西安市道路交通减污降碳策略协同效应评价

引用本文

李宁, 郝艳召, 盛杰, 张举宵. 西安市道路交通减污降碳策略协同效应评价[J]. 环境科学, 2026, 47(9): 6038-6046.

LI Ning, HAO Yan-zhao, SHENG Jie, ZHANG Ju-xiao. Evaluation of the Synergistic Effects of Air Pollutant and Carbon Emission Reduction Strategies in Xi'an's Road Traffic[J]. Environmental Science, 2026, 47(9): 6038-6046.

西安市道路交通减污降碳策略协同效应评价

李宁, 郝艳召, 盛杰, 张举宵

长安大学汽车学院，西安 710018

收稿日期: 2025-07-08; 修订日期: 2025-09-26

基金项目: 教育部基础学科和交叉学科突破计划项目（JYB2025XDXM104）；国家自然科学基金项目（21607014）；能源陕西实验室能源基础研究中心开放课题项目（ESLB202442）

作者简介: 李宁（2000~），男，硕士研究生，主要研究方向为交通节能减排，E-mail：2023222088@chd.edu.cn

通信作者: 郝艳召，E-mail：haoyz@chd.edu.cn

摘要: 基于长期能源可替代规划系统（LEAP）构建了同时考虑直接和间接排放的西安市2022~2050年道路交通碳污排放模型，测算了不同情景措施下的碳污减排量，并采用减排弹性系数（ELS）法评估了各情景措施的协同减排效应. 情景设置包括7个单一措施情景和1个综合措施情景（SA），针对新能源车管控还设置了1个组合措施情景（CS）. 结果表明，单一措施均有正向协同控制效应，其中CO₂e-PM_2.5协同效益最显著，其次是CO₂e-CO，但CO₂e减排强度普遍高于NO_x和VOC；燃油车技术提升情景（S6）减污降碳能力优异，低碳出行情景（S1）降碳效果突出，公转铁情景（S2）削减NO_x排放明显，车辆低饱和情景（S7）则对VOC、PM_2.5和CO减排效果显著. 新能源车单一措施的减污降碳效果有限，需实施综合管控进一步释放其带来的减排效益；CS情景CO₂e-PM_2.5和CO₂e-CO协同效益显著，对NO_x减排弱于CO₂e，VOC减排则优于CO₂e. SA情景展现出最为卓越的减排潜力，CO₂e排放年均降低1.22%，NO_x最终减排近50%，VOC、PM_2.5和CO减排超70%；其ELS值基本在1附近波动，表明情景设置合理，实现了碳污协同控制. 此外，SA情景下NO_x排放后期出现反弹，凸显现有措施对柴油货车管控力度不足，未来需通过精细化监管、后处理技术提升以及清洁能源转型等多种途径深度减排.

关键词: 道路交通 LEAP平台控制措施减污降碳协同效应

Evaluation of the Synergistic Effects of Air Pollutant and Carbon Emission Reduction Strategies in Xi'an's Road Traffic

LI Ning , HAO Yan-zhao , SHENG Jie , ZHANG Ju-xiao

School of Automobile, Chang'an University, Xi'an 710018, China

Abstract: Based on the long-range energy alternative planning system (LEAP), a carbon and pollutant emission model for Xi'an's road traffic from 2022 to 2050 was constructed, which incorporates both direct and indirect emissions. The model estimated the carbon and pollutant emission reductions under different scenario measures, and the synergistic emission reduction effects of each scenario were evaluated using the emission reduction elasticity coefficient (ELS) method. The scenario settings include seven single-measure scenarios, one comprehensive measure scenario (SA), and an additional combined measure scenario (CS) specifically designed for the regulation of new energy vehicles. The results show that all single measures exhibited positive synergistic control effects. Among them, the co-benefit of CO₂e-PM_2.5 was the most significant, followed by that of CO₂e-CO. However, the intensity of CO₂e reduction was generally higher than that of NO_xand VOC. Specifically, the scenario of technology improvement for fuel vehicles (S6) had excellent pollution and carbon reduction capabilities; the scenario of low-carbon travel (S1) stood out in carbon reduction; the scenario of road-to-rail shift for freight transport (S2) significantly cut NO_x emissions; and the scenario of low vehicle saturation (S7) notably reduced VOC, PM_2.5, and CO emissions. Single measures for new energy vehicles have limited pollution and carbon reduction effects, and comprehensive management measures are needed to further unleash their emission reduction benefits. The CS scenario showed significant co-benefits for CO₂e-PM_2.5 and CO₂e-CO; its NO_x reduction effect was weaker than that of CO₂e, while its VOC reduction was stronger. The SA scenario demonstrated the most remarkable emission reduction potential, with annual CO₂e emissions decreasing by 1.22%; NO_x emissions ultimately reduced by nearly 50%; and VOC, PM_2.5, and CO emissions reduced by over 70%. Its ELS values generally fluctuated around 1, indicating that the scenario setting was reasonable, and synergistic control of carbon and pollution had been achieved. Additionally, the rebound of NO_x emissions in the later stage of the SA scenario highlights insufficient control over diesel trucks by existing measures. Future efforts should focus on in-depth emission reductions through multiple approaches like refined supervision, post-treatment technology improvement, and clean energy transition.

Key words: road traffic LEAP system control measure pollution and carbon reduction synergistic effect

气候变化与大气污染是全球环境领域急需攻克的两大难题^[1]，交通运输部门在上述两方面均扮演着重要角色. 具体到我国，交通运输碳排放约占全国碳排放总量的10.4%^[2]，并且城市交通碳排放预计将以年均1.7%的速度增长^[3]；同时据《第二次全国污染源普查公报》显示，我国机动车排放的NO_x、PM和VOC分别占全国总排放的31.7%、2.1%和23.5%^[4]. 因此，推动交通运输节能减排对实现我国“双碳”目标和落实“空气质量持续改善行动计划”至关重要. 本质上，交通运输产生的温室气体和污染物均来自化石燃料燃烧，二者高度同源. 因此，如何制定协同控制策略来实现碳污减排双重目标成为当前交通环境管理中亟待破解的一个重要问题. 而预测控制策略的碳污减排潜力并评估各项减排措施的协同效应则是解决这一问题的前提.

为推动交通运输低碳转型和可持续发展，国内外学者通常采用情景分析方式来定量评价各种控制策略的长期减排效果与协同效应. 在国家层面，Alam等^[5]分析了爱尔兰的气候变化缓解政策对减少乘用车CO₂和PM排放影响的共同效益. 冯相昭等^[6]通过构建多种情景模拟分析了我国交通领域未来的能源需求、污染物和碳排放趋势. 在区域层面，Thambiran等^[7]构建了南非德班市交通运输部门排放清单，探讨了各类减排策略对空气污染与温室气体排放的影响. 李云燕等^[8]预测了北京市道路移动源排放量，并采用减排效应坐标系和弹性系数法分析了各种政策情景下CO₂和污染物的协同减排效应. 王慧慧等^[9]对上海市机动车排放量进行了测算，利用协同控制坐标系评价了不同控制措施下污染物与温室气体之间的协同效应. 唐伟等^[10]估算了杭州市机动车污染物和温室气体排放量，并运用弹性系数法和协同效应坐标系法分析了8种措施情景下的协同减排效应. Liu等^[11]、王碧云等^[12]以及Jiao等^[13]分别研究了广东省珠三角、非珠三角地区以及广州市道路移动源CO₂和污染物的排放变化趋势及协同减排效应. Duan等^[14]评估了各种控制措施对重庆市道路交通能耗、污染物和CO₂排放变化趋势的影响，并分析比较了不同情景下的协同减排效益.

对以上研究进行归纳可以发现：①理论方法上，未来年排放趋势预测通常采用长期能源可替代规划系统（long range energy alternatives planning system，LEAP）. 通过LEAP构建排放模型既能保证碳、污计算思路与基础数据的统一，同时在设置减排情景时动态调整不同年份参数也更为灵活便捷. ②研究区域上，现有研究更多关注了我国京津冀、长三角和珠三角三大经济圈，很少有学者针对汾渭平原的城市开展研究. 汾渭平原是中国3个大气污染重点防治区域之一，也是我国实现“双碳”目标的难点地区^[15]. 其中西安市是我国西北部的国家中心城市，其空气质量对整个汾渭平原的环境具有重要影响. 此外，现有研究尚存在一些不足：①温室气体种类考虑不全，大部分研究只计算了CO₂，未将交通运输产生的其他两种重要温室气体N₂O和CH₄纳入研究^[16]. ②虽然很多研究对汽车电动化情景进行了分析，但大多未考虑电力消耗带来的间接排放影响；并且大多研究仅考虑了新能源车占比提升这种单一政策. ③在测算基准年能耗和碳排放时，多数研究将燃油经济性设为定值，未考虑油耗随车辆技术水平提升导致的温室气体排放水平变化.

因此，本文基于LEAP平台构建西安市道路交通温室气体和污染物排放测算模型；以2022年为基准年并结合情景分析法预测未来年（2023~2050年）的排放量变化趋势；在此基础上，采用协同减排弹性系数法评价不同情景下污染物与温室气体的协同控制效应，以期为西安市及相似地区在道路交通领域的气候变化减缓和节能减排绿色发展提供思路与参考.

1 材料与方法 1.1 模型构建

LEAP是一种自下而上的能源-环境分析工具，其核心功能是预测中长期不同发展条件下的能源供需、转换及温室气体排放，广泛应用于能源战略研究和环保政策评估. LEAP采用了灵活的模块化结构进行建模，并支持设计多种情景来量化不同政策对温室气体与污染物排放的影响.

本文基于LEAP平台并结合西安市实际交通运行条件，将道路车辆分为小型客车、中型客车、大型客车、轻型货车、中型货车、重型货车、出租车和公交车这8类；进一步根据能源类型分为汽油车、柴油车、天然气车以及新能源车，并将燃油车按排放标准进行细分. 基于此构建碳污排放模型来测算西安市2022~2050年的道路交通排放，包括3种温室气体（CO₂、N₂O和CH₄）与4种污染物（NO_x、CO、VOC和PM_2.5）. 依据陆上交通运输企业温室气体排放核算方法与报告指南^[16]，污染物及CO₂排放测算均包括直接与间接排放，N₂O和CH₄则只考虑直接排放.

1.1.1 直接排放测算模型

燃油车使用燃料产生的温室气体与污染物直接排放计算方法为：

V E_{直接} = \sum (P_{i, j} \times E F_{i, j, k} \times V K T_{i})

(1)

式中，i为车型；j为能源类型；k对于温室气体为年份，对于污染物为排放标准；P_i，j为保有量；EF_i，j，k为排放因子；VKT_i为年均行驶里程.

1.1.2 间接排放测算模型

新能源车行驶过程中所耗电力产生的间接排放计算方法为：

V E_{间接} = \sum [P_{i} \times \frac{q_{i} \times A_{g} \times E F_{g}}{100} \times V K T_{i}]

(2)

式中，i为车型；P_i $为$ 新能源车保有量；q_i为百公里电耗；A_g为火力发电占比，取87.52%^[17]；EF_g为火力发电排放因子；VKT_i 为年均行驶里程.

1.1.3 温室气体归一化

为方便对比温室气体与各污染物的协同减排效果，将3种温室气体全部转化为CO₂当量（CO₂e）. 归一化方法为：

C O_{2} e = \sum_{a} (G W P_{a} \times R_{a})

(3)

式中，GWP_a为a种温室气体的全球变暖潜势，N₂O和CH₄的GWP值分别为310和21^[16]；R_a为a种温室气体排放量.

1.2 主要参数确定 1.2.1 车辆保有量

构建Gompertz模型预测小型客车保有量，该模型特点为初期快速增长、后期增速放缓并趋于饱和的S型变化，这与小型客车市场的发展规律高度契合^[18]. 保有量计算方法为：

P_{i} = V^{*} \times e^{α e^{β x_{i}}} \times C_{i}

(4)

式中，i为年份；V^*为用千人保有量表示的小型客车最终饱和水平，设为410辆·千人^-1[19]；α与β为反映保有量变化与经济水平之间关系的参数；x_i为人均GDP；C_i为人口数量. 人均GDP和人口通过线性回归模型预测，历史年数据取自陕西省统计年鉴^[20].

其他车型受政策影响较大且饱和水平不易确定，因此保有量采用回归分析法确定；历史年数据同样取自陕西省统计年鉴^[20].

1.2.2 排放因子

对于直接排放，污染物排放因子均来源于城市大气污染源排放清单编制技术指南^[21]，CO₂排放因子采用碳平衡法计算^[22]：

E F_{C O_{2}} = \frac{44}{12} \times \frac{1}{100} \times F C \times ρ_{f u e l} \times c_{c a r b o n}

(5)

式中，FC为百公里油耗，不同年份数值基于中国车辆燃料消耗量发展年度报告设置^[23，24]；ρ_fuel为燃油密度，汽油和柴油分别为730 g·L^-1和840 g·L^-1；c_carbon为燃油中碳含量，取0.867.

N₂O和CH₄排放因子参考IPCC国家温室气体清单指南确定^[25]：

E F_{w} = \frac{Q S \times F C \times ρ_{f u e l}}{Q H_{i}}

(6)

式中，QS为w种温室气体的缺省排放因子，g·GJ^-1；FC为百公里油耗；ρ_fuel为燃油密度；QH_i为i类燃油的缺省净发热值，TJ·Gg^-1.

间接排放考虑火力发电的排放因子，具体数值参考中国电力行业年度发展报告^[26]和城市大气污染源排放清单编制技术指南^[21]得到.

1.2.3 行驶里程

年均行驶里程与车辆使用年限相关，不同年份的行驶里程随着车龄增加会在初期快速下降后慢慢稳定. 考虑到该参数对排放量的准确测算影响较大，故采用对数函数预测确定不同车龄下的精细化年均行驶里程^[27，28]，基础数据来自陕西省统计年鉴和道路机动车排放清单编制技术指南^[29].

1.3 协同效应评价方法

本文采用减排弹性系数来定量评价各项政策的减污降碳协同效应. 协同减排弹性系数（ELS）通过比较两类排放物的减排率来判断措施是否具有协同效应以及协同程度的强弱^[30]，具体计算公式为：

E L S_{a / b} = \frac{Δ ρ_{a} / ρ_{a}}{Δ ρ_{b} / ρ_{b}}

(7)

式中， $ρ_{a}$ 和 $ρ_{b}$ 分别为温室气体和污染物排放总量； $Δ ρ_{a}$ 和 $Δ ρ_{b}$ 分别为采取某项措施后的温室气体和污染物减排量； $Δ ρ_{a} / ρ_{a}$ 和 $Δ ρ_{b} / ρ_{b}$ 分别为温室气体和污染物的减排率.

依据计算结果可从ELS值的正负和大小两个层次评价政策措施的实施效果. 首先，ELS_a/b≤0表示措施仅对温室气体或污染物中的一种有减排作用，不具有协同控制效应；ELS_a/b > 0表示措施对温室气体和污染物都有一定的减排作用，具有协同控制效应^[8，10]. 进一步的，当ELS_a/b > 0时且0.5≤ELS_a/b≤1.5，表明措施具有显著的减污降碳协同效益；而ELS_a/b < 0.5或ELS_a/b > 1.5表明措施具有良好的减污降碳协同效益^[13]. 其中，ELS_a/b < 0.5表示措施对污染物的减排效果明显强于温室气体；而ELS_a/b > 1.5则表示措施对温室气体的减排效果显著高于污染物.

1.4 情景设置

2024年国务院发布的《2024-2025年节能降碳行动方案》明确了未来两年的节能降碳目标与任务^[31]. 西安市积极响应国家政策制定了符合本地特点的碳达峰行动方案等多项制度文件^[32~43]，计划在2030年前实现整体碳达峰，并在交通运输等重点领域率先突破. 基于以上政策法规，本文构建了多个政策情景来评估道路交通的排放变化与协同效应，各情景具体设置见表 1.

表 1 不同情景的设置 Table 1 Settings for different scenarios

情景类别	情景名称	情景描述	政策依据
基准情景	BS	各政策与2022年保持不变	《西安市“十四五”综合交通运输发展规划》^[32]、《西安市汽车产业发展规划(2018—2025年)》^[33]
单一情景	S1	公交车年均行驶里程每年提高1%，其余客车年均行驶里程每年降低1%	《西安市蓝天碧水净土保卫战2022年工作方案的通知》^[34]、《西安市重污染天气应急预案（2024年修订）》^[35]
	S2	公路运输转为铁路运输，货车年均行驶里程每年降低1%	《打赢蓝天保卫战三年行动计划》^[36]、《2024—2025年节能降碳行动方案》^[37]
	S3	火力发电转为清洁能源发电，2022年火力发电占87.52%，2025年为85%，2030年为80%，2035年为75%，之后占比每年下降1%	《国家碳达峰试点（西咸新区）实施方案》^[38]、《西安市人民政府办公厅关于印发减污降碳协同创新试点实施方案的通知》^[39]
	S4	新能源车市场占有率进一步快速增长，2025年新能源车新增量为全部车辆的60%，之后每5 a新增占比提高10%，占比达到95%后保持不变	《西安市人民政府办公厅关于印发支持新能源汽车扩大生产促进消费若干措施的通知》^[40]、《西安市人民政府办公厅关于加快推动新能源汽车产业高质量发展的实施意见》^[41]
	S5	新能源车能耗进一步降低，2022年平均电耗为15 kW·h·(100 km)^-1，2025年为12 kW·h·(100 km)^-1，之后每10 a电耗降低10%	《西安市人民政府办公厅关于加快推动新能源汽车产业高质量发展的实施意见》^[41]、《2024—2025年节能降碳行动方案》^[31]
	S6	2022年平均油耗为6.8 L·（100 km）^-1，之后以每5 a下降10 %；2023年实施国6b排放标准，2030年实施国7标准（对标欧7），之后依据各阶段排放限值变化趋势进一步加严	《中共中央国务院关于深入打好污染防治攻坚战的意见》^[42]、《西安市人民政府关于印发西安市空气质量达标规划（2023—2030年）的通知》^[43]
	S7	未来年小型客车饱和水平由410辆·千人^-1降为315辆·千人^-1	文献[19] 量化了中国3种饱和情况下未来年小型客车千人保有量
组合情景	CS	S3+S4+S5	—¹⁾
综合情景	SA	S1+S2+ S3+S4+S5+S6+S7	—
1）“—”表示此情景政策依据为单一情景依据相结合，此处不再进行赘述

表 1 不同情景的设置 Table 1 Settings for different scenarios

基准情景（BS）是指按照2022年现状继续发展，不考虑之后出台的各种新政策措施. 该情景下，道路运输结构、能源效率和车辆排放水平不发生大的变化，各类车保有量按照2022年的增长速率变化，反映了不采取任何措施情况下的排放发展趋势. 该情景作为参考用于评估其他有控制措施情景的减排效果.

在此基础上，对西安市相关政策法规与规划进行细化和拓展设置了7个单一政策情景，分别为低碳出行（S1）、公转铁（S2）、发电结构改善（S3）、新能源车占比提升（S4）、新能源车能效提升（S5）、燃油车技术提升（S6）和车辆低饱和（S7）. 之后，将单一情景进行合并形成最终的综合情景（SA）. 此外，本文还将涉及新能源车的单一政策情景进行结合设置了新能源车管理组合情景（CS），以针对性分析新能源车多种管理政策的综合影响.

2 结果与讨论 2.1 不同情景下排放变化趋势分析 2.1.1 温室气体排放变化趋势

根据IPE蔚蓝地图，西安市2022年人均碳排放为9.31 t·人^-1[44]，可计算得西安碳排放总量为1.21×10⁸ t；同时根据IEA所给数据得知2022年中国交通碳排放占比为10.4%^[2]，可得西安交通碳排放为1.26×10⁷ t. 本文基准年CO₂排放量测算值为1.29×10⁷ t，两者差别不大，且CO₂e排放预测趋势与Duan等^[14]、杨庆珊等^[45]、王智琦等^[46]和邱凯等^[47]预测趋势相同，因此分析结果具有较强的准确性. 不同情景下CO₂e排放变化趋势如图 1所示，可以看出与基准年相比，BS情景下CO₂e排放连年递增，2050年排放量达到2.80×10⁷ t，年均增长率为4.05%.

图 1 不同情景下温室气体排放变化趋势 Fig. 1 Trends in greenhouse gas emissions under different scenarios

单一政策情景下CO₂e排放增长速度均有不同程度下降，但是除S6外的其他情景下CO₂e排放均不断升高. S6情景下CO₂e排放在前、中期增长缓慢，后期则出现降低；这是因为该情景下未来一段时期燃油车占比较高，对其开展针对性技术提升会带来较好的长期降碳效果. 此外，S7情景近期的CO₂e排放增长速度最慢，表明通过限购等措施控制汽车拥有率可以在短期内显著抑制碳排放增长. 对于将单一政策结合后的SA情景，其CO₂e排放经初期波动后将持续下降至2050年的8.63×10⁶ t，年均降低率为1.22%，展现出多措并举的卓越降碳潜力.

新能源车情景中，S4和S5情景下CO₂e排放变化趋势相近；S3情景的排放增长速度则稍高于上述两种情景，主要是由于当前西安市仍以火力发电为主，且未来年的发电结构改善力度有限，因此需加快电力供应端的清洁转型. CS情景的CO₂e排放增长速度明显低于新能源车各单一政策情景，表明未来针对新能源车除提升其市场占有率外，还应同时关注发电结构的改善和单车能效的提高，以进一步释放新能源车带来的降碳效益.

2.1.2 污染物排放变化趋势

不同污染物排放趋势与金嘉欣等^[48]和薛露露等^[49]所预测未来年污染物排放趋势大致相同，因此结果具有一定真实性，不同情景下污染物排放变化趋势如图 2所示，可以看出大部分情景下污染物排放经初期下降后都会有明显上升，整体呈“U”型变化. 这是因为西安市2021年规定新能源车新增量占比在2025年提升到50%^[42]，从而显著降低了近期排放；此外，旧车逐步自然淘汰换为符合更高排放标准的新车在前期也带来了一定的减排效应；但之后汽车保有量的快速增长抵消了这些政策带来的减排效益. BS情景下，污染物均在2030年附近出现由降转升的排放拐点，NO_x、VOC、PM_2.5和CO的排放谷值分别为8.70×10³、3.91×10³、2.25×10²和2.74×10⁴ t.

图 2 不同情景下污染物排放变化趋势 Fig. 2 Trends of pollutant emissions under different scenarios

单一情景中，S6情景下4种污染物在拐点之后的增长速度都得到明显抑制，表明提升燃油车技术水平具有较好的长期减污潜力. S2情景在中、远期则对NO_x增长具有较好的遏制作用；这是因为货车是NO_x排放的主力军，公转铁后其排放得到有效削减. 此外，SA情景相较于单一情景表现出更为优异的减污效果，VOC、PM_2.5和CO排放均持续下降，但NO_x排放在中、远期则有一定的缓慢增长，下文将进一步分析原因并提出NO_x减排优化建议.

新能源车情景中，3种单一措施情景对NO_x和PM_2.5排放的抑制作用不明显；S4情景则对VOC和CO排放增长控制显著，这主要是由于火力发电的2种污染物排放水平较低. CS情景下各污染物的排放增长速度相比单一政策情景均有一定程度减缓，这种综合效应在PM_2.5和CO减排上体现得更为明显.

2.2 不同情景下减排效果对比 2.2.1 温室气体减排效果

将预测年份按照距基准年（2022年）远近划分为近期（2023~2030年）、中期（2031~2040年）和远期（2041~2050年）这3个时段，并以BS情景为基准统计各有控制情景在不同时期的CO₂e减排率（见表 2）. 可以看出，各单一控制情景均有一定的降碳作用，远期的CO₂e减排率都超过了5%. 其中S6情景各时期的CO₂e减排率均处于前列，在2050年达到了36.97%，并且其减排率增长也最为迅速. S7情景初期的CO₂e减排效果最好，中、远期的减排率升高到10%以上；但由于受人口增长影响，其减排率在中期上升后远期又出现下降. 此外，S1情景各时期的CO₂e减排率增长也十分迅速，其减排率在近、中期位列第三，远期上升到第二，最终达到了16.28%；表明持续推进公交优惠等政策积极引导市民选择公交出行可显著提升降碳效益. 与BS情景相比，SA情景3个时期的CO₂e减排率都超过了10%，初期接近15%，中期快速升高至42.77%，远期则达到62.47%，展现出最为理想的降碳效果.

表 2 不同情景下温室气体排放削减率/% Table 2 Reduction rates of greenhouse gas emissions under different scenarios/%

新能源车情景中，3个单一措施的减排效果均不理想，前期的CO₂e减排率都低于5%，中、远期的减排率也都未达到10%；其中S3情景的减排率最低，S4与S5情景在中、远期的减排率较为接近. 相比单一新能源车政策，综合3种措施的CS情景各时期的CO₂e减排率均超过了单一情景三者之和，表明对新能源车进行综合管控可以实现“1+1 > 2”的降碳效益.

2.2.2 污染物减排效果

与BS情景相比，各有控制措施情景不同时期的污染物减排率见表 3. 可以看出各情景对污染物的减排力度差异较大. 与降碳效果类似，单一政策下S6情景在中、远期的污染物减排率都位于前列，并且其减排率增长也很快. S2情景对NO_x的减排效果比较明显，2050年的减排率接近20%；S7情景则对VOC、PM_2.5和CO的减排效果较为显著，3个时期的减排率变化趋势也与CO₂e相同，都是中期升高后远期又下降. 此外，SA情景相比于单一情景表现出更加出色的持续减排能力，随着时间推进各污染物的减排率快速提升，最终NO_x和PM_2.5的减排率接近50%和70%，其他2种污染物的减排率则超过了70%.

表 3 不同情景下污染物排放削减率/% Table 3 Reduction rates of pollutant emissions under different scenarios/%

新能源车情景中，S3和S5情景对污染物的减排效果都不太理想，各时期的减排率大部分低于5%；这是由于当前西安市新能源车占比仍然较低，无法充分释放两种政策的减排潜力. S4情景则对VOC和CO的减排力度很大，但对NO_x和PM_2.5的减排效果不佳；这主要是因为火力发电产生的NO_x和PM_2.5排放较高. CS情景各时期的减排效果均优于3项单一新能源车措施的简单相加，VOC的最终减排率超过了65%，PM_2.5和CO的减排率也都高于25%，但对NO_x的减排作用较差，且排放削减率较低，这是因为NO_x排放主要车型为货车，而CS情景主要针对小型客车进行排放削减，因此污染物削减率较低.

2.3 不同情景下协同效应评价

不同时期各有控制情景下CO₂e与污染物的协同减排弹性系数见表 4，可以看出所有ELS值均大于0，表明各措施对CO₂e与污染物都有一定的减排作用，具有协同控制效应. 从不同时期的ELS值变化来看，随着措施逐年推进，大部分情景下的ELS值都出现下降；表明各措施的污染物削减率增长速度随时间增长会逐渐快于CO₂e减排. 此外，不同情景下的ELS值不同，说明各情景的碳污减排效果和协同性有所差异.

表 4 不同情景下协同减排弹性系数 Table 4 Elasticity coefficients of synergistic emission reduction under different scenarios

政策情景		S1	S2	S3	S4	S5	S6	S7	CS	SA
$E L S_{C O_{2} e / N O_{x}}$	近期	3.30	0.63	11.52	101	5.43	11.25	5.66	6.48	3.74
	中期	2.39	0.44	4.90	13.12	3.70	1.31	4.02	4.56	1.62
	远期	2.46	0.47	4.65	12.74	3.87	1.29	4.43	4.85	1.40
$E L S_{C O_{2} e / V O C}$	近期	1.13	5.86	24.81	0.23	22.98	6.74	1.05	0.78	1.17
	中期	0.74	3.98	15.78	0.15	14.53	0.70	0.70	0.45	0.71
	远期	0.69	4.57	14.54	0.14	13.48	0.69	0.66	0.43	0.74
$E L S_{C O_{2} e / P M_{2.5}}$	近期	1.32	1.19	1.80	1.65	1.40	6.00	1.39	1.46	1.54
	中期	1.05	0.90	1.24	1.30	1.09	0.76	1.09	1.14	0.98
	远期	1.08	0.88	1.20	1.31	1.09	0.78	1.10	1.14	0.96
$E L S_{C O_{2} e / C O}$	近期	1.34	1.19	3.12	0.54	2.86	4.37	1.50	1.26	1.52
	中期	1.01	0.93	2.43	0.42	2.22	0.54	1.20	0.93	0.86
	远期	0.97	1.01	2.49	0.43	2.28	0.58	1.23	0.97	0.85

表 4 不同情景下协同减排弹性系数 Table 4 Elasticity coefficients of synergistic emission reduction under different scenarios

单一情景中，对于NO_x的协同减排效益大多表现良好，其中S2情景对NO_x的减排强度明显高于CO₂e，在各个时期都具有明显的“偏污”倾向，这是因为S2情景可以有效减少货车NO_x排放，其余情景的CO₂e减排效果更为显著. VOC协同减排方面，S1、S6和S7情景普遍具有显著的协同效益；具有良好协同效益的4个情景中，仅S4情景对VOC的减排程度明显好于CO₂e，这是因为新能源车辆火力发电所产生的污染物中VOC含量较少，因此新能源车管控措施可以较好地影响VOC，其余情景的CO₂e减排效果更为突出. 此外，各情景对PM_2.5普遍具有显著的协同效益，其中S2情景与S6情景在中远期更加偏向减污. 而对于CO协同减排中，S1、S2、S6和S7情景普遍具有显著的协同效益；具有良好协同效益的3个情景中，同样仅S4情景对CO的减排效果明显优于CO₂e，其余情景则更偏向于降碳.

新能源车组合情景CS由于考虑了3个单一新能源车政策的综合影响，其ELS值介于三者之间. 整体上，CS情景对PM_2.5和CO表现出显著的协同减排效益，对NO_x的减排程度明显低于CO₂e，但对VOC的减排效果显著高于CO₂e. 此外，SA情景的碳污ELS值基本处于0.71到1.62之间，表明本文设置的综合情景比较合理，具有较为显著的减污降碳协同控制效应.

2.4 不同情景下分车型排放分析

前文的分析发现SA情景下NO_x排放在中、远期出现了缓慢增长，并且其不同时期的削减效果也都低于其他3种污染物. 本节将对比BS和SA情景下的分车型NO_x排放变化，以进一步寻找原因和影响因素.

两种情景下不同车型的NO_x排放变化趋势如图 3所示，由于出租车和公交车各年份的NO_x排放占比很低（< 1%），因此本节只分析前6种车型的排放变化. 与BS情景相比，SA情景下各车型NO_x排放在近期差别不大，减排主要体现在小型客车上. 在中、远期，随着多种措施的逐步推进，各车型的NO_x减排率不断升高；其中2050年小型客车的排放削减率在70%左右，其他车型则接近50%；表明各项措施的综合实施达到了较好的长期减排目的.

图 3 不同情景下分车型NO_x 排放变化趋势 Fig. 3 Trends of NO_x emissions by vehicle type under different scenarios

与基准年相比，SA情景下各车型的NO_x排放变化则呈现出一定差异. 其中小型客车和轻型货车的排放不断下降，表明现有措施对其持续减排效果十分优异. 大型客车和重型货车的排放在前期大幅降低后，中、远期则趋于平稳，显示现有措施对其边际减排效益递减明显；而中型客车和中型货车的排放在前期下降后，中、远期出现回升，反映出现有措施难以应对其保有量持续增长的影响，无法起到长效减排作用. 对比各车型的NO_x排放贡献可以发现，不同时期货车的排放占比都明显高于客车. 货车中重型车各时期的排放贡献均最高，而中型车贡献率在中、远期超过轻型车排在第二位，两者的排放占比在2050年超过了70%.

进一步对货车排放增加原因进行分析，不同车型货车车辆数目如图 4所示. 与基准年相比，轻型货车数目经过前中期的升高后期逐渐缩小，可知这是造成轻型货车排放占比进一步降低的原因，而中型与重型货车数目随时间增长而增长，且中型货车增长速度快，造成SA情景下后期中型货车NO_x排放占比进一步升高及总排放有回升趋势.

图 4 不同车型货车车辆数目 Fig. 4 Number of trucks by vehicle type

由以上对比可以发现，中型货车排放回升以及重型货车排放趋稳是造成SA情景下NO_x排放在中、后期升高的关键因素. 这两种车型的柴油车比例都比较大，因此未来应重点关注柴油货车的排放控制，通过技术创新、能源结构转型以及精细化管理升级等多种途径持续挖掘其减排潜力，以应对保有量增长与深度减排的双重挑战.

3 结论

（1）2022~2050年，BS情景下西安市道路交通CO₂e排放逐年递增，年均增长率为4.05%；污染物排放呈先降后高的“U”型变化. 可见现有政策可以做到减污，但降碳效果明显不足. 因此，结合西安市现状及新能源车补贴政策，建议实施更为有效的降碳政策，如提升汽车燃油技术及对进一步扩大新能源车辆的市场渗透率.

（2）单一政策下，S6情景在中长期的碳、污减排率均为各情景中最高且其随时间增长减排能力逐渐升高，可以同时做到减污降碳，S1情景各时期的降碳能力比较突出，二者可作为长期持续推进的综合减排政策；S7情景初期降碳效果最好，且各时期的VOC、PM_2.5和CO减排效果也十分显著，因此可以作为西安市完成碳达峰目标的优先政策，立即推进实施；S2情景中、远期对NO_x具有明显遏制作用，因此可以加速推进“公转铁”运输结构优化与货车电气化进程，从运输方式转变和车辆升级两方面协同降低NO_x排放.

（3）新能源车管理中，除S4情景对VOC和CO减排力度较大外，单一措施的减污降碳效果不理想. 由于S3和S5情景减排潜力的释放依赖于S4情景的快速实施，因此未来应对新能源车实施综合管控，构建包含多种措施协同的政策体系，通过CS情景实现“1+1 > 2”的减污降碳效益. 此外，CS情景的CO₂e-PM_2.5和CO₂e-CO协同效益显著，对NO_x的减排能力弱于CO₂e，VOC的减排效果则优于CO₂e，在政策制定中，应充分利用这些协同关系，针对不同污染物组合搭配政策措施，提高政策实施效率.

（4）综上所述，S7情景可作为西安市完成碳达峰目标的优先政策；S1和S6情景可作为长期持续推进的综合减排政策. 针对污染物则需开展精准治理并实施差异化策略，如对NO_x排放需加速推进“公转铁”运输结构优化与货车电气化；对PM_2.5减排应加强燃油车后处理技术研发应用，加大绿色出行宣传引导市民减少私家车使用. 同时，借鉴CS与SA情景的协同治理经验，构建政策组合拳以实现减污降碳协同增效的长远目标.

参考文献

[1]	IPCC. Climate change 2022: mitigation of climate change[M]. Cambridge: Cambridge University Press, 2022.
[2]	International Energy Agency (IEA). CO₂ Emissions in 2022[EB/OL]. Paris: IEA Publications, 2023. https://www.iea.org/reports/co2-emissions-in-2022, 2023-03-01.
[3]	Hou X R, Lv T, Xu J, et al. Electrification transition and carbon emission reduction of urban passenger transportation systems—A case study of Shenzhen, China[J]. Sustainable Cities and Society, 2023, 93. DOI:10.1016/j.scs.2023.104511
[4]	中华人民共和国生态环境部, 国家统计局, 中华人民共和国农业农村部. 第二次全国污染源普查公报[EB/OL]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk01/202006/t20200610_783547.html, 2020-06-10.
[5]	Alam S, Hyde B, Duffy P, et al. Analysing the Co-Benefits of transport fleet and fuel policies in reducing PM_2.5 and CO₂ emissions[J]. Journal of Cleaner Production, 2018, 172: 623-634. DOI:10.1016/j.jclepro.2017.10.169
[6]	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.
[7]	Thambiran T, Diab R D. Air pollution and climate change co-benefit opportunities in the road transportation sector in Durban, South Africa[J]. Atmospheric Environment, 2011, 45(16): 2683-2689. DOI:10.1016/j.atmosenv.2011.02.059
[8]	李云燕, 宋伊迪. 碳中和目标下的北京城市道路移动源CO₂和大气污染物协同减排效应研究[J]. 中国环境管理, 2021, 13(3): 113-120. Li Y Y, Song Y D. Study on the synergetic emission reduction effect of CO₂ and air pollutants from the mobile source of urban roads in Beijing under the target of carbon neutralization[J]. Chinese Journal of Environmental Management, 2021, 13(3): 113-120.
[9]	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. Wang H H, Zeng W H, Wu K Y. Co-control effects of motor vehicle pollutant emission in Shanghai[J]. China Environmental Science, 2016, 36(5): 1345-1352.
[10]	唐伟, 郑思伟, 何平, 等. 基于情景分析的杭州市机动车尾气排放控制协同效应研究[J]. 环境科学学报, 2019, 39(6): 2033-2042. Tang W, Zheng S W, He P, et al. Study on the co-benefit of motor vehicle emission control based on scenario analysis in Hangzhou[J]. Acta Scientiae Circumstantiae, 2019, 39(6): 2033-2042.
[11]	Liu Y H, Liao W Y, Lin X F, et al. Assessment of Co-benefits of vehicle emission reduction measures for 2015-2020 in the Pearl River Delta region, China[J]. Environmental Pollution, 2017, 223: 62-72. DOI:10.1016/j.envpol.2016.12.031
[12]	王碧云, 刘永红, 廖文苑, 等. 非珠三角机动车尾气控制措施协同效果评估[J]. 环境科学与技术, 2019, 42(6): 176-183. Wang B Y, Liu Y H, Liao W Y, et al. Assessment of vehicle emission reduction measures based on the analysis of co-control in the Non-Pearl River Delta Region[J]. Environmental Science & Technology, 2019, 42(6): 176-183.
[13]	Jiao J D, Huang Y, Liao C P, et al. Co-benefits of reducing CO₂ and air pollutant emissions in the urban transport sector: a case of Guangzhou[J]. Energy for Sustainable Development, 2020, 59: 131-143. DOI:10.1016/j.esd.2020.10.005
[14]	Duan L F, Hu W, Deng D, et al. Impacts of reducing air pollutants and CO₂ emissions in urban road transport through 2035 in Chongqing, China[J]. Environmental Science and Ecotechnology, 2021, 8. DOI:10.1016/j.ese.2021.100125
[15]	张思青, 张自银, 刘新罡, 等. 基于精细化数值模拟的汾渭平原大气自净能力研究[J]. 环境科学学报, 2023, 43(7): 286-297. Zhang S Q, Zhang Z Y, Liu X G, et al. A study on the atmospheric self-cleaning capacity of Fenwei Plain based on refined numerical simulation[J]. Acta Scientiae Circumstantiae, 2023, 43(7): 286-297.
[16]	国家发展改革委办公厅. 陆上交通运输企业温室气体排放核算方法与报告指南(试行)[EB/OL]. https://www.ndrc.gov.cn/xxgk/zcfb/tz/201511/t20151111_963496.html, 2015-11-11.
[17]	华经情报网. 2022年陕西省发电量及发电结构统计分析[EB/OL]. https://www.huaon.com/channel/distdata/875841.html, 2023-03-12.
[18]	Li Y, Miao L, Chen Y, et al. Exploration of sustainable urban transportation development in China through the forecast of private vehicle ownership[J]. Sustainability, 2019, 11(16). DOI:10.3390/su11164259
[19]	郭焱, 崔滨, 张晓君. 基于Gompertz和Logistic组合模型的汽车保有量中长期预测[J]. 公路交通科技, 2023, 40(10): 201-207. Guo Y, Cui B, Zhang X J. Medium and long term prediction on vehicle ownership based on combined model of Gompertz and Logistic[J]. Journal of Highway and Transportation Research and Development, 2023, 40(10): 201-207.
[20]	陕西省统计局, 国家统计局陕西调查总队. 陕西统计年鉴[M]. 北京: 中国统计出版社: 2011-2023.
[21]	中国环境科学学会. T/CSES 144-2024城市大气污染源排放清单编制技术指南[EB/OL]. https://www.ttbz.org.cn/StandardManage/Detail/108461/, 2024-05-30.
[22]	吴潇萌. 中国道路机动车空气污染物与CO₂排放协同控制策略研究[D]. 北京: 清华大学, 2016. Wu X M. Integrated emission mitigation strategies of air pollutants and CO₂ for on-road vehicles in China[D]. Beijing: Tsinghua University, 2016.
[23]	能源与交通创新中心. 中国乘用车燃料消耗量发展年度报告2017[EB/OL]. https://www.efchina.org/Reports-zh/report-ctp-20171201-zh, 2017-12-01.
[24]	能源与交通创新中心. 2014-2018中国商用车油耗发展研究报告[EB/OL]. https://www.icet.org.cn/event.asp?id=66, 2020-03-20.
[25]	IPCC. 2019 Refinement to the 2006 IPCC Guidelines for National Greenhouse Gas Inventories[EB/OL]. Geneva: Intergovernmental Panel on Climate Change, 2019. https://www.ipcc-nggip.iges.or.jp/public/2019rf/index.html, 2020-09-13.
[26]	中国电力企业联合会. 中国电力行业年度发展报告2023[EB/OL]. https://cpnn.com.cn/news/baogao2023/202307/t20230710_1616233_wap.html, 2023-07-10.
[27]	王计广, 桂华侨, 陈金潮, 等. 唐山市机动车排放清单与减排经济效益研究[J]. 中国环境科学, 2021, 41(11): 5114-5124. Wang J G, Gui H Q, Chen J C, et al. Vehicle emission inventory and economic benefits of emission reduction in Tangshan[J]. China Environmental Science, 2021, 41(11): 5114-5124.
[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.
[29]	环境保护部科技标准司, 清华大学, 中国环境科学研究院. 道路机动车大气污染物排放清单编制技术指南(试行)[EB/OL]. https://www.mee.gov.cn/ywdt/hjnews/201501/t20150113_294091.shtml, 2015-01-13.
[30]	Alimujiang A, Jiang P. Synergy and co-benefits of reducing CO₂ and air pollutant emissions by promoting electric vehicles—A case of Shanghai[J]. Energy for Sustainable Development, 2020, 55: 181-189. DOI:10.1016/j.esd.2020.02.005
[31]	国务院. 国务院关于印发《2024—2025年节能降碳行动方案》的通知[J]. 中华人民共和国国务院公报, 2024(17): 11-16.
[32]	西安市人民政府. 西安市人民政府关于印发"十四五"综合交通运输发展规划的通知[J]. 西安市人民政府公报, 2021(12): 6.
[33]	西安市人民政府. 西安市人民政府关于印发《西安市汽车产业发展规划(2018-2025年)》《西安市汽车产业链发展推进方案(2018-2025年)》和《关于推动汽车产业加快发展的若干政策意见》的通知[J]. 西安市人民政府公报, 2018(12): 8.
[34]	西安市人民政府办公厅. 西安市人民政府办公厅关于印发西安市蓝天碧水净土保卫战2022年工作方案的通知[J]. 西安市人民政府公报, 2022(6): 13-29.
[35]	西安市人民政府办公厅. 西安市重污染天气应急预案(2024年修订)[EB/OL]. https://www.xa.gov.cn/gk/zcfg/szfbgtwj/1806505167394762754.html, 2024-06-24.
[36]	国务院. 国务院关于印发打赢蓝天保卫战三年行动计划的通知[J]. 中华人民共和国国务院公报, 2018(20): 40-52.
[37]	《工信微报》报社. 国务院印发《2024-2025年节能降碳行动方案》[J]. 铸造工程, 2024, 48(4): 78-79.
[38]	西安印发国家碳达峰试点(西咸新区)实施方案[J]. 新西部, 2024, (7): 207.
[39]	西安市人民政府办公厅. 西安市人民政府办公厅关于印发减污降碳协同创新试点实施方案的通知[EB/OL]. https://www.xa.gov.cn/gk/zcfg/szfbgtwj/1840641948781244417.html, 2024-09-27.
[40]	西安市人民政府办公厅. 西安市人民政府办公厅关于印发支持新能源汽车扩大生产促进消费若干措施的通知[J]. 西安市人民政府公报, 2023(4): 19-20.
[41]	西安市人民政府办公厅. 西安市人民政府办公厅关于加快推动新能源汽车产业高质量发展的实施意见[J]. 西安市人民政府公报, 2021(12): 10-14.
[42]	新华社. 中共中央、国务院发布《关于深入打好污染防治攻坚战的意见》[J]. 电力科技与环保, 2021, 37(6): 7.
[43]	西安市人民政府. 西安市人民政府关于印发西安市空气质量达标规划(2023—2030年)的通知[J]. 西安市人民政府公报, 2023(12): 5-15.
[44]	公众环境研究中心. 蔚蓝地图[EB/OL]. https://www.ipe.org.cn/, 2025-06-20.
[45]	杨庆珊, 朱云, 龙世程, 等. 典型城市碳达峰能源政策下空气质量协同改善效益评估[J]. 环境科学学报, 2023, 43(1): 307-317. Yang Q S, Zhu Y, Long S C, et al. Co-benefits of energy policies under the CO₂ emission peaking target on air quality and health improvement in a typical city[J]. Acta Scientiae Circumstantiae, 2023, 43(1): 307-317.
[46]	王智琦, 李建国, 彭彬彬, 等. 基于系统动力学的交通碳排放达峰模拟分析[J]. 环境科学, 2025, 46(11): 6806-6818. Wang Z Q, Li J G, Peng B B, et al. Simulation and analysis of transportation carbon emission peaking based on system dynamics[J]. Environmental Science, 2025, 46(11): 6806-6818. DOI:10.13227/j.hjkx.202409327
[47]	邱凯, 耿宇, 唐翀, 等. 昆明市交通领域减污降碳措施协同性研究[J]. 城市交通, 2022, 20(3): 83-89, 128. Qiu K, Geng Y, Tang C, et al. Cooperative effect of air pollutants and carbon reduction measures in Kunming's transportation development[J]. Urban Transport of China, 2022, 20(3): 83-89, 128.
[48]	金嘉欣, 孙世达, 王芃, 等. 辽宁省2000~2030年机动车排放清单及情景分析[J]. 环境科学, 2020, 41(2): 665-673. Jin J X, Sun S D, Wang F, et al. Vehicle emission inventory and scenario analysis in Liaoning from 2000 to 2030[J]. Environmental Science, 2020, 41(2): 665-673. DOI:10.13227/j.hjkx.201904268
[49]	薛露露, 刘岱宗. 迈向碳中和目标: 中国道路交通领域中长期减排战略[R]. 北京: 世界资源研究所, 2022.


环境科学 2026, Vol. 47 Issue (9): 6038-6046	PDF