基于精细化仿真的城市交通碳排放分析

张永琪，潘敏荣,2，付 晓，刘志远

(1.东南大学交通学院，江苏 南京 210096；2.苏州城市规划设计研究院股份有限公司，江苏 苏州 215006)

0 引 言

近年来随着城市交通机动化水平提高，交通拥堵以及随之加剧的尾气排放已经成为城市发展中普遍面临的问题。作为全球第二大碳排放部门，交通运输行业碳减排压力日益增加。因此，对交通碳排放进行研究是实现“双碳”目标的重点，也是交通碳减排政策制定与施行的前提。

解决碳排放问题的关键在于对交通碳排放的精准测算。目前主流碳排放测算模型分为两类，微观碳排放模型以车辆个体为研究对象，利用海量车辆轨迹数据实现对城市交通碳排放的测算[1]，精确性高，但轨迹数据要求严格、难以获取。宏观碳排放模型则以网络为研究对象，通过网络内集计的车辆驾驶行为估算[2]实现对城市交通碳排放的测算，但忽略了个体驾驶行为与碳排放之间的关系。

交通仿真技术应用研究的快速发展为精准测算城市交通碳排放提供了一个新的解决思路[3-5]，即基于精细化交通仿真的城市交通碳排放测算。本文基于多源交通大数据等数据搭建了精细化城市多模式交通仿真模型，应用SUMO软件实现了对城市交通碳排放的测算，并二次开发SUMO碳排放模块，对交通政策效果进行了分析与评价。

1 城市交通精细化仿真模型构建

1.1 精细化路网搭建

精细化路网搭建由两部分组成：自动化路网搭建与手动路网精细化调整。

自动化路网搭建是精细化仿真路网的“底座”，以开源OpenStreetMap(OSM)数据作为地图数据的主源，对OSM路网数据连通性与拓扑性检查、冗余交叉口合并等多项技术融合，仅需要提供所搭建路网区域OSM地图和高精地图(*.shp格式)，就可以通过开发的脚本自动化实现SUMO仿真道路交通网络和公共交通网络的生成。

手动路网精细化调整，在自动化搭建路网基础上，采用地图匹配技术融合高精地图和OSM电子地图，校核修正路网车道数、车道限速等道路属性。同时，通过实际路网信号配时等数据再次对仿真路网信号灯配时等交通设施进行精度提升，最终获得城市全路网的精细化仿真效果，如图1所示。

1.2 多模式交通流量还原

前文提到的精细化路网搭建已经完成了城市交通精细化仿真模型的“底座”，多模式交通流量还原则是城市交通精细化仿真模型的“血液”。

多模式交通主要由小汽车、公交、轨道交通、非机动车与行人5个部分组成，本文提到的多模式交通流量还原包括了以上5个部分。

1.2.1 公交、轨道流量还原

此部分流量还原基于高德API实现，通过对数据的获取与处理，实现公交、轨道数据的仿真输入。

1.2.2 小汽车、非机动车、行人流量还原

此部分流量还原基于手机信令数据完成识别，识别获得上述各交通方式的OD数据，实现小汽车、非机动车、行人流量数据的仿真输入。

1.2.3 数据校核

城市交通精细化仿真模型精准与否很大程度上取决于仿真运行状态的精准与否，本文就仿真还原效果与仿真区域核查线数据进行校核，对比部分主干道断面流量。若出现结果异常则基于上述还原步骤进行参数重新标定，直至校核断面流量无误差为止。

2 城市交通碳排放测算方法介绍——基于苏州古城实例

SUMO不仅可以输出宏观仿真模型中输出的路网静态流量、速度等指标，也可以输出路网的动态流量、实时速度等指标，还可以输出每辆车的CO2、CO、HC、PMx等污染物排放指标。指标选取需要考虑交通仿真输出数据类型与碳排放测算的特点，因此本文仅选用CO2、CO、HC 3个指标对城市碳排放进行测算。

2.1 方案介绍

本文研究对象为苏州古城区(护城河以内部分)，占地面积约14.14 km2，共由185个交通小区组成。现对2021年10月12日苏州古城交通碳排放量进行测算。

基于当日手机信令数据估算可知，当日苏州古城居民出行总量为1 052 166人次，经换算后的当日古城高峰小时出行量为24 156 pcu/h，交通方式划分结果如表1所示。

表1 苏州古城各交通方式划分结果

2.2 高峰时段仿真输出数据

本算例首先搭建1.1节中提到的苏州古城精细化仿真路网，并选取了当日苏州古城高峰小时交通量作为仿真流量输入，经仿真运行，输出部分古城主要路段碳排放量测算结果如表2所示，整体路网碳排放测算情况如图2所示。

表2 高峰时间仿真碳排放输出数据

综合分析图2、表2可知，苏州古城高峰小时CO2排放量最多，碳排放高达31 t。其中主要碳排放来源于人民路、干将东路、竹辉路、临顿路等古城主次干道，总体上发现古城碳排放呈现出“主干路向次干路、支路依次递减”的趋势。

从空间位置上分析，可发现“干将东路-人民路-临顿路”合围地区高峰小时碳排放量尤其突出，同样人民桥、干将桥、相门桥等15座控制古城车辆进出的枢纽处均出现了不同程度的高碳排放量。不难发现，出现高碳排放量的地区均为古城交通最为拥挤的地区。由此可以分析得出，道路拥挤是造成高交通碳排放的重要原因。

2.3 交通政策方案评估与分析

考虑到苏州古城高峰小时乃至全天高碳排放量的情况，本文提出尾号限行政策(单双号限行与限两号禁止通行)，从根源上降低古城区域交通出行总量，从而达到降低古城路网碳排放总量的目的。

由于基于精细化仿真的城市交通碳排放测算方法需要仿真输入当前状态下的准确出行量，而不同政策下的出行量需要根据实行政策确定，经计算各政策下的古城高峰小时出行量结果如表3所示。通过实行限两号禁止通行的交通需求管控政策降低了16.7%的古城高峰小时出行量；通过实行单双号限行的交通需求管控政策则降低了41.7%的古城高峰小时出行量。

表3 各种政策下古城高峰小时出行情况

2.4 高峰小时政策前后碳排放量对比

将2.3节中提到的各政策下的古城高峰小时出行量输入精细化仿真中，重复2.2节仿真运行步骤，获得3种政策下古城主要道路高峰小时碳排放量结果如表4所示，并对3种方案下的路网指标变化情况进行了计算，结果如表5所示。

表4 3种政策下苏州古城高峰小时碳排放量对比

表5 不同政策下的路网指标变化情况

由表4和表5分析可得：在3种不同的交通政策下，方案2相比方案1，CO2排放量降低了28.35%，CO排放量降低了37.83%，HC排放量降低了27.78%；方案3相比于方案1，CO2排放量降低了59.90%，CO排放量降低了76.07%，HC排放量降低了57.47%，说明降低古城的交通出行需求对降低古城区域碳排放总量具有重大意义；同时，发现在3种不同交通政策下古城地区人民路、干将东路、竹辉路3条道路均为碳排放问题最为突出的道路，进一步说明了古城区域的碳排放总量呈“主干路向次干路、支路递减”的空间特征。

经过对3种碳排放指标对于不同需求管控政策的敏感性分析(图3)可知：在CO2、CO、HC 3个指标中，CO排放指标对于不同程度需求管控政策(限号政策)的敏感度最高，在降低相同出行量的情况下，CO排放指标下降速度明显高于CO2与HC。

同时也可以发现交通需求管控政策与碳排放总量之间存在明显的正相关性，即随着交通需求管控措施的不断严格，路网出行量的不断降低，路网碳排放总量同样也在不断降低，这再一次说明“交通需求管控”是推进“低碳政策”的有力措施。

3 结 语

本文提出的基于精细化仿真的交通碳排放测算与分析的方法既可以应用于对当前城市交通碳排放进行精准测算，也可用于评价与分析“低碳”政策的可行性。本文就以此方法为基础，首先对于苏州古城区工作日高峰小时碳排放总量进行了测算并分析了碳排放总量在古城的空间特征；其次，基于此方法对于不同政策下的城市交通碳排放状态进行了分析，得出结论：“交通需求管控政策”可以极大的缓解城市的碳排放总量，其中对于CO排放的缓解最为明显。在今后的研究中，将进一步将此方法推广至对于未来年份城市交通碳排放总量的预测中并力争在做到对当前城市交通碳排放进行精准测算的基础上，进一步研究影响城市交通碳排放深层因素，例如与车辆运行状态之间的研究等。