1. 数据与方法：

通过对28,046,480个货车轨迹数据进行分析，研究团队采用了梯度提升回归树（Gradient Boosting Regression Trees, GBRT）模型，综合评估了24项城市建成环境因素与PM2.5和NOx，排放之间的复杂关系，并识别关键影响因素。此方法有效捕捉了非线性关系，弥补了传统空间回归方法的不足。

图1 部分变量可视化展示

2. 关键因素分析：

• 主干道密度：主干道密度是货运排放的最重要因素，贡献率达到41.16%。密度超过9,500m/km²的区域（如绕城高速周围）显示出最高排放量，体现了主干道在货运活动中的重要性。

• 工业用地比例：工业用地的比例与排放呈对数曲线关系，在比例达20%前排放量急剧上升，之后趋于平稳。高比例工业用地集中在城北近郊，表现出外溢效应。

• 用电量与房价：用电量与货运排放呈倒U形曲线，用电量较高的城市核心区域显示出中等排放。房价则与污染浓度负相关，房价较高区域的污染物浓度显著降低，表明了环境负担的不平衡性。

3. 货车出行目的的影响：

货车的出行目的直接影响排放强度，尤其是在城市物流配送（G3）时，NOx和PM2.5排放因子达到最高。相比之下，休息或回家（G5）目的下的排放最低。

4. 区域排放分布：

成都市货运排放空间分布不均，北部区域的排放水平明显高于南部。数据呈对数正态分布，表明大部分区域受到的污染较少，而少数区域污染集中，形成长尾效应。

• 主干路密度是最重要的因素，对污染物排放的贡献率为41.16%，突显了其与货运活动的重要联系。相比之下，次干路密度的贡献率不足1%，显示出货运活动与城市其他出行之间明显的差异。

• 关键因素如建成区面积、工业用地比例和用电量与排放量高度相关, 表明货运相关污染物排放与城市区域开发强度、土地利用与空间布局有较强的联系。

• 房价和到物流枢纽的距离等变量显示出负相关性，表明货运污染物排放存在空间集聚与不平衡性。与物流和消费活动相关的兴趣点（POI）也在货运排放中起着重要作用。

1. 精细化限行策略：针对高密度主干道区域实施全天候限行或优先使用新能源货车，以缓解区域污染压力。在中等密度主干道区域采取时段限行，避免高排放车辆穿行人口密集区。

2. 城市规划措施：

• 空间布局优化：居住和公共设施应避免在工业用地或物流中心附近，最大限度减少居民暴露于货运污染物的风险。

• 货运走廊：设计货运走廊连接物流设施，同时避开住宅区，以缓解城市内高排放区域的压力。

• 现代化货运基础设施：在高排放区域建立物流整合中心，发展多层级配送体系以降低需求侧排放。

3. 环境公平：提高低收入和高密度区域的货运基础设施标准，减少开发强度，鼓励清洁的末端配送方式，如铁道运输末端物流系统，以实现环境公平。

本研究首次系统性揭示了成都市建成环境因素与货运排放的复杂关系。未来，研究团队将扩展至全省范围，利用ETC和MTC数据，开发智能管控系统，优化货运路线和政策，为实现清洁、健康的交通生态提供数据支撑。

本研究由智慧物流大数掘应用技术研究院完成，关注微信公号可获取更多相关内容。

CCTP知识共享与观点交流平台已建立

感兴趣的伙伴们

请添加小助手微信（cctp-2018）

备注“姓名+单位”申请入群

期待大家的加入！

中国清洁交通伙伴关系（China Clean Transportation Partnership）

是一个非营利、自愿性的交流、合作及观点传递平台。

聚焦政策和技术创新，加速交通迈向零排放。