航站楼离港旅客聚集影响因素研究

2023-07-12 03:14:28李明捷苗容瑜黄欣宁
关键词:离港值机航站楼

李明捷,王 涛,苗容瑜,黄欣宁

(中国民用航空飞行学院 机场学院,四川 广汉 618307)

0 引言

随着国民经济持续稳定的发展,人们对于航空出行的需求逐年提升,大型民用运输机场面临的客流压力越来越大,由天气、流量管制等诸多原因导致的航班延误、航站楼滞留旅客聚集问题时有发生。通常情况下,离港旅客进入航站楼内按照既定流程完成值机、安检等流程之后可乘机离开,即使在机场较为繁忙的时间段也不会影响航站楼的正常运行。当发生严重的航班延误或其他突发情况时,旅客无法按计划乘机离开会导致人群聚集在航站楼内,而大量旅客长时间聚集既影响机场的正常运行也降低了航空旅客的出行体验。

目前,对于航站楼离港旅客的相关研究主要在离港旅客资源配置、旅客离港流程仿真和流量预测等方面。针对航站楼旅客值机拥堵、等待时间较长等现象,王加冕等[1]基于蒙特卡洛仿真原理对某机场进行实例建模,发现旅客的到达时间和值机柜台的服务时间服从负指数分布。当开放最佳值机柜台数量时,旅客值机排队时间可降低68%。Alodhaibi等[2]在考虑合理分配航站楼内旅客资源位置的前提下建立以随机位置为目标函数的非线性规划模型,通过模拟退火算法求解并验证了模型的可行性。张天炫等[3]基于排队论,建立以旅客等待时间为目标函数的双排队模型,运用该模型的实例验证表明,一天可节约旅客时间379.151 h。在机场航站楼实际运行过程中,静态模式下的离港旅客资源配置方式导致资源的利用率不高或难以应对航班延误下资源的动态调整。为此,刘英等[4]基于值机和托运设备两者间的协调关系,构建静态资源整数规划模型和动态调整模型。仿真结果表明2种模型下的资源配置方案可有效提高设备的利用率,降低一半以上旅客的排队等待时间。陆迅等[5]对上海虹桥机场的离港旅客流程和行为进行调查分析,使用ServiceModel仿真软件发现安检是旅客离港流程的瓶颈,提出安检优化方案以提高安检效率。刘浩[6]使用Anylogic仿真软件对航站楼离港旅客离港的整个流程进行模拟仿真,并以绵阳机场为实例给出离港业务流程的优化方案。张培文等[7]考虑旅客行为特征、航站楼出发厅旅客服务流程和应急疏散业务流程建立仿真模型。Zouein等[8]针对航站楼旅客离港中流程安检和值机区域人群的聚集拥挤问题,提出错误使用航站楼人均空间服务水平标准和低效初始布局是导致旅客聚集拥挤的主要影响因素,基于此构建宏观动力学模型描述离港旅客流,并对航站楼功能区重新进行区域分配。Gürsoy等[9]针对航站楼旅客值机排队等待过长的旅客聚集现象,对埃森博阿国际机场高峰客流时段旅客值机流程进行模拟,发现开放最佳数量的值机设备有助于减少旅客聚集排队等待时间,在新冠病毒流行期间航站楼旅客值机聚集排队密度较以往正常情况下有大幅度增加。邢志伟等[10]通过旅客自助值机数据对航站楼内旅客聚集现象进行动力学分析,验证了离港旅客聚集受航班截止时间影响且服从重尾分布,并基于此构建航班离港时刻主导的单航班离港旅客聚集模型。在离港旅客流量预测方面,Xu等[11]为了提高航站楼短时客流预测精度,构建基于深度时空学习的多闸门短时客流预测模型。根据广州白云机场离港旅客流数据进行验证表明,该模型与HA、ARIMA、GBDT、LSTM相比能更加有效地预测短期客流。刑志伟等[12-14]通过选取相似历史运营日作为预测特征向量对传统K近邻算法进行改进,建立短时离港旅客流量预测的双层K近邻模型。在对离港旅客值机排队的研究中分析旅客聚集性质,建立了有效的离港旅客值机排队预测模型。

综上,国内外学者在航站楼离港旅客资源配置、旅客离港流程仿真等方面取得了大量成果,但关于航站楼离港旅客聚集的相关研究仍较少。为解决航站楼旅客保障压力逐年增加和人文机场建设要求之间的矛盾,研究航站楼离港旅客聚集影响因素势在必行。

导致离港旅客在航站楼内聚集的因素众多,在机场、航司、旅客等多种因素相互影响和制约下,很难从某一角度直接量化众多的离港旅客聚集影响因素。为了探寻影响离港旅客聚集的关键因素,明确各因素的重要度和相互作用机理,采用决策与评价实验室法(DEMATEL)和对抗解释结构模型(AISM),引入偏序关系将两者进行有机结合,改进AISM在联用它法时阈值确定过程中所带来的不确定性,提高模型结果的客观性和准确性。定量化计算和定性化分析复杂繁多的离港旅客聚集影响因素,为机场航站楼管理部门高效准确地处理旅客聚集事件提供参考。

1 离港旅客聚集影响因素体系构建

考虑到航站楼离港旅客聚集的影响因素较多且错综复杂,查阅国内外航站楼旅客聚集相关案例、文献并结合德尔菲法进行因素的确定。目前,航站楼绝大部分旅客聚集事件都是由极端天气引起,天气原因导致航班大面积延误、机场通行能力下降,大量旅客无法按计划出行。随着延误程度和时间的增加,航站楼内聚集的旅客数逐渐增加甚至超过航站楼可容纳的人员负荷,最终导致群体性事件发生。查阅民航航班正常统计资料可知,天气因素占不正常航班原因的比例最大,对航班正常放行率和起飞正常率影响较大。因此,极端天气可作为影响航站楼旅客聚集的重要因素。

航空公司航班计划变更与否会直接影响旅客的出行计划。对于大型枢纽机场,出行旅客一般会被告知至少提前2 h到达机场。若旅客到达机场后被告知乘坐的航班计划有变,大量旅客将会聚集在值机大厅或候机室内等待,而长时间等待容易引发一些危险事件影响航站楼内的正常运行。因此,综合机场、航空公司、航班正常性、突发情况、其他因素这5个维度得出15个离港旅客聚集影响因素,如表1所示。

表1 离港旅客聚集影响因素

2 DEMATEL-AISM模型构建

决策与评价试验法(decision-making trial and evaluation laboratory,DEMATEL)是通过使用图论和矩阵进行复杂系统问题分析的方法[15]。对抗解释结构模型(adversarial interpretive structure modeling method,AISM)是在经典解释结构模型(ISM)的基础上融入生成对抗网络(GAN)和博弈论(adversarial)而形成[16]。AISM能够在不损失系统完整功能的前提下通过原因和结果2种不同的层级抽取规则,得到一组简化的对抗层级拓扑图。与公式符号或文字相比,AISM能更加清晰且直观地描述系统内要素间的关系及所处位置[17]。运用DEMATEL中原因度和中心度组成的决策矩阵,通过偏序关系构建AISM 的输入关系矩阵。根据所构建的旅客聚集影响因素体系,邀请15位民航专家及相关从业人员按照评估语义标度对影响因素之间的关联性进行评估。DEMATEL-AISM模型构建流程如图1所示。

图1 DEMATEL-AISM模型构建流程框图

2.1 DEMATEL

2.1.1直接影响矩阵O

设定影响因素集S,根据影响因素0—4关联度专家评估语义标度(无影响,较小影响,一般影响,较强影响,极强影响),对航站楼离港旅客聚集影响因素间的关系进行评估,构建原始直接影响矩阵O=(oij)n×n。

2.1.2综合影响矩阵T

根据式(1)对矩阵O=(oij)n×n进行规范化处理,得到矩阵N=(nij)n×n。通过式(2)计算得到综合影响矩阵T=(tij)n×n。

(1)

T=N(I-N)-1

(2)

2.1.3影响度、被影响度、原因度、中心度

影响度D、被影响度C、原因度M、中心度Z可用来衡量要素在系统中的影响程度,根据式(3)—(6)进行计算。

(3)

(4)

Mi=Di+Ci

(5)

Zi=Di-Ci

(6)

2.1.4影响因素权重计算

通过原因度的绝对值|M|和中心度Z计算航站楼离港旅客聚集影响因素的权重。不同的权重计算方式可能导致不同的结果,为了更准确地体现各因素在系统中的权重Wi,采用3种权重计算方式。

由于要素中心度Z代表着该要素在整个系统中的作用大小程度,因此可通过中心度直接计算各影响因素在系统中的权重值W′。

(7)

以中心度为直角坐标横轴,原因度为纵轴绘制散点图。可通过影响因素所在坐标和到坐标原点的距离计算权重W″、W‴。

(8)

(9)

2.2 偏序

2.2.1决策矩阵

决策矩阵D=(dij)n×m,其中n代表要素,m代表维度。对于D中n个要素的任意维度都需要满足严格的可比性。文中决策矩阵维度m由各影响因素的原因度的绝对值|M|、中心度的绝对值|Z|构成。

2.2.2偏序规则

对于m列评估决策矩阵,每一列指标都具有同属性、可比性。指标属性可分为正向指标和负向指标,正向指标数值越大越优,记为Pi;负向指标越小越差,记为qi。

对于评估决策矩阵D中要素的任意两行x,y,若同时满足正、负向指标,即d(x,pi)≥d(y,pi)∩d(x,qi)≤d(y,qi),i=1,2,3,…,m,则要素x与y的偏序关系记为:x≻y表示要素x重要度或影响度高于要素y。

马克思曾经指出:人是环境的产物,人同时也改变着环境。“环境的变化和人的活动或自我改变的一致,只能被看作是并合理地理解为革命的实践。”因此,高校思想政治教育在与时俱进地适应环境变化的同时,还要主动优化环境、改造环境,以提高思想政治教育的实效性。

2.3 AISM

2.3.1关系矩阵A

由决策矩阵D通过式(10)得到关系矩阵A=(axy)n×n。

(10)

2.3.2一般性骨架矩阵S

根据式(11)计算得到可达矩阵R。在可达矩阵的基础上进行缩点和缩边运算,消除因素间自身的关联影响,得到一般性骨架矩阵S。

R=(A+I)K+1=(A+I)K≠(A+I)K-1

(11)

式中:K取正整数。

2.3.3对抗层级抽取

在可达矩阵R的基础上根据式(12)进行因素集的划分:先行集A(Si)、可达集R(Si)、共同集C(Si)。根据原因优先和结果优先的抽取原则,并结合一般性骨架矩阵S绘制对抗层级拓扑图。

UP型层级拓扑图:通过结果优先的层级划分抽取方式,抽取规则为:C(Si)=R(Si)。可达集与共同集相同时,所抽取的元素放在上层,抽取的放置顺序是从上往下[18]。

DOWN型层级拓扑图:通过原因优先的层级划分抽取方式,抽取规则:C(Si)=A(Si)。先行集与共同集相同时,所抽取的元素放在下层,抽取的放置顺序是从下往上[18]。

3 实例分析

以西南某区域枢纽机场为例。该机场曾发生2次较为严重的航站楼离港滞留旅客聚集事件,航站楼总聚集旅客近万人,产生较严重的负面影响。将该机场作为评估数据源,运用DEMATEL-AISM方法进行航站楼离港旅客聚集影响因素分析。

3.1 模型结果

通过表1中各因素间关联影响度进行评估,得出直接影响矩阵O。根据式(1)对直接影响矩阵进行规范化处理得矩阵N,之后由式(2)计算出综合影响矩阵T,按照式(3)—(6)求得各因素影响度D、被影响度C、原因度M、中心度Z。以中心度为横轴、原因度为纵轴绘制散点图,见图2。

图2 中心度-原因度散点图

中心度和原因度能更为全面地反映各因素在系统中的位置及作用。根据式(7)—(9)计算各影响因素权重和不同维度下因素权重,如图3和图4所示。通过原因度和中心度绝对值构建决策矩阵如表2所示,同时根据式(10)引入偏序关系,在保留因素间差异性的前提下得到邻接关系矩阵A作为AISM的输入变量。邻接矩阵A按照式(11)计算得到可达矩阵R,如表3所示。同时,根据式(12)层级抽取规则分别进行UP型和DOWN型因素抽取。

图3 因素权重示意图

图4 不同维度下因素权重直方图

表2 决策矩阵因素

基于中心度和原因度的对抗层级图较少具有强关联回路。观察表3的可达矩阵发现无强关联因素,可直接使用代数公式S=R-(R-I)2-I进行布尔运算得出一般性骨架矩阵S。将一般性骨架矩阵中各因素间的影响关系通过有向线段表示,结合对抗层级抽取结果绘制如图5所示的对抗层级拓扑示意图。

表3 可达矩阵因素

图5 对抗层级拓扑示意图

3.2 因素对抗层级结构分析

层级结构分析可揭示因素在系统中的相互作用关系[19]。如图5所示,对抗层级拓扑图UP型和DOWN型因素层级序列不完全一致,这是因为系统中存在处于不同层级的活动要素S2(旅客服务设施),表明系统是一个可变的拓扑系统。活动要素可以在不同层级进行跃迁变动,对系统的稳定性至关重要。航站楼内旅客服务设施对于旅客的出行体验有直观影响。同时,航站楼内离港旅客流运行状态对旅客离港资源和服务都具有较强的敏感性,若离港资源配置不合理或设施设备故障损坏,则很可能会影响航站楼的正常运行,造成旅客聚集事件。

在层级拓扑图的同层级内,航站楼离港旅客聚集影响因素之间不存在强关联因素,即因素间无环路,在系统中都具有独立的影响和作用。通过中心度和原因度构建决策矩阵并引入偏序关系得到邻接关系矩阵。该方法在对抗层级拓扑图中所表示的因素因果关系基础上增加了更为严格的因素作用大小比较关系,将不同层级因素间的有向线段表示为可比较的优劣关系,接收有向线段的因素在系统中要优于发出有向线段的因素。

整个系统被划分为8个对抗层级和3个发展影响层。根据影响因素对抗抽取规则层级阶梯由上而下表示为L1至L8。影响层包括航站楼离港旅客聚集的根源层因素、过渡层因素和直接层因素。根源层因素一般位于对坑层级拓扑图的底层,例如,L8阶梯上的因素即S1(航站楼供电设施设备)、S3(旅客流线)、S9(飞机机械故障)。一般情况下,旅客聚集在航站楼内无法按照计划出行甚至发生危险事件,都从根本上反映了航站楼相关单位对旅客保障能力和处理突发状况的能力不足,因此这3类因素将作为影响航站楼旅客聚集的根源因素。

过渡层因素也称中间层因素,与直接层和根源层因素都存在关联,发出有向线段的同时也接收有向线段,主要位于L6~L7阶梯上。过渡层因素数量在系统中占比最高,处在承上启下的位置。对这些因素采取有效措施能直接降低旅客聚集给航站楼运行带来的负面影响,或直接避免航站楼离港旅客聚集事件的发生。

直接层因素处于整个系统的顶层,不发出有向线段仅接收有向线段,其位于L1~L5阶梯,即S5(极端天气)、S8(航班计划变更)、S10(地震)、S13(高峰客流)、S14(团体旅客)。上层因素又可细分为延误类因素、突发因素和正常性因素,这类因素对于航站楼旅客聚集的影响最大,也最为直观。

枢纽机场航站楼离港旅客聚集量在时间和空间上都有其发展规律。直接层因素导致航班延误或其他事件导致旅客出行受阻,进而使得离港旅客开始在航站楼内聚集,此时是事件的发展初期,聚集量较小且较为分散;随着过渡层因素的逐渐介入,即其他情况伴随发生,加剧航班延误,若机场及航司等管理部门没有采取积极措施及时应对,则旅客聚集量进入一个高速增长时期;最终,旅客大量集中聚集在航站楼的登机口和值机大厅等区域,严重影响机场正常运行,甚至出现危险的群体性事件。

3.3 因素中心度、原因度和权重分析

中心度指标被广泛应用于各种网络结构分析中[20]。在DEMATEL方法中作为一种正向的因素指标,因素数值越大、越优,在系统中越重要。如图2所示,航站楼离港旅客聚集影响因素的中心度降序排名中,前3名分别为S8(航班计划变更)、S2(旅客服务设施)、S14(团体旅客)。从排序可以看出,中心度值高的因素都与离港旅客保障能力相关,因此在面对旅客聚集问题时,应简化、完善离港旅客流程并提高航班正常性。

原因度在DEMATEL中代表因素对另一因素的影响情况。原因度值大于0,代表对其他因素影响较大,即表现为原因因素;该值小于0,代表受到其他因素影响较多,表现为结果属性。从图2可以看出,原因度正值因素从大到小前5的排名分别为S5(极端天气)、S10(地震)、S13(高峰客流)、S11(火灾)、S6(第三方活动)。原因度值为正的因素对其他因素的影响度较高,因此机场在制定航站楼旅客聚集的相关处置措施时,应从该类因素着手,提高机场自身在面对突发情况的保障能力。

旅客聚集影响因素原因度负值从大到小前5的排名依次为S8(航班计划变更)、S14(团体旅客)、S4(机场地面保障设备)、S2(旅客服务设施)、S12(航班波)。原因度值为负的这类因素容易受到其他因素的影响,这类因素大多处于系统的上层,对旅客聚集量的变化非常敏感,应时刻关注,以便航站楼管理人员及时、高效地处理离港旅客聚集事件。

如图3所示,不同权重计算方式下的各影响因素权重差异性较大,但权重大小排序基本一致。图4中,由于系统中存在活动要素,不同维度下影响因素权重排序仅存在较小差异。不同维度下因素权重降序排序依次为其他因素、机场因素、航班正常性因素、航司因素和突发因素。航班正常性因素和机场因素包含较多直接层和根源层因素,需要重点关注。

结合图5所示的对抗层级拓扑图与图3因素权重排序可知,各影响因素的权重大小与因素在对抗层级拓扑图中所在层级高低呈线性正相关。权重值较大的影响因素占据对抗层级拓扑图的顶层,权重值较小的因素则位于层级图底层,这是由于各影响因素的权重通过中心度与原因度计算,对抗层级拓扑图基于中心度、原因度和偏序关系得到。综上可知,对抗层级拓扑图可作为原因度-中心度在二维平面上更加直观且详细的另一种表现形式,这也是由影响因素自身属性所决定。2种方法所得出的结果可相互印证。

3.4 航站楼离港旅客聚集控制策略分析

航站楼离港旅客聚集影响因素众多且难以量化研究,但最终都会指向航班正常性,即航班能否准点起飞、正常放行。综上,航站楼离港旅客聚集影响因素总体上可分为3类,即航班延误类因素、旅客保障类因素和其他类因素。

针对极端天气、流量管制等因素导致航班延误航站楼旅客聚集时,要立刻启动相应的应急处置预案。可根据航站楼设计可容纳旅客数建立实时聚集预警机制,同时在航站楼内的安检、值机和登机口各关键区域设置旅客聚集人数预警阈值。针对实时航班计划、天气信息等因素的监控分析,建立各区域旅客聚集量预测模型。结合各区域实时监测到的人群聚集量,对已达到或即将达到预警阈值的区域及时采取疏散措施,对不同航班状态旅客采取不同疏散措施,从而维持航站楼内旅客流的相对稳定。发生延误时,旅客心理压力较大,若长时间等待容易产生焦躁情绪,因此机场各单位须时刻关注并及时提供航班动态信息,提供诉求反馈和各种旅客保障措施。

对于高峰客流期间因旅客离港流程缓慢、拥堵所导致的聚集,应首先简化旅客离港流程,建立更加高效有序的排队机制,引导旅客自助值机来分散密集的排队聚集人群。

对于其他突发类因素导致的旅客聚集,机场各单位应根据实际情况制定完善、合理的应急处置预案,并定期进行实地演练。

4 结论

1) 运用偏序集理论对模型进行改进。利用DMATEL分析法中因素原因度和中心度自身所具有的排序关系构建决策矩阵。通过偏序关系得到AISM输入关系矩阵,克服经典模型中阈值确定的不确定性。

2) 通过DEMATEL-AISM方法,将因素划分为3个发展进程和8个对抗层级。基于中心度和原因度绝对值和的因素权重前5名分别为航班计划变动(0.16)、极端天气(0.11)、团体旅客(0.10)、地震(0.09)、大客流(0.08)。因素权重大小和在对抗层级拓扑图中所处层级高低的一致性揭示了系统中旅客聚集影响因素权重与对抗层级拓扑图之间的线性关系。

3) 航站楼供电设施、旅客流线以及旅客服务设施等体现航站楼旅客保障能力的相关因素是影响旅客聚集的根源因素,而极端天气等影响航班正常性因素则是最为直接的旅客聚集影响因素。机场各保障单位可通过分析直接因素至根源因素,对航站楼旅客聚集事件采取由浅入深的应对措施。

猜你喜欢
离港值机航站楼
离港航班延误成本研究
价值工程(2022年15期)2022-07-13 05:37:08
基于WF-IoT融合物联网的控制技术在航站楼内的应用
机场航站楼年雷击次数计算
光环境模拟在航站楼高大空间照明设计中的应用
机场值机柜台资源的配置研究
智能值机云平台的设计与应用浅析
长三角机场群运行相关性分析
沪杭甬高速“E收费值机”管理系统建设探讨
植物在航站楼室内环境中的应用
现代园艺(2017年21期)2018-01-03 06:42:07
旺角暴乱嫌犯被禁止离港
环球时报(2017-12-11)2017-12-11 06:24:20