李明捷,王 濤,苗容瑜,黃欣寧

(中國民用航空飛行學(xué)院 機(jī)場學(xué)院,四川 廣漢 618307)

0 引言

隨著國民經(jīng)濟(jì)持續(xù)穩(wěn)定的發(fā)展,人們對于航空出行的需求逐年提升,大型民用運(yùn)輸機(jī)場面臨的客流壓力越來越大,由天氣、流量管制等諸多原因?qū)е碌暮桨嘌诱`、航站樓滯留旅客聚集問題時有發(fā)生。通常情況下,離港旅客進(jìn)入航站樓內(nèi)按照既定流程完成值機(jī)、安檢等流程之后可乘機(jī)離開,即使在機(jī)場較為繁忙的時間段也不會影響航站樓的正常運(yùn)行。當(dāng)發(fā)生嚴(yán)重的航班延誤或其他突發(fā)情況時,旅客無法按計劃乘機(jī)離開會導(dǎo)致人群聚集在航站樓內(nèi),而大量旅客長時間聚集既影響機(jī)場的正常運(yùn)行也降低了航空旅客的出行體驗(yàn)。

目前,對于航站樓離港旅客的相關(guān)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(yù)測等方面。針對航站樓旅客值機(jī)擁堵、等待時間較長等現(xiàn)象,王加冕等[1]基于蒙特卡洛仿真原理對某機(jī)場進(jìn)行實(shí)例建模,發(fā)現(xiàn)旅客的到達(dá)時間和值機(jī)柜臺的服務(wù)時間服從負(fù)指數(shù)分布。當(dāng)開放最佳值機(jī)柜臺數(shù)量時,旅客值機(jī)排隊時間可降低68%。Alodhaibi等[2]在考慮合理分配航站樓內(nèi)旅客資源位置的前提下建立以隨機(jī)位置為目標(biāo)函數(shù)的非線性規(guī)劃模型,通過模擬退火算法求解并驗(yàn)證了模型的可行性。張?zhí)祆诺萚3]基于排隊論,建立以旅客等待時間為目標(biāo)函數(shù)的雙排隊模型,運(yùn)用該模型的實(shí)例驗(yàn)證表明,一天可節(jié)約旅客時間379.151 h。在機(jī)場航站樓實(shí)際運(yùn)行過程中,靜態(tài)模式下的離港旅客資源配置方式導(dǎo)致資源的利用率不高或難以應(yīng)對航班延誤下資源的動態(tài)調(diào)整。為此,劉英等[4]基于值機(jī)和托運(yùn)設(shè)備兩者間的協(xié)調(diào)關(guān)系,構(gòu)建靜態(tài)資源整數(shù)規(guī)劃模型和動態(tài)調(diào)整模型。仿真結(jié)果表明2種模型下的資源配置方案可有效提高設(shè)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(jī)場的離港旅客流程和行為進(jìn)行調(diào)查分析,使用ServiceModel仿真軟件發(fā)現(xiàn)安檢是旅客離港流程的瓶頸,提出安檢優(yōu)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(jìn)行模擬仿真,并以綿陽機(jī)場為實(shí)例給出離港業(yè)務(wù)流程的優(yōu)化方案。張培文等[7]考慮旅客行為特征、航站樓出發(fā)廳旅客服務(wù)流程和應(yīng)急疏散業(yè)務(wù)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(jī)區(qū)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(wù)水平標(biāo)準(zhǔn)和低效初始布局是導(dǎo)致旅客聚集擁擠的主要影響因素,基于此構(gòu)建宏觀動力學(xué)模型描述離港旅客流,并對航站樓功能區(qū)重新進(jìn)行區(qū)域分配。Gürsoy等[9]針對航站樓旅客值機(jī)排隊等待過長的旅客聚集現(xiàn)象,對埃森博阿國際機(jī)場高峰客流時段旅客值機(jī)流程進(jìn)行模擬,發(fā)現(xiàn)開放最佳數(shù)量的值機(jī)設(shè)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(jī)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(jī)數(shù)據(jù)對航站樓內(nèi)旅客聚集現(xiàn)象進(jìn)行動力學(xué)分析,驗(yàn)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(gòu)建航班離港時刻主導(dǎo)的單航班離港旅客聚集模型。在離港旅客流量預(yù)測方面,Xu等[11]為了提高航站樓短時客流預(yù)測精度,構(gòu)建基于深度時空學(xué)習(xí)的多閘門短時客流預(yù)測模型。根據(jù)廣州白云機(jī)場離港旅客流數(shù)據(jù)進(jìn)行驗(yàn)證表明,該模型與HA、ARIMA、GBDT、LSTM相比能更加有效地預(yù)測短期客流。刑志偉等[12-14]通過選取相似歷史運(yùn)營日作為預(yù)測特征向量對傳統(tǒng)K近鄰算法進(jìn)行改進(jìn),建立短時離港旅客流量預(yù)測的雙層K近鄰模型。在對離港旅客值機(jī)排隊的研究中分析旅客聚集性質(zhì),建立了有效的離港旅客值機(jī)排隊預(yù)測模型。

綜上,國內(nèi)外學(xué)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(guān)于航站樓離港旅客聚集的相關(guān)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(jī)場建設(shè)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(dǎo)致離港旅客在航站樓內(nèi)聚集的因素眾多,在機(jī)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(guān)鍵因素,明確各因素的重要度和相互作用機(jī)理,采用決策與評價實(shí)驗(yàn)室法(DEMATEL)和對抗解釋結(jié)構(gòu)模型(AISM),引入偏序關(guān)系將兩者進(jìn)行有機(jī)結(jié)合,改進(jìn)AISM在聯(lián)用它法時閾值確定過程中所帶來的不確定性,提高模型結(jié)果的客觀性和準(zhǔn)確性。定量化計算和定性化分析復(fù)雜繁多的離港旅客聚集影響因素,為機(jī)場航站樓管理部門高效準(zhǔn)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(gòu)建

考慮到航站樓離港旅客聚集的影響因素較多且錯綜復(fù)雜,查閱國內(nèi)外航站樓旅客聚集相關(guān)案例、文獻(xiàn)并結(jié)合德爾菲法進(jìn)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?qū)е潞桨啻竺娣e延誤、機(jī)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(nèi)聚集的旅客數(shù)逐漸增加甚至超過航站樓可容納的人員負(fù)荷,最終導(dǎo)致群體性事件發(fā)生。查閱民航航班正常統(tǒng)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(jī)場,出行旅客一般會被告知至少提前2 h到達(dá)機(jī)場。若旅客到達(dá)機(jī)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(jī)大廳或候機(jī)室內(nèi)等待,而長時間等待容易引發(fā)一些危險事件影響航站樓內(nèi)的正常運(yùn)行。因此,綜合機(jī)場、航空公司、航班正常性、突發(fā)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(gòu)建

決策與評價試驗(yàn)法(decision-making trial and evaluation laboratory,DEMATEL)是通過使用圖論和矩陣進(jìn)行復(fù)雜系統(tǒng)問題分析的方法[15]。對抗解釋結(jié)構(gòu)模型(adversarial interpretive structure modeling method,AISM)是在經(jīng)典解釋結(jié)構(gòu)模型(ISM)的基礎(chǔ)上融入生成對抗網(wǎng)絡(luò)(GAN)和博弈論(adversarial)而形成[16]。AISM能夠在不損失系統(tǒng)完整功能的前提下通過原因和結(jié)果2種不同的層級抽取規(guī)則,得到一組簡化的對抗層級拓?fù)鋱D。與公式符號或文字相比,AISM能更加清晰且直觀地描述系統(tǒng)內(nèi)要素間的關(guān)系及所處位置[17]。運(yùn)用DEMATEL中原因度和中心度組成的決策矩陣,通過偏序關(guān)系構(gòu)建AISM 的輸入關(guān)系矩陣。根據(jù)所構(gòu)建的旅客聚集影響因素體系,邀請15位民航專家及相關(guān)從業(yè)人員按照評估語義標(biāo)度對影響因素之間的關(guān)聯(lián)性進(jìn)行評估。DEMATEL-AISM模型構(gòu)建流程如圖1所示。

圖1 DEMATEL-AISM模型構(gòu)建流程框圖

2.1 DEMATEL

2.1.1直接影響矩陣O

設(shè)定影響因素集S,根據(jù)影響因素0—4關(guān)聯(lián)度專家評估語義標(biāo)度(無影響,較小影響,一般影響,較強(qiáng)影響,極強(qiáng)影響),對航站樓離港旅客聚集影響因素間的關(guān)系進(jìn)行評估,構(gòu)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(jù)式(1)對矩陣O=(oij)n×n進(jìn)行規(guī)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(tǒng)中的影響程度,根據(jù)式(3)—(6)進(jìn)行計算。

(3)

(4)

Mi=Di+Ci

(5)

Zi=Di-Ci

(6)

2.1.4影響因素權(quán)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(quán)重。不同的權(quán)重計算方式可能導(dǎo)致不同的結(jié)果,為了更準(zhǔn)確地體現(xiàn)各因素在系統(tǒng)中的權(quán)重Wi,采用3種權(quán)重計算方式。

由于要素中心度Z代表著該要素在整個系統(tǒng)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(tǒng)中的權(quán)重值W′。

(7)

以中心度為直角坐標(biāo)橫軸,原因度為縱軸繪制散點(diǎn)圖?？赏ㄟ^影響因素所在坐標(biāo)和到坐標(biāo)原點(diǎn)的距離計算權(quán)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(yán)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(gòu)成。

2.2.2偏序規(guī)則

對于m列評估決策矩陣,每一列指標(biāo)都具有同屬性、可比性。指標(biāo)屬性可分為正向指標(biāo)和負(fù)向指標(biāo),正向指標(biāo)數(shù)值越大越優(yōu),記為Pi;負(fù)向指標(biāo)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(fù)向指標(biāo),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(guān)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(jīng)指出：人是環(huán)境的產(chǎn)物，人同時也改變著環(huán)境?！碍h(huán)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(shí)踐。”因此，高校思想政治教育在與時俱進(jìn)地適應(yīng)環(huán)境變化的同時，還要主動優(yōu)化環(huán)境、改造環(huán)境，以提高思想政治教育的實(shí)效性。

2.3 AISM

2.3.1關(guān)系矩陣A

由決策矩陣D通過式(10)得到關(guān)系矩陣A=(axy)n×n。

(10)

2.3.2一般性骨架矩陣S

根據(jù)式(11)計算得到可達(dá)矩陣R。在可達(dá)矩陣的基礎(chǔ)上進(jìn)行縮點(diǎn)和縮邊運(yùn)算,消除因素間自身的關(guān)聯(lián)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(shù)。

2.3.3對抗層級抽取

在可達(dá)矩陣R的基礎(chǔ)上根據(jù)式(12)進(jìn)行因素集的劃分：先行集A(Si)、可達(dá)集R(Si)、共同集C(Si)。根據(jù)原因優(yōu)先和結(jié)果優(yōu)先的抽取原則,并結(jié)合一般性骨架矩陣S繪制對抗層級拓?fù)鋱D。

UP型層級拓?fù)鋱D：通過結(jié)果優(yōu)先的層級劃分抽取方式,抽取規(guī)則為：C(Si)=R(Si)?？蛇_(dá)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?fù)鋱D：通過原因優(yōu)先的層級劃分抽取方式,抽取規(guī)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(shí)例分析

以西南某區(qū)域樞紐機(jī)場為例。該機(jī)場曾發(fā)生2次較為嚴(yán)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(chǎn)生較嚴(yán)重的負(fù)面影響。將該機(jī)場作為評估數(shù)據(jù)源,運(yùn)用DEMATEL-AISM方法進(jìn)行航站樓離港旅客聚集影響因素分析。

3.1 模型結(jié)果

通過表1中各因素間關(guān)聯(lián)影響度進(jìn)行評估,得出直接影響矩陣O。根據(jù)式(1)對直接影響矩陣進(jìn)行規(guī)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(diǎn)圖,見圖2。

圖2 中心度-原因度散點(diǎn)圖

中心度和原因度能更為全面地反映各因素在系統(tǒng)中的位置及作用。根據(jù)式(7)—(9)計算各影響因素權(quán)重和不同維度下因素權(quán)重,如圖3和圖4所示。通過原因度和中心度絕對值構(gòu)建決策矩陣如表2所示,同時根據(jù)式(10)引入偏序關(guān)系,在保留因素間差異性的前提下得到鄰接關(guān)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(dá)矩陣R,如表3所示。同時,根據(jù)式(12)層級抽取規(guī)則分別進(jìn)行UP型和DOWN型因素抽取。

圖3 因素權(quán)重示意圖

圖4 不同維度下因素權(quán)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(qiáng)關(guān)聯(lián)回路。觀察表3的可達(dá)矩陣發(fā)現(xiàn)無強(qiáng)關(guān)聯(lián)因素,可直接使用代數(shù)公式S=R-(R-I)2-I進(jìn)行布爾運(yùn)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(guān)系通過有向線段表示,結(jié)合對抗層級抽取結(jié)果繪制如圖5所示的對抗層級拓?fù)涫疽鈭D。

表3 可達(dá)矩陣因素

圖5 對抗層級拓?fù)涫疽鈭D

3.2 因素對抗層級結(jié)構(gòu)分析

層級結(jié)構(gòu)分析可揭示因素在系統(tǒng)中的相互作用關(guān)系[19]。如圖5所示,對抗層級拓?fù)鋱DUP型和DOWN型因素層級序列不完全一致,這是因?yàn)橄到y(tǒng)中存在處于不同層級的活動要素S2(旅客服務(wù)設(shè)施),表明系統(tǒng)是一個可變的拓?fù)湎到y(tǒng)。活動要素可以在不同層級進(jìn)行躍遷變動,對系統(tǒng)的穩(wěn)定性至關(guān)重要。航站樓內(nèi)旅客服務(wù)設(shè)施對于旅客的出行體驗(yàn)有直觀影響。同時,航站樓內(nèi)離港旅客流運(yùn)行狀態(tài)對旅客離港資源和服務(wù)都具有較強(qiáng)的敏感性,若離港資源配置不合理或設(shè)施設(shè)備故障損壞,則很可能會影響航站樓的正常運(yùn)行,造成旅客聚集事件。

在層級拓?fù)鋱D的同層級內(nèi),航站樓離港旅客聚集影響因素之間不存在強(qiáng)關(guān)聯(lián)因素,即因素間無環(huán)路,在系統(tǒng)中都具有獨(dú)立的影響和作用。通過中心度和原因度構(gòu)建決策矩陣并引入偏序關(guān)系得到鄰接關(guān)系矩陣。該方法在對抗層級拓?fù)鋱D中所表示的因素因果關(guān)系基礎(chǔ)上增加了更為嚴(yán)格的因素作用大小比較關(guān)系,將不同層級因素間的有向線段表示為可比較的優(yōu)劣關(guān)系,接收有向線段的因素在系統(tǒng)中要優(yōu)于發(fā)出有向線段的因素。

整個系統(tǒng)被劃分為8個對抗層級和3個發(fā)展影響層。根據(jù)影響因素對抗抽取規(guī)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?fù)鋱D的底層,例如,L8階梯上的因素即S1(航站樓供電設(shè)施設(shè)備)、S3(旅客流線)、S9(飛機(jī)機(jī)械故障)。一般情況下,旅客聚集在航站樓內(nèi)無法按照計劃出行甚至發(fā)生危險事件,都從根本上反映了航站樓相關(guān)單位對旅客保障能力和處理突發(fā)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(guān)聯(lián),發(fā)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(shù)量在系統(tǒng)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(yùn)行帶來的負(fù)面影響,或直接避免航站樓離港旅客聚集事件的發(fā)生。

直接層因素處于整個系統(tǒng)的頂層,不發(fā)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(tuán)體旅客)。上層因素又可細(xì)分為延誤類因素、突發(fā)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(jī)場航站樓離港旅客聚集量在時間和空間上都有其發(fā)展規(guī)律。直接層因素導(dǎo)致航班延誤或其他事件導(dǎo)致旅客出行受阻,進(jìn)而使得離港旅客開始在航站樓內(nèi)聚集,此時是事件的發(fā)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(fā)生,加劇航班延誤,若機(jī)場及航司等管理部門沒有采取積極措施及時應(yīng)對,則旅客聚集量進(jìn)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(jī)口和值機(jī)大廳等區(qū)域,嚴(yán)重影響機(jī)場正常運(yùn)行,甚至出現(xiàn)危險的群體性事件。

3.3 因素中心度、原因度和權(quán)重分析

中心度指標(biāo)被廣泛應(yīng)用于各種網(wǎng)絡(luò)結(jié)構(gòu)分析中[20]。在DEMATEL方法中作為一種正向的因素指標(biāo),因素數(shù)值越大、越優(yōu),在系統(tǒng)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(wù)設(shè)施)、S14(團(tuán)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(guān),因此在面對旅客聚集問題時,應(yīng)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(xiàn)為原因因素;該值小于0,代表受到其他因素影響較多,表現(xiàn)為結(jié)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(zāi))、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(jī)場在制定航站樓旅客聚集的相關(guān)處置措施時,應(yīng)從該類因素著手,提高機(jī)場自身在面對突發(fā)情況的保障能力。

旅客聚集影響因素原因度負(fù)值從大到小前5的排名依次為S8(航班計劃變更)、S14(團(tuán)體旅客)、S4(機(jī)場地面保障設(shè)備)、S2(旅客服務(wù)設(shè)施)、S12(航班波)。原因度值為負(fù)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(tǒng)的上層,對旅客聚集量的變化非常敏感,應(yīng)時刻關(guān)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(quán)重計算方式下的各影響因素權(quán)重差異性較大,但權(quán)重大小排序基本一致。圖4中,由于系統(tǒng)中存在活動要素,不同維度下影響因素權(quán)重排序僅存在較小差異。不同維度下因素權(quán)重降序排序依次為其他因素、機(jī)場因素、航班正常性因素、航司因素和突發(fā)因素。航班正常性因素和機(jī)場因素包含較多直接層和根源層因素,需要重點(diǎn)關(guān)注。

結(jié)合圖5所示的對抗層級拓?fù)鋱D與圖3因素權(quán)重排序可知,各影響因素的權(quán)重大小與因素在對抗層級拓?fù)鋱D中所在層級高低呈線性正相關(guān)。權(quán)重值較大的影響因素占據(jù)對抗層級拓?fù)鋱D的頂層,權(quán)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(quán)重通過中心度與原因度計算,對抗層級拓?fù)鋱D基于中心度、原因度和偏序關(guān)系得到。綜上可知,對抗層級拓?fù)鋱D可作為原因度-中心度在二維平面上更加直觀且詳細(xì)的另一種表現(xiàn)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(jié)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(zhǔn)點(diǎn)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(dǎo)致航班延誤航站樓旅客聚集時,要立刻啟動相應(yīng)的應(yīng)急處置預(yù)案?？筛鶕?jù)航站樓設(shè)計可容納旅客數(shù)建立實(shí)時聚集預(yù)警機(jī)制,同時在航站樓內(nèi)的安檢、值機(jī)和登機(jī)口各關(guān)鍵區(qū)域設(shè)置旅客聚集人數(shù)預(yù)警閾值。針對實(shí)時航班計劃、天氣信息等因素的監(jiān)控分析,建立各區(qū)域旅客聚集量預(yù)測模型。結(jié)合各區(qū)域?qū)崟r監(jiān)測到的人群聚集量,對已達(dá)到或即將達(dá)到預(yù)警閾值的區(qū)域及時采取疏散措施,對不同航班狀態(tài)旅客采取不同疏散措施,從而維持航站樓內(nèi)旅客流的相對穩(wěn)定。發(fā)生延誤時,旅客心理壓力較大,若長時間等待容易產(chǎn)生焦躁情緒,因此機(jī)場各單位須時刻關(guān)注并及時提供航班動態(tài)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(dǎo)致的聚集,應(yīng)首先簡化旅客離港流程,建立更加高效有序的排隊機(jī)制,引導(dǎo)旅客自助值機(jī)來分散密集的排隊聚集人群。

對于其他突發(fā)類因素導(dǎo)致的旅客聚集,機(jī)場各單位應(yīng)根據(jù)實(shí)際情況制定完善、合理的應(yīng)急處置預(yù)案,并定期進(jìn)行實(shí)地演練。

4 結(jié)論

1) 運(yùn)用偏序集理論對模型進(jìn)行改進(jìn)。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(guān)系構(gòu)建決策矩陣。通過偏序關(guān)系得到AISM輸入關(guān)系矩陣,克服經(jīng)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(fā)展進(jìn)程和8個對抗層級?；谥行亩群驮蚨冉^對值和的因素權(quán)重前5名分別為航班計劃變動(0.16)、極端天氣(0.11)、團(tuán)體旅客(0.10)、地震(0.09)、大客流(0.08)。因素權(quán)重大小和在對抗層級拓?fù)鋱D中所處層級高低的一致性揭示了系統(tǒng)中旅客聚集影響因素權(quán)重與對抗層級拓?fù)鋱D之間的線性關(guān)系。

3) 航站樓供電設(shè)施、旅客流線以及旅客服務(wù)設(shè)施等體現(xiàn)航站樓旅客保障能力的相關(guān)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(jī)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(yīng)對措施。