Представление географической информации: Влияние агрегации данных, дисперсия, и пространственной ориентации пользователей

РЕЗЮМЕ

Географические информационные системы (ГИС) взяли на себя более важную роль в поддержке принятия решений во многих организациях. ГИС были использованы для поддержки широту задач, включая нефть и разведку полезных ископаемых, размещения предприятий, материально-технического обеспечения и решений управления недвижимым имуществом. Эффективности использования ГИС в качестве инструмента поддержки принятия решений в первую очередь поступают из визуального отображения данных в виде карт. При представлении информации в виде географической карты, уровень агрегирования данных потенциально затрагивает аспекты задач, таких как сложность информационной нагрузки и возможностей для распознавания пользователем. Другие атрибуты задания как ожидается, будут связаны с воздействием агрегирования данных включают размер задачи, степень дисперсности данных и пользователей пространственных навыков ориентации.

Мы провели эксперимент по изучению этих явлений и их взаимодействий. Предметов, используемых в ГИС, включая карту основе информации характеризуется различными уровнями размер задачи, данные дисперсии и агрегации данных. Пространственных навыков ориентации рассматриваются как коварьировать в экспериментальных процедур. Результаты показывают, что все эти географические характеристики информации оказывают существенное влияние на решения производительность. Кроме того, многие взаимодействия присутствуют в числе факторов. Мы оцениваем эти взаимодействия в целях извлечения последствия для практики и для будущих исследований.

Предметные области: систем поддержки принятия решений, географических информационных систем, а также сложности задачи.

ВВЕДЕНИЕ

Предприятия все больше используют географические информационные системы (ГИС) для поддержки организационных решений (Пейн, 1993; Вагонер

Многие исследования ГИС до сих пор по сравнению информацию, представленную в таблицах, которые представлены в виде карт принятия решений производительность (Кроссленд, Винн,

Трудный аспект представления картографической информации, является управление общей сложности, присущей таких данных груженого проблем (МакМастер

Ключевые решения в представлении картографический касается информации до уровня агрегирования данных отображается на карте (т. е. степень, в которой приводятся данные). В идеале, моделирования и представления данных, используемых в ГИС точно отражать все существенные уровни операционной отношение к этому решению. Однако из-за огромных размеров и сложности данных, подтверждающих эти решения, решения часто оказываются модельеры невозможным использование оперативных данных на уровне детализации, в которых они происходят. Вместо этого они вынуждены совокупных данных таким образом, чтобы принять решение моделирования сговорчивым с учетом явной набора данных и ограниченных вычислительных мощностей. Предыдущие исследования на данных, агрегации использовании табличной информации означает, что данные агрегации напрямую влияет на качество решения (Абдель-Халик, 1973; Барфилд, 1972; Benbasat

Использование карт в принятии решений предполагает, что визуализация пользователя навыков также играют роль в процессе принятия исполнения (Станни

В этой статье документы наших усилий по экспериментально изучать последствия картографических характеристик информация о том, производительности при работе с ГИС. Лаборатории был проведен эксперимент, в котором предметы решить проблемы характеризуются различной степенью географической агрегации данных, дисперсии и размера задачи. Остальная часть статьи организована следующим образом. В следующем разделе рассматривается теория и предыдущих исследований, которыми руководствовались наши исследования дизайна. В следующем разделе описывается методология, используемая в эксперименте. Затем представлены результаты эксперимента и обсудить их значимость в свете теории и практики. Заключительном разделе кратко излагаются основные выводы и ограничения этого исследования и выявляет возможности для будущих исследований.

ТЕОРИЯ И НАУЧНО-ИССЛЕДОВАТЕЛЬСКИЙ МОДЕЛЬ

Теория сложности создает надежную основу для обсуждения процесса принятия решений и принятия эффективности. Принимающего решения "опытных сложности" в процессе принятия решений объясняется как индивидуальных, так и совокупное воздействие нескольких детерминанты, в широком смысле классифицируется на: DSS факторов (Guimaraes, Igbaria,

Компоненты Целевой Сложность

Большая часть вышеизложенного исследования были направлены на сложность задачи в объективном смысле. Концепция объективной сложности задачи вытекает из обработки информации, теории, в которой задача характеристики, увеличения нагрузки информации, информационных разнообразия, или скорость изменения информации считаются участниками сложности (Campbell, 1988). С помощью этой теории, сложности могут быть определены и измерены объективно самостоятельно, независимо от влияния пользователь характеристики или DSS факторов.

Одна из целей мера предполагает, что сложность зависимости от количества различных действий, которые должны быть выполнены, а число различных сигналов информации, которые должны быть обработаны при выполнении задачи (Wood, 1986). Задачи считаются более сложным, как число принятых актов и информации киев увеличивается. Это повышенная сложность объясняется увеличением обработки информации и / или требования к памяти хранения.

В аналогичной работы, Campbell (1988) связанных сложности проблемы с максимальным количеством дорожек, которые могут привести к желаемому результату. Неопределенность (то есть, или нет путь ведет к предпочтительного конечного состояния) увеличивает сложность путем увеличения воспринимается бассейн, принимающего решение о потенциальных путей к достижению желаемых результатов. Принимающего решение никогда не знает о существовании другой, более эффективный путь, если все возможные пути изучения. Другие исследователи концептуально сложности в зависимости от количества "знаний, гласит:" возможно в задачу (Newell

Проблема размера

Один из способов увеличить цель сложности Карта основе информации, чтобы увеличить количество точек данных, которые должны быть рассмотрены, с тем чтобы принять решение. Некоторые исследования показали, что производительность решения ухудшает географических задач, решение ряда решений и состояния знаний увеличение (Taylor

H1A: лица, принимающие решения более низкие качества решений при решении задач, содержащих более переменных решения.

H1B: лица, принимающие решения потребуется больше времени при решении задач, содержащих более переменных решения.

Агрегирования данных

Для большинства задач, решаемых с географической информации (с или без ГИС), это обычная практика в совокупности отдельных точек данных в географические кластеры (например, данные точки, представляющие клиентов, франшиза местах и т.д.). Агрегация уменьшает масштаб проблемы, которые будут сформулированы, количество требуемых данных, и объем памяти и вычислительных время, необходимое для оценки решений. Исследователи изучили ошибки моделирования представил на географические принятия решений, в результате агрегирования данных (Текущее

Карты позволяют принимающих решения, использовать визуальный эвристики сокращения числа результатов путей или состояния знаний для экспертизы (т. е. снижения сложности задачи) (Смелсер

Сочетание этих двух теоретических перспектив привело нас ожидать, что дезагрегирование данных позволит улучшить качества решений в точку, но это повышение будет зависеть от расходов с точки зрения увеличения времени решения. Как видно из данных является более высокой в разбивке, можно было бы ожидать, что повышение информационной нагрузки начнет противодействовать выгоды, связанные с увеличением визуализации картины. Кроме того, мы ожидали, что лица, принимающие решения потребуется больше времени для сортировать и обрабатывать дополнительные детали в результате дезагрегации. Конкретные гипотезы являются следующие:

Г2а: лица, принимающие решения привести к повышению качества решений при решении задач, содержащих в разбивке географических данных.

H2B: лица, принимающие решения потребуется больше времени при решении задач, содержащих в разбивке географических данных.

Данные дисперсии

Предыдущие исследования указывают на то дисперсия данных в качестве ключевого компонента задачи сложности для картографических задач визуализации. Например, исследования, решения-залы позволяют предположить, что поток господство влияет на качество решений, принимающего решение. Поток господства является мерой изменения в материальных потоков между различными ведомствами в данном учреждении, часто вычисляется как отношение стандартного отклонения к среднему (см. Herroelen

H3A: лица, принимающие решения привести к повышению качества решений при решении задач, содержащих весьма различным данным, дисперсий.

H3B: лица, принимающие решения требуется меньше времени при решении задач, содержащих весьма различным данным, дисперсий. Пользователь Характеристики-пространственной ориентации

Основной задачей этого исследования было изучение информационных характеристик карты лучше понять, как ГИС может поддержки принятия решений. Тем не менее, предыдущие исследования показали, что пространственная визуализация и навыки аргументации повлиять на решение решений производительность при решении проблем, в целом, а также с использованием географических данных (Taylor

Например, Робинсон и Суинк (1994), мягкий, но статистически значимую связь между Встроенные Цифры испытаний (EFT) и оценки качества решений. EFT измеряет способность человека к изоляции частей визуальный рисунок или узор из целом (Виткин, Олтман,

Мы предлагаем три возможных объяснения отсутствие последовательности в предыдущие выводы: (1) не тесная связь между визуализации навыков и производительности решения существует, (2) различия между вопросу бассейны или задач (или оба) объяснить несоответствия, (3) меры которые использовались в предыдущих исследованиях не крана важные аспекты визуализации. Мы подозревали, последнем случае, чтобы быть правдой. Таким образом, мы рассмотрели меры пространственные способности, которые могли бы более эффективно захвата аспекты визуализации важно ГИС задач (обсуждение мер, и почему она была выбрана представлена позднее).

Пространственная ориентация, способность к восприятию пространственных структур, как представляется, тесно представляют собой визуальные навыки, связанные с географическими принятия решений, как способность лица, принимающего решение о признании структуры должны облегчить процесс принятия решений производительности. Гипотез рассматриваются следующие:

H4a: лица, принимающие решения с высоким пространственным ориентациям привести к повышению качества решений, чем те, с низкой пространственной ориентации.

H4b: лица, принимающие решения с высоким пространственным направления требуют меньше времени для принятия решений, чем те, с низкой пространственной ориентацией.

Эффекты взаимодействия

Несколько видов взаимодействия между переменными рассматриваемой казалось правдоподобным. Так как взаимодействие формы потенциальных непредвиденных обстоятельств с использованием ранее заявил, гипотезы, мы обсуждаем ожидается взаимодействия здесь, но пропустить официальных гипотез для краткости. Казалось логичным, что увеличение размера проблема будет работать совместно с повышенной нагрузкой информацию, получаемую с разбивкой данных для получения высокой, возможно, неуправляемым уровня сложности, с одновременным ухудшением качества в процессе принятия и увеличение времени решения. Таким образом, ожидается, что решение будет ухудшать производительность для больших проблем с использованием высоко детализированных данных.

Мы также ожидаемые эффекты взаимодействия между агрегирования данных и данных рассеяния. Рассмотрим цифры 2а, 2b и 2c. 2, b и 2, представляют собой два различных возможных дисперсии данных, которые лежат в основе шаблона, показанного на рисунке 2а. В этом случае будет разбивка данных, могут быть более ценным для принимающего решение? Мы полагаем, что улучшение в решении производительности в результате дезагрегации данных будет сильнее в случае 2 (рис. 2в), поскольку высокой скоростью передачи данных дисперсии в случае 2 производит более сильной, доминирующей модели за исключением тех, в случае 1 (рис. 2, b). Количество дополнительных понимание предоставляемый дезагрегации больше в случае 2, чем в случае 1. В общем, мы ожидали, что эффект от данных разбивки по решению производительность будет больше проблем содержать высоко различных географических данных, чем было бы проблем с низкими или умеренно различных данных.

Что касается характеристик пользователей, принимающих решения с низкой пространственной ориентации должны быть в меньшей степени способны управлять повышенной сложности в географических проблем. Например, лица, принимающие решения с низкой пространственной ориентации, скорее всего запутаться повышенной сложности, вытекающие из больших проблем. В то же время, эти же лица, принимающие решения будет испытывать более значительные выгоды от узнаваемых моделей данных дисперсии, в то время как лица, принимающие решения с высоким пространственным ориентациям, скорее всего, сможет производить хорошие решения, даже без высокой изменчивости данных дисперсий. Наконец, мы ожидали высокой пространственно ориентированных лиц, принимающих решения более эффективно использовать увеличение объема информации, предоставляемой детализированных данных. Таким образом, мы ожидали, что эффект от сложности задачи (как указано в 1 Гипотезы, 2 и 3) будет производить больше ущерба для производительности решения для руководителей, которые имеют низкую пространственных навыков ориентации.

МЕТОД ИССЛЕДОВАНИЯ

Мы разработали и выполнили лабораторный эксперимент, чтобы проверить вышеизложенного гипотез. Эксперимента использовали три фактора в пределах предметов дизайна. Между предметные факторы включают два уровня размера задачи и 4 уровня агрегирования данных. В пределах субъектов фактором была представлена тремя уровнями данных дисперсии. Пространственная ориентация лечился сначала в качестве независимой переменной, а затем коварьировать при изучении остальных независимых переменных. Каждый субъект решить две проблемы размещения предприятий (см. ниже). Порядок, в котором предметы решить проблемы компенсировалось сократить изучения эффектов, связанных с проблемой порядка и предметы были рандомизированы в группы экспериментальных процедур.

Решение проблем задач и ГИС

Экспериментальной среде задача состояла в проектно-конструкторская база сети задачи (Hax

Темы получили также документы о данных заказчика. Документы определили потенциальные места объекта и при условии перевозки расстояния между клиентом и зон объекта сайтов. Исправлена ежегодные эксплуатационные расходы объекты, цены на себестоимость продукции, транспортных тарифов, а спрос цифры для каждого клиента зоны также были предоставлены. Географические данные были представлены в виде карты континентальной части Соединенных Штатов с потенциальными участками объекты представлены на карте. Кроме того, каждый спроса зоны определены и пронумерованы; зоны затененные указать общий спрос на продукцию, связанную с этой зоне. Пять различных уровней затенения были использованы для обозначения уровней спроса в различных зонах (см. Приложение).

Независимыми переменными

Три задачи характеристик и 1 пользователь характерно в оперативной деятельности в качестве независимых переменных. Определенный в плане размещения предприятий, эти проблемы включены размер, агрегирования потребительского спроса, а дисперсия спрос на продукцию. Эти независимые operationalizations были полностью перешли создать 24 различных наборов проблемы.

Небольшие проблемы были в действие, как 20 потенциальных площадок для объекта и большие проблемы в действие, как 40 потенциальных площадок для объекта. Эти проблемы размеры были подтверждены в ходе предыдущих использования с конкретной место DSS (Суинк, 1995; Суинк

Потребительский спрос был представлен спрос на продукт требует определенной географической зоне. Кластеризация спроса в 100 до 200 зон является обычной практикой для объекта решения о размещении в Соединенных Штатах. Шестьдесят процентов коммерческого класса DSS настроить расположение данных в этой области подробно (Баллу, 1994). Таким образом, мы создали 4 уровень спроса агрегации (50, 100, 200 и 400) следующим образом. Во-первых, оценки численности населения по данным переписи населения Соединенных Штатов, были использованы для вычисления спроса для каждой из 400 зон охватывающих континентальной части Соединенных Штатов. Группировка прилегающих границы уезда на две приблизительно равные областях созданы каждой из зон. После того, 400 зон, уже определены зоны были объединены вместе, чтобы совокупные данные в меньшем количестве зон. Группировка прилегающих зон и суммируя спрос значения в 400-зоне базы проблемы, возникшей проблемы с 200100, и 50 зон спроса.

Три уровня дисперсии данных были использованы в эксперименте (низкая дисперсия, дисперсия среднего, высокая дисперсия). Данные дисперсии на основе переписи населения служили в качестве средства лечения дисперсии спроса клиентов. Первоначально продукт требует использования демографических дисперсии были определены для каждой из 400 зон. Квадратный корень значения 400 зоны требования были вычислены и используются для создания низкой дисперсией проблемы данных. Таким же образом, 400-зона значений населения квадрат с целью получения высокой проблемы дисперсии данных. Спрос значения суммируются и зон агрегированных создать 200 -, 100 -, и 50-зоне проблемы для каждой из низких, средних и высоких разница данных дисперсии, соответственно.

Мы выбрали пространственной ориентации построить определяется как "способность воспринимать пространственные модели" в силу (Экстром и др.., 1976) для измерения пространственных способностей. Пространственная ориентация (по определению S-1 тест) считается менее сложным, чем построить визуализации (измеряется ВЗ-2 тест, см. Экстром и др.).. Обе конструкции требуют кратковременной памяти и включать восприятие модели на рисунке, и нажмите способность человека мысленно манипулировать рисунка или модели. Тем не менее, пространственной ориентации требует только психического вращения конфигурации; визуализации требует психического вращения и проведения операций на серийный цифра (Carroll, 1974; Экстром и др.)..

Пространственной ориентации S-1 испытания представлены 2-мерных геометрических фигур и предметов должен определить, какие из 8 цифр совпадают, вращать форм первоначального рисунка. S-1 состоит из двух отдельных тестов, содержащих различные наборы фигура на каждого теста. Пространственная оценки ориентации рассчитывается как среднее правильных ответов минус неправильные ответы на обоих тестов.

Зависимые переменные

Мы проверили две меры по решению производительности в эксперименте: решение качество и время принятия решения. Предполагаемая общая стоимость операционной системы обычно используются меры исполнения решения при оценке объекта решений, проектирование сетей. Мы оценили качество наилучшее решение каждого субъекта, вычислив процент отклонения эксплуатационных расходов пользователями решения от эксплуатационных затрат оптимального раствора.

Эта мера решения качества типичной для исследования операций и используется также в соответствующих исследований, принятия решений (Taylor

Контроль переменных

Каждый предмет в эксперименте, завершили две различные проблемы местоположение объекта. Поэтому мы были озабочены возможным влиянием обучения или усталости на зависимую переменную меры для второй задачи в каждом наборе. Хотя порядок предъявления этих проблем уравновешены с опытно-конструкторских управления для эффекта переменная была включена явно счета для любого отклонения вследствие обучения.

Есть много индивидуальных характеристик, которые позволяют оказывать влияние на процесс принятия решений производительности (Рамамурти и др.., 1992). Например, индивидуальных усилий, компетентности и доверия, может изменяться по лицам в экспериментальных и производственных ситуаций, которые могут повлиять решения производительность. При выполнении этой ГИС-задач автоматизированного размещения предприятий, пользователи могут выбрать исходный раствор кандидата в качестве окончательного решения или могли бы продолжать оценивать любое количество различных конфигураций. Предыдущие исследования контролирует числа кандидатов решения порожденных лиц, принимающих решения, с тем чтобы устранить возможные эффекты смешанных за индивидуальных различий (Робинсон

Порядок

Субъектов, участвующих в эксперименте студентов зачислены в области производства и оперативного управления основным курсом, в большом университете. Более 90% студентов-участников было в классе юниоров в возрасте от 19 до 21. Большинство из них были мужчины. заявил специальности студента варьировались между 7 различных дисциплин. В целом, демографическая выборка согласуется с населением юниоров в школе бизнеса. Предыдущие исследования в этой области показали, никакой предвзятости в решении производительности из-за пола или специальность (Робинсон

Темы начал экспериментальные сессии, заполнив пространственной ориентации инструмента. За этим последовало 30 минут ГИС подготовки для обновления предметов в его использовании. Темы были затем случайным образом распределены задачи размещения объекта, содержащий две проблемы. После завершения первой проблемы, субъекты заполнить небольшую анкету. Затем они завершили второй задачи размещения объекта и обследования. Опытно-конструкторских включены 24 различных проблем. Проблема наборы были настроены, чтобы каждый субъект получили малые и большие проблемы, с каждой из задач, содержащих различные уровни агрегирования данных (см. Приложение к проблеме пар).

Темы было рекомендовано производить с наименьшими затратами решение как можно быстрее (максимальное решение эффективности) путем предоставления денежных премий. Темы имели возможность зарабатывать до $ 10 в дополнение к Конечно кредитных баллов, полученных за участие в работе сессии.

РЕЗУЛЬТАТЫ

Предварительные исследования результаты позволили нам сделать два изменения. Во-первых, одна из записей была определена как посторонний; отклонение от оптимального (DEV) оценка по этому предмету было девять стандартных отклонений от среднего балла, и примерно в два раза величину второго по величине оценка. Этот выброс был исключен из набора данных. Во-вторых, имеется значительное число руководителей, которые генерируются оптимальные решения, создавая перекос, не нормальное распределение переменной DEV. Чтобы уменьшить отсутствия нормальности распределения лечения, мы использовали квадратного корня значений переменной DEV в проведении статистических испытаний (Шефф, 1959). Кроме того, испытания по этой переменной были скопированы использованием непараметрических статистических критериев в целях обеспечения того, чтобы значение было не искусственное результате отсутствия нормальности.

Прежде чем оценки независимых переменных, связанных с задачей характеристик мы использовали ANCOVA (приказ проблемы и ряд решений, как генерируются случайные величины) с целью оценки влияния пространственной ориентации на решение производительности. Для этого мы разделили пуле, на две группы. Субъекты, имеющие пространственной ориентации оценка выше среднего значения были отнесены к категории высокой пространственной ориентации, предметов, имеющих оценка ниже среднего были классифицированы как низкий пространственной ориентации. В таблице 1 приведены сводные статистические данные по два пространственных групп ориентации. Пространственной переменной ориентации оказался важным для качества решений (р = 0,003) и незначительно значительное время для принятия решения (р = 0,071). Таким образом, H4a было поддержано и H4b был незначительно поддерживается.

3-способ ANCOVA был казнен за каждой из зависимых переменных использованием пространственной ориентации, проблема порядка, а число решений, как генерируются случайные величины. Краткие статистические данные по экспериментальной процедуры приведены в таблице 2. ANCOVA результаты представлены в таблице 3.

Основные эффекты Проблема Размер данных Разбивка и дисперсии

Основной эффект от размера задачи был значительным за качество решения и решения времени (р

Результаты данных дисперсии были противоположны тому, что для агрегирования данных. Решение проблемы качества в самых разнообразных данных была выше качество решения других проблем, CD

Взаимодействие воздействие на решение качества

Ряд эффектов взаимодействия указанных ограничительных условий для основного воздействия на решение качества. Незначительно существенное влияние взаимодействия между дисперсии данных и агрегации (р = 0,098). Взаимодействие показано на рисунке 3. Каждый из простых основных эффектов (например, эффект испытания на каждом из уровней взаимодействующих переменных) с использованием как параметрических и непараметрических тестов. Простой эффект рассеивания данных имеет весомое значение для 100-зоны и 400-зоны проблем (р

Для того, чтобы изучить, как воздействие факторов сложности задачи могут отличаться для субъектов на разных уровнях пространственной ориентации, мы снова разделить данные на две группы в зависимости от средней оценки за тест пространственной ориентации. Тесты простых основные эффекты размера задачи, данные дисперсии и агрегации данных проводились для каждой из групп пространственной ориентации. На рисунках 4 и 5 показывают взаимосвязь пространственной ориентации с размером проблемы и данные дисперсии, соответственно, вместе с значимость каждого простого главный эффект, как она относится к решению качества. Взаимодействие между пространственной ориентации и агрегирования данных не является существенным. Рисунок 4 показывает, что пространственные навыки ориентации достоверно коррелирует с повышением создается для решения больших задач (р = 0,008), но не для мелких проблем (р = 0,388). Аналогичным образом, на рисунке 5 видно, что пространственные навыки ориентации достоверно коррелирует с повышением качества решение для низкой дисперсией данных проблем (р = 0,011), но не для среднего или высокого проблемы дисперсии (р = 0,614 и р = 0,254 , соответственно). Хотя данные дисперсии простых эффектов имеют существенное значение для низкой и высокой пространственной ориентации группы (стр.

Взаимодействие Воздействие на время принятия решения

Для принятия решения, взаимодействие между размером проблемы и последствия данных дисперсия достоверны (р = 0,035) и показано на рисунке 6. Дисперсии эффект незначительно значение для больших задач (р = 0,064). Требуется больше времени для умеренного дисперсии данных проблем, чем проблемы низкой дисперсией. Эффект размера задачи было значительным на всех уровнях данных дисперсии (р

Сравнения с высокой и низкой пространственно-ориентированных дисциплин показали никаких существенных различий в последствиях сложности факторов на время принятия решения в связи с пространственной ориентации.

ОБСУЖДЕНИЕ

Резюме результатов, как они относятся к каждому из наших гипотез, представленных в таблице 4. Полученные результаты подтверждают предыдущие исследования, полагая, что увеличение размера проблемы негативно влияет на принятие решений. Наши данные показывают, деградации от 40 до 50% в качестве решения и решения, когда проблема размера (например, число переменных в решении задачи) в два раза. Размерный эффект был наиболее последовательным какого-либо из эффектов мы изучали. Кроме того, проблема размера кажется, что работает в сочетании с данными агрегации и расхождение в данных дисперсии к увеличению времени, необходимого для лиц, принимающих решения прийти к удовлетворительному решению.

Дезагрегирование данных появляется, чтобы помочь решению тех, кто принимает решения проблемы географической содержащие моделей самых разнообразных географических данных. Увеличение подробно мало влияет на качество решений для задач с менее разнообразны географической дисперсии данных. Этот вывод согласуется с идеей, что модели в географических данных усиливаются в качестве дополнительного подробная информация приводится. Полученные результаты свидетельствуют о том, что лица, принимающие решения могли бы более эффективно воспринимать и использовать эти более сильные, более легко определить закономерности.

Кроме того, лица, принимающие решения в нашей теме бассейн, видимо, в состоянии обрабатывать более полной информации нагрузки от повышения уровня детализации без значительного воздействия на процесс принятия качества. Наши проблемы не представляется достичь порога информационной перегрузки, считая такой порог существует. Тем не менее, дополнительные сложности в связи с информационной нагрузки служит дополнительным время, необходимое для лиц, принимающих решения для получения хороших решений, особенно при решении больших задач.

Как было описано ранее, проблемы, мы включили в эксперимент службы обычных уровней агрегации для многих географических обоснованные решения. Наши данные позволяют предположить, что этот общий кластеризации от 100 до 200 зон соответствующем уровне агрегирования. Этот уровень обеспечивает преимущества с решением качества (при высокой дисперсии данных) без существенного ущерба для решения времени. Разбивка данных дальнейшее решение повысит времени без существенного улучшения качества решений, тем самым уменьшая общую эффективность решения. С другой стороны, агрегирование данных до менее чем 100 зон, не рекомендованные нашими результатами. Эти результаты указывают на наличие компромиссов в области моделирования geographicbased решений между моделью точности и эффективности принятия решений. Увеличивается при моделировании ошибка за счет агрегации данных достаточно хорошо понял для некоторых задач размещения (Текущее

Предыдущие исследования показали, что узнаваемых моделей или доминирующего течения в географических данных может повысить качество принятия решений (Trybus

Преобладание потока (например, коэффициент вариации) мер для наших трех уровней данных дисперсии около 75%, 150% и 550%. Исследование визуально решение на основе методов решения объекта макета предполагает, что умеренные дисперсии данных (около 150%) является наиболее сложным для лиц, принимающих решения для обработки. Наши данные свидетельствуют, что это также справедливо и в отношении качества решений для размещения предприятий проблемы, когда лица, принимающие решения имеют высокие пространственные навыки ориентации. Кроме того, результаты говорят о том, что лица, принимающие решения потребуется больше времени для обработки данных умеренной дисперсии по сравнению с низкой дисперсией данных. Мы уделяли особое внимание в этих выводах учетом того, что наши действия умеренной дисперсии данные были основаны на фактических значений населения США Вполне вероятно, что многие решения, на практике дело с такой уровень дисперсии. Будущие исследования должны подробнее рассмотреть вопрос о последствиях "визуального изменения" в географических данных о производительности решения. Дополнительные исследования в области изучения функций визуальных данных, которые влияют на сложности с которыми сталкиваются лица, принимающие решения помогут ГИС дизайнеров и пользователей, чтобы лучше понять недостатки этой технологии и обеспечить направления, как преодолеть эти ограничения ..

Предыдущие попытки связать руководителей 'визуализации навыки с выполнением не проявляют большого успеха (Робинсон

Результаты исследования указывают на явную необходимость более глубокого исследования визуальные навыки, связанные с принятием решений производительности. Учитывая, что визуальные навыки можно улучшить с помощью обучения (Stney

ВЫВОДЫ

Это исследование основывается на предыдущих и охватывает изучение географического представления информации и задачи сложности. Тем не менее, она является уникальной в рассмотрении факторов, связанных с разработкой и применением ГИС. ГИС стали хорошо укоренившейся в бизнес-среде, как применение инструментов для улучшения управления активами и ресурсами. Таким образом, исследование факторов, которые оказывают влияние на более эффективной разработки и использования ГИС представляет ценность для практиков, а также академических кругов.

Экспериментальный характер исследования как сила и потенциальные ограничения. Контроля предоставляется администрацией эксперимент позволил выявить характер и степень воздействия изучается. Тем не менее, обобщения всегда озабоченность, учитывая искусственный характер экспериментов. Наибольшим потенциалом ограничения, связанные с мотивацией и опытом уровне субъектов по сравнению с лиц, принимающих решения на практике. Для решения этой разницы, мы обеспечили субъекты были хорошо обучены, был опыт работы в реализации ГИС, а также использовали финансовые стимулы для мотивации. Другие ограничения связаны с ГИС и решения задач использовались в эксперименте. Хотя мы считаем, системы и решения, которое будет представитель практики, очень разные пользовательского интерфейса, или проблема может контексте дают разные результаты. Кроме того, результаты этого исследования ограничены рамки экспериментальных факторов и уровней тестирования. Мы не нашли никакого существенного влияния взаимодействия по решению проблемы качества от размера и разбивка данных. Тем не менее, это, безусловно, возможно, что такое взаимодействие может существовать на уровне размера и разбивка не рассматривается в нашем эксперименте. Кроме того, хотя уровни сложности решения, рассматриваемые в настоящем исследовании, сопоставимы с предыдущих исследований, практики часто сталкиваются с гораздо более сложных решений такого рода.

Результаты этого исследования дают основания для некоторых интригующих аспектов человеческой обработки и производительность решения в контексте ГИС. Предыдущие исследования не имел большого успеха в относительно познавательных навыков пользователей в процессе принятия решений производительности для решений, связанных с географическими данными. Это исследование показывает, что пространственная ориентация, измеряемый пространственных испытаний Ориентация-Card Вращения (Экстром и др.., 1976), могут воспользоваться некоторыми из индивидуальных способностей, что ценно при принятии этих решений. Если эта мера доказать, последовательны в будущих исследований, компании могут использовать этот тест для выявления визуально квалифицированных лиц, принимающих решения. Кроме того, Станни и Salvendy (1995) предложил, что методы визуализации могут быть успешно использованы для повышения визуального способность низкого пространственного лиц, в конечном счете, повышения их эффективности решения.

Эти исследования изучить влияние агрегирования данных по задаче трудности с точки зрения когнитивной сложности. Это в отличие от многих предыдущих исследований в этой области, которая была сосредоточена на данных пользователей предпочтения или о последствиях агрегации по моделированию ошибки в одиночку. Результаты этого исследования показывают, что агрегирование данных и дисперсионных эффектов на опытных сложности являются существенными и должны рассматриваться в разработке ГИС. Исследование также показывает, что уровни агрегирования данных широко используется во многих географически ориентированных задач, возможно, эффективным.

Кроме того, эффекты агрегации, связанной с других потенциальных участников географические сложности решения. Проблема размера и данных дисперсии приведены для создания условий, которые могут ограничить или распространению сложности последствия дезагрегирования данных. Другие атрибуты задачи, такие, как неопределенность и взаимозависимость (Гимарайнш и др.., 1992) также могут повлиять на общую опытных сложности и взаимодействовать с переменными определены. Для обеспечения наиболее эффективного ГИС, эти факторы должны быть рассмотрены. Кроме того, влияние на агрегацию пользователей представлений и подходов решения могут обеспечить плодотворные идеи для ГИС дизайна. [В редакцию: 6 июня 1997. Принято редколлегией: 7 апреля 1998.]

Ссылки

Абдель Халик, А. Р. (1973). Влияние на общую бухгалтерскую отчетность по качеству кредитного решения: эмпирического исследования. Журнал учета исследований, Supplement, 104-138.

Балл, Р. H. (1994). Измерительные транспорта стоимостью ошибку в тексте клиентов агрегации для размещения предприятий. Транспорт Journal, Весна, 49-59. Барфилд, Р. М. (1972). Влияние агрегации на процесс принятия решений успеха:

лабораторного исследования. Журнал учета исследований, Осень, 229-242. Benbasat И.,

средства поддержки системы. Журнал учета исследований, 20 (3), 1-11. Броннер, Р. (1986). Восприятие сложности в процессе принятия решений: Результаты экспериментальных исследований. В Е. Ю. Витте

Берроу, П. А. (1992). Развитие интеллектуальных географических информационных систем. Международный журнал по географическим информационным системам, 6 (1), 1-11. Campbell, D. J. (1988). Целевая сложности: обзор и анализ. Академия человек

Обзор менеджмент, 13 (1) 40-52.

Card, С. К., Моран, Т. П.,

Лект. "Научно-исследовательский бюллетень 74-16. Принстон, штат Нью-Джерси: Услуги образования для тестирования. Chervany, N.,

Кук, Г. J. (1993). Эмпирического исследования стратегий поиска информации, имеющие значение для решения проектирования систем поддержки. Решение наук, 24 (3), 683-697.

Кроссленд, М. Д., Винн, Б. Е.,

Ток, J. Р.,

Ekatrom, Р. Б., французский, J. В.,

Herroelen, W.,

Дом, Р. Г.,

Кинан, П. B. (1997). Географические информационные системы: их вклад в IS мейнстрима. Ассоциация информационных систем Труды, Индианаполис, IN.

КРОЛЯК П., Фелтс, W.,

Мак-Мастер, Р. Б.,

Пейн, Д. В. (1993). ГИС рынков в Европе. ГИС Европы, 2 (10), 20-22.

Пейн, J. В. (1976). Целевая сложности и условные обработки в процессе принятия решений: поиск информации и анализа протоколов. Организационное поведение и деятельность человека, 16, 366-387.

Пейн, J. В., Бетман, J. Р.,

Рамамурти К. Король, В. Р.,

Робинсон, Э. П.-младший,

Шефф, H. (1959). Дисперсионного анализа. Нью-Йорк: Wiley. Скрябин, М.,

визуальных методов, основанных на заводе макета. Управление науки, 22 (2) ,172-181. Смелсер, J.,

Станни, К. М.,

Суинк, M. (1995). Влияет задачи и пользователь факторов на производительность в приложении логистики DSS. Решение наук, 26 (4), 503-529. Суинк, М.,

Тейлор, Р. Н. (1975). Возраст и опыт работы в качестве детерминанты управленческой обработки информации и принятия решений производительности. Академия управления Journal, 18, 74-81.

Тейлор, Р. Н.,

Trybus, Т. В.,

Уиткин, Х. А., Олтман, Е. Р.,

Морган Суинк

Мичиганский государственный университет, кафедра маркетинга и управления цепочками поставок, Eli Broad бизнес-колледжа, Восточно Lansing, MI 48824, <a href="mailto:swinkm@pilot.msu.edu"> swinkm@pilot.msu.edu </ >

Чери Шпейер

Мичиганский университет, Школа бухгалтерского учета, Eli Broad бизнес-колледжа, Ист-Лансинг, М. И. 48824, <a href="mailto:cspeier@pilot.msu.edu"> cspeier@pilot.msu.edu </ A>

Морган Л. Суинк является адъюнкт-профессор по управлению операциями в Eli Broad бизнес-колледжа, университета штата Мичиган. Он получил степень бакалавра в области машиностроения из Южного методистского университета, MBA в университете в Далласе, а также докторскую степень в области управления операциями в университете Индианы. До того, профессор, доктор Суинк работал в течение 10 лет в производстве и разработке продуктов организаций на Texas Instruments, Inc Его исследования, обучения и консалтинга интересы включают в области разработки новых продуктов, производство стратегии, размещения предприятий, а также систем поддержки принятия решений . Некоторые из его публикаций, можно найти в журнале продуктов инновационного менеджмента, Decision Sciences, журнал операций управления Европейского журнала оперативных исследований и Международный научный журнал "Производство и операционный менеджмент.

Чери Шпейер является доцент кафедры бухгалтерского учета на Eli Broad бизнес-колледжа при Университете штата Мичиган. В настоящее время ее научных интересов: влияние условий работы на процесс принятия решений, новых методов системного анализа, индивидуальные и групповые принятие и использование технологий, эффективное управление знаниями рабочих в виртуальных средах, а также хранилищ данных. Исследования доктора Шпейер появилась в Decision Sciences, информации