陈广杰 乐美龙

摘  要：根据终端区入口点雷达数据和BADA数据，设计出一个进港航班自动化程序，提前预测航班在各个节点上的冲突，并自动模拟管制员常用策略解决线路上的冲突，实现飞机排序降落;计算出管制员对每架到达最终进近点飞机所消耗的指令以及工作负荷，并通过MinDS模型评估各级管制员在不同繁忙程度下的工作效率。结合国内白云机场进场航班的数据进行案例计算，结果表明，此程序能够在一定程度上模拟管制员决策，解决潜在冲突，推算飞机降落时间，有效评估管制员工作负荷及管制效率。

关键词：工作效率;空中交通管制;到达航班;冲突解决

中图分类号：TP311       文献标识码：A文章编号：2096-4706（2021）21-0115-06

Abstract： According to the radar data and BADA data at the entrance point of the terminal area， an automatic program for inbound flights is designed to predict the conflicts of flights at each node in advance， and automatically simulate the common strategies of controllers to solve the conflicts on the line， so as to realize the sequential landing of aircraft; calculate the command and workload consumed by the controller for each aircraft reaching the final approach point， and evaluate the work efficiency of controllers at different levels under different busy levels through MinDS model. Case calculation is carried out in combination with the data of inbound flights of domestic Baiyun Airport， the results show that this program can simulate the controllers decision-making to a certain extent， solve potential conflicts， calculate the aircraft landing time， and effectively evaluate the controllers workload and control efficiency.

Keywords： work efficiency; air traffic control; arrival flight; conflict resolution

0  引  言

在到达航班的管理中，进近管制员的工作是终端区航班管理中最重要的一个环节，进近管制员从终端区入口点就开始承接区调管制员交接的到达航班，其主要工作是监视到达航班，发现潜在冲突，通过调整飞机速度、高度、航向以及雷达引导等手段实现到达航班之间的安全间隔，到最终进近点将航班交接给塔台管制人员。然而，在实际指挥中，管制员的精力有限，发出指令时的思考时间也比较短促，所以提前发现冲突并提供解决方案，对减轻管制员的工作负荷以及保证到达航班降落效率具有重大的现实意义。与此同时，在管制员行使调整策略后，科学合理地计算管制员的工作负荷并评估其管制效率有助于提高终端区安全管理水平，对改进管制员管理体系有着重要的参考意义。

目前，国际上关于效率的评价方法主要有主成分分析法、前沿面分析法、数据包络分析等，其中应用性较强的是数据包络分析方法。数据包络分析（Data envelopment analysis， DEA）是一种对多投入、多产出的决策单元进行效率评价的研究分析方法。1978年，Charnes、Cooper和Rhodes三人创立了DEA方法，其基本模型分为CCR模型和BCC模型，后续的各种衍生模型都是在这两个模型基础上的改进，其中包括本文采用的由Aparicio等人提出的至强有效前沿最近距离模型（Minimum Distance to Strong Efficient Frontier， MinDS）。MinDS模型是一种非导向模型，可以同时改进投入和产出变量，并且可以弥补传统模型中缺少松弛改进量的缺陷，与传统CCR、BBC模型相比具有一定的优越性。

对管制员负荷评估的方法有基于时间统计的分析方法（如Doratask和MBB方法），有主观测量法（如空中交通负荷输入技术、问卷调查法），还有借助于电子仪器实现的生理测量法。国际上应用较为广泛的方法是由英国运筹与分析理事会提出的Doratask算法，此算法将管制员的主要工作负荷划分为“看得见的”和“看不见的”两部分以及必要的休息时间，看得见的部分主要是指管制员的语音指令以及填写进程单等可测量取平均值的常规操作，看不见的部分主要是指管制员监视雷达屏幕，发出指令前的思考负荷等。

国内对管制员工作效率评估方面的研究较少，大多为对管制员工作负荷评估的研究，而且研究重心侧重于流量计算和扇区容量评估。姚虹翔等利用动态密度模型预测管制员工作负荷变化情况并评估扇区容量。胡明华、董襄宁等通过提取扇区复杂性指标和流量分析来计算管制员工作负荷，最终评估扇区容量。本文基于BADA數据，设计可自动处理潜在冲突的程序，对到达航班进行排序，计算进近管制员在每架到达航班上所用的指令类型和次数，得出降落航班的排序以及管制员在其降落过程所用的指令和消耗的负荷，最后对管制员的工作效率进行评估。本文建立了科学有效的数学模型，并通过实地调查，采集一线管制员的工作数据，保证了评估结果的准确性。

1  模型建立

管制员工作负荷的计算模型，多数都是以Doratask和MBB为基础依据进行各种各样的改进，管制员的工作负荷会受各种复杂性因素的影响而随之改变，比如天气因素、扇区结构变化、流量变化、生理变化，等等。本文以到达航班的每架飞机为单位，计算管制员分别在每架飞机上消耗了多少负荷，所以文中的工作负荷数学模型只提取主要衡量指标，并融合所调研地区的终端区特点以及管制规则进一步优化建模。本文将管制员工作负荷分为四大类：通信负荷、非通信负荷、思考负荷、雷达引导负荷。根据调研了解到，当飞机存在潜在冲突亟待调整时，管制员的首要手段就是雷达引导，所以本文会在数学模型中融入雷达引导时的工作负荷计算公式。最后通过MinDS模型进行管制员工作效率的评估。

1.1  至强有效前沿最近距离模型（MinDS模型）

其中，ρ为效率值，i为投入要素，m为投入要素数量，r为产出要素，q为产出要素数量，k为决策单元，x为投入变量，y为产出变量，λ为DMU的线性组合系数，和为投入产出松弛变量，投入和产出的无效率分别体现为、。

其中，M为一个足够大的正数。MinDS模型由两部分构成：第一部分是模型（1），由目标函数和约束（1）组成;第二部分由约束（2）组成，约束（2）的目的是使参考标杆位于同一超平面内。

1.2  进近管制员工作负荷模型

本文将管制员工作负荷分为四大类：通信负荷、非通信负荷、思考负荷、雷达引导负荷。管制员工作中的通信负荷主要是指指令负荷和交接负荷，其中指令负荷包含发出更改航空器高度、速度、航向指令以及指令发出后接收飞行员的复诵、确认或其他反馈信息所需的时间;交接负荷是指当航空器进入其他扇区，为了保证空管指挥工作顺利交接，需要与负责不同扇区管制员进行的协调交接工作。

管制员的非通信负荷主要包括屏幕监视负荷和填写操作负荷。屏幕监视负荷是指关注进场航空器动态，发现各个进场航空器之间存在的潜在冲突，及时跟进航空器的航行要素信息（如航班号、计划路径、位置、高度、航向和速度等），进行精准的识别与记录，与此同时，还需要对飞行进程单（电子或纸质）进行相应的填写和标记，在管制自动化系统的人机界面（Human Machine Interface， HMI）上进行相应的操作等。

管制员的思考负荷是指在发出更改航空器高度、速度以及航向指令前，管制员根据具体情况提前预测思考所耗费的时间。

雷达引导为解决冲突的首要手段，使用频率较高，所以雷达引导的工作负荷需要分开计算。一般前后飞机在某个航路点有冲突时，管制员通常会进行雷达引导，时刻关注飞机动态发布指令引导飞机飞行，雷达引导包含调整飞机速度、高度和航向等措施，而且在在雷达引导期间屏幕监视负荷会增加，所以雷达引导的工作负荷为雷达引导期间所用的指令负荷、思考负荷以及监视负荷之和。

在时间段t内，扇区管制员总工作负荷的计算公式为：

其中：W（t）为在时间段t内，扇区管制员的总工作负荷;为对于路径k上的航空器i，s扇区管制员所需承担的工作负荷。可进一步细分为通信负荷、非通信负荷、思考负荷和雷达引导负荷，如式（4）所示：

其中，为对于路径k上的航空器i，管制员所需承担的平均通信工作负荷;为对于路径k上的航空器i，管制员所需承担的平均非通信工作负荷;为对于路径k上的航空器i，管制员所需承担的思考工作负荷;为对于路径k上的航空器i，管制员所需承担的雷达引导工作负荷。

2  到达航班排序及管制员负荷算法设计

本文以管制雷达所记录的入口点数据为初始值，每架入场航班都有自己的计划飞行路线，每条路线上分布着已知的航路点，我们以BADA数据为基础预测每架航班在航路点上的预计到达时间，然后进行排序。当发现前后飞机在同一个航路点上有潜在冲突时，程序会模拟进近管制员采取相应策略调节尾随飞机，直至冲突解决。同时程序会记录所降落的航班被行使了哪些策略，从而计算出值班的管制员在此航班上消耗了多少负荷。

2.1  基于BADA数据的航路点时间预测

航空器基础资料（Base of Aircraft Data， BADA）包含了世界上399种机型航空器性能参数，本文从中选取了白云机场常年飞行的航空器数据，将其分为中型机（M）、重型机（C）、一般重型机（B）、超级重型机（J），分别读取并整理不同类型航空器在进场、进近过程中的速度信息和高度信息。其中，根据航空器性能参数，我们以平均速度为基准，将速度调整区间控制在0.9 avg～1.15 avg之间，根据不同机型将每个不同高度层的航段下降速度分为5档，1档即最大下降速度（1.15 avg）、2档下降速度（1.1 avg）、3档下降速度（1.05 avg）、4档即平均下降速度（avg）、5档下降速度（0.95 avg），并将其转化为以秒为单位的时段用时，以A320为例，如表1所示。

2.2  算法流程

本算法以15分钟为一个时间段，在同一个时间段内读取进入终端区的航班数据，基于BADA数据预测航路段用时，如表1所示，计算下一个航路点的预计到达时间，按照这个预计到达时间进行先后排序，對于存在潜在冲突的前后飞机，则会使用调整策略（调速、调高、航向改变）对尾随飞机进行调配，更新到达时间，找到最优策略直至冲突解决，然后再次更新排序。算法具体设计流程如图1所示。

3  算例

本算例采用JavaScript进行编程计算，开发平台为Node.js v14.15.4。

3.1  终端区概况

如图2所示，本文将终端区分为两大扇区，共有五个入口点，两个最终进近点。西扇区的入口点有ATAGA、GYA，最终进近点为G404;东扇区的入口点为IGONO、P270、IDUMA，最终进近点为G407。当到达航班最终降落到G404时由西扇区的管制员负责管制，降落到G407时则由东扇区的管制员负责管制。

目前，飞机入场路线分为7条，分别为：

A：ATAGA—p1—TAN—AGVOS—G404

a1：ATAGA—p1—CON—CEN—G408—G407

b：GYA—AGVOS—G404

c：IDUMA—SHL—CEN—G408—G407

d：P270—SHL—CEN—G408—G407

e：IGONO—p2—CON—CEN—G408—G407

e1：IGONO—p2—TAN—AGVOS—G404

其中，a1路线和e1路线的到达航班跨越两个扇区，所以日常的交接指令会增加一条。

3.2  预计到达时间及工作负荷计算

管制席位等级划分为见习管制员、五级管制员、四级管制员、三级管制员、二级管制员、一级管制员和特级管制员。目前白云机场终端区一共有放单人员（即管制员）80人，其中一级管制员和特级管制员较少，常常作为带班主任进行全局把控，所以本文选取五级至二级管制员作为具体操作人员。另外，本文通过语音统计计算以及问卷调查量化了管制员的各项工作内容耗时，如表2所示。

除表2所示的数据外，日常的监视负荷设定为飞机飞行时间的25%，雷达引导状态下的监视负荷设定为35%～50%。

本部分采用白云机场三个时段的到达航班数据进行预测计算，每个时段的时长为1小时，分别是空闲时段的20架航班，繁忙时段的35架航班，以及非常繁忙时段（高峰小时段）的43架航班。以繁忙时段到达航班数据为例，在繁忙时段有35架航班到达，其中有20架航班降落在西扇区的最终进近点G404，有15架航班降落在东扇区的最终进近点G407。

表3为西扇区的部分降落数据，其中单架飞机总负荷是指管制员在该飞机上所消耗的通信负荷、非通信负荷以及雷达引导负荷之和。

其中，通信负荷中的指令负荷和雷达引导负荷中的指令负荷都是通过记录管制指令数量来计算的。管制指令分为日常指令和雷达引导的指令，日常指令分为速度、高度、航向改变指令和交接指令;雷达引导的指令分为速度、高度航向改变指令。以降落次序第18的航班7为例，其路线选择为a：ATAGA—p1—TAN—AGVOS—G404，除去终点G404，一共有4个航路点，由于各个航路点的高度层、速度及航向都不一样，所以管制员都会在某个航班到达一个航路点时对其发出速度、高度以及航向指令去改变或者维持飞机的飞行状态，以免该航班在下一个航路点与其他航班发生冲突。

当某一航班在某个航路点与前面一架飞机的间距小于15 km（96 s）即存在潜在冲突时，管制员会对该航班进行雷达引导，密切关注飞机动态并发出指令以避免冲突，优先对飞机调整速度，其次是调整高度。本文默认到达航班在航路上以最大速度飞行，所以当飞机调整速度时能调整5个档次的速度，如表1所示，如果调整为最慢飞行速度还无法解决冲突，则采用雷达引导航向改变策略飞三角形航线，如果航向改变策略亦无法解决冲突或者是在采用该策略后造成新的冲突则使用调整高度策略，以均速向上飞行300 m以保持垂直安全間隔。

综上所述，管制员的指令分为日常指令和雷达引导的指令两大类，雷达引导时可供选择的策略有三种：调整速度、调整航向以及调整高度。而管制员的工作总负荷就是通信负荷、非通信负荷以及雷达引导负荷之和。

由表3可以看出，该算法程序模拟管制员策略，规避了潜在冲突，并自动进行了降落队列排序，同时还预估了管制员所消耗的负荷，有利于提高管制员的管制效率。

3.3  进近管制员工作效率评估

表4中的数据指标是实例数据代入算法的综合结果，决策单元（Decision Making Unit， DMU）中的（III）、（II）、（I）分别代表非常繁忙时段、繁忙时段和空闲时段。决策单元“五级西（III）”代表在非常繁忙时段中西扇区的五级管制员。（I）总负荷为投入变量，为西扇区每架降落飞机所消耗管制员的工作负荷总和。（O）降落架次、（O）解决冲突次数以及（O）准时降落架次这三者为产出变量，其中：

（1）降落架次。管制员指挥降落的飞机总和。

（2）解决冲突数。所有降落飞机在飞行过程中产生的冲突总和。

（3）准时降落架次。按航班时刻表准时降落的飞机架次总和。

表5为MinDS模型的测算结果，松弛变量即可优化的量，效率值小于1的为无效DMU，效率值等于1的为有效DMU。由表5可知，有效DMU有4个，分别为二级东（I）、二级西（I）、二级西（II）、二级西（Ⅲ）。从级别来看，管制员级别越高，能力越强，管制效率越高;从繁忙程度来看，同级别管制员在空闲时段的管制效率高于繁忙时段和非常繁忙时段，主要原因是空闲时段管制员工作量小即所承受的管制员负荷较低;由于MinDS模型为非导向模型，所以最终结果会尽可能同时优化投入和产出变量，例如2号DMU二级东（II）的总负荷、降落架次、解决冲突次数、准时降落架次的优化结果分别为（-291.67、1.33、0.11、0.67）。

4  结  论

本文基于BADA数据对进场航班进行过点时间预测，并设计了算法程序提前发现潜在冲突，模拟管制员的调配策略自动解决冲突，对进场航班的到达时间进行排序，最终记录每架航班所用策略以及所消耗的指令，合理评估了进近管制员的工作负荷，并通过DEA方法中的MinDS模型测算了工作效率。算例表明此程序可以有效地辅助管制员进行预测和思考决策，提高管制效率。同时此算法可用于评估管制员能力，对于空管部门战略部署、容量评估、优化进场策略具有积极意义。下一步准备丰富算法中的管制策略，改进效率评估模型，使预测时间和效率评估更贴近现实情况。

参考文献：

[1] CHARNES A，Cooper W W，RHODES E. Measuring the efficiency of decision making units[J].European Journal of Operational Research，1978，2（6）：429-444.

[2] 姚虹翔.管制员工作负荷评估方法研究 [D].南京：南京航空航天大学，2007.

[3] 董襄宁，胡明华，苏璟.基于管制员工作负荷的终端区容量评估 [J].航空计算技术，2011，41（1）：5-8+13.

[4] LI Y J，Wang L Z，LI F. A data-driven prediction approach for sports team performance and its application to National Basketball Association [J].Omega，2021，98：102123.

[5] 陈芳，沈芮宇，杨诗琪.基于毕达哥拉斯模糊和改进TOPSIS的管制员人为风险评估[J].安全与环境学报，2021，21（5）：2093-2100.

[6] MAHMOUDI R，EMROUZNEJAD A，SHETAB-BOUSHEHRI S N，et al. The origins， development and future directions of data envelopment analysis approach in transportation systems [J].Socio-Economic Planning Sciences，2020，69：22-35.

[7] KOHL S，SCHOENFELDER J，F?GENER A，et al. The use of Data Envelopment Analysis （DEA） in healthcare with a focus on hospitals [J].Health Care Management Science，2019，22（2）：245-286.

[8] TOSHIYUKI S，YAN Y，MIKA G. A literature study for DEA applied to energy and environment [J].Energy Economics，2017，62：104-124.

[9] LIU J S，LU L Y Y，LU W M. Research fronts in data envelopment analysis [J].Omega：The International Journal of Management Science，2016，58：33-45.

[10] KAO C. Network data envelopment analysis： A review [J].European Journal of Operational Research，2014，239（1）：1-16.

[11] 張婧婷.基于管制负荷的扇区运行安全评估研究 [D].南京：南京航空航天大学，2014.

[12] COOK W D，TONE K，ZHU J. Data envelopment analysis： Prior to choosing a model [J].Omega，2014（44）：1-4.

[13] LIU J S，LU L Y Y，LU W M. Data envelopment analysis 1978-2010： A citation-based literature survey [J].Omega，2013，41（1）：3-15.

[14] 陈晨，向东.基于管制语音特点统计分析的管制负荷评价 [J].空中交通管理，2010（10）：4-6.

[15] TONE K. A slacks-based measure of efficiency in date envelopment analysis [J].European Journal of Operational Research，2001，130（3）：498-509.

作者简介：陈广杰（1996—），男，汉族，湖北黄冈人，硕士研究生在读，研究方向：空中交通管理优化。