陈奕昆，北京理工新源信息科技有限公司CTO（首席技术官），新能源汽车大数据联盟大数据技术顾问。工商管理博士，高级大数据分析师并拥有10项大数据技术方面发明专利，主持开发重型柴油车监控平台等多个国家级项目技术工作。
第二次全国污染源普查结果表明，移动源排放的氮氧化物占全国排放总量的59.65%，已成为我国大气氮氧化物排放的首要来源。而柴油质量问题突出和柴油车排放控制水平不稳定，是导致氮氧化物排放总量大的重要原因。大数据手段能为柴油货车污染治理带来哪些帮助？中国环境报记者采访了北京理工新源信息科技有限公司首席技术官陈奕昆。
由于黑加油站未经注册备案，难以获取其位置信息，对其人工排查需投入大量人力、物力，且时效性较差。
中国环境报：生态环境部曾在31个城市开展清洁车用油品专项行动，以打击黑加油站点和劣质油品。我当时作为普通工作人员每天随队去现场检查时，发现黑加油站点藏匿、伪装的方式五花八门，令人瞠目结舌。我们也了解到，很多地方都在持续开展黑加油站点专项检查，但部分地方仍有黑加油站长期存在等问题。据您调研或了解，地方目前在打击黑加油站点、治理柴油货车污染时，存在哪些困难？
陈奕昆：从调研中，我们认为目前存在的困难主要是这几个方面：第一，对黑加油站的现状摸不清。对黑加油站情况的摸底，传统方式主要包括日常工作积累、群众举报、梳理历次专项检查的线索等，信息来源相对单一。同时，像你所说，绝大部分黑加油站的隐蔽性、流动性非常大，给摸排工作带来巨大难度。
第二，部门联合执法难度大。打击黑加油站需要跨部门联合执法，涉及公安、安监、工商、质监、生态环境、消防、运管、税务等多个部门。目前由于相关职能部门存在各管一项、职能单一的问题，无法形成统一执法合力，从而给违法分子提供了可乘之机。
第三，查处黑加油站的执法成本较高。根据前期调研情况，地方开展一次专项检查，需要组织上千人，出动的车辆也要上千辆。但目前地方执法人员力量不足，给常态化执法带来一定困难。
中国环境报：提出用大数据手段发现非法加油站点的背景是什么？基于哪些考虑？
陈奕昆：国务院印发的《打赢蓝天保卫战三年行动计划》中，要求柴油货车污染排放总量明显下降。生态环境部、发展改革委等11部委印发的《柴油货车污染治理攻坚战行动计划》中，明确提出各地要组织开展清洁油品行动，清除无证无照经营的黑加油站点、流动加油罐车，抽检油品质量，严厉打击生产、销售、储存和使用不合格油品行为。
黑加油站不具备相关危险品经营的资质，往往存在严重的安全隐患；销售的油品质量无法受到监督、以次充好，导致车辆氮氧化物等污染物排放超标；缺少相应的油气回收装置，加油、卸油过程中的泄漏会对大气、土壤及地下水水质造成直接污染。由于黑加油站未经注册备案，难以获取其位置信息，对其人工排查需投入大量人力、物力，且时效性较差。
基于以上背景，结合目前重型车远程排放监控所采集到的海量数据，我们考虑是否可以基于现有对车辆的实时监控数据，衍生至对其加油行为的分析，从而辅助开展对疑似黑加油站的甄别，显著提升地方政府对黑加油站打击的精准性和执法的有效性。由此，开展了大数据分析支撑非法加油站执法的相关探索和研究。
建议各地建设重型车远程排放监控地方平台，持续高效接入车辆，并且确保车辆接入数据的合规性和真实性。
中国环境报：请您介绍一下这种通过大数据手段发现黑加油站点的具体内容和实施原理？
陈奕昆：2018 年发布的《重型柴油车污染物排放限值及测量方法（中国第六阶段）》（GB17691-2018）中，提出了在新生产的“国六”车上必须安装车载终端，并通过车载终端将规定的参数上报至主管部门。这个车载终端就是这种大数据手段运用的前提。
2020年4月，生态环境部发布《重型车远程排放监控技术规范（征求意见稿）》，进一步明确重型车远程排放监控系统的国家—地方—企业三级架构，同时规范了车载终端上报的流程和平台间的通讯协议。按照GB17691-2018以及《重型车远程排放监控技术规范（征求意见稿）》的要求，目前重型柴油车远程排放监控车载终端将采集车速、大气压力、发动机燃料流量、进气量、SCR出入口温度、油箱液位、发动机冷却液温度、经纬度等实时数据。这就为后期开展黑加油站环保监管分析工作奠定了基础。
具体到这种大数据手段，就是按照GB17691-2018等相关标准要求，基于重型车远程排放监控原始报文中的油箱液位数据，分析其时间序列变化特征，提取出车辆加油的地理位置和时间，并进一步聚类定位加油点位。之后，将聚类结果与行政区域内的备案加油站数据进行匹配。若无法匹配到备案加油站，则可能为黑加油站，作为排查黑加油站的辅助依据。
中国环境报：通过大数据手段发现黑加油站点，是科学治污的手段，也可以看作是精准治污的前提。那么地方如何能利用好这种手段，解决当前存在的困难或问题？您有哪些建议？
陈奕昆：首先，数据资源是开展大数据分析的基础。建议各地尽快按照国家标准要求，建设重型车远程排放监控地方平台，持续高效接入车辆，并且确保车辆接入数据的合规性和真实性。
其次，大数据分析研判需要与业务反馈形成良性互动机制。黑加油站具有隐蔽性、流动性强等特征，基于目前的数据和模型，短期识别结果不一定特别精准。因此，在地方利用大数据手段辅助开展黑加油站打击执法的过程中，需要将实际执法结果反馈给大数据分析系统，从而不断提高大数据分析的精准性，也能在未来更好地辅助执法工作的开展。
期待能够通过与地方政府的持续合作，不断完善备案加油站数据库，支撑精准识别工作的开展。
中国环境报：有没有地方已经进行过相关探索实践？在这种大数据手段的推广应用上，是否存在困难或挑战？
陈奕昆：通过大数据手段排查黑加油站点的方式，目前还处在一个从无到有的过程，后续还有很多工作要开展，所以还没有具体落地。不过未来可能会在河北地区率先开展实践试点工作。
目前来看，确实存在一些困难和挑战。大数据分析依赖于数据质量，但目前T-box（重型车排放数据传输盒子）报送的数据还存在一些问题。一个是数据帧缺失情况比较普遍，会导致加油点的时间定位存在偏差，从而对地理定位的准确性造成影响。另一个是GPS飘移导致地理定位不准，影响加油点位判断的准确性。比如定位显示在A道路，但其实车辆加油行为发生在B道路。这两个问题都取决于T-box的质量。
这些数据质量问题会对后期大数据分析带来干扰，进而给黑加油点位识别结果的准确性带来一定影响。希望相关部门能出台相应的数据质量评价标准并开展具体评价工作，比如检测T-box的质量等，指导整车企业和终端企业不断提高数据接入质量。
此外还有另一个困难，就是备案加油站信息掌握不全面。从研究角度来说，目前我们从公开渠道获取的备案加油站信息不一定完整，对后期疑似黑加油站位置匹配的精准度有一定影响。这方面我们也期待能够通过与地方政府的持续合作，不断完善备案加油站数据库，支撑精准识别工作的开展。
中国环境报：下一步的工作方向是什么？哪些工作还需要进一步完善？
陈奕昆：下一步工作的核心是将疑似黑加油站点位的识别与油品质量的分析判断结合，更加综合地为车、油、路协同监管提供执法抓手。为解决这一问题，我们考虑从排放特征入手，通过T-box上报数据分析出车辆排放特征，获取超标排放路段、时段信息，与车辆加油时间、点位信息进行匹配，从而综合判断油品的质量。
当然这方面的研究还有很多难点需要攻克，比如加劣质油品后对排放的影响不是即刻体现出来的，需要一个时间段；再有一点，排放超标的原因不仅和油品相关，还涉及后处理系统运转情况等，是一个综合性比较强的问题。这些都给我们后期的分析处理带来挑战。如何剔除其他因素的干扰影响，准确识别出油品质量问题，是我们下一个阶段着力要解决的问题。
