航班运行不安全事件推演过程: 以多层网络动态传播视角

王岩韬; 杨林森; 时统宇

doi:10.12404/j.issn.1671-1815.2504898

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (13) :5765-5776 DOI: 10.12404/j.issn.1671-1815.2504898

环境科学、安全科学

航班运行不安全事件推演过程: 以多层网络动态传播视角

王岩韬 ¹ ,
杨林森 ² ,
时统宇 ²^,^*

作者信息 +

Flight Operation Unsafe Incidents Derivation Process: A Multi-layer Network Dynamic Propagation Perspective

Author information +

文章历史 +

摘要

为探究航班运行不安全事件的动态传播过程,针对现有模型传播方法单一、无法推演事件演化过程等问题,首先采用事件树方法从事故报告、统计报告中提取触发、传播及顶部事件作为节点,构建单向风险网络;然后,按照传播特征,定义起始节点层、概率传播层、容量-负荷传播层及系统动力学传播层;构建各层传播方法,概率传播层通过节点度量化触发概率,容量-负荷层通过节点容量函数量化负荷分配,系统动力学层通过时间累积推演不安全事件发生;进而,从级联失效规模、风险演化过程及事件触发次数多角度开展网络分析;最后,根据推演效果,提出航班运行过程中事件控制措施。经分析伊春空难过程得出,若降低连边负荷传递效率可使风险演化过程延长23%,阻断连边可消除事故发生;对于山航事故,若降低节点初始负荷,可使风险演化过程延长40%,控制边状态可使风险演化过程延长46%,阻止事故征候发生。结果表明,该方法可准确表征航班运行不安全事件的演化过程,平均推演单位时间约为3 min。

Abstract

In order to investigate the dynamic propagation process of flight operation safety incidents, a layered propagation network model was used to investigate incident evolution. Triggering events, propagating events, and top-level events were extracted from accident reports and statistical reports using the event tree method. Subsequently, the unidirectional risk network was constructed. The initial node layer, probability propagation layer, capacity-load propagation layer, and system dynamics propagation layer were defined based on propagation characteristics. Specific propagation methods for each layer were developed. The probability propagation layer quantifies trigger probabilities using node metrics. The capacity-load propagation layer quantifies load distribution through node capacity functions. The system dynamics propagation layer simulates unsafe events through time accumulation. Network analyses from multiple perspectives, including cascading failure scale, risk evolution processes, and event trigger frequencies, were conducted. Event control measures for flight operations were proposed based on simulation results. Analysis of the Yichun air crash indicates that reducing load transmission efficiency of connected edges extends the risk evolution process by 23%, and blocking connected edges prevents the accident occurrence. For the Shandong Airlines accident, reducing initial node loads extends the risk evolution process by 40%, and controlling edge states extends the risk evolution process by 46%, thus preventing accident symptoms. The results show that this method accurately characterizes the evolution process of unsafe events during flight operations, with an average simulation time of approximately 3 minutes per unit time.

Graphical abstract

关键词

航班运行风险 / 不安全事件 / 多层网络 / 动态传播 / 风险推演过程

Key words

flight operation risk / unsafe incidents / multi-layer network / dynamic propagation / risk derivation process

引用本文

引用格式 ▾

王岩韬, 杨林森, 时统宇. 航班运行不安全事件推演过程: 以多层网络动态传播视角[J]. 科学技术与工程, 2026, 26(13): 5765-5776 DOI:10.12404/j.issn.1671-1815.2504898

WANG Yan-tao, YANG Lin-sen, SHI Tong-yu. Flight Operation Unsafe Incidents Derivation Process: A Multi-layer Network Dynamic Propagation Perspective[J]. Science Technology and Engineering, 2026, 26(13): 5765-5776 DOI:10.12404/j.issn.1671-1815.2504898

登录浏览全文

4963

注册一个新账户忘记密码

航班运行风险涉及恶劣天气、机械故障、人为因素、空域管制、机场运行等复杂因素,且各因素间交互性强,呈现网络形态,且随时间相互作用不断演变。航班运行风险传播呈现网络特征和时序性,传统静态评估方法难以体现风险的动态性。

2020年以来,复杂网络理论在航班运行风险研究中的应用逐渐深入。王岩韬等^[1]构建了面向航班运行风险传播的复杂网络,不断改进病毒传播等各类模型,以点、边等方式分析了航班运行风险的管控过程,该系列研究较为完善地总结了航班运行过程中的风险致因,但其中未发生过的、小概率发生的非关键风险致因占比高,致使研究结论聚焦于整体安全水平分析,风险分析难以指向不安全事件,难以定位具体的风险致因。

2024年,崔俊英等^[2]基于实证数据和网络模型构建了供应链网络,分析了供应链网络的拓扑结构、脆弱性、关键节点识别。2025年,钟罡等^[3]构建以飞行计划为节点、以飞行冲突为连边的冲突复杂网络,对飞行计划进行优化求解。Lykou等^[4]分析了航空网络相互依赖性和拥堵性,通过评估机场延误事件,生成加权风险依赖关系图,揭示了机场延误对其他机场的影响。宋洋等^[5]使用复杂网络理论识别航班过站保障系统事故的关键致因因素。张兆宁等^[6]使用复杂网络理论和经典传染病传播模型构建了多机场航班延误传播模型,反映多机场间航班延误传播的动态过程。张延禄等^[7]基于级联失效视角识别新能源汽车研发网络的关键节点。上述研究都有一个假定——网络同质,风险传播特性相同,这与实际情况不符。孙菁源等^[8]考虑不同人为因素对机坪碰撞风险的影响,量化分析人员工作负荷、工作经验等因素对碰撞风险的影响程度。张宇辉等^[9]利用云模型,构建雷雨情景下飞机着陆冲出跑道风险预警模型,实现了不同天气情景下冲出跑道风险水平的量化预警。田晓敏等^[10]将故障树因果结构映射为贝叶斯网络,开展质量风险推断。伍佳妮等^[11]在“人、机、管、环”框架基础上引入“转运”和“国际关系”因素,构建基于云模型的危险品跨境多式联运风险评价模型。上述研究多将风险视作静态指标进行评估,对风险动态传播和随时间演化过程考虑不足。

冯芬玲等^[12]提出了一种基于改进逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)和灰色关联分析的多层网络节点重要性评价方法,并应用于中欧班列运输网络,成功识别出关键节点。陈晓红等^[13]使用多层网络研究了供应链网络中断风险传播。钱水土等^[14]借助交易和股权双重经济关联构造产业链多层网络。余自强等^[15]基于多层网络从国别内部和国别之间两个维度构建了海外安全风险跨国传导预警理论模型。马壮林等^[16]以多层网络动态传播视角,考虑到地铁网络中不同线路等的特征差异,建立容量负载和级联失效模型。刘璐等^[17]基于贝叶斯推理得出航空器偏出跑道事件的关键人因致因链条。孙晓哲等^[18]提出STPA-Bayes(systems-theoretic process analysis-Bayesian network)模型,对典型航空器进近事故开展致因识别与概率评估。上述研究虽采用多层网络,但传播时间、传播方法未能严格区分,难以体现动态传播过程。

王玉昆等^[19]运用系统动力学模型较好地解决了天然气系统的动态演化问题。吴维等^[20]利用系统动力学模型,结合贝叶斯网络和综合权重确定方法,分析了跑道侵入风控网络的脆弱性。Dilay^[21]建立系统动力学模型,评估了土耳其危险货物运输部门在道路安全、运营效果和经济后果方面的潜在影响。上述研究表明系统动力学可用于分析和理解复杂系统的时变行为。

综合以上,为准确地刻画航班运行中不安全事件的动态演化过程,首先,不再掺杂小概率发生的风险节点,严格依据民航不安全事件报告,拆解出事件节点;其次,根据节点异质性,将同一传播特征的事件视为一个分层,采用多层网络分析;进而构建多种传播模型,概率传播用于描述风险传递的随机性,负荷-容量传播方法用于模拟事件逐级传播过程,系统动力学用于描述事件随时间累积进而触发不安全事件的演化过程;最终,以时间维度推演风险传播和演化过程,提出点、边等有效控制方法,为探究航班运行不安全事件的动态传播过程提供理论支持与方法参考。

1 风险多层网络构建

1.1 基于事件树方法构建风险事件链

根据中国民用航空安全信息系统的调查报告,采用事件树方法,梳理事故关键进程,提取关键风险事件。将风险事件划分为三类:触发事件、风险传播演化事件、顶部事件。具体定义如下。

(1)触发事件。触发事件也被称为风险源,是风险最初形成的事件,位于事件树中的起点,如强降水会带来低能见度、湿跑道影响起降等,具有触发风险开始传播演化的性质,以往研究常分为人、机、环、管等方面。

(2)风险传播演化事件。从事故报告中提取出风险传播的关键过程事件,该类事件为处于触发事件之后、顶部事件之前的一类中间状态事件。主要作用为描述风险在网络中扩散和演变的过程。该类事件数量多,相互影响显著,事件间连边用于描述风险在网络中传播和演变的过程。

(3)顶部事件。顶部事件对应的节点即风险在网络中传播的终点,该类事件表明风险传播演化为不安全事件。此处根据中国民航局航安办统计的《中国民航安全信息统计分析报告》以及1993年以来的事件调查报告,将其中含义相近、结果相似的事件总结为顶部事件,具体如表1所示。

以“2012年12月10日川航低油量事件”和“2019年4月3日南航备降槟城低油量事件”为例,根据事件报告梳理发生过程,首先“雷雨强降水”“雾天”和“阵风风切变”是3个初始触发事件;后续,恶劣天气影响了航班正常运行,出现“能见度不达标,目视参考未能正确建立” “无法建立稳定进近”,出现了地面指挥不及时——“签派、管制员未处理或不及时”;进而,引发机组操作——“复飞”或“盘旋等待”,最终两起事故被认定为“油量不足事件”。其中,两起事故报告中均提到“能见度快速下降,看不见跑道”、“失去目视参考”,机组都采取了“复飞”操作,两个事件在构建连边过程中出现相交。

根据时序信息,归纳关键节点如表2所示。根据操作过程,川航事件连边用虚线,南航事件连边用实线,事件链如图1所示。

如上示例,对1993年至今30年民航不安全事件报告开展事件树分析,每起事件可建立从触发事件到顶部事件的风险链,起点、终点相同的连边合并为同一条有向连边,分析数个事故调查报告,如《2022年榆林机场跑道外接地严重征候调查报告》等发现没有新的有向连边出现,网络已充分考虑风险事件节点与有向连边,多条风险事件链相互交联,构建出航班运行不安全事件网络,黑色节点表示风险事件,编号对应含义如表3所示,构建网络如图2所示。

1.2 构建多层网络

1.2.1 定义

定义1 网络节点表示风险事件,边表示风险事件间的触发关系。

该风险网络是将复杂实际问题转化为由节点和边组成的网络,网络拓扑结构、传播方式均严格源于事件发生过程,网络节点具有自身负荷与容量,节点间传播具有不同的传播特征。

定义2 网络为有向无权网络。

根据定义1,该风险网络的边表示触发关系,即为单向连边。此外,网络用于探究风险传播和演化分析,着重过程的可能性和合理性,不再突显某一事件发生的频次,因此不再设置边权重。

1.2.2 网络分层

以分层的方法分析网络中存在的不同传播特性,每一层代表具有同种传播特征的节点集合。分析事故致因,分类编号如表4所示。

A层为风险事件起点层,该层的节点为触发事件,即风险事件链的起点。在复杂网路视角下该层节点仅有出度,会因外界“扰动”,导致节点的负荷超出其容量限制,再按不同传播方式向后续节点传播负荷。

B层、C层的节点为风险传播演化事件。B层为概率传播层,该层考虑了少数风险事件传播特征不明,比如设备故障以及故障后风险传递具有一定的随机性,体现为“触发-发生”的概率传播。C层为容量-负荷传播层,风险传播至该层具有级联性,当一个事件的负荷超出其容量时,会传播至后序事件,导致网络内部负荷传递、累积,风险传播体现为“负荷-超容-重分配”过程。每个事件的负荷可以看作危险等级、压力、任务量、需求等。处于该层的风险事件发生时,机组、机场、空管单位会决策处置风险,此时容量用以描述处理事件的能力上限。当超过容量时,事件无法被完全处理进而产生后续影响,例如触发节点“阵风风切变”向后传播风险,其后序节点“飞机位置偏移”接收此负荷。当未超容时机组可以采取压杆等操作抵消影响;当超容时表示阵风等级高,飞机位置难以调整回原始航迹,进而带来后续“跑道外接地”等影响。

D层为基于系统动力学的容量-负荷传播层,层内节点是顶部事件,是多种风险致因累积最终超出可控范围,造成严重损失或者重大事故,风险致因越多,累计速度越快。为表征不安全事件随时间累积而最终发生的过程,此处使用系统动力学改进传统负荷-容量模型,将负荷视为风险,容量表示不安全事件的触发阈值,风险传播体现为“负荷-累积-超容-发生”的模式。对应实际情况,比如“盘旋等待”时间超出时间限制,会发生“油量不足事件”;“飞机进入危险区”后未及时调整航迹,处在危险区时间过长,会发生“飞行途中事件”。

基于以上,在不改变航班运行风险事件网络拓扑结构的基础上,用多层网络形式呈现A、B、C、D共4个层级,如图3所示。

2 风险传播模型构建

2.1 容量-负荷传播方法

网络中每个节点代表一个具体的风险事件,例如航班延误、设备故障、恶劣天气等,使用负荷传播模拟风险传播过程。将风险视为“负荷”, 负荷大小对应事件的严重程度。容量表示该节点能够承受的最大风险或该事件的最大影响。超容表示某一事件会对后序事件产生影响。使用容量-负荷传播方法,可以描述每个节点在网络中传播的过程及其对其他节点的影响。

在实际航班运行中,对度数较大的节点往往会采取更高水平的防护,能承受的风险也更高,因此将节点容量定义为节点度的相关函数。民航机场、航空公司等运行单位已建立较为完善的应急预案,参与风险处置的人员必须接受严格训练,使得在传播过程中,越往后的节点被触发的阈值越高。此处,引入节点的容量调节参数,公式如下。

(1)

${\mathit{C}}_{\mathit{v}}=(\mathit{\alpha }+1){\mathit{k}}_{\mathit{v}}^{\mathit{o}\mathit{u}\mathit{t}}$

(2)

$\mathit{\alpha }=\frac{{\mathit{G}}_{\mathit{v}}}{{\mathit{G}}_{\mathit{t}\mathit{o}\mathit{t}\mathit{a}\mathit{l}}}$

式中:C_v为节点v的容量,即风险事件节点v的触发阈值;α为节点v的容量调节参数;G_v为节点v所在层数;G_total为所建网络总层数,

$\mathit{\alpha }\in \left(\mathrm{0,1}\right]$

;

${\mathit{k}}_{\mathit{v}}^{\mathit{o}\mathit{u}\mathit{t}}$

为风险事件节点v的出度。

负荷-容量模型中节点初始状态即为节点的初始负荷。参考中国民航常用风险等级取值范围为1~10,其中“缓解后风险可接受”“不可接受风险”,阈值分别为5和8,参考此标准将节点的初始状态设为可控制状态、缓解后风险可接受状态和预警状态,初始状态表达式如下。

(3)

${\mathit{L}}_{\mathit{v}}\left(0\right)=\mathit{\gamma }{\mathit{C}}_{\mathit{v}}$

(4)$\left\{\begin{array}{ll} 0.8<\gamma \leqslant 1, & \text { 节点 } v \text { 为预警状态 } \\ 0.5<\gamma \leqslant 0.8, & \text { 节点 } v \text { 为缓解后可接受状态 } \\ 0 \leqslant \gamma \leqslant 0.5, & \text { 节点 } v \text { 为可控制状态 } \end{array}\right.$

式中:L_v(0)为节点v的初始负荷;γ为节点v的状态因子,

$\mathit{\gamma }\in \left[\mathrm{0,1}\right]$

。

引入“扰动”概念,表示网络中因内外因素引起的触发层节点的负荷变化,导致节点的负荷超出其容量限制,向后续节点传播负荷的现象。在以风险事件作为节点的风险网络中,“扰动”对应极端天气、机械故障等。例如,触发层节点a₁₇的含义为“雷雨强降水”,根据天气预报确定其初始状态,而“扰动”表示t=0时刻,中雨、大雨发生导致节点处于中度或重度危险状态,初始负荷取值为C_v的1.5和1.8倍,不同程度扰动后风险开始传播。

当节点在扰动下过载,处于危险状态时,负荷会全部流入与其直接相连的后续节点中。在目前已有的传播模型研究中,常用的节点负荷分配规则为平均分配或按后续节点的度分配,由于航班运行风险传播具有不确定性,因此负荷重分配规则为随机分配给后续节点。负荷重分配公式如下。

(5)$\Delta L_{u v}=L_{u} R_{v}, 0<R_{v} \leqslant 1$

(6)

${\sum }_{\mathit{n}\in {\mathit{\Psi }}_{\mathit{u}}}^{}{\mathit{R}}_{\mathit{n}}=1$

(7)

${\mathit{L}}_{\mathit{v}}(\mathit{t}+1)={\mathit{L}}_{\mathit{v}}\left(\mathit{t}\right)+{\sum }_{\mathit{u}\in \mathit{w}}^{}\mathit{\Delta }{\mathit{L}}_{\mathit{u}\mathit{v}}\left(\mathit{t}\right)$

式中:L_u为节点u超容参与重分配的负荷;ΔL_uv为从节点u向节点v转移的负荷;R_v为给节点v分配负荷的比例;n为任意一个与u直接相连的后序节点;

${\mathit{\Psi }}_{\mathit{u}}$

为节点u的所有后序节点的集合;L_v(t+1)为t+1步时节点v的负荷;L_v(t)为t步时节点v的负荷;w为v所有a₁前序节点的集合。

2.2 概率传播方法

对于少数风险事件发生显现的随机性和突发性,引入概率传播表征此类事件。处于概率传播层的节点,风险传入的概率与其入度值有关,入度值越大,表明导致其触发的风险致因越多,负荷越易传入,公式如下。

(8)

$\mathit{P}=1-{\mathit{e}}^{-\mathit{\theta }{\mathit{k}}_{\mathit{v}}^{\mathit{i}}},\mathit{ }0< \mathit{\theta }\le 1$

式(8)中:

${\mathit{k}}_{\mathit{v}}^{\mathit{i}}$

为节点v的入度值;θ为风险增长速率,数值上等于起点层节点中处于危险状态的节点的比例。

2.3 系统动力学传播方法

为了描述不安全事件随时间累积而发生的特性,引入了系统动力学方法改进传统容量-负荷方法,如图4所示。

系统动力学方法通过构建积分方程,模拟风险随时间的累积过程。符合系统动力学传播的节点为顶部事件,对应节点d₁-d₁₂,例如“跑道侵入事件”

“飞机刮蹭事件”等,作为风险传播的终点,公式如下。

(9)

${\mathit{L}}_{\mathit{v}}\left(\mathit{T}\right)={\int }_{0}^{\mathit{T}}{\mathit{V}}_{\mathit{v}}\mathit{d}\mathit{t}+{\mathit{L}}_{\mathit{v}}\left(0\right)$

(10)

${\mathit{V}}_{\mathit{v}}={\mathit{k}}_{\mathit{v}}^{\mathit{i}}$

式中:L_v(T)为T时刻节点v的负荷;L_v(0)为节点v的初始负荷;V_v为风险累积速率;T为风险事件累计至触发所用的时间。

2.4 评价指标

为了辨识不安全事件及其致因,设计3个评价指标。

(1)级联失效规模。级联失效规模是指网络中某一个节点超容后,引发的连锁反应所影响的节点数量占网络总节点数的比例。其反映某节点对整个网络的影响程度。级联失效规模大的节点通常是网络中的关键节点。针对级联失效规模大的节点,需优先制定控制策略。通过式(11)定义级联失效规模。

(11)

${\mathit{S}}_{\mathit{v}}=\frac{{\mathit{I}}_{\mathit{v}}^{\mathit{a}\mathit{f}\mathit{f}\mathit{e}\mathit{c}\mathit{t}\mathit{e}\mathit{d}}}{\mathit{I}}$

式(11)中:S_v为节点v的级联失效规模;

${\mathit{I}}_{\mathit{v}}^{\mathit{a}\mathit{f}\mathit{f}\mathit{e}\mathit{c}\mathit{t}\mathit{e}\mathit{d}}$

为节点v超容后受影响的节点数量;I为网络节点总数。

(2)风险演化过程。风险演化过程包括风险从触发事件开始传播,到最终导致事故发生。风险演化过程反映了网络中节点间风险传播的动态特性以及时间维度上的累积效应,公式如下。

(12)

${\mathit{T}}_{\mathit{e}\mathit{v}\mathit{o}\mathit{l}\mathit{u}\mathit{t}\mathit{i}\mathit{o}\mathit{n}}=\mathit{t}\left|\exists \right.\mathit{v}\in \mathit{D},\mathit{ }{\mathit{L}}_{\mathit{v}}\left(\mathit{t}\right)\ge {\mathit{C}}_{\mathit{v}}$

式(12)中:D为顶部事件集合。式(12)表明,风险演化过程包括从触发事件开始,直至导致最终事故发生的总时间。

(3)事件触发次数。在网络中,触发次数高的节点通常位于风险传播的关键路径上,在多次模拟中会频繁触发,公式如下。

(13)

$\mathit{F}=\sum _{\mathit{m}=1}^{\mathit{M}}{\sum }_{\mathit{v}\in \mathit{D}}^{}\mathit{\delta }({\mathit{L}}_{\mathit{v}}^{\mathit{m}}\ge {\mathit{C}}_{\mathit{v}})$

式(13)中:F为节点v在M次模拟中被触发的次数;m为模拟次数;M为模拟总次数;

$\mathit{\delta }$

(·)为指示函数,当括号内条件满足时取值为1,否则为0。

3 风险动态推演与分析

3.1 级联失效规模分析

计算步骤如下:①初始化起点层节点以及传播方法;②初始化起点层节点a₁-a₃₉的初始负荷和容量;③随机选取起点层节点,设为中度或重度危险状态;④启动风险传播,分配超容负荷,记录受影响的节点数量,重复10 000次,计算平均级联失效规模,结果如图5所示。

由图5可知,起点层节点度越高,引发的级联失效规模也越大,a₁₇和a₂₃扰动后引发的级联失效规模为两个极大值。而人为因素风险虽然节点度不高,仍能引发较大的级联失效规模,如a₁₃“进近管制员及塔台管制员与机场信息交流不畅”、a₂₅“机组短时操作量过大”、a₂₆“机组修正坡度不及时”。

节点从中度危险状态变为重度危险状态时,对于风险变化敏感的节点,平均级联失效规模变化大于100%,如a₁₃、a₁₈、a₁₉、a₂₀、a₂₃至a₂₆,这些一旦状态恶化,会显著加大系统的失效规模,多为人为和环境因素导致的风险源。

级联失效规模分析虽然能够反映节点失效对网络拓扑结构的破坏程度,但网络连通性下降并不等于风险事件终止,仍需通过推演事件过程详细刻画。

3.2 风险演化过程分析

风险演化过程通过系统动力学方法量化风险累积效应。

计算步骤如下:①初始化网络的拓扑结构、起始层节点集合、终点节点集合;②初始化起始节点的初始负荷和容量,令被扰动的节点扰动至中度或重度危险状态;③模拟风险传播过程,检查节点是否超容,分配超容负荷;④模拟10 000次,记录从起点传播演化到顶部事件的时间和负荷变化。

3.2.1 伊春空难分析

依据《河南航空有限公司黑龙江伊春“8·24”特别重大飞机坠毁事故调查报告》,提取出事故关键节点:21∶10,飞行机组首次与伊春机场管制员建立联系,管制员通报能见度为2 800 m;21∶16,机场管制员提醒飞行机组:“本场刚起的雾,五边上雾有点浓。”,对应节点a₁₉“雾天”。“21∶37∶31,飞机穿越最低下降高度440 m,飞机依然在辐射雾中,机长未能看见机场跑道。”对应节点c₁₂“能见度不达标,目视参考未能正确建立”。“飞机在距离伊春机场30号跑道入口外跑道延长线与树梢刮擦,在1 080 m处飞机主轮与地面接触并继续滑行”对应节点c₂₄“跑道外接地”。“飞机失事时间为21∶38∶08,失事地点位于30号跑道入口外跑道延长线上690 m处。”对应d₆“飞机着陆事故”。伊春空难的风险演化路径如图6所示。

伊春空难的此时飞机处于辐射雾中,能见度情况差,难以建立目视参考,据此设定a₁₉为重度风险状态,推演过程如图7所示。

推演过程如下:①a₁₉“雾天”超容后,传递负荷至c₆和c₁₂,c₆和c₁₂超容传递负荷至c₇,c₇超容将负荷传入d₃“油量事件”;②a₁₉“雾天”超容后传播至c₁₂,c₁₂超容,将负荷传入d₅“飞行途中事件”;③a₁₉ “雾天”超容后传播至c₁₂,c₁₂超容将负荷传入c₂₄,最后传播至d₆“飞机着陆事故”。

由图7可知,模型可推演出三类事件,由于机长未选择复飞、备降等操作,不会发生d₃和d₅两类飞机在空中运行时的不安全事件。

伊春空难事件中,机长在能见度不达标情况下,低高度进近,导致跑道外接地,并持续与地面猛烈撞击,d₆发生。模型推演过程与事故过程高度吻合,事故从21∶16开始至21∶38左右结束,时长约22 min,对应平均风险演化时间T为7.45步,由此每一步平均风险演化时间对应实际时间约为3 min。

3.2.2 山航事故征候分析

依据《2023年7月30日山东航空B737-800/B-1273济南遥墙国际机场着陆过程中偏出跑道严重征候调查报告》提取出关键事件节点:20∶28,塔台通报接地端RVR 1 500 m,跑道中段到南段是大雨,对应节点a₁₇“雷雨强降水”。机场跑道受大降水影响可能存在局部积水的情况,对应节点c₁₁“跑道积水湿滑”,最后导致d₄“飞机偏出跑道/滑行道”。可见,天气处于大雨状态,据此设定a₁₇为危险状态,过程如图8所示。

推演过程如下:①a₁₇“雷雨强降水”超容后,负荷传入c₆、c₁₁、c₁₂、c₁₃;随后c₁₂和c₆会将负荷传入c₇,最后传入d₃“油量事件”;②c₁₁会将负荷传入d₄“飞机偏出跑道/滑行道”;③c₁₂会将一部分负荷传入c₂₄,最后传入d₆“飞机着陆事故”;④c₁₂一部分负荷先传入d₅“飞行途中事件”,另一部分负荷沿c₁₃、c₂₀、c₂₁传入d₅。

由图8可知,模型可推演出四类事件,由于机组未选择在雷雨强降水条件下复飞,不会发生d₃和d₅两类空中不安全事件,同时由于机长在着陆时及时调整飞机姿态,未因猛烈撞击地面而发生严重着陆事故,因此d₆未发生。

山航事故征候中,在副驾驶提醒复飞、目视参考丢失、偏差较大等情况下,机长选择着陆,最终飞机向左偏出跑道,d₄发生。模型推演过程与事故过程高度吻合,事故从20∶28开始至20∶45结束,时长约17 min,对应平均风险演化时间T为6.35步,因此每一步平均风险演化时间对应实际时间约为3 min。

3.2.3 俄罗斯航班偏出跑道分析

2016年一架俄罗斯客机在机场着陆时跑道外接地,依据官方调查报告,该起事故原因为进近时气象条件低于机场规定最低标准,飞机跑道外接地,机体严重受损。推演过程如下:①a₂₀“机场和周边部分区域被白雪覆盖”超容后,由于积雪过多,超容传播至c₁₂“能见度不达标”,传递负荷至c₆和c₁₂,c₆和c₁₂超容传递负荷至c₇,c₇超容将负荷传入d₃“油量事件”;②a₂₀“机场和周边部分区域被白雪覆盖”超容后传播至c₁₂,c₁₂超容,将负荷传入d₅“飞行途中事件”;③a₂₀“机场和周边部分区域被白雪覆盖”超容后传播至c₁₂,在能见度不达标的情况下机组未选择复飞,并对跑道产生误判,进而演化为c₂₄“跑道外接地”,最后传播至d₆“飞机着陆事故”。模型推演过程③与事故过程高度吻合。

依据航班运行风险网络,模型可推演出三类事件,在跑道被积雪遮盖条件下,机长未选择复飞,不会发生d₃和d₅两类空中不安全事件,机长选择着陆,飞机于漫滩上接地,主起落架折断、机体受损,因此d₆发生。

上述3个实例均为发生在着陆阶段的典型不安全事件,三者均发生在着陆阶段,以雷雨强降水、雾天和跑道及周边被积雪覆盖三类环境扰动为起点,但机长等处置风险方式不同,发生了不同的不安全事件,该方法可以得出与事故调查报告高度吻合的推演过程,并给出推演全过程的单位时间。此外,该方法可以推演出未发生的不安全事件,为预防风险演化提供参考。

4 风险控制措施分析

4.1 节点控制

以往复杂网络的研究中,大多依照网络参数排序来定位关键节点,从而制定控制方案。此处选取总度值、接近中心性、介数以及级联失效规模排名前五的节点,具体如表5所示,其中c₇“复飞”是关键控制节点,充分体现了复飞对安全操作的重要性。

控制表5节点,统计顶部事件节点超容的次数,部分代表性结果如图9所示。可见,对于d₃“油量事件”,采用级联失效规模的控制效果不明显,按总度值等其他3种控制方式可以使触发次数降低约10.3%。对于d₅“飞行途中事件”,采用接近中心性的控制方式效果不明显,采用总度值和介数控制可以使触发次数下降约27.7%,而采用级联失效规模控制可以降低36.9%。对于d₇“人员受伤”,采用接近中心性介数控制方式效果不明显,采用总度值和级联失效规模控制的效果相近,可下降24.7%;对于d₈“飞行差错”,采用级联失效规模的控制可使触发次数下降约7.5%。

与此前研究不同,节点控制对于d₁、d₂、d₄、d₆、d₉、d₁₂未能起到明显效果,原因在于网络结构不同,例如文献[1]中网络包含了航班运行各类显性和隐性风险,节点多、结构紧密、连通性好,依据网络参数控制较为有效,适用于飞行前风险预防。此处网络是根据不安全事件报告构建而成,节点只包含关键致因节点,研究适用于航班运行过程中的风险推演与防控。

4.2 伊春空难控制措施分析

4.2.1 节点控制

第一种方法:c₁₂“能见度不达标,目视参考未能正确建立”设置为安全事件,即可控制状态,当时间步T为1步时,c₁₂未超容,表明此时已关注边缘天气状态下机场航行通告和气象变化信息,推演后事件不再发生。

第二种方法是使c₁₂初始负荷降低20%,表明能见度问题略有改善,推演结果如图10所示。

可以看出,d₆的演化时间比未进行控制时增加5%,d₅的演化时间增加9%,可见节点控制效果有限。

4.2.2 边控制

引入负荷传递效率表示对风险传递控制的强弱,数值为0~100%,当机长或机组处理险情能力提高,场务管理能力提高等时,负荷传递效率下降,表示风险传递延缓直至阻断,改变不安全事件演化结果。

将c₁₂-c₂₄连边的负荷传递效率设置为20%,表明机长或机组训练有素,在未建立目视参考条件下,不会盲目选择接地操作,结果如图11所示。

此时,d₆演化时间比未进行控制时增加23%,控制效果明显,而在d₆被触发前,对应推演时间,飞机已完成着陆,事故不再发生。

将c₁₂-c₂₄连边的负荷传递效率设置为0,此时,d₆无事故致因,可以完全杜绝此类事故发生。

4.3 山航征候控制措施分析

4.3.1 节点控制

第一种方法:事故致因中,机长视力未达规章要求,在飞机处于30 ft(1 ft=0.304 8 m)以下时,机长视线未及时散开,对飞机状态不清晰。据此,将c₁₂初始负荷降低20%,表明机长处于建立目视参考边缘状态,同时将c₇设置为可控制状态,表明此时机长优先采取复飞决策,结果如图12所示。

可见d₃、d₆的风险演化时间延长了40%和5%,d₅“飞行途中事件”和d₄“飞机偏出跑道/滑行道”的风险演化时间则没有变化,说明能见度一般的条件下选择复飞后再次着陆,是无法有效阻止偏出跑道发生的,符合实际情况。

第二种方法:机场跑道受大降水影响存在局部积水的情况,若场务管理及时清理跑道,将c₁₁设置为可控制状态,结果如图13所示。

d₄“飞机偏出跑道/滑行道”的风险演化时间延长16.5%,按推演时间飞机已泊入停机位,事故不会发生。

4.3.2 边控制

将c₁₁-d₄连边的负荷传递效率设置为20%,表明机长、机组在雷雨强降水天气下,考虑跑道湿滑不会盲目选择接地,结果如图14所示,d₄的风险演化时间延长了46%,按推演时间,可以选择天气和跑道条件符合的其他机场备降,也可以选择盘旋等待天气和跑道情况转好(机载油量必须充足,此种9概率较低),避免事故发生。

伊春空难中,雾天为初始扰动,但导致事故发生的原因为,在低能见度下未能建立目视参考、持续低高度进近而未执行复飞决策。针对事故发生原因,实施边控制,将c₁₂-c₂₄连边负荷传递效率降 20%,则飞机着陆事故的演化时间延长23%,而当该连边负荷传递效率降为0时,飞机着陆事故不再触发,这与CCAR121部要求必须建立目视参考方可以继续进近要求一致。

分析两起不安全事件,对于节点控制方法,选择人为因素有关的节点,例如节点“复飞”进行控制,可有效地阻断风险的传播演化;对于边控制方法,针对恶劣天气演化需重点控制关键连边,目视参考丢失时坚决复飞可避免事故发生。

5 结论

依据民航不安全事件调查报告构建风险复杂网络,根据不同传播特征分析多层网络,着重以时间维度推演事件发生过程,进而设计航班运行过程中控制方案,得到以下结论。

(1)构建了民航不安全事件多层风险网络,包括起始节点层、概率传播层、容量-负荷传播层及系统动力学传播层分析。

(2)构建了3种风险传播模型,概率传播用于描述风险传递的随机性,负荷-容量传播方法用于模拟事件逐级传播过程,系统动力学用于描述事件随时间累积进而触发不安全事件的演化过程。

(3)提出了航班运行过程中的风险推演方法,采用系统动力学改进传统容量-负荷模型,引入时间维度,推演结果与事件过程高度吻合,推演平均单位时间约为3 min。

(4)提出航班运行过程中的风险防控方法,包括节点控制与边控制;针对伊春空难,降低c₁₂-c₂₄连边的负荷传递效率,可避免该事故;对于山航事故征候,降低c₁₁-d₄连边的负荷传递效率,可阻止事件发生。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	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(1): 198-205.

[2]	Wang Yantao, Liu Yu. Flight operation risk propagation based on complex network[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(1): 198-205.

[3]	崔俊英, 徐舒琪, 那旭, 等. 基于复杂网络理论的供应链研究[J]. 物理学报, 2024, 73(19): 161-183.

[4]	Cui Junying, Xu Shuqi, Na Xu, et al. Supply chain research based on complex network theory[J]. Acta Physica Sinica, 2024, 73(19): 161-183.

[5]	钟罡, 华骏鸣, 杜森, 等. 基于复杂网络的城市低空飞行计划优化调度[J]. 航空学报, 2025, 46(11): 246-268.

[6]	Zhong Gang, Hua Junming, Du Sen, et al. Urban low-altitude flight plan optimal scheduling based on complex network[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(11): 246-268.

[7]	Lykou G, Dedousis P, Stergiopoulos G, et al. Assessing interdependencies and congestion delays in the aviation network[J]. IEEE Access, 2020, 8: 223234-223254.

[8]	宋洋, 赵梓池. 基于复杂网络的航班过站保障系统事故、关键致因因素识别[J]. 科学技术与工程, 2025, 25(5): 2184-2192.

[9]	Song Yang, Zhao Zichi. Complex network-based identification of incidents, critical causal factors in flight transit assurance systems[J]. Science Technology and Engineering, 2025, 25(5): 2184-2192.

[10]	张兆宁, 孟凡淑. 基于复杂网络的多机场航班延误传播分析[J]. 科学技术与工程, 2024, 24(18): 7913-7920.

[11]	Zhang Zhaoning, Meng Fanshu. Complex network-based analysis of multi-airport flight delay propagation[J]. Science Technology and Engineering, 2024, 24(18): 7913-7920.

[12]	张延禄, 晁卓毅, 杨乃定, 等. 基于级联失效的新能源汽车研发网络关键节点企业识别[J]. 系统工程理论与实践, 2024, 44(12): 3997-4010.

[13]	Zhang Yanlu, Chao Zhuoyi, Yang Naiding, et al. Research on identification of key node enterprises of new energy vehicle network based on R&D cascading failures[J]. Systems Engineering-Theory & Practice, 2024, 44(12): 3997-4010.

[14]	孙菁源, 邵荃, 朱培, 等. 考虑不同人为因素的机坪碰撞风险动态评估方法[J]. 科学技术与工程, 2024, 24(28): 12374-12381.

[15]	Sun Jingyuan, Shao Quan, Zhu Pei, et al. Dynamic assessment method for apron collision risk considering different human factors[J]. Science Technology and Engineering, 2024, 24(28): 12374-12381.

[16]	张宇辉, 胡思睿, 常鑫. 飞机雷雨情景着陆冲出跑道风险预警模型[J]. 科学技术与工程, 2024, 24(33): 14491-14501.

[17]	Zhang Yuhui, Hu Sirui, Chang Xin. Risk early warning model for aircraft runway overturn during thunderstorm landing scenarios[J]. Science Technology and Engineering, 2024, 24(33): 14491-14501.

[18]	田晓敏, 李晓冬. 基于故障树-模糊贝叶斯网络的装配式建筑施工质量风险分析[J]. 科学技术与工程, 2024, 24(30): 13119-13126.

[19]	Tian Xiaomin, Li Xiaodong. Quality risk analysis of prefabricated building construction based on fault tree analysis-fuzzy Bayesian network[J]. Science Technology and Engineering, 2024, 24(30): 13119-13126.

[20]	伍佳妮, 侯晶, 石家豪, 等. 基于云模型的危险品跨境多式联运风险评价[J]. 科学技术与工程, 2024, 24(36): 15736-15742.

[21]	Wu Jiani, Hou Jing, Shi Jiahao, et al. Risk assessment of cross-border multimodal transportation of dangerous goods based on cloud model[J]. Science Technology and Engineering, 2024, 24(36): 15736-15742.

[22]	冯芬玲, 蔡明旭, 贾俊杰. 基于多层复杂网络的中欧班列运输网络关键节点识别研究[J]. 交通运输系统工程与信息, 2022, 22(6): 191-200.

[23]	Feng Fenling, Cai Mingxu, Jia Junjie. Key node identification of China railway express transportation network based on multi-layer complex network[J]. Journal of Transportation Systems Engineering and Information Technology, 2022, 22(6): 191-200.

[24]	陈晓红, 刘朝明, 傅文润, 等. 基于多层网络耦合传播模型的供应链网络中断风险传播研究[J/OL]. 系统工程理论与实践, 1-20[2026-02-12]. https://kns.cnki.net/kcms/detail/11.2267.N.20250227.1026.016.html.

[25]	Chen Xiaohong, Liu Chaoming, Fu Wenrun, et al. Research on supply chain network disruption risk propagation based on coupled model in multiplex network[J/OL]. Systems Engineering-Theory & Practice, 1-20[2026-02-12]. http://kns.cnki.net/kcms/detail/11.2267.N.20250227.1026.016.html.

[26]	钱水土, 尤航, 张潇元. 多层网络视角下产业链风险跨行业传染的机制研究[J]. 中国工业经济, 2024(10): 62-80.

[27]	Qian Shuitu, You Hang, Zhang Xiaoyuan. The mechanism of cross-industry contagion of industrial chain risks from the perspective of multi-layer networks[J]. China Industrial Economics, 2024(10): 62-80.

[28]	余自强, 朱毅, 唐鸣遥, 等. 基于有向多层网络的海外安全风险跨国传导预警模型研究[J]. 情报杂志, 2025, 44(4): 91-98.

[29]	Yu Ziqiang, Zhu Yi, Tang Mingyao, et al. Research on trans-border transmission and early warning model of overseas security risks based on directed multi-layer networks[J]. Journal of Intelligence, 2025, 44(4): 91-98.

[30]	马壮林, 邵逸恒, 舒兰, 等. 多层网络视角下地铁网络脆弱性分析[J]. 中国安全科学学报, 2023, 33(8): 164-172.

[31]	Ma Zhuanglin, Shao Yiheng, Shu Lan, et al. Vulnerability analysis of metro network from perspective of multi-layer network[J]. China Safety Science Journal, 2023, 33(8): 164-172.

[32]	刘璐, 陈玲, 朱晓波, 等. 航空器冲偏出跑道事件关键人为因素分析方法[J]. 科学技术与工程, 2025, 25(22): 9640-9648.

[33]	Liu Lu, Chen Ling, Zhu Xiaobo, et al. Analytical method for critical human factors in the event of runway overrun and veer off[J]. Science Technology and Engineering, 2025, 25(22): 9640-9648.

[34]	孙晓哲, 王家璇, 杨建忠. 基于STPA-Bayes模型的航空事故致因分析与风险评估[J]. 科学技术与工程, 2025, 25(20): 8714-8724.

[35]	Sun Xiaozhe, Wang Jiaxuan, Yang Jianzhong. Cause analysis and risk assessment of aviation safety accidents based on STPA-Bayes model[J]. Science Technology and Engineering, 2025, 25(20): 8714-8724.

[36]	王玉昆, 王兆华, 丁月婷. 基于系统动态响应的天然气发展路径演化及供需系统韧性测度[J/OL]. 系统工程理论与实践, (2025-03-12)[2025-03-30]. http://kns.cnki.net/kcms/detail/11.2267.N.20250311.2213.006.html.

[37]

Wang Yukun, Wang Zhaohua, Ding Yueting. Evolution of natural gas development path and resilience measurement of supply and demand system based on system dynamic response[J/OL]. Systems Engineering-Theory & Practice, (2025-03-12)[2025-03-30]. http://kns.cnki.net/kcms/detail/11.2267.N.20250311.2213.006.html.

[38]	吴维, 罗欣然, 魏明. 基于SD模型的跑道侵入风控网络脆弱性分析[J]. 中国安全科学学报, 2021, 31(4): 41-48.

[39]	Wu Wei, Luo Xinran, Wei Ming. Vulnerability assessment of runway intrusion risk control network based on SD model[J]. China Safety Science Journal, 2021, 31(4): 41-48.

[40]	Dilay Ç. A system dynamics model for regulatory impact assessment in transport of dangerous goods[J]. Journal of Simulation, 2021, 15(3): 191-201.

基金资助

国家重点研发计划(2024YFB4303900)

中央高校基本科研业务费项目(3122025038)

PDF (6235KB)

访问

被引

详细

导航

Received	Published	Revised
2025-07-11	2026-05-08	2025-11-28
Online Date
2026-08-06

摘要