1. 引言
改革开放为我国带来了经济的飞速发展，与此同时，工业快速发展，机动车的保有量也随之快速的增加，由此，机动车污染物的排放也逐年增长。除了对空气质量产生影响，机动车污染物的排放还会伤害人体健康 [1]。在在此背景下，交通部门的减排成为了不得不重视的一个重要问题，并且引起了学者们的广泛研究。
在排放清单的研究方面，张雅瑞等基于MOVES模型建立了2018年渭南市机动车污染物排放清单，并结合GIS路网、车辆数据对其进行了分配，最终得出机动车污染物的“线–面”空间分布特征以及车流量会影响排放强度的结论 [2]。赵大地等自上而下地建立了河南省2018年的1 km高分辨率排放清单，并对其空间分布进行分析 [3]。邹泽耀等采用自下而上的方法，结合交通流量，建立了福建省2020年1到7月期间的机动车污染物排放清单，并对其时间、空间分布进行研究 [4]。吕改艳等使用IVE模型对重庆主城区的污染物排放进行计算，并分析不同车型的分担率和污染物的空间分布 [5]。庞可等基于排放系数法和GIS，建立了兰州市的机动车污染物排放清单，并通过分析提出合理的防治建议 [6]。Huo等对北京市的轻型机动车排放进行了研究，并对其时空分布进行了分析 [7]。在清单分配方面，Wei等通过人口密度进污染物的排放进行分配 [8]；Sun等按照道路类型进行污染物空间分配 [9]；王堃等提出了一种基于POI点的排放清单分配方法，并对其分配结果进行了验证 [10]；郑君瑜等考虑到了不同等级道路中的交通流量不同，提出基于道路等级和交通流量的空间分配方法 [11]；Ghaffarpasand等综合利用车辆行驶周期、路网数据等信息对伊朗伊斯法罕地区2018年的机动车排放清单进行分配 [12]。
因此，本文根据济南市2021年的机动车统计数据，结合《道路机动车大气污染排放清单指南(试行)》，建立2021年的济南市机动车污染物排放清单，并在此基础上结合GIS技术进行1 km × 1 km的高分辨率网格分配，最后通过地理加权回归模型对其影响因素进行分析。
2. 研究区域
本文选取济南市作为研究范围，济南市位于山东省的中西部，其三面被泰山山脉所包围，而黄河位于济南市北部，因此导致了济南市的空气流通不便，再加上工业的发达，导致了济南市的空气污染十分严重，也因此，济南市被作为了环境整治的重点区域。因此，本文选择济南市作为研究区域。济南市的行政区划主要包括十个区和两个县，图1为济南市的行政区划图。
Figure 1. Administrative division map of Jinan city
图1. 济南市行政区划图
3. 数据预处理
本文的研究数据包括济南市车管所提供的2021年济南市车辆保有量数据、高德地图导出的济南市POI兴趣点数据以及其他济南市各项相关数据(气象环境、平均车速等)。
3.1. 机动车保有量数据预处理
为了更好的对济南市的机动车排放总量进行计算，首先要确定机动车的排放源分级体系。《道路机动车大气污染物排放清单编制技术(试行)》(以下简称《指南》)中，对机动车进行了三级划分，首先根据机动车的载客和载货量划分，然后根据燃油类型进行划分，最后在前两个分类的基础上，根据机动车的排放等级进行划分。此外，由于目前济南市有部分的国六排放标准的车辆，而《指南》中，车辆的排放标准的划分只到国五车辆，因此将国六车辆并入国五车辆。
3.2. POI数据的预处理
高德地图导出的POI数据分为了20个大类，每一大类又分为了很多小类，比如，餐饮服务类分为了中餐厅、火锅店、蛋糕店、地方或特色餐厅等等。为了减少机动车排放清单分配过程中的无关因素，提高分配的准确程度，本文只保留了与交通相关的POI兴趣点，对其他POI数据进行了删除处理。
删除之后的POI兴趣点大类上分为了道路附属设施、交通设施服务这两个大类，其中，交通设施服务包括公交车站、停车场、地铁站等；道路附属设施包括收费站和高速服务区。具体的分布图见图2。
3.3. 其他数据
除机动车保有量数据和POI数据之外，其他数据通过查找获取，主要包括：济南市平均温度、平均相对湿度、海拔、机动车平均速度、机动车劣化系数以及燃料含硫量数据，通过这些数据对基准排放因子进行修正。
Figure 2. Distribution map of traffic POI points in Jinan
图2. 济南市交通POI点分布图
对于劣化系数，《指南》中给出了2014~2018年的各个污染物的劣化修正系数。本文数据为2021年数据，因此参考其他文献对劣化修正因子进行说明 [13]。首先根据污染物的排放量与机动车车龄的关系，计算出逐年的机动车排放量，最后用计算出的排放量除以第六年的排放量得到劣化系数。车龄根据机动车排放标准实施时间进行确定。计算公式如式(1)所示：
(1)
式中，
代表车龄为Y的车辆的CO排放量，
代表车龄为Y的车辆的排放因子；
代表车龄为Y的车辆的HC排放量，
代表车龄为Y的车辆的排放因子。
代表车龄为Y的车辆的HC排放量，
代表车龄为Y的车辆的排放因子。此外，由于使用模型为对数模型，因此在前几个数据的模拟过程中，测算出的排放量并不是特别稳定，为了更加贴合现实，选择从较为稳定的车龄为6的年份为基准，其排放因子为1，PM2.5和PM10的劣化修正因子为1。
4. 研究方法
4.1. 排放因子法
排放因子法利用当地的机动车保有量数据，结合机动车的年均行驶里程和污染物的排放系数对排放总量进行计算。计算公式如式(2)所示：
(2)
式中，E为机动车污染物的年总排放量，单位为吨；Pi为i类型机动车的保有量，EFi为i类型机动车行驶单位距离所排放的污染物的量，单位为克/公里；VKTi为i类型机动车的年均行驶里程 [14]。
机动车的污染物主要包括五类，分别为CO、CH、NOX、PM2.5以及PM10，《指南》给出了各个污染物的基准排放因子以及修正方法。通过济南市的本地参数，如温度、湿度、海拔、燃料含硫情况等可以对污染物的基准排放因子进行本地化修正。
4.2. 基于POI兴趣点的排放清单分配
POI兴趣点包含了丰富的信息，而且获取相对比较容易，利用POI信息能够对机动车排放清单进行分配。本文中，首先利用GIS对济南市的行政规划图进行网格化，之后统计各个网格内的POI点的数量，最后根据每个网格内的POI点数量对计算出来的机动车排放总量进行分配。
4.3. 地理加权回归模型分析
地理加权回归模型加入了数据的空间权重，利用最小二乘法和数据的空间位置进行统计分析，可以研究变量在局部空间中的关系 [15]。为了更好地治理机动车污染物排放提出建议，本文拟利用地理加权回归模型探索机动车污染物排放的影响因素。
5. 结果分析
5.1. 济南市机动车污染物排放总量
Table 1. Total pollutant discharge in Jinan
表1. 济南市污染物排放总量表
如表1所示，2021年，济南市机动车污染物排放量分别为：CO为56848.17847吨；HC为14484.77308吨；NOX为23263.101吨；PM2.5为594.7791612吨；PM10为4932.273827吨。
5.1.1. 分燃料类型排放总量
Figure 3. Proportion of pollutants by fuel type
图3. 分燃料类型污染物占比图
分燃料类型的排放占比图如图3所示，CO、HC主要来源于汽油，而NOX、PM10主要来源于柴油，PM2.5的占比中，汽油为45%，柴油为51%。通过搜索资料以及查看数据发现，造成这种差异的原因一方面来自于排放因子和机动车保有量的不同，而另一方面，则是由于汽油和柴油的组成成分不同。因此，对CO、HC排放的控制主要是从汽油车的管控入手，而NOX和PM10的管控需要从柴油车管控入手。
5.1.2. 分车辆类型排放总量
Table 2. Pollutant emission table by vehicle type
表2. 分车型污染物排放表
如表2所示，CO、HC的排放中，小型载客汽车和重型载货汽车占前两位，其中，小汽车排放量大的原因是保有量多，而载货汽车则是由于排放因子较大，NOX、PM10的排放量中，重型载货都位于第一位，PM2.5则位于第二位，由此，对于污染物的控制，一方面要控制机动车的保有量，另一方面，重型货车的控制也应该作为一个主要的方向。因此，本文将重型货车污染占比单独排列。
5.1.3. 重型货车污染物占比
Figure 4. Proportion of pollutants in heavy trucks
图4. 重型货车污染物占比图
图4为重型货车在各个污染物排放中的占比图。CO的排放中，重型货车占比为10%；HC中的占比为20%；NOX为54%；PM2.5为24%、PM10为56%。而机动车的保有量数据显示，重型货车占比仅为2%，而重型货车中的清洁能源车辆占比也为2%，因此，重型货车污染物排放较多的原因是一方面重型货车的年均行驶里程较大，另一方面，清洁能源车辆的占比较低。
5.2. 网格化排放清单分配结果
图5为五种不同污染物的分配结果图，图中，不同颜色代表了不同的污染物排放量，排放量由少至多的颜色分别为白色、黄色、绿色、蓝色、红色。
上图结果显示：
1) 越靠近城市中心，五种污染物的排放量就越大，在靠近城市中心的区域呈现出面源分布的特点。
2) CO的排放在非城市中心呈现明显的线源分布特点，而且网格分配结果显示多为蓝色和红色，且在非城市中心，其排放量明显也很大，这是因为很多网格内没有POI点，而CO的排放量又比较大，因此在分配时，有POI点的网格和没有POI点的网格CO排放量会相差特别大。
3) HC在非城市中心的区域分布较为分散，网格颜色多为黄色。
4) NOX在非城市中心的分布同CO相似，都呈带状分布，但是网格颜色多为黄色。
5) PM2.5从图上来看，仅分布在城市中心，非城市中心区域几乎没有分布。
6) PM10的分配结果与NOX很相似，城市中心排放量明显呈面源分布，不同之处在于相比NOX，PM10非城市中心的带状分布更加不明显。
综上所述，在路网更加密集，机动车保有量更多的城市中心，污染物的排放呈现面源分布的特点，且相比非市中心，其颜色更深，即单个网格的排放量更大，此外，非城市中心的污染物排放除PM2.5之外，都呈现带状分布的特点。总体来看，各个污染物的分布都呈现出从城市中心向郊区扩散的趋势。
5.3. 网格化排放清单分配结果
5.3.1. 空间自相关分析
图6为五种污染物的空间自相关报表，依次为CO、HC、NOX、PM2.5、PM10。分析结果显示五种污染物的空间分布呈现明显聚集模式，且随机产生这种聚集模式的概率小于1%，即这种结果不是随机产生的，因此能够通过地理加权回归模型进行分析。
分别将路网密度和海拔作为解释变量，五种污染物的排放量为因变量，通过地理加权回归分析其相关性。R2越高代表相关性越高，拟合效果越好。
5.3.2. 解释变量为路网密度
一般情况下，路网越密集，代表人口越多，经济、工业越发达，机动车的保有量也就越多，因此路网密度会直接对污染物的排放产生影响，路网密度越大，排放越多，反之越少。地理加权回归结果如下图所示，图7中，不同颜色代表不同的标准误差，用来量化每个系数的可靠性，若其大于2.5，则结果不可靠。
5.3.3. 解释变量为海拔
由于济南市的特殊地理环境，空气流通不便，由此造成污染物浓度较高，因此将坡度作为一种解释变量，来对污染物的排放进行地理加权回归分析，其结果如图8所示。
5.3.4. 路网密度和海拔共同作为解释变量
当同时使用两种解释变量进行分析时，需要进行共线性检验，即检查两种解释变量之间的相关性，如果两者之间相关性不大，则可以使用地理加权回归模型，反之则不能。
首先，对两个因子进行相关性分析，分析结果显示两者间R2为0.1172，表明两者之间并不存在共线性问题；然后利用最小二乘法进行验证，如果结果显示两个变量的方差膨胀因子在0到10之间，则表明两者没有共线性问题。经过检验，两个解释变量的方差膨胀系数为1.132776，因此可以将两者共同作为解释变量，其结果如下表所示；此外，地理加权回归模型中的条件数如果为空或者小于0或者大于30，则解释变量之间存在明显的共线性问题，不适用于地理加权回归模型，本文中的回归结果显示，条件数在0到30之间，因此地理加权回归模型具有较强的可信度。其结果如图9所示。
5.3.5. 地理加权回归结果
如表3所示，当路网密度做为解释变量时：CO的R2为0.200285，原因在于路网并不密集非城市区域，CO的排放量也是比较高的，另外四种污染物拟合效果都比较好，说明路网密度对这几种污染物的排放量会造成很大的影响，即路网密度越大，污染物的排放越多；当海拔做为解释变量时：R2比路网密度的回归结果小，代表其与污染物排放量的相关性与路网密度相比较小，但从R2的数值来看，海拔可以作为一个影响机动车污染物排放量的一个影响因素；两者共同做为解释变量时：当两者共同作为解释变量时，拟合结果相比海拔作为单个影响因素有所提高，但与路网密度作为单个解释变量的拟合结果相比，R2较低。
6. 结论和展望
1) 2021年，济南市机动车的五种污染物排放量分别为CO：56848.17847吨；HC：14484.77308吨；NOX：23263.101吨；PM2.5：594.7791612吨；PM10：4932.273827吨。
Table 3. Geographically weighted regression results
表3. 地理加权回归结果表
2) CO的排放中，汽油占76%，柴油占19%；HC的排放中，汽油占61%，柴油占34%；NOX的排放中，汽油占3%，柴油占88%；PM2.5的排放中，汽油占45%，柴油占51%；PM10的排放中，汽油占6%，柴油占94%。
3) CO的排放中，重型货车占比为10%；HC中的占比为20%；NOX为54%；PM2.5为24%、PM10为56%。
4) 污染物的分配结果显示，在城市中心，污染物的分布呈现面源分布的特点，而非城市中心的区域则呈现带状分布的特点。
5) 路网密度和海拔的地理加权回归结果显示，两者可以做为机动车污染物排放量的影响因素，但是路网密度的影响明显要比海拔更大。
此外，本文有一些不足之处，首先，对于污染物排放总量的计算，不够精细，没有济南市的机动车年均行驶里程数据，而且机动车的划分将天然气和其他类型划分到了一起；其次，在对污染物排放的网格划分中，只考虑的POI点，而没有考虑其他的因素；最后，在地理加权回归模型的分析中，由于数据问题，只设置了两种解释变量。这些问题将在后续的研究中解决。