一种用于通过机器人技术评估蘑菇采摘中劳动力利用和成本节约策略的框架

《Information Processing in Agriculture》：A framework for evaluating labor utilization and cost-saving strategies in mushroom harvesting through robotics

　　M.D. Kashfin | Ezra T. Wari | Mahsa Alian | Pratikshya Tiwari | Suresh Khатор | Weihang Zhu | Venkatesh Balan
工程技术系，机械工程技术项目，休斯顿大学Cullen工程学院，13850 University Blvd.，Sugar Land，TX 77479，美国

**摘要**
蘑菇收获是大规模商业生产中最劳动密集且时间敏感的操作之一，持续的劳动力短缺、工资上涨以及劳动力分配不均会直接影响 farms 的盈利能力。本研究提出了一个农场级别的决策支持框架，用于在实施前评估劳动力利用情况，并比较劳动力改进和机器人收割策略的效果。该框架将农场生产能力、劳动力成本、劳动生产率和劳动力效率整合在一个统一的分析工作流中。通过一个基于敏感性分析的大规模商业蘑菇农场案例研究，验证了其实用性。在基准情景下，整个农场的劳动生产率为每位工人111,094美元，劳动效率为28%。敏感性分析表明，通过改进工人表现，劳动生产率可提高到每位工人125,000至132,000美元。同时，优化后的劳动力分配方案使劳动效率从28%降至25%，表明劳动力成本占比降低。在基于工人的干预措施中，将表现较差的工人的收获效率从每小时35磅提高到65磅是最实用的策略。尽管自动化程度超过某个阈值后边际效益下降，但机器人收割进一步增加了年收入和劳动生产率。在简化假设下，根据收割速度，机器人回收期估计为0.5至0.7年。总体而言，所提出的框架为蘑菇收获中的劳动力及自动化相关策略的基准测试、敏感性分析和实施前评估提供了一个结构化的基础，并为劳动密集型农业系统的数据驱动决策支持提供了更广泛的应用价值。

**1. 引言**
蘑菇是一种富含营养的食物，由真菌子实体组成，因其口感、必需氨基酸、蛋白质、膳食纤维、矿物质（钾、磷、铁）、碳水化合物和维生素而备受推崇[1],[2],[3]。2022-2023季节，美国蘑菇总产量约为6.67亿磅，比上一个季节减少了5%。尽管产量下降，但蘑菇总销售额增长了2%，达到10.4亿美元，平均价格约为每磅1.55美元[4]。宾夕法尼亚州（65.7%）仍然是最大的生产州，其次是加利福尼亚州（10.9%）、德克萨斯州（6.2%）和马里兰州（6.0%），这些地方的规模化商业农场为全国市场供应蘑菇[5]。

大规模蘑菇生产包括几个集成阶段：堆肥、巴氏杀菌、生长和收获。堆肥过程使用小麦秸秆与鸡粪、尿素和石膏等营养物质混合，并通过机械装载机和混合器进行。这种混合物在曝气的堆中分解大约20天后，转移到保温的巴氏杀菌隧道中，通过锅炉、风扇和自动控制系统进行一系列加热和通风循环以消除病原体。巴氏杀菌后，使用接种混合器和输送机将蘑菇菌丝接种到堆肥中。随后，将其放置在气候控制的生长室内的托盘或架子上，物联网支持的环境控制系统调节温度、湿度和二氧化碳水平。随后覆盖一层覆盖物（通常是含有菌丝的泥炭藓），以保持湿度并促进蘑菇形成和结果。经过培养期后，蘑菇进入生长阶段，在此期间，工人通常会检查床位数、监测作物健康状况并分批收获蘑菇。此阶段之后，由工人监督的自动化包装机械和冷链物流系统负责分级、包装和运输[6]。图1A展示了大规模商业蘑菇生产的整体过程，图1B突出了每个阶段使用的关键技术。

**下载：**
- 下载高分辨率图片（759KB）
- 下载全尺寸图片

**图1A. 大规模蘑菇生产过程概述**
**下载：**
- 下载高分辨率图片（664KB）
- 下载全尺寸图片
**图1B. 蘑菇生产过程中不同阶段使用的关键技术**

自动化主要应用于隧道巴氏杀菌、生长室内的环境控制以及下游的包装和冷链物流。另一方面，堆肥准备监督、覆盖层应用、作物检查、疾病管理尤其是蘑菇收获严重依赖人工劳动（在一些现代化设施中，会辅助使用机器人收割机）。收获过程主要涉及收集、运输和清洁，这些工作占工人时间的最大比例。这是大规模蘑菇生产中最重要的劳动操作，因为它决定了可以转化为可销售产品的生物产量的多少。收获过程也非常时间敏感，因为必须在狭窄的成熟窗口期内完成，以保持质量、外观和价值。大多数农场在前两次收获中收获大部分蘑菇；然而，延误、劳动力短缺或收获效率低下会减少产量，在许多情况下迫使农场放弃第三次收获[7]。

熟练的劳动力在维持高蘑菇产量、质量和盈利能力方面起着至关重要的作用。因此，商业农场在招聘、培训和留住合格工人方面投入了大量资源[8]。过去二十年里，农场和非农场部门的工资都有所上涨，但非农场部门的工资涨幅更大，从2002年的每小时约15美元涨到了2021-2022年的每小时超过25美元（美国国家农业统计局，2023a）。因此，尽管工资高于联邦最低工资（每小时7.25美元），农业就业对工人的吸引力仍然较低。尽管工资有所增加，但在苗圃、温室以及水果、蔬菜和奶牛场等劳动密集型领域的农场收入增长并不成比例。类似的问题也在大规模商业蘑菇农场中出现，由于工资波动、劳动力短缺和招聘限制[9]。Kumari等人[10]报告称，在印度的一个平菇农场，劳动力成本是仅次于种子采购的第二大 variable 成本。Dhungana[11]也指出，在尼泊尔，农场劳动力成本可能占总生产费用的32%。在种植、修剪、收获和包装季节劳动力需求高峰期，蘑菇农场严重依赖经验丰富的季节性临时工人，这往往导致他们承担更高的计划外劳动力成本以维持及时运营。美国许多农场工人没有合法证件，这给招聘和留任带来了挑战。雇佣有证件的临时工人也因额外的许可成本和政府流程延误而变得昂贵且耗时。劳动力可用性在不同地区也有所差异，太平洋地区雇佣的农场劳动力最多，而东南中部和新英格兰地区雇佣的劳动力最少。此外，2006年至2021年间，农场工人的平均年龄增加了七岁（经济研究服务局，2023）。商业蘑菇农场经常寻求劳动力利用策略来应对这些劳动力挑战并维持盈利能力。然而，劳动力改进和自动化策略需要大量投资、流程重新设计以及工人培训。如果没有妥善规划的劳动力策略，农场可能会继续面临瓶颈、更高的运营成本、降低的盈利能力以及劳动力和设备的使用效率低下。

与蘑菇生产中的劳动力利用和自动化相关的现有研究可以分为企业层面的经济分析[12],[13]、劳动力基准测试[14],[15]、劳动力规划/优化模型[16],[17]、特定技术的经济可行性评估，以及关于机械化和机器人收割系统的工程研究[18],[19],[20],[21]。表1总结了现有方法之间的主要差异。虽然这些研究提供了有关劳动力成本、生产力测量、调度和机械化方面的有用见解，但在大多数情况下，这些方面是孤立考察的。因此，在开发一个综合的农场级别框架以评估劳动力管理干预和收割自动化如何共同影响劳动力利用、生产能力、成本和商业蘑菇农场的盈利能力方面存在研究空白。从农业信息处理的角度来看，这一空白至关重要，因为有效的农场决策依赖于能够将生产数据、劳动力表现数据和技术方案结合在一起的统一分析框架来进行实施前评估。

**表1. 现有方法与所提出框架的比较**

**方法**
**主要焦点**
**范围和限制**
**参考文献**
- **蘑菇企业预算和经济分析**：为蘑菇农场（通常按农场规模或生产系统）制定成本-收益预算和盈利能力指标，量化劳动力在总生产成本中的占比；提供当前实践的静态快照；劳动动态和技术被视为固定不变的；没有讨论替代的劳动力节约或自动化策略[12],[13]。
- **劳动力基准测试研究**：计算每个工人的产出、每劳动小时的收入和劳动力成本占比等指标，以比较不同农场或不同时间段内的效率；不评估特定流程变化或技术如何影响这些指标[14],[15]。
- **劳动力规划和调度优化框架**：使用优化或模拟模型来确定每个任务和每个班次需要多少工人，以最低劳动力成本实现收获或生产目标；关注短期运营可行性而非劳动力节约技术的战略评估；大多数模型适用于一般的农业食品或园艺系统，对蘑菇收获过程的覆盖有限[16],[17]。
- **机器人收割系统的设计和经济评估**：设计和测试机械和机器人蘑菇收割机；使用回报期、净现值或其他指标来评估盈利能力；只考虑单一的自动化选项；不比较手动、半自动化和全自动策略的组合[18],[19],[20],[21]。

**我们提出的框架**：在一个综合的农场级别模型中，量化多种劳动力改进和自动化策略的劳动力使用、成本和盈利能力。简化假设可能无法捕捉所有运营变化。

**2. 材料和方法**
**2.1. 所提出的框架**
所提出的框架是一个农场级别的决策支持工作流，用于评估商业蘑菇收获中的劳动力利用和劳动力节约策略。其目的是量化劳动力对农场收入的贡献以及维持当前或替代运营条件所需的相关劳动力成本。为此，该框架将农场生产能力、劳动力可用性、劳动力成本、收获性能和干预方案整合到一个统一的分析结构中，从而能够对当前劳动力表现进行基准测试，并支持替代劳动力策略和机器人收割选项的实施前评估。Langemeier[14]确定劳动生产率和劳动效率是评估农场劳动力表现的两个关键指标。他的研究表明，这些指标与农场规模、盈利能力、财务效率和农作物机械投资密切相关。劳动生产率通过将总收入除以工人总数来计算，衡量每位工人产生的收入。当比较同类型的农场时，较高的劳动生产率表明每位工人产生的收入更多，有助于识别需要改进的领域。劳动效率则通过将劳动力成本除以总收入来计算。这一指标反映了分配给劳动力成本的收入比例，衡量了为实现给定收入水平而有效管理劳动力成本的效果。较低的劳动效率对农场有利，因为它可以在不减少收入的情况下节省劳动力成本，意味着劳动力得到了更有效的利用[15]。计算这些指标的公式分别为公式（1）和（2）。

(1) 劳动生产率，$/工人 = 总农场收入 / 总工人数量 = R / ∑Ni
(2) 劳动效率，% = 总农场劳动力成本 / 总农场收入 = C / R

这些参数使管理层能够评估财务表现，优化劳动力管理，并根据行业标准建立更好的劳动力结果基准。所提出的框架包括四个主要步骤：1）数据收集，2）劳动生产率和效率计算，3）与行业基准比较，4）可能策略和执行的评估。

**2.2. 数据收集**
在所提出的框架中，第一步是根据每个生产阶段的劳动模式对其进行分类。当生产主要依赖于农场工人的持续手工操作时，可以将其视为手工阶段，此时产量直接随工人时间的分配和工人数量增加（例如收获和包装）。当生产主要依赖于机器能力或流程周期时间，而员工时间主要用于监控、设置、清洁、材料供应、质量检查或问题处理（例如隧道巴氏杀菌、环境控制、基于机器人的收割和自动化包装）时，可以将其视为自动化阶段。这种分类基于操作证据，如时间研究或任务记录数据和生产日志，以确定劳动力时间或设备能力是产量的主要限制因素，以及产量是否与劳动时间成比例变化。分类完成后，该框架可用于比较同一生产系统中手工和自动化阶段的劳动力利用和成本。这种比较将有助于识别从劳动力改进或自动化中获益最大的生产阶段。下一步是系统化的数据收集。基于数据收集，需要进行剩余阶段的操作。在此阶段，应收集关于农场特征和劳动力动态的全面数据。最终产品是从生长室在特定生长周期后收获的，代表农场的产量。一个农场可能拥有多个生长室，每个生长室内都有多个种植床，工人们在这些种植床上采摘蘑菇。采摘完成后，蘑菇会被准备进行包装。我们可以计算出生长室的数量、每个生长室内的种植床数量、生物效率、干蘑菇基质的重量、最大潜在的蘑菇产量以及潜在的收入（Rfarm）。这个计算代表了一个简化的模型，并没有考虑到材料损失、质量变化或其他操作变量等因素。这种关系在数学上可以用方程（3）表示：

(3) Rfarm = ∑c=1C ∑b=1Bc ∑m=1Mb,cDm,b,c × Em,b,c × Pm,b,c × Tm,b,c

其中，C = 生长室的数量；Bc = 第c个生长室内的种植床数量；Mb,c = 第c个生长室第b个种植床上蘑菇的种类数量；Dm,b,c = 第c个生长室第b个种植床上蘑菇m的干物质重量（磅）；Em,b,c = 第c个生长室第b个种植床上蘑菇m的生物效率；Pm,b,c = 第c个生长室第b个种植床上蘑菇m的新鲜价格（每磅）；Tm,b,c = 第c个生长室第b个种植床上蘑菇m的生长周期（周）。

为了了解农场的劳动力动态，必须根据关键因素对劳动力进行分类，包括工资、工作时间、采摘速率以及每个生产阶段的工人数量。将劳动力数据划分为这些类别可以清楚地了解劳动力的分配情况及其相关成本。在按工资、工作时间和工人数量对劳动力进行分类后，可以确定总劳动力成本。结构化的培训计划有助于新采摘者逐步提高采摘速率，而技术娴熟的采摘者往往能够取得更高的绩效，并且通常会因为超过既定目标而获得奖励。需要注意的是，蘑菇工人通常按照基于产量的薪酬结构获得报酬，而不是固定的小时工资。大多数商业农场采用了一种混合制度，结合了保证的基本小时工资和与采摘产量直接相关的绩效激励。在这种常见的“基本工资+计件工资”模式下，工人会获得最低小时工资（例如11美元/小时），并且随着每小时采摘的重量或容器（袋/箱）数量的增加而获得额外报酬，这使得生产效率高的工人每小时的收入最高可达约20美元。在受监管或工会化的环境中，劳动合同通常会规定一个最低小时工资保证，并在达到一定生产率阈值后提供奖金，例如，每小时采摘超过五个袋的蘑菇会获得额外支付，从而随着生产率的提高增加工人的每小时收入。农场还可以通过季节性奖金、入职奖金、安全激励或某些面向零售的运营中的小费来进一步增加工资。当这些因素与非工资福利（如带薪休假、健康保险、退休金贡献以及在某些情况下提供的住房和餐食）结合在一起时，它们共同构成了超出基本小时工资的总薪酬包[22]。

为了简化计算，提出的方法通过将平均采摘速率乘以工作时间来计算收获量。除了小时工资外，工人还会因额外采摘蘑菇而获得激励和其他福利，所有这些都必须计入劳动力成本。一些兼职工人也可能参与其中，他们的工作时间应转换为其年度劳动力成本的一部分。可以从劳动力数据中得出两个关键指标：当前劳动力可实现的最大收入（Rlabor）及其对应的成本（Clabor）。需要注意的是，这个计算没有考虑到浪费、可变的工作时间、特定劳动班次中蘑菇的不可用性或其他可能导致差异的参数。Rlabor和Clabor的公式可以用方程（4–6）表示：

(4) Rlabor = ∑i=1NWi × Ri × Ti × Pa
其中，N = 工人类别的数量；Wi = 第i类工人的数量；Ri = 第i类工人的采摘速率（磅/小时）；Ti = 第i类工人每天的总工作时间；Pa = 每公斤新鲜蘑菇的平均价格。

(5) Clabor = ∑i=1NWi × Hi × Ti + Ii + Bi
其中，Hi = 第i类工人的小时工资；Ii = 第i类工人每人的周激励；Bi = 第i类工人每人的额外福利。然后可以根据Rlabor和Rfarm的较小值来估计农场的总收入（R）：

(6) GrossRevenue, R = min(Rlabor, Rfarm)

2.3. 劳动力生产力和效率的计算

在计算出R、Clabor和N的值之后，可以使用方程（1）、（2）来计算劳动力生产力和效率。在计算出这些值后，必须将它们与规模、位置和特征相似的农场进行比较，以便进行现实的分析。高效、高产且盈利的农场往往能够达到规定的劳动力目标，这些目标可以作为比较的基准。通过将劳动力标准与类似的高绩效农场进行比较，管理层可以确定需要改进的最关键领域并做出战略决策。农场的各种特征，如农场规模、盈利能力、经济效率、对农作物机械的投资以及每英亩的成本，都会影响劳动力效率和生产力[14]。两个不同的农场可能在使用不同数量的劳动力的情况下实现相同的劳动力生产力，而收入较高的农场可能会表现出显著更高的劳动力生产力。因此，管理层应该与规模或收入相似的农场进行比较，以确保评估的准确性。如果没有这样的比较，劳动力生产力指标可能无法完全反映农场的实际表现。

2.4. 评估可能的策略和执行措施

该框架的最后一个阶段是评估提高劳动力表现和减少劳动力相关约束的替代策略。为此，该框架使用基于情景的敏感性分析来研究工人表现的变化、劳动力分配的变化或机器人采摘技术的采用如何影响总收入、劳动力成本、劳动力生产力和劳动力效率。定期监测劳动力绩效指标非常重要，因为这些指标可能会因农场运营的变化、劳动力条件或其他外部因素而波动。一旦确定了与劳动力相关的问题，管理层可以使用提出的框架在实施之前通过敏感性分析来评估改进措施，从而降低做出昂贵或无效决策的风险。图2提供了该框架的概览。

下载：下载高分辨率图像（295KB）
下载：下载全尺寸图像
图2. 提出的框架的可视化表示。

3. 结果和讨论

3.1. 案例研究

为了说明所提出框架的使用，提供了一个大规模商业蘑菇农场的例子。收集了农场生产数据和与劳动力相关的信息，以估计农场的生产潜力、受劳动力限制的收入、总劳动力成本、劳动力生产力和劳动力效率。出于保密原因，部分数据已进行修改。农场输入数据见表2，劳动力在不同生产阶段的分布如图S2所示。收获被认为是劳动密集型阶段，在此阶段主要雇佣非技术工人，并在他们被分配到不同的栽培室之前提供在职培训。包装阶段是第二劳动密集型的阶段，其次是其他处理活动，如堆肥、接种、消毒、运输和灌溉。活动被分为收获区和非收获区。由于收获对蘑菇生产的重要性，作为劳动密集型环节，它受到了特别关注。

表2. 调查蘑菇农场的输入参数。

农场参数
符号 范围 使用的数据
生长室数量 C -50
每个生长室内的种植床数量 Bc 350–500
蘑菇种类 Mb,c -Button Mushrooms
生物效率（%） B 40–60
每个种植床的干基质重量（磅） Dm,b,c 160–220
蘑菇价格（美元/磅） Pm,b,c 1.4–1.5
蘑菇生长周期（周） Tm,b,c 3–4
收获速度根据操作员的经验和技能水平而有所不同。根据平均采摘速率，工人们被分为六组：35、65、75、85、95和110磅/小时。对于采摘速率超过60磅/小时的工人，每周会有额外的激励支付，以鼓励提高表现。提供的补偿福利包括医疗保险和退休金贡献，总比例为8.5%。公司的保险支付了采摘者50%的费用。非收获活动的劳动力成本也是以同样的方式估算的。平均小时工资乘以工人数得到总小时费用，然后通过计算总工作时间转换为年成本。非收获工人的员工福利的计算方法与收获工人相同。Clabor代表了包括收获和非收获部分在内的总劳动力成本。根据本案例农场的数据收集，表S1至S3展示了当前农场情景下Rlabor和Clabor的计算结果。

在当前农场的情况下，Rlabor < Rfarm。在这种情况下，整个农场的劳动力生产力和效率分别为每人111,094美元和28%。在收获部分，劳动力生产力为每人208,858美元，效率为17%。关于大型蘑菇操作的劳动力标准在互联网或文献中尚未公布，这为未来的研究留下了空间。为了进行比较，使用了非灌溉操作的统计数据。堪萨斯农场管理协会（KFMA）建议非灌溉操作的生产力标准为每人超过500,000美元，效率低于10%[14]。通过与这个基准相比较，可以看出该农场尚未达到劳动力基准。这种比较并没有完全反映农场的实际状况，因为它比较的是不同类型和规模的农场。

假设存在两个规模和类型相同的大规模蘑菇农场：农场A和农场B。农场A的劳动力生产力为每人200,000美元，效率为35%；农场B的劳动力生产力为每人90,000美元，效率为20%。根据这个假设情景，案例研究中的农场在生产力方面排名第二，因此其人均收入高于农场B但低于农场A。由于较低的劳动力效率意味着较低的劳动力成本，案例研究中的农场在劳动力成本与收入的比例上有更大的优势。虽然农场A的劳动力收入最高，但其较高的劳动力成本使其总体上成本效益较低。另一方面，案例研究中的农场在劳动力成本和生产力之间的比例更加平衡。评估劳动力效率和生产力基准时，还需要考虑其他因素，包括农作物机械投资、每英亩的成本、财务效率和盈利能力。

为了展示基准测试技术，使用了FINBIN数据库中的大豆、春小麦和玉米的劳动力生产力和基准数据（FINBIN数据库，2023年）与研究的蘑菇进行比较（表S4）。在比较基准时，玉米显示出比大豆和春小麦更好的劳动力利用效率。然而，由于农场规模和类型存在显著差异，因此将研究中的蘑菇农场与其他三个农场进行比较可能没有意义或有效。

3.2. 提高生产力和效率的劳动力策略敏感性分析

许多研究提出了解决劳动密集型大规模农业（如蘑菇采摘）中劳动力问题的方法。提出了一种新的4-S策略，包括满足工人的需求、提高他们的生产力、用机械化替代劳动力以及增加H-2A临时工人的数量[23]。提高工资、采用机械化、增加临时工人的数量以及转向劳动力密集度较低的农业方式以解决劳动力短缺问题并改变墨西哥的临时劳动力市场的重要性得到了强调[9]。另一项研究提出，机械化可以减少劳动力管理成本并扩大市场准入，从而解决劳动力利用问题[22]。加州为解决劳动力问题而采取的适应策略值得注意，包括使用农场劳动力承包商、雇佣临时工人以及转向劳动力密集度较低的作物[24]。有效利用这些策略有助于解决增加的劳动力管理和激励成本[25]。

机械化已被确定为解决劳动力短缺和改善劳动力利用的有效方法。一项研究探讨了草莓的自动收获机[18]，另一项研究则关注蘑菇基质准备的自动化[26]。关于各种蘑菇生产操作的机械化已经有很多报道，包括筛选、填充、接种菌丝、控制生长室系统以及自动化收获和输送[27]。计算机视觉技术被用来估算蘑菇的产量和质量[28]。这项技术结合自动夹持系统可以用于采摘、分类和收获蘑菇[29]、[20]、[21]。

劳动力利用受到多种因素的影响，包括对先进技术的投资和研究、劳动力市场的放松管制以及临时就业机会的扩展[30]。对爱尔兰商业奶牛场的研究表明，雇佣的劳动力完成了大部分任务，并且随着牛群规模的增加，劳动力效率有所提高[31]。H-2A签证计划为农场劳动力短缺提供了解决方案，允许非移民临时工人工作；然而，它因复杂性以及需要在季节条件不确定的情况下提前做出雇佣决策而受到批评[32]。为了优化劳动力利用，已经开发了各种模型，包括一种混合整数规划模型，旨在改善种植、收割和劳动力规划的调度，确保雇用适当数量的H-2A工人以获得最大收益[16]。另一种方法是采用考虑个体技能差异的劳动力分配策略，利用仿真模型来评估劳动力分配效率[17]。此外，还使用随机仿真模型来研究劳动力效率、盈利能力与乳品农业外包策略之间的关系。这些模型为在雇佣劳动力和外包服务之间进行任务最优分配提供了见解，适用于不同规模的农场和运营需求[33]。文献中提出的潜在策略总结在图S3中。这些策略的有效性取决于农场和劳动力的动态、作物类型以及特定的运营因素。一个 crucial 但经常被忽视的组成部分是在实施前评估这些策略，因为每次实施都需要大量的资源、时间和管理承诺。如果没有彻底的预先评估，采用这些策略可能会导致效率低下、财务损失或其他问题。为了提高所研究的蘑菇农场的劳动力利用基准，开发了几种假设的敏感性分析案例，分为两个主要场景及其子场景（表3），以评估增加产量、降低成本和提高劳动力利用的选项。还应考虑其他方法，如优化劳动力调度、雇佣临时工人和考察工人动机。然而，分析这些策略超出了本文的范围。

**表3. 提高劳动力利用基准的策略敏感性分析**

| 策略 | 场景 | 敏感性分析 |
|--------|------------|---------------------------------------------------------------------------------------------|
| | |-----------------------------------------------------------------------------------------------|
| | 提高部分工人的收割速度 | 1a : 从35磅/小时提高到65磅/小时 |
| | | 1b : 从35磅/小时提高到65磅/小时，75磅/小时提高到85磅/小时，以及95磅/小时提高到110磅/小时 |
| | | 1c : 最优场景（最小化劳动力成本的最佳工人比例） |
| | 自动化实施 | 2a : 60磅/小时的机器人收割机实施 |
| | | 2b : 80磅/小时的机器人收割机实施 |
| | | 2c : 100磅/小时的机器人收割机实施 |

**3.3. 场景1**
在场景1中，评估了在保持其他农场投入不变的情况下提高工人收割速度的影响。随着工人收割速度的提高，劳动力成本（Rlabor）会增加，因为需要额外的补偿来支持增加的生产。在场景1a中，所有表现中等工人的收割速度（35磅/小时）提高到了65磅/小时。相比之下，其他类别工人的速度保持不变。在场景1b中，通过将工人转移到更高的速度类别来提高他们的收割速度——具体来说，35磅/小时提高到65磅/小时，75磅/小时提高到85磅/小时，95磅/小时提高到110磅/小时。场景1c是一个优化问题，通过在不同类别之间分配工人来最小化劳动力成本。数学上可以表示为：
Min Z = ∑ciXi
Subject to ri ≥ Rfarm
∑Xi = 1
0 ≤ Xi ≤ 1
其中i代表不同类别的工人，ci表示i类工人的年度成本（工资、激励、福利），ri表示从i类工人获得的收入。

**表4**提供了这三个场景的敏感性分析结果。结果显示，仅仅将平均工人的收割速度提高到65磅/小时（场景1a）就能显著提高劳动力利用参数。场景1b产生的生产力水平相似，但实现了更好的效率基准。尽管场景1c的劳动力生产率略低，但它显示出了更高的效率。然而，它需要一个由53%的高技能工人和47%的普通工人组成的劳动力队伍，这在实践中可能难以实现。在这种情况下，场景1a似乎是最佳选择。需要注意的是，管理实践、工人动机和外部影响等因素也可能影响这些基准；然而，这些超出了当前分析的范围。

**表4. 工人策略的敏感性分析**

| 工人 | 平均收割速度（磅/小时） | 工人比例 | 当前场景 | 场景1a | 场景1b | 场景1c |
|------|--------------|---------|--------|--------|--------|
| | 110 | 15% | | 15% | 15% |
| | 85 | 10% | | 10% | 10% |
| | 75 | 15% | | 0% | 0% |
| | 65 | 20% | | 50% | 50% |
| | 35 | 30% | | 0% | 0% |
| | | | | | |
| 劳动力生产率（美元/工人）| 111.09 | 125.53 | 132.19 | 131.95 |
| 劳动力效率（%） | 28.02 | 26.02 | 27.02 | 25.0 |
| 总劳动力成本（百万美元）| 10.25 | 10.81 | 11.70 | 10.87 |
| 总收入（百万美元）| 36.55 | 41.30 | 43.49 | 43.41 |

**场景2**
本分析探讨了用自动化收割机器人替代人工劳动力的影响。在当前场景中，175名普通工人（以35磅/小时的速度收割）将被收割速度分别为60磅/小时（场景2a）、80磅/小时（场景2b）和100磅/小时（场景2c）的机器人收割机取代。假设每个机器人取代一名工人。因此，自动化百分比x指的是被机器人取代的工人比例，剩余的劳动力继续作为普通工人工作。图3展示了一个商用蘑菇机器人收割机的例子，改编自Dorna Robotics的博客文章（Dorna Robotics, 2023）。

**图3.** 定制的蘑菇采摘机器人的设计基于Dorna Robotics的三轴SCARA类型配置。它增加了两个额外的工具头轴以实现多角度访问，一个Z轴用于垂直移动，一个Y轴滑块用于穿过床宽，以及作为第七轴的侧装轮子。SCARA臂上安装了一个3D Intel RealSense相机，用于扫描蘑菇的大小、质量和位置。图像改编自Dorna Robotics的博客文章（Dorna Robotics, 2023）。

假设机器人每天运行18小时，每周五天，任何停机时间都用于维护。虽然有时可能没有蘑菇可收割，但假设机器人会在这些期间继续运行，且本分析未考虑机器人的停止情况。这样的场景将构成一个机器人的最优调度问题，这超出了本文的范围。自动化的成本和结构超出了本文的范围，因此一些数值是根据现有文献[19]、[20]、[21]估算的。60磅/小时机器人的初始投资估计为250,000美元，每小时运营成本为5.50美元，包括能源、操作员和维护费用。80磅/小时的机器人的初始成本为270,000美元，每小时成本为8.50美元，而100磅/小时的机器人的初始成本为290,000美元，每小时成本为10.50美元（假设）。对于每种情况，都考虑了回收期。图4A和B展示了这些策略的分析结果。

**图4.** 不同收割速度的机器人对关键指标的影响。A表示实施不同收割速度（60、80和100磅/小时）的机器人对收入和总成本的影响；B表示这些机器人对劳动力生产率和效率的影响。图表结果显示，用机器人替代劳动力可以增加年收入；然而，在自动化的某个水平之后，不再产生额外的收入。在这种情况下，劳动力成本（Rlabor）显著增加，但随着机器人继续运行，成本也会上升。虽然自动化提高了劳动力生产力，但它降低了劳动力效率。在某个点之后，效率提高是因为收入和支出不再成比例增长。这一见解对管理层确定最佳自动化水平很有价值。对于高收割速度的机器人，收入在较低的自动化水平趋于稳定，表明实现最佳劳动力利用所需的机器人数量较少。

**60磅/小时、80磅/小时和100磅/小时机器人的回收期分别为0.7年、0.55年和0.5年，这是基于年收入增加和初始机器人投资计算的。然而，由于简化了假设（未包括集成复杂性、停机时间、调度和自动化实施的间接成本等），这些回收期相对较短。根据Mycionics的说法，大规模农场的典型回收期为2到2.5年[34]。**

**3.5. 框架的局限性**
所提出的框架基于几个简化假设，这限制了其全面解决蘑菇农场运营复杂性和动态性的能力。它回避了诸如蘑菇生长的随机性、劳动时间波动以及工人除了收割之外还执行的各种异质活动等问题，这些问题都增加了劳动力评估的复杂性。其次，该模型未能考虑废物、市场需求波动以及对蘑菇生产产生影响的整体内部和外部环境压力等关键变量，而这些因素又影响了生产力和成本效益。虽然模型关于劳动力在收入和成本生成中的作用提供了信息，但它忽略了包括机械成本、按性别和年龄组划分的劳动力规模、空闲时间和生产延迟等关键变量。这些对于构建更全面的农场表现图景至关重要。尽管存在这些局限性，该框架对于评估蘑菇农业中的劳动力生产率和效率仍然很有价值。它提供了一种结构化的方法来评估劳动力对收入和相关成本的贡献，使农场管理者能够找出改进领域并做出数据驱动的决策以优化劳动力利用。尽管它没有涵盖所有影响生产力的变量，但它引入了一个简单的模型，可以通过更详细的输入进行扩展和精细化。该框架可以作为将来研究中整合更先进建模技术的基础模型。因此，尽管存在局限性，该框架仍然是全面理解和建模蘑菇收割中劳动力利用的重要一步。

**4. 结论和未来展望**
本研究提出了一种农场层面的框架，用于通过在一个分析结构中整合劳动力生产力、劳动力效率、劳动力成本、收入潜力和社会情景评估来评估大规模蘑菇收割中的劳动力利用和成本节约策略。案例研究表明，基线的全农场劳动力生产力和劳动力效率分别为每名工人111,094美元和28%。敏感性分析表明，劳动力改进策略可以带来显著的性能提升。具体来说，工人改进方案将劳动力生产力提高到每名工人125,000至132,000美元，而优化的劳动力分配方案将劳动力效率提高到25.0%。结果进一步表明，仅将表现较低的工人的收割速度从35磅/小时提高到65磅/小时是实际中最有前景的策略。相比之下，基于优化的劳动力分配可能提供小幅优势，但在实践中难以实施，因为它需要一个由53%的高技能工人和47%的普通工人组成的劳动力队伍。自动化分析进一步表明，机器人收割可以增加年收入和劳动力生产力，尽管在超过某个自动化水平后收益会减少。根据本研究中采用的简化假设，60磅/小时、80磅/小时和100磅/小时机器人的估计回收期分别为0.7年、0.55年和0.5年。

**本研究的主要贡献是开发了一个综合决策支持框架，能够在单一农场层面分析结构内比较评估劳动力改进和收割自动化策略，而以前的研究通常分别考察劳动力基准测试、劳动力规划和机器人收割。虽然该框架依赖于简化假设，并没有明确考虑产量变异性、劳动力可用性、空闲时间、产品损失和运营中断等不确定性，但它为蘑菇生产中的劳动力相关决策提供了透明和结构化的基础。未来的研究可以通过纳入更具有代表性的大型蘑菇系统基准数据，以及整合随机仿真、基于优化的调度和产量、劳动力和市场条件的不确定性来改进该框架。此外，自动化分析将受益于经过实地验证的成本和性能数据，而机器学习、计算机视觉和数字孪生技术的整合将进一步实现劳动密集型蘑菇生产中的适应性、实时和预测性决策支持。**

**未引用的参考文献** [35]、[36]、[37]、[38]、[39]、[40]。

**CRedI作者贡献声明**
M.D. Kashfin：写作 - 审稿和编辑、撰写原始草稿、验证、软件、项目管理、形式化分析、数据策展。
Ezra T. Wari：形式化分析。
Mahsa Alian：数据策展。
Pratikshya Tiwari：数据策展。
Suresh Khator：资金获取。
Weihang Zhu：写作 - 审稿和编辑、监督、资金获取。
Venkatesh Balan：写作 - 审稿和编辑、撰写原始草稿、可视化、监督、项目管理、方法论、形式化分析、概念化。