重型貨運車輛出行時空差異性和影響因素分析

陳小鴻，劉涵，張華，楊志偉

(同濟大學(xué)，a.道路與交通工程教育部重點實驗室；b.磁浮交通工程技術(shù)研究中心，上海 201804)

0 引言

高效管理城市貨運交通事關(guān)社會經(jīng)濟發(fā)展效率和居民生活成本。貨運交通量增長帶來貨運交通重要性提升，隨著城市發(fā)展品質(zhì)要求的日益提高，使得貨運交通尤其是重型貨運交通管理日益成為城市交通安全、排放和污染等綜合治理領(lǐng)域的重點工作。高效精準(zhǔn)的管理貨運交通需要全面理解和認(rèn)識貨運交通運行的時空特征和影響因素等問題。對比客運交通，貨運交通尤其是重型貨運交通無論是理論研究還是應(yīng)用研究都十分匱乏[1]。造成貨運交通研究不足的局面主要有兩方面原因。一方面，在安全、環(huán)境和噪聲等交通負(fù)外部性未引起足夠重視的時代，貨運交通因為其相對客運交通而言交通量占比較小，未被認(rèn)為對城市交通運行具有重要影響，吸引的研究關(guān)注不夠。另一方面，貨運交通本質(zhì)是經(jīng)濟生產(chǎn)行為在流通領(lǐng)域的體現(xiàn)，是物資流通鏈上的多元主體(貨主、承運商、貨車司機及零售商等)經(jīng)濟行為的決策結(jié)果，并不是個體生活行為的呈現(xiàn)，使得交通研究中最為常見的人口-土地利用、居民出行調(diào)查及手機信令等基礎(chǔ)數(shù)據(jù)幾乎完全不能支持對貨運交通開展深入研究，使貨運交通領(lǐng)域研究基礎(chǔ)十分薄弱。

隨著信息技術(shù)應(yīng)用普及和對貨運交通尤其是重型貨運交通治理要求的提高，世界范圍內(nèi)對貨運交通車輛全過程位置數(shù)據(jù)監(jiān)測日益普及，為貨運交通研究開辟了新途徑[2]。近3～5年來，基于貨運車輛位置數(shù)據(jù)(GPS)分析貨運需求特征和車輛運行特征等相關(guān)研究逐漸興起。SIRIPIROTE 等[3]論證了利用貨車GPS數(shù)據(jù)分析貨車出行與活動特征、活動模式以及出行鏈的可行性。利用GPS 數(shù)據(jù)開展貨運交通研究的關(guān)鍵技術(shù)問題之一是如何切割軌跡數(shù)據(jù)構(gòu)建車輛出行數(shù)據(jù)，ADMA 等[4]基于30 s 采集間隔的3.5 t以上貨車GPS數(shù)據(jù)，通過靈敏度分析方法確定10 min的時長閾值切割出行；DEMISSIE等[5]提出基于速度閾值的啟發(fā)式算法識別GPS 軌跡數(shù)據(jù)的貨車停留行為；GINGERICH等[6]構(gòu)建了距離緩沖閾值方法識別貨車停留行為。2014年，交通運輸部等部委聯(lián)合發(fā)布《道路運輸車輛動態(tài)監(jiān)督管理辦法》(簡稱《管理辦法》)，明確要求重型載貨汽車(總質(zhì)量為12 t及貨運車輛)全部安裝和使用衛(wèi)星定位裝置，為系統(tǒng)研究我國貨運交通特別是重型貨運交通提供了扎實的數(shù)據(jù)基礎(chǔ)。例如，丁曉青[7]和肖作鵬等[8]基于12 t以上貨車GPS數(shù)據(jù)分析了廈門和深圳重型貨運車輛交通特征；甘蜜等[9]從貨運出行信息辨識、貨運系統(tǒng)關(guān)鍵特征預(yù)測以及貨運系統(tǒng)應(yīng)用這3方面綜述了貨車軌跡數(shù)據(jù)在公路貨運領(lǐng)域中的應(yīng)用。

回顧現(xiàn)有重型貨運車輛交通研究，GPS數(shù)據(jù)已成為精細(xì)化描述車輛出行特征的重要工具，基于軌跡數(shù)據(jù)提取出行信息是關(guān)鍵技術(shù)方法。目前，關(guān)于貨運車輛出行特征分析主要圍繞出行次數(shù)和出行距離(或時長)等基本信息開展，也有部分學(xué)者關(guān)注到了貨運交通與設(shè)施間的關(guān)聯(lián)性，并分析了大型設(shè)施間的貨運交通聯(lián)系[8]。但現(xiàn)有研究的對象較少考慮重型貨車分類，貨車出行特征應(yīng)該結(jié)合貨運行為本身特性開展，例如，不同類型的重型貨車軌跡數(shù)據(jù)的出行切割應(yīng)該采用不同的時間閾值，以更精準(zhǔn)識別重型貨車的組內(nèi)運行差異性，支持更精準(zhǔn)的貨運交通管理政策的制訂與實施。整體而言，有兩方面有待改進(jìn)。其一，重型貨運車輛包括多種類型，例如，普通大貨車、集裝箱卡車、冷鏈車及土方車等，不同類型重型貨運車輛的功能作用和運行機制有著顯著差異，既有研究對不同類型重型貨車運行特征差異性刻畫不足；其二，不同類型重型貨車交通時空分布的影響因素差異刻畫不足，各類型貨車交通量與用地設(shè)施間的非線性關(guān)系研究不足。基于以上，本文重點刻畫重型貨車活動的時空分布和影響因素的差異性，彌補既有研究不足。本文討論了5 類重型貨車基于GPS 軌跡數(shù)據(jù)的出行劃分閾值確定方法，分析5 類重型貨車的出行次數(shù)、時刻分布、空間集聚模式及其差異，并以普通大貨車與集裝箱卡車為研究對象，利用廣義加性模型(Generalized Additive Model, GAM)解析兩類車輛活動空間影響因素及差異，捕捉集裝箱卡車活動與物流倉儲用地規(guī)模之間的非線性作用機制。

1 貨運車輛出行切分方法

1.1 數(shù)據(jù)清洗

本文數(shù)據(jù)源是深圳市4.2 萬輛重型貨運車輛在2020 年12 月7 日～13 日(一周)的GPS 軌跡數(shù)據(jù)(車輛ID已匿名化編號處理)，車輛類型包括：普通大貨車、集裝箱卡車、土方車、冷鏈運輸車和重型罐式車這5 類。GPS 數(shù)據(jù)采集間隔約30 s，每條記錄中包括：時刻、位置、速度及累計行駛里程等信息。原始GPS數(shù)據(jù)需要進(jìn)行預(yù)處理和清洗，規(guī)則為5條：(i)刪除時間記錄在研究日期之外的數(shù)據(jù)；(ii)刪除完全重復(fù)的數(shù)據(jù)記錄(保留第1條)；(iii)刪除事件記錄字段非0值的數(shù)據(jù)記錄，即發(fā)生數(shù)據(jù)接收錯誤；(iv)剔除單日數(shù)據(jù)小于100條的車輛數(shù)據(jù)，即判定車輛處于非使用狀態(tài)；(v)剔除里程變化異常的車輛數(shù)據(jù)，例如，里程躍遷、單日里程變化大于2000 km 等情形。數(shù)據(jù)預(yù)處理和清洗后，5 類車輛的有效樣本數(shù)量如圖1所示。

圖1 5種類型貨運車輛數(shù)據(jù)樣本Fig.1 Sample sizes for five types of freight vehicles

1.2 軌跡數(shù)據(jù)切割與出行界定

GPS 數(shù)據(jù)是監(jiān)測車輛時-空變化的連續(xù)數(shù)據(jù)，如何切割連續(xù)數(shù)據(jù)，界定車輛活動或出行是關(guān)鍵性的基礎(chǔ)工作，直接影響車輛活動特征分析和影響因素分析的結(jié)論。車輛出行界定的首要工作是從軌跡數(shù)據(jù)中識別起訖的端點?；贕PS 數(shù)據(jù)識別起訖端點分為兩步：第一步是根據(jù)GPS軌跡數(shù)據(jù)判斷車輛是否存在停留及停留位置，第二步是基于停留位置篩選有效停留點。第一步的車輛停留及其位置識別是通過車輛行駛速度或發(fā)動機是否熄火等信息識別，第二步的有效停留點識別是技術(shù)關(guān)鍵點，主要有地理信息法[10]、空間聚類法[11]以及時間閾值法[12]這3種處理方法。地理信息法通常借助POI信息輔助判斷停留類型，需要POI信息全面完整和精細(xì)的空間顆粒度才能有較好的正確率；空間聚類法試圖找尋車輛軌跡在空間上的高度集中位置表征停留，對軌跡數(shù)據(jù)的采樣頻率及精度均有較高要求；結(jié)合速度和位置變化的停留時間閾值法運用較為廣泛，但難點是對停留時間閾值的確定，現(xiàn)有研究主要通過經(jīng)驗判斷確定。

本文數(shù)據(jù)涵蓋多種類型的重型貨車，其運行機制和影響因素存在異質(zhì)性，地理信息法和空間聚類法難以有效刻畫，因此，采用時間閾值方法篩選停留點。為捕捉不同類型車輛活動差異性，針對不同類型車輛確定差異化的時間閾值。本文提出兩步驟貨車出行劃分方法。第一步是根據(jù)停留時長與速度閾值的組合生成初始停留點集；第二步采用時間閾值法(各類車輛閾值不同)篩選得到有效停留點，將兩次有效停留之間的片段提取為1次車輛出行，構(gòu)建車輛出行數(shù)據(jù)集，包括每次出行的起訖點及起止時刻等數(shù)據(jù)字段。貨車軌跡切割方法如圖2所示。

圖2 貨車軌跡切割方法示意Fig.2 Schematic diagram of truck track cutting method

(1)識別初始停留點集

將一段時間內(nèi)里程未發(fā)生變化視作停留時段，但考慮到某些軌跡數(shù)據(jù)的跳躍性(例如，兩條數(shù)據(jù)間隔長達(dá)幾分鐘)，因此，以速度閾值作為補充，設(shè)置兩條識別規(guī)則。規(guī)則1：若字段‘mileage’(里程)超過10 min 保持不變，判斷為停留?，F(xiàn)有研究成果表明，10 min作為貨車停留事件的判別是合理的[4]，且本文研究對象為12 t以上重型貨運車輛，重點關(guān)注車輛因作業(yè)過程而產(chǎn)生的停留行為，10 min閾值選擇可剔除部分外部因素(例如，等待紅綠燈和堵車等)造成的干擾。規(guī)則2：對于某些跳躍數(shù)據(jù)記錄，某里程記錄可能只存在1 條，如果根據(jù)規(guī)則1，則該里程持續(xù)時間為0 min，因此，不會被判斷為停留點。對于這部分?jǐn)?shù)據(jù)，則計算其前后2條數(shù)據(jù)記錄的里程差以及時間差，得到該時段的平均速度，將平均速度低于某設(shè)定閾值的點同樣記錄為停留點。速度閾值設(shè)置與規(guī)則1保存一致，選取6 km·h-1。

(2)基于時間閾值的停留點篩選

針對人的出行規(guī)律和出行特征已經(jīng)被大量研究，并且形成了穩(wěn)定共識，在客運出行的軌跡數(shù)據(jù)研究中，通常以調(diào)查數(shù)據(jù)或其他多源數(shù)據(jù)的日均出行次數(shù)和出行時長等指標(biāo)檢驗時間閾值選取合理性。但貨運車輛出行或使用特征的研究基礎(chǔ)較為薄弱，并且貨運交通類型的多樣性和作業(yè)方式復(fù)雜性，目前，缺少共識性的貨車出行切割時間閾值，需要從樣本統(tǒng)計量和統(tǒng)計特征穩(wěn)定性兩方面說明出行切割結(jié)果的可信度。本文運用抽樣統(tǒng)計中的最小樣本量原理，針對不同類型重型貨車，通過繪制一定數(shù)量的車輛時空軌跡圖觀察每日出行情況，測試對比不同時間閾值選擇下的切分結(jié)果，選擇最符合實際觀察結(jié)果的時間閾值作為篩選有效停留點的取值。貨車單日時空軌跡示例如圖3所示。

圖3 貨車單日時空軌跡示例Fig.3 Example of a single-day space-time trajectory of a truck

不同重型貨車類型軌跡數(shù)據(jù)觀察的最小樣本量確定方法為

式中：n為最小樣本量；z1-α2為95%置信區(qū)間下的統(tǒng)計值(1.96)，其中，α為正態(tài)分布落在置信區(qū)間以外的面積的百分?jǐn)?shù)(0.05)；σ為樣本總體標(biāo)準(zhǔn)差；E為可接受誤差。

由于總體數(shù)據(jù)的σ未知，以抽樣數(shù)據(jù)中各類型貨車出行次數(shù)標(biāo)準(zhǔn)差(σ)作為總體標(biāo)準(zhǔn)差的估計。不同時間閾值選擇下標(biāo)準(zhǔn)差有所差異，計算發(fā)現(xiàn)，各類貨車在不同的時間閾值切割下的σ均小于2.5，因此，選取最大值σ=2.5 確定最小樣本量?？山邮苷`差確定為0.5 次，帶入式(1)得到計算結(jié)果n=97，因此，選取各類貨車100輛作為反應(yīng)總體樣本的最小抽樣數(shù)據(jù)。

通過對各類型貨車的最小樣本量抽樣觀察和統(tǒng)計發(fā)現(xiàn)，集裝箱卡車、冷鏈運輸車、土方車、普通大貨車及重型罐式車的日均出行次數(shù)分別為3.5、4.0、5.0、4.1和7.8次左右。本文設(shè)定30，25，30，25，35 min的出行切割閾值，將得到的出行次數(shù)與通過最小樣本量觀察到的出行次數(shù)相比較，選擇最接近結(jié)果的時間切割閾值作為合理結(jié)果，得到各類貨運車輛軌跡數(shù)據(jù)的出行切割閾值，如表1所示。可以發(fā)現(xiàn)，不同類型的貨運車輛合理的出行切割時間閾值是存在差異的，重型罐式車、集裝箱卡車和土方車的切割閾值較長，與其單次裝卸作業(yè)平均時長是緊密關(guān)聯(lián)的。

表1 5類貨車出行劃分時間閾值Table 1 Time thresholds for trips cutting of five types of trucks

1.3 出行界定閾值合理性分析

基于統(tǒng)計抽樣的最小樣本量方法測試確定不同類型貨運車輛出行切割閾值，還需要分析切割結(jié)果展現(xiàn)的不同類型貨車出行基本特征，以反向佐證方法的合理性。根據(jù)確定的出行切割閾值，計算得到各類重型貨車基本出行特征如表2所示。

表2 5類貨車出行的基本特征Table 2 Basic characteristics of five types of truck travel

由表2 可知，重型貨車日均行駛里程基本在200～350 km，遠(yuǎn)高于客運小汽車30～50 km，表明重型貨車的日均使用強度較高；結(jié)合日均行駛里程和日均出行次數(shù)指標(biāo)，分析出行界定結(jié)果的合理性。載重量越大的貨運車輛裝卸貨時間可能越長，日均出行次數(shù)應(yīng)越少，單次出行距離越長，計算得到的普通大貨車和集裝箱卡車指標(biāo)結(jié)果符合這一推斷。重型罐式車和土方車出行次數(shù)顯著高于其他重型貨運車輛也與其自身作業(yè)特點相關(guān)，例如，土方車需要頻繁往返工地承擔(dān)“建筑垃圾和建筑材料”運輸任務(wù)，重型罐式車的裝卸方式是獨特的。

進(jìn)一步將結(jié)果與既有研究的相關(guān)指標(biāo)交叉驗證。YANG等[10]擬合了12 t以上大型貨運車輛停留時長的分段冪律分布曲線，發(fā)現(xiàn)大于26 min的停留行為才較可能與裝卸活動相關(guān)，并結(jié)合地理信息數(shù)據(jù)(POI 數(shù)據(jù))和路網(wǎng)數(shù)據(jù)篩選有效停留位置。表2中展示的本文結(jié)果與既有研究結(jié)果整體是一致的。但不同類型的重型貨運車輛活動的關(guān)聯(lián)設(shè)施具有顯著差異，較難獲取可以關(guān)聯(lián)不同類型貨車活動的高質(zhì)量POI 數(shù)據(jù)支持對各類貨車出行數(shù)據(jù)的構(gòu)建。本文所采用的方法在結(jié)果得到整體合理性檢驗前提下，可以在缺少完整的POI數(shù)據(jù)條件下實現(xiàn)不同類型貨車出行信息的捕捉和構(gòu)建，但技術(shù)過程更為簡潔，具有更好的可移植性。

2 重型貨運車輛活動時間差異性

2.1 出車率差異

車輛的出車率體現(xiàn)了用車強度，用1周內(nèi)的出行天數(shù)表征，指1 周內(nèi)有車輛使用的天數(shù)。5 類重型貨運車輛的使用天數(shù)分布情況如圖4所示。

圖4 5類貨車1周出行天數(shù)分布Fig.4 Distribution of number of days with using for five types of trucks

由圖4可知，重型罐式車和土方車的出車率明顯高于其他類別重型貨運車輛，兩者1周內(nèi)每日都出車的比例分別達(dá)到70%和67%，其他3 類重型貨車僅45%～50%的車輛會在1 周內(nèi)的每日都會出車。用車強度的不同可能源于貨運類型的差異，罐式車和土方車都是專用型作業(yè)，車輛規(guī)模受管制程度較高，因此，已進(jìn)入細(xì)分市場的車輛利用率較高，其他類型的重型貨車市場化程度更高，每日的運輸需求受市場調(diào)節(jié)而存在波動情形。

2.2 出行時段差異

1 d內(nèi)的出行時段分布是影響重型貨車對道路交通網(wǎng)絡(luò)運行影響的直接因素，例如，是否與小客車具有相同的時段分布等特征。各類貨車1 d內(nèi)所有出行的出發(fā)時段的概率密度分布如圖5所示，并增加了小客車出行時段分布(基于深圳市個人自用新能源汽車的GPS數(shù)據(jù)分析結(jié)果)對比分析。

圖5 5類貨車出發(fā)時刻分布情況Fig.5 Distribution of trip beginning time for five types of trucks

由圖5可知：(1)重型貨運車輛出行時段分布密度曲線相比小客車更加平滑，出行波峰-波谷現(xiàn)象不如小客車顯著，以集裝箱卡車最為典型；但土方車出行有明顯的早晚高峰時段，分別為9:00 和20:00，與小客車高峰時段錯開，與建筑工地作業(yè)計劃和土方車交通管理政策緊密相關(guān)。(2)貨運車輛夜間至凌晨活動較小客車更為頻繁，例如，22:00-次日6:00時段占比顯著高于小客車，表明重型貨運交通有著自身獨特的作業(yè)計劃，對這一特征的深度挖掘是制定高效合理的貨運車輛通行管理措施的關(guān)鍵工作。(3)土方車與重型罐式車的夜間出行占比高于其他貨運車輛，普通大貨車和集裝箱卡車更傾向于日間出行，可能與不同類型貨運車輛所服務(wù)的生產(chǎn)活動要求和交通管制措施的差異是關(guān)聯(lián)的，例如，土方車主要是運輸建筑工地挖掘作業(yè)的廢棄物，而挖掘作業(yè)可能存在晝夜連續(xù)施工要求，從而帶來土方車夜間活動頻次較高的特征。

3 重型貨運車輛活動空間差異性

貨運交通的起訖點與貨運設(shè)施、貨源產(chǎn)生或接收點等緊密關(guān)聯(lián)，可能會帶來貨運交通在空間上的集聚現(xiàn)象，不同類型重型貨車承擔(dān)的貨物類型或用途不同，其集聚特征是否存在差異值得挖掘分析。

3.1 車輛出行的空間尺度

重型貨運車輛通常的活動范圍并不僅限于單個城市內(nèi)部，因此，分析貨車在城市內(nèi)部的活動空間特征之前，需要在更大的空間尺度上探索活動空間分布特征。本文的數(shù)據(jù)對象是注冊在深圳(粵B車牌)的12 t以上重型貨運車輛，分析重型貨運車輛進(jìn)出深圳市域的活動特征，將貨車活動根據(jù)起訖點空間位置分為深圳市內(nèi)活動(市內(nèi)-市內(nèi))、跨深圳市活動(市內(nèi)(外)-市外(內(nèi)))以及深圳市外活動(市外-市外)這3 類，5 類貨車的3 種活動數(shù)量占比如圖6所示。

圖6 5類貨車跨市與市內(nèi)出行占比Fig.6 Proportion of inner-city and inter-city trips by five types of trucks

由圖6可知，土方車與重型罐式車在深圳市內(nèi)活動占比分別高達(dá)87%與89%，說明這2 類車輛幾乎完全活動于本地城市，可能與車輛受地區(qū)專營制度約束較強是緊密關(guān)聯(lián)的。集裝箱卡車的市內(nèi)活動占比最低，為29.1%，表明集裝箱卡車主要承擔(dān)中長途貨物運輸服務(wù)，其活動空間通常是在區(qū)域乃至全國空間中分布。相比之下，普通大貨車在深圳市內(nèi)活動占比接近40%，更主要承擔(dān)本地運輸功能。以街道/鎮(zhèn)為空間單元，繪制5 類貨車1 周OD的市域空間分布如圖7所示。

圖7 深圳5類貨車OD空間分布Fig.7 Spatial distribution of five types of trucks OD in Shenzhen

由圖7可知，各類貨車出行的空間分布差異顯著。集裝箱卡車主要與2個海運港口關(guān)聯(lián)，且在港區(qū)附近均存在1 個主要貨車交通OD 對，與集裝箱卡車在港口碼頭與配套的貨運堆場之間的拼箱作業(yè)活動相關(guān)；普通大貨車主要活動在城市外圍的工業(yè)及倉儲區(qū)，市內(nèi)核心區(qū)只有極少的重型貨車交通，與貨車限行和物流分級運輸?shù)呢涍\交通政策緊密相關(guān)；冷鏈運輸車和重型罐式車的OD空間分布很大程度上能夠反映該類貨運活動關(guān)聯(lián)特定設(shè)施的分布情況；土方車活動區(qū)域與城市建設(shè)開發(fā)活動分布高度相關(guān)，從側(cè)面印證了目前深圳市大量開發(fā)建設(shè)項目集中在城市西部的前海地區(qū)以及北部與東莞和惠州一體化發(fā)展地區(qū)。

3.2 車輛出行的空間集聚

本文通過構(gòu)建重型貨車的出行網(wǎng)絡(luò)，利用網(wǎng)絡(luò)節(jié)點強度分布刻畫重型貨車的活動空間集聚特征。以街道或鎮(zhèn)為節(jié)點，構(gòu)建重型貨車活動網(wǎng)絡(luò)，以某類貨車出行為例，存在1 次從街道i至街道j的出行，則設(shè)街道i至街道j為網(wǎng)絡(luò)節(jié)點，記為Vi和Vj，將節(jié)點i和j連接，形成有向邊Tij，記邊Tij的流量權(quán)重(邊權(quán))wij=1，如果Tij上存在x個OD對，則相應(yīng)的wij=x。

節(jié)點強度代表該街道貨車的發(fā)生吸引強度，用發(fā)生吸引量總和表示，即節(jié)點在網(wǎng)絡(luò)中對流動關(guān)系影響的強弱。節(jié)點強度分布常采用分布函數(shù)或累積分布函數(shù)描述，由于實際情形中節(jié)點強度分布往往會在其中的一些取值處(特別是尾部的一些地方)有明顯的類似于噪聲擾動的偏差，繪制累積分布函數(shù)曲線能夠?qū)Υ诉M(jìn)行光滑化處理。常用的最小二乘擬合方法無法解決冪律分布適用范圍與長尾波動的問題，本文基于Kolmogorov-Smirnov(KS)統(tǒng)計量對節(jié)點強度分布進(jìn)行極大似然估計與擬合優(yōu)度檢驗[13]。

采用極大似然公式估計冪指數(shù)為

式中：kmin為使冪律成立的節(jié)點強度最小值；N?為強度不小于kmin的節(jié)點數(shù)，針對所有強度不小于kmin的節(jié)點求和。KS統(tǒng)計量為觀察數(shù)據(jù)的累積分布函數(shù)與擬合模型之間的最大距離D，S(k)與P(k)分別為觀察值與擬合的冪律分布中節(jié)點強度大于kmin的累積分布函數(shù)，即

在雙對數(shù)坐標(biāo)軸中繪制4 類重型貨車出行網(wǎng)絡(luò)節(jié)點強度互補累積分布如圖8所示(尾部直線可用于檢驗是否符合冪律分布，若尾部互補累積分布在雙對數(shù)坐標(biāo)軸中趨于直線則滿足；冷鏈運輸車活動網(wǎng)絡(luò)不符合冪律分布，未繪制)，并進(jìn)行冪律分布擬合，擬合參數(shù)如表3 所示，其中，P_value 小于0.05 則拒絕冪律分布。邊權(quán)分布的差異性可以通過基尼系數(shù)衡量[14]。

圖8 5類貨車出行網(wǎng)絡(luò)節(jié)點強度互補累積分布Fig.8 Complementary cumulative distribution of node strength for five types of trucks trip networks

表3 5類貨車出行網(wǎng)絡(luò)冪律分布擬合參數(shù)Table 3 Fitting parameters of power-law distribution of five types of trucks trip networks

表3結(jié)果顯示，除冷鏈運輸車之外(P_value 小于0.05)，其他幾類貨車出行網(wǎng)絡(luò)在節(jié)點強度大于kmin前提下均服從冪律分布，滿足無標(biāo)度條件，說明貨運交通網(wǎng)絡(luò)具有分級特性，少數(shù)空間(本文是以街道/鎮(zhèn)為最小空間)聚集了大量重型貨車交通量，而大多數(shù)街道只有極少數(shù)流量。無標(biāo)度分布的冪指數(shù)γ越小，表明，網(wǎng)絡(luò)節(jié)點集中度越高，聚集效應(yīng)最強的是集裝箱卡車，符合實際情況。集裝箱卡車更多是連接海港和空港等貨運樞紐與大型物流和倉儲園區(qū)為主，這幾類設(shè)施在城市空間中數(shù)量較少且分布集中。

從邊權(quán)(節(jié)點間流量)基尼系數(shù)來看，幾類重型貨車出行網(wǎng)絡(luò)同樣展現(xiàn)了高度聚集性，邊權(quán)基尼系數(shù)均大于0.5，且大部分在0.7 以上，評價為差距懸殊，集裝箱卡車出行網(wǎng)絡(luò)邊權(quán)基尼系數(shù)是最大的。冷鏈運輸車的節(jié)點強度和邊權(quán)分布較其他重型貨車更具有勻質(zhì)性，這與具有保溫運輸需求的活動場所(例如，生鮮超市、菜市場及醫(yī)院等)分布更為廣泛和均勻是相關(guān)的。

4 重型貨運車輛活動空間差異的影響因素

重型貨車活動在空間上具有集聚現(xiàn)象，但不同類型車輛的集聚區(qū)域是存在差異的，并且與各自貨運服務(wù)類型是相關(guān)的。本文選取樣本量最多且具有明顯差異的普通大貨車與集裝箱卡車為對象，探索車輛活動空間差異的影響因素。兩類車輛的停留熱區(qū)如圖9所示。

圖9 兩類貨運車輛出行熱點區(qū)域Fig.9 Two types of freight vehicle trip hotspots

由圖9可知，普通貨車的活動范圍明顯廣于后者，普通貨車主要活動在城市外圍區(qū)域，與外圍工業(yè)區(qū)以及幾大主要物流倉儲園區(qū)相關(guān)聯(lián)，而集裝箱卡車基本集中于城市東西兩側(cè)的港口區(qū)域內(nèi)。

本文考慮使用線性模型和非線性模型對比解析兩類貨車活動空間差異及影響因素。常用的探索非線性影響的模型有廣義加性模型(GAM)和廣義加性混合模型(GAMM)。相較于多元線性模型(MLR)，GAM 模型和GAMM 模型均能刻畫影響因素對響應(yīng)變量的非線性作用機制，并可以直觀解析和量化各影響因素對響應(yīng)變量的影響[15]。GAM模型和GAMM 模型的基本原理類似，區(qū)別在于兩者對個體效應(yīng)的假定不同，GAMM 更適用于長時間周期的面板數(shù)據(jù)。由于本文以街道及1 周的貨車活動量為研究對象，建模數(shù)據(jù)可以理解為截面數(shù)據(jù)，因此，選用GAM模型刻畫重型貨車交通的影響因素及作用。GAM模型由預(yù)測變量的平滑函數(shù)和組成，即

式中：β0為常數(shù)項；βk為固定效應(yīng)Xk的估計參數(shù)，K為固定效應(yīng)Xk的總數(shù)；fl為協(xié)變量Xl的平滑函數(shù)，L為呈現(xiàn)非線性特征的協(xié)變量總數(shù)；b為隨機效應(yīng)；y為預(yù)測變量。

以深圳74個街道的兩類貨運車輛產(chǎn)生量為研究對象，考慮到影響貨運交通產(chǎn)生量的主要因素，選擇工業(yè)用地建筑面積(BM1)、物流倉儲用地建筑面積(BW1)、人口(P)以及街道中心經(jīng)緯度(Jlon,Jlat)進(jìn)行建模(經(jīng)度和緯度常作為GAM 模型的空間因子)，經(jīng)檢驗各變量間的方差膨脹因子(VIF)均小于5，滿足建模要求。模型擬合參數(shù)如表4 所示，影響因素的效應(yīng)分析如圖10 和圖11所示。

圖10 普通大貨車活動量與因子間的廣義加性模型分析Fig.10 Generalized additive model analysis diagram between ordinary large truck activity volumes and factors

圖11 集裝箱卡車活動量與因子間的廣義加性模型分析Fig.11 Generalized additive model analysis diagram between container truck activity volumes and factors

表4 GAM模型擬合參數(shù)Table 4 Fitting parameters for GAM model

圖10 結(jié)果顯示，普通大貨車交通量與物流倉儲用地建筑面積基本保持線性相關(guān)性，從工業(yè)用地建筑面積對兩類貨車活動量的影響來看，工業(yè)用地對普通貨車活動量的影響程度更強，說明普通大貨車的活動主要與工業(yè)用地緊密相關(guān)，但同時也會承擔(dān)物流園區(qū)間的貨物運輸功能，解釋了活動熱區(qū)中普通大貨車主要活動于深圳市外圍地區(qū)的原因。圖11 結(jié)果顯示，集裝箱卡車交通量與物流倉儲用地建筑面積之間存在非線性關(guān)聯(lián)，當(dāng)此類用地規(guī)模較小時，曲線增長較為平緩，達(dá)到一定規(guī)模后增長速率大幅度上升，表明集裝箱卡車集中活動于港口以及規(guī)模較大的一些特定物流倉儲園區(qū)，結(jié)合活動熱區(qū)說明，集裝箱卡車主要服務(wù)于港口貨物的集散。此外，圖10和圖11顯示兩類貨車模型中人口變量均為非顯著變量，且與貨運交通量成負(fù)相關(guān)關(guān)系，也佐證了大型貨運車輛的活動區(qū)域集中分布于人口相對稀疏的城市外圍大型物流倉儲園區(qū)和工業(yè)園區(qū)等空間，較少參與人口密集的城市內(nèi)部貨運。

為驗證廣義加性模型(GAM)的解釋能力優(yōu)勢，本文同步應(yīng)用了多元線性模型(Multiple Linear Regression,MLR)進(jìn)行對比。根據(jù)上述4 個變量建立多元線性回歸模型，通過AIC 值對比GAM 模型與MLR模型性能差異，如表5所示。

表5 GAM模型與MLR模型性能比較Table 5 Performance comparison of GAM model and MLR model

由表5 可以發(fā)現(xiàn)，GAM 模型效果均優(yōu)于MLR模型，但對于集裝箱卡車而言，GAM模型提升效果更為顯著，體現(xiàn)了GAM 模型在擬合非線性作用機理方面的優(yōu)越性。

5 結(jié)論

本文基于深圳注冊的12 t 以上重型貨運車輛GPS軌跡數(shù)據(jù)，提出了出行切割時間閾值的確定方法，重點刻畫了不同類型重型貨運車輛的活動時-空特征差異性，分析了集裝箱卡車和普通大貨車活動空間分析的影響因素，主要結(jié)論如下：

(1)針對重型貨運車輛的軌跡數(shù)據(jù)處理，需要結(jié)合不同類型車輛的運輸功能和作業(yè)特征，差別化確定軌跡數(shù)據(jù)切割出行的時間閾值。本文提出，在嘗試不同的切割閾值條件下，基于可接受誤差水平下的最小樣本量確定適當(dāng)?shù)臅r間閾值水平。基于深圳的重型貨車數(shù)據(jù)，出行切割的時間閾值整體在30 min左右更合適。

(2)車輛活動的時間特征方面，土方車與重型罐式車使用強度明顯高于其他3 類，除土方車以外，重型貨車出行時段分布曲線較小客車平緩得多，出發(fā)時刻較為分散。重型貨運車輛在夜間及凌晨時段(22:00-次日6:00)出行比例相比小客車而言占比更高；普通大貨車則主要集中在9:00-15:00 之間，土方車展現(xiàn)了明顯的日間早晚波峰，但與小客車的早晚高峰存在一定的錯峰現(xiàn)象。重型貨運車輛活動的時間特征結(jié)果顯示，大部分類型貨車出行與小客車出行高峰并不完全重疊，這種特征是貨運車輛通行管理措施和貨運行業(yè)運作機制的雙重作用結(jié)果。

(3)車輛活動的空間特征方面，土方車和重型罐式車這2 類貨車主要活動于本地，其他3 類車輛均存在頻繁的跨城市活動。除冷鏈運輸車之外，重型貨運車輛均存在明顯的空間聚集現(xiàn)象，在以街道鎮(zhèn)為節(jié)點的活動網(wǎng)絡(luò)中，節(jié)點強度在一定條件下服從冪律分布，表明貨運交通具有分級特性，少量空間聚集了大部分的貨運交通量。其中，集裝箱卡車的活動空間最為集中，與港口和大型物流設(shè)施的分布密切關(guān)聯(lián)，此外，集裝箱卡車活動量因其空間上的高度集中而體現(xiàn)出與物流倉儲用地規(guī)模的非線性關(guān)系，大規(guī)模的設(shè)施能夠集聚更大比例的集裝箱車輛交通量；普通大貨車活動還與工業(yè)園區(qū)和工業(yè)用地有緊密關(guān)聯(lián)，其活動量與工業(yè)用地及物流倉儲用地規(guī)模呈現(xiàn)出穩(wěn)定的線性正相關(guān)關(guān)系。

總結(jié)而言，本文提出的軌跡數(shù)據(jù)的出行切割閾值確定方法能更好體現(xiàn)不同類型貨車的作業(yè)特征。對重型貨運車輛活動時-空間特征的分析和基于廣義加性模型(GAM)的影響因素識別，是深入理解貨運交通運行規(guī)律及差異性的基礎(chǔ)工作，對編制貨運交通發(fā)展戰(zhàn)略和規(guī)劃，構(gòu)建貨運交通需求模型等實際工作有重要的支持作用。