基于DEA方法的汽车制造涂装工厂的效率评价

陈逢业

基于DEA方法的汽车制造涂装工厂的效率评价

陈逢业

（福州大学经管学院，福建 福州 350108）

文章以DN汽车为例，采用数据包络分析的DEA方法，通过构建涂装工厂的投入和产出的评价指标体系，运用CCR和BCC模型，对2007—2020年涂装工厂的资源投入进行综合效率评价和纯技术效率评价。应用DEA相关的软件完成14个决策单元的效率计算。结果表明：涂装工厂投入平均效率处于较高水平，但是个别年份存在投入产出效率偏低，显示资源的过量投入。通过进一步的投影分析，也获得了工厂在优化资源配置和提高生产效率方面的一些改进建议，为企业后续投入管理决策提供了科学依据。

汽车制造；涂装工厂；DEA；决策单元；效率分析

引言

汽车工业是我国国民经济中重要的支柱产业，近二十年来得到了快速发展，据中国汽车工业协会最新统计的数据显示，2020年全年国内汽车总产量达到2 522.5万台，累计销量共2 531.1万台，我国的汽车产销量继续蝉联全球第一[1]。作为汽车制造企业而言，如何转变生产方式，推动能源资源的合理配置，提高生产效率，实现企业的健康发展，日益成为被关注的重点。文章以DN汽车为例，通过比较分析整车制造过程的冲压、焊装、涂装、装配四大工艺的特点，得出涂装工厂在能源资源等投入方面所占的比重最大，所以有必要针对涂装工厂的相关投入和产出效率进行综合评价。基于此，文章采用在绩效评价方面普遍应用的非参数数据包络分析DEA模型来评估涂装工厂的资源投入效率，希望通过相对客观和准确的结果，为涂装工厂在生产投入决策方面提供有必要的科学依据。

1 DEA评价方法与模型

DEA（Date Envelopment Analysis）即数据包络分析，该方法是1978年由著名的运筹学家A.Charnes（查恩斯）， W.W.Cooper（库伯）及E.Rhodes（罗兹）等人共同提出的，作为一种相对效率评价模型，适用于处理多投入和多产出的效率评价问题[2]。通过对投入和产出数据的决策单元DMU（Decision Making Units）进行综合分析，可以得出每个决策单元的效率指标，最终以评价该决策单元的DEA有效还是非DEA有效[2]。本文对涂装工厂的效率分析主要选取CCR和BCC两个模型进行评价。

1.1 CCR数学模型

CCR模型（又称CRS模型），它基于假设规模收益不变，计算的结果通常被称为综合效率（包含技术效率和规模效率）。它可以从投入和产出两个角度进行衡量，分别建立投入角度CCR模型和产出角度的CCR模型。本文主要选取投入角度的CCR模型进行分析。

在求解CCR投入角度的模型中，若结果为θ*＜1，则说明决策单元DMU0为CCR非DEA有效；若结果为θ*=1，则说明决策单元DMU0为CCR弱DEA有效；若结果为θ*=1，而且存在任一最优解都满足S-*=0，S+*=0的条件，则说明DMU0为CCR DEA有效。

1.2 BCC数学模型

在求解BCC投入角度的模型中，若结果为θ*＜1，则说明该决策单元DMU0为BCC非DEA有效；若结果为θ*=1，则说明该选取的决策单元DMU0为BCC弱DEA有效；若结果为θ*=1，而且存在任一最优解都满足S-*=0，S+*=0的情况,则说明该选取的DMU0为BCC DEA有效。

2 涂装工厂资源配置效率的实证分析

2.1 涂装资源配置指标体系的构建

本文在综合分析涂装工厂的生产制造的特性以及DEA模型应用条件，将决策单元DMU的评价指标分为投入和产出两大类。其中投入指标为：用电量（X1），燃料费（X2），设备维护费（X3），材料费（X4），生产人力（X5），产出指标为：下线产量（Y1），故障间隔（Y2）。具体如表1所示。

表1 涂装工厂评价指标体系构成

分类投入指标单位指标含义 投入指标用电量（X1）万度全车间用电消耗量 燃料费（X2）万元涂装喷房、烤炉、作业场等升温LNG费用 设备维护费（X3）万元生产设施及设备检修维护等费用 材料费（X4）万元生产过程投入的间接材料、劳保用品费用 生产人力（X5）人生产线直接参与生产人力的人力编制投入 产出指标下线产量（Y1）万台车间生产的汽车台数 故障间隔（Y2）万分钟设备运行故障的间隔时间MTBF

2.2 数据来源

基于评价指标体系的构建，本文研究的数据来源于DN汽车涂装工厂2007—2020年内部各年《涂装车间目标指标达成经营月报》等数据，通过年度数据有条件的整合和选取，最终得出涂装工厂资源投入和产出的数据。

2.3 求解结果与分析评价

2.3.1 基于CCR模型的综合效率分析

本文应用DEA-Solver Pro5.0版软件，从CCR投入角度的模型公式，以2007年涂装工厂的投入效率进行建立模型。

同样以此方法对2008—2020年的投入建立CCR投入角度的数学模型，可求得14年间涂装车间各决策单元DMU投入角度的相对效率。由DEA-Solver Pro5.0软件对选取数据进行计算，共有10个年份的涂装投入效率值θ=1，也就是DEA有效，即技术和规模的综合有效，而2008年、2014年、2018年、2019年涂装投入的效率值分别为0.995、0.998、0.942及0.935，即θ<1，显示DEA非有效。这表明这四年期间涂装的资源投入相对于其他年份资源投入偏高，或者说低于其他年份投入的产出效率。

在进一步对涂装工厂2007—2020年的投入指标进行投影分析。除效率值θ<1得年份外，其他各年份的实际资源投入和模型计算的目标投入相等，表现为指标投影值（Projec- tion）相一致。而θ<1的2008年、2014年、2018年、2019年涂装车间的实际投入都要比目标投入值高。所以也验证了基于投入的技术效率是倾向于以最小投入获得一定的产出的这一原则。比如以效率值θ最低的2019年为例分析：在用电量可以减少56.9万度，燃料费可以低减25.6万元，设备维护费可以低减130.7万元，材料费可以低减6.53万元，人力可再低减80.6人，而同时可以保持目前的产出不会发生变化。同理其他的2008年、2014年、2018年在保持产出不变的情况下，资源的投入都可以进行相应的缩减。

2.3.2 基于BCC模型的纯技术效率分析

我们可以看出通过CCR模型投入角度的分析结果，只能确认综合效率的DEA有效，无法确认是技术有效还是规模有效，所以我们有必要引入BCC模型，以确认在纯技术上是否有效。

利用BCC投入角度的模型公式，对2007年涂装车间的投入效率进行模型建立。

同样以此方法对2008—2020年的投入建立BCC投入角度的数学模型，可求得14年间涂装的车间投入的相对效率。由DEA-Solver Pro5.0软件最终对数据计算的结果，共有13个年份的涂装BCC投入的效率值θ=1，显示纯技术有效。而2018年的效率值θ=0.9788＜1，为非DEA有效，说明在2018年涂装工厂资源投入一定的情况下，在当时的技术条件下，产出没有达到最大。

进一步对2007—2020年的投入指标进行投影分析。除2018年外，其他各年份得实际投入与目标投入相一致，即投影Projection值一致。而2018年效率值θ＜1，说明要实现纯技术有效的情况下，需对2018年的投入进行改进：在用电量可以减少38.7万度，燃料费可以低减23.3万元，设备维护费可以低减46.4万元，材料费可以低减6.9万元，人力可再低减36.5人。

3 结论与建议

本文通过运用DEA模型对DN汽车涂装车间2007— 2020年生产的投入效率进行测评，可以得出以下结论：（1）从规模报酬不变的角度，用CCR投入角度的绩效评价，共有10个年份的决策单元DMU投入资源的有效利用率θ=1，显示DEA有效；从规模报酬可变的角度，用BCC模型投入角度的绩效评价，共有13个年份的纯技术效率值θ=1；总体来看涂装车间资源投入的效率相对较高，而且各年份总体稳定。（2）通过效率的评价，我们也发现在2008年、2014年、2018年、2019年存效率未达到最大值，通过效率投影分析结合以上结论提出几点建议：

1）推动节能生产降低能源消耗。涂装工厂是整车制造的能源消耗大户，占70%～80%。对于推动节能降耗对生产资源投入改善，提高综合效率是非常重要的。

2）对材料使用精细化管理。一是基于公司ERP系统建立涂装车间的物料管理系统，将车间的直接材料和间接材料纳入信息化管理，使物料管理及时有效。二是基于车型的差异建立各车型单车物料消耗基准用量管控机制，纳入日常监控，节约物料的浪费。

3）设备维护检修能力及设备更新换代。DN汽车公司，设备使用年限已超过二十年，生产设施及设备趋于老化，导致车间的检修投入增加及设备的故障的间隔缩短。基于投入效率的改善，对设备的预防性保养能力需要加强，人员的维护技能有待提升。

4）优化生产人力投入。一是通过生产编程及时进行调整人力配置，建立随产量变动而变动的人力配置需求机制，精简人力投入，可将冗余人力转出推动开展专案性工作项目创造其他的附加价值。二是加大机器人等自动化设备的导入，降低生产工程站的人/机比例，降低工厂的编制人力，以提高工厂的生产效率。

[1] 中国汽车工业协会.2020年汽车工业经济运行情况[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] 张炳,毕军,黄和平,等.基于DEA的企业生态效率评价:以杭州湾精细化工园区企业为例[J].系统工程理论与实践,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

陈逢业（1982—），男，中级工程师，福州大学经管学院工程管理硕士研究生在读，研究方向：汽车制造涂装工艺研究。