劉俊杰，葉英豪，杜尹嵐

（中國民航大學安全科學與工程學院，天津 300300）

安全信息是獲取和識別安全風險的重要渠道，對其深入分析和量化是安全風險管理和事故預防的數據基礎，也是安全管理體系的重要環(huán)節(jié)[1]。近年來，中國航空安全信息的收集量已達到一定規(guī)模，但對信息的量化分析尚停留在數量統(tǒng)計分析階段，對信息蘊含的價值獲取不足[1-2]，亟需拓展航空安全信息深入量化分析的方法，為風險控制和安全保障提供數據支持。

目前信息量化研究主要以香農經典信息理論為基礎，建立信息量化模型應用于不同領域的信息量化分析[3-5]。貝葉斯網絡（BN，Bayesian network）是一種有向無環(huán)圖，節(jié)點代表關注的隨機變量，有向弧則代表變量間因果關系，變量間的影響強度由節(jié)點與對應父節(jié)點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，貝葉斯網絡可將航空安全信息中的影響因素與后果嚴重程度進行關聯(lián)，得到事件原因與后果間的影響關系，獲取信息價值。

考慮可控飛行撞地（CFIT，controlled flight into terrain）事件具有后果嚴重、影響因素復雜等特點，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，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。目前關于CFIT 事件的研究主要集中在事故分析和降低風險方面。Smith等[9]首次將飛行性能風險評價模型應用于分析CFIT 事故；汪磊等[10]建立CFIT 事故樹模型對致因因子進行詳細分析，為CFIT 事故樹分析奠定基礎；杜紅兵等[11]提出了融合事故樹與貝葉斯網絡計算CFIT 機組人員失誤的概率；Lee[12]提出通過地形識別警告系統(tǒng)來降低CFIT 事件發(fā)生的風險；Wang等[13]首次結合Bow-tie 模型與快速訪問記錄器數據，實現了CFIT 事件風險預警；文獻[14]基于無線地面連接快速存取記錄器數據構建了CFIT 事件嚴重程度計算器，量化其風險值。

綜上，對CFIT 事件的研究多針對事故分析與風險預警，較少從信息量化的角度深入研究。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—飛機狀態(tài)層—誘發(fā)因素層三層貝葉斯網絡，選取已知節(jié)點與目標節(jié)點進行量化分析，獲得目標節(jié)點可能性排序、最大可能性目標節(jié)點及影響強度，得出各層節(jié)點可能性；依據樣本貝葉斯網絡的事件后果層、誘發(fā)因素層及樣本整體貝葉斯網絡分析結果，得到CFIT 事件關鍵風險環(huán)節(jié)及其量化結果，為后續(xù)風險控制措施提供數據支持。

1 CFIT 事件量化分析流程

基于貝葉斯網絡的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CFIT 事件進行演化過程分析。

（2）建立貝葉斯網絡結構?；谘莼治鼋Y果，確定節(jié)點，建立貝葉斯網絡三層結構圖。

（3）基于貝葉斯網絡進行量化。獲取樣本數據，實現不同層節(jié)點的量化分析。

（4）分析結果。分析CFIT 事件樣本量化結果得出結論。

2 CFIT 事件貝葉斯網絡結構

2.1 CFIT 事件演化過程分析

基元事件分析法的核心是每個基元事件都有責任者（人、機或環(huán)境），都對應一個主要問題且每個問題對應一個主要原因。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、責任者、直接影響飛機狀態(tài)的問題、問題的直接原因以及更深層次的促成因素逐級進行分類，建立CFIT 事件分析系統(tǒng)結構圖，如圖1 所示（各事件成因不同，簡單列舉）。

圖1 CFIT 事件分析系統(tǒng)結構圖Fig.1 Structure of CFIT event analysis system

2.2 三層貝葉斯網絡結構建立

通過CFIT 事件分析系統(tǒng)結構圖建立貝葉斯網絡結構。由于責任者（直接原因）基于機組和環(huán)境因素，且大部分事件信息缺乏對促成因素的記錄分析，因此為降低貝葉斯網絡的復雜性和提高網絡節(jié)點數據的準確性，對五層CFIT 事件分析系統(tǒng)結構圖進行改進，建立事件、直接問題及直接原因三層貝葉斯網絡結構模型如下。

（1）事件后果層。將事件后果層記為A，根據事件后果嚴重等級分為事故A1、征候A2和一般事件A3，并作為該層3 個節(jié)點。

（2）飛機狀態(tài)層。將直接問題定義為飛機狀態(tài)層，該層記為B。依據CFIT 事件發(fā)生時近地警告系統(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狀態(tài)的誘發(fā)因素，該層記為C。機組因素包括機組對飛機的操控情況：速度控制C1、飛行高度控制C2、姿態(tài)控制C3、機組喪失情景意識C4；環(huán)境因素包括：能見度差C5、地形復雜C6、風切變C7和飛行保障C8。

按照誘發(fā)因素層—飛機狀態(tài)層—事件后果層順序建立CFIT 事件三層貝葉斯網絡結構模型，如圖2所示。

圖2 CFIT 事件貝葉斯三層網絡結構Fig.2 Three-layer Bayesian network structure of CFIT event

3 基于三層貝葉斯網絡的CFIT 事件量化

3.1 基本概念

3.1.1 基本公式

CFIT 事件三層貝葉斯網絡量化分析包括事件后果層與飛機狀態(tài)層、飛機狀態(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 個節(jié)點，m=1，2，3；Bn表示飛機狀態(tài)層第n 個節(jié)點，n=1，2，3；Cq表示誘發(fā)因素層第q 個節(jié)點，q=1，2，…，8。

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

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

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)點的后驗概率；P（Am|Cq）與P（Cq|Am）量化Am與Cq節(jié)點的影響關系。

3.1.2 目標節(jié)點選取原則

目標節(jié)點指的是當已知某節(jié)點確定發(fā)生，需要推理出其相關聯(lián)的節(jié)點，則稱相關聯(lián)的節(jié)點為已知節(jié)點的目標節(jié)點。而由已知節(jié)點推理目標節(jié)點可能性大小為條件概率，即影響強度值。例如已知A3節(jié)點發(fā)生，推理出B2節(jié)點發(fā)生，則稱B2是A3的目標節(jié)點，P（B2|A3）即為A3節(jié)點對B2節(jié)點的影響強度值。

3.2 量化分析

在CFIT 事件三層貝葉斯網絡結構圖的基礎上，逐層分析事件樣本，確定各層節(jié)點參數值。量化分析B層與A 層、C 層與B 層、C 層與A 層的影響關系：

分析B 層與A 層雙向概率推理，正向推理得出與Bn對應的A 層目標節(jié)點可能性排序，獲得最大可能性目標節(jié)點Am及影響強度值；反向推理與Am對應的B層目標節(jié)點可能性排序，并獲得最大可能性目標節(jié)點Bn及影響強度值；

分析C層與B層雙向概率推理，正向推理得出與Cq對應的B層目標節(jié)點可能性排序，獲得最大可能性目標節(jié)點Bn及影響強度值，反向推理與Bn對應C層目標節(jié)點可能性排序，并獲得最大可能性目標節(jié)點Cq及影響強度值；

分析C 層與A層雙向概率推理，正向推理得出與Cq對應的A層目標節(jié)點可能性排序，獲得最大可能性目標節(jié)點Am及影響強度值，反向推理與Am對應C 層目標節(jié)點可能性排序，并獲得最大可能性目標節(jié)點Cq及影響強度值。

同時由CFIT 事件貝葉斯三層網絡結構和網絡節(jié)點參數建立樣本三層貝葉斯網絡。網絡節(jié)點參數確定：C 層節(jié)點依據其先驗概率，B 層、A層節(jié)點參數值可根據多個原因節(jié)點獨立地影響同一結果的因果機制獨立關系[8]確定。對A、B、C 層的網絡進行整體分析，基于樣本貝葉斯網絡確定A、B、C 層節(jié)點發(fā)生可能性。

通過上述不同層節(jié)點的概率推理CFIT 事件的事件后果、飛機狀態(tài)和誘發(fā)因素三者的影響強度值，并基于樣本三層貝葉斯網絡得到各層節(jié)點可能性大小，可作為該事件風險預防與控制措施的量化依據。

4 實例分析

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（ASN，Aviation Safety Network）2000—2019 年CFIT 事件信息，包含國外事故和征候信息。經過數據處理，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 事件風險預防控制的關鍵風險環(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 不同層雙向推理關系圖。

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

以樣本1 為例說明不同網絡層的量化分析結果。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，標注值表示兩節(jié)點影響強度，弧的厚度越厚，值越大，如B1導致A3發(fā)生的影響強度為0.952。比較影響強度值，得出B1、B2和B3均導致可能性最高事件后果目標節(jié)點為A3，A3導致B1發(fā)生的影響強度0.182，反向推理得出導致CFIT 事件后果A1、A2、A3發(fā)生可能性最高的飛機狀態(tài)節(jié)點為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均導致可能性最高的飛機狀態(tài)目標節(jié)點為B1；C2、C3、C4、C5和C8均導致可能性最高的飛機狀態(tài)目標節(jié)點為B2；B1、B2和B3得出可能性最高的誘發(fā)因素目標節(jié)點分別為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導致可能性最高的CFIT 事件后果目標節(jié)點為A1；C 層其余節(jié)點導致可能性最高的CFIT 事件后果目標節(jié)點為A3；A1、A2和A3發(fā)生得出可能性最高的誘發(fā)因素目標節(jié)點分別為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)點為Am，得到B 層和C 層目標節(jié)點可能性排序，最大可能性目標節(jié)點Bn和Cq及其影響強度，如表1 所示；已知節(jié)點為Bn得A 層和C 層目標節(jié)點可能性排序，最大可能性目標節(jié)點Am和Cq及其影響強度，如表2 所示；已知節(jié)點為Cq得B 層和A 層目標節(jié)點可能性排序，最大可能性目標節(jié)點Bn和Am及其影響強度，如表3 所示。

表1 已知節(jié)點為Am 的分析結果Tab.1 Analysis results of the known node Am

表2 已知節(jié)點為Bn 的分析結果Tab.2 Analysis results of the known node Bn

表3 已知節(jié)點為Cq 的分析結果Tab.3 Analysis results of the known node Cq

對A、B、C 層的網絡整體量化分析，按照網絡結構構建樣本1 和樣本2 三層貝葉斯網絡，如圖5 所示。在GeNIe 軟件中設置C 層節(jié)點為普通機會節(jié)點（general chance node），按照因果機制獨立中噪音或門邏輯關系，設置B 層和A 層節(jié)點為噪音最大節(jié)點（noisy max node），節(jié)點參數值由父節(jié)點對其影響強度值確定，樣本1 三層貝葉斯網絡B2節(jié)點參數確定如表4 所示。

表4 樣本1 三層貝葉斯網絡B2 節(jié)點參數Tab.4 B2 node parameters of three-layer Bayesian network of sample 1

基于樣本1 三層貝葉斯網絡，推理得出事件后果A3發(fā)生可能性最大為55%，飛機狀態(tài)B2問題表現最明顯，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 三層貝葉斯網絡，推理得出事件后果A1發(fā)生可能性最大為59%，飛機狀態(tài)B2問題表現最明顯，可能性為60%，誘發(fā)因素C2比例最高，可能性為28%。

4.3 確定關鍵風險環(huán)節(jié)

CFIT 事件風險預防重點關注誘發(fā)因素與事件后果，即誘發(fā)因素發(fā)生的先驗概率值以及在不同事件后果發(fā)生條件下的后驗概率值，將其作為誘發(fā)因素影響事件風險的量化值。

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

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

綜合兩個樣本量化結果，得出“飛行高度控制”“機組喪失情景意識”“飛行保障”這3 種誘發(fā)因素在制定CFIT 事件風險防控措施時需重點關注，因此建議重點關注機組飛行高度控制因素，重視提升機組在飛行教學和訓練中的情景意識，完善飛行保障環(huán)境，為機組飛行提供有力的外部支持，最終實現對該類型事件風險的有效預防和控制。

5 結語

本文結合三層貝葉斯網絡模型量化分析CFIT 事件，結論如下。

（1）基于CFIT 事件三層貝葉斯網絡分析CFIT 事件樣本，量化分析事件核心特征（事件后果、飛機狀態(tài)和誘發(fā)因素）的影響關系，得到基于數據的此類事件風險預防與控制措施的依據。

（2）根據貝葉斯網絡事件后果層與誘發(fā)因素層以及樣本整體貝葉斯網絡量化結果，得出基于樣本數據的關鍵風險環(huán)節(jié)為“飛行高度控制”“機組喪失情景意識”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，實現信息的深入分析與利用，為民航不安全事件風險預防與安全保障提供數據支持。