投稿到民航资源网

民航大蓝洞:过站时间分析之运行时段影响

 2017-12-20 来源:民航资源网 作者:丛玮  [投稿排行榜]
2017-12-20 15:06:51

我来说两句(0) 分享

  在之前的分析中(详见《航空公司及机场整体过站情况分析》一文),研究发现机型、城市对航线(航班编排)等均会对航班过站时间产生较大影响,即部分航班由于内秉属性,注定“过站时间较长”。针对计划过站时间,将在新的报告中展开专门的分析,希望借助对计划过站时间的剖析,增强航班计划编排的科学性和合理性。

  除了上述因素外,运行时段也影响了过站时间的分布。根据起降架次的分布特征,运行时段能够间接反映机场的繁忙程度,若航班到达机场开始保障的时段过于拥挤,则必然导致资源分配的紧张,从而影响过站时间。选取2016年9月份的实际数据作为样例,统计部分繁忙机场在各时段的实际平均过站时间。为了尽量去除中国邮政航空、中国国际货运航空、顺丰航空等货运航空公司航班以及过夜航班的影响,截取8:00-23:00作为分析时段,以1小时为统计时间间隔。

  对比各机场在9月份内不同时段平均过站时间的整体分布与波动情况:基于任一时段在不同日期中的过站表现,采用平均值和标准差两个常用统计指标进行定量分析。以成都双流机场、上海浦东机场和杭州萧山机场为示例,如图1-图3所示,各个机场连续时段内的平均过站时间呈现出不同的分布形态和波动规律。

  图1:成都双流机场平均过站时间均值方差图

  在8:00-17:00之间,成都双流机场保持了比较稳定的过站水平,而从17:00开始,平均过站时间逐渐下降,最终在22:00-23:00内平均过站时间降低至最低水平;除了在8:00-9:00内过站时间波动较大外,机场在其余时段内的平均过站时间变化幅度均较为平稳。数据表明,对于成都双流机场,时段的影响并不显著,在20:00以后,平均过站时间才开始进入较为明显的阶梯下降模式。除了平均过站时间外,过站时间的波动性也值得密切关注,该指标可以量化反映同一时段在当月每天遭受的扰动程度,对于波动较大的时段,应采取更为深入的事后分析诊断,以判别影响因素来源,确认症结所在。

  图2:上海浦东机场平均过站时间均值方差图

  与成都双流机场相比,上海浦东机场的过站时间受运行时段的影响则较为明显。在8:00-14:00之间,数据分布可近似为开口向上的抛物线形状,平均过站时间在11:00-12:00内降至波谷;随后数据基本保持轻微波动状态,在19:00后,平均过站时间逐渐降低至最低水平。整体而言,平均过站时间最长且波动最大的时段是8:00-9:00;在22:00-23:00内,平均过站时间虽然最短,但波动幅度依然较大;与成都双流机场相比,上海浦东机场过站时间波动幅度较大的时段数量变多。因此,对于上海浦东机场,时段影响效应仍需密切关注。

  图3:杭州萧山机场平均过站时间均值方差图

  杭州萧山机场平均过站时间的分布态势则与上海浦东机场较为接近,运行时段的影响也非常明显。在8:00-14:00之间,平均过站时间同样可近似视为抛物线形态,在10:00-12:00内取得局部极小值;但从14:00开始,过站时间便整体表现出递减趋势,虽然在17:00-18:00内,平均过站时间短暂提升,但整体趋势保持不变。除了8:00-9:00,杭州萧山机场在12:00-14:00内平均过站时间的波动幅度也较大。

  为了识别不同机场平均过站时间的分布模式,采用聚类分析方法。选取北京首都、上海虹桥、上海浦东、广州白云、深圳宝安、成都双流、昆明长水、杭州萧山、重庆江北、郑州新郑等25个繁忙机场,随机选择2016年9月7日8:00-23:00的数据,仍以1小时为间隔,统计平均过站时间。

  图4:25个机场平均过站时间聚类中心

  基于平均过站时间的时序分布特征,将所有机场聚为3类,聚类中心如图4所示。在聚类结果中,第一类主要包含了北京首都机场、厦门高崎机场;第二类主要包括了上海虹桥机场、武汉天河机场、郑州新郑机场、大连周水子机场等;第三类主要包含了成都双流机场、广州白云机场、昆明长水机场、上海浦东机场、乌鲁木齐地窝堡机场等,属于第三类的机场数量最多,约50%(聚类对象内)。

  第一类机场平均过站时间普遍高于第二类和第三类机场,其中在16:00-20:00内达到峰值(平均过站超过3小时),说明在该时段内过站保障最为繁忙,保障效率应存在一定的提升空间。第二类机场和第三类机场的过站时间分布较为相似,在10:00以后,两者的变化趋势较为一致,仅在数值上存在较小差别;而在8:00-10:00内,两类机场存在明显差别,第三类机场的过站时间峰值出现在8:00-9:00,说明该时段内过站保障压力较大,若能挖掘影响该类机场过站保障的运行要素,便能制定有效措施提升该类机场的整体过站水平。总体而言,第二类机场的平均过站时间最短,保障效率最高。

  均值方差统计和聚类分析表明,样本机场的过站保障水平受到了运行时段的影响,具备多重时序分布模式。利用聚类分析方法,可以快速判别某个机场所属分布类别,而应用均值方差可以较好地剖析该机场在不同时段内过站保障波动趋势,识别受影响较大的时段,以便针对扰动时段挖掘相关问题,采取对应措施提升过站保障效率。

  由于不同机场过站水平受运行时段的影响模式各有差异,使用起降架次总和、起飞架次和落地架次等指标量化反映时段的影响,试图分析平均过站时间与起降架次等指标之间的相关特征,总结相关性分布规律。

  以北京首都机场和上海虹桥机场的数据为例,9月份内每天的平均过站时间与起降架次总和的相关性如图5所示,北京首都机场的平均过站时间与起降架次总和整体呈现负相关,而上海虹桥机场的平均过站时间与起降架次总和普遍呈现正相关。两个机场表现出完全相反的相关趋势。

  图5:相关性对比

  为了增加样本容量,继续选取北京首都、上海浦东、深圳宝安、成都双流、昆明长水等25个繁忙机场,基于9月份整月数据计算平均过站时间和起降架次总和之间的相关性。

  图6:平均过站时间与起降架次总和的相关性分布(25个机场)

  如图6所示,25个机场表现出两类趋势:正相关和负相关。大部分机场(17个)的平均过站时间与起降架次总和呈负相关,即机场起降架次越多,平均过站时间越短,这在直观上与认知不符(通常直觉认为该机场在某一时段内的起降架次越多,保障压力越大,而过站时间会越长)。当然,相关性并不意味着因果关系,只是时间序列的一种统计特征,只有统计结果具备运行层面的客观支撑时,才能形成一般性规律。同理,在对平均过站时间与起飞架次、落地架次的相关性分析中,也没有挖掘到深层规律。

  因此,平均过站时间与起降架次总和、起飞架次和落地架次之间并没有普适的线性相关特征,对于形成“运行时段”影响力的内因,仍需结合运行层面做进一步挖掘探索。

  民航大蓝洞

  秉承协助建设民航强国为宗旨,民航大蓝洞致力于为全球民航提供高端效能分析和专业咨询服务,服务对象涉及空管、航空公司、机场和社会公众,服务内容包括空中交通运行性能评估,空域资源利用效率评估,航空公司/机场运行水平分析和评价,出行方案设计和优化等。

  合作邮箱:congweibailibing@163.com。

6荐闻榜

延伸阅读:
发表评论
发表请先 登陆/注册

严禁发布攻击他人、言语粗俗、涉及政治等违反规定的言论,违者法办!