運輸網路結構

外部因素影響機場競爭甚鉅，機場「地理區位」、腹地的「經貿活動」與「航權與航 空自由化」直接影響航空公司的「航網結構」布局，並間接影響機場間的競爭，因此有 文獻以運輸網路觀點探討機場競爭。運輸網路分析可由經濟面或網路最佳化的角度探討。

經濟面著重於運輸網路是否具有經濟規模；網路最佳化則採用作業研究概念，以成本最 小化目標求得網路最佳解，達到網路配送最佳化[29]。實務上，航空運輸大量運用軸輻 式網路(hun-and-spoke network)，藉由時間與空間的集中(temporal and spatial concentration) 達到轉運的目地，因此近年來許多文獻以「時間或空間網路結構」分析機場或航空業者 網路結構變化，探討競爭消長與態勢[21, 30]；另外，透過機場對其開航航點的依存度，

結合中心性與集中度指標建立「樞紐脆弱度(hub vulnerability)」，以討論區域內機場競爭 之樞紐層級架構。

2.4.1 時間網路結構

時間網路結構可由「時間連結度(connectivity)」與「航線選擇機率(route choice probablities)」的概念進行分析。其中，時間連結度透過機場與其開航航點間的平均中停 次數、總旅行時間（飛航與中轉時間）與彎繞係數(routing factor)衡量。Malighetti et al.[6]

以依時性最短路徑法(time-dependent minmum shortest path apporach)計算歐洲各機場區內 與全球航網連結程度。Redondi et al.[7]以各航程起迄點最小旅行時間為目標，詮釋機場 時間航網可及程度，結果顯示歐洲介於美、亞兩州之間，具有良好的地理優勢；位於同

一區域之機場通常競爭相同 O-D 市場；另外，地理區位與轉機時間為影響樞紐機場競爭 力之重要變數，因此機場營運當局應注意相關軟硬體投資，以改善機場本身之轉機能力。

除由總旅行時間計算時間連結度外，許多研究也以機場「航班波動結構(wave-system structures)」的概念，透過各機場的起飛與抵達航班連結時間表示其連結度。Burghowut

& de Wet[31]以加權連結數指標(weighted number of connections, WNX)，檢視歐洲在航空 市場自由化後，航空公司在樞紐機場之航班連結度是否有顯著增加。de Wit et al.[32] 以 NetScan 模式分析 2001、2004、2007 三個年度亞太地區 16 座機場航班連結度(connectivity unit, CNU)，結果顯示東京成田機場最具競爭力，中國大陸機場航班呈現大幅度的增長，

但大洋洲機場部分則呈現衰退；航空聯盟以寰宇一家及星空聯盟在亞太地區最具有優勢。

Kim & Park[33]以 NetScan-AirFreight 模式計算 CNU，檢視仁川機場在亞太地區的貨運 轉運優勢，結果顯示仁川具有貨運中轉之潛力。

至於航線選擇機率模式，則透過時間與旅運成本變數，建立旅客或貨主效用函數，

藉此比較不同機場間競爭態勢。Lieshout & Matsumoto[34]透過 NetCost 航線選擇機率模 式，衡量亞太各機場在東京羽田機場恢復國際航線後日本轉機市場狀況；結果顯示羽田 機場恢復國際航線後，由於擁有龐大日本國內航網，由該機場轉機至亞太、歐洲與美洲 選擇機率明顯增加，並對成田機場有強大衝擊；此外，仁川機場對日航網綿密，在日本 轉機市場中為最具有競爭力的機場，建議羽田及成田應並重於國內及國際航網發展。

2.4.2 空間網路結構

空間網路結構可由需求或供給之角度，由「貨運量流向」、「集中度指標」、「中心性 指標」、「特徵向量中心性」與「樞紐脆弱度」方式進行分析。其中，貨運量流向透過各 機場間的運量，檢視貨物在空間網路的流向。Hui et al.[8]以 2000 年中國大陸國內與國 際 O-D 貨運量，瞭解各樞紐競爭狀況，結果顯示中國大陸四大貨運樞紐為北京首都、上 海浦東、廣州白雲與香港機場；在國際貨運量部分，除北京首都與上海浦東機場有較多 往東北亞、美洲與歐洲的貨運量外，香港機場貨運量遠遠超過北京首都、上海浦東與廣 州機場，顯示香港機場為中國大陸對外主要貨運門戶。

集中度指標(concentration index)以各航點在特定時間內所提供的容量為衡量依據，

檢視其供給容量是否具有極化在特定航點中。Burghouwt et al.[30]為瞭解歐洲航空自由

化對航空業者航網的影響程度，將業者依其營運特性區分成國籍、區域、廉價與非歐籍，

透過吉尼指數(gini index)計算 1990 至 1999 年各業者航網極化程度，並依集中程度將航 網分類成「小型點對點」、「小型軸輻式」、「大型點對點」與「大型軸輻式」四類，進行 橫縱斷面資料分析。Scholz & von Cossel[21]為瞭解貨運業者航網結構及樞紐機場對業者 的重要性，透過吉尼指數、廠商集中率(C4-firm concentration ratio, CRk)與赫芬德指數 (Herfindahl index, HI)計算業者航網極化程度。Ducruet[35]使用最大百分比(maximum percentage)與吉尼指數呈現樞紐對開航航點的依存程度。此類指標雖可檢視機場對開航 航點的依賴程度，但無法清楚呈現機場在網路之重要程度。

中心性指標(nodal centrality)衡量結點在網路之中心程度，可衡量機場在航網中的重 要性。Wang et al.[9]使用維度(degree)、靠近(closeness)與中介(betweenness)中心性指標評 估各節點在網路的中心程度，檢視中國大陸國內空運航網結構；除此之外，該研究將社 經變數（客運量、人口數與區域 GDP）與中心性指標進行相關分析，探討航網發展背後 之驅動因素。汪進財、賈晉華[10]為解析中國崛起對亞太地區航網的變動程度，運用靠 近與中介中心性指標，計算亞太地區 14 座主要競爭機場在航網的中心程度，瞭解各樞 紐機場是否具有發展潛力；除使用中心性指標反映網路結構外，為呈現旅運需求對機場 競爭之影響，將靠近與中介中心性指標加入運量權重，使指標結果貼近市場現況。

除透過上述中心性指標外，網路中的節點強度不一，若 A 節點與 B 節點的連結數 量相同，A 節點均連結較不重要的點，而 B 節點均以重要節點連結，則 B 節點在網路中 比 A 節點為重要，特徵向量中心性(eigenvector centrality)以加權的概念，將所連結節點 之重要程度考量其中，更能詮釋節點在網路中的重要性[36]。Choi et al.[37]由全球骨幹 網際網路(internet backbone)及航空網路分佈，透過特徵向量中心性衡量全球城市層級。

Mahutga et al.[38]由 O-D 航空旅客統計資料，透過特徵向量中心性衡量各城市於航空網 路之中心程度。Kotegawa et al.[39]為精準預測未來美國國內空運市場需求，由維度中心 性、加權維度中心性、特徵向量中心性、群聚係數(clustering coefficient)、節點人口數等 指標，透過邏輯迴歸分析(logistics regression)、適應函數(fitness function)與類神經網路 (Artiifical Neural Network, ANN)三種模式，建立預測空運需求模式。

無論是集中度或中心性指標，均衡量各節點在網路之依賴與重要程度，但無法清楚 界定各機場在區域內之機場層級。Ducruet et al.與 González Laxe et al.[40, 41]探究外在經

濟環境對海運公司的航網布局，以及傳統樞紐港口及新興港口航網變化程度，分別以東 北亞與全球港口為研究對象，結合集中度與維度中心性指標，若各港口航網對其開航航 點呈現依賴高且連結度低者為起迄港口；反之，依賴低且連結度高者則為樞紐港口，以 此區分起迄港口與樞紐港口，建立樞紐脆弱度以詮釋樞紐層級(hub hierarchy)。