数据驱动的安全思维对航空从业人员学习方向影响研究

高平 周秀婷 师尚红

（1.中国民航科学技术研究院 航空安全研究所，北京 100028；2.应急管理部 信息研究院，北京 100029）

0 引言

与过往主要基于理论驱动式生产知识的模式相比，当今时代以一种基于理论驱动与数据驱动相混合的方式来生产新知识。大数据驱动的“数据化”作为一种新的思维范式推动科研领域的快速发展。

在航空领域，安全思维对飞行员、空中交通管制员、维修人员、签派员等专业人员的学习方向有较大影响。有效的安全管理高度依赖于安全数据收集、分析和综合管理能力的有效性［1］。决策者、民航生产经营单位希望通过了解安全管理与系统设计的实际数据，从而做出准确决策。研究人员、政策制定者以及安全管理人员对安全数据和安全信息进行有效分析和处理，形成可转化为行动的认识，从而利用这些认识做出决策。

文章对安全思维、数据收集和分析、学习、安全政策之间的关系进行研究，如图1所示。安全思维决定了所需安全数据的类型以及如何有效分析数据；数据分析的结果决定从安全数据中学到的知识；而学到的知识为安全政策和决策提供依据；安全政策与决策再进一步用以加强、完善安全思维。由此可见，对安全思维进行研究，树立正确、科学的安全思维对安全政策和决策具有重要意义。

1 2种典型安全思维

“安全Ⅰ型”和“安全Ⅱ型”思维是现存的2种典型安全思维模式，表1对2种安全思维模式的特征进行了对比分析［2］。

表1 “安全I型”和“安全II型”思维特征对比

安全Ⅰ型思维的观点是基于对正常运行系统绩效的角度，认为系统需要发挥应有作用，当系统中某个部分发生故障或失效时，可能会引起事故或征候。安全Ⅰ型思维的目标是防止或消除可能出错的环节或内容。通常通过收集事故和征候相关的数据，加以分析，识别出错的规律，确定失效原因及影响因子。因此，学习的重点聚焦在差错与危险的来源，通过制定安全政策，防止同类差错或危险再次发生。

安全Ⅱ型思维的观点是基于对复杂系统预判的安全概念。通过不断调整实际工作，匹配运行条件，促使系统顺利运转。因此，安全Ⅱ型观点认为要理解安全，需要了解并完善日常活动。安全Ⅱ型观点的目标是尽可能处理好各种事务，通过收集与目标绩效相关的数据，学习如何调整系统功能，维持所需操作，并制定政策，以便在运输航空等复杂系统中，强化人的绩效表现。

这2种安全观点对于系统整体的安全性都有益处。事故或事故征候不会一直发生，大多数情况下，安全Ⅱ型思维不应被视为安全Ⅰ型思维的替代品。关于安全管理，提倡互补的思考方式，即安全Ⅰ型、安全Ⅱ型观点共同引导分析安全数据［3］。

传统层面的安全Ⅰ型思维，在航空、核等关键行业领域中是非常普遍的。首先，人的计划和操作在航空安全领域扮演着不可或缺的角色。从飞行员驾驶舱决策，到管制员指挥飞机保持空中间隔，再到维修人员对飞机的维修管理等，无一不突显人的工作计划和实际操作对安全的重要影响。因此，人的表现是航空安全数据的重要来源。其次，人的表现既包括期望的行为，也包括不期望的行为，大多数情况下，这些行为会促进安全，但有时也会降低安全。当这种限制成为系统性限制时，一方面人们将为此付出代价，另一方面系统性限制又反过来影响后续的安全政策及决策。当安全思维开始系统性地限制数据收集及分析时，则需要换一种角度来思考数据收集的问题。

2 安全思维对安全政策的影响

在航空领域，人们普遍接受并认同：安全行为的数量超过了人为差错的数量。主要原因在于人们大部分的知识来源是对罕见差错或失效状态的研究分析。在缺乏足够数据支撑的情况下，代表操作的人因绩效与用于学习而分析的人因绩效之间的差异程度，往往较难把握。根据国际航空事故统计，80%以上的事故都和人为因素有关［4］。然而，基于波音公司提供的全球喷气式飞机近10年（2007—2016年）的数据，根据人为干预与该结果是否相关构建结果列联表，并分析原因占比（百分比），统计结果表明：飞行员参与干预管理的飞机故障约占正常飞行的20%［5］。这一数据可能严重低于实际值，因为该数据仅包含飞行员干预飞机故障的事件。除此之外，还有很多其他原因可能促使飞行员进行干预管理并恢复正常的飞行，这部分数据未纳入统计。因此，忽视人的因素对系统性能的影响，不仅意味着错过大量的学习正确知识的机会，还表明人们试图从极小的、不具代表性的数据样本中进行学习。

通过研究数据样本推断总体情况是一种常见的研究方法。在数据驱动型组织中，安全关键系统设计中的安全政策和决策是基于上述数据分析做出的。如果正在收集和分析的数据与事实存在系统性偏差，就可能会对安全政策和决策的方向产生重大影响。

Uber航空的小型电动飞机（介于无人机和小型飞机之间）机队，倡导空中共享的概念。即通过空中出租车的形式，将交通转移至空中，减少道路拥堵。飞行器在起飞时垂直向上滑行，快速进入最安全的操作状态。Uber航空认为：最安全的操作状态是将人从安全决策环节中去除，取消人为操作将促进未来航空运营更加安全。但其举例说明仅考虑了人的差错相关数据，没有考虑人的因素对安全的影响及其后果，决策可能受非代表性数据的收集和分析而产生偏见。

“数据驱动”将人们从“基于知识解决问题”的传统方法论认识引向了“基于数据解决问题”，即问题→数据→问题［6］。数据量的大小，影响着人们思考问题和解决问题的方式。如果要做出基于数据的决策，而仅有的数据表明，80%的事故是由人的失误造成的。这样的结论会引导做出排除或减少人因作用的决策，认为这样系统更安全。这一结论忽略了有关人们如何造成安全问题的数据，导致这些数据很少被收集或分析。

3 数据分析方法研究

除系统生成的数据外，对已经收集的数据，不同的安全思维对数据分析的方式也有影响。如果仅从差错、征候或事故中进行知识学习，将会限制航空从业人员学习到正确操作的机会。笔者通过对中国民航飞行品质监控基站监控数据进行研究，捕捉到机组在飞行过程中的预防性安全行为，以期对后续安全数据的利用提供新的思路。

本文以“超速事件”为例进行研究。分析了500个超速红色事件航班和500个正常航班的样本，通过已确定的60个变量，分析超速红色事件航班（速度超过350KTS的航班）的前兆概率，再对非红色事件，即没有超速的航班，进行高前兆概率的检查，从而筛选出多起高前兆概率超速事件。由于飞行数据的保密特征，本文仅对其中1例事件的部分飞行片段进行分析。如图2所示，图中由上至下分别为该次飞行下降阶段的空速、下降率和高度。13：53：03左右，飞行高度为14 732FT，下降率为-2 144，空速为347.50KTS，即将超速而触发红色事件，但此时机组降低了飞机的下降率，空速开始稳定，飞机能量从高度、空速开始转移，降低了超速事件的发生概率。

上述案例建立了一种分析和学习正常飞行的方法。目前，非红色事件类别航班的飞行数据还未开展分析利用，数据分析多集中于对红色和黄色事件进行分析。这正是安全Ⅰ型思维倡导的数据处理方式，即仅针对包含不希望的状态的事件航班进行分析。虽然FOQA数据可以提供大量关于航空运营人和飞机性能的定量信息，但无法提供有关事件的知识、状态、动机或更广泛背景的信息［5］。飞行品质监控基站和航空公司使用飞行数据记录器的数据来监控日常运营，但通常只查看发生红色或黄色事件的航班数据，或只将非事件航班数据作为比较基准，而不是作为宝贵的学习资源。

安全Ⅰ型和安全Ⅱ型思维都能产生宝贵的学习机会。大多数传统的安全管理系统设计方法主要是基于安全Ⅰ型的思想。从错误中学习很重要，也是有价值的，当前，我们利用许多流程和工具来收集和分析有关错误和故障的数据，然而还有许多知识可以从正确的事情中学习。安全思维的转变能够为分析和学习数据开辟全新的途径。

4 结论

1）关注不受欢迎的行为是普遍存在的，系统设计、安全文化等限制了航空数据的收集和问题的发现。因此，当我们仅用差错和故障描述安全时，忽略了绝大多数人的因素对系统安全和绩效表现的影响。

2）仅从少数的事故或事件中学习则限制了学习的机会，降低了学习的频率。依靠不具代表性的人为表现数据样本，可能得出误导性的结论。虽然这种数据驱动的决策可能具有权威的外观，但必须承认，其他相关数据被系统地排除在外，威胁了结论的有效性。

3）收集和分析大量未被利用的数据，用于不安全状态和行为的识别、收集及解释，是了解安全全貌的基础。合理运用安全Ⅰ型和安全Ⅱ型思维，扩大学习的机会和频次，有助于认识并解决当前系统设计和安全管理的障碍。