基于GPS數據的重型貨車碳排放計算及時空分布研究

金 昱，劉皓冰

（1.上海市城市規劃設計研究院，上海 200040；2.同濟大學 交通運輸工程學院，上海 201804）

0 引言

交通運輸行業是重要的碳排放源，而重型貨車則是重中之重且其碳排放量呈持續增長的態勢。2021 年全球重型貨車碳排放約0.18 億t，占全球碳排放總量的5.1%[1]。雖然不少國家采取了多項政策減少交通碳排放，但由于交通運輸需求將持續增長，預計2050年全球交通碳排放仍將較2015 年增長60%[2]。2020 年我國重型貨車貢獻了道路交通碳排放的50%以上，占交通運輸行業碳排放的40%以上[3]。由于具備“門到門”運輸、便捷等特性，未來一段時間公路運輸仍將是主要的貨運方式。與此同時，重型貨車能源結構調整進程仍存在較大的技術不確定性，重型貨車清潔能源技術路線發展仍不明朗[4]。因此，在“雙碳”目標背景下，加強重型貨車碳排放特征及減碳策略研究以推動重型貨車減碳，對于交通運輸行業低碳發展具有重要意義。

為了了解重型貨車的碳排放特征，部分學者從微觀方面對不同行駛狀態下重型貨車碳排放因子及其影響因素進行了研究，如：Barth等對重型柴油貨車能耗、CO2等多種污染物排放情況進行了研究，發現在城市典型行駛工況下，重型柴油貨車單位行駛距離碳排放隨車重呈現單調遞增的線性關系[5]；彭美春等基于20 輛重型貨車油耗、GPS 實測數據等，研究了重型貨車車速、裝載率與單位貨運周轉量碳排放因子的擬合關系，發現車速與碳排放負相關，且裝載率提升有利于降低單位貨運周轉量排放因子[6]。在此基礎上，有學者對貨車碳排放時空特征進行了探索，如：程穎等采用路網交通流仿真方法對北京道路網機動車NOx等污染物排放時空分布特征進行了研究，發現城市交通呈現高峰時段排放占比高（約31%）、高/快速路網排放占比高（約77%）、貨車排放占比高（約47%）等時空集聚特征[7]；鄭夢柳等對中國286 個城市2000—2015 年貨物運輸碳排放時空數據進行建模，研究發現隨著人口增長和經濟發展，貨運需求和排放將持續增長[8]。

總體上，關于重型貨車碳排放時空分布特征及影響因素的研究相對有限。從碳排放時空分布及影響因素角度，既有研究更多關注城市交通[7]、出租車[9]、網約車[10]等的碳排放，其中部分研究對貨運交通碳排放進行了整體性分析，而未針對重型貨車碳排放特征進行深入剖析。部分學者僅關注貨運出行特征的時空分布研究[11-12]，并未拓展至碳排放范疇。而從重型貨車碳排放角度，既有研究主要聚焦于微觀層面重型貨車車輛尺度的碳排放機理和影響因素研究[5-6]或宏觀層面城市貨運碳排放特征[8]，而中觀層面的道路路段尺度的碳排放研究相對缺乏。考慮到重型貨車運輸活動與骨干交通網絡布局和產業園區分布存在一定關系，為研究重型貨車碳排放時空分布特征，需要將重型貨車碳排放與二者進行關聯，從中觀層面分析重型貨車碳排放與道路網絡和產業布局之間的相互關系，進而提出相應的減碳策略。

為了更好地了解道路路段尺度的貨運碳排放特征及相關影響因素，本文擬以上海重型貨車全樣本GPS 軌跡數據為基礎，結合道路網絡GIS 數據，分析重型貨車運行軌跡，計算平均車速，同時結合貨車平均車速與碳排放之間的關系，計算上海重型貨車碳排放總量并分析其時空分布特征，進而研究重型貨車碳排放與道路網絡、產業空間等因素的相互關系，最后提出重型貨車減碳建議。

1 數據處理及重型貨車碳排放計算

1.1 GPS數據來源

為分析重型貨車運行狀況和碳排放情況，本研究從道路運行管理部門收集了2020年上海某工作日約11.6 萬輛12t 以上的貨運車輛（以下簡稱“重貨”）的1.5 億條GPS 軌跡數據。數據字段包括車輛編號（脫敏）、時間戳、經度、緯度等，平均采樣時間間隔為30s左右，具體如表1所示。

表1 重貨GPS軌跡數據樣例

重貨GPS 軌跡在寶安公路-瀏翔公路交叉口附近的空間分布如圖1 所示。受制于GPS 數據的精度及道路寬度，大部分重貨GPS 信號點位呈沿道路中心線兩側一定范圍離散分布的規律，小部分GPS 信號進入周邊地塊，如停車場、加油站等。該數據整體上可以較好地反映重貨空間位置和時間點，精度可以滿足碳排放計算相關要求。

圖1 寶安公路-瀏翔公路交叉口附近全日GPS信號點位分布圖

1.2 數據處理與分析流程

為了計算重貨碳排放并分析其時空分布特征，對原始數據按圖2所示流程進行處理。

圖2 數據處理流程圖

（1）數據篩選。從空間、時間兩個維度對原始數據進行篩選，剔除非上海市域范圍內和非該工作日的數據。

（2）空間匹配。首先根據車牌號將數據分組，組內按照時間戳的先后順序排序，形成每輛重貨的GPS 點位集合。然后，將所得點位集合與上海路網GIS 數據進行匹配，使各個GPS 點位與路網數據相對應，進而計算得到連續兩個GPS點位重貨的行駛距離、平均車速、加速度等運行情況。

（3）數據清洗。剔除計算參數中的異常數據。參考相關文獻[12]中的做法，本次數據清洗中的異常數據指平均速度大于130km/h 或加速度大于5m/s2的數據。

（4）碳排放計算。經數據篩選、空間匹配、數據清洗后，根據每輛車在連續兩個時間戳間的行駛距離、平均車速及對應的碳排放因子，計算每輛車在各個軌跡段的碳排放，進而匯總獲得每輛車的日碳排放量和全市貨車碳排放總量。

（5）時空分析。根據空間匹配和碳排放計算結果進行時空分析：分析貨車數量、行駛速度和碳排放的時間變化規律；探尋貨車流量和碳排放的空間分布特征。

1.3 基于車速的重貨碳排放因子

本研究通過采集城市典型工況下集裝箱卡車（以下簡稱“集卡”）運行狀態下的碳排放數據，得到集卡不同車速對應的碳排放數據，如圖3 中“集卡觀測碳排放”曲線所示。

圖3 重型貨車碳排放量與車速關系曲線

然后，通過估算重貨載重量，建立重貨碳排放與集卡碳排放數據間的擬合關系。參考線圈、卡口視頻等統計數據，假設：上海12t 以上貨車中，集卡和非集卡各占50%；貨車空載和滿載情況各占50%；按照集卡空車12t，滿載40t，其他重型貨車空車重量在6～12t 間均衡分布，滿載重量在12～40t 間均衡分布。根據前文，集卡觀測數據中包含滿載和空載等情況，假設集卡空載和滿載情況各占40%和60%，空載12t、滿載40t，因此觀測到的集卡碳排放對應的平均重量為60%×40t+40%×12t=28.8t。由2006 年Matthew 等研究發布的重貨排放模型可知：重貨單位行駛距離碳排放隨車重呈單調遞增的線性關系[5]。本研究根據該線性關系，基于觀測數據中的集卡平均載重量，預測重貨平均載重量，計算出重貨碳排放折減系數為83.4%，具體計算過程如表2 所示。由此得重貨不同速度對應的碳排放值，如圖3 中“重貨擬合碳排放”曲線所示。

表2 重貨碳排放折減系數計算表

2 重貨碳排放時間分布特征

2.1 運行車輛數及平均車速時變特征

重貨運行車輛數和平均車速時變關系如圖4所示，并體現以下兩個特征。

圖4 上海重貨運行車輛數、平均車速時變圖

（1）重貨運行數量呈單峰特征。在凌晨2:00—3:00 重貨運行車輛數處于最低值，然后逐漸增多，在白天9:00—16:00重貨運行車輛數達到高值5.9萬輛左右，約為全日運行車輛數的45%，隨后逐漸減少。

（2）重貨平均車速小時分布呈深夜至清晨單高峰、早晚高峰雙低谷的特征。深夜（22:00—24:00）、凌晨至清晨（00:00—07:00）平均車速處于高值，尤其在03:00—04:00 達到最高值約48.5km/h。上午9:00—10:00、下午17:00—18:00平均車速處于全日低值，分別約為42.4km/h和41.5km/h。

2.2 碳排放時變特征

重貨運行車輛數和碳排放時變關系如圖5 所示，總體上在10:00—17:00 時段呈高峰分布的特征。0:00—07:00 時段，道路運行通暢，重貨車輛較少且平均車速較快，小時碳排放較少；07:00—10:00時段，重貨車輛數持續增加，平均車速降低至低谷，同時市區限制貨車通行，碳排放呈現一定平臺期，穩定在約580t/h 的排放水平；10:00—17:00時段，隨著運行車輛數的持續增加，小時碳排放達到全日最高峰，平均約680t/h，高峰小時最高碳排放量超過700t/h；17:00—20:00 時段，小時碳排放進入新的平臺期，碳排放量穩定在545t/h 左右；20:00—0:00 時段，隨著重貨運行車輛數減少和道路擁堵情況緩解，碳排放量持續降低至全日低值。

圖5 上海重貨運行車輛數、碳排放量時變圖

3 重貨碳排放空間分布特征

3.1 碳排放與道路網絡的關系

基于重貨GPS 軌跡數據，將重貨碳排放與路網進行匹配，進而分析重貨碳排放在市域路網上的空間分布特征，如圖6所示。

圖6 重型貨車碳排放空間分布圖

（1）受市區貨運限行政策影響，重貨碳排放主要分布在中心城區以外區域的道路網絡。根據上海貨車限行規定，每日7:00—20:00時段懸掛外省市號牌的貨運機動車及每日凌晨6:00 至次日凌晨1:00 國三排放柴油貨車禁止在接近中環至外環的區域內道路上通行（以下簡稱“限行范圍1”），工作日每日7:00—20:00除特殊車輛外，懸掛本市號牌的貨運機動車禁止在類似內環線以內區域的道路上通行（以下簡稱“限行范圍2”），具體限行范圍如圖7所示。

圖7 貨車限行區域示意圖

（2）繞城高速、沈海高速、外環線作為骨干貨運通道，是重貨碳排放的主要空間。以上海收費高速公路為例，高速公路網絡呈現“一環+多射+多聯”的總體格局，其中放射形線路以客運功能為主，環形線路及環線聯絡線路以貨運功能為主。2020 年，繞城高速、沈海高速日均貨車流量接近2 萬自然車車次，為全網最高，導致這兩條公路貨車流量占比分別高達50%和27%左右，同樣位居全路網前兩位；同時，受客運交通量疊加等因素影響，繞城高速、沈海高速局部區段在上海高速公路網絡中最為擁堵[13]。因此，在貨運流量和交通擁堵水平兩個因素疊加影響下，繞城高速、沈海高速等道路的重貨碳排放值較高。

3.2 碳排放與城市用地的關系

重貨碳排放主要與城市大宗貨物的運輸相關，而大宗貨物運輸主要涉及工業物流、港口物流、城市生活物流等3 類物流運輸作業。因此，從工業物流與城市用地、港口物流與城市用地、生活物流與城市用地等3 個方面研究重貨碳排放與城市用地的關系

（1）產業用地布局與重貨碳排放的關系

上海工業產業基地主要分布在城市中外圍區域。將重貨碳排放空間分布與工業產業基地分布進行疊加（如圖8所示），可以看出，臨港裝備業基地、松江工業區、嘉定汽車產業基地、寶山鋼鐵基地等制造業產業基地周邊道路碳排放強度較高，說明汽車、鋼鐵等制造業產業基地存在較大的重型貨車運輸需求。

圖8 上海制造業產業基地與道路碳排放疊加圖

（2）港口用地布局與重貨碳排放的關系

2020 年上海港貨物集疏運量約9.18 億t，其中公路集疏運比例較高，占比約21.9%[14]。上海港貨物吞吐量主要集中于洋山港和外高橋港兩座港區。洋山港集疏運通道主要包括東海大橋、滬蘆高速、繞城高速、南蘆公路等，外高橋港區集疏運通道主要包括繞城高速、外環路、華東路等。上述道路重貨流量較大，碳排放強度相對較高。

（3）人口集聚區域與重貨碳排放的關系

生活物流在市域內的運輸主要依托中小型貨車，而重型貨車主要負責區域范圍內中長途運輸至城市周邊大型農貿市場和物流基地。上海中心城區是上海市人口最為集聚的區域，故其周邊地區布局的大型農貿市場和物流基地周邊道路碳排放強度較高。

4 重型貨車碳減排建議

研究表明，減少貨運碳排放總體上可以從減少不必要運輸需求、提高交通能源效率、加強清潔能源應用、提高低碳運輸方式占比等4 個方面著手[15]。結合前文關于重貨碳排放時空分布特征研究結果，提出以下重型貨車碳減排建議。

4.1 加強產業空間布局與交通系統銜接

（1）加強貨運需求較大的產業基地與鐵路和水運系統銜接

從重貨碳排放與產業空間布局的關系來看，重要的制造業產業基地周邊道路是重貨碳排放的主要區域。現狀除長興、寶鋼、臨港等部分產業基地外，多數產業基地仍未接入鐵路或水運系統。后續在產業基地布局和選址時應加強與鐵路和水運系統高效互動。貨運量達到一定規模的產業基地選址應考慮鐵路和水運系統銜接條件，并考慮鐵路支線、專用線或水運碼頭等配套條件。

（2）從區域視角關注產業鏈上下游協作及相應的空間資源配置

以制造業為代表的第二產業是貨運需求較大的產業，也是產業鏈條較長、分工較為復雜的產業。考慮到區域產業分工和競爭特征，應該加強從城市群、都市圈等區域發展視角，以及產業鏈上下游協作視角，統籌考慮產業空間布局，減少由于空間布局不合理造成的不必要貨物運輸需求。

4.2 重視低碳視角下交通系統布局優化

（1）進一步加強水鐵聯運、水水聯運，優化港口集疏運的方式結構

從重貨碳排放與港口空間布局的關系來看，港口集疏運通道以及周邊道路也是重貨碳排放的主要區域。現狀上海港各港區鐵路均未直接接入，鐵路在集疏運系統中占比偏低，不足0.1%[14]。因此，對于重要港區，應加強鐵路支線、專用線接入港區核心區域，進一步增強水鐵聯運比重，降低港口集疏運碳排放。

（2）研究建設全天候或限時貨運專用通道，提高道路貨物運輸效率

根據交通運輸部公路科學研究院的調研報告，我國貨車平均速度為50km/h 左右[16]。由前文可知，高峰時段繞城高速寶山段、浦東北段等疏港通道長時間處于擁堵狀態。根據圖3 典型城市工況下觀測到的不同車速集卡碳排放值，擁堵狀態下（平均車速小于10km/h）集卡碳排放是暢通狀態（平均車速為50km/h 左右）下的2 倍以上。對比小客車碳排放，暢通狀態下，集卡碳排放達到小客車的5 倍以上。為此，在進一步優化港口集疏運方式結構的基礎上，考慮到目前疏港道路的常態擁堵，有必要研究建設全天候或限時貨運專用通道，以有效緩解貨運擁堵水平，降低貨運碳排放量。

5 結語

為了研究重型貨車碳排放時空分布特征及其影響因素，本文基于上海重貨GPS 數據和道路網絡GIS 數據，計算了重貨平均車速，并通過觀測集卡實際行駛過程中不同車速對應的碳排放量，借助重貨碳排放與車重間的線性關系，估算城市中道路尺度的重貨碳排放情況。在此基礎上，分析重貨碳排放時空分布規律。然后，結合城市綜合交通路網特征和用地布局，探討了重貨碳排放與交通路網、產業布局間的相互關系。最后，從產業用地布局、交通規劃等方面提出重貨減排建議。

受限于數據收集不全，本文在重型貨車碳排放的計算過程中對車型、載重情況作了一定的簡化處理，對碳排放的測算精度有所影響，進而可能影響減碳策略的針對性。后續可以從以下兩個方面進行優化：一是結合GPS 數據深入挖掘重型貨車的運行細節，包括OD 分布、中途點，疊加用地布局特征，更深入地認識重型貨物運輸需求特征；二是在當前集卡碳排放觀測數據基礎上，進一步拓展觀測范圍，對不同車型、不同載重量的重型貨車碳排放數據進行觀測，補充現狀道路運行觀測數據，加強上海路網實際運行貨車的類型、載重等數據采集，以更精確地測算上海重型貨車碳排放，進而更準確地認識不同區域、不同時段重貨碳排放特征，以便更有針對性地研究減碳策略。