孟祥瑞, 张凯山
四川大学建筑与环境学院, 成都 610065
收稿日期: 2020-07-12; 修回日期: 2020-11-18; 录用日期: 2020-11-18
基金项目: 国家自然科学基金面上项目（No.41877395）；四川省重大科技专项（No.2019YFS0498）
作者简介: 孟祥瑞(1993—), 男, 博士, E-mail: mengxrscu@163.com
通讯作者（责任作者）: 张凯山, E-mail: zhangkaishan@scu.edu.cn

摘要：近年来随着经济社会的高速发展，我国的空气污染问题日渐突出.管控污染源以减少污染物排放是改善空气质量的主要手段，且其效率如何会极大地影响空气质量的改善效果.但通常情况下，单一减排手段的实施对空气质量的改善的实际贡献往往在短时间内较难做出客观评价.本研究借助新冠疫情期间以道路移动源为主的各类污染源排放短期内大量下降的机会，通过疫情管控措施实施前后交通条件和空气质量的对比，分析道路移动源减排对空气质量改善的短期影响.结果表明，实施管控措施后，城市范围内道路交通条件明显改善，拥堵路段基本消失.受此影响，各类主要污染物浓度出现不同程度的下降，其中，受道路移动源贡献较大的NO₂浓度下降比例达40%~60%，PM_2.5因受气象条件影响较大而下降幅度较小.结合实时的交通数据估算其相应的尾气排放结果表明，疫情期间道路移动源排放的NO_x、HC、CO分别下降59.7%、59.9%和58.8%.本研究对于分析短时间内急速减排等应急措施对环境改善的效果，以及削减污染物排放对空气质量改善的潜力有重要的实际参考价值.
关键词：交通减排空气质量短期影响新冠疫情环境影响成都
The short-term effect of on-road vehicle emissions reduction on air quality in Chengdu
MENG Xiangrui, ZHANG Kaishan
College of Architecture and Environment, Sichuan University, Chengdu 610065
Received 12 July 2020; received in revised from 18 November 2020; accepted 18 November 2020
Abstract: With the rapid development of economy in recent years, air pollution in China has become increasingly prominent. Emission control is the key measure for air quality improvement with its efficacy in reduction being the dominating factor. However, due to the complex of air pollution in nature, it is generally difficult to evaluate the efficacy of an emission control measure in air quality improvement under real-world conditions. The objective of this study is to evaluate the short-term effect of on-road vehicle emission reductions on air quality improvement by comparing several criteria pollutants concentrations and its corresponding traffic conditions in the study area before and after the lock-down of the city for COVID-19 prevention. Results showed that after the city was locked down, roadway traffic had been significantly improved without observable congestions. Correspondingly, the atmospheric NO₂ concentration decreased by 40%~60%. The PM_2.5 concentrations only slightly decreased due to relatively stagnant meteorological conditions. Combined with real-time traffic data of the same study period, NO_x, HC and CO emissions from on-road vehicles were estimated to decrease by 59.7%, 59.9% and 58.8% respectively. Findings of this study can provide useful insights of the impact of emission reductions on air quality improvement regarding the extent and its efficacy.
Keywords: emission reductionair qualityshort-term effectCOVID-19environment effectChengdu
1 引言(Introduction)随着我国经济的高速发展及城市化的快速推进, 大气污染物排放日趋增多, 空气污染问题日渐突出(郝吉明等, 2012), 公众健康风险也日益增高(Brauer et al., 2012; WHO, 2013; Fourouzanfar et al., 2015).根据生态环境部环境质量年报(生态环境部, 2013), 2012年全国环保重点城市PM_2.5和NO₂年均浓度分别为83 μg·m^-3和35 μg·m^-3, 以《环境空气质量标准》(GB3095—2012)(生态环境部, 2012)二级标准作为参考, 2012年全国地级以上城市空气质量达标比例为40.9%, 其中环保重点城市达标比例仅为23.9%.
随着我国一系列大气污染防治政策(Wang et al., 2008; Li et al., 2014)的相继出台, 空气质量明显改善.至2019年, 全国337个城市PM_2.5和NO₂平均浓度分别下降为36 μg·m^-3和27 μg·m^-3, 空气质量优良天数比例为82%(生态环境部, 2020), 较2012年明显改善.但重点区域如京津冀、长三角地区的PM_2.5浓度分别为57 μg·m^-3和41 μg·m^-3, 空气质量优良天数比例仅为53.2%和76.5%, 明显低于全国平均水平.而同期成都市PM_2.5和NO₂平均浓度分别为43 μg·m^-3和42 μg·m^-3, 优良天数比例为78.6%(易波等, 2020), 达标比例同样低于全国平均水平.可见重点城市空气质量的改善势在必行.
大气污染源排放控制是空气质量改善的重要手段.在引发大气污染的各类污染源中, 道路移动源排放占据较大比例.我国多个城市大气污染源解析和清单编制结果表明, 在多数大城市的PM_2.5来源中, 道路移动源的贡献率通常在10%~30%(Wang et al., 2014; Li et al., 2015; Shi et al., 2016; Zhu et al., 2018)；道路移动源对NO_x的贡献率更高, 部分地区最高可超过50%(陈楠, 2011；何柏俊, 2014；周子航等, 2018).因此, 道路移动源的管控对于降低排放、改善空气质量尤为重要.
为了分析各类污染源管控措施对大气环境的改善效果, 一些研究基于空气质量模型对减排措施进行情景模拟以对比措施实施前后空气质量的变化(Wang et al., 2010; 2016;Yang et al., 2018; 王晓元等, 2020).例如, Wang等(2010)利用Models-3/CMAQ模型的情景模拟结果显示, “十一五”期间更严格的减排措施将使得中国东部高污染地区SO₂的减排量较原有减排措施增加31%, 其相应的SO₂和PM_2.5浓度的下降幅度更大, 比采用原有减排措施时分别下降30%~60%和4%~25%.王晓元等(2020)利用WRF-CMAQ模型对长三角地区的模拟结果显示, 减少各种污染源30%~50%的排放可使相应空气中的PM_2.5浓度下降0.2%~37.0%.
由于污染物减排需要兼顾经济和社会发展, 因此, 减排措施的实施需要采取循序渐进的策略, 而上述研究的减排情景常为理想状况, 与现实有较大的差距, 加之大气环境的复杂性, 依情景设计的减排手段的实施对空气质量改善的贡献往往较难在短时间内对其实际效果进行客观评价, 这在某种程度上也制约了空气质量改善的速度和效率.因此, 开展污染物现实减排与空气质量改善的关系研究对有效改善空气质量具有重要意义.因近期新冠肺炎(COVID-19)疫情的爆发, 自2020年春节前开始, 各地开始实施严格的居家隔离措施, 城市交通流量和工业生产在短时间内大幅下降, 各类来源的大气污染物排放量明显降低, 特别是道路移动源.疫情管控为研究污染物减排与空气质量改善的关系提供了非常难得的科学实验机会.因此, 本研究主要评价道路移动源尾气排放短时间内的急速下降对空气质量改善的短期影响.研究结果可用于应急情况下减排对环境质量改善的效果评估, 为相关环境管理决策提供重要参考.
2 研究方法(Methodologies)本研究主要通过对比防疫管控措施实施前后空气质量的变化, 分析相应交通条件和污染物排放对空气质量的影响.主要研究方法包括：①管控前后对比时段的选择；②管控前后主要空气污染物浓度对比分析；③管控前后城市交通状况对比分析：④管控前后道路移动源污染物减排评估等.具体内容详述如下.
2.1 管控前后对比时段的选择出于疫情防控的需要, 全国各地于2020年1月下旬开始陆续实施严格的交通管制措施, 并于2月中下旬以后陆续恢复正常的社会生活.为了比较主要城市实施防疫管控措施对局部空气质量的影响, 本研究以成都为例, 结合全国各地防疫措施实施和终止的时间节点, 选择2020年1月13—19日作为交通管制前的对照时段, 而1月27日—2月2日作为交通管制时段.
2.2 管控前后主要空气污染物浓度对比分析为评价交通管制措施对主要空气污染物浓度的急性影响, 本研究选择与道路移动源排放密切相关的NO₂及冬季浓度较高的PM_2.5作为主要空气污染物, 比较成都市管制前后时段其浓度的变化.NO₂和PM_2.5的浓度数据来自空气质量国控站(中国环境监测总站, 2020), 数据时间分辨率为1 h.其中, 成都市区范围内国控站点及其空间分布如图 1所示.各国控站点均分布在城市主干道沿线, 对道路移动源污染有较好的反映.
图 1(Fig. 1)

图 1 成都市空气质量国控站及城市主干道分布 Fig. 1Locations of air quality monitoring stations and arterial roads in Chengdu

2.3 管控前后城市交通状况对比分析随着地理信息技术的不断发展, 城市智能交通建设发展迅速, 以高德、百度、四维为代表的国内互联网平台均推出了实时交通地图服务, 并提供了Web-API以方便用户调用相应服务.基于互联网的实时交通数据主要包含路段名称、道路等级、交通态势、道路均速及要素图层等信息.本研究通过高德地图(高德地图, 2020)的Web-API接口, 使用Python脚本抓取成都市范围内的实时交通态势数据, 对比分析管控措施实施前后路网中拥堵路段的长度占比, 以量化管控措施对研究区域交通状况的影响.本研究将城市道路的交通条件分为畅通、缓行及拥堵3种, 以对应交通地图中的绿色、黄色及红色.不同交通态势路段长度占比的计算方法如式(1)所示.

(1)

式中, LP_{TC, RT}为给定交通条件TC和道路类型RT的路段长度占全部该类型道路总长的比值, L_{TC, RT}为给定交通条件TC和道路类型RT的路段总长度(km), L_RT为研究范围内道路类型为RT的路段总长度(km).基于高德地图对道路等级的设定, 本研究中道路类型划分为快速路、主干道及社区道路.
2.4 管控前后道路移动源污染物减排评估基于互联网实时交通数据可以建立不同道路类别(快速路、主干道、社区道路)、不同时段(日间、夜间)、不同交通条件(畅通、缓行、拥堵)与道路上的车流量、车队组成、行驶模式时间占比等信息的对应关系, 并结合各类机动车不同行驶模式下的尾气排放因子, 估算基于实时交通数据的道路移动源污染物排放.本研究基于前序研究(Meng et al., 2020)结果, 估算管控措施实施前后道路污染物(即NO_x、HC、CO)的排放量.道路移动源污染物排放估算的一般公式如下：

(2)

式中, TEM_{i, TC, TD}为道路i给定交通状态TC和时段TD下的分钟排放量(g·min^-1), 其中, 交通状态TC分为3种：畅通、缓行、拥堵, 时段TD分为两种：日间和夜间；L_i为道路i的路段长度(km)；NT_RT为道路类型RT的单向车道数量, 其中, 道路类型RT分为3种：快速路、主干道、社区道路, 3种道路的单向车道数量分别取3、3、1；CED_{i,TC, TD}的计算方法见式(3).

(3)

式中, CED_i,TC,TD为道路i在给定交通状态TC和时段TD下单位长度的综合排放因子(g·km^-1·min^-1)；TF_{RT, TC, TD}为道路类型RT、交通状态TC、时段TD下单车道每分钟车流量(辆· min^-1)；VT为车辆类型, 本文中6种车辆类型为：轻型载客汽车、中型载客汽车、出租车、公交车、轻型载货车辆、重型载货车辆；DM为行驶模式, 本文中4种形式模式为：怠速、加速、减速、匀速；VC_{RT, TC, TD, VT}为车辆类型VT在给定道路类型RT、交通状态TC、时段TD下的车队占比；TP_{RT, TC, TD, DM}为行驶模式DM在给定道路类型RT、交通状态TC、时段TD下的时间占比；EF_{VT, DM}为车辆类型VT在行驶模式DM下的排放因子(g·min^-1)；V_{RT, TC, TD}为车辆在给定道路类型RT、交通状态TC、时段TD下的平均速度(km·min^-1).
上述公式(1)~(3)中所有变量的数值, 除交通地图实时提供的以颜色表示的交通条件外, 其余均取自前序研究(Meng et al., 2020)或根据该研究估算而得.各类机动车在不同行驶模式下的基本排放速率收集自国内其他城市的实测结果(表 1), 不同交通条件对应的机动车行驶模式占比(表 2)、车队组成(表 3)沿用自前序研究中在成都市的GPS路径及交通断面摄影实测结果, 实施交通管制后的车流量则是在前序研究中实测车流量的基础上修正得来.前序研究中的实测数据涵盖了成都市主城区不同道路类型(快速路、主干道、社区道路)、不同区域(市中心、高新区、郊区等)和不同时段, 对研究区整体交通情况有较好的反映.这是由于前序研究中根据交通条件估算的车流量是在未实施管控措施的前提下开展的, 而实际上, 在实施管控措施后, 研究区范围内的车流量确有明显变化, 即便是交通地图上呈现相同的交通条件(颜色), 但其相应的交通流也实不相同.由于缺乏疫情管制期间道路车流量实测数据, 同时考虑到城市范围内道路移动源是NO_x的主要直接排放来源(陈楠, 2011；何柏俊, 2014；周子航等, 2018), 且各大城市疫情防控的交通管制措施相仿, 因此, 本研究在估算管控措施导致的道路移动源污染物减排量时, 采用所有研究城市管控措施实施前后NO₂监测浓度比值的均值修正其相应的车流量, 即全国主要城市疫情期间实施交通管制措施后NO₂浓度同管制前浓度的平均比值(0.49).
表 1(Table 1)

表 1 本研究中基本排放速率取值及来源 Table 1 Base emission rates and data sources in this study

表 1 本研究中基本排放速率取值及来源 Table 1 Base emission rates and data sources in this study 污染物 行驶模式 各类型机动车排放速率/(mg·s-1) LDPVa HDPVa Taxia, b Busa, b, c LDTa HDTa HC 加速模式 0.09±0.10 1.61±1.14 1.61±0.02 70.01 6.67±1.74 19.25±3.94 减速模式 0.02±0.02 0.94±0.66 1.84±0.02 33.40 2.78±0.41 9.38±1.17 匀速模式 0.04±0.05 1.36±1.12 1.12±0.02 33.12 4.18±0.95 11.40±2.62 怠速模式 0.09±0.14 0.65±0.50 0.85±0.02 5.25 2.19±0.29 9.08±2.35 NOx 加速模式 0.37±0.07 113.70±47.92 4.67±0.04 262.90 30.52±33.19 87.40±14.25 减速模式 0.21±0.10 29.70±26.08 1.07±0.02 68.10 3.95±2.90 24.18±6.40 匀速模式 0.31±0.10 62.83±34.26 2.83±0.06 79.50 14.60±14.15 38.68±13.58 怠速模式 0.22±0.08 17.36±8.90 0.38±0.01 31.10 3.89±1.59 18.20±4.87 CO 加速模式 1.34±1.06 65.35±8.08 20.31±0.23 5.26 45.83±24.93 67.88±18.74 减速模式 0.48±0.18 16.68±6.80 12.10±0.11 3.77 7.45±4.19 17.53±4.78 匀速模式 1.14±0.65 23.95±11.20 11.36±0.31 4.66 23.05±15.06 28.00±10.86 怠速模式 0.51±0.07 3.30±3.60 6.36±0.08 2.44 7.55±2.43 14.50±4.14 排放标准d Ⅳ Ⅲ, Ⅳ, Ⅴ Ⅲ Ⅴ Ⅱ Ⅱ 数据来源 Yang et al., 2019 Zhang et al., 2018 Lau et al., 2011 Zhang et al., 2018 Dai et al., 2009 Chen et al., 2007 注：a.LDPV: 轻型载客汽车; HDPV: 重型载客汽车; LDT: 轻型载货汽车; HDT: 重型载货汽车; Bus: 公交车; Taxi: 出租车；b.由于成都的公交车和出租车主要以压缩天然气为燃料, 因此, 公交车和出租车的排放速率收集自同一燃料类型车辆的实测结果；c.由于相关文献中液化天然气燃料公交车的研究有限, 因此, 公交车排放速率的置信区间缺失；d.表中的排放标准是指中国国家排放标准.

表 2(Table 2)

表 2 不同交通条件下实测行驶模式时间占比 Table 2 The fleet average driving mode distributions by roadway types, traffic conditions, and time of the day using real-world measurements

表 2 不同交通条件下实测行驶模式时间占比 Table 2 The fleet average driving mode distributions by roadway types, traffic conditions, and time of the day using real-world measurements 道路类型 行驶模式 时间占比(日间) 时间占比(夜间, 畅通(绿色))a 拥堵(红色) 缓行(黄色) 畅通(绿色) 快速路 加速模式 18.3%±5.5% 24.9%±6.1% 25.0%±4.9% 19.4%±5.1% 减速模式 24.3%±4.2% 25.0%±5.8% 21.8%±6.8% 18.3%±5.4% 匀速模式 43.9%±9.7% 48.9%±10.1% 52.4%±10.3% 62.2%±10.4% 怠速模式 13.5%±8.3% 1.2%±1.5% 0.8%±0.8% 0.0%±0.0% 主干道 加速模式 10.1%±3.3% 20.4%±4.3% 24.9%±6.3% 23.7%±6.9% 减速模式 18.5%±2.8% 23.5%±4.3% 25.3%±5.9% 22.9%±7.1% 匀速模式 28.1%±8.0% 40.6%±7.6% 47.1%±10.4% 53.2%±10.1% 怠速模式 43.3%±10.0% 15.5%±6.5% 2.6%±1.8% 0.2%±0.2% 社区道路 加速模式 9.2%±3.2% 21.6%±3.5% 28.2%±4.4% 26.1%±6.1% 减速模式 19.5%±2.6% 26.4%±6.5% 25.6%±5.8% 23.9%±5.9% 匀速模式 23.0%±5.0% 39.3%±9.2% 44.6%±8.3% 49.6%±11.8% 怠速模式 48.3%±8.1% 12.8%±9.9% 1.5%±1.3% 0.4%±0.3% 注：a.所有夜间实测数据均处于畅通交通状态下.

表 3(Table 3)

表 3 不同交通条件下实测车流量及车队组成 Table 3 Traffic flows and fleet vehicle compositions derived from real-world measurements

表 3 不同交通条件下实测车流量及车队组成 Table 3 Traffic flows and fleet vehicle compositions derived from real-world measurements 道路类型 时段 交通状态 实时交通地图颜色 单车道车流量/(辆·min-1) 车队组成 LDPVa HDPVa Taxia Busa LDTa HDTa 快速路 日间 拥堵 红色 19.5±2.7 94.4%±1.5% 0.7%±0.5% 1.8%±0.8% 0%±0.9% 2.5%±1.4% 0.6%±0.5% 缓行 黄色 21.1±2.2 95.8%±1.3% 0.4%±0.4% 1.3%±0.7% 0%±0.0% 2.1%±1.2% 0.3%±0.3% 畅通 绿色 18.1±2.4 94.2%±2.3% 0.4%±0.4% 2.1%±1.0% 0.1%±0.2% 2.2%±1.8% 0.9%±1.2% 夜间b 畅通 绿色 10.2±3.4 85.0%±5.2% 0.6%±0.5% 4.5%±1.7% 0%±0.0% 4.5%±1.9% 5.6%±3.6% 主干道 日间 拥堵 红色 10.1±2.8 89.3%±5.6% 0.2%±0.6% 5.0%±4.7% 2.7%±2.9% 2.4%±2.4% 0.4%±0.6% 缓行 黄色 11.5±2.9 89.5%±4.7% 0.5%±0.7% 5.5%±3.4% 2.7%±2.5% 1.3%±2.2% 0.5%±1.2% 畅通 绿色 10.7±2.9 89.0%±4.8% 0.6%±0.7% 5.6%±3.4% 2.9%±2.7% 1.3%±2.3% 0.6%±1.3% 夜间b 畅通 绿色 2.4±2.5 81.4%±3.4% 0.9%±0.0% 6.2%±3.1% 0%±0.0% 6.2%±0.0% 5.3%±2.8% 社区道路 日间 拥堵 红色 3.9±0.5 77.4%±7.3% 9.7%±5.6% 3.2%±4.4% 6.5%±6.4% 3.2%±4.4% 0%±0.0% 缓行 黄色 6.1±1.6 86.8%±9.4% 1.1%±4.8% 9.9%±4.6% 2.2%±5.4% 0%±0.0% 0%±0.0% 畅通 绿色 4.1±1.1 82.3%±8.3% 2.0%±1.4% 12.2%±7.8% 2.0%±2.5% 1.4%±4.1% 0%±0, 0% 夜间b 畅通 绿色 0.9±0.9 82.1%±3.4% 0%±0.0% 15.2%±6.2% 0%±0.0% 2.8%±0.0% 0%±0.0% 注：a.LDPV: 轻型载客汽车; HDPV: 重型载客汽车; LDT: 轻型载货汽车; HDT: 重型载货汽车; Bus: 公交车; Taxi: 出租车；b.所有夜间实测数据均处于畅通交通状态下.

3 结果和讨论(Results and discussion)本研究的主要结果包括：①管控前后交通条件的变化分析；②管控措施对空气质量的影响；③管控前后道路移动源污染物减排量及其对空气质量的急性影响等.
3.1 管控前后交通条件的变化分析图 2为成都市因疫情防控需要而实施的管控措施前后其城区内各类道路拥堵长度占比的变化情况, 其中, 阴影部分为研究时段内同一时刻拥堵长度占比的95%的置信区间.由图可知, 实施管控措施前后, 成都市道路拥堵情况有显著不同.管控措施实施前, 全城的各类道路拥堵情况有明显的高峰期和非高峰期, 其中, 快速路和主干道有较为明显的早晚高峰, 早高峰常出现在9：00—11：00, 晚高峰集中在18：00前后, 且主干道晚高峰道路拥堵占比明显比高于早高峰.社区道路拥堵占比的早高峰不明显, 晚高峰同样集中于18：00前后.管控措施实施之后, 道路拥堵占比的峰期基本消失.
图 2(Fig. 2)

图 2 管制措施前后各类道路类型拥堵长度占比 (道路拥堵长度占比计算基于1月13—19日及1月27日—2月2日的高德实时交通数据) Fig. 2Temporal distributions of congestion length before and after lock-down for different roadway types

对于成都市全部城区(绕城以内, 图 2a), 实施管控措施前, 在交通高峰期时, 快速路和主干道的拥堵长度分别占其相应总长度的8%和4%以上；社区道路没有明显的早高峰, 但晚高峰期间的拥堵长度占比在4%~8%.在实施管控措施后, 全部城区的各类道路拥堵长度占比明显下降, 几乎不存在明显的拥堵路段.
对于市中心区域(二环以内, 图 2b), 管控前后道路拥堵长度占比的差异更加明显.实施管控措施前, 市中心区域快速路早晚交通高峰期间道路拥堵长度占比超过16%, 主干道早高峰期间拥堵长度占比超过8%, 晚高峰期间可接近20%, 社区道路在晚高峰的拥堵长度占比也超过8%.在实施管控措施后, 快速路几乎不存在任何交通拥堵, 而主干道和社区道路的交通拥堵长度占比最高也不超过0.2%.
实施管控措施后, 城市范围内道路交通条件明显改善, 拥堵路段长度占比有显减少, 除在城市核心地区和社区道路中存在极少的拥堵路段外, 大部分非市中心区域和干道、快速路中, 几乎不存在交通拥堵情况.
3.2 管控措施对空气质量的影响为分析防疫管控措施对空气质量的影响, 本研究分析了管控措施实施前后两个时段内, 成都市NO₂和PM_2.5浓度小时均值的变化情况, 结果如图 3所示.由图可知, 实施管控措施后, 两种污染物的浓度均明显降低, 其中, NO₂浓度的下降幅度(约59%)略大于PM_2.5浓度的下降幅度(约33%).这是由于在城市范围内, 道路移动源是NO₂重要的直接来源, 而PM_2.5的来源包括直接和间接的污染物排放.在PM_2.5的直接来源中, 道路移动源排放对PM_2.5的贡献率明显低于NO_x, 根据相关研究结果(周子航等, 2018), 2015年成都市道路移动源排放的NO_x和PM_2.5占所有排放源的比例分别为50%和5%左右, 道路移动源对PM_2.5的贡献率明显低于对NO_x的贡献率.此外, 相较NO_x而言, PM_2.5本身受到不同时段气象条件的影响更明显, 因此, 其浓度与道路移动源的关系较NO₂弱.
图 3(Fig. 3)

图 3 管制措施实施前后成都市NO2和PM2.5浓度对比 Fig. 3NO2 and PM2.5 concentrations of Chengdu before and after lock-down

全国多数城市实施管控措施后, 其相应的空气质量也有一定的变化, 主要体现为NO₂浓度出现明显的下降(下降幅度为40%~60%, 其中成都市为59%), 但PM_2.5浓度的下降幅度相对较低.这说明道路移动源是NO₂的主要直接来源, 移动源尾气排放与大气中NO₂浓度呈现一定的线性关系.由于大气中PM_2.5的形成除道路移动源直接排放的贡献外, 还有二次气溶胶的贡献, 且受气象条件影响较大, 因此, 该浓度变化与道路移动源尾气排放常呈非线性关系, 短期内由于道路移动源尾气排放下降而导致的大气中PM_2.5浓度下降的幅度(约10%~30%, 下降均值为13%)不如NO₂明显.此外, 由于管制措施实施期间日间交通条件改善较夜间明显, 因此, 两种污染物浓度的日间降幅较夜间大.总体而言, 交通管制措施可有效地减少道路移动源的尾气排放, 从而在一定程度上改善相应的空气质量.
3.3 管控措施前后道路移动源污染物的减排量估算及对空气质量的短期影响如前文所述, 由于NO₂浓度与道路移动源关系密切, 本研究利用管控措施实施前后全国各城市NO₂浓度与管控措施实施前的比值校正管控后道路车流量.因所有城市NO₂浓度下降均值为51%, 因此, 本研究取0.49作为修正因子.由于不同城市道路移动源对NO_x排放的贡献率存在一定差异, 所以修正结果可能存在一定的不确定性, 但各大城市NO₂监测浓度下降比例接近, 表明各大城市道路移动源减排规律具备一定的相似性, 使用该修正因子对城市道路车流量进行修正具备可行性.
如图 4所示, 实施管控措施前, 成都市道路移动源的NO_x、HC和CO日均排放量分别为132.6、37.9和97.2 t.实施管控措施后, 3种污染物的日均排放量分别下降至53.4、15.2和40.0 t, 下降比例约为60%左右, 这主要是由于车流量减少和道路交通条件改善所致.管控措施实施前各类污染物的排放日变化均存在明显的昼夜差异, 但管控措施实施后, 日间的交通高峰期与非高峰期之间的排放强度差异性相对不明显.
图 4(Fig. 4)

图 4 管制措施实施前后各类污染物排放强度对比 Fig. 4Comparisons of daily NOx, HC, and CO emissions from on-road vehicles Chengdu before and after lock-down

相关研究(生态环境部, 2019；潘玉瑾等, 2020)表明, 成都市道路移动源的NO_x、HC、CO排放约分别占全国的1.05%、0.44%和0.38%.由于道路移动源排放是城市范围内NO_x的主要直接来源, 且全国各大城市实施管制措施后NO₂浓度下降比例接近, 表明各大城市道路移动源减排情况具有一定的相似性, 即减排后全国各城市的污染物排放量在全国总排放的占比保持不变.基于此, 可大致估算在各地相继出台防疫管控措施之后, 全国道路移动源NO_x、HC、CO的排放在两周的管控期内分别减少10.56×10⁴、7.24×10⁴、14.66×10⁴ t.因此, 包括道路移动源在内的大气污染物排放的减少是全国各地在疫情防控期间空气质量明显好转的原因之一.综上所述, 由于疫情防控的需要, 全国各地在很短的时间内相继出台并施行严格的管控措施, 导致人类活动(特别是交通出行)大量减少, 城市范围内的交通条件明显改善, 道路拥堵情况基本消失, 从而降低了道路移动源各类大气污染物的排放, 其对空气质量的改善具有一定的短期影响.由于道路移动源是城市范围内NO_x的主要直接来源, 因此, NO₂浓度也出现明显下降, 各大城市的监测浓度平均下降40%~60%.当然, 由于地区产业结构的差异及气象条件的不同, 各地主要空气污染物的变化情况也略有不同, 特别是PM_2.5.各地PM_2.5浓度下降比例明显低于NO₂, 这主要是因为PM_2.5的来源既有一次排放, 也有二次形成, 且极易受气象条件的影响.总的说来, 大气污染物减排仍是改善空气质量的关键要素, 特别是对一次污染物浓度变化有较为明显的短期影响.道路移动源减排对二次污染物的短期影响相对不明显, 但对其长期影响仍有待进一步研究.此外, 由于疫情期间的交通管控等措施为非正常手段, 是以极大地影响社会生产和生活为代价, 其实现的短期内污染物大幅度减排而取得空气质量明显改善对于正常情况下常难以实现, 因此, 未来制定减排政策以实现空气质量的有效改善依旧是任重道远, 需长期关注.
4 结论(Conclusions)本研究借助新冠病毒疫情期间, 由于疫情防控需要, 各地采取多种严厉的管控措施而导致道路移动源排放大量下降的机会, 对实施管控措施前后的城市交通条件、大气污染物浓度变化进行对比, 分析和评价道路移动源减排对空气质量改善的短期影响等.结果表明, 由于交通排放是NO_x的重要来源, 因此, 道路移动源减排对NO₂的短期影响明显；而由于PM_2.5的来源包括污染物的直接和间接排放且受气象条件影响较大, 因此, 管控措施对PM_2.5的短期影响相对较小.但总体而言, 污染物减排仍旧是改善空气质量的重要途径.

参考文献

Brauer M, Amann M, Burnett R T, et al. 2012. Exposure assessment for estimation of the global burden of disease attributable to outdoor air pollution[J]. Environmental Science & Technology, 46(2): 652.

Chen C, Huang C, Jing Q, et al. 2007. On-road emission characteristics of heavy-duty diesel vehicles in Shanghai[J]. Atmospheric Environment, 41: 5334-5344. DOI:10.1016/j.atmosenv.2007.02.037

陈楠. 2011. 成都经济圈城市群污染源排放清单研究[D]. 成都: 西南交通大学

Dai P, Chen C, Huang C, et al. 2009. Instantaneous emission simulation for light-duty diesel vehicle with different driving cycles by CMEM Model[J]. Environment Science, 30: 1520-1527.

Forouzanfar M H, Alexander L, Anderson H R, et al. 2015. Global, regional, and national comparative risk assessment of 79 behavioural, environmental and occupational, and metabolic risks or clusters of risks in 188 countries, 1990-2013:A systematic analysis for the Global Burden of Disease Study 2013[J]. The Lancet, 389: 2287-2323.

高德地图. 2020. Web服务API简介[DB/OL]. https://lbs.amap.com/api/webservice/summary

郝吉明, 程真, 王书肖. 2012. 我国大气环境污染现状及防治措施研究[J]. 环境保护, (9): 17-20. DOI:10.3969/j.issn.1003-6504.2012.09.005

何柏俊. 2014. 四川省大气污染源排放清单研究[D]. 成都: 西南交通大学

Lau J, Hung W, Cheung C. 2011. On-board gaseous emissions of LPG taxis and estimation of taxi fleet emissions[J]. Science of the Total Environment, 409: 5292-5300. DOI:10.1016/j.scitotenv.2011.08.054

Li L, An J, Zhou M, et al. 2015. Source apportionment of fine particles and its chemical components over the Yangtze River Delta, China during a heavy haze pollution episode[J]. Atmospheric Environment, 123: 415-429. DOI:10.1016/j.atmosenv.2015.06.051

Li M, Zhang L. 2014. Haze in China: current and future challenges[J]. Environmental Pollution, 189(12): 85-86.

Meng X, Zang K, Pang K, et al. 2020. Characterization of spatio-temporal distribution of vehicle emissions using web-based real-time traffic data[J]. Science of the Total Environment, 709(2020): 136227.

潘玉瑾, 李媛, 陈军辉, 等. 2020. 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, 41(8): 3581-3590.

生态环境部. 2012. 环境空气质量标准(GB3095-2012)[S]. 北京: 中华人民共和国生态环境部

生态环境部. 2013.2012中国环境状况公报[R]. 北京: 中华人民共和国生态环境部

生态环境部. 2019.2019年中国移动源环境管理年报[R]. 北京: 中华人民共和国生态环境部

生态环境部. 2020.2019年全国地表水、环境空气质量状况[R]. 北京: 中华人民共和国生态环境部

Shi G, Chen G, Tian Y, et al. 2016. Characteristics and sources of carbon fractions in PM2.5 in Tianjin urban area[J]. Environmental Pollution & Control, 38(1): 1-7.

Wang D, Hu J, Xu Y, et al. 2014. Source contributions to primary and secondary inorganic particulate matter during a severe wintertime PM2.5 pollution episode in Xi'an, China[J]. Atmospheric Environment, 97: 182-194. DOI:10.1016/j.atmosenv.2014.08.020

Wang L, Jang C, Zhang Y, et al. 2010. Assessment of air quality benefits from national air pollution control policies in China.Part Ⅱ: Evaluation of air quality predictions and air quality benefits assessment[J]. Atmospheric Environment, 44(28): 3449-3457. DOI:10.1016/j.atmosenv.2010.05.058

Wang L, Zhang Y, Wang K, et al. 2016. Application of weather research and forecasting model with chemistry (WRF/Chem) over northern China: sensitivity study, comparative evaluation, and policy implications[J]. Atmospheric Environment, 124: 337-350. DOI:10.1016/j.atmosenv.2014.12.052

Wang W, Chai F, Zhang K, et al. 2008. Study on ambient air quality in Beijing for the summer 2008 Olympic Games[J]. Air Quality Atmosphere & Health, 1(1): 31-36.

王晓元, 江飞, 徐圣辰, 等. 2020. 长三角区域大气重污染应急减排效果评估[J]. 环境科学研究, 33(4): 783-791.

World Health Organization(WHO). 2013. Review of evidence of health aspects of air pollution-REVIHAAP Project technical report[R]. Copenhagen: WHO Regional Office for Europe

Yang X, Teng F. 2018. The air quality co-benefit of coal control strategy in China[J]. Resources, Conservation and Recycling, 129: 373-382. DOI:10.1016/j.resconrec.2016.08.011

Yang Y, Li T, Hu H, et al. 2019. Development and emissions performance analysis of local driving cycle for small-sized passenger cars in Nanjing, China[J]. Atmospheric Pollution Research, 10(5): 1514-1523. DOI:10.1016/j.apr.2019.04.009

易波. 2020.2019成都生态环境质量公报[EB/OL]. 成都: 成都生市生态环境局. http://sthj.chengdu.gov.cn/cdhbj/c110883/2020-06/04/90a294eef8dd4b2797de1c9d83b75832/files/4239ade03e10421da18d3f53e6ceb112.pdf

Zhang H, Wu L, Wei N, et al. 2018. Characteristics of exhaust from heavy-duty coaches on real-world conditions[J]. Environmental Pollution & Control, 40: 1027-1032.

中国环境监测总站. 2020. 全国城市实时空气质量发布平台[DB/OL]. http://106.37.208.233:20035/

Zhu Y, Huang L, Li J, et al. 2018. Sources of particulate matter in China: Insights from source apportionment studies published in 1987-2017[J]. Environment International, 115: 343-357. DOI:10.1016/j.envint.2018.03.037

周子航, 邓也, 谭钦文, 等. 2018. 四川省人为源大气污染物排放清单及特征[J]. 环境科学, 39(12): 5344-5358.