亚投行印度道路运输绩效

Mert Kompil, Jingyu Gao, Yue Li, Abhinav Narayananand嘉琪苏* Abstract ©亚洲基础设施投资银行（亚投行）。2023年。 各国的目标是发展和维护有效的运输基础设施，以连接区域并使定居点无障碍。显然，一个连接更好、更容易进入的领域，具有更高的社会和经济活动潜力，更有可能参与全球价值链。本研究使用最近在欧盟国家实施的运输评估框架来衡量印度的公路运输绩效。这是该框架首次以精细的空间粒度应用于亚洲国家。研究发现，印度各邦的表现差异很大。孟买和德里都市区与欧洲城市相当，但大多数街道远远落后。它还表明，一些州的城市地区表现不如其他州的农村地区，这与欧洲的模式不同，并且与传统智慧相矛盾。最后，本研究还应用该框架来模拟古吉拉特邦农村公路项目的影响以及通过不同的公路投资项目连接计划中的Dholera（古吉拉特邦）机场的潜在影响。 CC BY - NC - ND 3.0 IGO。保留一些权利。 亚洲基础设施投资银行（AIIB）使用知识共享许可，除非另有规定，否则此作品中包含的所有知识产权。 版权名称可能适用或不适用于本文中找到的第三方内容。亚投行不一定拥有本作品中包含或链接的内容的每个组成部分，也不会对任何此类第三方内容负责。亚投行不保证这项工作中包含的或与之相关的数据的准确性，也不对使用这些数据的任何后果承担任何责任。在这项工作中提及公司或任何商标实体或对象并不意味着它们被亚投行认可或推荐，而不是其他未提及的人。 这项工作的内容是作者自己的，不一定代表亚投行，其董事会或其成员的观点或政策。对特定领土或地理区域的任何指定或提及，或在本作品中使用“国家”一词，不构成也不应解释为构成亚投行对任何领土或区域的法律或其他地位的明示或默示立场、认可、接受或意见表达。 Acknowledgements 作者在亚洲基础设施投资银行（AIIB）的经济部工作。该研究是该部门空间经济分析计划的一部分。它不代表亚投行或其董事会的观点。这项研究极大地受益于埃里克·伯格洛夫和张平·蒂亚的指导和鼓励。作者也感谢Lewis Dijkstra和雨果·波尔曼为自己提出了有益的意见和建议。 * Mert Kompil：AIIB顾问。电子邮件：consultant. m. kompil @ aiib. org（通讯作者1）高静宇：AIIB经济合伙人。电子邮件：jingyu. gao @ aiib. org（通讯作者2）李悦：AIIB高级经济学家。电子邮件：yue. li @ aib.orgAbhinav Narayanan：AIIB经济学家。电子邮件：abhinav. narayanan @ aiib. org JiaqiSu：经济分析师。电子邮件：jiaqi. su @ aiib. org 1.Introduction 亚洲是世界上一些最具活力的制造业中心的所在地。亚洲经济体的经济增长长期以来受益于日益一体化的区域和全球贸易。即使在COVID - 19大流行的高峰期，亚洲经济体的贸易仍然强劲。这种韧性很大程度上来自运作良好的运输网络，这些运输网络可确保及时交付货物和服务。然而，在运输连通性方面仍然存在相当大的差距。因此，促进边界内，跨亚洲以及亚洲与全球经济之间的连通性是亚投行的关键战略重点。自2016年以来，亚投行已参与了30个交通项目，包括公路、铁路和地铁基础设施。1在这种情况下，必须了解亚洲国家运输网络的状况，并确定连通性方面的差距。 本研究旨在使用欧盟成员国首次开发和实施的框架来衡量印度的公路运输绩效（Dijstra等人。，2019年；欧盟委员会，2022年）。该框架非常适合测量基于运输网络的特定区域的连接和访问方式。其关键优势之一是空间粒度。通过首先使用一公里（m）X一m网格/单元作为基本度量单位，然后可以使用它来比较从村庄/城镇到省份和国家的不同空间聚合级别的运输连通性性能，从而减少任何聚合偏差。它还可以捕获连通性的质量，除了测量所建道路的长度外，还可以根据有和没有道路网络的情况下可以达到的人口（人数）对性能进行基准测试。 该框架由三个主要要素组成：1）接近度，即120公里半径内可能到达的人数；2）可达性，即使用当前道路运输网络在汽车行驶90分钟内到达的人数；3）道路运输性能，作为可达性与接近度之间的比率，提供有关当前道路运输网络质量的信息。 This study measures road transport connectivity from the fine space granularity above described andapplied the concept to various space levels in India. Two main data sources are used, including griddedpopulation and a comprehensive, detiled road network. 研究发现，印度的整体公路运输表现约为28％，平均可达性为740万人，平均接近2690万人。它表明，使用当前的运输网络，道路平均可以达到740万人，而如果能够获得基准速度，则有可能达到2690万人。地理上有相当大的差异。研究表明，孟买和德里大都市区与欧洲城市相当，但大多数街道远远落后。城市地区的平均表现似乎优于农村地区（35％对19％）。然而，它也表明，一些州的城市地区。 表现不如其他州的农村地区，这与欧洲的模式不同，与传统智慧相矛盾。 本研究还采用相同的框架进行了两次模拟。第一次模拟评估了道路基础设施投资将如何影响印度古吉拉特邦拟建机场的连通性指标。第二次模拟评估了古吉拉特邦完成的项目对可达性的潜在影响。 2.Data 2.1.网格人口 有关人口，人工和自然环境的地理空间数据在区域研究和政策制定中发挥着重要作用。最近，许多非营利组织以及商业公司都开发了具有高空间分辨率的全球地理参考数据（Lloyd等人。, 2017)。随着技术能力的提高，更多的研究将这些数据源用于空间分析和决策。这使得评估和更好地理解每个人口数据库的质量，互操作性，有效性和使用至关重要。最近的科学论文比较和评估了不同的全球网格化人口数据源。表1中回顾了其中的四篇论文，同时可以将其视为对印度和亚洲国家的网格化人口数据进行初步评估的基础。 考虑到表1中总结的研究，GHSL（GHS - POP），WorldPop和LadSca人口网格能够估计已知人口，因此适用于运输和可达性分析。没有一个数据集在所有情况下都是完美的(例如Procedre，GHSL高估了人口稠密的细胞，但与无人居住的区域一起具有更高的准确性；WorldPop在估计无人居住的细胞方面不是很好；另一方面，它具有更高的准确性来估计人口稀少的细胞），但在大多数情况下它们都满足一定的准确性。除此之外，GHSL和WorldPop数据集是开放的，并以所需的精细空间分辨率和年份公开提供；另一方面，LadSca是商业化的，更难实现或获取。因此，在人口数据源评估的其余部分中，重点是GHSL和WorldPop数据源（表2），同时将它们与印度的人口普查数据进行比较。 Table 2: Description of Grided Population Dataset for India GHS - POP -全球人类住区层(GHSL)人口数据 产品：GHS - POP，时代：2015，分辨率：1公里乘1公里，坐标系：Mollweide。登陆页面：https: / / ghslsys. jrc. ec. europa. eu / ghs _ pop2019. php下载链接：https: / / cidportal. jrc. ec. europa. eu / ftp / jrc - opendata / GHSL / GHS _ POP _ MT _ GLOBE _ R2019A/ GHS _ POP _ E2015 _ GLOBE _ 54009 _ 1 K / V1 - 0 / GHS _ POP _ E2015 _ GLOBE _ R2019A _ 14009下载覆盖范围:全球参考文档：https: / / ghslsys. jrc. ec. europa. eu / documents / GHSL _ Data _ Package _ 2019. pdf? t =1478q532234372 印度的WorldPop人口数-受到限制，开发计划署进行了调整2 产品：WorldPop -印度，时代：2020，分辨率：100 m x 100 m，坐标系：WGS84。登陆页面：https: / / www. worldpop. org / geodata / summary? id = 49992下载链接：https: / / data. worldpop. org / GIS / Population / Global _ 2000 _ 2020 _ Constrained / 2020 / BSGM / IND/ ind _ pp p _ 2020 _ UNadj _ constrained. tif下载覆盖范围：印度（其他国家也可下载）参考文档：https: / / hub. worldpop. org / geodata / summary? id = 49992 通过描述性统计，相关性分析和基于人口普查的分析在印度进行的网格化人口数据比较的详细结果在附录A中给出，并附有表格和数字。这些比较的主要发现总结如下： 考虑到填充的细胞，GHS - POP将群体分布到较小数量的细胞中。因此，用具有较高群体的细胞表示-集中。相反，WorldPop具有较高数量的填充细胞。因此，用具有较少群体的细胞表示-分散。When aggregated to lower space resolutions, the two dataset converter into each other. Thepopulated cell of the two dataset have a positive moderate relative rate at 0, 50. This rate goes upto 0, 81 and 0, 89 when the raster are aggregated from one km2到五公里2和10公里2，分别。 根据地区级别（588个地区）的比较，两个人口数据集与印度的人口普查人口高度相关（90％）。除此之外，两个数据集在地区级别的汇总上几乎相同，彼此之间的相关性超过99％。 总之，人口分布和人类活动以及交通基础设施和手段是交通和可达性建模的最重要变量。因此，事先评估可用网格人口数据的质量，互操作性和可用性至关重要。这项研究集中在印度的两个人口数据集- GHS - POP2015和WorldPop 2020 -并应用了一些比较分析。结果表明，两个数据集都能够成功估计已知的人口分布，并可用于运输政策分析和/或可访问性建模。 更有可能的是，来自这些数据集的可访问性指标将高度相关，特别是在区域一级，因为当两个数据集从一公里汇总时，它们会相互融合2到五公里2或10公里2However, sig a poplatio grid at lower space resoltiowold be problems i terms of space modelig, icldig accessibility: 1) existig eterogoos / detailed spaceiformatio is geeralized,最终会导致信息丢失，并且2）对于小型行政区和边境地区，由于在价值汇总过程中可能存在错位和失实陈述，因此价值汇总可能会有偏差。另一方面,空间分辨率越高,需要的计算时间越多。在此阶段，尽管GHS - POP数据可在250平方米（m。2)和Wor