交通拥堵是由交通需求与供给不一致引发的交通滞留现象^[1]。现阶段, 我国正处于快速城镇化阶段, 城市人口、车辆急剧增长, 城市规模不断扩大, 交通拥堵问题日益严峻。目前, 对于交通拥堵的研究主要包括:对交通拥堵点的判别, 杨祖元、陈阳舟、鲁小丫等研究了交通拥堵点的判别算法^[1-4]; 交通拥堵建模方面, Bando M.等从交通动力学的角度考虑车辆的运动方程, 提出了交通拥堵演变模型^[5]; 交通拥堵机理方面，高自友等研究了交通拥堵的传播和消散机理^[6]; 交通拥堵原因分析及治理对策方面也有不少研究成效^[7-9]。已有的研究^[10]表明，交通拥堵在时空上具有相关性, 探索其时空分布特征, 对于把握整体交通情况, 制定交通拥堵治理策略具有重要意义。

与Moran′s I相比, G统计量不仅能得出事件之间是否具有时空相关性, 还具有在时空上探究事件属于高值还是低值聚类、聚类的具体空间位置以及事件之间隐含关系的优点, 因此常被用来研究事物在空间上的分布规律。本文尝试将城市交通拥堵点当作事件, 利用广义G统计量(Getis-Ord General G)和热点分析(Getis-Ord Gi*)对西安市三环以内地区的实时交通状况进行可视化统计, 分析西安交通拥堵的时空分布规律, 以期为西安市交通拥堵治理提供参考。

1 研究区概况

本文以西安市三环以内道路网络为研究对象。研究区内的路网结构主要呈两轴、三环、四横、四纵、八放射的交通网络格局(图 1)。

据详细资料^[11], 截止到2013年底, 西安市的全社会车辆达到186.21万辆, 其中私人汽车拥有量多达141.24万辆, 占全社会车辆数的75.85%, 构成了西安市车辆的主要类型。而到2014年底, 西安市机动车保有量攀升至215万辆左右, 全市约90%的机动车集中在主城区, 城区车辆密度达3 400辆/km², 仅次于3 800辆/km²的北京。此外, 西安市人口密度从2004年的717人/km²上升至2013年的798人/km², 近10年增长11.3%, 人流、车流的快速增长已经成为直接造成西安市交通需求量膨胀最主要的原因。而与此同时, 西安市的交通供给量却远不能满足快速增长的需求, 供需矛盾日益尖锐, 交通拥堵形势已十分严峻。

2 数据与方法 2.1 数据来源及预处理 2.1.1 数据来源

百度地图采集的实时路况数据融合了目前不同的获取技术, 结果较为可信。本文采用的数据来源于百度地图 2014年10月24~30日的实时路况数据, 数据获取具体时间如表 1。

2.1.2 数据预处理

数据预处理包括两方面的内容:道路网信息的预处理和拥堵点数据的预处理。对道路网信息的预处理, 根据从百度地图上获取到的西安市三环以内地区的瓦片数据拼接成完整的西安市三环地图, 将其导入Arcgis中进行矢量化得到道路线状数据。

对于交通拥堵的标准, 目前国际上还未形成统一定义。本文根据百度地图实时路况图片, 将拥堵程度分为3类:畅通(绿色)、缓行(黄色)和拥堵(红色、红黑色), 对应的属性值分别为1，2，3, 每个道路交叉点作为一个拥堵点事件, 从而得到研究区内的拥堵点数据。

按照车辆驶来的方向确定拥堵点的属性值, 若任何一个方向值为3, 则该点为拥堵点, 其余情况中若有两个以上方向值相同, 则用其作为该点的实时路况。对于某些因没有采集而造成实时路况属性缺失的点, 在矢量化时其属性值记录为0, 需要通过预处理去除, 最终得到一个没有0值的实时路况数据。

2.2 研究方法

空间聚类指基于空间相似度, 将具有相似空间行为的对象归为一组, 各组间差别尽量大, 组内差别尽量小^[12]。聚类的前提是事件之间具有空间自相关性, 一般用广义G统计量、热点分析、Moran′s I等来描述。Moran′s I针对的对象是要素位置和属性值, 它研究不同观察对象相同属性的空间关系，其取值范围为[-1, 1]。较之于Moran′s I, 广义G统计量和热点分析不仅能判断观察对象在空间上是否具有相关性, 还能判断观察对象在空间上的聚集模式并可视化其聚集的空间位置, 因此本文选择广义G统计量和热点分析作为研究方法。

本文将相互邻接的一组点作为一个统计单元, 每个统计单元内具有相同属性值的事件归为一组, 通过Arcgis软件的广义G统计量和热点分析功能探究其聚类的特征和空间分布。采用广义G统计量分析研究区实时路况的空间聚类模式, 度量地理要素之间邻接关系的空间权重矩阵采用常变蓉^[13]的方法自动生成。为了进一步探究交通拥堵事件聚类的空间位置, 用热点分析工具来进行识别。

2.2.1 广义G统计量

用来探究空间聚类的分布模式。计算公式如下:

(1)

式中, G在本文中代表交通事件聚类的模式, w_{i, j}为交通拥堵事件i和j之间的空间权重, x_i和x_j为i和j的实时路况观测值。G的取值范围为[0, 1], 对于计算出的G值通常需要用标准化统计量Z进行检验。Z值计算公式如下:

(2)

式中, Z为标准化统计量, E(G)为空间自相关指数期望值, V(G)为标准差。

P值较小且Z>0, 表明研究区中高值聚集; 反之, P值较小且Z < 0, 表明研究区中低值聚集。

2.2.2 热点分析

通过识别具有统计显著性的热点和冷点, 可以得到发生空间聚类的高值或低值的具体位置^[14], 在本文中代表交通拥堵事件聚集的空间位置。计算公式如下:

(3)

式中, x_j是交通拥堵事件j的属性值, w_{i, j}是i和j之间的空间权重, n是拥堵事件总数, 且:

(4)

(5)

G_i^*统计的是Z值得分, 因此不需要作进一步的计算。

2.2.3 交通拥堵的时间特征分析方法

交通拥堵不仅具有空间上的集聚特征, 还具有时间上的重复特征, 本文选取工作日的早晚高峰期和中午午休时段以及周末的相应时段进行对比分析。

在工作日, 对早中晚3个时段的交通拥堵进行分析得出工作日交通拥堵的时间规律。周末, 由于大部分公司不上班, 商圈活动、旅游等因素使得人们的出行特征发生很大的变化, 对其进行分析得出周末拥堵的时间规律。

3 结果与分析 3.1 拥堵聚集度分析

广义G统计量反映的是事件聚集的强度, 可以用来描述交通拥堵的聚集度。对西安一周实时路况数据进行广义G统计量分析, 结果如表 2。

从表 2统计结果来看, P值都较小, 且Z值得分都为正, 表明实时路况在空间上存在高值聚集现象(即出现交通拥堵块)。

同时, 还发现周五的空间集聚性最强, 周三的最弱, 周一至周五早中晚3个时间段的拥堵特征与周末存在差异, 表明交通拥堵的空间集聚具有一定的时间分布规律(图 2)。

从图 2(a)可以看出, 广义G统计量在星期一和星期五具有明显的“峰”值, 星期三具有明显的“谷”值, 这表明一周内这两天交通拥堵程度最严重, 而周三的拥堵程度则明显降低。图 2(b)显示早晚高峰拥堵最易发生在周五, 其次是周一, 周末没有明显的早晚高峰。中午时段最拥堵出现在星期天, 这可能是由于星期天人们出行习惯的改变造成早高峰推迟, 并与午间交通流叠加造成交通拥堵。图 2中星期二广义G统计量的值明显偏高, 这与当天的特殊天气情况有很大关系, 据查当天为小雨天气, 温度10℃~14℃, 低温下雨天气使得依靠车辆出行的需求在短时间内增加, 从而形成严重的交通拥堵。

3.2 拥堵热点分析

通过热点分析得到了西安市实时路况拥堵块的可视化分布图(图 3)。

结果显示西安市的交通拥堵在空间上具有一定的聚集性, 总体上周内(周一至周五)拥堵事件聚集程度高于周末, 且空间位置更集中。

周内早晨(图 3(a))环城北路东段太华立交至安远门桥、环城南路南门至咸宁西路以及环城东路附近路段拥堵最为严重, 拥堵区域主要集中在城市交通运输中心(火车站和汽车站)以及民乐园商圈, 而周末早晨(图 3(d))拥堵区域较之于周内有向西南方向移动的规律, 主要分布在高新区; 与周内早晨相比, 周内中午时段(图 3(b))拥堵逐渐向城墙以内区域移动, 且周末同时段拥堵分布空间位置大致相同, 但范围缩小很多; 周内晚上(图 3(c))交通拥堵空间分布较为分散, 几乎各个重要路段和商圈都处于拥堵状态, 而同时段的周末交通则比较顺畅。

4 结论

1) 本文基于实时路况数据, 使用G统计量分析得出的西安交通拥堵的空间分布与西安公安局交通管理局发布的交通运行情况基本一致, 时间分布规律也与许多大城市基本一致, 说明利用实时路况数据研究西安交通拥堵特征较为可靠。

2) 西安市交通拥堵呈现出一定的时间和空间规律。时间上, 交通压力主要集中在早晚高峰期, 且拥堵程度周内比周末严重; 空间上, 交通拥堵主要发生在明城墙以内的主城区以及高新、钟楼、小寨等重要商圈, 这些地区均为人流、车流量较为集中的地方。造成交通拥堵的原因错综复杂, 时间上主要受居民出行特征(工作日通勤和节假日出行)的影响, 空间上则是由城市功能分区、商圈分布以及路网结构等因素造成。