基于累积Logistic回归模型的管制员应激程度预测

刘继新, 曾逍宇, 尹旻嘉, 朱学华

(南京航空航天大学 民航学院，江苏 南京 211106)

摘要 ：分析并筛选出影响管制员应激行为的7个显著相关指标，并将管制员应激程度进行有序多分类后，建立了基于累积Logistic的管制员应激程度预测模型，并对模型预测效果进行平行性检验。利用某空管局实际采集数据中的另外74名管制员的定量测量数据进行分析，验证预测模型的可行性。结果表明：该模型的拟合优度判定系数(Pearsonχ ²统计量和Deviance统计量)的显著水平分别为0.076, 0.690，远大于0.05；对实测数据的预测准确率达到75.67%，该模型对管制员应激程度的预测较为精确。

关 键 词 ：交通运输工程；应激(源)；累积Logistic回归模型；管制员；相关性分析；Wald检验

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。

(1)目标价格政策的实施要充分考虑市场的对外开放程度。市场开放程度不仅取决于市场准入政策，还与进口品与国产品之间的替代弹性有关。由于大豆市场开放程度高，对外依存度大，因此大豆目标价格政策的实施会对资源配置产生较大扭曲，从而使得政策的经济效率大大降低。为此目标价格政策的实施要充分考虑市场开放程度、进口依存度以及产品供给弹性等条件，并非适合任何产品市场。

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。

1.2 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

财务数据上也同样反映出了大数据时代的数据特点，海量的信息并且种类极其繁杂，然而财务数据的处理能力有限，不足以应付这庞大的数据，更不要说对其进行深刻的理解还有合适合理的解读了。所以对于大数据的分析来说，管理会计相比于财务会计眼光要更长远和敏锐，并且处理方法更加灵活，是一种积极主动的状态，能够更好地为管理者提供优越的决策方案。财务会计的工作是统一和规范的，伴随着时代的发展，这样工作必然会被机器取代，这也就要求财务会计必须转型成为管理会计。

(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

其一，电力企业人力资源管理部门数据量很大，信息来源可靠，涉及员工档案、培训记录、薪资待遇、绩效考核等一系列内容和数据。这些数据全由人力资源部门收集和整理，无论获取，还是应用都非常方便。其二，网络多媒体时代，大数据人才多，专业水平高，为大数据在电力企业人力资源管理中的应用提供人才基础。电力企业可通过多种方法、途径等将大数据应用到人力资源管理工作中。第三，近年，大数据已经成为各行各业竞相追逐的热点，腾讯、谷歌等知名企业已经将大数据应用到人力资源管理工作中，电力企业也急需运用和尝试[1]。

(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

重度应激对中度应激和轻度应激的优势比模型为

将得到的载荷分别施加在车体后梁和前方牵引销处，对后方的质量块施加16.67 m/s的初始速度，方向正对压力容器轴线，且质量块相对压力容器上下、左右对称，并保证满载时内部压力为2.16 MPa。

1.3.1 Pearson χ ²检验

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(x ₁～x ₁₂)为候选自变量，划分标准如表1。

(4)

其中，χ ²的自由度为协变类型数目与参数数目之间的差距，χ ²统计量的值越小，说明该模型拟合效果越好。

1.3.2 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：

老鳜鱼的门吱扭一声开了。他从屋里探出头来，手里还提着刀子，一片四十多年前的月光在刀子上蹦跳着。老鳜鱼的眼睛有些红，像兔子般的眼睛，也像兔子一样警惕地望着门外的人。

(5)

4) 遥控停车。当主机运行、控制部位在集控台时，将集控台上的车钟手柄扳至停车位置，系统向电喷控制系统发出停车指令，由电喷控制系统控制主机停机。

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。

（一）新生仔猪的环境变化 仔猪出生是生命进程中的重大转折时期，所处环境发生了巨大变化。胎儿在母体内靠母体血液通过胎盘进行气体交换，供给氧气，排出二氧化碳，摄取营养，排出废物。出生后即刻转变为自行呼吸、采食（即哺乳）、排泄。在母体子宫内温度恒定（特殊情况例外）、环境稳定，出生后转变为直接与复杂的外界环境接触。在子宫内处于安全环境，并受母体保护，出生后处于有害菌的袭击，因抵抗力低，易患病死亡。

图1 模型建立及检验流程
Fig. 1 Flow chart of model establishment and verification

2 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一。T.H.LAM等^[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。

2.2 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(x 1)、管制通话沟通规范性(x 2)、特情处置效率(x 3)、冲突预判与解脱能力(x 4)、管制熟练度(x 5)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(x 6)、扇区碰撞风险概率(x 7)、受军航活动影响的航线使用限制(x 8)、航空器冲突因子(距离)(x 9)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(x 10)、定期进行安全培训与考核(x 11)、反应安全隐患及事故征候的积极度(x 12)作为主因素。

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x ₁、特情处置效率x ₃以及管制熟练度x ₅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x ₈与航空器冲突因子(距离)x ₉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x ₁₀与反应安全隐患及事故征候的积极度x ₁₂呈现显性相关性；模型标定结果见表2。

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。

2.2.3 预测模型自变量的选取

Pearsonχ ²检验是通过频数检验模型成立的假设^[9]。其标准χ ²统计量计算公式为

表1 解释变量及其划分方法
Table 1 Explain variables and their division methods

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x ₆；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x ₁、管制通话沟通规范性x ₂、特情处置效率x ₃、冲突预判与解脱能力x ₄、管制熟练度x ₅、扇区碰撞风险概率x ₇、受军航活动影响的航线使用限制x ₈、航空器冲突因子(距离)x ₉、遵守间隔标准和放行许可情况x ₁₀、定期进行安全培训与考核x ₁₁、反应安全隐患及事故征候的积极度x ₁₂。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。

2.3 管制员应激程度模型建立

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。

2.3.1 模型自变量相关性分析

2.2.2 预测模型因变量的选取

表2 模型标定结果
Table 2 Model calibration results

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。

2.3.2 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：

5.3 秸秆气化技术应用于生产领域，有利于促进农业和农村经济结构的调整。利用秸秆气化技术供热，可减少因燃烧造成的棚室内烟尘大，植物茎叶表面和土壤层污染而影响植物生长的弊端，可降低生产成本，提高经济效益，同时秸秆气化后的剩余物可作为植物生长所需的钾肥，冷却燃气的热水可作为洗浴的生活用水，秸秆气化技术的推广，植物秸秆将会被全方位综合利用，实现经济和社会效益的最大化。

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。

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Pearsonχ ²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。

(6)

重、中度应激对轻度应激的优势比模型

（2）无过热现象，轴系相关部件温度不能太高。尾轴管密封装置的工作温度不应超过65℃，中间轴承的工作温度不应超过80℃；

(7)

式中：P ₁，P ₂，P ₃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：

进行合理的轮作倒茬；适时早播；清除杂草，浅耕灭茬，消灭蓟马寄主。秋后及时进行深耕，压低越冬虫源。清除晒场周围杂草，破坏越冬场所。

(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。

3.1 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。

目前湖南省仍处于基本协调—生态环境滞后的阶段，分析准则层可以发现，生态环境系统的得分主要集中生态环境响应，而生态环境压力与状态方面得分较低，反映出当前经济社会的发展对生态环境压力仍较大，整体生态环境水平有待提升。

表3 平行性检验
Table 3 Parallelism test

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。

静脉血栓形成是恶性肿瘤的常见并发症之一，如果在未发病前采取有效的预防及检测措施，不仅可以减轻患者的症状，还能降低高昂的治疗费用。宫颈癌放疗过程中，是否早期应用低分子肝素预防血栓仍存争议，目前未见报道。本研究显示提前予以低分子肝素在预防血栓形成方面起到一定的作用，但是否可以作为肿瘤的预防用药应用于临床，期待最佳模式的研究结果。

3.1.2 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Pearsonχ ²统计量和Deviance统计量检验是适用的。

从表4可以看出，Pearsonχ ²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4 Pearson χ ² 和Deviance统计量拟合优度检验
Table 4 Pearson χ ² and Deviance statistical fitness goodness test

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。

3.2 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。

企业的生存与发展离不开科技创新，提高科技创新能力的有效途径之一就是加强科研项目管理。企业科研管理工作是推动企业提升创新能力的有力支撑，而科研项目管理又是科研管理工作中非常关键的环节，因此，科研项目管理的重要性不言而喻。近年来，企业加强了科研项目的管理，但是，仍然存在一些问题阻碍企业进行有效的科研项目管理，制约企业可持续发展。

表5 管制员应激程度预测效果
Table 5 Prediction effect of stress level of controllers %

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x ₁、特情处置效率x ₃、管制熟练度x ₅、受军航活动影响的航线使用限制x ₈、航空器冲突因子(距离)x ₉、遵守间隔标准和放行许可情况x ₁₀与反应安全隐患及事故征候的积极度x ₁₂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：Pearsonχ ²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]. Transportation Research Part E , 2013, 57(4): 95-104.

[2] GONZAIO TOBARUELA. A method to estimate air traffic controller mental workload based on traffic clearances [J]. Journal of Air Transportation Management , 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]. Chinese Journal of Safety Science , 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]. Chinese Journal of Safety Science , 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 Hong. Study on the Relationship between Psychological Stress and Related Factors of Civil Aviation Pilots [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 Cailing. The Method and Application of Psychological Stress [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 Zhigang. Logistic Regression Model :Method and Application [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]. Journal of Tongji University (Natural Science Edition ), 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 Xingzhu. Research on Real Estate Early Warning Based on Multivariate Logistic Regression Model ：Taking Jinan as an Example [D]. Shandong: Ji’nan University, 2012.

[10] TANEICHI N, SEKIYA Y, TOYAMA J. Improved transformed deviance statistic for testing a logistic regression model [J]. Journal of Multivariate Analysis , 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]. Journal of Occupational Medicine Official Publication of the Industrial Medical Association , 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]. Journal of Chongqing Jiaotong University (Natural Science ), 2017, 36(7): 106-110.

Stress Level Prediction of Controller Based onCumulative Logistic Regression Model

LIU Jixin, ZENG Xiaoyu, YIN Minjia, ZHU Xuehua

(School of Civil Aviation,Nanjing University of Aeronautics and Astronautics, Nanjing 211106, Jiangsu, P. R. China)

Abstract ： After analyzing and screening 7 significantly related indicators affecting the stress behavior of controllers, and classifying the stress degree of controllers in an orderly way, a prediction model of the stress degree of controllers based on cumulative logistic was established. Parallelism test was carried out on the prediction effect of the proposed model. The feasibility of the proposed prediction model was verified by using the quantitative measurement data of 74 other controllers in the actual data collected by an air traffic control authority. Results show that the significance level of the proposed model’s determining coefficient of goodness of fit (Pearson χ ² statistical magnitude and Deviance statistical magnitude) is 0.076 and 0.690 respectively, which are far greater than 0.05; the prediction accuracy of the measured data is 75.67%. The proposed model is more accurate in predicting the stress level of controllers.

Key words ： traffic and transportation engineering; stress (source); cumulative logistic regression model; controller; correlation analysis; Wald test

DOI ：10.3969/j.issn.1674-0696.2019.03.15

收稿日期 ：2017-09-12；

修订日期： 2017-11-25

基金项目 ：南京航空航天大学研究生创新基地(实验室)开放基金项目(kfjj20170715)； 国家自然科学基金民航联合基金重点项目(U1333202)

第一作者 ：刘继新(1966—)，男，安徽滁州人，副教授，硕士，主要从事交通运输规划与管理研究方面的工作。E-mail:larryljx66@nuaa.edu.cn。

通信作者 ：曾逍宇(1994—)，女，四川成都人，硕士，主要从事交通运输规划与管理研究方面的工作。E-mail:402258898@qq.com。

中图分类号 ：V325;U8

文献标志码： A

文章编号 ：1674-0696(2019)03-097-06

(责任编辑 ：朱汉容 )

标签：交通运输工程论文;  应激(源)论文;  累积Logistic回归模型论文;  管制员论文;  相关性分析论文;  Wald检验论文;  南京航空航天大学民航学院论文;