《Proceedings of the Design Society》：Investigating a DSM/graph modeling approach for the interdisciplinary design of data-centric complex systems – a case study on autonomous public transportation
编辑推荐：
随着系统日益变得以数据为中心，跨学科工程设计面临着不断增长的复杂性和相互依赖性。本文研究了与独立的DSM或图模型相比，组合的DSM和基于图的建模方法如何通过揭示关键的数据依赖关系来支持跨学科决策。基于一项关于自动驾驶公共交通的案例研究以及专家输入，结果说明了组
随着系统日益变得以数据为中心，跨学科工程设计面临着不断增长的复杂性和相互依赖性。本文研究了与独立的DSM或图模型相比，组合的DSM和基于图的建模方法如何通过揭示关键的数据依赖关系来支持跨学科决策。基于一项关于自动驾驶公共交通的案例研究以及专家输入，结果说明了组合方法所实现的互补性见解，并讨论了其对工业系统设计的影响。
《Proceedings of the Design Society》发表的这篇论文针对数据驱动复杂系统的跨学科设计挑战，探索了设计结构矩阵（DSM）与图建模相结合的方法。研究背景源于现代工程系统日益复杂，信息通信技术（ICT）的进步促使网络物理系统（CPS）、产品服务系统（PSS）和数据驱动设计（DDD）的发展，使得数据交换和数字组件的集成成为系统设计的关键。然而，跨学科团队在理解系统数据流时面临障碍，需要共享的表示来支持协调解释和明智决策。基于模型的系统工程（MBSE）虽被广泛讨论，但其典型建模语言（如SysML）主要从工程视角演化，而图论和依赖与结构建模（DSM）被认为是增强跨领域利益相关者参与的潜在跨学科方法。尽管现有应用展示了单独使用DSM或图论对智能复杂环境数据流的建模潜力，但将两者结合是否能通过创建共享的跨学科理解来提供更佳支持，从而服务于多领域知情决策，尚未得到详细研究。因此，研究人员提出了研究问题：与独立的DSM或图模型相比，组合的DSM和基于图建模方法如何通过揭示数据驱动复杂系统设计中的关键数据依赖关系来支持跨学科决策？为此，研究人员基于自动驾驶公共交通案例，结合专家访谈，评估了独立模型与组合模型的优劣，最终论证了组合方法在支持跨学科决策方面的有效性及其对工业实践的启示。
作者为开展研究采用了几个主要关键技术方法。首先，基于一个跨学科开发项目，通过两轮工业研讨会（IWS）分别识别利益相关者和数据需求以及数据通信细节，同时辅以现有数据模型、VDV建议和文献筛选，构建了描述“自动驾驶公共交通”系统的数据集，该数据集区分了传统巴士现状与自动驾驶巴士未来场景。其次，使用Lattix软件构建DSM模型，Gephi软件构建图模型，两者基于完全相同的数据集。第三，图模型采用Leiden算法进行聚类，以处理有向图并识别社区结构；DSM模型则利用介于ness中心性算法对实体排序，以反映其在通信中的重要性。第四，进行了总计16次专家访谈（EI），每次约1.5小时，参与者来自产品与服务业工程、数据与系统管理、市场营销、咨询和战略管理等多个背景，覆盖不同经验与层级，以评估模型在全面性、可理解性、适用性等方面的表现。
研究结果部分，论文通过以下小标题展开论述：
1.引言和问题澄清。通过文献综述指出系统复杂性增长和数据依赖管理的重要性，明确MBSE及SysML的局限性，提出图论与DSM的互补潜力，进而引出研究问题。
2.研究方法——案例研究与专家访谈。详细描述了数据收集过程、模型构建工具以及专家访谈的设计与评估标准，强调案例选择自动驾驶公共交通的原因及其代表性。
3.系统模型构建与分析。利用Gephi构建的图模型可视化展示了传统与自动驾驶公交系统的差异，聚类分析揭示了驾驶员消失、自动驾驶车辆成为核心实体、乘客与实时通信和辅助平台关联增强等关键变化。DSM模型则通过矩阵形式提供了结构化视图，基于Brandes的介于ness中心性排序，突出了最“中心”的集群和内部高数据通信的集群，如自动驾驶系统。进一步，DSM支持详细审查单个实体接口，例如通过点击交互查看参数描述，从而帮助推导开发需求。这种从整体概览到具体接口细节的过渡，为技术开发和战略管理决策提供了基础。
4.行业专家评估。专家反馈表明，图模型提供快速系统概览和复杂度降低，但缺乏深度；DSM虽在整体矩阵中易让人迷失，却能以清晰结构完整捕获所有依赖，确保无遗漏。两者结合可扬长避短，形成互补。
5.结论、讨论与展望。综合评估得出，组合DSM/图方法比单独应用任一方法更能有效支持跨学科决策，因为它既通过DSM系统性地捕获和记录数据依赖，又通过图实现快速直观的结构可视化。研究承认单一案例可能带来视角偏差，但提供了真实应用场景下的有效见解。未来工作建议引入多域矩阵（MDM）整合多个领域，并扩展数据集以识别最关键接口、区分实时数据流等。
最后，翻译研究结论部分：总体而言，研究发现与解答表明，组合的DSM/图方法能够比单独应用任一方法更有效地支持跨学科决策，特别是通过显式表达数据驱动复杂系统中的关键数据依赖及其结构关系。虽然DSM提供了一个高度结构化的框架，用于以完整和一致的方式系统地捕获和记录数据依赖，但它在快速跨学科系统理解的直观可及性方面有限。相比之下，图能够实现系统结构和核心依赖的快速直观可视化，但缺乏同样程度的结构化完整性，这使得两种方法的结合在支持数据驱动复杂系统的跨学科决策方面特别有效。
