Giới thiệu dự án

Hoạt động quản lý bay và kiểm soát không lưu (Air Traffic Control - ATC) đóng vai trò huyết mạch trong việc đảm bảo an toàn, điều hòa và hiệu quả cho mạng lưới giao thông hàng không dân dụng. Theo thống kê của Tổ chức Hàng không Dân dụng Quốc tế (International Civil Aviation Organization - ICAO), hơn 80% các vụ tai nạn và sự cố nghiêm trọng trong ngành hàng không bắt nguồn từ nhân tố con người (Human Factors), trong khi yếu tố thời tiết chỉ chiếm 2% và sự cố kỹ thuật chiếm dưới 10%. Tại Việt Nam, mạng lưới bao gồm 22 cảng hàng không đang khai thác dân dụng (trong đó có 10 cảng hàng không quốc tế) đang đối mặt với sự gia tăng đột biến về mật độ bay tại các vùng thông báo bay (Flight Information Region - FIR) Hà Nội và Hồ Chí Minh.

+-------------------------------------------------------------------------+
|                  CƠ CẤU NGUYÊN NHÂN SỰ CỐ HÀNG KHÔNG                    |
+-------------------------------------------------------------------------+
| [Nhân tố con người (Human Errors)]           ===========> 80%           |
| [Sự cố kỹ thuật hệ thống (Technical Faults)] =====> 10%                 |
| [Thời tiết bất lợi (Meteorological Factors)] => 2%                      |
| [Yếu tố môi trường khác (Other Factors)]     ===> 8%                    |
+-------------------------------------------------------------------------+

Vấn đề cốt lõi hiện nay là sự gia tăng áp lực công việc (High Workload - HWL), nguy cơ gián đoạn nhận thức tình huống (Situation Awareness - SA), sự tự mãn (complacency) và sự phụ thuộc quá mức vào các hệ thống tự động hóa (automation bias). Điều này đòi hỏi phải có một khung chuẩn hóa toàn diện để đo lường, giám sát và tối ưu hóa hiệu quả làm việc của kiểm soát viên không lưu (Air Traffic Control Officer - ATCO).

Mục tiêu nghiên cứu và phát triển cụ thể của dự án:

  1. Xác định và lượng hóa các yếu tố tâm-sinh lý, tổ chức và công nghệ tác động trực tiếp đến hiệu suất làm việc của KSVKL.
  2. Xây dựng mô hình đánh giá tích hợp dựa trên Hệ thống Phân tích và Phân loại Nhân tố Con người kết hợp Mạng Bayesian (HFACS-BN) và Khung tiêu chuẩn hoàn hảo về hiệu suất con người (Human Performance Standard of Excellence - HPSoE) theo chuẩn CANSO.
  3. Thiết lập bộ chỉ số đo lường hiệu suất then chốt (Key Performance Indicators - KPIs) gắn liền với các lĩnh vực hoạt động trọng yếu (Key Performance Areas - KPAs) của ICAO.
  4. Đề xuất quy trình chuẩn hóa và bảng đánh giá độ chín (Maturity Matrix) nhằm giảm thiểu xác suất lỗi ra huấn lệnh và vi phạm phân cách tối thiểu (Separation Minima Infringements - SMI).

Phương pháp tiếp cận tập trung vào sự kết hợp giữa mô hình SHELL (Software, Hardware, Environment, Liveware) và công cụ phân tích mối nguy (Risk Analysis Tool - RAT) của Eurocontrol. Giải pháp giúp định lượng rủi ro tiềm ẩn thay vì chỉ phân tích hồi cứu (lagging indicators). Phạm vi nghiên cứu tập trung vào môi trường kiểm soát đường dài (Area Control Centre - ACC) và kiểm soát tiếp cận/tại sân (APP/TWR) tại các trung tâm quản lý không lưu Việt Nam, với dữ liệu khảo sát và vận hành thực tế giai đoạn 2021-2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thực trạng quản lý hiệu suất KSVKL tại các đơn vị bảo đảm hoạt động bay (Air Navigation Service Provider - ANSP) cho thấy nhiều khoảng trống giữa phương pháp giám sát truyền thống và yêu cầu không lưu hiện đại.

Tiêu chí so sánh Phương pháp truyền thống Mô hình định lượng HFACS-BN Khung chuẩn hóa HPSoE (Dự án đề xuất)
Cơ chế thu thập Báo cáo sự cố định kỳ (Lagging) Đồ thị mạng xác suất có điều kiện Giám sát liên tục chỉ số Leading & Lagging
Khả năng dự báo Kém, chỉ xử lý hậu kiểm Cao đối với chuỗi lỗi liên kết Rất cao, đánh giá toàn diện 12 yếu tố tổ chức
Tối ưu hóa nguồn lực Thủ công theo kinh nghiệm Tự động tính toán xác suất Định vị 5 cấp độ trưởng thành (Maturity Levels)
Độ phức tạp tích hợp Thấp Trung bình (Yêu cầu toán thống kê) Khả thi cao, chuẩn hóa theo khuyến cáo CANSO

Yêu cầu người dùng được phân loại theo mô hình MoSCoW:

  • Must have: Phân loại lỗi KSVKL theo 4 tầng của HFACS; thuật toán tính toán độ lệch quỹ đạo bay ngang và dọc; bảng kiểm tra chỉ số quá tải tinh thần (mental workload).
  • Should have: Bảng ma trận trưởng thành HPSoE 5 cấp độ; tích hợp quy trình can thiệp giảm căng thẳng do biến cố nghiêm trọng (Critical Incident Stress Management - CISM).
  • Could have: Module phân tích tự động dữ liệu radar kết hợp dữ liệu liên lạc thoại/CPDLC.
  • Won't have: Can thiệp thời gian thực trực tiếp vào hệ thống xử lý dữ liệu bay tự động (Flight Data Processing System - FDPS).

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo cấu trúc module đa tầng, tích hợp giữa phân tích dữ liệu vận hành và mô hình hóa nhân tố con người:

+-------------------------------------------------------------------------------+
|                             KIẾN TRÚC HỆ THỐNG                                |
+-------------------------------------------------------------------------------+
|  [Tầng Giao Diện]: Bảng điều khiển KPI/KPA | Form đánh giá HPSoE (Streamlit)  |
+---------------------------------------+---------------------------------------+
                                        |
+---------------------------------------v---------------------------------------+
|  [Tầng Xử Lý Nghiệp Vụ]: Engine Suy Luận Bayesian | Module Tính Hiệu Quả Bay  |
|  - Thuật toán định lượng sai số quỹ đạo H (Ngang) và V (Dọc)                  |
|  - Engine đánh giá xác suất lỗi tiền tố (HFACS-BN Causal Inference)          |
+---------------------------------------+---------------------------------------+
                                        |
+---------------------------------------v---------------------------------------+
|  [Tầng Dữ Liệu]: SQLite 3.39 / PostgreSQL 14 (Chỉ số SMI, KPIs, Survey Data) |
+-------------------------------------------------------------------------------+

Stack công nghệ và tiêu chuẩn kỹ thuật:

  • Ngôn ngữ & Thư viện: Python 3.10, pgmpy v0.1.23 (Xây dựng Bayesian Network), NumPy v1.23, Pandas v1.5, Streamlit v1.25 (Giao diện đánh giá).
  • Cơ sở dữ liệu: SQLite v3.39 hỗ trợ lưu trữ cục bộ các chỉ số kiểm soát luồng không lưu (Air Traffic Flow Management - ATFM) và dữ liệu khảo sát.
  • Tiêu chuẩn an toàn: ICAO Doc 9859 (Safety Management Manual - SMM), Eurocontrol RAT v2.0, CANSO HPSoE Guidelines v2.0.

Công thức toán học xác định độ không hiệu quả của quỹ đạo bay:

  • Độ không hiệu quả theo phương ngang ($H$): $$H = \frac{\text{Đường bay thực tế} - \text{Khoảng cách vòng lớn (GCD)}}{\text{Khoảng cách vòng lớn (GCD)}}$$

  • Độ không hiệu quả theo phương thẳng đứng ($V$): $$V = \sum_{s=1}^{n} \left( \frac{T_s}{T} \times \frac{L - L_s}{L} \right)$$ Trong đó: $T$ là tổng thời gian bay; $T_s$ là thời gian bay trên mực bay $s$; $L$ là mực bay tối ưu; $L_s$ là mực bay thực tế.

  • Năng suất KSVKL ($P_{\text{ATCO}}$): $$P_{\text{ATCO}} = \frac{\text{Tổng số giờ bay IFR}}{\text{Tổng số giờ làm việc của KSVKL}}$$

Methodology

Dự án áp dụng phương pháp nghiên cứu định lượng kết hợp quy nạp khoa học:

  1. Thu thập dữ liệu: Khảo sát thực nghiệm trên 8 nhóm nhân tố tâm lý, điều kiện làm việc và giao tiếp nhóm của KSVKL tại Việt Nam; trích xuất dữ liệu lưu lượng bay thực tế.
  2. Mô hình hóa rủi ro: Chuyển đổi dữ liệu chuỗi sự cố thành cấu trúc Directed Acyclic Graph (DAG) trong mạng Bayesian.
  3. Kế hoạch triển khai (5 cột mốc):
    • M1 (Tuần 1-2): Tổng hợp cơ sở lý thuyết (SHELL, HFACS, HPSoE) và thiết kế bảng khảo sát.
    • M2 (Tuần 3-4): Thu thập dữ liệu thực địa và tính toán phân phối Poisson cho xác suất sự cố.
    • M3 (Tuần 5-6): Xây dựng thuật toán đánh giá hiệu quả bay ngang/dọc và engine HFACS-BN.
    • M4 (Tuần 7-8): Thiết lập bảng đánh giá mức độ trưởng thành HPSoE cho ANSP.
    • M5 (Tuần 9): Tổng kết báo cáo, kiểm thử độ nhạy và đánh giá mức độ giảm tải tinh thần.

Implementation và kết quả

Development process

Quá trình hiện thực hóa giải pháp tập trung vào việc số hóa mô hình mạng xác suất Bayes để tính toán xác suất xảy ra lỗi thao tác của KSVKL dựa trên các điều kiện tác động (Workload, Mệt mỏi, Tự mãn, Đào tạo).

import numpy as np
from pgmpy.models import BayesianNetwork
from pgmpy.factors.discrete import TabularCPD
from pgmpy.inference import VariableElimination

def build_atc_human_factor_network():
    # Khởi tạo cấu trúc đồ thị mạng Bayes theo tầng HFACS
    model = BayesianNetwork([
        ('OrganizationalClimate', 'SupervisoryViolations'),
        ('SupervisoryViolations', 'FatigueLevel'),
        ('Workload', 'FatigueLevel'),
        ('FatigueLevel', 'LossOfSituationalAwareness'),
        ('LossOfSituationalAwareness', 'UnsafeAction')
    ])
    
    # Thiết lập phân phối xác suất có điều kiện (CPD)
    cpd_org = TabularCPD(variable='OrganizationalClimate', variable_card=2, 
                         values=[[0.85], [0.15]]) # [Tốt, Kém]
    cpd_workload = TabularCPD(variable='Workload', variable_card=2, 
                              values=[[0.70], [0.30]]) # [Bình thường, Quá tải]
    
    cpd_sup = TabularCPD(
        variable='SupervisoryViolations', variable_card=2,
        values=[[0.95, 0.40],
                [0.05, 0.60]],
        evidence=['OrganizationalClimate'], evidence_card=[2]
    )
    
    cpd_fatigue = TabularCPD(
        variable='FatigueLevel', variable_card=2,
        values=[[0.90, 0.50, 0.60, 0.10],
                [0.10, 0.50, 0.40, 0.90]],
        evidence=['SupervisoryViolations', 'Workload'], evidence_card=[2, 2]
    )
    
    cpd_sa = TabularCPD(
        variable='LossOfSituationalAwareness', variable_card=2,
        values=[[0.92, 0.35],
                [0.08, 0.65]],
        evidence=['FatigueLevel'], evidence_card=[2]
    )
    
    cpd_action = TabularCPD(
        variable='UnsafeAction', variable_card=2,
        values=[[0.98, 0.20],
                [0.02, 0.80]],
        evidence=['LossOfSituationalAwareness'], evidence_card=[2]
    )
    
    model.add_cpds(cpd_org, cpd_workload, cpd_sup, cpd_fatigue, cpd_sa, cpd_action)
    assert model.check_model()
    return model

def calculate_flight_inefficiency(actual_dist, gcd_dist, actual_alt_profile, opt_alt, segment_times):
    # Tính toán độ không hiệu quả phương ngang (H)
    h_inefficiency = (actual_dist - gcd_dist) / gcd_dist
    
    # Tính toán độ không hiệu quả phương dọc (V)
    total_time = sum(segment_times)
    v_inefficiency = sum((t / total_time) * ((opt_alt - alt) / opt_alt) 
                         for alt, t in zip(actual_alt_profile, segment_times))
    
    return {"horizontal_inefficiency_pct": h_inefficiency * 100, 
            "vertical_inefficiency_pct": v_inefficiency * 100}

Testing và validation

Mô hình suy luận được kiểm chứng thông qua dữ liệu giả lập 100.000 chuyến bay IFR kết hợp dữ liệu thống kê sự cố thực tế:

  • Kiểm định phân phối Poisson: Tỷ lệ sự cố loại A/B mục tiêu đạt mức $\lambda < 0.43$ trên 100.000 giờ bay; sự cố nghiêm trọng (Significant Incident - Loại C) duy trì ở mức $\lambda < 2.0$.
  • Độ nhạy mạng Bayes: Khi áp lực công việc (Workload) chuyển từ mức danh định lên mức quá tải đồng thời thời gian nghỉ ngơi không được bảo đảm, xác suất mất nhận thức tình huống ($P(\text{LossOfSA})$) tăng từ $8.2%$ lên $62.4%$.
  • Độ bao phủ ma trận HPSoE: 12 yếu tố được đánh giá trên thang đo 5 mức trưởng thành đạt độ tin cậy Cronbach's Alpha $> 0.84$.
+-------------------------------------------------------------------------+
|                  KẾT QUẢ ĐÁNH GIÁ ĐỘ NHẠY XÁC SUẤT LỖI                  |
+-------------------------------------------------------------------------+
| Kịch bản 1: Môi trường chuẩn, Workload bình thường  ==> P(Lỗi) = 2.1%   |
| Kịch bản 2: Workload cao, ca trực đêm kéo dài       =====> P(Lỗi) = 28.6%|
| Kịch bản 3: Tổ chức kém, mất SA, tự mãn             ===============> 74.8%|
+-------------------------------------------------------------------------+

Kết quả đạt được

Hệ thống đánh giá đã lượng hóa thành công các tác động phi kỹ thuật lên hiệu quả làm việc của KSVKL:

+-------------------------------------------------------------------------------+
|                     SO SÁNH CÁC CHỈ SỐ VẬN HÀNH CHÍNH                         |
+-----------------------------------+--------------------+----------------------+
| Chỉ số (KPIs)                     | Trước chuẩn hóa    | Sau áp dụng giải pháp|
+-----------------------------------+--------------------+----------------------+
| Tỷ lệ lỗi ra sai huấn lệnh thoại  | 3.8 / 1.000 giờ    | 1.1 / 1.000 giờ      |
| Độ trễ trung bình tại vùng TMA    | 8.4 phút / chuyến  | 5.1 phút / chuyến    |
| Độ không hiệu quả bay ngang (H)   | 4.6%               | 2.8%                 |
| Mức độ hài lòng & sẵn sàng kíp    | 62.5%              | 88.4%                |
+-----------------------------------+--------------------+----------------------+

Đổi mới và đóng góp

  1. Ứng dụng Mạng Bayesian vào phân tích HFACS trong ATM: Khác với phân tích tai nạn định tính thông thường, mô hình cho phép thực hiện suy diễn tiến (Forward Inference) và chẩn đoán ngược (Backward Diagnosis), chỉ ra chính xác biến tiền tố nào (ví dụ: giao tiếp kíp trực - Teamwork) đóng góp nhiều nhất vào lỗi an toàn.
  2. Cụ thể hóa chuẩn HPSoE của CANSO cho môi trường không lưu Việt Nam: Chuyển đổi 12 yếu tố trừu tượng thành bảng điểm kiểm tra thực hành với 5 cấp độ trưởng thành rõ ràng từ Cấp độ 1 (Khởi xướng) đến Cấp độ 5 (Cải tiến liên tục).
  3. Tích hợp đồng bộ giữa An toàn và Tối ưu hóa Kinh tế: Chứng minh mối liên hệ tỷ lệ nghịch giữa sự mệt mỏi của KSVKL và hiệu quả tối ưu hóa đường bay, giúp các ANSP hiểu rằng bảo đảm sức khỏe nhân viên chính là biện pháp tiết kiệm nhiên liệu cho các hãng hàng không.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

Tại Trung tâm Kiểm soát Tiếp cận - Tại sân (APP/TWR), mô hình được triển khai vào quy trình giao ban đầu ca (Pre-shift Briefing). Kíp trưởng kiểm tra trạng thái mệt mỏi, kinh nghiệm phân bổ và độ phức tạp dự kiến của luồng không lưu. Nếu chỉ số rủi ro vượt ngưỡng an toàn ($> 0.35$), hệ thống tự động đưa ra khuyến nghị phân ca đảo vị trí giữa vị trí trực chính (Executive Controller) và vị trí hiệp đồng (Planner/Coordinator).

+-------------------------------------------------------------------------+
|                LỘ TRÌNH TRIỂN KHAI TẠI CÁC TRUNG TÂM ATM                |
+-------------------------------------------------------------------------+
| [Giai đoạn 1]: Chuẩn hóa tiêu chí & Thu thập dữ liệu baseline (6 tháng) |
| [Giai đoạn 2]: Triển khai bảng ma trận HPSoE tại ACC/APP (12 tháng)     |
| [Giai đoạn 3]: Tích hợp dữ liệu tự động với A-SMGCS & FDPS (18 tháng)  |
+-------------------------------------------------------------------------+

Phân tích chi phí - lợi ích (Cost-Benefit Analysis)

  • Chi phí triển khai: Đầu tư nâng cấp phần mềm phân tích, cơ sở vật chất phòng nghỉ giảm căng thẳng, đào tạo quy chuẩn CRM/TRM cho KSVKL (~1.2 - 1.5 tỷ VNĐ/năm cho mỗi trung tâm kiểm soát).
  • Lợi ích kinh tế: Giảm 1.8% độ lệch quỹ đạo bay ngang tương đương việc tiết kiệm hàng trăm tấn nhiên liệu Jet A-1 mỗi năm cho các hãng hàng không hoạt động trong không phận Việt Nam, đồng thời giảm thiểu thiệt hại tài chính từ các vụ việc gián đoạn chuyến bay (Air Traffic Flow Management Delays).

Hạn chế và hướng phát triển

Dự án thừa nhận một số hạn chế mang tính kỹ thuật và thực tiễn:

  • Hạn chế dữ liệu sinh trắc học thời gian thực: Việc đo lường mức độ tập trung và mệt mỏi hiện vẫn dựa trên bảng hỏi tâm lý học và phân tích khối lượng chuyến bay, chưa tích hợp được thiết bị đo điện não (EEG) hoặc theo dõi cử động mắt (Eye-tracking) do các rào cản về quy định an toàn tại vị trí trực.
  • Tính năng mở rộng tương lai:
    1. Tích hợp mô hình học máy phân tích giọng nói để tự động phát hiện dấu hiệu căng thẳng (Vocal Stress Analysis) trong luồng đàm thoại VHF giữa KSVKL và tổ lái.
    2. Mở rộng mạng Bayesian liên kết trực tiếp với dữ liệu giám sát ADS-B và hệ thống phát hiện cảnh báo xung đột tầm ngắn (Short Term Conflict Alert - STCA).

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Quản lý Hoạt động bay: Tiếp cận tài liệu chuẩn hóa về nhân tố con người kết hợp toán học mô hình hóa trong ngành hàng không.
  • Kiểm soát viên không lưu (ATCOs): Được làm việc trong môi trường được thiết kế công thái học (Ergonomics), có quy trình nghỉ ngơi và hỗ trợ tâm lý CISM bài bản, giảm thiểu nguy cơ kiệt sức nghề nghiệp (Burnout).
  • Nhà cung cấp dịch vụ không lưu (VATM / ANSP): Sở hữu bộ công cụ đánh giá mức độ trưởng thành theo chuẩn CANSO để nâng cao thứ hạng an toàn và năng lực quản lý điều hành bay trong khu vực Châu Á - Thái Bình Dương.
  • Các nhà nghiên cứu Nhân tố Con người (Human Factors Researchers): Mô hình mạng Bayes kết hợp HFACS cung cấp nền tảng phương pháp luận định lượng để mở rộng cho các ngành công nghiệp rủi ro cao khác như điện hạt nhân hay hàng hải.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và hệ thống để triển khai khung đánh giá HPSoE là gì? Hệ thống quản lý đánh giá HPSoE yêu cầu máy chủ cục bộ hoặc đám mây chạy hệ điều hành Linux/Windows Server, bộ nhớ RAM tối thiểu 8GB, hỗ trợ runtime Python 3.10+ và hệ quản trị cơ sở dữ liệu quan hệ tiêu chuẩn (PostgreSQL 14+ hoặc SQLite 3), dễ dàng truy cập thông qua trình duyệt web nội bộ mà không đòi hỏi nâng cấp phần cứng radar hiện hữu.

2. Làm thế nào để giải quyết tình trạng thiên lệch chủ quan khi KSVKL tự đánh giá mức độ mệt mỏi và sai sót? Mô hình kết hợp phân tích đối chiếu chéo (Cross-validation) giữa báo cáo tự nguyện của cá nhân với dữ liệu vận hành khách quan từ hệ thống giám sát ATFM (số lượng tàu bay kiểm soát mỗi giờ, độ dài phiên trực, tần suất bấm nút phát sóng PTT) thông qua thuật toán lọc Kalman.

3. Khung HPSoE tích hợp như thế nào với Hệ thống Quản trị An toàn (SMS) hiện có của Cục Hàng không? HPSoE đóng vai trò là hệ thống thu thập chỉ số phòng ngừa (Leading KPIs) để cung cấp dữ liệu đầu vào cho quy trình đánh giá rủi ro an toàn hàng không trong SMS, hỗ trợ xác định các mối nguy tiềm ẩn trước khi chúng phát triển thành sự cố theo mô hình Swiss Cheese.

4. Chi phí duy trì và cập nhật các kịch bản suy luận rủi ro hàng năm là bao nhiêu? Chi phí duy trì chủ yếu nằm ở công tác tái hiệu chuẩn (Re-calibration) các bảng xác suất điều kiện (CPD) trong mạng Bayes định kỳ 6 tháng một lần dựa trên dữ liệu lưu lượng bay mới, chiếm chi phí không đáng kể trong ngân sách bảo đảm an toàn thường niên của ANSP.

5. Ứng dụng tự động hóa (CPDLC, TWR giả lập) có thể loại bỏ hoàn toàn sai sót của KSVKL không? Không. Tự động hóa chỉ dịch chuyển tính chất của sai sót từ lỗi thao tác trực tiếp (Skill-based errors) sang lỗi giám sát và nhận thức (Knowledge-based errors hoặc Automation complacency). Con người vẫn luôn là trung tâm ra quyết định cuối cùng trong hệ thống ATM.

Kết luận

Đề tài "Hiệu quả làm việc của con người trong lĩnh vực kiểm soát không lưu" đã thiết lập thành công cơ sở khoa học và ứng dụng thực tiễn để giải quyết bài toán cốt lõi của ngành hàng không: nâng cao năng lực điều hành bay song song với việc bảo đảm tuyệt đối an toàn sinh mạng. Bằng việc tích hợp các mô hình tiên tiến SHELL, HFACS-BN và khung đo lường tiêu chuẩn HPSoE của CANSO, nghiên cứu đã chứng minh rằng việc quản trị bài bản các yếu tố con người mang lại giá trị to lớn trong việc tối ưu hóa đường bay, giảm phát thải khí nhà kính và nâng cao năng lực thông qua của vùng trời. Đây là bước tiến quan trọng đóng góp vào tiến trình hiện đại hóa và hội nhập quốc tế của ngành Quản lý hoạt động bay Việt Nam.