陳建華，劉學(xué)勇，劉 娜

（交通運(yùn)輸部科學(xué)研究院，北京 100029）

0 引言

信息化是推動交通運(yùn)輸行業(yè)不斷轉(zhuǎn)型升級的重要?jiǎng)恿?，信息技術(shù)的不斷發(fā)展也為城市交通運(yùn)行改善帶來新的契機(jī)。近年來，信息化和隨之而來的智能交通發(fā)展已經(jīng)深刻改變了城市交通傳統(tǒng)運(yùn)行模式。智能交通建設(shè)在改善城市交通運(yùn)行方面的作用明顯，特別是在緩解城市交通擁堵、提高城市交通運(yùn)行效率方面發(fā)揮了重要作用[1]。不同學(xué)者在探索利用不同的方式來定量評價(jià)智能交通建設(shè)對交通發(fā)展的貢獻(xiàn)。李騰海子從宏觀的角度，研究提出城市交通信息化評價(jià)指標(biāo)體系，測度城市交通信息化發(fā)展水平，并以柯布-道格拉斯生產(chǎn)函數(shù)法為基礎(chǔ)構(gòu)建貢獻(xiàn)率模型，測度交通信息化對城市交通運(yùn)輸業(yè)產(chǎn)值的貢獻(xiàn)率，最后以北京市為例進(jìn)行了實(shí)證分析[2]。董璐等則從相對微觀的角度，研究提出應(yīng)用數(shù)據(jù)包絡(luò)分析（Data Envelopment Analysis,DEA）方法，結(jié)合回歸分析，從投入產(chǎn)出角度選取指標(biāo)建立模型，測算和評價(jià)了交通信息化對道路暢通性改善的貢獻(xiàn)。其研究結(jié)果顯示，北京市2005—2014年交通信息化對道路暢通性改善的年平均貢獻(xiàn)值為17.47%[3]。吳利霞等通過分析智能交通系統(tǒng)（Intelligent Transportation System,ITS）項(xiàng)目實(shí)施的特點(diǎn)與雙重差分模型應(yīng)用的相似性，將ITS項(xiàng)目實(shí)施作為外生政策變量，基于改進(jìn)的雙重差分模型，結(jié)合主成分分析法測算了智能交通系統(tǒng)項(xiàng)目對廣州城市交通暢通性的凈貢獻(xiàn)率[4]。關(guān)淑琪等嘗試運(yùn)用雙重差分的核心思想，結(jié)合聚類分析，采用分位數(shù)回歸，解決了內(nèi)生性、控制組受影響的問題，從影響武漢交通暢通性的眾多因素中，剝離出不停車電子收費(fèi)系統(tǒng)（Electronic Toll Collection,ETC）的凈貢獻(xiàn)[5]。

從國外現(xiàn)有研究來看，專門定量研究智能交通建設(shè)對于交通效率提升貢獻(xiàn)的不多，但是對于公共政策的影響和貢獻(xiàn)評價(jià)的研究則相對較為成熟，這也是本項(xiàng)研究中重點(diǎn)借鑒的核心思想。Heckman和Ichimura等利用不同的匹配算法，融合了實(shí)驗(yàn)數(shù)據(jù)和實(shí)際數(shù)據(jù)，對一項(xiàng)職業(yè)培訓(xùn)項(xiàng)目的效果進(jìn)行了評價(jià)[6]。Heckman和Lozano在差分模型的基礎(chǔ)上，利用匹配算法，通過控制變量來評估經(jīng)濟(jì)模型選擇的影響[7]。Chay等則對匹配算法中的得分計(jì)算方法做了改進(jìn)[8]。

從現(xiàn)有的研究來看，主要存在的問題：一是無法真實(shí)模擬同一評估對象在智能交通項(xiàng)目實(shí)施前后其城市交通和經(jīng)濟(jì)社會發(fā)展?fàn)顩r；二是難以真正從眾多影響因素中單獨(dú)剝離出智能交通項(xiàng)目建設(shè)對城市交通運(yùn)行效率改善的凈貢獻(xiàn)。基于以上考慮，筆者借鑒國內(nèi)外關(guān)于公共政策貢獻(xiàn)評價(jià)的思路，采用“自然科學(xué)實(shí)驗(yàn)”的理念，為評價(jià)城市構(gòu)造對照城市，引入雙重差分和傾向得分匹配模型，以系統(tǒng)建設(shè)之后（時(shí)刻）和之前（時(shí)刻）的評價(jià)城市和對照城市各自的暢通性指標(biāo)差值再次作差，量化評價(jià)智能交通項(xiàng)目建設(shè)應(yīng)用效果對城市交通運(yùn)行效率改善的貢獻(xiàn)率。

1 基于匹配和雙重差分模型的提出

Heckman（1985，1986）最早提出了雙重差分（Difference-in-difference,DID）模型，也就是利用外生公共政策所帶來的橫向單位（Cross-sectional）和時(shí)間序列（Time-series）的雙重差異來識別公共政策的處理效應(yīng)（Treatment Effect）。其核心思想是：將政策實(shí)施類比于自然科學(xué)實(shí)驗(yàn)（Natural Experiment），將受到政策影響的社會群體歸為實(shí)驗(yàn)組（Treatment Group），將沒有受到政策影響的社會群體歸為控制組（Control Group），在分別計(jì)算實(shí)驗(yàn)組和控制組各組在政策實(shí)施前后差異（Δy1和Δy2）的基礎(chǔ)上，再比較兩個(gè)差異的差值(Δy=Δy1-Δy2)，以獲知政策實(shí)施所產(chǎn)生的凈效應(yīng)[9]。

雙重差分模型的基本思路如表1所示。

表1 雙重差分模型

雙重差分估計(jì)的主要思路是：利用一個(gè)外生的公共政策所帶來的橫向單位和時(shí)間序列的雙重差異來識別公共政策的處理效應(yīng)。盡管雙重差分模型允許個(gè)體存在不可觀測的因素，并且能捕捉到實(shí)驗(yàn)組與對照組的政策差異，但雙重差分模型中對照組的選取過于主觀，缺乏定量的標(biāo)準(zhǔn)。因此，筆者在研究過程中，考慮在傳統(tǒng)雙重差分模型的基礎(chǔ)上引入匹配算法。通過匹配的形式，在一個(gè)大范圍內(nèi)尋求最優(yōu)化的對照組，消除非共同支撐域和非同分布所導(dǎo)致的估計(jì)偏差，一定程度上可以避免對照組選取的主觀性。因此，本項(xiàng)研究中嘗試將傾向得分匹配引入到傳統(tǒng)的雙重差分模型中，搭建起基于匹配和雙重差分的模型（Matching Difference-In-Difference,MDID），以便更加客觀地度量智能交通項(xiàng)目建設(shè)對城市交通運(yùn)行改善的凈貢獻(xiàn)[10]。

2 模型設(shè)計(jì)及結(jié)果分析

2.1 建模分析的主要步驟

第一步：對影響城市交通運(yùn)行效果的因素及表征指標(biāo)進(jìn)行分析，選擇表征城市交通運(yùn)行效率的核心指標(biāo)，對影響核心指標(biāo)的經(jīng)濟(jì)社會變量指標(biāo)進(jìn)行相關(guān)性分析，初步篩選出模型初選變量指標(biāo)集。

第二步：根據(jù)影響因素分析結(jié)果，按照被解釋變量、解釋變量、控制變量對變量進(jìn)行分類分組，在此基礎(chǔ)上對變量進(jìn)行相關(guān)性檢驗(yàn)，重點(diǎn)篩除弱相關(guān)或者自相關(guān)變量。

第三步：利用匹配模型算法，針對被評估城市，選擇構(gòu)建備選城市的匹配資源池。

第四步：采集對照匹配城市基礎(chǔ)數(shù)據(jù)，建立分析模型。

第五步：對模型進(jìn)行回歸估計(jì)，并對估計(jì)結(jié)果進(jìn)行分析。

2.2 城市交通運(yùn)行影響因素分析

影響城市交通運(yùn)行效果的因素主要有兩個(gè)：一是交通需求，二是交通供給。交通需求主要取決于城市用地及布局、經(jīng)濟(jì)社會發(fā)展以及機(jī)動車保有量等三個(gè)因素[11]。其中，城市用地及布局直接決定城市交通出行的空間分布，包括出行方向、出行距離以及以通勤交通為主的城市交通的出行強(qiáng)度。經(jīng)濟(jì)社會發(fā)展則決定了城市交通出行總量需求。城市人口越多、經(jīng)濟(jì)越發(fā)達(dá)，出行需求就越大，即交通出行總量就越大。機(jī)動車保有量則直接決定機(jī)動化出行需求，且這部分需求直接作用于城市路網(wǎng)，直接決定城市道路交通或暢通或擁堵的狀態(tài)。交通供給則主要服務(wù)于車輛運(yùn)行，包括道路里程、道路面積、路網(wǎng)結(jié)構(gòu)、停車場地等基礎(chǔ)設(shè)施，公共交通、軌道交通、出租、自行車等出行方式的運(yùn)力配備，以及智能交通管理系統(tǒng)、出行信息發(fā)布系統(tǒng)等信息化系統(tǒng)建設(shè)等。由于受建設(shè)周期、建設(shè)資金以及城市空間范圍的限制，與交通需求的快速增長相比，交通供給能力的增長則相對較緩，一定程度上也加劇了交通供需之間的矛盾。

為了更加科學(xué)客觀地描述城市交通運(yùn)行改善與相關(guān)影響因素的關(guān)聯(lián)關(guān)系，利用數(shù)據(jù)定量分析人口、地區(qū)生產(chǎn)總值、機(jī)動車保有量等影響因素與城市交通運(yùn)行指標(biāo)之間的關(guān)系。在實(shí)際評價(jià)過程中，考慮選用城市路網(wǎng)平均運(yùn)行車速作為城市交通暢通性表征指標(biāo)?？紤]到2010年，研究對象廣州市的城市智能交通項(xiàng)目建設(shè)發(fā)展較快，筆者以2010年為對照基年，并依托Wind數(shù)據(jù)庫和我國交通運(yùn)輸部《城市（縣城）客運(yùn)交通統(tǒng)計(jì)（年報(bào)）》，采集了包括北京市在內(nèi)的36個(gè)城市2008—2012年的路網(wǎng)平均運(yùn)行車速、地區(qū)生產(chǎn)總值、常住人口數(shù)、民用汽車擁有量、道路里程、道路面積、公共電汽車運(yùn)營車輛數(shù)、公交運(yùn)營里程以及公共電汽車客運(yùn)量等數(shù)據(jù)。利用Eviews軟件進(jìn)行相關(guān)性檢驗(yàn)，結(jié)果顯示，地區(qū)生產(chǎn)總值、常住人口、民用汽車擁有量、道路里程、道路面積、公共電汽車運(yùn)營車輛數(shù)、公交運(yùn)營里程和公共電汽車客運(yùn)量等8個(gè)影響因素與路網(wǎng)平均運(yùn)行車速之間的相關(guān)系數(shù)均在0.7以上，相關(guān)性較高。

2.3 MDID模型的構(gòu)建與計(jì)算

（1）變量分類與篩選

根據(jù)“從一般到簡單”的計(jì)量建模原則，在搭建最初模型基準(zhǔn)時(shí)應(yīng)考慮盡可能多的變量，然后根據(jù)計(jì)量結(jié)果進(jìn)行逐步剔除。根據(jù)各因素性質(zhì)和作用，進(jìn)行被解釋變量、解釋變量以及控制變量的歸類，結(jié)果如下：

①被解釋變量：路網(wǎng)平均運(yùn)行車速。

②解釋變量：民用汽車擁有量、道路里程、道路面積、公共電汽車運(yùn)營車輛數(shù)、公交運(yùn)營里程和公共電汽車客運(yùn)量。

③控制變量：常住人口、地區(qū)生產(chǎn)總值。

MDID模型的一個(gè)重要假設(shè)是條件獨(dú)立假設(shè)，即要求自變量被“干預(yù)”所影響，但不能影響“干預(yù)”[12]。本研究中針對不滿足獨(dú)立假設(shè)條件的變量剔除過程如圖1所示。

圖1 剔除不滿足獨(dú)立假設(shè)條件的變量示意圖

格蘭杰因果檢驗(yàn)結(jié)果表明，運(yùn)量為車速的格蘭杰因果檢驗(yàn)結(jié)果是顯著的，即運(yùn)量是車速的格蘭杰因，運(yùn)量不適宜作為車速的自變量。再對以上變量進(jìn)行Probit穩(wěn)健回歸，回歸檢驗(yàn)結(jié)果如表2所示。

表2 Probit穩(wěn)健回歸結(jié)果

從檢驗(yàn)結(jié)果來看，公交車輛數(shù)、公交運(yùn)營里程這兩組數(shù)據(jù)，在匹配的Probit回歸過程中，系數(shù)穩(wěn)健檢驗(yàn)并不顯著，并且公交公里數(shù)和民用車輛數(shù)存在較高的共線性，公交運(yùn)營里程和道路里程也存在較高的共線性，因此不適于進(jìn)入模型[13]。此外，道路長度和道路面積這兩個(gè)指標(biāo)內(nèi)部強(qiáng)相關(guān)，不適于同時(shí)用于模型中，考慮僅保留道路長度指標(biāo)。因此，在后續(xù)的模型評估分析中著重考慮地區(qū)生產(chǎn)總值、民用汽車擁有量、道路長度、常住人口作為主要變量。

（2）匹配池的構(gòu)建

雙重差分需要對城市進(jìn)行對比評價(jià)。理論上，作為與考察城市對比的控制組備選城市，只需選取不受政策影響即未參與示范工程的城市即可。但實(shí)際操作中，選取多個(gè)對比城市進(jìn)行加權(quán)后匹配傾向得分，優(yōu)于僅僅單個(gè)對比城市的匹配傾向得分。因此，本項(xiàng)研究中希望通過在更大范圍內(nèi)，研究篩選出一些可比照的城市，建立一個(gè)較大尺度范圍的初始“匹配池”，然后基于初始匹配池進(jìn)行匹配，選擇最優(yōu)的對照組成員。因此，在確定最終的對照組城市之前，首先需要選擇確定哪些城市進(jìn)入初始“匹配池”。根據(jù)模型基本假設(shè)條件和原理，實(shí)施的信息化項(xiàng)目僅影響考察城市而不影響選取的對比城市（控制組），或者影響可以忽略。因此，作為對照組的城市必須滿足以下幾個(gè)要求[14]：

①模型允許存在不可觀測因素的影響，但假定它們是不隨時(shí)間變化的，即可以存在個(gè)體固定效應(yīng)。固定效應(yīng)的要求蘊(yùn)涵著不隨時(shí)間變化的不可觀測因素，考慮極端的情況，選取某村作為對比城市，由于后者波動明顯快于前者，必然造成不符合固定效應(yīng)假設(shè)。

②如果有未被觀測到的與被解釋變量相關(guān)的因素，同時(shí)影響到是否進(jìn)行物聯(lián)網(wǎng)示范工程的實(shí)施，則說明控制組和實(shí)驗(yàn)組并非隨機(jī)選取，并非“自然實(shí)驗(yàn)”，不滿足假設(shè)。反過來講，就是指除政策影響外，其余因素影響相同。理論上，假設(shè)城市規(guī)模屬于不可觀測的因素，并且與被解釋變量（平均車速）相關(guān)，那么城市規(guī)模越大的城市越傾向于實(shí)施需要較大資金規(guī)模和較高技術(shù)要求的城市智能交通項(xiàng)目。

③個(gè)體異質(zhì)性不存在非球形干擾，或經(jīng)過“處理”后不存在。

④控制組和實(shí)驗(yàn)組的特征穩(wěn)定。

從假設(shè)條件來看，城市規(guī)模差異過大會出現(xiàn)問題，意味著城市規(guī)模的差異不應(yīng)該作為未觀測因素的構(gòu)成部分[15]。根據(jù)以上要求，結(jié)合中國的行政區(qū)劃，一個(gè)可行的方案是考慮選用36個(gè)中心城市作為匹配池，另外再選擇全國36個(gè)地級以上設(shè)市城市作為匹配備選庫。此外，考慮到個(gè)別城市數(shù)據(jù)的離群特征，采用蘇州代替拉薩作為備選城市入選。

MDID模型要求的截面數(shù)據(jù)為政策實(shí)施前，因此選擇以上36個(gè)城市2010年的數(shù)據(jù)作為數(shù)據(jù)備選庫截面數(shù)據(jù)。計(jì)算各城市的得分傾向值，具體結(jié)果見表3。

表3 各城市得分傾向值

表3（續(xù)）

經(jīng)過計(jì)算，在對照組36個(gè)城市中，深圳、上海、蘇州的傾向得分與考察樣本城市廣州的匹配度較高。因此，考慮將蘇州、上海、深圳共同列為匹配對照組備選城市。再利用高斯核密度函數(shù)[16]分別計(jì)算這3個(gè)對照組城市的得分權(quán)重，權(quán)重計(jì)算結(jié)果如表4所示。

表4 對照城市權(quán)重

（3）模型估計(jì)及計(jì)算

貢獻(xiàn)率是因解釋變量變動引起的被解釋變量變動除以總的被解釋變量變動。比照索洛增長模型，取對數(shù)差分以后，虛擬變量系數(shù)可以理解為就是貢獻(xiàn)率。設(shè)計(jì)組別虛擬變量（grp）、政策虛擬變量（its）、交叉項(xiàng)（grp×its），按照城市進(jìn)行面板分類，建立的最終模型如下。

式中：w為貢獻(xiàn)率；aspd表示平均車速，為決策變量；vehs表示民用車輛數(shù)，為解釋變量；lrod表示道路長度，為控制變量；gdp表示地區(qū)生產(chǎn)總值，為控制變量；its為政策變量，tit=0表示智能交通項(xiàng)目建設(shè)前的區(qū)段（2008—2010年），tit=1表示智能交通項(xiàng)目建設(shè)后的區(qū)段（2011—2012年）；grp為組別變量，dit=0表示控制組對象，dit=1表示實(shí)驗(yàn)組對象；a0,a1,a2,a3,b1,b2,b3,u為回歸系數(shù)。

采集對照組城市相關(guān)基礎(chǔ)數(shù)據(jù)，利用固定效應(yīng)估計(jì)模型，采用最小二乘法進(jìn)行估計(jì)[17]。計(jì)算求解后，被考察樣本城市信息化項(xiàng)目對城市交通運(yùn)輸改善的貢獻(xiàn)約為9.2%。模型系數(shù)和方差的估計(jì)和檢驗(yàn)結(jié)果見表5。

表5 模型估計(jì)結(jié)果

模型估計(jì)可決系數(shù)為0.704 1，回歸的殘差平方根為0.063 93，模型的解釋性和穩(wěn)定性均具備一定的實(shí)際價(jià)值。根據(jù)模型的估計(jì)結(jié)果，可以得出以下結(jié)論：

（1）實(shí)施智能交通項(xiàng)目對評價(jià)城市路網(wǎng)平均車速提高的凈貢獻(xiàn)為9.2%，即評價(jià)城市“暢通性”的提升，其中9.2%是由智能交通項(xiàng)目貢獻(xiàn)的。

（2）從可決系數(shù)來看，包含4個(gè)變量和2個(gè)自由虛擬變量的模型解釋了總變動的70.41%，其余約30%的車速提升是模型未包含的因素造成的，其中包括系統(tǒng)性誤差、遺漏變量、變量約簡誤差、其他無法解釋的誤差等。

3 結(jié)語

筆者在傳統(tǒng)的雙重差分政策效應(yīng)評估模型的基礎(chǔ)上，引入匹配得分算法，構(gòu)造適合于多因素剝離評估的基于匹配和雙重差分的評估模型，并選擇了36個(gè)城市，采集了基礎(chǔ)數(shù)據(jù)，利用模型進(jìn)行了定量評估。從模型估計(jì)的結(jié)果來看，交通信息化建設(shè)對城市交通運(yùn)行效率提升的效果較為明顯，研究中所考察的樣本城市其城市交通路網(wǎng)車輛運(yùn)行車速的提升中超過9.2%的效果是來源于城市智能交通建設(shè)項(xiàng)目的貢獻(xiàn)。在“互聯(lián)網(wǎng)+”的浪潮下，推動城市智能交通項(xiàng)目的建設(shè)和發(fā)展，利用信息化技術(shù)改造傳統(tǒng)交通運(yùn)輸行業(yè)是交通運(yùn)輸業(yè)轉(zhuǎn)型升級發(fā)展的必然之路。建立客觀科學(xué)的交通信息化貢獻(xiàn)評估體系有助于正確認(rèn)識和客觀評價(jià)交通信息化項(xiàng)目建設(shè)對交通運(yùn)輸效率提升的貢獻(xiàn)和作用，也有助于推動行業(yè)信息化的發(fā)展。

從本項(xiàng)研究來看，盡管模型精度和穩(wěn)健性估計(jì)都能通過，但是從實(shí)際操作來看，仍有進(jìn)一步改進(jìn)完善的空間。一是在自變量選擇方面，受數(shù)據(jù)來源和數(shù)據(jù)延續(xù)性的影響，并不能保證將最能影響城市交通運(yùn)行效率的因素準(zhǔn)確地挑選出來作為輸入變量。二是在對照組城市的選擇方面，受客觀條件的限制和計(jì)算簡化的需要，進(jìn)行了一定的主觀控制，并未能完全遵從隨機(jī)大樣本選擇的理念。三是從模型穩(wěn)健性檢驗(yàn)來看，選擇不同的對照組城市，評價(jià)結(jié)果還是會存在一定的偏差，需要對模型的重點(diǎn)參數(shù)和估計(jì)方法做進(jìn)一步的改進(jìn)和完善。