基于数据包络分析(DEA)的德克萨斯州交通系统绩效评估：从多指标整合到策略优化

本研究针对多指标交通绩效评估的决策复杂性难题，采用数据包络分析(DEA)和Tobit回归模型，构建了德克萨斯州5265个普查区的交通效率综合评分体系（平均得分0.52），揭示各指标对绩效的影响权重，为绩效导向型规划(PBPP)提供量化工具和区域差异化改善策略。

　　

随着智能交通数据平台的兴起，绩效导向型规划(PBPP)成为美国各州交通部门(如德克萨斯州交通局TxDOT)的核心管理工具。然而，多目标决策中存在指标权重主观性、区域可比性差等痛点——例如TxDOT需同时权衡安全、拥堵、环境等6大类26项指标，传统专家赋权法易引发争议。如何通过数据驱动方法实现透明化绩效评估，成为交通战略规划的关键挑战。

针对这一难题，德州农工交通研究所(TTI)的Eun Hak Lee团队在《Evaluation and Program Planning》发表研究，创新性地将数据包络分析(DEA)引入交通领域。该方法通过线性规划自动优化指标权重，规避人为偏差，最终生成0-1标准化效率分。研究整合TxDOT统一交通计划(UTP)的6类核心指标（安全、养护、拥堵等），以人口和面积为基准，评估5265个普查区的相对绩效。

关键技术包括：1) 基于普查区构建决策单元(DMU)的DEA模型；2) 采用Tobit回归解析6类指标对效率分的影响；3) 使用TxDOT事故数据库、美国社区调查(ACS)等5类数据源。

绩效指标构建
通过UTP框架提取6维度指标：安全（事故死亡率）、拥堵（通勤延误）等，经CRITIC法客观赋权，建立输入（人口/面积）-输出（6指标）的DEA评估体系。

交通效率分结果
全州平均效率分仅0.52，显示48%的改善空间。高效区集中在都会核心带，低效区多为偏远地带，反映资源配置失衡。

Tobit回归分析
安全指标权重最高(β=0.32^***)，环境指标影响最小，为PBPP优先级提供量化依据。

方法论创新
提出可解释DEA框架，通过投影分析明确低效区改进路径，如某农业区需提升23%的路网密度以达到效率前沿。

该研究开创性地将运筹学方法应用于交通战略规划，其价值体现在三方面：首先，DEA的客观权重机制增强了PBPP的公信力；其次，效率分与Tobit结果的结合，既实现跨区域对标，又揭示指标敏感度；最后，普查区粒度的分析为精准投资提供依据。正如作者指出，该方法可扩展至SLRTP等长期规划，未来结合机器学习有望实现动态绩效预测。团队特别强调，需警惕DEA对极端值的敏感性，建议辅以鲁棒性检验。这项研究为多目标交通决策提供了兼具科学性和操作性的范式。