基于有向复杂网络的跑道安全风险识别和传播

吕晨辉; 李明捷; 王涛; 冯晓磊

doi:10.12404/j.issn.1671-1815.2507168

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (9) :4018-4026 DOI: 10.12404/j.issn.1671-1815.2507168

环境科学、安全科学

基于有向复杂网络的跑道安全风险识别和传播

吕晨辉 ¹^,² ,
李明捷 ¹^,²^,^* ,
王涛 ³ ,
冯晓磊 ¹

作者信息 +

Runway Safety Risks Identification and Propagation Based on Directed CN

LÜ Chen-hui ¹^,² ,
LI Ming-jie ¹^,²^,^* ,
WANG Tao ³ ,
FENG Xiao-lei ¹

Author information +

文章历史 +

摘要

跑道风险识别对机场整体安全和效率至关重要,但目前研究多面向跑道安全事件致因分析,忽略风险动态传播机理。针对此问题,提出了一种基于事件树分析和复杂网络的综合模型。首先,提取事故链信息,构建了涵盖人员、设备、环境和管理4个维度的跑道安全风险网络,并考虑安全管控的延迟效应,采用传染病模型(susceptible-infectious-recovered-susceptible model, SIRS)模拟了风险的发生、扩散、缓解及再次发生的过程。实验结果表明,所提模型能再现跑道安全风险传播的机理和规律,人员因素和管理因素为风险传播的关键节点,尤其是“组织培训不足”和“训练/经验不足”风险扩散最强,传染成功峰值分别为0.595 238和0.571 429。针对关键节点进行安全管理能有效抑制风险传播。研究结果为提升机场运行安全管理提供了新的思路和方法。

Abstract

Runway risk identification is crucial for ensuring airport safety and operational efficiency. However, existing studies mainly focus on causal analysis of runway safety incidents while neglecting the dynamic mechanism of risk propagation. To address this gap, an integrated model combining event tree analysis (ETA) and complex network theory was proposed. Accident chain information was extracted to construct a runway safety risk network encompassing four dimensions including personnel, equipment, environment, and management. Considering the delay effect of safety control measures, the susceptible-infectious-recovered-susceptible (SIRS) model was employed to simulate the processes of risk occurrence, diffusion, mitigation, and recurrence. Simulation results demonstrate that the proposed model can reproduce the underlying mechanisms and patterns of runway risk propagation. Personnel and management factors serve as key nodes in risk transmission, particularly “insufficient organizational training” and “inadequate training/experience,” which exhibit the highest diffusion intensities with peak infection rates of 0.595 238 and 0.571 429, respectively. Targeted safety management for these key nodes can effectively suppress risk propagation. This study provides a new methodological framework for enhancing airport operational safety management.

Graphical abstract

关键词

复杂网络 / 风险传播 / 事件树分析 / SIRS模型 / 跑道安全风险

Key words

complex network / risk propagation / event tree analysis / SIRS model / runway safety risk

引用本文

引用格式 ▾

吕晨辉, 李明捷, 王涛, 冯晓磊. 基于有向复杂网络的跑道安全风险识别和传播[J]. 科学技术与工程, 2026, 26(9): 4018-4026 DOI:10.12404/j.issn.1671-1815.2507168

LÜ Chen-hui, LI Ming-jie, WANG Tao, FENG Xiao-lei. Runway Safety Risks Identification and Propagation Based on Directed CN[J]. Science Technology and Engineering, 2026, 26(9): 4018-4026 DOI:10.12404/j.issn.1671-1815.2507168

登录浏览全文

4963

注册一个新账户忘记密码

跑道作为航程的起点和终点,是飞行中风险最高的区域。国际航空界素有“黑色8分钟”之说,即起飞3分钟与着陆5分钟占全部事故的约70%。近年来,随着航空交通量和跑道数量的增长,跑道不安全事件显著增加。据美国联邦航空管理局(FAA)统计,2002—2015年,共记录跑道入侵事件16 785起,凸显该问题的普遍性^[1]。中国民用航空局安全数据显示,2020—2024年全国共报告跑道安全相关事件205起,其中跑道侵入117起、偏出或冲出跑道84起、错误进入跑道4起。上述事件中包含若干严重征候,但未造成运输航空飞行事故。总体来看,跑道侵入与偏出/冲出是当前跑道运行安全的主要风险类型。

考虑到跑道安全事件对飞行安全产生的显著影响,国内外许多学者在导致跑道安全事件的致因分析和风险演化评估方面展开了研究。徐一旻等^[2]通过故障树分析和贝叶斯网络模型的结合,指出人员因素的影响程度最大,其次是管理因素,而环境因素和设备因素的影响相对较小。Bhargava等^[3]通过分析国家运输安全数据库中的跑道入侵报告,指出大多数事件源于人类错误,强调了对这些错误的深入理解对于提高安全性的重要性。此外,刘璐等^[4]构建了人为因素调查决策支持模型,得到航空器冲偏出跑道事件人为因素致因链条。在环境因素方面,天气条件、机场流量和机场几何布局等都被认为是影响跑道安全的重要因素。Lower等^[5]利用模糊集理论分析了跑道入侵事件,发现天气条件和机场流量对跑道入侵的发生有显著影响。机场的管理程序和安全文化也被认为是影响跑道入侵的重要管理因素。Zhang^[6]通过决策实验室分析(decision-making trial and evaluation laboratory, DEMATEL)和解释结构模型(interpretive structure modeling, ISM)分析了管理因素在跑道入侵中的作用,认为机场领导对安全的关注程度是根本因素。Stroeve等^[7]则通过多智能体动态风险模型与事件序列分析的对比,指出安全风险的产生是来自于整个系统的交互作用。设备因素同样不可忽视,设备的可靠性和技术水平直接影响到跑道的安全性。Goodheart^[8]强调了技术和组织因素在跑道入侵中的交互作用,提出需要从系统层面进行综合分析,以更好地理解跑道入侵的动态特性。吴维等^[9]通过灰色关联理论和系统动力学模型分析了跑道入侵风险的核心致因,指出机组未正确复诵指令以及机组人员培训不足是关键风险因素。此外,牟奇锋等^[10]通过对国内外典型跑道入侵案例的深入分析,确定了54个风险因素,并建立了复杂网络模型,强调了机组未正确复诵指令和培训不足是跑道入侵事件发生的关键风险因素。

在具体案例分析中,研究者们通过对不同机场的跑道入侵事件进行深入剖析,揭示了影响因素之间的相互作用。例如,宋广宏^[11]通过系统理论事故模型分析了管制员、机组和跑道内车辆与人之间的交互关系,指出这些因素的相互作用是导致跑道入侵的系统级风险。此外,袁乐平等^[12]通过建立跑道入侵事件致因网络模型,分析了培训和经验不足等关键致因在事件发生中的重要性,强调了对这些因素的有效控制是降低跑道入侵风险的关键。Kim等^[13]识别了15种导致跑道入侵的危险因素,并利用故障树分析评估了每种危险的风险频率。研究表明,人为错误与跑道入侵之间存在密切关系。

在风险管理策略方面,Stroeve等^[14]指出,现有的安全管理往往基于事件的严重性判断,而忽视了事件的根本原因和风险影响。因此,建立一个能够系统性评估所有跑道入侵事件的框架可以更好地理解事件的成因和风险。此外,Stroeve等^[15]通过蒙特卡洛模拟方法,展示了如何评估跑道入侵场景下的碰撞风险,强调了动态多智能体模型在安全相关场景中的应用,这为系统性事故评估提供了新的思路。张宇辉等^[16]提出了一种飞机雷雨情景着陆冲出跑道风险预警方法,为机场管理者在雷雨天气下的航班运行管理、风险处置策略提供重要参考。

综上,现首次将事件树分析与复杂网络理论结合,用于刻画跑道安全风险从致因到顶事件的有向传播机制,相较于传统的贝叶斯网络或模糊评价模型,更能反映多因素耦合和时序传播特征;引入传染病模型(susceptible-infectious-recovered-susceptible model, SIRS)动态模型,模拟风险的发生、扩散、缓解及再次出现过程,突破既有研究仅静态识别关键因素的局限;通过网络中心性指标识别关键风险节点,并与仿真传播规律结合,为机场安全管理部门提供了“识别-控制-反馈”的系统化风险防控思路。从系统网络传播角度揭示管理与人员因素在风险演化中的交互放大效应,为理解机场复杂系统风险耦合机制提供新的定量化工具。

1 跑道安全风险有向复杂网络构建

1.1 事故征候报告调查和数据搜集

事件链(event chain, ETA)是一种用于分析事故发展过程中涉及的关键事件序列的模型。通过调查跑道安全事故征候报告和不安全事件报告,采用事件树分析的方法,从每一报告中提取事故链信息。每份安全报告被拆解为一系列事件,分为以下3类。

(1)初始事件是事故链的起点,标志着风险的最初形成。这些事件为后续事故的发生提供了基础条件。

(2)发展事件位于事故链的中间,起到过渡的作用,连接初始事件和顶事件。在此阶段风险因素在事件链中积累并传播。

(3)顶事件则是事故链的终点,代表最终的事故、事故征候或不安全事件。在此阶段标志着风险传播的结束。

对于报告中语义相近但表述不一的事件,采用了语义分析方法进行标准化处理,通过语义分析和专家判断识别关键事件。提取的事件分为初始事件、发展事件和顶事件,反映它们在运行风险进展中的作用。然后根据风险因素和事件之间的时间顺序、逻辑依存关系或顺承关系,确定每一报告中各致因因素和事件之间的关联关系。

网络中的每个节点代表跑道安全管理过程中可能遇到的致因因素或特定事件类型。致因因素覆盖了人、机、环境、管理等多维度,以及由它们引发的具体事件类型。为了简化网络并减少重复,当不同事故链中出现相同的风险因素或事件类型时,相似的风险因素或事件类型将被合并为单一节点。边代表了节点之间的逻辑联系,反映了从一个节点到另一个节点的发展顺序或因果关系。边的方向指示了风险传播的路径,即从初始事件经过一系列中间事件最终可能导致的顶级事件。在构建过程中,对于相同节点间的重复链接,即表示相同事件之间的多条边进行合并,以消除冗余边。通过这样的处理,跑道安全风险网络能够映射出各致因因素和各事件类型之间的复杂相互作用关系。跑道安全风险网络的构建原理如图1所示。

1.2 复杂网络的定义与适应性

复杂网络是指节点数量较多、连接关系复杂,具有“小世界性”和“无标度性”的网络系统。其典型特征包括:①节点之间存在非均匀的连接关系,少数节点或者说枢纽节点具有较高的度值;②网络平均路径较短、聚类系数较高,表现出“小世界特性”;③节点度分布服从幂律分布,具有“无标度特性”。

研究所构建的跑道安全风险网络包含41个节点和344条有向边,节点间的连接呈现明显的非均匀性,少数人员与管理类节点的度值远高于其他节点。通过度分布检验,节点出度分布近似幂律形式,且平均路径长度较短(L=2.703 9)、聚类系数较高,符合复杂网络的基本特征。因此,将跑道安全风险网络视为有向复杂网络是合理的,这有助于通过复杂网络理论分析其跑道安全风险传播规律及关键节点作用。

1.3 有向复杂网络结构分析

定义G为跑道安全风险网络,表达式为

(1)$G=(V,E)$

式(1)中:V={v_i,i∈N}为节点集合;E={e_ij,i≠j,i,j∈N }为边集合,e_ij=(v_i,v_j),说明e_ij为自v_i指向v_j的有向边。

1.3.1 复杂网络结构特征

(1)平均度。平均度表示网络中所有节点的度的平均值。度是指一个节点与其他节点相连的边的数量。在有向网络中,度可分为出度和入度。由于网络的出度总和与入度总和相等,因此平均出度和平均入度也相等,统称为平均度。设N为网络节点的总数, k(i)为节点i的度,网络的平均度<k>为

(2)$<k>=\frac{1}{N}\stackrel{N}{\sum _{i=1}}k\left(i\right)$

(2)网络密度。网络密度D表示网络中实际边数与最大可能边数之间的比例,说明跑道安全风险网络的紧密程度,对于有向网络,有

(3)$D=\frac{E}{N(N-1)}$

(3)平均最短路径长度。平均最短路径长度L是网络中所有节点对之间最短路径长度的平均值,反映一个节点传播到另一个节点所需的平均长度。d(i,j)是节点i到节点j之间的最短路径长度,平均最短路径长度L表示为

(4)$L=\frac{1}{N(N-1)}\sum _{i\ne j}d(i,j)$

(3)网络直径。网络直径D_m是网络中最长的最短路径的长度,指出了风险传播可能的最大范围。

(5)${D}_{\mathrm{m}}=\underset{i\ne j\in V}{\mathrm{m}\mathrm{a}\mathrm{x}}\left[d\right(i,j\left)\right]$

(4)全局效率。全局效率E_glob是网络中信息传输效率的度量,定义为所有节点对之间效率的平均值,表达式为

(6)${E}_{\mathrm{g}\mathrm{l}\mathrm{o}\mathrm{b}}=\frac{1}{N(N-1)}\sum _{i\ne j\in V}\frac{1}{d(i,j)}$

1.3.2 网络风险传播中关键节点的量化

节点的重要性不仅由其本身的信息决定,还受到其邻居节点的影响。为量化评估机场跑道安全风险网络中各节点的位置和作用,通过评估节点的邻居数量,从而判断节点的重要程度。此外,分析节点在网络路径中的连接作用也是量化其在风险传播路径中特殊性的关键。在所定义的跑道安全风险网络中,风险沿节点下游传递。基于此,选择出度中心性、邻居出度中心性和介数中心性评估节点重要性。

(1)出度中心性。出度中心性是基于节点直接出度衡量其影响力,该指标反映节点在网络中直接影响其他节点的能力。将节点出度在网络规模下标准化。得到节点i的出度中心性为

(7)${C}_{\mathrm{o}\mathrm{u}\mathrm{t}}\left(i\right)=\frac{\sum _{i\in V}{k}_{i}^{\mathrm{o}\mathrm{u}\mathrm{t}}}{N-1}$

(2)邻居出度中心性。邻居出度中心性是衡量一个节点的邻居节点的出度之和,该指标反映了其邻居节点的外部活跃程度。节点i的邻居出度中心性为

(8)${N}_{\mathrm{o}\mathrm{u}\mathrm{t}}\left(i\right)=\sum _{j\in \Gamma \left(i\right)}{k}_{\mathrm{o}\mathrm{u}\mathrm{t}}\left(j\right)$

式(8)中:$\Gamma \left(i\right)$为i的邻居节点集合;k_out(j)为节点j的出度。

(3)介数中心性。介数中心性衡量所有节点对之间最短路径出现的频率,该指标反映了节点在网络中的中介作用。节点i的介数中心性为

(9)${C}_{\mathrm{B}}\left(i\right)=\frac{1}{2(N-2)(N-1)}\sum _{s\ne t\ne i\in [1,N]}\frac{{\delta }_{st}\left(i\right)}{{\delta }_{st}}$

式(9)中:${\delta }_{st}\left(i\right)$为所有节点s到t的最短路径经过节点i的数量;${\delta }_{st}$为节点j到k的最短路径数量。

1.4 风险传播分析

采用SIRS模型模拟跑道运行风险的发生、扩散、缓解及再次发生的机制。与经典的SIR模型不同,SIRS模型考虑即使节点经过恢复,也可能因为风险管理效果的衰减而重新变得易感,从而更加符合跑道运行的实际情况。

在本文模型中,已识别的跑道安全致因因素的节点处于以下3种状态之一。

易感状态(S):节点尚未受到风险影响,但可能受到感染。

感染状态(I):节点当前受到风险影响,并且能将风险传播给其他易感节点。

缓解状态(R):节点从感染状态恢复,但可能因为管控效果衰减重新变成易感状态。

设S(t)、I(t)、R(t)分别为在t时刻,系统中易感节点,传染节点和缓解节点比例,同时满足条件为

(10)$S\left(t\right)+I\left(t\right)+R\left(t\right)=1$

易感节点比例变化率描述了易感节点转变为感染节点的过程,主要受到当前感染节点比例和易感节点之间的交互作用影响,同时也包括了从缓解状态失去免疫力回到易感状态的节点,即

(11)$\frac{\mathrm{d}S}{\mathrm{d}t}=-\beta S\left(t\right)I\left(t\right)+\gamma R\left(t\right)$

式(11)中:β为风险从感染节点传播到易感节点的概率;γ为感染节点恢复成缓解节点的概率。

传染节点比例的变化率描述了新的感染发生和感染节点恢复的过程,即

(12)$\frac{\mathrm{d}I}{\mathrm{d}t}=\beta S\left(t\right)I\left(t\right)-\alpha I\left(t\right)$

式(12)中:α为恢复概率,即感染节点转变为恢复状态的概率。

缓解节点比例的变化率描述了感染节点恢复,以及缓解节点因失去免疫力而转变为易感状态的过程,即

(13)$\frac{\mathrm{d}R}{\mathrm{d}t}=\alpha I\left(t\right)-\gamma R\left(t\right)$

在进行仿真分析时,采用Python编程迭代上述方程20个周期,模拟风险在跑道环境中的传播过程,可以观察到随时间变化的S(t)、I(t)、R(t)的动态。为了获得稳定和可靠的仿真结果,进行500次的仿真实验,每次实验以不同的节点作为初始感染节点或概率参数进行,计算每个周期易感状态比例(S)、传染状态比例(I)和恢复状态比例(R),评估风险传播的动态变化。

2 数据分析和方法应用

2.1 跑道安全风险网络构建

基于2020—2024年中国民用航空信息网发布的详细数据,28份事故征候调查报告和177条一般事件数据,所分析的事件涵盖跑道混淆事件、偏/冲出跑道事件、跑道侵入事件等3类事件。事故征候调查报告详细地记录了事故征候发生的原因、经过、结果和采取整改措施,为理解事故征候发生的背景和识别风险链条提供丰富细节。与事故征候调查报告相比,一般事件数据记录相对简略,且因上报人员差异,数据的完整性和一致性存在不同。因此,在一般事件的数据选取过程中,只关注提供事故经过、原因分析及后续措施等全面信息的记录。

依据《航行服务程序—机场(doc9981)》和《事件样例》,通过对205例跑道安全事件进行统计,从引起跑道安全事件发生的原因中定性分析出致因,并对报告中语义相近的风险因素和事件进行归类,形成了5个层次的41个致因因素和3类事件。如表1所示。

提取所有事件报告的事件链,依据1.1节的网络构建原理,最终形成41个节点,344条有向边的跑道安全风险网络,如图2所示。

2.2 跑道安全风险网络分析

在构建了跑道安全风险网络后,根据1.2.1节对其结构进行量化分析,得出了一系列关键的静态指标,以评估网络的连接性、效率和传播潜力。如表2所示,网络整体结构参数均为无量纲参数。网络密度为0.056 7,网络密度较低,属于稀疏网络,表明跑道安全风险网络中节点间连接的紧密程度较低,风险传播路径和范围较为固定。网络的平均度数为4.536 6,表明每个节点平均与其他4.536 6个节点直接相连。网络的平均最短路径长度为2.703 9,这表示在网络中,任意两个节点间的平均距离为2.703 9步。网络的最大直径为6,即网络中任意两个节点之间的最长的路径长度。表明在最糟糕的情况下,风险传播需要经过6个中介节点。网络的全局效率为0.332 1,此指标衡量整个网络中节点间风险传递的效率,较低的全局效率指出在风险传播过程中可能存在延迟。这些指标综合反映了跑道安全风险网络在安全管理和风险评估方面的基础特性。网络的稀疏性和低效率可能导致风险响应速度减慢,从而影响整个跑道安全。

2.3 跑道安全风险节点重要性量化

根据1.2.2节,综合出度中心性(out-degree centrality,OC)、邻居出度中心性(neighbor out-degree centrality,NC)和介数中心性(betweenness centrality,BC),评估指标对跑道安全风险的具体影响,出度中心性、邻居出度中心性和介数中心性排名前5节点如表3所示。

如表3所示,出度中心性衡量了节点直接影响其他节点的能力。具有较高出度中心性的节点表明其在网络中直接影响较多的其他节点,成为风险传播的主要源头。在出度中心性排名前五的节点中,人员因素占比60%,显示如“N25 情景意识丧失”“N24 训练/经验不足”和“N20 机组操作失误”为出度中心性最大的3个节点,分别为0.4、0.325、0.275,对其他节点的影响尤为显著。这类因素突显了直接触发跑道安全风险的能力。

邻居出度中心性揭示了节点通过与其他高影响节点的联系来扩散风险的机制。在邻居出度中心性排名前五的节点中,“N2 机组资源管理失效”“N3 组织培训不足”和“N4 跑道安全监管缺失”等管理因素占比60%。这些管理因素不仅与彼此紧密相连,而且与其他高风险节点形成了密切的网络联系,从而显著增强了它们在网络中的中心地位并加剧了由管理漏洞导致的风险。环境因素“N13 道面湿滑(雨雪)”不仅直接影响操作安全,而且,通过与如“N27 机组应急处置能力不足”等人员因素的交互作用,增强了潜在安全问题的严重性。此类相互作用表明,单一的环境因素也能通过与关键的人员问题相连接,对跑道安全风险构成威胁。

介数中心性体现了节点与网络其他区域的连接程度,较高的介数中心性节点控制着风险传播的关键路径。“N25 情景意识丧失”作为介数中心性最高的节点,表明人员丧失情景意识的不足不仅影响单一操作,还可能通过多个操作路径影响整个系统的安全性。在中心性分析中,进一步验证了人员因素在风险传播网络中的重要性。在事件链分析中发现虽然人员因素作为起点的事件仅占不到40%,但通过度中心性、接近中心性和中介中心性指标,可以清楚地看到人员因素在网络中的高连接性和影响力。这表明人员因素不仅在跑道安全风险网络中的结构位置上占据关键地位,而且直接影响了其他的风险节点,从而在事故的整个发展链中发挥了重大作用。

2.4 网络传播模拟分析

根据1.3节内容及飞行员、管制员与地面保障人员的调研记录,设定β=0.5、γ=0.3、α=0.05。以管理、设备、环境和人员类风险节点为初始感感染源,通过编程模拟20个周期的风险传播过程。为了消除随机性影响,对每个节点执行了500次风险仿真,并计算平均值。

根据2.3节的结论,人员因素在网络中发挥核心枢纽作用。图3显示了基于出度中心性、邻居出度中心性、介数中心性排名前4的人员因素作为风险源的传播效果。对比分析显示,传染状态节点比例随时间增加先减少后增加,易感和恢复状态节点比例先增加后减小。“N24 训练/经验不足”作为初始感染源,在第4周期达到了传染状态比例的最高峰值0.571 429。由此可见,机组人员、管制员、地面场务人员缺乏培训经验,将导致跑道日常运行面临安全风险时,迅速将风险扩散至其他节点,使传染状态的节点比例迅速上升。其恢复状态比例的峰值在第12周期出现为0.761 905,说明加强各岗位人员培训,提升人员工作能力及工作经验,能使网络中更多节点进入风险缓解状态,减少跑道安全风险发生的可能。

图4为设备因素作为初始风险源的传播效果。“N15 航空器操纵系统异常”作为初始感染源,在第6周期达到了传染状态比例的最高峰值0.5。这是因为航空器设备在生命周期内都有可能发生故障,或是外部复杂环境引起的连锁反应,因此航空器操纵困难表现出最大的风险扩散作用。以“N16 航空器轮胎失效”和“N17 无线电通信中断”作为初始感染节点,相较于航空器操纵困难因素表现出较高的缓解状态,比例峰值为0.785 714,原因在于相较于引发航空器操纵困难的复杂性,“N16 航空器轮胎失效”和“N17 无线电通信中断”更易被识别和防范。

图5显示了基于出度中心性、邻居出度中心性、介数中心性排名前4的环境因素作为风险源的传播效果。其中,“N10 跑道障碍物存在”“N13 道面湿滑(雨雪)”和“N14 强风/乱流影响”属于影响跑道安全的直接影响因素,会直接导致跑道安全事件的发生,因此相对于“N9 跑道/滑行道布局复杂”等间接因素传播峰值更高。例如,“N13 道面湿滑(雨雪)”和“N14 强风/乱流影响”在第6周期达到了传染状态比例的峰值为0.547 619。强风、雨雪等直接通过外部作用使设备或飞机产生物理位移,或是通过阻碍视线或造成地面湿滑增加机组、地面保障人员操作难度。这种直接性的影响机制和引发的多重风险因素,使得在环境因素中表现出最强的风险扩散效应。“N9 跑道/滑行道布局复杂”等间接影响因素的传染峰值相对较低,并且传播速度较慢。这表明这些因素的风险影响更多是通过逐步累积的方式体现,且操作人员和管理层可以通过适应和调整来缓解其影响。例如,“N9 跑道/滑行道布局复杂”高峰初期传染速度较快,但随着管理措施的优化和操作人员的适应,风险传播速度逐渐放缓。“N10 跑道障碍物存在”也表现出类似的自适应性,初期风险累积较慢,但通过地面维护、加强跑道外来物碎片(foreign object debris,FOD)监管等措施,其传播速度和影响强度得以控制。

图6为管理因素节点作为初始风险源的传播情况。具体来看,“N3 组织培训不足 ”在第4周期达到了传染状态的最高峰值0.595 238。这反映出虽然人员因素是影响跑道安全的重要因素,但管理因素与人员因素息息相关。例如,由于对机场工作人员及机组人员缺乏有效培训,这导致各岗位人员在日常运行时面对突发的跑道安全事件时,会迅速将风险扩散。“N4 跑道安全监管缺失”节点的传染峰值为0.452 381,恢复峰值最大为0.619 048,表明它在风险管理中激活了其他节点的控制和恢复机制。说明在机场日常运行过程中,出现的安全隐患大概率可以通过对跑道安全的监管进行缓解。

另外,为对SIRS模型仿真结果进行验证,对比了仿真趋势与实际跑道安全事件统计数据。根据2020—2024年民航局安全信息系统的205起跑道安全事件分析结果表明,人员及管理因素在事件链中作为主要诱因出现的比例分别为36.1%和28.3%,与模型中感染峰值最高的节点类型(人员与管理类)保持一致。此外,仿真结果中风险传播的峰值出现在第4~第6周期,与跑道安全事件中风险积累—爆发—缓解的时间规律基本相符。虽然仿真结果未能完全复现事件频度,但其趋势与实际统计特征基本一致,验证了模型在宏观层面对风险传播规律的解释力。

3 结论

通过对跑道安全事故征候报告和不安全事件报告的调查,采用事件树分析方法提取事件链构建了跑道安全风险网络。该网络涵盖人、机、环境和管理4个维度的风险因素,并通过SIRS模型模拟了风险的发生、扩散、缓解及再次发生的过程。

(1)网络静态分析显示,跑道安全风险网络属于稀疏网络,节点之间的连接较少,风险传播路径较为固定,传播速度较慢但范围较大。

(2)中心性分析表明,人员因素在出度中心性、邻居出度中心性和介数中心性中均表现突出,特别是“N25 情景意识丧失”和“N20 机组操作失误”。环境因素如“N13 道面湿滑(雨雪)”在邻居出度中心性中排名最高,显示了复杂环境在风险传播中的重要作用。管理因素如“N3 组织培训不足”在3种中心性指标中均表现出显著影响,突出了其关键地位。

(3)SIRS仿真分析结果表明,人员因素和管理因素总体上具有较高的传染成功比例,其中“N3 组织培训不足”“N24 训练/经验不足”的风险扩散最强。环境因素中,“N13 道面湿滑(雨雪)”和“N14 强风/乱流影响”的风险传播能力最强。设施设备因素中,“N15 航空器操纵系统异常”的感染状态比例较大。

综上所述,通过对跑道安全风险网络的静态结构分析、中心性分析和SIRS仿真分析,揭示了各类节点的风险传播特性。这些发现为进一步研究和改进跑道的安全管理提供了重要参考。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Jijo K M, Wesley L M, Sarah M H, et al. Statistical modelling of runway incursion occurences in the United States[J]. Journal of Air Transport Management, 2017, 65: 54-62.

[2]	徐一旻, 田梦莹, 李治, 等. FTA BN 在机场跑道入侵事故影响因素分析中的应用[J]. 安全与环境学报, 2023, 23(5): 1361-1367.

[3]	Xu Yimin, Tian Mengying, Li Zhi, et al. Analysis of influencing factors of airport runway incursion accident based on FTA BN[J]. Journal of Safety and Environment, 2023, 23(5): 1361-1367.

[4]	Bhargava D, Marais K. Narrative analysis of runway incursion reports in the national transportation safety board database to identify contributing human errors and its causes[J]. Proceedings of the Human Factors and Ergonomics Society Annual Meeting, 2022, 64(1): 144-148.

[5]	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.

[6]	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.

[7]	Lower M, Magott J, Skorupski J. Analysis of air traffic incidents using event trees with fuzzy probabilities[J]. Fuzzy Sets and Systems, 2016, 293: 50-79.

[8]	Zhang P K, Luo F. Influencing factors of runway incursion risk and their interaction mechanism based on DEMATEL-ISM[J]. Tehnicki Vjesnik, 2017, 24(6): 1853.

[9]	Stroeve S H, Blom H A P, Bakker G J B. Contrasting safety assessments of a runway incursion scenario: event sequence analysis versus multi-agent dynamic risk modelling[J]. Reliability Engineering and System Safety, 2013, 109: 133-149.

[10]	Goodheart B J. Identification of causal paths and prediction of runway incursion risk by means of Bayesian belief networks[J]. Transportation Research Record: Journal of the Transportation Research Board, 2013, 2400: 9-20.

[11]	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): 41-48.

[12]	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): 41-48.

[13]	牟奇锋, 郭花, 郝芮. 基于复杂网络的跑道侵入风险因素研究[J]. 计算机与数字工程, 2024, 52(3): 814-820.

[14]	Mou Qifeng, Guo Hua, Hao Rui. Research on risk factors of runway incursion based on complex network[J]. Computer & Digital Engineering, 2024, 52(3): 814-820.

[15]	宋广宏. 基于复杂系统模型的跑道侵入安全风险分析[J]. 中国民航大学学报, 2020, 38(6): 21-25.

[16]	Song Guanghong. Safety risk analysis of runway intrusion based on complex system model[J]. Journal of Civil Aviation University of China, 2020, 38(6): 21-25.

[17]	袁乐平, 赵力梵, 张文东, 等. 基于复杂网络的民航跑道侵入事件分析[J]. 安全与环境学报, 2023, 23(5): 1368-1375.

[18]	Yuan Leping, Zhao Lifan, Zhang Wendong, et al. Analysis of civil aviation runway incursion incident based on complex network[J]. Journal of Safety and Environment, 2023, 23(5): 1368-1375.

[19]	Kim D, Yang H. Evaluation of the risk frequency for hazards of runway incursion in Korea[J]. Journal of Air Transport Management, 2012(23): 31-35.

[20]	Stroeve S H, Som P, Doorn B A V, et al. Strengthening air traffic safety management by moving from outcome-based towards risk-based evaluation of runway incursions[J]. Reliability Engineering & System Safety, 2016, 147: 93-108.

[21]	Stroeve S H, Blom H A P, Bakker G J. Systemic accident risk assessment in air traffic by Monte Carlo simulation[J]. Safety Science, 2009, 47(2): 238-249.

[22]	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.

[23]	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.