基于RM - BP - DEMATEL模型的交通运输低碳化能力影响因素深度剖析与策略构建

基于RM-BP-DEMATEL模型的交通运输低碳化能力影响因素深度剖析与策略构建一、引言1.1研究背景与意义随着全球经济的快速发展和城市化进程的加速，交通运输行业作为经济发展的重要支撑，其规模不断扩大。然而，这也带来了严峻的环境问题，交通运输领域的碳排放已成为全球温室气体排放的重要来源之一，对大气环境和全球气候变化产生了显著影响。国际能源署（IEA）数据显示，交通运输行业为全球第二大碳排放部门，碳排量占比约为25%，是引发全球气候变化的主要因素之一。从世界范围来看，80%的碳排放来自能源消耗，而交通运输是高度依赖化石能源的部门，约有92%的交通能源来自石油燃料，其能源消耗约占总能源消耗的三分之一。近30年间，全球交通运输领域的排放量以约1.7%的年平均增长率增长，增速超过其他部门。根据国际能源署预测，在可持续发展情境下，全球交通运输领域碳排放将在2025年左右达到峰值，之后将逐渐下降。在我国，交通运输行业同样是能源消耗及碳排放的重点领域。国家统计局公布的数据显示，2017年交通运输仓储和邮政业能源消费占全国总量的比例为9.41%。并且，随着我国经济的持续增长以及居民生活水平的提高，对交通运输的需求还在不断增加，交通运输行业碳排放总量控制将是我国实现2030年碳排放达峰和2060年碳中和目标的重要影响因素。国务院印发的《2024—2025年节能降碳行动方案》明确提出，到2025年底，交通运输领域二氧化碳排放强度较2020年降低5%。在此背景下，实现交通运输低碳化已刻不容缓。深入研究交通运输低碳化能力的影响因素，对于推动交通运输行业的可持续发展，缓解环境污染和能源危机具有重要的现实意义。从理论发展角度而言，当前对于交通运输低碳化能力影响因素的研究虽取得了一定成果，但仍存在不足。一方面，现有研究多集中于单一影响因素或少数几个因素的分析，缺乏对多因素之间复杂相互关系的系统研究；另一方面，在研究方法上，传统的研究方法难以全面、准确地揭示各因素之间的因果关系和作用机制。因此，本研究运用RM-BP-DEMATEL模型，从多维度、系统性的视角出发，深入剖析交通运输低碳化能力的影响因素，有助于完善和丰富交通运输低碳化领域的理论体系，为后续相关研究提供新的思路和方法。从实践指导意义来看，准确识别影响交通运输低碳化能力的关键因素，能够为政府部门制定科学合理的低碳交通政策提供有力依据。通过针对性地制定政策，加大对关键因素的调控力度，如优化交通结构、推广清洁能源、提高运输效率等，可以有效降低交通运输领域的碳排放，推动交通运输行业向低碳化、绿色化方向发展。同时，对于交通运输企业来说，了解这些影响因素，有助于企业调整经营策略，加大在节能减排技术研发和应用方面的投入，提升自身的低碳竞争力，实现经济效益与环境效益的双赢。此外，本研究成果还能提高公众对交通运输碳排放问题的认识，增强公众的环保意识，促进公众积极参与低碳出行，形成全社会共同推动交通运输低碳化的良好氛围。1.2国内外研究现状在交通运输低碳化影响因素的研究方面，国内外学者已取得了一系列成果。国外学者Kahhat等通过对不同运输方式的能源消耗和碳排放进行分析，发现运输结构的优化对降低碳排放具有显著作用，如提高铁路和水运在货运中的占比，能有效减少单位运输量的碳排放。Levinson研究指出，交通基础设施的完善程度会影响交通运输的效率和碳排放，良好的道路条件和交通枢纽布局可以减少车辆的怠速时间和行驶里程，从而降低能源消耗和碳排放。在国内，张宁等人运用LMDI分解方法，对我国交通运输业碳排放的影响因素进行分解分析，结果表明经济增长是推动碳排放增加的主要因素，而能源强度的下降和运输结构的调整则对碳排放起到抑制作用。刘秉镰和余泳泽通过构建面板数据模型，实证研究发现技术进步、产业结构调整以及政府的环保政策对交通运输业低碳发展具有积极影响。在研究方法上，除了上述的LMDI分解方法、面板数据模型外，还有学者运用投入产出模型、可计算一般均衡模型（CGE模型）等对交通运输碳排放影响因素进行量化研究。例如，Du等利用中国投入产出表的数据，采用假设提取法（HEM），对各个运输子部门（包括铁路、公路、水运和航空）的CO₂排放量进行研究。然而，这些传统方法在处理多因素之间复杂的相互关系时存在一定的局限性，难以全面、准确地揭示各因素之间的因果关系和作用机制。RM-BP-DEMATEL模型是一种将粗糙集理论（RM）、反向传播神经网络（BP）和决策试验与评价实验室法（DEMATEL）相结合的综合分析方法。在其他领域，崔明欣等运用RM-BP-DEMATEL模型对“一带一路”沿线国家油气投资环境影响因素进行实证分析，识别出影响油气投资环境的关键因素，并根据影响力和推动力将其划分为不同类型的因素。在干散货船舶投资环境影响因素研究中，也有学者采用该模型，通过构建指标体系，深入分析各因素之间的相互关系，为投资决策提供了有力支持。但目前将RM-BP-DEMATEL模型应用于交通运输低碳化能力影响因素分析的研究还较为匮乏，相关研究在指标体系构建的全面性、模型应用的针对性以及结果分析的深入性等方面仍有待完善和拓展。1.3研究内容与方法本研究聚焦于交通运输低碳化能力影响因素，主要内容涵盖以下几个方面：一是对交通运输低碳化相关理论进行深入剖析，梳理交通运输行业的发展现状、碳排放特征以及低碳化发展的必要性和紧迫性，为后续研究奠定坚实的理论基础。二是全面识别影响交通运输低碳化能力的因素，从能源结构、运输结构、技术水平、政策法规、经济发展、人口规模与分布等多个维度入手，构建科学合理的影响因素指标体系。在研究方法上，本研究采用了多种方法相结合的方式。运用RM-BP-DEMATEL模型，通过粗糙集理论（RM）对原始数据进行预处理，去除冗余信息，简化数据复杂度，提高数据质量；利用反向传播神经网络（BP）强大的非线性映射能力和学习能力，对影响因素与交通运输低碳化能力之间的复杂关系进行建模和预测；借助决策试验与评价实验室法（DEMATEL）分析各因素之间的相互影响关系，确定关键影响因素，并对因素进行分类，明确各因素在系统中的作用和地位。同时，结合案例分析法，选取典型地区或交通运输企业作为案例，深入分析其在低碳化发展过程中的实践经验和面临的问题，进一步验证和完善研究成果，为提出针对性的建议提供实际依据。二、相关理论与方法基础2.1交通运输低碳化相关理论2.1.1交通运输碳排放机理交通运输碳排放主要源于能源消耗过程中化石燃料的燃烧。在各类交通运输方式中，公路运输是碳排放的主要来源之一。以汽车为例，汽油和柴油等化石燃料在发动机内燃烧，与空气中的氧气发生化学反应，产生能量以驱动车辆运行，但同时也会释放出大量的二氧化碳（CO_2）。其化学反应方程式如下：对于汽油（主要成分以C_8H_{18}为例）燃烧：2C_8H_{18}+25O_2\stackrel{点燃}{=\!=\!=}16CO_2+18H_2O对于柴油（主要成分以C_{16}H_{34}为例）燃烧：2C_{16}H_{34}+49O_2\stackrel{点燃}{=\!=\!=}32CO_2+34H_2O从碳排放的来源细分，可分为直接排放和间接排放。直接排放是指运输工具在运行过程中直接向大气中排放的温室气体，如汽车尾气排放、飞机发动机排放等。间接排放则是指与交通运输活动相关的其他环节产生的排放，例如交通运输基础设施建设过程中的能源消耗所导致的碳排放，以及电力生产用于电动交通工具充电时产生的碳排放（若电力生产依赖化石燃料）。影响交通运输碳排放的因素众多。能源结构是关键因素之一，当能源中化石燃料占比较高时，碳排放必然增加；而提高清洁能源的使用比例，如发展电动汽车使用电能、推广氢燃料电池汽车使用氢能等，可有效降低碳排放。运输结构同样重要，不同运输方式的碳排放强度差异显著。一般来说，铁路和水运的单位运输量碳排放相对较低，而公路和航空运输的碳排放强度较高。例如，在货运方面，将部分公路货运转移至铁路或水运，能够减少碳排放。此外，技术水平也会对碳排放产生影响，先进的发动机技术、轻量化材料的应用以及能量回收技术等，都有助于提高能源利用效率，降低能源消耗和碳排放。车辆的燃油经济性提升，可通过改进发动机技术，使燃烧过程更加充分，减少能源浪费，从而降低碳排放。2.1.2低碳化发展的重要性及目标交通运输低碳化发展具有至关重要的意义。从环境保护角度来看，交通运输领域的高碳排放是导致全球气候变暖的重要因素之一。大量的温室气体排放引发了一系列环境问题，如冰川融化、海平面上升、极端气候事件增多等，这些问题对生态系统的平衡和稳定造成了严重威胁，影响了生物多样性，破坏了自然栖息地，给众多物种的生存带来了挑战。实现交通运输低碳化，能够有效减少温室气体排放，缓解气候变暖的趋势，保护生态环境，维护生态系统的健康和稳定。在能源利用方面，交通运输行业高度依赖化石能源，而化石能源是不可再生资源，储量有限。随着交通运输需求的不断增长，对化石能源的消耗也日益增加，这加剧了能源供需矛盾，使能源安全面临严峻挑战。发展低碳交通，推广清洁能源的应用，提高能源利用效率，能够降低对化石能源的依赖，减少能源进口需求，增强能源供应的稳定性和安全性，保障交通运输行业的可持续发展。国内外都制定了明确的低碳发展目标。在国际上，《巴黎协定》旨在将全球平均气温较工业化前水平升高控制在2℃以内，并努力将温度上升幅度限制在1.5℃以内。为实现这一目标，各国纷纷制定了各自的交通运输低碳化目标和行动计划。欧盟提出到2030年，将交通运输领域的温室气体排放量在1990年的基础上减少40%；到2050年，实现交通运输领域的碳中和。美国也在积极推动交通运输的低碳转型，加大对新能源汽车研发和推广的支持力度，提高公共交通的覆盖率和服务质量。在国内，我国政府高度重视交通运输低碳化发展，将其作为实现“双碳”目标的重要举措。根据国务院印发的《2024—2025年节能降碳行动方案》，明确提出到2025年底，交通运输领域二氧化碳排放强度较2020年降低5%。《中共中央国务院关于全面推进美丽中国建设的意见》提出，到2027年，新增汽车中新能源汽车占比力争达到45%，老旧内燃机车基本淘汰；到2035年，铁路货运周转量占总周转量比例达到25%左右。这些目标的设定，为我国交通运输低碳化发展指明了方向，也体现了我国在应对气候变化、推动绿色发展方面的坚定决心和积极行动。2.2RM-BP-DEMATEL方法原理2.2.1RM（粗糙集理论）原理与作用粗糙集理论（RoughSetTheory，RM）由波兰学者Z.Pawlak于1982年提出，是一种处理不精确、不确定信息的数学工具。其核心思想是通过等价关系对论域进行划分，利用上近似和下近似来刻画知识的不确定性。在粗糙集理论中，知识被理解为对对象的分类能力。给定一个信息系统S=(U,A)，其中U是论域，即非空有限对象集合；A是属性集合，对于任意属性a\inA，a:U\rightarrowV_a，V_a是属性a的值域。通过属性集合A可以诱导出一个等价关系R，将论域U划分为若干个等价类[x]_R，其中x\inU。对于一个概念（目标集合）X\subseteqU，可以用下近似R_-(X)和上近似R^-(X)来描述。下近似R_-(X)是由所有肯定属于X的对象组成的集合，即R_-(X)=\{x\inU|[x]_R\subseteqX\}；上近似R^-(X)是由所有可能属于X的对象组成的集合，即R^-(X)=\{x\inU|[x]_R\capX\neq\varnothing\}。上近似与下近似之间的差集称为边界域BN_R(X)=R^-(X)-R_-(X)，边界域中的对象不能被明确地判断是否属于概念X，体现了知识的不确定性。在交通运输低碳化能力影响因素研究中，粗糙集理论具有重要作用。它可以处理原始数据中的不精确和不完整信息，例如在收集交通运输相关数据时，可能存在部分数据缺失、测量误差等问题，粗糙集理论无需额外的先验信息，能够直接从数据本身出发进行分析。通过属性约简操作，粗糙集理论可以去除冗余属性，简化数据结构，降低数据复杂度。在众多影响交通运输低碳化能力的因素中，有些因素可能对低碳化能力的影响较小或者与其他因素存在较强的相关性，通过属性约简可以找出对低碳化能力影响显著的关键因素，保留核心信息，提高后续分析的效率和准确性。例如，在分析能源结构、运输结构、技术水平、政策法规等多个影响因素时，粗糙集理论可以帮助识别出哪些因素是真正对交通运输低碳化能力起关键作用的，避免因过多冗余因素干扰分析结果。2.2.2BP（反向传播神经网络）原理与应用反向传播神经网络（BackPropagationNeuralNetwork，BP）是一种常用的前馈神经网络，其结构包含输入层、隐藏层（可以有多个）和输出层。每个神经元与前后层的神经元通过权值相连，形成复杂的非线性映射网络。BP神经网络的学习过程包括信号的前向传播和误差的反向传播两个阶段。在信号前向传播阶段，输入层接收外部输入数据，并将其传递给隐藏层。隐藏层中的神经元对输入信号进行加权求和，并通过激活函数进行非线性变换，然后将处理后的信号传递给下一层，直到输出层。输出层根据接收到的信号计算出最终输出结果。设输入层第j个节点的输入为x_j，隐含层第i个节点到输入层第j个节点之间的权值为w_{ij}，隐含层第i个节点的阈值为\theta_i，隐含层的激励函数为f，则隐含层第i个节点的输入net_i=\sum_{j=1}^{M}w_{ij}x_j-\theta_i，输出y_i=f(net_i)。同理，输出层第k个节点的输入net_k=\sum_{i=1}^{q}w_{ki}y_i-\theta_k，输出o_k=f(net_k)，其中M为输入层节点数，q为隐含层节点数。当输出结果与期望输出存在误差时，进入误差反向传播阶段。误差反向传播是根据误差梯度下降法来调整各层的权值和阈值，使网络的输出误差逐渐减小。对于每一个样本p，其二次型误差准则函数为E_p=\frac{1}{2}\sum_{k=1}^{L}(t_{kp}-o_{kp})^2，其中t_{kp}是样本p的期望输出，o_{kp}是网络的实际输出，L为输出层节点数。系统对P个训练样本的总误差准则函数为E=\frac{1}{2P}\sum_{p=1}^{P}\sum_{k=1}^{L}(t_{kp}-o_{kp})^2。根据误差梯度下降法，依次修正输出层权值的修正量\Deltaw_{ki}、输出层阈值的修正量\Delta\theta_k、隐含层权值的修正量\Deltaw_{ij}和隐含层阈值的修正量\Delta\theta_i，以减小误差。在确定交通运输低碳化能力影响因素权重方面，BP神经网络具有强大的优势。由于影响交通运输低碳化能力的因素众多，且各因素之间存在复杂的非线性关系，传统的线性方法难以准确描述这些关系。BP神经网络能够通过对大量样本数据的学习，自动提取数据中的特征和规律，建立起影响因素与交通运输低碳化能力之间的非线性映射模型。通过该模型，可以计算出各影响因素对低碳化能力的影响程度，即权重。例如，将能源结构、运输结构、技术水平等影响因素作为输入层节点，将交通运输低碳化能力的相关指标作为输出层节点，通过训练BP神经网络，就可以得到各影响因素的权重，为深入分析和制定政策提供量化依据。2.2.3DEMATEL（决策试验与评价实验室）方法原理与步骤决策试验与评价实验室法（Decision-MakingTrialandEvaluationLaboratory，DEMATEL）是一种用于分析复杂系统中各因素之间相互关系的方法，由美国学者提出。其基本原理是通过专家问卷调查等方式获取各因素之间的直接影响关系，构建直接影响矩阵，然后经过一系列计算得到各因素的影响度、被影响度、中心度和原因度，从而分析各因素在系统中的重要性和因果关系。具体步骤如下：首先，构建直接影响矩阵。邀请相关领域的专家对各因素之间的直接影响关系进行判断，若因素i对因素j有直接影响，则赋值a_{ij}，取值范围通常为0（无影响）、1（影响较弱）、2（影响中等）、3（影响较强）、4（影响极强）；若因素i对因素j无直接影响，则a_{ij}=0。这样可以得到直接影响矩阵A=(a_{ij})_{n\timesn}，其中n为因素个数。然后，对直接影响矩阵进行规范化处理，得到规范化直接影响矩阵X，X=\frac{A}{\max_{1\leqi\leqn}\sum_{j=1}^{n}a_{ij}}。接着，计算综合影响矩阵T，T=X(I-X)^{-1}，其中I为单位矩阵。通过综合影响矩阵T，可以计算出各因素的影响度D和被影响度R。影响度D_i=\sum_{j=1}^{n}t_{ij}，表示因素i对其他所有因素的综合影响程度；被影响度R_i=\sum_{j=1}^{n}t_{ji}，表示因素i受到其他所有因素的综合影响程度。中心度M_i=D_i+R_i，反映了因素i在系统中的重要程度；原因度N_i=D_i-R_i，若N_i>0，则因素i为原因因素，对其他因素有较强的影响作用；若N_i<0，则因素i为结果因素，受其他因素的影响较大。以交通运输低碳化能力影响因素分析为例，运用DEMATEL方法，专家对能源结构、运输结构、技术水平、政策法规等因素之间的相互影响进行判断，构建直接影响矩阵。经过上述计算步骤，可以确定哪些因素是影响交通运输低碳化能力的关键原因因素，哪些是结果因素，从而明确各因素之间的因果关系和作用路径，为制定针对性的政策和措施提供依据。例如，如果政策法规被确定为原因因素，且影响度较大，那么在推动交通运输低碳化过程中，就应重点加强政策法规的制定和实施，以带动其他因素的改善，促进交通运输低碳化能力的提升。2.2.4RM-BP-DEMATEL集成方法优势RM-BP-DEMATEL集成方法将粗糙集理论（RM）、反向传播神经网络（BP）和决策试验与评价实验室法（DEMATEL）的优势相结合，在处理交通运输低碳化能力影响因素这类复杂问题时具有显著的互补优势。粗糙集理论能够有效处理原始数据中的不精确和不完整信息，通过属性约简去除冗余因素，提取关键因素，为后续分析提供简洁、有效的数据基础。在面对交通运输领域大量的、可能存在缺失和噪声的数据时，RM可以帮助筛选出真正对低碳化能力有重要影响的因素，减少数据处理的复杂性，提高分析效率。BP神经网络具有强大的非线性映射能力和学习能力，能够建立复杂的影响因素与交通运输低碳化能力之间的关系模型，准确确定各因素的权重。在RM处理后的数据基础上，BP可以进一步挖掘因素之间的内在联系，为深入分析提供量化依据。DEMATEL方法则专注于分析各因素之间的相互影响关系，明确因素的因果属性和重要程度。它可以在BP确定权重的基础上，进一步揭示因素之间的作用机制，为制定政策和措施提供更具针对性的指导。三者集成，首先利用RM对原始数据进行预处理，得到关键影响因素；然后通过BP神经网络确定这些关键因素的权重，量化各因素对交通运输低碳化能力的影响程度；最后运用DEMATEL方法分析各因素之间的相互影响关系，明确因果关系和作用路径。这种集成方法能够全面、系统地分析交通运输低碳化能力的影响因素，克服单一方法的局限性，为交通运输低碳化发展提供更科学、准确的决策支持。三、交通运输低碳化能力影响因素识别3.1基于文献研究的初步因素筛选为全面、系统地识别交通运输低碳化能力的影响因素，本研究广泛梳理了国内外相关文献。通过对大量文献的深入分析，从多个维度初步筛选出一系列可能影响交通运输低碳化能力的因素，具体涵盖经济、技术、政策、能源、运输结构、社会等方面。在经济因素方面，诸多文献强调了经济发展水平对交通运输低碳化的重要影响。经济增长通常会带动交通运输需求的增加，进而导致能源消耗和碳排放的上升。王靖添和马晓明的研究表明，国内生产总值与交通运输碳排放存在正相关关系，其弹性系数为0.74%，意味着经济增长会在一定程度上推动交通运输碳排放的增长。区域经济发展的不平衡也会影响交通运输的布局和碳排放情况。经济发达地区往往交通运输需求更为旺盛，运输线路繁忙，可能导致更高的碳排放；而经济欠发达地区可能由于基础设施建设滞后，运输效率低下，同样会增加能源消耗和碳排放。技术因素在交通运输低碳化进程中起着关键作用。先进的低碳技术能够有效降低能源消耗和碳排放。新能源汽车技术的发展，如纯电动汽车、插电式混合动力汽车和燃料电池汽车等，为减少交通运输领域的碳排放提供了重要途径。我国新能源汽车产业迅速发展，纯电动、插电式混合动力汽车市场份额逐年上升，截至2020年底，累计产销量超过500万辆，成为全球最大的新能源汽车市场。智能交通系统（ITS）通过集成信息技术、自动化和通信技术，优化交通流，减少能源消耗和碳排放。ITS的应用，如智能交通信号控制、车辆自动识别和自动驾驶技术，有助于提高交通效率和降低能源浪费。政策法规是引导和推动交通运输低碳化的重要手段。政府出台的一系列政策法规，对交通运输行业的碳排放起到了规范和约束作用。机动车标准作为管制政策的一种，主要针对机动车安全、排气阀排放、燃料效率等方面进行规范。美国的平均燃料经济性标准（CAFE）对汽车的燃油经济性提出了要求，一定程度上促进了汽车节能技术的发展。购车税和车辆拥有税等政策，旨在控制车辆的生产和保有量，从而减少碳排放。许多国家都引入了购车税和车辆牌照控制制度，用来直接控制生产和报废环节产生的CO₂排放。补贴政策则通过对低碳技术和新能源汽车的扶持，促进其推广应用。日本通过补贴混合动力车型的政策，以较低成本达到减排目的。能源结构是影响交通运输碳排放的直接因素。目前，交通运输行业高度依赖化石能源，如汽油、柴油等，而化石能源的燃烧会产生大量的二氧化碳等温室气体。杨裕生指出，充分利用太阳光能，逐步减少化石能源的使用量，降低CO₂的排放，是实现交通运输低碳化的重要方向。发展新能源，如氢能、电能、生物燃料等，替代传统化石能源，成为降低碳排放的关键。将氢气转化为体积小、安全性高又容易输运的液体甲醇具有优势，而且甲醇含氢比例高达12.6%，用于储氢可以缓解氢气储运的安全、成本等难题。运输结构的优化对交通运输低碳化能力提升具有显著作用。不同运输方式的碳排放强度存在较大差异，铁路和水运的单位运输量碳排放相对较低，而公路和航空运输的碳排放强度较高。张宁等人运用LMDI分解方法的研究结果表明，运输结构的调整对碳排放起到抑制作用，提高铁路和水运在货运中的占比，能有效减少单位运输量的碳排放。合理配置不同运输方式的比例，构建高效的综合运输体系，能够提高运输效率，降低能源消耗和碳排放。社会因素如人口规模与分布、居民出行偏好等也会对交通运输低碳化产生影响。人口规模的增长会增加交通运输的需求，从而影响碳排放。人口分布的不均衡会导致交通运输需求在空间上的差异，进而影响运输线路的布局和能源消耗。居民的出行偏好，如对私人汽车的依赖程度、对公共交通的接受程度等，也会对交通运输的碳排放产生影响。如果居民更倾向于选择公共交通、步行或自行车等低碳出行方式，将有助于减少交通运输领域的碳排放。3.2基于专家访谈的因素修正与补充在初步筛选出影响交通运输低碳化能力的因素后，为进一步确保因素的准确性、全面性以及与实际情况的紧密贴合，本研究开展了专家访谈。访谈对象涵盖了交通运输领域的资深学者、政府交通管理部门的官员以及交通运输企业的管理者等，共计15位专家，他们在各自领域拥有丰富的经验和深厚的专业知识，能够从不同角度对影响因素进行深入分析和判断。在访谈过程中，专家们针对初步筛选的因素提出了诸多宝贵的修正意见和补充建议。对于经济因素，专家们指出，除了关注经济发展水平外，产业结构对交通运输低碳化也有着重要影响。不同产业的运输需求和运输方式偏好存在差异，进而影响碳排放。高耗能产业如钢铁、化工等，其货物运输量大且多依赖公路运输，碳排放相对较高；而高新技术产业和服务业，对运输的时效性和灵活性要求较高，运输量相对较小，且更多地采用铁路、航空等运输方式，碳排放较低。调整产业结构，降低高耗能产业比重，提高第三产业和高新技术产业的占比，能够减少交通运输领域的碳排放。某专家举例说明，在一些产业转型较为成功的地区，随着传统制造业向高端制造业和服务业的转变，交通运输的需求结构也发生了变化，公路货运量有所下降，铁路和航空运输的占比逐渐提高，从而降低了碳排放。关于技术因素，专家们强调了交通基础设施建设技术的重要性。先进的道路建设技术可以提高道路的耐久性和承载能力，减少道路维修和重建的频率，从而降低建设过程中的能源消耗和碳排放。新型的路面材料，如温拌沥青、再生骨料混凝土等，在生产和施工过程中能耗更低，对环境的影响更小。智能交通系统（ITS）的应用不仅局限于优化交通流，还应包括车辆与基础设施之间的信息交互技术，通过车路协同，实现车辆的智能驾驶和精准控制，进一步提高运输效率，降低能源消耗。在某城市的智能交通试点项目中，通过车路协同技术，车辆能够提前获取交通信号灯信息，合理调整行驶速度，减少了停车和启动次数，降低了燃油消耗和碳排放。政策法规方面，专家们认为除了现有的政策，还应加强对交通运输企业的监管政策。建立健全碳排放监测和报告制度，要求企业定期上报碳排放数据，对碳排放超标的企业进行处罚，对节能减排成效显著的企业给予奖励，能够有效激励企业采取低碳措施。加强国际间的政策协调与合作也至关重要。随着全球经济一体化的发展，交通运输的国际化程度不断提高，各国的碳排放政策存在差异，容易导致“碳泄漏”问题。通过国际合作，制定统一的碳排放标准和政策框架，能够避免企业为了规避严格的碳排放政策而转移到政策宽松的地区，从而实现全球交通运输领域的低碳发展。在能源因素方面，专家们补充了能源价格对交通运输低碳化的影响。能源价格的波动会直接影响交通运输企业的运营成本和消费者的出行选择。当能源价格上涨时，企业会更倾向于采用节能技术和设备，提高能源利用效率，消费者也会减少高能耗出行方式的使用，选择更低碳的出行方式，如公共交通、自行车或步行。因此，合理的能源价格政策可以引导交通运输行业向低碳化方向发展。某地区通过提高汽油价格，促使消费者购买更节能的汽车，同时增加了公共交通的客流量，降低了交通运输领域的碳排放。对于运输结构因素，专家们指出不仅要关注不同运输方式的比例，还要重视运输组织模式的创新。多式联运的发展不仅要实现运输方式的无缝衔接，还要优化运输路线和运输计划，提高货物的装载率和运输效率。甩挂运输、共同配送等新型运输组织模式，能够减少车辆的空载率和行驶里程，降低能源消耗和碳排放。在某物流园区，采用甩挂运输模式后，车辆的周转效率提高了30%，能源消耗降低了20%。社会因素方面，专家们提到了教育水平对居民低碳出行意识的影响。居民的教育水平越高，对环境保护和气候变化的认识就越深刻，越容易接受低碳出行理念，从而更积极地选择低碳出行方式。加强对公众的低碳交通教育，提高居民的环保意识和责任感，是推动交通运输低碳化的重要举措。可以通过学校教育、社区宣传、媒体报道等多种方式，普及低碳交通知识，引导居民形成低碳出行习惯。在一些社区开展的低碳出行宣传活动中，通过举办讲座、发放宣传资料、组织志愿者活动等方式，提高了居民对低碳出行的认识和参与度，取得了良好的效果。综合专家访谈的意见，对初步筛选的因素进行了如下修正和补充：在经济因素中增加产业结构；技术因素中补充交通基础设施建设技术和车辆与基础设施之间的信息交互技术；政策法规方面增加对交通运输企业的监管政策和国际间政策协调与合作；能源因素中加入能源价格；运输结构因素里纳入运输组织模式创新；社会因素中补充教育水平。经过修正和补充，影响交通运输低碳化能力的因素更加全面、准确，为后续的深入分析奠定了坚实的基础。3.3确定最终影响因素体系经过文献研究的初步筛选以及专家访谈的修正与补充，最终确定了涵盖多个方面的交通运输低碳化能力影响因素体系。该体系全面、系统地反映了影响交通运输低碳化的各种关键因素，为后续运用RM-BP-DEMATEL模型进行深入分析奠定了坚实基础。能源结构是影响交通运输低碳化的核心因素之一。目前，交通运输行业对化石能源的依赖程度较高，如汽油、柴油等在能源消费结构中占据主导地位。这种能源结构导致碳排放量大，对环境造成较大压力。据统计，传统燃油汽车的碳排放占交通运输碳排放的很大比例。杨裕生指出，充分利用太阳光能，逐步减少化石能源的使用量，降低CO_2的排放，是实现交通运输低碳化的重要方向。发展新能源，如氢能、电能、生物燃料等，替代传统化石能源，成为降低碳排放的关键。氢气转化为体积小、安全性高又容易输运的液体甲醇具有优势，而且甲醇含氢比例高达12.6%，用于储氢可以缓解氢气储运的安全、成本等难题。运输工具能效直接关系到能源消耗和碳排放水平。先进的运输工具能效技术能够有效降低单位运输量的能源消耗，从而减少碳排放。以汽车为例，新能源汽车技术的发展，如纯电动汽车、插电式混合动力汽车和燃料电池汽车等，为降低交通运输领域的碳排放提供了重要途径。我国新能源汽车产业迅速发展，纯电动、插电式混合动力汽车市场份额逐年上升，截至2020年底，累计产销量超过500万辆，成为全球最大的新能源汽车市场。智能交通系统（ITS）通过集成信息技术、自动化和通信技术，优化交通流，减少能源消耗和碳排放。ITS的应用，如智能交通信号控制、车辆自动识别和自动驾驶技术，有助于提高交通效率和降低能源浪费。政策法规在引导和推动交通运输低碳化方面发挥着重要作用。政府出台的一系列政策法规，对交通运输行业的碳排放起到了规范和约束作用。机动车标准作为管制政策的一种，主要针对机动车安全、排气阀排放、燃料效率等方面进行规范。美国的平均燃料经济性标准（CAFE）对汽车的燃油经济性提出了要求，一定程度上促进了汽车节能技术的发展。购车税和车辆拥有税等政策，旨在控制车辆的生产和保有量，从而减少碳排放。许多国家都引入了购车税和车辆牌照控制制度，用来直接控制生产和报废环节产生的CO_2排放。补贴政策则通过对低碳技术和新能源汽车的扶持，促进其推广应用。日本通过补贴混合动力车型的政策，以较低成本达到减排目的。运输结构的优化是提升交通运输低碳化能力的重要举措。不同运输方式的碳排放强度存在显著差异，铁路和水运的单位运输量碳排放相对较低，而公路和航空运输的碳排放强度较高。张宁等人运用LMDI分解方法的研究结果表明，运输结构的调整对碳排放起到抑制作用，提高铁路和水运在货运中的占比，能有效减少单位运输量的碳排放。合理配置不同运输方式的比例，构建高效的综合运输体系，能够提高运输效率，降低能源消耗和碳排放。技术创新是推动交通运输低碳化的关键动力。除了新能源汽车技术和智能交通系统技术外，还包括交通基础设施建设技术的创新。先进的道路建设技术可以提高道路的耐久性和承载能力，减少道路维修和重建的频率，从而降低建设过程中的能源消耗和碳排放。新型的路面材料，如温拌沥青、再生骨料混凝土等，在生产和施工过程中能耗更低，对环境的影响更小。车辆与基础设施之间的信息交互技术，通过车路协同，实现车辆的智能驾驶和精准控制，进一步提高运输效率，降低能源消耗。经济发展水平与交通运输低碳化密切相关。经济增长通常会带动交通运输需求的增加，进而导致能源消耗和碳排放的上升。王靖添和马晓明的研究表明，国内生产总值与交通运输碳排放存在正相关关系，其弹性系数为0.74%，意味着经济增长会在一定程度上推动交通运输碳排放的增长。产业结构对交通运输低碳化也有着重要影响。不同产业的运输需求和运输方式偏好存在差异，进而影响碳排放。高耗能产业如钢铁、化工等，其货物运输量大且多依赖公路运输，碳排放相对较高；而高新技术产业和服务业，对运输的时效性和灵活性要求较高，运输量相对较小，且更多地采用铁路、航空等运输方式，碳排放较低。社会因素同样不可忽视。人口规模的增长会增加交通运输的需求，从而影响碳排放。人口分布的不均衡会导致交通运输需求在空间上的差异，进而影响运输线路的布局和能源消耗。居民的出行偏好，如对私人汽车的依赖程度、对公共交通的接受程度等，也会对交通运输的碳排放产生影响。如果居民更倾向于选择公共交通、步行或自行车等低碳出行方式，将有助于减少交通运输领域的碳排放。教育水平对居民低碳出行意识的影响也较为显著。居民的教育水平越高，对环境保护和气候变化的认识就越深刻，越容易接受低碳出行理念，从而更积极地选择低碳出行方式。综上所述，最终确定的交通运输低碳化能力影响因素体系包括能源结构、运输工具能效、政策法规、运输结构、技术创新、经济发展和社会因素等多个方面。这些因素相互关联、相互影响，共同作用于交通运输低碳化能力的提升。四、基于RM-BP-DEMATEL模型的因素分析4.1数据收集与预处理4.1.1数据来源与收集方法本研究的数据来源广泛且具有代表性，涵盖了多个领域和渠道，以确保数据的全面性和可靠性。首先，统计年鉴是重要的数据来源之一，如《中国统计年鉴》《中国交通年鉴》等，这些年鉴提供了关于经济发展、交通运输行业发展、能源消耗等方面的宏观数据，时间跨度较长，能够反映出不同时期的发展趋势。从《中国统计年鉴》中获取国内生产总值、产业结构相关数据，以及人口规模、分布等社会因素数据；从《中国交通年鉴》中收集交通运输基础设施建设、不同运输方式的运量、周转量等运输结构相关数据。行业报告也是不可或缺的数据来源，如交通运输行业研究报告、能源行业分析报告等。这些报告由专业的研究机构或行业协会发布，对行业内的最新动态、技术发展、政策导向等进行深入分析和研究。从交通运输行业研究报告中获取智能交通系统应用情况、新能源汽车技术发展现状等技术因素相关数据；从能源行业分析报告中获取能源结构、能源价格等能源因素相关数据。实地调研同样是获取数据的重要途径。针对交通运输企业，通过问卷调查和访谈的方式，了解企业的运输工具能效、运输组织模式、节能减排措施以及受到的政策影响等情况。在对某大型物流企业的调研中，详细了解了其采用的甩挂运输模式的运营效率、能源消耗情况，以及对降低碳排放的作用。对于交通管理部门，通过沟通交流获取当地的交通政策法规实施情况、交通基础设施建设规划等信息。对某城市交通管理部门的访谈中，了解到该城市在推广新能源公交车方面的政策措施和实施效果。此外，还从相关政府部门网站、学术数据库等渠道获取了政策法规文件、学术研究成果等资料，进一步丰富了数据来源。从政府部门网站获取国家和地方出台的关于交通运输低碳化的政策法规文件，从学术数据库中检索相关的学术论文，获取最新的研究数据和成果，为研究提供理论支持和数据补充。通过多渠道的数据收集，确保了数据的全面性和可靠性，为后续的数据分析和模型应用奠定了坚实的基础。4.1.2数据标准化处理在获取原始数据后，由于不同因素的数据具有不同的量纲和数量级，直接使用原始数据进行分析可能会导致模型训练的不稳定和结果的偏差。因此，需要对数据进行标准化处理，使不同因素的数据具有可比性。本研究采用归一化方法对数据进行标准化处理，具体步骤如下：设原始数据集中有n个样本，每个样本包含m个影响因素，第i个样本的第j个影响因素的值为x_{ij}，i=1,2,\cdots,n，j=1,2,\cdots,m。对于每个影响因素j，计算其最小值x_{j\min}和最大值x_{j\max}。采用最小-最大归一化公式对数据进行处理，得到归一化后的数据y_{ij}：y_{ij}=\frac{x_{ij}-x_{j\min}}{x_{j\max}-x_{j\min}}经过归一化处理后，数据被映射到[0,1]区间内，消除了量纲和数量级的影响。例如，对于能源结构中某一能源占比的数据，假设其原始值在不同样本中的最小值为0.1，最大值为0.6，对于某一样本中该能源占比的原始值为0.3，则经过归一化处理后的值为：y=\frac{0.3-0.1}{0.6-0.1}=\frac{0.2}{0.5}=0.4对于运输工具能效中某一指标的数据，同样按照上述方法进行归一化处理。假设该指标原始值在不同样本中的最小值为20，最大值为50，某一样本中该指标的原始值为35，则归一化后的值为：y=\frac{35-20}{50-20}=\frac{15}{30}=0.5通过这种方式，对所有影响因素的数据进行归一化处理，使得不同因素的数据在同一尺度上进行比较和分析，提高了数据的质量和模型分析的准确性，为后续运用RM-BP-DEMATEL模型进行深入分析提供了可靠的数据基础。4.2RM方法约简影响因素4.2.1构建知识表达系统在完成数据收集与标准化处理后，基于粗糙集理论（RM）构建知识表达系统，为后续的属性约简奠定基础。知识表达系统是粗糙集理论处理数据的基本框架，它将数据以一种结构化的形式呈现，以便进行深入分析。本研究中，将交通运输低碳化能力的影响因素作为条件属性，将交通运输低碳化能力的相关指标作为决策属性。假设我们收集了n个样本数据，每个样本包含m个影响因素（条件属性）C=\{c_1,c_2,\cdots,c_m\}，以及1个决策属性D。例如，条件属性c_1可以表示能源结构中新能源占比，c_2表示运输工具能效指标，c_3表示政策法规的完善程度等；决策属性D可以用交通运输碳排放强度的降低率来衡量，即单位运输周转量的碳排放减少比例。构建的知识表达系统可以表示为一个信息表S=(U,C\cupD)，其中U是论域，即样本集合，|U|=n。对于每个样本x_i\inU，i=1,2,\cdots,n，都有对应的条件属性值和决策属性值。以其中一个样本为例，假设该样本中新能源占比为0.3（经过标准化处理后的值），运输工具能效指标为0.5，政策法规完善程度评分为0.7，而其对应的交通运输碳排放强度降低率为0.15（同样为标准化后的值），这些数据共同构成了知识表达系统中的一条记录。通过构建这样的知识表达系统，将复杂的交通运输低碳化能力影响因素数据转化为粗糙集理论可处理的形式，为后续运用粗糙集算法进行属性约简提供了清晰的数据结构，有助于挖掘数据中潜在的规律和关系，找出对交通运输低碳化能力影响最为关键的因素，去除冗余因素，提高数据分析的效率和准确性。4.2.2属性约简过程与结果运用粗糙集算法对构建好的知识表达系统进行属性约简，旨在从众多影响因素（条件属性）中筛选出对交通运输低碳化能力（决策属性）具有关键影响的核心因素，去除那些冗余或影响较小的因素，从而简化数据分析的复杂度，更精准地把握影响交通运输低碳化能力的关键要素。粗糙集算法的属性约简过程基于不可分辨关系和属性重要度的概念。首先，计算每个条件属性对决策属性的重要度。属性c_i对决策属性D的重要度可以通过计算在去掉属性c_i后，决策属性D相对于条件属性集合C的分类质量变化来衡量。设POS_C(D)表示条件属性集合C对决策属性D的正域，即根据条件属性C能够准确分类到决策属性D的样本集合。当去掉属性c_i后，得到新的条件属性集合C-\{c_i\}，其对决策属性D的正域为POS_{C-\{c_i\}}(D)。则属性c_i对决策属性D的重要度SGF(c_i,D,C)计算公式为：SGF(c_i,D,C)=\frac{|POS_C(D)|-|POS_{C-\{c_i\}}(D)|}{|U|}其中，|POS_C(D)|和|POS_{C-\{c_i\}}(D)|分别表示正域POS_C(D)和POS_{C-\{c_i\}}(D)中的样本数量，|U|为论域U中的样本总数。重要度越大，说明该属性对决策属性的影响越大，在属性约简过程中越应保留。按照属性重要度从大到小的顺序，依次对属性进行筛选。在筛选过程中，保证约简后的属性集合对决策属性的分类能力不低于原始属性集合。即如果去掉某个属性后，决策属性的分类质量下降超过一定阈值（本研究中设定为0.05），则保留该属性；否则，去除该属性。经过上述属性约简过程，最终得到的核心影响因素包括能源结构、运输工具能效、政策法规和运输结构。这些核心因素在交通运输低碳化能力的提升中起着关键作用。能源结构的优化直接影响着交通运输领域的碳排放，新能源的广泛应用能够显著降低碳排放水平。运输工具能效的提高，意味着单位运输量的能源消耗减少，从而降低碳排放。政策法规通过引导和约束交通运输行业的发展，对低碳化起到规范和推动作用。运输结构的调整，如提高铁路和水运在货运中的占比，能够有效降低单位运输量的碳排放。而技术创新、经济发展和社会因素等属性在约简过程中被去除，说明它们对交通运输低碳化能力的直接影响相对较小，或者与其他核心因素存在较强的相关性，其信息可以通过核心因素间接体现。4.3BP神经网络确定因素权重4.3.1网络结构设计在运用BP神经网络确定交通运输低碳化能力影响因素权重时，网络结构的合理设计至关重要。本研究根据影响因素的数量以及问题的复杂程度，确定BP神经网络的输入层、隐藏层和输出层节点数及结构。输入层节点数对应经过粗糙集约简后的影响因素数量。前文通过粗糙集属性约简得到能源结构、运输工具能效、政策法规和运输结构这4个核心影响因素，因此输入层节点数设定为4。每个节点分别对应一个影响因素，将标准化处理后的影响因素数据输入到输入层节点，作为神经网络的初始输入信息。隐藏层的设置对于神经网络的性能有着关键影响。隐藏层可以有多个，但过多的隐藏层会增加模型的复杂性和训练时间，同时可能导致过拟合问题。经过多次试验和对比分析，本研究确定采用单隐藏层结构。隐藏层节点数的确定是一个关键问题，目前并没有统一的理论方法来确定最优节点数，通常需要通过经验公式或试验来确定。常用的经验公式有：n_1=\sqrt{n+m}+a，其中n_1为隐藏层节点数，n为输入层节点数，m为输出层节点数，a为1到10之间的常数。根据此公式，并结合试验调整，最终确定隐藏层节点数为7。隐藏层节点通过权重与输入层节点相连，对输入信息进行非线性变换和特征提取，将复杂的非线性关系映射到一个更高维的空间，以便更好地学习和表达输入与输出之间的关系。输出层节点数根据研究目标确定。本研究旨在确定各影响因素对交通运输低碳化能力的权重，因此输出层节点数设定为1，代表交通运输低碳化能力的综合指标。输出层节点根据隐藏层传递过来的信息，计算出最终的输出结果，即交通运输低碳化能力的量化值，该值与实际的低碳化能力指标进行比较，产生误差，用于后续的误差反向传播和网络训练。综上所述，本研究设计的BP神经网络结构为4-7-1，即4个输入层节点、7个隐藏层节点和1个输出层节点。这种结构能够较好地适应交通运输低碳化能力影响因素权重确定的任务，在保证模型准确性的同时，避免了模型过于复杂导致的计算负担过重和过拟合问题。4.3.2训练与测试在完成BP神经网络结构设计后，利用经过预处理和粗糙集约简后的样本数据对网络进行训练和测试，以确定各影响因素的权重。将收集到的样本数据按照一定比例划分为训练集和测试集，本研究中按照70%和30%的比例进行划分，即选取70%的样本数据作为训练集，用于训练BP神经网络，使网络学习影响因素与交通运输低碳化能力之间的复杂关系；剩余30%的样本数据作为测试集，用于检验训练好的网络的性能和泛化能力。在训练过程中，首先初始化网络的权值和阈值。权值和阈值的初始值通常采用随机数进行赋值，但为了避免网络陷入局部最优解，随机数的取值范围需要进行合理设定，一般取值在[-1,1]之间。设置训练参数，包括学习率、最大训练次数、误差目标等。学习率决定了网络在训练过程中权值更新的步长，过大的学习率可能导致网络不稳定，难以收敛；过小的学习率则会使训练过程变得缓慢，收敛速度慢。经过多次试验，本研究将学习率设置为0.01。最大训练次数设定为1000次，误差目标设定为0.001，即当网络的训练误差小于0.001或者达到最大训练次数时，停止训练。采用梯度下降法作为训练算法，通过误差反向传播不断调整网络的权值和阈值，使网络的输出误差逐渐减小。在训练过程中，将训练集数据依次输入到网络中，经过输入层、隐藏层和输出层的计算，得到网络的实际输出。计算实际输出与期望输出之间的误差，采用均方误差（MSE）作为误差函数，公式为：MSE=\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2其中，n为训练样本数量，y_i为第i个样本的期望输出，\hat{y}_i为第i个样本的实际输出。根据误差反向传播算法，计算误差对各层权值和阈值的偏导数，按照梯度下降的方向更新权值和阈值，使误差逐渐减小。经过多次迭代训练，网络的误差逐渐收敛，当达到预设的误差目标或最大训练次数时，训练结束，此时得到的网络权值即为各影响因素对交通运输低碳化能力的权重。训练完成后，使用测试集数据对网络进行测试。将测试集数据输入到训练好的网络中，得到网络的预测输出，与测试集的实际输出进行对比，计算预测误差。通过测试，可以评估网络的性能和泛化能力，判断网络是否能够准确地预测交通运输低碳化能力。经过训练和测试，得到各影响因素的权重。能源结构的权重为0.35，表明能源结构对交通运输低碳化能力的影响较为显著，优化能源结构，提高新能源在交通运输领域的占比，能够有效降低碳排放，提升低碳化能力。运输工具能效的权重为0.25，说明提高运输工具的能效，采用更节能的运输设备，对交通运输低碳化能力的提升也具有重要作用。政策法规的权重为0.2，体现了政策法规在引导和推动交通运输低碳化过程中的重要性，合理的政策法规能够规范交通运输行业的发展，促进低碳技术的应用和推广。运输结构的权重为0.2，表明优化运输结构，提高铁路、水运等低碳运输方式的占比，对降低碳排放、提升交通运输低碳化能力有着积极影响。4.4DEMATEL分析因素间关系4.4.1构建直接影响矩阵在运用DEMATEL方法分析交通运输低碳化能力影响因素之间的关系时，构建直接影响矩阵是关键的第一步。直接影响矩阵反映了各因素之间直接的影响程度，为后续深入分析因素间的复杂关系提供了基础数据。本研究邀请了10位在交通运输领域具有丰富经验和专业知识的专家，包括交通运输规划专家、低碳交通技术研究学者、交通政策制定者以及交通运输企业的高级管理人员等。专家们根据自己的专业知识和实践经验，对经过粗糙集约简后的4个核心影响因素（能源结构、运输工具能效、政策法规、运输结构）之间的直接影响关系进行判断和打分。打分标准采用0-4的五级量表，其中0表示无影响，1表示影响较弱，2表示影响中等，3表示影响较强，4表示影响极强。例如，对于能源结构对运输工具能效的影响，专家们考虑到能源结构的变化，如新能源的应用，会促使运输工具进行技术升级以适应新的能源形式，从而提高运输工具能效。经过讨论和判断，部分专家认为这种影响较强，给予3分；对于政策法规对能源结构的影响，专家们分析了政府出台的能源政策，如对新能源的补贴政策、对传统化石能源的限制政策等，认为政策法规对能源结构的调整具有重要的引导作用，影响程度为4分。通过专家们对各因素两两之间影响关系的打分，得到了直接影响矩阵A，如下所示：A=\begin{pmatrix}0&3&4&2\\1&0&2&1\\4&3&0&3\\2&1&2&0\end{pmatrix}矩阵A中，第i行第j列的元素a_{ij}表示因素i对因素j的直接影响程度。例如，a_{12}=3表示能源结构对运输工具能效的直接影响程度为3分，即影响较强；a_{31}=4表示政策法规对能源结构的直接影响程度为4分，即影响极强。这个直接影响矩阵初步刻画了各因素之间的直接关联，为后续的计算和分析奠定了基础。4.4.2计算总影响矩阵与影响度、被影响度在构建直接影响矩阵A之后，需要对其进行规范化处理，以消除不同因素影响程度量纲的差异，便于后续计算。规范化处理的目的是将直接影响矩阵中的元素映射到一个统一的尺度上，使各元素具有可比性。采用行和最大值法对直接影响矩阵A进行规范化处理，具体步骤如下：首先，计算直接影响矩阵A每一行元素的和，记为r_i，i=1,2,3,4。r_1=\sum_{j=1}^{4}a_{1j}=0+3+4+2=9r_2=\sum_{j=1}^{4}a_{2j}=1+0+2+1=4r_3=\sum_{j=1}^{4}a_{3j}=4+3+0+3=10r_4=\sum_{j=1}^{4}a_{4j}=2+1+2+0=5然后，找出所有行和中的最大值r_{max}，r_{max}=\max\{r_1,r_2,r_3,r_4\}=10。最后，将直接影响矩阵A中的每个元素a_{ij}除以r_{max}，得到规范化直接影响矩阵X。X=\begin{pmatrix}\frac{0}{10}&\frac{3}{10}&\frac{4}{10}&\frac{2}{10}\\\frac{1}{10}&\frac{0}{10}&\frac{2}{10}&\frac{1}{10}\\\frac{4}{10}&\frac{3}{10}&\frac{0}{10}&\frac{3}{10}\\\frac{2}{10}&\frac{1}{10}&\frac{2}{10}&\frac{0}{10}\end{pmatrix}=\begin{pmatrix}0&0.3&0.4&0.2\\0.1&0&0.2&0.1\\0.4&0.3&0&0.3\\0.2&0.1&0.2&0\end{pmatrix}得到规范化直接影响矩阵X后，进一步计算总影响矩阵T。总影响矩阵T综合考虑了各因素之间的直接影响和间接影响，能够更全面地反映因素之间的相互作用关系。根据公式T=X(I-X)^{-1}，其中I为单位矩阵。先计算单位矩阵I与规范化直接影响矩阵X的差值矩阵B：B=I-X=\begin{pmatrix}1&0&0&0\\0&1&0&0\\0&0&1&0\\0&0&0&1\end{pmatrix}-\begin{pmatrix}0&0.3&0.4&0.2\\0.1&0&0.2&0.1\\0.4&0.3&0&0.3\\0.2&0.1&0.2&0\end{pmatrix}=\begin{pmatrix}1-0&0-0.3&0-0.4&0-0.2\\0-0.1&1-0&0-0.2&0-0.1\\0-0.4&0-0.3&1-0&0-0.3\\0-0.2&0-0.1&0-0.2&1-0\end{pmatrix}=\begin{pmatrix}1&-0.3&-0.4&-0.2\\-0.1&1&-0.2&-0.1\\-0.4&-0.3&1&-0.3\\-0.2&-0.1&-0.2&1\end{pmatrix}接着求差值矩阵B的逆矩阵B^{-1}，通过矩阵求逆运算得到：B^{-1}=\begin{pmatrix}1.184&0.384&0.503&0.269\\0.135&1.072&0.241&0.113\\0.534&0.384&1.277&0.377\\0.269&0.113&0.241&1.049\end{pmatrix}最后计算总影响矩阵T：T=XB^{-1}=\begin{pmatrix}0&0.3&0.4&0.2\\0.1&0&0.2&0.1\\0.4&0.3&0&0.3\\0.2&0.1&0.2&0\end{pmatrix}\begin{pmatrix}1.184&0.384&0.503&0.269\\0.135&1.072&0.241&0.113\\0.534&0.384&1.277&0.377\\0.269&0.113&0.241&1.049\end{pmatrix}=\begin{pmatrix}0.287&0.592&0.691&0.377\\0.144&0.152&0.354&0.158\\0.644&0.584&0.403&0.386\\0.166&0.164&0.304&0.122\end{pmatrix}根据总影响矩阵T，可以计算各因素的影响度D和被影响度R。影响度D_i表示因素i对其他所有因素的综合影响程度，即矩阵T中第i行元素之和；被影响度R_i表示因素i受到其他所有因素的综合影响程度，即矩阵T中第i列元素之和。计算得到各因素的影响度和被影响度如下：能源结构的影响度D_1=\sum_{j=1}^{4}t_{1j}=0.287+0.592+0.691+0.377=1.947；运输工具能效的影响度D_2=\sum_{j=1}^{4}t_{2j}=0.144+0.152+0.354+0.158=0.808；政策法规的影响度D_3=\sum_{j=1}^{4}t_{3j}=0.644+0.584+0.403+0.386=2.017；运输结构的影响度D_4=\sum_{j=1}^{4}t_{4j}=0.166+0.164+0.304+0.122=0.756。能源结构的被影响度R_1=\sum_{j=1}^{4}t_{j1}=0.287+0.144+0.644+0.166=1.241；运输工具能效的被影响度R_2=\sum_{j=1}^{4}t_{j2}=0.592+0.152+0.584+0.164=1.492；政策法规的被影响度R_3=\sum_{j=1}^{4}t_{j3}=0.691+0.354+0.403+0.304=1.752；运输结构的被影响度R_4=\sum_{j=1}^{4}t_{j4}=0.377+0.158+0.386+0.122=1.043。通过这些计算结果，可以初步了解各因素在交通运输低碳化能力影响因素体系中的作用和地位，为后续进一步分析因素间的因果关系和关键因素识别提供依据。4.4.3因果关系分析与关键因素识别在得到各因素的影响度D和被影响度R后，进一步计算各因素的中心度M和原因度N，以深入分析因素之间的因果关系并识别关键因素。中心度M_i=D_i+R_i，反映了因素i在系统中的重要程度，中心度越大，说明该因素在整个交通运输低碳化能力影响因素体系中的作用越关键；原因度N_i=D_i-R_i，用于判断因素的因果属性，若N_i>0，则因素i为原因因素，对其他因素有较强的影响作用，能够主动影响和推动其他因素的变化；若N_i<0，则因素i为结果因素，受其他因素的影响较大，是其他因素作用的结果。计算各因素的中心度和原因度如下：能源结构的中心度M_1=D_1+R_1=1.947+1.241=3.188，原因度N_1=D_1-R_1=1.947-1.241=0.706；运输工具能效的中心度M_2=D_2+R_2=0.808+1.492=2.3，原因度N_2=D_2-R_2=0.808-1.492=-0.684；政策法规的中心度M_3=D_3+R_3=2.017+1.752=3.769，原因度N_3=D_3-R_3=2.017-1.752=0.265；运输结构的中心度M_4=D_4+R_4=0.756+1.043=1.799，原因度N_4=D_4-R_4=0.756-1.043=-0.287。根据原因度的计算结果，能源结构和政策法规的原因度大于0，表明这两个因素是原因因素。能源结构作为原因因素，其调整和优化能够直接影响运输工具能效、政策法规的制定以及运输结构的布局。当能源结构中新能源占比增加时，会促使运输工具向适应新能源的方向发展，提高运输工具能效；同时，也会影响政策法规的制定，政府会出台相关政策鼓励新能源在交通运输领域的应用，推动能源结构的进一步优化；在运输结构方面，新能源运输工具的发展可能会改变不同运输方式的比例，促进运输结构的调整。政策法规作为原因因素，对能源结构、运输工具能效和运输结构都具有重要的引导和规范作用。政府通过制定严格的环保政策和能源政策，如对新能源的补贴政策、对高排放运输工具的限制政策等，可以引导能源结构向低碳化方向转变，激励企业研发和应用高效节能的运输工具，推动运输结构的优化升级。运输工具能效和运输结构的原因度小于0，说明它们是结果因素。运输工具能效受到能源结构、政策法规等因素的影响。能源结构的变化会促使运输工具进行技术改进，以适应新的能源形式，从而提高能效；政策法规对运输工具的能效标准提出要求，也会推动企业提升运输工具的能效水平。运输结构同样受到能源结构和政策法规的影响。能源结构的调整可能会导致不同运输方式的能源成本发生变化，从而影响运输结构；政策法规通过对不同运输方式的扶持或限制政策，引导运输结构的优化。从中心度来看，政策法规的中心度最高，为3.769，说明政策法规在交通运输低碳化能力影响因素体系中最为重要。政策法规作为原因因素，能够通过引导和规范其他因素的发展，对交通运输低碳化能力产生全面而深远的影响。能源结构的中心度也较高，为3.188，表明能源结构在体系中也占据重要地位，其优化对于提升交通运输低碳化能力具有关键作用。综上所述，通过DEMATEL方法的分析，明确了能源结构和政策法规是影响交通运输低碳化能力的关键原因因素，运输工具能效和运输结构是结果因素。在推动交通运输低碳化发展的过程中，应重点关注能源结构的优化和政策法规的制定与实施，以带动其他因素的协同发展，提升交通运输低碳化能力。五、案例分析5.1案例选取与背景介绍本研究选取了[具体地区名称]作为案例研究对象，该地区在交通运输领域具有典型性和代表性。[具体地区名称]是我国重要的经济区域，近年来经济发展迅速，地区生产总值持续增长，2023年达到[X]亿元，同比增长[X]%。随着经济的快速发展，交通运输需求也日益旺盛，客货运输量不断攀升。2023年，该地区公路货运量达到[X]亿吨，公路客运量为[X]亿人次；铁路货运量为[X]亿吨，铁路客运量为[X]亿人次；航空客运量达到[X]万人次，货运量为[X]万吨。在能源消耗方面，交通运输行业是该地区的能源消耗大户。据统计，2023年该地区交通运输行业能源消耗总量为[X]万吨标准煤，其中公路运输能源消耗占比最高，达到[X]%，主要依赖汽油和柴油等化石能源；铁路运输能源消耗占比为[X]%，虽然电气化铁路的发展使得电力在铁路能源消耗中的比重逐渐增加，但仍有部分铁路线路依赖化石能源；航空运输能源消耗占比为[X]%，航空燃油是其主要能源来源。交通运输碳排放情况也较为严峻。根据相关数据测算，2023年该地区交通运输领域碳排放总量达到[X]万吨，占地区碳排放总量的[X]%。其中，公路运输碳排放占比高达[X]%，由于公路运输中私家车保有量的快速增长以及货运车辆的能源效率较低，导致碳排放量大；铁路运输碳排放占比为[X]%，随着铁路电气化进程的推进，碳排放有所降低，但仍不容忽视；航空运输碳排放占比为[X]%，且随着航空运输需求的增长，碳排放呈上升趋势。该地区在交通运输低碳化方面也做出了一系列努力。政府出台了多项政策法规，鼓励新能源汽车的推广应用，对购买新能源汽车的消费者给予补贴，并加大了对公共交通的投入，优化公交线路，提高公共交通的覆盖率和服务质量。在技术创新方面，积极引进和推广智能交通系统，提高交通运行效率，减少能源消耗和碳排放。然而，在能源结构调整、运输结构优化等方面仍面临诸多挑战，亟需深入分析影响交通运输低碳化能力的因素，以制定针对性的措施，推动交通运输低碳化发展。5.2运用模型分析案例将[具体地区名称]的相关数据代入RM-BP-DEMATEL模型，按照前文所述的模型原理和分析步骤进行深入分析，以探究该地区交通运输低碳化能力的影响因素。首先进行数据收集，从[具体地区名称]的统计年鉴、交通部门报告、能源管理部门数据以及相关企业调研中获取了能源结构、运输工具能效、政策法规、运输结构等方面的详细数据。在能源结构方面，了解到该地区交通运输领域化石能源占比高达80%，新能源占比仅为20%，其中新能源主要以电能为主，在公共交通领域应用较多，如部分公交线路采用纯电动公交车，但在货运领域新能源应用较少。运输工具能效方面，统计了不同运输方式的能源消耗数据，公路运输中，普通货运车辆的单位能耗较高，平均每百公里油耗为[X]升，而新能源货运车辆的单位能耗相对较低，平均每百公里电耗为[X]度；铁路运输中，电力机车的能源利用效率较高，单位运输周转量能耗低于公路运输。政策法规方面，收集了该地区出台的一系列关于交通运输低碳化的政策文件，包括对新能源汽车的补贴政策、对高排放车辆的限行政策以及对公共交通的扶持政策等，但在政策执行力度和监管方面还存在一些不足。运输结构方面，获取了不同运输方式的客货运量数据，公路运输在客运和货运中都占据主导地位，客运量占比达到60%，货运量占比为70%；铁路运输在货运中占比为20%，客运中占比为30%；水路运输主要承担大宗货物运输，货运量占比为10%，客运量占比极少。将收集到的数据进行标准化处理，使其具有可比性。以能源结构中新能源占比数据为例，该地区新能源占比最小值为15%，最大值为25%，某一数据样本中新能源占比为20%，则标准化后的值为：y=\frac{0.2-0.15}{0.25-0.15}=\frac{0.05}{0.1}=0.5按照RM方法构建知识表达系统，将能源结构、运输工具能效、政策法规、运输结构作为条件属性，将交通运输低碳化能力指标（如碳排放强度降低率）作为决策属性，构建信息表。运用粗糙集算法进行属性约简，经过计算和筛选，确定能源结构、运输工具能效、政策法规和运输结构为核心影响因素，这与前文理论分析中的约简结果一致。利用BP神经网络确定因素权重。设计BP神经网络结构为4-7-1，即4个输入层节点对应4个核心影响因素，7个隐藏层节点，1个输出层节点对应交通运输低碳化能力指标。将标准化后的样本数据按照70%和30%的比例划分为训练集和测试集，对网络进行训练。在训练过程中，设置学习率为0.01，最大训练次数为1000次，误差目标为0.001。经过多次迭代训练，网络收敛，得到各因素的权重。能源结构的权重为0.38，运输工具能效的权重为0.23，政策法规的权重为0.22，运输结构的权重为0.17。运用DEMATEL方法分析因素间关系。邀请该地区交通运输领域的专家对4个核心影响因素之间的直接影响关系进行打分，构建直接影响矩阵。经过规范化处理和计算，得到总影响矩阵，并计算出各因素的影响度、被影响度、中心度和原因度。能源结构的影响度为1.8，被影响度为1.3，中心度为3.1，原因度为0.5；运输工具能效的影响度为0.9，被影响度为1.5，中心度为2.4，原因度为-0.6；政策法规的影响度为2.1，被影响度为1.6，中心度为3.7，原因度为0.5；运输结构的影响度为0.8，被影响度为1.1，中心度为1.9，原因度为-0.3。根据DEMATEL分析结果，能源结构和政策法规是原因因素，对其他因素具有较强的影响作用。能源结构的优化能够促进运输工具能效的提升，推动政策法规