原标题：未来交通实验台︱纽约打造交通政策与新技术的虚拟实验台MATSim-NYC

　　面对近年来不断涌现的新兴城市出行方式，如何制定与修改相关交通政策，以及如何制定更优的交通系统规划，都成为了全球城市所面临的重要问题。在不同环境下，政策、规划和新出行服务之间又会产生哪些交互影响，并且如何来预测和分析这些影响呢？纽约大学Joseph Chow及其C2SMART团队为此，基于多主体交通仿真平台MATSim开发了MATSim-NYC这款交通政策与技术虚拟实验台。本文不仅着墨介绍了该实验台，还特别细致地介绍了其在纽约新交通政策与新出行服务推广中扮演重要角色的五个案例，包括：①利用人工人口评估了大规模建成环境政策对城市既有及新兴出行模式的影响，并评估了诸如共享单车的大规模扩张或者亚马逊第二总部在纽约部署对全市交通出行的影响；②描述了MATSim-NYC的校准和验证过程，以及其如何应用于美国拥堵收费政策的制定，特别是各种定价场景对交通出行影响以及系统整体收益分析；③之后还将实验台应用与纽约布鲁克林-皇后区有轨电车(BQX)的客流量预测分析工作；④进一步拓展至对布鲁克林全域公交线网再设计的三种方案进行评估与优化；⑤后也是的应用是，将实验台用于研究COVID-19的交通影响及城市重新开放后公共交通运营的相关策略。

　　截止目前，我们已经在期刊上发表了两篇与MATSim-NYC项目相关的文章，我想借此机会简要地介绍一下这项工作。本研究是C2SMART的一个为期两年的项目，我们试图开发一个仿真模型来评估运输政策与技术对出行需求的影响。这是“Living Labs网络”中个使用跨不同城市统一模拟平台的项目，在不同的市场环境下，关于算法和运营政策的研究可以得到一致地评估和比较。

　　该工具是基于开源软件MATSim构建的，被用于已经被规划机构使用的工具的补充，例如NYMTC使用NYBPM评估长期交通计划。与那些主要的交通规划工具不同的是，MATSim-NYC和“Living Labs网络”其余部分的开发目的是成为针对不同新兴技术或政策的快速响应基准测试工具。如果公共机构想要测试某些公交路线，不同的交通拥堵收费方案，针对不同出行方式的服务区域，则该工具可以提供这些因素对城市影响的一致性的评估。该工具的主要优势是通过多主体仿真将动态交通和居民不同的活动行为结合在一起。这意味着该工具可以根据不同出行者在一天中不同时间段内的出行路线和出发时间来体现全市范围内的交通拥堵情况。

　　用人工人口（synthetic population，是在计算机中对现实人口进行模拟而生成的虚拟人口数据集，它不保留真实个体信息，但自身情况执行系统所允许的行为，不同个体间保留了某些重要的人口统计性质）所体现城市结构，其详细信息发表在 Transportation Research Part A 的篇论文（参考文献1，请后台留言下载）。

　　本研究探讨了评估建成环境政策所需的建模需求，特别是那些由新兴的出行服务所驱动的需求。在可以通过智能手机使用共享单车和搭乘网约车的条件下，本研究建立了纽约市的人工人口，以及基于出行链的Nest Logit出行方式选择模型。人工人口将城市中的每个个体模拟为具有仿真特征的独立主体。因此，我们可以量化出建成环境政策对不同人群的异质效应。研究结果表明，智能手机的拥有情况受收入水平的正面影响，受年龄的负面影响；反过来，相比其他交通方式，智能手机会对Citi Bike（纽约公共自行车系统）的出行产生负面影响。人工人口被用来分析两种城市规模的建成环境场景：假设亚马逊总部部署和Citi Bike服务扩张。

　　场景一：如果亚马逊成功在长岛市建立总部（对应交通小区362），往返于该区域的出行次数将增加239%，其中网约车（FHVs,for-hire vehicles, non-taxi）出行将增加441%，Citi Bike出行增加 456%，公交车出行将增加294%；早高峰出行次数将从5000提升至8000，晚高峰出行次数将从3000提升至6000。并且能够预测如网约车（ride-hail）等不同出行方式下每日的出行时间分配。

　　图二、2028年交通小区362内网约车(FHV)进出量的日小时分布：(a)未部署亚马逊总部，(b)部署亚马逊总部。

　　场景二：若扩大Citi Bike（纽约有桩型公共自行车项目）的服务范围，Citi Bike在每日总出行中的分担率将从0.15%提升至0.30%，客流量将增加92％（假设在人口密度较低而服务水平很难保障的新地区保持合理的服务水平）；若能够在整个纽约市内有效扩张，Citi Bike在每日总出行中的分担率将提升至0.48%，客流量将会比基准水平增加210%。在扩张计划下，Citi Bike早高峰出行次数将从基线次，如果能够在整个城市范围内提供相同水平的服务，高峰出行次数将进一步增加到13000次。

　　图三、每个出发小区内Cite Bike的日出行密度：(a)初始服务范围，(b)扩展Citi Bike服务范围，(c)将服务范围扩展至整个城市

　　这些应用场景的实现即便是在不使用MATSim组件的情况下也能进行。我们在第二篇相关论文中还将交通模拟和日常行为反应等要素考虑在内，并将论文发表在Transport Policy上：（参考文献2，请后台留言下载）。

　　在这篇论文中我们描述了MATSim-NYC的校准和验证过程。该实验台通过加载前期研究中已校准过的800万以上的2016年人工人口数据，并将路网的不饱和流速和通行能力按照6个时间段以及2种道路类型都进行了调整。然后将其路网数据与INRIX（一家美国私营科技）的速度数据、沿EastRiver交叉口的交通核查线年平均日交通以及地铁乘客数据都进行了校准。结果显示，测试平台与高速公路的平均车速差为7.2%，与干道的平均车速差为17.1%，而与交通核查线的平均单日车流量差仅为+1.8%。与全市10个大运量车站的地铁日乘客量的平均相对误差为8%；与平均交通量的平均相对差为39.8%，而与选定道路上计数的中位数则有29%的差异。以上这些差异，相对于一个市域级别的仿真模拟来说，已经是一个比较好的结果了。

　　在这篇论文中，校准后的虚拟实验台主要用于评估纽约市基于警戒线的拥堵定价政策影响，其中里面的时间价值是按照29美元/小时来计算的（根据He等人（2020）的人工人口估计得到）。我们将基线美元，基于区域规划协会（RPA）的提案）和模式2（高峰时段14美元）进行了比较。

　　在模式1（Schema 1）中，区域规划协会（RPA）提案中的方案与另一个试点方案一同实施，并且拥堵收费根据不同路段和时间的影响进行了评估。结果显示，即使在同一方案以及每年收入相似的情况下，汽车出行量的减少仍是RPA提案的两倍。另外，从实验台中可以观察到很多现象，而这些现象只能通过采用多主体模型来进行分析。个观察到的现象是消费者盈余的变化。虽然37%-40%的人群因拥堵造成出行成本增加，但是其余人群的获得的收益远远超过了那些人的损失。这就使得两种人群的平均消费者盈余得到改善，而这一结果也为拥堵收费政策提供了支撑。上述研究之所以能够实现，是因为多主体模型能够很好地模拟拥堵收费对多种不同类别形式的影响，而这也正好体现了MATSim-NYC这个工具的优势。

　　通过收费相关区域与其他区域在收益上进行比较，我们发现前者的收益是后者的两倍以上，而这也揭示出了通行收费的收入分配会对外部区域的公共交通能产生积极的影响。

　　当收费价格从模式1（Schema 1）提高到模式2（Schema 2）时，全市范围内的消费者盈余变化略有下降，但与收费相关区域的收益反而在继续上升。这不仅说明了14元的收费标准过高，同时也说明了较高的收费价格使得曼哈顿区本地人受益的同时，也牺牲了整个城市的利益。

　　不仅如此，我们还可以量化这两部分人群每天不同时间的汽车出行次数变化情况。通过对不同出发时间的观察，我们发现拥堵收费前后的发车时间变化可按模式来确定。两种不同人群（收费区内和收费区外）出发时间分布如图1所示。在收费相关路段的汽车出行数量全天显著减少，特别是当拥堵费较高且又在高峰时段时(早上6-10点，下午2-8点)，而其他区域的影响则时升时降。当收取交通拥堵费后，汽车出行分布总体趋于平缓。有趣的是，非收费路段的汽车出行数量主要在非高峰时段增加，而这可能是因为收费路段的汽车出现数量的减少给城市其他地区带来更多的道路空间。我们的分析表明，这里存在这么一个收费价格的峰值，当价格超过这个峰值时，曼哈顿当地人的效益就会被城市中其他出行的成本所抵消。

　　图四、(a)与拥堵收费相关路段(b)与拥堵收费无关路段的汽车行程出发时间分布

　　综上所述，定价政策对曼哈顿内出行的人口群体和曼哈顿外出行的人口群体产生不同的影响：减少交通拥堵带来的好处使前者受益，并且比后者多出约110%以上。通过多主体模型我们可以看出，每日基于出行的消费盈余相对于模式1下基本情景的变化累积分布（如图2所示），并且37.3%曼哈顿内出行人群和39.9%曼哈顿外出行人群将受到定价的负面影响，而这些将会对拥堵费收入的再分配产生影响。当拥堵定价从9.18元提高到14元时，即便将与收费相关人群的拥堵定价提高，全市的出行消费者盈余仍会减少。也就是说，当拥堵定价从9.18美元提高到14美元，虽然曼哈顿区本地人将受益，但也牺牲掉了城市其他区域群众的利益。

　　除了以上应用之外，还有其他更多应用场景。在一份项目报告中，详细介绍了一项关于布鲁克林-皇后区有轨电车(BQX)的应用。（参考文献3，请后台留言下载）。

　　图六、鲁克林-皇后区有轨电车（BQX）平面示意图（source: BQX, 2019）

　　该市经济发展和纽约市交通局计划将在2023年前发布该项目的终设计，并于2029年完成建设（Robbins，2020）。有轨电车（BQX）是预计使用初年日乘客量为5万人次，经过几十年后将达到9万人次。

　　根据有轨电车（BQX）的设计报告（BQX，2018），该项目的服务时间从早上5点到晚上11点，高峰时段发车频次是每5分钟一趟(上午6:30-9:30；下午4:30-7:30)，平峰时段发车频次为每10分钟一趟。恒温恒湿试验箱我们在台式机上通过虚拟测试平台对有轨电车（BQX）进行了模拟，假设有轨电车（BQX）的行驶速度为8英里/小时，该台式机采用Intel(R) Xeon(R) CPU E5-2637 v4 @ 3.50GHz处理器和128GB内存的配置，计算时间约为13小时。

　　结果显示，有轨电车（BQX）的模拟日乘客量为112,775人，是推荐日乘客量（50,000人）的两倍多。模拟结果表明，有轨电车（BQX）的吸引力可能会比预计要更大。图4显示了所有车站的模拟量和推荐量。

　　模拟车流量的分布与推荐车流量相似，但变化幅度更大。早高峰北行车辆的载客量分布如图8所示。

　　结果显示，该线th Ave-Vernon Blvd站附近。通过跟踪调查，我们在图6可以观察到有轨电车（BQX）乘客出行方式的转变。

　　大部分的有轨电车（BQX）乘客从其他公交出行转化过来的，而仅有约16%的乘客是从小汽车出行方式转化为有轨电车（BQX）出行的。这也说明了有轨电车（BQX）主要吸引的是公共交通出行用户，因为他们是发现有轨电车（BQX）能提高他们的出行品质。而约16%的小汽车用户的出行方式转变也可以看到，有轨电车（BQX）每天能让约1.8万出行者放弃乘坐小汽车出行，转而乘坐公共交通工具出行。

　　此外，恒温恒湿试验箱我们也应用这个实验台工具对Morran研究所重新设计的布鲁克林公交线网进行了评估。我们使用MATSim-NYC设计了另一种服务频率方案，这种方案可以使成本回收率（乘客通过票价支付的总营业收入的百分比）从现有的0.22% 提高到0.35%，其中74%的新公交出行由原私家车出行转变而来，具体研究如下：

　　通过将Goldwyn和Levy（2020）的设计（场景二）与现有方案（场景一）进行比较，会发现他们的设计可以使乘客量增加23％，而运营成本却降低6％。但是，通过我们的基于仿真的频率设置方法，可以进一步降低运营成本（与场景一相比降低25％），同时，与场景一相比，我们的载客量将保持20％的增长。因此，基于仿真的优化方法可以对场景二的网络进行改进，以此将成本回收率从现有方案的30％提高到60％。

　　仿真软件会输出每个个体的出行选择，我们可以确定场景二和场景三新增的载客量来自于哪种交通方式。这会帮助我们解决在网约车服务或其他出行模式的影响下该如何设计公交线所示，在这两种方案下，新的公交出行人数主要来自于原私家车出行人数，这是一个令人鼓舞的结果。在重设的公交线次出行）来自网约车服务，这表明这两种模式之间没有太多竞争。将近12%的出行来自步行，这表明重新设计的公交线网为原本步行的人们提供了更便捷的选择。

　　近期，我们已将该实验台工具用于评估COVID-19的影响及重新开放运营的策略，其中我们的分析表明，微出行方式将发挥更大的作用，具体内容如下：

　　使用COVID情况下的出行数据，我们重新校准了效用模型，以反映人们日益增长的对使用公共交通等共享出行方式的抵触与厌恶。我们首先使用Dingel和Neiman（2020）的研究数据确定了无法在家工作（WFH）的人口比例，并根据纽约州重新开放阶段计划，根据NAICS就业行业制定了WFH比例表。

　　随后，使用随机选择方法调整了MATSim-NYC中的人工人口，以适应在COVID情况下的比例。之后，调整出行选择效用模型参数，以使所得的非WFH出行模式适合所观察的数据，从而得到重新校准后的行为模型。我们称其为MATSim-NYC-COVID模型。

　　这些变动也存在于其他出行方式中，这意味着居民更偏爱私家车出行，步行和骑车这三种模式，而选择公共交通的人会更少，更别提出租车、共享单车了。此外，我们将人口分为两部分，结果表明其趋势相同，但对曼哈顿和非曼哈顿居民的影响却不同。

　　使用公交站点数据对模型进行验证，对于11％的站点乘车数据样本，MATSim-NYC模型在预测站点水平行程中仅存在13％的平均差异，而在COVID期间则只有24％的差异。

　　然后，我们使用该模型来分析重新开放运营的场景，假设用户的行为存在惯性，即他们不会立即恢复到先前的行为（他们对共享使用的运输方式保持相同的风险规避行为）。

　　MTA正在考虑不同的策略，并在重新开放的阶段采取某些策略。我们还从中国其他城市了解到，他们正在采用将公共交通能力限制为50％的政策。首先，我们分析行为惯性下的第四阶段完全重新开放，以了解道路交通和公交出行的变化。下图场景1中可以看到，其中CB是Citi Bike，而Ride是拼车模式。这些值表示在COVID期间每个出行方式每日行程总数，在各个重新开放的阶段，除以COVID之前的日行程总数。1-3阶段是在假设运输尚未完全开放的情况下进行建模的。

　　即使到了第4阶段，也没有运输能力的限制，我们可以看到，公共交通乘车率可能仅返回到COVID之前水平的73％，而乘用汽车出行可能超过这些水平的142％。这表明如果存在出行行为惯性，则对重新运营后交通流量会变大。

　　图十三：疫情模型得到的出行比例与疫情之前的模型比较，其中对第四阶段进行不同仿真：（a）有运输能力约束，（b）没有运输能力约束

　　对于场景2，该场景将载客量上限设置为50％。在第4阶段中，总体的公共交通乘客率可能会进一步下降到COVID之前水平的64％，但私家车可能不会进一步上升（从142％上升到143％）。乘客转向非汽车模式似乎可以支持容量限制，特别是像共享单车（Citi Bike）这样的微出行方式可能从COVID之前的水平的0.92上升到1.84。

　　这一结果对于采用通行能力限制是令人鼓舞的，因为相对于已经增加的行为惯性而言，它可能不会显著增加私家车交通量（这是主要问题）。同时，相关负责人应当注意，并将公共交通能力限制策略与对微型出行选择的充分支持相结合。

　　现在CTECH/Cornell的研究人员合作使用该工具，研究在不同公交系统重新运营情况下，如何权衡COVID疫情风险与环境影响之间的利害关系。

　　MATSim-NYC文件通过Zenodo（我们的开放数据存储库（需注册））对公共机构和研究人员开放：

　　“Living Labs网络”将被集成到我们中心的城市数据观测站中，以此来随着时间的推移，汇总不同的方案结果。我们现在正在进一步改善其性能，恒温恒湿试验箱以更好地整合城市配送，并考虑服务人员的不足。
以上信息由无锡玛瑞特科技有限公司整理编辑，了解更多高低温冲击试验箱,高低温湿热试验箱,双85试验箱,恒温恒湿试验箱,三综合试验箱信息请访问http://www.wxmrt.com