袁 韻, 徐 戈，陳曉紅，賈建民

(1. 西南交通大學(xué)經(jīng)濟管理學(xué)院，成都 610031; 2. 湖南工商大學(xué)大數(shù)據(jù)與互聯(lián)網(wǎng)創(chuàng)新研究院，長沙 410205;3. 湖南工商大學(xué)工商管理學(xué)院，長沙 410205; 4. 中南大學(xué)商學(xué)院，湖南省兩型社會與生態(tài)文明2011協(xié)同創(chuàng)新中心，長沙 410083; 5. 香港中文大學(xué)(深圳) 經(jīng)管學(xué)院，深圳 518172; 6. 深圳市大數(shù)據(jù)研究院，深圳 518172)

0 引 言

隨著我國經(jīng)濟水平的快速發(fā)展，以及各地城市化進程的加快，機動車保有數(shù)量的逐年增長使得城市交通擁堵與空氣污染狀況日益嚴重.今年的《政府工作報告》明確指出要加強機動車污染源的治理工作.機動車尾氣因含有顆粒物、氮氧化物、硫氧化物等空氣污染物，經(jīng)過在空氣中發(fā)生的化學(xué)反應(yīng)，嚴重破壞大氣物質(zhì)平衡，已成為公認的空氣污染重要排放源之一.同時，大規(guī)模的機動車出行會直接影響交通效率，造成交通擁堵，使機動車無法維持勻速行駛狀態(tài)，并需要頻繁啟停以保障駕駛安全，從而使各種污染物排放增加[1].各種研究也表明，交通擁堵會進一步加劇空氣污染，因此城市交通擁堵與空氣污染之間本應(yīng)該存在正相關(guān)關(guān)系.但實際上，百度、高德發(fā)布的交通報告中的數(shù)據(jù)顯示，多數(shù)城市的交通擁堵指數(shù)與空氣質(zhì)量指數(shù)之間呈負相關(guān)關(guān)系，也有一些學(xué)者在研究中發(fā)現(xiàn)了同樣現(xiàn)象，因此，兩者之間可能存在著雙向的影響關(guān)系.

空氣污染已經(jīng)成為危害人類健康的“隱形殺手”，不但嚴重威脅人們的身體健康，也對心理健康產(chǎn)生巨大負面影響.面對空氣污染，人們會自覺采取各種應(yīng)對手段，減少不必要的出行是最為簡單有效的防護方法，因此，空氣污染可能也是影響城市交通狀況的一個重要因素.有關(guān)機動車出行與空氣污染之間是否存在交互影響的問題，在以往的研究中鮮有討論.

本文將基于成都市“滴滴出行”的網(wǎng)約車使用數(shù)據(jù)，并融合對應(yīng)時間的空氣質(zhì)量數(shù)據(jù)，采用斷點回歸設(shè)計和中介變量分析方法，建立多種因素之間的統(tǒng)計分析模型，探討網(wǎng)約車運行規(guī)模、出行效率及空氣污染三者之間的因果推斷及交互影響機制，對城市交通和空氣污染的優(yōu)化與治理具有重要的現(xiàn)實意義.

1 文獻回顧及研究假設(shè)

我國城鎮(zhèn)化與機動車數(shù)量的快速增長，使交通擁堵成為困擾大城市可持續(xù)發(fā)展的普遍問題.城市的汽車數(shù)量與街道容量的相互作用決定了機動車的運行效率及擁堵程度[2]，城市的道路條件在較短時期內(nèi)并不會發(fā)生顯著變化，道路容量會保持穩(wěn)定的水平，這使得城市的機動車運行數(shù)量成為引起交通擁堵的關(guān)鍵.因此，城市機動車運行規(guī)模的增加會直接對個體車輛運行速度產(chǎn)生負向影響，甚至造成交通擁堵；反之，限制機動車的運行規(guī)?？梢蕴岣邆€體車輛的行駛速度，緩解交通擁堵.國內(nèi)外研究也表明，世界各國政府為治理城市交通擁堵，紛紛采取機動車限購[3]、限行[4]等管理手段以及燃油稅[5]、擁堵收費[6]等稅收政策.近年來，網(wǎng)約車的興起和發(fā)展豐富了居民的出行選擇，同時也增加了車輛的出行率[7]，使得大城市的交通擁堵現(xiàn)象惡化[8]，但也有研究認為網(wǎng)約車的出現(xiàn)可以減少私家車上路數(shù)量[9].有關(guān)報告顯示，2018年我國網(wǎng)約車完成客運量約200億人次，網(wǎng)民使用率高達40%，劉名敏等[10]通過數(shù)學(xué)建模和算例分析表明，網(wǎng)約車平臺的出現(xiàn)對城市道路交通帶來嚴重的影響.網(wǎng)約車使用的增加可以直接體現(xiàn)居民出行需求的增加，并反映為城市道路上機動車運行數(shù)量的增加，因此會導(dǎo)致個體車輛行駛速度的降低，使得道路的擁堵程度提高，影響出行效率，據(jù)此提出本文的假設(shè)1：

假設(shè)1網(wǎng)約車運行規(guī)模的增加會負向影響個體車輛的出行效率.

近年來，人類的社會活動對城市空氣環(huán)境的負面影響日益顯著.隨著國民經(jīng)濟的發(fā)展和機動車保有量的快速增長，機動車排放對環(huán)境的污染問題日趨嚴重，許多大城市的空氣污染已經(jīng)由燃煤型污染轉(zhuǎn)向燃煤和機動車混合型污染.以往研究中也表明，汽車尾氣排放是城市空氣污染的重要原因之一[11,12]，道路上行駛車輛的增加會直接導(dǎo)致氮氧化合物NOx、顆粒物PM2.5、PM10等空氣污染物排放量的進一步增加[13,14]，造成空氣污染[15].邵帥等[16]根據(jù)1998年～2012年中國省級的PM2.5濃度數(shù)據(jù)，使用動態(tài)面板數(shù)據(jù)模型對霧霾污染的影響因素進行探究，發(fā)現(xiàn)交通運輸是使城市霧霾污染加劇的重要原因.秦蒙等[17]根據(jù)2001年～2013年中國地級市的PM2.5濃度數(shù)據(jù)，研究了城市蔓延與霧霾污染之間的關(guān)系，結(jié)果表明城市擴張及人口規(guī)模的增加均會加劇城市的空氣污染.因此，網(wǎng)約車運行規(guī)模的增加，預(yù)示著城市機動車上路量的增加以及尾氣排放的增加，可能會導(dǎo)致空氣質(zhì)量的惡化，據(jù)此提出本文的假設(shè)2：

假設(shè)2網(wǎng)約車運行規(guī)模的增加會加劇城市的空氣污染.

機動車上路量增加所造成的擁堵效應(yīng)，會導(dǎo)致個體車輛行駛速度的降低及啟停次數(shù)的增加，同時會引起NOx、PM2.5、CO等空氣污染物排放量的增加[18].馬麗梅等[19]采用2001年～2010年中國31個省市的人口加權(quán)PM2.5濃度數(shù)據(jù)，探究交通擁堵與霧霾污染之間的關(guān)系，結(jié)果發(fā)現(xiàn)交通擁堵是霧霾污染最直接的影響因素并且不同區(qū)域之間存在著顯著差異，特別是東部地區(qū)的交通擁堵對霧霾污染的影響作用尤為突出.胡志遠等[20]在對公交車的各種污染物排放研究中發(fā)現(xiàn)，其在加速狀態(tài)中的PM2.5排放因子最高，大約是減速或怠速行駛下的6倍～10倍.汽車尾氣中的主要污染物NOx、CO等排放因子也會隨著車速的增加而減小[21].另一項研究表明，由于我國國民不喜歡數(shù)字4，在選擇汽車牌照時會盡可能地避免尾號為4，所以在北京市限號政策實施時，限號尾數(shù)為4也就預(yù)兆著城市道路上會有更多的行駛車輛，以此推斷出道路上機動車數(shù)量增加及造成的交通擁堵，會加劇NO2的排放[14].也有研究證實，交通限行或限號手段在短期甚至某些特別時期，例如2008年北京奧運會期間，對城市的空氣污染具有顯著的抑制作用[13,22].因為公共交通方式的人均占用的能源、空間資源最少，使得人均空氣污染物排放最低[23]，對私家車使用的負面影響可以緩解交通擁堵及改善空氣質(zhì)量，因此城市軌道交通[24]及公共交通建設(shè)[25]在各國城市中廣泛踐行.Mohring[26]早期的研究也指出，軌道交通設(shè)施的建設(shè)可以吸引一部分私家車駕駛者轉(zhuǎn)移，從而降低城市的空氣污染.Yang等[27]等將北京市地鐵開通作為準自然實驗，研究表明地鐵開通后的短期時間里可以緩解交通擁堵，使路面機動車的行駛速度增加.若將空氣污染作為一種結(jié)果考慮，機動車運行規(guī)模和交通擁堵均會對其產(chǎn)生影響，具體來說，以網(wǎng)約車為代表的機動車運行規(guī)模的增加會帶來空氣污染問題，而對個體出行效率的負面影響可能會進一步加劇空氣污染，據(jù)此提出本文的假設(shè)3：

假設(shè)3車輛出行效率在網(wǎng)約車運行規(guī)模對空氣污染的影響中起中介變量的作用.

自從2012年政府及新聞媒體公布各地的PM2.5數(shù)據(jù)以來，空氣污染已經(jīng)成為中國乃至世界各國政府及民眾極為重視的環(huán)境問題，以霧霾問題尤為突出，更是給北京、成都等大中型城市居民的生活方式及生活規(guī)律帶來了不同程度的影響.大量研究成果表明，空氣污染會嚴重影響人體健康，甚至對生命安全造成嚴重威脅[28-30]，若長期直接接觸污染物濃度較高的戶外空氣會顯著減少人類的壽命[31，32]，在一項基于中國218個城市數(shù)據(jù)的實證研究中也表明，城市的空氣污染使得醫(yī)院的就診率明顯增加[33].空氣污染具有污染物種類多、彌漫速度快、人體直接接觸等特征，不僅從身體健康上對人類造成不利影響，還會對心理健康產(chǎn)生負面作用.最近一項關(guān)于社交媒體的研究也表明，空氣污染會嚴重影響城市居民的情緒和幸福感[34].根據(jù)Maddux等[35]提出的保護動機理論(protection motivation theory，PMT)，在危險認知下，人們會對不健康行為進行威脅評估，對健康行為進行應(yīng)對評估，從而判斷是否產(chǎn)生保護動機，進而采取保護行為.在空氣污染中，人們采取保護或應(yīng)對行為的動機，源自于自身對空氣污染感知風(fēng)險的評估，以及各種應(yīng)對行為的效能評價，污染物PM2.5濃度對感知風(fēng)險有顯著的正向影響[36]，對環(huán)境風(fēng)險感知越大的人會減少出行，并且有更多的環(huán)境行為[37].徐戈等[38]研究中也表明，在霧霾污染下，對霧霾感知風(fēng)險越大、感知可控性越強的群眾會采取更多的防護及應(yīng)對措施，其對相關(guān)防護產(chǎn)品的購買意愿也越強，此外，霧霾感知風(fēng)險在環(huán)境信息與應(yīng)對意愿之間起著重要的中介作用.以往研究也提及，面對城市的空氣污染威脅，人們往往會采取減少室外活動、減少外出、減少開窗時間等應(yīng)對措施[39-42].鄭思齊等[43]以霧霾污染嚴重的北京市為例，使用大眾點評網(wǎng)站的數(shù)據(jù)衡量人們外出就餐的意愿，證實了城市空氣中PM2.5濃度的增加會抑制人們外出就餐的行為.劉鐵軍等[44]在研究中發(fā)現(xiàn)，城市的交通擁堵與空氣污染之間的相關(guān)系數(shù)為-0.155.所以，如果將空氣污染看作一種影響行為的驅(qū)動性因素，人們在出行選擇中會對空氣污染進行風(fēng)險規(guī)避，從而避免外出或路面交通工具的使用，其中一部分表象為網(wǎng)約車的使用規(guī)模的減少，反映城市道路上的機動車流量減少，進而提高城市的交通效率，對交通擁堵產(chǎn)生緩解作用，據(jù)此提出本文的假設(shè)4、假設(shè)5和假設(shè)6：

假設(shè)4空氣污染會對網(wǎng)約車運行規(guī)模產(chǎn)生負面影響.

假設(shè)5空氣污染會對個體車輛出行效率產(chǎn)生正面影響.

假設(shè)6網(wǎng)約車運行規(guī)模在空氣污染對車輛出行效率的影響中起中介變量的作用.

2 研究設(shè)計

2.1 數(shù)據(jù)來源

隨著交通運輸部相關(guān)法律條例的制定，網(wǎng)約車行業(yè)愈加趨于合法化和規(guī)范化，由于平臺技術(shù)與服務(wù)質(zhì)量以及顧客需求的不斷提升，網(wǎng)約車市場開始呈現(xiàn)出優(yōu)勝劣汰的發(fā)展趨勢.在2016年8月份滴滴出行并購Uber后，滴滴出行已然成為我國網(wǎng)約車行業(yè)的統(tǒng)領(lǐng)者，日均出行服務(wù)次數(shù)高達2 500萬，其平臺每日產(chǎn)生的海量出行數(shù)據(jù)對城市交通與規(guī)劃、人類出行行為等領(lǐng)域的研究均具有重要意義.

成都市是我國西南地區(qū)的重要城市，根據(jù)《中國城市統(tǒng)計年鑒(2016)》報告，成都市2016年的年平均人口為1 219萬，隨著經(jīng)濟和工業(yè)的快速發(fā)展，交通擁堵及空氣污染問題日益嚴重.滴滴出行“蓋亞”數(shù)據(jù)開放計劃旨為學(xué)術(shù)界提供真實、高質(zhì)量的滴滴特色數(shù)據(jù)集，其中成都市網(wǎng)約車的歷史數(shù)據(jù)為本文研究交通擁堵與空氣污染之間的關(guān)系奠定了堅實的數(shù)據(jù)基礎(chǔ).

基于滴滴的數(shù)據(jù)開放計劃，本文研究采用的數(shù)據(jù)主要分為如下三類：1) 2016年11月成都市網(wǎng)約車使用數(shù)據(jù)，具體包括載客時間及地點坐標、卸客時間及地點坐標等，大約有600萬條.2) 2016年11月成都市空氣質(zhì)量的小時數(shù)據(jù)(來自pm2.5.in網(wǎng)站收集的政府環(huán)保部門公布的數(shù)據(jù))，包括AQI，以及主要空氣污染物PM2.5、PM10、NO2和SO2的濃度.在這個時間窗口中，每天的空氣質(zhì)量指數(shù)均值為120，最高244，最低50，其中重度污染天氣分別有兩天，空氣質(zhì)量為優(yōu)的天氣也分別有兩天，輕度污染以上的天數(shù)占16天. 3) 2016年11月成都市氣象信息的小時數(shù)據(jù)(收集自weather underground網(wǎng)站)，包括空氣溫度、濕度、風(fēng)力等級、風(fēng)向和天氣等.由于時間窗口只有一個月，氣候條件、城市基礎(chǔ)設(shè)施和居民社會活動的變化幅度不大，這些自然條件為本文研究提供了一個以空氣污染狀況變化為主的觀測環(huán)境，使其可以應(yīng)用“準自然”實驗的分析方法.

2.2 重要變量定義

基于對原始數(shù)據(jù)的融合及預(yù)處理，本文采用的重要變量的定義及計算方法如下：

定義1出行效率：在一次網(wǎng)約車出行服務(wù)中，乘客由載客點被運送至卸客點，本文將起訖點間的空間直線距離定義為出行的位移距離，這個距離與運載時間的比值定義為出行效率E(km/h)，理論上，出行效率的數(shù)值低于行駛的平均速度.但由于它們之間存在高度的正相關(guān)性(部分數(shù)據(jù)顯示，r=0.936 8，p<0.001)，因此本項研究中采用式(1)的出行效率來簡化實際平均速度的計算.另外，因為地理距離會受高維空間的稀疏性影響，本文使用Haversine方法計算任意地點坐標之間的實地距離，如式(2)

(1)

(2)

其中p1和p2分別代表載客點和卸客點；t1和t2分別代表載客時間和卸客時間；D(p1,p2)代表起訖點間的位移距離；R代表地球半徑.

(3)

數(shù)據(jù)計算示例：假設(shè)某網(wǎng)約車出行i的載客時間為8:26:12am，根據(jù)定義2，選擇的時間窗口w為[7:56:12am, 8:56:12am]；計算當(dāng)天載客時間位于窗口w(即tj∈w)的出行數(shù)據(jù)的樣本量n(如ni=9 788)，作為數(shù)據(jù)i的網(wǎng)約車運行規(guī)模.

定義3空氣質(zhì)量指標：成都市范圍存在有7個城市空氣質(zhì)量監(jiān)測站，分別位于金泉兩河、十里店、三瓦窯、沙河鋪、梁家巷、君平街和靈巖寺(三環(huán)以外)，如圖1所示.因為氣體具有流動性和擴散性，風(fēng)力及風(fēng)向都會影響其擴散速度與方向，空氣污染物的遷移擴散可以近似為隨機游走[45]，任一位置的空氣質(zhì)量指標可以參照多個監(jiān)測站的數(shù)據(jù)來估計.假設(shè)待測地點與某個監(jiān)測站點的距離越小，數(shù)值與其越加接近，本文采用距離倒數(shù)加權(quán)方法來估計載客點及卸客點的空氣質(zhì)量指標AQ，如式(5)

圖1 成都市空氣監(jiān)測站分布

(5)

(6)

其中AQ(p1)和AQ(p2)分別是網(wǎng)約車出行中載客點及卸客點的空氣質(zhì)量指標，包括AQI，以及PM2.5、PM10、NO2和SO2等空氣污染物的濃度；AQ是起訖點間的指標均值，以反映出行i對應(yīng)的空氣質(zhì)量；AQk代表監(jiān)測站k在具體時刻的數(shù)據(jù)；D(p1,qk)和D(p2,qk)分別代表載客點及卸客點與監(jiān)測站k之間的實地距離.將出行i載客前一時刻的數(shù)據(jù)代入公式，可近似得到出行i發(fā)生之前的空氣質(zhì)量指標；若將出行i卸客后一時刻的數(shù)據(jù)代入公式，可近似得到出行i結(jié)束之后的空氣質(zhì)量指標.

2.3 樣本描述性統(tǒng)計

表1是本文所使用數(shù)據(jù)的描述性統(tǒng)計，剔除極端離群數(shù)據(jù)及存在缺失值的數(shù)據(jù)后，還剩余5 308 364個觀測樣本.網(wǎng)約車的出行距離均值為5.8 km，可見居民傾向于在中短距離的出行中選擇網(wǎng)約車方式；在60 min的時間窗口中，網(wǎng)約車的運行規(guī)模均值為10 438次；網(wǎng)約車的出行效率的均值為17.41 km/h，與其他研究中的數(shù)值相當(dāng)[2,46]；AQI均值在120附近，整體處于中輕度空氣污染水平.

圖2是樣本數(shù)據(jù)中各項指標在成都市范圍內(nèi)的分布情況，基本上呈放射狀的環(huán)形格局.成都市具有顯著的城市中心體系，城市中心處因其具有高密度的商業(yè)中心及各類功能性場所，吸引交通工具將大量的人口運輸至此，不論機動車流量還是人流量均遠遠高于城市外圍區(qū)域.因此，與城市中心距離越接近的地區(qū)，網(wǎng)約車的出行頻率越高、出行距離越短、出行效率越低，因汽車尾氣引起的空氣污染更加嚴重.

表1 主要變量的描述性統(tǒng)計

注:樣本容量Obs=5 308 364

(a) 出行頻率分布

(b) 出行距離分布

(c) 出行效率分布

(d) AQI指數(shù)分布

3 模型設(shè)定

3.1 因果推斷模型

探究城市交通擁堵和空氣污染之間的因果關(guān)系是本文的主要目標，為克服參數(shù)估計產(chǎn)生的內(nèi)生性問題，本文擬使用斷點回歸設(shè)計(RDD)方法，這是一種在非實驗的條件下檢驗處理效應(yīng)的隨機“準自然”實驗方法，另外，現(xiàn)有研究中使用的RDD大多是對單個斷點的討論，少數(shù)國內(nèi)外文獻涉及多個閾值的斷點回歸分析[47-50]，即在多個斷點附近劃分數(shù)據(jù)并綜合評估.斷點回歸設(shè)計的思想為，找到一個或多個閾值，當(dāng)執(zhí)行變量大于閾值時，認為個體接受處理，作為實驗組；當(dāng)執(zhí)行變量小于閾值時，認為個體未接受處理，作為控制組，以此來反映個體在執(zhí)行變量接受處理前后的差異，尤其在變量連續(xù)的情況下，斷點閾值附近樣本之間的差異可以很好地推斷執(zhí)行變量和結(jié)果變量之間的因果聯(lián)系，故本文主要使用斷點回歸方法驗證兩個變量之間的因果關(guān)系.

首先，本文推測網(wǎng)約車運行規(guī)模的增加所反映的機動車上路量的增加會導(dǎo)致個體車輛流動效率的降低.出租車軌跡數(shù)據(jù)可以用于測量及反映城市居民的出行特征，網(wǎng)約車作為傳統(tǒng)出租車產(chǎn)業(yè)與互聯(lián)網(wǎng)技術(shù)的結(jié)合，其運行規(guī)模同樣具有明顯的時間演變規(guī)律(如圖3)，且在每日的工作時段(8am～8pm，同時存在出行高峰現(xiàn)象)和非工作時段(8pm～次日8am)存在顯著差異，這與居民的生活作息規(guī)律和社會活動相當(dāng)符合，和以往研究中的趨勢相一致[51-53].另外，網(wǎng)約車運行規(guī)模和出行效率呈明顯的反向變化趨勢(如圖3)，數(shù)值上為顯著的負相關(guān)關(guān)系(r=-0.367,p<0.001)，交通擁堵時由于有限道路容量下機動車運行數(shù)量增加，城市道路車輛比率過低和車輛密度過高所導(dǎo)致的.所以，本文假設(shè)網(wǎng)約車運行規(guī)模的增加可以反映如下兩個事實，其一是直接代表人們對網(wǎng)約車服務(wù)使用的增加，其二是間接反映居民出行意愿和出行需求增強所導(dǎo)致的機動車上路量的增加.

圖3 網(wǎng)約車運行規(guī)模與出行效率的時間規(guī)律

因為日間(8am～8pm)和夜間(8pm～次日8am)時段的數(shù)據(jù)在網(wǎng)約車運行規(guī)模上存在顯著差異，本文以時間為標準，將數(shù)據(jù)劃分為日間出行和夜間出行兩類.運行規(guī)模是連續(xù)整型數(shù)值，分別計算日間和夜間時段的運行規(guī)模均值S1和S2，將兩者的平均值C作為斷點，即假設(shè)數(shù)據(jù)的運行規(guī)模S在斷點C處，個體是夜間出行到日間出行的處理概率由a跳躍到b.因此，采用以日間和夜間出行為界限的模糊斷點回歸策略(Fuzzy RD)，執(zhí)行變量是網(wǎng)約車的運行規(guī)模，處理變量為是否為日間時段的出行.

首先，定義被解釋變量E，代表網(wǎng)約車方式的出行效率，反映了城市路面交通的擁堵程度，同時定義處理變量daytime，代表是否為日間時段的出行.當(dāng)daytimei=1時，個體的出行處于日間時段；daytimei=0則代表個體的出行處于夜間時段，故提出解釋網(wǎng)約車運行規(guī)模和出行效率之間因果關(guān)系的FRD模型1

Ei=β0+β1daytimei+f(Si-C)+γXi+εi

(7)

其中Si為執(zhí)行變量，Si-C定義為實際運行規(guī)模與設(shè)定斷點之間的距離，f(Si-C)是運行規(guī)模距離的多項式函數(shù).為了準確估計出式(7)中的參數(shù)，需要考慮運行規(guī)模條件和實際是否為日間出行之間的相關(guān)關(guān)系，故給出第一階段方程

daytimei=α0+α1Di+f(Si-C)+δXi+εi

(8)

其中Di為處置變量，Di=1{Si-C≥0}；f(Si-Cj)是執(zhí)行變量的一個多項式函數(shù)，Gelman等[54]推薦執(zhí)行變量的多項式應(yīng)盡量采用局部線性或二次形式；Xi代表模型的前定控制變量，主要是出行距離；系數(shù)β1解釋了運行規(guī)模斷點附近是否為日間出行對出行效率的局部平均處理效應(yīng)，系數(shù)α1解釋了運行規(guī)模斷點附近對是否為日間出行的影響，式(7)和式(8)共同構(gòu)成FRD模型，可以采用參數(shù)2SLS估計[55].

斷點回歸之所以能夠克服遺漏變量、解決內(nèi)生性問題，是因為假設(shè)在斷點附近范圍內(nèi)的樣本是隨機產(chǎn)生的，如果存在樣本操縱，可能會對模型參數(shù)產(chǎn)生估計偏誤.對此，本文使用McCrary方法[56]對執(zhí)行變量進行斷點處的連續(xù)性檢驗，其基本步驟是將斷點附近的樣本分配到不同的等寬箱體內(nèi)，然后通過計算各個箱體的概率密度，檢驗斷點前后箱體的概率密度是否具有顯著性地“跳躍”.另外，如果RD是有效的，那么運行規(guī)模在斷點前后不應(yīng)該對個體的其它控制因素的影響存在差異[57]，故采用式(9)檢驗前定變量的連續(xù)性，將前定控制變量作為運行規(guī)模變量的被解釋變量，若檢驗結(jié)果顯著(即在斷點處不連續(xù))，該前定控制變量應(yīng)該從RD模型中剔除

Zi=θ0+θ1Di+f(Si-C)+εi

(9)

進一步地，可以將空氣污染看做交通行為造成的一種后果.空氣污染受多種因素的共同作用，除城市機動車交通排放外，還有社會經(jīng)濟活動、氣候氣象變化等復(fù)雜因素的影響，研究數(shù)據(jù)的時間跨度僅為1個月，城市基礎(chǔ)設(shè)施和社會經(jīng)濟活動的變化較小，所以晝夜的氣象條件差異對空氣質(zhì)量影響較大，不宜將數(shù)據(jù)劃分為日間和夜間時段進行研究.經(jīng)數(shù)據(jù)統(tǒng)計，可以發(fā)現(xiàn)運行規(guī)模在工作日和周末的早高峰(8am～10am)時段存在顯著性差異，與居民的出行規(guī)律一致.因此，選取早高峰時段的數(shù)據(jù)片段，將數(shù)據(jù)劃分為工作日和周末日兩類，減弱了經(jīng)濟活動、氣象等外部因素的影響，同時，計算各組中運行規(guī)模的均值以確定斷點C.為驗證網(wǎng)約車運行規(guī)模對出行后空氣質(zhì)量具有顯著影響，用出行后AQI指數(shù)替換FRD模型1中的出行效率，作為被解釋變量.同時定義處理變量weekday，代表是否為工作日的出行，得到FRD模型2，如式(10)和式(11)

(10)

weekdayi=α0+α1Di+f(Si-C)+δXi+εi

(11)

(12)

λXi+δi+εi

(13)

為保證多確定斷點回歸模型的有效性，依然使用McCrary方法檢驗執(zhí)行變量在各斷點處的連續(xù)性，并可以使用式(14)檢驗前定控制變量在各斷點處的連續(xù)性

δi+ξi+εi

(14)

3.2 交互影響分析模型

中介變量是聯(lián)系兩個觀測變量之間關(guān)系的紐帶，意味著一種內(nèi)部機制.引入中介變量可以在因果推斷中分析變量之間的因果關(guān)系及其機制，有更好地解釋在網(wǎng)約車運行規(guī)模、出行效率以及空氣污染三者之間的交互影響關(guān)系.

圖4 運行規(guī)模與空氣污染的關(guān)系模型
Fig. 4 Relationship model of traffic flow and air pollution

圖5 空氣污染與出行效率的關(guān)系模型
Fig. 5 Relationship model of air pollution and mobility efficiency

根據(jù)本文提出的假設(shè)，分別建立如圖4和圖5所示的概念模型.在圖4所示的運行規(guī)模與空氣污染的關(guān)系模型中，空氣污染受到以下路徑方式的影響：①網(wǎng)約車運行規(guī)模對空氣污染產(chǎn)生直接影響；②網(wǎng)約車運行規(guī)模對個體出行效率產(chǎn)生直接影響，交通擁堵又會直接影響到車輛的尾氣排放，因此出行效率在運行規(guī)模和空氣污染之間起到中介變量的作用.為驗證這種影響的路徑關(guān)系，進一步證實假設(shè)1～假設(shè)3，建立回歸模型4，其設(shè)定如下

(15a)

Ei=α+βVi+aSi+εi

(15b)

(15c)

另外，在圖5所示的空氣污染與出行效率的關(guān)系模型中，出行效率受到以下路徑方式的影響：①空氣污染對個體出行效率產(chǎn)生直接影響；②空氣污染抑制人們的外出行為，對網(wǎng)約車運行規(guī)模產(chǎn)生直接影響，網(wǎng)約車運行規(guī)模又會顯著地影響個體出行效率，所以運行規(guī)模在空氣污染和出行效率之間起到中介變量的作用.為驗證這種影響的路徑關(guān)系，進一步證實假設(shè)4～假設(shè)6，建立回歸模型5，其設(shè)定如下

(16a)

(16b)

(16c)

4 實證結(jié)果

經(jīng)過數(shù)據(jù)計算，網(wǎng)約車運行規(guī)模在日間時段和夜間時段的分布近似正態(tài)，分布均值的平均數(shù)為9 580，故在FRD模型1中將運行規(guī)模等于9 580次作為斷點.首先，使用Stata軟件中DCdensity命令檢驗執(zhí)行變量在斷點處的連續(xù)性，報告中斷點處統(tǒng)計量的標準誤遠小于1.96，故可接受運行規(guī)模的密度函數(shù)在斷點處C(S=9 580)處連續(xù)的原假設(shè).為檢驗不同帶寬對模型估計結(jié)果的影響，選擇200、225和250這三種不同運行規(guī)模的帶寬，同時，多項式的階數(shù)選擇一階線性和二階形式，對模型進行穩(wěn)健性檢驗.

表2報告了網(wǎng)約車運行規(guī)模對個體出行效率的影響，即FRD模型1的估計結(jié)果.根據(jù)模型的第一階段結(jié)果，對于運行規(guī)模這一執(zhí)行變量，其斷點虛擬變量D的系數(shù)均在0.1%的置信水平上高度顯著，意味著在日間和夜間時段，居民的網(wǎng)約車使用規(guī)模及其所反映外出需求均存在顯著性差異，且系數(shù)為正，表明在日間時段，網(wǎng)約車存在更多的使用需求，間接可以推斷出與夜間比較，日間的城市道路上運行更多的機動車，如圖6(a)所示，橫軸代表網(wǎng)約車的運行規(guī)模，縱軸代表數(shù)據(jù)為日間出行的概率，在S=9 580前后存在明顯的斷點.在第二階段回歸中，被解釋變量為出行效率，運行規(guī)模是否達到預(yù)定的斷點值作為日間出行的工具變量，前定控制變量為居民的出行距離，報告中處理變量daytime的系數(shù)均在5%的水平下顯著為負，證實在日間時段，網(wǎng)約車的出行效率會受到運行規(guī)模增加引起的負向影響，如圖6(b)所示，橫軸依舊代表網(wǎng)約車的運行規(guī)模，縱軸則代表出行效率.同時，隨著帶寬的增加，樣本容量隨之?dāng)U大，估計效率得以提高，參數(shù)估計的標準差減小.從不同帶寬和多項式階數(shù)選擇上看，參數(shù)估計的符號及顯著性均保持一致，所以FRD模型1的結(jié)果是穩(wěn)健的.另外，經(jīng)檢驗，前定變量出行距離的斷點系數(shù)不顯著，在斷點C處并未發(fā)生明顯的“跳躍”.總體來說，日間出行時段所反映的網(wǎng)約車運行規(guī)模的增加會負向影響個體的出行效率，可能會引起交通擁堵的產(chǎn)生，假設(shè)1成立.

表2 模糊斷點回歸模型1的估計結(jié)果

注：括號內(nèi)為穩(wěn)健標準差.***，**，*分別表示0.1%, 1%和5%的顯著性水平.

(a) 日間出行與運行規(guī)模

(b) 出行效率與運行規(guī)模

其次，經(jīng)過數(shù)據(jù)計算，F(xiàn)RD模型2中將運行規(guī)模等于9 500作為斷點.同樣，執(zhí)行變量運行規(guī)模經(jīng)過McCrary檢驗，在斷點處連續(xù).表3報告了網(wǎng)約車運行規(guī)模對空氣污染的影響，即模糊斷點回歸模型2的估計結(jié)果.根據(jù)模型的第一階段結(jié)果，對于運行規(guī)模這一執(zhí)行變量，其斷點虛擬變量D的系數(shù)均在0.1%的置信水平上高度顯著，意味著在工作日和周末時間，居民的網(wǎng)約車使用規(guī)模及其所反映居民出行行為存在顯著性差異，且系數(shù)為正，表明在工作日，早間時段內(nèi)網(wǎng)約車存在更多的使用需求，即城市居民的早高峰出行現(xiàn)象.在第二階段回歸中，被解釋變量為空氣質(zhì)量指數(shù)(AQI)，數(shù)值越高，代表空氣污染越嚴重，運行規(guī)模是否達到預(yù)定的斷點值作為工作日出行的工具變量，前定控制變?yōu)榫W(wǎng)約車的出行距離，報告中處理變量weekday的系數(shù)均在0.1%的水平下極為顯著且為正，證實在日間時段，空氣質(zhì)量指數(shù)會受到運行規(guī)模增加引起的正向影響，即空氣污染的加劇.同時，隨著帶寬的增加，樣本容量隨之?dāng)U大，估計效率得以提高，參數(shù)估計的標準差減小.并且從不同帶寬和多項式階數(shù)選擇上看，參數(shù)估計的符號及顯著性均保持一致，所以FRD模型2的結(jié)果也是穩(wěn)健的.另外，經(jīng)檢驗，前定變量出行距離依舊在斷點C處連續(xù).總體來說，工作日早高峰出行時段所反映的網(wǎng)約車運行規(guī)模的增加會正向影響之后城市的AQI指數(shù)，會造成一定程度的空氣污染，假設(shè)2成立.

(a) 工作日出行與運行規(guī)模

(b) 空氣質(zhì)量指數(shù)與運行規(guī)模

表3 模糊斷點回歸模型2的估計結(jié)果

注：括號內(nèi)為穩(wěn)健標準差.***，**，*分別表示0.1%, 1%和5%的顯著性水平.

表4是我國《環(huán)境空氣質(zhì)量指數(shù)(AQI)技術(shù)規(guī)定(試行)》中對AQI指標的分類標準[58]，AQI值越大，表明城市空氣污染的質(zhì)量等級越高，空氣污染情況越嚴重，人們所面臨的健康威脅越強，所以AQI分類標準為本文空氣污染斷點的確定提供了很好的依據(jù).AQI是一個連續(xù)型變量，但各個閾值附近的空氣污染等級都會發(fā)生明顯的“跳躍”，閾值前后AQI指數(shù)的略微變化會引起空氣污染程度顯著且確定性的改變.經(jīng)數(shù)據(jù)統(tǒng)計，對于90%以上的數(shù)據(jù)樣本，AQI值小于200，故選擇50、100、150和200這四個斷點構(gòu)建MSRD模型3.

表4 AQI指標的分類標準

模型3中不加入額外的前定控制變量，并選擇4、6、8三種不同的帶寬，多項式則選擇一階和二階形式，以檢驗?zāi)Ｐ凸烙嫷姆€(wěn)健性.首先，經(jīng)過McCrary方法檢驗，執(zhí)行變量AQI在各個斷點Cj附近均連續(xù).表5報告了模型3的結(jié)果，根據(jù)斷點綜合效應(yīng)在0.1%的水平上顯著為負，可以推斷出當(dāng)城市的空氣污染程度提高一個等級時，會對居民的外出意愿產(chǎn)生顯著的負向影響，直接表現(xiàn)為對網(wǎng)約車使用的減少，此時人們會更加傾向于選擇非路面交通方式或避免不必要的出行.各斷點處的子效應(yīng)均在0.1%的水平上極為顯著，且綜合負效應(yīng)主要來自第1個斷點、第3個斷點和第4個斷點，第2個斷點的影響系數(shù)較低，如圖8所示，橫軸代表當(dāng)前的空氣質(zhì)量指數(shù)，縱軸則代表之后的網(wǎng)約車運行規(guī)模.當(dāng)空氣質(zhì)量從優(yōu)轉(zhuǎn)為良時，大部分易感人群開始出現(xiàn)安全預(yù)警，會減少外出以避開空氣污染帶來的健康威脅；當(dāng)空氣質(zhì)量由良轉(zhuǎn)為輕度污染時，對健康人群的出行影響較小；當(dāng)城市的空氣質(zhì)量進一步惡化，從輕度污染轉(zhuǎn)為中度污染或者從中度污染轉(zhuǎn)為重度污染時，對健康人群的呼吸系統(tǒng)、神經(jīng)系統(tǒng)和心血管等均會具有嚴重的安全威脅.從不同帶寬和多項式階數(shù)選擇上看，參數(shù)估計的符號及顯著性均保持一致，所以MSRD模型3的估計結(jié)果是穩(wěn)健的.總體來說，空氣污染會顯著地抑制居民的外出，其中一部分表現(xiàn)為其對網(wǎng)約車出行需求的降低，對網(wǎng)約車的運行規(guī)模具有負向的抑制作用，假設(shè)4成立.

圖8 AQI對網(wǎng)約車運行規(guī)模的影響

表5 多確定斷點回歸模型3的估計結(jié)果

注：括號內(nèi)為穩(wěn)健標準差.***，**，*分別表示0.1%, 1%和5%的顯著性水平.

進一步地，采用因果逐步回歸方法[59,60](Causal Step Regression)對回歸模型4和回歸模型5的中介變量進行檢驗.模型4中將空氣污染看作被解釋變量，式(15a)表示網(wǎng)約車運行規(guī)模對空氣污染影響的總效應(yīng)，式(15b)表示第一階段影響，式(15c)表示第二階段影響及直接效應(yīng).分別對以上三個方程式的系數(shù)使用OLS估計，計算結(jié)果如表6所示.①網(wǎng)約車運行規(guī)模對個體出行效率起顯著的負向影響(系數(shù)a<0,p<0.001)，與FRD模型1中因果關(guān)系一致，驗證假設(shè)1成立.②網(wǎng)約車運行規(guī)模對出行結(jié)束之后的AQI指數(shù)及污染物濃度的直接效應(yīng)與總效應(yīng)均表現(xiàn)為顯著的正向影響(系數(shù)c′>0,c>0,p<0.001)，與FRD模型2中因果關(guān)系一致，驗證假設(shè)2成立.③出行效率對出行結(jié)束之后的AQI指數(shù)及污染物濃度起顯著的負面影響，且出行效率的中介變量經(jīng)檢驗成立，起部分中介作用，表現(xiàn)為互補的中介效應(yīng)[61](a×b×c′>0)，驗證假設(shè)3成立.為了更加清晰且直觀地展示中介變量的影響路徑，根據(jù)表6的結(jié)果，畫出中介效應(yīng)圖，圖9(a)～圖9(e)分別是空氣質(zhì)量指標為AQI指數(shù)，以及PM2.5、PM10、NO2和SO2濃度時的中介效應(yīng)圖.其中，第一階段和第二階段的影響均顯著成立，且影響方向為負；直接效應(yīng)也顯著成立，影響方向為正.

表6 回歸模型4的中介效應(yīng)分析

注：括號內(nèi)為穩(wěn)健標準差.***，**，*分別表示0.1%, 1%和5%的顯著性水平.

(a) AQI指數(shù)(a) AQI

(b) PM2.5濃度(b) Density of PM2.5

(c) PM10濃度(c) Density of PM10

(d) NO2濃度(d) Density of NO2

(e) SO2濃度(e) Density of SO2

模型5將空氣污染看作解釋變量，式(16a)表示空氣污染對個體車輛出行效率影響的總效應(yīng)，式(16b)表示第一階段影響，式(16c)表示第二階段影響及直接效應(yīng).分別對以上三個方程式的系數(shù)使用OLS估計，結(jié)果如表7所示.①除NO2以外，AQI指數(shù)及其余污染物濃度均對網(wǎng)約車運行規(guī)模具有顯著的負面影響(系數(shù)a<0,p<0.001)，與MSRD模型3中因果關(guān)系一致，驗證假設(shè)4成立.②空氣污染對出行效率起到顯著且正向的直接效應(yīng)和總效應(yīng)(系數(shù)c′>0,c>0,p<0.001)，并且運行規(guī)模的中介效應(yīng)均顯著(p<0.001)，起部分中介作用，驗證假設(shè)5和假設(shè)6成立.同樣，為了更加清晰且直觀地展示中介變量的影響路徑，根據(jù)表7的結(jié)果，畫出中介效應(yīng)圖，圖10(a)～圖10(e)分別是空氣質(zhì)量指標為AQI指數(shù)，以及PM2.5、PM10、NO2和SO2濃度時的中介效應(yīng)圖.其中，除NO2外，第一階段的影響均顯著為負；第二階段影響均顯著成立，且方向為負；空氣質(zhì)量指標對個體出行效率影響的直接效應(yīng)均顯著為正.

表7 回歸模型5的中介效應(yīng)分析

注：括號內(nèi)為穩(wěn)健標準差.***，**，*分別表示0.1%, 1%和5%的顯著性水平.

(a) AQI指數(shù)

(b) PM2.5濃度

(c) PM10濃度

(d) NO2濃度

(e) SO2濃度

5 結(jié)束語

隨著社會的進步，城市交通擁堵與空氣污染已成為大中城市發(fā)展進程中不可避免、難以解決的問題之一，同時給城市居民的出行及城市發(fā)展帶來了危害與挑戰(zhàn).道路上行駛的車輛超過道路的實際容量后，造成的交通擁堵會導(dǎo)致個體車輛行駛速度的驟減，浪費大量的時間及人力；當(dāng)城市中空氣污染物經(jīng)過累積擴散及化學(xué)反應(yīng)后超過臨界負載時，對城市生態(tài)系統(tǒng)產(chǎn)生極大的破壞，造成嚴重的空氣污染，給居民的生命健康帶來威脅，也顯著影響人們的流動和生活方式.

大量研究也表明，新興的網(wǎng)約車服務(wù)在城市中造成了許多意想不到的后果，例如車輛出行的增加和交通擁堵，相關(guān)污染物的尾氣排放會導(dǎo)致空氣污染.所以，本文研究以成都市為例，使用“滴滴出行”產(chǎn)生的海量網(wǎng)約車的個體出行數(shù)據(jù)，來反映城市的交通狀態(tài)，并融合外部空氣質(zhì)量數(shù)據(jù)，每小時的細粒度數(shù)據(jù)也使得可以通過比較時間的先后順序，判斷事件之間的因果邏輯，進而討論以網(wǎng)約車為代表的機動車出行方式和空氣污染之間的因果關(guān)系及交互影響.經(jīng)證實，汽車尾氣作為城市空氣污染的主要來源之一，當(dāng)網(wǎng)約車運行規(guī)模增加所反映的機動車出行量的增加確實會加劇空氣污染的程度，對城市的空氣質(zhì)量產(chǎn)生消極影響；同時，引起的道路交通擁堵也會提高機動車的污染物排放水平，進一步導(dǎo)致空氣質(zhì)量的惡化，而出行效率在網(wǎng)約車運行規(guī)模對空氣污染的影響中起顯著的中介變量作用.因此，本文所揭示的城市交通擁堵與空氣污染之間的交互影響關(guān)系，可以幫助我們理解城市建設(shè)及管理中所采取的限行、限號等手段，來直接或間接控制城市機動車行駛的數(shù)量，以達到緩解交通擁堵并降低汽車尾氣的總排放的雙重目的.另外，在城市的發(fā)展中，亟需采用軌道交通、道路擴建、路網(wǎng)優(yōu)化、路況監(jiān)測等方式引導(dǎo)及分散道路車流，提升機動車的運行效率，減少交通擁堵.

另一方面，空氣污染也是影響居民出行行為和出行方式選擇的重要因素之一，嚴重的空氣污染使得人們的出行將面臨著健康風(fēng)險和交通風(fēng)險.根據(jù)保護動機理論[35]，在空氣污染條件下，居民會采取減少外出等應(yīng)對手段以減輕其造成的負面影響，因此會引起機動車出行量的減少，從而使交通效率有所提高，緩解交通擁堵.本文的數(shù)據(jù)分析結(jié)果也顯示，除NO2之外，城市空氣中PM2.5、PM10和SO2濃度均會對網(wǎng)約車的運行規(guī)模產(chǎn)生顯著的負向影響，減弱人們對網(wǎng)約車的出行需求；同時，空氣污染物濃度也會正向影響網(wǎng)約車的出行效率，網(wǎng)約車運行規(guī)模在兩者的影響關(guān)系中起顯著的中介變量作用，這很好地解釋了為什么許多城市交通擁堵指數(shù)與空氣污染之間呈負相關(guān)的關(guān)系.

綜上所述，空氣污染和交通擁堵之間并不是一種惡性循環(huán)的單向影響關(guān)系,而是雙向的交互影響，并處于動態(tài)平衡的一種演變狀態(tài).空氣污染在某種意義上既是交通擁堵造成的結(jié)果，也是抑制城市擁堵狀態(tài)的一種原因.本文從人們流動性行為的視角，去理解城市空氣污染與交通擁堵的關(guān)系，為相關(guān)領(lǐng)域的研究提供了新的洞察.本項研究表明，城市空氣污染的治理還是要“以人為本”，即人們對流動性的需求才是造成空氣污染和交通擁堵的根本原因，這也是移動污染源難以治理問題在社會和行為等方面的原因所在.正是在空氣污染抑制城市居民的外出行為的同時，它也在“自然”地緩解著道路擁堵，正向影響機動車的出行效率.本項研究為今后開展城市空氣污染與交通擁堵的綜合治理提供了理論和實證依據(jù).