周濤，李毅軍，孫琴梅，任瀚堃，劉怡，張振豪

(1.重慶市交通規(guī)劃研究院，重慶 401147；2.重慶市城市交通大數(shù)據(jù)工程技術研究中心，重慶 400020；3.山地城市交通系統(tǒng)與安全重慶市重點實驗室，重慶 400074)

0 引言

隨著我國城市化進程加快，交通運輸需求不斷增長，全球氣候變化和環(huán)境污染問題愈發(fā)嚴重，減少碳排放已成為全球范圍內(nèi)的重要議題[1]。很多地區(qū)提出發(fā)展公共交通，機動車限號限行及推廣新能源車輛等策略，但對車輛碳排放核算依據(jù)等基礎性研究仍不夠深入，如何通過一定的技術手段實現(xiàn)精細化和定量化的城市道路交通碳排放測算，厘清微觀層面城市道路與車輛碳排放的關系是一項亟需解決的重要問題，同時，為推進“碳達峰和碳中和”搭建底層計算邏輯和框架?，F(xiàn)有文獻多以平原城市為研究對象，鮮有關注山地城市，本文以山地城市重慶為例展開研究，山地城市與平原城市在城市形態(tài)和空間布局上存在較大差異，平原城市道路多為平面交叉和棋盤式規(guī)整布局，而山地城市在道路方面表現(xiàn)為彎多坡陡、連接困難及立體穿插等多元化特征，較平原城市有更豐富和復雜的道路場景，值得深入研究。

國內(nèi)外學者圍繞道路交通與油耗和碳排放的關系已開展了相關研究。(1)在車輛速度對油耗影響方面。盧笙等[2]使用OBD 數(shù)據(jù)研究7 輛輕型汽油車，發(fā)現(xiàn)實際道路運行油耗高于型式認證油耗，平均速度與實際道路油耗具有很強的相關性，實際道路油耗在30 km·h-1以下時，會隨速度降低而顯著上升。郝艷召等[3]利用車載尾氣檢測系統(tǒng)(Portable Emissions Measurement System,PEMS)研究北京市重型柴油車實時油耗、排放和行駛狀況，發(fā)現(xiàn)怠速和低速行駛是造成單位距離高油耗和排放的主要原因。王謙等[4]選取14 輛中國目前常用的輕型和重型車輛，研究在不同工況和影響因素下的碳排放因子測算。(2)道路條件對油耗影響方面。孫健等[5]分別從微觀、中觀及宏觀層面研究車輛排放因子，結(jié)果顯示，主干路是最主要的碳排放線源。陳晨等[6]以北京市307 輛出租車為研究對象，認為百公里油耗隨速度提高顯著降低，縱向坡道對出租車百公里油耗影響較大，影響車輛油耗的3種因素重要性排序為交通條件大于運行工況大于道路條件。隗海林等[7]使用車輛油耗測試系統(tǒng)建立主干路和次干路的瞬時油耗模型，并認為主干路上車輛的油耗稍高于次干路和支路。孫振華等[8]建立以坡度和初速度為自變量的載重車碳排放模型，直觀地分析縱坡和初速度對載重車碳排放的影響。許磅等[9]基于車輛尾氣數(shù)據(jù)研究坡度對車輛排放的影響，結(jié)果顯示，輕型車對大于1%的道路坡度更為敏感。孫文圃等[10]建立高速公路縱坡路段的載重汽車碳排放模型，認為累計碳排放對坡度和坡長有較高的敏感性。(3)基于單源數(shù)據(jù)估計碳排放方面。單源數(shù)據(jù)主要是結(jié)合既有模型開展研究，賈濤等[11]采用微觀尾氣排放模型(Comprehensive Modal Emission Model,CMEM)和出租車全球定位系統(tǒng)(Global Positioning System,GPS)數(shù)據(jù)定量反演出租車行程軌跡的CO2排放量。許曄等[12]應用國際機動車排放模型(International Vehicle Emissions Model,IVEM)和實地觀測數(shù)據(jù)，計算深圳市3 種類型機動車的碳排放因子和主要道路的碳排放強度。呂晨等[13]基于車型分類數(shù)據(jù)和本地化的綜合移動源排放模型(Motor Vehicle Emission Simulator,MOVES)研究中國31 個省份分車型的CO2排放因子，發(fā)現(xiàn)不同車型CO2排放因子差異大，在上海、北京及重慶等市的CO2排放因子更高。(4)基于多源數(shù)據(jù)估計碳排放方面。徐龍等[14]基于OBD監(jiān)測數(shù)據(jù)、加油(氣)數(shù)據(jù)及運營排班數(shù)據(jù)等多源數(shù)據(jù)資源研究公交車能耗碳排放，發(fā)現(xiàn)當平均速度小于60 km·h-1時，冪函數(shù)關系的擬合優(yōu)度最高。林旭坤等[15]提出一種基于高速公路收費數(shù)據(jù)、機動車登記數(shù)據(jù)及汽車理論能耗數(shù)據(jù)等多源數(shù)據(jù)融合的高速公路網(wǎng)車輛碳排放測算方法，實現(xiàn)自下而上的省域路網(wǎng)車輛碳排放量的測算。

在研究車輛速度對油耗影響的文獻中，多采用分速度區(qū)間的形式探究兩者的關系，例如，高速、中速及低速這3 種區(qū)間，劃分粒度較大，無法進一步探究區(qū)間內(nèi)的速度與油耗的關系；在研究道路條件對油耗影響的文獻中，探討道路類型、交通條件、坡長及坡度等多類影響因素，道路坡度方面主要以高速路和快速路為實驗對象，對低等級道路的研究較少。目前，基于單源數(shù)據(jù)的文獻主要是結(jié)合現(xiàn)有汽車排放模型等方法融合研究，基于多源數(shù)據(jù)的文獻主要是結(jié)合實測數(shù)據(jù)、交通運輸數(shù)據(jù)及能源數(shù)據(jù)等構(gòu)建模型研究探索，重點在如何測算中觀和宏觀層面的車輛碳排放，較少關注車輛和道路屬性條件對碳排放因子的影響，微觀層面的道路條件與車輛碳排放因子關系的研究不夠深入。由于實驗條件的限制，相關研究主要通過道路實測和實驗模擬仿真等方法研究車輛碳排放，但是，數(shù)據(jù)采集成本高且實驗樣本量小，實驗結(jié)果本土化轉(zhuǎn)換程度不夠理想，實際場景的應用仍較困難。而OBD 大數(shù)據(jù)覆蓋面廣，能提供海量運行數(shù)據(jù)，本文通過車輛OBD系統(tǒng)獲取瞬時速度、空間位置及油耗等信息，基于OBD 大數(shù)據(jù)提出車路匹配模型，分析研究山地城市道路對車輛碳排放的影響，探索重慶本土化的道路碳排放因子，為山地城市道路交通碳排放測算提供依據(jù)，也可為交通政策的制定提供支撐。本文創(chuàng)新點和貢獻主要體現(xiàn)在3 個方面：一是，基于歷史車輛真實行駛大數(shù)據(jù)探索重慶本土化道路碳排放因子，在碳排放核算等工程實踐中具有較強的實際應用價值；二是，采用組合函數(shù)描述車輛軌跡數(shù)據(jù)規(guī)律，擬合結(jié)果優(yōu)于傳統(tǒng)研究常用的冪函數(shù)和二次函數(shù)等基本函數(shù)形式；三是，結(jié)合重慶本地條件和文獻比較論證，分析探討本土化道路碳排放因子特征及機理。

1 基礎數(shù)據(jù)

1.1 車載自動診斷系統(tǒng)數(shù)據(jù)特征

車載自動診斷系統(tǒng)是由OBD 終端、系統(tǒng)云平臺及手機應用等模塊組成，用戶在車輛接口上安裝產(chǎn)品(OBD 汽車盒子)，可實時讀取車輛數(shù)據(jù)，并同步上傳至系統(tǒng)云平臺，由OBD 終端調(diào)配數(shù)據(jù)傳輸至用戶手機應用，OBD 系統(tǒng)可采集車輛的電子控制器單元數(shù)據(jù)、重力感應加速度數(shù)據(jù)和GPS 數(shù)據(jù)，涵蓋車輛軌跡、車輛運行狀態(tài)及駕駛行為等信息，OBD數(shù)據(jù)依據(jù)車輛運行狀態(tài)在5～30 s內(nèi)上傳，系統(tǒng)數(shù)據(jù)采集基礎設置的時間間隔小于60 s，數(shù)據(jù)字段結(jié)構(gòu)如表1所示。

表1 OBD數(shù)據(jù)字段表Table 1 OBD data field table

1.2 數(shù)據(jù)預處理

本文數(shù)據(jù)來源于重慶市城市交通大數(shù)據(jù)工程技術研究中心的交通綜合信息平臺，提取2018 年12月10日～16日(周一～周日)這7 d的數(shù)據(jù)，數(shù)據(jù)主要記錄脫敏后的私家車活動情況，約80%的車輛軌跡點分布在重慶內(nèi)環(huán)快速以內(nèi)，數(shù)據(jù)格式為.txt，原始數(shù)據(jù)約3 億條，數(shù)據(jù)總量44.9 GB，包含25825輛車。

按照數(shù)據(jù)篩選條件進行數(shù)據(jù)清洗，如表2 所示，具體包括4方面：(1)單輛車的OBD數(shù)據(jù)軌跡記錄條數(shù)少于120 條，并且行駛時間小于10 min 時，由于車輛運行記錄太少，不具有典型性，不納入研究考慮；(2)由于采集系統(tǒng)問題，產(chǎn)生重復數(shù)據(jù)記錄，予以剔除；(3)部分數(shù)據(jù)缺失字段，例如，經(jīng)緯度信息，導致無法分析數(shù)據(jù)，予以剔除；(4)由于采集系統(tǒng)故障，數(shù)據(jù)明顯異常不符合常理，予以剔除。接著，剔除離群數(shù)據(jù)，根據(jù)數(shù)理統(tǒng)計中箱型圖對數(shù)據(jù)離群值的定義，若數(shù)據(jù)點比第1 個四分位數(shù)低1.5 倍的四分位距(InterQuartile Range,IQR)，或比第3 個四分位數(shù)高1.5倍IQR，屬于離群或極度離群，剔除統(tǒng)計處理后上下邊緣外的數(shù)據(jù)四分位間距IQR：即，IQR=Q3-Q1，下邊緣=Q1-1.5×IQR，上邊緣=Q3+1.5×IQR，其中Q3 為上四分位值，Q1 為下四分位值。清洗后的有效數(shù)據(jù)量約1.5 億條，數(shù)據(jù)有效率約50%，車輛數(shù)20013 萬輛，主要分布在重慶市中心城區(qū)范圍內(nèi)。

表2 樣本數(shù)據(jù)篩選條件和剔除原因Table 2 Sample data cleaning conditions and screening reasons

1.3 道路碳排放因子折算

查閱聯(lián)合國政府間氣候變化專門委員會(Intergovernmental Panel on Climate Change,IPCC)發(fā)布的《IPCC 2006年國家溫室氣體清單指南2019修訂版》[16]中關于不同能源碳排放計算方法，得到第φ種燃料能源的碳排放因子，即

式中：Fφ為燃料φ的碳排放因子；Qφ為燃料φ低位熱值，汽油取值為0.0448 TJ·t-1；θφ為燃料φ的單位熱值燃料所含碳元素的質(zhì)量，取值為18.52 t·TJ-1；γφ為燃料φ的碳氧化率，取值為98%；h為CO2與碳的分子量之比，即44/12。由于OBD數(shù)據(jù)僅能獲取車輛的油耗字段，而具體燃料類型未知，假設所有車輛的燃料為汽油，由此計算汽油的碳排放因子為2.981。

車輛碳排放量是由車輛油耗決定的，而車輛油耗主要隨車輛速度變化而變化，通過車輛速度和車輛油耗的函數(shù)關系計算車輛在單位長度道路的碳排放量，稱為道路碳排放因子，即

式中：τ為道路碳排放因子；C為速度與油耗的函數(shù)關系；F為汽油的碳排放因子，取值為2.981；ρ為汽油的密度，一般取0.725 kg·L-1。

2 研究方法模型

2.1 車路匹配模型

OBD 數(shù)據(jù)是反映車輛運行狀態(tài)的時空大數(shù)據(jù)，包括車輛運行特征屬性和空間位置屬性，通過設定道路緩沖區(qū)識別車輛軌跡點并匹配至道路，切割車輛軌跡并計算車輛運行參數(shù)等步驟，映射OBD 數(shù)據(jù)到地理空間中實現(xiàn)車路匹配，探究車輛運行規(guī)律特征。由于重慶中心城區(qū)面積約1000 km2，道路長度約6000 km，高架道路不超過50 km，在大尺度的空間范圍下，高架段道路占比小，對研究結(jié)果影響很小。本文的模型建立和實現(xiàn)流程如圖1所示。

圖1 模型建立和實現(xiàn)流程Fig.1 Model establishment and implementation process

(1)設定道路緩沖區(qū)

受采集系統(tǒng)的影響，車輛軌跡數(shù)據(jù)的坐標有漂移，只考慮落在道路空間內(nèi)的點，會缺失對部分有價值數(shù)據(jù)的研究，影響樣本數(shù)據(jù)的完整性，為減小由采集系統(tǒng)帶來的誤差，考慮到車輛軌跡數(shù)據(jù)落點一般分布在道路中心線周圍，通過對矢量道路設置緩沖區(qū)的方法消除偏移產(chǎn)生的影響，構(gòu)建路段緩沖區(qū)如圖2 所示，緩沖區(qū)大小的確定與道路等級、路幅寬度及浮動車位置坐標有關，道路緩沖區(qū)的范圍為

圖2 構(gòu)建路段緩沖區(qū)Fig.2 Schematic diagram of construction method of road section buffer zone

式中：H為道路緩沖區(qū)的半寬度；Wlink為路幅寬度，由控規(guī)路網(wǎng)測量得到；εGPS為GPS 定位允許誤差，根據(jù)道路類型賦予不同的值，次干路為10 m，主干路為20 m，快速路為30 m。

(2)軌跡匹配方法

分析車輛軌跡數(shù)據(jù)前，將車輛軌跡點進行再識別，判斷車輛軌跡點是否在道路緩沖區(qū)內(nèi)部，匹配至所屬路段，建立兩者聯(lián)系，采用向量叉乘的方法實現(xiàn)，假設向量abcd圍合的多邊形為道路緩沖區(qū)，通過向量叉乘方法判斷點P是否在多邊形內(nèi)部，按照逆時針(或順時針)取向量進行叉乘，例如，取向量x和a、y和b、z和c、w和d進行叉乘，判斷所得值是否同號，若所得值同號，說明車輛軌跡點在道路緩沖區(qū)內(nèi)部；反之，說明在道路緩沖區(qū)外部。依次對車輛軌跡點進行判斷，篩選出在道路緩沖區(qū)內(nèi)部的所有車輛軌跡點，完成車輛與道路的匹配。車輛軌跡匹配方法如圖3所示。

圖3 車輛軌跡匹配方法Fig.3 Schematic diagram of vehicle trajectory matching method

(3)軌跡切割方法

道路空間內(nèi)承載著多輛車的活動軌跡點，呈現(xiàn)散亂分布狀態(tài)，如圖4 所示，通過切割每輛車的軌跡，分析車輛的運行特征；而車輛可能會在某段時間內(nèi)多次往返同條道路，應將其在道路空間內(nèi)的大量散點切割成多段時空軌跡，獲取車輛在這段道路空間內(nèi)的活動情況。計算兩個軌跡點的時間間隔，通過判斷時間間隔與時間閾值的關系進行切割，若兩個軌跡點的采集時間間隔大于時間閾值，判斷為非同一段軌跡；反之，為同一段軌跡。設定第i(i=1,2,…,n)輛車在實驗路段運行，每輛車各產(chǎn)生m(m=1,2,…,σ)個軌跡點，第i輛車第m個軌跡點的采集時間為，軌跡切割時間閾值為2 次OBD數(shù)據(jù)采集時間間隔的允許最大值60 s(由OBD系統(tǒng)采集數(shù)據(jù)的基礎設置所決定)，具體步驟包括3步：①計算1輛車相鄰兩次軌跡點記錄的時間間隔，即；②若時間間隔大于60 s，判定兩次記錄的前一次記錄為切割軌跡點；③若時間間隔小于60 s，則判定為連續(xù)軌跡點，軌跡切割結(jié)果如圖5 所示，示例將散點切割為3 輛車的軌跡。

圖4 道路中心線與車輛軌跡點空間分布Fig.4 Spatial distribution map of road centerline and vehicle trajectory points

圖5 車輛軌跡切割結(jié)果Fig.5 Schematic diagram of vehicle trajectory cutting results

(4)車輛行駛參數(shù)

根據(jù)第i輛車第m個軌跡點的采集時間，對應油耗量為，起訖點的油耗量之差為第i輛車的總油耗，即。道路起終點的距離不能代表車輛行駛距離，采用逐段累加行駛里程的方法表示總行駛里程，假設某輛車相鄰的兩個軌跡點坐標為pm(αm,δm)，pm+1(αm+1,δm+1)，兩點的采集時間間隔為，采用Haversine 公式計算兩點間距[17]，得到車輛行駛距離為

將相鄰兩點的距離累加，結(jié)合行駛總時間即得到車輛總行駛距離和車輛平均速度，即

式中：li為第i輛車在這段時間內(nèi)的總行駛距離；為第i輛車的第m個軌跡點和第m-1 個軌跡點間的距離；vi為第i輛車在這段時間內(nèi)的平均速度。

2.2 車輛聚類

根據(jù)車路匹配模型計算得到每輛車行駛距離和百公里油耗，分析車輛的運行特征，車輛行駛里程、時長及百公里油耗分布如圖6所示。運行里程方面，約50%的車輛單日行駛里程小于50 km，30%車輛日行駛里程在50～200 km，約20%車輛日行駛里程超過200 km；行駛時間方面，約55%的車輛日行駛時間小于120 min，約15%車輛日行駛時間在120～240 min，約30%車輛日行駛時間超過240 min；車輛百公里油耗基本呈正態(tài)分布，峰值范圍為8～9 L，占比約為18%，80%的車輛百公里油耗范圍在5～12 L。

圖6 車輛行駛里程、時長及百公里油耗分布Fig.6 Vehicle driving time and mileage distribution

不同車輛的行駛時間、行駛里程及油耗等工況存在較大差異，聚類車輛可以更好地反映各類車輛的運行規(guī)律。采用百公里油耗和單日行駛里程這兩個特征對車輛進行聚類，每類車輛的特征如下：(1)當車輛百公里油耗小于4.5 L 時，判定為非燃油車輛，本文不納入考慮；(2)當百公里油耗在4.5～13.0 L，并滿足1周內(nèi)至多2 d行駛距離大于150 km時，判定為非營運車輛；(3)當百公里油耗在4.5～13.0 L，并滿足1 周至少2 d 行駛距離大于150 km時，判定為營運車輛；(4)當百公里油耗大于13 L時，判定為貨運車輛。

2.3 迭代擬合算法

相關文獻研究通常用冪函數(shù)和二次函數(shù)描述車輛速度與油耗的關系，但擬合結(jié)果均存在一定缺陷，冪函數(shù)在高速時不能反映隨速度增加油耗緩慢上升的趨勢，二次函數(shù)在低速時不能反映隨速度降低油耗迅速上升的趨勢，本文為更好地反映數(shù)據(jù)規(guī)律，采用組合函數(shù)，即y=axb+cxd(其中，x為自變量，y為因變量，a,b,c,d均為常數(shù))的形式描述車輛速度與油耗的關系，基于非線性最小二乘的LM迭代算法進行擬合求解，該算法能借由執(zhí)行時修改參數(shù)達到結(jié)合高斯-牛頓算法以及梯度下降法的優(yōu)點，精度高，迭代次數(shù)少，能得到良好的辨識效果，算法迭代規(guī)則[18]為

式中：Uk+1和Uk為第k+1 和k次迭代后的閾值向量；μ(μ ＞0)為阻尼因子，是常數(shù)；I為單位矩陣；J(Uk)為雅克比矩陣；E(Uk)為誤差函數(shù)；e(Uk)為第k次觀測點的預測偏差。

LM算法的步驟如下：

Step 1 初始化參數(shù)U0，誤差許可值r，阻尼因子μ，調(diào)整系數(shù)ζ，根據(jù)實際情況初始化模型參數(shù)。

Step 2 計算第k次迭代時誤差函數(shù)E(Uk)的值。

Step 3 計算雅克比矩陣J(Uk)。

Step 4 根據(jù)式(7)計算Uk+1，此時，如果誤差函數(shù)的值小于給定許可誤差值r，則算法結(jié)束，進入Step 6。

Step 5 如果E(Uk+1)＜E(Uk)，令k=k+1，μ=μα，轉(zhuǎn)到Step 2；否則，不更新參數(shù)，令Uk+1=Uk，μ=μα。

Step 6 算法結(jié)束。

3 重慶市城市道路條件對車輛碳排放的影響

3.1 研究道路概況

本文實驗道路的空間分布如圖7所示，選取重慶市內(nèi)環(huán)快速路以內(nèi)，長江以北區(qū)域內(nèi)的137條城市道路作為研究對象，總里程約517 km，探索重慶本土化的道路碳排放因子。依據(jù)道路類型將道路劃分為4類：I類快速路、II類快速路、主干路及次干路；根據(jù)道路坡度將道路劃分為5 類：當坡度小于1%時，影響忽略不計，即平坦道路；當坡度在1%～4%(上坡和下坡)，認為有微小坡度的道路，即緩坡道路；當坡度在4%～7%(上坡和下坡)，認為較大坡度的道路，即陡坡道路。根據(jù)車輛軌跡點的空間分布疏密度，選取車輛軌跡點時，確保各類道路上的樣本量相近，其中，I 類快速路選取約1.0 萬輛車；II類快速路選取約1.1萬輛車；主干路選取約0.9萬輛車；次干路選取約0.8萬輛車，如表3所示。

圖7 試驗道路的空間分布Fig.7 Schematic diagram of spatial distribution of test road

表3 試驗道路基本信息表Table 3 Basic information table of test roads

3.2 道路與車輛類型對車輛碳排放的影響

采用Origin2022 的LM 迭代算法求解非線性最小二乘問題，誤差許可值r=10-9。在I 類快速路上非營運車輛、營運車輛及貨運車輛擬合函數(shù)分別迭代k=201 次、k=114 次及k=151次時，達到收斂。最終，擬合結(jié)果分別為：y=1.887x-0.705+2×10-4x1.195，擬合優(yōu)度R2=0.646；y=4.296x-0.944+5×10-4x1.077，擬合優(yōu)度R2=0.816；y=43.610x-2.282+33.831x-0.939，擬合優(yōu)度R2=0.721，模型擬合效果較好。研究結(jié)果顯示，在I 類快速路上的非營運車輛速度在93.6 km·h-1時，碳排放因子最小，對應車輛碳排放因子最低為122 g·km-1，即所謂經(jīng)濟速度；在此之前，隨速度提升車輛碳排放降低；超過93.6 km·h-1時，碳排放緩慢升高，在主干路和次干路僅表現(xiàn)出隨速度提升碳排放降低的規(guī)律，采用冪函數(shù)擬合結(jié)果更好。II 類快速路、主干路、次干路上平均速度-油耗擬合結(jié)果如圖8～圖11 所示?？傮w來看，車輛速度與碳排放的關系存在臨界值，速度約為25 km·h-1時，低于該速度的碳排放較高，隨速度提高，碳排放下降速率快；高于該速度的碳排放較低，隨速度提升，碳排放下降速率慢，所以，城市道路減排的重點應是確保城市道路平均速度不低于25 km·h-1。

圖8 快速路(I類)上車輛平均速度-油耗擬合結(jié)果Fig.8 Vehicle average speed-fuel consumption fitting results on express roads(class I)

圖9 快速路(II類)上車輛平均速度-油耗擬合結(jié)果Fig.9 Fitting results of vehicle average speed-fuel consumption on express roads(class II)

圖10 主干路上車輛平均速度-油耗擬合結(jié)果Fig.10 Vehicle average speed-fuel consumption fitting results on trunk roads

圖11 次干路上車輛平均速度-油耗擬合結(jié)果Fig.11 Average speed-fuel consumption fitting results of vehicles on secondary roads

在道路類型對車輛碳排放的影響方面，不同等級道路的車輛平均速度-油耗曲線對比如圖12 所示。當速度在25～60 km·h-1時，非營運車輛在次干路行駛時的碳排放因子最高為187.5 g·km-1，比I類快速路、II 類快速路及主干路分別高約12%，5%，4%；營運車輛在次干路上行駛時明顯高于I 類、II類及主干路的碳排放水平，次干路平均碳排放因子為176.9 g·km-1，比I 類快速路、II 類快速路及主干路分別高約13%，8%，3%；貨運車輛的速度表現(xiàn)在次干路和低速時，比其他3 類道路的碳排放水平高，次干路平均碳排放因子為221.6 g·km-1，比I 類快速路、II 類快速路及主干路分別高約10%，8%，5%。結(jié)果表明，重慶的次干路碳排放因子較高，略高于快速路10%～13%，與次干路的路幅寬度窄和開口多，信號燈密集和人車混行等因素相關，與文獻[4]在上?；贛OVES 模型和實測數(shù)據(jù)的研究結(jié)果，以及文獻[6]在長春基于車輛油耗實時測試系統(tǒng)的結(jié)論有所不同，文獻[4]認為碳排放因子排序為主干路大于快速路大于次干路，且道路等級帶來的影響幅度較大，主干路高出次干路63%；文獻[6]認為車輛油耗排序為主干路大于次干路，且主干路顯著高于次干路，但是，重慶的道路碳排放因子排序為次干路大于主干路大于快速路，且道路等級影響幅度小于13%。究其原因是重慶的主干路網(wǎng)結(jié)構(gòu)與上海和長春等城市不同，重慶的主干路無非機動車道、立交化嚴重及開口少，導致平均車速快，且瞬時車速變化幅度小，所以，車輛碳排放因子低，主干路的碳排放因子比次干路小。

圖12 不同等級道路的車輛平均速度-油耗曲線對比圖Fig.12 Comparison of vehicle average speed-fuel consumption curves for different roads

在車輛類型對車輛碳排放的影響方面，如圖13所示，在I類快速路上，貨運車輛的碳排放因子比非營運車輛和營運車輛分別高出34%和25%；II類快速路上，貨運車輛的碳排放因子比非營運車輛和營運車輛高出20%和23%；在主干路上，貨運車輛的碳排放因子高出非營運車輛和營運車輛20%和25%；在次干路，貨運車輛的碳排放因子比非營運車輛和營運車輛高出16%和26%。結(jié)果表明兩個結(jié)論：一是，貨運車輛由于車輛自身屬性或是載重等因素，碳排放因子始終高出非營運車輛和營運車輛，由車輛類型特征引起的影響幅度在16%～34%；二是，在低等級的道路上行駛時，車輛間的碳排放因子差異最顯著。

3.3 道路坡度對車輛碳排放的影響

道路坡度對車輛碳排放影響方面，由于I 類和II 類快速路坡度較小，基本忽略不計，僅將主干路和次干路作為研究對象。

在主干路上，當速度在25～60 km·h-1時，如圖14所示，非營運車輛在不同坡度下的速度-油耗曲線較分散，說明車輛碳排放受道路坡度影響顯著；上陡坡的碳排放因子較平坦道路提高了45%，下陡坡的碳排放因子較平坦道路下降了36%，如圖15 所示。營運車輛在不同坡度下的油耗-速度曲線比較接近，上陡坡的碳排放因子較平坦道路提高了36%，下陡坡的碳排放因子較平坦道路下降了22%。營運車輛的碳排放因子比非營運車輛的變化幅度小，反映車輛間駕駛習慣不同，說明營運車輛比非營運車輛更注重省油。貨運車輛在不同坡度下的速度-油耗曲線分布比較集中，碳排放因子整體偏高，與貨運車輛載重有關。

圖14 主干路的道路坡度對車輛油耗的影響Fig.14 Influence of road slope of arterial road on fuel consumption of vehicles

圖15 車輛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，當速度在25～60 km·h-1時，如圖16所示，上陡坡的碳排放因子較高，最高可達到平坦道路的2.1 倍，在其他坡度條件下的碳排放因子相近，上緩坡和下緩坡對車輛碳排放影響程度小于15%，差異較小，下陡坡較平坦道路的碳排放因子下降的最大幅度為57%?？傮w而言，如圖17 所示，車輛上陡坡的碳排放因子比其他條件更敏感。

圖17 車輛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

與文獻[8]在上海基于實車試驗的研究相比，文獻[8]認為道路坡度從0～5%時，輕型車的碳排放因子增加48.02%，而道路坡度在-4%～0 時的碳排放因子變化不明顯，與本文的研究結(jié)果一致。與文獻[9]在西安的研究相比，文獻[9]認為高速公路上坡路段是機動車產(chǎn)生碳排放的主要路段，累計碳排量對3%～6%的坡度最敏感，本文研究得到碳排放最敏感的坡度范圍為4%～7%。

4 結(jié)論

本文基于OBD大數(shù)據(jù)探索重慶本土化的道路碳排放因子，通過建立車路匹配模型分析道路類型、車輛類型及道路坡度對車輛碳排放因子的影響，獲取不同道路的碳排放因子集，為城市道路交通碳排放量的計算搭建底層架構(gòu)，研究表明：

(1)組合函數(shù)在數(shù)據(jù)擬合方面比基本函數(shù)更優(yōu)越，反映了車輛在高速狀態(tài)下受空氣阻力影響，碳排放隨速度提升而緩慢升高的趨勢。

(2)車輛百公里油耗隨車速上升而下降，在0～25 km·h-1區(qū)間內(nèi)下降十分顯著，在交通規(guī)劃管理過程中應采取有針對性的提速措施，盡量減少速度低于25 km·h-1的道路占比，提高道路車速是減少車輛碳排放的有效途徑。

(3)山地城市不同類型道路碳排放因子的排序和平原城市不同，重慶的道路碳排放因子排序為次干路大于主干路大于快速路，與主干路無非機動車道、立交化嚴重及開口少等因素相關；車輛碳排放因子對道路坡度的敏感性高于車輛類型和道路類型，三者關系為道路坡度(最高達110%)大于車輛類型(16%～34%)大于道路類型(3%～13%)；車輛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顯著高于平坦道路，在道路交通規(guī)劃設計及道路更新改造時，降低道路縱坡對減少車輛碳排放有顯著效果。