学习曲线完全手册：Wright 与 Crawford 之争

同样一条产线，第 1 台花了 502 小时、第 800 台只花 46 小时——但如果你用错了模型，这 800 台的总工时会算出两个相差 54% 的答案，也就是 180 万元的报价缺口。这篇把学习曲线从公式推导一路讲到报价、人员配置、标准工时复测和停产复工的遗忘修正，每个结论都给出可手算的过程。

一、学习曲线在说什么

1.1 一个被反复验证的经验规律

1936 年，美国航空工程师 Theodore Paul Wright 在研究飞机制造成本时发现：每当飞机的累计产量翻一倍，单位产品的直接人工工时就会下降一个固定的百分比。 这个规律后来在造船、电子、半导体、服装、软件、乃至外科手术等极其不同的领域被反复验证。

它的数学形式是一个幂律：

$$\text{工时} \propto (\text{累计产量})^{b}, \quad b < 0$$

这个规律为什么成立？ 改善来自五个层面：

关键点：学习曲线不只是"人越干越快"。 如果只有个人熟练，改善幅度会很快触顶（通常在累计几百到几千次操作之后）。真正让曲线持续下降的是后四层——尤其是方法改进与设计优化，它们几乎可以无限持续。

1.2 两个必须分清的模型

这是全文最重要的一节，也是最多人搞错的地方。

学习曲线的公式都写成 $Y = a X^{b}$，但 $Y$ 的含义有两个版本，而这两个版本算出来的累计总工时可以差一半以上。

Wright 模型（1936，累计平均型）

$Y_X$ = 前 $X$ 台的累计平均单台工时

$$Y_X = a \cdot X^{b}$$

累计总工时：

$$C_W(X) = Y_X \cdot X = a \cdot X^{b+1}$$

Crawford 模型（1940s，单位/边际型）

$u_X$ = 第 $X$ 台这一台的工时

$$u_X = a \cdot X^{b}$$

累计总工时：

$$C_C(X) = a \sum_{i=1}^{X} i^{b}$$

注意：两个模型公式的右边完全一样，差别只在左边那个符号代表"累计平均"还是"第 X 台"。 就这一个符号的差别，累计总工时会天差地别。

1.3 参数含义速查

学习率的读法：$LR = 80%$ 表示"累计产量每翻一倍，工时降到原来的 80%"，即下降 20%。LR 越小，学习越快，改善越猛。

常用 LR 与 $b$ 对照：

（以上为常见参考区间，实际 LR 必须用自身数据拟合，不能照抄行业值。）

1.4 对照算例：同样 LR = 80%，两个模型差多少

设 $a = 100$ h（第 1 台），$LR = 80%$，$b = -0.3219$。

怎么理解这个差别：

• Wright 模型：第 2 台的"累计平均"是 80 h，意思是"前 2 台平均 80 h"，所以第 2 台本身的工时是 $160 - 100 = 60$ h。
• Crawford 模型：第 2 台的工时就是 80 h，前 2 台合计 180 h。

第 2 台到底是 60 h 还是 80 h？ 这就是两个模型的分歧。Wright 模型隐含的改善速度更快（第 2 台就降到 60%），Crawford 更保守（80%）。

差异随产量放大：$X = 8$ 时差 30.5%，$X = 64$ 时差 42.6%。在报价场景下，选错模型是致命的。

1.5 到底该用哪个模型

最实用的一条建议：不管内部用哪个模型，对外报价时一定要写清口径。 "累计平均工时"和"单台工时"这两个词，在合同里能差 50% 的成本。

二、参数怎么定：从数据里拟合 LR

2.1 两点法（最快）

只要有两个数据点 $(X_1, t_1)$、$(X_2, t_2)$——两点的口径必须一致（同为累计平均，或同为某台的工时）：

$$b = \frac{\ln(t_2 / t_1)}{\ln(X_2 / X_1)}, \qquad LR = 2^{b}, \qquad a = \frac{t_1}{X_1^{b}}$$

2.2 完整算例：拟合一条真实曲线

某定制设备的装配工时记录（均为"第 $X$ 台的工时"，即 Crawford 口径）：

第一步：取自然对数

$$\overline{\ln X} = 5.4605, \quad \overline{\ln t} = 4.2696$$

第二步：最小二乘拟合 $\ln t = \ln a + b \ln X$

$$b = \frac{\sum (\ln X_i - \overline{\ln X})(\ln t_i - \overline{\ln t})}{\sum (\ln X_i - \overline{\ln X})^2} = \frac{-1.7245}{4.8296} = \mathbf{-0.3571}$$

$$\ln a = \overline{\ln t} - b \cdot \overline{\ln X} = 4.2696 - (-0.3571)(5.4605) = \mathbf{6.2196}$$

$$a = e^{6.2196} = \mathbf{502.5 \text{ h}}$$

第三步：换算学习率

$$LR = 2^{b} = 2^{-0.3571} = \mathbf{78.07%}$$

第四步：检验拟合质量

$$R^2 = 1 - \frac{SSE}{SST} = \mathbf{0.9997}$$

结论：该装配过程的学习率 LR ≈ 78.1%，第 1 台理论工时 $a ≈ 502.5$ h。

2.3 拟合前必须做的四件事

一个实用技巧：先把 $(\ln X,\ \ln t)$ 画成散点图。 如果点大致在一条直线上，幂律成立；如果明显弯曲（通常后段变平），说明进入了平台期；如果出现折线或台阶，说明中间有设计变更或人员变动，需要分段拟合。

2.4 平台期：学习曲线不会永远下降

必须承认的现实：LR 不是常数。 随着累计产量增加，可改善空间越来越小，曲线会趋于平坦（$LR \to 95% \sim 100%$）。

三种处理办法：

给 IE 的实操建议：用学习曲线做近期预测（累计产量 2~4 倍以内），不要做长期外推。超出这个范围，改用动作分析或工艺重新设计来估算。

三、应用一：成本报价与定价

3.1 累计总工时的手算近似

精确式（Crawford）需要对 $i^{b}$ 从 1 求到 $X$，手算不现实。实用的近似式（Euler–Maclaurin 展开）：

$$\sum_{i=1}^{X} i^{b} \approx \frac{X^{b+1}}{b+1} + \frac{X^{b}}{2} + K$$

$K$ 是与 $b$ 有关的常数，可以用一个已知点标定，一次标定长期复用。

标定过程（本例 $b = -0.3571$，取 $X_0 = 64$ 作为标定点）：

$$\text{精确求和值} = \sum_{i=1}^{64} i^{-0.3571} = 21.6312$$

$$\text{近似式前两项} = \frac{64^{0.6429}}{0.6429} + \frac{64^{-0.3571}}{2} = \frac{14.4942}{0.6429} + \frac{0.2265}{2} = 22.5450 + 0.1132 = 22.6582$$

$$K = 21.6312 - 22.6582 = \mathbf{-1.0270}$$

精度检验：

误差在 0.1% 以内，完全可用于报价。注意：$K$ 只与 $b$ 有关，必须针对你自己的 $b$ 重新标定，不能直接抄本文的数值。

3.2 报价算例：180 万元的差距

背景：客户询价 800 台定制设备，需用学习曲线估算人工成本。已拟合得 $a = 502.5$ h，$b = -0.3571$（LR = 78.07%）。人工综合费率按 90 元/h（参考值，实际以企业财务口径为准）。

方案 A：用 Wright 模型

$$C_W(800) = 502.5 \times 800^{0.6429} = 502.5 \times 73.5216 = \mathbf{36{,}943 \text{ h}}$$

$$\text{人工费} = 36{,}943 \times 90 = \mathbf{332.5 \text{ 万元}}$$

方案 B：用 Crawford 模型

$$C_C(800) = 502.5 \times 113.3735 = \mathbf{56{,}970 \text{ h}}$$

$$\text{人工费} = 56{,}970 \times 90 = \mathbf{512.7 \text{ 万元}}$$

对比：

*假设单台售价 3 万元，仅作示例。

用错模型会让你的毛利虚高 7.5 个百分点，800 台合计 180 万元——相当于 60 台设备的全额售价。 这就是为什么学习曲线值得 IE 花时间搞懂。

3.3 阶梯定价：把学习效应写进合同

学习曲线的存在，让"先低价拿量、后靠学习降本"成为一种可计算的定价策略。

分段算例（Crawford 口径，$C(100) = 14{,}626$ h，$C(300) = 30{,}104$ h，$C(800) = 56{,}970$ h）：

这张表可以直接拿去跟客户谈：前 100 台人工成本 13,163 元/台，后 500 台只要 4,836 元/台，降幅 63.3%。客户若承诺总量 800 台，可以给阶梯价；若只订 100 台，就必须按 13,163 元/台的成本报价。

注意别踩的坑：第 1 批的单台人工（13,163 元）远高于 800 台的累计平均（6,409 元），差 2.05 倍。如果客户只订 100 台却按 800 台的均价砍价，你会亏得很惨。 阶梯定价表的价值就在于把这个差距摆到桌面上。

给 IE 的完整提醒：报价时别忘另外两个学习效应——材料成本同样随采购量下降（这是采购的经验曲线），以及良率爬坡（前期不良率高，等效人工更高）。完整模型应该是： $$\text{单台成本} = \frac{\text{工时} \times \text{费率}}{\text{直通率}} + \text{材料成本} + \frac{\text{专用工装/模具摊销}}{\text{总量}}$$

四、应用二：产能爬坡与人员配置

4.1 爬坡期的人力需求是"驼峰形"的

这是一个反直觉、但极其重要的结论：爬坡期的人力需求不是单调上升，而是先升后降。

原因是两股力量在拉锯：

• 产量爬坡：每月要做的台数越来越多 → 需要更多人
• 学习效应：单台工时不断下降 → 需要更少人

前期产量爬坡占主导，人数上升；后期产量趋于稳定而学习仍在继续，人数反而下降。

4.2 算例：12 个月爬坡的人力需求

背景：承接上例，$a = 502.5$ h，$b = -0.3571$。每月 26 天、每天有效 7.5 h、综合效率 85% → 每人月有效工时 $= 26 \times 7.5 \times 0.85 = 165.75$ h，取整 165 h。

三条可执行的结论：

1. 峰值出现在 M8–M9（约 50 人），而不是满产的 M12（45.7 人）。 按峰值配 50 人，M12 会有 4.3 人富余；按 M12 配 46 人，M8–M9 会缺 4 人。
2. 正确做法：按 46 人配置正式编制，用加班 / 临时工 / 劳务外包覆盖 M5–M10 的峰值缺口。 峰值缺口只有 4 人、持续约 6 个月，用加班（每人每月 +20 h 即可覆盖）远比多招 4 名正式工经济，也不会在爬坡结束后留下冗员。
3. M1–M2 的"人力过剩"是假象。 爬坡初期按工时算只需 26~30 人，但产线需要完整的班组形态，不能按工时拆人头。这一时期的正确做法是慢速跑整线（放大节拍），而不是少人快跑——因为学习的对象是方法，一群人一起摸索出来的标准作业，才是后面爬坡的本钱。

4.3 学习因子如何并入爬坡模型

爬坡期的实际产能是多因子的乘积（详见《工业工程师的项目管理与新产品导入（NPI）》）：

$$D(n) = D_{max} \times k_{learn}(n) \times k_{yield}(n) \times k_{kit}(n)$$

其中学习因子定义为"当前单台工时相对稳态工时的倒比"：

$$k_{learn}(n) = \frac{u(X_{steady})}{u(X_n)}$$

本例中若把稳态定义为累计 1,600 台（$u = 36.05$ h）：

这句话可以直接讲给老板听："这条线在累计 100 台时只能达到设计产能的 37%，到 800 台时是 78%，1,600 台时满产。所以前 6 个月不要按设计产能接单。"

4.4 多产品共线：经验是可以"继承"的

现实中很少有一条线只做一个产品。混线生产时，学习曲线要按共享的作业元素来处理。

核心原则：学习不是针对"产品"的，而是针对"作业元素"的。 两个产品如果 65% 的作业元素相同（拧螺丝、插端子、贴标签、目检），那么这 65% 的经验是可以继承的。

算法：引入等效经验

$$X_{eff} = X_{own} + \lambda \cdot X_{shared}$$

• $X_{own}$ = 本产品自身的累计产量
• $X_{shared}$ = 共线其他产品的累计产量
• $\lambda$ = 作业元素共享率（0~1），由动作分析或工艺相似度评估得出

算例：A 产品已累计 1,200 台，B 产品为新品（$X_{own} = 0$），与 A 共享 65% 的作业元素，同族曲线 $a = 502.5$ h，$b = -0.3571$。

结论：65% 的作业元素共享，让 B 产品第 1 台的工时从 502.5 h 降到 46.6 h，降幅 90.7%。

这个结论的战略含义：

1. 产品平台化、模块化的价值可以被量化。 提高零部件与作业元素的通用率，直接降低了新产品的导入成本与爬坡时间。这是"平台战略"在学习曲线视角下的数学基础。
2. 新产品的爬坡预测不能用 $a$。 如果你在做 NPI 排产时，把新产品的第 1 台工时按 $a = 502.5$ h 算，而实际上它继承了 780 台的等效经验，你会把爬坡时间严重高估，导致产能规划过于保守、投资过度。
3. $\lambda$ 怎么定：最可靠的方法是动作分析——把两个产品的作业元素逐一列出，计算共享元素的工时占比（不是数量占比）。快速估算时可以用零部件通用率代替，但会高估共享度（因为通用的零件可能装配方式完全不同）。

五、应用三：标准工时什么时候该重测

5.1 一个被普遍忽视的问题

标准工时（Standard Time）是企业做报价、排产、人员配置、工价谈判、绩效管理的共同基础。但在存在学习效应的场景下，标准工时是一个移动靶：

• 在爬坡早期测定 → 偏高（包含了大量不熟练的成分），用它排产会低估产能
• 一直不重测 → 因产线已熟练而失去成本准确性，用它报价会高估成本

5.2 复测规则

规则：每当累计产量翻倍，复测一次标准工时。 因为每翻一倍，工时就乘以一次 $LR$。

算例（承接上例，$LR = 78.07%$，基准：累计 800 台时实测标准工时 46.18 h）：

停止按翻倍复测的判定：如果某次翻倍的实测改善 < 5%（即 $LR_{实测} > 95%$），判定进入平台期，此后按常规周期（半年或一年）复测即可。

5.3 三条实操建议

1. 区分"标准工时"与"目标工时"。 爬坡期应设两套：一套是当前标准工时（用于排产与成本核算，反映现实），一套是目标工时（用于激励与改善，反映学习后的应达水平）。混为一谈会导致排产不准或激励失效。
2. 不要在累计产量太低时固化标准工时。 经验规则：至少等到累计产量达到预计年产能的 10%~20% 之后再固化。固化太早会被迫频繁修订，损害标准的权威性。
3. 学习效应与计件工资的冲突要提前设计。 若计件单价固定，工人会因熟练而收入暴涨、企业成本失控；若单价随工时下调，工人会产生"越干越亏"的感觉，可能消极怠工或隐瞒改善。 常见折中方案：单价随标准工时调整，但①调整有滞后（如每季度一次）；②单次调整幅度有上限（如不超过 15%）；③把节省额的一部分作为改善奖金返还给工人。

六、应用四：培训、技能与多能工

6.1 把"培训值多少钱"算出来

学习曲线可以量化培训投入的回报。

算例：某装配工位，新员工第 1 件工时 $a = 15.5$ min（由任务复杂度决定，与培训质量基本无关）。比较三种培训质量下，前 200 件的累计工时：

换算成钱（人工费率 90 元/h）：

这张表的用途：它把"做更好的 SOP 图示""配师傅带教""做视频教材"这些模糊的改善，变成了一个可以跟投入对比的数字。如果做一套视频教材花 8,000 元，而它能让 20 名新员工的学习率从 85% 提到 80%（年省 10,260 元），那么不到一年就回本。

注意边际递减：从 90% 提到 85% 的收益（7.80 h）比从 85% 提到 80% 的收益（5.70 h）更大。这说明培训改善的最大价值在"从无到有"和"从差到合格"这一段，而不是把已经不错的培训做到极致。

6.2 多能工与轮岗的学习成本

轮岗能提升柔性，但每次换岗都要重交一次"学习税"。

算例：某员工在 A 工位已累计 500 件（$u_A = 4.0$ min），轮岗到 B 工位从头开始（$a_B = 15.5$ min，$LR_B = 85%$）。

轮岗后前 100 件的累计工时 $= 15.5 \times \sum_{i=1}^{100} i^{-0.2345} = 15.5 \times 38.42 = \mathbf{595.5 \text{ min}}$

若由熟练工做（假设 $u_B(1000) = 4.5$ min），100 件只需 450 min。

学习税 = 595.5 − 450 = 145.5 min ≈ 2.4 h，按 90 元/h 计约 218 元。

决策规则：把"单次轮岗的学习税"与"柔性带来的收益"（顶岗、平衡、缺勤缓冲）对比。经验上，如果一个人一年顶岗次数不足以覆盖 3~4 次的学习税，轮岗就不经济。这也是为什么多能工培养通常聚焦于瓶颈工位与高缺勤工位，而不是全线铺开。

6.3 把学习率本身变成改善对象

前面几节都在用学习曲线做预测。但更有价值的问题是：能不能让曲线下降得更快？ 答案是能，而且这恰恰是 IE 的主场。

学习率的五个改善杠杆：

关键洞察：杠杆 ①②③ 降的是 $a$（起点高度），④⑤ 降的是 $b$（下降速度）。

很多改善项目只盯着 $a$——把第 1 台的工时压下来。但从长期看，改善 $b$ 的收益更大，因为它决定了整条曲线多久能到达平台期，也决定了累计总成本。

算例：某工位 $a = 15.5$ min，目标累计产量 5,000 件。比较不同 LR 下的累计总工时：

收益（人工费率 90 元/h，单工位）：

把 LR 从 85% 改善到 78%，累计 5,000 件的工时直接减少 58.6%。 这是一个非常惊人的数字，也是为什么"改善学习率"应该被当作一个独立的 IE 课题来管理，而不是听天由命。

可执行的做法：在 NPI 阶段就设立一个**"目标学习率"**指标，并像其他 KPI 一样跟踪。具体动作：

1. 试产（PVT）阶段测定初始 LR（通常需要累计 5~10 个批次的数据）
2. 与同类产品的历史 LR 对比，设定改善目标
3. 把杠杆 ③④（工装模块化 + 经验传承）作为改善项目立项
4. 爬坡期间每月复测 LR，验证改善是否兑现

七、遗忘曲线：停产、换线与复工

7.1 学习是可逆的

学习曲线只讲了"进步"，但经验同样会退化。触发退化的三类事件：

7.2 等效经验衰减模型

一个便于手算的处理方式：把停产看作"等效累计产量"的衰减。

$$X_{eff} = X \cdot 2^{-t/H}$$

• $X$ = 停产前的累计产量
• $t$ = 停产时长（月）
• $H$ = 经验半衰期（月），即经验衰减一半所需的时间（需由企业自身数据标定；不同工序差异很大，简单装配通常比复杂装配衰减小）

7.3 算例：停产 6 个月的代价

背景：承接上例，累计产量 $X = 800$ 台，$a = 502.5$ h，$b = -0.3571$。因订单中断停产 6 个月，经验半衰期 $H = 12$ 个月。人工费率 90 元/h。

第一步：算等效经验

$$X_{eff} = 800 \times 2^{-6/12} = 800 \times 0.7071 = \mathbf{565.7 \text{ 台}}$$

第二步：算复工首台的工时

$$u(565.7) = 502.5 \times 565.7^{-0.3571} = 502.5 \times 0.10401 = \mathbf{52.26 \text{ h}}$$

对比停产前的 $u(800) = 46.18$ h：

$$\text{退化幅度} = \frac{52.26 - 46.18}{46.18} = \mathbf{+13.2%}$$

第三步：算"白做了多少台"

$$800 - 565.7 = \mathbf{234.3 \text{ 台}}$$

第四步：算额外成本

衰退后需要把这 234.3 台的经验"补回来"，对应的额外工时：

$$\Delta C = C_C(800) - C_C(565.7) = 56{,}970 - 45{,}512 = \mathbf{11{,}458 \text{ h}}$$

$$\text{额外人工成本} = 11{,}455 \times 90 = \mathbf{103.1 \text{ 万元}}$$

结论：一次 6 个月的停产，代价约 103 万元——相当于 34 台设备的全额售价（按 3 万元/台）。

7.4 三条减缓遗忘的措施

最重要的一条：停产前做知识固化的性价比极高。 几十个工时的投入，可以避免百万级的复工损失。但现实中几乎没人做——因为停产时大家都在忙着处理裁员、设备封存、物料退货，"拍视频"这种事永远排不进优先级。

八、组织学习曲线与经验曲线

8.1 个人学习、组织学习与经验曲线

经验曲线由波士顿咨询集团（BCG）在 1960 年代提出，核心命题是：一个行业的累计产量每翻一倍，剔除通胀后的单位增加值成本会下降一个固定百分比。

8.2 学习曲线 vs 经验曲线：别混用

8.3 经验曲线的战略含义（IE 应该知道的）

1. 先发优势可被量化：如果行业经验曲线是 80%，那么累计产量领先一倍的企业，成本优势约 20%。这是一个巨大的、可持续的护城河。
2. "以量换价"是有数学依据的：在经验曲线陡峭的行业（LR < 80%），早期主动降价抢量、把累计产量推上去，可以在后期获得成本优势。这是渗透定价的理论基础。
3. 但它有前提：① 经验必须留在企业内部（人员不能大量流失）；② 成本优势必须能转化为价格优势或利润；③ 技术不能出现断层式变革（否则累计经验归零）。
4. 对个人职业发展的启示：经验曲线同样适用于个人能力。选择一条"经验可累积、可复利"的赛道（如 IE 的工艺Know-how），比选择一条"经验每年归零"的赛道（如追逐最新框架的语法细节），长期回报差异巨大。

九、在 Excel 与 Python 里落地

9.1 Excel 公式（无需插件）

假设：A1 = 累计产量 $X$，B1 = 学习率 LR（如 0.78），C1 = 参数 $a$，D1 = 常数 $K$

常数 $K$ 的一次性标定：用某个你已精确求和的 $X_0$， K = 精确求和值 − X0^(b+1)/(b+1) − X0^b/2

画 log-log 图：把 $\ln X$ 与 $\ln t$ 做成散点图，加线性趋势线并显示公式与 $R^2$——斜率就是 $b$，这是最直观的检查方法。

9.2 Python 实现（纯标准库，无需 numpy）

import math

# ---------- 1. 拟合 ----------
def fit_learning_curve(X, t):
    """X: 累计产量列表, t: 对应工时列表（口径必须一致）
       返回 (a, b, lr, r2)"""
    lx = [math.log(v) for v in X]
    ly = [math.log(v) for v in t]
    n = len(lx)
    mx, my = sum(lx)/n, sum(ly)/n
    sxy = sum((lx[i]-mx)*(ly[i]-my) for i in range(n))
    sxx = sum((lx[i]-mx)**2 for i in range(n))
    b = sxy / sxx
    a = math.exp(my - b*mx)
    pred = [a * X[i]**b for i in range(n)]
    ybar = sum(t)/n
    sse = sum((t[i]-pred[i])**2 for i in range(n))
    sst = sum((v-ybar)**2 for v in t)
    return a, b, 2**b, 1 - sse/sst

a, b, lr, r2 = fit_learning_curve([50,120,300,500,800], [124.0,91.5,64.8,55.2,46.0])
print(f"a={a:.1f}h  b={b:.4f}  LR={lr:.2%}  R2={r2:.5f}")
# 输出: a=502.5h  b=-0.3571  LR=78.07%  R2=0.99966

# ---------- 2. 标定常数 K ----------
def calib_K(b, X0=64):
    s = sum(i**b for i in range(1, X0+1))
    return s - (X0**(b+1)/(b+1) + X0**b/2)

K = calib_K(b)
print(f"K = {K:.4f}")   # -1.0270

# ---------- 3. 预测 ----------
def unit_time(X, a, b):
    """第 X 台的工时（Crawford）"""
    return a * X**b

def cum_time_wright(X, a, b):
    """前 X 台累计总工时（Wright）"""
    return a * X**(b+1)

def cum_time_crawford(X, a, b, K=None, exact=False):
    """前 X 台累计总工时（Crawford）"""
    if exact or X <= 2000:
        return a * sum(i**b for i in range(1, int(round(X))+1))
    K = calib_K(b) if K is None else K
    return a * (X**(b+1)/(b+1) + X**b/2 + K)

print(f"u(800)   = {unit_time(800, a, b):.2f} h")
print(f"C_W(800) = {cum_time_wright(800, a, b):,.0f} h")
print(f"C_C(800) = {cum_time_crawford(800, a, b, K):,.0f} h")

# ---------- 4. 遗忘修正 ----------
def forget(X, t_months, half_life=12):
    """停产 t_months 后的等效累计产量"""
    return X * 2**(-t_months/half_life)

X_eff = forget(800, 6, 12)
print(f"X_eff={X_eff:.1f}  复工首台={unit_time(X_eff, a, b):.2f} h "
      f"(停产前 {unit_time(800,a,b):.2f} h)")

关键实现提醒：

1. cum_time_crawford 的 exact 分支在小 $X$ 时用精确求和——因为近似式在 $X < 8$ 时误差较大，而爬坡规划恰恰经常要算第 1 台到第 20 台。
2. K 只与 $b$ 有关，拟合出 $b$ 后标定一次即可复用，不要每次重算。
3. 拟合前务必确认 t 的口径。如果拿到的是"批次平均工时"，要先按批次累计产量换算成单位工时，再拟合。

十、常见误用与避坑清单

十一、学习曲线项目检查清单（32 项）

数据与拟合

• 数据来源已明确（MES / 工时台账 / 测时记录），且口径可追溯
• 单位工时与累计平均工时已明确区分，未混用
• 异常点已剔除（停线、返工、试产、混线、缺料）
• 设计变更（ECN）时间点已标注，必要时分段拟合
• 人员变动（换人、换班、扩编）时间点已标注
• 至少 5 个数据点，且跨越至少一次产量翻倍
• log-log 散点图已绘制，目视确认线性
• $R^2$ 已计算（建议 ≥ 0.90，低于此值需检查数据）
• 残差已检查（无系统性弯曲 = 无平台期迹象）
• 常数 $K$ 已针对本项目的 $b$ 标定（若用近似式）

模型选择

• 已明确内部使用的模型（Wright / Crawford）
• 若用于报价，两个模型都已算，取保守值
• 对外报价文件中的口径已书面写明（"累计平均工时"或"单台工时"）
• 已设定"理论最小工时"下限（由动作分析/MODAPTS 得出）
• 已判定是否进入平台期（翻倍改善 < 5% 即停外推）

报价应用

• 累计总工时已按所选模型计算
• 人工费率取自财务口径，非拍脑袋
• 良率爬坡影响已并入（÷ 直通率）
• 材料成本的学习效应已与采购确认
• 专用工装/模具摊销已按总量分摊
• 阶梯定价方案（如有）已按批次测算
• 报价假设清单已附（LR 来源、外推范围、平台期判断）

排产与人员

• 爬坡期人力需求已按月测算（含驼峰形态）
• 峰值缺口已用加班/临时工/外包方案覆盖，未长期配置
• 稳态编制已按稳态工时确定
• 学习因子 $k_{learn}$ 已并入爬坡模型（与良率、齐套因子叠加）

标准工时

• 复测规则已设定（累计产量翻倍复测）
• 平台期判定规则已设定（翻倍改善 < 5%）
• 当前标准工时与目标工时已分开管理
• 计件单价调整机制已设计（滞后 + 上限 + 改善返还）

遗忘管理

• 关键工位的经验半衰期 $H$ 已评估（或采用保守假设）
• 停产预案已包含知识固化动作（视频、参数卡、不良图谱）
• 复工温线期计划已排定（50% → 70% → 满速）

小结

• 两个模型，一个公式，差一半结果：$Y = aX^b$ 中 $Y$ 表示"累计平均"（Wright）还是"第 X 台"（Crawford），决定了累计总工时。LR = 80%、$a=100$ 时，$X=8$ 就差 30.5%，$X=64$ 差 42.6%。
• 参数拟合：$b = \dfrac{\ln(t_2/t_1)}{\ln(X_2/X_1)}$，$LR = 2^b$，$a = t_1/X_1^b$。本例五点回归得 $b = -0.3571$、LR = 78.07%、$a = 502.5$ h，$R^2 = 0.9997$。
• 拟合前必须统一口径——混用"累计平均"和"单台工时"是最致命的错误。
• 手算累计总工时：$\sum i^b \approx \dfrac{X^{b+1}}{b+1} + \dfrac{X^b}{2} + K$，$K$ 用已知点一次性标定（本例 $X_0=64$，$K = -1.0270$），误差 < 0.1%。
• 报价差 180 万：800 台订单，Wright 算出 332.4 万元，Crawford 算出 512.7 万元，差 54.2%。没有数据时用 Crawford（保守）。
• 爬坡人力是驼峰形：本例峰值 50.1 人出现在 M8–M9，稳态只需 45.7 人。按稳态配正式工，峰值用加班/外包覆盖。
• 标准工时每翻倍复测一次：本例 800→1,600 降 21.9%（46.18→36.05 h），1,600→3,200 降 39.0%。翻倍改善 < 5% 时判定进入平台期。
• 培训可以量化：$a = 15.5$ min 的工位，LR 从 85% 提到 80%，前 200 件省 342 min ≈ 5.7 h ≈ 513 元/人；20 名新员工/年的班组年省约 1.03 万元。改善收益在"从差到合格"这一段最大。
• 学习是可逆的：$X_{eff} = X \cdot 2^{-t/H}$。累计 800 台后停产 6 个月（$H = 12$ 月），等效经验退到 565.7 台，复工首台工时 +13.2%，额外成本 11,458 h ≈ 103 万元。
• 停产前 4 周做知识固化，是性价比最高的风险缓释动作。
• 学习曲线 ≠ 经验曲线：前者看人工工时、主体是产线；后者看全部增加值成本、主体是行业，典型斜率 70%~85%，用于战略定价而非排产。

配套阅读：《标准工时怎么定？秒表测时 + 评比系数 + 宽放率的完整流程》《MODAPTS 模特排时法入门：21 个动作与工时计算》《工业工程师的项目管理与新产品导入（NPI）：从 EVT/DVT/PVT 到量产爬坡的完整手册》《成本工程与作业成本法（ABC）：把改善换算成钱》《生产线平衡：从节拍、瓶颈到平衡率改善的完整方法》《用 Python 做 IE 数据分析：从工时数据到线平衡计算》《工业工程师的 Excel 实战手册：从工时分析、过程能力到线平衡的 30 个技法》。

相关阅读

• 标准工时怎么定？秒表测时 + 评比系数 + 宽放率的完整流程：从观测单元划分、观测次数确定、异常值剔除，到平准化评比与四类宽放，用完整算例讲透标准工时的全…
• MODAPTS 模特排时法入门：21 个动作与工时计算：产线还没建就能算出工时。本文系统讲解 MODAPTS 的 21 个基本动作、MOD 时间单位…
• 工业工程师的项目管理与新产品导入（NPI）：从 EVT/DVT/PVT 到量产爬坡的完整手册：把 NPI 拆成进度、产能、质量三条线：六阶段模型（概念/计划/EVT/DVT/PVT/MP…
• 工作抽样完全指南：不用秒表，也能算出设备利用率和宽放率：连续观测 8 小时，不如随机看 200 眼。本文讲透工作抽样：为什么随机瞬时观测的频率能估计…
• MTM 与预定时间标准（PTS）：不开秒表就能定出标准工时：产品还没投产，就要算出这条线需要多少人——这时秒表测时做不到，PTS 可以。本文讲透四种 P…