陳逢業(yè)

基于DEA方法的汽車制造涂裝工廠的效率評價

陳逢業(yè)

（福州大學經管學院，福建 福州 350108）

文章以DN汽車為例，采用數(shù)據(jù)包絡分析的DEA方法，通過構建涂裝工廠的投入和產出的評價指標體系，運用CCR和BCC模型，對2007—2020年涂裝工廠的資源投入進行綜合效率評價和純技術效率評價。應用DEA相關的軟件完成14個決策單元的效率計算。結果表明：涂裝工廠投入平均效率處于較高水平，但是個別年份存在投入產出效率偏低，顯示資源的過量投入。通過進一步的投影分析，也獲得了工廠在優(yōu)化資源配置和提高生產效率方面的一些改進建議，為企業(yè)后續(xù)投入管理決策提供了科學依據(jù)。

汽車制造；涂裝工廠；DEA；決策單元；效率分析

引言

汽車工業(yè)是我國國民經濟中重要的支柱產業(yè)，近二十年來得到了快速發(fā)展，據(jù)中國汽車工業(yè)協(xié)會最新統(tǒng)計的數(shù)據(jù)顯示，2020年全年國內汽車總產量達到2 522.5萬臺，累計銷量共2 531.1萬臺，我國的汽車產銷量繼續(xù)蟬聯(lián)全球第一[1]。作為汽車制造企業(yè)而言，如何轉變生產方式，推動能源資源的合理配置，提高生產效率，實現(xiàn)企業(yè)的健康發(fā)展，日益成為被關注的重點。文章以DN汽車為例，通過比較分析整車制造過程的沖壓、焊裝、涂裝、裝配四大工藝的特點，得出涂裝工廠在能源資源等投入方面所占的比重最大，所以有必要針對涂裝工廠的相關投入和產出效率進行綜合評價?；诖?，文章采用在績效評價方面普遍應用的非參數(shù)數(shù)據(jù)包絡分析DEA模型來評估涂裝工廠的資源投入效率，希望通過相對客觀和準確的結果，為涂裝工廠在生產投入決策方面提供有必要的科學依據(jù)。

1 DEA評價方法與模型

DEA（Date Envelopment Analysis）即數(shù)據(jù)包絡分析，該方法是1978年由著名的運籌學家A.Charnes（查恩斯）， W.W.Cooper（庫伯）及E.Rhodes（羅茲）等人共同提出的，作為一種相對效率評價模型，適用于處理多投入和多產出的效率評價問題[2]。通過對投入和產出數(shù)據(jù)的決策單元DMU（Decision Making Units）進行綜合分析，可以得出每個決策單元的效率指標，最終以評價該決策單元的DEA有效還是非DEA有效[2]。本文對涂裝工廠的效率分析主要選取CCR和BCC兩個模型進行評價。

1.1 CCR數(shù)學模型

CCR模型（又稱CRS模型），它基于假設規(guī)模收益不變，計算的結果通常被稱為綜合效率（包含技術效率和規(guī)模效率）。它可以從投入和產出兩個角度進行衡量，分別建立投入角度CCR模型和產出角度的CCR模型。本文主要選取投入角度的CCR模型進行分析。

在求解CCR投入角度的模型中，若結果為θ*＜1，則說明決策單元DMU0為CCR非DEA有效；若結果為θ*=1，則說明決策單元DMU0為CCR弱DEA有效；若結果為θ*=1，而且存在任一最優(yōu)解都滿足S-*=0，S+*=0的條件，則說明DMU0為CCR DEA有效。

1.2 BCC數(shù)學模型

在求解BCC投入角度的模型中，若結果為θ*＜1，則說明該決策單元DMU0為BCC非DEA有效；若結果為θ*=1，則說明該選取的決策單元DMU0為BCC弱DEA有效；若結果為θ*=1，而且存在任一最優(yōu)解都滿足S-*=0，S+*=0的情況,則說明該選取的DMU0為BCC DEA有效。

2 涂裝工廠資源配置效率的實證分析

2.1 涂裝資源配置指標體系的構建

本文在綜合分析涂裝工廠的生產制造的特性以及DEA模型應用條件，將決策單元DMU的評價指標分為投入和產出兩大類。其中投入指標為：用電量（X1），燃料費（X2），設備維護費（X3），材料費（X4），生產人力（X5），產出指標為：下線產量（Y1），故障間隔（Y2）。具體如表1所示。

表1 涂裝工廠評價指標體系構成

分類投入指標單位指標含義 投入指標用電量（X1）萬度全車間用電消耗量 燃料費（X2）萬元涂裝噴房、烤爐、作業(yè)場等升溫LNG費用 設備維護費（X3）萬元生產設施及設備檢修維護等費用 材料費（X4）萬元生產過程投入的間接材料、勞保用品費用 生產人力（X5）人生產線直接參與生產人力的人力編制投入 產出指標下線產量（Y1）萬臺車間生產的汽車臺數(shù) 故障間隔（Y2）萬分鐘設備運行故障的間隔時間MTBF

2.2 數(shù)據(jù)來源

基于評價指標體系的構建，本文研究的數(shù)據(jù)來源于DN汽車涂裝工廠2007—2020年內部各年《涂裝車間目標指標達成經營月報》等數(shù)據(jù)，通過年度數(shù)據(jù)有條件的整合和選取，最終得出涂裝工廠資源投入和產出的數(shù)據(jù)。

2.3 求解結果與分析評價

2.3.1 基于CCR模型的綜合效率分析

本文應用DEA-Solver Pro5.0版軟件，從CCR投入角度的模型公式，以2007年涂裝工廠的投入效率進行建立模型。

同樣以此方法對2008—2020年的投入建立CCR投入角度的數(shù)學模型，可求得14年間涂裝車間各決策單元DMU投入角度的相對效率。由DEA-Solver Pro5.0軟件對選取數(shù)據(jù)進行計算，共有10個年份的涂裝投入效率值θ=1，也就是DEA有效，即技術和規(guī)模的綜合有效，而2008年、2014年、2018年、2019年涂裝投入的效率值分別為0.995、0.998、0.942及0.935，即θ<1，顯示DEA非有效。這表明這四年期間涂裝的資源投入相對于其他年份資源投入偏高，或者說低于其他年份投入的產出效率。

在進一步對涂裝工廠2007—2020年的投入指標進行投影分析。除效率值θ<1得年份外，其他各年份的實際資源投入和模型計算的目標投入相等，表現(xiàn)為指標投影值（Projec- tion）相一致。而θ<1的2008年、2014年、2018年、2019年涂裝車間的實際投入都要比目標投入值高。所以也驗證了基于投入的技術效率是傾向于以最小投入獲得一定的產出的這一原則。比如以效率值θ最低的2019年為例分析：在用電量可以減少56.9萬度，燃料費可以低減25.6萬元，設備維護費可以低減130.7萬元，材料費可以低減6.53萬元，人力可再低減80.6人，而同時可以保持目前的產出不會發(fā)生變化。同理其他的2008年、2014年、2018年在保持產出不變的情況下，資源的投入都可以進行相應的縮減。

2.3.2 基于BCC模型的純技術效率分析

我們可以看出通過CCR模型投入角度的分析結果，只能確認綜合效率的DEA有效，無法確認是技術有效還是規(guī)模有效，所以我們有必要引入BCC模型，以確認在純技術上是否有效。

利用BCC投入角度的模型公式，對2007年涂裝車間的投入效率進行模型建立。

同樣以此方法對2008—2020年的投入建立BCC投入角度的數(shù)學模型，可求得14年間涂裝的車間投入的相對效率。由DEA-Solver Pro5.0軟件最終對數(shù)據(jù)計算的結果，共有13個年份的涂裝BCC投入的效率值θ=1，顯示純技術有效。而2018年的效率值θ=0.9788＜1，為非DEA有效，說明在2018年涂裝工廠資源投入一定的情況下，在當時的技術條件下，產出沒有達到最大。

進一步對2007—2020年的投入指標進行投影分析。除2018年外，其他各年份得實際投入與目標投入相一致，即投影Projection值一致。而2018年效率值θ＜1，說明要實現(xiàn)純技術有效的情況下，需對2018年的投入進行改進：在用電量可以減少38.7萬度，燃料費可以低減23.3萬元，設備維護費可以低減46.4萬元，材料費可以低減6.9萬元，人力可再低減36.5人。

3 結論與建議

本文通過運用DEA模型對DN汽車涂裝車間2007— 2020年生產的投入效率進行測評，可以得出以下結論：（1）從規(guī)模報酬不變的角度，用CCR投入角度的績效評價，共有10個年份的決策單元DMU投入資源的有效利用率θ=1，顯示DEA有效；從規(guī)模報酬可變的角度，用BCC模型投入角度的績效評價，共有13個年份的純技術效率值θ=1；總體來看涂裝車間資源投入的效率相對較高，而且各年份總體穩(wěn)定。（2）通過效率的評價，我們也發(fā)現(xiàn)在2008年、2014年、2018年、2019年存效率未達到最大值，通過效率投影分析結合以上結論提出幾點建議：

1）推動節(jié)能生產降低能源消耗。涂裝工廠是整車制造的能源消耗大戶，占70%～80%。對于推動節(jié)能降耗對生產資源投入改善，提高綜合效率是非常重要的。

2）對材料使用精細化管理。一是基于公司ERP系統(tǒng)建立涂裝車間的物料管理系統(tǒng)，將車間的直接材料和間接材料納入信息化管理，使物料管理及時有效。二是基于車型的差異建立各車型單車物料消耗基準用量管控機制，納入日常監(jiān)控，節(jié)約物料的浪費。

3）設備維護檢修能力及設備更新?lián)Q代。DN汽車公司，設備使用年限已超過二十年，生產設施及設備趨于老化，導致車間的檢修投入增加及設備的故障的間隔縮短?；谕度胄实母纳?，對設備的預防性保養(yǎng)能力需要加強，人員的維護技能有待提升。

4）優(yōu)化生產人力投入。一是通過生產編程及時進行調整人力配置，建立隨產量變動而變動的人力配置需求機制，精簡人力投入，可將冗余人力轉出推動開展專案性工作項目創(chuàng)造其他的附加價值。二是加大機器人等自動化設備的導入，降低生產工程站的人/機比例，降低工廠的編制人力，以提高工廠的生產效率。

[1] 中國汽車工業(yè)協(xié)會.2020年汽車工業(yè)經濟運行情況[EB/OL].http: //www.caam.org.cn/chn/4/cate_39/con_5232916.html.[2021-1-24].

[2] CHARNES A,COOPER WW,RHODES E R.Measuring Efiiciency of Decision Making Units [J].European Journal of Operational Resear- ch,1978,2(6):429-444.

[3] 張炳,畢軍,黃和平,等.基于DEA的企業(yè)生態(tài)效率評價:以杭州灣精細化工園區(qū)企業(yè)為例[J].系統(tǒng)工程理論與實踐,2008(4):159-166.

Efficiency Evaluation of Automobile Manufacturing Coating Factory Based on DEA Method

CHEN Fengye

( School of Economics and Management, Fuzhou University, Fujian Fuzhou 350108 )

This paper takes DN automobile as an example, adopts the DEA method of data envelopment analysis, builds an evaluation index system for the input and output of the coating factory, and uses the CCR and BCC models to conduct the resource input of the coating factory from 2007 to 2020. Comprehensive efficiency evaluation and pure technical efficiency evaluation. Use DEA related software to complete the efficiency calculation of 14 decision-making units. The results show that the average input efficiency of the painting factory is at a relatively high level, but the input and output efficiency of individual years is low, indicating excessive input of resources. Through further projection analysis, we also obtained some improvement suggestions for the factory in optimizing resource allocation and improving production efficiency, which provided a scientific basis for the company's subsequent investment management decisions.

Automobile manufacturing; Painting factory; DEA; Decision-making unit; Efficiency analysis

F325.2

B

1671-7988(2021)20-218-03

F325.2

B

1671-7988(2021)20-218-03

10.16638/j.cnki.1671-7988.2021.020.057

陳逢業(yè)（1982—），男，中級工程師，福州大學經管學院工程管理碩士研究生在讀，研究方向：汽車制造涂裝工藝研究。