□ 宋皓晨，杨聚芬，刘志钢

(上海工程技术大学 城市轨道交通学院，上海 201620)

根据轨道交通企业标准，地铁驾驶员需要掌握的作业项数量大、要求高，在众多作业项中，有相当一部分为地铁驾驶员在列车设备发生故障、突发或接受临时调令的情况下，也即面临应急情景下完成的作业，称为应急作业或应急任务。此类应急任务一般具有复杂性、可变性、灵活性等特点，因此，对驾驶员也必然有更高的要求[1]。

现有成果中关于应急任务分析和评价的研究，Liang等人[2-3]对多个领域具有代表性的应急任务进行研究，认为注意力是处理任务最重要的能力；Alkan等人[4]则将任务完成情况的评价指标定义为实际完成时间与该任务平均完成时间的比值，并设计了一些简单动作实验，结果表明同时应用多项能力的应急任务完成情况普遍较差，例如，在山路中开车时发生车辆故障等。而在相关研究方法方面，主要有主观评价法[5]、生理测量法[6]与绩效定量法等，Alkan等人采用的时间比值法[4]就是一种绩效定量法。

从成果上看，现有研究的问题表现在：一是角度较为片面，根据经验自主选择几种可能应用到的能力进行分析，没有完整的理论依据；二是研究不够深入，指出应急任务的复杂性影响大，提出一些指标，但进一步的论证很少，缺乏针对性和实用性。从研究方法上看，也有以下几方面问题：一是主观评价法在所有方法中占比最大，也得到广泛认可，但被试者真实情况与主观表达情况的差异性成为难题；二是生理测量法采用眼电、心电等仪器设备，侵入性强，可能引起被试者不适，对结果造成影响。

为解决研究现状中存在的上述问题，本文将基于多资源理论，将四项基本资源的调用情况针对性地应用于地铁驾驶员的应急任务中。同时，为克服测量方法的主观性和侵入性，本文试应用一种基于Petri网模型的定量分析法，将任务结构化分解并进一步分析与评价，为相关环节的培训和考核提供依据和建议。

1 应急任务评价与结构化分解

1.1 应急任务的特征

应急任务通常可视为由多个子任务组成，具有较高时间和效率压力的复杂型任务，其执行过程主要可分为刺激、决策及反应三个阶段[7]。从多资源理论角度来考虑，视觉、听觉、认知与动作则是人的四项基本资源[8]。如果将这两种指标结合，则刺激阶段实际是视觉、听觉资源被消耗时的通道，决策阶段为认知资源的通道，而反应阶段为动作资源的通道。因此，四项基本资源是每个子任务执行过程中的基础单元，而完成一项完整应急任务的过程，实质是这些基础单元排列组合的结果。所以，在高时间压力下，任务执行者在应急处置的过程中，对基础单元的有效排列组合，也即对四项基本资源的调用和分配，是提高应急任务效率和稳定性的关键。

1.2 应急任务评价指标

四项基本资源作为应急任务完成过程的基础单元，为进一步研究其在整个过程中的变化情况，各个环节中每次被调用和分配的资源应有定量化的表述，这就是应急任务的评价指标。显然，该指标越大，则证明对应的应急任务阶段对该方面的需求越大。例如，地铁驾驶员驶离站台遇夹人夹物情况时，会首先停车，此时对认知资源和动作资源的需求量较大。不妨将应急任务中总体评价指标大的作业环节称为关键环节，暂称评价指标为资源消耗量。

1.3 VACP量表与任务结构化分解

需要指出，四项基本资源所涉及的人的能力是多方面的，如要将一项任务或一个环节准确对应到某项资源，则每项资源须分化二级行为指标。例如，停车是一项基本任务；如遇突发情况，使用对讲通话与调度员联系也是一项基本任务。上述两项任务的过程都可以用消耗动作资源来描述，但其实际的操作显然有所不同。因此，对于四项基本资源而言，需引入二级指标作为行为要素，从而对任务进行精确描述[9]。

在目前相关的研究领域中，VACP量表是一个被普遍认可的研究方法。该量表从行为层面对被实验者的作业进行分析并打分，与心理测量方法相结合，是一种基于四项基本资源消耗与二级行为要素重要性的评分表[10]。上例中，停车对应的二级行为要素为“操纵”，评分为4.6；与调度员通话对应“讲话”，评分为1.0。

本文研究的是地铁驾驶员应急任务，由于应急任务的组合性和复杂性，为研究其各子任务或关键环节的资源消耗量，需将任务进行结构化分解。应急任务的结构化分解是指将地铁运营公司基于经验制定的应急任务按照听觉/视觉-决策-反应的过程分解为具有时间和空间属性的V/A-C-P行为单元形式的结构化模型。因此，本文应用VACP量表为该模型提供行为单元的形式及资源消耗量的表述。

2 应用Petri网模型的应急任务结构化分解

2.1 Petri网模型

VACP量表能够为一项任务的各个环节所应用的资源及其应用资源的角度进行评分。但如前文中所提到的，地铁驾驶员的应急任务的复杂性影响大，现有研究往往无法清晰地表达整个作业项及环节的先后次序，因而对评价指标的选取和对于任务的分析缺乏完整性和客观性。

显然，一种具有充分客观性，从应急任务本身出发，清晰地对任务进行结构化分解，使VACP量表得到载体，作业环节和资源消耗量得到直观的展示，从而进一步分析的方法必不可少。本文采用Petri网模型进行研究。

Petri网模型是一种适用于描述流程，尤其是适合描述异步并发现象的系统模型。该模型最初被利用于物理系统，且并不需要对组成元素进行限制，因此，其利用范围极为广泛，且能够应用于各个学科[11]。

一个基本的Petri网模型是由3个元素构成的集合：PN=(P,T,F)，其中P={p1,p2,…,pa}(a>0)是有限的库所集，T={t1,t2,…,tb}(b>0)是有限的变迁集，且P、T之间有如式(1)的关系：

P∪T=φ，P∩T≠φ

(1)

F是P、T间的有向弧，该有向弧具有可逆性，即可以由P指向T，也可以由T指向P。

Petri网模型在严格数学定义的基础上拥有规范化的图形表示方法。图1为Petri网模型的规范示意图。

图1 Petri网模型的规范示意图

在图1中，空心圆用以表示库所集，黑色实心圆用以表示库所内包含的一种资源或状态，称为Token，带有箭头的线段用以表示有向弧，空心矩形用以表示变迁集。

Petri网的运行规则是由变迁T激发的，一次运行即为前置库所失去Token，后置库所得到Token，有向弧运送Token到变迁T响应的过程[7]。将变迁的前置库所记为P1，即时拥有的Token数量记为C1(Pa)；后置库所记为P2，即时拥有的Token数量记为C2(Pa)，前置有向弧承担的Token数量记为F1，后置有向弧承担的Token数量记为F2，由式(1)，变迁T能够响应的条件则可表达为式(2)：

∀pa∈P1,∀pa∈P2,F1+C1(Pa)≥F2+C2(Pa)(a>0)

(2)

将变迁T应用Token的方式记为f(tb)，由式(2)，可将完整的Petri网的运行规则表达为式(3)：

∀pa∈P1,∀pa∈P2,∀tb∈T,f(tb)[F1+C1(Pa)]=F2+C2(Pa)(a,b>0)

(3)

2.2 模型应用方法

上文中指出，Token可用于表示库所内所包含的一种资源或状态。因此，VACP量表中的四项资源即可理解为四类基本的前置库所，分别记为P1，P2，P3，P4，评分的值为Token的数量，对应的每个二级行为要素为一个变迁，一个作业环节完成的状态为后置库所。如此定义后，作为任务评价指标的资源消耗量即可转化为转移Token数量。由于在整个应急任务过程中驾驶员需不断从库所中调用Token，且人本身能够调用的资源无法定量描述，因此，四个基本前置库所包含的初始Token数应近似为无限大。

在应用Petri网建立结构化分解模型时，存在两个重要问题。其一，如何处理应急任务可能在局部存在循环与往复的情况；其二，如何表示应急任务可能存在某环节持续“保持”的过程。

为准确表述资源可能存在的循环往复与保持两种状态，需引入顺序参数Si=i(i>0)。该参数的意义是表征不同f(tb)的先后顺序与并列关系。处于同一序列的行为，其顺序参数应相等。

为方便记录，不妨将VACP量表的评分值乘以10作为消耗Token的数量，将量表中二级行为要素记为Vjk=c(j,k∈{1,2,…,8},c>0)，其中j，k分别表示该行为要素在表格中的行与列(除去标题行与标题列)，c表示对应的消耗Token数量。如V22=10指听觉资源库P2中的听觉检测消耗10个Token。

应用此方法对任务结构化分解后，每个任务都可以得到一个完整的资源消耗、环节划分与具体行为情况，可整理为一个包含顺序参数、对应变迁、对应库所、对应行为要素、转移Token数量等要素的架构表。

2.3 完整应急任务的实例分析

为论证该方法的可行性，本文以上海市轨道交通列车司机标准化作业规定(Q/SD-YG-FT-YT-1563-2017)中的电动列车驾驶员应急作业项“站台退行对位”的完整过程为实例，建立Petri网模型进行结构化分解并作分析与评价。

该作业分为以下环节：①驾驶员确认，列车越过停车位置且满足退行条件、列车未收到开门码、无法办理乘降作业；②驾驶员向运营调度员申请退行对位；③驾驶员接受运营调度员命令；④驾驶员确认车号、调令号，并复诵和记录；⑤驾驶员牵引制动手柄，方式方向手柄放至零位；⑥驾驶员将方式方向手柄放至后退位；⑦驾驶员确认以3km/h速度退行对位；⑧驾驶员将列车停稳于停车牌±25cm范围内；⑨驾驶员确认站台侧允许开门灯点亮。

由上述环节，结合上文所述作业分解方法，图2为站台退行对位作业Petri网模型示意图。为使环节表述清晰，图中省略中间过程中每个变迁的后置库所。

图2 站台退行对位作业Petri网模型示意图

整理得表1为站台退行对位的作业架构表：

表1 站台退行对位作业架构表

由表1可知，站台退行对位作业共可分为15个阶段，共对应20个变迁。从库所被调用的次数来看，站台退行对位作业对认知和动作两项基本资源的要求最高；从被转移的Token数量来看，驾驶员的动作资源是四项资源中消耗最大的，所对应的二级行为要素主要包括操纵、讲话等。

3 应急任务结构化模型的验证

3.1 行为安全风险检查

上海申通地铁集团每年开展的行为安全风险检查是针对地铁行车相关各岗位进行考核，并根据考核结果作风险评估的例行项目。该项目的重要指标包括风险等级、不安全因素、检查得分等。从每年的检查结果来看，主要风险源和得分较低的情况都出现在对驾驶员综合要求较高的作业环节，往往需要驾驶员同时完成多项子任务。如果从本文Petri网模型角度出发，这些环节的共同特点是瞬时Token转移量大，从而引发任务过程中Token转移的混乱，造成资源冲突，引发人误风险和不安全行为。

因此，为验证结构化模型的有效性及可靠性，依据2019年度上海申通地铁集团安全风险检查项目a34号检查表——电动列车驾驶员站台退行对位作业现场安全检查表的数据，以检查得分为主要对照组，第三方的危险原因分析为参考指标进行对比分析。该检查涉及上海地铁3号线、4号线、7号线共12名驾驶员，本文以12份检查结果平均值为基准进行后述研究，在表2中完整列出，其中检查表中的满分分值为6。

表2 驾驶员站台退行对位作业现场安全检查结果

3.2 验证过程的调整

需要注意，因安全风险检查与Petri网模型对作业项的详细划分方式不同，虽然表2中的检查项数量也为15，但与表1中的15个阶段不完全一致，因此,需要对其作顺序对应处理。如表1中的1个阶段对应表2中的多个作业项，则将表2这些作业项的分值再取平均值；如表3中的1个作业项对应表1中的多个阶段，则将表1中这些阶段的转移Token数量相加。表3为对应情况。

表3 顺序对应表

3.3 模型验证结果与分析

为进一步验证相关性，应用IBM SPSS Statistics软件(下称SPSS软件)作分析。首先对两组数据进行K-S检验，结果显示，转移Token数量不显著服从正态分布，检查得分则服从正态分布。为确保模型验证结果可靠，对两组数据进行置信度为0.01的双侧显著性检验并分别选择皮尔逊相关系数和斯皮尔曼等级相关系数分析相关性。

结果显示，在置信度为0.01的双侧检验下，p=0.002<0.01，则转移Token数量与检查得分之间存在显著的线性相关。本例中，SPSS软件显示皮尔逊相关系数为-0.8044，斯皮尔曼等级相关系数为-0.822，其绝对值均大于0.8，证明转移Token数量与检查得分之间有极强负相关性。

总结站台退行对位作业安全检查表中的危险原因分析，出现次数最多的前三位依次为：①驾驶员向调度员汇报时遗漏信息；②驾驶员未复诵调度命令；③驾驶员未判断是否满足退行条件臆测行车。其中，①②主要暴露驾驶员在认知和动作两方面的问题，③则主要暴露驾驶员在认知和视觉方面的问题，这些问题与模型中相对应的库所被调用次数以及被转移Token数量相一致。

以上分析说明，基于Petri网模型的地铁驾驶员应急作业分析方法具有充分的可靠性，能够对应急任务中驾驶员各项能力的要求作有效的定量反映。

4 结语

本文提出了一种采用Petri网模型对城市轨道交通应急任务进行结构化分解与定量分析的方法。模型所得的结果充分说明，被调用次数多的库所反映了目标任务对驾驶员特定方面的要求高，而转移Token数量大的任务环节则反映了驾驶员需要更高的作业胜任力才能保证安全运行。为提高驾驶员作业胜任力，管理者可以对关键环节加以重点培训，同时，可以采取相应培训方法加强驾驶员保持注意力的能力。管理者也可以根据划分的不同阶段，采用主观评价法或生理测量法作为辅助，选择一个或连续数个重点的阶段进行驾驶员资源应用情况的第三方观察研究。本文也期待为工作负荷、工作绩效以及行为安全等多方面的研究提供参考。