编辑推荐：
基于印度维杰亚瓦达市的道路运输排放研究，整合了顶层政策框架与底部排放模型，评估了2025-2030年常规业务情景（BAU）与协同政策情景（ALT）下的直接与间接排放。结果表明，协同实施严格排放标准、清洁能源、电动化加速及低排放区政策，可显著降低PM10、NO2等污染物及CO2排放，但需注意电力结构对间接排放的影响。研究为城市碳中和路径提供了政策协同与能源转型的决策支持。
作者：Manuj Sharma、Badavath Bhupal、Suresh Jain
印度安得拉邦蒂鲁帕蒂印度理工学院土木与环境工程系，邮编517619
摘要
本文对印度维贾亚瓦达市的道路运输减排政策（RTERPs）进行了综合评估，结合了自上而下的政策路径与自下而上的车辆排放和能源需求模型。该方法量化了尾气排放和非尾气排放、电力使用产生的间接二氧化碳（CO?）以及2025年和2030年在“一切照旧”（BAU）和“替代方案”（ALT）情景下的空间污染模式。协调一致的RTERPs措施，包括严格的排放标准、更清洁的燃料、加速推广电动汽车和混合动力汽车、报废老旧车辆，以及在国家公路16号沿线设立低排放区（LEZ），共同显著减少了颗粒物（PM??）、二氧化氮（NO?）、二氧化碳（CO）和碳氢化合物的排放。直接二氧化碳（CO?）和黑碳（BC）的排放也有所下降，从而带来了显著的气候和公共健康效益。空间化的排放数据突出了需要优先采取缓解措施的道路走廊。分析揭示了能源与排放之间的重要权衡：尽管电气化减少了石油消耗和尾气污染，但在以煤炭为主的电力系统中，增加的电力需求（2025年为32吉瓦时/年；2030年为235吉瓦时/年）可能导致多达18.6万吨的间接二氧化碳排放。这些发现强调了将交通电气化与可再生能源发展、电池循环利用以及供应链韧性相结合以减少上游排放的重要性。这种综合建模框架为城市层面的脱碳提供了新的途径，有助于实现可持续发展目标3.9（减少与污染相关的健康影响）、目标7（清洁能源整合）、目标11.2/11.6（可持续和低影响的城市交通）和目标13.2（气候响应型规划）。
引言
由道路运输部门排放引起的城市空气污染已成为全球最严重的公共卫生挑战之一，导致大量过早死亡和疾病（Sharma和Jain，2023；Mousavinezhad等人，2024）。这种负担在发展中国家尤为严重，因为快速的城市化、高人口密度以及相对宽松的排放控制制度加剧了人口暴露风险（Apte等人，2018）。印度就是这一问题的典型例子。长期以来，交通发展与经济增长被视为一回事，这引发了车辆拥有量的前所未有的增长。预计到2030年，印度的注册车辆数量将超过2亿辆，几乎是2016年约2100万辆的十倍（ICCT，无日期）。因此，道路运输部门目前占全国能源相关二氧化碳排放量的近12%，这一比例预计到2050年将翻倍（Singh等人，2022；IEA，2023）。在印度主要城市中，道路运输占环境颗粒物（PM?.?）浓度的25-50%（Yadav等人，2022），而仅PM?.?的暴露就每年导致约87万人过早死亡，其中近4.3万人直接死于道路运输排放（Peshin等人，2024）。
为应对这些日益严重的环境和健康风险，印度政府（GoI）承诺在2070年前实现净零排放，这一目标在COP26会议上宣布（PIB，2023）。与此承诺一致，国家和州层面推出了一系列道路运输减排政策（RTERPs），包括促进可持续交通、管理车辆需求、推动燃料转型和加速采用电动汽车（EVs）（图1）。尽管有这些政策进展，但在城市层面系统地量化排放并评估其有效性在方法上仍具有挑战性（Charly和Caulfield，2025）。
准确估计道路运输排放对于基于证据的政策设计至关重要。传统的自上而下的方法依赖于汇总指标，如燃料销售、车辆注册和道路网络长度，可以提供粗略的排放估计，但缺乏进行街道级暴露评估和政策定位所需的空间和时间分辨率（Loo等人，2023）。自下而上的方法则结合了详细的车辆技术、车龄、燃料类型和活动模式，能够在更精细的空间尺度上提供更可靠的排放估计（Aggarwal和Jain，2016）。然而，这些方法对排放因子（EFs）的选择非常敏感，而这些因子通常是基于预定义驾驶循环的实验室测试得出的（Mahesh等人，2019）。
越来越多的证据表明，实验室得出的排放因子往往无法捕捉现实世界的驾驶变量，从而限制了其代表性（Davison等人，2020）。尽管便携式排放测量系统（PEMS）和底盘测功机等先进技术提供了更好的现实世界特性描述，但其应用受到高成本、物流复杂性和有限车辆覆盖范围的限制。为了解决这些问题，道路隧道研究和遥感技术已成为在实际运行条件下捕捉车队排放的可扩展替代方案（Hwang等人，2023；Narla等人，2024）。遥感系统能够快速识别高排放车辆，并在大规模排放监测方面具有巨大潜力。
全球范围内，大量研究评估了RTERPs对城市空气质量的影响。实证证据表明，低排放区（LEZs）和零排放区等措施在减少欧洲和北美城市的NO?和PM?.?浓度方面有效（Hajmohammadi和Heydecker，2022；Zhao等人，2024；Piccoli等人，2025）。然而，尽管这些政策的空气质量效益已得到证实，但它们在持续减少二氧化碳（CO?）和其他温室气体（GHG）排放方面的有效性仍不那么明确。研究表明，车辆电气化可以大幅减少温室气体排放（Bastida-Molina等人，2020；Huang等人，2025），预测显示美国的道路运输温室气体排放可减少多达34%（Ercan等人，2022）。然而，电气化的净气候效益在很大程度上取决于地区的电力生成结构（Mousavinezhad等人，2024）。在以煤炭为主的电力系统中，电动汽车充电可能会间接增加上游的二氧化碳（CO?）、氮氧化物（NO?）和二氧化硫（SO?）排放（Nichols等人，2015），从而复杂化了脱碳进程。
这些不确定性凸显了需要进行综合评估的必要性，这些评估需要同时考虑直接尾气排放、间接电力相关排放以及政策驱动的技术转型（Rottoli等人，2021）。在印度，这一研究缺口尤为明显，因为该国拥有世界第二大道路网络，长度超过590万公里，同时车辆拥有量、交通拥堵、燃料消耗和城市空气污染都在迅速增长（Choudhary和Vasudevan，2017；Sharma和Jain，2025）。尽管最近实施了大规模的政策干预，但对自上而下的RTERPs如何转化为城市层面的空气质量及气候结果的系统评估仍然很少。现有研究主要在国家级（Singh等人，2022）、区域级（Tomar等人，2022）和城市级（Aggarwal和Jain，2016）层面考察了交通排放。然而，在印度城市背景下，将自上而下的政策路径与自下而上的排放建模相结合的全面评估几乎不存在。据作者所知，目前还没有研究系统地评估新兴RTERPs和新能源车辆快速采用的综合效应如何影响印度向碳中和的转型。
本研究通过三个关键贡献解决了这些关键问题。
首先，它开发了一个综合的、垂直对齐的评估框架，将国家和州级的政策情景与城市层面的自下而上的车辆排放建模联系起来。
其次，它超越了传统的以尾气排放为中心的分析，明确量化了与电动汽车充电相关的间接二氧化碳（CO?）排放，从而实现了空气质量改善与气候缓解之间的全面权衡分析。第三，通过将城市交通政策置于印度更广泛的净零转型路径中，本研究提供了关于当前RTERPs的协同效益和局限性的政策相关见解。本文的后续部分描述了研究区域和数据来源，详细介绍了排放建模框架和政策情景的制定过程，展示了结果，并讨论了关键的政策含义。
方法论
第2.1节详细描述了研究区域，第2.2节概述了数据收集和排放计算的方法。第2.3节讨论了交通记录评估的采样策略，第2.4节提供了道路运输排放建模的方程和输入参数。第2.5节详细介绍了制定的RTERPs情景。
车辆年龄和排放标准概况
本研究详细分析了车辆特性，重点关注年龄分布和排放标准概况，如表2所示。调查结果显示，车辆车队相对年轻，约51%的车辆年龄在5岁以下，86%的车辆年龄在10年以内。2轮车、3轮车和4轮车的平均年龄分别为5.3年、5.7年和5.0年。
按燃料类型划分的汽车年龄显示平均年龄为5.1年
不确定性分析
表5中的蒙特卡洛模拟结果量化了2021年排放的95%置信区间不确定性。本研究考虑了交通流量、平均排放标准EFs的空间网格变异性以及排放建模框架及其相关假设的固有结构不确定性。公共汽车和货运车辆的不确定性较高（高达140%），而汽车和3轮车的不确定性较低（约90-120%）。
RTERPs对城市排放的总体影响
本研究以维贾亚瓦达为例，评估了RTERPs对印度一个未达到空气质量目标的城市的空气质量及碳排放的影响。结果提供了有力证据，表明一系列协调一致的干预措施，如严格的排放标准、更清洁的燃料转型、逐步采用电动汽车以及对高排放车辆的针对性限制，可以显著减少车辆尾气排放。
值得注意的是，更严格的排放标准对此有显著贡献
结论
本研究对维贾亚瓦达的RTERPs进行了全面和综合的评估，结合了自上而下的政策框架与高分辨率的自下而上的排放和能源需求模型。分析表明，清洁燃料的协调实施、先进的排放标准、加速电气化以及交通限制措施可以显著改善空气质量，并减少快速增长中的印度城市的温室气体排放。
作者贡献声明
Manuj Sharma：撰写初稿、验证、软件开发、方法论制定、正式分析、数据整理、概念构思。
Badavath Bhupal：撰写初稿、方法论制定、正式分析。
Suresh Jain：审稿与编辑、撰写初稿、监督、方法论制定、正式分析、概念构思。
科学写作中关于生成式AI的声明
在准备本工作时，作者使用了Gemini、Google和Grammarly工具来检查语言和语法。使用这些工具/服务后，作者根据需要对内容进行了审查和编辑，并对发表文章的内容负全责。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文所述的工作。
致谢
MS感谢印度大学资助委员会（UGC）提供的高级研究奖学金（SRF）。BB感谢教育部（MoE）提供的土木与环境工程硕士学位奖学金。作者感谢国家清洁空气计划（NCAP）和安得拉邦污染控制委员会（APPCB-12022/1/2019/-SS-CL-APPCB）提供的研究资金。
