关于城市交通的有用知识极为匮乏，在发展中国家尤其如此。与此同时，发展中国家的城市交通正被列为大规模投资的重点领域。例如，截至2016年，交通运输是世界银行最大的贷款领域，占其净承诺额的20%以上。
现有的学术研究在考察发展中国家城市交通系统的表现时，通常只聚焦于某一大城市系统的某个特定方面。例如，Tsivanidis（2018）研究了波哥大的快速公交系统，Hanna等人（2017）研究了雅加达的高载客车辆（HOV）专用车道，Ang等人（2018）研究了圣保罗的限速措施，Kreindler（2018）研究了班加罗尔的拥堵收费。这些创新性研究提供了有价值的政策视角，但由于缺乏可用于跨城市比较结果的全市范围数据，因此难以对城市出行的决定因素进行更全面的分析。大众媒体也经常讨论城市出行问题，着重强调拥堵是造成糟糕结果的原因，却往往较少考虑出行的其他决定因素。
我们对这一讨论做出了如下贡献：开发了一套系统方法，用于衡量一座城市中机动车交通的整体表现，并将其应用于研究印度154个最大城市（Akbar等人，2018）。借助一项广受欢迎的网络地图与交通服务，我们为这些城市生成了超过2200万个反事实出行实例的信息。随后，我们运用该方法衡量城市内的车辆出行能力，并将其分解为无拥堵出行能力和拥堵因子。
研究得出四项主要结论。第一，印度各大城市之间的出行能力存在显著差异。最快城市的速度几乎是最慢城市的两倍。为说明这一点，图1展示了一个出行特别快的印度城市昌迪加尔和一个出行特别慢的城市加尔各答全天机动车的行驶速度。这并非因为昌迪加尔规模太小而不存在严重交通拥堵。该市人口超过100万，其典型高峰时段的速度比最快的夜间速度低近10公里/小时。
图1 美国两座城市和印度两座城市全天机动车行驶速度
第二，相较于美国，印度城市的出行速度总体较慢，即使在非高峰时段也是如此。除昌迪加尔和加尔各答外，图1还展示了美国一座快速城市大急流城和一座慢速城市芝加哥的可比速度数据。即便是芝加哥中心城区（美国拥堵最严重的地点之一），其速度通常也快于印度最快的城市之一昌迪加尔。
第三，各城市之间出行能力的差异主要由无拥堵出行能力驱动，而非拥堵延误。图2显示，在我们所考察的154个城市样本中，全天各时段的平均差异很小。由于无拥堵出行速度较慢，像瓦拉纳西（贝拿勒斯）这样的贫困城市，即使在没有交通的夜间，其速度在任何时段都慢于印度平均城市。我们在大城市中观察到的全天出行能力差异要大得多，尤其是最大城市靠近市中心的区域，如图中德里所示。
图2 印度城市全天机动车行驶速度
更广泛而言，无拥堵出行指数可解释城市间整体出行能力差异的50%以上。一项简单的福利分析还表明，相较于在整个印度城市实施最优拥堵收费，将无拥堵出行能力提升10%所带来的收益要大得多，即使在考虑到拥堵收费可能减少我们所记录的显著旅行时间不可靠性之后，结论依然成立。
这些发现对一种传统观点提出了挑战，该观点认为交通拥堵是部分城市速度较慢而另一些城市速度较快的主要原因。以一个突出例子来说，波士顿咨询集团（2018）的一份近期报告声称，在印度四大城市中加尔各答的交通拥堵最严重，其方法只是简单假定所有低于限速的速度下降都是由拥堵造成的。我们的研究发现，事实上加尔各答是这四座城市中拥堵程度最低的，但由于无拥堵出行能力低，它是速度最慢的城市。这一区别具有重要的政策意义，因为无拥堵速度无法通过拥堵收费、拼车推广或限制，或其他常被提议用于应对拥堵的政策来改善。
最后，我们发现，人口更密集、人口更多的城市速度更慢；城市人均收入与出行能力之间呈倒山形关系，最快的城市位于中上等收入水平；此外，城市的出行能力与其道路网络的特征相关。
这一系列结果对一种流行观点提出了挑战，该观点认为城市化和经济发展会导致城市规模不断扩大、机动化率不断提高，并最终陷入彻底的交通瘫痪。我们确实发现了印度最大城市存在拥堵的证据，并且拥堵与家庭拥有机动车的状况密切相关。然而，经济发展也带来了更好的交通基础设施，从而促进无拥堵出行。
事实上，城市经济发展指标（如近期人口增长较快、收入水平较高（最顶层除外）以及机动化率较高）通常与整体出行能力的提升相关，尽管拥堵情况有所加剧。例如，我们发现有一定迹象表明，出行能力的提升与更规则的网格状路网以及更多的主干道相关。
我们所使用的数据类型还可用于了解出行与拥堵之外的城市交通基本规律。例如，这些数据有助于增进我们对城市土地利用及其与交通相关的房产价格规律的理解。虽然此类数据的细节丰富程度不及传统出行调查，但其收集成本仅为后者的一小部分——完整的出行调查动辄耗资数千万美元，而此类数据只需数百美元。鉴于收集此类数据的成本较低，大规模样本可以轻松针对小区域和狭窄议题进行采集。
此类数据的采集频率也可远高于传统出行调查通常五至八年的间隔，从而可以在短期内评估政策变化（Kreindler 2016、Hanna等人2017、Ang等人2018）。我们相信，未来此类研究将为城市交通政策的诸多方面提供有益的启示。此外，还有许多其他可能的应用，例如，监测重大自然灾害后城市的恢复情况。
因此，我们希望更多支撑实时出行信息生成的数据能够开放用于研究。我们所使用的数据使我们能够了解所有可能出行在任何时间的出行能力和出行成本（时间成本）。相应的数量（即出行人数）也有可能从同一基础数据中获得。结合价格与数量数据，就能够对拥堵进行详细研究——包括特定路段上的拥堵以及更大区域内的拥堵。
对同一出行者的重复观测也将使我们能够更深入地分析个体出行行为。例如，Kreindler（2018）利用一款智能手机应用中2000名通勤者的出行数据面板，研究了个体对高峰时段拥堵的反应，并衡量了为缓解班加罗尔拥堵而实施的各种定价政策的福利影响。在适当尊重隐私的前提下，跨城市获取更大规模的出行层面样本，将有助于全面分析改善城市出行和可达性所带来的福利影响。
