本文构建了一套评估加州高速铁路分流航空客流、降低机场及国家空域系统航班延误成本的方法:首先基于加州高铁客流预测估算机场间航班削减量,再利用排队模型和Lasso机器学习模型预测延误改善,最后结合航空公司运营成本与旅客时间价值进行货币化。研究估计,高铁带来的延误成本节约在2029年为5100万至8800万美元、2033年为2.35亿至3.92亿美元,且机场容量越紧张,潜在收益越显著。
报告标题: Benefits of Shifting Passenger Traffic from Air to Rail: A Case Study of California High-Speed Rail(将旅客交通从航空转向铁路的收益:加州高速铁路案例研究)。
作者: Kaijing Ding、Lu Dai、Mark Hansen。
机构: 加州大学伯克利分校交通研究院(Institute of Transportation Studies, University of California, Berkeley)。
主题: 评估加州高速铁路(CAHSR)分流航空客流后,通过减少航班运行、缓解机场及空域拥堵、降低航班延误所产生的经济收益。报告没有给出传统股票研究意义上的“买入/卖出”评级或证券目标价,而是估算基础设施项目的社会经济收益。其核心结论是:按照作者的中位至四分位数客流情景,CAHSR带来的航空延误成本节约在2029年约为5,100万—8,800万美元(2018年美元),2033年约为2.35亿—3.92亿美元(2018年美元)。
报告的主要创新在于,它没有沿用加州高速铁路商业计划中“等效容量分析”(Equivalent Capacity Analysis,ECA)单纯计算机场扩建成本节约的方法,而是构建了“航空客流转移—航班减少—机场排队延误下降—航空公司及旅客延误成本节约”的完整链条。作者试图说明,航空与高速铁路之间的替代关系不仅会减少新建跑道、登机口等基础设施的需求,也会改善机场和全国空域系统(NAS)的运行效率。
报告指出,加州拥有全美最繁忙的机场之一,洛杉矶国际机场(LAX)与旧金山国际机场(SFO)之间也是全球最繁忙的国内航线之一。洛杉矶盆地五个主要机场与旧金山湾区三个主要机场之间的区域客运量每年超过1,300万人,显示该走廊具有显著的航空出行规模。
SFO约有23%的航班延误至少15分钟,在全美延误最严重机场中排名第三。作者据此认为,加州机场已经面临容量约束,新增航空需求将以更高的排队和运行延误为代价。 需要注意的是,报告是在新冠疫情造成2020年需求骤降的背景下完成的,但其基本假设是航空需求和运行水平将恢复到疫情前的增长轨迹,因此预测主要依赖2010—2019年历史数据。
报告采用的项目时点是:初始阶段计划于2029年开通171英里的默塞德—贝克斯菲尔德线路;2033年完成一期全阶段后,线路将连接阿纳海姆、洛杉矶、中央谷地和旧金山,总长度约380英里。 这两个年份因此成为报告进行客流预测、航空需求预测和收益估算的关键节点。
ECA方法先根据列车班次、座位数和平均客座率计算高速铁路计划运力,再假定若没有高速铁路,其中20%的高速铁路运力将由航空交通承担,之后估算机场需要增加的登机口、跑道、停车场等设施及其建设成本。 其结果是,加州机场体系大致需要新增91个登机口和2条跑道,对应约239亿美元的2018年美元扩建成本。
作者认为ECA存在三方面不足:
因此,本研究不是完全取代ECA,而是提供一种以延误成本为核心的补充估值框架。
报告融合了两大类数据。第一类是航空运行数据,包括FAA的ASPM季度小时数据、FAA航站区预测(TAF)、FAA机场容量剖面、BTS航班准点率数据以及航班级别数据。ASPM数据覆盖2010—2019年、超过2,000万条季度小时观测,涵盖除檀香山机场外的Core 30机场;延误指标则将正的到达延误、取消航班和备降航班统一转化为平均每航班到达延误。
第二类是高速铁路和客流结构数据,包括CAHSR 2020商业计划的客流预测、2012—2013年加州家庭旅行调查中的原有交通方式份额,以及BTS 2019年T-100市场和航段数据。作者选择2019年作为航空市场结构基准,是为了避免疫情期间异常客流对机场份额和平均客座率的扭曲。
报告设置了两种容量情景:
作者进一步假设2029年和2033年的容量相同,并符合FAA容量改善估计。这个假设便于建模,但也意味着2033年的实际容量可能被低估,从而可能高估2033年的延误及高速铁路的边际收益;作者在局限性部分明确承认了这一点。
TAF只提供年度运行次数,ASPM则提供季度小时运行安排,且两者统计口径不同:TAF统计航程或行程,ASPM统计OAG计划运行。作者利用2010—2019年77个机场、共770个观测值建立线性回归,将TAF年度预测转换为等价的ASPM到达和离场量。两个回归模型的决定系数均为0.952,表明历史样本中两类数据具有较高一致性。
随后,作者以2019年的季度小时航班分布作为模板,按照未来年度运行量与2019年运行量的比例进行缩放。这一处理保留了日内航班分布特征,但不产生整数航班数,因为后续排队模型采用连续近似。
报告依据CAHSR商业计划的市场客流预测,将高速铁路新增客流按照原有汽车、航空和传统铁路的市场份额在不同交通方式之间分配。换言之,作者假设原有航空旅客转向高速铁路的比例,与航空在该市场原有的交通方式份额成正比,而不是假设高速铁路只吸引航空旅客。 这是一个重要但较强的行为假设,因为实际转移概率还可能受到票价、旅行时间、班次频率、机场接驳和旅客收入等因素影响。
全市场合计后,2029年航空转移至高速铁路的旅客约为906,000人,2033年约为2,557,000人,分别占对应年度高速铁路总客流的5.6%和7.2%。原文中“203”应结合上下文理解为“2033”的排版或笔误。
表一的设计逻辑是从“市场总量”逐步分解到“机场起讫点(OD)”。首先根据每个市场的CAHSR总客流和航空方式份额估算航空转移量;然后利用BTS T-100市场数据计算市场内各机场对的航空客流占比;最后根据T-100航段数据计算每个机场对的平均每航班旅客数,将减少旅客转换为减少航班数量。
该方法的优点是避免直接假设某一机场承担全部分流,并能反映LAX、SFO、SAN及其周边机场在市场中的不同份额。但它隐含假设:未来转向高速铁路的航空旅客在机场OD之间的分布与2019年相同;如果未来航线结构、航空公司市场份额或机场选择发生变化,航班减少分布可能会不同。
作者认为,2019年某一机场OD对在航班较密集的季度小时,更可能出现未来航班削减。因此,航班减少按照2019年的时间分布随机分配到各季度小时,再汇总为机场到达和离场需求。 由于这种分配不直接模拟航空公司的排班优化,实际削减可能并非随机,而是集中在低收益航班、重复航班或高拥堵时段,因此该环节是模型不确定性的重要来源。
图一比较了SFO、LAX和SAN在2029年、2033年“无HSR”和“有HSR”情景下的年度到达和离场航班数。蓝色代表无HSR,橙色代表有HSR;柱顶标注数字表示两种情景之间减少的航班数量。
从图中可以看到:
图一清楚表明,2033年由于CAHSR全一期投入运营、客流更大,航班削减量约为2029年的数倍;LAX的绝对影响最大,但这并不意味着其单位航班延误收益最高,因为单位收益还取决于机场拥堵程度、容量约束和延误传播关系。
图二展示了机场到达排队模型。蓝线为累计计划到达量,橙线为受容量约束后的累计实际到达量。两条曲线之间的水平或面积差异代表航班等待容量释放所产生的排队延误;图中TD1至TD4表示不同时段的排队延误,曲线末端的“unserved demand”表示当天计划需求超过可用容量、无法服务的需求。
该模型的关键含义是:当计划到达量短时间内超过机场容量时,累计计划曲线会领先于容量曲线,形成排队;减少少量航班可能使曲线差距明显缩小,尤其是在容量极低或需求高峰日。因此,HSR的收益不一定与减少航班数成线性关系,而可能在极端拥堵日呈现放大效应。
图三分为NAS、SFO、LAX和SAN四个子图,横轴为HSR客流预测分位数,纵轴为每航班平均延误节约分钟数。曲线涵盖2029年和2033年、基准容量与容量改善、是否进行需求“削峰”(de-peaking)等情景。
主要趋势包括:
表二虽未在所给文本中完整呈现具体统计数值,但其作用是比较NAS、SFO、LAX和SAN四个响应变量的平均延误与波动性。报告明确指出SFO的延误水平和变异性最高,而LAX、SAN与全国平均更接近;Lasso模型在测试集上的平均绝对误差分别为NAS 2.67分钟、SFO 4.82分钟、LAX 3.23分钟、SAN 3.02分钟。 这说明模型对SFO的预测不确定性较大,SFO相关收益估算应更谨慎解读。
作者将总收益拆为两部分:航空公司运行成本节约,以及旅客时间价值节约。计算中使用每航班延误节约分钟数、总航班数、总登机旅客数、飞机每小时运行成本和旅客每小时时间价值,并按照美国消费者价格指数折算为2018年美元。 这一做法相当于把“每航班少延误若干分钟”分别乘以航空器运行成本和受影响旅客的时间价值。
在2029年容量改善和需求削峰情景下,NAS模型估计的延误成本节约约为9,200万美元,SFO、LAX、SAN三个机场合计约为5,200万美元。两者量级接近,说明加州机场对全国其他地区的延误外溢影响存在,但不足以彻底改变收益估算。
表三比较不同HSR客流分位数下的延误成本节约。中位数情景与base run基础情景几乎一致;1%、10%、25%、75%、90%、99%分位数的收益约分别为中位数情景的40%、60%、75%、130%、160%和200%。因此,客流预测从低分位到高分位的变化,可能造成约五倍的收益差异。 这说明客流预测不确定性是结果中最关键的敏感性来源之一。
作者最终选择NAS模型、假设容量改善和需求削峰,并采用HSR客流25%—75%分位数作为合理范围,得出2029年5,100万—8,800万美元、2033年2.35亿—3.92亿美元的年度延误成本节约。
与ECA方法比较时,作者指出2033年CAHSR实际客流预测为3,560万人,而ECA使用的计划运力为6,620万人;ECA还假设20%的HSR客流来自航空,而本研究仅假设2033年7.2%来自航空。作者以约5.2倍的比例对ECA结果进行缩放,再将其资本性成本按照7%利率、50年寿命年金化,得到约5.04亿美元的年度等价值,该数值略高但与本研究2033年延误收益处于同一数量级。
报告的主要局限包括:
此外,报告的结论高度依赖机场处于拥堵状态这一背景。容量越紧张,减少一个航班的边际延误收益越大;如果未来机场扩容充分,HSR的延误收益就会下降。因此,本研究估算的是“在特定容量与需求路径下的增量收益”,不应简单解释为CAHSR的全部社会收益。
总体而言,报告建立了一个较完整的因果估算框架:先用HSR需求预测而非计划运力测算航空分流,再按照机场OD和历史航班分布转换为航班削减,使用排队理论获得容量约束下的延误变化,最后通过航空器运行成本和旅客时间价值将延误节约货币化。
图表显示,LAX承担最大的绝对航班削减量,SFO则由于拥堵和延误波动最大而拥有最高的单位延误节约潜力;2033年收益明显高于2029年;机场容量改善会降低HSR的边际延误收益,而需求削峰对“HSR造成的额外节约”影响较小。
作者最终认为,CAHSR在2029年和2033年分别产生约5,100万—8,800万美元和2.35亿—3.92亿美元的年度航空延误成本节约,并且与经调整、年金化后的ECA结果大体同量级。这支持一个政策含义:机场扩建成本与不扩建时所承担的额外延误成本可能大致相当,因此,评估CAHSR时应把其对航空系统拥堵和延误的缓解作用纳入基础设施投资论证。
2608.05636.pdf