城市宏观交通拥堵预测研究

2017-12-27李浩然裴玉龙

黑龙江交通科技 2017年10期

关键词：市辖区宏观高峰

李浩然，裴玉龙

(东北林业大学交通学院，黑龙江哈尔滨 150040)

城市宏观交通拥堵预测研究

李浩然，裴玉龙

(东北林业大学交通学院，黑龙江哈尔滨 150040)

通过对全国44个城市的经济社会、道路交通以及交通拥堵数据进行了分析与比较，提出城市宏观交通拥堵预测模型，系统、科学的量化城市宏观交通拥堵与城市发展的演变规律，初步探究城市发展阶段与宏观城市交通拥堵的相关关系。

宏观；交通拥堵；预测；相关关系

1 宏观城市交通拥堵预测指标筛选

近年来随着大数据技术以及数据分析挖掘产业的发展，越来越多的行业开始运用大数据技术解决相关问题，交通运输领域自然也不例外。高德交通在2016年1月发布了《2015年度中国主要城市交通分析报告》，我们从中提取44个城市的“高峰拥堵延时指数”作为城市宏观交通拥堵的直观表征。

考虑到交通拥堵是城市病的一种，其出现可能与城市社会经济发展的状态、道路交通发展状态等数据存在联系，因此我们选取市辖区GDP、市辖区人口、城市建设用地面积、市辖区市政累计投入(2011-2014年)、市辖区人均GDP、城市人口密度等作为宏观经济社会指标；选取实有城市道路面积、公共汽(电)车营运车辆数、全年公共汽电车客运总量、人均道路面积、万人公交车数、人均公交出行量等作为宏观道路交通指标。通过分析上述指标与高峰拥堵延时指数的相关关系，对指标进行筛选，选取合适的指标进行宏观城市交通拥堵预测模型的构建。

1.2 宏观经济社会指标筛选

首先对宏观经济社会指标进行筛选。如表1，2014年末各城市部分宏观经济社会数据。

表1 2014年末各城市宏观经济社会数据

续表1

数据来源：《中国城市统计年鉴2015》

通过对高峰拥堵延时指数与市辖区GDP数据的相关性分析，可以得到其相关系数为0.538，sig值为0，中度相关。

通过对高峰拥堵延时指数与市辖区人口数据的相关性分析，可以得到其相关系数为0.535，sig值为0，中度相关。

通过对高峰拥堵延时指数与城市建设用地面积数据的相关性分析，可以得到其相关系数为0.605，sig值为0，中度相关。

通过对高峰拥堵延时指数与市辖区市政累计投入(2011-2014年)数据的相关性分析，可以得到其相关系数为0.579，sig值为0，中度相关。

通过对高峰拥堵延时指数与市辖区人均GDP数据的相关性分析，可以得到其相关系数为0.087，sig值为0.574，无相关关系。

通过对高峰拥堵延时指数与城市人口密度数据的相关性分析，可以得到其相关系数为0.084，sig值为0.593，无相关关系。

通过对高峰拥堵延时指数与市辖区GDP、市辖区人口、城市建设用地面积、市辖区市政累计投入(2011-2014年)、市辖区人均GDP、城市人口密度的相关性分析，我们可以筛选出市辖区GDP、市辖区人口、城市建设用地面积、市辖区市政累计投入(2011-2014年)4个宏观经济社会指标作为构筑宏观交通拥堵预测模型的指标。

1.3 宏观道路交通指标筛选

对宏观道路交通指标进行筛选。如表2，2014年末各城市宏观道路交通数据。

通过对高峰拥堵延时指数与实有城市道路面积数据的相关性分析，可以得到其相关系数为0.425，sig值为0.004，中度相关。

通过对高峰拥堵延时指数与公共汽(电)车营运车辆数数据的相关性分析，可以得到其相关系数为0.615，sig值为0，中度相关。

通过对高峰拥堵延时指数与全年公共汽电车客运总量数据的相关性分析，可以得到其相关系数为0.723，sig值为0，中度相关。

通过对高峰拥堵延时指数与人均道路面积数据的相关性分析，可以得到其相关系数为-0.219，sig值为0.153，低度相关。

通过对高峰拥堵延时指数与万人公交车数数据的相关性分析，可以得到其相关系数为0.285，sig值为0.061，低度相关。

通过对高峰拥堵延时指数与人均公交出行量数据的相关性分析，可以得到其相关系数为0.544，sig值为0，中度相关。

通过对高峰拥堵延时指数与实有城市道路面积、公共汽(电)车营运车辆数、全年公共汽电车客运总量、人均道路面积、万人公交车数、人均公交出行量的相关性分析，我们可以筛选出实有城市道路面积、公共汽(电)车营运车辆数、全年公共汽电车客运总量、人均公交出行量4个宏观道路交通指标作为构筑宏观交通拥堵预测模型的指标。

表2 2014年末各城市宏观道路交通数据

数据来源：《中国城市统计年鉴2015》

2 城市宏观交通拥堵预测模型构建

通过上述分析，我们最终筛选出市辖区GDP、市辖区人口、城市建设用地面积、市辖区市政累计投入(2011-2014年)4个宏观经济社会指标，以及实有城市道路面积、公共汽(电)车营运车辆数、全年公共汽电车客运总量、人均公交出行量4个宏观道路交通指标作为构筑宏观交通拥堵预测模型的指标。

我们通过SPSS软件对高峰拥堵延时指数以及筛选出的总共8个指标进行进行多元回归分析，得到其相关系数为0.804，sig值为0，高度相关，模型拟合效果良好。为了数据处理时的便捷，我们将高峰拥堵延时指数数值扩大10 000倍进行应用，并用Y代表扩大之后高峰拥堵延时指数，X1、X2、X3、X4、X5、X6、X7、X8分别代表标准化后的市辖区GDP、市辖区人口、城市建设用地面积、市辖区市政累计投入(2011-2014)、实有城市道路面积、公共汽(电)车营运车辆数、全年公共汽电车客运总量、人均公交出行量，可得到扩大后高峰拥堵延时指数的预测模型为

Y=-0.161X1+0.794X2-0.94X3-0.355X4+0.107X5-0.143X6+0.023X7+4.975X8+15 286.982

(1)

对变量进行标准化并对其进行共线性分析，如表3，方差膨胀因子表。表4，变量相关系数表。

表3 方差膨胀因子表

表4 变量相关系数表

可见，1、3、6、7的方差膨胀因子大于10，存在很多高度相关的变量，因此变量之间存在一定的共线性问题。

我们通过主成分回归来解决共线性问题。首先对变量进行主成分分析，提取5个特征值大于0.1的主成分。

(2)

(3)

(4)

(5)

(6)

对提取主成分与标准化预测变量进行回归分析，最后决定提取C1、C5两个主成分。对C1、C5两个主成分进行回归分析，可得到其相关系数为0.730，sig值为0。通过计算可得主成分回归后的标准化回归模型

(7)

通过主成分回归后的标准化回归模型的分析我们可以知道，城市宏观交通拥堵水平与市辖区GDP、实有城市道路面积以及人均公交出行量呈负相关。市辖区GDP越高，标志着城市综合经济发展水平越高，宏观交通拥堵水平越低；实有城市道路面积越高，标志着城市中可利用的道路越多，宏观交通拥堵水平越低；人均公交出行量越高，标志着城市居民公共交通出行意愿更高，城市公共交通服务水平更好，宏观交通拥堵水平越低。市辖区GDP与实有城市道路面积对宏观交通拥堵水平的影响相对较大，人均公交出行量的影响相对较小。

城市宏观交通拥堵水平与市辖区人口、城市建设用地面积、市辖区市政累计投入(2011-2014)、公共汽(电)车营运车辆数以及全年公共汽电车客运总量呈正相关。市辖区人口越多，标志着出行居民数量也越大，交通系统运行负荷也相应增大，宏观交通拥堵越严重；城市建设用地面积越大、市辖区市政累计投入(2011-2014)越多、公共汽(电)车营运车辆数越多、全年公共汽电车客运总量越大，宏观交通拥堵越严重，可能与政府对城市交通拥堵的治理方式有关，交通拥堵越严重，政府越倾向于扩大城市面积，分散资源聚集度来解决拥堵问题；交通拥堵越严重，政府越倾向于扩大市政基础设施投资，提高市政基础设施供应来解决交通问题；交通拥堵越严重，政府越倾向于鼓励城市居民乘坐公共交通出行来解决拥堵问题。