吳薇薇，陳新元，張皓瑜，季 靈，劉 碩

(南京航空航天大學(xué) 民航學(xué)院，南京 211106)

近年來(lái)旅客出行需求增加，越來(lái)越多的人選擇航空出行，國(guó)內(nèi)旅客運(yùn)輸量由2011年27 199.0萬(wàn)人次增長(zhǎng)到2019年的58 567.0萬(wàn)人次，年均增長(zhǎng)率14.36%(數(shù)據(jù)來(lái)源于《年度民航行業(yè)發(fā)展統(tǒng)計(jì)公報(bào)》[1]).由于2020年春節(jié)前后受極端事件影響，2020年上半年受需求斷崖式下挫影響，整個(gè)行業(yè)受到嚴(yán)重沖擊(如圖1).可看出在極端事件發(fā)生時(shí)，客運(yùn)量會(huì)呈現(xiàn)不穩(wěn)定和復(fù)雜特性，如何科學(xué)地測(cè)算極端事件對(duì)民航客運(yùn)產(chǎn)生的沖擊大小，對(duì)民航業(yè)在“后疫情時(shí)代”的發(fā)展具有重要意義.

圖1 國(guó)內(nèi)民航年度客運(yùn)量Figure 1 Annual passenger volume of domestic civil aviation

1 文獻(xiàn)綜述

1.1 極端事件的影響研究

目前已有學(xué)者定性分析了極端事件對(duì)我國(guó)航空運(yùn)輸業(yè)的影響及后疫情時(shí)代我國(guó)航空業(yè)發(fā)展?fàn)顩r.崔志雄[2]結(jié)合具體數(shù)據(jù)，分析了極端事件對(duì)民航業(yè)產(chǎn)生的影響.研究發(fā)現(xiàn)受極端事件影響較大地區(qū)損失大，湖北省、經(jīng)濟(jì)發(fā)達(dá)的長(zhǎng)三角、珠三角地區(qū)運(yùn)輸量同比下降50%以上，而其余各省民航運(yùn)輸量均出現(xiàn)不同幅度的下降；其次極端事件對(duì)民航影響存在遞延效應(yīng).許誠(chéng)[3]認(rèn)為主要表現(xiàn)在以下幾個(gè)方面：極端事件對(duì)外貿(mào)易受阻、大量國(guó)際航班被迫停運(yùn)；較長(zhǎng)的傳染周期、持續(xù)時(shí)間使航空公司入不敷出，資金鏈出現(xiàn)問(wèn)題；極端事件下的員工風(fēng)險(xiǎn)進(jìn)一步提高經(jīng)營(yíng)成本，加速人力資源流失，嚴(yán)重影響企業(yè)的正常運(yùn)營(yíng).孫金祿[4]分析了極端事件對(duì)南京航空市場(chǎng)的影響，對(duì)影響下面臨的機(jī)遇與挑戰(zhàn)作出全面的分析，困境主要表現(xiàn)在增速驟降，恢復(fù)緩慢；全球爆發(fā)，洲際停航；航空貨運(yùn)，考驗(yàn)加劇等.在疫情下中國(guó)航空公司面臨的發(fā)展問(wèn)題上，胡進(jìn)[5]首先評(píng)估了極端事件對(duì)全球航空業(yè)的影響，并分析了中國(guó)航空業(yè)的未來(lái)走勢(shì)，最后提出極端事件下中國(guó)航空公司面臨的五大新問(wèn)題以及存在的四大老問(wèn)題，給出發(fā)展建議.Achim I·Czerny[6]研究表明在2020年7月我國(guó)國(guó)內(nèi)市場(chǎng)已經(jīng)恢復(fù)到危機(jī)前80%，由于雙邊航線及航班頻率的控制國(guó)際市場(chǎng)恢復(fù)較慢，同時(shí)研究表明中國(guó)“曲線平坦化”的恢復(fù)策略不適合西方國(guó)家.Lu[7]將空間異質(zhì)性加入一種新的交通臨近深度神經(jīng)網(wǎng)絡(luò)加權(quán)回歸模型(TPDNNWR)中，研究交通網(wǎng)絡(luò)對(duì)流行病傳播的影響，但本文并未定量分析極端事件對(duì)交通網(wǎng)的影響.Gudmundsso[8]通過(guò)使用多元自回歸綜合移動(dòng)平均(ARIMAX)模型基于歷史數(shù)據(jù)、國(guó)內(nèi)生產(chǎn)總值及油價(jià)對(duì)未來(lái)航空客貨運(yùn)輸需求進(jìn)行預(yù)測(cè)，通過(guò)需求的恢復(fù)情況表明航空業(yè)受到的沖擊對(duì)客運(yùn)的影響比對(duì)貨運(yùn)的影響更長(zhǎng).Mogaji[9]使用調(diào)查問(wèn)卷的抽樣技術(shù)對(duì)受訪者進(jìn)行信息的收集，并使用單因素方差分析來(lái)估計(jì)分析極端事件對(duì)拉各斯州交通的影響，相關(guān)分析表明該州受極端事件影響的交通運(yùn)輸與其當(dāng)?shù)鼐用竦慕?jīng)濟(jì)、社會(huì)及宗教活動(dòng)的影響呈正相關(guān).Fatmi[10]通過(guò)來(lái)自名為COVID-19的網(wǎng)絡(luò)調(diào)查，收集有關(guān)個(gè)人日?；顒?dòng)、長(zhǎng)途旅行、出行方式及旅客滿意度，采用迭代比例擬合技術(shù)驗(yàn)證樣本，分析表明在極端事件期間個(gè)人戶外活動(dòng)參與減少50%以上，日常出行頻率最高的是購(gòu)物其次才是工作相關(guān)的出行.Arimura[11]將時(shí)間序序列中的人口密度進(jìn)行可視化，研究極端事件狀態(tài)下影響人們?nèi)粘；顒?dòng)的行為變化及人口密度分布變化.

上述研究分別從民航業(yè)發(fā)展現(xiàn)狀、航空公司經(jīng)濟(jì)指標(biāo)、旅客出行意愿、客運(yùn)量恢復(fù)等方面較為宏觀地研究了極端事件對(duì)我國(guó)民航業(yè)的影響情況，但是對(duì)于極端事件對(duì)客運(yùn)量影響的量化研究有待進(jìn)一步深入.在回顧有關(guān)對(duì)客運(yùn)量的定量研究中，最突出和常用的是時(shí)間序列模型，模型可通過(guò)對(duì)歷史客運(yùn)量的分析捕捉到未來(lái)客運(yùn)需求.

1.2 時(shí)間序列方法回顧

對(duì)于事件的定量研究一般使用統(tǒng)計(jì)方法對(duì)歷史數(shù)據(jù)進(jìn)行系統(tǒng)處理，進(jìn)一步分為因果模型及時(shí)間序列模型.與因果模型相比，時(shí)間序列分析方法可以對(duì)短期未來(lái)值進(jìn)行分析和預(yù)測(cè)，具有較好效果.目前有較多研究者使用時(shí)間序列分析方法對(duì)交通領(lǐng)域進(jìn)行研究.BOX和Jenkins[12]最早將時(shí)間序列模型用于航空客運(yùn)數(shù)據(jù)的研究.Samagaio[13]采用自回歸和指數(shù)平滑模型對(duì)2008～2020年里斯本機(jī)場(chǎng)客運(yùn)量進(jìn)行預(yù)測(cè)以檢驗(yàn)官方對(duì)該區(qū)域航空旅客的預(yù)測(cè)，結(jié)果顯示，政府預(yù)測(cè)處于預(yù)估的高端.隨后Aston[14]提出一種新的季節(jié)調(diào)整方法，以“航空公司模型”為基礎(chǔ)，考慮時(shí)間序列中的異常值.Chu[15]則對(duì)新加坡月度旅游人數(shù)構(gòu)建了一個(gè)分?jǐn)?shù)階ARIMA(p,d,q)(將d視為非整數(shù))解釋了新加坡的旅游需求，其模型預(yù)測(cè)結(jié)果相對(duì)優(yōu)于傳統(tǒng)和季節(jié)性ARIMA(p,d,q)模型.國(guó)內(nèi)研究者孫亞蘭[16]使用了SARIMA模型對(duì)我國(guó)民航客運(yùn)量進(jìn)行預(yù)測(cè)，結(jié)果顯示該模型適合短期預(yù)測(cè)，長(zhǎng)期預(yù)測(cè)不理想.蔡文婷[17]等使用灰色關(guān)聯(lián)法選取了2012～2017年民航客運(yùn)量相關(guān)指標(biāo)，并利用篩選指標(biāo)建立多元線性回歸模型.楊新湦[18]等使用指數(shù)平滑法、線性趨勢(shì)外推法等多種方法進(jìn)行組合分析了2004～2017年珠三角區(qū)域航空客運(yùn)量.周建紅[19]等人針對(duì)航空產(chǎn)品的歷史消費(fèi)量代替不可預(yù)測(cè)的需要量而導(dǎo)致需求預(yù)測(cè)出現(xiàn)的偏差問(wèn)題使用技術(shù)無(wú)效率項(xiàng)的隨機(jī)前沿預(yù)測(cè)模型與ARIMA模型相結(jié)合的方法對(duì)航空客運(yùn)量進(jìn)行預(yù)測(cè).傳統(tǒng)的計(jì)量統(tǒng)計(jì)方法如指數(shù)平滑法、ARIMA方法等在事件影響分析上具有較大缺陷，不能很好地分析受到外部沖擊的時(shí)間序列特征.

在航空客運(yùn)量的外部沖擊分析上，國(guó)內(nèi)外學(xué)者較多采用基于Box-Jenkins SARIMA的干預(yù)分析方法及ARIMAX模型(多元ARIMA模型).TSUI等[20]使用Box-Jenkins SARIMA和ARIMAX模型預(yù)測(cè)香港國(guó)際機(jī)場(chǎng)未來(lái)的旅客吞吐量，結(jié)果顯示兩個(gè)模型的樣本長(zhǎng)度不同但最終兩個(gè)模型都提供了準(zhǔn)確可靠的預(yù)測(cè)結(jié)果，但是SARIMA模型不能成功捕獲到SARS爆發(fā)的負(fù)面影響(異常值).Lim[21]利用考慮了季節(jié)性及SARS虛擬變量的ARMAX模型研究了日本旅游需求與實(shí)際收入之間的動(dòng)態(tài)關(guān)系，并且將結(jié)果與單方程(OLS)模型進(jìn)行比較，發(fā)現(xiàn)ARIMAX更適合研究日本旅游需求與實(shí)際收入之間的動(dòng)態(tài)關(guān)系，且日本旅游需求的收入彈性為正且顯著.國(guó)內(nèi)在民航客運(yùn)受到外部沖擊時(shí)也有研究，戴特奇[22]基于SARIMA的干預(yù)分析模型考察了非典事件對(duì)我國(guó)客運(yùn)量的影響，結(jié)果表明疫情的沖擊對(duì)客運(yùn)量的負(fù)面沖擊很快被市場(chǎng)反彈，并對(duì)客運(yùn)量的增長(zhǎng)帶來(lái)持續(xù)正影響.張志俊，趙潔瓊[23]針對(duì)“后非典”時(shí)期經(jīng)濟(jì)政策對(duì)貨運(yùn)的影響用干預(yù)分析模型進(jìn)行預(yù)測(cè)和分析，結(jié)果表明干預(yù)分析模型在預(yù)測(cè)和分析干預(yù)效應(yīng)時(shí)具有較高的預(yù)測(cè)精度和較大的靈活性.陶卓霖[24]利用干預(yù)分析模型對(duì)金融危機(jī)期間的客運(yùn)量進(jìn)行建模，結(jié)果表明金融危機(jī)對(duì)我國(guó)民航客運(yùn)造成多次連續(xù)沖擊.由此可知時(shí)間序列中的干預(yù)分析模型對(duì)含有干預(yù)事件的航空客運(yùn)時(shí)間序列數(shù)據(jù)的解釋效果比經(jīng)典時(shí)間序列模型更好.

上述研究表明，基于干預(yù)分析的時(shí)間序列方法可以很好地解釋和預(yù)測(cè)沖擊下的航空客運(yùn)量，即通過(guò)歷史受干擾數(shù)據(jù)和前幾個(gè)時(shí)期的隨機(jī)誤差可以很好的捕捉到當(dāng)前需求.對(duì)于研究極端事件帶來(lái)的不確定因素，干預(yù)分析模型可動(dòng)態(tài)描述極端事件沖擊下客運(yùn)量的變化.

本文擬采用2011年1月～2020年12月的民航月度客運(yùn)量數(shù)據(jù)建立相關(guān)的時(shí)間序列干預(yù)分析模型，找出序列中各異常點(diǎn)出現(xiàn)的時(shí)間、類型及異常值效應(yīng)，說(shuō)明事件發(fā)展的規(guī)律，分析出極端事件對(duì)我國(guó)民航客運(yùn)的影響及相關(guān)政策對(duì)我國(guó)民航業(yè)發(fā)展的影響，為相關(guān)部門提供更多的幫助.

2 模型介紹

時(shí)間序列中的SARIMA(Seasonal ARIMA)[12]模型可以很好模擬季節(jié)性時(shí)間序列數(shù)據(jù).SARIMA來(lái)源于綜合自回歸平均模型(ARIMA).ARIMA模型其表達(dá)式為：

Φ(B)dyt=Θ(B)εt

(1)

其中：d、B表示差分次數(shù)和滯后算子，dyt=(1-B)dyt-d；Φ(B)=1-φ1B-φ2B2-LφpBp為平穩(wěn)可逆的自回歸多項(xiàng)式；Θ(B)=1-θ1B-θ2B2-LθqBq為平穩(wěn)可逆的移動(dòng)平均多項(xiàng)式；yt表示所研究的時(shí)間序列；εt為零均值白噪聲序列.

在航空時(shí)間序列數(shù)據(jù)中，存在明顯的季節(jié)性變化.這種季節(jié)性變化可能是氣候變動(dòng)，商業(yè)實(shí)踐或者節(jié)假日活動(dòng)等原因引起，以一定時(shí)期的周期變動(dòng).需要使用SARIMA模型，其表達(dá)式為：

(2)

其中：P，Q，p，q分別表示季節(jié)和非季節(jié)自回歸、移動(dòng)平均算子的最大滯后階數(shù)，其中：ΦP(Bs)和ΘQ(Bs)分別表示p階自回歸算子和q階季節(jié)移動(dòng)平均算子；Δdyt=(1-B)dyt+d，Δ和Δs分別表示差分和季節(jié)性差分，d和D分別表示非季節(jié)性和季節(jié)性差分的次數(shù)，vt表示模型的隨機(jī)擾動(dòng)項(xiàng)，且vt～I(xiàn)IDN(0,σ2).式(2)稱為(p,d,q)×(P,D,Q)S階季節(jié)時(shí)間序列模型.

在特殊時(shí)期，被觀測(cè)的航空客運(yùn)時(shí)間序列會(huì)可能會(huì)受到突發(fā)事件的干預(yù)，會(huì)導(dǎo)致觀測(cè)值在某一時(shí)期的異常使得某一時(shí)期的觀測(cè)結(jié)果和常態(tài)下的觀測(cè)值不一致，由外部事件沖擊下產(chǎn)生的觀測(cè)值稱之為異常值.為了描述受突發(fā)事件影響下的時(shí)間序列，考慮以下模型：

(3)

(4)

L1(B)=1

(5)

(6)

(7)

(8)

定義ψ權(quán)和π權(quán)，表示為：

1+ψ1B+ψ2B2+L

(9)

1-π1B-π2B2-L

(10)

式(5)為加性異常點(diǎn)(Additive outlier，AO)，表示某一孤立的異常觀測(cè)值，通常不會(huì)對(duì)后續(xù)觀測(cè)值產(chǎn)生影響.式(6)為革新異常點(diǎn)(Innovational outlier，IO)，異常值的發(fā)生涉及到時(shí)間序列內(nèi)在結(jié)構(gòu)，會(huì)對(duì)后續(xù)觀測(cè)值造成影響，且對(duì)后續(xù)序列的影響隨著Ψ權(quán)而不斷變化.式(7)代表水平漂移點(diǎn)(Level shift，LS)，其作用持久，會(huì)對(duì)后續(xù)的觀測(cè)值產(chǎn)生影響，并且影響值取決于值.暫時(shí)變化點(diǎn)(Temporary change，TC)用式(8)表示，異常值對(duì)后續(xù)少量觀測(cè)序列產(chǎn)生影響，異常效應(yīng)會(huì)逐漸衰減.

3 算例分析

3.1 模型識(shí)別和建立

本文時(shí)間序列選擇2011年1月～2020年12月期間的我國(guó)月度客運(yùn)量數(shù)據(jù).月度客運(yùn)量數(shù)據(jù)源自中國(guó)民用航空局[26].序列可分解為趨勢(shì)項(xiàng)、季節(jié)項(xiàng)及隨機(jī)干擾項(xiàng).使用R軟件，利用decompose函數(shù)將所得時(shí)間序列數(shù)據(jù)進(jìn)行乘法分解，結(jié)果見(jiàn)圖2.

圖2 2011～2020年我國(guó)航空月度客運(yùn)量及時(shí)間序列三部分分解圖Figure 2 Three-part decomposition chart of monthly passenger volume and time series in China from 2011 to 2020

圖2分為四個(gè)部分，由上到下，第一行為序列的觀測(cè)值圖；第二行為趨勢(shì)圖，由圖2可得2020年以前我國(guó)民航客運(yùn)量是呈現(xiàn)上升趨勢(shì)；第三行為數(shù)據(jù)的季節(jié)性圖，可得我國(guó)民航客運(yùn)量具有非常明顯的季節(jié)性，序列具有12個(gè)月的季節(jié)性；第四行為隨機(jī)擾動(dòng)圖，可見(jiàn)隨機(jī)干擾項(xiàng)在2020年數(shù)據(jù)的不規(guī)則波動(dòng)較明顯.

現(xiàn)令t時(shí)刻民航客運(yùn)量為Y，對(duì)Y進(jìn)行時(shí)間序列分析.由表1自相關(guān)分析結(jié)果表明，序列Y自相關(guān)高且衰減較慢，帶有周期為12的波動(dòng)特征，與序列分解圖吻合，這說(shuō)明序列Y不平穩(wěn)且周期性較明顯.對(duì)序列Y進(jìn)行一階差分ΔYt=Yt+1-Yt后發(fā)現(xiàn)其自相關(guān)性降低，周期性仍較強(qiáng)，即存在明顯的季節(jié)性問(wèn)題.對(duì)序列進(jìn)行一階差分及季節(jié)差分，得到序列Δ1Δ12Y，同時(shí)估計(jì)序列自相關(guān)及偏自相關(guān)函數(shù).經(jīng)過(guò)以上的一階非季節(jié)性差分和一階季節(jié)性差分處理后基本消除了序列的非平穩(wěn)性，序列滿足建立SARIMA模型的條件，因此根據(jù)序列的檢驗(yàn)結(jié)果對(duì)客運(yùn)量建立SARIMA模型.在對(duì)序列Δ1Δ12Y進(jìn)行自相關(guān)性與偏自相關(guān)分析中發(fā)現(xiàn)序列相關(guān)性(ACF)拖尾性明顯，偏相關(guān)性(PACF)在2步之后截尾性明顯，可能至少存在非季節(jié)2階移動(dòng)平均成分.在K=12時(shí)，序列的自相關(guān)和偏自相關(guān)顯著不為0，說(shuō)明季節(jié)成分存在，不易判斷是否包含1階季節(jié)自回歸和1階移動(dòng)平均.故擬定選擇乘積(2,1,0)×(1,1,0)12和(2,1,0)×(0,1,1)12模型.模型分別如下：

表1 我國(guó)民航客運(yùn)量相關(guān)性分析結(jié)果Table 1 results of correlation analysis of civil aviation passenger volume in China

Δ1Δ12Yt=εt/(μ+φ1Δ12Yt-1+

φ2Δ12Yt-2+ε)ΦY(L12)

(11)

Δ1Δ12Yt=(1-ΘL12)εt/(μ+

φ1Δ12Yt-1+φ2Δ12Yt-2+ε)

(12)

其中：Yt為第t期民航客運(yùn)量；εt為高斯白噪聲；Δ為向前差分算子；L為滯后算子.另外，美國(guó)航空客運(yùn)量時(shí)間序列模型常用(0,1,1)×(0,1,1)12(Box和Jenkins模型)來(lái)描述，因此將此模型作為一個(gè)選擇.

3.2 模型估計(jì)及異常值檢測(cè)

擬采用2011年1月～2020年12月的民航月度客運(yùn)量數(shù)據(jù)通過(guò)R軟件分別對(duì)三種SARIMA模型進(jìn)行估計(jì)，其估計(jì)結(jié)果見(jiàn)表2～4.比較三個(gè)模型估計(jì)結(jié)果，發(fā)現(xiàn)SARIMA(2,1,0)×(1,1,0)12模型的擬合優(yōu)度為0.635，高于SARIMA(2,1,0)×(0,1,1)12和SARIMA(0,1,1)×(0,1,1)12模型的擬合優(yōu)度.根據(jù)最小信息準(zhǔn)則原理，SARIMA(2,1,0)×(1,1,0)12的AIC為12.159，均小于其余兩個(gè)模型.故選擇SARIMA(2,1,0)×(1,1,0)12模型進(jìn)行分析.

表2 SARIMA(2,1,0)×(1,1,0)12模型估計(jì)結(jié)果Table 2 Estimation results of model of SARIMA (2,1,0)×(1,1,0)12 models

表3 SARIMA(2,1,0)×(0,1,1)12模型估計(jì)結(jié)果Table 3 Estimation results of model of SARIMA (2,1,0)×(0,1,1)12 models

表4 SARIMA(0,1,1)×(0,1,1)12模型估計(jì)結(jié)果Table 4 Estimation results of model of SARIMA(0,1,1)×(0,1,1)12 models

時(shí)間序列中異常值檢測(cè)具有實(shí)際意義，檢測(cè)出異常值，可以根據(jù)異常值出現(xiàn)的時(shí)間及異常值類型對(duì)出現(xiàn)該異常值的原因進(jìn)行分析，同時(shí)可分析異常值對(duì)時(shí)間序列建模、參數(shù)估計(jì)、預(yù)測(cè)的影響.由于突發(fā)事件對(duì)時(shí)間序列產(chǎn)生的干預(yù)時(shí)間是未知的，因此在對(duì)時(shí)間序列進(jìn)行干預(yù)影響分析之前需要基于SARIMA模型對(duì)時(shí)間序列進(jìn)行異常值檢測(cè).在此引入常見(jiàn)異常值檢測(cè)中常用的公式：

ri=ωxii+et,t=T,T+1,…,n,i=1,2,3,4

(13)

其中：ri表示模型擬合誤差.

對(duì)任意的i，xir=1當(dāng)k≥1，有：

x1(T+k)=-πk

(14)

x2(T+k)=rt

(15)

(16)

(17)

式(14)～(17)分別表示AO、IO、TC、LS異常值的檢測(cè)算法公式.

(18)

(19)

tp∈{IO,AO,LS,TC}

(20)

若ηtp(T)>似然率測(cè)試臨界值C，則表明在T時(shí)刻存在tp類型的異常值.通常觀測(cè)序列長(zhǎng)度為100～200之間，取C為3.0；小于100，C取2.5≤C≤2.9；序列超過(guò)200，則C取大于3.0.本文取C為3.0，基于SARIMA(2,1,0)×(1,1,0)12模型對(duì)序列采用迭代方法檢驗(yàn)異常值存在及屬性，在2020年2月～2020年12月檢測(cè)出四個(gè)異常值(見(jiàn)表5).

表5 基于SARIMA(2,1,0)×(1,1,0)12模型的異常值檢測(cè)結(jié)果Table 5 Anomaly value detection result based on SARIMA (0,1,1)×(0,1,1)12 models

3.3 異常值分析及影響估計(jì)

目前，本文已經(jīng)通過(guò)迭代算法檢測(cè)出三種異常值的存在，由表5可知，2020年2月出現(xiàn)TC異常點(diǎn)，系數(shù)值較大，說(shuō)明該異常點(diǎn)在2月影響較劇烈.2020年3月出現(xiàn)LS異常點(diǎn)，最后在2020年8月新增另一個(gè)LS異常點(diǎn)，最后一個(gè)異常點(diǎn)的系數(shù)和前兩個(gè)異常點(diǎn)系數(shù)相反，說(shuō)明影響方向不同.三個(gè)異常點(diǎn)t-檢驗(yàn)值絕對(duì)值均大于1.96且p值均小于0.05，具有統(tǒng)計(jì)學(xué)意義.為進(jìn)一步探究這三種異常點(diǎn)對(duì)時(shí)間序列的影響，對(duì)異常值進(jìn)行異常效應(yīng)估計(jì)(見(jiàn)表6).

由表6中模型結(jié)果表明，在極端事件期間我國(guó)民航客運(yùn)遭受了多次沖擊，2020年2～12月，受到外部沖擊影響為23 595.4，其中：總的負(fù)沖擊為-20 053.6，總的正沖擊為3 541.8.上半年出現(xiàn)了兩次不同類型的異常點(diǎn)影響，第一次在2月，為暫時(shí)變化點(diǎn)(TC)，首月影響為-4 028.828，異常效應(yīng)為負(fù)且數(shù)值較大，異常點(diǎn)出現(xiàn)的時(shí)間節(jié)點(diǎn)在極端事件發(fā)生前后，與極端事件對(duì)民航?jīng)_擊的事實(shí)吻合.隨后該種異常點(diǎn)對(duì)時(shí)間序列影響逐漸減弱，由結(jié)果顯示，在6月時(shí)異常效應(yīng)減弱至-1 000以內(nèi)，12月時(shí)該種異常點(diǎn)對(duì)我國(guó)民航客運(yùn)僅為-113.804，異常點(diǎn)的異常效應(yīng)逐漸減弱的結(jié)果與疫情對(duì)我國(guó)國(guó)內(nèi)民航客運(yùn)影響減弱的事實(shí)吻合.

表6 異常值異常效應(yīng)估計(jì)結(jié)果Table 6 Abnormal value anomaly effect estimation result

在3月，檢測(cè)到了水平漂移(LS)異常點(diǎn)，此種異常點(diǎn)作用持久，會(huì)對(duì)后續(xù)的觀測(cè)值產(chǎn)生持續(xù)的影響，首月異常效應(yīng)為-688.967，影響效應(yīng)為負(fù)，且持續(xù)到年底.這可能是極端事件發(fā)生后，政府進(jìn)行管控的結(jié)果.在極端事件期間，政府為了防止極端事件進(jìn)一步擴(kuò)散和傳播，對(duì)各機(jī)場(chǎng)、公交車站等交通樞紐實(shí)施常態(tài)化防控策略，形成常態(tài)化防控下的交通運(yùn)輸秩序可能導(dǎo)致航空客流同比有所下降.

在不久后的2020年8月，檢測(cè)到一次正向的沖擊，異常點(diǎn)類型為水平漂移(LS)，大小為708.365.對(duì)于結(jié)果解釋有兩種可能：一是在國(guó)家層面，隨著國(guó)內(nèi)極端事件進(jìn)一步控制得當(dāng)，政府對(duì)出行進(jìn)行了政策調(diào)整以滿足人們的出行意愿，8月得到正沖擊，也可能是前期政府推出一系列積極的支持和減負(fù)政策給予民航系統(tǒng)扶持引導(dǎo)的結(jié)果.免征航空公司應(yīng)繳納的民航發(fā)展基金、降低起降費(fèi)項(xiàng)目等均有助于緩解航空公司成本端的壓力，為釋放人們累積的出行意愿提供了出行保障.二是航空公司層面，在此期間不少航空公司嘗試?yán)缰辈ж?、團(tuán)餐外賣等一系列營(yíng)銷手段激發(fā)了潛在市場(chǎng)，推動(dòng)了民航市場(chǎng)的進(jìn)一步恢復(fù).例如東航在電商促銷時(shí)推出的“隨心飛”組合產(chǎn)品，南航公布的“快樂(lè)飛”產(chǎn)品，國(guó)航對(duì)老人和學(xué)生也推出了有針對(duì)性的產(chǎn)品，海航集團(tuán)旗下航企聯(lián)合推出“嗨購(gòu)自貿(mào)港”產(chǎn)品等喚回了大眾對(duì)航空公司的關(guān)注度，火爆的流量及國(guó)內(nèi)民航客運(yùn)的快速恢復(fù)也證明了這種方式起到不錯(cuò)的宣傳效果.

4 結(jié) 語(yǔ)

本文研究發(fā)現(xiàn)，在極端事件爆發(fā)后國(guó)內(nèi)民航客運(yùn)需求受到-4 028.8的負(fù)沖擊，隨著國(guó)內(nèi)形勢(shì)穩(wěn)定，各航司在得到多方面政策的扶持下并利用多種營(yíng)銷策略加速了市場(chǎng)回暖，8月起，疫情期間各沖擊對(duì)民航客運(yùn)的影響僅為-454.6.暑假旺季結(jié)束，民航市場(chǎng)持續(xù)向好，各沖擊總和逐漸減小，年底受到總沖擊僅為-94.4，年底客運(yùn)量恢復(fù)至同年90%.國(guó)內(nèi)民航市場(chǎng)對(duì)極端事件這種外部沖擊具有較強(qiáng)的抵抗力，從干預(yù)結(jié)果分析：一方面3月份的政府管控措施雖然給民航客運(yùn)帶來(lái)負(fù)沖擊，但最大程度保障了人民群眾生命安全及身體健康，為國(guó)內(nèi)民航市場(chǎng)的穩(wěn)定與恢復(fù)提供了環(huán)境，同時(shí)也有效阻止了疫情在國(guó)內(nèi)的擴(kuò)散，減弱了2月份以來(lái)極端事件對(duì)民航客運(yùn)的直接影響；另一方面，8月份政府一系列“回暖”政策及航空公司“自救”措施進(jìn)一步給客運(yùn)量帶來(lái)了持續(xù)的正影響，使得民航業(yè)在經(jīng)歷了數(shù)月的低谷后逐步回升.

全年來(lái)看，對(duì)比其他國(guó)家地區(qū)，中國(guó)國(guó)內(nèi)航空客運(yùn)市場(chǎng)恢復(fù)較快，將成為全球民航客運(yùn)市場(chǎng)復(fù)蘇的燈塔.在受到極端事件沖擊的上半年中，中國(guó)民航局帶領(lǐng)各航司摸索出多項(xiàng)有效政策及措施，同時(shí)嚴(yán)格防控，這為常態(tài)化下的民航恢復(fù)提供了方法.下半年，憑借民航業(yè)的努力和各種自救措施，我國(guó)民航運(yùn)輸市場(chǎng)從基本回暖邁向進(jìn)一步復(fù)蘇.