錢琪偉, 楊正全, 柳 青

(中國民航大學 交通科學與工程學院, 天津 300300)

海港型城市一般擁有優(yōu)質的沿海港口、連接內陸腹地、海港對經濟較強的影響,此類型城市經濟大多具有較強的外向性,城市產業(yè)發(fā)展更具優(yōu)勢,經濟增速快、實力更強[1]。因此,這類城市的機場的發(fā)展也更具外向性,航空運輸業(yè)也相對發(fā)達。

機場是民航運輸中的重要一環(huán),其運行效率對于航空運輸整體服務水平的改善和提高具有重要的影響。機場效率的研究已有一定的發(fā)展,而研究的方向各有側重。Gillen和Lall[2]首次運用數(shù)據(jù)包絡分析(data envelopment analysis, DEA)模型評價美國的21家機場的效率;此后涌現(xiàn)出DEA模型及各種改進衍生模型。Bazargan和Vasigh[3]運用DEA模型對45個美國商業(yè)機場進行生產力分析;Pacheco等[4]使用DEA方法研究巴西管理風格變化對機場績效的影響;Lozano和Gutiérrez[5]基于SBM-DEA(基于松弛變量的數(shù)據(jù)包絡分析)模型研究西班牙39個機場效率;Rapee和Peng[6]將DEA和層次分析法(analytic hierarchy process,AHP)結合來研究泰國主要機場的效率;?rkcü等[7]使用Malmquist生產力指數(shù)來評估土耳其21個機場的績效;Storto[8]采用NSBM-DEA(基于網絡松弛變量的數(shù)據(jù)包絡分析)方法來研究意大利機場的效率;Huynh等[9]運用兩階段法研究東南亞機場的效率。

國內學者的研究起步較晚。都業(yè)富等[10]采用DEA對中國民用機場運行的相對有效性進行了評價;劉晏滔[11]運用DEA對長三角地區(qū)10家機場的效率進行研究;褚衍昌[12]運用二階段DEA模型研究亞洲主要機場效率;任新惠和孫啟玲[13]運用DEA方法對長三角與珠三角地區(qū)機場的運營效率進行對比分析;朱星輝等[14]運用基于松弛策略DEA方法對我國2010年客運吞吐量排名前30位的民用機場進行運營效率研究;馬景祿[15]使用改進DEA測算中國9家大型機場運營效率;羅潤三[16]運用DEA方法評估山東省的6家支線機場運營效率;曾竹喧[17]運用三階段DEA方法研究長三角機場群內各機場的效率;景崇毅等[18]構建了具有子系統(tǒng)偏好的并行網絡DEA模型,并對我國2015—2019年千萬級以上機場的運行效率進行測算。

國內外現(xiàn)有研究多是從國家、地區(qū)或者機場角度按照某項指標進行排名,采用的方法多以DEA為基礎或者相關方法。然而,在海港型城市這種獨特的城市形態(tài)中,港口和城市相互影響、相互促進,城市的對外貿易十分活躍,進而影響港口及其他運輸方式和其他相關產業(yè)的發(fā)展[19]。港口城市具有發(fā)達的交通條件和國內、國外雙向經濟腹地,經濟外向型程度高。因此,本文從機場所在城市類型這一角度入手來研究機場效率,選取海港型城市進行分析,研究該類城市環(huán)境下的機場效率狀況,分析其效率特點,從細分研究角度以期更為精細地評價機場實際的運行效率。

在分析的基礎上,利用三階段DEA模型以及Malmquist生產力指數(shù)從靜態(tài)和動態(tài)兩方面分析機場的投入和產出之間的效率關系,真實全面了解機場的運營狀況。機場效率評價時采用2016—2021年的數(shù)據(jù),選取沿海地區(qū)14座海港型城市機場,參考人口、GDP等指標篩選規(guī)模相當?shù)?8家內陸地區(qū)機場進行對照分析,并為民航機場效率評估提供新的參考角度及建議。

1 研究方法

1.1 三階段DEA模型

2002年Fried等[20]提出將環(huán)境影響和統(tǒng)計噪聲納入DEA中構建新模型,并分為3個階段,如圖1所示。

圖1 三階段DEA流程

在階段1,DEA應用于產出和投入,以獲得績效的初始值;在階段2,用隨機前沿分析(stochastic frontier analysis,SFA)分析一組環(huán)境變量對階段1的績效指標的影響,這為每個輸入或輸出提供了將績效變化分解為因環(huán)境影響、管理無效率及統(tǒng)計噪聲部分;在階段3,調整輸入或輸出以考慮環(huán)境影響和階段2發(fā)現(xiàn)的統(tǒng)計噪聲的影響,并使用DEA重新評估生產者的效率。對于不同類型的機場而言,在疫情的影響下,采用三階段DEA能更加準確地測算效率值,對機場運行情況擁有真實的了解。

1.1.1 階段1:DEA-BCC模型

在階段1中,假設規(guī)模報酬可變,并利用原始投入與產出數(shù)據(jù)測算初步的效率。投入導向型BCC模型中,可以被表述為

(1)

若θ=1,S+=S-=0,則DMU為DEA有效;若θ=1,S+≠0,或S-≠0,則DMU為弱DEA有效;若θ<1,則DMU為非DEA有效。

1.1.2 階段2:SFA模型

采用SFA模型分離外部因素,將階段1中的松弛變量對環(huán)境變量及混合誤差項進行回歸分析,模型為

Sni=f(Zi;βn)+νni+μni,

i=1,2,…,I;n=1,2,…,N

(2)

式中:f為生產函數(shù);Sni為第i個DMU的第n項投入變量的松弛值;Zi為環(huán)境變量;βn為環(huán)境變量系數(shù);νni+μni為混合誤差項。

SFA回歸公式為

(3)

1.1.3 階段3:再次DEA測算

將階段2調整過的投入數(shù)據(jù)及原始產出數(shù)據(jù),再次應用DEA-BCC方法對效率值進行測算,進而得到真實的DMU效率值。

1.2 評價指標體系構建

在數(shù)據(jù)可獲取性的基礎上,綜合考慮到海港型城市與內陸城市機場實際運營情況,選擇2項投入指標和3項產出指標,并選取2項指標作為環(huán)境變量,具體見表1。

表1 投入產出變量

應用Stata26軟件對投入與產出變量進行Pearson相關性檢驗,結果見表2,投入、產出變量相關系數(shù)均為正值,顯著性水平為1%,說明指標具有合理性。

表2 投入產出變量的Pearson相關性檢驗結果

2 機場效率結果及分析

2.1 樣本選取

研究樣本考慮該城市機場吞吐量規(guī)模以及參考2021年本地港口吞吐量在2億t以上的沿海城市,從中選取了14座海港型城市。結合所選海港型城市并依據(jù)其人口和GDP水平,相應地選取18座內陸城市進行研究。運行效率評價選取的32家機場見表3。研究分為靜態(tài)與動態(tài)研究兩方面,靜態(tài)選取2017年、2020年的數(shù)據(jù)以此對比研究疫情前后的效率狀況,動態(tài)研究選取2016—2021年的數(shù)據(jù)。數(shù)據(jù)來源于交通運輸部吞吐量數(shù)據(jù)、民航局的歷年《全國機場生產統(tǒng)計公報》、各地機場官網數(shù)據(jù)及《中國統(tǒng)計年鑒》。

表3 樣本機場

2.2 階段1效率測算

使用DEAP2.1軟件求解32家機場的運行效率。應用2016—2021年的原始數(shù)據(jù)分別計算得出階段1的效率值,并計算投入松弛變量。階段1為效率的初步值,需要在階段2調整后重新進行計算。兩個時期中各取一個年份(2017年、2020年)為例。

2.3 階段2 SFA調整

為了剔除外部影響,以人口、GDP兩個環(huán)境因素為自變量,利用航站樓面積、機位數(shù)的松弛量建立兩個SFA回歸方程,采用Frontier4.1軟件測算,結果見表4,3個方程的LR值和γ值均處于1%的顯著水平,而γ值接近1,因此SFA回歸有效,管理無效率為投入松弛變量的主要影響,隨機擾動對投入松弛變量的影響較小。

表4 2017年、2020年階段2投入冗余的SFA回歸結果

根據(jù)表4,對2017年、2020兩年度進行分析可以得出以下結論:

1)人口對航站樓面積松弛系數(shù)為正值,說明人口數(shù)量增長導致航站樓面積投入的冗余的增加;而人口對機位數(shù)量松弛變量系數(shù)為負值,表明人口的增加使得機位數(shù)量投入冗余降低,進而影響該地區(qū)機場的效率。

2)GDP對航站樓面積松弛系數(shù)為正值,說明GDP的增長導致航站樓面積投入冗余增加;而GDP對機位數(shù)量松弛變量系數(shù)為正值,表明GDP的增加引起機位數(shù)量投入冗余增長,對該地區(qū)機場的效率產生影響。

2.4 階段3效率分析

采用調整過的投入值及原始產出值,應用DEAP2.1求得階段3的結果,見表5。此時的效率剔除了外部影響,可以較為客觀地反映其真實經營與管理水平。

表5 2017年、2020年1、3階段32家機場運行效率值

經過階段3調整后,對結果進行全面分析如下:

1)調整前后效率的綜合對比分析。研究發(fā)現(xiàn),2017年調整后研究樣本綜合運營效率為0.381,比調整前降低0.315;在經過調整后呈現(xiàn)一定幅度的下降表明樣本機場綜合的運行效率還需進一步提升,綜合運營效率在調整前后差值較大;純技術效率達0.838,比調整前提高0.061,說明外部環(huán)境抑制了機場純技術效率的提高;規(guī)模效率為0.444,比調整前降低0.458,效率值降幅較大,機場規(guī)模效率對于環(huán)境因素較為敏感;提升規(guī)模效率進而使得機場的綜合技術效率的進步。而2020調整后研究樣本綜合運營效率為0.429,比調整前降低0.261;純技術效率為0.868,比調整前提高0.11;規(guī)模效率為0.497,比調整前降低0.425;在經過調整后的2020年規(guī)模效率、綜合運營效率均有下降幅度。綜合技術效率、規(guī)模效率的減少證明階段1的結果因環(huán)境因素而使綜合技術效率值偏高,說明樣本機場資源配置能力較強,但并不能充分發(fā)揮規(guī)模經濟優(yōu)勢,機場管理層應該努力提升其內部管理水平,發(fā)揮規(guī)模經濟優(yōu)勢,為顧客提供更優(yōu)質的服務;海港型城市中的上海/浦東、深圳/寶安、廣州/白云幾家機場以及內陸的昆明/長水、成都/雙流等機場能較好地發(fā)揮規(guī)模優(yōu)勢;而秦皇島/北戴河、唐山/三女河兩家機場綜合技術效率不足0.1,十分低下,前者是剛從軍民合用機場獨立出來運行,后者屬于軍民合用機場,兩者整體的運營效率和管理水平還有巨大的提升空間。

2)效率前沿分析。在2017年,在剔除隨機干擾和環(huán)境因素前后,上海/浦東機場一直是處于綜合技術效率前沿面的,說明該機場的硬件水平與管理運作方面具有高效性;而2020年,在剔除隨機干擾和環(huán)境因素前后,上海/浦東、成都/雙流、深圳/寶安處于綜合技術效率前沿面上,說明國內的大型機場效率在全國處于先進水平。值得注意的是,廣州/白云機場始終僅有純技術效率處于前沿面,需要提高規(guī)模效率以提高綜合效率。

3)海陸機場效率比較分析。比較來看,內陸城市機場的規(guī)模效率要強于海港型城市,具有較強的規(guī)模經濟優(yōu)勢,而綜合技術效率和純技術效率兩方面要弱于海港型城市;海港型城市機場總體效率略高于內陸型城市機場,說明這些機場的基礎設施與運營能力處于較高水平。此外,分析表5可知,2017年調整前后,海港型城市的機場綜合效率下降0.362,在2020年下降了0.294;而內陸城市機場相應的年份調整前后分別下降了0.277和0.236;海港城市機場受環(huán)境影響較大使得效率值被高估,內陸型城市機場受環(huán)境影響產生較小程度效率變化。

4)海港型城市機場效率分析。在我國沿海港口城市港城關系中,港城關系分為城市驅動型、港口驅動型、港城互驅型3種類型[21],因此再結合郭建科等[22]的研究結果,將樣本海港型城市及其機場進行如下分組。

城市驅動型:大連/周水子、秦皇島/北戴河、天津/濱海、青島/流亭、上海/浦東、連云港/白塔埠、寧波/櫟社、廈門/高崎、深圳/寶安、廣州/白云。

港口驅動型:煙臺/蓬萊、日照/山字河、唐山/三女河。

港城互驅型:福州/長樂。

根據(jù)分組并結合表5結果計算其平均綜合效率。結果表明,經過調整后,2017年,城市驅動型的城市中,機場的平均效率為0.457,港口驅動型及港城互驅型分別為0.091、0.219;城市驅動型其發(fā)展以城市本身的規(guī)劃為主,城市的發(fā)展較少的受到港口的影響及制約,因而該類城市的機場綜合效率相對較高;然而港口驅動型城市的發(fā)展受港口影響,其機場綜合效率相對低下,而港城互驅型其機場效率值處于中間位置。在2020年,3類城市的機場綜合效率分別為0.480、0.230、0.269,相較于2017年,各類城市的機場效率都有所提升,機場的效率值仍存在城市驅動型>港城互驅型>港口驅動型的排序狀況。

5)調整前后趨勢變化分析。表6顯示,經過階段2的調整后,階段3計算出的機場綜合技術效率普遍低于階段1。其中廣州/白云、深圳/寶安、北京/首都、重慶/江北4家機場的效率有所上升,僅有上海/浦東機場效率值始終保持為1。從排名變動來看,連云港/白塔埠、寧波/櫟社、日照/山字河、合肥/新橋、太原/武宿、蘭州/中川排名下降最多,分別下降了12、17、22、14、15、15個名次;北京/首都、重慶/江北、鄭州/新鄭、武漢/天河4家排名上升最多,分別上升16、22、16、16個名次,證明這些省份的機場效率受外部影響程度較大。在前15名中,海港型機場僅有6家,其余8家機場名次比較靠后;而內陸城市機場有9家排名在前15,說明內陸城市的機場整體運營效率較高,擁有更好的管理水平。

表6 1、3階段32家機場2016—2021年平均效率值及排名

如圖2所示,32家機場純技術效率均在80%以上,出現(xiàn)先下降再上升趨勢,下降趨勢集中在2020年,綜合技術效率與規(guī)模效率整體呈現(xiàn)上升勢頭,規(guī)模效率值低下嚴重影響綜合技術效率表現(xiàn)。

圖2 2016—2021年32家機場效率均值

6)機場規(guī)模分類效率分析。結合選取樣本機場的吞吐量能力將其進一步分類,見表7,依據(jù)機場分類對不同類型機場效率進行深入分析,結果見表8。海港型城市機場及內陸城市機場對比研究中,海港型城市超大型機場綜合運營效率與規(guī)模效率高于內陸城市超大型機場,而其中小型、大型機場綜合運營效率與規(guī)模效率低于內陸城市相應的機場,說明海港型城市的超大型的機場在管理以及規(guī)模上更具優(yōu)勢;海港型城市各類型純技術效率要高于內陸城市機場,說明其機場運行的技術方面具有優(yōu)勢。在海港型城市機場分析研究中,超大型機場各方面效率都顯著高于大型及中小型機場,總體來看,超大型機場效率最好,大型次之,中小型最次,另外發(fā)現(xiàn),大型機場純技術效率弱于中小型機場。而在內陸城市機場分析研究中,其規(guī)律與海港型城市機場相同。

表8 2016—2021年32家機場分類效率

7)象限分析。根據(jù)純技術效率和規(guī)模效率分別以0.90、0.80為分界線對各機場進行劃分,分為“雙高型”“高低型”“低高型”“雙低型”4種類型。超過半數(shù)省份屬于“雙低型”,即純技術效率和規(guī)模效率分別小于0.90、0.80。上海/浦東、深圳/寶安、成都/雙流、廣州/白云4家機場屬于“雙高型”,即純技術效率和規(guī)模效率分別大于0.90、0.80,4家機場處于一線或新一線城市且有3家機場屬于海港型城市機場,表明部分海港型城市機場效率處于較高水平。昆明/長水、西安/咸陽、重慶/江北、青島/流亭、天津/濱海等機場屬于“低高型”或“高低型”,即純技術效率小于0.90或規(guī)模效率小于0.80。

8)規(guī)模報酬分析。由表9可知,階段1中規(guī)模報酬遞增、規(guī)模報酬遞減機場分別約有13、15家。在階段3中,處于規(guī)模報酬遞增階段的機場約29家,約有2家出現(xiàn)了規(guī)模報酬不變現(xiàn)象。說明外部社會環(huán)境對大部分機場的效率產生負面影響,造成了機場總體規(guī)模效率低下。

表9 2016—2021年1、3階段32家機場規(guī)模報酬情況

2.5 Malmquist指數(shù)分析

利用Malmquist指數(shù)方法對各機場的動態(tài)變化進行分析。將階段2調整后的投入,利用DEAP2.1來測算出各機場2016—2021年的效率變化情況,得到各機場的全要素生產率變化指數(shù),見表10。全要素生產率(tfpch)可分解為技術效率變化(effch)和技術進步變化(techch)兩部分,而技術效率變化可進一步分解為純技術效率變化(pech)和規(guī)模效率(sech)變化。

表10 Malmquist指數(shù)法評估32家機場2016—2021年效率情況

采用Malmquist指數(shù)從時間序列角度分解2016—2021年機場全要素生產率,見表11,從時間變化上看,Malmquist指數(shù)的值2018—2020年出現(xiàn)小于1的情況,其余時期Malmquist指數(shù)均大于1;全要素生產率為先降低后增長的趨勢,說明新冠肺炎疫情對于機場運行效率影響比較明顯,尤其是2020年,此后的2021年效率逐步恢復提升。3年間32家機場技術效率、技術進步、規(guī)模效率、全要素生產率表現(xiàn)相同的變化趨勢,即先下降,2019—2020最低,之后回升,而純技術效率則是穩(wěn)步提升。

表11 2016—2021年32家機場平均Malmquist指數(shù)

3 結論

采用三階段DEA模型和Malmquist生產力指數(shù)從靜態(tài)和動態(tài)兩方面評價2016—2021年海港型城市及內陸城市機場在疫情前后的運行效率。

研究結果表明:①樣本機場的運行效率差距較大,機場實際經營管理水平不盡相同,許多機場效率較低,存在較大的改善空間;②海港型城市機場綜合技術效率和純技術效率兩方面要強于內陸城市機場,而規(guī)模效率要弱于內陸城市機場,海港型城市機場技術更新迭代速度較快;③環(huán)境因素的存在會使機場效率值偏高,且海港型城市對環(huán)境因素更加敏感,效率評估受到的影響更大;④城市驅動型的海港城市發(fā)展較少地受到港口的影響,其機場綜合效率相對較高;而港口驅動型城市其機場效率相對較低;⑤樣本機場中90%的機場處于規(guī)模報酬遞增階段,各機場具有較強的發(fā)展?jié)摿?可以通過改擴建機場實現(xiàn)機場業(yè)務量的有效提升并且優(yōu)化管理流程以提高管理效率水平;⑥疫情前后各地機場效率值總體呈現(xiàn)先降低后恢復的勢頭;⑦內陸城市機場應該注重提升其技術,并且可以適當改建或擴建;而海港型城市機場應該擴大市場份額以發(fā)揮規(guī)模優(yōu)勢,提高規(guī)模效率,并且避免盲目擴建航站樓和機位而導致效率降低;⑧三階段DEA方法對于效率的評估結果更加準確全面,與Malmquist生產率指數(shù)相結合,可以測算生產力及其構成要素的變化,進而提供更加豐富的決策信息。