基于軌跡數(shù)據(jù)的網(wǎng)約車排放時空特征分析

韓印，李媛媛，李文翔*，劉向龍，祁昊，萬東奇

(1.上海理工大學，管理學院，上海200093；2.交通運輸部科學研究院，北京100029；3.城市公共交通智能化交通運輸行業(yè)重點實驗室，北京100029)

0 引言

隨著移動互聯(lián)網(wǎng)技術的不斷發(fā)展，網(wǎng)約車逐漸成為人們出行的重要交通方式。不同于傳統(tǒng)交通方式，一方面，網(wǎng)約車可以在一定程度緩解乘客打車難以及出租車空載行駛、私家車閑置等資源浪費問題；然而另一方面，網(wǎng)約車將替代一些低碳的出行方式，例如公交、自行車、步行等，甚至可能誘增新的交通需求，加劇了交通擁堵，進而導致更多的交通排放。因此，為了更好地評估網(wǎng)約車的環(huán)境影響，有必要對網(wǎng)約車的排放進行科學的測算與時空特征分析。

已有關于網(wǎng)約車的研究主要集中于其行為特征[1-2]、影響效益[3-4]和運營優(yōu)化[5-6]等方面，但這些研究大多基于問卷調查或仿真模擬數(shù)據(jù)。隨著移動互聯(lián)網(wǎng)和大數(shù)據(jù)分析技術的發(fā)展，網(wǎng)約車平臺公司日常采集的海量軌跡和訂單數(shù)據(jù)為分析真實世界網(wǎng)約車出行特征提供了更直接的證據(jù)。例如，Li等[7]基于成都市網(wǎng)約車訂單數(shù)據(jù)和軌跡數(shù)據(jù)，對比分析了網(wǎng)約車合乘與非合乘的出行特征，結果表明，成都市網(wǎng)約車合乘出行的高峰時段是14:00-15:00，其行程時間、距離、平均速度普遍小于非合乘出行。龍雪琴等[8]基于成都市網(wǎng)約車訂單數(shù)據(jù)，采用基于網(wǎng)絡核密度估計的聚類方法，對網(wǎng)約車上下客熱點路段進行識別，發(fā)現(xiàn)網(wǎng)約車上下客熱點具有明顯區(qū)域分布特性。Dong 等[9]基于北京滴滴出行的訂單數(shù)據(jù)，對比分析了出租車與順風車出行服務模式的時空差異，發(fā)現(xiàn)順風車的平均出行距離一般大于出租車。Sui等[10]基于成都市網(wǎng)約車和出租車GPS數(shù)據(jù)研究發(fā)現(xiàn)，網(wǎng)約車的空駛里程明顯小于出租車，而訂單距離和平均速度顯著大于出租車?？梢?，網(wǎng)約車出行特征與其他交通方式具有顯著的差異。

目前關于網(wǎng)約車能耗與排放的量化研究相對較少，大多采用基于車輛行駛里程的公式法，忽視了車輛實際行駛工況對能耗和排放的影響，導致計算誤差較大，同時也無法對其時空特征進行分析。另一方面，已有部分研究基于軌跡數(shù)據(jù)提取車輛實際行駛工況特征，并借助MOVES(Motor Vehicle Emission Simulator)、IVE(International Vehicle Emission Model)、COPERT(Computer Programme to Calculate Emissions from Road Transport)等更加精細化的機動車排放模型分析車輛的微觀能耗與排放[11]。Luo 等[12]基于出租車GPS 軌跡數(shù)據(jù)，定量分析了上海市出租車能耗和排放的時空分布特征；Liu 等[13]結合出租車GPS 數(shù)據(jù)和車牌識別數(shù)據(jù)，推算了杭州市道路交通排放總量，并分析了其時空分布特征和排放熱點。然而，上述研究主要聚焦于出租車而非網(wǎng)約車，由于網(wǎng)約車的出行特征與傳統(tǒng)出租車顯著不同，關于網(wǎng)約車的排放特征仍有待進一步研究。

因此，為了更加科學、定量、準確地分析網(wǎng)約車的排放特征，本文基于成都市網(wǎng)約車的海量真實GPS軌跡數(shù)據(jù)，應用機動車排放模型COPERT計算網(wǎng)約車出行的溫室氣體及空氣污染物排放量，包括二氧化碳(CO2)、一氧化碳(CO)、氮氧化合物(NOx)、碳氫化合物(HC)，并分析其時空分布特征。本文的研究結果可為網(wǎng)約車出行及排放管理相關政策的制定提供決策依據(jù)，進而改善中心城區(qū)的空氣質量，促進城市交通綠色低碳發(fā)展。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)說明

本文所使用的數(shù)據(jù)來自于滴滴出行開放數(shù)據(jù)項目蓋亞(GAIA)計劃提供的成都2016年11月1日～30日滴滴快車和專車的完整行駛GPS 軌跡數(shù)據(jù)。數(shù)據(jù)字段包括了司機序號ID，訂單序號ID，時間戳，每個記錄點的經(jīng)緯度，平均采樣間隔為3 s 左右，具體如表1所示。該數(shù)據(jù)為典型的時空大數(shù)據(jù)，可以實現(xiàn)對成都地區(qū)網(wǎng)約車排放時空特征較為客觀、真實、全面地分析。

表1 軌跡數(shù)據(jù)說明Table 1 Trajectory data description

滴滴公司出于對乘客隱私的保護，提供的GPS軌跡數(shù)據(jù)被局限于成都市中心東北方向的矩形區(qū)域內，如圖1所示，其經(jīng)緯度范圍為：經(jīng)度[104.04E，104.12E]，緯度[30.65N，30.72N]。該區(qū)域包含天府廣場、春熙路、成都北站、成都動物園等高人流地段，每天經(jīng)過的網(wǎng)約車流量可以滿足研究需求。為了更好地分析網(wǎng)約車排放的空間分布特征，本文以500 m×500 m的網(wǎng)格作為一個基本單位，將研究區(qū)域劃分為289 個網(wǎng)格[14]，如圖1所示。工作日每天的出行需求呈現(xiàn)相對穩(wěn)定的趨勢，為了更好地分析網(wǎng)約車排放1 d中24 h的分布特征，本文選擇某一個典型的工作日(11月18日，周五)數(shù)據(jù)作為研究數(shù)據(jù)。

圖1 研究區(qū)域圖Fig.1 Study area

1.2 數(shù)據(jù)處理流程

讀取原始數(shù)據(jù)可知，11月18日的網(wǎng)約車軌跡數(shù)據(jù)包含40663845 條GPS 記錄，覆蓋223783 個網(wǎng)約車訂單和41894 位網(wǎng)約車司機。為了計算網(wǎng)約車排放，對原始軌跡數(shù)據(jù)進行以下幾個步驟的處理，處理流程如圖2所示。

圖2 數(shù)據(jù)處理流程圖Fig.2 Flow chart of data processing

(1)首先，將原始軌跡數(shù)據(jù)按照DriverID 和OrderID 分組，組內按照時間戳Timestamp 先后順序對GPS點排序，然后將任意相鄰兩個連續(xù)的GPS點相連接，轉化為軌跡段。

(2)由于相鄰GPS 點之間的時間間隔較短(平均3 s)，可根據(jù)相鄰兩個GPS 點的經(jīng)緯度，計算兩點間的直線距離，近似為網(wǎng)約車軌跡段的行駛里程(l)，并基于此計算所有軌跡段的行駛時間(t)、平均速度(v)。

(3)由于GPS 數(shù)據(jù)可能存在缺失或漂移現(xiàn)象，根據(jù)軌跡段的行駛里程、行駛時間、平均速度，過濾不合理或異常的軌跡段，僅保留有效的軌跡段(0

(4)采用空間相交的方法將有效的軌跡段分配到上述的289 個網(wǎng)格中，如圖3所示。以其中的9個網(wǎng)格為例：AB、CD 是原始軌跡段，其中軌跡段AB完全位于網(wǎng)格1內，因此軌跡段AB將分配至網(wǎng)格1；而軌跡段CD跨越了網(wǎng)格3和網(wǎng)格4，相交點為E，因此需要將軌跡段CD 拆分為CE 和ED 兩個軌跡段，其中軌跡段CE 分配至網(wǎng)格3，軌跡段ED 分配至網(wǎng)格4。拆分后的軌跡段行駛里程與行駛時間按比例分配，平均速度保持與原軌跡段一致。

圖3 軌跡段在網(wǎng)格中的分配Fig.3 Allocation of trajectory segments to grids

(5)將拆分和分配后的軌跡段的行駛里程、平均速度等參數(shù)輸入COPERT模型，計算各軌跡段的CO2、CO、HC、NOx的排放量(計算方法見1.3節(jié))。

(6)分別從時間(h)和空間(網(wǎng)格)兩個維度對軌跡段的排放數(shù)據(jù)進行分組統(tǒng)計，進而分析網(wǎng)約車排放的時空分布特征。

1.3 機動車排放模型

現(xiàn)有的機動車排放模型，按照模型模擬的方法和所需車輛運行參數(shù)不同，主要分為兩類：基于平均速度的模型，例如COPERT、EMFAC(EMission FACtors)、MOBILE(Mobile Source Emission Factor Model)等，以及基于行駛工況類模型，例如CMEM(Comprehensive Modal Emission Model)、IVE、MOVES 等[15]。根據(jù)本案例的數(shù)據(jù)特點，本文選擇COPERT模型計算成都市網(wǎng)約車的排放量，由于該模型適用于符合歐洲排放標準的機動車[16]，而當時中國的排放標準基本沿用了歐洲排放標準[17]，故本文近似認為成都市網(wǎng)約車的排放因子與COPERT中相應型號車輛的排放因子相等。同時，也有許多學者將其應用于對中國城市機動車排放的研究，證實了模型和其參數(shù)在中國的實用性[18-19]。

根據(jù)發(fā)動機的工作狀態(tài)，COPERT 模型將機動車排放分為熱排放和冷啟動排放[20]。由于冷啟動排放占比較小，本文只考慮網(wǎng)約車的熱排放。在COPERT 模型中，熱排放的基本公式由距離和排放因子構成[20]，進而計算上述每個軌跡段的熱排放，即

式中：Qp,i為軌跡段i上污染物p的排放量；li為機動車在軌跡段i上的行駛距離；Ep,i軌跡段i上污染物p的排放因子，通常表示為g·km-1。在COPERT模型中，排放因子與平均速度密切相關[20]，其通用公式為

式中：vi為機動車在軌跡段i上的平均速度(km·h-1)；αp、βp、γp、δp、εp、ζp、ηp分別為由車輛類型、排放標準、燃料類型、發(fā)動機類型等因素決定的模型參數(shù)，COPERT模型已根據(jù)實驗數(shù)據(jù)對這些參數(shù)進行了標定。由于2016年成都市網(wǎng)約車大部分為符合中國第四階段排放標準(國Ⅳ)限值的汽油車，因此本文COPERT模型中設定汽車類型為小型乘用車，燃料類型為汽油，排放標準為歐四(與國Ⅳ相當)，其對應的模型參數(shù)如表2所示。

表2 COPERT排放模型參數(shù)表[19-20]Table 2 COPERT emission model parameter table

2 結果與討論

根據(jù)上述數(shù)據(jù)與方法，計算得到各軌跡段的排放量，累計得到2016年11月18日成都市研究區(qū)域內網(wǎng)約車CO、NOx、HC、CO2的排放量分別為151，41.5，8.93，125497.6 kg。假設每日網(wǎng)約車排放量保持穩(wěn)定，進一步估算該區(qū)域內網(wǎng)約車全年的CO、NOx、HC、CO2排放量分別為55.2，15.15，3.26，45806.61 t。下文將重點從時間和空間兩個維度對單日的網(wǎng)約車排放分布特征進行分析與討論。

2.1 網(wǎng)約車排放時間分布特征分析

根據(jù)軌跡段起始時間對排放數(shù)據(jù)進行按小時集計，統(tǒng)計研究區(qū)域內24 h的網(wǎng)約車排放總量變化趨勢，進而分析網(wǎng)約車排放的時間分布特征，如圖4所示。

圖4 網(wǎng)約車排放的時間分布Fig.4 Temporal distribution of ridesourcing emissions

由圖4可知，網(wǎng)約車污染物排放(CO、NOx、HC)和溫室氣體排放(CO2)隨時間的變化趨勢基本一致。凌晨0:00-5:00 網(wǎng)約車排放量整體不斷下降，5:00-6:00排放量達到最低，可能是由于此時為大部分乘客和司機的休息時間。自6:00開始，網(wǎng)約車排放量整體開始上升，7:00-9:00 排放量陡增，9:00-10:00 達到上午的排放高峰，其中污染物排放量為12.09 kg·h-1，溫室氣體排放量為7704 kg·h-1，這可能是因為早高峰時段使用網(wǎng)約車出行的需求較高。隨后10:00-12:00排放量顯著下降，這可能是因為上午工作時間網(wǎng)約車出行量減少。12:00-14:00排放量又開始增加，14:00-15:00排放量達全天最高峰，其中污染物排放量為13.46 kg·h-1，溫室氣體排放量為8403 kg·h-1，這可能是因為中午就餐、娛樂等多樣化的出行使得網(wǎng)約車出行量增加。隨后15:00-17:00排放量整體略有下降，這可能是因為該時段為下午工作時間，但也存在部分中小學放學的出行需求，使得網(wǎng)約車出行量下降不多。17:00-18:00 網(wǎng)約車污染物排放量繼續(xù)下降，而溫室氣體排放量則出現(xiàn)了一個晚高峰，這可能是因為該時段為下班高峰期，交通最為擁堵，導致網(wǎng)約車平均速度較低，加劇了CO2排放(原理見2.3 節(jié))。18:00-22:00 網(wǎng)約車排放量緩慢下降，但整體仍處于較高水平，這可能是因為夜間休閑娛樂等出行活動的增加，導致網(wǎng)約車出行量仍然較高。22:00-24:00排放量顯著下降，由于大部分乘客已回家休息，網(wǎng)約車出行需求降低?？梢?，網(wǎng)約車與具有典型早晚高峰特性的傳統(tǒng)交通方式不同，其排放更加均勻地分布于9:00-22:00 期間，下午14:00-15:00 最高，凌晨5:00-6:00最低，反映了網(wǎng)約車在服務非通勤出行中發(fā)揮的重要作用。

2.2 網(wǎng)約車排放空間分布特征分析

對軌跡段按網(wǎng)格集計，分組匯總上述289個網(wǎng)格內所有軌跡段的排放量，并進行描述性統(tǒng)計，如表3所示?？芍搮^(qū)域內網(wǎng)格的CO、NOx、HC、CO2日平均排放量分別為0.525，0.144，0.031，435.76 kg，最大可達2.688，0.674，0.155，2064.19 kg。

表3 網(wǎng)約車網(wǎng)格排放量描述性統(tǒng)計表Table 3 Descriptive statistics of ridesourcing emissions in grids

然后，對每個網(wǎng)格內CO、NOx、HC、CO2排放量進行空間可視化，進而分析網(wǎng)約車排放的空間分布特征，如圖5所示?？梢?，研究區(qū)域內4 種污染物的空間排放呈現(xiàn)相似的分布情況：高排放區(qū)域主要集中在二環(huán)高架路、二環(huán)路、蜀都大道附近，其中府青路立交、二環(huán)路東三段、玉沙路和紅星路一段交叉口、一環(huán)路西三段和營門口路交叉口排放較為突出。

圖5 網(wǎng)約車排放物空間分布Fig.5 Spatial distribution of ridesourcing emissions

據(jù)調查，二環(huán)路及其高架路作為成都市轄區(qū)的重要交通環(huán)線，每日交通流量非常大，尤其是早晚高峰的擁堵更加嚴重。其沿線有大量的居住區(qū)、學校、醫(yī)院以及交通樞紐，例如二環(huán)路北段附近的成都市火車站、西南交通大學(九里校區(qū))，以及二環(huán)路東段的成都市第六人民醫(yī)院、電子科技大學(沙河校區(qū))等。這些地點的進出人流量極大，且使用網(wǎng)約車出行的頻率較高，導致其必經(jīng)之路——二環(huán)高架路、二環(huán)路上的網(wǎng)約車排放較高。而蜀都大道貫穿成都市中心城區(qū)，沿線擁有大量的商業(yè)中心和旅游景點，包括天府廣場、四川科技館、茂業(yè)百貨、錦官城百貨、成都博物館以及春熙路等。作為成都市最繁華的地段，吸引了大量的外地游客和本地居民，因此聚集了更多的網(wǎng)約車司機在此處等候接單，網(wǎng)約車的流動性更大，導致蜀都大道附近的網(wǎng)約車排放增加。對于部分路段的交叉口(立交)，作為連接四面八方交通流的重要節(jié)點，此處經(jīng)過的網(wǎng)約車通常較多，必然導致該區(qū)域網(wǎng)約車排放相對較高。

2.3 網(wǎng)約車排放因子分析

為了進一步探究影響網(wǎng)約車排放特征的關鍵因素，本文對網(wǎng)約車排放因子與平均速度的關系進行實證分析。以上述網(wǎng)格為單位，分別計算網(wǎng)格內網(wǎng)約車CO、HC、NOx、CO2的排放因子與平均速度，繪制其散點圖并進行多項式曲線擬合，如圖6所示。其中，X表示自變量網(wǎng)格平均速度，Y分別表示因變量CO、HC、NOx、CO2排放因子，R2為多項式擬合優(yōu)度。

圖6 網(wǎng)約車平均速度和排放因子關系圖Fig.6 Relationship between average speed and emission factors of ridesourcing

可見，當平均車速在10～70 km·h-1范圍時，研究區(qū)域網(wǎng)格的CO、HC、NOx、CO2平均排放因子分別為：0.147～0.300 g·km-1，0.012～0.014 g·km-1，0.032～0.091 g·km-1，137.94～294.94 g·km-1，它們與網(wǎng)格平均速度的關系均可通過多項式曲線較好地擬合。其中，CO和HC的平均排放因子變化趨勢相似，隨平均速度的增大而增大；NOx和CO2的平均排放因子變化趨勢相似，隨平均速度的增大而減小，與已有關于排放因子與速度關系的研究結果相符[21-23]。不同速度下的排放差異均與車速相關，當速度較低時，車輛加速、減速、怠速模式會引起車輛排放急劇增加。而當?shù)∷贂r間超過50%，造成大量的CO2排放，但是CO 排放比例并不高，因為CO 的排放主要由加減速引起[24]。因此，區(qū)域平均速度通過對網(wǎng)約車排放因子的影響，進而也可能影響網(wǎng)約車排放的時空分布。

研究區(qū)域網(wǎng)格平均車速主要集中在30～50 km·h-1范圍內，這是由城市對車速的限制以及城市交通的擁擠程度決定的。如圖5所示，成都市二環(huán)內的排放量明顯多于二環(huán)外，由于成都二環(huán)路及中心城區(qū)附近的交通量較大，使得擁堵情況相較于二環(huán)外更嚴重，造成該區(qū)域的網(wǎng)約車平均速度減小。因此，政府相關部門可針對成都市二環(huán)內高排放區(qū)域進行交通需求管理及車輛限速控制等治理手段，以減少中心城區(qū)的交通排放。

3 結論

本文以成都市部分區(qū)域內網(wǎng)約車真實軌跡數(shù)據(jù)為基礎，采用COPERT模型精確計算了網(wǎng)約車的CO、NOx、HC、CO2排放量，并對其時空分布特征進行分析。具體結論如下：

(1)從時間分布來看，研究區(qū)域內網(wǎng)約車排放的高峰時段分別發(fā)生在9:00-10:00、14:00-15:00 和17:00-18:00，凌晨5:00-6:00 最低，與具有典型“雙峰”特征的傳統(tǒng)交通方式不同，小時排放最高峰并未出現(xiàn)在早晚通勤高峰期間，而是在下午。

(2)從空間分布來看，研究區(qū)域內網(wǎng)約車排放主要集中在二環(huán)高架路、二環(huán)路、蜀都大道附近，以及部分路段的交叉口(立交)，這是因為這些區(qū)域人流聚集，交通量較大。

(3)區(qū)域平均速度越大，該區(qū)域網(wǎng)約車CO 和HC 的平均排放因子越大，而NOx和CO2的平均排放因子越小，因此通過調節(jié)區(qū)域網(wǎng)約車平均速度可以一定程度影響網(wǎng)約車排放。

本文基于時空大數(shù)據(jù)分析，實現(xiàn)了對網(wǎng)約車實際排放的量化，并揭示了網(wǎng)約車排放的時空分布特征及影響因素，可為網(wǎng)約車環(huán)境影響評估提供科學方法，為城市網(wǎng)約車管理的相關政策制定提供決策依據(jù)。然而由于數(shù)據(jù)資源有限，本文僅能對2016年成都市局部區(qū)域內的網(wǎng)約車排放進行分析，研究結果只能反映該特定區(qū)域的特征，未來將在獲得更大空間尺度數(shù)據(jù)的基礎上，對整個城市網(wǎng)約車的排放進行分析，得到更加具有代表性的網(wǎng)約車排放時空分布特征。