空中交通管制員人為差錯(cuò)風(fēng)險(xiǎn)評(píng)估

劉力銘

摘要：本文主要通過(guò)對(duì)國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行分析和歸納總結(jié)，結(jié)合人為因素對(duì)管制員人為差錯(cuò)進(jìn)行歸類(lèi)分析，從個(gè)體、群體、環(huán)境、組織等方面建立管制員人為差錯(cuò)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。采用基于GeNIe軟件的貝葉斯網(wǎng)絡(luò)綜合評(píng)價(jià)法，構(gòu)建貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，獲得各指標(biāo)狀態(tài)下管制員產(chǎn)生人為差錯(cuò)的概率分布。根據(jù)概率分布情況，對(duì)相應(yīng)指標(biāo)提出風(fēng)險(xiǎn)緩解意見(jiàn)，以加強(qiáng)對(duì)管制員人為差錯(cuò)風(fēng)險(xiǎn)防范，提高空中交通管制安全性。

Abstract： This paper mainly analyzes and summarizes the research status at home and abroad. It classifies and analyzes the controller's human error by combining human factors， and establishes the controller's human error risk assessment index system from individual， group， environment， organization and other aspects. A Bayesian network comprehensive evaluation method based on GeNIe software was used to construct a Bayesian network topology structure in order to obtain the probability distribution of human error caused by controllers in each indicator state. According to the probability distribution， this paper proposes risk mitigation opinions on corresponding indicators to strengthen the prevention of human error of controllers and improve the safety of air traffic control.

關(guān)鍵詞：風(fēng)險(xiǎn)評(píng)估;風(fēng)險(xiǎn)管理;人為因素;貝葉斯網(wǎng)絡(luò);GeNIe

Key words： risk assessment;risk management;human factors;Bayesian network;GeNIe

中圖分類(lèi)號(hào)：V355.1 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1006-4311（2020）08-0121-04

1 ?緒論

1.1 研究背景及意義

在當(dāng)今時(shí)代，面對(duì)高速蓬勃發(fā)展的民航業(yè)，航班架次日益增多、客流量日益加大，必將會(huì)給民航從業(yè)人員帶來(lái)更大的風(fēng)險(xiǎn)壓力隱患。在2018年期間，我國(guó)航空安全領(lǐng)域全年共發(fā)生運(yùn)輸航空事故癥候568起，運(yùn)輸航空嚴(yán)重事故癥候有16起?；仡?016年10月11日上海虹橋機(jī)場(chǎng)跑道入侵事件，就是當(dāng)班塔臺(tái)管制員在高強(qiáng)度、疲勞工作下，遺漏了之前下達(dá)的管制指令，未能實(shí)時(shí)掌握航空器運(yùn)行狀態(tài)，造成在其管制指揮下，兩架航空器發(fā)生小于間隔的不安全事件[1]。由此可見(jiàn)，管制員作為民航工作領(lǐng)域中的重要一環(huán)，在安全風(fēng)險(xiǎn)的管控與評(píng)估方面需要重點(diǎn)研究分析。

1.2 基本研究方法

綜合查閱大量文獻(xiàn)，并結(jié)合近年來(lái)空管人為差錯(cuò)案例，總結(jié)概括出空管人為差錯(cuò)的幾大類(lèi)因素指標(biāo)，在此基礎(chǔ)上進(jìn)一步細(xì)分，建立管制員人為差錯(cuò)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，利用貝葉斯網(wǎng)絡(luò)集結(jié)專家打分意見(jiàn)，推理學(xué)習(xí)出各節(jié)點(diǎn)的事故概率，并結(jié)合結(jié)果進(jìn)行的安全評(píng)價(jià)，找出危險(xiǎn)環(huán)節(jié)并針對(duì)性提出管理管控意見(jiàn)。

2 ?人為差錯(cuò)分析理論及模型概述

SHEL模型（圖1）：它是由愛(ài)德華教授首次提出在安全工作中人所處的特定系統(tǒng)界面，他認(rèn)為該界面包括軟件（S-software）、硬件（H-hardware）、環(huán)境（E-environment）和人（L-liveware）四個(gè)要素。 該模型可用來(lái)分析航空系統(tǒng)內(nèi)各部分之間的制約影響關(guān)系。

2.1 管制員人為差錯(cuò)風(fēng)險(xiǎn)評(píng)估指標(biāo)構(gòu)建

根據(jù)SHEL模型（如圖1），在管制員工作環(huán)境中，人與人、人與設(shè)備、人與環(huán)境等環(huán)節(jié)都存在潛在人為差錯(cuò)的可能性，本小節(jié)將從管制員人為差錯(cuò)分為內(nèi)部因素和外部因素（與其他管制員、設(shè)備、環(huán)境要素關(guān)系）兩個(gè)主要方面入手，構(gòu)建管制員人為差錯(cuò)的風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。

2.1.1 管制員人為差錯(cuò)內(nèi)部因素

管制員人為差錯(cuò)內(nèi)部因素主要包括心理狀態(tài)、生理狀態(tài)、自身業(yè)務(wù)技術(shù)水平等（圖2），主要以管制員自身個(gè)體為單位，是由于其自身的各種情況導(dǎo)致管制工作中出現(xiàn)差錯(cuò)。

2.1.2 管制員人為差錯(cuò)外部因素

管制員人為差錯(cuò)的外部因素主要包括硬件設(shè)施因素、軟件因素、環(huán)境因素、群體因素等方面。如圖3所示。

2.2 管制員人為差錯(cuò)風(fēng)險(xiǎn)評(píng)估體系

將內(nèi)部因素與外部因素結(jié)合起來(lái)，構(gòu)建管制員人為差錯(cuò)風(fēng)險(xiǎn)評(píng)估體系，如圖4。

3 ?基于貝葉斯網(wǎng)絡(luò)的管制員人為差錯(cuò)風(fēng)險(xiǎn)評(píng)估

3.1 構(gòu)建貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

根據(jù)之前構(gòu)造的管制員人為差錯(cuò)因素指標(biāo)模型，上層指標(biāo)是由下層指標(biāo)來(lái)決定的，因此在貝葉斯網(wǎng)絡(luò)中的連接方式屬于匯連[2]。每一層指標(biāo)都是上層指標(biāo)的父節(jié)點(diǎn)，通過(guò)其指向子節(jié)點(diǎn)的有向邊來(lái)表示匯連的關(guān)系。（如圖5）

3.2 由專家打分法確定節(jié)點(diǎn)邊緣概率

參考文獻(xiàn)：

[1]楊波.虹橋機(jī)場(chǎng)跑道入侵事件的反思[J].大飛機(jī)，2016（6）：75-79.

[2]Pearl J. Probabilistic reasoning in intelligent systems： networks of plausible inference[J]. Computer Science Artificial Intelligence， 1991， 70（2）：1022-1027.

[3]丁松濱，茹毅.基于貝葉斯網(wǎng)絡(luò)的航空公司飛行安全系統(tǒng)評(píng)價(jià)[J].中國(guó)民航大學(xué)學(xué)報(bào)，2009，27（3）：30-36.

[4]張聰聰.基于GeNIe的某航運(yùn)安全狀況監(jiān)測(cè)軟件設(shè)計(jì)與實(shí)現(xiàn)[D].武漢理工大學(xué)，2014.

[5]鄭恒，李長(zhǎng)城，劉煜.基于貝葉斯網(wǎng)絡(luò)的路側(cè)安全評(píng)價(jià)方法[J].公路交通科技，2008，25（2）：139-144.