吳 睿, 徐洪磊, 宋媛媛, 楊孝文, 譚曉雨, 楊 揚(yáng)

(1.交通運(yùn)輸部規(guī)劃研究院 交通排放控制監(jiān)測(cè)技術(shù)實(shí)驗(yàn)室, 北京 100028;2.北京師范大學(xué) 中國(guó)綠色發(fā)展協(xié)同創(chuàng)新中心, 北京 100875;3.北京交通大學(xué) 交通運(yùn)輸學(xué)院, 北京 100044)

運(yùn)輸結(jié)構(gòu)調(diào)整是我國(guó)實(shí)施藍(lán)天保衛(wèi)戰(zhàn)的重要措施和交通運(yùn)輸行業(yè)供給側(cè)結(jié)構(gòu)性改革的重要內(nèi)容[1-2].文獻(xiàn)[3]提出以推進(jìn)大宗貨物運(yùn)輸“公轉(zhuǎn)鐵、公轉(zhuǎn)水”為主攻方向，實(shí)現(xiàn)與2017年相比，“全國(guó)鐵路貨運(yùn)量增加11億噸、增長(zhǎng)30%，其中京津冀及周邊地區(qū)增長(zhǎng)40%”，并將鐵路貨運(yùn)增量目標(biāo)細(xì)化分解到各省(區(qū)、市).

研究人員圍繞運(yùn)輸結(jié)構(gòu)調(diào)整工作開展了大量探索性分析，一方面通過(guò)調(diào)查鐵路貨運(yùn)市場(chǎng)發(fā)展現(xiàn)狀，采用定性或半定量的方法分析當(dāng)前鐵路貨運(yùn)存在的不足和制約因素，對(duì)促進(jìn)鐵路貨運(yùn)市場(chǎng)發(fā)展提供建議[4-5]；另一方面，采用定量或半定量的方法計(jì)算不同貨運(yùn)結(jié)構(gòu)下污染物排放和運(yùn)輸能耗，評(píng)價(jià)鐵路貨運(yùn)等激勵(lì)政策環(huán)境影響效益[6-8].運(yùn)輸結(jié)構(gòu)調(diào)整勢(shì)必顯著改變區(qū)域路網(wǎng)貨車運(yùn)行時(shí)空格局，但基于重力模型、多比例法、原單位法等的研究和技術(shù)方法無(wú)法反映貨運(yùn)起訖點(diǎn)(Origin Destination，OD)供需分布和路段流量的變化情況.

交通分布模型作為一種宏觀交通模型，考慮了路網(wǎng)結(jié)構(gòu)、土地利用、運(yùn)輸方式以及交通管控等因素，可對(duì)路網(wǎng)OD供需分布、路段交通流量進(jìn)行預(yù)測(cè)[9]，從而為路網(wǎng)交通規(guī)劃[10]、土地利用[11]及相關(guān)政策研究提供科學(xué)指導(dǎo)[12].隨著交通數(shù)據(jù)獲取渠道豐富化、數(shù)據(jù)類型多元化、數(shù)據(jù)質(zhì)量精準(zhǔn)化，基于傳統(tǒng)四階段法的交通分布模型近年來(lái)得到廣泛應(yīng)用[13].運(yùn)用交通分布模型開展交通領(lǐng)域的能耗與污染物排放研究也逐漸成為熱點(diǎn)方向[14-15].鑒于傳統(tǒng)的重力模型、多比例法、原單位法等方法在實(shí)際應(yīng)用過(guò)程中易出現(xiàn)較高的誤差[16]，一些數(shù)據(jù)驅(qū)動(dòng)模型，例如神經(jīng)網(wǎng)絡(luò)、遺傳算法等逐漸被引入作為交通分布模型的基礎(chǔ)，并取得了較好的應(yīng)用效果[17-18].

因此，本文作者以交通需求預(yù)測(cè)四階段法為建?；究蚣?，結(jié)合公路交通流量斷面觀測(cè)數(shù)據(jù)和重型貨車行駛軌跡數(shù)據(jù)，引入神經(jīng)網(wǎng)絡(luò)模型和遺傳算法等數(shù)據(jù)驅(qū)動(dòng)方法，構(gòu)建了公路貨運(yùn)交通流時(shí)空分布模型.選取京津冀大氣污染傳輸通道(包含北京市，天津市，河北省石家莊、唐山、廊坊、保定、滄州、衡水、邢臺(tái)、邯鄲市，山西省太原、陽(yáng)泉、長(zhǎng)治、晉城市，山東省濟(jì)南、淄博、濟(jì)寧、德州、聊城、濱州、菏澤市，河南省鄭州、開封、安陽(yáng)、鶴壁、新鄉(xiāng)、焦作、濮陽(yáng)市等，簡(jiǎn)稱“2+26”城市)作為應(yīng)用場(chǎng)景，對(duì)模型的有效性進(jìn)行檢驗(yàn).該研究擬一方面依據(jù)鐵路貨運(yùn)增量目標(biāo)模擬運(yùn)輸結(jié)構(gòu)調(diào)整政策實(shí)現(xiàn)情景下的重型貨車流量變化和減排潛力，另一方面通過(guò)實(shí)際路網(wǎng)觀測(cè)數(shù)據(jù)識(shí)別重型貨車使用強(qiáng)度真實(shí)下降水平，以期為相關(guān)地區(qū)探討運(yùn)輸結(jié)構(gòu)調(diào)整政策效果評(píng)估提供借鑒，為后續(xù)精確分析道路排放規(guī)律提供完善的交通活動(dòng)水平數(shù)據(jù).

1 研究區(qū)域與數(shù)據(jù)來(lái)源

1.1 研究區(qū)域

“2+26”城市是京津冀大氣污染傳輸通道城市，是近年來(lái)我國(guó)大氣污染物排放量和排放強(qiáng)度最高的區(qū)域，作為國(guó)家大氣污染治理重點(diǎn)區(qū)域備受關(guān)注.藍(lán)天保衛(wèi)戰(zhàn)等政策文件明確將運(yùn)輸結(jié)構(gòu)調(diào)整作為“2+26”城市區(qū)域大氣污染治理的關(guān)鍵舉措，旨在通過(guò)推進(jìn)大宗貨物、集裝箱及中長(zhǎng)距離貨物運(yùn)輸從公路轉(zhuǎn)向鐵路，減少不合理的公路運(yùn)輸，降低柴油貨車使用強(qiáng)度.因此，該研究結(jié)合國(guó)家大氣重污染成因和治理攻關(guān)任務(wù)，選擇“2+26”城市作為研究區(qū)域.

1.2 數(shù)據(jù)來(lái)源

“2+26”城市路網(wǎng)地圖數(shù)據(jù)，源自屬性修正后的四維圖新導(dǎo)航電子地圖；重型貨車流量觀測(cè)數(shù)據(jù)，源自國(guó)家公路網(wǎng)交通情況調(diào)查數(shù)據(jù)采集與服務(wù)系統(tǒng)，該系統(tǒng)通過(guò)對(duì)國(guó)道、省道等交通狀況進(jìn)行定期或不定期調(diào)查，掌握各級(jí)公路的交通量、車型構(gòu)成、空間分布和車輛運(yùn)行速度等交通流特性；重型貨車行駛軌跡數(shù)據(jù)，源自全國(guó)道路貨運(yùn)車輛公共監(jiān)管與服務(wù)平臺(tái)，通過(guò)北斗衛(wèi)星定位裝置與車載終端，平臺(tái)實(shí)時(shí)收集重型貨運(yùn)車輛的位置、速度等數(shù)據(jù)；各地鐵路貨運(yùn)增量目標(biāo)數(shù)據(jù)，源自國(guó)家相關(guān)政策文件[3]以及各省、市制定的運(yùn)輸結(jié)構(gòu)調(diào)整實(shí)施方案中提出的鐵路貨運(yùn)增量任務(wù).

2 模型構(gòu)建

2.1 建模思路

研究可分為4個(gè)階段，具體技術(shù)路線如圖1所示.

圖1 技術(shù)路線圖Fig.1 Technology framework

圖1中，第一階段：采用神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練構(gòu)建OD反推模型，估計(jì)區(qū)域貨運(yùn)車輛OD分布現(xiàn)狀，并進(jìn)行精度校驗(yàn)；第二階段：基于遺傳算法、BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)路徑搜索算法和路徑選擇概率模型，構(gòu)建區(qū)域路網(wǎng)貨運(yùn)交通量分布模型，并進(jìn)行精度校驗(yàn)；第三階段，結(jié)合運(yùn)輸結(jié)構(gòu)調(diào)整政策情景預(yù)測(cè)區(qū)域貨運(yùn)車輛OD分布變化，開展不同政策情景下的重型貨車流量估計(jì)；第四階段：貨車流量估計(jì)值與實(shí)際觀測(cè)值進(jìn)行對(duì)比分析，以探討政策執(zhí)行效果及原因.

2.2 模型搭建與校驗(yàn)

2.2.1 交通小區(qū)劃分

所選研究區(qū)域中包含有28個(gè)城市，內(nèi)轄335個(gè)縣.以縣級(jí)行政區(qū)劃作為交通小區(qū)，將產(chǎn)生10萬(wàn)以上的OD組合，嚴(yán)重降低了模型的計(jì)算效率和應(yīng)用.因此，選取市級(jí)行政區(qū)域作為28個(gè)內(nèi)部交通小區(qū)，并結(jié)合研究范圍所在區(qū)位，構(gòu)建7個(gè)外部小區(qū)，小區(qū)分布如圖2所示.從空間尺度來(lái)看，城市一般具有多條對(duì)外交通通道，按照傳統(tǒng)交通小區(qū)劃分方式將城市中心作為質(zhì)心，但是單一質(zhì)心的設(shè)置將會(huì)導(dǎo)致流量集中分配到少量路段，使得后續(xù)建模中產(chǎn)生較大的路徑分配偏差.因此，考慮城市的空間結(jié)構(gòu)，篩選各城市的對(duì)外交通節(jié)點(diǎn)作為交通小區(qū)的質(zhì)心點(diǎn).

圖2 “2+26”城市區(qū)域的交通小區(qū)劃分Fig.2 Traffic district division in urban areas of “2+26” cities

2.2.2 基于神經(jīng)網(wǎng)絡(luò)的OD反推模型構(gòu)建

OD反推是指由路段交通流量推算出行分布的數(shù)學(xué)模型，能顯著減少大規(guī)模OD調(diào)査所耗費(fèi)的大量人力、財(cái)力和時(shí)間，其原理是按照OD表分配得到路段交通量的計(jì)算步驟逆向進(jìn)行.為提高模型求解速度和估計(jì)精度，該研究引入數(shù)據(jù)驅(qū)動(dòng)模型中的BP神經(jīng)網(wǎng)絡(luò)模型用于構(gòu)建“2+26”城市的OD反推模型.BP神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)主要包括模型輸入輸出參數(shù)設(shè)計(jì)、神經(jīng)網(wǎng)絡(luò)層數(shù)設(shè)計(jì)、傳遞函數(shù)選取及隱含層神經(jīng)元數(shù)量設(shè)計(jì)[19].

模型輸入輸出參數(shù)設(shè)計(jì)中，以交調(diào)站點(diǎn)的路段交通量作為模型的輸入，以交通小區(qū)間OD交通量作為模型的輸出參數(shù).以2018年5月至11月間的64天研究區(qū)域中全路網(wǎng)交調(diào)站點(diǎn)全日交通量觀測(cè)數(shù)據(jù)為基礎(chǔ)，對(duì)交調(diào)站點(diǎn)數(shù)據(jù)的穩(wěn)定性做了檢驗(yàn)，最終篩選出232個(gè)連續(xù)交通量觀測(cè)站點(diǎn)、681條數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù).輸出參數(shù)包括內(nèi)部小區(qū)間全日OD交通量、內(nèi)部小區(qū)與外部小區(qū)間全日OD交通量，共計(jì)1 148個(gè).神經(jīng)網(wǎng)絡(luò)層數(shù)設(shè)計(jì)中，設(shè)置隱含層為二層、模型總層數(shù)為四層.傳遞函數(shù)選取時(shí)，模型中隱層1節(jié)點(diǎn)、隱層2節(jié)點(diǎn)和輸出節(jié)點(diǎn)的傳遞函數(shù)分別采用tansig、tansig、logsig函數(shù)，通過(guò)試算最終選定隱層1神經(jīng)元數(shù)量為35個(gè)、隱層2神經(jīng)元數(shù)量為1 147個(gè).

選取2018年5月的21天(5月1日-5月23日，其中5月16日與17日數(shù)據(jù)缺失)、11月的22天(11月1日-11月23日，其中11月3日數(shù)據(jù)缺失)作為訓(xùn)練數(shù)據(jù)，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)作為檢驗(yàn)數(shù)據(jù).OD反推結(jié)果與真實(shí)OD見圖3，OD反推結(jié)果誤差分析見表1.表1中OD量(當(dāng)量)指檢驗(yàn)數(shù)據(jù)中任一OD間的全日交通量，真實(shí)值源自全國(guó)道路貨運(yùn)車輛公共監(jiān)管與服務(wù)平臺(tái)，基于重型貨車行駛軌跡數(shù)據(jù)，提取起訖城市后統(tǒng)計(jì)得到，估計(jì)值來(lái)自所構(gòu)建模型.由圖3和表1可知，OD反推模型檢驗(yàn)結(jié)果顯示精度在合理范圍內(nèi).

2.2.3 區(qū)域路網(wǎng)貨車流量分配算法

該研究選取基于遺傳算法的路徑選擇概率計(jì)算方法和交通流加載方法的組合算法作為貨車流量分配算法.

1) OD間出行路徑集合生成.

圖3 OD反推結(jié)果與真實(shí)OD對(duì)比Fig.3 Comparison of OD inversion results and real OD

表1 OD反推結(jié)果誤差分析

備選路徑集生成是指針對(duì)任一特定起訖點(diǎn)，確定哪些路徑是出行者考慮的備選路徑.備選路徑集合的大小和組成將嚴(yán)重影響標(biāo)定路徑選擇行為模型的準(zhǔn)確性.考慮到算法的計(jì)算效率、路徑集合的數(shù)量及有效性，采用K-最短路算法中執(zhí)行效率相對(duì)較高的雙向掃除算法(含無(wú)回路處理)篩選得到每個(gè)OD對(duì)間的K條最短路徑，通過(guò)乘客對(duì)出行時(shí)間的容忍程度限制刪除不滿足條件的路徑，構(gòu)造得到備選路徑集合.

2)基于遺傳算法的路徑選擇概率計(jì)算.

由于決策變量xt屬于0-1之間的變量，可直接將解向量X=(x1,x2,…,xm)作為遺傳算法的一個(gè)染色體進(jìn)行計(jì)算.根據(jù)解X的構(gòu)成可以發(fā)現(xiàn)，其可以表示出任意一種路徑選擇概率組合方案，且每一組方案必須滿足任一OD間路徑集合的選擇概率小于等于0[20].本文提出了一個(gè)基于交通流加載的遺傳算法，具體包括：

步驟1 初始化.設(shè)定種群規(guī)模n及最大進(jìn)化代數(shù).

步驟2 產(chǎn)生初始種群.隨機(jī)生成染色體作為初始種群.

步驟3 計(jì)算適應(yīng)度函數(shù)值.將各染色體對(duì)應(yīng)的路徑選擇概率輸入交通流加載算法，通過(guò)加載得到相關(guān)參數(shù)值，并將其代入適應(yīng)度函數(shù)中進(jìn)行求解，得到各染色體對(duì)應(yīng)的適應(yīng)度函數(shù)值.

其中交通流加載算法采用非平衡分配方法中的增量分配法，具體步驟為：

步驟3-1 針對(duì)任意OD，將OD間需求量等分為24份，進(jìn)行24次加載.

步驟3-2 初始時(shí)，認(rèn)為各路段的交通量為0，根據(jù)自由流時(shí)間和路徑選擇模型計(jì)算各路徑的選擇概率，結(jié)合出行量得到各方式各路徑第一次加載的貨車流量.

步驟3-3 更新路段時(shí)間，重復(fù)3-1、3-2步驟，直至將所有的交通需求都分配到各路徑上.路段時(shí)間的更新采用美國(guó)公路局道路阻抗函數(shù)(Bureau of Public Roads，BPR)函數(shù)，具體形式為

(1)

式中：ta為路段自由流時(shí)間；xa為路段流量；ta(xa)為路段在流量xa下的旅行時(shí)間；Ca為路段通行能力；α、β為待定系數(shù)，分別取0.15和4.

步驟4 選擇操作.采用輪盤賭的方式從父代染色體種群中選出n個(gè)染色體，組成子染色體種群.

步驟5 交叉操作.采用單點(diǎn)交叉的方式對(duì)選擇出來(lái)的兩個(gè)父代染色體進(jìn)行交叉操作，以產(chǎn)生新的染色體.

步驟6 變異操作.對(duì)選擇出的染色體進(jìn)行變異，以產(chǎn)生新的染色體.

步驟7 終止條件判斷.若遺傳算法達(dá)到最大進(jìn)化代數(shù)，則算法結(jié)束，輸出最優(yōu)染色體；否則進(jìn)化代數(shù)加1，并轉(zhuǎn)步驟3.

3)分配結(jié)果分析.

經(jīng)仿真測(cè)試，算法中相關(guān)參數(shù)設(shè)置為：備選路徑集合K為5，遺傳算法的種群大小為50，交叉概率為0.5，變異概率為0.4.每一組OD間5條路徑被選擇的概率之和為100%，只要已知其中4條路徑的選擇概率就能夠得到剩下路徑的選擇概率，因此每個(gè)種群長(zhǎng)度為1 148×4=4 592(即1 148個(gè)OD間備選路徑的選擇概率).貨車流量分配算法結(jié)果與實(shí)際觀測(cè)流量對(duì)比見圖4.由圖4可知，最終得到路段流量，并與交調(diào)站點(diǎn)的觀測(cè)路段流量值(共計(jì)3 781條路段)進(jìn)行對(duì)比，貨車流量分配算法結(jié)果平均相對(duì)誤差25.2%，分配結(jié)果在整體規(guī)律把握上尚可接受，但針對(duì)某些路段而言，其精度有待進(jìn)一步提升，例如針對(duì)交通流量最大的前兩條路段存在一定的偏差.考慮到該研究重點(diǎn)是針對(duì)大尺度空間區(qū)域內(nèi)政策情景的模擬，從宏觀角度上開展政策執(zhí)行效果的分析，故模型結(jié)果在區(qū)域路網(wǎng)上能符合實(shí)際規(guī)律且滿足一定精度即可接受.模型分配結(jié)果精度總體可控，能夠滿足運(yùn)輸結(jié)構(gòu)調(diào)整政策影響評(píng)估需求.

圖4 貨車流量分配算法結(jié)果與實(shí)際觀測(cè)流量對(duì)比Fig.4 Comparison between the results of truck traffic flow distribution algorithm and observed traffic flow

3 結(jié)果與分析

3.1 運(yùn)輸結(jié)構(gòu)調(diào)整政策下流量變化推演

在運(yùn)輸結(jié)構(gòu)調(diào)整政策下，各省份鐵路增量目標(biāo)見表2.

表2 各省份鐵路增量目標(biāo)

以“2+26”城市區(qū)域鐵路增量目標(biāo)全面實(shí)現(xiàn)為情景，運(yùn)用所提方法對(duì)區(qū)域流量進(jìn)行推演.表2公轉(zhuǎn)鐵政策情景分析結(jié)果和路網(wǎng)重型貨車流量空間變化情況見圖5、表3.由圖5和表3可見，推演結(jié)果與基礎(chǔ)年(2017年)流量相比，區(qū)域全路網(wǎng)重型貨車年平均日交通量減少100輛，年平均日行駛量減少751萬(wàn)車·km、減少4.3%左右.全路網(wǎng)59%的路段交通流量下降，“2+26”城市區(qū)域中來(lái)自山西、河北、天津等地市的高速公路和國(guó)省道路段的重型貨車流量下降顯著.

圖5 公轉(zhuǎn)鐵政策實(shí)施前后路網(wǎng)重型貨車流量變化情況Fig.5 Changes in heavy-duty trucks traffic flow before and after the transportation structure adjustment policy

表3 公轉(zhuǎn)鐵政策情景分析結(jié)果

參照文獻(xiàn)[21]中道路機(jī)動(dòng)車尾氣排放量計(jì)算方法與文獻(xiàn)[22-23]中運(yùn)營(yíng)貨車相關(guān)因子，對(duì)典型營(yíng)運(yùn)貨車污染物排放和能耗進(jìn)行初步核算，重型柴油貨車綜合能耗和排放因子見表4,政策實(shí)施后大氣污染物、CO2及綜合能耗變化量見表5.

表4 重型柴油貨車綜合能耗和排放因子

由表4和表5可知，運(yùn)輸結(jié)構(gòu)調(diào)整政策實(shí)施后“2+26”城市全路網(wǎng)重型貨車全年一氧化碳(CO)、碳?xì)浠衔?HC)、氮氧化物(NOx)、細(xì)顆粒物(PM2.5)、可吸入顆粒物(PM10)等大氣污染物排放減少可分別達(dá)到6 885.9 t、547.8 t、18 473.7 t、524.7 t、582.6 t，二氧化碳排放減少250.0 萬(wàn)t，能耗減少115.7 萬(wàn)t標(biāo)煤.

表5 政策實(shí)施后大氣污染物、CO2及綜合能耗變化量Tab.5 Air pollutants, CO2 and comprehensive energy consumption reduction after the implementation of the policy

3.2 與實(shí)際路網(wǎng)流量變化對(duì)比分析

依托國(guó)家公路網(wǎng)交通情況調(diào)查數(shù)據(jù)采集與服務(wù)系統(tǒng)，對(duì)2017-2019年政策實(shí)施前后區(qū)域路網(wǎng)重型貨車的實(shí)際觀測(cè)流量變化情況進(jìn)行對(duì)比分析.典型道路重型貨車流量變化情況見圖6.由圖6可知，唐山港、天津港、黃驊港等港口周邊道路，大宗貨物密集過(guò)境路段，大型鋼廠、電廠周邊道路貨車流量在全年大部分時(shí)間均明顯降低，說(shuō)明港口禁止汽運(yùn)煤炭政策影響效果顯著，港口、大型工礦企業(yè)等關(guān)鍵節(jié)點(diǎn)周邊道路重型貨車流量變化對(duì)運(yùn)輸結(jié)構(gòu)調(diào)整政策響應(yīng)及時(shí).但從區(qū)域路網(wǎng)上其他路段的流量變化情況來(lái)看，存在貨車運(yùn)輸空間轉(zhuǎn)移現(xiàn)象，部分路段貨車流量明顯增加.

圖6 重型貨車流量變化情況Fig.6 Heavy-duty truck traffic flow changes

選取2017-2019年穩(wěn)定的606個(gè)交通流連續(xù)觀測(cè)站點(diǎn)，綜合評(píng)估“2+26”城市區(qū)域以高速公路和國(guó)省道為主的城際公路網(wǎng)上重型貨車平均日交通量和平均日行駛量變化情況如圖7所示.由圖7可知，全路網(wǎng)重型貨車流量在全年大部分是的變化并不明顯，且有增有降，表明變化趨勢(shì)并未按照模型情景預(yù)測(cè)的走向發(fā)展，一定程度上說(shuō)明公轉(zhuǎn)鐵政策的效果并未完全顯現(xiàn).主要原因在于：模型推演結(jié)果的前提是公轉(zhuǎn)鐵政策得到全面落實(shí)，而實(shí)際上運(yùn)輸結(jié)構(gòu)調(diào)整需要一定的周期，鐵路基礎(chǔ)設(shè)施的建設(shè)以及鐵路貨運(yùn)市場(chǎng)規(guī)模的形成均需要時(shí)間，鐵路貨運(yùn)增量無(wú)法在短時(shí)間內(nèi)迎來(lái)爆發(fā)性增長(zhǎng).在鐵路運(yùn)力方面，各地鐵路專用線尚在建設(shè)、部分已建專用線運(yùn)能未充分發(fā)揮，“最后一千米”銜接不暢問(wèn)題仍舊突出，現(xiàn)階段難以滿足更大規(guī)模的貨運(yùn)量需求；而在鐵路運(yùn)輸價(jià)格方面，公鐵合理比價(jià)關(guān)系尚未形成，公路運(yùn)價(jià)仍明顯低于鐵路運(yùn)價(jià)[24]，僅依靠國(guó)家政策傾斜難以實(shí)現(xiàn)大規(guī)模的公路貨運(yùn)量轉(zhuǎn)移.再者公路貨運(yùn)和鐵路貨運(yùn)市場(chǎng)化改革進(jìn)程步伐不一，鐵路貨運(yùn)市場(chǎng)培育還需一定周期，“公轉(zhuǎn)鐵”潛力尚未完全釋放.此外，經(jīng)濟(jì)、人口和產(chǎn)業(yè)發(fā)展帶來(lái)的社會(huì)整體貨運(yùn)量增加也在一定程度上抵消了公轉(zhuǎn)鐵政策效益.

圖7 “2+26”城市區(qū)域重型貨車交通量和行駛量變化情況Fig.7 Changes in average daily traffic flow and daily driving distances of heavy-duty trucks in “2+26” cities

目前運(yùn)輸結(jié)構(gòu)調(diào)整初見成效、方向總體正確，政策影響暫時(shí)以點(diǎn)為主、對(duì)面影響不顯著，后續(xù)仍需進(jìn)一步加大推進(jìn)力度和完善關(guān)鍵制度.從運(yùn)輸結(jié)構(gòu)調(diào)整重點(diǎn)行業(yè)上，建議在三年行動(dòng)計(jì)劃重點(diǎn)推進(jìn)的煤炭、鋼鐵、電解鋁、電力、焦化、汽車制造等行業(yè)基礎(chǔ)上，進(jìn)一步推進(jìn)水泥、建材、石化等行業(yè)以及城市生產(chǎn)生活物資運(yùn)輸結(jié)構(gòu)調(diào)整工作.從運(yùn)輸結(jié)構(gòu)調(diào)整推進(jìn)手段上，建議實(shí)施鐵路專用線建設(shè)、運(yùn)輸結(jié)構(gòu)調(diào)整示范區(qū)建設(shè)、運(yùn)輸結(jié)構(gòu)調(diào)整示范企業(yè)建設(shè)等一批重大工程，推進(jìn)運(yùn)輸結(jié)構(gòu)調(diào)整工作落到實(shí)處.從運(yùn)輸結(jié)構(gòu)調(diào)整政策保障上，建議進(jìn)一步加大各級(jí)財(cái)政支持力度，清理規(guī)范鐵路和水運(yùn)相關(guān)收費(fèi)，加強(qiáng)對(duì)企業(yè)運(yùn)輸結(jié)構(gòu)調(diào)整成效的激勵(lì)與督查考核.

與此同時(shí)，為切實(shí)有效減少區(qū)域路網(wǎng)柴油貨車污染物排放總量，應(yīng)協(xié)同推進(jìn)運(yùn)輸結(jié)構(gòu)調(diào)整與貨車能源消費(fèi)結(jié)構(gòu)調(diào)整及區(qū)域柴油貨車污染治理工作.一方面應(yīng)通過(guò)采用經(jīng)濟(jì)補(bǔ)償、限制使用和監(jiān)管執(zhí)法等手段，促進(jìn)老舊車輛淘汰和深度治理；另一方面應(yīng)通過(guò)嚴(yán)格實(shí)施國(guó)六標(biāo)準(zhǔn)、加快柴油貨車清潔化進(jìn)度、加大新能源和清潔能源汽車推廣力度，優(yōu)化貨運(yùn)車輛保有結(jié)構(gòu).

4 結(jié)論

1)基于交通流量觀測(cè)數(shù)據(jù)和車輛軌跡數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)、K-最短路算法、遺傳算法等方法，構(gòu)建的京津冀區(qū)域(2+26城市)路網(wǎng)貨運(yùn)交通流時(shí)空分布模型精度總體可控，可為區(qū)域開展運(yùn)輸結(jié)構(gòu)調(diào)整政策影響評(píng)估提供支撐.

2)運(yùn)輸結(jié)構(gòu)調(diào)整政策鐵路增量目標(biāo)全面實(shí)現(xiàn)的情景下：與2017年相比，“2+26”城市區(qū)域全路網(wǎng)重型貨車年平均日交通量減少100輛、年平均日行駛量減少751萬(wàn)車·km，全路網(wǎng)59%的路段交通流量下降，“2+26”城市中來(lái)自山西、河北、天津等地市高速公路和國(guó)省道路段的重型貨車流量下降顯著；結(jié)合典型營(yíng)運(yùn)貨車能耗和排放因子進(jìn)行初步核算，區(qū)域路網(wǎng)重型貨車NOx排放可減少18 473.7 t(占移動(dòng)源NOx總排放量的1.55%)，二氧化碳排放減少250.0萬(wàn)t，能耗減少115.7萬(wàn)t標(biāo)煤.“公轉(zhuǎn)鐵”政策對(duì)于區(qū)域大氣污染防治具有良好潛力.

3)實(shí)際觀測(cè)數(shù)據(jù)顯示港口、大型工礦企業(yè)等關(guān)鍵節(jié)點(diǎn)周邊道路重型貨車流量普遍下降，運(yùn)輸結(jié)構(gòu)調(diào)整初見成效，但區(qū)域?qū)用嬷匦拓涇嚻骄战煌亢推骄招旭偭课匆娒黠@下降.在經(jīng)濟(jì)社會(huì)持續(xù)發(fā)展、貨運(yùn)需求持續(xù)增長(zhǎng)的情況下，應(yīng)加快完善運(yùn)輸結(jié)構(gòu)調(diào)整相關(guān)政策體系，協(xié)同推進(jìn)運(yùn)輸結(jié)構(gòu)調(diào)整與柴油貨車污染治理工作.