基于聚类分析和DEA的中国机场标杆管理研究

王战斌

（中国民用航空局 空中交通管理局，北京 100021）

近年来快速增长的航空运输需求给机场业的运营带来较大压力，也对机场的建设和发展提出了新的要求。由于机场是具有垄断特性和不可替代性的航空运输基础设施，其运营效率直接影响着航空运输业的整体效率。目前国内机场业较低的盈利现状在一定程度上已成为行业进一步发展的制约因素。在行业迅速发展、需求快速增长、竞争日趋激烈、投资者价值期望不断提高的多重压力下，改善机场运作效率已成为航空运输业进一步发展过程中亟待解决的问题。

一、文献综述

标杆管理（Benchmarking）最早由施乐公司在20世纪70年代末提出，随着竞争环境的国际化得到了广泛传播，并在过去几十年中在各国产业分析领域得到深入应用。但是直到最近15到20年，理论界才将其引入机场绩效管理领域（Graham，2005）。随着机场面临挑战的增加，绩效改进工具——标杆管理在机场业中的应用也越来越普遍。早期，机场通常将预算作为监控与评判其绩效水平的标准与手段，但是现在机场通常选择“标杆机场”作为比较对象与改进目标，通过识别最好的典范并学习其经营以提高自身的经营绩效 （Graham，1999，2001；Centre for Airport Studies，1998）。

从机场绩效标杆管理的历史看，最早的标杆管理是由当时拥有和经营机场的政府所进行的。当时的作法主要是收集和比较政府管辖下各机场的财务和产出数据（Francis等人，2002），所采用的测量方法大多是基于工作量单位（Work Load Unit，WLU）①所谓工作量单位是指运送一位旅客或者处理100公斤货物（Doganis等，1978）。所设定的。1993年，国际航空运输协会（International Air Transport Association，IATA）出版了第一期有关机场监控的杂志，该杂志的出版标志着标杆管理在机场管理中应用的重要性进一步提升。

从2002年起，世界航空运输研究学会（Air Transport Research Society，ATRS）每年对全球主要机场的标杆管理情况发布一份研究报告，目的在于对机场管理和运营的绩效情况进行评价和比较，从而更好地了解机场之间的绩效差异（Oum、Adler和Fu，2003）。而作为标杆管理发源地的日本也对本国的机场标杆管理进行了研究。Yoshida（2004）采用了全要素生产率的变形模型对日本机场进行了分析，结果显示日本经营国内业务的机场比其他机场更有效率，同时日本区域性机场的经营是相对无效率的。Sarkis和Talluri（2004）运用数据包络分析研究了44家美国机场5年的数据，认为标杆管理可以作为美国机场改进绩效水平的有效工具。Martin和Roman（2006）运用了六种方法对西班牙商业化机场进行了标杆分析，结果显示交叉效率数据包络分析模型是对机场绩效进行标杆管理的最优方法。

毋庸置疑，近几年机场效率标杆管理有了长足进步。但同时，这些研究也仍然存在着一些局限性。第一，所使用的研究方法存在着不足。Sarkis（2000）和其他学者仅把这些方法作为相对绩效的测量方法，而没有改进这些方法本身的不足。他们也推荐使用数据包络分析的拓展方法来对机场进行标杆管理，但是并没有在这一方面进行深入研究。有些学者也推荐使用数据包络分析，尤其是规模报酬不变的数据包络分析模型，来对机场绩效进行标杆管理。第二，上述文献虽然通过各种方法在机场标杆管理方面进行了分析，有些文献也建立了机场改进绩效的标杆。但是，对于无效率机场如何改进绩效并没有提出明确的方法，这就阻碍了标杆管理方法在实践中的应用。本文希望通过在数据包络模型中引入松弛变量并结合聚类分析方法来解决上述问题。

二、机场效率的标杆管理流程

（一）确定所属类别

为了确立恰当的标杆机场，首先应当确定分析对象所处的具体类别。在此过程中本文采用了聚类分析方法，以克服数据包络分析在效率分析方面固有的局限性（Doyle和Green，1994；Sarkis和Talluri，2004）。通过对样本机场的输入变量进行聚类分析，将机场按照不同特质分类，可以对数据包络分析本身的局限性进行较好的弥补。

（二）确立标杆机场

在确定分析对象的具体类别后，运用基本DEA模型计算各类样本的运营效率。通过基本DEA模型计算得到的运营效率不可避免地会出现分值相同的情况，而这种结果可能是由于过分依赖某一个输入或者输出变量，而使决策单元更有效率（Sexton等人，1986），因此这种绩效排序就是虚假的。Martin和Roman（2006）认为，交叉效率DEA模型是对机场绩效进行完全排序的最好选择。因此，本文对样本机场进行了交叉效率分析和完全排序，在此基础上，将交叉效率分值最高的样本确立为分析类别的标杆机场。由于各机场不同年度的实际经营状况可能存在差别，因而不同年度的标杆机场有所不同。

（三）分析效率差异

在确立标杆机场之后，在各类样本范围内利用DEA模型的差额变量分析法将非标杆机场与标杆机场进行比较，找出导致分析对象运营效率不高的具体原因。差额变量分析通过测度非标杆机场相对于标杆机场所存在的投入变量超额（Excess）与产出变量差额（Shortage），来分析、判断该机场具体经营策略调整的重点。

在利用差额变量分析法时，可以根据DEA的固定规模收益（CCR）模型计算出总体效率差异，从而提出通过实施长期决策调整实现效率提升的方向；也可以根据DEA的变动规模收益（BCC）模型计算出纯技术效率差异，并由此提出实施短期经营改进实现效率提升的方向。

三、基于中国大陆机场的实证分析结果

（一）样本选取与变量定义

本文选取2001—2005年期间在中国大陆实际运营的80家民航运输机场作为研究样本，分别编号为DMU1－DMU80。

本文将样本机场的输入变量界定为资本、劳动力和实物；将机场的输出变量界定为财务产出和实物产出。在参考民航局相关规定的基础上，结合中国大陆机场的经营特点以及文章的研究目的，本文选择的机场生产经营投入变量与产出变量如表1所示。

表1 投入产出变量定义

（二）聚类分析结果

在聚类方法的选择上，本文选用了系统聚类法，按照不同年份针对四个投入变量（主营业务成本、正式员工数量、跑道长度和登机门数量）对全体样本进行聚类。本文根据样本机场的实际经营状况进行了判别分析，最终将80家样本机场分为三类。其中，第一类机场有29家，主要是中国大陆机场布局中的枢纽机场与较大的干线机场，它们所在的城市多属于经济较发达的大型城市。这些城市在中国经济社会中居于重要地位，是国家及地区的政治或经济中心，航空地理位置优越，在国家整个航空运输网络中具有核心地位，周围较大区域内机场数量较多，除短程辐射外，还有较多中远程干线辐射和国际航线辐射，为大型或中型航空公司的主要基地，具有较强的中转功能和先进的客货处理设施。

第二类机场有18家，所在地一般属于中型城市，多为省会（自治区首府、直辖市）城市、重要开放城市、旅游城市或其他经济较为发达、人门密集的城市。此类城市非农业人口占比较高，人口流动性较强，因而此类机场多属于中国大陆机场布局中的干线机场和业务量较大的支线机场，旅客吞吐量普遍较高。

第三类机场有33家，主要以经济发展水平中等的城市为主，此类城市人口较为密集，但是由于地理因素难以与周边机场构成中枢辐射，其中所包含的机场大多数为支线机场，周边运输辐射功能较弱，这一类机场正是目前需要重点研究并大力发展的、较小的支线机场。

上述聚类结果与中国大陆机场布局中的枢纽机场、干线机场、支线机场的分类方法存在类似之处，所不同的是本文的聚类是直接针对样本的具体经营特征（生产要素投入水平），而非仅仅考虑样本机场的地理位置与航线布局，因而在某些机场的所属类别与机场布局的分类上具有一定差异。

（三）类内交叉效率分析结果

通过对三类样本机场分别进行交叉效率分析，本文得到了各类样本的总体效率、技术效率与规模效率，如表2所示。三类样本机场的平均效率值在各年份均具有明显差异，说明三类样本机场的效率水平存在明显的类间差距。从三个效率指标来看，总体上，第一类样本明显高于第二、三类样本，三类样本效率水平从第三到第一类呈递增状态。

表2 三类样本机场效率比较

从总体效率来看，三类样本机场的跨度较大，分别分布在0．651～0．769（一类）、0．509～0．594（二类）、0．179～0．275（三类）的效率区间内。其中第一、二类机场在2001—2005年期间有所提高但幅度不大，第三类机场的总体效率提高较明显，说明第三类样本机场在样本期间内的经营改善程度要大于第一、二类机场。

从纯技术效率来看，三类机场的跨度略小，分别分布在0．671～0．793（一类）、0．544～0．663（二类）、0．453～0．576（三类）的效率区间内，而且2001—2005年间各类机场的效率差距还有缩小趋势，说明三类样本机场管理层的实际管理效率差异并不明显。

从规模效率来看，三类样本机场则分别分布在0．965～0．982（一类）、0．884～0．937（二类）、0．466～0．577（三类）的效率区间内，第一类与第二类的规模效率差距不大，但是第三类机场规模效率明显较差。其中第一类机场2001—2005年期间的规模效率均接近1，说明其经营规模控制较好，此类机场如果要提高总体效率应该在纯技术效率上（即管理层的管理能力）进行改进；而第二类机场在样本期间内也出现了规模效率逐年提升的趋势，逐渐接近最优经营规模，对于未来总体效率提高而言，其通过规模效率改进的空间并不大；第三类机场的规模效率则普遍较低，可以将改善机场生产要素投入比例作为改进此类机场总体效率的手段，该手段相对于提升管理能力而言可能更易实现。

在对各类机场进行交叉效率分析的基础上，本文在各类样本范围内确定了本类机场中的标杆，如表3所示。

表3 三类样本机场标杆

（四）差额变量分析结果

由于差额变量分析法并不适宜以截面或序列平均的方式进行运算，从实践指导意义而言，只需要对最近经营年度的数值进行分析即可。因此，本研究以2005年度的效率分析结果作为基础，对典型样本机场（范例机场）进行差额变量分析，作为机场效率具体改进方式的参考。以第一类样本为例，DMU52机场连续4年排名在该类样本的前5名，DMU80机场则长期处于效率较低状态。根据该两家机场2005年的CCR效率与BCC效率数值，计算出来的各项投入超额与产出差额数据如表4所示。

表4 差额变量分析结果（CCR ＆BCC）

由各项差额变量可以看出，DMU52机场的CCR效率与BCC效率均为1，表示该机场已经达到了样本范围内的最优投入产出效率，因而其CCR与BCC差额变量分析结果显示其各项投入变量超额、产出变量差额均为0，即相对于样本范围内的其他机场而言并不存在资源浪费或者产出不足的现象。

DMU80机场的CCR与BCC差额变量分析结果显示其存在较大的产出提升空间和投入要素的浪费问题。在BCC差额变量分析下，DMU80机场的各项产出差额均为0，说明DMU80机场管理层的管理控制能力已经达到了有效的水平，无法在短时间内通过管理效率的提升而获取产出的提升。CCR差额变量分析结果显示，DMU80机场长期内存在较大的产出提升空间，具体包括航班起降架次、旅客吞吐量、货邮吞吐量等三个具体的产出项目。同时CCR差额变量分析结果还表明，DMU80机场存在较为严重的生产资源闲置现象，具体包括正式员工人数、跑道长度与登机门数量三项投入要素。根据差额变量分析结果，其最优正式员工人数为4861－1585＝3276人，最优跑道长度应当为4000－2501＝1499米，最适登机门数量应当为19－12＝7个，而机场跑道、登机门数量同属于调整弹性较小的固定投资存量，因而对于DMU80机场而言，如果未来航空运输业务量水平不能大幅提升，那么就存在较大的长期经营压力，不但要在产出方面进行扩张（包括航班起降架次、旅客吞吐量和货邮吞吐量），还要合理控制固定要素的投入（跑道建设和登机门数量）并较大幅度调整员工人数，才能实现有效运营的目的。

四、结论与启示

本文首先对样本机场进行分类，通过交叉效率分析确立了各类样本的标杆机场，在此基础上运用差额变量分析法明确了低效机场与标杆机场的差距，并归纳出一套较为可行的机场效率标杆管理流程。

对样本机场的聚类分析结果显示了样本机场在运营特征上的差别，不同类型机场的运营模式和运营环境存在明显的差异，因此各机场在对自身经营策略进行调整时，应根据自身所属类别及实际特征，采取不同的具体决策来改善经营效率。政府部门在对机场进行宏观管控中，也需要考虑机场所属具体类别的总体特征与发展重点，实施分类管理，针对不同类型的机场采取不同的措施。

本文的方法可以作为衡量机场效率的一套客观的分析工具，不同的分析主体具有不同的决策目标，因而其关注重点也会不同。对于行业主管部门而言，在对机场进行资源分配时应该考虑机场的效率情况以及机场无效率的原因（主要是规模无效率还是纯技术无效率），针对不同情况采取不同决策方案；而对于航空公司及相关代理公司而言，更多的是关注机场效率的排序问题，以选择更有效率的机场作为运营基地；而机场本身对于效率问题的关注更多的应集中于如何改善效率水平上，在明确标杆机场之后，如何通过长期和短期的经营策略调整实现效率提升。

［1］Centre for Airport Studies．Airport Retail Study［R］．Airports Council International World Conference，Sydney，1998．

［2］Doganis，R．，Pearson，R．，＆Thompson，G．Airport Economics in the Seventies［R］．Research Report No．5，Polytechnic of Central London， UK： Transport Studies Group，1978．

［3］Doyle，J．，Green，R．Efficiency and Cross－Efficiency in DEA：Derivations，Meanings and Uses［J］．Journal of the Operational Research Society，1994，45（5）：567－578．

［4］Francis， G．， Humphreys，I．， ＆ Fry，J． The Benchmarking of Airport Performance［J］．Journal of Air Transport management，2002（4）．

［5］Graham， A． Benchmarking Airport Economic Performance［R］． Airport Finance Symposium，Cranfield：Cranfield University，1999．

［6］Graham，A．Performance indicators for airports［R］．Business Management for Airports， Loughborough：Loughborough University，2001．

［7］Graham，A．Airport Benchmarking：A Review of the Current Situation［J］．Benchmarking：An International Journal，2005（2）．

［8］Martin，J．C．，Roman，C．A Benchmarking Analysis of Spanish Commercial Airports：A Comparison Between SMOP and DEA Ranking Methods［J］．Netw Spat Econ，2006（2）．

［9］Oum，T．H．，Adler，N．，＆ Yu，C．A Comparative Analysis of Productivity Performance of the World's Major Airports Summary Report of the ATRS Global Airport Benchmarking Research Report［J］．Journal of Air Transport Management，2003（5）．

［10］Sarkis，J．An Analysis of the Operational Efficiency of Major Airports in the United States［J］．Journal of Operations Management，2000（3）．

［11］Sarkis，J．，Tslluri，S．Performance Based Clustering for Benchmarking of US airports［J］．Transportation Research Part A，2004（5）．

［12］Sexton，T．R．，Silkman，R．H．，＆ Hogan，A．J．Data envelopment analysis：Critique and Extensions［R］．In：Silkman RH （ed）Measuring efficiency：An Assessment of Data Envelopment Analysis．San Francisco，California：Jossey－Bass，1986：73－105．

［13］Yoshida，Y．Endogenous－weight TFP Measurement Methodology and its Application to Japanese－airport Benchmarking［J］．Transportation Research Part E，2004（2）．