城市交通能源需求和環(huán)境排放預測方法及應用

徐蘇花 干宏程

摘 ?要：以LEAP模型為工具，構建了上海城市客運交通-能源-環(huán)境模型，以2019年為基準年，2022—2035年為預測年，分析不同情景下能源需求和環(huán)境排放情況。結果顯示：除最佳情景外，發(fā)展公共交通情景節(jié)能減排效果最佳且在2028年實現(xiàn)碳達峰，但不利于NOx減排，緩解道路擁堵情景和推廣新能源汽車情景長期節(jié)能減排效果不佳；在未來的發(fā)展中，個體交通仍然主導能源需求和環(huán)境排放，能源依然以汽油為主，上海城市客運交通應以發(fā)展公共交通為重點，輔助推廣新能源汽車、加大城市道路投資和小汽車限行等措施，環(huán)境排放將得到有效控制并提早實現(xiàn)碳達峰。

關鍵詞：LEAP模型；城市客運交通；情景分析；能源需求與環(huán)境排放

中圖分類號：F570 ? ?文獻標志碼：A ? ?DOI：10.13714/j.cnki.1002-3100.2023.09.002

Abstract： Taking LEAP model as a tool， the urban passenger transport-energy-environment model of Shanghai is constructed. Taking 2019 as the base year and 2022—2035 as the forecast year， the energy demand and emissions in different scenarios are analyzed. The results show that， except for the best scenario， the development of public transport scenario has the best energy

-saving and emission-reducing effect， and the peak carbon dioxide emissions will be realized in 2028， but it is not conducive to NOx emission reduction， and the long-term energy-saving and emission-reducing effect is not good in the scenario of alleviating road congestion and promoting new energy vehicles. In the future development， individual transportation will still dominate the energy demand and environmental emissions， and gasoline will still be the main energy source. Shanghai's urban passenger transportation should focus on the development of public transportation， and assist in promoting new energy vehicles， increasing investment in urban roads and restricting the number of cars， etc.， so that environmental emissions will be effectively controlled and peak carbon dioxide emissions will be realized early.

Key words： LEAP model; urban passenger transport; scenario analysis; energy consumption and environmental emissions

0 ?引 ?言

隨著經(jīng)濟的發(fā)展，交通運輸行業(yè)已成為繼工業(yè)生產(chǎn)之后的石油消耗最大、增長最快的行業(yè)，同時也是二氧化碳排放增長最快的領域之一[1]。城市是運輸網(wǎng)絡的重要節(jié)點和中心，城市交通是能源消耗和溫室氣體排放的主要場所，同時其排放的大氣污染物威脅著環(huán)境和人類健康。

LEAP（Long-range Energy Alternatives Planning System）模型是交通領域能源政策、環(huán)境排放減排規(guī)劃等研究的重要工具，國內(nèi)外學者利用該模型對中國、馬來西亞、韓國、厄瓜多爾等不同國家交通部門能源需求及排放進行了預測分析[2-7]。近年來，國內(nèi)學者對于我國不同省市交通部門的能源消耗、碳排放等也做了許多研究[8-11]，歸納來看，現(xiàn)有研究多集中于國家層面或者較發(fā)達區(qū)域的整個交通領域，對城市客運交通節(jié)能減排的研究仍有空缺。本文應用LEAP模型在現(xiàn)有的城市交通規(guī)劃及政策框架內(nèi)，通過設置5種不同的情景，分析和預測2019—2035年各項政策和措施下上海城市客運交通的能源需求和環(huán)境排放情況，旨在為上海市及相似地區(qū)城市客運交通節(jié)能減排發(fā)展提供思路和參考。

1 ?LEAP模型

LEAP（Long-range Energy Alternatives Planning System）模型即長期能源替代規(guī)劃系統(tǒng)模型。它是由瑞典斯德哥爾摩環(huán)境研究所（SEI）和美國波士頓Tellus研究所共同研究開發(fā)的基于情景分析的能源-環(huán)境-經(jīng)濟模型。研究者通過對目前能源、經(jīng)濟政策狀況的分析以及未來發(fā)展及能源發(fā)展戰(zhàn)略的把握，設置符合實際的情景，量化不同的模型指標并輸入到模型當中，經(jīng)過模型處理后對不同情景下的結果進行分析比較。

本文利用LEAP模型的終端能源需求分析模塊和環(huán)境影響評價模塊來計算上海市城市客運交通能源需求和環(huán)境排放情況。環(huán)境排放物主要包括CO2、CO、NOx、HC和PM2.5。僅考慮機動車運行過程中燃料燃燒產(chǎn)生的直接CO2排放，電力在傳輸和儲存過程中產(chǎn)生間接排放不予計算。模型的計算公式如下：

E=D·ED ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

P=E·EF ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

式中：E表示k種能源技術i種終端利用車輛能耗；D表示k種能源技術i種終端利用車輛的客運周轉(zhuǎn)量；ED表示k種能源技術i種終端利用車輛的能源強度；P表示k種能源技術j種環(huán)境排放物的排放量；EF表示k種能源技術j種環(huán)境排放物的排放強度。

本文根據(jù)上海市城市客運交通的實際情況，將上海市城市客運交通分為公共交通和個體交通。公共交通的終端利用車輛包括公共汽（電）車和軌道交通（地鐵）；個體交通的終端利用車輛包括出租車和社會及私人小汽車；公共汽（電）車的能耗類型柴油、電力和油電混合，軌道交通的能耗類型為電力，出租車的能耗類型分為汽油和電力，社會及私人小汽車能耗類型分為汽油、電和混合動力。由于缺乏相關數(shù)據(jù)，本文城市客運交通不包括輪渡，此外由于甲醇、氫氣等燃料電池汽車在上海市的保有量極少，且未來的發(fā)展規(guī)劃有待進一步確定，因此本文未予研究。

2 ?基本參數(shù)計算與設定

2.1 ?客運周轉(zhuǎn)量計算。根據(jù)數(shù)據(jù)的可得性不同，公共交通和出租車的客運周轉(zhuǎn)量為客運量乘以旅客的平均乘距；社會及私人小汽車的客運周轉(zhuǎn)量按機動車保有量、平均載客量以及年均運行里程的乘積來計算。根據(jù)不同的計算方法，計算得到2008—2019年上海市城市客運交通的客運周轉(zhuǎn)量。本文以GDP作為主要驅(qū)動因子，基于2008—2019年上海市城市客運交通的客運周轉(zhuǎn)量和GDP的數(shù)據(jù)，用Excel對二者進行回歸分析，得出兩者之間的內(nèi)在關系，從而預測未來年份的客運周轉(zhuǎn)量。回歸結果為：

D=0.034GDP+30.72 ? ?R=0.9731 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

根據(jù)上海市“十三五”發(fā)展規(guī)劃提出的“全市生產(chǎn)總值年均增長6.5%以上”目標要求，本文設定2022—2035年GDP年均增長率取值為6.5%，由此預測上海市2022—2035年城市客運交通總客運周轉(zhuǎn)量。

2.2 ?基準年模型基本參數(shù)設置。得到部門活動水平，即客運周轉(zhuǎn)量的數(shù)值后，模型的計算還需要子部門、終端利用和設備三個層級的活動水平及各終端利用不同燃料類型所對應的能源強度和不同排放物排放強度數(shù)據(jù)。模型中能源強度和排放強度計算公式分別如式（4）、式（5）所示：

ED=FC/O/100 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

EI=EF/FC×ρ×0.01 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

式中：ED表示k種能源技術的能源強度；FC表示k種能源技術的百公里能耗；O表示i種終端利用車輛平均載客量；EI表示i種終端利用車輛k種能源技術第j種排放物的排放強度；EF表示i種終端利用車輛k種能源技術第j中排放物排放因子；ρ表示燃料密度。模型的基本參數(shù)設置如表1所示。

3 ?數(shù)據(jù)來源

本文公共汽（電）車、軌道交通、出租車旅客平均乘距參考文獻[12]的計算結果；小汽車年平均行駛里程取上海市第三次、第四次、第五次及第六次綜合交通調(diào)查成果中小汽車年均行駛里程數(shù)據(jù)的平均值13 044km；公共交通、社會及私人小汽車保有量數(shù)據(jù)均來自國家統(tǒng)計局，其中微型和小型民用載客汽車保有量為社會及私人小汽車保有量總量，出租車保有量數(shù)據(jù)來自歷年《上海市綜合交通發(fā)展年度報告》[13]；終端利用車輛平均載客量數(shù)據(jù)均按上海市各交通方式運行實際情況設定，其中公共汽（電）車：60.2人/車，軌道交通：1 447人/列，出租車：2.48人/車，社會及私人小汽車：1.5人/車。在不考慮其他引起公交車能耗變化因素的情況下，本文已知沃爾沃SWB6128V8柴油公交車和申沃SWB6107PHEV9油電混合動力城市客車的百公里油耗，分別為34L和21L及目前上海市正在運行的宇通12米常規(guī)純電動客車的百公里電耗75kwh；上海市軌道交通采用電力牽引，資料顯示[14]，其百公里耗電量為263.8kwh；汽車燃料以汽油為主，上海市約有75%的小汽車出行發(fā)生在中心城區(qū)以及中心城與郊區(qū)之間，本文選取上海大眾POLO市區(qū)燃油消耗量8.5L/100km；純電動及插電式混合動力小汽車百公里能耗則參考近年來上海市新能源汽車銷量最好的比亞迪百公里能耗的13L。上海市出租車以汽油為主，本文汽油出租車百公里油耗取上海大眾新朗逸取工信部實測油耗7L。 新能源出租車百公里能耗則取上海市正在運營的上汽榮威Ei5的13.2kwh。上海市公交車各類型燃料比例從巴士檔案站獲得；個體交通各類型燃料車輛比例來源《2019年上海市綜合交通運行年報》[15]。機動車CO、NOx、HC和PM2.5污染物排放因子來源于文獻[16]。其中HC排放因子不包含蒸發(fā)排放，僅為運行排放部分。CO2排放強度來源于LEAP模型環(huán)境數(shù)據(jù)庫TED。

4 ?情景設置

本文以2019年為基準年，2035年為目標年，設置了基準情景、政策情景來分析不同發(fā)展情景下上海城市客運交通領域未來的能源需求和污染物排放，進而分析政策措施對上海城市客運交通節(jié)能減排潛力。

4.1 ?基準情景（BAU）。BAU情景即零情景，在這種情景下，到2035年為止不采取任何節(jié)能減排措施，技術也未進步，城市客運交通總客運周轉(zhuǎn)量隨著經(jīng)濟的自然增長而增長，但其余層級活動水平、能源強度、排放強度數(shù)據(jù)沿襲2019年不變。

4.2 ?政策情景

（1）發(fā)展公共交通情景（DPT）。發(fā)展公共交通情景在基準情景的基礎上發(fā)展城市公共交通，大力推進軌道交通路網(wǎng)建設，旨在提高公共交通出行比例，降低小汽車的使用。

（2）推廣新能源汽車情景（DNE）。新能源汽車推廣情景是在基準情景的基礎上優(yōu)化車輛能源結構，發(fā)展新能源汽車，尤其是純電動汽車。

（3）緩解道路擁堵情景（ERC）。緩解道路擁堵的設想是促進城市道路建設和規(guī)劃，以確保未來道路交通暢通，從而降低上海市道路交通擁堵的成本。

（4）最佳情景（OS）。該情景下，上海市城市客運部門不僅大力發(fā)展公共交通，而且在此基礎上新能源車推廣同時促進城市道路建設和規(guī)劃。

具體的情景描述如表2所示，表3、表4分別為DPT和DNE情景的模型參數(shù)設置，圖1為ERC情景機動車燃油經(jīng)濟性變化。

5 ?結果與分析

5.1 ?能源需求分析。不同情景下總能源需求變化情況如圖2所示。2019年，總能源需求為470.76萬噸標準煤。BAU情景下，到2035年能源需求將增長至1 166.99萬噸標準煤。是基準年的2.48倍。在其他4個政策情景中，除了OS情景外，DTP情景具有顯著的節(jié)能效果，能源需求總量緩慢增加并于2028年達到能耗峰值526.45萬噸標準煤后緩慢下降，到2035年相對于BAU情景的能耗削減率為58.53%；DNE和ERC情景的節(jié)能效果小于DPT情景，但節(jié)能潛力不容忽視，到2035年總能源需求相比于BAU情景下降29.28%和14.79%；在OS情景下，總能源需求呈直線下降趨勢，在2020年就達到峰值。

汽油是能源消耗的主體，占總能源需求的96.3%（如圖3所示）。按情景預測，到2035年，OS情景下的汽油占總能源需求比重為82.2%，汽油需求量大幅減少。隨著交通系統(tǒng)中電動汽車的推廣，城市客運電力消耗不斷增加，在OS情景和DNE情景下，電力消耗量分別占總消耗量的17.8%和13.3%。但無論何種情景汽油消耗都在上海市城市客運交通部門的能源主體中占主導地位。

5.2 ?環(huán)境排放分析。各情景下不同環(huán)境排放物的排放情況如圖4所示。BAU情景下，隨著能源總需求的不斷增加，各環(huán)境排放物的排放量也有了大幅增加，到2035年CO2、CO、NOx、HC和PM2.5的排放量分別達到2 301.2萬噸、12.73萬噸、7 604.90噸、1.52萬噸和626.59噸，相應的排放量與基準年相比增加了1.48倍。政策情景下，環(huán)境排放量均得到了明顯的抑制。CO2排放方面：上海市城市客運交通CO2變化趨勢與能耗變化趨勢相同，DPT于2028年達到峰值1 034.03萬噸。到2035年CO2排放量相較于BAU情景的削減率分別為58.99%，DNE和ERC情景相比于BAU情景CO2削減率為37.52%和15.09%。CO和HC排放方面：在預測的早期，CO和HC的減排效果DNE情景比DPT和ERC情景更加有效，但長期的效果不佳，這是由于到2025公共交通加上出租車大范圍新能源化，導致這兩種排放物排放量持續(xù)減少，但個體交通電動化力度受限，隨著機動車保有量持續(xù)上漲，社會及私人小汽車的排放量持續(xù)增加；在NOx排放方面：DPT和ERC情景NOx減排效果遠低于DNE情景，造成這一現(xiàn)象的原因在于DPT和ERC情景下公共交通中的公共汽（電）車主要消耗的能源是柴油，柴油公交車NOx的排放因子大，可見推廣能源汽車尤其是純電動汽車對NOx排放的遏制更有效；在PM2.5排放方面：在預測的早期，DNE和DPT情景的減排效果相似，但隨著政策措施的推進，由于DPT情景有效地控制了社會及私人小汽車的排放，到2035年DNE情景的PM2.5減排效果不如DPT情景。

6 ?結論與建議

（1）模型結果顯示，若不采取任何節(jié)能減排措施，到2035年上海市城市客運交通的能源需求量將達到1 166.99萬噸標準煤，是基準年的2.48倍。

（2）從能源需求看，實施各種節(jié)能減排措施抑制了總能源需求量的增加。DPT的能源需求總量在2028年達到峰值后開始緩慢下降，而OS情景下自2020年后能源需求逐年下降，到2035年，發(fā)展公共交通、推廣新能源汽車、緩解道路擁堵和最佳情景與基準情景相比，分別可節(jié)能58.53%、29.28%、14.79%和74.62%。隨著公共交通的發(fā)展和新能源汽車的推廣，城市交通系統(tǒng)能源結構將得到改善，汽油需求下降，電力比重不斷上升，但無論何種情景下能源依然以汽油為主，汽油的能耗依舊是能源結構調(diào)整的長期控制重點。

（3）從環(huán)境排放看，DPT情景下CO2排放量于2028年達到峰值。DNE情景對CO和HC減排效果在預測前期優(yōu)于DPT情景，但長期的效果不佳，DPT情景不利于NOx減排。ERC情景的減排效果不明顯。

雖然目前上海新能源汽車處于國內(nèi)領先水平，但依舊存在電池資源缺乏、高端產(chǎn)品供應不足、充電樁總量有限且利用率不高等問題，且從現(xiàn)有的政策和規(guī)劃來看，推廣力度相對較弱，模型結果顯示可以起到節(jié)能減排的作用，但效果有限，因此在大力推廣新能源汽車的同時，還必須發(fā)展公共交通，另外地方政府可以增加對城市道路建設的投資，修建更寬的道路以緩解特定城市道路的交通壓力，增加公交專用道路的建設，適當提高能源效率，最佳情景下的節(jié)能減排措施才是實現(xiàn)雙碳目標的最佳途徑。

參考文獻：

[1] 董博，段滿珍，陳明明. 河北綜合交通低碳現(xiàn)狀及影響因素分析[J]. 物流科技，2021，44（6）：89-91，110.

[2] ?LIU L， WANG K， WANG 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.

[3] ?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.

[4] 馮相昭，趙夢雪，王敏，等. 中國交通部門污染物與溫室氣體協(xié)同控制模擬研究[J]. 氣候變化研究進展，2021，17（3）：279-288.

[5] ?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.

[6] ?HONG S， 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.

[7] ?LUIS R G， 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）：1-26.

[8] 楊森，黃瑩，焦建東，等. 基于LEAP模型的廣州交通領域能耗及空氣污染物排放分析[J]. 新能源進展，2021，9（1）：69-75.

[9] 呂晨，李艷霞，楊楠，等. 道路機動車溫室氣體排放評估與情景分析：以北京市為例[J]. 環(huán)境工程，2020，38（11）：25-32.

[10] ?PENG B， DU H， MA S， et al. Urban passenger transport energy saving and emission reduction potential： A case study for Tianjin， China[J]. Energy Conversion and Management， 2015，102：4-16.

[11] 龐可，張芊，馬彩云，等. 基于LEAP 模型的蘭州市道路交通溫室氣體與污染物協(xié)同減排情景模擬[J/OL]. 環(huán)境科學：1-13[2022-05-11]. https：//doi.org/10.13227/j.hjkx.202109119.

[12] 李茜. 城市客運交通能源需求與碳排放預測方法及其應用研究[D]. 北京：北京理工大學，2018.

[13] 上海市城鄉(xiāng)建設和交通發(fā)展研究院. 2008—2018年上海市綜合交通年度報告（摘要）[J]. 交通與運輸，2018，31（6）：7-11.

[14] 上海申通地鐵股份有限公司. 上海申通地鐵股份有限公司2019年年度報告[EB/OL]. （2020）[2022-12-10]. https：//www.docin.com/p-2346435280.html.

[15] 殷立勤. 2019年上海市綜合交通運行年報[J]. 交通與運輸，2020，36（3）：102-104.

[16] 賀克斌. 城市大氣污染物排放清單編制技術手冊[M]. 北京：科學出版社，2017.

[17] 邵丹，李涵. 城市客運交通電動化碳減排效益和碳達峰目標——以上海市為例[J]. 城市交通，2021，19（5）：53-58，42.

[18] ?FAN J L， WANG J X， LI F， et al. Energy demand and greenhouse gas emissions of urban passenger transport in the internet era： A case study of Beijing[J]. Journal of Cleaner Production， 2017，165：177-189.