环境科学  2022, Vol. 43 Issue (7): 3386-3395   PDF    
引用本文
庞可, 张芊, 马彩云, 祝禄祺, 陈恒蕤, 孔祥如, 潘峰, 杨宏. 基于LEAP模型的兰州市道路交通温室气体与污染物协同减排情景模拟[J]. 环境科学, 2022, 43(7): 3386-3395.
PANG Ke, ZHANG Qian, MA Cai-yun, ZHU Lu-qi, CHEN Heng-rui, KONG Xiang-ru, PAN Feng, YANG Hong. Forecasting of Emission Co-reduction of Greenhouse Gases and Pollutants for the Road Transport Sector in Lanzhou Based on the LEAP Model[J]. Environmental Science, 2022, 43(7): 3386-3395.
基于LEAP模型的兰州市道路交通温室气体与污染物协同减排情景模拟
庞可, 张芊, 马彩云, 祝禄祺, 陈恒蕤, 孔祥如, 潘峰, 杨宏     
兰州大学大气科学学院, 兰州 730000
收稿日期: 2021-09-13; 修订日期: 2021-11-24
基金项目: 中央高校基本科研业务费专项(lzujbky-2017-65)
作者简介: 庞可(1996~), 女, 硕士研究生, 主要研究方向为大气污染防治和机动车节能减排, E-mail: pangk19@lzu.edu.cn
通信作者: 杨宏, E-mail: yanghongyh@lzu.edu.cn
摘要: 基于LEAP模型, 构建了2015~2040年兰州市道路交通发展“零措施”的基准(BAU)情景以及低碳(LC)和强化低碳(ELC)这2个节能减排情景, 模拟评估各项政策和措施下能源消耗情况和温室气体与大气污染物协同减排效果.结果表明, LC情景能源消耗和CO2排放将于2026年达峰, ELC情景能源消耗和CO2排放将于2020年达峰; 两种情景下, NOx、CO、HC、PM2.5和PM10等污染物排放量于2015~2017年间开始出现大幅下降, 下降趋势于2023年前后逐渐减缓.结合措施可行性和减排成本, LC情景可作为兰州市道路交通碳达峰减排情景: 到2040年能源消耗量、CO2、NOx、CO、HC、PM2.5和PM10排放相对于BAU情景的削减率分别达到-24.17%、-26.57%、-55.38%、-65.91%、-72.87%、-76.66%和-77.18%.兰州市道路交通当前应以公共交通能源清洁化、小型客车电动化和老旧车淘汰等结构优化措施为重点并优先实施, 大力宣传提倡低碳出行, 加之汽车技术发展伴随的能效提升, 道路交通CO2和污染物排放将得到有效控制并尽早实现碳达峰.此外, 需关注措施实施过程中CO2和各污染物主要贡献车型的变化, 以期从不同排放物重点控制车型的数量或新能源市场份额入手, 实现针对性防控.
关键词: LEAP模型      道路交通      二氧化碳(CO2)      协同减排      碳达峰      兰州市     
Forecasting of Emission Co-reduction of Greenhouse Gases and Pollutants for the Road Transport Sector in Lanzhou Based on the LEAP Model
PANG Ke , ZHANG Qian , MA Cai-yun , ZHU Lu-qi , CHEN Heng-rui , KONG Xiang-ru , PAN Feng , YANG Hong     
College of Atmospheric Science, Lanzhou University, Lanzhou 730000, China
Abstract: With the continuous increase in transportation activities, the transportation sector has become an important source of global greenhouse gases. In 2019, road vehicles accounted for nearly three-quarters of the CO2 emissions of the entire transportation sector and will be the key to achieving carbon peaks in the transportation sector. At the same time, air pollutants emitted by road vehicles are also one of the threats to the environment and human health. Based on the long-range energy alternatives planning system (LEAP) model, we constructed the baseline (BAU) scenario, low-carbon (LC) scenario, and enhanced low-carbon (ELC) scenario for the development of the road transport sector in Lanzhou from 2015 to 2040 and simulated energy consumption and emission co-reduction of greenhouse gases and pollutants under policies and measures. The results showed that the energy consumption and CO2 emissions of the LC scenario will peak in 2026, whereas those in the ELC scenario will peak in 2020. In these two scenarios, pollutant emissions such as NOx, CO, HC, PM2.5, and PM10 began to decline sharply between 2015 and 2017, and the downward trend will slow down gradually around 2023. Based on the feasibility of measures and the cost of abatement, the LC scenario can be used as a road vehicle carbon peak scenario in Lanzhou. In this scenario, the reduction rates of energy consumption, CO2, NOx, CO, HC, PM2.5, and PM10 emissions will reach -24.17%, -26.57%, -55.38%, -65.91%, -72.87%, -76.66%, and -77.18% compared with those under the BAU scenario by 2040. At present, the road vehicles in Lanzhou City should focus on structural optimization measures such as clean-energy use of public transportation, electrification of small passenger cars, and phasing out old cars, as well as vigorously promoting low-carbon travel and improving energy efficiency accompanying the development of automotive technology. These efforts will effectively control CO2 and pollutant emissions by road vehicles, and carbon peaks will be achieved as soon as possible. In addition, it is necessary to pay attention to the changes in vehicle types during the implementation of these measures, which most contribute CO2 and various pollutants, in order to make the measures more targeted by changing the number or the market share of new energy of focused vehicle types.
Key words: LEAP model      road transportation      carbon dioxide (CO2)      coordinated emission reduction      carbon peak      Lanzhou City     

为控制全球气候变化, 避免极端灾害, “碳达峰”和“碳中和”已成为国际热点问题, 习近平总书记在第75届联合国大会一般性辩论中承诺: 中国CO2排放力争于2030年前达到峰值, 努力争取2060年前实现碳中和.随着运输活动的持续增加, 交通部门已成为全球温室气体的重要来源, 2019年交通部门占燃料燃烧直接CO2排放量的24%, 其中道路交通占整个交通部门CO2排放量的近四分之三[1].道路交通将成为交通部门碳达峰的关键所在, 同时其排放的大气污染物也是环境和人类健康的威胁之一[2~4].

LEAP(long-range energy alternatives planning system)模型是交通领域能源政策、温室气体和大气污染物减排规划等研究的重要工具, 国内外学者利用该模型对中国、韩国、马来西亚和厄瓜多尔等不同国家交通部门的能源碳及污染物排放进行了预测分析[5~10].近年来, 国内学者对于我国不同省市交通部门的能源消耗、污染物和碳排放也做了较多研究[11~16], 而对于道路交通的相关研究仅聚焦于京津冀和南京等地区[17~20].归纳来看, 现有研究多集中于国家层面或者较发达区域的整个交通领域, 对于西北地区道路交通温室气体与污染物协同减排的研究仍有空缺.此外, 根据2017年最新MEIC清单数据, 兰州市道路交通CO2排放量仅次于工业和电力部门, 占兰州市总排放量8.01%[21, 22].因此, 本文构建了2015~2040年兰州市道路交通低碳发展情景, 基于LEAP模型模拟评估各项政策和措施下能源消耗和温室气体与大气污染物的协同减排成效, 以期为兰州市及相似地区在道路交通领域减缓气候变化和节能减排绿色发展提供思路和参考.

1 材料与方法 1.1 LEAP模型

LEAP模型是斯德哥尔摩环境研究所(SEI)开发的一种围绕长期情景分析设计的集成建模工具, 该模型特点在于: ①初始数据要求低, 输入灵活且透明; ②预测时间长: 时间范围可无限延长, 大多研究使用20~50年的预测期; ③适用于污染物和温室气体的协同减排: 可跟踪所有经济部门的温室气体排放源和汇, 还可用于分析当地和区域空气污染物的排放; ④适用于描述多种政策情景: 可同时评估单个政策的影响以及多项措施和政策结合时发生的相互作用.因此, LEAP模型已被全球多个国家和地区用于多部门或单个部门的能源政策、气候变化减缓和空气污染减排规划等方面的研究[23~33].

本研究基于LEAP模型内部算法, 将道路机动车分为: 微小型客车、中型客车、大型客车、微轻型货车、中型货车、重型货车、出租车、公交车、摩托车、低速货车和三轮汽车等11类, 分别设置相关参数, 完成不同情景道路交通能源消耗量、CO2排放量、NOx、CO、HC、PM2.5和PM10等大气污染物排放量的计算, 具体方法如下.

(1)能源消耗量计算方法

道路机动车能源消耗量可以根据保有量、年均行驶里程和燃油经济性等活动水平计算得到, 公式如下:

(1)

式中, EC为道路机动车能源消耗量; Pi, j, k为i类机动车j类燃料k类排放标准的保有量; VKTi为i车型的年均行驶里程; FEi, j为i类机动车j类燃料的百公里能耗.

(2) CO2排放量计算方法

道路机动车CO2排放量可以根据能源消耗量和CO2排放因子计算得到, 公式如下:

(2)

式中, CE为道路机动车CO2排放量; ECj为j类燃料的能源消耗量; EFj为j类燃料的CO2排放因子.

(3) 大气污染物排放量计算方法

道路机动车NOx、CO、HC、PM2.5和PM10等大气污染物排放量可以根据保有量、年均行驶里程和排放因子计算得到, 公式如下:

(3)

式中, APn为道路机动车n污染物的排放量; Pi, j, k为i类机动车j类燃料k类排放标准的保有量; VKTi为i车型的年均行驶里程; EFi, j, k, n为i类机动车j类燃料k类排放标准的n污染物的排放因子.

1.2 数据来源

机动车保有量: 由于考虑到未来一定时期增长趋势变缓的特性, 刘云[34]的研究利用国际上广泛使用的Gompertz模型对于兰州市2017~2032年机动车保有量进行预测, 其2017~2020年4a保有量预测值和实际值的误差百分比在-0.09%~1.29%范围内, 因此本文参考该方法预测机动车保有量, 结果见图 1, 可见兰州市机动车保有量呈现先快速增长再增速减缓的趋势, 年均增长3.35%, 到2040年保有量达到148万辆.

图 1 兰州市2015~2040年机动车保有量变化 Fig. 1 Changes in the number of vehicles in Lanzhou from 2015 to 2040

燃油经济性: 燃油经济性数据主要基于相关研究, 汽油、柴油和天然气机动车燃油经济性引用Ou等[35]的研究结果, 由于其基础数据为每年新售车辆的燃油经济性, 而研究基准年的机动车车龄实际分布于多个年份, 考虑到高龄机动车占比较少本研究将取2008~2015年均值作为2015年机动车百公里能耗; 电动汽车百公里能耗参考文献[20, 36], 其中新能源货车因数据缺失且目前对其市场渗透率多为鼓励引导而非量化的政策控制, 本研究暂不考虑.目前燃油经济性数据本地化研究缺乏, 因此本研究未考虑道路交通状况和车辆的满载率等影响因素, 均使用全国平均数据.不同车型燃油经济性数据见表 1.

表 1 不同车型燃油经济性1) Table 1 Fuel economy of different vehicle types

排放因子: 机动车NOx、CO、HC、PM2.5和PM10等污染物的排放因子来源于文献[37], 并通过温度、湿度和海拔等参数进行本地化修正, 其中HC排放因子未包含蒸发排放, 仅为尾气排放部分; CO2的排放因子来源于LEAP模型TED数据库, 仅考虑机动车燃料燃烧产生的直接CO2排放, 因电力消耗产生的间接排放不予核算.

活动水平: 年均行驶里程来源于文献[37], 分车型比例来自兰州市交管部门, 不同类型燃油比例和排放标准比例均参考文献[38].

1.3 情景设置

“十二五”规划以来, 国家和地方均制定了一系列节能减排措施, 交通运输部还提出了综合运输、道路运输、水路运输和民用航空单位能耗下降的目标.同时, 文献[39]指出兰州市目标2025年实现整体碳达峰, 2029年实现交通碳达峰.因此, 本研究以该方案基准年(2015年)为研究基准年, 从影响CO2和污染物排放的燃油经济性、行驶里程和能源结构等主要因素出发, 构建了一级和二级情景来评估兰州市道路机动车的能源消耗和相关排放, 其中一级情景为多个二级情景的集成情景.机动车总保有量均按图 1所示增长, 具体情景设置情况见表 2.

表 2 不同情景设置 Table 2 Settings of different scenarios

1.3.1 基准情景

基准(BAU)情景即“零方案”情景, 在该情景中, 运输模式、用能结构和燃油经济性均保持在基准年水平, 到2040年为止未采取任何节能减排措施.

1.3.2 低碳情景

低碳(LC)情景为能效提升(EEI)、低碳出行(LCT)和结构优化(SOP)这3个二级情景的集成情景, 设置依据主要参考文献[39~43]中对甘肃省和兰州市道路交通节能减排提出的目标和要求.

1.3.3 强化低碳情景

强化低碳(ELC)情景在LC情景各项二级情景的基础上加以强化, 设置依据主要参考文献[44~46]中对全国道路交通节能减排与新能源汽车技术提出的目标和要求.

2 结果与讨论 2.1 不同情景下能源消耗

不同情景下能源消耗变化情况见图 2.一级情景下, 基准年消耗166.62万t标煤, 2015~2040年, BAU情景道路交通能耗总量持续上升, 于2040年达308.62万t标煤; LC情景于2026年达能耗峰值245.82万t标煤, 随后缓慢下降, 于2040年减少至234.02万t标煤, 相对BAU情景的削减率为-24.17%; ELC情景于2020年达能耗峰值212.42万t标煤, 随后快速下降, 于2040年减少至154.45万t标煤, 相对BAU情景的削减率为-49.95%.

图 2 不同情景能源消耗变化 Fig. 2 Energy consumption in different scenarios

二级情景中, 结构优化所对应的LC-SOP和ELC-SOP情景表现出最大的节能潜力, 分别于2037年和2030年达到能耗峰值280.87万t标煤和270.23万t标煤, 2040年相对于BAU情景的削减率分别为-9.09%和-17.49%.

一级情景不同能源类型消耗情况见图 3. BAU情景下无电力渗透, 汽油、柴油和天然气消耗均呈持续上升态势, 到2040年分别占总能耗的56.06%、43.49%和0.45%.LC和ELC两种情景下, 汽油消耗先增后减, 柴油消耗缓慢增加, 电力消耗不断增加, 本研究仅涉及公共交通使用天然气燃料, 因此天然气消耗随公共交通天然气比例变化呈先增后减趋势.到2040年, LC情景下汽油、柴油、电力和天然气消耗占比分别为46.90%、46.13%、2.71%和4.26%, ELC情景下汽油、柴油和电力消耗占比分别为34.70%、57.70%和7.60%(2040年公共交通完全电力化使得天然气消耗减少为零).LC和ELC情景下, 柴油消耗占比最终均将超过汽油, 这与对应情景下货运交通未考虑清洁能源渗透有关.

图 3 一级情景不同能源消耗变化 Fig. 3 Different energy consumptions in first-level scenarios

2.2 不同情景下CO2排放

不同情景下CO2排放量变化见图 4, MEIC清单2015年兰州市交通部分(移动源)CO2排放量为309.91×104 t[21, 22], 本研究基准年CO2排放总量为344.51×104 t, 两者相比差别不大.一级情景下, BAU情景CO2排放总量呈持续上升趋势, LC和ELC情景分别于2026年和2020年达到峰值497.44×104 t和435.33×104 t, 到2040年, BAU、LC和ELC情景CO2排放总量分别变化至638.13×104 t、468.59×104 t和306.35×104 t.不同情景CO2削减情况见表 3.不同情景的CO2削减率均随时间增加, 到2040年, LC情景及其二次情景LC-SOP、LC-LCT和LC-EEI的削减率分别为-26.57%、-11.85%、-2.81%和-2.32%, ELC情景及其二次情景ELC-SOP、ELC-LCT和ELC-EEI的削减率分别为-51.99%、-21.86%、-5.37%和-4.51%, 一级情景及其二级情景下的减排潜力, ELC情景均比LC情景大.值得注意的是, 二级情景中, EEI和LCT情景所带来的减排效果不如SOP情景显著, 这是因为EEI和LCT情景仅包含新增车量, 而与结构优化中的老旧车淘汰措施共同实施时, 因淘汰而更新的车辆也将纳入考虑, 减排效果将会更加显著, 这种二级情景间的相互作用带来的隐藏减排潜力也是表 3中一级情景削减率大于二级情景削减率之和的主要原因.

图 4 不同情景CO2排放变化 Fig. 4 CO2 emissions in different scenarios

表 3 不同情景CO2排放量的削减率/% Table 3 Reduction rate of CO2 emissions in different scenarios/%

CO2边际减排成本是区域减排潜力和成本的重要指标, 其与经济发展程度成正比, 因此西部地区经济滞后于东、中部地区, 碳排放量较小, 减排成本较低.根据甘肃省CO2边际减排成本[47], 估算LC和ELC情景的减排成本分别为17.80亿和34.79亿.因此, ELC情景的碳减排率和达峰时间虽优于LC情景, 但同时对标更严格的措施和更高的成本.结合措施实施可行性和减排成本, 道路交通CO2排放于2026年实现达峰的LC情景作为兰州市的达峰情景更具合理性和实际意义.

达峰(LC)情景下不同车型的CO2排放量变化见图 5.基准年CO2排放主要贡献车型为微小型客车(41.65%)、重型货车(22.39%)和微轻型货车(18.16%).随着LC情景各项减排措施的实施, 微小型客车排放量先增加后减小, 到2040年, 微小型客车(37.02%)仍然是CO2排放的主要贡献者; 重型货车和微轻型货车排放量先快速增加后因货车保有量冻结保持不变, 到2040年, 重型货车(25.99%)和微轻型货车(21.07%)排放总贡献已接近二分之一.可见LC情景减排措施对微小型客车CO2减排有显著作用, 而货车方面排放贡献率持续增长, 因此仅考虑老旧车淘汰、燃油经济性的提升和“公转水”“公转铁”的影响是不够的, 必须实现货车用能的清洁化、电动化, 因此充分利用我国在电动货车领域已取得的先行优势[48], 提高电动货车的市场覆盖率将对道路交通CO2减排具有重要意义.

图 5 LC情景不同车型CO2排放变化 Fig. 5 CO2 emissions of different vehicle types in LC scenario

2.3 不同情景下污染物排放

各情景措施不仅对于CO2有相对明显的减排效果, 其对机动车排放的大气污染物也具有协同减排效应.不同情景下2015~2040年兰州市道路机动车各污染物排放量变化见图 6, 对应的削减率见表 4.一级情景下, NOx、CO、HC、PM2.5和PM10等污染物基准年的排放总量分别为2.19×104、5.49×104、8.96×103、4.81×102和5.32×102 t; LC和ELC情景下, 各污染物排放量于2015~2017年开始出现大幅下降, 下降趋势于2023年前后逐渐减缓, 到2040年, LC情景NOx、CO、HC、PM2.5和PM10的排放总量分别为1.81×104、3.46×104、4.51×103、2.08×102和2.25×102 t, 相对于BAU情景削减率分别为-55.38%、-65.91%、-72.87%、-76.66%和-77.18%; ELC情景NOx、CO、HC、PM2.5和PM10的排放总量分别为1.65×104、2.84×104、3.53×103、1.91×102和2.06×102 t, 相对于BAU情景削减率分别为-59.41%、-72.02%、-78.73%、-78.61%和-79.09%.达峰(LC)情景对应二级情景中, 由于污染物排放量计算方法与燃油经济性无关, 因此LC-EEI情景排放无变化; LC-LCT情景下各污染物的削减率较小, 到2040年均不超过3%; LC-SOP情景2040年各污染物削减率在50%~80%之间, 其中老旧车淘汰措施的削减率在40%~70%之间, 因此LC-SOP情景成为各污染物减排潜力最大的二级情景主要归因于国四及以下老旧车淘汰所带来的巨大减排效益, 同时这也是各污染物排放量出现大幅下降的原因.

图 6 不同情景污染物排放变化 Fig. 6 Pollutant emissions in different scenarios

表 4 不同情景污染物排放量的削减率/% Table 4 Reduction rate of pollutant emissions in different scenarios/%

达峰(LC)情景下, 各污染物的主要贡献车型也发生了变化, LC情景下各污染物主要车型的排放贡献率变化情况见图 7.从不同污染物来看, 对于NOx, 基准年排放前三的重型货车(31%)、微轻型货车(25%)和微小型客车(18%)在2040年转变为重型货车(39%)、微轻型货车(28%)和大型客车(14%), 期间重型货车、微轻型货车和大型客车排放贡献不断增加, 微小型客车贡献大幅减少; 对于CO, 基准年排放前三的微小型客车(45%)、微轻型货车(14%)和出租车(13%)在2040年转变为微轻型货车(24%)、重型货车(21%)和微小型客车(19%), 期间微轻型货车和重型货车排放贡献不断增加, 微小型客车和出租车贡献大幅减少; 对于HC, 基准年排放前三的微小型客车(52%)、微轻型货车(16%)和出租车(15%)在2040年转变为微小型客车(29%)、微轻型货车(20%)和大型客车(8%), 期间微轻型货车和大型客车排放贡献不断增加, 微小型客车和出租车贡献大幅减少; 对于PM2.5和PM10, 基准年排放前三的重型货车(37%和38%)、微轻型货车(20%和20%)、微小型客车(11%和11%)在2040年转变为大型客车(23%和24%)、三轮汽车(16%和16%)、低速汽车(16%和15%), 期间大型客车、三轮汽车和低速货车排放贡献不断增加, 重型货车和微轻型货车贡献大幅减少.因此, 伴随各项措施的综合实施, 各污染物主要贡献车型会发生变化, 基于该变化及时调整不同污染物的重点控制车型, 从其数量或者新能源市场份额入手, 可以更具针对性地减少某一污染物的排放.

(a)NOx, (b)CO, (c)HC, (d)PM2.5, (e)PM10; 圆环从内到外表示的年份, 分别为2015、2030和2040年 图 7 LC情景主要车型污染物排放贡献率变化 Fig. 7 Contribution rate of pollutant emissions from major vehicle types in the LC scenario

3 结论

(1) 从能源消耗看, LC和ELC情景分别于2026年和2020年达到峰值245.82万t标煤和212.42万t标煤, 2种情景中电力消耗份额虽有不同程度增加, 但兰州市机动车的主要依赖能源仍为汽油和柴油等化石燃料, 且柴油消耗占比将超过汽油, 汽油和柴油的消耗将是能源结构调整的长期控制重点.

(2) 从CO2排放看, LC和ELC情景分别于2026年和2020年达到峰值497.44×104 t和435.33×104 t, 二级情景中SOP情景表现出最大的减排潜力.结合研究区域实际情况并考虑减排成本, LC情景作为兰州市的达峰情景更具合理性, 该情景下CO2排放的主要贡献车型分别为微小型客车和重轻型货车, 模拟期间前者CO2排放贡献不断减少, 后者则持续增长.

(3) 污染物和温室气体的协同减排效果显著, ELC情景的污染物减排潜力略大于LC情景.LC情景下, 部分污染物的最大贡献车型发生变化, CO由微小型客车变为微轻型货车, PM2.5和PM10由重型货车变为大型客车, 基于该变化及时调整某一污染物重点控制车型的数量或者新能源市场份额可实现针对性的污染防控.

(4) 综上所述, LC情景可优先作为兰州市道路交通碳达峰情景, 其中的结构优化将成为CO2减排的有效措施重点考虑并优先实施, 低碳出行和能效提升次之, 三者间的相互作用也将发挥重要减排作用, 到2026年可实现碳达峰.因此, 应以公共交通能源清洁化、小型客车电动化和老旧车淘汰等结构优化措施为重点控制措施, 撬动当前兰州市道路交通以燃油为主的能源结构, 这将需要新能源车购置补贴与置换奖励等财政支出政策的支持, 其次大力宣传绿色出行文化, 再加上汽车技术发展伴随的能效提升, 兰州市道路交通CO2和污染物的排放均会得到有效控制, 同时结合整个交通部门运输结构的调整和优化, 可推动兰州市交通领域尽早实现CO2排放达峰.

参考文献
[1] IEA. Tracking transport 2020[EB/OL]. https://www.iea.org/reports/tracking-transport-2020, 2021-09-01.
[2] 秦耀辰, 谢志祥, 李阳. 大气污染对居民健康影响研究进展[J]. 环境科学, 2019, 40(3): 1512-1520.
Qin Y C, Xie Z X, Li Y. Review of research on the impacts of atmospheric pollution on the health of residents[J]. Environmental Science, 2019, 40(3): 1512-1520.
[3] 刘小宇, 盛萍, 马晓凤, 等. 城市高密集人群区域机动车污染物时空分布及健康影响[J]. 交通信息与安全, 2018, 36(1): 119-128.
Liu X Y, Sheng P, Ma X F, et al. Temporal and spatial distribution and health risks of vehicle pollution in high-populated urban areas[J]. Journal of Transport Information and Safety, 2018, 36(1): 119-128. DOI:10.3963/j.issn.1674-4861.2018.01.016
[4] 单丽, 江飞, 贺晓婧, 等. 中国道路交通源大气污染的健康影响评估[J]. 中国环境管理, 2018, 10(5): 59-64.
Shan L, Jiang F, He X J, et al. Health impact assessment of air pollution from road traffic sources in China[J]. Chinese Journal of Environmental Management, 2018, 10(5): 59-64.
[5] Liu L, Wang K, Wang S S, et al. Assessing energy consumption, CO2 and pollutant emissions and health benefits from China's transport sector through 2050[J]. Energy Policy, 2018, 116: 382-396. DOI:10.1016/j.enpol.2018.02.019
[6] He L Y, Chen Y. Thou shalt drive electric and hybrid vehicles: scenario analysis on energy saving and emission mitigation for road transportation sector in China[J]. Transport Policy, 2013, 25: 30-40. DOI:10.1016/j.tranpol.2012.11.006
[7] 冯相昭, 赵梦雪, 王敏, 等. 中国交通部门污染物与温室气体协同控制模拟研究[J]. 气候变化研究进展, 2021, 17(3): 279-288.
Feng X Z, Zhao M X, Wang M, et al. Simulation research on co-controlling pollutants and greenhouse gases emission in China's transportation sector[J]. Climate Change Research, 2021, 17(3): 279-288.
[8] Hong S J, Chung Y, Kim J, et al. Analysis on the level of contribution to the national greenhouse gas reduction target in Korean transportation sector using LEAP model[J]. Renewable and Sustainable Energy Reviews, 2016, 60: 549-559. DOI:10.1016/j.rser.2015.12.164
[9] Azam M, Othman J, Begum R A, et al. Energy consumption and emission projection for the road transport sector in Malaysia: an application of the LEAP model[J]. Environment, Development and Sustainability, 2016, 18(4): 1027-1047. DOI:10.1007/s10668-015-9684-4
[10] Rivera-González L, Bolonio D, Mazadiego L F, et al. Long-term forecast of energy and fuels demand towards a sustainable road transport sector in Ecuador (2016-2035): A LEAP model application[J]. Sustainability, 2020, 12(2). DOI:10.3390/su12020472
[11] 黄莹, 郭洪旭, 廖翠萍, 等. 基于LEAP模型的城市交通低碳发展路径研究——以广州市为例[J]. 气候变化研究进展, 2019, 15(6): 670-683.
Huang Y, Guo H X, Liao C P, et al. Study on low-carbon development path of urban transportation sector based on LEAP model—take Guangzhou as an example[J]. Climate Change Research, 2019, 15(6): 670-683.
[12] 罗薇. 基于LEAP模型的云南省交通运输业能源消费及环境排放趋势研究[D]. 昆明: 云南大学, 2019.
[13] 王逸欣, 王姗姗, 王克, 等. 河南省交通部门能源需求与污染物排放预测[J]. 环境科学与技术, 2016, 39(S2): 514-519.
Wang Y X, Wang S S, Wang K, et al. Prediction of energy saving potential and pollutant emissions for the transport sector in Henan Province[J]. Environmental Science & Technology, 2016, 39(S2): 514-519.
[14] 张建珍, 王小琛, 台啟龙, 等. 海南省交通运输业能源需求与碳排放预测分析[J]. 海南大学学报(自然科学版), 2017, 35(2): 164-170.
Zhang J Z, Wang X C, Tai Q L, et al. Forecasting of energy demands and carbon emission of transportation in Hainan Province[J]. Natural Science Journal of Hainan University, 2017, 35(2): 164-170.
[15] 吴玉婷, 王晓荣, 何潇蓉. 基于LEAP模型的北京市交通能耗及环境污染排放预测[J]. 河北建筑工程学院学报, 2018, 36(4): 85-90, 110.
Wu Y T, Wang X R, He X R. Forecast of traffic energy consumption and environmental pollution emission in Beijing based on LEAP model[J]. Journal of Hebei Institute of Architectural Engineering, 2018, 36(4): 85-90, 110. DOI:10.3969/j.issn.1008-4185.2018.04.018
[16] 董蕾. 基于LEAP模型的四川省交通运输业能源消费趋势研究[D]. 成都: 四川省社会科学院, 2016.
[17] 郭秀锐, 刘芳熙, 符立伟, 等. 基于LEAP模型的京津冀地区道路交通节能减排情景预测[J]. 北京工业大学学报, 2017, 43(11): 1743-1749.
Guo X R, Liu F X, Fu L W, et al. Scenarios prediction of energy saving and emission reduction in the road transport sector of Beijing-Tianjin-Heibei region[J]. Journal of Beijing University of Technology, 2017, 43(11): 1743-1749. DOI:10.11936/bjutxb2016110027
[18] 申娜. 北京市道路运输领域能源需求及污染物排放研究[D]. 西安: 长安大学, 2014.
[19] 吕晨, 李艳霞, 杨楠, 等. 道路机动车温室气体排放评估与情景分析: 以北京市为例[J]. 环境工程, 2020, 38(11): 25-32.
Lv C, Li Y X, Yang N, et al. Assessment and scenario analysis of on-road vehicle greenhouse gases emission: a case study of Beijing[J]. Environmental Engineering, 2020, 38(11): 25-32.
[20] 杨宛钰. 城市道路交通能源消耗测算方法研究——以南京为例[D]. 南京: 东南大学, 2018.
[21] Li M, Liu H, Geng G N, et al. Anthropogenic emission inventories in China: a review[J]. National Science Review, 2017, 4(6): 834-866. DOI:10.1093/nsr/nwx150
[22] Zheng B, Tong D, Li M, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics, 2018, 18(19): 14095-14111. DOI:10.5194/acp-18-14095-2018
[23] Nieves J A, Aristizábal A J, Dyner I, et al. Energy demand and greenhouse gas emissions analysis in Colombia: a LEAP model application[J]. Energy, 2019, 169: 380-397. DOI:10.1016/j.energy.2018.12.051
[24] Windarta J, Purwanggono B, Hidayanto F. Application of LEAP model on long-term electricity demand forecasting in Indonesia, period 2010-2025[J]. SHS Web of Conferences, 2018, 49. DOI:10.1051/shsconf/20184902007
[25] Ataei A, Choi J K, Shamshiri S, et al. Evaluating of the energy consumption in Iran during 1980-2030 using the Leap model[J]. American Journal of Renewable and Sustainable Energy, 2015, 1(2): 72-85.
[26] McPherson M, Karney B. Long-term scenario alternatives and their implications: LEAP model application of Panama's electricity sector[J]. Energy Policy, 2014, 68: 146-157.
[27] Cai L Y, Guo J F. Scenario analysis of CO2 emission abatement effect based on LEAP[J]. Energy Procedia, 2018, 152: 965-970.
[28] 洪竞科, 李沅潮, 蔡伟光. 多情景视角下的中国碳达峰路径模拟——基于RICE-LEAP模型[J]. 资源科学, 2021, 43(4): 639-651.
Hong J K, Li Y C, Cai W G. Simulating China's carbon emission peak path under different scenarios based on RICE-LEAP model[J]. Resources Science, 2021, 43(4): 639-651.
[29] Verdezoto P L C, Vidoza J A, Gallo W L R. Analysis and projection of energy consumption in Ecuador: energy efficiency policies in the transportation sector[J]. Energy Policy, 2019, 134. DOI:10.1016/j.enpol.2019.110948
[30] Wang P, Wang C S, Hu Y K, et al. Analysis of energy consumption in Hunan Province (China) using a LMDI method based LEAP model[J]. Energy Procedia, 2017, 142: 3160-3169.
[31] Nugrahanto C A, Windarta J, Aminata J. Analysis of causality relationship energy consumption and CO2 emissions to economic growth based on the LEAP model case study of energy consumption in Indonesia 2010-2025[J]. E3S Web of Conferences, 2018, 73. DOI:10.1051/e3sconf/20187301002
[32] 杨花, 杜斌, 吕锋骅, 等. 基于IPCC排放清单和LEAP模型的山西省CO2排放研究[J]. 环境污染与防治, 2014, 36(3): 103-109.
Yang H, Du B, Lv F H, et al. Study on CO2 emissions in Shanxi Province base on IPCC listing and LEAP model[J]. Environmental Pollution and Control, 2014, 36(3): 103-109.
[33] 吴唯, 张庭婷, 谢晓敏, 等. 基于LEAP模型的区域低碳发展路径研究——以浙江省为例[J]. 生态经济, 2019, 35(12): 19-24.
Wu W, Zhang T T, Xie X M, et al. Research on regional low carbon development path based on LEAP model: taking Zhejiang Province as an example[J]. Ecological Economy, 2019, 35(12): 19-24.
[34] 刘云. 兰州市机动车限行的环境效应及政策再设计[D]. 兰州: 兰州财经大学, 2018.
[35] Ou X M, Zhang X L, Chang S Y. Scenario analysis on alternative fuel/vehicle for China's future road transport: life-cycle energy demand and GHG emissions[J]. Energy Policy, 2010, 38(8): 3943-3956.
[36] 中国汽车技术研究中心有限公司, 汽车标准化研究所. 电动汽车能量消耗率限值标准研究报告[EB/OL]. https://www.efchina.org/Attachments/Report/report-ctp-20190512-2/%E7%94%B5%E5%8A%A8%E6%B1%BD%E8%BD%A6%E8%83%BD%E9%87%8F%E6%B6%88%E8%80%97%E7%8E%87%E9%99%90%E5%80%BC%E6%A0%87%E5%87%86%E7%A0%94%E7%A9%B6%E6%8A%A5%E5%91%8A.pdf, 2021-09-01.
[37] 贺克斌. 城市大气污染物排放清单编制技术手册[M]. 北京: 科学出版社, 2015.
[38] 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/ywdt/tpxw/201606/W020160602535609145311.pdf, 2021-09-01.
[39] 兰州市人民政府办公厅. 兰州市人民政府办公厅关于印发兰州市2025年实现碳排放达峰实施方案的通知[EB/OL]. http://www.lanzhou.gov.cn/art/2017/7/21/art_15334_904243.html, 2021-09-01.
[40] 兰州市人民政府办公厅. 兰州市人民政府办公厅关于印发兰州市全面深入推进绿色交通发展的实施意见的通知[EB/OL]. http://www.lanzhou.gov.cn/art/2019/2/15/art_3197_543642.html, 2021-09-01.
[41] 甘肃省人民政府. 甘肃省人民政府关于印发甘肃省"十三五"节能减排综合工作方案的通知[EB/OL]. http://www.gansu.gov.cn/gsszf/c100054/201707/173323.shtml, 2021-09-01.
[42] 兰州市人民政府. 兰州市人民政府关于印发兰州市国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要的通知[EB/OL]. http://www.lanzhou.gov.cn/art/2021/4/15/art_15333_1028764.html, 2021-09-01.
[43] 甘肃省人民政府办公厅. 甘肃省人民政府办公厅关于印发《甘肃省新能源汽车推广应用实施方案(2016—2020年)》的通知[EB/OL]. http://www.gansu.gov.cn/art/c103795/c103895/c103909/201910/212408.shtml, 2021-09-01.
[44] 中国汽车工程学会. 节能与新能源汽车技术路线图 2.0[EB/OL]. https://www.wnevc.org.cn/res/Home/2103/9dd6d2e255c698998bd50f15a866bdde.pdf?download=%E8%8A%82%E8%83%BD%E4%B8%8E%E6%96%B0%E8%83%BD%E6%BA%90%E6%B1%BD%E8%BD%A6%E6%8A%80%E6%9C%AF%E8%B7%AF%E7%BA%BF%E5%9B%BE2.0.pdf, 2021-09-01.
[45] 国务院办公厅. 国务院办公厅关于印发新能源汽车产业发展规划(2021—2035年)的通知[EB/OL]. http://www.gov.cn/zhengce/content/2020-11/02/content_5556716.htm, 2021-09-01.
[46] 国务院. 国务院关于印发2030年前碳达峰行动方案的通知[EB/OL]. http://www.gov.cn/zhengce/content/2021-10/26/content_5644984.htm, 2021-10-24.
[47] 杨子晖, 陈里璇, 罗彤. 边际减排成本与区域差异性研究[J]. 管理科学学报, 2019, 22(2): 1-21.
Yang Z H, Chen L X, Luo T. Marginal cost of emission reduction and regional differences[J]. Journal of Management Sciences in China, 2019, 22(2): 1-21.
[48] 孟庆阔, 戴淼, 齐涛. 货车电动化发展现状及趋势分析[J]. 专用汽车, 2018(11): 86-90.