数字伴随——交通的智慧感知

赵一新

中国城市规划设计研究院交通分院院长

在此次中规院学术季“伴随·成长”主题交流会中，交通分院的题目是“数字伴随”。城市交通近几年的努力，就是在数字伴随上做出一些尝试和努力。数字伴随，对交通规划而言由来已久，因为交通规划在相关的规划中，对定量的要求时间会更长，比如居民收益调查。从理论到实践，已经有几十年的历史。

我们今天主要讲的是新技术如何来伴随。新技术中有很多的数据，比如说共享单车有数据，地铁刷卡有数据，手机有数据，APP有数据……我们身边完全被数据弥漫，只是我们看不见而已，但它是无时无刻存在的。

数据的到来对规划的转型提出了新的要求，向以数据为先导的规划转变，构建“规划-实施-反馈-优化闭环”。例如“城市体检”的50项指标中，与交通有关的5个数据有平均机动车速度、城市道路网密度、平均单程通勤时间、居住区停车泊位、公共交通出行分担率等。虽然只是列出了5个数据，但我们的数据的伴随，其实远远不止如此。

下面讲一下交通院这几年在数字伴随上做的一些工作，大概罗列了4个视角：人的感知、车的感知、设施的感知和城市的感知。

什么是幸福通勤？我们在今年的通勤报告中，对通勤加了一个定语——“幸福”。所谓“幸福通勤”，是我们认为出行距离在5公里以下的人，都可以说是幸福的，所以就叫“幸福通勤”。其实很简单，就是把通勤距离的长短与人的感知链接在一起。基本上通勤小于5公里的人，大概率会比较幸福，而超出这个距离的，尤其在现在疫情之下，我们的通勤未必有那么幸福。

• 通勤距离：关系着居民幸福感，影响着城市宜居性

下图是对全国主要城市的通勤研究，包括平均通勤距离、平均通勤距离。这意味着城市到底是集约还是分散的，人生活在城市中，通勤到底是幸福还是不幸福的等等。

例如，平均通勤距离，这类指标中一般北京都较领为，领先的结果就意味着可能城市的效率就不是那么高。在36个城市中平均通勤距离北京是最高的，为11.1公里，其它城市基本都小于10公里。职住分离度，即在既有的职住和城市空间以及交通系统的情况下，居住的地方和就业的地方的最小距离，通过这一指标来定义城市是否集约。可以看到，北京依然遥遥领先。所以我们最终落脚到用人的体验去阐述这个事情，幸福还是不幸福。

• 幸福通勤：50%通勤人口具有良好体验

 其实从全国来讲，大部分城市的幸福通勤比例都在50%以上，也就是说一半的人还是比较幸福的。但是不排除有超长距离的，例如北京的燕郊向中心城区的通行还是蛮痛苦的。随着城市规模不断扩大，通勤的比例随之下降。

比如说全国幸福通勤比例最低的依然是北京，占38%。这告诉我们，城市在扩大后，从某种程度上是不是可以有一些手段使通勤距离缩短一些。同样是2000万人口的城市,深圳的5公里幸福通勤比例为57%，对于一个2000万人口的城市来说还是挺幸福的。这与其组团式的城市以及集约的发展是有关的。其实我们也在讨论，为什么深圳可以做得这么好？有条件限制，没有大饼可摊，反而就好了。如果像北方城市那样随便粗犷的跑马圈地，可能某种程度上就达不到良性发展。

我们每天都在忍受着城市的拥堵，但拥堵到底是怎么造成的？

其实这类问题是伴随着城市在生长的。作为规划师，作为面向城市之旅的交通研究专业人员应该怎么回答。我们使用了车辆的溯源分析，通过浮动车的轨迹以及交警视频卡口数据是完全可以做到的。

简单举个例子，青岛大概每天过车数据3800万，路段还原数据每天约为2亿，涉及7万个路段，数据量庞大。这里就能够从流量的状态，挖掘出车的出行，拥堵的成因，并制定相应的对策。

数据的伴随对车辆的溯源有三种类型。

• 路段溯源：识别车辆来源去向, 剖析拥堵致因

一是单点，即局部溯源。某个点发生拥堵，就把经过这个点的车来龙去脉讲清楚，其中有多少是从周边乡郊道路来的，有多少是平行道路来的，有多少车是从比如说5公里或1公里半径来等等，描述清楚后就可以对症下药了。比如拥堵是因为通行能力不足造成，或是因为乡郊道路的功能不匹配造成，或是因为信号灯配试没配对造成，就能够对症下药。因为我们的数据已经足够细，是能够把问题判断清楚的。

• 通道溯源：分析路径选择，支撑路径诱导、道路规划

通道溯源可以呈现两区域间往来流量分布，支撑拥堵疏解、路径诱导、道路规划。比如从A区到B区有两个主通道，哪个通道功能更强大，或者说在两个通道饱和时需要选第三个通道，这第三个通道在哪，需要拓宽两个通道之间的哪一条通道？这些都是通过通道溯源来解决的。

• 路网溯源分析：全路网流量分析，评估道路合理级配

全网溯源，就是对全网所有车辆进行分析。可以追踪某一辆车，或者说追踪在网络上跑的车辆。比如北京，现在车辆拥有率大概为600万辆，那么我们今天跑了多少辆车？是200万辆,300万辆还是500万辆？有了全网溯源后就能清晰了解，因为全网溯源可以识别所有在网络上跑的车的车牌号、路径等信息，这就是数据伴随的强大。就北京而言，8%的快速路承担着50%的流量，在环路上的行驶距离低于4公里的车流量占了整个车流量的40％，那些就是根据具体数据测算出的。

• 城市风险防控：危化品的最后1公里，强化服务与监管

山东省东营市是一座石油城，高强度危运考验城市安全与生态环境。经过测算，东营每天有近1万辆危化品运输车，城区范围危化品运输车日行程近20万公里，车辆低速运转过程中，相当于100万辆小汽车的污染排放。可见，在同样关注车的情况下，更需要关注这种城市的环境造成影响比较大的车，了解危化品运输车辆行驶轨迹时空分布，这对城市规划很有帮助。

危化品运输车辆行驶轨迹时空分布图

上图展现的是将所有危险品车的路径还原至路段上，那么它从哪走，走的空间是什么？这些对城市规划就提出了要求。它走的路径是否是生态敏感区,s是否是城市公共空间？如果有所涉及可能就需要进行调整，这对城市安全是非常重要的。

• 加减速行为：定位尾气排放和交通安全黑点

此外，还可以对车辆的尾气排以及加减速行为进行感知。车辆出现停车、启动、刹车等行为可能是因为其通行条件受到了影响，进行了过多的统率，或是在行驶状态中可能存在某些安全隐患。那么，我们就要通过信号灯的配比以及设施的供应来避免这类不合理的加减速对城市安全造成的影响。

危化品运输车辆加减速行为空间分布

危运通道，电子车牌实现信号优先

调度平台，行程级的监管与服务

• 主要城市道路网密度：6.1km/km2 ，目标任重道远

对于交通，最主要的设施就是道路。连续3年发布的道路网密度报告可以说明一定的问题。目前的全国主要城市道路网密度，36个城市平均指标是 6.1km/km2。2016年，《关于进一步加强城市规划建设管理工作的若干意见》中提出2020年，城市建成区平均道路网密度提高到8km/km2，道路面积率达到15%。我们认为虽然8公里还是较为合理的指标，但实现这一目标还是任重而道远。

“窄马路、密路网”的理念落实

我们也分析了近两年城市密度的增长，百分比为个位数，增速缓慢。尤其在城市已经从增量到存量阶段后，不太可能有大规模的道路网密度增加，但我们通过分析也能够感知一些特点，例如南北方城市差异，不同类型规模的超大城市、特大城市密度的差异，以及每个城市不同行政区的差异等。其中南方城市比北方城市密度更大的差异较为明显，气候的问题、日照的间距要求问题以及生活方式问题等，都是造成这一差异的原因。

三大城市群（京津冀城市群、长江三角洲城市群、粤港澳大湾区）中，粤港澳大湾区的道路网密度最好，平均道路网密度达到7.3公里每平方公里，超过8km/km2的城市有3个，包括佛山、珠海和深圳，其中深圳位列全国第一。

其次是长三角城市群，处于全国平均水平左右，但如上海、杭州等地密度较高。而京津冀城市群的差距较大，基本上在4-5左右，北京也只有5.7km/km2。从某种程度上来看，指标定义还是较为宽泛的，所谓“宽泛”就是可能比某种统计口径要大一点。即使如此，京津冀城市群的差距也比较大，大量的北方城市密度都不是很高。

路网密度看似是一个冷冰冰的数据，只与设施相关，但我们认为并非如此，道路网密度实际在某种程度上与城市活力有关。我们把几个较大城市的路网密度与其POI进行交叉分析，发现在一个城市区域中，路网密度在达到9-11km/km2时，其平均活力要素明显较其它地区高。

下图中反映北京路网密度与城市活力关系的曲线，可以看到虽然北京路网密度不是很高，但也有高密度地区，城市活力从路网密度很低的地区在慢慢增长。城市活力是和路网密度同步增长的，涨到9-11公里时基本平稳了。

路网密度与城市活力不可能无限地增长，存在一个平衡点。比如北京，就在9-11公里的时候保持平稳，POI的密度、城市的活力就趋于稳定了。所以在某种程度上，我们的设施是能够反映出一定的城市活力的。

• 街道感知：街景地图设施要素的AI识别

慢行也与设施有关，下面是我们在拉萨八廓街开展的最新研究。

通过街景地图的设施，包括通过街景地图和人工采集的图像，评价慢行设施的好坏。这对我们而言是一个挑战。这是关于算法的挑战，需要把图像数据转变为结构化数据。因为这完全是对图像进行识别，所以要把图像的含义转化成数字，这样才能够通过数字来分析。

• 品质评估：人行道净化=畅通+安全+舒适

通过人工智能的算法，把非结构化的图像料转化成为结构化数据，最后以热力的形式展现。比如对于步行、骑行而言，八廓街周边的畅通情况，热力、安全以及舒适等情况，我们可以从中寻找原因。

• 问题定位：定位设施瓶颈，解析问题致因

比如在热力最高的地方，肯定存在交通畅通的问题以及安全的隐患。找到这个热力点后再去详细地调研，寻找原因或是制定方案。也就是说，图中不那么热的地方可能常规做法就可以解决，而对于重点地区，其方案的深度、最终实施的力度可能都存在不同。

• 通勤空间半径：40公里是目前城市通勤的最大尺度

我们最后还是要回到城市，交通是城市的一部分，城市的感知首先就是城市半径。我们以通勤半径作为城市半径，在做规划时经常要讨论城市有多大、通勤圈有多大，30公里，50公里，还是70公里，像北京到雄安是120公里。

轨道交通是城区通勤半径的关键影响因素，40公里是现有交通系统能够支撑的空间尺度。这可以引申出很多，比如投资，如果范围超过了北京40公里以外，回报率可能会有影响，还是要在人的活动范围内去做文章。

覆盖90%通勤人口的空间椭圆，以长轴定义通勤空间半径，体现城市运行需要支撑的空间尺度。

• 通勤空间形态：城市规模、地形条件、城镇布局

通勤空间形态是城市规模、地形条件、城镇布局综合作用的结果。这并不是一个完整的圆，我们在做规划的时候，经常是有10公里、15公里、30公里同心圆，其实不是同心圆，或者说是椭圆，或是多边形，或是呈现不规则的形状。

• 通勤空间内涵：差异化的城市生长模式

从5km同心圆居住就业分布中可以看到，上海和北京，核心功能尺度相近，但北京在25公里以外的圈层缺少就业。这与北京的通勤距离，职住分离度等指标相关。

• TOD开发：解析通勤联系与轨道支撑

轨道建设效益：通勤可达比人口覆盖更重要

TOD开发主要针对轨道支持。我们在做郑州时领导曾提出一个问题，郑州和西安的人口规模、城市规模以及轨道网规模都差不多，可为什么客流相差两倍？这一问题我们过去还从未关注过。

过去我们关注客流都是很多城市，从来没有找一个对标的城市。于是我们就分析两个城市产生差距的原因，通过对轨道周边人口就业问题进行分析，发现郑州的人口就业覆盖比西安少了一半，这就是其中的问题所在。因此，后期郑州的轨道交通建设过程中，需要让轨道和城市能够很好地相结合。

• 轨道覆盖通勤：轨道交通与城市空间的相互契合

轨道覆盖通勤比重，即家和就业地两端均在站点1公里半径内的通勤人口比重，呈现轨道线网与职住空间的匹配程度。可以看到北京与深圳的对比，北京763公里的轨道，只支撑了27%的通勤人口，而深圳304公里的轨道，却支撑了30%的通勤人口，这个数据较为残酷地反映出了现实情况。

• 愿景创见：从量化现状到预见未来

感知与研判的结合——云计算交通承载力模型

数字伴随，可能会一直伴随着我们，因为数字能够告诉我们现象背后的事情。今天我主要讲的是感知，但是感知只是我们数字伴随的第一步，也就是说在把它看清楚、讲清楚后，还要判断、研判，将感知与研判相结合。所以我们在原来传统交通模型基础上，又再升级云模型，把交通模型云化。通过云技术将原本比较本地化的模型算力、精准度能够更好地结合。

交通承载力快速预测

应用案例：规划方案合理性评估

为什么要特别将从方案输入到结果生成的“30分钟”表达出来？

我们现在在做的交通承载力平台，能够满足市领导对不同方案的快速评价要求。在做工作过程中，领导经常会很着急地判断A方案、B方案在各种方面的优劣。尤其在交通方面，如果我们具备了云模型计算平台、交通承载力计算平台就可以有把握地告诉市领导，30分钟可以有答案。但是仅限于交通，不过其他方面也还是可以在短时间内给领导一个快速地判断。

包括“中规智绘”的国家级和城市级平台、《中国主要城市道路密度检测报告》和《全国主要城市通勤监测报告》，以及住建部城市交通基础设施监测和治理实验室，这些都是为了让我们的数字伴随做得更好。