基于Logistic回归的民航ASIS风险辨识仿真

杨骁勇，刘尚豫，张 辉，张 恒

(1. 中国民用航空飞行学院民航安全工程学院，四川 广汉 618307； 2. 四川大学公共管理学院，四川 成都 610065)

1 引言

旅游行业的发展会带动国内经济的发展，也能推动民航业的进步。飞机是如今必不可少的交通工具之一[1]。机场安检是保证飞行安全的关键环节，也是保证旅客飞行安全的重要关卡。民航机场的安检过程若存在安全隐患，极有可能造成惨重后果[2]。目前，尽管各个民航机场都加大安检力度，但还容易出现安全风险问题。因此，为提升民航机场安检系统的工作效率，需要增强其风险辨识能力。

文献[3]中提出面向风险评估的关键系统识别方法。该方法首先根据业务流程关联树获得评价属性矩阵，再由业务流程关联网络取得系统关联矩阵。利用这两个矩阵构造风险关联评价矩阵，再采用加权法对系统内的重要指数进行计算，从而辨识关键业务系统的风险。然而该方法未对风险因素展开分析，存在旅客停留安检区域时间长的问题。

文献[4]针对地铁运营系统设计一种安全风险辨识流程及危险因素研究方法。该方法通过建立安全风险分类流程对危险源进行识别，在辨识的过程中要将所有作业链进行分析，并采取相应的应对措施对即将发生的事故进行控制和预防。文献[5]中提出基于灰色层次分析的机场安检系统风险评价与辨识方法。该方法从安检人员、安检设备、机场环境和制度管理4个角度识别出机场安检的17个危险源，从而构建风险评价指标体系，再利用灰色层次分析法对风险指标展开评价，根据评价结果完成风险辨识。然而上述两种方法在辨识风险因素时仅考虑综合性概念，未考虑风险因素的重要性程度，增加了风险辨识时间，导致其存在旅客停留安检区域时间长的问题。

Logistic回归分析是一种线性回归分析的过程，目前，其在数据定向挖掘与预测等领域中有广泛应用。通过logistic回归分析能够计算自变量指标的权重，从而根据各指标的重要程度判别其风险性。因此，为解决上述传统方法存在的不足，本研究基于Logistic回归设计了一种新的民航机场安检系统风险辨识方法。

2 风险因素分析

2.1 基于Logistic回归的风险分析模型

由于机场安检系统在安全检测中占据着重要地位，所以本研究通过构建Logistic回归模型对机场安检系统风险展开有效分析。

首先采用CSAFS算法在众多子集中选取最优特征子集Qbest，通过模型训练将自变量作为最优特征，对其展开Logistic回归分析[6]。此时，Logistic回归分析模型用方程表示为

(1)

式(1)中，最优特征子集Qbest的特征利用xi(i=1，2，3，…，n)来表示，α为常数项，ci(i=1，2，3，…，n)代表影响各个因素的权重，p为风险概率，且0≤p≤1。若Logistic回归值p与1相近，就意味着安检系统发生风险的可能性高；若Logistic回归值p与0相近，那么说明安检系统发生风险的可能性低。

在此基础上，采用物元理论，利用事物N、名称域C以及值域V来组建一个三元组R=(N，C，V)。基于此，构建一个机场安检风险因素辨识模型的三元组，其表达式如下

(2)

式(2)中，n表示机场安检过程中重要环节集合N的序数，机场安检过程中具有n个重要环节，在这些环节中它的风险因素集就用Rn表示；C表示第n个关键环节会发生的不安全事件域；V表示在C中可能会发生的风险因素值域；Z表示C中的序数；这时在第Z个机场安检不安全事件就用Cz表示，Vnz表示安检过程中Cz中的风险因素集。

针对机场安检的重要环节中会发生的不安全事件中的风险因素集Vnz，在Vnz内会存在相似的风险因素，此时可以将式(2)转换为如下形式

Rn=Vn1∪Vn2∪…∪Vnz

(3)

同理可得，在机场安检的所有环节N中，其风险因素集RN为RN=R1∪R2∪…∪Rn。

2.2 分析三元组

在机场安检过程中的重要环节中，可以采用流程分析法查找相关风险因素[7]。民航机场的主要安检的对象为乘客、行李和货物。这一过程中，安检门和金属探测器主要对乘客进行安检，X射线安检机对行李和货物进行扫描检测。具体的安检流程如图1所示。

根据流程分析的主要原理，将发生变动后会对安检流程产生重大影响的要素、活动等作为安全流程的关键点[8]。通过分析图1，总结出机场在安检的过程中主要有6个关键环节的作业岗位，分别为验证岗N1、引导岗N2、人身检查岗N3、X射线安检机岗N4、开箱包岗N5、爆炸物探测岗N6。

在机场安检岗位中，通过分析不安全事件的风险类型及其影响，获取这个岗位的风险影响因素[9]。经研究发现，共有四类不安全事件潜存于机场安检中，分别为：错检C1、忘检C2、漏检C3和与乘客发生冲突C4。

以人身检查岗N3作为案例，对不安全事件Cz发生时利用FMEA条件进行分析，从中获取所有风险因素V3z。此时，人身检查岗的主要风险因素就是技能水平不达标、不够敬业、经验不足和机器故障等。

即使机场内部的安检程序不相同，旅客在安检时受到影响的原因也相同，因此，就可以对其余5个安检岗位发生的不安全事件Cz进行辨识，包括：验证岗风险因素R1，引导岗风险因素R2，X射线操作岗风险因素R4，开箱包岗风险因素R5和爆炸物探测岗风险因素R6进行归类和合并，从而获取机场安检系统风险因素集RN。

2.3 构建机场安检系统风险因素集

针对上述获得的机场安检系统风险因素集RN内的风险因素进行分析和梳理，最终归类安检员、安检设备、环境因素、组织机构和制度等四个维度，取得机场安检系统在安检人员、安检机器、安检环境和安检管制下的风险影响因素集，如表1所示。

表1 机场安检系统风险因素

3 安检系统风险评估与辨识

3.1 构建判断矩阵

通过上述分析确定机场安检系统风险指标，采用AHP方法[10]构建安检系统安全评价模型，并对模型进行确立。利用九级标度对不同指标的重要程度进行划分，结果如下：

①9分，强烈认为指标A比指标B重要；

②7分：指标A比指标B的重要程度高；

③5分：指标A比指标B重要；

④3分：指标A比指标B略微重要；

⑤1分：指标A和指标B共同重要；

⑥1/3分：指标B比指标A稍微重要；

⑦1/7分：指标B比指标A的重要程度高；

⑧1/9分：强烈认为指标B比指标A重要。

利用以上评分标准，分别为专家对准则层和目标层的相对重要程度及指标层与准则层相对重要程度进行打分。

设置aij为要素i(i=1，2，…，m)对j(j=1，2，…，m)的重要程度打分，再通过aij组建判断矩阵A=(aij)m×m，然后在归一化处理后获得W=[w1,w2,…,wm]的权重向量。然后将CR=CI/RI作为一致性比例，RI作为随机指标，CI作为一致性指标，此时一致性指标用方程定义为

(4)

式(4)中，Ymax表示最大特征值。如果CR<0.1，则能够说明A=(aij)m×m具有一致性，否则就需要重新对判断矩阵进行构建，直到判断矩阵具有一致性为止。

3.2 机场安检系统风险评价与辨识

设定五个安检系统风险等级作为评分标准，分别为低风险(1分)、较低风险(2分)、正常风险(3分)、较高风险(4分)和高风险(5分)。

根据现有的风险信息来识别各个评价类别的白化权函数取值范围，此时灰数及白化权函数如下所示

当风险程度为低风险时，灰数∈[0，1，2]，此时将其白化权函数定义为

(5)

当风险程度为较低风险时，灰数∈[0，2，4]，此时其白化权函数定义为

(6)

当风险程度正常时，灰数∈[0，3，6]，此时其白化权函数表示如下

(7)

当风险程度较高时，灰数∈[0，4，8]，此时其白化权函数用方程定义如下

(8)

当风险程度为高风险时，灰数∈[0，5，10]，此时其白化权函数表示为

(9)

结合权重向量和灰类评价矩阵，设置Xi为风险综合评价向量，那么Xi=权重向量×灰类矩阵。对风险综合评价向量实施量化处理，从而完成对机场安检系统风险的辨识。

4 实验与分析

为了验证上述设计的基于Logistic回归的民航机场安检系统风险辨识方法的整体有效性，需要对该方法进行实验测试。

实验中，以旅客在安检区域停留时间为指标验证风险辨识方法的辨识效率，以安检安全程度为指标验证风险辨识方法的有效性。为增强实验对比性，分别采用基于Logistic回归的民航机场安检系统风险辨识方法(方法1)、面向风险评估的关键系统识别方法(方法2)、基于灰色层次分析的机场安检系统风险评价与辨识方法(方法3)展开有效性测试。

当旅客运行的安检系统中进行集中安检时，系统会对每位旅客的信息数据进行采集。设置共采集600位旅客的安检数据，采用三个方法分别对旅客在安检区域停留时间进行测试对比，实验结果如图2所示。

分析图2中的数据可知，在机场安检系统中分别搭载3种方法，经过风险辨识后，测试600名旅客在安检区域的停留时间。应用方法2后，在安检人数为100人时，其与方法1的旅客停留时间相同，但是随着旅客人数的增加，方法2旅客的停留时间大幅度增加，甚至超过方法3。应用方法3后，旅客安检区域停留时间呈缓平趋势小幅度上升，说明方法3的旅客停留时间高于方法1且低于方法2。相比之下，应用方法1后的旅客安检区域停留时间更短，说明其辨识效率更高。

方法1优于方法2和方法3的主要原因是因为在辨识安检系统风险时，利用Logistic回归分析模型计算各风险值的权重对造成机场安检系统风险的影响因素进行分析，从而获取了准确的风险影响因素集，为后续的风险辨识奠定良好基础，通过减少安检用时来缩短旅客在安检区域停留时间。由此可以看出，本文设计的基于Logistic回归的民航机场安检系统风险辨识方法的安检效率有显著的提高。

根据上文获取的民航机场安全系统风险辨识影响指标，将安保措施和社会安全管控作为变量，分别在标准安检系统中加入30%的安保措施变量和30%的社会安全管控变量。然后在三种方法后，对加入变量后的安检系统安全程度展开测试，测试结果如图3、4、5所示。

分析图3可以看出，在初始安检系统检测过程中，在应用方法2后，安检过程中从第10min开始，安全指数开始下降，到第20min后安全程度开始回升。应用方法3后，仅在第20min处安检系统的安全程度高于方法2。而应用方法1后，安检系统的安全程度要高于方法2和方法3。

分析图4可以看出，在初始测试的基础上，随着时间的增加逐步上升，应用方法2后的安检系统安全程度仍低于方法1。在加入安保措施变量后，方法3下的安全程度指数呈持续上升趋势缓慢上升，最终在20min-25min之间安全程度保持不变，说明方法3的安全程度在处于80%时已达到最佳状态。而加入30%变量后，方法1下的安全程度指数可达到97%。

3种方法加入30%的安保措施变量后，安全指数都有所提升，这说明三种方法的安检系统还存有欠缺，于是在图4的基础上再次加入30%的社会安全管控变量，所得结果如图5所示。

分析图5可以看出，在方法1加入30%的社会安全管控变量后，安全程度并没有增加，而是保持在97%，这说明方法1已经是最佳安检系统。而方法2加入变量后仍有上升的空间，由此可知应用方法2后的安检系统依旧需要完善。应用方法3后，安监系统在10min开始安全程度持平，说明安全程度达到78%已是方法3的最好状态。结合上述分析发现，方法1无论是在初始测试还是加入两次变量的测试中，都是不同方法中安全指数最高的。

产生上述结果的原因在于，基于Logistic回归的民航机场安检系统风险辨识方法在Logistic回归分析模型中计算各风险值的权重，并根据风险值重要性程度判断机场安检系统风险的主要因素，从而构建更有针对性的风险指标判断矩阵，增强对机场安检系统风险的有效辨识，使安检系统安全程度大大提高。

5 结束语

对民航机场安检系统风险进行有效辨识有利于提高民航旅行的安全程度，为此，本研究设计了基于Logistic回归的民航机场安检系统风险辨识方法。该方法的优势如下：

1)在Logistic回归分析模型中计算各风险值的权重，从而得到风险值重要性程度，由此可更有效地判断机场安检系统风险的主要因素，然后通过构建更有针对性的风险指标判断矩阵来增强对安检系统风险的有效辨识，使得安检系统安全程度得以提高。

2)通过对造成机场安检系统风险的影响因素的重要程度进行分析，能获取准确的风险影响因素集，为后续风险辨识奠定良好基础，从而通过减少安检用时来缩短旅客在安检区域的停留时间。

通过实验研究可以看出，该方法有效解决了目前方法中存在的问题，提高了安检系统风险辨识的多元性，在今后民航机场中有着较好的应用前景。