基于组合赋权-云模型的民航安保风险评估

杨川律,冯文刚,吴瑞鹏

(中国人民公安大学 国家安全学院,北京 100032)

据《年度民航行业发展统计公报》[1]显示,2020年旅客不文明行为事件共发生10 669起,较2015年增长约1000%,反映出高频次、低危害的扰乱性行为正对我国空防安全造成巨大影响。同时,截至2020年底,我国民航部门仅有在职空警2000余人、航空安全员3万余人,而民航客运飞机保有量却达到3903架,人机比例无法匹配,存在航空安保力量不足的问题。

基于目前民航安保的严峻形势,既有航空安保队伍已难以满足现行航班勤务派遣的需求,亟须构建新型空警动态派遣机制以缓解安保资源短缺问题。该机制先对各航班安保风险进行精准评估,进而根据风险等级自动派遣与之相适配的空警数量。新型空警动态派遣机制实现了传统人工派遣模式的自动化转变,能够在保障航班运行安全的同时,高效配置安保资源。

目前,国内学者多从航司管理[2]、民航从业人员[3]、机场安检[4]等维度评估航班运行风险。相较于此类风险因素,民航安保事件作为客舱内部风险,其发生频次更加密集,部分涉恐事件甚至直接威胁到乘客生命安全,具有极高的危害性;然而,当前我国民航安保领域研究尚未健全,缺乏基于民航安保事件的航班风险评估模型,致使空中安保力量难以与日益增长的安保事件相适配,给航班运行带来了一定的安全隐患。

此外,在民航风险评估方法层面,国外学者采用贝叶斯信念网络技术[5]、递归神经网络(RNN)[6]、Fine Kinney[7]等方法构建了航班安全评估模型;国内学者也基于XGBoost[7]、BP神经网络[8]、K-means聚类分析[9]等方法对民航安保问题进行了研究。但多数学者在权重计算中缺乏定性与定量的综合分析,并未将指标的随机性和模糊性结合考虑,导致评估模型存在诸多不合理的地方。各类民航安保事件在形成原因、危害后果等方面有重合部分,但其风险影响因素具有较强的复杂性,无法通过单一的赋权方法得出规范结果。综上,本文基于博弈论对民航安保风险评估指标进行组合赋权,同时依靠云模型映射出各评估指标的模糊性和随机性,并实现二者间的关联转换,最终构建一套具有实战意义的民航安保风险评估模型,为空警部门创新动态勤务派遣模式奠定基础。

1 民航安保风险评估指标体系的建立

为确保民航安保风险评估指标的科学性、全面性,本节基于空警部门实战数据完成指标初选,并通过随机森林方法筛除重要性较低的指标,实现了评价指标体系的合理优化,最终确定人员风险、航班环境、航线风险三个风险要素,以及18个民航安保风险评价指标。

1.1 民航安保风险评价指标分析

以某空警支队2017年—2021年发生的3351起机上安保事件作为分析样本,根据各起事件的发生原因、实施目的和危害后果,总结出15类民航安保事件,如表1所示。

表1 民航安保事件分类

同时,本文参考安全系统工程学中“人、机、管、环”风险影响因素理论[10],分析引发各类民航安保事件的潜在风险因素,进而对民航安保风险评价指标进行系统化的总结。选取其中5类发生频率较高或危害后果较严重的典型安保事件(见表2),以其作为示例具体说明风险评估指标的筛选过程(由于相关风险指标存在一定敏感性,表中对部分信息进行脱敏化处理)。

表2 民航安保风险评估指标选取(以5类安保事件为示例)

续表2 民航安保风险评估指标选取(以5类安保事件为示例)

综上,从理论层面实现了对15类民航安保事件的风险因素分析。然而,由于空警部门在航班数据获取上存在一定限制,且各部门间信息共享存在壁垒,导致部分风险评估指标缺乏数据来源,需与空警实战部门开展指标合理性的深层探讨,进而筛选出具有可行性和实操性的风险评价指标体系。以乘客学历、特殊疾病乘客性别及发病症状等评价指标为例,空警部门仅能掌握乘客基础信息,无法获取具体的数据;此外,航空器参数、机组服务质量与事件处置成功率均属于航司内部数据,尚未实现与空警部门的信息共享,因而难以作为民航安保风险的评估依据。

依据空警部门指导,筛除无数据来源的风险影响因素,完成了对15类民航安保事件的风险评价指标的选取。由于各民航安保事件间联系紧密、存在共性风险特征,导致部分安保事件中的风险评估指标存在重合。经归纳整理后,最终确立了人员风险、航班环境、航线风险三类风险要素,并构建出符合空警部门实战应用的民航安保风险评估指标体系(见图1)。

图1 民航安保风险评估指标体系

1.2 基于随机森林的民航安保风险评价指标优化

为确保随机森林[11]分析结果的可靠性,本文对某航空公司2022年以来的100起航班进行监测,记录其机上安保事件的发生情况;同时,依据民航安保风险指标体系的要求,对相关航班数据予以统计,建立民航安保风险指标数据集(部分示例见表3),其中S代表机上安保事件是否发生。

表3 民航安保风险指标数据集

运用随机森林算法对民航安保风险指标数据集进行训练,并得到三级评价指标重要度结果如下(见图2)。其中,重要度较低的评价指标可能会影响评估模型的准确性,需删除部分重要度较低的指标以实现指标体系的优化。

图2 三级指标对民航安保风险重要度排序结果

依次删除特征重要度较低的民航安保风险评价指标,以确定最优评价指标体系。由图3可知,当删除的评价指标数量为3时,评估模型的准确率达到最高;当删除的评价指标数量大于3时,模型的准确率总体呈现下降趋势。

因此,本文选择删除特征重要度最低的三类评价指标,即航班始发地安保风险等级P16、同行乘客非邻座现象P13、航空设备处座位订座率P15。

图3 不同指标删除数下评估模型准确率变化情况

2 指标组合权重的确定

作为指标赋权的主要方式,主观赋权和客观赋权分别存在过度依赖经验判断和缺乏历史经验支撑的局限性[12]。为兼顾二者优势并克服局限,本文基于博弈论方法对G1法确定的主观权重和改进CRITIC 法确定的客观权重进行组合赋权优化,进一步提升了指标权重的科学性。

2.1 G1法确定主观权重

G1法[13]计算过程较为便捷,适用于指标体系复杂的民航安保风险评估。

其主要计算步骤如下:

首先,依据民航安保风险评估指标的重要性,对18个风险指标进行排序。

其次,对相邻排序指标的相对重要程度进行量化(见表4),其中Rn表示相邻指标重要性之比。

表4 Rn取值参照表

最后,根据民航安保领域专家给出的理性赋值Rk,得到指标的权重系数Wk:

(1)

Wk-1=RkWk,k=m,m-1,…,3,2

(2)

2.2 改进CRITIC法确定客观权重

在民航安保风险评估指标体系中,由于指标间的数量级、纲量存在差异,导致标准差无法较好反映出指标的差异性,需引入变异系数对传统CRITIC法[14-15]予以改进,进而获得可靠的客观权重。

改进CRITIC法权重的计算步骤如下:

(1)假设有m个航班作为风险评估对象,每个航班有n个评价指标(文中m取100,n取18),建立原始评价矩阵X:

j=1,2,3,…,n;i=1,2,3,…,m

(3)

(2)运用Matlab中的Z-score函数将矩阵中各指标值进行归一化处理:

(4)

(3)引入差异系数以去除指标差异化:

(5)

(4)根据标准化矩阵,确定各指标独立程度的量化系数:

(6)

(5)确定各民航安保风险评估指标的客观权重:

(7)

2.3 基于博弈论的组合权重确定

以博弈论[16]为基础,结合G1法和改进CRITIC法计算各评估指标权重,能够弥补单一赋权方法的缺陷。其具体计算步骤如下:

构造基础权重向量集ue=(ue1,ue2,…,uen),其中e=1,2,…,L;n为评价指标数,文中L取2,n取18。不同向量的任意线性组合u为:

(8)

为协调不同赋权方法间的偏好度而获得合理的权重,对权重系数αe进行优化,实现u与各ue间的离差极小化,即

(9)

式(9)可转化为如下方程组:

(10)

(11)

最终得到组合权重向量u*为:

(12)

2.4 民航安保风险评价指标权重计算

综上,将经过优化的民航安保风险评估指标体系以问卷形式发送给10名民航安全领域的专家(包含5名民航安保领域权威学者、3名一线空警、2名民航从业者,以确保赋权结果的科学性),邀请其对各评价指标的重要度排序,并依据表4中的Rn参照值实现重要度的量化。通过加权平均10名专家的主观赋权结果,完成评价指标主观权重的计算。

同时,根据某空警支队提供的2022年以来100起航班的数据及各航班中安保事件的发生情况,确定评价指标的信息量和指标间的关联性,利用(3)—(7)式完成指标的客观权重计算。

各民航安保风险评价指标的主观、客观权重计算结果如表5所示。

表5 G1法与改进CRITIC法权重计算

表6 民航安保风险评估指标权重

3 民航安保风险评估云模型

云模型[17]通过期望Ex、熵En、超熵He三个数字特征实现定性概念向定量数值的转化,有效解决了评价的随机性、模糊性及二者间关联性的问题。而民航安保风险评估的主体具有较强的主观性,客体具有模糊性,因此本节选择云模型算法以降低民航安保风险评估中的不确定性。

3.1 构建民航安保风险评估等级的标准云

标准评价云是风险评估的基准对照图。将民航安保风险等级分为优秀、较好、一般、较差、极差5个等级,并计算得到5个评估等级的云数字特征,构建民航安保风险的评估标准云,实现定性指标的定量转化[18]。

(13)

其中Cmax和Cmin分别表示民航安保风险评语集的最大值和最小值;k为常数,是民航安保风险的模糊程度的体现,可根据实际情况确定数值。

本文采用黄金分割法[18]在有效论域[0,1]中对风险等级进行划分,取Ⅰ级风险(优秀)和Ⅴ级风险(极差)的期望分别为Ex1=0、Ex5=1;将中心点0.5作为Ⅲ级风险(一般)的期望,即Ex3=0.5。Ⅱ级风险(较好)、Ⅳ级风险(较差)的期望Ex2、Ex4为:Ex2=Ex3-0.382(Ex3-xmin)=0.309、Ex4=Ex3+0.382(xmax-Ex3)=0.691。(xmax、xmin为论域的上、下限。)

综上,本文依据5个民航安保风险评估等级的云数字特征(如表7所示),运用正向云发生器构建得到标准云图(如图4所示)。

表7 标准云的数字特征

图4 标准云图

3.2 构建各级评价指标的评价云

3.2.1 三级评价指标的评价云

依靠专家打分的方法对航班的安保风险展开评价。然而,由于机场航班运行存在吞吐量大的特征,在实际操作中无法实现专家对全部航班的点对点精准评价。因此,本文将邀请多位民航安全领域专家,依据其从业经验和专业知识,分别划定各评价指标的风险评分范畴;并通过比对航班的数据信息与各专家的赋分标准,确定各风险评价指标的专家打分结果。能够有效胜任高频次的航班风险评估工作的要求。

假设专家数量为m,评价指标数量为n,则Zij表示依据第i个专家的赋分标准得到的第j个指标的评价结果(i=1,2,…,m;j=1,2,…,n)。

对打分结果按照下式计算,可得到各三级指标的云数字特征Cj=(Exj,Enj,Hej):

(14)

3.2.2 二级评价指标的评价云

通过下式对三级评价指标的云数字特征和组合权重u*进行加权运算,可得到二级评价指标的云数字特征,并生成评价云图。

(15)

其中Exk为第k个二级指标的期望值,Enk为第k个二级指标的熵值,Hek为第k个二级指标的超熵(k=1,2,…,z)。

3.2.3 构建综合评价云

将三级评价指标的云数字特征、二级评价指标的云数字特征以及组合权重加权运算,可得到航班安保风险评估的云数字特征C=(Ex,En,He),进而通过正向云发生器构建出综合评价云图。

(16)

4 航班安保风险评估实证分析

本文选取25例典型高风险航班(已确认发生机上安保事件的航班)和25例中低风险航班(已确认未发生机上安保事件的航班)作为分析样本,以检验民航安保风险评估云模型的可靠性,并为后续将该评价模型运用于民航安保实践中提供依据。

将50例航班样本数据代入前文步骤进行计算检验后,得出以下结果:在25例典型高风险航班中,13例航班的综合评价云介于一般(Ⅲ级)和较差(Ⅳ级)之间,9例航班的综合评价云介于较差(Ⅳ级)和极差(Ⅴ级)之间;在25例中低风险航班中,16例航班的综合评价云介于一般(Ⅲ级)和良好(Ⅱ级)之间,7例航班的综合评价云介于良好(Ⅱ级)和优秀(Ⅰ级)之间。检验结果显示,本文所构建的民航安保风险评估云模型能较好地反映航班的安保风险情况。

以其中某起高风险航班为例,对其安保风险的评估过程进行具体演示。

首先,本文邀请7位民航安全领域的专家和3位空警部门资深从业人员,在(0,1)的打分区间内,划定18个三级风险评价指标的风险评分范畴,经整理汇总后得到十个专家评分标准。

将该高风险航班的数据信息与十位专家的评分标准进行比对,统计评价结果,并依据(14)式,计算出各三级风险评价指标评估云的数字特征,如表8所示。随后,可通过正向云发生器得到相应评估云图,如图5所示。

表8 三级评价指标评估云的数字特征

图5 三级评价指标评估云图

根据表8及图5所示,P3、P6、P16指标介于较好和一般之间,说明在初次乘机乘客比重较低、高频乘机乘客人数较少和航班运行时段层面,该航班的风险较低。然而,其余各指标均分布于一般和极差之间,反映出航班的乘坐人数达到拥挤程度,乘客组成成分也较为复杂,并且其运行时间较长、运行季节风险较高,需引起空警和航空安全员的重点关注。

此外,基于表8中三级评价指标的评估云数字特征和表6中的组合权重,可通过(15)式计算出二级指标的评估云数字特征,如表9所示,并结合正向云发生器构建相应评估云图,如图6所示。

表9 二级评价指标评估云的数字特征

图6 二级评价指标评估云图

根据表9和图6所示,该航班在航线风险层面的风险等级介于一般和极差之间,在人员风险和航班环境层面的风险则介于较差和极差之间。因此,空警和航空安全员需加强对风险乘客的监视,避免其实施不良行为;同时,预防因座位分布问题而引发的机上安保事件。

最后,结合二级、三级评价指标评估云的数字特征,可通过(16)式计算出该航班安保风险综合指标的评价云数字特征为(0.7231,0.0329,0.0107),并依靠正向云图得到综合云图,如图7所示。

图7 航班安保风险综合评估云图

综上,据云模型研判结果显示,该航班的安保风险等级介于较差和极差之间,具有发生机上安保事件的隐患。同时,该结论与航班已发生机上安保事件的客观事实相符,能够反映出航班运行中安保风险的实际情况。

5 结 论

为解决民航安保风险因素的模糊性、随机性及难以量化等问题,并确保评估指标赋权的科学性,本文以博弈论和云模型理论为基础,构建了一套民航安保风险评价体系,经研究得出以下结论:

(1)根据三千余起民航案事件总结出15类典型安保风险事件,并通过确定不同类型安保事件的风险影响因素,构建了科学、有效的民航安保风险评估指标体系,共3个二级评估指标和18个三级评估指标。

(2)采用G1法和改进CRITIC法分别计算评估指标的主观、客观权重,并运用博弈论方法得到评估指标的组合权重,提高了航班风险评估的准确性。

(3)构建以云模型为基础的民航安保风险评估模型,依据黄金分割法建立标准云,并利用正向云发生器生成各级评价指标的评估云图。此外,对空警部门提供的25例高风险航班和25例中低风险航班进行安保风险检验,进一步证明该民航安保风险评估模型的可行性与有效性。

本文所构建的民航安保风险评估模型实现了风险航班的识别与预警,空警部门可根据航班的安保风险状态动态调整警力派遣,确保警力资源的最优化配置;不仅有效缓解了我国日益增长的空防压力,更为日后空警勤务派遣模式的改革提供了新思路。