基于灰色关联法的民航不安全事件致因研究

李黎莎

（中国民用航空飞行学院民航监察员培训学院，四川 广汉 618307）

随着社会经济的发展，民航运输量不断提升，更多的旅客选择民航这种便捷高效的交通方式出行。但民航因其运行位置复杂、设备要求高、天气依赖度大等特点一直被人们视为高风险行业。民航事故的发生不仅会造成较大的人员伤亡和财产损失，更会引起广泛的社会关注，造成人们的恐慌心理，从而对民用航空业的发展产生严重的影响。对于民航安全管理，各运行单位和人员不仅要杜绝航空器事故的发生，还要严防航空器的事故征候及一般事件，做好安全风险管理和安全隐患排查。根据民航规章CCAR-R3《民用航空安全信息管理规定》，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，事故是指在民航运行阶段或者机场活动区内发生航空器严重破坏、人员死亡或重伤、航空器失踪或处于无法接近的地方、其他影响飞行安全的情况；事故征候是指未构成事故但影响或可能影响安全的事件；一般事件是指严重程度未构成事故征候的事件。

根据民航安全管理中已建立的因素集，导致民航不安全事件的原因包括天气意外、机械、机飞行机组、客舱机组、机务、空管、航务、地面保障、管理、军方和其他原因。其中，管理、军方原因数量很小，其他原因存在部分未定性事件，所以以上三个不作为本文分析的不安全事件主要致因。我国2017-2021 年不安全事件的致因统计如图1 所示。

图1 2017-2021 年民航不安全事件原因统计

近年，对民航安全方向的研究主要集中在对安全风险因素的分析预测和安全管理模型构建。孙军亚[2]等构建了两个模型基于时间维、知识维和空间维的三维比较研究模式，比较了两个模型在民航安全管理的应用领域和价值的优劣；孙瑞山[3]等对民航事故征候及其影响因素做了改进灰色关联度分析，再运用三角模糊数预测模型对机组失误导致的事故征候进行预测分析；董超[4]等利用民航运输总周转量、旅客运输量、运输机队数量等16 个影响因素，使用GM(1,1)模型进行拟合并利用灰色关联分析理论进行计算，对民航事故征候的预测模型进行了对比研究；王永刚[5]等利用进化博弈论对航空公司和政府安监部门之间博弈关系的策略集进行分析。结果表明,安全投入、监管成本、航空公司规模等因素的变化对航空公司的安全运营影响较大。本文利用连续五年的民航不安全数据，基于灰色关联法分析七个民航不安全事件发生原因与不安全事件发生的关联度，再计算各致因数据的信息熵以评判各序列数据的信息效用价值，从而对民航不安全事件发生的原因重要程度进行分析研究。

1 基于灰色关联法的不安全事件原因分析

1.1 灰色关联理论

灰色关联分析[6]是由邓聚龙教授于1982 年提出的，也称“邓氏灰色关联法”。方法以部分信息已知，部分信息未知的“贫信息”为研究对象，通过对部分已知信息的生成和开发，实现对现实世界的定量描述。其基本思路是根据序列曲线的几何形状的相似程度来判断联系的紧密性，曲线越接近比较序列与参考序列的关联度越大，反之越小[7]。诱发民航不安全事件的因素较多，其中要辨别哪些是主要因素，哪些是次要因素，需要用量化的方式进行分析。灰色关联法能较好地客服回归分析中的不足，在样本量较小的“贫信息”中能较准确的找出关联性。

1.2 确定分析数列及无量纲化处理

根据近五年的不安全事件数据将不安全事件致因分为天气意外、机械原因、机组原因（以飞行机组为主，包含少数客舱机组责任）、机务原因、空管原因、航务原因及地面保障。以每年发生的不安全事件总数为参考序列，记为X0；上述引起不安全事件的主要原因构成比较序列，记为Xi(i=1,2,…，m)。参考序列X0及比较序列X1至X7具体数据如表1 所示。

表1 2017-2021 不安全事件发生次数统计

为方便对各原因数据进行统一处理，需对不同量纲的数据进行无量纲化处理：

1.3 计算参考序列与比较序列之间的灰色关联系数

分别计算各重要原因与参考数据序列的关联系数，以反映各事件原因与不安全事件参考数据列的关联程度。对于一个参考数列X0有若干个比较数列Xi(i=1,2,…，m)，各比较数列与参考数列在第k 个影响因素上的相对插值εi(k)可由下列公式算出：

公式（2）中P 为分辨系数，P∈[0,1]，一般取值P=0.5，带入计算后求得不安全事件各关键因素的灰色关联系数如表2 所示。

表2 不安全事件各关键因素的灰色关联系数

根据图2 和图3 可以看出，天气原因随时间推移与不安全事件的关联系数逐渐增大，在2021 年关联系数最大，说明天气原因与不安全事件发生的关联程度较强。历年的航空器机械原因的关联系数也处于较高位置，机械原因也有持续较大影响。

图2 关联系数折线图

图3 关联系数雷达图

1.4 计算关联度值

关联度描述了系统发展过程中因素之间相对变化的情况，即如果该比较序列与参考序列相对的大小、数量、速度等变化越一致，两者的关联度越大，反之越小，计算公式如下：

不安全事件原因关联度计算结果如表3 所示。

表3 不安全事件原因关联度及排名

表3 关联度计算结果表明，导致民航不安全时间的各关键因素灰色关联度排序为R1＞R2＞R7＞R3＞R6＞R4＞R5。由此可见，天气意外（X1）与不安全事件（X0）的关系最为紧密，其次是机械原因（X2）及地面保障因素（X7）。空管原因（X5）与不安全事件（X0）的关联最弱，影响程度较小。

2 不安全事件各原因发生频次数据信息熵权重分析

信息熵是衡量数据不确定性大小的一种度量方法，指标相对变化程度大的具有较高的权重，反之权重较小。本文进一步采用熵值法对不安全事件关键原因进行分析，已优化灰色关联度的关联信息准确程度。熵值法[8]是一种客观赋权方法，通过计算指标的信息熵，根据数据指标的相对变化程度对系统整体的影响来决定指标的权重。其中，熵是一个热力学的物理概念，是体系混乱度的亮度。熵值能体现出指标的效用价值从而反映指标的权重，即与指标的相对变化程度正相关情况。

2.1 不安全事件关键原因矩阵标准化处理

对各原因数量的量纲进行标准化处理，消除数量过大对评价结果的影响，公式（4）为标准化处理过程。

表4 指标标准化处理

2.2 计算事件原因信息熵和信息效用值

利用公式（5）计算第j 项指标的信息熵：

其中，K 为常数，K=1/ln m。

某事件原因的信息效用价值dj取决于该序列数据的信息熵ej于1 的差值，dj=1-ej。信息效用值越大，对评价的重要性就越大，权重也就越大。

2.3 计算指标权重

利用指标信息的价值系数估算各因素的权重，其价值系数越高，对评价的重要性就越大，用公式（5）计算第j 项指标的权重，计算结果如表5 所示。

表5 基于信息熵的信息效用价值及权重系数

3 结论

本文以2017-2021 近五年的民航不安全事件发生次数为基础数据，分析出导致民航不安全事件的7 个关键因素，分别为天气意外、航空器机械原因、机组人员原因、机务人员原因、空管原因、航务原因和地面保障原因。文章先利用灰色关联分析量化以上7 个事件原因的指标信息与不安全事件发生的关联度，再计算各因素数据的信息熵以评判各序列数据的信息效用价值。根据两种方法的计算数据并综合不安全事件发生次数的原始数据分析，天气原因在近五年致因量占不安全事件总数的41%，其数据信息价值度也排名第一，反应出天气原因与不安全事件发生有最强的关联性。所以，天气意外是所有影响因素中最重要的，在民航运行安全中应作为首要因素考虑，防止天气原因导致的民航不安全事件的发生。机械、地面保障和机组原因，与民航不安全事件也存在较高的关联度。空管和航务基础数据虽表现出很好的信息效用价值，但与不安全事件的关联程度远不及以上3 个事件原因，且原始数据中发生量占比也不大。所以，空管、航务和机务原因对民航不安全事件的发生影响较小。