ЦИФРОВЫЕ ИНСТРУМЕНТЫ СОВЕРШЕНСТВОВАНИЯ НОРМИРОВАНИЯ ТРУДА РАБОТНИКОВ ЛОКОМОТИВНЫХ БРИГАД ОАО «РЖД»

DIGITAL TOOLS FOR IMPROVING LABOUR RATIONING OF TRAIN CREW WORKERS AT JSC RUSSIAN RAILWAYS

Maksimenko Roman Mikhailovich

Student, Russian university of transport (MIIT),

Russia, Moscow

АННОТАЦИЯ

Хронометраж и фотография рабочего дня плохо применимы к труду локомотивной бригады: наблюдение ведётся в кабине движущегося локомотива на протяжённом участке пути при жёстких требованиях безопасности движения. Цель статьи - систематизировать цифровые инструменты нормирования труда локомотивных бригад по цепочке от сбора данных до актуализации норм, разграничив практику ОАО «РЖД», решения из научной литературы и авторские предложения. Метод - анализ действующей нормативной базы компании и публикаций 2020-2025 годов. Видеонаблюдение уже закреплено внутренним документом ОАО «РЖД» как метод изучения затрат рабочего времени наравне с хронометражем; распознавание движений и речи методами искусственного интеллекта представлено пока в научных публикациях. Результат может использоваться при разработке методики нормирования труда локомотивных бригад в выпускной квалификационной работе.

ABSTRACT

Time-and-motion study and workday photography fit poorly with train crew work performed in a moving locomotive cab under strict safety requirements. The aim is to systematise digital tools for train crew labour rationing along the chain from data collection to standard updating, distinguishing JSC Russian Railways practice, solutions from scientific literature, and the author's proposals. Method: analysis of the current regulatory framework and 2020-2025 publications. Video surveillance is already fixed by internal regulation as a method of studying working time, while AI-based motion and speech recognition remains at the research stage. Results may be used in developing a labour rationing methodology within a graduate thesis.

Ключевые слова: нормирование труда, локомотивные бригады, изучение затрат рабочего времени, цифровые инструменты, компьютерное зрение, ЕК АСУТР, искусственный интеллект.

Keywords: labour rationing, train crews, study of working time expenditure, digital tools, computer vision, unified corporate human resources management system, artificial intelligence.

Норма времени машиниста опирается на фактические затраты времени по операциям поездки, а хронометраж здесь сложнее, чем на стационарном месте: наблюдатель не может свободно перемещаться по кабине, поездка растянута на десятки километров, а состав операций варьируется сильнее из-за профиля пути, погоды и состояния локомотива. Требования безопасности ограничивают само наблюдение - посторонний в кабине отвлекает бригаду, - что формирует запрос на дистанционные и автоматизированные способы получения данных. Положение о системе нормирования труда в ОАО «РЖД» [4] отвечает на этот запрос, относя видеонаблюдение к самостоятельным методам изучения затрат времени наравне с хронометражем; корпоративная ЕК АСУТР [4] и более ранние Методические рекомендации [3] обеспечивают организационную основу таких наблюдений.

Дальнейшая автоматизация обработки этих данных описана в научной литературе, а не закреплена как повсеместная практика: Штехин С.Е. с соавторами представили алгоритм распознавания движений человека компьютерным зрением именно в задаче нормирования рабочего времени[6], Смолин И.Ю. с соавторами предлагают обрабатывать несколько источников - видеоряд и речь - методами искусственного интеллекта вместо одного канала действующей системы [5], а Ануфриева И.Ю. связывает построение микроэлементной нормативной базы с автоматизированными программами и графоаналитическим методом расчёта норм [1], позволяющим получать норму расчётным путём без нового наблюдения. Переход от данных к норме описывается цепочкой сбор - обработка - анализ - расчёт - контроль - актуализация; для машиниста она формализуется так:

Тф = Σ ti, Кн = Тн / Тф,

где Тф - фактические затраты времени по данным наблюдения;

ti - затраты на i-й элемент операции;

Тн - действующая норма;

Кн - коэффициент напряжённости нормы.

При устойчивом отклонении Кн от единицы норма требует пересмотра, и такой контроль стоит вести регулярно, а не только планово; значения Тф и Тн не приводятся, поскольку зависят от операции, серии локомотива и участка обращения, не заданных условием статьи.

Применение этих инструментов ограничено: видеозапись или речь фиксируют факт действия, но не всегда отделяют нормальное выполнение от вынужденного отклонения, а Ануфриева И.Ю. и Гражданкина О.А. отмечают неравномерную проработку нормативно-методической базы по отраслям и категориям персонала [2] - труд локомотивных бригад как раз тот случай, где готовых решений меньше. Условия работы бригад несопоставимы напрямую, перенос показателей без поправки исказит норму, а безопасность движения ограничивает состав фиксируемых данных. Штехин С.Е. и Смолин И.Ю. с соавторами [6],[5] не приводят данных о применении технологии именно к локомотивным бригадам, так что перенос с других категорий персонала требует отдельной проверки; механический перенос цифрового показателя в норму без экспертной проверки способен закрепить сложившуюся, но не обязательно рациональную практику. Дальнейшая работа предполагает применение этой систематизации к данным конкретного эксплуатационного локомотивного депо в рамках выпускной квалификационной работы.

Список литературы:

1. Ануфриева, И. Ю. Микроэлементное нормирование труда в условиях цифровизации : отечественный и зарубежный опыт / И. Ю. Ануфриева // Экономика Профессия Бизнес. - 2021. - № 3.
2. Ануфриева, И. Ю. Управленческое и техническое нормирование труда : современные реалии и перспективы развития / И. Ю. Ануфриева, О. А. Гражданкина // Экономика Профессия Бизнес. - 2023. - № 2. - С. 5–14. - DOI: 10.14258/epb202315.
3. Методические рекомендации по изучению затрат рабочего времени в структурных подразделениях ОАО «РЖД» : утв. распоряжением ОАО «РЖД» от 10 апреля 2018 г. № 717р.
4. Об утверждении Положения о системе нормирования труда в ОАО «РЖД» : распоряжение ОАО «РЖД» от 15 января 2024 г. № 64/р.
5. Смолин, И. Ю. Нормирование труда с применением искусственного интеллекта / И. Ю. Смолин, А. А. Любченко, А. В. Стадник // Автоматика, связь, информатика. - 2025. - № 10. - С. 27–29. - DOI: 10.62994/AT.2025.10.10.006.
6. Штехин, С. Е. Разработка алгоритма распознавания движений человека методами компьютерного зрения в задаче нормирования рабочего времени / С. Е. Штехин, Д. К. Карачёв, Ю. К. Иванова // Труды Института системного программирования РАН. - 2020. - Т. 32, № 1. - С. 121–136. - DOI: 10.15514/ISPRAS-2020-32(1)-7.