3 Empiri na analiza
3.5 Ocena faktorja povezanosti med stroškovno in tehni no neu inkovitostjo
3.5.2 Empiri ni rezultati
y
ln( = 0 + 1 ,
• eksponentna funkcija: y=b0⋅eb1⋅x, oz.: ln(y)=b1⋅x.
3.5.2 Empiri ni rezultati
Podatke bomo ocenili v SPSS in sicer z oceno krivulj, brez upoštevanja konstante v ena bi. Nato bomo funkcijo, ki bo najbolje zadostila zgornjim pogojem ocenili še z orodjem za statisti no analizo podatkov STATA.
Ocena regresijskega modela ACAC* in OEE
V modelu je OEE neodvisna (pojasnjevalna) spremenljivka, ACAC* pa odvisna spremenljivka.
Tabela 3.16: Ocena parametrov regresijskih modelov za spremenljivki ACAC* in OEE Matemati ni
model R2 d.f. F Statisti na
zna ilnost b1
Linearni 0,979 59 2712,05 0,000 1,4219
Logaritemski 0,939 59 913,69 0,000 -3,4760
Inverzni 0,996 59 15446,9 0,000 0,8037
Poten ni 0,757 59 184,29 0,000 -0,2857
S-krivulja 0,653 59 110,95 0,000 0,0595
Eksponentni 0,523 59 64,71 0,000 0,0951
Linearna funkcija ocenjene krivulje: y=1,422⋅x. Model ne ustreza pogojem, ker je funkcija naraš ajo a.
Logaritemska funkcija ocenjene krivulje: y =−3,476⋅ln(x). Model ne ustreza pogojem, ker je vrednost y pri vrednosti x = 1 enaka 0.
Inverzna funkcija ocenjene krivulje:
x 8037 ,
y= 0 . Model ne ustreza, ker vrednost y pri x
= 1, ni enak 1.
Poten na funkcija ocenjene krivulje: y= x−0,2857, oz.: ln(y)=−0,2857⋅ln(x). Model ustreza, ker je y pri vrednosti x = 1, enak 1 in je parameter b1 negativen, kar pomeni, da je krivulja padajo a.
Funkcija S-krivulje ocenjene krivulje: x
0595 , 0
e
y = , oz.:
x 0595 , ) 0 y
ln( = . Model ne ustreza, vendar je napaka precej majhna. Vrednost y je pri x = 1, enaka 1,06.
Eksponentna funkcija ocenjene krivulje: y=e0,0951⋅x, oz.: ln(y)=0,0951⋅x. Model ne ustreza, ker je funkcija naraš ajo a.
Na sliki 3.26 so prikazane krivulje modelov, ki ustrezajo kriteriju, da morajo biti padajo e.
Slika 3.26: Krivulje ocenjenih regresijskih modelov odnosa ACAC* in OEE
Ocena regresijskega modela AC-AC* in OEE
V modelu je neodvisna (pojasnjevalna) spremenljivka OEE, AC-AC* pa je odvisna spremenljivka.
Tabela 3.17: Ocena parametrov regresijskih modelov za spremenljivki Presežek, OEE Matemati ni
model R2 d.f. F Statisti na
zna ilnost b1
Linearni 0,135 59 9,18 0,004 0,1056
Logaritemski 0,312 59 26,78 0,000 -0,4011
Inverzni 0,219 59 16,52 0,000 0,0754
Poten ni 0,766 59 193,48 0,000 8,5759
S-krivulja 0,893 59 494,81 0,000 -2,0790
Eksponentna 0,951 59 1137,04 0,000 -3,8281
Pogojem v celoti ustreza samo logaritemski model, vendar je njegova jakost dokaj šibka, saj je vrednost determinacijskega koeficienta samo 0,312, kot je razvidno iz tabele 3.17. Pogojem se precej približata tudi inverzni in eksponentni model, vendar pri x = 1, njuna vrednost y 0.
Slika 3.27: Krivulje ocenjenih regresijskih modelov odnosa med AC-AC* in OEE
Na sliki 3.27 vidimo potek krivulj, ki ponazarjajo dvojice podatkov AC-AC* in OEE. Kot re eno, modeli ne zadostijo pogojem, e pa že, pa je pojasnjevalna mo modela nizka.
Ocena najustreznejšega modela
Iz ocen regresijskih modelov lahko ugotovimo, da postavljenim pogojem ustreza poten na funkcija, zato bomo tej funkciji ocenili parameter b1 še z orodjem STATA.
Tabela 3.18: Ocena parametrov regresijskega modela Matemati ni
model b1 t Statisti na
zna ilnost F R2 Popravljeni R2 Poten ni -0,2852062 -13,44 0,000 180,66 0,7538 0,7496
S pojasnjevalno spremenljivko vklju eno v model lahko pojasnimo dobrih 75%
variance odvisne spremenljivke. Pojasnjevalna spremenljivka je statisti no zna ilna, ker je njena vrednost <0,05. Poleg obravnavanega, so v tabeli 3.18 navedene še druge statistike, ki jih ra unalniški program izpiše v rezultatih, vendar jih ne bomo posebej interpretirali. Ker poznamo matemati no obliko in smo ocenili parameter b1, lahko zapišemo matemati ni model.
2852 , 0 AC
AC* OEE
= −
Na sliki 3.28, je podana krivulja matemati ne funkcije in to ke empiri nih parov podatkov.
Slika 3.28: Krivulja odnosa med stroškovno in tehni no u inkovitostjo
Neizkoriš en potencial na mese ni ravni bomo ozna ili z NPM in tako je:
AC min AC
min TC
TC
NPM = ⋅ ∗ − , kjer je
TCmin Celotni mese ni stroški pri optimalnem izvajanju procesa.
AVC = VC , minimalni povpre ni variabilni stroški, VC variabilni stroški,
. teoret
min Q
AFC = FC , minimalni povpre ni fiksni stroški,
FC fiksni stroški.
NPM predstavlja v denarju izraženo vrednost, ki jo izgubimo, e je razmerje AC*
AC >1.
Ugotovili smo, da je povpre na vrednost AC*
AC enaka 1,08 (glej tabelo 3.15), kar pomeni, da so dejanski celotni stroški (TC) za 8% višji od stroškov pri optimalnem izvajanju procesa (TCmin). e sedaj TCmin pove amo za 8%, torej jih pomnožimo z 1,08, dobimo dejanske celokupne stroške (TC) in e jih odštejemo od t.i. minimalnih celotnih stroškov (TCmin), dobimo vrednost neizkoriš enega potenciala (NPM).
V ena bo NPM ustavimo desni del ena be ACAC∗ =OEE−0,2852 in dobimo: proizvodnega procesa znašajo okrog 850.000 €. Povpre na tehni na neu inkovitost (OEE) znaša 0,75 (glej tabelo 3.14) in sedaj lahko izra unamo, koliko sredstev izgubljamo na mese ni ravni zaradi tehni ne neu inkovitosti.
681
Izkoriš enost proizvodne opreme je pomemben kazalnik u inkovitosti proizvodnega procesa. Pri planiranju in terminiranju proizvodnje, ga je potrebno upoštevati, da lahko z ve jo verjetnostjo napovedujemo dobavne roke, za katere se zahteva, da so im krajši in im bolj to ni. Vemo, da je svetovni razred kazalnika OEE 0,85, kar nam lahko predstavlja cilj, ki ga želimo dose i. Kazalnik OEE je relativna vrednost, in zato bolj kvalitativne narave, kar pomeni da lahko med skrajnima vrednostima 0 in 1 postavimo lestvico z opisnimi kategorijami. Vrednost 0 lahko pomeni popolnoma slabo delovanje procesa, v kolikor sploh deluje, vrednost 1 pa odli no/popolno delovanje procesa. e poznamo samo vrednost OEE, še ne vemo ni o tem, kakšna je stroškovna u inkovitost procesa. V raziskavi smo poiskali odnos med OEE in stroškovno u inkovitostjo, ki smo jo definirali kot koli nik dejanskih povpre nih in minimalnih povpre nih stroškov. Preverili smo tudi odnos med OEE in stroškovno u inkovitostjo, kot razliko povpre nih dejanskih in povpre nih minimalnih stroškov.
Ugotovili smo, da je primernejši odnos OEE, AC*
AC , kot pa odnos OEE, AC−AC* . Inverzna funkcija
x
y= b1 64 ni najustreznejša, ker z njo ne zadostimo postavljenim pogojem.
Odnos med pojasnjevalno spremenljivko OEE in odvisno spremenljivko AC*
AC pove amo OEE za 1%, se stroškovna neu inkovitost zmanjša za 0,2852%.
Postavili smo tudi matemati ni model, s katerim lahko izra unamo dejanske stroške neizkoriš enega potenciala. Ker je povpre ni faktor stroškovne u inkovitosti (AC*
AC ) približno 1,08 in so celotni stroški na mese ni ravni v povpre ju okrog 850.000 € je strošek neizkoriš enega potenciala dobrih 70.000 € na mesec.
Kazalnik, ki ga lahko ovrednotimo s ceno ima za management gotovo veliko ve jo težo pri odlo anju. Lahko celo re emo, da naš model lahko služi kot u inkovito orodje za podporo odlo anju.
Na tem mestu se naša obravnava kon a, se pa postavlja vprašanje, kaj sedaj, ko so znani stroški neizkoriš enega potenciala. Od tu dalje pa je potrebno novo delo, s katerim bomo nakazali na ine in možne rešitve.
Kot vemo, je kazalnik OEE produkt treh parametrov (delnih kazalnikov), ki so medsebojno povezani, saj lahko boljša zmogljivost prispeva k izboljšanju kakovosti.
64 V tezah smo parameter ozna ili z »a«
Taka povezanost je zna ilna za livarsko proizvodno linijo. Boljša zmogljivost pomeni ve je število izdelanih form na uro in e v vsako formo ulijemo enako koli ino litine, bomo vsebino livarskega lonca prej izpraznili, padec temperature litine bo manjši, kar bo vplivalo na boljšo kakovost ulitkov. S tem smo želeli nakazati na možen pristop k izboljševanju OEE in posledi no zmanjševanju stroškovne neu inkovitosti.
Model tehni ne in stroškovne u inkovitosti velja za obravnavano proizvodno linijo, splošno veljavna pa je metoda, po kateri smo prišli modela.
Bajt, Aleksander. 2002. Ekonomija – Ekonomska analiza in politika. Ljubljabna. GV založba.
Beeley, Peter. 2001. Foundry Technology. Oxford. Butterworth-Heinemann.
Bergin, James. 2005. Microeconomic Theory. Oxford: University Press.
Busi, Marco in Umit S Bititci. 2006. Collaborative Performance Management: Present Paps and Future Research. International Journal of Productivity & Performance Management. 55 (1): 7–19.
Chen, Liang-Hsuan in Liaw Shu-Yi. 2006. Measuring performance via production management: a pattern analysis. International Journal of Productivity &
Performance Management. 55 (1): 79–89.
Chary, S. N. 2004. Production and Operations Management. Tata McGraw-Hill.
Davis, R. K. 1995. Productivity Improvements Through TPM. Prentice Hall.
De Toni, Alberto, Nassimbeni Guido in Tonchia Stefano. 1997. An integrated production performance measurement system. Industrial Managemen t & Data Systems. 97 (5): 180–186.
Dolinšek, Slavko, Novak, Matjaž, Sokoli Saša. 2008. Model for simultaneus measurement of production cost at the highly automated lines. V: Amasaka, Kakuro (ur.). Manufacturing fundamentals: necessity and sufficiency: proceedings of the Third World Conference on Production and Operations Management. Tokyo:
Gakushuin University: 1907–1918.
Eskildsen, Jacob K. in Kristensen Kai. 2006. Enhancing importance-performance analysis. International Journal of Productivity & Performance Management. 55 (1):
40–60.
European Steel Scrap Specification.
Gomes, Carlos F., Yasin Mahmoud M. in Lisboa J.V. 2007. An empirical investigation of manufacturing performance measures utilization: The perspective of executives and financial analysts. International Journal of Productivity & Performance Management. 56 (3): 187–204.
Goubergen, Dirk. 2005. Assessing maturity and effectiveness of enterprises performance measurement systems. International Journal of Productivity &
Performance Management. 54 (7): 400–418.
Grifell-Tatje, E. and Lovell C.A.K. 2000. Costs and Productivity. Managerial &
Decision Economics. 21 (1): 19–30.
Gujarati, Damodar N. 1995. Basic Econometrics. New York. McGraw-Hill.
Hansen, J. Robert. 2002. Onerall Equipment Effectiveness. New York. Industrial Press Inc.
Harrington, James H. 1991. Business Process Improvement: The Breakthrough Strategy for Total Quality, Productivity, and Competitiveness. McGraw-Hill.
Howard, Barnett 1996. Operations Management. Houndsmill, Basingstoke, Hampshire and London. Macmillan Press.
Huang, H. Samuel, et al. 2003. Manufacturing productivity improvement using effectiveness metric and simulation analysis. International Journal of Productivity Research. 41 (3): 513–527.
Hudoklin, Alenka. 1999. Stohasti ni procesi. Kranj. Moderna organizacija.
ISO 5445:1980 Ferrosilicon – Specification and conditions of delivery.
Jesenko, Jože. 2001. Statistika v organizaciji in managementu. Kranj. Moderna
organizacija.
Jonston, Robert, at al. 1997. Operations Management. London. Pitman.
Kerstens, Kristiaan and Eeckuat Philippe Vanden. 1999. A New Criterion for Technical Efficiency Measures: Non-Monotonicy Across Dimensions Axioms. Managerial &
Decision Economics. 20 (1): 45–59.
Kuo, Chun-Ho, Dunn Kimberly D. in Randhawa Sabah U. A case study assessment of performance measurement in distribution centers. Industrial Management&Data Systems. 99 (2): 54–63.
Kumar S.,Anil in Suresh N. 2006. Production and Operations Management. New Age International.
Ljubi , Tone. 2006. Operativni management proizvodnje. Kranj. Moderna organizacija.
Marolt, Janez. 2005. Management kakovosti. Kranj. Moderna organizacija.
Martin, Stephen. 2005. Industrial Organization. A European Perspective. Oxford:
University Press.
McKenzie, Richard B. in Dwight R. Lee. 2006. Microeconomics for MBAs. Cambridge:
University Press.
Millar, Ian. 1999. Performance improvement. Part 2. Industrial Management & Data Systems. 99 (6): 257–265.
Nicholson, Walter. 1994. Intermediate Microeconomics and Its Application. Forth Worth: Dryden Press.
Nourayi, Mahmoud M. 1996. Performance evaluation and measurement issues. Journal of Managerial Issues. 8 (2): 206–218.
Novak, Matjaž. 2007. U inkovito upravljanje produktivnosti kot sinergija med teoreti nim znanjem in potrebami v praksi. V Cimosov forum, Orbani Petar.
Koper: Cimos, 444–450.
Prašnikar, Janez. 1998. Ekonomski modeli za poslovno odlo anje. Ljubljana:
Gospodarski vestnik.
Prašnikar, Janez. 1999. Uvod v mikroekonomijo. Ljubljana: Gospodarski vestnik.
Radovilsky, Z. in W. Gotcher. 1992. Measuring and Improving Productivity: A New Quantitative Approach. Industrial Management. 34 (3): 22–25.
Ranjan, Jana, et al. 2006. Improvening Overall Equipment Effectiveness (OEE). West Hartford. University of Hartfort.
Rebernik, Miroslav. 1995. Ekonomika podjetja. Ljubljana. Gospodarski vestnik.
Ravi, B. 2005. Metal Casting: Computer - Aided Design and Analysis. New Delhi.
Prentice-Hall of Indija.
Saha, Arunoday. 1994. Computer Based Productivity Measurement. Industrial Management & Data Systems. 94 (7): 3–14.
Sengputa, Jati K. 1987. Production Frontier Estimation to Measure Efficiency: a Critical Evaluation in Light of Data Envelopment Analysis. Managerial & Decision Economics. 8 (2): 93–99.
Sengputa, Jati K. The Measurement of Productive Efficiency: A Robust Minimax Approach. Managerial & Decision Economics. 9 (2): 151–161.
Shahin, Arash in Mahbod Ali M. 2007. Prioritization of key performance indicators: An integration of analytical hierarchy process and goal setting. International Journal of Productivity & Performance Management. 56 (3): 226–240.
Singh, Harinder, Motwani Jaideep in Kumar Ashok. 2000. A review analysis of the state-of-the-art research on productivity measurement. Industrial Manag. & Data Systems. 100 (5): 234–241.
Smith, Malcolm. 2005. Performance Measurement & Management. A Strategic Approach to Management Accounting. London: Sage Publications.
Somohano, Francisco M., Martinez, Francisco Javier in Fernandez. 2005. Laviada Ana.
2005. Enginnering Production Function For Cost Estimation. Santandre: Faculty of Economics and Business University of Cantabria.
Sousa, George W.L., Carpinetti Luiz Cesar Riberio. Conceptual design of performance measurement and management systems using a structured engineering approach.
International Journal of Productivity & Performance Management. 54 (5): 385–
399.
Sumanth, J. David. 1998. Total Productivity Management. Boca Raton. St. Lucie Press.
Tapinos, E., Dyson R.G. in Meadows M. 2005. The impact of performance measurement in strategic planning. International Journal of Productivity &
Performance Management. 54 (5): 370–384.
Tekav i , Metka. 1997. Obvladovanje stroškov. Ljubljana. Gospodarski vestnik.
Tzelepis, Dimitrsi in Skuras Dimitris. 2006. Strategic performance measurement and the use of capital subsidies. International Journal of Productivity & Performance Management. 55 (7): 527–538.
Van Aken, Eileen M., Letens Geert, Coleman Garry D., Farris Jennifer in van Goubergen Dirk. 2005. Assessing maturity and effectiveness of enterprises performance measurement systems. International Journal of Productivity &
Performance Management. 54 (7): 400–418.
Waurers, Francis in Mathot, Jan. 2002. Overall Equipment Effectiveness. Wickliffe.
ABB Inc.