摘要：为探讨不同城市不同金额的奖惩制度对人们的交通行为影响以及对社会的影响，本文基于熵权法建立了TOPSIS模型。首先，将实施该举措后占用公交车道、闯红灯、超速、违法停车以及逆行的状况作为评价指标。然后，计算各违法行为对交通状况的影响程度，以及各奖惩模式与理想解的贴近度；最后，对结果加以分析，提出合理性建议。
关键词：熵权法；TOPSIS模型；贴近度
0引言
随着我国经济的发展，私家车保有量不断增加，随之而来的“交通状况差”的问题亟待解决。就在此时，“随手拍照举报交通违法”的政策开始实施，且不同的城市采取了不同的奖惩制度，对交通状况都有着很大的影响，至于影响结果的好坏，众说纷纭。为更深层次的评判这种新政策，本文将致力于讨论不同城市不同金额的奖惩制度对人们的交通行为影响以及对社会的影响。
1 基于熵权法的TOPSIS模型
1.1 确定影响交通状况的因素集
“随手拍”实施后交通违法行为的种类可大致划分为占用公交车道、闯红灯、超速、违法停车和逆行五种。设定这五种交通违法行为为交通状况评价因子，则可设评价因子集为.png)
。
1.2 确立奖惩模式
深圳、长沙、济南、南宁和哈尔滨分别实行了不同纯奖金形式的奖惩模式，因此，以这五大城市为代表，对奖惩模式进行划分：
奖惩模式一（深圳）分为三种形式：1.根据不同违法行为，每宗给予举报者一定额度奖励；2. 根据不同违法行为，每宗给予举报者一定额度奖励但有奖励额度上限；3.按数量进行奖励且有奖励额度上限[1]。
奖惩模式二（长沙）根据被举报人被记分情况以及被罚款情况，每宗违法行为给予举报者一定金额（50元、30元）的奖励。每人每月累计金额不超过1500元[2]。
奖惩模式三（南宁）针对每起交通违法行为给予举报人人民币30元的奖励，同一举报人每月进行有效举报交通违法行为的，每月最高奖金不得超过600元[3]。
奖惩模式四（济南）根据不同违法行为，每宗进行一定额度（200元、100元、50元、30元、20元、10元）的奖励。每人每月累计奖励金额不超过1000元[4]。
奖惩模式五（哈尔滨）根据不同违法行为，每宗进行一定额度（20元、10元）的奖励。同一举报人每月奖励金额不超过1000元[5]。
用实施“随手拍”后首年的各类违章总次数来衡量当地变化后的交通状况，因此，不同奖惩模式的交通状况可用表1表示：
表1 实行“随手拍”后的交通状况
.png)
1.3 数据的标准化处理
由评价因子集.png)
以及不同奖金力度对交通状况的影响可表示出描述交通状况的原始矩阵，但存在“原始矩阵中的初始值之间难以比较”的问题，因此，需要对这些指标进行标准化处理。得到标准化的数值构成标准矩阵：
.png)
所得出的.png)
越小，说明该奖惩模式下该种违章次数越少，则表示交通状况越良好，而所得出的.png)
越大，说明该奖惩模式下该种违章次数越多，则表示交通状况越糟糕。
1.4 计算各评价指标的信息熵和权重
根据信息熵的计算公式：
.png)
（1）
并设当.png)
时，.png)
。（注：n为奖惩模式的种类）由此即可得出各评价指标的信息熵向量：
.png)
设各评价指标的权重向量为.png)
。于是，根据指标权重的计算公式：
.png)
（2）
由此即可得出各评价指标的权重向量：
.png)
2 TOPSIS模型的建立
2.1 构造规范化的加权决策矩阵
根据熵权法已经计算出了各评价指标的权重W，再构建有关权重规范化值.png)
的加权决策矩阵V。于是，根据权重规范化处理公式：
.png)
（3）
即可以得出规范化的加权决策矩阵：
.png)
2.2确定理想解和反理想解
分析得出的规范化的加权决策矩阵可知：.png)
越小，说明交通状况越好，情况越理想，反之，.png)
越大，说明交通状况越差，情况越不理想。此外，规范化的加权决策矩阵V可以转化为向量组.png)
。
在某种确定的交通违法行为下，根据.png)
的大小确立极端情况，即在哪种奖惩模式下，此种交通违法行为次数最少，交通状况最好；在哪种奖惩模式下，此种交通违法行为次数最多，交通状况最差。此时，最好的交通状况是肯定的理想目标，及最优目标，最差的交通状况是否定的理想目标，及最劣目标。分析不同的交通违法行为，比较不同的奖惩模式，整理出为达到最优目标的理想解集.png)
和为达到最劣目标的反理想解集.png)
：
根据规范化的加权决策矩阵V求得理想解集.png)
，反理想解集.png)
:
.png)
2.3计算距离尺度和贴近度G
最优的奖惩模式与最优目标的距离最近，与最劣目标的距离最远，反之，最差的奖惩模式与最劣目标的距离最近，与最优目标的距离最远。因此，需计算每种奖惩模式到理想解.png)
的距离.png)
，到反理想解.png)
的距离.png)
。于是，根据到目标的距离计算公式：
.png)
（4）
得出不同奖惩模式到到最优目标的距离和到最劣目标的距离：
.png)
.png)
于是，根据与理想解的贴近度的计算公式：
.png)
（5）
式中，.png)
。当.png)
时，表示该方案为理想状态下的理想解；当.png)
时，表示该方案为非理想状态下的反理想解。不同奖惩模式与理想状态的贴近度：
.png)
结果中的.png)
越趋近于1，说明该奖惩模式对交通状况的影响越优，反之，则说明该奖惩模式对交通状况的影响越劣。
2.4 得出结论
南宁和哈尔滨的贴近度分别为0.2463和0.3925，济南和长沙贴近度分别为0.5069和0.7286，深圳为0.7797。说明南宁和哈尔滨奖惩力度不足，对交通的改善不大，济南和长沙由于奖惩力度过大，导致拍照举报人以营利为目的进行举报，造成不良的社会影响，而深圳最趋近于理想状态，则若想善交通状况，应大力推行奖惩模式一。
参考文献：
[1]刘翰宁.机动车闯红灯递增式阶梯罚款优化模型研究[D].哈尔滨工业大学,2016.
[2]陈俊铭.深圳市道路交通事故预防对策研究[D].广西民族大学,2016.
[3]黄琳.南宁市道路交通违法行为信息系统项目开发管理研究[D].广西大学,2015.
[4]朱文辉.城市交通拥堵问题与治理对策研究[D].湖南师范大学,2015.
[5]刘恩猛.道路交通事故经济损失计算方法研究[D].吉林大学,2014.
论文作者:雷宇,武佳,周奥利
论文发表刊物:《基层建设》2019年第27期
论文发表时间:2020/1/2
标签：奖惩论文; 交通状况论文; 违法行为论文; 模式论文; 理想论文; 矩阵论文; 目标论文; 《基层建设》2019年第27期论文;