2. 杭州市环境监测中心站, 杭州 310007;
3. 上海市环境科学研究院, 上海 200233;
4. 宁波职业技术学院, 宁波 315800
2. Hangzhou Environmental Monitoring Centre Station, Hangzhou 310007;
3. Shanghai Academy of Environmental Sciences, Shanghai 200233;
4. Ningbo Polytechnic, Ningbo 315800
机动车尾气是现阶段我国复合型大气污染的重要来源, 对城市空气中PM2.5和O3等二次污染的贡献突出(Tang et al., 2007; 姚志良等, 2012; 樊守彬等, 2015; Yu et al., 2017), 同时也是温室气体排放增长最快的领域之一(刘建翠, 2011; Yu et al., 2012; Lin et al., 2014; 谢鹏程, 2018), 因此, 国内各城市对机动车尾气的控制日益重视.由于大气污染物和温室气体具有同根同源性(薛婕等, 2012; 蔡博峰等, 2012; 清洁空气创新中心, 2016), 因此, 一些控制机动车大气污染物的措施对温室气体具有协同效应(王金南等, 2010; 郑佳佳等, 2015).协同效应最初起源于政府间气候变化专门委员会(IPCC, 2001)对温室气体减排效果评估, 意指减缓温室气体排放政策所产生的非气候效益.环保部环境与经济政策研究中心(胡涛等, 2004)在IPCC的基础上提出了新的认识, 认为大气污染物与温室气体协同控制所追求的协同效应具体包括两方面, 一方面是在控制温室气体排放过程中减少了其他局域污染物排放, 另一方面是在控制局域污染物排放及生态建设过程中也可以减少或者吸收温室气体. 2016年1月我国新修订的《大气污染防治法》从法律层面上首次提出了“大气污染物与温室气体协同控制”, 表明协同控制已经成为解决生态环境问题的重要举措.研究也表明(清洁空气创新中心, 2016; 王军锋等, 2017), 开展大气污染物和温室气体的协同控制工作是我国积极应对气候变化、治理大气污染的重要途径之一, 因此, 开展机动车尾气控制协同效应研究十分必要.
近年来, 国内外学者对机动车尾气控制协同效应的研究逐渐增多, 如国外学者Ribero等(2008)、Saidur等(2011)、Thambiran等(2011)、Nguyen等(2012)、Alam等(2018)和Bhargava等(2018)对巴西、马来西亚、南非、越南、爱尔兰等和印度等国家开展了机动车温室气体和大气污染排放的协同效应研究, 国内学者Geng等(2013)、高玉冰等(2014)、程晓梅等(2014)、王慧慧等(2016)和谭琦璐等(2017)分别对沈阳、乌鲁木齐、珠江三角洲、上海和京津冀等地的机动车尾气排放控制进行了协同效应研究.国外学者的研究偏重于论证采取的机动车尾气控制措施能够协同削减大气污染物和温室气体, 或者研究不同控制措施对大气污染物和温室气体的协同减排量, 未分析措施减排带来的经济效益及协同程度; 国内学者主要是研究机动车控制措施对大气污染物和温室气体的协同减排程度, 以及减排带来的经济效益, 但基于假设的情景与当地交通规划发展和大气污染防治(机动车污染控制)规划相结合较少, 指导意义不够.
杭州市是我国东南沿海重点城市, 已有的研究(吴琳等, 2014; 徐昶等, 2014; 蔡博峰等, 2017; 唐伟等, 2018a; 2018b)表明, 杭州市机动车尾气及大气二次转化是其环境空气中PM2.5和VOCs等污染物的重要来源, 同时也是杭州市温室气体增速最快的领域和重要排放源.当前杭州市环境保护工作同时面临着传统污染物减排、环境质量改善和温室气体减排等多重严峻挑战, 机动车作为大气污染物和温室气体的重要排放源(杨强等, 2017; 唐伟等, 2018a; 2018b), 成为杭州市大气污染物和温室气体协同控制的关键领域之一.目前, 杭州市根据当地交通规划和大气污染防治规划, 加快了新车排放标准的实施步伐, 也加强了淘汰老旧车、淘汰重污染柴油货车等控制措施的实施力度, 而关于这些措施对杭州市机动车尾气控制协同性效应的研究尚未见诸报道.此外, 由于我国区域经济发展的差异性, 各地区机动车大气污染和温室气体排放量和排放特点差异也较大, 在研究控制措施的协同效应时, 充分考虑杭州市机动车控制相关规划及尾气排放的本地特征, 对科学合理制定杭州市机动车尾气协同减排的政策至关重要.
基于以上背景, 本文采用情景分析法, 估算不同控制措施情景下杭州市机动车大气污染物和温室气体的减排量, 运用减排弹性系数分析法和协同效应坐标系法, 分析不同情景下常规大气污染物(NOx、CO、PM2.5和VOCs)和温室气体(CO2、CH4和N2O)的减排协同效应, 以期为杭州市开展机动车排放常规大气污染物和温室气体协同控制, 以及为杭州市实现大气环境质量限期达标和碳排放达峰协同“双达”提供参考依据.
2 研究方法(Research methods) 2.1 协同效应分析方法本文采用减排量弹性系数(许光清等, 2014)分析控制措施的协同效应程度, 即控制措施引起的温室气体减排量相对于大气污染物减排量的大小; 通过污染物当量和增温潜势计算出各种情景下大气污染物和温室气体相对基准情景的削减当量, 利用协同效应坐标系(毛显强等, 2011)直观反映减排的经济效益及其协同状况.
2.1.1 减排量弹性系数分析减排量弹性系数用于评价机动车尾气控制措施对大气污染物和温室气体的协同程度, 记为ELS(a/b), 下标a和b分别表示温室气体和大气污染物.减排量弹性系数能够反映各项减排措施对于不同大气污染物和温室气体是否具有协同控制效应及其协同程度.减排量弹性系数的计算公式如下:
(1) |
式中, ELS(a/b)表示大气污染物(NOx、CO、PM2.5和VOCs)对温室气体(CO2、CH4和N2O)的弹性系数, 也就是温室气体对大气污染物变化的敏感度; ρa和ρb分别表示温室气体和大气污染物的总量; Δρa和Δρb分别表示采取某项机动车尾气控制措施后温室气体和大气污染物的减排量; Δρa/ρa即为温室气体的排放量变化率; Δρb/ρb即为大气污染物的排放量变化率.
如果ELS(a/b)≤0, 表明此项控制措施仅对大气污染物有减排效果, 或者仅对温室气体有减排效果, 不具有协同控制效应; 如果ELS(a/b)>0, 表明此项控制措施对大气污染物和温室气体均有减排效果(分子、分母均为负数的情况除外), 具有协同控制效应; 如果ELS(a/b)=1, 表明此项控制措施对大气污染物和温室气体的减排程度相同; 如果0 < ELS(a/b) < 1, 表明此项控制措施对大气污染物的减排程度高于温室气体; 反之, 如果ELS(a/b)>1, 表明此项控制措施对温室气体的减排程度高于大气污染物.
2.1.2 协同效应坐标系分析协同效应坐标系分析是指在二维或多维欧氏空间坐标系中, 以不同的坐标表达某项控制措施对于不同大气污染物和温室气体的减排效果.某项机动车尾气控制措施在坐标系中所处的空间位置, 可以直观地反映大气污染物和温室气体的减排效果及其协同率(程晓梅等, 2014; 王慧慧等, 2016).
以二维坐标系为例(图 1), 横坐标表示某项机动车尾气控制措施对大气污染物的减排效果, 纵坐标表示其对温室气体的减排效果.坐标系中的每个点分别对应一种机动车尾气控制措施, 点的横、纵坐标则直观地表达了该措施对大气污染物和温室气体的减排效果.位于第一象限的A点表示该措施可同时减排大气污染物和温室气体, 位于第二象限的B点表示该措施能减排温室气体但会增加大气污染物的排放, 位于第三象限的C点表示该措施会同时增加大气污染物和温室气体的排放, 位于第四象限的D点表示该措施能减排大气污染物但会增加温室气体的排放.同样位于第一象限中, 如F点到原点连线与横坐标的夹角(β)比E点夹角(α)大, 表明F措施在减排等量大气污染物的同时, 对温室气体的减排效果要优于E措施; G点离原点比A点远, 表示G措施对大气污染物和温室气体的减排效果比A措施好.坐标系的横、纵坐标也均可表示为机动车尾气控制措施对大气污染物的减排效果或对温室气体的减排效果.
大气污染物的环保税税额和碳排放交易市场上CO2的价格能够客观全面地反映大气污染物和温室气体对社会、环境方面的综合影响(李霁友, 2017; 蒋春来等, 2018), 尽管机动车不在环保税征收范围内, 但仍可以利用该经济指标来衡量机动车尾气控制措施的大气污染物和温室气体协同效应, 同时利用协同效应坐标系更能直观地反映减排的经济效益及其协同状况.由于某项控制措施能够同时实现多种大气污染物及温室气体的减排, 而其减排大气污染物及温室气体的种类、数量均存在差异, 本文根据环保税推荐的大气污染物当量和温室气体全球变暖潜力, 分别对4种大气污染物和3种温室气体的减排量进行当量值计算, 转换成经济指标, 衡量它们之间的减排协同效益, 计算公式如式(2)和(3)所示.
(2) |
(3) |
式中, Ea表示温室气体减排的效益(元); Ri表示采取某项机动车尾气控制措施后某种温室气体的减排量(t); GWPi表示温室气体全球变暖潜力, 根据IPCC第二次评估报告, CH4和N2O的全球变暖潜势值分别为CO2的21倍和310倍; Pa表示碳排放交易市场上每t CO2的价格(元), 根据近年来上海碳交易市场的CO2成交情况, CO2平均成交价格约为35元· t-1; Eb表示大气污染物减排的效益(元); Rj表示采取某项机动车尾气控制措施后某种大气污染物的减排量(t); Wj表示某种大气污染物的污染当量值(kg); Pb表示大气污染物每污染当量的税额标准(元), 根据《浙江省人民代表大会常务委员会关于大气污染物和水污染物适用税额的决定》, 浙江省大气污染物(除4类重金属污染物项目)适用税额为每污染当量1.2元· kg-1.
2.2 大气污染物和温室气体排放量计算 2.2.1 计算模型根据IVE模型的基本原理和基础参数(姚志良等, 2006; 王虎等, 2007), 开展机动车大气污染物和温室气体排放量计算, IVE模型将机动车启动排放和运行排放分开进行计算, 具体如式(4)和式(5)所示.
(4) |
(5) |
式中, Qruning和Qstart分别表示机动车在运行阶段和启动阶段的大气污染物及温室气体排放量(g); UFTP表示LA4行驶工况下机动车的平均速度(km · h-1); D表示车辆总行驶里程(km); Uc表示实际道路上的平均速度(km · h-1); fj表示j类型车辆的动态组成的百分比; fdj表示j类型机动车不同行驶或怠速工况占其总的行驶或怠速工况的百分比; Kdj表示j类型机动车行驶或者怠速阶段的修正因子.
机动车VOCs蒸发排放量计算公示如下:
(6) |
式中, F为每年行驶及驻车期间的VOCs蒸发排放量(t); EF1为机动车行驶过程中的蒸发排放系数(g · h-1); VKT为当地车辆的单车年均行驶里程(km); V为机动车运行的平均行驶速度(km · h-1); EF2为驻车期间的综合排放系数(g · d-1); B为当地以汽油为燃料的机动车保有量(辆).
2.2.2 主要参数本文机动车保有量采用杭州市机动车排放管理数据库数据.机动车构成参考《道路机动车大气污染排放清单编制指南》(环境保护部, 2014)中的分类方法, 分为中重型货车、轻微型货车、大中型客车、小微型客车、公交客运、出租车和其他类车七大类(考虑到摩托车在杭州市主城区已被禁止注册登记并在部分区县市被禁止通行, 本文未统计摩托车); 机动车使用燃料类型分为汽油、柴油、电、天然气和其他(混合动力等)5类; 里程排放标准构成分为国0、国1、国2、国3、国4和国5及以上; 机动车行驶里程调查采用杭州市机动车排放管理数据库记录的机动车表读数; 机动车排放因子根据机动车车型构成、车辆行驶工况、环境温度、燃料品质等基础数据, 利用IVE模型计算所得, 模型中的基础排放因子根据国内已有的研究成果(王海鲲等, 2006; 余艳春等, 2008; 董红召等, 2011; 黄成等, 2012; 唐伟等, 2018a; 2018b)进行校正.
2.3 情景设置为研究各种控制措施下机动车大气污染物和温室气体的减排潜力, 本研究参考《杭州市综合交通发展“十三五”规划》、《杭州市大气污染防治“十三五”规划》和《杭州市打赢蓝天保卫战行动计划》等规划, 设计了3类机动车减排控制情景:包括6种单一控制措施、1种结构性措施和1种综合性措施.单一控制措施情景是根据杭州市近年来或将来可采取的控制措施, 将提高排放标准、淘汰高排放老旧车、淘汰国Ⅲ柴油货车、提高公共交通分担率、推广新能源车、优化交通运输结构等控制措施设定为相应情景.结构性措施控制情景为3个改变机动车保有量结构的措施叠加.综合性控制措施情景是6个单项措施叠加, 理论上应是减排力度最强的情景.控制情景的详细说明见表 1.
依据现有机动车排放水平和机动车保有量的增长趋势, 计算基准情景的目标年份机动车排放清单.本文选用2015年作为基准年, 预测“十三五”的最后一年(即2020年)基准控制情景下的大气污染物和温室气体排放量.
3.1.1 机动车保有量预测考虑到机动车保有量增长与经济发展密切相关, 本文采用弹性系数法(余艳春等, 2008; 程晓梅等, 2014)来预测机动车保有量.具体为:以杭州市机动车排放管理数据库中2010—2016年机动车保有量数据为基础, 考虑杭州市地方增量调控措施, 采用弹性系数预测2020年的机动车保有量.预测结果如表 2所示.
根据IVE模型测算基准年和目标年杭州市机动车大气污染物和温室气体排放量, 具体见表 3.由表 3可知, 按目前杭州市机动车保有量增长趋势, 如不采取任何控制措施(零措施), 2020年杭州市机动车排放大气污染物和温室气体均将大幅增加, 增长范围为24%~44%.其中, 促成O3形成的前提物VOCs和NOx分别增长28%和44%, 一次排放的可吸入颗粒物PM2.5增长41%, 主要温室气体CO2增长约30%, CH4和N2O增长约25%.因此, 在目前长三角区域环境空气质量以PM2.5和O3复合型大气污染形势下, 如按上述增长态势, 机动车引发的复合型大气环境污染将愈发严重, 不利于杭州市空气限期达标, 同时也将阻碍杭州市实现“十三五”单位生产总值CO2排放量到2020年比2015年下降25%的目标.
为评估各控制情景下机动车大气污染物和温室气体的减排力度, 计算各种控制情景下机动车大气污染物和温室气体排放量减排贡献(表 4), 其中, 温室气体CH4和N2O的减排量根据其增温潜势折算成CO2当量值并叠加在CO2减排量中(以CO2e计).
由表 4可知, 各控制情景下机动车大气污染物和温室气体排放量均有下降, 但削减比例有较大差异.综合性控制措施是大气污染物和温室气体削减比例最大的情景, 减排效果明显, 各单项大气污染物的削减比例均在60%以上, 温室气体的削减比例也超过45%.结构性措施次之, 各单项大气污染物的削减比例均在50%以上, 温室气体的削减比例为34%.
在单一措施控制情景下, 淘汰高排放老旧车的减排效果最明显, 大气污染物CO、VOCs、PM2.5、NOx的削减比例分别大于40%、40%、30%、20%, 温室气体的削减比例大于20%;淘汰国Ⅲ及以下柴油货车, 其大气污染物NOx和PM2.5的削减比例均大于20%, 但CO、VOCs及温室气体的削减比例均小于10%.以上2种控制措施的减排效果要高于其他4种措施, 主要是由于高排放老旧车(国Ⅱ及以下汽油车)和国Ⅲ及以下柴油货车这两类车的车龄大、累计行驶里程长、蒸发控制装置和尾气处理装置的安装比例很低, 各污染物排放因子较高(周磊等, 2011), 并且其NOx、PM2.5和VOCs的排放贡献也远高于其他类型的汽车.推广新能源汽车, 其NOx和PM2.5的削减比例为10%~20%, CO和VOCs及温室气体的削减比例均略小于10%, 减排效果低于淘汰高排放老旧车和淘汰国Ⅲ柴油货车2种单一控制措施, 主要原因是新能源车辆占比较基准年有大幅增加, 高排放老旧车、城市公交车全部替代为新能源车辆, 从而削减了这部分车排放的大气污染物和温室气体, 但由于替代量有限, 因此, 减排效果相对不明显.提高排放标准、提高公共交通分担率和优化交通运输结构这3种单一控制措施对大气污染物和温室气体也有一定的减排效果.
按照环境保护税中污染当量计算方法和温室气体的增温潜势换算, 各种情景下大气污染物和温室气体相对基准情景的削减当量见图 2.由图可见, 综合措施情景是对大气污染物和温室气体削减量最大的情景, 其中, 大气污染物削减14×104污染当量(无量纲), 温室气体削减499×104 t(以CO2当量计, 下同); 结构性措施次之, 大气污染物削减12×104污染当量, 温室气体削减367×104 t.在单一控制措施情景下, 淘汰高排放老旧车对大气污染物和温室气体的减排效果最好, 其中, 大气污染物和温室气体的削减量分别为7×104污染当量和240×104 t.其它单一措施对大气污染物、温室气体消减量有差异, 协同效应相对不明显.
首先采用减排弹性系数法分析各大气污染物和温室气体的协同减排程度.根据公式(1)计算各控制情景下, 杭州市机动车各单项污染物NOx、CO、PM2.5和VOCs对温室气体(以CO2e计)的弹性系数, 以及各项污染物经大气污染当量值折算后叠加(以大气污染物当量AP计)对温室气体的弹性系数(ELS(CO2e/AP)), 具体见表 5.研究着重考虑控制机动车大气污染物的同时减少温室气体的排放, 因此, 将大气污染物排放量变化率作为分母以示强调.
由表 5可见, 所有的弹性系数ELS值均大于0, 表明所有控制措施情景下杭州市机动车大气污染物和温室气体均有减排效果, 具有协同控制效应.但就各单项大气污染物NOx、CO、PM2.5和VOCs而言, 在各单一控制措施情景下, 其ELS值表明不同控制措施对各污染物和温室气体的减排效果不同; 而结构性控制措施和综合措施的4个ELS值均小于1, 表明对这4项大气污染物的减排效果均优于温室气体, 主要目的是减排大气污染物.
根据大气污染当量值将各项污染物折算后叠加再进行弹性系数分析, 其ELS(CO2e/AP)值可以综合反映大气污染物和温室气体的协同减排程度.在单一控制措施情景下, 淘汰国Ⅲ柴油货车措施(ELS(CO2e/AP)=0.16)对大气污染物的减排程度明显大于温室气体, 该项措施更利于大气污染物的减排; 淘汰高排放老旧车(ELS(CO2e/AP)=0.65)和优化交通运输结构(ELS(CO2e/AP)=0.62)2项措施对大气污染物的减排程度也大于温室气体, 但没有淘汰国Ⅲ柴油货车措施明显; 提高排放标准(ELS(CO2e/AP)=0.85)和推广新能源汽车(ELS(CO2e/AP)=0.90) 2项措施对大气污染物的减排程度也略大于温室气体, 但其协同性比前几种措施更加明显.仅有“提高公共交通分担率”的控制措施(ELS(CO2e/AP)=1.56)对温室气体的减排程度高于大气污染物.在结构性控制措施(ELS(CO2e/AP)=0.63)和综合性措施(ELS(CO2e/AP)=0.71)情景下, 机动车温室气体的减排程度均低于大气污染物.
3.3.2 协同效应坐标分析利用公式(2)和(3)分别计算机动车尾气控制措施的大气污染物和温室气体减排的经济效益, 同时利用协同效应坐标系直观反映减排的经济效益及其协同状况(图 3).由图 3可以看出, 不同控制措施情景下, 各排放控制措施对大气污染物和温室气体的减排协同效果均是正向的.在单一控制措施情景下, 提高排放标准(协同效应坐标tgα=1.19)、推广新能源汽车(tgα=1.27)和提高公共交通分担率(tgα=2.20)这3种单一控制措施对温室气体的减排效果优于大气污染物; 淘汰高排放老旧车(tgα=0.92)、淘汰国Ⅲ柴油货车(tgα=0.23)和优化交通运输结构(tgα=0.87)这3种单一控制措施和结构性措施(tgα=0.89)对大气污染物的减排效果优于温室气体; 综合性措施(tgα=0.99)对机动车大气污染物和温室气体减排的协同性基本上一致.
由图 3还可以看出, 6种单一控制措施情景下, 淘汰高排放老旧车对大气污染物和温室气体减排的经济效益最好; 淘汰国Ⅲ柴油货车对大气污染物减排的经济效益次之, 而对温室气体减排的经济效益较差, 因此, 协同性倾向于大气污染物减排; 提高排放标准、推广新能源汽车和提高公共交通分担率这3种单一控制措施对大气污染物和温室气体的总体减排经济效益一般; 优化交通运输结构对大气污染物和温室气体的减排经济效益在6种单一控制措施中最差.此外还可以看出, 提高公共交通运输结构和提高排放标准2种措施在减排等量大气污染物的同时, 提高公共交通分担率对温室气体的减排效果最好, 要优于提高排放标准.
3.3.3 差异性分析减排弹性系数法和协同效应坐标法均可以从不同角度来分析机动车尾气大气污染物和温室气体的减排协同效应, 但两种方法的分析结果存在一定的差异性(表 6).由表 6可知, 提高排放标准、推广新能源汽车2种单一控制措施的协同性分析结果并不一致, 利用减排弹性系数法分析这2种控制措施的协同性结果为大气污染物减排效果优于温室气体, 而利用协同效应坐标法分析这2种控制措施的协同性结果为温室气体减排效果优于大气污染物.究其原因, 减排量弹性系数ELS(a/b)值实际是温室气体减排比例与大气污染物减排比例的比值, 而协同效应坐标tgα值是温室气体减排经济效益与大气污染物减排经济效益的比值, 采用碳交易市场CO2成交价格和大气污染物税额来衡量温室气体大气污染物减排的经济效益具有较大的不确定性.当减排量弹性系数ELS(a/b)值在1附近时, 温室气体与大气污染物的减排经济效益可能会受到CO2成交价格和大气污染物税额的波动影响, 导致tgα值变化差异较大.
1) 基于IVE模型建立了基准年机动车尾气排放清单, 根据杭州市机动车保有量增长趋势, 2020年杭州市机动车排放的大气污染物和温室气体均将大幅增加.在各种控制情景下, 杭州市机动车大气污染物和温室气体排放量均有削减, 但减排效果差别较大.综合性措施无疑是对大气污染物和温室气体减排效果最好的情景, 而结构性控制措施的减排效果次之.在单一控制措施中, 淘汰高排放老旧车措施对机动车大气污染物和温室气体减排效果最好, 淘汰国Ⅲ柴油货车和推广新能源汽车的减排效果次之, 其它3种单一控制措施对大气污染物和温室气体的减排效果表现一般.
2) 减排弹性系数法分析表明, 各种控制措施情景下, 杭州市机动车大气污染物和温室气体均有协同减排效应, 6种单一控制措施情景下, 仅有“提高公共交通分担率”的控制措施对温室气体的减排程度高于大气污染物, 其它控制措施对温室气体的减排程度均低于大气污染物; 在结构性控制措施和综合性措施情景下, 机动车温室气体的减排程度均低于大气污染物.
3) 协同效应坐标法分析表明, 在单一控制措施情景下, 提高排放标准、推广新能源汽车和提高公共交通分担率这3种单一控制措施对温室气体的减排效果比大气污染物好; 淘汰高排放老旧车、淘汰国Ⅲ柴油货车和优化交通运输结构这3种单一控制措施和结构性措施对大气污染物的减排效果比温室气体好; 综合性措施对机动车大气污染物和温室气体减排的协同性基本上一致.协同效应坐标系法采用碳交易市场CO2成交价格和大气污染物税额来衡量温室气体大气污染物减排的经济效益, 具有较大的不确定性.
4) 根据大气污染物和温室气体减排量、减排经济效益及协同效应, 杭州市协同控制机动车大气污染物和温室气体的政策措施最应优先落实的依次是:淘汰高排放老旧车、淘汰国Ⅲ柴油货车和推广新能源汽车, 它们是杭州市交通领域减少大气污染物排放和应对气候变化综合管理的关键措施.当然采取综合性措施或者结构性措施, 无疑可以最大幅度削减杭州市机动车大气污染物和温室气体, 为实现杭州市大气环境质量限期达标和碳排放达峰协同“双达”奠定基础.
Alam M S, Hyde B, Duffy P. 2018. Analysing the co-benefits of transport fleet and fuel policies in reducing PM2.5 and CO2 emissions[J]. Journal of Cleaner Production, 172(7): 623–634.
|
Bhargava N, Gurjar B R, Mor S, et al. 2018. Assessment of GHG mitigation and CDM technology in urban transport sector of Chandigarh, India[J]. Environmental Science and Pollution Research, 25(1): 363–374.
DOI:10.1007/s11356-017-0357-8
|
蔡博峰, 杨朝飞, 陆军, 等. 2017. 中国城市二氧化碳排放数据集(2012)[M]. 北京: 中国环境出版社: 29–31.
|
蔡博峰. 2012. 中国城市二氧化碳排放空间特征及与二氧化硫协同治理分析[J]. 中国能源, 2012, 34(7): 33–37.
DOI:10.3969/j.issn.1003-2355.2012.07.007 |
程晓梅, 刘永红, 陈泳钊, 等. 2014. 珠三角洲机动车排放控制措施协同效应分析[J]. 中国环境科学, 2014, 34(6): 1599–1606.
|
董红召, 徐勇斌, 陈宁. 2011. 基于IVE模型的杭州市机动车实际行驶工况下排放因子的研究[J]. 汽车工程, 2011, 33(12): 1034–1038.
|
樊守彬, 田灵娣, 张东旭, 等. 2015. 基于实际道路交通流信息的北京市机动车排放特征[J]. 环境科学, 2015, 36(8): 2750–2757.
|
高玉冰, 毛显强, GabrielCorsetti, 等. 2014. 城市交通大气污染物与温室气体协同控制效应评价-以乌鲁木齐市为例[J]. 中国环境科学, 2014, 34(11): 2985–2992.
|
Geng Y, Ma Z X, Xue B, et al. 2013. Co-benefit evaluation for urban public transportation sector - a case of Shenyang, China[J]. Journal of Cleaner Production, 58(1): 82–91.
|
胡涛, 田春秀, 李丽平. 2004. 协同效应对中国气候变化的政策影响[J]. 环境保护, 2004, 2004(9): 56–58.
DOI:10.3969/j.issn.0253-9705.2004.09.015 |
环境保护部.2014.道路机动车大气污染物排放清单编制技术指南(试行) [EB/OL]. 2014-12-31. http://www.mee.gov.cn/gkml/hbb/bgg/201501/W020150107594587831090.pdf
|
黄成, 刘娟, 陈长虹, 等. 2012. 基于实时交通信息的道路机动车动态排放清单模拟研究[J]. 环境科学, 2012, 33(11): 3725–3732.
|
IP CC. 2001. Climate Change 2001[M]. Cambridge, UK: Cambridge University Press.
|
蒋春来, 宋晓晖, 钟悦之, 等. 2018. 基于排污许可证的碳排放权交易体系研究[J]. 环境污染与防治, 2018, 40(10): 1198–1202.
|
李霁友. 2017. 环保费改税对我国生态环境及经济发展的影响[J]. 管理世界, 2017(3): 170–171.
|
Lin B Q, Xie C P. 2014. Reduction potential of CO2 emissions in China′s transport industry[J]. Renewable and Sustainable Energy Reviews, 33: 689–700.
DOI:10.1016/j.rser.2014.02.017
|
刘建翠. 2011. 中国交通运输部门节能潜力和碳排放预测[J]. 资源科学, 2011, 34(4): 640–646.
|
毛显强, 曾桉, 胡涛, 等. 2011. 技术减排措施协同控制效应评价研究[J]. 中国人口·资源与环境, 2011, 21(12): 1–7.
DOI:10.3969/j.issn.1002-2104.2011.12.001 |
Nguyen T, Mai T. 2012. Analysis of motorcyclefleet in Hanoi for estimation of air pollution emission and climate mitigation co-benefit of technology implementation[J]. Atmospheric Environment, 59(7): 438–448.
|
清洁空气创新中心.2016.中国空气质量管理评估报告(2016) [R].北京: 中国清洁空气联盟
|
Ribero S K, De Abreu A A. 2008. Brazilian transport initiative with GHG reductions as a co-benefit[J]. Climate Policy, 8(2): 220–240.
DOI:10.3763/cpol.2007.0431
|
Saidur R, Mahlia T. 2011. Impacts of energy efficiency standard on motor energy savings and emission reductions[J]. Clean Techn Environ Policy, 13(1): 103–109.
DOI:10.1007/s10098-009-0275-7
|
Tang J H, Chan L Y, Chan C Y, et al. 2007. Characteristics and diurnal variations of nmhcs at urban, suburban, and rural sites in the pearl river delta and a remote site in south China[J]. Atmospheric Environment, 41(38): 8620–8632.
DOI:10.1016/j.atmosenv.2007.07.029
|
Thambiran T, Diab R D. 2011. Air pollution and climate change co-benefit opportunities in the roadtransportation sector in Durban, South Africa[J]. Atmospheric Environment, 45(16): 2683–2689.
DOI:10.1016/j.atmosenv.2011.02.059
|
谭琦璐, 杨宏伟. 2017. 京津冀交通控制温室气体和污染物的协同效应分析[J]. 中国能源, 2017, 39(4): 25–31.
DOI:10.3969/j.issn.1003-2355.2017.04.005 |
唐伟, 何平, 杨强, 等. 2018a. 基于IVE模型和大数据分析的杭州市道路移动源主要温室气体排放清单研究[J]. 环境科学学报, 2018a, 38(4): 1368–1376.
|
唐伟, 杨强, 黄成, 等. 2018b. 基于大数据分析和IVE模型的杭州市机动车污染物排放变化特征研究[J]. 环境科学学报, 2018b, 38(1): 71–78.
|
王海鲲, 陈长虹, 黄成, 等. 2006. 应用IVE模型计算上海市机动车污染物排放[J]. 环境科学学报, 2006, 26(1): 1–9.
|
王虎, 李孟良, 乔维高. 2007. 一种汽车源排放模型——IVE模型简介[J]. 中国环境监测, 2007, 23(5): 78–81.
DOI:10.3969/j.issn.1002-6002.2007.05.024 |
王慧慧, 曾维华, 吴开亚. 2016. 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.
DOI:10.3969/j.issn.1000-6923.2016.05.010 |
王金南, 宁淼, 严刚, 等. 2010. 实施气候友好的大气污染防治战略[J]. 中国软科学, 2010(10): 28–37.
DOI:10.3969/j.issn.1002-9753.2010.10.005 |
王军锋, 贺姝峒, 李淑文, 等. 2017. 我国省级温室气体和大气污染排放协同性及空间差异性研究[J]. 生态经济, 2017, 33(7): 156–160.
|
Wu Y, Zhang S J, Hao J M, et al. 2017. On-road vehicle emissions and their control in China: A review and outlook[J]. Science of the Total Environment, 574: 332–349.
DOI:10.1016/j.scitotenv.2016.09.040
|
吴琳, 沈建东, 冯银厂, 等. 2014. 杭州市灰霾与非灰霾日不同粒径大气颗粒物来源解析[J]. 环境科学研究, 2014, 27(4): 373–381.
|
谢鹏程, 王文军, 廖翠萍, 等. 2018. 基于能源活动的广州市二氧化碳排放清单研究[J]. 生态经济, 2018, 34(3): 18–22.
|
徐昶, 沈建东, 叶辉, 等. 2014. 杭州黑碳气溶胶污染特性及来源研究[J]. 中国环境科学, 2014, 34(12): 3026–3033.
|
许光清, 温敏露, 冯相昭, 等. 2014. 城市道路车辆排放控制的协同效应评价[J]. 北京社会科学, 2014(7): 82–90.
|
薛婕, 罗宏, 吕连宏, 等. 2012. 中国主要大气污染物和温室气体的排放特征与关联性[J]. 资源科学, 2012, 34(8): 1452–1460.
|
杨强, 黄成, 卢滨, 等. 2017. 基于本地污染源调查的杭州市大气污染物排放清单研究[J]. 环境科学学报, 2017, 37(9): 3240–3254.
|
姚志良, 贺克斌, 王岐东, 等. 2006. IVE机动车排放模型应用研究[J]. 环境科学, 2006, 27(10): 1928–1933.
DOI:10.3321/j.issn:0250-3301.2006.10.002 |
姚志良, 张明辉, 王新彤, 等. 2012. 中国典型城市机动车排放演变趋势[J]. 中国环境科学, 2012, 32(9): 1565–1573.
DOI:10.3969/j.issn.1000-6923.2012.09.005 |
余艳春, 虞明远. 2008. 我国公路营运汽车污染物排放量总量及预测[J]. 公路交通科技, 2008, 25(6): 154–158.
DOI:10.3969/j.issn.1002-0268.2008.06.031 |
Yu W, Pagani R, Huang L. 2012. CO2 emission inventories for Chinese cities in highly urbanized areas compared with European cities[J]. Energy Policy, 47: 298–308.
DOI:10.1016/j.enpol.2012.04.071
|
郑佳佳, 孙星, 张牧吟, 等. 2015. 温室气体减排与大气污染控制的协同效应—国内外研究综述[J]. 生态经济, 2015, 31(11): 133–137.
DOI:10.3969/j.issn.1671-4407.2015.11.030 |
周磊, 王伯光, 汤大钢. 2011. 重型柴油车对空气质量的影响及其排放的控制[J]. 环境科学, 2011, 32(8): 2177–2183.
|