相关论文:
-
-
全球能源互联网
第8卷 第2期 2025年03月;页码:135-148
基于改进博弈论组合赋权和云模型的电力装备制造企业多价值链协同成本管理效益评价
Benefit Evaluation of Multi-value Chain Collaborative Cost Management in Power Equipment Manufacturing Enterprises Based on Improved Game Theory Combination Empowerment and Cloud Model
- 1.华北电力大学经济管理学院,北京市 昌平区 102206
- 2.中国联合重型燃气轮机技术有限公司,北京市 朝阳区 100015
- 3.浙江大学伊利诺伊大学厄巴纳香槟校区联合学院,浙江省 嘉兴市 324000
- XU Xiaomin1, WANG Zhiyi1, YANG Mengqi1, ZHANG Yong1, ZHENG Shipeng2, NIU Dongxiao1, SIQIN Zhuoya3* (1.School of Economics and Management, North China Electric Power University, Changping District, Beijing 102206, China
- 2.China United Heavy Duty Gas Turbine Technology Co., Ltd., Chaoyang District, Beijing 100015, China
- 3.ZJU-UIUC, Jiaxing 324000, Zhejiang Province, China
关键词
Keywords
摘 要
Abstract
随着市场竞争复杂性和不确定性不断增大,电力装备制造企业需要更加准确和科学地控制成本以提高企业的成本管理效益能力。为此,构建了基于改进博弈论组合赋权和云模型的电力装备制造企业多价值链协同成本管理效益评价模型。首先,探讨了电力装备制造企业的系统构成,从供应、生产、营销和服务多个价值链构建了评价指标体系。其次,结合博弈论思想对最优最劣法(best worst method,BWM)确定的主观权重和CRITIC(criteria importance through intercriteria correlation)法确定的客观权重进行组合优化。利用云模型对电力装备制造企业多价值链成本管理效益进行评价,并划分了评价等级指标。最后,以某电力装备制造企业进行实证分析,并根据评价结果提出相关建议,为企业在实践中优化成本管理效益效果提供参考。
With the increasing complexity and uncertainty of market competition, power equipment manufacturing enterprises need to control costs more accurately and scientifically to improve their cost management efficiency.This paper constructs a multi-value chain collaborative cost management benefit evaluation model of power equipment manufacturing enterprises based on improved game theory combination weight and cloud model.Firstly, the system structure of power equipment manufacturing enterprises is discussed in detail, and the evaluation index system is constructed from supply, production,marketing and service value chains.Secondly, combined with game theory, the subjective weight determined by BWM (best worst method) and the objective weight determined by CRITIC(criteria importance through intercriteria correlation) method are optimized.The cloud model is used to evaluate the multi-value chain cost management benefits of electric power equipment manufacturing enterprises, and the evaluation grade index is established.Finally, the empirical analysis of an electric power equipment manufacturing enterprise is conducted, and relevant suggestions are proposed based on the evaluation results.These suggestions aim to provide practical reference for enterprises to optimize their cost management efficiency.
0 引言
随着全球能源结构转型和新能源技术发展,电力装备制造企业迎来市场机遇与挑战并存的局面。中国电力工业在“十三五”期间呈现出高质量发展态势,技术创新效果显著,电力装备和技术水平不断发展。近年来国家出台《“十四五”电力发展规划》《加快电力装备绿色低碳创新发展行动计划》《电力装备行业稳增长工作方案(2023—2024年)》等政策措施为行业增长提供了明确目标和有力支持。中国政府在指导电力行业发展时,倡导自主创新与技术引进并重[1-2],智能化技术助力行业低碳转型,电力机制改革保障供需平衡[3]。面对市场竞争加剧[4]和利润空间压缩[5],电力装备制造企业需革新管理,推进产业升级。多价值链协同作为一种新兴管理策略成为提升竞争力的关键[6-7],然而实现精细化和动态化的成本管理仍具挑战,需科学评估以应对市场不确定性。
多价值链协同管理能提高电力装备制造企业运营效率与竞争力[8-9]。在多价值链协同的研究方面,部分学者应用销量预测、客户需求识别、系统动力学[10]和博弈论[11]等方法进行相关研究。文献[12]采用轻量梯度提升机和随机森林树集成销量预测模型,提出了多价值链数据特征关联分析方法。文献[13-15]利用Python网络爬虫技术、系统动力学模型对企业管理进行优化建议。文献[16]提出了包括分散式、集中式和收入共享协议的多种博弈论场景,分析了多价值链中随机需求下的成本管理效益决策。文献[17-18]运用博弈方法解决多价值链的策略组合,解决了装备制造企业数字化转型中管理决策的优化问题。文献[19]基于多价值链协同管理构建了制造业服务化数据空间体系。制造业中的多元价值链体系可以概括为制造企业和其协作企业在运营活动中,为共同提升各自价值,通过合作方式在生产、物资供应、市场推广及客户服务等多个维度上实施的一系列价值增值活动。这一体系涵盖了生产价值链、供应价值链、营销价值链以及服务价值链等多个组成部分。其中,以生产流程为基础的核心价值流动,构筑了企业内部的主体价值链,而物资供应、市场推广与客户服务则作为支撑元素,形成了企业外围的次要价值链[20]。
成本管理效益与企业战略紧密相关,是构建竞争优势创造核心竞争力的重要途径[21]。为了保持核心竞争力的优势,成本管理效益需要以较少的成本获得较多的使用价值[22]。部分学者在数字技术、精细化管理[23]、质量成本管理效益[24]、绩效评价模型、全生命周期成本管理效益[25-26]以及新兴技术应用等方面进行了探索。文献[27]提出制造业成本管理效益需要利用数字技术进行调整。文献[28]从细化责任单元、成本核算、效率评价等方面推进精细化管理。文献[29]运用了熵权法和改进的可拓理论对企业施工成本管理效益进行评价。文献[30]提出了精益成本管理在制造业中的重要性及其实施方法,旨在通过优化成本管理提升制造业生产效益和市场竞争力。文献[31]将数据加密技术应用于企业成本管理效益核算。
综上所述,现有研究多集中于理论模型构建,而针对电力装备制造企业的具体成本管理效益研究较少,需要进一步结合多价值链协同的成本管理效益进行研究。对于电力装备制造企业多价值链协同管理的复杂性[32],本文构建基于BWM(best worst method)-CRITIC(criteria importance through intercriteria correlation)-博弈论组合赋权和云模型的电力装备制造企业多价值链协同成本管理效益评价模型,主要创新点如下。
1)构建一个涵盖电力装备制造企业供应、生产、营销和服务多价值链协同的成本管理效益评价指标体系。基于网络爬虫与文本挖掘技术,全面考虑多价值链各个环节的协同和联系,为企业提供系统性成本管理效益评价框架。
2)提出基于BWM-CRITIC-博弈论的主客观组合赋权方法。采用BWM法确定主观权重,CRITIC法确定客观权重,通过博弈论进行组合优化,解决不同权重间的冲突问题,提高权重分配的科学性和合理性。
3)构建基于博弈论和云模型的电力装备制造企业多价值链协同成本管理效益评价模型。结合权重结果,利用云模型对电力装备制造企业多价值链成本管理效益进行评价,得到企业成本管理水平,提出针对性管理建议,为企业成本管理效益的优化提供参考。
1 电力装备制造企业多价值链协同分析
电力装备制造企业的系统构成通常涉及多个方面,图1是简化的系统构成模型。其中信息价值链贯穿于企业的整个过程,属于辅助系统,本文考虑的多价值链协同中不包含此价值链。

图1 电力装备制造企业系统构成模型
Fig.1 System composition model of electric power equipment manufacturing enterprise
在电力装备制造企业的多价值链协同中,各个层次之间的协同至关重要,需要对电力装备制造企业各价值链之间的协同关系进行分析。制造业的多价值链协同机制,是指制造企业内部各部门间以及与其合作的外部企业间实施的协同管理模式。在制造企业的运营范畴内,业务活动广泛覆盖采购、生产制造、物流运输、销售等多个领域,且每一部门均配备有专属的管理体系与作业流程。多价值链协同机制的核心在于促进这些管理系统间的无缝对接与有效协调,以保障信息流的顺畅以及业务操作的高效执行。通过实施协同,企业能够达成生产计划的最优化、库存水平的降低以及物流活动的有序调度等成效。具体而言,供应价值链与生产价值链的上游环节聚焦于原材料供应、产品开发及生产制造等,其核心聚焦于产品本身;相对地,营销价值链与服务价值链的下游环节则涵盖成品配送与仓储、市场推广以及售后支持等,其核心关注点在于满足客户需求[33]。
1)各链之间的协同优化。供应价值链与生产价值链相互协同,生产价值链与营销价值链相互协同,服务价值链对整体价值链提供支持,信息价值链对整个企业进行整合与驱动。
2)整体协同与持续优化。各层次需紧密协作,通过信息共享、反馈及持续优化机制,确保企业高效稳定发展,同时注重员工培训与管理创新,增强竞争力。
2 评价指标体系构建
2.1 基于Web Crawler的影响因素识别
对企业进行多价值链协同成本管理评价,需要从全面性、系统性、科学性、实用性等角度构建评价指标体系。本文借助爬虫文本挖掘技术,对电力装备制造企业相关的电力行业网站和互联网期刊文章等进行爬取分析,识别关键因素,为电力装备制造企业多价值链协同成本管理效益评价指标体系的构建提供支撑。
本文采用Web Crawler,结合企业多价值链、电力装备制造行业发展、相关前沿政策、企业实际运营状态等角度,选取国际能源网、北极星电力网、中国电力网、企业官网等相关网站进行数据挖掘。以“成本管理”“多价值链协同”“评价”“电力装备制造企业”等关键词为依据进行页面搜索,最终得到有效字符16 167 927字。
对文本数据库进行分词和词频处理,生成关键词词云图如图2所示。由于词云图涵盖关键词较多,存在一定冗余,本文筛选出词频排名较高的前20位的关键词:生产、发展、成本、电力、企业、营销、节约、技术、管理、市场、服务、产业、需求、国家、推进、装备、重点、效益、清洁、集团。统计结果如图3所示,为后续评价指标体系的构建打下基础。

图2 关键词词云图
Fig.2 Cloud map of keywords

图3 词频排名前20词语统计结果
Fig.3 Statistical results of the top 20 words in word frequency
2.2 评价指标体系构建
根据2.1节中词频排名情况,以及成本管理效益评价和电力装备制造企业相关研究文献,同时结合Q电力装备制造企业运营实际情况和实践调研结果,本文从电力装备制造企业供应、生产、营销和服务价值链构建指标体系。
对应4条价值链,结合Q电力装备制造企业实际能够获取指标数据情况,共选取了16个指标如图4所示。

图4 电力装备制造企业多价值链协同成本管理效益评价指标体系
Fig.4 Evaluation index system of multi-value chain collaborative cost management of electric power equipment manufacturing enterprise
3 评价模型
3.1 基于BWM-CRITIC-博弈论的组合赋权方法
3.1.1 BWM确定主观权重
BWM是一种确定指标主观权重方法。BWM通过比较“最好”和“最坏”因素来确定其他因素的权重。具体步骤如下。
1)在指标层中根据专家组意见选取最优指标CB和最差指标CW。
2)获取RB数据,RB表示CB与其他各指标的相对重要性。这些数据由专家采用1~9分标度法给出,标度及其含义如表1所示。
表1 标度值及重要性等级
Table 1 Scale values and importance level

标度值重要性等级1二者同样重要3一个因素比另一个因素稍微重要5一个因素比另一个因素一般重要7一个因素比另一个因素明显重要9一个因素比另一个因素极端重要2,4,6,8重要性介于上述相邻标度之间
通过CB和其他指标相对重要度的两两比较得到比较向量RB=(rB1,rB2,…,rBn)。rBi表示CB相对于指标Ci的重要性。CB基于相对重要度打分形式如表2所示。
表2 最优指标相对重要度打分表
Table 2 The relative importance of optimal indicators

C1C2…Cn CBrB1rB2…rBn
3)获取RW数据,RW表示其他各指标与CW的相对重要性。
通过其他指标和CW的相对重要度进行两两比较得到比较向量RW=(r1W,r2W,…,rnW)。rjW表示指标Cj相对于CW的重要性。
4)采用线性BWM模型,得出最优指标权重:

将模型转化为

式中:为最优指标CB的主观权重;
为最差指标CW的主观权重;ω'j为指标Cj的主观权重;ε为求解权重结果的指示值,ε值越接近0,则所求解的权重结果误差越小。
最终得到各评估准则层指标的最优主观权重和ε。
5)进行一致性检验。一致性指标IC见表3。
表3 一致性检验参数
Table 3 Conformity test parameter

rBW123456789 IC00.4411.632.333.734.475.23

式中:IC为一致性指标;RC为一致性比率。若RC<0.1,说明一致性检验通过,且越接近0表示一致性越好;若RC>0.1,需要对原始标度中rBj和rjW进行调整。
3.1.2 CRITIC法确定客观权重
CRITIC法是一种客观权重赋权法,它基于对比强度和指标之间的冲突性2个概念来确定指标的权重,从而得到更为科学合理的权重分配。具体步骤如下。
假设有n个评价对象,p个评价指标,构建原始数据矩阵X=(xij)n×p,其中xij表示第i个样本第j项评价指标的数值。
1)数据归一化处理。极差正规化的公式如下。
对于正向指标(指标值越大越好):

式中:yij是第i个样本第j个指标无量纲化后的值;xij是第i个样本第j个指标的原始值。
对于负向指标(指标值越小越好):

2)计算对比强度。使用标准差来表示各指标的内取值差异波动情况,即对比强度,计算第j个指标的标准差Sj:

式中:是第j个指标的均值。
3)计算指标冲突性。计算第j个指标与其他所有指标的相关系数rij,并据此计算冲突性Rj:

4)计算信息量。信息量Cj反映了第j个指标在整个评价体系中的重要性:

5)计算客观权重。根据信息量的大小来确定各指标的客观权重wj:

3.1.3 博弈论确定组合权重
根据BWM法和CRITIC法确定的主观权重和客观权重,采用博弈论进行组合优化,确定最优的主客观权重分配系数,具体步骤如下。
1)根据上文,BWM法得到主观权重为K1=(p1,p2,…,pn),CRITIC法得到的客观权重为K2=(q1,q2,…,qn),由此得到综合权重的线性组合为K。

式中:α、β为权重分配系数。
2)根据博弈论思想,以各权重向量离差极小化为目标,对权重分配系数进行优化。

3)进行一阶求导,得到一阶导数条件最优的线性微分方程组。

4)计算权重分配系数后,进行归一化处理,得到最优的综合权重K*。

5)归一化后的权重分配系数:

3.2 基于云模型的评价方法
李德毅院士基于概率论与模糊数学的理论基础,提出了一种能够将定性语言值转化为数值以进行量化描述的不确定性转换模型,该模型被命名为云模型[34]。云模型旨在统一刻画不确定性语言值和精确数值之间的随机性和模糊性,实现定性语言值和定量数值之间的自然转换,具体步骤如下。
1)确定评价集为V={v1,v2,…,vn},评语集为U={u1,u2,…,un},设评语集数为n,评价等级标准为uj(j=1,2,…,n)。
2)构建权重矩阵W。
3)计算标准云数字特征。利用逆向云发生器得到标准云数字特征。

式中:Vmax、Vmin为评语集的上、下限;k为常数,通常根据变量模糊度确定。
4)计算评价集云数字特征。根据专家打分得到评价矩阵X并进行数据预处理,运用逆向云发生器计算数字特征。

式中:xi为专家对第i个指标的评分。
5)计算评价集综合云参数。将权重矩阵W代入计算得到综合评价云参数。

式中:ωi为第i个指标的权重。
6)生成云图。

式中:ϕi′为隶属度;ϕ为平均隶属度;x为生成的随机数,且满足x~N(ExV,EnV)。
3.3 本文模型框架
本文构建基于改进博弈论组合赋权和云模型的电力装备制造企业多价值链协同成本管理效益评价模型,具体流程如图5所示。

图5 电力装备制造企业多价值链协同成本管理效益评价流程
Fig.5 Evaluation process of multi-value chain collaborative cost management of electric power equipment manufacturing enterprise
4 实证分析
4.1 数据来源
本文以Q电力装备制造企业为研究对象进行实证分析。Q企业成立于2005年,在行业内具有显著影响力。主要产品包括电缆分支箱、SF6环网柜、固体绝缘环网柜、环保气体环网柜、箱式开闭所、箱式变电站、柱上开关、低压配电箱、户外开闭所、配电自动化系列产品及新能源充电系统等。生产经营过程主要涉及4个环节,包括供应环节、生产环节、营销环节和服务环节,如图6所示。在供应环节,供应商档案包括原材料采购成本、库存管理成本、储运物流成本等。在生产环节,生产订单包括订单编号、物料名称、仓库名称、生产数量等;产成品包括单位产品生产成本、原材料消耗速率、产品合格率等。营销环节包括产品吸引力、销售渠道成本、销售收入、销售利润等。服务环节包括客户基本信息、产品信息、服务请求、服务处理情况、客户确认、意见及建议等。

图6 Q企业生产经营环节
Fig.6 Business operations of enterprise Q
本文所构建的指标体系中的定量数据选取Q企业2021年6月—2022年5月之间的相关月度生产和营业数据进行研究。针对指标体系中的定性数据,对Q企业内部开展广泛的调研工作,邀请了Q企业生产部、市场部、销售部及财务部的相关人员,包括管理人员与一线工作人员共计38名,进行了访谈和调研,围绕本文所构建的指标体系以及指标中的相关数据,结合工作经验和实际运行情况对各项指标的重要性程度进行评分。此外,为进一步提升研究的代表性和全面性,还邀请了长期从事能源电力、装备制造以及企业成本管理等领域的高校专家学者20名,对指标体系及重要度情况进行了充分交流和讨论。最后,结合企业内部打分和外部专家学者的讨论结果,获得了本文最终的指标得分情况。
4.2 权重确定
4.2.1 主观权重计算
由专家意见结合相关行业标准规范,使用1~9标度法对Q企业成本管理效益评价的各层级指标进行分析打分。首先确定准则层指标,最优指标为生产价值链,最劣指标为服务价值链,具体打分和权重见表4。其次确定指标层指标,具体打分及权重见表5。由表4—表5可知各级指标打分结果均通过一致性检验。因此,得到各指标主观权重如表6所示。
表4 准则层指标最优最劣准则偏好打分结果及权重
Table 4 Criterion-level indicators preference scoring results and weights

服务价值链D最优准则2115最劣准则2451权重0.192 30.346 20.384 60.076 9一致性检验RC=0.05<0.1,通过一致性检验指标供应价值链A生产价值链B营销价值链C
表5 指标层指标最优最劣准则偏好打分结果及权重
Table 5 Indicator-level indicators preference scoring results and weights

准则层指标指标层指标最优准则最劣准则权重一致性检验原材料采购成本A1150.492 8供应价值链A库存管理成本A2220.231 9储运物流成本A3320.173 9供应商质量A4510.101 4 RC=0.05<0.1通过一致性检验单位产品生产成本B1160.448 3生产价值链B原材料消耗B2610.069 0产品合格率B3230.241 4生产技术水平B4240.241 4 RC=0.066 7<0.1通过一致性检验产品吸引力C1150.484 6营销价值链C销售渠道成本C2510.092 3销售收入C3230.253 8销售利润C4320.169 2 RC=0.05<0.1通过一致性检验顾客满意度D1170.571 4服务价值链D顾客服务反馈速率D2330.200 8服务渠道维护成本D3710.077 2产品维修成本D4420.150 6 RC=0.047 6<0.1通过一致性检验
表6 评级指标权重
Table 6 Weight of rating indicators

权重BWM法CRITIC法组合BWM法CRITIC法组合权重准则层指标指标层指标供应价值链A0.139 80.231 60.197 7原材料采购成本A10.094 80.046 60.088 2库存管理成本A20.044 60.059 50.046 6储运物流成本A30.033 40.052 00.036 0供应商质量A40.019 50.073 50.026 9生产价值链B0.279 60.257 00.333 9单位产品生产成本B10.155 20.057 30.141 8原材料消耗B20.023 90.071 90.030 4产品合格率B30.083 60.077 40.082 7生产技术水平B40.083 50.050 40.079 0营销价值链C0.494 60.254 40.366 8产品吸引力C10.186 40.051 40.168 0销售渠道成本C20.035 50.046 50.037 0销售收入C30.097 60.075 00.094 5销售利润C40.065 10.081 50.067 3服务价值链D0.086 00.257 10.101 6顾客满意度D10.044 00.072 90.047 9顾客服务反馈速率D20.015 40.078 00.024 0服务渠道维护成本D30.005 90.046 30.011 5产品维修成本D40.011 60.059 80.018 2
4.2.2 客观权重计算
本文通过调用Q企业内部共享数据、查询企业公布的社会责任报告和财务报告等途径获取相关原始数据。其中,定性数据“供应商质量”由供应商选择合格率和供应商合作满意度2部分构成,供应商合作满意度通过不同部门管理层根据Q企业供应商实际合作执行情况按1~100标度进行打分,并对各指标得分取平均值后以相对最高得分占比的百分比数为具体数值用于后续计算。用CRITIC法计算得到Q电力装备制造企业多价值链协同的成本管理效益评价指标体系客观权重,如表6所示。
4.2.3 组合权重计算
BWM法确定的主观权重值波动较大,而CRITIC法得出的客观权重虽较平稳,但不能清晰体现各指标间的差异,因此,本文引入博弈论计算组合权重。通过博弈论组合赋权法计算得到α为0.863 4,β为0.136 6,得到组合权重如表6所示。
4.3 评价结果分析
在权重确定基础上,本文运用云模型对Q企业多价值链协同成本管理效益进行评价。
4.3.1 确定评价等级
本文确定评价等级n=5,将评价划分为5个分值区间:[0,40)代表管理效益水平差,[40,60)代表管理效益水平较差,[60,70)代表管理效益水平一般,[70,80)代表管理效益水平较好,[80,100]代表管理效益水平好。结合区间模糊度进行多次取值,最终取k=0.18更符合Q企业实际情况。云参数如表7所示。
表7 评价标准等级划分及对应参数
Table 7 Evaluation of standard grade classification and corresponding parameters

评价等级等级区间期望熵超熵差[0,40)206.666 70.18较差[40,60)503.333 30.18一般[60,70)651.666 70.18较好[70,80)751.666 70.18好[80,100]903.333 30.18
将标准云数据特征输入正向云发生器生成标准云图来判断Q企业成本管理效益等级,如图7所示。

图7 评价等级标准云图
Fig.7 Cloud chart of the evaluation grade standard
4.3.2 计算评价指标云
代入逆向云发生器计算得到指标层指标对应的云参数,如表8所示。将指标层指标云参数输入正向云发生器可得评价指标云图及隶属度,16个指标层指标的评价云图如图8所示。
表8 指标层指标评价云模型数字特征及权重
Table 8 Digital characteristics and weights of indicator-level indicators evaluation cloud model

指标层指标权重期望熵超熵原材料采购成本A10.088 283.32.988 40.167 7库存管理成本A20.046 675.44.988 30.216 8储运物流成本A30.036 071.23.669 31.152 3供应商质量A40.026 970.25.054 60.699 2单位产品生产成本B10.141 889.02.799 40.674 4原材料消耗速率B20.030 477.73.612 20.131 7产品合格率B30.082 783.32.030 50.043 5生产技术水平B40.079 084.92.723 31.384 6产品吸引力C10.168 085.26.095 20.952 5销售渠道成本C20.037 072.13.686 40.572 0销售收入C30.094 588.54.675 30.186 5销售利润C40.067 383.33.392 50.954 1顾客满意度D10.047 985.23.313 01.003 2顾客服务反馈速率D20.024 078.14.106 90.858 5服务渠道维护成本D30.011 568.35.358 01.039 1产品维修成本D40.018 270.23.354 80.259 6

图8 指标层指标评价云图
Fig.8 Cloud chart of indicator-level indicators evaluation
指标A1、A2、A3、A4评级等级均为“较好”;指标B1、B3、B4评级等级为“好”,B2评级等级为“较好”;指标C1、C3、C4评级等级为“好”,C2评级等级为“较好”;指标D1评级等级“好”,D2、D4评级等级为“较好”,D3评级等级为“一般”。
对准则层指标进行计算得到云参数如表9所示,将准则层指标云参数输入正向云发生器可得到图9和隶属度表10。
表9 准则层指标评价云模型数字特征及权重
Table 9 Digital characteristics and weights of criterion-level indicators evaluation cloud model

准则层指标组合权重期望熵超熵供应价值链A0.197 772.33.133 30.071 3生产价值链B0.333 979.43.058 10.315 1营销价值链C0.366 881.32.506 60.773 2服务价值链D0.101 669.83.133 30.534 6
表10 准则层指标评价等级隶属度
Table 10 Evaluation level membership of criterion-level indicators

准则层指标差较差一般较好好供应价值链A0.000 00.000 00.320 30.385 10.000 0生产价值链B0.000 00.000 30.000 20.381 50.023 0营销价值链C0.000 00.000 00.000 00.128 60.012 6服务价值链D0.000 00.000 20.527 40.292 80.000 0

图9 准则层指标评价云图
Fig.9 Cloud chart of criterion-level index evaluation
准则层指标供应、生产和营销价值链评价等级为“较好”,服务价值链评价等级为“一般”。
4.3.3 计算综合云评价结果
根据得出的评价结果做出以下分析。
1)“好”等级。
根据二级指标关联度结果可知,评价指标体系中隶属于“好”等级的二级指标,包括:生产价值链B中的产品生产成本B1、产品合格率B3及生产技术水平B4,营销价值链C中的产品吸引力C1、销售收入C3和销售利润C4以及服务价值链D中的顾客满意度D1。生产价值链B和营销价值链C均属于经济效益指标体系,该项目的经济效益同样隶属于“好”评价等级,与该项目的实际情况相符,验证了结果的合理性。
2)“较好”等级。
根据二级指标关联度结果可知,评价指标体系中隶属于“较好”等级的二级指标,包括:供应价值链A中的原材料采购成本A1、库存管理成本A2、储运物流成本A3和供应商质量A4,生产价值链B中的原材料消耗B2以及营销价值链C中的销售渠道成本C2和服务价值链D中的顾客服务反馈速率D2和产品维修成本D4。表明该企业在体现成本管控的供应价值链体系并未以高标准进行要求,应用范围较窄,未来需要坚持节约成本,降本增效理念,深挖实现成本效益的技术。
3)“一般”等级。
根据二级指标关联度结果可知,评价指标体系中隶属于“一般”等级的二级指标,包括:服务价值链D中的服务渠道维护成本D3。表明该企业在服务价值链体系的成本管控环节上并未达到高效或优化的水平,未来企业在服务管理和产品售后方面还有较大的改进空间。
综上分析,Q企业多价值链协同成本管理效益评价的综合云模型数字特征为(75.7,4.957 8,0.043 6),综合评价云图如图10所示,5个等级隶属度分别为(0.000 0,0.000 2,0.098 2,0.990 2,0.013 6)。根据最大隶属度原则,可确定最终评价等级为“较好”,其中,经济效益表现相对较好,成本效益表现一般,提升对供应价值链的关注对综合效益的影响较大。

图10 综合评价云图
Fig.10 Cloud chart of the comprehensive evaluation
5 结论及建议
本文从供应价值链、生产价值链、营销价值链和服务价值链,构建了基于BWM-CRITIC-博弈论的组合赋权和云模型的电力装备制造企业多价值链协同成本管理效益评价模型,以Q电力装备制造企业相关数据进行实证分析,得到如下结论。
1)运用Web Crawler和文本挖掘技术,识别电力装备制造企业多价值链协同成本管理效益关键因素。从4个价值链中得到了16个指标层指标,构建的指标体系能够更加客观地反映Q企业多价值链协同成本管理效益,更具有实际意义。
2)提出了BWM-CRITIC-博弈论的组合赋权方法,通过BWM法和CRITIC法计算主客观权重,利用博弈论进行组合优化得到更为均衡的权重。根据权重结果可知,4个价值链的重要度排序为:营销价值链(36.68%)、生产价值链(33.39%)、供应价值链(19.77%)、服务价值链(10.16%)。原材料采购成本、单位产品生产成本、产品合格率、销售收入等指标权重较高,达到7.5%以上。
3)构建了基于云模型的电力装备制造企业多价值链协同成本管理效益评价模型。在权重确定的基础上,利用云模型对成本管理效益进行评价,最终评定等级为“较好”,符合实际情况,Q企业多价值链协同成本管理效益评价具有可行性。
根据研究结果可知,电力装备制造企业在进行成本效益管理时,应积极采取相应的措施来降低成本,提高管理效益。本文提出建议如下。
1)精准定位目标市场,持续推广营销数字化。电力装备制造企业应高度重视市场调研与营销策略,深入了解行业需求和竞争格局,精准定位目标客户。通过品牌建设和互联网传播扩大影响力,利用数字营销和人工智能技术进行精准推广,提升品牌知名度。建议定期开展市场调研,持续关注市场动态、客户需求和行业政策变化,灵活调整产品和服务定位。还应积极参与行业展会、专业论坛和技术峰会等活动,增加品牌曝光度,并利用多样化的营销手段如社交媒体和电子商务平台进一步提升企业在市场中的竞争力。
2)智能优化生产流程,实时监控严控成本。针对生产价值链,电力装备制造企业应积极推动生产流程优化,引入自动化和智能制造技术,提升生产效率和产品附加值。建议建立严格的质量管理体系,确保产品符合质量标准,并通过实时监控系统维持合理的库存水平,减少资金占用和库存浪费。企业还可以采用精益生产方式,通过优化工序设计、提高资源利用率来减少不必要的生产环节和损耗。建议定期对生产过程进行成本分析,识别成本驱动因素,利用数据分析和可视化工具实现更有效的成本控制。
3)稳定增强供应链韧性,提升信息化水平和协同效率。对于供应价值链,电力装备制造企业需建立稳定且高效的供应链网络,通过信息技术提升供应链管理效率,并引入风险管理机制来应对市场波动,通过供应商备选和库存策略等措施进一步增强供应链的韧性。定期与供应商进行价格谈判,优化经济订货量和频次,降低库存持有成本。与供应商合作提升原材料质量,共同制定改进计划并实现信息共享,实现采购、库存和物流的同步管理和协同控制,提升供应链的透明度和响应速度。
4)建立多渠道服务平台,准确把握服务需求。服务价值链对于提升客户满意度和品牌忠诚度至关重要。电力装备制造企业应建立多渠道客户服务平台,配备专业服务团队,确保客户问题的高效解决,提高客户满意度。建议定期开展客户满意度调研,利用调研结果优化产品和服务,满足客户的多样化需求。通过客户关系管理(customer relationship management,CRM)系统提升服务响应速度、简化服务流程,并搭建客户数据分析系统,以预测客户需求和潜在问题。还可以增加在线技术支持、实时远程维护等服务,利用技术手段提升客户体验,建立服务反馈机制,进一步增强客户的品牌忠诚度和满意度。
参考文献
-
[1]
陈怡,田川,曹颖,等.中国电力行业碳排放达峰及减排潜力分析[J].气候变化研究进展,2020,16(5):632-640.CHEN Yi, TIAN Chuan, CAO Ying, et al.Research on peaking carbon emissions of power sector in China and the emissions mitigation analysis[J].Climate Change Research,2020, 16(5): 632-640(in Chinese). [百度学术]
-
[2]
JIANG T, YU Y, JAHANGER A, et al.Structural emissions reduction of China’s power and heating industry under the goal of “double carbon”: a perspective from input-output analysis[J].Sustainable Production and Consumption, 2022,31: 346-356. [百度学术]
-
[3]
肖挺,孙苏伟.制造业服务化战略实施的风险调节研究[J].技术经济,2020,39(2):87-98.XIAO Ting, SUN Suwei.Study on risk regulation of service strategy implementation in manufacturing industry[J].Journal of Technology Economics, 2020, 39(2): 87-98(in Chinese). [百度学术]
-
[4]
张叶同,王军奎,史健,等.大型电力装备企业智能制造实践之路[J].智能制造,2022(1):52-59. [百度学术]
-
[5]
REN S H, DOU X, WANG Z, et al.Medium- and long-term integrated demand response of integrated energy system based on system dynamics[J].Energies, 2020, 13(3): 710. [百度学术]
-
[6]
秦德智,侯怡红.中国中小企业经营创新风险评估[J].统计与决策,2021,37(9):184-188.QIN Dezhi, HOU Yihong.Risk assessment of management innovation of small and medium-sized enterprises in China[J].Statistics & Decision, 2021, 37(9): 184-188(in Chinese). [百度学术]
-
[7]
牛东晓,斯琴卓娅,王董禹,等.基于数据挖掘的电力装备企业多价值链协同数据预处理方法研究及应用[J].中国管理科学,2023,31(11):321-331.NIU Dongxiao, SIQIN Zhuoya, WANG Dongyu, et al.Method and application of multi-value chain collaborative data mining in power equipment enterprises based on deep learning[J].Chinese Journal of Management Science, 2023, 31(11): 321-331(in Chinese). [百度学术]
-
[8]
吴庚奇,牛东晓,耿世平,等.多价值链视角下基于深度学习算法的制造企业产品需求预测[J].科学技术与工程,2021,21(31):13413-13420.WU Gengqi, NIU Dongxiao, GENG Shiping, et al.Product demand forecasting of manufacturing enterprises based on deep learning algorithm from the perspective of multi-value chains[J].Science Technology and Engineering, 2021, 21(31):13413-13420(in Chinese). [百度学术]
-
[9]
CLOSS D J, SPEIER C, MEACHAM N.Sustainability to support end-to-end value chains: the role of supply chain management[J].Journal of the Academy of Marketing Science,2011, 39(1): 101-116. [百度学术]
-
[10]
HSIEH Y H, CHOU Y H.Modeling the impact of service innovation for small and medium enterprises: a system dynamics approach[J].Simulation Modelling Practice and Theory, 2018, 82: 84-102. [百度学术]
-
[11]
刘晓峰,高丙团,李扬.博弈论在电力需求侧的应用研究综述[J].电网技术,2018,42(8):2704-2711.LIU Xiaofeng, GAO Bingtuan, LI Yang.Review on application of game theory in power demand side[J].Power System Technology, 2018, 42(8): 2704-2711(in Chinese). [百度学术]
-
[12]
张键,谢庭玉,彭鹏,等.制造业多价值链协同数据空间产品知识属性与销量预测关联性研究[J].中国管理科学,2023,31(11):341-348.ZHANG Jian, XIE Tingyu, PENG Peng, et al.Research on the correlation between product knowledge attributes and sales forecast in multi-value chain collaborative data space of manufacturing industry[J].Chinese Journal of Management Science, 2023, 31(11): 341-348(in Chinese). [百度学术]
-
[13]
韩洁平,顾美玲,杨晓龙,等.面向制造业服务化数据空间体系构建的多价值链协同创新管理研究[J].中国管理科学,2024,32(1):299-308.HAN Jieping, GU Meiling, YANG Xiaolong, et al.Research on multi-value chain collaborative innovation management for manufacturing servitization oriented to the construction of data space system[J].Chinese Journal of Management Science,2024, 32(1): 299-308(in Chinese). [百度学术]
-
[14]
LI W B, ZHANG Y J, DAN B, et al.Simulation modeling and analysis on the value-added service of the thirdparty E-commerce platform supporting multi-value chain collaboration[J].Journal of Theoretical and Applied Electronic Commerce Research, 2024, 19(2): 846-862. [百度学术]
-
[15]
SUI R H, ZHANG X M, LIU Y M, et al.Simulation modeling and analysis on the network effects of multi-value chain based on the third-party manufacturing platform[J].Soft Computing,2024, 28(1): 235-252. [百度学术]
-
[16]
RAZA S A.Supply chain coordination under a revenue-sharing contract with corporate social responsibility and partial demand information[J].International Journal of Production Economics,2018, 205: 1-14. [百度学术]
-
[17]
KANG K, ZHAO Y J, ZHANG J, et al.Evolutionary game theoretic analysis on low-carbon strategy for supply chain enterprises[J].Journal of Cleaner Production, 2019, 230: 981-994. [百度学术]
-
[18]
DONG Z, DAI P.Dynamic mechanism of digital transformation in equipment manufacturing enterprises based on evolutionary game theory: evidence from China[J].Systems, 2023, 11(10): 493. [百度学术]
-
[19]
DUNUWILA P, RODRIGO V H L, GOTO N.Financial and environmental sustainability in manufacturing of crepe rubber in terms of material flow analysis, material flow cost accounting and life cycle assessment[J].Journal of Cleaner Production, 2018, 182: 587-599. [百度学术]
-
[20]
牛东晓,李明钰,余敏,等.如何以多价值链协同实现制造企业生产预测优化?以电力制造企业为例[J].工程管理科技前沿,2024,43(3):18-27.NIU Dongxiao, LI Mingyu, YU Min, et al.How to achieve production forecast optimization of manufacturing enterprises based on multi-value chain collaboration? : An example of an electric power manufacturing company[J].Frontiers of Science and Technology of Engineering Management, 2024, 43(3): 18-27(in Chinese). [百度学术]
-
[21]
WANG Y.Strategic cost management: a review of research status at home and abroad[J].Modern Economy, 2019, 10(2):513-522. [百度学术]
-
[22]
RIKHARDSSON P, YIGITBASIOGLU O.Business intelligence & analytics in management accounting research:status and future focus[J].International Journal of Accounting Information Systems, 2018, 29: 37-58. [百度学术]
-
[23]
WANG C.Refined intelligent manufacturing enterprise human management based on IoT and machine learning technology[J].The International Journal of Advanced Manufacturing Technology, 2024. [百度学术]
-
[24]
ALZOUBI H M, IN’AIRAT M, AHMED G.Investigating the impact of total quality management practices and Six Sigma processes to enhance the quality and reduce the cost of quality: the case of Dubai[J].International Journal of Business Excellence, 2022, 27(1): 94-109. [百度学术]
-
[25]
LIU M N, FANG S L, DONG H Y, et al.Review of digital twin about concepts, technologies, and industrial applications[J].Journal of Manufacturing Systems, 2021, 58:346-361. [百度学术]
-
[26]
LIM K Y H, ZHENG P, CHEN C H.A state-of-the-art survey of digital twin: techniques, engineering product lifecycle management and business innovation perspectives[J].Journal of Intelligent Manufacturing, 2020, 31(6): 1313-1337. [百度学术]
-
[27]
徐雅琴,李明.数字经济背景下制造企业成本管理的特征与创新[J].财会通讯,2021(20):172-176. [百度学术]
-
[28]
张胜,于广军.公立医院精细化成本管理效益实现路径研究[J].中国医院,2022,26(12):50-52. [百度学术]
-
[29]
董娜,张宁,熊峰,等.基于熵权可拓理论的施工成本管理绩效评价[J].重庆交通大学学报(自然科学版),2019,38(2):51-58.DONG Na, ZHANG Ning, XIONG Feng, et al.Performance evaluation of construction project cost management based on entropy weight extension theory[J].Journal of Chongqing Jiaotong University (Natural Science), 2019, 38(2): 51-58(in Chinese). [百度学术]
-
[30]
赵娅楠.精益成本管理在制造业中的实施与效益分析[J].中国科技投资,2024(16):70-72. [百度学术]
-
[31]
YOU B, XIAO X.Data encryption technology application in enterprise cost operation management based on cloud computing[J].Soft Computing, 2023. [百度学术]
-
[32]
NIU D X, CHEN H F, DU R Y, et al.Construction and analysis of data quality scale for manufacturing multivalue chain collaborative data space based on combinatorial empowerment model[C]//2023 2nd International Conference on Cloud Computing, Big Data Application and Software Engineering (CBASE).November 3-5, 2023, Chengdu, China.IEEE, 2023: 161-166. [百度学术]
-
[33]
何州,王阳,蒋翔宇,等.融合多主体需求频率特征的复杂产品全生命周期价值链协同设计[J].工程设计学报,2024,31(1):1-9.HE Zhou, WANG Yang, JIANG Xiangyu, et al.Collaborative design of complex product lifecycle value chain by fusing multi-agent demand frequency characteristics[J].Chinese Journal of Engineering Design, 2024, 31(1): 1-9(in Chinese). [百度学术]
-
[34]
李德毅.知识表示中的不确定性[J].中国工程科学,2000,2(10): 73-79.LI Deyi.Uncertainty in knowledge representation[J].Engineering Science, 2000, 2(10): 73-79(in Chinese). [百度学术]
基金项目
国家社会科学基金重大项目(ZX20220266);中国科协青年人才托举工程项目(YESS20220084);北京市自然科学基金项目(9234031)。
Major Program of the National Social Science Foundation of China (ZX20220266); Young Elite Scientists Sponsorship Program by CAST (YESS20220084); Beijing Municipal Natural Science Foundation (9234031).