Диагностика зависимости основного производства от производственной инфраструктуры на основе ансамблевого метода машинного обучения

Введение . Модель организации производственной инфраструктуры промышленного предприятия оказывает существенное влияние на уровень эффективности производства. Простои производства по причине низкого уровня организации вспомогательных процессов приводят к снижению выпуска продукции, перерасходу материальных ресурсов, увеличению себестоимости конечной продукции. В настоящее время значительная часть задач по техническому обслуживанию производства передается специализированным компаниям на основе технологий аутсорсинга. При адекватном исполнении сторонами своих обязанностей это позволяет существенно снизить затраты на организацию вспомогательного хозяйства предприятия.

Анализ научной литературы (Клочков, Конников, 2019; Лашкова и др., 2019; Михайлов и др., 2021; Мусаева, Ялмаев, 2021; Сайфулина, Исломова, 2021; Травин, Травин, 2018) и практических изданий1 позволяет сделать вывод о среднем соотношении затрат на основное и вспомогательное производство в себестоимости продукции как 5 к 1. Несомненно, приведенный «норматив» расходов предприятия на вспомогательные операции имеет ряд условностей, связанных со спецификой производства, и может варьировать в неограниченном диапазоне значений. Тем не менее в пределах однотипных производств соотношение издержек на основные и вспомогательные процессы может являться ориентиром для первичной диагностики уровня организации вспомогательного хозяйства.

Диагностику эффективности организации производственной инфраструктуры предлагается осуществлять на основе классификационного анализа с использованием ансамблевого метода машинного обучения «случайный лес» (Three-branch random forest…, 2022; Zhao et al., 2022). Данный алгоритм обладает гибкостью для решения задач классификации, регрессии, поиска аномалий, позволяет применять большой набор первичных статистических параметров.

Цель статьи заключается в оценке зависимости основного производства от производственной инфраструктуры предприятия на базе анализа производственных затрат. Объектом исследования являются предприятия по выпуску химической продукции, нефтепродуктов, пластмассовых и резинотехнических изделий и их подвидов согласно ОКВЭД.

Результаты и обсуждение . Стоимость организационно-технического обслуживания основного производства можно оценить как отношение затрат на вспомогательные производственные операции к общим расходам на производство и реализацию продукции. Задача рациональной организации вспомогательных процессов на предприятии заключается в снижении их себестоимости до оптимального значения. Уровень себестоимости вспомогательных операций в рамках производственной инфраструктуры зависит от многих факторов, в том числе²: организации маршрутов операций обслуживающих работ; нормирования обслуживающих работ и материально-технических ресурсов, необходимых для их выполнения; уровня применяемых технологий на вспомогательных и обслуживающих работах; уровня механизации и автоматизации вспомогательных операций, их интеграции в основное производство.

Для оценки количественных зависимостей между основными и вспомогательными подразделениями предприятия использованы технологии интеллектуального анализа данных. В частности, для решения задач классификации объектов применен метод из группы «деревья классификации», подходящий к широкому спектру задач. В отличие от дискриминантного анализа учет переменных производится рекурсивно или по мере построения иерархии. Последовательное изучение эффекта влияния переменных, а также возможность использования как непрерывных, так и категориальных предикторов придают методу дерева классификации гибкость.

Получение более достоверной классификации путем уменьшения дисперсии данных возможно с применением метаалгоритма композиционного обучения машин – бэггинга. Основная идея заключается в использовании большого ансамбля решающих деревьев, каждое из которых само по себе имеет невысокое качество классификации, но за счет большого количества деревьев итог получается объективным. В результате проведения классификации объекту присваивается класс, за который проголосовало большинство деревьев, при условии, что одно дерево обладает одним голосом.

Для целей оценки зависимости основного производства от производственной инфраструктуры предприятия разработана методика, включающая последовательность математических и логических процедур. Для реализации метода дерева решений использован программный комплекс Statistica, реализующий функции интеллектуального анализа данных.

В условиях классификационного анализа нами принята равная для всех категорий цена ошибочной классификации, т. е. матрица стоимости неправильной классификации в данном случае будет симметричной. Априорное распределение вероятностей величины примем как вероятность того, что объект попадет в один из классов. Для проведения анализа данных сформирована база показателей о деятельности производственной инфраструктуры, на основании которых предложены следующие индикативные параметры: х 1 – доля затрат на вспомогательные производственные операции в общих затратах на производство и реализацию продукции, %; х 2 – расходы на аренду производственного оборудования в расчете на единицу произведенной продукции, р.; х 3 – стоимость работ ремонтного хозяйства в расчете на единицу произведенной продукции, р.; х 4 – выпуск продукции с единицы затрат на производство и реализацию продукции, р. (таблица 1).

Таблица 1 – Значения индикативных параметров деятельности производственной инфраструктуры по видам химических производств¹

Table 1 – Values of Indicative Parameters of Industrial Infrastructure Activity by Types of Chemical Industries

Вид химического производства	х 1	х 2	х 3	х 4
Производство изделий из вулканизированной резины	1,66	0,087	0	1,09
Производство красок и лаков на основе полимеров	0	0,003	0	0,64
Производство красок, лаков, эмалей	1,80	0,000	0,002	1,08
Производство лекарственных препаратов	7,62	0,002	0	1,34
Производство мыла и моющих средств	14,55	0,002	0	1,20
Производство органических ПАВ	6,37	0,002	0	1,02
Производство основных неорганических химических веществ	4,49	0,000	0,005	1,03
Производство основных органических химических веществ	3,27	0,193	0	0,57
Производство парфюмерных и косметических средств	3,66	0,012	0	0,99
Производство пестицидов и агрохимических продуктов	0,34	0,002	0	0,64
Производство пластмасс и синтетических смол	4,54	0,001	0,016	1,22
Производство пластмассовых изделий	3,25	0,041	0	1,22
Производство пластмассовых изделий для строительства	5,70	0,008	0,011	1,09
Производство пластмассовых изделий для упаковки товаров	2,13	0,025	0	1,31
Производство пластмассовых плит, полос, труб	3,97	0,001	0,00004	1,09
Производство промышленных газов	8,70	0,011	0,016	1,07
Производство прочих изделий из пластмасс	2,09	0,006	0	1,03
Производство прочих химических продуктов	5,16	0,033	0,002	0,96
Производство резиновых шин, покрышек и камер	2,27	0,006	0,032	1,03
Производство смазочных материалов	9,09	0,000	0	0,88
Производство труб и шлангов из вулканизированной резины	1,83	0,007	0,005	1,07
Производство удобрений и азотных соединений	22,96	0,009	0	1,24
Производство фармацевтических субстанций	12,09	0,027	0	1,25
Производство фотопластинок и фотопленок	2,55	0,002	0	1,19
Производство химических волокон	4,62	0,001	0	0,73
Производство химических органических основных веществ	3,69	0,018	0,0002	1,09

Предприятия химической продукции и нефтепродуктов осуществляют непрерывный процесс производства массовой продукции ограниченной номенклатуры. Данные предприятия зачастую реализуют полный технологический цикл от подготовки сырья до создания готового продукта технического назначения. Предприятия по выпуску резиновых и пластмассовых изделий могут характеризоваться как массовым, так и частично серийным производством продукции обширной номенклатуры технического и бытового назначения.

Специфика организации вспомогательного хозяйства на предприятии, количество цехов и их масштабы зависят от используемой химической технологии, объемов производства и его организационной структуры в целом. Вспомогательные производства являются неотъемлемой частью основного технологического процесса в части его энергообеспечения, технического обслуживания аппаратов и инструментов, компрессорного и холодильного оборудования, транспортировки потоков сырья и готовой продукции и пр.

Для верификации данных проведен дескриптивный анализ показателей выборки. Статистическая обработка эмпирических данных, их систематизация и количественное описание позволили определить, что все показатели соответствуют условиям для входных данных ансамблевого метода машинного обучения «случайный лес». Результатом верификации данных является выбор переменных для анализа классификации. Учитывая условия метода «случайный лес», регламентирующие обязательное наличие категориальных переменных, показатель х2 (расходы на аренду производственного оборудования в расчете на единицу произведенной продукции) из количественного выражения трансформирован в качественную текстовую независимую переменную Рt1.

Таким образом, в качестве зависимой категориальной переменной Dt принят уровень зависимости основного производства от производственной инфраструктуры. Независимые категориальные и количественные предикторы следующие: Pt1 – уровень использования технологий аутсорсинга на предприятии; Pq2 – доля расходов на вспомогательные операции в общих затратах на производство и реализацию продукции; Pq3 – затраты на аренду оборудования в расчете на единицу произведенной продукции; Pq4 – стоимость работ ремонтного хозяйства в расчете на единицу произведенной продукции; Pq5 – выпуск продукции с единицы затрат на производство и реализацию продукции (эффективность производства).

В результате выполнения всех процедур исследуемые производства классифицированы на три группы по уровню зависимости основного производства от производственной инфраструктуры. Прежде чем представить результаты анализа, мы провели оценку качества алгоритма классификации. На рисунке 1 показаны график коэффициентов ошибочной классификации по последовательным шагам добавления деревьев и диаграмма кумулятивного подъема. Как видно, потребовалось не менее 80–100 деревьев для достижения наименьшего коэффициента ошибочной классификации 0,17. Данный результат близок к модели прогнозирования с наилучшей прогностической достоверностью. Принимаем оптимальное количество деревьев 100 ввиду минимальной оценки риска ошибочной классификации.

Диаграммы кумулятивного подъема позволяют оценить полезность модели «случайный лес» по классам производств. Наибольшая область между линией подъема и базовой линией наблюдется по классу 2, что характеризует данную модель как самую продуктивную с максимальной вероятностью правильной классификации (см. рисунок 1).

Количество деревьев

График коэффициента ошибочной классификации для выбора оптимального количества решающих деревьев

Процентиль

Диаграмма кумулятивного подъема для оценки полезности модели «случайный лес» (класс 2)

Рисунок 1 – Результаты оценки качества алгоритма классификационного анализа производств по уровню зависимости основного производства от производственной инфраструктуры

Figure 1 – Results of Quality Assessment of the Algorithm of Industrial Production Classification Analysis by the Level of Dependence of the Core Production on the Production Infrastructure

Характеристика смоделированных классов производств представлена в таблицах 2, 3. Класс 1 включает 17 видов производств и отличается относительно низкими затратами на вспомогательные операции, массовым аутсорсингом в части технического обслуживания производства, частичным инсорсингом, отсутствием затрат за исследуемый период на ремонтные работы, высокой эффективностью производства. Класс 2 по оценке качества полученной модели является наиболее правильным и безошибочным, содержит 8 видов производств со средними затратами на вспомогательные операции, частичным аутсорсингом и инсорсингом, средней эффек- тивностью производства. К классу 3 отнесен только один вид производства с относительно высокими затратами на вспомогательные операции, признаками перехода на аутсорсинг, массовым инсорсингом и низкой эффективностью производства.

Таблица 2 – Параметры классов производств по уровню зависимости основного производства от производственной инфраструктуры

Table 2 – Parameters of Production Classes by the Level of Dependence of the Core Production on the Production Infrastructure

Переменная	Экономическая зависимость основного производства от производственной инфраструктуры
	Класс 1: низкая	Класс 2: средняя	Класс 3: высокая
Доля расходов на вспомогательные операции в общих затратах на производство и реализацию продукции, %	Менее 5,0	От 5,0 до 15,0	Более 15,0
Расходы на аренду оборудования в расчете на единицу произведенной продукции, р.	0,024	0,011	0,008
Стоимость работ ремонтного хозяйства в расчете на единицу произведенной продукции, р.	0	0,0037	0,0035
Выпуск продукции с единицы затрат на производство и реализацию продукции (эффективность производства), р.	1,238	1,102	1,001

Таблица 3 – Распределение и характеристика классов производств по уровню зависимости основного производства от производственной инфраструктуры

Table 3 – Distribution and Characterization of Industry Classes by the Level of Dependence of the Core Production on the Production Infrastructure

Класс	Распределение производств	Характеристика производств
1	17 видов производств: красок и лаков, агрохимических продуктов, изделий из вулканизированной резины и пластмассы, резиновых шин, фотопластинок и фотопленок, парфюмерных и косметических средств, синтетических смол, химических волокон	Относительно низкие затраты на вспомогательные операции, массовый аутсорсинг, частичный инсорсинг, высокая эффективность производства
2	8 видов производств: химических продуктов, пластмассовых изделий для строительства, органических поверхностноактивных веществ, лекарственных препаратов и фармацевтических субстанций, промышленных газов, смазочных материалов, мыла и моющих средств	Средние затраты на вспомогательные операции, частичный аутсорсинг, частичный инсорсинг, средняя эффективность производства
3	1 вид производства: удобрений и азотных соединений	Относительно высокие затраты на вспомогательные операции, переход на аутсорсинг, массовый инсорсинг, низкая эффективность производства

Заключение . Диагностика уровня экономической зависимости основного производства от производственной инфраструктуры на базе ансамблевого метода машинного обучения позволила получить следующие результаты.

• 1.    Предложена методика классификационного анализа для целей выделения объектов с различным уровнем внутризаводского кооперирования основных и вспомогательных производственных процессов. Методика базируется на методе деревьев классификации «случайный лес» с использованием метаалгоритма композиционного обучения машин – бэггинга. Выбор метода объясняется его наилучшим поведением при большом числе предикторных переменных, что в случае исследования промышленных систем является актуальным.

• 2.    Продемонстрирована апробация классификационного анализа на примере типологии химических производств по характеру организации вспомогательного хозяйства. Сформирована база параметров по 26 видам химических производств, описывающая затраты на вспомогательные операции, расходы на ремонтное хозяйство и обслуживание оборудования, уровень эффективности производства. Показана процедура статистической обработки данных на базе дескриптивной аналитики. Проведена оценка качества алгоритма классификационного анализа на основе коэффициентов ошибочной классификации и величины кумулятивного подъема, где наиболее высокое качество классификации отмечено по группе со средней экономической зависимостью основного производства от его обслуживания.

• 3.    В результате выполнения всех процедур исследуемые производства классифицированы на три группы по наиболее информативным переменным. Образованные классы производств характеризуются стандартами значений параметров основного производства и производственной инфраструктуры: уровнем затрат на производственную инфраструктуру в себестоимости продукции, применением технологий инсорсинга и аутсорсинга, эффективностью производства.

Результаты диагностики производств могут быть использованы для первичной оценки эффективности организации вспомогательного хозяйства на предприятии, принятия решений о реорганизации бизнес-процессов в целях снижения уровня затрат.