运行和保障单位在SMS系统中通过设计合理的TEM进行不安全事件的分析的同时，在安全数据库中就会形成海量安全信息及TEM分析数。其中核心的数据包括事件获取数据、TEM分析数据和行动项数据，具体信息项通常如下所示：

图表 1 相关信息获取数据

图表 2 相关TEM分析数据

图表 3 相关行动项数据

TEM分析数据中包含了已经发生的不安全事件诱因分析结果，可以通过数据挖掘算法得到以下两项安全管理部门非常关注的信息。

第一项：核心诱因，即诱因对事件的贡献度

根据TEM管理框架进行不安全事件分析，已经识别出不同系统运行人员事发时面临的威胁和差错，通过周期内不安全事件数量的统计分析，可以得出以下数据（示例）:

图表 4 威胁与不安全事件月度数量统计

采用多元线性回归算法，可以计算出具体威胁分类与不安全事件的关联，借助EXCEL提供的多元线性回归数据分析模型，可得到人、设备、环境、软件、组织对不安全事件的贡献度。

不安全事件 = -0.57人 + -0.42设备 + 0.47环境 + 0.18软件 + 0.21组织

图表 5 EXCEL回归数据分析

图表 6 回归结果

第二项：风险预测，即诱因导致事件发生的概率

通过周期内不安全事件数量的统计分析，可以得出以下数据（示例）:

图表 7 基于TEM数据统计的风险数据

通过贝叶斯算法可以得出飞错高度的预测风险，辅助提供安全管理决策。贝叶斯公式相当简洁，公式中有几个关键概念：

P(A)为先验概率，即在观察事件B之前得到的事件A的假设概率

P(A|B)为后验概率，即在观察事件B后得到新数据后计算该假设A的概率

P(B|A)为似然度，即在该假设A下得到这一观察数据 B 的概率

P(B)为标准化常量，即在任何假设下得到这一观察数据 B 的概率

根据贝叶斯公式，对以上统计数据进行计算，可以得出飞错高度的预测风险为3.29 。

图表 8 贝叶斯风险预测计算过程

图表 9 贝叶斯风险预测计算结果

综上，数学模型是安全风险状态监控的核心组成部分，通过多元线性回归和贝叶斯算法，可以充分对安全信息进行挖掘分析，辅助安全工作重点的决策。

<全文完>