基于有向網絡的航空安全事故風險識別與評估

摘要： 針對航空安全事故風險識別與評估問題，基于2019年航空安全事故，通過事件樹分析方法分析風險事件間的因果關系，建立了有向加權航空安全風險網絡模型。面對航空安全風險傳播的情況，引入傳染病模型對航空安全風險網絡風險傳播進行建模，對風險事件進行排序以實現航空安全風險識別，提出了航空安全風險網絡風險指標與航空安全事故發生風險指標，以評估航空系統安全風險。結果發現，能見度差、飛機系統故障、設備維護不足、違規操作、疲勞、資源配置不當、應急響應措施不當、飛行準備不足、教育培訓不足等應當引起管理者的關注。

關鍵詞： 航空系統; 航空事故; 網絡建模; 傳染病模型; 風險識別; 風險評估

中圖分類號： N 945， U 8， X 949 文獻標志碼： A

DOI：10.12305/j.issn.1001-506X.2024.06.17

Aviation safety accident risk identification and evaluation based on directed networks

ZHANG Han^1，2，*， WANG Qiang¹

（1. Materiel Management amp; UAV Engineering College， Air Force Engineering University， Xi’an 710051， China; 2. Audit Office， Xi’an University of Finance and Economics， Xi’an 710100， China）

Abstract： Aiming at the identification and evaluation problem of aviation safety accident risk， based on the aviation safety accidents in 2019， the causal relationship between risk events is analyzed with event tree analysis method， and a directed weighted aviation safety risk network model is established. The infectious disease model is introduced to model the network risk propagation with the spread of aviation safety risk， and the risk events are ranked to identify aviation safety risk. The aviation safety risk network risk index and the aviation safety accident occurrence risk index are proposed to evaluate the aviation system safety risk. The results show that managers should be concerned about poor visibility， aircraft system failures， insufficient equipment maintenance， illegal operations， fatigue， improper resource allocation， improper emergency response measures， insufficient flight readiness， and insufficient education and training.

Keywords： aviation system; aviation accident; network modeling; infectious model; risk identification; risk evaluation

0 引 言

航空系統承載了運輸人員及貨物的任務，在全球貿易中發揮著重要作用。隨著航空技術的發展，空中交通密度不斷提高，然而由于人為^［1］、機械^［2］、環境^［3］及政策法規^［4］等因素具有復雜性和不確定，航空安全事故時常發生。因此，如何分析航空事故風險因素間的因果關系，進而對風險因素進行識別及航空安全評估，是國內外學者研究的焦點^［5-7］。

航空風險識別是指在風險事件發生前，運用多種方法對可能影響航空安全的風險因素進行識別的過程。在航空風險識別方面，胡召音^［8］介紹了基于事故樹和灰色關聯的機場事故風險識別方法，使風險分析具有預測性，機場可以提前做好風險防范，針對性地做好整改工作。Chen等^［9］使用層次分析法計算每個風險因素的權重并進行排序，發現機組人員的失誤是最重要的威脅。Ale 等^［10］建立了航空運輸安全系統的因果模型，分析了導致事故發生的因果關系。Ancel等^［11］開發了一種面向對象的貝葉斯網絡，來整合導致飛行中損失失控航空事故的安全風險。Rose等^［12］提出了一種基于飛機飛行事件文本描述的分類元數據參數的航空安全敘述分析方法，基于航空報告確定了10個主要聚類和31個子聚類。Xu等^［13］基于混合多類高斯過程模型對飛行員疲勞狀態進行識別，從而實現對人員因素的航空風險的識別。Zhou等^［14］基于卷積神經網絡提出了一種具有注意機制的雙向長短期記憶神經網絡的飛機風險識別模型。余稼洋等^［15］基于故障樹理論提出了Bow-tie-DT-FTA 模型，以飛機尾翼結冰事故為例，發現液態水含量達到結冰條件是導致事故發生的關鍵因素。

在航空風險評估方面，Luxhj等^［16］開發了航空系統風險模型，用于航空系統中組織因素的風險評估。Tamasi等^［17］基于威脅、關鍵性和脆弱性概念的風險評估過程，提出了一種定性和定量評估民航安全風險的方法。Wilke等^［18］以機場地面安全（即跑道/滑行道安全）為例，提出了一個評估數據質量的框架，考慮了與數據收集和預處理過程中可能的錯誤源、組織安全文化、數據可訪問性以及報告系統隨時間的一致性相關的11個標準。徐吉輝等^［19］針對不確定條件下航空風險評估定量分析不足的問題， 提出一種基于D-S（Dempster-Shafer）證據理論的航空風險Bow-tie蝴蝶結分析方法。Miyamoto等^［20］使用自然語言處理工具、K均值聚類算法和T分布隨機鄰居法對數據進行降維，來對敘事進行分類和可視化，并發現維護是延遲的主要原因。鮑晗等^［21］對發動機控制系統故障風險模式進行了分析，提出了基于概率風險分析的發動機控制系統實際風險評估方法。Stamatelatos等^［22］基于貝葉斯網絡分析了概率風險評估中各種不確定性的量化。Cui等^［23］通過分析和描述航空動作的不確定因素，結合Bow-tie模型給出事故嚴重程度下的安全性能函數。

上述研究大多被用于事故的靜態分析^［24-25］。針對風險傳播的問題，王巖韜等^［26］采用經驗建網法、時間序列相空間重構法和Spearman相關系數3種方法構建航空安全網絡，基于傳染病模型中的易感-感染-免疫模型（易感者、感染者、痊愈者）對航空風險傳播進行了分析。現實中，航空安全事故的發生并不是由單個事件或因素造成的，而是多個事件或因素耦合并進一步傳播的結果。文獻［27］通過研究船舶擱淺事故指出事故的發生是由觸發事件到演化事件一步步傳播造成的。基于以上思想，本文旨在探究航空安全事故所涉及的風險從觸發事件開始到事故發生的傳播機制，對航空安全風險進行識別與評估。為此，基于航空安全網站收集的航空安全事故，通過事件樹分析方法識別每次事故中的風險觸發事件及后續風險因素，基于復雜網絡建模理論建立航空安全風險網絡模型，分析網絡拓撲特征，對風險觸發事件的關鍵風險進行識別，考慮風險事件傳播的特點，引入易感-感染-易感（susceptible-infectious-susceptible， SIS）模型識別風險演化事件對事故的影響，對航空安全進行評估，為航空安全預警提供理論指導。

1 航空安全風險網絡模型

本節首先確定航空安全風險因素，然后通過航空安全網收集航空安全事故，基于事故鏈方法建立加權有向航空安全風險網絡模型，對其拓撲結構進行分析，分析框架如圖1所示。

1.1 航空安全風險因素

通過查閱航空安全網事故報告^［28］及專家信息，確定航空安全事故為頂事件，觸發事件包含14個，風險傳播演化事件包含23個，如表1所示。其中，頂事件代表事故發生，風險不會繼續傳播;觸發事件指風險源，即風險開始的事件;風險演化事件是從風險源進一步傳播導致事故發生的中間事件。

1.2 航空安全風險網絡模型

根據事故樹的定性分析原則，航空安全事故描述了事故A發生的過程，其中包含了觸發事件T與引起事故的貢獻因素C。因此，能夠通過事件間存在的因果關系建立事件鏈。依據不同的事故報告可以生成不同的事故鏈，最后對不同的事故鏈依據節點及關系進行合并，生成航空安全風險網絡模型，其基本步驟如圖2所示。

1.3 航空安全風險傳播模型

風險被廣泛定義為對事故或故障的可能性和后果嚴重程度的綜合描述。基于網絡視角，風險可以通過因果關系或相關性在風險事件之間傳播，傳染病模型能夠有效地描述風險傳播的過程^［29-30］。從航空安全事故中發現，盡管在風切變或大霧等惡劣自然環境下，駕駛員采用積極應急措施，能夠將危險事件轉化為正常事件，即傳染病模型中的易感態;而由于駕駛員疏忽等因素，正常事件也會轉化為危險事件，即傳染病模型中的感染態。

因此，本文采用SIS模型來映射安全風險網絡的風險傳播過程，其基本動力學方程如下：

dx_idt=-x_i+∑Nj=1A_ij（1-x_i）x_j（1）

式中：等式右邊第1項代表事件恢復率，表征節點對風險的削弱能力;等式右邊第2項為事件間感染率，表征節點風險防御能力。若事件j指向事件i，則A_ij=1，否則A_ij=0;x_i代表事件i在t時刻的感染率。通過對事件間相互作用網絡的研究，研究者可以分析風險事件對系統感染率的影響，進而挖掘網絡中重要的風險事件的特征，從而為風險預警提供理論支撐。

2 實證分析

2.1 航空安全風險網絡建模與拓撲分析

依據第1節提出的航空安全風險網絡模型及風險傳播模型，對航空安全網中2019年的航空安全事故進行了分析，共有245件航空事故，20次致命事故，造成283人死亡。本文選取245件航空事故中對事故過程描述的內容，對表1中觸發事件與風險演化事件的發生頻率進行了統計分析，分析結果如圖3所示。結果顯示觸發事件中能見度差、飛機系統故障、設備維護不足及違規操作發生的頻次較高，風險演化事件中60%的事件發生頻次為4～6，無法有效對其進行區分，從而實現風險識別。

因此，基于事故樹分析方法，首先建立每次事故報告的事故鏈，然后對多個事故鏈進行合并加權，最后生成航空安全風險網絡。考慮到事件發生具有指向性，即觸發事件會導致風險演化事件或頂事件的發生，航空安全風險網絡是一個有向網絡。由圖3可知事件發生頻次不是單次的，本文定義網絡中邊的權重為事件i導致事件j發生的次數^［27］。依據上述分析可以得到航空安全風險網絡，如圖4所示。

接著對網絡的拓撲結構進行分析，本文考慮加權有向的特征，入度代表了承受風險事件的能力，通過kⁱⁿ_i=∑^N_j=1A_ji可以計算;出度代表了風險傳播的能力，通過k^out_i=∑^N_i=1A_ij可以計算，如圖5所示。

圖5展示了2019年航空安全風險網絡節點的出度與入度，圖5（a）中的結果顯示觸發事件與風險傳播演化事件具有風險傳播的能力，而頂事件出度為0，不具備風險傳播能力。圖5（b）中的結果顯示風險傳播演化事件與頂事件的入度大于0，需要承擔風險，而觸發事件入度為0，不具備風險承受能力。

2.2 航空安全風險網絡風險識別

通過上述航空安全風險網絡拓撲結構的分析，觸發事件采用出度可以很好地衡量其重要性，如圖6所示，能見度差、飛機系統故障、設備維護不足、違規操作等觸發事件具有較高的風險傳播能力，應當得到監管部門的重視。

對于風險演化事件，由于其既具備風險傳播能力，又具備風險承受能力，因此拓撲結構特征無法對其進行排序與識別。本文引入式（1）的傳染病模型對航空安全風險傳播進行映射。通過式（1）可以看到，節點的穩態值綜合考慮了節點自身與鄰居對其的影響，即觸發事件及風險演化事件對其的影響，利用數值仿真得到航空安全風險網絡中風險演化事件節點的穩態值，用來評估其重要性。數值仿真采用4階龍格庫塔數值仿真式（1）的動力學穩態解，截斷誤差設置為0.000 01，在初始時刻節點感染率設置為x_i（0）=1，初始感染率的設定對最終穩態的結果沒有影響。

風險演化事件在式（1）穩態下的結果以及排序如圖7所示。結果顯示資源配置不當、應急響應措施不當、飛行準備不足、教育培訓不足等因素的穩態結果較高，這些事件在風險傳播分析中更應當引起管理者的重視。

2.3 航空安全風險網絡風險評估

上述分析對觸發事件與風險演化事件進行了排序，但沒有考慮觸發事件發生對頂事件的影響，本節分析觸發事件發生后對頂事件發生概率的影響。基本步驟如下。

步驟 1 輸入航空安全風險網絡，通過式（1）達到穩態。

步驟 2 隨機出現觸發事件，令其行為值持續設定為1，即觸發事件發生。

步驟 3 網絡達到新的穩態，求得網絡均值及頂事件的穩態值，即觸發事件發生對系統及頂事件的影響。

通過以上步驟，可以得到不同觸發事件發生后，航空安全風險網絡頂事件發生的概率。這里引入兩個指標：航空安全風險網絡風險指標與航空安全事故發生風險指標。航空安全風險網絡風險指標為擾動后網絡節點新的穩態均值，用于衡量整個網絡的風險水平，其公式為

〈x〉=1N∑Ni=1x^*′_i（2）

式中：N為網絡規模;x^*′_i為節點i受到擾動后新的穩態值。

航空安全事故發生風險指標為擾動后網絡節點38，即頂事件的穩態均值與初始穩態的比值，其代表了航空安全事故中頂事件發生的風險提升率，用于衡量頂事件發生的風險水平，其公式為

x₃₈=x^*′₃₈x^*₃₈（3）

式中：x^*₃₈代表頂事件的初始穩態值;x^*′₃₈為頂事件受到擾動后新的穩態值。

現實中，航空安全事故往往不是由一個觸發事件引起的，例如UPS航空1354航班空難是由駕駛員的疲勞駕駛及能見度差引起的^［31］，具有一定的隨機性，因此考慮多個觸發事件同時隨機觸發對航空系統安全的影響是有必要的。航空安全風險網絡風險指標與航空安全事故發生風險指標隨著觸發事件發生數目增多的變化趨勢如圖8所示。

圖8中，每個數據點代表了對應觸發事件發生數目下航空安全風險網絡風險指標與航空安全事故發生風險指標的仿真結果，其中仿真次數為100。仿真結果顯示，航空安全風險網絡風險指標值與航空安全事故發生風險指標值都隨著觸發事件發生數目的增多而增加，這意味著風險增加，管理部門應當加強監管，從而避免多觸發事件的同時發生。

3 結 論

本文以2019年航空安全事故報告為研究對象，通過事件樹分析方法分析引起事故發生的風險事件間的因果關系，將事故中的風險事件分為觸發事件、風險演化事件及頂事件。基于復雜網絡建模理論建立航空安全風險網絡，對其拓撲結構進行了分析，識別觸發事件中關鍵事件，考慮到風險傳播機制，引入傳染病模型對航空安全風險傳播進行了映射，對航空安全風險網絡的風險進行了評估。

在航空風險識別上，針對出度對觸發事件進行了排序，發現能見度差、飛機系統故障、設備維護不足、違規操作、疲勞等觸發事件具有更高的重要性，應當得到管理部門更多的關注。針對風險演化事件即具備風險傳播能力又具備風險承受能力的特征，利用傳染病動力學穩態值對其重要性進行評估，顯示資源配置不當、應急響應措施不當、飛行準備不足、教育培訓不足等因素應該引起管理者關注。通過與2019年航空事故風險因素發生的頻次對比發現，針對觸發事件的風險識別，其結果與事件發生的頻次一致。針對風險演化事件的風險識別，本文方法能有效對事件進行區分與量化，進而實現風險識別。

在風險評估上，基于傳染病模型建立了航空風險傳播模型，提出了航空安全風險網絡風險指標與航空安全事故發生風險指標，以評估航空安全風險網絡風險。面對航空事故中多觸發事件耦合發生的事實，對多觸發事件下航空風險進行了評估，結果顯示隨著觸發事件數目的增多，兩個航空安全風險指標呈現出上升的趨勢，管理者在日后管理工作中應當避免多事故同時發生的情形。

參考文獻

［1］ZIMMERMANN N， MENDONCA F A C. The impact of human factors and maintenance documentation on aviation safety： an analysis of 15 years of accident data through the PEAR framework［J］. The Collegiate Aviation Review International， 2021， 39（2）. DOI：10.22488/okstate.22.100230.

［2］BASTOLA D P. The relationship between leadership styles and aviation safety： a study of aviation industry［J］. Journal of Air Transport Studies， 2020， 11（1）： 71-102.

［3］DE VOOGT A， KALAGHER H， SANTIAGO B， et al. Go-around accidents and general aviation safety［J］. Journal of Safety Research， 2022， 82： 323-328.

［4］BYRNES K P， RHOADES D L， WILLIAMS M J， et al. The effect of a safety crisis on safety culture and safety climate： the resilience of a flight training organization during COVID-19［J］. Transport Policy， 2022， 117： 181-191.

［5］LEDERER P J， NAMBIMADOM R S. Airline network design［J］. Operations Research， 1998， 46（6）： 785-804.

［6］ZHANG X G， MAHADEVAN S. Ensemble machine learning models for aviation incident risk prediction［J］. Decision Support Systems， 2019， 116： 48-63.

［7］ZHANG X G， MAHADEVAN S. Bayesian network modeling of accident investigation reports for aviation safety assessment［J］. Reliability Engineering amp; System Safety， 2021， 209： 107371.

［8］胡召音. 灰色理論及其應用研究［J］. 武漢理工大學學報（交通科學與工程版）， 2003， 27（3）： 405-407.

HU Z Y. Gray theories and its application［J］. Journal of Wuhan University of Technology（Transportation Science amp; Engineering）， 2003， 27（3）： 405-407.

［9］CHEN C C， CHEN J， LIN P C. Identification of significant threats and errors affecting aviation safety in Taiwan using the analytical hierarchy process［J］. Journal of Air Transport Ma-nagement， 2009， 15（5）： 261-263.

［10］ALE B， VAN-GULIJK C， HANEA A， et al. Towards BBN based risk modelling of process plants［J］. Safety Science， 2014， 69： 48-56.

［11］ANCEL E， SHIH A T， JONES S M， et al. Predictive safety analytics： inferring aviation accident shaping factors and causation［J］. Journal of Risk Research， 2015， 18（4）： 428-451.

［12］ROSE R L， PURANIK T G， MAVRIS D N. Natural language processing based method for clustering and analysis of aviation safety narratives［J］. Aerospace， 2020， 7（10）： 143.

［13］XU B， WU Q， XI C， et al. Recognition of the fatigue status of pilots using BF-PSO optimized multi-class GP classification with sEMG signals［J］. Reliability Engineering amp; System Safety， 2020， 199： 106930.

［14］ZHOU D， ZHUANG X， ZUO H F， et al. A model fusion strategy for identifying aircraft risk using CNN and Att-BiLSTM［J］. Reliability Engineering amp; System Safety， 2022， 228： 108750.

［15］余稼洋， 郭建勝， 周楚涵， 等. 基于Bow-tie-DT-FTA的航空安全事故預防措施決策分析［J］. 火力與指揮控制， 2022， 47（8）： 158-164.

YU J Y， GUO J S， ZHOU C H， et al. Decision-making analysis of preventive measures for aviation safety accidents based on Bow-tie-DT-FTA［J］. Fire Control ＆ Command Control， 2022， 47（8）： 158-164.

［16］LUXHJ J T， CHOOPAVANG A， ARENDT D N. Risk assessment of organizational factors in aviation systems［J］. Air Traffic Control Quarterly， 2001， 9（3）： 135-174.

［17］TAMASI G， DEMICHELA M. Risk evaluation techniques for civil aviation security［J］. Reliability Engineering amp; System Safety， 2011， 96（8）： 892-899.

［18］WILKE S， MAJUMDAR A， OCHIENG W Y. A framework for assessing the quality of aviation safety databases［J］. Safety Science， 2014， 63： 133-145.

［19］徐吉輝， 王曉琳， 王瑛， 等. 基于證據理論的Bow-tie航空風險評估方法及應用［J］. 火力與指揮控制， 2019， 44（10）： 1-7.

XU J H， WANG X L， WANG Y， et al. Research on method and application of Bow-tie analysis based on D-S evidence theory［J］. Fire Control ＆ Command Control， 2019， 44（10）： 1-7.

［20］MIYAMOTO A， BENDARKAR M V， MAVRIS D N. Natural language processing of aviation safety reports to identify inefficient operational patterns［J］. Aerospace， 2022， 9（8）： 450.

［21］鮑晗， 左洪福， 蔡景， 等. 基于概率風險分析的航空發動機控制系統故障風險評估［J］. 四川兵工學報， 2018， 39（10）： 38-43.

BAO H， ZUO H F， CAI J， et al. Risk assessment of aeroengine control system based on probability risk analysis［J］. Journal of Ordnance Equipment Engineerin， 2018， 39（10）： 38-43.

［22］STAMATELATOS M， DEZFULI H， APOSTOLAKIS G， et al. Probabilistic risk assessment procedures guide for NASA ma-nagers and practitioners［R］. Hanover MD： NASA， 2011.

［23］CUI L J， ZHANG J K， REN B， et al. Research on a new aviation safety index and its solution under uncertainty conditions［J］. Safety Science， 2018， 107： 55-61.

［24］KHAN B， KHAN F， VEITCH B. A dynamic Bayesian network model for ship-ice collision risk in the Arctic waters［J］. Safety Science， 2020， 130： 104858.

［25］KAPTAN M， UGURLU O， WANG J. The effect of nonconformities encountered in the use of technology on the occurrence of collision， contact and grounding accidents［J］. Reliability Engineering amp; System Safety， 2021， 215： 107886.

［26］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（1）： 198-205.

WANG Y T， LIU Y. Flight operation risk propagation based on complex network［J］. Journal of Transportation Systems Engineering and Information Technology， 2020， 20（1）： 198-205.

［27］MA X X， DENG W Y， QIAO W L， et al. A methodology to quantify the risk propagation of hazardous events for ship grounding accidents based on directed CN［J］. Reliability Engineering amp; System Safety， 2022， 221： 108334.

［28］Flight Safety Foundation. Aviation safety network［EB/OL］. ［2023-03-05］. https：∥aviation-safety.net/.

［29］WU M Y， DAI W， LU Z Y， et al. The method for risk evaluation in assembly process based on the discrete-time SIRS epidemic model and information entropy［J］. Entropy， 2019， 21（11）： 1029.

［30］LV C C， YUAN Z W， SI S B， et al. Cascading failure in networks with dynamical behavior against multi-node removal［J］. Chaos， Solitons amp; Fractals， 2022， 160： 112270.

［31］STARR J R A W. Integrating fatigue management with safety management systems for commercial flightcrew operations［J］. International Journal of Aviation， Aeronautics， and Aerospace， 2017， 4（1）. DOI：10.15394/ijaaa.2017.1143.

作者簡介

張 晗（1988—），女，博士研究生，主要研究方向為安全理論與技術、復雜系統建模。

王 強（1976—），男，教授，博士，主要研究方向為安全理論與技術。