劉俊杰，葉英豪，杜尹嵐

（中國(guó)民航大學(xué)安全科學(xué)與工程學(xué)院，天津 300300）

安全信息是獲取和識(shí)別安全風(fēng)險(xiǎn)的重要渠道，對(duì)其深入分析和量化是安全風(fēng)險(xiǎn)管理和事故預(yù)防的數(shù)據(jù)基礎(chǔ)，也是安全管理體系的重要環(huán)節(jié)[1]。近年來，中國(guó)航空安全信息的收集量已達(dá)到一定規(guī)模，但對(duì)信息的量化分析尚停留在數(shù)量統(tǒng)計(jì)分析階段，對(duì)信息蘊(yùn)含的價(jià)值獲取不足[1-2]，亟需拓展航空安全信息深入量化分析的方法，為風(fēng)險(xiǎn)控制和安全保障提供數(shù)據(jù)支持。

目前信息量化研究主要以香農(nóng)經(jīng)典信息理論為基礎(chǔ)，建立信息量化模型應(yīng)用于不同領(lǐng)域的信息量化分析[3-5]。貝葉斯網(wǎng)絡(luò)（BN，Bayesian network）是一種有向無環(huán)圖，節(jié)點(diǎn)代表關(guān)注的隨機(jī)變量，有向弧則代表變量間因果關(guān)系，變量間的影響強(qiáng)度由節(jié)點(diǎn)與對(duì)應(yīng)父節(jié)點(diǎn)之間的條件概率表示，其提供了一種表示因果信息的方法[6-7]。因此，貝葉斯網(wǎng)絡(luò)可將航空安全信息中的影響因素與后果嚴(yán)重程度進(jìn)行關(guān)聯(lián)，得到事件原因與后果間的影響關(guān)系，獲取信息價(jià)值。

考慮可控飛行撞地（CFIT，controlled flight into terrain）事件具有后果嚴(yán)重、影響因素復(fù)雜等特點(diǎn)，選取該類事件信息作為研究樣本開展航空安全信息量化分析。CFIT 事件[8]指一架完全滿足適航要求的飛機(jī)，在非失效、可控的狀態(tài)下撞到地面、山體、水面或其他障礙物。目前關(guān)于CFIT 事件的研究主要集中在事故分析和降低風(fēng)險(xiǎn)方面。Smith等[9]首次將飛行性能風(fēng)險(xiǎn)評(píng)價(jià)模型應(yīng)用于分析CFIT 事故；汪磊等[10]建立CFIT 事故樹模型對(duì)致因因子進(jìn)行詳細(xì)分析，為CFIT 事故樹分析奠定基礎(chǔ)；杜紅兵等[11]提出了融合事故樹與貝葉斯網(wǎng)絡(luò)計(jì)算CFIT 機(jī)組人員失誤的概率；Lee[12]提出通過地形識(shí)別警告系統(tǒng)來降低CFIT 事件發(fā)生的風(fēng)險(xiǎn)；Wang等[13]首次結(jié)合Bow-tie 模型與快速訪問記錄器數(shù)據(jù)，實(shí)現(xiàn)了CFIT 事件風(fēng)險(xiǎn)預(yù)警；文獻(xiàn)[14]基于無線地面連接快速存取記錄器數(shù)據(jù)構(gòu)建了CFIT 事件嚴(yán)重程度計(jì)算器，量化其風(fēng)險(xiǎn)值。

綜上，對(duì)CFIT 事件的研究多針對(duì)事故分析與風(fēng)險(xiǎn)預(yù)警，較少?gòu)男畔⒘炕慕嵌壬钊胙芯?。因此，本文從CFIT 事件信息入手，通過分析CFIT 事件演化過程，建立事件后果層—飛機(jī)狀態(tài)層—誘發(fā)因素層三層貝葉斯網(wǎng)絡(luò)，選取已知節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)進(jìn)行量化分析，獲得目標(biāo)節(jié)點(diǎn)可能性排序、最大可能性目標(biāo)節(jié)點(diǎn)及影響強(qiáng)度，得出各層節(jié)點(diǎn)可能性；依據(jù)樣本貝葉斯網(wǎng)絡(luò)的事件后果層、誘發(fā)因素層及樣本整體貝葉斯網(wǎng)絡(luò)分析結(jié)果，得到CFIT 事件關(guān)鍵風(fēng)險(xiǎn)環(huán)節(jié)及其量化結(jié)果，為后續(xù)風(fēng)險(xiǎn)控制措施提供數(shù)據(jù)支持。

1 CFIT 事件量化分析流程

基于貝葉斯網(wǎng)絡(luò)的CFIT 事件量化分析流程如下。

（1）事件演化分析。參照基元事件分析法[15]對(duì)CFIT 事件進(jìn)行演化過程分析。

（2）建立貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。基于演化分析結(jié)果，確定節(jié)點(diǎn)，建立貝葉斯網(wǎng)絡(luò)三層結(jié)構(gòu)圖。

（3）基于貝葉斯網(wǎng)絡(luò)進(jìn)行量化。獲取樣本數(shù)據(jù)，實(shí)現(xiàn)不同層節(jié)點(diǎn)的量化分析。

（4）分析結(jié)果。分析CFIT 事件樣本量化結(jié)果得出結(jié)論。

2 CFIT 事件貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

2.1 CFIT 事件演化過程分析

基元事件分析法的核心是每個(gè)基元事件都有責(zé)任者（人、機(jī)或環(huán)境），都對(duì)應(yīng)一個(gè)主要問題且每個(gè)問題對(duì)應(yīng)一個(gè)主要原因。參照基元事件分析法提取每起CFIT 事件信息的核心特征，按照事件、責(zé)任者、直接影響飛機(jī)狀態(tài)的問題、問題的直接原因以及更深層次的促成因素逐級(jí)進(jìn)行分類，建立CFIT 事件分析系統(tǒng)結(jié)構(gòu)圖，如圖1 所示（各事件成因不同，簡(jiǎn)單列舉）。

圖1 CFIT 事件分析系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure of CFIT event analysis system

2.2 三層貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)建立

通過CFIT 事件分析系統(tǒng)結(jié)構(gòu)圖建立貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。由于責(zé)任者（直接原因）基于機(jī)組和環(huán)境因素，且大部分事件信息缺乏對(duì)促成因素的記錄分析，因此為降低貝葉斯網(wǎng)絡(luò)的復(fù)雜性和提高網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)據(jù)的準(zhǔn)確性，對(duì)五層CFIT 事件分析系統(tǒng)結(jié)構(gòu)圖進(jìn)行改進(jìn)，建立事件、直接問題及直接原因三層貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)模型如下。

（1）事件后果層。將事件后果層記為A，根據(jù)事件后果嚴(yán)重等級(jí)分為事故A1、征候A2和一般事件A3，并作為該層3 個(gè)節(jié)點(diǎn)。

（2）飛機(jī)狀態(tài)層。將直接問題定義為飛機(jī)狀態(tài)層，該層記為B。依據(jù)CFIT 事件發(fā)生時(shí)近地警告系統(tǒng)（GPWS）告警情況，分為下降率過大B1、高度過低B2和低于下滑道B33 種情況。

（3）誘發(fā)因素層。將直接原因視為直接影響飛機(jī)狀態(tài)的誘發(fā)因素，該層記為C。機(jī)組因素包括機(jī)組對(duì)飛機(jī)的操控情況：速度控制C1、飛行高度控制C2、姿態(tài)控制C3、機(jī)組喪失情景意識(shí)C4；環(huán)境因素包括：能見度差C5、地形復(fù)雜C6、風(fēng)切變C7和飛行保障C8。

按照誘發(fā)因素層—飛機(jī)狀態(tài)層—事件后果層順序建立CFIT 事件三層貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)模型，如圖2所示。

圖2 CFIT 事件貝葉斯三層網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Three-layer Bayesian network structure of CFIT event

3 基于三層貝葉斯網(wǎng)絡(luò)的CFIT 事件量化

3.1 基本概念

3.1.1 基本公式

CFIT 事件三層貝葉斯網(wǎng)絡(luò)量化分析包括事件后果層與飛機(jī)狀態(tài)層、飛機(jī)狀態(tài)層與誘發(fā)因素層以及事件后果層與誘發(fā)因素層3 組量化關(guān)系，每組量化分析包括正向與反向的概率推理，由條件概率和貝葉斯公式得出量化的基本公式為

式中：Am表示事件后果層第m 個(gè)節(jié)點(diǎn)，m=1，2，3；Bn表示飛機(jī)狀態(tài)層第n 個(gè)節(jié)點(diǎn)，n=1，2，3；Cq表示誘發(fā)因素層第q 個(gè)節(jié)點(diǎn)，q=1，2，…，8。

式（1）和式（2）表示飛機(jī)狀態(tài)層與事件后果層的概率推理，P（AmBn）為Am和Bn同時(shí)發(fā)生的概率；P（Bn）為Bn節(jié)點(diǎn)的先驗(yàn)概率；P（Am|Bn）稱為Bn節(jié)點(diǎn)的似然度；P（Bn|Am）表示在Am的條件下Bn的條件概率，即Bn節(jié)點(diǎn)的后驗(yàn)概率；P（Am|Bn）與P（Bn|Am）量化Am與Bn節(jié)點(diǎn)的影響關(guān)系。

同理式（3）和式（4）表示誘發(fā)因素層與飛機(jī)狀態(tài)層的概率推理，P（Cq）為Cq節(jié)點(diǎn)的先驗(yàn)概率；P（Bn|Cq）稱為Cq節(jié)點(diǎn)的似然度；P（Cq|Bn）表示在Bn的條件下Cq的條件概率，即Cq節(jié)點(diǎn)后驗(yàn)概率；P（Bn|Cq）與P（Cq|Bn）量化Bn與Cq節(jié)點(diǎn)的影響關(guān)系。

式（5）和式（6）表示誘發(fā)因素層與事件后果層的概率推理，P（Am|Cq）稱為Cq節(jié)點(diǎn)的似然度；P（Cq|Am）表示在Am的條件下Cq的條件概率，即Cq節(jié)點(diǎn)的后驗(yàn)概率；P（Am|Cq）與P（Cq|Am）量化Am與Cq節(jié)點(diǎn)的影響關(guān)系。

3.1.2 目標(biāo)節(jié)點(diǎn)選取原則

目標(biāo)節(jié)點(diǎn)指的是當(dāng)已知某節(jié)點(diǎn)確定發(fā)生，需要推理出其相關(guān)聯(lián)的節(jié)點(diǎn)，則稱相關(guān)聯(lián)的節(jié)點(diǎn)為已知節(jié)點(diǎn)的目標(biāo)節(jié)點(diǎn)。而由已知節(jié)點(diǎn)推理目標(biāo)節(jié)點(diǎn)可能性大小為條件概率，即影響強(qiáng)度值。例如已知A3節(jié)點(diǎn)發(fā)生，推理出B2節(jié)點(diǎn)發(fā)生，則稱B2是A3的目標(biāo)節(jié)點(diǎn)，P（B2|A3）即為A3節(jié)點(diǎn)對(duì)B2節(jié)點(diǎn)的影響強(qiáng)度值。

3.2 量化分析

在CFIT 事件三層貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖的基礎(chǔ)上，逐層分析事件樣本，確定各層節(jié)點(diǎn)參數(shù)值。量化分析B層與A 層、C 層與B 層、C 層與A 層的影響關(guān)系：

分析B 層與A 層雙向概率推理，正向推理得出與Bn對(duì)應(yīng)的A 層目標(biāo)節(jié)點(diǎn)可能性排序，獲得最大可能性目標(biāo)節(jié)點(diǎn)Am及影響強(qiáng)度值；反向推理與Am對(duì)應(yīng)的B層目標(biāo)節(jié)點(diǎn)可能性排序，并獲得最大可能性目標(biāo)節(jié)點(diǎn)Bn及影響強(qiáng)度值；

分析C層與B層雙向概率推理，正向推理得出與Cq對(duì)應(yīng)的B層目標(biāo)節(jié)點(diǎn)可能性排序，獲得最大可能性目標(biāo)節(jié)點(diǎn)Bn及影響強(qiáng)度值，反向推理與Bn對(duì)應(yīng)C層目標(biāo)節(jié)點(diǎn)可能性排序，并獲得最大可能性目標(biāo)節(jié)點(diǎn)Cq及影響強(qiáng)度值；

分析C 層與A層雙向概率推理，正向推理得出與Cq對(duì)應(yīng)的A層目標(biāo)節(jié)點(diǎn)可能性排序，獲得最大可能性目標(biāo)節(jié)點(diǎn)Am及影響強(qiáng)度值，反向推理與Am對(duì)應(yīng)C 層目標(biāo)節(jié)點(diǎn)可能性排序，并獲得最大可能性目標(biāo)節(jié)點(diǎn)Cq及影響強(qiáng)度值。

同時(shí)由CFIT 事件貝葉斯三層網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)節(jié)點(diǎn)參數(shù)建立樣本三層貝葉斯網(wǎng)絡(luò)。網(wǎng)絡(luò)節(jié)點(diǎn)參數(shù)確定：C 層節(jié)點(diǎn)依據(jù)其先驗(yàn)概率，B 層、A層節(jié)點(diǎn)參數(shù)值可根據(jù)多個(gè)原因節(jié)點(diǎn)獨(dú)立地影響同一結(jié)果的因果機(jī)制獨(dú)立關(guān)系[8]確定。對(duì)A、B、C 層的網(wǎng)絡(luò)進(jìn)行整體分析，基于樣本貝葉斯網(wǎng)絡(luò)確定A、B、C 層節(jié)點(diǎn)發(fā)生可能性。

通過上述不同層節(jié)點(diǎn)的概率推理CFIT 事件的事件后果、飛機(jī)狀態(tài)和誘發(fā)因素三者的影響強(qiáng)度值，并基于樣本三層貝葉斯網(wǎng)絡(luò)得到各層節(jié)點(diǎn)可能性大小，可作為該事件風(fēng)險(xiǎn)預(yù)防與控制措施的量化依據(jù)。

4 實(shí)例分析

4.1 信息樣本選取

本文選取兩種不同來源的CFIT 事件信息樣本。樣本1 來源于中國(guó)民用航空安全信息系統(tǒng)2017—2019年CFIT 事件信息；樣本2 來源于航空安全網(wǎng)（ASN，Aviation Safety Network）2000—2019 年CFIT 事件信息，包含國(guó)外事故和征候信息。經(jīng)過數(shù)據(jù)處理，最終得到樣本1 包括事故11起，征候9起，一般事件110起；樣本2 包括事故224起，征候14 起。前者具有大量一般事件信息，而后者主要包含事故信息，基于兩類樣本的量化分析，獲得CFIT 事件風(fēng)險(xiǎn)預(yù)防控制的關(guān)鍵風(fēng)險(xiǎn)環(huán)節(jié)及量化值。

4.2 樣本量化分析

采用GeNIe 2.0 軟件建立樣本B 層與A 層、C 層與B 層以及C 層與A 層的雙向推理關(guān)系圖，圖3 和圖4 分別表示樣本1 和樣本2 不同層雙向推理關(guān)系圖。

圖3 樣本1 不同層雙向推理關(guān)系圖Fig.3 Bidirectional reasoning graph of different layers in sample 1

以樣本1 為例說明不同網(wǎng)絡(luò)層的量化分析結(jié)果。B 層與A 層推理表示如圖3（a）所示，弧的方向表示推理方向，標(biāo)注值表示兩節(jié)點(diǎn)影響強(qiáng)度，弧的厚度越厚，值越大，如B1導(dǎo)致A3發(fā)生的影響強(qiáng)度為0.952。比較影響強(qiáng)度值，得出B1、B2和B3均導(dǎo)致可能性最高事件后果目標(biāo)節(jié)點(diǎn)為A3，A3導(dǎo)致B1發(fā)生的影響強(qiáng)度0.182，反向推理得出導(dǎo)致CFIT 事件后果A1、A2、A3發(fā)生可能性最高的飛機(jī)狀態(tài)節(jié)點(diǎn)為B2。

C 層與B 層推理表示如圖3（b）所示，正向推理得出C1、C6和C7均導(dǎo)致可能性最高的飛機(jī)狀態(tài)目標(biāo)節(jié)點(diǎn)為B1；C2、C3、C4、C5和C8均導(dǎo)致可能性最高的飛機(jī)狀態(tài)目標(biāo)節(jié)點(diǎn)為B2；B1、B2和B3得出可能性最高的誘發(fā)因素目標(biāo)節(jié)點(diǎn)分別為C1、C8和C2。

C 層與A 層推理表示如圖3（c）所示，正向推理得出C5導(dǎo)致可能性最高的CFIT 事件后果目標(biāo)節(jié)點(diǎn)為A1；C 層其余節(jié)點(diǎn)導(dǎo)致可能性最高的CFIT 事件后果目標(biāo)節(jié)點(diǎn)為A3；A1、A2和A3發(fā)生得出可能性最高的誘發(fā)因素目標(biāo)節(jié)點(diǎn)分別為C4、C2和C8。

由圖3 和圖4 整理得出在樣本1 和樣本2中，由已知節(jié)點(diǎn)為Am，得到B 層和C 層目標(biāo)節(jié)點(diǎn)可能性排序，最大可能性目標(biāo)節(jié)點(diǎn)Bn和Cq及其影響強(qiáng)度，如表1 所示；已知節(jié)點(diǎn)為Bn得A 層和C 層目標(biāo)節(jié)點(diǎn)可能性排序，最大可能性目標(biāo)節(jié)點(diǎn)Am和Cq及其影響強(qiáng)度，如表2 所示；已知節(jié)點(diǎn)為Cq得B 層和A 層目標(biāo)節(jié)點(diǎn)可能性排序，最大可能性目標(biāo)節(jié)點(diǎn)Bn和Am及其影響強(qiáng)度，如表3 所示。

表1 已知節(jié)點(diǎn)為Am 的分析結(jié)果Tab.1 Analysis results of the known node Am

表2 已知節(jié)點(diǎn)為Bn 的分析結(jié)果Tab.2 Analysis results of the known node Bn

表3 已知節(jié)點(diǎn)為Cq 的分析結(jié)果Tab.3 Analysis results of the known node Cq

對(duì)A、B、C 層的網(wǎng)絡(luò)整體量化分析，按照網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建樣本1 和樣本2 三層貝葉斯網(wǎng)絡(luò)，如圖5 所示。在GeNIe 軟件中設(shè)置C 層節(jié)點(diǎn)為普通機(jī)會(huì)節(jié)點(diǎn)（general chance node），按照因果機(jī)制獨(dú)立中噪音或門邏輯關(guān)系，設(shè)置B 層和A 層節(jié)點(diǎn)為噪音最大節(jié)點(diǎn)（noisy max node），節(jié)點(diǎn)參數(shù)值由父節(jié)點(diǎn)對(duì)其影響強(qiáng)度值確定，樣本1 三層貝葉斯網(wǎng)絡(luò)B2節(jié)點(diǎn)參數(shù)確定如表4 所示。

表4 樣本1 三層貝葉斯網(wǎng)絡(luò)B2 節(jié)點(diǎn)參數(shù)Tab.4 B2 node parameters of three-layer Bayesian network of sample 1

基于樣本1 三層貝葉斯網(wǎng)絡(luò)，推理得出事件后果A3發(fā)生可能性最大為55%，飛機(jī)狀態(tài)B2問題表現(xiàn)最明顯，可能性為57%，誘發(fā)因素C8比例最高，可能性為39%。

基于樣本2 三層貝葉斯網(wǎng)絡(luò)，推理得出事件后果A1發(fā)生可能性最大為59%，飛機(jī)狀態(tài)B2問題表現(xiàn)最明顯，可能性為60%，誘發(fā)因素C2比例最高，可能性為28%。

4.3 確定關(guān)鍵風(fēng)險(xiǎn)環(huán)節(jié)

CFIT 事件風(fēng)險(xiǎn)預(yù)防重點(diǎn)關(guān)注誘發(fā)因素與事件后果，即誘發(fā)因素發(fā)生的先驗(yàn)概率值以及在不同事件后果發(fā)生條件下的后驗(yàn)概率值，將其作為誘發(fā)因素影響事件風(fēng)險(xiǎn)的量化值。

因此，結(jié)合表1 中樣本1 事件后果層與誘發(fā)因素層量化排序結(jié)果和圖3（c）的推理結(jié)果，得出基于樣本1 的關(guān)鍵風(fēng)險(xiǎn)環(huán)節(jié)：誘發(fā)因素“飛行高度控制C2”導(dǎo)致不同事件后果的量化值為0.182，0.556，0.155；“機(jī)組喪失情景意識(shí)C4”導(dǎo)致不同事件后果的量化值為0.636，0.222，0.109；“飛行保障C8”導(dǎo)致不同事件后果的量化值為0.091，0.111，0.445。

結(jié)合表1 中樣本2 事件后果層與誘發(fā)因素層量化排序結(jié)果和圖4（c）的推理結(jié)果，得出基于樣本2 的關(guān)鍵風(fēng)險(xiǎn)環(huán)節(jié)，誘發(fā)因素“飛行高度控制C2”導(dǎo)致不同事件后果的量化值為0.259，0.636，0；“機(jī)組喪失情景意識(shí)C4”導(dǎo)致不同事件后果的量化值為0.196，0.091，0；“能見度差C5”導(dǎo)致不同事件后果的量化值為0.165，0，0；“飛行保障C8”導(dǎo)致不同事件后果的量化值為0.143，0，0。

綜合兩個(gè)樣本量化結(jié)果，得出“飛行高度控制”“機(jī)組喪失情景意識(shí)”“飛行保障”這3 種誘發(fā)因素在制定CFIT 事件風(fēng)險(xiǎn)防控措施時(shí)需重點(diǎn)關(guān)注，因此建議重點(diǎn)關(guān)注機(jī)組飛行高度控制因素，重視提升機(jī)組在飛行教學(xué)和訓(xùn)練中的情景意識(shí)，完善飛行保障環(huán)境，為機(jī)組飛行提供有力的外部支持，最終實(shí)現(xiàn)對(duì)該類型事件風(fēng)險(xiǎn)的有效預(yù)防和控制。

5 結(jié)語

本文結(jié)合三層貝葉斯網(wǎng)絡(luò)模型量化分析CFIT 事件，結(jié)論如下。

（1）基于CFIT 事件三層貝葉斯網(wǎng)絡(luò)分析CFIT 事件樣本，量化分析事件核心特征（事件后果、飛機(jī)狀態(tài)和誘發(fā)因素）的影響關(guān)系，得到基于數(shù)據(jù)的此類事件風(fēng)險(xiǎn)預(yù)防與控制措施的依據(jù)。

（2）根據(jù)貝葉斯網(wǎng)絡(luò)事件后果層與誘發(fā)因素層以及樣本整體貝葉斯網(wǎng)絡(luò)量化結(jié)果，得出基于樣本數(shù)據(jù)的關(guān)鍵風(fēng)險(xiǎn)環(huán)節(jié)為“飛行高度控制”“機(jī)組喪失情景意識(shí)”及“飛行保障”。

（3）該類型事件量化方法可推廣到其他事件類型，實(shí)現(xiàn)信息的深入分析與利用，為民航不安全事件風(fēng)險(xiǎn)預(yù)防與安全保障提供數(shù)據(jù)支持。