Transport Research >

2024 , Vol. 10 >Issue 3: 29 - 36

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2024.03.004

Theory & Method

Research Method for Classification and Survival Rate of Heavy Commercial Vehicles in China

  • PENG Yuhui ,
  • LIU Huanxin ,
  • HUANG Xiao
Expand
  • School of Mechanical Engineering and Automation, Fuzhou University, Fuzhou 350108, China

Received date: 2024-04-05

  Online published: 2024-09-09

Fold

Abstract

The survival curves of various subdivision models of HDCV(Heavy-duty Commercial Vehicles) are acknowledged as vital foundation for carbon emission assessment of HDCV. Therefore, to obtain the survival curves of different subdivisions of HDCV in China considering different purposes and usage scenarios, a creative research method for the subdivision and survival rate of HDCV models based on the national standard of Fuel Consumption Limits for Heavy-duty Commercial Vehicles (GB 30510—2018) was proposed. Firstly, the boudary categories of various subcategories of HDCV in China were defined, and their feasibility was verified. Secondly, Weibull distribution method was introduced to fit survival rate curves for each subcategory of the concerned vehicles according to the data of vehicle ownership and new registration. The research results showed that the survival rates of various subdivision models of HDVC were consistent with Regulations on Compulsory Scrapping of Motor Vehicles in China. Furthermore, on basis of the vehicles ownership in 2017, the vehicle ages with 50% survival rates for ordinary trucks, semi-trailer tractors, dump trucks, ordinary buses, and urban buses were approximately 8.5 years, 7.5 years, 8 years, 9.5 years and 8.5 years, respectively. While, for vehicles ownership in 2021, the counterparts were approximately 9.5 years, 8.5 years, 8.5 years, 11 years and 8.5 years, respectively. It means that the progress of automotive technology has significantly extended the service life of other vehicles, except for urban buses. By comparing with the existing research results, the achieved survival curves can more accurately reflect the survival patterns of HDVC with different purposes and usage scenarios in China.

Key words： HDCV (Heavy-duty Commercial Vehicles); survival rate; Weibull distribution; vehicle ownership; carbon emissions

Cite this article

PENG Yuhui , LIU Huanxin , HUANG Xiao . Research Method for Classification and Survival Rate of Heavy Commercial Vehicles in China[J]. Transport Research, 2024 , 10(3) : 29 -36 . DOI: 10.16503/j.cnki.2095-9931.2024.03.004

0 引言

汽车存活率指新注册车辆在进入市场后经过自然淘汰等留存下的比例，能反映新车群体随着车龄的增加其存活比例逐渐下降的程度。车龄和存活比例（即存活率）之间的关系曲线被称为存活率曲线[1-2]。汽车存活率曲线不仅能够直观地反映汽车在各车龄下的存活概率，还可用于对汽车车龄分布结构、汽车燃料消耗量、碳排放量预测等方面的研究。在我国交通运输行业中，商用车保有量虽然仅占汽车总量的10%左右，但其产生的碳排放量占比高达56%；而重型商用车碳排放量在商用车中的占比超过70%，故重型商用车是交通运输业实现碳减排的关键对象。在碳排放量测算评估过程中，车辆的车龄结构和数量、燃料消耗量及年行驶里程是基础数据，因此，研究商用车尤其重型商用车各细分车型的存活率特征具有重要意义。
在汽车存活率研究方面，1995年Zachariadis等[3]基于小数据量采用威布尔（Weibull）分布获得具有实用性的存活率曲线。Jong[4]论证了利用Weibull分布对汽车存活率的拟合效果优于指数模型。Chen等[5]构建了基于少量观测数据的存活率曲线推演方法，推演结果显示，符合伽马异构分布的Weibull分布拟合效果最优。杨方等[6]利用Weibull分布获得了北京市小型客车的存活概率，但该研究对车辆在到达报废年限时统一报废的假定偏离了实际情况；郝瀚等[7]、朱向雷等[8]、刘森等[9]也均采用Weibull分布获得我国部分车型的存活率曲线。目前，尽管已有研究表明存活率曲线能够直观反映各车龄下的汽车存活状况，且Weibull分布在分析汽车存活率时有较高的匹配度，但研究对象大多局限在小范围地域边界内。重型商用车作为汽车的一个重要子范畴，考虑到不同经济发展水平、不同国家以及重型商用车的不同用途和使用场景存在的差异对重型商用车的车龄和存活率曲线产生的重大影响，故构建适用于中国重型商用车细分车型的存活率模型尤为重要。
与此同时，由于研究数据获取困难，以往对我国的重型商用车存活率研究主要依赖于国家统计局的民用汽车数据，基于公安部《道路交通管理机动车类型》（GA 802—2019）[10]标准，将汽车分为客车（大、中、小、微）和货车（重、中、轻、微）两大类别和8个车型小类。然而，《重型商用车辆燃料消耗量限值》（GB 30510—2018）[11]根据用途和使用场景将设计总质量超过3 500 kg的重型商用车细分为普通货车、半挂牵引车、自卸车等类别。对比上述两个车型分类规则：公安部的车辆分类单纯考虑汽车技术和性能参数，如把“车长≥6 000 mm或乘坐人数≥20人的载客汽车”归为大型客车，并没有考虑该类客车的用途。但当研究大型客车的碳排放或能耗时，由于城市客车和普通客车的使用场景存在差别，二者在燃料消耗量等方面表现出明显的差异；此外，公安部的车辆分类把“总质量大于等于12 000 kg的载货汽车”归类为重型货车，也无法区分普通货车、半挂牵引车、自卸车的不同用途及能耗上的差别，导致汽车碳排放量计算结果与实际存在较大偏差。
综上，现有关于我国重型商用车存活率的研究及部分相关标准规范尚不能根据场景和用途差异对车型进行细分，无法准确表达不同车型存活率的差异。为此，本研究将基于车辆保有量和新车注册量，提出一种基于车辆使用场景和用途的重型商用车细分车型的分类方法及其存活率曲线构建方法，以有效表达不同细分车型的存活率差别，为我国重型商用车的车龄结构分布、燃料消耗量及碳排放量测算提供参考依据。

1 研究思路和方法

1.1 总体思路

为获得我国重型商用车各类细分车型的存活率曲线，本研究首先依据《重型商用车辆燃料消耗量限值》（GB 30510—2018）对我国重型商用车类型进行细分，并明确各类型的边界。然后根据汽车保有量和新车注册量，运用Weibull分布模型拟合各细分车型的存活率曲线，获得模型关键参数，并验证模型的合理性和准确性。总体研究框架如图1所示。
图1 研究路线框架

1.2 重型商用车车型分类与数据支撑

参考《重型商用车辆燃料消耗量限值》（GB 30510—2018），将最大设计总质量大于3 500 kg的商用车定义为重型商用车，其中细化车型分类包括普通货车、半挂牵引车、普通客车、自卸车、城市客车和作业型专用车。各类别车型的覆盖边界定义如表1所示，其中字头数字为《汽车产品型号编制规则》（GB 9417—1988）中的车辆类别代号。
表1 重型商用车细化分类覆盖边界定义
车型 定义
普通货车 1、2、6字头类别中的货车以及5字头运输型专用车
半挂牵引车 4字头类别
自卸车 3字头类别
普通客车 2、6字头类别中除城市客车和校车外的客车
城市客车 2、5、6字头类别中城市客车和校车
作业型
专用车		 非运输型5字头货车以及5字头中除
城市客车外的其他客车车型
根据上述6类细分车型，统计每年各类别车型的新车上险注册量，并与当年实际重型商用车注册量进行对比，发现细分车型注册量的累计占比均达到总注册量的99%左右，如表2所示，说明本文关于我国重型商用车的分类可满足重型商用车的分类表达。由于专用作业车用途和使用场景复杂，目前并未纳入国家能耗限值监管范畴，故本文重点针对普通货车、半挂牵引车、普通客车、自卸车和城市客车五大类重型商用车进行研究。同时，参考公安部《道路交通管理机动车类型》（GA 802—2019），将普通货车、半挂牵引车、自卸车划分为货车，将普通客车、城市客车划分为客车。
表2 重型商用车细分车型注册量及覆盖情况
年份 普通货车
/万辆		 半挂牵引车
/万辆		 自卸车
/万辆		 普通客车
/万辆		 城市客车
/万辆		 作业型专用车
/万辆		 合计
/万辆		 重型商用车
总注册量/万辆		 覆盖占比
（合计/总注册量）
2005 23.6 5.1 14 11.4 1.7 9.4 65.2 65.9 98.9%
2010 111.6 30.7 45.9 17.4 5.1 9.0 219.7 221.1 99. 4%
2015 71.4 20.3 8.9 18.1 12.4 8.5 139.6 139.6 100.0%
2020 138.3 75.9 36 16.1 6.8 25.5 298.6 298.6 100.0%
2022 65.0 20.4 10.6 13.4 5.2 16.8 131.4 131.4 100.0%

1.3 基于Weibull分布的汽车存活率曲线构建

Weibull分布是一种连续概率分布，是可靠性分析和寿命检验的理论基础，常用于机电类产品的磨损累积失效研究[12-13]。本研究基于Weibull分布理论，假设某车型外界条件不发生变化，则该车型车龄车辆的存活率认为保持不变，据此构建中国重型商用车细分车型存活率与车龄的函数关系如下：
φ i , j (k) = e x p - i + b j T j b j
式（1）中：k为年份；i为车龄，考虑到实际报废车辆的车龄可能超过20年，故取最大车龄为25年，即i=0, 1, 2…, 25；j为车型； φ i , j ( k )为第k年j车型i车龄车辆的存活率； b j为失效陡度； T j为j车型的服务寿命。
不同车型的车辆保有量计算公式为：
V j ( k ) = ∑ i V i ,   j ( k )
式（2）中： V j ( k )为第k年j车型的保有量； V i ,   j ( k )为第k年j车型i车龄车辆的保有量。
不同车型和车龄的车辆存活率计算公式为：
φ i ,   j ( k ) = V i ,   j ( k ) / R j ( k - i )
式（3）中： φ i ,   j ( k )为第k年j车型i车龄车辆的存活概率； V i ,   j ( k )为第k年j车型i车龄车辆的保有量； R j ( k - i )为第k-i年j车型的新车注册量。

2 结果与分析

分别以2017年、2019年和2021年作为计算基准年份，通过式（3）计算各基准年不同车龄的各细分车型重型商用车的存活率。将可直接计算获得的存活率通过Weibull模型进行拟合，获得失效陡度bj、服务寿命Tj，拟合结果的决定系数R2均大于99%、均方根误差RSME为0.069~0.022，表明拟合效果较好。构建不同基准年份下的存活率曲线，其中存活量计算值与真实值对比结果如表3所示，五大类重型商用车的最大误差为不超过3%。
表3 中国重型商用车细分车型存活量对比
年份 普通货车 半挂牵引车 自卸车 普通客车 城市客车
实际值
/万辆		 计算值
/万辆		 相对
误差		 实际值
/万辆		 计算值
/万辆		 相对
误差		 实际值
/万辆		 计算值
/万辆		 相对
误差		 实际值
/万辆		 计算值
/万辆		 相对
误差		 实际值
/万辆		 计算值
/万辆		 相对
误差
2021 953.49 963.72 1.10% 362.51 359.04 -1.00% 253.05 257.69 1.80% 173.05 176.01 1.70% 85.77 85.91 0.20%
2019 876.62 883.54 0.80% 293.46 292.80 -0.20% 256.93 257.47 0.20% 163.19 163.45 0.20% 86.92 86.77 -0.20%
2017 779.13 780.46 0.20% 241.70 238.95 -1.10% 236.32 235.08 -0.50% 152.72 148.73 -2.60% 81.27 81.03 -0.30%

2.1 各车型汽车存活率分析

据2012年中国商务部发布的《机动车强制报废标准规定》 [14]，各类重型商用车的报废年限如表4所示。
表4 中国重型商用车细分车型报废年限
车型 报废年限/年
危险品运输载货汽车 10
其他载货汽车（包括半挂牵引车和全挂牵引车） 15
大、中型营运载客汽车 15
大、中型非营运载客汽车 20
公交客运汽车 13
专用校车 15
以2021年为基准年份的各车型存活率曲线如图2所示，由于车辆使用场景、工况及管理政策的不同，各车型存活率曲线存在较大差别。普通货车、半挂牵引车、自卸车、普通客车和城市客车的50%存活率的车龄分别约为9.5年、7.5年、8.5年、11年和8.5年。普通客车在重型商用车中的使用强度较低，同时其报废年限较高，体现为整体曲线下降趋势较缓。自卸车与城市客车的存活率曲线最为贴近。半挂牵引车的使用工况恶劣、行驶强度高，导致其存活率在重型商用车中下降得最早且最快，在图2中体现为曲线位于图中最靠左侧位置。
图2 各类车型的存活率曲线对比
以2017年、2019年、2021年为计算基准年份，普通货车存活率曲线如图3所示。由图可知，3条存活率曲线呈现较为一致的趋势，且保有量年份越往后的存活率曲线在高车龄下的存活率下降越慢，低车龄的存活率下降越快。2021年和2017年普通货车保有量中50%存活率的车龄分别约为9.5年和8.5年，说明汽车技术的进步能在一定程度上延长普通货车的使用寿命，15年车龄的普通货车存活率趋近0，与国家《机动车强制报废标准规定》对普通货车规定的15年强制报废年限相一致。
图3 普通货车的存活率曲线
以2017年、2019年、2021年为计算基准年份，自卸车存活率曲线如图4所示。由图可看出，3条曲线比较靠近，表明自卸车的存活率情况长期保持稳定。自卸车使用强度大且使用场景较为单一、稳定，如矿用自卸车或渣土车，因此汽车技术的进步对于改善自卸车的使用寿命效果不明显，2021年和2017年50%存活率的车龄分别约为8.5年和8年。
图4 自卸车的存活率曲线
以2017年、2019年、2021年为计算基准年份，半挂牵引车存活率曲线如图5所示。与其他类别汽车的存活率曲线相比，该曲线走势最陡，体现在车龄为7年至车龄为11年的存活率急速下降。同时，不同年份下的存活率曲线区别较大，2021年对车龄超过5年的半挂牵引车的报废率明显加大，对应年份曲线明显体现这一特点。此外，考虑半挂牵引车的使用场景通常为长距离重载工况，以上差异可以认为半挂牵引车受排放、报废政策影响更大，使低车龄的存活率明显降低。2021年和2017年保有量中半挂牵引车的50%存活率的车龄分别约为7.5年和8.5年。半挂牵引车的存活率曲线表明，车龄12年时存活率接近0，与国家《机动车强制报废标准规定》中半挂牵引车的强制报废年限为15年基本吻合。
图5 半挂牵引车的存活率曲线
以2017年、2019年、2021年为计算基准年份，普通客车存活率曲线如图6所示。由图可看出，3条曲线间隔较明显，年份越早的曲线越靠左，说明汽车技术的进步能明显延长普通客车的使用寿命。基于2017年、2019年、2021年保有量计算的50%存活率的车龄分别约为9.5年、10.5年和11年，且18年车龄的普通客车存活率接近0，与大、中型营运载客汽车使用15年，大、中型非营运载客汽车的20年的强制报废年限规定基本一致。
图6 普通客车的存活率曲线
以2017年、2019年、2021年为计算基准年份，城市客车存活率曲线如图7所示。由图可看出，3条存活概率曲线几乎重叠且曲线呈现陡降的趋势，说明汽车技术的进步对城市客车的使用寿命几乎没有影响，这与城市客车行驶工况恶劣、使用强度大，报废受政策影响大等特点紧密相关。另一方面，各曲线均表明13年车龄的存活率接近于零，与公交客运汽车使用13年、专用校车使用15年的强制报废年限规定相一致。
图7 城市客车的存活率曲线

2.2 结果对比

以北京市非营运客车（2011年）[15]、中国非营运纯电客车（2020年）[16]、中国营运客车与非营运客车（2011年）[15]、中国重型货车（2011年）[9]、中国普通货车、自卸车、牵引车（2019年）[17]存活率数据与本研究货车、客车类别2021年的存活率曲线进行对比，如图8、图9所示，得出结论如下。
图8 货车的存活率曲线对比
图9 客车的存活率曲线对比
1）相较于近年货车存活率，2011年的重型货车存活率[9]整体较高，由于2012年后强制报废标准的实施以及2013年、2016年《车用压燃式、气体燃料点燃式发动机与汽车排气污染物排放限值及测量方法（中国Ⅲ、Ⅳ、Ⅴ阶段）》（GB 17691—2005）中第五阶段排放标准[18]与《重型柴油车污染物排放限值及测量方法（中国第六阶段）》（GB 17691—2018）[19]的陆续发布与实施，国家及各级政府出台鼓励老旧车辆、黄标车淘汰政策，加快车辆报废速度，缩短了车辆存活时间[2,7,8,20,21]，2021年普通货车、自卸车、半挂牵引车存活率较2011年下降趋势明显。
2）对比2019年普通货车、自卸车、牵引车[17]与本研究对应车型的存活率曲线，2021年普通货车在技术不断更迭的背景下存活率有所上升，说明技术进步对普通货车的存活率产生了积极的影响。对于普通货车而言，其存活率下降趋势相较于自卸车、半挂牵引车更迟，但整体趋势与2019年普通货车、自卸车、牵引车[17]较为一致。
3）营运客车和非营运客车在2011年呈现集中报废的趋势，考虑到诸如城市公交、专用校车等运行线路较为固定，认为其满足相关研究的集中报废现象。然而，近年来客车的存活率总体上升，并符合Weibull分布的规律，说明新技术客车、新能源动力客车的渗透率增加对客车的存活率产生了较为明显的影响。
总体而言，本研究获得的存活率曲线与相关研究中的各车型存活率曲线走势具有一定的相似性，并遵循我国对汽车强制报废年限的规定，说明按照本研究分类方法获得的各车型存活率曲线具有较好的参考价值。

3 结论

针对不同用途的重型商用车存活率曲线缺失的问题，本研究提出了一种基于不同用途和场景的重型商用车车型分类方法，基于车辆保有量和新车注册量，利用Weibull分布模型获得了较为准确的我国重型商用车各类细分车型的存活率曲线。研究表明，不同车型的存活率曲线能较好反映存活情况之间的差异，2021年普通货车、半挂牵引车、自卸车、普通客车和城市客车的50%存活率的车龄分别约为9.5年、7.5年、8.5年、11年和8.5年，说明汽车技术的进步较为明显地延长了普通货车和普通客车的使用寿命，但对城市客车和自卸车存活率影响较小。与已有研究结果的对比表明，利用本研究提出的我国重型商用车细分车型分类方法所获得的各车型存活率曲线，能更准确地结合《重型商用车辆燃料消耗量限值》（GB 30510—2018）发布的不同车型、质量段的平均综合油耗限值，可为我国重型商用车的车龄结构、燃料消耗量和碳排放量测算等提供参考依据。
值得注意的是，新能源汽车由于大规模推广使用时间较短且技术迭代更快，尚缺乏足够的数据来研究其准确的存活规律，但考虑到新能源汽车保有量的占比不断增大，其对汽车市场车龄分布结构的影响有待进一步研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
HUO H, WANG M. Modeling future vehicle sales and stock in China[J]. Energy Policy, 2012, 43: 17-29.

[2]
林晓芳, 徐伟嘉, 刘永红, 等. 广东省车辆存活概率曲线及规律[J]. 中山大学学报(自然科学版), 2019, 58(1):65-73.

[3]
ZACHARIADIS T, SAMARAS Z, ZIEROCK K. Dynamic modeling of vehicle populations: An engineering approach for emissions calculations[J]. Technological Forecasting and Social Change, 1995, 50(2): 135-149.

[4]
JONG G D. A disaggregate model system of vehicle holding duration, type choice and use[J]. Transportation Research Part B: Methodological, 1996, 30(4): 263-276.

[5]
CHEN C, LIN J. Making an informed Vehicle scrappage decision[J]. Transport Reviews, 2006, 26(6): 731-748.

[6]
杨方, 于雷, 宋国华, 等. 基于存活概率的动态车龄分布模型[J]. 中国安全科学学报, 2005, 15(6):24-27,39.

[7]
郝瀚, 王贺武, 欧阳明高, 等. 我国汽车存活规律研究[J]. 中国科学(技术科学), 2011, 41(3):301-305.

[8]
朱向雷, 徐国强, 刘森. 货车存活规律研究[J]. 专用汽车, 2012(12):83-84.

[9]
刘森, 朱向雷, 徐国强. 基于威布尔分布的轿车存活概率模型研究[J]. 产业与科技论坛, 2012, 11(18): 122-124.

[10]
全国道路交通管理标准化技术委员会. 道路交通管理机动车类型:GA 802—2019[S]. 北京: 中国标准出版社, 2019.

[11]
工业和信息化部. 重型商用车辆燃料消耗量限值:GB 30510—2018[S]. 北京: 中国标准出版社, 2018.

[12]
裴凤雀, 张佳煊, 刘检华, 等. 考虑设备劣化的加工工时预测方法[J]. 计算机集成制造系统, 2023, 30(3):1-18.

[13]
王冉, 周雁翔, 胡雄, 等. 基于EMD多尺度威布尔分布与HMM的轴承性能退化评估方法[J]. 振动与冲击, 2022, 41(3):209-215.

[14]
商务部, 国家发展和改革委员会, 公安部, 等. 机动车强制报废标准规定(商务部、国家发展和改革委员会、公安部、环境保护部令2012年第12号)[EB/OL]. (2013-01-14)[2024-03-21]. https://www.mee.gov.cn/gkml/hbb/gwy/201301/t20130115_245171.htm.

[15]
HAO H, WANG H, OUYANG M, et al. Vehicle survival patterns in China[J]. Science China Technological Sciences, 2011, 54(3): 625-629.

[16]
YU R, CONG L, HUI Y, et al. Life cycle CO2emissions for the new energy vehicles in China drawing on the reshaped survival pattern[J]. Science of The Total Environment, 2022, 826: 154102. DOI:1016/j.scitotenv.2022.154102.

[17]
XUE X, LI J, SUN X, et al. Assessing decarbonization pathways of China's heavy-duty trucks in a well-to-wheels perspective[J]. The International Journal of Life Cycle Assessment, 2023, 28(7): 862-876.

[18]
生态环境部. 车用压燃式、气体燃料点燃式发动机与汽车排气污染物排放限值及测量方法(中国Ⅲ、Ⅳ、Ⅴ阶段):GB 17691—2005[S]. 北京: 中国环境科学出版社, 2016.

[19]
生态环境部. 重型柴油车污染物排放限值及测量方法(中国第六阶段):GB 17691—2018[S]. 北京: 中国环境科学出版社, 2023.

[20]
ZHENG J, ZHOU Y, YU R, et al. Survival rate of China passenger vehicles: A data-driven approach[J]. Energy Policy, 2019, 129: 587-597.

[21]
HSIEH I Y L, KISHIMOTO P N, GREEN W H. Incorporating multiple uncertainties into projections of Chinese private car sales and stock[J]. Transportation Research Record, 2018, 2672(47): 182-193.

Options
Outlines

/

〈 〉