대구공항의 효율성 및 규모수익 분석 · 2020-04-14 · 대구공항의 효율성 및...

Journal of Daegu Gyeongbuk StudiesVol.19. No.1 2020. 3. pp. 133~159

133

Journal of Daegu Gyeongbuk Studies

대구공항의 효율성 및 규모수익 분석

한 근 수* · 전 민 준

**

Analysis of Efficiency and Return to Scale of Daegu Airport with DEA

Han, Keun Soo · Jeon, Min Jun

국문요약

최근대구공항의통합신공항으로이전이확정되면서, 현대구공항에대한파악이요구된다. 공항운

영효율성을제고하기위해서는가장먼저효율성과관련한적절한변수를선정하여투입대비산출의

관점에서잘식별해야한다. 이를위해본연구는 DEA 방법론을활용하여대구공항을중심으로국내

공항들에대한효율성을파악한다. DEA는다수의투입변수와다수의산출변수의비율로의사결정단위

(DMU)들간 상대적인 효율성을 측정하는 비모수적 통계 방법론이다.

본연구에서는투입요소를최소화하는투입지향적(Input-oriented) CCR/BCC 모형을적용하여국내

14개공항을대상으로효율성과규모수익을분석했다. 연구결과, 대구공항의높은운영비가공항효율

성을 저해하는 원인으로 분석되었다. 또한 규모 수익은 IRS로 나타나 적정 규모 유지를 통한 효율성

제고방안을수립해야하는것으로나타났다. 본연구결과를통해현대구공항의실태를파악하여, 효

율성 제고 방안을 모색하고, 공항의 적절한 규모의 확장과 최적화된 운영을 도모할 수 있을 것이다.

주제어 : DEA 분석, 공항 효율성, 운영효율성, 대구공항 효율성, CCR 모형, BCC 모형

Abstract

With the relocation of Daegu Airport to a new airport, the present Daegu airport is being

asked to be identified. To improve the efficiency of airport operations, appropriate variables

related to efficiency should first be selected and well identified from the perspective of

input-output. To attain this end, this study utilizes DEA methodology to identify the efficiency

of domestic airports around Daegu Airport. DEA is a nonparametric statistical methodology

that measures the relative efficiency between decision making units as a proportion of multiple

inputs and multiple outputs.

Efficiency and scale revenue were analyzed for 14 airports in Korea by applying an

input-oriented CCR/BCC model that minimizes input elements. The study found that the high

operating costs of Daegu Airport were the reasons that hampered airport efficiency. In addition,

* 주저자, 대구경북연구원 연구위원(Research Fellow, Daegu Gyeongbuk Development Institute), E-mail: [email protected]** 교신저자, 대구경북연구원 연구원(Researcher, Daegu Gyeongbuk Development Institute), E-mail: [email protected]

134 한 근 수 · 전 민 준

대구경북연구 제19권 제1호

the IRS indicates that there is a need to establish measures to improve efficiency by

maintaining the right size. Through the results of this study, we will be able to identify the

current situation of Daegu Airport, find ways to enhance efficiency, and promote the proper

scale of expansion and optimized operation of the airport.

KeyWords : DEA Analysis, Airports Efficiency, Operational efficiency, Daegu Airport

Efficiency, CCR Model, BCC Model

Ⅰ. 서 론

공항은 항공산업에 있어 가장 기초적이고 중요한 요소로서 뿐만 아니라, 지역의 경제에도

영향을 미치는 등 지역에서 중요한 위치를 차지하고 있다(Sarkis, 2000). 국내·외 항공 수요가

점차 증가함에 따라 이러한 수요를 뒷받침하기 위해 국내 공항 인프라 확충에 많은 투자가

이루어졌다(이제철, 2018). 그러나 일부 대형 공항에만 공항 수요가 집중되고, 많은 지방공항

은 수요 부족으로 인해 재정·운영상의 어려움을 겪고 있다. 많은 지방자치단체는 해당 지역

공항 활성화를 위해 지역 노선개발, 저비용 항공사 운항 확대, 운영성 개선 등 여러 노력을

기울이고 있으나, 2018년 기준 국내 15개 공항 중 흑자 공항은 5개에 불과하고 나머지 10개

공항은 매년 적자를 면치 못하고 있다. 이러한 공항 수요 불균형은 고속철도(KTX)·도로 등

광역교통망 구축으로 인한 지방 공항의 수요 감소가 주요 원인 중 하나이다. 특히, KTX 개통

의 직접 영향권에 들었던 대구공항은 그 피해가 심각하였다. 1989년~2003년까지 김포~대구 노

선 이용객이 연평균 10.8% 증가하다가 2004년 고속철도 개통 이후 이용객이 82.8%나 급감했

고, 급기야 2007년에는 김포~대구 노선을 폐지하였다. 공항 전체 연간 이용객도 점점 줄어들

기 시작하여 2009년에는 102만명까지 이용객이 감소하였다. 이처럼 대구공항은 2016년까지

55년간 매년 적자를 내다가 저비용 노선의 수요 증가와 국제선 증설, 그리고 2012년 대구시의

‘대구국제공항 활성화 조례’ 제정 등 다양한 노력에 힘입어 2017년에서야 처음 흑자를 내고,

2018년, 2019년에도 흑자를 기록함으로 3년 연속 흑자 전환에 성공하였다. 그러나 이러한 흑

자 전환에도 불구하고, 국내경기침체, 유류비 상승, 대체교통수단 등의 외부 환경 변화에 따른

위협과 이용객 증가에 따른 공항 수용 한계, 확장성 부족, 과다한 유지보수비 등 내부 운영상

의 문제는 여전히 대구공항에 큰 영향을 미치고 있다. 이러한 상황에서 최근 대구공항의 통합

신공항 이전 계획의 확정은 하나의 큰 기회이다. 운영·관리측면의 개선, 공항 규모의 확장 등

현 대구 공항에서 풀기 힘든 부분들을 통합신공항에서는 새로운 공항 인프라 구축을 통해 해결

할 수 있기 때문이다. 따라서 현 대구공항의 개선점과 문제들을 탐색하기 위해 현 대구공항에

대한 실태 파악이 필요하며, 이를 바탕으로 통합신공항의 새로운 정책적 방향을 도출할 수 있다.

대구공항의 효율성 및 규모수익 분석 135


특히, 공항 운영 효율성을 고려한 정책 수립을 위해서는 자원을 최적으로 투입하여 운영비

용을 절감하고 동시에 많은 수요를 창출하는 전략이 필요하다. 이러한 전략 수립을 위해 먼저

공항이 효율적인지 아닌지 파악하기 위해 적절한 변수를 선정하여 투입 대비 산출의 관점에

서 정확히 분석해야 한다. 이를 위해 본 연구에서는 자료포락분석(Data Envelopment

Analysis : 이하 DEA)를 이용해 인천공항을 제외한 국내 공항 14개 공항에 대한 효율성 측정

과 규모수익 분석을 통한 공항 운영 규모에 대한 적절성을 분석한다. DEA는 다수의 투입변수

와 다수의 산출변수의 비율로 의사결정단위(DMU)들간 상대적인 효율성을 측정하는 비모수

적 통계 방법론으로 항공분야에서 많이 활용되고 있다(유석천 외, 2017). 먼저, 전체 공항에

대한 DEA 분석을 수행하고, 대구공항을 중심으로 여러 공항을 비교하여 현재 대구공항의 실

태를 파악하고 효율성 제고 방안을 모색한다.

Ⅱ. 이론적 고찰 및 선행연구

1. 공항 운영효율성 분석에 관한 선행연구

국내·외 공항 효율성 분석에 관한 많은 연구들이 DEA 방법론을 적용하였다. DEA 방법론 중

에서도 전통적인 CCR/BCC 모형이 주로 적용되었고, 그 밖에 시계열에 따른 Malmquist 생산성

분석, DEA가 확장된 형태인 초효율성(SBM) 분석, 2단계 네트워크 DEA 등이 활용되었다.

본 연구는 투입변수와 산출변수를 선정하기 위해 공항 효율성 분석과 관련한 국내·외 선행

연구를 검토하고, 본 연구에서 이용할 변수를 탐색하고자 한다.

Gillen and Lall(1997)는 미국 21개 공항을 대상으로 CCR/BCC 모형을 적용하여 각 공항의

효율성을 분석하였다. 이 연구에서 사용한 투입변수는 활주로 수, 게이트 수, 터미널 면적, 종

업원 수, 수하물 집하벨트 수, 공공주차장 구획 수, 공항부지 면적 등이며, 산출변수는 연간

여객처리실적, 연간 화물처리실적, 연간 운항횟수 등을 선정하였다.

Sarkis(2000)은 미국 44개 공항을 대상으로 CCR/BCC 모형을 적용하여 공항 운영 효율성을

측정하였다. 이 연구에서 사용한 투입변수는 종업원 수, 게이트 수, 활주로 수, 비용 등이며,

산출변수는 연간 여객수, 연간 화물 처리실적, 운항횟수, 수익 등이다.

Alder and Berechman(2001)은 유럽, 북미, 아시아공항을 대상으로 BCC 모형을 적용하여

효율성 측정하였다. 이 연구에서 사용한 투입변수는 공항 이용료, 최소 연계시간, 여객 터미널

수, 활주로 수, 공항-도심간 거리 등이며, 산출변수는 항공사의 만족도이다.

Martin(2001)은 스페인 37개 공항을 대상으로 CCR/BCC 모형을 적용하였다. 투입변수로는

인건비, 자본, 시설경비 등이며, 산출변수는 연간 운항횟수, 연간 여객 처리실적, 연간 화물처

리실적 등이다.

136 한 근 수 · 전 민 준


Pels et al. (2003)은 확률적 프론티어 분석(Stochastic Frontier Analysis : 이하 SFA)과

DEA를 적용하여 유럽 공항의 효율성을 측정하였다. 이 연구에서 전반적인 유럽공항은 비효

율적으로 운영되고 있었다. 적용된 방법론은 SFA을 통해 규모수익과 비효율성 유무를 밝혔

고, DEA는 각 공항의 비효율성과 규모수익를 분석하는데 쓰였다.

Bazargan and Vasigh(2003)은 미국 45개 상업 공항을 대형/중형/소형으로 분류하고, CCR

모형을 적용하여 규모 효율성을 측정하였고, 소형으로 분류된 공항이 효율성이 높다는 결과를

도출했다. 투입변수는 활주로 수, 게이트 수, 운영비, 비운영비 등이며, 산출변수는 연간 운항

횟수, 연간 여객처리실적, 항공수익, 비항공수익, 정시운항비율 등이다.

Hong and Jeon(2018)은 프랑스 99개 공항의 효율성을 분석하여, 프랑스 공항의 생존 가능

성을 분석하였다. 프랑스 99개 공항에서 저비용 항공 전용 터미널의 존재는 공항의 기술적 효

율성에 긍정적인 영향을 미치고, 프랑스 지방 공항에서 저비용 항공의 점유율은 효율성로 이

어지지 않았다.이 연구에서 사용된 투입변수는 종업원수, 인건비, 부채, 정부지원금, 운영비 등

이며, 산출변수는 여객처리실적, 화물처리실적, 운항횟수, 공항수익, 순이익이다.

김진한·정기대(2002)는 국내 공항의 성과측정을 위해 CCR/BCC 모형을 적용하였다. 투입변

수로는 인건비, 경비 등이며, 산출변수는 연간 운항횟수, 연간 여객처리실적, 연간 화물처리실

적 등이다.

김형기 외 (2007)는 국내의 각 공항의 효율성을 파악하기 위해 2002년부터 2005년간 국내

공항 자료를 활용하여 CCR/BCC 모형과 동시에 동태적 분석 방법인 DEA/window를 적용하

였다. 이 연구에서 사용한 투입변수는 연간처리능력, 계류장 면적, 동시주기능력, 주차장 면적,

인건비, 경비 등이며, 산출변수는 연간운항횟수, 연간 여객수송량, 연간 운반화물 수송량, 매출

등을 선정하였다.

김홍섭·박정림(2013)은 2006년부터 2010년간 세계 주요 공항을 대상으로 운영 효율성을 분

석하였다. CCR/BCC 모형과 초효율성(Super Efficiency) 모형을 적용하여 효율성을 측정하고,

Malmquist 생산성 분석을 통해 5년간 생산성 변화를 측정하였다.

유석천 외(2017)는 공항의 프로세스를 2단계 구조로 모형화하고 효율성을 분석하였다. 투입

변수로는 운영비, 활주로 수, 터미널 면적, 종업원 수 등이며, 1단계 산출변수이며 동시에 2단

계 투입변수인 중간변수로는 여객처리량, 화물처리량, 운항횟수 등이 선정되었으며, 2단계 산

출변수는 공항 수익이다.

<수식 1.1>



Ⅲ. 연구 방법

1. 자료포락분석 (DEA)

Charnes et al.(1978)가 처음 제안한 DEA는 Farrell(1957)이 제안한 비모수적 효율성 측정

방법과 Shephard(1970)가 설명한 거리 함수 개념에 기반하여, 다수의 투입변수와 다수의 산출

변수의 비율로 의사결정단위(Decision Making Unit : 이하 DMU)들 간의 상대적인 효율성을

측정하는 비모수적 통계방법론이다. 특히, DEA는 DMU 간 상대적인 효율성을 하나의 지수로

표현할 수 있어, 항공분야에서 많이 활용되었다(유석천 외, 2017). DEA의 대표적인 모형은 규

모수익불변(Constant Returns to Scale : 이하 CRS) 가정하에 효율성을 측정하는 모형인

CCR 모형과 규모수익가변(Variable Returns to Scale : 이하 VRS)를 가정하여 효율성을 측정

하는 BCC 모형의 두가지로 구성된다.

1) CCR 모형

Charnes et al(1978)에 의해 처음 제시한 DEA의 모형은 투입·산출의 관계가 규모에 관계없

이 일정 비율로 나타나는 규모수익불변(CRS) 가정하에 제시된 CRS 모형이다. 이 CRS 모형

은 저자의 이름을 따 CCR(Charnes, Cooper, Rhodes) 모형이라 명명되었다. CCR 모형의 수식

은 다음과 같다.

n개의 DMU에 대해서 DMUj(j = 1, 2, … , n)는 투입요소 m개, xij(i = = 1, 2, … , m)를

투입하여, s개 산출요소 yrj(i = 1, 2, … , s)가 산출된다고 할 때, p번째 관측치인 DMUp의

산출기준 효율성은 다음<수식 1.1>과 같다. θ는 효율성 수치이고 s-와 s+는 투입과 산출에

대한 여유변수이다.

max ±

subject to

⋯

⋯

≥ ∀

<수식 1.2>

<수식 1.3>

138 한 근 수 · 전 민 준


2) BCC 모형

CCR 모형은 규모수익불변(CRS)을 가정하고 있으나, 많은 경우, 규모는 DMU의 효율성에

영향을 미칠 수 있다. 이와 같은 CCR 모형의 한계를 보완하기 위해, Banker et al(1984)는 규

모에 따른 비효율성을 고려하는 규모수익가변(VRS) 모형을 제시했다. 이 VRS 모형 역시 저

자의 이름을 따 BCC(Banker, Charnes and Cooper) 모형이라 불린다.

BCC 모형은 규모에 따른 분석범위도 확대하기 위해 CCR 모형에 ∑ λ = 1이라는 제약식이

추가된다. BCC 모형의 수식은 다음 <수식 1.2>와 같다.

max ±

subject to

⋯

⋯

≥ ∀

Cooper et al.(2001)에 의하면 각 DMU별 CCR 모형의 효율성은 BCC 모형의 효율성보다

같거나 작은 관계가 성립하며, 이러한 차이로 규모 효율성(Scale Efficiency : 이하 SE)를 계산

할 수 있다. 규모 효율성으로 비효율성의 원인이 규모에 따른 것인지, 비효율적인 운영·관리에

의한 것인지 알 수 있으며, 규모효율성의 식은 다음 <수식 1.3>과 같다.

3) 투입·산출방향 DEA 모형 선택

DEA 모형은 효율성 측정의 목적에 따라 투입지향(Input-oriented) 모형과 산출지향

(Output-oriented) 모형으로 구분할 수 있다. 투입지향 모형은 산출물을 고정한 상태에서 투

입물을 최소로 줄여서 전체 효율을 개선하는 것을 목적으로 하고, 산출지향 모형은 투입믈을

고정한 상태에서 산출물을 최대화하여 전체 효율성을 개선하는 것을 목적으로 한다.

본 연구에서는 투입지향 모형을 사용하였다. 본 연구에서 선정한 산출변수는 그 변수의 특



성상 통제가 어렵고, 상대적으로 투입변수는 통제가 가능하다고 보기 때문이다. 산출변수로

선정한 변수들의 통제가 힘든 이유는 공항 수요(여객 처리실적, 운항 횟수)는 외부 요인에 의

해(교통여건, 지역 특성 등) 수요가 결정되는 경향이 있고, 공항 수익 역시 외부여건변화에 민

감하기 때문이다. 반면에 투입변수로 선정한 변수(인건비, 운영비)들은 구조조정, 운영관리의

최적화, 무인자동화 등 여러 방법으로 최적화가 가능하다.

2. 자료 수집과 의사결정단위(DMU) 선정

DEA를 이용한 효율성을 측정하기 위해서는 가장 먼저 분석대상인 의사결정단위(DMU)를

선정해야 한다. DEA는 DMU의 동질성을 전제로 하는 데, 이는 분석대상인 DMU는 서로 비

교 가능한 기관 또는 서비스가 대상이 되어야 한다. 즉, 함께 분석되는 DMU 들은 유사한 환

경에서 유사한 활동을 수행하고, 유사한 자원이 투입되어 유사한 산출물이 나와야 한다는 것

을 의미한다(Dyson et al., 2001).

본 연구에서 사용한 공항자료는 한국공항공사에서 제공한 국내 15개 공항에 대한 2009년부

터 2018년까지 10년간 재무제표 자료를 활용하였다. 분석대상인 DMU는 공항의 규모를 고려

하여 인천공항을 제외한 14개 공항으로 제한하였다. 또한, DMU로 선정된 14개 공항에 대해

<표 1>의 종별 분류에 따른 국내/국제, 민·군공동사용 등 요소 등을 고려하였다. 한국공항공

사가 제공한 2009~2018년 재무제표 분석 결과, 국제선이 있는 공항의 경우 비항공수익이 높은

것으로 조사되었다. 공항수익은 항공수익과 비항공수익으로 구분되는데, 항공수익은 착륙료,

정류료, 조명료, 계류장 사용료 등으로 이루어져있고, 비항공수익은 공항 내 광고수익, 면세점

임대료 등으로 구성된다. 본 연구에서는 국제선/국내선과의 차이를 최대한 배제하기 위해 비

항공수익을 제외한 공항수익을 사용하여 각 DMU를 비교하였다. 또한, 대구공항 같은 민·군

공동사용 공항의 경우, 슬롯(Slot)이 제한되는 등의 운영효율성에 간접적인 영향이 있을 수

있고, 운영비가 높아지는 문제가 있을 수 있다. 이러한 한계점을 보완하기 위해 본 연구에서는

3장 4절 군집분석에서 산출·투입변수에 따른 공항 규모에 대한 분류를 하여 각 공항 집단 간·

내 공항에 대한 여러 지표(종업원당 여객수, 종업원당 운항횟수, 종업원당 운영비, 운항횟수당

인건비 및 운영비, 운영비당 여객수 등)에 대한 비교 분석을 수행한다. 개별 공항 뿐만 아니라

군집분석을 통한 집단을 분류하고 집단 간 비교를 통해 각 공항에 대한 효율성 차이를 최대한

설명함으로써 본 연구의 한계점을 보완하려고 한다.

적절한 DMU의 수에 대해서는 최대 DMU의 수에는 제한이 없으나, 최소 DMU의 수는 사

용된 변수의 수에 따라 달라진다. Banker et al.(1984)은 분석대상인 DMU의 수가 투입변수와

산출변수를 더한 값의 최소한 3배 이상이 되어야 타당성이 확보된다 주장하였다. Boussofiane

et al.(1991)은 분석대상인 DMU의 수는 투입변수와 산출변수를 곱한 값의 최소한 2배 이상이

140 한 근 수 · 전 민 준


적절한 크기라 주장한다. 본 연구에서는 Boussofiane et al.(1991)의 기준을 적용하여 총 14개

DMU를 대상으로 분석을 진행하였다.

분류 공항명 종별 공항의 수

중추공항 인천공항 국제 전용 1

거점공항(대형)김포공항 국제

6

김해공항 국제제주공항 국제

거점공항(소형)대구공항 국제무안공항 국제청주공항 국제

일반공항

광주공항 국내

8

울산공항 국내양양공항 국제여수공항 국내사천공항 국내포항공항 국내군산공항 국내원주공항 국내

총 공항의 수 15

<표 1> 분류별 국내 공항

3. 투입·산출변수 선정

DEA를 성공적으로 분석하기 위해서는 투입변수와 산출변수의 적합한 변수 선정은 매우 중요하

다. 본 연구에서는 공항 효율성을 정확하게 반영할 수 있는 투입·산출 변수를 선정하기 위해 2장

선행연구를 통해 검토되었던 투입·산출변수를 다음 <표 2>에서 정리하였다.

문헌 분석 대상 투입변수 산출변수

Gillen andLall(1997)

미국 21개공항

활주로 수, 게이트수,터미널면적, 종업원수, 수하물집하벨트수, 공공주차장구획수, 공항부지면적

연간 여객처리실적, 연간화물처리실적, 연간 운항횟수

Sarkis(2000)미국 44개공항

활주로 수, 게이트수, 종업원수,공항운영비용

운항횟수, 연간 여객처리실적,공항수익

Alder andBerechman(2001)

서유럽, 북미,아시아 26개공항

활주로 수, 여객터미널 수,공항 이용로, 최소 연계시간,

도심으로 거리항공사 만족도

Martin(2002)스페인 37개공항

인건비, 자본비용, 시설경비연간 운항 횟수, 연간 여객처리실적, 연간 화물처리실적

<표 2> 선행연구의 공항효율성 측정을 위한 투입·산출요소



본 연구에서는 선행연구에서 사용되었던 투입·산출변수의 빈도를 분석하여 전체 DMU의 수를

고려한 적정한 변수의 수를 선정하되, 본 연구에서 사용한 재무제표 데이터의 한계로 물리적인 변

수(활주로의 수, 터미널 면적 등)는 제외하였다. 선행연구에서 제시된 투입·산출변수의 사용 빈도

는 다음 <표 3>와 같다.

투입변수 사용 빈도 산출변수 사용 빈도

운영비(경비 포함) 7회 여객처리실적 13회

운항횟수 11회종업원수(정규직 직원수 포함) 5회 화물처리실적 8회

인건비 4회 공항수익(비공항수익제외) 4회

매출 2회정부지원금, 부채, 자본비용 등 각 1회 순이익, 정시운항비율, 만족도 등 각 1회

<표 3> 선행연구의 투입변수 사용빈도

선행연구에서 가장 많이 사용된 투입 변수는 운영비, 종업원수, 인건비였다. 본 연구에서는

먼저 사용 빈도가 가장 많은 운영비를 첫 번째 투입변수로 선정하고, 종업원수와 인건비 중

시간에 따른 비용 상승을 고려 할 수 있는 인건비를 두 번째 투입변수로 선정하였다.

또한, 선행연구의 산출변수 중 사용 빈도가 가장 많은 순대로 ‘연간 여객 처리실적’과 ‘연간

Pels et al.(2003)유럽 17개공항

공항부지면적, 탑승교 주기장수, 원격 주기장 수, 체크인데스크 수, 수화물 인도장의 수

연간 여객처리실적,연간 화물처리실적

Bazargan andVasigh(2003)

미국 45개상업공항

활주로 수, 게이트 수,공항운영비용, 공항비운영비용

연간 여객처리실적, 연간운항횟수(정기/비정기),항공수익, 비항공수익,정시운항비율

Ennen et al.(2018)파키스탄 12개

공항활주로 수, 택시 전용길 수,

터미널 면적여객 처리량, 운항횟수

Hong andJeon(2018)

프랑스 99개공항

종업원수, 인건비, 부채,정부지원금, 운영비

여객처리실적, 화물처리실적,운항횟수, 공항수익, 순이익

김진한 외(2002)국내 16개공항

인건비, 경비연간 운항 횟수, 연간 여객처리실적, 연간 화물처리실적

홍석진·문형진(2005) 국내 14개공항 정규직직원수, 여객터미널면적 여객 처리량, 매출액

김형기 외(2007)국내 13개공항

연간처리능력, 계류장 면적,동시주기능력, 주차장 면적,

인건비, 경비

연간운항 횟수, 연간여객수송량, 연간 운반화물,

매출

이재구 외(2009)아시아 공항11개

여객터미널 면적, 화물터미널면적, 활주로 수, 주기능력

여객 처리량, 화물 처리량,운항횟수

김홍섭·박정림(2013)

세계 20개주요공항

부지면적, 활주로 수,여객터미널 면적, 화물터미널

면적

연간 여객처리량,연간화물처리량, 운항횟수

유석천 외(2017)세계 59개주요공항

운영비, 활주로 수, 터미널 면적,종업원 수

여객처리량, 화물처리량,운항횟수, 공항수익

142 한 근 수 · 전 민 준


운항횟수’을 산출변수를 첫 번째, 두 번째 변수로 먼저 선정하고, 재무적 운영실적에 대한 변

수를 포함하기 위해서 공항수익, 매출, 순이익 중에서 가장 사용 빈도가 높은 ‘공항수익’을 세

번째 변수로 선정하였다. ‘연간여객 처리 실적’, ‘연간 운항 횟수’는 공항 수요를 대표하며, ‘공

항 수익’은 공항의 재무적 실적을 대표한다 볼 수 있다.

최종적으로 본 연구에서는 선행연구에서 제시된 투입변수 중 ‘인건비’와 ‘운영비’의 2개의

변수를, 산출변수로는 ‘연간 여객 처리 실적’, ‘운항횟수’, ‘공항수익’의 3개의 변수를 이용하기

로 결정하였다. 다음 <표 4>는 선정된 변수에 대한 요약이다.

구분 변수 단위

투입변수인건비 명

운영비 백만원

산출변수

연간 여객 처리실적 명

연간 운항 횟수 회

공항수익 백만원

<표 4> 변수선정

투입변수와 산출변수는 투입변수가 증가하면 산출변수 역시 증가해야 하는 양의 상관관계

를 가져야 한다(Mostafa, 2009). DEA에서 상관관계 수치에 대한 구체적인 기준은 제시되어있

지 않으나, DEA는 변환 불변성(Translation Invariant)을 가지지 않기 때문에 높은 상관관계

(0.8 이상)가 있는 변수를 제거하는 것은 효율성 예측에 있어 큰 영향을 줄 수 있다(Dyson

et al., 2001). 또한, DEA에서 다른 변수 간 큰 상관관계는 DEA 모형의 예측을 더 강건

(Robust)하게 해준다(Nataraja and Johnson, 2011). 본 연구에서는 변수선정에 대한 신뢰성을

확보하기 위해 4장 실증분석에서 각 변수들의 변화에 따른 민감도 분석도 수행할 것이다.

본 연구의 투입변수와 산출변수에 대해 상관관계를 분석한 결과는 <표 5>과 같으며, 투입

변수인 인건비, 운영비와 산출변수인 ‘연간 여객 처리 실적’, ‘연간 운항 횟수’, ‘공항수익 등의

변수가 높은 양의 상관관계를 나타내고 있음을 확인할 수 있다.

구분 인건비 운영비 연간 여객수 연간운항횟수 공항수익

인건비 1

운영비 0.959** 1

연간 여객 처리실적 0.868** 0.927** 1

연간 운항 횟수 0.891** 0.931** 0.995** 1

공항수익 0.951** 0.983** 0.937** 0.949** 1

주 : ** 0.01 수준(양측)에서 유의함

<표 5> 투입·산출변수의 상관관계



본 연구에서 사용된 투입·산출변수의 기술통계랑은 <표 6>과 같다.

구분 변수 (단위) 평균 표준편차 최대값 최소값

투입변수인건비 (백만원) 7,188 8,406 40,923 941

운영비 (백만원) 39,274 60,254 286,201 1911

산출변수

연간 여객 처리실적(명) 4,431,722 7,878,916 29,707,364 0

연간 운항 횟수 (회) 29,365 49,014 172,743 0

공항수익 (백만원) 4,718 9,070 34,778 0

<표 6> 투입·산출변수의 기술통계량

4. 군집분석

본 연구에서는 DMU 간 분석의 한계를 보완하기 위해 집단을 분류하고 집단 간 비교를 수

행하려고 한다. 이를 위해 14개 공항에 대해 연간 평균 공항수익/여객수/운항횟수 등을 기준

으로 k-평균 군집분석을 수행하여 규모별 분류를 시행하였다. 군집분석 결과, 총 5개의 군집

으로 공항을 분류했으며, <표 7>은 각 그룹별 군집 중심값을 나타낸다. 군집 중심은 해당 변

수에 대한 평균값을 의미한다.

구 분 군집 1 군집 2 군집 3 군집 4 군집 5

여객수 21,026,087 22,327,028 11,372,250 1,750,022 258,585

운항횟수 133,984 137,918 82,271 12,322 2,497

공항수익 29,889,126,413 16,522,301,963 15,706,967,783 929,178,562 143,954,637

<표 7> 각 그룹별 군집 중심값

각 공항별 소속 군집과 중심간 거리는 <표 8>와 같다. 중심 간 거리가 0으로 나타난 김포공

항, 제주공항, 김해공항은 다른 공항에 비해 규모가 월등히 커, 독립적인 군집으로 나타난 것

으로 보인다.

공항명 소속 군집 중심간 거리 공항명 소속군집 중심간 거리

김포공항 1 0 군산공항 5 121,799,726

제주공항 2 0 여수공항 5 41,549,610

김해공항 3 0 무안공항 5 9,944,646

대구공항 4 6,078,310 사천공항 5 66,157,059

광주공항 4 169,344,068 포항공항 5 72,390,238

청주공항 4 175,419,678 원주공항 5 97,581,231

울산공항 5 166,608,462 양양공항 5 103,772,746

<표 8> 소속군집 중심간 거리

144 한 근 수 · 전 민 준


<표 9>의 결과를 토대로 중심간의 거리가 0인 상위 소속군집 1, 2, 3을 묶어 대형으로 분류

하고, 소속군집 4은 중형, 소속군집 5는 소형으로 분류하였다. 분류된 최종 결과는 <표 9>과

같다.

규모 공항명 평균 여객수평균운항횟수

평균공항수익 평균 운영비 평균 인건비

대형김포공항 21,026,087 133,984 29,889,126,413 214,365,953,382 32,432,759,236제주공항 22,327,028 137,918 16,522,301,963 114,205,004,906 16,361,908,062김해공항 11,372,250 82,271 15,706,967,783 93,239,887,419 14,842,711,352

중형대구공항 1,926,929 13,552 1,104,598,237 20,538,701,323 5,308,860,975광주공항 1,542,162 11,441 923,102,827 17,092,739,005 3,950,994,782청주공항 1,780,976 11,972 759,834,622 10,049,481,332 3,360,343,621

소형

울산공항 653,464 6,168 310,562,631 14,386,639,811 5,407,015,919군산공항 194,937 1,419 265,754,346 3,726,154,174 1,847,229,964여수공항 553,856 5,502 185,503,197 14,049,495,065 5,089,467,438무안공항 206,473 1,666 153,899,146 13,078,781,020 3,077,180,521사천공항 151,827 1,888 77,797,664 5,989,204,258 2,620,089,375포항공항 175,172 2,251 71,564,447 12,244,069,039 3,066,757,830원주공항 77,658 696 46,373,573 2,839,275,031 1,541,698,341양양공항 55,291 385 40,182,090 14,033,397,237 1,724,934,137

<표 9> 주요공항/투입·산출변수별 연평균 통계량

Ⅳ. 실증분석 결과

1. CCR/BCC 모형의 효율성 산출 결과

본 연구는 CCR 모형을 통해 측정한 규모수익을 고려하지 않은 기술 효율성(Technical

Efficiency : 이하 TE)과 BCC 모형을 통해 측정한 규모수익을 고려한 순수 기술 효율성(Pure

Technical Efficiency : 이하 PTE)을 분석하고, TE를 PTE로 나눈 값인 규모 효율성(Scale

Efficiency : 이하 SE) 및 규모 수익(Returns to Scale : 이하 RTS)을 계산하였다.

14개 공항을대상으로효율성을분석한결과는 <표 11>과같다. 효율적인 DMU은 1로 나타나며,

비효율적인 DMU는 1보다 작은 값으로 나타난다. TE는 기술 효율성 또는 규모수익불변 효율성을

나타내며, PTE는순수기술효율성또는규모수익가변효율성, SE는 규모효율성을나타낸다. 규모

수익(RTS)는 규모수익불변(CRS), 규모수익감소(Decreasing Returns to Scale : 이하 DRS), 규모수

익체증(Increasing Returns to Scale : 이하 IRS)로 분류되는데, 규모효율성이 1 인 경우기술효율성

과 순수 기술 효율성은 동일하여 규모의 비효율성이 존재하지 않음(CRS)을 의미하고, 규모효율성

이 1이 아닌 경우, 규모의 불경제성(DRS) 또는 규모의 경제성(IRS)이 존재함을 의미한다.



1) CCR 모형의 공항 효율성 결과

CCR모형에서 연도별 대형/중형 공항의 기술 효율성은 다음 <그림 1>와 같다. 소형공항은

상대적으로 대형/중형 공항에 비해 효율성이 많이 떨어져 <그림 1>의 비교대상에서 제외하

였다. 상위 3개의 대형공항에서 김해공항, 제주공항은 1에 수렴하는 효율성을 보여주고, 김포

공항은 2012년 이후 효율성이 하락하는 추세를 보여준다. 김포공항의 비효율성은 여객수, 운

항횟수, 공항수익이 꾸준히 증가했음에도 불구하고, 다른 대형 공항에 비해 높은 운영비와 인

건비 때문에 효율성이 떨어진 것으로 판단된다.

<그림 1> CCR 모형 - 대형/중형 공항 기술 효율성

대구공항의 경우, 2009년부터 2011년까지 기술 효율성(TE)이 상대적으로 낮아지는 추세로

나타나는데, 이는 고속열차(KTX)·고속도로 정비 등 광역교통망의 발전에 따른 교통대체 수

단의 등장이 주요한 원인으로 판단된다. 2011년 이후 효율성이 점점 증가하는 이유로는 저가

항공(LCC)의 취항으로 수요 및 수익성이 좋아졌기 때문인 것으로 보여진다.

<그림 2> CCR 모형에서 기술 효율성 평균은 제주공항이 기술 효율성이 1로 가장 높은 것

으로 나타났고, 대구공항은 기술효율성이 0.62로 비슷한 규모의 청주공항(0.47)보다는 높으나

광주공항(0.92)보다는 크게 떨어지는 것으로 나타났다. 상위 3개 공항과 비교했을 때도 김포공

항(0.88), 김해공항(0.99), 제주공항(1.00) 보다 크게 떨어지는 것으로 나타나, 공항 효율성 제고

를 위한 방안이 필요하다고 보여진다. 또한, 양양공항(0.03), 포항공항(0.15), 무안공항(0.10) 등

의 소형공항들은 효율성이 매우 낮게 나타났다. 이들 공항은 수요 부족 등으로 운영 비용을

상쇄할만한 수입을 벌어들이지 못하고, 지역개발우선주의, 정치논리 등에 의해 정확한 경제

타당성 없이 공항이 해당 지역에 입지하여, 수요 부족, 고정비, 노선부족 등의 원인으로 효율

성이 크게 떨어지기 때문인 것으로 생각된다.

146 한 근 수 · 전 민 준


<그림 2> CCR모형 – 공항별 기술 효율성(TE) 평균

2) BCC 모형의 공항 효율성 결과

BCC모형에서 연도별 주요 공항의 순수 기술 효율성은 다음 <그림 3>와 같다. 대구공항의

경우, CCR모형의 기술 효율성과 비교했을 때, 수치에는 약간 차이가 있으나 효율성의 변화

및 추세 변화는 비슷한 것으로 나타났다. 2015년~2018년 김포공항과 광주공항의 경우, CCR모

형의 효율성 값과 BCC모형의 효율성 값의 차이가 두드러지게 나타났는데, 이것은 다른 공항

에 비해 최적 규모를 더 벗어났기 때문인 것으로 해석된다.

<그림 3> BCC 모형 - 대형/중형 공항 순수 기술 효율성



<그림 4>의 BCC 모형–공항별 순수 기술 효율성 평균에서는 제주공항이 순수 기술 효율

성(PTE)이 1로 가장 높은 것으로 나타났다. 대구공항은 순수 기술 효율성이 0.71로 CCR 모형

의 기술 효율성 값(0.62)과 비슷한 결과가 나왔는데, 이는 대구공항이 규모의 측면뿐만 아니라

운영·관리의 최적화를 통해 효율성을 더 개선할 수 있는 여지가 있다고 볼 수 있다. 다른 주목

할 만한 점은 소형공항에 속하는 하위권 7개 공항이 CCR 모형의 기술 효율성 값보다 BCC

모형에서 순수 기술 효율성 값이 훨씬 높게 나왔는데, 이는 관리·운영적 측면의 비효율성 보

다는 규모 측면의 비효율성에 크게 영향을 받는 것으로 해석된다. 즉, 다른 공항에 비해 규모

의 효율성이 매우 떨어지는 편이다.

<그림 4> BCC모형 – 공항별 순수 기술 효율성(PTE) 평균

<표 10>에서 규모 수익이 IRS인 공항들은 적정 규모 유지를 통한 효율성 제고 방안을 수립

해 수익성의 향상을 기대할 수 있을 것으로 보이며, 규모 수익이 유일하게 DRS인 김포공항은

관리·운영의 효율성을 제고하여 전체 효율성 향상을 기대할 수 있는 것으로 보여진다. 대구공

항은 2009 ~ 2017년 까지 규모수익이 IRS였으나, 2018년은 수모수익이 CRS로 규모 효율성이

좋아진 것으로 해석된다.



3) 공항 효율성 순위 결과

<표 11>은 <표 10>에서 분석된 효율성 결과를 기준으로 연도별·모형별 효율성 순위를 나

타낸다. 대구공항은 기술 효율성(TE)에서 2009년부터 2016년까지 5위에서 8위 사이를 유지하

다가 2017년은 4위, 2018년은 1위로 나타났다. 대구공항은 CCR 모형의 의한 기술 효율성(TE)

이 BCC모형에 의한 순수 기술 효율성(PTE) 보다 상대적으로 더 높은 순위를 나타내었는데,

이는 규모의 비효율 문제보다 기술적 비효율 문제가 상대적으로 더 큰 상황임을 추정할 수

있다. 이는 운영·관리적 측면을 개선하여 공항의 효율성을 개선할 수 있다는 것을 의미한다.

반면, 비슷한 규모의 광주공항의 경우 2010년, 2011년, 2012년, 2015년, 2017년에 순수 기술 효

율성이 기술 효율성 보다 더 높은 순위를 나타내었는데, 이는 규모의 비효율 문제가 상대적으

로 더 큰 상황임을 의미한다. 이는 2008년 무안국제공항으로 국제선 이전에 따른 항공 수요

감소가 원인으로 보여진다.

공항명

2018 2017 2016 2015 2014 2013 2012 2011 2010 2009

TE PTE TE PTE TE PTE TE PTE TE PTE TE PTE TE PTE TE PTE TE PTE TE PTE

김포공항 5 1 5 1 3 1 4 1 4 1 4 1 1 1 1 1 3 1 4 1김해공항 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 6 1 1 1 1제주공항 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1대구공항 1 1 4 7 5 8 5 8 5 9 5 8 6 9 5 8 7 8 6 8광주공항 4 1 3 1 4 6 3 1 1 1 1 1 4 1 4 1 4 1 1 1청주공항 6 11 6 11 6 10 6 11 6 11 6 10 7 10 7 13 8 12 7 12울산공항 8 12 8 13 8 14 9 14 9 14 9 14 9 14 8 12 5 9 5 11양양공항 14 8 14 8 14 7 13 7 14 1 14 7 14 7 14 7 14 1 14 1여수공항 9 14 9 14 9 13 8 13 8 13 8 12 8 13 9 11 9 14 9 14사천공항 10 9 10 9 10 9 10 9 10 10 10 9 10 8 11 10 10 9 8 9포항공항 13 13 13 12 13 11 14 10 13 8 12 11 12 10 12 9 11 11 11 10군산공항 7 1 7 1 7 1 7 1 7 1 7 1 5 1 6 1 6 1 10 7원주공항 11 1 11 1 11 1 11 1 11 1 11 1 11 1 10 1 12 1 12 1무안공항 11 10 12 10 12 12 12 11 12 12 13 12 13 12 13 14 13 13 13 13

<표 11> 연도·모형별 효율성 점수 순위

2. CCR/BCC 모형의 민감도(Sensitivity) 분석

DEA는 비모수적 방법론의 한계로 인해 여러 비판이 존재하는데, 그 중 하나가 투입·산출

변수를 추가하거나 삭제하는 경우 DMU의 효율성 여부가 상이하게 나타날 수 있다는 점이다

(Sexton et al, 1986). 변수의 변화에도 DEA의 결과가 크게 달라지지 않았다는 연구결과도 보

고되고 있으나(Cooper, 2011), 본 연구에서는 민감도 분석을 통해 연구의 신뢰성을 더욱 확보

하고자 한다. DEA에서 민감도를 분석하는 방법은 다음 <표 12>와 같다.

150 한 근 수 · 전 민 준


민감도 분석 방법 연구자

투입·산출 변수의 값을 일정한 비율로 변화하여 분석 Rousseau and Semple, 1993

각 변수의 값의 개별적인 변화를 활용하여 분석 Seiford and Zhu, 1998

부트스트랩핑 기법을 활용한 분석 Simar and Wilson, 1998; Bogetoft and Otto, 2011

투입·산출변수를 추가 또는 삭제, 변경하여 변수별 변화 값 분석 Cooper et al, 2011

효율성값과순위를민감도크기로정의하고, 극단값을제거하여분석 탁현우, 고길곤, 2015

<표 12> DEA의 민감도 분석 방법

본 연구에서는 변수 구성을 달리 하였을 경우 DEA 효율성 값에 대한 민감도를 조사하기

위해 Cooper (2011)가 제안한 방법을 일부 적용하였다. DEA 민감도 분석에서 유의할 점은

DEA에서 효율성 값의 크기는 DMU에 따른 상대적인 값이기 때문에 DMU의 순위가 DMU간

상대적 중요성의 변화를 통해 민감도를 더 잘 나타낸다는 점이다(탁현우·고길곤, 2015). 따라

서 본 연구의 민감도에 대한 조작적 정의는 투입·산출 변수 변화에 따른 효율성 순위의 변화

로 규정한다.

투입변수는 인건비, 운영비 변수를 따로 분리하여 공항 수요 측면(연간 여객 처리실적, 연간

운항 횟수)과 공항 재무적 실적(공항수익) 관점의 산출변수에 대하여 민감도 분석을 수행하였

다. 또한, 기존 모형에서는 포함하지 않은 ‘종업원수’ 를 투입변수로 넣어 대체 모형을 구축하

였다. 변수의 구성을 다르게 한 6개의 대체모형은 다음 <표 13>에 제시되어 있다.

DEA 모형 투입변수 산출변수

원모형 인건비, 운영비 연간 여객 처리실적, 연간 운항 횟수, 공항수익

모형1 인건비 연간 여객 처리실적, 연간 운항 횟수

모형2 인건비 공항수익

모형3 운영비 연간 여객 처리실적, 연간 운항 횟수

모형4 운영비 공항수익

모형5 종업원수 연간 여객 처리실적, 연간 운항 횟수, 공항수익

모형6 종업원수 공항수익

<표 13> 투입·산출 변수 대체 모형

2008년 데이터를 이용하여 모형별 효율성에 따른 민감도 분석을 수행하였다. 결과는 <표

14>과 같다. 또한, DEA의 비모수적인 특성을 고려하여 <표 14>의 각 모형별 결과값에 대해

Spearman 순위 상관계수 분석을 시행하였다.



공항명

모형1 모형2 모형3 모형4 모형5 모형6

TE

(CRS)

PTE

(BCC)

TE

(CRS)

PTE

(BCC)

TE

(CRS)

PTE

(BCC)

TE

(CRS)

PTE

(BCC)

TE

(CRS)

PTE

(BCC)

TE

(CRS)

PTE

(BCC)

김포공항 0.561 1 0.811 1 0.51 1 0.748 1 0.561 1 0.812 1

김해공항 0.659 0.675 1 1 0.648 0.65 1 1 0.658 0.675 1 1

제주공항 1 1 0.805 0.812 1 1 0.816 0.819 1 1 0.806 0.813

대구공항 0.48 0.701 0.294 0.554 0.443 0.467 0.276 0.387 0.48 0.699 0.294 0.55

광주공항 0.753 1 0.389 0.701 1 1 0.525 0.717 0.754 1 0.39 0.697

청주공항 0.38 0.54 0.198 0.391 0.454 0.471 0.241 0.347 0.38 0.539 0.199 0.388

울산공항 0.379 0.531 0.217 0.401 0.583 0.601 0.339 0.471 0.378 0.529 0.217 0.397

양양공항 0 1 0.003 1 0 0.159 0.001 0.159 0 1 0.003 1

여수공항 0.214 0.368 0.056 0.23 0.405 0.47 0.107 0.26 0.215 0.368 0.056 0.229

사천공항 0.216 0.627 0.07 0.501 0.417 0.689 0.138 0.523 0.218 0.626 0.071 0.498

포항공항 0.29 0.624 0.067 0.431 0.315 0.423 0.074 0.257 0.287 0.615 0.067 0.421

군산공항 0.163 0.727 0.092 0.669 0.34 0.789 0.196 0.756 0.163 0.721 0.093 0.662

원주공항 0.132 1 0.066 0.945 0.277 1 0.141 1 0.131 0.98 0.065 0.923

무안공항 0.089 0.489 0.043 0.45 0.085 0.233 0.042 0.223 0.089 0.484 0.044 0.444

<표 14> 2008년 모형별 효율성에 따른 민감도 분석

CCR, BCC 모형에서 모형 간 Spearman 순위 상관계수를 분석한 결과는 <표 15>, <표16>

과 같다. CCR 모형에서는 각 모형 간 상관계수의 값은 대체적으로 높게 나타났다. BCC 모형

에서는 원모형과 대체모형 간 상관관계는 모두 유의하였으나, 일부 대체모형 간 상관관계가

유의하지 않게 나왔다. 이는 BCC 모델 적용 시 규모의 효율성을 고려하여 적절한 변수를 고

려해야 한다는 것을 의미한다. 원모형의 관점에서 원모형과 대체모형 간 상관관계는 모두 유

의하고 그 값이 대부분 높은 것으로 보아 본 연구의 변수선정은 적절했다고 생각되며, 민감도

는 그렇게 높지 않은 것으로 분석된다.

구분　 원모형 모형1 모형2 모형3 모형4 모형5 모형6

원모형 1 　　　　　　

모형1 0.956** 1 　　　　　

모형2 0.938** 0.921** 1 　　　　

모형3 0.988** 0.942** 0.898** 1 　　　

모형4 0.938** 0.886** 0.969** 0.913** 1 　　

모형5 0.956** 1.000** 0.921** 0.942** 0.886** 1 　

모형6 0.938** 0.921** 1.000** 0.898** 0.969** 0.921** 1

<표 15> CCR 모형 간 Spearman 순위 상관관계

152 한 근 수 · 전 민 준


구분 원모형 모형1 모형2 모형3 모형4 모형5 모형6

원모형 1 　　　　　　

모형1 0.940** 1 　　　　　

모형2 0.937** 0.847** 1 　　　　

모형3 0.569* 0.570* 0.397 1 　　　

모형4 0.636* 0.531 0.552* 0.895** 1 　　

모형5 0.930** 0.989** 0.839** 0.538* 0.484 1 　

모형6 0.937** 0.847** 1.000** 0.397 0.552* 0.839** 1

<표 16> BCC 모형 간 Spearman 순위 상관관계

3. 대구공항과 타 공항간 비교 분석

1) 대구공항 비효율성 분석 결과

DEA 모형에서는 비효율적인 DMU들이 상대적으로 효율적인 DMU와 비교를 통해 벤치마

킹해야 할 준거집단(Reference unit or set)을 제시하며, 동시에 투입물과 산출물의 가중치

(weight)인 람다(Lamda, λ)값을 통해 증가 또는 감소시켜야할 투입·산출요소의 양을 제공한

다. 따라서 비효율적인 DMU는 준거집단과 비교를 통해 효율성 개선을 모색할 수 있다.

다음 <표 17>은 연도별 대구공항 비효율성 분석 결과이다. 대구공항이 벤치마킹해야 하는

공항으로 참조빈도가 높고 가중치가 높은 광주공항, 원주공항 등의 두 공항이 벤치마킹 대상

으로 선정되었다. 제주공항의 경우 참조빈도는 높으나 가중치가 적어 벤치마킹 대상으로는 부

족하다 생각된다. 2018년을 제외한 가장 최근 대구공항이 벤치마킹해야 하는 DMU로는 광주

공항이 2017년 기준 가중치가 0.807로 대구공항이 적극적으로 벤치마킹해야하는 대상으로 분

석되었다.

연도 PTE 준거집단(가중치 λ) λ의 합

2018 1 - - -

2017 0.952 군산공항(0.117) 제주공항(0.076) 광주공항(0.807) 1

2016 0.833 제주공항(0.095) 원주공항(0.905) - 1

2015 0.838 제주공항(0.081) 광주공항(0.071) 원주공항(0.848) 1

2014 0.74 제주공항(0.066) 광주공항(0.148) 원주공항(0.786) 1

2013 0.623 제주공항(0.042) 원주공항(0.696) 광주공항(0.262) 1

2012 0.597 제주공항(0.064) 원주공항(0.936) - 1

2011 0.633 제주공항(0.070) 원주공항(0.930) - 1

2010 0.631 제주공항(0.074) 원주공항(0.926) - 1

2009 0.711 광주공항(0.477) 제주공항(0.028) 원주공항(0.495) 1

<표 17> 연도별 투입지향 BCC 모형 적용 대구공항 벤치마킹 정보



2) 변수에 따른 대구공항과 타 공항 간 비교분석 결과

본 절에서는 대구공항과 규모가 비슷한 중형 공항을 중심으로 효율성에 쓰인 변수들 위주

로 비교해보고자 한다. 본 연구에서 분류한 중형공항에는 대구공항, 청주공항, 광주공항 등이

있다. 특히, 광주공항은 대구공항의 비효율성 분석에서 대구공항이 최근 벤치마킹 대상으로

삼아야 하는 공항으로 분석되었다.

본 연구에서 분류한 중형공항을 비교하면 <그림 5>와 같다. 종업원당 여객수, 운항횟수는

대구공항이 2014년 이후 3개 공항 중 가장 앞서는 것으로 나타났다.

<그림 5> 중형 공항 종업원당 여객수/운항횟수

<그림 6> 에서 대구공항의 벤치마킹 대상인 광주공항이 전체 기간에서 가장 낮은 종업원

당 운영비를 가진다는 것을 알 수 있다. <표 19>의 중형공항의 평균 운영비에서, 광주공항은

대구공항의 약 60%, 청주공항의 50%로 광주공항 운영비가 가장 낮은 수준으로 나타났다. 이

는 대구공항의 벤치마킹 대상으로 분석된 주요한 원인이 운영비에 있다고 판단된다.

<그림 6> 중형공항의 종업원당 운영비 비교

154 한 근 수 · 전 민 준


<그림 7>에서 여객당 인건비는 청주공항이 가장 높은 수준을 가지고, 대구공항은 광주공항보다

2014년까지는 높았다가 이후 더 낮은 수준을 보인다. 그러나 여객당 운영비에서는 2017년까지 광

주공항이 가장 낮은 수준을 보이고 있어 여객당 인건비와 차이를 보인다. 이는 인건비가 운영비에

차지하는 비중이 타 공항보다 광주공항이 낮다는 것을 의미하며, 인건비를 제외한 운영비에서 효

율성의 차이가 난다고 보여진다.

<그림 7> 중형 공항 종업원당 여객수/운항횟수

<그림 8>에서 운항횟수당 인건비와 운항횟수당 운영비는 여객당 인건비와 여객당 운영비와 비

슷한 추세를 보이며, 두 지표의 차이 또한 운영비의 차이에서 비롯되는 것으로 생각된다.

<그림 8> 중형 공항 운항횟수당 인건비/운영비



Ⅴ. 결 론

1. 연구의 시사점

(1) 국내 공항의 시사점

본 연구에서는 대구공항을 중심으로 국내 14개 공항들에 대한 효율성을 파악하였다. 투입

요소를 최소화하는 투입지향적(Input-oriented) CCR/BCC모형을 이용하여 국내 14개 공항을

대상으로 효율성과 규모수익을 분석한 결과, CCR/BCC 두 개의 모형 모두에서 상위 3개의

공항(김포공항, 제주공항, 김해공항)은 상대적으로 효율적인 공항으로, 대구공항이 포함된 중

형 공항(광주공항, 청주공항)은 일부 효율적으로, 나머지 소형 공항은 대부분 비효율적으로

분석되었다. 특히, 국내 전체 공항에서 소형공항의 효율성 개선이 시급한 것으로 나타났는데

효율성이 낮은 지방공항의 경우, 실제로 수요부족, 과다한 운영 유지비 등으로 만성적인 적

자 경영구조를 가지고 있다. 예를 들어, 다음 <표 18>의 2009~2018년 공항별 평균 운영비

당(1백 만원) 평균 여객수는 대형공항 약 139명, 중형공항 약 118명인데 비해, 소형공항은 약

28명으로 매우 저조한 것을 알 수 있다. 이는 수요에 따른 운영비용의 증가가 아닌 기본적인

공항유지비용 때문에 수요와 관계없이 들어가는 비용이 상당하기 때문으로 생각된다.

분류 공항명평균 운영비

(백만원)

평균 여객수

(명)

운영비당 여객수

(명)분류별 평균 여객수

대형

김포공항 2,143,659 210,260,870 98.09

138.52김해공항 932,399 113,722,504 121.97

제주공항 1,142,050 223,270,279 195.50

중형

대구공항 170,927 19,269,286 112.73

117.63광주공항 100,495 15,421,619 153.46

청주공항 143,866 6,534,643 86.71

소형

울산공항 205,387 17,809,756 45.42

27.99

양양공항 140,334 552,905 3.94

여수공항 140,495 5,538,561 39.42

사천공항 59,892 1,518,269 25.35

포항공항 122,441 1,751,723 14.31

군산공항 37,261 1,949,365 52.32

원주공항 28,393 776,575 27.35

무안공항 130,787 2,064,731 15.79

<표 18> 공항별 운영비(1백만원)당 여객수

156 한 근 수 · 전 민 준


(2) 대구공항의 시사점

대구공항은 벤치마킹 대상인 광주공항과 비교할 때, 전체 평균 인건비는 약 1.2배로 비슷

한 수준이지만, 평균 운영비는 약 1.6배로써, 운영비가 대구공항의 효율성을 저해하는 주요

원인으로 분석되었다. 대구공항의 운영비당 여객수 역시 113명으로 광주 153명보다 떨어지

는 수준으로 나타났다. 대구공항의 운영비가 과다한 이유로는 민·군 겸용 공항으로서 그 특

성상 군의 항공 운영비가 전체 대구공항 운영비에 전가되어 비용이 늘어난 것으로 생각된다.

본 연구의 분석결과를 살펴보면, 대구공항은 CCR/BCC 모형에서 평균 순수 기술 효율성 값

(0.71)과 평균 기술 효율성 값(0.62)이 비슷한 수치로 나타났으나, 순위의 비교에서 CCR 모형

의 의한 기술 효율성(TE)이 BCC모형에 의한 순수 기술 효율성(PTE) 보다 상대적으로 더

높은 순위로 나타나, 기술적 비효율 문제가 규모의 비효율 문제보다 상대적으로 더 크다고

해석되었다. 이는 우선적으로 규모 측면보다 운영·관리의 최적화를 통해 대구공항 효율성을

더 효과적으로 개선해야 한다는 것을 의미한다.

그리고 규모의 측면에서 대구공항을 살펴보면, 2018년 대구공항의 규모 수익은 규모수익

불변(CRS)이나, 2017년까지 규모수익체증(IRS)의 상태였던 것으로 분석된다. 즉. 대구공항

에는 규모의 경제가 아직 존재한다고 보여지며, 비록 운영·관리적 측면이 우선적으로 다루어

져야 할 부분이나 이착륙을 위한 시설, 부대시설, 수용규모 등 공항 운영규모도 효율성 개선

을 위해 새롭게 고려해야 하는 것으로 생각된다.

기술효율성과 규모수익 둘 다의 측면에서 공항의 경영진의 노력만으로는 달성하기 힘들

수도 있으며, 운영의 개선뿐만 아니라 지속적이고 과감한 정부의 지원이 필요하다. 이를 위

해 대구공항에게 통합신공항으로의 이전은 기회가 될 수 있다. 운영·관리측면의 개선, 공항

규모의 확장, 공항접근성 개선, 슬롯의 확대 등 기존 공항 확장이나 여건 개선으로는 풀기

힘든 문제들을 신공항 이전으로 처음부터 다시 새롭게 구축할 수 있기 때문이다. 타 지역 공

항의 경우 확장·이전 결정 과정에 많은 문제가 발생하고 있다. 김해공항의 경우 확장으로 결

론이 났지만 지역사회의 반대에 부딪혀 난항을 겪고 있는 중이고, 제주공항은 사전타당성 검

토에서 확장은 타당성이 없는 것으로 판단되어, 제2공항 건설을 위해 다각적으로 검토하고

있으나 이 역시 지역사회의 반대로 난항을 겪고 있는 중이다. 대구공항도 이전부지 선정에

잡음이 들려오나, 여러 여건을 고려했을 때 신공항으로의 이전은 거의 결정된 사항이라 볼

수 있다.

본 연구 결과를 활용하여 신공항으로의 적절한 규모의 확장, 최적화된 운영 등의 방안을

세우는 데 도움을 줌으로써 현 대구공항보다 더욱 효율성 있는 신공항으로 거듭날 수 있을

것이다.



2. 연구의 한계

본 연구에서는 DEA의 CCR/BCC 모형을 적용하여 각 공항의 효율성을 분석하였으나, 다음

과 같은 방법론적, 수집 데이터 측면, 공항 특성 고려 등 연구의 한계점이 존재한다.

첫 번째, 본 연구에서 사용한 CCR/BCC 모형의 DEA 방법은 횡단면분석의 일종으로 특정

한 시점의 투입·산물 변수를 고려하여 효율성을 측정하기 때문에 각 독립된 DMU의 생산성

증가, 환경 변화에 따른 자원의 변화 등을 고려할 수 없다는 단점이 있다. 시계열, 동태적 측면

을 살펴보기 위해서는 시계열 분석 방법론인 Malmquist 생산성 분석 또는 추세, 안정성, 계절

적 변동이 확인 가능한 DEA/window 분석 등과 같은 방법론이 필요하다. 특히, DEA/window

분석은 동일한 DMU라 하더라도 각 시점에 따라 서로 다른 DMU로 가정하기 때문에, 투입·

산출 변수의 수에 비해 DMU의 수가 적더라도 타당성 확보가 용이한 면이 있다. 이는 여러

투입·산출 변수를 사용할 수 있다는 것을 의미하고, 다양한 관점으로 분석을 시도할 수 있다.

특히, 대구공항은 투입·산출 대비 생산성이 꾸준히 상승해왔기 때문에 적절한 투입·산출 변수

를 선정하여 추후 연구에서 시계열·동태적 분석을 한다면 시간에 따른 추세를 살펴볼 수 있어

또 다른 함의점을 찾아낼 수 있을 것이다.

두 번째, CCR/BCC 모형을 이용한 DEA방법론으로는 효율적(효율성 값 = 1)으로 판단된

공항들 간 비교가 불가능하다는 점이다. CCR/BCC 모형 모두에서 대형공항에 속하는 공항(김

포공항, 제주공항, 김해공항)이 효율성이 1인 경우가 많았다. 예를 들어, 2018년 CCR 모형에

서 제주공항, 김해공항, 대구공항의 효율성은 모두 1로써, 이들 공항 간 효율성 비교가 불가능

하였다. 이는 확장된 DEA 모형인 초효율성 분석(Super-CCR/BCC)을 통해 본 CCR/BCC 모

형의 한계를 극복할 수 있다. 추후 연구에서 초효율성에 대한 추가 연구를 통해 효율적인

DMU간 분석을 하여 가장 효율적인 공항과 새로운 벤치마킹 공항을 찾아낼 수 있을 것이다.

세 번째, 본 연구에서 쓰인 변수들은 모두 재무제표에서 쓰이는 지표라는 점이다. 선행연구

에서도 활주로의 개수, 길이, 주차장의 넓이 등 다양한 물리적 지표를 제시 하였고, 슬롯(Slot),

노선수 등 재무지표가 아닌 지표도 고려할 필요가 있다. 특히, 대구공항은 민·군 겸용 공항으

로 군이 대구공항의 슬롯을 안전상의 이유로 시간당 6회로 제한하고 있다. 이런 슬롯 제한이

대구공항 효율성에 미치는 영향에 대한 분석도 추후 연구에서 필요하다 보여진다.

네 번째, 각 공항별 특성을 충분히 고려한 공항 간의 비교가 필요하다. 본 연구에서 공항별

특성을 배제하기 위해 비항공수익을 제외한 공항수익 변수의 사용, 군집분석을 통한 각 지표

별 비교 등을 수행하였으나 본질적인 해결방법으로는 충분하지 않다고 생각된다. 군공항공동

사용여부, 국제선/국내선의 비율 등 각 공항별 특성을 충분히 검토한 후, 이러한 특성을 최대

한 통제하여 효율성 분석을 수행해야 할 것이다.

158 한 근 수 · 전 민 준


다섯 번째, 본 연구에서는 전체기간이 아닌 2008년에 대한 민감도 분석만 수행하였다. 추후

연구에서는 모든 데이터에 대해 각 시기별 민감도 분석을 수행하고 비교하여, 변수에 대한 신

뢰성을 더욱 확보해야 할 것이다.

참 고 문 헌

김제철․박진서․손흥구, 2018, ｢2019년 항공여객·화물 수요 전망｣, 한국교통연구원.

김진한․정기대, 2002, “생산 효율성에 의한 국내공항의 성과 측정”, ｢로지스틱스연구｣, 10(2): 17-35.

김형기․이장원․최창열, 2007, “DEA 기법을 활용한 국내 주요공항의 효율성 평가”, ｢유통경영학회지

｣, 10(2): 19-40.

김홍섭․박정림, 2013, “세계주요공항운영효율성분석: DEA와Malmquist 생산성지수분석을중심으로”,

｢유통과학연구｣, 11(8): 5.

유석천․맹결․임성묵, 2017, “2단계네트워크 DEA를이용한세계주요공항성과분석”, ｢품질경영학회지｣,

45(1): 65-92.

이재구․홍석진․임춘우, 2009, “아시아주요공항의효율성분석 -DEA와초효율성분석을중심으로-”, ｢한국

항공경영학회지｣, 7(3): 3-12.

탁현우․고길곤, 2015, “자료포락분석에서 극단값에 따른 민감도 분석 - 공기업 효율성 평가를 중심으로 -”,

｢한국정책학회보｣, 24(3): 183-205.

홍석진․문형진, 2005, “국내지방공항의운영성과분석 - WLU를이용한DEA모형의적용”, ｢대한교통학회지

｣, 23(8).

Adler, N. and Berechman, J., 2001, “Measuring airport quality from the airlines’ viewpoint: an application

of data envelopment analysis”, Transport Policy, 8(3): 171-181.

Banker, R. D., Charnes, A., and Cooper, W. W., 1984, “Models for the Estimation of Technical and Scale

Efficiencies in Data Envelopment Analysis”, Management Science, 30: 1078-1092.

Bazargan, M., and Vasigh, B., 2003, “Size versus Efficiency: a Case study of US commercial Airports”,

Journal of Air Transport Management, 9(3): 187-193.

Bogetoft, P. and Otto, L., 2011, Benchmarking with DEA, Sfa, and R.:Springer.

Boussofiane, A., Dyson, R. G., and Thanassoulis, E,. 1991, “Applied Data Envelopment Analysis”, European

Journal of operational research, 52(1): 1-15.

Charnes, A., Cooper, W. W., and Rhodes, E. 1978, “Measuring the Efficiency of Decision Making Units”,

European Journal of Operational Research, 2(6): 429-444.

Cooper, W. W., Li, S., Seiford, L. M., and Zhu, J., 2011, Sensitivity analysis in DEA, In Handbook on Data

Envelopment Analysis: Springer.



Cooper, W. W., Seiford, L. M., and Tone, K., 2001, “Data Envelopment Analysis: A Comprehensive Text

with Models, Applications, References and DEA-solver Software”, Journal-operational Research

Society, 52(12): 1408-1409.

Dyson, R.G., R. Allen, A.S. Camanho, V.V. Podinovski, C.S. Sarrico, and E.A. Shale, 2001, "Pitfalls and

Protocols in DEA", European Journal of Operational Research, 132(2): 245-259.

Ennen, David, and Irem Batool, 2018, “Airport Efficiency in Pakistan-A Data Envelopment Analysis with

Weight Restrictions”, Journal of Air Transport Management, 69: 205-212.

Farrell, M. J., 1957, “The Measurement of Productive Efficiency”, Journal of the Royal Statistical Society,

120(3): 253-290.

Gillen, D., and Lall, A., 1997, “Developing measures of airport productivity and performance: an application

of data envelopment analysis”, Transportation Research Part E: Logistics and Transportation

Review, 33(4): 261-273.

Hong, S. J., and Jeon, M., 2019, “The Technical Efficiency of French Regional Airports and Low-cost

Carrier Terminals”, Sustainability, 11(18): 5107.

Nataraja, N. R., and Johnson, A. L,. 2011, “Guidelines for Using Variable Selection Techniques in Data

Envelopment Analysis”, European Journal of Operational Research, 215(3): 662-669.

Martı́n-Cejas, R. R., 2002, “An Approximation to the Productive Efficiency of the Spanish Airports Network

Through a Deterministic Cost Frontier”, Journal of Air Transport Management, 8(4): 233-238.

Mostafa, M. M., 2009, “Benchmarking the US Specialty Retailers and Food Consumer Stores Using Data

Envelopment Analysis”, International Journal of Retail & Distribution Management.

Pels, E., Nijkamp, P., and Rietveld, P. 2003. “Inefficiencies and Scale Economies of European Airport

Operations”, Transportation Research Part E: Logistics and Transportation Review, 39(5): 341-361.

Rousseau, J. J., and Semple, J. 1993, “Categorical Outputs in Data Envelopment Analysis”, Management

Science, 39(3): 384-386.

Sarkis, J., 2000, “An Analysis of the Operational Efficiency of Major Airports in the United States”, Journal

of Operations Management, 18(3): 335-351.

Seiford, L. M., and Zhu, J., 1998, “Sensitivity Analysis of DEA Models for Simultaneous Changes in All

the Data”, The Journal of the Operational Research Society, 49(10): 1060-1071.

Sexton, T. R., Silkman, R. H., and Hogan, A. J., 1986, “Data Envelopment Analysis: Critique and

Extensions”, New Directions for Program Evaluation, 1986(32): 73-105.

Simar, L., and Wilson, P. W., 1998, “Sensitivity Analysis of Efficiency Scores: How to Bootstrap in

Nonparametric Frontier Models”, Management Science, 44(1): 49-61.

Shephard, R., 1970, Theory of Cost and production Functions, Princeton: Princeton University Press.

논문접수일：2020. 02. 07, 심사완료일：2020. 03. 24. 최종원고：2020. 03. 26.

대구공항의 효율성 및 규모수익 분석 · 2020-04-14 · 대구공항의 효율성 및...

Documents

Transcript of 대구공항의 효율성 및 규모수익 분석 · 2020-04-14 · 대구공항의 효율성 및...