大数据驱动下的山地城市道路条件对车辆碳排放影响研究

周涛，李毅军，孙琴梅，任瀚堃，刘怡，张振豪

(1.重庆市交通规划研究院，重庆 401147；2.重庆市城市交通大数据工程技术研究中心，重庆 400020；3.山地城市交通系统与安全重庆市重点实验室，重庆 400074)

0 引言

随着我国城市化进程加快，交通运输需求不断增长，全球气候变化和环境污染问题愈发严重，减少碳排放已成为全球范围内的重要议题[1]。很多地区提出发展公共交通，机动车限号限行及推广新能源车辆等策略，但对车辆碳排放核算依据等基础性研究仍不够深入，如何通过一定的技术手段实现精细化和定量化的城市道路交通碳排放测算，厘清微观层面城市道路与车辆碳排放的关系是一项亟需解决的重要问题，同时，为推进“碳达峰和碳中和”搭建底层计算逻辑和框架。现有文献多以平原城市为研究对象，鲜有关注山地城市，本文以山地城市重庆为例展开研究，山地城市与平原城市在城市形态和空间布局上存在较大差异，平原城市道路多为平面交叉和棋盘式规整布局，而山地城市在道路方面表现为弯多坡陡、连接困难及立体穿插等多元化特征，较平原城市有更丰富和复杂的道路场景，值得深入研究。

国内外学者围绕道路交通与油耗和碳排放的关系已开展了相关研究。(1)在车辆速度对油耗影响方面。卢笙等[2]使用OBD 数据研究7 辆轻型汽油车，发现实际道路运行油耗高于型式认证油耗，平均速度与实际道路油耗具有很强的相关性，实际道路油耗在30 km·h-1以下时，会随速度降低而显著上升。郝艳召等[3]利用车载尾气检测系统(Portable Emissions Measurement System,PEMS)研究北京市重型柴油车实时油耗、排放和行驶状况，发现怠速和低速行驶是造成单位距离高油耗和排放的主要原因。王谦等[4]选取14 辆中国目前常用的轻型和重型车辆，研究在不同工况和影响因素下的碳排放因子测算。(2)道路条件对油耗影响方面。孙健等[5]分别从微观、中观及宏观层面研究车辆排放因子，结果显示，主干路是最主要的碳排放线源。陈晨等[6]以北京市307 辆出租车为研究对象，认为百公里油耗随速度提高显著降低，纵向坡道对出租车百公里油耗影响较大，影响车辆油耗的3种因素重要性排序为交通条件大于运行工况大于道路条件。隗海林等[7]使用车辆油耗测试系统建立主干路和次干路的瞬时油耗模型，并认为主干路上车辆的油耗稍高于次干路和支路。孙振华等[8]建立以坡度和初速度为自变量的载重车碳排放模型，直观地分析纵坡和初速度对载重车碳排放的影响。许磅等[9]基于车辆尾气数据研究坡度对车辆排放的影响，结果显示，轻型车对大于1%的道路坡度更为敏感。孙文圃等[10]建立高速公路纵坡路段的载重汽车碳排放模型，认为累计碳排放对坡度和坡长有较高的敏感性。(3)基于单源数据估计碳排放方面。单源数据主要是结合既有模型开展研究，贾涛等[11]采用微观尾气排放模型(Comprehensive Modal Emission Model,CMEM)和出租车全球定位系统(Global Positioning System,GPS)数据定量反演出租车行程轨迹的CO2排放量。许晔等[12]应用国际机动车排放模型(International Vehicle Emissions Model,IVEM)和实地观测数据，计算深圳市3 种类型机动车的碳排放因子和主要道路的碳排放强度。吕晨等[13]基于车型分类数据和本地化的综合移动源排放模型(Motor Vehicle Emission Simulator,MOVES)研究中国31 个省份分车型的CO2排放因子，发现不同车型CO2排放因子差异大，在上海、北京及重庆等市的CO2排放因子更高。(4)基于多源数据估计碳排放方面。徐龙等[14]基于OBD监测数据、加油(气)数据及运营排班数据等多源数据资源研究公交车能耗碳排放，发现当平均速度小于60 km·h-1时，幂函数关系的拟合优度最高。林旭坤等[15]提出一种基于高速公路收费数据、机动车登记数据及汽车理论能耗数据等多源数据融合的高速公路网车辆碳排放测算方法，实现自下而上的省域路网车辆碳排放量的测算。

在研究车辆速度对油耗影响的文献中，多采用分速度区间的形式探究两者的关系，例如，高速、中速及低速这3 种区间，划分粒度较大，无法进一步探究区间内的速度与油耗的关系；在研究道路条件对油耗影响的文献中，探讨道路类型、交通条件、坡长及坡度等多类影响因素，道路坡度方面主要以高速路和快速路为实验对象，对低等级道路的研究较少。目前，基于单源数据的文献主要是结合现有汽车排放模型等方法融合研究，基于多源数据的文献主要是结合实测数据、交通运输数据及能源数据等构建模型研究探索，重点在如何测算中观和宏观层面的车辆碳排放，较少关注车辆和道路属性条件对碳排放因子的影响，微观层面的道路条件与车辆碳排放因子关系的研究不够深入。由于实验条件的限制，相关研究主要通过道路实测和实验模拟仿真等方法研究车辆碳排放，但是，数据采集成本高且实验样本量小，实验结果本土化转换程度不够理想，实际场景的应用仍较困难。而OBD 大数据覆盖面广，能提供海量运行数据，本文通过车辆OBD系统获取瞬时速度、空间位置及油耗等信息，基于OBD 大数据提出车路匹配模型，分析研究山地城市道路对车辆碳排放的影响，探索重庆本土化的道路碳排放因子，为山地城市道路交通碳排放测算提供依据，也可为交通政策的制定提供支撑。本文创新点和贡献主要体现在3 个方面：一是，基于历史车辆真实行驶大数据探索重庆本土化道路碳排放因子，在碳排放核算等工程实践中具有较强的实际应用价值；二是，采用组合函数描述车辆轨迹数据规律，拟合结果优于传统研究常用的幂函数和二次函数等基本函数形式；三是，结合重庆本地条件和文献比较论证，分析探讨本土化道路碳排放因子特征及机理。

1 基础数据

1.1 车载自动诊断系统数据特征

车载自动诊断系统是由OBD 终端、系统云平台及手机应用等模块组成，用户在车辆接口上安装产品(OBD 汽车盒子)，可实时读取车辆数据，并同步上传至系统云平台，由OBD 终端调配数据传输至用户手机应用，OBD 系统可采集车辆的电子控制器单元数据、重力感应加速度数据和GPS 数据，涵盖车辆轨迹、车辆运行状态及驾驶行为等信息，OBD数据依据车辆运行状态在5～30 s内上传，系统数据采集基础设置的时间间隔小于60 s，数据字段结构如表1所示。

表1 OBD数据字段表Table 1 OBD data field table

1.2 数据预处理

本文数据来源于重庆市城市交通大数据工程技术研究中心的交通综合信息平台，提取2018 年12月10日～16日(周一～周日)这7 d的数据，数据主要记录脱敏后的私家车活动情况，约80%的车辆轨迹点分布在重庆内环快速以内，数据格式为.txt，原始数据约3 亿条，数据总量44.9 GB，包含25825辆车。

按照数据筛选条件进行数据清洗，如表2 所示，具体包括4方面：(1)单辆车的OBD数据轨迹记录条数少于120 条，并且行驶时间小于10 min 时，由于车辆运行记录太少，不具有典型性，不纳入研究考虑；(2)由于采集系统问题，产生重复数据记录，予以剔除；(3)部分数据缺失字段，例如，经纬度信息，导致无法分析数据，予以剔除；(4)由于采集系统故障，数据明显异常不符合常理，予以剔除。接着，剔除离群数据，根据数理统计中箱型图对数据离群值的定义，若数据点比第1 个四分位数低1.5 倍的四分位距(InterQuartile Range,IQR)，或比第3 个四分位数高1.5倍IQR，属于离群或极度离群，剔除统计处理后上下边缘外的数据四分位间距IQR：即，IQR=Q3-Q1，下边缘=Q1-1.5×IQR，上边缘=Q3+1.5×IQR，其中Q3 为上四分位值，Q1 为下四分位值。清洗后的有效数据量约1.5 亿条，数据有效率约50%，车辆数20013 万辆，主要分布在重庆市中心城区范围内。

表2 样本数据筛选条件和剔除原因Table 2 Sample data cleaning conditions and screening reasons

1.3 道路碳排放因子折算

查阅联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)发布的《IPCC 2006年国家温室气体清单指南2019修订版》[16]中关于不同能源碳排放计算方法，得到第φ种燃料能源的碳排放因子，即

式中：Fφ为燃料φ的碳排放因子；Qφ为燃料φ低位热值，汽油取值为0.0448 TJ·t-1；θφ为燃料φ的单位热值燃料所含碳元素的质量，取值为18.52 t·TJ-1；γφ为燃料φ的碳氧化率，取值为98%；h为CO2与碳的分子量之比，即44/12。由于OBD数据仅能获取车辆的油耗字段，而具体燃料类型未知，假设所有车辆的燃料为汽油，由此计算汽油的碳排放因子为2.981。

车辆碳排放量是由车辆油耗决定的，而车辆油耗主要随车辆速度变化而变化，通过车辆速度和车辆油耗的函数关系计算车辆在单位长度道路的碳排放量，称为道路碳排放因子，即

式中：τ为道路碳排放因子；C为速度与油耗的函数关系；F为汽油的碳排放因子，取值为2.981；ρ为汽油的密度，一般取0.725 kg·L-1。

2 研究方法模型

2.1 车路匹配模型

OBD 数据是反映车辆运行状态的时空大数据，包括车辆运行特征属性和空间位置属性，通过设定道路缓冲区识别车辆轨迹点并匹配至道路，切割车辆轨迹并计算车辆运行参数等步骤，映射OBD 数据到地理空间中实现车路匹配，探究车辆运行规律特征。由于重庆中心城区面积约1000 km2，道路长度约6000 km，高架道路不超过50 km，在大尺度的空间范围下，高架段道路占比小，对研究结果影响很小。本文的模型建立和实现流程如图1所示。

图1 模型建立和实现流程Fig.1 Model establishment and implementation process

(1)设定道路缓冲区

受采集系统的影响，车辆轨迹数据的坐标有漂移，只考虑落在道路空间内的点，会缺失对部分有价值数据的研究，影响样本数据的完整性，为减小由采集系统带来的误差，考虑到车辆轨迹数据落点一般分布在道路中心线周围，通过对矢量道路设置缓冲区的方法消除偏移产生的影响，构建路段缓冲区如图2 所示，缓冲区大小的确定与道路等级、路幅宽度及浮动车位置坐标有关，道路缓冲区的范围为

图2 构建路段缓冲区Fig.2 Schematic diagram of construction method of road section buffer zone

式中：H为道路缓冲区的半宽度；Wlink为路幅宽度，由控规路网测量得到；εGPS为GPS 定位允许误差，根据道路类型赋予不同的值，次干路为10 m，主干路为20 m，快速路为30 m。

(2)轨迹匹配方法

分析车辆轨迹数据前，将车辆轨迹点进行再识别，判断车辆轨迹点是否在道路缓冲区内部，匹配至所属路段，建立两者联系，采用向量叉乘的方法实现，假设向量abcd围合的多边形为道路缓冲区，通过向量叉乘方法判断点P是否在多边形内部，按照逆时针(或顺时针)取向量进行叉乘，例如，取向量x和a、y和b、z和c、w和d进行叉乘，判断所得值是否同号，若所得值同号，说明车辆轨迹点在道路缓冲区内部；反之，说明在道路缓冲区外部。依次对车辆轨迹点进行判断，筛选出在道路缓冲区内部的所有车辆轨迹点，完成车辆与道路的匹配。车辆轨迹匹配方法如图3所示。

图3 车辆轨迹匹配方法Fig.3 Schematic diagram of vehicle trajectory matching method

(3)轨迹切割方法

道路空间内承载着多辆车的活动轨迹点，呈现散乱分布状态，如图4 所示，通过切割每辆车的轨迹，分析车辆的运行特征；而车辆可能会在某段时间内多次往返同条道路，应将其在道路空间内的大量散点切割成多段时空轨迹，获取车辆在这段道路空间内的活动情况。计算两个轨迹点的时间间隔，通过判断时间间隔与时间阈值的关系进行切割，若两个轨迹点的采集时间间隔大于时间阈值，判断为非同一段轨迹；反之，为同一段轨迹。设定第i(i=1,2,…,n)辆车在实验路段运行，每辆车各产生m(m=1,2,…,σ)个轨迹点，第i辆车第m个轨迹点的采集时间为，轨迹切割时间阈值为2 次OBD数据采集时间间隔的允许最大值60 s(由OBD系统采集数据的基础设置所决定)，具体步骤包括3步：①计算1辆车相邻两次轨迹点记录的时间间隔，即；②若时间间隔大于60 s，判定两次记录的前一次记录为切割轨迹点；③若时间间隔小于60 s，则判定为连续轨迹点，轨迹切割结果如图5 所示，示例将散点切割为3 辆车的轨迹。

图4 道路中心线与车辆轨迹点空间分布Fig.4 Spatial distribution map of road centerline and vehicle trajectory points

图5 车辆轨迹切割结果Fig.5 Schematic diagram of vehicle trajectory cutting results

(4)车辆行驶参数

根据第i辆车第m个轨迹点的采集时间，对应油耗量为，起讫点的油耗量之差为第i辆车的总油耗，即。道路起终点的距离不能代表车辆行驶距离，采用逐段累加行驶里程的方法表示总行驶里程，假设某辆车相邻的两个轨迹点坐标为pm(αm,δm)，pm+1(αm+1,δm+1)，两点的采集时间间隔为，采用Haversine 公式计算两点间距[17]，得到车辆行驶距离为

将相邻两点的距离累加，结合行驶总时间即得到车辆总行驶距离和车辆平均速度，即

式中：li为第i辆车在这段时间内的总行驶距离；为第i辆车的第m个轨迹点和第m-1 个轨迹点间的距离；vi为第i辆车在这段时间内的平均速度。

2.2 车辆聚类

根据车路匹配模型计算得到每辆车行驶距离和百公里油耗，分析车辆的运行特征，车辆行驶里程、时长及百公里油耗分布如图6所示。运行里程方面，约50%的车辆单日行驶里程小于50 km，30%车辆日行驶里程在50～200 km，约20%车辆日行驶里程超过200 km；行驶时间方面，约55%的车辆日行驶时间小于120 min，约15%车辆日行驶时间在120～240 min，约30%车辆日行驶时间超过240 min；车辆百公里油耗基本呈正态分布，峰值范围为8～9 L，占比约为18%，80%的车辆百公里油耗范围在5～12 L。

图6 车辆行驶里程、时长及百公里油耗分布Fig.6 Vehicle driving time and mileage distribution

不同车辆的行驶时间、行驶里程及油耗等工况存在较大差异，聚类车辆可以更好地反映各类车辆的运行规律。采用百公里油耗和单日行驶里程这两个特征对车辆进行聚类，每类车辆的特征如下：(1)当车辆百公里油耗小于4.5 L 时，判定为非燃油车辆，本文不纳入考虑；(2)当百公里油耗在4.5～13.0 L，并满足1周内至多2 d行驶距离大于150 km时，判定为非营运车辆；(3)当百公里油耗在4.5～13.0 L，并满足1 周至少2 d 行驶距离大于150 km时，判定为营运车辆；(4)当百公里油耗大于13 L时，判定为货运车辆。

2.3 迭代拟合算法

相关文献研究通常用幂函数和二次函数描述车辆速度与油耗的关系，但拟合结果均存在一定缺陷，幂函数在高速时不能反映随速度增加油耗缓慢上升的趋势，二次函数在低速时不能反映随速度降低油耗迅速上升的趋势，本文为更好地反映数据规律，采用组合函数，即y=axb+cxd(其中，x为自变量，y为因变量，a,b,c,d均为常数)的形式描述车辆速度与油耗的关系，基于非线性最小二乘的LM迭代算法进行拟合求解，该算法能借由执行时修改参数达到结合高斯-牛顿算法以及梯度下降法的优点，精度高，迭代次数少，能得到良好的辨识效果，算法迭代规则[18]为

式中：Uk+1和Uk为第k+1 和k次迭代后的阈值向量；μ(μ ＞0)为阻尼因子，是常数；I为单位矩阵；J(Uk)为雅克比矩阵；E(Uk)为误差函数；e(Uk)为第k次观测点的预测偏差。

LM算法的步骤如下：

Step 1 初始化参数U0，误差许可值r，阻尼因子μ，调整系数ζ，根据实际情况初始化模型参数。

Step 2 计算第k次迭代时误差函数E(Uk)的值。

Step 3 计算雅克比矩阵J(Uk)。

Step 4 根据式(7)计算Uk+1，此时，如果误差函数的值小于给定许可误差值r，则算法结束，进入Step 6。

Step 5 如果E(Uk+1)＜E(Uk)，令k=k+1，μ=μα，转到Step 2；否则，不更新参数，令Uk+1=Uk，μ=μα。

Step 6 算法结束。

3 重庆市城市道路条件对车辆碳排放的影响

3.1 研究道路概况

本文实验道路的空间分布如图7所示，选取重庆市内环快速路以内，长江以北区域内的137条城市道路作为研究对象，总里程约517 km，探索重庆本土化的道路碳排放因子。依据道路类型将道路划分为4类：I类快速路、II类快速路、主干路及次干路；根据道路坡度将道路划分为5 类：当坡度小于1%时，影响忽略不计，即平坦道路；当坡度在1%～4%(上坡和下坡)，认为有微小坡度的道路，即缓坡道路；当坡度在4%～7%(上坡和下坡)，认为较大坡度的道路，即陡坡道路。根据车辆轨迹点的空间分布疏密度，选取车辆轨迹点时，确保各类道路上的样本量相近，其中，I 类快速路选取约1.0 万辆车；II类快速路选取约1.1万辆车；主干路选取约0.9万辆车；次干路选取约0.8万辆车，如表3所示。

图7 试验道路的空间分布Fig.7 Schematic diagram of spatial distribution of test road

表3 试验道路基本信息表Table 3 Basic information table of test roads

3.2 道路与车辆类型对车辆碳排放的影响

采用Origin2022 的LM 迭代算法求解非线性最小二乘问题，误差许可值r=10-9。在I 类快速路上非营运车辆、营运车辆及货运车辆拟合函数分别迭代k=201 次、k=114 次及k=151次时，达到收敛。最终，拟合结果分别为：y=1.887x-0.705+2×10-4x1.195，拟合优度R2=0.646；y=4.296x-0.944+5×10-4x1.077，拟合优度R2=0.816；y=43.610x-2.282+33.831x-0.939，拟合优度R2=0.721，模型拟合效果较好。研究结果显示，在I 类快速路上的非营运车辆速度在93.6 km·h-1时，碳排放因子最小，对应车辆碳排放因子最低为122 g·km-1，即所谓经济速度；在此之前，随速度提升车辆碳排放降低；超过93.6 km·h-1时，碳排放缓慢升高，在主干路和次干路仅表现出随速度提升碳排放降低的规律，采用幂函数拟合结果更好。II 类快速路、主干路、次干路上平均速度-油耗拟合结果如图8～图11 所示。总体来看，车辆速度与碳排放的关系存在临界值，速度约为25 km·h-1时，低于该速度的碳排放较高，随速度提高，碳排放下降速率快；高于该速度的碳排放较低，随速度提升，碳排放下降速率慢，所以，城市道路减排的重点应是确保城市道路平均速度不低于25 km·h-1。

图8 快速路(I类)上车辆平均速度-油耗拟合结果Fig.8 Vehicle average speed-fuel consumption fitting results on express roads(class I)

图9 快速路(II类)上车辆平均速度-油耗拟合结果Fig.9 Fitting results of vehicle average speed-fuel consumption on express roads(class II)

图10 主干路上车辆平均速度-油耗拟合结果Fig.10 Vehicle average speed-fuel consumption fitting results on trunk roads

图11 次干路上车辆平均速度-油耗拟合结果Fig.11 Average speed-fuel consumption fitting results of vehicles on secondary roads

在道路类型对车辆碳排放的影响方面，不同等级道路的车辆平均速度-油耗曲线对比如图12 所示。当速度在25～60 km·h-1时，非营运车辆在次干路行驶时的碳排放因子最高为187.5 g·km-1，比I类快速路、II 类快速路及主干路分别高约12%，5%，4%；营运车辆在次干路上行驶时明显高于I 类、II类及主干路的碳排放水平，次干路平均碳排放因子为176.9 g·km-1，比I 类快速路、II 类快速路及主干路分别高约13%，8%，3%；货运车辆的速度表现在次干路和低速时，比其他3 类道路的碳排放水平高，次干路平均碳排放因子为221.6 g·km-1，比I 类快速路、II 类快速路及主干路分别高约10%，8%，5%。结果表明，重庆的次干路碳排放因子较高，略高于快速路10%～13%，与次干路的路幅宽度窄和开口多，信号灯密集和人车混行等因素相关，与文献[4]在上海基于MOVES 模型和实测数据的研究结果，以及文献[6]在长春基于车辆油耗实时测试系统的结论有所不同，文献[4]认为碳排放因子排序为主干路大于快速路大于次干路，且道路等级带来的影响幅度较大，主干路高出次干路63%；文献[6]认为车辆油耗排序为主干路大于次干路，且主干路显著高于次干路，但是，重庆的道路碳排放因子排序为次干路大于主干路大于快速路，且道路等级影响幅度小于13%。究其原因是重庆的主干路网结构与上海和长春等城市不同，重庆的主干路无非机动车道、立交化严重及开口少，导致平均车速快，且瞬时车速变化幅度小，所以，车辆碳排放因子低，主干路的碳排放因子比次干路小。

图12 不同等级道路的车辆平均速度-油耗曲线对比图Fig.12 Comparison of vehicle average speed-fuel consumption curves for different roads

在车辆类型对车辆碳排放的影响方面，如图13所示，在I类快速路上，货运车辆的碳排放因子比非营运车辆和营运车辆分别高出34%和25%；II类快速路上，货运车辆的碳排放因子比非营运车辆和营运车辆高出20%和23%；在主干路上，货运车辆的碳排放因子高出非营运车辆和营运车辆20%和25%；在次干路，货运车辆的碳排放因子比非营运车辆和营运车辆高出16%和26%。结果表明两个结论：一是，货运车辆由于车辆自身属性或是载重等因素，碳排放因子始终高出非营运车辆和营运车辆，由车辆类型特征引起的影响幅度在16%～34%；二是，在低等级的道路上行驶时，车辆间的碳排放因子差异最显著。

3.3 道路坡度对车辆碳排放的影响

道路坡度对车辆碳排放影响方面，由于I 类和II 类快速路坡度较小，基本忽略不计，仅将主干路和次干路作为研究对象。

在主干路上，当速度在25～60 km·h-1时，如图14所示，非营运车辆在不同坡度下的速度-油耗曲线较分散，说明车辆碳排放受道路坡度影响显著；上陡坡的碳排放因子较平坦道路提高了45%，下陡坡的碳排放因子较平坦道路下降了36%，如图15 所示。营运车辆在不同坡度下的油耗-速度曲线比较接近，上陡坡的碳排放因子较平坦道路提高了36%，下陡坡的碳排放因子较平坦道路下降了22%。营运车辆的碳排放因子比非营运车辆的变化幅度小，反映车辆间驾驶习惯不同，说明营运车辆比非营运车辆更注重省油。货运车辆在不同坡度下的速度-油耗曲线分布比较集中，碳排放因子整体偏高，与货运车辆载重有关。

图14 主干路的道路坡度对车辆油耗的影响Fig.14 Influence of road slope of arterial road on fuel consumption of vehicles

图15 车辆在不同坡度主干路上的碳排放因子Fig.15 Carbon emissions of vehicles on arterial roads with different slopes

在次干路上，当速度在25～60 km·h-1时，如图16所示，上陡坡的碳排放因子较高，最高可达到平坦道路的2.1 倍，在其他坡度条件下的碳排放因子相近，上缓坡和下缓坡对车辆碳排放影响程度小于15%，差异较小，下陡坡较平坦道路的碳排放因子下降的最大幅度为57%。总体而言，如图17 所示，车辆上陡坡的碳排放因子比其他条件更敏感。

图17 车辆在不同坡度次干路上的碳排放因子Fig.17 Carbon emissions of vehicles on sub-trunk roads with different slopes

与文献[8]在上海基于实车试验的研究相比，文献[8]认为道路坡度从0～5%时，轻型车的碳排放因子增加48.02%，而道路坡度在-4%～0 时的碳排放因子变化不明显，与本文的研究结果一致。与文献[9]在西安的研究相比，文献[9]认为高速公路上坡路段是机动车产生碳排放的主要路段，累计碳排量对3%～6%的坡度最敏感，本文研究得到碳排放最敏感的坡度范围为4%～7%。

4 结论

本文基于OBD大数据探索重庆本土化的道路碳排放因子，通过建立车路匹配模型分析道路类型、车辆类型及道路坡度对车辆碳排放因子的影响，获取不同道路的碳排放因子集，为城市道路交通碳排放量的计算搭建底层架构，研究表明：

(1)组合函数在数据拟合方面比基本函数更优越，反映了车辆在高速状态下受空气阻力影响，碳排放随速度提升而缓慢升高的趋势。

(2)车辆百公里油耗随车速上升而下降，在0～25 km·h-1区间内下降十分显著，在交通规划管理过程中应采取有针对性的提速措施，尽量减少速度低于25 km·h-1的道路占比，提高道路车速是减少车辆碳排放的有效途径。

(3)山地城市不同类型道路碳排放因子的排序和平原城市不同，重庆的道路碳排放因子排序为次干路大于主干路大于快速路，与主干路无非机动车道、立交化严重及开口少等因素相关；车辆碳排放因子对道路坡度的敏感性高于车辆类型和道路类型，三者关系为道路坡度(最高达110%)大于车辆类型(16%～34%)大于道路类型(3%～13%)；车辆碳排放因子最敏感的是陡坡道路(4%～7%)，陡坡道路的碳排放因子显著高于平坦道路，在道路交通规划设计及道路更新改造时，降低道路纵坡对减少车辆碳排放有显著效果。