全球交通运输中的环境效率监测：时空特征与驱动因素

《Transport Policy》：Tracking environmental efficiency in global transportation: Spatial-temporal patterns and driving factors

　　摘要：交通运输业高能耗、高排放的运行模式加剧了实现可持续转型的紧迫性。尽管对时空环境效率的评估有助于找到高效的发展模式，但从全球视角系统研究交通运输业的环境效率仍较为缺乏。本文基于超松弛度模型，对1990年至2021年102个国家的交通运输业环境效率水平进行了评估，并运用Tobit模型分析了其影响因素。研究结果表明，全球交通运输业的整体环境效率较低，各国之间存在显著差异。发达国家整体呈上升趋势，而发展中国家的变化则相对有限。冰岛、塞浦路斯和新加坡的表现最佳，马来西亚则最差。欧洲及亚洲沿海国家的表现优于内陆亚洲国家和非洲国家。从影响机制来看，经济水平、产业结构、贸易依赖度、能源强度以及地理因素都对环境效率有着重要影响。此外，不同收入水平的国家之间存在差异性。本研究揭示了全球交通运输业环境效率的时空分布特征及驱动机制，为各国制定差异化的绿色交通政策提供了科学依据。

引言：近年来，全球交通运输业在推动国际贸易和经济增长方面发挥着重要作用。通过高效整合供应链资源，它已成为商业组织战略发展的核心支撑（Agyabeng-Mensah等人，2021；Li等人，2021）。然而，在全球供应链体系深度重构的背景下，作为经济社会运行“循环系统”的交通运输业，在持续扩张过程中面临着规模增长与生态可持续性之间的结构性矛盾（Tetteh等人，2025）。例如，全球交通运输市场规模从2018年的6万亿美元增至2023年的9.4万亿美元，预计2028年还将达到14.1万亿美元（Statista研究部门，2024a）。同年，全球交通运输总成本为9.7万亿美元，占全球GDP的12.1%（世界银行，2023），交通运输领域的碳排放量约为3.8吉吨二氧化碳，占全球总排放量的10.8%（经合组织，2023）。传统的经济发展模式导致了高昂的生产成本以及日益严重的污染和废弃物问题（Ouni和Ben Abdallah，2024；Shamout，2024）。未来，在确保全球交通运输业经济发展的同时，如何节约资源、减少碳排放并提升环境效率，是该行业改革的关键所在。

在交通运输业的运行中，不同国家以及不同时期的产出与投入状况存在显著差异，从而导致明显的时空差距。世界银行（2023）的数据显示，发达国家的交通运输成本占GDP的比例已降至8.2%（美国为8%，日本为11%），而在新兴市场国家这一比例仍高达14.9%（2023年中国为14.1%，印度为16.3%）。这种效率差距的背后是技术路径的差异。例如，德国依托铁路与内河航运的联运体系，其单位交通运输碳排放强度仅为每1万美元对应0.62吨二氧化碳，而印度由于89%的运输量依赖公路，其碳排放强度高达2.15吨，两者之间存在着3.5倍的效率差异（经合组织，2023）。如此巨大的时空差异进一步凸显了改革交通运输业、实现资源高效利用、减少废弃物排放并推动可持续发展的必要性（Tetteh等人，2025）。环境效率是指衡量经济活动在优化产出的同时减少环境破坏程度的效率指标。一般来说，通过降低环境影响和/或资源消耗，在保持或提升产出价值的前提下，环境效率可以得到提升（Bashir等人，2025；Zhang等人，2022a）。提升环境效率是实现绿色发展、平衡经济发展与环境责任的最具成本效益的手段之一。因此，对于那些希望提升交通运输整体效率、解决资源浪费和过度排放等环境问题并实现可持续发展的国家而言，对环境效率进行科学评估十分必要。

要科学评估一个国家的环境效率，首先需要识别其关键影响因素（Li等人，2024b）。对环境效率影响因素的定量分析不仅有助于政策制定者确定减排的最佳策略，还能通过计算投入输出的敏感性为各国提供重要的决策依据。以欧盟的碳边境调节机制为例，该机制通过考虑各国交通运输碳排放因子的差异，迫使成员国将铁路货运的比例提高到43%，从而使单位交通运输碳排放强度较2015年降低了28%（IRU，2023）。相反，那些未能准确识别因素敏感性的国家在污染控制方面往往会面临困境。例如，印度尼西亚未能准确把握港口拥堵指数与柴油消耗之间的弹性关系（β=0.78），导致2022年海上运输的碳排放强度上升了9.2%（联合国贸易和发展会议，2023）。因此，准确识别环境效率的影响因素是提升交通运输业水平的关键步骤，它能为环境效率较低的国家提供具体的优化方向，助力其实现真正的可持续发展。

以往关于环境效率的研究对象各不相同，包括国家、地区、城市、行业和企业（An等人，2022；Anser等人，2020；Guo等人，2021；Li等人，2025）。例如，Li等人（2024b）对全球多个国家的建筑业环境效率进行了评估；Wang等人（2020）测量了2006年至2015年中国11个沿海地区的环境效率，发现中国海洋领域的整体效率相对较低；Georgiadis等人（2024）对22个欧洲城市的公共交通系统环境效率进行了评估，发现南欧城市的表现优于北欧城市。

研究目的也各有不同，有的仅着眼于衡量目标对象的环境效率，有的研究特定因素对环境因素的影响，还有的是试图找出影响环境效率的具体因素（Benga等人，2023；Ding等人，2025；Zhang和Song，2021）。例如，Shi等人（2024）构建了一个效率评估框架，用于衡量13家制药企业的环境效率。Du等人（2022）研究了环境法规对企业环境效率的影响，发现这类法规对污染严重型企业以及私营企业的影响更为显著。Twum等人（2021）探讨了影响亚太国家环境效率的因素，认为技术创新与可再生能源利用之间的相互作用具有最大的影响作用。

模型方法也多种多样，主要分为参数法、非参数法及其改进模型（Djordjevic等人，2023；Li和Kang，2024；Sun等人，2020）。例如，Meng和Qu（2022）运用超松弛度模型分析了中国29个省份的绿色能源效率，并采用GML指数方法解释效率变化情况；Tokarczyk等人（2024）则运用非参数双曲距离函数来计算和分析能源环境效率的变化。还有研究对中国2003年至2018年107个资源型城市的生产力进行了因子分解分析；Zhu等人（2022）运用数据包络分析方法评估了欧盟各国的环境效率。此外，通过梳理现有文献可以发现，目前环境效率评估的对象通常局限于国家、地区、城市和企业，而针对全球交通运输业的研究相对较少，且这类研究往往聚焦于某个特定的国家或地区。例如，Jiang等人（2023）运用信息熵方法衡量了中国多个城市的交通运输业环境效率；Joonho等人（2024）用SBM模型评估了中国长江流域地区的环境效率。Ma等人（2025）则利用SBM - DEA模型，对中国2003年至2020年30个省份的交通运输业环境效率进行了评估，明确了中国交通运输网络各组成部分的结构变化及其功能作用。目前还缺乏全球层面的环境效率评估以及影响环境效率因素的分析。

因此，本研究使用了1990年至2021年期间全球102个国家的数据，运用超松弛度模型全面评估这些国家交通运输业的环境效率，并通过Tobit模型分析其影响因素。本研究的目标有三个：一是掌握全球交通运输业时空环境效率的状况；二是探究影响交通运输业环境效率的各种因素；三是为提升环境效率提供具有政策参考价值的见解。本研究的创新之处在于两点：其一，研究样本涵盖了全球102个国家，从全球层面评估了这些国家32年间的环境效率，并对其差异性进行了研究和分析；其二，通过将超松弛度模型与Tobit模型相结合，既能够确定各国的环境效率，又能识别影响环境效率的因素，从而为提升环境效率指明方向。本研究不仅拓展了环境效率研究的视野，也为各国应对与交通运输相关的环境挑战提供了改进方向。

方法部分：本研究采用两阶段方法来分析全球交通运输业的效率。在第一阶段，运用超松弛度模型计算整体决策单元投入输出的相对得分效率。在第二阶段，则运用Tobit回归技术来识别潜在的影响因素。这一方法为交通运输业的可持续发展提供了经济学依据和理论支撑。

环境效率的全面分析：借助第一部分所述的方法以及第三部分提供的指标数据，得出了1990年至2021年102个国家交通运输业的环境效率结果。图1展示了这些国家的效率分布情况。如图1所示，这102个国家的平均效率值仅为0.3074，这说明全球交通运输业的整体环境效率水平相对较低，这一结果与以往的研究结论一致（lo Storto）。

全球交通运输业环境效率的影响因素：本研究运用超松弛度模型，计算了1990年至2021年102个国家交通运输业的环境效率得分，随后从整体分布特征、时间演变规律以及区域差异性三个层面进行了分析。在通过全球交通运输业环境效率分析得到各国的效率数值后，分析影响环境效率的因素也是本研究的重要关注点，以此……

结论与政策建议：交通运输业是全球经济的支柱产业，在全球互联互通的时代，其重要性不断提升。然而，它同时也造成了严重的环境问题，对地球气候构成威胁。本研究运用超松弛度评估模型，对1990年至2021年102个国家交通运输业的环境效率进行了评估，并通过Tobit模型分析了其影响因素，得出以下结论：1）整体上……

致谢：作者贡献说明：Kangqiang Rao负责形式分析、可视化处理以及初稿撰写；Lu Chen负责方法论部分；Chenyang Shuai负责概念构建、监督工作以及初稿撰写；Xi Chen负责资源协调以及文稿审阅与编辑工作；Bu Zhao负责文稿审阅与编辑工作。

致谢声明：Chen Xi感谢中国国家自然科学基金（52200221）的支持；Chenyang Shuai感谢中国国家自然科学基金（52200209与52370192）的资助。

Kangqiang Rao|Lu Chen|Chenyang Shuai|Xi Chen|Bu Zhao
重庆大学管理科学与房地产学院，中国重庆