民航飛行員安全績效的建模與預(yù)測
——多元線性回歸模型與Elman神經(jīng)網(wǎng)絡(luò)模型的比較與應(yīng)用

陳雨嘉，王競慧，韓越，余湛

(陜西師范大學(xué)心理學(xué)院，西安 710062)

1 引言

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)是對生物神經(jīng)網(wǎng)絡(luò)或者人腦抽象表示和建模，它是一種由大量處理單元組成的并行處理、非線性、自適應(yīng)系統(tǒng)[1]。與傳統(tǒng)的線性模型相比，具有較高的容錯(cuò)性和非線性性以及自組織性能和優(yōu)秀的自我學(xué)習(xí)是人工神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)，所以與其相關(guān)的理論與應(yīng)用在目前已經(jīng)成為研究的熱點(diǎn)領(lǐng)域，研究前景廣闊[2]。

1.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)屬于人工智能的分支，是一種利用模仿生物神經(jīng)網(wǎng)絡(luò)來進(jìn)行并行分布式信息處理的算法模型[3]。人工神經(jīng)網(wǎng)絡(luò)雖然只是對生物神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)層面模仿、簡化和抽象，但其已能反映人腦功能的若干特性，可以利用經(jīng)驗(yàn)進(jìn)行學(xué)習(xí)和自我組織。人工神經(jīng)網(wǎng)絡(luò)不需要執(zhí)行指令，并行的處理輸入數(shù)據(jù)，且當(dāng)其中一個(gè)或幾個(gè)神經(jīng)元停止運(yùn)行時(shí)，整個(gè)系統(tǒng)仍能保持正確的輸出，容錯(cuò)與容噪性較強(qiáng)[4]。一種特定的人工神經(jīng)網(wǎng)絡(luò)的特性體現(xiàn)于其拓?fù)浣Y(jié)構(gòu)之中，即神經(jīng)元之間的權(quán)值和閾值以及傳遞函數(shù)。

1.2 RBF神經(jīng)網(wǎng)絡(luò)

1988年Broomhead和Lowe根據(jù)生物神經(jīng)元具有局部相應(yīng)的原理，將徑向基函數(shù)引入神經(jīng)網(wǎng)絡(luò)中，很快，RBF神經(jīng)網(wǎng)絡(luò)被證明對非線性結(jié)構(gòu)具有一致逼近的性能，逐步在不同行業(yè)和領(lǐng)域得到了廣泛應(yīng)用[5-7]。本研究使用的RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖1所示，為三層構(gòu)成前饋型局部逼近神經(jīng)網(wǎng)絡(luò)，第一層為輸入層，神經(jīng)元數(shù)等于輸入的維數(shù)(基于時(shí)間的家庭—工作沖突、基于壓力的家庭—工作沖突、基于行為的家庭—工作沖突、體力疲勞、活力減少、動(dòng)力下降以及腦力疲勞)；第二層稱為隱含層或RBF層，它包含100個(gè)神經(jīng)元；最后一層為輸出層，其神經(jīng)元數(shù)等于輸出數(shù)據(jù)的維數(shù)(安全情境績效與安全任務(wù)績效)。RBF神經(jīng)網(wǎng)絡(luò)的第k個(gè)輸出神經(jīng)元的輸出量可通過式1計(jì)算[8-9]：

(1)

其中‖P-cj‖2為輸入向量P和第j個(gè)神經(jīng)元中心cj的歐幾里得距離，

1.3 飛行安全績效

飛行安全績效是航空安全管理的關(guān)鍵內(nèi)容，對影響飛行員安全績效因素的探究也一直是航空心理學(xué)研究者們關(guān)注的焦點(diǎn)問題。在如何評價(jià)安全績效上，傳統(tǒng)上主要有兩種評價(jià)方式，一種是是用安全結(jié)果進(jìn)行評價(jià)；另一種用安全績效行為進(jìn)行評價(jià)，強(qiáng)調(diào)個(gè)體層面[10]，即用可量化的事件或者結(jié)果進(jìn)行表述，屬于組織層面?；诓煌难芯浚瑢τ陲w行員安全績效的界定也不盡相同。而一種既包含結(jié)果又納入行為的更為全面的說法是在安全情境績效和安全任務(wù)績效兩個(gè)維度上對飛行員的安全績效進(jìn)行評價(jià)[11]。

李永娟等人[12]構(gòu)建了工作壓力與安全績效的關(guān)系模型，將壓力源分為挑戰(zhàn)性壓力源和沮喪性壓力源。有研究發(fā)現(xiàn)：工作回報(bào)、角色沖突、家庭沖突、工作任務(wù)、人際沖突等是民航從業(yè)者的主要壓力來源。家庭—工作沖突是家庭與工作兩個(gè)領(lǐng)域的角色沖突，也屬于沮喪性壓力源，沮喪性壓力會(huì)阻礙個(gè)體目標(biāo)的完成，影響工作績效[13]。大量其他職業(yè)領(lǐng)域的研究也發(fā)現(xiàn)，家庭-工作沖突會(huì)影響人們的職業(yè)倦怠、工作投入和安全，從而對基層員工的工作績效產(chǎn)生負(fù)向影響[14-15]。

此外，飛行疲勞也會(huì)影響飛行員的安全績效，Gregory等人[16]的研究發(fā)現(xiàn)，84%的飛行員報(bào)告說飛行疲勞影響他們的飛行績效。Gander等人[17]的研究得出睡眠、晝夜喚醒歷史等是評價(jià)飛行員安全績效的重要指標(biāo)，晝夜交替不規(guī)律、睡眠不足等較大的影響著飛行員的安全績效。這是因?yàn)槠诮档土藗€(gè)體對外部環(huán)境的知覺和感受性，同時(shí)，飛行疲勞導(dǎo)致飛行員個(gè)體機(jī)能效率的下降，容易產(chǎn)生錯(cuò)誤判斷，引發(fā)飛行錯(cuò)覺，甚至最后錯(cuò)誤操作而引發(fā)航空事故[18-20]。

人工神經(jīng)網(wǎng)絡(luò)模型適用于研究安全績效有以下幾點(diǎn)原因：其一，安全績效并不是一個(gè)單一的變量而是一個(gè)二維的變量，而同時(shí)分析兩個(gè)維度的變量傳統(tǒng)的回歸分析方法無法做到，但人工神經(jīng)網(wǎng)絡(luò)不僅能夠同時(shí)分析安全績效的兩個(gè)維度，而且還能分析這兩個(gè)維度間的相互依存關(guān)系[21]；其二，由于飛行員安全績效與其影響變量間是否有一種線性關(guān)系無法確定，故傳統(tǒng)線性分析方法不一定能準(zhǔn)確描述變量間的關(guān)系，而利用足夠的精度人工神經(jīng)網(wǎng)絡(luò)模型能趨近于任意的連續(xù)函數(shù)，建立起安全績效及其影響變量的線性或非線性模型[22-23]；最后，傳統(tǒng)的統(tǒng)計(jì)模型在提升變量預(yù)測精確度方面存在著不足，解決這一問題需要引進(jìn)新分析方法。

為了更精確的建模飛行員安全績效與飛行疲勞、家庭沖突間的關(guān)系，同時(shí)也為了探索新的研究方法，本研究采用RBF人工神經(jīng)網(wǎng)絡(luò)模型對飛行員安全績效的影響因素進(jìn)行建模，通過與傳統(tǒng)多元回歸模型進(jìn)行比較，以分析神經(jīng)網(wǎng)絡(luò)模型的性能；采用3D繪圖技術(shù)繪制變量間的3D著色表面圖，以精確描述并分析變量間額關(guān)系。

2 方法

2.1 被試

由于被試的特殊性，共回收有效問卷為259份，有效回收率為90.1%。我國民航飛行員多為男性，因此參與問卷調(diào)查的飛行員均為男性。被試年齡范圍是22歲—47歲，平均年齡31.94 (SD=7.92)。

2.2 測量方法

2.2.1 家庭—工作沖突量表

使用Carlson和Kacmar編制的[24]工作家庭沖突量表中的家庭—工作沖突分量表，共9個(gè)項(xiàng)目，分為三個(gè)維度：即行為沖突、壓力沖突和時(shí)間沖突。采用Likert5點(diǎn)計(jì)分，從 1(非常不符合)到 5(非常符合)，得分越高表示家庭—工作沖突程度越高。本研究中該量表總的Cronbach α系數(shù)為0.904，其中行為沖突Cronbach α系數(shù)為0.701，壓力沖突Cronbach α系數(shù)為0.745，時(shí)間沖突Cronbach α系數(shù)為0.717。

2.2.2 飛行疲勞量表

采用中文版多維疲勞量表(MFI-20)測量飛行員的飛行疲勞。共20個(gè)項(xiàng)目，采用 Likert 5點(diǎn)計(jì)分，從 1(非常不符合)到5(非常符合)，得分越高表示疲勞水平越高。該量表包括腦力疲勞(Mental Fatigue)、動(dòng)力下降(Reduced Motivation)、活力減少(Reduced Activity)以及體力疲勞(Physical Fatigue)四個(gè)維度。在本研究中多維疲勞量表總的Cronbach α系數(shù)為0.911，其中腦力疲勞的Cronbach α系數(shù)為0.802，動(dòng)力下降的Cronbach α系數(shù)為0.726，活動(dòng)減少的Cronbach α系數(shù)為0.887，身體疲勞的Cronbach α系數(shù)為0.91。

2.2.3 安全績效量表

采用[25]安全績效二維模型，將飛行員的安全績效分為安全任務(wù)績效和安全情境績效。共9個(gè)項(xiàng)目，分二個(gè)維度：安全情境績效和安全任務(wù)績效。采用Likert7點(diǎn)計(jì)分，得分越高表示安全績效越高。安全績效量表的總的Cronbach α系數(shù)為0.713，其中安全情境績效的的Cronbach α系數(shù)為0.762，安全任務(wù)績效的Cronbach α系數(shù)為0.70。

2.3 數(shù)據(jù)分析方法

2.3.1 統(tǒng)計(jì)分析

本文采用Pearson積差相關(guān)分析家庭工作沖突、飛行疲勞各維度之間的相關(guān)性，采用多元回歸分析研究家庭—工作沖突和飛行疲勞對每個(gè)安全績效維度的影響，并使用交互驗(yàn)證的方法來驗(yàn)證回歸模型的普適性：即使用85%的數(shù)據(jù)來構(gòu)建回歸模型，剩余15%的數(shù)據(jù)來檢驗(yàn)該模型的預(yù)測準(zhǔn)確性。所有統(tǒng)計(jì)分析的結(jié)果都作為一種參照，用來檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型的性能。所有的統(tǒng)計(jì)分析采用Matlab R2016b進(jìn)行。

圖2 原始數(shù)據(jù)的處理過程

2.3.2 RBF神經(jīng)網(wǎng)絡(luò)分析

在應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)模型之前，需要對原始數(shù)據(jù)進(jìn)行預(yù)處理[26]，預(yù)處理過程如圖2所示。首先，將原始數(shù)據(jù)轉(zhuǎn)化為Matlab中的矩陣形式，然后，對數(shù)據(jù)中的缺失值進(jìn)行檢查，刪除6組缺失的數(shù)據(jù)。接下來，對原始數(shù)據(jù)進(jìn)行歸一化處理，即將原始數(shù)據(jù)的取值范圍固定在[-1,1]。歸一化處理后，將數(shù)據(jù)分為兩部分，一部分(220組)的數(shù)據(jù)用于網(wǎng)絡(luò)的訓(xùn)練，另一部分(39組)的數(shù)據(jù)用于網(wǎng)絡(luò)預(yù)測精度的驗(yàn)證。訓(xùn)練組與驗(yàn)證組數(shù)據(jù)為隨機(jī)劃分，這一劃分重復(fù)進(jìn)行三次，以便降低數(shù)據(jù)中極端數(shù)值對網(wǎng)絡(luò)性能的影響。RBF神經(jīng)網(wǎng)絡(luò)分析通過Matlab R2016b軟件實(shí)現(xiàn)。

為了構(gòu)建本研究所需的、具有良好性能的RBF神經(jīng)網(wǎng)絡(luò)，需要設(shè)定神經(jīng)網(wǎng)絡(luò)如下的幾個(gè)參數(shù)：

徑向基層神經(jīng)元的數(shù)量：在Matlab神經(jīng)網(wǎng)絡(luò)工具箱默認(rèn)狀態(tài)下，經(jīng)向基層神經(jīng)元數(shù)量與輸入數(shù)據(jù)的數(shù)量相同，以本實(shí)驗(yàn)來說，其數(shù)目等于220。由于神經(jīng)元數(shù)量過大會(huì)使得網(wǎng)絡(luò)過度收斂和訓(xùn)練速度降低，為了選取適當(dāng)?shù)纳窠?jīng)元數(shù)量，本研究采用自組織聚類分析法將220個(gè)神經(jīng)元數(shù)量縮減為100個(gè)。

徑向基函數(shù)的擴(kuò)展速度：本研究中擴(kuò)展速度設(shè)置為2.2。

為了更直觀的描述神經(jīng)網(wǎng)絡(luò)模型所建構(gòu)的變量之間的關(guān)系，本文使用Matlab的3D繪圖技術(shù)繪制輸入與輸出變量間的3D著色表面圖。

3 結(jié)果

3.1 描述統(tǒng)計(jì)結(jié)果

本文研究的自變量的平均數(shù)、標(biāo)準(zhǔn)差、四分位差以及相關(guān)系數(shù)如表1所示，可以看出所有變量間都存在顯著的相關(guān)關(guān)系。

表1 變量間的描述統(tǒng)計(jì)與相關(guān)關(guān)系

注：*代表P<.05,**代表P<.01。

3.2 多元線性回歸

多元線性回歸分析結(jié)果如表2所示。從表中可以看出，從表中可以看出，在安全任務(wù)績效維度，基于時(shí)間、壓力的家庭—工作沖突、身體疲勞與動(dòng)力下降為影響安全任務(wù)績效的主要變量，除動(dòng)力下降維度外，其他三個(gè)變量都與安全任務(wù)績效呈負(fù)相關(guān)；在安全情境績效維度，基于壓力的家庭—工作沖突與身體疲勞為主要影響因素，相比之下，基于壓力的家庭—工作沖突的影響更加顯著。對于所有兩個(gè)維度來說，基于壓力的家庭—工作沖突都是一個(gè)極其顯著的影響維度。

表2多元線性回歸結(jié)果

3.3 RBF神經(jīng)網(wǎng)絡(luò)分析

本節(jié)建立了RBF神經(jīng)網(wǎng)絡(luò)模型，通過模型擬合數(shù)據(jù)與真實(shí)數(shù)據(jù)進(jìn)行分析得到了模型的決定系數(shù)R2以及t檢驗(yàn)結(jié)果(t,p)，并將該結(jié)果與多元回歸模型進(jìn)行了對比，對比結(jié)果如表3所示。

表3 多元線性回歸與RBF神經(jīng)網(wǎng)絡(luò)模型評價(jià)標(biāo)準(zhǔn)

從表3中可以看出，RBF神經(jīng)網(wǎng)絡(luò)模型在安全績效的兩個(gè)維度的決定系數(shù)為0.78和0.70，均高于多元線性回歸，以平均值來看，RBF神經(jīng)網(wǎng)絡(luò)模型的決定系數(shù)比多元線性回歸模型的決定系數(shù)高出的26%。對于測試樣本來說，其可靠性系數(shù)R2表示真實(shí)數(shù)值與預(yù)測數(shù)值的準(zhǔn)確程度。對于安全情境績效維度來說，RBF神經(jīng)網(wǎng)絡(luò)模型輸出值與真實(shí)值之間的決定系數(shù)為0.71，說明此時(shí)RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確度為71%，而對于多元回歸模型，其決定系數(shù)為0.46，說明只有46%的預(yù)測準(zhǔn)確度。以平均值來看，RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確度比多元線性回歸模型高出37%。

另一方面，從t檢驗(yàn)的結(jié)果來看，雖然兩種模型與真實(shí)數(shù)據(jù)間的t檢驗(yàn)都沒有明顯的差異，但是相比于多元線性回歸模型，RBF神經(jīng)網(wǎng)絡(luò)模型在預(yù)測數(shù)據(jù)方面具有更小的t值與更大的p值，說明該模型的具有更好的建模特性。這樣的研究結(jié)果也揭示了變量間存在的非線性關(guān)系。

基于RBF神經(jīng)網(wǎng)絡(luò)模型繪制出的部分變量間的3D著色表面圖如圖3所示。圖中z軸表示被預(yù)測變量，即安全績效中的某一維度，x軸和y軸表示預(yù)測變量，即家庭—工作沖突和飛行疲勞中的某兩維度。從4個(gè)變量間的3D著色表面圖中顯示出的曲面而非平面的形狀表明了變量間的非線性關(guān)系。

圖3部分變量間的3D著色表面圖

(a)基于壓力和時(shí)間的家庭—工作沖突與安全任務(wù)績效的關(guān)系；(b)基于壓力和時(shí)間的家庭—工作沖突與安全情境績效的關(guān)系；(c)身體疲勞和基于壓力家庭—工作沖突與安全任務(wù)績效的關(guān)系；(d)身體疲勞和基于壓力的家庭—工作沖突與安全情境績效的關(guān)系

4 討論

隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已成功應(yīng)用于工業(yè)生產(chǎn)、自動(dòng)化、生物、醫(yī)學(xué)、經(jīng)濟(jì)等眾多領(lǐng)域[27]，作為一種探索，本文將RBF神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于飛行員安全績效的人因?qū)W建模中，希望能夠促進(jìn)人工神經(jīng)網(wǎng)絡(luò)在人因?qū)W領(lǐng)域中的應(yīng)用，并為類似研究提供一種新的研究方法。

從神經(jīng)網(wǎng)絡(luò)模型與多元線性回歸模型的對比結(jié)果中，不難發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型有更高的建模與預(yù)測性能，相比于傳統(tǒng)回歸模型，是一種更好的建模方法，而這也與相關(guān)類似的研究結(jié)論相吻合[21,26,28-38]。其原因在于變量間的非線性關(guān)系。在傳統(tǒng)的最小二乘回歸模型中，需要事先指定模型的形式以及自變量與因變量之間的關(guān)系，對于線性回歸模型，變量之間的關(guān)系被事先假定為線性的，且即便線性回歸的誤差很小，也不能完全確定變量間的線性關(guān)系；而人工神經(jīng)網(wǎng)絡(luò)模型不受這些條件的約束，且其自身具有優(yōu)越的非線性擬合能力使其在研究非線性變量間的關(guān)系時(shí)有著得天獨(dú)厚的優(yōu)勢。

基于人工神經(jīng)網(wǎng)絡(luò)模型所繪制的3D著色表面圖(圖3)具象地描述了家庭—工作沖突、飛行疲勞與安全績效之間的非線性關(guān)系，且通過進(jìn)一步分析曲面的形狀，還能進(jìn)一步分析變量間的關(guān)系?？偟膩碚f，圖3中的四個(gè)3D著色表面圖都展現(xiàn)出一種時(shí)平緩—陡峭接連出現(xiàn)的曲面形狀，說明家庭—工作沖突和飛行疲勞對安全績效的影響是不斷變化的。具體來看，以圖3a為例，當(dāng)基于壓力與時(shí)間的家庭—工作沖突較高或是較低時(shí)(圖中上下兩角)，安全工作績效的隨上述兩變量增加而下降的速率較快；而當(dāng)壓力與時(shí)間的家庭—工作沖突適中時(shí)，安全任務(wù)績效的變化較為平緩。這一平緩變化的區(qū)域類似于一個(gè)有上下“閾限”的緩沖區(qū)，大于或者小于上下閾限都會(huì)使得安全任務(wù)績效急速變化。再以圖3d為例，當(dāng)家庭—工作沖突很高時(shí)，飛行疲勞對安全情境績效的影響并非是單調(diào)下降的，而是呈現(xiàn)一種先增后減的倒U型形狀(圖中右側(cè)部分)，表明當(dāng)基于壓力的家庭—工作沖突很高時(shí)，飛行疲勞可以一定程度地提升飛行員的安全情境績效。

5 結(jié)論與展望

本研究所得的結(jié)果表明，作為一種新的研究方法，人工神經(jīng)網(wǎng)絡(luò)這種非線性分析方法在人因?qū)W相關(guān)研究領(lǐng)域中的有著較為廣闊的應(yīng)用前景。這種方法具有較高的靈敏度，便于研究者探究變量間的細(xì)微的變化關(guān)系。以本研究為例，基于壓力與時(shí)間的家庭—工作沖突對安全任務(wù)績效的影響為何時(shí)而平緩，時(shí)而劇烈；以及為何在高基于壓力的家庭—工作沖突時(shí)，飛行疲勞反常的影響了安全情境績效，這些都是值得研究者未來進(jìn)行深入理論探索的地方。

盡管本研究應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)模型對飛行員安全績效的研究得到了不錯(cuò)的結(jié)果，但也需指出本研究的不足之處。首先，由于本研究中模型的建立基于自評量表所測量的數(shù)據(jù)，但這種測量方法可能會(huì)因同源方差或被試期望一致回答而對結(jié)果的客觀性產(chǎn)生負(fù)面影響?；谶@一點(diǎn)不足，未來的研究應(yīng)引入客觀的測量方法，如請被試的同事或是熟人對其進(jìn)行評價(jià)。其次，本研究采用的是橫斷的測量方法，對各研究變量的因果關(guān)系無法分析，因此，在未來的研究中可采用縱向研究測量方法進(jìn)行研究。最后，為了更深一步的探討人工神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)統(tǒng)計(jì)模型，未來的研究可將神經(jīng)網(wǎng)絡(luò)模型與中介或調(diào)解效應(yīng)模型進(jìn)行對比與分析。