熱門論文
最新論文
民航安全信息管理人員能崗匹配 測評研究
發布時間：2023-07-07 16:33
目 錄
摘 要 I
Abstract II
第一章 緒論 1
1.1研究背景及意義 1
1.2國內外研究現狀 2
1.2.1信息管理人員勝任力指標體系的研究現狀 2
1.2.2能崗匹配測評方法的研究現狀 5
1.3研究內容和方法 7
1.3.1研究內容 7
1.3.2研究方法 7
1.4技術路線 8
第二章 民航安全信息管理人員勝任力指標體系構建 10
2.1民航安全信息管理人員勝任力內涵 10
2.1.1勝任力內涵 10
2.1.2信息管理人員勝任力的內涵 11
2.1.3民航安全信息管理人員勝任力內涵 12
2.2民航安全信息管理人員勝任力概念模型 12
2.3民航安全信息管理人員勝任力指標體系 15
2.3.1一級指標的選取過程 15
2.3.2二級指標的選取過程 16
2.3.3民航安全信息管理人員勝任力指標體系的構建 19
2.4本章小結 20
第三章 民航安全信息管理人員能崗匹配測評模型構建 21
3.1研究方法的選擇 21
3.2民航安全信息管理人員能崗匹配測評模型構建 22
3.2.1數據收集及預處理 22
3.2.2BP神經網絡模型搭建 25
3.2.3貝葉斯優化BP神經網絡參數 29
3.2.4民航安全信息管理人員能崗匹配測評模型 3 0
3.3本章小結 31
III
第四章 民航安全信息管理人員能崗匹配測評模型驗證 32
4.1數據收集及預處理 32
4.1.1樣本選取及數據收集 32
4.1.2訓練樣本數據生成 33
4.1.3數據標準化 38
4.2 模型網絡結構和參數確定 38
4.2.1模型網絡結構確定 38
4.2.2模型網絡參數確定 42
4.3模型訓練和驗證 42
4.3.1模型訓練 42
4.3.2模型評估指標選擇 42
4.3.3模型驗證 42
4.4模型性能對比分析 44
4.4.1與隨機搜索優化算法對比分析 44
4.4.2與單一 BP 神經網絡對比分析 45
4.5本章小結 47
第五章 民航安全信息管理人員能崗匹配測評模型實證研究 48
5.1數據收集及預處理 48
5.1.1樣本選取及數據收集 48
5.1.2實證樣本數據生成 48
5.2測評及結果分析 50
5.3本章小結 50
第六章 結論與展望 51
6.1結論 51
6.2展望 52
致謝 53
參考文獻 54
附錄 1 民航安全信息管理人員勝任力指標評分調查問卷 61
附錄 2 民航安全信息管理人員勝任力指標影響關系問卷 63
作者簡介 66
IV
第一章 緒論
1.1研究背景及意義
在可靠和充分的安全信息資源的基礎上有效地識別安全問題、并做出有效的安全決 策民航安全管理的關鍵［1-3］，因此，安全管理的有效性取決于來自各種資源和形式的民航 安全信息［4］。
隨著民航業的快速發展以及工業技術的進步，使得民航運輸業已成為數據密集型產 業［5］,《民用航空安全管理規定》（CCAR-398）規定了安全數據主要通過安全報告、事件 調查、安全檢查、審核和評估、航空器持續適航有關的報告，及飛行品質監控等渠道進 行收集［6］。以南航為例，每年由飛機飛行過程中自動生成并可被收集利用的結構化數據 約有1.8億條，非結構化數據（QAR數據）約4?5TB,且這一規模還在迅速增長中［7］。 在此情形下，民航安全管理的模式轉變為數據驅動的民航安全管理，安全信息管理人員 面臨著比以往更多的民航安全相關數據。然而大部分企業都沒有對信息進行充分利用， 僅停留在信息收集、整理、統計、上報上，造成大量數據浪費的情況，其主要原因包括：
（1） 目前中國民航已經設立了安全信息管理人員的準入資格，《民用航空安全信息 管理規定》（CCAR-396）規定，民用航空安全信息管理人員必須要參加委托機構舉辦的 初始培訓和定期復訓，經過考核合格并且獲得從業證書后才能上崗［8］。然而，培訓內容 仍然集中于基礎性的民航知識、規章解讀、信息分析的工具、案例分析等方面，培訓內 容和方式較為傳統，而民航業未來信息管理的重點是從海量數據中挖掘出有效的安全信 息，因此，僅準入資格中規定的能力已無法滿足大數據環境下對民航安全信息管理人員 的能力要求。
（2） 行業數據爆炸性增長的情況下，安全信息管理專業人才短缺嚴重，無暇對數據 進行深入分析。另外，安全信息管理人員的配置不合理，大部分安全信息管理人員是由 從事運行或安全管理的人員組成，沒有很好地接受數據挖掘、信息分析方面的培訓，僅 憑經驗進行數據分析和管理［5］，仍在存在一些崗位人員專業不對口的問題。
（3） 大多數民航企事業單位的安全信息管理人員的管理模式還沿用傳統的形式， 然而大數據時代的來臨使得民航信息管理崗位無論從能力需求、還是匹配標準都發生了 巨大變化。傳統的人員管理形式在招聘、選拔、調配等方面都缺乏科學的測評依據，導 致人員配置存在不合理情況。種種原因導致收集到的數據向能夠提供安全決策的信息的 [] 轉化程度不夠，難以提供支撐安全決策的依據。
綜上所述，目前我國民航安全信息管理崗位存在著崗位能力需求界定模糊，專業人 員數量緊缺，能力不足，并且配置不合理等現象，直接導致民航安全信息資源的浪費， 影響了民航主動安全管理的發展。因此，設立民航安全信息管理人員的崗位任職資格要 求，構建準確、高效的民航安全信息管理人員能力與崗位匹配測評模型，成為提升在崗 安全信息管理人員的能力，從而發揮出安全信息自身的價值的關鍵。
1.2國內外研究現狀
1.2.1信息管理人員勝任力指標體系的研究現狀
1、民航安全信息管理人員勝任力指標體系的研究現狀
目前關于民航安全信息管理人員勝任力的研究尚處于起步階段。李江源最初在研究 民航地區管理局安全管理能力評價模型時，在安全信息的記錄上報層面設計了指標，包 括安全信息的保存情況、向各單位上報信息處理的情況和向民航局上報信息的情況3個 指標［9］。
后有學者認為僅記錄和上報不能體現民航運行單位的安全信息管理水平，在這之前 的安全信息收集和處理能力同樣表征安全信息管理的水平。如陳道剛在研究航空公司安 全運行保障能力模型時，構建的模型中與安全信息相關的指標包括收集渠道、處理情況 和反饋效率，但未考慮如何從安全信息中分析得出結論，應用至安全管理實踐并進行共 享的能力［10］。
因此，有學者認為對收集的安全信息進行分析，才能得到有意義的結論，但仍然未 考慮應用和共享等能力。如宋真真在對航空公司安全管理能力評價進行研究時，涉及到 的指標包括收集手段、獲取渠道、分析方法和反饋機制［11］。陳芳等在研究民航安全管理 人員勝任力模型時引入了信息處理能力作為一級指標 ［12］，其中包含了數據分析等能力； 但該學者又利用驗證性因子分析了指標權重，結果表明，數據分析等能力的權重最小， 然而這些分析能力應該是大數據環境下民航安全信息管理人員的核心能力。
在此基礎上，有學者增加考慮了應用和共享方面的能力，為求安全信息管理的結果 能夠有效應用于安全管理實踐，提高民航運行單位的安全管理水平。如馬培以 PDCA 作 為評價指標框架構建依據，首次構建了專門針對航空公司安全信息管理成熟度的評價指 標體系，其中實施層面的指標包括：安全信息的收集、儲存和檢索、分析和處理、利用、 傳遞、發布、反饋和上報能力［13］。孫奕捷在民航安全信息管理水平的研究中，又增加考 慮了安全信息的共享能力［14］。
2
上述學者雖然未專門針對民航安全信息管理人員構建勝任力模型，但是對民航組織
的安全管理能力/安全信息管理水平或對民航安全管理人員勝任力進行研究時，從實施 層面設計的指標對民航安全信息管理人員勝任力模型的構建具有重要啟示。然而，有學 者認為個體的知識、潛在的職業精神等對安全信息管理工作的實施起著關鍵作用，因此， 基于勝任力模型，從業務能力、基本知識、管理能力、職業精神4個方面，構建了專門 針對民航安全信息管理人員的勝任力模型［15］，然后利用 Fuzzy-ANP 法得出了關鍵指標 為信息搜集能力、溝通能力、信息整理能力等能力。
民航安全信息管理人員勝任力指標體系對比如表 1.1 所示。
表 1.1 民航安全信息管理人員勝任力指標體系對比表
指標設計思路 安全信息管理指標
僅考慮安全信息的輸出 安全信息的保存情況、向各單位上報信息處理的情 況、向民航局上報信息的情況
考慮了安全信息的輸入 收集渠道、處理情況、反饋效率
實施層面指 標 收集手段、獲取渠道、分析方法和反饋機制
考慮了安全信息的輸 安全信息管理/數據分析/數據處理等能力、善于與運行
入、分析和共享 人員交流已發生的安全管理類信息、較強的信息歸納
與總結能力
考慮了安全信息的輸 內部信息收集、信息分析方法、信息的利用、信息交
入、分析、應用和共享 流共享、信息分析質量、外部信息收集、風險控制
勝任力模型 業務能力、基本知識、管理能力、職業精神
在大數據環境下，民航安全信息管理模式已逐步向“數據驅動的民航安全管理”轉換，
每天運行產生的安全數據海量，從安全數據中挖掘出有意義的安全信息，并進行應用的 能力顯得尤為重要。然而綜上可知，上述研究設計的指標雖然從起初的僅考慮信息輸出 （即信息上報）單方面的能力，逐步發展到全面考慮信息從輸入到輸出整個過程（即信 息收集-分析-應用-共享）中的能力，但均是將視角局限在傳統的信息管理層面，即注重 信息資源本身的管理和利用，較少的關注于從信息中挖掘情報（有效信息）的能力。表 現為對信息的管理能力注重于統計分析、記錄和上報，未關注于挖掘出信息深層的價值， 難以符合大數據時代的要求。
2、其他行業信息管理人員勝任力指標體系的研究現狀 隨著信息社會的發展，信息資源成為組織的重要資源之一，國內外學者對信息管理
人員勝任力的研究不斷深入。目前關于信息管理人員勝任力鮮有研究，國內外學者大多 將其表述為信息素養，并從多角度給出了信息素養的評價體系。隨著大數據時代的來臨， 在信息素養的基礎上發展得到了數據素養。因此，本節將從信息素養和數據素養的相關 進展出發，為構建大數據背景下民航安全信息管理人員勝任力指標體系提供科學依據。
（1）其他行業人員信息素養的研究現狀
1979年，美國信息產業協會（AIIL）給出了較為科學的信息素養的定義，即有信息 素養的人能夠在解決問題時，知道并且掌握利用信息的技術和技能［16］。
此后，基于上述定義，不同學者或機構又從不同角度研究了信息素養的評價體系。 歐美各國制定了信息素養框架，以作為本國信息素養評價的標準，如美國大學與研究圖 書館協會（ACRL）在20世紀初提出了高等教育信息素養的框架，包括明確所需信息的 性質和范圍、有效地獲取所需信息、批判性地評價信息［17］。ANZIIL與CAUL在4年之 后提出了澳大利亞與新西蘭的信息素養框架［18］，包括通識技能、信息技能以及價值觀。 2006年，國內學者孫平等人在 ACRL， ANZIIL 框架的基礎上發展得到了北京地區高校 信息素質指標體系，包括有效地獲取所需要的信息、有效地管理、組織與交流信息等 7 個一級指標［19］，該信息素質能力指標體系的提出對國內信息素養的深入研究起到了引領 作用。但上述早期的研究均較少地關注于信息價值的提取和利用，為了適應急劇變化的 信息生態環境， ACRL 于 2015 年在其 2000 年的標準之上，發布了“高等教育信息素養 框架”，強調對信息產生和信息價值的理解，框架包括確定調查的范圍并發展問題、收集 信息、把數據應用到手頭的問題上及記錄和溝通過程5 個方面［20］。
與此同時，信息素養研究領域也在不斷地于其他領域進行學科交叉的研究，與安全 科學領域進行交叉也有了諸多研究成果。如國內學者王秉和吳超最先提出了安全信息素 養的概念，并從安全信息需求意識、安全信息獲取能力、安全信息評價能力與安全信息 利用能力 4 方面構建了安全信息素養的評價指標體系［21］。譚波等從安全信息文化素養、 安全信息技術素養和安全信息態度素養 3 方面提出了安全工程專業人才信息素養的培 養方案［22］。
然而，綜合目前信息素養的研究可以發現，傳統的信息管理是在信息資源為稀缺資 源的情況下，以挖掘信息為目標，注重于信息資源本身的有效管理和利用［23］。但隨著大 數據時代來臨，數據量劇增，信息管理人員應更注重于將數據轉換為有價值的信息（情 報），數據素養研究領域因此誕生。并且，在大數據時代，越來越多的研究人員、從業人 員和機構認為數據素養是信息素養的延伸和擴展［24-27］，認為應該更加重視數據素養。
（2）其他行業人員數據素養的研究現狀 在進行數據素養研究時，諸多學者認為應該基于數據的生命周期來構建數據素養的 能力模型，這樣能夠體現數據流動的全過程。 Grillenberger A 等從計算機科學教育的角
4
度出發，從數據素養的主要內容和過程領域開發了數據素養的能力模型，其中，過程域 基于數據生命周期開發，突出實踐的觀點，包括數據收集/建模和清理、實施和優化、分 析/可視化和解釋、共享/存檔和刪除 4 個方面［28］。張婧等將梳理的國內外數據素養模型 按數據生命周期分為數據創建、數據處理、數據分析等 6 個維度［29］。
基于大數據時代中“數據驅動型”行業與日俱增，有學者認為各種職業的從業者都應 具有數據素養［25］，因此，學者們針對諸多行業的從業者進行了“跨學科”的數據素養研究。 針對教學從業人員，Gummer E等建立了教師數據素養的概念框架，包括識別問題、框 架問題（frame questions）、利用數據、轉換數據為信息、轉換信息為決策，以及結果評 估6 個組成部分［30］。
針對安全管理從業人員， Wang B 等根據界定的 DLSP 定義和一般數據素養成分， 識別了 DLSP的4個主要成分，并將其分為數據科學（偏數據素養）和安全科學（偏安 全管理）兩個維度：數據科學的知識和技能包括通用數據知識和技能與 SRD 的一般知 識和技能 2 個成分，安全的知識和技能包括 SRD 的態度，信念和意識、 SRD 在安全管 理中的使用 2 個成分［31］。雷雨等在基于理論分析研究安全數據素養內涵的過程中，認為 在安全大數據流動過程中，安全數據素養的構成要素應包括數據收集和評估能、數據處 理和管理能力、數據分析和解釋能力及數據展示和執行能力［32］。
綜上所述，由于信息化社會的發展，國內外學者和機構首先關注于挖掘信息資源的 信息素養的研究，從不同的角度給出了信息素養的評價體系，并與安全科學領域相結合 開發了安全信息素養的內涵和評價指標體系。但隨著大數據時代來臨，以從數據中挖掘 情報（有效信息）為目標的數據素養作為信息素養的擴展誕生，并在諸多領域進行了交 叉研究。數據素養的評價指標體系體現了數據的整個生命周期，并重點突出從數據中挖 掘出能為決策者提供信息保障的情報的能力，能夠為大數據時代的民航安全信息管理人 員勝任力模型的研究提供理論依據。
1.2.2能崗匹配測評方法的研究現狀
目前還未有專門針對民航安全信息管理人員能崗匹配的研究。在其他行業，人崗匹 配的概念最先是由Caplan提出的，他認為人崗匹配是指員工的知識、技能和工作崗位需 求相匹配［33］。后有學者在此基礎上，將人崗匹配定義為員工對工作的滿意程度與工作屬 性之間的匹配［34-35］，或員工的個人能力與崗位需求的能力之間的匹配［34-36］。在這兩種匹 配模式中，有學者提出能力-崗位需求匹配度是最適合討論個人績效與組織需求的相容 性的［37］。
5
在能力-崗位需求匹配度的測量方法方面，學者認為一般分為直接測量和間接測量 法，直接測量要求被調查者對他們與工作的組織的匹配程度進行直接評價，間接測量通 過設置可直接測量的中間特征，并利用數學方法進行測量。
1、 基于直接測量的方法對能力和崗位需求的匹配度進行測量。Burnette, J［38］采用了 測試的方法進行工作匹配度測評，使被測者對自己的匹配程度按照 7 個等級打分。 de Mol, E［39 ］使用一般工作適合度衡量標準進行了測量，使個人對自己適合這份工作的程度 進行打分。可看出，直接測量具有非常強烈的主觀性，因此間接測量被認為是一種更好 的方法，因為它能夠使評估更客觀。
2、 基于間接測量的方法對能力和崗位需求的匹配度進行測量。在采用間接測量方 法時，現有研究大致分為兩種思路：
（1） 采用統計學方法和AHP、模糊綜合評價法等傳統評價方法進行能崗匹配測評。 采用傳統統計學方法進行能崗匹配測評的研究中，Liao P C［37］調查了 80名建筑經理和工 人，通過計算每個參與者的中心性度量的四分位數分數與基線之間的差異來確定能崗匹 配度。Yen, H［40］對234名全職員工進行了雙波數據采集，其中需求-能力契合度采用李克 特式 6 分制評分。
使用傳統評價方法的能崗匹配測評研究中，李琰［41］根據所構建的大慶石化企業管理 人員招聘崗位的評價指標，運用AHP-模糊綜合評價的方法進行了石化企業管理人員招 聘過程中人崗匹配甄選評價研究。劉葉容［42］構建的能力素質指標體系，采用AHP計算 指標權重，模糊綜合評價法進行大中型企業人才能崗匹配評價。
（2） 選用基于機器學習方法的能崗匹配測量。王慶［43］等構建了基于BP神經網絡的 知識員工—崗位匹配的測評模型。劉琨［44］通過分析某高新技術企業對知識型員工的能力 需求，得出能崗匹配的評價指標體系，并利用AHP篩選后的指標構建了基于BP神經網 絡的知識型員工-崗位匹配測評模型。Dai, W.［45］以崗位為基礎，結合KSAO模型建立了 管理者人崗匹配評價指標體系，采用AHP確定管理者人崗匹配評價指標體系中各指標 的權重，然后建立了基于BP神經網絡的高校管理者的人崗匹配測評模型，實驗結果表 明，人崗匹配模型的誤差控制在 5%以內，取得了良好的評價結果。可以看出，學者們 大多采用機器學習算法來在一定程度上規避傳統測評方法的主觀性太強的問題，并且采 用機器學習進行能崗匹配測評時能夠針對不同的樣本對象、樣本量選擇最適合的算法， 構建的匹配測評模型可以很大的提高測評速度和精度，大幅度的提升人員配置效率。
綜上所述，在能崗匹配測評方法的研究現狀方面，目前尚未有專門針對民航安全信
6
息管理人員的能崗匹配測評研究，在其他行業人員的能崗匹配測評研究方法方面，主要 有兩種思路：一種是直接測量，主要表現為個人直接進行自評，結果往往不能真實的反 映情況；另一種是間接測量，又分為采用統計學、 AHP 等傳統評價方法，和機器學習方 法兩種思路，對比得知現有采用非機器學習方法進行能崗測評的研究均進行的均是主觀 性太強，測評過程復雜、速度慢，而機器學習方法進行測評可以很好的規避這一問題， 并且能夠針對不同的樣本對象、樣本量選擇最適合的算法，構建的匹配測評模型可以很 大的提高測評的速度、精度和客觀性，大大提升人員配置效率。然而，由于研究對象不 同，崗位需求的勝任力、樣本數據來源、類型存在差異，現有研究已構建的其他行業人 員的能崗匹配測評模型不能適用于民航安全信息管理人員，因此，有必要建立一套專門 針對民航安全信息管理人員的能崗匹配測評模型。
1.3研究內容和方法
1.3.1研究內容
本文的研究內容主要分為三個部分：
1、 民航安全信息管理人員勝任力指標體系的構建。通過分析勝任力內涵和信息管 理人員勝任力內涵確定民航安全信息管理人員勝任力內涵；基于內涵，結合通用數據生 命周期和基本信息處理模塊，構建民航安全信息管理人員勝任力概念模型；依據概念模 型并結合文獻分析，構建民航安全信息管理人員勝任力的指標體系。
2、 民航安全信息管理人員能崗匹配測評模型的構建。以民航安全信息管理人員勝 任力指標體系的二級指標作為模型的輸入指標，以能崗匹配分值作為模型的輸出指標， 構建基于貝葉斯優化 BP 神經網絡的民航安全信息管理人員能崗匹配測評模型，包括數 據收集及預處理（其中訓練樣本數據的生成采用DEMATEL+模糊綜合評價法）、BP神 經網絡模型搭建、貝葉斯優化BP神經網絡參數三個步驟。
3、 民航安全信息管理人員能崗匹配測評模型的驗證。以民航企事業單位的安全信 息管理人員為研究對象進行數據收集，對模型進行訓練，并驗證模型的可行性；將貝葉 斯優化算法與隨機搜索優化算法分別對 BP 神經網絡進行優化，以驗證貝葉斯優化算法 的優化優勢；將貝葉斯優化后的 BP 神經網絡和單一 BP 神經網絡進行對比，驗證本文 構建的模型在解決傳統BP神經網絡進行能崗匹配測評時不穩定和速度慢的有效性。
4、 民航安全信息管理人員能崗匹配測評模型的實證研究。
1.3.2研究方法
本文采用的研究方法主要包括：
7
1、 文獻分析法。通過文獻分析進行國內外研究現狀分析和勝任力指標體系的確定。
2、 問卷調查法。通過編制民航安全信息管理人員勝任力調查問卷獲取能崗匹配測 評模型的輸入數據；通過編制民航安全信息管理人員勝任力指標影響關系判斷問卷，進 行勝任力指標權重確定，作為生成能崗匹配測評模型輸出數據的基礎。
3、 DEMATEL+模糊綜合評價法。DEMATEL確定勝任力指標權重，模糊綜合評價 法進行能崗匹配測評模型輸出數據計算。
4、 貝葉斯優化的 BP 神經網絡。結合民航安全信息管理人員勝任力指標體系的特 點，選擇BP神經網絡進行能崗匹配測評模型的構建；針對單一 BP神經網絡的缺陷， 選擇貝葉斯優化算法進行優化。
5、 實證研究法。以民航企事業單位的安全信息管理人員為研究對象，通過實證研究 證明構建的能崗匹配測評模型的可行性和有效性。
1.4技術路線
本文的技術路線如圖 1-1 所示。
圖 1-1 技術路線
第二章 民航安全信息管理人員勝任力指標體系構建
為構建民航安全信息管理人員的勝任力模型，本節首先對民航安全信息管理人員勝 任力的內涵進行分析，然后構建民航安全信息管理人員勝任力的概念模型。依據民航安 全信息管理人員勝任力的概念模型，結合民航安全信息管理的規章手冊和文獻分析，構 建民航安全信息管理人員的勝任力指標體系。
2.1民航安全信息管理人員勝任力內涵
2.1.1勝任力內涵
在上世紀60年代，心理學家Robert W. White首次提出了“勝任力”術語，包括人才 識別和個體潛質特征兩個層面的含義［46］，為后來勝任力的廣泛研究奠定了堅實基礎。隨 著時間的推移，更多的學者開始關注于研究勝任力的表征和維度，均從個體的顯性特征 和隱性特征兩個層面進行了勝任力內涵的研究。如McClelland在1973年將勝任力定義 為“與工作或工作績效或生活中其他重要成果直接相聯系的顯性層面的知識和技能、及 隱形層面的個人特質、社會角色、自我概念或動機等［47］”； Boyatzis在1980年將勝任力 定義為“個體所具有的且將為生活中某一角色帶來成功表現的潛在特征，其可能包括知 識、技能、動機、特質、自我形象和社會角色等”［48］；得到廣泛認同和運用的Spencer夫 婦將勝任力定義為“不同績效表現者的個人特征，包括相關領域的知識與技能，以及自 我概念、特征和動機五個層面”［49］。
上述勝任力內涵在人力資源領域被廣泛應用，但可以看出，最早的勝任力研究是針 對各行各業的通用人員進行的，這些研究通常認為勝任力除了包括技術和實施層面的知 識和技能外，還包括動機等個人潛在特征。然而，這些方面難以使一個組織考核評價或 是提升其專業人員的勝任力，尤其是個人特質等個體與生俱來的隱性特征，難以被測量 以及通過培訓等方式提升。
為此，國際組織經濟合作與發展組織(OECD)為適應社會日益多元化和全球化確 立了勝任力內涵，但認為在社會科學中并沒有關于勝任力概念的單一使用，即需要與特 定情境相結合。因此，在此基礎上針對解決全球化問題的人員提出了“全球素養 (competency) ”的內涵，即個人應該具備將知識、技能、態度結合在一起，運用并解決 全球性問題的能力［50-51］。歐盟在汲取OECD研究成果的基礎上，針對歐洲教育的特色和 發展需要開發了勝任力內涵，將其界定為：“適用于特定情境的知識、技能和態度的綜合 ［52］。國際培訓、績效和指導標準委員提出了針對培訓師的勝任力內涵為相關的知識、技
10 能和態度的集合［53］。可見，運用于某一特定情境或某一類專業人員，目前越來越多的國 際組織主流采用的勝任力的維度包括知識、技能和態度。
隨著技術的快速發展和信息化社會的進步，各行業對專業人員的綜合素養和跨學科 能力的要求逐漸提高，如STEM （科學、技術、工程和數學）教育領域綜合了公認的勝 任力內涵和上述國際素養框架，提出了強調以學科之間的交叉融合為中心的STEM素養 ［54］。它認為素養涵蓋的內容除了要包括通用的知識、技能和態度之外［55］，還要包括這類 人員運用行業背景所依托的相關學科或專業交叉的知識、技能和態度解決復雜問題的綜 合能力［56-58］。
因此，本文界定勝任力為掌握某職位或工作角色涉及的跨學科或跨專業的知識，具 備運用這些知識解決該職位或角色所面臨的復雜問題的技能，并包含態度在其中的導向 作用。
2.1.2信息管理人員勝任力的內涵
信息管理是以數據管理為基礎、以信息流為管理對象的信息管理模式。通過對信息 資源的管理與控制，能夠為管理者的快速決策提供信息保障。傳統信息管理主要包括兩 部分的內容：首先是對數據進行獲取，并利用傳統統計學手段對數據進行加工將其轉換 為信息；其次是對轉化后的信息進行管理，包括信息的收集、分類、檢索等全過程。但 隨著大數據、人工智能等概念的出現和推廣，信息管理的模式轉變為“智慧管理”，更加 強調信息在收集、分類后的運用，即表現為使用智能手段，對數據進行加工處理，從數 據中挖掘出有價值的信息；然后通過理解信息類型，進而產生“智慧”，提高決策者和管 理者的管理層次［59］。
可見，在大數據環境下， “數據范式”成為信息管理的新研究范式，研究的重點從傳 統信息管理的強調信息資源本身的有效配置利用轉換為大數據環境下強調從數據中挖 掘價值， “大數據”處于信息管理體系的重要位置，數據挖掘、分析和利用成為信息管理 的核心［59］。因此，在大數據時代，越來越多的研究人員、從業人員和機構認為信息管理 人員勝任力的本質是數據素養。
數據素養是指大數據時代人們在以解決問題為出發點的前提下，采集、分析、利用、 共享數據的能力［60］，即通過海量數據資源發現問題、分析問題并解決問題的能力。它側 重于解決問題［61］，強調將數據轉換為信息，并最終轉換為可操作的知識，運用知識以指 導和支持決策實踐的能力，并且要求具有批判性思維［62］，以作出明智的決策。另外，基 于越來越多的行業開始轉型為“數據驅動+”，數據素養應該體現出“跨學科”性。
11
因此，根據上述數據素養內涵，結合 2.1.1 對勝任力內涵的分析，本研究將信息管 理人員的勝任力的內涵界定為掌握數據科學和相關行業知識，具備運用這些跨學科知識 收集、分析、利用、共享數據的技能，并且要求具有批判性思維等信息管理的態度，以 作出明智的決策。
2.1.3民航安全信息管理人員勝任力內涵
民航安全信息管理的目的是通過民航安全信息收集、分析和應用，實現安全信息共 享，推進安全管理體系建設，從而預防民用航空事故的發生［63］。民航安全信息管理人員 的職責是對各類安全數據進行采集、處理和分析，以發現安全情報（有價值的安全信息）， 提出結論應用于安全管理實踐，并對實踐情況和安全信息進行共享。
根據上文分析，民航安全信息管理人員的工作本質上屬于信息管理人員在民航領域 解決實際安全問題。因此，民航安全信息管理人員除了需要掌握信息管理人員的知識， 還應該掌握和民航安全管理領域交叉的知識，并能運用這些知識進行民航安全管理的實 際行動。因此，界定民航安全信息管理人員的勝任力內涵為，掌握數據科學和民航安全 管理的知識，具備運用這些知識對各類安全數據進行收集、處理以及對得到的安全信息 進行分析、應用、共享的技能，以解決民航安全問題、進行民航安全管理實踐，并且具 有批判性思維等民航安全信息管理的態度，以作出基于數據驅動的決策。
2.2民航安全信息管理人員勝任力概念模型
長期以來，民航安全信息管理人員通過收集和分析來自事故和事故征候調查的信息， 得出制定安全管理措施的主要依據，來完善安全管理規章、標準和程序，并改進運行設 備的設計等安全關鍵領域［64］。海量的非結構化的安全數據的作用在大數據背景下逐漸顯 現，民航安全信息管理人員面臨著比以往更多的安全數據。民航安全信息管理工作不再 是對書面的結構化的安全信息進行簡單的統計、和向上級單位上報，而更注重于從飛機 運行產生的安全相關大數據中挖掘出能夠支撐管理者決策的、有價值的安全信息以作為 安全管理的資源。因此，數據是如何收集/存儲/處理/分析和應用共享的、與民航安全管 理密不可分，數據科學領域被嵌入到民航安全管理中，民航安全信息管理人員工作的本 質轉換成了一種新的跨學科方法，即“數據驅動的民航安全管理” ［71］。結合民航安全信息 管理人員勝任力的內涵分析，民航安全信息管理人員在進行民航安全信息管理工作時要 掌握的知識，應體現出安全科學領域和數據科學領域的交叉，并且安全科學知識主要指 民航安全管理的知識。
從 2.1.2 的分析可知，大數據環境下信息管理人員勝任力的基礎是數據素養，而根
12
據 1.2.1.2 國內外研究現狀的分析，基于數據的生命周期構建數據素養模型可以很好的 體現數據流動的整個過程，因此，在進行民航安全信息管理人員勝任力概念模型技能層 面的分析時，將數據生命周期作為依據，以使民航安全信息管理人員在進行安全信息管 理實踐的過程中能夠體現數據流動的整個過程。通用的數據生命周期包括5 個階段：范 圍確定、數據收集、數據分析、數據應用和數據共享［65］。在民航領域，也存在著一個數 據生命周期的應用，國際民航組織的Doc9859《安全管理收集》將其命名為“數據驅動的 決策過程”，該過程共包括 5 個步驟：定義要解決的問題或要滿足的目標、確定是否有 可用的數據、數據收集和數據分析、說明數據分析的結果以做出決定、與利益相關者溝 通決策［77］。
可見，單一的數據生命周期體現的是從“數據”直接到“決策”的過程，然而有些決策 可直接從數據中得到保障，有些決策則需要先從數據中提取有用的信息，再進一步對信 息進行分析，才能為決策提供支撐。因此，根據公認的基本信息處理模型，存在一個數 據-信息-知識-智慧（DIKW ）層次結構冋，即學術界大多將人類對客觀世界的認知劃分 為數據、信息、知識和智慧。對于數據驅動的民航安全管理，DIKW層次可以擴展為一 個新的層次，即民航安全數據-民航安全信息-民航安全規律-民航安全管理實踐［67］。即民 航安全信息管理人員首先收集通過自愿報告、事件調查和監督檢查等方式獲得的安全數 據，和在航空器運行過程中產生的飛行、空管、維修等安全大數據；然后利用數據挖掘 等技術將民航安全數據加工轉化得到民航安全信息，作為民航安全管理實踐的間接資源； 對于結構化的民航安全信息，民航安全信息管理人員運用安全科學方法、原理、模型與 技術等及民航相關知識進行分析，轉化得到民航安全規律，作為影響民航安全管理實踐 的直接資源［68］；最后對分析得到的民航安全規律進行應用，來對民航企事業單位進行安 全管理實踐。民航安全數據經過一個全過程的流動，最終用于民航安全管理實踐，得以 體現它的價值，按應用動作的不同，民航安全管理實踐包括：民航安全分析、民航安全 評價、民航安全預測與民航安全決策等［69］。
此外，為了使整個信息管理工作朝著實現安全目標的方向進行，在進行民航安全數 據和安全信息收集前，首先應該基于安全績效管理的情況［77］確定亟待解決的安全問題或 必須達到的安全目標，以便確定安全數據的類型和來源，確保所需數據的收集和分析切 實可行，并與本單位的安全目標相關。為使民航安全決策有效，應對民航安全信息和安 全管理實踐的結果在組織內外進行共享交流，使組織內外對同一安全問題達成一致，以 提高整個民航系統的安全水平。
13
根據上述分析可構建民航安全數據信息的生命周期如圖 2-2 所示。其中，在將民航 安全數據轉換為民航安全信息的過程中，需要用到數據挖掘等數據科學知識；在對民航 安全信息進行分析將其轉換為民航安全規律的過程中，需要用到民航安全管理知識。
圖 2-2 民航安全數據信息的生命周期
綜上所述，民航安全信息管理人員勝任力概念模型的“知識”層面應包含“數據科學 知識”和“民航安全管理知識”， “技能”是民航安全信息管理工作實踐層面的能力，依據民 航安全數據信息的生命周期構建，以體現民航安全數據信息流動的整個過程。 “知識”是 “技能”的支撐，此外，依據 2.1.3 勝任力內涵的描述，還應包括“態度”對技能的導向作 用。因此，可構建民航安全信息管理人員勝任力的概念模型如圖2-3 所示。
知識
I 數據科學知識 民航安全管理知識 !
支撐
技能
導向
態度
民航安全信息管理的態度
圖 2-3 民航安全信息管理人員勝任力的概念模型
14
2.3民航安全信息管理人員勝任力指標體系
本節依據上文研究，在訪談民航安全信息管理人員和專家的基礎上，通過文獻研究 和規章分析，進行民航安全信息管理人員勝任力指標的選取。
2.3.1一級指標的選取過程
依據“2.2 民航安全信息管理人員勝任力的概念模型”，從知識、技能和態度三個層 面確定民航安全信息管理人員勝任力指標體系的一級指標。
1、 知識層面
知識層面指民航安全信息管理工作中所需的以內容為導向的能力，要考慮理論背景 和需要理解的基礎科學概念。民航安全信息管理工作的目的是利用安全信息進行數據驅 動的安全決策制定［70］，其本質為數據科學和安全科學兩個領域交叉的問題。在實際工作 中，民航安全信息管理人員從民航安全數據中挖掘民航安全信息需要具備數據科學相關 知識，將民航安全信息進行分析得到民航安全規律需要具備民航安全管理知識［71］。因此， 知識層面的一級指標包括“數據科學知識”和“民航安全管理知識”。
2、 技能層面
技能層面指的是民航安全信息管理人員能夠系統地運用掌握的知識完成安全信息 管理工作的、以實踐為導向的能力。依據“民航安全信息管理人員勝任力的概念模型”， 技能反映了民航安全信息管理人員如何收集和挖掘安全數據、分析和應用安全信息實踐 以提高運行單位的安全績效的能力。因此，依據“民航安全信息管理人員的概念模型”［72］， 構建技能層面的一級指標。
收集是民航安全信息管理工作的輸入階段［32］，民航運行單位應首先確定安全數據需 要解決的問題，有助于確定安全數據收集的渠道，并明確所需的數據量［77］。因此，將其 命名為“危險源識別與民航安全數據收集的能力”。
對收集得到的安全數據進行挖掘，目的是使安全數據干凈且有意義、滿足安全信息 管理人員對安全數據和安全信息的需求從而使分析更加高效，并能從中挖掘出有意義的 安全信息以進行下一步分析、或快速進行安全趨勢預測和決策制定。因此，將其命名為 “民航安全數據挖掘能力”。
民航安全信息分析過程的目的是將安全數據挖掘得到的民航安全信息通過使用安 全科學理論和民航相關知識，提出結論，得到有規律的民航安全信息（安全規律），以支 持數據驅動的決策、并能夠展現民航運行單位的安全狀況［73］。因此，將其命名為“民航 安全信息分析和可視化能力”。
15
民航安全信息應用和共享是安全信息管理工作的輸出階段［32］。安全數據和安全信息
分析的結果能夠為決策者能夠做出基于數據驅動的安全決策提供依據，并能在不同的民 航運行單位之間進行交流共享，使各單位在相同安全問題上達成一致，從而提高整個民 航系統的安全狀況。因此，將其命名為“民航安全信息應用和共享能力”。
3、態度層面 引導民航安全信息管理人員工作中行為的態度，可通過培訓教育提高和規范。在本 文中將其命名為“民航安全信息管理的態度”。
綜上所述，基于“知識”、“技能”和“態度”三個維度提煉的民航安全信息管理人員勝 任力模型的一級指標共有7 個，見表2.1所示。
表2.1民航安全信息管理人員勝任力模型一級指標
層次 層次內容 一級指標
數據科學知識
民航安全管理知識
危險源識別并收集民航安全數據的能力
民航安全數據挖掘能力
民航安全信息的分析和可視化能力
民航安全信息應用和共享能力
安全信息管理的態度
理分析方法等等后續流程。
數據科學知識維度的二級指標見表 2.2。
表 2.2 數據科學知識二級指標
一級指標
通用數據知識（包括數據的概念、數據的生命周期、數據的格式、類型）
數據科學 數據工具的使用（包括硬件和軟件）
知識 收集、評估、分析和解釋數據的知識
民航安全數據的類型和來源
2、民航安全管理知識
民航安全信息管理工作的關鍵是利用安全數據進行民航安全管理。在民航組織中， 了解業務運行規章和手冊是開展各類工作的重要前提［15］；安全信息管理人員通過熟悉民 航運行知識，了解安全數據的類型、來源和梳理，從而對數據密集型的安全管理模式得 以掌握［71］。安全信息管理人員需要依據安全規律進行風險控制措施的制定、規章手冊的 修改等相關安全決策的制定，因此需要掌握將安全規律應用于實際運行的知識。民航安 全信息管理人員需具備的民航安全管理知識見表 2.3。
表 2.3 民航安全管理知識二級指標
一級指標
業務規章解讀知識
民航運行知識
數據驅動的安全管理的概念
將安全規律應用于實際運行的知識
3、危險源識別與民航安全數據收集的能力
支持數據驅動安全決策的大部分安全數據來自民航運行單位內部的日常運行［77］，包 括安全監督檢查、安全管理策略的效性的數據等過程性數據，及安全績效指標、飛機運 行產生的數據等結果性數據。民航運行單位應首先確定民航安全現象（即高風險問題）， 有助于民航安全信息管理人員以“問題”為導向確定安全數據收集的渠道，和所需的數據 量［77］。民航安全信息管理人員需具備的危險源識別與民航安全數據收集的能力見表 2.4。
表 2.4 危險源識別與民航安全數據收集的能力二級指標
一級指標 一級指標
危險源識別與民航安全數據收集的能力 危險源識別或目標界定能力 安全數據收集能力
4、民航安全數據挖掘能力
數據驅動的民航安全管理研究過程中的一個核心環節就是數據挖掘與分析［76］。處理
是指被用作分析的安全數據和安全信息必須保證質量且適用于待解決的問題，因此必須
17 將其不完整、不正確或不相關的部分進行清洗操作，將能夠產生聯系的安全數據和信息 進行整合，并轉換為安全決策所需的內容［77］。
為了保證數據的質量、并且適應民航單位 SMS 的持續改進，元數據的創建和管理 是非常關鍵的。它是關于數據的數據，可以明確安全數據的來源、何時被創建、及整個 業務的工作流、數據流和信息流等［77］。在了解行業相關知識的前提下，應對安全數據進 行分類，以便使用有意義的術語檢索和存儲數據，尤其是對風險進行分類以方便危險源
識別。民航安全信息管理人員需具備的民航安全數據挖掘能力見表 2.5。
表2.5民航安全數據挖掘能力二級指標
一級指標 二級指標
民航安全數據挖掘能力 民航安全數據分類能力 民航安全數據清洗、整合能力
民航運行數據挖掘能力 元數據創建和使用能力
5、民航安全信息的分析和可視化能力
民航安全信息分析是結合安全科學理論和技術、民航相關知識，歸納總結得出結論， 發現民航安全規律以指導民航安全分析、評價、趨勢預測和決策制定等實踐。將分析的 結果可視化能夠使相關安全管理人員快速的查看民航組織的安全績效，便于安全信息分 析結果的應用［73 錯誤!未定義書簽。］［78-79］。民航安全信息的分析和可視化能力具體包含的二級指 標見表 2.6。
表 2.6 民航安全信息的分析和可視化能力二級指標
一級指標 二級指標
民航安全信息的分析和可視化能力 歸納總結得出結論以發現民航安全規律的能力
可視化民航安全信息的能力
6、民航安全信息的應用和共享能力
安全信息分析的主要目的是得出結論，讓安全管理人員了解民航組織的安全狀況， 突出安全風險高的領域［77］，使他們能夠從分析得到的安全信息中得出與安全管理相關的 結論，識別安全管理問題，進行安全管理實踐（主要包括安全趨勢預測和安全決策制定）。 然后根據安全管理實踐的結果和效果決定是否修改安全管理實踐，并探索安全管理實踐 失敗和成功的原因。應在組織內外將安全管理實踐進行共享和交流［71］，使各組織層面對 安全問題采取一致的數據驅動的響應，以提高整個民航系統的安全水平［71,77］。
18
表2.7民航安全信息應用和共享能力二級指標
一級指標 二級指標
基于民航安全信息識別民航安全問題的能力
基于民航安全信息預測民航安全趨勢的能力
數據驅動的民航安全決策制定能力
評估民航安全管理結果和效果的能力
基于民航安全信息修改民航安全管理實踐的能力
基于民航安全信息探究民航安全管理成功或失敗原因的能力
在組織內外進行民航安全信息共享和交流的能力
7、民航安全信息管理的
國際民航組織在2018年最新發布的 Doc9859 《安全管理手冊》（第四版）中，將保 護安全數據和安全信息及其相關來源作為一個章節進行規定，描述了從安全報告系統獲 取的安全數據和安全信息、及此類數據和信息來源的保護的基本原則［77］。此規定的目的 是保護進行報告的個人和組織不會因為他們的報告受到懲罰，以及對他們所報告安全數 據和安全信息的使用進行限制。這些安全數據和信息僅能用于維持或提高民航安全水平， 不能用作其他用途。在民航運行單位中，民航安全信息管理人員也應對報告者及其報告 的安全數據和安全信息進行保護。另外，在整個安全信息管理工作流程中，安全信息管 理人員必須能夠分布安全數據和安全信息的真實可靠性。因此，民航安全信息管理的態 度維度的二級指標見下表。
表 2.8 民航安全信息管理的態度二級指標
一級指標 二級指標
民航安全信息管理的態度 批判性思維
安全數據和信息及其來源的保護
2.3.3民航安全信息管理人員勝任力指標體系的構建 綜上所述，民航安全信息管理人員勝任力指標體系共包含7 個一級指標，25項二級 指標，如表 2.9 所示。
表2.9民航安全信息管理人員勝任力指標體系
一級指標 二級指標
掌握通用數據知識（包括數據的概念、數據的生命周期、數據的格式、類型）
掌握數據工具的使用（包括硬件和軟件）
數據科學知識
掌握收集、評估、分析和解釋數據的知識
了解民航安全數據的類型和來源
表 2.9（續） 民航安全信息管理人員勝任力指標體系
一級指標 一級指標
掌握業務規章解讀知識
民航安全管理知識 掌握民航運行知識
掌握數據驅動的安全管理的概念
掌握將安全規律應用于實際運行的知識
危險源識別與民航安全數據 具有危險源識別或目標界定能力
收集的能力 具有安全數據收集能力
具有民航安全數據分類能力
民航安全數據挖掘能力 具有民航安全數據清洗、整合能力
具有民航運行數據挖掘能力
具有元數據創建和使用能力
民航安全信息的分析和可視 具有歸納總結得出結論以發現民航安全規律的能力
化能力 具有可視化民航安全信息的能力
具有基于民航安全信息識別民航安全問題的能力
具有基于民航安全信息預測民航安全趨勢的能力
民航安全信息應用和共享能 力 具有數據驅動的民航安全決策制定能力
具有評估民航安全管理結果和效果的能力
具有基于民航安全信息修改民航安全管理實踐的能力
具有基于民航安全信息探究民航安全管理成功或失敗原因的能力
具有在組織內外進行民航安全信息共享和交流的能力
民航安全信息管理的態度 具有批判性思維
對安全數據和信息及其來源進行保護
2.4本章小結
（1） 界定了民航安全信息管理人員的勝任力內涵，是指掌握數據科學和民航安全 管理的知識，具備運用這些知識對各類安全數據進行收集、處理以及對得到的安全信息 進行分析、應用、共享的技能，以解決民航安全問題、進行民航安全管理實踐，并且具 有批判性思維等民航安全信息管理的態度，以作出基于數據驅動的決策；
（2） 構建了民航安全信息管理人員勝任力的概念模型；
（3） 構建了民航安全信息管理人員的勝任力指標體系，包括數據科學知識、民航安 全管理知識、危險源識別與民航安全數據收集的能力等 7 個一級指標和通用數據知識、 基于民航安全信息識別民航安全問題的能力、批判性思維和安全數據和信息及其來源的 保護等 25 個一級指標，為后文構建民航安全信息管理人員能崗匹配測評模型的構建奠 定了基礎。
20
第三章 民航安全信息管理人員能崗匹配測評模型構建
本章基于構建的民航安全信息管理人員勝任力指標體系，采用貝葉斯優化算法優化 BP 神經網絡，構建民航安全信息管理人員能崗匹配測評模型。
3.1研究方法的選擇
根據 1.2 國內外研究現狀可知，目前學者們進行能崗匹配測評的研究方法主要包括 兩種思路，一種是直接測量方法，一種是間接測量方法。直接測量主要指無需通過數學 模型計算，個人通過評價自己的個人能力與崗位需求的匹配程度直接得出匹配結果，但 測量結果有時不能真實的反映情況；間接測量指通過將匹配分值這一最終測量的量轉換 為若干可直接測量的量、利用數學方法或模型進行計算從而間接得到結果的方法。間接 測量又包括采用傳統統計學、AHP等非機器學習方法和機器學習方法兩種思路，對比之 下，機器學習方法具有明顯的測評速度快、精度高等優點，尤其是BP神經網絡已經被 證實在人員能崗匹配測評的研究中表現優異。
在機器學習領域中，具有有限個標記數據的有監督學習問題屬于小樣本學習問題［80］， 在本研究中，目前民航企事業單位從事民航安全信息管理工作的人員數量較少，因此用 于構建民航安全信息管理人員能崗匹配測評模型所收集的數據為有限個，數據具有小樣 本學習的特點。另外，描述“某一現象”的、維度大于2的多變量數據稱為高維數據［81］， 而根據第一章構建的民航安全信息管理人員勝任力指標體系可知，參與構建測評模型的 指標共有 25 個，因此，用于構建民航安全信息管理人員能崗匹配測評模型的數據具有 高維度特點。其次，民航安全信息管理人員勝任力的各表征指標與其能崗匹配的程度之 間的關系難以確定，不存在顯示某一勝任力指標與能崗匹配程度之間關系的某一特定線 性關系，均是勝任力指標的組合與最終測量的能夠匹配程度之間存在某種映射關系，因 此，民航安全信息管理人員的勝任力指標與能崗匹配測評結果之間呈一定程度復雜的非 線性關系。
綜上所述，本研究用于構建能崗匹配測評模型的勝任力指標具有高維度的特點，用 于訓練能崗匹配測評模型的樣本數據具有小樣本的特點，并且勝任力指標（模型的輸入） 和最終測量的能崗匹配程度（模型的輸出）之間存在一定程度復雜的非線性關系。而BP 神經網絡能夠處理小樣本、高維度的問題［82］，并且具有強大的非線性映射能力，因此 BP 神經網絡可以適用于民航安全信息管理人員能崗匹配測評模型的構建。
但研究表明，單一的BP神經網絡在進行測評時穩定性不高，結果誤差較大［83］，主
21 要存在的問題是［84］BP神經網絡收斂速度慢、學習效率較低，并且容易陷入局部極小化。 因此，諸多學者們開始尋求加入優化算法，對 BP 神經網絡進行超參數尋優，以改善其 本身的缺陷來提高測評的精度和速度。
在對神經網絡進行參數尋優時，網格搜索（CS）算法和隨機搜索（RS）算法被最廣 泛使用。其中，網格搜索算法的原理是枚舉法，即對網格中每個交點進行遍歷來找到最 好的一個組合，其優點是尋優效果不錯，但缺陷是計算代價極大、耗時很長。相較網格 搜索而言，隨機搜索算法更有效［85］，它是在遍布整個搜索區域的參數空間中進行自動地 隨機搜索，其優點是搜索速度快，但是由于不能儲存上一次搜索的經驗，因此在尋找下 一組參數時考慮不到先驗知識，導致容易遺漏最優解［86］。
而貝葉斯優化算法的全局優化效果十分優秀，它能夠在初期進行超參嘗試后逐步學 習，即用先驗概率來在一定程度上決定后驗概率，對初始搜索空間不同部分進行調整和 采樣。相比于網格搜索，貝葉斯優化算法的搜索效率更高，但同時避免了隨機搜索會遺 漏最優解的缺陷［85］。因此，選用貝葉斯優化算法能夠為 BP 神經網絡找到最佳的超參數 ［87-88］，改善其缺陷從而提高測評模型的準確性和收斂速度。綜上，本文選擇基于貝葉斯 優化的BP神經網絡構建民航安全信息管理人員的能崗匹配測評模型。
3.2民航安全信息管理人員能崗匹配測評模型構建
3.2.1數據收集及預處理
數據收集及預處理主要包括三個過程：（1）樣本選取及數據收集；（2）用于構建模 型的訓練樣本數據計算，包括模型輸入數據的生成和輸出數據的計算；（3）數據標準化。
1、 樣本選取及數據收集
本研究是基于民航安全信息管理人員勝任力的能崗匹配研究，因此選取民航企事業 單位從事安全信息管理工作的安全信息管理人員作為調查對象進行數據收集。數據為調 研對象關于各勝任力指標的得分，通過問卷調查獲得。
2、 訓練樣本數據計算
（1） 輸入數據生成
將民航安全信息管理人員勝任力指標體系的25個二級指標作為基于貝葉斯優化BP 神經網絡構建的民航安全信息管理人員能崗匹配測評模型的輸入指標，因此模型的輸入 樣本數據為通過問卷調查獲得的民航安全信息管理人員勝任力指標得分。
（2） 基于模糊綜合評價的輸出數據計算 將民航安全信息管理人員能崗匹配測評結果作為基于貝葉斯優化 BP 神經網絡構建
22
的民航安全信息管理人員能崗匹配測評模型的輸出指標，因此模型的輸出數據為能崗匹 配分值，但該數據難以直接獲得。由于前文構建的民航安全信息管理人員勝任力指標體 系具有多準則、呈現模糊性的特點，而模糊綜合評價方法適用于具有模糊性多準則指標 體系的綜合評價問題，能通過將每個指標的權重進行綜合考慮后，對最終測量指標作出 比較貼近實際的量化評價［89］。因此，本文采用模糊綜合評價方法計算訓練樣本的能崗匹 配分值，以保證輸出樣本數據的科學性。
步驟1：確定民航安全信息管理人員能崗匹配測評因素集
根據 2.3 建立的民航安全信息管理人員勝任力指標體系，建立民航安全信息管理人
員能崗匹配的測評因素集。其中，一級測評因素集由勝任力指標體系的一級指標組成， 一級測評因素集由勝任力指標體系的一級指標組成。民航安全信息管理人員能崗匹配的 測評因素集可表示為C =(C］,C2, ...Cn)。
步驟2：確定民航安全信息管理人員能崗匹配的評語集
由專家基于民航安全信息管理人員崗位的勝任力狀態表現來確定民航安全信息管 理人員模糊評價的評語集，設V={V1,V2,V3,V4,V5} = {非常匹配，較匹配，一般，較不匹配， 非常不匹配}，每一個等級表示不同的決斷。為了將結果更直觀的展示出來，采用百分制 的方法用定量集Q={90，80，70，60，50}對結果向量進行賦值，見表3.1。
3.1 民航安全信息管理人員能崗匹配度評判的定量標準
評判 非常匹配 比較匹配 一般 較不匹配 非常不匹配
定量標準 90?100 80~90 70~80 60?70 50~60
步驟3：確定民航安全信息管理人員勝任力指標的權重集A= (ai,a,..,a”)
模糊綜合評價法確定測評因素集的權重時，層次分析法(AHP)、專家打分法等被廣 泛使用，但由于本文所構建的民航安全信息管理人員勝任力指標體系包括知識、技能和 態度指標，其指標之間存在一定復雜的影響關系，而DEMATEL法在分析具有復雜的影 響關系時具有優勢。它夠通過矩陣論和圖論的知識研究各指標之間的影響關系，在數值 上確定各指標在整個指標體系內的重要程度［90］。因此，采用DEMATEL法確定民航安全 信息管理人員能崗匹配測評因素集的權重。
DEMATEL 方法是對系統要素展開分析的一種方法，通過分析各級民航安全信息管 理人員能崗匹配測評因素集中的指標之間的相互影響關系，計算出每個測評指標的原因 度與中心度，最終根據中心度確定每個指標在民航安全信息管理人員能崗匹配測評因素 集中的重要程度［91-92］。其基本步驟如下［93］。
1)確定民航安全信息管理人員勝任力評價指標體系。本文即為 2.3 確定的 25 個民
23
航安全信息管理人員勝任力指標體系，表示為C={Cl,C2,…,Cn}。
2） 量化各民航安全信息管理人員勝任力指標之間的影響關系，構建直接影響矩陣。 X=（Xij）”m，Xij表示因素i對因素j的影響程度。
采用問卷調查法對民航安全信息管理工作具有豐富經驗的從業人員和科研人員進 行專家調查，邀請專家對各民航安全信息管理人員勝任力指標間的影響關系按照設定的 打分規則進行打分。本文設評量化打分規則由5個語言變量組成，即^= {0丄2,3,4}，分 別表示沒有影響，影響很小，影響中等，影響大，影響很大。由專家按照經驗和實際情 況對指標的兩兩間影響關系進行打分，然后對各專家的打分結果取平均，獲得直接影響 矩陣。
3） 構建民航安全信息管理人員勝任力指標的正規化影響矩陣。將直接影響矩陣 X 歸一化，即將矩陣X各行相加并取最大值，再用矩陣X除以最大值，如式:
1
mak眾旳
4）構建民航安全信息管理人員勝任力指標的綜合影響矩陣，公式為:
T = N(] _N)-1
式中I為單位矩陣，N為正規化影響矩陣。
5）計算各個民航安全信息管理人員勝任力指標的原因度和中心度。求綜合影響矩
陣T每一行的和得到影響度Pi，表示該指標對其他指標的直接或間接的影響大小。求綜 合影響矩陣T每一列的和得到被影響度Qj,表示該指標受其他指標的直接或間接影響 大小。（Pi-Qj）表示的是原因度，（Pi+Qj）表示的是中心度，中心度則表示該項指標在民 航安全信息管理人員勝任力指標體系內的重要程度。
6）計算各個民航安全信息管理人員勝任力指標的權重。
某一個指標在整個民航安全信息管理人員勝任力指標體系中的重要程度由中心度 顯示。對中心度（Pi+Qj ）進行歸一化處理，則得到每個指標的權重。如式:
Pi+Qj
E 亀=iPi+Qj
步驟4:確定民航安全信息管理人員能崗匹配測評因素集的隸屬度
民航安全信息管理人員能崗匹配測評因素集各指標的隸屬度由百分比統計法確定。
邀請專家對第（2）步中確定的V={V1,V2,V3,V4,V5} = {非常匹配，較匹配，一般，較不匹配， 非常不匹配}5 個等級的評判值進行打分，然后用每個指標“非常匹配”， “較匹配”， “一 般”， “較不匹配”， “非常不匹配”出現的次數除以打分的專家數量的總數，即得到民航安
全信息管理人員勝任力指標的隸屬度。
步驟 5：民航安全信息管理人員能崗匹配分值計算 使用模糊綜合評價方法計算民航安全信息管理人員能崗匹配分值的過程利用 Python語言實現。首先對7個民航安全信息管理人員勝任力一級指標下的二級指標分別 進行單因素模糊評價。根據確定的各要素隸屬度Ri，以及DEMATEL法計算得到的民 航安全信息管理人員勝任力指標體系中的 25 個二級指標的權重，根據如下公式進行計 算：
Dj = Rj x Ai (3.4)
然后將 7 個一級指標下單因素模糊評價的結果組合形成綜合評價矩陣，再與 DEMATEL法得到7個一級指標的權重A相乘，得到民航安全信息管理人員能崗匹配程 度的評價結果D,公式為：
D=W*R (3.5)
D 為民航安全信息管理人員能崗匹配程度綜合評價結果向量。再根據
E=D*QT (3.6)
計算民航安全信息管理人員能崗匹配綜合評分，分數代表勝任力與崗位的匹配程度。 將最終得分作為基于貝葉斯-BP神經網絡構建的民航安全信息管理人員能崗匹配測評模 型的樣本輸出數據。
3、數據標準化 對樣本數據進行標準化，將樣本的屬性縮放到固定的范圍，可以消除不同指標之間 量綱、性質等特征屬性的差異，將樣本數據轉換成無量綱的標準化數值［94］。對于貝葉斯 優化的 BP 神經網絡而言，特征數據量綱不統一，可能會阻礙神經網絡的學習效率，出 現激活函數飽和、訓練發散、訓練時長增加等現象。因此，為了盡可能地避免這種現象， 對樣本數據進行標準化是十分有效的方法。
本研究采用 Min-Max 法將數據進行線性變換轉換到［0-1］區間，計算公式如下［95］：
X； = Xi-X^in (1 <i<n) (3.7)
其中，原始數據由Xi表示，標準化后的數據由X；表示，該組數據樣本的最大值由 Xmax表示，該組數據樣本的最小值由xmin表示。
3.2.2BP神經網絡模型搭建
BP 神經網絡是神經網絡中目前使用最廣泛的算法，它采用數據向前傳播、誤差向
25
后傳播的方法進行學習［96］。 BP 神經網絡可自動的對每次學習輸出的結果與預期結果之 間的誤差進行分析，然后對網絡的權值和閾值進行修改，循序漸進的得到一個最優的模 型。
BP 神經網絡常用的結構包括三層:輸入層、隱含層和輸出層，每一層的節點數根 據所研究的問題決定，通過權值、閾值、激活函數來表征網絡的結構［97］，網絡結構一般 如圖3-1 所示。 BP 神經網絡可以通過學習給定樣本的輸入和輸出之間的關系，自動歸納 其中的規則來組織訓練過程［98］，并研究和調整權值和閾值，使網絡的仿真結果和預期結 果之間的誤差最小。
輸出層
1、 BP 神經網絡模型學習過程
BP 神經網絡算法包括兩個過程:數據流的正向計算和誤差信號的反向傳播［99］，網 絡的訓練過程［45］［100］如下。
1)將樣本提供給神經網絡，網絡參數初始化。
網絡的輸入向量：Xi = (x1,x2, ^,xm), i = 1,2,
網絡的實際輸出向量：Yj = (71,72, .，yn)，j = 1,2,…,九.
網絡的預期輸出向量：Dj = (d1, d2, ..,dn),j = 1,2,...,九.
網絡的學習速率由乃表示；網絡的誤差要求8表示；激活函數使用具有連續型、可
誘導性的單向 Sigmoid 函數：
2)計算隱含層的值。
隱含層第 h 個神經元的輸入為：
= Sn whi^i +
式中：輸入層第i個神經元至隱含層第h個神經元的連接權值由表示；輸入層第
i個神經元的閾值由仇表示。 隱含層第h個神經元的輸出為：。
Yh = f(Ih) (3.10)
(3)利用隱含層的輸出與、隱含層第h個神經元至輸出層第j個神經元的連接權值
Wjh，和輸出層第j個神經元閾值0，計算輸出層第j個神經元的輸入值：
lj = 2hWjh【h + &j (3.11)
輸出層第j個神經元的輸出值：
Yj = f(【j) (3.12)
(4)計算樣本的輸出誤差：
2
Ek = 2攀1(礙-舟) (3.13)
(5)調整權值以及閾值：
Wjh = Wjh + ^Wjh = Wjh + 謝 yh (3.14)
Whi = Wht + AWhj = Whi + T^Sh^yt (3.15)
9h = Sh+ = &h+ 謝 (3.16)
dj = dj + 旳=dj + (3.17)
其中，輸出層神經元的局部梯度由酵=Y](1 - Y»(dj —舟)表示，隱含層神經元的局 部梯度由Sh =5 戲 =1甲Wj%表示。
(6)計算網絡的總誤差：
E =務=鳳=潭=1罵=1©- Yf)2 (3.18)
如果誤差滿足了 £<8,則可直接結束訓練；若未滿足誤差邀請則繼續訓練直到達到 預定訓練次數。
2、模型網絡結構確定 構建一個性能較好的網絡模型是準確進行測評的關鍵。因此，本節的主要任務是確 定每層神經元的數量，進而確定基于貝葉斯優化BP神經網絡構建的民航安全信息管理 人員能崗匹配測評模型的結構。
(1)輸入層的神經元數量 輸入層的神經元是外部信號的輸入，將輸入的數據準確、及時地傳遞給下一層。本 文輸入層的數據主要是對民航安全信息管理人員勝任力指標體系進行量化，因此，在民 航安全信息管理人員能崗匹配測評模型中，輸入層為民航安全信息管理人員勝任力模型
27
指標，共有 25 個神經元。
(2)輸出層的神經元數量 輸出層代表的是最后的結果，由于本文最終期望得到的是民航安全信息管理人員能
崗匹配測評的量化值，因此確定輸出層的神經元數量為 1。
(3)隱含層的神經元數量 隱含層神經元的數量對網絡模型的性能起著關鍵性的作用，如果神經元數量過多會
導致過擬合，也會增加訓練時間；如果神經元數量太少會使網絡無法提取足夠的信息， 從而導致訓練結果的準確性出現偏差。但目前并沒有一個科學的方法來準確地確定隱含 層神經元數量，本文按照經驗公式(3.19)經過反復測試最終確定［101］。
S = ^(n + o) + m (3.19)
式中：S表示隱含層節點數量；n表示輸入層節點數量；o表示輸出層節點數量；m 表示 1 到 10 之間的常數。
根據已確定的輸入層和輸出層神經元數量分別為 25 和 1，可確定隱含層神經元的 數量在［6,15］之間。具體的隱含層神經元數量在后文進行實證時通過訓練驗證確定。
3、模型網絡參數確定
( 1)初始權值和閾值選擇
為了減少神經元的浪費，減少計算的時間，本文選取newff函數自動產生初始權值 與閾值。初始權值和閾值確定完成后，采用貝葉斯優化算法對其進行尋優，最終確定一 組最優參數。
(2)激活函數選取
BP 神經網絡每層的連接，是由激活函數決定的。由于本文構建的民航安全信息管 理人員能崗匹配測評模型是用于回歸分析，而非用于分類。而激活函數的選取規則是， 如果模型用于分類則輸出層選用 sigmoid 函數，用于回歸則選用線性激活函數。因此， 本文輸入層到隱含層的激活函數選用非線性函數——雙曲正切 Sigmod 函數，隱含層到 輸出層選用線性激活函數。
(3)學習速率選擇 學習速率決定了權值和閾值的調整量，速率取值越大，有可能導致修正過頭，可能
會在訓練時發生震蕩；取值過小，會大大增加訓練時間。對于trainlm等函數建立的BP 神經網絡，學習速率一般在［0.01， 0.1］之間，以保持網絡穩定性［102］。經過多次試驗， 本研究選用自適應學習率的方法，學習率為 0.05。
28
3.2.3貝葉斯優化BP神經網絡參數 貝葉斯優化是全局優化算法，依據從未知目標函數 f 獲取的信息，找到下一個評估
點，從而最快地達到最優解，能夠有效地利用完整的歷史信息來提高搜索效率，可以有 效的對神經網絡的超參數進行優化［103］。本文基于貝葉斯對3.2.2.3中確定的變量進行優 化。
貝葉斯優化算法以貝葉斯定理為理論基礎，主要涉及到先驗概率、后驗概率、聯合
概率等相關知識。該定理的公式表示如下所示：
其中，未知的目標函數由f表示，已評估點集合由D1：t= {(X1jq),(x2丿2),…,(xt, yt)}表 示，決策向量由xt表示，觀測值由yt =fx) +8表示，觀測誤差由8表示，y的似然分布
由P(Di.tlf)表示，邊際化f的邊際似然分布由Pg)表示，f的先驗概率由P(f)表示, f的后驗概率由P(flD1：t)表示［104］。
在貝葉斯優化框架中，概率代理模型和采集函數是最關鍵的要素［90］。由于高斯過程 的特性是高靈活性和可擴展性，并且在理論上能代理任意線性/非線性函數，因此是貝葉
斯優化中最常用的概率代理模型［90］。高斯過程由一個均值函數一個半正定的協方差函數 構成［105］，即：
f(x)~gP(m(x), k(x, x')) (3-21)
其中，m(x)是均值函數，k(x,x')是協方差函數。通常設置均值函數m(x) = 0， k(x,x')通常采用Matern協方差函數［108］，即：
r
k(x,x') = aj［1 + ^5-^ + 5(^-)2］e ai (3-22)
其中，r是x和x，的歐拉距離，巧是特征偏差，oi是特征長度，of和6隨著高斯過 程擬合自動變化，oi的初值是xi的標準差，o■的初值是y,的標準差除以丁2。
采集函數采用基于提升概率和提升量的策略： EI(expected improvement)［106］， EI 提升 策略的采集函數為：
^t(x； Di-t)=
(v； — ^t(x))^ (^-^ + °t(x)^ ' °t(x) > 0 (3-23)
0, at(x~) = 0
其中，^t(x； Di：t)是采集函數，匸；是目前函數值的最優值,Q(x)是標準正態分布累積 密度函數，Ut(x )和Gt(x )分別是均值和標準差。
29
3.2.4民航安全信息管理人員能崗匹配測評模型
綜上所述，本研究構建了基于問卷調查、DEMATEL法、模糊綜合評價法、BP神經 網絡和貝葉斯優化算法的民航安全信息管理人員能崗匹配測評模型。如圖 3-2 所示。
由圖3-2，本研究提出的模型主要包括三個步驟：
步驟 1：數據收集及預處理。首先通過問卷調查獲得民航安全信息管理人員勝任力 指標評分數據（即模型的輸入數據），然后通過 DEMATEL 計算指標權重，并利用模糊 綜合評價計算能崗匹配分值數據（即模型的輸出數據）；并將處理好的數據進行標準化。 詳細內容見 3.2.1 節。
步驟2： BP 神經網絡模型搭建。根據已構建的民航安全信息管理人員勝任力指標體 系和最終測量值，確定 BP 神經網絡的結構；然后初始化 BP 神經網絡的參數，包括激 活函數、學習率和權值閾值等。詳細內容見3.2.2 節。
步驟 3：采用貝葉斯優化算法，有效地搜索可能的參數空間，并進行大量的參數調 優實驗，以優化BP神經網絡的性能。詳細內容見第3.2.3節。
30
3.3本章小結
本章基于貝葉斯優化的 BP 神經網絡構建了民航安全信息管理人員能崗匹配測評模 型，模型的步驟為：通過問卷調查和DEMATEL結合模糊綜合評價的方法計算測評模型 的訓練樣本數據集，然后搭建 BP 神經網絡模型，并針對 BP 神經網絡不穩定和速度慢 的問題，采用貝葉斯優化算法對其進行參數尋優。該模型擬可以改善單一 BP 神經網絡 的缺陷，明顯的提高民航安全信息管理人員能崗匹配測評的速度和精度。
31
第四章 民航安全信息管理人員能崗匹配測評模型驗證
為了驗證所構建的民航安全信息管理人員能崗匹配測評模型，本章以民航企事業單 位的安全信息管理人員為研究對象進行數據收集，對本文構建的民航安全信息管理人員 能夠匹配模型進行訓練和測試，以驗證模型的可行性；在相同數據集上將本文構建的模 型與隨機搜索優化的 BP 神經網絡和單一的 BP 神經網絡進行對比，以驗證模型的有效 性。
4.1數據收集及預處理
4.1.1樣本選取及數據收集
以民航企事業單位的不同年齡段、不同學歷、不同從業時間的安全信息管理人員為 調查對象，采用問卷調查的方式進行數據收集，問卷的詳細內容見附錄 1。民航安全信 息管理人員勝任力指標評分調查問卷的第一部分為填寫簡介，解釋此次數據收集的內容 和用途；第二部分是被調查的民航安全信息管理人員的個人信息，包括被調查者的年齡、 學歷和從業時間；第三部分則基于上文構建的民航安全信息管理人員勝任力指標體系中 的 25 個二級指標進行設計的主要問題項。使被調查者對各項勝任力指標進行 1~5 分打 分。
問卷采用“問卷星”進行發放，首先進行小樣本調查，結果顯示問卷的信度水平為 0.848，說明可用于大規模發放。發放后共收集問卷 109份，回收整理后，剔除填寫時間 小于40s的民航安全信息管理人員勝任力指標調查問卷，最終有效的為105份，回收率 為 96.2%，滿足樣本統計數據的要求［107］。
在實證分析前，有必要進行所收集的民航安全信息管理人員勝任力指標數據的信度 和效度檢驗，以檢驗用于構建民航安全信息管理人員能崗匹配測評模型的樣本數據的質 量。首先對數據的信息進行檢驗，為了確保研究結果的真實性和準確性，使用SPSS軟 件對105份問卷進行a系數分析，得到民航安全信息管理人員勝任力調查問卷的信度分 析結果如表 4.1 所示。
表 4.1 信度分析結果
項目 信度系數
樣本 項數 Cronbach's Alpha
民航安全信息管理人員勝任力調查問
卷信度值 105 25 0.808
由表 4.1 可知，民航安全信息管理人員勝任力調查問卷的一致性檢驗系數為
32
0.808>0.7，表明問卷信息通過信度檢驗，可以用于進一步的效度檢驗。
然后采用探索性因子分析進行民航安全信息管理人員勝任力指標調查問卷的效度
分析，效度檢驗的結果如表4.2所示。
表 4.2 效度檢驗結果
KMO檢驗 0.879
近似卡方 371.089
Bartlett 的球形度檢驗 df 91
sig 0.000
由表4-2可知，得到問卷的KMO值為0.879，且sig<0.05，說明問卷通過了效度檢 驗，可認為收集的民航安全信息管理人員勝任力調查問卷數據具有合理性。
4.1.2訓練樣本數據生成
將收集得到的 105 份民航安全信息管理人員勝任力指標評分問卷進行劃分，其中 100用于所構建的民航安全信息管理人員能崗匹配測評模型的訓練和驗證，剩余5份用 于第五章民航安全信息管理人員能崗匹配測評模型的實證研究。
1 、輸入數據生成
民航安全信息管理人員能崗匹配測評模型的輸入樣本數據由民航安全信息管理人 員勝任力調查問卷收集的25個指標的勝任力評分結果構成。
2、基于模糊綜合評價的輸出數據計算
采用模糊綜合評價方法計算樣本的能崗匹配分值，步驟如下。
步驟1：確定民航安全信息管理人員能崗匹配測評因素集 根據2.3建立的民航安全信息管理人員勝任力指標體系，建立民航安全信息管理人 員勝任力的評價因素集，見表4.3。
表4.3民航安全信息管理人員能崗匹配測評因素集
目標層 一級評價因素集 二級評價因素集-
掌握通用數據知識（Cu）
掌握數據工具的使用（C12）
表 4.3（續） 民航安全信息管理人員勝任力評價因素集
目標層 一級評價因素集 二級評價因素集
民航安全數據挖掘
能力（C4） 具有民航安全數據分類能力（C41） 具有民航安全數據清洗、整合能力（C42）
具有民航運行數據挖掘能力（C43）
具有元數據創建和使用能力（C44）
民航安 全信息 管理人 員能崗 匹配測 評指標 民航安全信息的分 析和可視化能力 （C5） 具有歸納總結得出結論以發現民航安全規律的能力（C51）
具有可視化民航安全信息的能力（C52）
民航安全信息應用
和共享能力（C6） 具有基于民航安全信息識別民航安全問題的能力（C61） 具有基于民航安全信息預測民航安全趨勢的能力（C62）
具有數據驅動的民航安全決策制定能力（C63） 具有評估民航安全管理結果和效果的能力（C64） 具有基于民航安全信息修改民航安全管理實踐的能力（C65） 具有基于民航安全信息探究民航安全管理成功或失敗原因的能力 （C66）
具有在組織內外進行民航安全信息共享和交流的能力（C67）
民航安全信息管理
的態度（C7 具有批判性思維（C71）
對安全數據和信息及其來源進行保護（C72）
步驟2：確定民航安全信息管理人員能崗匹配的評語集
評語集的構建如 3.3.1.2 中所示。
步驟3：確定民航安全信息管理人員勝任力指標的權重集A= （ai,a,..,a”） 使用 DEMATEL 方法首先計算民航安全信息管理人員勝任力一級指標的權重。
1） 確定評價指標體系。本文即為 2.3 確定的 7 個民航安全信息管理人員勝任力指 標，分別為數據科學知識、民航安全管理知識、危險源識別與民航安全數據收集的能力、 民航安全數據挖掘能力、民航安全信息的分析和可視化能力、民航安全信息應用和共享 能力和民航安全信息管理的態度。
2） 量化各民航安全信息管理人員勝任力指標之間的影響關系，構建勝任力指標的 直接影響矩陣。
設計“民航安全信息管理人員勝任力指標間影響關系”問卷，問卷詳細內容見附錄2。 邀請4名具有豐富經驗的來自民航企事業單位的安全信息管理人員及2名從事民航安全 信息管理研究工作的科研人員組成專家小組，專家基本情況見表4.4 所示。
34
表 4.4 專家基本情況
序號 業務背景 工作年限 學歷
1 民航安全信息管理員 8 本科
2 民航安全信息管理員 7 本科
3 民航安全信息管理員 5 本科
4 民航安全信息管理員 5 本科
5 教授 15 博士研究生
6 副教授 10 博士研究生
由專家按照 3.2.1.2 中所設計好的量化民航安全信息管理人員勝任力指標間影響關
系的 5 個標度進行打分，確定各個勝任力指標間的影響關系。計算6 名專家的打分均值
并取整，得到民航安全信息管理人員勝任力一級指標的直接影響矩陣如表4.5所示。
表 4.5 直接影響矩陣
勝任 數據 科學 知識
(C1) 民航安 危險源識別 與民航安全 數據收集的 能力(C3) 民航安全 民航安全信息 民航安全信 民航安全
力指 全管理 數據挖掘 的分析和可視 息應用和共 信息管理
標 知識(C2) 能力(C4) 化能力(C5) 享能力(C6) 的態度(C7)
C1 0 3 2 4 4 4 2
C2 3 0 1 4 4 4 2
C3 2 3 0 2 2 2 3
C4 4 1 2 0 3 2 3
C5 1 4 2 4 0 3 2
C6 1 4 2 3 4 0 1
C7 2 1 3 1 1 1 0
3)將勝任力指標的直接影響矩陣歸一化，得到勝任力指標的正規化影響矩陣。按照 3.2.1.2中的公式(3.1)，計算得到民航安全信息管理人員勝任力指標的正規化影響矩陣 如表 4.6 所示。
表 4.6 正規化影響矩陣
C1 0 0.058824 0.117647 0.176471 0.117647 0.176471 0.117647
C2 0.058824 0 0.058824 0.058824 0.058824 0.058824 0.117647
C3 0.117647 0.235294 0 0.117647 0.176471 0.176471 0.176471
C4 0.176471 0.117647 0.117647 0 0.117647 0.117647 0.117647
C5 0.058824 0.058824 0.058824 0.117647 0 0.176471 0.058824
C6 0.058824 0.058824 0.117647 0.117647 0.058824 0 0.117647
C7 0.117647 0.117647 0.117647 0.117647 0.058824 0.117647 0
4)根據 3.2.1.2 中的公式(3.2)，計算得到民航安全信息管理人員勝任力指標的綜
合影響矩陣見表 4.7 所示。
表 4.7 綜合影響矩陣
勝任
力指 標 數據科 學知識
(C1) 民航安 全管理 知識(C2) 危險源識別 與民航安全 數據收集的
能力(C3) 民航安全 數據挖掘 能力(C4) 民航安全信 息的分析和 可視化能力
(C5) 民航安全 信息應用 和共享能
力(C6) 民航安全 信息管理 的態度 (C7)
C1 0 0.016087 0.036703 0.06907 0.03577 0.074791 0.040328
C2 0.009905 0 0.009959 0.010987 0.009623 0.012018 0.02791
C3 0.040384 0.108204 0 0.045428 0.068049 0.083263 0.077183
C4 0.062306 0.037475 0.036196 0 0.035545 0.044029 0.040073
C5 0.0115 0.011922 0.011717 0.03167 0 0.059894 0.012961
C6 0.012181 0.012945 0.030051 0.032583 0.011871 0 0.032995
C7 0.032866 0.034527 0.033031 0.036163 0.013319 0.039303 0
5)計算各個民航安全信息管理人員勝任力指標的原因度和中心度。將綜合影響矩 陣T中各行相加得到影響度Pi，將每列相加得到被影響度Qj， (Pi-Qj)得到原因度，
(Pi+Qj)得到中心度，中心度則表示該項指標在民航安全信息管理人員勝任力指標體系 內的重要程度。
6)計算各個指標的權重。
按照3.2.1.2中的公式(3.3)對中心度(Pi+Qj)進行歸一化處理，得到每個民航安 全信息管理人員勝任力一級指標的權重如表 4.8所示。
表 4.8 民航安全信息管理人員勝任力一級指標的權重
勝任力
指標 數據科學 知識 (C1) 民航安全 管理知識
(C2) 危險源識 別與民航 安全數據 收集的能
力(C3) 民航安全 數據挖掘 能力(C4) 民航安全 信息的分 析和可視 化能力
(C5) 民航安全 信息應用 和共享能
力(C6) 民航安全 信息管理 的態度
(C7)
權重值 0.148009 0.101007 0.194324 0.161284 0.105119 0.14936 0.140897
民航安全信息管理人員勝任力指標體系的二級指標的權重同樣選用 DEMATEL 方
法進行計算。由于文章篇幅有限，省略詳細計算過程，最終計算得到所有民航安全信息 管理人員勝任力二級指標的權重如表 4.9所示。
表 4.9 民航安全信息管理人員勝任力二級指標的權重
表 4.9（續） 民航安全信息管理人員勝任力二級指標的權重
指標名稱 權重值 指標名稱 權重值
了解民航安全數據的類型和 具有基于民航安全信息識別民航安全
來源（CG 0.035347943 問題的能力（C61） 0.052161
掌握業務規章解讀知識 具有基于民航安全信息預測民航安全
0.024694267 趨勢的能力（C62） 0.047957
( C21)
掌握民航運行知識（C22） 具有數據驅動的民航安全決策制定能
0.044599567 力（C63） 0.04786
掌握數據驅動的安全管理的 具有評估民航安全管理結果和效果的
概念（ C23） 0.045215292 能力（C64） 0.044387
掌握將安全規律應用于實際 具有基于民航安全信息修改民航安全
運行的知識（C24） 0.044268429 管理實踐的能力（C65） 0.044844
具有危險源識別或目標界定 具有基于民航安全信息探究民航安全
能力（C31） 0.029132893 管理成功或失敗原因的能力（C66） 0.044064
具有安全數據收集能力 0.034743513 具有在組織內外進行民航安全信息共
享和交流的能力（C67） 0.052009
( C32)
具有民航安全數據分類能力 具有批判性思維（C71）
(C41) 0.03033589 0.023629
具有民航安全數據清洗、整 對安全數據和信息及其來源進行保護
合能力（C42） 0.026081757 ( C72) 0.020114
具有民航運行數據挖掘能力 0.060527269
(C43)
步驟4：確定民航安全信息管理人員能崗匹配測評因素集的隸屬度
使用專家打分法根據 3.2.1.2 中的方法進行隸屬度計算，其中一名民航安全信息管 理人員的隸屬度見表4.10所示。
表 4.10 被評價民航安全信息管理人員能崗匹配測評因素的隸屬度
評價 評價
集 v1 v2 v3 v4 v5 集 v1 v2 v3 v4 v5
C11 0.40 0.25 0.3 0.05 0 C44 0.55 0.2 0.15 0.1 0
C12 0.55 0.35 0.1 0 0 C51 0.5 0.4 0.15 0.05 0
C13 0.55 0.3 0.1 0.05 0 C52 0.65 0.25 0.1 0 0
C14 0.60 0.25 0.15 0 0 C61 0.6 0.2 0.15 0.05 0
C21 0.45 0.5 0.05 0 0 C62 0.55 0.35 0.1 0 0
C22 0.60 0.25 0.1 0.05 0 C63 0.4 0.45 0.15 0 0
C23 0.40 0.35 0.15 0.05 0 C64 0.7 0.25 0.05 0 0
37
表 4.10（續） 被評價民航安全信息管理人員能崗匹配測評因素的隸屬度
評價 評價
集 v1 v2 v3 v4 v5 集 v1 v2 v3 v4 v5
C24 0.5 0.35 0.15 0 0 C65 0.35 0.35 0.2 0.1 0
C31 0.7 0.25 0.05 0 0 C66 0.4 0.3 0.2 0.1 0
C32 0.6 0.3 0.1 0 0 C67 0.7 0.2 0.1 0 0
C41 0.65 0.2 0.1 0.05 0 C71 0.45 0.35 0.2 0 0
C42 0.4 0.45 0.05 0.1 0 C72 0.40 0.45 0.15 0 0
C43 0.35 0.45 0.15 0.05 0
步驟5：民航安全信息管理人員能崗匹配分值計算
評價過程利用Python語言進行計算。根據3.2.1.2中的公式（3.4）-（3.6）民航安全 信息管理人員能崗匹配的最終得分，并將最終得分作為民航安全信息管理人員能崗匹配 測評模型的樣本輸出數據，共得到 100 份，前 20 份民航安全信息管理人員的能崗匹配 分值見表 4.11。
表 4.11 部分民航安全信息管理人員的能崗匹配分值
樣本序號 能崗匹配分值 序號 能崗匹配分值
1 70.65910 11 84.80248
2 89.93283 12 86.63684
3 75.17176 13 79.28893
4 51.74089 14 80.29432
5 77.73992 15 70.62763
6 99.99998 16 64.45053
7 79.93098 17 87.30272
8 65.64508 18 75.59453
9 78.62709 19 85.59024
10 64.45050 20 67.37586
4.1.3 數據標準化
根據 3.2.1.3 中的公式（3.7）對問卷收集得到的民航安全信息管理人員能崗匹配測 評模型的輸入數據進行標準化處理。準備參與民航安全信息管理人員能崗匹配測評模型 的訓練。
4.2模型網絡結構和參數確定
4.2.1模型網絡結構確定
1 、輸入層的神經元數量
38
由 3.2.2.2 可知，模型的輸入層指標為民航安全信息管理人員勝任力指標體系的二 級指標，共有25個，分別是掌握通用數據知識、掌握數據工具的使用、掌握收集/評估 /分析和解釋數據的知識、了解民航安全數據的類型和來源、掌握業務規章解讀知識、掌 握民航運行知識、掌握數據驅動的安全管理的概念、掌握將安全規律應用于實際運行的 知識、具有危險源識別或目標界定能力、具有安全數據收集能力、具有民航安全數據分 類能力、具有民航安全數據清洗/整合能力、具有民航運行數據挖掘能力、具有元數據創 建和使用能力、具有歸納總結得出結論以發現民航安全規律的能力、具有可視化民航安 全信息的能力、具有基于民航安全信息識別民航安全問題的能力、具有基于民航安全信 息預測民航安全趨勢的能力、具有數據驅動的民航安全決策制定能力、具有評估民航安 全管理結果和效果的能力、具有基于民航安全信息修改民航安全管理實踐的能力、具有 基于民航安全信息探究民航安全管理成功或失敗原因的能力、具有在組織內外進行民航 安全信息共享和交流的能力、具有批判性思維、對安全數據和信息及其來源進行保護。
2、 輸出層的神經元數量 由3.2.2.2可知，輸出層是民航安全信息管理人員能崗匹配測評的量化值，神經元數
量為1。
3、 隱含層的神經元數量 由3.2.2.2的經驗公式(3.19)計算可知，隱含層神經元的數量在［6,15］之間，因此，
分別設值6~15個隱含層神經元數量進行網絡模型訓練，對于每個指定數量的神經個數， 使用貝葉斯優化的BP神經網絡迭代100次，除了神經元個數，其余參數均不變。計算 網絡模型輸出的能崗匹配分值與相應實際的能崗匹配分值之間的誤差，將該誤差值作為 選擇最佳隱含層神經元個數的標準，誤差值越小，網絡模型的能力越優。對6~15 個隱 含層神經元分別進行測試，訓練誤差結果如表4.12所示。
表4.12不同隱含層神經元下的網絡訓練誤差值
神經元數量 網絡模型訓練誤差
0.290999996 0.290999933 0.290999954
不收斂
由表 4-12 可知，當網絡模型隱含層神經元的數量取11 個時，網絡模型的擬合度最 佳。由3.2.2.2 可知，輸入層神經元的個數為25，輸出層神經元的個數為1。至此，基于 貝葉斯優化的 BP 神經網絡構建的民航安全信息管理人員能崗匹配測評模型的結構如圖 4-1 所示。
40
中國民航大學碩士學位論文
(C) 1994-2023 China Academic Journal Electronic Publishing House. All rights reserved, http://www.cnki.net
4.2.2模型網絡參數確定 民航安全信息管理人員能崗匹配測評模型的初始參數設定如3.2.2.3 所示。
4.3模型訓練和驗證 民航安全信息管理人員能崗匹配測評模型搭建完成后，開始進行訓練。將處理好的 民航安全信息管理人員勝任力指標數據作為樣本輸入數據，將基于模糊綜合評價和 DEMALTE 法計算得到的民航安全信息管理人員能崗匹配分值作為樣本輸出數據，并將 所有樣本數據分為訓練集和測試集。使用最優超參數在訓練集上進行訓練，然后使用測 試集進行仿真，將仿真輸出的能崗匹配測評結果與測試集的實際能崗匹配結果進行對比， 評估模型效果，驗證模型的可行性。
4.3.1模型訓練 以民航安全信息管理人員勝任力指標體系的 25 個二級指標的分值和計算得出的能 崗匹配分值作為模型的輸入值和輸出值，進行模型的訓練。由于本文用于構建民航安全 信息管理人員能崗匹配測評模型的數據集屬于小數據集，而在數據集不是很充分時選用 五折交叉驗證可大致反應模型的平均水平［103］，因此訓練過程選用五折交叉驗證的方式。 模型的訓練和測試過程均在 Pycharm 軟件使用 Python 語言完成。
訓練過程首先利用 scikit-learn 的 train_test_split () 函數對經過處理的 100 份民航安 全信息管理人員能崗匹配測評模型的訓練樣本數據按照0.8：0.2 的比例隨機劃分為訓練 集和測試集，并返回劃分好的訓練集、測試集和訓練集標簽、測試集標簽。其中訓練集 用于民航安全信息管理人員能崗匹配測評模型的訓練，共有 80 份，模型從訓練樣本學 習規則；測試集用來檢驗模型的泛化能力，共有20 份。
4.3.2模型評估指標選擇
為了評價和檢驗模型的泛化能力，需要確定一個指標。均方根誤差(RMSE)可以 反映測評結果與真實結果之間在數值上的差異，據 RMSE 數值大小就能判斷模型性能 的優劣［108］。 RMSE 的量綱與原始數據中 y 對應的量綱一致，也就是與民航安全信息管 理人員能崗匹配測評模型的輸出數據量綱一致。通常 RMSE 值越小，模型回歸效果越 好，反之效果越差。其公式為：
4.1)
4.3.3模型驗證
利用使用80%訓練集訓練好的貝葉斯優化BP神經網絡的民航安全信息管理人員能
崗匹配測評模型，輸入剩余 20%的共 20 份樣本的測試集數據進行測評，來檢驗模型的 泛化能力，實際值和仿真值的對比圖如圖 4-2 所示。
圖 4-2 民航安全信息管理人員能崗匹配測評模型實際值和仿真值對比
由圖 4-2 可知，基于貝葉斯優化的 BP 神經網絡構建的民航安全信息管理人員能崗 匹配測評模型可以較為準確地預測序列的波動特性。模型的RMSE為0.29,維持在較優 的水平，在數值仿真和趨勢擬合上均表現良好，可較好的應用于民航安全信息管理人員 能崗匹配的測評,仿真結果表明了模型的可行性。
基于貝葉斯優化BP神經網絡的民航安全信息管理人員能崗匹配測評模型對20%的
20 份樣本的測試集進行測評時,實際值和仿真值的對比情況見表 4.13 所示。
43
表 4.13 民航安全信息管理人員能崗匹配測評模型實際值和仿真值對比
樣本序號 實際值 仿真值
1 92.31903 97.38569
2 70.79354 75.30788
3 73.08635 74.06542
4 76.71237 78.31633
5 84.20944 83.51893
6 79.09026 84.06829
7 70.65911 71.95572
8 89.93284 91.05413
9 75.17176 76.97593
10 51.74086 56.38884
11 57.73992 57.87661
12 99.99999 105.51871
13 79.99999 86.22107
14 65.64509 71.05124
15 78.62718 83.23222
16 64.45055 63.71753
17 84.80249 85.75318
18 86.63685 89.53487
19 79.28893 84.88123
20 80.29432 81.81838
根據表 3.1 所界定的匹配得分量化標準， 1、8、12 號樣本代表的民航安全信息管理 人員的能崗測評結果為“非常匹配”， 5、6、13、15、17~20 號樣本的測評結果為“比較匹 配”， 2~4、7、9、14 號樣本的測評結果為“一般匹配”， 16 號樣本的測評結果為“較不匹 配”， 10、11 號樣本的測評結果為“非常不匹配”。
4.4模型性能對比分析
在相同數據集上，使用與構建本文能崗匹配測評模型相同的指標，將目前全局優化
算法中使用最廣泛的隨機搜索優化算法和貝葉斯優化算法分別對 BP 神經網絡進行優化， 并對比其優化效果，來驗證貝葉斯優化算法在優化 BP 神經網絡以進行民航安全信息管 理人員能崗匹配測評方面的優勢；然后在相同數據集上，將經過貝葉斯優化的 BP 神經 網絡與單一的 BP 神經網絡進行能崗匹配測評的結果進行分析，來驗證本文構建的基于 貝葉斯優化 BP 神經網絡的民航安全信息管理人員能崗匹配測評模型對改善傳統 BP 神 經網絡進行能崗匹配測評時不穩定和速度慢的有效性。
4.4.1與隨機搜索優化算法對比分析
首先將隨機搜索(Random Research)優化算法與貝葉斯優化算法進行對比，以證明 貝葉斯優化算法對 BP 神經網絡進行參數尋優的優勢。隨機搜索算法與貝葉斯優化算法
44
對 BP 神經網絡進行參數尋優的效果對比如圖 4-3 所示。
0.38
O RS算法
O Bayes算法
0 20 40 60 80 100 120
迭代次數
圖 4-3 隨機搜索算法與貝葉斯算法的尋優效果對比 隨機搜索算法與貝葉斯算法對 BP 神經網絡尋優的精度和運行時間對比情況見表 4.14 所示。
表 4.14 隨機搜索算法與貝葉斯算法尋優的精度和算法耗時對比
優化算法 最低RMSE 算法耗時/s
RS-BP 0.31 4.35
Bayes-BP 0.29 6.97
1）精度對比
由圖4-3和表4.14可知，隨機搜索算法的趨勢線基本持平，即RMSE值在較大范 圍內作無規律性的變化,整體來說精確度明顯偏低,搜索效果比較不穩定；而貝葉斯算 法的趨勢線呈現出單調遞增的變化特點，即整體上可以朝著最優方向進行搜索。
（2）耗時對比 由表4-14可知，隨機搜索算法的尋優結果雖然不夠精確，但運行速度明顯最快，這 在數據規模比較大時具有一定的優勢。相對來說，貝葉斯算法由于涉及到一些復雜的數 學計算而比較耗時，針對這個問題，可以嘗試優化計算資源，加快算法的運行速度。
上述分析可知，貝葉斯優化算法在對BP神經網絡進行參數尋優時，相較于隨機搜 索算法更具有優勢，盡管運行時間不如隨機搜索算法快，但該問題可通過優化計算資源 解決。
4.4.2與單一 BP神經網絡對比分析
在相同數據集上，以算法耗時和 RMSE 作為算法評估指標，將基于貝葉斯優化的 BP 神經網絡構建的民航安全信息管理人員能崗匹配模型與單一的 BP 神經網絡的能崗
45
匹配測評結果進行對比，對比結果如圖 4-4所示。
0 2 4 6 8 10 12 14 16 18 20 22
測試樣本序號
圖 4-4 貝葉斯優化的 BP 神經網絡和單一 BP 神經網絡的仿真結果對比
圖 4-4 中黑色折線表示測試集的實際值，紅色折線表示本文構建的貝葉斯優化 BP 神經網絡模型的仿真值，藍色折線表示單一 BP神經網絡在相同數據集上的仿真值。從 圖中可以看出，本文構建的基于貝葉斯優化BP神經網絡算法的民航安全信息管理人員 能崗匹配測評模型的擬合程度優于單一 BP神經網絡的擬合程度。
貝葉斯優化的 BP 神經網絡和單一 BP 神經網絡的精度和算法耗時對比情況如表 4.15 所示。
表 4.15 貝葉斯優化的 BP 神經網絡和單一 BP 神經網絡的精度和算法耗時對比情況
算法 最低 RMSE 算法耗時/s
單一 BP 0.343 9.22
Bayes-BP 0.29 6.97
由表 4.15 可知，單一 BP 神經網絡在進行民航安全信息管理人員能崗匹配測評時， 最低RMSE為0.343，算法耗時為9.22s，經過貝葉斯優化后的BP神經網絡在進行民航 安全信息管理人員能崗匹配測評時，最低RMSE為0.29,算法耗時為6.97s。可以看出， 針對單一 BP 神經網絡能崗匹配測評模型不穩定、誤差較大的問題，經過貝葉斯優化之 后的 BP 神經網絡能崗匹配測評模型明顯的改善了其不穩定的問題，模型仿真的精度得 到了明顯提高；針對單一 BP 神經網絡能崗匹配測評模型收斂速度較慢、算法耗時較長 的問題，本文通過貝葉斯優化算法對BP神經網絡的參數進行尋優，明顯改善了其收斂 速度。
綜上所述，在對 BP 神經網絡優化算法的選擇方面，貝葉斯優化算法的表現明顯優 于隨機搜索算法；在證明了貝葉斯優化算法在對 BP 神經網絡進行全局優化的優勢后，
46
在相同數據集上與單一 BP 神經網絡模型進行了對比，結果表明經過貝葉斯優化的 BP 神經網絡構建的民航安全信息管理人員能崗匹配測評模型收斂速度更快、仿真精度更高， 驗證了本文所構建模型的性能優勢。
4.5本章小結
本章以民航企事業單位的安全信息管理人員為研究對象，對基于貝葉斯優化BP神 經網絡構建的民航安全信息管理人員能崗匹配測評模型進行了驗證。
結果表明，本研究構建的模型 RMSE 為 0.29，在數值仿真和趨勢擬合上均表現良 好，驗證了模型的可行性；與隨機搜索優化算法相比，均方根誤差降低了 0.02；相較于 單一的BP神經網絡，算法耗時減少了 2.25s，均方根誤差降低了 0.053，明顯的解決了 單一 BP神經網絡在進行能崗匹配測評時不穩定和收斂速度慢的問題，驗證了模型的有 效性。
47
第五章 民航安全信息管理人員能崗匹配測評模型實證研究 本章以來自不同單位的 5 位民航安全信息管理人員的勝任力數據為例，運用訓練和 驗證完成的民航安全信息管理人員能崗匹配測評模型對其能崗匹配情況進行測評，并與 實際情況進行對比。
5.1數據收集及預處理
5.1.1樣本選取及數據收集
由 4.1.1 可知，本研究共收集了 105 民航安全信息管理人員勝任力數據，并將其進 行隨機劃分。其中100 份用于第四章中民航安全信息管理人員能崗匹配測評模型的訓練 和驗證， 5 份用于本章實證研究。
用于民航安全信息管理人員能崗匹配測評模型實證研究的民航安全信息管理人員 分別來自廣東珠海機場、內蒙古烏海機場、遼寧沈陽桃仙機場、四川成都雙流機場、長 沙黃花機場， 5位研究對象的基本情況如表 5.1 所示。
表 5.1 研究對象的基本情況
序號 學歷 年齡 從業時間 所在部門
1 本科 25歲以下 1-3年 安全監察部
2 碩士 35-45 歲 10年以上 安全質量部
3 本科 25-35 歲 5-10年 安全管理部
4 碩士 25-35 歲 1-3年 安全監察部
5 本科 25-35 歲 5-10年 綜合管理部
其中， 1 號被調查者為從事安全信息管理工作 2 年的本科畢業生， 2 號被調查者為 從事安全信息管理工作超過十年的碩士畢業生， 3 號被調查者為從事安全信息管理工作 6年的本科畢業生， 4號被調查者是從事安全信息管理工作 2年的碩士畢業生， 5號被調 查者為從事安全信息管理工作8 年的本科畢業生。
5.1.2實證樣本數據生成
進行實證研究的能崗匹配測評模型的輸入數據由 5 名被調查者的 25 個民航安全信 息管理人員勝任力指標的評分結果構成。
為了與已構建的民航安全信息管理人員能崗匹配測評模型的測評結果進行對比，本 節采用模糊綜合評價方法計算研究對象的能崗匹配分值，作為參照的 5 位被評價者的能 崗匹配實際值。根據 3.2.1.2 的分析，基于模糊綜合評價法和 DEMATEL 法計算民航安 全信息管理人員能崗匹配分值的步驟包括五步，分別是：（1）確定民航安全信息管理人
48
員能崗匹配測評因素集；（2）確定民航安全信息管理人員能崗匹配的評語集；（3）確定 民航安全信息管理人員勝任力指標的權重集；（4）確定民航安全信息管理人員能崗匹配 測評因素集的隸屬度；（5）民航安全信息管理人員能崗匹配分值計算。具體計算步驟的 詳細內容參照第四章。5位被調查者的實證研究數據見表5.2所示。
表 5.2 實證研究數據
指標 被評價者1 被評價者2 被評價者3 被評價者4 被評價者5
C11 2 4 4 3 4
C12 2 5 3 3 4
C13 2 4 3 3 4
C14 3 5 4 4 5
C21 4 5 5 4 5
C22 3 4 4 3 4
C23 2 4 3 3 3
C24 4 5 4 4 4
C31 3 4 4 4 5
C32 3 5 4 5 5
C41 4 5 4 4 4
C42 4 5 5 3 4
C43 4 5 5 4 4
C44 4 5 5 4 5
C51 3 4 4 3 4
C52 4 4 4 4 5
C61 3 4 4 3 4
C62 5 5 4 4 5
C63 4 5 5 4 5
C64 3 4 4 4 4
C65 3 5 4 4 5
C66 4 5 5 4 4
C67 3 5 4 3 4
C71 2 5 4 4 4
C72 5 5 5 5 5
能崗匹配實際值 70.659108 92.142859 86.636846 80.294321 87.302722
由表5.2計算結果可知， 1號被調查的能崗匹配分值為70.659108，能崗匹配程度為 “一般匹配”；2號被調查的能崗匹配分值為92.142859，能崗匹配程度為“非常匹配”； 3 號被調查的能崗匹配分值為86.636846，能崗匹配程度為“比較匹配”；4號被調查的 能崗匹配分值為80.294321，能崗匹配程度為“比較匹配”；5號被調查的能崗匹配分值 為 87.302722，能崗匹配程度為“比較匹配”。
經過模糊綜合評價和 DEMATEL 法計算出的 5 位民航安全信息管理人員的能崗匹 配結果，與專家經過經驗的評價結果一致。故將該計算結果作為本章實證研究的實際值，
49 以與本文構建的基于貝葉斯優化 BP 神經網絡的民航安全信息管理人員能崗匹配測評模 型輸出的測評結果進行比較。
5.2測評及結果分析
將 5 位被評價的民航安全信息管理人員的勝任力指標分值作為民航安全信息管理 人員能崗匹配測評模型的輸入數據，輸入到已訓練完成的測評模型中進行測評；然后根 據表 3-1 所設定的能崗匹配度的定量標準，對被評價者的測評結果進行能崗匹配度的劃 分。模型輸出的測評結果與實際情況的對比、及能崗匹配程度如表 5.3 所示。
表 5.3 測評結果
序號 測評結果 實際值 能崗匹配程度
1 73.21561 70.65910 一般匹配
2 92.09862 92.14286 非常匹配
3 87.48154 86.63684 比較匹配
4 82.63398 80.29432 比較匹配
5 86.72052 87.30272 比較匹配
由表5.3可知， 1號被評價者的能崗匹配測評結果為 73.21561分，能崗匹配程度為 “一般匹配”；2 號被評價者的能崗匹配測評結果為 92.09862 分，能崗匹配程度為“非 常匹配”；3 號被評價者的能崗匹配測評結果為 87.48154 分，能崗匹配程度為“比較匹 配”；4 號被評價者的能崗匹配測評結果為 82.63398 分，能崗匹配程度為“比較匹配”； 5號被評價者的能崗匹配測評結果為 86.72052分，能崗匹配程度為“比較匹配”。
從對比結果來看，利用本文構建的能崗匹配測評模型對 5位被評價的民航安全信息 管理人員進行能崗匹配測評的結果，與實際情況相符。
5.3本章小結
本章主要以 5 名民航安全信息管理人員為例，對所構建的民航安全信息管理人員能 崗匹配測評模型進行了實例驗證。測評結果表明， 1號被評價者為“一般匹配”、 2號被 評價者為“非常匹配”、3-5 號被評價者為“比較匹配”，與實際情況相符。
50
第六章 結論與展望
6.1結論
本文在對民航安全信息管理人員勝任力內涵進行分析的基礎上，基于民航安全信息 管理相關規則手冊、DIKW信息處理模型、數據生命周期及文獻分析構建了民航安全信 息管理人員勝任力指標體系。構建了基于貝葉斯優化BP神經網絡的民航安全信息管理 人員能崗匹配測評模型，并用DEMATEL法結合模糊綜合評價計算了能崗匹配分值作為 樣本數據，然后對模型進行了訓練和仿真，最后驗證了模型的有效性，得出主要結論如 下：
（1） 界定了民航安全信息管理人員勝任力的內涵為掌握數據科學和民航安全管理 的知識，具備運用這些知識對各類安全數據進行收集、處理以及對得到的安全信息進行 分析、應用、共享的技能，以解決民航安全問題、進行民航安全管理實踐，并且具有批 判性思維等民航安全信息管理的態度，以做出基于數據驅動的決策；
（2） 構建了民航安全信息管理人員勝任力指標體系，指標體系包括數據科學知識、 民航安全管理知識、危險源識別并收集民航安全數據的能力、民航安全數據挖掘能力、 民航安全信息的分析和可視化能力、民航安全信息應用和共享能力和安全信息管理的態 度 7 個一級指標，和通用數據知識、基于民航安全信息預測民航安全趨勢的能力、基于 民航安全信息探究民航安全管理成功或失敗原因的能力和安全數據和信息及其來源的 保護等 25 個二級指標。相較于前人研究，指標體系不僅包含了現有研究的統計分析、 上報能力，更強調了數據科學和民航安全管理學科的交叉，體現了民航安全數據信息流 動的全過程，并考慮了態度在其中的導向作用，解決了大數據環境下對民航領域的安全 信息管理人員勝任力需求的問題。
（3） 構建了基于貝葉斯優化 BP 神經網絡的民航安全信息管理人員能崗匹配測評 模型，并進行了模型的驗證。結果表明，本文基于貝葉斯優化的BP神經網絡構建的民 航安全信息管理人員能崗匹配測評模型 RMSE 為 0.29，在數值仿真和趨勢擬合上均表 現良好；相較于單一的BP神經網絡，算法耗時減少了 2.25s，均方根誤差降低了 0.053， 明顯的改善了單一 BP神經網絡易陷入局部極小化和收斂速度慢的缺陷。驗證了模型的 可行性和有效性。
（4） 利用構建的民航安全信息管理人員能崗匹配測評模型對 5 名民航安全信息管 理人員進行了實證研究，研究結果表明， 1 號被評價者的能崗匹配程度為“一般匹配”、
51
2 號被評價者為“非常匹配”、 3-5 號被評價者為“比較匹配”，與實際情況相符。
6.2展望
由于現有中國民航安全信息管理人員的數量較少等客觀因素，本文所收集的用于構 建民航安全信息管理人員能崗匹配測評模型的樣本量較少。但機器學習方法從樣本量大 的數據集中尋找規律效果更好，故在今后的研究中因不斷地完善數據收集，對模型加強 訓練，形成效果更好的民航安全信息管理人員能崗匹配測評模型。
52
致謝
行文至此，意味著我在中國民航大學的七年學習生涯即將結束。2014 年秋天入學那 日仿佛就是昨天，四年本科、三年碩士，學校的每一個地方都是回憶。論文的撰寫過程 充滿了艱辛，如今論文即將付梓，卻如鯁在喉。在這一路上的努力奮斗，為美好明天拼 搏的歲月成為我一生珍惜的紀念。縱有萬般不舍，但仍心懷感激。
感謝我的碩士導師陳芳老師，在我畢業論文的選題、研究思路的確定、內容撰寫和 格式修訂，每一個部分都給予了我耐心的指導幫助。感謝您在我的碩士三年期間對我悉 心指導，即便是當我懶散時，依舊從未放棄對我的督促和培養，您的堅強、努力、處世 之道及優秀的學術能力讓我受益匪淺，三年的關心與幫助讓我倍感溫暖。另外，特別感 謝安全科學與工程專業的王永剛老師、劉玲莉老師、鄒汶倩老師等在我的學習和生活中 給予的幫助，衷心祝愿各位恩師們身體健康，一切順利！
感謝在我學業和生活中幫助過我、鼓勵過我的實驗室的同學們，山水一程，三生有 幸，此去前程似錦，唯有感謝留心中，同甘共苦“戰友”情將伴我終生。感謝北一 216 寢室的三位室友是你們給我枯燥的三年學習生活增添了繽紛色彩，感謝你們對我的包容 關懷，讓我在千里之外的他鄉感受到了溫暖，和你們所做的每件事都值得紀念一生。
感謝我的父母，七年在外求學給父母增添了很多牽掛，感謝你們為我提供優質的生 活條件，對我的無私付出，你們是我人生路上最堅強的后盾，是我努力前進的方向。
感謝我的男朋友，最了解我的人。盡管兩年異國，你也承受著巨大的學業和工作壓 力，但還是用心的呵護著我脆弱的心靈，對我呵護如初，感謝你的包容。
最后，由衷的感謝百忙之中評閱本論文的各位老師，以及參與答辯的各位老師！
“關關難過關關過，長路漫漫亦燦燦”。青春即將落幕，感恩所有的遇見。愿各位展 翅高飛，我們更高處見！
53
參考文獻
[1]Abeytunga, P.K., 1995. An overview of the electronic health and safety services of the Canadian Centre for Occupational Health and Safety. Toxicology 96, 71—75.
[2]Wang, B., Wu, C., 2017. Study on the innovation research of safety science based on the safety big data. Sci. Technol. Manage. Res. 37, 37—43.
[3]Liang, W., Zhao, G., Wu, H., Dai, B., 2019. Risk assessment of rockburst via an extended MABAC method under fuzzy environment. Tunn. Undergr. Space Technol. 83,533-544.
[4]Huang, L., Wu, C., Wang, B., Ouyang, Q., 2018. Big-data-driven safety decision-making: a conceptual framework and its influencing factors. Saf. Sci. 109 (11), 46-56.
[5]吳磊，劉南男，肖承東.淺析大數據在民航安全管理中的應用及展望[J].民航管 理,2019(02):146-148+156.
[6]中國民用航空局.《民用航空安全管理規定》(CCAR-398) ,2018.
[7]張雄飛，劉宇輝，馬超.QAR數據在民機維修過程中的應用與發展[J].航空維修與工 程,2019(05):68-70.
[8]中國民用航空局.《民用航空安全信息管理規定》(CCAR-396) ,2016.
[9]李江源.民航地區管理局安全管理能力(評價模型)研究[D].中國民航大學,2014.
[10]陳道剛.運輸航空公司安全運行保障能力模型研究[D].中國民航大學,2014.
[11]宋真真.運輸航空公司安全管理能力評價研究[D].中國民航大學,2020.
[12]陳芳,郭娜,韓適朔.民航運營單位安全管理人員勝任力模型實證研究[J].中國安全生 產科學技術,2018,14(06):165-170.
[13]馬培.航空公司安全信息管理成熟度評價研究[D].中國民航大學,2015.
[14]孫奕捷.航空公司安全信息管理水平評價方法研究[J].安全與環境學 報,2015,15(06):165-170.
[15]齊曉云，何胤.基于Fuzzy-ANP的民航安全信息管理員勝任力模型[J].綜合運 輸,2019,41(02):32-36+72.
[16]BURNHEIN R. Information literacy: a core competency[J]． Australian Academic ＆ Research Libraries， 1992， 23 ( 4 ) :188-196.
[17]KIMSU, SHUMAKER D. Student, librarian, and instructor perceptions of information literacy instruction and skills in a first year experience program: a case Study. The Journal of Academic Librarianship (2015) [J /OL].http://dx. Doi.org/ 10.1016 /j.acalib. 2015.04.
54
005.
[18]BUNDY A. Australian and New Zealand information literacy framework [EB /OL].[2021-02-17]. http://www. Anziil. org /index. Htm.
[19]曾曉牧，孫平，王夢麗,杜慰純•北京地區高校信息素質能力指標體系研究J] •大學圖書 館學報,2006(03):64-67.
[20]American Library Association, Association of College and Research Libraries. Framework for Information Literacy for Higher Education; 2015. http://www.ala.org/acrl/standards/ilframework (accessed Sept 2015).
[21]王秉，吳超•安全信息素養:圖情與安全科學交叉領域的一個重要概念J]•情報理論與 實踐,2018,41(07):35-41.
[22]譚波，王悅，趙彤，王添，符書輝•安全工程專業人才信息素養培養模式研究J]•中國安 全科學學報,2018,28(09):171-176.
[23]吳林，吳超，吳娥.大數據視域下安全信息資源管理模式研究[J].科技管理研 究,2020,40(09):156-162.
[24]Koltay, T., 2015. Data literacy: in search of a name and identity. J. Doc. 72, 401-415
[25]黃如花，李白楊.數據素養教育:大數據時代信息素養教育的拓展[J].圖書情報知 識,2016(01):21-29.
[26]Ruan, S., Zheng, Y., 2016. Components, functions and development strategies of teachers' data literacy. Mod. Dist. Educ. 38, 60-65.
[27]Hogenboom K, Phillips C M H, Hensley M K. Show Me The Data! : Partnering with Instructors to Teach Data Literacy[J].2011-04-01,2011.
[28]Grillenberger A , Romeike R . Developing a theoretically founded data literacy competency model. 2018:1-10.
[29]張靖,何靖怡，肖鵬.數據素養能力模型研究J].圖書館論壇,2019,39(04):29-39.
[30]Gummer E , Mandinach E . Building a Conceptual Framework for Data Literacy[J]. Teachers College Record, 2015, 117:N/A.
[31]Wang B , Wu C , Huang L . Data literacy for safety professionals in safety management: A theoretical perspective on basic questions and answers[J]. Safety Science, 2019, 117:15-22.
[32]雷雨，吳超.安全數據素養的作用機制及其促進研究J].情報雜志,2019,38(09):192- 197+207.
[33]Caplan R D. Person-environment fit theory and organizations: Commensurate dimensions, time perspectives, and mechanisms[J]. Journal of Vocational Behavior, 1987, 31(3): 248
55
267.
[34]Edwards J R. Person-job fit: A conceptual integration, literature review, and methodological critique[M]. John Wiley & Sons, 1991.
[35]Kristof, A. L. (1996). “Person-organization fit: An integrative review of its conceptualizations, measurement, and implications.” Personnel Psychol., 49(1), 1-49.
[36]Blau, G. J. . (1987). Using a person-environment fit model to predict job involvement and organizational commitment. Journal of Vocational Behavior, 30(3), 240-257.
[37]Liao P C , Lei G , Xue J W , et al. Influence of Person-Organizational Fit on Construction Safety Climate[J]. Journal of Management in Engineering, 2013, 31(4):04014049.
[38]Burnette, J. L., & Pollack, J. M. (2013). Implicit Theories of Work and Job Fit: Implications for Job and Life Satisfaction. Basic and Applied Social Psychology, 35(4).360-372.doi:10.1080/01973533.2013.803964.
[39]de Mol, E. , Ho, V. T. and Pollack, J. M. (2018), Predicting Entrepreneurial Burnout in a Moderated Mediated Model of Job Fit. Journal of Small Business Management, 56: 392 411. doi:10.1111/jsbm.12275.
[40]Yen, H., Cheng, J., Hsu, C., & Yen, K. (n.d.). How career adaptability can enhance career satisfaction: Exploring the mediating role of person-job fit. Journal of Management & Organization, 1-18. doi:10.1017/jmo.2019.75.
[41]李琰.我國石化企業管理人員招聘人崗匹配甄選評價研究[D].東北石油大學,2012.
[42]劉葉容.基于能崗匹配原理的大中型企業人才招聘研究[D].蘭州理工大學,2013.
[43]王慶,劉琨,張志超.基于BP神經網絡的知識員工一崗位匹配測評研究[J].科技管理 研究,2009,29(10):294-295+303.
[44]劉琨.知識型員工一崗位匹配評價研究[D].天津商業大學,2010.
[45]Dai, W., & Hu, P. (2019). Application of BP neural network in the analytic hierarchy process of person-post evaluation model. The Journal of Supercomputing. doi:10.1007/s11227-019-03043-w
[46]Department of Education, Science and Training (DEST). Raising the standards: A proposal for the development of an ICT competency framework for teachers[R]. Canberra: Australian Government, DEST, 2003.
[47]David C.McClelland.Testing for Competence Ratherthan for Intelligence, American Psychologist, 1973(28):pp.1~14.
[48]Alexander, B., Adams Becker, S., &Cummins, M. Digital literacy: An NMC Horizon project strategic brief[M]. Volume 3.3. Austin, Texas: The New Media Consortium, 2016.
56
[49]Addiso, R. M., Haig, C. Handbook of Human Performance Technology, 3rd., Pershing, J. A., Ed., Pfeiffer, San Francisco, CA, 2006,35-54.
[50]OECD.Global Competency for an Inclusive World[EB /OL].https: / /www.oecd.org /education /Global-competency-for-an-inclusive-world.pdf，2016.
[51]Liu Y, in Y, Wu R. Measuring graduate students' global competence: Instrument development and an empirical study with a Chinese sample[J]. Studies In Educational Evaluation, 2020, 67:100915.
[52]Gordon, Jean et al,( 2009) : Key competences in Europe: Opening doors for lifelong learners across the school curriculum and teacher education，Case Network Reports, No. 87, ISBN 978－83－7178－497－2，Annex1: Key competences for lifelong learning— A European reference framework．
[53]Aufderheide P. Media Literacy. A Report of the National Leadership Conference on Media Literacy[M]. Aspen Institute, Communications and Society Program, 1755 Massachusetts Avenue, NW, Suite 501, Washington, DC 20036., 1993.
[54]田小蘭，吳曉紅，申倩倩.STEM素養及其在化學課程中的體現[J].教學與管 理,2018(03):107-109.
[55]Bybee,R. W. What is STEM Education?[J]. Science,2010,329(9559),996.
[56]UNESCO International Bureau of Education. Exploring STEM Competences for the 21st Century[R].Geneva ：UNESCO International Bureau of Education，2019, No. 30.
[57]楊彥軍,張佳慧,吳丹.STEM素養的內涵及結構框架模型研究[J].電化教育研 究,2021,42(01):42-49.
[58]Alan, Zollman. Learning for STEM Literacy: STEM Literacy for Learning[J]. School Science & Mathematics, 2012, 112(1):12-19.
[59]任福兵.信息管理模式的演化與發展——從數據管理到智慧管理[J].圖書情報工 作,2017,61(02):41-49.
[60]焦皎.大數據時代高校圖書館數據素養教育研究[J].圖書館工作與研究,2020(03):81- 84.
[61]阮士桂，鄭燕林.教師數據素養的構成、功用與發展策略[J].現代遠距離教 育,2016(01):60-65.
[62]Schield, M., 2004. Information literacy, statistical literacy and data literacy. IASSIST Q.28, 6-11.
57
[63]中國民用航空局.民用航空安全信息管理規定CCAR-396-R3[S].中國民用航空局， 2016.
[64]史亞杰，陳艷秋.航空安全信息管理的問題與對策J].中國安全生產科學技 術,2010,6(03):116-120.
[65]Shorish, Y. (2015). Data Information Literacy and Undergraduates: A Critical Competency. College & Undergraduate Libraries, 22(1), 97-106.
[66]Rowley, J., 2007. The wisdom hierarchy: Representations of the DIKW hierarchy. Journal of Information Science 33 (2), 163-180.
[67]Huang, L., Wu, C., Wang, B., Ouyang, Q., 2018. A new paradigm for accident investigation and analysis in the era of big data. Process Saf. Prog. 42-48.
[68]王秉，吳超.大數據驅動下情報主導的智慧安全管理:內涵與研究框架J].圖書情報工 作,2020,64(11):11-18.
[69]王秉，吳超.基于安全大數據的安全科學創新發展探討J].科技管理研 究,2017,37(01):37-43.
[70]韓靜茹.以風險管理為導向的航空安全信息管理探討J].民航學報,2018,2(05):50-53.
[71]Wang B , Wu C , Huang L . Data literacy for safety professionals in safety management: A theoretical perspective on basic questions and answers[J]. Safety Science, 2019, 117:15-22.
[72]Grillenberger A , Romeike R . Developing a theoretically founded data literacy competency model. 2018:1-10.
[73]Qiumei Ouyang, Chao Wu, Lang Huang,Methodologies, principles and prospects of applying big data in safety science research,Safety Science,Volume 101,2018,Pages 60- 71,ISSN 0925-7535.
[74]朝樂門.數據科學[M].北京:清華大學出版社,2016.
[75]朝樂門，盧小賓.數據科學及其對信息科學的影響J].情報學報,2017, 36 (08) :761-771.
[76]吳超，王秉.安全科學新分支[M].北京：科學出版社,2018.
[77]ICAO.Safety Management Manuel(4th).ICAO,2018.
[78]Jacob Carlson， Michael Fosmire， C CMiler， et al.Determining Data Information Literacy Needs: A Study of Students and Research Faculty [J]. portal: Libraries and the Academy， 2011， 11(2)：629- 657.
[79]牛春華，吳艷艷,劉紅兵.公共安全數據管理能力成熟度模型構建J].圖書與情
58
報,2019(04):22-28.
[80]顏延. 用于小樣本人體傳感數據機器學習的神經網絡表征與拓撲印記分析機理研 究[D].中國科學院大學(中國科學院深圳先進技術研究院),2020.
[81]譚璐.高維數據的降維理論及應用[D].國防科學技術大學,2005.
[82]Wang J , Shi P , Jiang P , et al. Application of BP Neural Network Algorithm in Traditional Hydrological Model for Flood Forecasting[J]. Water, 2017, 9(1):48.
[83]Zou M , Xue L , Gai H , et al. Identification of the shear parameters for lunar regolith based on a GA-BP neural network[J]. Journal of Terramechanics, 2020, 89:21-29.
[84]郭強.基于貝葉斯準則的BP神經網絡校園區間需水預測及優化調度方法[D].河北 工程大學,2018.
[85]王重仁，韓冬梅.基于超參數優化和集成學習的互聯網信貸個人信用評估[J].統計與 決策,2019,35(01):87-91.
[86]王雪，韓韜.基于貝葉斯優化隨機森林的變壓器故障診斷[J/OL].電測與儀表:1- 8[2021-03-07]. http://kns.cnki. net/kcms/detail/23.1202.TH.20200106.1605.028. html.
[87]崔佳旭，楊博.貝葉斯優化方法和應用綜述[J].軟件學報,2018,29(10):3068-3090.
[88]Shin S , Lee Y , Kim M , et al. Deep neural network model with Bayesian hyperparameter optimization for prediction of NO x at transient conditions in a diesel engine[J]. Engineering Applications of Artificial Intelligence, 2020, 94:103761.
[89]鄭延福.本科高校教師教學質量評價研究[D].中國礦業大學,2012.
[90]周德群, 章玲 . 集成 DEMATEL/ISM 的復雜系統層次劃分研究 [J]. 管理科學學 報,2008,11(02):20-26.
[91]高揚,王向章.改進的DEMATEL法在航空公司外委維修安全風險分析中的應用[J]. 安全與環境學報,2017,17(05):1663-1667.
[92]孫永河 , 韓瑋 , 段萬春 . 復雜系統 DEMATEL 算法研究進展評述 [J]. 控制與 決策,2017,32(03):385-392.
[93]馮纓,王婷,馬高強.基于DEMATEL的高校新媒體信息傳播影響力關鍵因素研究[J]. 江蘇大學學報(社會科學版),2021,23(02):112-124.
[94]李晨.基于LightGBM-BOA的信用評分模型及其實證研究[D].西北農林科技大 學,2020.
[95]劉春翔，范鵬，王海濤，郭江，柯睿.基于BP神經網絡的輸電線路山火風險評估模型[J]. 電力系統保護與控制,2017,45(17):100-105.
59
[96]Fausett, L. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications; Prentice-Hall, Inc.: Upper Saddle River, NJ, USA, 1994.
[97]Parks, R.W.; Levine, D.S.; Long, D.L. Fundamentals of Neural Network Modeling: Neuropsychology and Cognitive Neuroscience; MIT Press: London, UK, 1998.
[98]He F, Zhang LY (2018) Mold breakout prediction in slab continuous casting based on combined method of GA-BP neural network and logic rules. Int J Adv Manuf Technol 95(9):4081-4089.
[99]Li B, Han C, Bai BX (2019) Hybrid approach for human posture pecognition using anthropometry and BP neural network based on kinect V2. EURASIP J Image Video Process 2019(1):8
[100]張毅，張珉浩.基于機器學習的能力評價與匹配研究[J].計算機工程與科 學,2019,41(02):363-369.
[101]沈劍波,雷相東,李玉堂,蘭瑩.基于 BP 神經網絡的長白落葉松人工林林分平均高預 測[J].南京林業大學學報(自然科學版),2018,42(02):147-154.
[102]孫桐.基于BAYES-BP預測算法的電商平臺商品采購計劃研究[D].大連海事大 學,2020.
[103]鄔天驥.基于機器學習的數據驅動故障診斷方法研究[D].浙江工業大學,2019.
[104]曾宇,戶文成.貝葉斯優化卷積神經網絡公共場所異常聲識別[J].應用聲學,2020, 39 (03):409-416.
[105]Rasmussen CE, Williams CKI. Gaussian Processes for Machine Learning. The MIT Press, 2006.
[106]Mockus J, Tiesis V, Zilinskas A. The application of Bayesian methods for seeking the extremum. In: Proc. of the Towards Global Optimisation 2. 1978. 117-129.
[107]王永剛，張迪，劉曉璐.航空安全員安全保障能力評價研究[J].中國安全科學學 報,2019,29(08):10-16.
[108]黃琦蘭，范金祥.基于改進粒子群優化LSSVM的污水COD軟測量建模[J].天津工業 大學學報,2021,40(01):74-80.
下一篇：沒有了
相關標簽:
