程 雨，王 奋，刘志钢

（上海工程技术大学 城市轨道交通学院，上海 201620）

0 引 言

随着城市轨道交通的快速发展，北京、上海、广州等大城市已逐渐形成大规模、超大规模的轨道交通网络，如何进一步保障地铁运营安全成为了急需解决的问题。Andrew W.Evans 对1980～2009 年间欧洲27 个国家主要轨道交通线路发生的重大事故进行了分析：除去未知因素，在导致事故发生的众多原因中，人为因素占74%，即便算上未知因素，人为因素也高达51.6%。即使地铁相关设施设备的自动化水平已有极大提高，人的功能和作用在地铁运行中并没有随之弱化。在地铁运行系统中，司机岗位是关键的一个组成部分。在列车运行过程中，由于司机在执行作业过程中发生失误而影响地铁正常运行的情况时有发生。如2010 年广州地铁3 号线某列车司机在屏蔽门故障后手动解锁部分屏蔽门进行上下客，之后听错OCC 值班司机与其的对话，错误进行清客，导致乘客出行受到影响。因此，有必要对地铁司机在执行行车作业时可能产生的人因失误进行分析，即根据其作业内容和特点分析人误模式。

近年来，国内学者对于地铁行车作业相关岗位的人因失误特征开展了广泛研究。王洁基于层次分析法和多资源理论，提出了一种地铁行车调度人误模式的结构化分析方法；林枫采用熵权法确定了行车调度个体和班组的主要人误影响因素，并利用Petri 网模拟地铁行车调度应急响应过程，对影响地铁行车调度班组人因失误的主要影响因素做了进一步分析；王新栋利用多资源理论并结合调度人员工作任务的特点，建立了基于信息加工的地铁调度人员认知处理模型，从系统论的角度分析调度人员的工作机理，为人误行为和诱发因素辨识奠定理论基础。马伟伟借鉴VACP 模型中信息处理资源的要求等级来决定应急处理流程中人的失误概率，通过计算得出容易发生人因失误的地方，由此提出地铁多班组协同作业应对突发事件过程中减少人因失误的对策建议。多资源理论可以很好地解释研究对象的认知分配，且适用范围广。上述关于任务分析的内容，均引入了多资源理论。Wickens 的多资源理论将人的信息处理源分为视觉、听觉、认知和动作4 个部分；所有的任务都可以由这4 个处理源下的28 种行为要素组成。在交通运输领域，目前基于多资源理论的人因失误研究多集中在行车调度岗位，对于地铁司机人误模式的分析较少涉及。基于此，本文提出一种基于多资源理论的地铁司机人误分析方法。本文基于多资源理论，将司机行车作业进行拆解，确定司机执行作业的资源需求，并结合灰色关联分析法探究地铁司机个人因失误与地铁运营安全事件之间的关联度，找出导致运营安全事件发生的主要人因失误。

1 地铁司机人误模式分析模型构建

1.1 基于VACP 量表的地铁司机人误模式分类表。根据多资源理论，人的任何行为任务都可以通过占用视觉、听觉、认知和动作4 类资源通道来完成。由此可将人的失误行为根据所占的资源通道进行分类，分别为视觉失误、听觉失误、认知失误和动作失误。Aldrich 提出的VACP 模型是多资源理论的主要应用之一，在航空、铁路等多个领域得到广泛应用。VACP 量表对占用不同资源时的行为进行分类，并对各行为被执行时占用资源通道的程度进行了评分，某项作业占用资源通道评分的总和可用来描述工作复杂度或脑力负荷强度。因此，结合地铁司机的作业特性将VACP 量表进行改进，以描述地铁司机行车作业的各类行为以及对相应资源通道的占用程度。地铁司机在执行行车作业时，主要涉及核对道岔和信号灯、监护站台、阅读调令保单等视觉行为；主要的听觉行为有听取调度命令、紧急情况反应及检测警报声、应急排故时进行听觉反馈等；主要的认知行为有对现状进行判断、根据规则与经验评估操作等；主要的动作行为有与调度、信号楼值班员等进行联控作业、进行手指呼唤、调整车速、填写报单等。分析地铁司机行车作业相关特性，对原VACP 表进行取舍与改进，建立基于VACP 量表的地铁司机人误模式分类表，见表1。表1 中涵盖了地铁司机在执行作业时占用各资源通道的行为以及该行为占用资源通道的评分。同时表中描述了每个行为对应的人误形式，并对人误形式进行了编号。

表1 基于VACP 量表的地铁司机人误模式分类表

1.2 基于多资源理论的地铁司机人误模式分析模型。在分析地铁司机的人误模式时，首先运用层次任务分析法将其作业拆解为多项子任务，再将各子任务继续拆解至只占用一类资源通道的元行为。之后可根据表1 查询出该元行为所占用资源的评分以及可能人误形式。按照上述操作，构建出基于多资源理论的地铁司机人误模式分析模型，如图1 所示。

图1 基于多资源理论地铁司机人误模式分析模型

2 人误模式分析模型的应用

为验证所提出模型的有效性，本文提取2020 年度某地铁运营公司司机岗位作业安全检查数据，得出与作业标准不符合频率最多的5 个作业项：一次出乘、电话闭塞法行车（运营期间电话闭塞运行）、错开门处置（运营列车站台错开门处置）、列车救援（救援连挂）、列车救援（救援连挂列车运行）。对上述5 项作业进行人误模型分析。以错开门处置（运营列车站台错开门处置） 为例，应用上文所建的基于多资源理论地铁司机人误模式分析模型进行分析，过程如图2 所示。

图2 错开门处置（运营列车站台错开门处置） 作业项人误模式分析

如图2 所示，对错开门处置（运营列车站台错开门处置） 作业进行人误模式分析。首先将其拆解为6 个子任务，分别为关门并向运营调度员汇报信息、开启站台侧车门、做列车防护措施、车厢外侧查看、报单填记、恢复运行等。之后将各子任务各自拆解为若干个元行为，如子任务1 关门并向运营调度员汇报信息，将其拆解为元行为1.1（司机关闭非站台侧车门）、元行为1.2（确认车门关闭无夹人夹物，关门灯亮）、元行为1.3（向运营调度员汇报车次、车号、时间、XX 站X 行、非站台侧车门打开情况及原因） 三个元行为。后根据表1 分析，地铁司机执行元行为1.1 需占用动作资源通道，占用资源的评分为2.2，元行为1.1 可能发生人误形式为动作失误类的离散行动失误。地铁司机执行元行为1.2 需占用视觉资源通道，占用资源的评分为4.0，元行为1.2 可能发生人误形式为视觉失误类的未进行检查核对或检查出错误的信息。地铁司机执行元行为1.3 需占用动作资源通道，占用资源的评分为1.0，元行为1.3 可能发生人误形式为动作失误类的未进行通讯或遗漏信息。对比元行为1.1 和元行为1.3，同样作为动作类行为，司机在执行元行为1.3 时仅需要进行语言组织向调度表述现状；而元行为1.1 则需要司机进行视觉监护和情况认知等协调配合，最终落实表现为动作执行。所以元行为1.1 对应的离散行为占用资源评分高于元行为1.3。

类似的，应用上一节中所建立的地铁司机人误分析模型依次对其余四个作业项进行分析，统计出各作业项中的元行为在各资源通道中的得分总和，如表2 所示。

在司机进行上述5 项作业中，司机主要执行的元行为通常是视觉类和动作类居多。如地铁司机在完成“一次出乘”作业的过程中，其主要执行的是列车静态测试、客室检查、与其他岗位联控等子任务，除完成设备操作外，更需要密切关注驾驶环境和车辆的变化，这些子任务的元行为多属于视觉类和动作类。如表2 所示，这5 项作业对于视觉资源和动作资源要求较高，故地铁司机执行视觉类和动作类的子任务的工作负荷较高。在实际作业安全检查中，地铁司机执行该5 项作业时出现的视觉类和动作类失误的可能性较大。根据该地铁公司年度作业安全检查结果，对检查中上述5 项作业出现的失误次数按类别进行统计如图3 所示。

表2 各作业项中元行为占用资源通道的评分情况

图3 实际检查中的失误类别占比

由图3 可以看出，在实际检查中，司机的动作类失误和视觉类失误占比最高，此结果与前文分析一致；该结果验证了所建模型的合理性和正确性。因此，本文提出的基于多资源理论的地铁司机人误分析模型应用于地铁司机行车作业人误类别比重的事前判断具有一定的合理性和准确性。

3 人因失误与地铁运营安全的关联度

然而在实际的运行过程中，设施设备的制式和状态复杂多变，地铁司机面临的运行环境也时刻发生变化，人因失误对运营安全的影响也随实际环境有所变化。因此，本文选取某地铁公司近年运营安全事件（事故） 相关材料，通过分析来探究人误形式与地铁运营安全事件（事故） 的关联度。

3.1 材料分析。应用本文所提模型对材料进行人误分析和统计，得出历年运营安全事件（事故） 中共发生13 类人误形式，具体数据如表3 所示。

表3 某地铁公司近年运营安全事件（事故） 中人因失误统计

3.2 灰色关联法分析。为衡量表3 中各类人误形式与运营安全事件关系的强弱、大小和次序，拟采用灰色关联分析法对上述数据进行分析。灰色关联分析法主要是分析事物之间不确定的关联关系，以及各因子对主行为之间的不确定关联关系。其旨在依据序列曲线的几何形状的相似程度来研究比较序列与参考序列之间的关联程度的大小。当序列曲线之间的逼近程度越高，说明其关联联系就越紧密。而且各序列曲线在通过关联度的计算后，可以很容易找出影响目标的主要因子，并根据分析结果做出合理的评价。灰色关联分析法是按发展趋势做分析，对样本量的多少没有过多的要求，也不需要典型的分布规律，并且计算量小，结果与定性分析结果比较吻合；由于城市轨道交通运营事故数量相对较少，使用该方法能够满足计算的准确度要求。具体的计算步骤如下：

3.2.1 确定分析序列

每年发生的运营事故数量组成参考序列X=[X（1 ）,X（2 ）,…,X（n）]，各类人误形式在每年发生的运营事故中存在的数量为比较序列X,X,…,X，此时n=6，m=13，由此形成分析数列矩阵，见式（1）。

3.2.2 应用均值法进行无量纲处理

处理结果如下：

3.2.3 计算绝对差

然后得出绝对差中的最大值和最小值：

3.2.4 定义点关联系数

式（8） 中，ζ（k ）为在第k 个时刻，比较曲线X对于参考曲线X的相对差值，ζ 为分辨系数，这里取0.5, 根据式（8） 可得点关联系数，计算结果如下：3.2.5 计算关联度

式（10） 中，γ为序列x与x的关联度，其值越大，则说明序列x与x关系越密切。根据上式计算出关联度如下：

根据计算，得出13 类人误形式与安全事件发生的关联度结果，如表4 所示。

由表4 计算结果可得，对各人误形式的关联度进行排序：P4＞P3＞C5＞P2＞V1＞P1＞V2＞V3＞V4＞C1＞C4＞C3＞C2，可以用柱形图更加直观的表达各人误形式与事故之间的关联度，如图4 所示。

表4 关联度计算结果

图4 各人误形式与事故之间的关联度

由上述结果可知，该地铁公司近年的运营安全事件中，“手动操作失误”、“连续调整失误”、“事件状况/发展判断失误”三类人因失误与运营安全事件的关联度较高，即对运营安全事件发生的贡献率较高。这三类人因失误具体对应的作业内容涉及列车排故、调整列车车速、对列车所处情况进行判断等。结合历年来的运营安全事件可以看出，列车故障处置、运营突发事件应急处置等需要司机在面对时间压力的条件下充分调用专业知识储备，对司机的认知资源要求较高；此类作业也是司机日常培训和管理的重点。另一方面，随着自动驾驶技术的普及和应用，司机手动操作涉及调整列车车速的作业客观上要求司机必须在多变的驾驶环境下严格按照操作手册完成行车作业。

4 结果讨论

对于地铁司机而言，正常行车作业主要以检查、监护、联控、列车操作等视觉类和动作类行为组成，即对于视觉资源和动作资源的要求较高。然而在某些应急情况中，地铁司机需要运用其专业知识对各类情况进行综合判断。如地铁司机在执行列车救援（救援连挂） 作业项时，需执行列车当前所处情况判断、救援要求判断、救援前的人员情况判断、连挂条件判断等多项认知行为。根据表2 对于各作业项资源占用的分析，列车救援（救援连挂） 作业对于地铁司机认知资源的要求明显高于其他作业项。因此，在后续关于地铁司机的人误研究中，可围绕地铁司机不同类型任务占用资源的不同程度展开。

5 结 论

本文建立了基于多资源理论的地铁司机人误模式分析模型，通过安全检查数据论证了其合理性和正确性。然后根据地铁公司运营安全事件调查材料，分析其中存在的13 类司机人误形式，并应用灰色关联分析法计算出人误形式与运营安全事件之间的关联度。依据数据分析结果：司机在列车故障处置、运营突发事件应急处置等过程中发生的“手动操作失误”、“连续调整失误”、“事件状况/发展判断失误”三类人因失误与运营安全事件的关联度较高。乘务管理部门可对上述三类操作开展针对性的安全管理和培训，如加强地铁司机应急排故培训与演练、对车辆基本操作的掌握等，以更加高效提升运营安全。

本文所建模型可以用于地铁司机作业项的事前判断，也可应用于事后的调查材料分析，并结合灰色关联法对人误安全管控的侧重点提供建议。在指导地铁运营安全管理人员开展安全监督工作方面有一定的借鉴意义，为提出管理和技术方面的改进措施、制定风险控制策略提供依据。