การบริหารความเสี่ยงและ SMS

ตัวอย่างที่ 1 รั้วภูมิศาสตร์กับระบบยุติการบินที่ใช้ GNSS ตัวเดียวกัน

เหตุหลักคือโดรนหลุดออกนอกพื้นที่เมื่อลิงก์ขาดพร้อม GNSS ผิดพลาด มาตรการป้องกันสองชั้นคือรั้วภูมิศาสตร์และระบบยุติการบิน มาตรการลดผลคือโอกาสที่ไม่มีคนในจุดตกและร่มชูชีพ ค่าทั้งหมดเป็น ค่าสมมติเพื่อการสอน

rate_top = 2e-3        # เหตุลิงก์ขาดพร้อม GNSS ผิดพลาด ต่อชั่วโมงบิน (สมมติ)
p_geofence = 0.10      # โอกาสที่รั้วภูมิศาสตร์ล้มเหลว
p_fts = 0.05           # โอกาสที่ระบบยุติการบินล้มเหลว
p_people = 0.30        # โอกาสที่มีคนอยู่ในจุดตก
p_chute = 0.20         # โอกาสที่ร่มชูชีพไม่ลดความรุนแรง

def injury_rate(shared_gnss):
    if shared_gnss:
        # ทั้งรั้วและระบบยุติการบินใช้ GNSS ตัวเดียวกัน: เมื่อ GNSS ผิด ทั้งสองล้มเหลวพร้อมกัน
        p_escape = 1.0
    else:
        p_escape = p_geofence * p_fts
    return rate_top * p_escape * p_people * p_chute

for name, shared in [("independent barriers", False), ("shared GNSS", True)]:
    r = injury_rate(shared)
    print(f"{name:21s} injury rate {r:.1e} per flight hour"
          f" = one per {1/r:,.0f} h")

independent barriers  injury rate 6.0e-07 per flight hour = one per 1,666,667 h
shared GNSS           injury rate 1.2e-04 per flight hour = one per 8,333 h

ถ้าสองชั้นอิสระกัน อัตราบาดเจ็บราวหนึ่งครั้งต่อ 1.7 ล้านชั่วโมงบิน แต่เพราะทั้งสองชั้นใช้ตำแหน่งจาก GNSS ตัวเดียวกัน เมื่อ GNSS ผิดพลาด ทั้งสองชั้นก็ล้มเหลวพร้อมกัน อัตราจึงแย่ลงถึงสองร้อยเท่า การแก้คือแยกแหล่งข้อมูลของมาตรการ เช่นให้ระบบยุติการบินทำงานจากการสูญเสียลิงก์หรือแหล่งตำแหน่งอิสระ และพิสูจน์ด้วยการทดสอบ

ตัวอย่างที่ 2 ไตรมาสนี้ลิงก์ขาดบ่อยขึ้นจริงหรือ

บริษัทบันทึกเหตุลิงก์ขาดหกไตรมาสที่ผ่านมา ไตรมาสปัจจุบันเกิด 7 ครั้งใน 180 ชั่วโมงบิน (ข้อมูลสมมติ)

import numpy as np
from scipy.stats import chi2

events = np.array([3, 4, 2, 5, 3, 4])            # เหตุลิงก์ขาดรายไตรมาส 6 ไตรมาสก่อน
hours = np.array([150, 160, 140, 170, 150, 160])  # ชั่วโมงบินรายไตรมาส
rate = events / hours * 100                       # ต่อ 100 ชั่วโมงบิน
mean, sd = rate.mean(), rate.std()                    # SD ของประชากรตาม ICAO Doc 9859
print(f"past rates per 100 h: {np.round(rate, 2)}")
print(f"mean {mean:.2f}  SD {sd:.2f}  alert (mean + 2SD) {mean + 2*sd:.2f}")

k, h = 7, 180                                     # ไตรมาสปัจจุบัน
lo = chi2.ppf(0.025, 2*k) / 2 / h * 100
hi = chi2.ppf(0.975, 2*(k + 1)) / 2 / h * 100
print(f"current {k/h*100:.2f} per 100 h, exact 95% CI {lo:.2f} to {hi:.2f}")

past rates per 100 h: [2.   2.5  1.43 2.94 2.   2.5 ]
mean 2.23  SD 0.48  alert (mean + 2SD) 3.19
current 3.89 per 100 h, exact 95% CI 1.56 to 8.01

อัตราไตรมาสนี้ 3.89 ครั้งต่อ 100 ชั่วโมง เกินระดับเตือน 3.19 จึงต้องทบทวน แต่ช่วงความเชื่อมั่น 95% กว้างตั้งแต่ 1.56 ถึง 8.01 ซึ่งครอบค่าเฉลี่ยเดิม 2.23 อยู่ด้วย ข้อมูลเพียงไตรมาสเดียวจึงยังสรุปไม่ได้ว่าเกิดการเปลี่ยนแปลงจริง การทบทวนที่ดีคือดูรายละเอียดของเหตุทั้งเจ็ดครั้งว่ามีสาเหตุร่วมหรือไม่ เช่นพื้นที่ใหม่ เฟิร์มแวร์ใหม่ หรือสายอากาศที่เปลี่ยน แทนการตัดสินจากตัวเลขอย่างเดียว