航站樓離港旅客聚集影響因素研究

李明捷,王 濤,苗容瑜,黃欣寧

(中國民用航空飛行學院 機場學院,四川 廣漢 618307)

0 引言

隨著國民經濟持續穩定的發展,人們對于航空出行的需求逐年提升,大型民用運輸機場面臨的客流壓力越來越大,由天氣、流量管制等諸多原因導致的航班延誤、航站樓滯留旅客聚集問題時有發生。通常情況下,離港旅客進入航站樓內按照既定流程完成值機、安檢等流程之后可乘機離開,即使在機場較為繁忙的時間段也不會影響航站樓的正常運行。當發生嚴重的航班延誤或其他突發情況時,旅客無法按計劃乘機離開會導致人群聚集在航站樓內,而大量旅客長時間聚集既影響機場的正常運行也降低了航空旅客的出行體驗。

目前,對于航站樓離港旅客的相關研究主要在離港旅客資源配置、旅客離港流程仿真和流量預測等方面。針對航站樓旅客值機擁堵、等待時間較長等現象,王加冕等[1]基于蒙特卡洛仿真原理對某機場進行實例建模,發現旅客的到達時間和值機柜臺的服務時間服從負指數分布。當開放最佳值機柜臺數量時,旅客值機排隊時間可降低68%。Alodhaibi等[2]在考慮合理分配航站樓內旅客資源位置的前提下建立以隨機位置為目標函數的非線性規劃模型,通過模擬退火算法求解并驗證了模型的可行性。張天炫等[3]基于排隊論,建立以旅客等待時間為目標函數的雙排隊模型,運用該模型的實例驗證表明,一天可節約旅客時間379.151 h。在機場航站樓實際運行過程中,靜態模式下的離港旅客資源配置方式導致資源的利用率不高或難以應對航班延誤下資源的動態調整。為此,劉英等[4]基于值機和托運設備兩者間的協調關系,構建靜態資源整數規劃模型和動態調整模型。仿真結果表明2種模型下的資源配置方案可有效提高設備的利用率,降低一半以上旅客的排隊等待時間。陸迅等[5]對上海虹橋機場的離港旅客流程和行為進行調查分析,使用ServiceModel仿真軟件發現安檢是旅客離港流程的瓶頸,提出安檢優化方案以提高安檢效率。劉浩[6]使用Anylogic仿真軟件對航站樓離港旅客離港的整個流程進行模擬仿真,并以綿陽機場為實例給出離港業務流程的優化方案。張培文等[7]考慮旅客行為特征、航站樓出發廳旅客服務流程和應急疏散業務流程建立仿真模型。Zouein等[8]針對航站樓旅客離港中流程安檢和值機區域人群的聚集擁擠問題,提出錯誤使用航站樓人均空間服務水平標準和低效初始布局是導致旅客聚集擁擠的主要影響因素,基于此構建宏觀動力學模型描述離港旅客流,并對航站樓功能區重新進行區域分配。Gürsoy等[9]針對航站樓旅客值機排隊等待過長的旅客聚集現象,對埃森博阿國際機場高峰客流時段旅客值機流程進行模擬,發現開放最佳數量的值機設備有助于減少旅客聚集排隊等待時間,在新冠病毒流行期間航站樓旅客值機聚集排隊密度較以往正常情況下有大幅度增加。邢志偉等[10]通過旅客自助值機數據對航站樓內旅客聚集現象進行動力學分析,驗證了離港旅客聚集受航班截止時間影響且服從重尾分布,并基于此構建航班離港時刻主導的單航班離港旅客聚集模型。在離港旅客流量預測方面,Xu等[11]為了提高航站樓短時客流預測精度,構建基于深度時空學習的多閘門短時客流預測模型。根據廣州白云機場離港旅客流數據進行驗證表明,該模型與HA、ARIMA、GBDT、LSTM相比能更加有效地預測短期客流。刑志偉等[12-14]通過選取相似歷史運營日作為預測特征向量對傳統K近鄰算法進行改進,建立短時離港旅客流量預測的雙層K近鄰模型。在對離港旅客值機排隊的研究中分析旅客聚集性質,建立了有效的離港旅客值機排隊預測模型。

綜上,國內外學者在航站樓離港旅客資源配置、旅客離港流程仿真等方面取得了大量成果,但關于航站樓離港旅客聚集的相關研究仍較少。為解決航站樓旅客保障壓力逐年增加和人文機場建設要求之間的矛盾,研究航站樓離港旅客聚集影響因素勢在必行。

導致離港旅客在航站樓內聚集的因素眾多,在機場、航司、旅客等多種因素相互影響和制約下,很難從某一角度直接量化眾多的離港旅客聚集影響因素。為了探尋影響離港旅客聚集的關鍵因素,明確各因素的重要度和相互作用機理,采用決策與評價實驗室法(DEMATEL)和對抗解釋結構模型(AISM),引入偏序關系將兩者進行有機結合,改進AISM在聯用它法時閾值確定過程中所帶來的不確定性,提高模型結果的客觀性和準確性。定量化計算和定性化分析復雜繁多的離港旅客聚集影響因素,為機場航站樓管理部門高效準確地處理旅客聚集事件提供參考。

1 離港旅客聚集影響因素體系構建

考慮到航站樓離港旅客聚集的影響因素較多且錯綜復雜,查閱國內外航站樓旅客聚集相關案例、文獻并結合德爾菲法進行因素的確定。目前,航站樓絕大部分旅客聚集事件都是由極端天氣引起,天氣原因導致航班大面積延誤、機場通行能力下降,大量旅客無法按計劃出行。隨著延誤程度和時間的增加,航站樓內聚集的旅客數逐漸增加甚至超過航站樓可容納的人員負荷,最終導致群體性事件發生。查閱民航航班正常統計資料可知,天氣因素占不正常航班原因的比例最大,對航班正常放行率和起飛正常率影響較大。因此,極端天氣可作為影響航站樓旅客聚集的重要因素。

航空公司航班計劃變更與否會直接影響旅客的出行計劃。對于大型樞紐機場,出行旅客一般會被告知至少提前2 h到達機場。若旅客到達機場后被告知乘坐的航班計劃有變,大量旅客將會聚集在值機大廳或候機室內等待,而長時間等待容易引發一些危險事件影響航站樓內的正常運行。因此,綜合機場、航空公司、航班正常性、突發情況、其他因素這5個維度得出15個離港旅客聚集影響因素,如表1所示。

表1 離港旅客聚集影響因素

2 DEMATEL-AISM模型構建

決策與評價試驗法(decision-making trial and evaluation laboratory,DEMATEL)是通過使用圖論和矩陣進行復雜系統問題分析的方法[15]。對抗解釋結構模型(adversarial interpretive structure modeling method,AISM)是在經典解釋結構模型(ISM)的基礎上融入生成對抗網絡(GAN)和博弈論(adversarial)而形成[16]。AISM能夠在不損失系統完整功能的前提下通過原因和結果2種不同的層級抽取規則,得到一組簡化的對抗層級拓撲圖。與公式符號或文字相比,AISM能更加清晰且直觀地描述系統內要素間的關系及所處位置[17]。運用DEMATEL中原因度和中心度組成的決策矩陣,通過偏序關系構建AISM 的輸入關系矩陣。根據所構建的旅客聚集影響因素體系,邀請15位民航專家及相關從業人員按照評估語義標度對影響因素之間的關聯性進行評估。DEMATEL-AISM模型構建流程如圖1所示。

圖1 DEMATEL-AISM模型構建流程框圖

2.1 DEMATEL

2.1.1直接影響矩陣O

設定影響因素集S,根據影響因素0—4關聯度專家評估語義標度(無影響,較小影響,一般影響,較強影響,極強影響),對航站樓離港旅客聚集影響因素間的關系進行評估,構建原始直接影響矩陣O=(oij)n×n。

2.1.2綜合影響矩陣T

根據式(1)對矩陣O=(oij)n×n進行規范化處理,得到矩陣N=(nij)n×n。通過式(2)計算得到綜合影響矩陣T=(tij)n×n。

(1)

T=N(I-N)-1

(2)

2.1.3影響度、被影響度、原因度、中心度

影響度D、被影響度C、原因度M、中心度Z可用來衡量要素在系統中的影響程度,根據式(3)—(6)進行計算。

(3)

(4)

Mi=Di+Ci

(5)

Zi=Di-Ci

(6)

2.1.4影響因素權重計算

通過原因度的絕對值|M|和中心度Z計算航站樓離港旅客聚集影響因素的權重。不同的權重計算方式可能導致不同的結果,為了更準確地體現各因素在系統中的權重Wi,采用3種權重計算方式。

由于要素中心度Z代表著該要素在整個系統中的作用大小程度,因此可通過中心度直接計算各影響因素在系統中的權重值W′。

(7)

以中心度為直角坐標橫軸,原因度為縱軸繪制散點圖。可通過影響因素所在坐標和到坐標原點的距離計算權重W″、W?。

(8)

(9)

2.2 偏序

2.2.1決策矩陣

決策矩陣D=(dij)n×m,其中n代表要素,m代表維度。對于D中n個要素的任意維度都需要滿足嚴格的可比性。文中決策矩陣維度m由各影響因素的原因度的絕對值|M|、中心度的絕對值|Z|構成。

2.2.2偏序規則

對于m列評估決策矩陣,每一列指標都具有同屬性、可比性。指標屬性可分為正向指標和負向指標,正向指標數值越大越優,記為Pi;負向指標越小越差,記為qi。

對于評估決策矩陣D中要素的任意兩行x,y,若同時滿足正、負向指標,即d(x,pi)≥d(y,pi)∩d(x,qi)≤d(y,qi),i=1,2,3,…,m,則要素x與y的偏序關系記為：x?y表示要素x重要度或影響度高于要素y。

馬克思曾經指出：人是環境的產物，人同時也改變著環境。“環境的變化和人的活動或自我改變的一致，只能被看作是并合理地理解為革命的實踐。”因此，高校思想政治教育在與時俱進地適應環境變化的同時，還要主動優化環境、改造環境，以提高思想政治教育的實效性。

2.3 AISM

2.3.1關系矩陣A

由決策矩陣D通過式(10)得到關系矩陣A=(axy)n×n。

(10)

2.3.2一般性骨架矩陣S

根據式(11)計算得到可達矩陣R。在可達矩陣的基礎上進行縮點和縮邊運算,消除因素間自身的關聯影響,得到一般性骨架矩陣S。

R=(A+I)K+1=(A+I)K≠(A+I)K-1

(11)

式中：K取正整數。

2.3.3對抗層級抽取

在可達矩陣R的基礎上根據式(12)進行因素集的劃分：先行集A(Si)、可達集R(Si)、共同集C(Si)。根據原因優先和結果優先的抽取原則,并結合一般性骨架矩陣S繪制對抗層級拓撲圖。

UP型層級拓撲圖：通過結果優先的層級劃分抽取方式,抽取規則為：C(Si)=R(Si)。可達集與共同集相同時,所抽取的元素放在上層,抽取的放置順序是從上往下[18]。

DOWN型層級拓撲圖：通過原因優先的層級劃分抽取方式,抽取規則：C(Si)=A(Si)。先行集與共同集相同時,所抽取的元素放在下層,抽取的放置順序是從下往上[18]。

3 實例分析

以西南某區域樞紐機場為例。該機場曾發生2次較為嚴重的航站樓離港滯留旅客聚集事件,航站樓總聚集旅客近萬人,產生較嚴重的負面影響。將該機場作為評估數據源,運用DEMATEL-AISM方法進行航站樓離港旅客聚集影響因素分析。

3.1 模型結果

通過表1中各因素間關聯影響度進行評估,得出直接影響矩陣O。根據式(1)對直接影響矩陣進行規范化處理得矩陣N,之后由式(2)計算出綜合影響矩陣T,按照式(3)—(6)求得各因素影響度D、被影響度C、原因度M、中心度Z。以中心度為橫軸、原因度為縱軸繪制散點圖,見圖2。

圖2 中心度-原因度散點圖

中心度和原因度能更為全面地反映各因素在系統中的位置及作用。根據式(7)—(9)計算各影響因素權重和不同維度下因素權重,如圖3和圖4所示。通過原因度和中心度絕對值構建決策矩陣如表2所示,同時根據式(10)引入偏序關系,在保留因素間差異性的前提下得到鄰接關系矩陣A作為AISM的輸入變量。鄰接矩陣A按照式(11)計算得到可達矩陣R,如表3所示。同時,根據式(12)層級抽取規則分別進行UP型和DOWN型因素抽取。

圖3 因素權重示意圖

圖4 不同維度下因素權重直方圖

表2 決策矩陣因素

基于中心度和原因度的對抗層級圖較少具有強關聯回路。觀察表3的可達矩陣發現無強關聯因素,可直接使用代數公式S=R-(R-I)2-I進行布爾運算得出一般性骨架矩陣S。將一般性骨架矩陣中各因素間的影響關系通過有向線段表示,結合對抗層級抽取結果繪制如圖5所示的對抗層級拓撲示意圖。

表3 可達矩陣因素

圖5 對抗層級拓撲示意圖

3.2 因素對抗層級結構分析

層級結構分析可揭示因素在系統中的相互作用關系[19]。如圖5所示,對抗層級拓撲圖UP型和DOWN型因素層級序列不完全一致,這是因為系統中存在處于不同層級的活動要素S2(旅客服務設施),表明系統是一個可變的拓撲系統。活動要素可以在不同層級進行躍遷變動,對系統的穩定性至關重要。航站樓內旅客服務設施對于旅客的出行體驗有直觀影響。同時,航站樓內離港旅客流運行狀態對旅客離港資源和服務都具有較強的敏感性,若離港資源配置不合理或設施設備故障損壞,則很可能會影響航站樓的正常運行,造成旅客聚集事件。

在層級拓撲圖的同層級內,航站樓離港旅客聚集影響因素之間不存在強關聯因素,即因素間無環路,在系統中都具有獨立的影響和作用。通過中心度和原因度構建決策矩陣并引入偏序關系得到鄰接關系矩陣。該方法在對抗層級拓撲圖中所表示的因素因果關系基礎上增加了更為嚴格的因素作用大小比較關系,將不同層級因素間的有向線段表示為可比較的優劣關系,接收有向線段的因素在系統中要優于發出有向線段的因素。

整個系統被劃分為8個對抗層級和3個發展影響層。根據影響因素對抗抽取規則層級階梯由上而下表示為L1至L8。影響層包括航站樓離港旅客聚集的根源層因素、過渡層因素和直接層因素。根源層因素一般位于對坑層級拓撲圖的底層,例如,L8階梯上的因素即S1(航站樓供電設施設備)、S3(旅客流線)、S9(飛機機械故障)。一般情況下,旅客聚集在航站樓內無法按照計劃出行甚至發生危險事件,都從根本上反映了航站樓相關單位對旅客保障能力和處理突發狀況的能力不足,因此這3類因素將作為影響航站樓旅客聚集的根源因素。

過渡層因素也稱中間層因素,與直接層和根源層因素都存在關聯,發出有向線段的同時也接收有向線段,主要位于L6～L7階梯上。過渡層因素數量在系統中占比最高,處在承上啟下的位置。對這些因素采取有效措施能直接降低旅客聚集給航站樓運行帶來的負面影響,或直接避免航站樓離港旅客聚集事件的發生。

直接層因素處于整個系統的頂層,不發出有向線段僅接收有向線段,其位于L1～L5階梯,即S5(極端天氣)、S8(航班計劃變更)、S10(地震)、S13(高峰客流)、S14(團體旅客)。上層因素又可細分為延誤類因素、突發因素和正常性因素,這類因素對于航站樓旅客聚集的影響最大,也最為直觀。

樞紐機場航站樓離港旅客聚集量在時間和空間上都有其發展規律。直接層因素導致航班延誤或其他事件導致旅客出行受阻,進而使得離港旅客開始在航站樓內聚集,此時是事件的發展初期,聚集量較小且較為分散;隨著過渡層因素的逐漸介入,即其他情況伴隨發生,加劇航班延誤,若機場及航司等管理部門沒有采取積極措施及時應對,則旅客聚集量進入一個高速增長時期;最終,旅客大量集中聚集在航站樓的登機口和值機大廳等區域,嚴重影響機場正常運行,甚至出現危險的群體性事件。

3.3 因素中心度、原因度和權重分析

中心度指標被廣泛應用于各種網絡結構分析中[20]。在DEMATEL方法中作為一種正向的因素指標,因素數值越大、越優,在系統中越重要。如圖2所示,航站樓離港旅客聚集影響因素的中心度降序排名中,前3名分別為S8(航班計劃變更)、S2(旅客服務設施)、S14(團體旅客)。從排序可以看出,中心度值高的因素都與離港旅客保障能力相關,因此在面對旅客聚集問題時,應簡化、完善離港旅客流程并提高航班正常性。

原因度在DEMATEL中代表因素對另一因素的影響情況。原因度值大于0,代表對其他因素影響較大,即表現為原因因素;該值小于0,代表受到其他因素影響較多,表現為結果屬性。從圖2可以看出,原因度正值因素從大到小前5的排名分別為S5(極端天氣)、S10(地震)、S13(高峰客流)、S11(火災)、S6(第三方活動)。原因度值為正的因素對其他因素的影響度較高,因此機場在制定航站樓旅客聚集的相關處置措施時,應從該類因素著手,提高機場自身在面對突發情況的保障能力。

旅客聚集影響因素原因度負值從大到小前5的排名依次為S8(航班計劃變更)、S14(團體旅客)、S4(機場地面保障設備)、S2(旅客服務設施)、S12(航班波)。原因度值為負的這類因素容易受到其他因素的影響,這類因素大多處于系統的上層,對旅客聚集量的變化非常敏感,應時刻關注,以便航站樓管理人員及時、高效地處理離港旅客聚集事件。

如圖3所示,不同權重計算方式下的各影響因素權重差異性較大,但權重大小排序基本一致。圖4中,由于系統中存在活動要素,不同維度下影響因素權重排序僅存在較小差異。不同維度下因素權重降序排序依次為其他因素、機場因素、航班正常性因素、航司因素和突發因素。航班正常性因素和機場因素包含較多直接層和根源層因素,需要重點關注。

結合圖5所示的對抗層級拓撲圖與圖3因素權重排序可知,各影響因素的權重大小與因素在對抗層級拓撲圖中所在層級高低呈線性正相關。權重值較大的影響因素占據對抗層級拓撲圖的頂層,權重值較小的因素則位于層級圖底層,這是由于各影響因素的權重通過中心度與原因度計算,對抗層級拓撲圖基于中心度、原因度和偏序關系得到。綜上可知,對抗層級拓撲圖可作為原因度-中心度在二維平面上更加直觀且詳細的另一種表現形式,這也是由影響因素自身屬性所決定。2種方法所得出的結果可相互印證。

3.4 航站樓離港旅客聚集控制策略分析

航站樓離港旅客聚集影響因素眾多且難以量化研究,但最終都會指向航班正常性,即航班能否準點起飛、正常放行。綜上,航站樓離港旅客聚集影響因素總體上可分為3類,即航班延誤類因素、旅客保障類因素和其他類因素。

針對極端天氣、流量管制等因素導致航班延誤航站樓旅客聚集時,要立刻啟動相應的應急處置預案。可根據航站樓設計可容納旅客數建立實時聚集預警機制,同時在航站樓內的安檢、值機和登機口各關鍵區域設置旅客聚集人數預警閾值。針對實時航班計劃、天氣信息等因素的監控分析,建立各區域旅客聚集量預測模型。結合各區域實時監測到的人群聚集量,對已達到或即將達到預警閾值的區域及時采取疏散措施,對不同航班狀態旅客采取不同疏散措施,從而維持航站樓內旅客流的相對穩定。發生延誤時,旅客心理壓力較大,若長時間等待容易產生焦躁情緒,因此機場各單位須時刻關注并及時提供航班動態信息,提供訴求反饋和各種旅客保障措施。

對于高峰客流期間因旅客離港流程緩慢、擁堵所導致的聚集,應首先簡化旅客離港流程,建立更加高效有序的排隊機制,引導旅客自助值機來分散密集的排隊聚集人群。

對于其他突發類因素導致的旅客聚集,機場各單位應根據實際情況制定完善、合理的應急處置預案,并定期進行實地演練。

4 結論

1) 運用偏序集理論對模型進行改進。利用DMATEL分析法中因素原因度和中心度自身所具有的排序關系構建決策矩陣。通過偏序關系得到AISM輸入關系矩陣,克服經典模型中閾值確定的不確定性。

2) 通過DEMATEL-AISM方法,將因素劃分為3個發展進程和8個對抗層級。基于中心度和原因度絕對值和的因素權重前5名分別為航班計劃變動(0.16)、極端天氣(0.11)、團體旅客(0.10)、地震(0.09)、大客流(0.08)。因素權重大小和在對抗層級拓撲圖中所處層級高低的一致性揭示了系統中旅客聚集影響因素權重與對抗層級拓撲圖之間的線性關系。

3) 航站樓供電設施、旅客流線以及旅客服務設施等體現航站樓旅客保障能力的相關因素是影響旅客聚集的根源因素,而極端天氣等影響航班正常性因素則是最為直接的旅客聚集影響因素。機場各保障單位可通過分析直接因素至根源因素,對航站樓旅客聚集事件采取由淺入深的應對措施。