机场航空器碳排放时空特征与驱动因素研究

洪浩强 胡 荣 黄梦圆 张军峰

(南京航空航天大学民航学院 南京 211106)

航空器着陆起飞(landing and takeoff，LTO)阶段指在大气混合高度层以下的所有运行阶段，在此期间排放的CO2直接对机场及其周边区域的生产生活产生影响.对LTO阶段的航空器碳排放开展研究，能够评估机场及其附属区域航空器碳排放的时空特征，明确机场航空器碳排放演化的驱动因素.

针对航空器碳排放时空特征分析，主要研究方法包括赫希曼指数、泰尔指数、环境库茨涅兹曲线、脱钩指数和碳排放时序变化与空间差异的数值分析等.朱佳琳等[1]采用赫希曼指数和泰尔指数分析了江苏省机场碳排放的垄断特征，并采用环境库茨涅兹曲线对碳排放强度与换算旅客吞吐量进行拟合.郭鹏程[2]对2000—2018年中国民航客运碳排放量与碳排放强度的时序变化与空间差异进行数值分析.驱动因素分解方面，采用的方法主要有面板数据回归分析、生产分解分析(production decomposition analysis，PDA)方法和对数平均狄氏指数(logarithmic mean divisia index，LMDI)因素分解方法等.姚石兴[3]采用面板数据回归的方法对2000—2011年中国8家大型航空公司的碳排放进行驱动因素分解.刘笑[4]以2007—2013年中国12家航空公司为样本采用PDA方法进行碳排放驱动因素分解.徐晨等[5]采用LMDI因素分解法对2006-2015江苏省民用机场碳排放进行驱动因素分解.

现有文献大多将碳排放的时空演化特征割裂开来，开展时间序列或空间格局特征分析，而进行时空耦合的演化特征分析较少.局部空间关联指数(local indicators of spatial association, LISA)时间路径能够丰富这方面的内容[6].现有研究的驱动因素分解主要从民航运输业或航空公司视角出发，而从机场视角开展的驱动因素分解研究较少，特别是结合航班运行特点的更少.文中采用LISA时间路径分析方法，聚焦于LTO阶段的航空器碳排放，以机场为研究的地理单元，对机场群内多机场航空器碳排放的时空动态特征开展分析，从机场运行视角选取驱动因素，采用LMDI因素分解方法进行驱动因素分解定量分析，基于分析结果给出碳减排措施建议.

1 研究方法与数据来源

1.1 时间路径分析

LISA时间路径具体特征为：确定第t年机场i的LISA坐标为(xi,t,yi,t)，该机场客运航空器碳排放量标准化值为xi,t，其空间滞后量为yi,t；将每个机场的LISA坐标逐年连接，分别形成每个机场的LISA时间路径.

LISA时间路径通过移动方向、相对长度和弯曲度指标刻画机场航空器碳排放局部空间结构特征.①移动方向指示研究期第一年LISA坐标指向最后一年LISA坐标的矢量方向.②相对长度指的是机场LISA时间路径长度与机场群内所有机场时间路径长度均值之比.③弯曲度指的是机场时间路径长度与LISA坐标从研究期第1年到最后1年的直线距离之比.相对长度Li和弯曲度Bi的计算方法为

(1)

(2)

式中：LISAi,t为第t年机场i的LISA坐标；LISAi,t+1为第t+1年机场i的LISA坐标；d(LISAi,t,LISAi,t+1)为第t年到第t+1年机场i的LISA坐标移动的距离；n为研究期内机场个数；T为研究期总年数；Li为机场i研究期内时间路径相对长度；Bi为机场i研究期内时间路径弯曲度.

空间滞后量的计算依托于空间权重矩阵的设定[7]，通常认为距离越近的机场影响越大、腹地重叠的机场互为邻域(设地面交通90 min可达为机场腹地[8])，基于上述原则设定基于可达性和机场腹地范围的空间权重矩阵W为

(3)

式中：Td为从某机场到另一个机场的地面交通通行时间.

具体的指标划分及其含义见表1.

表1 指标划分及其含义

1.2 驱动因素分解

结合现有研究成果与机场运行实际，认为航空器在LTO阶段的碳排放驱动因素包括机场通达性(AA)、航线利用率(AU)、客均座位数(AS)、能源强度(ENI)和碳排放系数(EMI)，建立驱动因素分解模型并进行LMDI分解[9]为

(4)

令

(5)

第t年有

(6)

第t+1年有

(7)

可得

(8)

式中：

(9)

1.3 数据来源

1) OAG数据库 可以获取航空器型号及其对应运行频次、各机场的通航机场数、航空器提供的座位数.

2) ICAO发动机数据库 可以获取各型号发动机在标准LTO循环下的燃油消耗量.

3) 地图软件 可以获取研究机场的经纬度坐标.

4) 民航局年度机场统计公报 可以获取研究机场的旅客吞吐量数据.

5) 中国科学院资源环境科学与数据中心网站(www.resdc.cn) 可以获取所需的地图图层数据.

2 实例分析

选择长三角机场群为研究对象，研究期限为2007—2016年，为形成前后对照，分为2007—2011年和2012—2016年两个研究期.

长三角机场群的机场有：上海浦东(三字码：PVG)、上海虹桥(SHA)、合肥新桥(HFE)、安庆(AQG)、池州九华山(JUH)、阜阳(FUG)、黄山屯溪(TXN)、义乌(YIW)、台州黄岩路桥(HYN)、宁波栎社(NGB)、杭州萧山(HGH)、温州龙湾(WNZ)、舟山普陀山(HSN)、衢州(JUZ)、南京禄口(NKG)、无锡硕放(WUX)、常州奔牛(CZX)、扬州泰州(YTY)、南通兴东(NTG)、淮安涟水(HIA)、盐城南洋(YNZ)、徐州观音(XUZ)、连云港白塔埠(LYG)，具体分布情况见图1.

图1 长三角机场群分布图

2.1 LISA时间路径的移动方向

将研究期内长三角机场群23个机场LISA时间路径移动方向可视化，结果见图2.

图2 时间路径移动方向

由图2可知：

1) 机场自身碳排放由中部相对增长特征演化为东部相对增长特征.具体表现为2007—2011年自身呈相对增长态势的机场集中于中南部区域，而在2012—2016年，这些机场集中于东部区域，呈现出明显的东西分化特征.

2) 周边碳排放相对降低的机场由南北两端区域转移到中西部区域.具体表现为2007—2011年周边机场呈相对降低态势的机场主要集中于南北两端，而在2012—2016年，这些机场集中于中西部区域.

3) 呈相对增长态势的机场数量有所增加.具体表现为自身呈相对增长态势的机场由8个增加为14个,自身呈相对降低态势的机场由13个减少为9个，周边呈相对增长态势的机场保持14个不变.

具体到机场，HFE、SHA由自身相对增长态势演化为相对降低态势，对于HEF而言，造成这种态势变化的原因是总体碳排放增量的上升而自身碳排放增量没有明显变化；对于SHA而言，主要原因是自身的碳排放增量发生明显下滑，结合SHA与PVG两者碳排放增量来看，这种碳排放增量的下滑可能是PVG的分流作用导致的.

2.2 LISA时间路径的相对长度

将研究期内长三角机场群23个机场LISA时间路径相对长度可视化，结果见图3.

图3 时间路径相对长度

由图3可知：

1) 低相对长度的机场分布较为稳定.具体表现为2007—2011年呈现低相对长度机场中有85.7%在2012—2016年继续维持低相对长度.

2) 中相对长度的机场明显减少.具体表现为2007—2011年呈现中相对长度机场中有55.6%在2012—2016年发生相对长度类型变化，在发生相对长度类型变化的机场中，80%演化为高相对长度，20%演化为低相对长度.

3) 高相对长度的机场机场数量显著上升.具体表现为2007—2011年高相对长度机场占比仅为23.8%，而在2012—2016年这个数据提高到43.5%，而这些机场大多是由中相对长度机场演变而来的.

具体到机场，YIW、NGB和HSN的时间路径演化为高相对长度特征，而三个机场自身的碳排放增量未发生明显变化，但是三者共同的周边机场HGH的碳排放增量明显提高，这意味着这三个机场向高相对长度演化是HGH的碳排放增量升高主导的；此外，东北部的XUZ、LYG、YNZ和西南部的TXN、JUZ在两个时段内均呈现出低相对长度特征，这意味着这两个区域的碳排放局部空间结构相对稳定，局部空间结构动态性低于长三角机场群的总体水平，且短期内没有发生改变.

2.3 LISA时间路径的弯曲度

将研究期内长三角机场群23个机场LISA时间路径弯曲度可视化，结果见图4.

图4 时间路径弯曲度

由图4可知：

1) 低弯曲度机场占比大，明显高于高弯曲度机场.具体表现为2007—2011年低弯曲度机场占比为47.6%，而在2012—2016年这个值提高到56.5%；对于高弯曲度机场而言，这两个比例分别为14.3%和13.0%.

2) 弯曲度分布比例变化不明显，但跃迁比例高.对两个时期内的弯曲度进行对比发现两个时期内弯曲度类型发生跃迁的机场共有14个，其中新增机场2个，均为低弯曲度，弯曲度类型向上跃迁的机场5个，弯曲度类型向下跃迁的机场7个.

具体到机场，YIW、NTG、PVG和HGH时间路径演化为低弯曲度特征，但上述四个机场呈现低弯曲度的原因却有所差异，其中YIW和NTG是周边机场高增量主导的低弯曲度特征，而PVG和HGH则是自身高增量主导的低弯曲度特征.由此推断，当邻近机场体量差距悬殊时，两者通常会呈现出低弯曲度特性，体量较大的机场通常呈现出自身高增量主导的低弯曲度特征，而体量较小的机场则会呈现出周边机场高增量主导的低弯曲度特征.2007—2011年为PVG发展初期，PVG与SHA的碳排放差异并不显著，此时PVG呈现中弯曲度特征，但随着时间推移PVG的碳排放增量已显著高于SHA，此时PVG呈现自身高增量主导的低弯曲度特征.

以上分析了长三角机场群整体以及典型机场的客运航空器碳排放演化特征，为深入探究上述演化特征的形成机理，接下来将对碳排放的驱动因素进行分析.

2.4 碳排放的驱动因素及其效应

采用LMDI因素分解法对长三角机场群23个机场进行驱动因素分解，结果见图5.

图5 碳排放变化量

由图5可知：

1) 与2007—2011年相比，2012—2016年长三角机场群客运航空器碳排放增量总体上有所增长，但在增量的增长幅度上呈现出较大差距，包括PVG、HGH以及江苏省多个机场在内的碳排放增量上涨导致了中部增长模式向东部增长的模式的演化；根据长三角机场群机场分布情况可以发现，东部机场数量远高于西部区域，这种东部集中增长的特征则间接导致了相对增长态势机场数量的增长.

2) 大多数2007—2011年呈现低增量特征的机场在2012—2016年仍保持低增量特征，因此低增量机场聚集的区域形成了碳排放局部空间结构动态性低于总体水平的机场分布较为稳定的特征；而高增量特征机场呈现增量上涨的情况，促进了碳排放局部空间结构动态性接近总体水平的机场明显减少、碳排放局部空间结构动态性高于总体水平的机场机场数量显著上升的特征.

3) 在2007—2011年碳排放增量较大的几个机场中，机场通达性、航线利用率因素对碳排放的增长能起到相似的驱动效应，甚至在部分机场，航线利用率因素的促进效应高于机场通达性因素；而在2012—2016年，机场通达性因素占据了主导地位，尤其是在PVG、NGB、HGH、WNZ和WUX等机场，与之产生的促进效应相比，客均座位数和能源强度因素所起到抑制效应十分有限.

2.5 政策建议

1) 协同发展，合理分流 长三角机场群客运航空器碳排放局部空间结构动态性强，且其动态性处于上升态势.其中，上海市动态性最强，应细化区域内机场分工，通过调整航线结构、提供跨市候机楼等方式，推进周边机场为上海市机场分流，一方面可以防止因机场拥堵出现能源损耗[10-11]，另一方面也可以减轻上海市机场客运航空器碳排放压力，同时促进周边中小机场及区域枢纽机场发展，实现区域机场均衡发展，共同分担碳排放成本.

2) 精细管理，合理统筹 驱动因素分解过程中发现，许多机场呈现通达性主导-航线利用率主导-通达性主导的碳排放增长方式[12-13].由此推断，在航线利用率达到峰值之前，可能会出现航线利用率增长爆发的时期，因此，在这一时期出现前，及时做好机队规划，鼓励尽可能采用能源强度更低的航空器执飞通往热门机场的航线，在满足更大业务需求的同时可以一定程度上抑制机场客运航空器碳排放的增长.

3) 技术创新，能源先行 通过驱动因素分解可以发现，随着管理策略的实施，可以通过客均座位数、能源强度因素实现少量的碳减排，但在由于通达性和航线利用率增长导致的碳排放增长面前显得十分有限，因此为有效控制机场客运航空器碳排放，可以以低碳能源为突破方向，以期实现高效可观的碳减排[14-15].

3 结 论

1) 局部空间结构动态性低于总体水平的机场分布较为稳定，接近总体水平的机场明显减少，高于总体水平的机场数量显著上升.

2) 演化过程曲折程度低于总体水平的机场占比大，大于高于总体水平的机场；演化过程曲折程度分布比例变化不明显，但类型跃迁比例高.

3) 机场通达性和航线利用率因素促进碳排放增长，而在不同机场、不同时期起主导作用的因素不同.

4) 客均座位数和能源强度因素抑制碳排放增长，但抑制作用有限，未来可从低碳能源开发的角度推动碳减排.