基于Logistic回歸的民航ASIS風險辨識仿真

楊驍勇，劉尚豫，張 輝，張 恒

(1. 中國民用航空飛行學院民航安全工程學院，四川 廣漢 618307； 2. 四川大學公共管理學院，四川 成都 610065)

1 引言

旅游行業的發展會帶動國內經濟的發展，也能推動民航業的進步。飛機是如今必不可少的交通工具之一[1]。機場安檢是保證飛行安全的關鍵環節，也是保證旅客飛行安全的重要關卡。民航機場的安檢過程若存在安全隱患，極有可能造成慘重后果[2]。目前，盡管各個民航機場都加大安檢力度，但還容易出現安全風險問題。因此，為提升民航機場安檢系統的工作效率，需要增強其風險辨識能力。

文獻[3]中提出面向風險評估的關鍵系統識別方法。該方法首先根據業務流程關聯樹獲得評價屬性矩陣，再由業務流程關聯網絡取得系統關聯矩陣。利用這兩個矩陣構造風險關聯評價矩陣，再采用加權法對系統內的重要指數進行計算，從而辨識關鍵業務系統的風險。然而該方法未對風險因素展開分析，存在旅客停留安檢區域時間長的問題。

文獻[4]針對地鐵運營系統設計一種安全風險辨識流程及危險因素研究方法。該方法通過建立安全風險分類流程對危險源進行識別，在辨識的過程中要將所有作業鏈進行分析，并采取相應的應對措施對即將發生的事故進行控制和預防。文獻[5]中提出基于灰色層次分析的機場安檢系統風險評價與辨識方法。該方法從安檢人員、安檢設備、機場環境和制度管理4個角度識別出機場安檢的17個危險源，從而構建風險評價指標體系，再利用灰色層次分析法對風險指標展開評價，根據評價結果完成風險辨識。然而上述兩種方法在辨識風險因素時僅考慮綜合性概念，未考慮風險因素的重要性程度，增加了風險辨識時間，導致其存在旅客停留安檢區域時間長的問題。

Logistic回歸分析是一種線性回歸分析的過程，目前，其在數據定向挖掘與預測等領域中有廣泛應用。通過logistic回歸分析能夠計算自變量指標的權重，從而根據各指標的重要程度判別其風險性。因此，為解決上述傳統方法存在的不足，本研究基于Logistic回歸設計了一種新的民航機場安檢系統風險辨識方法。

2 風險因素分析

2.1 基于Logistic回歸的風險分析模型

由于機場安檢系統在安全檢測中占據著重要地位，所以本研究通過構建Logistic回歸模型對機場安檢系統風險展開有效分析。

首先采用CSAFS算法在眾多子集中選取最優特征子集Qbest，通過模型訓練將自變量作為最優特征，對其展開Logistic回歸分析[6]。此時，Logistic回歸分析模型用方程表示為

(1)

式(1)中，最優特征子集Qbest的特征利用xi(i=1，2，3，…，n)來表示，α為常數項，ci(i=1，2，3，…，n)代表影響各個因素的權重，p為風險概率，且0≤p≤1。若Logistic回歸值p與1相近，就意味著安檢系統發生風險的可能性高；若Logistic回歸值p與0相近，那么說明安檢系統發生風險的可能性低。

在此基礎上，采用物元理論，利用事物N、名稱域C以及值域V來組建一個三元組R=(N，C，V)。基于此，構建一個機場安檢風險因素辨識模型的三元組，其表達式如下

(2)

式(2)中，n表示機場安檢過程中重要環節集合N的序數，機場安檢過程中具有n個重要環節，在這些環節中它的風險因素集就用Rn表示；C表示第n個關鍵環節會發生的不安全事件域；V表示在C中可能會發生的風險因素值域；Z表示C中的序數；這時在第Z個機場安檢不安全事件就用Cz表示，Vnz表示安檢過程中Cz中的風險因素集。

針對機場安檢的重要環節中會發生的不安全事件中的風險因素集Vnz，在Vnz內會存在相似的風險因素，此時可以將式(2)轉換為如下形式

Rn=Vn1∪Vn2∪…∪Vnz

(3)

同理可得，在機場安檢的所有環節N中，其風險因素集RN為RN=R1∪R2∪…∪Rn。

2.2 分析三元組

在機場安檢過程中的重要環節中，可以采用流程分析法查找相關風險因素[7]。民航機場的主要安檢的對象為乘客、行李和貨物。這一過程中，安檢門和金屬探測器主要對乘客進行安檢，X射線安檢機對行李和貨物進行掃描檢測。具體的安檢流程如圖1所示。

根據流程分析的主要原理，將發生變動后會對安檢流程產生重大影響的要素、活動等作為安全流程的關鍵點[8]。通過分析圖1，總結出機場在安檢的過程中主要有6個關鍵環節的作業崗位，分別為驗證崗N1、引導崗N2、人身檢查崗N3、X射線安檢機崗N4、開箱包崗N5、爆炸物探測崗N6。

在機場安檢崗位中，通過分析不安全事件的風險類型及其影響，獲取這個崗位的風險影響因素[9]。經研究發現，共有四類不安全事件潛存于機場安檢中，分別為：錯檢C1、忘檢C2、漏檢C3和與乘客發生沖突C4。

以人身檢查崗N3作為案例，對不安全事件Cz發生時利用FMEA條件進行分析，從中獲取所有風險因素V3z。此時，人身檢查崗的主要風險因素就是技能水平不達標、不夠敬業、經驗不足和機器故障等。

即使機場內部的安檢程序不相同，旅客在安檢時受到影響的原因也相同，因此，就可以對其余5個安檢崗位發生的不安全事件Cz進行辨識，包括：驗證崗風險因素R1，引導崗風險因素R2，X射線操作崗風險因素R4，開箱包崗風險因素R5和爆炸物探測崗風險因素R6進行歸類和合并，從而獲取機場安檢系統風險因素集RN。

2.3 構建機場安檢系統風險因素集

針對上述獲得的機場安檢系統風險因素集RN內的風險因素進行分析和梳理，最終歸類安檢員、安檢設備、環境因素、組織機構和制度等四個維度，取得機場安檢系統在安檢人員、安檢機器、安檢環境和安檢管制下的風險影響因素集，如表1所示。

表1 機場安檢系統風險因素

3 安檢系統風險評估與辨識

3.1 構建判斷矩陣

通過上述分析確定機場安檢系統風險指標，采用AHP方法[10]構建安檢系統安全評價模型，并對模型進行確立。利用九級標度對不同指標的重要程度進行劃分，結果如下：

①9分，強烈認為指標A比指標B重要；

②7分：指標A比指標B的重要程度高；

③5分：指標A比指標B重要；

④3分：指標A比指標B略微重要；

⑤1分：指標A和指標B共同重要；

⑥1/3分：指標B比指標A稍微重要；

⑦1/7分：指標B比指標A的重要程度高；

⑧1/9分：強烈認為指標B比指標A重要。

利用以上評分標準，分別為專家對準則層和目標層的相對重要程度及指標層與準則層相對重要程度進行打分。

設置aij為要素i(i=1，2，…，m)對j(j=1，2，…，m)的重要程度打分，再通過aij組建判斷矩陣A=(aij)m×m，然后在歸一化處理后獲得W=[w1,w2,…,wm]的權重向量。然后將CR=CI/RI作為一致性比例，RI作為隨機指標，CI作為一致性指標，此時一致性指標用方程定義為

(4)

式(4)中，Ymax表示最大特征值。如果CR<0.1，則能夠說明A=(aij)m×m具有一致性，否則就需要重新對判斷矩陣進行構建，直到判斷矩陣具有一致性為止。

3.2 機場安檢系統風險評價與辨識

設定五個安檢系統風險等級作為評分標準，分別為低風險(1分)、較低風險(2分)、正常風險(3分)、較高風險(4分)和高風險(5分)。

根據現有的風險信息來識別各個評價類別的白化權函數取值范圍，此時灰數及白化權函數如下所示

當風險程度為低風險時，灰數∈[0，1，2]，此時將其白化權函數定義為

(5)

當風險程度為較低風險時，灰數∈[0，2，4]，此時其白化權函數定義為

(6)

當風險程度正常時，灰數∈[0，3，6]，此時其白化權函數表示如下

(7)

當風險程度較高時，灰數∈[0，4，8]，此時其白化權函數用方程定義如下

(8)

當風險程度為高風險時，灰數∈[0，5，10]，此時其白化權函數表示為

(9)

結合權重向量和灰類評價矩陣，設置Xi為風險綜合評價向量，那么Xi=權重向量×灰類矩陣。對風險綜合評價向量實施量化處理，從而完成對機場安檢系統風險的辨識。

4 實驗與分析

為了驗證上述設計的基于Logistic回歸的民航機場安檢系統風險辨識方法的整體有效性，需要對該方法進行實驗測試。

實驗中，以旅客在安檢區域停留時間為指標驗證風險辨識方法的辨識效率，以安檢安全程度為指標驗證風險辨識方法的有效性。為增強實驗對比性，分別采用基于Logistic回歸的民航機場安檢系統風險辨識方法(方法1)、面向風險評估的關鍵系統識別方法(方法2)、基于灰色層次分析的機場安檢系統風險評價與辨識方法(方法3)展開有效性測試。

當旅客運行的安檢系統中進行集中安檢時，系統會對每位旅客的信息數據進行采集。設置共采集600位旅客的安檢數據，采用三個方法分別對旅客在安檢區域停留時間進行測試對比，實驗結果如圖2所示。

分析圖2中的數據可知，在機場安檢系統中分別搭載3種方法，經過風險辨識后，測試600名旅客在安檢區域的停留時間。應用方法2后，在安檢人數為100人時，其與方法1的旅客停留時間相同，但是隨著旅客人數的增加，方法2旅客的停留時間大幅度增加，甚至超過方法3。應用方法3后，旅客安檢區域停留時間呈緩平趨勢小幅度上升，說明方法3的旅客停留時間高于方法1且低于方法2。相比之下，應用方法1后的旅客安檢區域停留時間更短，說明其辨識效率更高。

方法1優于方法2和方法3的主要原因是因為在辨識安檢系統風險時，利用Logistic回歸分析模型計算各風險值的權重對造成機場安檢系統風險的影響因素進行分析，從而獲取了準確的風險影響因素集，為后續的風險辨識奠定良好基礎，通過減少安檢用時來縮短旅客在安檢區域停留時間。由此可以看出，本文設計的基于Logistic回歸的民航機場安檢系統風險辨識方法的安檢效率有顯著的提高。

根據上文獲取的民航機場安全系統風險辨識影響指標，將安保措施和社會安全管控作為變量，分別在標準安檢系統中加入30%的安保措施變量和30%的社會安全管控變量。然后在三種方法后，對加入變量后的安檢系統安全程度展開測試，測試結果如圖3、4、5所示。

分析圖3可以看出，在初始安檢系統檢測過程中，在應用方法2后，安檢過程中從第10min開始，安全指數開始下降，到第20min后安全程度開始回升。應用方法3后，僅在第20min處安檢系統的安全程度高于方法2。而應用方法1后，安檢系統的安全程度要高于方法2和方法3。

分析圖4可以看出，在初始測試的基礎上，隨著時間的增加逐步上升，應用方法2后的安檢系統安全程度仍低于方法1。在加入安保措施變量后，方法3下的安全程度指數呈持續上升趨勢緩慢上升，最終在20min-25min之間安全程度保持不變，說明方法3的安全程度在處于80%時已達到最佳狀態。而加入30%變量后，方法1下的安全程度指數可達到97%。

3種方法加入30%的安保措施變量后，安全指數都有所提升，這說明三種方法的安檢系統還存有欠缺，于是在圖4的基礎上再次加入30%的社會安全管控變量，所得結果如圖5所示。

分析圖5可以看出，在方法1加入30%的社會安全管控變量后，安全程度并沒有增加，而是保持在97%，這說明方法1已經是最佳安檢系統。而方法2加入變量后仍有上升的空間，由此可知應用方法2后的安檢系統依舊需要完善。應用方法3后，安監系統在10min開始安全程度持平，說明安全程度達到78%已是方法3的最好狀態。結合上述分析發現，方法1無論是在初始測試還是加入兩次變量的測試中，都是不同方法中安全指數最高的。

產生上述結果的原因在于，基于Logistic回歸的民航機場安檢系統風險辨識方法在Logistic回歸分析模型中計算各風險值的權重，并根據風險值重要性程度判斷機場安檢系統風險的主要因素，從而構建更有針對性的風險指標判斷矩陣，增強對機場安檢系統風險的有效辨識，使安檢系統安全程度大大提高。

5 結束語

對民航機場安檢系統風險進行有效辨識有利于提高民航旅行的安全程度，為此，本研究設計了基于Logistic回歸的民航機場安檢系統風險辨識方法。該方法的優勢如下：

1)在Logistic回歸分析模型中計算各風險值的權重，從而得到風險值重要性程度，由此可更有效地判斷機場安檢系統風險的主要因素，然后通過構建更有針對性的風險指標判斷矩陣來增強對安檢系統風險的有效辨識，使得安檢系統安全程度得以提高。

2)通過對造成機場安檢系統風險的影響因素的重要程度進行分析，能獲取準確的風險影響因素集，為后續風險辨識奠定良好基礎，從而通過減少安檢用時來縮短旅客在安檢區域的停留時間。

通過實驗研究可以看出，該方法有效解決了目前方法中存在的問題，提高了安檢系統風險辨識的多元性，在今后民航機場中有著較好的應用前景。