基于车牌识别数据的错峰上下班措施效果评估：以广州市为例

错峰上下班作为城市交通管理的一项政策，是在既有道路网络资源不变的情况下，通过调整不同单位和行业的上下班时间来错开出行高峰 ^[1] ，将一个较大的交通量高峰分解为几个较小的交通量高峰，在时间上均衡交通流，从而达到提高道路资源利用率、缓解交通供给和需求之间矛盾的目的。

错峰上下班源自20世纪60年代德国经济学家提出的弹性工作制(alternative work schedules)。20世纪70年代开始，这一制度在欧美得到了稳定的发展。21世纪以来，杭州、温州、深圳、北京等城市，先后通过实施错峰上下班政策来缓解交通拥堵，并取得了宝贵的实践经验。文献[2]对错峰上下班政策的利弊进行了全面分析。文献[3]通过调查温州市主要干路典型断面的车流量、车速和延误占行程时间的比例，分析错峰上下班的实施效果。文献[1，4-5]研究得出北京市实施错峰上下班效果有限的结论。文献[6-7]从交通产生点和吸引点在空间的分布、出行量大小和职业类别比例等影响因素出发，建立错峰上下班的交通影响模型，并通过算例说明错峰出行的效益和影响；文献[8-9]从市民的出行时间变化分析错峰上下班的效果，但其主要基于交通调查的样本数据。上述研究对于推动错峰上下班交通管理实践的理性发展起到重要作用，但囿于研究时期城市交通检测设备数量缺乏且质量偏低，多数研究仍需借助交通调查、交通模型和理论推导，对于错峰上下班实施以后的真实效果验证和分析较为薄弱。本文利用交通卡口的车牌识别数据，对比错峰上下班政策实施前后，广州市个体机动化出行者的通勤时耗变化，来定量分析该政策的实施效果。

2020年12月1日起，广州市党政机关、事业单位(不含学校、医疗机构)调整工作时间，上班时间由8:30调整为9:00，下班时间由17:30调整为18:00，以期通过“用管理换资源”来缓解交通拥堵。广州市调整工作时间的工作单位约2万个，广泛分布于全市域，其中约65%位于中心城区，故将广州市中心城区设为研究范围(见图1)。

图1 研究范围内的党政机关分布情况

广州市布设高清交通卡口5 080处，基本覆盖了高速公路、快速路、城市主干路和重要的次干路。其中，研究范围内的交通卡口共1 100处。本文选取2020年11月和12月数据，日均数据量约884万条，经过数据预处理及异常数据清洗后，得到有效数据，占总量90.2%，说明交通卡口车牌识别数据具有较高的准确率和稳定性，能够满足通勤时耗分析的精度需求。

通勤方式主要包括非机动交通(含步行和非机动车)、公共交通和个体机动化交通三种。根据居民出行调查数据估算，广州市党政机关、事业单位工作人员上下班采用小汽车、出租汽车、网约车等个体机动化交通方式占61%，采用公共汽车、轨道交通等公共交通方式占35.6%，采用步行和非机动车交通方式占3.4%。可见，个体机动化交通方式是党政机关、事业单位工作人员的主要通勤方式。

在上述三种通勤方式中，步行和非机动车交通主要服务于短距离通勤，其通勤时耗受错峰上下班政策的影响不大。公共交通包括轨道交通和公共汽车，轨道交通通勤时耗基本与错峰上下班政策无关，而公共汽车交通虽然与城市道路交通运作情况有关，但同时也受发车时间、发车间隔等因素影响，难以说明错峰上下班政策单因素的作用。个体机动化交通通勤时耗与城市道路交通运作情况直接相关，是与错峰上下班政策关系最为密切的通勤方式，研究个体机动化交通的通勤时耗在政策实施前后的变化，可以说明错峰上下班政策的实施效果。

基于卡口的车牌原始数据存在一些噪声数据，需要进一步处理。数据处理流程如下 ^[10] ：

第一步：数据清洗。根据噪声数据产生的原因以及存在的形式，利用一定的方法和技术对噪声数据进行清洗，并将其转换为满足分析精度要求的可用数据，从而提高基础数据质量；车牌识别数据的主要问题是缺位、车牌号异常、车牌位数不正确、未识别等。

第二步：数据集成。消除冗余数据后，将数据按照一定的方式进行整理，并将所有数据统一存储在数据库、数据仓库或文件中，形成一个完整的数据集。

第三步：数据转换。主要对数据进行规格化操作，如将数据值限定在特定的范围之内、将过车数据转化为交通量数据。

第四步：数据规约。剔除不能刻画系统关键特征的属性，从而得到精练的、能充分描述被挖掘对象的属性集合。

通过以上的数据处理流程，将车牌识别数据统一规范为可直接利用的数据。虽然广州市交通卡口拍摄点主要分布在快速路和城市主干路上，并不能获取广州市通勤车辆的全部数据，但对于受政策影响最为明显的长距离通勤群体，仍可以认为交通卡口拍摄形成的车牌数据和时间序列能有效反映该群体的主要出行活动。将车辆第一次出现的卡口点位设为O点，将一次出行中最后一次卡口点位设为D点。根据通勤车辆与非通勤车辆出行特征的差异，通过聚类分析识别出通勤车辆。聚类识别步骤(见图2)如下：

1）定义政策实施前的一个月为对照月，政策实施后的第一个月为检测月。

2）在对照月第1个工作日的6:00—9:00出现，且在当天16:00—20:00也出现的车辆，形成集合 A ₁ ；在对照月第2个工作日的6:00—9:00出现，且在当天16:00—20:00也出现的车辆，形成集合 A ₂ ；以此类推，该月每个工作日依次形成集合 A ₁ ， A ₂ ，…， A ₂₂ 。

3）在对照月第1个工作日的11:00—15:00出现的车辆，形成集合 B ₁ ；在对照月第2个工作日的11:00—15:00出现的车辆，形成集合 B ₂ ；以此类推，形成集合 B ₁ ， B ₂ ，…， B ₂₂ 。

4）在集合 A ₁ ~ A ₂₂ 中，出现次数大于15次且在集合 B ₁ ~ B ₂₂ 中出现的次数小于5次的车辆被识别为通勤车辆，形成集合 C 。

5）检验集合 C 中的车辆在检测月中对上述规则的符合性，同时满足对照月和检测月检验规则的车辆，形成集合 D 。

6）集合 D 中的车辆，一天当中，若在6:00—9:00仅出现1次或在16:00—20:00仅出现1次予以剔除，如此形成的集合E为研究对象集合。

图2 通勤车辆识别计算流程

对于研究对象集合E中的车辆 E ₁ ，在第1个工作日6:00—9:00首次被记录的时间为 T _{oz 11} ，末次被记录的时间为 T _{dz 11} ；在第1个工作日16:00—20:00首次被记录的时间为 T _{ow 11} ，末次被记录的时间为 T _{dw 11} 。则当日E1早高峰的通勤时耗为 T _{z 11} = T _{dz 11} - T _{oz 11} ，晚高峰的通勤时耗为 T _{w 11} = T _{dw 11} - T _{ow 11} 。同理， E ₁ 在第2个工作日早高峰的通勤时耗为 T _{z 12} = T _{dz 12} - T _{oz 12} ，晚高峰的通勤时耗为 T _{w 12} = T _{dw 12} - T _{ow 12} ； E ₂ 在第1个工作日早高峰的通勤时耗为 T _{z 21} = T _{dz 21} - T _{oz 21} ，晚高峰的通勤时耗为 T _{w 21} = T _{dw 21} - T _{ow 21} ； E ₂ 在第2个工作日早高峰的通勤时耗为 T _{z 22} = T _{dz 22} - T _{oz 22} ，晚高峰的通勤时耗为 T _{w 22} = T _{dw 22} - T _{ow 22} ；以此类推。

根据广州市车牌识别数据，2020年11月研究范围内工作日日均出行车辆数为86.02万辆，其中早高峰(7:00—9:00)出行车辆数为21.38万辆、晚高峰(17:00—19:00)为22.79万辆；12月工作日的日均出行车辆数为85.67万辆，其中早高峰出行车辆数为20.78万辆、晚高峰为21.98万辆。整体上看，11月与12月的出行车辆数变化不大，因此可以认为广州市实施错峰上下班政策前后卡口检测到的车辆规模基本不变，可忽略政策对出行需求的影响变化。

根据上文提到的聚类识别方法，获得11月的通勤车辆集合 C 约为6.62万辆，12月的通勤车辆集合 D 约为5.74万辆，剔除无效数据，获得最终的研究对象集合E约为4.86万辆。

集合E的车辆在11月和12月的早高峰通勤时耗分别为30.49 min和28.89 min，这表明错峰上下班政策能够使早高峰通勤时耗减少5.25%。集合E的车辆在11月和12月的晚高峰通勤时耗分别为42.88 min和43.33 min，这表明错峰上下班政策使晚高峰通勤时耗增加了1.05%。

采用广州市11月、12月交通拥堵延时指数(拥堵延时指数=交通拥堵通过的旅行时间/自由流通过的旅行时间)的变化，验证政策实施前后通勤时耗变化计算结果的有效性(见图3)。

图3 11月和12月拥堵延时指数分时对比

1）早高峰。

12月工作日早高峰时段平均拥堵延时指数为1.53，环比下降2.55%。12月拥堵延时指数大于1.6的时段出现在8:10—9:00，相比11月(8:00—9:00)拥堵持续时间缩短约10 min。12月拥堵延时指数峰值为1.73，发生在8:30，相比11月(1.75)略有下降，而拥堵延时指数峰值发生时间保持不变。

2）晚高峰。

12月工作日晚高峰时段平均拥堵延时指数为2.05，环比上升4.06%。12月拥堵延时指数大于2.0的时段出现在18:00—19:00，相比11月(18:00—18:50)拥堵持续时间增加约10 min。12月拥堵延时指数峰值为2.30，发生在18:30，相比11月(2.22)略有上升，而拥堵延时指数峰值发生时间保持不变。

综合以上分析可见，基于车牌识别数据的通勤时耗计算，与基于交通拥堵延时指数的计算，对错峰上下班政策实施效果的分析结论一致，而且基于车牌识别数据的通勤时耗计算方法在计算的精度上，具备交通拥堵延时指数计算方法不具备的优势。

本文利用广州市1 100个交通卡口的车牌识别数据，设计了通勤车辆聚类算法及通勤时耗计算方法，并与交通拥堵延时指数计算结果对比，计算错峰上下班政策实施前后通勤时耗的变化。计算结果表明错峰上下班政策改善了早高峰交通拥堵情况，通勤时耗减少幅度为5.25%，但同时加剧了晚高峰交通拥堵情况，通勤时耗增加幅度为1.05%。总之，错峰上下班政策只是一项用管理换资源的政策，只能暂时缓解广州市的交通供需矛盾，作用有限，只有大力发展公共交通，建立完善、方便、快捷的公共交通，才是解决城市交通拥堵这一弊病的关键所在 ^[1] 。

《城市交通》 2021年第3期刊载文章

作者：胡少鹏 郑淑鉴