运输结构调整政策对区域路网重型货车流量的影响评估

吴 睿, 徐洪磊, 宋媛媛, 杨孝文, 谭晓雨, 杨 扬

(1.交通运输部规划研究院 交通排放控制监测技术实验室, 北京 100028;2.北京师范大学 中国绿色发展协同创新中心, 北京 100875;3.北京交通大学 交通运输学院, 北京 100044)

运输结构调整是我国实施蓝天保卫战的重要措施和交通运输行业供给侧结构性改革的重要内容[1-2].文献[3]提出以推进大宗货物运输“公转铁、公转水”为主攻方向，实现与2017年相比，“全国铁路货运量增加11亿吨、增长30%，其中京津冀及周边地区增长40%”，并将铁路货运增量目标细化分解到各省(区、市).

研究人员围绕运输结构调整工作开展了大量探索性分析，一方面通过调查铁路货运市场发展现状，采用定性或半定量的方法分析当前铁路货运存在的不足和制约因素，对促进铁路货运市场发展提供建议[4-5]；另一方面，采用定量或半定量的方法计算不同货运结构下污染物排放和运输能耗，评价铁路货运等激励政策环境影响效益[6-8].运输结构调整势必显著改变区域路网货车运行时空格局，但基于重力模型、多比例法、原单位法等的研究和技术方法无法反映货运起讫点(Origin Destination，OD)供需分布和路段流量的变化情况.

交通分布模型作为一种宏观交通模型，考虑了路网结构、土地利用、运输方式以及交通管控等因素，可对路网OD供需分布、路段交通流量进行预测[9]，从而为路网交通规划[10]、土地利用[11]及相关政策研究提供科学指导[12].随着交通数据获取渠道丰富化、数据类型多元化、数据质量精准化，基于传统四阶段法的交通分布模型近年来得到广泛应用[13].运用交通分布模型开展交通领域的能耗与污染物排放研究也逐渐成为热点方向[14-15].鉴于传统的重力模型、多比例法、原单位法等方法在实际应用过程中易出现较高的误差[16]，一些数据驱动模型，例如神经网络、遗传算法等逐渐被引入作为交通分布模型的基础，并取得了较好的应用效果[17-18].

因此，本文作者以交通需求预测四阶段法为建模基本框架，结合公路交通流量断面观测数据和重型货车行驶轨迹数据，引入神经网络模型和遗传算法等数据驱动方法，构建了公路货运交通流时空分布模型.选取京津冀大气污染传输通道(包含北京市，天津市，河北省石家庄、唐山、廊坊、保定、沧州、衡水、邢台、邯郸市，山西省太原、阳泉、长治、晋城市，山东省济南、淄博、济宁、德州、聊城、滨州、菏泽市，河南省郑州、开封、安阳、鹤壁、新乡、焦作、濮阳市等，简称“2+26”城市)作为应用场景，对模型的有效性进行检验.该研究拟一方面依据铁路货运增量目标模拟运输结构调整政策实现情景下的重型货车流量变化和减排潜力，另一方面通过实际路网观测数据识别重型货车使用强度真实下降水平，以期为相关地区探讨运输结构调整政策效果评估提供借鉴，为后续精确分析道路排放规律提供完善的交通活动水平数据.

1 研究区域与数据来源

1.1 研究区域

“2+26”城市是京津冀大气污染传输通道城市，是近年来我国大气污染物排放量和排放强度最高的区域，作为国家大气污染治理重点区域备受关注.蓝天保卫战等政策文件明确将运输结构调整作为“2+26”城市区域大气污染治理的关键举措，旨在通过推进大宗货物、集装箱及中长距离货物运输从公路转向铁路，减少不合理的公路运输，降低柴油货车使用强度.因此，该研究结合国家大气重污染成因和治理攻关任务，选择“2+26”城市作为研究区域.

1.2 数据来源

“2+26”城市路网地图数据，源自属性修正后的四维图新导航电子地图；重型货车流量观测数据，源自国家公路网交通情况调查数据采集与服务系统，该系统通过对国道、省道等交通状况进行定期或不定期调查，掌握各级公路的交通量、车型构成、空间分布和车辆运行速度等交通流特性；重型货车行驶轨迹数据，源自全国道路货运车辆公共监管与服务平台，通过北斗卫星定位装置与车载终端，平台实时收集重型货运车辆的位置、速度等数据；各地铁路货运增量目标数据，源自国家相关政策文件[3]以及各省、市制定的运输结构调整实施方案中提出的铁路货运增量任务.

2 模型构建

2.1 建模思路

研究可分为4个阶段，具体技术路线如图1所示.

图1 技术路线图Fig.1 Technology framework

图1中，第一阶段：采用神经网络模型训练构建OD反推模型，估计区域货运车辆OD分布现状，并进行精度校验；第二阶段：基于遗传算法、BP神经网络设计路径搜索算法和路径选择概率模型，构建区域路网货运交通量分布模型，并进行精度校验；第三阶段，结合运输结构调整政策情景预测区域货运车辆OD分布变化，开展不同政策情景下的重型货车流量估计；第四阶段：货车流量估计值与实际观测值进行对比分析，以探讨政策执行效果及原因.

2.2 模型搭建与校验

2.2.1 交通小区划分

所选研究区域中包含有28个城市，内辖335个县.以县级行政区划作为交通小区，将产生10万以上的OD组合，严重降低了模型的计算效率和应用.因此，选取市级行政区域作为28个内部交通小区，并结合研究范围所在区位，构建7个外部小区，小区分布如图2所示.从空间尺度来看，城市一般具有多条对外交通通道，按照传统交通小区划分方式将城市中心作为质心，但是单一质心的设置将会导致流量集中分配到少量路段，使得后续建模中产生较大的路径分配偏差.因此，考虑城市的空间结构，筛选各城市的对外交通节点作为交通小区的质心点.

图2 “2+26”城市区域的交通小区划分Fig.2 Traffic district division in urban areas of “2+26” cities

2.2.2 基于神经网络的OD反推模型构建

OD反推是指由路段交通流量推算出行分布的数学模型，能显著减少大规模OD调査所耗费的大量人力、财力和时间，其原理是按照OD表分配得到路段交通量的计算步骤逆向进行.为提高模型求解速度和估计精度，该研究引入数据驱动模型中的BP神经网络模型用于构建“2+26”城市的OD反推模型.BP神经网络模型的设计主要包括模型输入输出参数设计、神经网络层数设计、传递函数选取及隐含层神经元数量设计[19].

模型输入输出参数设计中，以交调站点的路段交通量作为模型的输入，以交通小区间OD交通量作为模型的输出参数.以2018年5月至11月间的64天研究区域中全路网交调站点全日交通量观测数据为基础，对交调站点数据的稳定性做了检验，最终筛选出232个连续交通量观测站点、681条数据作为BP神经网络模型的输入参数.输出参数包括内部小区间全日OD交通量、内部小区与外部小区间全日OD交通量，共计1 148个.神经网络层数设计中，设置隐含层为二层、模型总层数为四层.传递函数选取时，模型中隐层1节点、隐层2节点和输出节点的传递函数分别采用tansig、tansig、logsig函数，通过试算最终选定隐层1神经元数量为35个、隐层2神经元数量为1 147个.

选取2018年5月的21天(5月1日-5月23日，其中5月16日与17日数据缺失)、11月的22天(11月1日-11月23日，其中11月3日数据缺失)作为训练数据，5月的7天(5月24日-5月31日)、9月的7天(9月10日-9月16日)和11月的7天(11月24日-11月30日)作为检验数据.OD反推结果与真实OD见图3，OD反推结果误差分析见表1.表1中OD量(当量)指检验数据中任一OD间的全日交通量，真实值源自全国道路货运车辆公共监管与服务平台，基于重型货车行驶轨迹数据，提取起讫城市后统计得到，估计值来自所构建模型.由图3和表1可知，OD反推模型检验结果显示精度在合理范围内.

2.2.3 区域路网货车流量分配算法

该研究选取基于遗传算法的路径选择概率计算方法和交通流加载方法的组合算法作为货车流量分配算法.

1) OD间出行路径集合生成.

图3 OD反推结果与真实OD对比Fig.3 Comparison of OD inversion results and real OD

表1 OD反推结果误差分析

备选路径集生成是指针对任一特定起讫点，确定哪些路径是出行者考虑的备选路径.备选路径集合的大小和组成将严重影响标定路径选择行为模型的准确性.考虑到算法的计算效率、路径集合的数量及有效性，采用K-最短路算法中执行效率相对较高的双向扫除算法(含无回路处理)筛选得到每个OD对间的K条最短路径，通过乘客对出行时间的容忍程度限制删除不满足条件的路径，构造得到备选路径集合.

2)基于遗传算法的路径选择概率计算.

由于决策变量xt属于0-1之间的变量，可直接将解向量X=(x1,x2,…,xm)作为遗传算法的一个染色体进行计算.根据解X的构成可以发现，其可以表示出任意一种路径选择概率组合方案，且每一组方案必须满足任一OD间路径集合的选择概率小于等于0[20].本文提出了一个基于交通流加载的遗传算法，具体包括：

步骤1 初始化.设定种群规模n及最大进化代数.

步骤2 产生初始种群.随机生成染色体作为初始种群.

步骤3 计算适应度函数值.将各染色体对应的路径选择概率输入交通流加载算法，通过加载得到相关参数值，并将其代入适应度函数中进行求解，得到各染色体对应的适应度函数值.

其中交通流加载算法采用非平衡分配方法中的增量分配法，具体步骤为：

步骤3-1 针对任意OD，将OD间需求量等分为24份，进行24次加载.

步骤3-2 初始时，认为各路段的交通量为0，根据自由流时间和路径选择模型计算各路径的选择概率，结合出行量得到各方式各路径第一次加载的货车流量.

步骤3-3 更新路段时间，重复3-1、3-2步骤，直至将所有的交通需求都分配到各路径上.路段时间的更新采用美国公路局道路阻抗函数(Bureau of Public Roads，BPR)函数，具体形式为

(1)

式中：ta为路段自由流时间；xa为路段流量；ta(xa)为路段在流量xa下的旅行时间；Ca为路段通行能力；α、β为待定系数，分别取0.15和4.

步骤4 选择操作.采用轮盘赌的方式从父代染色体种群中选出n个染色体，组成子染色体种群.

步骤5 交叉操作.采用单点交叉的方式对选择出来的两个父代染色体进行交叉操作，以产生新的染色体.

步骤6 变异操作.对选择出的染色体进行变异，以产生新的染色体.

步骤7 终止条件判断.若遗传算法达到最大进化代数，则算法结束，输出最优染色体；否则进化代数加1，并转步骤3.

3)分配结果分析.

经仿真测试，算法中相关参数设置为：备选路径集合K为5，遗传算法的种群大小为50，交叉概率为0.5，变异概率为0.4.每一组OD间5条路径被选择的概率之和为100%，只要已知其中4条路径的选择概率就能够得到剩下路径的选择概率，因此每个种群长度为1 148×4=4 592(即1 148个OD间备选路径的选择概率).货车流量分配算法结果与实际观测流量对比见图4.由图4可知，最终得到路段流量，并与交调站点的观测路段流量值(共计3 781条路段)进行对比，货车流量分配算法结果平均相对误差25.2%，分配结果在整体规律把握上尚可接受，但针对某些路段而言，其精度有待进一步提升，例如针对交通流量最大的前两条路段存在一定的偏差.考虑到该研究重点是针对大尺度空间区域内政策情景的模拟，从宏观角度上开展政策执行效果的分析，故模型结果在区域路网上能符合实际规律且满足一定精度即可接受.模型分配结果精度总体可控，能够满足运输结构调整政策影响评估需求.

图4 货车流量分配算法结果与实际观测流量对比Fig.4 Comparison between the results of truck traffic flow distribution algorithm and observed traffic flow

3 结果与分析

3.1 运输结构调整政策下流量变化推演

在运输结构调整政策下，各省份铁路增量目标见表2.

表2 各省份铁路增量目标

以“2+26”城市区域铁路增量目标全面实现为情景，运用所提方法对区域流量进行推演.表2公转铁政策情景分析结果和路网重型货车流量空间变化情况见图5、表3.由图5和表3可见，推演结果与基础年(2017年)流量相比，区域全路网重型货车年平均日交通量减少100辆，年平均日行驶量减少751万车·km、减少4.3%左右.全路网59%的路段交通流量下降，“2+26”城市区域中来自山西、河北、天津等地市的高速公路和国省道路段的重型货车流量下降显著.

图5 公转铁政策实施前后路网重型货车流量变化情况Fig.5 Changes in heavy-duty trucks traffic flow before and after the transportation structure adjustment policy

表3 公转铁政策情景分析结果

参照文献[21]中道路机动车尾气排放量计算方法与文献[22-23]中运营货车相关因子，对典型营运货车污染物排放和能耗进行初步核算，重型柴油货车综合能耗和排放因子见表4,政策实施后大气污染物、CO2及综合能耗变化量见表5.

表4 重型柴油货车综合能耗和排放因子

由表4和表5可知，运输结构调整政策实施后“2+26”城市全路网重型货车全年一氧化碳(CO)、碳氢化合物(HC)、氮氧化物(NOx)、细颗粒物(PM2.5)、可吸入颗粒物(PM10)等大气污染物排放减少可分别达到6 885.9 t、547.8 t、18 473.7 t、524.7 t、582.6 t，二氧化碳排放减少250.0 万t，能耗减少115.7 万t标煤.

表5 政策实施后大气污染物、CO2及综合能耗变化量Tab.5 Air pollutants, CO2 and comprehensive energy consumption reduction after the implementation of the policy

3.2 与实际路网流量变化对比分析

依托国家公路网交通情况调查数据采集与服务系统，对2017-2019年政策实施前后区域路网重型货车的实际观测流量变化情况进行对比分析.典型道路重型货车流量变化情况见图6.由图6可知，唐山港、天津港、黄骅港等港口周边道路，大宗货物密集过境路段，大型钢厂、电厂周边道路货车流量在全年大部分时间均明显降低，说明港口禁止汽运煤炭政策影响效果显著，港口、大型工矿企业等关键节点周边道路重型货车流量变化对运输结构调整政策响应及时.但从区域路网上其他路段的流量变化情况来看，存在货车运输空间转移现象，部分路段货车流量明显增加.

图6 重型货车流量变化情况Fig.6 Heavy-duty truck traffic flow changes

选取2017-2019年稳定的606个交通流连续观测站点，综合评估“2+26”城市区域以高速公路和国省道为主的城际公路网上重型货车平均日交通量和平均日行驶量变化情况如图7所示.由图7可知，全路网重型货车流量在全年大部分是的变化并不明显，且有增有降，表明变化趋势并未按照模型情景预测的走向发展，一定程度上说明公转铁政策的效果并未完全显现.主要原因在于：模型推演结果的前提是公转铁政策得到全面落实，而实际上运输结构调整需要一定的周期，铁路基础设施的建设以及铁路货运市场规模的形成均需要时间，铁路货运增量无法在短时间内迎来爆发性增长.在铁路运力方面，各地铁路专用线尚在建设、部分已建专用线运能未充分发挥，“最后一千米”衔接不畅问题仍旧突出，现阶段难以满足更大规模的货运量需求；而在铁路运输价格方面，公铁合理比价关系尚未形成，公路运价仍明显低于铁路运价[24]，仅依靠国家政策倾斜难以实现大规模的公路货运量转移.再者公路货运和铁路货运市场化改革进程步伐不一，铁路货运市场培育还需一定周期，“公转铁”潜力尚未完全释放.此外，经济、人口和产业发展带来的社会整体货运量增加也在一定程度上抵消了公转铁政策效益.

图7 “2+26”城市区域重型货车交通量和行驶量变化情况Fig.7 Changes in average daily traffic flow and daily driving distances of heavy-duty trucks in “2+26” cities

目前运输结构调整初见成效、方向总体正确，政策影响暂时以点为主、对面影响不显著，后续仍需进一步加大推进力度和完善关键制度.从运输结构调整重点行业上，建议在三年行动计划重点推进的煤炭、钢铁、电解铝、电力、焦化、汽车制造等行业基础上，进一步推进水泥、建材、石化等行业以及城市生产生活物资运输结构调整工作.从运输结构调整推进手段上，建议实施铁路专用线建设、运输结构调整示范区建设、运输结构调整示范企业建设等一批重大工程，推进运输结构调整工作落到实处.从运输结构调整政策保障上，建议进一步加大各级财政支持力度，清理规范铁路和水运相关收费，加强对企业运输结构调整成效的激励与督查考核.

与此同时，为切实有效减少区域路网柴油货车污染物排放总量，应协同推进运输结构调整与货车能源消费结构调整及区域柴油货车污染治理工作.一方面应通过采用经济补偿、限制使用和监管执法等手段，促进老旧车辆淘汰和深度治理；另一方面应通过严格实施国六标准、加快柴油货车清洁化进度、加大新能源和清洁能源汽车推广力度，优化货运车辆保有结构.

4 结论

1)基于交通流量观测数据和车辆轨迹数据，采用BP神经网络、K-最短路算法、遗传算法等方法，构建的京津冀区域(2+26城市)路网货运交通流时空分布模型精度总体可控，可为区域开展运输结构调整政策影响评估提供支撑.

2)运输结构调整政策铁路增量目标全面实现的情景下：与2017年相比，“2+26”城市区域全路网重型货车年平均日交通量减少100辆、年平均日行驶量减少751万车·km，全路网59%的路段交通流量下降，“2+26”城市中来自山西、河北、天津等地市高速公路和国省道路段的重型货车流量下降显著；结合典型营运货车能耗和排放因子进行初步核算，区域路网重型货车NOx排放可减少18 473.7 t(占移动源NOx总排放量的1.55%)，二氧化碳排放减少250.0万t，能耗减少115.7万t标煤.“公转铁”政策对于区域大气污染防治具有良好潜力.

3)实际观测数据显示港口、大型工矿企业等关键节点周边道路重型货车流量普遍下降，运输结构调整初见成效，但区域层面重型货车平均日交通量和平均日行驶量未见明显下降.在经济社会持续发展、货运需求持续增长的情况下，应加快完善运输结构调整相关政策体系，协同推进运输结构调整与柴油货车污染治理工作.