量和新注册量, 使用Huo等[19]的回溯法对历年机动车保有量进行修正, 其中机动车存活率参考Huo等[20]的研究.再基于调研获取的河南省车队燃料比例获得分燃料的机动车保有量.最后, 按照中国机动车排放标准判定方法, 假设新的排放标准实施后当年注册的新车严格符合最新的排放标准, 得到2016~2019年不同排放标准下各地市机动车保有量.
(2) 车流量 调研获取2016年12个月437段河南省高速公路日均车流量, 包括大客车、中小客车、集装箱车、特大货车、大型货车、中型货车和小型货车, 结合载客载货量及调研的车队燃料比例对其进行分类.
1.2.2 排放因子本地化排放因子由基础排放因子[16]结合2016~2019年河南省气象、交通工况和燃料质量等信息进行本地化修正, 包括:气象修正因子(各城市的温度、湿度和海拔); 平均速度修正系数; 劣化修正系数; 其他修正系数, 包括汽油和柴油的硫含量, 汽油中无乙醇掺杂, 柴油车载重系数(50%).
1.2.3 行驶里程本研究中大型、中型、轻型和小型客车、出租车和公交车行驶里程来自郑州市环境保护局对157 505条机动车样本信息为期1 a的调研结果, 其余车型行驶里程参考文献[16]的推荐值.
1.3 精细化时空分布参考郑君瑜等[21]提出的“标准道路长度”法, 先基于ArcGIS将研究区域处理成3 km×3 km分辨率的网格, 再结合各城市道路长度、车流量以及排放强度(此处指排放量与道路长度的比值)等将每个城市的排放量分配到网格中.
污染物日变化和周变化的时间分布系数基于郑州市交警支队提供的郑州市2016年6条主干道、6条次干道和6条支路上工作日和周末交通流量数据; 月变化分布系数来自河南省高速公路管理局提供的2016年12个月437段高速公路日均车流量.
1.4 臭氧生成潜势根据文献[22, 23]并结合美国EPA的SPECIATE v4.5[24]数据库获得每种车型分燃料的VOCs源成分谱, 将VOCs排放细化到不同组分, 采用最大增量反应活性(maximum increment reactivity, MIR)法量化VOCs对O3的贡献, 见公式(3):
(3) |
式中, E为VOCs组分的排放量, t; MIR是VOCs组分的MIR值, 来自Cater等[25]的研究成果, g·g-1; x为组分种类, 共180种.
2 结果与讨论 2.1 河南省机动车污染物排放清单河南省2016年机动车SO2、NOx、CO、PM10、PM2.5、VOCs-运行、VOCs-Evap和NH3的排放量分别为: 8.9、486.3、1 110.9、20.0、18.4、136.2、33.1和10.2 kt(表 1).从燃料类型看, 柴油车是SO2、NOx、PM10和PM2.5主要贡献源, 贡献比例分别为68.2%、86.3%、89.0%和88.3%.其中, 重型柴油货车保有量虽仅占2.8%, 但对SO2、NOx和PM排放的贡献却最大, 贡献比例均在50%左右; 其次为轻型柴油货车, 保有量占比仅为3.3%, 但对NOx、PM10和PM2.5的贡献比例却均不低于10%. CO、VOCs和NH3的排放则主要来自汽油车(小型客车和摩托车), 这两种车型在车队中保有量占比较大, 合计占比达87.6%, 对4种污染物的贡献合计高达61.5%、58.2%、87.5%和86.3%.因此, 控制小型客车和非电动摩托车数量、完善各类油品蒸发排放管控标准[26]等是减少CO、VOCs和NH3排放的重要策略.
不同排放标准机动车污染物排放分担率如图 2.由于自然报废和实施淘汰黄标车政策等原因, 2016年河南省国1标准车保有量在车队中占比已低至12.9%, 但却是CO、VOCs和蒸发VOCs的主要贡献车型.因此, 淘汰老旧车在中短期内仍可有效削减CO和VOCs.国3排放标准车是NOx、PM10和PM2.5的主要贡献车型, 占比分别高达46.3%、42.9%和42.2%, 这3类污染物主要来自柴油车, 在柴油车中国3标准的柴油车占比最大.所以, 逐步提前淘汰国3柴油车并合理推进货运车运输结构调整[27]可有效减少这3种污染物的排放[28].另外, 在车队中保有量占比最大的国4排放标准车对SO2、VOCs-Evap和NH3排放贡献最大, 贡献比例分别为41.9%、25.1%和51.9%.
各城市分车型排放贡献及各污染物的省级尺度车型构成如图 3.可明显看出, 重型和轻型货车是SO2、NOx和PM的主要贡献车型, 小型客车和摩托车是CO、VOCs和NH3的主要来源.由于城市经济发展程度的差异, 各市机动车排放构成呈现出不同特征.其中, 郑州市各类污染物排放量在18个城市中最高, 主要因为郑州市是省会城市和重要的交通枢纽, 经济发达、机动车保有量大且路网密集.此外, 重型货车保有量最多的周口市, 对SO2、NOx和PM的贡献仅次于郑州; 机动车保有量居全省第二的南阳市, 对CO、VOCs和NH3排放量贡献也居全省第二.而机动车保有量相对较低的鹤壁、漯河和济源, 机动车各类污染物排放量也较低, 对各污染物的贡献占比均低于3.0%.
图 4(a)为机动车月时间分布系数, 其中高速公路8~10月的变化系数明显高于其他月份, 11月最低, 主要受客运和货运变化的影响.除日常上班, 客运量主要与人们的旅行等密切相关, 因此节假日多和适宜旅游的8~10月交通量增大.货运主要受天气的影响, 天气恶劣且不宜出行的冬季交通流量减少.另外, 以郑州市为例, 图 4(b)为不同道路类型、不同车型周变化.主干道和次干道的周变化幅度小于分支道路, 尤其是支路大车的周变化, 主要由于分支道路的不可预测性和不确定性较大.此外, 主干道周六的日变化系数有明显下降, 次干道和支路则在周日明显下降, 均显示出明显的周末效应.如图 4(c)所示, 交通流量日变化整体上有明显的双峰特征, 其中主干道和次干道工作日早晚高峰时段均分别为08:00~10:00和17:00~19:00, 而支路工作日早高峰时段为07:00~10:00, 均在12:00出现了低谷.主干道和次干道周末早高峰比工作日晚1 h出现, 支路则晚2 h出现; 而周末晚高峰均比工作日提前1 h出现.
从图 5可以看出, 各污染物排放高值区集中在交通网密集、交通流量大的城市中心及市区附近向外辐射的道路上, 排放强度由市区向郊区逐渐降低, 且高值区主要位于河南省中北部地区.
由于主要贡献车型的不同, 不同污染物之间空间分布存在差异. CO和VOCs的排放集中在城区, 与其主要贡献车型小型客车在路网密集的城区活动水平大有关.而以重型和轻型等柴油货运车辆为主要贡献车型的NOx和PM在郊区的排放高于城区, 这些车型的活动范围主要为省道、国道和县道等主要运输干道.
2.2.3 空间分布特征对比高速公路可减轻交通压力, 是区域连接的纽带, 识别其机动车污染物空间分布特征很有必要.采用两种方式对其空间分布进行对比.第一种方式活动水平为城市机动车保有量.基于最新高速公路属性, 结合各个车型在每条道路上排放强度及车流量, 将每个城市的机动车污染物排放量分配至有道路属性的各个网格中, 仅保留高速公路上的排放, 获得其空间分布.第二种方式活动水平为道路车流量.将高速公路上437个路段机动车污染物排放量汇总至29条贯穿河南区域的高速公路, 结合每条高速公路上各种车型排放强度和平均车流量, 将污染物分配至网格, 获得其空间分布.
2.3 高速公路污染物排放特征 2.3.1 污染物排放量根据每段道路的所属城市, 将其交通量划分至该城市, 得到每个城市交通量和机动车污染物排放量(表 2). 2016年河南省高速公路机动车SO2、NOx、CO、PM10、PM2.5、VOCs和NH3的排放量分别为1.3、86.3、96.4、4.4、8.1、13.3和0.6 kt.受交通量和道路长度影响, 郑州、驻马店和开封是污染物排放量较高的城市.污染物排放主要来自重型柴油货车、小型汽油客车和中型柴油货车(图 6), 可能因为高速公路主要承担长途客运和货运.以NOx和VOCs为例, 高速公路上NOx排放主要来自重型柴油货车和中型柴油货车, 而VOCs排放主要来自小型汽油客车和重型柴油货车.
高速公路可减轻交通压力, 是区域连接的纽带, 识别其机动车污染物空间分布特征很有必要.采用两种方式对其空间分布进行对比.第一种方式活动水平为城市机动车保有量.基于最新高速公路属性, 结合各个车型在每条道路上排放强度及车流量, 将每个城市的机动车污染物排放量分配至有道路属性的各个网格中, 仅保留高速公路上的排放, 获得其空间分布.第二种方式活动水平为道路车流量.将高速公路上437个路段机动车污染物排放量汇总至29条贯穿河南区域的高速公路, 结合每条高速公路上各种车型排放强度和平均车流量, 将污染物分配至网格, 获得其空间分布.
图 7以NOx和VOCs为例, 对比两种分配方式获得的空间分布特征.第一种分配方式中城市间差异明显, 郑州、焦作、周口和三门峡是高排放城市; 第二种分配方式呈现出道路之间差异, 连霍高速和京港澳高速是高排放道路.两种分配方式均有优缺点:①第一种分配方式的高速公路各污染物排放量比第二种方式低, 可以说明以保有量为活动水平会低估高速公路上机动车污染物排放, 可能由于重型货车、大型客车等高排放车辆在高速公路上的行驶比例比在其他道路上多; ②第一种分配方式能更好地呈现出交叉路口由于机动车换道拥挤而产生的高值排放量; ③对于NOx, 其排放主要来自多用于长途运输的重型和中型柴油货车, 活动范围多为高速路, 故第二种分配方式更符合NOx空间分布; 而VOCs排放主要来自小型汽油客车, 考虑到小客车行驶范围多为城区, 第一种分配方式更合适.
2016年河南省机动车排放的VOCs的OFP为663.6 kt, 不同车型中各物种对VOCs排放量和OFP的贡献特征如图 8.将VOCs物种划分成烷烃、芳香烃、烯烃、含氧VOCs、炔烃、卤代烃和其他VOCs, 它们的排放量贡献分别为40.0%、23.9%、17.7%、11.1%、3.4%、0.7%和3.5%, 对OFP的贡献分别为10.7%、32.2%、41.8%、14.5%、0.9%、0.03%和0.从车型贡献来看, 轻型汽油车对OFP贡献最大, 贡献率高达40.9%, 其次是蒸发排放、大型柴油车和汽油摩托车.其中, 轻型汽油车、蒸发排放和汽油摩托车对应的VOCs排放量也较大, 且其中反应活性较强的芳香烃和烯烃贡献较大.而大型柴油车中排放量最大的却是含氧VOCs, 占比高达52.0%, 同时由于其具有高反应活性, 对应的OFP贡献高达59.0%.
图 9为VOCs排放量和OFP贡献排名前十物种对应的OFP和排放量贡献率及MIR值.排放量贡献前十的物种合计贡献率为34.9%, 假设这些物种可全被消除, 则对应的O3可减少41.1%.而OFP贡献前十的物种合计贡献了55.1%的OFP, 而对应的排放量占比仅为25.4%.若这些物种被完全控制, 仅需削减25.4%的VOCs排放量便可以使O3减少55.1%.因此, 基于OFP的VOCs控制措施更高效.同时考虑NOx对O3的影响及O3和PM2.5之间的复杂关系[29], 应因地制宜地合理减排机动车排放的VOCs和NOx.
乙烯、丙烯、甲醛、甲苯和间/对-二甲苯是对排放量和OFP贡献均排名前十的物种, 但它们对排放量和OFP的贡献和排名均存在差异, 高OFP贡献物种对排放贡献不一定具有相同的重要性.以丙烯为例, 其对排放量的贡献率为2.5%, 排名第9, 但因其反应活性大, MIR值高达11.66, 故其对OFP贡献较大(7.3%), 并在基于OFP的贡献排名中提升至第2.
2.5 2016~2019年河南省机动车保有量和排放量变化 2.5.1 保有量变化2016~2019年, 河南省机动车保有量由1 529万辆增长到1 805万辆, 平均增长率为5.7%, 低于全国平均增长率(11.0%).其中, 小型客车、普通摩托车、轻型货车和重型货车是历年机动车保有量贡献较大的4种车型, 2016~2019年平均占比分别为69.7%、18.2%、5.9%和3.0%.另外, 小型客车、轻型货车和重型货车的年均增长率均高于全省总的机动车年均增长率, 分别为15.0%、12.3%和10.8%, 主要驱动力来自2016年以来河南省经济增长带来的消费能力提升和货运新增需求增长; 而微型货车、摩托车、低速货车、中型货车、微型客车和中型客车的年均增长率则在-8.7%~-37.6%之间, 保有量呈下降趋势且下降速度较快.
不同排放标准的机动车保有量占比和变化趋势如图 10(b)所示, 2016~2019年国3、国4和国5排放标准的机动车是主要贡献车型; 国0~国3排放标准机动车保有量自2016年逐渐降低, 年均下降率分别为15.7%、21.3%、20.4%和7.0%; 国4排放标准机动车保有量年均增长率4.6%; 国5排放标准机动车保有量增长幅度最大, 年均增长率高达48.9%; 2019年开始出现国六排放标准机动车, 占比为5.1%.与2016~2019年河南省机动车排放标准不断提升和执行淘汰黄标车及老旧车政策, 即2016年11月1日和2019年7月1日起在全省范围内分别提前实施国5及国6排放标准[30, 31]和2017年全部淘汰黄标车[32, 33]有关.整体来看, 保有量的变化趋势和国内已有研究具有较好的一致性[34, 35].
由表 3可知, 与2016年相比, 2019年VOCs增加2.8%, 其他污染物排放量均呈不同程度的下降趋势.SO2降幅最大, 降幅达76.3%, 主要由于2016年11月1日和2018年7月1日起河南省分别将汽柴油由国4提升到国5并从国5提升为国6标准, 汽柴油硫含量下降80%[36, 37]; 其次为PM2.5、PM10及NH3, 降幅分别为51.7%、50.3%和43.1%; NOx和CO降幅较小, 分别为5.9%和16.7%.由于河南省提升燃油品质、加严机动车排放标准以及淘汰黄标车和老旧车等政策的落实, 虽然2016~2019年机动车保有量以5.7%的平均增长率增长, 机动车污染物排放量整体上并没有与保有量成正比, 反而以不同程度下降.各污染物的排放量和排放趋势与中国统计年报中2016~2019年结果基本一致.
以2016年为基准年, 仅考虑保有量变化, 获得2017~2019年机动车各污染物排放量作为基准情景, 对比实际排放量与基准情景下排放量得到机动车污染控制措施对污染排放的控制效果, 如图 11所示.整体上, 各污染物2019年实际排放量相对基准情景下的降幅均比2017年大.即随着时间的推移, 燃油品质的提升、排放标准加严和黄标车及老旧车淘汰等控制政策的减排效果更加明显. 2019年SO2、NOx、CO、PM2.5、VOCs和NH3的实际排放量相对基准情景的减排比例分别达82.4%、27.3%、31.9%、61.2%、15.6%和55.1%.若未执行相关的控制措施, 2019年SO2、NOx、CO、PM2.5、VOCs和NH3的排放量将分别达到12.0、629.6、1359.4、23.0、206.0和12.9 kt, 分别比实际排放量高9.9、172.0、434.0、14.0、32.1和7.1 kt.
2016~2019年河南省机动车排放的VOCs中不同类别的组分排放量及对应可能生成的OFP如图 12所示. 2016~2019年OFP可能排放量依次为663.6、872.3、796.6和680.3 kt, 排放量较大的组分中烷烃、烯烃、芳香烃和含氧VOCs在2016~2019年的平均占比分别为39.5%、24.8%、17.3%和10.0%; 对OFP贡献较大的烯烃、芳香烃和含氧VOCs, 2016~2019年对OFP的平均贡献率分别为41.0%、34.0%、13.6%和10.3%.从趋势来看, 烷烃、烯烃和芳香烃的排放量占比和OFP贡献率基本不变, 含氧VOCs则呈下降趋势.
本研究排放清单和OFP估算过程中, 保有量数据来自官方统计年鉴, 不确定性较小[38]; 排放因子参考文献[16]对基础排放因子进行了本地化修正, 大部分车型行驶里程来源于本地区实地调研, 多数车型的VOCs源成分谱是国内实测数据, 均可降低结果的不确定性.但受数据可得性限制, 不可避免地仍存在一定的不确定性, 比如:燃料类型和排放标准的详细数据需通过推估得到; 因缺乏集装箱车、大货车和特大货车的排放因子, 将它们统一采用重型货车的排放因子; 仍有部分车型的行驶里程采用文献[16]推荐值, 因经济水平、交通条件等的差异存在不确定性[28].
3 结论(1) 2016年河南省小型客车和普通摩托车等汽油车是CO、VOCs和NH3主要贡献源; SO2、NOx和PM主要来自重型和轻型柴油货车; 国1、国3和国4排放标准车对污染物贡献突出; 污染物排放量较大的城市有郑州、周口和南阳.
(2) 2016年高速公路8~10月的变化系数高于其他月份, 11月最低; 城市道路周变化和日变化分别有明显的周末效应和双峰特征.污染物排放高值区集中在城市中心及市区附近向外辐射的道路上; 高值区主要位于河南省中北部地区.
(3) 2016年机动车排放的VOCs的OFP为663.6 kt, 主要来自轻型汽油车.芳香烃、烯烃和含氧VOCs是OFP的重要贡献物种; 乙烯、丙烯、甲醛、甲苯和1, 3(4)-二甲苯是排放量和OFP贡献均较大的物种. 2017~2019年OFP分别为872.3、796.6、680.3 kt.
(4) 2016~2019年机动车保有量年均增长率为5.7%; 与2016年相比, 2019年VOCs排放增加2.8%, 其他污染物排放量均有不同程度的下降; 2019年各污染物的实际排放量相对基准情景的减排比例在15.6%~82.4%之间.
[1] | 中华人民共和国国家统计局. 中国统计年鉴2017[M]. 北京: 中国统计出版社, 2017. |
[2] | 中华人民共和国环境保护部. 中国机动车环境管理年报[EB/OL]. http://www.mee.gov.cn/hjzl/sthjzk/ydyhjgl/201706/P020170605550637870889.pdf, 2020-11-16. |
[3] | Li L, An J Y, Huang L, et al. Ozone source apportionment over the Yangtze River Delta region, China: investigation of regional transport, sectoral contributions and seasonal differences[J]. Atmospheric Environment, 2019, 202: 269-280. DOI:10.1016/j.atmosenv.2019.01.028 |
[4] | Zheng X, Wu Y, Zhang S J, et al. Characterizing particulate polycyclic aromatic hydrocarbon emissions from diesel vehicles using a portable emissions measurement system[J]. Scientific Reports, 2017, 7(1). DOI:10.1038/s41598-017-09822-w |
[5] |
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. Song X Y, Xie S D. Development of vehicular emission inventory in China[J]. Environmental Science, 2006, 27(6): 1041-1045. |
[6] | Jia T, Li Q, Shi W Z. Estimation and analysis of emissions from on-road vehicles in Mainland China for the period 2011-2015[J]. Atmospheric Environment, 2018, 191: 500-512. DOI:10.1016/j.atmosenv.2018.08.037 |
[7] | Sun S D, Jiang W, Gao W D. Vehicle emission trends and spatial distribution in Shandong province, China, from 2000 to 2014[J]. Atmospheric Environment, 2016, 147: 190-199. DOI:10.1016/j.atmosenv.2016.09.065 |
[8] | Lv W D, Hu Y L, Li E P, et al. Evaluation of vehicle emission in Yunnan province from 2003 to 2015[J]. Journal of Cleaner Production, 2019, 207: 814-825. DOI:10.1016/j.jclepro.2018.09.227 |
[9] |
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(S1): 458-463. Liu Y H, Yao D W, Huang J Z. Vehicle exhaust emissions inventory and characteristics in the Pearl River Delta region[J]. Environmental Science and Technology, 2015, 38(S1): 458-463. |
[10] | Song X W, Hao Y P, Zhang C, et al. Vehicular emission trends in the Pan-Yangtze River Delta in China between 1999 and 2013[J]. Journal of Cleaner Production, 2016, 137: 1045-1054. DOI:10.1016/j.jclepro.2016.07.197 |
[11] | Zhang S J, Wu Y, Wu X M, 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. DOI:10.1016/j.atmosenv.2013.12.002 |
[12] |
张海炜, 张云伟, 顾兆林. 西安市机动车尾气排放特征分析[J]. 环境工程, 2015, 33(S1): 393-397. Zhang H W, Zhang Y W, Gu Z L. Emission Characteristics of vehicle exhausts in Xi'an City[J]. Environmental Engineering, 2015, 33(S1): 393-397. |
[13] |
潘玉瑾, 李媛, 陈军辉, 等. 基于交通流的成都市高分辨率机动车排放清单建立[J]. 环境科学, 2020, 41(8): 3581-3590. Pan Y J, Li Y, Chen J H, et al. Method for high-resolution emission inventory for road vehicles in Chengdu based on traffic flow monitoring data[J]. Environmental Science, 2020, 41(8): 3581-3590. |
[14] |
王人洁, 王堃, 张帆, 等. 中国国道和省道机动车尾气排放特征[J]. 环境科学, 2017, 38(9): 3553-3560. Wang R J, Wang K, Zhang F, et al. Emission characteristics of vehicles from national roads and provincial roads in China[J]. Environmental Science, 2017, 38(9): 3553-3560. |
[15] | 中华人民共和国生态环境部. 2012-2016年中国机动车环境管理年报[EB/OL]. http://www.mee.gov.cn/hjzl/sthjzk/ydyhjgl/, 2020-11-16. |
[16] | 贺克斌, 王书肖, 张强. 城市大气污染物排放清单编制技术手册[EB/OL]. https://max.book118.com/html/2018/1116/8107025055001133.shtm, 2020-11-16. |
[17] | 市统计局. 郑州市/安阳市/鹤壁市/新乡市/濮阳市/焦作市/洛阳市/开封市/三门峡市/许昌市/平顶山市/周口市/商丘市/漯河市/南阳市/驻马店市/信阳市/济源市统计年鉴(2001~2019)[M]. 北京: 中国统计出版社, 2002-2020. |
[18] | 河南省统计局. 河南统计年鉴(2001~2019)[M]. 北京: 中国统计出版社, 2001-2019. |
[19] | Huo H, Wang M, Johnson L, et al. Projection of chinese motor vehicle growth, oil demand, and CO2 emissions through 2050[J]. Transportation Research Record: Journal of the Transportation Research Board, 2007, 2038(1): 69-77. DOI:10.3141/2038-09 |
[20] | Huo H, Wang M. Modeling future vehicle sales and stock in China[J]. Energy Policy, 2012, 43: 17-29. DOI:10.1016/j.enpol.2011.09.063 |
[21] |
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. Zheng J Y, Che W W, Wang Z L. Traffic flow and road network-based spatial allocation of regional mobile source emission inventories[J]. Acta Scientiae Circumstantiae, 2009, 29(4): 815-821. DOI:10.3321/j.issn:0253-2468.2009.04.022 |
[22] | Wu R R, Xie S D. Spatial distribution of ozone formation in China derived from emissions of speciated volatile organic compounds[J]. Environmental Science & Technology, 2017, 51(5): 2574-2583. |
[23] | Mo Z W, Shao M, Lu S H, et al. Process-specific emission characteristics of volatile organic compounds (VOCs) from petrochemical facilities in the Yangtze River Delta, China[J]. Science of the Total Environment, 2015, 533: 422-431. DOI:10.1016/j.scitotenv.2015.06.089 |
[24] | EPA. SPECIATE[EB/OL]. https://www.epa.gov/air-emissions-modeling/speciate, 2020-11-16. |
[25] | Carter W P L. SAPRC atmospheric chemical mechanisms and VOC reactivity scales[EB/OL]. https://intra.engr.ucr.edu/~carter/SAPRC/, 2020-11-16. |
[26] | Man H Y, Liu H, Xiao Q, et al. How ethanol and gasoline formula changes evaporative emissions of the vehicles[J]. Applied Energy, 2018, 222: 584-594. DOI:10.1016/j.apenergy.2018.03.109 |
[27] | Deng F Y, Lv Z F, Qi L J, et al. A big data approach to improving the vehicle emission inventory in China[J]. Nature Communications, 2020, 11(1): 2801. DOI:10.1038/s41467-020-16579-w |
[28] |
孙世达, 金嘉欣, 吕建华, 等. 基于精细化年均行驶里程建立机动车排放清单[J]. 中国环境科学, 2020, 40(5): 2018-2029. Sun S D, Jin J X, Lv J H, et al. Developing vehicle emission inventory based on refined annual average vehicle kilometers travelled[J]. China Environmental Science, 2020, 40(5): 2018-2029. DOI:10.3969/j.issn.1000-6923.2020.05.019 |
[29] | Xiang S L, Liu J F, Tao W, et al. Control of both PM2.5 and O3 in Beijing-Tianjin-Hebei and the surrounding areas[J]. Atmospheric Environment, 2020, 224. DOI:10.1016/j.atmosenv.2020.117259 |
[30] | 河南省生态环境厅, 河南省工业和信息化厅, 河南省公安厅, 等. 河南省生态环境厅公告[2019]5号河南省实施国家第六阶段机动车排放标准的公告[EB/OL]. http://sthjt.henan.gov.cn/2019/04-29/1323608.html, 2019-04-29. |
[31] | 河南省人民政府. 11月1日起河南省实施机动车排放国五标准[EB/OL]. http://www.henan.gov.cn/jrhn/system/2016/10/23/010678342.shtml, 2016-10-23. |
[32] | 河南省人民政府办公厅. 河南省人民政府办公厅关于印发河南省淘汰黄标车工作方案的通知[EB/OL]. https://www.henan.gov.cn/2014/09-30/246466.html, 2014-09-30. |
[33] | 河南省人民政府办公厅. 河南省人民政府办公厅关于印发2016年河南省淘汰黄标车和老旧车工作方案的通知[EB/OL]. https://www.henan.gov.cn/2016/07-08/248029.html, 2016-07-08. |
[34] |
李媛, 石嘉诚, 陈军辉, 等. 2010~2017年四川省机动车污染物排放趋势分析[J]. 环境科学, 2021, 42(2): 643-652. Li Y, Shi J C, Chen J H, et al. Trends in vehicle emissions in Sichuan Province, 2010-2017[J]. Environmental Science, 2021, 42(2): 643-652. DOI:10.3969/j.issn.1000-6923.2021.02.017 |
[35] | Sun S D, Zhao G, Wang T, et al. Past and future trends of vehicle emissions in Tianjin, China, from 2000 to 2030[J]. Atmospheric Environment, 2019, 209: 182-191. DOI:10.1016/j.atmosenv.2019.04.016 |
[36] | 河南省人民政府办公厅. 河南省人民政府办公厅关于印发河南省推广使用国家第五阶段标准车用乙醇汽油车用柴油质量升级工作方案的通知[EB/OL]. https://www.henan.gov.cn/2016/09-30/248302.html, 2016-09-30. |
[37] | 河南省人民政府办公厅. 河南省人民政府办公厅, 关于印发河南省推广使用国家第六阶段标准车用, 乙醇汽油车用柴油工作方案的通知[EB/OL]. http://m.henan.gov.cn/2018/07-06/662874.html, 2018-07-06. |
[38] |
刘庚, 孙世达, 孙露娜, 等. 天津市2017年移动源高时空分辨率排放清单[J]. 环境科学, 2020, 41(10): 4470-4481. Liu G, Sun S D, Sun L N, et al. Mobile source emission inventory with high spatiotemporal resolution in Tianjin in 2017[J]. Environmental Science, 2020, 41(10): 4470-4481. |