我国综合交通枢纽城市的生态交通效率及其影响因素研究

2022-12-15汪玲张萌

大连交通大学学报 2022年5期

汪玲,张萌

(大连交通大学交通运输工程学院，辽宁大连 116028)

随着城市交通的不断发展，一系列由交通发展带来的环境污染等问题逐渐显现.近期，由国务院发布的《国家立体综合交通网络枢纽规划纲要》明确提出了“建设现代化高质量国家综合立体交通网”的战略发展目标，将加快建设20个国际性综合交通枢纽城市列为主要任务之一.发展生态交通是现阶段我国交通运输的高质量发展的必然选择.

目前，学术界对城市生态交通效率的研究主要侧重于评价模型的构建，数据包络分析(DEA)、模糊层次分析(FAHP)、主成分分析(PCA)、熵值法、BP神经网络等多种方法被用于评价城市生态交通效率现状，取得了一定的研究成果.欧国立等[1]结合FAHP-DEA法测算京津冀地区生态交通指数.张矢宇等[2]综合运用PCA-DEA法评价武汉市交通生态效率.郑兵云等[3]构建SBM-DEA非期望产出模型测度中国30个城市的生态交通效率，并运用空间面板计量模型分析其影响因素.尚玲宇等[4]采用DEA和熵值法测度北京市生态交通指数.陈沿伊等[5]构建DEMATEL-BCC模型评价深圳市生态交通发展效率.方松等[6]验证了基于BP神经网络构建城市生态交通系统评价模型的有效性.综上所述，既有研究均限于对一般城市的评价，所选指标仅反映各城市的交通特征；而对生态交通效率与其影响因素间关系的定量研究也不多见.为此，本文侧重选取符合综合交通枢纽城市特点的指标，一方面基于非期望产出-超效率SBM模型测算枢纽城市的生态交通效率，克服了原有非期望产出SBM模型无法解决多个DMU效率值为1的缺点；另一方面，借助面板数据回归分析方法揭示影响因素对生态交通效率的影响规律，避免了多重共线性等问题，结果更准确且真实可靠.

1 交通效率测算

1.1 DEMATEL法筛选关键测算指标

1.1.1 关键指标筛选步骤

综合交通枢纽城市生态交通效率的测算指标应较一般城市的测算指标更具创新性和协调性，更贴近我国构建综合立体交通网的要求.为此，通过查阅资料和调查各方意见，比较分析现有文献中的关于城市生态交通[1,3]和综合交通运输效率[7]的评价指标体系，并结合国际性综合交通枢纽城市的特征，最终从经济、社会和交通三方面初选15个测算指标(见表1)，以此为基础应用DEMATEL法筛选出关键指标.

DEMATEL法运用图论与矩阵工具分析系统要素，通过对系统中各要素之间的逻辑关系与直接影响关系的分析，计算每个因素对其他因素的影响程度和被影响程度及计算出每个因素的中心度与原因度，最终筛选出系统中的主要因素.

1.1.2 关键指标筛选结果

本文应用MATLAB软件编写符合本文测算指标直接影响矩阵的计算代码，计算结果见表1.

表1 综合交通枢纽城市生态交通效率初选测算指标的中心度与原因度计算结果

其中:原因度大于0的指标对其他指标影响程度较大，原因度小于0的指标则受其他指标影响较大；中心度越大表示该指标对城市生态交通发展的作用越明显.通过综合比较原因度和中心度并考虑指标数据的可获取性，本文最终筛选出国际性综合交通枢纽城市生态交通效率的11个关键测算指标，并按投入产出类对指标分类,见表2.

表2 综合交通枢纽城市生态交通效率关键测算指标

1.2 非期望产出-超效率SBM模型测算效率

1.2.1 非期望产出-超效率SBM模型的构建

原有非期望产出-SBM模型进行效率测算时，会出现多个DMU为有效状态，即测得的效率值最大为1.为进一步比较此类DMU，需要在原有模型的前提下引入超效率模型进行区分.因此，本文使用非期望产出-超效率SBM模型计算效率值，以克服原有非期望产出-SBM模型的缺点.

本文以城市PM2.5数值作为非期望产出，以公路、铁路、航空客货运总量作为期望产出，采用式(1)中非期望产出-超效率SBM模型.

本模型的有效性判定方法如下：若ρ<1，则DMUo无效，说明城市未达到生态交通效率标准；若ρ≥1，则DMUo有效，说明城市达到生态交通效率标准，且ρ值越大，城市生态交通发展水平越高.

1.2.2 城市生态交通效率的测算结果分析

本文共选取2011—2019年20个城市共180个样本的指标数据.数据来源于《中国城市统计年鉴》《中国能源统计年鉴》《中国交通运输统计年鉴》及各城市国民经济和社会发展统计公报、相关官方网站等.利用MAXDEA软件对模型(1)进行测算，得出各城市生态交通效率具体结果.可知，大部分城市在全部年份或部分年份的生态交通效率实现了DEA有效，效率值超过了1，达到了生态交通效率的标准，其中个别城市如广州市达到了效率值为2的高水平；少数城市的生态交通效率值在0.1～0.5之间，效率值偏低，与生态交通效率标准尚有较大差距.可见，针对DEA有效(即效率值大于或等于1)的城市生态交通效率，不同于原有非期望产出SBM模型计算的效率值均为1的情况，引入超效率模型可以测算出不同的效率值，这能够更为准确地反映各城市生态交通效率的实际水平，便于进一步比较城市间的效率差异.据此，对2011—2019年全部城市生态交通效率的均值进行排序(图1)，并针对各城市生态交通效率的变化趋势绘制曲线图,见图2.

图1 2011—2019年20个城市生态交通效率均值排序图

图2 2011—2019年各城市生态交通效率变化趋势曲线图

根据图1所示，9年间共有8个城市的生态交通效率均值超过1.其中，广州市、海口市的效率均值明显高于其他城市，得益于两个城市均是我国最早期的低碳交通试点城市，且近年来绿色交通体系建设、运营、管理等多项指标均居全国前列，促使城市生态交通发展始终呈现较高水平；北京、上海、昆明、重庆、成都和武汉6个城市的生态交通效率均值在1～1.2之间，达到生态交通标准，反映出各城市在调整交通策略、适应城市空间形态变化、构建低碳综合交通体系等方面取得了一定的成效，使得城市生态交通呈良好发展态势.在城市生态交通效率均值低于1的12个城市中，西安、乌鲁木齐、天津、厦门、青岛和深圳6个城市位于0.6～0.9之间，但这些城市在九年间也曾多次达到生态交通效率的标准，却因交通管理水平低效、节能减排效果不够理想，导致城市生态交通发展水平不稳定，与先进地区相比仍有一定的差距；郑州、沈阳、杭州、南京、大连和哈尔滨6个城市的生态交通效率均值不足0.4，与标准相差较大，主要因为城市拥堵引发交通能耗和环境污染加剧的问题相对突出，综合交通体系不够协调，造成城市生态交通发展水平持续走低.从总体情况来看，20个城市的生态交通效率均值为0.791 5，共有9个城市的效率值低于整体平均水平，生态交通发展有较大提升空间，而这9个城市分属于我国经济基础好、交通便利的东部和中部地区，说明中东部城市在依托自身优势创建综合交通枢纽城市的同时应将优化城市交通系统发展策略，尤其应将加大交通节能减排措施的实施力度放在首位.

从图2中2011—2019年各城市的生态交通效率来看，整体呈现上升趋势，但各城市间也存在不同的变化趋势.广州呈先下降再上升逐渐稳定后缓慢下降；北京、重庆、西安三个城市的效率趋势变化曲线呈“U”形；天津、青岛、厦门三个城市呈“梯字形”；杭州、大连、海口三个城市呈“M”形；郑州、深圳呈“W”形；乌鲁木齐呈倒“Z”形；沈阳先处于稳定随后缓慢上升；成都呈“V”形；武汉、昆明先保持稳定随后缓慢下降；南京、哈尔滨两个城市呈先上升后下降逐渐稳定后再缓慢上升；上海市先是呈“梯字形”再呈“V”形.

2 影响因素分析

由测算结果可知，各城市生态交通效率的差异较明显，部分城市尚未达到有效状态，这有碍于我国综合交通立体网的高质量发展.为此，有必要深入分析城市生态交通效率与其影响因素之间的关系，找出问题根源，进而提出相应的解决对策.

面板数据回归模型能够同时分析、对比由横截面数据和时间序列数据混合的二维数据，相对于一般的计量回归模型，具有考虑数据共性问题、提供更多个体特征、样本容量大等优势.此模型的应用思路如下：首先进行单位根检验，检验数据的平稳性以避免伪回归；采用F检验判断选择面板数据模型的类型，依此建模、计算和检验.

2.1 面板数据回归模型的构建

本文使用Eviews软件对自变量与因变量进行单位根检验，并根据F检验结果选择构建固定效应回归模型.将2011—2019年20个国际性综合交通枢纽城市11个影响因素的时间序列与横截面数据组合，构建面板数据回归模型如式(2)所示：

Yit=β0+β1X1it+β2X2it,…,+β11X11it+uit

(2)

式中：Y表示城市生态交通效率；X1,X2,…，X11表示各影响因素值；i=1,2…,20表示各城市；t=1,2，…,9表示各年；β0为截距项；β1，β2，…,β11为待估系数；uit为扰动项.

需要说明的是，针对同一个城市构建的时间序列多元线性回归模型会存在多重共线性，其根源在于解释变量之间的相关性，即影响因素的共同趋势.为此，应进行单相关或多元相关性的分析检验以判断各影响因素间多重共线性问题.以上述11个影响因素中的城市GDP和各交通方式货运量为例，两个影响因素都具有共同的时间趋势，且两者之间存在的强相关性已得到众多学者的定量验证[8-9]，若将其同时作为解释变量构建时间序列模型会明显降低模型的有效性，而使用20个城市的面板数据构建模型，两个影响因素之间存在共线性的可能就会大大减弱，在增加截面个体维度的同时也增加了数据的变异，可以获取更多有关城市GDP和货运量的可靠信息.

2.2 面板数据回归模型计算结果分析

将因变量与处理后的自变量输入Eviews软件，对模型(2)进行运算，固定效应回归模型运行结果见表3.

表3 固定效应回归模型运行结果

2.2.1 模型检验

固定效应回归模型检验统计结果见表4.由表4可知，R2和Adjusted-R2均大于0.8，F检验的统计值为28.376 5，显著性水平的Prob值为0.000 0，达到了1%水平下的显著效果.由此可以看出，该回归模型拟合度良好，说明该回归模型的计算结果是合理可接受的.

表4 固定效应回归模型检验统计结果

2.2.2 模型计算结果分析

根据表3所示的回归结果，对模型有关变量系数做如下具体解释：

第一，城市GDP的回归系数为-0.298 9，其对城市生态交通效率呈负相关，且通过5%的显著性水平检验.由此可看出，城市经济实力越强，并非意味着生态交通效率越高.生态交通效率是产出与投入之比，其最优结果应表现为用尽可能少的投入获得更多的产出.从这个意义上来说，造成城市GDP系数为负值的原因在于，城市在不断投入经济要素的同时忽视了生态交通方面是否产生相应水平的效益，盲目追求扩大投资规模，存在无效投入，导致增加一定比例的投入却不能获得最优比例的产出，生态交通效率下降.这也侧面反映出，仅一味地加大经济投入带动城市交通发展的模式显然难以适应高质量城市交通的发展要求，必须注重投入的有效性及其与产出之间的匹配性，避免出现投入浪费的现象.例如：北京市自2010年后扩大了交通资本投资规模，虽在其后几年间逐渐认识到建设生态交通的重要性，并采取了一系列措施，但生态交通系统仍处于初级建设阶段，所投入要素尚未得到有效合理的利用，特别是2012—2013年客运枢纽场站数量的减少更是削弱了城市生态交通系统的整体效益[4]，致使效率值在2013年降至九年间的最低点.

第二，交通能源消耗量的回归系数为-0.311 7，其对城市生态交通效率呈负相关，且通过1%的显著性水平检验.健康的城市生态交通系统实质是节能型的城市交通系统，这从客观上要求应该把降低城市交通能耗作为建设城市生态交通的出发点和最终目标.显而易见，交通能耗越大，越不利于交通系统可持续发展，生态交通效率必然越低.以广州市为例，广州市早在“十一五”时期开始推进交通运输节能减排工作，先后被列为“国家低碳交通运输体系建设试点城市”“国家节能与新能源汽车示范推广试点城市”，至今已形成了完善的交通运输节能减排制度体系.高效的交通节能工作已为城市生态交通的建设提供了强有力的保障，这也是广州市生态交通效率值远高于其他城市的主要原因.

第三，公路货运量、铁路客运量、铁路货运量、民航客运量的回归系数分别为0.219 7、0.107 3、0.099 9和0.316 5，均对城市生态交通效率呈正相关，且总体通过10%的显著性水平检验.各种交通方式所完成的客货运量能够在一定程度上反映其运输能力，增强运输能力有助于从交通运输技术层面提高城市生态交通效率.

第四，需要解释的是，为避免出现伪回归，计算过程中去除了部分自变量，包括城市人均拥有道路面积、城市绿化覆盖率、公路客运量、民用航空货邮运量以及城市PM2.5数值，原因在于此类变量的原始数据比较平稳，代入模型运算会使结果产生很大偏差.但从理论上可推知，城市PM2.5对城市生态交通效率呈负相关，其余变量均呈正向促进作用.

3 提高效率的建议

3.1 经济方面——加大交通有效投入

综合交通枢纽城市通常是区域内经济较发达、交通运输资源较丰富的城市，各类要素的集聚程度较高.在推进生态交通建设过程中，枢纽城市应找准定位，发挥先行作用，加大投入与转变方式并举.在加强交通行业投资力度，提高行业内全要素生产率的同时，更要转变思想，从以往只注重规模扩张转变为注重投入产出实际效益的平衡状态，引导各类资金更多投向符合生态要求的交通运输资源，确保生态交通发展与资本投入的规模、结构及趋势相匹配，以追求城市生态交通效率最大化为目标，实现综合交通体系高质量发展.

3.2 社会方面——强化交通节能环保

城市交通运输体系的具体形态会直接影响城市交通的能源消耗量[10].作为国家交通网络的重要节点，综合交通枢纽城市的交通高能耗及其所引发的高污染问题都较一般城市更为突出.因此，可考虑采取如下解决措施：一是优化城市土地利用布局，实施高密度集中型土地开发模式，建立适合慢行交通的空间，减少机动车的出行需求；二是提高低能耗运输方式如铁路、水路在综合运输体系中的分担比例，降低运输能耗强度；三是扩大“互联网+”智慧交通覆盖范围，提升综合交通体系的运行效率，减少非必要交通能耗和污染排放，从而提高生态交通效率.

3.3 交通方面——形成全系统综合运输能力

在交通运输技术特征方面，不同功能和等级的综合交通枢纽城市应具备不同程度的路网规模、吸引和辐射能力及承担的客货运量[11].由于枢纽城市是多条综合运输通道上各种运输方式骨干线路的必经地区，因此其交通运输体系实质上是一个多维、多因素的系统综合体.针对具有如此复杂交通系统的枢纽城市而言，提高其生态交通效率的关键在于，应根据城市属性和各种运输方式的功能配置侧重于促进各种交通方式在系统综合运输能力上的深层次协调，最终形成适应国民经济发展需要的全系统综合运输能力.