機場航空器碳排放時空特征與驅動因素研究

洪浩強 胡 榮 黃夢圓 張軍峰

(南京航空航天大學民航學院 南京 211106)

航空器著陸起飛(landing and takeoff，LTO)階段指在大氣混合高度層以下的所有運行階段，在此期間排放的CO2直接對機場及其周邊區域的生產生活產生影響.對LTO階段的航空器碳排放開展研究，能夠評估機場及其附屬區域航空器碳排放的時空特征，明確機場航空器碳排放演化的驅動因素.

針對航空器碳排放時空特征分析，主要研究方法包括赫希曼指數、泰爾指數、環境庫茨涅茲曲線、脫鉤指數和碳排放時序變化與空間差異的數值分析等.朱佳琳等[1]采用赫希曼指數和泰爾指數分析了江蘇省機場碳排放的壟斷特征，并采用環境庫茨涅茲曲線對碳排放強度與換算旅客吞吐量進行擬合.郭鵬程[2]對2000—2018年中國民航客運碳排放量與碳排放強度的時序變化與空間差異進行數值分析.驅動因素分解方面，采用的方法主要有面板數據回歸分析、生產分解分析(production decomposition analysis，PDA)方法和對數平均狄氏指數(logarithmic mean divisia index，LMDI)因素分解方法等.姚石興[3]采用面板數據回歸的方法對2000—2011年中國8家大型航空公司的碳排放進行驅動因素分解.劉笑[4]以2007—2013年中國12家航空公司為樣本采用PDA方法進行碳排放驅動因素分解.徐晨等[5]采用LMDI因素分解法對2006-2015江蘇省民用機場碳排放進行驅動因素分解.

現有文獻大多將碳排放的時空演化特征割裂開來，開展時間序列或空間格局特征分析，而進行時空耦合的演化特征分析較少.局部空間關聯指數(local indicators of spatial association, LISA)時間路徑能夠豐富這方面的內容[6].現有研究的驅動因素分解主要從民航運輸業或航空公司視角出發，而從機場視角開展的驅動因素分解研究較少，特別是結合航班運行特點的更少.文中采用LISA時間路徑分析方法，聚焦于LTO階段的航空器碳排放，以機場為研究的地理單元，對機場群內多機場航空器碳排放的時空動態特征開展分析，從機場運行視角選取驅動因素，采用LMDI因素分解方法進行驅動因素分解定量分析，基于分析結果給出碳減排措施建議.

1 研究方法與數據來源

1.1 時間路徑分析

LISA時間路徑具體特征為：確定第t年機場i的LISA坐標為(xi,t,yi,t)，該機場客運航空器碳排放量標準化值為xi,t，其空間滯后量為yi,t；將每個機場的LISA坐標逐年連接，分別形成每個機場的LISA時間路徑.

LISA時間路徑通過移動方向、相對長度和彎曲度指標刻畫機場航空器碳排放局部空間結構特征.①移動方向指示研究期第一年LISA坐標指向最后一年LISA坐標的矢量方向.②相對長度指的是機場LISA時間路徑長度與機場群內所有機場時間路徑長度均值之比.③彎曲度指的是機場時間路徑長度與LISA坐標從研究期第1年到最后1年的直線距離之比.相對長度Li和彎曲度Bi的計算方法為

(1)

(2)

式中：LISAi,t為第t年機場i的LISA坐標；LISAi,t+1為第t+1年機場i的LISA坐標；d(LISAi,t,LISAi,t+1)為第t年到第t+1年機場i的LISA坐標移動的距離；n為研究期內機場個數；T為研究期總年數；Li為機場i研究期內時間路徑相對長度；Bi為機場i研究期內時間路徑彎曲度.

空間滯后量的計算依托于空間權重矩陣的設定[7]，通常認為距離越近的機場影響越大、腹地重疊的機場互為鄰域(設地面交通90 min可達為機場腹地[8])，基于上述原則設定基于可達性和機場腹地范圍的空間權重矩陣W為

(3)

式中：Td為從某機場到另一個機場的地面交通通行時間.

具體的指標劃分及其含義見表1.

表1 指標劃分及其含義

1.2 驅動因素分解

結合現有研究成果與機場運行實際，認為航空器在LTO階段的碳排放驅動因素包括機場通達性(AA)、航線利用率(AU)、客均座位數(AS)、能源強度(ENI)和碳排放系數(EMI)，建立驅動因素分解模型并進行LMDI分解[9]為

(4)

令

(5)

第t年有

(6)

第t+1年有

(7)

可得

(8)

式中：

(9)

1.3 數據來源

1) OAG數據庫 可以獲取航空器型號及其對應運行頻次、各機場的通航機場數、航空器提供的座位數.

2) ICAO發動機數據庫 可以獲取各型號發動機在標準LTO循環下的燃油消耗量.

3) 地圖軟件 可以獲取研究機場的經緯度坐標.

4) 民航局年度機場統計公報 可以獲取研究機場的旅客吞吐量數據.

5) 中國科學院資源環境科學與數據中心網站(www.resdc.cn) 可以獲取所需的地圖圖層數據.

2 實例分析

選擇長三角機場群為研究對象，研究期限為2007—2016年，為形成前后對照，分為2007—2011年和2012—2016年兩個研究期.

長三角機場群的機場有：上海浦東(三字碼：PVG)、上海虹橋(SHA)、合肥新橋(HFE)、安慶(AQG)、池州九華山(JUH)、阜陽(FUG)、黃山屯溪(TXN)、義烏(YIW)、臺州黃巖路橋(HYN)、寧波櫟社(NGB)、杭州蕭山(HGH)、溫州龍灣(WNZ)、舟山普陀山(HSN)、衢州(JUZ)、南京祿口(NKG)、無錫碩放(WUX)、常州奔牛(CZX)、揚州泰州(YTY)、南通興東(NTG)、淮安漣水(HIA)、鹽城南洋(YNZ)、徐州觀音(XUZ)、連云港白塔埠(LYG)，具體分布情況見圖1.

圖1 長三角機場群分布圖

2.1 LISA時間路徑的移動方向

將研究期內長三角機場群23個機場LISA時間路徑移動方向可視化，結果見圖2.

圖2 時間路徑移動方向

由圖2可知：

1) 機場自身碳排放由中部相對增長特征演化為東部相對增長特征.具體表現為2007—2011年自身呈相對增長態勢的機場集中于中南部區域，而在2012—2016年，這些機場集中于東部區域，呈現出明顯的東西分化特征.

2) 周邊碳排放相對降低的機場由南北兩端區域轉移到中西部區域.具體表現為2007—2011年周邊機場呈相對降低態勢的機場主要集中于南北兩端，而在2012—2016年，這些機場集中于中西部區域.

3) 呈相對增長態勢的機場數量有所增加.具體表現為自身呈相對增長態勢的機場由8個增加為14個,自身呈相對降低態勢的機場由13個減少為9個，周邊呈相對增長態勢的機場保持14個不變.

具體到機場，HFE、SHA由自身相對增長態勢演化為相對降低態勢，對于HEF而言，造成這種態勢變化的原因是總體碳排放增量的上升而自身碳排放增量沒有明顯變化；對于SHA而言，主要原因是自身的碳排放增量發生明顯下滑，結合SHA與PVG兩者碳排放增量來看，這種碳排放增量的下滑可能是PVG的分流作用導致的.

2.2 LISA時間路徑的相對長度

將研究期內長三角機場群23個機場LISA時間路徑相對長度可視化，結果見圖3.

圖3 時間路徑相對長度

由圖3可知：

1) 低相對長度的機場分布較為穩定.具體表現為2007—2011年呈現低相對長度機場中有85.7%在2012—2016年繼續維持低相對長度.

2) 中相對長度的機場明顯減少.具體表現為2007—2011年呈現中相對長度機場中有55.6%在2012—2016年發生相對長度類型變化，在發生相對長度類型變化的機場中，80%演化為高相對長度，20%演化為低相對長度.

3) 高相對長度的機場機場數量顯著上升.具體表現為2007—2011年高相對長度機場占比僅為23.8%，而在2012—2016年這個數據提高到43.5%，而這些機場大多是由中相對長度機場演變而來的.

具體到機場，YIW、NGB和HSN的時間路徑演化為高相對長度特征，而三個機場自身的碳排放增量未發生明顯變化，但是三者共同的周邊機場HGH的碳排放增量明顯提高，這意味著這三個機場向高相對長度演化是HGH的碳排放增量升高主導的；此外，東北部的XUZ、LYG、YNZ和西南部的TXN、JUZ在兩個時段內均呈現出低相對長度特征，這意味著這兩個區域的碳排放局部空間結構相對穩定，局部空間結構動態性低于長三角機場群的總體水平，且短期內沒有發生改變.

2.3 LISA時間路徑的彎曲度

將研究期內長三角機場群23個機場LISA時間路徑彎曲度可視化，結果見圖4.

圖4 時間路徑彎曲度

由圖4可知：

1) 低彎曲度機場占比大，明顯高于高彎曲度機場.具體表現為2007—2011年低彎曲度機場占比為47.6%，而在2012—2016年這個值提高到56.5%；對于高彎曲度機場而言，這兩個比例分別為14.3%和13.0%.

2) 彎曲度分布比例變化不明顯，但躍遷比例高.對兩個時期內的彎曲度進行對比發現兩個時期內彎曲度類型發生躍遷的機場共有14個，其中新增機場2個，均為低彎曲度，彎曲度類型向上躍遷的機場5個，彎曲度類型向下躍遷的機場7個.

具體到機場，YIW、NTG、PVG和HGH時間路徑演化為低彎曲度特征，但上述四個機場呈現低彎曲度的原因卻有所差異，其中YIW和NTG是周邊機場高增量主導的低彎曲度特征，而PVG和HGH則是自身高增量主導的低彎曲度特征.由此推斷，當鄰近機場體量差距懸殊時，兩者通常會呈現出低彎曲度特性，體量較大的機場通常呈現出自身高增量主導的低彎曲度特征，而體量較小的機場則會呈現出周邊機場高增量主導的低彎曲度特征.2007—2011年為PVG發展初期，PVG與SHA的碳排放差異并不顯著，此時PVG呈現中彎曲度特征，但隨著時間推移PVG的碳排放增量已顯著高于SHA，此時PVG呈現自身高增量主導的低彎曲度特征.

以上分析了長三角機場群整體以及典型機場的客運航空器碳排放演化特征，為深入探究上述演化特征的形成機理，接下來將對碳排放的驅動因素進行分析.

2.4 碳排放的驅動因素及其效應

采用LMDI因素分解法對長三角機場群23個機場進行驅動因素分解，結果見圖5.

圖5 碳排放變化量

由圖5可知：

1) 與2007—2011年相比，2012—2016年長三角機場群客運航空器碳排放增量總體上有所增長，但在增量的增長幅度上呈現出較大差距，包括PVG、HGH以及江蘇省多個機場在內的碳排放增量上漲導致了中部增長模式向東部增長的模式的演化；根據長三角機場群機場分布情況可以發現，東部機場數量遠高于西部區域，這種東部集中增長的特征則間接導致了相對增長態勢機場數量的增長.

2) 大多數2007—2011年呈現低增量特征的機場在2012—2016年仍保持低增量特征，因此低增量機場聚集的區域形成了碳排放局部空間結構動態性低于總體水平的機場分布較為穩定的特征；而高增量特征機場呈現增量上漲的情況，促進了碳排放局部空間結構動態性接近總體水平的機場明顯減少、碳排放局部空間結構動態性高于總體水平的機場機場數量顯著上升的特征.

3) 在2007—2011年碳排放增量較大的幾個機場中，機場通達性、航線利用率因素對碳排放的增長能起到相似的驅動效應，甚至在部分機場，航線利用率因素的促進效應高于機場通達性因素；而在2012—2016年，機場通達性因素占據了主導地位，尤其是在PVG、NGB、HGH、WNZ和WUX等機場，與之產生的促進效應相比，客均座位數和能源強度因素所起到抑制效應十分有限.

2.5 政策建議

1) 協同發展，合理分流 長三角機場群客運航空器碳排放局部空間結構動態性強，且其動態性處于上升態勢.其中，上海市動態性最強，應細化區域內機場分工，通過調整航線結構、提供跨市候機樓等方式，推進周邊機場為上海市機場分流，一方面可以防止因機場擁堵出現能源損耗[10-11]，另一方面也可以減輕上海市機場客運航空器碳排放壓力，同時促進周邊中小機場及區域樞紐機場發展，實現區域機場均衡發展，共同分擔碳排放成本.

2) 精細管理，合理統籌 驅動因素分解過程中發現，許多機場呈現通達性主導-航線利用率主導-通達性主導的碳排放增長方式[12-13].由此推斷，在航線利用率達到峰值之前，可能會出現航線利用率增長爆發的時期，因此，在這一時期出現前，及時做好機隊規劃，鼓勵盡可能采用能源強度更低的航空器執飛通往熱門機場的航線，在滿足更大業務需求的同時可以一定程度上抑制機場客運航空器碳排放的增長.

3) 技術創新，能源先行 通過驅動因素分解可以發現，隨著管理策略的實施，可以通過客均座位數、能源強度因素實現少量的碳減排，但在由于通達性和航線利用率增長導致的碳排放增長面前顯得十分有限，因此為有效控制機場客運航空器碳排放，可以以低碳能源為突破方向，以期實現高效可觀的碳減排[14-15].

3 結 論

1) 局部空間結構動態性低于總體水平的機場分布較為穩定，接近總體水平的機場明顯減少，高于總體水平的機場數量顯著上升.

2) 演化過程曲折程度低于總體水平的機場占比大，大于高于總體水平的機場；演化過程曲折程度分布比例變化不明顯，但類型躍遷比例高.

3) 機場通達性和航線利用率因素促進碳排放增長，而在不同機場、不同時期起主導作用的因素不同.

4) 客均座位數和能源強度因素抑制碳排放增長，但抑制作用有限，未來可從低碳能源開發的角度推動碳減排.