产品设计评价中专家权重动态赋权方法及应用

李晓英，周大涛



产品设计评价中专家权重动态赋权方法及应用

李晓英，周大涛

(湖北工业大学工业设计学院，湖北 武汉 430068)

为提高产品设计评价结果的可靠性，构建了一种基于群体共识度和聚类分析的专家权重动态赋权流程。引入群体共识度和贴近度模型来判断、识别及排除差异性较大的专家评价结果，促进群体评价达到共识度阈值要求；利用系统聚类算法演绎不同评价准则下专家群体的归类情况，确定类容量大小，进行动态赋权；最后通过加权计算获得综合评价结果，为设计决策提供评价参考。以车用智能警示牌概念方案的设计评价为例，验证了其可行性和有效性，并进行不同赋权方法下综合评价结果的对比研究。结果表明，该方法能够客观、真实地表征专家个体对不同评价对象的认知程度，其综合评价结果在可靠性上优于平均赋权方法和静态赋权方法，具有一定的实用价值。

工业设计；动态赋权；共识度；聚类分析；设计评价

随着经济与技术水平的提高，产品设计逐渐发展成为跨领域、综合性及整体性的协同设计活动[1]，产品设计方案的评价准则、指标及属性日益多样化、复杂化，通过专家群体评价的方式进行设计决策的优势得到了广泛认同、重视及推广应用。产品设计评价中的多属性群体决策问题已然成为现在设计管理科学的研究热点，此类问题被定义为多个专家依据多个评价属性或指标对多个评价对象进行比较、判断、择优的过程[2]。由于专家个体的专业背景、行为偏好以及认知能力、程度等存在差异，异质性特征明显。同时，受客观事物的不确定性、复杂性等影响，专家群体之间以及同一专家个体对同一评价对象的不同属性的认知程度趋于不一致[3]，因而对多属性群体决策问题的研究多集中在两个方面：一是个体认知上的差异性，导致专家群体评价意见难以达成共识；二是在评价意见存在差异时，如何对参与设计评价的专家个体权重进行赋权。

针对上述问题，很多文献从不同角度出发，提出平均赋权、静态赋权、动态赋权及交互式评价等方法来实现个体权重的赋权或群体共识度的达成。如文献[4-7]在产品设计评价的研究和应用中将专家意见视为一致，忽略了共识度和权重差异问题，对其平均赋权，这种简化的做法显然不能对产品设计方案进行客观、准确地评价；文献[8-11]考虑到专家权重对设计评价结果的影响，但往往依据专家在本领域的声望、权威性以及决策经验进行主观静态赋权，而没有将专家个体权重与评价信息的动态性[12]相结合，也未考虑专家个体对不同产品属性的认知差异，评价结果缺乏可靠性；文献[13-17]基于专家评价信息的差异性、相似性水平对个体权重进行动态赋权，但忽略了专家群体评价结果的共识度水平，而简单集结其偏好、意见或评分结果，导致所获得的最优方案可接受程度低，影响设计方案的可靠性或投放市场的成功率；文献[18-20]采用多次重复调整的交互式决策方法使专家群体意见达成共识，导致设计评价成本增加、效率降低，而且产品设计的某些感官属性(如：造型、色彩、体验等)对人的首次主观感受要求较高，重复评价过程会造成专家认知心理的改变、评价意见失真或无法达成共识[21]，其应用具有局限性。目前，尚缺少同时有效解决专家个体权重赋权问题和专家群体共识度问题的设计评价方法。

基于以上讨论，本文构建一种面向产品设计评价的专家权重动态赋权流程。通过引入群体共识度模型来判断专家评价结果的差异性程度；通过贴近度排除差异大的专家评价结果，促进群体共识度达到阈值要求；并结合聚类算法对专家评价结果进行分类，依据类容量大小对专家权重进行动态赋权，以车用智能警示牌的设计方案评价为例，验证该方法的可行性和有效性。相较于平均赋权方法、静态赋权方法及交互式重复决策方法，本文方法具有可靠性强、有效性高、评价效率快及适用范围广等优势。

1 专家权重的静态和动态赋权概述

按照专家个体权重赋权时所考虑的参考因素划分，赋权方式分为：①依据决策者的经验、知识或在专业领域的权威性，通过环比打分法[22]、群组协商法、专家调查法或Delphi法等对专家进行主观赋权。权值确定后，对于不同的产品属性，专家个体权重不再改变，是一种静态权重。这种赋权方式对专家之间彼此的熟悉程度要求较高，适用范围、场景及使用条件有限，且不能客观地反映专家个体对不同属性的认知程度，不能保证评价结果的可靠性；②依据专家评价信息的质量对其进行逆判、赋权，多采用计算专家个体评价向量之间的贴近程度或计算个体判断矩阵与群组矩阵的偏差及相似性等方法对专家进行客观赋权[23]。在产品设计评价过程中，这种客观赋权方式能够随着不同属性下专家评价信息质量的不断变化而适时调整专家个体权重，能够真实、客观地反映专家认知程度，其获得的权重系数大小是不固定的，因而是一种动态赋权。

在单一属性的设计评价过程中，保持专家权重固定不变是有其必然性，但产品设计评价是一个多属性下的综合评价活动，随着评价准则、指标及属性的改变，专家评价信息的质量也必然会发生变化，因而进行动态赋权，以保证设计评价结果的可靠性。同时，也能够有效地解决或避免对专家声望、权威性等复杂、主观、非量化因素的判断问题，扩大其设计评价方法的适用和使用范围。

2 基于群体共识度和聚类分析的专家权重动态赋权流程

2.1 专家群体共识的判断

共识度达成的最终目的是专家群体评价意见的统一，该过程包括共识度的测量以及非共识的识别、修正。共识度的达成有助于减小设计评价中专家个体之间的认知分歧，提高设计方案的可信度。

设由名专家组成专家集合={1，2，⋯，}，对某一属性下个设计方案进行评价。

该方法可有效避免交互式重复评价导致的评价高成本和低效率问题，提高了评价效率；同时，也可避免重复评价时专家对感官属性的评价失真问题，扩大了该方法的适用、使用范围。

2.2 专家个体权重的确定

在确定专家个体权重时，采用聚类分析将专家个体评价向量划分为不同类别，一方面可减少评价过程中的随机性，弱化专家个体主观评价、认识的不确定性、模糊性等对评价结果的影响；另一方面可依据类容量的大小确定专家个体权重。

步骤1. 假设名专家个体评价向量各自为一类G，将具有最大相似性的2个类聚为一个新类；

步骤2.计算新类与其他评价向量的相关系数，即

步骤3.依据式(4)重新构造相关系数矩阵，并重复步骤1和步骤2，直到所有专家聚为一类，生成多阈值下的聚类图。依据实际情况设定聚类阈值，按最邻近原则判别专家个体评价向量的类属，即2类之间的相关系数满足

则两类聚为一类。

X=f/(6)

2.3 动态赋权流程的构建

事实上，上述群体共识的判断和个体权重的确定只是一种静态描述。但在实际应用中，随着评价属性的改变，专家评价信息的质量也必然会发生变化。为真实、客观地反映专家对不同评价属性的认知程度，专家权重也必须适时动态调整，以保证设计评价结果的可靠性、有效性。本文构建的专家权重动态赋权流程如图1所示。

图1 专家权重动态赋权流程图

步骤1.明确产品设计评价属性和方案体系；

步骤2.组织行业专家依据1-9级量表[24]，对某一属性下个产品设计方案进行评价，并构造AHP个体判断矩阵；

3 实例研究

图2 车用智能警示牌产品设计属性评价体系

通过焦点小组、头脑风暴等调查和设计方法，对车用智能警示牌的各设计属性进行分析，初步拟定了各个产品设计属性下的初、次级解决方案，具体内容见表1。在结合用户需求和企业现有技术条件的基础上，参考相关文献和专利技术、设计规范等筛选出4组典型次级解决组合方案，组织工业设计师进行前期的产品概念设计，共形成4个概念设计方案，结果见表2。

表2 车用智能警示牌的概念设计方案

根据步骤1和步骤2要求，组织5名行业专家(工业设计师2名、用户代表1名、企业工程师 1名及项目负责人1名)对4个概念设计方案进行群体综合评价。采用层次分析法对5个产品属性下的4个设计方案进行两两比较评价，限于篇幅，文中只列出稳定性下各专家的AHP判断矩阵。

根据步骤4要求，利用式(1)~(3)计算共识度水平和贴近度L。表3中，除A2，A4属性外，其他均未达到共识度阈值*=0.9的要求，因此，对A1，A3和A5属性下贴近度较低的专家评价结果进行排除，并重新计算共识度，以促进群体间评价结果达到共识度阈值要求。例如：自主性下群体共识度(=0.7420)小于共识度阈值，则对贴近度最低(3=0.1436)的专家3的评价结果进行排除，计算调整后的共识度，直到最终共识度=0.9960大于阈值，则调整结束，进入步骤7计算。同理对其他属性下的群体评价结果的共识度进行判断和调整，最终结果见表3。

表3 各属性下的方案权重及专家评价结果之间的贴近度和共识度

根据步骤5要求，对达成共识的专家设计评价向量进行分类，输出聚类图(图3)，稳定性下5名专家被分为了3类，专家1，3，4聚为一类，专家2，5各聚为一类。依据式(8)计算出稳定性下各专家的权重系数为1=3/11，2=1/11，3=3/11，4=3/11，5=1/11。

图3 稳定性下专家设计评价结果聚类图

根据步骤6要求，重复上述步骤，对其他属性下各专家的权重系数进行确定，结果见表4，动态赋权会随着评价属性的变化而改变，更能真实地反映专家对不同评价属性的认知程度。

表4 各属性下专家的动态权重分布

由表5可知，设计方案的优劣排序为：F3(3=0.3770)＞F4(4=0.3204)＞F1(1=0.1517)＞F2(2=0.1508)，则最优方案为F3，F3在自主性、警示性上优于其他方案。在群体综合评价结束之后，以表5结果为依据，以F1，F2，F4的设计属性为参考，可确定F3设计优化的方向、准则及参照。例如，稳定性上，采用C9/1配重板结构，增加稳定性；美观性上，采用C11/1红色和黑色均衡搭配，保证色彩与功能的适应性。最终优化后的产品功能样机如图4所示，该方案得到了专家及企业的肯定和认可。

表5 各属性下设计方案的综合评价向量及总排序向量

图4 车用智能警示牌功能样机

由图5可知，自主性下，N3和N4赋权方法认为方案3最优，N1和N2则认为方案4最优，分析发现，N1和N2结果差异性较大是因为赋予了专家3较大的权重；美观性下，N1，N2和N4均认为方案3最优，N3则认为方案4最优，分析发现，N1，N2和N4赋权方法对偏向方案3的专家3和4赋予了较大权重，导致择优结果出现偏差，尽管N4赋予了专家3和4相对较小的权重(3=4=1/7)，但忽略了群体共识度的阈值要求，未能对评价结果偏差较大的专家3和4进行排除，从而导致评价结果出现偏差；总排序结果上，除N2以外，N1，N4获得的优劣排序结果与N3相同，但其各属性下的综合排序结果与N3存在明显差异，不利于概念方案的优化设计。综上，本文采用的N3赋权方法在充分考虑群体共识度水平的情况下进行专家权重动态赋权，能够客观、真实、准确地反映专家个体的认知程度，获得的评价结果有较高的可信度，较其他赋权方法具有优越性。

图5 不同赋权方法的综合评价向量和总排序向量

4 结 论

为提高产品设计评价结果的可靠性，针对多属性群体决策中专家意见一致化与专家权重确定的问题，基于群体共识度和聚类分析构建了专家权重动态赋权流程。以设计评价实例验证了方法的可行性和有效性，并通过不同赋权方法下综合评价结果的对比研究，证明了该方法的优越性，为相关产品设计评价方法的应用提供了参考。

(1)本文着重讨论了专家权重对评价结果的影响，但专家样本结构、数量的合理性和科学性、专家评判标准、准则及方式的选择、专家判断信息(矩阵元素)的检验、集结及修正等因素都会对产品设计评价结果造成影响，后续将对其进行研究补充。

(3) 针对设计评价方法在复杂或大样本量设计评价过程中应用的复杂性、实用性等问题，拟构建计算机辅助评价集成平台，将设计评价算法、流程及模型等以系统方法库、模型库的形式进行调用，以提高设计评价效率，降低评价成本。同时，也有利于产品设计评价方法的适用、使用及推广。

[1] 杨延璞, 顾蓉, 古玉锋. 基于PAM聚类的工业设计方案评价共识度达成方法[J]. 计算机集成制造系统, 2017, 23(7): 1386-1393.

[2] 杜娟, 霍佳震. 交互式多属性群决策评价方法研究[J]. 中国管理科学, 2016, 24(11): 120-128.

[3] DONG Y C, ZHANG H J, HERRERA-VIEDMA E. Integrating experts’ weights generated dynamically into the consensus reaching process and its applications in managing non-cooperative behaviors[J]. Decision Support Systems, 2016, 84: 1-15.

[4] BANG W, CHANG B Y. Quality factor analysis of metalworking process with AHP[J]. International Journal of Production Research, 2013, 51(19): 5741-5756.

[5] ZOHOORI A, VAHEDI A, MEO S, et al. An improved AHP method for multi-objective design of FSPM machine for wind farm applications[J]. Journal of Intelligent & Fuzzy Systems, 2015, 30(1): 159-169.

[6] DEMIRTAŞ N, ÖZGÜRLER S, ÖZGÜRLER M, et al. Selecting e-purse smart card technology via fuzzy AHP and ANP[EB/OL]. [2018-05-06]. https://dr.dio.org/ 10.1155/2014/619030.

[7] 王伟伟, 陈萌萌, 刘音, 等. 传统养生文化中的设计因子提取及应用研究[J]. 图学学报, 2017, 38(1): 52-56.

[8] KRENG V B, WU C Y, WANG I C. Strategic justification of advanced manufacturing technology using an extended AHP model[J]. International Journal of Advanced Manufacturing Technology, 2011, 52(9-12): 1103-1113.

[9] 孙霞, 曾守桢. 群体综合评价中兼顾权威与共识的专家权重方法研究[J]. 数学的实践与认识, 2014, 44(8): 42-47.

[10] EKLUND P, RUSINOWSKA A, DE SWART H. Consensus reaching in committees[J]. European Journal of Operational Research, 2007, 178(1): 185-193.

[11] 李永锋, 侍伟伟, 朱丽萍. 基于灰色层次分析法的老年人APP用户体验评价研究[J]. 图学学报, 2018, 39(1): 68-74.

[12] 刘鹏, 晏湘涛, 匡兴华. 交互式决策中的专家动态权重[J]. 工业工程与管理, 2007, 12(5): 32-36.

[13] YE J. Simplified neutrosophic harmonic averaging projection-based method for multiple attribute decisionmaking problems[J]. International Journal of Machine Learning & Cybernetics, 2017, 8(3): 981-987.

[14] CHEN Z P, YANG W. A new multiple attribute group decision making method in intuitionistic fuzzy setting[J].Applied Mathematical Modelling, 2011, 35(9): 4424-4437.

[15] LIU P D, LIU X. The neutrosophic number generalized weighted power averaging operator and its application in multiple attribute group decision making[J]. International Journal of Machine Learning & Cybernetics, 2018, 9(2): 347-358.

[16] BERNASCONI M, CHOIRAT C, SERI R. Empirical properties of group preference aggregation methods employed in AHP: Theory and evidence[J]. European Journal of Operational Research, 2014, 232(3): 584-592.

[17] WANG B L, LIANG J Y, QIAN Y H. Determining decision makers’ weights in group ranking: A granular computing method[J]. International Journal of Machine Learning & Cybernetics, 2015, 6(3): 511-521.

[18] PANG J F, LIANG J Y, SONG P. An adaptive consensus method for multi-attribute group decision making under uncertain linguistic environment[J]. Applied Soft Computing, 2017, 58: 339-353.

[19] XU J P, WU Z B, ZHANG Y A. A Consensus based method for multi-criteria group decision making under uncertain linguistic setting[J]. Group Decision & Negotiation, 2014, 23(1): 127-148.

[20] HERRERA-VIEDMA E, HERRERA F, CHICLANA F. A consensus model for multiperson decision making with differ-ent preference structures[J]. IEEE Transactions on Systems Man & Cybernetics Part A Systems & Humans, 2002, 32(3): 394-402.

[21] 张娜, 杨延璞. 产品造型感性评价中的粒子群优化共识达成机制[J]. 机械设计, 2017(6): 119-123.

[22] RAMANATHAN R, GANESH L S. Group preference aggregation methods employed in AHP: An evaluation and an intrinsic process for deriving members' weightages[J]. European Journal of Operational Research, 1994, 79(2): 249-265.

[23] YUE Z L. Extension of TOPSIS to determine weight of decision maker for group decision making problems with uncertain information[J]. Expert Systems with Applications, 2012, 39(7): 6343-6350.

[24] SAATY T L. How to make a decision: The analytic hierarchy process[J]. European Journal of Operational Research, 1994, 48(1): 9-26.

[25] 鲁丹, 张金月. 基于层次分析法的BIM内容库网站评价研究[J]. 图学学报, 2015, 36(2): 298-305.

Dynamic Allocation of Weights to Experts for Evaluation of Product Design and Its Application

LI Xiao-ying, ZHOU Da-tao

(School of Industrial Design, Hubei University of Technology, Wuhan Hubei 430068, China)

In order to evaluate product design more reliably, a process for dynamic allocation of weights to experts is proposed. The group consensus model is introduced to measure the degree of difference between expert opinions. The level of similarity is used to detect and eliminate very distinct expert opinions, thereby allowing a consensus to be reached more easily and efficiently. Weights of expert opinions are determined dynamically using the clustering algorithm to sort out the quality of various product designs. The proposed method is applied to the real-world intelligent warning sign of vehicle. Results demonstrate the ability of the proposed method to capture the difference between expert opinions effectively, allocate weights to expert opinions dynamically and evaluate the product more reliably. Finally, the proposed method is compared with other competing methods to prove its superiority, yielding insights into the evaluation of product design.

industrial design; dynamic weights; coefficient of consensus; cluster analysis; design evaluation

TB 47

10.11996/JG.j.2095-302X.2019010193

A

2095-302X(2019)01-0193-08

2018-06-18；

2018-08-02

教育部人文社会科学研究规划基金项目(18YJAZH048)；湖北省教育厅教研基金项目(2016286)

李晓英(1973-)，女，湖北武汉人，副教授，硕士，硕士生导师。主要研究方向为产品设计、交互设计等。E-mail：2239909513@qq.com