数据驱动下的传染病大流行期间大城市交通运行状况研究.pdf

2024.3,4（2）|智能交通与数字化数据驱动下的传染病大流行期间大城市交通运行状况研究曾恬1，罗斯达1，2，邵春福3（1.北京交通大学交通运输学院，北京，100044；2.北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室，北京，100044；3.新疆大学交通运输工程学院，新疆 乌鲁木齐 830049）摘要：新型冠状病毒肺炎是近百年来人类遭遇的影响范围最广的全球性大流行病，探究新冠疫情期间不同城市交通运行状况的演变规律，对当前传染病大流行情境下的交通运行至关重要，并对未来类似情形下的城市交通治理具有借鉴作用。城市交通运行状况可由交通健康指数、拥堵延时指数等数据来表征，因此本文收集疫情放开后十个大城市近一个月的拥堵延时指数、平均车速和交通健康指数等数据，通过相关性分析、线性回归、kmeans聚类分析等方法，从多个角度探究城市交通健康指数与拥堵延时指数或平均车速之间的关系，据此采用拥堵延时指数来研究各城市交通运行状况。进而基于拥堵延时指数将研究时段划分为疫情影响期、疫情稳定期、复工复产期、春节影响期这四个阶段。并在早晚高峰、疫情、春节以及跨年夜等多种情境下，从工作日和节假日多方面挖掘各城市在疫情放开影响下交通状况变化的异同点。结果表明，在疫情放开和春节假期等多种复杂因素的影响下，交通健康指数仍能由拥堵延时指数或平均车速线性表征，交通健康指数存在一定程度的冗余，用拥堵延时指数等更易获取的数据就能够描述城市的交通运行状况。此外，疫情消退过程中，工作日早晚高峰出行的不均衡性较小，而节假日早晚高峰出行的不均衡性较大，达到 40%。关键词：城市交通；交通运行状况；聚类分析；拥堵延时指数；后疫情时代Analysis of traffic conditions in big cities during the pandemic:a datadriven approachZENG Tian1,LUO Sida1,2,SHAO Chunfu3（1.School of Traffic and Transportation，Beijing Jiaotong University，Beijing 100044，China；2.Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport of Ministry of Transport，Beijing Jiaotong University，Beijing 100044，China；3.School of Traffic and Transportation Engineering，Xinjiang University，Urumqi 830049，China）Abstract：COVID-19 is a global pandemic with the broadest impact on human experience in the past 100 years.Exploring the changes of traffic operation in different cities during the COVID-19 epidemic is crucial for traffic operation under the current epidemic situation，which can provide reference for urban traffic management under similar situations in the future.Urban traffic operation can be character中图分类号:U491.1 文献标志码:A 文章编号：2097-017X（2024）02-0033-10DOI:10.3969/j.issn.2097-017X.2024.02.007收稿日期：2023-12-07基金项目：中央高校基本科研业务费专项资金项目（2021RC273）；国家自然科学基金资助项目（72101017）。第一作者简介：曾 恬（2000），女，硕士研究生。研究方向：MaaS下的公交线网优化。通信作者简介：罗斯达（1992），男，博士，教授。研究方向：MaaS下的网络优化、智能网联-无人驾驶交通管控、数据挖掘等。33ized by traffic health index，congestion delay index and other data.Hence，this paper collects the data of traffic delay index，average speed and traffic health index of ten major cities for nearly a month in the post COVID-19 period.Through correlation analysis，linear regression，k-means clustering analysis and other methods，this paper explores the relationship between traffic health index and congestion delay index or average speed from multiple perspectives.Based on the congestion delay index，the study period is divided into four stages：the epidemic impact period，the epidemic stability period，the resumption of work and production period，and the Spring Festival impact period.The differences and similarities of traffic conditions in different cities are explored in different situations such as rush hour，the epidemic and the Spring Festival.The results show that under the influence of epidemic and the Spring Festival，the traffic health index can still be linearly represented by the congestion delay index or the average vehicle speed，which means that the traffic health index has a certain degree of redundancy.We can use more accessible data to describe the traffic operation of the city，such as the congestion delay index.Whats more，the epidemic has a great impact on the imbalance of travel in the morning and evening peak hours during holidays.That means，in the post COVID-19 period，travel congestion in the morning and evening peak hours during holidays varies，even reaching 40%.Key words：urban traffic；traffic conditions；k-means clustering algorithm；traffic congestion index；post COVID-19 period引 言新型冠状病毒肺炎是近百年来人类遭遇的影响范围最广的全球性大流行病，2022 年 12 月，中国新冠疫情防疫政策全面放开，伴随着健康码、行程码取消等一系列措施，我国的新冠疫情防控进入了新阶段。流行病的恢复会影响城市交通的运行状况，例如在流行病传播的高峰时段，人们倾向于选择私家车出行1，公共交通的使用率大幅降低2-4。另一方面，多源交通数据在城市交通运行状况监测方面的研究越来越广泛5-8 。高德和百度等公司在 2014 年推出了交通大数据监测平台，基于交通出行数据，实时监测中国主要城市交通运行状态9。在疫情全面放开的影响下，不同城市的交通运行状况可能有所差异10-12 ，相关的交通管控措施需要因地制宜13。因此本文通过采集百度和高德平台的交通健康指数和拥堵延时指数等数据，运用相关性分析、回归分析、k-means聚类分析等方法，探究各大城市交通运行状况的变化趋势，总结不同城市交通运行状况的变化特征和异同点14。未来新冠、流感、支原体感染等疾病亦或影响城市正常运转，而决策者通过公网可以查到的相关数据，采用本文的分析方法为相关决策提供参考，提前预测大规模流行病感染的前、中、后期对城市交通可能产生的影响。1数据说明本文统计了疫情全面放开后 2022年 12月 23日到 2023 年 1 月 20 日，北京、上海、武汉、成都、昆明、厦门、苏州、南京、广州、呼和浩特这 10 个大城市的交通健康指数（hi)、拥堵延时指数（di)、路网平均车速（vi)等数据；拥堵延时指数9 和平均车速来源于百度、高德这两大交通出行大数据平台的开放数据；而交通健康指数是城市交通诊断的综合性评价指标，涵盖拥堵延时指数、路网高峰拥堵路段里程比等9 项指标15，来源于高德大数据平台的中国主要城市交通健康榜的开放数据。计算研究时段内各城市拥堵延时指数和交通健康指数的平均值、方差等数据，发现拥堵延时指数和交通健康指数反映出的特征大致相同，这表明拥堵延时指数和交通健康指数在评估城市交通状况时具有一定的相似性和关联性。北京、武汉的交通拥堵情况较为严重，拥堵延时指数均值达到 1.7，交通健康指数均值为 50；而厦门、苏州、呼和浩特的交通拥堵情况较为良好，拥堵延时指数均值在 1.3 以下，交通健康指数达到 70。2交通健康指数分析交通健康指数涵盖了拥堵延时指数、路网高峰拥堵路段里程比等 9 项指标，是城市交通诊断的综合性评价指标。但交通健康指数与拥堵延时指数、34数据驱动下的传染病大流行期间大城市交通运行状况研究 曾恬 等平均车速之间存在怎样的关系，能否用更为简单直观的变量来表征交通健康指数等问题值得探究。因此本章采用相关性分析和线性回归等方法，探究交通健康指数和拥堵延时指数、平均车速之间的关系。2.1正态性检验线性回归需要因变量大致服从正态分布，而夏皮罗-威尔克（Shapiro-Wilk）检验法16常用于检验小样本容量中变量是否服从正态分布，用于检验的 W值由下式计算：W=()i=1naixi2i=1n()xi-X2（1）式中 xi为待检验数据，ai是样本量为 n时所对应的系数，X为待检验数据的平均值。当 W 值越接近于1且检验的 p值大于 0.05时，则认为变量服从正态分布。因此基于夏皮罗-威尔克检验法对交通健康指数进行正态性检验，判断交通健康指数是否基本服从正态分布。根据表 1中各城市交通健康指数正态性检验的结果可知，p 值基本大于 0.05，说明交通健康指数呈正态分布的原假设。并且在 p 值小于 0.05 的城市中，通过观察偏度、峰度和正态 Q-Q 图发现与正态分布较为相似，因此可认为在样本城市中交通健康指数近似服从正态分布。2.2相关性分析皮尔逊相关性系数 r常用于度量两个变量之间的相关性，可由下式计算：r=i=1n()Xi-X()Yi-Yi=1n()Xi-X2i=1n()Yi-Y2（2）皮尔逊相关性系数 r介于1与 1之间。其中，Xi和Yi为待检验数据，Xi和Y为待检验数据的平均值。一般认为皮尔逊相关性系数的绝对值大于 0.6时，两个变量之间存在强相关性。通过绘制散点图，发现交通健康指数和拥堵延时指数或平均车速的变化存在类似的特征，如图 1所示，因此通过计算皮尔逊相关性系数探究其相关性。结果如表 2 所示，发现交通健康指数与拥堵延时指数或平均车速之间均具有显著的相关性，p 值均小于 0.05。在样本城市中，交通健康指数与拥堵延时指数之间的皮尔逊相关系数均值为-0.777，存在显著的负相关关系；而交通健康指数与平均车速之间的皮尔逊相关系数均值为 0.747，存在显著的正相关关系。即拥堵延时系数越大，平均车速越小，交通健康指数越低。表 1交通健康指数正态性检验Tab.1Traffic health index normality test城市北京上海武汉成都昆明厦门苏州南京广州呼和浩特偏度0.2480.2910.277-0.58-0.2810.6210.5390.278-0.2030.260峰度-1.534-1.132-1.455-1.088-0.856-0.338-0.507-0.957-1.468-0.981W 值0.8860.9360.9050.8690.9570.9360.9490.9550.9150.933ShapiroWilk检验 p值0.0160.1600.0370.0080.4330.1610.2950.3930.0610.145图 1交通健康指数与拥堵延时指数和平均车速的变化趋势Fig.1Changes in traffic health index，congestion delay index，and average vehicle speed表 2交通健康指数的皮尔逊相关性系数Tab.2Pearson correlation coefficient table of traffic health index城市北京上海武汉成都昆明厦门苏州南京广州呼和浩特平均值拥堵延时指数-0.921-0.767-0.876-0.768-0.836-0.649-0.677-0.781-0.779-0.713-0.777平均车速0.9130.7060.8620.7860.8230.5960.5860.7090.7710.7200.747 35此外，在交通健康指数越低的城市中（例如北京、武汉），城市交通健康指数与拥堵延时指数之间的相关性越大，达到 0.9；而在交通健康指数较高的城市中（例如厦门、苏州），城市交通健康指数与拥堵延时指数之间的相关性较低，约为 0.65。2.3线性回归与误差估计线性回归是利用线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析，常用于确定两种或两种以上变量间相互依赖的定量关系。因此在样本城市中分别用拥堵延时指数和平均车速对交通健康指数进行线性回归拟合，统计其回归系数、显著性等关键参数，探究交通健康指数与拥堵延时系数或平均车速之间能否用如下的线性关系进行表示：hi=didi+di（3）hi=vivi+vi（4）式中 hi表示城市i的交通健康指数；di表示城市i的拥堵延时指数；vi表示城市i的平均车速；di，di，vi和vi为线性回归的系数。由表 3和表 4中线性回归的结果可知，在样本城市中拥堵延时指数和平均车速与交通健康指数之间均存在一定的线性关系。拥堵延时指数和交通健康指数的 R 方均值为 0.59；平均车速和交通健康指数的 R 方均值为 0.55，并且在各大城市中，显著性均小于 0.05。说明交通健康指数能够由拥堵延时指数或平均车速用简单的线性关系表示。在线性回归中，存在部分城市回归的 R 方值较低的情况，针对这些城市采用误差估计的方法进一步判断线性回归的有效性。以拥堵延时指数的线性回归结果为例，厦门线性回归得到的 R方较低，约为0.4。因此在研究时段内随机选取 70%的数据作为训练集，用剩下的 30%作为测试集，判断用训练集拟合出来的线性模型是否具有较好的预测效果。根据 70%的数据回归结果，厦门市的交通健康指数(h1)可以由拥堵延时指数(d1)来表征，并通过下式计算得到：h1=-12.455d1+89.795（5）按照式（5）计算出剩余 30%数据的预测值，并与真实值对比，计算预测的误差，误差由预测值和真实值的差与真实值的比值计算得到。由表 5 可知，预测值与真实值之间的相对误差均在 3%以内，平均误差为 1%。说明即使在 R 方较小的城市中，采用线性回归的方式来计算交通健康指数误差较小，能够保证预测的准确度。通过相关性分析、线性回归及误差分析等多个统计手段，验证了拥堵延时指数或平均车速与交通健康指数之间存在显著的线性关系，用拥堵延时指表 3拥堵延时指数与交通健康指数的线性回归Tab.3Linear regression between congestion delay index and traffic health index城市北京上海武汉成都昆明厦门苏州南京广州呼和浩特平均值R方0.8470.5880.7670.590.6990.4210.4580.610.6070.5080.609线性相关系数变量系数di-25.520-27.132-29.966-22.856-15.528-12.925-16.016-25.299-30.514-17.699-22.345常数di92.276105.003101.51995.19990.18590.2393.503104.072103.113100.58297.568显著性（p值）变量0.0000.0000.0000.0000.0000.0010.0010.0010.0000.0000.000常数0.0000.0000.0000.0000.0000.0000.0000.0000.0000.0000.000表 4平均车速与交通健康指数的线性回归Tab.4Linear regression of average vehicle speed and traffic health index城市北京上海武汉成都昆明厦门苏州南京广州呼和浩特平均值R方0.8330.4980.7420.6170.6770.3550.3430.5020.5950.5190.568线性相关系数变量系数v i1.3631.251.441.5170.7720.4650.5291.1691.4640.6941.066常数v i9.93328.3616.78413.55744.84655.70451.94128.21314.80651.01030.515显著性（p值）变量0.0000.0000.0000.0000.0000.0040.0050.0000.0000.0000.001常数0.0260.0040.2870.0990.0000.0000.0000.0020.0910.0000.050表 5厦门市的交通健康指数预测误差Tab.5Prediction error of traffic health index in Xiamen日期1月 4日1月 7日1月 11日1月 12日1月 15日1月 18日真实值72.2874.0970.2969.3172.1172.76预测值72.2373.4871.2471.6173.3573.48误差-0.06%-0.82%1.34%3.31%1.73%0.99%36数据驱动下的传染病大流行期间大城市交通运行状况研究 曾恬 等数预测交通健康指数的误差较小。因此用拥堵延时指数或平均车速可以基本代替交通健康指数表征城市的交通状况。而在获取交通数据的过程中，平均车速依赖于对路段自由流速度的采集，与拥堵延时指数相比，平均车速更难获取。另一方面，拥堵延时指数因其无量纲的特性，使得它在后续的数据分析工作中表现出更强的适用性和灵活性。同时，与交通健康指数相比，拥堵延时指数的数据来源更为广泛，融合了百度和高德两大平台的数据，从而确保了更大的样本量和更高的数据准确性。并且通过上述分析发现，尽管交通健康指数刻画拥堵的维度更丰富，但实际上可以由拥堵延时指数来线性表征，说明交通健康指数存在一定程度的冗余，因此在本文中采用更易获取的拥堵延时指数来分析各个城市的交通运行状况。3交通运行状况分析3.1交通运行状况变化趋势3.1.1研究阶段划分研究时段内拥堵延时指数存在四个峰值如图 2所示，根据峰值将研究时段分为图 3 中的四个阶段17（疫情影响期、疫情稳定期、复工复产期、春节影响期18），挖掘不同阶段中样本城市交通运行状况的异同点。阶段 1：疫情影响期，12月 23日-12月 30日；阶段 2：疫情稳定期，12月 31日-1月 6日；阶段 3：复工复产期，1月 7日-1月 13日；阶段 4：春节影响期，1月 14日-1月 20日。研究时段内的交通状况综合受到疫情全面放开政策和春节假期的影响，呈现复杂多变的特征。样本城市中交通状况的变化存在一些共性，因此通过聚类分析的方法对城市进行分类，总结不同城市类型交通状况变化的特征，进而为不同类型城市的城市交通治理提供借鉴。3.1.2城市分类k-means 聚类是指通过迭代寻找 k 个簇的一种划分方法，使得聚类结果对应的损失函数最小。其中，损失函数定义为各个样本距离所属簇中心点的误差平方和19，其中距离的度量采用标准化后的拥堵延时指数，以消除量纲的影响。距离越近，表明样本之间的相似度越高。以各样本城市四个阶段中的拥堵延时指数平均值作为聚类指标，聚类数 k 定为 3 类，通过 SPSS 软件中的 k-means聚类，计算得到如表 6所示的结果。类别一：北京、武汉、成都；类别二：上海，南京，广州，苏州；类别三：厦门，昆明，呼和浩特。图 3研究阶段划分Fig.3Research stage division图 2样本城市拥堵延时指数变化图Fig.2Congestion delay index of sample cities表 6样本城市聚类结果Tab.6Clustering results of sample cities城市北京上海武汉成都昆明厦门苏州南京广州呼和浩特聚类结果1211332223与聚类中心的距离0.2130.1050.0650.2500.2240.1120.1140.1440.1550.092 37根据聚类结果绘制不同类别城市拥堵延时指数的变化曲线，分析不同类别城市中拥堵延时指数的变化存在何种异同点。如图 4所示，在类别一的城市中，拥堵延时指数整体较高，并且第一阶段的峰值与第二、三阶段的峰值差距较小。说明研究时段内北京、武汉和成都受到疫情放开的影响已逐渐褪去，城市交通恢复活力。其中北京和武汉的交通状况均呈现前三阶段逐渐上升的趋势，而成都市在第三阶段的峰值显著降低。通过查询相关政策发现，2023 年 1 月 9 日起成都市恢复了小型载客汽车尾号限行措施。由于限行政策的恢复，成都的交通拥堵得到了有效控制，呈现逐渐下降的趋势。如图 5所示，类别二的城市中，前三阶段拥堵延时指数逐渐增加，第四阶段受到春节假期影响，交通拥堵情况逐渐缓解。并且第一阶段的峰值与二三阶段相比显著偏低。说明这些城市在第一阶段受到疫情放开的影响，人们居家休养，外出频率降低，交通拥堵指数下降。如图 6所示，类别三的城市中，拥堵延时指数的曲线峰值变化较为平稳。其中呼和浩特和厦门的拥堵延时指数整体较小，城市内出行量较少，交通较为顺畅。综上所述，在研究时段内这三类城市可大致总结为：第一类城市的疫情影响已经消退；第二类城市受到疫情影响较为严重；第三类城市受疫情影响并不明显。3.2早晚高峰出行不均衡性在城市交通系统中，早晚高峰时段通常呈现出最大的交通需求。为探究工作日与节假日期间城市早晚高峰出行的不均衡性，计算四个阶段内早晚高峰拥堵延时指数的比值，以衡量城市早晚高峰出行的不均衡性，列于表 7，8中。其中，比值越大即早晚高峰出行越不均衡。分析表格得到以下结论：（1）对于节假日早晚高峰出行不均衡性：节假日的早晚高峰拥堵延时指数比值在前三阶段呈现逐渐增加的趋势。即前三阶段，节假日的早晚高峰不均衡性逐渐增加。第一阶段中，节假日早晚高峰出行最不均衡的城市为武汉、成都和北京，恰好为聚类中的类别一城市。表 7样本城市节假日早晚高峰拥堵延时指数比值Tab.7Ratio of congestion delay index in the morning and evening peak hours on holidays城市北京上海武汉成都昆明厦门苏州南京广州呼和浩特阶段一节假日1.351.161.471.391.281.111.121.161.251.16阶段二节假日1.451.281.581.661.351.171.241.301.541.20阶段三节假日1.571.341.641.691.421.231.251.401.771.24阶段四节假日1.571.371.271.751.351.401.171.491.411.26图 4类别一城市拥堵延时指数Fig.4Congestion delay index of category 1图 5类别二城市拥堵延时指数Fig.5Congestion delay index of category 2图 6类别三城市拥堵延时指数Fig.6Congestion delay index of category 3 38数据驱动下的传染病大流行期间大城市交通运行状况研究 曾恬 等说明疫情对各城市的弹性出行需求有较大影响，且对晚高峰的影响比早高峰更显著。随着疫情影响的消退，居民节假日的弹性出行逐渐增加，晚高峰的拥堵程度加剧，而节假日早高峰的弹性出行较少，因此节假日早晚高峰出行的不均衡性加剧。（2）对于工作日早晚高峰出行不均衡性：第一阶段中，工作日早晚高峰出行最不均衡的城市为：成都、昆明和武汉。成都和武汉的疫情已进入消退阶段，工作日晚高峰出行受到刚性下班出行与弹性休闲娱乐出行的共同影响，而工作日早高峰则主要由刚性上班出行所主导。因此，在第一阶段，成都和武汉的工作日早晚高峰出行呈现出较为显著的不均衡性。相较之下，昆明的整体交通状况较为良好，但早晚高峰出行情况存在较大差异。3.3重大事件对交通运行状况的影响3.3.1疫情放开影响在第一阶段，疫情对各城市交通运行产生了显著影响。随着疫情的消退，各城市在第三阶段进入复工复产期。为了量化疫情对城市交通运行状况的影响，引入疫情指数，即第三阶段与第一阶段拥堵延时指数的比值。疫情指数越高，表明城市交通受疫情的冲击越为严重。为探究疫情对工作日和节假日交通运行状况的影响程度，将工作日和节假日分别进行比较，如表 9所示。鉴于节假日早高峰出行量相对较少，且早高峰拥堵延时指数变化不明显，为了更清晰地揭示节假日交通拥堵情况的变化特征，选择晚高峰拥堵延时指数作为分析节假日疫情指数的依据。而工作日疫情指数采用工作日早晚高峰拥堵延时指数的平均值来构建。（1）北京、武汉、昆明、厦门、苏州和呼和浩特这六个城市中，疫情对工作日和节假日的影响没有明显区别。这些城市基本属于前文分类中的第一类和第三类，其中北京和武汉属于第一类城市，这些城市的疫情影响已经接近尾声，城市交通基本恢复正常。而昆明、厦门、苏州和呼和浩特这些城市中出行量较少，交通较为顺畅，受到疫情影响的变化不明显。（2）相较于工作日，节假日的疫情指数平均值更小，说明疫情对工作日交通的影响更为显著。这是因为工作日交通出行受到刚性出行以及弹性出行的双重影响，而节假日则主要受到弹性出行的影响。（3）工作日疫情指数最高的城市为广州、南京和上海，恰好为城市分类中的第二类城市，说明十二月下旬大湾区和长三角地区的城市交通出行受到疫表 8样本城市工作日早晚高峰拥堵延时指数比值Tab.8Ratio of congestion delay index in the morning and evening peak hours on weekdays城市北京上海武汉成都昆明厦门苏州南京广州呼和浩特阶段一工作日1.261.101.361.491.481.191.131.191.351.14阶段二工作日1.211.171.271.521.551.231.131.221.461.19阶段三工作日1.251.121.261.441.441.371.081.311.421.26阶段四工作日1.141.081.291.251.331.361.101.251.261.25表 9样本城市疫情指数Tab.9Epidemic index of sample cities城市北京上海武汉成都昆明厦门苏州南京广州呼和浩特第一阶段工作日di1.8731.2461.8091.9161.5161.1531.2081.3211.3281.287第三阶段工作日di2.2341.8162.0651.6931.5741.3841.5691.8671.9001.412工作日疫情指数1.1931.4581.1420.8841.0381.2001.2981.4131.4311.097第一阶段节假日di1.4121.2021.5601.4631.3211.1511.1721.2121.2801.296第三阶段节假日di1.6751.4181.7911.8111.5111.2581.3611.5141.8591.408节假日疫情指数1.1861.1801.1481.2381.1441.0931.1611.2491.4521.086 39情的严重冲击。疫情平复后这些城市工作日的交通拥堵均上升了 40%以上，但节假日的交通状况呈现出不同的特征。疫情平复后广州节假日交通拥堵上升了 45%，南京节假日交通拥堵上升了 25%，上海节假日交通拥堵仅上升了 15%。说明上海的节假日出行活力尚未完全恢复。（4）成都是唯一一个工作日疫情指数小于 1 的城市，可能是由于成都已经全面摆脱了疫情的影响，第一阶段的交通恢复活力，并且在 1 月 9 号，成都恢复限号政策，这可能是导致第三阶段交通拥堵相较于第一阶段降低了 12%的重要原因。3.3.2疫情放开后重大节假日影响第四阶段为春节影响期，而第三阶段疫情的影响基本结束，交通状况恢复正常水平，因此用第四阶段和第三阶段的比值来描述春节对城市交通状况的影响。将该比值定义为春节指数。春节指数越小说明城市交通受春节的影响越大20，如表 10所示。（1）广州、武汉和北京是交通状况受春节假期影响最大的城市，交通拥堵状况比平常减少 20%。根据各地的人口统计数据，2021 年广州、武汉和北京流动人口与总人口的比值分别为 32%，29%和27%。说明这些城市中流动人口占比较多，伴随着春节假期流动人口返乡，城市交通拥堵得到极大缓解。（2）呼和浩特和厦门是交通状况受春节假期影响最小的城市，春节期间交通拥堵与平时相差不到5%。说明这些城市中流动人口较少，春节假期中城市交通拥堵状况与平常差别不大。在疫情全面放开的过程中，人们可能会产生报复性出行的行为，因此人们在特殊节假日的出行需求不容忽视。针对 2022年跨年夜的城市交通状况，对比跨年夜晚高峰与普通节假日晚高峰，并引入跨年指数 来描述跨年夜交通出行的变化，跨年指数 表达式为：=ip-ii 100%（6）式中 ip为跨年夜晚高峰，i为普通节假日晚高峰。跨年指数越高，意味着该城市在跨年夜的出行增长越显著。结果如表 11所示。（1）受跨年夜影响最大的城市为广州、成都和武汉，跨年夜的晚高峰拥堵延时指数超出普通节假日的 15%20%。广州和成都的跨年夜的晚高峰甚至比工作日的晚高峰更为拥堵，存在报复性出行现象。说明这些城市中，重要节假日的出行需求应当与通勤需求一样得到重视。因此在特殊节假日期间需要对热门景点或商业街附近的交通进行优化组织，缓解因短时过度集中导致的非常发性拥堵。（2）北京和上海这样的特大城市，跨年夜的交通出行与普通节假日之间的差别不显著。上海主要受到疫情影响，而北京可能是由于周末的出行量相对较大，使得特殊节假日的出行增长不显著。（3）呼和浩特和厦门的跨年指数为负增长，这表明跨年夜的出行量与普通节假日相比并无显著差异，甚至有所减少。这一现象可能与这些城市的出行娱乐属性相对较少有关，导致跨年夜的出行积极性不高。3.4近两年交通状况对比为了探究各城市 2022 年与 2021 年的交通运行状况变化，研究时段内对 2022年和 2021年的交通拥表 10样本城市春节指数Tab.10Spring Festival index of sample cities城市北京上海武汉成都昆明厦门苏州南京广州呼和浩特第三阶段拥堵延时指数均值1.991.651.891.621.491.311.471.71.771.37第四阶段拥堵延时指数均值1.591.411.451.341.311.251.231.521.311.32春节指数0.7990.8510.7670.8270.8790.9540.8370.8940.7400.964表 11样本城市跨年指数Tab.11New Year index of sample cities城市北京上海武汉成都昆明厦门苏州南京广州呼和浩特跨年晚高峰1.5961.3661.8821.9971.4881.2501.3581.4801.8451.345普通节假日晚高峰1.5641.3501.6241.6791.4091.2741.2701.4351.5271.373工作日晚高峰2.1681.6012.0611.9831.7881.4211.4321.7751.7971.444跨年指数2.04%1.20%15.86%18.98%5.60%-1.91%6.93%3.17%20.83%-2.03%40数据驱动下的传染病大流行期间大城市交通运行状况研究 曾恬 等堵延时指数进行同比，取 2021年与 2022年拥堵延时指数的比值进行分析，如表 12所示。（1）晚高峰的拥堵延时指数同比普遍高于早高峰的拥堵延时指数同比。可能是由于疫情放开，短时间内感染人数增加，各城市中小学停止线下授课，因此 2022年的早高峰出行拥堵明显下降。（2）在疫情影响下，武汉、北京和成都的交通拥堵不减反增，可能是在全面放开的政策影响下，人们出现了报复性出行的行为。特别是成都在 12.30 日晚高峰，成都的交通拥堵指数高达 2.8，市内出现大范围的严重拥堵，可能是由于此时成都疫情基本结束，人们迎来了第一个节假日，报复性出行的现象尤为突出。传染病大流行结束后的报复性出行，与通勤出行的时空特征差异极大，对城市交通的影响需格外关注，也对城市交通的韧性提出更高的要求。4结 论本文通过相关性分析、线性回归等方法，从多个角度探究城市交通健康指数与拥堵延时指数或平均车速之间的关系。根据各城市拥堵延时指数的变化规律，将研究时段分为疫情影响期、疫情稳定期、复工复产期、春节影响期这四个阶段分别探究。对样本城市进行 k-means 聚类，以定量和定性相结合的方式挖掘不同城市之间的普适性规律。并在早晚高峰、疫情、春节以及跨年夜等多种情境下，从工作日和节假日等多角度分析各大城市交通运行状况变化的异同点。分析得到以下主要结论：（1）在疫情放开和春节假期等多种复杂因素的影响下，交通健康指数仍能由拥堵延时指数或平均车速线性表征，说明交通健康指数存在一定程度的冗余，用拥堵延时指数等更易于获取的数据就可以描述城市的健康状况。且城市拥堵程度越高时，拥堵延时指数越能反映交通健康指数的变化趋势。（2）样本城市可以被分为三类：北京、武汉、成都；上海、广州、南京、苏州；昆明、厦门、呼和浩特。其中第一类城市受疫情的影响已经褪去，城市交通恢复活力；而第二类城市的交通状况随疫情波动较大，说明十二月下旬大湾区和长三角地区的城市交通出行受到疫情的严重冲击；第三类城市的交通状况随疫情的影响波动不明显。（3）疫情对节假日早晚高峰出行的不均衡性具有较大影响。疫情影响已经消退的第一类城市（武汉、成都和北京）在节假