基于DEA-Malmquist-Tobit模型的铁路公交化运营旅客进站查验效率评价研究

Data Envelopment Analysis (DEA)-Malmquist-Tobit Model Based Efficiency Evaluation of Passengers’ Entrance Check of Railway Station under Public Transportation Operation Mode

摘要

为解决铁路旅客进站查验效率评价的准确性和科学性等问题，针对区域一体化背景下铁路进站客流量大、班次密集等公交化运营的特点，以长三角地区核心城市车站为例，对旅客进站查验效率进行评价研究。通过构建融合变异系数与主成分分析法的指标筛选模型，建立旅客进站查验效率评价指标体系；引入DEA-Malmquist效率评价模型，对20个不同等级车站的进站查验效率进行评价，并基于时间序列，分析不同站点的进站查验效率的变化趋势；利用Tobit有限值回归模型，对旅客进站查验效率的影响因素进行定量分析。结果表明，DEA-Malmquist-Tobit模型综合了各模型的优点，能够更全面地评估铁路客运车站的效率变化和影响因素。研究结论对于铁路运输部门提升车站查验效率、优化客运组织具有重要参考价值。

Abstract

In order to address the accuracy and scientificity issues in evaluating the efficiency of railway passengers' entrance checks, in response to the characteristics of public transportation operation such as large passenger flow and intensive train schedules under the background of regional integration, this study focused on evaluating the efficiency of passengers' entrance checks at stations of core cities in the Yangtze River Delta region. Firstly, an index filter model, integrating the coefficient of variation and principal component analysis, was constructed to establish an evaluation index system for passengers' entrance check efficiency. Secondly, the DEA-Malmquist efficiency evaluation model was applied to evaluate the entrance check efficiency of 20 stations of different grades, and the trends in entrance check efficiency across different stations were analyzed with time series data. Finally, the Tobit finite regression model was used to quantitatively analyze the factors influencing passengers' entrance check efficiency. The results demonstrate that the DEA-Malmquist-Tobit model, integrating the advantages of different models, enables a more comprehensive evaluation of efficiency changes and influencing factors in railway passenger stations. Research conclusions provide valuable insights for railway transportation departments in improving station check efficiency and optimizing passenger transport organization.

Graphical abstract

关键词

铁路公交化运营 / 进站查验 / DEA-Malmquist效率评价模型 / Tobit有限值回归模型 / 指标筛选模型

Key words

Public Railway Operation / Entrance Check / DEA-Malmquist Efficiency Evaluation Model / Tobit Finite Regression Model / Index Filter Model

0　引言

长三角一体化背景下，铁路客运呈现出客流量大、班次密集、通勤需求明显等公交化运营特点^[1-2]。公交化运营新模式必将带来新变化和新需求，其在列车及站厅表现出的新特点将会对旅客运输效率产生较大影响^[3]。旅客运输效率很大程度由进站查验效率决定，特别是进站的实名制查验和安检查危等环节的效率对其影响显著^[4]。

关于交通系统效率的评价研究，目前大多数研究主要是运用数据包络分析(DEA)模型及其相关的改进。李建国等^[5]建立熵权-超效率数据包络分析(EW-SE-DEA)模型评价铁路货场运营效能，根据结果优化资源配置，为提升其运营能力及效率提供辅助决策；Jiang等^[6]运用基于松弛变量(SBM)的DEA方法，评估2015—2017年交通运输行业的环境和经济绩效，对低效率区域提出改进建议；Bai等^[7]构建动态网络SBM模型，分析我国铁路客运量和运输收入之间的关系；陈思茹等^[8]运用数据包络分析-范围调整测度模型(DEA-RAM)评价交通运输经济与碳排放绩效，给出兼顾经济和减少碳排放的双赢路径；Cui等^[9]提出一种三阶段虚拟前沿DEA新模型，评价30个省份交通运输能源效率；崔雨等^[10]运用超效率DEA模型评价北京市公共交通效率，得出公共交通效率不断上升但趋势变缓的结论；谭玉顺等^[11]构建网络DEA-RAM模型，测算2003—2012年我国铁路运输网络效率及各子过程的技术效率；吴继贵等^[12]运用交叉效率DEA和向量自回归模型，分析我国现代交通运输业的效率波动情况及其影响因素。然而，上述研究使用的改进DEA方法，大多都是解决某一单独时期的评价问题，对于处理多时期的阶段性效率变化存在不足，且对于影响因素的分析较少，结果的针对性稍弱。此外，上述研究对评价指标筛选，大多基于经验，其科学性和和代表性有待考量。

针对上述问题，研究根据长三角地区铁路公交化运营模式特点，选取有代表性的20个车站，以2019年电子客票实施，到2021年推行铁路公交化运营这3年为时间序列，首先，基于调查数据初步拟定评价指标体系，进而基于变异系数及相关性分析的指标筛选模型，解决各指标可能存在的重合或无效问题；其次，采用数据包络分析-曼奎斯特指数(DEA-Malmquist)模型评价进站查验效率，通过DEA静态和Malmquist动态分析，得到各车站进站查验效率及时间序列上的效率变化态势；最后，利用截尾回归模型(Tobit有限值回归模型)分析进站效率的影响因素，得出各因素的正负相关性及影响的显著程度。

1　铁路公交化运营对旅客进站查验效率的影响

城际铁路的公交化运营借鉴城市常规公共交通系统运行发车间隔短等优点，可以满足城市群一体化战略下核心城市间日益密切的城际交通需求^[13]，但票务、站内服务、行车组织等方面与城市地面公交、城市轨道交通、传统铁路具有显著差异。

传统铁路旅客进站查验流程主要包括旅客车票的实名制查验和携带行李的安检查危等环节。公交化运营模式下，多元化票制的出现，旅客的进站凭证从单一的身份证查验转变为刷二维码、实体身份证件、电子二维码证件、铁路乘车卡刷卡，以及人工查验户口本、护照等多种实名制核验方式；此外，公交化运营模式下，主要受益者是城市群的通勤、通商、通学客流，此类人群行装相对轻便，安检过程中的二次开包率及扫描检查效率都有变化；由于公交化运营下列车开行间隔变短，车站需满足旅客能尽快找到检票口的需求，因此进站旅客检票进站前，站厅的引导标识及工作人员的引导服务会产生重要影响；换乘旅客在公交化运营下实现站内通道换乘，该部分旅客的进站查验效率与传统情况下相比也存在一定的变动。

2　旅客进站查验效率评价模型

2.1　基于变异系数-相关性分析的指标筛选模型

为了保证评价结果的有效性，避免由于指标设置不当而对结果的准确性产生影响，进行指标有效性筛选。采用的指标筛选方法为基于变异系数-相关性分析思想的指标有效性筛选模型，分成低影响度指标过滤和高重合度指标过滤2个部分，完成对指标的筛选。

2.1.1　低影响度指标过滤

首先要剔除对评价结果影响较小的指标，用指标携带的信息量作为评判标准，信息携带量较低的一类指标被认为性能较弱，称为低影响度指标。

指标的信息携带量用K_i表示，K_i为变异系数，通过计算指标值间的变异程度，反映指标所携带的信息量，K_i越大代表该指标的信息量越多，对评价结果的影响度就越高。信息携带量用该指标的样本标准差与样本均值的比值来计算，如公式⑴所示。

K_i=\sqrt[]{\frac{\mathrm{1}}{n-\mathrm{1}}{{\displaystyle \sum _{\lambda =\mathrm{1}}^n}\left(a_{\lambda i}-\frac{\mathrm{1}}{n}{\displaystyle \sum _{\lambda =\mathrm{1}}^n}{a}_{\lambda i}\right)}^{\mathrm{2}}}/\frac{\mathrm{1}}{n}{\displaystyle \sum _{\lambda =\mathrm{1}}^n}{a}_{\lambda i}⑴

式中：n为样本单元的个数；a_{\lambda i}为第i个指标在第\lambda个样本单元的值，\lambda =\mathrm{1}，\mathrm{2}，\dots ，n。

在得出指标携带信息量多少的排序情况后，利用主成分分析法计算信息量累计贡献率W_m，如公式⑵所示。

W_m={\displaystyle \sum _{i=\mathrm{1}}^m}{K}_i^m/{\displaystyle \sum _{i=\mathrm{1}}^u}{K}_i⑵

式中：K_i^m为影响度从高到低的前m个指标的信息携带量，i=\mathrm{1}，\mathrm{2}，\dots ，m；u为指标总个数。

累计贡献率以保留指标所体现的信息量之和需达到总信息量的90%为标准^[14]，剔除低影响度指标，保留使总信息量达到90%的m个有效指标。

2.1.2　高重合度指标过滤

剔除低影响度指标后，需要判断剩余指标间是否含有大量的重复信息，以此保证评价指标的质量水平。由指标i与剩余的指标集合间的相关性，来表示指标i是否是具有高重合度的可替代指标。

利用皮尔逊相关系数(Person系数)^[15]分析指标携带信息的相关性，指标间相关性用{\delta }_{ij}表示，如公式⑶所示。

{\delta }_{ij}=\frac{n{\displaystyle \sum _{\lambda =\mathrm{1}}^n}{a}_{\lambda i}{a}_{\lambda j}-{\displaystyle \sum _{\lambda =\mathrm{1}}^n}{a}_{\lambda i}{\displaystyle \sum _{\lambda =\mathrm{1}}^n}{a}_{\lambda j}}{\sqrt[]{n{\displaystyle \sum _{\lambda =\mathrm{1}}^n}{a_{\lambda i}}^{\mathrm{2}}-{\left({\displaystyle \sum _{\lambda =\mathrm{1}}^n}{a}_{\lambda i}\right)}^{\mathrm{2}}}\sqrt[]{n{\displaystyle \sum _{\lambda =\mathrm{1}}^n}{a_{\lambda j}}^{\mathrm{2}}-{\left({\displaystyle \sum _{\lambda =\mathrm{1}}^n}{a}_{\lambda j}\right)}^{\mathrm{2}}}}⑶

式中：{\delta }_{ij}为i指标与j指标之间的信息重合程度，{\delta }_{ij}越大，指标间信息重合程度越高；a_{\lambda j}为第j个指标在第\lambda个样本单元的值。

但仅靠指标间的信息重合度不能反映某一指标是否可被替代，需计算该指标与其余指标组成集合间的信息重合程度。指标i携带信息的重合度用P_i表示，P_i值越大，表示i指标携带信息与指标集合间的重合度越高，该指标就越可被替代。P_i计算如公式⑷所示。

P_i=\frac{\mathrm{1}}{m-\mathrm{1}}\sum _{a_j\in D_{i，\left(m-\mathrm{1}\right)}}{{\delta }_{ij}}^{\mathrm{2}}⑷

式中：D_{i，\left(m-\mathrm{1}\right)}为指标a_i与其余指标构成的子集。

求出所有指标重合度的平均值\overline{P}，将指标的重合度与\overline{P}比对，作为该指标是否该被过滤的标准^[16]，当P_i>\overline{P}时，i指标应被过滤；当时，i指标应被保留。\overline{P}的计算如公式⑸所示。

\overline{P}=\frac{\mathrm{1}}{m}{\displaystyle \sum _{i=\mathrm{1}}^m}{P}_i=\frac{\mathrm{1}}{m}\frac{\mathrm{1}}{m-\mathrm{1}}{\displaystyle \sum _{i=\mathrm{1}}^m}\sum _{a_j\in D_{i，\left(m-\mathrm{1}\right)}}{{\delta }_{ij}}^{\mathrm{2}}⑸

2.2　基于DEA-Malmquist的效率评价模型

通过指标筛选模型得出的指标即为系统的投入指标，最终要实现的评价目标则为该系统的产出指标，构建成多指标的综合评价模型。DEA方法是在处理此类多指标系统效率评价问题中表现十分优异的非参数检验方法，因其具有无需提前设置权重假设，且无需确定指标间关系式的优点，兼具科学性与客观性，因此本研究进站查验效率的评价选用DEA方法。

DEA方法包括查恩斯-库珀-罗德斯(CCR)模型和班克尔-查恩斯-库珀(BCC)模型，依照现实情况各地车站应处于规模报酬存在不同程度变动的状态，因此，选择规模报酬可变的BCC模型^[17]。由于DEA方法需要原始数据不为0或负数，因而需要使用如公式⑹所示的数据标准化公式，预先处理0及负数数据。

X^{\mathrm{\text{'}}}=\mathrm{0.1}+\mathrm{0.9}\times \frac{X-X_{\mathrm{m}\mathrm{i}\mathrm{n}}}{X_{\mathrm{m}\mathrm{a}\mathrm{x}}-X_{\mathrm{m}\mathrm{i}\mathrm{n}}}⑹

式中：X^{\mathrm{\text{'}}}为标准化后的数据；X为标准化前的数据。

在DEA方法中，受评估的单位或组织被称为决策单元(DMU)。评价其效率，需考虑投入和产出2部分因素。BCC模型如公式⑺所示。

\left\{\begin{array}{l}\mathrm{m}\mathrm{i}\mathrm{n}\left[\theta -\epsilon \left({\displaystyle \sum _{i=\mathrm{1}}^m}{s}_i^{-}+{\displaystyle \sum _{r=\mathrm{1}}^s}{s}_r^{+}\right)\right]\\ \mathrm{s}.\mathrm{t}.\\ {\displaystyle \sum _{j=\mathrm{1}}^n}{\lambda }_j{x}_{ij}+s_i^{-}=\theta x_{io}\\ {\displaystyle \sum _{j=\mathrm{1}}^n}{\lambda }_j{y}_{rj}-s_r^{+}=y_{ro}\\ {\displaystyle \sum _{j=\mathrm{1}}^n}{\lambda }_j=\mathrm{1}\\ {\lambda }_j，s_i^{-}，s_r^{+}\ge \mathrm{0}；x_{ij}，y_{rj}>\mathrm{0}\\ i=\mathrm{1}，\mathrm{2}，...，p；j=\mathrm{1}，\mathrm{2}，...，n；r=\mathrm{1}，\mathrm{2}，...，q\end{array}\right.⑺

式中：\theta为参数；\epsilon为非阿基米德无穷小量；s_i^{-}为松弛变量；s_r^{+}为剩余变量；{\lambda }_j为第j个决策单元的权重；x_{ij}为在第j个决策单元、第i种指标的投入量；p为投入指标个数；y_{rj}为在第j个决策单元、第r种指标的产出量；q为产出指标个数。

假设({\lambda }^{\mathrm{*}}，{\theta }^{\mathrm{*}}，s_i^{-}，s_r^{+})为模型的最优解，可得出不同情况下的DEA有效性结论如下。

（1）若，则称DM{U}_o为非DEA有效。

（2）若{\theta }^{\mathrm{*}}=\mathrm{1}，但存在某个松弛变量s_i^{-}\ne \mathrm{0}或者s_r^{+}\ne \mathrm{0}，则DM{U}_o为弱DEA有效。

（3）若{\theta }^{\mathrm{*}}=\mathrm{1}，且所有松弛变量s_i^{-}=s_r^{+}=\mathrm{0}，则为DEA有效。

通过BCC模型可得出静态模式下，同时期该系统的综合效率(CE)、纯技术效率(TE)、规模效率(SE)及规模增减态势，以此判断该DMU是否有效。

考虑本研究的铁路公交化运营是从2021年开始实施的，因此不仅要对当下的旅客运输状态进行评估，而且要将其与以往的旅客运输状态在时间上进行效率的横向对比，反映旅客进站查验效率时间序列上的动态变化。由此引入如公式⑻所示的Malmquist指数，计算得出该系统效率在时间上的变化趋势，结果用全要素生产率(TFP)的概念来表示。

M\left(x_{t+\mathrm{1}}，y_{t+\mathrm{1}}，x_t，y_t\right)={\left[\frac{D_{\mathrm{0}}^t\left(x_{t+\mathrm{1}}，y_{t+\mathrm{1}}\right)}{D_{\mathrm{0}}^t\left(x_t，y_t\right)}\times \frac{D_{\mathrm{0}}^{t+\mathrm{1}}\left(x_{t+\mathrm{1}}，y_{t+\mathrm{1}}\right)}{D_{\mathrm{0}}^{t+\mathrm{1}}\left(x_t，y_t\right)}\right]}^{\frac{\mathrm{1}}{\mathrm{2}}}⑻

式中：\left(x_{t+\mathrm{1}}，y_{t+\mathrm{1}}\right)和\left(x_t，y_t\right)分别为t+1时期和t时期的投入和产出向量；D_{\mathrm{0}}^t和D_{\mathrm{0}}^{t+\mathrm{1}}分别为以t时期技术T为参照，时期t和时期t-1的距离函数。

Malmquist指数可以分解为技术效率变化指数(EC)和技术进步指数(TC)的乘积，当规模报酬可变时，技术效率变化指数(EC)可进一步分解为纯技术效率(TE)和规模效率(SE)的乘积^[18]，如公式⑼、公式⑽所示。

EC=\frac{D_{\mathrm{0}}^{t+\mathrm{1}}\left(x_{t+\mathrm{1}}，y_{t+\mathrm{1}}\right)}{D_{\mathrm{0}}^t\left(x_t，y_t\right)}⑼

TC={\left[\frac{D_{\mathrm{0}}^t\left(x_{t+\mathrm{1}}，y_{t+\mathrm{1}}\right)}{D_{\mathrm{0}}^{t+\mathrm{1}}\left(x_{t+\mathrm{1}}，y_{t+\mathrm{1}}\right)}\times \frac{D_{\mathrm{0}}^t\left(x_t，y_t\right)}{D_{\mathrm{0}}^{t+\mathrm{1}}\left(x_t，y_t\right)}\right]}^{\frac{\mathrm{1}}{\mathrm{2}}}⑽

全要素生产率分解形式如公式⑾所示。当Malmquist指数TFP>\mathrm{1}时，表示效率比前一时间序列有所提高；时，表示效率比前一时间序列有所降低。

TFP=EC\times TC=TE\times SE\times TC⑾

2.3　基于Tobit的效率影响因素定量分析模型

通过DEA-Malmquist模型，分析铁路公交化运营下的旅客进站查验的静态效率和动态效率，但对于具体影响系统效率的因素，还难以进行深入研究。由于不同站点情况多变且特征各异，作为被解释变量的综合效率取值范围在0~1之间，属于归并数据，最小二乘法进行回归可能存在参数估计偏差^[19]，而使用Tobit有限值回归模型可以很好解决此类问题，如公式⑿所示。

\left\{\begin{array}{l}{Y}_i^{\mathrm{*}}=\beta X_i+\epsilon ，\left\{\begin{array}{c}{Y}_i=Y_i^{\mathrm{*}},Y_i^{\mathrm{*}}>\mathrm{0}\\ Y_i=\mathrm{0},Y_i^{\mathrm{*}}\le \mathrm{0}\end{array}\right.\\ \beta X_i={\beta }_{\mathrm{0}}+{\displaystyle \sum _{k=\mathrm{1}}^s}{\beta }_i{a}_{kit}，Y_{it}^{\mathrm{*}}={\beta }_{\mathrm{0}}+{\displaystyle \sum _{k=\mathrm{1}}^s}{\beta }_k{a}_{kit}+\epsilon \end{array}\right.⑿

式中：Y_i^{\mathrm{*}}为第i个决策单元的因变量，即进站查验综合效率；X_i为第i个决策单元的自变量，即指标筛选模型得出的各指标；\beta为待定参数；{\beta }_{\mathrm{0}}为常数项；{\beta }_k为第k个影响因素的回归参数；\epsilon为随机干扰；a_{kit}为第i个决策单元在t时期第k个影响因素的变量值；Y_{it}^{\mathrm{*}}为第i个决策单元在t时期的进站查验综合效率；s为影响因素个数。

由Tobit模型计算可得每个影响因素回归参数估计值{\beta }_k及显著性水平。若{\beta }_k为正，则表示该影响因素与效率结果呈正相关，反之则为负相关；显著性水平的界值越低，则相关性更为显著。

3　案例分析

选取中国铁路上海局集团有限公司(以下简称“上海局集团公司”)具有典型公交化运营特点的沪宁城际铁路(上海—南京)、沪杭高速铁路(上海虹桥—杭州东)沿线的杭州东站、苏州站、宁波站等20座不同等级的典型车站，其中包括4个特等站、9个一等站及7个二等站。

3.1　指标筛选及评价指标体系建立

基于《铁路旅客车票实名制管理办法》和《铁路旅客运输安全检查管理办法》规定，结合旅客进站流程主要环节，从实名制查验环节、安检查危环节、引导设施设置、服务组织水平、旅客运输能力5个方面，建立初步拟定的评价指标体系如图1所示。

通过分析站点调研数据，根据携带信息量完成指标的过滤筛选，形成科学的评价指标体系。

（1）计算初步拟定的16个指标所携带的信息量，并按从大到小排序。低影响度指标的过滤过程如表1所示。当累计贡献率达到90%时，此时剩余指标携带的信息量，对评价结果几乎不产生影响。前11个指标的累计信息贡献率已达到92.3%，暂时保留前11个有效指标。

（2）进行指标信息重合度的计算与过滤。指标的信息重合度由指标与指标间的相关系数得出，因此，对保留的11个指标，计算彼此间的相关系数矩阵。

（3）由指标间的相关系数，计算指标与整个指标集合间的信息重合程度。将每个指标的信息重合度与平均重合度进行比较，若该指标信息重合度低于平均重合度，则保留，反之则过滤。高重合度指标过滤过程如表2所示。通过低影响度和高重合度两轮指标过滤筛选，最终保留7个对评价结果有显著影响的指标。

3.2　效率评价

运用DEA方法评价旅客进站查验效率，投入指标为筛选后的7个指标，产出指标则为旅客进站查验速率，用每分钟通过实名制和安检完成进站查验旅客数来表示。选取的决策单元为20个不同等级的城际铁路车站，并进行脱敏处理，以车站等级结合序号命名，如特等站1、特等站2、一等站1、一等站2。投入指标基于电子客票制度及公交化运营模式的实施，电子客票制度从2019年开始逐步推行，公交化运营模式2021年开始逐步完善，因此，时间序列上选取2019—2021年的数据进行静态及动态分析。

3.2.1　DEA-BCC模型静态分析

考虑到2021年铁路公交化运营逐步完善，为方便体现其对效率的影响，对2020年和2021年的数据分别进行效率分析，20个站点的旅客进站查验效率值如表3所示。其中，综合效率为该决策单元的旅客进站查验效率，可分解为纯技术效率与规模效率的乘积，当3个指数均为1，说明该决策单元为DEA有效。由2个时期的效率均值可看出，江浙沪核心城市的旅客进站查验效率总体来说还未达到最佳的DEA有效水平，但2021年的综合效率值比2020年有所提高，说明铁路公交化运营模式促使站点做出的投入指标调整，对旅客进站查验效率存在有利影响；纯技术效率有少许降低，规模效率相对升高，说明站点的要素投入规模处于利用率较高的水平，但技术水平和管理能力都存在提升空间。

从旅客进站查验的综合效率来看，特等站2，一等站2，5，6，二等站2和7这6个站点在2个年度时期均为DEA有效，占总体的30%，即此类车站的各方面设施投入情况达到了最优配置，资源投入都得到了有效利用。2021年有45%的车站铁路旅客进站查验效率达到最佳，特等站3，4和一等站3从2020年的效率不足提升为DEA有效的最优水平，说明这3个站在铁路公交化下，由于列车班次的增加及行车间隔的缩短，站点的投入要素得到了更高效合理的利用，比正常时期的旅客进站查验效率有所提高，其余站点未达到最佳的原因可从车站的查验技术水平和资源投入规模入手进行改进。

3.2.2　Malmquist指数动态分析

选用Malmquist全要素生产率指数进行20个车站进站查验效率的动态分析，得到2019—2021年旅客进站查验效率的Malmquist指数及分解结果。20个车站进站查验效率Malmquist指数平均值如图2所示。从图2可看出，全要素生产率指数排名靠前的大多都是特等站和一等站，且TFP>\mathrm{1}(旅客进站查验效率提升)的车站占85%。主要由于高等级的车站旅客流量大、车站配置高，在长三角一体化推进过程中，旅客日常铁路通勤的需求较高，因此，铁路运输部门为完成旅客进站查验效率的提高能够做出及时的配置更新。大部分二等站相对来说处于效率较劣的状态，除了二等站1以外，其余86%的车站旅客进站查验效率均在时间序列呈下降趋势，且在20个车站中排名倒数。虽然大部分二等站的全要素生产率较低，但其技术效率变化指数基本大于1，且二等站的技术效率变化指数相对特等站和一等站要更高，技术效率变化指数又分解为纯技术效率和规模效率变化，说明大部分二等站站点对现有的资源投入利用率较高，比较安于现状，进步性并不明显。而二等站的技术进步指数大多表现较差，对影响总体变化起决定性作用，因此，这些效率发展态势不佳的二等站应主要从进站查验技术方面进行改进，在关注旅客公交化铁路出行需求的前提下，提高站点的查验技术水平和站点管理水平，铁路运输企业需要对车站查验技术水平、仪器设备、人员水平等加强重视并提高质量，提升车站整体进站查验效率。

3.3　影响因素定量分析

利用Tobit有限值回归模型，进行旅客进站查验效率影响因素的定量分析，在回归理论中旅客进站查验效率为被解释变量，各影响因素为解释变量。将各影响因素代入公式⑿，得到公交化运营旅客进站查验效率各影响因素结果。旅客进站查验效率影响因素的Tobit回归结果如表4所示。分析表4可得，超过1/2的影响因素对综合效率具有显著影响。

（1）人员配置水平和公交化运营配置情况对旅客进站查验效率具有显著正向影响。从旅客进站引导、人工窗口查验，到安检引导、手检、值机，包括站内问询等，人员的良好配置是能够提高旅客进站查验效率的重要因素。公交化运营配置情况，如专用快速通道设置、换乘通道设置等，便捷设施的增加与改进，可以有效提高进站查验效率。

（2）进站查验基础设施延误和安检二次开包率则与旅客进站查验效率呈显著负相关。其中，安检二次开包率对进站查验效率的负向影响最为显著，主要由于2020—2021年的常态化疫情防控下，旅客携带酒精、喷雾等易燃易爆类的违禁品较多，二次开包率升高，查验效率降低。进站查验基础设施由于设备老化、性能故障等原因，可能在实名制查验时出现报错，产生延误，导致进站查验效率的降低。

（3）进站客流排队情况、进站查验智能化程度、站点常旅客水平3个影响因素均未通过显著性检验。可能是由于进站客流排队情况和智能化程度可根据实际情况，通过人工窗口分流、引导人员调配等方式进行疏导；站点常旅客水平主要是公交化运营承载当日通勤商务客流的比例，比例越高说明熟悉进站流程且行装轻便的常旅客较多，对进站查验效率为正向影响，但由于其为间接影响因素，且整个进站查验系统较为复杂，多种因素共同作用下该因素的影响变得不显著。

4　研究结论

（1）基于结合变异系数及相关性分析的指标筛选模型，建立科学的评价指标体系。通过低影响度和高重合度指标的两轮过滤，将评价指标从16个精简至7个。

（2）结合Malmquist指数的DEA模型，对于评价系统在时间序列上的效率变化具有较大优势。特等站和一等站对铁路公交化的适应力较强，能够较好满足通勤旅客需求，二等站发展态势相对较差，可从车站查验技术水平、仪器设备、人员管理水平等方面提升整体进站查验效率。

（3）Tobit模型可以较好地处理系统效率影响因素量化分析问题，显著性检验结果表明，人员配置水平和公交化运营配置情况对旅客进站查验效率具有显著正向影响，进站查验基础设施延误和安检二次开包率则与旅客进站查验效率呈显著负相关，其余备选因素则影响不显著。因此，对于效率不佳的车站，可以考虑从建立科学的排班制度、增加人员投入、优化便捷进站设施、及时更新高精度查验机器及加强旅客安全知识宣传等方面提高其进站查验效率。

参考文献

[1] 刘剑锋，李芳，李元坤，等. 关于城市群一体化轨道交通线网建设的几点思考[J]. 北京交通大学学报(社会科学版)，2020，19(2)：39-47.

[2] LIU Jianfeng， LI Fang， LI Yuankun，et al. Thoughts on the Construction of Integrated Rail Transit Network in Urban Clusters[J]. Journal of Beijing Jiaotong University (Social Sciences Edition)，2020，19(2)：39-47.

[3] 姚　键. 关于逐步实施长三角铁路公交化运营的建议[J]. 上海人大月刊，2019(4)：22.

[4] 邹明辉. 粤港澳大湾区城际铁路公交化运营模式探讨[J]. 铁道运输与经济，2021，43(4)：91-95.

[5] ZOU Minghui. Discussion on Intercity Railway Operation of Public Transportation Mode in Guangdong-Hong Kong-Macao Greater Bay Area[J]. Railway Transport and Economy，2021，43(4)：91-95.

[6] 杨林正，钟佐夫，章　雍. 铁路客运站旅客进站流程优化[J]. 中国铁路，2019(1)：45-49.

[7] YANG Linzheng， ZHONG Zuofu， ZHANG Yong. The Entrance Process Optimization of Railway Passenger Station[J]. China Railway，2019(1)：45-49.

[8] 李建国，王智琦，向万里，等. 基于EW-SE-DEA模型的铁路货场运营效能评价[J]. 铁道科学与工程学报，2023，20(9)：3310-3319.

[9] LI Jianguo， WANG Zhiqi， XIANG Wanli，et al. Evaluation of Operation Efficiency and Capacity of Railway Freight Yards Based on Entropy Weight and Super Efficiency Data Envelopment Analysis[J]. Journal of Railway Science and Engineering，2023，20(9)：3310-3319.

[10] JIANG X， MA H W， WU X，et al. Evaluation of Environmental and Economic Efficiency of Transportation in China Based on SBM Model[J]. Procedia Computer Science，2022(199)：1120-1127.

[11] BAI X J， JIN Z， CHIU Y H. Performance Evaluation of China's Railway Passenger Transportation Sector[J]. Research in Transportation Economics，2021(90)：100859.

[12] 陈思茹，张　帅，袁长伟. 中国交通运输经济发展与碳排放效率评价[J]. 中国公路学报，2019，32(1)：154-161.

[13] CHEN Siru， ZHANG Shuai， YUAN Changwei. China's Transportation Economy Development and Carbon Environmental Efficiency Evaluation[J]. China Journal of Highway and Transport，2019，32(1)：154-161.

[14] CUI Q， LI Y. The Evaluation of Transportation Energy Efficiency：An Application of Three-Stage Virtual Frontier DEA[J]. Transportation Research Part D：Transport and Environment，2014(29)：1-11.

[15] 崔 雨，李 静. 基于超效率DEA方法的北京市公共交通效率评价[EB/OL].(2019-02-27)[2024-01-20].

[16] 谭玉顺，陈森发. 中国铁路运输效率研究：基于网络DEA-RAM模型的视角[J]. 铁道科学与工程学报，2015，12(5)：1219-1226.

[17] TAN Yushun， CHEN Senfa. Research on the Efficiency of China's Rail Transport：A Range Adjusted Measure of Network DEA Perspective[J]. Journal of Railway Science and Engineering，2015，12(5)：1219-1226.

[18] 吴继贵，叶阿忠. 中国现代交通运输业效率波动性和影响因素研究：基于交叉效率DEA和VAR模型的分析[J]. 交通运输系统工程与信息，2014，14(6)：8-14，29.

[19] WU Jigui， YE Azhong. Efficiency Volatility and Influence Factors of Chinese Modern Transportation Industry Based on the Model of Cross-Efficiency DEA and VAR[J]. Journal of Transportation Systems Engineering and Information Technology，2014，14(6)：8-14，29.

[20] 王　凯，倪少权，陈钉均，等. 地铁运营模式在城际铁路的应用研究[J]. 交通运输工程与信息学报，2016，14(2)：116-121.

[21] WANG Kai， NI Shaoquan， CHEN Dingjun，et al. Application of Metro Operation Mode to Intercity Railway[J]. Journal of Transportation Engineering and Information，2016，14(2)：116-121.

[22] 孟　斌，匡海波，骆嘉琪. 基于显著性差异的经济社会发展评价指标筛选模型及应用[J]. 科研管理，2018，39(11)：17-26.

[23] MENG Bin， KUANG Haibo， LUO Jiaqi. Socio-Economic Development Evaluation Indicators Screening Model and Its Application Based on Significant Differences[J]. Science Research Management，2018，39(11)：17-26.

[24] 迟国泰，曹婷婷，张　昆. 基于相关-主成分分析的人的全面发展评价指标体系构建[J]. 系统工程理论与实践，2012，32(1)：111-119.

[25] CHI Guotai， CAO Tingting， ZHANG Kun. The Establishment of Human All-around Development Evaluation Indicators System Based on Correlation-Principle Component Analysis[J]. Systems Engineering-Theory & Practice，2012，32(1)：111-119.

[26] 程 璇. 城市轨道交通效率评价方法研究[D]. 北京：北京交通大学，2021.

[27] 张辉，李萍，牛涛，等. 基于SE-DEA模型的上海轨道交通综合效率研究[J]. 铁道运输与经济，2022，44(2)：116-122.

[28] ZHANG Hui， LI Ping， NIU Tao，et al. Comprehensive Efficiency of Shanghai Rail Transit Based on SE-DEA Method[J]. Railway Transport and Economy，2022，44(2)：116-122.

[29] ZHANG X N. Research on Evaluation of Port Logistics Efficiency Based on DEA-Malmquist Model[J]. Journal of Physics：Conference Series，2021，1971(1)：012071.

[30] CHEN Z M， XU W Y， QU Y Y. Investigating Factors of Crash Rates for Freeways：A Correlated Random Parameters Tobit Model with Heterogeneity in Means[J]. Journal of Transportation Engineering，Part A：Systems，2022，148(2)：1-10.

基金资助

上海市人民政府决策咨询研究项目(2023-JD-J08)