华 何，陆燕楠，吴薇薇 ，韩 东
(南京航空航天大学 民航学院，南京211106)
机场是连接陆路交通和航空运输的衔接点，是实现城市互联互通的重要枢纽，但机场的建设、运行、发展都不可避免会对机场的资源和生态环境产生一定的影响.一方面，部分机场过度追求机场建设的超前性，造成了机场资源的浪费，如航站楼、停机位、跑道等资源的冗余使得机场的运营效率降低；
另一方面，机场的能源消耗也不容小觑.近年来，国家采取了一系列强有力的政策和措施来努力争取实现碳中和目标，各地区民航局也发布了多个文件，鼓励用一种可持续发展的方式发展机场和创造更适宜的周边环境[1].本文将在兼顾机场发展和环境保护的情形下对长三角机场进行研究分析.
20世纪90年代，众多国外学者就已经开展了机场运营效率的研究，通过构建不同的机场评价体系来评估机场的运营状况，帮助机场找出影响机场运营效率的因素[2-3].在众多研究方法中，数据包络分析法(Data Envelopment Analysis, DEA)由于直接利用投入产出数据，不需要给指标主观赋权，具有较强的客观性，同时在简化算法和减少误差方面也具有一定的优越性，因此得到了广泛应用.
我国汪瑜[4]，马骏伟[5]和朱志愚[6]学者分别使用SE-SBM-VRS DEA模型和CCR模型与BCC模型研究了我国主要的枢纽机场；
张劲枫[7]，罗润三[8]和刘丹[9]学者分别运用改进后的CCR、BCC模型和网络DEA模型研究了我国地区机场系统；
高黎[10]和曾竹喧[11]学者分别使用加权DEA模型和并行DEA模型研究了我国机场群的发展状况.这些研究理论和成果极大丰富了机场运营效率领域，但在研究机场的运行效率时，学者们多重视机场的正面效益，忽视机场运行过程中产生的负面产出，例如旅客投诉、航班延误、航行过程中的噪音和大气污染等，这些非期望产出也对机场的运营产生了一定的影响.同时，近年来国家重视绿色环保和机场可持续发展，增加了非期望产出的机场运营效率研究更加贴合实际，评价结果也更为准确.
目前考虑非期望产出的文献不多，非期望产出的指标选择也较少.韦薇，夏洪山[12]引入延误起降架次作为非期望产出指标，运用非参数方向距离函数法和传统DEA模型进行对比分析了长三角主要机场的运营效率.韩东，吴薇薇[13]和梁的达，夏洪山[14]，增加了年旅客投诉数作为非期望产出指标，运用超效率SBM模型把机场运营分成机场服务与旅客服务两个阶段来计算机场的运营效率.朱星辉，戚彦龙[15]，李亚飞，王莉莉[16]和程玉辉，景崇毅[17]，分别引入航班延误百分比、航班延误时间和出港平均延误时间，并基于SBM模型和三阶段SBM模型对机场运营效率进行评价研究.
综上所述，诸多学者基于DEA方法研究机场运营效率，对期望产出指标考虑比较全面，但以下方面仍可以改进:1)多数文献忽视了非期望产出对机场运营效率的影响；
2)当多个机场运营效率等于1时，常用评价模型CCR、BCC模型不能进一步给机场排序；
3)多数文献对机场运营效率研究单一，采用静态评价模型和动态评价模型相结合研究机场的文献较少.近年来民航业迅速发展，机场的旅客吞吐量和飞机起降架次都在逐年递增，机场的碳排放量也随之增加，对环境造成影响.旅客吞吐量的增加造成机场服务资源日趋紧张，容易引发更多的旅客投诉数量，随之带来旅客对出行机场满意度的降低.因此考虑外部环境的非期望产出(碳排放量)对机场运营效率更加符合现实情况.本文通过多种模型对比分析长三角机场群内机场的静态运营效率和动态全要素生产率，以此对长三角机场2015～2019年发展情况进行分析.
本文主要以超效率SBM模型和GML指数方法进行分析评价.
1.1 超效率SBM模型
传统DEA模型的分析结果中，可能会呈现多个DMU评价有效，尤其评价指标数量较多时，DMU也会多呈现为1，从而无法对这些DMU进行进一步的比较.针对这一问题Tone[18]等提出了超效率模型SBM，不仅解决了对效率值大于1的DMU的排序问题，还充分考虑了松弛变量.
(1)
1.2 GML指数模型
Malmquist是一种测算全要素生产率变动情况的方法，可以测算DMU各个时间段全要素生产率的变动情况.Malmquist模型在测算时未充分考虑期望产出增加和非期望产出减少的情况，于是Chung等[19]提出了ML模型，模型如下：
(2)
其中：ML可以分解为EC(技术效率变化)和TC(技术进步变化)，
(3)
ML模型在求解时采用两个时期指数的几何平均形式，会发生无可行解情况，于是Oh[20]提出了新的模型来解决ML的缺点，模型如下：
(4)
GML同理也可以被分解为EC和TC.
1.3 指标体系及数据来源
研究数据采用面板数据，时间跨度为2015～2019年，决策单元为《长江三角洲城市群发展规划》[21]中16个机场.指标数据为客观数据，整理于民航机场生产统计公报、各机场官网和OAG数据库等.考虑到指标的系统性、可操作性和科学性的原则，参考既有文献[11]中的期望指标，选择指标如表1所示，非期望产出的指标选择碳排放量和旅客投诉数量.
表1 投入产出指标体系Table 1 Input-output indicator system
本文中机场碳排放量采用IPCC中给出的“自上而下”计算方式，根据《民航机场统计年鉴》中民航业全年燃油消耗量，估算碳排放量总量如下：
C=E×I
(5)
其中：C为航空运输碳排放总量，E为航空煤油消耗量，I为碳排放系数，取3.15 kg/kg.再根据各机场旅客吞吐量，计算出各机场的碳排放量.
选择长三角16个机场为研究样本，运用多种模型对比分析机场的运营效率.本文利用Matlab和MaxDea处理数据.
2.1 机场静态效率评价及分析
为了突出非期望产出对机场评价的影响，参考现有文献[13]设计，本文用3种模型分别计算考虑非期望产出和不考虑非期望产出情况下的机场运营效率，如表2所示.运算结果如表3、4所示，其中DMU大于或等于1为DEA有效.
表2 模型分析Table 2 Model analysis
表3 三种模型下的机场运营效率对比(2015～2017)Table 3 Comparison of airport operation efficiency under the three models (2015～2017)
对比模型1和模型2，可以发现考虑了非期望产出后机场的运营效率值发生改变.大型机场方面：杭州萧山机场在2015～2016年机场运营效率值变低，如图1所示，主要原因为杭州萧山机场机场基础设施利用率较低，且2015～2016年机场旅客投诉数量较多，受空域资源影响，2015年机场被选为最不准点机场.
图1 大型机场模型1和模型2中运营效率值对比Figure 1 Comparison of operating efficiency values in model 1 and model 2 of large airports
小型机场方面：部分模型1下的无效DMU效率值在模型2中上升，如图2所示，2016年扬州泰州机场、2018年无锡硕放和南通兴东机场，在考虑了非期望产出指标后，从前年的无效DMU成了有效DMU.表明小型机场的运营效率在考虑非期望产出影响后有明显提高，小型机场的可持续绿色发展更需要合理规划机场资源，准确市场定位，更好的为目标旅客提供优质服务.
图2 机场运营效率值上升的机场Figure 2 Airports with rising operating efficiency values
表4 三种模型下的机场运营效率对比(2018～2019)Table 4 Comparison of airport operation efficiency under the three models (2018～2019)
此外，2015～2019年间，多数机场运营效率不为1，考虑非期望产出后，机场的运营效率值均下降.进一步说明考虑碳排放量和旅客投诉数量对机场的运营效率影响的必要性.由模型2和模型3对比可以发现，模型2中机场运营效率值为1的DMU的值在模型3中被进一步放大，基于此可以对各机场更准确排名.而呈现运营效率无效的机场，运营效率值保持不变或者轻微变大.
上海虹桥、上海浦东、南京禄口和舟山普陀山机场在2015～2019年间，一直呈现运营效率有效.它们的共同点为在航站楼面积、机场停机位个数和通航点数量轻微增长时，提高了旅客、货邮吞吐量和飞机起降架次，且碳排放量和旅客投诉数量也能得到有效控制.
常州奔牛、台州路桥和合肥新桥机场在2015～2018年间运营效率小于1，2019年运营效率大于等于1，表明机场在前期投入过多，产出较少，但近几年来市场需求增多，旅客数量增加，机场运营效率状况逐步转好.
无锡硕放、南通兴东、杭州萧山和宁波栎社机场，在2015～2019年间运营效率值有部分年份DMU有效，如宁波栎社机场则在2015～2018年都DMU有效，2019年DMU无效.机场的建设发展不能一直很好的匹配产出.基于近年来机场投入没有变化，产出波动导致了DMU运营效率变化.
盐城南洋、义乌、池州九华山和安庆机场2015～2019年间一直运营效率值较低呈现DMU无效，此类机场需要合理规划机场的发展.
2.2 机场动态全要素生产率评价及分析
超效率SBM模型只研究了机场的静态效率变化，反映为每一年机场的投入产出转化率，而GML指数可以观测机场历年动态效率值.因此，本文运用MaxDea对长三角机场进行全要素生产率分析.
结果如表5所示，长三角机场的GML均值从2015～2016年的0.994 7到2018～2019年的1.009 29，机场全要素生产率均值有提高，机场的发展越来越好.其中：GML指数小于1的DMU主要集中在2015～2017期间，以无锡硕放机场和杭州萧山为代表的机场在这两个区间内GML值均都小于1，分别为0.997 76、0.981 23和0.993 24、0.985 02.分析后发现，我国民用运输机场总体规划近期目标一般为10 a，远期目标为30 a，而无锡硕放在2015年1月19日机场才完场二期续建工程，杭州萧山机场则2012年底二期工程才投运，此时机场处于低利用率，机场的流量低于饱和容量，基础设施使用率低下.
表5 长三角机场的GML指数(2015～2019年)Table 5 GML Index of Yangtze River Delta Airport (2015～2019)
为了验证非期望产出对机场动态全要素生产率的影响，运用Malmquist模型和GML模型对比分析各机场5 a的平均全要素生产率及分解值，结果如表6所示，考虑非期望产出后，多数机场的动态全要素生产率值降低，表明非期望产出也对机场动态全要素生产率产影响.
表6 Malmquist模型和GML模型下5年机场平均全要素生产率及分解值Table 6 Five-year average total factor productivity and decomposition value of airports under Malmquist model and GML model
由于Malmquist和GML指数均可以分解为技术效率(EC)和技术进步(TC)，技术效率指在现有技术水平下，通过增加各种部门间的协调性，使机场的期望产出增大；
技术进步则指投入同样多的投入指标在技术上实现更多的期望产出.考虑碳排放量和旅客投诉数量后，各机场的技术效率和技术进步值都发生不同程度的变化，有2个机场的技术效率值上升，有7个机场的机场技术进步值上升.非期望产出影响机场技术进步的数量更多，但是从所有机场的均值来看，MLEC和GMLEC的值差值为0.071 4，而MITC和GMLTC的差值为0.011 6，表明非期望产出对机场技术效率影响更大.
本文结合DEA方法，在对机场运营效率的评价指标中考虑了机场的非期望产出：碳排放量和旅客投诉量，使用多种模型对比分析了长三角16家机场，结果表明：
1)非期望产出对机场的静态运营效率和动态全要素生产率均产生影响，超效率SBM模型能够解决CCR模型不能进一步排名的问题，GML指数能消除ML指数无可行解问题.
2)长三角机场静态效率值呈现波动上升趋势，考虑非期望产出后，大型机场如上海虹桥、上海浦东和南京禄口等机场运营效率仍旧有效，依然大于等于1，而小型机场产生显著变化，少部分小型机场的运营效率值提升，绝大部分运营效率值下降.
3)2015～2019年，长三角机场全要素生产率受技术效率和技术进步共同影响，非期望产出影响技术进步上升的机场数量较多，但是对机场的技术效率影响更大.
机场承担旅客及货物的运输，运营效率的评估不能仅考虑正向输出，还需要考虑负向输出.倡导国家碳中和的发展目标，本文外部环境非期望产出因素选择了碳排放量，未再考虑噪音污染、有毒气体、机场垃圾等指标，期待未来进一步的研究.
猜你喜欢 生产率长三角旅客 中国城市土地生产率TOP30决策(2022年7期)2022-08-04“1+1=7”凝聚长三角人大更大合力上海人大月刊(2022年4期)2022-04-14——长三角油画作品选之四">百年辉煌——长三角油画作品选之四大江南北(2022年1期)2022-01-19非常旅客意见簿小哥白尼(趣味科学)(2021年3期)2021-07-16候车大厅的旅客数学大王·趣味逻辑(2020年8期)2020-08-14“首届长三角新青年改稿会”作品选诗歌月刊(2019年7期)2019-08-29跟踪导练（三）4时代英语·高一(2019年1期)2019-03-132019长三角企业100强上海企业(2019年12期)2019-01-17我是人故事大王(2018年3期)2018-05-03外资来源地与企业生产率智富时代(2018年1期)2018-03-26