康瑞 楊凱

航空器離場風(fēng)險識別是民航安全生產(chǎn)的重要環(huán)節(jié)，但目前研究多面向航空器運動過程和靜態(tài)危險源，忽略了管制業(yè)務(wù)影響和風(fēng)險動態(tài)傳播機理.針對此問題，本文提出了基于復(fù)雜網(wǎng)絡(luò)的離場管制關(guān)鍵點識別及風(fēng)險傳播模型.首先，抽象管制信息交互和業(yè)務(wù)邏輯，構(gòu)建復(fù)雜網(wǎng)絡(luò)并量化各節(jié)點重要度，然后考慮安全管控延遲效應(yīng)，定義風(fēng)險產(chǎn)生、傳播及恢復(fù)規(guī)則，形成離場管制風(fēng)險動態(tài)傳播模型.實驗結(jié)果表明：本文模型能再現(xiàn)風(fēng)險傳播機理和規(guī)律，機組等10個節(jié)點為風(fēng)險傳播關(guān)鍵環(huán)節(jié)，機組對風(fēng)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(fā)其他節(jié)點進行風(fēng)險控制，針對關(guān)鍵節(jié)點實施安全管理能有效抑制風(fēng)險傳播.

空中交通管理； 離場管制； 復(fù)雜網(wǎng)絡(luò)； 風(fēng)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(fā)項目（2021YFG0171， 2022YFG0196）； 中央高?；究蒲袠I(yè)務(wù)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(yīng)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(wù)水平，民航局要求提高始發(fā)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(fā)跑滑結(jié)構(gòu)復(fù)雜、塔臺盲區(qū)擴大、管制負(fù)荷增加等問題，導(dǎo)致離場管制難度加大，運行效率下降，不安全事件頻發(fā)［2］. 因此，構(gòu)建航空器離場管制網(wǎng)絡(luò)，研究各類節(jié)點在風(fēng)險演化中的作用，對識別關(guān)鍵環(huán)節(jié)、抑制風(fēng)險產(chǎn)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(fēng)險因素分析兩類.前者面向飛機滑行階段，構(gòu)造運動模型量化沖突概率，牟奇鋒等［2］設(shè)計了碰撞風(fēng)險評估算法；夏正洪［3］等統(tǒng)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(fēng)險因素分析法對影響安全的各個因素、指標(biāo)、權(quán)重進行分析賦值以評估風(fēng)險. 朱云斌等［6］構(gòu)造故障樹，評估樹底事件發(fā)生概率；杜紅兵等［7］利用層次分析法建立評估指標(biāo)并計算權(quán)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(fēng)險；王永剛等［9］利用貝葉斯網(wǎng)絡(luò)分析了管制過程中人的影響和各因素權(quán)重；岳仁田等［10］基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測分析扇區(qū)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(tài)，缺乏對整體運行流程和各業(yè)務(wù)環(huán)節(jié)的風(fēng)險分析，難以從量化結(jié)果中推導(dǎo)出風(fēng)險控制策略；風(fēng)險因素法雖能抽象事故致因關(guān)系，但僅關(guān)注風(fēng)險產(chǎn)生的因果邏輯，忽略了風(fēng)險傳播的動態(tài)過程，無法再現(xiàn)風(fēng)險演化的動力學(xué)特征.

近年來部分學(xué)者將復(fù)雜網(wǎng)絡(luò)及動力學(xué)理論［11］運用于航空運輸領(lǐng)域，Belkoura［12］通從機場、航司、機型3個方面研究航空器網(wǎng)絡(luò)結(jié)構(gòu)特性和動態(tài)特性，并優(yōu)化網(wǎng)絡(luò)；Voltes-Dorta［13］構(gòu)建航空運輸網(wǎng)絡(luò)研究脆弱性；Lykou［14］利用網(wǎng)絡(luò)動力學(xué)理論計算航線網(wǎng)絡(luò)的擁堵概率；吳珂等［15］分析了中國國內(nèi)航班的飛行航線網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu).根據(jù)中國民用航空空中交通管理規(guī)則CCAR-93TM-R5，我國民航空域均為管制空域，空中交通管制員負(fù)責(zé)飛行間隔配備，確保飛行安全，由此我國航班運行風(fēng)險源和安全管理程序與國外有較大的差異.一些學(xué)者基于國內(nèi)航班運行環(huán)境和民航局發(fā)布的咨詢通告研究飛行風(fēng)險，肖琴等［16］構(gòu)建兩棲水上飛機起降安全網(wǎng)絡(luò)并比較網(wǎng)絡(luò)效率；邱楊揚［17］針對飛行區(qū)不停航施工建立復(fù)雜網(wǎng)絡(luò)，分析風(fēng)險傳播路徑；王巖韜等［18］構(gòu)建航班運行風(fēng)險網(wǎng)絡(luò)，基于SIR［19］模型對風(fēng)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(fēng)險因素.實際運行中，管制指揮是影響安全的重要環(huán)節(jié)，不同席位、不同時機下，管制作業(yè)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(biāo)定義管制風(fēng)險因素，導(dǎo)致評估結(jié)果無法和管制程序、管制業(yè)務(wù)和指令信息相對應(yīng).

鑒于此，為解決目前研究管制程序考慮不足、管制風(fēng)險因素粗略、僅從靜態(tài)因素角度分析運行風(fēng)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(xì)化管制各階段、各席位的作業(yè)流程和交互信息，構(gòu)造復(fù)雜網(wǎng)絡(luò)；分析網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，量化風(fēng)險傳播關(guān)鍵環(huán)節(jié)評價指標(biāo)，挖掘離場管制復(fù)雜網(wǎng)絡(luò)關(guān)鍵環(huán)節(jié)；定義風(fēng)險產(chǎn)生及傳播規(guī)律，考慮風(fēng)險管理效果的時效性，基于改進SIRS模型對風(fēng)險傳播動態(tài)過程進行仿真模擬.以期再現(xiàn)風(fēng)險動態(tài)演化的機理和特性，從管制運行角度為識別航空器離場關(guān)鍵環(huán)節(jié)和風(fēng)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(fā)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(wù)和情報服務(wù)［20］.

放行管制員負(fù)責(zé)確認(rèn)航班場面保障狀態(tài)，核實放行次序，發(fā)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(fā)布推出、開車指令，航空器在牽引車和機組的協(xié)助下離開機位、開啟引擎，地面管制員規(guī)劃滑行路線并發(fā)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(fù)責(zé)觀察跑道的使用情況，并安排航空器進入跑道，發(fā)布起飛指令. 當(dāng)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(xié)調(diào)信息，移交管制權(quán)限. 在實施各崗位管制作業(yè)的同時，管制員將更新氣象、通信導(dǎo)航設(shè)備信息，還接收機場運行控制中心發(fā)布的離場航空器的保障進度和場面資源狀態(tài)信息，并將相關(guān)信息及時通報給飛行員.

3 航空器離場管制網(wǎng)絡(luò)構(gòu)建

3.1 節(jié)點定義

根據(jù)圖1及文獻［20］，將航空器離場管制過程涉及信息、任務(wù)、參與者劃分為3類共75個節(jié)點. 信息是指令發(fā)布、情報更新、狀態(tài)報告等信息交互環(huán)節(jié)，共40個，任務(wù)指管制業(yè)務(wù)、保障程序和機組操作等由參與方共同或獨立完成的作業(yè)環(huán)節(jié)，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(jié)點序號、信息及名稱見表1.

3.2 網(wǎng)絡(luò)構(gòu)建

定義G為航班離場程序網(wǎng)絡(luò)，G表達為：

G=（V，E）（1）

其中，V={vi，i∈N}是節(jié)點集合；E={eij，i≠j，i，j∈N }是節(jié)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(wù)，人員、單位至各類任務(wù)、作業(yè)之間形成單向邊，任務(wù)實施將產(chǎn)生關(guān)聯(lián)任務(wù)或信息，任務(wù)之間、任務(wù)與產(chǎn)出信息之間形成單向邊，信息發(fā)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(wù)（黑色）、信息（灰色）共75個節(jié)點252條單向邊形成的航空器離場管制有向網(wǎng)絡(luò).

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(jiān)控多架航空器，發(fā)布多種指令，并接收機組意圖和其他管制員的協(xié)調(diào)信息. 因此，航空器離場管制網(wǎng)絡(luò)是綜合體現(xiàn)航空器場面運行程序、管制業(yè)務(wù)流程、信息交互的人在環(huán)路復(fù)雜網(wǎng)絡(luò). 網(wǎng)絡(luò)各節(jié)點會由于人為疏忽、信息錯誤、作業(yè)失誤形成風(fēng)險源，若風(fēng)險節(jié)點未被及時發(fā)現(xiàn)，并隨著業(yè)務(wù)推進和信息交互對關(guān)聯(lián)任務(wù)、信息和接受對象形成干擾和誤導(dǎo)，造成新的風(fēng)險節(jié)點，由此形成風(fēng)險傳播和擴散.

如表2所示，表中均為無量綱參數(shù)，有循環(huán)時網(wǎng)絡(luò)密度為0.0448，否則網(wǎng)絡(luò)密度為0.045，兩種情況下網(wǎng)絡(luò)的密度都較低，屬于稀疏網(wǎng)絡(luò)，表明航空器離場管制各環(huán)節(jié)聯(lián)系緊密程度較低，信息傳播途徑及范圍較為固定；網(wǎng)絡(luò)的平均度值為5.52，這表明每個節(jié)點平均與5.52個節(jié)點有直接作用關(guān)系，說明航空器離場管制過程中，各類管制任務(wù)產(chǎn)生的信息條數(shù)和信息交互對象的個數(shù)平均值約為6；網(wǎng)絡(luò)平均最短路徑長度為3.278，說明某節(jié)點產(chǎn)生風(fēng)險后等經(jīng)過3.278的單位長度就影響其他節(jié)點；網(wǎng)絡(luò)直徑為7，存在于節(jié)點通報放行需求和跑道狀態(tài)之間；網(wǎng)絡(luò)的全局效率值為0.273，可以體現(xiàn)網(wǎng)絡(luò)中信息的傳遞速度.

4.2 節(jié)點重點度量化

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

表3中，度表示節(jié)點與其他節(jié)點的連接個數(shù)，是直接度量節(jié)點中心性的指標(biāo). 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(jié)點，分別為36，27，25，22. 說明航空器離場管制網(wǎng)絡(luò)的核心是飛行員和管制員，由該4類人員為源頭觸發(fā)各類運行作業(yè)，形成信息交互，同時這4類人員還是多種情報、指令、任務(wù)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(tài)報告，因此飛行員在網(wǎng)絡(luò)中處于常被動操作和信息接收的狀態(tài).

接近度中心性體現(xiàn)了節(jié)點網(wǎng)絡(luò)幾何位置重要性，該值越大說明節(jié)點與其他節(jié)點距離越近. 航空器離場管制網(wǎng)絡(luò)的中心節(jié)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(jié)點的聯(lián)系較為緊密，當(dāng)他們發(fā)生錯忘漏等人為失誤，將很快影響到管制業(yè)務(wù)的實施，進而產(chǎn)生錯誤指令和情報，導(dǎo)致不安全事件的發(fā)生.

介數(shù)反映了節(jié)點對網(wǎng)絡(luò)中不同區(qū)域的連接能力. 機組的介數(shù)最大為915，是排名第2的地面管制員的1.36倍，說明網(wǎng)絡(luò)中不同分支的節(jié)點經(jīng)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(wǎng)絡(luò)各局部分支之間的連接節(jié)點. 由此可知機組的操作正確性和及時性能直接影響網(wǎng)絡(luò)的各區(qū)域的銜接的穩(wěn)定性和網(wǎng)絡(luò)風(fēng)險傳播的范圍.

根據(jù)以上分析可知，離場管制復(fù)雜網(wǎng)絡(luò)中在最重要節(jié)點為“機組”“塔臺管制員”“地面管制員”，均為“人員”類節(jié)點.目前以“人、機、環(huán)、管”4個層面評估風(fēng)險的相關(guān)研究中，“人員因素”往往處于結(jié)構(gòu)模型的頂層，是影響安全的最主要因素［6，7，10］，與本文結(jié)論一致.但以往研究以“管制員”統(tǒng)一代表各類、各席位管制員，并未對管制員和作業(yè)細(xì)分.而民航局咨詢通告AC-93-TM-2008-02強調(diào)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(wù)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(xì)化人員節(jié)點的網(wǎng)絡(luò)構(gòu)造方法符合明民航安全管理需求，關(guān)鍵點挖掘結(jié)果與實際運行相符.

5 航空器離場管制網(wǎng)絡(luò)風(fēng)險傳播

5.1 SIRS傳播規(guī)則

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

設(shè)β為傳染概率，μ為風(fēng)險緩解概率，η為恢復(fù)易傳染概率，網(wǎng)絡(luò)中各節(jié)點狀態(tài)演化過程如圖3所示. 設(shè)S（t）、I（t）、R（t）為第t周期S、I、R狀態(tài)節(jié)點比例，則有：

S（t）+I（t）+R（t）=1（7）

SIRS模型的動力學(xué)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(guī)則作用于航空器離場管制網(wǎng)絡(luò)中，描述風(fēng)險傳播過程，可理解為：航空器離場管制網(wǎng)絡(luò)中各節(jié)點可由于人為因素、操作失誤和信息混淆等形成風(fēng)險節(jié)點，并以概率β影響后續(xù)任務(wù)、發(fā)布信息或交互對象，由于人員培訓(xùn)、業(yè)務(wù)優(yōu)化和信息校驗等措施，風(fēng)險節(jié)點以概率μ轉(zhuǎn)為風(fēng)險緩解狀態(tài)，由于風(fēng)險管理的失效，該節(jié)點以概率η轉(zhuǎn)為易感染狀態(tài).

5.2 網(wǎng)絡(luò)傳播仿真

令β=0.5，μ=0.3，η=0.05，分別設(shè)置不同的初始風(fēng)險源［18，19，24］，利用python編程模擬50個周期的風(fēng)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(jié)論，參與者類節(jié)點為網(wǎng)絡(luò)核心，圖4給出度值較大的6個參與者節(jié)點為初始風(fēng)險源的傳播效果. 對比可知，S狀態(tài)節(jié)點隨周期增加先減少后增加，I、R狀態(tài)節(jié)點則先增加后減少. 機組為風(fēng)險源時風(fēng)險節(jié)點比例峰值為0.4，是6組數(shù)據(jù)中的最大值，峰值產(chǎn)生在第4周期，是6組數(shù)據(jù)中的最小值. 而塔臺管制員和地面管制員為風(fēng)險源時R節(jié)點比例峰值0.618，出現(xiàn)在第12周期，為6組數(shù)據(jù)中最大值.

由此可知，機組對風(fēng)險傳播的擴散作用最明顯，塔臺管制員和地面管制員為風(fēng)險源時能激發(fā)網(wǎng)絡(luò)其他節(jié)點控制及管理風(fēng)險，使網(wǎng)絡(luò)中更多節(jié)點處于風(fēng)險緩解狀態(tài). 機場運行指揮員對網(wǎng)絡(luò)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(wù)類8個節(jié)點為初始風(fēng)險源的傳播效果，其中滑行管制、起飛管制、推出開車管制、發(fā)布放行許可為各管制員的獨立任務(wù)，氣象信息更新、進程單填寫、管制移交、管制協(xié)調(diào)為多個管制員的共同任務(wù)［25，26］. 由圖5可知，共同管制任務(wù)曲線差異較小，風(fēng)險傳播能力高于獨立任務(wù)，獨立任務(wù)中放行許可發(fā)布傳染能力明顯強于其他節(jié)點. 氣象信息更新的I節(jié)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(wù)僅在管制運行的某個階段產(chǎn)生，且僅在局部網(wǎng)絡(luò)產(chǎn)生影響，而共同任務(wù)在各管制崗位上均有發(fā)生，該類節(jié)點產(chǎn)生風(fēng)險后在網(wǎng)絡(luò)中影響范圍更大.

圖6為交互信息作為初始風(fēng)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(fēng)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(jù)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(guān)操作和管制員判斷，因此該類信息產(chǎn)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(fēng)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(xiàn)時期最晚.

分析可知，人員節(jié)點中機組的風(fēng)險傳播能力最大，民航局咨詢通告AC-FS-121-2015-125將機組相關(guān)的風(fēng)險要素細(xì)分為27項，占總風(fēng)險要素的43.5%，同樣體現(xiàn)了機組在風(fēng)險演化的關(guān)鍵作用.共同任務(wù)的風(fēng)險傳播能力僅次于機組，該結(jié)論與文獻［28］中多名空管專家打分形成的評價結(jié)果相符.氣象信息更新和管制移交的風(fēng)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(jié)論一致. 信息類節(jié)點整體影響范圍較小，但停駐機位等涉及運行安全的關(guān)鍵信息其風(fēng)險傳播能力較高.風(fēng)險傳染峰值越大，緩解峰值出現(xiàn)的周期越早，說明當(dāng)風(fēng)險僅在局部傳播時，影響范圍小，隱蔽性強. 網(wǎng)絡(luò)中風(fēng)險節(jié)點占比越大，更容易導(dǎo)致風(fēng)險暴露，引發(fā)安全管理部門關(guān)注并實施風(fēng)險管理.

圖7給出1000次仿真中初始風(fēng)險源節(jié)點處于易傳染狀態(tài)比例、傳染其他節(jié)點成功比例、風(fēng)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(tǒng)計分析30次風(fēng)險發(fā)生的運行場景，圖8給出模擬管制環(huán)境、航空器離場運行場景和23項管制作業(yè)（圖中以節(jié)點編號標(biāo)識）被其他節(jié)點影響產(chǎn)生風(fēng)險和由于發(fā)現(xiàn)風(fēng)險進行安全檢查的次數(shù).

由圖7可知，參與者節(jié)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(fā)布放行許可、交通通報、放行次序的易傳染狀態(tài)比例較高，說明以上節(jié)點風(fēng)險緩解并轉(zhuǎn)為易傳染狀態(tài)后，不容易被其他節(jié)點傳染，因此難以再次轉(zhuǎn)為風(fēng)險緩解狀態(tài). 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(fēng)險緩解狀態(tài)比例較大.對比圖8，風(fēng)險影響下管制員對進程單填寫（節(jié)點50）、氣象信息更新（節(jié)點56）進行了近20次安全檢查，而管制員在起飛管制（節(jié)點55）、通報離場條件（節(jié)點61）環(huán)節(jié)出現(xiàn)差錯或混淆的次數(shù)最高為4次，對比可知本文模型仿真結(jié)果與模擬運行統(tǒng)計數(shù)據(jù)符合較好.由此說明以上節(jié)點易受其他節(jié)點影響，不斷重復(fù)被傳染→風(fēng)險緩解的狀態(tài)演化.在安全管理時應(yīng)注意以上節(jié)點緩解的風(fēng)險管控，減少其被上游環(huán)節(jié)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(shè)置助理席、監(jiān)控席形成多崗制、使用電子進程單系統(tǒng)校驗填寫信息、引接場監(jiān)雷達確認(rèn)機位和跑道使用狀態(tài)、使用航站自動通播系統(tǒng)定時更新發(fā)布?xì)庀笄閳蟮确椒殛P(guān)鍵節(jié)點增加“抗體”，提高抗感染能力.

6 結(jié) 論

航空器離場是在管制員監(jiān)視和指揮下的動態(tài)運行過程，因此在風(fēng)險評估和管控研究中應(yīng)充分考慮管制信息、業(yè)務(wù)流程和管制員操作影響和風(fēng)險動態(tài)傳播效應(yīng).為解決以上問題，本文提出風(fēng)險傳播關(guān)鍵環(huán)節(jié)挖掘方法和動態(tài)仿真模型.首先將航空器離場管制過程分為參與者、任務(wù)、信息3類，根據(jù)業(yè)務(wù)邏輯構(gòu)造航空器離場管制有向復(fù)雜網(wǎng)絡(luò)，并量化節(jié)點重要度. 改進SIRS模型，考慮風(fēng)險管理效果的時效性，定義風(fēng)險傳播規(guī)則，構(gòu)建航空器離場風(fēng)險動態(tài)傳播模型.仿真結(jié)果表明，本文模型能從管制運行角度對離場航空器關(guān)鍵環(huán)節(jié)進行識別，并用動態(tài)仿真方式刻畫風(fēng)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(jié)點的在風(fēng)險演化中被反復(fù)傳染，風(fēng)險管理時應(yīng)該重點對以上節(jié)點進行風(fēng)險控制. 本文模型可為運行單位預(yù)判風(fēng)險傳播周期及范圍，確認(rèn)危險源并針對性實施安全管理提供理論依據(jù)和技術(shù)支持.

參考文獻：

［1］ 鄭海龍.樞紐機場中轉(zhuǎn)交通溢出效應(yīng)及影響因素研究［D］.南京： 南京航空航天大學(xué)， 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(xué)學(xué)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(xué)學(xué)報， 2017， 27： 76．

［4］ 康瑞， 楊凱.航空器逆向滑行沖突風(fēng)險評估模型［J］.中國安全科學(xué)學(xué)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(shù)， 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(huán)境安全中的應(yīng)用［J］.國防科技大學(xué)學(xué)報， 2009， 31： 126.

［7］ 杜紅兵， 李暉， 袁樂平， 等.基于Fuzzy-ANP的空管安全風(fēng)險評估研究［J］.中國安全科學(xué)學(xué)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(guī)情況下空管運行風(fēng)險評估［J］.安全與環(huán)境學(xué)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(biāo)權(quán)重分析［J］.中國安全生產(chǎn)科學(xué)技術(shù)， 2011， 7： 28.

［10］ 岳仁田， 劉敬軒， 趙嶷飛， 等.基于BP神經(jīng)網(wǎng)絡(luò)的扇區(qū)空管運行亞健康關(guān)聯(lián)因子預(yù)測［J］.安全與環(huán)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(nèi)航班飛行拓?fù)浞治觯跩］.四川大學(xué)學(xué)報： 自然科學(xué)版， 2016， 53： 73.

［16］ 肖琴， 羅帆. 基于復(fù)雜網(wǎng)絡(luò)的兩棲水上飛機起降安全風(fēng)險演化［J］. 復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)， 2019， 16： 19.

［17］ 邱楊揚.不停航施工期飛行區(qū)安全風(fēng)險演化的復(fù)雜網(wǎng)絡(luò)模型研究［D］. 武漢： 武漢理工大學(xué)， 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(fù)雜網(wǎng)絡(luò)的航班運行風(fēng)險傳播分析［J］.交通運輸系統(tǒng)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(fēng)險網(wǎng)絡(luò)的傳播與控制改進［J］.系統(tǒng)工程與電子技術(shù)， 2021， 43： 2544.

［25］ 康瑞， 鄧皓， 楊凱. 混合運輸機場跑道服務(wù)能力評估模型［J］.科學(xué)技術(shù)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(wǎng)絡(luò)的地空通話語音增強方法［J］.四川大學(xué)學(xué)報： 自然科學(xué)版， 2020， 57： 289.

［28］ 陳芳， 韓美佳.空中危險接近事件中的空管風(fēng)險因素識別［J］.安全與環(huán)境學(xué)報， 2021， 21： 1583.