中国交通运输能源效率及其影响因素分析——基于三阶段DEA和GWR方法

方国斌，马慧敏，宋国君

(1. 安徽财经大学 统计与应用数学学院，安徽 蚌埠 233030；2.中国人民大学 环境学院，北京 100872)



【统计应用研究】

中国交通运输能源效率及其影响因素分析
——基于三阶段DEA和GWR方法

方国斌1，2，马慧敏1，宋国君2

(1. 安徽财经大学 统计与应用数学学院，安徽 蚌埠 233030；2.中国人民大学 环境学院，北京 100872)

交通运输部门能源消耗占总能耗的比重虽然不高，但是对环境造成的影响较大。交通车辆数、人口密度、交通运营线路长度、旅客和货运量等都直接影响交通能源效率。采用三阶段数据包络模型分析各地区交通运输部门的能源效率，同时考虑到相邻地区交通运输状况的相互影响，构建空间地理加权回归模型对各个地区能源消耗的影响因素进行分析。研究结果表明：各个地区交通能源效率差异与地理区位有关，但是关系不大，主要与该地区的交通运输综合密切相关；提高交通领域能源效率的主要对策是合理进行交通运输状况的分布，调配交通运输车辆和根据不同的人口密度选择交通工具。

能源效率；交通部门；半参数数据包络分析；地理加权回归

一、引 言

2011年中国能源消费量最高的三个部门是工业，生活消费，交通运输、仓储和邮政业(以下简称交通部门)，分别占全国能源消费的70.82%、10.75%、8.20%(数据来源于《中国统计年鉴》2013)，这里的交通运输能源消费仅仅是交通部门的统计结果，其他部门运用于交通运输的能源消耗并没有全部包括在内。随着私人汽车拥有量和道路货物运输量的进一步增加，交通部门的能源消耗将进一步扩大。当前，交通运输部门使用了世界20%的能源消耗，同时排放了25%与能源相关的CO2，预计这一数字到2050年还要翻番[1]。交通部门的能源消耗量占全部能源消耗的比重虽然不是最大，但是对城市环境的影响更为直接，交通部门还是城市氮氧化物排放的主要来源[2]。Jraiw通过测算得出，2000年北京市40%的氮氧化物(NOX)来自于交通部门[3]。近年来，随着汽车保有量上升，这一数字还在进一步增加。另外，对交通部门能源效率的改进不仅有利于减少能源排放，还有利于城市出行方便，因为更少的能源消耗意味着更高效的交通运输能力。因此，发展城市公共交通系统，不仅仅意味着投入更多的经费修建道路，还需要改变交通出行方式，缩短城市生活区和工作区的距离。

从宏观层面分析，交通部门能源效率与交通工具的使用、交通路网的分布、人口密度、交通运输类型等多方面因素相关，这些因素有的可以通过选择性使用来改变地区能源效率，如选择不同的交通工具和不同的交通运输方式；有的需要政府部门增加投入，如交通路网分布和交通基础设施建设；还有的需要考虑地区经济发展状况和人口流动情况，如货物和旅客的周转量、人口密度等。交通运输能源效率的改善需要综合考虑各种因素的影响，交通运输行业的主要载体是交通运输工具，创造的直接价值是人员和货物的流动，能源效率的改善不仅是降低能源消耗，更主要的是需要增加单位能源的产出。因此，分析交通能源效率应该从对其影响因素分析入手。

各种不同类型交通工具的能源强度不一样。本文主要考虑道路交通运输工具中的各种汽车的能源消耗，因为这部分能源占比相对较大。仅仅从汽车的使用来说，交通工具种类繁多，与发达国家相比，中国的私人汽车拥有量在未来较长时间还将进一步增加，由此将带来巨大的能源压力。中国正在实施城镇化进程，随之而来的将是交通路网的分布和城市人口密度的进一步增大，而更加紧凑的城市并不一定能够减少能源消耗。

中国各个地区地理位置、地形地貌特征、土地面积差别较大，可以选择的交通运输方式较多。各种不同运输方式的能源消耗不一样，铁路运输具备运送能力大、运程长，但其基础建设投入和限制性条件较多；公路是最主要的交通运输方式，但其能源效率比铁路要低；航空运输虽然输送速度快，但其能源消耗强度最大；水路运输能源消耗较少，但由于其地区条件的限制，绝大部分地区不适于进行水路运输，所以这几种方式几乎不可能完全替代，尽管从能源效率角度经常予以比较。铁路运输无论是平均单位里程客运量还是单位运输能源消耗，相比其他交通运输方式都有较大优势。近年来，随着快递运输业和工作节奏的加快，相对比较经济的水运业受条件限制发展较慢；航空运输业在各种运输方式中能源消耗增长最快，能源效率也得到进一步提高。

从投入产出角度看，交通运输部门能源消耗产生的各种运力可以看作交通部门的产出，而能源消耗可以看作一种投入。反之，这些影响因素也决定了各个地区能源效率总体情况。各个地区交通能源效率的影响因素不一样，可以采用指数分解的办法对各种影响因素进行分解，以确定各种影响因素对能源效率的贡献程度。Chung等人运用对数平均Divisia指数(LMDI)分解方法对中国东中西部地区交通部门能源效率进行了比较[4]，这种方法有利于解释交通能源效率的因素组成以及交通能源消耗与其他经济活动之间的关系，例如人均GDP、收入水平、城市化程度等[5-7]。因素分解法能够用于分析各个因素对能源效率的贡献度，但是不能对各影响因素的具体作用做出正确解释。从地区间能源比较而言，仅仅考虑到了地区之间的差异，没有充分考虑各个地区之间的空间相关性。各个地区的交通路网分布相互连接，区域经济发展和产业集群导致相邻地区之间交通能源效率具有较强的关联性，仅仅依靠因素分解很难正确体现。方国斌等人提出了一种基于PS-kNN分类的综合评价方法，探索在分类的基础上对能源效率的综合影响因素进行分析，并在对交通能源效率地区间比较时也需要从对区域客观因素差异的分析入手[8]。

通过对影响交通能源效率的各种因素进进行分析，本文研究中国各地区交通能源效率的现状及其影响因素，主要采用相对分析和绝对分析相结合的办法。相对分析从投入产出角度，研究中国各地区交通运输设施设备投入以及铁路、公路、水路和民用航空等交通运输部门的能源投入与产出之间的关系，比较所研究地区的相对能源效率。在对影响交通能源效率的因素进行分析时，主要研究交通工具、交通路网、人口密度、交通运输方式等基础条件与交通能源消耗之间的关系。考虑到中国各地区之间空间相依性，采用地理加权回归的方法，体现不同地区之间地理位置的远近对能源效率的影响，同时研究其他影响因素对能源效率的作用大小和作用方向，以便通过改善交通运输条件来提高交通部门的能源效率。与其他分析不同，本文将交通部门能源效率用一组新的投入产出指标予以表示，并对中国各地区能源绩效进行比较。考虑空间相依性的加权回归方法对地区间能源效率的影响因素也可以进行比较研究。

二、研究方法

(一)三阶段数据包络分析

自从Charnes等人提出了第一个数据包络模型——CCR模型[9]，数据包络分析开始大量应用于具有多个投入和多个产出的相对效率评价中。传统的DEA模型直接对输入数据和输出数据进行分析，由于不需要对参数的分布形式和矩作出任何假设，从统计学的角度将这样的模型一般称为非参数模型。Banker等人发现，将DEA得分与对数线性回归相结合可以解决普通最小二乘法无法解决的异方差问题，这种方法被称为组合误差(Composed Error)法或者随机前沿分析(SFA)[10]，这种将非参数DEA与回归分析相结合的分析方法可以称为半参数数据包络分析。

Fried等人为了考虑环境效应和统计噪音(例如经济运行状况、外部效应等)，提出了一种将DEA与回归模型相结合的三阶段DEA方法[11]。这种方法将绩效评价分成三个阶段：第一阶段运用输入和输出数据得出初始绩效以及松弛变量；第二阶段采用随机前沿分析，结合第一阶段的效率评价结果与环境变量进行回归估计，对每一个投入与产出变量进行三部分分解，即环境效应、管理非有效、统计噪音；第三阶段运用调整后的输出以及原始的输入数据再次进行DEA分析，以便进一步反映第二阶段的三部分效应对新的投入产出的影响。该模型有一系列改进形式[12-13]，这些改进主要集中于第二阶段的回归分析，包括回归模型的形式选择(如Tobit模型)、回归方法(OLS还是MLE)、环境变量和方差成分等等。

第一阶段：初始的DEA绩效评价。第一阶段的DEA需要选择合适的模型。最基础的模型包括CCR模型和BCC模型，其中Banker等人提出的BCC模型主要用于对技术效率进行绩效评估[14]。基于投入的BCC模型的对偶形式可表示成如下的线性规划：

minθ

(1)

其中xj≥0为投入变量，xo为评级决策单元的投入，n为决策单元的个数；yj≥0为产出变量，yo为评级决策单元的产出；λj为强度变量(度量)或权重系数；s+为关于产出的剩余变量，s-为关于投入的松弛变量。数据包络模型(1)可以得出每一个决策单元的初始绩效评价，并且能够得到代表投入和产出不足的松弛变量和剩余变量，本文将采用s-来建立基于松弛变量模型(SBM)。

第二阶段：基于松弛变量和异方差性的随机前沿分析。为了体现环境因素、统计噪音和管理无效率对产出的影响，考虑在第一阶段的绩效评价基础上引入数据包络分析所没有考虑的其他随机因素，这些因素中最主要的就是外部环境。交通设施的基础投入、交通部门运输能力和一个地区的经济发展状况以及地理位置等多方面因素有关，都可以作为影响交通能源效率的环境因素。假设第一阶段基于输入的DEA模型得到的松弛变量为s-*，这里松弛变量取值非负，可以将其用如下形式表示：

s-*=f(z;β)+v+u

(2)

此处面临的问题是：模型(2)在估计的时候是对每一个松弛变量各自进行随机前沿分析？还是将所有随机变量放在一起建立单一的随机前沿模型？前者的好处是允许环境变量对每一个松弛变量具有不同的效果；后者的好处是具有更多的自由度，使其估计结果具有更强的显著性。考虑模型的灵活性，一般选择对各个松弛变量分别建立回归方程。

模型(2)需要估计的参数为(β,μ,σv,σu)，具体估计过程与随机前沿函数的形式有关，每一个松弛变量的回归结果各异。根据Liu等人提出的异方差模型，采用线性回归形式，模型具体表示为：

(3)

此处的s-*为基于输入模型的松弛变量，k为环境因素，k=1,2，…,K。假设模型(3)中的统计噪音和管理非有效两项存在双重异方差，通过对扰动项进行方差分解，运用极大似然估计(MLE)分别对各个松弛变量所构建的回归方程进行随机前沿分析，可以得到模型(3)的估计结果。

在考虑统计噪音的情况下，剔除管理非效率因素，对投入或者产出进行调整。本文采用对投入进行调整，以反映在排除环境影响和随机冲击的情况下不同个体单元之间投入产出效率水平的实际差异。根据模型(3)，得出输入变量的调整机制：

(4)

第三阶段：再次DEA评估。第三阶段所采用的方法与第一阶段类似。用调整后的投入替代原先的投入，以体现在考虑环境变量和统计噪音的情况下不同部门的真实投入水平。虽然第一次DEA和再一次的DEA之间不具有可比性，但在外部环境差异较大的情况下，后者的绩效评估效果更好。

本文从能源效率的使用角度，采用基于投入的三阶段DEA模型，第二阶段通过引入环境效应和统计噪音进行随机前沿分析，第三阶段利用调整的输入重新进行数据包络分析。

(二)地理加权回归

绩效评估结果只是对个体决策单元的投入产出相对有效性评价。在三阶段数据包络分析的第二阶段，考虑到影响投入或产出的一些环境因素，而这些因素对产出的影响到底有多大？各个因素的效果有何差异？则需要进一步予以度量和反映。回归模型的估计系数能够反映对被解释变量解释程度的大小和方向，在经典线性模型的普通最小二乘回归中有一条重要假设，即不存在异方差性。在截面回归尤其是截面单元规模大小差别较大时，这一条很难满足。存在空间异质性的情况下，全局回归的结果可能与事实恰好相悖，因为有时候全局关系不能满足或者关系较弱，此时可以考虑采用局部分析的方法提高模型的应用性。

Fotheringham等人提出的地理加权回归(GWR)模型允许估计参数局部变动，类似于时间序列分析中的时变参数，是一类局部变系数模型[15]428-433。假设模型中的被解释变量为yi，解释变量为X，i=1,2，…,m，地理加权回归模型可以写成如下形式：

yi=α0+αiX+ε

(5)

其中i为不同的个体单元或不同的地区，可以看出模型(5)的估计参数是随着研究个体的不同而变化的，这与全局回归模型相比差异较大。采用地理加权回归模型对不同区域进行分析时，不需要满足各个地区的估计参数α一致性准则，有利于探索地区之间的差异。当然，前提是空间数据具有非平稳性，从而可以利用局部统计技术分析空间个体的非平稳性变动关系。

空间地理加权回归模型在估计过程中有两个重要问题：一个是权数的选择；还有一个是模型估计方法的选取，其中关键问题是权重的选择，因为地理加权回归模型估计效果严重依赖于空间权重系数的选择。确定好权重矩阵以后，可以采用加权回归的方法得到模型(5)的估计结果：

αi=(X'WiX)-1X'Wiy

其中权重矩阵Wi一般采用固定权重或者适应性选择得到。在固定权重中权重由分段函数得到，第一类是离散权重值，其确定原则为：

(6)

其中wij表示第i个个体和第j个个体的权重，与二者的欧氏距离dij有关；d为给定的某个距离的门限值；第二类是连续权重值，其确定准则为：

(7)

这里h为带宽，带宽主要用于控制距离衰减的程度，可以采用人为设定或者最小化均方根预测误差(RMSPE)的方法得到，常用的带宽选择的方法有三种：人为决定；交叉验证；最小化赤池信息准则(AIC)等。适应性权重也需要进行带宽选择，并且在数据稀疏时较固定权重有更长的带宽，适应性权重的确定准则为：

(8)

这里，将条件dij

三、各地区交通运输能源相对效率比较

(一)指标解释

为了对中国各个地区的交通运输能源效率及其影响因素进行分析，主要考虑影响交通运输业能源效率的投入产出指标。除能源消耗本身以外，这些指标具体包括四类：

第一类，地理面积和人口：代表一个地区的自然因素，这里采用人口密度指标，即地区人口与国土面积的比值(单位：人/平方公里)。

第二类，交通路网的分布：代表该地区的基础投入，由于空中运输能力无法分解到各个地区，这里主要考虑铁路营业里程(单位：公里)、内河航道里程(单位：公里)、公路里程(单位：公里)3个指标。

第三类，总客运和货运量及周转量：代表该地区交通运输业的产出水平，分别包括各地区客运量(单位：万人)、各地区旅客周转量(单位：亿人公里)、各地区货运量(单位：万吨)、各地区货物周转量(单位：亿吨公里)4个指标。

第四类，各种车辆的拥有量：代表该地区的设备投入，具体包括民用汽车拥有量(单位：万辆)、私人汽车拥有量(单位：万辆)、公路营运汽车拥有量(单位：万辆)3个指标。

另外还有地区交通运输能源投入，也就是交通运输业能源消耗(EneCon，单位：万吨标煤)，是该地区各种能源的总消耗。

上述指标反映了地区交通工具的使用、交通路网的分布、人口密度、交通运输类型等多个方面。第一类指标是客观因素，也就是环境因素；第二类和第四类是与交通运输能源消耗相关的基础设施投入，与能源消耗一起，反映一个地区交通运输部门的总投入水平；第三类是这些投入的综合产出结果，代表了地区客流和货物流的总运力。

(二)数据描述

由于西藏自治区的数据部分缺失，本文采用中国30个省、自治区、直辖市2011年数据进行研究。数据取自北京数汇通环境技术研究院的“环境能源经济数据库”(http://www.3edata.com/)，数据来源于全国和各省市统计年鉴。

表1是本文所用到全部12个变量的描述统计指标，从中可以看出30个地区的差别非常明显。从交通运输业的投入要素看，内河航运里程作为客观因素，各地区不具有可比性，其他各项指标的差异同样较大；交通运输业的基础设施和硬件投入与各个地区的人口密度基本配套；地域辽阔，人口较少的地区城市道路较少，但是公路里程和铁路里程较长。总之，各个地区在交通运输业的投入和产出不具有直接可比性，在能源效率及其影响因素的分析中，需要结合这些要素进行相对分析。

表1 30个地区交通运输业投入产出指标描述统计表

表1中所有指标的偏度系数都为正数，说明数据分布具有右偏特征，即所有指标的平均数都大于中位数，也即一些地区交通能源投入产出指标值较大，提升了总体平均水平。除了人口密度、内河航运和货物周转量这3个指标外，其余指标的峰度系数都较小，说明数值分布比较平均；各个指标的标准差与平均数的比值(变异系数)中，最大的是货物周转量，最小的是公路里程，说明相对而言，各地区货物周转量差别较大，而营运公路里程差别较小。总之，30个地区的这12个指标之间具有较大差异，采用简单对比和描述统计方法很难揭示其内在关系，尤其是交通能源效率的地区差异和影响因素。

(三)交通能源效率

交通运输业的能源效率可以有两种解释：一种是广义的能源效率，也就是能源加上其他的各种资源及配套设施的综合产出率；另一种是狭义的能源效率，是指交通运输部门的能源经济效率或者能源利用效率，也就是交通运输部门生产过程中投入的能源总量以及由此产生的经济增加值及其附加价值。各个地区的能源消耗水平是一个总量指标，而能源效率则是一个相对指标。从经济学角度，交通运输部门能源效率可以指该部门单位增加值的能耗，也就是通常所说的单位GDP能耗：

(9)

由于经济条件的改善和交通路网设施建设的逐步完善，人口和货物流动量越来越大，交通部门的能源消耗总量在不断提高。图1是中国2001—2011年11年鉴交通行业能耗占全部能耗的比重。除了前半段中部和2009年有小幅下降以外，交通能耗占比在不断攀升。由于统计口径的原因，这只是直接用于交通运输部门的能耗，如果考虑其他各个部门交通工具的使用，这一数据提高的更为明显。尤其是私家车数量的爆炸式增加，随着经济发展人口流动加快，相信在未来很长一段时间交通运输能源消耗还将持续增长。

图2是单位增加值能耗，也就是交通运输部门能源消耗与增加值的比值，11年间能耗降低较快。一方面，这与交通行业推行的节能政策有一定的关系；另一方面，也反映出交通行业具有较大的节能潜力。在经济增长的同时不可避免的伴随能源消耗的增加，对于交通部门来说，交通工具的选择能直接影响节能效果。

图1 2001-2011年交通能耗占总能耗的比重图

图2 2001-2011年交通行业单位增加值能耗图

(四)各地区交通能源相对效率

从广义而言，交通部门的投入是多方面的，在能源投入的同时，还包括各种基础设施和软硬件投入，交通运输部门能源消耗产生的各种运力可以看作交通部门的产出；狭义的能源效率指标只能简单反映能源投入与产出的某个方面。采用数据包络模型应用于能源绩效评价时，反映的是一种综合投入及与之对应的相对产出效率。数据包络分析中选择投入产出指标的一个重要原则就是投入和产出指标的选取要符合管理决策者和分析者的需要。在分析中投入产出单位可以不一致，相对效率的评判标准就是用尽可能小的投入创造尽可能多的产出。

交通能源效率相对分析需要合理选择投入和产出指标。在能源效率的狭义表述中，能源效率的投入和产出分别只有一个指标，显然不够完善。在这里综合考虑三方面的投入，首先是直接能源投入，即能源消耗量；其次是基础建设投入，包括铁路、公路和内河航道里程3个指标；最后还有硬件投入，包括民用、私人和营运汽车拥有量等3个指标。产出主要用客运量、货运量以及旅客和货物周转量4个指标来表示。

运用三阶段DEA对中国30个省、市、自治区的交通运输能源效率进行分析，第一阶段采用BCC模型，得出基于输入的投入产出效率；第二阶段运用随机前沿分析对第一阶段得出的输入的松弛变量进行分解，环境变量选择地区人口密度；剔除了环境因素和随机误差影响后；第三阶段进一步运用调整后的投入和产出，采用BCC模型分析综合效率。

表2给出了第一阶段和第三阶段DEA分析所得到的地区交通运输部门的能源相对效率以及采用公式(9)计算的交通运输部门能源效率(单位：吨标准煤(TCE)/万元)。如果从单位增加值能耗来看，河北省的能源效率是最高的，每万元地区生产总值消耗的能源为0.456 6吨标准煤，但无论是第一阶段还是第三阶段所得到的结果均为非有效，说明还存在一定的节能空间；云南省的单位增加值能耗最高，但是考虑到交通部门的综合影响因素以后却是相对有效的；内蒙古、江西、河南和陕西四个地区第一阶段DEA分析结果相对有效，考虑到环境因素和随机干扰以后，综合效率非有效，需要进一步采用有效措施提高能源效率；只有福建省一个省份第一阶段非有效，第三阶段有效。采用随机前沿分析对松弛变量进行分解以后，能够剔除一些非人为因素和统计噪音的影响，所得到的结果更为合理。

表2 30个地区能源效率比较表

交通能源效率的相对有效性分析结果较能源效率的强度指标有较大差异。表2中三阶段DEA除了考虑到人口密度等环境因素，还考虑到其他的投入产出指标，反映出能源效率的综合影响因素。三阶段DEA的非有效地区明显增多，也使初始相对效率为1的地区具有可比性。但是综合起来，相对效率分析只是给出了这些地区的排序结果，能源效率的各种影响因素需要做进一步分析。

四、影响交通能源消耗的因素分析

(一)模型构建

考虑到地理位置和地区间的发展具有相互影响，这里采用地理加权回归模型(5)进行回归分析。研究中国30个省(自治区、直辖市)的交通能源消耗及其影响因素。由于数据并不具有明显的稀疏性，所以采用固定权重，由公式(7)给出的Gauss函数确定权重，运用交叉验证法选择带宽。这里设定交通运输业能源消耗为被解释变量。影响交通运输业能源消耗的因素较多，分别从影响交通能源效率的主要因素建立模型进行分析，这些主要因素分别是人口密度、基础设施建设水平、运输能力、硬件投入等。这四组模型的解释变量和被解释变量的具体设定见表3。

(二)估计结果分析

地理加权回归的结果包括全局估计和局部估计值。从四组模型的地理加权回归全局估计结果看，与普通最小二乘回归区别不大，也再次证实了普通最小二乘法是一种基于全局的回归。四组模型的Moran’sI指数都显示具有空间相依关系，适合于进行地理加权回归。将全局回归与局部回归进行比较，第二组模型和第四组模型的估计结果比较接近，这说明无论在什么地区，基础设施和硬件投入对交通能源消耗都具有较大影响，与该地区的地理位置关系不大，但是不同的投入水平对能源消耗影响较大；模型二和模型四中，公路里程和民用汽车拥有量对能源消耗的估计系数在5%水平内显著，这两个要素与能源消耗有直接关系，随着公路里程的延长和民用汽车和私人汽车的拥有量逐步提高，能源消耗还将进一步增长；第一组模型和第三组模型局部估计和全局估计差异较大，这主要是因为人口密度和经济发展差异直接导致地区旅客和货物周转量的地区差异。人口密度大的地区，旅客和货物运输量更大，地区间的差异也更大。

表3 四组地理加权回归模型的变量设置表

四组模型的估计结果见表4：

表4 四组地理加权回归模型的估计结果表

估计结果中，铁路里程、旅客周转量和公路营运汽车拥有量这3个变量的系数估计结果为负数，表明在30个地区中，随着这些指标值的增加能源消耗水平在下降，这也间接地反映很多地区的能源效率还有很大的改善空间。尤其是提高铁路运输里程，加大旅客周转，合理配置汽车数量和结构，就能提高能源利用效率。旅客周转量对能源消耗的局部估计系数最大值为正数，表明通常情况下随着旅客周转量的增加，能源消耗水平会下降，但是对于局部地区而言，旅客周转量增大会导致能源消耗量上升。

五、结 论

本文主要分析了中国各地区交通运输能源效率的地区差异及影响中国交通运输部门能源效率的主要因素，通过三阶段数据包络分析方法对中国30个地区的交通能源相对效率进行了比较分析。运用地理加权回归模型深入探讨环境因素和投入产出要素对交通能源效率的影响。综合起来，影响交通部门的能源效率的因素包括人口密度、基础设施、运输能力、硬件投入等，还有许多外在和内在因素对交通能源效率也有一定的影响；在进行能源相对效率评价时，除了考虑各地区的能源消耗水平，还需要同时考虑与之相关的其他方面的投入和产出，才能使分析结果更符合交通运输能耗的特点。地理加权回归模型主要优点是考虑到所研究对象的空间关系，能够从全局和局部对所研究变量之间的联系进行分析，突出地区空间位置对能源效率的影响。在交通能源效率影响因素分析中，采用地理加权回归有利于进一步了解造成能源效率地区差异的主要原因。

从中国各地区交通能源相对效率比较以及对交通能源的各种影响因素分析可知，交通能源效率的研究需要综合考虑多方面因素。目前，各个地区的交通能源效率和地区的经济发展水平之间没有必然联系，需要通过对交通能源效率影响因素作进一步分析，以寻找提高交通部门能效的有效解决办法。

第一，研究交通能源效率不仅要看能源的产出效率，还需要综合考虑交通部门的其他投入产出指标。运用三阶段DEA对交通能源效率进行分析不仅考虑到交通部门的综合投入和产出，而且需要考虑到环境因素和统计噪音对效率评价的作用。自然地理因素和人口集中程度对交通能源效率的影响是典型的环境因素，人口集中程度越高人员内部迁徙程度越大，内部交通能源消耗较大，可能减少外部的能源消耗，合理的人口密度和城市布局对交通能源消耗具有哪些影响，需要采取进一步分析。在相对效率评价中，通过交通运输部门的主要投入产出指标的分析，提升了交通能效评价的最终效果。

第二，经济发达地区和经济欠发达地区的交通能源效率没有较大差异。通过本文的分析，经济发展程度高的地区能源效率不一定高。总体上看，各个地区交通能源效率差异与地理区位有关，但是关系不大，主要与该地区的交通运输综合条件、地区人口密度、交通工具的使用有关。提高交通领域能源效率的主要对策是合理进行交通运输状况的分布，调配交通运输车辆和根据不同的人口密度选择交通工具。随着地区经济的发展，交通能源消耗占全社会总能耗的比重在不断上升，但是从本文的分析可以看出，交通运输部门的单位增加值能耗并没有多大改变，尤其是私人汽车拥有量和交通设施建设的逐步完善，怎样在发展地区经济的同时提高交通领域能源效率，需要进一步揭示经济发展与交通能耗的关系。

第三，交通运输部门的能源效率有较大的提升空间，通过对影响交通部门能源消耗的各种因素进行分析能找到地区节能的方向。从人口密度与交通能源消耗的关系来看，二者并不满足线性关系，其中有两个明显的分界点，200万人/平方公里以下和600万人/平方公里以上的地区，二者满足正相关关系；200万人/平方公里和600万人/平方公里之间，随着人口密度的增加交通部门能耗下降；在公路、铁路和内河航运三种运输方式中，内河航运和铁路运输都比公路运输要节能，但是受先天条件和综合发展影响；城市交通中更多的还是选择公路运输，公路运输节能的方向是合理引导乘车结构，鼓励多用公共交通和节能车型。近年来，随着民用交通工具的增加和私人拥有小汽车比例扩大，城市交通运输能耗不断增长。降低公共交通费用，提升公共交通设施硬件和软件水平，通过政策和经济杠杆鼓励私人选用经济适用型汽车，将是提高能源效率的长期措施。

[1] International Energy Agency (IEA). Energy Technology Perspectives 2012 [A]. Paris:IEA, 2012.

[2] Ozan C, Haldenbilen S, Ceylan H. Estimating Emissions on Vehicular Traffic Based on Projected Energy and Transport Demand on Rural Roads: Policies for Reducing Air Pollutant Emissions and Energy Consumption[J]. Energy Policy, 2011, 39(5).

[3] Jraiw K. Cleaning the air: Vehicular Emission in the People Republic of China (PRC), ADB 35th Annual Meeting, 12 May, Shanghai International Convention Center, PRC. http://www.adb.org/AnnualMeeting/2002/media/vehicle_emissions.asp.

[4] Chung W, Zhou G, Yeung I M H. A Study of Energy Efficiency of Transport Sector in China from 2003 to 2009[J]. Applied Energy, 2013, 112(16).

[5] 王犁，高巍.能源消耗与经济增长的长期依赖及短期拉动性分析[J]. 西安财经学院学报， 2010(3).

[6] Zhang M, Li H, Zhou M, et al. Decomposition Analysis of Energy Consumption in Chinese Transportation Sector[J]. Applied Energy, 2011, 88(6).

[7] Mraihi R, ben Abdallah K, Abid M. Road Transport-related Energy Consumption: Analysis of Driving Factors in Tunisia[J]. Energy Policy, 2013, 62(7).

[8] 方国斌,宋国君. 城市能源效率的PS-kNN分类综合评价[J]. 统计与信息论坛,2014(9).

[9] Charnes A, Cooper W W, Rhodes E. Measuring the Efficiency of Decision Making Units[J]. European Journal of Operational Research, 1978, 2(6).

[10]Banker R D, Chang H, Cooper W W. A Simulation Study of DEA and Parametric Frontier Models in the Presence of Heteroscedasticity[J]. European Journal of Operational Research, 2004(3).

[11]Fried H O, Lovell C A K, Schmidt S S, et al. Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis[J]. Journal of Productivity Analysis, 2002, 17(1/2).

[12]Simar L, Wilson P W. Estimation and Inference in Two-stage, Semi-parametric Models of Production Processes[J]. Journal of Econometrics, 2007, 136(1).

[13]Liu J, Tone K. A Multistage Method to Measure Efficiency and its Application to Japanese Banking Industry[J]. Socio-Economic Planning Sciences, 2008, 42(2).

[14]Banker R D, Charnes A, Cooper W W. Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis [J]. Management science, 1984, 30(9).

[15]Fotheringham A S, Brunsdon C, Charlton M E. Geographically Weighted Regression: The Analysis of Spatially Varying Relationships [M]. Chichester:Wiley, 2002.

(责任编辑：郭诗梦)

Energy Performance and Influence Factor Analysis of Transport Sector in China

FANG Guo-bin1,2,MA Hui-min1, SONG Guo-jun2

(1. School of Statistics & Applied Mathematics, Anhui University of Finance & Economics, Bengbu 233030, China;2. School of Environment and Natural Resources, Renmin University of China, Beijing 100872, China)

Energy consumption in transportation sector serious influence on the environment. The direct impacts on transport energy efficiency are: number of vehicle, population density, passenger, freight traffic etc. In this paper, we use three-stage model of data envelopment analysis of energy efficiency in the transport sector in China, taking into account the interaction between adjacent areas the traffic and transport situation, build geographically weighted regression model. Research results show that the various areas related to energy efficiency and geographical location has little to do but mainly with integrated transport conditions in the area. A main counter measure to improve transport energy efficiency is a reasonable distribution of the traffic and transport situation, the deployment of transport vehicles, choosing the way of transport upon the population density.

energy performance; transport sector; semi-parametric DEA; GWR

2016-03-10；修复日期：2016-07-16

国家社会科学基金重点项目《雾霾的成因及综合治理对策研究》(15AJY010)；国家自然科学基金项目《基于数据包络分析的环境效率分析评价方法及其应用研究》(71171001)；教育部人文社科规划基金项目《中国节能管理城市分类技术与管理策略研究——基于287个城市面板数据的分析》(12YJA790111)

方国斌，男，安徽宿松人，副教授，硕士生导师，研究方向：环境统计学； 马慧敏，女，山西怀仁人，副教授，研究方向：宏观经济统计分析； 宋国君，男，黑龙江东宁人，教授，博士生导师，研究方向：环境政策管理。

F062.1

A

1007-3116(2016)11-0059-09