北京航空航天大学学报

Journal of Beijing University of Aeronautics and Astronautics

ISSN 1001-5965,CN 11-2625/V

《北京航空航天大学学报》网络首发论文

题目： 中国民用航空器碳减排潜力的区域划分
作者： 曾雯，胡荣，宋文，刘志昊，张军峰
DOI： 10.13700/j.bh.1001-5965.2021.0647
收稿日期： 2021-10-29
网络首发日期： 2022-02-11
引用格式： 曾雯，胡荣，宋文，刘志昊，张军峰．中国民用航空器碳减排潜力的区域划
分[J/OL]．北京航空航天大学学报.
https://doi.org/10.13700/j.bh.1001-5965.2021.0647

网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定；学术研究成果具有创新性、科学性和先进性，符合编
辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、
出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，
只可基于编辑规范进行少量文字的修改。
出版确认：纸质期刊编辑部通过与《中国学术期刊（光盘版）》电子杂志社有限公司签约，在《中国
学术期刊（网络版）》出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊（网络版）》是国家新闻出
版广电总局批准的网络连续型出版物（ISSN 2096-4188，CN 11-6037/Z），所以签约期刊的网络版上网络首
发论文视为正式出版。
 北京航空航天大学学报

中国民用航空器碳减排潜力的区域划分 1

曾雯，胡荣，宋文，刘志昊，张军峰
（南京航空航天大学 民航学院, 南京 211106）
*通信作者 胡荣 E-mail： hoorong@nuaa.edu.cn

摘要 对全国进行科学的区域划分，是研究具有区域差异性与空间相关性的航空器碳排放问题并提出差异化减排措施
的重要基础。基于 2007—2016 年我国 31 个省(区、市)民用航空器运行数据，在构建碳减排潜力分类模型的基础上，
通过 Kruskal 算法得到省域网络关系最小生成树；然后采用谱聚类算法，以“最大化区划优度”为目标，划分航空器碳
减排潜力的不同区域。结果表明：最优区域划分为四分区，区划优度为 0.35；航空器碳减排潜力高的区域主要分布于
我国西南和中南地区，潜力低的区域主要分布于东北和华北地区；针对各区域减排特征，从民航局、机场和航空公司
等不同主体提出了差异化的区域减排措施。
关键词 民用航空器；碳减排潜力；区域划分；最小生成树；谱聚类
中图分类号 U8 文献标识码：A DOI: 10.13700/j.bh.1001-5965.2021.0647

Regional Classification of China's Civil Aircraft CO2 Emission Reduction

Potential
ZENG Wen, HU Rong, SONG Wen, LIU Zhihao, ZHANG Junfeng

（College of Civil Aviation, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, Ch ina）
*E-mail: hoorong@nuaa.edu.cn

Abstract Scientific regional classification of China is significantly basic to investigate aircraft CO 2 emissions with spatial
differences and spatial aggregation, and to suggest differentiated CO 2 emission reduction measures. Using aircraft operation
data from China’s 31 provinces (autonomous regions and municipalities) over a ten -year time span (2007–2016), this paper
firstly establishes model of CO 2 emission reduction potential, additionally we employ the Kruskal algorithm to obtain the
minimum spanning tree(MST) of the provincial network relationship, and then the spectral clustering algorithm is used to
divide the aircraft CO 2 emission reduction potential area with the goal of "maximizing the regional classificatio n superiority
（H）". Our analysis shows that the optimal region is divided into four regions with a H of 0.35; The region with the highest
CO2 emission reduction potential is mainly in Southwest and Central South China, and the lowest potential region is ma inly in
the Northeast and North China; According to the characteristics of regional emission reduction, regional differentiated CO 2
emission reduction measures are proposed from different subjects such as civil aviation administration, airport and airline s.
Key words Civil aircraft; CO2 emission reduction potential; Regional classification; MST; Spectral clustering

二氧化碳（CO2）的过量排放是造成全球气候变暖问题的主要原因。2018 年，交通运输部门排放
了全球 24.64%的 CO2[1]，是能源需求和 CO2 排放的主要贡献者。航空运输一方面具有高碳排放强度的
特点，约为私家车的两倍或高铁的四倍 [1, 2] ；另一方面，又具有远距离运输、空间跨度大的特点，所
涉省市的地理位置、社会经济水平等具有不同特点，这就造成了航空器碳排放分布的区域差异性与空
间相关性并存的现象 [1,3] 。因此，为制定富有针对性的区域减排目标与措施，势必需要开展兼顾碳排
放区域差异性与空间相关性的区域划分研究。
当前涉及碳排放区域划分的研究，大致可分为两大类：1）直接使用国家相关规划中的区域划分

收稿日期：2021-10-29
基金项目：国家自然科学基金（U1933117，U2033203）
Fund： National Natural Science Foundation of China (U1933117，U2033203);
网络首发时间： 2022-02-11 11:14:26 网络首发地址： https://kns.cnki.net/kcms/detail/11.2625.V.20220210.1710.001.html
2 北京航空航天大学学报

结果。例如：东-中-西部、六大行政区域和八大经济区域等区域划分。不少学者选择其中一种划分结
果对碳排放的区域差异性、空间演化特征和收敛性等开展研究 [4-6] 。但以上区域划分未充分考虑区域
间的碳排放差异，制约了研究成果的针对性。2）基于碳排放相关指标，采用定性或定量方法进行区
域划分。常见的指标有年均碳排放量、碳排放密度、碳排放强度、能源强度、能耗综合指标、人均
GDP 等；常用的方法包括：依据指标水平定性划分、主成分分析、聚类方法等 [7-12]。但上述研究主要
以截面数据为主，侧重依据指标水平开展区域划分，忽视了地理空间的邻接关系。
航空器碳排放是民航碳排放的最主要来源，诸多学者从碳排放量测算、时空演化特征、驱动因素
等角度开展了卓有成效的研究，尚未见有关民航碳减排潜力及其区域划分的研究。尽管其他领域的碳
排放区域划分成果丰富，但考虑到航空器碳排放的空间相关性特征，现有区域划分方法与结果无法直
接嫁接采用，需做进一步改进。
基于此，首先采用省域航空器碳排放强度与换算旅客吞吐量指标，构建区域航空器碳减排潜力分
类模型；然后，通过 Kruskal 算法得到省域网络关系最小生成树；最后，采用谱聚类算法，以“最大
化区划优度”为目标，开展我国民用航空器碳减排潜力的区域划分，并开展区域减排特征及措施讨
论。

1 区域划分的优化目标
区域划分的目的是使每个子区域内部的差异尽可能小，子区域间的差异尽可能大。据此，兼顾区
域内与区域间异质度设置优化目标。
1.1 区域内异质度
区域内异质度用以衡量某子区域内部的差异性水平。其取值越小，表明该子区域内差异越小。可
由式（1）求得：
S T J
 ( X (i, j ,s,t ) − X (i,s,t ) )2
s =1 t =1 j =1
Hi = (1)
J
式 中 ： H i 为 子 区 域 i 的 区 域 内 异 质 度 ； X ( i , j , s ,t ) 为 子 区 域 i 内 省 域 j 的 第 s 维 指 标 第 t 年 的 值 ；
X (i , s ,t ) 为子区域 i 内所有省域的第 s 维指标第 t 年的均值； I 为子区域数量； J 为子区域 i 涵盖省域的数
量； S 为指标维数； T 为时间跨度（ i = 1, 2,..., I ; j = 1, 2,..., J ; s = 1, 2,..., S; t = 1, 2,..., T ）。
1.2 区域间异质度
区域间异质度用以衡量某子区域与其他子区域间的差异性水平。其取值越大，表明该子区域与其
他子区域间的差异越大。可由式（2）-（3）得到：
I
 X ( i , s ,t )
i
X ( s ,t ) = (2)
I
S T J
 ( X (i, j ,s,t ) − X ( s,t ) )2
s =1 t =1 j =1
Hi = (3)
J
式中： Hi 为子区域 i 与其他子区域间异质度； X ( s,t ) 为整个区域第 s 维指标第 t 年的均值。
1.3 区划优度
综合考虑区域内与区域间异质度信息，以“子区域内异质度尽可能小、子区域间异质度尽可能
大”为区域划分的优化目标，采用式（4）进行计算并将其命名为“区划优度”。易知，区化优度取
值越大，则区域划分结果越合理。
曾雯等 中国民用航空器碳减排潜力的区域划分 3

 (H i − Hi )
H= i
(4)
I
式中： H 为区划优度。

2 区域划分的方法步骤
2.1 构建航空器碳减排潜力分类模型
2.1.1 航空器碳排放量测算模型
航空器运行过程可划分为两个阶段：起飞着陆（landing and take-off, LTO）阶段与爬升巡航下降
（climb cruise and descent, CCD）阶段。
针对 LTO 阶段，ICAO 基于大量地面试验与机场实践的数据基础上，构建了 ICAO 航空器碳排放
测算模型。该模型 LTO 阶段包含了进近、滑行、起飞和爬升四个运行阶段；针对 CCD 阶段，考虑到
该过程中推力水平不是标准化的且巡航时长占整个阶段比重很大，在核算大量航班 CCD 阶段的碳排
放量时，可简化为核算巡航阶段的碳排放量 [13]；基于此，航空器碳排放量核算共涵盖五个运行阶段的
碳排放量，计算公式如（5）所示：
5
E = （n  tq  f q  I ） (5)
q =1

式中: E 为某航班碳排放量（kg）； q 为航空器运行阶段（进近、滑行、起飞、爬升和巡航）； n

为航空器发动机数（个）； tq 为航空器在第 q 个运行阶段的运行时间（s）； f q 为航空器在第 q 个运行
阶段的单发燃油流量（kg/s）； I 为 CO2 排放指数（kg/kg）。
将省域 j 第 t 年内所有机场全部类型航空器 LTO 阶段 CO2 排放量与按省域分配的 CCD 阶段 CO2
排放量加总 [13]，即可得到省域 j 第 t 年航空器 CO2 排放总量 E jt 。
2.1.2 航空器碳排放强度测算模型
将某省域内航空器碳排放强度定义为实现单位换算旅客吞吐量运输而产生的 CO2 排放量，计算公
式如（6）所示：
CEI jt = E jt / T jt (6)
式中： CEI jt 为省域 j 第 t 年航空器碳排放强度（kg/人次）； T jt 为省域 j 第 t 年换算旅客吞吐量
（人次）（90kg 货邮吞吐量等同于 1 人次旅客吞吐量）。
2.1.3 航空器碳减排潜力分类模型
航空器碳减排潜力是指通过一系列减排措施，能够降低的碳排放量，可通过相应的指标加以衡
量。选取航空器碳排放强度和换算旅客吞吐量两类指标，并选择中位数作为指标水平高低分类间隔，
进而可得到区域航空器碳减排潜力分类模型，如图 1 所示。象限 I 的区域具有高碳排放强度与高换算
旅客吞吐量，说明区域可降低的碳排放量大，减排潜力高。象限 II（IV）的区域具有高（低）换算旅
客吞吐量与低（高）碳排放强度，相较于象限 I，可减排的空间较小，因此减排潜力适中。象限 III 的
区域具有低换算旅客吞吐量与低碳排放强度，显然其碳减排潜力最低。
4 北京航空航天大学学报

高 换算旅客吞吐量/人次
象限II 象限I

碳减排 碳减排
潜力适中 潜力高

低 高
象限III 象限IV 碳排放强度
/(kg/人次)

碳减排 碳减排
潜力低 潜力适中

图 1 区域航空器碳减排潜力分类模型
Fig.1 Classification model of regional aircraft CO 2 emission reduction potential

基 于 OAG 数 据 库 （ https://www.oag.cn/ ） 中 全 国 民 航 航 班 运 行 数 据 与 中 国 民 用 航 空 局 网 站
（http://www.caac.gov.cn）2007—2016 年的年度机场生产公报中旅客和货邮吞吐量数据，计算得出
2007—2016 年 31 个省（自治区、直辖市）（不含港澳台地区）航空器碳排放强度与换算旅客吞吐
量。航空器碳减排潜力相关指标数据统计量如表 1 所示，可知各省域指标水平差异性明显，进一步说
明航空器碳减排潜力存在区域差异性。
表 1 我国31个省(区、市)航空器碳减排潜力相关指标统计量
Table 1 Index statistics of Aircraft CO 2 emission reduction potential in 31 provinces (autonomous regions and municipalities)
指标 最大值 最小值 均值 方差
碳排放量/(105 吨) 33.20 0.23 5.50 27.81
碳排放强度/(kg/人次) 73.17 10.91 25.43 101.46
货邮吞吐量/万吨 386.92 0.53 37.77 5185.26
旅客吞吐量/百万人次 114.40 0.82 21.48 508.76
换算旅客吞吐量/
149.45 0.93 25.68 889.26
百万人次
2.2 度量省域间多维指标属性距离
省域之间指标属性距离代表不同省域之间航空器碳减排潜力的差异性，属性距离越大，差异性越
大。属性距离用于构建省域邻接关系网络图中连接边的权值，是进行区域划分的前提条件。航空器碳
减排潜力区域划分指标的数据为面板数据，而综合欧式距离是面板数据聚类中常见的衡量样本间属性
距离的方法，该方法不仅可以提取样本间指标维度的相似关系，并且考虑了样本间时序变动关系。因
此，考虑到航空器碳减排潜力区域划分需要同时提取样本之间指标维和时间维的相似性信息，故采用
综合欧式距离法度量不同省域之间的属性距离。
设面板数据 X 中省域 j 的第 s 维指标在第 t 年的值记为 X ( j , s ,t ) ，省域 j 与 j ' ( j , j' = 1, 2, , J , j  j' )
间的综合欧式距离 D jj' 由标准化后的绝对指标距离 D1jj' 、增量指标距离 D2jj' 、时间波动指标距离 D3jj' 构
成 [14]。
1）绝对指标距离 D1jj' ：
S T 2
D1jj ' =  ( X ( j , s,t ) − X ( j ', s,t ) ) (7)
s =1 t =1

2）增量指标距离 D2jj' ：
曾雯等 中国民用航空器碳减排潜力的区域划分 5

2
 X ( j , s ,t ) − X ( j , s ,t −1) 
−
S T  X ( j , s ,t −1)
D 2jj ' =    (8)
s =1 t = 2
 X ( j ', s , t ) − X ( j ', s , t −1) 
 
 X ( j ', s ,t −1) 
3）时间波动指标距离 D3jj' ：
2
X X j's  S
=   js − D 3jj'  (9)
s =1  S j s S j' s 
式中： X js ( X j's )为省域 j ( j ' )的第 s 维指标在 T 年间的均值； S j s ( S j' s )为省域 j ( j ' )的第 s 维指标
在 T 年间的方差。
4）综合欧式距离 D jj' ：
D jj' = z ( D1jj ' ) + z ( D 2jj ' ) + （
z D 3jj'） (10)
式中： z ( D1jj ' ) 、 z ( D2jj ' ) 、 （
z D3jj'）对应于 Min-max 标准化后的 D1jj' 、 D2jj' 、 D3jj' 。
2.3 建立省域邻接关系网络图
设研究范围内省域无向网络连通图为 G (V , E) ，其中 V 为顶点集（每个省域代表一个顶点）， E
为边集（边长为省域间的属性距离 D jj' ），由此构建的是完整的网络图。
研究表明：一个区域的碳排放行为不仅取决于自身内部因素的控制，而且还受周边地区碳排放的
关联作用，存在空间相关性 [4,15] 。因此，以各省域空间邻接关系作为邻接网络图建立的依据，剔除
G (V , E) 中不相邻省市之间的边（海南省在空间上不存在邻接关系，定义与广东省邻接），可以建立
全国范围（不含港澳台地区）航空器碳减排潜力省域间的邻接关系网络图 G (V , E ) ，如图 2 所示。

香港
澳门

香港
澳门
南海诸岛

图 2 航空器碳减排潜力省域邻接关系网络图
Fig.2 Provincial adjacency network of aircraft CO 2 emission reduction potential

2.4 生成最小生成树
常见的最小生成树(MST)的生成算法有 Prim、Kruskal 等。以上构建的航空器碳减排潜力省域邻
接关系网络图为稀疏图，更适合采用 Kruskal 算法 [16]。具体步骤如下：
1）构建初始无向连通图 G (V , E ) ；
2）将 G (V , E ) 中所有的边按权值大小进行升序排序；
6 北京航空航天大学学报

3）按权值从小到大依次判断是否选取边，如果这条边不会与之前选择的所有连接边组成回路，
就可以作为最小生成树的一部分；反之，舍去；
4）重复步骤 3）直到遍历完所有的边，使得具有 v 个顶点的 G (V , E ) 筛选出来 v-1 条边，构成
G (V , E ) 的最小生成树。
按照步骤，可得到我国 31 个省(区、市)的航空器碳减排潜力连续最小生成树，如图 3 所示。

香港
澳门

香港
澳门
南海诸岛

图 3 航空器碳减排潜力连续最小生成树
Fig.3 Continuous MST of aircraft CO 2 emission reduction potential

2.5 截断最小生成树
在我国航空器碳减排潜力连续最小生成树的基础上，采用谱聚类算法，以最大化区划优度为目
标，截断最小生成树，划分我国航空器碳减排潜力的不同区域。
2.5.1 谱聚类
谱聚类可以解决稀疏相似矩阵的聚类问题，通常比经典聚类算法（如 K-means 和 FCM）产生的
结果更优 [17]。
将 31 个省(区、市)作为一组样本点，利用谱聚类将其划分为 k 个簇 G1 , , Gk 的步骤如下：
1）构建空间相似度矩阵 A ，如式(11)所示：
− D jj '
A( j , j ') = e 2
2
(11)
式中： A( j , j ') 为省域 j 和省域 j ' 之间的相似度；  是缩放参数。
2）计算标准化的拉普拉斯矩阵 L = Q -1/ 2 AQ -1/ 2 ， Q 是一个对角矩阵，其 Q( j , j ) 元素是 A 的第 j 行
元素的总和。
3）对拉普拉斯矩阵 L 进行特征值分解，得到 k 个特征向量，并通过将特征向量纵向堆叠来形成矩
阵 U k = [u1 uk ] 。
4）通过将 U k 的行进行归一化操作，形成矩阵 Yk 。
5）将 Yk 的每一行视为一个点，并使用 k-means 将它们分为 k 个簇 C1 , , Ck 。
6）当且仅当矩阵 Yk 中的行 j 被分配给簇 C j 时，才将省域 j 分配给簇 G j 。
基于最小生成树构建 A ，按照上述步骤，输入分区数 k 截断最小生成树，可得相应区域划分结
果。根据“最大化区划优度”为目标，确定最优区域划分数量，得到最优区域划分结果。
2.5.2 确定最优区域划分结果
由式（4）计算不同分区数下的区划优度，如图 4 所示。当分区数为 4 时，区划优度最大。因
此，综合考虑研究区域省份数量与分区数的关系，以及分区数目过多将增加政策制定与实施的难度，
最终确定航空器碳减排潜力最优分区数目为 4 个。
曾雯等 中国民用航空器碳减排潜力的区域划分 7

图 4 不同分区数下的区划优度
Fig.4 Regional classification superiority under different partition numbers

在确定了最优分区数目 4 后，可得谱聚类算法截断最小生成树后形成的子树，结果如图 5 所示，

每个子树对应区域划分后的子区域。

香港
澳门

香港
澳门

南海诸岛

图 5 航空器碳减排潜力最小生成树截断示意图
Fig.5 The truncated MST of aircraft CO 2 emission reduction potential

3 区域划分的结果讨论
3.1 区域划分结果
计算各子区域航空器碳排放强度与换算旅客吞吐量，基于航空器碳减排分类模型，可得各子区域
航空器碳减排潜力，如图 6 所示。区域 I、II、III、IV 的减排潜力分别对应于象限 I、II、III、IV 所属
的类型。
四分区与我国已有的一些区域划分的区划优度如表 2 所示。可以发现，相较于已有的区域划分，
四分区的区划优度最大，进一步说明综合指标水平与地理空间邻接关系的区域划分结果更优。
8 北京航空航天大学学报

高 换算旅客吞吐量/人次
象限II 象限I

广西 贵州 湖北
福建 广东 海南
湖南 宁夏 陕西
江苏 上海 浙江
四川 云南 重庆

低 高
象限III 象限IV 碳排放强度
/(kg/人次)
天津 北京 河北
河南 吉林 江西 甘肃 内蒙古
辽宁 山东 山西 青海 西藏 新疆
安徽 黑龙江

图 6 四分区下区域航空器碳减排潜力
Fig.6 Regional aircraft CO2 emission reduction potential under the four partions

表 2 不同区域划分方法的区划优度
Table 2 Regional classification superiority under different partition methods
东中西
分区方法 四分区（本文） 六大行政分区 八大经济分区
分区
区划
0.35 0.16 0.07 0.25
优度
3.2 区域减排特征
根据航空器碳减排潜力分区结果，各子区域航空器碳排放特征分析如下：
区域 I 减排潜力最高，涵盖省域多位于我国西南、中南地区，地形复杂，为航空运输发展创造了
条件。换算旅客吞吐量和起降架次在四个区域中排名第二，分别为 2141.14 万人次与 20.79 万架次，
碳排放强度处于较高水平（23.63kg/人次）。区域内有 5 个省域（全国共 8 个）起降架次年均增长率
高于换算旅客吞吐量的年均增长率，表明该区域存在航班客座率（载运率）下滑的现象，一定程度上
增加了区域碳排放强度；此外，远距离航线占比低也会使区域碳排放强度处于较高水平 [18]，该区域国
际航线占比低，仅为最高区域（区域 II）的 56.85%。
区域 II 减排潜力适中，涵盖省域位于我国东南沿海地区，交通、科技、管理、经济水平均处于全
国领先地位，地区人均 GDP 在四个区域中最高（3.01 万元/人），衍生出高民航出行需求。此区域涵
盖我国重点打造的长三角与珠三角两个世界级机场群，换算旅客吞吐量、起降架次与国际航线占比在
四个区域中最高，分别达到 5628.23 万人次、36.83 万架次与 29.53%，而碳排放强度在四个区域最低
（19.43kg/人次）。但，高民航出行需求使该区域面临着航班时刻、空域资源紧张等情况，这会增加航
班延误等待时间，从而增加航空器燃油消耗量。
区域 III 减排潜力最低，涵盖省域多位于我国华北和东北地区，总体来看，区域碳排放强度较
低，排名第三。但江西省与河南省国际航线占比偏低，分别为 11.85%与 12.41%；此外，京津冀地区
面临航班时刻与空域资源紧张的问题。
区域 IV 减排潜力适中，涵盖省域靠近我国西部和北部边境地区，空域资源相对富裕；青海、西
藏地势较高，拥有 12 个高高原机场，占全国总量的 60%。此区域碳排放强度为四个区域中最高
（41.66kg/人次），但换算旅客吞吐量、起降架次、地区人均 GDP 与国际航线占比均为最低。受限于
经济条件，此区域民航出行需求不足。进一步可知，此区域多高高原机场分布，航空器不能满载起
飞，存在客座率低的情况，并且由于气候复杂多变，难以保证机场出港准点率，会增加航空器延误等
待时间，油耗量也会同步增加。
3.3 区域减排措施
以上分析表明：航空器碳排放具有明显的区域差异性特征，需确定富有差异化的减排重点及配套
曾雯等 中国民用航空器碳减排潜力的区域划分 9

措施：
区域 I：1）通过优化收益管理、机票超售等市场手段，实施航班共享、航班合并及增加经停点等
运营策略，提高航班客座率（载运率）。2）推进成渝世界级机场群的构建，以成渝地区为中心带动
整个区域的对外开放发展，提高国际航线占比。
区域 II：1）通过时刻交换、代码共享、共同经营等方式优化航班时刻。2）引进先进的通信、导
航、监控和情报技术，提高空中交通服务能力。3）通过优化空域结构与管制手段，提升航班飞行效
率。
区域 III：1）江西和河南需加快融入“一带一路”建设，开辟更多通往“一带一路”沿线国家的
航线，扩大远距离航线占比。2）京津冀地区需统筹做好航班时刻与空域结构优化，提升域内航班的
运行效率，减少航班的延误与绕飞。
区域 IV：1）鼓励航司采用 A319 等高原机场适应性更佳的机型运营高原航线。2）加强高高原机
场新技术的研发和应用，提高空地运营效率、减少航班延误，从而提高节能减排效果 [19]。

4 结论
为制定富有针对性的区域碳减排目标与措施，开展了兼顾区域差异性与空间相关性的航空器碳减
排潜力区域划分研究，结论如下：
1）基于 2007—2016 年省域航空器碳排放强度与换算旅客吞吐量，构建了航空器碳减排潜力分类
模型；并综合指标水平与地理空间邻接关系，构建了区域划分模型。
2）航空器碳减排潜力最优区域划分为四分区，区划优度达到 0.35，且优于我国已有的区域划
分。
3）航空器碳减排潜力最高的区域主要分布于我国西南和中南地区，最低的区域主要分布于东北
和华北地区。
4）建议中国民用航空局、机场和航空公司根据航空器碳排放区域差异性特征落实空中交通管制
优化、节能减排新技术应用、航班共享策略实施等相关减排措施。
参考文献（References）
[1] JACOB T, JACOPO T, APOSTOLOS P, et al. CO 2 emissions from fuel combustion (IEA 2020) [R]. Paris: OECD Publishing, 2020: 9 -12.
[2] WU C T, HE X H, DOU Y. Regional disparity and driving forces of CO 2 emissions: evidence from China's domestic aviation transport
sector[J]. Journal of Transport Geography, 2019(76): 71-82.
[3] 朱佳琳．中国民用航空器碳排放时空演化特征及驱动因素研究 [D]．南京：南京航空航天大学，2020：37-43．
ZHU J L. Research on temporal and spatial evolution characteristics and driving factors of civil aircraft carbon emissions in China[D].
Nanjing: Nanjing University of Aeronautics and Astronautics,2020:37-43(in Chinese).
[4] HU R, ZHU J L, ZHANG Y, et al. Spatial characteristics of aircraft CO 2 emissions at different airports: some evidence from China[J].
Transportation Research Part D: Transport and Environment, 2020(85):1 -15.
[5] LIU J G, LI S J, JI Q. Regional differences and driving factors analysis of carbon emission intensity from transport sector in China[J].
Energy,2021(224):1-14.
[6] 曾晓莹，邱荣祖，林丹婷，等．中国交通碳排放及影响因素时空异质性 [J]．中国环境科学，2020，40（10）：4304-4313．
ZENG X Y, QIU R Z, LIN D T, et al.Spatio-temporal heterogeneity of transportation carbon emissions and its influencing factors in China[J].
China Environmental Science, 2020, 40(10): 4304-4313(in Chinese).
[7] 宋德勇，徐安．中国城镇碳排放的区域差异和影响因素 [J]．中国人口·资源与环境，2011，21（11）：8-14．
SONG D Y, XU A. Regional difference and influential factors of China's urban carbon emissions[J]. China Population,Resources and
Environment, 2011,21(11):8-14(in Chinese).
[8] 王建伟，李娉，高洁．中国交通运输碳减排区域划分 [J]．长安大学学报（自然科学版），2012，32（1）：72-77．
WANG J W, LI P,GAO J. Region division in China for transportation carbo n emission reduction[J].Journal of Chang’an University (Natural
Science Edition), 2012, 32(1): 72-77(in Chinese).
[9] 武旭，杜奕，贾传峻．基于全距离完全度量聚类的交通运输能耗区域划分 [J]．交通运输系统工程与信息， 2019，19（2）：7-12．
WU X, DU Y, JIA C J. Regionalization of China’s transportation energy consump tion based on full-order-constrained complete linkage
partitioning[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(2): 7 -12(in Chinese).
[10] 张彬，姚娜，刘学敏．基于模糊聚类的中国分省碳排放初步分析 [J]．中国人口·资源与环境，2011，21（1）：53-56．
ZHANG B, YAO N, LIU X Y. Preliminary fuzzy clustering analysis on carbon emission in different provinces of China[J]. China Population,
Resources and Environment, 2011, 21(1): 53-56 (in Chinese).
[11] 涂正革，谌仁俊．中国碳排放区域划分与减排路径 [J]．中国地质大学学报（社会科学版）， 2012，12（6）：7-13．
TU Z G, SHEN R J. Analysis on China’s carbon emission division and reduction path -based on multivariate panel data clustering analysis
method[J]. Journal of China University of Geosciences (Social Sciences Edition), 2012, 12(6): 7 -13(in Chinese).
[12] CHANG K, DU Z F, CHEN G, et al. Panel estimation for the impact factors on carbon dioxide emissions: a new regional classification
10 北京航空航天大学学报

perspective in China[J]. Journal of Cleaner Production, 2021(279): 1 -15.

[13] 朱佳 琳，胡荣 ，张军峰 ， 等．中国航 空器碳排 放测算与演 化特征研究 [J]．武汉 理工大学学 报（交通科 学与工程 版）， 2020， 44
（3）： 558-563．
ZHU J L, HU R, ZHANG J F, et al. Research on the measurement and evolution characteristics of aircraft carbon emissions in China[ J].
Journal of Wuhan University of Technology (Transportation Science & Engineering), 2020, 44(3): 558 -563(in Chinese).
[14] 杨娟，谢远涛．面板数据聚类的复合方法与应用[M]．北京：对外经济贸易大学出版社，2016：19-20．
YANG J, XIE Y T. Composite method and application of panel data clustering[M]. Beijing: University of International Business and
Economics Press,2016:19-20(in Chinese).
[15] 刘 贤 赵 ， 郭 若 鑫 ， 张 勇 ， 等 ． 中 国 省 域 碳 排 放 空 间 依 赖 结 构 的 非 参 数 估 计 及 其 实 证 分 析 [J]． 中 国 人 口 ·资 源 与 环 境 ， 2019， 29
（5）：40-50．LIU X Z， GUO R X， ZHANG Y， et al． Nonparametric estimation and empirical analysis of spatial dependence
structure of provincial carbon emissions in China[J]． China Population， Resources and Environment，2019，29（5）：40-51（in
Chinese）．
[16] FAVATI P, LOTTI G, MENCHI O, et al. Construction of the similarity matrix for the spectral clustering method: numerical exper iments[J].
Journal of Computational and Applied Mathematics, 2020(375): 1-11.
[17] MUR A, DORMIDO R, DURO N, et al. Determination of the optimal number of clusters using a spectral clustering optimization[J]. Expert
Systems with Applications, 2016(65): 304-314.
[18] 郭鹏程．中国民航客运碳排放时空演变与影响因素研究 [D]．兰州：西北师范大学，2020：31-34．
GUO P C. Study on the spatiotemporal evolution and influencing factors of carb on emissions in China's civil aviation passenger
transport[D]. Lanzhou: Northwest Normal University, 2020: 31-34(in Chinese).
[19] 胡荣 ，王德芸 ，冯慧琳 ，等． 碳达峰 视角下的 机场航空 器碳排放预测 [J]．交通 运输系统 工程与信息， 2021， 21（6）： 257-
263．
HU R, WANG D Y, FENG H L, et al. Prediction of Aircraft CO 2 Emission from Perspective of CO 2 Emission Peak [J]. Journal of
Transportation Systems Engineering and Information Technology, 2021,21(6):257-263 (in Chinese).