事故概率不是频率问题，风险建模中被长期误解的一件事

引言

在工程安全与风险分析领域，“事故概率”几乎是一个不言自明的概念。无论是风险矩阵、FTA/ETA，还是越来越多基于机器学习的安全预测模型，概率往往被自然地理解为：事故发生的频率或比例。这种理解看似直观，却隐藏着一个长期被忽视、但对安全建模与决策具有根本性影响的问题，事故概率并不等同于事故频率。

这一混淆不仅是概念层面的误用，更深刻地影响了我们如何建模风险、如何解读数据、以及如何在低频高后果事件中做出判断。本文试图澄清这一长期存在的误解，并指出其在现代安全系统（尤其是AI 介入之后）中的现实后果。

一、频率是观测结果，概率是认知判断

从严格意义上说，频率属于经验统计量，概率属于不确定性表征。频率回答的是：“在过去的观测中，发生了多少次？”而概率回答的是：“在当前信息条件下，我们对未来发生的可信程度如何判断？”

在许多工程安全场景中，这两者并不等价，甚至很少能够重合。原因很简单：

• 严重事故往往是低频事件

• 可用于统计的样本极其有限

• 系统、工艺、组织和环境在不断变化

在这样的条件下，将事故概率直接等同于历史频率，实际上是一种经验外推，而非严格意义上的风险评估。

二、低频事故中，“频率思维”的结构性失效

在高频、稳定、重复的系统中，频率近似概率是可以接受的工程假设。但在安全工程关注的核心问题，灾难性事故、系统性失效、复杂耦合事件，中，这一假设往往不成立。

典型问题包括：

1. 样本不足问题一起重大事故可能十年甚至几十年才发生一次，统计频率在数学上几乎没有意义。

2. 非平稳系统问题工艺改进、组织变化、技术升级使“过去”不再代表“未来”。

3. 前兆与事故的不对称性大量前兆并不一定导致事故，但事故几乎必然伴随前兆。

在这些情境下，频率并不能提供关于未来风险的充分信息，反而可能产生一种“安全幻觉”。

三、概率本质上是一种“信息整合机制”

如果事故概率不是频率，那么它是什么？

在风险建模语境中，更合理的理解是：

事故概率是对不完全信息、不确定结构和潜在机制的综合判断。

这意味着概率本质上依赖于：

• 对系统机理的理解

• 对前兆信号的解释

• 对不确定性来源的识别

• 对模型假设的自觉意识

在这一意义上，概率并不是“算出来的事实”，而是在特定认知框架下形成的判断结果。

这也是为什么在复杂系统中，不同分析者、不同模型往往会给出不同的事故概率估计，这并不一定意味着“有人算错了”，而是他们依赖的信息结构和假设不同。

四、风险矩阵与传统工具的隐含假设

许多广泛使用的安全工具（如风险矩阵）在设计时，默认了一个隐含前提：概率是可以被稳定分级、并与后果等级直接组合的。

然而，这种工具往往模糊了两个关键问题：

• 概率等级究竟基于什么信息？

• 这些等级是否反映了真实的不确定性结构？

当频率数据不足时，概率等级往往退化为经验判断；当系统复杂度上升时，这种简化反而掩盖了关键风险路径。

五、AI 并没有“解决”这个问题

近年来，AI 与机器学习被寄予厚望，用于从大规模数据中“学习事故概率”。然而，如果概率仍被理解为频率问题，AI只是更高效地重复了同一种误解。

在许多安全 AI 应用中，模型学习到的是：

• 过去的相关性

• 已发生事件的统计模式

但它们并不天然具备：

• 对因果结构的理解

• 对前兆—事故关系的解释能力

• 对未知风险的外推能力

这使得 AI 在安全领域面临一个根本挑战：当事故本身极少发生时，模型到底在学什么？

六、重新理解事故概率的意义

将事故概率从“频率”中解放出来，并不是否定数据的重要性，而是重新界定数据在风险判断中的角色。

更合理的路径是：

• 将频率视为信息来源之一，而非定义本身

• 将概率视为基于多源信息的综合判断

• 显式承认模型假设与认知不确定性

这也为前兆分析、主观概率、贝叶斯更新以及结构化专家判断提供了理论空间。

结语：一个被忽视却无法回避的问题

事故概率不是频率问题，这一判断并不新颖，但在工程安全实践中却长期被忽视。随着系统复杂度的上升、AI的介入以及低频高后果风险的重要性不断增加，这一误解的代价也在不断放大。

重新审视我们如何理解和使用“概率”，并不是学术上的咬文嚼字，而是关乎安全决策是否理性、是否诚实面对不确定性的根本问题。