基于交通运行需求的“互联网+交通”发展指数研究

(信阳师范学院 旅游学院， 河南 信阳 464000)

一、引言

2015年3月，李克强总理提出制定“互联网+”行动计划，并将其上升到国家战略层面，各级政府纷纷部署推动互联网与传统产业的深度融合和创新发展，打造经济发展新动力。其中，作为支柱性产业的交通运输业如何抓住机遇与“互联网+”进行深度融合、提高交通运输效率，成为现阶段的重点工作之一。近三年来的“互联网+交通”数据显示，以智慧城市为代表的“互联网+交通”项目在中国快速铺开，尤其在一、二线城市发展迅猛，并带动三、四线城市全面发展，预计未来将助力更多城市的交通转型升级，优化城市交通运行能力、提高交通服务效率。但是，相对于技术的快速发展，理论研究较为薄弱，有关“互联网+交通”的成果主要集中在融合模式与路径、传统交通的改革、“互联网+交通”发展趋势等层面。研究者更关注“互联网+交通”的发展水平，并未从投入—产出角度考虑城市对“互联网+交通”发展的真实需求；而过于追求“互联网+交通”的建设，极有可能导致二者间发展的不协调、不匹配。此外，随着智能出行、智慧交通等理念的深入，对“互联网+交通”的投入在不断加强，考虑到投入—产出、应用绩效等要求，学术界逐渐由定性分析向定量化探讨转变。本文结合中国城市交通发展现状和市民出行特征，探讨其对“互联网+交通”的需求情况并进行定量化研究，既有利于制定合理的“互联网+交通”发展规划，又对优化城市交通运行等具有一定辅助作用。

虽然，国内外学者提出了一些关于“互联网+交通”的研究成果，但主要集中在“互联网+交通”的融合发展和对交通运行改善等领域，比如，李明伟应用跨界融合思维，将“互联网+交通”融合发展模式定位为：研究互联网与城市交通的融合，并非落实到具体的交通运输方式上，而是从宏观角度入手，以互联网技术的广泛应用为标志，以智能交通为引领，以个性化、多样化运输服务模式不断创新和及时应用为特点，提出对传统交通运输过程产生颠覆性影响的全新服务组织和管理体系〔1〕。此外，有学者探索了基于“航空—铁路—公路”大网络下的“互联网+交通”，并提出了相应发展模式〔2～3〕。随后，有学者以“互联网+智能交通”为对象，提出基于移动互联网的跨界资源整合和综合交通信息服务发展等面临的挑战，以及推动“互联网+交通”普适性和规范性发展的措施〔4～5〕。在交通运行水平层面，陈国鹏从“互联网+交通”视角提出通过私家车共享模式提升交通运行水平〔6〕。有学者关注了智能交通系统(ITS)应用对交通运行水平的影响，并以GIS、车联网、ETC等技术为依托，辨别和监测城市路网中的拥堵点，预测拥堵路段并进行拥堵管理〔7～9〕。此外，杨浩雄、张钟允和王家庭等将回归模型、DID模型等用于测评ITS对交通运行水平提升的贡献〔10～12〕。以上研究分别从“互联网+交通”融合发展和交通运行水平等领域进行了探索，但未对“互联网+交通”与城市交通之间的协调匹配程度及其发展指数进行研究。由于“互联网+”在交通运输转型升级过程中发挥了重要作用(北京、广州、深圳、武汉、上海等城市“互联网+交通”指数达到60%以上，北京更是达到90%)，为了使二者之间的融合更协调，有必要探讨城市交通运行水平下的“互联网+交通”需求程度。本文以城市交通运行水平对“互联网+交通”的需求指数为视角，采用多元回归模型研究交通运行水平需求下的“互联网+交通”发展指数，研究结论对优化“互联网+交通”建设、改善城市交通问题等具有重要作用，对弥补“互联网+交通”发展过程中理论探讨与实践应用之间的空缺起支撑作用。

二、城市交通运行水平

(一)城市交通发展水平影响因素

随着城市化进程加快，城市交通问题日益严峻，剖析各类问题成因，可归结为交通需求与供给的不匹配、不协调〔13〕。城市交通需求取决于城市用地及布局、社会经济发展及机动车保有量等，其中，城市用地及布局包括出行方向、出行距离及以通勤交通为主的城市出行强度，社会经济发展决定了城市交通出行总需求，机动车保有量决定机动化出行需求。交通供给包括动态和静态两个方面，动态交通供给主要服务于车辆运行，包括道路里程、道路面积、路网结构等道路基础设施建设；静态交通供给则主要服务于车辆停放。虽然交通需求管理在城市交通治理中广泛应用，但未能从根本上解决城市交通问题。因此，本文从上述提及的影响城市交通发展水平的因素中筛选可量化且数据易获取的因素(详见表1)，分析其与城市交通发展之间的关系，从而确定影响城市交通发展水平的因素。

表1 影响城市交通运行水平的因素

(二)城市交通发展水平表征指标

表1阐述了各因素与城市交通发展水平之间的相关性，但在实际计算时若单纯使用这些因素的数据进行分析，将难以精确描述其与城市交通运行水平的关系。因此，本文假设路网平均行车速度为表征城市交通运行水平的指标，但是路网平均行车速度取值受较多因素交叉影响，单独计算时容易造成结果不准确且论证缺乏科学性。为寻找影响路网平均行车速度的主要因素，本文以表2所示的北京市2000～2010年数据进行相关性分析，验证路网平均行车速度作为表征城市交通运行水平的指标时，哪些因素与路网平均行车速度的相关度高且作用关系明显。

表2 北京市交通运行水平的相关数据①

本文采用Pearson相关系数方法，利用Eviews 6.0进行相关性检验，得到如表3所示的具体结果。

表3 北京市交通运行水平各指标间的相关性分析结果

表3的结果显示，GDP、POP等因素与Speed的相关系数均在0.7以上，相关性较高，是影响Speed的主要因素，且Speed与POP、GDP、N-Car呈负相关，随着指标值的增长，Speed的值会降低，交通运行水平下降；Speed与S-Road呈正相关，随着S-Road的增长，Speed的值会提高，交通运行水平提升，该结论与上文的相关性定性分析结果吻合。最终，本文认为Speed可作为表征城市交通运行水平的指标。根据“从一般到简单”的计量分析原则，指标较多时要对指标的自相关性和共线性进行检验。基于表2中的数据实施Probit稳健回归，结果显示，N-Bus的系数稳健检验不显著且与N-Car之间存在较高的共线性，不适于进入模型，因而将其剔除。剔除之后再进行Probit回归，发现R2、AIC/SIC的值变化不明显。此外，L-Road和S-Road之间存在不容忽略的共线性问题，不适于放在同一模型中，因此本文仅保留L-Road指标(L-Road与Speed的相关系数更大且稳定性更好)。最终，将影响城市交通运行水平的指标确定为：GDP、POP、N-Car、L-Road。

三、“互联网+交通”及其发展水平

(一)“互联网+交通”的内涵

本文将“互联网+交通”定义为：运用互联网技术将交通基础设施、运输工具、交通出行特征等互联网化，从而整合人、车、路、管理等各种信息并提供交通运输服务，再将服务数据资源向社会开放，为出行者提供更优的出行服务。然而，“互联网+交通”并非简单地将两种产业相加，而是采取一定方式和手段使二者充分融合〔14〕。“互联网+”使交通变得更智能、精细和人性，逐渐形成具有“线上资源合理分配，线下高效优质运行”的新业态和新模式，互联网与传统交通运输行业的深度融合将成为建设智慧交通的重要技术和思路。本文主要从大数据技术和移动互联网技术在“互联网+交通”中的应用来诠释“互联网+交通”的内涵(见图1)。

图1 交通运输业与互联网结合的路径

1.大数据、互联网技术支持交通综合信息平台建设

交通综合信息平台建设是指面对增长迅速的海量数据，在云计算、大数据、物联网等技术的支撑保障下建设智能交通综合管理系统，建立信息共享和交换机制，进行快速计算以及科学分析，实现交通数据的汇集、管理、分析和应用。通过构建大交通数据共享平台，能够为路政巡查、路政执法、路产管理、应急救援等工作提供服务。比如，高德地图通过大数据采集提供交通信息公共服务，包括城市拥堵点实时报告、拥堵路线规避、热点商圈实时路况信息服务等，为交管辅助决策、为用户出行等提供服务。

2.移动互联网思维融合多项技术改善出行方式

互联网环境下交通出行方式发生巨大改变，引发更多业务模式，加快了交通运输由传统产业向现代服务业转型升级，而移动互联网等技术让运输业和乘客通过网络平台实现供需有效对接。比如，打车软件以O2O模式立足移动客户端，让更广泛的人群使用移动支付；公交车安装GPS使得市民可以查到公交站牌信息、实时交通信息、公交和地铁换乘方案等，科学规划出行时间，让出行变得更智能。

(二)“互联网+交通”发展的衡量指标

作为宏观性很强的指标，“互联网+交通”发展水平测度较为困难，既要考虑测度指标的针对性和高相关性，还要追求全面性和多角度性。因此，须对各类指标综合分析并选择最合适的指标。2016年9月，在中国公安部交管局的领导下、高德地图的公司执行下，提出了《中国“互联网+交通”城市指数研究报告(2016)》。报告从“智能出行”“智慧交通”“政务影响力”三个领域选取27个指标，以全国62个大中型城市为依托进行评估，得到各城市的“互联网+交通”发展指数。其中，智能出行指数反映互联网出行方式的智能程度，指数越高表示“互联网+”在交通中的智能应用越好。智能出行指标主要包括：人均网约车日行驶里程、地图人均启动次数、地图渗透率、驾车导航人均日使用次数、躲避拥堵用户占比、公交导航人均使用次数、步行导航人均使用次数、实时路况用户数、实时路况使用次数、人均网约车次数等。智慧交通指数反映城市政府交通数据开放及智慧交通发展程度，指数越高表示“互联网+”在交通领域的发展越好。智慧交通指标包括：动态数据开放、大型活动疏堵、静态数据开放、交通诱导系统、城市拥堵治理效果、互联网综合运营、公共交通信息服务平台。政务影响力指数反映城市政务工作在新媒体传播影响力上的成效，指数越高表示效果越好，主要指标有三项：“传播力”表示政务微博发布信息的传播情况，传播力指标越高说明政务微博的内容被越多的网民看到；“服务力”表征政务微博一对一服务网民、为民办事的情况，服务力指标越高说明政务机构通过微博平台服务了越多网民；“互动力”表征政务微博发布信息的影响情况，互动力指标越高说明政务微博的内容引发了越多的网民响应(具体结果见表4)。

由表4可知，“互联网+交通”发展水平排名前十的城市分别是：北京、广州、深圳、武汉、上海、天津、宁波、成都、重庆、西安；其中，北京以87.91的指数值占据首位，广州以80.32的值紧随其后，此一南一北两座城市占据了中国“互联网+交通”发展的战略高地。从62个城市的综合排名来看，一线和沿海城市的发展水平普遍较高；在国家“一带一路”政策的引导下，中西部地区“互联网+交通”也有了长足发展且潜力较大，其中西安、成都、重庆“互联网+交通”发展水平均入围全国前十，有助于带动西部地区其他城市“互联网+交通”的快速崛起。可见，高德地图的这一调查足以体现样本选择的普遍性、全面性及科学合理性。同时，在参考其他研究结果时发现，排名前十的城市在智能交通(如广州、武汉)、智能出行(如北京、深圳)及政务影响(如北京、上海)方面的发展都处于全国前列，符合现阶段我国城市交通发展现状。

表4 2016年中国62个主要城市“互联网+交通”发展排行② (%)

因此，本文最终将“智能出行”“智慧交通”及“政务影响力”视为衡量城市“互联网+交通”(Internet+Tra，%)发展指数的指标(见图2)。“智能出行”是社会经济类指标，主要从出行者角度进行测度；“智慧交通”是交通供给类指标，注重从交通运行方式角度测度“互联网+交通”发展水平；“政务影响力”是管理层指标，而交通运输基础设施建设属于公共事业行为，因此在某种程度上可认为该指标隶属于交通需求类指标。

图2 “互联网+交通”发展水平测度指标体系

1.智能出行

智能出行的目的是利用“互联网+”和物联网技术提高交通运营服务水平，利用“互联网+”对城市交通进行改造和深化应用，实现交通要素全面感知，并通过先进的网络通信技术和智能处理技术进行主动管理，形成友好的出行环境〔15〕。并最终实现通过互联网、移动终端、车载定位导航终端、道路交通诱导屏、电台广播等方式，提供实时路况信息发布、停车位预订、出租车预订、公交换乘、公交到站、航班信息、列车信息等服务。

2.智慧交通

图3 “互联网+”与智能交通系统的结合应用

本文将智慧交通定义为：将通讯、信息、电子、车辆等技术融合应用于交通领域并能迅速、灵活、正确地理解和提出解决方案以改善交通状况，使交通发挥最大效能的系统。“互联网+”与交通的融合是建设智慧交通的重要技术和思路，能在先进互联网技术的保障下进行快速计算和科学分析，从海量交通数据中快速、准确提取信息，提升交通管理的预见性、主动性、及时性、协同性(见图3)。图3中最底层为支撑系统，中间层为应用系统，最高层为用户。支撑系统是存在于路网交通中的各类专用智能子系统，是指挥、管理及监控交通运行的直接参与者，也是促使应用系统功能发挥的基本保障。对应用系统来说，借用“互联网+”协调参与交通运输管理的各个部门，使其顺畅交流并形成相应的交通管理综合信息系统。

3.政务影响力

政务影响力指利用“互联网+”推进各类交通系统的数据共享整合，将大数据用于交通管理中以提供更好的服务，管理者通过集成交通行业的数据推进资源共享，整合包括汽车商、系统运营商等各类企业生态链及城市重点建设的交通系统中的数据。

(三)“互联网+交通”发展的水平测度

基于上述分析，将“互联网+交通”发展水平的测度方法归纳如下：

其中，I1为智能出行指标值，wjI1表示智能出行中第j个二级指标权重，计算方法采用专家打分法，MI1表示智能出行对应的二级指标个数，djI10表示当前目标城市智能出行指标下第j个二级指标的指标值，djI1kI1表示第k个城市智能出行下第j个二级指标的指标值，n表示城市数量。

I2与I3的计算方法同I1，不再赘述。

因此 ，测度“互联网+交通”发展水平总指数为：

其中，W1、W2、W3分别表示“智能出行”“智慧交通”及“政务影响力”的权重(各项权重由多位该领域的专家学者依据指标的重要性进行打分，1～10分，分数越大表示重要度越高)。αt、βt、γt分别表示第t个专家对每个一级指标下二级指标的打分，z表示参与打分的专家数量。

四、城市对“互联网+交通”的需求

(一)指标数据采集

从高德地图公司提出的“互联网+交通”发展水平排名前100名的城市中筛选样本，首先，选择30个省会城市或直辖市(自治区)(不包含香港、澳门和台湾三个地区，且西藏的交通运输数据由于具有离群特征，暂不选择拉萨的数据)，在此基础上再选择6个相对发达的非省会城市大连、青岛、深圳、宁波、厦门及苏州，确定为最终样本。由于“互联网+交通”发展规划的制定需要参考城市交通发展现状，而城市交通发展数据统计有一定滞后性。因此在选择样本指标数据时，“互联网+交通”发展指数以2016年为标准，其他指标以2015年的数据为标准(详见表5)。

表5 36个样本城市的指标数据③

(二)方法选择与模型构建

1.方法选择

本文进行指标分析的主要目的是探讨城市交通对“互联网+交通”的需求情况，因此，解释变量为表征城市交通运行水平的指标，被解释变量为“互联网+交通”指数。在综合比较多种计量方法之后，本文选择多元回归模型进行分析。该模型进行计算时具有如下优势：第一，指标较多、数据较复杂且采集困难时，多元回归模型一定程度上能避免因部分数据欠缺对结果造成的干扰，且能够明确因素间的拟合程度和相关度，有助于提升预测效果；第二，能反映出各解释变量对被解释变量的影响程度及影响规律并拟合出回归方程，便于后期预测；第三，在探讨城市交通对“互联网+交通”的需求时，计算结果是全局最优，能避免受局部最优的影响且避免预测结果的偶然性，实现精确预测分析，保证结果的准确性〔16〕。在构建模型之前，先明确指标之间的相关性情况，此处采用表5中的数据进行指标的偏相关性分析，分析结果如下表6所示：

表6 各指标与“互联网+交通”的相关性

由表6中的结果可知，除了N-Bus指标，其他指标与“Internet+Tra”的相关性均高于0.7，相关程度较高，且指标间不存在自相关性，可用于构建回归分析模型。因此，为保证模型的拟合程度较好，剔除“N-Bus”指标，以其他四项指标为解释变量，“Internet+Tra”为被解释变量，建立回归模型。

2.模型构建

根据指标筛选结果，结合多元回归的一般模型，构建本文的回归模型如下：

Y=β0+β1X1+β2X2+β3X3+β4X4+ε。

其中，k为解释变量的数量，即k=4；βj(j=1,2,3,4)为回归系数；Y为“Internet+Tra”指数(%)；X1～X4分别为GDP、N-Car、POP、L-Road；ε为随机误差，假设ε服从正态分布、0均值以及同方差。

对表5中的数据进行回归分析，结果如表7和表8所示。

表7 回归模型结果汇总

由表7可知，模型3的复相关系数R=0.851，R2=0.725，调整R2=0.699，Sig=0.02，拟合程度较好；Durbin-Watson=1.330，将该值与Durbin-Watson Test检验表中的值进行对比，当样本量等于36、解释变量等于4时，Durbin-Watson的取值为1.18≤DW≤1.80，说明变量之间是相互独立的，能用于计算。此外，由方差分析结果可知，F统计量为28.077，p=0.00，即认为在0.05的显著性水平下，GDP、N-Car、POP、L-Road和“Internet+Tra”之间存在线性关系，可用于构建多元回归模型。

表8 多元回归系数表

表8为线性回归的系数列表，常数项为C=13.39，模型符合现实经济意义；偏回归系数β1=0.0015，β4=0.003，β2=0.085；β1、β4和β2对应的概率分别是0.091、0.012和0.020，均小于0.1，说明回归方程通过显著性检验；VIF取值均小于5，且容差值均大于0.1，说明模型中的变量不存在共线性问题，通过共线性检验。此外，由图4中标准化残差的标准P-P图可知，所有的点基本位于45度的直线上，说明随机误差项基本符合对数正态分布，即该回归方程是有意义的，通过计量经济学意义的检验。

图4 标准化残差P-P图

综合上述分析结论，最终得到的多元线性回归方程如下：

Y=13.39+0.0015×X1+0.085×X2+0.003×X4。

(三)实证结果分析

根据样本城市“互联网+交通”指数排名进行实证分析，以“互联网+交通”指数排名前三中的广州市为例进行讨论。首先，采集广州市2016年城市交通发展的相关数据，由《广州统计信息网》中可查询到广州市2016年的GDP为19610亿元，民用车拥有量为223.78万辆，道路里程为7462.26公里〔17〕；其次，根据回归方程计算2017年广州市的“互联网+交通”指数，具体如下：

Y2017=13.39+0.0015×19610+0.085×223.78+0.003×7462.26=84.21。

可知，2017年广州市“互联网+交通”发展指数需达到84.21方能满足其交通发展的需求，该结论在一定程度上反映出发展“互联网+交通”在解决城市交通问题时发挥的重要作用；同时，由多元回归模型可知，GDP、N-Car、L-Road等指标在影响“互联网+交通”发展时起主导作用。首先，结合“互联网+交通”发展指数排名可知，城市经济实力越强“互联网+交通”的发展指数越高，二者存在正相关关系。其次，N-Car作为重要交通方式，既影响城市对“互联网+交通”的需求，又在一定程度上依赖“互联网+交通”的发展水平，二者之间也存在正相关关系，即民用车辆越多，城市“互联网+交通”指数也越高。对表5中的民用车拥有量、“互联网+交通”指数指标做简单排序，可发现民用车数量排名前十的城市中有8座城市的“互联网+交通”指数排名在前十范围内。最后，L-Road作为交通供给类指标，由表3的结论可知，它与城市交通发展的其他表征指标之间有较高相关性，且该指标的偏回归系数相对于GDP和N-Car的偏回归系数较大，对“互联网+交通”指数的影响程度也较高；同理，对指标进行排序时发现，L-Road排名前十的城市中有8座城市“互联网+交通”指数排名在前十以内。由此可知，在制定一座城市的“互联网+交通”发展建设规划时，要注重这几项指标产生的影响作用。

综上可知，“互联网+交通”建设要密切参考城市交通运行水平，方能以最优的成本投入得到最大化效率。其中，城市GDP、民用车拥有量以及道路里程等指标对“互联网+交通”建设的影响强度相对其他指标更强烈，且重要性排序分别为民用车拥有量、道路里程、GDP。因此，在建设“互联网+交通”时，可在一定程度上按民用车拥有量、道路里程、GDP的顺序先后展开，以保证“互联网+交通”的建设更符合城市交通的真实需求。此外，上述三个因素之间也存在一定关联性，比如，道路里程较大、路网结构较复杂的城市，其GDP和民用车拥有量也相对较高，充分证明了上文观点。

五、结论

交通运输业与“互联网+”的融合逐渐成为解决城市交通问题、建设智慧城市的重要方法和途径，各个城市也纷纷致力于强化“互联网+交通”的建设深度与广度。本文研究结论显示，“互联网+交通”的建设并非越多越好，而是要结合城市交通的真实需求和投资回报率，并以此提出最优建设方案。因此，有别于传统“互联网+交通”的研究思路，本文从城市交通运行水平入手，研究城市对“互联网+交通”建设的需求情况。论文详细探讨并提出了影响城市交通发展的因素，并从中提取出能够表征城市交通运行水平的指标，建立了“互联网+交通”发展水平的测评指标和测评模型，构建了城市交通运行水平对“互联网+交通”建设需求的多元回归测度模型，并以广州市为例预测其“互联网+交通”的指数值。本文研究结论对不同类型、不同经济水平、不同路网结构类型的城市在发展“互联网+交通”时具有一定的参考价值和借鉴意义，有助于促使“互联网+交通”的建设更科学合理。

注释：

①表中数据根据Wind(https://www.wind.com.cn/)和《北京市交通发展年度报告》(http://jtw.beijing.gov.cn)相关数据整理所得。为便于在Eviews软件中进行指标计算，将各指标所标识的因素及单元分别为：路网平均行车速度(公里/小时)(Speed)、GDP(亿元)、常住人口数(万人)(POP)、民用汽车拥有量(万辆)(N-Car)、道路里程(公里)(L-Road)、道路面积(万平方米)(S-Road)、公共电汽车运营车辆数(辆)(N-Bus)和公共电汽车客运量(亿人次)(P-Bus)，后同。

②数据来源：《中国“互联网+交通”城市指数研究报告(2016年)》(http://www.cnetnews.com.cn)。

③数据来源：《中国统计年鉴(2016)》(http://www.stats.gov.cn/tjsj/ndsj/2016/indexch.htm)，《交通运输部城市客运统计报表》(http://www.stats.gov.cn/tjsj)，《中国“互联网+交通”城市指数研究报告(2016)》。