航空器離場管制關鍵環節識別及風險傳播研究

康瑞 楊凱

航空器離場風險識別是民航安全生產的重要環節，但目前研究多面向航空器運動過程和靜態危險源，忽略了管制業務影響和風險動態傳播機理.針對此問題，本文提出了基于復雜網絡的離場管制關鍵點識別及風險傳播模型.首先，抽象管制信息交互和業務邏輯，構建復雜網絡并量化各節點重要度，然后考慮安全管控延遲效應，定義風險產生、傳播及恢復規則，形成離場管制風險動態傳播模型.實驗結果表明：本文模型能再現風險傳播機理和規律，機組等10個節點為風險傳播關鍵環節，機組對風險擴散作用最強，傳播成功率峰值為0.519，塔臺管制員和地面管制員為危險源時能激發其他節點進行風險控制，針對關鍵節點實施安全管理能有效抑制風險傳播.

空中交通管理； 離場管制； 復雜網絡； 風險傳播； 模擬仿真

V355A2023.013003

收稿日期： 2021-11-08

基金項目： 四川省科技廳重點研發項目（2021YFG0171， 2022YFG0196）； 中央高校基本科研業務費基金項目（ZJ2021-05）

作者簡介： 康瑞（1981-）， 女， 陜西延安人， 教授， 研究方向為計算機應用、空中交通流量管理.E-mail： kimura521@163.com

通訊作者： 楊凱.E-mail： yangkai@scu.edu.cn

Key node identification and risk propagation of aircraft departure control

KANG Rui1， YANG Kai2，3

（1.College of Air Traffic Management Civil Aviation Flight University of China， Guanghan 618307， China;

2. National Key Laboratory of Fundamental Science on Synthetic Vision， Sichuan University， Chengdu 610064， China；

3. College of Computer Science， Sichuan University， Chengdu 610064， China）

The detection of aircraft departure risk is an important part of civil aviation safety production， but the current research focuses mostly on the aircraft movement process and static hazard sources， ignoring the control business impact and risk dynamic propagation mechanism. Aiming at this problem， this paper proposes a complex network-based model of departure control key point identification and risk transmission. First， we abstract the control information interaction and business logic， construct a complex network and quantify the importance of each node. Secondly， considering the safety control postponement effect， the rules of risk generation， propagation， and recovery are defined， and a dynamic propagation model of departure control risk is created. The experimental results show that the proposed model can reproduce the risk propagation mechanism and law， 10 nodes， such as the crew， are the key links in risk spreading， the crew has the strongest effect on risk propagation， the peak propagation success rate is 0.519， and other nodes can be stimulated to carry out risk control when the tower controller and ground controller are the source of risk， implementing safety management for key nodes can effectively inhibit risk propagation.

Air traffic management; Departure control; Complex network; Risk propagation; Simulation

1 引 言

為提升空中交通服務水平，民航局要求提高始發航班正常率，即加速航班離場效率，提升早高峰運量［1］. 許多機場采用增修跑道、滑行道等擴容方式，引發跑滑結構復雜、塔臺盲區擴大、管制負荷增加等問題，導致離場管制難度加大，運行效率下降，不安全事件頻發［2］. 因此，構建航空器離場管制網絡，研究各類節點在風險演化中的作用，對識別關鍵環節、抑制風險產生及傳播、提高離場運行安全及效率有實際意義.

近年來，航空器場面運行安全研究分為沖突概率量化和風險因素分析兩類.前者面向飛機滑行階段，構造運動模型量化沖突概率，牟奇鋒等［2］設計了碰撞風險評估算法；夏正洪［3］等統計歷史軌跡計算沖突概率；康瑞等［4，5］提出了航空器逆向滑行及雙跑道隔離運行下的沖突識別算法；另一類風險因素分析法對影響安全的各個因素、指標、權重進行分析賦值以評估風險. 朱云斌等［6］構造故障樹，評估樹底事件發生概率；杜紅兵等［7］利用層次分析法建立評估指標并計算權重;張豫翔等［8］基于模糊層次法評價特殊情況下的空管運行風險；王永剛等［9］利用貝葉斯網絡分析了管制過程中人的影響和各因素權重；岳仁田等［10］基于BP神經網絡預測分析扇區運行亞健康因素. 以上2種方法均存在不足之處：沖突概率量化法僅考慮航空器運動狀態，缺乏對整體運行流程和各業務環節的風險分析，難以從量化結果中推導出風險控制策略；風險因素法雖能抽象事故致因關系，但僅關注風險產生的因果邏輯，忽略了風險傳播的動態過程，無法再現風險演化的動力學特征.

近年來部分學者將復雜網絡及動力學理論［11］運用于航空運輸領域，Belkoura［12］通從機場、航司、機型3個方面研究航空器網絡結構特性和動態特性，并優化網絡；Voltes-Dorta［13］構建航空運輸網絡研究脆弱性；Lykou［14］利用網絡動力學理論計算航線網絡的擁堵概率；吳珂等［15］分析了中國國內航班的飛行航線網絡拓撲結構.根據中國民用航空空中交通管理規則CCAR-93TM-R5，我國民航空域均為管制空域，空中交通管制員負責飛行間隔配備，確保飛行安全，由此我國航班運行風險源和安全管理程序與國外有較大的差異.一些學者基于國內航班運行環境和民航局發布的咨詢通告研究飛行風險，肖琴等［16］構建兩棲水上飛機起降安全網絡并比較網絡效率；邱楊揚［17］針對飛行區不停航施工建立復雜網絡，分析風險傳播路徑；王巖韜等［18］構建航班運行風險網絡，基于SIR［19］模型對風險傳播進行模擬. 以上方法將飛行員操作失誤和技能水平作為主要風險因素.實際運行中，管制指揮是影響安全的重要環節，不同席位、不同時機下，管制作業流程和指令差異很大，目前研究多以“管制水平”、“管制員技能”等粗放指標定義管制風險因素，導致評估結果無法和管制程序、管制業務和指令信息相對應.

鑒于此，為解決目前研究管制程序考慮不足、管制風險因素粗略、僅從靜態因素角度分析運行風險等問題，本文面向航空器離場管制全過程，綜合航空器離場管制各參與方，細化管制各階段、各席位的作業流程和交互信息，構造復雜網絡；分析網絡拓撲結構，量化風險傳播關鍵環節評價指標，挖掘離場管制復雜網絡關鍵環節；定義風險產生及傳播規律，考慮風險管理效果的時效性，基于改進SIRS模型對風險傳播動態過程進行仿真模擬.以期再現風險動態演化的機理和特性，從管制運行角度為識別航空器離場關鍵環節和風險管理提供解決方法.

2 航空器離場管制過程分析

如圖1所示，航空器離場運行在空管管制下分為放行許可發布、地面管制和塔臺管制等3個階段，分別由各席位管制員提供管制服務和情報服務［20］.

放行管制員負責確認航班場面保障狀態，核實放行次序，發布放行許可，通報氣象條件. 地面管制員安排航空器推出路線和開車時機，發布推出、開車指令，航空器在牽引車和機組的協助下離開機位、開啟引擎，地面管制員規劃滑行路線并發布滑行指令，指揮航空器向起飛跑道入口滑行. 塔臺管制員負責觀察跑道的使用情況，并安排航空器進入跑道，發布起飛指令. 當航空器在放行、推開、滑行、起飛各階段運行時，管制員之間會交換協調信息，移交管制權限. 在實施各崗位管制作業的同時，管制員將更新氣象、通信導航設備信息，還接收機場運行控制中心發布的離場航空器的保障進度和場面資源狀態信息，并將相關信息及時通報給飛行員.

3 航空器離場管制網絡構建

3.1 節點定義

根據圖1及文獻［20］，將航空器離場管制過程涉及信息、任務、參與者劃分為3類共75個節點. 信息是指令發布、情報更新、狀態報告等信息交互環節，共40個，任務指管制業務、保障程序和機組操作等由參與方共同或獨立完成的作業環節，共26個，參與者指離場保障及管制過程中的主要運行人員或參與單位，共9個，各節點序號、信息及名稱見表1.

3.2 網絡構建

定義G為航班離場程序網絡，G表達為：

G=（V，E）（1）

其中，V={vi，i∈N}是節點集合；E={eij，i≠j，i，j∈N }是節點之間的邊集合，eij=（vi，vj），說明eij為自vi指向vj的有向邊.

參與者完成各階段任務，人員、單位至各類任務、作業之間形成單向邊，任務實施將產生關聯任務或信息，任務之間、任務與產出信息之間形成單向邊，信息發布對象為參與者，定義兩者之間形成單向邊. 圖2給出由人員（白色）、任務（黑色）、信息（灰色）共75個節點252條單向邊形成的航空器離場管制有向網絡.

航空器接受不同管制員指揮，獲取多種指令和航行情報，同時反饋意圖和操作進度. 管制員監控多架航空器，發布多種指令，并接收機組意圖和其他管制員的協調信息. 因此，航空器離場管制網絡是綜合體現航空器場面運行程序、管制業務流程、信息交互的人在環路復雜網絡. 網絡各節點會由于人為疏忽、信息錯誤、作業失誤形成風險源，若風險節點未被及時發現，并隨著業務推進和信息交互對關聯任務、信息和接受對象形成干擾和誤導，造成新的風險節點，由此形成風險傳播和擴散.

如表2所示，表中均為無量綱參數，有循環時網絡密度為0.0448，否則網絡密度為0.045，兩種情況下網絡的密度都較低，屬于稀疏網絡，表明航空器離場管制各環節聯系緊密程度較低，信息傳播途徑及范圍較為固定；網絡的平均度值為5.52，這表明每個節點平均與5.52個節點有直接作用關系，說明航空器離場管制過程中，各類管制任務產生的信息條數和信息交互對象的個數平均值約為6；網絡平均最短路徑長度為3.278，說明某節點產生風險后等經過3.278的單位長度就影響其他節點；網絡直徑為7，存在于節點通報放行需求和跑道狀態之間；網絡的全局效率值為0.273，可以體現網絡中信息的傳遞速度.

4.2 節點重點度量化

為研究各節點在網絡中的位置和作用，對節點重要度進行量化計算.由文獻［21-23］，節點重要性受其本身信息和鄰居節點影響，因此評估各節點的鄰居節點數量能判斷節點的重要程度.同時評估節點在網絡路徑中的鏈接作用能量化節點在風險傳播路徑中的特殊性，由此計算節點的度［21］、介數［22］和接近度中心性［23］以評估節點的重要性. 表3給出各節點度、接近度中心性和介數的分布情況.

表3中，度表示節點與其他節點的連接個數，是直接度量節點中心性的指標. 機組、地面管制員、塔臺管制員、放行管制員為度最大的4個節點，分別為36，27，25，22. 說明航空器離場管制網絡的核心是飛行員和管制員，由該4類人員為源頭觸發各類運行作業，形成信息交互，同時這4類人員還是多種情報、指令、任務的接收者. 其中，機組入度為29是出度的4.14倍，這是由于航空器離場運行中，飛行員不斷接收管制指令和情報，還將按照管制員要求進行位置和狀態報告，因此飛行員在網絡中處于常被動操作和信息接收的狀態.

接近度中心性體現了節點網絡幾何位置重要性，該值越大說明節點與其他節點距離越近. 航空器離場管制網絡的中心節點為地面管制員和塔臺管制員，接近度中心性最大分別為0.54和0.525，說明此2種管制員與其他節點的聯系較為緊密，當他們發生錯忘漏等人為失誤，將很快影響到管制業務的實施，進而產生錯誤指令和情報，導致不安全事件的發生.

介數反映了節點對網絡中不同區域的連接能力. 機組的介數最大為915，是排名第2的地面管制員的1.36倍，說明網絡中不同分支的節點經過機組的連接形成了最短路徑. 這是由于機組在離場運行各個階段接收不同管制員指令，成為網絡各局部分支之間的連接節點. 由此可知機組的操作正確性和及時性能直接影響網絡的各區域的銜接的穩定性和網絡風險傳播的范圍.

根據以上分析可知，離場管制復雜網絡中在最重要節點為“機組”“塔臺管制員”“地面管制員”，均為“人員”類節點.目前以“人、機、環、管”4個層面評估風險的相關研究中，“人員因素”往往處于結構模型的頂層，是影響安全的最主要因素［6，7，10］，與本文結論一致.但以往研究以“管制員”統一代表各類、各席位管制員，并未對管制員和作業細分.而民航局咨詢通告AC-93-TM-2008-02強調了 “地面管制員”，“塔臺管制員”的能力要求，可見從事機場管制服務的各類人員中，地面管制員和塔臺管制員對安全影響更大.本文將參與離場保障人員分為5種，地面管制員和塔臺管制員重要度最高，由此可知，本文提出的細化人員節點的網絡構造方法符合明民航安全管理需求，關鍵點挖掘結果與實際運行相符.

5 航空器離場管制網絡風險傳播

5.1 SIRS傳播規則

目前相關研究常利用SIR模型模擬航空風險傳播［18，19，24］，其特點為：節點恢復后將不再被風險節點影響，永遠保持恢復狀態. 這是由于SIR模型常用于模擬傳染病傳播，病人愈后產生免疫，不會再被傳染. 但航空運行卻并非如此，相關單位會采用多種風險管理策略以識別并排除風險，并促使該環節維持正常狀態，但風險管理效果會隨時間逐漸降低，節點又將存在風險隱患. 因此利用SIRS模型模擬風險產生、傳播、消散和復發的過程. 將節點的狀態定義為：易傳染狀態S（Susceptible）和風險傳染狀態I（Infected）、風險緩解狀態R（Relieved）. 網絡演化的時間單位即為風險傳播周期，為無量綱參數. 每個周期每個節點僅有一種狀態.

設β為傳染概率，μ為風險緩解概率，η為恢復易傳染概率，網絡中各節點狀態演化過程如圖3所示. 設S（t）、I（t）、R（t）為第t周期S、I、R狀態節點比例，則有：

S（t）+I（t）+R（t）=1（7）

SIRS模型的動力學行為可以描述為如下的微分方程組：

dS（t）dt=ηS（t）-βI（t）S（t）dI（t）dt=βI（t）S（t）-μI（t）dR（t）dt=μI（t）-ηS（t）（8）

以上規則作用于航空器離場管制網絡中，描述風險傳播過程，可理解為：航空器離場管制網絡中各節點可由于人為因素、操作失誤和信息混淆等形成風險節點，并以概率β影響后續任務、發布信息或交互對象，由于人員培訓、業務優化和信息校驗等措施，風險節點以概率μ轉為風險緩解狀態，由于風險管理的失效，該節點以概率η轉為易感染狀態.

5.2 網絡傳播仿真

令β=0.5，μ=0.3，η=0.05，分別設置不同的初始風險源［18，19，24］，利用python編程模擬50個周期的風險傳播過程，為消除隨機影響，每次仿真1000次并取均值.

由4.2結論，參與者類節點為網絡核心，圖4給出度值較大的6個參與者節點為初始風險源的傳播效果. 對比可知，S狀態節點隨周期增加先減少后增加，I、R狀態節點則先增加后減少. 機組為風險源時風險節點比例峰值為0.4，是6組數據中的最大值，峰值產生在第4周期，是6組數據中的最小值. 而塔臺管制員和地面管制員為風險源時R節點比例峰值0.618，出現在第12周期，為6組數據中最大值.

由此可知，機組對風險傳播的擴散作用最明顯，塔臺管制員和地面管制員為風險源時能激發網絡其他節點控制及管理風險，使網絡中更多節點處于風險緩解狀態. 機場運行指揮員對網絡影響較小， I比例峰值為機組的85.4%，R比例峰值為塔臺管制員的90.6%.

圖5給任務類8個節點為初始風險源的傳播效果，其中滑行管制、起飛管制、推出開車管制、發布放行許可為各管制員的獨立任務，氣象信息更新、進程單填寫、管制移交、管制協調為多個管制員的共同任務［25，26］. 由圖5可知，共同管制任務曲線差異較小，風險傳播能力高于獨立任務，獨立任務中放行許可發布傳染能力明顯強于其他節點. 氣象信息更新的I節點比例峰值為0.379，是起飛管制的1.6倍. 這是由于獨立任務僅在管制運行的某個階段產生，且僅在局部網絡產生影響，而共同任務在各管制崗位上均有發生，該類節點產生風險后在網絡中影響范圍更大.

圖6為交互信息作為初始風險源的傳播情況. 停駐機位、使用跑道號等涉及場面資源使用信息的風險傳播能力最強，傳染峰值為0.37和0.34，這是由于為保證航空器推出、滑行和起飛的安全，管制員會根據以上信息分配推出和滑行路線，并指揮飛機占用跑道起飛，以上信息多次在管制員和飛行員間傳輸［27］，并影響飛行員的相關操作和管制員判斷，因此該類信息產生錯誤和混淆，將對整個離場管制程序造成較大影響. QNH和能見度的影響次之，交通通報和放行次序等情報信息的影響最弱，其中放行次序為風險源時，傳染峰值僅為停駐機位的12.9%，且傳染和緩解峰值出現時期最晚.

分析可知，人員節點中機組的風險傳播能力最大，民航局咨詢通告AC-FS-121-2015-125將機組相關的風險要素細分為27項，占總風險要素的43.5%，同樣體現了機組在風險演化的關鍵作用.共同任務的風險傳播能力僅次于機組，該結論與文獻［28］中多名空管專家打分形成的評價結果相符.氣象信息更新和管制移交的風險傳播峰值較高，與文獻［24］中起落機場的氣象條件具有較大傳染能力的結論一致. 信息類節點整體影響范圍較小，但停駐機位等涉及運行安全的關鍵信息其風險傳播能力較高.風險傳染峰值越大，緩解峰值出現的周期越早，說明當風險僅在局部傳播時，影響范圍小，隱蔽性強. 網絡中風險節點占比越大，更容易導致風險暴露，引發安全管理部門關注并實施風險管理.

圖7給出1000次仿真中初始風險源節點處于易傳染狀態比例、傳染其他節點成功比例、風險緩解的比例. 以機場管制模擬機實施8架次航空器離場運行指揮，統計分析30次風險發生的運行場景，圖8給出模擬管制環境、航空器離場運行場景和23項管制作業（圖中以節點編號標識）被其他節點影響產生風險和由于發現風險進行安全檢查的次數.

由圖7可知，參與者節點的傳染能力較強，機組的傳染成功比例最大為0.519. 管制移交、發布放行許可、交通通報、放行次序的易傳染狀態比例較高，說明以上節點風險緩解并轉為易傳染狀態后，不容易被其他節點傳染，因此難以再次轉為風險緩解狀態. 而機組、地面管制員、塔臺管制員、放行管制員、進程單填寫、氣象信息更新、QNH值、使用跑道號、停駐機位、能見度的風險緩解狀態比例較大.對比圖8，風險影響下管制員對進程單填寫（節點50）、氣象信息更新（節點56）進行了近20次安全檢查，而管制員在起飛管制（節點55）、通報離場條件（節點61）環節出現差錯或混淆的次數最高為4次，對比可知本文模型仿真結果與模擬運行統計數據符合較好.由此說明以上節點易受其他節點影響，不斷重復被傳染→風險緩解的狀態演化.在安全管理時應注意以上節點緩解的風險管控，減少其被上游環節影響的概率，在實際運行中可采用多人制機組實施交叉操作檢查、管制席位設置助理席、監控席形成多崗制、使用電子進程單系統校驗填寫信息、引接場監雷達確認機位和跑道使用狀態、使用航站自動通播系統定時更新發布氣象情報等方法為關鍵節點增加“抗體”，提高抗感染能力.

6 結 論

航空器離場是在管制員監視和指揮下的動態運行過程，因此在風險評估和管控研究中應充分考慮管制信息、業務流程和管制員操作影響和風險動態傳播效應.為解決以上問題，本文提出風險傳播關鍵環節挖掘方法和動態仿真模型.首先將航空器離場管制過程分為參與者、任務、信息3類，根據業務邏輯構造航空器離場管制有向復雜網絡，并量化節點重要度. 改進SIRS模型，考慮風險管理效果的時效性，定義風險傳播規則，構建航空器離場風險動態傳播模型.仿真結果表明，本文模型能從管制運行角度對離場航空器關鍵環節進行識別，并用動態仿真方式刻畫風險演化的時空特征.機組、地面管制員、塔臺管制員、放行管制員等10個節點的在風險演化中被反復傳染，風險管理時應該重點對以上節點進行風險控制. 本文模型可為運行單位預判風險傳播周期及范圍，確認危險源并針對性實施安全管理提供理論依據和技術支持.

參考文獻：

［1］ 鄭海龍.樞紐機場中轉交通溢出效應及影響因素研究［D］.南京： 南京航空航天大學， 2020.

［2］ 牟奇鋒， 馮曉磊.航空器地面滑行碰撞檢測方法研究［J］.中國安全科學學報， 2013， 23： 84.

［3］ 夏正洪， 萬健， 朱新平.考慮航空器滑行軌跡時空交疊的機場熱點識別方法［J］.中國安全科學學報， 2017， 27： 76．

［4］ 康瑞， 楊凱.航空器逆向滑行沖突風險評估模型［J］.中國安全科學學報， 2021， 31： 39.

［5］ 康瑞， 陳佳.雙跑道在隔離運行模式下的航空器起降間隔研究［J］.航空計算技術， 2021， 51： 14.

［6］ 朱云斌， 黃曉明， 常青.模糊故障樹分析方法在機場環境安全中的應用［J］.國防科技大學學報， 2009， 31： 126.

［7］ 杜紅兵， 李暉， 袁樂平， 等.基于Fuzzy-ANP的空管安全風險評估研究［J］.中國安全科學學報， 2010， 20： 79.

［8］ 張豫翔， 王肖戎， 吳明功， 等.基于模糊層次分析法和云模型的非常規情況下空管運行風險評估［J］.安全與環境學報， 2016， 16： 42.

［9］ 王永剛， 董保健.管制員人為差錯影響因素及指標權重分析［J］.中國安全生產科學技術， 2011， 7： 28.

［10］ 岳仁田， 劉敬軒， 趙嶷飛， 等.基于BP神經網絡的扇區空管運行亞健康關聯因子預測［J］.安全與環境工程， 2020， 27： 210.

［11］ Eeds P， Rènyi A. On the evolution of random graphs ［J］. Publ Res I Math Sc， 1960， 5： 17.

［12］ Belkoura S， Cook A， Pena J M， et al. On the multi-dimensionality and sampling of air transport networks ［J］. Transport Res E-log， 2016， 94： 95.

［13］ Veltes D A， Rodriguez D H ， Suau S P. Vulnerability of the European air transport network to major airport closures from the perspective of passenger delays： ranking the most critical airports ［J］. Transport Res A-pol， 2017， 96： 119.

［14］ Lykou G， Dedousis P， Stergiopoulos G， et al. Assessing Interdependencies and congestion delays in the aviation network ［J］. IEEE Access， 2020， 8： 223234.

［15］ 吳珂， 王俊峰， 羅琴.中國空域國內航班飛行拓撲分析［J］.四川大學學報： 自然科學版， 2016， 53： 73.

［16］ 肖琴， 羅帆. 基于復雜網絡的兩棲水上飛機起降安全風險演化［J］. 復雜系統與復雜性科學， 2019， 16： 19.

［17］ 邱楊揚.不停航施工期飛行區安全風險演化的復雜網絡模型研究［D］. 武漢： 武漢理工大學， 2019.

［18］ Qian X W， Ukkusuri S V. Connecting urban transportation systems with the spread of infectious diseases： a Trans-SEIR modeling approach ［J］. Transport Res B-meth， 2021， 145： 185.

［19］ 王巖韜， 劉毓.基于復雜網絡的航班運行風險傳播分析［J］.交通運輸系統工程與信息， 2020， 20： 198.

［20］ 羅軍.機場管制［M］.北京： 中國民航出版社， 2012.

［21］ Ronald S B， Michael J M. Applied network analysis： a methodological introduction ［M］. State of California： SAGE Publications，1983.

［22］ Freeman l C. A set of measures of centrality based on betweenness ［J］.Sociometry， 1977， 40： 35.

［23］ Freeman L C. Centrality in social networks conceptual clarification ［J］.Sociometry， 1978，1： 215.

［24］ 王巖韜， 楊拯.航班運行風險網絡的傳播與控制改進［J］.系統工程與電子技術， 2021， 43： 2544.

［25］ 康瑞， 鄧皓， 楊凱. 混合運輸機場跑道服務能力評估模型［J］.科學技術與工程， 2022， 22： 2116.

［26］ Yang K， Yang H W， Zhang J W， et al. Effects on taxiing conflicts at intersections by pilots sensitive speed adjustment ［J］. Aerospace， 2022， 9： 288.

［27］ 高登峰， 楊波， 劉洪， 等.多特征全卷積網絡的地空通話語音增強方法［J］.四川大學學報： 自然科學版， 2020， 57： 289.

［28］ 陳芳， 韓美佳.空中危險接近事件中的空管風險因素識別［J］.安全與環境學報， 2021， 21： 1583.