基于灰色關聯法的民航不安全事件致因研究

李黎莎

（中國民用航空飛行學院民航監察員培訓學院，四川 廣漢 618307）

隨著社會經濟的發展，民航運輸量不斷提升，更多的旅客選擇民航這種便捷高效的交通方式出行。但民航因其運行位置復雜、設備要求高、天氣依賴度大等特點一直被人們視為高風險行業。民航事故的發生不僅會造成較大的人員傷亡和財產損失，更會引起廣泛的社會關注，造成人們的恐慌心理，從而對民用航空業的發展產生嚴重的影響。對于民航安全管理，各運行單位和人員不僅要杜絕航空器事故的發生，還要嚴防航空器的事故征候及一般事件，做好安全風險管理和安全隱患排查。根據民航規章CCAR-R3《民用航空安全信息管理規定》，民航不安全事件[1]包括：民用航空器事故、事故征候及一般事件。其中，事故是指在民航運行階段或者機場活動區內發生航空器嚴重破壞、人員死亡或重傷、航空器失蹤或處于無法接近的地方、其他影響飛行安全的情況；事故征候是指未構成事故但影響或可能影響安全的事件；一般事件是指嚴重程度未構成事故征候的事件。

根據民航安全管理中已建立的因素集，導致民航不安全事件的原因包括天氣意外、機械、機飛行機組、客艙機組、機務、空管、航務、地面保障、管理、軍方和其他原因。其中，管理、軍方原因數量很小，其他原因存在部分未定性事件，所以以上三個不作為本文分析的不安全事件主要致因。我國2017-2021 年不安全事件的致因統計如圖1 所示。

圖1 2017-2021 年民航不安全事件原因統計

近年，對民航安全方向的研究主要集中在對安全風險因素的分析預測和安全管理模型構建。孫軍亞[2]等構建了兩個模型基于時間維、知識維和空間維的三維比較研究模式，比較了兩個模型在民航安全管理的應用領域和價值的優劣；孫瑞山[3]等對民航事故征候及其影響因素做了改進灰色關聯度分析，再運用三角模糊數預測模型對機組失誤導致的事故征候進行預測分析；董超[4]等利用民航運輸總周轉量、旅客運輸量、運輸機隊數量等16 個影響因素，使用GM(1,1)模型進行擬合并利用灰色關聯分析理論進行計算，對民航事故征候的預測模型進行了對比研究；王永剛[5]等利用進化博弈論對航空公司和政府安監部門之間博弈關系的策略集進行分析。結果表明,安全投入、監管成本、航空公司規模等因素的變化對航空公司的安全運營影響較大。本文利用連續五年的民航不安全數據，基于灰色關聯法分析七個民航不安全事件發生原因與不安全事件發生的關聯度，再計算各致因數據的信息熵以評判各序列數據的信息效用價值，從而對民航不安全事件發生的原因重要程度進行分析研究。

1 基于灰色關聯法的不安全事件原因分析

1.1 灰色關聯理論

灰色關聯分析[6]是由鄧聚龍教授于1982 年提出的，也稱“鄧氏灰色關聯法”。方法以部分信息已知，部分信息未知的“貧信息”為研究對象，通過對部分已知信息的生成和開發，實現對現實世界的定量描述。其基本思路是根據序列曲線的幾何形狀的相似程度來判斷聯系的緊密性，曲線越接近比較序列與參考序列的關聯度越大，反之越小[7]。誘發民航不安全事件的因素較多，其中要辨別哪些是主要因素，哪些是次要因素，需要用量化的方式進行分析。灰色關聯法能較好地客服回歸分析中的不足，在樣本量較小的“貧信息”中能較準確的找出關聯性。

1.2 確定分析數列及無量綱化處理

根據近五年的不安全事件數據將不安全事件致因分為天氣意外、機械原因、機組原因（以飛行機組為主，包含少數客艙機組責任）、機務原因、空管原因、航務原因及地面保障。以每年發生的不安全事件總數為參考序列，記為X0；上述引起不安全事件的主要原因構成比較序列，記為Xi(i=1,2,…，m)。參考序列X0及比較序列X1至X7具體數據如表1 所示。

表1 2017-2021 不安全事件發生次數統計

為方便對各原因數據進行統一處理，需對不同量綱的數據進行無量綱化處理：

1.3 計算參考序列與比較序列之間的灰色關聯系數

分別計算各重要原因與參考數據序列的關聯系數，以反映各事件原因與不安全事件參考數據列的關聯程度。對于一個參考數列X0有若干個比較數列Xi(i=1,2,…，m)，各比較數列與參考數列在第k 個影響因素上的相對插值εi(k)可由下列公式算出：

公式（2）中P 為分辨系數，P∈[0,1]，一般取值P=0.5，帶入計算后求得不安全事件各關鍵因素的灰色關聯系數如表2 所示。

表2 不安全事件各關鍵因素的灰色關聯系數

根據圖2 和圖3 可以看出，天氣原因隨時間推移與不安全事件的關聯系數逐漸增大，在2021 年關聯系數最大，說明天氣原因與不安全事件發生的關聯程度較強。歷年的航空器機械原因的關聯系數也處于較高位置，機械原因也有持續較大影響。

圖2 關聯系數折線圖

圖3 關聯系數雷達圖

1.4 計算關聯度值

關聯度描述了系統發展過程中因素之間相對變化的情況，即如果該比較序列與參考序列相對的大小、數量、速度等變化越一致，兩者的關聯度越大，反之越小，計算公式如下：

不安全事件原因關聯度計算結果如表3 所示。

表3 不安全事件原因關聯度及排名

表3 關聯度計算結果表明，導致民航不安全時間的各關鍵因素灰色關聯度排序為R1＞R2＞R7＞R3＞R6＞R4＞R5。由此可見，天氣意外（X1）與不安全事件（X0）的關系最為緊密，其次是機械原因（X2）及地面保障因素（X7）。空管原因（X5）與不安全事件（X0）的關聯最弱，影響程度較小。

2 不安全事件各原因發生頻次數據信息熵權重分析

信息熵是衡量數據不確定性大小的一種度量方法，指標相對變化程度大的具有較高的權重，反之權重較小。本文進一步采用熵值法對不安全事件關鍵原因進行分析，已優化灰色關聯度的關聯信息準確程度。熵值法[8]是一種客觀賦權方法，通過計算指標的信息熵，根據數據指標的相對變化程度對系統整體的影響來決定指標的權重。其中，熵是一個熱力學的物理概念，是體系混亂度的亮度。熵值能體現出指標的效用價值從而反映指標的權重，即與指標的相對變化程度正相關情況。

2.1 不安全事件關鍵原因矩陣標準化處理

對各原因數量的量綱進行標準化處理，消除數量過大對評價結果的影響，公式（4）為標準化處理過程。

表4 指標標準化處理

2.2 計算事件原因信息熵和信息效用值

利用公式（5）計算第j 項指標的信息熵：

其中，K 為常數，K=1/ln m。

某事件原因的信息效用價值dj取決于該序列數據的信息熵ej于1 的差值，dj=1-ej。信息效用值越大，對評價的重要性就越大，權重也就越大。

2.3 計算指標權重

利用指標信息的價值系數估算各因素的權重，其價值系數越高，對評價的重要性就越大，用公式（5）計算第j 項指標的權重，計算結果如表5 所示。

表5 基于信息熵的信息效用價值及權重系數

3 結論

本文以2017-2021 近五年的民航不安全事件發生次數為基礎數據，分析出導致民航不安全事件的7 個關鍵因素，分別為天氣意外、航空器機械原因、機組人員原因、機務人員原因、空管原因、航務原因和地面保障原因。文章先利用灰色關聯分析量化以上7 個事件原因的指標信息與不安全事件發生的關聯度，再計算各因素數據的信息熵以評判各序列數據的信息效用價值。根據兩種方法的計算數據并綜合不安全事件發生次數的原始數據分析，天氣原因在近五年致因量占不安全事件總數的41%，其數據信息價值度也排名第一，反應出天氣原因與不安全事件發生有最強的關聯性。所以，天氣意外是所有影響因素中最重要的，在民航運行安全中應作為首要因素考慮，防止天氣原因導致的民航不安全事件的發生。機械、地面保障和機組原因，與民航不安全事件也存在較高的關聯度。空管和航務基礎數據雖表現出很好的信息效用價值，但與不安全事件的關聯程度遠不及以上3 個事件原因，且原始數據中發生量占比也不大。所以，空管、航務和機務原因對民航不安全事件的發生影響較小。