新能源装备制造企业智造化发展影响因素研究

孟凡生,于建雅

(哈尔滨工程大学 经济管理学院,黑龙江 哈尔滨 150001)

摘 要:我国正处在能源革命与智能制造转型时期,由此产生的新能源装备制造向智能制造发展问题日益引起学者关注。从技术创新、数字化集成、互联互通与制造转型4个维度构建新能源装备制造企业智造化发展影响因素指标体系,采用直觉模糊层次分析法确定指标权重,评价各影响因素对新能源装备制造企业智造化发展的影响程度。实证结果表明,数字化集成和互联互通对我国新能源装备制造企业智造化发展影响程度最为显著,技术创新和制造转型次之。

关键词:新能源装备;智能制造;影响因素;直觉模糊层次分析

0 引言

技术革命通常会引起制造方式变革,甚至是制造业革命,进而推动新一轮经济转型,改变大国博弈格局。全球金融危机后,制造业技术革命再次成为大国竞争的焦点,智能制造模式正在主导国际分工和价值链进行重大调整,成为各国必争的战略制高点。2013年,德国提出“工业4.0”战略,将传统制造业与信息技术和通信技术结合,推动制造业向智能化转型。其后,英国、法国、日本、韩国等相继出台制造业发展相关政策,旨在推进制造技术与信息技术融合,实现智能制造模式[1]。在此背景下,我国根据制造业“大而不强”的现状,制定了“中国制造2025”发展战略,全方位向智能制造转型目标进发。

实现制造业“由大变强”的目标,必须在具有高技术含量的先进制造领域突破创新。为此,我国围绕创新驱动、绿色制造,大力发展新兴产业。其中,新能源装备制造业凭借其知识密集、附加值高、成长性好等特点,占据重要的战略地位[2]。从近年我国新能源装备制造业发展情况看,虽然取得了一批重大成果,但以往的新能源装备制造补贴和优惠政策主要用于传统工业制造环节,导致整个行业仍处于以机器为中心的批量生产阶段。因此,新能源装备制造业“由大变强”的目标实现,必须从提高智能制造水平入手。

我国新能源装备制造业智造化发展受多方面因素影响,如技术创新能力较弱、关键自主核心技术缺失等自身因素以及资源环境承载能力接近极限等外界因素[3],导致我国新能源装备制造业产业技术结构失衡、中低端产品产能过剩、高端产品供给不足、经济效率低下,既浪费资源,又污染环境。因此,有必要通过对这些影响因素进行评价分析,指导我国新能源装备制造业技术持续突破、融合、加速应用,实现由传统制造模式向智能制造模式转变。

1 新能源装备制造企业智造化发展影响因素分析及评价指标体系构建

1.1 影响因素分析

产品智能化需以先进技术为支撑,生产智能化需以整个产业链互联互通为前提,服务智能化离不开对消费者偏好的捕捉与深度挖掘,因而新能源装备制造向智能制造发展受多方因素影响。本文基于智能制造特征、我国制造业智造化整体现状,以及新能源装备制造行业特征,对以下影响新能源装备制造向智能制造发展的主要因素进行分析。

(1)技术创新能力分析。当前,新技术替代旧技术、智能型技术替代劳动密集型技术的趋势明显,依赖大量资源投入和牺牲环境的经济发展方式难以为继。在互联网时代背景下,企业必须把握智能制造模式要求,通过不断调整与变革,适应外部环境和内部条件变化,从而提高企业经营效益,抢占领智能制造的制高点。由此可见,全球制造业竞争已经演变为技术与创新能力之争,“中国制造”向“中国智造”转型正在成为一个新的风口[4],而企业技术创新能力,将为其创造智造化发展先机。新能源装备制造业要在智能制造浪潮中脱颖而出,必须提高技术创新能力。另外,新能源装备制造企业具有高投入、高技术含量等特点,因而必须摒弃传统规模生产技术,将重点放在智能技术研发上。因此,新能源装备制造企业的智造化发展必将受到新技术研发投入与旧技术改造投入影响。同时,研发人员作为技术创新主体,直接影响到企业创新质量,因而研发人员的培养工作应受到重视。鉴于此,本文选取研发经费投入、技术改造经费投入与研发人员比重作为创新评价指标。在创新外部环境方面,当前新能源装备制造业创新体系还不完善,其原因在于,国家层面共性技术研发的长久缺失影响了企业技术创新主体功能发挥。核心技术研发须由政府提供外部创新支撑,从政府对企业创新的支持力度出发,本文选取政府拨付的创新经费数额作为评价企业创新的外部影响因素。

(2)数字化集成能力分析。新能源装备制造企业具有投入资源多、规模庞大、结构复杂等特点,容易导致企业内部信息流动缓慢,使得各生产程序间由于信息不匹配出现衔接障碍。新能源装备制造企业智能化发展,要求企业内部设计、生产、物流等信息在产业链上自动传递。相关研究表明,企业内部集成程度越高、数据传递越快,其智能化水平越高。对于新能源装备制造业企业而言,通过在其内部将互联网与新能源装备制造业深度融合,将前沿的互联网信息技术、方法和商业模式融入新能源装备制造业,使信息得到集中处理,并对网络-企业-工厂-车间-生产线-产品全过程进行控制,进而实现新能源装备制造提质增效[5]。由此可知,企业内部各环节数字化集成能力是企业智能制造的保障,智能制造全过程有序实施建立在对产业链数据的精确处理上,相对于信息化生产数据的“自由流动”,智能化生产实现的是数据“自动流动”。将ERP与APS集成于面向全局的供应链管理,能够简化生产工序、快速应对变化;而MES系统通过对ERP系统提供的基础数据进行具体分析,能有效提高企业对生产过程数据的处理效率,为数字化提供保障。鉴于此,选取ERP系统与APS系统集成程度、MES系统与ERP系统集成程度作为企业内部程序间数字化信息集成整合能力评价指标。另一方面,为了实现对整个新能源装备制造产业链的宏观监控,需要操作人员掌握实时生产数据。MES与数据采集系统集成能够高效采集各个系统中的数据信息,并上传到数据库中,使操作人员及时了解生产情况,实现对制造过程的精细化控制。由于传统制造过程难以及时发现并处理问题,而智能制造模式集成MES与控制系统,能较好解决该问题,通过调整自身参数实现自主生产运作管理及优化,保证智能生产的顺利进行。因此,选取MES与控制系统集成程度、MES与数据采集系统集成程度作为企业内部程序信息数字化集成处理能力的评价指标。

(3)互联互通能力分析。人类社会进入移动互联网时代后,传统企业必须通过建立智能型组织,实现与外部环境动态匹配与整合创新[6]。智能制造要求新能源装备制造企业针对传统制造业工作环境恶劣、连续重工序等缺陷进行智能化升级改造,因而需要建立智能化车间以满足智能生产需要,而关键工序数控化是构建智能化工厂的重要前提,也是企业向智能制造发展过程中重要步骤。同时,智能制造模式要求新能源装备制造全流程数据畅通、共享,形成由上到下、由面到点的智能生产系统,而该系统需要政产学研用协同支持,共同促进智能制造发展。另外,智能制造对新能源装备的精度、寿命、可靠性、工艺水平等提出了更高要求,制造工厂需改变内部生产模式,实现相关控制软件自主可控。为了使新能源装备制造产业链的信息与技术互通,需从人、机器、材料、方法、环境等多方面入手,建立智能制造管理系统,系统性地对企业智能制造实施现场管理,优化生产制造业务流程、自动化制造执行过程,最大限度实现工厂可视化与智能化。因此,选取关键工序数控化水平、政产学研用联合程度与智能制造系统管理水平作为新能源装备制造企业互联互通能力评价指标。

(4)制造转型能力分析。互联网的普及加速了信息经济时代的到来,极大促进了大规模社会化分工、协作,在企业向智能制造升级过程中,推动了企业产品、服务方式、组织架构变革,使得传统批量化生产已不能满足新能源装备制造智能化发展的要求,而以功能升级和链条转换推动中国制造向智能制造转变,促进制造业与服务业的深度融合成为大势所趋[7]。因此,智能制造必须改变过去以低成本为主要特点的大批量生产模式,打造智能化优势,发挥人的主观能动作用,基于智能设备实施个性化决策,推动企业由大批量生产向个性化定制转型。而保持企业自身开放性,通过产品、服务交换,使得企业之间相互促进,形成柔性、灵活、个性化的自动化生产系统,既能满足客户不同层次的需求,又保证了生产运营高效率。当然,这一目标的实现需以新能源装备制造由生产型向服务型转型为前提。当前世界正处于新一轮技术革命的孕育期,科技创新形成新态势、技术融合出现新特征、制造方式发生新变化、产业发展呈现新趋势。在此背景下,新能源装备制造业要实现制造转型,须由要素驱动向创新驱动转变,不断增强科技创新的针对性和有效性。综上所述,选取大批量生产向个性化定制转变程度、生产型向服务型转变程度和要素驱动向创新驱动转变程度作为新能源装备制造企业制造转型能力评价指标。

1.2 指标体系构建

通过分析我国新能源装备制造向智能制造转型的影响因素,将一级指标确定为技术创新、数字化集成、互联互通和制造转型。其中,技术创新的二级指标为研发经费投入、技术改造经费投入、研发人员比重和政府拨付创新经费;数字化集成的二级指标为ERP与APS集成程度、ERP与MES集成程度、MES与数据采集系统集成程度和MES与控制系统集成程度;互联互通的二级指标为关键工序数控化水平、政产学研用联合程度和智能制造系统管理水平;制造转型的二级指标为大规模生产向个性化定制转变程度、生产型制造向服务型制造转变程度和要素驱动向创新驱动转变程度。指标体系如图1所示。

图1 我国新能源装备制造业智造化发展影响因素指标体系构建

2 新能源装备制造企业智造化发展影响因素评价

基于上述指标体系,建立直觉模糊层次分析评价模型,探究各因素对新能源装备制造向智能制造转型发展的影响程度。

2.1 评价模型

层次分析法通过精确数值对指标进行两两比较,进而确定其优先权重。但在实际操作中,数据更多以模糊判断值的形式出现,而不是精确评估值。由此,Van Laarhoven等[9]提出将层次分析法模糊化,利用三角模糊数和对数最小二乘法推导模糊权重;Buckley[10]在此基础上使用梯形模糊数字和几何平均方法推导模糊权重,并建立模糊层次分析法。将专家主观评价进行模糊化处理,所得估值比层次分析法更加准确、客观,但该方法不能准确描述专家弃权或犹豫的情形。针对这一问题,Atanassov[11]在Zadeh[12]的模糊集理论基础上提出直觉模糊层次分析法,定义了犹豫度的概念,即在确定隶属函数时,犹豫度代表个人错误或知识缺乏。直觉模糊层次分析法考察了判断矩阵偏好规模的犹豫度,得到的结果更贴合实际,具体指标权重确定步骤如图2所示。

图2 直觉模糊层次分析法流程

(1)将定性指标转换为直觉三角模糊数。定性变量在描述复杂情况时,需进行定量处理,通常选用层次分析法的9刻度表示。为了完整地反映决策主体对客观事物评价的不确定性,需将层次分析法对应的刻度转换为直觉三角模糊数,转换后的偏好比例即为直觉三角模糊犹豫度。设X为非空集合,直觉模糊集A={{x,μx(x),νx(x)}|xX},其中,μx(x)与νx(x)分别表示x隶属于集合A及不隶属于集合A的程度,πx(x)=1-μx(x)-νx(x);πx:X→[0,1]表示犹豫度,对于普通模糊集的犹豫度有πx(x)=0。为了计算方便,将直觉模糊数表示为α=(μα,να,πα),其中μα∈[0,1],να∈[0,1],μα+να≤1,πα=1-μα-να[13]。具体转换比例如表1所示[14]

表1 AHP刻度对应直觉三角模糊数转换

两两比较评价等级AHP刻度直觉三角模糊数同等重要1(0.02,0.18,0.80)中间状态2(0.06,0.23,0.70)稍微重要3(0.13,0.27,0.60)中间状态4(0.22,0.28,0.50)比较重要5(0.33,0.27,0.40)中间状态6(0.47,0.23,0.30)非常重要7(0.62,0.18,0.20)中间状态8(0.80,0.10,0.10)极端重要9(1.0,0,0)

(2)确定决策人员权重。根据构建的层次结构模型,对3个一级指标及11个二级指标采用9标度法,经由相关领域多位专家对二级指标的重要性进行两两比较并打分。权重的确定遵循以下流程:选取的专家在相关专业领域具有较高知名度、具有较高学术造诣;对选取的专家发放调查问卷,要求其对各二级指标重要程度按表2中AHP刻度以矩阵形式进行两两比较打分。由于大部分新能源装备制造企业不允许使用互联网或外部网络,因而企业家问卷采用打印后邮寄形式进行发放,而高等学校专家问卷则采取工作邮箱的形式发放。虽然纸质问卷的发放与回收在一定程度上增加了问卷调研的工作量和周期,但是增强了问卷调研信息的质量与全面性。综合考虑,本文选取10位专家进行问卷发放,其中包括7位高校专家与3位企业家。将回收的结果转化为直觉三角模糊数,用Dk=(μk,νk,πk)评估第k位专家意见的重要性,表2为不同重要程度对应的直觉三角模糊数[12]

表2 专家意见重要性的定量表示

重要程度直觉三角模糊数非常重要(0.90,0.05,0.05)重要(0.75,0.20,0.05)中等程度(0.50,0.40,0.10)不重要(0.25,0.60,0.15)非常不重要(0.10,0.80,0.10)

由于专家知识背景和工作、生活经历不同,导致其打分存在差异。为了综合反映各专家的结果,对不同类型的专家意见赋予差异化权重。借鉴Boran等[15]的研究,设t位专家参与打分,用式(1)计算第k位专家打分权重:

(1)

(3)构造直觉模糊判断矩阵。设第k位专家的直觉模糊判断矩阵为)m×nλ=(λ1,λ2,…,λt)为每位专家意见权重,有λ=1,λ∈[0,1]。根据徐泽水[16]提出的直觉模糊平均权重概念(IFWA),将每位专家的意见综合起来,构建聚合直觉模糊判断矩阵,聚合方式如式(2)所示[17]

⊕…⊕

(2)

(4)一致性检验[13]。基于直觉模糊信息的距离测度,其一致性检验公式如下:

(3)

式(3)中,R为步骤4中各层指标两两比较得到的直觉模糊判断矩阵,为由直觉模糊判断矩阵计算得到的直觉模糊一致性判断矩阵,)m×n

q>p+1时,,其中:

(4)

(5)

q=p+1时,

q<p+1时,

将计算得到的直觉模糊一致性判断矩阵)m×n代入式(3)检验。若,R)<0.1,则通过一致性检验;若未通过一致性检验,则需要设置参数γ进行迭代,调整γ值变换直觉模糊一致性矩阵,直到通过一致性检验。具体过程如下:设置参数γγ∈[0,1],有

(6)

(7)

运用式(3)检验经式(6)、(7)调整后的直觉模糊一致性判断矩阵R*的一致性,直到调整后的判断矩阵通过一致性检验。

(5)计算直觉模糊权重。标准权重经由专家评价重要程度得到,而直觉模糊判断矩阵使用的是专家意见加权平均值。为了获得该权重,对Vlachos等提出的直觉模糊熵概念作进一步改进,每个聚合直觉模糊矩阵中的每行直觉模糊权重为:

(8)

2.2 实证分析

根据构建的层次结构模型,对指标进行两两比较,并对应表1中的转换关系将由层次分析法得到的精确值转化为直觉三角模糊数。表3-7分别为一级指标与二级指标的标准直觉三角模糊判断矩阵。

表3 标准直觉三角模糊判断矩阵A

AA1A2A3A4聚合矩阵A1(0.02,0.18,0.80)(0.13,0.27,0.60)(0.06,0.23,0.70)(0.23,0.06,0.71)(0.12,0.15,0.73)A2(0.27,0.13,0.60)(0.02,0.18,0.80)(0.23,0.06,0.70)(0.22,0.28,0.50)(0.16,0.12,0.72)A3(0.23,0.06,0.70)(0.06,0.23,0.70)(0.02,0.18,0.80)(0.13,0.27,0.60)(0.07,0.22,0.71)A4(0.06,0.23,0.71)(0.28,0.22,0.50)(0.27,0.13,0.60)(0.02,0.18,0.80)(0.19,0.05,0.76)

表4 标准直觉三角模糊判断矩阵A1

A1A11A12A13A14聚合矩阵A11(0.02,0.18,0.80)(0.02,0.18,0.80)(0.22,0.28,0.50)(0.33,0.27,0.40)(0.25,0.07,0.68)A12(0.02,0.18,0.80)(0.02,0.18,0.80)(0.33,0.27,0.40)(0.47,0.23,0.30)(0.19,0.05,0.76)A13(0.28,0.22,0.50)(0.27,0.33,0.40)(0.02,0.18,0.80)(0.06,0.23,0.70)(0.16,0.08,0.76)A14(0.27,0.33,0.40)(0.23,0.47,0.30)(0.23,0.06,0.70)(0.02,0.18,0.80)(0.16,0.12,0.72)

表5 标准直觉三角模糊判断矩阵A2

A2A21A22A23A24聚合矩阵A21(0.02,0.18,0.80)(0.02,0.18,0.80)(0.23,0.06,0.70)(0.27,0.13,0.60)(0.10,0.08,0.82)A22(0.02,0.18,0.80)(0.02,0.18,0.80)(0.23,0.06,0.70)(0.23,0.06,0.70)(0.27,0.04,0.72)A23(0.06,0.23,0.70)(0.06,0.23,0.70)(0.02,0.18,0.80)(0.02,0.18,0.80)(0.31,0.04,0.65)A24(0.13,0.27,0.60)(0.06,0.23,0.70)(0.02,0.18,0.80)(0.02,0.18,0.80)(0.17,0.08,0.75)

表6 标准直觉三角模糊判断矩阵A3

A3A31A32A33聚合矩阵A31(0.02,0.18,0.80)(0.13,0.27,0.60)(0.06,0.23,0.70)(0.10,0.25,0.71)A32(0.,27,0.13,0.80)(0.02,0.18,0.80)(0.02,0.18,0.80)(0.15,0.14,0.71)A33(0.23,0.06,0.60)(0.02,0.18,0.80)(0.02,0.18,0.80)(0.20,0.14,0.66)

表7 标准直觉三角模糊判断矩阵A4

A4A41A42A43聚合矩阵A41(0.02,0.18,0.80)(0.27,0.13,0.60)(0.06,0.23,0.70)(0.15,0.12,0.73)A42(0.13,0.27,0.60)(0.02,0.18,0.80)(0.13,0.27,0.60)(0.12,0.16,0.72)A43(0.23,0.06,0.70)(0.27,0.13,0.60)(0.02,0.18,0.80)(0.22,0.07,0.71)

在计算每位专家意见权重时,由于7位高校专家和3位企业家对各指标进行两两评价打分,因而可认为7位高校专家意见的权重是相等的、3位企业家意见的权重是相等的,且院校专家意见的重要性强于企业家意见的重要性。根据表3专家意见重要性的定量表示可得λ1=λ2=…=λ7=(0.90,0.05,0.05),λ8=λ9=λ10=(0.70,0.20,0.05)。分别计算院校专家和企业家意见的权重为:

结合式(2)与专家意见,构建聚合直觉模糊判断矩阵。由于0.107 1>0.083 5,因而选用λ=0.107 1作为标准评价权重,表3-7最右列分别显示了标准聚合直觉三角模糊判断矩阵。

表3中R=

利用式(4)-(5)进行变换,得到=

计算和的距离,得到>0.1,未通过一致性检验。因此设置参数γ进行调整,令γ=0.5,利用式(6)、(7)进行调整,得到′=

同样运用式(3)计算和的距离,结果小于0.1,通过一致性检验。同理,其它判断矩阵均通过一致性检验。

利用式(8)和式(9)计算每个标准下的权重和最终相对权重,结果如表8所示。

以一级指标为例,分别计算如下:

由表8可知,技术创新、数字化集成、互联互通、制造转型对我国新能源装备制造企业智造化发展的影响程度存在较大差异,其中数字化集成的影响程度最大(31.27%),互联互通次之(39.31%),再次是制造转型(23.47%),技术创新的影响程度最小(15.95%)。

表8 各指标最终权重

指标聚合矩阵权重wp相对权重wp最终权重wpA1(0.12,0.15,0.73)0.09450.15950.1595A11(0.25,0.07,0.68)0.18750.27520.0439A12(0.19,0.05,0.76)0.15510.22760.0363A13(0.16,0.08,0.76)0.15350.22530.0360A14(0.16,0.12,0.72)0.18530.27190.0434A2(0.16,0.12,0.72)0.18530.31270.3127A21(0.10,0.08,0.82)0.11950.19420.0607A22(0.27,0.04,0.72)0.16070.26110.0816A23(0.31,0.04,0.65)0.17650.28680.0897A24(0.17,0.08,0.75)0.15870.25790.0806A3(0.07,0.22,0.71)0.17370.29310.2931A31(0.10,0.25,0.71)0.21740.34250.1004A32(0.15,0.14,0.71)0.19330.30450.0892A33(0.20,0.14,0.66)0.22410.35300.1035A4(0.19,0.05,0.76)0.13910.23470.2347A41(0.15,0.12,0.73)0.17920.33300.0782A42(0.12,0.16,0.72)0.18530.34430.0808A43(0.22,0.07,0.71)0.17370.32270.0757

3 结语

新能源装备制造业作为战略性新兴产业,在未来发展中仅在自身领域进行技术创新,只会成为其它制造业行业技术发展的“垫脚石”,唯有不断增强数字化集成与互联互通能力,努力向智能制造模式转型,才能实现跨跃式发展。由此,提出以下对策建议:

(1)由各影响因素的最终权重可知,关键工序数控化水平和智能制造系统管理水平是影响新能源装备制造企业智能化发展的最重要因素。从企业层面看,企业首先应提高生产过程中关键工序的数控化水平,从构建数控化车间开始,研发或引进先进的数控化设备,实现投入、生产、加工、输出全过程数控化管理,使工厂成为一个实现自律分散型系统的“智能工厂”;其次,加强对一线员工的数控技能培训以及人际协作意识培养,使其快速适应数控化生产模式,实时了解生产状况,进而能够及时处理设备出现的问题,在一定程度上实现自主生产管理。从智能制造系统管理方面看,由于智能生产过程是由人机协同完成的,因而首先应加强组织结构设置的合理性,提高组织间沟通水平,确保各项工序衔接合理、管理协同一致;其次,企业应搭建智能制造网络系统平台,实现端对端的信息实时传递,促进产业链和价值链分工重组,实现与外部环境的动态匹配,建成自动化、信息化、集成化的数字化工厂。

(2)相较于其它因素,技术创新对新能源装备制造企业智能化发展的影响较弱,反映出智能制造模式与传统制造模式的差异,即企业在实现智能制造过程中不仅应注重自身技术创新,而且要关注对各种资源能力的集成应用。因此,新能源装备制造企业应以技术创新为基础,深入开展应用型研发活动,以各方协作为依托,与产业内企业结成横向技术联盟,共享先进智能制造技术;与供销企业实行纵向合作,了解研发过程中各环节需求与供给信息,针对性地进行智能技术创新活动;系统地建立创新成果应用平台,使创新成果不局限于单一生产工序中,而是与其它工序进行整合并全面创新,组成一体化智能应用系统,推进创新与集成互联协同发展,共同促进新能源装备制造企业工业化与信息化深度融合,最终实现智能制造。

参考文献:

[1] 王庭东. 新科技革命、美欧“再工业化”与中国要素集聚模式嬗变[J]. 世界经济研究,2013(6):3-8,87.

[2] 刘微微,孙茹. 高端装备制造业企业知识创新与技术创新耦合度测度研究[J]. 科学学与科学技术管理,2014(7):16-22.

[3] 王章豹,孙陈. 基于主成分分析的装备制造业行业技术创新能力评价研究[J]. 工业技术经济,2007,26(12):63-68.

[4] 徐广林,林贡钦. 工业4.0背景下传统制造业转型升级的新思维研究[J]. 上海经济研究,2015(10):107-113.

[5] LEE KOK-MENG, CHENG KAI,DING HAN, et al. Guest editorial introduction to the focused section on mechatronics for intelligent manufacturing [J].Transactions on Mechatronics, 2015,20(3):1001-1004.

[6] 李海舰,田跃新,李文杰. 互联网思维与传统企业再造[J]. 中国工业经济,2014(10):135-146.

[7] 郭亮,于渤. 动态视角下企业技术集成能力评价研究——基于AHP-模糊TOPSIS法[J]. 科研管理,2013(12):75-84.

[8] 李坤,于渤,李清均. “躯干国家”制造向“头脑国家”制造转型的路径选择——基于高端装备制造产业成长路径选择的视角[J]. 管理世界,2014(7):1-11.

[9] P J M LAARHOVEN,W PEDRYCZ.A fuzzy extension of Saaty's priority theory[J].Fuzzy Sets and Systems, 1983,11(1-3) :229-241.

[10] J J BUCKLEY.Fuzzy hierarchical analysis[J].Fuzzy Sets and System,1985,17(3):233-247.

[11] K T ATANASOV. Intuitionistic fuzzy sets[J].Fuzzy Sets and System ,1986,20(1): 87-96.

[12] L A ZADEH. Fuzzy sets[J].Information and Control,1965(8):338-353.

[13] LAZIM ABDULLAH, LIANA NAJIB. A new preference scale of intuitionistic fuzz analytic hierarchy process in multi-criteria decision making problems[J]. Journal of Intelligent & Fuzzy Systems, 2014(26):1039-1049.

[14] S F ZHANG,S Y LIU.A GRA-based Intuitionistic fuzzy multi-criteria group decision making method for personnel selection[J].Experts Systems with Application,2011(38):11401-11405.

[15] F E BORAN, S GENC, M KURT,et al. A multi-criteria intuitionistic fuzzy group decision making for supplier selection with TOPSIS method[J].Expert System with Applications ,2009,36(8):11363-11368.

[16] 顾婧,任珮嘉,徐泽水. 基于直觉模糊层次分析的创业投资引导基金绩效评价方法研究[J]. 中国管理科学,2015(9):124-131.

[17] LIUHAO CHEN , ZESHUI XU. A new fuzzy programming method to derive the priority vector from an interval reciprocal comparison matrix[J]. Information Sciences,2015(316):148-162.

(责任编辑:林思睿)

Research of Influencing Factors of Intellectual Development in NewEnergy Equipment Manufacturing Industry

Meng Fansheng,Yu Jianya

(School of Economics and Management,Harbin Engineering University, Harbin 150001,China)

Abstract:Our country is in the midst special historical process of the energy revolution and equipment manufacturing towards intellectual manufacturing, causing the development problems of new energy equipment manufacturing towards intellectual manufacturing, which attracts more and more attention from scholars.This article constructs influencing factors index system of intellectual development in new energy equipment manufacturing industry from four dimensions of technology innovation, digital integration, connectivity and manufacturing transition, and use the intuitionistic fuzzy analytic hierarchy process to determine index weight to evaluate the degree of the influence factors on the intellectual development of the new energy equipment manufacturing industry. The empirical result shows that the impact of digital integration and connectivity on the intellectual development of new energy equipment manufacturing industry in our country is bigger, and technology innovation and transformation take second place.

Key Words:New Energy Equipment; Intellectual Manufacturing; Influencing Factors; Intuitionistic Fuzzy Analytic Hierarchy Process

收稿日期:2016-09-29

基金项目:国家社会科学

基金项目(16BJY078)

作者简介:孟凡生(1963-),男,黑龙江哈尔滨人,博士,哈尔滨工程大学经济管理学院教授、博士生导师,研究方向为管理科学理论与方法;于建雅(1993-),女,河北唐山人,哈尔滨工程大学经济管理学院硕士研究生,研究方向为工商管理。

DOI:10.6049/kjjbydc.2016080148

中图分类号:F407.2

文献标识码:A

文章编号:1001-7348(2017)07-0117-07