我阅读过清华大学霍红（Hong Huo）博士发表的许多文章，其中包括一篇2012年题为“On-board measurements of emissions from diesel trucks in five cities in China”（中国5城市的柴油卡车车载排放实验）的研究。在这些众多研究中，他评估了中国机动车的排放并指出需要改善的领域。

国际机动车排放（IVE）模型与机动车排放模拟器（MOVES）模型相似，均是美国用以估算机动车排放的模型。模型对排放的计算允许用户将影响车辆排放的因素计算在内—不同的技术、工况和机动车驾驶模式，例如机动车比功率(VSP)和发动机负荷分布。

也有一些其他用来计算机动车排放的模型，比如欧盟使用的“道路交通尾气排放计算机程序法”（COmputer Programme to Calculate Emissions from Road Transport，简称COPERT）。然而，重要的是要认识到IVE只是一种计算尾气排放的框架。无论使用哪种排放清单模型，如果输入因素是正确的，那么对排放的估算也将是正确的。中国的挑战仍然是缺少本地测量的排放因子和活动数据。

在IVE的网页中囊括了上海和北京的机动车活动数据以及北京和西安的机动车排放数据。很多研究发现中国机动车的排放特点具有区域差异，南方城市有更多摩托车而北方城市有更多柴油车。因此，如果你所在区域的特征与模型中已存储的特征不同，那么模型就无法准确地估算你所在区域的排放量。我的看法是，换用不同的模型并非是当前的解决方法，相反，应挖掘并改善你所在区域潜在的活动数据和排放数据。

在车辆使用快速增长的中国，准确估算全国和城市尺度的汽车尾气排放至关重要。因此，收集本地数据并将其融入到任一模型中，对于提高国家车辆排放估算的准确性是非常重要的。

收集本地数据有很多方法。IVE网页上记录了北京、上海和西安收集数据所采用的一些实用方法。一些研究者使用道路光学遥感技术评估IVE模型，如郭慧（Guo Hui）在2007年发表的题为“Evaluation of the International Vehicle Emission (IVE) model with on-road remote sensing measurements（2000-2003年中国石化燃料发电的环境损害成本分析）”的文章。以下为文章链接：https://www.researchgate.net/publication/5879048_Evaluation_of_the_International_Vehicle_Emission_IVE_model_with_on-road_remote_sensing_measurements [accessed May 10, 2017].

卫星和飞机的测量数据也可以用来确认排放清单的准确性。

无论是IVE模型还是其他模型，对重型车污染物排放估算的精准度都不如轻型车的精准度高。因为城市中心重型车的交通量远少于轻型车，因此估算模型精准度的提高主要是针对轻型车而非重型车。此外，通常是发动机测功机而非底盘测功机用以测量重型车的尾气，因此，很难将数据应用于城市中真实行驶的工况。

同时，IVE模型在个人计算机上易于计算，并且有必需的计算数据。如果需要使用比IVE更精确的模型来估算重型车的排放量，那么就需要可以反映国家特征的详细活动数据，如重型车的重量级别分布、在城市和乡村的行驶工况、按车型、燃料类型、排放标准划分的重型车构成、环境参数（气温和湿度）、有效负荷等等。换句话说，输入数据的精确性要比使用模型的精确性更为重要。

此外，最新的重型车尤其是柴油重型车安装使用了柴油颗粒过滤器(DPF)、尿素选择性催化还原（SCR）、氧化还原、氮氧化物储存还原催化剂以及其他各种各样的技术，使得估算实际行驶工况的污染排放更为复杂。如果你想要使用比IVE更精确的模型，建立输入数据将会是一项非常有挑战的任务。

与当前其他主流机动车排放模型（如美国环保署的官方模型MOVES）类似，IVE模型很大程度上依赖于本地数据，其用户指南也明确指出用户应提供代表当地现状的数据。因为该类模型的基本方法都是通过用户提供当地信息（比如机动车车型和年龄的组成、道路行驶状况、驾驶操作方式、燃油品质、气候条件等）对模型集成的基础排放因子进行修正，然后结合当地机动车活动数据（比如机动车数量、行驶速度和里程等）来计算排放量。因为基础排放因子一般在实验室内通过测功机(Dyno测试)获得，无法代表车辆在现实环境中行驶的真实状况，所以模型内应用本地数据进行修正非常重要。尽管IVE在世界范围内采集了不少当地数据，例如在中国有北京、上海等地，但这些数据在时间、空间上的局限性（如北京当地数据是在2004年两个月内采集）使其在直接应用到其他地区或时段时难以获得精确的结果。
 
关于重型车，IVE的基础排放因子还主要建立在20世纪初的Dyno测试结果上。而最新版本的MOVES模型（MOVES2014a）和美国加利福尼亚州的官方模型EMFAC（EMFAC2014）都基于更广泛和全面的排放测量数据，更新和改善了排放因子。比如除Dyno测试数据外，MOVES还采用了通过便携式排放测量系统(PEMS)等新技术获得的现实环境中运行的车辆排放数据。该数据时间跨度更长、年份更新(2000-2010)、涵盖的样本种类和数量更多。而EMFAC除了改善排放因子，还细化了对重型车功能领域的划分，如垃圾收集车、港口车、州外长途车、建筑用车，以便更精准地收集和模拟活动数据。因为同样的车型应用于不同的领域也会由于操作方式变化而产生不同的活动数据。

需要注意的是，即使MOVES模型对重型车的模拟更加合理，但是由于地区差异和车辆排放标准不同，将它直接应用到美国以外的地区也是不合适的。为获得准确的排放清单，再先进的模型都需要当地数据的支持。不过为了开发和改进这些模型开展的关于各种排放及活动数据的测量项目对建立当地的排放因子库具有极强的参考价值。除了借鉴这些项目的理论方法和实施方案，其研究成果也可用于对比检验当地的排放因子。
 
参考文献：

• （1）MOVES2014重型道路机动车废气排放因子https://nepis.epa.gov/Exe/ZyPDF.cgi?Dockey=P100NO46.pdf
• （2）EMFAC2014技术文献：https://www.arb.ca.gov/msei/downloads/emfac2014/emfac2014-vol3-technical-documentation-052015.pdf