第114章　风险计算

114.1 风险计算定义

**风险计算（Risk Calculation）**是机器个体根据当前对象、环境、状态、关系、行为、条件以及历史信息，对风险发生的可能性、影响程度和综合等级进行结构化计算，并按照计算结果确定风险优先级的过程。

第113章建立了：

$Risk=Object+Condition+State+Probability+Impact+LevelRisk= Object+ Condition+ State+ Probability+ Impact+ Level$

第114章进一步建立：

$RiskCalculation→Factor→Probability→Impact→Level→Ranking\boxed{ RiskCalculation \rightarrow Factor \rightarrow Probability \rightarrow Impact \rightarrow Level \rightarrow Ranking }$

风险计算的目的不是简单产生一个数字，而是让机器个体能够回答：

当前有哪些风险？
哪一个风险更严重？
哪一个风险需要优先处理？
当前行为是否需要改变？

因此：

$RiskCalculation→DecisionRiskCalculation \rightarrow Decision$

114.2 风险因素

**风险因素（Risk Factor）**是能够使某种风险产生、增加、降低或者发生变化的对象属性、对象状态、环境条件、关系条件、行为条件以及历史条件。

风险因素可以表示为：

$F={F1,F2,…,Fn}F= \{F_1,F_2,\ldots,F_n\}$

风险：

$Risk=F(F1,F2,…,Fn)Risk=F(F_1,F_2,\ldots,F_n)$

114.2.1 风险因素类型

风险因素可以划分为：

$RiskFactor={ObjectFactor,StateFactor,EnvironmentFactor,RelationFactor,BehaviorFactor,TimeFactor,CapabilityFactor}RiskFactor= \{ ObjectFactor, StateFactor, EnvironmentFactor, RelationFactor, BehaviorFactor, TimeFactor, CapabilityFactor \}$

即：

对象因素；
状态因素；
环境因素；
关系因素；
行为因素；
时间因素；
能力因素。

114.2.2 对象因素

对象本身可能形成风险差异。

例如：

$ObjectType=VehicleObjectType=Vehicle$

与：

$ObjectType=PedestrianObjectType=Pedestrian$

可能具有不同的风险规则。

因此：

$Object→RiskFactorObject \rightarrow RiskFactor$

114.2.3 状态因素

对象当前状态可能直接影响风险：

$State→RiskFactorState \rightarrow RiskFactor$

例如：

$DeviceState=FaultDeviceState=Fault$

可能使：

$RiskIncreaseRiskIncrease$

114.2.4 环境因素

环境因素包括：

空间条件；
时间条件；
光照；
温度；
湿度；
障碍物；
环境变化；
资源状态。

因此：

$Environment→RiskFactorEnvironment \rightarrow RiskFactor$

114.2.5 关系因素

对象之间的关系也可能成为风险因素：

$ObjectA→Relation→ObjectBObject_A \rightarrow Relation \rightarrow Object_B$

例如距离、接触、相对方向、竞争关系、冲突关系等，都可以进入风险计算。

因此：

$Relation→RiskFactorRelation \rightarrow RiskFactor$

114.2.6 行为因素

正在执行或者准备执行的行为也可能产生风险：

$Behavior→RiskFactorBehavior \rightarrow RiskFactor$

例如：

$Method1→Risk1Method_1\rightarrow Risk_1$ $Method2→Risk2Method_2\rightarrow Risk_2$

因此风险计算必须考虑：

$CandidateBehaviorCandidateBehavior$

而不能只计算当前环境。

114.3 风险因素量化

风险因素进入计算之前，需要转换为机器可以处理的结构化值。

例如：

$Fi→fiF_i\rightarrow f_i$

其中：

$FiF_i$ ：风险因素；
$fif_i$ ：风险因素计算值。

可以定义：

$fi∈[0,1]f_i\in[0,1]$

其中：

$00$

表示该因素基本不产生风险贡献；

$11$

表示该因素达到设定的最大风险贡献。

例如：

$f1=DistanceFactorf_1=DistanceFactor$ $f2=SpeedFactorf_2=SpeedFactor$ $f3=VisibilityFactorf_3=VisibilityFactor$ $f4=StateFactorf_4=StateFactor$

最终：

$RiskFactors={f1,f2,f3,f4}RiskFactors= \{f_1,f_2,f_3,f_4\}$

114.4 风险因素权重

不同风险因素的重要程度不同。

因此可以为每个因素定义权重：

$wiw_i$

满足：

$0≤wi≤10\leq w_i\leq1$

风险因素综合值：

$Fscore=∑i=1nwifiF_{score} = \sum_{i=1}^{n}w_i f_i$

其中：

$fif_i$ ：第 $ii$ 个风险因素；
$wiw_i$ ：第 $ii$ 个风险因素权重；
$FscoreF_{score}$ ：综合风险因素值。

例如：

$Fscore=w1f1+w2f2+w3f3F_{score} = w_1f_1+w_2f_2+w_3f_3$

这里的权重不是机器自行任意产生，而应来自风险规则、应用领域、安全要求或者经过验证的经验数据。

114.5 风险概率

**风险概率（Risk Probability）**是机器个体根据风险因素和当前条件，对某一不利事件在规定时间或条件范围内发生可能性的数值描述。

定义：

$P(Risk∣C)P(Risk|C)$

表示：

在条件 $CC$ 下，该风险发生的可能性。

其中：

$RiskRisk$ ：风险事件；
$CC$ ：当前条件。

可以定义：

$0≤P≤10\leq P\leq1$

其中：

$P=0P=0$

表示在当前模型和条件下基本不存在发生可能性；

$P=1P=1$

表示在当前模型和条件下达到确定发生条件。

114.5.1 概率计算

基本模型：

$P(Risk)=F(F1,F2,…,Fn)\boxed{ P(Risk)=F(F_1,F_2,\ldots,F_n) }$

例如：

$P=f(Distance,Speed,State,Environment,Relation)P= f( Distance, Speed, State, Environment, Relation )$

更进一步：

$P=f(Fscore,History,Condition)P= f( F_{score}, History, Condition )$

因此：

$RiskFactor→ProbabilityRiskFactor \rightarrow Probability$

114.5.2 概率不是风险等级

必须区分：

$Probability≠RiskLevelProbability\neq RiskLevel$

一个风险可能：

$Probability=0.2Probability=0.2$

但：

$Impact=1.0Impact=1.0$

则：

$RiskRisk$

仍然可能非常重要。

反过来：

$Probability=0.9Probability=0.9$

但：

$Impact=0.01Impact=0.01$

则其风险等级未必高。

因此：

$ProbabilityProbability$

必须与：

$ImpactImpact$

共同计算。

114.6 风险影响

**风险影响（Risk Impact）**是风险事件发生后，对风险对象、对象状态、个体状态、任务、目标、资源或环境可能造成的不利程度。

定义：

$I(Risk)I(Risk)$

可以标准化为：

$0≤I≤10\leq I\leq1$

影响可以由多个维度组成：

$I=f(Magnitude,Scope,Duration,Recoverability)I= f( Magnitude, Scope, Duration, Recoverability )$

其中：

$MagnitudeMagnitude$ ：影响程度；
$ScopeScope$ ：影响范围；
$DurationDuration$ ：持续时间；
$RecoverabilityRecoverability$ ：恢复难度。

114.6.1 影响程度

例如：

$Magnitude∈[0,1]Magnitude\in[0,1]$

114.6.2 影响范围

如果风险只影响一个局部对象：

$Scope=LowScope=Low$

如果同时影响多个对象：

$Scope=HighScope=High$

114.6.3 持续时间

短暂风险和长期风险的影响不同：

$Durationshort≠DurationlongDuration_{short} \neq Duration_{long}$

因此：

$Impact→DurationImpact \rightarrow Duration$

114.6.4 可恢复性

如果风险发生之后容易恢复：

$Recoverability=HighRecoverability=High$

如果恢复困难：

$Recoverability=LowRecoverability=Low$

则通常意味着风险影响进一步增加。

114.7 风险综合计算

在标准化模型中：

$RiskScore=Probability×Impact\boxed{ RiskScore= Probability\times Impact }$

即：

$R=P×IR=P\times I$

其中：

$RR$ ：风险分数；
$PP$ ：风险概率；
$II$ ：风险影响。

因为：

$P∈[0,1]P\in[0,1]$

并且：

$I∈[0,1]I\in[0,1]$

所以：

$R∈[0,1]R\in[0,1]$

例如：

$P=0.8P=0.8$ $I=0.9I=0.9$

则：

$R=0.72R=0.72$

这个结果可以进入风险等级计算。

114.8 多因素风险计算

现实中的风险通常不是由单一因素决定。

因此可以建立：

$R=F(f1,f2,…,fn,P,I)R= F( f_1,f_2,\ldots,f_n, P, I )$

一种基本模型：

$Fscore=∑i=1nwifiF_{score} = \sum_{i=1}^{n}w_if_i$

然后：

$P=G(Fscore)P=G(F_{score})$

最终：

$R=P×IR=P\times I$

完整结构：

$RiskFactors→FactorScore→Probability→Impact→RiskScore\boxed{ RiskFactors \rightarrow FactorScore \rightarrow Probability \rightarrow Impact \rightarrow RiskScore }$

这种结构使风险计算能够从简单规则逐步扩展到复杂风险模型。

114.9 风险等级

**风险等级（Risk Level）**是根据风险分数、风险规则和安全阈值，将风险划分为不同优先级的结构化结果。

定义：

$Level=F(R)Level=F(R)$

例如：

$0≤R<0.2→Low0\leq R<0.2 \rightarrow Low$ $0.2≤R<0.5→Medium0.2\leq R<0.5 \rightarrow Medium$ $0.5≤R<0.8→High0.5\leq R<0.8 \rightarrow High$ $0.8≤R≤1→Critical0.8\leq R\leq1 \rightarrow Critical$

这里的区间只是通用模型示例。

实际ICAI个体必须根据具体应用环境定义：

$RiskRuleRiskRule$

例如不同的机器个体：

$DrivingAIDrivingAI$ $ServiceRobotAIServiceRobotAI$ $DeviceServiceAIDeviceServiceAI$

可能拥有不同风险阈值。

因此：

$RiskLevel=F(RiskScore,IndividualType,Rule)RiskLevel= F(RiskScore,IndividualType,Rule)$

114.10 风险排序

**风险排序（Risk Ranking）**是机器个体将当前发现的多个风险按照风险分数、等级、影响范围、时间紧迫性以及安全规则进行优先级排列的过程。

假设存在：

$Risk1,Risk2,…,RisknRisk_1,Risk_2,\ldots,Risk_n$

对应：

$R1,R2,…,RnR_1,R_2,\ldots,R_n$

则按照：

$Ri>RjR_i>R_j$

可以确定：

$Riski>Priority>RiskjRisk_i>Priority>Risk_j$

最基本排序：

$Risk1→Risk2→Risk3→⋯\boxed{ Risk_1 \rightarrow Risk_2 \rightarrow Risk_3 \rightarrow \cdots }$

其中高风险优先处理。

114.11 风险排序不是简单分数排序

实际机器个体不能只按照：

$RiskScoreRiskScore$

排序。

还需要考虑：

$Priority=F(RiskScore,Level,Urgency,Impact,Time,Rule)Priority= F( RiskScore, Level, Urgency, Impact, Time, Rule )$

例如：

$RiskA=0.70Risk_A=0.70$ $RiskB=0.68Risk_B=0.68$

虽然：

$RiskA>RiskBRisk_A>Risk_B$

但如果：

$UrgencyB>UrgencyAUrgency_B>Urgency_A$

并且安全规则规定 $RiskBRisk_B$ 必须立即处理，则：

$PriorityB>PriorityAPriority_B>Priority_A$

因此：

$RiskScoreRiskScore$

是排序的重要依据，但不是唯一依据。

114.12 风险优先级

可以定义风险优先级：

$PriorityScore=F(RiskScore,Urgency,Impact,Rule)PriorityScore= F( RiskScore, Urgency, Impact, Rule )$

例如：

$PriorityScore=R×UPriorityScore= R\times U$

其中：

$RR$ ：风险分数；
$UU$ ：时间紧迫度。

也可以扩展：

$PriorityScore=R×U×SPriorityScore= R\times U\times S$

其中：

$SS$ ：安全规则权重。

因此：

$Risk→Priority→DecisionRisk \rightarrow Priority \rightarrow Decision$

114.13 多风险同时存在

机器个体运行时可能同时发现多个风险：

当前环境
↓
风险检测
├── Risk A
├── Risk B
├── Risk C
└── Risk D

此时不能逐个孤立处理。

必须形成：

$RiskSet={R1,R2,R3,R4}RiskSet= \{R_1,R_2,R_3,R_4\}$

然后：

$RiskSet→RiskCalculation→RiskRankingRiskSet \rightarrow RiskCalculation \rightarrow RiskRanking$

形成：

风险集合
↓
因素计算
↓
概率计算
↓
影响计算
↓
风险分数
↓
风险等级
↓
风险排序
↓
优先风险
↓
决策

114.14 风险之间的关系

多个风险之间也可能存在关系。

例如：

$RiskA→RiskBRisk_A \rightarrow Risk_B$

表示 $RiskARisk_A$ 可能导致 $RiskBRisk_B$ 。

也可能：

$RiskA↔RiskBRisk_A\leftrightarrow Risk_B$

表示二者相互影响。

因此可以建立风险关系：

$RiskRelation={Cause,Dependency,Conflict,Amplification,Reduction}RiskRelation= \{ Cause, Dependency, Conflict, Amplification, Reduction \}$

例如：

$RiskA→RiskB→RiskCRisk_A \rightarrow Risk_B \rightarrow Risk_C$

形成风险链。

此时：

$RiskCalculationRiskCalculation$

还需要考虑风险传播。

114.15 风险叠加

两个风险同时存在时，整体风险不一定简单等于两个风险相加。

例如：

$RiskA=0.4Risk_A=0.4$ $RiskB=0.4Risk_B=0.4$

并不意味着：

$Risktotal=0.8Risk_{total}=0.8$

因为二者可能：

相互独立；
相互增强；
相互抵消；
存在共同原因。

因此：

$RiskTotal=F(Risk1,Risk2,…,Riskn,Relation)RiskTotal= F(Risk_1,Risk_2,\ldots,Risk_n,Relation)$

如果两个风险存在增强关系：

$RiskA+RiskB+Interaction→RiskTotalRisk_A + Risk_B + Interaction \rightarrow RiskTotal$

因此复杂风险需要建立风险关系计算。

114.16 风险计算与决策

风险计算最终不是为了保存数据，而是服务于决策。

完整过程：

$RiskFactor→Probability→Impact→RiskScore→RiskLevel→RiskRanking→Decision\boxed{ RiskFactor \rightarrow Probability \rightarrow Impact \rightarrow RiskScore \rightarrow RiskLevel \rightarrow RiskRanking \rightarrow Decision }$

例如：

候选行为
↓
计算风险
├── 行为A → Risk 0.20
├── 行为B → Risk 0.55
└── 行为C → Risk 0.82
↓
风险排序
↓
优先选择低风险可执行方案

但是：

$LowRiskLowRisk$

不能单独决定最终行为。

还必须满足：

$GoalGoal$ $CapabilityCapability$ $ConditionCondition$ $MethodMethod$

因此：

$Decision=F(Goal,Capability,Method,Risk,Constraint)Decision= F( Goal, Capability, Method, Risk, Constraint )$

114.17 风险计算与反馈

风险不是计算一次就结束。

行为执行后：

$Behavior→Result→FeedbackBehavior \rightarrow Result \rightarrow Feedback$

反馈可能改变风险因素：

$Feedback→RiskFactorUpdateFeedback \rightarrow RiskFactorUpdate$

然后：

$RiskFactorUpdate→ProbabilityUpdateRiskFactorUpdate \rightarrow ProbabilityUpdate$

进一步：

$ProbabilityUpdate→RiskScoreUpdateProbabilityUpdate \rightarrow RiskScoreUpdate$

因此：

$Riskt→Decision→Behavior→Feedback→Riskt+1\boxed{ Risk_t \rightarrow Decision \rightarrow Behavior \rightarrow Feedback \rightarrow Risk_{t+1} }$

形成动态风险计算。

114.18 风险历史

风险计算结果必须保存历史。

定义：

$RiskHistory={R1,R2,…,Rn}RiskHistory= \{ R_1,R_2,\ldots,R_n \}$

其中每个风险记录包括：

${Time,Factor,Probability,Impact,Score,Level,Decision,Result}\{ Time, Factor, Probability, Impact, Score, Level, Decision, Result \}$

因此机器个体可以知道：

$Riskt→Riskt+1Risk_t \rightarrow Risk_{t+1}$

风险是否：

$IncreaseIncrease$ $DecreaseDecrease$

或者：

$StableStable$

风险历史还可以进入经验系统：

$RiskHistory→ExperienceRiskHistory \rightarrow Experience$

114.19 工程映射

在WSaiOS-ICAI中，可以建立：

RiskFactor
RiskProbability
RiskImpact
RiskScore
RiskLevel
RiskRanking
RiskCalculator
RiskRankingEngine

114.19.1 RiskCalculator

class RiskCalculator
{
    public function collectFactors($context)
    {
        return array();
    }

    public function calculateFactorScore($factors)
    {
        return 0;
    }

    public function calculateProbability($factors, $context)
    {
        return 0;
    }

    public function calculateImpact($risk, $context)
    {
        return 0;
    }

    public function calculateScore($probability, $impact)
    {
        return $probability * $impact;
    }

    public function calculateLevel($score, $rules)
    {
        return null;
    }
}

114.19.2 RiskRankingEngine

class RiskRankingEngine
{
    public function calculatePriority($risk)
    {
        return 0;
    }

    public function sort($risks)
    {
        return $risks;
    }

    public function getHighestRisk($risks)
    {
        return null;
    }
}

114.19.3 RiskRuntime

class RiskRuntime
{
    protected $calculator;
    protected $rankingEngine;

    public function evaluate($context)
    {
        return array();
    }

    public function rank($risks)
    {
        return $this->rankingEngine->sort($risks);
    }

    public function getPriorityRisk($risks)
    {
        return $this->rankingEngine->getHighestRisk($risks);
    }
}

114.20 数据库模型

可以建立：

cognitive_risk_factors
cognitive_risk_probabilities
cognitive_risk_impacts
cognitive_risk_scores
cognitive_risk_rankings

cognitive_risk_factors

id
risk_id
factor_type
factor_name
factor_value
weight
contribution
created_at

cognitive_risk_probabilities

id
risk_id
probability
calculation_rule
condition
created_at

cognitive_risk_impacts

id
risk_id
impact_value
magnitude
scope
duration
recoverability
created_at

cognitive_risk_scores

id
risk_id
probability
impact
score
risk_level
created_at

cognitive_risk_rankings

id
risk_id
priority_score
ranking
urgency
decision
created_at

这样可以完整保存一次风险计算：

$Factors→Probability→Impact→Score→Level→RankingFactors \rightarrow Probability \rightarrow Impact \rightarrow Score \rightarrow Level \rightarrow Ranking$

114.21 风险Runtime统一模型

风险Runtime运行时模型：

$RiskRuntime={Context,Factors,Probability,Impact,Score,Level,Ranking,Decision}RiskRuntime= \{ Context, Factors, Probability, Impact, Score, Level, Ranking, Decision \}$

完整运行过程：

获取当前环境
↓
读取对象
↓
读取状态
↓
读取关系
↓
读取当前行为
↓
提取风险因素
↓
计算因素值
↓
计算风险概率
↓
计算风险影响
↓
计算风险分数
↓
确定风险等级
↓
多个风险排序
↓
确定优先风险
↓
进入决策系统
↓
行为执行
↓
结果反馈
↓
重新计算风险

因此：

$Context→RiskFactors→Probability→Impact→RiskScore→RiskLevel→RiskRanking→Decision→Behavior→Feedback→Recalculation\boxed{ Context \rightarrow RiskFactors \rightarrow Probability \rightarrow Impact \rightarrow RiskScore \rightarrow RiskLevel \rightarrow RiskRanking \rightarrow Decision \rightarrow Behavior \rightarrow Feedback \rightarrow Recalculation }$

114.22 风险计算统一数学模型

本章核心计算可以统一表示为：

第一层：风险因素

$Fscore=∑i=1nwifi\boxed{ F_{score}= \sum_{i=1}^{n}w_if_i }$

第二层：风险概率

$P=G(Fscore,Condition,History)\boxed{ P=G(F_{score},Condition,History) }$

第三层：风险影响

$I=H(Magnitude,Scope,Duration,Recoverability)\boxed{ I=H(Magnitude,Scope,Duration,Recoverability) }$

第四层：风险分数

$R=P×I\boxed{ R=P\times I }$

第五层：风险等级

$Level=F(R,Rule)\boxed{ Level=F(R,Rule) }$

第六层：风险排序

$Priority=G(R,Level,Urgency,Rule)\boxed{ Priority=G(R,Level,Urgency,Rule) }$

最终：

$RiskFactor→Probability→Impact→Score→Level→Priority\boxed{ RiskFactor \rightarrow Probability \rightarrow Impact \rightarrow Score \rightarrow Level \rightarrow Priority }$

114.23 风险计算与ICAI认知闭环

风险计算并不是独立的数学模块，而是嵌入ICAI整体认知结构。

完整结构：

$Object→Attribute→State→Relation→Scene→Condition→RiskFactor→Risk\boxed{ Object \rightarrow Attribute \rightarrow State \rightarrow Relation \rightarrow Scene \rightarrow Condition \rightarrow RiskFactor \rightarrow Risk }$

然后：

$Risk→Probability→Impact→Level→Ranking→Decision\boxed{ Risk \rightarrow Probability \rightarrow Impact \rightarrow Level \rightarrow Ranking \rightarrow Decision }$

决策形成行为：

$Decision→Behavior→Action→ResultDecision \rightarrow Behavior \rightarrow Action \rightarrow Result$

结果形成反馈：

$Result→FeedbackResult \rightarrow Feedback$

反馈重新改变风险：

$Feedback→ConditionUpdate→RiskRecalculationFeedback \rightarrow ConditionUpdate \rightarrow RiskRecalculation$

最终形成：

$Cognition→RiskCalculation→Decision→Behavior→Result→Feedback→RiskRecalculation\boxed{ Cognition \rightarrow RiskCalculation \rightarrow Decision \rightarrow Behavior \rightarrow Result \rightarrow Feedback \rightarrow RiskRecalculation }$

114.24 本章总结

本章建立了ICAI的风险计算理论（Risk Calculation Theory）。

第113章回答：

什么是风险？

第114章进一步回答：

风险如何计算？

风险计算首先从风险因素开始：

$RiskFactors→FactorScoreRiskFactors \rightarrow FactorScore$

然后计算风险概率：

$FactorScore→ProbabilityFactorScore \rightarrow Probability$

再计算风险影响：

$Probability+ImpactProbability + Impact$

形成风险分数：

$RiskScore=Probability×Impact\boxed{ RiskScore= Probability\times Impact }$

然后：

$RiskScore→RiskLevelRiskScore \rightarrow RiskLevel$

多个风险同时存在时：

${Risk1,Risk2,…,Riskn}→RiskRanking\{Risk_1,Risk_2,\ldots,Risk_n\} \rightarrow RiskRanking$

最终：

因此，本章建立的不是一个单纯的“风险评分公式”，而是一套完整的机器风险计算结构。

其核心思想是：

$风险因素决定风险形成条件，概率描述风险发生可能性，影响描述风险发生后的后果，风险分数综合概率与影响，风险等级描述风险严重程度，风险排序决定处理优先级。\boxed{ 风险因素决定风险形成条件，概率描述风险发生可能性，影响描述风险发生后的后果，风险分数综合概率与影响，风险等级描述风险严重程度，风险排序决定处理优先级。 }$

最终与ICAI行为闭环连接：

$Environment→Object→State→Relation→Condition→Risk→Calculation→Ranking→Decision→Behavior→Result→Feedback→RiskUpdate\boxed{ Environment \rightarrow Object \rightarrow State \rightarrow Relation \rightarrow Condition \rightarrow Risk \rightarrow Calculation \rightarrow Ranking \rightarrow Decision \rightarrow Behavior \rightarrow Result \rightarrow Feedback \rightarrow RiskUpdate }$

由此，风险在ICAI中从一个静态概念进一步变成可计算、可排序、可决策、可反馈和可动态更新的认知结构，为后续建立风险判断、风险决策、风险控制以及安全行为理论提供基础。

第114章 风险计算

第114章 风险计算

114.1 风险计算定义

114.2 风险因素

114.2.1 风险因素类型

114.2.2 对象因素

114.2.3 状态因素

114.2.4 环境因素

114.2.5 关系因素

114.2.6 行为因素

114.3 风险因素量化

114.4 风险因素权重

114.5 风险概率

114.5.1 概率计算

114.5.2 概率不是风险等级

114.6 风险影响

114.6.1 影响程度

114.6.2 影响范围

114.6.3 持续时间

114.6.4 可恢复性

114.7 风险综合计算

114.8 多因素风险计算

114.9 风险等级

114.10 风险排序

114.11 风险排序不是简单分数排序

114.12 风险优先级

114.13 多风险同时存在

114.14 风险之间的关系

114.15 风险叠加

114.16 风险计算与决策

114.17 风险计算与反馈

114.18 风险历史

114.19 工程映射

114.19.1 RiskCalculator

114.19.2 RiskRankingEngine

114.19.3 RiskRuntime

114.20 数据库模型

cognitive_risk_factors

cognitive_risk_probabilities

cognitive_risk_impacts

cognitive_risk_scores

cognitive_risk_rankings

114.21 风险Runtime统一模型

114.22 风险计算统一数学模型

第一层：风险因素

第二层：风险概率

第三层：风险影响

第四层：风险分数

第五层：风险等级

第六层：风险排序

114.23 风险计算与ICAI认知闭环

114.24 本章总结