我國航空公司綠色創新效率及其影響因素研究

郭凱寧 韋薇

摘 ?要：“雙碳”目標的提出更加堅定了我國建設綠色民航的決心。文章從綠色創新效率角度出發，引入二氧化碳排放量為非期望產出指標，構建航空公司投入-產出指標體系，從靜態與動態兩方面著手，利用超效率SBM模型與ML指數分析模型，測度我國三大航空公司以及海南航空公司、吉祥航空兩家民營航空公司2016—2021年的綠色創新效率，并利用Tobit模型對綠色創新效率的影響因素進行探索性分析。結果表明：五家航空公司在2016—2021年間綠色創新效率總體上升14.88%，其中六年間，南航效率均值最高，為0.877 6，比效率均值最低的吉祥航空高出13%；研究期內全要素生產率均值起伏較大，2018—2020年的全要素生產率退步了40.59%，原因是科技創新和組織創新水平的下降；飛機日利用率、綜合載運率、市場占有率對航空公司綠色創新效率呈現出明顯的正向影響。目前，我國航空公司的綠色創新效率還處于無效狀態，未來還需要重視科技創新在航空領域的作用。

關鍵詞：航空公司；非期望產出；綠色創新效率；超效率SBM模型

中圖分類號：F562.6 ? ?文獻標志碼：A ? ?DOI：10.13714/j.cnki.1002-3100.2023.17.000

Abstract： The proposal of the "carbon peaking and carbon neutrality" goals has strengthened China's determination to build green civil aviation. From the perspective of green innovation efficiency， this paper introduces carbon dioxide emissions as an undesired output index， constructs an airline input-output index system， starts from both static and dynamic aspects， uses ultra-efficient SBM model and ML index analysis model， measures the green innovation efficiency of China's three major airlines and two private airlines， Hainan Airlines and Juneyao Airlines， from 2016 to 2021， and uses the Tobit model to explore the influencing factors of green innovation efficiency. The results showed that the green innovation efficiency of the five airlines increased by 14.88% from 2016 to 2019， and in the six years， China Southern Airlines had the highest average efficiency of 0.877 6， which was 13% higher than Juneyao Airlines， which had the lowest average efficiency. During the study period， the average total factor productivity fluctuated greatly， and the total factor productivity from 2018 to 2020 regressed by 40.59%， due to the decline in the level of scientific and technological innovation and organizational innovation. The daily utilization rate， comprehensive load factor and market share of aircraft have a significant positive impact on the green innovation efficiency of airlines. At present， the green innovation efficiency of Chinese airlines is still in an ineffective state， and it is necessary to pay attention to the role of scientific and technological innovation in the aviation field in the future.

Key words： airlines; non-expected outputs; green innovation efficiency; ultra-efficient SBM model

0 ?引 ?言

航空運輸業經常以“效率高、速度快、空間跨度大”的優點[1]受到人們的青睞。但是近年來，隨著航空運輸業的不斷發展，旅客投訴量、飛機延誤數量、旅客行李損壞量、機場擁擠等這類非期望產出事件層出不窮，同時民航運輸業的背后更隱藏著“高污染、高耗能、高排放”的因素[2]，2019年全球民航運輸業產生的排放總量為9.18億噸，較2013年增長了29%。其中我國CO2排放量占全球排放總量的13%，高居全球第二[3]，且預計2050年航空運輸的溫室氣體排放總量將比2010年高出400%

～600%[4]。航空碳排放形勢將日趨嚴峻，逐漸成為國內外的焦點問題。2020年，我國在聯合國大會上提出了“雙碳”目標，確定了我國踐行碳減排行動的時間線。國際方面，歐盟委員會提出了一攬子環保議案，其中包括建立歐盟“碳邊境調節機制”，意味著從2023年起將推行碳關稅，削減免費碳配額，擴大碳市場范圍[2]。歐盟碳關稅一旦落地實施，對我國航空運輸業必然是不小的沖擊，航空公司也將增加一項高額支出。

環境問題加重和高額的經濟支出，會進一步加大航空運輸業這類資源密集型企業的壓力，因此減少碳排放，提升企業綠色創新效率，是航空公司努力的方向。研究我國航空公司的綠色創新效率，有利于航空企業改革創新，及時應對內外部行業環境的變化帶來的沖擊。

國內外學者對綠色創新效率做了如下研究：陳清[5]對我國省際的綠色創新效率進行整體的度量分析，將綠色創新效率與傳統的不考慮非期望產出的創新效率進行動態對比分析；孫秀梅[6]著眼于山東省17個地級市，探究在經濟新常態下的區域的轉型路徑。劉佳等[7-9]把我國旅游產業作為分析對象，采用超效率SBM模型從空間結構和空間網絡布局分析特定區域的網絡結構特征、空間關聯度、地區交互性等特征；陸菊春[10]把長江經濟帶37個城市作為研究對象，從空間維度上分析該區域城市間綠色創新效率的演化規律；對于航空運輸企業的效率評價前人的研究已經很深入，如范二強[11]、李智忠[12]、Hashem Omrani[13]、David H Good[14]等學者從航空公司的運營角度、時間范圍、地區、類型等方面測算效率，但是都沒有從環境產出方面考慮。隨著國內外對于環境保護觀念的提升，以及人們對于低碳生活的美好追求，漸漸地從環境角度入手，研究航空公司效率的學術論文不斷出現。李燁[15]將航空公司的生產運營分為三部分，將二氧化碳排放量作為非期望指標研究22家航司的效率情況；張軍峰[16]、李龍[17]將影響環境的二氧化碳排放量作為非期望產出指標，分析中國航空企業的環境效率變化趨勢以及影響因素。

鑒于此，本文基于非期望產出超效率SBM模型對2016—2021年我國5家航空公司的綠色創新效率進行比較分析，并利用Tobit模型分析綠色創新效率的影響因素。

1 ?航空公司綠色創新效率分析

1.1 ?綠色創新效率概念的界定

綠色創新的含義較廣，環境觀念的創新、環境治理技術的創新、符合環保要求的綠色產品的創新、無公害生產的創新以及環境經濟一體化制度的創新等都可以理解為綠色創新，但是其內涵是人與自然的和諧發展[18]，它同時也稱為生態創新[19]，且具有“創新”和“環境收益”的雙重屬性[20]。綠色創新效率是指在一定時期內某個產業內，在綜合考慮生態和資源環境要素前提下，生產和技術創新過程中各種投入要素的有效利用程度[21]，即生產要素投入與期望產出的比例，同時也是衡量研究對象某一階段生產運營效率的有效指標。

1.2 ?綠色創新效率評價指標的構建與相關性分析

本文綠色創新效率評價指標由兩部分組成，即投入指標、產出指標，其中產出指標又分出期望產出和非期望產出兩個維度。本文遵循指標數據的可得性、系統性、科學性原則，指標含義及選取情況如下：（1）投入指標。航空運輸業屬于服務行業，但是它對從業者的專業技能、專業知識等方面的要求較高，需要專業的人員以及特定的運輸設備。因此本文把航空公司員工人數、航空煤油消耗量、機隊規模作為投入變量。（2）產出指標。分為期望產出和非期望產出，期望產出就是在生產活動過程中有利于航空公司長遠發展的指標，其代表著航空公司的生產經營水平，此處選取航空運輸收入、運輸總周轉量作為期望產出。二氧化碳排放量的產出不利于航空公司效益的增長，此處被作為非期望產出。

指標選取結果整理如表1所示。

由于不明確指標之間的關系，防止數據間關聯度較小對實驗結果造成的誤差，因此先采用SPSS軟件對數據進行相關性分析，如表2所示。

從表2可以得到，二氧化碳排放量與營業收入之間的關系系數為0.995，與運輸總周轉量之間的關系系數為0.991，并呈現出0.01水平的顯著性，說明二氧化碳排放量與營業收入、運輸總周轉量之間關聯度較高，明確了指標選取的必要性。

1.3 ?航空公司綠色創新效率碳排放測度

本文以中國國際航空公司、中國南方航空公司、中國東方航空公司、海南航空公司、吉祥航空公司為研究對象，選取了各個航司2016—2021年的運營面板數據。由于海南航空公司于2021年申請破產，但是其所占據的份額也是不容小覷，這四大航空公司幾乎占據了我國航空運輸業市場份額的77%。吉祥航空是我國民營航空公司的翹楚，同時也具有一定市場影響力。本文的數據全部來自各個航空公司年報、企業社會責任報告、企業年度財務報表、民航局官網等，缺失的數據采用插值法補齊。由于各個航司對于二氧化碳排放量的數據公布程度各有不同，本文參考甘甜[22]對于航空運輸企業碳排放效率研究中的測度方法，計算方法如下：

CO=AD·EF ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

式中：CO表示航司的二氧化碳排放量；AD為活動水平，即航空煤油消耗量，單位為TJ；EF為排放因子，代表每一單位二氧化碳排放量的系數，單位為tCO/TJ。AD與EF的具體表達式如下：

AD=FC·NCV·10-6 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

EF=CC·OF· ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

式中：FC表示航空煤油的消耗量，單位為t；NCV為航空煤油的低位發熱值，單位為kJ/kg；CC表示航空煤油的單位熱值含碳量，單位為tC/TJ；OF表示航空煤油的碳氧化率，單位為%。44/12表示二氧化碳與碳的分子量之比。二氧化碳排放量計算的對應參數取值如表3所示[23-24]。

2 ?航空公司綠色創新效率評價模型構建

2.1 ?基于非期望產出的超效率SBM模型的靜態效率評價模型?，F有的數據包絡分析方法（Data Envelopment Analysis，DEA）應用于非期望產出的評價大體上分為基于非期望產出的數據變換模型和基于規劃松弛變量的優化模型兩類。其中第二類稱為Slack Based Measure（SBM）模型，以非期望產出的松弛變量為自變量，建立各種優化函數求解生產效率，SBM模型有著更強的實際意義和靈活性[25]。且該模型可用于處理多個投入和產出變量的效率測度問題，多應用于綠色發展效率的研究分析。

非期望產出的超效率SBM模型公式[26]如下：

minρ= ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

s.t. xλ-s≤x

yλ+s≥y

λ=1

λ， s， s， s≥0

i=1，2，…，m; r=1，2，…，s; t=1，2，…，s; j=1，2，…，n

結合文中的分析對象，式（4）中，x表示第k個DMU的第i個投入變量；y表示第k個DMU的第r個期望產出變量；y表示第k個DMU的第t個非期望產出變量；假定每個決策單元DMU為決策單元數j=1，2，…，5，每個決策單元有i個投入i=1，2，…，m， m=3， r個期望產出r=1，2，…，s， s=2， t個非期望產出t=1，2，…，s， s=1；ρ表示航空公司綠色創新效率值；s、s、s分別表示投入、期望產出和非期望產出的松弛變量；λ為權重向量；x、y和y分別表示投入指標、期望產出指標和非期望產出的數值。

2.2 ?基于Malmquist-Leuenberger指數模型的動態效率評價模型。傳統SBM模型只能比較決策單元在同一時間點的生產效率，但航空公司的生產技術效率是動態變化的，Malmquist-Leuenberger指數模型則可以測度決策單元在不同時期效率的動態變化，在研究動態效率方面具有較廣泛的應用性，可以剖析其動態的演變過程，觀察在非期望產出的指標衡量狀態下全要素生產率的表現情況。

依據Chung的研究及定義[27]，基于非期望產出角度考慮，在t到t+1時期的ML指數公式可表示為：

ML=· ? ? ? ? ? ? ? ? ? ? ?（5）

式中：x表示第t期的生產投入，y表示第t期的期望產出，b表示第t期的非期望產出，x，y，b; y，-b表示t期的方向距離函數，x，y，b; y，-b表示第t+1期的方向距離函數，x，y，b; y，-b表示基于MLEFFCH>1期技術的t期混合距離函數，x，y，b; y，-b表示基于t期技術的t+1期混合距離函數。

ML指數為全要素生產率，可以分解為技術效率變化指數MLEFFCH和技術進步指數MLTECH，又其三者關系可以進行如下表示：

ML=MLEFFCH·MLTECH ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （6）

式中：當ML>1表示全要素生產率進步，ML<1表示全要素生產率退步，ML=1表示全要素生產率不變；MLEFFCH表示技術效率的變化程度， MLTECH反映相鄰時期間組織管理水平的變化，MLEFFCH>1表示技術效率提高促進了全要素生產率的提升，MLEFFCH<1表示技術效率減小抑制了全要素生產率的提高，MLEFFCH=1表示技術效率不變；MLTECH反映在一段時間內技術是進步還是倒退，即為技術變化，當MLTECH>1表示技術進步，MLTECH<1表示技術退步，MLTECH=1表示技術不變。

2.3 ?基于Tobit模型的影響因素分析模型。本文以超效率SBM模型的評價結果作為被解釋變量，選取影響航空公司綠色創新效率的相關因素為解釋變量，構建Tobit回歸模型，用以評價研究對象的影響因素。

由于測得的效率值為非負離散數據，由諾貝爾經濟學獎獲得者Tobit提出的Tobit模型能夠有效地規避因為效率值被截斷而導致估計出現偏差的情況[28]。其方程表達如下：

y=xβ+μ ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （7）

y= ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（8）

在式（7）、式（8）中，y是被解釋變量，x為解釋變量，β為系數，u為隨機擾動項，且服從均值為0，方差σ正態分布。

3 ?我國航空公司綠色創新效率實證分析

3.1 ?靜態效率評價分析。在航空公司綠色創新效率投入-產出指標體系基礎上，采用超效率SBM模型（4）進行靜態分析，其中以人員x、航空煤油消耗量x、機隊規模x為投入指標，營業收入y、運輸總周轉量y為期望產出指標，二氧化碳排放量y為非期望產出指標，測算五家航空公司2016—2021年綠色創新效率值。測得結果如表4所示。

由表4可以得到，總體來說可以分為兩個階段，第一階段（2016—2019年）我國航空運輸業的綠色創新效率值處于穩步上升狀態；第二階段（2019—2020年）效率值開始出現斷崖式下滑，自2020—2021年又慢慢回升的趨勢。具體來看，國航、海航在研究期內綠色創新效率值波動比較明顯，效率值起伏較大；東航在2016—2019年間效率值變化平緩，效率值都大于1，處于有效狀態；南航與吉祥的效率值在前三年一直以每年90%的速度穩步增長，前進勢頭比較大，在2020—2021年中，南航的效率值是處于在這五家航空公司中的領先地位，效率均值同樣也處于領先地位。

3.2 ?動態效率評價分析。為進一步對我國航空公司綠色創新效率進行動態分析，利用Malmquist-Leuenberger指數模型（式（5）、式（6））計算得到我國5家航空公司2016—2021年全要素生產率，結果如表5和表6所示：

由表5中數據可得，研究期內，全要素生產率均值表現出波動性較大的特點，2016—2020年持續下降，2019—2020年的降幅達到40%，但在2020—2021年全要素生產率數值大于1，此時處于進步狀態，此時的升幅高達80%。雖然2019—2020年間的技術效率是進步的但是由于該時間段內新冠疫情的爆發，航運市場低迷，經濟發展滯緩等外部因素導致全要素生產率表現不佳。通過分解，可以更直觀地觀察到，導致2018—2019年和2019—2020年全要素生產率退步的根本原因分別是技術效率的衰退與技術層面的退步。

由表6可知，在研究時間內，沒有任何航空公司的全要素生產率達到進步標準。分開來看，國航雖然重視技術的發展，使其技術發展增長3.17%，但是其技術效率卻處于滯后狀態，最終導致ML值小于1的無提升狀態；東航與海航的技術效率與技術進步數值均不滿足提升企業生產率的要求，主要是在研究時間前期企業把重心用于對機隊規模的提升、內部管理體系改革，沒有及時應對疫情這類突發事件的規劃，導致運力資源的閑置，增加了公司的維護成本；南航和吉祥技術效率分別有10.79%和5.98%的進步，技術變化都呈現倒退（分別為5%和1%），最終使得全要素生產率都下降（分別為0.05%和3.2%）。

3.3 ?綠色創新效率影響因素分析。首先針對初選因素飛機日利用率、綜合載運率、科研投入、市場占有率、公司性質、航司總部所在省市的人均GDP進行多重共線性檢查，發現航司所在省市的人均GDP不滿足共線性的要求，因此剔除該影響因素。其次由于2016—2021年的原始數值差距較大，此處對剩余關鍵影響因素進行量鋼化處理。最后利用Tobit模型分析各因素對航空公司的綠色創新效率的影響。構建的Tobit回歸模型如式（9）：

y=α+βx+βx+βx+βx+βx+μ ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （9）

式中：y為被解釋變量，即為綠色創新效率值，α為常數項，β為系數，i=1，2，…，5，x為解釋變量，μ為隨機擾動項。利用軟件Stata17對數據進行處理，得到的Tobit模型回歸結果如表7所示。

從分析結果可以得出，飛機日利用率x與綠色創新效率值呈正相關，每當飛機日利用率提高1%，綠色創新效率值提高約1.05。由搜集的數據可得知，這五家航司的飛機日利用率均值多數大于8小時，提高飛機的日利用率，不斷優化使用現有資源，對于航司來說可以進一步提高企業的生產能力，降低生產成本，激發企業綠色效率值提升。

綜合載運率x對于綠色創新效率的提升有正向促進作用，相關系數約為0.092，綜合載運率是航空公司可以提供的綜合運載能力的體現，同時也是考察航空公司運營績效的重要考核指標。綜合載運率的提升，不僅反映航司的實力，同時在綠色發展與綠色績效提升方面也體現自身的資源消耗分攤程度。

科研投入x對于航司的綠色效率提升影響因素較小，但也呈現正向影響。主要是由于科技研發投入在航司的總投入中占比較小，且科技研發的涉及面較廣，真正從碳減排角度的投入很少，民航領域的技術提升一直是限制民航效率提升的痛難點。

考慮從擴大市場占有率x和公司性質x方面對于綠色創新效率的提升具有積極作用。當市場占有率提升1%，綠色創新效率提升約0.159，航空公司作為一個營利性質的企業，具有高的市場占有率對于其營收增加、規模擴大、實力增強等方面帶來的現實意義都是不可忽視的。市場占有率的提高，使得航司有能力、有機會在綠色發展方向凸顯自己的能力。國航、東航、南航這類大型國有航空公司的市場占有率已經占據全部市場的三分之二，而剩余的市場比例就需要各種地方性航司，如廈門航空、四川航空、深圳航空等，與民營航司，如吉祥航空、九元航空、春秋航空等進行激烈競爭。并且市場占有率的提升也會吸引一大批的投資者入內，這無論是從整體的企業系統運轉方面還是航司綜合實力方面都存在優勢。

4 ?結論與建議

本文將產出劃分為期望產出與非期望產出兩部分，將二氧化碳排放量這類非期望產出納入航空公司效率的評價指標中，從綠色可持續角度入手，首先結合靜態與動態兩個方面進行航空公司綠色創新效率評價，其次利用Tobit模型分析關鍵影響因素對綠色創新效率的正向促進作用亦或是負向抑制作用。最終得出的綜合性建議如下：

（1）重視科研，提升科技支撐力?？萍际堑谝簧a力，對于民航業也是同樣適用，對內引進高能力的科研型人才，積極推進綠色新技術的開發與應用，明確“碳減排、碳中和”的政策方向，制定適應本企業的綠色技術路徑；對外要嚴格落實國家的各種政策，在客運市場低迷的情況下，及時轉變經營思路，提升貨運量在總體的占比，降低不利因素對于企業帶來的沖擊。

（2）完善環境管理體系，樹立可持續發展思想。在“碳達峰、碳中和”背景下，各航司應從員工、消費者、供應商等多個角度積極宣傳環境保護思想，從思想高度把握，建立健全碳減排體系，加強對碳排放監管，從數據角度探尋不足與發展空間。

（3）加強合作，互利共贏。各個航空公司都是促進民航業發展的一份子，每個公司都應當從加強自身出發，發揮各自優勢，相互借鑒學習，形成行業共識，始終圍繞社會責任的理念，遵循國家法律法規以及行業規章制度，以現代化先進經驗和技術為依托，共同促進整個行業的綠色發展。

在分析研究過程中，因數據獲取難度大，只選取了部分航空公司，未來隨著航空統計數據庫的完善與新技術的問世，供研究的航空公司數量增加，對我國航空公司綠色創新效率的對比分析將更加深入。未來仍需加強定性定量分析與航空公司運營效率等其他方面內容的融合，豐富研究內容。

參考文獻：

[1] 趙志奇，李杰，田勇，等. 航空排放對大氣環境影響研究現狀綜述[J]. 環境科學與技術，2018，41（3）：186-192.

[2] 盧夢圓. 歐盟碳邊境調節機制對民航的影響[J]. 世界環境，2021（5）：56-58.

[3] 河南省航空經濟研究中心. 簡析全球航空運輸市場碳排放現狀[EB/OL]. （2021-05-25）[2022-11-16]. http：//hkjjyjzx.zua.edu.cn/info/1067/1253.htm#：～：text=.

[4] ?QIANGCUI. Investigating the airlines emission reduction through carbon trading under CNG2020 strategy via a Network Weak Disposability DEA[J]. Energy， 2019，180：763-771.

[5] 陳清，林珊珊. 中國省際綠色創新效率的評價研究——基于Super-SBM模型和ML指數[J]. 技術與創新管理，2021，42（5）：510-518.

[6] 孫秀梅，張慧，王格. 基于超效率SBM模型的區域碳排放效率研究——以山東省17個地級市為例[J]. 生態經濟，2016，32（5）：68-73.

[7] 劉佳，安珂珂. 環渤海城市旅游產業綠色創新效率的空間格局[J]. 華東經濟管理，2020，34（6）：27-37.

[8] 李倩彧，孫瑞紅，葉欣梁. 我國郵輪旅游綠色創新效率的空間格局[J]. 中國旅游評論，2021（2）：103-115.

[9] 劉佳，宋秋月. 中國旅游產業綠色創新效率的空間網絡結構與形成機制[J]. 中國人口·資源與環境，2018，28（8）：127-137.

[10] 陸菊春，王新怡. 長江經濟帶城市綠色創新效率的時空特征及影響因素[J]. 科技管理研究，2021，41（20）：224-232.

[11] 范二強. 基于SFA法的航空公司運營效率分析[D]. 漢中：中國民用航空飛行學院，2016.

[12] 李智忠，李程，徐婧雯. 基于DEA的航空公司運營效率評價及影響因素分析[J]. 中國市場，2022（15）：160-162.

[13] ?OMRANI H， SOLTANZADEH E. Dynamic DEA models with network structure： an application for Iranian airlines[J]. Journal of Air Transport Management， 2016，57（10）：52-61.

[14] ?GOOD D H， LLEL L R， SICKLES R C. Airline efficiency differences between Europe and the US： Im-plications for the pace of EC integration and domestic regulation[J]. European Journal of Operational Research， 1995，80（3）：508-518.

[15] 李燁. 航空公司效率評價的改進DEA模型及應用[D]. 大連：大連理工大學，2016.

[16] 張軍峰，方虹，方思然. 環境約束下的中國航空企業環境效率研究[J]. 交通運輸系統工程與信息，2017，17（3）：243-248.

[17] 李龍. 航空公司環境效率測度及其影響因素研究[D]. 天津：中國民航大學，2020.

[18] 陳華斌，王效俐. 綠色創新及其激勵機制[J]. 上海管理科學，1998（6）：10-11.

[19] ?SCHIEDERIG T， TIETZA F， HERSTATT C. Green innovation in technology and innovation management： An exploratory literature review[J]. R & D management， 2012，42（2）：180-192.

[20] 張鋼，張小軍. 綠色創新研究的幾個基本問題[J]. 中國科技論壇，2013（4）：12-15，20.

[21] 易明，程曉曼. 長江經濟帶城市綠色創新效率時空分異及其影響因素[J]. 城市問題，2018（8）：31-39.

[22] 甘甜. 航空運輸企業碳排放效率的實證研究[D]. 南京：南京航空航天大學，2019.

[23] 陳亮，郭慧婷，孫亮，等. 民用航空企業《溫室氣體排放核算與報告要求》國家標準解讀[J]. 中國能源，2016，38（9）：45

-47，10.

[24] 程豪. 碳排放怎么算——《2006年IPCC國家溫室氣體清單指南》[J]. 中國統計，2014（11）：28-30.

[25] 李永立，吳沖. 考慮非期望產出弱可處置性的隨機DEA模型[J]. 管理科學學報，2014，17（9）：17-28.

[26] 黃嘉瑜，焦露. “雙碳”約束下黃河下游生態效率測度與時空演變分析[J]. 貴州師范大學學報（自然科學版），2023，41（2）：24-32.

[27] ?CHUNG Y H， GROSSKOPF R F. Productivity and undesirable outputs： A directional distance function approach[J]. .Journal of Environmental Management， 1997，51（3）：229-240.

[28] 葉麗娜. 西北干旱生態脆弱區綠色發展水平評價及影響因素研究[D]. 寧夏：寧夏大學，2019.