地铁司机应急处置绩效影响因素研究

李志强

深圳地铁运营集团有限公司

摘要：本文从地铁司机应急处置作业出发，通过作业分析法在应急处置模拟实训室中对各应急处置作业的模拟成绩数据进行采集，基于提出的应急处置绩效分类方法对采集的数据进行处理与分析，随后构建应急处置作业的影响因素体系并筛选不同应急处置作业的绩效重要影响因素，最后通过分类模型对绩效的预测情况进行评价，为提升地铁司机应急处置绩效提供依据和建议。

关键词：地铁司机；应急处理

1 引言

地铁运营过程中，设备故障、恶劣天气、突发事件、行车事件等各项非正常条件不可避免地会影响列车正常运行，甚至威胁到乘客安全。在故障应对措施中，司机应急处置能力是最后一道防线。地铁司机应急处置作业是由多个复杂作业组成的危险任务，在应急场景下司机需要准确、及时地进行应急处置作业，其应急处置绩效直接影响到列车能否尽快恢复安全运营。因此，研究影响应急处置绩效的因素、有针对性地对司机进行可提升应急处置绩效的相关知识技能的培训，对降低事故风险、提高地铁运营安全具有重要意义。

2 地铁司机应急处置

2.1 地铁司机应急处置作业

地铁司机应急处置是指针对行车过程中发生的设备故障、恶劣天气、突发事件、行车事件等非正常情况做出迅速、有效的响应并果断采取相应措施：首先接收故障现象的感官刺激，随后判断和识别故障类别，最后做出反应排除故障，即刺激、决策及反应3个阶段。地铁司机在刺激阶段调用视觉、听觉资源进行处置操作，在决策阶段调用认知资源进行处置操作，在反应阶段调用动作资源进行处置操作。

2.2 地铁司机应急处置绩效

将地铁司机应急处置绩效按照效果、效率2个维度进行分类，分别采用应急处置模拟成绩中的错误次数、耗时进行量化。横坐标和纵坐标分别表示每个司机多次完成每项应急处置作业的经标准化处理后的平均错误次数、平均耗时。迟钝型绩效表现为平均错误次数多、平均耗时长，司机处置效果、效率都差；谨慎型绩效表现为平均错误次数少、平均耗时长，司机处置效果好但处置效率差，在应急处置作业中需要较长时间才能确保安全；机敏型绩效表现为平均错误次数少、平均耗时短，司机处置效果好、效率高，能够准确且迅速完成应急处置作业；轻率型绩效表现为平均错误次数多、平均耗时短，司机处置效率高但效果差，即虽然能够迅速完成，但失误率较高，无法确保运营安全。

2.3 地铁司机应急处置绩效实验

应急处置模拟实训室是模拟仿真完整故障工况的实训场所，可供司机开展应急处置作业实操训练，并能够采集导出实操训练的错误次数和耗时2个行为绩效指标。

为研究不同应急处置作业中的应急处置绩效，本文借助应急处置模拟实训室开展实验设计与分析。选取某地铁线路常见的几项应急处置作业进行分析，其任务编号及全称为：人机界面（HMI）显列车牵引故障-1(C16）、切门控开关门-2(J01）、排故重点操作（J02）、切门控开门（J03）、车门类故障识别（J04）、弓网高开类故障识别（J06）、故障识别和排故重点-1(J13）。

本次实验共采集到28名地铁司机的实训数据。其中，机敏型绩效占比最高；谨慎型绩效占比其次；迟钝型绩效和轻率型绩效均占比较小。

3 地铁司机应急处置绩效影响因素分析

3.1 地铁司机应急处置绩效影响因素

为量化驾驶经验因素、规章服从性因素、理论知识因素，分别以安全系数、危险系数、核证成绩作为量化标准；为量化职业适应性因素，以维也纳心理测试系统（Vienna Psychological Test System,VTS）测评的整体视野度数、正确拒绝的平均时间、点击平均时间、正确反应数、错误反应数、遗漏反应数、总体平均持续时间、总体平均差错时间、平均反应时间、平均运动时间、正确总数、正确反应平均时间、错误总数这13个指标数据结果作为衡量职业适应性的标准，在实验时28名地铁司机完成全部相关职业适应性测试，由VTS后台记录每位司机各项职业适应性指标。

3.2 地铁司机应急处置绩效重要影响因素指标筛选

3.2.1 相关性分析

对16个绩效影响因素指标数据进行标准化处理，分析每个应急处置作业的平均错误次数、平均耗时与重要影响因素之间的皮尔逊相关系数。

不同作业的应急处置绩效的重要影响因素不同。例如，作业C16的平均错误次数的重要影响因素为正确反应平均时间（r=-0.548,p=0.003）；平均耗时的重要影响因素为安全系数（r=-0.388,p=0.041）、理论知识（r=-0.404,p=0.033）、正确拒绝的平均时间（r=-0.381,p=0.045），其中，r表示皮尔逊相关系数，p值表示显著性水平。即作业C16的应急处置绩效的重要影响因素为正确反应平均时间、安全系数、理论知识、正确拒绝的平均时间。

3.2.2 随机森林特征重要性分析

随机森林特征重要性是一种特征重要程度评估方法，以gini指数等评价指标来度量特征对预测结果产生影响的重要程度大小。本文将16个经标准化的影响因素指标数据作为输入参数、各应急处置作业的绩效作为输出参数建立随机森林模型，得到各应急处置作业的基于随机森林特征评价的绩效影响因素特征重要性得分结果，筛选排序前三的影响因素作为重要影响因素，并与相关性分析结果共同绘制影响因素对比图，最终筛选出16项输入指标中的15项重要影响因素指标与其对应的应急处置作业绩效。其中，线条粗细表示各应急处置绩效与重要影响因素的相关系数大小或特征重要性大小。

由于皮尔逊相关系数为2个变量之间的协方差和标准差的商，随机森林特征的重要性为衡量特征在决策树上的贡献，故两种影响因素指标筛选结果存在差异。但是，存在相同影响因素筛选结果的有：C16作业下的正确拒绝的平均时间、J02作业下的安全系数、J04作业下的安全系数和平均反应时间、J06作业下的平均运动时间、J13作业下的正确总数和遗漏反应数。

4 基于机器学习算法的地铁司机应急处置绩效分类

为探究应急处置作业绩效影响因素与应急处置绩效分类结果的映射关系，即影响因素如何预测与评价绩效分类结果，分别应用支持向量机（SVM）和随机森林（RF)2种机器学习算法，选取70%的样本作为训练集，30%的样本作为测试集。其中，SVM是可对数据进行二元分类的广义线性分类器，属于监督学习算法，且可较好地解决小样本的学习分类问题，本文设定线性核函数（Linear）对SVM进行构建训练；RF是含有多种决策树的一种分类器，它在综合所有决策树的独立预测结果后基于投票方式决定待分类变量的类别，其输出类别取决于各个决策树输出类别的众数。本文通过设定模型各参数对随机森林进行构建训练，其中，设定gini为节点分裂评价准则，决策树数量为100。

5 结论及建议

(1）基于应急处置作业绩效在处置效果、效率2个维度的分析得出机敏型驾驶员较多，即错误次数较少、完成作业耗时较短，表明大部分司机的应急处置作业适应性较高；对4类绩效表现的司机分别设置有针对性的培训内容及提供个性化的培训方案，重点对应急处置绩效表现为迟钝型、轻率型的地铁司机加强相关讲解、演练与培训，避免运营风险。

(2）有针对性地加强地铁司机的应急处置能力，形成包括驾驶经验因素、规章服从性因素、理论知识因素和职业适应性因素的绩效影响因素评价体系，通过构建应急处置绩效的影响因素体系，并筛选验证得出安全系数、遗漏反应数等因素对应急处置绩效影响程度较大，证明得到筛选重要影响因素后能够有效提高分类模型的准确性，可从重要影响因素入手提升地铁司机应急处置能力。通过挖掘地铁司机进行各应急处置作业中的绩效重要影响因素，有针对性地对司机进行重点培训与考核。

参考文献

[1] W. H. Ng. Thomas, C. Daniel, Feldman. The relationship of age to Ten dimensions of job performance[J]. The Journal of Applied Psychology,2008,93(2):392-423.

[2] M. Maghsoudipour, R. Moradi, S. Moghimi, et al.Time of day, time of sleep, and time on task effects on sleepiness and cognitive performance of bus drivers[J].Sleep and Breathing,2022,26(4):1759-1769.