集成DEMATEL-ISM的SEM模型快递分拣人员作业疲劳影响因素测定*

王雅荣，张宁

(内蒙古科技大学 经济与管理学院，内蒙古 包头 014010)

近年来，电子商务不断发展，快递物流业也伴随着智能化开始步入2.0时代，即由关注基础性服务支持转向用户体验升级和供应链效率改造.2020年快递已突破800亿件，直接或间接雇用了约600万人，达到当年总就业人数的7%.其中，快递分拣为一线工作岗位，担负日均2.5亿件的快递物件分拣工作[1].因此，为了更好地掌控快递分拣人员工作效率，有必要测定影响快递分拣人员作业疲劳的影响因素.

作业疲劳是由劳累会导致次优的心理生理状况，表现为体力疲劳和脑力疲劳两方面[2].体力疲劳主要表现为身体机能衰退、作业能力和效率不断下降等[3]；脑力疲劳表现为信息处理能力下降、心理压力而产生的情绪低落等[4].已有的研究表明，作业疲劳与自身生理心理因素[5]、作业本身[6]、环境因素[7，8]、管理因素[9]等有关，以此为基础，结合实地观察和访谈，编制了快递分拣人员作业疲劳18个影响因素量表，其中，因变量体力疲劳和脑力疲劳各3个因素，自变量12个影响因素，从这些因素中探寻出快递分拣人员作业疲劳的关键影响因素，并研究发现关键影响因素的作用机理.

1 快递分拣人员作业疲劳影响因素计算过程

1.1 数据获取

快递分拣人员作业疲劳量表18个因素，分为因变量体力疲劳因素，包括视觉疲劳(M11)、听觉疲劳(M12)、肌疲劳(M13)；因变量脑力疲劳因素分为情绪表现(M21)、反应时间(M22)、性格表现(M23)；自变量影响因素包括健康状态(N11)、技能水平(N12)、心理素质(N13)、劳动负荷(N21)、作业姿势(N22)、作业难易(N23)、设备适配(N31)、噪声(N32)、照明(N33)、轮班制度(N41)、岗位安排(N42)、工作休息(N43).变量形成因变量集Mij、自变量集Nij.对T市S企业某快递分拣中心的20名具有2年以上工作经历的快递分拣人员进行测定，从而来判定其作业疲劳与所列影响因素之间是否存在相关关系，若相关则记为“1”，不相关记为“0”，汇总统计，建立快递分拣人员作业疲劳影响因素的初始矩阵X(X=[xij]n×n)，具体见式(1).

(1)

1.2 DEMATEL数据处理

决策试验与评价实验室分析法(Decision Making Trial and Evaluation Laboratory，DEMATEL)是一种把图表理论和矩阵相结合的系统分析方法，通过数据以矩阵的形式寻找各影响因素之间的逻辑关系，并计算各个影响因素的致因程度、中心程度、影响程度和被影响程度[10]，作为构建各因素之间因果关系的模型的理论基础.本研究用此方法，确定快递分拣人员作业疲劳的关键影响因素.

首先用MATLAB软件规范处理，得到后续的影响矩阵D(D=[dij]n×n)；在矩阵D的基础上引入它们之间的相互作用，得出综合影响矩阵T，规范化公式见(2)：

(2)

综合影响矩阵T计算公式为：

=D(1-D)-1.

(3)

基于本研究计算各影响因素的相关指标，中心程度m，致因程度n，影响程度f，被影响程度e，并以此画出快递分拣人员作业疲劳的IRM图如图1所示.计算公式如下：

(4)

(5)

mi=fi+ej,(i=j) .

(6)

ni=fi-ej,(i=j) .

(7)

若致因程度n大于0为致因变量，n小于0为结果变量.上述公式计算得出，视觉疲劳(M11)、听觉疲劳(M12)、肌疲劳(M13)，情绪表现(M21)、反应时间(M22)、性格表现(M23)等n值小于0，且影响程度f值大于1.3，为结果变量；其它变量n值大于0，为致因变量，其中，劳动负荷(N21)、作业姿势(N22)、作业难易度(N23)、分拣设备适配度(N31)、工作休息制度(N43)的中心程度m值、影响程度f值相对较大，成为影响快递分拣人员作业疲劳的关键因素.图1显示上述5因素均处于坐标系右上方，即中心度、原因度值相对较大.

图1 快递分拣人员作业疲劳影响因素IRM

1.3 ISM的处理及分析

解释结构模型(Interpretive Structure Model, ISM)是系统工程理论中最常见的分析方法，将对系统有影响的关键因素划分层级，寻找它们之间的相互关系，画出多级递阶有向图.本研究用以探究快递分拣人员作业疲劳的关键影响因素之间的因果关系和传递机制[10].依据上文DEMATEL综合影响矩阵T，再研究讨论，确定阈值γ=0.065，从而求得快递分拣人员作业疲劳影响因素的可达矩阵K=[kij]m×n.

可达矩阵K计算公式如下

H=I+T.

(8)

(9)

对快递分拣人员作业疲劳影响因素可达矩阵K进行矩阵变换，得到每一层级最高的要素集，如表1所示，共分为5个层级，依此构建快递分拣人员体力和脑力疲劳影响因素的ISM模型，如图2所示，该图表明了快递分拣人员各影响因素之间的作用机制以及层级关系，从而更直观地了解各影响因素之间的逻辑关系.

ISM模型同时反映了各个因素之间的因果关系，因此本研究将快递分拣人员体力和脑力的18个因素分为由下至上的5层多级递阶结构.最根本的原因、潜在原因和直接原因在多级递阶结构的第五层、第四层、第三层，它们之间或多或少存在直接或间接的影响关系并且共同决定着快递分拣人员的作业疲劳；而导致分拣人员体力和脑力疲劳的具体表现则被放在了第一层和第二层.

表1 快递分拣人员体力和脑力疲劳多级递阶影响因素矩阵P

图2 快递分拣人员作业疲劳影响因素的ISM模型

2 快递分拣人员作业疲劳SEM模型建立及验证

2.1 SEM模型的发展阶段

结构方程模型(Structural Equation Modeling, SEM)这种多元统计方法主要用来验证变量之间的关系，它综合了路径分析的简便性以及因素分析的多样性，可以通过观测变量反映潜在变量，并确定其相互关系，从而得到自变量到因变量的直接关系、间接关系和总影响，主要包括测量模型和结构模型2个部分.本研究由前文DEMATEL分析和ISM分析得到快递分拣人员疲劳关键影响因素及其传递路径，去除影响程度和节点较少的管理因素中的轮岗制度，SEM模型的作业疲劳影响因素的观测变量为11个，自身素质(N1j)观测变量包括健康状态(N11)、技能水平(N12)、心理素质(N13)，作业本身(N2j)的观测变量包括劳动负荷(N21)、作业姿势(N22)、作业难易(N23)，环境因素(N3j)的观测变量包括设备适配(N31)、噪声(N32)、照明(N33)，管理因素(N4j)观测变量包括人员岗位安排(N43)、工作休息制度(N43)；6个为作业疲劳的体力疲劳(M1j)观测变量，包括视觉疲劳(M11)、听觉疲劳(M12)、骨骼肌疲劳(M13)，脑力疲劳(M2j)观测变量包括情绪表现(M21)、反应时间(M22)、性格表现(M23).

提出假设如下：

H1：快递分拣人员自身素质直接正向影响体力疲劳；

H2：快递分拣人员自身素质直接正向影响脑力疲劳；

H3：快递分拣作业本身直接正向影响体力疲劳；

H4：快递分拣作业本身直接正向影响脑力疲劳；

H5：快递分拣环境因素直接正向影响体力疲劳；

H6：快递分拣环境因素直接正向影响脑力疲劳；

H7：快递分拣企业管理因素直接正向影响体力疲劳；

H8：快递分拣企业管理因素直接正向影响脑力疲劳；

H9：快递分拣环境因素正向影响快递分拣作业本身；

H10：快递分拣人员自身素质正向影响快递分拣企业管理因素.

图3 快递分拣人员作业疲劳影响因素研究模型

2.2 数据的收集

根据文章的研究目的以及调查对象等，通过参考之前学者使用的成熟量表，比对了变量的实际含义，通过筛选最终形成了快递分拣人员作业疲劳量表，包括11个观测变量，6个潜在变量，采用李克特5点评分.本研究的发放对象为S物流企业流水线分拣员及其相关的从业人员，共发放问卷224份，回收209份，无效问卷14份.

数据收集整理后，为确保研究的科学性，必须先对量表的信效度进行检验.首先由SPSS20.0软件计算可知，量表整体的克朗巴哈系数(Cronbach’a)为0.943，远大于标准值0.7，而各个维度克朗巴哈系数分别为0.793，0.844，0.661，0.866，0.791和0.792，也均大于0.65，表明量表的内部一致性和信度符合本研究要求；其次，SPSS分析结果显示KMO值为0.877，远大于标准值0.7，Bartlett's球形度检验显著性水平远低于0.001，表明量表结构效度符合研究要求，同时本量表参考了大量文献及同类型的量表，且变量的因子载荷无异常，也表明量表的结构效度符合研究要求.

2.3 SEM模型的估计与评价

在假设检验之前，必须要对SEM模型的测量模型进行估计和评价，只有当测量模型符合标准时，才能进一步进行假设检验.采用路径权重法通过软件Smart PLS 3.0对SEM的测量模型进行内部估计：信度方面，每个变量的克朗巴哈系数(Cronbach’a)均大于建议值0.7，组合信度(Composite Reliability)也均大于建议值0.8，表明本测量模型具有较好的内部一致性和信度；观测变量对潜在变量解释力的标准化因子载荷(Factor Loading)也大于建议值0.7，表明本模型解释力也较好，具体数值见表2；效度方面，模型中每个变量方差提取的平均值(Average Variance Extracted, AVE)满足研究要求均大于建议值0.5，表明该SEM模型的聚合效度较高，同时，在PLS路径SEM模型中，要求每个潜在变量与其他变量的交叉载荷(Cross Loading)必须小于指标载荷(Indicator Loading)，具体数值见表3.根据Fomell-Larker提出的标准，潜在变量的AVE根大于其相关系数，同样表明本测量模型的聚合效度和区分效度满足研究要求.

表2 因子载荷表

表3 交叉载荷系数表

对SEM模型的结构模型进行估计和评价，主要是判定系数和路径系数.由软件Smart PLS 3.0的运算结果确定SEM模型的路径系数图如图4所示.计算发现因变量指标的判定系数(R2)均在0.33～0.67之间，而自变量指标的判定系数也均大于0.67，表明该模型具有很强的解释力度；进一步用bootstrap方法进行检验，模型估计结果表明路径系数t检验显著性满足研究要求，具体见表4，表明先前假设全部通过了检验.再计算本模型的拟合优度GoF(Goodness of Fit).计算计算公式为共性方差(Communality)均值和判定系数(R2)均值的几何平均数，通过计算可知，SEM模型的拟合优度为0.761，高于建议值，表明本SEM模型的总体拟合效果很好.

3 结论

本研究运用集成DEMATEL-ISM方法得到快递分拣人员作业疲劳的各种关键影响因素及其影响机制，作为结构方程模型的强理论支撑，并由此提出假设构建该SEM模型，之后通过模型求解可知，测量模型的信度和效度符合要求，而结构模型的收敛程度和拟合优度也符合要求，说明此前提出假设均成立，即快递分拣人员自身素质、作业本身、分拣环境和管理因素均对其作业疲劳有正向影响，但影响程度存在差异.

由图4路径模型路径系数图可知，管理因素对快递分拣人员的体力和脑力疲劳路径系数分别为0.262和0.315，均排名靠前；而工作休息制度的因子载荷系数在管理因素又排名最高.因此，快递企业应着力从管理因素中的工作休息制度来进行改善，从而提高快递分拣效率.

表4 Bootstrap检验结果

图4 SEM模型路径系数