葉雪飛，傅 強

（中國民用航空飛行學(xué)院飛行技術(shù)學(xué)院，廣漢 618307）

0 引言

國際民用航空組織的事故統(tǒng)計數(shù)據(jù)表明，超過70%的不安全事件/事故與人為差錯直接或間接相關(guān)。文獻(xiàn)［1］著眼于飛行員的疲勞問題分析。文獻(xiàn)［2］提出了兩種度量方法來評估和比較飛行過程中的人類行為。文獻(xiàn)［3］從人機工效、人誤、組織這三方面對現(xiàn)有各類民航人因方法的特點進(jìn)行了詳細(xì)的分析。文獻(xiàn)［4］針對典型的人為因素事故案例，采用基元事件分析法進(jìn)行深度分析。文獻(xiàn)［5］基于信息加工過程設(shè)計管制人因差錯量化工具，將管制任務(wù)中的差錯界定為錯報、虛報、漏報三種差錯。文獻(xiàn)［6］提出適用于航空維修人誤概率計算的人因失誤率預(yù)測法和認(rèn)知可靠性預(yù)測法綜合分析模型。文獻(xiàn)［7］提出一種飛機駕駛?cè)艘蚩煽啃栽u估模型。文獻(xiàn)［8］根據(jù)對飛機控制系統(tǒng)開發(fā)原理的分析，提出將飛行員能力的定量標(biāo)記整合到系統(tǒng)中。文獻(xiàn)［9］分析了由人為因素導(dǎo)致飛行事故的各種危險情況，提出了利用開發(fā)的模型預(yù)防此類事故的方法。

上述文獻(xiàn)對民航人因要素的識別判斷有很大的指導(dǎo)意義，但通過對以往文獻(xiàn)的回顧，尚未發(fā)現(xiàn)針對暴露安全問題的人因要素之間是否存在關(guān)聯(lián)關(guān)系而開展的研究。在民航運行各階段中存在著眾多人因要素，各人因要素綜合作用導(dǎo)致不安全事件的發(fā)生。因此本文提出如下假設(shè)：

假設(shè)同時暴露民航安全隱患的人因要素之間存在隱含關(guān)聯(lián)規(guī)則。

本文提出利用關(guān)聯(lián)分析的方法，探究民航不安全事件中人因要素間的關(guān)聯(lián)，關(guān)聯(lián)規(guī)則［10］是數(shù)據(jù)挖掘領(lǐng)域的重要分支，近年來，關(guān)聯(lián)規(guī)則的應(yīng)用涉及多個領(lǐng)域。文獻(xiàn)［11］提出一種基于改進(jìn)Apriori 算法的肺癌風(fēng)險評估因素分析的方法。文獻(xiàn)［12］提出了一種基于Apriori 關(guān)聯(lián)規(guī)則算法的功能區(qū)識別算法。文獻(xiàn)［13］使用Apriori 算法，深入探討數(shù)據(jù)挖掘技術(shù)的實現(xiàn)過程，明確課程間關(guān)聯(lián)關(guān)系的強弱。文獻(xiàn)［14］結(jié)合層次分析法（AHP）與灰色關(guān)聯(lián)分析法建立高速公路服務(wù)區(qū)運營風(fēng)險評價指標(biāo)體系。

基于上述研究，本文提出基于Apriori 關(guān)聯(lián)分析和灰色關(guān)聯(lián)分析的綜合分析方法，研究民航不安全事件中的人因要素，找到不安全事件中最關(guān)鍵的人因要素，進(jìn)一步探究不安全事件內(nèi)部演化機理，促進(jìn)民航安全運行。

1 Apriori關(guān)聯(lián)分析方法

1.1 Apriori原理

關(guān)聯(lián)規(guī)則的Apriori 算法［15］是一種先驗概率算法，在分類上屬于單維、單層、布爾關(guān)聯(lián)規(guī)則。它利用頻繁項集特性的先驗知識，采取層次順序搜索的循環(huán)方法來完成頻繁項集的挖掘工作。

Apriori算法中定義如下。

定義1項與項集：數(shù)據(jù)庫中不可分割的最小單位信息稱為項；項的集合稱為項集。設(shè)I={i1,i2,…,in}表示數(shù)據(jù)集D全體項的集合，則I 中任意一個子集X為D的項集，若X有k個項，則稱X為k-項集。

定義2關(guān)聯(lián)規(guī)則：關(guān)聯(lián)規(guī)則是形如X→Y的表達(dá)式，其中X和Y為項集。

定義3支持度(Support)：Support( )X是指X出現(xiàn)在數(shù)據(jù)集D中的比例，即描述關(guān)聯(lián)樣本中某個特征出現(xiàn)的概率。存在如下關(guān)系：

式中：σX和 ||D分別為數(shù)據(jù)集D中包含項集X的事務(wù)數(shù)目和數(shù)據(jù)集D的事務(wù)總數(shù)。

定義4置信度(Confidence)：描述兩個特征之間相互關(guān)聯(lián)的強度，指在事物B中包含X、Y事物數(shù)的百分比，置信度則表示出現(xiàn)前項時，后項同時出現(xiàn)的概率。關(guān)系如下：

定義5強關(guān)聯(lián)規(guī)則：強關(guān)聯(lián)規(guī)則需同時滿足最小支持度閾值和最小置信度閾值，其中，最小支持度閾值和最小置信度閾值為設(shè)定值。

1.2 Apriori關(guān)聯(lián)算法

Apriori 關(guān)聯(lián)分析算法主要以搜索滿足最小支持度和最小置信度的強關(guān)聯(lián)規(guī)則為目標(biāo)，Apriori算法的流程主要分為四個步驟：

一是設(shè)置閾值；二是通過連接步得到候選k-項集；三是通過剪枝步得到頻繁k-項集并判斷是否為最高階；四是判斷強關(guān)聯(lián)規(guī)則。

流程如圖1所示。

圖1 Apriori算法邏輯

2 灰色關(guān)聯(lián)分析方法

2.1 灰色關(guān)聯(lián)原理

灰色關(guān)聯(lián)分析［16］是根據(jù)因素之間發(fā)展趨勢的相似或相異程度，來分析和確定系統(tǒng)諸因素間的關(guān)聯(lián)程度或因素對系統(tǒng)主行為的貢獻(xiàn)程度的一種方法，其目的是尋求系統(tǒng)中各因素間的主要關(guān)系，找出影響目標(biāo)值的重要因素，從而掌握系統(tǒng)的主要特征。灰色關(guān)聯(lián)算法中定義如下。

定義6母數(shù)列與子數(shù)列：母數(shù)列即為參考數(shù)列，記作A0=( )A0(1),A0(2),…,A0(n) ；子數(shù)列即為被比較數(shù)列，依次記作，A1,A2,…,Am。

定義7關(guān)聯(lián)系數(shù)：關(guān)聯(lián)系數(shù)描述了系統(tǒng)發(fā)展過程中因素之間相對變化的情況，也就是關(guān)聯(lián)程度大小。其計算公式為

式中：ρ為分辨系數(shù)，通常取ρ=0.5；Δ0i(k)為數(shù)據(jù)變換后數(shù)列的差值，而Δmin和Δmax分別為最小差值和最大差值。

定義8關(guān)聯(lián)度：關(guān)聯(lián)度為同一子數(shù)列中關(guān)聯(lián)系數(shù)的均值。其計算公式為

2.2 灰色關(guān)聯(lián)算法

灰色關(guān)聯(lián)分析算法主要以計算關(guān)聯(lián)系數(shù)和關(guān)聯(lián)度為目標(biāo)，需要確定分析序列并進(jìn)行數(shù)據(jù)變換，灰色關(guān)聯(lián)分析算法的流程如圖2所示。

圖2 灰色關(guān)聯(lián)算法邏輯

（1）確定分析序列。不安全事件的產(chǎn)生可能是眾人因要素共同作用的結(jié)果，而不同人因要素出現(xiàn)的頻次隨著時間的變化而變化，對人因要素的灰色關(guān)聯(lián)分析本質(zhì)就是比較分析眾多人因要素在不安全事件中時間趨勢發(fā)展的變化。因此，使用分類匯總的辦法，以各人因要素在不同時間段的頻率為子序列（被比較數(shù)列），以不同時間段的頻率的總數(shù)為母數(shù)列（參考數(shù)列）。

（2）數(shù)據(jù)變換。由于要分析母數(shù)列與子數(shù)列的變化趨勢，而數(shù)據(jù)的量綱不一定相同，各數(shù)列差別較大，因此需要對原始數(shù)列進(jìn)行處理，使之無量綱化和規(guī)一化。在灰色關(guān)聯(lián)分析中常用的數(shù)據(jù)變換方法有三種，分別是初值化處理、均值化處理和區(qū)間值化處理，本文采用均值化處理方法。

3 實驗研究

3.1 數(shù)據(jù)研究

本文選取的數(shù)據(jù)來自美國航空安全自愿報告系統(tǒng)（aviation safety reporting system，ASRS）。研究數(shù)據(jù)時間跨度為2015 年1 月至2019 年12月。本文主要研究其中Human Factors，Local Time Of Day 這兩個字段的內(nèi)容，其中，Human Factors 主要記錄不安全事件中的人因要素。Local Time Of Daye 記錄不安全事件在當(dāng)?shù)匕l(fā)生的時間，按6 個小時劃分為四個時間段。Human Factors 涉及12 類人因要素，每一個個案涉及到的人因要素并不固定，本文針對人因要素重新進(jìn)行編碼，HF表示人因，見表1。

依據(jù)Human Factors 字段，對案例中的人因要素進(jìn)行0-1編碼。1表示某一起不安全事件涉及該人因要素，0表示該起不安全事件與該人因要素?zé)o關(guān)。遍歷所有個案后，將數(shù)據(jù)集轉(zhuǎn)化為0-1矩陣。

3.2 網(wǎng)絡(luò)圖

基于對人因要素之間聯(lián)系的探究，針對0-1矩陣進(jìn)行數(shù)據(jù)分析，繪制關(guān)聯(lián)網(wǎng)絡(luò)圖。人因要素網(wǎng)絡(luò)如圖3所示。

圖3 人因要素關(guān)聯(lián)性網(wǎng)絡(luò)

在圖3 中，設(shè)置顯示字段為12 類人因要素的真值（即只顯示=1 的值）。人因要素間連線的粗細(xì)代表人因要素同時出現(xiàn)的頻數(shù)，同時出現(xiàn)的頻數(shù)越高，其連線越粗，反之則越細(xì)。圖中顯示的連線分為三個類別，頻次依次為1500 以上、1000到1500和1000以下。

通過人因要素網(wǎng)絡(luò)圖可以對人因要素兩兩之間的關(guān)聯(lián)關(guān)系進(jìn)行初判。由圖3結(jié)合網(wǎng)絡(luò)輸出數(shù)據(jù)，不難得出以下結(jié)論：①情景感知問題和溝通不當(dāng)問題同時出現(xiàn)的頻次最高，達(dá)2178次；②情景感知問題和困惑問題同時出現(xiàn)的頻次較高，達(dá)1912 次；③情景感知問題與分心問題同時出現(xiàn)的頻次較高，達(dá)1672次。

3.3 強關(guān)聯(lián)規(guī)則

SPSS Modeler軟件中設(shè)置最低條件支持度為6%，最小規(guī)則置信度為50%，最大前項數(shù)為5，找到如表2所示的7條關(guān)聯(lián)規(guī)則。

表2 人因要素關(guān)聯(lián)規(guī)則挖掘結(jié)果

結(jié)合各人因要素含義，對支持度和置信度的實際意義可以解釋為：當(dāng)出現(xiàn)前項中的人因問題時，通常會存在后項中的人因問題，這7條規(guī)則的后項都是情景感知問題。支持度最高為18.46%，該規(guī)則表明同時出現(xiàn)困惑和情景感知問題的概率最大。置信度最高為67.01%，該規(guī)則表明同時出現(xiàn)困惑和分心問題時，出現(xiàn)情景感知問題的概率最大。

3.4 灰色關(guān)聯(lián)系數(shù)與灰色關(guān)聯(lián)度

（1）關(guān)聯(lián)系數(shù)代表著該子序列（即該人因要素）與母序列時間維度上的關(guān)聯(lián)程度值。圖4 為各人因要素不同時間段的關(guān)聯(lián)系數(shù)，其值越大，顏色越深，代表關(guān)聯(lián)性越強。其 中， Time1=0001-0600， Time2=0601-1200，Time3=1201-1800，Time4=1801-2400。圖中顏色最深的子序列為HF07，即情景感知問題，表明情景感知問題與不安全事件的關(guān)聯(lián)性最強，其次為HF01，即溝通不當(dāng)問題。

圖4 人因要素關(guān)聯(lián)系數(shù)熱力

（2）由關(guān)聯(lián)系數(shù)的均值得到關(guān)聯(lián)度，關(guān)聯(lián)度值介于0～1 之間，關(guān)聯(lián)度越高，意味著子序列與“參考序列”（母序列）之間關(guān)系越緊密，因而該人因要素評價越高。針對所有子序列進(jìn)行排序，得到各人因要素排名。表3 為12 類人因要素關(guān)聯(lián)度及其排名。

從表3 可以看出：針對12 類人因要素，情景感知問題評價最高（關(guān)聯(lián)度為0.949），其次是溝通不當(dāng)問題（關(guān)聯(lián)度為0.877）和分心問題（關(guān)聯(lián)度為0.840）。

4 結(jié)語

強關(guān)聯(lián)規(guī)則中后項均為情景感知問題，支持度最高為18.46%，該規(guī)則表明同時出現(xiàn)困惑和情景感知問題的概率最大；置信度最高為67.01%，該規(guī)則表明同時出現(xiàn)困惑和分心問題時，出現(xiàn)情景感知問題的概率最大。

對12 類人因要素進(jìn)行關(guān)聯(lián)度計算，分析得出情景感知問題、溝通不當(dāng)、分心、時間壓力、困惑、故障排除能力不足、工作負(fù)擔(dān)、其他生理問題、疲勞、人機交互問題、培訓(xùn)或資格認(rèn)證缺失和其他/未知導(dǎo)致不安全事件的關(guān)聯(lián)度依次為0.949、0.877、0.84、0.797、0.766、0.705、0.675、0.617、0.604、0.57、0.562、0.432，從而確定情景感知問題為關(guān)鍵因素。

利用Apriori 和灰色關(guān)聯(lián)分析綜合分析模型對民航不安全事件中的人因要素進(jìn)行關(guān)聯(lián)規(guī)則的挖掘，為未來民用航空安全管理和控制提供了輔助手段，為今后制定短期的安全目標(biāo)提供了理論參考。

建議完善安全管理體系，明確管理人員職能，完善監(jiān)督檢查機制，增強應(yīng)急突發(fā)事件處置的培訓(xùn)和訓(xùn)練，強化情景意識和決斷意識。