劉繼新, 曾逍宇, 尹旻嘉, 朱學華

(南京航空航天大學 民航學院，江蘇 南京 211106)

0 引 言

管制員作為空中交通的指揮者，是確保飛機航行安全的關(guān)鍵所在。在航班急劇增加而空域基本保持不變的壓力之下，要求管制員同一時間所指揮的飛機數(shù)量也急劇增加，管制員能在緊急情況和高壓狀態(tài)下容易產(chǎn)生疲勞等不良應激反應。因此，有必要建立科學的管制員應激程度預測模型，客觀、正確地分析并預測管制員的應激能力，力保管制員迅速做出正確的決斷與指揮，盡量避免因管制員人為因素造成的空管危險事件發(fā)生。

隨著管制員可靠性問題日益突出，大部分國內(nèi)外學者針對管制員的差錯分類及情景意識做進一步研究。C. W. KUO等[1]基于臺灣航空運輸量和空中交通管制人員獨特的工作特征，建立了臺灣管制員離職率與應激源之間的關(guān)系模型；GONZAIO TOBARUELA[2]通過評估管制員的工作負荷，從而更準確地估計實際空域容量，并將這一技術(shù)應用于實時監(jiān)控管制員業(yè)務工作負荷和部門工作負載不平衡業(yè)務中，有助于提高ATM系統(tǒng)性能；王永剛等[3]為提高管制員在復雜、動態(tài)工作環(huán)境中的情景意識，預防人為差錯的發(fā)生，運用結(jié)構(gòu)方程模型，從內(nèi)外兩方面分析了影響管制員情景意識的因素；陳芳等[4]從身體素質(zhì)、業(yè)務素質(zhì)和意識3個結(jié)構(gòu)維度建立了管制員安全能力模型，通過逼近理想解排序法(TOPSIS)對管制員安全能力進行了排序和評價。

通常所說的應激反應是指：個體在面臨或察覺(認知、評價)到環(huán)境變化(應激源)對機體有威脅或挑戰(zhàn)時做出的適應和應對過程[5]。大部分的學者僅針對管制員的差錯分類和情景意識做了研究，并未細致分析影響管制員應激行為的因素及其關(guān)系，更沒有對其應激程度進行較為準確地預測。管制員在指揮航空器過程中產(chǎn)生的應激行為受到其工作本身、管制員角色的扮演、與飛行員及其同事的關(guān)系等各種因素影響[6]，而這些因素通常以心理行為和認知反應的方式出現(xiàn)，難以具體測量。對于包含多變量的統(tǒng)計分析模型，累積Logistic回歸法可以定量分析模型中自變量與因變量之間的聯(lián)系程度[7]。綜上，將累積Logistic回歸模型用于預測管制員應激程度，克服了應激不可測的不足，建立管制員應激程度預測模型，并對模型的適用性和有效性進行驗證，彌補了我國關(guān)于管制員應激研究量化的空白。

1 累積Logistic回歸模型算法

1.1 自變量的篩選

采用混合逐步選擇法，取顯著性水平0.05，向模型中添加或去掉候選自變量，最終得到與管制員應激程度顯著相關(guān)的自變量。

1.2 累積Logistic回歸模型原理

累積Logistic回歸模型[8]是針對有序多分類反應變量的一種統(tǒng)計分析方法，所研究的管制員應激程度預測正是一個有序多級別劃分的非線性問題，采用累積Logistic模型可以使結(jié)果更準確。

累積Logistic回歸模型定義為

(1)

式中：Ls為第s個累積Logit模型；y為有J+1種類別(j=1,2 ，J+1)的實測反應變量，其取值及各值之間的關(guān)系為(y=1)<(y=2)<…<(y=J+1)；x為自變量向量，服從Logit分布；β為回歸系數(shù)；p(y=j/x)為反應變量屬于級別j時的概率。式(1)中的累積概率為

(2)

由式(2)可得到累積概率，便可求出屬于某一應激類別的概率為p(y=1)=p(y≤1)

p(y=1)=p(y≤2)-p(y≤1)，…，p(y=J+1)=1-p(y≤J)

(3)

1.3 模型擬合優(yōu)度檢驗

建完模型后，需要對其有效性和預測準確性進行檢驗。將采用兩種檢驗方法，一是模型的統(tǒng)計檢驗(利用Pearsonχ2檢驗和Deviance統(tǒng)計量)；二是利用數(shù)據(jù)進行對比檢驗，將一部分實測數(shù)據(jù)與預測值相比較來評價模型的預測準確度。

1.3.1 Pearsonχ2檢驗

Pearsonχ2檢驗是通過頻數(shù)檢驗模型成立的假設(shè)[9]。其標準χ2統(tǒng)計量計算公式為

(4)

其中，χ2的自由度為協(xié)變類型數(shù)目與參數(shù)數(shù)目之間的差距，χ2統(tǒng)計量的值越小，說明該模型擬合效果越好。

1.3.2 偏差(Deviance)統(tǒng)計量

在Logistic回歸模型中，將偏差統(tǒng)計量(對數(shù)似然比統(tǒng)計量)D視為擬合優(yōu)度檢驗統(tǒng)計量[10]。模型的偏差用D來表示：

(5)

將按照如圖1所示的流程來建立完整的管制員應激程度預測模型，并對其進行分析和評估。

圖1 模型建立及檢驗流程Fig. 1 Flow chart of model establishment and verification

2 管制員應激程度預測Logistic模型建立

2.1 建模數(shù)據(jù)獲取

為了獲取建模數(shù)據(jù)，針對華東地區(qū)某空管局一線空中交通管制員設(shè)計了問卷調(diào)查，其中共包括12個觀測變量。這次問卷調(diào)查隨機抽取300名測試人員，剔除無效問卷后得到合格問卷為274份。有效問卷率為91.3%。

職業(yè)性應激反應多出現(xiàn)在責任重大的工種和高危行業(yè)，空中交通管制員正是其中之一。T.H.LAM等[11]曾提出“人-環(huán)境擬合模式”來研究職業(yè)性應激反應，這種模式著重研究人的作業(yè)能力與作業(yè)環(huán)境和工作負荷之間的匹配程度。從管制員個人管制技術(shù)和管制員工作外部環(huán)境兩大方面分析其應激程度，從主觀和客觀兩大角度建立管制員應激能力預測模型。主觀性角度，通過咨詢多位一線管制員和專家的意見，將管制員個人管制技術(shù)定義為管制員工作能力；客觀性角度，將管制員工作外部環(huán)境定義為空域復雜性、安全氛圍兩個維度。并將從以上所定義的管制員工作能力、空域復雜性、安全氛圍這三大方向選取作為累積Logistic回歸模型的主影響因素。

2.2 管制員應激程度預測模型的變量選取及分析

2.2.1 主影響因素的選取

結(jié)合管制工作的具體情況和相關(guān)學者對空管人因可靠性的研究，在管制員工作能力方面，選取注意力持續(xù)集中的時間(x1)、管制通話溝通規(guī)范性(x2)、特情處置效率(x3)、沖突預判與解脫能力(x4)、管制熟練度(x5)作為主因素；空域復雜性方面，選取同一時間所指揮的航空器數(shù)量(x6)、扇區(qū)碰撞風險概率(x7)、受軍航活動影響的航線使用限制(x8)、航空器沖突因子(距離)(x9)作為主因素；安全氛圍方面，選取遵守間隔標準和放行許可情況(x10)、定期進行安全培訓與考核(x11)、反應安全隱患及事故征候的積極度(x12)作為主因素。

2.2.2 預測模型因變量的選取

在經(jīng)過多種應激程度的測評方法比較后，選擇心率變異性(heart rate variability, HRV)，通過分析交感神經(jīng)和副交感神經(jīng)的活性水平來評估心理應激強度，根據(jù)HRV所使用頻域指標的相關(guān)規(guī)范，將管制員應激程度劃分為重度應激、中度應激和輕度應激3個等級，故取Y=1(重度應激)，Y=2(中度應激)，Y=3(輕度應激)，并將它們作為本次預測模型的因變量。

2.2.3 預測模型自變量的選取

根據(jù)在華東地區(qū)某空管局針對一線管制員所調(diào)研的300份問卷調(diào)查和所收集的相應管制員工作負荷，綜合考慮管制員工作的特殊性，初步選出以下12個主因素(x1～x12)為候選自變量，劃分標準如表1。

表1 解釋變量及其劃分方法Table 1 Explain variables and their division methods

所選取的12個自變量中不僅包含定性變量還含有定量變量。對于定量變量，其輸入值為實際計算值。筆者研究的定量變量有同一時間所指揮的航空器數(shù)量x6；而對于定性變量，則要對其進行劃分，引入虛擬變量，研究的定性變量包括注意力持續(xù)集中的時間x1、管制通話溝通規(guī)范性x2、特情處置效率x3、沖突預判與解脫能力x4、管制熟練度x5、扇區(qū)碰撞風險概率x7、受軍航活動影響的航線使用限制x8、航空器沖突因子(距離)x9、遵守間隔標準和放行許可情況x10、定期進行安全培訓與考核x11、反應安全隱患及事故征候的積極度x12。例如注意力持續(xù)集中的時間，為定性變量，將10～30 min的注意力持續(xù)集中時間劃分為三部分：10～16 min賦值為0，17～23 min賦值為1，24～30 min賦值為2。以此類推。

2.3 管制員應激程度模型建立

本次調(diào)查有效問卷率為91.3%，滿足Logistic回歸對樣本規(guī)模的需求。將采集的數(shù)據(jù)分成兩部分：其中200份調(diào)查問卷的數(shù)據(jù)作為建模所需的觀測案例，剩余的74份用于檢驗模型預測的準確性。通過以上對模型自變量、因變量的分析，構(gòu)建基于累積Logistic回歸模型的管制員應激程度預測模型。

2.3.1 模型自變量相關(guān)性分析

以上12個自變量對管制員應激程度影響的顯著性是不同的，所以筆者采用混合逐步選擇法，將相關(guān)性顯著的解釋變量添加進模型里，同時去掉不顯著的解釋變量。取顯著水平為0.05，經(jīng)相關(guān)性分析，最終引入7個顯著的相關(guān)指標作為自變量。在管制員工作能力方面，分別為：注意力持續(xù)集中的時間x1、特情處置效率x3以及管制熟練度x5呈現(xiàn)顯性相關(guān)性；在空域復雜性方面，分別為：受軍航活動影響的航線使用限制x8與航空器沖突因子(距離)x9呈現(xiàn)顯性相關(guān)性；在安全氛圍方面，分別為：遵守間隔標準和放行許可情況x10與反應安全隱患及事故征候的積極度x12呈現(xiàn)顯性相關(guān)性；模型標定結(jié)果見表2。

表2 模型標定結(jié)果Table 2 Model calibration results

由表2可知，無論是管制員工作能力因素、空域復雜性因素、還是安全氛圍因素都與管制員應激水平相關(guān)聯(lián)，這些因素將綜合影響管制員在緊急情況下的應激程度。

2.3.2 模型建立

由表2可以得到重度應激對中度應激和輕度應激的優(yōu)勢比模型，以及重度應激和中度應激對輕度應激的優(yōu)勢比模型。由于因變量水平為3，可建立兩個回歸方程。因此，得到以下模型：

重度應激對中度應激和輕度應激的優(yōu)勢比模型為

(6)

重、中度應激對輕度應激的優(yōu)勢比模型

(7)

式中：P1，P2，P3為管制員產(chǎn)生重度應激、中度應激和輕度應激的預測概率。進而可以得到管制員重度應激和重中度應激的累積Logistic概率預測模型：

(8)

(9)

3 模型檢驗

擬采用兩種檢驗方法：一是模型的統(tǒng)計檢驗，看其是否通過平行性檢驗，以及其統(tǒng)計擬合優(yōu)度是否具有有效性；二是利用剩余的74份調(diào)查問卷的數(shù)據(jù)對預測模型進行檢驗，通過對比觀測值與預測值來評價模型在實際應用中的有效性。

3.1 模型的統(tǒng)計檢驗

3.1.1 平行性檢驗

平行性檢驗即檢驗各自變量對于因變量的影響在各個回歸方程中是否相同，進行似然比檢驗[12]，若其顯著性大于0.05，說明各回歸方程互相平行，該模型是合適的。管制員應激程度預測Logistic模型的平行性檢驗結(jié)果如表3。

表3 平行性檢驗Table 3 Parallelism test

由表3可知，其顯著性為0.189(>0.05)，通過模型的平行性檢驗，即所有Logistic函數(shù)都成立，該管制員應激程度預測Logistic回歸模型是合適的。

3.1.2 擬合優(yōu)度檢驗

由于文中模型所引入的7個顯著的相關(guān)指標均為等級變量，不存在自變量為連續(xù)值，且頻率為0的單元格的百分比僅為10.3%，所以認為傳統(tǒng)的Pearsonχ2統(tǒng)計量和Deviance統(tǒng)計量檢驗是適用的。

從表4可以看出，Pearsonχ2統(tǒng)計量的顯著性水平為0.076(>0.05)，Deviance統(tǒng)計量顯著性水平為0.690(>0.05)，該模型的擬合效果較好。

表4 Pearson χ2和Deviance統(tǒng)計量擬合優(yōu)度檢驗Table 4 Pearson χ2 and Deviance statistical fitness goodness test

對模型中所有自變量偏回歸系數(shù)是否為0進行似然比檢驗，其顯著性為0.000(<0.001)，說明包含注意力持續(xù)集中的時間、特情處置效率、管制熟練度、受軍航活動影響的航線使用限制、航空器沖突因子(距離)、遵守間隔標準和放行許可情況與反應安全隱患及事故征候的積極度等7個自變量的模型，其擬合效果優(yōu)于僅包含常數(shù)項的無效模型。

3.2 實際調(diào)查數(shù)據(jù)的檢驗

利用剩余的74份調(diào)查問卷的數(shù)據(jù)，代入管制員重度應激和重、中度應激的累積Logistic概率預測模型中，可以計算出管制員產(chǎn)生重度應激、中度應激、輕度應激的概率，得到的74組應激嚴重程度的發(fā)生概率取平均值，并與實際統(tǒng)計概率進行對比分析，其結(jié)果如表5。

表5 管制員應激程度預測效果Table 5 Prediction effect of stress level of controllers %

總計實際觀測樣本量為74組，預測準確量為56組，該模型的總體預測準確率達75.67%，并且從表5可以看出，對于重度應激的預測時，預測概率要比實際概率小0.57%，而對中度應激和輕度應激的預測時，預測概率卻比實際概率大分別為3.15%和1.32%，說明通過此模型的預測并針對相應環(huán)節(jié)進行改進和完善，未來可以降低管制員的重度應激程度的百分比。并且這3種應激程度的預測概率與實際概率的誤差值均小于4%，說明模型預測結(jié)果較準確，可信度較高，所建立的管制員應激程度預測模型的預測效果較好。

4 結(jié) 論

根據(jù)問卷調(diào)查所采集的300份數(shù)據(jù)，在累積Logistic回歸理論的基礎(chǔ)上，建立了管制員應激程度預測模型，模型整體擬合度和預測程度較好，通過以上研究，得到以下主要結(jié)論：

1)使用累積Logistic回歸模型對管制員應激進行分析并預測，將管制員應激程度劃分為3個等級作為因變量，以注意力持續(xù)集中的時間x1、特情處置效率x3、管制熟練度x5、受軍航活動影響的航線使用限制x8、航空器沖突因子(距離)x9、遵守間隔標準和放行許可情況x10與反應安全隱患及事故征候的積極度x12等作為7個自變量，分析了它們與因變量之間的顯著相關(guān)性。

2)構(gòu)建基于累積Logistic回歸模型的管制員應激程度預測模型，并對模型進行的統(tǒng)計檢驗和實際數(shù)據(jù)檢驗，檢驗表明：Pearsonχ2統(tǒng)計量和Deviance統(tǒng)計量顯著性均大于0.05，并且實際數(shù)據(jù)的預測準確率達75.67%，說明所建立的管制員應激程度預測模型總體準確度較高。

3)根據(jù)以上評價預測結(jié)果，針對管制員工作能力、空域復雜性、安全氛圍三方面主要影響因素提出增強管制員應激調(diào)節(jié)能力的措施，未來可以降低管制員重度和中度應激程度的百分比。在管制員工作能力方面，可以通過調(diào)節(jié)自身工作壓力、疲勞程度以及管制設(shè)備的可靠性，來提高管制員集中精力的時間。定期針對管制員進行特情處置能力培訓及模擬訓練，從而提高沖突預判與解脫能力，消除管制過程中的主觀潛在威脅，避免管制員由于自身業(yè)務水平不足而導致的輕度或中度應激；在空域復雜性方面，應實時關(guān)注各航線各扇區(qū)的使用情況，提前做好改航備降的準備，合理利用班組資源管理，提高管制員應激調(diào)節(jié)能力；在安全氛圍方面，各空管局應當定期組織管制員安全培訓并對相應內(nèi)容進行考核，嚴格監(jiān)督管制員在實際指揮過程中操作的規(guī)范性，從多方面多角度加強安全氛圍建設(shè)，及時發(fā)現(xiàn)并糾正工作中存在的安全隱患，減少風險因素，實現(xiàn)從主客觀兩方面綜合降低管制員重度應激和中度應激的百分比。

提出的管制員應激程度預測模型能夠較準確地評價管制員應激程度，未來研究的方向是進一步降低指標的主觀干擾性及模型的強壯性，實現(xiàn)進一步提高預測的準確度。