基于累积Logistic回归模型的管制员应激程度预(4)

2)构建基于累积Logistic回归模型的管制员应激程度预测模型，并对模型进行的统计检验和实际数据检验，检验表明：Pearsonχ2统计量和Deviance统计量显著性均大于0.05，并且实际数据的预测准确率达75.67%，说明所建立的管制员应激程度预测模型总体准确度较高。

3)根据以上评价预测结果，针对管制员工作能力、空域复杂性、安全氛围三方面主要影响因素提出增强管制员应激调节能力的措施，未来可以降低管制员重度和中度应激程度的百分比。在管制员工作能力方面，可以通过调节自身工作压力、疲劳程度以及管制设备的可靠性，来提高管制员集中精力的时间。定期针对管制员进行特情处置能力培训及模拟训练，从而提高冲突预判与解脱能力，消除管制过程中的主观潜在威胁，避免管制员由于自身业务水平不足而导致的轻度或中度应激；在空域复杂性方面，应实时关注各航线各扇区的使用情况，提前做好改航备降的准备，合理利用班组资源管理，提高管制员应激调节能力；在安全氛围方面，各空管局应当定期组织管制员安全培训并对相应内容进行考核，严格监督管制员在实际指挥过程中操作的规范性，从多方面多角度加强安全氛围建设，及时发现并纠正工作中存在的安全隐患，减少风险因素，实现从主客观两方面综合降低管制员重度应激和中度应激的百分比。

提出的管制员应激程度预测模型能够较准确地评价管制员应激程度，未来研究的方向是进一步降低指标的主观干扰性及模型的强壮性，实现进一步提高预测的准确度。

[1] KUO C W, TANG M L, JOU R C. A study of job stress and turnover tendency among air traffic controllers: the mediating effects of job satisfaction [J].TransportationResearchPartE, 2013, 57(4): 95-104.

[2] GONZAIO TOBARUELA. A method to estimate air traffic controller mental workload based on traffic clearances [J].JournalofAirTransportationManagement, 2014, 7(39): 59-71.

[3] 王永刚,陈道刚. 基于结构方程模型的管制员情境意识影响因素研究[J]. 中国安全科学学报,2013,23(7):19-25.

WANG Yonggang, CHEN Daogang. Research on influencing factors of manager’s situation consciousness based on structural equation model [J].ChineseJournalofSafetyScience, 2013, 23(7): 19-25.

[4] 陈芳,罗云. 管制员安全能力模型研究[J]. 中国安全科学学报,2012,22(1):17-22.

CHEN Fang, LUO Yun. Research on controller's safety capability model [J].ChineseJournalofSafetyScience, 2012, 22(1): 17-22.

[5] 谭弘. 民航飞行员心理应激及相关因素的关系研究[D]. 天津:天津师范大学,2007.

TAN rsofCivilAviationPilots[D]. Tianjin: Tianjin Normal University, 2007.

[6] 卢彩铃. 心理应激的模型化方法及应用[D]. 北京:北京化工大学,2014.

LU [D]. Beijing: Beijing University of Chemical Technology, 2014.

[7] 王济川,郭志刚. Logistic回归模型--方法与应用[M]. 北京:高等教育出版社,2001:237-239.

WANG Jichuan, GUO :MethodandApplication[M]. Beijing: Higher Education Press, 2001: 237-239.

[8] 张菊连,沈明荣. 岩体分级的多分类有序因变量Logistic回归模型[J]. 同济大学学报(自然科学版),2011,39(4):507-511.

ZHANG Julian, SHEN Mingrong. Multi-class ordered dependent variable Logistic regression model of rock mass classification [J].JournalofTongjiUniversity(NaturalScienceEdition), 2011, 39(4): 507-511.

[9] 黄兴柱. 基于多元Logistic回归模型的房地产预警研究——以济南为例[D]. 山东:济南大学,2012.

HUANG essionModel：TakingJinanasanExample[D]. Shandong: Ji’nan University, 2012.

[10] TANEICHI N, SEKIYA Y, TOYAMA J. Improved transformed deviance statistic for testing a logistic regression model [J].JournalofMultivariateAnalysis, 2011, 102(9): 1263-1279.

[11] LAM T H, ONG S G, WONG C M, et al. Mental health and work stress in office workers in Hong Kong [J].JournalofOccupationalMedicineOfficialPublicationoftheIndustrialMedicalAssociation, 1985, 27(3): 199-204.

[12] 孙小端, 侯洋洋, 贺玉龙,等. 青藏高原双车道事故严重程度预测模型的建立[J]. 重庆交通大学学报(自然科学版), 2017, 36(7):106-110.

SUN Xiaoduan, HOU Yangyang, HE Yulong, et al. Establishment of a two-lane accident severity prediction model for the Qinghai-Tibet Plateau [J].JournalofChongqingJiaotongUniversity(NaturalScience), 2017, 36(7): 106-110.

0 引 言管制员作为空中交通的指挥者，是确保飞机航行安全的关键所在。在航班急剧增加而空域基本保持不变的压力之下，要求管制员同一时间所指挥的飞机数量也急剧增加，管制员能在紧急情况和高压状态下容易产生疲劳等不良应激反应。因此，有必要建立科学的管制员应激程度预测模型，客观、正确地分析并预测管制员的应激能力，力保管制员迅速做出正确的决断与指挥，尽量避免因管制员人为因素造成的空管危险事件发生。随着管制员可靠性问题日益突出，大部分国内外学者针对管制员的差错分类及情景意识做进一步研究。C. W. KUO等[1]基于台湾航空运输量和空中交通管制人员独特的工作特征，建立了台湾管制员离职率与应激源之间的关系模型；GONZAIO TOBARUELA[2]通过评估管制员的工作负荷，从而更准确地估计实际空域容量，并将这一技术应用于实时监控管制员业务工作负荷和部门工作负载不平衡业务中，有助于提高ATM系统性能；王永刚等[3]为提高管制员在复杂、动态工作环境中的情景意识，预防人为差错的发生，运用结构方程模型，从内外两方面分析了影响管制员情景意识的因素；陈芳等[4]从身体素质、业务素质和意识3个结构维度建立了管制员安全能力模型，通过逼近理想解排序法(TOPSIS)对管制员安全能力进行了排序和评价。通常所说的应激反应是指：个体在面临或察觉(认知、评价)到环境变化(应激源)对机体有威胁或挑战时做出的适应和应对过程[5]。大部分的学者仅针对管制员的差错分类和情景意识做了研究，并未细致分析影响管制员应激行为的因素及其关系，更没有对其应激程度进行较为准确地预测。管制员在指挥航空器过程中产生的应激行为受到其工作本身、管制员角色的扮演、与飞行员及其同事的关系等各种因素影响[6]，而这些因素通常以心理行为和认知反应的方式出现，难以具体测量。对于包含多变量的统计分析模型，累积Logistic回归法可以定量分析模型中自变量与因变量之间的联系程度[7]。综上，将累积Logistic回归模型用于预测管制员应激程度，克服了应激不可测的不足，建立管制员应激程度预测模型，并对模型的适用性和有效性进行验证，弥补了我国关于管制员应激研究量化的空白。1 累积Logistic回归模型算法1.1 自变量的筛选采用混合逐步选择法，取显著性水平0.05，向模型中添加或去掉候选自变量，最终得到与管制员应激程度显著相关的自变量 累积Logistic回归模型原理累积Logistic回归模型[8]是针对有序多分类反应变量的一种统计分析方法，所研究的管制员应激程度预测正是一个有序多级别划分的非线性问题，采用累积Logistic模型可以使结果更准确。累积Logistic回归模型定义为(1)式中：Ls为第s个累积Logit模型；y为有J+1种类别(j=1,2 ，J+1)的实测反应变量，其取值及各值之间的关系为(y=1)<(y=2)<…<(y=J+1)；x为自变量向量，服从Logit分布；β为回归系数；p(y=j/x)为反应变量属于级别j时的概率。式(1)中的累积概率为其中(2)由式(2)可得到累积概率，便可求出属于某一应激类别的概率为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 模型拟合优度检验建完模型后，需要对其有效性和预测准确性进行检验。将采用两种检验方法，一是模型的统计检验(利用Pearsonχ2检验和Deviance统计量)；二是利用数据进行对比检验，将一部分实测数据与预测值相比较来评价模型的预测准确度 Pearsonχ2检验Pearsonχ2检验是通过频数检验模型成立的假设[9]。其标准χ2统计量计算公式为(4)其中，χ2的自由度为协变类型数目与参数数目之间的差距，χ2统计量的值越小，说明该模型拟合效果越好 偏差(Deviance)统计量在Logistic回归模型中，将偏差统计量(对数似然比统计量)D视为拟合优度检验统计量[10]。模型的偏差用D来表示：(5)当值近似于值时，D的取值就会很小，此时所假设的模型拟合度较好。将按照如图1所示的流程来建立完整的管制员应激程度预测模型，并对其进行分析和评估。图1 模型建立及检验流程Fig. 1 Flow chart of model establishment and verification2 管制员应激程度预测Logistic模型建立2.1 建模数据获取为了获取建模数据，针对华东地区某空管局一线空中交通管制员设计了问卷调查，其中共包括12个观测变量。这次问卷调查随机抽取300名测试人员，剔除无效问卷后得到合格问卷为274份。有效问卷率为91.3%。职业性应激反应多出现在责任重大的工种和高危行业，空中交通管制员正是其中之业萚11]曾提出“人-环境拟合模式”来研究职业性应激反应，这种模式着重研究人的作业能力与作业环境和工作负荷之间的匹配程度。从管制员个人管制技术和管制员工作外部环境两大方面分析其应激程度，从主观和客观两大角度建立管制员应激能力预测模型。主观性角度，通过咨询多位一线管制员和专家的意见，将管制员个人管制技术定义为管制员工作能力；客观性角度，将管制员工作外部环境定义为空域复杂性、安全氛围两个维度。并将从以上所定义的管制员工作能力、空域复杂性、安全氛围这三大方向选取作为累积Logistic回归模型的主影响因素 管制员应激程度预测模型的变量选取及分析2.2.1 主影响因素的选取结合管制工作的具体情况和相关学者对空管人因可靠性的研究，在管制员工作能力方面，选取注意力持续集中的时间(x1)、管制通话沟通规范性(x2)、特情处置效率(x3)、冲突预判与解脱能力(x4)、管制熟练度(x5)作为主因素；空域复杂性方面，选取同一时间所指挥的航空器数量(x6)、扇区碰撞风险概率(x7)、受军航活动影响的航线使用限制(x8)、航空器冲突因子(距离)(x9)作为主因素；安全氛围方面，选取遵守间隔标准和放行许可情况(x10)、定期进行安全培训与考核(x11)、反应安全隐患及事故征候的积极度(x12)作为主因素 预测模型因变量的选取在经过多种应激程度的测评方法比较后，选择心率变异性(heart rate variability, HRV)，通过分析交感神经和副交感神经的活性水平来评估心理应激强度，根据HRV所使用频域指标的相关规范，将管制员应激程度划分为重度应激、中度应激和轻度应激3个等级，故取Y=1(重度应激)，Y=2(中度应激)，Y=3(轻度应激)，并将它们作为本次预测模型的因变量 预测模型自变量的选取根据在华东地区某空管局针对一线管制员所调研的300份问卷调查和所收集的相应管制员工作负荷，综合考虑管制员工作的特殊性，初步选出以下12个主因素(x1～x12)为候选自变量，划分标准如表1。表1解释变量及其划分方法Table1Explainvariablesandtheirdivisionmethods评价类别变量符号变量内容变量划分管制员工作能力x1注意力持续集中的时间10～16 min=0 17～23 min=1 24～30 min=2x2管制通话沟通规范性不规范=0 较规范=1 规范=2x3特情处置效率效率低下=0 效率较高=1 效率高=2x4冲突预判与解脱能力缺乏预判与解脱能力=0 能准确判断并及时解脱冲突=1x5管制熟练度不熟练=0 较熟练=1 非常熟练=2空域复杂性x6同一时间所指挥的航空器数量/架次[3,8]x7扇区碰撞风险概率30%以下=0 30%～60%=1 60%以上=2x8受军航活动影响的航线使用限制航线关闭=0 航线正常使用=1x9航空器冲突因子(距离)6～9 km=0 9～12 km=1 12～15 km=2x10遵守间隔标准和放行许可情况经常违反=0 偶尔违反=1 时刻严格遵守=2安全氛围x11定期进行安全培训与考核6个月及以上培训一次=0 4～5个月培训一次=1 3个月及以下培训一次=2x12反应安全隐患及事故征候的积极度刻意隐瞒=0 偶尔反应=1 积极反应=2所选取的12个自变量中不仅包含定性变量还含有定量变量。对于定量变量，其输入值为实际计算值。笔者研究的定量变量有同一时间所指挥的航空器数量x6；而对于定性变量，则要对其进行划分，引入虚拟变量，研究的定性变量包括注意力持续集中的时间x1、管制通话沟通规范性x2、特情处置效率x3、冲突预判与解脱能力x4、管制熟练度x5、扇区碰撞风险概率x7、受军航活动影响的航线使用限制x8、航空器冲突因子(距离)x9、遵守间隔标准和放行许可情况x10、定期进行安全培训与考核x11、反应安全隐患及事故征候的积极度x12。例如注意力持续集中的时间，为定性变量，将10～30 min的注意力持续集中时间划分为三部分：10～16 min赋值为0，17～23 min赋值为1，24～30 min赋值为2。以此类推 管制员应激程度模型建立本次调查有效问卷率为91.3%，满足Logistic回归对样本规模的需求。将采集的数据分成两部分：其中200份调查问卷的数据作为建模所需的观测案例，剩余的74份用于检验模型预测的准确性。通过以上对模型自变量、因变量的分析，构建基于累积Logistic回归模型的管制员应激程度预测模型 模型自变量相关性分析以上12个自变量对管制员应激程度影响的显著性是不同的，所以笔者采用混合逐步选择法，将相关性显著的解释变量添加进模型里，同时去掉不显著的解释变量。取显著水平为0.05，经相关性分析，最终引入7个显著的相关指标作为自变量。在管制员工作能力方面，分别为：注意力持续集中的时间x1、特情处置效率x3以及管制熟练度x5呈现显性相关性；在空域复杂性方面，分别为：受军航活动影响的航线使用限制x8与航空器冲突因子(距离)x9呈现显性相关性；在安全氛围方面，分别为：遵守间隔标准和放行许可情况x10与反应安全隐患及事故征候的积极度x12呈现显性相关性；模型标定结果见表2。表2模型标定结果Table2Modelcalibrationresults参数估值标准误差Walddf显著性95%置信区间下限上限重度应激-中度应激<<由表2可知，无论是管制员工作能力因素、空域复杂性因素、还是安全氛围因素都与管制员应激水平相关联，这些因素将综合影响管制员在紧急情况下的应激程度 模型建立由表2可以得到重度应激对中度应激和轻度应激的优势比模型，以及重度应激和中度应激对轻度应激的优势比模型。由于因变量水平为3，可建立两个回归方程。因此，得到以下模型：重度应激对中度应激和轻度应激的优势比模型为(6)重、中度应激对轻度应激的优势比模型(7)式中：P1，P2，P3为管制员产生重度应激、中度应激和轻度应激的预测概率。进而可以得到管制员重度应激和重中度应激的累积Logistic概率预测模型：(8)(9)3 模型检验拟采用两种检验方法：一是模型的统计检验，看其是否通过平行性检验，以及其统计拟合优度是否具有有效性；二是利用剩余的74份调查问卷的数据对预测模型进行检验，通过对比观测值与预测值来评价模型在实际应用中的有效性 模型的统计检验3.1.1 平行性检验平行性检验即检验各自变量对于因变量的影响在各个回归方程中是否相同，进行似然比检验[12]，若其显著性大于0.05，说明各回归方程互相平行，该模型是合适的。管制员应激程度预测Logistic模型的平行性检验结果如表3。表3平行性检验Table3Parallelismtest模型-2对数似然值卡方df显著性零假设广义123....189由表3可知，其显著性为0.189(>0.05)，通过模型的平行性检验，即所有Logistic函数都成立，该管制员应激程度预测Logistic回归模型是合适的 拟合优度检验由于文中模型所引入的7个显著的相关指标均为等级变量，不存在自变量为连续值，且频率为0的单元格的百分比仅为10.3%，所以认为传统的Pearsonχ2统计量和Deviance统计量检验是适用的。从表4可以看出，Pearsonχ2统计量的显著性水平为0.076(>0.05)，Deviance统计量显著性水平为0.690(>0.05)，该模型的拟合效果较好。表4Pearsonχ2和Deviance统计量拟合优度检验Table4Pearsonχ2andDeviancestatisticalfitnessgoodnesstest拟合优度指标卡方df显著性Pearson373..076偏差300..690对模型中所有自变量偏回归系数是否为0进行似然比检验，其显著性为0.000(<0.001)，说明包含注意力持续集中的时间、特情处置效率、管制熟练度、受军航活动影响的航线使用限制、航空器冲突因子(距离)、遵守间隔标准和放行许可情况与反应安全隐患及事故征候的积极度等7个自变量的模型，其拟合效果优于仅包含常数项的无效模型 实际调查数据的检验利用剩余的74份调查问卷的数据，代入管制员重度应激和重、中度应激的累积Logistic概率预测模型中，可以计算出管制员产生重度应激、中度应激、轻度应激的概率，得到的74组应激严重程度的发生概率取平均值，并与实际统计概率进行对比分析，其结果如表5。表5管制员应激程度预测效果Table5Predictioneffectofstresslevelofcontrollers%重度应激中度应激轻度应激实际概率预测概率误差总计实际观测样本量为74组，预测准确量为56组，该模型的总体预测准确率达75.67%，并且从表5可以看出，对于重度应激的预测时，预测概率要比实际概率小0.57%，而对中度应激和轻度应激的预测时，预测概率却比实际概率大分别为3.15%和1.32%，说明通过此模型的预测并针对相应环节进行改进和完善，未来可以降低管制员的重度应激程度的百分比。并且这3种应激程度的预测概率与实际概率的误差值均小于4%，说明模型预测结果较准确，可信度较高，所建立的管制员应激程度预测模型的预测效果较好。4 结 论根据问卷调查所采集的300份数据，在累积Logistic回归理论的基础上，建立了管制员应激程度预测模型，模型整体拟合度和预测程度较好，通过以上研究，得到以下主要结论：1)使用累积Logistic回归模型对管制员应激进行分析并预测，将管制员应激程度划分为3个等级作为因变量，以注意力持续集中的时间x1、特情处置效率x3、管制熟练度x5、受军航活动影响的航线使用限制x8、航空器冲突因子(距离)x9、遵守间隔标准和放行许可情况x10与反应安全隐患及事故征候的积极度x12等作为7个自变量，分析了它们与因变量之间的显著相关性。2)构建基于累积Logistic回归模型的管制员应激程度预测模型，并对模型进行的统计检验和实际数据检验，检验表明：Pearsonχ2统计量和Deviance统计量显著性均大于0.05，并且实际数据的预测准确率达75.67%，说明所建立的管制员应激程度预测模型总体准确度较高。3)根据以上评价预测结果，针对管制员工作能力、空域复杂性、安全氛围三方面主要影响因素提出增强管制员应激调节能力的措施，未来可以降低管制员重度和中度应激程度的百分比。在管制员工作能力方面，可以通过调节自身工作压力、疲劳程度以及管制设备的可靠性，来提高管制员集中精力的时间。定期针对管制员进行特情处置能力培训及模拟训练，从而提高冲突预判与解脱能力，消除管制过程中的主观潜在威胁，避免管制员由于自身业务水平不足而导致的轻度或中度应激；在空域复杂性方面，应实时关注各航线各扇区的使用情况，提前做好改航备降的准备，合理利用班组资源管理，提高管制员应激调节能力；在安全氛围方面，各空管局应当定期组织管制员安全培训并对相应内容进行考核，严格监督管制员在实际指挥过程中操作的规范性，从多方面多角度加强安全氛围建设，及时发现并纠正工作中存在的安全隐患，减少风险因素，实现从主客观两方面综合降低管制员重度应激和中度应激的百分比。提出的管制员应激程度预测模型能够较准确地评价管制员应激程度，未来研究的方向是进一步降低指标的主观干扰性及模型的强壮性，实现进一步提高预测的准确度。参考文献( References) :[1] KUO C W, TANG M L, JOU R C. A study of job stress and turnover tendency among air traffic controllers: the mediating effects of job satisfaction [J].TransportationResearchPartE, 2013, 57(4): 95-104.[2] GONZAIO TOBARUELA. A method to estimate air traffic controller mental workload based on traffic clearances [J].JournalofAirTransportationManagement, 2014, 7(39): 59-71.[3] 王永刚,陈道刚. 基于结构方程模型的管制员情境意识影响因素研究[J]. 中国安全科学学报,2013,23(7): Yonggang, CHEN Daogang. Research on influencing factors of manager’s situation consciousness based on structural equation model [J].ChineseJournalofSafetyScience, 2013, 23(7): 19-25.[4] 陈芳,罗云. 管制员安全能力模型研究[J]. 中国安全科学学报,2012,22(1): Fang, LUO Yun. Research on controller's safety capability model [J].ChineseJournalofSafetyScience, 2012, 22(1): 17-22.[5] 谭弘. 民航飞行员心理应激及相关因素的关系研究[D]. 天津:天津师范大学,2007.TAN rsofCivilAviationPilots[D]. Tianjin: Tianjin Normal University, 2007.[6] 卢彩铃. 心理应激的模型化方法及应用[D]. 北京:北京化工大学,2014.LU [D]. Beijing: Beijing University of Chemical Technology, 2014.[7] 王济川,郭志刚. Logistic回归模型--方法与应用[M]. 北京:高等教育出版社,2001: Jichuan, GUO :MethodandApplication[M]. Beijing: Higher Education Press, 2001: 237-239.[8] 张菊连,沈明荣. 岩体分级的多分类有序因变量Logistic回归模型[J]. 同济大学学报(自然科学版),2011,39(4): Julian, SHEN Mingrong. Multi-class ordered dependent variable Logistic regression model of rock mass classification [J].JournalofTongjiUniversity(NaturalScienceEdition), 2011, 39(4): 507-511.[9] 黄兴柱. 基于多元Logistic回归模型的房地产预警研究——以济南为例[D]. 山东:济南大学, essionModel：TakingJinanasanExample[D]. Shandong: Ji’nan University, 2012.[10] TANEICHI N, SEKIYA Y, TOYAMA J. Improved transformed deviance statistic for testing a logistic regression model [J].JournalofMultivariateAnalysis, 2011, 102(9): 1263-1279.[11] LAM T H, ONG S G, WONG C M, et al. Mental health and work stress in office workers in Hong Kong [J].JournalofOccupationalMedicineOfficialPublicationoftheIndustrialMedicalAssociation, 1985, 27(3): 199-204.[12] 孙小端, 侯洋洋, 贺玉龙,等. 青藏高原双车道事故严重程度预测模型的建立[J]. 重庆交通大学学报(自然科学版), 2017, 36(7): Xiaoduan, HOU Yangyang, HE Yulong, et al. Establishment of a two-lane accident severity prediction model for the Qinghai-Tibet Plateau [J].JournalofChongqingJiaotongUniversity(NaturalScience), 2017, 36(7): 106-110.

文章来源：《交通运输工程学报》 网址: http://www.jtysgcxb.cn/qikandaodu/2020/1024/410.html