基于AHP-VAR的高速公路擁堵治理模型及應(yīng)用

郝建明 袁 雷

1(中遠(yuǎn)海運(yùn)科技股份有限公司 上海 200135) 2(寧夏交投科技發(fā)展有限公司 寧夏 銀川 750011)

0 引 言

根據(jù)交通運(yùn)輸部網(wǎng)站發(fā)布的《2021年交通運(yùn)輸行業(yè)發(fā)展統(tǒng)計(jì)公報(bào)》和《全國收費(fèi)公路統(tǒng)計(jì)公報(bào)》的數(shù)據(jù)顯示，截至2021年末，全國公路總里程達(dá)528.07萬公里，高速公路15.29萬公里，收費(fèi)站965個(gè)。隨著高速公路省界收費(fèi)站的逐步取消及ETC技術(shù)的推行使用，收費(fèi)站數(shù)量呈逐漸降低的趨勢(shì)。一方面縮減收費(fèi)站數(shù)量能夠提升日常通行效率，一定程度上緩解高速公路的擁擠程度；另一方面也增加了節(jié)能減排的社會(huì)效益和經(jīng)濟(jì)效益。但隨著經(jīng)濟(jì)發(fā)展，國內(nèi)汽車擁有量逐年上升，高速公路通行的車輛逐年增多，而收費(fèi)站數(shù)量不斷降低，必然對(duì)現(xiàn)存收費(fèi)站的運(yùn)營管理形成壓力，造成高速公路收費(fèi)站在某些情況下的擁擠現(xiàn)象。如何準(zhǔn)確評(píng)估影響高速公路擁堵的影響因素，并找到合理的解決辦法一直是高速公路運(yùn)營管理研究的重點(diǎn)問題。本文面向高速公路擁堵狀況，以收費(fèi)站為主要場(chǎng)景，對(duì)某地高速公路收費(fèi)站歷年數(shù)據(jù)進(jìn)行分析，基于AHP層次分析法篩選影響擁堵的核心因素，建立時(shí)間序列的VAR模型，為解決高速公路擁堵提供一套行之有效的高速公路擁堵治理模型及應(yīng)用方法。

1 研究綜述

關(guān)于高速公路擁堵已經(jīng)開展相關(guān)研究，通過采用不同的技術(shù)研究加快車輛通行速度。楊陽等[1]針對(duì)高速公路路段流量和節(jié)假日高峰期等影響因素，開展應(yīng)急車道開放的決策模型研究。閆晟煜等[2]為提高鮮活農(nóng)產(chǎn)品車輛在收費(fèi)站的通行效率，提出高速公路鮮活農(nóng)產(chǎn)品運(yùn)輸車輛快速檢測(cè)方法。李星等[3]通過分析高速公路改擴(kuò)建工程對(duì)交通擁堵的影響，來仿真運(yùn)行驗(yàn)證高速公路改擴(kuò)建的合理性。周玲等[4]通過對(duì)常發(fā)生擁堵現(xiàn)象的30多個(gè)收費(fèi)站進(jìn)行調(diào)研，分析造成收費(fèi)站擁堵的因素，并通過優(yōu)化技術(shù)方案，緩解交通擁堵。張晨琛等[5]建立一種適用于高速公路收費(fèi)站系統(tǒng)的元胞自動(dòng)機(jī)交通流模型，對(duì)引發(fā)收費(fèi)站擁堵的因素進(jìn)行分析比較，提出消除擁堵的控制策略。

在模型算法的研究上，崔艷玲等[6]提出一種數(shù)據(jù)融合方法Megrez，挖掘數(shù)據(jù)的內(nèi)在缺失，融入交通流數(shù)據(jù)對(duì)重構(gòu)數(shù)據(jù)進(jìn)行糾偏，以低成本來實(shí)現(xiàn)公路路況檢測(cè)。許倫輝等[7]提出一種采用混合式計(jì)費(fèi)方式的高速收費(fèi)站的動(dòng)態(tài)調(diào)節(jié)策略，建立混合式收費(fèi)站的微觀仿真模型，來提升通行效率。Cui等[8]提出一種新型的收費(fèi)站前路段控制辦法，建立停車次數(shù)模型，將燃料耗費(fèi)作為最小目標(biāo)，劃分不同隊(duì)長的控制信號(hào)燈，來提升通行效率。王鵬[9]基于排隊(duì)論和深度學(xué)習(xí)技術(shù)，對(duì)高速公路收費(fèi)站車道開閉配置開展研究，通過合理配置不同時(shí)刻車道開閉的狀態(tài)，來達(dá)到資源的有效利用。Ochoa等[10]通過引入一個(gè)新型的無模型控制器，來模擬實(shí)時(shí)動(dòng)態(tài)收費(fèi)。宋文通[11]對(duì)收費(fèi)站出口銜接的其他城市公路開展協(xié)同研究，提出調(diào)控收費(fèi)站通行能力的策略和方法，來提升短期的交通流控制能力。呂蘇榆等[12]研究了基于LMDI與VAR模型的生產(chǎn)用水驅(qū)動(dòng)因素影響，指出VAR模型是用于分析變量滯后項(xiàng)對(duì)當(dāng)前變量的影響的回歸模型。侯衛(wèi)東等[13]基于TVP-VAR模型開展?jié)卟淮_定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)研究。在相關(guān)因素變量的研究模型上，通過VAR模型來研究影響因素是一種方法。

過往的研究表明，節(jié)假日、檢測(cè)技術(shù)、收費(fèi)站車道數(shù)、ETC使用率、天氣因素、不同時(shí)期車流量、車牌識(shí)別的正常率等因素都將對(duì)收費(fèi)站的正常運(yùn)營產(chǎn)生影響，而并未指出影響高速公路收費(fèi)站擁堵的核心因素，以及作為收費(fèi)站運(yùn)營管理方需要急迫解決的問題。同時(shí)，相關(guān)的模型算法集中在研究檢測(cè)、計(jì)費(fèi)或車道開閉等單一因素對(duì)通行效率的影響，并未考慮不同因素對(duì)高速公路收費(fèi)站的共同影響。本文采用AHP層次分析法篩選出影響高速公路收費(fèi)站擁堵的核心因素，基于時(shí)間序列VAR模型對(duì)影響交通擁堵的核心因素進(jìn)行分析，指出高速公路收費(fèi)站運(yùn)營方急切解決的問題，并提供解決策略。

2 高速收費(fèi)站擁堵因素分析

隨著我國經(jīng)濟(jì)不斷發(fā)展，高速公路上的車流量呈現(xiàn)逐年上升態(tài)勢(shì)，收費(fèi)站擁堵成為時(shí)有出現(xiàn)的現(xiàn)象。從2012年開始，我國施行節(jié)假日免征七座以下車輛通行費(fèi)的政策，節(jié)假日高速公路收費(fèi)站擁堵似乎成為必然的問題。然而，除了節(jié)假日車輛劇增的因素外，還包括其他各種類型的因素影響收費(fèi)站的通行能力。通過研究收費(fèi)站擁堵的影響因素，為收費(fèi)站提供便捷、安全、高效的通行環(huán)境提出解決策略，提升高速收費(fèi)站運(yùn)營管理的效率，成為收費(fèi)站運(yùn)營管理單位需要急切解決的問題。

通過對(duì)某地高速公路收費(fèi)站運(yùn)營管理方面的綜合分析，將影響收費(fèi)站擁堵的因素歸結(jié)為四大類，分別為收費(fèi)站結(jié)構(gòu)特征、設(shè)備使用情況、外部因素和運(yùn)營管理情況，具體如圖1所示。

圖1 高速公路收費(fèi)站影響因素類型

(1) 收費(fèi)站結(jié)構(gòu)特征。高速公路收費(fèi)站結(jié)構(gòu)特征對(duì)車輛通行效率具有一定的影響，如收費(fèi)站車道數(shù)、站前車道長度、收費(fèi)站車道寬度等，收費(fèi)站本身的結(jié)構(gòu)特征在物理?xiàng)l件上影響著通行效率。

(2) 設(shè)備使用情況。隨著ETC等自助收費(fèi)技術(shù)的發(fā)展，目前大多數(shù)收費(fèi)站都采用了人工與ETC混合的收費(fèi)模式。ETC使用率、車牌識(shí)別設(shè)備正常率、正常抬桿率等設(shè)備使用情況是影響交通通行效率的影響因素之一。

(3) 外部影響因素。外部因素包括節(jié)假日、天氣因素、收費(fèi)站改建修繕等，通常會(huì)集中在某段時(shí)間產(chǎn)生影響。

(4) 運(yùn)營管理情況。作為收費(fèi)站運(yùn)營管理的相關(guān)方，在日常運(yùn)營管理時(shí)，收費(fèi)站車道開放率、人工通道收費(fèi)效率、車輛檢測(cè)效率等對(duì)收費(fèi)站通行效率產(chǎn)生影響。

3 AHP-VAR模型算法

3.1 總體流程

由于影響收費(fèi)站通行效率的因素有很多，如果直接采用其中一個(gè)或幾個(gè)影響因素進(jìn)行分析，并不能解決收費(fèi)站擁堵的核心問題。因此，首先需要對(duì)影響收費(fèi)站通行效率的眾多因素進(jìn)行篩選，選取其中的核心的因素進(jìn)行分析。本文提出基于AHP-VAR模型的收費(fèi)站擁堵研究，利用AHP層次分析法來篩選出影響高速公路收費(fèi)站擁堵的核心因素，再基于VAR模型對(duì)影響因素進(jìn)行分析研究。該算法流程如圖2所示。

圖2 AHP-VAR模型計(jì)算流程

首先，對(duì)高速收費(fèi)站擁堵因素梳理分析，將影響因素一一列舉，通過AHP進(jìn)行權(quán)重計(jì)算，對(duì)得到的權(quán)重結(jié)果進(jìn)行一致性檢驗(yàn)，檢驗(yàn)通過后進(jìn)行影響因素排序，未通過則重新進(jìn)行權(quán)重計(jì)算。將篩選出的因素進(jìn)行VAR模型的計(jì)算研究，通過時(shí)間序列分析、協(xié)整檢驗(yàn)、格蘭杰因果檢驗(yàn)、VAR模型估計(jì)、模型的平穩(wěn)性檢驗(yàn)和脈沖響應(yīng)函數(shù)與方差分解過程，研究這些因素對(duì)收費(fèi)站擁堵的情況。

3.2 基于AHP的影響因素篩選

AHP層次分析法是一種面向多個(gè)目標(biāo)的定性和定量的研究方法，作為一種復(fù)雜的權(quán)重策略研究方法，用決策的經(jīng)驗(yàn)依據(jù)，判斷多因素之間相互重要的程度，來給出合理的權(quán)重權(quán)數(shù)，依據(jù)權(quán)數(shù)來計(jì)算互相之間的重要次序[14]。

1) 權(quán)重計(jì)算。依據(jù)本文第二節(jié)歸納的12個(gè)影響交通擁堵的因素，請(qǐng)10位專家對(duì)這12個(gè)影響因素進(jìn)行打分。如A因素相較于B因素非常重要打10分，反之B因素相較于A因素打0.1分，然后對(duì)得分進(jìn)行加權(quán)平均，針對(duì)專家打分的結(jié)果利用SPSS工具開展分析，分析結(jié)果如表1所示。

表1 AHP層次分析結(jié)果

2) 一致性檢驗(yàn)。在通過AHP層次分析法計(jì)算出權(quán)重結(jié)果后，應(yīng)該要開展一次一致性檢驗(yàn)，CI和RI是檢驗(yàn)過程中用到的兩個(gè)指標(biāo)，其中CI=(最大特征根-n)/(n-1)，此處通過計(jì)算得出CI=0.065。

由于本次研究的影響因素有12個(gè)，構(gòu)建出12階判斷矩陣，通過SPSS工具得到對(duì)應(yīng)隨機(jī)一致性RI值為1.540。

計(jì)算一致性指標(biāo)CR值，CR=CI/RI。所以得出：CR=0.042。檢驗(yàn)的原則是CR值越小，證明檢驗(yàn)效果好，當(dāng)CR值小于0.1，能夠判斷出本次驗(yàn)證滿足一致性要求，也可以證明通過本次驗(yàn)證。表2所示為一致性檢驗(yàn)結(jié)果。

表2 一致性檢驗(yàn)結(jié)果匯總

3) 結(jié)果篩選。通過上述AHP層次分析法計(jì)算得出高速公路收費(fèi)站擁堵影響因素的權(quán)重排序，如圖3所示。

圖3 高速收費(fèi)站擁堵影響因素權(quán)重排序

通過AHP分析得出的權(quán)重排序結(jié)果，篩選出前6個(gè)因素(權(quán)重占比約80%)作為高速公路收費(fèi)站擁堵的核心因素進(jìn)行VAR模型的研究分析。

3.3 基于VAR模型的影響因素研究

VAR模型是常用的多元時(shí)間序列分析模型，可以對(duì)多個(gè)變量的時(shí)間序列進(jìn)行類似回歸的方法，多元時(shí)間序列分析同時(shí)考慮多個(gè)時(shí)間序列，從而得到各個(gè)變量之間的相互影響關(guān)系，尤其是各個(gè)影響因子時(shí)間序列對(duì)因變量時(shí)間序列的影響關(guān)系。一個(gè)k維時(shí)間序列zt=(z1t,z2t,…,zkt)′是由k個(gè)隨機(jī)變量的時(shí)間序列向量構(gòu)成。本文采用多元時(shí)間序列對(duì)收費(fèi)站車道數(shù)(CHEDAO)、ETC使用率(ETC)、車牌識(shí)別設(shè)備正常率(CHEPAI)、節(jié)假日(JIEJIA)、收費(fèi)站車道寬度(KUANDU)、站前車道長度(CHANGDU)6個(gè)核心因素對(duì)收費(fèi)站擁堵持續(xù)時(shí)間(TIME)進(jìn)行分析，構(gòu)造向量自回歸模型VAR：[15]

式中：yt表示第t期的因變量；yt-j和xt-i分別表示因變量y和解釋變量x的m階和n階滯后項(xiàng)；α、βj、γi表示待估的模型系數(shù)；μt表示隨機(jī)擾動(dòng)項(xiàng)。其中，因變量y和解釋變量x的滯后階數(shù)m和n的階數(shù)可以依據(jù)信息準(zhǔn)則AIC和BIC最小值確定。

本方法計(jì)算流程如下：

(1) 平穩(wěn)性檢驗(yàn)。如果一個(gè)k維時(shí)間序列zt滿足下列兩個(gè)條件：

E(zt)=μ

(1)

Cov(zt)=E[(zt-μ)(zt-μ)′]=Σz

(2)

那么該序列就是弱平穩(wěn)性的。Σz為k×k維的常數(shù)正定矩陣。E(zt)和Cov(zt)分別表示隨機(jī)向量z間的期望和協(xié)方差矩陣。判斷一個(gè)時(shí)間序列的平穩(wěn)性，通常依據(jù)沒有系統(tǒng)變化的均值(無趨勢(shì))、沒有系統(tǒng)變化的方差，周期性嚴(yán)格消除，這樣的情況下，就稱時(shí)間序列是平穩(wěn)的。在對(duì)多元時(shí)間序列進(jìn)行分析前，要檢驗(yàn)序列的平穩(wěn)性，通常依靠圖檢驗(yàn)或統(tǒng)計(jì)檢驗(yàn)。統(tǒng)計(jì)檢驗(yàn)包括ADF檢驗(yàn)、PP檢驗(yàn)、KPSS檢驗(yàn)。當(dāng)數(shù)據(jù)不平穩(wěn)的時(shí)候就可以用差分法獲得平穩(wěn)序列。

① 進(jìn)行平穩(wěn)性檢驗(yàn)，R語言偽代碼如下[16]：

adf.test(LNTIME,alt="stationary");pp.test(LNTIME,alt="stationary");kpss.test(LNTIME)

#三種對(duì)時(shí)間序列平穩(wěn)性進(jìn)行檢驗(yàn)的方法

② 如果序列不平穩(wěn)，則進(jìn)行一階差分，再對(duì)差分后的序列進(jìn)行下一次平穩(wěn)性檢驗(yàn)：

(DLNTIME=diff(LNTIME))[16]

#對(duì)變量進(jìn)行差分

adf.test(DLNTIME,alt="stationary");pp.test(DLNTIME,alt="stationary");kpss.test(DLNTIME)[16]

③ 如果序列平穩(wěn)，則結(jié)束；如果序列不平穩(wěn)，則返回第②步。

(2) 協(xié)整檢驗(yàn)。協(xié)整檢驗(yàn)可以判斷非平穩(wěn)序列的穩(wěn)定均衡關(guān)系，以此避免偽回歸問題。傳統(tǒng)上講，在進(jìn)行時(shí)間序列分析前，需要確定時(shí)間序列是平穩(wěn)的，如果不平穩(wěn)可以用差分得到平穩(wěn)，但是會(huì)失去時(shí)間序列總量的長期信息，因而現(xiàn)在常用協(xié)整檢驗(yàn)來解決此問題。協(xié)整檢驗(yàn)的方法常用Johansen檢驗(yàn)和Philips-Ouliaris檢驗(yàn)。協(xié)整檢驗(yàn)是用線性誤差修正模型，線性調(diào)整各變量之間的關(guān)系。

>ca.jo(w,type="trace")[16]

>ca.po(w,demean="constant",type="Pu")[16]

#采用Johansen檢驗(yàn)和Philips-Ouliaris檢驗(yàn)進(jìn)行協(xié)整分析

(3) 因果檢驗(yàn)。因果檢驗(yàn)屬于統(tǒng)計(jì)假設(shè)檢驗(yàn)，用來檢驗(yàn)時(shí)間序列x和y之間的因果關(guān)系或交叉關(guān)系，即x是否是y的原因或者相反。在時(shí)間序列情境下，如果包含x和y滯后項(xiàng)對(duì)y的預(yù)測(cè)效果優(yōu)于不包含x的預(yù)測(cè)效果，即x有幫助于解釋y的未來變化，則認(rèn)為x是y的原因。

① 當(dāng)期的y對(duì)y的滯后項(xiàng)以及除x的滯后項(xiàng)以外的其他變量做有約束回歸，得到有約束回歸殘差平方和RSSR。

② 在步驟①的回歸式中加入滯后項(xiàng)x得到無約束回歸殘差平方和RSSR。

③ 零假設(shè)：滯后項(xiàng)x不屬于此回歸。用F檢驗(yàn)，即遵循自由度為q和(n-k)的F分布。其中，n表示樣本容量，q為滯后項(xiàng)y的數(shù)量，即有約束回歸方程中待估參數(shù)數(shù)目，k是無約束回歸中待估參數(shù)數(shù)目。如果拒絕零假設(shè)，則滯后項(xiàng)x屬于此回歸，說明x是y的原因。

④ 替換x和y，重復(fù)步驟①～③。

>grangertest(LNCHEDAO,LNETC,order=2)[16]

#進(jìn)行因果檢驗(yàn)

(4) 模型估計(jì)。首先，最優(yōu)滯后階數(shù)是依據(jù)AIC、HQ、SC、FPE四種方法來選擇，接著用所選滯后階數(shù)估計(jì)VAR模型：

>VARselect(data.frame(DDLNCHEDAO,DDLNETC,DDLNTIME),lag.max=6,season=NULL,exogen=NULL)[16]

>VAR(data.frame(DDLNCHEDAO,DDLNETC,DDLNTIME),lag.max=1)[16]

#模型的VAR估計(jì)

(5) 模型的平穩(wěn)性檢驗(yàn)。模型的平穩(wěn)性檢驗(yàn)通常用特征根或者殘差序列來檢驗(yàn)。特征根的方法是判斷模型特征根是否都在單位圓內(nèi)，如果滿足都在單位圓內(nèi)則模型是平穩(wěn)的。而檢驗(yàn)?zāi)Ｐ蜌埐钚蛄惺欠褡韵嚓P(guān)，常用Portmanteau檢驗(yàn)和LM檢驗(yàn)，其零假設(shè)都是殘差序列純隨機(jī)，其備擇假設(shè)都為殘差序列具有自相關(guān)關(guān)系。

>roots(var,modulus=TRUE)[16]

#特征根檢驗(yàn)方法

>serial.test(var,lags.pt=16,type=′PT.asymptotic′)[16]

#殘差序列檢驗(yàn)方法

(6) 脈沖響應(yīng)函數(shù)與方差分解。以脈沖響應(yīng)分析和方差分解探索各變量之間的相互影響關(guān)系。脈沖響應(yīng)判斷模型中某一變量的沖擊對(duì)其他變量當(dāng)期或者未來是否產(chǎn)生影響以及所產(chǎn)生的影響程度；方差分解一方面得到每個(gè)變量沖擊對(duì)其他變量變化貢獻(xiàn)程度，另一方面得到不同變量沖擊重要程度，最后由已建立的模型預(yù)測(cè)未來的發(fā)展趨勢(shì)。

>(var.irf<-irf(var,n.ahead=10)); plot(var.irf)[16]

#脈沖響應(yīng)函數(shù)

>(fevd1<-fevd(var,n.ahead=20)); plot(fevd1)[16]

#方差分解表

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)驗(yàn)證

通過VAR模型來研究發(fā)生擁堵的影響因素，需要確定選取的數(shù)據(jù)不存在確定趨勢(shì)或隨機(jī)趨勢(shì)，以避免發(fā)生偽回歸問題。偽回歸問題指不同的數(shù)據(jù)僅僅因時(shí)間關(guān)系同時(shí)具備的向上或是向下的趨勢(shì)，而實(shí)際上并沒有關(guān)系。為了消除這些問題，需要通過平穩(wěn)性檢驗(yàn)來消除可能存在的偽回歸問題，只有通過平穩(wěn)性檢驗(yàn)的VAR模型才具備統(tǒng)計(jì)分析的意義。通過平穩(wěn)性檢驗(yàn)后，才能進(jìn)行格蘭杰檢驗(yàn)，來驗(yàn)證不同的影響因素是否是產(chǎn)生擁堵的原因。通過開展模型估計(jì)和VAR模型平穩(wěn)性檢驗(yàn)，以及脈沖響應(yīng)函數(shù)與方差分解來確定影響的程度，以此來驗(yàn)證本模型的有效性。

(1) 平穩(wěn)性檢驗(yàn)結(jié)果如表3所示。

表3 時(shí)間序列TIME平穩(wěn)性檢驗(yàn)

(2) 格蘭杰因果檢驗(yàn)結(jié)果如表4所示。

表4 格蘭杰因果檢驗(yàn)

可以看出，6個(gè)核心影響因素收費(fèi)站車道數(shù)(CHEDAO)、ETC使用率(ETC)、車牌識(shí)別設(shè)備正常率(CHEPAI)、節(jié)假日(JIEJIA)、收費(fèi)站車道寬度(KUANDU)、站前車道長度(CHANGDU)對(duì)收費(fèi)站擁堵持續(xù)時(shí)間(TIME)均有重要影響，與文獻(xiàn)綜述的觀點(diǎn)一致，說明VAR模型對(duì)于多元時(shí)間序列影響因素分析具有有效性。

(3) 模型估計(jì)結(jié)果如下：

(4) VAR模型平穩(wěn)性檢驗(yàn)結(jié)果如表5所示，證明了該VAR模型滿足平穩(wěn)性條件。

表5 VAR模型平穩(wěn)性檢驗(yàn)

(5) 脈沖響應(yīng)函數(shù)與方差分解結(jié)果如圖4所示。

圖4 脈沖響應(yīng)函數(shù)圖

根據(jù)正交脈沖響應(yīng)圖可知，CHEDAO、ETC、CHEPAI等變量對(duì)TIME的沖擊短期內(nèi)具有很大沖擊，到第7期趨于平穩(wěn)。根據(jù)方差分解可知，變量對(duì)TIME變化貢獻(xiàn)率在第7期之后保持平穩(wěn)，其中貢獻(xiàn)率最大的是CHEDAO。

本實(shí)驗(yàn)通過VAR模型驗(yàn)證了對(duì)高速收費(fèi)站擁堵持續(xù)時(shí)間多元時(shí)間序列影響因素分析的有效性。VAR模型可以分析多元時(shí)間序列里高速收費(fèi)站擁堵持續(xù)時(shí)間影響的因素以及影響程度。

4.2 應(yīng)用分析

通過上述計(jì)算過程，收費(fèi)站車道數(shù)(CHEDAO)、ETC使用率(ETC)、車牌識(shí)別設(shè)備正常率(CHEPAI)、節(jié)假日(JIEJIA)、收費(fèi)站車道寬度(KUANDU)、站前車道長度(CHANGDU)對(duì)收費(fèi)站擁堵持續(xù)時(shí)間(TIME)均有重要影響，與文獻(xiàn)綜述的觀點(diǎn)一致，證明VAR模型對(duì)于多元時(shí)間序列影響因素分析具有有效性。

在改善建議方面，針對(duì)具有較高的貢獻(xiàn)率的車道數(shù)、ETC使用率等因素，可以適當(dāng)增加車道數(shù)量建設(shè)、提高ETC等設(shè)備的實(shí)際應(yīng)用，在節(jié)假日等車流量較大的情況，開放全部通道，定期對(duì)設(shè)備進(jìn)行日常檢修，確保設(shè)備的正常識(shí)別率和高效的抬桿率，緩解高速收費(fèi)站擁堵情況，提升高速公路的日常運(yùn)營效率。

5 結(jié) 語

本文研究了基于AHP-VAR的高速公路擁堵治理模型及應(yīng)用，對(duì)產(chǎn)生擁堵的影響因素進(jìn)行分類梳理，共歸結(jié)為4大類12種比較常見的因素類型?；贏HP層次分析法對(duì)12種因素進(jìn)行權(quán)重的計(jì)算排序，篩選出最重要的6個(gè)因素進(jìn)行VAR模型的研究，通過對(duì)數(shù)據(jù)的實(shí)驗(yàn)驗(yàn)證，證實(shí)該模型在分析收費(fèi)站擁堵的因素上具有較高的適用性。此外，針對(duì)實(shí)驗(yàn)驗(yàn)證結(jié)果和當(dāng)前高速公路運(yùn)營管理的整體狀況，提出改善建議。同時(shí)，本文也存在一些局限，如開展AHP層次分析法來篩選擁堵因素時(shí)，需要通過大量的調(diào)研，對(duì)專家的水平要求較高，通過客觀有效的打分才能得到有效的權(quán)重。