張 璐， 李巨韜， 趙艷云， 田正清

(天津大學 機械工程學院,天津 300191)

0 引言

用戶的感性需求是用戶期望在使用產品的過程中獲得積極的情感體驗的一種內隱需求。產品的造型、色彩、材質等都傳遞給用戶強烈的視、觸覺刺激，用戶通過對這些信息的解碼處理，產生對產品的主觀再現(xiàn)印象，引發(fā)不同的心理感受，進一步影響用戶的購買決策。因此在產品的功能、性能相似時能否給予用戶期待的情感體驗成為產品是否成功的關鍵因素之一，也是產品設計方案決策的重要研究方向。感性工學是由日本廣島大學研究人員提出的通過感性意象分析用戶感性喜好的技術。感性意象是由用戶接收到產品傳遞的信息刺激后產生的高度凝聚的心理感受，一般可用形容詞描述。感性意象將用戶內心情感活動通過語言外顯，是目前研究產品情感需求的重要思路。當前國內外研究學者針對于感性意象指導產品的設計工作進行了大量研究。Chang等對感性意象的聚類分析和主因素分析法得出了影響汽車方向盤情感體驗的設計要素及其相關性[1]；Kim等基于感性意象和心理學情感模型，從而得出了三類不同情感活動在手機設計要素中的作用[2]；蘇建寧等運用產品的感性意象結合遺傳算法實現(xiàn)了產品進化設計[3]。以上研究都表明了感性意象在產品設計過程中對用戶情感需求能進行有效地描述。而在產品方案決策方面仍然缺乏對用戶情感需求的關注，以用戶感性需求為導向的產品方案決策方法鮮有研究。

由于情感的抽象性和意象認知的復雜性，準確地刻畫用戶的情感需求，避免用戶情感信息獲取和處理中的主觀性影響是用戶情感需求研究中的重點。許多學者提出了大量的研究方法和模型，常用方法有模糊層次評價法[4,5]、粗糙集[6,7]、灰色關聯(lián)法[8,9]、QFD[10]、TOPSIS[11]等及其綜合應用。其中TOPSIS通過計算與正負理想解的值，有效地利用原始數(shù)據(jù)反映備選方案的差異，因而在多指標下的決策問題中也廣泛使用。然而由于情感信息的模糊性和不確定性，以及產品決策中相關屬性的復雜性，基于精確數(shù)的傳統(tǒng)TOPSIS方法并不適用于處理模糊的數(shù)據(jù)信息。因此文中在感性意象的指導下，采用基于模糊數(shù)的熵理論給各意象計算權重并用模糊TOPSIS[12]為備選方案進行排序。同時結合灰色關聯(lián)理論進行產品設計方案的比較，最大限度地減少用戶個人主觀因素對于結果的影響，同時減少信息的失真，使得評價結果更加客觀準確。

1 產品設計方案評價方法流程

設m個產品設計備選方案組成備選方案集S={S1,S2,…,Sm},(m≥2)；產品意象認知的調查和分析產生目標意象集T={T1,T2,…,Tn},(n≥2)；參與評價的目標用戶集U={U1,U2,…,Ul},(l≥2)。按照圖1所示流程進行建模。

圖1 產品設計方案評價方法流程

2 產品設計方案評價方法建模

2.1 目標意象評價值的模糊化處理

三角模糊數(shù)由于計算簡單被廣泛應用于量化不確定語言變量。根據(jù)語言標度變換法[13]，可將目標意象的原始語言評價依照表1量化為三角模糊數(shù)評價級。

表1 語言變量對應的三角模糊評級

(1)

2.2 目標意象模糊評級的規(guī)范化

為了減少評級量綱的影響，便于后續(xù)的計算，需將模糊評級進行規(guī)范化處理。由于目標意象均為效益型指標，故按照以下方法進行規(guī)范化處理:

(2)

2.3 確定目標意象熵權

熵是熱力學中微觀狀態(tài)無序性一種度量。與熱力學中的熵類似，信息熵是信息無序度的度量，信息熵與信息無序度成正比，即與信息權重成反比。信息熵具有客觀性強的優(yōu)勢，能最大限度降低評價過程中主觀性對信息權重計算的影響[14]。

目標意象Tj下各方案的三角模糊評級的上界、中值和下界的熵值分別為

(3)

(4)

2.4 加權目標意象模糊評級的集結

對所有的模糊評級進行加權集結，得到加權規(guī)范化評價決策矩陣Z：

(5)

2.5 確定模糊最優(yōu)解和模糊最劣解

對于效益型指標，每個指標值越大越好，因此模糊最優(yōu)解由各方案的目標意象的三角模糊評級中最大序列構成，而模糊最劣解由最小序列構成，即：

(6)

(7)

2.6 計算各方案到模糊最優(yōu)、劣解的距離

產品設計備選方案Si與模糊最優(yōu)解和模糊最劣解的Euclid距離分別為:

(8)

(9)

2.7 計算模糊相似關聯(lián)度

產品設計備選方案Si在目標意象Tj下和模糊最優(yōu)、劣解的灰色關聯(lián)系數(shù)rij分別為：

(10)

(11)

(12)

2.8 產品設計備選方案優(yōu)度排序

分別對產品方案Si與模糊最優(yōu)、劣解的距離及灰色關聯(lián)系數(shù)進行無綱量化處理：

(13)

(14)

最優(yōu)方案應該是與模糊最優(yōu)解距離最小，與模糊最劣解距離最大；同時與模糊最優(yōu)解的關聯(lián)度最大，與模糊最劣解的關聯(lián)度最小。由于距離和關聯(lián)度均為非負數(shù)，因此可建立以下目標函數(shù)，求解方案Si與理想解的相對貼合度μi：

(15)

(16)

將產品方案按照相對貼合度μi進行排序，μi越大方案越優(yōu)。

3 實例研究

3.1 感性意象的認知調查和目標意象的提取

基于產品的高同質化和對用戶情感需求的高關注度，選取智能手表作為研究案例。由市場調查得到了53款智能手表產品樣本，113個智能手表的感性意象。通過8人焦點小組和K-means聚類分析，將意象按語義相似度聚類，得到15個初選意象。基于15個初選意象對53款智能手表產品樣本進行SD調查，得到初選意象評價值并做主成分分析，結果如圖2所示。從圖中可以看出大部分信息集中在前4個成分中，從第5個成分開始進入平臺。選取特征值大于1的成分作為主要成分，即前4個成分，結果如表2所示。

圖2 意象的成分碎石圖

成分特征值貢獻度%累計貢獻度%16.27341.82041.82023.45023.00364.82331.75611.70776.53041.1537.68584.214

選取每個成分中負荷值最高的意象，建立目標意象詞庫。最終選出的目標意象詞為：“時尚的”、“科技的”、“友好的”和“舒適的”。

3.2 構建備選方案的目標意象評估矩陣

通過8人焦點小組(5名工業(yè)設計研究生，3名非工業(yè)設計研究生)和KJ法從53款智能手表產品樣本中選取代表性樣本，最終確定如圖3所示的9款智能手表設計方案構成備選方案集。對備選方案創(chuàng)建4個目標意象的5級SD調查問卷，如圖4所示。采用滾雪球抽樣對年齡在15歲到27歲的使用智能手表的用戶發(fā)放并收回了107份問卷調查，最終有效問卷84份。

圖3 產品設計備選方案

圖4 語義差分調查問卷

將調查結果按照表1量化后，由式(1)和(2)得出規(guī)范化目標意象模糊評級矩陣，如表3所示。

表3 規(guī)范化目標意象模糊評級矩陣

由式(3)和(4)算出4個目標意象的熵權分別為：0.235，0.372，0.141，0.252。則集結的加權規(guī)范化目標意象模糊評級矩陣，如表4所示。

表4 加權規(guī)范化目標意象模糊評級矩陣

3.3 產品設計備選方案的優(yōu)度排序

在加權規(guī)范化目標意象模糊評級矩陣中提取出最大序列和最小序列，確定模糊最優(yōu)解和模糊最劣解分別為：

H+=[(0.151,0.316,0.520), (0.229,0.508,0.857),

(0.085,0.184,0.306),(0.174,0.364,0.599)]

H-=[(0.060,0.176,0.353),(0.050,0.190,0.449),

(0.037,0.108,0.217), (0.061,0.188,0.385)]

利用式(8)和(9)分別計算每個產品設計備選方案到模糊最優(yōu)解和模糊最劣解的距離，利用式(10)到(12)計算每個產品設計備選方案到模糊最優(yōu)解和模糊最劣解的灰色關聯(lián)系數(shù)，并用式(13)和(14)進行無量綱化處理，結果如表5所示。

表5 與模糊最優(yōu)、劣解的距離和灰色關聯(lián)系數(shù)

應用式(15)到式(16)可分別算出各產品設計備選方案與理想解的相對貼合度分別為0.9662，0.5433，0.4753，0.0841，0.9523，0.4301，0.0008，0.8193，0.3747。由相對貼合度可得產品設計備選方案的最終排序為：S1>S5>S8>S2>S3>S6>S9>S4>S7。

實際銷售排序與計算出的排序對比如圖5所示。實際銷售排序由2016年11月至2017年6月的天貓、京東等電商平臺中該9款智能手表銷售量統(tǒng)計排序得出。由相對貼合度計算出的樣本排序與實際銷量排序走向趨同，樣本1 Apple Watch在兩種排序中均為最優(yōu)設計。故該評估方法對產品設計方案的決策問題具有一定的指導性和有效性。

圖5 相對貼合度和電商銷售排序結果對比

4 結論

本文構建了基于用戶感性需求的產品設計方案評估方法，對功能和性能具有高同質化的產品提出了新的評估標準。通過感性意象刻畫用戶的感性需求，采用主成分分析提取需實現(xiàn)的目標意象，明確用戶對產品的主要情感期望；以三角模糊數(shù)代替精確數(shù)科學地量化模糊的、不確定的情感需求信息；采用信息熵來確定各目標意象的權重，減少了評價信息中夾帶的主觀性；通過結合灰色關聯(lián)的模糊TOPSIS計算備選方案與理想解的相對貼合度，同時從距離遠近和形狀相似兩個方面逼近理想解，更綜合地實現(xiàn)方案的優(yōu)選。實例研究表明該方法的可行性和有效性。

此項研究中為便于對方法的效果進行驗證，采用已上市的產品組成備選方案。目前設計方案的研究方法大多也依據(jù)市場已有產品的評價推演設計方案的決策，并得到較好的指導意義。但用已上市的產品與用設計方案的評價結果有一定的差異，需要在后續(xù)的研究中優(yōu)化。此外，用戶的情感是復雜的。感性工學中感性意象可以有效外顯用戶的情感需求，但過于單一和簡單，因此需要后續(xù)的研究采用更加精準的方法全面地刻畫用戶的感性需求，同時配合相應的算法，進一步提升產品設計方案評估的綜合性和適用性。