Задача повышения производительности труда на производстве

Обложка

Цитировать

Полный текст

Аннотация

Представлены результаты разработок по решению задачи повышения производительности труда на средних и крупных предприятиях базовых отраслей экономики России. Дается формальная и содержательная постановка задачи, излагается подход к решению на основе определения коэффициента эффективности. Проводится анализ известных подходов к цифровому управлению и оптимизации производственных процессов. На основании проведенного анализа обосновывается вывод, что повышение производительности труда, как правило, не рассматривается как самоцель. Данный целевой процесс используется для формирования индикаторов интенсивности производства. Глобализация стратегического планирования меняет ситуацию и делает востребованным планирование устойчивого роста производительности труда для системообразующих предприятий. В процессе решения задачи разработана информационно-логическая схема формирования комплексов мероприятий по повышению производительности труда. В этой схеме в отдельные типы выделяются мероприятия, касающиеся ручного и автоматизированного труда, администрирования и документооборота. Мероприятия этих типов соотносятся с различными подзадачами основной задачи. При этом подзадачи выделяются следующие: развитие персонала, повышение мотивации, совершенствование орудий труда, развитие обеспечения ресурсами. На основе рассматриваемой схемы формируются и сравниваются два комплекса мероприятий по основным направлениям достижения цели.

Об авторах

Анатолий Данилович Цвиркун

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН

Email: tsvirkun@ipu.ru
Москва

Олег Иванович Дранко

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН

Email: drankooi@ipu.ru
Москва

Александр Федорович Резчиков

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН

Email: rw4cy@mail.ru
Москва

Ираида Александровна Степановская

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН

Email: irstepan@ipu.ru
Москва

Алексей Сергеевич Богомолов

Саратовский НЦ РАН, ФГБОУ ВО «Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского»

Email: bogomolov@iptmuran.ru
Саратов

Вадим Алексеевич Кушников

Саратовский НЦ РАН, ФГБОУ ВО «Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского»

Email: kushnikoff@yandex.ru
Саратов

Список литературы

  1. АЛИЕВ И.М. Влияние цифровой экономики на произво-дительность труда // Экономика труда. – 2021. – Т. 8, №9. – С. 917–930.
  2. ВИКТОРОВА В.А., СИЛАКОВА Л.В. Выявление акту-альных компетенций для повышения производительно-сти труда населения в условиях цифровизации России // Экономика труда. – 2023. – Т. 10, №7. – С. 999–1018.
  3. ГНЕВАШЕВА В.А. Цифровые платформы занятости // РППЭ. – 2022. – №9(143). – С. 81–85.
  4. МЕЛКОЗЕРОВА Д.О., РУДЬ Н.Ю. Особенности приме-нения инструментов "JUST IN TIME" в современной рос-сийской экономике // E-Management. – 2021. – №1. – С. 85–94.
  5. МИРОНОВА О.А., БОГДАНОВА Р.М. Анализ зарубеж-ного опыта использования факторов повышения произ-водительности труда на предприятии // Вестник РГЭУ РИНХ. – 2021. – №2(74). – С. 122–128.
  6. СТУКЕН Т.Ю., ЛАПИНА Т.А., КОРЖОВА О.С. Оценка влияния цифровизации на производительность труда в организации (на примере промышленных предприятий) // Вестник ОмГУ. Серия: Экономика. – 2023. – №2. – С. 74–79.
  7. ШАРЫЙ С.П. Конечномерный интервальный анализ. – Новосибирск: XYZ, 2019. – 635 с.
  8. BATWARA A., SHARMA V., MAKKAR M. et al. Towards smart sustainable development through value stream map-ping – a systematic literature review // Heliyon. – 2023. – Vol. 9, No. 5. – DOI: https://doi.org /10.1016/j.heliyon.2023.e15852.
  9. BOUSDEKIS A., LEPENIOTI K. et al. A Review of Data-Driven Decision-Making Methods for Industry 4.0 Mainte-nance Applications // Electronics. – 2021. – Vol. 10, No. 7. – DOI: https://doi.org /10.3390/electronics10070828.
  10. CELIK A.K., OZCELIK F. Assembly line rebalancing prob-lem with human-robot collaboration and a hyper-matheuristic solution approach // Computers & Industrial Engineering. – 2025. – Vol. 200. – DOI: https://doi.org/10.1016/j.cie.2024.110795.
  11. CHANG Q., WASEEM M. From Nash Q-learning to Nash-MADDPG: Advancements in multiagent control for multi-product flexible manufacturing systems // Journal of Manu-facturing Systems. – 2024. – Vol. 74. – P. 129–140. – DOI:https://doi.org/10.1016/j.jmsy.2024.03.004.
  12. DATTA D., GUTHRIE J. Human Resource Management and Labor Productivity: Does Industry Matter? //Academy of Management Journal. – 2005. – Vol. 48, No. 1. – DOI: https://doi.org/10.5465/AMJ.2005.15993158.
  13. DMYTRIYEV Y., CARNEVALE M., GIBERTI H. Enhanc-ing flexibility and safety: collaborative robotics for material handling in end-of-line industrial operations // Procedia Computer Science. – 2024. – Vol. 232. – P. 2588–2597. – DOI: https://doi.org/10.1016/j.procs.2024.02.077.
  14. DOAN H., TRAN M., VU V. et al. Machine learning and IoT-based approach for tool condition monitoring: A review and future prospects // Measurement. – 2023. – Vol. 207. – DOI: https://doi.org/10.1016/j.measurement.2022.112351.
  15. DUAN D., CHEN S., FENG Z. et al. Industrial Robots and Firm Productivity // Structural Change and Economic Dy-namics. – 2023. – Vol. 67. – P. 388–406.
  16. FRANKE F., FRANKE S., RIEDEL R. AI-based Improve-ment of Decision-makers’ Knowledge in Production Plan-ning and Control // IFAC-PapersOnLine. – 2022. – Vol. 55, No. 10. – P. 2240–2245. – DOI: https://doi.org//10.1016/j.ifacol.2022.10.041.
  17. IMAI M. Kaizen: The Key To Japan's Competitive Success. – New York: McGraw-Hill Education, 1986. – 260 p.
  18. IANG Y., DAI P., FANG P. et al. A2-LSTM for predictive maintenance of industrial equipment based on machine learning // Computers & Industrial Engineering. – 2022. – Vol. 172, Part A. – DOI: https://doi.org/10.1016/j.cie.2022.108560.
  19. JUSTUS V., KANAGACHIDAMBARESAN G.R. Intelligent Single-Board Computer for Industry 4.0: Efficient Real-Time Monitoring System for Anomaly Detection in CNC Ma-chines // Microprocessors and Microsystems. – 2022. – Vol. 93, No. 2. – DOI: https://doi.org/10.1016/j.micpro.2022.104629.
  20. KRISHNAN T., KHAN A., ALQURNI J. Aggregate Produc-tion Planning and Scheduling in the Industry 4.0 Environ-ment // Procedia Computer Science. – 2022. – Vol. 204, No. 2 – P. 784–793. – DOI: https://doi.org/10.1016/j.procs.2022.08.095.
  21. KHAN M., SINGH K., KHAN W. A critical study on the implementation of operation, control and maintenance tech-niques for flexible manufacturing systems in small scale in-dustries // Materials Today: Proceedings. – 2023. – DOI: https://doi.org/10.1016/j.matpr.2023.05.225.
  22. KUMAR P. Failure prediction using artificial intelligence for heavy duty equipment // Materials Today: Proceedings. – 2022. – Vol. 66, No. 5. – P. 3154–3161. – DOI: https://doi.org/10.1016/j.matpr.2022.08.026.
  23. KUMAR S., NATHAN V., ASHIQUE S. et al. Productivity enhancement and cycle time reduction in Toyota production system through jishuken activity – Case study // Materials Today: Proceedings. – 2021. – Vol. 37, No. 2. – P. 964–966. – DOI: https://doi.org/10.1016/j.matpr.2020.06.181
  24. LEON R. Employees’ reskilling and upskilling for industry 5.0: Selecting the best professional development pro-grammes // Technology in Society. – 2023. – Vol. 75, No. 6. – P. 102393. –DOI: https://doi.org/10.1016/j.techsoc.2023.102393.
  25. MAYNEZ-GUADERRAMA A., LÓPEZ V., URÍAS A. La importancia de la gestión de recursos humanos para la manufactura esbelta // Estudios Gerenciales. – 2024. – Vol. 40, No. 171. – P. 193–203. – DOI: https://doi.org/10.18046/j.estger.2024.171.6450
  26. MURTAZA A., SAHER A., ZAFAR M. et al. Paradigm shift for predictive maintenance and condition monitoring from Industry 4.0 to Industry 5.0: A systematic review, challenges and case study // Results in Engineering. – 2024. – Vol. 24. – P. 102935. – DOI: https://doi.org/10.1016/j.rineng.2024.102935.
  27. PENG J., WANG D., ZHAO J. et al. Meta-learning en-hanced adaptive robot control strategy for automated PCB assembly // Journal of Manufacturing Systems. – 2025. – Vol. 78. – P. 46–57. – DOI: https://doi.org/10.1016/j.jmsy.2024.11.009.
  28. POPOV A. Modern Approaches to the Implementation and Use of Lean Production Model // BIO Web of Conferences. – 2023. – Vol. 76. – DOI: https://doi.org/10.1051/bioconf/20237602002.
  29. RANDHAWA J., AHUJA I. 5S implementation methodolo-gies: Literature review and directions // Int. Journal of Productivity and Quality Management (IJPQM). – 2017. – Vol. 20, No. 1. – P. 48–74. – DOI: https://doi.org/10.1504/IJPQM.2017.080692.
  30. RIZQI Z., CHOU S. Neuroevolution reinforcement learning for multi-echelon inventory optimization with delivery op-tions and uncertain discount // Engineering Applications of Artificial Intelligence. – 2024. – Vol. 134, No. 9. – DOI: https://doi.org/10.1016/j.engappai.2024.108670
  31. ROMERO L., CONTRERAS A. Applying Value Stream Mapping in Manufacturing: A Systematic Literature Review // IFAC-PapersOnLine. – 2017. – Vol. 50. – Issue 1. – P. 1075–1086. – https://doi.org/10.1016/j.ifacol.2017.08.385
  32. SAGAR D. WAGH, SUMEDH N. CHIWANDE Implementa-tion of Manufacturing Execution System (MES) to Increase Productivity and Competitiveness in the Manufacturing Sec-tor // Int. Journal for Research in Applied Science and Engi-neering Technology. – 2024. – Vol. 12, Iss. IV. – P. 3703–3714. – DOI: https://doi.org/10.22214/ijraset.2024.60682.
  33. SHAHIN M., MAGHANAKI M., HOSSEINZADEH A. et al. Improving operations through a lean AI paradigm: a view to an AI-aided lean manufacturing via versatile convolutional neural network // Int J Adv Manuf Technol. – 2024. – Vol. 133. – P. 5343–5419. – DOI: https://doi.org/10.1007/s00170-024-13874-4.
  34. SHAO G., KIBIRA D., FRECHETTE S. Digital Twins for Advanced Manufacturing: The Standardized Approach // In: Grieves M., Hua E.Y. (eds) Digital Twins, Simulation, and the Metaverse. Simulation Foundations, Methods and Appli-cations. – Springer, Cham, 2024. – P. 145–169. – DOI: https://doi.org/10.1007/978-3-031- 69107-2_7.
  35. SILVA A., SIMÕES A., BLANC R. Supporting decision-making of collaborative robot (cobot) adoption: The devel-opment of a framework // Technological Forecasting and So-cial Change. – Elsevier, 2024. – Vol. 204(C). – P. 123406. – DOI: https://doi.org/10.1016/j.techfore.2024.123406.
  36. SILVESTRI L., FORCINA A., INTRONA V. et al. Mainte-nance transformation through Industry 4.0 technologies: a systematic literature review // Computers in Industry. – 2020. – Vol. 123. – https://doi.org/10.1016/j.compind.2020.103335.
  37. SUBRAMANIYAN C., PRAKASH S., BHUVANESH N. et al. Study based on the reduction of lot time by implement-ing set production and FMS in the traditional batch produc-tion system // Materials Today: Proceedings. – 2021. – Vol. 45, Part 2. – P. 502–506. – DOI: https://doi.org/10.1016/j.matpr.2020.02.102.
  38. TRANAB M., ZHANG S., DOANC H. et al. Machine learn-ing and IoT-based approach for tool condition monitoring: A review and future prospects // Measurement. – 2023. – Vol. 207. – DOI: https://doi.org /10.1016/j.measurement.2022.112351.
  39. WANG Y., WANG X., CHEN S. et al. Integrated optimiza-tion of multi-station multi-robot assembly welding line: Ap-plication for automotive industry // Expert Systems with Ap-plications. – 2025. – Vol. 267. – P. 126116. – DOI: https://doi.org/10.1016/j.eswa.2024.126116.
  40. XU G., QIU Y., JINGYU Q. Artificial intelligence and labor demand: An empirical analysis of Chinese small and micro enterprises // Heliyon. – 2024. – Vol. 10, No. 3. – DOI: https://doi.org/10.1016/j.heliyon.2024.e33893.
  41. YAN N., WU T., WANG J. et al. Industry spillover effects of robot applications on labor productivity: Evidence from China // Economic Analysis and Policy. – 2025. – Vol. 229, No. 1. – P. 1272–1286. – DOI: https://doi.org/10.1016/j.jebo.2024.106858.
  42. ZHAO Y., SAID R., ISMAIL N. Impact of industrial robot on labour productivity: Empirical study based on industry panel data // Innovation and Green Development. – 2024. – Vol. 3, No. 2. – DOI: https://doi.org /10.1016/j.igd.2024.100148.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».