0 引言
交通运输行业是重要的碳排放源，而重型货车则是重中之重且其碳排放量呈持续增长的态势。2021年全球重型货车碳排放约0.18亿t，占全球碳排放总量的5.1%[1]。虽然不少国家采取了多项政策减少交通碳排放，但由于交通运输需求将持续增长，预计2050年全球交通碳排放仍将较2015年增长60%[2]。2020年我国重型货车贡献了道路交通碳排放的50%以上，占交通运输行业碳排放的40%以上[3]。由于具备“门到门”运输、便捷等特性，未来一段时间公路运输仍将是主要的货运方式。与此同时，重型货车能源结构调整进程仍存在较大的技术不确定性，重型货车清洁能源技术路线发展仍不明朗[4]。因此，在“双碳”目标背景下，加强重型货车碳排放特征及减碳策略研究以推动重型货车减碳，对于交通运输行业低碳发展具有重要意义。
为了了解重型货车的碳排放特征，部分学者从微观方面对不同行驶状态下重型货车碳排放因子及其影响因素进行了研究，如：Barth等对重型柴油货车能耗、CO2等多种污染物排放情况进行了研究，发现在城市典型行驶工况下，重型柴油货车单位行驶距离碳排放随车重呈现单调递增的线性关系[5]；彭美春等基于20辆重型货车油耗、GPS实测数据等，研究了重型货车车速、装载率与单位货运周转量碳排放因子的拟合关系，发现车速与碳排放负相关，且装载率提升有利于降低单位货运周转量排放因子[6]。在此基础上，有学者对货车碳排放时空特征进行了探索，如：程颖等采用路网交通流仿真方法对北京道路网机动车NOx等污染物排放时空分布特征进行了研究，发现城市交通呈现高峰时段排放占比高（约31%）、高 / 快速路网排放占比高（约77%）、货车排放占比高（约47%）等时空集聚特征[7]；郑梦柳等对中国286个城市2000—2015年货物运输碳排放时空数据进行建模，研究发现随着人口增长和经济发展，货运需求和排放将持续增长[8]。
总体上，关于重型货车碳排放时空分布特征及影响因素的研究相对有限。从碳排放时空分布及影响因素角度，既有研究更多关注城市交通[7]、出租车[9]、网约车[10]等的碳排放，其中部分研究对货运交通碳排放进行了整体性分析，而未针对重型货车碳排放特征进行深入剖析。部分学者仅关注货运出行特征的时空分布研究[11-12]，并未拓展至碳排放范畴。而从重型货车碳排放角度，既有研究主要聚焦于微观层面重型货车车辆尺度的碳排放机理和影响因素研究[5-6]或宏观层面城市货运碳排放特征[8]，而中观层面的道路路段尺度的碳排放研究相对缺乏。考虑到重型货车运输活动与骨干交通网络布局和产业园区分布存在一定关系，为研究重型货车碳排放时空分布特征，需要将重型货车碳排放与二者进行关联，从中观层面分析重型货车碳排放与道路网络和产业布局之间的相互关系，进而提出相应的减碳策略。
为了更好地了解道路路段尺度的货运碳排放特征及相关影响因素，本文拟以上海重型货车全样本GPS轨迹数据为基础，结合道路网络GIS数据，分析重型货车运行轨迹，计算平均车速，同时结合货车平均车速与碳排放之间的关系，计算上海重型货车碳排放总量并分析其时空分布特征，进而研究重型货车碳排放与道路网络、产业空间等因素的相互关系，最后提出重型货车减碳建议。
1 数据处理及重型货车碳排放计算
1.1 GPS数据来源
为分析重型货车运行状况和碳排放情况，本研究从道路运行管理部门收集了2020年上海某工作日约11.6万辆12t以上的货运车辆（以下简称“重货”）的1.5亿条GPS轨迹数据。数据字段包括车辆编号（脱敏）、时间戳、经度、纬度等，平均采样时间间隔为30s左右，具体如表1 所示。
表1 重货GPS轨迹数据样例 |
| 车辆编号 | 时间戳 | 纬度 | 经度 |
|---|---|---|---|
| 000445 | 2020-10-27 08:01:17 | 121.239 23 | 30.981 25 |
| 000445 | 2020-10-27 08:01:47 | 121.245 73 | 30.981 16 |
| 000445 | 2020-10-27 08:02:17 | 121.251 23 | 30.980 85 |
| 000445 | 2020-10-27 08:02:47 | 121.253 55 | 30.981 11 |
| 000445 | 2020-10-27 08:03:17 | 121.256 26 | 30.983 69 |
重货GPS轨迹在宝安公路-浏翔公路交叉口附近的空间分布如图1 所示。受制于GPS数据的精度及道路宽度，大部分重货GPS信号点位呈沿道路中心线两侧一定范围离散分布的规律，小部分GPS信号进入周边地块，如停车场、加油站等。该数据整体上可以较好地反映重货空间位置和时间点，精度可以满足碳排放计算相关要求。
1.2 数据处理与分析流程
为了计算重货碳排放并分析其时空分布特征，对原始数据按图2 所示流程进行处理。
（1）数据筛选。从空间、时间两个维度对原始数据进行筛选，剔除非上海市域范围内和非该工作日的数据。
（2）空间匹配。首先根据车牌号将数据分组，组内按照时间戳的先后顺序排序，形成每辆重货的GPS点位集合。然后，将所得点位集合与上海路网GIS数据进行匹配，使各个GPS点位与路网数据相对应，进而计算得到连续两个GPS点位重货的行驶距离、平均车速、加速度等运行情况。
（3）数据清洗。剔除计算参数中的异常数据。参考相关文献[12]中的做法，本次数据清洗中的异常数据指平均速度大于130km/h或加速度大于5m/s2的数据。
（4）碳排放计算。经数据筛选、空间匹配、数据清洗后，根据每辆车在连续两个时间戳间的行驶距离、平均车速及对应的碳排放因子，计算每辆车在各个轨迹段的碳排放，进而汇总获得每辆车的日碳排放量和全市货车碳排放总量。
（5）时空分析。根据空间匹配和碳排放计算结果进行时空分析：分析货车数量、行驶速度和碳排放的时间变化规律；探寻货车流量和碳排放的空间分布特征。
1.3 基于车速的重货碳排放因子
本研究通过采集城市典型工况下集装箱卡车（以下简称“集卡”）运行状态下的碳排放数据，得到集卡不同车速对应的碳排放数据，如图3 中“集卡观测碳排放”曲线所示。
然后，通过估算重货载重量，建立重货碳排放与集卡碳排放数据间的拟合关系。参考线圈、卡口视频等统计数据，假设：上海12t以上货车中，集卡和非集卡各占50%；货车空载和满载情况各占50%；按照集卡空车12t，满载40t，其他重型货车空车重量在6~12t间均衡分布，满载重量在12~40t间均衡分布。根据前文，集卡观测数据中包含满载和空载等情况，假设集卡空载和满载情况各占40%和60%，空载12t、满载40t，因此观测到的集卡碳排放对应的平均重量为60%×40t+40%×12t=28.8t。由2006年Matthew等研究发布的重货排放模型可知：重货单位行驶距离碳排放随车重呈单调递增的线性关系[5]。本研究根据该线性关系，基于观测数据中的集卡平均载重量，预测重货平均载重量，计算出重货碳排放折减系数为83.4%，具体计算过程如表2 所示。由此得重货不同速度对应的碳排放值，如图3 中“重货拟合碳排放”曲线所示。
表2 重货碳排放折减系数计算表 |
| 计算指标 | 车辆类型及占比 | |||
|---|---|---|---|---|
| 集卡（50%） | 其他重货（50%） | |||
| 载货情况及占比 | 满载（60%） | 空载（40%） | 满载（60%） | 空载（40%） |
| 平均重量 | 40t | 12t | 12~40t平均分布 | 6~12t平均分布 |
| 单项折减系数 | 40×50%×60%/28.8=41.7% | 12×50%×40%/28.8=8.3% | （12+40）/2×50%×60%/28.8=27.1% | （6+12）/2×50%×40%/28.8=6.3% |
| 折减系数加总 | 41.7%+8.3%+27.1%+6.3%=83.4% | |||
2 重货碳排放时间分布特征
2.1 运行车辆数及平均车速时变特征
重货运行车辆数和平均车速时变关系如图4 所示，并体现以下两个特征。
（1）重货运行数量呈单峰特征。在凌晨2:00—3:00重货运行车辆数处于最低值，然后逐渐增多，在白天9:00—16:00重货运行车辆数达到高值5.9万辆左右，约为全日运行车辆数的45%，随后逐渐减少。
（2）重货平均车速小时分布呈深夜至清晨单高峰、早晚高峰双低谷的特征。深夜（22:00—24:00）、凌晨至清晨（00:00—07:00）平均车速处于高值，尤其在03:00—04:00达到最高值约48.5km/h。上午9:00—10:00、下午17:00—18:00平均车速处于全日低值，分别约为42.4km/h和41.5km/h。
2.2 碳排放时变特征
重货运行车辆数和碳排放时变关系如图5 所示，总体上在10:00—17:00时段呈高峰分布的特征。0:00—07:00时段，道路运行通畅，重货车辆较少且平均车速较快，小时碳排放较少；07:00—10:00时段，重货车辆数持续增加，平均车速降低至低谷，同时市区限制货车通行，碳排放呈现一定平台期，稳定在约580t/h的排放水平；10:00—17:00时段，随着运行车辆数的持续增加，小时碳排放达到全日最高峰，平均约680t/h，高峰小时最高碳排放量超过700t/h；17:00—20:00时段，小时碳排放进入新的平台期，碳排放量稳定在545t/h左右；20:00—0:00时段，随着重货运行车辆数减少和道路拥堵情况缓解，碳排放量持续降低至全日低值。
3 重货碳排放空间分布特征
3.1 碳排放与道路网络的关系
基于重货GPS轨迹数据，将重货碳排放与路网进行匹配，进而分析重货碳排放在市域路网上的空间分布特征，如图6 所示。
（1）受市区货运限行政策影响，重货碳排放主要分布在中心城区以外区域的道路网络。根据上海货车限行规定，每日7:00—20:00时段悬挂外省市号牌的货运机动车及每日凌晨6:00至次日凌晨1:00国三排放柴油货车禁止在接近中环至外环的区域内道路上通行（以下简称“限行范围1”），工作日每日7:00—20:00除特殊车辆外，悬挂本市号牌的货运机动车禁止在类似内环线以内区域的道路上通行（以下简称“限行范围2”），具体限行范围如图7 所示。
（2）绕城高速、沈海高速、外环线作为骨干货运通道，是重货碳排放的主要空间。以上海收费高速公路为例，高速公路网络呈现“一环+多射+多联”的总体格局，其中放射形线路以客运功能为主，环形线路及环线联络线路以货运功能为主。2020年，绕城高速、沈海高速日均货车流量接近2万自然车车次，为全网最高，导致这两条公路货车流量占比分别高达50%和27%左右，同样位居全路网前两位；同时，受客运交通量叠加等因素影响，绕城高速、沈海高速局部区段在上海高速公路网络中最为拥堵[13]。因此，在货运流量和交通拥堵水平两个因素叠加影响下，绕城高速、沈海高速等道路的重货碳排放值较高。
3.2 碳排放与城市用地的关系
重货碳排放主要与城市大宗货物的运输相关，而大宗货物运输主要涉及工业物流、港口物流、城市生活物流等3类物流运输作业。因此，从工业物流与城市用地、港口物流与城市用地、生活物流与城市用地等3个方面研究重货碳排放与城市用地的关系
（1）产业用地布局与重货碳排放的关系
上海工业产业基地主要分布在城市中外围区域。将重货碳排放空间分布与工业产业基地分布进行叠加（如图8 所示），可以看出，临港装备业基地、松江工业区、嘉定汽车产业基地、宝山钢铁基地等制造业产业基地周边道路碳排放强度较高，说明汽车、钢铁等制造业产业基地存在较大的重型货车运输需求。
（2）港口用地布局与重货碳排放的关系
2020年上海港货物集疏运量约9.18亿t，其中公路集疏运比例较高，占比约21.9%[14]。上海港货物吞吐量主要集中于洋山港和外高桥港两座港区。洋山港集疏运通道主要包括东海大桥、沪芦高速、绕城高速、南芦公路等，外高桥港区集疏运通道主要包括绕城高速、外环路、华东路等。上述道路重货流量较大，碳排放强度相对较高。
（3）人口集聚区域与重货碳排放的关系
生活物流在市域内的运输主要依托中小型货车，而重型货车主要负责区域范围内中长途运输至城市周边大型农贸市场和物流基地。上海中心城区是上海市人口最为集聚的区域，故其周边地区布局的大型农贸市场和物流基地周边道路碳排放强度较高。
4 重型货车碳减排建议
研究表明，减少货运碳排放总体上可以从减少不必要运输需求、提高交通能源效率、加强清洁能源应用、提高低碳运输方式占比等4个方面着手[15]。结合前文关于重货碳排放时空分布特征研究结果，提出以下重型货车碳减排建议。
4.1 加强产业空间布局与交通系统衔接
（1）加强货运需求较大的产业基地与铁路和水运系统衔接
从重货碳排放与产业空间布局的关系来看，重要的制造业产业基地周边道路是重货碳排放的主要区域。现状除长兴、宝钢、临港等部分产业基地外，多数产业基地仍未接入铁路或水运系统。后续在产业基地布局和选址时应加强与铁路和水运系统高效互动。货运量达到一定规模的产业基地选址应考虑铁路和水运系统衔接条件，并考虑铁路支线、专用线或水运码头等配套条件。
（2）从区域视角关注产业链上下游协作及相应的空间资源配置
以制造业为代表的第二产业是货运需求较大的产业，也是产业链条较长、分工较为复杂的产业。考虑到区域产业分工和竞争特征，应该加强从城市群、都市圈等区域发展视角，以及产业链上下游协作视角，统筹考虑产业空间布局，减少由于空间布局不合理造成的不必要货物运输需求。
4.2 重视低碳视角下交通系统布局优化
（1）进一步加强水铁联运、水水联运，优化港口集疏运的方式结构
从重货碳排放与港口空间布局的关系来看，港口集疏运通道以及周边道路也是重货碳排放的主要区域。现状上海港各港区铁路均未直接接入，铁路在集疏运系统中占比偏低，不足0.1%[14]。因此，对于重要港区，应加强铁路支线、专用线接入港区核心区域，进一步增强水铁联运比重，降低港口集疏运碳排放。
（2）研究建设全天候或限时货运专用通道，提高道路货物运输效率
根据交通运输部公路科学研究院的调研报告，我国货车平均速度为50km/h左右[16]。由前文可知，高峰时段绕城高速宝山段、浦东北段等疏港通道长时间处于拥堵状态。根据图3 典型城市工况下观测到的不同车速集卡碳排放值，拥堵状态下（平均车速小于10km/h）集卡碳排放是畅通状态（平均车速为50km/h左右）下的2倍以上。对比小客车碳排放，畅通状态下，集卡碳排放达到小客车的5倍以上。为此，在进一步优化港口集疏运方式结构的基础上，考虑到目前疏港道路的常态拥堵，有必要研究建设全天候或限时货运专用通道，以有效缓解货运拥堵水平，降低货运碳排放量。
5 结语
为了研究重型货车碳排放时空分布特征及其影响因素，本文基于上海重货GPS数据和道路网络GIS数据，计算了重货平均车速，并通过观测集卡实际行驶过程中不同车速对应的碳排放量，借助重货碳排放与车重间的线性关系，估算城市中道路尺度的重货碳排放情况。在此基础上，分析重货碳排放时空分布规律。然后，结合城市综合交通路网特征和用地布局，探讨了重货碳排放与交通路网、产业布局间的相互关系。最后，从产业用地布局、交通规划等方面提出重货减排建议。
受限于数据收集不全，本文在重型货车碳排放的计算过程中对车型、载重情况作了一定的简化处理，对碳排放的测算精度有所影响，进而可能影响减碳策略的针对性。后续可以从以下两个方面进行优化：一是结合GPS数据深入挖掘重型货车的运行细节，包括OD分布、中途点，叠加用地布局特征，更深入地认识重型货物运输需求特征；二是在当前集卡碳排放观测数据基础上，进一步拓展观测范围，对不同车型、不同载重量的重型货车碳排放数据进行观测，补充现状道路运行观测数据，加强上海路网实际运行货车的类型、载重等数据采集，以更精确地测算上海重型货车碳排放，进而更准确地认识不同区域、不同时段重货碳排放特征，以便更有针对性地研究减碳策略。