欧洲高速铁路对当前航空服务有影响吗？欧盟范围的分析

摘要：本文分析了当前欧洲航空服务的提供是否受高速铁路的影响。利用国际范围的数据以及事后分析方法对欧洲161条线路进行考察。我们重点关注样本中的异常值和误差项的非正态的潜在问题并利用送检回归进行分析。研究发现，较短的高铁旅行时间会导致较少的航空服务，高铁对航班座位和航班班次有类似的影响。当高铁旅行时间在2-2.5小时之间时，影响会迅速下降。高铁频率的影响是非常有限的。航空公司制定的枢纽策略对高铁有负面影响，因为航空枢纽涉及到许多的航空服务。机场的航空和高铁的整合以及被中心和边缘地带站点服务的城市没有显著影响。大城市和国家空间格局可能有助于更好地了解联运效应。

1. 引言

现代高速铁路已经在欧洲扩展30多年了。高铁的进一步发展在继续进行着，也许关于高铁的发展计划在以后会进一步实施。同时，一些高铁线路证实了其大大降低了航空市场份额和市场供给量（Albalate 和 Bel， 2012a，b； Givoni， 2006； Patterson 和 Perl， 1999； Vickerman，1997）。由于高铁有利于减缓气候变化，这使得制定者和研究人员呼吁建设高铁并在上倾向于推荐使用对石油依赖度更小的运输工具（Givoni， 2007）。例如，2011年欧盟运输宣布的目标是：

“到2050年，要完成一个欧洲的高速铁路网。到2030年，欧洲铁路总长度要是现在铁路网长度的3倍以及所有的成员国都要拥有一个密集的铁路网。到2050年主要的中长途客运应该主要有铁路负责运输。”（EC， 2011）

然而，很少考虑关于高铁对航空运输的影响的实证证据，本文试图通过检测存在

高铁服务情况下欧洲的航空服务来填补这一空隙。

当然，欧洲、亚洲高铁的扩张以及其他国家例如澳大利亚和美国的高铁的建设和计划，使得关于高铁及高铁运输方式影响的研究增加了不少。然而，正如Kroes （2000）所呈现的， 之后又被 Wardman 等 （2002）， Capon 等 （2003） 和 Givoni 和 Dobruszkes （2013）引用， 大都是关于预期的运输方式间的竞争和被考虑到的需求的研究（例如，乘客） （参见， 例如， de Rus 和 Inglada，1997； Hensher， 1997； 和 Román 等， 2007）。 事前分析对于评估项目并选择哪些应该先进行是很必要的。然而，有相当明显的证据表明运量预测常常是错误的 （Flyvbjerg 等， 2005）。单拿一个例子来讲，跨英吉利海峡市场的伦敦和欧洲铁路的运量预测为在2006年高铁乘客数量将达到25百万（Preston 和 Wall， 2008）。 在2012年，即所有高铁线完工的五年后，该线路仅仅有9.9百万乘客。 这表明高铁的运输方式间的影响应该在高铁运行后被时时观察。 然而，根据观察到的竞争的事后分析较事前分析来说是非常稀缺的 （Givoni 和 Dobruszkes， 2013）。

表1总结了从高铁引致的运输方式间影响的事后研究的证据。首先发现大多数研究即使不是研究一条线路，也是集中在非常有限线路范围内。当然，考虑到只有几条线路可能对乘客进行调查以及考虑到了一些相关的变量（诸如票价），它们在大多数线路上很难被采集。然而，受限的线路样本的代表性是个问题。此外，研究在一个给定的国内市场可能掩盖了国家的具体情况，同样的，高铁的运输方式间的影响在其他国家也是相类似的。

正如所指出的，研究更多的关于于乘客而不是服务（例如，提供的航班或座位的数目）。这是令人惊奇的，因为关于服务的数据正变得越来越容易获得（Dobruszkes，2012）。但是最重要的是，忽视服务的趋势是有问题的，因为最终是运输服务对环境产生影响。

最后，虽然有很多事前研究使用计量经济学集中关注于高铁的影响（见Wardman 等， 2002； Capon 等， 2003，更多详细信息），但显然这不是事后研究的分析规则。许多作者提供的数字，但没有使用计量经济学去分析并以解释它们。然而，有时候当这样的方法被运用时，它们通常只关心非常有限的线路。我们仅仅能够给出只有四个事后研究涵盖了大范围的线路。其中的两个仅覆盖了一个国家，即日本或德国（尽管后者包括了国际线路）。Clever 和 Hansen （2008） 分析了日本的82对机场和1260 对高铁站。他们发现，当进/出高铁站的时间不长不短时，航空公司更易受高铁影响。Friederiszick 等 （2009）调查了服务于德国的207条线路（130条国际化的）。对84条国内线路，他们发现，廉价航空公司（LCAS）的进入造成了铁路二等座乘客至少7％的下降，一等座乘客至少18％的下降。其他两篇论文没有特别关注高铁引起的联运效应，但仍然考虑到了高铁作为一个潜在因素。 Bilotkach 等 （2010） 在考察了欧洲887的机场中的前十大机场后进而分析了航线的频率是如何被距离影响的。他们的模型还包括一个变量，表示航空服务高铁是否存在竞争。存在高铁的情况下，作者期望有更多的航班，因为频率被看作是竞争力的主要属性。但是，由于高铁超出了他们的研究范围，所以它只是被表示为一个虚拟变量，虽然它被称为比高铁旅行时间是更为基本的竞争力因素（Givoni 和 Dobruszkes， 2013）。然而，他们发现影响的的混合证据。Givoni 和 Rietveld （2009） 调查了全球549条航线的飞机的大小选择情况。他们报告说，高铁的竞争（作为一个服务小于3小时的哑变量）并没有显著影响飞机的大小。

最后，值得一提的是，各种探究航空服务的提供或使用和各种于运输及地缘经济关系的文章通常不考虑高铁（参见，例如，Cattan， 1995；Jorge-Calderón， 1997； Dobruszkes 等， 2011，2011）。然而，Jiménez 和 Betancor （2012）在一个小样本的线路中发现了高铁对航空业务有影响。

总之，没有一种研究分析是建立在综合考虑了关于运输的合适因素、包含大范围的线

路和运用计量经济学方法的基础之上，然后关注于高铁对其他运输方式的影响。本文旨在对欧洲进行全球性视角的分析。更确切地说，本文旨在分析现有的欧盟范围内的高铁服务是否显著影响了航空服务量。相较于以前的研究工作，我们的研究（1）涵盖欧洲所有的相关线路，（2）关注于高铁对航空服务的事后影响，以及（3）专注于供给而不是需求。在本文的剩下部分，第二部分介绍了数据和模型构造；第三部分给出了结果；第四部分给出了结论。

2. 研究策略

2.1. 数据和变量

本研究利用送检回归对在高铁影响下的当前欧洲航空服务进行事后分析。首先，我们构建了一个描述航空服务量的模型，然后添加了几个与高铁相关的变量。分析属于线路水平，更确切的说，属于城市对水平，然后根据欧洲水平的对城市功能区的定义合并属于同一城市圈的机场（见下文）。如果调查服务水平的航线策略，那么机场对是相关的，例如，包括有多机场系统的旅行费用和其费用的变化。然而多机场对比单一机场对要对城市对付更大的权重。相对的，如果关注于运输方式的动态变化那么城市对也是相关的，因此我们关注于两个城市间的总的航空服务提供量受高铁怎样的影响。

存在直接的高铁和航空服务竞争的线路都被考虑进来，包括那些由于联运竞争而退出市场的航空公司所在的线路。线路的高铁服务的运行速度必须在250km/h以上，因此包括了高速铁路线。例如，对于含有高速铁路线的巴黎—马赛—尼斯走廊，我们考虑巴黎—尼斯和巴黎—马赛路段，因为在这两段乘客旅行速度达到250km/h或以上。相反，马赛—尼斯路段我们不予考虑，因为这两个城市间没有高速铁路线，没有高铁服务。在一些城市对之间，由于航空服务的变化跟高铁无关因此这些城市对被排除在外，使得考虑163个

城市对。其中有两个城市对的一些变量不能获得因此最终的数据集包含161个城市对。考虑运输的方向时，我们考虑从大城市到小城市的运输方向（例如，我们考虑伦敦到布鲁塞尔的运输方向而不是布鲁塞尔到伦敦的方向）。图1表示的是我们的样本和依然运行及已经终止运行的路线之间的方向（见下文）。大多数的线路是国家级的并且服务于四个大的欧洲国家（法国，西班牙，德国和意大利）。仅有36个国际城市对符合我们的标准。

我们考虑与定期航空服务供应量相关的两个因变量：座位数量和航班数量。在供给座位数量给定的情况下，航空公司可以使用更小或更大的飞机，从而分别提供更高或更低的频率（Givoni 和 Rietveld， 2009； Bilotkach 等， 2010）。以频率为导向的供应是策略的一部分以对时间敏感的乘客——一般是商务旅客，收取较高的票价。面对高铁竞争航空公司可能会降低座位的供给数量，同时维持或甚至增加航班频率，这对于机场拥挤和环境影响具有重要意义。

借鉴Jorge-Calderón （1997） 和 Bilotkach 等 （2010），例如，表2介绍了我们设计的混合地理经济和运输相关因素的初始自变量集。这个集也遵循由表1总结的研究，强调旅行时间，频率，航空枢纽和接近站。表2包含了一些将在比较大的层面被舍去的变量（见下文）。地理经济变量来自于由法国DATAR委托的研究。（）研究团队通过使用固定的方法和已分类的数据定义了整个欧盟城市地区在形态和功能方面的，从而更新了先前的为ESPON（欧洲观测网，国土开发与凝聚力）所做的工作成就。研究结果提供了有关欧盟城市最新的数据并提供了非常难得的机会在和同质的基础进行国际化的比较。潜在市场的大小由功能城市区域（FUAs）内居民人数的多少决定。由于相同总量可能隐藏着不同结构（例如，一个大的城市加一个小城市同两个中等规模的城市差不多），PopFuaRatio给出了出发（大城市）和到达（小城市）之间的比率。由于城市大小不代表一切，同时航空服务预计将在更高级的服务（Liu 等， 2006）工作中和更富裕的区域配备更专业的工作人员和富裕地区（Dargay 和 Clark， 2012），我们也考虑了在一些特定

的经济部门中GDP的份额（GDPserv）和人均GDP（GDPcap）。然后，我们控制了一些空间因素，即飞行距离（距离和距离2）和国内服务哑变量（关注四个国家）。在国际线路上，所有的国内哑变量等于零。

与交通运输相关的变量，包括两端的航空枢纽（HubDep和HubArr）。通过航班时间和空间的集中优化飞机的客运航班，枢纽使得一些机场比那些单一的周边地区的机场提供更多的服务（奥凯利，1998； Derudder等，2007）。此外，对于一些乘客来说，即便城市对之间存在高铁，但是乘坐飞机离开枢纽或者到达枢纽往往更容易。事实上，高铁服务通常会从市中心到市中心，因此涉及到高铁车站与机场之间的昂贵和费时的旅程。为了识别枢纽，我们从Derudder等（2007）进行的分析开始 。然而，这些数据需要进行更新。我们考虑这样一个事实，意大利航空公司已经使得米兰Malpensa机场变得相当冷清（贝利亚等人，2011），而法国航空公司在里昂机场建立了一个区域枢纽。

我们不考虑票价，因为根据出行日期及购买日期的收益管理使得票价充满变数（Vasigh等，2008）。例如，在伦敦—巴黎路线，根据不同的模式，服务，舱位及购买日期和旅行日期，最贵的票价可以达到最便宜票价的12倍；对于高铁，最贵的票价可能是最廉价的票价的近7倍以上。然而，我们考虑了低成本的航空服务，因为它们可能意味着比预期更多的航空服务，因为廉价航空运输可诱发新的运量，将其他路线的乘客吸引过来，重新夺回高铁抢走的市场份额或阻止因高铁的运行而导致的航空服务量的下降（Friederiszick等，2009； Dobruszkes，2011；Rothengatter，2011）。因此，低成本的变量给出所有航班座位间的低价座位份额。因此，低成本的变量显示了所有航班座位间的低价座位份额。

我们用六个变量来描述高铁服务。TIMEhsr 是关于平均旅行时间的变量，包括了乘客或行李安检的时间。FREQhsr是关于每周高铁服务频率的变量。这两个变量都是通过模拟一周的火车运行情况从火车公司官网获得的。这个非常耗费时间的过程使我们考虑这样一

种情况，即在同一条线路上一种服务的旅行时间会同另一种服务的旅行时间差别很大。此外，我们计算出了高铁同时服务于中心和边缘地带的平均加权频率。我们也考虑了机场站高铁和航空的整合（IntegDep 和 IntegArr）情况，结果显示航空服务可能比预期的要少。实际上，如果高铁直接的服务于一个机场或者如果航空和高铁公司进行合作，那么航空公司可以利用高铁服务进行短程运输从而替代航空公司自己的航班（Givoni 和 Banister， 2006； Chiambaretto 和 Decker， 2012；Socorro 和 Viecens， 2013）。最后我们考虑了这样的事实，即城市的中心或者边缘地带可能需要高铁服务的提供。中心车站也是火车站（）或者新的高铁站坐落于新的铁路线附近（例如，）。边缘地带的高铁站主要建在跨中等城市市中心的高铁线的上（像法国的Avignon TGV）或者 环绕着城市（就像“巴黎戴高乐机场的2号车站”， “马恩谷地”车站和巴黎的“梅西”站）。我们考察的所有线路几乎所有的城市都被一个中心火车站甚至一个边缘地带的车站服务着。因此，DualDep和DualArr是两个哑变量用以表示被高铁服务的城市，这些高铁会在中心和边缘地带的火车站进行停留。

本文运用了参数和半参数模型。这些模型假设因变量和解释变量之间存在线性关系。对数变换通常适用于线性关系的定量变量。对我们数据的双变量描述性分析证明，需要对定量变量进行对数转化。而且，这种转换使得我们可以用弹性的概念来解释结果。

2.2. 方法和模型

这161条线路包含两个子集：130条线路仍然有航空服务存在（因此Y>0）和31条线路以及没有了航空服务（因此Y =0）。换句话说，我们的因变量是左送检的（图2）。由于数据的双层结构，普通最小二乘法（OLS）估计量不适于估计送检样本。在截断样本中，由于样本选择（Heckman， 1979）的潜在问题，OLS将会提供偏参数估计。这种情况下，最有名的计量模型是托宾（1958年）提出的的Tobit模型，其中包括定量和定性结

构：

其中X表示包含所有解释变量以及一个常数的矩阵，b表示不确定回归参数向量，u表示正态分布，均值为零，常方差矩阵（n倍P）。这个方程也可以写作：

模型的关键部分是在选择方程式（没有航空服务的线路和有航空服务的线路）中运用了完全相同的结构，并方程将航空服务量同解释变量联系起来。这种假设可以被视为一种。 当选择方程含义更多的变量时，Heckman模型便是合适的替代方程（在此，那31条航线不再提供航空服务）。举例来说，一个明显的假设是举例来说，一个明显的假设是，航空公司放弃的航线上高铁旅行时间极具竞争力。事实上，航空公司将航行时间不到90分钟（例如，米兰，博洛尼亚，博洛尼亚，佛罗伦萨，巴黎，里尔和巴黎- 梅斯）的用以连接城市短途航线留给了高铁。然而，航空公司放弃那几条线路上的高铁旅行时间范围从0.6至6.3小时，即平均时间为三小时。因此， 高铁旅行时间肯定不是使航空公司停止运行航线的唯一原因。另一种假设是，那些被航空公司放弃的航线过去被用于提供公共服务（PSOs）；当高铁推出时，公共部门可能停止资助航空服务。例如，里昂—蒙彼利埃的公共服务义务在地中海高铁服务推出后就被取消了（Dobruszkes， 2007）。然而，31线路中只有三分之一证实了这一情况。第三个假设是，停止服务的航线是那些原先交通密度很低的航线。事实上，航空公司也不会努力留在小市场。然而，一些被遗弃的线路并不是交通量不足（例如，巴黎—格勒诺布尔和巴黎—尼姆），相反，尽管开通了高铁服务，但许多低密度路线仍由航空公司运作着（例如，里尔—图卢兹和马德里—莱昂）。因此，似

乎很明显的是，31条线路中航空公司的退出并不总是因为高铁的开通然而分析这个问题已经超出了本文的范围。运用Tobit模型而不是Heckman模型，我们未能找到可以解释所有线路航空服务停止的原因。

在分析中的第一步中，Tobit模型的回归参数由最大似然估计（MLE）法进行估计，同时用“”三明治“估计法来获得稳健的标准误差。大多数应用论文在这个水平就停止分析了，不再检查基本假设的有效性。不幸的是，当正态性假设不成立时，MLE估计将变得不一致。此外，运用多元线性回归中的LS估计法，MLE估计对样本中存在的异常值相当敏感（Maronna 等， 2006）一小部分的非典型观测有可能对这些参数的估计值产生很大的影响。两种类型的异常值可以影响传统估计的结果：垂直离群和平衡点。垂直离群的观察产生于因变量而不是外围的设计空间（即，在x维度）。不良的均衡点，即最容易出问题的异常值，是设计空间外围的观测值并且远离回归线。为了稳定正态假设和垂直离群，Powell （1984年）推出的非参数最小送检绝对偏差（CLAD）估计。这个估计不依赖于所述误差的分布和更可靠的离群值。CLAD估计被定义为这个最小化问题的解决方法。

这个估计一致并渐近于泛类误差分布，并且对异方差和垂直离群（即y维度的异常值）是稳定可靠的。然而，这个估计对不良均衡点（解释变量空间的异常值）是不可靠的。在本文中，用以解决这个问题的估计使用了一种两步骤程序。在第一步骤中，我们使用了一个可靠的方法来检测均衡点（设计空间的离群值）；在第二步骤中，我们应用CLAD估计来净化样本，即赋予均衡点权重为零。F离群的检测非常具有挑战性，因为对完整数据库的视觉上的检查是不可能的。离群的程度用传统的马氏距离进行测量，定义如下：

其中Xi表示同个体i相关的包含有定量解释变量的矩阵的行，是多元位置矢量，协方差矩阵。然而在实际中，和是未知的，需要估计。通常，人们使用古典估计（经验均值和协方差矩阵），但这些估计对于所述样品中的异常值是不可靠的，会导致掩蔽（即未能识别离群值）和淹没（即将离群值错误地清除掉）。为保证得到真是的非典型观测值，需要对和进行可靠地估计。在这项研究中，我们使用由Rousseeuw（1985；见Dehon和Verardi， 2010）引入的众所周知的最小方差行列式估计。在设计空间时，我们使用强大的马氏距离成功探测到均衡点。在第二步中，我们对已净化样本进行了CLAD估计，其中所述均衡点先前已经被移除了。我们称这种两步估计为“加权CLA”。在下一节，我们比较两组参数估计：古典MLE估计（以下简称为“MLE”）和去除不良均衡点的样本的加权CLAD估计（以下简称为“加权CLAD”）。

3. 高铁对当前航空服务水平的影响

表3给出了表2中所述变量的描述性统计，转换之前的数据以及“显示了非审查子集和审查子集之间的区别。正如上面提到的，我们无法找到一个适用于解释所有航空服务停止的合理理由。然而表3表明，剩下的航空服务倾向于提供长距离运输，更长的高铁旅行时间和更多的航空枢纽。

在早期阶段距离和距离2也被拒绝了，尽管不显著，但是它们会使模型产生许多不连贯的估计。距离不显著的最主要的原因是大范围的高铁平均时速。这源于这样的事实，即对于许多城市对来说，高铁运行的线路既有高铁线路又有普通线路。此外，许多高铁路线由于需要服务线路中间的城市和地理上的障碍（如湖泊和山脉）等原因往往不是直的。结

果，高铁旅行时间（高铁吸引力的一个主要驱动力）与运行距离的相关性很差。在我们的样本中，航空的情况恰好相反，大约一小时（图3）过后，旅行时间依然保持相对固定。

另外，由于GDPserv和GDPcap是不显著的，因此为了在被观察数量和变量数量之间保持更好的比率，我们排除了它们。一旦估计了最终模型，我们发现，这些被排除的变量是不显著的。最后，TimeHSR和FREQhsr（即描述HSR服务的两个最重要的变量）是相对较为相关的（当考虑它们的对数，包括“异常值时，r=-0.68）。为了简单的解释，我们首先分别考虑TimeHSR和FREQhsr然后再一起考虑它们。最后，我们考察六个模型。相应的变量呈现在表2中。

表4总结了对模型1和模型2（例如，高铁旅行时间分别对座位数量和航班班次的影响）的估计结果。首先，选择的偏差（由参数测量）是显著异于零的，这意味着送检模型是必需的。其次，表4显示MLE估计和加权CLAD估计之间有很大的差异。显著变量不完全相同，并且它们的值有很大的不同（尽管当变量显著时，具有相同的标志）。由于加权CLAD模型是更可靠的（见上文），如表4表明，简单地用经典估计会导致无效的结论。特别是，高铁旅行时间对飞机座位数量或航班次数的影响将会分别被高估。加权CLAD模型排除了30条线路。如上所述，排除是基于非典型点的检验进行的。

只考虑加权CLAD估计，所有显著的变量都有预期的值（虽然国内服务得值并非是预计的那样）。这个模型得到的结果跟之前不同的作者得到的结果一致，即城市规模是预测航空服务提供量的一个重要因素（Cattan，1995; Discazeaux和Polèse，2007; Dobruszkes等，2011）。估计数据还显示，航空服务的量受离开（大）和到达（小）城市之间的比率的影响。更确切地说，两个分别拥有1百万居民的城市间的航空服务比一个城市有1.8百万而另一个有0.2百万居民的城市间的航空服务要多。

正如预计的那样，航空枢纽是显著的，能为城市对提供更多的航空服务。共享低成本航线同提供更多的座位密切相关，这说明廉价的飞机倾向于引致更多的运量（Graham和Shaw,2008）。然而，在我们的样本中，LCA的影响是有限的。航班的数目不会受到LCA的影响，这一事实可能是由于后者实行低成本优先于高频率的策略，因而使得公司倾向于使用更高座椅密度的飞机（Dobruszkes，2013）。有限的影响也可能是因为一些低成本航班不再像以前那样便宜，部分原因是由于航空公司采用一种混合低成本/全服务模式（Klophaus 等, 2012）。

高铁旅行时间对航空服务的提供有非常显著的影响；也就是说，较短的高铁旅行时间导致较少的航空服务。已公布的事后研究（Givoni和Dobruszkes，2013）也证明这一预期的结果。然而，据我们所知，从来没有学者进行欧盟范围内的定量分析，同时这种分析包含了百余条线路并详细指出了航班座位和航班班次之间的区别。因此，这一结果证实了，通过不同模式之间的自由竞争（即不受模式选择的管制），当高铁旅行时间不是很长时，高铁服务的提供会减少航空服务的提供。该模型还显示，高铁旅行时间同样影响航班座位数量和航班数量。这一结果跟航空公司以频率为导向制定策略以保持其竞争地位的假设是矛盾的。在航空公司制定策略的前提下，我们期望对模型1的TIMEhsr估计比对模型2的TIMEhsr估计更高。

其他同高铁相关的变量是不显著（它们也不在我们其他的模型中）的。高铁航空的整合并不显著，可以说是由于航空枢纽的影响存在空间交叠。通过高铁直接连接的大多数机场也航空枢纽（阿姆斯特丹，巴黎戴高乐机场，法兰克福和里昂）。在这种情况下，也就不奇怪为什么高铁航空的整合影响不是很大，因为所涉及的线路的范围较小。例如，在2012年，巴黎戴高乐机场通过航空航线链接到其他234个城市，通过高铁线连接到其他73个城市，其中有几条线路的旅行时间是较长的。阿姆斯特丹机场的数据分别是223，12。

此外，高铁通过中心和边缘地带的车站提供服务，而这些高铁所服务的城市对航空航线的座位和频率（表4）无显著影响。一方面，这可能意味着，高铁站的可达范围非常广以至于它们的位置显得非常不重要。另一方面，这可能意味着，当考虑到乘坐高铁或者飞机旅行的乘客的确切出发和到达点时，它们的位置就应该被考虑了。这意味着应该考虑大都市区域的空间结构。例如，法国的调查表明，社会上层的人和职业群体会过度使用高铁服务。由于欧洲的城市互相间是隔离（Vandermotten等，1999; Cassiers和Kesteloot，2012）的，这些群体在大都市空间中的位置可能会影响旅客到高铁车站和机场走多远。换句话说，城市的社会空间格局可能会影响高铁和航空服务的吸引力。

最后，意大利和西班牙（考虑座位和航班）和法国（只考虑航班）国家间的航线均为正的的估计值，但是互相间是显著不同的。这意味着当控制前面提到的重要变量（城市人口，高铁旅行时间等等）时，国家因素的加入会产生更多的航空服务。然而，其他的被分析模型（见下文）显示了不同的结果。这表明，国家这一哑变量发挥着预期的控制作用，但是这种作用不够稳定以使其能够解释它们。值得一提的是，在不加任何国家哑变量的情况下我们尝试了类似的模型。结果（此处未显示）表明是不一致的。我们也尝试另一个模型，在这个模型中我们用一个国内线路的哑变量（相对于国际线路）去替代所有的国家哑变量并且计算了与高铁变量的相互作用。然而，由于相对较少的国际航线结果是没有说服力的，使我们得不出结论。

让我们转向讨论高铁频率对航空服务的影响（表5）。22条线路被排除在外，除了国家哑变量外，其他重要变量的设定类似于模型1和模型2中的情况。此外，高铁的频率显著性不高，对航班座位的影响非常有限。高铁频率增加10％只会减少航班座位的2％。实际上，高铁频率应被视为既定的，因为它同高铁旅行时间的变动方向是相反的，当后者增加时前者倾向于减少。

表6显示了模型5和6的再回归分析结果，同时考虑了高铁旅行时间和频率。仅有6条线路被排除在外，因此共有有效线路155条。 高铁频率同高铁旅行时间的相关性很高，并不像预期的那样——它现在正值。此外，它的估计比高铁旅行时间的估计值小得多。这两个结果应被理解为，高铁旅行时间对航空服务的影响要高于高铁频率对航空服务的影响。这表明，同其他的运输一样，短时间的旅行服务和更频繁的旅行服务对乘客来说，乘客更喜欢前者。更高频率的服务只能产生较小的竞争优势。此外，在不同国家间的哑变量，只有模型6中的西班牙是显著的。这表明了解释这些变量的困难性，但将它们视为控制变量是非常重要的。

本文评估的最后一点是，在使用模型中TIMEhsr变量的前提下，高铁旅行时间对航空服务的影响是否真的是线性的。为了检测这样的效果，我们首先考虑一个二次函数（即，高铁旅行时间的平方），但它并没有显示出显著的结果。然后我们根据30分钟增量的阈值将高铁旅行时间转化成虚拟变量，阈的范围为1至4小时。并不是所有的结果都可以在这里公布,但是我们发现，高铁旅行时间对航空服务影响的估计值在2.0和2.5小时的阈值内迅速下降，大约相当于铁路线500千米的距离（表7）。阈值在2.5小时和4.0小时时，对TIMEhsr变量的估计依然很稳定，这表明了这样的事实，当阈值在2.0至2.5小时时，两组线路之间虚拟变量会明显不同，这取决于高铁旅行时间对航空服务的影响。最后应该注意到，对比表4中的结果（模型1和2，TIMEhsr作为连续变量），作为虚拟变量的TIMEhsr对飞机座位和航班的影响明显不同。然而不应当由此得出结论，因为差距不是很大，因为虚拟变量表示使用离散过程减少信息。这揭示了运输方式间竞争的重要内容，通常武断地认为是三四个小时之间的竞争（见如EC，1998年;Chester和Ryerson，2014）。这里的证据是基于一系列线路，实际上小于三个小时。

4. 结论和研究展望

本文分析了欧洲高铁服务是否对欧洲航空服务有影响。我们进行了欧盟范围内的事后研究，我们利用的数据研究了所有同时存在高铁和航空服务竞争的线路并进行了比较。本文的研究方法得出的结果比通常使用的Tobit模型中的传统MLE估计方法得出的结果更为可靠。我们发现，航空服务受高铁旅行时间的影响：如果高铁的旅行时间较长的话，那么会有更多的航空服务。然而，当高铁的旅行时间在2—2.5小时之间时，航空服务量会迅速下降。我们也发现，高铁旅行时间对航空座位和航班数量有相类似的影响。在我们的研究中，运输方式间的竞争没有导致航空公司制定航班班次策略进而维持它们的市场地位。相反，高铁频率对航空服务仅仅有非常小的影响。

在路线层次上，航空公司的枢纽策略由于枢纽中包含有多重航空服务，因此对高铁服务有消极影响。这就导致了这样一种考虑，即机场是否应该受高铁更多的服务，因为高铁可以替代短程飞机进而为长程飞机提供客流。一方面，如果高铁为机场提供服务，那么将存在另一种运输模式，这种模式既不是高铁和航空的竞争也不是高铁和航空的整合。另一方面，多样的市场和技术障碍妨碍了一种运输模式的成功实施，例如航线连接的范围，地理上的高铁线路和机场位置的不一致，时刻表的优化，商务和技术的整合程度等（Givoni 和 Banister， 2006）。而且，在拥挤的机场，飞机释放场地不得不服务于其他的飞机，而长途飞机将对环境造成非常大的影响。即便没有这种影响，那么高铁对短程飞机的替代所造成的GHG的排放要少于长途飞机的排放量。例如，从巴黎飞往布鲁塞尔的飞机将造成等效于每人60千克的二氧化碳排放量，但是从巴黎到金沙萨将造成等效于每人2020千克甚至更多的二氧化碳排放量此外，服务机场而不是城市中心可能意味着更高的汽车使用次数; 后者可能对空气造成很大影响的污染 （Givoni， 2007）。

我们研究结果在其他市场的应用是受的。实际上，在其他市场上重要的变量和估计结果都将会不同。而且，我们的方法不适于进行事前分析，因为我们的模型的决定系数是不显著的。然而，本文运用的方法可以在其他研究中使用，而且本文的研究结论可以服

务于其他国家的制定者，尤其是那些高铁发展非常迅速却没有足够的数据进行类似我们这样的事后研究的国家。尽管中国的航空和高铁这两种运输方式之间的线路和竞争属性非常不同，但无疑中国即是这种国家（Fu 等， 2012）。

通过加入更多的变量进而提高本文所使用的模型的实用性是非常有意义的。票价是一个重要的因素，但是由于票价变化差距很大以至于收集它非常困难。考虑每年的平均票价将是一个不错的方法，但是竞争使得这种信息非常不易获得。关于大都市空间因素的变量的加入会加强运输方式之间竞争的分析（例如密度，商业区和市边的相对位置，高铁和航空站的可达区域等）。国家的空间因素可能有助于更好地理解运输方式间的竞争（例如，国内市场，长途旅行的转移的潜在影响）

如今，高铁被视为一种绿色的运输方式。我们的部分结果也支持了这一观点的。然而，在下结论之前应该分析两种观点。第一点，本文分析了高铁对当前航空服务水平的影响。接下来将要通过比较高铁开通前后分析航空服务的变动情况（例如，线路上的速度增加了），研究不同运输方式间的动态关系和相互影响。因此需要再次强调基于以上分析所得的结果和结论适用于一个给定的统计的条件下。第二点，在更好地了解了航空服务对高铁服务（随着时间和跨路线）的反应之后，由于基础设施成本和交通密度对于高铁线来说是非常重要的，因此有必要评估从航空到高铁运输方式转变的整体潜力（de Rus 和 Nombela， 2007）。初步分析表明潜力是相当有限的（Givoni 等， 2012），但这需要更深入的调查研究。