城市公交车辆碳排放量测算与线网分配方法

闫晟煜; 郝时杰; 王赏军; 赵成龙; 赵凌煜

doi:10.11714/acta.snus.ZR20260096

您当前的位置：

首页 >

文章列表页 >

城市公交车辆碳排放量测算与线网分配方法

更新时间：2026-06-25

- 城市公交车辆碳排放量测算与线网分配方法
- Measurement and allocation methods for carbon emissions from vehicles
- 中山大学学报(自然科学版)(中英文) 2026年页码：1-8
- 作者机构：
  
  长安大学汽车学院，陕西西安 710018
- 作者简介：
  
  闫晟煜（1987年生），男；研究方向：智慧交通工程；E-mail：ysy@chd.edu.cn
- 基金信息：
  
  陕西省重点研发计划(2025CY-YBXM-064);中央高校基本科研业务费(300102224206)
- DOI：10.11714/acta.snus.ZR20260096
  中图分类号： U121
- 收稿：2026-04-15，
  
  录用：2026-05-12，
  
  网络首发：2026-06-25，
- 稿件说明：
移动端阅览
闫晟煜, 郝时杰, 王赏军, 等. 城市公交车辆碳排放量测算与线网分配方法[J/OL]. 中山大学学报(自然科学版)(中英文), 2026,1-8.

Yan Shengyu, Hao Shijie, Wang Shangjun, et al. Measurement and allocation methods for carbon emissions from vehicles[J/OL]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2026, 1-8.
闫晟煜, 郝时杰, 王赏军, 等. 城市公交车辆碳排放量测算与线网分配方法[J/OL]. 中山大学学报(自然科学版)(中英文), 2026,1-8. DOI： 10.11714/acta.snus.ZR20260096.

Yan Shengyu, Hao Shijie, Wang Shangjun, et al. Measurement and allocation methods for carbon emissions from vehicles[J/OL]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2026, 1-8. DOI： 10.11714/acta.snus.ZR20260096.

摘要

提出了一种基于“自上而下”法的车辆碳排放量测算与路网分配方法。利用公交企业车辆能耗统计数据与碳排放因子，研究了BEV、PHEV和传统燃料车辆的碳排放量测算方法。依托高频GPS数据中经纬度和车辆速度参数，以15 km/h作为行驶状态判定阈值，基于驱动系数和附属设备时间惩罚系数，确定每个轨迹点的相对碳排放惩罚权重；利用空间拥堵惩罚系数修正路段属性，运用改进的网络核密度函数对公交线网的路段赋值，通过计算各路段的归一化权重，将车辆碳排放总量按照权重分配到公交线网上，确定各路段的碳排放强度。研究表明：经实例验证，本文提出的公交车辆碳排放量测算与线网分配方法可行；实例城市2024年公交车辆碳排放量为20.43万t，中型BEV、大型BEV的每100 km碳排放量分别仅为同等车长CNG燃料车型的59.10%、65.35%；当车速低于15 km/h时，相对碳排放惩罚权重呈非线性拖尾分布特征；高碳排放区域显著集中于车流量大、站点密、线网密度高、信号灯密集的拥堵路段。研究成果可支撑面向绿色低碳的公交线网优化与局部高碳排放路段治理。

Abstract

A top-down approach for measuring vehicle carbon emissions and allocating them to the road network was proposed. Utilizing the statistical energy consumption data of vehicles from public transit enterprises and carbon emission factors， calculation methods for Battery Electric Vehicles （BEVs）， Plug-in Hybrid Electric Vehicles（PHEVs）， and traditional fuel vehicles were studied. Relying on the longitude， latitude， and vehicle speed parameters from high-frequency GPS data，

https://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=111546191&type=

https://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=111546377&type=

12.86933327

2.79399991

was set as the threshold for determining the driving state. Based on the driving coefficient and the auxiliary equipment time penalty coefficient， the relative carbon emission penalty weight for each trajectory point was determined. Furthermore， the spatial congestion penalty coefficient was utilized to correct road segment attributes， and an improved network kernel density function was applied to assign values to the road segments of the transit network. By calculating the normalized weight of each road segment， the total carbon emissions of vehicles were allocated to the transit network according to the weights， thereby determining the carbon emission intensity of each road segment. The results indicate that the proposed measurement and network allocation method for public transit vehicle carbon emissions is feasible， as verified by a case study. The total carbon emissions of public transit vehicles in the example city in 2024 are

https://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=111546192&type=

https://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=111546378&type=

11.93799973

2.70933342

tons. The carbon emissions per 100 km of medium-sized BEVs and large BEVs account for only 59.10% and 65.35% of those of Compressed Natural Gas（CNG） vehicles of the same length， respecti

vely. When the vehicle speed is lower than 15 km/h， the relative carbon emission penalty weight exhibits a non-linear heavy-tailed distribution characteristic. High carbon emission areas are significantly concentrated in congested road segments characterized by heavy traffic volume， dense transit stops， high network density， and frequent traffic lights. The research results will support the optimization of green and low-carbon public transit networks and the targeted governance of local high-carbon-emission road segments.

关键词

Keywords

references

高庆先， 2025 . 温室气体清单指南历程及透明度框架的模式、程序和指南分析与展望［J］. 气候变化研究进展， 21 （ 05 ）： 593 - 601 .

国家市场监督管理总局，国家标准化管理委员会， 2020 . 综合能耗计算通则： GB/T 2589—2020 ［S］. 北京：中国标准出版社 .

何榕健，陈立峰，何建文，等， 2023 . 城市居民出行碳排放模型构建及其应用［J］. 复旦学报（自然科学版）， 62 （ 6 ）： 796 - 806 .

景侨楠，侯慧敏，白宏涛，等， 2019 . 自上而下的城市能源消耗碳排放估算方法［J］. 中国环境科学， 39 （ 1 ）： 420 - 427 .

刘志强，王艳召，李云凝，等， 2025 . 我国火电行业节能降碳成效分析与“十五五”展望［J］. 中国能源， 47 （ 10 ）： 5 - 14 .

吕晨，张哲，陈徐梅，等， 2021 . 中国分省道路交通二氧化碳排放因子［J］. 中国环境科学， 41 （ 7 ）： 3122 - 3130 .

生态环境部办公厅， 2024 . 大气污染物与温室气体融合排放清单编制技术指南（试行）［R］. 北京：生态环境部 .

田泽源，董治，董治宇，等， 2024 . 基于面板数据模型关中平原城市群交通碳排放峰值预测与脱钩分析［J］. 中国环境科学， 44 （ 10 ）： 5901 - 5911 .

闫晟煜，王钊龙，武瑾，等， 2024 . 省域高速公路网车辆碳排放量测算方法［J］. 中国环境科学， 44 （ 12 ）： 7095 - 7104 .

闫晟煜，赵佳琦，尤文博，等， 2025 . 高速公路货车差异化通行费折扣的双层规划模型［J］. 清华大学学报（自然科学版）， 65 （ 7 ）： 1347 - 1358 .

余昆， 2024 . 纯电动公交车动力电池衰减问题的破解［J］. 城市公共交通，（ 10 ）： 29 - 30 .

张文会，张玮仪，乔晓田，等， 2026 . 纯电动公交车辆全生命周期碳排放测算与排放因子［J/OL］. 吉林大学学报（工学版）， 1 - 12 .［ 2026-04-07 ］. https：//doi.org/10.13229/j.cnki.jdxbgxb.20250706 https://doi.org/10.13229/j.cnki.jdxbgxb.20250706 .

中华人民共和国住房和城乡建设部， 2018 . 城市综合交通体系规划标准： GB/T 51328-2018 ［S］. 北京：中国建筑工业出版社 .

Aga A G ， Arsedi A N ， Huluka A W ， 2025 . Predictive analysis of passenger vehicle emissions and fuel consumption in Addis Ababa， Ethiopia using COPERT based on vehicle growth forecasting ［J］. Atmos Environ X ， 28 ： 100385 .

Alam M S ， Duffy P ， Hyde B ， et al ， 2017 . Improvement in the estimation and back-extrapolation of CO 2 emissions from the Irish road transport sector using a bottom-up data modelling approach ［J］. Transp Res Part D Transp Environ ， 56 ： 18 - 32 .

Bartlomiejczyk M ， Kolacz R ， 2020 . The reduction of auxiliaries power demand：The challenge for electromobility in public transportation ［J］. J Cleaner Prod ， 252 ： 119776 .

Du X ， Kang X ， Gao Y ， et al ， 2023 . Driving behavior characterization and traffic emission analysis considering the vehicle trajectory ［J］. Front Psychol ， 14 ： 1341611 .

Gu J ， Liao Q ， Zhang K M ， 2025 . Assessing the cold weather impact on battery electric transit buses ［J］. Transport Res Part D-Tr E ， 145 ： 104809 .

Guan H ， Huang C ， 2025 . Driving effects and differences of transportation carbon emissions in the Yangtze River Economic Belt ［J］. Sustainability ， 17 （ 4 ）： 1636 .

Ke L ， Ren Z ， Wang Q ， et al ， 2025 . Transport carbon emission measurement models and spatial patterns under the perspective of land–sea integration – take Tianjin as an example ［J］. Sustainability ， 17 （ 7 ）： 3095 .

Kholod N ， Evans M ， Gusev E ， et al ， 2016 . A methodology for calculating transport emissions in cities with limited traffic data： Case study of diesel particulates and black carbon emissions in Murmansk ［J］. Sci Total Environ ， 547 ： 305 - 313 .

Liu W ， Zhang J ， Jin L ， et al ， 2023 . Sustainable low-carbon layout of land around rail transit stations based on multi-modal spatial data ［J］. Sustainability ， 15 （ 12 ）： 9589 .

Pallavidino L ， Prandi R ， Bertello A ， et al ， 2014 . Compilation of a road transport emission inventory for the Province of Turin： Advantages and key factors of a bottom-up approach ［J］. Atmos Pollut Res ， 5 （ 4 ）： 648 - 655 .

Ren G ， Wang W ， Wu W ， et al ， 2023 . Carbon emission prediction model for the underground mining stage of metal mines ［J］. Sustainability ， 15 （ 17 ）： 12738 .

Vehvilainen M ， Lavikka R ， Rantala S ， et al ， 2022 . Setting up and operating electric city buses in harsh winter conditions ［J］. Appl Sci ， 12 （ 6 ）： 2762 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于变带宽核密度估计的鄱阳湖生态水位研究

中药大品种培育的探索与实践：上市后质量与药效再评价

基于混合预处理神经网络模型的股价预测

1982—2021年天山NDVI时空变化及影响因素

基于有限元的数字图像相关方法的测量误差