基于车辆轨迹大数据的情景模拟评估居民出行方式转变对交通碳排放的减排潜力

为解决城市交通碳排放高的问题，研究人员基于百度地图导航的车辆轨迹大数据，构建了居民出行方式转变的情景模拟框架，评估了从机动车转向低碳替代方式（如电动自行车与地铁结合）的碳减排潜力。研究发现，仅7.2%的汽车出行适合转向主动交通（AT），而64%的出行可通过多模式交通（如电动自行车+地铁）实现年减排3138吨，外围区域贡献近50%减排潜力。该研究为优化城市低碳交通政策提供了精细化时空依据。

　　

随着城市化进程加速，交通需求持续增长，交通运输部门的碳排放已成为严峻的环境挑战，占全球碳排放总量的25%以上，其中道路交通是主要贡献者。私人汽车作为高碳出行工具，与碳排放增加存在明确关联。尽管步行、骑行和公共交通等低碳出行方式被广泛提倡，但现有研究多聚焦单一交通模式的减排效果，对多模式交通（multimodal transportation）协同减排潜力的系统性评估仍存在空白。此外，传统研究依赖问卷调查或统计年鉴数据，存在样本量有限、空间分辨率不足等问题。如何精准量化居民出行方式转变的碳减排潜力，成为推动城市交通可持续发展的关键科学问题。

针对这一挑战，深圳大学的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表了一项创新性研究。该团队基于百度地图导航的车辆轨迹大数据（覆盖2023年3月深圳40,929条汽车出行记录），构建了多情景碳减排模拟框架，首次从时空精细化尺度评估了从机动车转向主动交通（AT）、步行/骑行结合地铁（WCM）、电动自行车结合地铁（EBM）三种模式的减排潜力。

研究主要采用四大技术方法：1）通过PostgreSQL数据库整合车辆轨迹数据，筛选有效行程（剔除速度>120 km/h或时长<5分钟的异常数据）；2）基于OD（起讫点）距离和空间位置（中心区与外围区）划分10个子情景，如WCM-C1（中心区内部骑行+地铁）、EBM-P3（外围区电动自行车+地铁）等；3）利用百度地图API计算替代出行方式的路径距离；4）采用自下而上（bottom-up）法计算碳排放，引入电动汽车占比弹性系数（elasticity coefficient）校正小汽车排放因子。

4.1 时空维度减排潜力分布
研究发现，仅7.2%的汽车出行（2,925条）符合转向主动交通（AT）的条件，年减排量仅75吨（相当于5,021棵杉树的年碳汇）。而多模式交通展现出显著优势：WCM情景（骑行+地铁）年减排2,974吨，EBM情景（电动自行车+地铁）更达3,138吨。空间上，中心区福田CBD等经济活跃区域减排热点集中，但外围区贡献了近50%的减排潜力，连接中心与外围的道路（如龙岗大道）也呈现高减排值。时间上，工作日早高峰（7-9时）、晚高峰（16-18时）和周五晚间是减排峰值窗口。

4.2 多模式交通的协同效应
通过排放减排敏感性（ERST）分析发现，WCM情景的碳减排效率最高（ERST=1.25），即每1%的出行替代可产生1.25%的减排量，显著高于单一主动交通（ERST=0.2）。尽管电动自行车（e-bike）因续航更长可替代更多汽车出行，但其自身6.91 g/pkm的碳排放导致EBM情景效率（ERST=1.12）略低于WCM。这表明“步行/骑行+地铁”的组合在减排效率上更具优势。

5.1 政策敏感性验证
模拟显示，当电动汽车（EV）占比从14%提升至100%时，小汽车排放因子下降31.7%，但多模式交通的减排潜力仍保持39-41%的增幅。即使在20%的替代率下，EBM情景周减排量已达12吨，相当于42,186棵杉树的碳汇能力，凸显政策干预的显著效益。

6.1 讨论与创新点
该研究突破了传统单一模式评估的局限，首次通过轨迹大数据量化了多模式交通的协同减排效应。与Lv et al. (2024)仅分析共享单车的数据相比，本研究揭示外围区和跨区通道的减排潜力被长期低估。时空动态分析为“错峰调控”提供了依据，例如在晚高峰增加共享电动自行车投放可提升减排效率。

6.2 结论与展望
研究证实，多模式交通系统能释放比单一主动交通高5倍的减排效率，其中“骑行+地铁”组合最优。建议在外围区地铁站周边增设充电设施，并在跨区主干道建设骑行专用道。未来需结合实时路况数据优化模型，并纳入出行时间成本等行为参数，以更精准地指导城市交通碳中和路径规划。

这项研究为《深圳市自行车交通发展规划（2021-2035）》提出的“1公里步行、3公里骑行、远距离公交优先”目标提供了科学支撑，其情景模拟框架也可推广至其他高密度城市，助力全球城市交通低碳转型。