我国航空公司绿色创新效率及其影响因素研究

郭凯宁 韦薇

摘  要：“双碳”目标的提出更加坚定了我国建设绿色民航的决心。文章从绿色创新效率角度出发，引入二氧化碳排放量为非期望产出指标，构建航空公司投入-产出指标体系，从静态与动态两方面着手，利用超效率SBM模型与ML指数分析模型，测度我国三大航空公司以及海南航空公司、吉祥航空两家民营航空公司2016—2021年的绿色创新效率，并利用Tobit模型对绿色创新效率的影响因素进行探索性分析。结果表明：五家航空公司在2016—2021年间绿色创新效率总体上升14.88%，其中六年间，南航效率均值最高，为0.877 6，比效率均值最低的吉祥航空高出13%；研究期内全要素生产率均值起伏较大，2018—2020年的全要素生产率退步了40.59%，原因是科技创新和组织创新水平的下降；飞机日利用率、综合载运率、市场占有率对航空公司绿色创新效率呈现出明显的正向影响。目前，我国航空公司的绿色创新效率还处于无效状态，未来还需要重视科技创新在航空领域的作用。

关键词：航空公司；非期望产出；绿色创新效率；超效率SBM模型

中图分类号：F562.6    文献标志码：A    DOI：10.13714/j.cnki.1002-3100.2023.17.000

Abstract： The proposal of the "carbon peaking and carbon neutrality" goals has strengthened China's determination to build green civil aviation. From the perspective of green innovation efficiency， this paper introduces carbon dioxide emissions as an undesired output index， constructs an airline input-output index system， starts from both static and dynamic aspects， uses ultra-efficient SBM model and ML index analysis model， measures the green innovation efficiency of China's three major airlines and two private airlines， Hainan Airlines and Juneyao Airlines， from 2016 to 2021， and uses the Tobit model to explore the influencing factors of green innovation efficiency. The results showed that the green innovation efficiency of the five airlines increased by 14.88% from 2016 to 2019， and in the six years， China Southern Airlines had the highest average efficiency of 0.877 6， which was 13% higher than Juneyao Airlines， which had the lowest average efficiency. During the study period， the average total factor productivity fluctuated greatly， and the total factor productivity from 2018 to 2020 regressed by 40.59%， due to the decline in the level of scientific and technological innovation and organizational innovation. The daily utilization rate， comprehensive load factor and market share of aircraft have a significant positive impact on the green innovation efficiency of airlines. At present， the green innovation efficiency of Chinese airlines is still in an ineffective state， and it is necessary to pay attention to the role of scientific and technological innovation in the aviation field in the future.

Key words： airlines; non-expected outputs; green innovation efficiency; ultra-efficient SBM model

0  引  言

航空運输业经常以“效率高、速度快、空间跨度大”的优点[1]受到人们的青睐。但是近年来，随着航空运输业的不断发展，旅客投诉量、飞机延误数量、旅客行李损坏量、机场拥挤等这类非期望产出事件层出不穷，同时民航运输业的背后更隐藏着“高污染、高耗能、高排放”的因素[2]，2019年全球民航运输业产生的排放总量为9.18亿吨，较2013年增长了29%。其中我国CO2排放量占全球排放总量的13%，高居全球第二[3]，且预计2050年航空运输的温室气体排放总量将比2010年高出400%

～600%[4]。航空碳排放形势将日趋严峻，逐渐成为国内外的焦点问题。2020年，我国在联合国大会上提出了“双碳”目标，确定了我国践行碳减排行动的时间线。国际方面，欧盟委员会提出了一揽子环保议案，其中包括建立欧盟“碳边境调节机制”，意味着从2023年起将推行碳关税，削减免费碳配额，扩大碳市场范围[2]。欧盟碳关税一旦落地实施，对我国航空运输业必然是不小的冲击，航空公司也将增加一项高额支出。

环境问题加重和高额的经济支出，会进一步加大航空运输业这类资源密集型企业的压力，因此减少碳排放，提升企业绿色创新效率，是航空公司努力的方向。研究我国航空公司的绿色创新效率，有利于航空企业改革创新，及时应对内外部行业环境的变化带来的冲击。

国内外学者对绿色创新效率做了如下研究：陈清[5]对我国省际的绿色创新效率进行整体的度量分析，将绿色创新效率与传统的不考虑非期望产出的创新效率进行动态对比分析；孙秀梅[6]着眼于山东省17个地级市，探究在经济新常态下的区域的转型路径。刘佳等[7-9]把我国旅游产业作为分析对象，采用超效率SBM模型从空间结构和空间网络布局分析特定区域的网络结构特征、空间关联度、地区交互性等特征；陆菊春[10]把长江经济带37个城市作为研究对象，从空间维度上分析该区域城市间绿色创新效率的演化规律；对于航空运输企业的效率评价前人的研究已经很深入，如范二强[11]、李智忠[12]、Hashem Omrani[13]、David H Good[14]等学者从航空公司的运营角度、时间范围、地区、类型等方面测算效率，但是都没有从环境产出方面考虑。随着国内外对于环境保护观念的提升，以及人们对于低碳生活的美好追求，渐渐地从环境角度入手，研究航空公司效率的学术论文不断出现。李烨[15]将航空公司的生产运营分为三部分，将二氧化碳排放量作为非期望指标研究22家航司的效率情况；张军峰[16]、李龙[17]将影响环境的二氧化碳排放量作为非期望产出指标，分析中国航空企业的环境效率变化趋势以及影响因素。

鉴于此，本文基于非期望产出超效率SBM模型对2016—2021年我国5家航空公司的绿色创新效率进行比较分析，并利用Tobit模型分析绿色创新效率的影响因素。

1  航空公司绿色创新效率分析

1.1  绿色创新效率概念的界定

绿色创新的含义较广，环境观念的创新、环境治理技术的创新、符合环保要求的绿色产品的创新、无公害生产的创新以及环境经济一体化制度的创新等都可以理解为绿色创新，但是其内涵是人与自然的和谐发展[18]，它同时也称为生态创新[19]，且具有“创新”和“环境收益”的双重属性[20]。绿色创新效率是指在一定时期内某个产业内，在综合考虑生态和资源环境要素前提下，生产和技术创新过程中各种投入要素的有效利用程度[21]，即生产要素投入与期望产出的比例，同时也是衡量研究对象某一阶段生产运营效率的有效指标。

1.2  绿色创新效率评价指标的构建与相关性分析

本文绿色创新效率评价指标由两部分组成，即投入指标、产出指标，其中产出指标又分出期望产出和非期望产出两个维度。本文遵循指标数据的可得性、系统性、科学性原则，指标含义及选取情况如下：（1）投入指标。航空运输业属于服务行业，但是它对从业者的专业技能、专业知识等方面的要求较高，需要专业的人员以及特定的运输设备。因此本文把航空公司员工人数、航空煤油消耗量、机队规模作为投入变量。（2）产出指标。分为期望产出和非期望产出，期望产出就是在生产活动过程中有利于航空公司长远发展的指标，其代表着航空公司的生产经营水平，此处选取航空运输收入、运输总周转量作为期望产出。二氧化碳排放量的产出不利于航空公司效益的增长，此处被作为非期望产出。

指标选取结果整理如表1所示。

由于不明确指标之间的关系，防止数据间关联度较小对实验结果造成的误差，因此先采用SPSS软件对数据进行相关性分析，如表2所示。

从表2可以得到，二氧化碳排放量与营业收入之间的关系系数为0.995，与运输总周转量之间的关系系数为0.991，并呈现出0.01水平的显著性，说明二氧化碳排放量与营业收入、运输总周转量之间关联度较高，明确了指标选取的必要性。

1.3  航空公司绿色创新效率碳排放测度

本文以中国国际航空公司、中国南方航空公司、中国东方航空公司、海南航空公司、吉祥航空公司为研究对象，选取了各个航司2016—2021年的运营面板数据。由于海南航空公司于2021年申请破产，但是其所占据的份额也是不容小觑，这四大航空公司几乎占据了我国航空运输业市场份额的77%。吉祥航空是我国民营航空公司的翘楚，同时也具有一定市场影响力。本文的数据全部来自各个航空公司年报、企业社会责任报告、企业年度财务报表、民航局官网等，缺失的数据采用插值法补齐。由于各个航司对于二氧化碳排放量的数据公布程度各有不同，本文参考甘甜[22]对于航空运输企业碳排放效率研究中的测度方法，计算方法如下：

CO=AD·EF                                               （1）

式中：CO表示航司的二氧化碳排放量；AD為活动水平，即航空煤油消耗量，单位为TJ；EF为排放因子，代表每一单位二氧化碳排放量的系数，单位为tCO/TJ。AD与EF的具体表达式如下：

AD=FC·NCV·10-6                                             （2）

EF=CC·OF·                                             （3）

式中：FC表示航空煤油的消耗量，单位为t；NCV为航空煤油的低位发热值，单位为kJ/kg；CC表示航空煤油的单位热值含碳量，单位为tC/TJ；OF表示航空煤油的碳氧化率，单位为%。44/12表示二氧化碳与碳的分子量之比。二氧化碳排放量计算的对应参数取值如表3所示[23-24]。

2  航空公司绿色创新效率评价模型构建

2.1  基于非期望产出的超效率SBM模型的静态效率评价模型。现有的数据包络分析方法（Data Envelopment Analysis，DEA）应用于非期望产出的评价大体上分为基于非期望产出的数据变换模型和基于规划松弛变量的优化模型两类。其中第二类称为Slack Based Measure（SBM）模型，以非期望产出的松弛变量为自变量，建立各种优化函数求解生产效率，SBM模型有着更强的實际意义和灵活性[25]。且该模型可用于处理多个投入和产出变量的效率测度问题，多应用于绿色发展效率的研究分析。

非期望产出的超效率SBM模型公式[26]如下：

minρ=                                      （4）

s.t. xλ-s≤x

yλ+s≥y

λ=1

λ， s， s， s≥0

i=1，2，…，m; r=1，2，…，s; t=1，2，…，s; j=1，2，…，n

结合文中的分析对象，式（4）中，x表示第k个DMU的第i个投入变量；y表示第k个DMU的第r个期望产出变量；y表示第k个DMU的第t个非期望产出变量；假定每个决策单元DMU为决策单元数j=1，2，…，5，每个决策单元有i个投入i=1，2，…，m， m=3， r个期望产出r=1，2，…，s， s=2， t个非期望产出t=1，2，…，s， s=1；ρ表示航空公司绿色创新效率值；s、s、s分别表示投入、期望产出和非期望产出的松弛变量；λ为权重向量；x、y和y分别表示投入指标、期望产出指标和非期望产出的数值。

2.2  基于Malmquist-Leuenberger指数模型的动态效率评价模型。传统SBM模型只能比较决策单元在同一时间点的生产效率，但航空公司的生产技术效率是动态变化的，Malmquist-Leuenberger指数模型则可以测度决策单元在不同时期效率的动态变化，在研究动态效率方面具有较广泛的应用性，可以剖析其动态的演变过程，观察在非期望产出的指标衡量状态下全要素生产率的表现情况。

依据Chung的研究及定义[27]，基于非期望产出角度考虑，在t到t+1时期的ML指数公式可表示为：

ML=·                      （5）

式中：x表示第t期的生产投入，y表示第t期的期望产出，b表示第t期的非期望产出，x，y，b; y，-b表示t期的方向距离函数，x，y，b; y，-b表示第t+1期的方向距离函数，x，y，b; y，-b表示基于MLEFFCH>1期技术的t期混合距离函数，x，y，b; y，-b表示基于t期技术的t+1期混合距离函数。

ML指数为全要素生产率，可以分解为技术效率变化指数MLEFFCH和技术进步指数MLTECH，又其三者关系可以进行如下表示：

ML=MLEFFCH·MLTECH                                       （6）

式中：当ML>1表示全要素生产率进步，ML<1表示全要素生产率退步，ML=1表示全要素生产率不变；MLEFFCH表示技术效率的变化程度， MLTECH反映相邻时期间组织管理水平的变化，MLEFFCH>1表示技术效率提高促进了全要素生产率的提升，MLEFFCH<1表示技术效率减小抑制了全要素生产率的提高，MLEFFCH=1表示技术效率不变；MLTECH反映在一段时间内技术是进步还是倒退，即为技术变化，当MLTECH>1表示技术进步，MLTECH<1表示技术退步，MLTECH=1表示技术不变。

2.3  基于Tobit模型的影响因素分析模型。本文以超效率SBM模型的评价结果作为被解释变量，选取影响航空公司绿色创新效率的相关因素为解释变量，构建Tobit回归模型，用以评价研究对象的影响因素。

由于测得的效率值为非负离散数据，由诺贝尔经济学奖获得者Tobit提出的Tobit模型能够有效地规避因为效率值被截断而导致估计出现偏差的情况[28]。其方程表达如下：

y=xβ+μ                                                 （7）

y=                                              （8）

在式（7）、式（8）中，y是被解释变量，x为解释变量，β为系数，u为随机扰动项，且服从均值为0，方差σ正态分布。

3  我国航空公司绿色创新效率实证分析

3.1  静态效率评价分析。在航空公司绿色创新效率投入-产出指标体系基础上，采用超效率SBM模型（4）进行静态分析，其中以人员x、航空煤油消耗量x、机队规模x为投入指标，营业收入y、运输总周转量y为期望产出指标，二氧化碳排放量y为非期望产出指标，测算五家航空公司2016—2021年绿色创新效率值。测得结果如表4所示。

由表4可以得到，總体来说可以分为两个阶段，第一阶段（2016—2019年）我国航空运输业的绿色创新效率值处于稳步上升状态；第二阶段（2019—2020年）效率值开始出现断崖式下滑，自2020—2021年又慢慢回升的趋势。具体来看，国航、海航在研究期内绿色创新效率值波动比较明显，效率值起伏较大；东航在2016—2019年间效率值变化平缓，效率值都大于1，处于有效状态；南航与吉祥的效率值在前三年一直以每年90%的速度稳步增长，前进势头比较大，在2020—2021年中，南航的效率值是处于在这五家航空公司中的领先地位，效率均值同样也处于领先地位。

3.2  动态效率评价分析。为进一步对我国航空公司绿色创新效率进行动态分析，利用Malmquist-Leuenberger指数模型（式（5）、式（6））计算得到我国5家航空公司2016—2021年全要素生产率，结果如表5和表6所示：

由表5中数据可得，研究期内，全要素生产率均值表现出波动性较大的特点，2016—2020年持续下降，2019—2020年的降幅达到40%，但在2020—2021年全要素生产率数值大于1，此时处于进步状态，此时的升幅高达80%。虽然2019—2020年间的技术效率是进步的但是由于该时间段内新冠疫情的爆发，航运市场低迷，经济发展滞缓等外部因素导致全要素生产率表现不佳。通过分解，可以更直观地观察到，导致2018—2019年和2019—2020年全要素生产率退步的根本原因分别是技术效率的衰退与技术层面的退步。

由表6可知，在研究时间内，没有任何航空公司的全要素生产率达到进步标准。分开来看，国航虽然重视技术的发展，使其技术发展增长3.17%，但是其技术效率却处于滞后状态，最终导致ML值小于1的无提升状态；东航与海航的技术效率与技术进步数值均不满足提升企业生产率的要求，主要是在研究时间前期企业把重心用于对机队规模的提升、内部管理体系改革，没有及时应对疫情这类突发事件的规划，导致运力资源的闲置，增加了公司的维护成本；南航和吉祥技术效率分别有10.79%和5.98%的进步，技术变化都呈现倒退（分别为5%和1%），最终使得全要素生产率都下降（分别为0.05%和3.2%）。

3.3  绿色创新效率影响因素分析。首先针对初选因素飞机日利用率、综合载运率、科研投入、市场占有率、公司性质、航司总部所在省市的人均GDP进行多重共线性检查，发现航司所在省市的人均GDP不满足共线性的要求，因此剔除该影响因素。其次由于2016—2021年的原始数值差距较大，此处对剩余关键影响因素进行量钢化处理。最后利用Tobit模型分析各因素对航空公司的绿色创新效率的影响。构建的Tobit回归模型如式（9）：

y=α+βx+βx+βx+βx+βx+μ                                     （9）

式中：y为被解释变量，即为绿色创新效率值，α为常数项，β为系数，i=1，2，…，5，x为解释变量，μ为随机扰动项。利用软件Stata17对数据进行处理，得到的Tobit模型回归结果如表7所示。

从分析结果可以得出，飞机日利用率x与绿色创新效率值呈正相关，每当飞机日利用率提高1%，绿色创新效率值提高约1.05。由搜集的数据可得知，这五家航司的飞机日利用率均值多数大于8小时，提高飞机的日利用率，不断优化使用现有资源，对于航司来说可以进一步提高企业的生产能力，降低生产成本，激发企业绿色效率值提升。

综合载运率x对于绿色创新效率的提升有正向促进作用，相关系数约为0.092，综合载运率是航空公司可以提供的综合运载能力的体现，同时也是考察航空公司运营绩效的重要考核指标。综合载运率的提升，不仅反映航司的实力，同时在绿色发展与绿色绩效提升方面也体现自身的资源消耗分摊程度。

科研投入x对于航司的绿色效率提升影响因素较小，但也呈现正向影响。主要是由于科技研发投入在航司的总投入中占比较小，且科技研发的涉及面较广，真正从碳减排角度的投入很少，民航领域的技术提升一直是限制民航效率提升的痛难点。

考虑从扩大市场占有率x和公司性质x方面对于绿色创新效率的提升具有积极作用。当市场占有率提升1%，绿色创新效率提升约0.159，航空公司作为一个营利性质的企业，具有高的市场占有率对于其营收增加、规模扩大、实力增强等方面带来的现实意义都是不可忽视的。市场占有率的提高，使得航司有能力、有机会在绿色发展方向凸显自己的能力。国航、东航、南航这类大型国有航空公司的市场占有率已经占据全部市场的三分之二，而剩余的市场比例就需要各种地方性航司，如廈门航空、四川航空、深圳航空等，与民营航司，如吉祥航空、九元航空、春秋航空等进行激烈竞争。并且市场占有率的提升也会吸引一大批的投资者入内，这无论是从整体的企业系统运转方面还是航司综合实力方面都存在优势。

4  结论与建议

本文将产出划分为期望产出与非期望产出两部分，将二氧化碳排放量这类非期望产出纳入航空公司效率的评价指标中，从绿色可持续角度入手，首先结合静态与动态两个方面进行航空公司绿色创新效率评价，其次利用Tobit模型分析关键影响因素对绿色创新效率的正向促进作用亦或是负向抑制作用。最终得出的综合性建议如下：

（1）重视科研，提升科技支撑力。科技是第一生产力，对于民航业也是同样适用，对内引进高能力的科研型人才，积极推进绿色新技术的开发与应用，明确“碳减排、碳中和”的政策方向，制定适应本企业的绿色技术路径；对外要严格落实国家的各种政策，在客运市场低迷的情况下，及时转变经营思路，提升货运量在总体的占比，降低不利因素对于企业带来的冲击。

（2）完善环境管理体系，树立可持续发展思想。在“碳达峰、碳中和”背景下，各航司应从员工、消费者、供应商等多个角度积极宣传环境保护思想，从思想高度把握，建立健全碳减排体系，加强对碳排放监管，从数据角度探寻不足与发展空间。

（3）加强合作，互利共赢。各个航空公司都是促进民航业发展的一份子，每个公司都应当从加强自身出发，发挥各自优势，相互借鉴学习，形成行业共识，始终围绕社会责任的理念，遵循国家法律法规以及行业规章制度，以现代化先进经验和技术为依托，共同促进整个行业的绿色发展。

在分析研究过程中，因数据获取难度大，只选取了部分航空公司，未来随着航空统计数据库的完善与新技术的问世，供研究的航空公司数量增加，对我国航空公司绿色创新效率的对比分析将更加深入。未来仍需加强定性定量分析与航空公司运营效率等其他方面内容的融合，丰富研究内容。

参考文献：

[1] 赵志奇，李杰，田勇，等. 航空排放对大气环境影响研究现状综述[J]. 环境科学与技术，2018，41（3）：186-192.

[2] 卢梦圆. 欧盟碳边境调节机制对民航的影响[J]. 世界环境，2021（5）：56-58.

[3] 河南省航空经济研究中心. 简析全球航空运输市场碳排放现状[EB/OL]. （2021-05-25）[2022-11-16]. http：//hkjjyjzx.zua.edu.cn/info/1067/1253.htm#：～：text=.

[4]  QIANGCUI. Investigating the airlines emission reduction through carbon trading under CNG2020 strategy via a Network Weak Disposability DEA[J]. Energy， 2019，180：763-771.

[5] 陈清，林珊珊. 中国省际绿色创新效率的评价研究——基于Super-SBM模型和ML指数[J]. 技术与创新管理，2021，42（5）：510-518.

[6] 孙秀梅，张慧，王格. 基于超效率SBM模型的区域碳排放效率研究——以山东省17个地级市为例[J]. 生态经济，2016，32（5）：68-73.

[7] 刘佳，安珂珂. 环渤海城市旅游产业绿色创新效率的空间格局[J]. 华东经济管理，2020，34（6）：27-37.

[8] 李倩彧，孙瑞红，叶欣梁. 我国邮轮旅游绿色创新效率的空间格局[J]. 中国旅游评论，2021（2）：103-115.

[9] 刘佳，宋秋月. 中国旅游产业绿色创新效率的空间网络结构与形成机制[J]. 中国人口·资源与环境，2018，28（8）：127-137.

[10] 陆菊春，王新怡. 长江经济带城市绿色创新效率的时空特征及影响因素[J]. 科技管理研究，2021，41（20）：224-232.

[11] 范二强. 基于SFA法的航空公司运营效率分析[D]. 汉中：中国民用航空飞行学院，2016.

[12] 李智忠，李程，徐婧雯. 基于DEA的航空公司运营效率评价及影响因素分析[J]. 中国市场，2022（15）：160-162.

[13]  OMRANI H， SOLTANZADEH E. Dynamic DEA models with network structure： an application for Iranian airlines[J]. Journal of Air Transport Management， 2016，57（10）：52-61.

[14]  GOOD D H， LLEL L R， SICKLES R C. Airline efficiency differences between Europe and the US： Im-plications for the pace of EC integration and domestic regulation[J]. European Journal of Operational Research， 1995，80（3）：508-518.

[15] 李烨. 航空公司效率评价的改进DEA模型及应用[D]. 大连：大连理工大学，2016.

[16] 张军峰，方虹，方思然. 环境约束下的中国航空企业环境效率研究[J]. 交通运输系统工程与信息，2017，17（3）：243-248.

[17] 李龙. 航空公司环境效率测度及其影响因素研究[D]. 天津：中国民航大学，2020.

[18] 陈华斌，王效俐. 绿色创新及其激励机制[J]. 上海管理科学，1998（6）：10-11.

[19]  SCHIEDERIG T， TIETZA F， HERSTATT C. Green innovation in technology and innovation management： An exploratory literature review[J]. R & D management， 2012，42（2）：180-192.

[20] 张钢，张小军. 绿色创新研究的几个基本问题[J]. 中国科技论坛，2013（4）：12-15，20.

[21] 易明，程晓曼. 长江经济带城市绿色创新效率时空分异及其影响因素[J]. 城市问题，2018（8）：31-39.

[22] 甘甜. 航空運输企业碳排放效率的实证研究[D]. 南京：南京航空航天大学，2019.

[23] 陈亮，郭慧婷，孙亮，等. 民用航空企业《温室气体排放核算与报告要求》国家标准解读[J]. 中国能源，2016，38（9）：45

-47，10.

[24] 程豪. 碳排放怎么算——《2006年IPCC国家温室气体清单指南》[J]. 中国统计，2014（11）：28-30.

[25] 李永立，吴冲. 考虑非期望产出弱可处置性的随机DEA模型[J]. 管理科学学报，2014，17（9）：17-28.

[26] 黄嘉瑜，焦露. “双碳”约束下黄河下游生态效率测度与时空演变分析[J]. 贵州师范大学学报（自然科学版），2023，41（2）：24-32.

[27]  CHUNG Y H， GROSSKOPF R F. Productivity and undesirable outputs： A directional distance function approach[J]. .Journal of Environmental Management， 1997，51（3）：229-240.

[28] 叶丽娜. 西北干旱生态脆弱区绿色发展水平评价及影响因素研究[D]. 宁夏：宁夏大学，2019.