中國民航正在由民航大國向著民航強國邁進，然而從近幾年看，我國主力航空公司的安全排名並不是太靠前。雖然民航業內對於安全管理的整頓與改革不遺餘力，但是業內不安全現象依然禁而不止。這不得不引起我們的思考：是否過去的行業管理方式已經悄然落後，以至於不能滿足當下民航的發展？
在此，筆者通過將數據分析與傳統經驗相結合，對影響飛行安全和品質的各個技術和非技術因素進行分析，以新的視角審視現有的管理方式，並且拋磚引玉，通過數據分析幫助我們探索傳統的經驗認知中是否存在謬誤之處。
一、飛行員技術參數對飛行的影響
（一）案例簡介
關於技術性數據，筆者取得了國內某航空公司2015-2016年某機型落地的8 200個G值數據，以考察哪些技術因素與G值大小有關。對於G值的監控是G航航空安全管理中重點把關的一項內容。筆者在此也以G值為切入點，通過研究G值，從而探索哪些技術因素對於飛行安全和品質有影響。當然，影響G值的因素很多，有人們已知的，也有未知的，筆者在此以某些變量為切入點進行探究，未必包羅萬象，但或許會有見微知著的意義。
（二）數據研究
1.定義因變量
筆者所搜集到的數據僅為單一機型的落地數據。由於該機型具有較好的抗側風穩定性，在進近中相比於其他飛機修正側滑的量較小，而且筆者看到和搜集的數據中二次接地、跳著陸的數據較長一段時間（兩年內）均不存在，因此，筆者認為搜集到的G值數據可以理解為僅與起落架垂直壓縮量和翼根載荷有關，因此筆者將因變量Y定義為接地時刻下降率來進行研究。為了方便，筆者在接下來的研究和數據處理中，將對搜集到的接地前下降率值進行對數化處理。
2.定義自變量
第一個自變量是接地時刻俯仰角；第二個自變量是接地時刻N1；第三個自變量是接地時刻計算空速；第四個自變量是接地時刻坡度。
3.描述性分析
為了獲取對數據的整體了解，我們首先對樣本數據進行描述性分析，對於連續型自變量和離散型自變量筆者將分別使用散點圖和盒狀圖進行描述。
圖1：俯仰角對G值對數的影響
從圖1我們看到，隨著俯仰角數值增大，Y值的大小有些逐步增大的趨勢。如果真是如此，這一點與傳統的概念和認知不相符。是有技術因素沒有考慮到，還是統計上有其他因素影響著這個自變量？他們之間具體的關係，需要進一步通過模型分析來判斷。
圖2：N1對G值對數的影響
從圖2可以看出，總體上來看，隨著N1數值的增大，相應G值的中位數呈現上升趨勢。我們期待在模型分析中得到進一步的結果和原因的分析。
圖3：空速對G值對數的影響
由圖3可知，樣本中大部分空速大小的分布在135-145之間。接地時刻的計算空速和Y值的箱形圖告訴我們，隨著速度的增加，對應Y值總體上呈現增大的趨勢。
圖4：坡度對G值對數的影響
一般而言，人們認為坡度增大的時候，飛機的升力會受到破壞，因此下降率會增大。我們將坡度數值取整，得出圖4，從圖中可以看出隨著接地時刻坡度的增大，因變量數值有減小趨勢。
4.建模和模型的選擇
筆者在後面的回歸分析中，為了增強回歸係數可比性，將每個自變量進行標準化處理。
通過計算機計算處理，我們得到了相應的統計結果，稍作整理，筆者將進行全模型回歸分析，並且通過AIC和BIC準則對全模型進行篩選，由AIC和BIC檢驗結果，筆者看到判定係數並沒有很大的差別。另外結合實際，在落地的過程中，某些情況下，坡度是造成下降度大的原因；而某些情況下，大的下降率間接產生了大的坡度。為了後面的分析，也為了使模型變得更加簡潔可用，筆者接受BIC篩選結果，刨除坡度這一自變量，得擬合結果如表1。
表1：擬合模型結果
建模的結果說明：1）模型基本滿足線性假設。2）全模型是顯著的，且自變量均顯著相關（P值小於0.05）。3）模型預測和解釋性較好（判定係數為48.38%）。4）從結果來看，接地時刻俯仰角、接地時刻N1以及接地時刻計算空速對G值對數的影響與普遍認識不同。在後面的分析中，筆者會進一步探討。5）數據本身多重共線性可以忽略。
5.模型分析和建議
從線性回歸結果來看，並結合行業的認識，筆者得出如下結論。
（1）接地時刻俯仰角
遇到接地前下沉快的情況，與其使俯仰姿態變化，不如保持俯仰姿態。
在飛行員的普遍意識中，接地時增加俯仰角一定抑制下降率，但是根據數據分析，筆者發現隨著接地時刻下降率隨著俯仰角的增大而增大，當控制其他變量不變，接地時刻俯仰角數值增大1，接地時刻下降率對數值增大0.07。
通過模擬機飛行試驗和實際飛行的觀察，筆者認為，隨著俯仰變化，升力的產生效果往往滯後。儘管飛機在接地前俯仰姿態增加，但是飛機的升力並沒有立即增加，在這一過程中飛機依然加速下沉，也就是說，我們可以認為飛機升力增大克服重力需要一個過程，飛機下沉率的制止有滯後性。
再者，飛機接地前下降率較大時，若飛行員出於本能向後「抽杆」以期待迅速制止下沉，當飛機俯仰姿態短時間變化量過大時，飛機的後半部會繞著水平軸加速下降，如上文所述，飛機本身很可能處於加速下沉階段，因而可想而知，起落架部分的下沉此時會加劇，壓縮也會變得劇烈，機翼的根部載荷也會驟然增大，因而對應的G值也會較大。
（2）接地時刻N1
自動油門在落地過程中接通是否一定提升飛行員落地的安全性，是否一定減小重著陸發生率，缺乏有效的參考數據，這一要求的合理性似乎值得商榷。
該航要求該機型飛行員在落地過程中始終保持自動油門接通（手冊是建議全程接通），自動油門在25-50英尺開始自動收回到慢車，落地時油門不受飛行員操控。筆者通過實際飛行觀察發現，接地時油門往往以一定速率收回，也就是說接地N1大，表示接地時間短，間接表示接地率較大。
根據數據顯示，當控制其他變量不變，接地時刻N1每增大1，接地時刻下降率對數值就增大0.55。筆者認為，任何飛機機動都需要油門、操縱舵面和環境相互配合完成，而該機型落地時自動油門都保持接通，往往落地前自動收光不受人工控制，筆者認為自動油門接通是否帶來安全性提高，既受經驗影響，也缺乏數據對照，是有待論證的。
（3）接地時刻計算空速
結合數據和經驗，在維持穩定進近和良好的入口條件下，少量適當增大空速，在自動油門不受控的接地過程中是有助於飛行人員控制下沉從而避免重起落的。
筆者記錄的數據幾乎都是平原機場採集的樣本，因此可以認為這裡的空速近似於真空速，而地速近似等於真空速+/-風速。
根據回歸結果，當控制其他變量不變，接地時刻計算空速增大1，接地時刻下降率對數值減小0.02。
雖然理論上在該機型自動油門接通的過程中，飛行員應該嚴格保持基準速度，但筆者在實際飛行中發現，有些飛行員憑藉經驗，在小重量或者外界環境不穩定（比如大風、降雨、頂順風切變）時，會小量增加進近儀錶速度。
筆者認為，下滑角固定的時候大的速度雖然產生大的下降率，但是同時也給飛行員足夠的氣動性能來控制飛機下降率。
二、非技術人為因素對飛行的影響
（一）為什麼要研究非技術人為因素
人是航空運行中的核心。這裡的「人」不僅僅指飛行員，更是指參與運行的所有相關人員。
而從筆者的經驗角度來看，不管是曾經的伊春空難還是大小飛行不安全事件，人的疲勞、外部壓力、人對於環境產生的應激反應等等，都是產生事故鏈的重要因子。
然而，目前的資料和研究中，大家普遍認為人為因素非常難以把控，因為主觀因素變量太多，況且每次不安全事件背後，不安全因子不僅僅來自於飛行人員，更來自參與運行的部分或是整體。
在這裡，筆者還是以飛行員為切入角，從航班生產運行的一個部分開始探究。筆者搜集了400個按照對應G值的不同隨機抽取的飛行人員數據，從飛行熟練度、年齡、飛行技術標準、疲勞程度等方面來剖析這些飛行員自身的非技術因素是如何影響飛行安全和飛行品質的，從而探究人們傳統的認識和評價是否客觀和準確，以及管理中是否存在不應被忽略的漏洞。
（二）數據研究
1.定義因變量
筆者將因變量定義為飛機落地的G值。
2.定義自變量
第一個自變量是飛行員3月內操作該機場的次數；第二個自變量是飛行員是否本月有請5天（包括）以上的長假或者存在連續地面時間大於等於5天的情況；第三個自變量是飛行員本次飛行距離上次模擬機訓練的月數，包括二類訓練、升級訓練、轉機型訓練、複查訓練，數值為0-6；第四個自變量為是否屬於跨6個時區的飛行；第五個自變量是操縱落地的飛行員年齡；第六個自變量是落地飛行員飛行標準、等級（實習副駕駛=1，成熟副駕駛=2，見習機長=3，成熟機長=4，帶隊機長=5，教員=6，檢查員=7）；第七個自變量是落地飛行員婚姻狀況（1=已婚，0=未婚）；第八個自變量是本月累計飛行60小時以上或該航班前累計執飛過兩個存在時差6小時以上的航班（1=是，0=否）；第九個自變量是航班是否早於8 a.m.或者晚於8 p.m.起飛（1=是，0=否）；第十個自變量是當月飛行小時低於30 hr（1=是，0=否）。
3.描述性分析
通過線性回歸分析，筆者在計算機中得出如下結論。
圖5：航線經驗的影響
從圖5的分析可知，絕大部分的樣本中飛行員3月內經歷過該航線的次數在5次以內，其中小於等於兩次的情況佔最多。
圖6：地面航休（至少5天）的影響
從圖6看，在樣本中，凡是有連續長達5天或5天以上的地面時間的樣本，對應的G值整體有明顯提高，並且數據的分布較為集中。
圖7：模擬機訓練的影響
從圖7可以看出，模擬機訓練距離飛行的時間分布中，距離時間為1個月和當月的樣本出現頻次較大，根據盒狀圖可以看出其分布變化較小，似乎距離越長，G值的分布越高。
圖8：時差的影響
從圖8可以看出，似乎跨時區飛行對於G值的影響並不大。
圖9：技術標準的影響
從傳統的角度來看，飛行員的技術標準越高，飛行品質和飛行安全度越高，但是從圖9來看，技術標準對於G值的影響似乎並不大。
圖10：飛行員年齡的影響
圖11：飛行員年齡的影響
從圖10和圖11看出，樣本中飛行員年齡的分布主要集中在35-45歲之間，從年齡上看，幾乎都是大家普遍認為的技術成熟的飛行員，而從散點圖中可以看出，G值為1.5-1.8之間的落地都是由這個年齡段的飛行員執行的。
圖12：飛行員婚姻狀況的影響
從圖12可以看出，飛行員婚姻狀況對G值影響不大。
圖13：連續飛行的影響
從圖13可以看出，當飛行員飛行時間大於60小時時或者連續執行兩個跨6小時時差的航班後，其整體樣本對應的G值有減小趨勢。
圖14：早晚航班的影響
從圖14可以看出，早晚航班對應的飛行落地G值中位數與非早晚航班的G值中位數接近，但是中位數分布而言，兩者都接近於1.6。
圖15：飛行過少的影響
從圖15可以看出，似乎當月飛行少於30小時的樣本對應的G值整體與飛行小時大於等於30小時的樣本差別不大，只是稍稍向G值較高的區間分布。
4.建模和模型的選擇
在建模之前，檢驗顯示，每一個自變量的VIF值的平方根都小於2，可以得出結論：擬合模型中不存在共線性。同樣為了便於分析，筆者在建模的時候將自變量統一標準化處理，並將Y取對數處理。筆者運用了上述自變量來進行回歸分析，由於線性檢驗結果顯示數據不滿足線性假設，因此筆者使用協方差回歸擬合。再次通過AIC和BIC準則來選擇合適的模型，筆者為追求較好的模型解釋度而選擇AIC篩選模型結果。
表2：AIC參數估計結果
從擬合模型中，筆者得出如下結論。
1）地面休息時間過長（大於或等於5天的），對於飛行品質會有不利的影響。
2）相對而言，模擬機訓練間隔越長（6個月），似乎對於飛行品質越有不利影響。而整體看，模擬機訓練對飛行安全和品質影響不大。
3）適當的飛行量（當月大於60小時/完成兩個跨6小時時差飛行）對於飛行品質有利。
4）模型總體擬合度不高，預測性不強。原因可能因為飛行品質的管理中，飛行員的因素只是所有因素之一，飛行運行包括各方面因素，而筆者所研究的數據很可能只是冰山一角。同時筆者不排除或許有更好的未知的擬合模型。
5.模型分析與建議
結合回歸模型，筆者認為數據反映出外部幹擾、模擬機訓練和熟練度的累積對於飛行員的飛行安全和飛行品質產生著客觀的影響。
（1）外部幹擾和熟練度
在航班計劃的設計中，管理者應該考慮避免讓飛行人員在地面空閒時間過長，一旦出現，可以將這些飛行員納入重點考察的範疇。管理者可以適當提醒，也可以在機組搭配上進行適當調控。
根據筆者對一些差錯以上級別的案例的研究以及與當班機組的溝通，相當多的案例中都蘊含著飛行外部事務的幹擾。比如，有的機組在執行航班任務後休假，這些案例中對於休假的憧憬就可能成為飛行的幹擾項，甚至有些人為了趕時間而刻意加快和打亂飛行的節奏。
那麼從另一個角度來看，長久不飛會引起飛行員熟練度不夠，也會導致飛行品質和飛行安全受到某種程度的不利影響。但是這個時間到底是多久才顯著呢？筆者在這裡提出了5天，或許更準確的數字需要進一步的探討。
（2）模擬機訓練
筆者認為，模擬機本身對於提高飛行安全和品質應該有著重大作用，但從數據看來，模擬機訓練的目的事實上並沒有達到。
筆者相信，現實中，一方面是具備足夠飛行經驗和技術技能的模擬機教員，一方面是需要有針對性訓練的受訓個體，然而目前前者這樣的優秀資源並沒有被合理地與另一方相匹配。
筆者建議，模擬機訓練應該參考個人飛行的QAR數據，針對每個人的QAR數據進行分析和整理，使得模擬機教員掌握和了解每個人的技術特點，畢竟每個人的能力有強有弱，可以參考數據進行有針對性的科目訓練，避免「拍腦門」出科目，或是照本宣科。
（3）疲勞度vs熟練度
作為管理者，應該在飛行人員熟練度和疲勞度之間做出合理的分割，確保保持適當熟練度的情況下避免人員過於疲勞。
筆者認為保持飛行熟練度是很重要的，從數據看，60小時的當月飛行量或至少兩個連續跨6小時時差的航班，可以保證提升飛行品質。但是筆者在與同事交流的過程中也發現超過60小時飛行會產生一定的疲勞感。回想伊春空難、南航「5.8」空難、虹橋塔臺指揮失誤等等事故，其背後都有相關人員疲勞積累的因素。不過，到底60小時是否可以當作一個基準，筆者並不能給出明確的結論，在此也只是拋磚引玉。
因此，如何把控疲勞和熟練度的分割，如何將其量化，筆者認為這不僅僅考驗相關單位的管理者，也同時是一個值得研究的課題。
5薦聞榜
（ ）
更多文章和觀點請訪問馬驍飛專題。