“工业4.0”“中国制造2025”推动了各行业的智能化转型进程，服装企业的智能化建设还处于起步阶段。各企业智能制造能力良莠不齐，针对不同运营模式的服装企业建立全面的智能制造能力成熟度评价模型，让服装企业更准确地分析智能化建设效果，并根据智能制造能力成熟度指标评分找出企业建设的短板，为企业更好地发展提供重要的借鉴意义。

能力成熟度评价模型是美国卡耐基·梅隆软件工程研究所针对软件开发过程和开发能力提出的一套有效的成熟度评价管理方法［1］，逐步发展成各领域的能力成熟度评价体系。智能制造的深入发展，推动了智能制造能力成熟度评价模型的研究，如国外的“工业4.0”就绪度模型［2］、制造或技术成熟度模型［3］、罗兰贝格模型［4］。虽然上述评价体系均建立在智能制造背景下，但在不同领域的应用中仍存在局限性。

德国机器及制造协会提出的“工业4.0”就绪度模型和欧盟委员会罗兰贝格咨询公司提出的罗兰贝格模型适用于评价企业的“工业4.0”发展水平与技术发展完善程度，前者适用于衡量离散型制造企业在“工业4.0”中所处的位置［2］，后者侧重于评价国家级的整体制造水平［4］。美国航空航天局(NASA)提出的制造技术成熟度模型主要适用于产品设计研发的技术风险评估，以及相关智能制造技术的成熟度分析，但缺乏对产品后期制造过程和存在的风险进行科学度量［5］。

国内由中国电子技术标准化研究院发布的智能制造能力成熟度评价模型［6］是一种通用的智能制造能力成熟度评价模型，针对各行业的共性指标要素进行评价，具有较强的兼容性，适用于流程型和离散型行业的智能制造水平评价，但无法充分评估各行业应用技术特点，尤其难以满足具有大量人工参与的复杂工艺流程的服装制造业评价需求。

本文研究结合智能制造核心要素和服装行业技术特点，将服装企业评价指标等级细分化，通过分解服装智能生产的核心要素，根据企业类型评价需要对指标进行筛选组合，实现对不同类型服装企业智能制造能力成熟度的整体或局部评估。基于各项服装智能制造能力成熟度指标所占权重分析，采用网络层次分析法对各指标权重进行量化计算，从而构建适应不同类型服装企业的智能制造能力成熟度评价模型。

1服装智能制造能力内涵

服装智能制造体现了服装产品实现过程的智能化，并将信息技术贯穿于制造活动的始终，主要脉络包括设计、生产、物流、销售、服务等核心环节。新形势下的服装企业经营模式特点越来越突出，为了满足不同类型服装企业智能制造能力成熟度评价需求，将不同核心要素和不同维度指标进行组合，并对评价指标要素进行等级差异化特征描述与分值评估。服装制造业根据自身的行业特点，从产品实现的生命周期、服装企业管理系统层级、企业智能化应用技术等维度构建服装企业三维立体评价体系［7］。

评价内容包括服装全生命周期的设计、制造、销售、运输、售后等;企业系统层级的设备层、控制层、车间层、企业层等;应用技术的资源要素、系统集成、互联互通、信息融合等［8］。

2智能制造能力评价指标建立

目前服装企业经营模式主要分为贴牌生产(OEM)、设计制造(ODM)、品牌制造(OBM)。OEM企业受委托品牌商进行生产，企业侧重于服装加工过程信息化建设，强调生产过程的人、机、料、法等要素信息化管理;ODM企业也是以品牌方委托贴牌生产，突出服装的设计与研发能力，强调服装数字化设计、数字化工艺设计等;OBM企业以品牌为驱动，突出企业运营管理和客户服务能力，强调供应链管理、客户关系管理、市场营销等数据分析能力。

3种类型企业具有各自特点，很难按照同一标准进行智能制造能力成熟度评价，但是服装产品实现过程的智能化技术是一致的。服装智能制造能力围绕着生产设备升级、管理软件迭代、生产工艺优化、产品设计开发等环节需要分阶段、分步骤进行建设，所以企业智能制造建设是逐步完善、循序渐进的过程，企业需要智能制造能力成熟度评价模型评估企业建设的完备程度和建设方向。

基于国家智能制造标准体系建设指南［9］和服装行业特点，将设计、生产、物流、营销、服务等环节要素作为服装智能制造能力成熟度一级评价指标，通过对各制造要素的工艺特点分析得到13个组成要素作为二级评价指标，在此基础上筛选出35个功能要素作为三级评价指标，并根据各类型企业侧重的应用技术特点进行评价指标组合，如表1所示。表中未打√部分表示对应工厂指标评价中该指标并不是重要内容，因此该指标将在评价组合中被忽略。

3智能制造能力成熟度评价过程

3.1智能制造能力成熟度表达

成熟度表示为某一评价指标的成熟程度，即该评价指标实际值占其成熟值的比例。服装制造评价指标的成熟度CIM为某指标的实际评价值与该指标成熟度值之比:

式中:l为某指标的实际值;M为某指标的成熟值。

服装智能制造能力成熟度SCFM表现为表1中所述的3个级别评价指标成熟度的加权综合。

表 1 不同类型服装企业智能制造能力评价指标

式中:ω_i为第i个一级指标的成熟度权重;ω_ij为第i个一级指标第j个二级指标的成熟度权重;ω_ijk为第i个一级指标第j个二级指标的第k个三级指标的成熟度CIM权重;i、j、k分别为各级指标数量;CIM_ijk为各三级指标成熟度。

研究SCFM的各指标成熟度CIM的权重，采用判断矩阵提问式设计问卷，邀请行业专家对服装智能制造能力成熟度评价指标间的关联性和重要程度分别进行两两评定，问卷针对3种类型服装企业各发放问卷45份。

基于问卷中各指标的相关性分析，判断出相关指标间的权重。首先对三级智能化能力评价的35个功能要素指标进行加权计算，得到对应的13个二级组成要素指标的智能制造能力成熟度，同理得到对应的5个一级环节要素指标的智能制造能力成熟度，最终得出服装企业的智能制造能力成熟度。

3.2能力成熟度评价过程

3.2.1网络结构图构建

服装智能制造能力评价指标具有多维度、多元素、多关联性、跨学科的特点，采用网络层次分析(ANP)［10］能够综合运用定性指标、定量指标和专家知识，对多目标、多层次、多指标间关联复杂问题进行分析和决策。ANP通过网络结构来描述评价体系内部的指标上下层次关系，上层为控制层由一个目标和多个准则组成，下层为网络层由多种支配要素构成。服装智能制造能力成熟度的各评价指标根据ANP模型上层的目标和各准则，构建下层多个二级组成要素的支配要素组和三级功能要素指标，如图1所示。

图 1 服装企业智能制造能力成熟度 ANP 评价模型

本文研究借助超级决策软件SD实现对ANP的综合评价过程。如表1所示，将评价指标体系中的二级指标作为元素集(cluster)，三级指标作为基础元素(node)创建元素集。根据判断矩阵式问卷结果分析服装智能制造能力评价指标之间的关联性，如图2所示。用单向实线箭头和双向点划线箭头表示评价指标间的影响方向，用灰色粗线框表示同1个元素集中2个元素的互相影响，图中各级指标内容参见表1所示。

图 2 指标间关系网络

3.2.2指标量化分析

SD软件采用4种形式(graphical、verbal、matrix、questionnaire)输入调查问卷的指标关系重要程度评价结果，采用任意一种输入形式都可以得到其他3种形式相应的数据。对所有指标完成评价后，需对输入结果进行一致性检验，所得判定系数C．Ｒ．＜0.1，即调查问卷数据计算出的权重具有可接受性。基于问卷数据SD软件进行一系列矩阵运算得出不同指标在智能制造能力成熟度模型评价下的权重，运算过程如下:

1)建立未权重化超矩阵。基于服装智能制造能力评价指标权重问卷数据建立指标间相对重要性的两两比较矩阵，形成代表35个三级技术指标的35×35矩阵，其中矩阵W_ij表达了j元素组对i元素组的影响。

式中，w^{( jn)} _in为i元素组的第n元素对j元素组n元素的相对重要性。

2)建立权重化超矩阵。未权重化超矩阵只反映了三级指标(元素)间的相对重要程度，SD软件会基于二级指标间的相对重要程度建立两两比较的元素组权重矩阵A。式中:bNN为二级指标N元素对元素组的重要性比较得到的排序向量。

3)矩阵A与W_ij相乘得到加权超矩阵W_ij=b_ijW_ij，其中bij为第i级元素对第j级元素的影响权重。

4)极限化权重化超矩阵。由于指标间存在着相互依存关系和反馈作用，赋权后的超矩阵仍不能准确反映指标间的重要关系，通过计算极限相对排序向量对权重化超矩阵作极限化处理:

式中:Ｒ为权重化超矩阵W的循环周期。此极限值收敛，直至矩阵稳定状态。极限化后矩阵各列均相同，每列的数值即对应指标的权重。由此得出，不同类型企业评价的准则是不同的，通过各评价准则的相对重要性比较，可以得出各评价准则的评价指标权重。

系统运算结果显示不同类型企业分别具有各自的局部优势度，OBM服装型企业的局部优势度较为均衡，其中设计指标权重为0.214242、生产指标权重为0.362259、物流指标权重为0.057729、销售指标权重为0.224988、服务指标权重为0.140784。ODM型服装企业具有突出的产品设计和研发能力，其中设计指标权重为0.215826、生产指标权重为0.612708、物流指标权重为0.171465。OEM型服装企业的生产指标权重为0.622193、物流指标权重为0.377808，具有突出的生产能力。

表 2 不同类型企业生产环节指标权重对比

如表2所示不同类型企业生产环节指标权重对比。表明各类型服装企业智能制造能力成熟度评价指标能够充分反映企业经营模式特点，也充分体现了我国服装企业仍以制造加工为核心的实际状况。

3.3智能制造能力成熟度评价分级

参照中国智能制造能力成熟度模型中的计划级、规范级、集成级、优化级和领先级等5个评价等级划分原则，服装企业智能制造能力成熟度分为5级，即未实施智能制造建设规划的为0分，第1级的能力要素加权评分最高为2分，第2级评分最高为4分，第3级评分最高为6分，第4级评分最高为8分，第5级评分为满分10分。上述每个等级都是服装企业智能化建设的必经过程，低成熟度等级代表服装企业智能化建设水平较低，低成熟度等级也是企业发展成高成熟度等级的必经过程。

4 模型应用分析

选取不同类型的服装企业进行模型应用分析，在确保被访谈者充分理解各指标涵义的基础上，依据十分制打分准则，企业未开始实施智能建设最低分0分，企业已经最大实现智能建设为最高分10分，分别对位于山东济宁的OEM服装企业SM、吉林延边的ODM服装企业PF、浙江温州的OBM服装企业BXN进行评价。

图 3 企业指标评价结果对比

评价结果如图3所示，SM企业的生产指标与物流指标为低分值指标，根据规划级的指标要求需要加强企业在生产和物流模块的智能化建设，如增加自动化设备、扩大生产数据采集能力等。PF企业大部分指标已经体现了较高的智能制造能力，生产指标与目标分数相差较大，其中生产可视化指标和设备预检性维护指标需要进一步地提升，企业资源计划指标和指标得分为0，说明企业虽然有完善的信息化系统，但是缺乏系统间的集成能力。BXN服装企业设计指标与物流指标处于较高的智能化水平，但需对生产流程和供应链关系的指标优化。

表 3 不同模型评价结果对比分析

基于上述服装企业智能制造能力成熟度评价指标的打分结果，运用式(1)和(2)计算企业智能制造能力成熟度评分。如表3所示，采用通用评价模型和本文研究评价模型分别对上述3家服装企业进行评价。

结果显示:采用通用模型的评价结果均比本文研究模型的评价结果低1级，反映了服装智能制造发展水平比其他行业相对滞后。虽然服装企业BXN为服装智能制造优秀企业，但在生产制造方面仍比PF企业能力成熟度低，说明了服装企业经营模式不同，各自的重点应用技术也不同，所以不同经营模式的服装企业无法进行横向比较，企业间可以在产品全生命周期的某一环节进行比较，也凸显了智能制造能力成熟度需要依托科学技术的创新。

5 结束语

本文在综合分析了国内各类型服装制造企业发展现状和服装智能制造组织架构建设内容的基础上，确立了多层级的评价目标、维度(一级指标)、类(二级指标)和域(三级指标)，构建了适应不同类型服装企业的智能制造能力成熟度评价模型。利用网络层次分析法ANP建立了多目标、多属性综合评价模型，能客观地反映服装智能制造中各指标间的复杂关系。评价模型的运算结果能真实地反映企业整体发展现状和单项指标建设水平，帮助服装企业快速识别自身短板，并根据经营模式的需要，有针对性地完善企业数字化建设和智能化建设。

参考文献

［1］秦德智，胡宏．企业技术创新能力成熟度模型研究［J］．技术经济与管理研究，2011(7):53－57．

［2］李振轩．工业4.0就绪度模型对我国智能工厂建设的启示［J］．信息技术与标准化，2018(4):26－28．

［3］王文炎，刘辉，肖爱斌，等．宇航元器件产品成熟度评价研究［J］．质量与可靠性，2017(5):24－29．

［4］胡红梅．德国“工业4.0”对我国两化深度融合的启示［N］．中国经济时报，2014－08－04(6)．

［5］贾根良．第三次工业革命与新型工业化道路的新思维—来自演化经济学和经济史的视角［J］．中国人民大学学报，2013，27(2):43－52．

［6］佚名．智能制造能力评价标准发布［J］．工具技术，2016，50(11):44．

［7］舒伟．纺织智能制造任重而道远［J］．纺织学报，2017，38(10):184－186．

［8］陈雁．服装设计与工程学科发展趋势与关键议题［J］．纺织学报，2019，40(1):182－188．

［9］辛国斌，田世宏．国家智能制造标准体系建设指南(2015年版)［M］．北京:电子工业出版社，2016:178－185．

［10］刘蓓蓓，董明．基于网络层次分析法的工业4.0指数评价体系［J］．上海管理科学，2017，39(5):104－107．

本文为授权转载文章，已标明作者和出处，文章内容仅代表作者观点。如需转载，请与作者或授权媒体联系。如对文章内容有疑议，请联系editor@xingongye.cn。