EN中文

地理研究 >

2019 , Vol. 38 >Issue 11: 2716 - 2729

DOI: https://doi.org/10.11821/dlyj020190151

论文

枢纽机场的国际中转客流拥堵溢出效应研究

  • 张生润 1 ,
  • 郑海龙 1 ,
  • 李涛 2 ,
  • 唐小卫 1 ,
  • 王姣娥 3, 4
展开
  • 1. 南京航空航天大学民航学院,南京 211106
  • 2. 陕西师范大学西北国土资源研究中心,西安 710119
  • 3. 中国科学院地理科学与资源研究所 区域可持续发展分析与模拟重点实验室,北京 100101
  • 4. 中国科学院大学资源与环境学院,北京 100049

张生润（1985-）,女,甘肃白银人,博士,讲师,硕士生导师,研究方向为航空运输地理,运输经济。E-mail: zhangshengrun@nuaa.edu.cn

收稿日期: 2019-02-27

  要求修回日期: 2019-07-16

  网络出版日期: 2019-12-02

基金资助

国家自然科学基金项目(41701120)

国家自然科学基金项目(41501120)

国家自然科学基金项目(61603178)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Research on congestion spillover effects of international transfer traffic on hub airports

  • ZHANG Shengrun 1 ,
  • ZHENG Hailong 1 ,
  • LI Tao 2 ,
  • TANG Xiaowei 1 ,
  • WANG Jiaoe 3, 4
Expand
  • 1. College of Civil Aviation, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China
  • 2. Center for Land Resource Research in Northwest China, Shaanxi Normal University, Xi’an 710119, China;
  • 3. Key Laboratory of Regional Sustainable Development Analysis and Simulation, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 4. College of Resource and Environment, University of Chinese Academy of Sciences, Beijing 100049, China

Received date: 2019-02-27

  Request revised date: 2019-07-16

  Online published: 2019-12-02

Copyright

Copyright reserved © 2019
Fold

摘要

提高国际枢纽机场中转能力是新时代民航强国战略下拓展国际航空市场的基础保障。基于2010—2017年OAG全球旅客流量流向数据,本文采用两阶段面板数据模型,以北京首都、上海浦东和广州白云机场为案例,分析了容量受限导致拥堵和枢纽机场竞争全球化背景下中国三大机场的国际中转客流拥堵溢出效应。研究表明三大机场的溢出效应主要由与其国际市场重叠率较高的国外枢纽机场承接,国内二级机场承接率相对有限。表现为：北京首都溢出旅客量流向厦门、曼谷和迪拜;上海浦东流向吉隆坡、首尔和乌鲁木齐;广州白云流向香港、武汉、西安、首尔、吉隆坡、伊斯坦布尔、新加坡和赫尔辛基。结果讨论了应加强国内二级机场的航线与航班设计,以分别承接三大机场的溢出效应。

关键词： 拥堵溢出效应; 国际中转客流; 机场竞争; 中国三大枢纽机场; 面板数据模型

本文引用格式

张生润 , 郑海龙 , 李涛 , 唐小卫 , 王姣娥 . 枢纽机场的国际中转客流拥堵溢出效应研究[J]. 地理研究, 2019 , 38(11) : 2716 -2729 . DOI: 10.11821/dlyj020190151

Abstract

Based upon the strategy of developing civil aviation to drive the prosperity of China, it is fundamental and significant to enhance the transfer level of international hub airports in China. This is particularly urgent during the process of enlarging the international air transport market. As hub competition becomes a worldwide phenomenon, attracting more transfer passengers has been challenging for both hub airports and their dominant full-service carriers when we design a complex hub-and-spoke network configuration. The capacity constraints at big hub airports, however, lead to severe congestion, which limits their accommodation of the increasing number of transfer passengers. In this way, there is a larger probability that transfers passengers to other hub airports located in other regions, i.e., the so-called “congestion spillover effects”. This paper examines the congestion spillover effects of the three biggest Chinese hub airports (i.e., Beijing Capital International Airport, Shanghai Pudong International Airport and Guangzhou Baiyun International Airport) by exploring a two-stage panel data modeling framework. Using OAG traffic analyser data between 2010 and 2017, the models are estimated by fixed-effects and systems of regression panel data methods. The results show that the spillovers of international transfer traffic at the “Big Three (B3)” have been mainly taken by the hub airports located outside China that have larger overlap rates with the B3. The secondary hub airports in China show limited capability to capture the spillovers of the B3. The spillover transfer traffic of the B3 spreads to different branches of geography. In specific: from Beijing Capital to Xiamen, Bangkok, and Dubai; from Shanghai Pudong to Kuala Lumpur, Seoul and Urumqi; from Guangzhou Baiyun to Hong Kong, Wuhan, Xi’an, Seoul, Kuala Lumpur, Istanbul, Singapore and Helsinki. This paper further discusses the necessity of China to develop its secondary hub airports to overtake the spillovers of the B3. If the overlap rates between the primary and secondary hub airports are large, the latter can play a role as complementary airports. Otherwise, the secondary hub airports can develop towards specialization to cover the regions that cannot be served by their primary counterparts. In the case of the spillovers of the B3 being captured by hubs located in other countries, the dominant carriers at the B3 can consider to establish strategic alliance cooperation with their dominant carriers.

Key words： congestion spillover effects; international transfer flow; airport competition; three Chinese hub airports; panel data model

1 引言

2018年11月26日,中国民航局发布了《新时代民航强国建设行动纲要》,其中提到要“着力提升北京、上海、广州机场国际枢纽竞争力,加快建设成都、昆明、深圳、重庆、西安、乌鲁木齐、哈尔滨等国际航空枢纽”。全世界范围内,国际枢纽机场能否提供空间上高度集聚以及时间上高效衔接的高质量中转航班是其竞争力大小的重要体现[1,2,3]。枢纽机场中转功能的充分发挥才能促使采用轴辐式网络结构的大型全服务航空公司实现规模、范围和密度经济。在大多数国际市场上,通过枢纽机场进行中转衔接最终到达目的地仍是最重要的航线服务方式,尤其在全球航空联盟运作的大趋势下,中转航班尤其显得重要。同时,国际航空运输政策如航权和所有权等仍是影响枢纽机场国际市场运营的重要因素之一,而第5航权即中转连通权的获取可在一定程度上打破政策壁垒。因此,国际市场上中转客流的竞争对枢纽机场发展具有重要的经济和政策意义。
目前,中国的国际航空运输服务仍然集中在北京首都、上海浦东和广州白云机场（以下简称“三大机场”）[4],就国际中转能力而言,北京首都和广州白云机场的国际中转连接比例不到20%,而上海浦东机场的国际中转连接比例不足35%[5]。然而,三大机场容量受限及时刻资源短缺已经常造成航班拥堵和延误[6,7,8,9],延误成本的增加迫使容量受限机场增加起降成本,使得航空公司取消或减少一些“喂给”长途航线但是不盈利的短途航线,造成经过枢纽机场的中转衔接航班的大量流失,不利于枢纽网络经济效应的实现,损害航空公司收益;同时也会导致航空公司提高出发/到达枢纽机场航班的票价,损害乘客福利,为其国际中转能力的提升带来了较大挑战。枢纽机场航班拥堵将导致旅客流向其他机场,产生“拥堵溢出效应”[10,11]。尤其在枢纽竞争全球化趋势下[12],旅客可选择其他国家和区域的中转枢纽机场进行出行替代。因此,研究三大机场的国际中转客流拥堵溢出效应具有重要的现实意义。
国外对枢纽机场的国际中转客流拥堵溢出效应研究尚处于起步阶段,相关学者以伦敦希思罗机场为案例验证了欧洲大型枢纽机场拥堵致使其国际中转连接流向了欧洲其他竞争枢纽机场和海湾地区机场[10,11],而国内相关研究和讨论还较少。仅部分学者关注了枢纽机场的中转衔接功能,王玫[13]构建中转机会模型对中国三大机场的中转能力进行了评估,王伟和王成金探讨了枢纽机场航班时刻资源配置的时空网络模式[14],黄洁和王姣娥明确了“中转时间窗”概念,从时间和空间维度构建了间接连通性指标,从而对中国枢纽机场的喂给航线及空间格局进行了研究[5,15]。对中国国际航空运输的研究也较少,从交通地理学角度的研究主要集中在对其空间格局[16]、空间演变[17]和自由化政策[18]的关注。交通溢出效应方面的研究主要从交通基础设施投资角度,对可达性溢出效应[19,20]和空间溢出效应[21]进行了讨论。在研究方法方面,已有研究大多采用描述性统计分析方法,较少采用长尺度网络面板数据模型。近年来,大规模长尺度数据收集工作的逐渐完善为学者们采用较先进的地理空间建模方法分析交通地理问题提供了可能性和便利性[22,23]。研究枢纽机场国际中转客流拥堵溢出效应将为构建更合理的机场体系空间格局和深入探讨航空网络空间结构复杂性[24,25]提供不同的研究视角,丰富交通地理学理论研究。
本文将在机场容量受限导致拥堵以及枢纽机场竞争全球化背景下,从改善中国枢纽机场在国际市场的中转能力角度来探讨机场拥堵溢出效应,构建面板数据模型,识别溢出旅客量在地理空间的流向,并估计竞争枢纽机场可获得的国际中转旅客量。

2 基本概念与研究方法

2.1 基本概念

中转客流指搭乘航空公司提供的中转航班而非直达航班到达目的机场的旅客流。中转航班由两个具有不同航班号的航段连接而成,是航空公司为了实现规模经济采用轴辐网络结构而设计的产品,乘坐中转航班的乘客需在连接两个航段的枢纽机场停留一定时间。当旅客乘坐中转航班,从中国出发至世界其他国家/区域、或者从世界其他国家/区域出发并最终抵达中国,该类型旅客称为国际中转客流。
国际中转客流拥堵溢出效应指大型枢纽机场由于容量不足导致航班拥堵,从而致使国际中转旅客流向位于本国及其他国家/区域的枢纽机场实现中转,其损失客流量对竞争枢纽机场的中转客流产生正影响的现象。例如,从中国南京出发至布鲁塞尔的乘客避开上海浦东机场而选择法兰克福机场进行中转换乘,则称上海浦东机场的国际中转客流溢出至区域外的法兰克福机场,使得后者受益。

2.2 研究对象选择与数据说明

本文研究使用航空数据供应商OAG提供的全球航班计划数据模块（Schedule Analyser Module）和全球旅客流量流向模块（Traffic Analyser Module）,后者包括研究所需的始发终到机场、中转机场、运营航空公司和乘客量数据,OAG在全球分销系统订座的MIDT（Marketing Information Data Tapes）旅客交通数据基础上,结合运力市场占有率估算得到更为准确的乘客量数据。基于OAG数据库,不仅可以识别连接全球任意两个机场的中转枢纽机场,也可获得该枢纽机场的中转乘客量。本文研究年份为2010—2017年累计8年,所选取的中国国际市场为中国至亚洲、欧洲和北美洲三大区域市场。基于2017年OAG航班计划数据,这三大区域的出发航班量占到了整个中国国际市场的93.4%。进一步将这三大区域划分为8个子区域,其中,亚洲分为5个子区域,分别是南亚、中亚、东南亚、港澳台地区和东北亚（不包括中国大陆和港澳台）,欧洲分为西欧和中东欧2个子区域,北美单独成为一个区域。
本文以北京首都、上海浦东和广州白云三大机场为实证分析对象,研究中国国际中转客流拥堵溢出效应。基于OAG全球旅客流量流向模块数据,首先整理出2010—2017年连接中国至8个研究子区域的全球范围的枢纽机场,并计算各个枢纽机场的中转乘客量及其所占比例。2010年和2017年三大机场所占中转乘客量比例都远远高于除香港之外的其他机场。2010年,三大机场的单向国际中转乘客量占全部枢纽机场的比例分别为12.7%（北京首都）、11.3%（上海浦东）和5.9%（广州白云）。2017年,广州白云机场所占比例提高至8.5%,北京首都和上海浦东分别下降至8.7%和8.1%。三大机场的整体国际中转客流比例也从2010年的29.9%下降到25.3%,表明其他机场逐渐进入中国国际中转市场,与三大机场存在潜在的竞争关系。
为研究三大机场的中转客流拥堵溢出效应,本文定义了接受溢出效应的其他枢纽机场作为研究样本。其他枢纽机场的选择依据为：① 中转乘客量比例大于等于1%①(① 由于枢纽机场中转功能的打造需要首位航空公司在该机场建成时间上高度集聚的航班波体系结构,而根据黄洁和王姣娥的研究[18],中国旅客吞吐量排名前10的枢纽机场中,仅有北京、上海浦东、广州和昆明建成航班波体系结构,成都、深圳和西安的航班波体系结构并不清晰,而重庆和杭州无航班波体系结构。因此,对于暂时没有能力打造具有竞争力的航班波体系结构的机场,在国际市场中承担中转功能的能力是有限的。本文选择1%作为阈值所选择的样本基本涵盖了中国及世界其他区域具有一定中转衔接能力的枢纽机场。此外,中转乘客量比例较低时,构建的枢纽机场-区域-年份面板样本量过少,无法进行参数估计。);② 在2010—2017年期间连续8年都提供中国国际中转服务。满足以上两个条件的枢纽机场共20个,其中6个位于中国,亚洲4个,欧洲和北美8个,中东2个（图1）。同时,为了更精准地反映溢出效应的空间结构,对中国中转乘客量比例小于1%但在8年都提供中国国际中转服务的机场进行了分析,满足该条件的中国机场共8个,分别为青岛、重庆、武汉、福州、上海虹桥、西安、南京和杭州。
图1 三大机场及其竞争枢纽机场区域分布

注：世界地图基于国家测绘地理信息局标准地图（审图号为GS（2016）1667号）绘制,底图无修改;中国地图基于国家测绘地理信息局标准地图（审图号为GS（2019）1823号）绘制,底图无修改。

Fig. 1 Regional distribution of the B3 and their potential competitive hub airports

2.3 国际中转客流拥堵溢出效应测度模型建构

为了验证三大机场拥堵溢出影响的存在,识别溢出旅客量的流向,并估计竞争枢纽机场可获得的国际中转旅客量,本文以2010—2017年间由枢纽机场连接的中国国际市场为研究对象,构建面板数据模型,其中面板的起终点分别为中国国家和世界区域尺度的聚合数据（如中国-西欧市场）。Gudmundsson[10]以及Redondi等[11]首次提出采用两阶段模型和区域尺度聚合数据研究枢纽机场中转拥堵溢出效应,其中溢出量基于第一阶段残差值获得。然而以上研究采用确定且一致的最小二乘法或固定效应模型对所有机场进行参数估计,未考虑机场异质性以及直达服务方式对中转客流的影响。由于事先无法预测个体效应是否存在,且在实际中每个枢纽机场所处的区位、社会经济环境和可达性等存在一定的差异性,需要借助统计检验方法选取适合的面板数据模型。本文采用两阶段固定效应和多方程面板数据估计方法,构建的基础模型为固定效应模型,该模型是一种空间面板数据中随个体变化但不随时间变化的面板数据分析方法。面板数据模型选取方法如下：① 采用似然率指标检验个体效应的存在性,若存在,则采用固定效应模型,否则使用多方程面板数据模型;② 采用Hausman检验在固定效应模型和随机效应模型之间进行合理选择。
首先构建第一阶段模型,为三大机场分别建立模型,用模型估计得出的残差表示三大机场的拥堵溢出量;在第二阶段,为所有可能与三大机场竞争中国国际中转客流的枢纽机场分别建立模型,将第一阶段得到的残差值作为该阶段的自变量,从而验证三大机场的拥堵溢出效应。第一阶段模型公式为：
TRANSFERPA X j , t i = α 0 TRANSFERPA X j , t - 1 i + α 1 ∆ TRANSFERP A X TOT , t i + α 2 ∆ NONSTOPPA X CN , t i + μ j i + ε j , t i
式中： α 0 — α 2 为待估计参数;i表示中国国际中转始发终到市场,具体指由中国出发至世界其他区域的国家-区域对;j表示为市场i提供中转的枢纽机场,此处指中国三大机场;t表示年份; TRANSFERPAX 表示中转客流量; ∆ TRANSFERPA X TOT i 表示市场i的总中转客流量的增量; ∆ NONSTOPPA X CN i 表示市场i的总直达客流量的增量; μ j i 表示与枢纽机场j相连接的市场i相关的个体效应; ε j , t i 是误差项,表示三大机场国际中转客流量的额外增长量。
第二阶段模型公式为：
TRANSFERPA X GENAIR , t i = β 0 TRANSFERPA X GENAIR , t - 1 i + β 1 ∆ TRANSFERPA X TOT , t i + β 2 ∆ NONSTOPPA X CN , t i + β 3 ε PEK , t i + β 4 ε PVG , t i + β 5 ε CAN , t i + μ GENAIR i + ε GENAIR , t i
式中： β 0 — β 2 为待估计参数; GENAIR 表示与三大机场竞争的其他枢纽机场; ε PEK , t i 、 ε PVG , t i 和 ε CAN , t i 分别表示北京首都、上海浦东和广州白云机场国际中转客流量的额外增长量,取值为第一阶段模型得到的残差值。当系数 β 3 、 β 4 和 β 5 的估计值为负且显著时,模型识别出三大机场的拥堵溢出效应,也就是说,三大机场容量限制带来的拥堵使得其国际中转客流量减少时,其损失量被其他竞争枢纽机场获得。此外,由于为每个竞争枢纽机场独立构建公式（2）所示模型,估计系数的显著性可以识别拥堵溢出效应的流动方向。

3 三大机场运输现状与国际中转流量竞争格局

3.1 三大机场运输现状分析

图2表示了2010—2017年间三大机场飞机起降架次年增长率变化及与全国平均水平比较情况,可以看出,三大机场的起降架次年增长率整体上低于全国水平,且大体呈现逐年下降的趋势。特殊情况为2015年上海浦东机场第四跑道建成运营,在当年机场起降架次年增长率超过了全国水平,但在2016年和2017年又趋于回落。在研究年份内,全国机场起降架次的年平均增长率为10.3%,三大机场中,北京首都、广州白云和上海浦东的年均增长率依次为4.3%、6.6%和7.2%,也低于排名前20的国内其他机场的年均增长率。此外,民航局规定在大部分时间段里、航班时刻需求远大于供给的机场为航班时刻主协调机场,三大机场也被列为航班时刻主协调机场。同时,民航局规定了航班时刻主协调机场的小时容量,其中,北京首都机场88架次,上海浦东机场76架次,广州白云机场69架次。但民航局发布的《2017年全国民航航班运行效率报告》显示,三大机场的小时高峰架次均大于公布的小时容量,其中北京首都机场超过18架次,上海浦东机场超过22架次,广州白云机场超过15架次。因此,三大机场面临的容量增长有限和时刻资源限制带来一定程度的拥堵,存在潜在的客流溢出问题。
图2 2010—2017年三大机场飞机起降架次年增长率演化

Fig. 2 Evolution of percentage changes in actual movements of the B3 from 2010 to 2017

3.2 三大机场国际中转客流空间竞争格局

为了更好地理解三大机场的国际中转客流溢出效应,本文采用航线重叠率指标研究了三大机场国际中转客流空间竞争格局。首先识别出由单个竞争枢纽机场所连接的始发终到机场对中,也同时由三大机场提供中转服务的机场对;再计算所有重叠中转连接的加和中转乘客量占竞争枢纽机场总中转乘客量的百分比,即可得到如表1所示的航线重叠率。
表1 2017年基于中转乘客量的三大机场与竞争枢纽机场航线重叠率

Tab. 1 Overlap rate of transfer connections between the B3 and competitive hubs in 2017

区域与国家（个数） 枢纽机场 航线重叠率 (%)
北京首都 上海浦东 广州白云
中国 (14) 香港 (HKG) 24.7 36.2 60.6
昆明 (KMG) 6.7 5.1 44.6
厦门 (XMN) 44.0 46.6 63.2
深圳 (SZX) 60.0 71.1 86.5
成都 (CTU) 41.7 38.6 39.2
乌鲁木齐 (URC) 10.8 12.8 15.5
青岛 (TAO) 3.8 11.2 15.3
重庆 (CKG) 8.8 12.6 8.4
武汉 (WUH) 24.5 27.3 29.8
福州 (FOC) 3.4 8.5 15.5
上海虹桥 (SEA) 0.0 3.8 7.6
西安 (XIY) 47.1 45.6 44.1
南京 (NKG) 21.8 36.1 18.1
杭州 (HGH) 14.1 19.3 6.9
亚洲 (4) 首尔仁川 (ICN) 62.4 74.9 33.3
曼谷 (BKK) 10.8 81.3 42.5
新加坡 (SIN) 1.2 11.0 16.5
吉隆坡 (KUL) 1.3 1.3 29.8
欧洲和
北美 (8)		 法兰克福 (FRA) 34.5 16.3 0.2
阿姆斯特丹 (AMS) 36.4 5.8 —
莫斯科 (SVO) 1.4 — —
巴黎戴高乐 (CDG) 17.2 11.9 1.0
赫尔辛基 (HEL) 48.7 17.0 1.3
伊斯坦布尔 (IST) 8.9 — —
芝加哥奥黑尔 (ORD) 4.0 9.4 —
旧金山 (SFO) 14.4 9.5 —
中东 (2) 迪拜 (DXB) 16.3 0.03 0.02
多哈 (DOH) 30.5 5.3 —

注：① 表中所示字母代表竞争枢纽机场的IATA三字代码;② 航线重叠率为作者基于OAG数据计算得到。

由表1可以看出,在中国的14个机场中,深圳、厦门、成都、武汉和西安与三大机场的国际中转乘客重叠率都较高,而香港和昆明与广州白云机场的重叠程度较高;在4个亚洲机场中,首尔仁川机场与北京首都和上海浦东机场的重叠率较高,曼谷与上海浦东的重叠程度较高;欧美枢纽机场仅表现出与北京首都机场较高的重叠率。值得关注的是,两个中东机场——迪拜和多哈与北京首都机场也具有一定程度的国际中转乘客重叠率。
通过分析三大机场国际中转客流空间竞争格局,不难发现,中国的二级机场具有在中国国际中转市场上发挥作用的潜力,而位于其他区域的枢纽机场已参与到竞争中来,一定程度上和三大机场在相同的机场对上竞争从中国出发的国际中转客流。然而,较高的航线重叠率并不意味着三大机场的国际中转客流在容量受限导致拥堵的情况下一定会流向航线重叠率高的机场。本文假设在研究年份内,三大机场的拥堵溢出都会对竞争枢纽机场的中转客流产生影响,同时,枢纽机场在当年的中国国际中转客流量与上一年的中转客流量、与整体中转客流的增量以及整体直达中转客流的增量相关。

4 实证过程与结果分析

4.1 模型选择和检验

根据第2.3章节介绍的选择方法,在第一阶段,北京首都机场采用随机效应模型,上海浦东机场采用固定效应模型,广州白云机场采用多方程模型。在第二阶段,采用固定效应模型进行估计的机场有：香港、阿姆斯特丹、首尔、吉隆坡和莫斯科,其他机场均采用多方程模型进行估计。
通过观察各个枢纽机场服务的区域个数在研究年份的分布情况可知,其他国家枢纽机场除曼谷、新加坡、伊斯坦布尔、莫斯科和芝加哥外,在各个年份服务的区域均相同,构成平衡面板数据,而中国二级枢纽机场在各个年份服务的区域个数不完全相同且差异程度较高,构成不平衡面板数据,随着年份增加,所服务区域数呈增长趋势,表明中国二级机场正逐渐增加辐射世界区域数量,但在所增加区域的服务机场数和乘客量方面仍相对有限。
在模型估计前需对所构建的31个面板数据模型存在的潜在组间异方差、序列相关和截面相关性问题进行系统检验。Greene[26]指出修正后的Wald统计量能较好地克服传统方法对误差正态分布假设的敏感性问题,对面板数据模型中横截面单元误差项是否背离同方差假设具有较好的检验效果,因此,采用修正后的Wald统计量进行组间异方差检验。Wooldridge[27]提出的采用滞后项残差对原模型残差的相关性检验方法被证明对线性面板数据模型误差项序列相关性具有良好的检验强度,因此采用Wooldridge方法进行序列相关性检验。横截面单元的同期相关性问题由Breusch-Pagan LM方法进行检验[26]。
结果表明：① 除吉隆坡、芝加哥奥黑尔和旧金山,其他28个机场模型中均存在组间异方差问题。与其他三个东南亚枢纽机场服务多个区域市场（首尔8个;曼谷7个;新加坡7个）相比,吉隆坡仅服务3个中国国际区域市场。与其他枢纽机场不同,芝加哥奥黑尔和旧金山仅服务中国-北美市场。由于服务区域市场对相对较少,因此不存在组间异方差问题。② 存在序列相关性问题的模型为以下机场的模型：香港、深圳、首尔、阿姆斯特丹、莫斯科、多哈和迪拜。通过分析研究机场2011—2017年间国际中转乘客量变化率（2017年 vs 2010年）和排名可知：除三大机场外,香港、首尔和阿姆斯特丹为2011年国际中转乘客量绝对值最大但变化率最小的机场,莫斯科和迪拜的绝对值和相对变化率排名连续处于中间水平,而深圳和多哈则为2011年国际中转乘客量绝对值最小但变化率最大的机场。③ 在香港、首尔和阿姆斯特丹的模型中出现了截面相关性问题。香港和首尔是除三大机场外仅有的两个在所有8个区域市场均提供服务的机场,阿姆斯特丹服务西欧、东欧和北美三大区域市场,截面相关性体现了枢纽机场首位航空公司构建国际航线网络时考虑了对不同区域市场的协调布局。针对以上问题,采用修正后标准误进行相关估计。

4.2 结果分析

表2和表3（见第2724页）显示了同时考虑三大枢纽机场拥堵的情况下,采用两阶段固定效应和多方程面板数据模型估计的中国三大枢纽机场溢出效应。模型结果显示,中国三大枢纽机场由于容量限制带来的拥堵造成了其国际中转客流的溢出,其溢出客流量能够被中国二级机场及其他国家和区域的大型枢纽机场所捕获,所构建的两阶段面板数据模型能较好地测算出竞争枢纽机场获取的三大机场损失的国际中转客流量。下面分别解释三大机场模型估计结果。
表2 中国机场两阶段面板数据模型估计结果

Tab. 2 Results of the two-stage panel data estimation for Chinese airports

β0 β1 β2 北京首都溢出 上海浦东溢出 广州白云溢出 N R2 (%)
中国 (14) 香港 (HKG) 0.770*** (0.030) 0.068*** (0.015) 0.006*** (0.001) -0.196 (0.172) -0.128** (0.042) -0.839*** (0.148) 49 89.6
昆明 (KMG) 1.130*** (0.119) 0.055** (0.025) -0.003 (0.002) -0.298* (0.176) -0.001 (0.028) 0.157 (0.173) 34 93.6
厦门 (XMN) 1.041*** (0.068) 0.020* (0.011) 0.005*** (0.002) -0.206** (0.100) -0.037 (0.029) -0.065 (0.099) 30 94.2
深圳 (SZX) 1.596*** (0.209) -0.012 (0.016) 0.002 (0.001) 0.012 (0.108) 0.013 (0.017) -0.080 (0.118) 25 90.0
成都 (CTU) 0.943*** (0.092) 0.008 (0.005) 0.001* (0.001) -0.000 (0.028) -0.003 (0.012) 0.030 (0.033) 43 86.4
乌鲁木齐 (URC) 0.549*** (0.189) -0.006 (0.011) 0.002 (0.001) -0.019 (0.068) -0.066*** (0.024) 0.171 (0.123) 33 59.9
青岛 (TAO) 0.677 (0.450) -0.006 (0.006) 0.001 (0.001) 0.013 (0.069) 0.080 (0.047) 0.001 (0.020) 29 45.3
重庆 (CKG) 0.018 (0.069) 0.010 (0.008) 0.003** (0.001) 0.014 (0.084) -0.027* (0.014) 0.101*** (0.036) 30 87.6
武汉 (WUH) 0.762*** (0.085) 0.002 (0.004) 0.001*** (0.000) -0.010 (0.024) -0.006 (0.006) -0.068*** (0.014) 36 87.0
福州 (FOC) 1.039*** (0.231) -0.009 (0.012) 0.002* (0.001) -0.097 (0.084) -0.004 (0.032) -0.004 (0.046) 22 83.8
上海虹桥 (SEA) 0.226 (0.323) -0.015 (0.061) 0.000 (0.003) 0.012 (0.152) -0.036 (0.036) 0.147 (0.381) 14 19.4
西安 (XIY) 0.349 (0.213) -0.010*** (0.003) 0.002*** (0.001) 0.035 (0.047) 0.015 (0.014) -0.055*** (0.018) 31 81.3
南京 (NKG) 0.675*** (0.157) 0.007** (0.003) 0.001** (0.000) -0.006 (0.020) -0.006 (0.015) 0.031 (0.018) 30 87.6
杭州 (HGH) 0.921*** (0.104) 0.000 (0.002) 0.001** (0.000) -0.016 (0.019) 0.003 (0.005) -0.026 (0.019) 34 87.1

注: *** p<0.01, ** p<0.05, * p<0.1; 括号中显示修正后标准差。

表3 世界其他区域机场两阶段面板数据模型估计结果

Tab. 3 Results of the two-stage panel data estimation for airports located outside of China

β0 β1 β2 北京首都溢出 上海浦东溢出 广州白云溢出 N R2 (%)
亚洲 (4) 首尔仁川 (ICN) 0.536*** (0.091) 0.051*** (0.013) -0.003** (0.001) -0.026 (0.059) -0.341*** (0.054) -0.237*** (0.031) 56 59.8
曼谷 (BKK) 1.002*** (0.048) 0.034*** (0.011) -0.002* (0.001) -0.130** (0.063) 0.007 (0.021) -0.072 (0.081) 42 95.6
新加坡 (SIN) 1.008*** (0.040) 0.021*** (0.008) -0.001* (0.001) -0.050 (0.043) -0.003 (0.012) -0.176** (0.078) 41 97.9
吉隆坡 (KUL) 0.153 (0.169) 0.017 (0.020) -0.005 (0.010) -0.128 (0.153) -0.546** (0.249) -0.399*** (0.109) 21 72.5
欧洲和
北美 (8)		 法兰克福 (FRA) 0.904*** (0.047) 0.195*** (0.050) -0.143** (0.058) -0.047 (0.145) 0.072 (0.096) -0.679 (0.442) 21 98.5
阿姆斯特丹 (AMS) 0.106 (0.160) 0.092* (0.024) -0.041 (0.035) 0.143 (0.073) 0.003 (0.074) -0.302 (0.271) 21 61.8
莫斯科 (SVO) 1.056*** (0.068) 0.047* (0.026) -0.009 (0.062) -0.126 (0.214) 0.002 (0.048) 0.105 (0.553) 21 78.5
巴黎戴高乐 (CDG) 0.956*** (0.035) 0.093*** (0.024) -0.052* (0.029) 0.096 (0.067) 0.040 (0.048) -0.400* (0.231) 21 99.4
赫尔辛基 (HEL) 0.912*** (0.047) 0.101*** (0.021) -0.087*** (0.024) -0.031 (0.064) 0.089** (0.040) -0.400** (0.182) 21 98.0
伊斯坦布尔 (IST) 0.852*** (0.037) 0.141*** (0.013) -0.103*** (0.015) 0.029 (0.043) 0.018* (0.010) -0.614*** (0.098) 25 96.7
芝加哥奥黑尔 (ORD) 0.852*** (0.082) -0.092 (0.066) 0.171*** (0.060) -0.113 (0.158) -0.557 (0.223) 1.751 (0.563) 9 98.0
旧金山 (SFO) 0.422 (0.001) 1.153 (0.001) 0.435 (0.001) -14.743 (0.001) 14.586 (0.001) 43.525 (0.001) 7 98.0
中东 (2) 迪拜 (DXB) 1.024*** (0.054) 0.028 (0.032) 0.003 (0.037) -0.191** (0.092) -0.028 (0.061) 0.075 (0.215) 28 98.2
多哈 (DOH) 1.059*** (0.062) 0.041** (0.019) -0.015 (0.022) 0.080 (0.059) 0.016 (0.033) -0.088 (0.129) 28 98.3

注: *** p<0.01, ** p<0.05, * p<0.1; 括号中显示修正后标准差。

北京首都机场的拥堵溢出量主要流向两个中国二级机场（厦门和昆明）以及两个国际枢纽机场（曼谷和迪拜）。具体分析发现,北京首都机场的国际中转客流每损失1个单位乘客量,在5%的显著性水平上,厦门、曼谷和迪拜分别捕捉到0.21、0.13和0.19个单位乘客量;而在10%的显著性水平上,昆明可增加0.30个单位乘客量。究其原因,厦门与北京首都机场的市场重叠率较高。例如,在中国-北美市场上,这是北京首都机场的第一国际服务市场,同时也是厦门的第三服务市场。而在中国-西欧市场,曼谷和迪拜均是北京首都机场的竞争者。
上海浦东机场的拥堵溢出效应对中国香港、乌鲁木齐和重庆,以及亚洲的首尔和吉隆坡产生了显著影响。上海浦东机场的国际中转客流每损失1个单位乘客量,在1%的显著性水平上,吉隆坡、首尔和乌鲁木齐分别捕捉到0.55、0.34和0.07个单位乘客量;在5%的显著性水平上,香港竞争到0.13个单位乘客量;而在10%的显著性水平上,重庆竞争到0.03个单位乘客量。其原因是,首尔和上海浦东的市场重叠率高达74.9%,二者均以中国至东北亚、北美以及东南亚市场为其前三位主要服务市场,上海国际中转客流拥堵,容易导致其溢出效应流向首尔。其次,吉隆坡和香港主要与上海浦东竞争中国-东南亚市场。值得注意的是,由于乌鲁木齐在服务中国至中亚、东欧和南亚这三个市场比上海浦东在地理中心性上更具优势,上海浦东对乌鲁木齐显著的溢出效应表明枢纽拥堵溢出可促使二级枢纽在大型枢纽无法提供服务的区域实现专营化（specialization）。
与北京首都和上海浦东相比,广州白云机场的拥堵使得其溢出的中转客流量流向了更多区域的机场,意味着该机场中转客流的发展面临更激烈的竞争。广州白云机场的国际中转客流每损失1个单位乘客量,在1%的显著性水平上,中国的香港、武汉和西安可捕捉到的乘客量分别是0.84、0.07和0.06,而国际枢纽机场首尔、吉隆坡、伊斯坦布尔可捕捉到的乘客量分别是0.28、0.40和0.61;在5%的显著性水平上,新加坡和赫尔辛基可分别获得0.18和0.40个单位乘客量;而在10%的显著性水平上,巴黎戴高乐机场可竞争到0.40个单位中转乘客。广州白云与香港、武汉和西安的共同服务市场分别为中国至东南亚和北美市场、东南亚以及西欧市场,与吉隆坡和新加坡主要集中在中国至东南亚和南亚市场,而与伊斯坦布尔、赫尔辛基和巴黎戴高乐主要在中国-西欧市场上争夺中转客流。
以上分析也表明,三大机场的溢出效应呈现地理不对称性,即流向位于不同地理区位的竞争枢纽机场（表4）。值得注意的是,香港、首尔仁川和吉隆坡（表4中加粗显示）是仅有的能同时捕获上海浦东和广州白云机场溢出国际中转客流量的竞争枢纽机场,在所研究年份内,没有出现中国三大枢纽机场的国际中转客流同时溢出至一家枢纽机场的情况。此外,除香港和首尔外,其他机场的国际中转乘客量在2010—2017年间均显示较大增长,尤其是中国二级枢纽机场,如西安、武汉和厦门。
表4 三大机场国际中转客流拥堵溢出效应地理流向

Tab. 4 The geographical direction of congestion spillover effects of the B3 airports

三大机场 溢出流向机场 共同服务主要国际市场 市场重叠率
(%)		 国际中转乘客量变化(2017年 VS 2010年, %)
北京首都 厦门 中国-北美 44.0 206.9
曼谷 中国-西欧 10.8 123.1
迪拜 中国-西欧 16.3 61.9
上海浦东
 香港 中国-东南亚 36.2 32.9
乌鲁木齐 中国-东欧、南亚 12.8 106.4
吉隆坡 中国-东南亚 1.3 129.5
首尔 中国-东北亚、北美、东南亚 74.9 15.1
广州白云
 香港 中国-东南亚 60.6 32.9
武汉 中国-东南亚 29.8 239.2
西安 中国-西欧 44.1 527.0
首尔 中国-东南亚、北美 33.3 15.1
吉隆坡 中国-东南亚、南亚 29.8 129.5
伊斯坦布尔 中国-西欧 0.0 255.5
新加坡 中国-东南亚、南亚 16.5 77.2
赫尔辛基 中国-西欧 1.3 58.9

注：溢出流向机场仅列出溢出效应显著性水平为1%和5%的机场。

5 结论与讨论

5.1 研究结论

本文以服务中国国际中转市场的20个全球枢纽机场为研究范围,分析了中国北京首都、上海浦东和广州白云三大枢纽机场的拥堵溢出效应。所构建的两阶段固定效应和多方程面板数据模型考虑了机场异质性以及直达服务方式对中转客流的影响,提出的理论框架不仅能识别溢出效应的存在和地理指向,也提供了评估溢出至其他机场流量的思路,在研究方法上具有一定创新性;聚焦于中国枢纽机场为世界枢纽机场中转市场竞争测度提供了实证补充。研究结果表明：
（1）三大机场拥堵使得中国国际中转客流产生了溢出。
（2）在14个中国二级机场中,有6个机场能够承载三大机场的国际中转客流溢出量,分别是香港、昆明、厦门、乌鲁木齐、武汉和西安,但是其溢出指向呈现地理差异性,体现为：北京首都指向昆明和厦门;上海浦东流向香港和乌鲁木齐;广州白云流向香港、武汉和西安。
（3）世界其他区域的枢纽机场已参与到中国国际中转客流的竞争中来。其中,首尔仁川和吉隆坡同时获得了来自上海浦东和广州白云的溢出量。其他枢纽机场仅能从三大枢纽机场其中之一获益：北京首都的国际中转客流溢出对曼谷和迪拜产生较大影响;而广州白云的拥堵使得其国际中转客流量溢出至更多的机场,按照影响的显著性水平依次是伊斯坦布尔、赫尔辛基和巴黎戴高乐。
分析枢纽机场拥堵溢出流量流向对交通地理学研究至关重要,主要体现在对中国机场体系空间格局和航空运输网络可扩张性两方面的影响。枢纽机场拥堵溢出流量流向二级机场为构建二级枢纽机场、识别其未来功能定位和国际市场发展提供了可参考途径,二级枢纽机场竞争力的逐渐提升将可能改变中国高度集聚化的机场体系格局。当具有竞争力的二级枢纽机场数量发展到一定程度时,增长最快的网络类型将为由二级机场和二级机场构成的平行网络或者二级机场和一级枢纽机场构成的半平行网络,从而增强系统可扩张性,减少大量新建机场的盲目性。

5.2 政策启示

枢纽机场容量受限和随之而来的拥堵问题在未来将成为中国及欧美国家面临的政策和行业难题,本文研究结果对中国三大枢纽机场和二级机场均有一定启示意义。在发展限制不可避免的情况下,三大机场应在国内适时建立对应的二级枢纽机场,以分别承接其拥堵溢出流量,减少溢出流量流向其他国家和区域的更具竞争力的机场。当可替代的二级机场与枢纽机场的国际中转客流重叠率较高时,二级机场可发挥补充作用,反之,二级枢纽机场可试图发展成为专门运营某个区域航线（如中国-非洲或中国-南美洲）的专营化机场,填补枢纽机场无法覆盖的世界区域。在国家层面,制定科学的国际航空运输开放政策,鼓励世界上其他区域发展强劲的枢纽机场参与到中国国际航空运输竞争中来,有利于中国大型枢纽机场提高中转能力。在溢出客流量显著流向其他国家枢纽机场的情况下,大型枢纽机场的基地航空公司可考虑建立并加强与对方基地航空公司的联盟合作关系。论文后续研究将深入探讨影响中转客流拥堵溢出量从三大枢纽机场溢出至部分国内二级机场的关键因素,以及如何提高国内二级机场承接率。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Reynolds-Feighan A J . Traffic distribution in low-cost and full-service carrier networks in the US air transportation market. Journal of Air Transport Management, 2001,7(5):265-275.

[2]
Burghouwt G, Wit J . Temporal configurations of European airline networks. Journal of Air Transport Management, 2005,11(3):185-198.

[3]
Burghouwt G, Hakfoort J, Ritsema E J . The spatial configuration of airline networks in Europe. Journal of Air Transport Management, 2003,9(5):309-323.

DOI

[4]
Zhang Y, Zhang A, Zhu Z , et al. Connectivity at Chinese airports: the evolution and drivers. Transportation Research Part A Policy & Practice, 2017,103(9):490-508.

[5]
Huang J, Wang J . A comparison of indirect connectivity in Chinese airport hubs: 2010 vs. 2015. Journal of Air Transport Management, 2017,65(9):29-39.

[6]
Fu X, Lei Z, Wang K , et al. Low cost carrier competition and route entry in an emerging but regulated aviation market: The case of China. Transportation Research Part A Policy & Practice, 2015,79(9):3-16.

[7]
中国民航局. 关于把控运行总量调整航班结构提升航班正点率的若干政策措施.http://www.caac.gov.cn/XWZX/MHYW/201709/t20170921_46876.html 2018-04-14.

[ Civil Aviation Administration of China. Policy on enhancing flight on-time rates and designing flight structure by controling for the total operation volume.http://www.caac.gov.cn/XWZX/MHYW/201709/t20170921_46876.html 2018-04-14.]

[8]
Zou B, Hansen M . Flight delays, capacity investment and social welfare under air transport supply-demand equilibrium. Transportation Research Part A Policy & Practice, 2012,46(6):965-980.

[9]
董雅晴, 路紫, 刘媛 , 等. 中国空中廊道划设与时空拥堵识别及其航线流量影响. 地理学报, 2018,73(10):2001-2013.

[ Dong Yaqing, Lu Zi, Liu Yuan , et al. The design of China's corridors-in-the-sky and the influence of air routes traffic on the identification of space-time congestion. Acta Geographica Sinica, 2018,73(10):2001-2013.]

[10]
Gudmundsson S, Paleari S, Redondi R . Spillover effects of the development constraints in London Heathrow Airport. Journal of Transport Geography, 2014,35(2):64-74.

[11]
Redondi R, Gudmundsson S V . Congestion spill effects of Heathrow and Frankfurt airports on connection traffic in European and Gulf hub airports. Transportation Research Part A Policy & Practice, 2016,92(10):287-297.

[12]
Redondi R, Malighetti P, Paleari S . Hub competition and travel times in the world-wide airport network. Journal of Transport Geography, 2011,19(6):1260-1271.

DOI

[13]
王玫 . 基于国际市场的运输服务优化研究: 以中国大型机场的中转服务优化为例. 北京科技大学学报(社会科学版), 2013,29(4):105-112.

[ Wang Mei . A study on transportation service optimization based on international market: Taking the optimization of airport transfer service in china as an example. Journal of University of Science and Technology Beijing (Social Sciences Edition), 2013,29(4):105-112.]

[14]
王伟, 王成金 . 枢纽机场航班时刻资源配置的时空网络模式: 以北京首都国际机场为例. 地理学报, 2013,68(6):762-774.

[ Wang Wei, Wang Chengjin . Temporal-spatial network of flight schedule in hub airport: A case study of Beijing International Airport. Acta Geographica Sinica, 2013,68(6):762-774.]

[15]
王姣娥, 王涵, 焦敬娟 . “一带一路”与中国对外航空运输联系研究. 地理科学进展, 2015,34(5):554-562.

[ Wang Jiaoe, Wang Han, Jiao Jingjuan . China’s international aviation transport to the Belt and Road Initiative area. Progress in Geography, 2015,34(5):554-562.]

[16]
王成金, 金凤君 . 从航空国际网络看我国对外联系的空间演变. 经济地理, 2005,25(5):667-672.

[ Wang Chengjin, Jin Fengjun . Spatial evolvement of China international relation through analyzing aviation international networks. Economic Geography, 2005,25(5):667-672.]

[17]
Lei Z, Yu M, Chen R , et al. Liberalization of China-US air transport market: Assessing the impacts of the 2004 and 2007 protocols. Journal of Transport Geography, 2016,50(1):24-32.

[18]
黄洁, 王姣娥 . 枢纽机场的航班波体系结构及其喂给航线的空间格局研究. 地理科学, 2018,38(11):1749-1757.

[ Huang Jie, Wang Jiaoe . Wave-system structures of airport hubs and spatial patterns of possible indirect connections. Scientia Geographica Sinica, 2018,38(11):1749-1757.]

[19]
戴特奇, 张玉韩, 赵娟娟 . 中国民用运输机场的可达性溢出效应研究. 地理学报, 2013,68(12):1668-1677.

[ Dai Teqi, Zhang Yuhan, Zhao Juanjuan . Using accessibility measures to assess spillover effect of civil airports in China. Acta Geographica Sinica, 2013,68(12):1668-1677.]

[20]
Tao L, Zhang S, Cao X , et al. Does a circular high-speed rail network promote efficiency and spatial equity in transport accessibility? Evidence from Hainan Island, China. Transportation Planning and Technology, 2018,41(7):779-795.

[21]
范月娇, 权春妮 . 物流通道的空间溢出效应检验: 基于中国11条物流通道的实证. 交通运输系统工程与信息, 2018,18(1):37-43.

[ Fan Yuejiao, Quan Chunni . Test on spatial spillover effects of logistics corridor: An empirical study based on China's 11 logistics corridors. Journal of Transportation Systems Engineering and Information Technology, 2018,18(1):37-43.]

[22]
Snijders T A, Van de Bunt G G, Steglich C E . Introduction to stochastic actor-based models for network dynamics. Social networks, 2010,32(1), 44-60.

DOI

[23]
Zhang S, Derudder B, Witlox F . Dynamics in the European air transport network, 2003-9: An explanatory framework drawing on stochastic actor-based modeling. Networks and Spatial Economics, 2016,16(2), 1-21.

[24]
王姣娥, 金凤君, 孙炜 , 等. 中国机场体系的空间格局及其服务水平研究. 地理学报, 2006,81(8):829-838.

[ Wang Jiaoe, Jin Fengjun, Sun Wei , et al. Research on spatial distribution and service level of Chinese airport system. Acta Geographica Sinica, 2006,81(8):829-838.]

[25]
王姣娥, 莫辉辉, 金凤君 . 中国航空网络空间结构的复杂性. 地理学报, 2009,64(8):899-910.

[ Wang Jiaoe, Mo Huihui, Jin Fengjun . Spatial structural characteristics of Chinese aviation network based on complex network theory. Acta Geographica Sinica, 2009,64(8):899-910.]

[26]
Greene W . Econometric Analysis. New Jersey: Prentice Hall, 2000: 738-744.

[27]
Wooldridge J M. Econometric Analysis of Cross Section and Panel Data. Massachusetts: MIT Press, 2002: 282-283.

Options
文章导航

/

〈 〉