不同自动化水平行业对体力和脑力负荷的影响研究

刘莉，郭伏，吕伟，任增根

(东北大学 工商管理学院，辽宁 沈阳 110169)

1 引言

近些年，科技水平的提升和智能制造领域的发展大幅度地促进了众多行业领域的自动化水平发展。据统计，商业、军事、工厂和交通等多个行业的自动化水平已得到快速提升，2020年我国数字化车间/智能工厂普及率超过了20%[1-2]。一方面，自动化水平的提升可以有效减少工作中作业人员的工作负荷，将重体力、高重复性质的作业任务交由机器来实现；另一方面，由于自动化水平的提升，人-机系统也越来越复杂，作业任务中体力负荷有所缓解，但可能会引起脑力负荷的增加[3]。虽然自动化水平的提升能在一定程度上解放人力，减少工作负荷，但在现实生产环境中，被解放的人力往往会被用于其他生产工作，以保证生产效率的提升[4]。这就意味着行业中自动化水平的提升，虽然保证了生产率的增加，但是否真正降低了作业人员的工作负荷，仍有待进一步的调研与研究。

随着科技的高速发展，多种智能机械设备正在逐步实现自动化、机器人化，但是完全自动化和无人化的生产系统在短期内是无法实现的[5]。当前，在部分行业中，随着自动化水平的提升，生产一线所需的人员数量正在逐年减少，大部分手工作业被机械化所取代，但在如今的制造业工作的所有时间中，仍有大约一半是用来做体力劳动的[6]。在各行业中，自动化的渐进式发展与应用，在减轻作业人员体力负荷的同时，也促使工人在人——机系统中角色与工作内容的转变，例如手工操作的执行者转换为机器操作的监控者。研究表明，在某些行业，如汽车、航空等，由于自动化水平的提升，人的体力负荷会下降，而相应的脑力负荷会增加[7-8]。这是由于，在机器参与作业任务的过程中，虽然一些重体力、高重复性质的工作可以被取代，但当人的闲置能力被用于安排其他工作任务时，整体工作负荷的提升和下降并不是绝对的。

基于此，众多学者都致力于研究高自动化水平下，不同行业工作者脑力负荷的变化。研究表明，自动化操作中的监控作业虽然减少了作业人员的体力负荷，但是会提高认知工作负荷，同时导致作业人员的警戒性和情景意识的降低[9-10]。在航空设备操作中，飞行员的角色从飞机控制的执行者转变为自动驾驶系统的监视者,即作业人员的体力负荷下降、脑力负荷增加的现象变得更加突出[11]。在制造业中，当机器人参与生产安排，作业人员整体的体力负荷变化则需要取决于整体生产计划的安排，而不会因为自动化水平的提高而直接减少体力负荷或是脑力负荷[12]。

目前研究不同自动化水平下的作业任务，大都只针对具体工位或作业步骤[13]。考虑机器人参与下，某个工位工人的作业负荷变化，而没有从整个行业的角度进行比较，片面的强调了自动化水平提升情况下，工人作业负荷的变化情况。研究整体行业自动化水平提升对广大作业人员的健康水平和企业的长远发展有着十分重要的意义。为了能更好地了解不同自动化水平下，不同行业之间劳动者的工作负荷情况，本文从体力负荷和脑力负荷两个角度出发，对各个行业劳动者的工作负荷进行评估，探究不同自动化水平的行业对工作负荷的影响。

2 方法

2.1 模型构建

自动化水平对未来行业的发展影响较大，各个行业体力负荷和脑力负荷直接关系着整个行业从业人员的职业健康问题；且自动化水平、所需技能水平、体力和脑力负荷和行业类型之间存在着密切的关系。据此，本文构建了五个因素，自动化水平A,行业所需技能水平B，行业类型C和各个行业的体力负荷D1和脑力负荷D2。这些因素对于行业的发展都存在着非常重要的影响，但各因素之间的是否存在相关关系，是怎样的相关关系系仍是需要探究的。因此，本文提出以下10个假设：H1所需技能水平和自动化水平之间正相关、H2所需技能水平和行业类型之间正相关、H3自动化水平和行业类型之间正相关、H4自动化水平和体力负荷之间负相关、H5 自动化水平和脑力负荷之间正相关、H6行业类型和体力负荷之间正相关、H7行业类型和脑力负荷之间正相关、H8体力负荷和脑力负荷之间正相关、H9所需技能水平和体力负荷之间负相关、H10所需技能水平和脑力负荷之间正相关，关系模型如图1 所示。

图1 自动化水平、所需技能水平、体力和脑力负荷、行业类型的关系模型

2.2 实验材料

本研究采用美国职业信息网(Occupational Information Network，O*NET)数据库中的数据进行分析和评估。该数据库是由美国劳工部(U.S.Department of Labor)开发的，覆盖美国现有的974种职业，每种职业中包含277条职业信息描述的网络平台。在O*NET数据库中可以获得不同职业的定义、分类、技能统计和评估、工作内容等各类详细数据，这些数据来源于专职人员对每种职业人口和职业专家的调查和问卷评估。这些统计结果每年都会被整合到新版数据库中，以提供随着时间推移职业发展的最新信息。本研究中选取了2020年10月13日更新以后的O*NET数据库版本。

2.3 方法选择

评估作业者脑力负荷和体力负荷常用的方法有很多，如，NASA-TLX量表(NASA Task Load Index，NASA-TLX)、Cooper-Harper评定量表和主观工作量评估技术(Subjective workload assessment technique，SWAT)是评价脑力负荷的常用手段；职业重复动作检查表(OCRA checklist)、手部活动水平阈值(Hand Activity Level (HAL) Threshold Limit Value (TLV))和压力指数(Strain Index，SI)等是常用来评价体力负荷的工具。

NASA-TLX是一种广泛使用的、主观的和多维的评估工具，通过对感知的工作量进行评级，以评估任务、系统或团队的效率或其他方面的表现。它是由美国宇航局艾姆斯研究中心(Ames Research Center)的人类性能小组开发的，包含六个主观分量表，分别是精神需求、生理需求、时间需求、绩效、努力程度和挫折程度，每个项目得分在100分范围内进行评估，然后根据六个分量表评分的加权平均得出总体工作量评分[14]。迄今为止该量表已被超过4400项研究引用，包括航空、医学、工业在内的各个领域都会利用该量表进行脑力负荷评估[15-18]。

压力指数是是一种基于生理学、生物力学和流行病学原理的半定量工作分析方法，该方法一般用于评估工作中上肢疾病风险程度，主要包含六个任务变量，分别是：工作强度(Intensity of exertion,IE)、工作时长(Duration of exertion，DE)、每分钟的工作时长(Exertions per minute，EM)、手/手腕姿势(hand/wrist posture，HWP)、工作速度(speed of work，SW)和每天工作时长(duration of task per day，DD)。每个任务变量都会根据作业内容被评估为一个参数值，六个任务变量乘数的乘积即为压力指数得分。这个分数与区分任务风险水平的梯度进行比较，最后通过乘积得分进行最后的健康风险水平判断[19]，如表1所示。该指数能够对当前工作进行分析，以评估其是否安全或危险，对风险进行量化，并协助进行工作的初步设计或重新设计工作，是评估工作风险的常用手段。该方法通过对各个参数进行定量分析，帮助用户识别工作的特定方面，避免某项作业任务朝着危险评估的方向发展，因此，利用该模型可以有针对性的消除或降低风险[20-21]。

表1 压力指数的参数和乘数对照表

因此，本研究选取了NASA任务负荷指数量表对脑力负荷进行评估，选取压力指数对体力负荷进行评估。

2.4 参数转换

在O*NET数据库中，我们能够从900多种职业中获得各项职业的277条数据，这些数据不仅包含了每个工作的具体内容，同时也能够对每项职业的能力和负荷要求进行评估和打分。为了对每项工作的体力和脑力负荷进行评估，我们在数据库中，选取了与NASA-TLX量表和SI量表计算所用参数的相似指标，作为替代指标进行分析评估。具体的各项参数替代情况如表2所示。

表2 SI和NASA-TLX参数对应的O*NET指标

各个工作的参数得分均可以在数据库O*NET中获得，该数据库中的参数得分则来源于实际工作中的工人打分。由于从O*NET中获得的参数得分均在0-100区间内，因此需要在计算SI得分时，根据SI各项参数的取值范围进行标准化转换(如表1所示)，以便最后的得分与风险程度进行比较。

2.5 数据搜集

从O*NET数据库中一共可以得到974种职业，除去军事类职业无法得到详细信息外，共可以得到873种职业的数据，每种职业包含277条职业信息，我们主要搜集的是其中可以代替问卷指标的参数和各个职业的自动化程度评分。首先，我们从数据库中导出需要的各项参数的评分，然后根据SI和NASA-TLX的计算方式，分别求得各个职业体力负荷和脑力负荷的得分。其中SI的总分是六项参数的乘积，并将其结果根据得分分为安全(SI<3)，不确定(3≤SI≤5)，稍许风险(5≤SI≤7)和危险(SI≥7)；在各项参数权重默认相等的情况下，NASA-TLX总分是各个参数之和，且分值越大表示此时承受的脑力负荷越大。

自动化水平(Degree of Automation)是指这个工作的自动化程度，可以从O*NET数据库中获得，得分范围为0-100分，具体打分标准如图2所示。

图2 自动化水平评分标准

所需技能水平是指每个职业需要的经验、培训和教育水平。根据O*NET受访人员调查，将职业需要的技能水平分为五类：1.非常少或者不需要技能；2.需要少量的技能；3需要一些技能；.4.需要大量的技能；5.需要卓越广泛的技能。

行业类型是指具有类似活动，产品或服务的广泛的企业或组织。根据就业类型被分为艺术、教育、交通、军队，制造和医疗等23个行业，但O*NET数据库中不提供有关军事行业的各类信息，因此本文选取的行业类型不包含军事，共计22类，详细信息如表3所示。

表3 O*NET中的行业类型信息

3 结果

本文采用统计分析软件IBM SPSS Statistics 26.0对实验结果进行分析和讨论。根据变量数据类型选择相应的Pearson、Speaman、Kendall’s tau-b等相关分析方法进行分析，结果如表4和表5所示。H1检验结果表示，自动化水平和职业所需技能水平显著相关，且呈现负增长关系。H2、H3检验结果表示行业类型和所需技能水平、自动化水平显著相关。H4、H5检验结果显示自动化水平和体力负荷与脑力负荷之间不显著，即没有统计学上的相关关系。而H6、H7的检验结果表示，行业类型与体力负荷和脑力负荷之间均显著相关，但与脑力负荷相关性非常小。H8检验结果表明各个职业中，脑力负荷和体力负荷之间存在关系，并且是显著正相关。H9、H10检验结果表示，所需技能水平与体力负荷存在显著负相关关系，而与脑力负荷之间虽然显著相关，但相关系数非常小。

表4 各因素相关性检验结果

表5 行业类型下的相关数据

4 讨论

4.1 体力负荷和自动化水平、行业类型、脑力负荷、所需技能水平的关系

根据相关性分析H4检验结果，体力负荷与自动化水平之间不存在显著相关，这与普遍认知中的高自动化水平会减少人体体力负荷的结论存在差异。虽然许多研究表明机械器具可以完成大量重复、高负荷的作业任务，但实际上，当部分任务被取代时，作业者此时的空闲时间并不会完全用于等待或者操纵机器。与之相反，当机器取代人工，此时的人工会被分配于其他机器无法实现的任务，以追求生产率的增加，这种情况下，人体体力负荷的变化是未知的。Pearce等通过对作业工位上加入协作机器人进行研究发现，随着自动化水平的提升，作业者的体力负荷并不是一直减小，工厂往往会同时考虑最大化生产效率。因此，在同时考虑生产效率和SI的情况下，分配给协作机器人不同的作业任务，会造成不一样的负荷结果[22]。Tsarouchi等提出了一种针对作业者和机械器具的任务分配算法，该算法力求在最小化任务完成时间和作业负荷，同时最大化资源利用率[23]。可以看出，现有的研究有大多针对在最小化作业负荷的同时，追求生产效率，这就意味着体力负荷和自动化水平之间并不是原有认知中的负增长关系，而是随着自动化水平的提升，作业者的空闲时间会被用于操作其他作业任务以提高生产效率。因此，如何最小化作业负荷和最大化生产效率，是现有研究的重点。H9的检验结果表明，体力负荷和所需技能水平显著负相关，表明某个职业所需要的技能水平越高，则需要的体力负荷相对较小。如艺术、设计、媒体等相关行业对于从业人员的技能要求水准很高，而体力负荷相对较小。张健的研究表明，学历水平和工作负荷之间存在负相关，学历越高的护理人员认为工作负荷越低[24]。虽然这并不是绝对，但在现有情况下教育水平越高，所需技能水平越强，则可以选择的从业门槛越低，从而避免从事高体力负荷的工作。

H6和H8的检验结果表明，体力负荷与脑力负荷、行业类型之间存在显著相关，且体力负荷和脑力负荷之间显著正相关。这表明体力负荷不仅在行业中存在差异，且各职业一般会同时要求体力和脑力负荷，如医护从业者、建筑技工、电工、钻机操作员等。以往研究表明，随着自动化水平的提升，在体力负荷降低的同时，会导致脑力负荷的增加[25]。另一方面，一些工作中体力负荷和脑力负荷存在正相关关系，当作业者的空闲时间被分配给其他任务时，整体任务的体力负荷和脑力负荷需要重新评估。

4.2 脑力负荷和自动化水平、行业类型、所需技能水平的关系

根据相关性分析H5的检验结果，脑力负荷与自动化水平之间不存在显著相关。以往研究表明，在某些工作中，随着自动化水平的提升，作业者的角色由原有的任务操作向信息监控处理方面转变，从而导致脑力负荷的增加[26]。以飞行员为例，随着飞机自动化程度的提高，操作者需要及时掌握大量任务信息,同时或继时完成多项任务,从而保证安全飞行，导致飞行员的脑力负荷不断增加[27]。而Cottrell&Barton的研究表明，驾驶的自动化趋势降低了驾驶任务的复杂性，减少精神负担和压力，从而产生更积极的情绪反应[28]。实际上，提升自动化水平可以降低驾驶工作的总体任务要求[29]。例如，车辆的正常运行是对于许多驾驶员来说一项压力很大的任务，而将该任务的某些特性可以通过自动化可以减轻负担[30]。这表明在自动化提升的过程中，脑力负荷并不会因为作业者角色的转变而逐渐递增，脑力负荷变化需要结合自动化程度和任务内容重新评估，而不是简单地认为作业者从事信息监控方面的任务会增加脑力负荷。在不同类型的工作中，脑力负荷也有所不同，如在需要逻辑思维、创新力、领导力的执业中，脑力负荷往往需求较大。从O*NET中得到的数据表明，脑力负荷较大的职业集中在医护、技术开发、维护修理等行业，而农林、教育、销售等行业则对脑力负荷要求较低。H10的检验结果表明，脑力负荷和所需技能水平之间虽存在显著负相关，但相关系数非常小，说明两者之间关系并不像体力负荷和所需技能水平之间联系那么紧密。

4.3 所需技能水平与自动化程度、行业类型的关系

通过相关性分析H1的检验结果，自动化与所需技能水平之间呈现显著负相关，意味着某个职业的自动化水平越低，则该职业所需要的技能水平越高。如厨师、保姆、汽车修理工、设计师等职业，由于其任务的复杂性和产品难以批量处理等问题，无法采用机械化器具进行生产，而这些行业往往对从业人员的技能水平要求较高。现有机器人在创新[31]、批判[32]、感知[33]等方面的发展虽相较以往有大量进步，但在这些领域相关的行业，人工仍是行业发展的核心。H3检验结果表明自动化水平与行业类型显著相关，说明自动化水平在各行各业中存在不同。根据O*NET行业类型的编号显示，商业(Business and Financial Operations，自动化水平得分36.16)、行政(Office and Administrative Support，自动化水平得分41.41)、生产(Production，自动化水平得分37.60)等行业的自动化平均水平较高(如表4所示)。这是由于近年来计算机的发展水平日新月异，而现有办公的主要手段则是依靠计算机技术，电脑的普及和更新使得与之相关行业的自动化水平迅猛提升。与之相反，艺术设计(Arts,Design,Entertainment,Sports,and Media，自动化水平得分19.95)、教育(Educational Instruction and Library，自动化水平得分15.53)等行业的由于其需要从业者独特的创造力、感知力等，相关的智能设备发展在这些能力上不够完善，因而这些行业的自动化发展缓慢。H2的检验结果表明，所需技能和行业类型之间也存在显著关系，O*NET得到的数据可知，食品加工业(Food Preparation and Serving Related，所需技能得分1.88)和建筑清理业(Building and Grounds Cleaning and Maintenance，所需技能得分1.75)从业者所需技能要求最低。这些行业的技能要求集中在协调、口头表达和理解、手部灵活性等方面，对学习能力和教育水平要求不高，行业的从业门槛较低，其中食品加工业78.5%的从业者的教育程度是高中及以下。教育(Educational Instruction and Library，所需技能得分4.67)和科学(Life,Physical,and Social Science，所需技能得分4.42)行业所需要的技能水平则是所有行业中最高的。根据O*NET数据显示，经济学家的从业者中91%以上是硕士学历，同时对逻辑思维、批判思维和决策能力要求较高。

5 总结

本文通过对O*NET数据库中共计873中职业进行分析，发现各行业的自动化水平和行业内从业者的体力和脑力负荷没有显著相关关系，而自动化水平与行业类型和从业所需技能之间存在显著相关。行业类型不同，体力和脑力负荷也存在差异。从整体行业上来讲，脑力负荷并不会随着体力负荷的减少而减少，与之相反，体力和脑力负荷之间存在正相关关系。随着自动化程度的提升，降低任务操作的复杂性，不仅仅会减少作业者的体力负荷，也会导致脑力负荷的降低。本文通过对大量职业信息的数据进行提取和分析，可以从全行业角度，针对自动化的提升对从业者体力和脑力负荷的变化进行了详细阐述，但本研究基于自动化水平对于不同职业的影响，具体工位上自动化水平的改变对于作业者体力和脑力负荷的变化，则需要进一步探究。