标题：Enhancing carbon efficiency in shared micro-mobility systems: Anagent-based fleet size and layout assessment approach
链接：https://www.sciencedirect.com/science/article/abs/pii/S0959652624006565?dgcid=author
要点
（1）调查投放规模与碳效率之间的关系。
（2）结合生命周期评估（LCA）方法的基于代理的模型。
（3）通过合适的部署实现每周显着的碳减排（10,500公斤CO2当量）。
（4）探索多种微出行系统方式之间的内在机制。
研究点
本文探讨了共享微出行系统服务对降低交通领域碳排放和应对气候变化的重要性，提出了通过代理模型和生命周期评估方法来优化投放规模和布局方式，以提高碳效率促进碳减排。
摘要
共享微出行系统（SMMS）具有减少城市交通的二氧化碳排放的潜力。然而，减排量随着车队规模（即市场上不同类型自行车的数量）和布局的变化而变化。SMMS的过度商业化导致碳收益下降。在这项研究中，我们提出了一个与生命周期评估（LCA）方法集成的基于代理的模型，用于预估通过建立全新的SMMS来应对未知的共享单车规模场景的碳收益。同时还分析了满足实际出行需求的比例和自行车利用率，用以探索SMMS的内在机制。以加利福尼亚州旧金山为例，评估了自由漂浮共享电动自行车和基于站点的共享自行车，在五种不同布局中，每种布局包含121种不同组合。结果表明，对于一个约100平方公里的区域，日出行需求超过一万次，建议车队规模为4500-7500辆自行车，每周可能减少10,000-11,000公斤二氧化碳当量。这项研究将从可持续的角度为SMMS的启动计划和规模化管理提供建议。
Shared micro-mobility systems (SMMS) have the potential to reduce CO2 emissions of urban transportation. However, the reduction varies with fleet sizes (i.e., the number of different types of bikes in the market) and layouts. The excessive commercialization of SMMS has resulted in a decline in carbon benefits. In this study, we propose an agent-based model integrated with a lifecycle assessment (LCA) approach to evaluating the carbon benefits of unknown shared bike scale scenarios by establishing a brand-new SMMS. The proportion of satisfied actual trip demand and bike utilization rates also be analyzed for exploring the inherent mechanisms of SMMS. Take San Francisco, California, as an example, the evaluation of free-floating shared electric bikes and station-based shared-bikes analyzes five different layouts, each consisting of 121 different combinations. The results indicate that, for an area of approximately 100 km2 with a daily travel demand of over ten thousand, a fleet size of 4500–7500 bikes is suggested, potentially leading to a weekly carbon reduction of 10,000–11,000 kg CO2-eq. This study will provide insights for launch plan and scale management of SMMS from a sustainable perspective.
Keywords:
Agent-based model
Shared micro-mobility system
Life cycle assessment model
Fleet size deployment
Data-driven simulation
图示情况
图1展示了方法论包括三个主要组成部分：模型输入、基于代理的模型和生命周期评价（LCA）模型。这种方法将生命周期评价计算集成到模拟过程中。通过提供模型输入，模拟可以生成碳排放和其他关键指标，以供后续分析使用。真实的行程数据集，包括SEB行程、SB行程和出租车行程，将被用作模型的输入。不同SB和SEB的车队规模和初始自行车分布将被用作模拟的输入。模拟结束后将进行夜间调度。通过基于代理的模型运行期间产生的温室气体排放量将被计算，以评估不同车队规模和布局对温室气体排放的影响。
图2展示了每日行程量和研究区域。该数据集包括GPS坐标和行程，起点和终点位于研究区内，行程距离小于6公里。包括补充数据可以增加行程数据集的随机性和多样性。
图3展示了五种场景下研究不同分布的影响，我们以每种类型2500辆自行车为例。
(a) 在区域4中的FSEB浓度和站点需求SSB分配。
(b) 在区域1中的FSEB浓度和站点需求SSB分配。
(c) 在区域0中的FSEB浓度和站点需求SSB分配。
(d) 基于需求的每个区域中FSEB和SSB的分配。
(e) 每个区域中FSEB和SSB的随机分配。
蓝色圆点的大小与SSB的数量成正相关。
对于(a)(b)(c)三种分布，我们将FSEBs集中在一个区域，并按照历史需求比例分配SSBs。对于(d)分布，我们根据每个区域内的历史需求比例分配FSEBs和SSBs。对于(e)分布，我们在研究区域的道路网络上随机分配FSEBs，并在每个自行车站随机分配一定数量的SSBs。
图4展示了针对五种情景下安排121种不同自行车数量的组合，获得总减排结果，得到三个更好的布局方案。
(a) 区域4的FSEB集中度和站点需求的SSB配置。
(b) 区域1的FSEB集中度和站点需求的SSB配置。
(c) 区域0的FSEB集中度和站点需求的SSB配置。
(d) 每个区域基于需求的FSEB和SSB配置。
(e) 每个区域的FSEB和SSB的随机配置。
将FSEB放置在使用密度最高的区域，将SSB按历史站点需求比例分配（图3a和图4a）；根据区域需求比例放置FSEB，根据历史站点需求放置SSB（图3d和图4d）；在整个研究区域随机部署FSEB，在站点随机部署SSB（图3e和图4e）。
图5展示了快速充电电动公交车（FSEB）车队规模变化对碳效率的影响比超级巴士（SSB）更显著。针对一种共享单车类型的车队规模变化对碳排放减少的影响，而另一种类型的车队规模保持不变。
图6展示了布局（d）中121种不同共享单车车队规模在不同阶段的温室气体排放情况，其中PE代表生产阶段的温室气体排放，OE代表运营阶段的温室气体排放，DE代表处置阶段的温室气体排放，ET代表因模式替代而产生的温室气体排放，图6(a)中的OE分为三部分：RE、ME和EE，分别表示重新平衡阶段、维护阶段和使用阶段的温室气体排放。随着车队规模的增加，更多的出行需求可以得到满足，因为共享单车能够及时提供，从而导致ET的减少，减少了转乘其他交通方式的人数。然而，随着车队规模的继续增长，PE和DE都会增加，导致总体碳排放量的增加。
图7展示了当总投放规模相同时，由于两种共享单车的比例不同，未满足需求点的数量也不同。当FSEB的比例较高时，未满足需求点较少。FSEB的碳成本更高，使得它们的战略布局非常重要。如果需求得不到满足，将会出现交通方式的转变。因此，在这种SSB和FSEB的系统中，尽可能精确地控制FSEB的数量并部署它们，是一个很大的挑战。
总结
这项研究结合了基于代理的模型和生命周期评价模型，评估了共享微型交通系统（SMMS）中不同自行车规模方案的碳效益、未满足实际出行需求比例和自行车利用率。研究发现，SMMS可以降低CO2排放量，但碳效益随车队规模增加呈现先增加后减少的趋势。自行车利用率可能随部署数量增加而下降，因此确定适当的部署范围至关重要。
建议在可供部署自行车数量有限时将无桩共享单车放置在需求最高的区域；面临每个区域需求不确定性时，建议随机部署无桩共享单车以获得最佳表现。优化碳性能的建议包括部署无桩共享自行车和基于站点的电动自行车，利用电动自行车的灵活性和充电功能降低运营成本。
研究结果强调了在设计共享微型交通系统时需要考虑的关键因素和决策策略，但也指出了研究的限制，如仅考虑具有两种模式的SMMS等。未来研究可包括更多模式和考虑天气条件对微型出行行为的影响，并进行敏感性分析以验证和扩展研究结果的适用性。
团队介绍
本文由：浙江大学智能交通研究所副教授申永刚，教授陈喜群，硕士生宋宴存，罗康，施子逸，北京大学深圳研究生院城市规划与设计学院博士后余庆合作完成。
作者介绍
通讯作者简介：
余庆：现任北京大学城市规划与设计学院博士后。于2015年、2018年和2022年分别获得了广东工业大学的学士、同济大学硕士、同济大学博士，博士期间赴东京大学联合培养。主要研究领域涵盖交通时空大数据、交通能源、城市计算、多智能体仿真等，发表期刊与会议论文40余篇，其中SCI论文20余篇。出版学术论著《交通时空大数据分析、挖掘与可视化（Python版）》。同时为Applied energy、Cities、Journal of Urban Technology等多家国际杂志和国际会议审稿人。
陈喜群：现任浙江大学智能交通研究所所长，智慧交通浙江省工程研究中心副主任。曾先后于2004年至2015年在清华大学、美国加州大学伯克利分校、美国马里兰大学等地学习和工作。研究领域涵盖交通运输管理、共享出行、交通流建模与仿真优化、智能交通系统等。在国际期刊发表SCI/SSCI论文130余篇，拥有多项国家发明专利。荣获中国智能交通协会科技创新领军人才奖、中国交通运输协会科技创新青年奖、IEEE国际智能交通学会最佳博士论文奖等多项殊荣。
第一作者简介：
申永刚：现任浙江大学土木与水利工程实验中心副主任。主要研究方向为桥梁抗震和管网漏损检测。已发表SCI/EI文章20余篇，申请国家发明专利3项，编制工信部行业标准2部，出版译著1部。承担了国家重大专项子课题、国家自然基金、浙江省自然基金、浙江省交通厅课题等纵向研究课题8项，年均课题经费100万。曾于2013.3-2014.6在住建部科技司挂职，2014.9-2015.9在美国普渡大学做访问学者。此外，还负责浙江大学地震模拟振动台建设，并承担了浙江大学专业学位研究生实践教学品牌课程等教改项目2项。