2019, Vol. 39
[PDF全文]
2. 中国科学院大学经济与管理学院, 北京 100190
2. School of Economics and Management, University of Chinese Academy of Sciences, Beijing 100190
随着经济社会的快速发展, 特别是近年来电子商务飞速发展, 货运大幅度增长, 由货运机动车尾气排放引发的环境污染问题也开始走进了人们的视野.这其中, 除了传统的氮氧化物污染外, PM2.5污染问题日渐严重.PM2.5也称细颗粒物, 是一种直径小于等于2.5 μm的颗粒物.PM2.5粒径小, 扩散面积大, 活性强, 易附带有毒、有害物质, 能较长时间悬浮于空气中, 对空气质量和能见度等有重要的影响, 是霾发生的主要因素之一.PM2.5污染的产生不仅严重危害到人们的身体健康, 同时也影响到企业生产以及人民生活.环保部PM2.5来源解析数据表明：北京、上海、杭州等城市PM2.5的首要来源为机动车排放, 占比都在30%以上；大连、厦门、重庆(主城区)、成都、西安等城市PM2.5的首要来源也是机动车排放, 占比在20%~30%之间.货运机动车更是机动车颗粒物(PM)排放的最大排放源.据国家环保部发布的机动车环境管理年报来看, 自2009年起, 货运汽车产生的PM排放就持续占据了机动车PM排放的75%以上.
PM2.5污染源来自多方面, 如工业排放、燃煤、机动车和扬尘等.从目前来看, 尽管一些研究对PM2.5做了探讨, 例如刘松华等(2017)通过现场调查、文献参考修订排放因子, 确认了苏州市工业源PM2.5排放清单；樊守彬等(2016)通过采样和实验室分析建立了北京市道路扬尘PM2.5排放清单并分析其空间分布特征；孙现伟等(2016)利用减排潜力模型对我国燃煤厂PM2.5减排潜力和空间分布进行预测分析.但少有文献关注于机动车, 特别是货运机动车尾气排放导致的PM2.5污染.鉴于此, 我们将从机动车这一视角对PM2.5污染问题进行探究, 如机动车源是如何促成PM2.5的产生, 哪些因素最为关键等.此外, 考虑到我国的环境管理正处于起步阶段, 目前机动车排放标准主要参照欧洲标准进行设计, 为了提供更好的借鉴意义, 我们以在环境保护以及大气污染排放都有着良好经验的欧洲进行对比分析.
2 文献综述(Literature review) 2.1 影响PM2.5浓度的因素从现有文献来看, 学术界对PM2.5影响因素的研究主要集中于自然以及社会两个方面.从自然因素来看, 季节、风速、相对湿度、温度等被认为对PM2.5有显著影响.例如, 郭婷等(2017)利用1960—2012年间长江三角洲地区气象观测资料, 发现气温、比湿以及气溶胶是雾霾日数量的主要影响因素.李梓铭等(2017)用Morlet和交叉小波分析方法对2010—2015年间北京城区PM2.5浓度进行分析，发现PM2.5与平均风速存在明显的共振效应.社会因素方面, GDP、人口、机动车保有量、能源消耗等因素也会影响到PM2.5.例如, Lin等(2013)运用地理加权回归模型(GWR)对2001—2010年间中国PM2.5浓度影响因素进行分析, 认为人口增加、经济发展和城市扩张是最主要的影响因素.同样使用GWR模型, 段杰雄等(2018)分析了中国PM2.5浓度与各项社会经济指标的关系, 发现森林覆盖率和人均电力消费量与PM2.5浓度显著负相关, 人均私家车保有量作为影响力度最大的因素, 与PM2.5浓度显著正相关.张海霞等(2018)应用BP神经网络改进DEMATEL模型分析安徽省PM2.5浓度的影响因素, 发现人口城镇化率、单位GDP电耗、工业废气治理设施数、年平均气温属于强驱动因素, 对PM2.5浓度变化起着根本性的推动作用.总的来看, 现有研究主要从宏观整体的视角度分析了影响PM2.5浓度的因素, 少有针对某一特定污染源产生的PM2.5进行深入探究.
2.2 机动车尾气污染排放作为空气污染的重要来源, 机动车尾气排放已引起了学术界的广为重视.近年来, 不少学者从不同的角度对机动车尾气污染物排放进行了测度.例如, Angiola等(2010)利用COPERT Ⅳ模型, 通过自下而上的分析方法, 测算了2006年阿根廷布宜诺斯艾利斯的机动车常规污染物与温室气体排放.通过使用GPS和修正后的IVE模型, 王孝文等(2012)对2010杭州机动车CO、NOx、PM、CH化合物的排放情况进行了分析.何立强等(2014)结合文献调查与广州、北京等10余座城市的调查结果, 对2010年我国机动车尾气排放中的CH4、NOx成份进行了度量.从现有研究来看, 学术界对机动车尾气污染物排放的关注点主要为CH4、CO2和NOx等.尽管机动车是PM2.5的重要污染源, 但少有学者针对性关注于机动车PM2.5排放, 而且这些研究也主要集中于排放量的计算上.如强彦雯等(2013)分析了应用于PM2.5估算的不同模型的特点和适用性, 徐伟嘉等(2014)利用COPERT Ⅳ模型计算了佛山市机动车尾气PM10及PM2.5的排放因子和排放量.目前尚无定量化分析探明机动车尾气PM2.5排放的影响因素及其影响程度.为此, 我们从机动车中尾气污染物排放最严重的货运机动车入手, 揭示其PM2.5排放情况及其影响因素.
3 研究设计(Research design) 3.1 数据来源本文将基于中欧对比视角对货运机动车PM2.5进行分析研究, 所用数据来源如表 1所示.中国数据主要源自于环保部2015年发布的《道路机动车大气污染物排放清单编制技术指南》.这个清单给出了不同类型道路机动车年均行驶里程(Vehicle Kilometers of Travel, VKT)和各类车型PM2.5综合基准排放系数, 可用于测算货运机动车PM2.5排放量.中国排放标准比例rj数据来自《中国机动车污染防治年报(2010—2017)》.但年报只提供了2009—2016年期间机动车排放标准占比数据.欧洲方面, 考虑到近年来一些国家加入或脱离欧盟的变化情况, 为了保证研究口径的一致性, 本课题组选择了在2001年之前加入欧盟的国家进行分析, 即EU15.欧盟VKT数据可以从Oydssee数据库中获取, 该数据库由EU15在1993年联合欧洲环境与能源管控署(ADEME)共同建立, 主要应用于欧洲的能源消耗和能源强度的市场分析.其他数据主要来自欧盟统计局及其出具的相关报告.由于部分国家数据缺失, 为保证数据检验的一致性和完整性, 欧洲数据采用EU15的平均水平进行分析.此外, 表 2和表 3分别展示了中国、欧盟货运机动车PM2.5基准排放系数.
| 表 1 数据来源 Table 1 Data source |
 |
| 表 2 货运车各车型PM2.5综合基准排放系数-中国 Table 2 PM2.5 emissions factor for different truck models-China |
|
| 表 3 货运车各车型PM2.5综合基准排放系数-欧盟 Table 3 PM2.5 emissions factor for different truck models-EU15 |
|
从目前来看, PM2.5排放量测算主要有物料衡算法、实测法和排放系数法.由于前两者对于全国货运排放而言, 操作困难且数据难以获得, 大多研究都采用了第3种方法对PM2.5排放量进行计算(徐伟嘉等, 2014；唐伟等, 2018；杨雯等, 2018).据此, 我们也选用了排放系数法, 通过对《道路机动车大气污染物排放清单编制技术指南》中机动车大气污染物排放量计算公式的应用, 来测算货运机动车PM2.5排放量.公式如下：
|
(1) |
式中, P表示货运机动车的年PM2.5排放量；Pij表示第i种体型第j种排放标准的货运机动车PM2.5的排放量, i表示货运机动车的不同体型(如轻型、中型、重型), j=1, 2, …, 5在中国数据中表示为无控、国Ⅰ、国Ⅱ、国Ⅲ、国Ⅳ排放标准, 在EU15数据中表示Euro Ⅱ、Euro Ⅲ、Euro Ⅳ、Euro Ⅴ、Euro Ⅵ；qi表示第i种体型的货运机动车数量；rj表示第j种排放标准车辆的比例；vi表示各类车型的年均行驶里程；fij示不同体型不同排放标准的排放系数.
Kaya恒等式由日本学者Yoichi Kaya于1989年提出, 用以揭示CO2排放与经济、政策以及人口之间的联系.基于扩展的Kaya模型原理, 本课题组对PM2.5排放量测算公式进行恒等式分解, 将排放的影响因素设定为货运发展规模、用车次数、体型、排放标准、平均行驶距离以及排放系数6个因子.
货运发展规模.由道路交通货运量表示.随着改革开放以来中国经济的高速发展, 道路交通货运量指数上升.随着货运量的增加, 货车运输中PM2.5也越来越多.
用车次数.即运输单位货物所需车辆数, 由道路交通货运量除以载货汽车数得到.运送单位货物使用的车辆过多, 可能的原因为运力计划不当, 产生空载或半载等不合理运输现象, 导致大量浪费的出现.而反复交接过程中产生的燃油消耗, 使得PM2.5排放也会随之增加.
体型效应.不同体型车辆行驶单位距离的PM2.5排放量存在显著差异.一般来说, 重型车PM2.5排放系数基本上比轻型车更高.如唐伟等(2018)分析了基于大数据和IVE模型发现重型货车对NOx和PM2.5的贡献最大.由于重型车载重量大, 单位货物污染物排放量较轻型车更低, 为推行绿色交通, 国际上大力推行货运车辆大型化.但体型对PM2.5排放的影响仍有待进一步确定.
排放标准效应.机动车尾气排放标准是各国为减少机动车污染物排放制订的最重要的政策之一.越来越严格的排放标准对每辆机动车的排放系数做出了限制.从理论上来看, 这一政策的实施有助于减少PM2.5的排放但减少幅度还有待考证.
排放系数和平均行驶距离.为实现分解模型的完整性, 我们在模型中引入排放系数、平均行驶距离.其中排放系数表示机动车行驶单位距离而产生的PM2.5, 是计算PM2.5的重要参数之一, 短期不会发生改变.因此我们假设排放系数、平均行驶距离基本不随时间改变.
模型表达式为：
|
(2) |
式中, Q、S分别代表货运量、货运机动车数量；Si代表各类体型货运机动车数量, Sij表示不同体型不同排放标准的货运机动车数量；Vij、Pij分别代表不同体型不同排放标准货运机动车年行使总里程数和PM2.5排放量.令
|
(3) |
式中, Q表示货运发展规模因素；a表示单位货物所需货运机动车辆数；bi表示货运机动车体型结构因素, 即第i种体型货车占总货运机动车保有量的份额；cij表示车辆排放标准因素, 即某体型的第j种排放标准车辆占该体型货运机动车保有量的份额；dij表示平均行驶距离因素, 即某种体型某种排放标准的货运机动车年均行驶里程；eij表示排放因子, 即行驶单位距离PM2.5的排放量.
3.3 分解工具在扩展的Kaya模型基础上, 我们应用LMDI(Logarithmic Mean Divisia Index)分解模型, 就上述6个因子对货运机动车PM2.5排放进行分析.LMDI是在经典分解方法IDA(Index Decomposition Analysis)的基础上衍生而来.由于LMDI具有路径独立、一致性、便于处理零值等优点, 一直被视为较优的分解方法(Meng et al., 2015).LMDI最早被广泛应用于能源消耗(Ou et al., 2007；Zhang et al., 2013)与二氧化碳排放的驱动因素(Wang et al., 2013；Kang et al., 2014)分解.在后续发展中有越来越多的学者将LMDI应用到环境研究的其他领域如用水强度、水足迹(Zhao et al., 2014)等.也有学者运用该方法分析雾霾污染物, Meng等(2015)运用LMDI对PM2.5主要成分之一的炭黑排放量的驱动因素进行了分析.
LMDI有加法和乘法两种分解方法, 两种方法的分解结果一致.学者主要根据研究目的、方法应用的便捷性在二者中进行选择.本次研究将中国与EU15平均水平进行比较, 但二者在体量上存在巨大差异.如果使用加法分解去比较各效应影响程度的绝对值意义不大, 但乘法分解更能直观对比各个驱动因素对中国、EU15的PM2.5排放量的相对影响程度以及之间存在的差异.另一方面, 乘法也更能反映出各个因素间存在相互关联, 而并非简单加和关系.因此我们使用乘法分解法, 将年度间的排放量变化分解为各个因素对排放量变化的贡献之积, 即
|
(4) |
Dk(k=Q、a、b、c、d、e)分别表示货运发展规模、用车次数、体型、排放标准、平均行驶距离以及排放系数6个因子对货车PM2.5排放变化的贡献.各个因素对于排放量的贡献可以通过以下公式进行计算：
|
(5) |
|
(6) |
|
(7) |
|
(8) |
|
(9) |
|
(10) |
式中, Pij, 0、Pij, t分别表示基期和第t期不同体型不同排放标准货运机动车排放量；P0、Pt表示基期和第t期货运机动车整体排放量；Q、a、bi、cij、dij、eij等变量的下标0, t分别表示各个效应基期和第t期的情况.
4 PM2.5排放量及驱动因素分解结果(PM2.5 emissions and decomposition results of driving factors) 4.1 货运机动车PM2.5排放量图 1为计算后所得到的中国与EU15的PM2.5排放量.从中国来看, 2009—2016年间中国货运机动车PM2.5排放量从2009年的25.72万吨, 在2010年达到巅峰26.55万吨.从2010年后, 排放量逐年递减, 到2016年下降为14.11万吨, 年均降幅为7.89%.上述数据表明近年来货运机动车PM2.5排放得到了有效控制, 其中2010年国Ⅳ排放标准的全面实施效果尤为显著, 但较之欧洲发达国家还有很大发展空间.EU15自2008年以来货运机动车PM2.5排放量迅速降低, 而这一年欧盟通过了新的空气质量法令(2008/50/EC)严格执行监督空气质量标准, 对超标行为进行严厉惩罚, 同时也是在这一年, Euro Ⅴ标准出台, 对机动车尾气排放有了更高的要求.总观EU15在2009—2016期间, 货运机动车PM2.5排放量年均降幅达23.52%, 是中国的2.98倍.
 |
| 图 1 中国和EU15货运机动车PM2.5排放量 Fig. 1 On-road PM2.5 emissions in China and EU15 |
运用Kaya模型和LMDI分解方法, 我们对中国和EU15平均水平货运机动车PM2.5排放量进行分解.计算出各分解因素的年度变化和累积变化, 分析结果如表 4和表 5所示.
| 表 4 中国和EU15货运机动车PM2.5驱动因素年度变化 Table 4 Contribution of factors to annual changes in on-road PM2.5 emissions in EU15 and China |
|
| 表 5 中国和EU15货运机动车PM2.5驱动因素累积变化 Table 5 Contribution of factors to accumulative changes in on-road PM2.5 emissions in EU15 and China |
|
从表 5可以看出, 中国2009—2016年间货运机动车PM2.5总体呈下降趋势, 排放量降低54%, 其中货运发展规模效应导致PM2.5排放增加1.57倍, 对PM2.5排放的贡献最大.用车次数效应导致PM2.5排放增加1.02倍；排放标准效应导致PM2.5排放分别下降为基期的0.35倍；体型效应影响不大.在2001—2016年EU15的排放因素分解中, 由于2013年部分数据统计口径发生变化, 结果去除了这一时间段.EU15在2016年平均年排放量降低到2001年的22%.其中用车次数效应使得排放量增加基期的2.45倍；货运规模效应与排放标准效应使得排放量分别降低0.97倍、0.09倍, 体型效应影响不大.以下就各种因素的影响情况做具体说明.
4.2.1 货运发展规模效应图 2显示了中国和EU15货运发展规模效应对道路交通PM2.5排放变化贡献率.在对比中, 我们发现货运规模效应对中欧影响总的来说在下降, 2013—2016年间对中国PM2.5排放量的贡献更是在1的上下保持稳定, 几乎没有影响.可以预测货运发展规模效应影响力在未来应该会在1的上下小规模波动, 对PM2.5排放增加的作用有限.
 |
| 图 2 中国与EU15货运规模发展效应对PM2.5排放变化贡献值对比 Fig. 2 Contribution of on-road freight volumes on PM2.5 |
货运发展规模效应主要由道路交通货运量来体现.从国家统计局的数据年鉴中可以看出, 从2001年起, 道路交通货运量迅速增长并在2012年达到拐点, 从98亿吨增加到319亿吨.2012年增长率首次为负, 可能的解释是油价上升引发货运企业积极性不高, 导致大型货车为主的车流量减少(2012年《公路运输行业发展报告》).此后道路交通货运量增速明显放缓, 增速在5%以内保持稳定, 波动不大.总体来看, 伴随着中国近30年来的经济高速发展, 道路交通货运量迅速上升, 货运规模发展效应成为中国货运机动车PM2.5排放增加最主要的动力.而EU15的货运量增速基本低于5%, 在2008年甚至大幅降至-11.9%.可能的原因是受经济危机的影响.2013年以后基本维持在1%左右.中欧近年来道路交通货运量增速放缓也佐证了货运发展规模效应对PM2.5影响有限.
 |
| 图 3 2002—2016年中国和EU15道路交通货运量增长率 Fig. 3 Growth rate of on-road freight volumes in EU15 and China from 2002 to 2016 |
就道路交通货运量而言, 中国总量远远大于EU15平均水平, 单纯比较二者绝对值的变化意义不大.为了进一步比较中欧道路交通在PM2.5方面的绿色程度, 我们以单位货运量PM2.5排放值作为PM2.5排放强度进行研究, 如图 4所示.中国道路交通PM2.5排放强度2009—2016年直线下降, 这说明我国近年来的减排措施效果显著.EU15排放强度在2001—2009年保持稳定, 在2009—2013年迅速下降.两方面对比可以发现, 中国货运机动车PM2.5排放强度远远高于EU15, 万吨货运量排放PM2.5吨数几乎是EU15的2倍.这反映出在道路交通绿色程度上, 中国和EU15相比仍然存在着较为明显的差距.
 |
| 图 4 中国和EU15道路交通单位货运量PM2.5排放情况对比 Fig. 4 PM2.5 emissions per freight in EU15 and China |
用车次数效应由运输单位货物所需车数表示.在研究期间内, 该效应使中国货运机动车PM2.5排放增加为基期的1.03倍.对于EU15而言, 2001—2016年间用车次数效应是PM2.5排放量增加最主要的驱动因素, 导致排放量增加为基期的2.04倍.从中欧两者对比来看, 用车次数效应都是PM2.5增长的驱动因素.这意味着未来还需进一步提高道路交通运输效率, 减低单位货物的运输车辆.
 |
| 图 5 中欧用车次数效应对PM2.5排放变化贡献值对比 Fig. 5 Contribution of the number of trucks per freight on PM2.5 changes |
图 6显示了中欧运输单位货物所需车辆数.从图中可以看出, EU15单位货物运输车辆数远高于中国, 而且持续增加, 运输效率较低.2009—2016年间中国每吨货物所需车数一直稳定在6辆左右.而EU15在2001—2005年间每吨货物用车次数在15上下波动, 在2006—2010年快速增加, 这段期间用车次数效应也促进PM2.5排放的增加, 随后在2011—2015年间用车次数在22上下波动.两者比较可以看出欧盟用车次数高于中国, 有很大空间可以通过降低用车次数来实现PM2.5的有效减排.这也反映了EU15货运车辆使用率较低, 货物运输时可能存在空载、反复交接等浪费现象.中国用车次数少, 可能与货运机动车普遍超载有关, 人口分布集中，无需多次换车也可能是潜在的原因.
 |
| 图 6 中国和EU15单位货物运输用车数量对比 Fig. 6 The number of trucks per freight in EU15 and China |
由图 7可以看出, 在2009—2016年, 中国和EU15的体型效应变化不大.相对其它效应而言, 这一效应的作用强度非常微小.总体而言, 体型效应在研究期间使中国、EU15 PM2.5降低为基期的99.99%左右, 对排放起到微小的抑制作用.
 |
| 图 7 中国和EU15体型效应对PM2.5排放变化贡献值对比 Fig. 7 Contribution of truck categories on PM2.5 changes |
此外, 在2002—2016年期间, 中国的货运机动车中轻型车和重型车的比例在不断上升, 而中型车占比在慢慢萎缩.在2011—2012年间体型效应对PM2.5的贡献值不断下降, 而在此期间重型货车的比例不断上升.这也说明货车大型化能在一定程度上降低PM2.5排放.通过EU15平均体型占比情况, 可以发现重型货车占比总体趋势在缓慢下降, 但在2009—2011年间比重有所上升, 而在此期间体型结构效应贡献值由零转负, 这也反映了重型车辆比重的上升对PM2.5的减排有一定的促进作用.
4.2.4 排放标准效应无论是中国还是EU15, 排放标准效应是抑制PM2.5排放的主要因素.由图 8可以看出, 从年度效应来看, 排放标准效应绝大多数年度小于1, 表明排放标准效应持续降低了PM2.5的排放.这些数据也表明排放标准政策的制订与落实对于减少货车PM2.5排放效果非常显著.对于中国而言, 尤其是2010年国Ⅳ全面实施后, PM2.5排放量出现拐点, 此后几年排放量不断下降.而EU15也是如此, 尤其是2008年后Euro Ⅴ的全面实施后, 在2008—2011年间排放标准效应导致排放量降低为2008年的0.37倍, 使得PM2.5排放量迅速降低.
 |
| 图 8 中国和EU15排放标准效应对PM2.5排放变化贡献值对比 Fig. 8 Contribution of emission standard on PM2.5 changes |
为进一步分析中欧排放标准的政策落实情况, 我们就中欧机动车排放标准占比情况进行了探寻.根据《中国机动车污染防治年报(2010—2016)》和《European Vehicle Market Statistics(2016)》数据报告, 我们发现, 中国和欧盟严格排放标准的车辆比例越来越高, 但欧盟对于低排放标准车辆的淘汰率更高.据有关数据表明：2009年后Euro Ⅱ、Euro Ⅲ基本已完全淘汰, 而中国直到2016年仍有12.8%的无控、国Ⅰ、国Ⅱ车辆存在于市场中.而我国的尾气排放标准如国Ⅱ、Ⅲ等, 就是根据Euro Ⅱ、Euro Ⅲ而来, 要求数值也基本相同.这也启示我国在发展更高标准的同时, 不应该忽视高污染车辆的淘汰与回收.
5 结论(Conclusions)基于中国和EU15的对比, 我们运用Kaya和LMDI模型对货运机动车PM2.5排放量进行了深入的研究.从排放量结果来看, 中国货运机动车PM2.5排放量近年来已得到有效控制.据研究结果表明：2010—2016年均降幅为7.89%.但从排放强度来看, 中国货运机动车PM2.5排放强度远高于EU15, 特别是万吨货运量PM2.5排放几乎是EU15的2倍.从影响因素来看, 2009—2016年中国PM2.5排放增加主要来自于货运量的高速增长.但随着货运增速的放缓, 2013年后货运规模发展效应对排放量变化几乎没有影响.而EU15的PM2.5排放量增加的主要贡献因素是单位货物用车次数.此外, 一系列机动车排放标准的有效实施是中国和EU15货运机动车排放量减少的最主要原因.在这一因素的影响下, 中国和EU15在2016年的排放量分别降低为2009年的0.35倍、0.18倍.而体型效应对于中国和EU15的货运机动车PM2.5排放的影响都非常小.以上研究结果对于有效控制货运机动PM2.5排放具有重要的管理实践启示意义.
从政府层面来看, 由于货运量是中国货运机动车PM2.5排放增加最主要的影响因素, 为此政府要积极引导企业以环境可持续发展为本, 鼓励企业选择应用水路、铁路、管道等环境友好的运输模式, 减少道路交通运输的比重.此外考虑到排放标准的落实带来的显著减排效果, 有关部门要继续深化落实相关政策, 推广国Ⅴ、国Ⅵ等更高要求的排放标准.还应借鉴EU15的相关经验, 要加大力度淘汰高污染车辆, 必要时征收污染税.
从企业层面来看, 道路交通货运企业应从信息、技术、组织等方面积极开展绿色货运创新活动.从用车次数效应考虑, 建议实施端到端全流程运输及配送业务, 减少不必要的交接换车, 降低单位货物所需运输车辆数等；利用互联网、物联网技术建立货运信息平台, 有效整合货运资源, 以减少空载等浪费现象.从排放系数角度考虑, 企业应积极采用标准化、厢式化、专业化的清洁型货车, 尤其是新能源汽车, 以减少污染排放.
D'angiola A, Dawidowski L E, Gómez D R, et al. 2010. On-road traffic emissions in a megacity[J]. Atmospheric Environment, 44(4): 483–493.
DOI:10.1016/j.atmosenv.2009.11.004
|
段杰雄, 翟卫欣, 程承旗, 等. 2018. 中国PM2.5污染空间分布的社会经济影响因素分析[J]. 环境科学, 2018, 39(5): 2498–2504.
|
樊守彬, 张东旭, 田灵娣, 等. 2016. 北京市交通扬尘PM2.5排放清单及空间分布特征[J]. 环境科学研究, 2016, 29(1): 20–28.
|
郭婷, 朱彬, 康志明, 等. 2016. 1960-2012年长江三角洲地区雾日与霾日的气候特征及其影响因素[J]. 中国环境科学, 2016, 36(4): 961–969.
DOI:10.3969/j.issn.1000-6923.2016.04.001 |
何立强, 胡京南, 解淑霞, 等. 2014. 2010年中国机动车CH4和N2O排放清单[J]. 环境科学研究, 2014, 27(1): 28–35.
|
Kang J, Zhao T, Liu N, et al. 2014. A multi-sectoral decomposition analysis of city-level greenhouse gas emissions:Case study of Tianjin, China[J]. Energy, 68(4): 562–571.
|
李梓铭, 孙兆彬, 邵勰, 等. 2017. 北京城区PM2.5不同时间尺度周期性研究[J]. 中国环境科学, 2017, 37(2): 407–415.
|
Lin G, Fu J, Jiang D, et al. 2013. Spatio-temporal variation of PM2.5 concentrations and their relationship with geographic and socioeconomic factors in China[J]. International Journal of Environmental Research & Public Health, 11(1): 173–186.
|
刘松华, 周静, 谭译, 等. 2017. 苏州市大气细颗粒物(PM2.5)工业源排放清单[J]. 环境科学学报, 2017, 37(2): 453–459.
|
Meng J, Liu J, Guo S, et al. 2015. Trend and driving forces of Beijing's black carbon emissions from sectoral perspectives[J]. Journal of Cleaner Production, 112: 1272–1281.
|
Ou Y H, Liu Y F, Man J Y. 2007. Decomposition research of the total energy consumption of China based on LMDI[J]. Economic Management, 29(7): 91–95.
|
强彦雯, 单春艳. 2013. 机动车PM2.5排放模型及其在中国的应用[J]. 南开大学学报(自然科学版), 2013, 46(6): 41–47.
|
孙现伟, 邓双, 朱云, 等. 2016. 我国燃煤电厂PM2.5减排潜力预测与分析[J]. 环境科学研究, 2016, 29(5): 637–645.
|
唐伟, 杨强, 黄成, 等. 2018. 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, 2018, 38(1): 71–78.
|
王孝文, 田伟利, 张清宇. 2012. 杭州市机动车污染物排放清单的建立[J]. 中国环境科学, 2012, 32(8): 1368–1374.
DOI:10.3969/j.issn.1000-6923.2012.08.004 |
Wang X, Chen R, Meng X, et al. 2013. Associations between fine particle, coarse particle, black carbon and hospital visits in a Chinese city[J]. Science of the Total Environment, 458-460(458/460C): 1–6.
|
徐伟嘉, 李红霞, 黄建彰, 等. 2014. 佛山市机动车尾气颗粒物PM2.5的排放特征研究[J]. 环境科学与技术, 2014, 37(3): 152–158.
|
杨雯, 王学军, 张倩茹. 2018. 基于高精度清单的京津冀机动车控污政策研究[J]. 中国环境科学, 2018, 38(8): 2803–2810.
DOI:10.3969/j.issn.1000-6923.2018.08.002 |
Zhang M, Guo F. 2013. Analysis of rural residential commercial energy consumption in China[J]. Energy, 52(1): 222–229.
|
Zhao C, Chen B. 2014. Driving force analysis of the agricultural water footprint in China based on the LMDI method[J]. Environmental Science & Technology, 48(21): 12723–12731.
|
张海霞. 2018. 安徽省PM2.5时空分布特征及关键影响因素识别研究[J]. 环境科学学报, 2018, 38(3): 1080–1089.
|