环境科学学报  2021, Vol. 41 Issue (10): 4268-4279
中国农业机械的使用特征及其尾气排放的时空分布    [PDF全文]
庞凯莉, 张凯山, 马帅, 王帆    
四川大学建筑与环境学院, 成都 610065
摘要:我国农业机械保有量巨大且其尾气排放不容忽视.了解其使用特征、分析其尾气排放的时空分布,对提高非道路机械尾气排放清单准确性、制定减排政策具有重要意义.本研究通过实际调研获取我国农业机械的活动水平,并在此基础上分析其活动水平与机械类型、车龄、分布地区之间的关系,以此量化其使用特征;使用BP神经网络的方法预测我国2020—2025年农业机械保有量,结合调研的活动水平和收集的排放因子数据,估算我国2020—2025年农业机械尾气污染物排放清单;基于各省份农业机械保有量、活动水平的差异,探讨我国农业机械尾气排放的空间分布.研究结果表明:①我国农业机械的使用因机械类型、车龄、分布地区等因素的影响存在较大的变化性.农业机械的年均工作时间可在217~1721 h·a-1之间变化,单台机械年均耗油量可在0.2~10.5 t·a-1之间变化.②据本研究预测,2020年后,我国农业机械保有量将持续增长,受排放标准提升、老旧机械淘汰等减排措施的影响,其尾气排放呈下降趋势,到2025年,农业机械CO、HC、NOx和PM2.5排放将比2020年下降0.1%~26.2%.③与地区的农业机械保有量密切相关,河南、山东、安徽的农业机械尾气排放量最大.与春季相比,秋季各省份农业机械尾气排放更为显著.
关键词农业机械    活动水平    排放清单    排放趋势    空间分布    
Spatiotemporal distribution of activity and its emissions for agricultural equipment in China
PANG Kaili, ZHANG Kaishan, MA Shuai, WANG Fan    
College of Architecture and Environment, Sichuan University, Chengdu 610065
Received 30 January 2021; received in revised from 2 March 2021; accepted 2 March 2021
Abstract: Emissions from agricultural equipment cannot be neglected due to its large population in China. It is of great significance to characterize the spatiotemporal distribution of activity and its emissions for agricultural equipment in order to improve the accuracy of emission inventory development for non-road equipment for emissions reduction policies-making, which has served as the key objective of this study. Activity data for in-use agricultural equipment were collected and analyzed via multiple surveillance approaches. A back-propagation neural network method was used to predict the population of agricultural equipment from 2020 to 2025. The emission inventory for agricultural equipment of China from 2020 to 2025 was estimated using activity and emission factors data collected in this study. Furthermore, the emissions from agricultural equipment in different provinces in a typical month were estimated and used as surrogates to characterize its spatial distribution. The results showed that: ① There exists a large variation in activity data for agricultural equipment due to a variety of factors such as equipment type, age, and geographic areas. The average usage of agricultural equipment can vary from 217 to 1721 hours per year. The average fuel consumption of a single equipment can vary from 0.2 to 10.5 tons per year. ② It was predicted that the population of agricultural equipment in China will continue to grow after 2020, and its emissions will show a downward trend resulting from stringent emission standards and scrappage of old equipment. By 2025, CO, HC, NOx and PM2.5 emissions from agricultural equipment will decrease by 0.1% to 26.2% compared to those in 2020. ③ Henan, Shandong and Anhui Provinces are the top three provinces with emissions from agricultural equipment. In general, emissions from agricultural equipment were higher in Autumn than those in Spring.
Keywords: agricultural equipment    activity    emission inventory    emissions trend    spatial distribution    
1 引言(Introduction)

随着我国农业机械化水平的不断提升, 截止2017年底, 我国农业机械保有量已从2004年的1.0亿台增加至1.6亿台(中国农业机械工业协会, 2019), 由于其数量巨大, 所排放的尾气污染物对空气质量及公众健康所带来的影响不容忽视.

排放清单的建立是量化污染物排放的重要手段, 也是探讨非道路机械尾气减排途径的依据.保有量、活动水平、排放因子是非道路移动源排放清单建立必不可少的三大要素.近年来, 我国不少学者建立了包含农业机械在内的非道路移动源排放清单(鲁君等, 2017; 张意等, 2017; 卞雅慧等, 2018; 范武波等, 2018; 解淑霞等, 2019), 其中所使用的活动水平数据主要来源于极其少量的调研数据或我国原环保部发布的非道路移动源大气污染物排放清单编制技术指南(环保部, 2014)(简称: 指南).该指南的发布统一了清单编制的方法, 但其中所给出的农业机械活动水平数据较为粗糙, 涉及的农业机械类型极为有限.此外, 该指南中农业机械的活动水平以年均工作时间表征, 油耗数据尚未涵盖在内, 而现有研究(Frey et al., 2010; Li et al., 2016)表明: 相比基于时间的排放因子, 基于油耗的排放因子变化性更小, 且油耗数据相比于工作时间等数据更易获取, 为提高排放清单的准确性, 基于油耗的排放因子和活动水平得到了学者的广泛使用(Wang et al., 2016; 陈洁等, 2016; 黄成等, 2018; 王凯等, 2020), 这说明指南中推荐的年均工作时间数据在实际应用中有一定的局限性.因此, 针对我国使用的农业机械开展其活动水平数据的调研, 将不同类型农业机械年均工作时间和小时油耗数据都作为调研重点, 对完善指南、提高排放清单的准确性尤为必要.

由于我国在非道路机械排放与控制方面的研究起步较晚, 预测我国未来年份农业机械尾气排放清单以及探讨其尾气排放空间分布的相关工作相对较少.因此, 预测未来年份我国农业机械保有量的变化, 结合排放标准的提升所带来排放因子的改变, 分析我国农业机械尾气排放趋势及其空间分布, 对明确未来农业机械减排方向、关注重点排放区域等具有重要意义.

本研究的研究目的是分析农业机械的使用特征、探讨其尾气排放的时空分布.活动水平数据采用实地调研的方式获取, 保有量采用BP人工神经网络(Rumelhart et al., 1986)预测.BP神经网络目前已经应用于各个领域, 环境领域多用于预测汽车保有量的变化趋势(张亭, 2014; 王栋, 2015; 吴文青等, 2019), 其通过梯度下降法进行学习, 并通过逆向传播对模型的阈值和权值不断地调整, 从而达到使其误差平方和最小的效果.最后, 本研究结合预测的保有量及收集的排放因子数据估算我国农业机械尾气排放清单并探讨其时空分布.

2 研究方法(Methodology)

我国农业机械种类繁多, 因此, 为提高非道路机械尾气排放清单估算的精准度, 便于减排控制管理, 本研究先将我国的农业机械按功能、用途进行分类(分类情况如表 1所示), 并在此基础上, ①调研、分析我国农业机械活动水平数据;②采用BP神经网络预测我国2020—2025年农业机械保有量;③结合所调研的活动水平及收集的排放因子数据估算我国2020—2025年农业机械排放清单;④收集我国各省份农业机械保有量数据、量化活动水平的南北方差异, 估算我国大陆地区不同省份2015年典型月份农业机械的尾气排放量, 讨论农业机械尾气排放的时空分布等.

表 1 本研究农业机械分类 Table 1 Classification of agricultural equipment
2.1 活动水平数据获取与分析

本研究农业机械活动水平调研方式主要有部门走访、现场问卷调查和电话询访3种.部门走访的目的是了解当地农业机械化程度较高的市、区、县, 确定调查区域, 提高调研效率;现场问卷调查目的是获得机械详细的基本信息与使用情况, 包括: 机械的种类、型号、燃料类型、生产厂家、引擎排量、额定功率、生产和出厂日期、日平均使用时间、年平均使用时间、使用的季节性变化、小时油耗、执行的排放标准等, 现场问卷调查主要选择在农业机械合作社进行;电话询访则主要是针对在现场调研过程中不常用的机械类型, 是对现场问卷调查数据的有效补充.用于后续分析的机械活动水平指: 年均工作时间和耗油量.本研究调研的活动水平数据分析主要包括: ①不同类型农业机械的活动水平;②活动水平与机械车龄的关系;③活动水平的地区差异.

2.1.1 不同类型农业机械活动水平

对在全国范围内收集的活动水平数据进行质量控制, 按不同机械类型整理分析收集到的活动水平数据.基于调研结果, 统计各类机械的样本量、活动水平的均值、以及95%置信区间.

2.1.2 农业机械活动水平与机械车龄的关系

① 年均工作时间与车龄的关系.通常情况下, 年均工作时间随机械车龄的增长而降低, 由于本研究实际的调研数据相对有限, 特别是同一类机械中不同车龄的样本量相对较少.因此, 为研究年均工作时间与机械车龄的关系, 本研究先将所有农业机械车龄划分为3个车龄区间, 即0~3、4~6、7~9 a, 对于任一车龄区间, 不同车龄机械的年均工作时间均用该区间的平均值替代, 然后用一元二次方程拟合年均工作时间与机械车龄之间的关系, 如式(1)所示.

(1)

式中, abc为拟合参数;x为机械车龄(a);y为机械的年均工作时间(h·a-1).

上述的分析步骤先对每一类机械进行, 若单类机械在各个车龄分布下的数量有限, 数据离散性较大, 可将几种类型机械看作整体研究.若作为整体, 为区分不同种类的机械, 本研究通过改变c值来满足每类机械所有车龄年均工作时间的均值与该类机械的年均工作时间均值一致, 具体方法见参考文献(庞凯莉等, 2020).

② 年均耗油量与车龄关系.一般情况下, 机械使用时间越长, 受机械劣化及维护水平的影响, 其小时油耗会随之增加.根据调研获取到的农业机械小时油耗数据, 计算每个车龄所有相应机械小时油耗的平均值, 建立机械小时油耗与车龄的线性回归方程, 如式(2)所示.

(2)

式中, a′, b′为拟合参数;x为机械车龄(a);y′为机械的小时油耗(kg·a-1).

为区分不同种类的机械, 本研究通过改变b′值来满足每类机械所有车龄小时油耗的均值与该类机械小时油耗的均值一致.因此, 不同种类机械小时油耗与机械车辆关系的位置参数计算方法如式(3)所示.

(3)

式中, bii类机械小时油耗与车龄关系曲线的位置参数;FRii类机械平均小时油耗(kg·a-1);m为机械的使用年限, 农业机械取15.

则每类机械小时油耗与车龄的关系曲线如式(4)所示.

(4)

不同车龄机械年均耗油量的计算如式(5)所示.

(5)

式中, FCi, d为车龄为di类机械的年均耗油量(t·a-1);yi, d为车龄为di类机械的小时油耗(kg·h-1);yi, d为车龄为di类机械的年均工作时间(h·a-1).

2.1.3 活动水平的地区差异

本研究农业机械活动水平的调研在全国范围内开展.对于某一类机械, 若有实际调研的活动水平数据, 则分地区进行对比, 若无调研数据, 则参考现有研究中活动水平的数据进行对比分析.由于现有活动水平的研究大都集中在年均工作时间上, 鲜有涉及年均耗油量, 因此, 本部分在做比较时, 仅考虑机械的年均工作时间.

2.2 我国农业机械保有量预测

本研究使用BP人工神经网络(Rumelhart et al., 1986)预测我国农业机械未来年份的保有量, 人工神经网络是一种包含许多简单的非线性计算单元或连接点的非线性动力系统, BP神经网络是其中应用最广泛的一种(李吟等, 2011), 其物理拓扑结构主要包括输入层、隐藏层和输出层, 基本原理是在输入层输入信号Xi, 经过隐藏节点的处理, 作用于输出节点, 最后通过非线性变化来产生输出信号Yk(张亭, 2014).本研究BP神经网络模型的输入层有5个信号, 即: 农业机械购置(万元)、农机总动力(万kW)、机耕面积(km2)、机播面积(km2)、机收面积(km2), 输出信号为农业机械保有量.预测模型构建是基于收集的全国2000—2017年相关模型变量的数据及保有量数据, 其中, 2000—2015年的数据用于预测模型搭建和训练, 2013—2017年的数据用于模型的验证.具体的模型建立及验证方法在前期研究(庞凯莉等, 2019)中已经介绍, 这里不再赘述.

2.3 我国农业机械尾气排放的时间分布

非道路机械尾气排放清单估算方法通常采用排放因子法(薛志钢等, 2019), 即排放清单为机械保有量、活动水平以及相应的排放因子的乘积.本研究以2015年为基准年, 并假设农业机械的使用年限为15年, 此外, 由于我国历年各类型农业机械保有量占比基本保持一致, 故本研究假设未来年份各类型农业机械的保有量占比与基准年一致.本部分内容主要包括: ①保有量、活动水平、排放因子数据来源;②尾气排放清单建立方法.

2.3.1 保有量、活动水平和排放因子数据来源

未来年份农业机械保有量是利用上述BP神经网络模型预测而来.活动水平数据来自本研究实际调研, 同时考虑机械类型、车龄对活动水平的影响.排放因子数据采用相关研究(环保部, 2014; 黄成等, 2018)中的推荐值, 由于未来年份新增机械尾气污染物的排放因子与基准年有所差异, 因此本研究中农业机械尾气排放因子与车龄的关系采用欧盟推荐的劣化系数(EMEP/CORINAIR, 2007)表征, 机械车龄每增加一年, CO、HC、NOx和PM2.5的排放因子分别增加1.5%、1.5%、0.5%和3.0%.

2.3.2 尾气排放清单建立方法

本研究采用基于油耗的方法估算农业机械的排放清单, 计算方法如式(6)所示.

(6)

式中, E为污染物的排放总量(t·a-1);k为污染物类型;j为年份;Pop为机械的保有量(台);i为机械类型;d为机械车龄(a);HRS为机械的活动水平, 这里指机械的年均耗油量(t·a-1);EFfuel为基于油耗的排放因子(g·kg-1).

2.4 我国农业机械尾气排放的空间分布

农业机械尾气排放的空间分布主要通过2015年我国各省份(含自治区、直辖市)农业机械在典型月份的尾气污染物排放量的量化进行分析.本部分内容包括: ①各省份保有量、活动水平等数据来源;②各省份尾气排放估算方法.

2.4.1 各省份保有量、活动水平等数据来源

对于各省份农业机械的保有量, 行业年鉴(中国农业机械工业协会, 2016)中均有相应的比较一致的统计数据, 所以其保有量数据获取方法相对直接.活动水平数据来源于本研究的实际调研, 同时考虑典型月份南北方农业机械工作时间差异.排放因子数据同样采用相关研究(环保部, 2014; 黄成等, 2018)中的推荐值.

2.4.2 各省份农业机械尾气排放

各省份农业机械尾气排放计算方法如式(7)所示.

(7)

式中, E为污染物的排放总量(t·m-1);p为省份;v为月份, 这里选取5月、7月和10月3个农机使用状况不同的典型月份, 其中, 5月南方农忙、北方农闲, 7月南、北方农闲, 10月为秋收季节, 南、北方农忙.

3 结果和讨论(Results and discussion)

本部分内容主要介绍农业机械①调研的活动水平分析结果;②保有量预测结果;③尾气排放趋势;④尾气排放的空间分布.

3.1 我国农业机械的使用特征

由于人力、经济、农业机械可获取性等因素的限制, 本研究在四川、山西、陕西和新疆等地区共调研农业机械780台, 对整体调研数据进行汇总, 不能使用的、条目不全的数据进行剔除后, 剩余有效数据731条.本研究中我国农业机械的使用特征主要是量化机械类型、车龄、分布地区对其活动水平(年均工作时间和耗油量)的影响.从调研结果看, 本研究调研的机械涵盖拖拉机、种植施肥机械、耕整地机械、收获机械等13种类型, 遵循保有量占比大的机械调研数量也相应较多的原则, 每种类型机械调研数量在1~185台.调研机械的车龄主要分布在1~9年, 每个车龄的机械调研数量在34~113台, 车龄为1~5年的农业机械占调研机械总数量的64.7%, 使用时间在10年以上的机械较少, 这与我国农业机械的使用状况基本相符.此外, 调研区域涵盖了我国南方、北方多个城市.因此, 本研究的调研数据用于分析机械类型、车龄、分布地区对农业机械活动水平的影响具有一定的代表性.

3.1.1 不同类型农业机械活动水平

表 2所示, 农业机械活动水平随机械类型的不同而不同, 年均工作时间可以从217 h·a-1变化至1721 h·a-1, 单台机械的年均耗油量可以从0.16 t·a-1变化至10.50 t·a-1.以农产品初加工机械的年均工作时间和年均油耗最大, 这是由于我国农产品在进入初级市场前, 都需要进行去籽、晒干、净化、分类、剥皮等初加工活动;田间管理机械的年均工作时间和年均油耗最小, 这是由于本研究中调研的田间管理机械主要用于植物保护, 即: 消灭病虫害, 以确保农林业丰收, 由于只在出现病虫害的情况下使用, 故年均工作时间较小.

表 2 不同类型农业机械活动水平调研结果 Table 2 Activities of different agricultural equipment

依农业机械类型的不同, 调研数量也有所差异, 整体上, 机械类型越常见, 调研数量相应也越多.例如, 拖拉机、种植施肥机械、耕整地机械、收获机械调研数量相对较多, 其年均工作时间分别为588~669、255~300、348~427和450~607 h·a-1, 年均耗油量分别为3.71~5.35、1.30~1.98、0.80~1.27、2.99~3.98 t·a-1, 可以看出, 由于调研数量较多, 这4类机械活动水平的变化性较小.收获后处理机械和农田基本建设机械年均工作时间变化范围最大, 即拥有最宽的95%置信区间, 其中, 收获后处理机械的年均工作时间可从261 h·a-1变化至939 h·a-1, 农田基本建设机械的活动水平可从231 h·a-1变化至966 h·a-1;而农产品初加工机械和林果业机械年均耗油量的变化性最大, 农产品初加工机械的年均耗油量可从2.53 t·a-1变化至10.50 t·a-1, 林果业机械的年均耗油量可从0.15 t·a-1变化至0.51 t·a-1.这一方面是由于即便是同类机械, 机械间的活动水平也有所差异, 另一方面, 这4种类型机械在本研究中的调研数量有限, 由此可见, 样本量的大小可直接影响机械活动水平的变化性, 增加调研机械的样本量可有效地增大活动水平的准确性.因此, 未来继续加大农业机械活动水平的本地化调研力度, 增强其数据积累, 对减小活动水平的不确定性、提高排放清单的准确性有重要意义.

3.1.2 农业机械活动水平与车龄的关系

根据调查的农业机械的出厂日期与调研日期, 对不同车龄机械的数量进行统计, 分析调研的农业机械的车龄分布, 见图 1.通过调研结果可以发现, 车龄为1~5年的农业机械较多, 占调查机械总数量的64.7%, 这与总体农业机械本身的车龄分布有关, 再加上本研究农业机械活动水平的调研主要在农机合作社进行, 整体的农业机械较新, 所以车龄小的机械占比较多.

图 1 本研究调研农业机械的车龄分布 Fig. 1 Age distribution of investigated agricultural equipment

由于使用9年以上的机械调研数量只有5台, 其分布的年龄范围跨度大, 另一方面其机械数量少, 可能会出现活动水平很大的情况, 从而对整体研究造成影响, 因此在研究活动水平与车龄的关系时, 这5台机械忽略不计.

① 年均工作时间与车龄的关系.本研究调研的拖拉机、耕整地机械、种植施肥机械和收获机械数量分别为103、120、185和136台, 样本量相对较大, 可支撑研究单一类型机械年均工作时间与其车龄的关系.而对其他类型农业机械而言, 调研数量较少, 将其作为一个整体研究其年均工作时间与车龄的关系.

由于实际的调研数据相对有限, 因此, 本研究先将农业机械车龄划分为3个车龄区间, 即0~3、4~6、7~9 a, 然后用一元二次方程拟合年均工作时间与机械车龄之间的关系.使用式(1)拟合的上述4类主要农业机械的年均工作时间与其相应车龄的关系如图 2所示, 不同类型的机械, 其年均工作时间随车龄的变化关系不同, 这主要是由于机械类型不同, 其使用特性会有所差异, 也可能与本研究的调研样本量有关, 但总体上讲, 4种类型农业机械年均工作时间均随车龄的增大而减小.

图 2 不同车龄段主要类型农业机械的年均工作时间调研结果 Fig. 2 Annual usages of typical agricultural equipment with different age groups in this study

除上述4种机械外, 其他类型的农业机械调研数量有限, 不足以支撑研究其单独的年均工作时间与车龄关系, 因此在后续排放清单预测中, 其他类型农业机械年均工作时间随车龄的关系采用将其作为一个整体的研究数据, 如图 3所示, 年均工作时间同样随着机械车龄的增大而减少.

图 3 不同车龄段其他类型农业机械的年均工作时间调研结果 Fig. 3 Annual usages of other types of agricultural equipment with different age groups in this study

所有类型农业机械年均工作时间与车龄关系曲线各参数如表 3所示, 由于不同类型农业机械有不同的年均工作时间, 因此, 农业机械类型不同, 年均工作时间与车龄的关系式会有不同的常数项.

表 3 所有类型农业机械年均工作时间与车龄关系曲线参数 Table 3 Fitted coefficients of model parameters for age-based annual usage prediction for agricultural equipment

② 农业机械小时油耗与车龄的关系.与预期结果一致, 农业机械的小时油耗随车龄的增加呈现增长趋势, 如图 4所示, 机械使用超过6年时, 受发动机老化、维修维护不到位等影响, 农业机械小时油耗的增加更为明显.

图 4 农业机械小时油耗与车龄的关系 Fig. 4 Relationship of hourly fuel consumption versus equipment age

需特别说明的是, 由于调研样本量的限制, 活动水平与车龄的关系公式只适用于车龄不超过10年的机械, 在后续排放清单建立时, 假设使用超过10年的农业机械活动水平与车龄为9年机械的活动水平相同.

3.1.3 农业机械活动水平的地区性差异

本研究的活动水平在全国多个区域内进行, 但调查的机械种类不尽相同, 现有调研主要集中在拖拉机与联合收割机两类机械.此外, 由于现有针对活动水平的研究多集中在年均工作时间上, 因此本小节在比较活动水平的地区差异时, 仅对农业机械的年均工作时间作比较.

从相同类别的农业机械年均工作时间的调研结果来看, 年均工作时间存在着较大的地区差异.如表 4所示, 本研究调研的拖拉机在西南和华北地区的年均工作时间分别为641和615 h·a-1, 联合收割机在西南和华北地区的年均工作时间分别为612和262 h·a-1, 联合收割机在西南地区的年均使用时间明显比华北地区偏大, 这主要是由于西南地区水稻1年2次或3次熟, 而在华北地区, 小麦1年一熟.其他研究(樊守斌等, 2011付明亮等, 2013)调研的华北地区拖拉机和收割机年均工作时间均值分别为: 349 h·a-1和104 h·a-1, 可以看出, 同类型农业机械在不同地区年均工作时间的调研结果均有差别, 最大的差别可达3倍以上.

表 4 农业机械年均工作时间的地区差异 Table 4 Annual usage of agricultural equipment by different regions 

此外, 不同研究调研的年均工作时间数据均与国家指南推荐值有所差异, 本研究调研的拖拉机年均工作时间比指南偏高25.6%.联合收割机年均工作时间比指南偏高1.9倍, 这主要是由于西南地区联合收割机使用较多所致.这也表明为提高非道路机械排放清单的准确性, 加强年均工作时间的本地化调研尤为重要.

3.2 我国农业机械保有量预测结果

图 5展示了我国农业机械2005—2025年的保有量的预测结果, 其中, 利用2013—2017年模型变量及保有量数据验证建立的BP神经网络预测模型, 所预测保有量的相对误差均在2%以内.如图所示, 2004—2016年, 农业机械保有量持续增长.2017年的农业机械数量稍有下降, 而从2018—2025年, 我国的农业机械将持续增长.到2025年, 全国农业机械的总保有量超过2.3亿台.这与当前我国的经济发展形势密切相关.此外, 我国对农业发展的持续重视, 国家对有条件的农业合作社给予一定的农业机械购置补贴, 以促进农村地区的农业经济发展, 这将刺激我国农村地区农业机械的购买量, 新购置机械的数量及种类也将相应增加.

图 5 我国农业机械历年保有量变化及未来趋势预测(2005—2017年为实际数值, 2018—2025年为预测数值) Fig. 5 The historical trend of agricultural equipment population in China
3.3 我国农业机械尾气排放的时间分布特征

本部分内容主要介绍用于农业机械尾气排放清单估算的活动水平、排放因子数据结果, 并在此基础上讨论我国农业机械尾气排放清单估算结果.保有量预测结果已在前文介绍, 这里不再赘述.

3.3.1 活动水平数据确定

结合式(2)~(5), 不同车龄各类型农业机械年均耗油量的估算结果如表 5所示, 由于农业机械年均工作时间随着机械车龄的增大而减少, 而小时油耗随着车龄的增大而增加, 因此, 农业机械的年均耗油量随车龄的变化关系与机械本身的使用状况息息相关, 若机械在车龄较大时仍频繁使用, 则其年均耗油量相比新机械必然较高, 若机械在年龄较大时使用较少, 则其年均耗油量可能比使用频繁的新机械少.

表 5 不同车龄各类型农业机械的年均耗油量 Table 5 The average annual fuel consumption at different ages for different agricultural equipment  
3.3.2 排放因子数据确定

用于排放清单建立的排放因子数据采用相关研究(环保部, 2014; 黄成等, 2018)中的推荐值, 如表 6所示, 执行国3标准的农业机械各污染物排放因子比执行国2标准的机械降低10.5%~39.9%, 执行国4标准的机械各污染物排放因子比执行国3标准的机械降低10.1%~25.0%.

表 6 用于农业机械尾气排放清单建立的排放因子 Table 6 Emission factors used for emission inventory development for agricultural equipment in this study

本研究假设新增机械的排放符合其生产年所执行的尾气排放标准, 机械车龄每增加1年, 各污染物按照前文所述的劣化因子变化, 即CO、HC、NOx和PM2.5的排放因子分别增加1.5%、1.5%、0.5%和3.0%.

3.3.3 尾气排放清单估算结果

根据前期所收集的数据, 采用基于油耗的排放因子法、同时考虑机械车龄对农业机械活动水平的影响, 本研究建立了我国2015年农业机械的尾气排放清单, 并与国家发布的2015年农业机械排放清单对比, 详见表 7.其中, 农产品初加工机械、拖拉机、农用搬运机械、耕整地机械的NOx排放贡献率最大, 分别为33.5%、23.0%、15.0%和13.9%.对PM2.5而言, 农产品初加工机械的贡献率最大, 为33.6%, 其次是拖拉机, 贡献率为22.4%.这主要是由于本研究所调研的农产品初加工机械活动水平较大, 是其他机械活动水平的2~6倍, 加之其保有量也大, 导致其污染物排放量最高.而拖拉机也是我国保有量占比较大的机械类型, 因此农产品初加工机械和拖拉机是我国农业机械NOx和PM减排重点关注类型.

表 7 2015年各类型农业机械尾气排放量对比 Table 7 Emissions comparisons of different agricultural equipment for 2015  

本研究估算的我国2015年农业机械CO、HC、NOx和PM2.5排放量分别为786.0×104、174.6×104、1242.5×104和98.6×104 t.各污染物排放量比环保部估算数据偏大, 这主要是由于本研究所统计的农业机械类型全面, 估算排放量时涉及的农业类型多, 而环保部只关注了保有量占比较大的机械类型, 另一方面是由于本研究实际调研的各类型农业机械活动水平比指南推荐的活动水平偏高所致.这说明活动水平的准确与否对排放清单的影响巨大, 在全国范围内开展不同类型农业机械的活动水平调研有助于提高非道路机械排放清单的准确性.

本研究预测了我国2020—2025年农业机械的尾气排放趋势, 预测结果如图 6所示, 2015—2025年, 农业机械的排放呈先升高后降低趋势.到2020年, CO、HC、PM2.5的排放分别比2015年上升8.7%、6.7%和1.9%, NOx排放下降16.0%;到2025年, CO和HC排放分别比2015年上升8.6%和1.3%、NOx和PM2.5排放比2015年下降38.0%和0.6%, CO、HC、NOx和PM2.5排放比2020年下降0.1%、5.1%、26.2%和2.5%.如前所述, 本研究假设农业机械有15年的使用年限(按时淘汰), 而据本研究估算, 若机械在15年后继续使用, 其排放在2020年和2025年会比按时淘汰分别增加19%~33%、50%~92%.因此, 老旧机械的淘汰、以及排放标准的提升是排放下降的主要原因.

图 6 我国农业机械2015—2025年尾气排放趋势 Fig. 6 Historical emission trends for agricultural equipment in China for 2015—2025
3.4 我国农业机械尾气排放的空间分布特征

本部分内容主要介绍我国大陆地区各省份2015年典型月份的农业机械尾气排放量.

3.4.1 各省份农业机械保有量

图 7所示, 统计结果与预期大体一致, 主要的产粮省份其农业的机械保有量的占比较大, 例如河南和山东省, 其农业机械的保有量占比分别为15.0%和12.2%, 其次是安徽、河北省, 其保有量占比分别为10.9%和7.8%.贵州、福建、宁夏、青海、海南、天津、西藏、北京、上海等地的农业机械保有量占比不足1.0%, 其他的省份农业机械保有量占比为1.3%~5.5%.

图 7 我国2015年各省份农业机械保有量占比 Fig. 7 Provincial population of agricultural equipment in China for 2015
3.4.2 南北方农业机械活动水平差异

对农业机械, 南北方农业机械使用月份及农忙和农闲月份的工作天数均有所差异, 如表 8所示, 根据调研数据统计, 农忙时节农业机械月均使用可高达30 d, 而在农闲时节, 月均使用仅有5 d.

表 8 典型月份我国南北方农业机械的工作时间 Table 8 The average usage of agricultural equipment for typical months in northern and southern China
3.4.3 各省份农业机械尾气排放

表 9所示, 与地区的农业机械保有量息息相关, 我国农业机械尾气排放多集中在中东部地区.河南、山东、安徽省农业机械保有量巨大, 相应地, 其尾气排放也较多, 此外, 3个省份10月农业机械的尾气排放是5月、7月排放的近5.7倍.贵州、福建、宁夏、青海、海南、天津、西藏、北京、上海农业机械的尾气排放量较小, 5、7和10月的尾气排放均不足10×104 t.其余省份5、7和10月农业机械的尾气排放分别在2.0×104~47.8×104、2.0×104~12.0×104、11.5×104~66.8×104 t.受南、北方农业机械使用季节的差异影响, 南方城市农业机械在5月份的尾气排放比北方城市高1.3倍.在秋天, 全国的农业机械尾气排放量最大.这表明, 在我国非道路机械尾气排放控制初期, 应在秋收季节, 重点减少我国中东部地区农业机械的尾气排放.

表 9 我国2015年各省份典型月份的农业机械尾气排放量 Table 9 Provincial emissions from agricultural equipment for typical months in 2015
4 结论(Conclusions)

1) 我国农业机械在实际条件下的活动水平受机械类型、车龄、分布地区等因素的影响而存在很大的变化性.总的来讲, 农业机械年均工作时间变化范围的最大值与最小值比值可达到8, 其年均耗油量变化范围的最大值与最小值比值可达50.

2) 由于农业机械的活动水平受多种因素的影响有较大的变化, 建立具有代表性的活动水平数据库仍然需要大量实际活动水平调研的数据作为支撑, 因此, 继续加大本地机械活动水平调研工作力度非常必要.

3) 我国农业机械的总保有量在未来几年间会继续增加, 随着排放标准的加严和老旧机械的淘汰, 其尾气排放在2020年后会呈现降低趋势.然而相比道路机动车而言, 我国非道路机械管理相对落后, 因此, 非道路机械的尾气排放贡献会在未来年份日渐突出.

4) 老旧机械的淘汰是排放下降的主要原因之一.出台农业机械报废更新补贴政策, 引导各地加快老旧农业机械报废更新进度, 优化农机装备结构, 对促进农业机械减排有重要作用.

5) 农业机械尾气排放集中在我国中东部地区, 其中河南、山东、安徽是我国农业机械保有量最大的省份, 农业机械尾气排放量也最多.从季节上看, 与春季相比, 秋季农业机械尾气排放更大, 因此, 在秋收季节对我国中东部地区农业机械采取尾气减排措施可有效改善空气质量.

参考文献
卞雅慧, 范小莉, 李成, 等. 2018. 广东省非道路移动机械排放清单及不确定性研究[J]. 环境科学学报, 38(6): 2167-2178.
陈洁, 张静. 2016. 南京市典型施工工地非道路移动机械活动水平及排放清单研究[J]. 环境科技, 29(6): 22-25. DOI:10.3969/j.issn.1674-4829.2016.06.005
EMEP/CORINAIR. 2007. Emission Inventory Guidebook-2007[OL]. 2020-08-08. https://www.eea.europa.eu/publications/EMEPCORINAIR5
樊守彬, 聂磊, 阚睿斌, 等. 2011. 基于燃油消耗的北京农用机械排放清单建立[J]. 安全与环境学报, 11(1): 145-148. DOI:10.3969/j.issn.1009-6094.2011.01.034
范武波, 陈军辉, 李媛, 等. 2018. 四川省非道路移动源大气污染物排放清单研究[J]. 中国环境科学, 38(12): 4460-4468. DOI:10.3969/j.issn.1000-6923.2018.12.008
Frey H C, Rasdorf W, Lewis P. 2010. Comprehensive field study of fuel use and emissions of nonroad diesel construction equipment[J]. Transportation Research Record, 2158(1): 69-76. DOI:10.3141/2158-09
付明亮, 丁焰, 尹航, 等. 2013. 实际作业工况下农用拖拉机的排放特性[J]. 农业工程学报, 29(6): 42-48.
葛蕴珊, 刘红坤, 丁焰, 等. 2013. 联合收割机排放和油耗特性的试验研究[J]. 农业工程学报, 29(19): 41-47. DOI:10.3969/j.issn.1002-6819.2013.19.005
生态环境部. 2014. 非道路移动源大气污染物排放清单编制技术指南(试行)[EB/OL]. 北京: 生态环境部. 2014-08-20. http://www.mee.gov.cn/gkml/hbb/bgg/201501/W020150107594587960717.pdf
生态环境部. 2016. 中国机动车环境管理年报2015[EB/OL]. 北京: 生态环境部. 2016-06-02. http://www.mee.gov.cn/ywdt/tpxw/201606/W020160602535609145311.pdf
黄成, 安静宇, 鲁君. 2018. 长三角区域非道路移动机械排放清单及预测[J]. 环境科学, 39(9): 3965-3975.
李吟, 田亚平, 李朝奎, 等. 2011. 基于主成分和BP神经网络方法的湖南省汽车保有量预测[J]. 衡阳师范学院学报, 32(6): 122-126. DOI:10.3969/j.issn.1673-0313.2011.06.033
Li Z, Zhang K S, Pang K L, et al. 2016. A fuel-based approach for emission factor development for highway paving construction equipment in China[J]. Journal of the Air & Waste Management Association, 66(12): 1214-1223.
鲁君, 黄成, 胡磬遥, 等. 2017. 长三角地区典型城市非道路移动机械大气污染物排放清单[J]. 环境科学, 38(7): 2738-2746.
庞凯莉, 张凯山, 第宝锋, 等. 2019. 中国农业与工程机械尾气减排控制措施的费效分析[J]. 中国环境管理, 11(2): 55-61.
庞凯莉, 张凯山, 马帅, 等. 2020. 中国工程机械使用特征及其尾气排放趋势[J]. 环境科学, 41(3): 1132-1142. DOI:10.3969/j.issn.1000-6923.2020.03.024
Rumelhart D E, Mcclelland J L. 1986. Parallel distributed processing: explorations in the microstructure of cognition[M]. Psychological and Biological Models, MIT Press
Wang F, Li Z, Zhang K S, et al. 2016. An overview of non-road equipment emissions in China[J]. Atmospheric environment, 132: 283-289. DOI:10.1016/j.atmosenv.2016.02.046
王栋. 2015. 基于灰色关联和BP神经网络的汽车保有量预测[J]. 计算技术与自动化, 34(1): 29-33. DOI:10.3969/j.issn.1003-6199.2015.01.007
王凯, 樊守彬, 亓浩雲. 2020. 北京市农业机械排放因子与排放清单[J]. 环境科学, 41(6): 2602-2608.
吴文青, 夏杰. 2019. Simpson改进的灰色神经网络在汽车保有量中的预测[J]. 重庆交通大学学报(自然科学版), 38(9): 101-108. DOI:10.3969/j.issn.1674-0696.2019.09.17
解淑霞, 唐祎骕, 陈秋宇, 等. 2019. 成都市非道路施工机械排放清单研究[J]. 环境科学学报, 39(9): 2889-2895.
薛志钢, 杜谨宏, 任岩军, 等. 2019. 我国大气污染源排放清单发展历程和对策建议[J]. 环境科学研究, 32(10): 1678-1686.
张意, Andre M, 李东, 等. 2017. 天津市非道路移动源污染物排放清单开发[J]. 环境科学, 38(11): 4447-4453.
中国农业机械工业协会. 2016. 中国农业机械工业年鉴[M]. 北京: 机械工业出版社.
中国农业机械工业协会. 2019. 中国农业机械工业年鉴[M]. 北京: 机械工业出版社.
张亭. 2014. 基于BP神经网络的机动车保有量预警模型研究[D]. 辽宁: 辽宁师范大学