芜湖市位于长江三角洲西南部，是华东重要的工业基地、科教基地和全国综合交通枢纽。与此同时，交通供求矛盾也逐渐显著，立足于大数据手段改善交通拥堵的研究数量逐渐增多。近年来，我国众多学者对交通拥堵治理问题的研究逐步深入。2015年杜中华[1]以交通拥堵的基本理论为依据，通过考察我国现行交通的拥堵现状，从经济政策、城市交通管理等方面分析交通的拥堵原因，给出治理交通拥堵的对策建议。2017年周辉宇[2]使用时间序列规则挖掘算法建立交通拥堵传导规律模型，挖掘出的拥堵传导规则可以分析交通拥堵状况并预测未来交通流状况。2018年熊励等[3]构建了基于交通5S要素的城市拥堵理论模型，表明交通5S模型与方法能够准确有效地评价城市交通拥堵。2018年雷洋[4]综述国内外研究提出治理交通拥堵应该优先考虑使用发展性措施，积极实践管理性措施，慎重考虑采用限制性措施。2019年臧献伟等[5]利用交通仿真软件Vissim对路段进行仿真分析。徐峰[6]分析出互联网+智慧城市下的交通拥堵治理具有可行性。2020年王卉彤等[7]从空间分布、空间集聚、空间差异三个层面考察中国100个城市的交通拥堵空间格局。2020年徐向东等[8]采用一种基于带状路网的交通拥堵治理方法，最大限度缓解了由于车流快速聚集超过路口通行能力引起的短时集中拥堵。2020年李平[9]基于演化博弈理论构建交通运输企业、政府和公众的三方博弈模型，为政府部门制定交通拥堵治理政策提供了参考。2021年张文佳等[10]研究发现城市空间与基础设施策略对交通拥堵的缓解作用存在较大时空差异。1城市交通分布特征取2022年4月下旬实时数据，芜湖市交通情况暂时处于健康状态，调查选取4月14日~20日交通数据并统计，形成交通拥堵数据如表1所示。10.19301/j.cnki.zncs.2023.06.010.T001表1交通拥堵数据日期4月14日4月15日4月16日4月17日4月18日4月19日4月20日拥堵延迟指数1.381.371.381.321.291.391.36平均车速/(km/h)30.5530.7030.3631.7232.6030.3130.94高延时运行时间占比/%000.69002.080拥堵路段里程比/%0.400.380.440.250.140.490.38由表1可知，芜湖市交通拥堵的情况较为严重，需要找出影响交通拥堵的原因并提出改善交通拥堵的策略。由表1可以得到芜湖市拥堵延迟指数均值为1.36，平均车速为31.03 km/h，测试日期内高延时运行平均时间占比数值是0.40，拥堵路段平均里程比数值0.35。4月17日和4月18日为周末，拥堵延迟指数、高延时运行时间占比和拥堵路段里程比明显小于一周平均数值，车速大于一周平均数值。从高德地图大数据中查找往期2个月的周末数据，发现周末拥堵延迟指数、高延时运行时间占比、拥堵路段里程小于其他时间，而平均速度大于工作日，所以交通拥堵与上下班出勤时间相关。2芜湖市交通拥堵评价2.1样本和变量的选取导致交通拥堵的主要原因为道路容量不足，交通量超过道路总量。在治理城市交通拥堵过程中，拥堵状态评价是必不可少的环节，也是交通管理决策的重要依据。在交通拥堵形成因素评价中，一般从交通的供应和需求两个角度进行研究，为了便于研究，找出交通拥堵的主要形成因素，从原始数据出发探求主要因素从而简化系统结构。文章选取9个解释变量进行交通拥堵成因分析，指标包括：芜湖市总人口数X1、芜湖市人均GDPX2、城市人均拥有道路面积X3、交通事故发生数X4、汽车拥有量X5、出租车数量X6、电力消耗量X7、公路客运量X8以及公路里程X9。变量选取：文章以芜湖市为研究地点，研究数据选自2006—2020年（共15年）的《芜湖统计年鉴》的交通相关数据，采用SPSS软件进行分析研究，使用因子分析方法对9个指标进行评价，以便得出影响芜湖市交通拥堵的主要因素。芜湖市交通拥堵相关数据如表2所示。10.19301/j.cnki.zncs.2023.06.010.T002表2芜湖市交通拥堵相关数据年份X1/万人X2/元X3/m2X4/个X5/辆X6/辆X7/(kW·h)X8/个X9/km2006229.0021 045.0012.6259349 8372 530510 368.004 2304 762.002007230.5025 933.0016.4646662 7832 545627 876.004 8004 807.002008231.0033 024.0016.4628876 9323 045699 165.006 8864 807.002009230.1039 142.0018.6225099 7693 024775 904.008 0002 229.002010229.5049 013.0021.80218160 7253 504913 524.009 3224 809.002011385.4046 626.0024.711 585202 6533 5221 086 461.0013 4388 795.002012383.4052 453.0025.85674242 4783 5221 282 286.0014 6599 534.002013384.5058 532.0027.472 427275 8823 5251 447 114.0016 5919 532.802014384.5064 039.0025.942 123317 9893 5251 513 026.007 4399 533.002015384.8067 592.0024.871 700377 9993 7001 553 322.004 29010 898.002016367.0073 715.0026.341 335445 3143 7001 687 848.003 80811 117.002017387.7080 458.0024.821 095503 2693 7001 799 925.002 78111 242.002018388.9088 085.0023.781 103572 6813 7001 928 581.002 45610 984.002019389.8096 154.0022.97979617 9183 7002 027 286.002 06110 918.002020364.40102 964.0024.41989658 8893 7002 067 821.001 05611 171.002.2因子分析的具体操作原始数据中各指标度量单位不同，需要对原始变量进行标准化处理，公因子方差给出了此次分析所保留的前m个主成分从每个原始变量中提取的信息。包含最多信息的X7方差贡献率98.7%，包含变量X4的信息最少，方差贡献率为71.8%。总方差解释如表3所示。10.19301/j.cnki.zncs.2023.06.010.T003表3总方差解释项目总计方差百分比累积/%初始特征值6.45171.67671.6761.71919.09690.7720.5025.57396.3460.1551.72798.0720.1001.11399.1850.0420.47199.6570.0270.30099.6560.0030.03099.9860.0010.014100.00提取载荷平方和6.45171.67671.6761.71919.09690.772表3解释了总方差情况，此处SPSS保留了两个特征根，即保留两个主成分，累积方差贡献率为90.772%，说明这两个主成分包含了大量信息，由这两个主成分解释原始变量总差异的效果比较好。2.3相关性检验在进行因子分析之前，需要知道变量之间是否相关，以此来判断是否可以进行数据间的因子分析。相关系数矩阵如表4所示。10.19301/j.cnki.zncs.2023.06.010.T004表4相关系数矩阵相关系数X1X2X3X4X5X6X7X8X9X1X2X3X4X5X6X7X8X91.0000.7480.8710.7510.7550.8230.8450.0430.9410.7481.0000.6780.3690.9890.8430.9820.4300.8340.8710.6781.0000.7050.6270.8970.7540.2590.7960.7510.3690.7051.0000.3650.5060.4970.2570.6510.7550.9890.6270.3651.0000.7920.9800.4960.8600.8230.8430.8970.5060.7921.0000.8610.0180.8180.8450.9820.7540.4970.9800.8611.0000.3530.9100.0430.4300.2590.2570.4960.0180.3531.0000.1980.9410.8430.7960.6510.8600.8180.9100.1981.000相关系数绝对值越大，相关性越强，从相关系数矩阵可以得到，除X1和X8以及X6和X8外，原始各变量之间存在较强相关性。2.4公共因子的选取和因子载荷阵因子分析碎石图如图1所示。10.19301/j.cnki.zncs.2023.06.010.F001图1因子分析碎石图由图1可知，特征值曲线由较陡变为趋向平稳，发现前两个特征根较大，其余7个特征根较小，结合方差解释表中前两个公共因子的累积贡献率为90.772%，基本提取了样本中所包含的信息，因此，选择两个公共因子是合适的。协方差成分矩阵如表5所示。10.19301/j.cnki.zncs.2023.06.010.T005表5协方差成分矩阵组件X1X2X3X4X5X6X7X8X910.9330.9220.8680.6440.9140.9160.9700.1780.95620.2440.3550.4170.5510.3860.0940.2160.9300.006从表5可知，提取了2个主成分，由9个变量转化为仅分析2个综合变量。成分矩阵又名因子载荷矩阵是用标准化的主成分近似表示标准化原始变量的系数矩阵。用F1、F2表示各公共因子，则变量Xi为：X1=0.933F1+0.244F2；X2=0.922F1-0.335F2；X3=0.868F1+0.417F2；X4=0.644F1+0.551F2；X5=0.914F1-0.386F2；X6=0.916F1+0.094F2；X7=0.970F1-0.216F2；X8=-0.178F1+0.930F2；X9=0.956F1+0.006F2。因子得分系数矩阵采用标准化原始变量表示标准化主成分，由得分系数矩阵可以得到两个公共因子的线性表达式：F1=0.145X1*+0.143X2*+0.135X3*+0.100X4*+0.142X5*+0.142X6*+0.150X7*-0.028X8*+0.148X9*；F2=0.142X1*-0.195X2*+0.242X3*+0.321X4*-0.225X5*+0.055X6*-0.125X7*+0.541X8*+0.004X9*。X1*，X2*，X3*，X4*，X5*，X6*，X7*，X8*，X9*表示对原始变量进行标准化后的变量，各变量的系数的大小可以表示其重要性。成分得分系数矩阵如表6所示。10.19301/j.cnki.zncs.2023.06.010.T006表6成分得分系数组件X1X2X3X4X5X6X7X8X910.1450.1430.1350.1000.1420.1420.1500.0280.14820.1420.1950.2420.3210.2250.0550.1250.5410.004由主成分求解公共因子时，因子得分系数矩阵与因子载荷之间有密切的关系，因子得分系数矩阵=因子载荷阵/第一主成分的方差，以方差作为分母是因为公共因子是标准化的主成分。因子载荷阵和得分系数矩阵的计算方法本质是一致的，因此两者之间可以相互推导。2.5计算因子得分值将各样本点的因子得分保存为变量，用回归方法求因子得分系数，得到各样本的第一公共因子和第二公共因子得分分别为FAC_1，FAC_2。公共因子得分如表7所示，描述统计如表8所示。10.19301/j.cnki.zncs.2023.06.010.T007表7公共因子得分年份FAC1_1FAC2_12006-1.732-0.2802007-1.510-0.3192008-1.267-0.3342009-1.210-0.4492010-0.667-0.38020110.782-1.30020120.642-0.95820131.483-1.65320140.864-0.44420150.6400.21720160.5580.55020170.4290.95120180.3851.21420190.3051.49020200.2981.69510.19301/j.cnki.zncs.2023.06.010.T008表8描述统计项目数字最小值（M）最大值（X）平均值（E）标准偏差REGR factor score 1 for analysis 115-1.732 201.483 0301REGR factor score 2 for analysis 215-1.653 301.695 1001由表8可知，变量的标准偏差均为1，变量的均值为0。再用因子得分代替原始数据进行归类分析或者回归分析，绘制分布图以描述各样本点之间的相关性。样本点分布图如图2所示。10.19301/j.cnki.zncs.2023.06.010.F002图2样本点分布图结合表7和图2可知，分布在第一象限的年份包括2015年，2016年，2017年，2018年，2019年和2020年，说明在2015—2020年中汽车数量和人均道路拥有量增加的速度较快，第三象限分布的年份包括2006年，2007年，2008年，2009年和2010年，说明在2006—2010年的汽车数量和人均道路拥有量较少。2019年在第一象限且靠近y轴，说明2019年与2015年和2016年相比，人均道路拥有量降低，初步判断可能是由于人口数量上升，导致人均道路拥有量降低。3结语交通管理部门可以采用大数据相关设备改善交通拥堵的现状，如交通管理部门通过利用GPS定位技术和大数据监控技术，获悉城市交通情况，在发现交通拥堵情况后，及时定位拥堵路段并发布拥堵路段信息。也可以效仿北京、上海、广州等一线城市提出的交通管路相关政策，如“限号”“限行”“公交先行”等多种有效措施，多样化公共出行方式，如共享单车、共享电瓶车等，为城市出行者提供更多的选择，充分利用现有的路网条件，改善交通拥堵现象。