碳达峰目标下中国民航CO2与NOx减排协同效益分析

韩博，邓志强，于敬磊，石依琳，于剑

（1.中国民航大学，a.交通科学与工程学院，b.中国民航环境与可持续发展研究中心，c.空中交通管理学院，天津 300300；2.中国民航科学技术研究院，北京 100028）

0 引言

近年来，全球温室气体浓度升高造成生态系统失衡。为控制温室气体排放，《巴黎协定》的既定目标是将全球平均气温升幅控制在低于工业化前水平2°C，并努力控制在1.5°C之内。2020年联合国环境署《排放差距报告》显示，尽管因新冠疫情期间经济放缓，导致温室气体排放量下降，但本世纪全球气温仍将上升3°C 以上，远超《巴黎协定》目标，各国对净零排放的承诺仍需不断增加。2020年9月，习近平总书记在联合国大会上宣布，将采取进一步措施减少温室气体的排放，并提出2030 碳达峰和2060年碳中和愿景。

交通运输是化石能源消耗及温室气体排放的重点领域，民航运输作为交通运输体系重要组成部分，对国家达成双碳目标意义重大。根据国际清洁交通委员会的数据显示，2018年全球商业航空运输CO2排放量总计为9.18 亿t，占全球CO2排放量的2.4%，相比前5年增加了32%[1]。尽管2020年受COVID-19影响，全球民航业受到巨大冲击，碳排放量有所下降，但长期仍然是增长趋势。随着国内疫情逐步得到控制，经济能源活动复苏明显，疫情过后的民航业碳排放量将恢复增长趋势。同时，由于交通行业减排，铁路电气化及电动汽车推广等政策的影响下，其他交通运输领域的减排力效应逐渐显现，导致民航碳排放量在整个交通业占比随之升高。民航“十四五规划”中指出民航绿色发展已进入爬坡过坎的关键阶段，需坚持以实现碳达峰和碳中和为引领，从各方面统筹推进行业绿色发展，加快形成绿色低碳循环发展格局。

民航运输过程中CO2与NOx等大气污染物排放具有同源性。中国作为民航业碳排放量排名前5位的国家，为制定合理的减排路径，必须依靠更加科学的碳排放预测模型。目前，民航能源-环境-经济模型研究建模思路大致分为自顶向下，自底向上以及混合这3 种。自顶向下模型主要侧重从宏观经济角度预估民航碳排放量，例如，LIU 等[2]和TAN B.S.等[3]将航空业作为动态系统建模，以系统动力学方法评估该行业CO2总排放量；OLSTHOORN[4]运用宏观计量经济模型统计分析航空燃油销量、原油销售价格和国内生产总值（GDP）等的关系，得到未来国际航空碳排放量，该类模型容易低估技术发展带来的影响。自底向上模型侧重从工程技术角度分析预测未来能源需求，例如，胡荣等[5]以3种情景预测厦门机场航空器碳排放达峰可能性、峰值与影响因素；YANG等[6]用自回归综合移动平均线性模型对上海市航空运输燃料消耗和途中CO2排放量进行短期预测；VERGEL 等[7]基于公路、海运和空运模式的基线交通能源需求估算框架，测算菲律宾交通能源需求，此类模型在宏观经济对能源需求发展影响的考虑有待加强。混合模型则综合集成自顶向下的宏观经济模型和自底向上的能源供应与需求模型两者的建模特点，全面考虑能源、环境及经济等问题。

目前，对于大气污染物与碳排放的减排协同效益分析，主要针对工业、电力行业与道路交通等行业，民航领域缺少对此类问题的研究。牛彤[8]和于跃[9]通过构建优化模型完成了对工业和电力行业大气污染物及CO2协同减排研究；道路交通方面，ALIMUJIANG等[10]和JIAO等[11]分别以上海和广州为例，分析不同减排措施下交通运输部门CO2与大气污染物排放的协同效益。HANAOKA 等[12]在2°C 温控目标下，探讨亚洲温室气体、大气污染和短寿命气候污染物的协同减排路径；DHAR等[13]分析了印度在可持续低碳运输情景下，2010—2050年细颗粒物和CO2减排的协同效益。

本文构建了一套符合民航特征的综合预测模型，对整个系统进行建模和仿真，具有较好的准确度。宏观经济上自顶向下测算未来民航飞机年增量，自底向上设置技术进步等情景综合估算未来中国民航CO2和NOx排放量，目标在中国碳达峰和碳中和的战略下，探究民航业实施不同减排路径CO2和NOx排放情况，利用协同控制坐标系和协同减排弹性系数方法评价CO2与大气污染物NOx排放的协同效益，为实现减污降碳和协同增效提供决策依据。

1 模型方法与情景设置

1.1 机型分类

飞机CO2和大气污染物NOx排放量与机型燃油经济性密不可分，而不同机型的燃油经济性各不相同，参考波音、空客及中国民航统计年鉴机型分类与参数，将中国民航现有机型分为大型飞机、中型飞机及小型飞机，分类情况如表1所示。

表1 机型分类表Table 1 Type classification table

1.2 模型构建

本文模型构建在宏观经济层面上和工程技术角度上均进行了考量，透明直观呈现复杂的能源分析，具有灵活多变的特点。主要内容如下：

（1）从宏观经济层面出发，运用灰色关联分析得出影响飞机年增量的关键因素变量。

（2）利用经济合作与发展组织对关键因素变量长期基线预测和结合历史数据通过BP神经网络预测得到未来飞机年增量，考虑飞机退役和新动力飞机进入市场推测未来各机型年保有量。

（3）以2018年为基准年，根据民航机型不同进行划分，利用国际民航组织（ICAO）和政府间气候变化专门委员会（IPCC）等数据计算分析不同发展情景下2019—2050年中国民航业CO2与大气污染物NOx排放情况。

（4）探究不同减排路径下CO2与大气污染物NOx排放的协同效益。

模型流程如图1所示。

图1 模型流程Fig.1 Model flow chart

1.3 飞机排放量预测方法

1.3.1 飞机年增量关键因素识别方法

飞机年增量关键因素识别方法采用灰色关联度分析法，该方法可分析两个系统不同因素之间的关联程度，若不同因素之间随时间或某对象变化趋势相近或相同，代表两者关联程度高；反之，关联程度较低。关联度γ及关联系数η（k）为

式中：为参考序列；x（0）（k）为比较序列；ρ为分辨系数，ρ∈（0,1），常取0.5；η（k）为和x（0）（k）在第k个变量的关联系数；γ为和x（0）（k）的关联度；n为指标变量的个数。

1.3.2 飞机年增量预测方法

飞机年增量预测采用BP 神经网络方法，该方法是一种按误差逆传播算法训练的多层前馈网络，通过样本数据的训练，不断修正网络权值和阈值，使误差函数沿负梯度方向下降，逼近期望输出。本文采用的神经网络模型是3×6×1 的结构，模型由3个输入层，6 个隐含层和1 个输出层组成，其中，x为输入值，y为预测值，预测时随机将采样数据的70%作为训练集，30%作为测试集。目标基本参数设置：训练次数为10000，训练目标为0.01，学习概率为0.01，隐含层和输出层节点传递函数分别选择Tansig purelin 函数，训练函数选择Traingdx 函数。BP神经网络如图2所示。

图2 BP神经网络结构模型Fig.2 Diagram of BP neural network structure model

1.3.3 CO2和NOx排放量计算方法

本文采用基于热值的排放因子法计算CO2与NOx排放量，碳排量和污染物排放量为

式中：Eu,j为u年j类大气污染物排放量（t）；Ci,u为i类机型u年能源消耗产生的总热值（TJ）；φi,j为i类机型j类大气污染物排放因子（t·（TJ）-1），基于IPCC排放因子数据库，传统航空煤油CO2排放因子取值为71.5 t·（TJ）-1，NOx排放因子取值为0.25 t·（TJ）-1，参 考 ICAO 《2019 Environmental Report》与SUNDARARAJ 等[14]的研究，设可持续航空燃油CO2的排放因子为14.3 t·（TJ）-1，NOx的排放因子为0.39 t·（TJ）-1；θu为新冠疫情排放影响系数，即u年排放量受疫情影响程度，无疫情影响的年份取值为1，综合当前疫情状况，假定疫情影响期为2020—2024年，其中，2020年疫情影响修正系数θ2020为

式中：T2020和T2019分别为2020年和2019年民航运输总周转量实际值；P2020为2020年假定未发生疫情的民航运输总周转量预测值；R2020为2020年飞机保有量增长率；基于2020年和2021年《中国统计年鉴》数据计算θ2020为0.60；参考国际航空运输协会对亚太地区未来航空业乘客人数恢复水平的预测，设2022—2024年疫情影响系数分别为0.68，0.84，0.97，并假定2020—2022年排放影响系数为线性变化趋势，获得θ2021为0.64，其余年份疫情影响系数都为1。

航空燃料能源热值C和库存周转率计算式为

式中：Fi,u为燃油经济性，即i类机型u年单位飞行距离产生的热值（TJ·km-1），数据来源于波音和空客等飞机制造商公布的参数；Si,u为i类机型u年的飞机保有量（架）；Mi,u为i类机型u年平均飞行里程数（km）；v为i类机型首次进入市场的年份，Ni,m为i类机型进入市场后第m年新增飞机数量（架），数据来源于《中国民航统计年鉴》，m取值为0～（u-v）；εi,m为i类机型进入市场后第m年的在役比例，设22年后比例为0，其余时间为1。由于式（3）中新冠疫情排放影响系数θu，是考虑疫情对飞机新增量等多种参数影响效应的综合修正，因此，不再对计算过程中的单一参数进行修正。

1.4 CO2与NOx协同减排分析方法

1.4.1 协同控制坐标系

协同控制坐标系可直观反映不同情景下减排效果和协同状态，本文以纵坐标表示CO2减排量，横坐标表示大气污染物NOx减排量。在第一象限的控制点表明，该发展情景可以同时减少大气污染物NOx和CO2排放，在第二象限的控制点表明，该发展情景可以减少CO2排放，但会增加大气污染物NOx的排放。坐标系中某点与起始点连接形成的夹角β可以反映减排程度，第一象限内的点，NOx减排量不变时，角度越大，CO2减排效果越好；角度相同，控制点越远，CO2与NOx协同减排效果越好。

1.4.2 弹性系数法

碳减排与大气污染物NOx减排的协同程度利用协同减排弹性系数δ计算，如果δ＜0，说明NOx与CO2之间无减排协同效益，只有1 种气体排放量减少；反之，具有减排协同效益，即会同时减少CO2和NOx排放量。0 ＜δ＜1，表明NOx减排程度大于CO2减排程度；δ=1，表明NOx减排程度与CO2减排程度相同；δ＞1，表明CO2减排程度大于NOx减排程度。

式中：δ为NOx与CO2协同减排弹性系数；ΔECO2为采取某发展情景后CO2的减排量（t）；ECO2为采取某发展情景前CO2排放量（t）；ΔENOx为采取某发展情景后NOx的减排量（t）；ENOx为采取某发展情景前NOx排放量（t）。

1.5 情景设置

本文设置基准情景、技术改进、能源优化及机队更新这4类共计5种单情景，以及2种综合情景，情景设置相关参数依据《民航行业发展统计公报》《中国电力行业年度发展报告2020》，ICAO 发布的《2019 Environmental Report》，Air Transport Action Group 发布的《waypoint2050》，以分析不同发展情景下未来民航CO2和NOx排放情况。

（1）基准情景（BAS）。基准情景设计为保持当前发展趋势不变。保持固定的飞机燃油经济性和飞行里程数，通过历史数据推算未来机队变化，无可持续航空燃油进入。

（2）技术改进情景（TEC）。技术改进情景针对航空发动机燃油效率提高的影响而设计。目前，国际民航组织（ICAO）将燃油效率每年提高2%作为理想目标，但根据其年度报告指出此目标不太可能实现，短期来看，技术上的带来的效率提高是适度的，中期或许会有较大的提升。考虑中国民航技术的更新快慢，在BAS 情景基础上将燃油效率年提高1.5%和1%分别设置为TEC1和TEC2两种情景。

（3）能源优化情景（ENE）。应用可持续航空燃料（SAF）可带来巨大碳减排潜力，根据国际能源署（IEA）发布的可持续发展方案预测，到2030年SAF将达到航空燃料需求的10%，2040年占比将接近20%[15]。ICAO 希望SAF 在2050年尽可能实现覆盖，中国目前在SAF 研究中有一定进展，但未有重大突破。中国2025年之前SAF 很难开展商业应用，ENE 情景在BAS 情景基础上认为SAF 占比在2035 为5%，2045年为15%，2050年达50%。研究表明，应用SAF 是降低碳排放的有效方法，同时，生物混合燃料的燃烧温度较高，会造成NOx排放增加[14]。

（4）机队更新情景（FLE）。此情景在BAS 情景基础上针对引进新动力飞机加入机队的影响而设计。新动力飞机是民航业发展趋势之一，国际民航组织及航空公司的报告显示，最早在2030—2035年左右，新动力飞机才开始加入市场，并逐渐取代机队中短程飞机，2035—2050年新长途飞机将进入市场。情境中设定新动力飞机在2035年开始进入市场，2050年在年增量的占比达30%。同时，假定新动力飞机全部为电动飞机，消耗电能产生的CO2和NOx排放量参考火电排放量获得。

（5）综合情景（CS）。此情景在BAS情景基础上考虑燃油效率提升，SAF和新动力飞机进入市场带来的影响而设计，分别设置CS1 和CS2 两种情景。CS1设定燃油效率每年提高1%，SAF由2025年进入市场，2035年占比5%，2045年占比为15%，2050年占比达50%，新动力飞机在2035年开始进入市场，2050年在年增量占比中达到30%。CS2设定SAF由2025年进入市场，2035年占比20%，2045年占比40%，2050年占比达50%，其他条件与CS1相同。

模拟中考虑新飞机进入市场和各类型飞机已使用年限及飞机退役等情况，且由于条件限制，本文在未来飞机飞行里程数上以2018年各机型的年均飞行里程数作为参数保持不变，该数值由2018年各机型飞行总公里数除以各机型飞机年保有量获得，数据来源于《中国民航统计年鉴2019》，设飞机服役年限为22年，情景具体参数设置如表2所示。

表2 各情景参数设置Table 2 Set parameters in each scenario（%）

2 结果与讨论

2.1 飞机年增量关键影响因素

使用来源于《中国统计年鉴》和经济合作与发展组织经济展望2003—2018年的历史数据，基于灰色关联度分析方法，识别GDP、人口、劳动效率及潜在产出等因素对飞机年增量的影响，其中，劳动效率指投入单位劳动力所能产出的价值，潜在产出指一个经济体在恒定通货膨胀率下可以产生的产出水平，两者单位均为元。飞机年增量在灰色关联度分析中作为参考序列，结果如图3所示。

由图3可知，GDP、劳动效率和潜在产出这3项影响因素随时间变化趋势与飞机年增量的趋势相近，说明对象之间的关联程度较高；人口因素随时间变化趋势与飞机年增量有较大差异，关联程度较低。根据式（1）和式（2）计算获得GDP、人口、劳动效率及潜在产出的关联度γ分别为0.7961，0.5644，0.7623，0.8602。γ≥0.8 时，可视为两个变量之间高度相关；0.8 ＞γ≥0.6，视为显著相关。关联度越高说明关联性越强[16]，故选取影响飞机年增量相关度较大的因素变量，即GDP、劳动效率和潜在产出。

图3 灰色关联分析Fig.3 Gray correlation analysis diagram

2.2 未来飞机年增量预测

在识别飞机年增量的关键因素变量为GDP、劳动效率和潜在产出基础上，利用经济合作与发展组织对关键因素变量长期基线预测[17]，结合飞机年增量2003—2018年历史数据，建立神经网络，预测2019—2050年各种机型飞机的年增量。所有采样数据的网络预测和历史数据对比结果如表3 所示。可知，2003—2018年大型、中型及小型飞机年增量实际值和预测值均方误差分别为7.125，56.813和12.687，回归系数分别为0.987，0.983和0.985，表明BP 神经网络训练测试结果较好，预测具有较好的准确性和稳定性。

表3 飞机年增量预测结果分析Table 3 Analysis of aircraft annual increment prediction results

按表1 中机型划分，2019—2050年大型、中型及小型飞机年增量如图4所示。

图4 大型飞机与中、小型飞机年增量预测Fig.4 Annual increment forecast for large aircraft,medium and small aircraft

由图4 预测结果可知，3 类机型飞机年增量未来均继续呈现增长发展趋势，飞机年增量在2038年之前大型飞机增速最快，2019—2037年大型飞机年增量平均增速5%，但2038年大型飞机年增量为166架，小于中型飞机年增量340架；2038—2050年中型飞机年增量绝对量大于大型飞机与小型飞机，小型飞机期间平均增速2%大于大型飞机与中型飞机；2050年大型飞机年增量达到188 架，中型飞机年增量达384 架，小型飞机的年增量达32 架。此外，新冠疫情对飞机年增量产生影响。本文考虑新冠疫情对我国民航的影响，是通过对排放量最终计算结果直接修正，并未对计算中的单一参数进行修正。因此，图4 中，疫情影响年份飞机年增量预测值可能会高于实际值。

2.3 单情景下民航CO2与NOx排放预测

未来单情景下中国民航CO2与NOx排放量如图5所示。

图5 单情景下民航CO2和大气污染物NOx排放量Fig.5 CO2 and NOx emissions from civil aviation under single scenario

基准年（2018年）民航CO2排放量估算为1.04×108t。在2019年短暂增长后，随着2020年COVID-19疫情的影响，碳排放量下降至7.54×107t。此后，不同情景随时间呈现不同的发展趋势，其中，基准情景始终保持最大的CO2排放，2030年和2050年的碳排放量分别达到2.3×108t 和3.81×108t，是基准年的2.2倍和3.7倍，表明民航的快速发展势必造成环境的巨大负荷。技术进步带来的发动机燃油效率的提高，是减缓CO2排放的主要措施。相比基准情景，技术进步情景下燃油效率年提高1.5%时，在2030年和2050年可减少CO2排放分别为6.6%和28.5%；燃油效率年提高1%时，在2030年和2050年可减少CO2排放分别为4.5%和20%。由于技术进步是持续不断的缓慢过程，且技术进步对于碳排放量影响是有限的，依然无法使未来民航碳排放量在2050年之前到达峰值，因此，并不能作为未来碳减排的主要手段。能源优化情景下，民航碳排放量在2045年出现峰值，约为3.18×108t，且到2050年排放量下降至2.28×108t，相比基准情景低40%，表明SAF 的发展是民航业实现碳减排的主要路径之一。机队更新情景下，民航碳排放量在2050年排放量为3.44×108t，此时，排放量增幅已低于基准和技术改进情景，表明具有一定碳减排潜力。

除能源优化情景外，其他单情景下大气污染物NOx与CO2排放趋势相近。基准年（2018年）NOx排放量为3.79×105t，基准情景下2050年排放量达1.39×106t，较基准年增长近3.7 倍。燃油效率提高1.5%和1%的两种技术进步情景下，在2039年排放增幅逐渐减小，2050年NOx排放量分别为9.93×105t和1.11×106t，相比基准情景分别低28.5%和20%。电力单位千瓦时排放NOx较少，使得机队更新情景下NOx排放量在2049年达峰，约为1.23×106t。能源优化情景下，NOx排放量持续增长，在2045年SAF 占比提高后，NOx排放增幅随之升高，在2050年排放量达1.77×106t。表明SAF相对于传统燃料而言，会使民航业产生更多NOx。

2.4 综合情景下民航CO2与NOx排放预测

两种综合情景下的CO2与NOx排放预测结果，如图6所示。

图6 综合情景下民航CO2和大气污染物NOx排放量Fig.6 CO2 and NOx emissions from civil aviation under comprehensive scenario

由图6可知，在疫情影响的2020年均存在短暂下降，而后不断升高。比较显著的区别在于，CO2排放在持续增长10余年后出现峰值，而NOx的排放量则保持持续增长。图6（a）中，2020年CO2排放量只有7.52×107t，综合情景1下CO2排放峰值出现在2040年，此时，最大年排放量为2.65×108t，是2018基准年的2.6倍。此后，CO2排放量呈现降低趋势，2050年排放量为1.49×108t，是2018 基准年的1.4倍，较2040年峰值下降43.8%。综合情景2 对SAF的推广应用较为乐观，因此，CO2排放峰值在2037年出现，早于综合情景1，此时，最大排放量为2.47×108t，是2018基准年的2.4倍，低于综合情景1同期及峰值排放量。此后，CO2排放量持续下降，2050年CO2排放量为1.49×108t。图6（b）中，两种综合情景下的NOx排放量持续趋势仅有较小差异，在综合情景2使用更高比例的SAF后，导致2025—2044年NOx的排放增长率高于综合情景1同期水平。2050年NOx排放量达到最大值，约为1.25×106t，是2018基准年排放量的3.3倍。表明加快SAF的应用虽然可以使CO2排放达峰时间提前，但对NOx排放的影响需要引起注意。

2.5 CO2与NOx减排协同效益分析

以2050年各情景下民航CO2与NOx减排量，使用协同控制坐标系方法与弹性系数法评估减排协同效益，结果如图7和表4所示。

图7 CO2与NOx协同控制坐标系Fig.7 Coordinate system for collaborative control of CO2and NOx emissions

表4 民航CO2与NOx协同减排弹性系数Table 4 Elastic coefficient of CO2 and NOx synergistic emission reduction in civil aviation

其中，因两种综合情景2050年减排量相同，此处以综合情景1纳入分析。结果明显可见，协同控制坐标系中仅有能源优化情景点在第二象限，该情景的协同减排弹性系数为-1.46，表明无减排协同效益，即该情景下可以有效降低CO2的排放，但同时将促使NOx排放量升高。其他情景点都位于第一象限，协同减排弹性系数均为正值，表明这些情景下可同时减少CO2和NOx的排放，具有减排协同效益。两种技术改进情景协同减排弹性系数均为1，表明燃油经济性提升能够减少燃油消耗，对CO2与NOx减排效果一致，协同效应最好。且TEC1 象限点比TEC2 象限点远于坐标原点，说明燃油效率提升越大，CO2与NOx减排量都将更高。机队更新情景中，因新动力飞机进入市场晚，占比过小，CO2减排量低于其他情景，此时，协同减排弹性系数为0.81，表明该情景下NOx减排效果大于对CO2的减排效果，协同程度不一致。综合情景点在第一象限形成的夹角β值最大，协同减排弹性系数为6.11远大于1，说明发动机燃油效率的提高和未来新动力飞机的进入会消除SAF造成NOx排放增加的影响，但该情景下，CO2减排效果远大于对NOx的减排效果，协同效果并不理想。

单一情景中能源优化情景并不具备减排协同效益，机队更新情景与技术改进情景具有减排协同效益，两者对NOx减排明显，但对CO2减排量不大；综合情景能够大幅度减少CO2排放量，但对NOx的减排效果并不显著。因此，未来我国民航要实现CO2与NOx协同减排治理，单一的控制措施效果不佳，应在综合情景基础上进行调整，适当引进SAF，加快对民航技术改进和新动力飞机的应用，应是强化民航CO2与NOx协同减排的最佳选择。

3 结论

（1）民航排放综合评估模型的构建，从宏观经济角度和工程技术角度对未来民航碳排放量进行透明直观的能源分析，提升了预测的科学性，解决以往对机队预测的主观判断，探讨了不同发展情景下民航CO2与NOx发展趋势和减排协同效益。

（2）民航飞机年增量与GDP、潜在产出及劳动效率的发展关连密切，关联度分别为0.7961，0.8602，0.7623。未来民航飞机年增量呈持续性增长趋势，各机型飞机年增量增速有所不同，2050年大型、中型及小型飞机年增量分别达到188，384，32架。

（3）基准情景下，未来民航CO2与NOx排放量在2050分别为3.81×108t和1.39×106t，每年提高1.5%与1%，燃油效率可使民航CO2排放量与NOx排放量在2050年减少约28.5%和20%，新动力飞机的引进对民航CO2与NOx减排同时起促进作用，可使NOx排放量于2049年达峰，约为1.23×106t，SAF的应用可使民航CO2排放量于2045年出现峰值，约为3.18×108t，但会促进民航NOx排放。

（4）2018年民航CO2排放量估算为1.04×108t，综合情景1和综合情景2会使民航碳排放量分别在2040与2037年达峰，排放量分别为基准年的2.6倍与2.4倍，综合情景下，燃油效率提升与新动力飞机进入市场可消除SAF 使民航NOx排放量增加的影响。

（5）单一控制措施对民航实现CO2与NOx协同减排治理效果不佳，多措施的综合考虑是民航协同减排发展方向，因此，短期内，提高飞机燃油经济性，发展碳排放与大气污染物协同减排技术；中期民航业进行绿色、低碳及高质量转型，加快推进可持续航空燃油和生物燃料的研发，尽早应用于市场，减少传统燃油使用；长期基于绿色理念发展氢燃料电池飞机实现零碳飞行路径，促进民航业碳中和。