碳排放约束和技术异质下中国航空公司运输效率研究

巩彦峰，范换利，刘 丹

(福州大学 经济与管理学院，福建 福州 350116)

近年来，我国民航运输业一直保持着高速发展的态势。“十二五”期间，民航运输总周转量、旅客运输量与货邮运输量分别实现了9.6%、10.4%和2.3%的年均增长，民航旅客周转量在综合交通运输体系中的比重达到22.8%。伴随着民航运输需求的日益增长，民航运输业的碳排放量也在不断攀升，航空碳排放约束议题逐渐成为社会关注的焦点。2016年国际民航组织第39届大会通过了全球性行业减排市场机制，我国在《民航节能减排“ 十三五”规划》中提出行业CO2排放五年平均比“十二五”下降4%以上。此外，国内各航空公司作为我国民航运输业的核心主体，由于其业务经营范围不同，在运营技术方面会存在较大的异质性。因此，笔者在综合考虑运营技术异质性和碳排放约束的基础上，分析中国航空公司运输效率，以期为中国航空公司提升运输效率，实现绿色发展提供对策建议。

由于数据包络分析(data envelopment analysis，DEA)不需要价格信息，无需人为设定投入产出指标的权重和具体的生产函数形式，整个评价过程不易受到人为因素的干扰[1]，故国内外众多学者使用该方法，从不同视角对航空公司效率进行了研究。于剑[2]运用DEA-Malmquist指数方法对中国主要航空公司的全要素生产率进行分析。赵宇哲等[3]基于利益相关者理论，运用SBM模型对2012年国内外15家航空公司的企业社会责任效率进行测评。耿宏等[4]基于2011年我国7家航空公司的数据，使用DEA方法对各航空公司的碳减排效率展开研究。WANG等[5]利用DEA和回归分析方法探讨美国30家航空公司效率与公司治理之间的关系。GRAMANI[6]基于1997—2006年巴西和美国共34家航空公司的面板数据，测算其生产效率和财务效率。TAVASSOLI等[7]采用改进的DEA模型，分析2007—2011年伊朗7家航空公司的效率。上述文献主要从传统的角度考察航空公司的效率，忽视了航空运输产生的CO2会对航空公司效率产生间接影响这一问题。

一些学者尝试将CO2排放作为非期望产出纳入到效率分析框架中，对航空公司效率进行实证研究。研究内容主要集中在航空公司能源效率方面[8-10]和环境效率方面[11-12]。但这些研究均忽略了不同航空公司运营技术水平的异质性问题。王玲等[13]将中国16家航空公司划分为“三大航空集团”、“地方航空公司”、“民营航空公司”3个不同的群组进行效率分析，但忽视了民航运输业的碳排放约束问题，且仅停留在效率评价层面，对航空公司无效率的根源探讨不足。

基于上述研究，笔者试图基于DEA方法从以下两个方面对现有文献进行拓展：①同时考虑碳排放约束与不同航空公司运营技术异质性问题，对中国24家航空公司的运输效率进行评价；②在效率评价的基础上，进一步揭示航空公司运输无效率的根源，将运输无效率分解为技术差距无效率和管理无效率，为效率改进的实施路径提供理论依据。

1 方法与模型

1.1 SBM-Undesirable模型

DEA是一种非参数的效率评价方法，其核心思想是用数学规划来解决具有多投入、多产出决策单元的相对效率问题，自CHARNES等[14]于1978年提出该方法以来，相关理论模型不断得到发展和丰富[15]。由于传统DEA模型未能充分考虑投入产出的松弛性问题，并在处理非期望产出的问题上存在一定缺陷，因而不能反映被评价对象的真实效率水平。基于此，TONE[16]提出包含非期望产出的SBM-Undesirable模型，并将投入产出松弛变量引入目标函数，这样既解决了投入产出的松弛性和径向、角度选择造成效率值偏差的问题，又可有效处理非期望产出问题。因此，笔者基于可变规模报酬下的SBM-Undesirable模型，测算我国24家航空公司的运输效率。

(1)

1.2 共同前沿(Meta-frontier)模型

针对DMU普遍存在的运营技术异质性问题，BATTESE等[17]提出共同前沿生产函数的分析框架，即根据特定标准将所有DMU划分成不同群组，利用随机前沿法构建出所有DMU的共同前沿及各群组DMU的群组前沿，在此基础上测算DMU的共同技术效率(meta-frontier technology efficiency，MTE)与群组技术效率(group-frontier technology efficiency，GTE)，并将二者的比值设为共同技术比率(meta-technology ratio，MTR)。O′DONNELL等[18]将这种思想应用于DEA效率评价中，构建出所有DMU的共同前沿和群组前沿。

1.2.1 共同前沿与群组前沿

设X，Yg，Yb分别为投入、期望产出和非期望产出向量，则涵盖所有投入、期望产出与非期望产出的共同技术集合为：

Tmeta={(X,Yg,Yb):X≥0,Yg≥0,Yb≥0}

(2)

其中，X可生产出(Yg,Yb)。共同技术效率的共同距离函数为：

Dmeta(X,Yg,Yb)=

(3)

(4)

其中，群组k中X可生产出(Yg,Yb)。群组技术效率的群组距离函数为：

(5)

1.2.2 共同技术比率及运输无效率分解

共同技术比率(MTR)可定量刻画各DMU在群组前沿与共同前沿下运营技术的差异程度，MTR值越高，表明技术异质性越小，该DMU在群组前沿下与共同前沿下的效率差距越小，反之亦然。MTR可表示为：

(6)

MTR虽可衡量各DMU的技术异质性，但无法剖析基于共同前沿运输无效率(meta-frontier inefficiency，MI)的根源。因此，笔者借鉴CHIU等[19]的思路，将MI进一步分解为技术差距无效率(technology gap inefficiency，TGI)和管理无效率(group-frontier management inefficiency，GMI)，以探求制约各DMU效率提升的因素，为效率提升的实施路径提供理论依据。

MI=TGI+GMI=1-MTE

(7)

TGI=GTE(1-MTR)=GTE-MTE

(8)

GMI=1-GTE

(9)

2 指标选择与数据说明

2.1 投入、产出指标选择

根据已有的研究，笔者选取机队规模、飞行班次和每生产飞行小时燃油量作为投入指标。机队规模为各航空公司每年参与运营的飞机数量(包括自有和租赁的)，可反映航空公司的资本投入。飞行班次指一定时期内航班从始发站到终点站的飞行次数，可反映航材及人员投入状况。每生产飞行小时燃油量是指航空煤油年总消耗量与班机年总生产飞行时间的比值，是航空公司的能源投入。选取运输总周转量作为期望产出指标，CO2排放量作为非期望产出指标。运输总周转量是运输距离和运输量的乘积，包含旅客、行李、邮件和货物的周转量。CO2排放量根据政府间气候变化专门委员会(IPCC)公布的《IPCC国家温室气体清单指南》折算得到。

2.2 群组划分与数据来源

笔者选取2010—2015年中国24家航空公司相关数据进行效率分析。观察期内，24家航空公司的运输总周转量平均占中国民航客货运输市场总周转量的81.35%，可代表中国民航业。依据业务经营范围的差异，将航空公司划分为国际组和国内组两个群组，国际组指同时经营国际、国内航空客货运输业务的航空公司，国内组指仅经营国内航空客货运输业务的航空公司。观察期内，虽然春秋航空、吉祥航空、天津航空也经营国内至周边国家的客货运业务，但业务量很少，因此将其纳入国内组。各投入、产出指标的原始数据均来源于历年《从统计看民航》《中国交通年鉴》《IPCC国家温室气体清单指南》，各指标的描述性统计如表1所示。

3 实证结果和分析

3.1 共同技术效率、群组技术效率分析

不同前沿下航空公司运输效率平均值如图1所示,可以看出共同前沿下2010—2015年中国24家航空公司的运输效率均值为0.764，存在23.6%的效率改善空间。相比之下，若仅以群组前沿为参照基准，航空公司运输效率均值可达0.839，有16.1%的改进空间，明显优于共同前沿下的运输效率。以国际组的山东航空为例，发现其在共同前沿下和群组前沿下的运输效率均值分别为0.571和1.000，两者之间差异较大。这是因为群组前沿下是以群组内各航空公司的潜在最优运营技术为参照基准，共同前沿下则是以所有航空公司的潜在最优运营技术作为参照基准，由此造成两种前沿下航空公司运输效率的差异。笔者使用Wilcoxon秩和检验，进一步评估样本期内各航空公司两种前沿下的运输效率差异，结果表明，z值为-3.621，p值为0.000，说明在1%的显著性水平下，两种前沿下的运输效率存在显著差异。

从具体航空公司来看，有5家航空公司的MTE和GTE平均值均为1，运输效率最佳。表明这5家航空公司不仅是所在群组的领先者，也代表着整个行业的优秀运营水平。若仅以群组前沿作为评估的基准，则有8家航空公司有效(GTE平均值为1)，且所有航空公司的GTE平均值均大于或等于MTE平均值，这也说明不同航空公司和群组之间存在运营技术异质性。在共同前沿下山东航空、首都航空、长安航空均是无效率的，而考虑航空公司的运营技术异质性，在群组前沿下测度航空公司的运输效率时，上述3家航空公司均在各自群组中达到有效状态，这也进一步说明依据运营技术异质性分组考察航空公司运输效率的必要性。共同前沿下，四川航空和华夏航空的运输效率处于无效率状态，且效率均值均低于样本总体均值，这与文献[13]的研究结果有所差异。这是因为，笔者将CO2排放量作为非期望产出纳入到效率评价体系中，导致这两家航空公司运输无效率，进一步说明若忽略碳排放约束问题，则会使这两家航空公司的效率值虚高，这一点也可从CO2排放量的松弛变量中得到验证。

表1 投入、产出指标描述性统计

图1 不同前沿下中国24家航空公司运输效率平均值(2010—2015年)

国际组中，中国国航、南方航空和海南航空运输效率表现最好。这3家航空公司的MTE与GTE平均值均为1，表明3家航空公司处在效率前沿，运输水平相对最优。而东方航空表现较差，MTE和GTE平均值均较低。通过测算东方航空投入、产出变量的冗余程度，发现2010—2015年间东方航空每年的飞行班次、机队规模和每生产飞行小时燃油量平均可降程度分别为31.02%、30.82%和18.64%；每年CO2排放量可降空间为27.71%，说明存在明显的投入冗余和非期望产出过量现象。

国内组中，幸福航空、春秋航空的运输效率表现最佳，在两种前沿下均表现优异。这两家航空公司定位于低成本航空公司，通过资源的合理配置和优化管理，实现了远超过行业平均水平的“高客座率”和“高飞机利用率”。此外，公司严格控制非必要机载重量减少油耗，也相对降低了非期望产出CO2的排放量。同组内天津航空表现相对最差，其MTE和GTE平均值均为最低。分析投入、产出变量的冗余程度，发现2010—2015年间天津航空每年的飞行班次、机队规模和每生产飞行小时燃油量平均可降空间分别为68.62%、74.65%和19.40%；每年CO2排放量冗余程度为44.63%。目前天津航空处于快速发展阶段，由于不断加密航线，单位投入获得的产出较低，属于高投入、低产出、高污染的典型模式。

3.2 共同技术比率分析

各航空公司共同技术比率平均值，可定量刻画不同航空公司共同前沿技术和群组前沿技术之间的异质性程度，测算结果如图2所示。国际组与国内组航空公司的MTR存在显著差异，其群组MTR平均值分别为0.813和0.979，表明两者的实际技术水平分别能达到潜在共同前沿技术水平的81.30%和97.90%。

图2 中国24家航空公司共同技术比率平均值(2010—2015年)

国际组内，中国国航、南方航空和海南航空的MTR平均值为1，表明在两种前沿下运输效率不存在差异，而山东航空、首都航空和上海航空的MTR平均值较小，说明这3家航空公司在两种前沿下的运输效率差距较大。国内组航空公司的MTR平均值普遍较高，有14家航空公司的MTR平均值大于0.900，这些航空公司在群组前沿下的运输效率更接近于共同前沿下的运输效率，而天津航空的MTR平均值较小，表明两个前沿面之间的技术异质性较大。

3.3 运输无效率及其分解

各航空公司的运输无效率均值及其分解情况，如表2所示。

国际组中，东方航空的运输无效率主要来源于管理无效率，其GMI均值为0.357，占比89.03%。将东方航空与群组内管理效率最优的航空公司进行比较，发现其要素资源投入、CO2排放量相对过多，因此优化资源配置，加大CO2减排力度，可降低其管理无效率。国际组内的首都航空、山东航空、上海航空较为相似，技术上的差距是其运输无效率的主因(TGI占比≥90.49%)，因此应着力提升技术水平，缩小与运输效率最好的5家航空公司的差距，实现技术潜力。

表2 中国24家航空公司的运输无效率均值及其分解(2010—2015年)

国内组中，除新华航空、长安航空外，其他11家航空公司的运输无效率主要是管理方面的不足造成的(GMI占比>90%)。这11家航空公司需进一步优化管理，提升要素资源配置水平。长安航空的运输无效率全部源于技术差距无效率，其未来效率的提升主要依靠技术水平的提高。

对四川航空、深圳航空、新华航空来讲，技术差距无效率和管理无效率同时制约着其运输效率的提升。这3家航空公司需从缩小外部技术差距和提高内部管理水平两方面同时入手，以提升运输效率。

3.4 运输效率提升对策

从整体上来看，中国国航、南方航空、海南航空、幸福航空和春秋航空是行业内的效率标杆企业，其他航空公司应以这5家航空公司为标杆，着力提升自身运输效率。具体来看，依据航空公司运输无效率的分析，航空公司可从“技术”和“管理”两个维度，根据自身运营情况，有针对性地采取措施，提升运输效率。

(1)合理布局航线网络，缩小技术差距。同时经营国际、国内航空客货运输业务的航空公司要建设均衡互补的航线网络，合理衔接国际、国内航班。仅经营国内航空客货运输业务的航空公司可采用主运营基地模式，集中优势资源，在现有机队规模的基础上最大效能地提高飞机利用率和客座率，减少飞机单位营运时间内的固定成本分摊。

(2)科学配置要素资源，挖掘管理潜力。像东方航空 “国际型”航空公司，在总部进行资源、政策、业务标准统一管控的基础上，还需发挥各分公司、子公司在市场营销和服务创新上的主体作用，共同发挥公司的要素资源规模优势。对于仅经营国内航空客货运输业务的航空公司，可通过灵活调配航班时间、精确测算航油搭载、实时安排进出港机位等标准化系统管理措施，实现要素资源高效配置。

(3)精细管理航空机队，落实节油减排。航空公司可适当引进更为环保的新机型，有序淘汰油耗高、性能差的老旧机型，实现机队结构年轻化；通过加装翼尖小翼，研发和使用新一代发动机水洗设备等措施，降低燃油消耗，减少CO2排放；加强协调国内外空管局，利用空域调整、扩容增效政策制定最优化的航路航线，有效节省航油消耗，降低碳排放。

4 结论

考虑到碳排放约束和不同航空公司之间的运营技术异质性问题，笔者将SBM-Undesirable模型与Meta-frontier模型有效结合，在共同前沿和群组前沿下分析2010—2015年中国24家航空公司的运输效率。同时根据共同技术比率进一步研究两种前沿下各航空公司的技术异质性，并对各航空公司的运输无效率进行分解，得到以下结论：①以不同的运营技术水平作为参照基准会导致航空公司运输效率的差异，航空公司在群组前沿下的运输效率优于共同前沿下的运输效率。②共同技术比率存在显著的群组差异，国内组航空公司的共同技术比率平均值普遍较高，其群组前沿下与共同前沿下的运输效率水平更接近。③管理无效率与技术差距无效率是制约航空公司运输效率提升的两大因素。国际组航空公司运输无效率主要来自技术差距无效率，而国内组航空公司运输无效率主要来自管理无效率，但不同航空公司的情况有所差别。因此，航空公司应从管理和技术两个维度，依据自身情况采取针对性的措施，提升运输效率，践行绿色发展。

参考文献：

[1] 韩剑尘,夏涛.多维视角下我国物流企业生产效率异质性研究[J].华东经济管理,2016,30(3):97-101.

[2] 于剑.基于Malmquist指数的我国航空公司业全要素生产率分析[J].北京理工大学学报(社会科学版)，2007,9(6):43-46.

[3] 赵宇哲,张秀秀.基于SBM-DEA的航空公司企业社会责任效率分析[J].软科学,2014,28(10):65-69.

[4] 耿宏,贾海娟,陈静杰.基于DEA的航空公司碳减排效率评价方法[J].环境工程,2014,32(6):144-147.

[5] WANG W K, LU W M, TSAI C J. The relationship between airline performance and corporate governance amongst US listed companies[J]. Journal of Air Transport Management, 2011,17(2):148-152.

[6] GRAMANI M C N. Efficiency decomposition approach: a cross-country airline analysis[J]. Expert Systems with Applications, 2012,39(5):5815-5819.

[7] TAVASSOLI M, BADIZADEH T, SAEN R F. Performance assessment of airlines using range-adjusted measure, strong complementary slackness condition, and discriminant analysis[J]. Journal of Air Transport Management, 2016,54(7):42-46.

[8] CUI Q, LI Y. Airline energy efficiency measures considering carbon abatement: a new strategic framework[J]. Transportation Research Part D Transport & Environment, 2016,49(6):246-258.

[9] XU X, CUI Q. Evaluating airline energy efficiency: an integrated approach with network epsilon-based measure and network slacks-based measure[J]. Energy, 2017,122(5):274-286.

[10] ZHANG J, FANG H, WANG H, et al. Energy efficiency of airlines and its influencing factors: a comparison between China and the United States[J]. Resources Conservation & Recycling, 2017,125(5):1-8.

[11] CHANG Y T, PARK H S, JEONG J B, et al. Evaluating economic and environmental efficiency of global airlines: a SBM-DEA approach[J]. Transportation Research Part D Transport & Environment, 2014,27(2):46-50.

[12] 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.

[13] 王玲,王赟.中国航空公司共同效率、组群效率与技术落差：基于Meta-Frontier和SBM-DEA的分析[J].北京理工大学学报(社会科学版),2013,15(6):39-45.

[14] CHARNES A, COOPER W W, RHODES E. Measuring the efficiency of decision making units[J]. European Journal of Operational Research, 1978,2(6):429-444.

[15] 刘丹,潘晓,巩彦峰,等.基于多时期网络DEA的港口企业运营效率评价[J].武汉理工大学学报(信息与管理工程版),2017,39(5):587-592.

[16] TONE K. Dealing with undesirable outputs in DEA: a slacks-based measure (SBM)approach[R]. Toronto: GRIPS Research Report Series, 2004.

[17] BATTESE G E, RAO D S P. Technology gap, efficiency, and a stochastic metafrontier function[J]. International Journal of Business and Economics, 2002,1(2):87-93.

[18] O′DONNELL C J, RAO D S P, BATTESE G E. Metafrontier frameworks for the study of firm-level efficiencies and technology ratios[J]. Empirical Economics, 2008,34(2):231-255.

[19] CHIU C R, LIOU J L, WU P I, et al. Decomposition of the environmental inefficiency of the meta-frontier with undesirable output[J]. Energy Economics, 2012,34(5):1392-1399.