时间见证运营效率：未来时间参照方法

《Journal of Air Transport Management》：Time speaks operational efficiency: Future-Time-Reference approach

　　

摘要

组织如何看待“时间”塑造了它们如何协调和利用运营资源。本研究考察了主动时间框架（即将未来不确定性视为需要当下准备和协调的事物）与更高效的运营资源利用之间的关联。本研究使用语言未来时间参照（FTR）作为这种框架的语言代理变量：弱-FTR 语言以现在时形式表达未来事件，使未来在心理上感觉更近。使用 1994 年至 2012 年的全球航空公司数据，研究发现弱-FTR 环境中的航空公司在资源利用方面表现出更高的效率。当更多的代码共享合作伙伴也来自弱-FTR 环境时，这种关联更强，尽管调节证据具有情境依赖性。本研究重新构建了运营中未来导向与效率之间的权衡，并确定时间对齐是时间复杂性下的边界条件。

1. 引言

组织并非在时间真空中做决策。组织如何“看待”时间——它们考虑哪些时间视野、执行哪些节奏以及如何协调不同的时间框架——从根本上塑造了它们做什么以及做得有多好（Aeon and Aguinis, 2017; Ancona et al., 2001; Blagoev et al., 2024）。多项关于时间导向的研究表明，时间框架调节注意力和行动，并促进协调（Aeon and Aguinis, 2017; Slawinski and Bansal, 2012）。与此同时，当时间框架异质或冲突时，它们可能产生摩擦，使集体工作脱轨（Mohammed and Nadkarni, 2011; Stonig and Müller-Stewens, 2025）。从这个意义上说，时间不仅仅是一种环境；它是一种组织装置，引导注意力并使能或阻碍组织绩效（Blagoev et al., 2024）。

在更广泛的时间导向文献中，许多关注点集中在短期导向（STO）和长期导向（LTO）的区别上。这一流派通常区分优先考虑即时绩效和成本控制的决策者（STO）与重视延迟奖励和长视野承诺的决策者（LTO），并将 LTO 与未来价值创造联系起来（Covin and Slevin, 1989; Flammer and Bansal, 2017; Wang and Bansal, 2012）。在这一流派中，未来导向通常被视为与即时效率压力存在张力，因为长期承诺需要当前资源支出和延迟回报。

然而，时间导向不仅仅是关于行动者是否重视长期而非短期结果。一个独特但发展较少的问题是关于未来感觉离现在有多近，以及未来不确定性是否被视为需要当下行动的问题。本研究通过主动时间框架发展了这一观点（Aeon and Aguinis, 2017; Blagoev et al., 2024）。与 LTO 不同，主动时间框架指的是将未来问题和不确定性带入当下的倾向，将其视为需要即时准备、协调和资源配置的问题。在运营环境中，这种框架可能支持高效的资源利用，通过帮助组织使产能与预期需求匹配、减少流程波动，并从给定资源中提取更大吞吐量（Andersén, 2011; Majumdar, 1998）。

这个问题变得尤为重要，因为组织很少在单一时间制度下运营。许多运营过程需要与带来不同时间规范、规划视野和协调节奏的外部合作伙伴合作。这种时间复杂性可能是一把双刃剑。一方面，它可以通过允许组织平衡竞争需求来丰富问题解决。另一方面，当合作伙伴根据不兼容的时间框架运营时，它会造成模糊，增加协调成本，并削弱运营质量（Jarvenpaa and V?likangas, 2022; Mohammed and Nadkarni, 2011）。这些可能性意味着运营合作伙伴之间的时间对齐对于解释运营绩效可能至关重要。尽管如此，文献仍然需要更多关于时间复杂性双刃剑性质的讨论（Jarvenpaa and V?likangas, 2022）。

本文旨在通过考察如何通过语言未来时间参照（FTR）捕捉的主动时间框架与运营资源的高效利用相关，以及时间对齐如何调节这种关联，来解决这些差距。语言 FTR 捕捉语言如何在语法上标记未来；在“弱-FTR”语言中，说话者习惯性以某种方式描述未来事件，使未来在心理上感觉离现在更近（Chen, 2013; Thoma and Tytus, 2018）。例如，英语（一种强-FTR 语言）需要明确标记未来，如助动词"will"，而德语、日语或芬兰语等弱-FTR 语言使用现在时形式表达相同含义，将未来事件视为现在时间线的一部分。因此，学者们认为弱-FTR 环境促进将未来后果视为当下关切的思维方式（Hechavarría et al., 2023; Min, 2026）。这些属性使 FTR 成为考察主动时间框架的有用语言代理变量。

本研究的核心论点是弱-FTR 环境可能支持主动时间框架，通过这种框架，组织更有可能预判未来状态、提前配置资源并在流程中执行规律性。在高吞吐量环境中，这种主动性可能减少波动，改善产能需求匹配，并支持资源的更充分利用——这是运营效率的关键特征（Majumdar, 1998; Andersén, 2011）。以全球航空业为实证背景，研究发现嵌入弱-FTR 语言环境的航空公司比强-FTR 环境中的航空公司表现出更高效的运营资源利用。它还提供了暗示性证据，即当焦点航空公司更大比例的运营合作伙伴也来自弱-FTR 环境时，这种弱-FTR 优势更强。

本研究做出三项贡献。首先，通过区分主动时间框架和既定的 LTO-STO 区别，它贡献于时间导向研究。以往研究常将未来导向决策与长期投资、创新和延迟价值创造联系起来（Majumdar, 1998; Blagoev et al., 2024）。本研究显示主动时间框架也可能对日常运营协调很重要。通过将未来不确定性带入当下行动，主动时间框架可能支持更高效地使用现有资源和更高的已实现产能利用率。其次，本研究通过识别时间对齐的基础并将这种对齐与组织间运营中的绩效后果联系起来，推进了时间复杂性研究（Jarvenpaa and V?likangas, 2022; Stonig and Müller-Stewens, 2025）。它理论化认为 FTR 的相似性减少了时间翻译成本并促进联盟伙伴间的同步，从而放大与主动立场相关的效率收益。最后，通过建议管理者可能从将时间视为战略资源并配置时间制度以改善日常运营绩效中受益，本研究提供了实践指导（Stonig and Müller-Stewens, 2025）。因此，本研究将战略时间性定位为管理者可以设计的杠杆，而不是他们必须忍受的约束。

2. 理论与假设

2.1. 主动时间框架与高效的资源利用

运营效率不仅取决于组织拥有多少资源，还取决于它们如何可预测且充分地利用这些资源。本研究聚焦于运营效率的这一利用维度。

高效的资源利用指的是通过收紧产能需求匹配和减少核心过程中的波动，将给定的资源基础转化为可靠、高通量的运营绩效的能力（Adler et al., 1999; Shah and Ward, 2007）。这种能力建立在两个相互强化的支柱上：预判和协调。预判指的是尽早识别未来不确定性并将其转化为当下运营规则的能力，如冻结时间、截止日期、早期载重计划和预防性维护周期（Yakura, 2002）。以往的运营研究表明，需求规划、预测例行程序和流程纪律通过稳定产能规划、减少信息扭曲和提高交付可靠性来改善运营绩效（Danese and Kalchschmidt, 2011; Lee et al., 1997; Shah and Ward, 2007）。通过将潜在干扰“左移”到更早的规划阶段，预判减少了当日的波动并支持资源的更充分利用。

协调指的是在相互可理解的时间规则下同步相互依存的活动。从时间作为结构的视角来看，日历、里程碑、截止日期和节奏工具不仅仅是记录工作；它们调节注意力和集体行动（Blagoev et al., 2024）。当时间结构对齐时，它们降低了关于谁在何时移动、以什么节奏以及有多少缓冲的模糊性。当它们异质或冲突时，它们提高了翻译成本并扰乱了跨组织和跨组织边界的交接（Jarvenpaa and V?likangas, 2022; Reinecke and Ansari, 2015; Yakura, 2002）。

主动时间框架将这两个支柱结合在一起。它指的是将未来不确定性视为需要准备、协调和资源配置的当下问题的倾向。当这种框架嵌入运营惯例时，它可以将未来注意力转化为结构纪律，如更早的调度决策、标准化的截止日期和共享的节奏工具。这些惯例可以减少事后救火并保持当日运营在更紧的不确定性范围内。因此，在资源条件相似的情况下，预判更早且协调更紧密的组织更有可能实现更高的资源利用率和更少的流程中断（Adler et al., 1999; Ancona et al., 2001; Hopp and Spearman, 2021; Majumdar, 1998）。

总之，主动时间框架可能通过改善预判和协调来支持高效的资源利用。下一节解释为什么语言 FTR 为此框架提供了有用的代理变量。

2.2. 基于语言的主动时间框架

大量研究将管理者的时间导向与战略选择联系起来，但这些视角的前因各不相同（例如，个体特征、文化和治理）（Dou et al., 2019; Lin et al., 2019）。本研究聚焦于民族语言作为时间框架的结构前因。

语言相对性研究表明语言可以塑造时间认知（Sapir, 1929）。反复接触语言的沟通惯例会调节习惯性认知，逐渐锚定特定的心理模式（Whorf, 1956）。根据语言相对论，人们每天使用的语法和话语形式不仅仅是反映思想；它们帮助构成思想，塑造组织内外行动者如何构建时间视野、评估潜在危害并在不同情境中选择替代方案（Boroditsky, 2001; Lucy, 1997; Robertson and Roberts, 2023）。因此，语言为组织内外的时间框架提供了一种相对稳定且制度上普遍的结构线索。

在这一视角下，本研究借鉴了未来时间参照（FTR）的概念，即语言在语法上要求说话者将未来事件与现在事件区分开来的程度（Chen, 2013; Chen et al., 2017; Hechavarría et al., 2023）。在强-FTR 语言中，说话者通常需要专门的时间或结构来标记未来，这强化了“现在”和“以后”之间更清晰的心理分隔。相比之下，弱-FTR 语言通常允许用现在形式表达未来事件，培养了时间连续感。例如，英语是一种强-FTR 语言，通常需要明确标记未来，如“明天会下雨”。相比之下，德语或日语等弱-FTR 语言可以使用现在时结构表达相同的未来事件，大致等同于“明天下雨”。

从理论术语上讲，这种语法对比构成了时间框架：它塑造了行动者在日常谈话中将事件“定位”到多远的未来，进而塑造了他们如何随时间模式化注意力和行为。当语言实践使未来感觉与现在不连续（强 FTR）时，决策者更倾向于反应式控制；当实践使未来感觉连续（弱 FTR）时，他们更倾向于将明天的不确定性纳入今天的规则、时间表和缓冲中（Chen, 2013; Chen et al., 2017; Min, 2026）。

具体来说，由于弱-FTR 语言环境使未来在心理上感觉离现在更近，行动者在今天做选择时更重视明天的后果，表现为较低的时间贴现和更大的计划、预先承诺和预防倾向。在实践中，这表现为更高的储蓄、更健康的生活方式、预防性安全行为、更早投资于需要时间成熟的惯例，以及倾向于安装事前运营规则而不是依赖事后即兴发挥（Chen, 2013; Min, 2026; Robertson and Roberts, 2023）。相比之下，强-FTR 环境强调了现在与未来的分割，推动决策者转向更短的视野、反应式灵活性和准时修复。基于这些见解，几项研究认为弱 FTR 适合捕捉主动时间框架（Cheng et al., 2022; Min, 2026; Tang et al., 2021）。

基于这一流派，本研究将 FTR 理论化为主动时间框架的语言前因和实证代理变量。弱-FTR 语言使未来事件在语法上与现在分离较少，从而支持未来导向的时间框架。这个框架在概念上与这里开发的机制相关：将未来运营不确定性视为当下问题的倾向。

在运营实践中，这种时间框架可能体现在一系列常规流程中，例如较早做出的排程决策、预防性缓冲安排、主动产能规划以及跨参与方的共享节奏机制。采用未来时间引用（FTR）作为前瞻性时间框架的代理变量，为本研究提供了两个优势。第一，相较于长期导向（LTO）等宽泛的文化建构，FTR提供了更为聚焦的时间框架度量指标。长期导向关注的是长期结果与短期结果之间的相对价值评估，而FTR捕捉的是当下事件与未来事件之间的语法距离和感知距离。因此，FTR有助于将前瞻性时间框架与一般化的长期导向区分开来。第二，FTR是一种稳定的语言结构，相较于观察到的管理者未来导向，其不太可能反映同期的企业绩效或组织冗余资源。这使得FTR在研究基于语言的时间结构与运营资源利用之间的关联时尤为有用。

**2.3 FTR与运营效率**

当管理者将未来的不确定性常规性地视为当前需要关注的事项时，组织更有可能在不确定性完全显现之前就建立前置性流程。这类流程能够减少当日波动，并使得既定的资源基础产生更稳定、更充分的产出，减少中断情况（Majumdar, 1998; Schmenner and Swink, 1998）。因此，时间框架可以通过流程的形成在组织层面变得显著。

这一过程在航空业尤为相关。尽管航空公司运行在一个高度标准化和国际化的环境中，但标准化并未消除组织的自主裁量空间。航空公司仍然保留着在产能规划方式、缓冲资源分配、飞机与机组轮换、中断应对准备、维护协调以及与机场、地勤服务商和代码共享伙伴之间的活动同步等方面的自主权（Barnhart et al., 2003; Bazargan, 2010）。这些自主裁量领域恰恰是时间框架可能发挥作用的领域。当未来事件在认知上被框架为更接近当下时，管理者更倾向于将潜在中断、需求波动和协调失败视为需要立即着手准备的问题。随着时间推移，这种倾向可能体现在诸如更早的排程审查、明确的截止时间、更强的起飞前协调以及与运营伙伴之间更加规范化的信息共享等常规做法中。

本研究假设，FTR通过日常沟通塑造这种时间框架。如前所述，弱FTR语言常规性地允许用现在形式表达未来事件，从而促进当下与未来之间的心理连续性。这种连续性降低了时间折现效应，并使决策倾向于预期、预先承诺和预先协调，而非依赖事后的临时应变（Chen, 2013; Lin et al., 2019）。相反，强FTR语言对未来进行更强制性的标记，突出了现在与未来之间的界限，推动决策者倾向于反应式灵活性（Chen, 2013; Min, 2026）。从概念上看，弱FTR扩大了预期性注意的范围，并将这种注意力制度化到日历、里程碑和升级流程中。这些机制可能减少执行偏差，并通过支持组织更有效地利用既定资源来提高运营效率（Blagoev et al., 2024; Reinecke and Ansari, 2015）。

一个有用的现场类比如某家航空公司在旺季之前锁定登机截止时间和恢复门槛，并提前演练重新保护方案。由于航空运营中意外的需求激增和中断续发常态，这种预先承诺能够减少执行层面的当日波动：排队时间缩短，飞机/机组利用率保持较高水平，且排程恢复速度比那些将决策推迟到运营当天再做的制度下更快。行业概况报告和准点率审计记录了类似的时机规范，包括均衡排程、标准化周转和编码化的恢复时钟，并显示围绕此类常规运作的运营商通常在准点率绩效中排名靠前，这与稳定执行和保障已实现客座率的判断一致（Cirium, 2022, 2025; OAG, 2023）。

综合上述观点，本研究预测：

**H1** 嵌入弱FTR语言环境的组织，相较于嵌入强FTR语言环境的组织，更有可能更高效地利用运营资源。

**2.4 时间复杂度与运营效率**

运营很少仅依赖单一时间框架。运营是从跨单位和跨企业的相互依赖工作中产生的，其成员带来不同的时间假设、规划视野、节奏和韵律。近期文献将此条件描述为时间复杂度（Hilbolling et al., 2022; Jarvenpaa and V?likangas, 2022; Stonig and Müller-Stewens, 2025）。本研究认为，前述弱FTR环境对运营资源高效利用的正向效应，在焦点企业的经营伙伴也嵌入弱FTR环境时更为显著。

两个机制支撑这一预测。第一，经营伙伴在前瞻性时间框架上的协同能够增强不确定性完全显现之前的联合准备。当焦点企业及其经营伙伴都将未来不确定性视为当前关注事项时，他们更可能重视早期规划、预先承诺和预防性调整。这种共享的前瞻性立场使伙伴更愿意更早锁定决策、提前维持缓冲，并在中断升级之前协调应对措施。在此意义上，弱FTR协同可以放大焦点企业的前瞻性流程，因为伙伴同样倾向于在当前时刻对未来的不确定性采取行动。

第二，效率随着协作者之间的时间协同而提升，因为共享的时间制度使相互依赖的工作变得可理解且可执行。即使伙伴有意愿提前准备，协作仍取决于他们的时间规则、节奏工具和升级流程能否跨组织边界实现同步。关于跨组织和跨职能协作的研究表明，共同的节奏工具，如共同拥有的日历、标准截止规则和里程碑门槛，能够降低边界处的翻译成本并稳定交接。例如，Yakura（2002）记录了时间线如何作为时间边界对象发挥作用：通过将节奏显性化并使其可相互理解，减少了"谁在何时行动"方面的模糊性，并缩小了任务执行中的偏差。在网络协作中，Jarvenpaa和V?likangas（2022）表明，安装共享节奏和时间脚手架（同步流程、共同审查周期）的伙伴能够缓解因异质时钟而产生的摩擦，从而在大规模上维持协调行动。同样，时间复杂度文献发现，在缺乏明确的时间领导来对齐日程和预期的情况下，成员之间的节奏偏好差异是有害的（Mohammed and Nadkarni, 2011）。这些发现界定了"对齐杠杆"：当协作者共享时间工具和规范时，交接变得可理解，升级时钟能够跨组织传播而减少翻译，常规协调能够更有效地吸收冲击——正是在这些条件下，利用率得以维持且当日偏差保持在较低水平。

相比之下，即使前瞻性规则存在，时间框架的不匹配也会对效率产生拖累。Reinecke和Ansari（2015）分析了碰撞时间结构的场景——不同的周期、截止期限和前置期假设——这些结构在现场和组织界面产生协调失败；其结果包括返工、延误和同步丧失（例如，一个伙伴的"冻结"发生在另一个的"锁定"之后），使设计良好的流程在边界处陷入停滞。

因此，本研究提出：

**H2** 当焦点企业更大比例的经营伙伴也嵌入弱FTR语言环境时，焦点企业的弱FTR环境与其运营资源高效利用之间的正向关系更为显著。

**3. 研究方法**

**3.1 样本与数据**

为检验假设，本研究使用了一个涵盖1994年至2012年的全球航空年度面板数据集，包含来自46个国家的71家定期客运承运人。商业航空提供了尤为适合的研究情境，因为运营效率既具有战略核心地位，又在可观测范围内存在显著变异。航空公司需要在随机需求以及诸如天气、空中交通管制限制、劳工行动和安全事件等反复冲击下，协调紧密耦合的流程（飞机和机组排程、维护、地面处理和站点运营）。在此环境中，事前的时间纪律与当日即兴应变会产生可见的效率差异。

这一情境在本质上是多语言和跨组织的。跨境合作，尤其是代码共享联盟运营，是航空运营的常规特征，这意味着企业必须在不同参与方可能嵌入不同语言和文化背景的组织边界之间对齐时间制度。1994至2012年的时间窗口进一步强化了设计，横跨了有意义的监管变化。该窗口涵盖了在许多司法管辖区中消费者保护和非常规运营救济尚不完善的时期，使得行为变异更有可能由组织规范和流程驱动，而非由普遍约束性法规驱动（EU, 2004; DOT, 2011）。

数据取自多个既有的行业来源，并在航空年度层面进行整合。关于企业间合作的信息来自《航空业务》杂志的档案期号，该杂志报道了代码共享关系；这些条目用于构建年度伙伴构成和强度指标。核心交通和运力统计数据以及机队特征来自国际民用航空组织数据库、《航空运输世界》和国际航空运输协会的《世界航空运输统计》。

**3.2 变量**

**因变量（t+1）**：本研究使用各样本航空公司在t+1年的客座率来衡量运营资源的高效利用，客座率定义为RPM（收入客运英里）除以ASM（可用座位英里）。在航空运营中，客座率表明承运人将既定运力转化为实际旅客产出的程度。虽然客座率并非纯粹的运营效率度量指标，但它是航空研究中广泛使用的已实现运力利用率指标（如Borenstein and Rose, 2014）。在可比的运营条件下，更高的客座率反映了更紧密的运力与需求匹配，以及将可用座位运力转化为旅客吞吐量更为有效的过程（Caves et al., 1984; Mhlanga et al., 2018; Min, 2025）。

**自变量与调节变量（t）**：焦点解释变量是焦点航空公司国家语言的未来时间引用（FTR）制度。本研究首先使用美国国家州法院中心的国家—语言汇编，识别了每家航空公司的官方国家语言。基于语言经济学文献，本研究按照Chen（2013）的标准及后续管理学中的跨国FTR应用，将语言划分为弱FTR与强FTR类别（Hechavarría et al., 2023; Liang et al., 2018）。在主模型中，本研究构建了一个二元指标变量，当航空公司的本国语言为弱FTR时取值为1，否则为0。由于二值化处理可能无意中代理了其他国家级特征，本研究在稳健性检验中也使用了连续的FTR度量指标（例如Chen（2013）所使用的语言类型学文献中的语言层面FTR评分）。对于拥有多种官方语言的国家，本研究将航空公司归属为人口中占比最大的主导官方语言，这与此前的FTR研究一致（Hechavarría et al., 2023; Min, 2026）。

为检验H2，本研究利用代码共享联盟作为相关的经营伙伴情境。代码共享产生了相互依赖的规划和当日执行，使其成为检验伙伴时间制度是否放大焦点效应的适当视角（Min, 2019）。利用《航空业务》杂志的档案名录，本研究识别了每家航空公司在t时的活跃代码共享伙伴集合，并计算了伙伴弱FTR份额：即焦点承运人的代码共享伙伴中，其本国语言为弱FTR的比例。随后，将焦点航空公司的弱FTR指标与伙伴弱FTR份额之间的交互项纳入模型。

**控制变量（t时）**：为防范替代性解释，模型纳入了一组在t时测量的控制变量，涵盖企业规模与成熟度、合作关系的结构与强度、联盟系统效应以及宏观需求条件。在企业层面，本研究控制了企业年龄（以创立以来的年数取对数衡量），以考虑学习效应、流程化和生命周期效应等可能影响已实现利用率的因素（Argote and Epple, 1990）。旅客数量取对数以控制已实现的交通量。规模由机队总规模取对数衡量，捕捉了排程选项、网络广度和密度方面的规模与范围差异，这些因素已知会影响运力利用率（Caves et al., 1984）。

在合作层面，本研究控制了代码共享网络中的位置和网络广度。第一，计算每家承运人在年度代码共享网络中的特征向量中心度，捕捉了接入高连接度伙伴的能力以及跨企业协调资源的潜在性，后者可能独立地提高客座率（Lin et al., 2009）。第二，由于样本窗口涵盖了全球航空联盟的兴起（星空联盟、寰宇一家、天合联盟），且联盟共同成员身份深化了流程整合，超越了双边代码共享（例如排程协调、联合中断管理），本研究还构建了同一联盟伙伴份额：即在t时，焦点承运人的代码共享伙伴中与其共享同一联盟归属的比例。对于在特定年份未加入有品牌联盟的焦点航空公司，此变量设为零（Lazzarini, 2007）。第三，为捕捉合作关系的强度，本研究还纳入了每家航空公司每年代码共享关系的平均持续时间（以年计）。较长的关系通常意味着积累的关系资本、更丰富的共享流程和更低的协调成本，这些可以稳定当日执行并改善已实现座位占用率（Dyer and Singh, 1998）。

最后，本研究还纳入了国家级控制变量。

通过纳入本国收入客公里数（百万）来吸收宏观需求。这一控制变量排除了周期性扩张或收缩对客运需求的影响，而这类影响可能独立于企业或网络层面的机制影响客座率。引入霍夫斯泰德长期导向指数以确保弱FTR指标不会简单捕捉更广泛的文化长期导向（Hofstede, 1991）。国家人口数（百万）作为控制变量，涵盖国家市场规模和人口需求潜力，两者可能独立于所提出的时间框架机制影响实际客座率（Zachariah et al., 2023）。

3.3 模型估计

本研究采用总体平均广义估计方程（GEE）模型进行估计，以航空公司-年份为分析单位，以t+1年的客座率为因变量。由于FTR在国家和语言层面测量且基本不随时间变化，实证设计无法利用航空公司内部的FTR变化。因此，估计主要依赖于不同语言环境中航空公司之间的横截面变异。这造成了重要的识别局限：弱FTR可能与未观测到的国家层面制度、文化或市场特征相关，而这些特征也影响运营资源利用率。因此，结果应被解释为总体平均关联而非明确的因果估计。为部分应对这一问题，分析中纳入了洲际固定效应以考虑制度环境、航空市场、地理和监管条件方面的广泛区域差异（Doganis, 2019）。本研究还纳入了年份固定效应以吸收全球或国家共同冲击，如宏观需求周期和监管变化。

主模型使用GEE，通过指定工作相关结构来考虑重复观测中航空公司内部的依赖性（Ballinger, 2004; Liang and Zeger, 1986）。本研究采用高斯族、恒等链接、AR(1)工作相关结构和稳健标准误。这些分析减少了若干可观测的异质性来源，并处理了面板数据中的序列依赖问题，虽然未能完全消除未观测到的国家层面混淆。随机效应面板模型作为稳健性检验报告。

4. 结果

表1展示了分析中使用的变量的描述性统计和成对相关系数。多重共线性诊断表明无需担忧：在所有主规格中，最高方差膨胀因子（VIF）为2.36，远低于常规阈值。部分规模代理变量高度相关，尤其是对数旅客量和log对数机队规模（r = 0.723）。为避免冗余和不稳定的方差分解，主模型将这两个变量分开并展示结果。

表1. 描述性统计与相关系数。

| 变量 | 均值 | 标准差 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 客座率（t+1） | 71.830 | 6.116 | | | | | | | | | | | | |
| 2 弱FTR | 0.329 | 0.470 | ?0.044 | | | | | | | | | | | |
| 3 合作伙伴弱FTR占比 | 0.577 | 0.279 | ?0.052 | ?0.426 | | | | | | | | | | |
| 4 Ln（年龄） | 3.915 | 0.561 | 0.094 | ?0.186 | 0.119 | | | | | | | | | |
| 5 Ln（旅客） | 15.980 | 1.108 | 0.217 | 0.065 | ?0.084 | 0.135 | | | | | | | | |
| 6 Ln（总机队） | 4.277 | 1.117 | 0.273 | 0.084 | ?0.107 | 0.130 | 0.723 | | | | | | | |
| 7 特征向量中心性 | 0.083 | 0.102 | 0.084 | 0.184 | ?0.146 | 0.149 | 0.154 | 0.135 | | | | | | |
| 8 同联盟占比 | 0.288 | 0.344 | 0.372 | 0.021 | ?0.116 | 0.274 | 0.282 | 0.293 | 0.351 | | | | | |
| 9 代码共享时长 | 4.122 | 2.210 | 0.379 | ?0.025 | ?0.072 | 0.185 | 0.034 | 0.157 | 0.094 | 0.337 | | | | |
| 10 本国收入客公里 | 3.527 | 0.960 | 0.472 | 0.011 | ?0.074 | 0.186 | ?0.061 | 0.060 | 0.143 | 0.470 | 0.629 | | | |
| 11 霍夫斯泰德长期导向 | 49.123 | 23.293 | 0.007 | 0.482 | ?0.200 | ?0.432 | 0.054 | 0.004 | 0.151 | 0.018 | 0.038 | 0.016 | | |
| 12 人口 | 179.258 | 333.838 | ?0.074 | 0.188 | ?0.018 | ?0.340 | 0.033 | 0.159 | ?0.090 | ?0.138 | ?0.005 | 0.065 | 0.268 |

注：Ln表示对数变换值。

表2报告了带稳健标准误的GEE估计结果。模型1纳入控制变量。若干控制变量的行为符合预期。本国收入客公里在所有模型中均为强正向预测因子（β = 0.512, p < .001），表明宏观需求提升了实际利用率。同联盟占比为正向且显著（β = 0.318, p = .005），这与更深入联盟整合改善协调和时刻表完整性一致。代码共享网络中的特征向量中心性为负向（β = ?0.904; p = .002），表明占据过于中心的位置可能引入协调复杂性或注意力分散，从而降低实际客座率。

表2. 检验假设的回归结果。

| 变量 | 模型1 | 模型2 | 模型3 | 模型4 | 模型5 |
|---|---|---|---|---|---|
| 弱FTR | 1.786*** | 1.449** | 1.981*** | 1.646*** | |
| | (0.49) | (0.52) | (0.47) | (0.50) | |
| 弱FTR ×合作伙伴弱FTR占比 | | | 0.965** | | 0.960** |
| | | | (0.36) | | (0.35) |
| 合作伙伴弱FTR占比 | | | 0.198 | ?0.098 | 0.209 |
| | | | (0.16) | (0.15) | ?0.088 |
| | | | | | (0.16) |
| Ln（年龄） | 0.228 | 0.208 | 0.220 | 0.16 | 0.172 |
| | (0.18) | (0.18) | (0.19) | (0.18) | (0.19) |
| Ln（旅客） | ?0.007 | ?0.006 | ?0.003 | ?0.025 | ?0.020 |
| | (0.06) | (0.06) | (0.06) | (0.06) | (0.06) |
| Ln（总机队） | | | 0.103* | 0.102* | |
| | | | (0.04) | (0.04) | |
| 特征向量中心性 | ?0.904* | ?0.908** | ?0.918** | ?0.924** | ?0.931** |
| | (0.29) | (0.29) | (0.31) | (0.29) | (0.31) |
| 同联盟占比 | 0.318* | 0.335** | 0.323** | 0.326** | 0.314** |
| | (0.11) | (0.12) | (0.12) | (0.11) | (0.11) |
| 代码共享时长 | ?0.024 | ?0.021 | ?0.027 | ?0.025 | ?0.030 |
| | (0.02) | (0.02) | (0.02) | (0.02) | (0.02) |
| 本国收入客公里 | 0.512*** | 0.506*** | 0.511*** | 0.516*** | 0.520*** |
| | (0.06) | (0.06) | (0.06) | (0.06) | (0.06) |
| 霍夫斯泰德长期导向 | 0.034 | ?0.188*** | ?0.221*** | ?0.215*** | ?0.249*** |
| | (0.03) | (0.05) | (0.05) | (0.05) | (0.06) |
| 人口 | 0.000 | 0.000 | ?0.001 | 0.000 | ?0.001 |
| | (0.00) | (0.00) | (0.00) | (0.00) | (0.00) |
| 常数项 | ?2.533 | 3.118? | 4.289** | 3.839** | 4.987*** |
| | (1.12) | (1.63) | (1.62) | (1.49) | (1.51) |
| 年份固定效应 | 是 | 是 | 是 | 是 | 是 |
| 洲际固定效应 | 是 | 是 | 是 | 是 | 是 |
| N | 1077 | 1077 | 1077 | 1077 | 1077 |

注：Ln表示对数变换值；标准误在括号内；***p < .001；**p < .01；*p < .05；?p < .1。

模型2和模型4引入弱FTR的效应以检验H1。弱FTR在模型2中的系数为正向且显著（β = 1.786, p < .001），在模型4中仍为正向且显著（β = 1.981, p < .001）。这些结果支持H1。此外，弱FTR与合作伙伴弱FTR占比的交互项在两个交互模型中均为正向且显著（模型3：β = 0.965, p = .007；模型5：β = 0.960, p = .006）。这些结果为H2提供支持，表明当焦点航空公司的代码共享合作伙伴中来自弱FTR语境的占比更大时，弱FTR的关联更强。

图1基于模型3，绘制了在不同合作伙伴弱FTR占比全范围内两组航空公司的预测客座率：嵌入弱FTR语境的航空公司（虚线）和嵌入强FTR语境的航空公司（实线）。该图显示，对于处于弱FTR语境的焦点企业，随着弱FTR合作伙伴占比的增加，预测客座率上升。相比之下，对于强FTR企业，预测客座率在不同合作伙伴占比范围内相对平稳。这一模式与以下观点一致：当合作伙伴也嵌入弱FTR语境时，弱FTR优势变得更加显著。

图1. 弱FTR语境与合作伙伴弱FTR占比的交互效应。
注：预测值基于表2模型3。误差条表示95%置信区间。合作伙伴弱FTR占比以0到1的比例测量。

为探究替代解释并获得额外洞察，本研究进行了三组探索性分析。首先，使用带洲际固定效应和稳健标准误的随机效应面板回归重新估计模型。虽然为节省篇幅未详细报告，但这些模型对H1和H2得出了相同的实质性结论。

其次，本研究用从国家语言天气预报语料库得出的两个连续FTR得分替换了二元弱FTR指标（Chen, 2013）。在表3中，模型1-3使用动词比率，定义为未来标记动词在所有未来指涉动词中的占比。模型4-6使用句子比率，定义为带有显性未来标记的未来天气句子占比。由于这些指数上较高的值表示更强的FTR，本研究将每个值乘以?1，使较大的值一致表示更弱的FTR。使用任一连续指标，主效应（H1）在模型1和4中仍为正向且显著，佐证了弱FTR语境预测更高效的运营资源利用。然而，调节效应（H2）在模型2和5中失去了统计显著性，表明H2比主效应更具条件性。

表3. 检验额外分析的回归结果汇总。

| 变量 | 因变量：FTR动词比率 | 因变量：FTR句子比率 | 因变量：每架飞机旅客数 |
|---|---|---|---|
| | 模型1 | 模型2 | 模型3 | 模型4 | 模型5 | 模型6 | 模型7 | 模型8 | 模型9 |
| 弱FTR | 5.142** | 4.587** | ?0.937 | 6.888** | 6.273** | ?0.855 | 5.503* | 5.269? | ?7.023*** |
| | (1.70) | (1.74) | (0.62) | (2.28) | (2.31) | (0.55) | (2.76) | (2.76) | (1.49) |
| 弱FTR ×合作伙伴弱FTR占比 | | 0.455 | 2.247* | | 0.458 | 2.065* | ?0.257 | 2.516** | |
| | | (0.44) | (1.08) | | (0.41) | (0.96) | (0.30) | (0.94) | |
| 合作伙伴弱FTR占比 | 0.198 | 0.406 | 1.317? | 0.198 | 0.429 | 1.342? | 0.100 | 0.196 | 0.126 |
| | (0.17) | (0.30) | (0.74) | (0.17) | (0.31) | (0.74) | (0.11) | (0.13) | (0.27) |
| 控制变量、年份和洲际固定效应 | 是 | 是 | 是 | 是 | 是 | 是 | 是 | 是 | 是 |
| N | 890 | 890 | 466 | 890 | 890 | 466 | 934 | 934 | 365 |

注：标准误在括号内。模型1-3使用连续FTR动词比率指标，模型4-6使用连续FTR句子比率指标；两个指标均乘以?1使较大值表示更弱的FTR。模型7-9使用每架飞机旅客数作为因变量，二元弱FTR指标作为自变量。模型1、2、4、5、7和8使用每种规格下的完整样本。模型3、6和9使用代码共享合作伙伴数量高于平均的子样本。使用低于平均合作伙伴子样本的结果统计上不显著，未报告。所有模型均包含控制变量、年份固定效应和洲际固定效应。***p < .001；**p < .01；*p < .05；?p < .1。

为进一步探究合作伙伴时间对齐何时变得更加显著，本研究基于平均代码共享合作伙伴数量（本样本中为六个）将样本分组，因为合作伙伴时间对齐在航空公司嵌入更大且更需协调的合作伙伴网络时更为重要（Gulati, 1998）。在表3中，焦点航空公司弱FTR与合作伙伴弱FTR占比的交互仅在模型3和6中，即合作伙伴数量高于平均的航空公司中具有统计显著性，而在合作伙伴数量低于平均的航空公司中不显著。这一模式表明，当组织间协调需求相对较高时，合作伙伴时间对齐最为重要。

第三，本研究通过利用每架飞机旅客数检验了替代因变量，计算方式为总旅客数除以总机队规模。该指标衡量相对于航空公司物理机队资源的实际旅客产出，从而提供了航空公司如何将飞机资产基础转化为旅客吞吐量的互补指标。表3中模型7的结果支持H1：嵌入弱FTR语言语境的航空公司显示出更高的每架飞机旅客产出。然而，调节效应仅在模型9中聚焦于拥有更大合作伙伴网络的航空公司时变得显著。总体而言，这些探索性分析表明，弱FTR主效应在不同规格下相对稳健，而合作伙伴对齐调节效应在焦点航空公司运营于更广泛的合作伙伴网络时最为相关。

5. 讨论

本研究考察了以语言FTR为代理变量的主动时间框架如何与运营资源的高效利用相关联。利用1994-2012年间来自46个国家的71家定期客运航空公司全球面板数据，研究发现嵌入弱FTR语境的航空公司表现出更高的客座率——这一效率指标；当焦点航空公司代码共享合作伙伴中来自弱FTR语境的占比更大时，这种关联更强，尽管调节证据比主关联更具条件性。总体而言，这些结果与理论解释一致，即主动、面向未来的框架支持预期和协调，尽管本分析未直接观测这些中介机制。

本研究的结果从重新定义未来导向与效率关系的角度为时间定向文献做出贡献。以往研究常基于长期导向（LTO）与短期导向（STO）的对比，认为面向未来的决策可能与现时效率产生冲突，因为需要当前资源投入以获取未来回报（例如Flammer and Bansal, 2017; Wang and Bansal, 2012）。本研究提出了另一条运营中心路径。主动时间框架不仅仅是重视长期回报，而是将未来不确定性纳入当前协调和准备之中。在运营环境中，这种框架可能通过改善运力需求匹配、减少过程方差和促进固定资源更充分利用来支持运营资源更高效利用（Adler et al., 1999; Majumdar, 1998; Schmenner and Swink, 1998）。

其次，本研究还通过明确边界条件扩展了时间复杂性研究。越来越多的研究将时间视为结构，展示了日历、里程碑和截止日期如何规范集体行动，以及异质时间制度如何塑造绩效（Yakura, 2002; Reinecke and Ansari, 2015; Jarvenpaa and V?likangas, 2022; Blagoev et al., 2024）。以往研究指出，时间复杂性会阻碍内部节奏与外部需求之间的同步，产生冲突和混乱并带来绩效成本（Stonig and Müller-Stewens, 2025）。其他学者强调，跨分歧时钟的协作往往不可避免，协调取决于连接多个时间节奏的连接过程，如跨边界节奏惯例和翻译工具（Halbesleben et al., 2003; Kaplan and Orlikowski, 2013; Yakura, 2002）。本研究的结果为这场辩论增添了权变视角：在时间复杂性下，主动姿态带来的效率收益可能取决于运营合作伙伴的对齐。嵌入弱FTR语境的合作伙伴可能提供兼容的时间框架，使跨边界协调更加容易。然而，稳健性分析表明，这种对齐效应在航空公司拥有更大合作伙伴网络、组织间协调需求更高时最为明显。虽然本研究未直接观测特定的协调工具，如共享升级时钟或缓冲机制，但调节模式与时间兼容性可降低组织界面翻译成本的理念一致。因此，主动性的回报似乎是交互性的和协调权变的：当协作者以兼容方式"保持同步"时，尤其是当焦点组织面临大量跨边界协调需求时，这些回报最为显著。

第三，本研究推进了时间定向研究中的测量方法。时间定向在实证上难以研究有两个原因。首先，直接测量困难：常见代理变量如高管调查、披露语调或观察到的长期实践可能嘈杂，且可能捕捉其他组织特征。其次，时间定向通常对绩效具有内生性。拥有更多闲置资源的组织可能更能采用长期导向，这使得难以区分时间定向的影响与反向因果、遗漏的管理质量或管理视野的同时调整（Flammer and Bansal, 2017）。基于语言的FTR通过锚定于相对稳定的语言结构来补充个体差异和文化测量，该结构塑造了说话者如何常规理解未来（Chen, 2013; Liang et al., 2018; Hechavarría et al., 2023）。由于弱FTR语言允许未来事件以现在形式表达，它们使未来在心理上更近，以往研究将此与较低时间贴现和更愿意投资预防性、长期行动相关联（Chen, 2013; Liang et al., 2018）。

因此，上述运营结果为主动时间框架化在紧密耦合环境中的相关性提供了间接支持，在这种环境中，预期与协调理论上被认为对资源利用至关重要。最后，本研究为管理相互依赖型运营的管理者（如航空公司、医院、物流枢纽等类似系统）提供了实用指导。研究结果表明，管理者可以通过将未来关注点转化为当前的运营规则来提高资源利用率。例如，更早的锁定时间、均衡化的排班、标准化的周转流程以及预防性缓冲机制，可以减少当日波动并提高资源利用率，从而提升运营效率（Adler et al., 1999；Schmenner and Swink, 1998）。管理者还可以从将合作伙伴选择和协同编排视为时间设计问题中受益。为提高接口效率，运营合作应辅以共享的节奏工具，以降低翻译成本并使组织边界之间的交接清晰可见（Yakura, 2002；Jarvenpaa and V?likangas, 2022）。这在高度国际化的环境中尤为重要，例如全球航空业。航空公司不仅需要与联盟及代码共享合作伙伴协调，还需要与机场、监管机构、地面服务提供商及其他运营相关方协调（Barnhart et al., 2003）。在这种相互依赖的系统中，即使在时间假设、规划视野、截止规则和协调节奏等方面存在微小差异，也可能累积成对运营资源利用率的显著影响。从这个意义上说，本研究与战略性时间观这一新兴观点相一致：时间不仅是一种约束，更是一种可以通过节奏、周期和顺序选择进行架构设计以创造运营优势的资源（Stonig and Müller-Stewens, 2025）。

本研究存在若干局限性，也为后续工作开辟了新方向。首先，本研究仅考察了单一行业，并主要通过客座率衡量运营效率。尽管客座率是该领域公认的资源利用指标，但其他行业可能以不同方式表达效率，如周转时间、病床周转率或一次合格率。将该理论拓展至医疗、制造和数字服务领域，将有助于检验预期—协调机制的普遍性。即使在航空业内部，未来研究也应考察更直接的运营指标，如飞机机轮小时数、周转时间、延误分钟数以及维护和中断恢复流程。其次，FTR代理变量处于国家层面，相对于个体差异而言较为粗糙：多语言环境、双语管理者和组织社会化过程都可能调节语言对时间感知的塑造强度。未来研究可将语言类指标与个体层面主动行为常规的微观测量相结合（Mohammed and Nadkarni, 2011；Lin et al., 2019）。第三，尽管本研究的纵向设计和识别策略缓解了同时决定问题，但网络形成（谁与谁合作）仍具有一定的内生性。利用外生冲击或事件研究框架的研究设计将使因果推断更为严谨。最后，尽管理论强调预期、早期规划、主动协调和波动缩减，但本实证设计并未直接测量这些机制。因此，研究结果应被解释为与主动时间框架化机制相一致，而非其确凿证据。未来研究可通过收集运营常规数据（如冻结时间政策、预防性维护计划、缓冲规则、升级时钟、时间领导实践或跨合作伙伴的节奏工具）来直接检验这些传导渠道。

尽管存在上述局限性，本研究提示主动时间框架化可能是尚未被充分探索的运营优势来源。在理论上，本研究以波动缩减的预期与协调重新构建了对未来导向与效率关系的讨论，阐明了时间复杂性文献中的一个边界条件，并为时间取向提供了测量上的补充。在实践中，本研究建议管理者可以有意识地设计时间常规，通过成文规则和跨合作伙伴的共享节奏，帮助现有资产更顺畅地流动并被更充分地利用。

资助声明：本研究得到韩国国家研究基金会资助[资助编号：NRF-2024S1A5A8019203]。资助方未参与研究设计、数据收集、分析、解释、报告撰写或文章投稿决定。

Jungwon Min，仁荷大学商学院，韩国仁川市美宅区仁荷路100号，邮编22212