2015数学建模深圳杯论文

2015 年“深圳杯”数学建模夏令营

承诺书

我们仔细阅读了《全国大学生数学建模竞赛章程》和《全国大学生数学建模竞赛参赛规则》（以下简称为“竞赛章程和参赛规则”，可从全国大学生数学建模竞赛网站下载）。

我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。

我们知道，抄袭别人的成果是违反竞赛章程和参赛规则的，如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。

我们郑重承诺，严格遵守竞赛章程和参赛规则，以保证竞赛的公正、公平性。如有违反竞赛章程和参赛规则的行为，我们将受到严肃处理。

我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。

我们参赛选择的题号是（从A/B/C/D中选择一项填写）： D

我们的报名参赛队号为（4位数字组成的编号）：1248

所属学校（请填写完整的全名）：运城学院

参赛队员(打印并签名) ：1. 吴繁

2. 张恒

3. 马丹丹

指导教师或指导教师组负责人(打印并签名)：解瑞金

（论文纸质版与电子版中的以上信息必须一致，只是电子版中无需签名。以上内容请仔细核对，提交后将不再允许做任何修改。如填写错误，论文可能被取消评奖资格。）

日期：2015 年5 月10 日赛区评阅编号（由赛区组委会评阅前进行编号）：

2015 年“深圳杯”数学建模夏令营

编号专用页

赛区评阅编号（由赛区组委会评阅前进行编号）：

全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：

航班延误问题

摘要:本文从航班延误的基本问题出发，通过收集相关数据，对我国航班延误问题的主要原因进行分析与探讨，并通过建立数学模型为有效解决航班延误问题提供了方向。

针对问题一，我们收集了各国机场航班延误数据，并对数据进行整理及相关计算，从而得出我国的航班延误较国际是比较严重的。

针对问题二，我们通过一天内不同时段的航班起飞延误率，得出航空公司排班的不合理，再结合中国航班的现状及影响航班延误的其它因素，通过运用数理推导和实证分析，验证了飞机起飞和到达服从泊松分布，航班延误时间符合指数分布。通过建立航班延误总动态排队模型，并基于典型机场数据的模拟仿真分析，证明各因素引发的航班延误率高低及其影响程度并非完全一一对应。航班延误的最主要因素是航空公司。

针对问题三，我们通过分析我国航班延误的现状、存在的问题，进而针对影响航班延误的可控性因素提出相应的改进措施。

关键词:航班延误飞机排班动态排队模型延误治理

一问题的重述

1.1问题背景

据香港《南华早报》网站3月21日报道，据总部设在美国的空中旅行数据提供商航空数据网介绍，在全球61个最大机场中，准点离港表现最差的7个机场均位于中国内地，其中上海虹桥机场、上海浦东机场和杭州萧山机场延误最为严重。

1.2问题提出

问题一：根据美国航空数据网站对各国机场航班取消与延误的统计，比较我国与外国的延误情况，并判断其统计结论是否正确。

问题二：找到航班延误的原因，并找出影响其延误的主要的因素。

问题三：寻求解决我国航班延误的有效方法，从而减少可控性航班延误。

二名词解释

延误(delays)：航班降落时间比计划降落时间（航班时刻表上的时间）延迟30分钟以上的情况称为延误（包括到达延误和离开延误）；

Scheduled:某机场计划起飞的航班数；

Sched：某机场航班计划起飞时间；

Actual：某机场航班实际起飞时间；

Destination：目的地；

Tracked:对某机场计划起飞的航班进行取样所得的量，在本论文中称其为样本量；Departed:某机场离开的航班数；

Arrived:某机场到达的航班数；

Delay rate:delays(航班延误量)/tracked(样本量)，其中，航班取消不在延误率计算范围之内；

三模型假设

1、假设论文中收集到的三天的航班延误数据能够代表国际上航班的延误情况。

2 、假设收集到的机场是国际上延误比较严重的若干个。

3、假设国内几大主要航线的航班延误情况能代表某机场的延误情况。

4、假设排队模型仅考虑一次意外所造成的延误以及由此而产生的波及效应。

5、假设不考虑由不可控因素引起的航班延误，并令其初始延误为D0，且每个阶段延误波及被缓冲消除该阶段延误的一半。

四问题分析

4.1 问题一的分析

该问要求判断中国的航班延误情况是否是国际上航班延误情况最严重的，我们通过收集并统计相关数据，使用excel及相关软件得出结论。

4.2 问题二的分析

该问要求我们对我国航班延误的原因进行合理分析，在此基础上我们对航班延误的原因采取动态排队模型进行求解，从而得出影响我国航班延误的几大重要因素。

4.3问题三的分析

该问要求我们对我国航班延误的主要因素进行改进并提出合理的措施。

五模型的建立与求解

5.1 问题一的分析与解答

通过查阅相关资料以及对美国航空数据网站https://www.360docs.net/doc/f817863435.html, 2015年 4月份的数据进行收集和统计。下表是国际上航班的近期航班延误统计情况。

表1航班延误统计情况（具体见附录）

资料来源： flightstats.co m[9]

图一三天平均延误率之和

很显然,表1中可以看出我国的主要机场航班延误率基本高于30%，而国际上其他的几大主要机场仅仅只有10%左右。图一中可以看出航班平均延误率由高到低的十个机场为杭州萧山、深圳宝安、广州白云、上海虹桥、上海浦东、成都双流、北京国际、CGK（苏加诺·哈达）、DFW（美国达拉斯）、IAH（乔治布什洲际）。基于以上数据分析验证可知，中国的航班延误最为严重，国际上航班延误最严重的10个机场中，中国占了7个。我们通过较为精确的数学运算所得的航班延误情况基本与https://www.360docs.net/doc/f817863435.html,提供的统计结果吻合，所以无论是按照国际上所给出的航班延误定义还是我国所定义的航班延误都可以得出我国航班延误最为严重的事实，所以香港南华早报网根据https://www.360docs.net/doc/f817863435.html,的统计所得的结论是正确的。

5.2问题二的分析与解答

5.2.1航班延误原因的一般识别

为了提高飞机利用效率，航空公司的同一架飞机的运行路线往往不是点对点的往返飞行，而是由连续的不同航段组成的一个闭环。在航班运行的闭环中，按照航班延误的表现形式，可把航班延误分为三类：

一是旅客延误，常见的情形有：旅客晚到；登记时旅客不辞而别；旅客证件

问题耽误时间；旅客因航班延误等其他服务问题霸占飞机或拒绝登机；旅客随身携带过多行李；突发疾病等。目前，因旅客原因导致的航班延误比例占到2%，已成为航班延误“新的增长点”。

二是航空公司造成的延误，这是因航空公司自身的运营管理能力或飞机排班不当引起的，由此造成的同一时段内航班飞行量过大易造成延误，这样可能会引发多米诺效应，导致后续的航班都会出现延误。

三是排队延误，包括安检排队延误和飞机起飞降落排队延误。安检排队延误是由于机场的服务能力有限，或是旅客在一段时间内太过密集而造成的安检不畅，形成很长的排队等候，这与安检站台的服务容量和安检服务效率密切相关，发生的概率相对较低。飞机起飞降落排队延误，是由于起飞或降落航班过多，或是天气、军事活动和流量控制，造成飞机难以立即起飞的地面排队，或不能在机场找到降落位置而不得不停留在空中继续盘旋等待排队。这种延误也会引起连锁反应，对后续飞机产生较长的排队时间，如果不及时采取措施，就会导致后续所有飞机都延迟起飞或降落，不断累积，形成更大更强的延误波。现阶段，波及延误时占比最高的延误，特别是起飞排队延误。为了弱化这种累计的航班延误波及效应，一般的做法就是在航班运行的每一个环节都设置一段时间的缓冲时间。

引发上述三种航班延误的因素按延误问题的可控性分类[6]

如下表3：

表3

其中可控因素是航班延误研究和治理的重点。

根据民航总局2008-2013年航班延误统计数据，造成我国航班延误的关键因素，包括流量控制、航空公司、天气、军事活动、机场因素、机械故障以及旅客等因素，综合主要航空公司和主要机场的相关数据，得到各因素引发的延误比例结构见表4（注：资料来源于2008-2013年《民航业发展统计公报》）

表4

图二

根据中国民航业发展统计公报数据显示，航空公司航班延误的主要原因如图

二所示。按该原因导致的比例大小，主要有航空公司原因[5]

、流量控制、天气原

因和军事活动，这四项总和占到航班延误总数的90%以上。从图二可以看出，虽然航空公司造成的航班延误占绝大多数，但从2008年以来，明显呈下降趋势；天气原因造成的航班延误基本上保持在20%左右，但流量控制和军事活动造成的航班延误却呈逐年上升趋势。

从中国民航业发展统计公报看来，航班延误的主要原因似乎已经明了，但除天气外其他因素仅仅是航班延误的表层原因，为了找到航班延误的实质性原因，一方面，我们将通过具体数据对航空公司排班不合理造成的延误问题进行统计，探析一天内各时段航班延误的平均延误量。另一方面，基于航班延误的指数分布验证，建立航班延误的排队模型，探析各个关键影响因素的发生频率及对航班延误的影响程度。

5.2.2、航班延误的飞机排班问题

随着航空运输需求的增大，各个航空公司拥有的飞机数量不断增加，飞机排班的重要性日益突出。飞机排班是航空运输的重要而复杂的环节，直接影响到航空公司的经济效益及旅客的出行。飞机排班是指排班人员根据航空公司的排班计划(体现为飞行时刻表、调整表)和飞机维修计划为每一个航班指定一架具体执行的飞机，也就是给每一个航班号分配一个机尾号（tail number assignment TNA）。

我们根据https://www.360docs.net/doc/f817863435.html,提供的4月19号到21号3天各时段国内主要航线（北京国际、上海浦东、深圳宝安、广州白云、成都双流、杭州萧山之间的航线）的航班飞行总量，通过航班计划起飞时间与实际起飞时间得出起飞延误时长（30min），从而统计出这三天内各时段航班延误的数量，进而得到三天内航班起飞延误平均值。如下表：

表5

班起飞延误率如下图：

图三

根据图三的直观显示：一天内时段（21：00—24：00）的航班平均延误率最高，高达近62.5%；时段（18：00—21：00）的航班平均延误率次之，达51.1%；时段（0：00—3：00）、(9：00—12：00)、(12：00—15：00)， (15：00—18：00)的航班平均延误率均为40%左右；相比之下，(3：00—6：00) (6：00—9：00) 的航班平均延误率较低。可见航空公司对飞机排班的不合理是导致航班延误的因素之一。

5.2.3航班延误的排队模型

5.2.3.1航班延误的指数分布验证

泊松分布适用于描述单位时间（或空间）内随机事件发生的次数。如某一

服务设施在一定时间内到达的人数，汽车站台的候客人数等，机场作为提供航空运输服务的公共基础设施，单位时间内到达和起飞的飞机数量符合泊松分布特征，可以假设机场飞机的起飞和到达都是服从泊松分布。根据概率论，如果一个序列服从泊松分布，那么它的序列间隔服从负指数分布，即如果飞机到达和起飞呈现出泊松分布，可以推导出起飞和到达延误时间服从均值为 1λ?，方差为1

λ的指数分布。当然，只要验证到达延误分布服从泊松分布并且求出相应的λ[1]值。

表7是随机收集的2015年4月上海浦东机场和广州白云机场三个样本时间段航班延误时长和数量。

表7

上海浦东：1λ

?=到达间隔的平均时间=0.94分钟；λ=6.4（架次/小时）

广州白云：1λ

?=到达间隔的平均时间=0.92分钟；λ=6.5（架次/小时）

5.2.3.2不同运行环节航班延误的排队模型

为了更好地应对和处理由天气、军事活动、流量控制等不可控因素引发的航班延误，做好相应的延误服务补救，减少由旅客、机场和航空公司等可控因素引起的安检延误、起飞延误、到达延误以及由此引发的延误波及效应，可以基于指

数分布验证结果，建立动态排队模型[2]

，进一步识别和剖析航班延误的各关键影

响因素及其影响程度大小。

机场作为公共基础设施，一般实行超前设计建设，在相应较长的时间内，其跑道量基本固定不变（服务台数不变），又因航班延误更多发生在大中型枢纽机场，其跑道数量基本为两个，因此这里分析统一采用双跑道模式。对于航班排队过程中服务规则，遵守航空运输业的先到先服务规则。

一般排队模型用A\B\C;a\b\c表示；A表示系统中排队对象的到达分布，如泊松分布、指数分布；B表示系统服务时间的分布，如指数分布；C表示服务台的个数；a表示服务规则，如先到先服务、后到后服务；b表示系统容量；c表示顾客来源的最大量。

航班到达和起飞都服从泊松分布，航班到达和起飞服务时间服从指数分布。那么，无论对于安检、降落还是起飞排队，根据上面的分析，可得到如下的假设

结论：

p{在长度为?t 的微小时间区间内有一架飞机到达}= λｎΔt +Ｏ(Δt ) P{在?t 内有多于一架飞机到达}=Ｏ(Δt )

P{在?t 内有一架飞机离开｜系统非空}=u n Δt +Ｏ(Δt )

P{在?t 内有多于一架飞机离开｜系统中最大顾客数大于1}=Ｏ(Δt )

在这个排队队列中， (t)表示在t 时刻队伍中有n 架飞机到达或离开的概率为： p n (t +Δt )=

p n (t)(1-λn Δt )(1-u n Δt )+p n (t)(λn Δt )(u n Δt )+p n+1(t)(1-λn+1Δt )(u n+1Δt )+p n 1(t)(λn 1Δt )(1-λn 1Δt )+Ｏ(Δt ) n ≥1 （1） 那么，当n=0时，有：

p 0(t +Δt)=p 0(t)（1-λ0Δt ）+p 1(t)（1-λ1Δt ）（u 1Δt ）+Ｏ(Δt ) （2） 整理（1）和（2）可得： p n (t +

Δt)-p n (t)=p n (t){2λn u n t 2-u n Δt -λn Δt }+p n+1(t)(1-λn+1Δt )(u n+1Δt )+p n 1(t)(1- n 1Δt )(λn 1Δt )+Ｏ(Δt ) n ≥1 （3） p 0(t +Δt)-p 0(t)=p 0(t)λ0Δt +p 1(t)（1-λ1Δt ）（u 1Δt ）+Ｏ(Δt ) （4）

( ) =-（u n +λn ）p n (t)+ u n+1p n+1(t)+λn 1p n 1(t) n ≥1 （5） ( )

=- λ0p 0(t)+ u 1p 1(t) n=1 （6）

当处于稳态时，p n (t)不再依赖于时间t ，得： ( )

=

( )

=0 （7）

对（5）和（6）进行化简，得到：p n (t)={

λ ?1λ ?2λ ?3…λ u u ?1u ?2…u 1

}p 0(t) （8）

因为飞机到达服从参数为λ的泊松分布，其服务时间服从平均服务率为u 的指数分布，因而λn =λ，u n =u,可得： p n+1(t)=*

λ+u u

+p n (t)-(λ

u )p n 1(t) n ≥1

p 1(t)=(λu )p 0(t)，p n (t )= (λu )n

p 0(t )

由于p0(t)+p1(t)+p2(t)++p n(t)+=1，假设λ

u

<1，否则队伍将无限长，与实际不符。

0{1+λ

u

+(λ

u

)

2

++(λ

u

)+}=1

p0=1λ

u

因此，当系统处于比较稳定之时，由Little公式可得：

排队系统中期望的飞机数：=()=λ

u λ

排队队列中的期望飞机数：=λ

u =λ2

(u λ) u

排队系统中每个飞机期望等待时间：W=L s

λ=1

u λ

排队队列中每个飞机的期望等待时间：W=L q

λ=λ

(u λ) u

同理，由以上相同的推断方法，可以得到当排队模型是M/M/2时（令r=λ/2u）: p0=[1++1 ( ) (1 )] 1

排队队列中的期望飞机数：=p0(n )2

2(1 )2

排队系统中期望的飞机数：=+

排队队列中每个飞机的期望等待时间：W=L q

λ

排队队列中每个飞机期望的等待时间：W=W+1

u

那么，安检、起飞和降落排队模型会因飞机起飞降落模式的不同而不同。当起飞和降落相分离，各自使用不同的专用跑道时，起飞和降落是两个相互独立的典型M/M/1先到先服务模型；当起飞和降落共用一条跑道，按照“先到先服务”的顺序起飞或降落时，构成了一个2M/M/1先到先服务模型系统；当起飞和降落采用先到先服务原则，混合排队使用两条跑道时，起飞和降落相互关联、相互影响，构成了一个2M/M/2先到先服务模型系统。

本文分析基于国内大型机场，采用的是双跑道混合模型，其基本排队模式是2M/M/2模式。用λ1代表飞机起飞的泊松分布，用λ2代表飞机到达的泊松分布，用λ3 表示乘客到达机场的泊松分布，用U1代表飞机起飞所用时间的负指数分布，用U2代表飞机降落所用时间的负指数分布，用U3代表乘客进行安检过程中所消耗时间的负指数分布。

此时，排队模型相当于一个飞机来源从（λ1+λ2）的泊松分布；这里的服务时间任然是U1和U2，因为每天进出一个机场的飞机数量基本相同，可选（U1+U2）/2作为服务时间所服从的指数分布；服务台数是双跑道------双服务台；排队规则是先到先服务。

5.2.3.3航班延误的动态排队模型

将上面的三个可控延误以及航班延误波及模型汇合，建立总的可控制延误模型如图四所示：

图四（可控因素引起的航班延误示意图）

该模型仅考虑一次意外所造成的延误以及由此而产生的波及效应。假设在其他情况都正常时，由于一次意外的天气等因素，造成在航班运行过程中任何一个环节的初始延误以及飞机某一排队的一个意外增加，接着会因航班延误的波及效应影响到飞机运行其他一系列环节。当不考虑由不可控因素引起的航班延误时，各个机场的延误相对独立，波及航班延误也不再是一个连续的过程，仅将安检、起飞、降落等各个阶段分别加入可控延误模型。此时，各个环节的排队队长就是在原有正常队长的基础上加一个因波及延误而产生的波及队长。

已有文献证明，航班运行各个环节的波及延误效应基本呈现指数递减态势，且纵向传递近似于以1/2为等比的递减数列，因此可以假设航班延误的波及效应呈现平稳递减。假设缓冲时间为H ，若延误时间小于H ，则可被直接缓冲消除；若大于H ，只会一部分被消除。

假设初始延误=D 0，每个阶段延误波及被缓冲消除该阶段延误的一半，则有 总的波及效应=D 1+D 2+ +D n =(1

2+1

4+ +1

2 ) D 0 可控制延误模型各个环节的延误时间为：

意外因素造成延误 安

检 延 误

起飞排队延误

降落排队延误

安

检 延 误

起飞排队延误

降落排队延误

航班波及延误

在初始机场中：飞机起飞排队延误=飞机排队队长*平均服务时间+延误时间 D （起飞排队）= W +D 0 相关联的第一个机场：

D （起飞排队）= W +1

2D 0 相关联的第n 个机场： D(起飞排队)= W +1n 1D 0

当考虑因天气和军事活动等不可控因素时，这些因素引发的延误可能会发生在航班运行的各个环节，在此将以各因素近三年引发的航班延误的平均发生率把它们纳入模型，形成了航班延误的总动态排队模型。如图五：

图五（加入不可控因素动态排队模型）

根据2011年到2013年航班延误影响的因素的统计数据，流量控制、军事活动和天气引发的航班延误发生平均百分比分别为26%、12%、21%。

5.2.5、模型仿真模拟和结果分析

以上海浦东机场为初始出发机场，基于上海—广州—北京—上海四个机场组成的航班运营闭环2015年4月19日—21日该闭环中航班延误的数据，模拟仿真分析各个关键影响因素对航班延误的影响程度。如下图六：

意外因素

造成

延误 安 检 延 误

起飞排队延误

降落排队延

误

安 检 延 误

降落排队延误

起

飞排队延误

天气、 空管 天气、

空管

图六

模拟的假设前提有：（1）机场采用的是双跑道混合模式，因而无需对一个航班在机场中的到达和起飞单独进行分析，而将机场看做一个整体进行分析；（2）闭环中的每个机场具有相同的特质，它们的起飞和到达分布、服务能力相同。虽然所选的四个机场特质有区别，但是运行模式、航班延误造成的因素大同小异，且它们都属于中性枢纽机场；（3）航班运行的闭环过程包含了所有影响航班延误的因素；（4）对于各个机场，设置一个正常排队队列 0和一个会导致航班延误的临界队长 d ，其中 0是指闭环的一个机场中，本阶段所能达到缓冲对长，在这个范围内，机场可以内化延误而不产生波及效应，否则产生波及效应。

在上述假设基础上，利用matlab 软件工具和设计模型对四个机场的各类数据进行模拟，结果见表8.依据表8结果绘制出由不同影响因素引发的航班延误发生频率及其影响程度图（图七），其中横轴表示各影响因素，纵轴表示发生频率与影响大小，柱形高度代表了此种因素对于航班延误的影响大小；表9给出了各个影响因素对航班影响的大小和发生频率高低的排序。以下是对航班延误影响大

初始延误 缓冲 区间

阶段内延误

波及延

误产生

波及延误

机场1 机场2 机场3 机场4

机场1

D b 4= 40+ 4+D b 3 d 4

L 10

L 20 L 30 L 40

10+ 1≤ d 1 10+ 1> d 1

20+

2

+D b 1≤ d 2

20+ 2+D b 1> d 2

D b 1= 10+ 1 d 1

30+ 3

+D b 2≤ d 3

30+ 3+D b 2> d 3

D b 2= 20+ 2+D b 1 d 2

40+ 4+D b 3≤ d 4 40+ 4+D b 3> d 4

D b 3= 30+ 3+D b 2 d 3

小仿真模拟结果表：

表8 各关键影响因素

图七各关键影响因素对航班延误影响大小仿真模拟结果示意图

表9和图七仿真模拟结果显示：（1）仿真结果与《民航业发展统计公报》统计的各因素引发的航班延误的频率与历史数据基本相似，但各因素的影响程度和频率并不完全一一对应。这说明航班延误改进措施的制定，不能仅依据各影响因素的发生频率，还必须考虑其影响程度。（2）模拟结果表明，航空公司引发的航班延误不仅发生的频率高，而且影响程度达30%，延误时常往往不可预测。这近一

步说明政府必须尽快制定统一和具有可操作性的航班延误改进措施。（3）流量控制和天气因素引发的航班延误率高，分别为28%和20%，其影响程度也大，延误平均时常分别为60分钟和55分钟，面对这两个因素引发的高频率延误，一方面是做好延误服务改进，减少其震荡延误；另一方面是进行空域改革，提高空域流量。（4）值得关注的是军事活动，它引发的航班延误发生频率一般，为12%，但以延误平均的时长反应的影响程度很大，为185分钟，是航空延误服务改进的重点和难点。（5）由机场和旅客因素引发的航班延误频率较低，影响程度也很低，但由航班延误引起的冲突经常发生在机场，旅客原因成为航班延误新的增长点，说明提高旅客服务在航班延误的改进中也是不可忽视的。

通过对问题二的分析与求解：航班延误的主要原因包括航空公司的飞机排班不合理以及由起飞或降落航班过多、天气、军事活动和流量控制引起的排队延误。

5.3问题三的分析与解答

5.3.1我国航班延误改进的问题分析

我国于2008经国务院批准的《民用机场布局规划》中增加机场数量在客观上起到缓解航班延误的效果，但仍然有以下缺陷。一方面，缺乏基于减少航班延误目标的容量提升计划。机场规划的目标主要着眼于机场的布局和区域建设的需

要，没有针对航班延误的原因，实行相关容量提升的配套措施[3]

，也缺乏根据航

班延误严重程度进行建设和改造的针对性，解决航班延误的效果不佳。另一方面，缺乏需求管理的思维、政策和措施。我国的空域组织是民航使用航路航线、军航使用航路航线之外空域的条块分割结构。空域管理从审批权限的角度属于总参谋部和空军，从运行协调角度建立在军民航运行层面协调机制之上，由空军主导。空域划分主要依据任务性质、飞行阶段划分的责任范围。这种组织和管理方式既缺乏公平、灵活的机制，又缺少需求驱动、服务为主的差异化结构，因此难以适应我国民用航空发展的需要，除此之外，在机场施行的小时上限尤其是高峰小时上限没有或形同虚设：航班时刻的配置机制也不科学。

5.3.2我国航班延误改进的问题解答

通过以上分析再结合问题二中得出的影响航班延误的主要因素进行对比、分析，除去不可控因素以外，要提高航班准点率，减少航班延误，就应主要从调整

飞机排班和提高流量管理水平的角度上出发，通过制度的完善、新技术和新设备的引进和开发、人员素质培训和教育等层面上进行创新和改革，合理分配飞机起飞时间，增加空域流量，来提高航班运行效率，降低航空公司航班延误率。主要通过以下措施：

（1）调整航班飞行时刻。从问题二的探讨中，我们已经发现航班延误大多集中在时间段[9：00—24：00]，航空公司为了自身利益，不合理安排飞机排班时间，从而造成大面积航班延误，给旅客的出行带来极大不便。从航空公司决策的角度，我们认为可以适当错开航班飞行时间，例如可在时间段[3：00—9：00]适当增加航班飞行数量，在其他时段控制航班数量，并在这个基础上制定合理的航班量，最大限度地减少因为不合理的航班量而引起航班延误。完善航班时刻管理办法和工作程序，并依法实施监督检查，从制度上保证时刻安排的科学与合理；认真清理航空公司虚占的航空时刻，保证航班时刻资源得到充分、合理的利用，解决繁忙机场高峰时段流量过于集中的问题。简单的计算方法是，假设一切运行条件正常，在一个单位时间内，所有航班都按照各管制单位的间隔标准，最多能接受的架次，在这个基础上再降低一定比例，预留处理突发情况。

（2）改善流量控制[4]

。扩大民用空域使用比例，给民航客机更的空间从而从根

本上解决空域受限的问题。近今年，全国很多机场都在修建双跑道，有的甚至三跑道、四跑道或更多跑道以及配套的航站楼，这肯定能增加机场的航班容量，但如果没有足够的空域支撑，机场航班容量即使在数据上增大了，恐怕也是增多了航班在机场地面的延误和旅客的等待。根据这种情况，我们收集了《2013年民航行业发展统计公报》中的相关信息，如下表：

均在海外进行，军方占用空域资源相对较少，而在中国，空域利用率低且军方空域使用率高等因素造成民航空域使用率低。以北京飞行情报区为例，空军的起降架次不及民航的10%，然而使用空域极为频繁的中国民航所占用的空域面积却不足25%。换句话而言，在北京飞行情报区，不足25%的空域资源承载着90%的航班量，我们认为，民用空域资源不足、空域拥堵是造成中国民航航班正常率难以提高的核心问题。缓解空域拥堵问题，中国民航整体航班正常率将明显提升。我们认为，推行空域资源军民共管体制，构建和谐的空域资源管理环境，按照“战争军为主、和平民为主”的原则灵活分配空域资源，同时提高西部人烟稀少地区空域利用率，是解决民航空域拥堵问题的关键。

（3）缩小流量管控，减少人为干扰。在各部门统一联动的平台基础上航空公司在航班延误发生后，要每隔15-20分钟播报一次包括道歉、延误原因、预计延误时间、中转衔接航班的情况，以便旅客安排时间。航班延误信息必须透明、公开、及时、延误原因必须公示，除救灾、天气原因和其他紧急情况外，人为流量管控的情况尽量少发生，否则，航空航班延误的责任将由人为流量管控的实施者承担。压缩流量管控，减少航班插队等对民航调度有干扰的人为因素，是减少航班延误

的重要举措[8]。

（4）提升对天气的预判能力。目前国内定期航班，航程短的近 1 小时，航程远的要飞行几个小时。当有异常天气影响正常飞行时，航空公司都得提前做出处置，天气预报是其处置决策的重要依据，因此天气预判的准确性直接影响着航空公司的决策。但目前全国各机场的气象预报水平差异较大，有的地方准确度很高，有的地方预报和实际相差较大。倘若各机场的气象预报都极其准确的话，那么航空公司就可提前根据时间决定航班是否起飞、何时起飞，且能按计划安全落地。减少根据天气预报可以落地而实际不能正常落地，或本可以早起飞却因为预报而推迟的情况。

随着国民生活水平的提高和民航事业的快速发展，航班的数量和乘坐民航班机的旅客越来越多。但受多种因素影响，航班延误在所难免，本来最快捷的出行交通方式反而可能给旅客带来不便，使旅客的期望大打折扣，甚至带来利益损害。我们基于问题二导致航班延误的几个主要原因出发提出了相应的措施，但实际导致航班延误的原因还很多，诸如导航设备故障，飞机故障，机场地面保障能力有限，机场设计缺陷，重大军事活动禁航等等。