斯德哥尔摩交通大改造

21世纪初，瑞典首都斯德哥尔摩的交通拥堵情况开始失控。

通勤时间一次又一次延长，大把时间都浪费在路上，人们感觉越发沮丧。上下班高峰时，瑞典首都的生产会陷入停顿。要解决这个问题，无疑只能再建一座大桥，提高通行能力。要是在以前，这不失为一个好策略，但现在的斯德哥尔摩已经有几十座大桥了，毕竟这里被誉为“北方的威尼斯”。这次，斯德哥尔摩的市政官员经过慎重考虑，决定不再建桥。于是，他们聘请了一群特别的顾问——来自IBM的工程师。

对于IBM的工程师来说，这个项目更像是实施一个救援任务，而不是造个血管支架来疏通斯德哥尔摩的交通动脉。IBM的工程师在全市安装了传感器以了解交通现状，又安装了43万个应答器采集数据，共获得了85万张图片。IBM的工程师利用这些信息，对所有交通节点和看似不相关的影响因素进行了数学分析，建造了一个全系统模型。凭借详尽的分析结果，IBM团队说服了斯德哥尔摩的市政官员，让他们明白要解决交通拥堵问题，不需要建桥，也不需要造路，而是应该向高峰时段使用桥梁和公路的通勤者收取拥堵费。

收取拥堵费的方案带来了意想不到的效果。2006年，该方案开始试运行。在此期间，斯德哥尔摩的交通拥堵率降低了20%～25%，候车者的等待时间平均下降了1/3，部分路段甚至将近一半。公共交通恢复了往日的生机。该方案有效减少了10万辆的出行汽车，使碳和其他颗粒物的排放量也大幅度降低。2007年，斯德哥尔摩通过全民公投，实施了基于摄像头的永久性收费系统。瑞典的成功经验引起了其他国家的关注。亚洲、欧洲和北美的城市纷纷开始制订成熟的拥堵收费方案。

交通堵塞问题就像漏桶一样：越往桶里加水，漏水就会越严重。而且，道路的承载能力已然固定，高峰时段的车流量增加，必然会带来不可避免的问题。

得克萨斯州农工大学交通研究所2012年发布的《城市交通报告》指出，每年美国大城市在高峰时段的碳排放量高达250亿千克，“相当于12400架航天飞机满载燃油时的起飞重量”。而产生这些排放物所消耗的近114亿千克的燃油，“足以填满4个新奥尔良超级穹顶体育馆”。

从个人层面来看，这些数据非常惊人。在过去的30年里，普通通勤者的个人成本和浪费的燃料都已增加了1倍多。该报告指出，“由于交通拥堵，上班族每年多花费的通勤时间已经从1982年的16小时增加到2011年的38小时”，相当于在路上多浪费了将近5个工作日的时间。

IBM智能交通产品的全球行业负责人纳文·兰巴（Naveen Lamba）写道：“现今，我们在道路上安装了无数的传感器和摄像头，它们可以自动上传数据，因而我们可以实时共享和分析数据。”结果证明，用于支持IBM分析数据的传感器和应答器对于交通流量图的绘制发挥了不可或缺的作用。兰巴还说：“如果数据更新延迟5～7分钟，那么再好的方案也无法缓解交通拥堵。一旦上班族因陷入交通拥堵被困，想再找另外一条路就为时已晚。”因此，预测交通流量更是难上加难，甚至实时数据往往也不甚有用。

架桥造路并不总是解决交通拥堵问题的可行之法。兰巴断言：“我们必须学会利用技术，提高现有资产的生产力。”IBM针对斯德哥尔摩的交通系统采取了模块化的方法，以此了解系统中可能直接或间接导致交通拥堵的所有因素。结果，全新的电子基础设施诞生了：车牌与电子账户或便利店账户关联，以便付款之用。这种方法不但影响了公众行为，而且改变了整个社会的通勤模式。收取的拥堵费可用于维护城市公路系统和其他设施。在这种情况下，定价调峰方案不但能有效应对交通拥堵的问题，而且解决了一些其他难题。所以，“漏桶”给我们带来了无限的可能性。

同一解决方案在一种环境中无效，但在另一种环境中可能会产生变革性的作用。 与斯德哥尔摩的情况不同，对于非洲的一个村庄而言，建桥造路却有助于让公众获得更多的服务和机会。公路完善了，从未想过买车的人可能会去买车，这不仅会增强人员的流动性，同时也促进了商业发展。

交通拥堵是人类行为的产物，它体现了我们每个人的潜在偏好——我们从一个地方到另一个地方时会选择哪一条路。因此，对于衡量一个基础设施设计项目或政策成功与否，公众行为起着至关重要的作用。总体而言，这是因为交通系统像其他社会系统一样，本身非常复杂，由多个相互作用的子系统组成，但没有哪一个子系统能起主导作用。本质上，各个子系统的集体效应是非线性的，这往往会导致不可预测的结果，也就是“突发事件”。即使是微不足道的变化（如一个橙色的交通路锥），也会给由部分道路组成的子系统带来无法预料的影响（如高速公路交通堵塞）。

关于这个问题，互联网的联合创始人文顿·瑟夫（Vinton Cerf）的观点很绝妙。有一天，瑟夫试图用漏斗将胡椒粒倒入研磨机中。“倒了几粒胡椒粒下去后，机器就卡住了。如果我一粒一粒地倒，就不会卡住，”瑟夫观察后才明白，“就是因为我一次倒了好几粒，在这种紧急情况下，漏斗才会出现堵塞。”

这个观点告诉我们，简单的规则（定价调峰）如何产生复杂的大规模 的效应（如行为变化），有助于方案的优化。“关键是一粒胡椒粒不会造成堵塞，”瑟夫补充说，“最有趣的是，除了可能因为摩擦力产生堵塞，胡椒粒本身不具有任何可能导致堵塞的特性。”

人们口口声声说要优化，但在实践中就是另外一回事了。优化这件事，就好比一个人去健身房锻炼时，需要重复进行力量训练。他要解决两个问题：如何能在最短的时间内获得最佳的健身效果，以及如何能持续地增强健身效果。

优化由两个基本的部分组成。第一个部分是目标，即实现结果变量最大化或最小化，但该变量往往是其他变量的函数。 格里博瓦尔的优化目标是让他的敌人遭受最大的损失，从更大的目标来说，就是赢得战争。 第二个部分是约束条件，也就是目标函数所要满足的限制条件。 对于借助模型研究如何提高效率的运筹学者来说，格里博瓦尔的目标属于典型的“武器和目标的分配问题”。他们为此开发了一种算法，用于确定格里博瓦尔在时间和资源都有限的情况下如何找到一套适用的工具或工具组合，并通过最佳配置来实现其目标。

工程师使用各种建模技术来最大程度地还原现实情境，但这实际上还不够精确。模型分为隐性和显性两类。正如约翰斯·霍普金斯大学的教授乔舒亚·爱泼斯坦（Joshua Epstein）所说，在隐性模型中，“假设被隐藏，内在一致性未经测试，其逻辑结果未知，与数据的关系也未知”。比如说，“当你闭上眼睛，想象一场流行病正在蔓延或任何其他社会动态时，你就是在使用某个模型，只不过它是一个你尚未记录下来的模型”。而在显性模型中，人们会明确提出假设、经验性的说明和方程，用于分析和验证。爱泼斯坦补充说：“在采用某种假设的情况下，会出现一种情况；假设条件要是变了，就会出现另一种情况。”

建模的益处多多，其中之一就是“权衡利弊，预测效率”，爱泼斯坦更强调建模还可以“揭示看似简单、实则复杂，或看似复杂、实则简单的事物”。通过模型，我们能了解哪些方面需要更多的数据，还需要做哪些工作。IBM从斯德哥尔摩各地收集了道路使用模式的相关数据，改进了模型，并最终促使市政官员做出收取拥堵费的决定。

每个模型都受到假设条件的限制，并因把现实简化为简单的方程式而受到质疑，所以不存在十全十美的优化模型。“在工程学意义上，简单的模型非常宝贵，但不够‘准确’，”爱泼斯坦说，“按照这种观点，所有最好的模型都是‘错误’的，但也是富有成效的，是具有启发性的抽象概念。”但是，我们使用模型进行优化，主要是为了构建一种结构，从而让我们能看清楚约束条件，权衡利弊。

虽然模型很有价值，但有时也会让我们产生错误的想法。工程师往往错误地认为：如果模型能在某一层面运行良好，那么在其他尺度下也能运行良好。事实未必如此。实际上，复杂系统具有的突发特性，几乎都是尺度变化所致。 建筑工程师约翰·库普雷纳斯（John Kuprenas）和建筑师马修·弗雷德里克（Matthew Frederick）从维多利亚时代的天文学家罗伯特·鲍尔（Robert Ball）爵士那里得到下述见解：

设想一下，工程师小组想要打造一匹“超级马”，它的身高是普通马的2倍。可造成后，他们发现这匹马总是有问题，它只是一匹工作效率不高的野兽。它不仅身高是普通马的2倍，而且宽度和长度都是普通马的2倍，因此它的总质量是普通马的8倍。可是，它的静脉和动脉横截面积只有普通马的4倍，这样一来，心脏的工作强度就得是原来设计强度的2倍。马蹄的表面积虽是普通马的4倍，但相比之下，每只马蹄必须支撑普通马蹄单位表面积2倍的重量。最终，工程师只好把这匹病态的马杀掉。

作为支持系统，模型是一种辅助决策的工具，其本身并非最终的决策。理想的模型可以围绕最终目标阐明优、缺点，对优化方案进行实际检验。在IBM的案例中，优化的主要目标是最大限度地减轻斯德哥尔摩的交通拥堵，而事实证明这一目标函数的变量是高峰时段的汽车使用量。固定的道路容量、当地政府的预算和人们的潜在偏好等因素也限制了优化的效果。因此，要充分理解和优化这样复杂的系统，自然要从建造模型开始。