发布时间:2021-07-05 14:58:26
U-PASS项目组成员周辉宇副教授（第一作者）、王雅璨教授（通讯作者）在经济学领域知名期刊Transport Policy上发表Impacts of COVID-19 and anti-pandemic policies on urban transport—an empirical study in China的学术论文。
COVID-19对人类社会的正常有序运行带来了巨大影响，作为所有社会活动的主要载体，城市交通系统也首当其冲受到负面影响。世界各国采取了各种限制和政策来防止大流行的传播，导致对运输的需求急剧下降，运输系统的迅速恢复和有效运作对社会和经济复苏至关重要。评估新冠肺炎疫情的影响已引起学术界和政策层面专业人士的关注。
在2020年6月11日至2020年7月20日北京市爆发的第二轮疫情中，几乎全部的新增确诊病例都具有新发地关联性。论文选择新发地疫情作为实证研究的对象，对于了解全球新冠大流行以及调控政策对城市交通系统的影响具有重要意义。考虑到COVID-19近来在全球的反复蔓延的发展趋势，北京新发地疫情的防控措施不仅可以为中国其他地区，也可为世界各国提供重要的经验和借鉴。
综上所述，聚焦于北京市新发地疫情这一突发性公共卫生事件，采用大数据研究手段，该论文结合经验模态分解算法（Foued, & Messaoud, 2020）和事件研究方法（Dolley，1933），通过计算累计异常流量值评估了新发地疫情对北京市整体交通流量的影响。该文的主要目标是确切评估新发地疫情及相关防疫措施对北京市域路面交通流量的影响，进一步间接评估我国疫情防控手段或政策的实际效用，以确定最优的政策或防控手段在防止COVID-19扩散的同时，保证必要水平的交通出行。
考虑到大数据交通出行量的周期性变化、趋势性波动等因素，该文采用经验模态分解算法进行交通大数据时间序列的分解，从而实现去周期性的目的。经验模态分解（EMD）是2000年来以傅立叶变换为基础的线性和稳态频谱分析的一个重大突破，该方法依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。基于这样的特性，EMD在处理非平稳及非线性数据上具有明显的优势。
在实证研究中，本文采用事件研究法开展研究，可以有效解决模型设定难题。大数据EMD方法与ESM框架相结合，消除了交通流数据的周期性，从而得到重大事件(新冠、防疫政策)对交通流时间序列的纯影响。总结和分析了新冠肺炎疫情对中国交通运输业的短期和长期影响，并提出了可能采取的降低新冠肺炎影响的措施。
该论文由周辉宇教授，王雅璨教授，美国北卡罗莱纳农工州立大学Joseph R.Huscroft教授和 北京交通大学本科生Bai Kailing共同合作完成。周辉宇副教授已在Transportation Research Part A, International Journal of Logistics Research and Applications等国际知名期刊发表学术论文。
参考文献
[1] Yu, H. K., & Huarng, K. H. (2020). A new event study method to forecast stock returns: the case of facebook. Journal of Business Research, 115.
[2] Dolley, J.C. (1933). Characteristics and procedure of common stock split-ups. Harv.Bus.Rev. 11 (3), 316–326.
