張 妮，趙曉冬

(燕山大學(xué) 經(jīng)濟管理學(xué)院，河北 秦皇島 066004)

0 引言

在社會物質(zhì)財富快速累積的進程中，資源消耗、生態(tài)惡化等問題凸顯，可持續(xù)產(chǎn)品理念應(yīng)運而生?？沙掷m(xù)產(chǎn)品將該理念貫徹于產(chǎn)品的全生命周期，利用創(chuàng)新工具最大限度地循環(huán)利用資源，實現(xiàn)經(jīng)濟、社會和環(huán)境的平衡[1]，因其對環(huán)境的可持續(xù)性、企業(yè)的創(chuàng)利性和社會的發(fā)展性受到廣泛關(guān)注和認可。為在激烈的市場競爭中擴大市場份額，越來越多的企業(yè)聚焦于可持續(xù)產(chǎn)品的設(shè)計和生產(chǎn)。模塊化設(shè)計是縮短產(chǎn)品開發(fā)周期的核心手段[2]，重要模塊的可持續(xù)設(shè)計提高了產(chǎn)品的可重構(gòu)性和重用性，實現(xiàn)整個產(chǎn)品的可持續(xù)性[3]。因此，產(chǎn)品可持續(xù)設(shè)計中對模塊重要度判定的研究尤為重要。

用戶需求分析是模塊重要度判定過程中的核心步驟，也是企業(yè)的立身之本。質(zhì)量功能展開(Quality Function Deployment，QFD)是用戶需求驅(qū)動的產(chǎn)品設(shè)計和研發(fā)工具，廣泛應(yīng)用于用戶需求的分析中，確保產(chǎn)品質(zhì)量的同時提高用戶滿意度[4]。文獻[5]將層次分析法(Analytic Hierarchy Process,AHP)和QFD相結(jié)合獲得可持續(xù)設(shè)計中用戶需求權(quán)重；文獻[6]通過QFD對區(qū)間Pythagorean不確定語言形式的機器人設(shè)計需求進行排序；文獻[7]將QFD用于科技公司軟件系統(tǒng)的顧客需求競爭性分析中；文獻[8]通過非均衡加權(quán)算子計算客戶語言形式需求信息的競爭優(yōu)先度；文獻[9]考慮到電動汽車行業(yè)中用戶需求之間的依存關(guān)系，將DEMATEL方法與QFD方法相結(jié)合，實現(xiàn)對用戶需求的分析；文獻[10]采用云模型處理QFD中的評價信息，并提出云相對偏好關(guān)系獲取客戶需求重要度。

上述研究為模塊判定過程中用戶需求的分析提供了參考，但存在局限性：

(1)以上需求信息分析方法僅適用于處理具有單一表征形式的需求類型。隨著物質(zhì)生活的豐富，用戶需求呈多元化趨勢，需求評價涉及諸多定性和定量指標，單一形式的需求信息無法勝任用戶對需求的偏好表達，也無法完全體現(xiàn)需求評價環(huán)境的模糊、不確定性。

(2)需求重要度依據(jù)用戶直接需求表達，沒有考慮與群評價間的接近度和需求評價值之間的均衡度，誤差性和隨意性較大。當用戶評價值與群評價值之間的差距較大時，用戶群體難以達成共識，忽視需求之間的均衡性導(dǎo)致最終結(jié)果穩(wěn)定性差。

(3)用戶需求分析單純是對用戶所提要求的分析。需求及模塊之間的親密關(guān)系使得在需求分析中必須對需求和模塊的關(guān)聯(lián)關(guān)系進行評估，需求分析實質(zhì)上是將用戶需求和模塊相結(jié)合的信息融合和群綜合決策過程。同時，關(guān)聯(lián)關(guān)系一般由專家團隊給出，將該關(guān)系考慮在內(nèi)也意味著在開發(fā)需求分析階段中考慮了專家意見。在用戶需求分析中以上幾點問題都應(yīng)被考慮在內(nèi)。

傳統(tǒng)的QFD中模塊的判定通常利用用戶需求權(quán)重與相關(guān)模塊的簡單加權(quán)，導(dǎo)致模塊之間存在較強的互補性，使得最終判定結(jié)果主觀性較強、誤差較大。復(fù)雜比例評價[11](Complex Proportional Assessment，COPRAS)是一種有效的決策工具，在評估和排序備選方案的過程中能考慮到不同方案的重要性和效度，有效避免決策補償性對最終結(jié)果的影響，適合處理模塊重要度判定問題。此外，在現(xiàn)實條件下模塊化設(shè)計的復(fù)雜性、專家思維的局限性等使得專家在判定模塊重要度時表現(xiàn)為有限理性，專家的這種心理行為影響模塊重要度的判定結(jié)果。但目前，尚未發(fā)現(xiàn)有研究將COPRAS方法與決策者有限理性行為相結(jié)合，用來解決模塊重要度判定問題。

產(chǎn)品設(shè)計的復(fù)雜性和環(huán)境的不確定性使得專家難以用精確值表述用戶需求和模塊之間的關(guān)聯(lián)關(guān)系，語義表達能夠幫助專家以熟悉的表達習(xí)慣描述偏好信息，猶豫模糊語言集[12](Hesitant fuzzy Linguistic Term Set，HFLTS)因其能很好地處理專家在復(fù)雜環(huán)境下的模糊性而被廣泛應(yīng)用。文獻[13]以HFLTS表征專家群體的決策信息，用以處理新能源汽車零配件小微企業(yè)的信用評估問題；文獻[14]利用HFLTS評價影響三甲醫(yī)院擇期手術(shù)患者入選的影響指標；文獻[15]構(gòu)建HFLTS風(fēng)險評估框架，分析中國近海光伏發(fā)電項目；文獻[16]使用HFLTS評價高校的專利價值，為比亞迪汽車選擇合作伙伴提供建議。因此，本文采用HFLTS表征用戶需求和模塊之間的關(guān)聯(lián)關(guān)系。

綜上所述，本文提出基于改進QFD的產(chǎn)品可持續(xù)設(shè)計模塊重要度判定方法。首先考慮用戶需求的多樣性和用戶群體的偏好表達，采用實時、區(qū)間數(shù)、對偶猶豫模糊數(shù)、猶豫模糊語言術(shù)語和三角模糊數(shù)等5種不同的形式評估用戶需求信息；考慮專家的表達習(xí)慣和思維的猶豫性，利用猶豫模糊語言集表征用戶和模塊的關(guān)聯(lián)值；提出用戶層面的需求分析方法解決群體一致性和均衡性對需求分析結(jié)果的影響，提出專家層面的需求分析方法，從而將需求分析納入群綜合決策過程，設(shè)置調(diào)節(jié)參數(shù)，獲得需求最終重要度；運用猶豫模糊語言前景[17]-COPRAS方法對模塊進行排序，使得最終的模塊重要度結(jié)果在體現(xiàn)專家心理感知行為的同時，避免補償機制對結(jié)果的影響。

1 相關(guān)概念

因為用戶具有不同的社會背景和認知水平，更傾向于用自身偏好的信息形式給出評價值，所以單一形式的評價信息是不科學(xué)的。評價環(huán)境的復(fù)雜性和人思維的局限性使得模糊形式的評價信息更符合實際情況。本章對一些相關(guān)概念進行介紹。

用戶受專業(yè)知識的限制，對產(chǎn)品的性能、功能參數(shù)等技術(shù)性能指標進行評價時往往只能給出一個大致范圍，區(qū)間數(shù)形式的數(shù)據(jù)類型能夠很好地描述這類需求評價指標。

定義1[18]若a-,a+∈R且a-≤a+，則稱a=[a-,a+]為一個區(qū)間數(shù)(InterVal Number，IVN)，其中a-,a+分別為該IVN的下界和上界，當a-=a+時，a=[a-,a+]退化為一個精確數(shù)(Crisp Number，CN)。

對于某些用戶最為關(guān)心的需求指標，如價格，用戶會給出最為偏好的心理價位，而該價位與廠家的定價會存在一定的偏差。因此，用戶給出最偏好的價格與可接受的取值范圍，這對廠家更有參考性。三角模糊數(shù)在處理此類需求評價指標時更為快捷有效。

定義2[19]若α=(a,b,c)，0

其中：b為TFN的可能取值；a,c分別為TFN的下界值和上界值。

當用戶對定量需求評價指標進行評價時，由于知識背景和思維習(xí)慣的不同，意見往往難以達成統(tǒng)一，對需求信息的隸屬度和非隸屬度可能存在幾個不同的偏好取值，對偶猶豫模糊集能夠更加客觀地反映用戶真實的需求信息。

用戶對產(chǎn)品的認識大多處于感性階段，且認知的不確定性使得語言術(shù)語更適合表征用戶的表達習(xí)慣。而評價環(huán)境的不確定性又使得猶豫模糊語言術(shù)語能夠更好地表征用戶在評價時猶豫不定的心理。

定義4[12]設(shè)X是一固定集，S={s0,s1,…,s2g}是由有序個元素組成的離散語言術(shù)語集，si(i=0,1,…,2g)是一個語言變量，X上的一個猶豫模糊語言術(shù)語集為HS={|x∈X}，hs(x)={sτ(x)|sτ(x)∈S;τ∈0,1,2,…2g}是位于區(qū)間[0,1]中有限數(shù)的集合，表示x∈X屬于語言術(shù)語S的可能隸屬度，稱hs(x)為一個猶豫模糊語言元(Hesitant Fuzzy Linguistic Element，HFLE)。

定義5[21]設(shè)h1,h2是任意兩個HFLE，則差集h12為猶豫模糊語言元h1中不包含h1∩h2元素的集合，即h12∩h2=?。特殊情況下，當h1?h2時，h12=h1。

由于兩個HFLE不能直接進行定量運算，為使計算有效,且充分反映原始語言評價信息的不同語義，引入語言結(jié)構(gòu)函數(shù)的概念。

定義7[22]sτ∈S是一個語言術(shù)語集，對于任意實數(shù)?τ∈[0,1]，語言結(jié)構(gòu)函數(shù)f定義為從sτ到?τ之間的映射：f:sτ→?τ,(τ=0，1,2,…,2g)。其中0≤?0

(1)

式(1)為語言下標函數(shù)，語義值采用了平均值的思想。

(2)

式(2)為復(fù)合評估結(jié)構(gòu)函數(shù)，通常α∈[1.36,1.4]，本文取α=1.4。

(3)

式(3)中角標τ增加時，相鄰角標的絕對離差是減少的，β,γ∈[0,1]，本文取β=γ=0.88。

(4)

定理1設(shè)h1,h2,…,hn為一組HFLE，則由猶豫模糊語言加權(quán)平均算子的運算結(jié)果獲得仍為HFLE，且

(5)

2 基于改進QFD的模塊重要度判定方法

2.1 問題描述

為便于后續(xù)研究工作的開展，對問題模型和基本符號說明如下：

擬解決的問題是：根據(jù)用戶給出的需求評價矩陣Y和專家們給出的用戶需求與模塊關(guān)聯(lián)矩陣Kp，通過改進的QFD方法對模塊重要度進行判定。

2.2 用戶需求的最終重要度計算

滿足用戶需求是判定模塊重要度的前提，因而對用戶需求的分析至關(guān)重要。該過程主要分為兩個階段：從用戶視角計算用戶需求重要度；從專家視角計算用戶需求重要度，在此基礎(chǔ)上獲得開發(fā)需求的最終重要度。

2.2.1 用戶視角下需求重要度計算

用戶對需求的直觀表達反映了用戶的真實偏好。用戶的評價與群評價值相比，接近度越高，需求分析結(jié)果越能得到認同，對企業(yè)越有參考性；需求指標內(nèi)部與群評價均衡度越高，則分析結(jié)果越穩(wěn)定。產(chǎn)品的復(fù)雜性和需求的多樣性使得需求評價采用混合形式表示更貼合實際。基于均衡接近度思想，獲取用戶視角下開發(fā)需求重要度，過程如下：

步驟1混合開發(fā)需求信息的規(guī)范化。為消除不同量綱對需求重要度結(jié)果的影響，對混合結(jié)構(gòu)的需求評價值進行規(guī)范化處理，主要是對CN、IVN和TFN進行處理。

評價值ylj=clj為CN時，規(guī)范化為：

xij=cij/cmaxj，cmaxj=max{clj|l=1,2,…,t}。

(6)

(7)

評價值ylj=(alj,bli,clj)為TFN時，規(guī)范化為：

xlj=[alj/cmaxj,blj/cmaxj,clj/cmaxj]，

cmaxj=max{clj|l=1,2,…,t}。

(8)

步驟2基于接近度層面，構(gòu)建優(yōu)化模型。接近度表示為用戶評價值與群評價值的接近程度，通常用灰關(guān)聯(lián)系數(shù)表示，則優(yōu)化模型M1為：

M1：

(9)

步驟4獲取用戶視角下開發(fā)需求重要度?；谝陨戏治觯C合考慮接近度和均衡度兩個層面，得到組合模型M3：

通過求解模型M3可得用戶視角下開發(fā)需求重要度w=(w1,w2,…,wn)。

2.2.2 專家視角下用戶需求重要度計算

用戶需求和模塊之間的密切聯(lián)系為需求的滿足提供保障，將該關(guān)系考慮在內(nèi)也意味著考慮了專家的意見。而專家的有限理性行為使得專家更期望得到兩者之間的最適合關(guān)聯(lián)；需求DRj下模塊之間的差異越大表明該需求區(qū)分度高，而猶豫模糊語言術(shù)語也符合模糊環(huán)境下專家的語言表達習(xí)慣。因此，考慮專家的態(tài)度和開發(fā)需求差異度，獲取專家視角下的需求重要度，過程如下：

步驟1基于專家的態(tài)度，構(gòu)建優(yōu)化模型。前景理論很好地反映了專家對用戶需求的態(tài)度，專家對與期望關(guān)聯(lián)最接近即前景值最大的需求給予最高的重要度。以前景價值最大化構(gòu)建優(yōu)化目標M4：

(11)

步驟3基于差異度層面，構(gòu)建優(yōu)化模型。在關(guān)聯(lián)矩陣Kp中用戶需求DRj下模塊之間的前景值差異越大，該用戶需求區(qū)分度越好，應(yīng)賦予更大的重要度。構(gòu)建優(yōu)化模型M5：

步驟4獲取專家視角下開發(fā)需求重要度。綜合考慮專家態(tài)度和差異度兩個層面，得到組合模型M6：

(12)

步驟5獲得專家視角下用戶需求重要度：

(13)

2.2.3 用戶需求最終重要度確定

用戶需求重要度包含用戶層面重要度和專家層面重要度兩部分，用戶層面?zhèn)戎赜隗w現(xiàn)用戶對需求的直接需求，專家層面則是從模塊與需求的關(guān)聯(lián)方面為需求的滿足提供保障，兩者缺一不可。采用綜合賦權(quán)法引入調(diào)節(jié)參數(shù)ψ，其中ψ∈[0,1]，企業(yè)根據(jù)對用戶意見和專家意見的偏好，選擇恰當?shù)膮?shù)取值，確定用戶需求的最終重要度oj：

oj=ψwj+(1-ψ)vj。

(14)

2.3 模塊重要度計算

近年來，隨著用戶需求增多，產(chǎn)品設(shè)計更為復(fù)雜，各種不確定因素增多。在這種決策環(huán)境下，專家們存在風(fēng)險感知偏好，當模塊與用戶需求的關(guān)聯(lián)關(guān)系優(yōu)于群期望關(guān)聯(lián)值時，專家呈“收益”心理，反之則為“損失”，且表現(xiàn)出對“收益”尋求和“損失”規(guī)避的心理行為，這種心理行為影響模塊的最終判定；因此，將反映專家風(fēng)險感知心理行為的前景理論和COPRAS方法相結(jié)合，確定模塊的最終排序結(jié)果。

步驟1計算用戶需求與模塊的群關(guān)聯(lián)矩陣。利用式(5)和式(11)將各專家給出的關(guān)聯(lián)矩陣進行集結(jié)，獲得群關(guān)聯(lián)矩陣K=[kij]m×n，其中:

(15)

步驟2獲取模塊前景價值矩陣U=[uij]m×n，其中

(16)

(17)

步驟4計算模塊Ci的綜合標準化前景值vi。

(18)

步驟5確定所有模塊Ci的效用度zi，根據(jù)效用度zi對模塊進行排序,

(19)

效用度越大，對應(yīng)的模塊重要度越大。企業(yè)根據(jù)模塊的重要度，對資源進行有效配置，提高用戶滿意度。基于此，提出基于改進QFD的模塊重要度判定方法的流程，如圖1所示。

3 案例及對比分析

3.1 案例分析

A企業(yè)是一家生產(chǎn)小型純電動汽車的企業(yè)，為優(yōu)化資源配置、滿足市場需求，計劃改進現(xiàn)有的一款電動汽車。通過對電動車經(jīng)銷商、購買客戶的售后和訪談，獲得用戶最關(guān)注的需求為：續(xù)航里程(DR1)、售價(DR2)、電池壽命(DR3)、舒適度(DR4)、保值率(DR5)、充電時長(DR6)、安全性(DR7)、環(huán)保材料的使用(DR8)。企業(yè)現(xiàn)有模塊為車載電源模塊(M1)、驅(qū)動電機模塊(M2)、電池模塊(M3)、整車控制模塊(M4)、底盤模塊(M5)、顯示模塊(M6)、載荷模塊(M7)。

表1 用戶需求重要度評價表

表2 專家對用戶需求和模塊關(guān)聯(lián)關(guān)系評價表

續(xù)表2e3M1s8s8s7,s8s7,s8s7s2s6,s7s5,s6M2s7s6,s7s8s6,s7,s8s6s1,s2s7s5,s6,s7M3s7,s8s6s7,s8s8s7s3s7,s8s2M4s7s6s5s6,s7s6,s7s4,s5s6,s7s5,s6M5s6,s7,s8s4,s5s6s5s5s5,s6s7s5M6s6,s7,s8s4s6,s7s4s4s6s5s3M7s3s7,s8s3,s4s7s7s1,s2s7,s8s8

利用所提方法對模塊重要性進行判定，過程如下：

(1)根據(jù)式(6)～式(8)對用戶需求評價矩陣進行規(guī)范化處理，然后根據(jù)式(9)和模型M3獲得用戶視角下用戶需求重要度w=(0.144,0.148,0.117,0.114,0.132,0.127,0.087,0.128)。

(2)根據(jù)模型M4和式(11)獲得專家權(quán)重ε=(0.313,0.355,0.332),由式(12)～式(13)獲得專家視角下用戶需求重要度v=(0.142,0.093,0.120,0.123,0.113,0.143,0.120,0.143)。

(3)由式(14)獲得用戶需求最終重要度o=(0.142,0.091,0.116,0.118,0.127,0.151,0.117,0.138)。

表3 模塊前景標準值

(5)根據(jù)式(18)和式(19)獲得效用度z=(0.961,0.989,1.000,0.850,0.401,0.608,0.543)，則重要度排序為M3>M2>M1>M4>M6>M7>M5，即應(yīng)給予電池模塊(M3)最高關(guān)注度，其次為驅(qū)動電機模塊(M2)、車載電源模塊(M1)，底盤模塊(M5)的重要度最低。

用戶需求重要度對模塊的排序?qū)a(chǎn)生重要影響，考慮企業(yè)對用戶意見和專家意見的偏好，對參數(shù)ψ進行靈敏度分析確定用戶需求最終重要度，ψ取值不同時模塊排序結(jié)果如圖2所示。

由圖2可知，在模塊重要度方面，當ψ∈[0,0.5]時，重要度值差異較大且變化平穩(wěn)；當ψ∈(0.5,1]時，重要度變化顯著且當ψ∈[0.8,1]時模塊M1、M2、M3之間和M6與M7之間的差異相當小。這表明專家意見相對于用戶意見更為客觀，當企業(yè)側(cè)重于專家角度分析開發(fā)需求時，相應(yīng)的模塊能夠得到很好的區(qū)分；而模塊重要度對用戶視角下獲得的需求的變化更為敏感，且由于用戶更關(guān)注自身偏好，導(dǎo)致對模塊的區(qū)分度低。因此，當企業(yè)更傾向于從用戶視角考慮需求時，需要高精確運算才能獲得模塊的準確分析結(jié)果。

在模塊重要度排序方面，當ψ∈[0,0.6]時，重要度排序為M3>M2>M1>M4>M6>M7>M5，電池模塊(M3)具有最高重要度；當ψ∈(0.6,0.7]時，重要度排序為M2>M3>M1>M4>M6>M7>M5，驅(qū)動電機模塊(M2)具有最高重要度。當ψ∈(0.7,1]時，電池模塊(M3)和車載電源模塊(M1)的排序發(fā)生了改變，進一步驗證了側(cè)重于用戶視角得到的需求相比于側(cè)重于專家視角得到的需求，模塊重要度排序結(jié)果對前者的變化更為敏感。因此在現(xiàn)實的產(chǎn)品可持續(xù)設(shè)計模塊重要度判定過程中，企業(yè)根據(jù)實際情境和不同的考慮視角選擇參數(shù)ψ的取值，對模塊重要度判定具有重要意義。

此外，上述計算過程是基于語言結(jié)構(gòu)函數(shù)f1進行的。采用語言結(jié)構(gòu)函數(shù)f2和f3時模塊排序結(jié)果如圖3所示。

由圖3可知，采用語言結(jié)構(gòu)函數(shù)f2時，在ψ∈[0,0.2)時模塊重要度排序為M3>M2>M1>M4>M6>M7>M5；在ψ∈[0.2,1]時驅(qū)動電機模塊(M2)和車載模塊(M1)的排序位置發(fā)生改變；采用語言結(jié)構(gòu)函數(shù)f3在ψ∈[0,0.2]時模塊重要度排序為M3>M2>M1>M4>M6>M7>M5；在ψ∈(0.2，0.6]時最高重要度變?yōu)轵?qū)動電機模塊(M2)；在ψ∈(0.6,1]時模塊重要度排序為M2>M1>M3>M4>M6>M7>M5。排序結(jié)果表明，采用不同的參數(shù)ψ和語言結(jié)構(gòu)函數(shù)可能導(dǎo)致不同的模塊排序結(jié)果。 但不管語言結(jié)構(gòu)函數(shù)、參數(shù)ψ如何變化，電池模塊(M3)、驅(qū)動電機模塊(M2)和車載模塊(M1)始終處于最高重要度的前3位，表明這3個模塊對產(chǎn)品可持續(xù)設(shè)計具有至關(guān)重要的作用。因此，為優(yōu)化資源配置和滿足用戶需求，企業(yè)需要重點提高這3項模塊方面的能力。而其他模塊的重要度排序始終保持不變，說明了本文方法的有效性和高魯棒性。

3.2 對比分析

為對比所提需求分析方法的有效性，采用偏差最大法處理用戶需求評價信息，獲得需求重要度wj=(0.108,0.136,0.096,0.227,0.157,0.190,0.001,0.081)，與本文方法確定的需求重要度進行對比，結(jié)果如圖4所示。為便于比較，利用2.2節(jié)中的方法基于偏差最大化確定的用戶需求重要度獲得模塊效用度為M=(0.983,1.000,0.982,0.927,0.263,0.687,0.459)，模塊重要度排序結(jié)果為M2>M1>M3>M4>M6>M7>M5，驅(qū)動電機模塊(M2)為最高重要度，與本文方法中電池模塊(M3)為最高重要度兩種排序結(jié)果略有差異。

造成差異的原因是：偏差最大化方法獲得的用戶需求重要度以用戶評價為依據(jù)，僅考慮了用戶對需求的偏好導(dǎo)致需求重要度差異顯著；本文對用戶需求的分析是基于用戶和專家的雙視角，且將用戶需求的均衡接近度、專家態(tài)度與差異度納入需求分析過程中，得到的需求重要度之間較為均衡。此外，本文需求分析中參數(shù)ψ的取值反映了制造企業(yè)在獲取需求最終重要度時對用戶或?qū)＜乙庖姷钠贸潭龋脤Ρ确椒ǖ玫降哪K重要度排序結(jié)果與本文方法中參數(shù)ψ∈(0.7,1]時的排序結(jié)果相同，表明該方法是本文方法的一個特殊情況，從而說明本文方法能夠幫助企業(yè)得到更全面的模塊重要性判定結(jié)果，更具合理性和普適性。

為闡明在模塊重要度判定方法中考慮專家有限理性行為的重要性，將不考慮專家有限行為得到的判定結(jié)果與本文結(jié)果進行比較。公平起見，分別依據(jù)本文方法與偏差最大化方法得到的用戶需求重要度，利用式(17)～式(19)獲取模塊效用度和排序結(jié)果，如表4所示。

表4 對比方法排序結(jié)果

對比表4可知，在模塊重要度判定中不考慮專家心理行為得到的判定結(jié)果和本文方法得到的判定結(jié)果相差甚大。不考慮專家的有限心理行為，基于本文方法確定的需求重要度得到的模塊重要度排序為M5>M2>M6>M1>M4>M3>M7；基于偏差最大化方法得到的需求重要度模塊重要度排序為M5>M6>M2>M1>M3>M4>M7，除了車載電源模塊(M1)、底盤模塊(M5)和載荷模塊(M7)外，其他模塊的排序差異顯著。而在本文方法中，無論調(diào)節(jié)參數(shù)ψ和語言結(jié)構(gòu)函數(shù)如何變化，模塊最重要的3個因素始終電池模塊(M3)、驅(qū)動電機模塊(M2)和電池模塊(M1)，且其他模塊的排序保持不變。因此，說明了在產(chǎn)品可持續(xù)設(shè)計模塊重要度判定過程中，考慮專家心理行為的重要性。實際上，本文所提方法反映了風(fēng)險環(huán)境下專家的心理行為，與實際的決策環(huán)境更為貼切。因此，利用本文方法對模塊重要度進行判定，更符合實際，且能得到更可靠和準確的判定結(jié)果。

4 結(jié)束語

正確地判定模塊重要度有利于企業(yè)明確設(shè)計的方向，實現(xiàn)可持續(xù)產(chǎn)品的快速開發(fā)。為使模塊化設(shè)計盡可能地理解用戶需求，實現(xiàn)需求驅(qū)動的可持續(xù)產(chǎn)品的模塊設(shè)計，提出了基于改進QFD的產(chǎn)品可持續(xù)設(shè)計模塊重要度判定方法，所提方法具有以下特點：

(1)在改進QFD的信息表征方面，考慮到用戶對需求的偏好和需求信息的模糊、不確定性，以實數(shù)、區(qū)間數(shù)、猶豫模糊語言術(shù)語、對偶猶豫模糊數(shù)和三角模糊數(shù)等5類信息表征需求評價；考慮到專家評價過程中習(xí)慣的語言表達形式和猶豫心理，利用猶豫模糊語言術(shù)語表征用戶需求與模塊的關(guān)聯(lián)關(guān)系，避免關(guān)聯(lián)表征過程中的信息偏差。

(2)考慮到模塊設(shè)計中用戶需求分析是結(jié)合各用戶需求及其對應(yīng)模塊的一個多目標群決策過程，提出雙視角下的需求重要度確定方法。基于用戶對需求的直接評價，考慮到用戶與群評價的一致性和需求評價之間的均衡性對需求分析結(jié)果認同度的影響，利用均衡接近度思想獲得用戶層面的需求重要度；基于需求和模塊之間的關(guān)聯(lián)關(guān)系，考慮到專家的態(tài)度和用戶需求的差異度，為用戶需求的實現(xiàn)提供更穩(wěn)固的保證機制，獲得專家層面的需求重要度；設(shè)置調(diào)節(jié)參數(shù)，允許企業(yè)根據(jù)實際和不同的視角選擇適當?shù)膮?shù)取值。

(3)在最終的模塊重要度判定過程中，引入反映專家態(tài)度的前景理論，充分刻畫了專家在面對風(fēng)險和損失規(guī)避等方面的有限理性行為；基于COPRAS方法得到的模塊排序有效避免了模塊之間可能存在補償機制的問題，從而能夠充分說明某一模塊優(yōu)于或劣于其他模塊的具體程度。

通過對A企業(yè)在生產(chǎn)小型純電動汽車過程中模塊重要度判定的研究，說明所提方法的可行性，并通過靈敏度分析和比較說明所提方法的優(yōu)越性。下一步將研究在多階段情境下用戶需求具有動態(tài)變化的背景下，對產(chǎn)品可持續(xù)設(shè)計模塊重要度進行判定的問題。