基于货运GPS数据的产业园区货运特征分析——以厦门为例

丁晓青

1.厦门市交通研究中心，2.厦门市交通信息与交通规划重点实验室

0 引 言

随着我国城市化不断推进，货运需求显著增长，货运交通系统作为城市综合交通系统中的一个重要组成部分，对于城市交通有着非常重大的影响，而货运交通需求相比客运交通需求有其独特的特征，了解城市货运交通的需求特征有助于在实际规划中做好货运交通需求预测的工作。

传统的货运调查方法采用人工调查的方式，不仅需投入大量的人力物力，且存在抽样率较低、受调查日天气影响大、无法获得时间上连续的数据等问题，其数据质量往往难以保证，最终成为影响规划管理部门决策的制约因素。针对货运交通预测等相关业务领域，国内外学者已经进行了大量的研究。国际上，Pielage，B.-J等[1]，提出了基于地下货运系统作为城市货运交通系统的补充，并将其运用至荷兰；Park，Bum Hwan等[2]，提出了一种基于联合阻塞模型的货运交通规划模型；在国内，司高吉[3]，从经济规模角度对城市货运交通需求进行分析；方利君[4]，从适用范围、通道形式、通行能力、经济可行性、承载工具能耗等几个方面，对城市货运交通综合分析比较，然而国内外对货运GPS数据的挖掘和运用上的研究，稍显不足。

此外，不同的用地类型其货运交通出行特征也不同，而即便是同一种类型的工业用地或者物流仓储用地，按照其实际布局的产业类型不同，货运出行特征同样会有较大的差别。本文在货运GPS数据的基础上，从全市范围对不同产业类型的园区进行分类，分析总结了不同产业园区内货运的时间分布及货运强度的特征等[5]。

1 基础数据说明

1.1 货运GPS数据分析说明及处理方法

本文研究以2018年4月16日全天货运车辆GPS轨迹数据为例，共6107269条记录。涉及货运车辆4468辆，此次货运GPS数据包含的是厦门市闽D的牌照车辆，未包括其他地区在厦门市出行的货运车辆。数据包含车牌号、车辆颜色、数据接收时间，经纬度以及方向、方向角、系统时间等，主要可用于空间信息挖掘的字段仅有车牌号、接收时间以及经纬度信息，具体格式如表1所示。

GPS数据的处理过程主要有以下几个步骤：①数据清洗及特征提取：对货运车辆GPS数据进行清洗，且对车辆的OD及轨迹进行切分，判断货运车辆的货运OD；②地图匹配及车辆停留热力图分析：在GIS平台上将货运车辆GPS轨迹数据及OD数据进行可视化，获得主要的车辆物流节点及停留区域。③货运起讫点分析：利用厦门市的空间GIS模型，将分析得到的OD数据与实际位置相匹配。④得出货运车辆的时间分布及空间分布等特征[6,7,8]，见图1。

1.2 货运车型的换算系数

货运车辆折算系数是一个能较为直接的反应对城市交通影响指标，美国《Highway Capacity Manual》[9]通行能力手册对于车辆折算系数有过一个简要的概述，货运车辆及大客由于其尺寸和动力性能的差异，及在道路上行驶时占有的比例，相较于小客车在运行时会出现车头距的变化，尤其不在运行时会出现车头距的变化，尤其不同的行车环境中（例如丘陵地带、山林）转弯或下坡时这一变化更加的显著。

目前国内有一些规范对于车辆的折算系数做出了规定，如《公路工程技术标准（JTGB01—2003）》中，对于不同车型的折算系数进行的说明，见表2。

表1 货运车辆GPS数据结构

图1 技术路线图

此外，同济大学的陆凯[7]在其论文中通过对货运车辆的载运吨位及车型进行了详尽的调查，选取面包车作为货运标准，换算系数为1.0 ，得到货运车型的换算系数如表3所示。

依据实际货车GPS数据中的车辆明细表有对每辆货运车的车牌颜色以及车型的说明，结合《公路工程技术标准》的车辆折算系数以及陆凯[10]中调查得到的建议值，得到本文中的货运车辆车型换算系数值，见表4。

1.3 用地数据

不同的用地有不同的产业类型。图2为厦门市主要的几个典型的工业园区分布图。

对各个工业园区的产业类型进行分类，得到主要的几个产业园区内的现状工业用地以及规划工业用地的面积，见表5。

那么总结以上产业园区及其产业类型，可将产业类型细分为以下八类。下文将对这八种不同产业类型的用地分别统计其货运特征，见表6。

表2 《公路工程技术标准》车辆折算系数

表3 货运车辆车型换算系数建议值

表4 货运车辆车型换算系数建议值

图2 现状厦门市主要产业园区及工业物流用地分布图

表5 货运车辆车型换算系数建议值

表6 产业类型分类表

2 不同产业用地的货运交通出行特征分析

本文关于货运交通的出行特征分析主要是时间分布特征以及货运强度的分析。货车的出行在一天24小时内并不是均匀分布的，而是存在比较明显的高峰和低峰。不同时段上的出行分布，客观反映了不同时段的货运需求，从而为交通需求管理提供重要依据。一般用时间分布及高峰小时系数来表征货运出行的时间分布。本文所说的货运强度则主要是参照居民出行率指标的形式，以单位用地面积产生的出行车辆数来表征货运生成率，生成率越大，表示单位面积上进入该园区的车辆越多，则货运强度越高。

2.1 货运交通总体出行特征

2.1.1 时间分布特征

根据货车GPS全天数据，结合现状产业用地布局，对所有车型车辆换算成当量交通量后，以20分钟统计单元，得出全市货运车辆出发时间分布图。与城市居民出行的时间分布相比，货运交通呈现的是两边高，中间低，也就是在整个白天时间内，货运出行的时间较为分布，没有像城市交通那样，呈现明显的双峰现象。城市货运车车辆是从7:40开始一直持续到17:40，峰值出现在13:40。高峰时段为13:00～14:00，且高峰小时系数为8.36%，见图3。

图3 全市货运车辆出行时间分布图

2.1.2 货运强度特征

从全市交通小区的货运强度来看，货运强度较高的集中在了海沧港区、东渡港区、集美工业区、同安工业集中区、翔安工业区等，这与上述的各大产业园区的布局较为一致。如果单独将主要用于生活性物流的普货车辆的出行强度分析，岛内的普货车辆运输则主要集中于厦门本岛的西北部区域以及同安的老城区等，见图4。

2.2 不同产业类型的货运需求特征

按照不同的产业类型的工业物流用地，分析不同产业类型用地的货运需求特征，从时间分布，高峰小时系数以及货运强度等三个方面进行阐述说明。为了简要说明城市货运交通对城市交通系统的影响，根据厦门市2018年城市居民小样本调查，全市交通早高峰时段为07:05～08:05，晚高峰时段为17:10～18:10。

2.2.1 时间分布特征（图5）

机械加工类的车辆出行时间基本在8:00～14:00，货运高峰的持续时间较长。全天高峰小时为8:00～9:00，高峰小时系数为9.42%。这类产业的车辆出行与城市早高峰时段基本没有重叠。

光电产业与计算机通讯类的产业园区内货车出行呈现三个高值，分别是8:00～9:00，11:00～12:00以及17:00～18:00三个时段，其中晚高峰的高峰小时系数为8.51%，与城市晚高峰有较大的重叠。

食品加工业虽然存在双峰，但在午餐与晚餐时间段的出行量又有一定的下降，高峰时段为9:00～10:00高峰小时系数为8.61%。

健身器材、水暖厨卫没有存在明显的双峰，基本上白天的货车出行量都较大，高峰的持续时间较长。

生物医药类的产业存在明显的双峰现象，早高峰时段9:00～10:00，高峰小时系数为9.20%，晚高峰时段为16:00～17:00，高峰小时系数为8.86%。早晚高峰的货车集中出行程度高。不过，基本与城市出行的高峰时段错开，对城市交通的影响较小。

图4 全部车型

图5 普货车辆

港区路货场及物流仓储用地的特征基本一致，全天呈现中间高，两边低的特征，货运出行时间分布在中午时段，港区的高峰时段为11:00～12:00，铁路货场的高峰时段为13:00～14:00，港区的高峰小时系数为9.66%，铁路货场的高峰小时系数为9.50%。

机场及物流仓储用地呈现一个峰，在17:00～18:00时段呈现最高峰，高峰小时系数为11.51%。由此可见，厦门市的机场货车的出行高峰在晚高峰时段。

以上各类产业园区的出行与城市的早晚高峰均有一定的重叠，为了减少货运交通在早晚高峰时段对城市客运交通的影响，故可对该类部分园区的货车运营时段实行一定的交通管理控制，见图5、表7。

2.2.2 货运生成强度特征

结合现状用地面积，获得不同用地交通产生吸引率。现状的货运交通量与现状产业园区及各种配套物流用地开发与使用情况有较大的关系。不同用地类型的货运生成率差别比较大，相似用地类型因为不同产业或者商形态其货运生成率也有非常大的区别。不同的配套与使用度其货运量也不尽不同，因而计算得到的货运生成率会有一定的差别，见表8。

3 不足与展望

图5 不同产业类型的货运出行时间分布图

表7 不同产业类型的货运出行高峰小时及系数表

表8 不同产业类型的全天平均货运生成率

货运GPS 数据较为客观，基于其提取的货车出行特征更为准确，有助于把握城市货运交通状况。不同产业类型的园区反映出不同的货运特点，这对于指导厦门市的货运政策、港区交通组织、物流园区以及集疏运等交通专项等具有重大的意义。本文基于货运GPS数据，结合城市产业用地及布局，经过统计得到不同产业类型用地上的货运产生吸引率，该结果对于同类型货运用地的交通需求预测以及在交通影响评价中有重要的借鉴意义。

但货运GPS数据在设计算法中关于驻留点的判定阈值主要是借鉴其它城市，用在厦门市，可能会使分析结果有一定的偏差，这也是货运GPS数据分析驻留点问题的技术难点之一。后续将结合厦门本市的特点，采用更大数据量在统计学上进行聚类获得该阈值，使货运车辆驻留点的判定结果更为精准。