高速铁路调度工作合理负荷研究

余露虹 秦茂 包蕾 何翔 王韩冬

【摘 要】基于SHEL模型，利用人物分析法，对高铁调度工作进行分析，得到五个工作子模型：监视子模型 、思考子模型 、记录子模型、调整子模型、通信子模型。以此为基础，利用京沪高铁调度所现场调研数据，可得其调度工作的工作负荷，为合理划分区间从而合理划分调度工作负荷提供依旧。

【关键词】高速铁路 行车调度 工作负荷 人员配置 调度区段

【中图分类号】U284 【文献标识码】A 【文章编号】1672-5158（2013）03-0450-01

一、基于SHEL模型的层次分析法

SHEL模型最初由爱德华教授于1972年首次提出，描述了人在安全工作中所处的特殊位置，这个模型由4个元素组成：软件（Software）、硬件（Hardware）、环境（Environment）和人（Liveware），分别用4元素的首字母S、H、E、L来表示。将模型稍作改进，使其适用于高铁行车调度信息量影响因素的分析，改进后的模型见图1-1。的调度区段长度为200-300公里；如果管辖区段内列车对数在60对以下，较合理的调度区段长度为300-400公里；高铁枢纽台应便于调度的掌握，根据列车密度和枢纽复杂程度合理设置。

3.2利用回归方法划分合理区间

列车数量、区段长度两个自变量均与工作负荷这个因变量之间存在较明显的线性关系，且随着区段长度和列车数量的增长，工作负荷也呈增长趋势。列车数量和区段长度这两个自变量之间也并不存在明显线性关系，符合多元线性回归模型的前提条件，因此本文选取多元线性回归模型来对自变量和因变量之间的关系作进一步分析。

多元线性回归模型是研究两个或两个以上的自变量与因变量之间的关系，由于本文中自变量为两个，因此可建立如下模型：

Wbb nb L=++

式中，0b、1b和2b为回归系数，W为工作负荷，n为列车数量，L为区段长度。

3.3回归拟合

本次回归分析采用了京沪高铁、京津城际和石太客专三个调度台7：00-23：00点间的500组数据作为回归样本，并依托SPSS软件对样本数据进行回归拟合。

经过SPSS软件的回归分析后可得相应的回归系数值，其中00.012b =，10.020b =，20.001b =。在输出结果中，可用多重可决系数2

R来判定线性回归的拟合程度，本次回归中20.901R =，可见回归方程可以解释绝大部分的工作负荷变化。在方差分析表中，可用F检验来判断因变量与多个自变量之间整体线性关系的显著性，本次回归中F值为76.945，显著性概率为0.000，说明因变量与自变量之间存在显著的多元线性关系。在回归系数表中，可用t检验来判断每个自变量对因变量产生的显著性影响，常量与两个自变量的显著性概率为0.043、0.000和0.010，均小于0.05，说明各个自变量与因变量之间都有较为显著的线性关系。将各回归系数引入回归方程后可得，0.0120.020.001WnL=++。

四、结论

本文采用任务分析法在对行车调度的作业内容进行详细分类的基础上，建立了工作负荷的模型，并以京沪高铁行车调度为研究对象进行了实例分析。结果表明京沪高铁行车调度个别时段工作负荷较大，影响行车安全。因此，京沪高铁调度台设置两名助理调度来辅助行车调度完成整个调度任务是比较合理的。

参考文献：

[] Mogford R， Guttman J， Morrow S. The Complexity Construct in Air Traffic Control a Review and Synthesis of the Literature[R]. Department of Transportation， Federal Aviation Administration Technical Center， Atlantic City， NJ： 1995

[2] 张智君.主观评定方法在飞行员心理负荷评定中的作用[J].中华航空医学杂志，1994，5（1）：57-59

[3] 郝勇，桑凌志.基于SHEL模型的内河船舶最优化配员研究[J].武汉理工大学学报， 2012，36（2）：351-355