0  引言

当前，制造业正面临人力成本持续攀升与人员高流动性并存的行业态势，这一背景凸显了“人”在生产系统中的核心价值。一方面，企业用工成本逐年上升，表现为平均工资的稳步增长，如图1所示。另一方面，一线员工年度平均流失率达16%，新员工一年内离职比例接近22%，不仅推高了新人培养成本，更造成核心生产经验的快速流失。上述趋势清晰表明，“人”已成为影响企业成本控制、生产稳定性与核心竞争力的关键生产要素。因此，对员工劳动强度、健康状态及工作效率开展科学量化、优化与精细化管理，已成为提升人力资源价值、保障企业可持续发展的必然要求。而劳动价值衡量，尤其是对劳动强度的科学量化，是衔接“人本管理”理念与企业实践的重要纽带。

图1 中国制造业平均年薪

然而，制造业长期以来普遍采用以“劳动时间”为主要依据的劳动价值衡量方式，该模式难以反映不同岗位在身体负荷、用力需求、环境影响、搬运操作与行走距离等方面的差异，无法准确呈现劳动者的实际负荷水平，易引发“同酬不同工”等结构性不公平问题，给企业的人员满意度与管理稳定性带来潜在风险。

从方法学角度来看，劳动强度的科学量化面临两方面挑战：一是劳动强度受身体姿势、作用力、手工搬运、步行总距离以及不利作业因素等多维要素共同影响，具有天然的多维复杂性；二是现有工效学评价工具在维度覆盖、计算复杂度和岗位适配性方面存在局限。工效学评估方法如OWAS（Ovako Working Posture Analysis System）、RULA（Rapid Upper Limb Assessment）等主要关注单一姿势维度；AAWS（Automotive Assembly Worksheet）等多维度方法虽覆盖较多因素，但对动态工况的描述仍显不足。相关标准如ISO11226与GB/T31002.1—2014对部分作业要素给出了规范化评价方法，但各要素往往被独立评估，尚缺乏适用于整车制造等具有多工序、多动作、多环境特征的岗位的系统化综合评价方法。此外，步行距离、节拍变化等动态负荷指标在现有方法中缺少系统分析，难以全面呈现岗位的实际劳动强度。

在工业5.0背景下，制造系统正由“效率优先”向“以人为中心”转变，强调在智能化基础上进一步提升员工的健康、价值、安全与福祉。在此背景下，构建具有科学性、系统性与可操作性的劳动强度评价体系，不仅是工效学研究的重要方向，也是智能制造、人因工程与精益管理协同发展的现实需求。

基于此，本文提出一种面向制造业岗位的多维度劳动强度评价方法。该方法从身体姿势、作用力、手工搬运、不利因素与步行距离五个维度构建综合评价体系，并引入基于岗位类型的动态权重机制，以适配不同工种的劳动负荷特征。通过在汽车制造企业的应用实践，验证了该方法在劳动强度识别、岗位优化与管理决策支持方面的可行性与价值，以期为工业5.0时代以人为本的劳动强度管理提供参考方案。

1 劳动强度评价.模型建立

为实现对制造业岗位劳动强度的系统化、结构化与量化评估，本文构建了一套涵盖上述五个维度的劳动强度综合评价框架。该框架通过统一的指标体系、权重机制与量化方法，实现了岗位劳动负荷的整体性、可比性与可追溯性综合评估，如图2所示。

图2 多维度劳动强度方法体系总览

1.1 五个维度评价指标体系

劳动强度由多类作业要素共同决定，任何单一指标均不足以反映岗位的整体劳动负荷水平。基于对整车制造作业流程与岗位差异的系统分析，本文将劳动强度拆解为五个核心维度：身体姿势、作用力、手工搬运、不利因素和步行距离。五个维度既相互独立，又共同构成岗位劳动负荷的综合表征，如图3所示。

图3 五个维度示意

其中，身体姿势、作用力与手工搬运三个维度基于EAWS（Ergonomic Assessment Worksheet）的评价原则构建，以保证量化逻辑的科学性、严谨性与可对比性；不利因素与步行距离两个维度则结合整车装配现场的典型工况，由本文提出符合制造企业实际特征的自主评价标准，用于弥补传统工效学方法在动态能量消耗、步行距离及环境干扰等方面的覆盖不足，最终形成适用于制造场景的完整劳动强度评价方法。

（1）身体姿势评价维度

身体姿势评价用于反映作业过程中躯干与四肢姿态偏离中立位所产生的肌肉骨骼负荷。该维度基于EAWS对不良姿势的分类与赋分原则，对躯干前屈、躯干扭转、下蹲、跪姿和上肢高举等典型高负荷姿态进行识别，并结合姿态在作业节拍内的持续时长进行量化计算。

在评价流程上，根据姿态类型匹配EAWS对应的基础分值，再按照实际持续时间计算最终得分。姿态偏离越大、持续越久，最终得分越高。该维度输出的单个周期姿势负荷分值可作为综合劳动强度评价的基础输入。

（2）作用力评价维度

作用力评价维度用于反映员工在装配及操作过程中所承受的外部载荷，并量化其对上肢与躯干产生的生理负荷。该维度遵循EAWS中“作用力大小—持续时间”的双因素评价逻辑，对手指用力和全身用力两类典型场景进行统一评价。

在评价流程上，首先根据作业姿态（如站立、坐姿、屈臂和上举等）确定人体在该姿态下的最大可承受作用力；随后将实际作用力换算为占该姿态下最大可承受力的比例区间，以此作为负荷等级依据。用力越大、单次持续时间越长，对应的负荷得分越高。该维度能够有效识别工序中可能存在的过度用力风险，为作业节拍优化、工具改善与助力装置配置提供数据支撑。

（3）手工搬运评价维度

手工搬运维度用于反映员工在取放、搬运、持重及推拉过程中所产生的体力负荷。该维度依据EAWS的“载重—姿势—作业条件—频次/持续时间”评价逻辑，对“取放/搬运/持重”与“推拉”两类作业进行量化。

评价时先根据载重或推拉用力确定基础负荷，再结合前屈、扭转等姿势因素、地面摩擦等作业条件，以及搬运频次与持续时间计算最终负荷得分。载重越大、姿势越不利、地面条件越复杂、频次与持续时间越长，得分越高。该维度可用于识别高风险搬运岗位，为物流路线改进及搬运辅助设备应用提供依据。

（4）不利因素评价维度

不利因素评价用于反映除姿势、用力与搬运外，由工艺特性、操作限制或作业环境引发的额外身体负荷。该维度基于制造现场典型高负荷作业场景构建，重点关注对人体产生持续性或累积性影响的作业场景。

该维度主要覆盖以下几类不利作业情形：一是肢体极限姿态负荷（如强仰头、极限伸展等）；二是操作限制负荷（如因防护用品佩戴导致的活动受限）；三是局部机能负荷（如振动工具使用、高精度装配及长时间目视检测）；四是重复冲击负荷（包括频繁上下台阶或连续敲击引发的冲击性负荷）；五是高频重复作业负荷，即长期高频重复动作易引发的局部组织累积损伤。

在评价逻辑上，按不利因素的强度、持续时间及其在节拍中的占比等因素进行综合判定。不利因素越多、持续越久、负荷越强，得分越高。该维度弥补了传统工效学方法对工艺约束类负荷的覆盖不足，使评价结果更贴合生产实际。

（5）步行距离评价维度

步行距离评价用于表征员工在完整作业周期内因岗位流程与工位布局产生的动态能量消耗。该维度以“日累计步行距离”为核心指标，用于反映步行对岗位整体劳动负荷的影响。

在评价方法上，通过工艺文件、现场测量或仿真分析获取单个周期步行距离；结合岗位节拍与班次时长计算日累计距离；随后按步行距离区间赋予相应负荷分值。步行距离越长，动态能量消耗越大，对应得分越高。该维度解决了传统工效学工具难以反映空间布局与作业路径影响的问题，使不同岗位具备更高可比性。

为便于明确五个评价维度在实际应用中的评分方式，本文对各维度的典型指标及其赋分逻辑进行了归纳整理，并节选部分评分样例，如表1所示。

1.2 差异化权重分配机制

为解决不同岗位劳动强度构成差异的问题，本研究在多维度评价基础上引入差异化权重分配机制，对各维度得分进行动态加权与综合计算，实现岗位劳动强度的差异化综合评估。首先，将身体姿势、作用力、手工搬运及不利因素四个维度的得分加总形成“身体负荷综合分数”；随后与步行距离得分按对应权重加权合成，得到岗位劳动强度总分。其计算模型如下：

式中，Q表示岗位劳动强度总分；Q₁～Q₅分别对应身体姿势、作用力、手工搬运、不利因素及步行距离五个维度的劳动强度得分；ω₁表示身体负荷权重，ω₂表示步行负荷权重，且满足ω₁+ω₂=1。当计算结果Q>100时，记为Q=100。

在权重配置原则上，不同类型岗位在劳动强度的构成上存在显著差异：部分岗位以精细装配、局部用力为主，身体负荷占比更高；而部分岗位则以巡检、物料搬运或频繁移动为主，步行负荷占比较大。基于此，本文依据典型岗位特征构建了多类型岗位的权重模板，并允许在实际应用中根据节拍、操作复杂度与作业频次进行适度微调。

通过差异化权重分配机制，劳动强度评价方法得以在统一框架下兼顾岗位差异，使装配、物流、检测等多类型岗位的劳动强度在同一量纲下实现客观可比的综合评估，为岗位分级、工艺优化及人力资源配置提供可靠依据。不同岗位类型对应的权重差异如图4所示。

图4 不同岗位类型对应的权重差异示意

1.3 分级评价模型构建

在完成五维度得分计算并通过动态权重算法获得岗位劳动强度总分后，本文进一步构建了劳动强度分级模型。该模型用于实现岗位层面的风险可视化呈现，为企业提供明确的劳动强度风险识别依据。

分级评价采用固定分值区间策略，将岗位劳动强度总分Q划分为三个风险等级，如图5所示，用于反映员工在岗位作业中可能承受的身体疲劳程度及潜在健康风险。具体分为三个级。

图5 劳动强度风险分级示意

（1）低风险岗位（0～25分）：作业强度较低，员工长时间连续作业亦不会产生明显身体负担。

（2）中风险岗位（25～50分）：作业过程中会产生一定程度的身体疲劳，但通常可通过常规休息在班后完全恢复，对员工长期健康影响较小。

（3）高风险岗位（＞50分）：员工处于较高身体负荷状态，疲劳累积显著，存在较高的肌肉骨骼损伤风险，需优先开展岗位优化、轮岗设计或引入辅助工装等改善措施。

该分级模型为岗位设计、劳动强度均衡及人力配置决策提供了直观而量化的判断依据，使企业能够在组织层面实现劳动强度的主动识别与预防性控制。本章通过指标体系、评分机制、动态权重与分级模型的构建，形成了完整的劳动强度综合评价方法体系，为后续的数据采集流程设计与现场应用验证奠定了方法基础。

2 劳动信息采集方法

劳动信息采集是多维度劳动强度评价体系的基础环节，其目标是在不影响正常生产的前提下，对岗位的姿态动作、用力大小、搬运负荷、不利因素以及步行路径等关键劳动参数进行全面、准确的量化记录。本研究构建了标准化的采集流程，以确保所获取的数据具备一致性、可比性与工程适用性，为后续的多维度评分、权重匹配及风险分级提供可靠输入，如图6所示。

图6 数据采集流程

2.1 身体姿势数据采集

身体姿势数据主要来源于视频拍摄与现场观察。拍摄设备固定在可覆盖完整操作区域的位置，对员工一个或多个标准节拍中的典型姿态（如站立、弯腰、扭转或高举等）进行连续记录。通过视频分析提取各姿态的出现频次与持续时间。对于因拍摄角度受限而无法准确识别的部分姿态，则由现场观察进行补充确认，以确保姿态数据的完整性与精度。

2.2 作用力数据采集

作用力数据依托测力计等力学测量设备获取。对于可直接测量的动作（如按压、拧紧和推拉等），通过测力计记录典型节拍下的实际施力值；对于难以直接测量的施力场景，则结合工艺文件的用力值要求、产品装配规范以及相似零件的实测数据进行校准与推算，形成与工程实际一致的作用力输入数据。

2.3 手工搬运数据采集

手工搬运数据主要包括搬运重量、搬运方式及搬运姿势。搬运重量优先依据零件信息表确定；若现场重量与工艺文件存在偏差或数据缺失，则通过便携式电子秤进行核实。搬运方式与姿势通过视频分析提取，包括单手/双手搬运方式、抬举高度、负重路径、转体动作等，同时结合现场确认了解地面条件等对搬运负荷具有影响的因素，确保数据反映真实作业环境。

2.4 不利因素数据采集

不利因素通过视频回放与现场观察相结合的方式进行记录，重点捕捉对劳动强度具有叠加效应的工艺特性与环境限制，包括身体极限姿态、防护装备佩戴、振动工具使用、频繁敲击、高精度装配要求等。对其出现频次、持续时间及节拍占比进行量化，为不利因素维度的评分提供数据依据。

2.5 步行距离数据采集

步行距离数据通过工艺文件、可穿戴设备和虚拟仿真共同获取。首先基于工艺文件确定岗位的理论移动路径，再利用手环等可穿戴设备记录员工在完整工作日内的实际移动距离，同时通过虚拟仿真对关键路径进行复核，以减少因现场布局复杂性导致的估计误差，最终获得稳定可信的移动距离数据。

3 方法应用与效果分析

为验证多维度劳动强度评价方法的适用性与有效性，本研究将所构建的模型应用于某整车工厂总装内饰区域，对两款车型共378个岗位开展系统性劳动强度评估。评估结果显示，整体高负荷岗位占比为7.14%，表明在当前工艺布置与节拍条件下，仍存在一定比例的劳动强度偏高岗位。

进一步按线体拆分后发现，高负荷岗位主要集中在内饰1线与内饰2线，其占比分别为11.10%和7.07%；相比之下，内饰3线和内饰4线的高负荷比例较低。这一差异与四条线体在工艺布局、节拍设定、零件特性及作业方式上的不同具有高度一致性，说明劳动强度评价结果能够有效反映线体间真实的工艺差异，如表2所示。

从五个维度的单项风险分析结果来看，“身体姿势”是劳动强度总分的主要贡献因素，共有74个岗位在该维度达到中高风险（单项得分大于25分），显著高于其他维度；其次是“步行距离”维度，共23个岗位表现为中高风险（依据企业内部评价标准，日均移动距离超过15km）。单维度风险统计结果如图7所示。

图7 单维度中高风险岗位数量分析

为进一步验证模型对改善方向的指引价值，本研究选取典型高负荷岗位开展专项改善。以尾门零部件安装岗位为例，该岗位存在高抬手、长时间保持不良姿势等问题。通过配置拉绳工具降低操作高度，使劳动强度总分Q从71分下降至59.7分；进一步通过人岗匹配（安排身更匹配的员工作业），得分可进一步降至47分，实现由高风险向中风险的显著改善。

该案例表明，基于多维数据采集与动态权重融合的评价模型能够准确识别高负荷来源，并为改善策略提供量化依据。改善前后的对比如表3所示。

综上所述，本方法不仅能够系统性呈现复杂装配场景下劳动强度的多维度特征，还可准确定位高负荷成因，并可对改善措施的效果进行量化验证，为制造企业在岗位设计、工艺优化、人岗匹配及资源配置等方面的科学决策提供强有力支撑。

4 结语

本研究构建了基于多维度评价、动态权重建模及量化评分体系的劳动强度评价方法，实现了对整车装配岗位劳动强度的系统性、可量化评估。实际应用结果表明，该方法能够有效识别高负荷岗位，揭示劳动强度的关键影响因素，并为工艺优化与作业方式改进提供数据支撑。汽车总装内饰线典型岗位的改善案例进一步验证了模型在定位问题来源和量化改善效果方面的实用性，体现了数据驱动的劳动强度优化策略在工程现场的可操作性与价值潜力。成果契合工业5.0“以人为本”理念，既尊重核心生产要素“人”的价值，也为企业管理提供切实可行的落地路径。

从企业管理实效来看，量化劳动强度有助于优化人员配置、降低员工职业伤害与离职风险，同时提升岗位匹配效率和员工满意度，实现核心人力资源的精细化管理。通过优化岗位流程，企业可有效降低新人培训及人员置换等隐性成本，实现可观的经济效益，充分体现“以人为本”的管理价值。

未来，可通过开发数字化工具实现数据采集、模型计算与改善建议的全流程自动化，并构建标准化改善策略库，实现评价模型与改善知识的深度融合。整合可穿戴设备、虚拟仿真及工艺系统数据，形成实时动态的劳动强度管理链条，为企业提供持续改进的决策依据。该方法有望成为构建以人为本、数据驱动的智能制造系统的重要工具，助力企业在提升生产效率、保障员工健康福祉的同时，实现可持续的经营与成本优化。

参考文献

[1] Tr a di n gE c o n omi c s. C hi n a Av e r a g e Wa g e s i nManufacturing[EB/OL]. https://zh.tradingeconomics. com/china/wages-in-manufacturing[2025-12-29].

[2] 简道云 . 生产执行环节员工流失率高，企业如何留住 核心人才？ [EB/OL]. https://www.jiandaoyun.com/ news/article/68 b96749229 b892 d526991 fa[2025- 12-29].

[3] 廖斌 . 体力劳动强度的多因素综合度量研究 [J]. 人 类工效学，2012，18（4）：61-63，27.

[4] Karhu O, Kansi P, Kuorinka I. Correcting working p o st u r e s i n i n d u st r y: A p r a cti c al m et h o d f o r analysis[J]. Applied Ergonomics, 1977, 8（4）: 199- 201.

[5] McAtamney L, Corlett E N. RULA: A survey method for the investigation of work-related upper limb disorders[J]. Applied Ergonomics, 1993, 24（2）: 91-99.

[6] Winter G, Schaub K, Landau K, et al. Development and validation of ergonomic screening-tools for assembly lines[C/OL]. 16 th World Congress on Ergonomics （IEA 2006 Congress）, 2006.

[7] 王柏村，薛塬，延建林，等 . 以人为本的智能制造： 理念、技术与应用 [J]. 中国工程科学，2020，22（4）： 139-146.

[8] Schaub K, Mühlstedt J, Illmann B, et al. Ergonomic assessment of automotive assembly tasks with digital human modelling and the ‘ergonomics assessment worksheet’（EAWS）[J]. International Journal of Human Factors Modelling and Simulation, 2012, 3 （3/4）: 398-426.

[9] Lorenzini M, Kim W, Ajoudani A. An online multiindex approach to human ergonomics assessment in the workplace[J]. IEEE Transactions on HumanMachine Systems, 2022, 52（5）: 812-823.

本文为“AI汽车制造业”首发，未经授权不得转载。版权所有，转载请联系小编授权（VOGEL100）。本文作者：邓国钦 李程 崔露丹 赵梦龙，单位：蔚来。责任编辑龚淑娟，审核人李峥。本文转载请注明来源：AI汽车制造业