需求驅(qū)動(dòng)的文化創(chuàng)意產(chǎn)品設(shè)計(jì)方案決策模型

裴卉寧 黃雪芹 譚昭蕓

（河北工業(yè)大學(xué)建筑與藝術(shù)設(shè)計(jì)學(xué)院，天津 300401）

1 研究現(xiàn)狀

習(xí)近平總書(shū)記在黨的十九大報(bào)告中指出，要“倡導(dǎo)創(chuàng)新文化，強(qiáng)化知識(shí)產(chǎn)權(quán)創(chuàng)造、保護(hù)、運(yùn)用”[1]。隨著我國(guó)物質(zhì)生活水平與國(guó)民自信心的提升，人民精神文化需求和文化消費(fèi)意愿日漸顯現(xiàn)[2]。為滿足消費(fèi)者的特定精神需求，文化創(chuàng)意產(chǎn)品的研發(fā)成為文化傳承的重要媒介。

目前針對(duì)文化創(chuàng)意產(chǎn)品的創(chuàng)新設(shè)計(jì)研究大多以傳統(tǒng)文化或文學(xué)的視角入手[3]，存在文物復(fù)刻、淺層文化圖案創(chuàng)新等設(shè)計(jì)問(wèn)題。產(chǎn)品層次上缺乏情感調(diào)度，設(shè)計(jì)層面上缺失情感傳遞[4]，文創(chuàng)產(chǎn)品設(shè)計(jì)研發(fā)難以滿足當(dāng)下用戶的實(shí)際情感需求。同時(shí)，文創(chuàng)產(chǎn)品設(shè)計(jì)過(guò)程中呈現(xiàn)出設(shè)計(jì)水平良莠不齊、審美分化嚴(yán)重的現(xiàn)象[5]。文創(chuàng)產(chǎn)品的研究集中于設(shè)計(jì)方法或設(shè)計(jì)策略方面，缺乏科學(xué)系統(tǒng)化的文創(chuàng)產(chǎn)品創(chuàng)新設(shè)計(jì)方案決策方法。

因此，如何對(duì)用戶情感需求進(jìn)行深入分析，利用定性與定量分析方法進(jìn)行文創(chuàng)產(chǎn)品設(shè)計(jì)研究，提供滿足消費(fèi)者精神需求的設(shè)計(jì)服務(wù)方案，是目前文創(chuàng)企業(yè)亟待解決的關(guān)鍵問(wèn)題。針對(duì)用戶情感需求的設(shè)計(jì)方案確定方法，國(guó)內(nèi)外學(xué)者進(jìn)行了卓有成效的研究。本文將情感需求的確定與評(píng)價(jià)方法大致分為兩大類(lèi)：針對(duì)用戶需求主觀獲取方式和利用客觀判決算法挖掘用戶需求的方式。

主觀獲取方式主要包括質(zhì)量功能展開(kāi)（QFD）、DFSS[6]以及Kano模型[7]等方法。但主觀獲取方法往往易受到主觀因素的影響，出現(xiàn)老年用戶需求信息模糊與偏差的現(xiàn)象。隨著多學(xué)科領(lǐng)域知識(shí)的交叉融合現(xiàn)象，學(xué)者提出了確定需求權(quán)重的客觀評(píng)價(jià)方法，例如，田口質(zhì)量損失函數(shù)[8]、模糊評(píng)價(jià)分析法[9]、決策理論粗糙集[10]以及雙定量粗糙模糊集模型[11]等優(yōu)化方法。但研究發(fā)現(xiàn)，客觀需求算法無(wú)法準(zhǔn)確掌握用戶需求的偏好程度[12]，常出現(xiàn)需求不符現(xiàn)實(shí)現(xiàn)象。并且上述理論或方法多以用戶的情感需求研究為重點(diǎn)，忽視了產(chǎn)品設(shè)計(jì)方案的優(yōu)選決策研究，產(chǎn)品設(shè)計(jì)過(guò)程中應(yīng)提升前期需求與最終設(shè)計(jì)方案評(píng)價(jià)的匹配性，實(shí)現(xiàn)設(shè)計(jì)方案的優(yōu)選決策。

因此，本文提出一種需求驅(qū)動(dòng)的文創(chuàng)產(chǎn)品設(shè)計(jì)方案優(yōu)選決策模型，探索用戶需求對(duì)產(chǎn)品設(shè)計(jì)方案決策的影響。采用數(shù)據(jù)挖掘工具對(duì)需求信息進(jìn)行統(tǒng)計(jì)分析和智能轉(zhuǎn)化；利用模糊層次分析法（FAHP）和粗糙集理論（RS）分別計(jì)算評(píng)價(jià)屬性指標(biāo)的主客觀權(quán)重，根據(jù)用戶實(shí)際需求進(jìn)行動(dòng)態(tài)調(diào)整；最終運(yùn)用逼近理想解排序法（TOPSIS）以選擇出最優(yōu)設(shè)計(jì)方案。

2 文創(chuàng)產(chǎn)品設(shè)計(jì)方案的優(yōu)選決策模型

2.1 構(gòu)建樣本集與評(píng)價(jià)指標(biāo)體系

在文化創(chuàng)意產(chǎn)品的設(shè)計(jì)與研發(fā)中，創(chuàng)新的關(guān)鍵是通過(guò)用戶需求調(diào)查，需求合理分析是設(shè)計(jì)的依據(jù)，決定了產(chǎn)品創(chuàng)新設(shè)計(jì)的目標(biāo)。以用戶角度選取用戶需求因子，最大化發(fā)揮產(chǎn)品的使用體驗(yàn)與功能作用[13]。為了清晰闡述本文方法，選取可穿戴產(chǎn)品——文創(chuàng)手表為案例，構(gòu)建樣本集與評(píng)價(jià)指標(biāo)體系。

2.1.1 構(gòu)建文創(chuàng)產(chǎn)品代表性樣本數(shù)據(jù)集 樣本數(shù)據(jù)的搜集對(duì)產(chǎn)品數(shù)據(jù)集構(gòu)建尤為重要。為了更客觀準(zhǔn)確地篩選樣本，文中將樣本的篩選劃分為三個(gè)步驟。

（1）利用設(shè)計(jì)知識(shí)數(shù)據(jù)庫(kù)、設(shè)計(jì)工具數(shù)據(jù)庫(kù)，通過(guò)瀏覽各大購(gòu)物網(wǎng)站和走訪購(gòu)物商場(chǎng)，收集了銷(xiāo)售市場(chǎng)現(xiàn)存的文創(chuàng)手表圖像數(shù)據(jù)。利用PS圖像處理工具，初步篩選出較為清晰、鮮少遮擋的方案設(shè)計(jì)圖或?qū)嵨镎掌驳?4個(gè)樣本。

（2）邀請(qǐng)具有4年產(chǎn)品設(shè)計(jì)經(jīng)驗(yàn)的設(shè)計(jì)者依據(jù)對(duì)文創(chuàng)手表的相關(guān)知識(shí)，運(yùn)用KJ法參考樣本的相似性原則劃分為8個(gè)樣本初始聚類(lèi)中心，確定64個(gè)樣本間的相異性。待聚類(lèi)的樣本數(shù)據(jù)集為X={x1，x2，x3，…，xn}，其中xi={xi1，xi2，xi3，…，xim}，n為樣本集的樣本數(shù)量，m為樣本屬性的數(shù)量。計(jì)算樣本的相異度并構(gòu)建相異度矩陣。樣本xi與xj之間的相異度表示為rij：

其中max{xrs}表示第s個(gè)屬性的最大值，min{xrs}則表示最小值。經(jīng)統(tǒng)計(jì)后，設(shè)定矩陣數(shù)值范圍為[0，8]的整數(shù)集，數(shù)值與樣本間相異性成正比，所有樣本的相異度表示成n×n的相異度矩陣。見(jiàn)表1。

（3）為了更客觀篩選初步產(chǎn)品樣本，通過(guò)多元尺度分析與集群分析方法，進(jìn)一步確定最終的代表性設(shè)計(jì)方案數(shù)據(jù)集。通過(guò)對(duì)步驟（2）的相異性矩陣作多元尺度分析，獲取所需的樣本坐標(biāo)值和維度壓力系數(shù)。再將樣本空間坐標(biāo)值輸入SPSS軟件中分別進(jìn)行K-means集群分析與系統(tǒng)性集群分析，得到樣本群中心距離，使64個(gè)樣本被分為10類(lèi)。由于篇幅原因，省略具體細(xì)節(jié)。最后，結(jié)合兩種分析結(jié)果，分別選取各集群內(nèi)群中心距離最小值的樣本，最終得到10個(gè)代表性樣本形成產(chǎn)品設(shè)計(jì)的代表性樣本數(shù)據(jù)集U見(jiàn)圖1。

圖1 代表性樣本數(shù)據(jù)集

2.1.2 構(gòu)建文創(chuàng)手表的評(píng)價(jià)指標(biāo)體系 以用戶角度選取情感需求因子，通過(guò)感性評(píng)分表統(tǒng)計(jì)分析用戶需求信息，從而構(gòu)建出文創(chuàng)手表的評(píng)價(jià)指標(biāo)體系。該過(guò)程可分為三個(gè)步驟。

（1）獲取情感需求因子。采用向產(chǎn)品銷(xiāo)售顧問(wèn)及相關(guān)人員現(xiàn)場(chǎng)訪談的方式搜集資料，再結(jié)合查閱檢索文獻(xiàn)中用戶需求研究[13]（模糊Kano用戶調(diào)研問(wèn)卷數(shù)據(jù)）保證情感需求信息具有一定的真實(shí)有效性與研究?jī)r(jià)值，收集文創(chuàng)手表的設(shè)計(jì)需求描述信息。針對(duì)用戶需求因子過(guò)多、可能存在冗余且重要性不強(qiáng)的特點(diǎn)，利用焦點(diǎn)小組進(jìn)行初步篩選用戶需求。再通過(guò)對(duì)用戶需求運(yùn)用SPSS、Orange等數(shù)據(jù)分析工具，深入挖掘用戶的情感需求，得到文化創(chuàng)意手表的情感需求因子。

（2）分析用戶需求感性評(píng)分表。由于用戶作為評(píng)價(jià)群體具有較強(qiáng)的主觀偏好因素，為保證準(zhǔn)確有效地提取用戶需求信息，邀請(qǐng)10位專(zhuān)家（具有5年以上產(chǎn)品設(shè)計(jì)背景）作為評(píng)價(jià)集E={E1，E2，E3，…，E10}進(jìn)行評(píng)分；設(shè)計(jì)方案評(píng)價(jià)指標(biāo)作為條件指標(biāo)集C={C1，C2，C3，…，C9}，利用專(zhuān)家知識(shí)有針對(duì)性地分析各評(píng)價(jià)指標(biāo)的表征性。用上述代表性樣本數(shù)據(jù)集U與9個(gè)情感需求因子繪制5階評(píng)價(jià)指標(biāo)量表，設(shè)定1—5的感性評(píng)分值，由左至右分值越偏向于表示樣本Ui越符合該情感需求因子。如表1所示，得到情感需求因子的感性評(píng)分表，將需求因子作為條件屬性，綜合滿意度作為決策屬性，以評(píng)審專(zhuān)家Ei對(duì)于代表性樣本集的定性評(píng)價(jià)為代表，形成用戶需求感性評(píng)分表，如表2所示。

表1 樣本數(shù)據(jù)集相異性矩陣

表2 代表性樣本用戶需求感性評(píng)分表

（3）構(gòu)建評(píng)價(jià)指標(biāo)體系。對(duì)文創(chuàng)手表的需求因子進(jìn)行分析和整理，科學(xué)合理地對(duì)需求因子進(jìn)行簡(jiǎn)化。經(jīng)過(guò)行業(yè)內(nèi)專(zhuān)業(yè)人員以及專(zhuān)家的研究討論，將待解決的文創(chuàng)手表需求劃分問(wèn)題分解為不同層次元素，依據(jù)需求因子間的相互作用關(guān)系構(gòu)成樹(shù)狀層次架構(gòu)，從而搭建相應(yīng)的評(píng)價(jià)指標(biāo)體系，如表3所示。

表3 文創(chuàng)手表設(shè)計(jì)的評(píng)價(jià)指標(biāo)體系

2.2 基于主客觀權(quán)重判決的用戶需求權(quán)重確定算法

設(shè)定智能產(chǎn)品設(shè)計(jì)方案數(shù)據(jù)集U={U1，U2，U3，…，Um}，第i個(gè)可行設(shè)計(jì)方案Ui為i=（1，2，3，…，m）；設(shè)計(jì)方案的評(píng)價(jià)指標(biāo)集C={C1，C2，C3，…，Cn}，第j個(gè)評(píng)價(jià)指標(biāo)Cj為j=（1，2，3，…，n）；評(píng)審專(zhuān)家集E={E1，E2，E3，…，Er}，第s個(gè)專(zhuān)家Es為s=（1，2，3，…，r）?；赗S與FAHP構(gòu)建主客觀權(quán)重判決的用戶需求評(píng)估模型，見(jiàn)圖2。

圖2 基于主客觀權(quán)重判決的用戶需求權(quán)重確定算法流程圖

利用模糊層次分析算法與粗糙集理論進(jìn)行設(shè)計(jì)方案決策的過(guò)程，可理解為解決一項(xiàng)多屬性決策問(wèn)題，每個(gè)指標(biāo)屬性的權(quán)重值決定了決策結(jié)果的精確性，因此，指標(biāo)權(quán)重計(jì)算為算法的核心環(huán)節(jié)。運(yùn)用RS理論緩解FAHP算法主觀性過(guò)強(qiáng)的缺陷，運(yùn)用FAHP算法應(yīng)對(duì)RS計(jì)算過(guò)程中屬性權(quán)重值相等或等于零的狀況，分別計(jì)算出評(píng)價(jià)指標(biāo)權(quán)重值。依據(jù)RS理論與FAHP算法的特有屬性，將兩種算法所得權(quán)重值分別表示為客觀權(quán)重α={α1，α2，α3，…，αn}與主觀權(quán)重β={β1，β2，β3，…，βn}。再引入動(dòng)態(tài)調(diào)整參數(shù)對(duì)主客觀權(quán)重進(jìn)行權(quán)重融合，采用線性加權(quán)組合法確定最終需求權(quán)重ω={ω1，ω2，ω3，…，ωn}。

2.2.1 基于RS的客觀權(quán)重確定方法 本文利用模糊層次分析法和粗糙集理論分別計(jì)算設(shè)計(jì)方案評(píng)價(jià)指標(biāo)的主客觀權(quán)重。首先，引入粗糙集理論[14-16]，充分應(yīng)用自身數(shù)據(jù)進(jìn)行決策推理，計(jì)算分析屬性指標(biāo)信息及其重要度，獲得更符合實(shí)際的客觀權(quán)重。利用設(shè)計(jì)方案的評(píng)價(jià)指標(biāo)構(gòu)建屬性數(shù)據(jù)集合，依據(jù)條件屬性集和決策屬性集數(shù)據(jù)，利用粗糙集理論計(jì)算各屬性指標(biāo)權(quán)重值。具體步驟如下：（1）確定判決矩陣。首先整合所有參與計(jì)算的評(píng)價(jià)指標(biāo)數(shù)據(jù)，構(gòu)建條件屬性集和決策屬性集。作為條件屬性的評(píng)價(jià)指標(biāo)有美學(xué)性、個(gè)性化、實(shí)用性等，其用戶表示為P={P1，P2，P3，…，Pn}；作為決策屬性的評(píng)估指標(biāo)表為設(shè)計(jì)方案滿意度；可選設(shè)計(jì)方案數(shù)據(jù)集為U={U1，U2，U3，…，Um}。每個(gè)設(shè)計(jì)方案以及其屬性指標(biāo)組成的多屬性判決矩陣A為：

（2）計(jì)算依賴(lài)度。計(jì)算D的條件指標(biāo)C的正域，決策指標(biāo)D對(duì)條件指標(biāo)C的依賴(lài)度即為：

其中：為集合U的基數(shù)。逐個(gè)去除條件指標(biāo){Ci}，i=1，2，3，…，n，計(jì)算D的C-{Ci}正域和依賴(lài)度：

（3）計(jì)算重要度。第i個(gè)條件指標(biāo)在整個(gè)評(píng)價(jià)指標(biāo)集中的重要度ki為：

（4）確定客觀權(quán)重值。對(duì)指標(biāo)重要度作歸一化處理，則用戶需求對(duì)應(yīng)的條件指標(biāo)Ci的客觀權(quán)重αi表示為：

Step5：參照式（5～6）的計(jì)算方法，通過(guò)條件屬性的重要度確定每個(gè)指標(biāo)Ci對(duì)應(yīng)的權(quán)重αi，則客觀權(quán)重為：α={α1，α2，α3，…，αn}。

2.2.2 基于FAHP的主觀權(quán)重確定方法 本文采用模糊層次分析法表達(dá)用戶需求，有機(jī)結(jié)合了模糊綜合評(píng)價(jià)的包容性與層次分析法的定量性、客觀性等優(yōu)勢(shì)[17]。但考慮到用戶提供個(gè)人需求具有一定的模糊性，因此選取設(shè)計(jì)專(zhuān)家作為評(píng)價(jià)群體，以此確定的主觀權(quán)重可信度更高。確定主觀權(quán)重的具體步驟如下：

（1）構(gòu)建優(yōu)先關(guān)系矩陣。假設(shè)對(duì)設(shè)計(jì)方案決策產(chǎn)生影響的n個(gè)指標(biāo)參數(shù)為R={r1，r2，r3，…，rn}；P為決策者的編號(hào)，P={P1，P2，P3，…，Pr}。從多個(gè)決策者中獲得屬性指標(biāo)兩兩比較，即獲得AHP判決矩陣RP=[rij]Pm×n：

式中，0≤rij≤1，rij+rji=1，rij為用戶需求指標(biāo)ci與cj的模糊關(guān)系隸屬度。本文的隸屬度如表4所示，可見(jiàn)rii=0.5，R為模糊互補(bǔ)矩陣。

表4 客戶需求模糊關(guān)系隸屬度

（2）構(gòu)建模糊一致矩陣。模糊一致矩陣為AP=[aij]Pm×n：

（3）計(jì)算主觀權(quán)重值。用戶需求對(duì)應(yīng)的條件指標(biāo)的主觀權(quán)重為：

式中，βi為第i個(gè)評(píng)價(jià)指標(biāo)經(jīng)由模糊層次分析法處理后的權(quán)重，則獲得的主觀權(quán)重β={β1，β2，β3，…，βn}。

2.2.3 基于線性加權(quán)組合的融合需求權(quán)重確定方法 為使優(yōu)選出的產(chǎn)品設(shè)計(jì)方案既滿足用戶需求，又能具有一定的客觀性。將主觀權(quán)重和客觀權(quán)重進(jìn)行綜合處理，并依據(jù)用戶的實(shí)際需求，引入動(dòng)態(tài)調(diào)整主客觀權(quán)重比的參數(shù)δ，根據(jù)用戶的實(shí)際用戶需求，自主選取與之相對(duì)應(yīng)的參數(shù)δ將主客觀權(quán)重進(jìn)行融合計(jì)算，融合權(quán)重向量ωi表達(dá)式為:

其中，若δ∈（0，0.5），表示評(píng)估結(jié)果更重視用戶需求，即主觀權(quán)重占比大；若δ∈（0.5，1），則為評(píng)估結(jié)果中客觀權(quán)重占比更大；若δ=0.5，則為客觀權(quán)重和主觀權(quán)重同等重要。根據(jù)實(shí)際的用戶需求確定相應(yīng)數(shù)值，得到最終融合需求權(quán)重ωi={ω1，ω2，ω3，…，ωn}。

2.3 基于TOPSIS的產(chǎn)品設(shè)計(jì)方案優(yōu)選模型

為了綜合評(píng)估設(shè)計(jì)方案，將運(yùn)用主客觀權(quán)重判決算法獲得的最終融合權(quán)重代入TOPSIS方法中。由于最終融合權(quán)重ωi均依據(jù)方向向量以選取最優(yōu)設(shè)計(jì)方案，因此通過(guò)計(jì)算到達(dá)最優(yōu)理想方案的歐幾里得距離，對(duì)可行設(shè)計(jì)方案進(jìn)行統(tǒng)計(jì)分析。與理想方案的歐式距離越近，方案越優(yōu)，反之亦然。最優(yōu)方案則為選取設(shè)計(jì)方案屬性指標(biāo)的最優(yōu)值。最終得到設(shè)計(jì)方案排序。

（1）對(duì)多屬性判決矩陣A進(jìn)行歸一化處理，可得標(biāo)準(zhǔn)化矩陣R=（rij）m×n：

式中，m為設(shè)計(jì)方案樣本數(shù)；n為屬性指標(biāo)數(shù)，dij為判決矩陣A對(duì)應(yīng)的位置元素值。

（2）構(gòu)建規(guī)范化矩陣V=（vij）m×n，如下：

式中，ωi為第i個(gè)需求評(píng)價(jià)指標(biāo)的權(quán)重，rij表示矩陣R中對(duì)應(yīng)的位置元素值。

（3）確定正理想解S+和負(fù)理想解S-。評(píng)價(jià)指標(biāo)的正、負(fù)理想解分別表達(dá)為：

（4）計(jì)算各設(shè)計(jì)方案與正、負(fù)理想解的距離尺度?？尚性O(shè)計(jì)方案Ui到最優(yōu)方案的歐式距離d+i和最劣方案的歐式距離d-i可表示為:

式中，vij表示在第i個(gè)指標(biāo)下第j個(gè)設(shè)計(jì)方案的加權(quán)評(píng)價(jià)值；v+i和v-i分別表示第i個(gè)評(píng)價(jià)指標(biāo)下的最優(yōu)、最劣目標(biāo)值。

（5）計(jì)算貼近度。各設(shè)計(jì)方案到理想解的相對(duì)貼近度可描述為：

式中c+i值越大，表示可行設(shè)計(jì)方案Ui距離最優(yōu)方案越近，即該設(shè)計(jì)方案越優(yōu)。

依據(jù)各設(shè)計(jì)方案的貼近度c+i值依次排序，得到產(chǎn)品設(shè)計(jì)方案集U的優(yōu)劣順序。因此，可以從已排好序的貼近度表中，找到c+i最大值對(duì)應(yīng)的最優(yōu)產(chǎn)品設(shè)計(jì)方案。

3 文創(chuàng)產(chǎn)品實(shí)例分析

3.1 文創(chuàng)手表實(shí)例分析

依據(jù)第2章節(jié)中優(yōu)選決策模型的分析過(guò)程，評(píng)選文創(chuàng)手表設(shè)計(jì)方案。評(píng)價(jià)選擇過(guò)程中由文創(chuàng)產(chǎn)品領(lǐng)域的10位專(zhuān)家（具有5年以上產(chǎn)品設(shè)計(jì)背景）作為評(píng)價(jià)集體E={E1，E2，E3，…，E10}進(jìn)行評(píng)分。針對(duì)表3所示的評(píng)價(jià)指標(biāo)體系模型C={C1，C2，C3，…，C9}以及U={U1，U2，U3，…，U10}可選設(shè)計(jì)方案進(jìn)行評(píng)價(jià)排序。

（1）根據(jù)式（2～6）計(jì)算，獲得各評(píng)價(jià)指標(biāo)在粗糙集理論準(zhǔn)則下的客觀權(quán)重；根據(jù)式（7～9）計(jì)算，獲得各評(píng)價(jià)指標(biāo)在其隸屬準(zhǔn)則下的主觀權(quán)重。

（2）為了使評(píng)估結(jié)果充分滿足用戶情感需求，且融合權(quán)重具有足夠的客觀性。選以主客觀權(quán)重比參數(shù)δ=0.4為例，代入式（10）中進(jìn)行分析，采用線性加權(quán)優(yōu)化方法計(jì)算主客觀權(quán)重融合，得到各指標(biāo)最終融合權(quán)重ω9，詳見(jiàn)表5。

表5 各評(píng)價(jià)指標(biāo)的主客觀權(quán)重值

（3）最終，通過(guò)TOPSIS法比較與理想方案的歐幾里得距離，各可行設(shè)計(jì)方案與理想解貼近度c+i排序結(jié)果表示方案的優(yōu)劣順序。因此，10個(gè)文創(chuàng)手表設(shè)計(jì)方案的最終評(píng)價(jià)排序結(jié)果為U2〉U6〉U3〉U7〉U4〉U1〉U5〉U8〉U10〉U9。

如上數(shù)據(jù)分析可知，最佳文創(chuàng)手表可選方案為U2，其次為U6、U3、U7等方案。用戶對(duì)于文創(chuàng)手表的需求更側(cè)重于美觀性和功能性?xún)煞矫?，在文化?chuàng)意產(chǎn)品設(shè)計(jì)過(guò)程中應(yīng)以美學(xué)性、可靠性、協(xié)調(diào)性等手表性能研發(fā)為主。

3.2 評(píng)估方法分析

為了說(shuō)明本文評(píng)估決策模型的準(zhǔn)確性和高效性，將本文方法與模糊層次分析法、文獻(xiàn)［12］所用方法進(jìn)行比較，文獻(xiàn)［12］將粗糙集理論和TOPSIS法進(jìn)行結(jié)合，但其需要對(duì)評(píng)價(jià)指標(biāo)簡(jiǎn)約后再進(jìn)行評(píng)價(jià)，工作量相對(duì)較大，計(jì)算復(fù)雜。在同一評(píng)價(jià)體系以及相同的仿真條件下，得到三種評(píng)估方法對(duì)設(shè)計(jì)方案優(yōu)選決策的結(jié)果，見(jiàn)表6。

表6 各評(píng)估方法對(duì)設(shè)計(jì)方案綜合評(píng)價(jià)的結(jié)果

由三種評(píng)價(jià)結(jié)果可知，采用本文方法與模糊層次分析法與文獻(xiàn)［12］所用方法的排序結(jié)果基本一致，說(shuō)明本文決策模型的準(zhǔn)確性。同時(shí)，由評(píng)估時(shí)間均值可以看出本文方法要優(yōu)于另兩種方法，說(shuō)明本文方法評(píng)估結(jié)果的時(shí)效性更好，更高效地實(shí)現(xiàn)產(chǎn)品設(shè)計(jì)的指標(biāo)權(quán)重評(píng)價(jià)與方案決策。進(jìn)而表明，基于主客觀權(quán)重算法的評(píng)估方法可以將客觀權(quán)重值和主觀權(quán)重值進(jìn)行有效融合，本文模型在文化創(chuàng)意產(chǎn)品設(shè)計(jì)方案的評(píng)估決策中更具實(shí)用性與優(yōu)越性。

4 結(jié)論

本文旨在以用戶情感需求作為出發(fā)點(diǎn)，對(duì)文創(chuàng)產(chǎn)品設(shè)計(jì)方案的評(píng)估決策進(jìn)行研究，提出一種需求驅(qū)動(dòng)的文創(chuàng)產(chǎn)品設(shè)計(jì)方案決策模型。首先，運(yùn)用SPSS分析工具構(gòu)建了用戶需求評(píng)價(jià)指標(biāo)體系；其次，采用粗糙集理論和FAHP法分別得到主客觀權(quán)重，并引入動(dòng)態(tài)調(diào)整參數(shù)與TOPSIS方法，實(shí)現(xiàn)對(duì)各設(shè)計(jì)方案的優(yōu)選決策；最后，以文創(chuàng)手表設(shè)計(jì)為案例，通過(guò)與評(píng)估方法分析比較，說(shuō)明了本文方法的高效準(zhǔn)確性和實(shí)用優(yōu)越性。在深入分析文創(chuàng)產(chǎn)品用戶需求的基礎(chǔ)上，本文模型實(shí)現(xiàn)了準(zhǔn)確高效的設(shè)計(jì)方案評(píng)價(jià)與決策，為消費(fèi)者提供了更佳的產(chǎn)品設(shè)計(jì)方案。

該模型適用于多方案的選擇評(píng)價(jià)，給予后續(xù)文化創(chuàng)意產(chǎn)品設(shè)計(jì)與開(kāi)發(fā)以啟發(fā)作用，為新產(chǎn)品開(kāi)發(fā)與決策提供了理論支持與技術(shù)支撐。下一步將考慮從用戶體驗(yàn)視角出發(fā)，面向大數(shù)據(jù)環(huán)境進(jìn)行文本挖掘確定文創(chuàng)產(chǎn)品的用戶感性需求，提高研究數(shù)據(jù)的真實(shí)可靠性。