サービス学会国内大会：高速道路サービスエリア施設内での動線データのみを用いた作業行動パターン分析
•
0 likes•54 views
サービス学会第12回国内⼤会 B-3-2 サービス運⽤とテクノロジーセッション B-3-2-2 本稿では，現場固有詳細情報の収集前に実施可能な作業行動分析手法として，主に作業エリア遷移モデルの生成，作業エリア遷移インスタンスのクラスタリングによる作業行動パターンの抽出といった一連の手法について述べる．なお，本取り組みでは，自動車部品製造ラインで得られたデータセットに対して開発された本手法を，高速道路サービスエリア（SA）施設で得られたデータセットに適用している．これにより本手法の汎用性についての予備検証を兼ねた取り組みにもなっている． 本稿では，まず2節で，本分析で対象とした現場とそこで得られたデータについて概説する．次に，3節では，作業エリア遷移モデル生成と作業行動パターン抽出について述べる．4節では，現場固有詳細情報を用いない場合の分析結果，さらに，5,6節では，現場固有詳細情報との突合や本分析の適用現場間比較について報告する．
Recommended
More Related Content
Similar to サービス学会国内大会：高速道路サービスエリア施設内での動線データのみを用いた作業行動パターン分析
Similar to サービス学会国内大会：高速道路サービスエリア施設内での動線データのみを用いた作業行動パターン分析 (20)
More from Kurata Takeshi
More from Kurata Takeshi (20)
サービス学会国内大会：高速道路サービスエリア施設内での動線データのみを用いた作業行動パターン分析
- 1. 高速道路サービスエリア施設内での 動線データのみを用いた 作業行動パターン分析 蔵田 武志1, 小木曽 里樹1, 佐藤 章博1, 加藤 狩夢1, 中江 悟司1, 一刈 良介1 新村 猛2 1 産業技術総合研究所, 人間拡張研究センター 2 がんこフードサービス株式会社 本研究は，国立研究開発法人新エネルギー・産業技術総合開発機構（ＮＥＤＯ）の委託業務（JPNP21004），およ び，令和4年度産業技術総合研究所・立命館大学融合シーズ・スプラウト・プログラムの一環で行われたものである． サービス学会第12回国内⼤会 B-3-2 サービス運⽤とテクノロジーセッション
- 2. 生産性+QoW= 健康経営 2 • QoW (Quality of Working): 産業競争力懇談会（COCN）の2016年度の事業提言の１つ • QWL (Quality of Working Life): 欧米で1960年代後半から注目され、70年代に国際労働機関（ILO）、ヨーロッパ共同体（EC）、経済協力開発機構（OECD）等が積極的に関与 • PERMA: WB実現のための5要素（Positive emotion（ポジティブ感情）, Engagement（没頭）, Relationship（関係性）, Meaning（意義）, Achievement（達成）） • Decent Work: 1999年の第87回ILO総会において初めて用いられた概念 • HPM (Health and Productivity Management): 健康経営 • WB（Well-Being） : 1946年の世界保健機関（WHO）設立時に考案された憲章で言及 人的資本経営へ
- 3. 生産性+QoW= 健康経営 3 • QoW (Quality of Working): 産業競争力懇談会（COCN）の2016年度の事業提言の１つ • QWL (Quality of Working Life): 欧米で1960年代後半から注目され、70年代に国際労働機関（ILO）、ヨーロッパ共同体（EC）、経済協力開発機構（OECD）等が積極的に関与 • PERMA: WB実現のための5要素（Positive emotion（ポジティブ感情）, Engagement（没頭）, Relationship（関係性）, Meaning（意義）, Achievement（達成）） • Decent Work: 1999年の第87回ILO総会において初めて用いられた概念 • HPM (Health and Productivity Management): 健康経営 • WB（Well-Being） : 1946年の世界保健機関（WHO）設立時に考案された憲章で言及 人的資本経営へ
- 4. 地理空間インテリジェンス（GSI） • GSI: 位置情報を含む地理空間情報と他の情報とを連携させて課題解決を支援する手段・技術・ツール • GEOINTは国防寄りのニュアンスが強いため、ここではGSIと記載 • ロケーションインテリジェンスと呼ばれることも（GeoAIとも関連） • IE: Industrial Engineering, OR: Operations Reserach • UI: User Interface, XR: VR, AR, MR等の総称, AR: Augmented Reality, VR: Virtual Reality, MR: Mixed Reality 4 製造業の６M GSIの概念図
- 6. 作業行動パターン分析対象 （場、人） 6 場所：名神高速道路 吹田SA商業施設（がんこフー ドサービス社運営） レストラン、フードコート 物販、場外（たこ焼き） 範囲：上り線・下り線の両施設 対象面積（歩行可能エリア面積）：約2,200 m2 対象者：上り線側での従業員のみ 人数：第１回 48名、第２回 42名 （両方参加 37名） 期間：計20日間（各１0日間） 第１回 2022 年7月4日から7月14 日 第２回 2023 年1月16日から1月26日 時間：勤務中のみ
- 7. 作業行動パターン分析対象 （場、人） 7 場所：名神高速道路 吹田SA商業施設（がんこフー ドサービス社運営） レストラン、フードコート 物販、場外（たこ焼き） 範囲：上り線・下り線の両施設 対象面積（歩行可能エリア面積）：約2,200 m2 対象者：上り線側での従業員のみ 人数：第１回 48名、第２回 42名 （両方参加 37名） 期間：計20日間（各１0日間） 第１回 2022 年7月4日から7月14 日 第２回 2023 年1月16日から1月26日 時間：勤務中のみ 上り線側商業施設2階 上り線側商業施設1階 レストラン （厨房） フードコート （客席） たこ焼き レストラン （客席） 物販 フードコート （厨房） バックヤード 控室 事務室
- 8. 本分析の目的と データ取得方法 8 本分析の目的 作業行動の客観的・定量的な把握 第１回と第２回の計測の間に実施さ れた多能工化の効果確認 （人的資本経営支援を含むヘルスケ アサービスにおける常時モニタリン グのため心身状態予測） 自動車部品製造ラインで得られた データに対して開発された本手法の 汎用性の予備検証 動線データ取得方法 • 統合測位システムで計測 • BLEの受信信号強度（RSSI） • 歩行者自律航法（PDR） • マップマッチング
- 10. 現場固有詳細情報を用いずに 得られた分析結果: 作業エリア遷移モデルと 作業行動パターン 10 動線データから生成された 作業エリア遷移モデル 滞在ノード数 29 • 分析対象（上り側）内ノード 28 • それ以外をまとめたノード 1 滞在ノード：各作業エリアの代表位置に表示 業務従事者の 測位結果の例 作業エリア遷移モデル
- 12. 12 作業行動パターンとその代表インスタンス 作業行動パターン 16種類 • 415個の作業インスタンスのクラスタリングによ り抽出 • 図は、各作業行動パターンの代表インスタンス 作業インスタンス：計測対象者１名分の連続的な計測１回分の 動線データから各確率を求め、移動エッジや滞在ノードに割り 当てることにより得られるその動線に関する「作業エリア遷移 インスタンス」の略称 現場固有詳細情報を用いずに 得られた分析結果: 作業エリア遷移モデルと 作業行動パターン
- 13. 13 現場固有詳細情報を用いずに 得られた分析結果: 多能工化に関する比較 備考：作業エリア＝滞在ノード 作業エリア数＝1作業インスタンスあたりの滞在ノード数 2022年7月 （Before） 2023年1月 （After） 多能工化 (11月頃) • 多能工前後で同条件：1日当たりの売上 高（繁忙度合いの目安）は同等 Before After 差 差 [%] 有意差 作業エリア数 （全員） 11.1 13.3 2.2 19.8 N/A ↑ [平均値]（両方参加のみ） 11.3 13.2 1.9 16.8 増加 p≒0.01 移動距離 [km/人日] 4.6 5.0 0.5 10.2 増加 p≒0.036 ↑ 非定常作業インスタンス数 9.0 21.0 12.0 133.3 N/A ↑ 計測対象者数 [中央値] 22.0 21.0 -1.0 -4.5 実績(業務従事者数)で評価 ↓ （人数/日） [標準偏差] 3.7 1.5 -2.2 -59.1 N/A 時給 [平均値] （7月を1とした場合） 1.00 1.03 0.03 3.00 N/A ↑ 売上高 （7月の1日平均を1とした場合） 1.00 1.02 0.02 2.30 有意差なし p≒0.747 ―
- 14. 14 • 作業行動パターン16種の各代表インスタン ス（1,102次元ベクトル）を主成分分析 • 第1～第3主成分軸で張られる3次元空間中の 各代表インスタンスの散布図を比較 • プロットの数字：作業行動パターンID • プロットの大きさ：その作業行動パターン に属する作業インスタンスの出現頻度 • 楕円で示すA～Cの3つの作業行動パターン グループに着目 • 各グループにおいて，作業行動パター ンの出現頻度が大幅に変化 現場固有詳細情報を用いずに 得られた分析結果: 多能工化に関する比較
- 15. 1 15 14 5 11 3 10 6 8 9 2 A C Before (2022.7) After (2023.1) 多能工化 (2022.11) 現場固有詳細情報を用いずに 得られた分析結果: 多能工化に関する比較 多能工化前の作業行動パターン数 A) 1階一部：３、1階全体：１ B) 1階全体と2階中央下部：１ C) 2階全体と1階一部：２ 多能工化後の作業行動パターン数 A) 1階一部：１、1階全体：３ B) 1階全体と2階中央下部：１ C) 2階複数エリアと1階全体：１ 3（再掲） 4 B 一部 全体
- 16. 16 計測準備情報：計測準備に必要な情報のうち、現場管理者への詳細な聞き取りは不要であり， 過去の事例からも比較的分析担当側のみで進められることが確認できているもの 現場固有詳細情報：各従業員の役割や詳細なシフト計画，典型的な作業エリア区分など，現 場の聞き取りにより得られる非計測情報 計測現場間比較 自動車部品 製造ライン 高速道路SA 商業施設 作業エリア遷 移モデル 全滞在ノード数 21 29 分析対象滞在ノード数 13 28 滞在時間長レベル数 4 9 モデルの次元数 525 1,102 作業インスタンス数 46 415 作業行動パターン数 12 16 非定常作業インスタンス数 7 30 非定常割合 [％] 15.2 7.2 自動車部品 製造ライン 高速道路SA 商業施設 計測準備情報 計測面積 [m2 ] 1,400 2,200 BLEビーコン数 56 97 計測日数 5 20 計測対象者数 10 53 その他 フロアマップ BLEビーコン設置情報 現場固有 詳細情報 役割数 6 24 分析対象作業エリア数 10 25 その他 作業エリア区分 シフト情報・実績 本分析手法： • より大規模な現場に適用可能、製造現場だけではなくサービス現場にも適用可能 • 手法の変更点：代表インスタンスの各次元の代表値を中央値から平均値へと変更 • 作業エリア遷移モデルの次元数が倍以上になったことにより，各要素が0になる確率が増加 • より大規模な現場やモデルに適応するための変更
- 17. 17 現場固有詳細情報との 突合分析結果 役割別作業インスタンス数（人日）を降順にソート 聞き取りで確認された役割： 25種類 抽出された作業行動パターン数：16種類 役割の上位16位までの寄与率：約89% → 概ね主要な役割の数に見合った作業行動パターンが得られていた。 0 10 20 30 40 50 60 作業インスタンス数（人日) 役割ID 2 12 10 5 25 11 7 1 21 13 16 23 6 19 20 24 3 9 17 18 22 4 14 15 8 16位
- 18. 18 現場固有詳細情報との 突合分析結果 現場固有詳細情報：作業エリア区分 • 現場での聞き取り、人手で作成 • フロアマップ上で色分け • エリア数 25 • 作業エリア区分 • 滞在ノード（滞在プロットの クラスターで表現される作業 エリアの代表位置） が概ね対応 １つの作業エリア区分を複数の 滞在ノードで細かく記述 作業エリア遷移モデル • 動線データから生成 • 滞在ノード 28 レストラン （厨房） レストラン （客席） 控室 事務室 フードコート （客席） たこ焼き 物販 フードコート （厨房） バックヤード
- 19. 19 現場固有詳細情報との 突合分析結果 備考：作業エリア＝滞在ノード 作業エリア数＝1作業インスタンスあたりの滞在ノード数 Before After 差 差 [%] 有意差 作業エリア数 （全員） 11.1 13.3 2.2 19.8 N/A ↑ [平均値]（両方参加のみ） 11.3 13.2 1.9 16.8 増加 p≒0.01 移動距離 [km/人日] 4.6 5.0 0.5 10.2 増加 p≒0.036 ↑ 非定常作業インスタンス数 9.0 21.0 12.0 133.3 N/A ↑ 計測対象者数 [中央値] 22.0 21.0 -1.0 -4.5 実績(業務従事者数)で評価 ↓ （人数/日） [標準偏差] 3.7 1.5 -2.2 -59.1 N/A 時給 [平均値] （7月を1とした場合） 1.00 1.03 0.03 3.00 N/A ↑ 売上高 （7月の1日平均を1とした場合） 1.00 1.02 0.02 2.30 有意差なし p≒0.747 ― 1日当たりの業務従事者数 中央値： • 多能工化前 24.3名 • 多能工化後 22.1名 (-2.2名) 標準偏差： • 多能工化前 2.8名 • 多能工化後 1.5名 (-1.3名) 統計的有意差：あり（p≒0.036） • 1日当たりの業務従事者数：減少 １人当たりの 業務時間は増加 業務時間長 （7月の1人日平均を1とした場合） 1.00 1.07 0.07 6.60 ↑ 時給UP 多能工化要因：４割 最低賃金対応要因：６割
- 20. 20 現場固有詳細情報との 突合分析結果 1 14 5 11 3 10 6 8 9 2 A C Before (2022.7) After (2023.1) 多能工化 (2022.11) 多能工化前の主だった作業行動パターン A) 1階一部 B) 1階全体、レストラン厨房 C) レストラン全体、フードコート厨房 多能工化後の主だった作業行動パターン A) 1階全体 B) 1階全体、レストラン厨房 C) レストラン全体、１階全体（除：物販レジ） 3（再掲） 4 B BY: バックヤード フードコート （客席、厨房、BY） フードコート （客席） たこ焼き 物販（売り場，レジ） フードコート（厨房） 全体 レストラン （客席，厨房） レストラン （客席，厨房） フードコート （厨房、客室） フードコート（厨房） 物販（売り場） 全体 （除：たこ焼き） 全体 （除：物販） 全体 フードコート （客席） レストラン （客席，厨房） 全体 （除：物販レジ） 全体 レストラン （厨房）
- 21. おわりに 21 • GSI技術を用いた作業行動分析手法 • 吹田SA商業施設へ適用 → 製造・サービス現場の双方に適用可能 • 現場固有詳細情報に依存しない分析 • 作業エリア遷移モデルの生成、作業行動パターン抽出 • 多能工化による作業行動パターンに関するBefore/After分析 • 現場固有詳細情報との突合 → 分析結果の妥当性確認
- 22. 今後の課題 22 • オフィスワークのように同じ場所で異なる作業を行う場合 • 計測データと作業内容の対応付けが困難 → 突合分析では 2階事務室を除外 • 多くの作業行動パターンにおいて事務室に滞在 • 作業内容は役割によって異なっていたはず • 計測・分析のさらなる高度化・精緻化が必要 • アンケート・インタビューの分析 • 後日、野中先生（早稲田大）から報告予定 • 健康経営、人的資本経営支援：生産性とQoWの同時改善 • 今回：多能工化による生産性の改善効果、健康や働きが いに関係する作業者負担や新規作業スキル獲得を確認 • 今後：QoW全般に関する本格的な分析：生理・心理的指 標に関する各種データの効率的な取得 • 心身状態予測AI開発：佐藤さん（産総研）が報告 → 作業行動・心的状態シミュレータ構築へ