基于ITFN-DEMATEL的联合收割机驾驶人员关键行为形成因子研究*

吴雪琴，冯海芹

(1. 电子科技大学成都学院计算机学院，成都市，611731； 2. 成都职业技术学院软件学院，成都市，610041)

0 引言

联合收割机作为农业现代化的重要工具，已经被广泛应用于现代农业生产中。随着《国务院关于加快推进农业机械化和农机装备产业转型升级的指导意见》[1]的出台，全国农业机械化率不断提高。2020年农机率达到71.25%，农机总数量(包括：拖拉机、播种机、机动植保机、联合收割机、干燥机、植保无人机、畜牧水产机械)共6 575.08万台，其中联合收割机(包括：稻麦、玉米、大豆)221.75万台，占3.37%[2]。随着农机化的不断深入，农机事故也成为备受关注的重要社会问题，2020年全国共发生农机道路以外的农机事故246起，其中联合收割机114起，高达46.34%[2]。可见，联合收割机在农机道以外的事故率远高于其他农机。

农机事故研究成果中，绝大多数都是以“农机”为笼统研究对象[3-6]，专门针对联合收割机的事故分析很少[7]。技术的进步正促使联合收割机向自动化、智能化的方向快速发展，主要表现为：驾驶室的封闭性、隔热隔音性等改良；工况参数实现液晶数显；控制操作通过电子系统完成；监测装置能进行光、声报警等[8]。驾驶过程的人机交互形式正在从模拟式向数字式转变，早期以模拟式人机交互形式为对象的事故研究结论不再适用于目前的情况。在联合收割机的驾驶劳动过程中，人误行为是导致安全事故的主要原因[4-5]。

大量研究表明，人误行为的主要诱因是作业者所处的情境环境[9-10]。行为形成因子(Performance Shaping Factor，PSF)作为作业情景环境的表征形式，已成为人误研究的重要切入点，而关键行为形成因子的定义则是问题研究的突破口[11-13]，但是该研究范式在联合收割机安全事故分析中还很少见。基于此，本研究将建模分析联合收割机驾驶人员PSF及其相互影响关系，找出关键因子，为联合收割机驾驶作业安全管理提供理论依据。

1 联合收割机驾驶作业PSF体系

1.1 作业特征分析

目前，联合收割机向自动化、智能化的方向快速发展，作业情境可描述为：驾驶员在舒适的驾驶室内，通过液晶信息显示界面获取工况参数(如：水温、油压、发动机转速、负荷大小、谷物多少、脱谷深浅、阻塞故障、停车刹车灯等)，这些信息经过大脑处理后，通过电子操控系统完成转速、滑差率、行驶速度等指令的输出。

可见，联合收割机的驾驶过程正在向数字式人机交互形式转变。驾驶者可视为具有信息接收、处理和输出的机体，驾驶作业已具备典型的脑力劳动特征，属于“脑—体结合”的人机交互劳动形式。

1.2 作业PSF体系

PSF是对人的行为起影响作用的情境环境表征[10]，研究目的及对象的差异均会影响PSF的分类和体系构建[14]。学者们一般采用“某种经典PSF分类方式+特定作业情境特征专家判断”的研究范式定义某种作业环境的PSF体系[12-13]。本研究亦采用该范式。

蒋英杰等[15]以人机交互作业为原型，提出系统化的PSF分类方法。该分类方法将作业情境环境表征为操作者、机器、任务、组织、环境和辅助系统等6个方面，共38个PSF因子。联合收割机驾驶过程属于数字式人机交互形式，与该分类方式作业原型的特征基本一致。

本研究采用系统化的PSF分类方式[15]，结合对联合收割机驾驶作业情境特征研究的文献分析，提出PSF初选因子，见表1。

表1 联合收割机驾驶作业PSF初选因子Tab. 1 Primary PSFs of combine harvester driving operation

甄选30名专家对联合收割机驾驶作业PSF初选因子进行评价。专家组由3类人员构成：(1)具有5年以上工作经验的联合收割机驾驶作业一线人员10名；(2)农机局、站等管理技术人员10名；(3)高校、研究院(所)等农机研究学者10名。

对30名专家进行问卷调查，要求选择表1中对联合收割机驾驶作业安全绩效影响较大的PSF因子，数量不限。回收有效问卷30份，统计问卷中PSF因子的被提及率。

选择提及率高于60%的PSF因子(共19个)，构建联合收割机驾驶作业PSF体系，结果见表2。

表2 PSF因子提及率Tab. 2 Mentioning rate of performance shaping factor

2 联合收割机驾驶作业PSF因果关系分析

2.1 ITFN-DEMATEL方法

决策试验与评价实验室法(Decision Making Trial and Evaluation Laboratory，DEMATEL)是一种运用图论和矩阵工具描述系统构成要素之间关系的有效工具。但是，在分析复杂系统要素之间关系时，描述信息通常具有模糊属性或专家判断要素间关系时存在不确定性，传统DEMATEL方法的有效性会大幅下降[23]。联合收割机驾驶作业PSF因子数量多，彼此之间关系复杂，专家在进行关系判断时存在较高不确定性。

因此，本研究将梯形直觉模糊数(Intuitionistic Trapezoidal Fuzzy Number，ITFN)与DEMATEL方法相结合，分析联合收割机驾驶作业PSF之间的关系。该方法能给予专家直觉偏好的表达途径，规范模糊化过程、影响矩阵计算过程和清晰化过程，提高复杂不确定关系分析的有效性。ITFN-DEMATEL模型总体框架如图1所示。

图1 ITFN-DEMATEL模型总体框架图

2.2 构建专家直觉评分集

设A=(a,b,c,d)是实数集上的一个梯形模糊数，其隶属度函数可表示为uA(x)，非隶属度函数表示为vA(x)[23]，如式(1)和式(2)所示。

(1)

(2)

由此，梯形直觉模糊数可以表示为{[ua,ub,uc,ud],[va,vb,vc,vd]}。

表3 模糊语言变量与梯形模糊数对应关系Tab. 3 Correspondence of linguistic variable and ITFN

由表4可知3名专家对任意2个PSF之间的直觉评分。比如e72={[g4,g4,g3],[g8,g9,g7]}，表明：专家1对f7与f2之间的关系判断结果为：f7对f2的最小可能影响程度是g4，最大可能影响程度是g8；专家2认为f7对f2的最小可能影响程度是g4，最大可能影响程度是g9；专家3认为f7对f2的最小可能影响程度是g3，最大可能影响程度是g7。

表4 专家直觉模糊评分集(f1～f7)Tab. 4 Expert intuitionistic score set(f1～f7)

2.3 直觉关系模糊影响矩阵

(3)

A1+A2={[ua1+ua2-ua1ua2,ub1+ub2-ub1ub2,uc1+uc2-uc1uc2,ud1+ud2-ud1ud2],[va1va2,vb1vb2,vc1vc2,vd1vd2]}

(4)

λA1={[1-(1-ua1)λ,…,1-(1-ud1)λ],

[va1λ,…,vd1λ]}

(5)

考虑工程实践经验的重要性，文章根据专家的实践经验和知识背景，确定了三类专家“作业一线人员、管理技术人员、研究学者”的权重向量，其值为w=[0.4,0.4,0.2]。

由表5可知任意2个PSF之间关系的梯形直觉模糊数。比如f7与f2之间关系的最大可能影响程度和最小可能影响程度，根据3名专家的直觉评分，考虑3名专家的权重分配[0.4,0.4,0.2]，用梯形直觉模糊数表示分别为[0.068,0.119,0.322,0.314]和[0,0,0,0]。

表5 直觉关系模糊影响矩阵(f1～f7)Tab. 5 Intuitionistic relationship fuzzy influence matrix(f1～f7)

续表

2.4 综合关系模糊影响矩阵

由于篇幅原因，文中仅给出f1～f7的结果，见表6。计算隶属度标准化参数μu和非隶属度标准化参数μv，如式(6)和式(7)所示。

表6 综合关系模糊影响矩阵(f1～f7)Tab. 6 Comprehensive relationship fuzzy influence matrix

(6)

(7)

求出μu=0.571，μv=0.182。

m,n=1,2,…,19;ρ=a,b,c,d

(8)

m,n=1,2,…,19;ρ=a,b,c,d

(9)

(10)

(11)

由表6可知任意2个PSF之间的综合关系模糊影响值，比如f7与f2之间的最大可能综合影响程度和最小可能综合影响程度，可用梯形模糊数[0.04,0.1,0.173,0.281]和[0,0.071,0.163,0.328]表示。

2.5 综合关系影响矩阵

(12)

(13)

由表7可知任意2个PSF之间去模糊化后的综合关系(相互之间的影响度和被影响度)，比如f7对f2的影响度为0.19。

表7 综合关系影响矩阵Tab. 7 Comprehensive relationship influence matrix

2.6 联合收割机驾驶作业PSF因果关系

(14)

(15)

联合收割机驾驶作业PSF中心度和原因度结果见表8。

1)f2(态度)、f3(技能)、f4(经验)、f5(显示方式)、f6(显示界面布局)、f7(操纵装置布局)、f15(作业监管)、f18(操作规程)等8个PSF的中心度高于平均值；原因度分析：f5(显示方式)、f6(显示界面布局)、f7(操纵装置布局)、f8(前向视野)、f14(安全教育)、f15(作业监管)、f19(监管机构)等7个PSF的原因度大于0。

2) 将中心度高于平均值及原因度高于0的因子列为关键因子，f2(态度)、f3(技能)、f4(经验)、f5(显示方式)、f6(显示界面布局)、f7(操纵装置布局)、f8(前向视野)、f14(安全教育)、f15(作业监管)、f18(操作规程)、f19(监管机构)等11个因子为联合收割机驾驶作业关键PSF。其中，f5、f6、f7、f15等4个因子属于高中心度的原因因子，为重中之重。管理技术人员应高度重视关键因子，针对性提出策略。

3) 11个关键PSF中：f2、f3、f4属于驾驶者技能及心理因素，f5、f6、f7、f8属于联合收割机的信息显示及操作界面因素，f14、f15、f18、f19则属于监管环境因素。前文提出联合收割机驾驶作业属于“脑-体结合”的人机交互劳动形式，关键PSF结论满足该劳动形式的特征需求；另外，随着技术的进步，驾驶室舒适度不断提高，照明、振动等早期重要的直接作业环境因素已不再重要，关键PSF结论也体现了此特点。

表8 PSF中心度和原因度Tab. 8 Center degree and reasoning degree of PSF

3 灵敏度仿真分析

图2 仿真趋势图

仿真结果显示：随着联合收割机驾驶作业PSF体系中其他因子对f14(安全教育)影响度的逐步提高，f14的中心度逐步提高(5.28→5.808→6.389→7.028→7.730→8.503)，原因度逐步降低(0.74→0.212→-0.369→-1.008→-1.710→-2.483)，从原因因子转变为结果因子；其他所有因子的中心度和原因度均逐步平稳提高(如f7操纵装置布局的中心度变化轨迹：6.66→6.793→6.929→7.068→7.209→7.353，原因度的变化轨迹：0.92→1.048→1.177→1.308→1.441→1.576)，但原因因子和结果因子属性并未改变。可见，联合收割机驾驶作业PSF关系分析模型有效。

4 结论

1) 在PSF系统化分类方法的基础上，采用文献分析法和专家判断法构建联合收割机驾驶PSF体系。根据30名专家的问卷调查结果，提及率高于60%的影响联合收割机驾驶作业行为形成因子共有19个，涉及驾驶者、机器、任务、组织、环境和辅助系统等6个方面。

2) 运用ITFN-DEMATEL方法，在专家直觉评分集的基础上，对联合收割机驾驶作业行为形成因子之间关系进行模糊化处理，构建直觉关系模糊影响矩阵，通过模糊运算转化为综合关系模糊影响矩阵，并计算PSF的中心度和原因度。提取中心度大于均值5.75、原因度高于0的关键行为形成因子共11个：态度、技能、经验、显示方式、显示界面布局、操纵装置布局、前向视野、安全教育、作业监管、操作规程、监管机构。管理技术人员应注重对关键因子的分析，提出针对性建议，减低安全事故率。

3) 灵敏度仿真分析结果显示，随机选择f14的中心度逐步提高从5.28逐步提高至8.503，原因度从0.74逐步降低至-2.483，从原因因子转变为结果因子，而其他所有PSF的中心度和原因度均逐步平稳提高，但原因因子和结果因子属性稳定。可见，基于ITFN-DEMATEL方法构建联合收割机驾驶作业PSF关系分析模型有效，能克服专家表征评估信息时存在的模糊性和不确定性。