基于演化博弈的民航旅客群體性事件處置策略

袁 佳，邵 荃

(南京航空航天大學民航學院，南京 211106)

隨著民航業迅猛發展，各家航空公司紛紛增加航線以滿足日益增長的旅客需求，因此航班延誤問題也愈發突出，在此背景下，旅客極其容易產生不滿情緒，繼而引起旅客群體性事件的發生，這無論是對旅客、機場、航空公司，還是其他各方都將會產生相當惡劣之影響。

文獻[1]在分析航班延誤定義及原因的基礎之上，研究旅客群體性事件處置中存在的問題，從而對此提出合理且有效的應對策略。文獻[2]構建了基于最大偏差原則的多屬性評價模型，以此來研究分析群體性突發事件的矛盾對抗性特征，最后再結合真實案例，從而分析全樣本的調查數據。文獻[3]對社會燃燒的相關研究與成果進行分析及總結，然后在此基礎之上，再對延誤所導致的各種相關突發情況的現狀及原因進行分析，并提出相應的處置對策及原則。文獻[4]以廣州白云國際機場相關突發狀況作為研究分析對象，然后對民航業內所發生的群體性事件，其主要特點、原因，以及于目前舉措方面有所制約的相關因素進行總結，并從事前、事中及事后三個方面分別提出應對的具體措施。此外，文獻[5]將演化博弈理論、系統論、突變理論及社會網絡分析等基礎知識全部結合在一起，然后在此基礎之上，再分析大面積延誤背景中，為何會發生群體性事件，其自身是否存在著相關的誘發因素，并最終構建了非線性的預警機制。而文獻[6]基于動力學模型、前景理論和動態博弈方法，研究不同延誤處置策略對旅客滿意度及航空公司經濟效益的影響作用。文獻[7-9]則是從旅客角度出發，研究了不同情景中旅客間的相互影響及情緒變化。

目前對于群體性事件處置的研究主要集中于分析群體性事件的原因、特點及處置中存在的問題，并基于此提出相關的策略和措施，卻忽略了在大面積航班延誤情景中，由于同一候機區域有著多個航班的旅客，旅客的情緒與滿意度變化不僅取決于所乘航空公司采取的處置措施，而且會不可避免地受到其他航空公司實施策略的影響。因此必須平衡不同航班旅客群體的服務需求和滿意度，協調多家航空公司處置方案，構建更加行之有效的對群體性事件處置策略模型。

現結合演化博弈的相關理論，對各航空公司之間的演化博弈過程進行分析，從而建立航空公司處置策略模型，并對航空公司相應收益與旅客滿意度變化之間的關系進行定義。最后，在以上模型建立與分析的基礎之上，以深圳寶安國際機場T3航站樓為仿真對象，運用Anylogic軟件來模擬大面積航班延誤情境中航空公司處置措施對旅客情緒的影響效果，從而為有效防控旅客群體性事件提供方法。

1 航班延誤航空公司處置策略模型

1.1 模型建立

現假設有一個航線航班由航空公司Ai提供(i=1,2)，其中航空公司A1代表定位于中高端旅客的傳統全服務型航空公司，此類航空公司追求品質、注重旅客體驗，市場占有率高、機隊規模大且航班密集；而航空公司A2則為低成本航空公司，其重點滿足消費者對于出行服務經濟、便利的需求，通常使用單一機型與單級艙位，同時其主要特色為低票價且無附加服務。以航空公司A1和A2為參與主體建立了博弈模型，表1所示為博弈雙方的收益矩陣。

表1 航空公司處置策略博弈收益矩陣

如表1所示，其中，M1表示航空公司恢復航班/提供退改簽服務，該措施對于旅客的情緒具有快速、顯著的提升效果；M2表示航空公司提供餐飲休息服務/經濟補償，該措施可以在剛實施的一段時間內緩解旅客因航班延誤而產生的不滿情緒，但隨著航班延誤時間的不斷增加，其作用效果也會逐漸減弱。

在該博弈中，對其收益矩陣做如下假定：航空公司A1和A2的收益相當，均設定為R；當航空公司A1和A2均選擇策略M1時，則存在飛機油耗以及調機費用等成本，將該運行成本設定為C1；當航空公司A1和A2均選擇策略M2時，將為旅客提供的食宿成本或經濟補償假設是C2；若航空公司A1與A2各采取M2與M1，則前者那部分迫切需求出行的旅客會產生不滿情緒，旅客的滿意度下降，航空公司A1因此而產生的損失設定為L，而航空公司A2由于積極恢復航班來避免間接影響產生的損失，將其假設是K。同樣，航空公司A1與A2各采取M1與M2，則后者雖有部分迫切需求出行的旅客會產生不滿情緒，但由于低成本航空公司本身性質及定位的原因，航空公司A2因此而產生的損失會比較少，暫且忽略不計，而航空公司A1由于積極恢復航班來避免間接影響產生的損失，把其假設是K。根據上述的設定能夠知道：C1>C2，K>L，同時R、C1、C2、L、K全部為正值。

定義A1與A2采取策略M1的概率分別為x和y，則A1采取策略M2的概率為1-x，A2采取策略M2的概率為1-y。采取M1、M2策略的航空公司A1邊際期望收益值為

U11=y(R-C1)+(1-y)(R-C1+K)

(1)

U12=y(R-C2-L)+(1-y)(R-C2)

(2)

航空公司A1的期望收益為

U1=xU11+(1-x)U12

(3)

同樣，采取M1、M2策略的航空公司A2邊際期望收益值為

U21=x(R-C1)+(1-x)(R-C1+K)

(4)

U22=x(R-C2)+(1-x)(R-C2)

(5)

航空公司A2的期望收益為

U2=yU21+(1-y)U22

(6)

參考這些結果，可以列出相對應的動態方程。A1選擇M1的增長率動態方程為

(7)

A2選擇M1的增長率動態方程為

(8)

對式(7)和式(8)改寫為

(9)

式(9)中：Mx=-(K-L),Nx=C1-C2-K,My=-K,Ny=C1-C2-K。

因此，策略平衡點分別是：Ο(0,0)，A(0,1)，B(1,0)，C(1,1)。

該系統的Jacobian矩陣為

(10)

(1)若K+C2-C1<0。

此時，航班延誤下航空公司處置策略演化的復制動態關系能夠以平衡點相圖，如圖1(a)所示，圖S(x,y)為A1和A2之間的動態博弈過程。當K+C2-C1<0時，演化穩定策略只有點A(0,1)，即表示航空公司A1和A2經過長期反復博弈。

圖1 復制動態關系圖

(2)若K+C2-C1>0且C1-C2-L>0。

1.2 模型分析

由上述理論模型可知，于各種情景中，雙方通過多次博弈會最終處于不同的演化穩定狀態，同時，其最終策略由C1、C2與K及L的相互關系來決定。

(1)在第一種穩定狀態中，K+C2-C1<0，則R-C1+K

此時，(M2,M2)構成該博弈模型的嚴格納什均衡，即在此種情況下，當航班延誤發生時，各航空公司均會趨向于為延誤旅客提供餐飲休息服務或經濟補償以安撫旅客情緒。

在這種情況下，各航空公司的旅客得到的服務體驗是類似的，其滿意度均會在一段時間內有所提升，但是隨著航班延誤時間的不斷增長，這些安撫舉措的作用也會逐漸減弱，旅客群體中不滿情緒的旅客數量又會有所提升，因此需要加強后續的干預，防控群體性事件的發生。

(2)在第二種穩定狀態中，K+C2-C1>0且C1-C2-L>0，則R-C1+K>R-C2且R-C2-L>R-C1。

此時，(M2,M1)構成該博弈模型的嚴格納什均衡，即在此種情況下，當航班延誤發生時，傳統全服務型航空公司將趨向于為延誤旅客提供餐飲休息服務或經濟補償，而低成本航空公司則會趨向于恢復航班或給延誤旅客提供退改簽服務以安撫其情緒。

在這種情況下，首先由于采取措施的差異，各航空公司的旅客之間會產生服務體驗落差，其滿意度均會受到其他旅客接受的服務價值的影響，因此可以通過提高服務質量、增加經濟補償等手段，從而提升旅客滿意度、穩定旅客情緒。其次，由于不同航空公司性質與定位的不同，以及相應旅客期望和容忍水平的差異，各航空公司之間也應當統籌規劃，確定合理的策略組合，從而有效且經濟地防控群體性事件的發生。

2 仿真實驗及結果分析

2.1 仿真場景描述

結合目前已有基于智能體的相關仿真建模方法研究[10-12]，在上文對大面積航班延誤情景下旅客滿意度以及航空公司相應處置策略的研究基礎上，以Anylogic仿真軟件作為仿真平臺，構建樞紐機場大面積航班延誤情景下航站樓候機區內群體旅客的虛擬場景。

據相關數據顯示，2019年深圳寶安國際機場實際出港航班量為17.19萬班次，出港運力同比增長8.09%，出港準點率為73.71%，起飛平均延誤32.72 min。參照去年四月份發生的大面積延誤，選擇10架航班的相關訊息(進行仿真實驗時只保留其位置，對于實際起飛時間等信息則根據實驗時的具體需求進行另外設定)。

然后，把這些航班放到實際航站樓出發層中去，得到其登機口分布情況，為便于實驗與分析，不妨把該具體分布圖進行簡化，結果如圖2所示。

圖2 簡化版登機口分布圖

2.2 情景假設及實驗模擬

假設航班1～3是屬于同一航線的航班，且由航空公司A1提供，而航班4～7是屬于另一航線的航班，且由航空公司A2提供。根據已建立的航班延誤處置策略模型及相關討論分析結果，不妨假設各類成本、損失及收益之間的關系滿足條件K+C2-C1<0,即處于第一種穩定狀態中，此時若大面積航班延誤發生，則各航空公司均會趨向于為延誤旅客提供餐飲休息服務或經濟補償以提升旅客滿意度、安撫旅客情緒，從而防止群體性事件的發生。

考慮到實驗操作性并研究各策略組合下的實驗結果，假設該7個航班同時發生延誤，持續時長均已知。現對各航班的人數、延誤時間及干預成本、各航空公司的不同策略組合進行假定，如表2所示。

注：干預成本的設定與航空公司定位及航班屬性等因素有關，為便于研究與分析，且使得各策略組合的成本大小更加直觀，不妨用符號代替具體成本，如表2中，C為單位成本，通過其前面的系數來衡量不同航空公司對不同航班的干預成本大小。

表2 各航班人數、延誤時間及干預成本設置

不妨設置若做到有效防控旅客群體性事件的發生需要將不滿旅客人數控制在總人數的35%以下(該數值只為結果分析設置，具體值還由其他各方面因素決定)，故將實施干預的時間節點進行如下設置。

策略組合①：當航空公司A1、A2均分別在航班延誤發生至100 min、110 min時對延誤時長為2 h、3 h的航班旅客提供餐飲休息服務或經濟補償以安撫旅客情緒。

策略組合②：當航空公司A1、A2均分別在航班延誤發生至100 min時對延誤時長為2 h、3 h，140 min時對延誤時長為3 h的航班旅客提供餐飲休息服務或經濟補償以安撫旅客情緒。

策略組合③：當航空公司A1、A2均分別在航班延誤發生至100 min、140 min時對延誤時長為3 h的航班旅客提供餐飲休息服務或經濟補償以安撫旅客情緒。

策略組合④：當航空公司A1、A2均分別在航班延誤發生至100 min時對延誤時長為3 h的航班旅客提供餐飲休息服務或經濟補償以安撫旅客情緒，而航空公司A1在航班延誤發生至140 min又再次對延誤時長為3 h的航班實施干預舉措時。

2.3 實驗結果及分析

各策略組合下不滿情緒旅客人數占比的變化情況如圖3所示。

圖3 實施不同策略組合時不滿情緒旅客占比變化

而各策略組合下的航空公司效益(收益-成本)如圖4所示。

圖4 實施不同策略組合時航空公司收益變化

接下來，針對上述四組仿真實驗結果進行如下幾點分析及討論。

(1)首先，當航空公司A1、A2采取策略組合①時，此時無法把不滿情緒旅客人數控制在35%以下，從圖3(a)中可以清晰地看見，當工作人員的干預結束后，不滿情緒旅客人數又呈現增長態勢。因此，若是航空公司單單只讓其工作人員干預一次就放任不管顯然也會激化旅客情緒，從而很有可能導致群體性事件的發生。該實驗結果表明，航空公司應當及時采取有效措施，盡可能早地將旅客情緒控制在穩定狀態，否則就會使整個形勢變得更加嚴峻，之后便需要花費更多的各項成本才能夠安撫旅客，以防群體性事件的爆發。

(2)因此為了有效防控旅客群體性事件的發生，在策略組合②中，當航班延誤發生至140 min時，航空公司A1、A2均對延誤3 h的航班進行二次干預，從圖3(b)中可以清晰地看見，此時不滿情緒的旅客占比被控制在30%以內。該實驗結果表明，航空公司應當對延誤時間較長的航班予以充分重視，在必要時可以實施多次干預舉措，但產生的成本也會隨之增加。

(3)于是為了降低成本，在策略組合③中，航空公司A1、A2均不再對延誤時長為2 h的航班實施干預，而是令其對延誤3 h的航班實施兩次干預。實驗結果表明，如果為了降低成本，航空公司可以選擇優先對延誤時間較長的航班實施干預，從而達到更加經濟有效的控制效果。

(4)而為了進一步降低成本，在策略組合③的基礎之上，策略組合④是令航空公司A2僅在延誤進行至100 min時對延誤3 h的航班實施一次干預。實驗結果表明，當為了使總成本最小時，可以令不同類型的航空公司采取不同的手段策略，達到整體上的策略最優組合。但是從圖3(d)中可以發現，在航班延誤結束之前的一段時間內，不滿情緒旅客占比不斷攀升，若是延誤時間不止3 h，則旅客情緒很有可能不受控制。因此在考量成本的同時依然不能放松警惕，還是應當謹防群體性事件的發生。

此外，根據上述航班延誤處置策略模型的分析結果可知，采取措施的差異性也會對旅客情緒產生一定的影響。因此，在策略組合②的實施結果(圖5)中，選擇了旅客人數相似且各具代表性的兩個航班：航班2、4進行分析，其中，航班2(105名旅客)有一個相鄰航班，而航班4(103名旅客)沒有相鄰航班。這兩個航班中不滿情緒旅客人數占比的變化情況如圖5所示。

圖5 實施策略組合②時航班2、4不滿情緒旅客占比變化圖

對實施策略組合②時，航班2、4的實驗結果進行對比分析，可以發現，由于航班4沒有相鄰航班，其旅客不會受到其他航班處置措施的影響，因此不滿情緒旅客占比上升較慢，且最終占比較少。而航班2的旅客則由于相鄰航班的存在，其情緒值增長較快，表現為不滿旅客人數占比上升速度較快且占比較高。因此，在大面積航班延誤發生時，可以在條件允許的情況下，對延誤航班進行適當的隔離，從而穩定旅客情緒，有效防控群體性事件的發生。

3 結論

以旅客群體性事件的演化機理為基礎，分析航班延誤情景中不同航班旅客滿意度動態變化和不同應急處置措施組合對滿意度的提升效果，然后在此基礎上，構建航空公司處置策略模型并進行仿真實驗。本文主要研究工作如下。

(1)對各航空公司之間的演化博弈過程進行了分析，從而建立了航班延誤航空公司處置策略模型，分析不同情況下博弈系統的穩定性，并對航空公司相應收益與旅客滿意度變化之間的關系進行定義，為航空公司有效防控旅客群體性事件的發生提供處置策略方法。

(2)以某機場航站樓作為仿真對象，然后通過文獻分析及調查研究的方法設置相關參數，并運用仿真軟件來建立仿真模型，模擬大面積航班延誤下不同情景中旅客情緒的演變情況，最后對實驗結果進行了對比分析與總結，從而為有效防控旅客群體性事件提供建議。