基于多因素分析的航班运行风险探讨

龙翔

摘要：随着我国科技与社会经济的发展，我国在航天航空领域也取得了重大突破。在航空领域中，我国的空运也得到了长足的发展。虽然我国航空科技取得了重大突破，但是在航班运行上，依然还存在着一定的风险。为了降低因运行控制人员个体差异而导致的航班运行风险，提升航空公司的运行控制能力，本文通过对航班运行过程中的运行程序进行系统分析，并结合相关运行数据，从飞行机组、机场、天气等多方面入手，从多角度对航班运行中存在的风险因素进行分析。

关键词：航班运行;风险探讨;多因素分析

引言

随着我国科技飞速发展，社会经济也取得了重大进步。在科技腾飞的今天，空中运行已经逐渐成为了人们远行的必备出行方式。随着我国空运事业的发展，航空运输安全也得到了越来越大的重视。自从2007年美国明航局制定了飞行风险评估工具，2012年美国国家航空运输协会开始通过建模的方式对每次航班的风险值进行计算。通过研究得知，我国国内对民航安全风险管理最早被运用于空管与飞行中[1]。直到后来孙瑞山将风险管理逐渐的运用到了航空运行风险管理中，并采用定性与定量的方式对航班飞行安全进行快速评估，但是这种评估方式仅仅限于飞行操作方面。后来相关研究人员通过将航班作为一个基础元素，从微观的层面以及运行控制的角度对航班风险评估体系进行了建立与完善[2]。而奉献评估方面，采用了熵权和模糊综合评价法对相关评价指标进行计算。通过我国相关研究人员采用混合模型对航班运行风险进行评估从而实现了自动评价的能力，但是这种方式的推测周期较短，因此对风险预警与风险排查的作用不足[3]。本文针对引起航班运行风险的因素进行多因素分析，现报道如下。

1 航班运行风险分析

1.1飞机方面

通过对民航飞行事故进行分析，其中高达25%的事故是由于飞机故障而引起，因此对飞机的风险因素进行细化评估可分为以下几点：①保留故障等级;②对飞机着陆的影响程度;③发动机循环总次数与实践;④飞机定点监测时间。

1.2机组方面

在航班运行过程中，机组人员对航空器的安全有着决定性的作用。可以从机组配合度、机组英文能力、机组自制水平、机组疲劳度以及机组健康状况等多方面进行分析。进行细化评估可分为以下几点：①机组人员相互之间的技术搭配因素;②不同地域、不同性格机组人员之间的搭配;③机组人员职务以及相应权利梯度;④机组人员驾驶技能等级;⑤机组人员休息时间以及工作时间。

1.3环境方面

不同的环境对航班运行也有着极大的影响，恶劣的天气、特殊航线等都是对航班安全造成影响的重要因素。可分为机场天气风险、机场条件风险、着陆机场天气风险、着陆机场条件风险、航路特殊性质、航路天气风险以及航路备降机场风险。进行细化评估可分为以下几点：①能见度;②温差;③风向以及风速问题;④云层类别、高度及质量;⑤记账保障能力;⑥航路中特殊天气[4]。

2 模糊归属函数

民航运输具有动态、多变量、开放性强等特点的运输系统，具有较多不确定因素对航班运行造成影响。其影响因素关系复杂，且发生概率难以预料，因此，唯一有效的处理复杂大系统的方式则是通过将定性与定量相结合的综合集成方法进行处理[5]。

模糊函数是针对定性与定量相结合的典型函数代表，能够进行较为准确的判断。可以通过公司飞行与相关专家，根据自身经验与认知，从而对飞行风险程度进行边界值界定，随后再模糊化权重分配，建立对航班运行使用的归属函数。

因此，我们可以架设机组的风险被分为两个因素，包括疲劳与经验，而两则都被称为终端风险因素，则可以通过采用疲劳模糊归属函数与经验模糊归属函数两个模型来对风险程度进行界定。这类数学模型在进行建模时，可由航空公司的飞行数据资料库提供X轴的数据，而单位则可根据界定的风险因素来决定，例如疲劳可根据工作时长进行判定，而飞行经验则可根据飞行员总飞行时长进行界定，其单位可定位“h”。模型中的X轴数据需要由航空公司根据实际情况进行制定，而Y轴则可代表其所属程度的歸属度。而在进行风险计算中，非终端风险因素则可以根据下层风险因素通过计算得出的风险值进行界定[6]。

3 多因素分析

我国民用航空规章中所发行的风险评估体系是进行航班运行多因素分析的基础，而事故数分析则是安全评价中纪委重要的分析方法。在进行风险分析时，结茧基元事件分析法对航班运行风险进行多因素分析，从而建立起完善的航班运行风险结构图。结构图中包含了机组风险、飞机风险以及着陆阶段风险[7]。

以机组风险为例，设机组风险程度为C1，可将其分解为组间配合度C2、机组经验能力程度C3、机长精神压力度C4这三个因素进行综合判断。首先以机长经验不足为例，由于机长惊讶对其他机组经验不足进行判断，以此类推进行多因素判断，则可以完成风险因素结构分析[8]。

4 风险评估体系

通过相关度对评估指标体系的反复调整与修改，其多因素分析评估体系分为机场、飞机、着陆进近阶段三个大方面的风险，总共包含了60多个综合指标对风险因素进行评价。在风险评价体系中，每个终端因素风险均分为三个级别，包括low、medium、high三个级别进行模型建立。其中，按照风险级别的不同模型级别也受到影响。风险程度为“low”的模型被称之为Z模型，风险程度为“medium”的模型被称之为II模型，而风险程度为“high”的模型被称之为S模型。在进行数据边界点的设置中，通常会使用各种不同的模型进行计算。在模型中出现线性交叉的地方被称之为模糊处，可灵活运用重心法或线性比例阀对模型中数据的归属度进行计算[9]。

而使用风险关系矩阵时，通常是针对非终端因素风险进行评估，并且在评估过程中，设定1为无风险（仅为潜在风险），同时设定10为最大风险值。我们以总风险为例，进行风险矩阵的建立进行分析，通过不断的向上推演，并最终得出结果，就可将其认为是航班的总风险之。通常情况下，我们可以将总风险之划分为3个不同等级，其中包括可接受、缓解后可接受以及不可接受三个等级，其中可接受风险值在1～5之间，缓解后可接受风险值在5～8之间，而不可接受风险值通常大于8以上[10]。

在三个风险值的判定中，可接受风险值通常是指航班在运行过程中各类影响因素均符合相关要求，并且具有极高的安全度，能避免各类风险的发生;而不可接受风险值通常是指出现的风险因素与民航规章或航班运行中的安全造成严重威胁的因素，这种情况下不可予以放行;而缓解后可接受风险值通常是针对部分危险因素在相关规定标准的边缘，具有较强的不确定性，此状态在通过整改后可转变为可接受，但是危险因素未能得到消除，则不可放行[11]。

5 风险耦合

所谓的耦合通常是≥2和体系或者是运动形式通过某种方式还能够相互作用而造成彼此影响的现象。因此，风险耦合也是只≥2个以上的风险因素通过相互作用而造成的风险结果转变的现象。在我国航班的运行中，风险因素属于多种并存的状态，而航班运行风险则不是风险因素的单纯集合，而是由多种因素通过相互作用下导致总风险出现加重或减轻的现象[12]。其对航班运行安全的影响程度则可以采用耦合来进行表示，且数据与风险因素见的相互作用呈正相关性[13]。

通过对航班运行风险进行分析得出结论，风险耦合的主要特征具体表现为以下方面：

1.不确定性。通常情况下，耦合的发生时间、地点都具有极大的不确定性，因此发生耦合后的结果可能会向着好的方向发展，同时也可能向着坏的方向发展，亦或者对结果不造成影响。因此，对于耦合的发生只能通过对大量数据进行采集，并通过计算与统计进行规律的寻找。

2.发展性。通过大量数据的研究分析可以得出结论，在发生风险耦合后，并不会处于稳定静止的状态，通常会随着运行时间、航行位置而发生不确定的改变，并且还可能与其他因素产生新的耦合发生。举例说明：当飞机在飞行途中发生座舱压力不足时，虽然航班运行会出现风险，但总体风险却在可接受范围，若此刻通过空管对飞机高度进行指挥，要求降低飞行高度，若不同飞行高度区域的气流不稳定，这会加大总风险，造成较为严重的后果。

3.波动性。航班运行过程中的风险因素多种多样，并且不同因素发生耦合后对航班的安全影响也会有所区别，其中，部分耦合后对航班运行安全造成较大影响，则被称为强耦合;若耦合后对航班运行安全造成较小的影响，则被称之为弱耦合;弱部分耦合后对航班运行安全造成的影响处于二者之间，则被称之为中耦合。因此，在航班运行中，不同情况下与不同程度的风险因素交替出现，且持续发生复合耦合，则耦合结果也会出现涨落不一的变化[14]。

通过对我国民航安全统计信息进行分析表明：就我国航空运行而言，若机组方面存在风险，则需要对天气因素与机械故障进行密切关注。航班在地面时且通过计算得出耦合效应整体较低，则只需要避免发生3个及以上因素同时发生耦合现象即可对风险进行有效的控制。通过N-K建模与耦合度模型进行对比，若德国抑制，泽科说明能够有效的对航班运行中出现的风险耦合状态进行准确的评估。

6 航班空中运行因素分析

机组因素、天气以外因素以及机械维修因素三种因素发生耦合则为中等强度，因为通过分析得知，机械维修因素与天气以外因素已经属于了中等强度耦合，而机组因素着进一步增加了航班事故概率。再加上机组因素与机械维修因素或机组因素与天气以外因素属于低强度耦合，因此当存在机组风险因素时，需要加强对机械维修与天气因素的关注，从而避免导致中等强度耦合的触发[15]。

7 总结

随着我国空运事业的发展，航空运输安全也得到了越来越大的重视。我国国内对民航安全风险管理最早被运用于空管与飞行中。直到后来孙瑞山将风险管理逐渐的运用到了航空运行风险管理中，并采用定性与定量的方式对航班飞行安全进行快速评估，但是这种评估方式仅仅限于飞行操作方面。后来相关研究人员通过将航班作为一个基础元素，从微观的层面以及运行控制的角度对航班风险评估体系进行了建立与完善。而奉献评估方面，采用了熵权和模糊综合评价法对相关评价指标进行计算。通过我國相关研究人员采用混合模型对航班运行风险进行评估从而实现了自动评价的能力，但是这种方式的推测周期较短，因此对风险预警与风险排查的作用不足。建立完善的航班运行风险评估体系，为风险识别提供可靠数据支持，并验证风险评估体系的实用性，加强我国航班运行风险评估，提高我国航班运行的安全效率。

参考文献：

[1]王岩韬， 唐建勋， 赵嶷飞. 航班运行风险因素耦合性分析[J]. 中国安全科学学报， 2017（07）：81-85.

[2]王菁， 何嘉伟， 林俊峰， et al. 基于生存分析的航班延误特征分析[J]. 航空计算技术， 2019（3）：35-39.

[3]Gan X S， Gao W M， Zhao H T. Research on Prediction of CAAC Flight Incident 10000-Hour-Rate Based on Single Regression Model[J]. Advanced Materials Research， 2014， 1049-1050：1355-1358.

[4]王岩韬， 陈冠铭， 刘毓， et al. 基于Adaptive Lasso与RF的航班运行风险预测改进研究[J]. 交通运输系统工程与信息， 2018（4）：194-201.

[5]缪晨晖， 朱星辉， 高强. 基于天气干扰的航班延误风险分级研究[J]. 中国民航飞行学院学报， 2017（1）.

[6]Han C， Liu Y， Ding X， et al. Research and Improvement of Aircraft Rerouting Method Based on Flight Forbidden Areas[C]// International Conference on Information Science & Control Engineering. 2016.

[7]劉继新， 尹旻嘉， 朱学华， et al. 基于航空器滑出时间的离场影响因素研究[J]. 武汉理工大学学报：交通科学与工程版， 2018， 42（2）： 195-200.

[8]谢华[1]   ， 朱学华[1]   ， 刘继新[1]   ， et al. 基于中介真值程度度量的航班起飞风险评估方法[J]. 交通运输工程与信息学报， 2018.

[9]贡英杰， 刘君强， 黄亮. 基于随机集贝叶斯网的航班延误分析[J]. 武汉理工大学学报（交通科学与工程版）， 2017（5）.

[10]李翔， 刘医， 唐漪， et al. 影响民航航班满意度的因素分析及提升措施探讨[J]. 民航管理， 2017：50.

[11]Sun Y ，  Zhang Y ，  Chen Y . Evaluation of flights operation environment risk based on improved set pair analysis[C]// Guidance， Navigation & Control Conference. IEEE， 2017.

[12]Jia Z ，  Liu W ，  Hou Z ， et al. Research on operation cost of helicopter components based on flight condition[C]// International Conference on Reliability. IEEE， 2009.

[13]Sun K ，  Li Q ，  Xu X ， et al. Risk analysis on human factors in operation of high risk construction based on dynamic Bayesian network[J]. Shuili Fadian Xuebao/Journal of Hydroelectric Engineering， 2017， 36（5）：28-35.

[14]Yuanxin L ，  Fengyun L ，  Xinhua Y ， et al. Assessing the Credit Risk of Corporate Bonds Based on Factor Analysis and Logistic Regress Analysis Techniques： Evidence from New Energy Enterprises in China[J]. Sustainability， 2018， 10（5）：1457-.

[15]Yunan W ，  Jingfei Y ，  Yeshuai H E ， et al. Operation Risk Assessment and Early Warning of Active Distribution Network Based on Network-Flow Shift Distribution Factor[J]. Power System Technology， 2017.