基于多資源理論的地鐵司機人誤模式分析

程雨 王奮 劉志鋼

摘? 要：為有針對性地預防地鐵司機人因失誤，文章構建了基于多資源理論的地鐵司機人誤模式分析模型。首先建立了基于VACP量表的地鐵司機人誤模式分類表，之后將改進后的量表與層次任務分析法結合構建出包含子任務層、元行為層的地鐵司機人誤模式分析模型。應用所建模型對司機行車相關作業進行分析，結合地鐵公司實際作業安全檢查結果驗證了模型的正確性和合理性。根據地鐵公司近年運營安全事件調查材料，應用灰色關聯分析法計算出人誤形式與運營安全事件的關聯度，發現“手動操作失誤”、“連續調整失誤”、“事件狀況/發展判斷失誤”三類人誤與運營安全事件的關聯度最高，為運營安全管理人員的管控側重方向提供了建議。

? 關鍵詞：地鐵司機;多資源理論;人誤模式;灰色關聯分析法

? 中圖分類號：F560? ? 文獻標識碼：A

Abstract： In order to prevent human error of subway drivers， this paper constructs an analysis model of human error mode of subway drivers based on multi resource theory. Firstly， a subway driver human error pattern classification table based on VACP scale is established. Then， the improved scale is combined with hierarchical task analysis to construct a subway driver human error pattern analysis model including subtask layer and meta behavior layer. The model is applied to analyze the driver's driving related operations， and the correctness and rationality of the model are verified by the actual operation safety inspection results of metro company. According to the investigation materials of operation safety events of metro corporation in recent years， the correlation degree between human error form and operation safety events is calculated by using the grey correlation analysis method. It is found that“manual operation error”， “continuous adjustment error”and“event status/development judgment error”have the highest correlation degree with operation safety events， suggestions are provided for the management and control focus direction of operation safety management personnel.

Key words： subway driver; multi resource theory; human error mode; grey correlation analysis

0? 引? 言

? 隨著城市軌道交通的快速發展，北京、上海、廣州等大城市已逐漸形成大規模、超大規模的軌道交通網絡，如何進一步保障地鐵運營安全成為了急需解決的問題。Andrew W. Evans對1980～2009年間歐洲27個國家主要軌道交通線路發生的重大事故進行了分析：除去未知因素，在導致事故發生的眾多原因中，人為因素占74%，即便算上未知因素，人為因素也高達51.6%[1]。即使地鐵相關設施設備的自動化水平已有極大提高，人的功能和作用在地鐵運行中并沒有隨之弱化[2]。在地鐵運行系統中，司機崗位是關鍵的一個組成部分。在列車運行過程中，由于司機在執行作業過程中發生失誤而影響地鐵正常運行的情況時有發生。如2010年廣州地鐵3號線某列車司機在屏蔽門故障后手動解鎖部分屏蔽門進行上下客，之后聽錯OCC值班司機與其的對話，錯誤進行清客，導致乘客出行受到影響。因此，有必要對地鐵司機在執行行車作業時可能產生的人因失誤進行分析，即根據其作業內容和特點分析人誤模式。

? 近年來，國內學者對于地鐵行車作業相關崗位的人因失誤特征開展了廣泛研究。王潔[3]基于層次分析法和多資源理論，提出了一種地鐵行車調度人誤模式的結構化分析方法;林楓[4]采用熵權法確定了行車調度個體和班組的主要人誤影響因素，并利用Petri網模擬地鐵行車調度應急響應過程，對影響地鐵行車調度班組人因失誤的主要影響因素做了進一步分析;王新棟[2]利用多資源理論并結合調度人員工作任務的特點，建立了基于信息加工的地鐵調度人員認知處理模型，從系統論的角度分析調度人員的工作機理，為人誤行為和誘發因素辨識奠定理論基礎。馬偉偉[5]借鑒VACP模型中信息處理資源的要求等級來決定應急處理流程中人的失誤概率，通過計算得出容易發生人因失誤的地方，由此提出地鐵多班組協同作業應對突發事件過程中減少人因失誤的對策建議。多資源理論可以很好地解釋研究對象的認知分配，且適用范圍廣。上述關于任務分析的內容，均引入了多資源理論。Wickens的多資源理論將人的信息處理源分為視覺、聽覺、認知和動作4個部分;所有的任務都可以由這4個處理源下的28種行為要素組成[6]。在交通運輸領域，目前基于多資源理論的人因失誤研究多集中在行車調度崗位，對于地鐵司機人誤模式的分析較少涉及。基于此，本文提出一種基于多資源理論的地鐵司機人誤分析方法。本文基于多資源理論，將司機行車作業進行拆解，確定司機執行作業的資源需求，并結合灰色關聯分析法探究地鐵司機個人因失誤與地鐵運營安全事件之間的關聯度，找出導致運營安全事件發生的主要人因失誤。

1? 地鐵司機人誤模式分析模型構建

1.1? 基于VACP量表的地鐵司機人誤模式分類表。根據多資源理論，人的任何行為任務都可以通過占用視覺、聽覺、認知和動作4類資源通道來完成。由此可將人的失誤行為根據所占的資源通道進行分類，分別為視覺失誤、聽覺失誤、認知失誤和動作失誤。Aldrich提出的VACP模型[7]是多資源理論的主要應用之一，在航空、鐵路等多個領域得到廣泛應用。VACP量表對占用不同資源時的行為進行分類，并對各行為被執行時占用資源通道的程度進行了評分，某項作業占用資源通道評分的總和可用來描述工作復雜度或腦力負荷強度[8]。因此，結合地鐵司機的作業特性將VACP量表進行改進，以描述地鐵司機行車作業的各類行為以及對相應資源通道的占用程度。地鐵司機在執行行車作業時，主要涉及核對道岔和信號燈、監護站臺、閱讀調令保單等視覺行為;主要的聽覺行為有聽取調度命令、緊急情況反應及檢測警報聲、應急排故時進行聽覺反饋等;主要的認知行為有對現狀進行判斷、根據規則與經驗評估操作等;主要的動作行為有與調度、信號樓值班員等進行聯控作業、進行手指呼喚、調整車速、填寫報單等。分析地鐵司機行車作業相關特性，對原VACP表進行取舍與改進，建立基于VACP量表的地鐵司機人誤模式分類表，見表1。表1中涵蓋了地鐵司機在執行作業時占用各資源通道的行為以及該行為占用資源通道的評分。同時表中描述了每個行為對應的人誤形式，并對人誤形式進行了編號。

1.2? 基于多資源理論的地鐵司機人誤模式分析模型。在分析地鐵司機的人誤模式時，首先運用層次任務分析法[9]將其作業拆解為多項子任務，再將各子任務繼續拆解至只占用一類資源通道的元行為[10]。之后可根據表1查詢出該元行為所占用資源的評分以及可能人誤形式。按照上述操作，構建出基于多資源理論的地鐵司機人誤模式分析模型，如圖1所示。

2? 人誤模式分析模型的應用

為驗證所提出模型的有效性，本文提取2020年度某地鐵運營公司司機崗位作業安全檢查數據，得出與作業標準不符合頻率最多的5個作業項：一次出乘、電話閉塞法行車（運營期間電話閉塞運行）、錯開門處置（運營列車站臺錯開門處置）、列車救援（救援連掛）、列車救援（救援連掛列車運行）。對上述5項作業進行人誤模型分析。以錯開門處置（運營列車站臺錯開門處置）為例，應用上文所建的基于多資源理論地鐵司機人誤模式分析模型進行分析，過程如圖2所示。

如圖2所示，對錯開門處置（運營列車站臺錯開門處置）作業進行人誤模式分析。首先將其拆解為6個子任務，分別為關門并向運營調度員匯報信息、開啟站臺側車門、做列車防護措施、車廂外側查看、報單填記、恢復運行等。之后將各子任務各自拆解為若干個元行為，如子任務1關門并向運營調度員匯報信息，將其拆解為元行為1.1（司機關閉非站臺側車門）、元行為1.2（確認車門關閉無夾人夾物，關門燈亮）、元行為1.3（向運營調度員匯報車次、車號、時間、XX站X行、非站臺側車門打開情況及原因）三個元行為。后根據表1分析，地鐵司機執行元行為1.1需占用動作資源通道，占用資源的評分為2.2，元行為1.1可能發生人誤形式為動作失誤類的離散行動失誤。地鐵司機執行元行為1.2需占用視覺資源通道，占用資源的評分為4.0，元行為1.2可能發生人誤形式為視覺失誤類的未進行檢查核對或檢查出錯誤的信息。地鐵司機執行元行為1.3需占用動作資源通道，占用資源的評分為1.0，元行為1.3可能發生人誤形式為動作失誤類的未進行通訊或遺漏信息。對比元行為1.1和元行為1.3，同樣作為動作類行為，司機在執行元行為1.3時僅需要進行語言組織向調度表述現狀;而元行為1.1則需要司機進行視覺監護和情況認知等協調配合，最終落實表現為動作執行。所以元行為1.1對應的離散行為占用資源評分高于元行為1.3。

? 類似的，應用上一節中所建立的地鐵司機人誤分析模型依次對其余四個作業項進行分析，統計出各作業項中的元行為在各資源通道中的得分總和，如表2所示。

在司機進行上述5項作業中，司機主要執行的元行為通常是視覺類和動作類居多。如地鐵司機在完成“一次出乘”作業的過程中，其主要執行的是列車靜態測試、客室檢查、與其他崗位聯控等子任務，除完成設備操作外，更需要密切關注駕駛環境和車輛的變化，這些子任務的元行為多屬于視覺類和動作類。如表2所示，這5項作業對于視覺資源和動作資源要求較高，故地鐵司機執行視覺類和動作類的子任務的工作負荷較高。在實際作業安全檢查中，地鐵司機執行該5項作業時出現的視覺類和動作類失誤的可能性較大。根據該地鐵公司年度作業安全檢查結果，對檢查中上述5項作業出現的失誤次數按類別進行統計如圖3所示。

由圖3可以看出，在實際檢查中，司機的動作類失誤和視覺類失誤占比最高，此結果與前文分析一致;該結果驗證了所建模型的合理性和正確性。因此，本文提出的基于多資源理論的地鐵司機人誤分析模型應用于地鐵司機行車作業人誤類別比重的事前判斷具有一定的合理性和準確性。

3? 人因失誤與地鐵運營安全的關聯度

? 然而在實際的運行過程中，設施設備的制式和狀態復雜多變，地鐵司機面臨的運行環境也時刻發生變化，人因失誤對運營安全的影響也隨實際環境有所變化。因此，本文選取某地鐵公司近年運營安全事件（事故）相關材料，通過分析來探究人誤形式與地鐵運營安全事件（事故）的關聯度。

3.1? 材料分析。應用本文所提模型對材料進行人誤分析和統計，得出歷年運營安全事件（事故）中共發生13類人誤形式，具體數據如表3所示。

3.2? 灰色關聯法分析。為衡量表3中各類人誤形式與運營安全事件關系的強弱、大小和次序，擬采用灰色關聯分析法對上述數據進行分析。灰色關聯分析法主要是分析事物之間不確定的關聯關系，以及各因子對主行為之間的不確定關聯關系。其旨在依據序列曲線的幾何形狀的相似程度來研究比較序列與參考序列之間的關聯程度的大小。當序列曲線之間的逼近程度越高，說明其關聯聯系就越緊密。而且各序列曲線在通過關聯度的計算后，可以很容易找出影響目標的主要因子，并根據分析結果做出合理的評價[11]。灰色關聯分析法是按發展趨勢做分析，對樣本量的多少沒有過多的要求，也不需要典型的分布規律，并且計算量小，結果與定性分析結果比較吻合;由于城市軌道交通運營事故數量相對較少，使用該方法能夠滿足計算的準確度要求。具體的計算步驟如下：

3.2.1? 確定分析序列

每年發生的運營事故數量組成參考序列X=X

1，X

2，…，X

n，各類人誤形式在每年發生的運營事故中存在的數量為比較序列X，X，…，X，此時n=6，m=13，由此形成分析數列矩陣，見式（1）。

X

，X

，X

，X

，X

，X

，X

，X

，X

，X

，X

，X

，X

，X

=

（1）

3.2.2? 應用均值法進行無量綱處理

xk=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

處理結果如下：

X

，X

，X

，X

，X

，X

，X

，X

，X

，X

，X

，X

，X

，X

=

（3）

3.2.3? 計算絕對差

Δ=x

k

-xk? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

Δ，

Δ，

Δ，

Δ，

Δ，

Δ，

Δ，

Δ，

Δ，

Δ，

Δ，

Δ=

（5）

然后得出絕對差中的最大值和最小值：

Δmin=minmin

x

k

-xk=0.015? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （6）

Δmax=maxmax

x

k

-xk=4.563? ? ? ? ? ? ? ? ? ? ? ? ? ? ?  （7）

3.2.4? 定義點關聯系數

ζk=γ

xk，

xk=? ? ? ? ? ? ? （8）

式（8）中，ζk為在第k個時刻，比較曲線X對于參考曲線X的相對差值，ζ為分辨系數，這里取0.5， 根據式（8）可得點關聯系數，計算結果如下：

ζ

，ζ

，ζ

，ζ

，ζ

，ζ

，ζ

，ζ

，ζ

，ζ

，ζ

，ζ

=

（9）

3.2.5? 計算關聯度

γ=γx

，

x=∑ζk=∑γx

k，

xk? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （10）

式（10）中，γ為序列x與x的關聯度，其值越大，則說明序列x與x關系越密切。根據上式計算出關聯度如下：

γ

，γ

，γ

，γ

，γ

，γ

，γ

，γ

，γ

，γ

，γ

，γ

=0.779，0.760，0.746，0.734，0.717，0.672，0.672，0.692，0.810，0.764，0.794，0.843，0.857 （11）

? 根據計算，得出13類人誤形式與安全事件發生的關聯度結果，如表4所示。

由表4計算結果可得，對各人誤形式的關聯度進行排序：P4>P3>C5>P2>V1>P1>V2>V3>V4>C1>C4>C3>C2，可以用柱形圖更加直觀的表達各人誤形式與事故之間的關聯度，如圖4所示。

由上述結果可知，該地鐵公司近年的運營安全事件中，“手動操作失誤”、“連續調整失誤”、“事件狀況/發展判斷失誤”三類人因失誤與運營安全事件的關聯度較高，即對運營安全事件發生的貢獻率較高。這三類人因失誤具體對應的作業內容涉及列車排故、調整列車車速、對列車所處情況進行判斷等。結合歷年來的運營安全事件可以看出，列車故障處置、運營突發事件應急處置等需要司機在面對時間壓力的條件下充分調用專業知識儲備，對司機的認知資源要求較高;此類作業也是司機日常培訓和管理的重點。另一方面，隨著自動駕駛技術的普及和應用，司機手動操作涉及調整列車車速的作業客觀上要求司機必須在多變的駕駛環境下嚴格按照操作手冊完成行車作業。

4? 結果討論

? 對于地鐵司機而言，正常行車作業主要以檢查、監護、聯控、列車操作等視覺類和動作類行為組成，即對于視覺資源和動作資源的要求較高。然而在某些應急情況中，地鐵司機需要運用其專業知識對各類情況進行綜合判斷。如地鐵司機在執行列車救援（救援連掛）作業項時，需執行列車當前所處情況判斷、救援要求判斷、救援前的人員情況判斷、連掛條件判斷等多項認知行為。根據表2對于各作業項資源占用的分析，列車救援（救援連掛）作業對于地鐵司機認知資源的要求明顯高于其他作業項。因此，在后續關于地鐵司機的人誤研究中，可圍繞地鐵司機不同類型任務占用資源的不同程度展開。

5? 結? 論

? 本文建立了基于多資源理論的地鐵司機人誤模式分析模型，通過安全檢查數據論證了其合理性和正確性。然后根據地鐵公司運營安全事件調查材料，分析其中存在的13類司機人誤形式，并應用灰色關聯分析法計算出人誤形式與運營安全事件之間的關聯度。依據數據分析結果：司機在列車故障處置、運營突發事件應急處置等過程中發生的“手動操作失誤”、“連續調整失誤”、“事件狀況/發展判斷失誤”三類人因失誤與運營安全事件的關聯度較高。乘務管理部門可對上述三類操作開展針對性的安全管理和培訓，如加強地鐵司機應急排故培訓與演練、對車輛基本操作的掌握等，以更加高效提升運營安全。

? 本文所建模型可以用于地鐵司機作業項的事前判斷，也可應用于事后的調查材料分析，并結合灰色關聯法對人誤安全管控的側重點提供建議。在指導地鐵運營安全管理人員開展安全監督工作方面有一定的借鑒意義，為提出管理和技術方面的改進措施、制定風險控制策略提供依據。

參考文獻：

[1]? Evans A W. Fatal train accidents on Europe's railways： 1980～2009[J]. Accident Analysis & Prevention， 2011，43（1）：391-401.

[2] 王新棟. 面向人機協同的地鐵行車調度模型研究[D]. 北京：北京交通大學（碩士學位論文），2020.

[3] 王潔，方衛寧，苗沖沖，等. 地鐵行車調度員人誤模式結構化分析[J]. 人類工效學，2013，19（1）：55-58.

[4] 林楓. 地鐵行車調度班組人因失誤機理分析及應用[D]. 北京：首都經濟貿易大學（碩士學位論文），2015.

[5] 馬偉偉. 基于復雜網絡的地鐵多班組人因失誤的研究[D]. 北京：首都經濟貿易大學（碩士學位論文），2017.

[6] 裴葉青，金曉萍，宋正河，等. 駕駛員腦力負荷計算系統的設計與實現[J]. 汽車工程，2019，41（11）：1265-1272.

[7]? McCracken J H， Aldrich T B. Analyses of Selected LHX Missionfunctions： Implications for Operator Workload and System Automationgoals[R]. Army Re-search Institute Aviation Research and Development Activity， 1984.

[8]? ALDRICH T B， SZABP S M， BIERBAUM C R. The development and application of models to predict operator workload during system design. In McMillan G R， et al. （Eds.） Applications of Human Performance Models to System Design[M]. New York： Plenum Press， 1989：65-80.

[9] 金微瑕，李宏汀. 人機界面評估之層次任務分析法[J]. 人類工效學，2014，20（4）：84-88，95.

[10] 張漢琪，王傳濤，王超，等. 機械臂遙操作的腦力負荷預測軟件研究及實現[J]. 北京建筑大學學報，2020，36（2）：91-98.

[11] 康毅軍，鄭云水，牛行通. 基于認知行為與灰色關聯分析的非正常情況下接發列車人因失誤分析[J]. 科學技術與工程，2018，18（1）：329-335.