基于SHELL模型与多维Rasch分析的台湾铁路司机风险感知研究：高风险司机特征识别与安全管理策略

为解决铁路安全风险感知难题，研究人员利用台湾铁路数据，结合SHELL（软件-硬件-环境-人件）模型与心理测量学多维Rasch方法，系统评估了列车司机在不同危险场景中的风险感知能力。研究发现部分司机存在高风险倾向，该成果为铁路安全管理者提供了定制化培训依据，方法论可推广至其他铁路系统，有效降低事故概率。

　　

这项研究以台湾铁路系统为样本，创新性地将航空领域经典的SHELL（Software, Hardware, Environment, Liveware）模型引入铁路安全评估，结合心理测量学前沿的多维Rasch分析方法，构建了一套量化评估列车司机风险感知能力的科学框架。通过分析司机在各类危险情境下的反应模式，研究不仅识别出"感知盲区"风险场景，更精准刻画了高风险司机的行为特征谱——比如某些司机在硬件（H）故障判断或人件（L）协作环节存在显著感知缺陷。

令人振奋的是，该研究开发的动态评估模型能让安全主管像"风险雷达"般实时定位高风险个体，并针对性地设计"靶向培训"方案。更妙的是，这套方法论就像可适配的"安全密码"，能快速移植到其他铁路网络。Rasch分析生成的量化指标，相当于为每名司机绘制了"风险热力图"，让管理者能像调校精密仪器般优化整个系统的安全效能。