《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》:Data-driven comparison of airline passenger flight supply using optimal transport theory
编辑推荐:
研究人员开发了一种最优传输(optimal transport, OT)框架来衡量航空公司供给差异。研究人员按季节性、邻近性和航程距离结构对航空公司进行比较。研究人员将该框架应用于2016年至2025年间的32家欧洲航空公司。研究揭示了多维相似性和异质的疫情后
研究人员开发了一种最优传输(optimal transport, OT)框架来衡量航空公司供给差异。研究人员按季节性、邻近性和航程距离结构对航空公司进行比较。研究人员将该框架应用于2016年至2025年间的32家欧洲航空公司。研究揭示了多维相似性和异质的疫情后恢复。
**论文解读**
自航空运输市场放松管制以来,航空公司战略自主性增强,竞争不仅体现在服务相同机场对,还体现在如何在不同航线、季节和航线类型间分配座位运力与航班频率。这些供给决策反映商业模式,并影响票价、消费者福利、市场集中度和环境结果。已有研究使用网络拓扑、多市场竞争(multimarket contact, MMC)、赫芬达尔-赫希曼指数(Herfindahl-Hirschman Index, HHI)和集中率、低成本航空公司(low-cost carrier, LCC)与传统全服务航空公司(full-service carrier, FSC)分类等测量市场结构,但此类方法将市场独立处理,只能提供离散的重叠航线度量,难以捕捉航线组合的深层结构差异。例如,两家航空公司可能不服务同一机场对,却服务地理接近的市场,从而构成竞争。为明确纳入航线异质性并连续比较航空公司供给分布,需要更灵活的框架。
针对上述问题,研究人员提出基于最优传输(optimal transport, OT)理论的框架,将每家航空公司表示为航线上座位运力或航班频率的分布,通过航线级成本矩阵量化供给差异,并构建三个指标:I
1(季节性供给定位,基于每周座位分布的Wasserstein距离)、I
2(地理邻近性,基于机场端点距离和机场规模加权)、I
3(航程长度结构,基于航线长度绝对差)。该研究发表于《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》。实证应用覆盖2016–2025年欧洲经济区(European Economic Area, EEA)及英国市场,样本为32家航空公司。研究结论表明,航空公司供给关系是多维的,疫情后恢复呈现差异化和收敛并存。该框架为航空市场分析提供了灵活工具,支持同行识别、基准比较和初步并购筛选,并可扩展到其他运输系统。
关键技术方法方面,研究人员使用OAG航班时刻数据,样本为2016–2025年欧洲经济区及英国市场的32家航空公司,选取自2025年总座位运力前30和总班次前30的并集。数据预处理保留每年至少运营17周且年班次不低于53班的航线。采用最优传输理论,将航空公司供给表示为标准化分布,利用Python Optimal Transport(POT)包中的ot.emd求解。构建三个成本函数:I
1采用航线每周座位分布的Wasserstein距离度量季节性差异;I
2采用基于机场端点大圆距离并乘以机场规模对数差调整的加权距离度量地理邻近性;I
3采用航线长度绝对差度量航程结构差异。
**应用1:2025年两两航空公司市场结构**。通过计算2025年32家航空公司两两间的I
1、I
2、I
3,使用气泡图呈现。结果表明:I
1显示FSC在季节性定位上彼此更相似,LCC内部异质性更大,但存在部分接近FSC的混合策略承运人。I
2显示LCC形成更密集的地理邻近簇,FSC则更趋中心化。I
3显示LCC与FSC在航程长度结构上明显分离,但提供包机服务的少数承运人例外。同一所有权集团内的航空公司对在三个指标上均显著更相似,其中I
2效应最强。基于百分位阈值,识别出KL–LH、AF–KL、IB–UX等多维同行组合,可用于基准分析和初步并购评估。
**应用2:2016–2025年航空公司航线重构与供给韧性**。通过计算每家航空公司相对于2016年基线的I
1年度自变指数,识别出三种调整模式:强结构重构(如Aegean Airlines、Sky Express、Condor、Norwegian Air International、Eurowings),冲击驱动调整与部分稳定(如Finnair、British Airways、Lufthansa、Austrian、TUI Airways),渐进适应与相对韧性(如ITA Airways、Air France、SAS、KLM、Vueling)。结果表明,航空公司供给韧性是异质的,疫情后恢复路径并非统一回归基线。
**应用3:2016–2025年行业结构变化**。通过计算每年所有航空公司对的I
1、I
2、I
3,分析中位数、均值及百分位带。结果显示:I
1中位数在2017年后多数年份高于2016基线,表明季节性供给结构分化;2020年下降,2021年回升,之后仍高于基线。I
2中位数自2022年起低于基线,表明地理邻近性增加。I
3在2020年达到峰值后下降,2022年后低于基线,表明航程长度结构趋于收敛。这意味着行业经历了多维重构,而非简单一致的同向变化。
讨论部分指出,该框架补充了传统测量方法,能够捕捉多维度供给相似性,但存在局限:指标衡量供给侧而非需求替代或市场势力;分布归一化丢失绝对规模信息;I
2可能对少数长距离航线敏感;机场规模调整不能完全代表枢纽连接性。未来研究可纳入需求、价格、排放等因素,或使用非平衡OT以考虑规模差异。
**研究结论**:本研究开发了一个最优传输框架来衡量航空公司两两之间的供给关系。通过将每个航空公司表示为航线上座位运力或航班频率的分布,并定义针对特定分析问题的航线级成本矩阵,该框架提供了灵活且可解释的航空公司供给差异度量。该框架在多个航线市场间比较航空公司,允许通过季节性航线定位、地理市场邻近性和航程结构来评估供给差异。实证结果表明,航空公司供给关系是多维的,承运人随时间表现出异质的调整路径;疫情后重构涉及不同维度的差异化和收敛。这些发现强调了最优传输作为衡量航空公司供给差异和结构变化的灵活框架的价值,同时通过经济上有意义的成本函数适应多种市场邻近性概念。研究人员强调了该框架的两项实际应用:第一,两两指数可支持同行识别、基准测试和并购初步筛选;第二,纵向分析可支持市场冲击后中期至长期的结构恢复监控。未来研究可进一步扩展成本函数,并应用于铁路、海运等更广泛的运输系统。