作为全球交通的重要组成部分，民用航空也是二氧化碳排放的主要来源之一。近年来，其在全球二氧化碳排放总量中的占比持续上升，预计随着航空交通的持续增长，这一趋势还将继续加剧[1]、[2]。国际气候协议和地区政策要求对航空相关排放进行可靠评估，并鼓励航空领域发展低碳技术[3]、[4]、[5]。对于飞机制造商而言，在设计阶段准确估算碳排放量至关重要。这不仅有助于评估环境绩效和配置决策，还有助于新项目与长期脱碳目标及市场预期保持一致[6]、[7]。
现有的航空排放研究主要集中在基于详细飞机和发动机参数的自下而上核算方法上。通过结合空气动力学模型、发动机性能图、质量特性和运营数据，这些方法能够计算飞行或任务层面的燃油消耗及相应的二氧化碳排放量[10]、[11]、[12]、[8]、[9]。当必要的技术数据可用时，这些方法可以提供高精度的燃油消耗和二氧化碳排放量估算，从而实现分阶段或针对特定参数的分解[10]、[11]、[12]、[8]、[9]。
然而，在飞机设计的概念阶段和初步阶段，自下而上的核算方法存在显著局限性。在这一阶段，关键输入参数（如发动机性能、最终空气动力学配置、操作重量和客舱布局）尚未确定，且会随着设计的发展而发生较大变化。因此，详细的核算模型要么无法应用，要么会产生高度不确定的输出结果，这些结果依赖于难以验证的工程假设。因此，大多数现有研究集中在在役飞机上，而针对尚未建造的飞机在早期设计阶段进行排放量估算的系统方法相对较少。
为了解决数据限制，另一类文献采用了基于历史运营数据的自上而下或经验估算方法。这些研究利用观测到的燃油消耗、飞行距离、停留时间、座位配置和载客率等数据，建立交通特征与飞机、航线或航空公司层面排放量之间的统计关系[13]、[7]。在这一经验研究传统中，一些研究探讨了如何根据座位容量、占用面积、收入份额或乘客公里数等因素将排放量分配到不同座位等级，并评估经济舱、高端经济舱、商务舱和头等舱的乘客排放量[14]、[15]。其他研究和计算工具则模拟单位排放量如何随飞行距离或时间变化，通常通过距离依赖的排放因子将燃油消耗分解为起飞、降落和巡航阶段，这表明阶段长度与乘客公里数排放量之间存在非线性关系[16]、[17]。实际上，这些基于距离的关系被广泛应用于各种碳计算器和集成模型中，包括国际民航组织（ICAO）的碳排放计算器、myclimate飞行排放计算器以及结合PIANO-X性能数据的航空综合模型[18]、[19]、[20]、[21]、[22]、[7]。这些研究为座位等级、飞行距离和任务特性在影响航空排放中的作用提供了重要的实证和实际证据。
近年来，机器学习（ML）也被越来越多地应用于碳排放预测和运营排放分析。例如，基于树的模型和提升方法已被用于根据航空公司运营指标预测航空业的碳排放[23]，而基于神经网络的方法则被提出用于民用航空二氧化碳预测，并采用了元启发式调优[24]。更广泛的综述总结了ML方法（如神经网络、集成模型和支持向量机）在各个行业碳排放估算中的广泛应用，同时指出了数据质量和可解释性方面的持续挑战[25]。尽管ML方法具有预测优势，但它们依赖于丰富的特征集和复杂的特征工程，可能成为“黑箱”，从而限制了在早期设计决策中的透明度，而此时简洁的输入和清晰的解释非常重要。此外，对于异常检测，监督学习方法通常需要标记的异常样本，而在航空运营记录中这类样本很少见。
本研究在经验建模的基础上进行了拓展，但针对的是不同的决策场景：飞机设计的早期阶段。在这一阶段，制造商通常已知预期的任务特性和高级客舱配置（包括座位等级组合），但尚未获得关于具体发动机或详细性能参数的可靠信息。在这种情况下，（i）无法直接应用自下而上的工程核算方法；（ii）许多为事后车队核算设计的经验或ML模型可能不适合对设计候选方案进行事前评估。因此，存在一个方法论上的空白：需要一种不依赖于详细发动机数据、能够明确区分航线和座位等级，并与观测到的运营关系保持一致的输出估算工具。
为填补这一空白，本研究提出了一种基于历史运营数据的系统方法，用于估算设计阶段的航空排放量。该方法利用了大量观测飞行数据中发现的飞行时间、座位等级配置与二氧化碳排放量之间的经验关系，并将这些关系应用于新飞机项目的候选设计配置中。
设计阶段估算的关键步骤是选择在早期设计阶段既有物理意义又实际可行的预测因子。为此，我们分析了多种常见飞机模型的运营数据，包括波音737-800、空客A320、波音777-300ER、空客A350-900、波音787-9、空客A330-300、CRJ系列、巴西航空E195和巴西航空E175[26]、[27]、[28]、[29]、[30]、[31]、[32]、[33]、[34]。相关性分析表明，座位容量和航线飞行时间与乘客二氧化碳排放量密切相关，并且这些数据在早期设计阶段即可获得或可以指定。重要的是，一些常用的技术变量（如最大起飞重量（MTOW）、发动机推力和巡航速度）与座位容量之间存在极高的相关性（图1），这意味着强烈的多重共线性。从建模角度来看，引入这些高度共线的变量会降低解释能力，并增加冗余性，降低系数的稳定性。从设计角度来看，这些技术参数在早期设计阶段通常是不可用的或不确定的。因此，座位容量被用作一个简洁的代理变量，用来表征飞机规模和相关的推进特性，而飞行时间则反映了任务层面的运营特性，从而构建了一个适用于早期设计的简约估算框架。除了统计考虑外，座位容量和飞行时间也是早期市场和设计规划中直接确定的两个变量。飞机容量等级和目标飞行范围通常在选定详细发动机和完成空气动力学优化之前就已确定。因此，这两个变量不仅概括了高度相关的技术特性，还与早期飞机开发过程中做出的主要商业和管理决策相一致。这种双重作用增强了它们作为设计导向型排放估算框架核心预测因子的适用性。
因此，本研究在航空排放估算领域做出了以下贡献：
(1)我们提出了一个设计阶段的二氧化碳估算框架，使用两个早期可获得的预测因子（座位容量和飞行时间），避免依赖最终的发动机参数。
(2)我们开发了一种基于GA-GOOSE优化的OCSVM筛选步骤，以剔除异常飞行记录并提高区间估算的稳健性。
(3)我们引入了一种三点（下限/最可能值/上限）参数化区间模型，并将其与七种区间回归基线进行了对比，显示出改进的区间可靠性和可解释的弹性，以支持决策制定。
(4)利用超过65,000条飞行记录进行的实证分析揭示了排放量、座位容量和飞行时间之间的明确弹性模式。座位容量表现出降低乘客排放量的规模弹性，而飞行时间则显示出逐渐增加的边际排放弹性。这些弹性估算为经济和管理分析提供了基础，有助于制定策略，如优化飞机尺寸选择、改进飞机航线匹配，并将边际排放响应纳入早期设计和运营规划。
本文的其余部分安排如下：第2节概述了方法论，包括GA-GOOSE优化和三区间参数化回归模型。第3节利用真实世界飞行数据进行了实证分析。最后，第4节讨论了政策意义并总结了研究结果。
