交通拥堵对雾霾污染影响的空间效应研究
第41卷第2期长春师范大学学报2022年2月Vol.41N o.2Journal of Changchun Normal University Feb.2022
交通拥堵对雾霾污染影响的空间效应研究
王素凤，项莹莹
(安徽建筑大学经济与管理学院，安徽合肥230601)
［摘要］利用高德大数据平台收集2017年中国99个地级市日交通拥堵延时指数(CDI)作为衡量
交通拥堵的指标，采用地理距离衰减矩阵作为空间权重矩阵，构建空间滞后模型，研究交通拥堵对
雾霾污染的影响。研究结果表明，中国城市的交通拥堵存在节假日效应与周末效应；交通拥堵存在
空间集聚现象，珠三角地区和川渝地区的交通拥堵处于高-高集聚状态，长三角地区处于低-低集聚
状态；空间滞后模型回归结果显示，交通拥堵对雾霾污染的影响系数为正，交通拥堵与雾霾污染之
间存在倒“U”型曲线关系，说明交通拥堵对城市的环境质量产生了负外部性影响，雾霾污染随着交
通拥堵的增加呈现先升后降的趋势。研究交通拥堵对雾霾污染的影响对治理雾霾污染具有重要的
意义。
［关键词］交通拥堵延时指数；空气质量指数;PM2.5；PM,0；空间滞后模型
［中图分类号］X513［文献标志码］A［文章编号］2095-7602(2022)02-0115-09
机动车尾气已经成为我国大中城市雾霾污染的重要来源［1］。2020年生态环境部发布《中国移动源环境管理年报》，公布了2019年中国已经连续11年成为世界机动车产销第一大国，机动车保有量达到3.48亿辆，比2018年增长了6.4%o2017年高德大数据平台基于高德地图海量交通出行大数据发布的《2017年度中国主要城市交通分析报告》中发现,2017年中国364个城市中有81%的城市处于交通缓行和拥堵状态，而不受交通拥堵影响的城市数量占比为19%o机动车在缓行和拥堵状态下由于启停次数的增加，比畅通行驶时多燃烧超过80%的燃料，从而带来更多的尾气排放［2］o机动车尾气中的污染物在空气中会产生二次污染，进一步加重环境污染。在经济发达地区，机动车在交通拥堵状态下排放的尾气已经成为加剧城市雾霾污染最重要的原因［3］。
通过梳理国内外关于雾霾污染研究现状的文献中发现，学者们主要从雾霾污染的成因、特征、影响因素以及治理措施等方面进行研究。在对雾霾污染的影响因素研究中，大部分学者集中于城市化、产业结构、能源结构、人口发展、科技创新以及城市的空间布局等因素［4-6］，而关于交通因素(尾气排放、交通基础设施、交通工具、道路宽度以及道路密度等)［7-14］对雾霾污染的影响研究中，大多数研究都是建立在交通拥堵能够引起雾霾污染的假设基础上［15-16］，很少有学者从实证分析的角度研究交通拥堵对雾霾污染的影响，主要原因是缺乏交通拥堵的相关数据。鉴于此，本文利用高
德大数据平台收集了2017年99个城市的日交通拥堵延时指数作为衡量交通拥堵程度的指标，并引入空间权重矩阵，构建空间计量模型，从而探究交通拥堵对雾霾污染的空间效应，对解决雾霾污染、提高城市环境质量以及推进城市经济健康可持续发展具有重要的意义。
［收稿日期］2021-09-29
［基金项目］2021年安徽建筑大学科研储备库培育项目“公平与效率视角下长三角雾霾治理生态补偿与合作减排机制研究”
(2021XMK05)。
［作者简介］王素凤，女，教授，硕士生导师，博士，从事环境经济管理与决策优化研究。
［通信作者］项莹莹，女，硕士研究生，从事环境经济学研究。
・115・
1空间自相关检验
1.1全局莫兰指数
为了全面对交通拥堵的空间分布进行分析，采用了全局和局部莫兰指数进行研究。为检验相关变量在整体区域范围内的
空间依赖程度，本文采取了全局莫兰指数进行空间自相关的检验。公式如下：
n n
Z Z咛X,-X)(禺-X)
i1厂1n n，⑴
十一假期2022法定假日几天S2Z Z叫
,=1j=1
其中，/表示全局莫兰指数;n表示城市总数；肥，代表地理距离衰减权重矩阵;X,、禺分别表示城市，和j的交通 拥堵延时指数;X为交通拥堵延时指数的平均值;S2表示方差；全局莫兰指数的取值范围[-1,1]，若全局莫兰指数大于0且越接近1，说明交通拥堵的空间相关性越强，反之亦然。
1.2局部莫兰指数
局部莫兰数用于分析邻近两个区域的集聚程度。局部莫兰指数的表达式如下：
(X,-X)Z咛X-X)
=1
(2)
S2
其中仏表示局部莫兰指数；当局部莫兰指数大于0时，说明观测值交通拥堵延时指数具有高高集聚和低低集聚的特征；当局部莫兰指数小于0时，说明交通拥堵延时指数在空间上出现高低集聚和低高集聚的特征。
1.3空间权重矩阵
一般常用的空间权重矩阵有邻接权重矩阵和距离权重矩阵，本文研究对象为中国99个地级市，由于部分地级市与周围的地级市之间没有公共的边或公共的顶点，若构建邻接权重矩阵的话就会导致样本量的减少，而距离权重矩阵没有这个问题，因此构建地理距离衰减权重矩阵(又称地理距离平方权重矩阵)。
。，i=j；
叫彳1.斗(3)
%=arccos[(sinQ X sin£.)+(cos0,X cos£X cos(A t))]X R,(4)其中，肥，代表地理距离衰减权重矩阵；仇和£分别表示城市i
和城市j的纬度;A t表示两个城市之间的经度之差決表示地球的半径,6371.393km；《表示根据公式(4)计算出的城市i和城市j之间的球面距离。
2空间计量模型的构建
相对于传统计量模型，空间计量模型在研究空间数据时能够考虑到横截面单位之间的空间依赖性。根据LESAGE和PACE[17]提出的构建空间计量模型的思路，本文构建了空间误差模型(SEM)和空间滞后模型(SAR)。
空间误差模型：
ln『,=a1lnX+a2lnX2+^81lnZ1+02lnZ2+03lnZ3+04lnZ4+
05】nZ5+^6lnZ6+QlnZ y+lnZ8+lnZ9+,i=1,2,3(5)
M二入+£,
空间滞后模型：
lnF，二pWlnY,+«1lnX+^lnX2+01山乙+炖山乙+^63lnZ3+^64lnZ4+
05】nZ5+^6lnZ6+伤山厶+lnZ8+lnZ9+£,i=1,2,3.(6)其中，蛉卫、『3分别表示为空气质量指数(AQI)、PM2，浓度和PM10
浓度[18]，数据来源于PM2.5历史数据网站；肛为空间权重矩阵(地理距离衰减矩阵);X为交通拥堵延时指数(CDI)，其含义为：交通拥堵延时指数等于市民在交通拥堵时所花费的时间与自由通行时所花费的时间比值，比值越大，拥堵程度越严重。
-116-
交通拥堵延时指数相比于其他交通拥堵的指标［19-21］而言，能较为真实科学地评估交通拥堵程度，且能连续不间断地通过高德地图发布的大数据平台收集交通拥堵的数据［--］；控制变量［-3］中的至z9分别表示第二产业比重、外商直接投资、人口密度、公众出行需求、人均道路面积、人均GDP、平均气温、相对湿度和日照时长，这些数据来源于《中国城市统计年鉴2018》以及中国气象数据网站;p表示空间回归系数;e表示随机误差向量；入为空间误差系数;“表示正态分布的随机误差向量；亠、a-与01至炕均为待估参数。为了保证模型的稳定性，变量均以对数形式进入模型。表1为各个变量的描述性统计。
表1被解释变量、解释变量与控制变量的描述性统计
变量单位样本量平均值标准差最小值最大值空气质量指数一9986.0320.5337.83133.89
pm25浓度Mg/m39946.3114.4115.0084.94
PM10浓度Mg/m39979.0026.3027.58153.09
交通拥堵延时指数一99  1.690.14  1.33  2.07
第二产业比重%9942.869.1618.1471.31
外商直接投资万美元992400003680005772400000
人口密度人/km-99636.70406.6317.182569.35
公众出行需求人数万人99272.00260.6112.651300
人均道路面积m2/人99  3.74  3.090.9318.58
人均GDP元9916.83  4.403690164012.25
平均气温9916.83  4.40  5.1024.61
相对湿度%9968.4610.1243.5189.84
日照时长h991981.56427.211016.102895.70
3城市交通拥堵延时指数的时空演变特征
3.1交通拥堵延时指数的时间变化特征分析
根据高德大数据平台发布的交通拥堵延时指数范围来划定交通的拥堵状态，可以分为三种状态。当交通拥堵延时指数在1~1.5之间，交通处于畅通状态；当交通拥堵延时指数在1.5~1.8之间，交通处于缓行状态；当交通拥堵延时指数在1.8~2.5之间，交通处于拥堵状态，指数越大，说明交通拥堵越严重。将中国99个地级市的日度交通拥堵延时指数据进行月度和季度平均计算得到月均和季均交通拥堵延时指数，并用箱线图表示出来。图1表示月均交通拥堵延时指数的箱线图，从图中可以看出交通拥堵延时指数的变化呈现“N”字型，其中1月至3月的交通拥堵延时指数呈现上升的趋势,4月至7月呈现缓慢下降的特征,8月至12月逐渐波动上升,2月份的平均交通拥堵延时指数最小，达到1.58，而11月份的平均交通拥堵延时指数最大，达到1.72，各个月份的交通拥堵延时指数的平均值均超过1.5，说明中国城市的道路交通状态处于缓行状态。选取2017年1月至12月中国99个城市CDI数据分析交通拥堵的季节变化特征，按照冬季（1月、2月和12月）、春季（3月~5月）、夏季（6月~8月）、秋季（9月~11月）划分。图2表示季均交通拥堵延时指数的箱线图，基本呈现秋高夏低、春冬居中的特征，交通拥堵存在季节变化差异，即秋季交通状态处于缓行和拥堵的城市最多，其次是春季和冬季，夏季交通处于畅通状态的城市数量最多。其中珠三角和川渝地区的交通状态基本维持在缓行状态，而川渝地区交通拥堵发生的原因可能受到地形的影响。长三角地区的交通处于缓行的状态在夏季最为明显。京津冀地区春秋两季交通处于缓行和拥堵状态最频繁，冬季次之。
根据表2发现，整体上2017年中国99个城市中处于拥堵状态下的城市数量占比达到7.66%，缓行状态下占比73.40%，只有18.94%的城市处于交通畅通状态，因此中国大部分城市处于交通通行不畅通状态。具体来看,1月、2月份处于交通拥堵
状态的城市占比低于2.02%，处于缓行状态的城市在66.67%~72.73%之
-117-
间，交通处于畅通状态的城市占比在26.26%〜31.31%，且处于畅通状态的城市主要分布于长三角等东部沿海地区，可能的原因是1月、2月份处于中国的新年期间，大部分外出务工人员返回家乡探亲，缓解了长三角等沿海地区的城市交通拥堵状态。3月份交通处于畅通状态的城市占比最低，处于缓行状态的城市占比最高，处于交通拥堵状态的城市占比相比于1月、2月份上升3倍，可能的原因是随着春节假期的结束，大量外出务工人员外出打工导致迁入地的城市人口大量集聚，城市的交通供给不满足需求从而导致交通拥堵。4月至8月份处于畅通状态的城市平均占比为25.45%，处于缓行状态的城市平均占比为70.91%，处于拥堵状态的城市占比3.64%o9月至12月份，处于交通畅通状态下的城市占比开始降低，而处于交通缓行和拥堵状态的城市占比逐渐上升。
图11〜12月份交通拥堵延时指数变化
图2交通拥堵延时指数季节变化
・118・
表--017年中国99个城市交通状态变化
时间畅通状态城市占比/%缓行状态城市占比/%拥堵状态城市占比/%
2017年18.9473.407.66
1月31.3166.67  2.02
-月-6.-672.73  1.01
3月  4.0488.897.07
4月-1.-175.76  3.03
5月-6.-670.71  3.03
6月-6.-668.69  5.05
7月32.3264.65  3.03
8月-1.-174.75  4.04
9月14.1468.6917.17
10月14.1479.80  6.06
11月  5.0570.71-4.-4
12月  5.0578.7916.16
选取2017年中国99个城市日均交通拥堵延时指数数据分析交通拥堵的节假日和周末变化特征，如图3所示，从节假日期间来看,2017年全年交通拥堵延时指数最低值出现在1月27日，即为中国农历春节期间，交通拥堵延时指数最高值出现在2017年9月30日，中秋节与国庆节放假前夕，产生的原因为在外务工人员回家探亲以及学生回家等因素造成了放假前的交通拥堵，而在十一假期期间交通拥堵延时指数迅速下降，说明交通拥堵存在节假日效应，即节假日期间的交通拥堵延时指数低于非节假日的交通拥堵延时指数。从工作日与周末的交通拥堵变化情况来看，交通拥堵延时指数呈现不断波动上升下降的变化趋势，经分析发现交通拥堵存在周末效应，处于波峰的时间大多位于工作日，位于低谷的时间大多处于休息日，即工作日交通拥堵延时指数大于周末交通拥堵延时指数。综上，中国城市的交通拥堵存在节假日效应和周末效应。
2.1「
1.1-
1.0AA AA AA A AA.
1月1日2月1日3月1日4月1日5月1日6月1日7月1日8月1日9月1日10月1日11月1日12月1日12月31日
图3-017年日均交通拥堵延时指数变化情况
3.2交通拥堵延时指数的空间自相关分析
3.2.1全局自相关
根据式（1），采用地理距离衰减空间权重矩阵，计算各个月份CDI的全局莫兰指数，如表3所示。整体上
・119・

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。