非珠三角机动车尾气控制措施协同效果评估

广东非珠三角机动车保有量的大量增长带来了交通尾气污染物和CO_2的高强度、集中性排放,严重影响空气质量以及碳排放治理工作。因此,迫切需要设计更加高效可行的碳减排政策来控制交通尾气污染物以及CO_2的排放。该文基于平均行驶里程法预测了非珠三角地区2015-2020年5种污染物(CO、VOCs、NO_x、PM_(2.5)和CO_2)在不采取专门控制措施情景下的排放量,并根据现有经济、技术和政策规划设计了5种减排情景,计算不同减排情景下的减排量,定量分析了不同减排情景对多污染物的协同控制效应及其成本效益。研究表明:(1)在不采取专门的控制措施下,2015-2020年污染物排放量持续增长,2020年CO_2排放量将达到5 488.6×10~4t,相比2014年增长了141%;(2)在各类减排情景下,污染物排放量呈现不同程度的削减(VOC_S除外),其中,2020年提高燃油品质对NO_x(削减率37%)和CO(削减率41%)的削减率最高;(3)提高排放标准对CO_2和PM_(2.5)的协同控制效应最好,公交优先对CO_2和NO_x的协同控制效应最好;(4)综合考虑对各污染物的减排效果,提高排放标准成本效益最优,对空气污染物和CO_2的平均减排率为29%,平均单位成本为0.13元/g。研究显示,由于低费效比及其对多污染物的协同控制效应好,提高排放标准在研究中是最优的污染物减排措施。     

中国国道和省道机动车尾气排放特征

近年来,随着我国机动车保有量的持续增长,机动车排放已成为我国重要的大气污染物来源之一.现有的机动车排放研究多关注城市内的机动车大气污染物排放,针对城市间的大气污染物排放研究较少.我国城市间交通道路主要包括国道和省道,截止至2015年我国国道里程18.53万km、省道里程32.97万km,约占全国等级公路总里程的13%,因此开展我国国道和省道机动车大气污染物排放研究十分重要.本研究基于全国国道和省道交通监测站的年均监测数据,采用环境保护部发布的《道路机动车大气污染物排放清单编制技术指南(试行)》中的指导方法,计算了2015年我国国道和省道机动车的大气污染物排放清单,分析了污染物排放的时空分布特征.结果表明,我国国道和省道公路机动车排放的一氧化碳(CO)、氮氧化物(NO_x)、颗粒物(PM)和碳氢化合物(HC)排放量分别占全国机动车污染物总排放量的4.5%、27.9%、14.4%和7.7%;不同车型对国道和省道机动车大气污染物排放的分担率不同,其中大货车是NO_x、PM_(10)、PM_(2.5)的主要来源,摩托车是CO和HC的主要来源;不同道路类型中各车型的大气污染物排放分担率也不同,如高速路上大货车是NO_x、PM_(10)和PM_(2.5)的主要来源,普通道路上大客车和大货车是NO_x、PM_(10)和PM_(2.5)的主要来源.     

京津冀地区黄标车政策的总量减排效益评估

为评估黄标车提前淘汰补贴和禁行政策的实施效果,并对这两种政策进行比较,在梳理京津冀地区相关政策措施的基础上,采用排放因子法评估其总量减排效益.结果表明:(1)京津冀地区黄标车淘汰政策有较好的减排效益,政策实施以来CO、HC、NO_x、PM_(2.5)、PM_(10)累计减排量分别为500.32、39.79、31.82、0.96、1.06万t.(2)黄标车政策减排效益最突出的污染物为CO、HC、NO_x,为大气污染总量减排作出较大贡献.(3)小型载客与轻型载货汽油车是CO与HC的减排主体,重型载货柴油车是NO_x和颗粒物的主要减排贡献车型.(4)京津冀13个城市,道路密集的城区减排更明显.北京市、天津市、石家庄市CO、HC减排较其他城市更显著,天津市、石家庄市、唐山市、邯郸市NO_x和颗粒物减排更显著.(5)提前淘汰补贴和禁行两个政策相比,前者减排效益具有时间延续性,在政策实施后几年效益仍较明显;后者在政策实施前期减排效益明显,随时间而衰减.各地在制定黄标车与老旧机动车政策时,建议前期加强禁行政策、后期加强淘汰补贴政策执行力度.     

廊坊市区主要大气污染源排放清单的建立

通过调研、统计廊坊市区工业、城中村及机动车等资料,结合以往清单文献研究结果及清单编制指南中的排放因子,计算了廊坊市区主要大气污染物的排放量,得到廊坊市区2014年主要大气污染源排放清单.结果显示,2014年廊坊市区工业源(固定燃烧)NO_x、SO_2、NMVOC、CO、PM_(10)、PM_(2.5)排放总量分别为6.4×10~3、1.2×10~4、31、1.0×10~4、7.3×10~2、4.4×10~2t,其中热电行业排污贡献率最高,分别占NO_x、SO_2、CO、PM_(10)、PM_(2.5)工业源(固定燃烧)年排放总量的55%、48%、67%、63%、69%;安次区工业企业对气态污染物贡献较高,广阳区及开发区工业企业对颗粒物排污贡献较大.低矮面源(城中村)NO_x、SO_2、NMVOC、CO、PM10、PM_(2.5)年排放总量分别为1.8×10~2、3.6×10~3、3.0、4.9×10~3、1.5×10~2、72 t.道路移动源CO、HC、NO_x、PM_(2.5)年排放总量分别为2.4×10~4、1.9×10~3、2.2×10~3、44 t,其中小型客车对HC和CO贡献率较高,分别为53%和61%;NO_x年排放总量中26%由重型货车贡献;PM_(2.5)则主要由轻型货车和重型货车贡献,占比分别为39%和21%.     

红河州机动车污染物排放特征研究

基于《道路机动车大气污染物排放清单编制技术指南》建立了红河州2019年机动车排放清单。结果表明:2019年红河州CO、HC、NOx、PM2. 5、PM10和SO2排放总量分别为29494、11908、13259、273、301和138t/a。机动车污染物分担率差别显著,小型汽油载客车、轻型汽油载货车和摩托车是CO的主要排放来源,小型汽油载客车和摩托车对HC排放贡献最大,对NOx、PM2. 5和PM10贡献最大的是大型柴油载货车。汽油车是CO和HC机动车污染物排放的主要贡献源,其排放量分别占排放总量的82. 01%和96. 64%,柴油车是NOx、PM2. 5和PM10的主要贡献源。     

江苏省内河船舶大气污染物排放清单及特征

基于船舶签证、过闸数据以及AIS数据,采用船舶引擎功率的方法建立了江苏省内河船舶大气污染物排放清单.结果表明,2014年江苏省内河船舶共排放NO_x18. 71万t、SO_25. 13万t、PM_(2.5)0. 82万t、PM_(10)1. 10万t、HC 0. 64万t、CO 1. 67万t和CO_21 051. 13万t;对于内河船舶(不计长江),干货船污染物排放量最大,吨位范围200～600 t的污染物排放量最高,船舶正常航行工况下污染物排放量最高;对于长江江苏段抵港船舶,非集装箱货轮污染物排放量最高,装卸货工况下污染物排放量最高,其次是巡航状态,对于不同动力单元,主机和辅机是主要排放单元;对于长江江苏段过境船舶,非集装箱货轮的污染物排放量最高,其次为油轮,缓慢行驶状态下各污染物排放量均为最高,对于不同动力单元,SO2、PM_(2.5)和PM_(10)主机排放量高于辅机;京杭运河苏北段航道单位航道长度大气污染物排放量较大,苏南航道次之;江苏省内河船舶排放受时间影响较小,除2月排放占比略小外,其余月份排放占比基本较为均匀,均在8%～10%左右.     

基于曲面响应建模的PM2.5可控人为源贡献解析

以东莞市PM_(2.5)重污染月份为例,使用强力法(Brute Force)和RSM/CMAQ曲面响应模型法分别解析了珠三角地区人为源排放对东莞PM_(2.5)的贡献,以及区域传输的可控人为源SO_2、NO_x和一次颗粒物(PM)在不同控制比例下(25%、50%、75%和100%)对东莞PM_(2.5)的累积浓度贡献.强力法研究结果表明,2014年1月珠三角地区人为源二次转化对东莞市PM_(2.5)的贡献(约58.10%)大于一次PM排放贡献(约41.90%),其中,人为源NH_3排放贡献最大,约占总量的21.66%.RSM/CMAQ动态源贡献结果显示,东莞市PM_(2.5)的人为可控源排放贡献(SO_2、NO_x和一次PM)占比为82.17%,受本地排放影响较大,且叠加区域排放的影响;一次PM减排对PM_(2.5)环境浓度的贡献高于仅减排SO_2和NO_x.在减排比例较低时,一次PM减排可有效削减东莞市PM_(2.5)浓度;随控制比例加大,二次前体物(SO_2和NO_x)减排对东莞市PM_(2.5)浓度削减率的影响加大.进一步使用HYSPLIT模式和轨迹聚类分析方法研究了2014年1月东莞市PM_(2.5)污染传输过程.结果显示,该时段共有6条长、短距离污染传输路径,污染物主要来自东莞市东、东北及东南方向,途经其上风向区域(惠州、深圳和广州等)传输至东莞;惠州是各主导上风向出现频率最高的城市,因而其区域传输对东莞PM_(2.5)的贡献也较大,深圳次之.     

南昌市固定燃烧点源大气污染物排放清单及特征

大气污染物排放清单是了解区域污染物排放特征、准确模拟空气质量的重要资料,而工业点源是大气污染的重点排放源.通过收集相关活动水平信息和合理的排放因子,采用"自下而上"的方法建立了南昌市2014年点源大气污染物排放清单.结果表明,SO_2、NO_x、CO、PM_(10)、PM_(2.5)和VOC排放总量分别为29576.2、17115.1、25946.6、4689.4、922.9和1190.4 t,其中,金属炼制行业对SO_2、CO和VOC的贡献最高,分别占37.75%、30.59%和38.45%;火电行业是NO_x的主要来源,其贡献率为47%;水泥等建材制造行业对PM_(10)和PM_(2.5)排放贡献最高,分别为26%和25%.根据排放源污染物排放量及地理坐标信息,建立了0.4 km×0.4 km的污染物排放量空间分布特征图,结果表明,南昌市大气污染物排放较为集中,青山湖区北部和新建区北部是SO_2、NO_x、CO和VOC的主要排放区,而PM_(10)和PM_(2.5)的排放量相对分散,并在安义县出现排放高值区.通过将计算结果与统计数据结果进行对比,了解所估算清单的准确程度.对SO_2和NO_x的计算值和统计值进行统计分析,结果显示,NMB(标准化平均偏差)和NME(标准化平均误差)值均小于50%,清单计算精度较高.同时,为了解清单数据质量,对清单的不确定性进行定量分析,结果显示,SO_2和VOC不确定性较低而PM_(10)和PM_(2.5)的不确定性相对较高,清单整体不确定性与其他研究结果相差不大.建议后期研究可以从提升基础数据质量和建立具有区域代表性的排放因子数据库着手,从而减小排放量的不确定性,获得精准可靠的大气污染物清单并应用于空气质量模型预报等更深入的研究.     

长株潭区域机动车尾气排放清单及特征分析

通过建立2012年长株潭区域机动车尾气排放清单,分析了区域内机动车尾气排放特征,研究了排放的时空分配因子,并对清单进行了不确定性分析。结果表明:2012年长株潭区域道路机动车尾气CO、HC、NO_x、PM_(2.5)、PM_(10)、VOCs、NH_3排放量分别约为11.86、1.78、3.88、0.23、0.26、2.52、0.06万t。其中,载货汽车是NOx、PM、PM2.5的主要贡献源,载客汽车和摩托车是CO主要贡献源,摩托车是VOCs的主要贡献源,而载客汽车是NH3的主要贡献源。国I前标准车辆对CO、HC、VOCs的贡献率分别约为33.5%、31.8%、53.9%,国I标准车辆CO、HC、NO_x、PM_(2.5)、PM_(10)、VOCs、NH_3的贡献率分别约为38.6%、40.4%、47.4%、54.1%、54.1%、17.1%、16.2%,均高于车辆保有量的占有率,因此控制尾气排放应从国I前、国I车入手。此外,一周中工作日,每天08:00和17:00排放量占比较大,城区的空间分配因子明显高于郊区及乡镇区域,城镇居民使用车量对机动车尾气排放量影响较大。道路机动车排放清单估算过程中不确定性主要来自活动水平数据,尤其是平均行驶里程的选取上。     

金华市人为源大气污染物排放清单

该文基于对金华市大气污染排放源的摸底调查,基础数据收集和分析,结合国内外的研究结果,采用"自下而上"为主的排放系数法,建立了2013年金华市人为源大气污染物排放清单。该清单涉及的污染物包括SO_2、NO_x、CO、PM_(10)、PM_(2.5)、VOC和NH_3。人为污染源种类包括电厂源、工业源、移动源、扬尘源、VOC相关源及其他污染源,农业源,居民生活源等。结果表明,金华市2013年大气污染源SO_2排放总量约为3.83万t,NO_x约为7.75万t、CO约为12.50万t、PM_(10)约为4.10万t,PM_(2.5)约为1.88万t、VOC约为7.66万t、NH_3约为2.63万t。从排放源的分担率来看,工业源是金华市大气污染物的最主要的排放源之一,对SO_2、NO_x、CO、PM_(10)和PM_(2.5)的贡献分别达到了67.31%、34.42%、30.39%、53.02%和50.95%。同样,道路移动源的贡献也不容忽视,对NO_x、CO、PM_(10)和PM_(2.5)的贡献分别达到了42.84%、34.13%、3.31%、6.55%。电厂锅炉、道路扬尘、工业溶剂使用、畜禽养殖对不同污染物分别有着重要贡献。电厂锅炉对SO_2、NO_x、CO的排放量分别贡献了29.06%、17.89%、9.73%。道路扬尘对PM_(10)和PM_(2.5)的贡献分别为25.68%和18.01%。工业溶剂对于VOC的贡献为32.65%。NH_3主要来自畜禽养殖,占了66.57%。该人为源大气污染物排放清单可为当地的污染防控提供重要的基础信息。     

乌鲁木齐市城区机动车大气污染物排放特征

对乌鲁木齐市城区车辆信息(包括车流量和车辆构成、车辆控制技术水平、车辆行驶工况、车辆启动分布等)进行调研和测试,并根据IVE模型计算得到机动车污染物排放清单,获得分车型、燃料类型及启动/运行方式的机动车污染物排放分担率.结果表明:2011年乌鲁木齐市机动车CO、NO_x、HC和PM的排放量分别为20.22×104、2.60×104、1.84×104和0.44×10~4t·a~(-1),机动车污染物排放分担率差别显著,乘用车、公交车和重型货车是CO和HC主要排放源;重型货车和乘用车是NO_x的主要排放源;重型货车是PM的主要排放源.汽油车是CO和HC排放的主要来源,柴油车是NO_x和PM排放的主要来源,天然气车各类污染物排放量均较低.控制柴油重型货车是消减机动车污染物排放的重要方式.     

City-specific vehicle emission control strategies to achieve stringent emission reduction targets in China''s Yangtze River Delta region

The Yangtze River Delta (YRD) region is one of the most prosperous and densely populated regions in China and is facing tremendous pressure to mitigate vehicle emissions and improve air quality. Our assessment has revealed that mitigating vehicle emissions of NOx would be more difficult than reducing the emissions of other major vehicular pollutants (e.g., CO, HC and PM_2.5) in the YRD region. Even in Shanghai, where the emission control implemented are more stringent than in Jiangsu and Zhejiang, we observed little to no reduction in NOx emissions from 2000 to 2010. Emission–reduction targets for HC, NOx and PM_2.5 are determined using a response surface modeling tool for better air quality. We design city-specific emission control strategies for three vehicle-populated cities in the YRD region: Shanghai and Nanjing and Wuxi in Jiangsu. Our results indicate that even if stringent emission control consisting of the Euro 6/VI standards, the limitation of vehicle population and usage, and the scrappage of older vehicles is applied, Nanjing and Wuxi will not be able to meet the NOx emissions target by 2020. Therefore, additional control measures are proposed for Nanjing and Wuxi to further mitigate NOx emissions from heavy-duty diesel vehicles.     

河北省国道和省道机动车基于交通流量的尾气排放量估算

河北省各城市均已开展利用机动车保有量等宏观统计数据的城市移动源排放清单编制工作,但尚缺乏对跨省及全省各城市间国省道高时空分辨率的移动源排放清单研究.本研究利用2017年河北省国道、省道日均交通流量监测数据,计算了2017年河北省国道和省道机动车大气污染物排放量.结果表明：2017年河北省国道和省道机动车CO、HC、NO_x、PM_2.5和PM₁₀排放量,与利用宏观统计数据计算得到的全省机动车排放总量相比,分别占27.8%、15.7%、55.6%、58.3%和58.5%.重型货车是国道和省道机动车CO、NO_x、PM_2.5和PM₁₀排放的主要来源.河北省南部国省道的机动车排放量以南部各城市为中心呈网状辐射,东北部沿海地区的排放量主要在沧州-天津-唐山-秦皇岛-承德沿线分布,西北部则主要在保定-张家口-内蒙沿线分布.月均排放量分布情况为1月最高,9月最低;周日均分布情况为周一—周三逐日增加,周四开始回落,周日降至最低;每日小时平均分布呈现明显的双高峰现象,两次高峰分别出现在11：00和18：00左右;最低值出现在凌晨4：00.河北省内,各市国省道机动车污染物排放分担率前3位的依次为保定、沧州和张家口.跨省交通车辆排放的CO、HC、NO_x、PM_2.5、PM₁₀分别占河北省国省道机动车总排放量的48.1%、48.7%、42.9%、41.3%和41.3%,其中天津市出入河北省的车辆排放分担率最高,其次是北京.京津冀应在区域层面建立机动车污染联合防治协调机制,从调整区域货运交通运输结构、推动柴油车污染控制措施升级等方面改善区域环境空气质量.     

大城市机动车污染物排放与控制的情景预测

机动车排放控制措施的有效实施对改善城市大气环境质量具有重要意义. 以北京市为例,利用情景预测法评估2011—2020年各项控制措施对城市机动车常规污染物(CO、NO_x、HC、PM₁₀)的削减效果.建立Gompertz模型并估算动态车龄分布以预测机动车保有量,运用排放因子法估算6种机动车排放控制情景的污染物削减量. 结果表明:与基准情景相比,轻型客车保有量调控情景对CO、HC和PM₁₀的削减效果较显著,在2020年可分别削减7.81%、9.88%和5.78%;排放标准更新情景对4种污染物均能有效削减,尤其是对NO_x和PM₁₀,可分别削减21.19%和24.67%;而淘汰高排放机动车情景的短期削减效果显著,但中、长期效果较差;新能源车推广情景因受到经济、技术条件的限制,削减效果较弱;综合情景考虑了以上所有的削减控制措施并达到最大的削减效果,2020年对CO、NO_x、HC和PM₁₀的削减率分别达到29.45%、42.54%、28.04%和41.30%,与基准年(2010年)相比,分别削减约2.81×105、0.63×104、3.77×104和0.17×104t.      

基于实时交通信息的道路机动车动态排放清单模拟研究

以上海市为例开展了实际道路车流分布、行驶工况和车辆技术的实地调查,建立了道路车流、VSP分布和车辆技术数据库.在此基础上,基于实时的车流、车速等交通信息,构建了动态化的道路机动车污染物排放清单模拟方法,并开展了城区典型道路的机动车小时排放模拟案例研究.调查结果表明,上海市城区道路车流以轻型客车和出租车为主,分别占各时段车流总量的48%～72%和15%～43%;VSP分布与平均车速存在较好的规律,各车型VSP峰值随平均车速的上升向高负荷去移动,且峰值逐渐降低;当前上海市车辆以国2和国3车型为主,经过年检站调查结果的校正,国2和国3车型分别占各车型的11%～70%和17%～51%.模拟案例结果显示,道路机动车CO、VOC、NOx和PM日排放峰谷比可达3.7、4.6、9.6和19.8左右,CO和VOC排放主要来自轻型客车和出租车,与车流变化的相关性较好,而NOx和PM排放主要来自重型客车和公交车,且主要集中在早晚高峰时段.采用建立的动态排放模拟方法可实时反映实际道路的机动车排放变化,获取高排放路段和时段,为交通环境管理提供重要的技术手段和决策依据.     

基于LEAP模型的兰州市道路交通温室气体与污染物协同减排情景模拟

基于LEAP模型,构建了2015～2040年兰州市道路交通发展“零措施”的基准（BAU）情景以及低碳（LC）和强化低碳（ELC）这2个节能减排情景,模拟评估各项政策和措施下能源消耗情况和温室气体与大气污染物协同减排效果.结果表明,LC情景能源消耗和CO₂排放将于2026年达峰,ELC情景能源消耗和CO₂排放将于2020年达峰;两种情景下,NO_x、 CO、 HC、 PM_2.5和PM₁₀等污染物排放量于2015～2017年间开始出现大幅下降,下降趋势于2023年前后逐渐减缓.结合措施可行性和减排成本,LC情景可作为兰州市道路交通碳达峰减排情景：到2040年能源消耗量、 CO₂、 NO_x、 CO、 HC、 PM_2.5和PM₁₀排放相对于BAU情景的削减率分别达到-24.17%、-26.57%、-55.38%、-65.91%、-72.87%、-76.66%和-77.18%.兰州市道路交通当前应以公共...     

广东省非道路移动机械排放清单及不确定性研究

随着工业源和机动车等重点污染源减排空间的下降,非道路移动机械排放已成为大气污染防治领域的研究热点之一.本研究通过资料收集与实地调研,初步构建了广东省非道路机械基于机型的活动水平数据集、综合排放因子及时空分配因子,采用自下而上的排放因子法,建立了广东省2014年非道路移动机械排放清单.并利用蒙特卡洛方法定量评估清单结果不确定性.结果表明,广东省2014年非道路移动机械的SO_2、NO_x、PM_(10)、PM_(2.5)、VOCs和CO排放总量分别为4.9、61.1、4.8、4.5、11.6 kt和45.1 kt.其中,农业机械排放以四轮农用运输车和小型拖拉机为主,贡献率分别为38.4%和18.0%,主要分布在非珠三角的农村地区;工程机械排放以建筑运输车和挖掘机为主,贡献率分别为40.1%和33.9%,主要分布在珠三角地区.此外,不确定性分析结果显示VOCs和PM_(2.5)排放结果不确定性较大,不确定性范围分别为-25.2%~41.7%和-23.4%~32.8%.NO_x不确定性较小,不确定性范围为-15.2%~17.5%.     

辽宁省2000~2030年机动车排放清单及情景分析

机动车排放已经成为城市地区大气污染的主要来源.基于COPERT模型和ArcGIS技术,建立了2000~2030年辽宁省机动车排放清单,分析6类污染物（CO、NMVOC、NO_x、PM₁₀、SO₂和CO₂）排放的总体趋势与空间演变特征,同时以2016年为基准年,基于情景分析法设置8类控制措施情景并评估不同控制措施对污染物的减排效果.结果表明2000~2016年,机动车的CO、NMVOC、NO_x和PM₁₀排放量呈现先增后降的趋势,SO₂排放量呈现波动变化,而CO₂排放量则呈现持续增长态势.轻型载客车和摩托车是CO和NMVOC排放的主要贡献车型,重型载客车和重型载货车是NO_x和PM₁₀的主要排放源,SO₂和CO₂则主要是由轻型载客车排放.辽宁省中部及南部机动车排放量明显高于辽东和辽西.从城市层面来看,排放主要集中在沈阳市和大连市.情景分析表明,实施更加严格的排放标准可以增强减排效果,且升级排放标准的时间越提前减排效果越好.综合情景将实现减排最大化,强化综合情景对CO、NMVOC、NO_x、PM₁₀、CO₂和SO₂的削减率达到了30.7%、14.3%、81.7%、29.4%、12.3%和12.1%.     

Vehicle emissions of primary air pollutants from 2009 to 2019 and projection for the 14th Five-Year Plan period in Beijing, China

Over the past decade, the emission standards and fuel standards in Beijing have been upgraded twice, and the vehicle structure has been improved by accelerating the elimination of 2.95 million old vehicles. Through the formulation and implementation of these policies, the emissions of carbon monoxide (CO), volatile organic compounds (VOCs), nitrogen oxides (NO_x), and fine particulate matter (PM_2.5) in 2019 were 147.9, 25.3, 43.4, and 0.91 kton in Beijing, respectively. The emission factor method was adopted to better understand the emissions characteristics of primary air pollutants from combustion engine vehicles and to improve pollution control. In combination with the air quality improvement goals and the status of social and economic development during the 14th Five-Year Plan period in Beijing, different vehicle pollution control scenarios were established, and emissions reductions were projected. The results show that the emissions of four air pollutants (CO, VOCs, NO_x, and PM_2.5) from vehicles in Beijing decreased by an average of 68% in 2019, compared to their levels in 2009. The contribution of NO_x emissions from diesel vehicles increased from 35% in 2009 to 56% in 2019, which indicated that clean and energy-saving diesel vehicle fleets should be further improved. Electric vehicle adoption could be an important measure to reduce pollutant emissions. With the further upgrading of vehicle structure and the adoption of electric vehicles, it is expected that the total emissions of the four vehicle pollutants can be reduced by 20%-41% by the end of the 14th Five-Year Plan period.