1、“禁摩限電”政策效果綜合分析一、摘要問題：本文從深圳的交通資源總量（即道路通行能力）、交通需求結(jié)構(gòu)、各種交通工具的效 率及對安全和環(huán)境的影響這5個不同的方面，建立了不同的數(shù)學(xué)模型，定量的分析了 “禁 摩限電”的影響。模型：模型一（混合交通流元胞自動機模型）以右轉(zhuǎn)機動車和直行摩托車、電動車為研究對象，通過matlab編程，仿真交叉口混合交通流特性和非機動車（電動車）的干擾特性， 從而直觀的反映了深圳某一路段道路通行能力的變化情況。模型二（基于非集計模型的交通需求結(jié)構(gòu)預(yù)測模型）基于效用最大化假說，以出行者 個體為研究對象，結(jié)合部分數(shù)據(jù)，預(yù)測深圳交通需求結(jié)構(gòu)在未來幾年中的變化。模型三（基于交通工具安

2、全性的的平均人口加權(quán)死亡率模型）由于缺乏更加詳細的數(shù)據(jù)，這里主要比較分析了摩托車、客車、自行車這三種交通工具的安全性，主要以計算得到的平均人口加權(quán)死亡率的數(shù)值體現(xiàn)其安全性能。其次用層次分析法建立評價模型，實現(xiàn)對上述安全性模型的穩(wěn)定性檢驗。最后針對環(huán)境污染問題，從排放污染和噪聲污染兩方面入手， 通過excel求和、均值, 計算出不同污染物和噪聲聲級的具體數(shù)值，然后通過繪制圖像，更加直觀的反映了摩托車 對環(huán)境的影響。結(jié)論:從而我們得出結(jié)論：隨著車輛駛?cè)敫怕实牟粩嘣黾樱囕v自由通行的概率逐漸下降, 車輛擁堵的概率明顯上升。這就說明隨著現(xiàn)實中車輛總數(shù)的日益上升，很可能導(dǎo)致城市道 路無法承受現(xiàn)有的交通總

3、量，出現(xiàn)普遍的交通擁堵狀況。所以，禁摩限電政策有助減少交 通總量，從而在不改變總體道路承載能力的情況下緩解交通擁堵問題。摩限電政策有助于 減少非公共交通類的交通工具，從而促進公共交通的發(fā)展，從而保證城市各方面的發(fā)展。 這也說明了禁摩限電政策的正確性。關(guān)鍵字：Matlab混合交通流元胞自動機 交通需求結(jié)構(gòu) 層次分析法二、模型的背景問題描述隨著社會、經(jīng)濟的發(fā)展，城市道路交通問題越來越復(fù)雜也越來越引入關(guān)注。城市道路交通資源是有限的，各種交通工具，特別是機動車（包括摩托車、電動三輪車等），對安全和環(huán)境的影響必須得到控制，而人們出行的需求是不斷增長的，出行方式也是多種多樣 的，包括使用公共交通工具。因此

4、，不加限制地滿足所有人的要求和愿望是不現(xiàn)實的，也 是難以為繼的，必須有所倡導(dǎo)、有所發(fā)展、有所限制。不少城市采取的限牌、限號、收取 局部區(qū)域擁堵費、淘汰污染超標車輛及其他管理措施收到了較好的效果，也得到了公眾的 理解。為了讓一項政策，如“禁摩限電”，得到大多數(shù)人的支持，對它進行科學(xué)的、不帶意 識形態(tài)的論證是必要的。請從深圳的交通資源總量（即道路通行能力）、交通需求結(jié)構(gòu)、各種交通工具的效率及對安全和環(huán)境的影響等因素和指標出發(fā)，建立數(shù)學(xué)模型并進行定量 分析，提出一個可行的方案。需要的數(shù)據(jù)資料在難以收集到的情況下，可提出要求。、問題分析在3月21日，一場被稱為史上最嚴厲的“禁摩限電”集中整治行動在深圳

5、開展，該行 動重點打擊在地鐵口、公交站點、口岸和商業(yè)區(qū)等聚集非法拉客違法行為，根據(jù)深圳市交 警局通報，行動開展10天，共查扣電動車17975輛，拘留874人。地鐵口、公交站點、 口岸、商業(yè)區(qū)等聚集非法拉客現(xiàn)象明顯減少，涉及涉電事故警情，交通事故均顯著下降。“禁摩限電”政策是基于目前深圳道路設(shè)計、通行狀況以及由于摩托車電動車存在的一 系列事故和安全隱患而推行的，根據(jù)深圳交通局方面的數(shù)據(jù)，去年全市共發(fā)生交通事故 1150宗，同比下降3.5%,死亡431人，同比下降6.1% ,但涉摩涉電的交通事故死亡 人數(shù)為41人，同比上升27.66%。四、模型假設(shè)1 .對于收集到的數(shù)據(jù)，有的數(shù)據(jù)沒有比較官方、準確

6、的結(jié)果，均取來自各大網(wǎng)站 的平均值作為其理想值，且認為其準確可靠。2 .在短時間內(nèi)，深圳市摩托車和電動車的保有量認為不變。3 .考慮安全問題時，主要研究摩托車的安全性，對于電動車安全性，認為其與自 行車相同五、模型的建立與求解為了使“禁摩限電”這一政策得到大多數(shù)人的支持，我們從深圳的交通資源總量（即 道路通行能力）、交通需求結(jié)構(gòu)、各種交通工具的效率及對安全和環(huán)境的影響等因素和指 標出發(fā)，建立數(shù)學(xué)模型對其進行定量分析。1.模型一1.1.1混合交通流元胞自動機模型模型的建立與求解：要分析摩托車與電動車對城市道路通行能力的影響，就要建立合理的微觀混合交通流元胞自動機模型，仿真分析交叉路口混合交通流的

7、特性和非機動車干擾特性。這里主要以右轉(zhuǎn)機動車和直行電動車為研究對象。仿真元胞如圖2所示.Lane1為右轉(zhuǎn)機動車入口車道,長度L1 = 799元胞;Lane3 為右轉(zhuǎn)機動車出口車道,長度L3 = 200 元胞；Lane2為直行車道，長度L2= 1000 元胞. 元胞T是電動車和右轉(zhuǎn)機動車的沖突區(qū)，設(shè)置在自行車道和機動車道上的第800個元胞格子交叉處；元胞X和元胞Y則分別表示緊鄰沖突元胞 T的電動車道元胞和機動車 道元胞，每個元胞的大小為3.5m X3.5m ,機動車占據(jù)2個元胞，一個元胞最多容納 3輛 電動車.模型仿真步長為1 s,采用開口邊界條件.為獲取研究所需的流量數(shù)據(jù)，在距離元 胞T上游的

8、機動車道和非機動車道的第100個元胞內(nèi)設(shè)置虛擬探測器，測10000個時步內(nèi)通過探測器的機動車和自行車數(shù)量 .機動車流量qm（輛/時步）為通過機動車道上第 700個元胞的機動車數(shù)量，電動車流量qn（輛/時步）。X車道）為自行車道上從第 699 個元胞進入到第700個元胞內(nèi)自行車的數(shù)量之和，最后均取平均值.pm和pn分別為機 動車和電動車的到達率直行電動車與右轉(zhuǎn)機動車運行過程1NS-BCA模型元泡空戲劃分圖3為機動車流量qm與到達率pm和pn的關(guān)系.由圖可知，存在一個臨界機動車到達率pmc將機動車流分成自由流和飽和流,流量qm先隨pm的增加而線性增長.但 當p pc時，流量q變?yōu)榕R界值qc,表明機

9、動車道由自由流變成飽和流,流量趨于穩(wěn)定. 隨著到達率pn繼續(xù)增加，機動車飽和流量qmc降低，當pn 0:44時，機動車的飽和流 量qmc趨于穩(wěn)定.圖4為電動車流量qn與到達率pn和pm的關(guān)系.由圖可知，存在一個臨界到達率 pnc將電動車流分成自由流和飽和流，流量qn先隨Pn的增加而線性增長，但是當pn pnc時，流量qn變?yōu)榕R界值qnc,自由流變成飽和流，然后趨于穩(wěn)定.當pm繼續(xù)增加，電 動車飽和流量qnc越來越小.pm 0.12時,qnc趨于穩(wěn)定.通過圖3和圖4可以看出, 只有當pm pmc(pn pnc) 時，機動車和電動車之間才會產(chǎn)生明顯的干擾.機動車道流量與到達率的關(guān)系0.4 0 6q

10、 2 口 & u.b 。6Pmuu典 o一F圖電動車道流量與到達率的關(guān)系2O.1O.圖50機動車飽和流量與電動車到達率的關(guān)系電動車飽和流量與機動車到達率的關(guān)系從圖中可以看出，電動車到達率越高，機動車飽和流量越小，即車道道路通行越小。2.模型二2.1 基于非集計模型的交通需求結(jié)構(gòu)預(yù)測通過查閱相關(guān)資料，我們發(fā)現(xiàn)一個城市的交通需求結(jié)構(gòu)的結(jié)果是出行者個人交通選擇 的綜合反映。我們通過以出行者是個體為研究對象，結(jié)合 中的部分數(shù)據(jù)，將2007年調(diào)查數(shù)據(jù)作為現(xiàn)狀，預(yù)測2012交通出行比例，再與2012年 的實際所得數(shù)據(jù)對比，分析評價此模型是否合理。2.2.1模型的建立與求解模型的基本原理：非集計模型的理論基

11、礎(chǔ)效用最大化假說。其中選擇枝為可以選擇的交通方式，若選擇枝個數(shù)為2,則為BL模型，若選擇枝個數(shù)大于等于2,則為ML模型。模型的建立：1 .隨機效用函數(shù)表達式為 Uin=Vin + in , Uin是個人n關(guān)于選擇枝i的效用；Vin是 效用確定項；e in是效用隨機項 因為選擇枝數(shù)大于2,則選用ML模型。選擇分枝j的 概率為 Pjn=exp(b*Vin)/ /xp(b*vin)2 .效用函數(shù)Vin的確定Vin= 2 k *Xink其中:Xink為出行者n的選擇枝i的第k個特性 變量，K為特性變量的個數(shù)，9 k為第k個未知參數(shù)；3 .對數(shù)似然函數(shù)的表達式：設(shè)個人實際選擇結(jié)果為己in ,定義Ein=

12、1時，個人n選擇了分枝i; &n=0時，個人n 未選擇了分枝i對數(shù)似然函數(shù) L=ln L*= 2閨瞅*Xin-ln 至夫Bkjn)。4 .參數(shù)9的求解1 .設(shè)向量8的初始值為0,計算次數(shù)m=1 ;2 .求出 *(0)=0,L( 8(0)，并將(8(0),L(8(0)z 作為 A(0).3 .計算 9(m+1)= 9(m)-L( 9(m)A2*L( 9(m).5.計算并檢驗 t 值.tk= 9k/(Vk)A(1/2)模型的求解：用ML模型，對中心城區(qū)居民出行方式選擇行為進行建模，定義5種出行方式：步行(i =1）、自行車（i=2）、摩托車（i=3）、公交車（i=4）和小汽車（i= 5）,并選取這

13、5種交通方式的車費和出行時間作為選擇枝特性，年齡和職業(yè)作為個人特性，91 913為待標定參數(shù).被調(diào)杳人員構(gòu)成職業(yè)學(xué)生服務(wù)員工人職員個體勞動者家務(wù)其他比例273111.7626.6522.4910,031.250.512007年中心城區(qū)交通方式結(jié)構(gòu)出行方式步行自行車公交出租摩托私家車單位車其他比例30.6149.714312.608,230.622.621.30選擇結(jié)選擇枝特性個性特性方案果固有座兀時間年齡職業(yè)XinlXln2Xln3Xin4Xln5Xin6Xln7XinBXin9XinlOXinllXinl2Xinl391&25占667&a0106116 12913i=l0/31000實際值實

14、際值00數(shù)值贏000i=20/10100實際值0實際值000數(shù)值00i=30/10010實00實00。數(shù)值0際值際值i=40/10001實際百0000000數(shù)值i三50/1000000000000設(shè)置檢驗水平a為0.05,利用非集計模型通過實測數(shù)據(jù)對參數(shù)81813進行t檢驗ML模型數(shù)據(jù)2果參數(shù)8 1 913的t檢驗值參數(shù)012(-304es06分7890 100 110 12013值23-3.029-3.8-2.3-5.8-23L22.62.983.522.693.76718669175從檢驗結(jié)果中可以看到，8的t檢驗值小于1. 96,即有95%的可靠性可以認為特性變量Xin8是不對選擇概率造

15、成影響的因素.所以，我們將特性變量 Xin8從影響因素中剔除.選取2012年調(diào)查值作為實測數(shù)據(jù)，并將得到的個人選擇概率值集計化為全體居民的選擇概率值.結(jié)果分析：2012年中心城區(qū)交通方式結(jié)構(gòu)（預(yù)測值）出行步行自行車公交出租車擘托車私家車單位車其他比例17.55343011.525.2816.259.222.853.032012年中心城區(qū)交通方式結(jié)構(gòu)（實際值）出行步行自行車公交出租車摩托車私家車單位車其他比例15.153SJS10.107.8020208.502.15135通過模型分析結(jié)果與實際值對比，發(fā)現(xiàn)數(shù)值基本接近，誤差不大。說明此模型的合理性可用于未來城市交通方式結(jié)構(gòu)的預(yù)測。通過2007年

16、和2012年的數(shù)據(jù)對比，專門研究摩托車所占比例的變化， 發(fā)現(xiàn)使用摩托車的出行率增長了 145%,若推行禁摩限電政策，限制摩托車的使用，則公共交通使用率 會大大增加。2.3環(huán)境問題2.3.1 排放污染機動車排放的主要污染物有：一氧化碳(CO),碳氫化合物、氮氧化合物、鉛、細微顆 粒物、二氧化硫、二氧化碳、氧化亞氮(N2O)以及臭氧等。目前排放法規(guī)限制的是 CO、 HC、NOx和微粒四種，影響汽車排放的因素很多，包括排放因子、車速、車型、交通量 和停車延誤等，其中車速影響較大，其中圖 1、2、3分別是夏季HC、CO、NOx、排放 因子與平均速度關(guān)系圖像，冬季曲線數(shù)值雖然不同，但變化趨勢與夏季類似。

17、圖1HC(g)1086 42 0010203040506070 SO 90100CO(前圖三FdOx(g)010203040506070 BO 90100結(jié)論：通過查閱資料，由于摩托車對其他電動車的影響，導(dǎo)致機動車速度由 50Km/h下降到24km/h,相應(yīng)的排放污染物 HC、CO、NOx變化分別為2.34g , 30.49g和-0.03g ,受阻車輛總的排放污染物分別增加了 368.5g , 892g和-0.88g,雖然NOx 的排放有所減少，但由于NOx的值很小，可以忽略不計。2.3.2 噪聲污染噪聲污染是交通路段環(huán)境污染的一個重要因素，研究單車行駛時的噪聲，升級可以表示為L=Lw-201

18、gL-8-10lg(1+(Vt/l)A2)通過查閱資料，一方面僅僅只考慮摩托車進入車道時，其所在路段道路通行能力下降，在摩托車后面的車輛速度會下降，使得聲級L增加,噪聲污染加重；另一方面，對于單車道，由于部分機動車速度降低，且不能超車，司機鳴 喇叭次數(shù)增加，導(dǎo)致噪聲污染也增大。結(jié)論：從上面的分析可以看出，若限制摩托車的使用，可以有效地減少其帶來的排放 污染和噪聲污染。2.3.3 摩托車安全問題通過查閱資料：20C7年與車型相關(guān)的交通事故數(shù)量指標摩托車貨車客車自行車行人事故宗數(shù)數(shù)值/宗2S782301343011672169比例/%42.930.351.117.432,3死亡人數(shù)數(shù)值/人5426

19、66583195449比例/%37.846.440.613.6313受傷人數(shù)數(shù)值/人39692341413612292141比例/%48.928.95115.226.43 .模型三3.1 基于交通工具安全性的平均人口加權(quán)死亡率模型3.1.1 模型的建立和求解：模型的建立：要比較不同的交通工具安全性，這里主要比較摩托車、客車、自行車， 將這三方面分別獨立起來，都以相同的求比值的方法，得出一個值來進行比較。由死亡人 數(shù)和受傷人數(shù)與事故宗數(shù)的比值，分別得到Xij和Xij,其大小是交通工具安全性評價的重要指標，Xij和Xij的值越大，表明該交通工具的安全性越低，呈負相關(guān)的關(guān)系，相 應(yīng)的yij（人口加權(quán)

20、死亡率）的值也就越大，這里為了將Xij和Xij統(tǒng)一化，引入“j （權(quán)數(shù)）， 將Xij的權(quán)數(shù)看成1,則Xij的權(quán)數(shù)是“j。這樣得到三種交通工具的yij與Xij和Xij 的函數(shù)關(guān)系，即yij=Xij+ jXij （1）通過計算得到三種交通工具的人口加權(quán)死亡率yij,將每種交通工具的yij值求平均得到Y(jié)j,即：Yj=取j / n （2）模型的求解：用excel進行求和、比值和平均數(shù)，計算得到三種交通工具的權(quán)數(shù)將這三個 權(quán)數(shù)代入（1）式，可得各個yij的值，再根據(jù)（2）式，得到Y(jié)1、Y2、Y3的值。Y1= 0.523 Y2=0.460 Y3= 0.407其中Y1、Y2、Y3分別代表了摩托車、客車和自行

21、車。由 Yj得值 越大，安全性越低，可知安全性：摩托車 客車 自行車。4 .交通安全性的層次分析模型4.1.1用層次分析法建立交通安全評價模型，以及對安全性模型的穩(wěn)定性檢驗。示意圖三種交通工具的安全性性孽 托 車 A1客 車A2自 行 車 A3、判斷矩陣的建立A1 A2 A3A1 1/2 1/2 1/3A2 2 1 2/3A3 3 3/2 1、計算權(quán)重 通過計算，W1=0.1667 , W2=0.3333 , W3=0.5000三、一致性檢驗。Amax= NA*W) i /(n*Wi) =3.09C.I= ( /max - n)/(n-1) =0.045通過查表，R.I=0.52所以 C.R=

22、 C.I / R.I= 0.087 16)%n);double RandomNumber:fRandom(void)return Random(maxshort)/double(maxshort); fitness = first_multi;b = -6,-6;A = ； b =；lity constraints ;function new_matrix_cells,new_v=leadcarupdate(matrix_cells,v) n=lh(matrix_cells);if v(n)=0matrix_cells(n)=0;v(n)=0; endnew_matrix_cells=matr

23、ix_cells;new_v=v;v = 0;p=0;d=0;nl = 150;nc = 1;dt=0.02;nt=500;fp = 0.4;%車流密度不變下的單車道仿真% nc:車道數(shù)目（1）%nl:車道長度% v:平均速度，d:交叉口換道次數(shù)（500次）p:車流密度% dt:仿真步長時間，nt:仿真步長數(shù)目% fp:入口處新進入車輛的概率v d p = multi_driveway( nl,nc,fp,dt,nt );function location_frontcar=searchfrontcar(matrix_cells) i=lfor j=1:iif matrix_cells(i-j+1)=0 location_frontcar=i-j;break;elselocation_frontcar=0;matrix_cells(j)=0;endendbutton=uicontrol(style,button,string,Run,fontsize,12，position,50,300,55,25, if cells(i-j+1)=0;continue;else v(i-j+1)=min(v(i-j+1)+1,vmax);k=searchfrontca