引言
自动驾驶车辆（AVs）被普遍认为可以改善交通安全和运营效率，但在城市网络尺度上其环境影响仍然不明确（Silva et al., 2022, Kwak et al., 2024）。更短的车间距、更平稳的跟车行为和合作控制可以增加容量并抑制交通波（Lu et al., 2020, Stern et al., 2018）。然而，相同的技术变化也可能降低广义出行成本、刺激诱发需求、增加出行距离并加剧混合交通互动，从而抵消甚至逆转预期的环境收益（Miller and Heard, 2016, Larson and Zhao, 2020）。这种担忧与道路拥堵的基本定律一致，即额外的有效道路容量可能会被额外的车辆出行所吸收（Duranton and Turner, 2011）。近期的共享自动驾驶和基础设施研究同样表明，能源和排放结果取决于采用模式、定价、渗透率阈值和充电便利性，而不仅仅取决于自动化或电气化本身（Zhong et al., 2023, Lee et al., 2026a, Lee et al., 2026b, Kim et al., 2025a, Kim et al., 2025b, Yoo et al., 2025）。因此，核心规划问题并非自动驾驶车辆是否可以提高容量，而是自动驾驶时代的控制策略能否使网络远离环境上不可接受的运行状态。
这种谨慎态度的一个关键原因在于，以容量为导向的交通控制可能使网络接近容易不稳定的临界状态，尤其是当响应式控制策略围绕高需求或过剩需求下的吞吐量最大化进行设计时（Smith et al., 2015, Smith et al., 2019）。交通临界性研究表明，在从自由流到拥堵的过渡附近，拥堵规模和持续时间可能变得高度不规则且难以预测，即使基础交通动力学是确定性的（Nagel and Paczuski, 1995, Laval, 2023）。同时，尽管微观拥堵不规则性存在，但延误和平均速度等总量指标仍可保持统计上的可处理性（Laval, 2023）。这使得可以在宏观水平上对环境绩效进行建模，同时仍然认识到接近临界密度的运行可能产生额外的可靠性风险和走走停停排放负担，而这些负担无法仅通过吞吐量来捕捉。
这种机制并非自动驾驶所独有。人类驾驶网络在高密度区域也会经历走走停停波、行程时间不可靠性以及拥堵引起的排放。自动驾驶时代的担忧有所不同：如果自动化控制、连通路由或基于平台的交通管理增加了使网络维持在流量最大化状态的能力，那么网络可能会在狭窄的高利用率区域花费更多时间，在该区域中，小扰动、合规异质性、安全车间距调整或局部溢流都可能产生巨大的动态惩罚。由于自动驾驶时代的控制可能使接近容量的运行更加持久且更易于管理，如果在网络管理中未能明确纳入环境冗余，可能会加强将接近容量运行作为政策目标的倾向。
由此产生的方法论问题是，宏观基本图（MFD）的传统容量点不一定是最小化环境增强型社会成本（EASC）的运行点，尤其是在同时评估网络级拥堵和排放时（Csikós et al., 2015, Barmpounakis et al., 2021）。如果交通管理策略通过使网络维持在MFD峰值附近来最大化流量，它也可能增加拥堵状态暴露、行程时间不可靠性以及速度波动引起的排放（Csikós et al., 2015, Barmpounakis et al., 2021）。相反，略低的密度运行点可能保留大部分有效吞吐量，同时避免动态惩罚的非线性增长（图1）。现有自动驾驶研究提供了关于局部稳定化、容量变化和不确定环境影响的证据，但它们很少将这些效应表述为网络级环境控制问题。剩余的方法论需求是一个宏观框架，通过综合考虑有效利用率、拥堵普遍性、外部拥堵状态可靠性风险以及走走停停排放负担，来识别EASC最小化的运行点。
因此，本文开发了一个用于自动驾驶时代网络环境交通控制的宏观框架。该框架使用理想化的空隙-容量-拥堵混合体来论证成本结构，同时结合校准的MFD和分别拟合的拥堵暴露，基于MFD作为累积量、流量和速度的紧凑网络级表示的角色（Daganzo and Geroliminis, 2008, Geroliminis and Daganzo, 2008）。从拟合的拥堵暴露出发，我们构建了一个约化的拥堵份额不稳定性指数，同时明确将其与两个外部动态变量分离：从重复行程时间观测中估计的拥堵状态可靠性风险项，以及从归一化路段速度波动中估计并针对直接排放估算进行验证的走走停停排放负担。然后，自动驾驶渗透率、有效响应延迟和路由协调被引入为宏观反事实情景变量，涉及容量、拥堵普遍性、可靠性风险、速度波动和需求空间分布的指定变化。
本研究围绕两个研究问题展开。第一，在什么条件下，接近容量的运行所施加的环境和可靠性相关负担可能大于低于容量运行？第二，在不同的容量增益、稳定化水平和路由协调假设下的反事实自动驾驶情景中，这种对比如何变化？本文开发了一个数学框架来解决这些研究问题，并进行了情景分析。
本文做出了两项贡献。首先，它构建了一个EASC目标函数，结合了有效利用率、单个观测或拟合的拥堵暴露函数、外部估计的拥堵状态可靠性风险以及归一化路段速度波动。这将额外的动态惩罚与MFD几何分离，并为在可控的解体前分支上通过最小化EASC而非最大化MFD流量来定义EASC最小化运行点提供了基础。其次，它在共同的宏观框架中整合了自动驾驶渗透率、有效响应延迟和路由协调，同时区分了它们的作用：渗透率和延迟参数化了有效容量、拥堵持续性、可靠性风险和走走停停排放强度的假设变化，而路由协调则指定了需求空间分布的变化。这些贡献共同支持了对反事实自动驾驶运行条件的差异化比较，而不是将自动化视为单一的容量倍增器。更广泛的贡献在于，在共同的宏观情景框架内，展示了为什么自动驾驶时代MFD容量点可能的右移不一定使接近该点的运行在环境上具有理想性。这区分了自动化提供的可用容量与交通管理可能合理追求的运行条件。
