卡萨布兰卡的城市货运：基于大规模模拟的动态分配方法所导致的拥堵、排放及福利损失 阿明·穆罕默德·埃尔·阿姆拉尼（Amine Mohamed El Amrani）、 穆赫森·弗里（Mouhsene Fri）、 奥塔曼·本穆萨（Othmane Benmoussa）和 纳乌法尔·鲁基（Naoufal Rouky）

《Smart Cities》：Urban Freight in Casablanca: Congestion, Emissions, and Welfare Losses from Large-Scale Simulation-Based Dynamic Assignment Amine Mohamed El Amrani, Mouhsene Fri, Othmane Benmoussa and Naoufal Rouky

　　**亮点**

**主要发现是什么？**

在数据稀缺的情况下，开发了一种可复制的建模工作流程，该流程结合了基于行程的订单到行程转换和基于仿真的交通分配方法（在PTV VISUM中），用于量化卡萨布兰卡城市企业间（B2B）轻型商业车辆（LCVs）的外部性。该工作流程将模拟的延误时间和HBEFA排放量与基于货币和强度的指标联系起来。结果显示，随着需求的增加，拥堵呈非线性增长——延误强度和每次行程的拥堵成本不成比例地上升。福利损失主要集中在少数持续的热点走廊上。排放总量随活动量增加而增加，但排放强度主要受车队组成的影响，NOx和PM2.5的敏感性不同。

**主要发现的意义是什么？**

针对持续存在的瓶颈走廊——通过交叉口优化、转向限制、路边管理以及协调配送时间——可能会比普遍的网络范围措施带来更大的福利收益。脱碳和空气质量策略应将拥堵和排放视为可分离的杠杆：车队现代化可以在类似的活动量下减少每次行程的CO2和PM2.5排放，但无法消除拥堵热点。此外，NOx的控制需要针对特定污染物，并且政策设计需要考虑校准因素。

**摘要**

卡萨布兰卡的城市企业间配送严重依赖于在受限街道环境中运行的轻型商业车辆（LCVs），装卸通道、交叉口容量和反复出现的瓶颈共同决定了其性能和环境影响。然而，高分辨率的货物起点-终点（OD）观测数据和交叉口校准数据有限，这使得直接估计由商业活动引起的拥堵和外部性变得复杂。本研究开发了一种可复制的大规模建模工作流程，将基于行程的货运需求生成（以订单单位计）与基于仿真的交通分配（SBA）相结合，应用于大都市网络，并将网络性能转化为排放量和货币损失。仓库被建模为主要的生产者，商业活动区则通过行业标记的生产和吸引函数被视为吸引者；通过基于行程的行程生成程序将生成的订单转换为OD车辆行程，同时固定每次行程的平均目标为一个，以确保数值稳定性，从而得到适用于压力-响应分析的直接运输近似值。交叉口阻抗通过转向类型的车流量-延误关系和节点级阻抗程序表示，拥堵则使用车辆行驶公里数/车辆行驶小时数（VKT/VHT）指标、延误强度测量值以及链接/节点瓶颈排名进行评估。在不同需求规模情景下，VKT从302,159增加到1,017,686 veh·km/天，而网络延误从392.5增加到2738.4 veh·h/天，表明时间损失因饱和而放大。《道路交通排放因子手册》（HBEFA）兼容的排放估计值随活动量增加而增加：总二氧化碳（CO2）从154.1吨/天增加到519.5吨/天，氮氧化物（NOx）和颗粒物（PM2.5）总量在固定车队假设下成比例增加。通过购买力调整的时间价值范围对延误进行货币化后，每次行程的拥堵成本从大约0.20摩洛哥迪拉姆增加到0.41摩洛哥迪拉姆（在60 MAD/veh·h的情况下），这与延误强度的增加一致。瓶颈提取显示，福利损失主要集中在少数持续存在的走廊上，其中“Boulevard de la Résistance”最为突出，其他热点包括“Rue d’Arcachon”和“Rue d’Ifni”。该框架支持在数据稀缺情况下报告拥堵、排放和福利影响，并提供了明确的敏感性界限。

**1. 引言**

城市货运运输在维持城市企业间（B2B）供应链中发挥着至关重要的作用，但它也带来了显著的拥堵和环境外部性。在许多大都市地区，城市化的加剧和商业（例如电子商务）的增长导致货运需求超过了传统物流策略所能处理的水平[1,2]。包括重型货车（HGVs）和轻型商业车辆（LCVs）在内的货运车辆对城市交通排放的贡献很大，约占城市交通CO2排放量的25%，并且是空气污染物的主要来源[3]。这使得城市货运成为可持续性和缓解拥堵工作的关键目标。

这些挑战在发展中国家尤为突出，因为运输需求的快速增长没有得到基础设施的相应改善。卡萨布兰卡——摩洛哥的经济中心和一个密集的大都市区——就是这些问题的典型例子。近年来，卡萨布兰卡的交通拥堵状况持续恶化，导致旅行时间延长、燃料消耗增加、企业物流成本上升以及空气质量下降[4,5]。保密性和实际限制经常限制了商业车辆的高分辨率起点-终点（OD）和停靠数据的收集。因此，像卡萨布兰卡这样的城市的规划者对于加剧的B2B配送操作如何转化为网络延迟和环境外部性感到不确定。与此同时，摩洛哥最近的工作开始通过新的拥堵数据集和区域级指标[4,5]以及考虑交通的城市物流决策建模[6]来加强证据基础，即使在传统数据流受限的情况下也有助于基于情景的评估。

为了应对这些差距，建模和仿真方法已成为分析不同情景下城市货运影响不可或缺的工具[7]。特别是动态交通分配（DTA）模型能够实现对大型网络中交通流量和拥堵的实时模拟。最近的进展表明，DTA框架可以提供更详细和时间分辨的交通数据，用于估计环境影响和评估可持续交通策略[8]。在货运需求方面，基于行程的建模作为一种有前景的方法出现，它捕捉了配送车辆的复杂路线（即一系列停靠点），而不是将货运行程视为独立的点对点移动[9]。通过结合这些方法，研究人员可以克服数据限制，并推断货运出行模式及其对运输系统的影响。受上述挑战的启发，本研究开发了一个大规模的基于仿真的建模框架，用于量化数据稀缺情况下卡萨布兰卡城市B2B货运运营加剧所带来的拥堵、排放和经济福利影响。我们将基于行程的货运需求生成模型与大都市道路网络的动态交通分配仿真相结合，从而估计增加的货运需求如何影响整体网络性能。在我们的框架中，主要仓库集群被建模为货运起点枢纽（生产者），商业区被建模为配送吸引者，生成的“订单”被转换为起点-终点卡车行程。交通分配不仅考虑了链接行驶时间，还考虑了通过节点特定阻抗函数反映的交叉口延误效应。然后，我们将模拟的交通性能转化为环境和经济影响指标：使用与HBEFA方法一致的基于交通情况的排放模型来估计不同拥堵水平下的车辆排放量[10]，并通过适当的时间价值假设对旅行时间延误进行货币化，以衡量由于拥堵造成的福利（生产力）损失。

通过改变关键因素（包括货运需求强度、装卸停留时间、交叉口容量、自由流速度假设和车队组成）进行结构化的情景分析，以识别网络延迟、排放和经济损失之间的阈值效应和权衡。这种方法为诊断在何处以及何时加剧的城市B2B配送开始引发不成比例的拥堵和外部性成本提供了透明的基础，即使在没有大量实证数据的情况下也为政策制定者提供了见解。

**本研究的主要贡献如下：**

- **集成的货运需求和网络仿真**：我们开发了一种可复制的大规模建模工作流程，将基于行程的货运需求生成与基于仿真的动态交通分配相结合，适用于数据稀缺的环境。该框架捕捉了真实的配送行程和拥堵动态，能够估计城市规模上的货运引起的延误和瓶颈。
- **节点阻抗和拥堵指标**：该模型结合了节点级阻抗（使用转向类型的车流量-延误函数和节点延误程序），反映了传统分配中经常被忽略的交叉口容量限制。我们使用全面的指标评估拥堵，包括车辆行驶公里数/车辆行驶小时数（VKT/VHT）比率、VKT加权的旅行时间指数（TTI），以及识别关键链接和节点瓶颈，以确定与货运相关的拥堵热点的位置和严重程度。
- **环境和福利影响评估**：我们整合了基于HBEFA交通情况方法的排放估计组件，将网络运行条件转化为CO2和空气污染物排放的估计值。此外，我们使用本地时间价值代理（根据购买力调整）对交通延误进行货币化，以量化可归因于拥堵的经济福利损失。通过这种方式，该框架产生了与加剧的货运活动相关的政策相关的外部性指标（排放成本和延误成本）。
- **情景分析和敏感性洞察**：通过系统的情景分析，我们改变需求水平、运营参数和基础设施条件，以识别拥堵阈值，超过这些阈值后，网络性能会非线性下降。该分析量化了增加的货运吞吐量与其外部成本之间的权衡，并以明确的敏感性界限报告这些结果。

**本文结构如下：**第2节回顾了有关城市货运建模和拥堵外部性的相关文献。第3节详细介绍了我们的数据来源、需求建模方法和仿真方法。第4节展示了各种情景下的仿真结果，第5节讨论了拥堵、排放和经济福利的影响。最后，我们总结了主要发现，并对城市货运政策和未来研究提出了建议。由于拥堵与排放量的增加之间存在强烈的相关性，他们得出结论，依赖静态输出可能会导致排放估计的不准确性，并提出通过准动态网络加载进行后处理作为一种实用的缓解措施。然而，他们也指出，实证研究基于单一高速公路走廊和有限的观察窗口（早上6:30到9:30的高峰时段）[13]，并且通过使用准动态加载作为后处理技术，他们仍然基于传统的VDF来选择路线，因此没有体现情景驱动的行为重路由[13]。此外，他们使用HBEFA排放因子进行的评估表明，即使总排放差异不显著，后处理器也能改善排放的空间分布，这对于依赖于排放发生地点的应用（如空气质量与暴露建模）非常重要[13]。参考文献[14]的综述系统地整合了将交通模拟工具与排放模型结合起来的框架，这些框架涵盖了区域和城市空间范围。参考文献[14]强调了一个持续存在的问题，即对于大规模城市网络来说，尽管微观模拟可以揭示走廊级别的拥堵热点，但计算需求高且难以扩展到政策评估中；而宏观方法在大都市范围内是可行的，但在表示交叉口级别的互动和影响延迟形成的自适应控制效果方面存在困难。参考文献[14]的研究还指出，排放估计对局部输入非常敏感，特别是车队组成、车辆数量和速度分布。

交叉口和枢纽效应尤为重要，因为它们集中了停车-启动操作、延误和局部排放高峰，但在大规模上很难准确表示。从交通流建模的角度来看，参考文献[15]指出，在交叉口内模拟车辆轨迹具有挑战性，因为二维空间中有无限多的可能路径，并且驾驶员可以同时调整速度。参考文献[15]的作者提出了一个集成微观模型，该模型在考虑相互作用的安全成本的同时，联合规划车辆的方向和加速度，使框架能够再现交叉和合并情况下的冲突解决和通行顺序。然而，这种方法不适用于大规模大都市区，因为解决一对相互作用的车辆大约需要150秒的时间，并且被认为是离线交通流模型可接受的。从排放的角度来看，参考文献[16]开发了基于交叉口的CO2排放预测模型，使用了跨越EURO2到EURO6标准以及一辆电动车的12辆车辆在路上收集的数据，这些数据来自包含八个交叉口的城市路线。通过基于密度的空间聚类（DBSCAN）自动隔离交叉口段，研究表明，与非交叉口模型相比，交叉口导向模型可以将排放量低估10%到25%，这一点在他们的验证背景下与计算道路交通运输排放的计算机程序（COPERT）基准进行了对比。这些证据的共识强化了枢纽阻抗不是一个次要的修正因素，而是可信排放评估的一个结构性组成部分，特别是当研究问题针对拥堵条件下的城市物流福利负担时。然而，该研究也指出了关键的限制，例如模型是特定于城市（Rzeszow）的，需要在其他城市环境中进行测试以验证其稳健性，作者还强调了将这种方法扩展到更广泛车辆和技术的必要性。

在参考文献[17]的系统性综述中，作者综合了城市物流中的交通模拟研究，排除了仅关注模型构建或描述现有货运流量而不模拟解决方案的研究。基于最终79项研究，他们记录了自2014年以来以干预为导向的模拟研究的显著增加，并提供了常用工具和方法的明确视图，其中主流软件如VISSIM、AIMSUN、SUMO和VISUM被反复使用。重要的是，参考文献[17]认为跨研究比较仍然困难，因为干预影响是通过非标准化和最小化的指标集报告的，有些研究评估延误减少，而其他研究评估交付输出。因此，他们呼吁建立一个全面的指标集和更通用的指南，以便在不同研究中进行比较和评估。参考文献[17]的作者还强调，从可持续性的角度来看，拥堵和CO2排放是最常处理的经济和环境结果，而社会可持续性往往被忽视。一项有趣的研究是[18]，它明确地将SimMobility的活动和基于代理的需求模拟器与AIMSUN的混合中观-微观供应模型以及动态交通分配模型结合起来，并添加了一个基于HBEFA的中观排放模型，用于大规模分析，将该框架应用于评估特拉维夫大都市区的脱碳政策，同时报告了需求、燃料使用和多种污染物及公平性指标的变化[18]。他们的研究还阐述了更广泛的方法论立场，即结合动态交通分配与详细的排放建模可以提高污染物计算的可信度，相比仅依赖平均流量输出的方法，这支持了在高分辨率分配方面的普遍动机，尤其是在排放和延误是核心输出的情况下[18]。在他们的实现中，排放量是按15分钟的时间分辨率在每个道路段产生的，从而能够在大都市范围内进行空间和时间热点分析。政策结果表明，减少市中心汽车拥有量比测试的拥堵收费配置更有效地降低燃料使用和排放[18]。然而，参考文献[18]也明确指出，对于大规模拥堵排放的耦合仍存在重要差距，因为他们没有模拟非常短的行程，因为为了使模拟可行，最小的道路被移除了。对于城市物流来说最重要的是，他们没有评估货运车辆的污染，因为没有对货运车辆的具体行为进行建模，尽管货运可以影响污染水平。

尽管取得了这些进展，但在旨在以可复制和政策级别的方式量化大都市范围内城市货运外部性的研究中仍存在重要差距。实证工作证实，驾驶制度和交通控制可以显著影响测量到的排放量，但通常在空间覆盖范围和车辆范围上受到限制。旅游组织研究表明，交付结构可以改变里程和排放量，但它们往往依赖于简化的车队表示和有限的验证。在建模方面，静态分配和准动态后处理可能会错误地表示拥堵和排放热点的时间和位置，而完全微观的交叉口建模难以扩展到大型网络。虽然存在大规模的集成框架，但货运行为并不总是被明确表示。因此，文献仍然缺乏一个实用的开端到端的工作流程，将现实的B2B货运活动和旅游模式与时间依赖的网络性能联系起来，包括枢纽阻抗，然后将这些运营条件转化为标准因子排放估计和决策相关的拥堵成本，特别是在快速城市化、数据稀缺的背景下。本研究通过实施一个可复制的大规模工作流程来解决这一需求，该流程将基于旅游的货运需求与基于模拟的分配相结合，能够捕捉由枢纽驱动的延迟形成，整合了与HBEFA一致的排放估计，并以可解释的成本术语报告外部性，以支持基于情景的评估。

3. 材料与方法
虽然本研究的目的是讨论与拥堵相关的问题，但由于缺乏本地校准和验证数据集（如链接计数、观察到的旅行时间、需求验证数据和货运车队组成调查），这项工作受到了限制。因此，建模策略并不是卡萨布兰卡交通情况的预测性数字孪生；相反，它被呈现为一个受控的模拟框架，该框架基于Valyans Consulting在2015年的调查结果，如本次会议演讲中所展示的[19]。在这个受控框架下，所有运行的边界条件都是固定的：该框架的物理边界限于卡萨布兰卡行政区域的边界，道路几何形状是在Qgis 3.44中使用QuickOSM插件检索的，并导出为shapefile，然后导入到PTV VISUM 2024网络编辑器中，用于分配的道路链接仅保留了轻型商用车辆可通行的通用链接，去除了仅限公共交通的链接（例如仅限有轨电车的链接）和仅限行人的链接。模拟的交通范围限于仅限货运的轻型商用车辆（LCVs），用于全天注入需求的时间切片结构（第3.1节）。鉴于需求规模、车队组成和枢纽控制的不确定性，模型在多个敏感性场景下进行了评估，这些场景系统地改变了不确定输入，同时保持这些边界条件不变。场景设计在基于模拟的动态分配小节中定义，并总结如下：有/无连接器停留时间的需求水平、固定与OSM默认值的转弯能力设置，以及车队组成变体。

在PTV VISUM 2024中构建的模型代表了卡萨布兰卡的大型城市道路网络，并仅分配轻型商用车辆的货运需求。使用基于旅游的货运需求模型，并在明确定义的敏感性场景下量化由此产生的拥堵、排放和福利影响，同时保持假设的可见性并系统地改变不确定输入，分析旨在识别拥堵阈值、反复出现的瓶颈和外部性指标的合理范围，而不仅仅是一个估计值。本工作中采用的整体工作流程和处理步骤序列在图1中进行了总结。图1. 方法论工作流程（数据来源：作者合作）。

3.1. 网络定义和时间范围
为了记录网络中不同对象对应的空间组织，图2提供了一个四面板网络编辑器概览，显示了（a）与研究论文[3]中使用的类似的领土划分，（b）领土和链接层，（c）领土和节点层，以及（d）领土、链接和区域层。图2. PTV VISUM网络编辑器中的卡萨布兰卡网络模式概览：（a）仅领土，（b）领土和链接，（c）领土和节点，以及（d）领土、链接和区域；数字表示区域的内部ID，地图方向为北向上。网络通过表1中总结的对象数据集呈现，包括链接、节点、转弯、连接器、区域和OD关系的计数，这些都在分配过程中被有效考虑。表1. 网络统计。由于区域是在个别商店和仓库设施周围微观级别定义的，因此分别报告了377个区域的部门标记，以使需求结构透明。分区分辨率（377个区域）是在可用PTV VISUM许可证限制下选定的最高可行微观划分，这限制了项目数量少于400个区域，同时保留了保存和复制场景文件的能力；超过此限制将阻止保存更改。因此，分区系统在所有场景中都是固定的，敏感性分析通过改变其他不确定输入（例如需求水平、连接器停留时间、转弯能力设置和车队组成）来进行。仓库构成了生产侧的区域，而其余标记为部门的区域代表目的地侧的吸引点。表2显示了每个部门内的区域总数和每个部门的权重。表2. 表示为区域的设施总数和每个部门的权重。分配给每个部门的与商店相关的区域数量是根据[19]中报告的总交付流量的部门份额确定的，在将产品类别汇总到部门并按比例分配商店区域计数后得出的，同时保持设施区域总数为377个。

为了更好地描述货运分配使用的链接，对承载非零分配量的链接子集的链接类型参数进行了总结，并在表3中呈现。表3. 承载非零分配量的链接参数。如表3所示，承载车辆的链接共有11,077个。货运需求的时间动态是理解拥堵如何增长并影响卡萨布兰卡交付过程的关键因素。虽然表3中的链接统计建立了道路网络的物理约束，但时间分布决定了对这些链接施加的压力。下表（表4）展示了需求输入模拟的时间权重和时间段。这些权重来自之前在参考文献[19]中提到的调查，反映了高度集中的物流特征：几乎63%的日总需求集中在上午8点到下午12点的4小时窗口内。这种以高峰时段为主的分布是导致交通拥堵和购买力成本分析的关键因素，因为它与城市主要的早晨通勤时间相吻合，加剧了网络结构的瓶颈问题。表4列出了时间片段的定义以及在该时间段内引入的货运份额。道路网络与各个区域之间的接口通过758个质心连接器进行建模。这些连接器的链接代表了网络图中未明确详细描述的本地最后一公里街道的数学抽象。连接器长度较短（中位数26.6米，最小值0.9米，第95百分位长度91米，最大值190米），这与质心到最近节点的访问建模一致。最终模型包含758个有向连接器，将377个区域连接到网络中（大约每个区域有两个有向连接器）。在所有情景下，所有358个区域都显示出非零的货运流量，所有仓库也显示出非零的发货流量。

3.2 需求定义
在开发的框架中，B2B货运需求被表示为从订单生成轻型商用车辆（LCV）的行程，并使用PTV VISUM 2024中实现的基于行程的货运程序转换为OD（起点-终点）行程矩阵。需求定义在上一节中介绍的微观区域集（n = 377）上，每个行业相关的总货运百分比通过以下公式更新：
\[ \mathbf{T}_i^j = \frac{\mathbf{C}_i\mathbf{C}_{i-1}(1 + \mathbf{G}_i^1 + \mathbf{G}_{i-1})(1 + \mathbf{T}_o^p^i^1 + \mathbf{T}_o^p^{i-1})\] \]
其中：
- \(\mathbf{T}_i^j\) 是第i年行业j的货运百分比；
- \(\mathbf{C}_i\) 是卡萨布兰卡在第i年对国民GDP的贡献；
- \(\mathbf{G}_i^1\) 是第i年的国民GDP增长率；
- \(\mathbf{T}_o^p^i^1\) 是第i年的人口增长率。
基础百分比取自报告[19]中2015年的结果，并将报告中的产品类别映射到模型中使用的目的地行业标签，然后对结果行业权重进行标准化。
尽管基础行业结构来源于2015年的调查数据，但本研究并不旨在预测当前的卡萨布兰卡货运状况，因为没有最新的本地校准和验证数据集来量化自调查年以来需求规模、车队组成和网络运行条件的变化。因此，2015年的调查被用作透明的基准，模型中使用的行业权重使用本小节描述的程序进行更新。关于当前状况的剩余不确定性通过方法论后面定义的敏感性情景来处理，这些情景在保持边界条件不变的情况下改变不确定输入。

在基于行程的货运生成步骤中，生产和吸引力在分配前根据总产量进行了平衡，以确保总数的一致性。第n需求层级的区域产量使用PTV VISUM的内部计算程序计算，订单产量被限制在仓库区域内，并通过一个单一的结构指标“[warehouse]”来定义，因此区域i的产量通过以下公式计算：
\[ \mathbf{Q}_i = \mathbf{D}_T \times \mathbf{w}_{aw}\] \]
其中：
- \(\mathbf{D}_T\) 是订单数量；
- \(\mathbf{w}_{aw}\) 是仓库总数。
通过这种公式，订单的总日产量均匀分布在T个仓库区域内，而所有非仓库区域不产生订单。

目的地吸引力通过带有行业标签的接收潜力来表示。每个目的地区域都有二进制行业标志，其吸引力权重在方程（3）中使用表2中报告的行业权重来定义。这些行业权重是根据参考文献[18]将产品类别汇总到模型中使用的目的地行业后得出的，它们有两个一致的作用：它们定义了总目的地吸引力的行业份额，并且还用于在固定总数377个区域的情况下分配与商店相关的设施区域数量。在生成阶段，使用方程（3）定义的吸引力权重来推导出与VISUM基于行程的模型逻辑一致的吸引力，并在保持总产量的同时应用平衡选项：
\[ \mathbf{W}_j = 0.11 \times \left[ \mathbf{N}_o \times \mathbf{T}_e \times \mathbf{R}_I \times \mathbf{S}_H \right] + 0.31 \times \left[ \mathbf{T}_e \times \mathbf{R}_I \times \mathbf{S}_H^2 \times \mathbf{A}_V \times \mathbf{L} \right] + 0.04 \times \left[ \mathbf{R}_e \times \mathbf{T}_A \times \mathbf{I} \times \mathbf{C} \right] + 0.08 \times \left[ \mathbf{F}_u \times \mathbf{T}_n \times \mathbf{i} \times \mathbf{T}_3 \right] + 0.21 \times \left[ \mathbf{E}_L \times \mathbf{E} \times \mathbf{C} \times \mathbf{R}_I \times \mathbf{N} \right] + 0.05 \times \left[ \mathbf{S}_U \times \mathbf{T}_T \times \mathbf{L} \times \mathbf{E} \right] + 0.21 \times \left[ \mathbf{T}_e \times \mathbf{R}_e \times \mathbf{A} \times \mathbf{R}_F \right] \]
空间分布是使用基于总旅行成本斜率的吸引力约束重力公式进行的，其中区域i和j之间的效用由方程（4）指定：
\[ \mathbf{U}_i^j = -0.005 \times \mathbf{T}_i \times \mathbf{T}_j \] \]
方程（4）中的旅行时间系数作为吸引力约束重力分布中使用的负指数阻尼项的单一阻抗（分散）参数。在经典的行程分布建模中，该参数使用已建立的指数成本函数校准程序根据观察到的行程长度或旅行时间分布进行校准。在当前的卡萨布兰卡应用中，LCV货运的OD和行程长度观测数据不可用；因此，这个参数被视为建模假设，并在所有情景中保持不变，以便将情景比较集中在敏感性设计中变化的不确定性因素上。这种做法与最近使用具有指数阻抗项的重力分布的货运OD合成工作一致，后者使用链接成本和计数等次要数据来估计相关参数[21]。

在定义了方程（4）中的效用函数后，计算使用组合功能形式进行扩展，并配置参数a = 1, b = 0, c = ?1，在单一约束的吸引力下。这种配置减少了效用随旅行成本增加的纯指数衰减的组合函数，确保总旅行成本较低的目的地更有可能被选择，同时保持起点行程总数。结果分布反映了目的地的相对吸引力和旅行成本的阻碍效应。

网络所需的斜率分布和行程生成步骤使用PrT斜率计算程序计算，此后简称如下：TT0是自由流旅行时间，TTC是拥堵旅行时间矩阵，DIS是实际路径距离，DID是直线直接距离，VP0是自由流速度，VPC是拥堵车辆速度。然后使用基于行程的货运行程生成程序将分散的订单转换为OD车辆行程，每次行程的平均目标数量固定为一个（平均行程长度=1），以保持数值稳定性并近似适合压力-响应分析的直接运输情景。行程生成的通用效用如方程（5）所指定：
\[ \mathbf{U}_t^3 \times \mathbf{t}_i^j = -\left( \mathbf{T}_t^3 \times \mathbf{T}_i^j + 0.5 \times \mathbf{R}_I \times \mathbf{S}_i^j \times \mathbf{R}_I \times \mathbf{R}_i^j + 0.5 \times (1 - \mathbf{W}_i^1 \times \mathbf{C}_i^j \times \mathbf{V}_0 \times \mathbf{i} \right) \]
该公式将旅行时间膨胀、绕行比和速度下降结合成一个无量纲的行程不便度综合指标。评估行程开始组件应用了c = ?0.5的对数转换，评估节省组件应用了c = 0.3的对数转换，生成了起点和返回行程的OD矩阵，这些矩阵合并成一个总的OD需求矩阵进行分配。

3.3 交叉口定义
交叉口性能通过明确的转弯和节点基础阻抗公式表示，因为研究针对的是受约束的城市运营环境，在这种环境中，由于转弯冲突和交叉口内的排队，预计延迟形成将比单独的不间断链接旅行时间更为明显。在PTV VISUM的SBA框架中，交叉口延迟不被视为外部调整，而是作为时间依赖的阻抗的一部分，通过模拟进行更新，随后用于路线搜索和需求重新分配。当交叉口控制和几何形状观测不完美时，这一点尤其相关，因为模型依赖于内部节点-边图来表示物理空间交互。

为了考虑不同操作的不同阻力，转弯延迟由公共道路局（BPR）的流量-延迟函数控制，该函数将负载网络上的当前旅行时间表示为流量与容量比的函数以及用户指定的参数。该函数写为方程（6）：
\[ \mathbf{t}_{cur} = \mathbf{t}_0 \times (1 + \alpha \times (\mathbf{q}_q^{\max} \times \beta) \] \]
其中：
- \(\mathbf{t}_{cu}\) 是负载网络上的当前旅行时间；
- \(\mathbf{t}_0\) 是自由流旅行时间；
- \(\mathbf{q}\) 是分配的流量；
- \(\mathbf{q}_{\max}\) 是容量；
- \(\alpha\)、\(\beta\) 和 \(c\) 是BPR参数。
在本研究中，参数值根据运动类型进行了区分，以反映左转和U型转弯相对于直行和右转操作更高的摩擦。分配中使用的完整链接和转弯VDF规格在表5中报告。表5列出了VDF参数。对于发生复杂交互的交叉口，模型利用了交叉口容量分析（ICA）。一般设置配置为在ICA计算中忽略U型转弯；对于节点的其余部分，计算符合HCM（Hierarchical Cellular Modeling）规范，但没有为U型转弯计算任何值。表6展示了ICA计算的设置参数。

3.4 基于模拟的动态分配
我们在PTV VISUM中使用了基于模拟的动态分配（SBA）来表示网络中的时间依赖性拥堵过程，其中预计交叉口延迟和排队溢出将是性能下降的核心机制。SBA明确纳入了节点阻抗，并模拟了在时间变化的供需下队列的形成和消散。与静态或准静态加载不同，SBA通过模拟沿指定路线移动的个别车辆来加载网络，使用简化的车辆跟随逻辑。

分配是一个迭代过程，结合了路线搜索、流量平衡和模拟，直到满足相对间隙标准或达到迭代限制，如[3]中所述。收敛性使用最大相对间隙0.005进行控制，最多进行200次迭代，必要时允许额外五次迭代。相对间隙汇总了实际路径与最短路径之间的偏差；控制相对间隙计算的方程是方程（7），如PTV VISUM帮助中心[3]中所呈现的：
\[ \text{Gap} = \sum_{i \in \mathbf{I}} \sum_{t \in \mathbf{W}} \left( \mathbf{t}_u^3 \times \mathbf{t}_i^3 \times \mathbf{c}_l^3 \times \mathbf{l}^3 \times \mathbf{m}^3 \times \mathbf{p}^3 \times \mathbf{a}^3 \times \mathbf{n}^3 \times \mathbf{c}^3 - \sum_{i \in \mathbf{I}} \sum_{t \in \mathbf{W}} \left( \mathbf{t}_u^2 \times \mathbf{t}_y^3 \times \mathbf{p}^3 \times \mathbf{a}^3 \times \mathbf{n}^3 \times \mathbf{c}^3 \times \mathbf{a}^3 \times \mathbf{n}^3 \times \mathbf{c}^3 \right) \]
模拟配置为全天（00:00至24:00），OD需求从00:00输入到网络，之后有2小时的分配后周期，以便车辆清除网络并完成交付。流量平衡在15分钟间隔内进行评估，上午和中午时段的分割更密集。需求重新分配使用成本比例流量平衡，其中路径流量根据每个路径与特定平均路径成本的偏差进行移动。

路线成本作为路径阻抗计算，使用在配置的旅行时间采样间隔（7分钟30秒）内平均的旅行时间，并根据车辆进入网络对象的时间进行分配；旅行时间在分配期间按照FIFO（先进先出）一致性进行插值，当间隔数据缺失时使用定义的回退规则。值得注意的是，链接旅行时间根据运输系统和下游转弯方向进行区分，允许转弯相关的延迟影响路线选择。车道选择受转弯可行性的限制。车辆通过简化的车辆跟随模型（最大可行速度与基于反应时间和停止要求的保持时间间隔）进行推进。为了确保随机模拟组件的可重复性，随机种子被固定为1，并在SBA模拟设置中启用了避免交通堵塞的功能。

最后，模拟依赖于内部节点-边图表示。在这种结构中，为复杂几何形状生成内部节点和边，确保在转弯级别精确记录延迟。

对于环境外部性计算，分配的LCV需求使用与PTV VISUM中可用的HBEFA（Health-Based Environmental Impact Assessment）兼容的车辆子段一致的交通情况方法转换为污染物排放。建模的车队限于轻型商用车辆（LCV），并按Euro标准和燃料类型表示为加权混合。由于没有最新的本地统计数据描述卡萨布兰卡的LCV货运车队按Euro标准和燃料类型[22]，车队组成被视为不确定性，并通过敏感性变体进行评估。表7、表8和表9中的具体权重反映了摩洛哥的车辆车队。例如，Euro 6排放标准仅从2024年1月开始强制适用于新车辆，因此我们的权重给Euro 6分配了非常低的权重。另一方面，Euro 2/3和Euro 4的权重较高，因为活跃车队的大部分是按照之前的规定进口或注册的车辆，而且该国商业车辆的平均年龄通常超过欧洲平均水平[22]。表7列出了LCV车队N1-III的组成和子段的权重。表8列出了LCV车队N1-II的组成和子段的权重。表9列出了LCV车队N1-III和N1-II的混合。首先开发的车队完全由N1-III型车辆组成，这些车辆被定义为载重不超过3.5吨、参考质量低于1760公斤的货物运输车辆；重量决定了满足N1-III订单的车辆数量。表7展示了这些车辆的重量。敏感性分析中的第二支车队主要由N1-II型车辆组成，它们的参考质量在1305公斤到1760公斤之间；车辆子类别和重量在表8中列出。同时包含N1-II和N1-III型车辆的混合车队及其各子类别的重量在表9中呈现。为了确保结果能够被解释为受控的敏感性结果，而不是单一的校准估计值，模拟在一系列场景下进行评估，这些场景系统地改变了一些不确定的输入参数，同时保持网络、分区系统和建模范围不变。场景设计围绕四个维度：需求水平（每日订单量）、连接器停留时间（包含在连接器阻抗中）、周转能力设置以及用于排放后处理的车队组成。表10总结了所有场景运行及其参数组合。需求规模调整的运行仅改变每日订单量，停留时间运行测试了对最后一公里连接器阻抗的敏感性，周转能力运行将固定周转能力与OSM默认设置进行比较，车队运行则在固定需求水平下评估不同的轻型商用车辆（LCV）类别组合。表10. SBA模拟场景。

图3展示了PTV VISUM中SBA运行产生的分配后交通模式。图中的红色层表示模型道路网络上的链接级流量，可视化了商业车辆需求如何分布在主要走廊上，以及模拟收敛后流量如何集中在关键干道上。在密集的中心区域，由于相邻链接在地图上显示得很接近，红色链接条出现了明显的重叠。这是一种可视化效果，并不改变分析中使用的底层链接流量数据。本研究中未使用软件提供的数值注释进行解释。图3. PTV VISUM中的流量图层，地图方向为北向上。需求规模调整的情景（D60_FX、D100_FX、D150_FX15、D200_FX15）显示了活动的预期单调增加：行驶的车辆公里数（VKT）从302,159 veh·km（D60_FX）增加到1,017,686 veh·km（D200_FX15），行驶的车辆小时数（VHT）从6736.3 veh·h增加到23,417.9 veh·h（表11）。尽管需求和活动大幅增加，平均速度指标仍保持在一个狭窄的范围内（43.5–44.9 km/h），表明主要的性能下降是由延误累积引起的，而不是速度指标的显著变化。表11. 不同运行的结果及其单位。网络延误随着需求的增加而显著增加，从392.5 veh·h（D60_FX）增加到2738.4 veh·h（D200_FX15）（表11）。相对于VKT的增加，这种增幅表明存在非线性的拥堵效应，这与容量限制和网络负荷增加时的排队溢出效应一致。同时，使用的路线数量随着需求的增加而从99,743条增加到277,286条，而新生成的路线数量保持在同一数量级（约2093到3164条），这表明路线集随着需求的增加而大幅扩展，但每次迭代仍依赖于有限的新路线生成量（表11）。表9中的收敛诊断表明，SBA在所有场景中都达到了稳定的终止水平，需求系列的最终迭代次数在48到80次之间，而车队场景（F100_N1II和F100_MIX70）的迭代次数则大幅减少（19次）。所有场景中的GAP（AP）和GAP（CI）均低于1%（例如，GAP（CI）的范围在0.133%到0.861%之间），支持使用这些运行进行比较报告（表11）。重要的是，这些差距值不应被解释为性能结果；相反，它们表明场景输出不是由未完全收敛引起的。

HBEFA报告的排放量主要与需求规模调整运行中的活动量成比例。计量的车辆公里数从307,207 veh·km（D60_FX）增加到1,035,798 veh·km（D200_FX15），相应的总CO2排放量从154.1吨增加到519.5吨（表9）。每公里的CO2强度在整个需求系列中基本保持不变（501.5克CO2/公里），这表明，在D场景的HBEFA汇总和共享车队假设下，总CO2的变化主要由车辆公里数的增长驱动，而不是平均排放因子的变化（表9）。NOx和PM2.5的总量也随着需求的增加而增加，从D60_FX的650.2公斤增加到D200_FX15的2192.2公斤（NOx）和65.4公斤增加到220.5公斤（PM2.5）（表9）。根据设计，车队场景在保持与D100案例相当的活动水平的同时，隔离了技术/车队效应。与D100_FX相比，两个车队场景都降低了CO2强度：每公里的CO2从501.5克CO2/公里（D100_FX）降低到370.1克CO2/公里（F100_N1II）和410.2克CO2/公里（F100_MIX70），相应的总CO2也有所减少（表9）。车队场景还大幅降低了PM2.5的总量（F100_N1II从109.3公斤减少到54.0公斤，F100_MIX70从70.6公斤减少），而NOx总量接近D100_FX的水平（1085.8公斤对比1106.9–1115.7公斤）（表9）。这种模式促使使用多种污染物而不是仅用CO2来报告环境影响，因为与车队相关的改进可能对特定污染物有影响。表12报告了每个场景中通过SBA提取程序确定的三个最关键的瓶颈链接。在所有运行中，Link 40050（Boulevard de la Résistance）系统地排在前三名，表明这是一个在需求规模调整（D60–D200）和车队/网络变体下持续存在的结构性热点。另一组反复出现的走廊是Rue d’Arcachon（Link 57235）和Rue d’Ifni（Link 42523），它们的相对位置随着需求水平的变化而变化。其余最显著的链接是Boulevard Mohamed Zerktouni（Link 31299）和Boulevard Mohammed VI（Link 34246）。总体而言，前三名集中在少数主要走廊上，支持了研究网络中的拥堵效应是由一组有限的重复链接驱动的观点。表12. 每个场景的前三名瓶颈链接。

在本节中，我们通过三个互补的方面报告了城市B2B配送的不同影响：（i）基于时间的拥堵成本，（ii）环境影响，以及（iii）更广泛的福利影响。这些方面是从不同的模型输出中计算得出的，因此不应期望在不同场景中完全相同。拥堵成本来源于SBA网络延误（车辆小时数），主要反映了系统接近容量、排队形成和溢出效应，这些效应可能导致随着需求增加而产生非线性的时间损失增加。环境影响来源于HBEFA的汇总输出，在当前的输出中，主要由计量的车辆公里数和车队组成驱动，这意味着即使延误呈非线性增长，总排放量也可以与活动量成比例增长。这种区别对于解释非常重要：场景可能会显示出每次行程的拥堵成本大幅增加，而每公里的CO2强度却没有相应变化，而车队组成变体可以在相似的活动水平下显著改变排放强度（以及污染物权衡）。因此，以下小节将分别讨论每个渠道及其适当的标准化和政策解释。

拥堵成本通过将SBA得出的网络延误（车辆小时数）货币化来量化，定义为（车辆小时数）????? =????????????????? ??????????0，使用三个时间成本系数（20、40和60 MAD/车辆小时）来提供一个与最近文献中的估值实践和报告范围一致的透明估值范围[23,24]。为了表达在不同场景中可比较的客户负担，总拥堵成本?????????????? =????? ????????通过每个场景中的每日总行程次数进行标准化，这里使用的行程总数已经包括了往返移动。这产生了一个每次行程的拥堵成本（MAD/行程）[25,26]，可以解释为嵌入在配送活动中的拥堵附加费。结果显示，需求的增加导致所有情况下的拥堵成本都更高，但增加并不完全与活动量成正比[27,28,29]。在参考系数60 MAD/车辆小时的情况下，每次行程的拥堵成本从低需求场景（D60_FX）的约0.20 MAD/行程增加到高需求场景（D200_FX15和TC200变体）的约0.41 MAD/行程。这种增加与延误强度（每1000车辆公里的小时数）的同时增加一致，后者从大约1.30小时/1000车辆公里（D60_FX）增加到大约2.69小时/1000车辆公里（D200_FX15/TC200），表明额外的活动产生了不成比例更高的延误。从运营角度来看，网络从拥堵与活动量适度相关的状态转变为在关键元素处容量限制导致排队和溢出增加的状态，放大了仅由车辆公里数预期的延误。敏感性分析的结果如图4和图5所示，确认了货币结论是由建模延误驱动的，而不是估值系数的选择。因为Ccong与cvh成线性关系，所以绝对成本水平在20–60 MAD/车辆小时范围内成比例变化，而场景排名和相对差距保持不变。这为面向客户的负担提供了一个透明的范围，同时不改变潜在的交通动态，并支持了场景间网络性能差异在延误输出中结构上嵌入的解释。图4. 拥堵成本的敏感性。图5. 总拥堵成本的敏感性结果。这两个结论直接由此模式得出。首先，由于每次行程的成本随着需求的增加和延误强度的增加而增加，拥堵对B2B配送效率的惩罚越来越大，这意味着在密集条件下，即使旅行需求的增加是适度的，边际商业活动也变得越来越昂贵。其次，如图4和图6所示，成本信号在标准化指标（每次行程的成本和延误强度）中的集中突显了减少关键网络元素处的排队形成和溢出的针对性干预措施的价值（例如，交叉口控制和转弯管理、路边/装载访问管理和交付时间协调）[30,31]，因为这些措施作用于驱动非线性拥堵增长的机制，而不仅仅是减少总车辆公里数。图6. 不同场景下的延误强度。

环境影响使用HBEFA [32]的汇总输出来评估CO2、NOx和PM2.5，既报告了每日总量，也报告了按车辆公里数和行程量标准化的强度指标。在这种情况下，强度指标非常重要，因为总排放量随着活动量的增加而机械性地增加，而每车辆公里和每次行程的排放量揭示了场景差异是由于运营条件的变化还是车队组成的变化所致。5.2.1. CO2强度和每次行程的CO2强度CO2强度的结果根据不同的场景家族表现出两种不同的行为。在需求规模调整的场景（D60_FX → D200_FX15）中，每公里的CO2强度基本保持不变（图7），表明总CO2的增加主要是由总活动量（车辆公里数）的增加所解释的。图7. 不同场景下的每公里CO2。一致地，当需求从D60_FX增加到D200_FX15时，车辆公里数从大约3.07 × 10^5增加到1.04 × 10^6 veh·km/天，总CO2相应地从大约154增加到519（原始单位），相当于VKT和CO2总量分别增加了大约+237%。这种比例关系表明，在建模的运营条件下，车队平均CO2排放因子是稳定的，拥堵效应在这些场景中并没有显著改变每公里的CO2。当按每次行程表示排放量时（图8），需求规模调整的场景仅显示出每次行程的CO2略有上升，这与每次行程的VKT略有增加以及系统负荷增加时有效路径略微延长是一致的。相比之下，车队组成场景在同一行程水平下显示出每次行程的CO2负担明显减少，表明在这个数据集中，CO2结果对车队组成的假设比仅对需求规模的变化更为敏感。具体来说，相对于D100_FX参考值（每天总共200,000次行程），F100_NII中的每次行程二氧化碳排放量减少了约26%，F100_MIX70中减少了约18%，而行程次数和车辆公里数（VKT）则保持不变。这种模式支持这样一种解释：即使总活动量不变，以脱碳为导向的车辆队列调整也可以减少B2B配送的碳足迹。图8显示了每次行程的二氧化碳排放量。

5.2.2 NOx和PM2.5的总量和污染物权衡
污染物结果突显了一个重要的权衡问题，如果仅关注二氧化碳，这个问题可能会被忽略。在D*情景下，总NOx和总PM2.5与需求成正比增加（见图9和图10），这再次反映了在排放强度保持稳定的情况下，活动规模变化的主导作用。然而，车辆队列组成的不同情景显著改变了污染物强度：与D100_FX相比，PM2.5总量大幅下降（F100_NII中减少了约51%，F100_MIX70中减少了约35%），而NOx略有增加（约增加了2%到3%）。这种差异与车辆现代化和排放控制研究的证据一致[33,34,35]，这些结果表明，在当前的参数设置下，所测试的车辆调整在减少颗粒物排放方面的效果远优于减少NOx排放，并且甚至可能将污染物负担从颗粒物转移到NOx。

5.3 福利影响
在这项研究中，福利影响通过建模工作流程产生的两个可观察渠道来解释：（i）与拥堵引起的旅行时间相关的用户面临的货币负担（根据明确的时间价值假设，报告为基于延迟的拥堵成本）；（ii）该负担的空间集中度，通过SBA瓶颈提取（基于每车道排队指标的链接级排名）来揭示。这种框架适用于城市B2B配送，因为主要的福利损失机制不是货运活动本身的存在，而是在网络元素容量受限时，配送和服务行程所承受的额外时间和不可靠性。
首先，瓶颈提取表明福利损失在结构上是集中的，而不是分散的。在所有情景家族中，排名前三的瓶颈链接都属于一个小的走廊集合，其中Boulevard de la Résistance（链接40050）在每次运行中都位列前三，Rue d’Arcachon（链接57235）和Rue d’Ifni（链接42523）也频繁出现，而Boulevard Mohamed Zerktouni（链接31299）和Boulevard Mohammed VI（链接34246）在特定假设下（特别是TC200变体和车辆队列情景）也进入前三。这种持续性具有直接的福利意义：边际延迟，因此边际经济负担，在这些反复出现的热点地区累积得不成比例，这意味着即使在一些关键走廊和交叉口的排队形成导致福利损失大幅增加，网络范围内的平均值（例如平均速度代理）仍可以相对稳定（见表12）。
其次，需求规模的扩大主要通过延迟累积增加福利损失，而不是速度的普遍下降。在D系列情景中，随着需求的增加（从D60到D200），VKT大幅增加，而平均速度代理值保持在一个狭窄的范围内，但网络延迟却急剧上升（见表9）。在研究的货币化步骤中，这种模式转化为客户和运营商承担的更高拥堵成本，因为相同的配送活动在拥堵条件下需要花费更多时间。因此，福利影响并不是一个简单的“需求越大越糟糕”的结论；这是一个具体的发现，即时间损失与活动的增长是非线性的，这与容量受限的瓶颈动态一致，而且福利负担预计在必须穿越上述持续热点走廊的行程中最为明显。
第三，与车辆队列相关的改进改变了环境福利组成部分，但并没有自动解决拥堵福利组成部分。与基线需求运行相比，车辆队列情景降低了每公里的二氧化碳排放强度（见表9），并且在报告的输出中显著减少了PM2.5总量，这对暴露相关的福利影响很重要（见表9）。然而，由于在车辆队列变体下，主要的瓶颈走廊仍然存在于前三名中（例如，链接40050仍然排名最高），模型证据支持机制的分离：车辆现代化可以减少每公里和每次行程的排放负担，但除非它也改变网络负载模式、运营方式或这些位置的交叉口性能，否则无法消除结构性拥堵热点。这促使我们将福利视为多组成部分：与时间相关的福利损失受瓶颈容量和运营方式的影响，而环境福利损失取决于活动和车辆队列/排放因素。
第四，结果支持一种具有高杠杆作用的针对性福利改进策略。因为排名前三的瓶颈链接集中在一个有限的走廊集合上，并且在不同的情景家族中都持续存在，因此直接针对这些走廊的干预措施预计将带来不成比例的巨大福利收益，相比广泛的网络范围措施更为有效。从政策和运营的角度来看，证据优先考虑在持续热点集合上采取走廊和交叉口级别的行动（首先是从Boulevard de la Résistance开始，然后是Rue d’Arcachon和Rue d’Ifni，根据情景配置条件还包括Zerktouni/Mohammed VI）。这些行动包括直接减少排队形成的措施，例如在瓶颈接近处实施路边/装载管理、交叉口控制优化以及有针对性的容量或运营管理，因为通过延迟货币化量化的福利损失正是由在这些点上花费的时间和降低的可靠性造成的。

6. 结论
本文开发了一个可复制的基于情景的框架，用于量化卡萨布兰卡城市B2B配送在有限的高分辨率货运观测数据下的拥堵、排放和基于延迟的福利影响。该工作流程将基于订单的表达的需求与PTV VISUM中的基于模拟的分配相结合，并报告收敛诊断结果，以支持在不同需求规模、车辆队列组成和网络变体之间进行一致比较。
在不同需求规模情景中，网络延迟相对于活动指标（VKT/VHT）不成比例地增加，表明在容量受限的情况下存在非线性拥堵效应。在环境输出中，HBEFA总量随着活动的增加而增加，而当车辆队列假设不变时，每公里的二氧化碳强度保持稳定，这意味着网络范围内的二氧化碳增加主要是由更高的VKT驱动的，而不是平均排放因素的变化。然而，车辆队列组成情景表明，在相似的活动水平下，排放强度可以发生实质性变化，这证实了通过改变车辆队列结构可以实现减排，而无需依赖需求增长。
瓶颈提取显示，拥堵在结构上集中在一个小的走廊集合上，并且在不同的情景家族中持续存在。特别是，Boulevard de la Résistance（链接40050）始终位列前三的瓶颈之一，Rue d’Arcachon（链接57235）和Rue d’Ifni（链接42523）也频繁出现，而Boulevard Mohamed Zerktouni（链接31299）和Boulevard Mohammed VI（链接34246）则根据情景的不同而出现。这种持续性表明，福利损失主要是通过反复出现的热点约束产生的，而不是整个网络范围的均匀恶化。
最后，该研究通过使用明确的时间成本系数将延迟货币化，将其转化为一个与决策相关的福利指标，并以每次行程为基础报告结果，并提供敏感性界限。所得证据支持优先考虑在持续热点集合上采取特定于走廊和交叉口的措施来减少由延迟引起的福利损失，同时使用以车辆队列为导向的措施来减少相同高流量走廊上的排放强度。鉴于数据稀缺的情况，绝对水平仍然取决于具体情景，但在建模框架内，比较模式和热点持续性是稳健的。
该框架旨在在数据稀缺的情况下进行透明的压力-响应分析，因此其绝对数值的可解释性受到限制。首先，该研究受到缺乏货运和网络性能的本地校准和验证数据集的限制，包括观察到的链接和转弯次数、观察到的旅行时间、需求验证数据以及详细的本地车辆队列组成调查。因此，几个关键输入被视为明确的假设，并通过敏感性变体进行探索，而不是从观察中估计得出，报告的外部性水平应解释为基于这些情景定义的。其次，模型中的交通范围仅限于轻型商用车辆（LCV）货运；背景乘客交通和其他车辆类别没有得到体现。这种排除意味着货运拥堵是在一个没有明确包括与非货运流量交互的网络上评估的，这可能会影响拥堵的形成以及由此产生的排放和福利指标。
未来的工作应专注于获取最小化的高价值数据集，这些数据集可以直接减少主要不确定性，并在不改变可复现工作流程的情况下进行部分校准——针对持续热点走廊的定向链接和转弯次数计数、关键链接和接近点的观察旅行时间样本，以及按燃料类型和排放标准更新的本地LCV车辆队列特征描述。方法上，下一步是通过添加乘客和其他车辆类别并将背景流量纳入模拟，将分配扩展到混合交通中，从而在货运和非货运流量之间的实际交互下评估拥堵和外部性。这样的扩展将增强外部有效性，同时保持本研究的核心贡献：一个基于情景的、可复制的框架，支持在数据有限的情况下进行政策相关的比较和热点优先级排序。