統計重塑工業

□汪為

統計與工業發展息息相關，早在18 世紀，丹麥電話公司就雇傭統計學家研究最合適的電話交換總機容量，到了19 世紀，越來越多企業認識到統計的重要性，工業各個行業都逐漸接納和應用統計學解決生產難題，著名的t 檢驗的創立者戈賽特就被著名的吉尼斯啤酒聘為大倫敦區的主管，負責解決最讓企業頭痛的產品質量穩定的難題——或許人們會問在啤酒釀造中除了統計啤酒數量，難道還有需要統計解決的問題嗎？在釀酒過程中人們需要嚴格控制麥芽糖中的酵母含量，含量過少發酵不充分風味不明顯，含量過多發酵過頭啤酒會變苦。因此須要對酵母培養罐中的酵母濃度進行測量，再確定倒入麥芽糖。戈賽特之前的工程師會提取液體樣本在顯微鏡下觀察計算其中的酵母數量，這種方法繁瑣而準確性低——觀察者計算的是樣本中的酵母數量，而真正的研究對象則是整個培養罐中的酵母濃度，但存活的酵母每時每刻都在分裂生殖，這讓測度變成了不可能任務。戈賽特對樣本數據進行了研究，發現容器內的酵母細胞數量可以用概率分布來模擬，通過推算對比，他發現活酵母數量非常吻合18 世紀數學家西米恩·丹尼斯·泊松提出的泊松分布，在此基礎上他設計出系列測量酵母細胞濃度的規則和方法，極大提高了測度精準性，吉尼斯公司的產品穩定性被控制在時人覺得不可思議的精確區間內，這套方法迅速被其他飲料公司所刺探和模仿，并逐步擴展到各個生物工業中。在這期間，被醫學領域奉為圭臬的隨機雙盲實驗的雛形等改變工業產品成效評判的重要統計方法也發明并在相關領域應用。

如果說統計在工業領域的應用在19 世紀還是先行者的探索，到了20 世紀統計思維逐步成為工業界的共識。這就不能不說到當時的統計革命和將統計革命引入工業的沃爾特·休哈特和將統計思維引入企業家辦公室的愛德華茲·戴明。

在19 世紀早期人們認為世界是可以被精確計量和測算的，雖然認識到誤差的存在，多數人還是認為隨著測量精度提高誤差會自然消失，但在19 世紀末，越來越多的科學家發現研究中的誤差沒有消失反而在擴大，他們需要“誤差函數”幫忙!進一步的研究表明牛頓等偉大科學家的定律都是一種粗略估計，科學界開始逐漸擯棄原來的“按時鐘前進的宇宙”設定，采用統計模型——更符合現實的一種思考方式來進行他們的研究，到了20世紀末，幾乎所有學科都轉移到使用統計模型的陣營。但這場席卷科學界的革命一開始并沒有在工業界掀起波瀾，直到貝爾實驗室的沃爾特·休哈特提出開創性的統計過程控制理論和SPC（Statistical Process Control）控制圖——將統計隨機性理論和統計學方法與工程、經濟等學科完美結合在一起，他第一次將統計方法在質量管理方面的應用提升為理論并提供了一種簡單卻非常有效的應用工具。

通過SPC 在產品質量控制中的應用，對產品數據進行統計分析區分出生產過程中影響產品質量的正常波動和異常波動，從而掌握過程異動并及時預警，提示管理及技術人員根據統計模型指引的方向采取措施消除異常，恢復過程的穩定性。當時正值世界經濟大蕭條，休哈特提出的SPC 理論并無人問津，而后二戰爆發，由于武器需求大增，在滿負荷運轉中美國大批軍工廠出現了嚴重的質量問題（如在歐洲戰場上美軍炮彈炸膛事件層出不窮，造成大量人員意外傷亡），為解決軍工產品質量不穩、增加產量和確保按時交貨，美國國防部召集休哈特等專家，在1942 年制定了采用數理統計方法進行質量控制的戰時質量管理標準（數據分析控制圖、生產質量管理控制圖等），由美國國防部在全國軍工企業強制推行，成效大大超出預期，不僅當初設定的目標圓滿完成，而且使美國軍工生產在質量上、數量上、利潤回報率上都走上世界領先地位。二戰后，戰時被征用或服務于軍隊的企業重新轉回民用，但休哈特的SPC 理論和控制方法被企業保留下來，并被其他企業所效仿。由于企業高層普遍對SPC 理論并不理解，應用效果并不如在軍管時期成效顯著，于是后期SPC 從美國工業中消失了。

上世紀40 年代開始，愛德華茲·戴明等一批統計學家們繼續優化SPC 理論和應用，執著不懈地在工業生產中推廣統計理念和統計思想，在他們的努力下，企業終于意識到統計學不僅能幫助企業改進生產流程，還將重新締造工業生產。戴明二戰后受邀去日本傳授美國在工業質量控制方面的先進經驗，彼時的“日本制造”還是低質低價的代名詞，戴明用統計數據和真實案例告訴他們，只要正確使用質量控制統計方法，他們可以改變這一切，用質優價廉的產品占領整個世界，戴明的工作和演講給在場的日本人留下了深刻的影響，很快他受日本科學家與工程師聯合會邀請赴日給日本大企業家講授統計方法。戴明非常摒棄當時流行的“零缺陷”管理思潮——不允許產品出現任何缺陷，因為這從統計概率來說是不可能實現的。他指出生產線的產出是一個變量，就如同一切人類活動一樣，產出只能是一個變量。而顧客并不像企業設想的那樣需要完美產品，他們需要的是可靠產品——只要變動范圍在較小的區間范圍內，他們知道自己買到的是怎么樣的產品就會接受它。在戴明的理論中，分析師可以依據費希爾的方差分析將產品變化分為兩類——“特殊原因”和“共同原因”。在當時，企業管理中很少有人具備統計知識，企業標準做法是限制產品的總變化，如果總變化超出設定的限度就會停產復查，戴明認為真正的特殊原因很少，而且易于被發現；環境因素一直存在，更為隱形，可能是缺乏維護的機器、質量不穩定的原材料，或者管理層不曾留意的其他不受工人控制的工作條件。戴明認為質量控制必須在統計方法幫助下進行系統化分析和決策。

在戴明的理論中，生產是始于原材料終于產品的活動流，而在每一項活動中都存在來自環境變化的變動影響，管理則應該及時查看每一項活動變化情況，而不應該等到變化影響到產品超出標準再作處理。在每一次查看測定中，變化幅度最大的活動將被優先關注，等這項活動變化得到控制減小后，另一項活動取代它成為變化最大的活動成為關注和解決的重點，質量控制就是這樣一個周而復始、循環往復的過程。而且在這個過程中必須決策者參與進來，走出辦公室，走進質量管控中SPC 才能發揮實效。在戴明的質量變動控制方法指導下，日本的產品質量和生產率快速躍居世界領先地位，到1980年代日本產品質量已經較美國優良許多，日產的汽車零件的不合格比率要比美國低1000-4000 倍。 在日本的競爭倒逼下，西方國家發起了復興SPC 的運動，并將SPC 列為高技術之一，這也是目前世界各國都在繼續沿用的經典質量控制方法，我國也在普及和應用深化SPC，將其與大數據應用結合，助力工業轉型升級。

可以說在眾多統計學家前赴后繼的努力下，統計學從學者的書桌走進企業的生產車間，進而走進決策者的辦公室，成為現代工業生產不可或缺的工具。統計學不斷將其最新的理論成果帶進工業生產，為工業制造帶來革命性的變化，正席卷全球的第四次工業革命中，統計方法和理論在大數據中應用和挖掘中大行其道，向傳統的規模化生產模式發出挑戰，讓智能化生產和個性化定制成為了現實。

讓我們拭目以待，統計將如何重新締造未來工業體系！