基于SNA-NK的大面积航班延误影响因素关联性分析

张兆宁 ,  范玉莹

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (22) :9712-9722

PDF (5923KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (22) :9712-9722 DOI: 10.12404/j.issn.1671-1815.2506027
航空、航天

基于SNA-NK的大面积航班延误影响因素关联性分析

作者信息 +

Analysis of Correlation among Influencing Factors of Large-scale Flight Delays Based on SNA-NK

Author information +
文章历史 +

摘要

针对大面积航班延误问题,重点揭示大面积航班延误影响因素间的关联性与层级耦合特征。首先确定出4个一级影响因素,并进一步识别出21个二级影响因素,通过德尔菲法构建邻接矩阵,明确因素间的因果关联;在此基础上,应用社会网络分析法(social network analysis,SNA)以及NK模型,绘制得到延误因素的有向网络图,对延误因素的网络结构特征与多层耦合关系展开综合分析,定量解析因素关联强度及层级耦合性。研究表明,大面积航班延误影响因素网络具有显著的多层耦合性,机-人层级耦合最为紧密,环境因素在系统中发挥全局驱动作用,管理层主要承担着跨层协调的功能。最终结合SNA和NK模型,通过网络指标和层级耦合性的综合计算,得到大面积航班延误的关键影响因素排序,为大面积航班延误的控制恢复策略提供了量化依据。

Abstract

Focus is directed toward the issue of large-scale flight delays, and the correlations and hierarchical coupling among the influencing factors are to be revealed. Four primary factors were identified, and twenty-one secondary factors were further recognized. The adjacency matrix was constructed by the Delphi method to determine the causal relationships among factors. On this basis, SNA (social network analysisand) the NK model were applied. A directed network of delay factors was built, and the structural characteristics and multi-level coupling relationships were analyzed. The strength of associations and the degree of hierarchical coupling were quantified. The results show that the network of influencing factors has significant multi-level coupling. Human-machine coupling is the most intensive. Environmental factors play a global driving role, and management factors mainly undertake cross-level coordination. By combining SNA and the NK model, the key influencing factors are ranked through integrated calculations of network indicators and hierarchical coupling. The findings provide a quantitative basis for control and recovery strategies of large-scale flight delays.

Graphical abstract

关键词

大面积航班延误 / 社会网络分析法(SNA) / NK模型 / 多层耦合 / 关键影响因素

Key words

large-scale flight delays / SNA (social network analysis) / NK model / multi-layer coupling / key influencing factors

引用本文

引用格式 ▾
张兆宁, 范玉莹. 基于SNA-NK的大面积航班延误影响因素关联性分析[J]. 科学技术与工程, 2026, 26(22): 9712-9722 DOI:10.12404/j.issn.1671-1815.2506027
ZHANG Zhao-ning, FAN Yu-ying. Analysis of Correlation among Influencing Factors of Large-scale Flight Delays Based on SNA-NK[J]. Science Technology and Engineering, 2026, 26(22): 9712-9722 DOI:10.12404/j.issn.1671-1815.2506027

登录浏览全文

4963

注册一个新账户 忘记密码

近年来,中国民航业稳步发展,航班运行总量呈现持续增长趋势。然而受各种因素影响,大面积航班延误时有发生,这不仅直接降低旅客出行满意度,增加航空公司运营成本,还会导致机场地面资源调度紊乱,引发空管系统运行效率下降等连锁问题,对航空运输系统的稳定性构成严重威胁。大面积航班延误往往涉及多环节,其成因复杂、相互作用显著。系统识别并分析影响因素,有助于揭示延误的关键驱动机制,是制定精准防控策略、提升航班正常率的前提,对保障航空运输系统高效运转具有重要意义。
中外关于航班延误影响因素的研究虽已积累了不少成果,但现有研究在系统性因素关联分析等方面有待进一步完善。在国外,Hansen[1]研究发现尽管只是中度拥堵(每个到达航班的平均排队延误仅4 min),但个别航班可能会对其他航班产生多达3 h的外部延误影响,大约90%的影响来自航空公司和航班外部。AhmadBeygi等[2]分析了航班延误在客运航空网络中传播的可能性,指出当按一天中的起飞时间计算时,航班之间的延误传播存在显著差异,其严重程度、深度和幅度随着根航班的起飞时间越晚而越大。Fleurquin等[3]提出技术、运营或气象问题影响部分航班时,会引发初始延误;提出量化网络拥堵风险的新指标,建立网络模型,揭示乘客和机组人员的流动性是延误传播的主要内部因素。Asfe等[4]基于模糊网络分析给不同影响因素排序,指出天气、技术故障、延误累积是导致航班延误的主要原因。Du等[5]基于格兰杰因果检验构建延误因果网络(delay causality network, DCN)。研究发现,出行高峰期仅有约1/4的机场参与延误传播,且大型机场受较多上游机场影响,却影响较少下游机场。同时,对DCN的时间分析显示,航空运输系统中延误传播的主要机场并非固定,而是会随每日运行环境变化。Shao等[6]提出了一种结合机场态势感知图的时空卷积网络模型,用于预测航班起飞延误。研究发现,机场地面交通运行状态、天气信息以及航班计划等多源数据对延误结果具有显著影响。Wang等[7]通过实证研究,确定了影响伊朗航空业航班延误的重要因素。将航班、空中交通管制、天气、环境等数据结合,并运用层次分析法,对航班延误发生时需采取的重要措施进行了优先级排序。Wu等[8]研究发现,单一特征对航班延误时长的影响有限,起飞时间、航空公司和降水量对航班延误有显著影响。Wu等[9]同时考虑空间和时间因素,整合与延误传播相关的时空依赖性及外部因素,提出了时空分离图卷积网络,反映外因变量(如航线结构、天气、调度等)对延误传播的影响。
在国内,马正平等[10]指出,宏观上,机场和空域的容量不能满足日益增长的空中交通需求是造成航班延误的主要因素。微观上,有恶劣天气的影响、飞机机械故障、航空公司计划原因、旅客原因等。荣耀等[11]由仿真计算得出,飞机资源和机组资源的独立分配导致初始航班发生延误时,可能会使许多使用上游飞行资源的下游航班发生延误。邵荃等[12]将航班延误影响因素分为航空公司原因、机场管理原因、航空管制原因以及旅客原因,基于贝叶斯网络的航班延误分析模型探究各因素对机场离港航班延误的影响作用。张兆宁等[13]首次将单个机场航班延误研究扩展到大面积航班延误研究,分析了大面积航班延误传播的两条途径,建立了O-D机场大面积航班延误传播的状态空间模型。吴薇薇等[14]利用基于贝叶斯网络的Cox回归模型,对带有飞行资源分离航班串中的延误波及情况进行研究,得出飞机资源与机组资源在不同时刻的分离对衔接航班的离港延误,以及整个后续航班串延误时间的影响都不同。张兆宁等[15]从空中交通网络流的系统角度界定了大面积航班延误,建立了基于传染病模型(susceptible-exposed-infected-reco-vered, SEIR)的大面积航班延误传播模型。张兆宁等[16]基于过程分析方法,将大面积航班延误的形成分为4个阶段,分别为某节点或航线个别航班延误、航班延误未得到有效控制、延误航线逐渐积累以及与延误源关联的节点航线上的大量航班延误。张兆宁等[17]以机场为节点、航线为边、航延时间为边权构建了多机场航班延误网络,借鉴传染病模型思想,结合机场间传播差异提出机场重要度,构建多机场延误传播模型。闫少华等[18]通过新增节点改进经典SEIR模型,结合相轨线分析挖掘延误传播规律,构建了基于改进传染病模型(susceptible-explored-infected-death-recovered, SEIDR)的大面积航班延误传播模型,并应用于空中交通网络,得出大面积航班延误的传播阈值和蔓延规律。
现有研究多聚焦于单一机场的延误成因机制或单个影响因素对航班延误的影响,忽视大面积航班层面、多因素耦合导致的延误分析。鉴于此,根据中国民航大面积航班实际运行情况,现构建涵盖人、机、环、管4个维度的延误影响因素指标分类体系。在民航领域引入社会网络分析-NK模型(social network analysis-NK model, SNA-NK),系统识别大面积航班延误的影响因素,分析其结构关系以及层级耦合性,为大面积航班延误防控与提升航空网络运行效率的策略制定提供定量的理论支持与依据。

1 大面积航班延误的相关概念

1.1 大面积航班延误定义

根据《航班正常管理规定》(中华人民共和国交通运输部令2016年第56号)第三条第二款,“航班延误”是指航班实际到港挡轮挡时间晚于计划到港时间超过15 min的情况。根据第三条第七款,“大面积航班延误”是指机场在某一时段内一定数量的进出港航班延误或者取消,导致大量旅客滞留的情况。某一机场的大面积航班延误由机场管理机构根据航班量、机场保障能力等因素确定。由于单个机场的航班延误不足以表征大面积航班延误,因此,所研究内容并非针对单个机场,而是将其拓展到某一范围内机场群的大面积航班延误。

1.2 大面积航班延误的形成过程

大面积航班延误是多种因素耦合作用下的复杂演化过程,其形成机制可分为4个阶段,如图1所示。

人、机、环、管等触发因素首先对运行系统施加干扰,造成系统局部运行能力下降。当干扰叠加导致一定区域内的流量超出容量时,系统因无法消化新增需求而引发初始延误。在网络效应与跨层耦合的共同作用下,延误进一步在各运行环节间扩散、放大。最终,当多个局部延误在较大范围内持续积累后,最终演化为大面积航班延误。

从流量-容量的关系来看,当流量小于容量时,系统处于正常状态,不会产生延误;当流量接近容量时,稍有扰动即可导致拥挤;而当流量超过容量时,系统便出现不可避免的排队与延误。大面积航班延误的形成,实质上是多类触发因素共同作用下导致局部与整体运行能力不足,从而使系统流量-容量失衡的结果。

2 影响因素识别与邻接矩阵建立

2.1 影响因素的识别

基于中国民航2021—2025年的大面积航班延误事件数据,综合历史大面积航班延误记录数据与相关文献。通过对延误案例的系统梳理与归因分析,识别提并取出大面积航班延误的影响因素,将影响因素进一步划分为一级分类与二级细化因素两个层级。其中,一级因素为延误产生与扩散过程中起核心作用的顶层因素,二级因素则为可量化、可识别的具体致因事件或运行状态,构成一级因素的内在支撑结构,最终得到4个一级影响因素“人员(人)、机器设备设施(机)、环境(环)、管理(管)”和21个二级影响因素,定义一级影响因素的指标:人、机、环以及管,在此基础上得到各个二级影响因素的指标,如表1所示。

(1)人:涉及运行人员、旅客行为及人为干扰,该层级下的二级因素如下。①机坪管制员操作;②塔台管制员操作;③进近管制员操作;④区域管制员操作;⑤净空区域人为干扰(如未经许可的升空物体、无人机、违规施工、燃放烟花爆竹等);⑥机场的人为突发事件(如旅客违规闯入跑道、航站楼内突发群体冲突、工作人员操作失误导致的安全事件等);⑦飞行员操作。由于飞行员操作多受管制员指挥影响,在指标确定时不予考虑。

(2)机:涵盖航空器状态、地面保障设备与运行技术系统,该层级下的二级因素如下。①空管通信导航设备故障;②机场设施设备故障;③机场基础设施容量受限;④航空器严重运行事故。

(3)环:涵盖自然环境、气象变化与外部突发干扰,该层级下的二级因素如下。①气象因素(如强降水、雷暴、大雾、大风、低云等);②飞行中的外来物影响;③飞行空域减小(航空器实际可使用的飞行空域范围、高度层或航线通道缩小的现象);④空域冲突(在特定空域内,两架或多架航空器的飞行路径、高度或速度出现交叉、接近等情况,导致其间隔小于安全标准的潜在碰撞风险状态)。

(4)管:指航班调度、运行管控与应急响应等管理活动,该层级下的二级因素如下。①航司机组管理调度;②航司航班时刻安排;③空管流量调控;④外部管制(在航空运输运行过程中,由民航管理部门之外的其他有权机构,如军事航空管理部门、空中交通临时管制单位等,依据相关规定或实际需求,对特定空域、时段的航空器飞行活动实施的限制性管控);⑤空管,机场,航司协同不畅;⑥管制员和机组沟通问题;⑦应急响应不足。

2.2 邻接矩阵的建立

根据表1所得到的影响因素集,采用德尔菲法构建大面积航班延误影响因素的邻接矩阵,如表2所示。邻接矩阵是用于表示有向图中顶点之间相邻关系的矩阵,将21个二级影响因素视为有向图中的顶点,构建一个21×21的方阵,矩阵中的元素aij用于表征因素i与因素j之间的因果关联。邀请了具有10年以上民航管理经验从业者10名、航空运输领域的高校教授及研究人员8名,以及来自航空公司和机场的一线技术骨干9名,共计27名专家参与。

为确保邻接矩阵构建的科学性,设计并发放了专家调查问卷。问卷由两部分组成:第一部分为各延误影响因素的定义与说明,确保专家对各影响因素具有统一理解;第二部分为因果关系判断表,列出了所有因素之间的组合,要求专家根据自身经验与专业知识,对各影响因素之间的因果关系进行判定,在矩阵中,“1”表示因素i对于因素j存在因果关系,“0”则表示不存在因果关系。在收集到所有专家的打分意见后,对结果进行系统整理,最终获得27份有效问卷。对于存在分歧的判断,通过组织专家研讨会的形式进行深入探讨,经过多轮迭代与意见整合后,最终得到大面积航班延误影响因素的邻接矩阵。

为验证问卷结果的整体一致性,采用Fleiss' Kappa系数进行检验。结果显示,最终专家判断的整体Fleiss' Kappa系数为0.83,统计显著性 P<0.001;可判定27位专家对各因素间因果关系的判断具有极高的整体一致性,表明邻接矩阵的内容有效度良好,能准确反映大面积航班延误影响因素间的实际因果关系。

3 SNA-NK模型

3.1 方法概述

社会网络分析(social network analysis,SNA)是一种以网络结构为研究对象、强调关系性和结构性的分析方法。相比于传统统计学方法侧重变量与个体属性,SNA更关注系统中各要素之间的相互连接模式、影响路径和网络位置特征。在大面积航班延误问题中,各类影响因素并非孤立存在,而是相互耦合、彼此作用。SNA提供了可视化和结构化的手段,用于揭示这些因素之间的因果关系,并量化各节点在系统中的作用地位,从而为延误传播建模与控制策略的制定提供数据基础和结构依据。

NK模型(NK fitness model)最早由Kauffma提出,是一种描述系统复杂性及其适应性景观的理论模型。该模型中,N表示系统中独立单元的数量,K表示每个单元与其他单元之间的直接耦合数量,反映系统的相互依赖程度。当K较小时,系统呈现弱耦合、模块化特征,个体变化的影响主要局限在局部范围内;当K较大时,系统趋于高度耦合,局部扰动可在全局范围快速扩散,从而增加系统的不稳定性与不可预测性。在大面积航班延误的致因网络中,各影响因素之间的耦合程度决定了延误传播的速度与范围,NK模型可用于定量刻画这些因素的关联密度与跨类别作用强度,为识别关键节点和优化调控策略提供依据。

结合两种方法的优势,SNA-NK方法既能够利用SNA提取延误致因网络的结构特征,又能通过NK模型量化节点间的耦合强度及多层依赖模式,从而为延误防控提供理论支撑与定量化分析依据。首先基于SNA方法构建有向网络图,计算各个节点指标值,分析结构特征;其次应用NK模型分析层内耦合度与跨层耦合度;最终结合SNA与NK模型综合计算得到关键影响因素排序。

3.2 网络模型构建

基于2.2节中构建的大面积航班延误影响因素邻接矩阵,进一步建立因素的有向网络模型。

(1)节点定义。为系统刻画大面积航班延误影响因素之间的作用关系,应用社会网络分析方法构建有向网络模型。以德尔菲法确定的延误影响因素作为网络节点集合V=v1,v2,…,vn,每个节点对应一个具体的因素类别,涵盖人-机-环-管4个维度。

(2)边的属性。根据专家评估得到的邻接矩阵A=aijn×n确定边关系:若因素i对因素j具有直接因果影响,则赋值aij=1,并在网络中绘制一条由i指向j的有向边;若不存在影响,则aij=0。因此,网络被定义为一个有向图G=V,E,其中边集合为E=(vi,vj)|aij=1。

(3)网络拓扑特征。所得有向网络不仅反映了因素之间的单向因果链条,也可能包含双向关系与闭环结构,从而体现延误因素之间的反馈机制和耦合效应。该模型能够模拟从初始触发因素出发,经由多环节传导,最终演化为大面积航班延误的扩散路径,在网络构建完成后,利用UCINET软件对网络进行可视化展示。

3.3 基于SNA网络的结构指标计算方法

根据上文所得网络模型,进行各项指标计算。为刻画航班延误因素网络的结构特征,选取了网络密度、出度中心性、中间中心性和接近中心性4个经典指标,分别从整体耦合程度、局部影响能力、路径控制能力和全局传播效率等多个维度对节点进行评估。各指标计算方式如下。

3.3.1 个体网络密度

网络密度是衡量网络中实际存在边数与所有可能边数之比,反映系统中因素之间的整体耦合程度。密度越高,说明因素之间的关联越紧密,延误更容易大范围传播。对于有向网络,个体网络密度定义为

D=$\frac{L}{n(n-1)}$

式(1)中:L为网络中实际存在的有向边数量;n为网络中节点总数;n(n-1)为在没有自环的情况下所有可能的有向边数。

若密度接近1,说明延误因素之间联系紧密,系统耦合程度高,延误更容易传播;若密度较低,则说明各因素之间影响较弱,耦合松散。

3.3.2 出度中心性

出度中心性用于衡量某节点对其他节点的直接影响力。在有向网络中,节点的出度中心性可表示为其出边数量在网络中所占的比例,用以识别影响其他因素最多的节点,即潜在的延误源头或控制关键点,计算公式为

CD(v)=$\frac{{d}_{out}\left(v\right)}{n-1}$

式(2)中:dout(v)为节点指向其他节点的出边数;n-1 为节点v所能达到的最大节点数。

出度中心性高的节点代表它可能引发多种延误因素,是网络中典型的“延误源”或高风险节点。

3.3.3 中间中心性

中间中心性反映某节点在网络中作为其他节点之间中介的能力,是衡量其控制信息或延误传播路径的能力指标,计算公式为

${C}_{B}\left(v\right)={\sum }_{s\ne v\ne t}^{}\frac{{\sigma }_{st}\left(v\right)}{{\sigma }_{st}}$

式(3)中:σst为从节点s到节点t的最短路径总数;σst(v)为这些路径中经过节点v的条数,总和遍历所有s≠v≠t的节点对。

中间中心性较高的节点通常处于多条最短路径的关键位置,反映其在信息或延误传播中承担重要的路径调节和控制功能。

3.3.4 接近中心性

接近中心性衡量一个节点与其他所有节点的平均距离,反映其在网络中对其他因素的潜在影响范围与传播速度,计算公式为

${C}_{C}\left(v\right)=\frac{n-1}{{\sum }_{u\ne v}^{}d(v,u)}$

式(4)中:d(v,u)为从节点v到节点u的最短路径长度。

接近中心性较高的节点通常位于网络的结构性中心位置,能够以较短路径影响大部分其他节点,具备较强的信息扩散能力和系统调控潜力。

3.4 基于NK模型的多层耦合关系分析方法

大面积航班延误影响因素网络中,每一个节点代表一个具体的致因因素,节点之间的有向边表示因素之间的直接因果作用。通过对邻接矩阵的计算,可以得到每个节点的耦合度,并进一步区分为层内耦合度与跨层耦合度,以反映其在人-机-环-管多层结构中的作用模式。利用构建的大面积航班延误影响因素邻接矩阵,首先定义每个节点的耦合度Ki、层内耦合度${K}_{i}^{intra}$、跨层耦合度${K}_{i}^{inter}$、归一化耦合度${K}_{i}^{norm}$与跨层比例${R}_{i}^{cross}$,并在人-机-环-管4层结构上绘制分层灰度图,反映高耦合节点的分布位置及跨层作用特征。

3.4.1 单节点耦合度计算

假设延误致因网络包含N个节点(因素),其因果关系可表示为一个N×N邻接矩阵A=[aij]。

[aij]=$\left\{\begin{array}{ll}1,& \mathrm{若}\mathrm{第}i\mathrm{个}\mathrm{因}\mathrm{素}\mathrm{直}\mathrm{接}\mathrm{影}\mathrm{响}\mathrm{第}j\mathrm{个}\mathrm{因}\mathrm{素}\\ 0,& \mathrm{否}\mathrm{则}\end{array}\right.$

对于节点i,其耦合度Ki定义为与其直接相连的其他节点数。

$K_{i}=\sum_{j=1, j \neq i}^{N}\left[a_{i j}+a_{j i}>0\right]$

3.4.2 层内与跨层耦合度

假设系统被划分为L个类别层,记节点i所属的层为ℓ(i)。层内耦合度${K}_{i}^{intra}$以及跨层耦合度${K}_{i}^{inter}$计算公式为

$K_{i}^{\text {intra }}=\sum_{j=1, j \neq i, \ell(j)=\ell(i)}^{N}\left[a_{i j}+a_{j i}>0\right]$
$K_{i}^{\text {inter }}=\sum_{j=1, j \neq i, \ell(j) \neq \ell(i)}^{N}\left[a_{i j}+a_{j i}>0\right]$

由式(6)和式(7)可知,Ki=${K}_{i}^{intra}$+${K}_{i}^{inter}$。

3.4.3 归一化耦合度与跨层比例

为便于不同网络规模下的比较,将Ki进行归一化处理,得到归一化耦合度${K}_{i}^{norm}$,其计算公式为

${K}_{i}^{norm}$=$\frac{{K}_{i}}{N-1}$

应用跨层比例${R}_{i}^{cross}$刻画节点在跨类别连接中的相对重要性,其计算公式为

${R}_{i}^{cross}$=$\frac{{K}_{i}^{inter}}{{K}_{i}}$

3.5 基于SNA-NK的关键影响因素识别

结合SNA与NK模型计算结果,对大面积航班延误的关键影响因素进行多指标综合确定。既考虑了节点在网络结构中的位置作用,也反映了其跨层耦合特征,从而实现结构性指标与耦合性指标的结合。定义出度中心性CD(v)、中间中心性CC(v)与接近中心性CC(v),分别反映因素在延误传播中的触发能力、路径调节能力与扩散速度。再选取归一化耦合度${K}_{i}^{norm}$与跨层比例${R}_{i}^{cross}$,用于揭示因素在系统层面上的层内与跨层作用强度。为保证各指标的可比性,对所有指标进行区间标准化处理。定义${\widehat{x}}_{ij}$为第i个因素在指标j上的归一化值。分别计算SNA综合得分${S}_{i}^{SNA}$与NK综合得分${S}_{i}^{NK}$。

${\widehat{x}}_{ij}$=$\frac{{x}_{ij}-min{x}_{j}}{max{x}_{j}-min{x}_{j}}$
${S}_{i}^{SNA}$=$\frac{1}{3}$(${\hat{C}}_{i}^{out}$+${\hat{C}}_{i}^{bet}$+${\hat{C}}_{i}^{clo}$)
${S}_{i}^{NK}$=$\frac{1}{2}$($\stackrel{̑}{{K}_{i}^{norm}}$+$\stackrel{̑}{{R}_{i}^{cross}}$)

最后,将${S}_{i}^{SNA}$和${S}_{i}^{NK}$进行等权融合,得到每个因素的多指标综合得分Si。

Si=$\frac{1}{2}{S}_{i}^{SNA}$+$\frac{1}{2}{S}_{i}^{NK}$

根据综合得分Si从高到低排序,选取排名靠前的因素作为大面积航班延误的关键影响因素。

4 影响因素网络模型分析

4.1 网络模型构建

根据2.2节得到的邻接矩阵,应用UCINET软件,绘制得到大面积航班延误影响因素的有向网络图,如图2所示。

由图2可知,网络呈现高度互联性,节点间边密集,说明影响因素间因果关系复杂,单个因素易通过多条路径触发或受其他因素影响,反映大面积航班延误的系统复杂性,多因素耦合作用显著,不是简单线性关联。其中,存在被多条边指向的核心枢纽节点可能是关键致因或延误扩散的核心传递点,接下来根据网络特征进行深入分析。

4.2 网络指标结果分析

4.2.1 个体网络密度分析

计算得到各影响因素的个体网络密度值计算结果。如图3所示,给出密度分布的可视化结果。

根据计算结果,所有因素的个体网络密度均介于30%~70%,平均值约为44.61%,说明各节点在其局部网络中都具有较为紧密的连接关系。根据个体网络密度的定义,较高的密度意味着节点的相邻因素之间也存在显著的连接关系,从而构成了明显的结构耦合。这一结果表明,航班延误的影响因素并非独立或孤立地发挥作用,而是在局部范围内形成了较强的耦合结构,即各因素之间存在显著的相互作用关系。高个体密度反映了某一因素的直接相邻因素之间也高度关联,从而可能在系统中引发连锁反应或放大效应。在所有因素中,个体密度最高的为E2(69.05%),其次为M1(63.33%)和G5(56.94%),说明这些因素在自身网络中处于高度耦合的状态,对系统延误形成强关联影响。

4.2.2 出度中心性分析

出度中心性反映节与其他因素的直接关联程度。中心性值越高,说明该因素的外向影响力越强,在航班延误传播中发挥扩散的关键作用越大,为潜在延误源节点。各节点出度中心性结果如表3所示。结果显示,不同类型因素在延误传播中的外向驱动作用存在显著差异。气象因素(E1)的出度中心性值最高,表明其对其他因素的外向影响最为显著,是典型的“延误源”节点。其次,航空器严重运行事故(M4)、空管通信导航设备故障(M1)、跨部门协同不畅(G5)及应急响应不足(G7)的出度中心性亦较高。这些节点具有较强的外部扩散能力,其发生不仅导致自身运行能力下降,还易通过网络中多条路径向其他因素传递压力。其中,M4作为低概率高影响的典型因素,往往能重塑延误传播格局;而G5与G7则揭示了管理环节在延误扩散中的关键作用,表明组织协同与应急机制缺失为放大延误的重要驱动因素。

4.2.3 中间中心性分析

中间中心性结果揭示了延误传播主要集中于事故、流量调控及管理决策节点。中间中心性分布呈现明显的集中性差异,仅少数节点在延误传播路径中发挥关键的调节作用,结果如图4所示。

航空器严重运行事故(M4)的中间中心性最高,表明其处于多条最短路径的核心位置,是典型的路径控制节点。航班时刻安排(G2)与空管流量调控(G3)居于前列,反映了管理类因素在延误扩散中的枢纽作用,它间接影响多类节点的运行状态。此外,塔台管制员操作(H2)、应急响应不足(G7)及空域冲突(E4)等因素也表现出一定的中介功能,显示人因与环境因素在特定场景下具备的通路调节作用。另外,多个节点(如H5、H6、E1、E2、M2)中间中心性为零或接近零,说明这些因素虽能引发局部延误,但在全局传播路径中缺乏桥梁作用。

4.2.4 接近中心性分析

接近中心性揭示了大面积航班延误网络中潜在的快速扩散因素,结果如图5所示。

空管流量调控(G3)居于首位,表明其在网络中与其他节点平均距离最短,具备最快的扩散潜力,是系统性关键节点。

塔台管制员操作(H2)和进近管制员操作(H3)同样接近中心性较高,说明人因环节在运行链条中能够以较短路径影响广泛的因素集群。空域冲突(E4)和航空器严重运行事故(M4)显示突发事件具备迅速放大效应。相比之下,气象因素(E1)、人为干扰(H5)及部分机械类因素(M1、M2)接近中心性偏低,说明其影响范围有限,更多表现为局部触发因素。

分析表明,延误传播的快速扩散主要依赖于空管调控与管制员操作等节点,其在全局结构中处于信息传递与延误扩散的核心位置。

4.3 影响因素的多层耦合关系分析

4.3.1 影响因素分层耦合关系分析

计算得到归一化耦合度${K}_{i}^{norm}$与跨层比例${R}_{i}^{cross}$,如表4所示。

根据计算所得的${K}_{i}^{norm}$值绘制得到大面积航班延误影响因素的分层耦合性灰度图,如图6所示。

各节点归一化耦合度分布于0.25~0.90,跨层比例差异明显,这一现象既反映出延误系统中存在高度耦合的关键驱动因素,也包含弱耦合的边缘节点,体现了系统的层次差异性。

在人(H)层,H2(塔台管制员操作)、H3(进近管制员操作)与H4(区域管制员操作)的归一化耦合度处于0.60~0.80的较高水平,且跨层比例约为0.80~0.90,表明H层因素在延误网络中具备较强的跨层驱动效应,其影响不仅局限于操作环节,还可通过设备、环境及管理层向系统扩散。其中H4的跨层比例最高(0.917),说明其几乎完全依赖跨层互动,是典型的跨层型传播节点。与之不同的是,H5(净空区域人为干扰)虽耦合度较低(0.25),但跨层比例达1.000,意味着该因素一旦出现,将通过跨层作用放大其影响范围。

机(M)层中,M4(航空器严重运行事故)的耦合度最高(0.80),跨层比例达0.875,可见其虽为低频事件,一旦触发便极易跨越人因与管理层,引发系统性大面积航班延误。M1(通信导航设备故障)同样具有较高的跨层比例(0.900),显示关键设备故障在延误传播中存在强烈的扩散效应。M2与M3则表现为中等水平,反映出基础设施限制与设备故障虽较为常见,但跨层影响相对有限。

环(E)层里,气象因素E1与空域冲突E4均属于高耦合节点,说明外部环境条件是延误传播的重要驱动源。E2(外来物影响)和E3(可用空域减小)的耦合度相对较低(0.35~0.55),但跨层比例处于0.7~0.8,表明环境扰动对系统性延误的放大作用主要依靠跨层传导实现。

管(G)层中,G3(空管流量调控)的耦合度最高(0.90),是整个网络的最强驱动节点;G7(应急响应不足)与G2(航班时刻安排)同样凸显出管理层在延误扩散中的中枢作用。G1(航司机组调度)虽然层内耦合度较高,但跨层比例最低,表明其影响力更多局限于管理层内部,对跨层传播的作用有限。

分层耦合分析表明,管层整体耦合度最高,是系统的运行中枢;环层与人层因素跨层比例普遍偏高,是延误触发与放大的关键;机层因素虽不常发生,但一旦出现,其跨层冲击最为剧烈。因此,大面积航班延误的治理不仅需要针对单个关键节点采取措施,还需在系统层面强化跨层协同与控制,以此提升航空网络的整体韧性。

4.3.2 层-层耦合密度分析

计算得到各层的耦合密度值,绘制层-层耦合密度热力图,如图7所示。

在人-机-环-管4个层级中,机-人耦合密度最高,表明设备运行故障与管制员操作失误的高度关联性是大面积航班延误的重要耦合通路。这意味着实际运行中,技术风险需通过人因环节应对处置,一旦人机匹配失衡,极易导致大面积航班延误快速扩散。环-人、环-机及环-环均表现出较高耦合密度,体现环境因素在延误传播中的全局驱动效应。气象条件、空域资源冲突等环境扰动不仅直接影响航班运行,还会通过加剧管制压力、触发设备负荷及干扰调度计划,与各层因素形成强烈耦合。管层更多发挥协调型作用,其与人层和环层耦合相对突出,但与机层耦合强度较低,表明管理措施多通过调控人因行为和应急机制缓冲环境扰动,而在直接应对设备层面事件时作用有限。

综上,机-人耦合最强,凸显技术故障与操作环节的交互是延误系统的高风险链路;环层与各层均高度耦合,表明其是外部驱动与系统性传播的关键来源;管层跨层中枢作用显著,通过协调人因与环境影响实现风险缓冲,但对机层的直接调控能力不足。因此,大面积航班延误治理需重点关注人、机、环的高密度耦合链路,同时强化管理层与机械层的联动,以提升系统整体韧性。

4.4 多指标关键影响因素分析

结合SNA与NK模型计算结果,对大面积航班延误的关键影响因素进行多指标综合确定,结果如表5所示。

根据表5综合得分结果,分别得到排名前八的关键影响因素为M4(航空器严重运行事故)、G3(空管流量调控)、H2(塔台管制员操作)、G7(应急响应不足)、H3(进近管制员操作)、E4(空域冲突)、E1(气象因素)和H4(区域管制员操作)。这些因素在网络结构与耦合指标中突出,既具有较强的触发和放大能力,又具备跨层传播条件,是驱动大面积航班延误形成与扩散的核心节点。

为进一步验证基于SNA-NK模型识别出的关键延误影响因素的合理性,选取某地区空管局区域管制中心2021—2024年大面积航班延误事件的内部统计数据进行对比分析,如表6所示。对比结果显示,模型计算得出的前八个关键影响因素中,有7项与管制中心统计结果中排名前12位的高频因素实现对应,且整体排序差异较小,体现出较高的一致性与对应关系。该对比结果验证了本文模型在实际运行环境下的适用性。

5 结论

将SNA-NK模型引入民航大面积航班延误分析;构建了人-机-环-管四维多层级指标体系;提出网络与层级耦合多指标融合的关键因素识别方法,并对其结构特征与多层耦合关系进行了系统分析,得出如下结论。

(1)延误因素网络呈现高度耦合与多层次特征。个体网络密度结果显示,各因素之间局部关联紧密,具备显著的结构耦合性,为延误的快速扩散提供了结构基础。分层耦合分析表明,机-人环节的耦合最为密集,环境因素与各层均保持较强的跨层联系,而管理层在跨层协调中发挥中枢作用。

(2)关键节点在网络中的作用机制存在差异。出度中心性揭示了气象因素(E1)、机械与管理类因素是延误的主要触发源;中间中心性反映了航空器严重运行事故(M4)、航班时刻安排(G2)与空管流量调控(G3)等因素在路径调节中的枢纽作用;接近中心性则突出了空管流量调控(G3)和管制员操作(H2、H3)等在快速扩散中的核心地位。

(3)跨层传播是大面积航班延误的重要驱动机制。耦合度与跨层比例分析表明,航空器严重运行事故(M4)、区域管制员操作(H4)和空管流量调控(G3)等因素不仅在层内具备高影响力,更通过跨层耦合实现延误的放大与扩散。

(4)多指标综合识别出关键影响因素。确定航空器严重运行事故(M4)、空管流量调控(G3)、塔台管制员操作(H2)、应急响应不足(G7)、进近管制员操作(H3)、空域冲突(E4)、气象因素(E1)和区域管制员操作(H4)为关键影响因素。这些节点既是延误触发与放大的高风险源,也是网络传播的关键控制点。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Hansen M. Micro-level analysis of airport delay externalities using deterministic queuing models: a case study[J]. Journal of Air Transport Management, 2002, 8(2): 73-87.
[2]

Ahmad Beygi S, Cohn A, Guan H, et al. Analysis of the potential for delay propagation in passenger airline networks[J]. Journal of Air Transport Management, 2008, 14(5): 221-236.
[3]

Fleurquin P, Ramasco J, Eguiluz V. Systemic delay propagation in the US airport network[J]. Scientific Reports, 2013, 3: 1159.
[4]

Asfe M, Zehi M J, Tash M, et al. Rankingdifferent factors influencing flight delay[J]. Management Science Letters, 2014, 4(7): 1397-1400.
[5]

Du W B, Zhang M Y, Zhang Y, et al. Delay causality network in air transport systems[J]. Transportation Research Part E: Logistics and Transportation Review, 2018, 118: 466-476.
[6]

Shao W, Prabowo A, Zhao S C, et al. Predicting flight delay with spatio-temporal trajectory convolutional network and airport situational awareness map[J]. Neurocomputing, 2022, 472: 280-293.
[7]

Wang F, Bi J, Xie D, et al. Flight delay forecasting and analysis of direct and indirect factors[J]. IET Intelligent Transport Systems, 2022, 16(12): 890-907.
[8]

Wu Y H, Mei G, Shao K X. Revealing influence of meteorological conditions and flight factors on delays using XGBoost[J]. Journal of Computational Mathematics and Data Science, 2022, 3: 100030.
[9]

Wu Y, Yang H, Lin Y, et al. Spatiotemporal propagation learning for network-wide flight delay prediction[J]. IEEE Transactions on Knowledge and Data Engineering, 2024, 36(1): 386-400.
[10]

马正平, 崔德光. 机场航班延误优化模型[J]. 清华大学学报(自然科学版), 2004(4): 474-477, 484.
[11]

Ma Zhengping, Cui Deguang. Optimizing airport flight delays[J]. Journal of Tsinghua University (Science and Technology Edition), 2004(4): 474-477, 484.
[12]

荣耀, 王建东. 基于关键飞行资源的航班延误波及DAG模型的研究[J]. 小型微型计算机系统, 2009, 30(11): 2243-2247.
[13]

Rong Yao, Wang Jiandong. Research on flight delay propagation DAG based on critical flight resources[J]. Journal of Chinese Computer Systems, 2009, 30(11): 2243-2247.
[14]

邵荃, 罗雄, 吴抗抗, 等. 基于贝叶斯网络的机场航班延误因素分析[J]. 科学技术与工程, 2012, 12(30): 8120-8124.
[15]

Shao Quan, Luo Xiong, Wu Kangkang, et al. The analysis of flight delay in airport based on Bayesian networks[J]. Science Technology and Engineering, 2012, 12(30): 8120-8124.
[16]

张兆宁, 王晶华. 机场大面积航班延误传播的状态空间模型[J]. 科学技术与工程, 2018, 18(31): 241-245.
[17]

Zhang Zhaoning, Wang Jinghua. State space model of airport delay propagation under large-area flight delay[J]. Science Techno-logy and Engineering, 2018, 18(31): 241-245.
[18]

吴薇薇, 张皓瑜, 孟亭婷. 基于飞行资源分离的航班延误传播研究[J]. 南京航空航天大学学报, 2018, 50(5): 653-660.
[19]

Wu Weiwei, Zhang Haoyu, Meng Tingting. Flight delay propagation based on flight resource distribution[J]. Journal of Nanjing University of Aeronautics and Astronautics, 2018, 50(5): 653-660.
[20]

张兆宁, 张佳. 大面积航班延误发生的预测方法[J]. 系统工程, 2020, 38(4): 115-121.
[21]

Zhang Zhaoning, Zhang Jia. Prediction method for the occurrence of wide-area flight delays[J]. Systems Engineering, 2020, 38(4): 115-121.
[22]

张兆宁, 张英杰. 基于灰色聚类的大面积航班延误的延误程度评估[J]. 科学技术与工程, 2021, 21(6): 2533-2538.
[23]

Zhang Zhaoning, Zhang Yingjie. Estimation of the delay of large-scale flight delay based on grey clustering[J]. Science Technology and Engineering, 2021, 21(6): 2533-2538.
[24]

张兆宁, 孟凡淑. 基于复杂网络的多机场航班延误传播分析[J]. 科学技术与工程, 2024, 24(18): 7913-7920.
[25]

Zhang Zhaoning, Meng Fanshu. Complex network-based analysis of multi-airport flight delay propagation[J]. Science Technology and Engineering, 2024, 24(18): 7913-7920.
[26]

闫少华, 王硕, 张兆宁. 基于SEIDR模型的大面积航班延误传播规律[J]. 科学技术与工程, 2025, 25(8): 3506-3512.
[27]

Yan Shaohua, Wang Shuo, Zhang Zhaoning. Propagation law of large area flight delay based on SEIDR model[J]. Science Technology and Engineering, 2025, 25(8): 3506-3512.

基金资助

国家自然科学基金民航联合基金重点项目(U2233209)

国家重点研发计划(2020YFB1600103)

PDF (5923KB)

47

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录