黄赶祥，景崇毅，王红岩

(1.桂林航天工业学院航空旅游学院，广西桂林541004；2.中国民航飞行学院机场工程与运输管理学院，四川广汉618307)

0 引言

随着全球航空运输的快速发展，航空器消耗大量燃油排放的CO2等温室气体已成为全球气候变暖的重要源头之一，据国际民航组织(ICAO)预测，到2050年国际航空CO2排放将从目前的约7亿t增至约26亿t0①ICAO Environmental Report 2016..我国作为全球第二大航空运输系统，航空碳排放问题近来年也引起了我国政府部门的重点关注，并明确表示将实施航空碳排放权交易制度②中国国家发改委《关于切实做好全国碳排放权交易市场启动重点工作的通知》；中国民航局、国家发改委和交通运输部《中国民航发展十三五规划》..那么，碳排放约束下的我国航空公司效率和生产率将会发生何种变化？全要素生产率增长的主要驱动力是什么？影响因素有哪些？显然，正确回答上述问题对我国航空公司有效应对碳排放权交易制度，提高碳排放约束下的全要素生产率增长水平，实现行业的绿色可持续发展具有重要的现实意义.

航空公司效率和生产率的研究一直是国内外学者的研究重点，并形成了诸多研究成果.如Baltagi、Coelli、Merkert、Li、张培文等利用成本函数[1]、随机前沿模型[2]、DEA及其扩展模型[3-5]对航空公司效率进行了研究；Assaf[6]、Yang[7]等运用Malmquist指数对航空公司全要素生产率进行分析.然而，上述研究的共同缺陷在于只考虑了“好”产出，忽视了诸如CO2排放等“坏”产出的影响，从而可能会导致效率和生产率增长的测算出现偏差，产生误导政策的建议[8].基于此，Chang、Arjomandi、Chen、Cui、Li等将 CO2排放作为负产出，分别研究了航空公司的环境效率[9]、技术效率[10-11]、能源效率[12]及碳排放政策对航空公司效率的影响[13-14].Lee、Scotti、Seufert等运用ML指数[15-16]、LHM指数[17]研究了考虑CO2排放后的航空公司全要素生产率变动状况.

综上所述，近年来，随着全球航空碳排放问题的凸显，考虑CO2排放的航空公司效率和生产率的研究得到了国内外学者的重点关注，并取得了较丰富的研究成果，但如下内容仍需加强：①现有研究主要聚焦于航空公司效率分析领域，对碳排放约束下的航空公司生产率的研究成果还较为缺乏；②少数学者利用ML指数测算了碳排放约束下的航空公司全要素生产率，但该指数在形式上不满足传递性和循环性要求，测度跨期方向性距离函数时也可能会面临着线性规划无可行解的缺陷[18]，研究方法还需进一步丰富和深入；③缺乏对碳排放约束下的航空公司全要素生产率增长影响因素的分析.为此，本文将Global Malmquist Luenberger(GML)指数运用到航空公司生产率分析中，对碳排放约束下的我国航空公司全要素生产率进行测算与分解，在此基础上，基于GML指数具备可传递性和循环累加性的特征，利用面板数据模型，对其变动影响因素进行分析，为我国航空公司应对碳排放权交易制度提供借鉴和参考.

1 研究方法

1.1 生产可能性集合

将每个航空公司视为1个决策单元，假设在每一时期t(t=1,…,T)，每一个航空公司k(k=1,…,K)都使用N种投入x=(x1,…,xN),x∈R+N，生产出M种“好”产出y=(y1,…,yM),y∈R+M和1种“坏”产出b——CO2排放.运用数据包络分析法(DEA)可将当期生产可能性集合Pt(xt)和全局生产可能性集合PG(x)分别表示为

式中：Zk表示每个横截面观察值的权重，Zk≥0表示规模报酬不变③Good(1995)，Alam(2001)，Sickles(2002)，Assaf(2012)等学者研究表明航空公司具备规模报酬不变特性..

1.2 方向性距离函数

假设g=(gy,-gb)表示产出增长的方向向量，根据Färe等[19]的做法，构造产出导向的当期方向性距离函数和全局方向性距离函数为

式(3)、式(4)分别表示在既定投入xt和当期生产可能性集合Pt(xt)、全局生产可能性集合PG(x)下，产出(yt,bt)沿着方向向量g所能扩张和收缩的最大倍数β.

1.3 Global Malmquist Luenberger指数

根据Oh的研究[18]，基于全局方向性距离函数，构建GML指数为

与ML指数类似，GML指数也可分解为技术效率变化指数和技术进步变化指数两部分，即

式中：GMLECtt+1为技术效率指数，反映的是t+1时期较t时期生产决策单元对生产前沿的逼近程度；GMLTCtt+1为技术进步指数，反映2个时期间生产前沿面向上推移的程度.和GMLTCtt+1指数值大于(小于)1时，分别表示全要素生产率水平提高(降低)、技术效率提升(下降)、技术进步(倒退).

为计算得到上述3个指数值，需求解4个不同的方向性距离函数，即Dt(xt,yt,bt;gt)、Dt+1(xt+1,yt+1,bt+1;gt+1)、DG(xt,yt,bt;gt)和DG(xt+1,yt+1,bt+1;gt+1).以t时期为例，航空公司k'在Pt(xt)下的当期方向性距离函数值、在PG(x)下的全局方向性距离函数值可分别通过求解式(7)所示的2个线性规划得到.

1、学员年龄较大，文化程度较低。在我国工业化、城市化进程中，许多有学历、有文化的人离开农村，到城市定居和工作。不同于那些脱离传统农业的人，现有的农业从业人员大多数文化程度较低，学习的主观能动性不强，特别是对理论的学习兴趣不大。又因为年龄偏大，他们对知识技能的理解、接受速度较慢。单纯的灌输理论、单向的讲授知识点，授课效果未必理想。如果讲课不能引起他们的兴趣、契合他们的需求和激发他们的共鸣，那么，在上课过程中，时间一久，他们往往会坐不住、听不进，交头接耳，甚至影响课堂纪律。

2 变量选择及数据来源

2.1 变量选择

根据 Yang[7]、Chen[11]及 Seufert[17]等的研究，考虑数据的可获取性，本文选择员工人数和飞机数量作为投入指标，运输总周转量作为期望产出，CO2排放作为非期望产出，投入产出变量的描述性统计如表1所示.

表1 投入产出变量描述性统计表Table 1 Descriptive statistics of the inputs and outputs

2.2 数据来源0

本文以2009—2013年我国12个主要的国内航空公司跨期面板数据为研究样本，分别为国际航空、南方航空、东方航空、海南航空、厦门航空、山东航空、四川航空、春秋航空、吉祥航空、成都航空、奥凯航空和幸福航空，涵盖了国内大、中、小型航空公司，能很好地代表中国航空运输企业.数据来源于2010—2014年的《从统计看民航》，2009—2013年的航空公司年报和社会责任报告0①具体为国际航空、南方航空、东方航空和海南航空数据来源于公司年报和社会责任报告，厦门航空主要来源于公司社会责任报告，其他航空公司来源于《从统计看民航》..

3 实证结果分析

3.1 航空公司全要素生产率指数测算及时序变化分析

根据上述研究方法和跨期面板数据，计算考虑和不考虑CO2排放的我国航空公司全要素生产率GML指数、M指数及其分解值，如表2所示.

由表2可知，考虑CO2排放和不考虑CO2排放两种情形下的航空公司全要素生产率指数及其分解值差异显著，考虑CO2排放后各航空公司的全要素生产率、技术效率和技术进步指数整体出现了下降，年均增长率平均分别降低了80.06%、82.67%和16.67%.由此可见，忽略CO2的排放会明显高估我国航空公司全要素生产率的增长水平，碳减排成本的存在抑制了全要素生产率的增长，并不能得到真实有效的增长绩效，从而可能导致错误的政策导向，这与Lee[15]和Scotti[16]等的研究结论一致.究其原因主要在于考虑CO2排放后，投入要素除了用于促进运输总周转量的增长外，还要用于碳排放成本的减少，在总投入要素相同的情况下，考虑CO2排放后的有效产出要比不考虑CO2排放的产出更低，从而导致全要素生产率增长的下降.此外，考虑CO2排放后的我国航空公司技术效率增长值大幅下降，说明我国航空公司目前的增长方式主要还是依靠高投入、高消耗、高排放和低效率的粗放型扩张，急需向高质量、高效率、低排放的集约型增长方式转变.

表2 我国航空公司全要素生产率指数及其分解值(2009—2013年)Table 2 The TFP index and its decomposition of China airlines from 2009 to 2013

为了进一步分析考虑CO2排放后的我国航空公司全要素生产率的变动趋势及动力源泉，绘制出2009—2013年我国航空运输业的全要素生产率、技术效率和技术进步变化指数的累积性时序变化折线图，如图1所示.

从图1可以看出，考虑CO2排放后的我国航空运输业的累积全要素生产率呈缓慢下降趋势，且主要受技术效率变化的驱动，5年间全要素生产率的累积增长率为2.62%，技术效率的累计增长率为2.25%，贡献率为85.88%，而技术进步变化累积值变动平稳，研究期间的累积增长率仅为0.48%，对全要素生产率增长的贡献微弱，表明我国航空公司应更加重视对先进信息管理技术的开发应用，科学动态的优化更新机队结构，注重生产技术前沿面的扩张.

图1 累积GML、GMLEC、GMLTC指数变化趋势Fig.1 The cumulative trend changes of GML,GMLEC and GMLTC index

3.2 航空公司全要素生产率变化差异影响因素分析

为进一步探究碳排放约束下各航空公司全要素生产率变动的差异性来源，本文以上述12家航空公司2009—2013年的累积GML指数为被解释变量，利用面板数据模型，对碳排放约束下的我国航空公司全要素生产率变动的影响因素进行分析.

参照Merkert[3]、Scotti[16]等的研究，结合数据的可获取性，本文确定解释变量如下：

(1)平均航段距离，反映航空公司的航线网络结构，航段距离的增加有利于飞机燃油效率的提升，从而可能对全要素生产率变动产生影响①Merkert等研究表明平均航距对燃油效率具有积极效应，但对技术效率存在消极影响，总体上对航空公司效率无显著影响；Scotti等的研究指出平均航距对航空公司生产率存在消极影响..

(2)总飞行班次，与平均航段距离和机型大小相关，即运输总周转量产出一定的情况下，高飞行班次意味着较低的平均航段距离或较小座级的机型，进而可能影响全要素生产率的变动[16].

(3)飞机日利用率，飞机数量作为关键的要素投入指标，其利用率的高低直接影响着全要素生产率的增长.

(4)吨公里油耗量，衡量燃油效率的关键指标，CO2排放主要来源于燃油的消耗，因此燃油效率对碳排放约束下的全要素生产率变动具有直接影响.

(5)是否民营，反映航空公司的资本属性，可能会对全要素生产率的增长产生影响.

3.2.2 面板回归及结果分析

根据上述分析，构建面板数据模型为式中：GMLit为航空公司i第t年的累积全要素生产率指数；distit、flightit、utilizationit、fuelit分别表示航空公司i第t年的平均航段距离累积变化、总飞行班次累积变化、飞机日利用率累积变化及吨公里油耗累积变化0②与累积GML指数保持同步，以2009年为基期，累积变化值为当期值与2009年的比值.；privateit为0-1虚拟变量，1表示民营航空，0表示国有航空.

利用Eviews6.0软件，对式(8)进行面板回归分析，Hausman检验结果表明应接受原假设，即选择随机效应模型，具体结果如表3所示.

表3 面板回归结果Table 3 The result of panel regression

根据表3中解释变量系数估计值的正负和显著性水平，可知：①吨公里油耗水平与碳排放约束下的全要素生产率增长呈显著负相关，可见提高燃油效率能有效促进碳排放约束下的全要素生产率的增长；②总飞行班次对全要素生产率的增长具有较显著的微弱负相关关系，说明飞机频繁的起降会对全要素生产率的增长产生消极影响；③飞机日利用率与全要素生产率的增长呈正相关关系，显然提高飞机日利用率能一定程度上促进全要素生产率的增长；④平均航段距离和民营航空属性对全要素生产率的变动并无显著影响.

4 结论

针对传统ML指数在测度全要素生产率时不具有传递性特征且面临潜在线性规划无解的缺陷，本文将GML指数运用到航空公司全要素生产率分析领域，分析研究了碳排放约束下的我国12家主要航空公司2009—2013年的全要素生产率增长状况及其影响因素.结果表明：碳排放约束下的我国航空公司全要素生产率增长明显下降，忽略CO2排放会夸大我国航空公司生产率的实际增长绩效，可能导致错误的政策导向；我国航空公司全要素生产率增长的动力主要来源于技术效率改善，技术进步变化贡献微弱，表明我国航空公司在改善技术效率的同时还应注重生产技术前沿面的扩张；碳排放约束条件下，提高燃油效率是促进全要素生产率增长最显著和有效的手段，航空碳减排背景下我国航空公司应更加注重绿色机队的管理及节油技术的应用；此外，提高飞机利用率也能促进全要素生产率的增长，但平均航距对我国航空公司全要素生产率的增长并无显著影响，反而飞行班次的增加会对全要素生产率的增长产生消极影响.