城市客运交通工具碳排放效率差异——以襄阳市为例

朱顺应，廖凌云，吴景安，常红光，王红

（武汉理工大学，交通与物流工程学院，武汉 430063）

0 引言

资源消耗密集和负外部性显著是我国城市交通早期粗犷式发展存在的主要问题。随着《交通强国建设纲要》（中发[2019]39 号）的出台和“碳达峰、碳中和”工作的开展，我国对于“协调高效、绿色低碳”的交通高质量发展目标已达成高度共识。同时，新时代下人民群众对出行的机动化、个性化及多样化提出更高要求，出行方式的多元化和出行服务的高质化成为城市交通需求变化的自然趋势。城市交通高质量发展不仅要以“高效低碳”为发展目标，还需适应城市多元化的出行需求。

为此，《国家综合立体交通网规划纲要》（中发[2021]8 号）强调“优化交通运输结构”，推进高效低碳交通体系建设。交通结构是城市交通体系中不同交通工具承担的交通量的比重，合理的交通结构是提高交通运行效率和促进节能减排的关键[1]。要克服多元化出行需求与高效低碳发展目标之间的矛盾，须了解现有的城市客运交通结构是否满足高效低碳的发展要求？不同交通工具的碳排放效率有何差异？现阶段交通发展政策和外生环境因素对碳排放效率有何影响？未来有哪些潜在的符合双重要求的发展路径？知晓这些问题不仅有助于判断城市客运交通系统多元化发展现状与高效低碳目标之间的适应性，也是实现交通高质量发展的重要步骤。

目前，有学者将交通碳排放效率定义为单位换算周转量的碳排放量[2]。但交通系统包含车辆、土地、道路、能源资源以及客流效益和碳排放量等，属于多投入多产出的复杂体系，单要素指标往往难以准确反映碳排放效率的多维特征。因此，本文研究的多投入产出交通系统碳排放效率的内涵为：在满足客流需求的前提下，消耗最少的资源投入（车辆、能源及土地等）并产生最少的碳排放量。

效率测度的方法主要有随机前沿分析参数法和数据包络分析非参数法，前者依赖于生产函数模型的设定，需要考虑模型设定误差和指标相关性影响，且难以处理多产出的情况；后者通过有约束的优化方法构建理想生产前沿面，可避免模型设定误差和指标相关性等特定要求，且能直接估计低效率的改进方向，在碳排放效率测度中的应用相对广泛。部分学者采用传统单阶段DEA （Data Envelopment Analysis）模型对国家[3]、省际[4]综合交通的碳排放效率进行研究，但传统单阶段DEA 模型无法剔除外生环境和随机干扰的影响，因此，有研究引入了三阶段DEA模型，例如，DU等[5]采用三阶段EBM（Epsilon Based Measure）模型，讨论能源结构和贸易开发程度等外生环境因素对“一带一路”国家交通碳排放效率的影响；袁长伟等[6]选取资本、劳动力、能源以及碳排放和运输业产值等指标，结合三阶段SBM模型测度各省份的交通碳排放效率；蒋自然等[7]选取类似的投入产出指标，对比长江经济带各省份的交通碳排放效率值。还有学者将DEA 模型引入港口[8]和航空[9]等行业的效率评估中，这些研究为客运工具碳排放效率的准确测度提供了鲜明的思路。

不难看出，目前，学者们运用DEA方法已测算了不同空间尺度和多种行业的交通碳排放效率，但针对城市尺度的客运工具碳排放效率的差异性分析还有待研究。同时，DEA 模型指标的选取依赖于研究对象的特性，上述研究的投入要素（劳动力、资本及能源等）难以全面反映城市交通中较为紧缺的道路、土地及车辆存量等关键性资源。此外，DEA 模型虽能指出投入冗余的改进方向，但无法区分要素对碳排放效率提升作用，因此，还需深入分析投入产出要素对碳排放效率贡献的差异性和边际效应。

鉴于此，本文以襄阳市区7种常用客运交通工具为例，以2020年单位周转量的车辆存量、道路、土地、能源资源要素和单位周转量的碳排放要素分别作为投入和产出，结合三阶段SBM-DEA模型研究客运交通工具碳排放效率的差异性；将能源结构和便捷性引入SFA模型，以探究外生环境因素对交通工具碳排放效率的影响；并构建效率贡献度模型和边际效应模型，分析投入产出要素对碳排放效率贡献及其边际效用，探寻交通工具规模发展改善路径，以期为“碳达峰、碳中和”交通发展策略的制定提供理论支撑。

1 模型构建

1.1 三阶段DEA模型

为分析城市客运交通工具碳排放效率差异，结合FRIED等[10]的三阶段数据包络模型思路，将影响效率测算的因素分为3个方面：自身低效、外生环境和随机统计误差。为消除后两者对效率测度准确性的影响，测算分为3 个步骤：SBM 模型测算初始碳排放效率，SFA回归剔除外生环境和随机误差影响以及SBM模型重新测算同质化后的碳排放效率。

1.1.1 SBM模型

为克服径向CCR（Charnes Cooper Rhodes）模型对高效交通工具的辨识度低，以及未考虑松弛变量等问题，采用DEA 模型中的超效率SBM 模型测度碳排放效率。该模型将投入要素的松弛变量纳入目标函数中，同时，从生产可能集中剔除被评价的交通工具，提高了测度结果的区分度。

假设城市客运系统碳排放生产过程中包含n种交通工具，每种交通工具为1 个决策单元，各决策单元均有m项投入和q项产出要素，定义投入矩阵x=[x1,…,xi,…,xm] ，产出矩阵y=[y1,…,yr,…,yq]。当规模报酬不变时，为满足平凡性、凸性、锥性、无效性和最小性公理，构造剔除被评价交通工具k后的生产可能集T为

式中：T为剔除被评价交通工具k后的生产可能集；xij、yrj分别为交通工具j的第i项投入和第r项产出要素值；λj为交通工具j的要素权重值；i=1,…,m;r=1,…,q;j=1,…,n;j≠k。

当出行需求不变时，测度交通工具k碳排放效率的投入导向超效率SBM模型为

式中：θk为交通工具k的碳排放效率，以投入要素冗余值最小为目标；、分别为投入要素的冗余和产出要素的不足量；为平均投入无效率；约束条件由式（1）中的生产可能集T构成。

碳排放效率的判别：当θk≥1 时，交通工具k的碳排放效率高；当θk ＜1，和不全为0时，说明交通工具k的碳排放效率低下，其投入要素还有优化空间。

1.1.2 SFA回归

为剔除外生环境因素和随机统计误差的影响，同时，反映外生环境因素对投入冗余的影响方向，SBM模型需借助SFA回归。该方法的被解释变量为投入要素的冗余变量，解释变量为外生环境因素，即

式中：sik为交通工具k投入要素i的冗余变量；zk为外生环境要素；βi为待标定系数；υik+μik为混合误差项；υik为随机统计误差，υ～N+（0,σ2υ）；μik为自身低效因素，μ～N+（0,σ2μ）。

为使交通工具处于相同的外生环境和统计误差下，对投入量进行调整，调整公式为

式中：为调整后的投入；xik为调整前的投入；、分别为式（4）标定结果；为对外生环境因素进行调整；为对随机统计误差进行调整。

1.1.3 同质化后的效率测度

采用调整后的投入产出数据重新运用SBM模型进行测度，得到更为准确的碳排放效率。

1.2 效率贡献度模型

三阶段DEA 模型能求解出生产前沿面，即交通工具所需达到的理想投入值或产出值。但局限于投入资源的有限性，在实际生产过程中往往难以达到生产前沿面，因此，还需衡量资源对效率提升的重要程度，进行针对性资源分配，以最大程度提高碳排放效率。

为衡量要素在交通工具碳排放效率提升中的重要程度，本文在对偶解的基础上构建效率贡献度模型，即

式中：Eak为第a项投入或产出要素在交通工具k中的效率贡献度，a=1,2,…,m+q；为SBM 模型中，交通工具k的第a项要素的对偶解，表示每减少单位投入或增加单位产出，交通工具k的效率提升程度。效率贡献度越大，表示相关要素对效率的提升作用越显著，应重点对该要素进行优化改进。

1.3 效率边际效应模型

SFA 回归和效率贡献度模型能辨别外生环境因素对多余投入的影响方向，并反映出要素对碳排放效率提升的重要程度。为进一步研究影响因素对碳排放效率的变动规律，利用边际效应量化变动规律，即

式中：Mdk为影响因素ωd对交通工具k碳排放效率的平均边际效应；θk,t-θk,t-1为影响因素ωd由ωd,t-1变化至ωd,t时，交通工具k碳排放效率的变化。

2 指标选取及数据来源

2.1 指标选取

在综合考虑城市客运交通系统特点及数据可得性的基础上，从车辆存量、道路、土地及能源消耗角度选取投入指标，从环境角度选取碳排放量指标，从交通工具本身不可控制的重要因素中选取能源结构和便捷性为外生环境指标，构建城市客运工具碳排放效率测定指标体系。由于交通工具的服务半径和客流效益有所差异，为增强可比性，将各交通工具的投入产出要素转化为单位客运周转量下的投入产出要素。模型变量如表1所示。

表1 模型变量Table 1 List for model variables

2.1.1 投入要素

（1）设备设施投放

车辆存量是城市交通系统中设备设施的基础投入，按《城市综合交通体系规划标准》（GB/T 51328-2018）将存量折算为当量拥有量。

（2）道路资源利用

从道路网时空资源利用的角度选取“动态时空消耗”指标[11]，表示交通个体在一定时间内占有的空间或一定空间上使用的时间，反映交通工具对道路资源的动态消耗，交通工具k的动态时空消耗计算方法为

式中：Sk为第k种交通工具的日动态时空消耗，由运行过程中所需的流动空间与行驶时间的乘积表征（m2·h）；N为交通工具k的数量；Lk·Wk为单位时间内交通工具k的时空消耗（m2）；Lk为安全行驶所需的道路长度（m），由平均车头时距表征；Wk为运行时所占用空间的平均宽度（m）；Hk为日平均运行时长（h）。

（3）土地资源占用

城市土地资源紧缺，因此，将停车供给纳入指标体系。选取“静态停车面积”占用反映交通工具对土地资源的集约利用程度，按各车型的标准停车面积进行折算。

（4）能源资源消耗

为简化计算，将交通工具运行过程中的能源消耗量化为能源销售价格，即

式中：l为能源类型，分为化石能源（柴油、汽油、天然气）和电力能源；Qk为第k种交通工具的单日能源消耗，折算为当前燃料销售价格（元）；Pl为能源l的单价（元·kg-1或元·m-3）；Rlk·Dk为交通工具k单日能源消耗量（kg）；Rlk为使用能源l的交通工具k的百公里消耗量（kg·（100 km）-1或m3·（100km）-1）；Dk为交通工具k单日行驶里程（100 km）。

2.1.2 产出要素

选取车辆运行过程中的CO2排放量为产出要素。化石燃料和电力能源的CO2排放量计算方法[12]为

式中：Ck为第k种交通工具的单日CO2排放量（kg）；Alk为化石燃料或电力能源l的单日消耗量（kg、m3或kWh）；Fl为能源l的CO2碳排放因子（kg·（kg）-1、kg·（m3）-1或kg·（kWh）-1）。

碳排放量属于负外部性产出，越少越好。为简化模型求解，采用线性数据转换函数将其转换为正向产出，即

式中：Ck、C′k分别为第k种交通工具转化前、后的碳排放产出；ε ＞max{C1,C2,…,C7} 为大于7 种交通工具碳排放量的正数。转换后，C′k值越大，交通工具的环境效益越高。

2.1.3 外生环境因素

外生环境因素是指对交通工具碳排放效率存在显著影响，但不受交通工具自身控制，短期内难以显著变化的因素。外生环境因素并非直接对碳排放效率产生作用，而是通过影响投入冗余或产出不足量改变交通工具碳排放效率。本文考虑交通工具的能源结构和便捷性对碳排放效率的影响。

（1）能源结构。能源结构不属于车辆运行过程中的直接投入，但能源结构的变化会影响能源消耗和碳排放产出。同时，能源结构在短期内难以显著调整，也不受交通工具自身控制，因此，选取清洁能源比例作为影响交通工具碳排放效率的环境影响因素之一。

（2）便捷性。便捷性是交通工具到达目的地的便利程度。交通工具的便捷性并不产生直接运输效益，但便捷性的差异反映出交通工具的性能差异，使其在客运系统中的承担功能和服务半径有所不同，碳排放效率也有所差别。便捷性可以由克服的时间阻抗表征，选取人均出行时耗量化交通工具的便捷性。

2.2 数据来源

本文选取襄阳市城市客运交通系统作为研究对象，涉及公交车、巡游车、网约车、共享电踏车、共享自行车、私人电踏车及私家车7种交通工具。其中，设备存量和停车面积来源于《襄阳市统计年鉴（2021年）》《中国城市统计年鉴（2021年）》；动态时空消耗量、能源消耗量、客运周转量及人均出行时耗等指标来源于襄阳市道路运输服务中心。为提高不同交通工具碳排放效率的可比性，将各交通工具的投入产出要素值除以其客运周转量，表示每产生1单位客运周转量，交通工具的资源消耗和产出效益。

3 结果与分析

3.1 碳排放效率

利用Maxdea 8.15软件和Frontier 4.1软件分别求解三阶段SBM 模型和SFA 模型，计算剔除外生环境因素前后，襄阳市7种客运交通工具单阶段碳排放效率和三阶段碳排放效率，结果整理如图1所示。

图1 考虑外生环境因素前后的碳排放效率Fig.1 Carbon emission efficiency values before and after considering exogenous environmental factors

由图1 可知，无论是否考虑外生环境因素影响，碳排放效率值均呈阶梯态势，即传统公共交通（含巡游车）大于共享公共交通大于私人交通工具。但传统单阶段SBM方法所得网约车碳排放效率值低于部分私人交通，这与共享交通工具的公共交通属性相悖，说明三阶段SBM 结果的合理客观性和剔除外生环境影响的必要性。

三阶段SBM 结果表明，公共交通工具的碳排放效率有所下降，而私人交通则呈上升趋势，即外生环境因素加大了公共交通和私人交通效率之间的差异。反映出两方面的问题：一方面，目前的交通发展政策与外生环境对公共交通是更加相对利好的，因此，才会出现剔除环境因素后，效率下降的情况；另一方面，剔除政策和外生环境因素的影响后，以公交车为代表的传统公共交通仍处于碳排放高效率状态，说明仍需坚持以传统公共交通为主，共享公共交通为辅的可持续发展路径。

剔除外生环境因素影响后，共享交通工具的平均效率值由0.947降为0.911。双碳背景下，共享交通工具虽然一定程度上发挥了类似公共交通优势，但与传统公共交通相比，仍处于低效率状态，主要是由于网约车碳排放效率较低。说明在现阶段市场监管主导的发展策略下，共享公共交通，特别是网约车难以满足高质量发展需求。由于企业的逐利性，投放过量和监管缺失，导致共享交通的碳排放效率不稳定，易受到外生环境因素和随机干扰的影响。因此，需要管理部门加强介入，对投放、停放及能源标准进行规范化。

由以上分析可知，3 类交通工具的碳排放效率对外生环境因素的敏感性不同，因此，需要进一步分析外生环境因素对效率的具体影响。

3.2 外生环境因素

借助Frontier 4.1软件进行SFA回归，研究外生环境因素对交通工具碳排放效率的影响，结果如表2所示。

表2 外生环境因素对多余投入的影响Table 2 Influence of exogenous environmental factors on redundant inputs

表2 中第2～4 行是式（4）的标定结果，最后3 行是对标定结果的进一步解释和显著性检验。若系数为正，表示该值的增长会引起无效投入的增多，导致效率下降；系数为负值时，其值增长则会促进效率的提升。单边LR检验是对自身低效因素μ的显著性检验，其原假设是接受μ的存在；否则，无需进行SFA分解。

由表2 可知，4 项投入要素的待标定参数均通过5%显著水平下的单边LR检验，且γ值均接近1，说明交通工具的无效投入由自身低效因素主导，采用SFA 模型分离外生环境因素和随机统计误差是合理有效的。

清洁能源比例对4项投入的系数为负数，仅能源要素的系数显著，但对车辆存量、土地及道路资源的影响不显著，说明能源结构的优化能有效减少能源的多余消耗，从而提升碳排放效率。因此，减少或限制高耗能车辆和优化交通能源结构是实现“高效低碳”目标的关键。

人均出行时耗对4项投入的系数均为正数，表明便捷性的提高对车辆存量、道路动态时空消耗、停车面积和能源消耗多余投入的消除均存在显著积极作用。随着交通工具便捷性的提高，在短期内出行距离变化较小的情况下，单次出行占用道路时空资源更少，从而变相扩增了现有路网容量，提高道路资源利用率。另一方面，交通工具的便捷性缩短出行时耗，加快了交通工具特别是公共交通车辆和停车位的循环周转，在客流需求基本不变的假设下，减少了车辆和停车位的必要投入，促进碳排放效率的提高。

3.3 效率贡献度

基于式（6）计算投入产出要素对碳排放效率的贡献度，如图2 所示，重点分析共享公共交通和私家车。

图2 碳排放效率贡献度Fig.2 Efficiency contribution index

车辆存量是共享交通工具碳排放效率贡献度最大的投入要素，其效率贡献度分别为26.9%（网约车）、42.5%（共享电踏车）、50.1%（共享自行车）。可能原因为：当前共享交通的需求估计偏高，共享交通工具大量闲置，造成车辆和停车位浪费；通过调整车辆规模和停车面积等途径，最容易实现共享交通碳排放效率的提高。因此，管理部门可将其纳入城市管理体系，企业对共享车辆的投放应更具有针对性和计划性。

能源消耗（效率贡献度为24.7%）和碳排放量（效率贡献度为28.1%）对私家车的效率贡献度较大，说明减少碳排放，提高能源利用率为提升其效率的首要途径。双碳背景下，推广绿色新能源汽车，研发新型能源技术成为高质量发展的必由之路。

3.4 效率边际效应

环境变量中，人均出行时耗和清洁能源比例对多余投入影响显著；投入要素中，共享交通规模和私家车碳排放的效率贡献度较高。为进一步研究这些因素对碳排放效率的变动规律，选取公交车运行速度、共享交通规模水平及私家车清洁能源比例进行边际效应分析。

3.4.1 公交专用道边际效应

公交专用道提升了公交车运行速度，促进公交优先发展水平。按公交线路专用道覆盖率将公交优先发展水平量化为“低、基准、高”这3 个等级。其中，基准发展水平表示：在现阶段襄阳市公交线路的专用道覆盖率下，公交平均运行速度为18.6 km·h-1，公交出行人均车内时耗为20.36 min；低发展和高发展水平分别表示：未设置专用道和专用道覆盖超过90%的公交优先发展水平，平均运行速度分别为17 km·h-1和19.5 km·h-1。

根据三阶段DEA 模型和式（7），计算得到不同公交优先发展水平下的公交车碳排放效率变化趋势如图3（a）所示。

图3 公交车和私家车的碳排放效率及边际效应Fig.3 Carbon emission efficiency and marginal effect of bus and private vehicles

图3（a）反映了公交车碳排放效率随公交优先水平的变化趋势，其中，平均运行速度对效率的平均边际效应为0.201，即在公交线路专用道覆盖率的影响下，公交车平均运行速度每增加1 km·h-1，其碳排放效率值提高20.1%。同时，边际效应处于递减状态，说明随着公交线路专用道覆盖率的提升，对公交车碳排放效率的提升效果减弱。实际上，公交专用道对公交车碳排放效率的提升存在正向循环的作用，公交车吸引力随着速度的增大而提升，部分个体交通需求更可能向公共交通转移，进一步促进系统整体的碳减排水平。

3.4.2 私家车能源结构边际效应

为量化研究不同清洁能源比例下，私家车碳排放效率的变动趋势，假设在保持需求总量不变情况下，当清洁能源比例提升至30%、40%、50%时，利用SBM模型测算其碳排放效率，结果如图3（b）所示。

由图3（b）可知，当私家车清洁能源比例提升至50%时，碳排放效率由0.535 增至0.783。平均边际效应为0.089，即清洁能源动力的私家车的比例每增加10%，碳排放效率相应提高8.9%；同时，正向边际效应较为稳定，说明现阶段下提高清洁能源比例对私家车碳排放效率的提高有很大空间。因此，推进汽车动力清洁化改造和推广新能源汽车补贴政策成为短期内最有力的碳减排举措。

3.4.3 共享交通规模边际效应

车辆存量对共享交通碳排放效率的贡献度最大，因此，本文讨论存量规模对其碳排放效率的边际效应。在政策和外生环境不变时，重新应用三阶段SBM 模型和式（7）测算车辆规模减少至70%、80%、90%以及增加至110%时的碳排放效率及其边际效应，结果如图4所示。

图4 共享交通碳排放效率及边际效应Fig.4 Shared transportation carbon emission efficiency and marginal effect

由图4可知，共享交通工具的碳排放效率与其规模负相关，说明当前投放过多，在一定程度上制约碳排放效率的提高，与效率贡献度的研究结论相符。规模水平对网约车碳排放效率的平均边际效应为-0.120，即规模每减少10%，碳排放效率值将提高12.0%；同时，随着存量的增加，负面边际效应有增大趋势，表示网约车规模越大，其碳排放效率降低得越快，因此，现阶段不应盲目扩张网约车规模。共享电踏车的规模对碳排放效率的平均边际效应为-0.198，当共享电踏车的规模减少10%时，碳排放效率值提高19.8%；边际效应整体呈“U”字形，驻点位于90%规模附近，说明共享电踏车的规模在现有基础上缩减10%时，碳排放效率提升得最快。

4 结论

本文基于多投入产出视角，结合三阶段超效率SBM 模型和效率贡献度模型，对比了襄阳市客运交通工具碳排放效率的差异及其边际效应。主要结论如下：

（1）三阶段SBM 模型对交通工具的碳排放效率测度更具有准确性和客观性。襄阳市客运交通碳排放效率呈“传统公共交通（含巡游车）大于共享交通大于私人交通”的差异化态势，因此，仍需坚持以传统公共交通工具为主，共享公共交通为辅的高质量发展政策。

（2）从外生环境因素来看，提高便捷性对车辆存量、道路时空资源、停车面积和能源消耗多余投入的消除存在积极作用，优化能源结构显著减少能源资源的多余消耗。从要素效率贡献度来看，车辆规模过剩和能源结构分别是制约共享交通和私家车碳排放效率的主要原因。

（3）在边际效应方面，共享交通车辆规模每减少10%，平均碳排放效率分别提高12%（网约车）和19.8%（共享电踏车）。随着规模的缩减，网约车碳排放效率的正向边际效应减弱，共享电踏车碳排放效率的边际效应以“减少至90%规模”为界，呈“U”型变化特征。对私家车来说，提高清洁能源比例每增加10%，碳排放效率平均提高8.9%。在现阶段公交线路专用道覆盖率的影响下，公交车平均运行速度每增加1 km·h-1，碳排放效率提高0.201，且边际效应递减。

从研究结果来看，宜遵循“优化存量、控制增量”原则，从新能源车辆的规模化应用，交通系统运行效率改善，出行时耗缩短等技术层面以及私家车使用限制，公共交通出行激励，加强共享交通工具投放计划性和停放规范性等政府管理方面，改善襄阳市客运交通碳排放效率。