伴隨著日本核泄漏事件的爆發與不斷升級，新能源中原本占最大份額的核電產業下滑已是大勢所趨，另一重要新能源產業——光伏產業是否回擁有更好的發展空間？

　　對此，業內行家有著更深入的看法：雖然核電行業大不如前，但光伏行業同時也在經歷著嚴峻的考驗。中國自2007年成為全世界最大的光伏產品生產國后，各個環節都在逐步完善的過程中。然而有一點值得注意：必須將企業目前普遍存在的由政府補助驅動轉換為市場驅動。因為完全依賴政府補貼作為行業發展的動力蘊藏著很大的風險。一旦政策變化或終止時，所帶來的產業沖擊是巨大的。只有盡快建立真正的光伏市場體系，使光伏產業按照市場規律運作起來，才能夠充分發揮政府補貼的杠桿作用，減少政策變動對產業可能造成的傷害。

　　光伏行業的所有從業人員（尤其是領導層）必須有這樣清醒的認識：不管行業景氣與否，產業中各個環節的產品價格必須不斷下降，直到光伏發電的成本切切實實地低于火力發電為止。只有成本下降，才是光伏產業發展的真正動力。

　　那么，怎樣才能降低成本呢？很多人往往直接想到的是降低多晶硅等原材料成本。實際上，在2009年以后，多晶硅成本已經消耗了很大一部分下降空間。新的、真正的競爭已經開始在企業的工藝流程和質量管理水平上展開，與傳統的半導體電子行業非常相似的是，光伏產品的一次性良品率既決定了生產過程能力的強弱，同時也決定了生產成本的大小。

　　借鑒第一太陽能、艾格太陽能、晶澳太陽能等國外知名光伏企業的經驗，不難發現光伏產品的良品率控制離不開基于數據的精細化分析與決策。這是一個技術活，也恰恰是國內光伏企業的軟肋。當然，先進制造流程的量化分析絕不是一味地追求數據倉庫的大而全、數據建模的復雜性，而是越來越強調實用性。近年來，一種全新的數據分析方式——交互式可視化數據分析——已經被越來越多的領先企業用來識別劣質成本并分析其原因，制定改進方案以優化生產工藝，最終提升一次性良品率和綜合質量水平，同時降低成本。所謂“交互式可視化”數據分析，就是推崇使用更多的圖形化工具，通過交互式的圖形實現分析者與數據的雙向“交互”，從而擺脫對傳統統計分析工具的依賴（或者說是“以一種圖形化的簡單方式使用其背后先進的統計分析方法”），降低其使用門檻，并能更好地洞察數據背后的重要信息。下面我們借助一個運用在光伏行業已廣泛應用的專業六西格瑪及質量管理統計分析軟件JMP對太陽能電池進行一次性良品率改善的案例來簡要說明如何通過交互式可視化的分析，事半功倍地提高生產能力，降低劣質成本。

　　簡單太陽能電池生產的過程基本上分為八個主要步驟，大致可以用下面這張流程圖表示。

　　簡單太陽能電池的大致整體工藝流程

　　首先，在收集了歷史數據后，我們希望能迅速找到改善的最佳突破口，看看改善哪些工藝對提高整體的實際直通率影響最大。從JMP的“預測刻畫器”中看出一些端倪：在八個步驟的實際良品率與整體的實際直通率的線性關系圖上，我們明顯發現“實際擴散良品率”和“實際刻蝕良品率”與“實際直通率”的斜率明顯大于其他步驟的實際良品率，進一步用鼠標改動“實際擴散良品率”和“實際刻蝕良品率”的設置，導致“實際直通率”的改變幅度也是最大的，由此可以直觀地判斷“擴散”和“刻蝕”的工藝影響最大，它們是生產過程中的關鍵工序。

　　預測刻畫器分析

　　接著，我們很自然地想去了解造成“擴散”何“刻蝕”良品率低的罪魁禍首是誰。用JMP的“Pareto圖”很容易發現“擴散”工序中的主要缺陷是“擴散返修”和“擴散機器內碎片”，“刻蝕”工序中的主要缺陷是“刻蝕裝片時碎片”和“刻蝕機器內碎片”。因此，我們需要去重點關注和控制這四種缺陷的產生原因。

　　Pareto圖分析

　　然后，我們就開始運用一些回歸建模、決策樹等更高級的分析工具去查找原因。當然，一說到高級分析工具，很多人可能會望而卻步，覺得太抽象、看不懂。其實，現在這種擔心實在是多慮了。在JMP中，所有的分析工具，無論是簡單的，還是復雜的，都可以通過各種統計圖形來和工程師一起“看圖說話”。比如在此例中，我們運用JMP軟件的“決策樹”功能進行要因分析時，只需要用鼠標點擊分析界面上的“拆分”按鈕，就可以一步步地按照“組內差異最小化，組間差異最大化”的原則將數據進行分組，從而發現很多有價值的信息：

　　1 因為在分組的過程中，“決策樹”從眾多候選變量中選用到了“硅片廠家”、“日期”、“硅片批次”和“班次”四個變量，因此可以判斷它們是影響缺陷率產生的關鍵因素。

　　2 如果關注“硅片廠家”這個因素的話，不難發現“甲”、“丁”這兩家廠的質量問題不大，而另兩家廠“乙”、“丙”的質量問題相對比較嚴重。這是因為從“決策樹”左側的圖形看，代表良品率高的綠色面積很大，它對應的分類水平就是“硅片廠家（甲、丁）”；反之，從“決策樹”右側的圖形看，代表良品率低的紅色面積很大，它對應的分類水平就是“硅片廠家（乙、丙）”。

　　3結合“日期”因素來看的話，11月1日的情況很糟糕，乙、丙兩個硅片廠家所有班次的良品率全部未達標；而11月2日和7日這兩天同樣出現嚴重問題，丙廠B班所有的生產批次全部未達標，這些都值得我們去做深入的現場調查。

　　決策樹分析

　　其實，在實際工作中，太陽能電池企業的技術人員們還可以使用更多其他交互式、可視化的數據分析方法來挖掘深層的技術原因，優化改進方案，限于篇幅，就不再做更深入的介紹了。不過可以肯定的是：如何快速實現質量管理和成本控制的雙重提升，掌握交互式可視化數據分析將是國內光伏企業都需要考慮的一個重要問題。