基于組合賦權(quán)-云模型的民航安保風(fēng)險評估

楊川律,馮文剛,吳瑞鵬

(中國人民公安大學(xué) 國家安全學(xué)院,北京 100032)

據(jù)《年度民航行業(yè)發(fā)展統(tǒng)計公報》[1]顯示,2020年旅客不文明行為事件共發(fā)生10 669起,較2015年增長約1000%,反映出高頻次、低危害的擾亂性行為正對我國空防安全造成巨大影響。同時,截至2020年底,我國民航部門僅有在職空警2000余人、航空安全員3萬余人,而民航客運飛機保有量卻達到3903架,人機比例無法匹配,存在航空安保力量不足的問題。

基于目前民航安保的嚴(yán)峻形勢,既有航空安保隊伍已難以滿足現(xiàn)行航班勤務(wù)派遣的需求,亟須構(gòu)建新型空警動態(tài)派遣機制以緩解安保資源短缺問題。該機制先對各航班安保風(fēng)險進行精準(zhǔn)評估,進而根據(jù)風(fēng)險等級自動派遣與之相適配的空警數(shù)量。新型空警動態(tài)派遣機制實現(xiàn)了傳統(tǒng)人工派遣模式的自動化轉(zhuǎn)變,能夠在保障航班運行安全的同時,高效配置安保資源。

目前,國內(nèi)學(xué)者多從航司管理[2]、民航從業(yè)人員[3]、機場安檢[4]等維度評估航班運行風(fēng)險。相較于此類風(fēng)險因素,民航安保事件作為客艙內(nèi)部風(fēng)險,其發(fā)生頻次更加密集,部分涉恐事件甚至直接威脅到乘客生命安全,具有極高的危害性;然而,當(dāng)前我國民航安保領(lǐng)域研究尚未健全,缺乏基于民航安保事件的航班風(fēng)險評估模型,致使空中安保力量難以與日益增長的安保事件相適配,給航班運行帶來了一定的安全隱患。

此外,在民航風(fēng)險評估方法層面,國外學(xué)者采用貝葉斯信念網(wǎng)絡(luò)技術(shù)[5]、遞歸神經(jīng)網(wǎng)絡(luò)(RNN)[6]、Fine Kinney[7]等方法構(gòu)建了航班安全評估模型;國內(nèi)學(xué)者也基于XGBoost[7]、BP神經(jīng)網(wǎng)絡(luò)[8]、K-means聚類分析[9]等方法對民航安保問題進行了研究。但多數(shù)學(xué)者在權(quán)重計算中缺乏定性與定量的綜合分析,并未將指標(biāo)的隨機性和模糊性結(jié)合考慮,導(dǎo)致評估模型存在諸多不合理的地方。各類民航安保事件在形成原因、危害后果等方面有重合部分,但其風(fēng)險影響因素具有較強的復(fù)雜性,無法通過單一的賦權(quán)方法得出規(guī)范結(jié)果。綜上,本文基于博弈論對民航安保風(fēng)險評估指標(biāo)進行組合賦權(quán),同時依靠云模型映射出各評估指標(biāo)的模糊性和隨機性,并實現(xiàn)二者間的關(guān)聯(lián)轉(zhuǎn)換,最終構(gòu)建一套具有實戰(zhàn)意義的民航安保風(fēng)險評估模型,為空警部門創(chuàng)新動態(tài)勤務(wù)派遣模式奠定基礎(chǔ)。

1 民航安保風(fēng)險評估指標(biāo)體系的建立

為確保民航安保風(fēng)險評估指標(biāo)的科學(xué)性、全面性,本節(jié)基于空警部門實戰(zhàn)數(shù)據(jù)完成指標(biāo)初選,并通過隨機森林方法篩除重要性較低的指標(biāo),實現(xiàn)了評價指標(biāo)體系的合理優(yōu)化,最終確定人員風(fēng)險、航班環(huán)境、航線風(fēng)險三個風(fēng)險要素,以及18個民航安保風(fēng)險評價指標(biāo)。

1.1 民航安保風(fēng)險評價指標(biāo)分析

以某空警支隊2017年—2021年發(fā)生的3351起機上安保事件作為分析樣本,根據(jù)各起事件的發(fā)生原因、實施目的和危害后果,總結(jié)出15類民航安保事件,如表1所示。

表1 民航安保事件分類

同時,本文參考安全系統(tǒng)工程學(xué)中“人、機、管、環(huán)”風(fēng)險影響因素理論[10],分析引發(fā)各類民航安保事件的潛在風(fēng)險因素,進而對民航安保風(fēng)險評價指標(biāo)進行系統(tǒng)化的總結(jié)。選取其中5類發(fā)生頻率較高或危害后果較嚴(yán)重的典型安保事件(見表2),以其作為示例具體說明風(fēng)險評估指標(biāo)的篩選過程(由于相關(guān)風(fēng)險指標(biāo)存在一定敏感性,表中對部分信息進行脫敏化處理)。

表2 民航安保風(fēng)險評估指標(biāo)選取(以5類安保事件為示例)

續(xù)表2 民航安保風(fēng)險評估指標(biāo)選取(以5類安保事件為示例)

綜上,從理論層面實現(xiàn)了對15類民航安保事件的風(fēng)險因素分析。然而,由于空警部門在航班數(shù)據(jù)獲取上存在一定限制,且各部門間信息共享存在壁壘,導(dǎo)致部分風(fēng)險評估指標(biāo)缺乏數(shù)據(jù)來源,需與空警實戰(zhàn)部門開展指標(biāo)合理性的深層探討,進而篩選出具有可行性和實操性的風(fēng)險評價指標(biāo)體系。以乘客學(xué)歷、特殊疾病乘客性別及發(fā)病癥狀等評價指標(biāo)為例,空警部門僅能掌握乘客基礎(chǔ)信息,無法獲取具體的數(shù)據(jù);此外,航空器參數(shù)、機組服務(wù)質(zhì)量與事件處置成功率均屬于航司內(nèi)部數(shù)據(jù),尚未實現(xiàn)與空警部門的信息共享,因而難以作為民航安保風(fēng)險的評估依據(jù)。

依據(jù)空警部門指導(dǎo),篩除無數(shù)據(jù)來源的風(fēng)險影響因素,完成了對15類民航安保事件的風(fēng)險評價指標(biāo)的選取。由于各民航安保事件間聯(lián)系緊密、存在共性風(fēng)險特征,導(dǎo)致部分安保事件中的風(fēng)險評估指標(biāo)存在重合。經(jīng)歸納整理后,最終確立了人員風(fēng)險、航班環(huán)境、航線風(fēng)險三類風(fēng)險要素,并構(gòu)建出符合空警部門實戰(zhàn)應(yīng)用的民航安保風(fēng)險評估指標(biāo)體系(見圖1)。

圖1 民航安保風(fēng)險評估指標(biāo)體系

1.2 基于隨機森林的民航安保風(fēng)險評價指標(biāo)優(yōu)化

為確保隨機森林[11]分析結(jié)果的可靠性,本文對某航空公司2022年以來的100起航班進行監(jiān)測,記錄其機上安保事件的發(fā)生情況;同時,依據(jù)民航安保風(fēng)險指標(biāo)體系的要求,對相關(guān)航班數(shù)據(jù)予以統(tǒng)計,建立民航安保風(fēng)險指標(biāo)數(shù)據(jù)集(部分示例見表3),其中S代表機上安保事件是否發(fā)生。

表3 民航安保風(fēng)險指標(biāo)數(shù)據(jù)集

運用隨機森林算法對民航安保風(fēng)險指標(biāo)數(shù)據(jù)集進行訓(xùn)練,并得到三級評價指標(biāo)重要度結(jié)果如下(見圖2)。其中,重要度較低的評價指標(biāo)可能會影響評估模型的準(zhǔn)確性,需刪除部分重要度較低的指標(biāo)以實現(xiàn)指標(biāo)體系的優(yōu)化。

圖2 三級指標(biāo)對民航安保風(fēng)險重要度排序結(jié)果

依次刪除特征重要度較低的民航安保風(fēng)險評價指標(biāo),以確定最優(yōu)評價指標(biāo)體系。由圖3可知,當(dāng)刪除的評價指標(biāo)數(shù)量為3時,評估模型的準(zhǔn)確率達到最高;當(dāng)刪除的評價指標(biāo)數(shù)量大于3時,模型的準(zhǔn)確率總體呈現(xiàn)下降趨勢。

因此,本文選擇刪除特征重要度最低的三類評價指標(biāo),即航班始發(fā)地安保風(fēng)險等級P16、同行乘客非鄰座現(xiàn)象P13、航空設(shè)備處座位訂座率P15。

圖3 不同指標(biāo)刪除數(shù)下評估模型準(zhǔn)確率變化情況

2 指標(biāo)組合權(quán)重的確定

作為指標(biāo)賦權(quán)的主要方式,主觀賦權(quán)和客觀賦權(quán)分別存在過度依賴經(jīng)驗判斷和缺乏歷史經(jīng)驗支撐的局限性[12]。為兼顧二者優(yōu)勢并克服局限,本文基于博弈論方法對G1法確定的主觀權(quán)重和改進CRITIC 法確定的客觀權(quán)重進行組合賦權(quán)優(yōu)化,進一步提升了指標(biāo)權(quán)重的科學(xué)性。

2.1 G1法確定主觀權(quán)重

G1法[13]計算過程較為便捷,適用于指標(biāo)體系復(fù)雜的民航安保風(fēng)險評估。

其主要計算步驟如下:

首先,依據(jù)民航安保風(fēng)險評估指標(biāo)的重要性,對18個風(fēng)險指標(biāo)進行排序。

其次,對相鄰排序指標(biāo)的相對重要程度進行量化(見表4),其中Rn表示相鄰指標(biāo)重要性之比。

表4 Rn取值參照表

最后,根據(jù)民航安保領(lǐng)域?qū)＜医o出的理性賦值Rk,得到指標(biāo)的權(quán)重系數(shù)Wk:

(1)

Wk-1=RkWk,k=m,m-1,…,3,2

(2)

2.2 改進CRITIC法確定客觀權(quán)重

在民航安保風(fēng)險評估指標(biāo)體系中,由于指標(biāo)間的數(shù)量級、綱量存在差異,導(dǎo)致標(biāo)準(zhǔn)差無法較好反映出指標(biāo)的差異性,需引入變異系數(shù)對傳統(tǒng)CRITIC法[14-15]予以改進,進而獲得可靠的客觀權(quán)重。

改進CRITIC法權(quán)重的計算步驟如下:

(1)假設(shè)有m個航班作為風(fēng)險評估對象,每個航班有n個評價指標(biāo)(文中m取100,n取18),建立原始評價矩陣X:

j=1,2,3,…,n;i=1,2,3,…,m

(3)

(2)運用Matlab中的Z-score函數(shù)將矩陣中各指標(biāo)值進行歸一化處理:

(4)

(3)引入差異系數(shù)以去除指標(biāo)差異化:

(5)

(4)根據(jù)標(biāo)準(zhǔn)化矩陣,確定各指標(biāo)獨立程度的量化系數(shù):

(6)

(5)確定各民航安保風(fēng)險評估指標(biāo)的客觀權(quán)重:

(7)

2.3 基于博弈論的組合權(quán)重確定

以博弈論[16]為基礎(chǔ),結(jié)合G1法和改進CRITIC法計算各評估指標(biāo)權(quán)重,能夠彌補單一賦權(quán)方法的缺陷。其具體計算步驟如下:

構(gòu)造基礎(chǔ)權(quán)重向量集ue=(ue1,ue2,…,uen),其中e=1,2,…,L;n為評價指標(biāo)數(shù),文中L取2,n取18。不同向量的任意線性組合u為:

(8)

為協(xié)調(diào)不同賦權(quán)方法間的偏好度而獲得合理的權(quán)重,對權(quán)重系數(shù)αe進行優(yōu)化,實現(xiàn)u與各ue間的離差極小化,即

(9)

式(9)可轉(zhuǎn)化為如下方程組:

(10)

(11)

最終得到組合權(quán)重向量u*為:

(12)

2.4 民航安保風(fēng)險評價指標(biāo)權(quán)重計算

綜上,將經(jīng)過優(yōu)化的民航安保風(fēng)險評估指標(biāo)體系以問卷形式發(fā)送給10名民航安全領(lǐng)域的專家(包含5名民航安保領(lǐng)域權(quán)威學(xué)者、3名一線空警、2名民航從業(yè)者,以確保賦權(quán)結(jié)果的科學(xué)性),邀請其對各評價指標(biāo)的重要度排序,并依據(jù)表4中的Rn參照值實現(xiàn)重要度的量化。通過加權(quán)平均10名專家的主觀賦權(quán)結(jié)果,完成評價指標(biāo)主觀權(quán)重的計算。

同時,根據(jù)某空警支隊提供的2022年以來100起航班的數(shù)據(jù)及各航班中安保事件的發(fā)生情況,確定評價指標(biāo)的信息量和指標(biāo)間的關(guān)聯(lián)性,利用(3)—(7)式完成指標(biāo)的客觀權(quán)重計算。

各民航安保風(fēng)險評價指標(biāo)的主觀、客觀權(quán)重計算結(jié)果如表5所示。

表5 G1法與改進CRITIC法權(quán)重計算

表6 民航安保風(fēng)險評估指標(biāo)權(quán)重

3 民航安保風(fēng)險評估云模型

云模型[17]通過期望Ex、熵En、超熵He三個數(shù)字特征實現(xiàn)定性概念向定量數(shù)值的轉(zhuǎn)化,有效解決了評價的隨機性、模糊性及二者間關(guān)聯(lián)性的問題。而民航安保風(fēng)險評估的主體具有較強的主觀性,客體具有模糊性,因此本節(jié)選擇云模型算法以降低民航安保風(fēng)險評估中的不確定性。

3.1 構(gòu)建民航安保風(fēng)險評估等級的標(biāo)準(zhǔn)云

標(biāo)準(zhǔn)評價云是風(fēng)險評估的基準(zhǔn)對照圖。將民航安保風(fēng)險等級分為優(yōu)秀、較好、一般、較差、極差5個等級,并計算得到5個評估等級的云數(shù)字特征,構(gòu)建民航安保風(fēng)險的評估標(biāo)準(zhǔn)云,實現(xiàn)定性指標(biāo)的定量轉(zhuǎn)化[18]。

(13)

其中Cmax和Cmin分別表示民航安保風(fēng)險評語集的最大值和最小值;k為常數(shù),是民航安保風(fēng)險的模糊程度的體現(xiàn),可根據(jù)實際情況確定數(shù)值。

本文采用黃金分割法[18]在有效論域[0,1]中對風(fēng)險等級進行劃分,?、窦夛L(fēng)險(優(yōu)秀)和Ⅴ級風(fēng)險(極差)的期望分別為Ex1=0、Ex5=1;將中心點0.5作為Ⅲ級風(fēng)險(一般)的期望,即Ex3=0.5。Ⅱ級風(fēng)險(較好)、Ⅳ級風(fēng)險(較差)的期望Ex2、Ex4為:Ex2=Ex3-0.382(Ex3-xmin)=0.309、Ex4=Ex3+0.382(xmax-Ex3)=0.691。(xmax、xmin為論域的上、下限。)

綜上,本文依據(jù)5個民航安保風(fēng)險評估等級的云數(shù)字特征(如表7所示),運用正向云發(fā)生器構(gòu)建得到標(biāo)準(zhǔn)云圖(如圖4所示)。

表7 標(biāo)準(zhǔn)云的數(shù)字特征

圖4 標(biāo)準(zhǔn)云圖

3.2 構(gòu)建各級評價指標(biāo)的評價云

3.2.1 三級評價指標(biāo)的評價云

依靠專家打分的方法對航班的安保風(fēng)險展開評價。然而,由于機場航班運行存在吞吐量大的特征,在實際操作中無法實現(xiàn)專家對全部航班的點對點精準(zhǔn)評價。因此,本文將邀請多位民航安全領(lǐng)域?qū)＜?依據(jù)其從業(yè)經(jīng)驗和專業(yè)知識,分別劃定各評價指標(biāo)的風(fēng)險評分范疇;并通過比對航班的數(shù)據(jù)信息與各專家的賦分標(biāo)準(zhǔn),確定各風(fēng)險評價指標(biāo)的專家打分結(jié)果。能夠有效勝任高頻次的航班風(fēng)險評估工作的要求。

假設(shè)專家數(shù)量為m,評價指標(biāo)數(shù)量為n,則Zij表示依據(jù)第i個專家的賦分標(biāo)準(zhǔn)得到的第j個指標(biāo)的評價結(jié)果(i=1,2,…,m;j=1,2,…,n)。

對打分結(jié)果按照下式計算,可得到各三級指標(biāo)的云數(shù)字特征Cj=(Exj,Enj,Hej):

(14)

3.2.2 二級評價指標(biāo)的評價云

通過下式對三級評價指標(biāo)的云數(shù)字特征和組合權(quán)重u*進行加權(quán)運算,可得到二級評價指標(biāo)的云數(shù)字特征,并生成評價云圖。

(15)

其中Exk為第k個二級指標(biāo)的期望值,Enk為第k個二級指標(biāo)的熵值,Hek為第k個二級指標(biāo)的超熵(k=1,2,…,z)。

3.2.3 構(gòu)建綜合評價云

將三級評價指標(biāo)的云數(shù)字特征、二級評價指標(biāo)的云數(shù)字特征以及組合權(quán)重加權(quán)運算,可得到航班安保風(fēng)險評估的云數(shù)字特征C=(Ex,En,He),進而通過正向云發(fā)生器構(gòu)建出綜合評價云圖。

(16)

4 航班安保風(fēng)險評估實證分析

本文選取25例典型高風(fēng)險航班(已確認(rèn)發(fā)生機上安保事件的航班)和25例中低風(fēng)險航班(已確認(rèn)未發(fā)生機上安保事件的航班)作為分析樣本,以檢驗民航安保風(fēng)險評估云模型的可靠性,并為后續(xù)將該評價模型運用于民航安保實踐中提供依據(jù)。

將50例航班樣本數(shù)據(jù)代入前文步驟進行計算檢驗后,得出以下結(jié)果:在25例典型高風(fēng)險航班中,13例航班的綜合評價云介于一般(Ⅲ級)和較差(Ⅳ級)之間,9例航班的綜合評價云介于較差(Ⅳ級)和極差(Ⅴ級)之間;在25例中低風(fēng)險航班中,16例航班的綜合評價云介于一般(Ⅲ級)和良好(Ⅱ級)之間,7例航班的綜合評價云介于良好(Ⅱ級)和優(yōu)秀(Ⅰ級)之間。檢驗結(jié)果顯示,本文所構(gòu)建的民航安保風(fēng)險評估云模型能較好地反映航班的安保風(fēng)險情況。

以其中某起高風(fēng)險航班為例,對其安保風(fēng)險的評估過程進行具體演示。

首先,本文邀請7位民航安全領(lǐng)域的專家和3位空警部門資深從業(yè)人員,在(0,1)的打分區(qū)間內(nèi),劃定18個三級風(fēng)險評價指標(biāo)的風(fēng)險評分范疇,經(jīng)整理匯總后得到十個專家評分標(biāo)準(zhǔn)。

將該高風(fēng)險航班的數(shù)據(jù)信息與十位專家的評分標(biāo)準(zhǔn)進行比對,統(tǒng)計評價結(jié)果,并依據(jù)(14)式,計算出各三級風(fēng)險評價指標(biāo)評估云的數(shù)字特征,如表8所示。隨后,可通過正向云發(fā)生器得到相應(yīng)評估云圖,如圖5所示。

表8 三級評價指標(biāo)評估云的數(shù)字特征

圖5 三級評價指標(biāo)評估云圖

根據(jù)表8及圖5所示,P3、P6、P16指標(biāo)介于較好和一般之間,說明在初次乘機乘客比重較低、高頻乘機乘客人數(shù)較少和航班運行時段層面,該航班的風(fēng)險較低。然而,其余各指標(biāo)均分布于一般和極差之間,反映出航班的乘坐人數(shù)達到擁擠程度,乘客組成成分也較為復(fù)雜,并且其運行時間較長、運行季節(jié)風(fēng)險較高,需引起空警和航空安全員的重點關(guān)注。

此外,基于表8中三級評價指標(biāo)的評估云數(shù)字特征和表6中的組合權(quán)重,可通過(15)式計算出二級指標(biāo)的評估云數(shù)字特征,如表9所示,并結(jié)合正向云發(fā)生器構(gòu)建相應(yīng)評估云圖,如圖6所示。

表9 二級評價指標(biāo)評估云的數(shù)字特征

圖6 二級評價指標(biāo)評估云圖

根據(jù)表9和圖6所示,該航班在航線風(fēng)險層面的風(fēng)險等級介于一般和極差之間,在人員風(fēng)險和航班環(huán)境層面的風(fēng)險則介于較差和極差之間。因此,空警和航空安全員需加強對風(fēng)險乘客的監(jiān)視,避免其實施不良行為;同時,預(yù)防因座位分布問題而引發(fā)的機上安保事件。

最后,結(jié)合二級、三級評價指標(biāo)評估云的數(shù)字特征,可通過(16)式計算出該航班安保風(fēng)險綜合指標(biāo)的評價云數(shù)字特征為(0.7231,0.0329,0.0107),并依靠正向云圖得到綜合云圖,如圖7所示。

圖7 航班安保風(fēng)險綜合評估云圖

綜上,據(jù)云模型研判結(jié)果顯示,該航班的安保風(fēng)險等級介于較差和極差之間,具有發(fā)生機上安保事件的隱患。同時,該結(jié)論與航班已發(fā)生機上安保事件的客觀事實相符,能夠反映出航班運行中安保風(fēng)險的實際情況。

5 結(jié) 論

為解決民航安保風(fēng)險因素的模糊性、隨機性及難以量化等問題,并確保評估指標(biāo)賦權(quán)的科學(xué)性,本文以博弈論和云模型理論為基礎(chǔ),構(gòu)建了一套民航安保風(fēng)險評價體系,經(jīng)研究得出以下結(jié)論:

(1)根據(jù)三千余起民航案事件總結(jié)出15類典型安保風(fēng)險事件,并通過確定不同類型安保事件的風(fēng)險影響因素,構(gòu)建了科學(xué)、有效的民航安保風(fēng)險評估指標(biāo)體系,共3個二級評估指標(biāo)和18個三級評估指標(biāo)。

(2)采用G1法和改進CRITIC法分別計算評估指標(biāo)的主觀、客觀權(quán)重,并運用博弈論方法得到評估指標(biāo)的組合權(quán)重,提高了航班風(fēng)險評估的準(zhǔn)確性。

(3)構(gòu)建以云模型為基礎(chǔ)的民航安保風(fēng)險評估模型,依據(jù)黃金分割法建立標(biāo)準(zhǔn)云,并利用正向云發(fā)生器生成各級評價指標(biāo)的評估云圖。此外,對空警部門提供的25例高風(fēng)險航班和25例中低風(fēng)險航班進行安保風(fēng)險檢驗,進一步證明該民航安保風(fēng)險評估模型的可行性與有效性。

本文所構(gòu)建的民航安保風(fēng)險評估模型實現(xiàn)了風(fēng)險航班的識別與預(yù)警,空警部門可根據(jù)航班的安保風(fēng)險狀態(tài)動態(tài)調(diào)整警力派遣,確保警力資源的最優(yōu)化配置;不僅有效緩解了我國日益增長的空防壓力,更為日后空警勤務(wù)派遣模式的改革提供了新思路。