航空器离场管制关键环节识别及风险传播研究

康瑞 杨凯

航空器离场风险识别是民航安全生产的重要环节，但目前研究多面向航空器运动过程和静态危险源，忽略了管制业务影响和风险动态传播机理.针对此问题，本文提出了基于复杂网络的离场管制关键点识别及风险传播模型.首先，抽象管制信息交互和业务逻辑，构建复杂网络并量化各节点重要度，然后考虑安全管控延迟效应，定义风险产生、传播及恢复规则，形成离场管制风险动态传播模型.实验结果表明：本文模型能再现风险传播机理和规律，机组等10个节点为风险传播关键环节，机组对风险扩散作用最强，传播成功率峰值为0.519，塔台管制员和地面管制员为危险源时能激发其他节点进行风险控制，针对关键节点实施安全管理能有效抑制风险传播.

空中交通管理； 离场管制； 复杂网络； 风险传播； 模拟仿真

V355A2023.013003

收稿日期： 2021-11-08

基金项目： 四川省科技厅重点研发项目（2021YFG0171， 2022YFG0196）； 中央高校基本科研业务费基金项目（ZJ2021-05）

作者简介： 康瑞（1981-）， 女， 陕西延安人， 教授， 研究方向为计算机应用、空中交通流量管理.E-mail： kimura521@163.com

通讯作者： 杨凯.E-mail： yangkai@scu.edu.cn

Key node identification and risk propagation of aircraft departure control

KANG Rui1， YANG Kai2，3

（1.College of Air Traffic Management Civil Aviation Flight University of China， Guanghan 618307， China;

2. National Key Laboratory of Fundamental Science on Synthetic Vision， Sichuan University， Chengdu 610064， China；

3. College of Computer Science， Sichuan University， Chengdu 610064， China）

The detection of aircraft departure risk is an important part of civil aviation safety production， but the current research focuses mostly on the aircraft movement process and static hazard sources， ignoring the control business impact and risk dynamic propagation mechanism. Aiming at this problem， this paper proposes a complex network-based model of departure control key point identification and risk transmission. First， we abstract the control information interaction and business logic， construct a complex network and quantify the importance of each node. Secondly， considering the safety control postponement effect， the rules of risk generation， propagation， and recovery are defined， and a dynamic propagation model of departure control risk is created. The experimental results show that the proposed model can reproduce the risk propagation mechanism and law， 10 nodes， such as the crew， are the key links in risk spreading， the crew has the strongest effect on risk propagation， the peak propagation success rate is 0.519， and other nodes can be stimulated to carry out risk control when the tower controller and ground controller are the source of risk， implementing safety management for key nodes can effectively inhibit risk propagation.

Air traffic management; Departure control; Complex network; Risk propagation; Simulation

1 引 言

为提升空中交通服务水平，民航局要求提高始发航班正常率，即加速航班离场效率，提升早高峰运量［1］. 许多机场采用增修跑道、滑行道等扩容方式，引发跑滑结构复杂、塔台盲区扩大、管制负荷增加等问题，导致离场管制难度加大，运行效率下降，不安全事件频发［2］. 因此，构建航空器离场管制网络，研究各类节点在风险演化中的作用，对识别关键环节、抑制风险产生及传播、提高离场运行安全及效率有实际意义.

近年来，航空器场面运行安全研究分为冲突概率量化和风险因素分析两类.前者面向飞机滑行阶段，构造运动模型量化冲突概率，牟奇锋等［2］设计了碰撞风险评估算法；夏正洪［3］等统计历史轨迹计算冲突概率；康瑞等［4，5］提出了航空器逆向滑行及双跑道隔离运行下的冲突识别算法；另一类风险因素分析法对影响安全的各个因素、指标、权重进行分析赋值以评估风险. 朱云斌等［6］构造故障树，评估树底事件发生概率；杜红兵等［7］利用层次分析法建立评估指标并计算权重;张豫翔等［8］基于模糊层次法评价特殊情况下的空管运行风险；王永刚等［9］利用贝叶斯网络分析了管制过程中人的影响和各因素权重；岳仁田等［10］基于BP神经网络预测分析扇区运行亚健康因素. 以上2种方法均存在不足之处：冲突概率量化法仅考虑航空器运动状态，缺乏对整体运行流程和各业务环节的风险分析，难以从量化结果中推导出风险控制策略；风险因素法虽能抽象事故致因关系，但仅关注风险产生的因果逻辑，忽略了风险传播的动态过程，无法再现风险演化的动力学特征.

近年来部分学者将复杂网络及动力学理论［11］运用于航空运输领域，Belkoura［12］通从机场、航司、机型3个方面研究航空器网络结构特性和动态特性，并优化网络；Voltes-Dorta［13］构建航空运输网络研究脆弱性；Lykou［14］利用网络动力学理论计算航线网络的拥堵概率；吴珂等［15］分析了中国国内航班的飞行航线网络拓扑结构.根据中国民用航空空中交通管理规则CCAR-93TM-R5，我国民航空域均为管制空域，空中交通管制员负责飞行间隔配备，确保飞行安全，由此我国航班运行风险源和安全管理程序与国外有较大的差异.一些学者基于国内航班运行环境和民航局发布的咨询通告研究飞行风险，肖琴等［16］构建两栖水上飞机起降安全网络并比较网络效率；邱杨扬［17］针对飞行区不停航施工建立复杂网络，分析风险传播路径；王岩韬等［18］构建航班运行风险网络，基于SIR［19］模型对风险传播进行模拟. 以上方法将飞行员操作失误和技能水平作为主要风险因素.实际运行中，管制指挥是影响安全的重要环节，不同席位、不同时机下，管制作业流程和指令差异很大，目前研究多以“管制水平”、“管制员技能”等粗放指标定义管制风险因素，导致评估结果无法和管制程序、管制业务和指令信息相对应.

鉴于此，为解决目前研究管制程序考虑不足、管制风险因素粗略、仅从静态因素角度分析运行风险等问题，本文面向航空器离场管制全过程，综合航空器离场管制各参与方，细化管制各阶段、各席位的作业流程和交互信息，构造复杂网络；分析网络拓扑结构，量化风险传播关键环节评价指标，挖掘离场管制复杂网络关键环节；定义风险产生及传播规律，考虑风险管理效果的时效性，基于改进SIRS模型对风险传播动态过程进行仿真模拟.以期再现风险动态演化的机理和特性，从管制运行角度为识别航空器离场关键环节和风险管理提供解决方法.

2 航空器离场管制过程分析

如图1所示，航空器离场运行在空管管制下分为放行许可发布、地面管制和塔台管制等3个阶段，分别由各席位管制员提供管制服务和情报服务［20］.

放行管制员负责确认航班场面保障状态，核实放行次序，发布放行许可，通报气象条件. 地面管制员安排航空器推出路线和开车时机，发布推出、开车指令，航空器在牵引车和机组的协助下离开机位、开启引擎，地面管制员规划滑行路线并发布滑行指令，指挥航空器向起飞跑道入口滑行. 塔台管制员负责观察跑道的使用情况，并安排航空器进入跑道，发布起飞指令. 当航空器在放行、推开、滑行、起飞各阶段运行时，管制员之间会交换协调信息，移交管制权限. 在实施各岗位管制作业的同时，管制员将更新气象、通信导航设备信息，还接收机场运行控制中心发布的离场航空器的保障进度和场面资源状态信息，并将相关信息及时通报给飞行员.

3 航空器离场管制网络构建

3.1 节点定义

根据图1及文献［20］，将航空器离场管制过程涉及信息、任务、参与者划分为3类共75个节点. 信息是指令发布、情报更新、状态报告等信息交互环节，共40个，任务指管制业务、保障程序和机组操作等由参与方共同或独立完成的作业环节，共26个，参与者指离场保障及管制过程中的主要运行人员或参与单位，共9个，各节点序号、信息及名称见表1.

3.2 网络构建

定义G为航班离场程序网络，G表达为：

G=（V，E）（1）

其中，V={vi，i∈N}是节点集合；E={eij，i≠j，i，j∈N }是节点之间的边集合，eij=（vi，vj），说明eij为自vi指向vj的有向边.

参与者完成各阶段任务，人员、单位至各类任务、作业之间形成单向边，任务实施将产生关联任务或信息，任务之间、任务与产出信息之间形成单向边，信息发布对象为参与者，定义两者之间形成单向边. 图2给出由人员（白色）、任务（黑色）、信息（灰色）共75个节点252条单向边形成的航空器离场管制有向网络.

航空器接受不同管制员指挥，获取多种指令和航行情报，同时反馈意图和操作进度. 管制员监控多架航空器，发布多种指令，并接收机组意图和其他管制员的协调信息. 因此，航空器离场管制网络是综合体现航空器场面运行程序、管制业务流程、信息交互的人在环路复杂网络. 网络各节点会由于人为疏忽、信息错误、作业失误形成风险源，若风险节点未被及时发现，并随着业务推进和信息交互对关联任务、信息和接受对象形成干扰和误导，造成新的风险节点，由此形成风险传播和扩散.

如表2所示，表中均为无量纲参数，有循环时网络密度为0.0448，否则网络密度为0.045，两种情况下网络的密度都较低，属于稀疏网络，表明航空器离场管制各环节联系紧密程度较低，信息传播途径及范围较为固定；网络的平均度值为5.52，这表明每个节点平均与5.52个节点有直接作用关系，说明航空器离场管制过程中，各类管制任务产生的信息条数和信息交互对象的个数平均值约为6；网络平均最短路径长度为3.278，说明某节点产生风险后等经过3.278的单位长度就影响其他节点；网络直径为7，存在于节点通报放行需求和跑道状态之间；网络的全局效率值为0.273，可以体现网络中信息的传递速度.

4.2 节点重点度量化

为研究各节点在网络中的位置和作用，对节点重要度进行量化计算.由文献［21-23］，节点重要性受其本身信息和邻居节点影响，因此评估各节点的邻居节点数量能判断节点的重要程度.同时评估节点在网络路径中的链接作用能量化节点在风险传播路径中的特殊性，由此计算节点的度［21］、介数［22］和接近度中心性［23］以评估节点的重要性. 表3给出各节点度、接近度中心性和介数的分布情况.

表3中，度表示节点与其他节点的连接个数，是直接度量节点中心性的指标. 机组、地面管制员、塔台管制员、放行管制员为度最大的4个节点，分别为36，27，25，22. 说明航空器离场管制网络的核心是飞行员和管制员，由该4类人员为源头触发各类运行作业，形成信息交互，同时这4类人员还是多种情报、指令、任务的接收者. 其中，机组入度为29是出度的4.14倍，这是由于航空器离场运行中，飞行员不断接收管制指令和情报，还将按照管制员要求进行位置和状态报告，因此飞行员在网络中处于常被动操作和信息接收的状态.

接近度中心性体现了节点网络几何位置重要性，该值越大说明节点与其他节点距离越近. 航空器离场管制网络的中心节点为地面管制员和塔台管制员，接近度中心性最大分别为0.54和0.525，说明此2种管制员与其他节点的联系较为紧密，当他们发生错忘漏等人为失误，将很快影响到管制业务的实施，进而产生错误指令和情报，导致不安全事件的发生.

介数反映了节点对网络中不同区域的连接能力. 机组的介数最大为915，是排名第2的地面管制员的1.36倍，说明网络中不同分支的节点经过机组的连接形成了最短路径. 这是由于机组在离场运行各个阶段接收不同管制员指令，成为网络各局部分支之间的连接节点. 由此可知机组的操作正确性和及时性能直接影响网络的各区域的衔接的稳定性和网络风险传播的范围.

根据以上分析可知，离场管制复杂网络中在最重要节点为“机组”“塔台管制员”“地面管制员”，均为“人员”类节点.目前以“人、机、环、管”4个层面评估风险的相关研究中，“人员因素”往往处于结构模型的顶层，是影响安全的最主要因素［6，7，10］，与本文结论一致.但以往研究以“管制员”统一代表各类、各席位管制员，并未对管制员和作业细分.而民航局咨询通告AC-93-TM-2008-02强调了 “地面管制员”，“塔台管制员”的能力要求，可见从事机场管制服务的各类人员中，地面管制员和塔台管制员对安全影响更大.本文将参与离场保障人员分为5种，地面管制员和塔台管制员重要度最高，由此可知，本文提出的细化人员节点的网络构造方法符合明民航安全管理需求，关键点挖掘结果与实际运行相符.

5 航空器离场管制网络风险传播

5.1 SIRS传播规则

目前相关研究常利用SIR模型模拟航空风险传播［18，19，24］，其特点为：节点恢复后将不再被风险节点影响，永远保持恢复状态. 这是由于SIR模型常用于模拟传染病传播，病人愈后产生免疫，不会再被传染. 但航空运行却并非如此，相关单位会采用多种风险管理策略以识别并排除风险，并促使该环节维持正常状态，但风险管理效果会随时间逐渐降低，节点又将存在风险隐患. 因此利用SIRS模型模拟风险产生、传播、消散和复发的过程. 将节点的状态定义为：易传染状态S（Susceptible）和风险传染状态I（Infected）、风险缓解状态R（Relieved）. 网络演化的时间单位即为风险传播周期，为无量纲参数. 每个周期每个节点仅有一种状态.

设β为传染概率，μ为风险缓解概率，η为恢复易传染概率，网络中各节点状态演化过程如图3所示. 设S（t）、I（t）、R（t）为第t周期S、I、R状态节点比例，则有：

S（t）+I（t）+R（t）=1（7）

SIRS模型的动力学行为可以描述为如下的微分方程组：

dS（t）dt=ηS（t）-βI（t）S（t）dI（t）dt=βI（t）S（t）-μI（t）dR（t）dt=μI（t）-ηS（t）（8）

以上规则作用于航空器离场管制网络中，描述风险传播过程，可理解为：航空器离场管制网络中各节点可由于人为因素、操作失误和信息混淆等形成风险节点，并以概率β影响后续任务、发布信息或交互对象，由于人员培训、业务优化和信息校验等措施，风险节点以概率μ转为风险缓解状态，由于风险管理的失效，该节点以概率η转为易感染状态.

5.2 网络传播仿真

令β=0.5，μ=0.3，η=0.05，分别设置不同的初始风险源［18，19，24］，利用python编程模拟50个周期的风险传播过程，为消除随机影响，每次仿真1000次并取均值.

由4.2结论，参与者类节点为网络核心，图4给出度值较大的6个参与者节点为初始风险源的传播效果. 对比可知，S状态节点随周期增加先减少后增加，I、R状态节点则先增加后减少. 机组为风险源时风险节点比例峰值为0.4，是6组数据中的最大值，峰值产生在第4周期，是6组数据中的最小值. 而塔台管制员和地面管制员为风险源时R节点比例峰值0.618，出现在第12周期，为6组数据中最大值.

由此可知，机组对风险传播的扩散作用最明显，塔台管制员和地面管制员为风险源时能激发网络其他节点控制及管理风险，使网络中更多节点处于风险缓解状态. 机场运行指挥员对网络影响较小， I比例峰值为机组的85.4%，R比例峰值为塔台管制员的90.6%.

图5给任务类8个节点为初始风险源的传播效果，其中滑行管制、起飞管制、推出开车管制、发布放行许可为各管制员的独立任务，气象信息更新、进程单填写、管制移交、管制协调为多个管制员的共同任务［25，26］. 由图5可知，共同管制任务曲线差异较小，风险传播能力高于独立任务，独立任务中放行许可发布传染能力明显强于其他节点. 气象信息更新的I节点比例峰值为0.379，是起飞管制的1.6倍. 这是由于独立任务仅在管制运行的某个阶段产生，且仅在局部网络产生影响，而共同任务在各管制岗位上均有发生，该类节点产生风险后在网络中影响范围更大.

图6为交互信息作为初始风险源的传播情况. 停驻机位、使用跑道号等涉及场面资源使用信息的风险传播能力最强，传染峰值为0.37和0.34，这是由于为保证航空器推出、滑行和起飞的安全，管制员会根据以上信息分配推出和滑行路线，并指挥飞机占用跑道起飞，以上信息多次在管制员和飞行员间传输［27］，并影响飞行员的相关操作和管制员判断，因此该类信息产生错误和混淆，将对整个离场管制程序造成较大影响. QNH和能见度的影响次之，交通通报和放行次序等情报信息的影响最弱，其中放行次序为风险源时，传染峰值仅为停驻机位的12.9%，且传染和缓解峰值出现时期最晚.

分析可知，人员节点中机组的风险传播能力最大，民航局咨询通告AC-FS-121-2015-125将机组相关的风险要素细分为27项，占总风险要素的43.5%，同样体现了机组在风险演化的关键作用.共同任务的风险传播能力仅次于机组，该结论与文献［28］中多名空管专家打分形成的评价结果相符.气象信息更新和管制移交的风险传播峰值较高，与文献［24］中起落机场的气象条件具有较大传染能力的结论一致. 信息类节点整体影响范围较小，但停驻机位等涉及运行安全的关键信息其风险传播能力较高.风险传染峰值越大，缓解峰值出现的周期越早，说明当风险仅在局部传播时，影响范围小，隐蔽性强. 网络中风险节点占比越大，更容易导致风险暴露，引发安全管理部门关注并实施风险管理.

图7给出1000次仿真中初始风险源节点处于易传染状态比例、传染其他节点成功比例、风险缓解的比例. 以机场管制模拟机实施8架次航空器离场运行指挥，统计分析30次风险发生的运行场景，图8给出模拟管制环境、航空器离场运行场景和23项管制作业（图中以节点编号标识）被其他节点影响产生风险和由于发现风险进行安全检查的次数.

由图7可知，参与者节点的传染能力较强，机组的传染成功比例最大为0.519. 管制移交、发布放行许可、交通通报、放行次序的易传染状态比例较高，说明以上节点风险缓解并转为易传染状态后，不容易被其他节点传染，因此难以再次转为风险缓解状态. 而机组、地面管制员、塔台管制员、放行管制员、进程单填写、气象信息更新、QNH值、使用跑道号、停驻机位、能见度的风险缓解状态比例较大.对比图8，风险影响下管制员对进程单填写（节点50）、气象信息更新（节点56）进行了近20次安全检查，而管制员在起飞管制（节点55）、通报离场条件（节点61）环节出现差错或混淆的次数最高为4次，对比可知本文模型仿真结果与模拟运行统计数据符合较好.由此说明以上节点易受其他节点影响，不断重复被传染→风险缓解的状态演化.在安全管理时应注意以上节点缓解的风险管控，减少其被上游环节影响的概率，在实际运行中可采用多人制机组实施交叉操作检查、管制席位设置助理席、监控席形成多岗制、使用电子进程单系统校验填写信息、引接场监雷达确认机位和跑道使用状态、使用航站自动通播系统定时更新发布气象情报等方法为关键节点增加“抗体”，提高抗感染能力.

6 结 论

航空器离场是在管制员监视和指挥下的动态运行过程，因此在风险评估和管控研究中应充分考虑管制信息、业务流程和管制员操作影响和风险动态传播效应.为解决以上问题，本文提出风险传播关键环节挖掘方法和动态仿真模型.首先将航空器离场管制过程分为参与者、任务、信息3类，根据业务逻辑构造航空器离场管制有向复杂网络，并量化节点重要度. 改进SIRS模型，考虑风险管理效果的时效性，定义风险传播规则，构建航空器离场风险动态传播模型.仿真结果表明，本文模型能从管制运行角度对离场航空器关键环节进行识别，并用动态仿真方式刻画风险演化的时空特征.机组、地面管制员、塔台管制员、放行管制员等10个节点的在风险演化中被反复传染，风险管理时应该重点对以上节点进行风险控制. 本文模型可为运行单位预判风险传播周期及范围，确认危险源并针对性实施安全管理提供理论依据和技术支持.

参考文献：

［1］ 郑海龙.枢纽机场中转交通溢出效应及影响因素研究［D］.南京： 南京航空航天大学， 2020.

［2］ 牟奇锋， 冯晓磊.航空器地面滑行碰撞检测方法研究［J］.中国安全科学学报， 2013， 23： 84.

［3］ 夏正洪， 万健， 朱新平.考虑航空器滑行轨迹时空交叠的机场热点识别方法［J］.中国安全科学学报， 2017， 27： 76．

［4］ 康瑞， 杨凯.航空器逆向滑行冲突风险评估模型［J］.中国安全科学学报， 2021， 31： 39.

［5］ 康瑞， 陈佳.双跑道在隔离运行模式下的航空器起降间隔研究［J］.航空计算技术， 2021， 51： 14.

［6］ 朱云斌， 黄晓明， 常青.模糊故障树分析方法在机场环境安全中的应用［J］.国防科技大学学报， 2009， 31： 126.

［7］ 杜红兵， 李晖， 袁乐平， 等.基于Fuzzy-ANP的空管安全风险评估研究［J］.中国安全科学学报， 2010， 20： 79.

［8］ 张豫翔， 王肖戎， 吴明功， 等.基于模糊层次分析法和云模型的非常规情况下空管运行风险评估［J］.安全与环境学报， 2016， 16： 42.

［9］ 王永刚， 董保健.管制员人为差错影响因素及指标权重分析［J］.中国安全生产科学技术， 2011， 7： 28.

［10］ 岳仁田， 刘敬轩， 赵嶷飞， 等.基于BP神经网络的扇区空管运行亚健康关联因子预测［J］.安全与环境工程， 2020， 27： 210.

［11］ Eeds P， Rènyi A. On the evolution of random graphs ［J］. Publ Res I Math Sc， 1960， 5： 17.

［12］ Belkoura S， Cook A， Pena J M， et al. On the multi-dimensionality and sampling of air transport networks ［J］. Transport Res E-log， 2016， 94： 95.

［13］ Veltes D A， Rodriguez D H ， Suau S P. Vulnerability of the European air transport network to major airport closures from the perspective of passenger delays： ranking the most critical airports ［J］. Transport Res A-pol， 2017， 96： 119.

［14］ Lykou G， Dedousis P， Stergiopoulos G， et al. Assessing Interdependencies and congestion delays in the aviation network ［J］. IEEE Access， 2020， 8： 223234.

［15］ 吴珂， 王俊峰， 罗琴.中国空域国内航班飞行拓扑分析［J］.四川大学学报： 自然科学版， 2016， 53： 73.

［16］ 肖琴， 罗帆. 基于复杂网络的两栖水上飞机起降安全风险演化［J］. 复杂系统与复杂性科学， 2019， 16： 19.

［17］ 邱杨扬.不停航施工期飞行区安全风险演化的复杂网络模型研究［D］. 武汉： 武汉理工大学， 2019.

［18］ Qian X W， Ukkusuri S V. Connecting urban transportation systems with the spread of infectious diseases： a Trans-SEIR modeling approach ［J］. Transport Res B-meth， 2021， 145： 185.

［19］ 王岩韬， 刘毓.基于复杂网络的航班运行风险传播分析［J］.交通运输系统工程与信息， 2020， 20： 198.

［20］ 罗军.机场管制［M］.北京： 中国民航出版社， 2012.

［21］ Ronald S B， Michael J M. Applied network analysis： a methodological introduction ［M］. State of California： SAGE Publications，1983.

［22］ Freeman l C. A set of measures of centrality based on betweenness ［J］.Sociometry， 1977， 40： 35.

［23］ Freeman L C. Centrality in social networks conceptual clarification ［J］.Sociometry， 1978，1： 215.

［24］ 王岩韬， 杨拯.航班运行风险网络的传播与控制改进［J］.系统工程与电子技术， 2021， 43： 2544.

［25］ 康瑞， 邓皓， 杨凯. 混合运输机场跑道服务能力评估模型［J］.科学技术与工程， 2022， 22： 2116.

［26］ Yang K， Yang H W， Zhang J W， et al. Effects on taxiing conflicts at intersections by pilots sensitive speed adjustment ［J］. Aerospace， 2022， 9： 288.

［27］ 高登峰， 杨波， 刘洪， 等.多特征全卷积网络的地空通话语音增强方法［J］.四川大学学报： 自然科学版， 2020， 57： 289.

［28］ 陈芳， 韩美佳.空中危险接近事件中的空管风险因素识别［J］.安全与环境学报， 2021， 21： 1583.