刘宇环，姚恩建，谷 岩，李 萌

(1.北京交通大学，北京100044；2.北京交通发展研究院，北京100073)

0 引言

作为城市能源消耗和污染物排放的主要领域，交通节能减排受到越来越多关注.其中，私人小客车因保有量较大且增长迅速，其能源消耗成为交通能耗的主要来源.但是，目前私人小客车能耗主要依靠传统调查方式进行核算，存在数据准确度不高、可分析性不强等问题[1]，难以支撑交通节能减排精细化管理工作.

在机动车油耗核算研究方面，英国交通部将普查的交通活动数据、燃油消耗影响因素相结合，建立了道路运输燃油消耗数据库[2].Ranjan[3]从出行需求、车辆类型等方面分析了各交通形式能源消耗.我国对燃油消耗研究起步较晚，交通部对我国公路燃油消耗进行了调查，建立了适合于公路燃油消耗预测模型.北京市建立了交通领域节能减排统计与监测平台，对车辆运行过程中的能源消耗相关指标进行采集[4].项乔君等[5]从宏观上分析了汽车燃油消耗与车辆行驶时间、行驶里程间的关系.贾顺平等[6]分析了中国交通运输能耗统计数据与国际统计口径的差异，建立了基于车辆使用的交通能耗测算模型.

总的来看，目前针对交通燃油消耗核算主要通过调查统计获得，且不能支撑政策评估等精细化管理工作.本文通过整合小客车监测调查等多种数据，提出基于车型及排放分类的小客车燃油核算方法，并评价不同需求管理政策实施对私人小客车燃油消耗量的影响程度，为管控政策的实施提供理论支撑.

1 基础数据

私人小客车燃油核算数据来源主要包括居民入户调查数据、车辆能耗监测数据及车辆保有数据.其中居民入户调查是为获取城市社会能源消耗每年由统计部门组织开展的抽样调查，按照分层抽样方法进行，其中针对私人小客车燃料消耗的主要调查内容包括家庭拥车数，车辆排量，车辆月均行驶里程，车辆月均用油量等；车辆能耗监测数据是通过在部分私人小客车上安装了能耗采集设备(含GPS模块)，可实时采集车辆的能耗、速度、行驶里程等信息；车辆保有数据是机动车登记时所记载的关于车辆品牌、排量、能源类型、登记日期等车辆属性信息的汇总数据，包含城市全部机动车属性信息.数据详细情况如表1所示.

2 小客车能耗核算模型构建

2.1 影响因素分析

私人小客车燃油消耗量由行驶里程和百公里油耗共同决定.根据张卫华等[7]研究结论，汽车自身特性，如车型、车龄、排量等都会对车辆百公里油耗产生影响，参考胡莹等[8]对于车辆能耗分层抽样研究方法，本文对排量、车龄和车辆类型等车辆属性因素进行分析.按照交通管理部门分类，私人小客车车辆类型分为普通客车、轿车和越野车3种，无法准确量化，而车辆排量和车龄属于车辆固有属性，可准确量化，因此分为2类进行分析.

表1 数据基本情况Table 1 The data situation

(1)排量、车龄相关系数分析.

采用入户调查和车辆能耗监测数据对百公里能耗和排量、车龄进行相关系数分析，如表2所示，结果表明，排量与百公里能耗呈现显著正相关，而车龄对百公里能耗影响并不显著.

表2 排量、车龄与百公里能耗相关系数Table 2 The correlation coefficient of displacement/vehicle age and energy consumption

(2)车辆类型统计分析.

采用车辆能耗监测数据对百公里能耗和车辆类型进行统计分析，结果表明，车辆类型可能是百公里能耗的影响因素，具体如表3所示.

表3 车型与百公里能耗统计分析Table 3 The statistical analysis result of vehicle types and energy consumption

为进一步验证影响因素，基于车辆监测数据(监测车辆排量0.6～5.0 L，车龄1～15年，车辆类型包括普通客车、轿车和越野车)，以百公里能耗为被说明变量，以排量、车龄和车辆类型为说明变量，建立基于“OLS+稳健标准差”验证的计量分析，具体模型为

式中：Yi为i样本百公里能耗；Ai为i样本排量；Bi为i样本车龄；Ci为i样本车辆类型；∂为分类虚拟变量；β0,β1,β2为变量系数；γ为常数.

采用计量分析模型对车辆能耗监测数据进行分析，分析结果如表4所示.

表4 “OLS+稳健标准差”回归结果Table 4 "OLS+robust standard deviation"regression results

通过表4可以得出以下结论：

①车龄系数的P值为0.704，大于1%的显著水平，表明车龄对百公里油耗不具有显著性影响.

②排量系数的p值为0.000，小于1%的显著水平，表明排量对百公里油耗具有显著性影响；此外，排量的回归系数为正，说明排量越大百公里油耗越大.

③车辆类型系数p值为00.000，小于1%的显著水平，表明车辆类型及其划分对百公里油耗具有显著性影响.

综上所述，计量分析进一步验证了相关系数、统计分析结论，说明私人小客车百公里能耗的主要影响因素为排量和车辆类型.

2.2 模型建立

在确定主要影响因素基础上对因素取值进行区间划分，以获得私人小客车能耗建模分类结果.首先基于小客车排量统计分布，确定8种小客车排量区间阈值及区间划分方案，利用设置虚拟变量的方法，构建排量阈值划分计量模型(式(1))，根据模型进行回归分析，结果如表5所示.

模型结果显示，方案4回归系数最高，因此该方案为排量阈值划分最优方案.

综上所述，面向小客车燃油消耗核算，可基于车辆类型(普通客车、轿车和越野车)和排量阈值划分结果(≤1.0，(1.0,1.8]，(1.8,2.4]，＞2.4)，共计12种组合进行分类核算.私人小客车燃油消耗总量可基于式(2)得到.

表5 排量阈值划分方案及模型回归结果Table 5 Displacement threshold division plan andthe results of the regression model

式中：FC为私人小客车燃油消耗总量(L)，QTij为车型为i排量为j的车辆百公里油耗(L/100 km)；Sij为车型为i排量为j的车辆行驶里程(km/year)；Qij为车型为i排量为j的车辆数(辆)；i为车辆类型，i∈A，A={普通客车，轿车，越野车}；j为排量，j∈B，B={(0 .0,1.0],(1 .0,1.8],(1 .8,2.4],(2 .4,+∞ )} .

3 方法验证

由于本文选取的2 000辆私人小客车安装了能耗监测计量设备，可准确获取车辆能耗数据，按照以上分析获得的12种分类，2 000辆监测车辆样本分布如表6所示.

基于监测车辆采集到的燃油数据，分别对12种类别车辆能耗计算均值，得到不同车型和排量车辆百公里油耗统计结果，如表7所示.

此外，为验证表7结果的统计有效性，按照式(3)计算必要样本量.

式中：n为样本大小；σ为标准差估计值；e为期望调查结果精度；Z为置信水平系数；N为总体数量.

表6 基于车型排量组合分类的监测车辆样本分布表Table 6 Monitoring vehicle sample distribution table based on vehicle type and displacement combination classification (辆)

表7 基于车型和排量阈值划分的私人小客车百公里油耗Table 7 Fuel consumption per hundred kilometers for private passenger cars based on vehicle type and displacement thresholds (L/100 km)

结果显示，表6中所示实际样本量均大于表8中最小样本量.因此，表7中所示的基于车型和排量阈值划分的结果具有统计有效性.

表8 基于车型、排量组合分类的最小样本量要求分布表Table 8 Minimum sample size distribution table based on model and displacement combination classification (辆)

同时，以2 000辆监测车辆2017年分季度燃油消耗总量为实际值，按照构建的模型计算燃油消耗总量为估计值，通过误差分析验证模型有效性，计算结果及误差如表9所示.

表9 2017年不同季度燃油消耗总量及误差分析结果Table 9 Calculation results of total fuel consumption in different quarters in 2017

分析表9数据可知，各季度燃油消耗总量估计值与实际值误差均控制在5%以内，模型核算精度良好，说明模型具有有效性.

4 政策效果分析

为分析不同交通需求管理政策的宏观节能效果，采用本文构建的模型计算不同政策下燃油消耗总量，研究不同交通需求管理政策对私人小客车燃油消耗的削减效果.

通常，不同交通需求管理政策会对车辆数、百公里油耗和行驶里程等指标产生直接或间接影响，进而影响燃油消耗总量.以目前北京、新加坡等城市实施的典型交通需求管理政策为研究对象，设计不同政策情景(表10)，分析私人小客车燃油消耗削减效果.

情景1假设实行摇号政策后，小客车增长率为-x%；情景2假设车辆行驶里程不变、小客车总量不变，实行控制大排量小客车的政策后，排量为1.8 L以上小客车数量变化率为-x%；情景3假设车辆数、百公里油耗均不发生变化，实行拥堵收费政策，车辆行驶里程减少，假设行驶里程变化率为-x%.

情景1、情景2和情景3政策下，对小客车燃油消耗总量变化进行量化分析，得到3个情景下小客车燃油消耗总量变化趋势对比图，如图1所示，结果表明，3种不同的交通政策均能取得一定效果，且影响因素变化率相同的条件下，拥堵收费政策效果更为明显.

表10 需求管理政策的情景设计Table 10 The implementation of different TDM policies of the scenario design table

图1 情景1、情景2和情景3政策下小客车燃油消耗总量变化趋势图Fig.1 The trend of changes in the total fuel consumption of small passenger cars(Scenario 1,Scenario 2 and Scenario 3)

情景4、情景5和情景6为2种交通需求管理政策的组合设计.情景4同时实行摇号和拥堵收费政策，假设车辆数增长率的变化率为-x%，行驶里程的变化率为-y%，结果如图2所示；情景5同时实行摇号和控制大排量小客车数量政策，假设排量大于1.8 L的小客车数量变化率为-x%，小客车增长率的变化率为-y%，结果如图3所示；情景6同时实行拥堵收费和控制大排量小客车数量政策.假设排量大于1.8 L小客车数量变化率为-x%，行驶里程的变化率为-y%，结果如图4所示.

图2 情景4政策下小客车燃油消耗总量变化趋势图Fig.2 Trends in the total fuel passenger cars(Scenario 4)

图3 情景5政策下小客车燃油消耗总量变化趋势图Fig.3 Trends in the total fuel consumption of small consumption of small passenger cars(Scenario 5)

图4 情景6管控政策下小客车燃油消耗总量变化趋势图Fig.4 Trends in the total fuel consumption of small passenger cars(Scenario 6)

分析比较图2～图4，情景5政策下小客车燃油消耗总量变化范围不明显，而情景4和情景6政策下小客车燃油消耗总量下降趋势明显.为进一步比较3个不同情景下的实施效果，选取5个有代表性的影响因素变化率值，分析不同情景相同变化率下的小客车燃油消耗总量，如表11所示.

结果表明：情景6中同时实行拥堵收费和控制大排量小客车数量2种政策，小客车燃油消耗总量下降趋势最明显.拥堵收费政策的实施可以有效减少私人小客车的行驶里程，从而降低燃油消耗总量；而控制大排量小客车数量的措施可以有效降低私人小客车平均百公里油耗.2种措施的结合更好地实现了对小客车燃油消耗总量削减，效果显著.

表11 不同影响指标变化率下的私人小汽车燃油消耗量减少率Table 11 The value of fuel consumption at the same rate of change in different scenarios

5 结论

随着城市机动化进程加快，小客车快速增长带来的能耗排放问题日渐显现，传统的能耗调查获取数据方式已无法支撑城市交通节能减排治理工作.本文以现有调查和监测数据为基础，采用了“OLS+稳健标准差”验证方法，明确了油耗显著性影响因素及最优阈值划分方案，提出了基于排量及车型组合的私人小客车能源消耗量模型，该模型能够敏感反应交通需求管理政策的调整，可有效评价政策的节能效果.结果表明，实行拥堵收费+控制大排量小客车数量政策的削油效果最明显.可以看出本文提出的模型对于城市交通节能减排管理具有重要支撑意义.