[发明专利]一种交通排放配额分配过程中离群数据识别的优化方法

说明书

本发明涉及一种交通排放配额分配过程中离群数据识别的优化方法。该方法包括构建交通排放配额分配模型、计算参考集D中各车辆各投入的单位产出投入值、采用孤立森林模型‑广义超效率模型组合方法对离群车辆进行识别和将最终离群车辆从参考集D中移除，得到完成离群车辆剔除处理的参考集D”。本发明交通排放配额分配过程中离群数据识别的优化方法能够高效率地检测离群值，在配额分配过程以自动化、相对快速且准确的方式识别离群值；本发明的方法优于传统超效率模型方法，并较大程度减少了误差。

技术领域

本发明涉及环境管理领域，更具体地涉及一种交通排放配额分配过程中离群数据识别的优化方法。

背景技术

交通引发的污染、气候变化问题是城市治理面临的一大难题。随着我国加强污染物和碳排放的管控，交通作为城市污染和碳排放的主要来源之一将承担重要的减排责任。污染及碳排放控制的市场机制是低成本实现排放控制目标的有效政策工具。在世界范围内，已有多个国家和地区建立排放权交易市场，例如美国实施SO₂和NO_x排污权交易市场，中国多个城市开展了SO₂排污权交易市场试点，25个国家和地区已实施CO₂交易市场。排放权交易的本质是政府制定污染物或碳排放权总量上限，然后发放排放权配额。配额分配对排放权交易机制的运行至关重要，因为排放权配额和被管控主体的利益高度相关，关系到政策导向、激励效果和政治可接受度。

数据包络分析方法(Data EnvelopmentAnalysis，DEA)是一个运筹学与数理经济学的交叉研究领域，是典型的数据驱动的非参数基准技术，已被广泛用于配额分配研究。它是根据多项投入指标和多项产出指标，利用线性规划的方法，对具有可比性的同类型的被评估对象进行相对效率的评价的一种非参数分析方法。这些被评估对象称为决策单元(Decision Making Unit，DMU)。每一个DMU使用h种投入生产出k种产出，其中，这些DMU中里，保持现有的投入获得的最大的产出或保持现有的产出消耗最小所对应的DMU称为高效的DMU，高效的DMU所形成的曲线(面)被称为效率前沿。DEA作为一种非参数绩效评估方法，不需要对整合投入和产出的权重以及效率前沿的形式进行预先估计或假定，从而避免了各种主观因素的影响。广义DEA模型在具有传统DEA客观确定权重及效率前沿的特性之外，一个重要推广是用于形成效率前沿的DMU与被评价DMU的分离。参考集是指用于形成效率前沿以评估决策DMU的DMU集合。对于传统的DEA模型，参考集和被评估DMU是同一集合，而广义DEA模型参考集可以由被评估DMU本身或由其他DMU组成。参考集中的DMU可以是策者感兴趣的标准或对象。广义DEA方法可以为决策者提供多个视角来衡量DMU的效率。

但DEA对极端值或离群值很敏感，因为DEA可能根据极端的DMU估计效率前沿，这样通常会导致对其他DMU的效率得分的估计存在严重偏差。因此，应先调查所使用的数据是否包含离群值，然后去除离群值以提高效率前沿估计的准确性。由于离群值可以分为高效离群值和低效离群值，而影响效率前沿的是高效离群值，因此后文所指的离群值均为高效离群值。

数据包络分析模型已广泛应用在排放权配额分配的研究中。在排放权配额分配的背景下，DMU可以视为待分配配额的个体，其应该分配得到的配额可作为效率指标中的投入或产出。如果离群值参与形成效率前沿，则容易导致效率评价产生偏差，从而使分配配额的对象产生不合理的配额缺口，严重影响排放交易市场的正常运行。因此需要在效率前沿的形成过程对离群值进行剔除，避免对配额分配造成过大负面影响。