交通拥堵成本模型构建及其在占道施工管理中的应用

文｜孙志宇 吴文皓

大数据建模技术在城市交通管理领域的广泛应用，可以有效推动传统城市交通管理工作的转型升级，强化交通科技警务效能，助力构建城市智能交通管理新生态。本文通过大数据建模技术，在进行占道施工影响因素分析和城市交通拥堵成本环境因素分析的基础上，构建交通拥堵额外时间成本模型、交通拥堵额外燃油成本模型和交通拥堵额外环境污染成本模型，为交通拥堵治理和占道施工规范提供定量评价指标，合理确定城市交通拥堵额外成本并反过来为城市占道施工管理措施制定、施工工艺取舍等工作提供依据。

一、面向占道施工评估的交通拥堵成本模型构建

各类市政工程项目占道施工导致的城市交通拥堵额外成本计算与多种因素相关，包括施工点段停车延误，占道施工工期，行经车辆类型以及由此延伸相关的车辆载客系数、车辆油耗、市场油价，人均单位时间价值，机动车工况，排放系数及不同污染物环境成本等参数。在交通拥堵成本量化的过程中，从时间、燃油、环境污染三个方面，构建拥堵额外时间成本模型、额外燃油成本模型、额外环境污染成本模型等三个主要成本模型，其他拥堵额外损失相对占比较小暂不考虑。三个模型的构建流程为基础数据统计与分类、拥堵额外成本累计、拥堵额外成本量化、成本模型构建。

(一)交通拥堵额外时间成本模型构建

交通拥堵额外时间成本模型中，车型分为大型车、中型车和小型车；通过交警卡口测算记录占道施工所处点段的不同车型的高峰期交通流量，结合所在地具体情况，构建交通拥堵额外时间成本模型。

式中，Cextratime为占道施工条件下的交通拥堵额外时间成本（单位：元）；i为大型车、中型车、小汽车；为占道施工导致的交通拥堵停车延误（单位：秒）；Pi为i型车的载客系数；Qi为占道施工所处点段的不同车型的高峰期交通流量（单位：当量交通量/小时）；W为i型车上乘客的人均单位小时时间价值（单位：元/小时）。

（二）交通拥堵额外燃油成本模型构建

为简化计算流程，假设小汽车和中型车均采用汽油作为燃料，大型车采用柴油。基于占道施工对正常交通的影响，构建交通拥堵额外燃油成本模型。

式中，Cextrafuel为占道施工条件下的交通拥堵额外燃油成本（单位：元）；i（同上）；（同上）；Fi为i型车在停车延误条件下的怠速燃油消耗，计算公式未考虑使用车载空调条件下的歧管压力，如在怠速情况下同时开启空调，实际怠速燃油消耗将明显增高；Gi为i型车发动机排量（单位：升）；Zi为i型车发动机每分钟转速（单位：转）；Bi为燃油价格（单位：元）。

（三）交通拥堵额外环境污染成本模型构建

由于环境污染涵盖了大气、噪音、电磁波、热辐射等诸多方面，交通拥堵额外环境污染成本（CEnvironmental）计算相对复杂，计算表达式如下：CEnvironmental=F（A，N，EW，O），其中，A为空气污染，N为噪音污染，EW为电磁波污染，O为其他污染。机动车怠速或接近怠速状态（0至10km/h）时，由于燃油不均匀，燃烧排放的尾气对环境影响最大。因此，本文对交通拥堵额外环境污染成本仅考虑机动车怠速或接近怠速状态下，机动车尾气排放所致的空气污染。基于占道施工的交通拥堵额外环境污染成本模型构建如下：

式中，交通拥堵额外环境污染成本Cextrapollution（元）；j为3种主要尾气污染物；（同上）；CEj为每增加一种污染物所造成的环境成本（单位：元/吨）；Lj为占道施工条件下j型车某污染物排放系数，由排放因子折算。

二、实例分析

南宁市某建设公司提交了在某路口进行污水管道改造的施工计划。按照上文构建的交通拥堵成本模型，代入相关基础数据。据有关统计数据，2019年南宁市城镇居民人均可支配收入为37675元，估算南宁市较高收入、中间收入、较低收入等三个群体人均单位时间价值分别为49.85元/小时、39.74元/小时、31.34元/小时。同时，据统计，南宁市道路上不同比例车型构成中，小汽车约为90%、中型车约为3%、大型车约为7%。按照城建公司提交的明挖法施工方案，利用Vissim软件仿真，得到停车延误时间。根据公式（1），测算出该路口交通拥堵额外时间成本为190.24万元。

在交通基本畅通条件下，1.6L排量小汽车平均综合工况为7L/100km，早晚高峰油耗提高10%至50%。用92号汽油，油价按5.82元/升；用0号柴油，油价按7.1元/升。根据式（2），测算交通拥堵额外燃油成本为16.28万元。

据统计，汽车发动机每燃烧1kg燃油将消耗约15kg空气，同时排出15g至200gCO，4g至8gHC化合物以及4g至20gNOx。根据式（3），测算出交通拥堵额外环境污染成本为9.36万元。

综上，该路口采用明挖法占道施工产生的城市交通拥堵额外成本远大于因实施顶管法施工而增加的经济成本。而该路口的污水管道施工实际上最终也采用了对交通影响较小的顶管法施工。

三、有关建议

（一）重视实战需求牵引作用，深化业务问题解决。坚持以问题为导向，重视业务需求调研，深入清理业务流程和数据，研究整合交通大数据来源、采集通道和映射关系，发挥大数据建模技术的机器学习、研判分析优势，不断推进问题解决并构建更为科学合理的业务架构。

（二）加强交通大数据质量积累，不断夯实数据体系基础。加强当前交通管理集成指挥平台引领下各类基础信息平台的建设、运维和应用，深化新兴技术在交通管理上的应用，与大数据建模技术形成集聚效应，为大数据建模打下基础。同时，应注重完善交通大数据的关联性，建立大数据建模的标准规范，构建包括业务、指标、可视化的数据体现。

（三）重视大数据建模人才培养，为传统交通管理工作提供技术支持。加大以大交通大数据建模技术等各类智能技术为核心的交通科技人才培养。同时，积极完善相关技术工具库和模型库的建设，为城市交通管理提供强有力的技术支持。

（四）加强大数据建模“警企”合作，跨界共建城市交通智慧管理共同体。一方面，需要公安交管部门主动作为，构建适合自身特点的城市交通智能管理数字生态网络；另一方面，需要交通科技企业从助力和服务城市交通产业升级的角度，作为政府、交通参与者的连接器、智囊和生态共建者，共同完成大数据建模技术的开花结果。